CN110494893A - 基于ffr的对非侵入性成像的交互监测 - Google Patents
基于ffr的对非侵入性成像的交互监测 Download PDFInfo
- Publication number
- CN110494893A CN110494893A CN201880023385.XA CN201880023385A CN110494893A CN 110494893 A CN110494893 A CN 110494893A CN 201880023385 A CN201880023385 A CN 201880023385A CN 110494893 A CN110494893 A CN 110494893A
- Authority
- CN
- China
- Prior art keywords
- interaction
- user
- traffic lights
- biophysics
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000003993 interaction Effects 0.000 title claims abstract description 73
- 238000003384 imaging method Methods 0.000 title description 8
- 238000004088 simulation Methods 0.000 claims abstract description 31
- 230000017531 blood circulation Effects 0.000 claims abstract description 22
- 230000004044 response Effects 0.000 claims abstract description 16
- 238000012790 confirmation Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 23
- 210000004351 coronary vessel Anatomy 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 230000002792 vascular Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 description 17
- 238000004458 analytical method Methods 0.000 description 9
- 230000002452 interceptive effect Effects 0.000 description 9
- 101000666730 Homo sapiens T-complex protein 1 subunit alpha Proteins 0.000 description 7
- 102100038410 T-complex protein 1 subunit alpha Human genes 0.000 description 7
- 238000007689 inspection Methods 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 230000005855 radiation Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 231100000915 pathological change Toxicity 0.000 description 4
- 230000036285 pathological change Effects 0.000 description 4
- 230000036772 blood pressure Effects 0.000 description 3
- 230000000004 hemodynamic effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 208000031481 Pathologic Constriction Diseases 0.000 description 2
- 210000000709 aorta Anatomy 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 208000037804 stenosis Diseases 0.000 description 2
- 230000036262 stenosis Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 206010020565 Hyperaemia Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000010968 computed tomography angiography Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000002586 coronary angiography Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000004925 denaturation Methods 0.000 description 1
- 230000036425 denaturation Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000001105 femoral artery Anatomy 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000001435 haemodynamic effect Effects 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 210000002321 radial artery Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
- A61B5/029—Measuring or recording blood output from the heart, e.g. minute volume
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/46—Arrangements for interfacing with the operator or the patient
- A61B6/467—Arrangements for interfacing with the operator or the patient characterised by special input means
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/507—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for determination of haemodynamic parameters, e.g. perfusion CT
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/54—Control of apparatus or devices for radiation diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30172—Centreline of tubular or elongated structure
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Cardiology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Hematology (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Vascular Medicine (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
一种系统(100)包括具有计算机可执行指令(124)的计算机可读存储介质(122),所述系统包括:生物物理模拟器部件(126),其被配置为通过模拟来确定血流储备分数值;以及交通灯引擎(128),其被配置为在所述模拟中的一个或多个点跟踪用户与计算系统的交互以确定血流储备分数值。处理器(120)被配置为执行生物物理模拟器部件以确定血流储备分数值,并且被配置为执行交通灯引擎以跟踪关于确定血流储备分数值的用户交互并响应于确定存在潜在的不正确的交互而提供警告。显示器被配置为显示警告请求确认以从所述点继续模拟,其中,只有响应于处理器接收到所请求的确认,模拟才能恢复。
Description
技术领域
以下总体涉及成像,并且更具体地涉及用于血流储备分数计算机断层摄影(FFR-CT)的“交通灯”引擎。
背景技术
血流储备分数(FFR)是导管实验室(Cath Lab)中的一项侵入性测量,通过FFR指数来量化由于钙化或软斑块引起的冠状动脉病变的血流动力学显著性。该指标指示冠状支架的功能严重性,其根据在冠状血管造影术期间进行的压力测量被计算并且被定义为在充血条件下远端血压(狭窄后面)相比于近端血压(靠近心门)。也就是,FFR指标表达在存在支架时沿血管向下的最大流量相比于假设没有狭窄时的最大流量。FFR值是介于0与1之间的绝对值,其中,值0.50指示给定的狭窄会导致血压下降50%。
FFR侵入性流程需要将导管插入股动脉或桡动脉,并使导管前进至狭窄处,在影响脉管的几何形状、顺应性和阻力和/或其他特征的各种药剂促成的状况期间,导管尖端的传感器感测跨狭窄的压力、温度和流量。FFR-CT是一种非侵入性成像方法,其用于通过计算流体动力学(CFD)模拟根据心脏的CT图像数据(例如,根据冠状计算机断层扫描血管造影术,CCTA)来估算FFR指数,其中,模拟通过冠状动脉的血流和压力。这包括使用CCTA图像数据来导出冠状动脉树的几何模型,从其提取特征,并且根据所述特征来确定边界条件以进行模拟。
存在两种用于CT-FFR分析的方法,即非现场和现场。非现场方法需要CCTA数据以及额外患者信息通过计算机网络发送到核心实验室,技术人员在该实验室中在受控环境中执行分析。遗憾的是,非现场方法不具有立即执行分析和更新患者管理计划的能力,而不得不等待直到非现场完成分析。因此,它不能提供有关患者状态的即时输入。现场方法允许医师或技术人员在不受控的环境中在办公室中执行分析。遗憾的是,所述技术容易受到用户可变性和错误的影响,并且由于与操作者有关的错误而不能保证相似水平的再现性和鲁棒性。
发明内容
本文中描述的各方面解决以上提及的问题和其他问题。
以下总体描述了一种方法,其在一个非限制性实施例中,可以借助于减少用户可变性和对错误的操作者与分析应用的交互的鲁棒性来提高现场CT-FFR估计的质量,例如,通过现场CT-FFR分析,可以“监督”用户交互,并在潜在错误交互的情况下提供通知。该方法可以使用基于规则的算法、机器学习算法等来识别潜在的不正确的用户交互。在一个实例中,例如通过利用算法能力来确定潜在的不正确的用户交互以在CT-FFR分析的一个或多个阶段期间校正这种交互,从而能够改善对冠状动脉病变的血液动力学显著性的非侵入性评估。
在一个方面中,一种系统包括具有计算机可执行指令的计算机可读存储介质,所述计算机可执行指令包括:生物物理模拟器部件,其被配置为通过模拟来确定血流储备分数值;交通灯引擎,其被配置为在所述模拟中的一个或多个点跟踪用户与计算系统的交互以确定血流储备分数值。处理器被配置为执行生物物理模拟器部件以确定血流储备分数值,并且被配置为执行交通灯引擎以跟踪关于确定血流储备分数值的用户交互并响应于确定存在潜在的不正确的交互而提供警告。显示器被配置为显示警告请求确认以从所述点继续模拟,其中,仅响应于处理器接收到所请求的确认,模拟才能恢复。
在另一方面中,一种计算机可读存储介质被编码有计算机可读指令,所述计算机可读指令在由计算系统的计算机处理器运行时,令所述计算机处理器:执行生物物理模拟器,所述生物物理模拟器被配置为执行模拟以模拟生物物理度量,其中,所述模拟包括多个顺序处理步骤,其子集需要用户交互,并且每个后续处理步骤接收并利用(一个或多个)先前处理步骤的输出,在模拟的一个或多个处理步骤中执行被配置为跟踪用户与生物物理模拟器的交互的交通灯引擎,并且确定每个用户交互的质量得分,相对于预定接受准则评估特定处理步骤的质量得分,并确定质量得分是否满足相应的接受准则以及下一个处理步骤是否可以进行,响应于所述质量得分指示用户交互不足而基于交通质量得分提供建议,基于实施建议的结果而重新执行失败的生物物理模拟器处理步骤,并且显示模拟的生物物理指标。
在另一方面中,一种方法包括执行生物物理模拟器部件,所述生物物理模拟器部件被配置为根据模拟来确定血流储备分数值,以利用边界条件来确定血流储备分数指数,所述边界条件是根据患者数据、3D解剖模型以及从3D解剖模型提取的特征来确定的。所述方法还包括执行交通灯引擎,所述交通灯引擎被配置为在模拟的一个或多个点处跟踪用户与生物物理模拟器的交互并且提供警告。响应于确定模拟中的点存在潜在的不正确的用户交互,所述交通信号灯引擎提供警告。所述方法还包括从该点显示请求验证的警告以从所述点继续模拟,其中,响应于处理器接收到所请求的验证,模拟得以恢复。
本领域技术人员通过阅读和理解所附的说明,将认识到本申请的其他方面。
附图说明
本发明可以采取各种部件和各部件的布置以及各种步骤和各步骤的安排的形式。附图仅出于图示优选的实施例的目的并且不应被解释为对本发明的限制。
图1示意性地图示了系统,其包括具有生物物理模拟器和交通信号灯引擎的计算系统以及成像系统。
图2示意性地图示了生物物理模拟器和交通灯引擎的示例。
图3图示根据本文中的实施例的范例方法。
图4图示根据本文中的实施例的另一方法。
具体实施方式
图1示意性地示出了系统100,其包括成像系统102,例如CT扫描器,其包括非谱和/或谱(多能量)CT扫描器。成像系统102包括体固定机架104和旋转机架106,旋转机架104由固定机架104可旋转地支撑并且围绕检查区域108关于z轴旋转。对象支撑件110,例如卧榻,在检查区域108中支撑目标或对象。
辐射源112,例如X-射线管,由旋转机架106可旋转地支撑,随旋转机架106旋转,并且发出穿过检查区域108的辐射。辐射敏感探测器阵列114对向一角度弧,跨检查区域108与辐射源112相对。辐射敏感探测器阵列114探测穿过检查区域108的辐射并生成指示其的(一个或多个)电信号(投影数据)。
重建器116重建投影数据,生成指示位于检查区域108中的对象或物体的扫描部分的体积图像数据,例如CCTA图像数据和/或谱CCTA图像数据。计算系统118充当操作者控制台。控制台118包括人类可读输出设备例如监视器和输入设备例如鼠标、键盘等。驻留于控制台118上的软件允许操作者经由图形用户界面(GUI)或以其他方式与扫描器102交互和/或操作扫描器100。
系统100的谱配置在2017年3月31日提交的题为“Spectral FFR-CT”的美国专利申请US 62/479670和2017年8月2日提交的题为“Spectral FFR”的美国专利申请US 62/540089中描述,在此通过引用将其整体并入。
控制台118还包括处理器120(例如,微处理器、控制器、中央处理单元等)和计算机可读存储介质122,其排除非瞬态介质,并且包括诸如物理存储设备之类的瞬态介质,等等计算机可读存储介质122包括至少用于生物物理模拟器126和交通信号引擎128的指令124。处理器120被配置为执行指令124。处理器120可以额外地被配置为执行由载波、信号和/或其他暂态介质承载的一条或多条计算机可读指令。在一个变体中,处理器120和计算机可读存储介质122是与计算系统118分开的另一计算系统的一部分。
生物物理模拟器126被配置为至少处理体积图像数据以执行生物物理模拟。关于FFR,生物物理模拟器为其确定FFR指数。FFR指示可以通过显示监视器显示、存储、传送到其他设备等。在一种情况下,FFR在现场执行。这样,在一个实例中,系统100可以执行分析并立即更新患者管理计划,而不必等到非现场地完成分析。因此,系统100可以提供关于患者状态的立即输入。在另一个实例中,FFR是在非现场执行的。
合适的FFR方法至少包括在以下专利中所描述的:2013年5月10日提交的公开号US2015/0092999A1并且题为“Determination of a fractional flow reserve(FFR)valuefor a stenosis of a vessel”的美国专利申请s/n US14/39640,2013年10月24日提交的公开号为2015/0282765A1并且题为“Fractional flow reserve(FFR)index”的美国专利申请s/n US 14/437990;2015年10月22日提交的公开号为US 62/425181A1并且题为“Fractional flow reserve(FFR)index with adaptive boundary conditionparameters”的美国专利申请s/n US 14/059517;2016年11月22日提交并且题为“Vasculartree standardization for biophysical simulation and/or an extensionsimulation for pruned portion”的美国专利申请s/n US2015/0112191,所有这些均通过引用整体并入本文。
交通灯引擎128被配置为跟踪与部件202、204、206和208中的任何一个相关的用户交互,并在存在潜在的不正确交互的情况下提供警告(例如,音频、图形等)。在一个实例中,这允许系统100执行现场和/或异地FFR,同时减轻来自用户可变性和/或用户错误的错误,并且提供对类似于非现场FFR的由于操作者相关的错误的一定程度的可再现性和鲁棒性。在一个实例中,这是对技术的一种改进,例如,它通过FFR改善了对冠状病变血流动力学意义的无创、准确、客观的现场评估。这种在现场和/或非现场准确评估冠状动脉病变的血流动力学显著性的能力可能对改善冠状动脉疾病患者的诊断和管理产生重大影响。
图2示意性地示出了由计算系统118针对CT-FFR分析的不同阶段实现的各个部件的示例。
3D冠状动脉树建模部件202接收并处理至少非谱和/或谱体积图像数据(例如,来自成像系统102和/或其他成像系统)以生成冠状动脉的3D解剖模型。所选择的图像数据包括某种水平的噪声,可以包括运动伪像,包括特定解剖结构等,其可以影响(例如,向其中引入误差)对从其确定的FFR值的确定。在一种情况下,患者人口统计和/或其他信息也被用作输入。图像数据、患者人口统计数据和/或其他数据一起在本文中称为患者数据。3D冠状动脉树建模部件202采用自动和/或交互式分割工具,以根据患者数据生成冠状动脉的3D解剖模型。
这种工具的一个示例在Freiman等人的“Automatic coronary lumensegmentation with partial volume modeling improves lesions’hemodynamicsignificance assessment”,Progress in Biomedical Optics and Imaging-Proceedings of SPIE,2016,vol.9784中进行了描述。3D冠状树建模部件202利用频谱体积图像数据来增强分割。交互式工具可以包括利用优化算法基于操作者交互来确定最佳3D模型的“智能”工具和/或允许与模型的2-D轮廓交互或直接在3D上交互的简单工具。交互可用于冠状动脉树生成的任何阶段,包括但不限于:用于分析、房室分割、冠状动脉中心线提取和冠状动脉腔分割的阶段选择。
个人特征提取部件204从输入中提取特征以表征被检查患者的特定属性。在一个实例中,这包括从频谱CCTA数据中提取特征,例如从可能与冠状动脉血流相关的患者心脏CT图像导出的量。2014年6月30日提交的题为“Enhanced Patient’s Specific ModellingFor FFR-CT”的专利申请s/n EP14174891.3,2015年11月5日提交的题为“Collateral FlowModelling For FFR-CT”的专利申请s/n US 62/251417中描述了从非谱和/或谱体积图像数据中提取特征以及如何利用这些特征来导出(一个或多个)个性化边界条件进行模拟的示例,在此通过引用将其整体并入本文,以及专利申请s/n US62/479670和US 62/540,089。
边界条件参数模型部件206从非谱和/或谱体积图像数据的提取特征中确定可调整的边界条件参数模型,例如,对流动模拟的特征。微脉管阻力与解剖和生理特征之间存在许多关系。专利申请EP 14174891.3和US62/251417描述了与微脉管阻力有关的一些特征的实例,其中包括冠状动脉出口横截面面积。在一种情况下,边界条件参数模型部件206可以考虑不同的、相似的参数关系,包括例如不同影响的加权线性和或加权非线性和。
流量模拟部件208利用边界条件模型来执行流量模拟。可以使用3D计算流体动力学(CFD)方法和/或降阶方法,例如Nickisch等人在“Learning Patient-Specific LumpedModels for Interactive Coronary Blood Flow Simulations”,Medical ImageComputing and Computer-Assisted Intervention--MICCAI 2015:18th InternationalConference,LNCS,Vol.9350,2015,pp.433–441中描述的方法。在一个实例中,所述部件执行流动模拟以使用3D解剖模型和个性化边界条件模型来估计冠状动脉病变的血液动力学显著性。
交通信号灯引擎128接收用户交互并结合部件202、204、206和/或208中的一个或多个来为交互提供质量得分,例如,是合理的交互还是潜在的错误交互。在一个实例中,交通信号灯引擎128为此采用基于规则的方法。在另一实例中,交通信号灯引擎128为此采用机器学习方法。在又一实例中,交通信号灯引擎128为此采用基于规则的方法和机器学习方法的组合。在又一实例中,交通信号灯引擎128采用不同的方法。如果需要,校正可以被提供和/或超控。
以下描述了其中交通信号灯引擎128提供交互质量得分的示例,包括但不限于阶段选择、冠状动脉中心线编辑和冠状动脉腔轮廓编辑。
阶段(图像数据)选择。
在该示例中,操作者选择非谱和/或谱体积图像数据(例如,患者CCTA数据)以执行分析,并且3D冠状动脉树建模部件202从其创建3D解剖模型。在一个实例中,个性化特征提取部件204采用自动算法来从描述患者数据的体图像数据提特征的集合(x1,…,xn)。这样的特征的示例包括但不限于:
·亨氏单位(HU)水平(μ),例如在主动脉等处;
·信噪比(SNR),例如,通过自动确定升主动脉的位置并计算主动脉内的HU的平均值(μ)和标准偏差(σ),并通过以下方法来从其计算SNR:和/或
·运动伪影的存在。运动伪影会导致图像模糊。可以通过图像边缘锐度来测量模糊的程度。低图像清晰度是潜在运动伪影的间接量度。可通过确定图像中不同部件(例如,左心室或冠状动脉)的边界来测量此功能。接下来,计算每个像素处边界轮廓的法线。然后通过将边缘处的强度差除以边缘的大小来计算边界的清晰度:
其中,x是沿边界法线的强度分布,而size(x)是边缘的长度。
在具有描述患者数据特征的集合(x1,…,xn)时,交通信号灯引擎128可以应用基于规则的方法来警告操作者,其中特征中的一个的值大于或小于预定范围,即,其可以通过将特征值与预定义范围进行比较来确定。额外地或替代地,交通信号灯引擎128可以应用机器学习方法,其中,所选择的患者数据由机器学习引擎评估,所述机器学习引擎利用专家用户选择或拒绝的不同数据集进行训练以用于类似分析。在质量不足的情况下,系统100警告操作者并要求附加验证以便继续。
冠状动脉中心线编辑。
在该示例中,操作者检查和调整和/或校正3D冠状动脉树模型中的冠状动脉中心线。交互的结果是经修改的冠状动脉中心线。类似于阶段选择,然后可以提取几个特征以确定经修改的中心线是否可以接受。这样的特征可以包括但不限于沿着中心线的强度分布,中心线强度分布的一阶导数,沿着中心线的强度变化,沿着中心线的几何曲率,空间位置和长度等。
在具有描述患者数据的特征的集合(x1,…,xn)时,交通信号灯引擎128可以应用基于规则的方法来警告操作者,其中特征中的一个的值大于或小于预定范围,即其可以通过将特征值与预定义范围进行比较来确定。额外地或替代地,交通信号灯引擎128可以采用机器学习引擎,所述机器学习引擎使用预训练的分类器将特征分类为是否具有足够的质量。额外地或替代地,机器学习引擎通过专家用户执行的交互来训练,然后,经训练的引擎用于对当前站点用户的交互进行分类。在质量不足的情况下,系统100警告操作者并要求附加验证以便继续。
冠状动脉腔轮廓编辑。
在该场景中,操作者可以根据需要检查和校正3D冠状动脉树模型中冠状动脉的管腔轮廓。交互的结果是经修改的冠状动脉腔轮廓。与冠状动脉中心线编辑类似,提取一些特征以确定经修改的中心线是否可接受。这样的特征可以包括但不限于冠状动脉内腔的强度分布,每个横截面的中心线强度分布的一阶导数,冠状动脉内腔的强度变化,冠状动脉轮廓的几何曲率,如上所述地测量的冠状动脉轮廓边缘的边缘的锐度,管腔半径等。
在具有描述患者数据的特征的集合(x1,…,xn)时,交通信号灯引擎128可以应用基于规则的方法来警告操作者,其中特征中的一个的值大于或小于预定范围,即其可以通过将特征值与预定义范围进行比较来确定。与中心线编辑类似,交通信号灯引擎128可以使用机器学习引擎,所述机器学习引擎使用预训练的分类器将特征分类为是否具有足够的质量,和/或通过专家用户执行的交互来训练机器学习引擎,然后使用经训练的引擎对当前站点用户的交互进行分类。在质量不足的情况下,系统100警告操作者并要求附加验证以便继续。
在一个实施例中,处理器120被配置为基于交通灯引擎指示来额外地或替代地提供推荐。在一种情况下,建议对用户交互进行更改以校正当前失败的处理步骤。在另一个实例中,建议是对先前可接受的处理步骤的用户交互进行更改,其中,对先前可接受的处理步骤的改变增加了改进当前失败的处理步骤的可能性,例如,以达到可接受的状态。在又一实例中,推荐是这两个推荐的组合,例如,校正当前失败的处理步骤的用户交互和/或改变先前可接受的处理步骤的用户交互。在又一实例中,额外于或者代替这些推荐中的一个或两个之外,推荐可以包括另一推荐。
在一个实例中,建议的步骤基于一种优化功能,所述功能考虑了一个或多个先前的质量得分,并指出了应该重复哪个步骤以提供更大的改进机会,并考虑了任何时间可以复制先前的一个或多个步骤。例如,如果分割失败,则可以再次执行分割。替代地,可以首先再次执行运动校正以减少残留的模糊(例如,已经确定了运动校正步骤满足接受准则的地方),然后可以再次执行分割,其中模糊的进一步减少可以改善图像的结果。通常,可以改善满足接收准则的任何先前执行的步骤,以改善当前步骤或后续步骤。在这种情况下,优化功能考虑了时间(和剂量,如果需要重新成像)。
图3图示根据本文中描述的实施例的范例方法。
要理解,以上动作的顺序不是限制性的。这样,本文中预期其他顺序。另外,可以省略一个或多个动作和/或可以包括一个或多个额外的动作。
在302处,通过用户交互来接收患者数据。如本文所述,这包括非谱和/或谱的体积图像数据,以及任选地,诸如人口统计的其他数据。
在304处,交通信号灯引擎128为用户交互提供质量得分,指示用户交互是否足以确定FFR值。在一种变型中,所述动作被省略和/或在没有用户交互的情况下选择数据。
在306处,如本文和/或其他所述,通过用户交互来生成3D冠状动脉模型。
在308处,交通信号灯引擎128为用户交互提供质量得分,指示用户交互是否足以确定FFR值。在一种变型中,所述动作被省略和/或在没有用户交互的情况下生成3D冠状动脉模型。
在310,个性化的特征与用户交互提取,如本文和/或以其他方式描述。
在312处,交通信号灯引擎128为用户交互提供质量得分,指示用户交互是否足以确定FFR值。在一种变型中,所述动作被省略和/或在没有用户交互的情况下提取了个性化特征。
在314处,如本文和/或其他所述,通过用户交互来确定边界条件模型。
在316处,交通信号灯引擎128为用户交互提供质量得分,指示用户交互是否足以确定FFR值。在一种变型中,所述动作被省略和/或在没有用户交互的情况下确定边界条件模型。
在318处,流动模拟与用户交互进行,如本文中和/或以其他方式描述。
在320处,交通信号灯引擎128为用户交互提供质量得分,指示用户交互是否足以确定FFR值。在一种变型中,所述动作被省略和/或在没有用户交互的情况下确定执行流动模拟。
在322,输出计算出的FFR值。
图4图示根据本文中描述的实施例的范例方法。
要理解,以上动作的顺序不是限制性的。这样,本文中预期其他顺序。另外,可以省略一个或多个动作和/或可以包括一个或多个额外的动作。
在402处,接收患者数据。如本文所述,这包括如本文所述的非谱的,体积谱图像数据等。
在404,生物物理模拟器126开始基于用户交互来处理患者数据,其中,如本文所述,所述处理包括多个步骤,其子集需要用户交互,并且每个后续步骤接收并利用(一个或多个)先前步骤的输出。
在406,交通信号灯引擎128结合处理步骤计算用户交互的质量得分,其中,所述得分指示用户互动是否足以继续进行下一步,如此处所述。
在408处,处理器120响应于指示用户交互不足的质量得分而基于交通引擎质量得分提供推荐。如本文所述,在一种情况下,推荐是改变当前失败步骤的用户交互和/或改变先前可接受步骤的用户交互。
在410处,生物物理模拟器126再次执行当前步骤,但是基于所实施推荐的结果。
在412处,如本文所述,生物物理模拟器126响应于满足接受准则和/或被临床医师确认的所有步骤而输出生物物理度量(例如,FFR值)。
可以通过计算机可读指令实现以上内容,所述计算机可读指令嵌入或编码到计算机可读存储介质上,当被(一个或多个)计算机处理器执行时,所述计算机可读指令使所述(一个或多个)处理器执行所述动作。额外地或替代地,计算机可读指令中的至少一个由不是计算机可读存储介质的信号、载波或其他瞬时介质来承载。
尽管已经在附图和前面的描述中详细图示和描述了本发明,但是这样的图示和描述应当被认为是图示性或示范性的,而非限制性的。本发明不限于公开的实施例。本领域技术人员通过研究附图、公开内容以及权利要求书,在实践请求保护的本发明时能够理解并且实现对所公开的实施例的其他变型。
在权利要求中,“包括”一词不排除其他元件或步骤,并且词语“一”或“一个”不排除多个。单个处理器或者其它单元可以实现权利要求书中记载的若干项的功能。尽管特定措施是在互不相同的从属权利要求中记载的,但是这并不指示不能有利地使用这些措施的组合。
可以将计算机程序存储/分布在与其它硬件一起提供或者作为其它硬件的一部分提供的诸如光存储介质或者固态介质的合适介质上,但是还可以以诸如经因特网或者其它有线或无线电信系统的其它形式分布。权利要求书中的任何附图标记不应被解释为对范围的限制。
Claims (20)
1.一种系统(100),包括:
具有计算机可执行指令(124)的计算机可读存储介质(122),所述计算机可执行指令包括:生物物理模拟器(126),其被配置为通过模拟来确定血流储备分数值;以及交通灯引擎(128),其被配置为在所述模拟中的一个或多个点跟踪用户与计算系统的交互以确定所述血流储备分数值;
处理器(120),其被配置为执行所述生物物理模拟器部件以确定所述血流储备分数值,并且被配置为执行所述交通灯引擎以跟踪关于确定所述血流储备分数值的所述用户交互并响应于确定存在潜在的不正确的交互而提供警告;以及
显示器,其被配置为显示所述警告请求确认以从所述点继续模拟,其中,只有响应于所述处理器接收到所请求的确认,才恢复所述模拟。
2.根据权利要求1所述的系统,其中,所述交通信号灯引擎计算所述用户交互的质量得分,其中,所述警告基于所述质量得分。
3.根据权利要求2所述的系统,其中,所述生物物理模拟器部件包括冠状动脉树建模部件(202),所述冠状动脉树建模部件接收体积图像数据并从其生成冠状动脉的3D解剖模型。
4.根据权利要求3所述的系统,其中,所述交通灯引擎从所述体积图像数据中提取特征的集合,特征的所述集合描述所述体积图像数据,并且所述交通灯引擎基于所提取的特征的所述集合来确定所述质量得分。
5.根据权利要求4所述的系统,其中,所提取的特征的所述集合包括以下中的一个或多个:亨氏单位、信噪比、或运动。
6.根据权利要求3至5中的任一项所述的系统,其中,所述生物物理模拟器部件还包括个性化特征提取部件(202),所述个性化特征提取部件接收冠状动脉的3D解剖模型并从其提取个性化特征。
7.根据权利要求6所述的系统,其中,所述用户交互包括改变冠状动脉脉管的中心线,并且所述交通灯引擎提取关于经改变的中心线的特征的集合,特征的所述集合描述所述经改变的中心线,并且所述交通灯引擎基于所提取的特征的所述集合来确定所述质量得分。
8.根据权利要求7所述的系统,其中,特征的所述集合包括以下中的一项或多项:沿所述中心线的强度分布,中心线强度分布的一阶导数,沿所述中心线的强度变化,沿所述中心线的几何曲率,以及中心线的空间位置和长度。
9.根据权利要求6至8中的任一项所述的系统,其中,所述用户交互包括改变冠状动脉脉管的轮廓线,并且所述交通灯引擎提取关于经改变的轮廓线的特征的集合,特征的所述集合描述所述经改变的轮廓线,并且所述交通灯引擎基于所提取的特征的所述集合来确定所述质量得分。
10.根据权利要求7所述的系统,其中,特征的所述集合包括以下中的一项或多项:脉管内的强度分布,每个横截面处的中心线强度分布的一阶导数,所述脉管管内的强度变化,轮廓线的几何曲率,在轮廓线的边缘处的锐度,或者脉管半径。
11.根据权利要求2至10中的任一项所述的系统,其中,所述交通信号灯引擎利用基于规则的算法或机器学习算法中的至少一种来计算所述质量得分。
12.根据权利要求11所述的系统,其中,所述基于规则的算法将所述质量得分与预定阈值进行比较,并且响应于所述质量得分不满足所述预定阈值而提供所述警告。
13.根据权利要求2至12中的任一项所述的系统,其中,所述处理器响应于所述质量得分指示所述用户交互不足而提供推荐。
14.一种被编码有计算机可读指令的计算机可读存储介质,所述计算机可读指令在由计算系统的处理器运行时,令所述计算机处理器:
执行生物物理模拟器,所述生物物理模拟器被配置为执行模拟以模拟生物物理度量,其中,所述模拟包括多个顺序的处理步骤,其子集需要用户交互,并且每个后续处理步骤接收并利用(一个或多个)先前处理步骤的输出;
执行交通灯引擎,所述交通灯引擎被配置为在所述模拟的一个或多个处理步骤中跟踪用户与所述生物物理模拟器的交互并且确定每个用户交互的质量得分;
相对于预定接受准则来评估针对特定处理步骤的所述质量得分,并且确定所述质量得分是否满足相应的接受准则以及是否能够执行下一处理步骤;
响应于所述质量得分指示所述用户交互不足,基于所述交通质量得分来提供推荐;
基于实施所述推荐的结果,重新执行失败的生物物理模拟器处理步骤;
显示模拟的生物物理度量。
15.根据权利要求14所述的计算机可读存储介质,其中,所述推荐是改变当前失败的处理步骤的用户交互,以校正当前失败的处理步骤。
16.根据权利要求14至15中的任一项所述的计算机可读存储介质,其中,所述推荐的是改变先前可接受的处理步骤的用户交互,并且在当前失败的处理步骤的重新执行期间利用归因于所述改变的结果。
17.根据权利要求14所述的计算机可读存储介质,其中,推荐基于优化函数,所述优化函数被配置为改善当前失败的处理步骤的结果。
18.一种方法,包括:
执行生物物理模拟器部件,所述生物物理模拟器部件被配置为根据模拟来确定血流储备分数值,以利用边界条件来确定血流储备分数指数,所述边界条件是根据患者数据、3D解剖模型以及从所述3D解剖模型提取的特征来确定的;
执行交通灯引擎,所述交通灯引擎被配置为在所述模拟的一个或多个点处跟踪用户与所述生物物理模拟器的交互并且提供警告,
其中,响应于确定所述模拟中的点存在潜在的不正确的用户交互,所述交通信号灯引擎提供警告;以及
显示警告请求确认以从所述点继续模拟,其中,响应于处理器接收到所请求的确认,恢复所述模拟。
19.根据权利要求18所述的方法,还包括:
针对所述用户交互提取特征的集合;以及
计算针对特征的所述集合的质量得分。
20.根据权利要求15所述的计算机可读存储介质,其中,所述警告表示所述质量得分不满足预定接受准则。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762479694P | 2017-03-31 | 2017-03-31 | |
US62/479,694 | 2017-03-31 | ||
US201762545599P | 2017-08-15 | 2017-08-15 | |
US62/545,599 | 2017-08-15 | ||
PCT/EP2018/055366 WO2018177692A1 (en) | 2017-03-31 | 2018-03-05 | Interaction monitoring of non-invasive imaging based ffr |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110494893A true CN110494893A (zh) | 2019-11-22 |
CN110494893B CN110494893B (zh) | 2024-01-23 |
Family
ID=61581301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880023385.XA Active CN110494893B (zh) | 2017-03-31 | 2018-03-05 | 基于ffr的对非侵入性成像的交互监测 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11523744B2 (zh) |
EP (1) | EP3602485B1 (zh) |
JP (1) | JP7426824B2 (zh) |
CN (1) | CN110494893B (zh) |
WO (1) | WO2018177692A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4241694A3 (en) | 2016-05-16 | 2023-12-20 | Cathworks Ltd. | Selection of vascular paths from images |
US11980492B2 (en) * | 2021-11-05 | 2024-05-14 | GE Precision Healthcare LLC | System and method for deep-learning based estimation of coronary artery pressure drop |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120072190A1 (en) * | 2010-09-16 | 2012-03-22 | Siemens Corporation | Method and System for Non-Invasive Assessment of Coronary Artery Disease |
US20130028494A1 (en) * | 2010-04-13 | 2013-01-31 | Koninklijke Philips Electronics N.V. | Image analysing |
US20130246034A1 (en) * | 2012-03-13 | 2013-09-19 | Siemens Aktiengesellschaft | Method and System for Non-Invasive Functional Assessment of Coronary Artery Stenosis |
US20150038860A1 (en) * | 2013-07-30 | 2015-02-05 | Heartflow, Inc. | Method and system for modeling blood flow with boundary conditions for optimized diagnostic performance |
US20150112191A1 (en) * | 2013-10-22 | 2015-04-23 | Koninklijke Philips Electronics N.V. | Fractional flow reserve (ffr) index with adaptive boundary condition parameters |
US20150282765A1 (en) * | 2012-11-06 | 2015-10-08 | Koninklijke Philips N.V. | Fractional flow reserve (ffr) index |
CN105184086A (zh) * | 2014-06-16 | 2015-12-23 | 西门子公司 | 用于冠状动脉中改进的血液动力学计算的方法及系统 |
CN105190630A (zh) * | 2013-01-15 | 2015-12-23 | 凯瑟沃克斯有限公司 | 计算血流储备分数 |
US20160022371A1 (en) * | 2014-07-22 | 2016-01-28 | Siemens Aktiengesellschaft | Method and System for Automated Therapy Planning for Arterial Stenosis |
US20160196660A1 (en) * | 2013-08-21 | 2016-07-07 | Koninklijke Philips N.V. | Segmentation apparatus for interactively segmenting blood vessels in angiographic image data |
CN106163388A (zh) * | 2014-03-31 | 2016-11-23 | 皇家飞利浦有限公司 | 用于处理生命体的心脏数据的处理装置和方法 |
CN106539622A (zh) * | 2017-01-28 | 2017-03-29 | 北京欣方悦医疗科技有限公司 | 基于血流动力学分析的冠脉虚拟支架植入方法和系统 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8442280B2 (en) | 2004-01-21 | 2013-05-14 | Edda Technology, Inc. | Method and system for intelligent qualitative and quantitative analysis of digital radiography softcopy reading |
US7940974B2 (en) * | 2006-11-21 | 2011-05-10 | General Electric Company | Method and system for adjusting 3D CT vessel segmentation |
US8315812B2 (en) * | 2010-08-12 | 2012-11-20 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
WO2013171644A1 (en) | 2012-05-14 | 2013-11-21 | Koninklijke Philips N.V. | Determination of a fractional flow reserve (ffr) value for a stenosis of a vessel |
KR20140015079A (ko) | 2012-07-27 | 2014-02-06 | 삼성전자주식회사 | 중심선을 보정하는 방법 및 장치 |
US9675301B2 (en) * | 2012-10-19 | 2017-06-13 | Heartflow, Inc. | Systems and methods for numerically evaluating vasculature |
JP6091870B2 (ja) | 2012-12-07 | 2017-03-08 | 東芝メディカルシステムズ株式会社 | 血管解析装置、医用画像診断装置、血管解析方法、及び血管解析プログラム |
US8824752B1 (en) | 2013-03-15 | 2014-09-02 | Heartflow, Inc. | Methods and systems for assessing image quality in modeling of patient anatomic or blood flow characteristics |
EP3049975B1 (en) | 2013-09-25 | 2018-11-07 | HeartFlow, Inc. | Systems and methods for validating and correcting automated medical image annotations |
US9905008B2 (en) | 2013-10-10 | 2018-02-27 | University Of Rochester | Automated fundus image field detection and quality assessment |
JP6340815B2 (ja) | 2014-02-19 | 2018-06-13 | カシオ計算機株式会社 | プログラム |
US9785746B2 (en) * | 2014-03-31 | 2017-10-10 | Heartflow, Inc. | Systems and methods for determining blood flow characteristics using flow ratio |
US10258303B2 (en) | 2014-06-30 | 2019-04-16 | Koninklijke Philips N.V. | Apparatus for determining a fractional flow reserve value |
US9785748B2 (en) | 2015-07-14 | 2017-10-10 | Heartflow, Inc. | Systems and methods for estimating hemodynamic forces acting on plaque and monitoring patient risk |
WO2017021201A1 (en) | 2015-08-05 | 2017-02-09 | Koninklijke Philips N.V. | Assistance device and method for an interventional hemodynamic measurement |
WO2017076620A1 (en) | 2015-11-05 | 2017-05-11 | Koninklijke Philips N.V. | Collateral flow modelling for non-invasive fractional flow reserve (ffr) |
WO2018095791A1 (en) | 2016-11-22 | 2018-05-31 | Koninklijke Philips N.V. | Vascular tree standardization for biophysical simulation and/or an extension simulation for pruned portions |
US10163209B2 (en) * | 2016-11-23 | 2018-12-25 | Toshiba Medical Systems Corporation | Medical image processing apparatus, medical image processing method, and X-ray CT apparatus |
JP7191038B2 (ja) | 2017-03-31 | 2022-12-16 | コーニンクレッカ フィリップス エヌ ヴェ | スペクトルイメージングffr |
-
2018
- 2018-03-05 CN CN201880023385.XA patent/CN110494893B/zh active Active
- 2018-03-05 JP JP2019553424A patent/JP7426824B2/ja active Active
- 2018-03-05 US US16/498,578 patent/US11523744B2/en active Active
- 2018-03-05 WO PCT/EP2018/055366 patent/WO2018177692A1/en active Application Filing
- 2018-03-05 EP EP18709342.2A patent/EP3602485B1/en active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130028494A1 (en) * | 2010-04-13 | 2013-01-31 | Koninklijke Philips Electronics N.V. | Image analysing |
US20120072190A1 (en) * | 2010-09-16 | 2012-03-22 | Siemens Corporation | Method and System for Non-Invasive Assessment of Coronary Artery Disease |
US20130246034A1 (en) * | 2012-03-13 | 2013-09-19 | Siemens Aktiengesellschaft | Method and System for Non-Invasive Functional Assessment of Coronary Artery Stenosis |
US20150282765A1 (en) * | 2012-11-06 | 2015-10-08 | Koninklijke Philips N.V. | Fractional flow reserve (ffr) index |
CN105190630A (zh) * | 2013-01-15 | 2015-12-23 | 凯瑟沃克斯有限公司 | 计算血流储备分数 |
US20150038860A1 (en) * | 2013-07-30 | 2015-02-05 | Heartflow, Inc. | Method and system for modeling blood flow with boundary conditions for optimized diagnostic performance |
US20160196660A1 (en) * | 2013-08-21 | 2016-07-07 | Koninklijke Philips N.V. | Segmentation apparatus for interactively segmenting blood vessels in angiographic image data |
US20150112191A1 (en) * | 2013-10-22 | 2015-04-23 | Koninklijke Philips Electronics N.V. | Fractional flow reserve (ffr) index with adaptive boundary condition parameters |
CN106163388A (zh) * | 2014-03-31 | 2016-11-23 | 皇家飞利浦有限公司 | 用于处理生命体的心脏数据的处理装置和方法 |
CN105184086A (zh) * | 2014-06-16 | 2015-12-23 | 西门子公司 | 用于冠状动脉中改进的血液动力学计算的方法及系统 |
US20160022371A1 (en) * | 2014-07-22 | 2016-01-28 | Siemens Aktiengesellschaft | Method and System for Automated Therapy Planning for Arterial Stenosis |
CN106539622A (zh) * | 2017-01-28 | 2017-03-29 | 北京欣方悦医疗科技有限公司 | 基于血流动力学分析的冠脉虚拟支架植入方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2018177692A1 (en) | 2018-10-04 |
US20200037893A1 (en) | 2020-02-06 |
US11523744B2 (en) | 2022-12-13 |
JP7426824B2 (ja) | 2024-02-02 |
EP3602485A1 (en) | 2020-02-05 |
JP2020515337A (ja) | 2020-05-28 |
EP3602485B1 (en) | 2023-10-11 |
CN110494893B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6553675B2 (ja) | 脈管構造を数値的に評価するためのシステムおよび方法 | |
CN105380598B (zh) | 用于针对动脉狭窄的自动治疗规划的方法和系统 | |
KR102336929B1 (ko) | 환자-특정 기하학적 모델들을 변경함으로써 치료들을 결정하기 위한 방법 및 시스템 | |
CN106163388A (zh) | 用于处理生命体的心脏数据的处理装置和方法 | |
US11039804B2 (en) | Apparatus and method for determining a fractional flow reserve | |
JP2018537157A (ja) | 非侵襲的血流予備量比(ffr)に対する側副血流モデル化 | |
CN110494893A (zh) | 基于ffr的对非侵入性成像的交互监测 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |