CN111033635B - 基于模型和成像数据的冠状动脉健康状态预测 - Google Patents

基于模型和成像数据的冠状动脉健康状态预测 Download PDF

Info

Publication number
CN111033635B
CN111033635B CN201880055442.2A CN201880055442A CN111033635B CN 111033635 B CN111033635 B CN 111033635B CN 201880055442 A CN201880055442 A CN 201880055442A CN 111033635 B CN111033635 B CN 111033635B
Authority
CN
China
Prior art keywords
plaque
coronary artery
predicted
baseline
status
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.)
Active
Application number
CN201880055442.2A
Other languages
English (en)
Other versions
CN111033635A (zh
Inventor
H·施米特
H·尼克基施
T·维塞尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of CN111033635A publication Critical patent/CN111033635A/zh
Application granted granted Critical
Publication of CN111033635B publication Critical patent/CN111033635B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [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
    • A61B6/50—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
    • A61B6/503—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 diagnosis of the heart
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/08—Volume rendering
    • 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
    • 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
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac
    • 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
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Optics & Photonics (AREA)
  • Theoretical Computer Science (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • General Physics & Mathematics (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Computer Graphics (AREA)
  • Pulmonology (AREA)
  • Quality & Reliability (AREA)
  • Cardiology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (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)，所述计算机可执行指令包括预测器(126)，所述预测器被配置为根据对比增强的心脏计算机断层摄影体积图像数据以及一种或多种物质关于影响冠状动脉状态的特性的效果的模型来确定基线冠状动脉状态和预测的冠状动脉状态。所述系统还包括处理器(120)，所述处理器被配置为执行所述预测器，以根据对比增强的心脏计算机断层摄影体积图像数据以及一种或多种物质关于影响冠状动脉状态的特性的效果的模型来确定基线冠状动脉状态和预测的冠状动脉状态。所述系统还包括配置为显示所述基线冠状动脉状态和所述预测的冠状动脉状态的显示器。

Description

基于模型和成像数据的冠状动脉健康状态预测
技术领域
下文总体涉及成像，并且更具体涉及基于模型和成像数据的冠状动脉健康状态预测，并且具体应用于计算机断层摄影(CT)。
背景技术
文献表明，在2015年，冠状动脉疾病(CAD)影响了1.1亿人，并且导致890万人死亡，这使其成为全球最常见的死亡原因。当冠状动脉内部的光滑、弹性衬层的一部分由于斑块堆积而变硬、僵化和肿胀时，就会发生CAD，这会导致部分或完全阻塞血流。CAD有许多确定的风险因子。一个这样的风险因子是高血脂。通过降低血液中的脂质水平和/或逆转冠状动脉中的斑块积聚来改善冠状动脉的健康状况的药物是可获得的。遗憾的是，这些药物可能是昂贵的，并且服用它们并不能够等效地改善所有患者的冠状动脉的健康状况。用于量化斑块的血液动力学显著性的方法包括侵入性技术和非侵入性技术。基于成像的技术利用X射线血管造影或计算机断层摄影血管造影(CCTA)。然而，这些技术并不指示特定药物是否将改善冠状动脉的健康状况。
发明内容
在本文中所描述的各方面解决了上述问题以及其他问题。
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预测器，所述预测器被配置为根据对比增强的心脏计算机断层摄影体积图像数据以及一种或多种物质关于影响冠状动脉状态的特性的效果的模型来确定基线冠状动脉状态和预测的冠状动脉状态。所述系统还包括处理器，所述处理器被配置为执行所述预测器，以根据对比增强的心脏计算机断层摄影体积图像数据以及一种或多种物质关于影响冠状动脉状态的特性的效果的模型来确定基线冠状动脉状态和预测的冠状动脉状态。所述系统还包括被配置为显示所述基线冠状动脉状态和所述预测的冠状动脉状态的显示器。
在另一方面中，一种计算机可读存储介质，其利用计算机可读指令进行编码，所述计算机可读指令当由计算系统的计算机处理器执行时使计算机处理器：接收对比增强的心脏计算机断层摄影体积图像数据，获得一种或多种物质关于影响冠状动脉状态的特性的效果的模型，其中，所述模型指示针对每种物质的斑块减少，执行预测器以根据所述对比增强的心脏计算机断层摄影体积图像数据以及所述模型来确定基线冠状动脉状态和预测的冠状动脉状态，显示所述基线冠状动脉状态和所述预测的冠状动脉状态。
在另一方面中，一种方法，包括：获取对比增强的心脏计算机断层摄影体积图像数据；选择一种或多种物质关于影响冠状动脉状态的特性的效果的模型，其中，所述模型指示针对每种物质的斑块减少；执行预测器以根据所述对比增强的心脏计算机断层摄影体积图像数据以及所述模型来确定基线冠状动脉状态和预测的冠状动脉状态，并且显示所述基线冠状动脉状态和所述预测的冠状动脉状态。
通过阅读和理解所附的说明书，本领域技术人员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部件布置以及各种步骤和步骤安排的形式。附图仅仅是出于图示说明优选实施例的目的，而不应当被解读为限制本发明。
图1示意性图示了一种系统，其包括具有预测器的计算系统和成像系统。
图2示意性图示了预测器的示例。
图3图示了根据本文中的实施例的示例方法。
具体实施方式
图1示意性图示了包括诸如CT扫描器的成像系统102的系统100。成像系统102包括大体静止的机架104以及旋转机架106，旋转机架106由静止机架104可旋转地支撑并且围绕检查区域108关于z轴旋转。诸如卧榻的对象支撑体110在检查区域108中支撑目标或对象。诸如X射线管的辐射源112由旋转机架106可旋转地支撑，并且与旋转机架106一起旋转，并且发射贯穿检查区域108的辐射。
辐射敏感探测器阵列114跨检查区域108形成与辐射源112相对的角度弧。辐射敏感探测器阵列114探测贯穿检查区域108的辐射并且产生指示所述辐射的(一个或多个)电信号(投影数据)。重建器116重建所述投影数据，生成指示位于检查区域108中的对象或目标的扫描部分的体积图像数据。例如，重建器116能够根据利用对比增强的CCTA扫描而获取的数据来重建CCTA图像数据。
计算系统118用作操作员控制台。控制台118包括诸如监视器的人类可读输出设备以及诸如键盘、鼠标等的输入设备。驻留在控制台118上的软件允许操作员经由图形用户界面(GUI)或者以其他方式与扫描器102进行交互和/或对扫描器102进行操作。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，计算机可读存储介质122不包括非瞬态介质，并且包括诸如物理存储设备等的瞬态介质。
计算机可读存储介质122包括至少用于预测器126的指令124。处理器120被配置为执行指令124。处理器120可以另外地被配置为执行由载波、信号和/或其他瞬态介质承载的一条或多条计算机可读指令。在变型中，处理器120和计算机可读存储介质122是与计算系统118分离的另一计算系统的部分。
预测器126被配置为处理对比增强的CCTA体积图像数据并且预测FFR值。在一个实例中，这包括预测针对冠状动脉解剖结构的状态的模拟变化的FFR值。例如，特定物质(例如，药物等)具有当被摄入或者以其他方式被引入到人体中时影响冠状动脉解剖结构的生理效应，并且该效应可能因人而异。预测器126能够使用特定物质的效果的模型来预测所述特定物质对患者的冠状动脉解剖结构的模拟变化的FFR值。这继而可以促进确定是否将所述特定物质开处方给患者。
作为非限制性示例，可获得显著降低血液中的特定脂质的水平并且甚至逆转冠状动脉中的斑块积聚的物质。这样的物质的示例包括前蛋白转化酶/kexin 9型抑制剂(PCSK9)，诸如美国加利福尼亚州千橡市的Amgen的产品。这些物质往往是昂贵的，并且服用它们并不能够等效地使所有患者受益。预测器126能够促进识别这样的患者：其症状将可能减轻和/或其针对急性冠状动脉综合征的风险将可能通过这样的物质来降低，例如，所述物质将可能降低低密度脂蛋白(LDL)胆固醇，这可以降低心脏病发作和/或卒中的风险，降低现有狭窄的严重程度等。
图2示意性图示了预测器126的示例。预测器126从成像系统100、数据存储库(例如，放射信息系统(RIS)、图片和归档系统(PACS)等)和/或其他器械接收对比增强的CCTA体积图像数据作为输入。
冠状动脉分割模块200被配置为从对比增强的CCTA体积图像数据中分割冠状动脉树。能够自动地(例如，基于机器学习)或者半自动地(例如，在用户辅助下)执行分割。在一个实例中，所述分割包括从其中识别和/或提取冠状动脉中心线和/或管腔几何结构(例如，直径、周长、横截面积等)。所述分割能够基于体素强度、目标形状和/或其他特性。冠状动脉分割模块200的输出是经分割的冠状动脉树和/或管腔几何结构。
在Zheng等人的“Robust and accurate coronary artery centerlineextraction in CTA by combining model-driven and data-driven approaches”(MedImage Comput Assist Interv.2013；16(Pt 3):74-81)、Ecabert等人的“Segmentation ofthe heart and great vessels in CT images using a model-based adaptationframework”(Med Image Anal.2011Dec；15(6):863-76)、以及Freiman等人的“ImprovingCCTA-based lesions’hemodynamic significance assessment by accounting forpartial volume modeling in automatic coronary lumen segmentation”(MedPhys.2017Mar；44(3):1040-1049)中公开了用于提取冠状动脉树的合适方法的示例。
FFR-CT处理器202利用经分割的冠状动脉树和/或管腔几何结构来执行基线FFR-CT计算并且计算基线FFR-CT指数，其对冠状动脉中的狭窄的严重程度进行量化。利用一种方法，将参数集总模型用于血管网络中的血流的患者特异性计算流体动力学仿真。所述模型包括使用非线性阻力的中心线表示，其中，一些元素指示流入和流出边界条件，而其他元素表示树分段传递函数，其包括反映局部血管几何结构和水力效应两者的一系列线性和非线性阻力元素。针对所述模型，管腔几何结构(例如，直径、周长、横截面积)由非线性电阻器来表示。
Nickisch等人在Medical Image Computing and Computer-AssistedIntervention--MICCAI 2015:18th International Conference，LNCS，第9350卷，2015，第9350卷，第433–441页的“Learning Patient-Specific Lumped Models for InteractiveCoronary Blood Flow Simulations”一文中讨论了示例。在2014年6月30日提交的标题为“Enhanced Patient’s Specific Modelling For FFR-CT”的EP 14174891.3中描述了导出边界条件的示例，将其全部内容通过引用并入本文。在2013年5月10日提交的标题为“Determination of a fractional flow reserve(FFR)value for a stenosis of avessel”的US 2015/0092999A1以及2013年10月24日提交的标题为“Fractional flowreserve(FFR)index”的US 2015/0282765 A1中描述了计算FFR值的示例，将其全部内容通过引用并入本文。
斑块检测器模块204例如基于所提取的冠状动脉中心线和管腔来检测沿着经分割的冠状动脉的斑块的位置。斑块分类器模块206例如基于所提取的冠状动脉中心线和管腔对检测到的斑块进行分类。所述检测和/或分类能够是手动的，例如通过对体素进行轮廓化和标记，或者是自动的，例如使用机器学习方法。示例分类包括富含脂质、钙化、混合等。斑块检测器模块204的输出是位置，并且斑块分类器模块206的输出是针对每个位置的斑块的类型。
示例方法包括Wolterink等人的“Automatic coronary artery calcium scoringin cardiac CT angiography using paired convolutional neural networks”(MedImage Anal.2016Dec；34:123-136)、Kang等人的“Structured learning algorithm fordetection of non-obstructive and obstructive coronary plaque lesions fromcoronary CT angiography”(J Med Imaging.2015；2(1):014003)、以及Mittal等人的“Fast automatic detection of calcified coronary lesions in 3D cardiac CTimages”(在International Workshop on Machine Learning in Medical Imaging(第1-9页)，Springer Berlin Heidelberg，(2010年9月))。
斑块量化器模块208对每种斑块类型的经标记的体素的数量进行计数，使用检测到的程度(体素)以及CT图像的已知分辨率来确定每个斑块的大小，并且通过将体素的对应数量与针对一斑块类型的体素的大小相乘来对每种斑块类型进行量化。针对斑块量化器模块208的输出是针对每种类型的检测到的斑块的值，针对特定斑块类型的值表示在所检测到的斑块中该斑块的量或体积。
药物效果存储器210的模型包括描述多种不同的药物中的每种药物对斑块的可能效果的(一个或多个)模型。例如，在一个示例中，所述模型包括药物以其为目标的一种类型的斑块类型和预期的脱脂率。下文在表1中示出了用于多种斑块分类的多种药物的示例。对于该示例，该表指示在预定义时间段(例如，一年)内针对每种药物的每种类型斑块的减少量(百分比)。所述模型中的信息能够基于施予了特定药物和/或模拟物的斑块患者的历史结果。
表格1。示例性药物效果模型
治疗结果预测器212使用所述模型来预测所述模型中针对药物的FFR指数和/或斑块量。在一个实例中，治疗结果预测器212将所述模型应用于由斑块量化器模块208计算出的斑块的基线体积。例如，对于表1中的“药物A”，治疗结果预测器212将钙化斑块的体积减少0％(即，在这种情况下不减少)、将富含脂质的斑块的体积减少10％、将混合斑块的体积减少7％、.....这将产生所述模型中针对每种药物的斑块的预测量。
额外地或备选地，治疗结果预测器212将模型中的信息传达给FFR-CT处理器202，FFR-CT处理器202基于所述信息来调节边界条件，并且计算模型中针对每种药物的预测的FFR指数。例如，在根据血管直径来确定边界条件阻力的情况下，斑块的减小使直径增大，这减小了边界条件阻力；亦即，阻力和直径成反比。在这种情况下，FFR-CT处理器202利用经调节的边界条件阻力来计算预测的FFR指数。
在变型中，斑块量化器模块208被省略。在另一变型中，FFR-CT处理器202被省略。
治疗结果预测器212的输出能够包括基线FFR指数、(一个或多个)预测的FFR指数、(一个或多个)基线斑块体积、(一个或多个)预测的斑块体积、和/或基线与预测值之间的差异。例如，在一个实例中，治疗结果预测器212基于其减少斑块负担和/或增加FFR指数的模拟有效性来确定并且显示推荐，诸如一种药物选择。这能够被扩展到包括药物引起的斑块帽处血流量/剪切应力的变化，考虑当血栓形成时处于危险中的心肌区域的大小等。
所述推荐还可以指示其他信息，诸如服用每种药物(从文献中获知)和未服用每种药物的急性冠状动脉综合征(ACS)的风险、基于预测的FFR指数的心肌灌注改善、每种药物的货币成本和/或其他信息。例如，针对药物的结果可以并排显示、针对每种药物列出其有效性、成本、不良反应的可能性等。所述结果能够经由显示监视器显示、打印、电子地传输等。临床医师能够利用该信息来确定针对对象开处方哪些药物(如果有)。
图3图示了根据在本文中所描述的实施例的示例方法。
应当意识到，以上动作的顺序并非是限制性的。这样，在本文中设想到了其他顺序。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动作。
在302处，获得对象的心脏CT数据。
在304处，从所述心脏CT数据中提取冠状动脉树。
在306处，如在本文中和/或以其他方式计算基线FFR指数、每个斑块的基线体积或者这两者。
在308处，基于具有在本文中和/或以其他方式描述的每种处置的效果的模型，针对一种或多种处置计算预测的FFR指数、每个斑块的预测的体积或者这两者。
在310处，如在本文中和/或以其他方式来显示结果。
上文可以通过被编码或嵌入在计算机可读存储介质上的计算机可读指令的方式来实施，所述计算机可读指令当由(一个或多个)计算机处理器运行时使(一个或多个)处理器执行所描述的动作。额外地或备选地，计算机可读指令中的至少一条计算机可读指令由不是计算机可读存储介质的信号、载波或其他瞬态介质来承载。
尽管已经在附图和前文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说明性或示例性的而非限制性的；本发明并不限于所公开的实施例。通过研究附图、公开内容和所附的权利要求，本领域技术人员在实践所要求保护的发明时能够理解和实现所公开的实施例的其他变型。
在权利要求中，词语“包括”不排除其他元件或步骤，并且不定冠词“一”或“一个”不排除多个。单个处理器或其他单元可以实现权利要求中记载的若干项的功能。在互不相同的从属权利要求中记载特定措施的事实并不指示不能够有利地使用这些措施的组合。
计算机程序可以被存储/分布在适当的介质上，诸如与其他硬件一起提供或者作为其他硬件的部分而提供的光学存储介质或固态介质，但是也可以以其他形式来分布，诸如经由因特网或者其他有线或无线电信系统来分布。权利要求中的任何附图标记都不应当被解读为限制范围。

Claims (15)

1.一种用于确定针对多种不同药物中每种药物的基线冠状动脉状态和预测的冠状动脉状态的系统(100)，包括：
处理器(120)，其被配置为运行由预测器执行的以下步骤：
从对比增强的心脏计算机断层摄影体积图像数据中分割冠状动脉树；
检测经分割的冠状动脉树中的斑块的位置，并且将检测到的斑块分类为针对检测到的位置中的每个检测到的位置的斑块类型，其中，所述斑块类型是从至少包括钙化斑块、富含脂质的斑块和混合斑块的斑块类型中选择的；
确定基线冠状动脉状态，所述基线冠状动脉状态包括在所述经分割的冠状动脉树中的基线血流储备分数指数以及在所检测到的斑块中的所述斑块类型中的每种斑块类型的基线体积；
根据所述对比增强的心脏计算机体积图像数据以及多种不同药物中的每种药物关于影响所述冠状动脉状态的特性的效果的模型来确定针对所述多种不同药物中的每种药物的预测的冠状动脉状态，其中，所述模型指示在预定义时间段内针对所述多种不同药物中的每种药物的所述斑块类型中的每种斑块类型的百分比减少，所述模型被应用于所述斑块类型中的每种斑块类型的所述基线体积，以便确定所述斑块类型中的每种斑块类型的预测的体积，并且针对所述多种不同药物中的每种药物的所述预测的冠状动脉状态包括预测的血流储备分数指数，所述预测的血流储备分数指数是通过将所述模型应用于被用于计算所述预测的血流储备分数指数的边界条件来计算的；以及
显示器，其被配置为显示针对所述多种不同药物中的每种药物的所述基线冠状动脉状态和所述预测的冠状动脉状态。
2.根据权利要求1所述的系统，其中，所述预测器还指示针对所述物质中的每种物质的所述预测的冠状动脉状态的心肌灌注的改善，所述改善被计算为针对所述基线冠状动脉状态与所述预测的冠状动脉状态的心肌灌注之间的差异。
3.根据权利要求1所述的系统，其中，所述预测器比较针对每种物质的基线冠状动脉状态和预测的冠状动脉状态，并且指示与针对每种斑块类型的体积的最大减少相对应的物质。
4.根据权利要求1至3中的任一项所述的系统，其中，所述预测器还确定斑块帽处的血流量和剪切应力中的一项或多项的诱发的变化。
5.根据权利要求1至3中的任一项所述的系统，其中，所述预测器还考虑当血栓形成时处于危险中的心肌区域的大小。
6.一种利用计算机可读指令编码的计算机可读存储介质，所述计算机可读指令当由计算系统的处理器运行时使所述处理器通过以下方式确定针对多种不同药物中每种药物的基线冠状动脉状态和预测的冠状动脉状态：
从对比增强的心脏计算机断层摄影体积图像数据中分割冠状动脉树；
检测经分割的冠状动脉树中的斑块的位置，并且将检测到的斑块分类为针对检测到的位置中的每个检测到的位置的斑块类型，其中，所述斑块类型是从至少包括钙化斑块、富含脂质的斑块和混合斑块的斑块类型中选择的；
确定基线冠状动脉状态，所述基线冠状动脉状态包括在所述经分割的冠状动脉树中的基线血流储备分数指数以及在检测到的斑块中的所述斑块类型中的每种斑块类型的基线体积；
根据所述对比增强的心脏计算机体积图像数据以及多种不同药物中的每种药物关于影响所述冠状动脉状态的特性的效果的模型来确定针对所述多种不同药物中的每种药物的预测的冠状动脉状态，其中，所述模型指示在预定义时间段内针对所述多种不同药物中的每种药物的所述斑块类型中的每种斑块类型的百分比减少，所述模型被应用于所述斑块类型中的每种斑块类型的所述基线体积，以便确定所述斑块类型中的每种斑块类型的预测的体积，并且针对所述多种不同药物中的每种药物的所述预测的冠状动脉状态包括预测的血流储备分数指数，所述预测的血流储备分数指数是通过将所述模型应用于被用于计算所述预测的血流储备分数指数的边界条件来计算的；并且
显示被配置为显示针对所述多种不同药物中的每种药物的所述基线冠状动脉状态和所述预测的冠状动脉状态。
7.根据权利要求6所述的计算机可读存储介质，其中，所述指令还使所述处理器：
指示针对所述物质中的每种物质的所述预测的冠状动脉状态的心肌灌注的改善，所述改善被计算为针对所述基线冠状动脉状态和所述预测的冠状动脉状态的心肌灌注之间的差异。
8.根据权利要求6所述的计算机可读存储介质，其中，所述指令还使所述处理器：
比较针对每种物质的基线冠状动脉状态和预测的冠状动脉状态，并且指示与针对每种斑块类型的体积的最大减少相对应的物质。
9.根据权利要求6至8中的任一项所述的计算机可读存储介质，其中，所述指令还使所述处理器：
确定斑块帽处的血流量和剪切应力中的一项或多项的诱发的变化。
10.根据权利要求6至8中的任一项所述的计算机可读存储介质，其中，所述指令还使所述处理器：
考虑当血栓形成时处于危险中的心肌区域的大小。
11.一种用于确定针对多种不同药物中的每种药物的基线冠状动脉状态和预测的冠状动脉状态的方法，包括：
从对比增强的心脏计算机断层摄影体积图像数据中分割冠状动脉树；
检测经分割的冠状动脉树中的斑块的位置，并且将检测到的斑块分类为针对检测到的位置中的每个检测到的位置的斑块类型，其中，所述斑块类型是从至少包括钙化斑块、富含脂质的斑块和混合斑块的斑块类型中选择的；
确定基线冠状动脉状态，所述基线冠状动脉状态包括在所述经分割的冠状动脉树中的基线血流储备分数指数以及在检测到的斑块中的所述斑块类型中的每种斑块类型的基线体积；
根据所述对比增强的心脏计算机体积图像数据以及多种不同药物中的每种药物关于影响所述冠状动脉状态的特性的效果的模型来确定针对所述多种不同药物中的每种药物的预测的冠状动脉状态，其中，所述模型指示在预定义时间段内针对所述多种不同药物中的每种药物的所述斑块类型中的每种斑块类型的百分比减少，所述模型被应用于所述斑块类型中的每种斑块类型的所述基线体积，以便确定所述斑块类型中的每种斑块类型的预测的体积，并且针对所述多种不同药物中的每种药物的所述预测的冠状动脉状态包括预测的血流储备分数指数，所述预测的血流储备分数指数是通过将所述模型应用于被用于计算所述预测的血流储备分数指数的边界条件来计算的；并且
显示被配置为显示针对所述多种不同药物中的每种药物的所述基线冠状动脉状态和所述预测的冠状动脉状态。
12.根据权利要求11所述的方法，还包括：
指示针对所述物质中的每种物质的所述预测的冠状动脉状态的心肌灌注的改善，所述改善被计算为针对所述基线冠状动脉状态与所述预测的冠状动脉状态的心肌灌注之间的差异。
13.根据权利要求11所述的方法，还包括：
比较针对每种物质的基线冠状动脉状态和预测的冠状动脉状态，并且指示与针对每种斑块类型的体积的最大减少相对应的物质。
14.根据权利要求11至13中的任一项所述的方法，还包括：
确定斑块帽处的血流量和剪切应力中的一项或多项的诱发的变化。
15.根据权利要求11至13中的任一项所述的方法，还包括：
考虑当血栓形成时处于危险中的心肌区域的大小。
CN201880055442.2A 2017-08-30 2018-08-17 基于模型和成像数据的冠状动脉健康状态预测 Active CN111033635B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762551812P 2017-08-30 2017-08-30
US62/551812 2017-08-30
PCT/EP2018/072286 WO2019042789A1 (en) 2017-08-30 2018-08-17 CORONARY ARTERY HEALTH PREDICTION BASED ON MODEL AND IMAGING DATA

Publications (2)

Publication Number Publication Date
CN111033635A CN111033635A (zh) 2020-04-17
CN111033635B true CN111033635B (zh) 2024-01-30

Family

ID=63491571

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880055442.2A Active CN111033635B (zh) 2017-08-30 2018-08-17 基于模型和成像数据的冠状动脉健康状态预测

Country Status (5)

Country Link
US (1) US11301994B2 (zh)
EP (1) EP3732690A1 (zh)
JP (1) JP7232245B2 (zh)
CN (1) CN111033635B (zh)
WO (1) WO2019042789A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11400212B2 (en) * 2019-07-19 2022-08-02 Nexus Medical, Llc Clinical assessment of an intravenous catheter site
CN111046394A (zh) * 2019-12-12 2020-04-21 支付宝(杭州)信息技术有限公司 一种基于对抗样本增强模型抗攻击能力的方法和系统
US20230144624A1 (en) * 2021-11-05 2023-05-11 GE Precision Healthcare LLC System and method for detecting stenosis

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105580019A (zh) * 2013-07-30 2016-05-11 哈特弗罗公司 为优化诊断性能利用边界条件模型化血流的方法和系统

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7907766B2 (en) * 2007-01-02 2011-03-15 General Electric Company Automatic coronary artery calcium detection and labeling system
US8315812B2 (en) 2010-08-12 2012-11-20 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
US8867822B2 (en) * 2011-10-14 2014-10-21 Fujifilm Corporation Model-based coronary artery calcium scoring
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
SG11201502616WA (en) * 2012-10-05 2015-05-28 Baysient LLC System and method for providing patient-specific dosing as a function of mathematical models
WO2014072861A2 (en) 2012-11-06 2014-05-15 Koninklijke Philips N.V. Fractional flow reserve (ffr) index
US9042613B2 (en) * 2013-03-01 2015-05-26 Heartflow, Inc. Method and system for determining treatments by modifying patient-specific geometrical models
US10052032B2 (en) 2013-04-18 2018-08-21 Koninklijke Philips N.V. Stenosis therapy planning
US9805463B2 (en) * 2013-08-27 2017-10-31 Heartflow, Inc. Systems and methods for predicting location, onset, and/or change of coronary lesions
JP6362853B2 (ja) * 2013-11-20 2018-07-25 キヤノンメディカルシステムズ株式会社 血管解析装置、および血管解析装置の作動方法
US9220418B2 (en) * 2013-12-18 2015-12-29 Heartflow, Inc. Systems and methods for predicting coronary plaque vulnerability from patient-specific anatomic image data
EP3160335B1 (en) 2014-06-30 2023-09-20 Koninklijke Philips N.V. Apparatus for determining a fractional flow reserve value
WO2016005944A1 (en) 2014-07-11 2016-01-14 Koninklijke Philips N.V. Devices, systems, and methods for treatment of vessels
US9888968B2 (en) 2014-07-22 2018-02-13 Siemens Healthcare Gmbh Method and system for automated therapy planning for arterial stenosis
US9195801B1 (en) 2014-08-05 2015-11-24 Heartflow, Inc. Systems and methods for treatment planning based on plaque progression and regression curves
US11120893B2 (en) * 2015-09-16 2021-09-14 Heartflow, Inc. Systems and methods for patient-specific imaging and modeling of drug delivery
US10483006B2 (en) * 2017-05-19 2019-11-19 Siemens Healthcare Gmbh Learning based methods for personalized assessment, long-term prediction and management of atherosclerosis

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105580019A (zh) * 2013-07-30 2016-05-11 哈特弗罗公司 为优化诊断性能利用边界条件模型化血流的方法和系统

Also Published As

Publication number Publication date
EP3732690A1 (en) 2020-11-04
WO2019042789A1 (en) 2019-03-07
US11301994B2 (en) 2022-04-12
US20210073978A1 (en) 2021-03-11
CN111033635A (zh) 2020-04-17
JP2020532014A (ja) 2020-11-05
JP7232245B2 (ja) 2023-03-02

Similar Documents

Publication Publication Date Title
Yang et al. Diagnostic performance of on-site CT-derived fractional flow reserve versus CT perfusion
US11195278B2 (en) Fractional flow reserve simulation parameter customization, calibration and/or training
US9788807B2 (en) Processing apparatus for processing cardiac data
JP6484760B2 (ja) 非侵襲的血流予備量比（ｆｆｒ）に対する側副血流モデル化
US20190200881A1 (en) Systems and methods for predicting perfusion deficits from physiological, anatomical, and patient characteristics
EP3654846B1 (en) Inflammation estimation from x-ray image data
CN111033635B (zh) 基于模型和成像数据的冠状动脉健康状态预测
US20220319004A1 (en) Automatic vessel analysis from 2d images
JP7426824B2 (ja) 非侵襲的イメージングベースのｆｆｒのインタラクションモニタリング
US11576637B2 (en) Standardized coronary artery disease metric
JPWO2018185040A5 (zh)

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