CN112368781A - 基于机器学习来评估血管阻塞的方法和系统 - Google Patents

Abstract

描述了用于评估血管阻塞的方法和系统。该方法和系统获得包括关注血管的目标器官的体积图像数据集，提取沿着体积图像数据集内的关注血管（VOI）延伸的轴向轨迹，并且基于体积图像数据集和VOI的轴向轨迹来创建三维（3D）多平面重新格式化（MPR）图像。该方法和系统还利用基于机器学习的血管阻塞评估（VOA）模型从MPR中提取VOI参数。还描述了用于实现预测阶段以实行以下各项中的至少一项的方法和系统：i）检测斑块类型，ii）对血管堵塞的解剖学严重程度进行分类，和/或iii）对体积图像数据集的看不见的部分内的血管阻塞的血液动力学严重程度进行分类。

Description

基于机器学习来评估血管阻塞的方法和系统

背景技术

1.技术领域

本申请总体上涉及评估与一个或多个冠状动脉中的冠状动脉粥样硬化病变严重程度有关的冠状动脉参数的方法和系统。

2. 现有技术

冠状动脉疾病（CAD）是全世界主要的死亡原因之一。CAD通常是指涉及血管狭窄或阻塞的情况，其可能导致狭窄远侧部分的血液供应减少或缺乏，从而导致心肌的氧气供应减少，导致例如局部缺血和胸痛（心绞痛）。血管变窄被叫做狭窄，并且是由动脉粥样硬化引起的，动脉粥样硬化是指脂肪、胆固醇和其他物质在血管壁（斑块）内和在其上的堆积，参见图1。动脉粥样硬化斑块可以根据其成分进行分类，诸如钙化斑块、软斑块和混合斑块，即，包含钙化和非钙化成分的斑块。这样的非钙化成分包括：细胞外基质、平滑肌细胞、巨噬细胞、泡沫细胞、脂质和纤维组织。钙化斑块被认为是稳定的，并且其在冠状动脉中的量是心血管事件的有力预测指标。与钙化斑块不同，非钙化斑块和混合斑块被认为是不稳定的，并且更易于破裂。斑块破裂可能会导致严重的重大事件，诸如中风或心脏附着（假如破裂发生在冠状动脉中）。心脏病发作可能导致心肌梗塞，从而对心肌造成不可逆转的损害。由于不同类型的斑块和不同等级的狭窄导致不同的患者管理策略，因此检测和表征冠状动脉斑块和狭窄等级非常重要。

除了狭窄的等级（解剖学狭窄）外，CAD的预防和治疗中的另一个非常重要的方面是对这种窄的解剖学狭窄或血管堵塞的功能评估。

当前，X射线血管造影术是在导管实验室内借助于微创手术（也被称为经皮冠状动脉介入治疗（PCI））在治疗狭窄（窄的）冠状动脉期间使用的成像模式。在PCI期间，一位（介入）心脏病专家从腹股沟股动脉或桡动脉向上通过血管在导管上馈送放气的球囊或其他设备，直到它们到达动脉堵塞的位点为止。X射线成像被用来引导导管穿过。PCI通常涉及为球囊充气以打开动脉，旨在恢复畅通的血流。可以将支架（stent）或支架（scaffold）可以放置在堵塞位点，以使动脉保持张开。例如，对于中等冠状动脉解剖病变（被定义为腔变窄30-70％），则狭窄对于患者是否有风险以及是否期望采取行动并不总是很明显。高估狭窄的严重程度可能会导致在事后看来并不必要的治疗，因此会使患者面临不必要的风险。然而，低估狭窄的严重程度可能会引发风险，因为在狭窄实际上很严重并且实际上阻碍了到心肌的血流的同时患者没有得到治疗。尤其是对于这些情况，期望具有附加的功能评估来帮助做出良好的决策。

在过去的10-15年中，分数流量储备（FFR）被越来越多地用作最有可能从PCI中受益的识别和有效地瞄准冠状动脉病变的方法。FFR是一种用于测量跨冠状动脉狭窄的压力差以确定狭窄阻碍氧气输送至心脏肌肉的可能性的技术。该技术涉及在冠状动脉内部经皮插入压力转换线，并且测量病变后面的（远端的）和病变前面的（近端的）压力，并且在导管实验室中实行。这最好在充血状态下进行，因为在最大程度充血的情况下，流入心肌的血流与心肌的灌注压力成正比。因此，FFR提供了对冠状动脉病变的功能严重程度的定量评估，如Pijls等人在“Measurement of Fractional Flow Reserve to Assess the FunctionalSeverity of Coronary-Artery Stenoses”（N Engl J Med 1996，334：1703- 1708）中所述。尽管欧洲心脏病学会（ESC）和美国心脏病学会/美国心脏协会（ACC/AHA）指南建议在患有中度冠状动脉狭窄（30-70％）的患者中使用FFR，但仍在90％以上的手术中单独使用X射线冠状动脉血管造影的视觉评估（无论QCA是否支持）来选择患者进行经皮冠状动脉介入治疗（Kleiman等人的“Bringing it all together: integration of physiology withanatomy during cardiac catheterization”，J Am Coll Cardiol. 2011；1219-1221)。然而，FFR具有一些缺点。该技术与只能使用一次的压力线的附加成本相关联。另外，测量FFR需要有创导管插入术，这具有相关联的成本和手术时间。而且，为了诱发（最大程度）充血，需要附加的药物输注（腺苷或罂粟碱），这对于患者是额外的负担。

冠状动脉CT血管造影术（CCTA）是用于识别以及用于排除患有疑似CAD的患者的公认模式。它允许对冠状动脉斑块进行无创检测和表征，并且对冠状动脉狭窄进行分级。如今，这些任务通常是在临床上通过视觉评估实行的，或者通过首先利用管腔和动脉壁的分割，然后定义斑块或狭窄的存在而半自动地实行。然而，前者即使是在由经验丰富的专家实行的情况下，也遭受观察者间的巨大差异性的影响，而后者则依赖于冠状腔和壁的分割，这通常是耗时且繁琐的，尤其是在具有大量动脉粥样硬化斑块或成像伪像的图像中如此。

尽管CCTA可以可靠地排除严重冠状动脉疾病的存在，但是CCTA上看到的许多高等级狭窄并不是流动限制的。这种潜在的假阳性结果引起了以下顾虑，即，广泛使用CCTA可能会导致临床上不必要的冠状动脉血运重建手术。CCTA的这种缺乏特异性是CCTA在确定CAD的血液动力学意义方面的主要局限性之一（Meijboom等人的“Comprehensive assessmentof coronary artery stenoses: computed tomography coronary angiography versusconventional coronary angiography and correlation with fractional reserve inpatients with stable angina”，美国心脏病学会杂志52（8）（2008）636-643）。结果，CCTA可能导致对患者进行不必要的介入，这可能给患者带来添加的风险，并且可能导致不必要的医疗保健成本。

为了减少不必要的导管插入术的次数，正在集中研究导管插入术之前以及利用诸如CCTA之类的无创成像模式来获得冠状动脉病变参数（诸如斑块类型、解剖学病变严重程度和功能上冠状动脉病变严重程度）。目前，已经提出了几种用于在CCTA中确定解剖学狭窄程度、或斑块类型或冠状动脉狭窄的功能意义的（半）自动方法。这些方法在斑块类型检测的情况下严重依赖于冠状腔和冠状动脉壁的分割，例如在Kiris等人的“Standardizedevaluation framework for evaluating coronary artery stenosis detection,stenosis quantification and lumen segmentation algorithms in computedtomography angiography”（医学图像分析，第17卷，第8号，第859-876页，2013年）中描述的那样。

由于在CCTA上有众多伪像（诸如由大的动脉钙化以及支架的存在所引起的开花伪像），分割不准确是一个会导致所提取的冠状动脉参数中的准确性的已知问题。此外，运动、较低SNR和误配准会进一步降低其准确性。因此，具有良好图像质量的CCTA数据对于所提取的冠状动脉参数（诸如冠状动脉斑块类型、解剖和功能上冠状动脉病变严重程度）的准确性至关重要。

在Taylor等人的“Computational Fluid Dynamics Applied to CardiacComputed Tomography for Noninvasive Quantification of Fractional FlowReserve”（美国心脏病学会杂志，第61卷，第22号，2013年）以及US 8,315,812中，描述了一种用于根据CCTA来量化FFR的无创方法（FFRCT）。这项技术在对冠状动脉树进行半自动分割之后，使用了应用于CCTA的计算流体动力学（CFD），该冠状动脉树包括升主动脉的一部分，其覆盖了其中左冠状动脉和右冠状动脉两者都发散的区域。模拟了冠状动脉的三维（3D）血流和压力，其中利用Navier-Stokes方程将血液建模为不可压缩的牛顿流体，并且利用并行超级计算机上的有限元方法在适当的初始条件和边界条件下求解。FFRCT针对腺苷诱导的充血而无腺苷输注的情况进行建模。作为分割的结果，该过程在计算上是复杂且耗时的，并且可能需要数小时并且严重依赖于3D解剖冠状动脉模型，该分割除其他之外遭受如上所述的相同限制的影响。

因此，需要在不依赖于冠状动脉系统的详细形态的情况下获得冠状动脉病变参数（诸如斑块类型、解剖学病变严重程度和功能上冠状动脉病变严重程度）。

发明内容

依据本文中的方面，提供了一种用于评估血管阻塞的方法。该方法包括：获得包括关注血管的目标器官的体积图像数据集；提取沿着体积图像数据集内的关注血管（VOI）延伸的轴向轨迹；基于体积图像数据集和VOI的轴向轨迹来创建三维（3D）多平面重新格式化（MPR）图像；以及利用基于机器学习的血管阻塞评估（VOA）模型从MPR中提取VOI参数。

可选地，该方法包括：实现预测阶段以实行以下各项中的至少一项：i）检测斑块类型，ii）对血管堵塞的解剖学严重程度进行分类，和/或iii）对体积图像数据集的看不见的部分内的血管阻塞的血液动力学严重程度进行分类。可选地，基于机器学习的VOA模型从MPR图像生成立方体的序列，每一个立方体包括来自MPR图像的一组体素，在VOI的部分中创建的立方体的序列会导致对应部分的立方体的序列。可选地，基于机器学习的VOA模型独立地从立方体的序列中提取与立方体相关联的图像特征。可选地，机器学习按顺序依赖性来分析图像特征。可选地，将立方体的大小定义为包含VOI的整个管腔和管腔外部的一部分组织，以便于提取与正重塑有关的VOI参数，其中，正重塑是指动脉粥样硬化斑块生长的方向。可选地，轴向轨迹可以对应于VOI的冠状动脉中心线，冠状动脉中心线表示沿着关注的冠状动脉部分的冠状腔的中心，轴向轨迹对应于单个冠状动脉、冠状动脉分叉或完整的冠状动脉树，其中，当关注的冠状动脉部分包括一个或多个分叉时，冠状动脉中心线就包括一个或多个分叉。

基于机器学习的VOA模型可以基于递归卷积神经网络（RCNN），采用其来分析MPR图像中的沿着VOI的轴向轨迹的附近区域，RCNN将卷积神经网络（CNN）与串联连接的递归神经网络（RNN）连接起来，以分析作为顺序输入的MPR沿着轴向轨迹的部分。基于机器学习的VOA模型可以应用至少一个卷积层，然后是最大池化层，以从MPR图像中提取关注的图像特征，并且将分类器用于表征斑块类型、对狭窄的解剖学意义进行分类或者确定狭窄的功能意义中的至少一种。基于机器学习的VOA模型可以包括：用于基于MPR图像来创建特征向量的特征提取，该特征向量包括从图像的参考数据库中测量或提取的一系列因子，该系列因子描述或表征了关注血管的对应壁区域的性质，基于机器学习的VOA模型进一步包括分类器，用于对从MPR图像中提取的特征向量进行分类。VOI参数可以包括冠状动脉斑块类型、解剖学冠状动脉病变严重程度或功能上重要的冠状动脉病变严重程度中的至少一种，并且其中，基于机器学习的VOA模型评估i）功能上重要的冠状动脉病变严重程度，ii）斑块类型或iii）解剖学冠状动脉病变严重程度中的至少一种。

依据本文中的方面，提供了一种训练血管阻塞评估（VOA）模型的方法，其包括：获得训练数据库，该训练数据库包括多名患者的体积成像数据集和对应的冠状动脉疾病（CAD）相关参考值，该体积图像数据集针对包括关注血管的目标器官，CAD相关参考值对应于在对应的成像数据集中沿着关注血管的一个或多个点；对于至少一部分体积图像数据集和对应的CAD相关参考值，提取沿着对应的体积图像数据集中的关注血管（VOI）延伸的轴向轨迹；基于对应的体积图像数据集和VOI的轴向轨迹，创建三维（3D）多平面重新格式化（MPR）图像，MPR图像沿着VOI的轴向轨迹延伸；以及基于MPR图像来训练基于机器学习的血管阻塞评估（VOA）模型，该训练进一步包括从MPR图像中提取沿着VOI内的轴向轨迹表征CAD相关参数的特征。

可选地，该方法将CAD相关参考值与对应的MPR图像的空间坐标对齐。可选地，该方法从对应的MPR图像生成立方体的序列，每一个立方体包括来自对应的MPR图像的一组体素，在VOI的部分中创建的立方体的序列会导致对应部分的立方体的序列。可选地，该训练进一步包括：沿着MPR图像将卷积神经网络应用于立方体的序列，以构建基于机器学习的VOA模型。可选地，该应用进一步包括：在沿着轴向轨迹的点处生成一组编码，以形成一组一维（1D）序列，每一个1D序列表示沿着VOI的特定编码，该训练进一步包括应用监督分类器，以基于1D序列来学习分数流量储备（FFR）分类器。

依据本文中的方面，提供了一种用于评估血管阻塞的系统。该系统包括：存储器，其被配置成存储包括关注血管的目标器官的体积图像数据集；一个或多个处理器，当执行存储在存储器中的程序指令时，被配置成：提取沿着体积图像数据集中的关注血管（VOI）延伸的轴向轨迹；基于体积图像数据集和VOI的轴向轨迹，创建三维（3D）多平面重新格式化（MPR）图像；以及利用基于机器学习的血管阻塞评估（VOA）模型，从MPR中提取VOI参数。

可选地，一个或多个处理器被配置成实现预测阶段，以实行以下各项中的至少一项：i）检测斑块类型，ii）对血管堵塞的解剖学严重程度进行分类，和/或iii）对体积图像数据集的看不见的部分内的血管阻塞的血液动力学严重程度进行分类。可选地，基于机器学习的VOA模型从MPR图像生成立方体的序列，每一个立方体包括来自MPR图像的一组体素，在VOI的部分中创建的立方体的序列会导致对应部分的立方体的序列。可选地，基于机器学习的VOA模型独立地从立方体的序列中提取与立方体相关联的图像特征。可选地，机器学习按顺序依赖性来分析图像特征。立方体的大小可以被定义为包含VOI的整个管腔和管腔外部的一部分组织，以便于提取与正重塑有关的VOI参数，其中，正重塑是指动脉粥样硬化斑块生长的方向。轴向轨迹可以对应于VOI的冠状动脉中心线，冠状动脉中心线表示沿着关注的冠状动脉部分的冠状腔的中心，轴向轨迹可以对应于单个冠状动脉、冠状动脉分叉或完整的冠状动脉树，其中，当关注的冠状动脉部分包括一个或多个分叉时，冠状动脉中心线就包括一个或多个分叉。基于机器学习的VOA模型可以基于递归卷积神经网络（RCNN），采用其来分析MPR图像中的沿着VOI的轴向轨迹的附近区域，RCNN将卷积神经网络（CNN）与串联连接的递归神经网络（RNN）连接起来，以分析作为顺序输入的MPR沿着轴向轨迹的部分。基于机器学习的VOA模型可以应用至少一个卷积层，然后是最大池化层，以从MPR图像中提取关注的图像特征，并且将分类器用于检测斑块类型、表征斑块类型、检测狭窄或确定狭窄的解剖学意义中的至少一种。基于机器学习的VOA模型可以包括：用于基于MPR图像来创建特征向量的特征提取，该特征向量包括从图像的参考数据库中测量或提取的一系列因子，该一系列因子描述或表征了关注血管的对应壁区域的性质，基于机器学习的VOA模型进一步包括分类器，用于对从MPR图像中提取的特征向量进行分类。VOI参数可以包括冠状动脉斑块类型、解剖学冠状动脉病变严重程度或功能上重要的冠状动脉病变严重程度中的至少一种，并且其中，基于机器学习的VOA模型评估i）功能上重要的冠状动脉病变严重程度，ii）斑块类型或iii）解剖学冠状动脉病变严重程度中的至少一种。

依据本文中的实施例，提供一种系统来训练血管阻塞评估（VOA）模型。该系统包括：存储器，其被配置成存储训练数据库，该训练数据库包括多名患者的体积成像数据集以及对应的冠状动脉疾病（CAD）相关参考值，该体积图像数据集针对包括关注血管的目标器官，CAD相关参考值对应于在对应的成像数据集中沿着关注血管的一个或多个点；一个或多个处理器，当执行存储在存储器中的程序指令时，被配置成：对于至少一部分体积图像数据集和对应的CAD相关参考值，提取沿着对应的体积图像数据集中的关注血管（VOI）延伸的轴向轨迹；基于对应的立体图像数据集和VOI的轴向轨迹，创建三维（3D）多平面重新格式化（MPR）图像，该MPR图像沿着VOI的轴向轨迹延伸；以及基于MPR图像来训练基于机器学习的血管阻塞评估（VOA）模型，该训练涉及从MPR图像中提取沿着VOI中的轴向轨迹表征CAD相关参数的特征。

可选地，处理器被进一步配置成将CAD相关参考值与对应的MPR图像的空间坐标对齐。可选地，处理器被进一步配置成从对应的MPR图像生成立方体的序列，每一个立方体包括来自对应的MPR图像的一组体素，在VOI的部分中创建的立方体的序列会导致对应部分的立方体的序列。可选地，处理器被进一步配置成沿着MPR图像将卷积神经网络仅应用于立方体的序列，以构建基于机器学习的VOA模型。可选地，一个或多个处理器被进一步配置成在沿着轴向轨迹的点处生成一组编码，以形成一组一维（1D）序列，每一个1D序列表示沿着VOI的特定编码，一个或多个处理器通过应用监督分类器来实行训练，以基于1D序列来学习分数流量储备（FFR）分类器。

附图说明

通过以下在附图中图示的非限制性实施例的描述，本申请的特性和从中得出的优点将更加明显。

图1示出了冠状动脉粥样硬化的一个示例。

图2图示了本申请的一个实施例的基于机器学习的方法的流程图，该方法用于确定与一个或多个冠状动脉中的冠状动脉粥样硬化病变严重程度有关的冠状动脉参数。

图3示出了示例性CT系统的功能框图。

图4a-4e图示了体积MPR图像的创建。

图5a（i）-5a（v）示出了关于可以如何呈现通过本申请的实施例获得的结果的示例。

图5b示出了关于可以如何在3D渲染图像中呈现通过本申请的实施例获得的结果的替换示例。

图6示出了关于可以如何以模仿类似于在导管插入术期间创建的X射线血管造影图像的方式呈现通过本申请的实施例获得的结果。

图7示出了通过训练阶段实行的生成机器学习RCNN分类模型的流程图。

图8a-8c示出了利用CCTA图像数据集的拉回FFR参考值的共配准方法的示意图。

图9a-9d示出了用于在MPR图像内生成立方体的序列的示意图。

图10示出了被用于增强的三种增强方法。

图11示出了RCNN架构的示例，该RCNN架构用于沿着关注的冠状动脉检测冠状动脉斑块类型和解剖学病变严重程度。

图12示出了RCNN架构的示例，该RCNN架构用于沿着关注的冠状动脉检测冠状动脉斑块类型、解剖学病变严重程度和功能上重要的FFR。

图13示出了由于动脉狭窄所致的局部缺血的示例。

图14示出了结合了心肌特征向量的RCNN架构的示例，用以评估冠状动脉内的功能上重要的FFR。

图15示出了用于创建立方体的序列的替换方法，该立方体的序列包括位于关注位置远端的心肌。

图16示出了用于预测阶段的本申请的实施例的流程图。

图17示出了评估冠状动脉的血液动力学功能严重程度的替换工作流程。

图18示出了通过训练阶段实行的生成FFR分类模型的替换流程图。

图19a-19c示出了通过使用MPR图像图示的CAE的编码器/解码器输出的视觉图示。

图20示出了结合了在学习FFR分类模型期间使用的（如在预测阶段期间使用的）1D自动编码器的3D变分卷积自动编码器的架构的示例。

图21a示出了3D-VCAE的详细网络架构的示例。

图21b示出了1D-CAE的详细网络架构的示例。

图22示出了特征空间的示例，其中，训练数据被表示为点，被映射成使得分开类别的数据被尽可能宽的清晰间隙划分开。

图23示出了通过训练阶段实行的，使用经训练的FFR分类模型的预测阶段的替换流程图。

图24示出了用于对看不见的数据进行分类的分类器的图示。在此视觉表示内，输入是从看不见的图像计算出的特征向量，并且输出是两个类别。

图25示出了通过训练阶段实行的生成多实例学习（MIL）FFR分类模型的替换流程图。

图26示出了通过训练阶段实行的，使用经训练的MIL FFR分类模型的预测阶段的替换流程图。

图27示出了通过使用CAAS工作站获得冠状动脉回旋（circumflex）的计算FFR拉回的示例。

图28示出了CT系统的示例的高级框图。

具体实施方式

贯穿全文使用的术语“看不见的”是指在训练阶段期间未被使用的项目。在此上下文中，“项目”意味着在训练阶段期间被用来训练基于机器学习的VOA模型的体积图像、参考值、特征和/或其他事物。代替地，看不见的特征、图像、几何形状和其他看不见的项目是指在手术的预测阶段期间正在分析的患者或关注对象的方面。

当与描述体素的立方体结合使用时，术语“部分（section）”应指代沿着关注血管的基本上连续的几何区域。

在整个本说明书中，使用了在机器学习/深度学习领域中通用的术语。对于这些术语的详细解释，请参考Litjens等人的“A survey on deep learning in medical imageanalysis”（Med Image Anal. 2017年12月；42：60-88）。

在整个本说明书中，使用了术语“立方体（cube）”和“长方体（cuboid）”。这两个术语都描述了体积形状，其中“立方体”意味着宽度、高度和深度相等的体积立方体。“长方体”类似于“立方体”，但是长方体可以具有不同大小的宽度、高度和/或深度。

本申请涉及用于进行机器学习的方法和系统，以基于对比度增强的体积图像数据集来评估与CAD有关的冠状动脉参数，诸如目标器官的一个或多个血管阻塞的斑块类型、解剖学严重程度和功能严重程度。在优选的实施例中，目标器官表示心脏和血管、冠状动脉。功能上重要的狭窄是血管的血液动力学上重要的阻塞，并且就冠状动脉而言，它定义了（一个或多个）冠状动脉阻塞阻碍氧气输送至心脏肌肉并且引起心绞痛症状的可能性。分数流量储备是用于评估功能上重要的（一个或多个）冠状动脉阻塞的血液动力学指标。除分数流量储备外，其他血液动力学指数可以被用来评估功能上重要的（一个或多个）冠状动脉阻塞，诸如冠状动脉流量储备、瞬时无波比率、充血心肌灌注、微循环阻力指标和沿着冠状动脉的压降。

本申请的实施例利用机器学习来确定与CAD有关的冠状动脉参数，诸如来自CCTA数据集的一个或多个血管阻塞的斑块类型、解剖学严重程度和功能严重程度。机器学习是一个计算机科学的子领域，它“赋予计算机学习能力，而无需进行明确的编程”。机器学习是从人工智能中的模式识别和计算学习理论的研究中发展而来的，它探索了可以从数据中学习并对数据进行预测的算法的研究和构建——这样的算法通过进行数据驱动的预测或决策、通过根据样本输入构建模型来克服严格遵循静态程序指令的情况。在设计和编程显式算法不可行的情况下，在一系列计算任务中采用机器学习。

考虑到具有已知类别标签的图像的数据集，机器学习系统可以预测新图像的类别标签。任何这样的系统至少有两个部分。基于机器学习的血管阻塞评估（VOA）模型的第一部分是特征提取（提取器），它是一种用于在给定图像的情况下创建特征向量的算法。特征向量包括从（一个或多个）图像数据集中测量或提取的一系列因子（例如，多个数字），这些因子描述或表征了图像的对应壁区域的性质。然后，VOA模型的第二部分（分类器）将这些特征用于对从看不见的图像中提取的看不见的特征向量进行分类。考虑到（大型）图像数据库和所提取的特征向量（其标签是已知的并且事先用于训练基于机器学习的VOA模型），基于以与在具有（已知）标签（训练图像）的图像中进行提取的方式相同的方式提取的特征对看不见的图像进行分类是可能的。

图2示出了图示了根据本申请的实施例的操作的流程图。该操作采用能够获取和处理器官（或其部分）或其他关注对象的CCTA数据集的成像系统。图2的操作（以及本文中描述的任何其他方法、算法和过程的操作）在执行程序指令时由一个或多个处理器实现。一个或多个处理器可以在各种计算设备上实现，该计算设备诸如是智能电话、平板设备、膝上型计算机、台式计算机、工作站、远程服务器、医疗网络等等。替换地，一个或多个处理器可以分布在一个或多个单独的计算设备之间，使得一部分操作由一个计算设备实行，而其余的操作由一个或多个其他计算设备实行。

图3是示例性CT系统的功能框图，其包括CT成像装置112，该CT成像装置在来自用户界面模块116的命令下进行操作，并且将会把数据提供给数据处理模块114。

CT成像装置112捕获关注器官的CT扫描。CT成像装置112通常包括安装在可旋转门架中的X射线源和检测器。门架提供在扫描期间围绕患者以连续的速度旋转X射线源和检测器的功能，该患者被支撑在X射线源与检测器之间的桌子上。

数据处理模块114可以由个人计算机、工作站或其他计算机处理系统来实现。数据处理模块114处理由CT成像装置112捕获的CT扫描，以生成如本文中所述的数据。

用户界面模块116与用户交互，并且与数据处理模块114通信。用户界面模块116可以包括不同种类的输入和输出设备，诸如用于视觉输出的显示屏、用于触摸输入的触摸屏、用于输入的鼠标指针或其他定点设备、用于语音输入的传声器、用于音频输出的扬声器、键盘和/或用于输入的小键盘等。数据处理模块114和用户界面模块116进行协作来执行本文中所描述的过程的操作。

数据处理模块114包括一个或多个存储器118和一个或多个处理器120。存储器118除其他之外存储目标器官的对比度增强的体积数据集、数据段、从数据段的分析中提取的特征、一个或多个VOA模型。存储器118还可以存储用于训练器官的一个或多个对比度增强的体积数据集、CAD相关参考值、一个或多个VOA模型等等。存储器118还存储软件代码，该软件代码指导一个或多个处理器120执行本文中所描述的过程的操作。例如，存储器118可以包括光盘或其他形式的永久性存储器，诸如USB驱动器或网络服务器。该软件代码可以直接加载到数据处理模块114的存储器中，以用于执行本文中所描述的操作。

依据本文中的方面，成像系统先前已经获取并存储了关注对象的至少一个CCTA数据集。能够提供CT扫描的任何成像设备都可以被用于该目的。依据本文中的各方面，数据处理模块114的一个或多个处理器120实现一种用于评估血管阻塞的方法，该方法包括：获得包括关注血管的目标器官的体积图像数据集；提取沿着体积图像数据集内的关注血管（VOI）延伸的轴向轨迹；基于体积图像数据集和VOI的轴向轨迹来创建三维（3D）多平面重新格式化（MPR）图像；以及利用基于机器学习的血管阻塞评估（VOA）模型从MPR中提取VOI参数。依据本文中的方面，数据处理模块114的一个或多个处理器120实现一种训练血管阻塞评估（VOA）模型的方法，包括：获得训练数据库，该训练数据库包括多名患者的体积成像数据集和对应的冠状动脉疾病（CAD）相关参考值，该体积图像数据集针对包括关注血管的目标器官，该CAD相关参考值对应于在对应的成像数据集中沿着关注血管的一个或多个点；对于至少一部分体积图像数据集和对应的CAD相关参考值，提取沿着对应的体积图像数据集中的关注血管（VOI）延伸的轴向轨迹；基于对应的体积图像数据集和VOI的轴向轨迹，创建三维（3D）多平面重新格式化（MPR）图像，该MPR图像沿着VOI的轴向轨迹延伸；以及基于MPR图像来训练基于机器学习的血管阻塞评估（VOA）模型，该训练进一步包括从MPR图像中提取沿着VOI内的轴向轨迹表征CAD相关参数的特征。

存储器118可以存储被配置成存储包括关注血管的目标器官的体积图像数据集的存储器。可选地，存储器118可以存储训练数据库，该训练数据库包括多名患者的体积成像数据集和对应的冠状动脉疾病（CAD）相关参考值，该体积图像数据集针对包括关注血管的目标器官，CAD相关参考值对应于在对应的成像数据集中沿着关注血管的一个或多个点。

处理器120利用基于机器学习的血管阻塞评估（VOA）模型实行从MPR图像中提取CAD相关参数。处理器120实现训练阶段，以基于MPR图像来训练基于机器学习的血管阻塞评估（VOA）模型，该训练进一步包括从MPR图像中提取沿着VOI内的轴向轨迹表征CAD相关参数的特征。

图2的操作也可以通过计算机产品中体现的软件代码来执行（例如，光盘或其他形式的永久性存储器，诸如USB驱动器或网络服务器）。该软件代码可以直接加载到数据处理系统的存储器中，以用于执行图2的操作。

在该示例中，假设成像系统已经获取并存储了关注对象的至少一个CCTA数据集。能够提供CT扫描的任何成像设备都可以被用于该目的。

本申请在基于CCTA数据集的冠状动脉病变参数分析方面特别有利，并且其将主要参照该领域进行公开，特别是针对患者分类。

现在参照图2公开本申请的实施例。显然，其中描绘的步骤可以以任何逻辑顺序实行，并且可以被部分省略。

如在图2的步骤201中描述的，获得图像数据集。这样的图像数据集表示体积图像数据集，例如单个对比度增强的CCTA数据集。可以从数字存储数据库（诸如图像存档和通信系统（PACS）或VNA（供应商中性档案）、本地数字存储数据库、云数据库）中获取此CCTA数据集，或者直接从CT成像模式中获取此CCTA数据集。在CCTA成像期间，在患者体内诱发造影剂。另外，CCTA成像可以被ECG触发。

在图2的步骤202中，处理器提取沿着关注血管延伸的轴向轨迹。例如，轴向轨迹可以对应于沿着关注血管延伸的中心线。当关注血管表示冠状动脉时，轴向轨迹就可以对应于冠状动脉中心线，在这种情况下，处理器提取该冠状动脉中心线。冠状动脉中心线表示沿着关注的冠状动脉部分的冠状腔的中心。这可以是单个冠状动脉、冠状动脉分叉或整个冠状动脉树。假如在关注的冠状动脉部分包括一个或多个分叉，冠状动脉中心线也将包括（一个或多个）分叉但不包括其侧分支。如步骤203进一步描述的，中心线被用来创建MPR图像。假如分析了分叉和/或冠状动脉树，提取了多个中心线，例如在分析一个分叉时提取了两个冠状动脉中心线；一条冠状动脉中心线由分叉的主分支内的近端位置到远端位置标识，而一条中心线则由分叉的侧分支内的近端位置到远端位置标识。出于当前应用的目的，不需要所提取的冠状动脉中心线准确地表示冠状腔的中心。尽管冠状动脉中心线不应超过冠状腔，但粗略估计冠状动脉中心线就足够了。冠状动脉中心线的提取可以手动或（半）自动地实行。Metz等人的“Semi-automatic coronary artery centerline extraction incomputed tomography angiography data”（会议记录/IEEE国际生物医学成像专题研讨会：从纳米到宏观，2007年5月）描述了半自动方法的示例。Wolterink等人在“Coronaryartery centerline extraction in cardiac CT angiography using a CNN-basedorientation classifier”（Med Image Anal. 2019年1月；5l：46-60）中描述了自动冠状动脉中心线提取方法的示例，其中利用机器学习来自动提取冠状动脉中心线。该方法在将单个种子点放置在关注动脉中之后，提取了在CCTA图像数据集中可视化的孔（ostium）与最远端的点之间的冠状动脉中心线。

在图2的步骤203中，创建了关注冠状动脉的三维（3D）多平面重新格式化（MPR）图像。图4a-4d提供了创建体积（3D）MPR图像（进一步被叫做MPR图像）的图示。图4a的图像401示出了CCTA数据集（图2，201）的体积渲染，其中选择了右冠状动脉402作为示例来创建MPR图像。关于MPR，在直线MPR与弯曲MPR之间存在区别。对于直线MPR以及对于弯曲MPR两者，所提取的轴向轨迹（例如，中心线）都被用来从获得的图像数据集201创建各向同性的MPR图像。MPR图像的分辨率是预定义的，并且例如是0.3 mm。MPR图像也可以以非各向同性的方式创建。

直线MPR沿着所提取的轴向轨迹（例如，冠状动脉中心线）402将图像朝向长方体图像403重新格式化，该重新格式化以冠状动脉中心线处于长方体404的中心这样的方式进行。图4b的图像403图示了长方体重新采样图像（直线MPR），并且在长方体重新采样图像内可视化了一个“切片”以易于解释。图4c的图像405示出了同一重新采样图像的一个“切片”，但是可视化平面围绕中心线404旋转，以图示所提取的右冠状动脉内的冠状动脉分叉（406）的可视化。沿着冠状动脉中心线的弯曲路线重建弯曲MPR图像。图4d和图4e的图像408a和408b示出了弯曲MPR图像的两个示例，并且可视化为单个“切片”，其中切片取向是指可以沿着弯曲的冠状动脉旋转的弯曲平面。再次，这只是出于可视化目的，应用程序将使用完整的3D直线或弯曲MPR图像。弯曲MPR图像的优点是，在本申请中所述的机器学习网络架构内，可以考虑所提取的中心线的曲率或曲折度。

在图2的步骤204中，通过利用基于机器学习的血管阻塞评估（VOA）模型来提取冠状动脉参数。在当前应用中，通过在作为图2的步骤203的结果的MPR图像上利用基于机器学习的VOA模型来评估冠状动脉斑块类型、解剖学冠状动脉病变严重程度和功能上重要的冠状动脉病变严重程度。与用于检测斑块类型和解剖学冠状动脉病变严重程度的机器学习方法相比，用于评估功能上重要的冠状动脉病变严重程度的机器学习方法略有不同，并且在当前应用中通过对应的流程图进行进一步描述。此外，在当前应用中的学习阶段与预测阶段之间进行了区分，并且在不同机器学习方法的描述中进行了更详细的描述。在学习阶段（或训练阶段）中，对机器学习模型进行训练。这涉及通过使用参考标准（图2的205）来训练所选模型（或者也叫做网络架构）的参数。参考标准是一个包含多名患者的数据的数据库。数据库中的每个集合包含每个患者的a）对比度增强的CT图像数据集（201标识训练阶段期间的参考图像集）和对应的b）CAD相关参考值。例如，CAD相关参考值可以表示斑块类型、解剖学狭窄程度、有创测量的分数流量储备和/或其他血液动力学指数中的至少一种。作为另外的示例，血液动力学指数可以表示被用来评估功能上重要的（一个或多个）冠状动脉阻塞的指标，诸如冠状动脉流量储备、瞬时无波比率、充血心肌灌注、微循环阻力指数和沿着冠状动脉的压降。

在训练机器学习模型之后，图2的步骤204被配置成基于对MPR图像的分析来预测冠状动脉斑块类型，和/或关注冠状动脉的解剖学狭窄严重程度和/或功能重要性，作为步骤204的结果。在预测阶段中，使用看不见的图像数据（201），并且分离图2的步骤205。

输出（图2的步骤206）是对冠状动脉斑块类型、和/或关注冠状动脉内的解剖学狭窄严重程度和/或（一个或多个）病变的功能意义的预测。该结果可以以各种方式呈现给用户。图5a（i）-5a（v）和图5b示出了向用户呈现结果的一些示例。图5a（i）的图像501表示了作为图2的步骤203的结果的MPR图像。图5a（ii）的图像502将斑块类型分类示为叠加在MPR图像上的颜色或灰度值，其中颜色表示不同的斑块类型（例如，无斑块、钙化斑块、非钙化斑块或混合斑块）。图5a（iii）的图像503示出了作为颜色或灰度值叠加在MPR图像上的解剖学狭窄严重程度，其中颜色表示解剖学狭窄严重程度的不同标记。在图像503中，可视化了三种解剖学狭窄严重程度，即无狭窄、非解剖学重要狭窄（其中管腔变窄<50％）或解剖学重要狭窄（其中管腔变窄≥50％）。图5a（iv）的图像504示出了沿MPR图像的FFR值，其中y轴表示估计的FFR值，并且x轴表示沿着关注冠状动脉的长度的位置，其对应于MPR图像501的x轴。可以使用各种其他可视化方式，例如，结果可以叠加在弯曲MPR上、正交视图上，或者结果可以在图像数据集（图2的201）的体积渲染上可视化，如图5a（v）的图像505所示，其中506图示了例如沿着冠状动脉中心线的FFR值的颜色编码结果。注意的是，在图像505中，通过使用体积渲染技术使冠状动脉中心线506可视化以吸引冠状腔。图5b示出了可视化结果的另一个示例。图像507是仅冠状动脉的体积渲染，其包括一小部分升主动脉，其中左冠状动脉和右冠状动脉从主动脉散发。在507内叠加在渲染的冠状动脉上的颜色或灰度值被可视化（509），其表示例如数字FFR值，并且508提供了颜色图例以将颜色或灰度值映射到（数值）值。图6呈现了另一种可视化方法。在该图中，在模拟血管视图中示出了结果。模拟血管视图是模拟冠状动脉的X射线血管造影图像的图像，如通过C形臂的特定角度查看的那样，如由US9008386B2和US10192352B2所公开的。图6的图像601示出了这样的模拟血管视图，其中用户可以控制角度（602，C形臂的旋转角度和C形臂的角度旋转角度）。603示出了所提取的中心线作为图2的步骤202的结果，在该中心线上的颜色或灰度值表示例如FFR值，并且604提供了颜色图例以将颜色或灰度值映射到（数值）值。

图7图示了用于训练机器学习模型以提取MPR图像内的冠状动脉参数的框架，如通过图2的步骤204所描述的。图7图示了系统的训练阶段，以检测冠状动脉斑块类型、解剖学狭窄严重程度和功能上重要的冠状动脉狭窄严重程度。在图7的步骤701中，获得参考标准，以被用来训练机器学习模型。例如，处理器可以获得训练数据库，该训练数据库包括多名患者的体积成像数据集以及对应的冠状动脉疾病（CAD）相关参考值。体积图像数据集可以针对包括关注血管的目标器官。CAD相关参考值对应于沿着对应的成像数据集中的关注血管的一个或多个点。参考标准是一个包含多名患者的数据的数据库。该数据库内的每个集合包含每名患者的a）对比度增强的CT数据集步骤703和对应的b）CAD相关参考值。例如，CAD相关参考值可以表示斑块类型、解剖学狭窄严重程度、有创测量的分数流量储备和/或其他血液动力学指标中的至少一种。作为另外的示例，血液动力学指数可以表示被用来评估（一个或多个）功能上重要的冠状动脉阻塞的指数，诸如冠状动脉流量储备、瞬时无波比率、充血心肌灌注、微循环阻力指数和沿着冠状动脉的压降。

参考斑块类型包含不同类型的冠状动脉斑块的注释，诸如无斑块、钙化斑块、非钙化斑块或混合斑块。

解剖学狭窄严重程度的参考包含不同的狭窄等级，例如0级（无管腔变窄）、1级（0-25％管腔变窄）、2级（25-50％管腔变窄）、3级（50-75％管腔变窄）、4级（75-100％管腔变窄）。

在当前应用中，优选地沿着关注冠状动脉来测量有创测量的分数流量储备，从而在沿着冠状动脉中心线的每个方位处产生有创测量的分数流量储备值。这可以通过在分数流量储备的测量期间实行拉回（pullback）来实现。在导管实验室中，介入心脏病学家或医师将FFR线放在关注冠状动脉内的远端位置。在自动或手动拉回期间，连续地测量FFR值，直到FFR线到达冠状动脉孔。

在图7的步骤704中，处理器提取沿着对应的体积图像数据集内的关注血管（VOI）延伸的轴向轨迹。例如，可以提取表示沿着关注的冠状动脉部分的冠状腔的中心的冠状动脉中心线。该步骤可以以与图2的步骤202基本上相似的方式来实现。

在图7的步骤705中，处理器基于对应的体积图像数据集和VOI的轴向轨迹来创建三维（3D）多平面重新格式化（MPR）图像。MPR图像沿着VOI的轴向轨迹延伸。例如，作为步骤704的结果，可以沿着所提取的冠状动脉部分创建多平面重新格式化（MPR）图像。可以以与图2的步骤203基本上相似的方式来实现图7的步骤705。

在图7的步骤706中，确保CAD相关参考值702与MPR图像的空间坐标对齐。假如通过使用作为来自步骤705的结果的MPR图像获得了CAD相关参考值（例如，斑块类型、解剖学病变严重程度、功能上病变严重程度（诸如例如FFR）的手动注释），则可以跳过该步骤。当例如通过使用对比度增强的CT数据集的正交视图进行注释而获得了CAD相关参考值时（步骤703），该步骤将注释变换为MPR视图。作为步骤704的结果，通过使用所提取的中心线来实行这样的变换。

为了确保在导管实验室中测量的沿着冠状动脉的分数流量储备值（例如，拉回FFR参考值）与MPR图像的空间坐标对齐，在图像数据集703与有创测量的拉回FFR之间实行共配准。为了允许拉回FFR测量结果与CT数据集的共配准，应获得拉回运动信息，该信息指示FFR线从FFR线起始位置（例如，冠状动脉中的远端方位）撤回至FFR线末端位置（例如，冠状动脉或冠状动脉的孔中的近端方位）期间的拉回速率或速度。可以通过在拉回期间测量FFR线的纵向运动来获得拉回运动信息。测量结果可以以各种方式获得，诸如借助于运动测量系统，或者例如通过利用维持恒定拉回速度的电动拉回设备。该系统的一个或多个处理器利用拉回FFR线所需的时间和拉回速度来计算拉回距离的长度。为了将拉回FFR参考值对齐到MPR图像中，一个或多个处理器将拉回距离的长度变换为所使用的图像数据集703。

图8a-8c提供了利用CCTA图像数据集的拉回FFR参考值（例如，拉回距离）的共配准方法的示意图。图8a的图像801示出了在导管实验室中获取的x射线冠状动脉血管造影图像。图8b的图像802示出了属于同一患者的体积渲染CCTA图像。图8c的图像806示出了不存在造影剂液体的x射线透视图像。

图8a的x射线冠状动脉血管造影图像801图示了右冠状动脉，其中FFR压力线插入其中，到达期望的远端方位，在该方位处压力传感器可以获得关注的第一/远端压力测量结果。点803指示当在X射线血管造影图像上拉回之前位于冠状动脉内的远端方位时，压力传感器在FFR压力线上的位置。点803表示的方位也可以被称为远端压力传感器方位。由于FFR线807上的不透射线的标记（如图8c的图像806所示的）使得能够定位FFR线上的压力传感器，在x射线透视图像（不存在造影剂液体的情况下，806）上可容易地识别压力传感器（和整个FFR压力线）的远端方位。

图8b的图像802示出了体积渲染的CCTA图像（属于获得了拉回FFR参考值的同一患者）。在图像802中，右冠状动脉804被识别，例如作为来自图7的步骤704的结果。通过在CCTA数据集内、在拉回之前识别FFR压力线的位置来实行拉回FFR参考值的共配准（805），例如手动识别由解剖学界标（诸如分叉位置）支持的FFR值，并且通过匹配长度（3D提取的中心线的长度与FFR拉回的长度）来对齐FFR值。还可以通过将X射线血管造影图像与CCTA数据集配准，例如通过使用Baka等人在“Oriented Gaussian Mixture Models for Nonrigid 2D/3DCoronary Artery Registration”（IEEE Trans Med Imaging，2014年5月；33（5）：1023-34）中的方法来实行CCTA数据集内在拉回之前识别FFR压力线的位置。Baka等人描述了一种通过使用基于高斯混合模型（GMM）的点集配准技术将2D x射线血管造影图像配准到3D体积图像数据集（CCTA）的方法。由于可以借助于图像处理技术使用x射线透视图像（806）容易地实行在FFR线上定位压力传感器（807），因此使用如Baka等人所述的2D/3D配准产生的变形场可以直接将该位置变换为CCTA图像数据（805）。

返回图7，在步骤707中，处理器基于MPR图像来训练基于机器学习的血管阻塞评估（VOA）模型。除其他外，该训练包括：从MPR图像中提取特征，这些特征表征沿着VOI内的轴向轨迹的CAD相关参数。例如，CAD相关参数值可以表示斑块类型、解剖学狭窄严重程度、有创测量的分数流量储备和/或其他血液动力学指数中的至少一种。作为另外的示例，血液动力学指数可以表示被用来评估（一个或多个）功能上重要的冠状动脉阻塞的指标，诸如冠状动脉流量储备、瞬时无波比率、充血心肌灌注、微循环阻力指数和沿着冠状动脉的压降。

例如，结合该训练，处理器从MPR图像生成立方体的序列，这些立方体被用来训练网络，如步骤709中进一步描述的。作为来自步骤706的结果，在部分内创建了立方体的序列，其中CAD相关参考值是可用的，从而导致每个部分的n个立方体的序列。在本上下文中，术语“部分”是指MPR图像中的连续部分，其中CAD相关参考值是可用的，并且不是冠状动脉的特定解剖区段。这允许CAD相关参考值不需要覆盖MPR图像的整个长度。例如，斑块类型或冠状腔变窄等级的注释仅需要存在于真正存在冠状动脉斑块的冠状动脉区域中。在其中没有斑块类型或病变阻塞注释可用的区域中，系统可以自动将这些区域标记为“无冠状动脉斑块”或“不存在解剖学冠状动脉阻塞”，或者在训练阶段中将其忽略。

图9a-9d提供了在部分内生成立方体的序列的过程的示意图。图9a的图像901示出了心脏的3D视图。图9b的图像902是图像901内的矩形的放大视图。在图像902内，示出了所提取的轴向轨迹（在示例中为冠状动脉中心线树）（904）。冠状动脉中心线存在许多点（907）。图9c的图像903示出了使用中心线904创建的直线MPR图像（作为图7的步骤704的结果）。图9d示出了图像903的一部分（906），其中创建了覆盖MPR图像的一小部分的立方体的序列。将立方体的大小定义成使得其包含整个动脉管腔和在正重塑的情况下可能需要的动脉的附近区域。正重塑是指动脉粥样硬化斑块生长的向外方向。当存在管腔变窄（通常在50％的直径减小阈值下）时，CAD一般被定义为在临床上是重要的。然而，在早期的动脉粥样硬化中，首先的动脉变化包括血管外壁以及管腔的代偿性增大，这被称为代偿性增大或正重塑。例如，每个立方体为25x25x25个体素，但是其他立方体大小也是可能的。立方体（步幅）之间的距离为m个中心线点（例如，假如中心线点之间的距离最大为1个体素，则m为5个中心线点，但是其他步幅值也是可能的）。立方体的最大数目由MPR图像的中心线点或长度的量来定义。在优选的实施例中，立方体的最大数目被限制成最长的带注释的斑块类型部分，其例如是25个。假如MPR图像中存在多个部分，则还会生成多个（n个）立方体的序列。

返回图7，在步骤708中，训练数据被增强。在训练之前，利用几种数据增强技术来增加训练集。

图10示出了所使用的三种示例性增强方法；然而，可以实行不同的增强方法。参考图10，1002表示MPR图像内的立方体的旋转，旋转围绕MPR中心线发生（参见图9b的904）。这样的旋转使网络对于围绕冠状动脉中心线的旋转不变、将围绕冠状动脉中心线的0到360度之间的随机旋转应用于序列中的立方体。第二种增强方法（1003）使网络对于CAD相关参考值中的略微不准确不变（例如，在部分内定义斑块类型的点的注释、解剖病变严重程度的注释、拉回FFR的配准中的小误差）。沿着MPR中心线以例如5±3个体素之间的步幅随机挑选立方体的中心来改变部分的序列。第三种增强方法（1004）使网络对于冠状动脉中心线的提取中可能出现的不准确性具有鲁棒性，每个立方体的中心围绕其原点在任何方向上随机偏移例如±2个体素（在立方体1004内部）。步骤708的结果显著增加了作为步骤707的结果的序列的数目，这些序列被用于训练网络，如下面通过步骤709描述的。

在图7的步骤709中，一个或多个处理器实现机器学习网络架构和网络训练。该网络架构基于递归卷积神经网络（RCNN），采用该网络来分析立方体的序列（步骤707），从而表示MPR图像中沿着所提取的中心线的附近区域。RCNN通常（但不限于）由卷积神经网络（CNN）与串联连接的递归神经网络（RNN）构建，以分析顺序输入。

RCNN已被成功用于视频序列识别，例如Donahue等人在IEEE计算机视觉与模式识别会议论文集中的“Long-term recurrent convolutional networks for visualrecognition and description” in Proceedings of the IEEE Conference onComputer Vision and Pattern Recognition”（2015年，第2625-2634页）所描述的。RCNN是神经网络在语言处理中大量使用的一个非常重要的变体（Mulder等人的“A survey on theapplication of recurrent neural networks to statistical language modeling”，计算机语音与语言，第30卷，第1期，第61-98页，2015年）。在一般的神经网络中，假设两个连续的输入是彼此独立的，则输入经过多个层进行处理并且产生输出。然而，这种假设在许多现实场景中不是真的。例如，如果要预测序列中的下一个单词或预测视频序列内的下一个帧，则必须考虑对先前观察结果的依赖性。RCNN之所以被叫做递归，是因为它们对序列的每个元素实行相同的任务，其中输出取决于先前的计算，然后递归部分相互处理先前的输出。考虑RCNN的另一种方式是，它们具有“存储器”，其会捕获有关到目前为止已计算内容的信息。尽管输入是静态的，但是RCNN单元的活动会随时间演化，使得每个单元的活动都会受到其相邻单元的活动的调制。此属性增强了模型集成上下文信息的能力，这对于分析顺序输入很重要。

依据本文中的实施例，所采用的RCNN将CNN与RNN串联连接以分析顺序输入。CNN独立地为立方体序列中的每个立方体（或至少一部分立方体）提取图像特征，然后将这些所提取的图像特征馈送到RNN，该RNN分析整个序列中的相关顺序依赖性。

图11提供了RCNN网络的示例，以检测冠状动脉斑块类型和解剖学狭窄严重程度。应该将图11中呈现的RCNN网络架构视为示例，并且可以部署其他RCNN网络架构或变体。网络的输入是沿着血管（例如，动脉）中心线（1103）从MPR图像（1102）提取的立方体的序列（1101）。通过三维（3D）CNN（1104）分析每个立方体。CNN包括三个卷积层，它们分别具有3x3x3个元素的内核，具有32、64、128个滤波器，如1105所示。每个卷积层后都有一个2x2x2的最大池化（MP）层和批处理归一化，这可以加快训练速度（Loffe等人的“Batchnormalization: Accelerating deep network training by reducing internal covariate shift”，在第32届国际机器学习会议论文集中，2015年，第448-456页）。CNN提取的特征被馈送到RNN（1106）。RNN包括具有64个门控递归单元（GRU）的2个层（1107）。整流线性单元（ReLU）（Glorot等人的“Deep sparse rectifier neural networks”，国际人工智能与统计会议，2011年，第315-323页）在CNN和RNN两个层中均被用作激活函数，除RNN的输出层外。可以使用其他参数，例如但不限于不同的内核大小和数目、不同的卷积、不同的膨胀、不同的池化、不同类型的递归单元以及其他RCNN架构和激活函数。另外，CNN的输入大小可能会有所不同，例如使用4D输入体素数据来支持多相CCTA数据集也可能会有所不同。输入图像甚至可以是更高维图像；例如n维图像，以支持多能量和/或多相CCTA数据集。为了同时实行两个分类任务（斑块类型分类和解剖学病变严重程度分类），例如但不限于，RNN的最后一层的输出被馈送到两个单独的多类softmax分类器中（1108）。也可以使用其他RNN层或GRU单元的输出。第一分类器具有四个输出单元，以用于检测斑块类型和表征其类型（无斑块、未钙化、混合、钙化）。第二分类器具有三个输出单元，以用于检测狭窄并且确定其解剖学意义（无狭窄、非重要狭窄、重要狭窄）。softmax分类器的输出单元的量也可以不同，并且将取决于CAD相关参考值内的类别的量。例如，解剖学病变严重程度可以按x级进行分类，然后对应的softmax分类器等于相同数目（x）的输出单位。例如，五个等级：0级（无管腔变窄）、1级（0-25％管腔变窄）、2级（25-50％管腔变窄）、3级（50-75％管腔变窄）、4级（75-100％管腔变窄）。

图11的RCNN网络以监督方式进行训练，其中小批量的和分类交叉熵被用作每个softmax分类器的损失函数，并且L2正则化被用于网络中的所有层。L2正则化也被称为最小二乘误差正则化。基本上是将目标值与估计值之差的平方和最小化。RCNN的损失被定义为两个个体损失（交叉熵和L2）的平均值。所描述的损失函数是一个示例，其他损失函数可以被用作例如均方误差、L1正则化、平均偏差误差、平均百分比误差。每个小批量包括p数量的立方体的序列（作为来自步骤708的结果）。通常，p大约是36个立方体的序列，但是可以使用更低或更高数目的p。为了避免可能对增强数据中最常见的狭窄和斑块类型产生偏见，在训练期间作为可选步骤实行了分层随机数据采样。此可选步骤可确保每次训练迭代都包括两个不同但平衡的小批量。一个包含小批量的部分关于其斑块类别进行平衡，而与狭窄重要性无关。第二小批量包含关于狭窄类别进行平衡的部分，而与斑块类型无关。假如MPR图像被构造为弯曲MPR而不是直线MPR，如图2的步骤203所描述的，则RCNN网络还将考虑所提取的中心线的曲率或曲折度。

图11所描述的网络架构集中于斑块类型和解剖学狭窄严重程度的检测。该网络还可以限于一个输出（例如仅斑块类型检测或仅解剖学狭窄严重程度分类）或限于多个输出（>2），例如但不限于斑块类型分类、狭窄解剖学严重程度分类和功能上冠状动脉病变严重程度分类或FFR值预测。图12图示了网络架构的示例，该网络架构能够对斑块类型进行分类、对解剖学狭窄严重程度进行分类，并且检测功能上冠状动脉病变严重程度/预测FFR值。在该网络架构内，采用了与图11所描述的相同的RCNN，并且在图12中通过121图示，其中在121内的最后一个GRU之后添加了一个输出组件“'FFR输出”（122）。该框（122）表示便于FFR的估计/分类的输出。为了估计FFR值，可以使用回归来估计0到1之间的连续FFR值，该输出可以是但不限于线性激活函数或S形激活的输出。用于分类（FFR严重程度或范围的离散类别分配，例如FFR <0.7，0.7 <FFR<0.9, FFR> 0.9），则此输出可以是但不限于多S型函数（具有相同类别数目）或softmax函数（具有相同类别数目）的输出。

由于FFR被定义为冠状动脉内的远端方位的压力除以该冠状动脉的近端部分处的压力，则FFR拉回将仅沿着冠状动脉的长度减小，如通过图5a的图像504可视化的那样。如前所述，可以在损失函数内考虑该知识来训练分类器。为了并入沿着冠状动脉的长度FFR减小的这种减小行为，损失函数被适配成仅允许FFR从近端到远端的减小。例如，这可以通过查看先前更近端的FFR预测来实现，并且将此信息并入损失函数中。

在替换的实施例中，在评估患病冠状动脉的血液动力学功能严重程度期间会考虑心肌内的信息。由于功能上重要的冠状动脉狭窄会导致心肌局部缺血（图13），这会影响CCTA数据集内的心肌壁的纹理特性，因此这样的信息将增强功能上重要的冠状动脉狭窄的评估预测，以及对沿着关注的冠状动脉的FFR的预测。举例来说，实施例可以实现如Isgum等人在US 101765575B2（基于机器学习来评估血管阻塞的方法和系统）中描述的方法，其集成在RCNN网络架构中并且通过图14图示。Isgum等人描述了一种方法，该方法基于使用心肌特征的机器学习来检测一个或多个冠状动脉中的功能上重要的狭窄的存在，该方法可以应对心肌微脉管系统和侧支血流的状态，而无需依赖冠状动脉系统的详细形态。如图14所示的网络将来自图11的RCNN与Isgum等人在US101765575B2中描述的特征向量结合到一个新的网络架构中。在图14内，1401表示通过图11所描述的RCNN，其中两个分类器（1108）被去除。框1404将来自RCNN的特征向量（1401）和如由US101765575B2描述的从心肌分析（1403）中获得的特征向量连接。心肌特征向量（1403）的输入是CCTA图像数据集（1402），其与在1401的RCNN中使用的创建MPR图像的CCTA图像数据集相同。通过将一个特征向量（1401）附加到另一特征向量（1403）来实行串联步骤。该串联步骤的结果被馈送到分类器（1405），该分类器导致对FFR输出的预测。该分类器可以是神经网络、支持向量机或任何其他受监督的机器学习分类器。

功能上重要的冠状动脉狭窄引起在功能上重要的冠状动脉狭窄远端的心室心肌局部缺血，如通过图13图示的。该局部缺血是由于阻碍向病变远端的心脏肌肉（心肌）的氧气输送所引起的，或者换言之，减少了对该心肌区域的血液供应，并且可能给患者带来诸如心绞痛之类的症状。通过在肘前静脉中施加静脉内注射来获得CCTA，并且对造影剂介质注射进行定时，以使冠状动脉系统包含足够造影剂介质，以清楚地区分开冠状腔与周围软组织。这意味着，一旦注射的造影剂介质存在于冠状动脉中，它也将被相继传递至更小的几代冠状动脉，并且从那里穿过而进入冠状微血管（心肌）中，这将导致心肌的微妙增强，或在局部缺血的情况下导致心肌的增强减少。为了在FFR的预测中利用该CCTA获取效果，在替换的实施例内，通过图7的步骤707所描述的立方体的序列的生成被调整为在关注立方体的远端并入心肌信息。参照图15进一步描述这一点。

图15包括图像1501，该图像示出了采用四腔取向的心脏示意图。识别冠状动脉的一小部分（1502），并且通过（1503）将心肌可视化。心肌的一小部分被放大（1504），从而示出冠状动脉的位置（1502）和微脉管系统，它们向心肌提供血液，在一小部分心肌的放大图示内可视化（1505）了从冠状动脉的分叉。如通过图7的步骤707所描述的，在所提取的冠状动脉中心线的中心线点（来自步骤704的结果）附近，从MPR图像提取立方体的序列。图像1506图示了不同的重新采样方案。现在，对于根据步骤707提取的每个立方体，在心肌内距关注中心线点远端的距离k处也对附加的立方体或长方体（1508）进行重新采样。立方体的大小和方位被管理成避免在立方体1508中包括左心室或右心室内的任何散孔。这可以通过将血池分区来实现，例如通过应用阈值技术或其他图像处理方法，或甚至手动进行。或替换地，通过分割心肌进行。这可以由用户手动完成，或者通过（半）自动分段完成。Zreik等人在“Automatic segmentation of the left ventricle in cardiac CT angiography usingconvolution neural networks”（2016 IEEE第13届国际生物医学成像研讨会（ISBI）2016年，第40-43页）中给出了LV心肌的自动分割的一个示例。Zreik等人公开了一种方法，其中使用在人工注释的数据上训练的卷积神经网络（CNN）来自动分割心肌。

立方体（1508）或长方体的大小被选择成覆盖心肌，立方体可以朝向心外膜重叠进入心外膜脂肪组织。如通过图15图示的，该替换实施例的结果是，每个立方体都具有到另一个对应的立方体/长方体的链接，该立方体/长方体位于关注位置的远端。如由图12或图14通过RCNN网络所示，此添加的立方体/长方体被馈送到CNN中，或者替换地，使用用于附加的立方体/长方体的新的CNN。

一旦训练了RCNN网络（图11、图12或图14），新的看不见的CCTA数据集就被分类到在训练阶段期间定义的类别中，这将由图16的流程图进一步解释。

图16图示了用于实现预测阶段的方法，用以检测斑块类型、对（一个或多个）血管阻塞的解剖学严重程度进行分类和/或对看不见的CCTA数据集中的（一个或多个）血管阻塞的严重程度进行分类。看不见的CCTA数据集由图16的步骤161表示。

图16的步骤162，提取了冠状动脉中心线，其表示沿着关注冠状动脉部分的冠状腔的中心。该步骤与图2的步骤202相同。

在图16的步骤163中，沿着从步骤162提取的冠状动脉部分创建了多平面重新格式化（MPR）图像。图16的步骤163与图2的步骤203相同。

图16的步骤164直到并包括步骤168表示在预测阶段期间的图2的框204；对冠状动脉参数进行分类，该参数诸如是斑块类型、解剖学冠状动脉病变严重程度和/或功能上冠状动脉病变严重程度和/或看不见的CCTA图像数据集的FFR值。对MPR图像内的每个中心线点实行冠状动脉参数的预测。图16的步骤164将开始方位设置为MPR图像中的第一中心线点；关于MPR图像的x轴（MPR图像的长度）的第一方位。

在图16的步骤165内，围绕处于检查中的中心线方位构建了立方体的序列。以与通过图7的步骤707所描述的和通过图9a-9c图示的类似方式来创建立方体的序列。在步骤165中，在处于检查中的中心线方位周围创建立方体的单个序列。立方体的大小与训练期间使用的大小相同（图7的步骤707），但是可以使用其他大小。序列的长度固定为1个立方体，并且例如1是5个立方体。立方体之间的距离为m个体素，m通常是5。可以使用更大的立方体和/或更长的序列和/或不同的步幅。在MPR图像的开始和结尾周围要格外小心，以强制使用有效的立方体（立方体可能部分在MPR图像外面）。为了确保立方体包含有效的MPR图像数据，例如，在重新采样期间，假如立方体内的方位在MPR图像外面，则可以标识MPR图像内最近的有效体素。

图16的步骤166基于作为来自步骤165的结果的立方体的序列，预测MPR图像内的当前中心线方位处的期望冠状动脉参数。在此步骤内，选择与训练阶段（如通过图7中的流程图所描述的）期间使用的相同的RCNN网络架构。例如，图11提供了用于预测冠状动脉斑块类型和解剖学冠状动脉病变严重程度的RCNN网络架构的示例。使用带注释的斑块类型和带注释的解剖学病变严重程度（参考值）来训练此RCNN。为了在看不见的图像数据上预测冠状动脉斑块类型和解剖学冠状动脉病变严重程度，步骤166使用相同RCNN网络架构，并且使用此RCNN架构的经训练的模型。图12提供了RCNN网络架构来评估斑块类型、解剖学病变严重程度和功能上冠状动脉严重程度，并且在带注释的斑块类型、带注释的解剖学病变严重程度和从有创FFR测量获得的拉回数据上进行训练。在预测期间，使用如图12所图示的相同RCNN架构，并且选择此RCNN架构的经训练的模型。对于图14提供的RCNN架构也是如此，其中仅功能上病变严重程度由当前步骤进行训练和预测。

图16的步骤167将处于检查中的中心线方位设置为新位置。这可以是所提取的冠状动脉中心线树内的下一个中心线方位（即，沿着MPR图像的长度在MPR图像内的下一个位置），或者是关于当前中心线位置具有预定义距离的中心线方位。

如通过框168图示的那样重复步骤165、166和167，直到到达所提取的冠状动脉中心线内的最后中心线方位为止。

最后，步骤169提供了几种表示结果的方法，并且与图2的步骤206相同。

在替换的实施例中，用于评估图2的框204中的冠状动脉的血液动力学功能严重程度的机器学习算法使用不同的网络架构，并且对于学习阶段以及对于预测阶段都导致略有不同的流程图。图17图示了整个工作流程。在CCTA扫描（1701）中，提取冠状动脉的中心线，并且将其用于重建冠状动脉的多平面重新格式化图像（1702）。然后，应用无监督降维步骤，其中使用两个无监督自动编码器将完整动脉的MPR图像（体积）压缩为固定数目的特征（编码），依次应用：首先）3D变分卷积自动编码器1703（3D-VCAE），其在空间上压缩冠状动脉的局部子体积（立方体），以及其次）1D卷积自动编码器1704（1D-CAE），其依次压缩先前由3D-VCAE获得的完整冠状动脉的编码。然后，利用支持向量机（SVM）分类器或任何其他监督分类器1705以监督方式采用最终提取的编码，以根据FFR对动脉（和患者）进行分类。

图18示出了在训练阶段期间采用以训练血管阻塞评估模型的详细流程图。在图18的步骤1801中，获得参考标准数据库，并且将其用于训练机器学习网络。参考标准数据库是包含多个患者的数据的数据库。例如，对于每名患者，该数据库包含a）对比度增强的成像（例如，CT）数据集（步骤1803）和对应的b）有创测量的分数流量储备参考值（步骤1802）。该分数流量储备参考值对应于在压力线拉回操作期间或在关注冠状动脉的远端方位附近的单个点处有创测量的压力测量结果。其他血液动力学指数可以被用来评估（一个或多个）功能上重要的冠状动脉阻塞，诸如冠状动脉流量储备、瞬时无波比率、充血心肌灌注、微循环阻力指标和沿着冠状动脉的压降。

在图18的步骤1804中，处理器提取轴向轨迹（例如，冠状动脉中心线），该轴向轨迹表示沿着关注的VOI部分的关注血管（VOI）管腔的中心。该步骤基本上类似于图2的步骤202。

在图18的步骤1805中，作为来自步骤1804的结果，处理器沿着所提取的冠状动脉中心线来创建MPR图像。图18的步骤1805与图2的步骤203相同。

在图18的步骤1806中，作为步骤1805的结果，处理器将FFR参考值1802与MPR图像的空间坐标对齐。该步骤基本上类似于图7的步骤706。假如通过使用作为来自步骤1805的结果的MPR图像获得FFR参考值，则跳过此步骤。假如FFR参考值包含单点值，则也跳过此步骤。

在图18的步骤1807中，处理器从MPR图像生成长方体的序列，这些长方体被用来训练基于机器学习的血管阻塞评估模型，如在当前工作流程的其余步骤中进一步描述的。长方体的序列的生成由图l9a-l9c图示出。沿着MPR图像（图19a的1901）创建了长方体的序列（图19b的图像1902），其将MPR图像重新采样为更小的体积。长方体的大小被定义为其包含整个动脉管腔和动脉附近区域内的一部分。每个长方体通常为40x40x5个体素，但是其他长方体大小也是可能的。长方体之间的距离为m个中心线点（m通常为1个体素，但是长方体之间的其他距离也可以是可能的）。假如中心线点之间的距离为一个体素，长方体的序列的长度与所提取的中心线的长度以及与MPR图像的长度相同。

在图18的步骤1808中，处理器从长方体中提取特征。在图18的步骤1809中，处理器从所提取的长方体特征中提取特征。例如，通过分析作为来自步骤1807的结果的长方体的序列，从MPR图像中提取表征了VOI（例如，关注的冠状动脉）内的压降的特征。由于冠状动脉中的血流和压力可能会受到沿着手旁动脉的几个冠状动脉狭窄的影响。狭窄位置和等级的不同组合（即，管腔变窄的等级）可能导致FFR沿着动脉下降。因此，要检测动脉内FFR的下降，狭窄周围的局部分析可能是不足的，而代替地应当实行对整个动脉的体积分析。冠状动脉是复杂的解剖学3D结构，其跨患者具有变化的长度和异常情况。现代CT扫描仪的分辨率很高，并且在单个动脉的体积图像数据集中包含大量体素（几百万个），并且遵循训练单个卷积自动编码器（CAE）的直接方法（被直接应用于完整的（或绝大部分）动脉体积而没有很大重建误差）是不太可能的。为了解决前述顾虑，依据本文中的实施例使用的CAE网络架构包括两阶段编码方法，以对冠状动脉的完整MPR图像（体积）进行编码，而不管其长度和解剖结构如何。

CAE将来自输入图像的数据压缩成小向量，该小向量包含足以由解码器重建输入图像的信息。这样，自动编码器被迫学习有关被压缩的图像的特征。这通过图l9a-l9c图示出。图19a的图像1901示出了作为来自图2的步骤203的结果并且进一步由图4a-4e图示的所提取的MPR图像的示例。在识别关注冠状动脉的中心线的起始处的近端部分在图像1901的左侧，而中心线的末端在MPR图像的右侧。图19b的图像1902图示了沿着由CAE的编码器提取的MPR图像的长度的几个特征（信息）。图19c的图像1903示出了解码器的结果、重建了原始图像。典型的CAE包括两个主要部分——编码器和解码器。编码器通过卷积运算和下采样（最大池化）将数据压缩（编码）到低维潜在空间，随后通过解卷积运算和上采样（解池化）扩展（解码）压缩形式以重建输入数据。训练CAE，同时最大程度地减少编码器输入与解码器输出之间的距离损失，可确保从输入生成的抽象编码包含足够的信息以较低的误差将其进行重建。一旦训练了CAE，解码器就被去除，并且编码器被用来为看不见的数据生成编码。

图20图示了编码流程。首先，由步骤1808表示的，将3D变分卷积自动编码器（3D-VCAE）应用于（2003）沿着动脉中心线从MPR图像2001提取的局部子体积（立方体2002）（如图18，1807中的那样）。3D-VCAE将每个子体积编码为一组编码。当沿着所提取的冠状动脉中心线应用于所有顺序子体积（在步长为1内）时（图18的1804），结果是与动脉具有相同长度的2D特征图。然后将此2D特征图表示为沿着动脉延伸的一组1D编码序列（2004）。在优选的实施例中，表征了关注冠状动脉内的压降的特征以无监督方式由以下特征来表征，这些特征由应用于局部子体积（长方体）上的3D-VCAE提取。替换地，可以采用通过长方体的序列描述沿着冠状动脉的压降的任何其他工程特性（例如，高斯滤波器、Haralick纹理特征），和/或形态（例如，冠状腔、冠状动脉体积、管腔强度）可以被用作特征。被设计成量化长方体内感知到的纹理的这种替换工程特征方法的示例为通过计算Haralick纹理特征，它使用具有相似灰色调的空间关系来捕获纹理的数字特征（Robert M. Haralick等人的“TexturalFeatures for Image Classification"，IEEE系统、人与控制论学报，1973年，SMC-3（6）：610-621)。可以选择这些特征的任意组合。

最后，由图18的步骤1809表示的，处理器将1D卷积自动编码器（1D-CAE）单独地应用于编码的每个序列（图20的2005）。因此，1D-CAE将变化长度的编码的序列进一步编码为表示完整动脉的固定数目的编码，而不管其长度如何。

3D-VCAE

变分自动编码器（VAE）是生成模型，其近似数据生成分布，如Kingma等人的“Auto-encoding variational bayes”（arXiv预印本arXiv：13l2.6l14，2013）所描述的。通过近似和压缩，生成的模型捕获了基础数据流形；其中分布了数据的受约束的、平滑的、连续的、较低维度的潜在（特征）空间（Kingma等人的“Semi- supervised learning with deepgenerative models”，神经信息处理系统进展，2014年，第3581-3589页）。潜在空间的这些有利属性在当前的实施例中被用来采用VCAE来压缩和编码沿着动脉的局部体积。为了捕获动脉的局部体积特性，将3D-VCAE的输入设置为如步骤1807所描述的体积。将3D-VCAE中的编码器的输出设置为预定义数目的编码（2004），例如16个。为了对完整的动脉进行编码，应提取步幅为1个体素的重叠体积，并且利用3D-VCAE进行编码。在每个中心线点有16个编码数目的情况下，这将导致16xL个编码，其中L是所提取的冠状动脉中心线的长度。详细的3D-VCAE架构在图21a中示出。图21a示出了3D-VCAE的详细网络架构。输入和输出是例如40x40x5个体素的体积。在图20a内，关键是：N@（sizekemel）是一个卷积层，其具有N个大小为sizekemel的内核。MP@（sizekemel）是内核大小为sizekemel的最大池化层。US@（sizekemel）是内核大小为sizekemel的上采样层。FC@（Nunits）是具有Nunits单元的完全连接层。一旦训练了3D-VCAE，μ层的输出被用来生成输入的编码。下降箭头和上升箭头分别表示每个自动编码器中的编码器和解码器。在3D-VCAE中，在除编码器和解码器输出层之外的所有卷积层之后使用批处理归一化层和整流线性单元（ReLU）。可以使用其他参数，例如，不同内核大小、编码层数目以及其他CAE架构和激活功能。另外，CAE的输入大小可能会有所不同，例如使用4D体素补丁来支持多相CCTA数据集也可能会有所不同。输入补丁甚至可以是更高维的体素补丁（例如是n维的），以支持多能量和/或多相CCTA数据集。

1D-CAE

当表示冠状动脉以预测FFR时，要考虑从孔到所提取的冠状动脉中心线的最远端部分的沿着动脉的特性。因此，1D-CAE 2005会进一步压缩来自3D-VCAE的本地编码，同时立刻分析整个动脉。为了实现这一点，将2D特征图（包括一组3D-VCAE在每个冠状动脉中心点处生成的例如16个编码）表示为一组1D序列2004。每个序列包括1xL个编码，其中L表示动脉的长度，即，冠状动脉中心点的数目。这种表示导致每个序列表示沿着动脉的特定编码（2004），因此，允许将简单的1D-CAE单独地应用于16个编码的序列中的每一个（2005）。共享16个ID-CAE的权重，其中每个1D-CAE将16个序列之一编码为例如64个编码。这导致表示整个关注冠状动脉的n个特征（2006）。在我们的示例中，n是16x64，即1024个特征。详细的1D-CAE架构在图21b中示出。输入和输出例如是16×L个编码的序列。在图21b内，关键是：N@（sizekemel：sizestride）是1D卷积层，其中具有大小为sizekemel且步幅为sizestride的N个内核。US@（sizekemel）是内核大小为sizekemel的1D上采样层。1D-CAE被单独地但具有共享权重地应用于16个1D序列中的每个序列。一旦训练了1D-CAE，e层的输出（图21b）就被用来为每个输入序列生成编码。下降箭头和上升箭头分别表示每个自动编码器中的编码器和解码器。在1D-CAE中，在除编码器和解码器输出层以外的所有卷积层之后使用指数线性单元（ELU）。可以使用其他参数，例如，不同的内核大小、编码层数目以及其他CAE架构和激活函数。

在图18的步骤1810内，处理器应用监督分类器来训练FFR分类器。可以使用几个监督分类器，例如，支持向量机（SVM）分类器。SVM是可以出于分类和回归两个目的采用的监督机器学习分类器。SVM基于找到将数据集最佳划分为预定义类别的超平面（图22的221）的想法。作为简单的示例，图22中图示了仅具有两个特征的分类任务。在训练SVM期间，通过将决策边界周围的余量最大化，同时将余量内的训练样本数目最小化，找到了将两个类别的样本最佳分离的超平面（图22）。余量（图22的223）由支持向量（图22的224）确定，该支持向量即是位于该余量上的训练样本。直观地讲，由到任何类别的最近训练数据点具有最大距离的超平面实现了良好的分离。换句话说，超平面与来自任一集合的最近支持向量之间的距离被称为余量（margin）。SVM的目标是找到一个超平面，该超平面在超平面与训练集内的任何点（支持向量）之间具有最大可能的余量。其他种类的分类器可以包括神经网络、贝叶斯分类器、树组合（例如，随机森林）（Kotsiantis等人的“Supervised Machine Fearning: AReview of Classification Techniques”，信息学报31，2007年，249-268）。为了能够使用监督（SVM）分类器，必须呈现可以被用作参考标准的参考数据。该参考标准是来自多名患者的数据库（步骤1801）。该数据库内的每个集合包含：a）具有所属的b）参考值（步骤1802）的对比度增强的CT数据集（步骤1803）。在优选的实施例中，指示功能上重要性冠状动脉病变（例如，FFR）的参考值1802（表示流体动力学参数）是在X射线血管造影期间实行的（拉回）有创分数流量储备（FFR）测量结果，其属于对比度增强的CT数据集1803。例如，在由静脉内腺苷引起的最大充血处利用冠状动脉压力导丝来测量FFR。在X射线血管造影期间，将FFR线尽可能远地放置在目标血管中，并且借助于手动或自动拉回在目标血管的远端部分中评估FFR。最后，在引导导管的水平下取回FFR线以达到1.00的FFR值，以便于评估所实行的测量的质量。当由于重复测量或多处狭窄而可获得多个FFR测量结果时，将最小值取作参考的标准。FFR参考值1802可以是将患者特定的CCTA数据集链接至该患者的心肌局部缺血的任何参数。例如，参考值（1802）可以是所测量的冠状动脉流量储备或微循环阻力指标，其提供对目标冠状动脉区域中最小可获得的微循环阻力的测量结果，从而能够定量评估微脉管完整性。参考值（1802）的不同参数的其他示例是在获取CCTA数据集之后的预定义时间量内发生重大不良心脏事件（MACE），或者患者在获取CCTA数据集之后的预定义时间量内进行了血运重建，或心脏压力测试的结果，心肌磁共振成像（MRI）灌注、SPECT、PET、CT灌注或超声的结果。

使用与所使用的CCTA数据集1803相对应的FFR参考值1802的数据库，每个参考值（1802）被标记为属于两个类别之一，例如“存在功能上重要的狭窄”（有创FFR<例如0.8）或“不存在重要狭窄”（有创FFR>例如0.8）（已知标签），SVM分类器学习将不同类别分开。首先，每个训练样本（例如，CCTA数据集）被表示为n维特征空间中的点，其中，n是所计算的特征的数目（例如，特征向量中的特征的数目，图18的步骤1809的结果）。对于数据库1803中的所有扩孔CCTA情况，计算这样的特征向量。所有训练样本（例如，数据库中的CCTA实例）都被用来训练所挑选的分类器。在训练阶段中，SVM分类器找到在类别之间实现最佳分离的超平面，即，通过找到将两个类别以最大余量分开的超平面，如图22中图示的。

SVM本质上是二类分类器。但是，可以通过例如实行多个2类分类（例如，所挑选的类别比对所有其余类别或每对类别之间——一个比对一个）来实行多类分类，即，多个类别中的分类。因此，可以训练FFR分类器（图18中的1810）来识别多个类别，例如“不存在功能上重要的狭窄”、“存在轻度功能上重要的狭窄”或“存在严重功能上重要的狭窄”或基于参考值所挑选的任何类别（图18的步骤1802）。当参考值（图18，1802）是有创FFR测量结果时，可以使用例如以下有创FFR阈值来实现上述分类：

i）有创FFR>0.9——“不存在功能上重要的狭窄”

ii）有创FFR在0.7到0.8之间——“存在轻度功能上重要的狭窄”

iii）有创FFR<0.7——“存在严重功能上重要的狭窄”。

一旦训练了系统，新的看不见的CCTA数据集就被分类到训练阶段期间所定义的类别中，这将由图23的流程图进一步解释。图23图示了用于实现预测阶段的框架，以对（一个或多个）血管阻塞的严重程度进行分类、或检测在看不见的CCTA数据集内的FFR值；以从CCTA数据集确定一个或多个冠状动脉中存在功能上重要的狭窄。看不见的CCTA数据集由图23的步骤2301表示。

图23的步骤2302，提取冠状动脉中心线，其表示沿着关注冠状动脉部分的冠状腔的中心。该步骤与图2的步骤202相同。

图23的步骤2303，沿着从步骤2302提取的冠状动脉部分创建了多平面重新格式化（MPR）图像。图23的步骤2303与图2的步骤203相同。

图23的步骤2304直到并包括步骤2307表示在预测阶段期间的图2的框204，并且对看不见的CCTA图像数据集的功能上冠状动脉病变严重程度进行分类。对功能上冠状动脉病变严重程度的预测是在MPR图像内表示的完整的关注冠状动脉上实行的。在图23的步骤2304中，实行了从MPR图像生成长方体的序列，并且该生成与图16的步骤1607相同。

在图23的步骤2305和2306内，进行特征的计算，并且与先前针对图18的步骤1808和1809所描述的相同。

在图23的步骤2307中，FFR分类器将新的看不见的CCTA数据集分配到训练阶段期间定义的类别中。该分类器与图18中的框1810中所使用的分类器相同。在预测阶段内，通过图23的步骤2307在n维特征空间中映射看不见的CCTA数据集，并且其关于超平面在此特征空间中的位置确定了其类别标签。此分类导致了对一种或多种冠状动脉阻塞阻碍氧气输送至心脏肌肉的严重程度的评估，并且由图23的步骤2308表示。图24示出了分类器的视觉表示。表示看不见的图像的特征向量的图23的步骤2306的结果是分类器的输入（241）。图24的标签242表示在图18的步骤1810所描述的学习阶段期间学习的FFR分类模型。图24的标签243表示分类器的输出（图23，2308）（假如学习了两个类别）；阳性意味着存在一个或多个功能上重要的冠状动脉病变，而阴性表示不存在功能上重要的冠状动脉病变。

最后，步骤2308提供输出并且呈现结果，并且与图2的步骤206相同。

在替换的实施例内，由图2的框204表示的机器学习算法被部署成基于对比度增强的体积图像数据集来评估目标器官（作为心脏）的一个或多个冠状动脉阻塞的血液动力学功能严重程度。图25表示此替换实施例内的机器学习算法的训练阶段的流程图，并且结合了图19a-19c所描述的方法和来自Isgum等人在US101765575B2中的教导，以评估在对比度增强的体积图像数据集内的一个或多个冠状动脉阻塞的血液动力学功能严重程度。利用类似于（图18中的1804）中那样提取的中心线，所有所提取的冠状动脉的特征以与图18的步骤1801直到并包括步骤1809的相同的方式提取。例如，如图20描述的，每个MPR图像2505（每个冠状动脉）提取n个冠状动脉特征（2006）（例如1024个特征）。然后，如US 101765575B2通过串联2511描述的，将这些特征2509与从心肌分析（2512）获得的特征向量（例如512个心肌特征的特征向量）进行组合。心肌特征向量（2512）的输入是CCTA图像数据集（2503）。通过将由冠状动脉分析得到的特征向量（2509）附加到由心肌分析得到的特征向量1412来实行该串联步骤。该串联步骤的结果被用来训练多实例学习（MIL）FFR分类器2513，例如由Ilse等人在“Attention-based deep multiple instance learning”（arXiv预印本arXiv：1802.04712）中所描述的。为了能够使用这样的MIL分类器，将每个患者表示为一包实例，其包括所有冠状动脉（具有所提取的特征）和心肌层（具有其所提取的特征）。为了构建实例包，将冠状动脉的特征与心肌的特征逐元素连接：对于从1到N的i，将每个冠状动脉i的特征（2509）与心肌特征（2512）连接（2511）（由2510表示的冠状动脉总量）。结果是一个具有N行并且每行具有特征总数的矩阵（例如，1536个特征，由用于心肌的512个和用于每个冠状动脉的1024个组成）。可以将属于图像数据集2503的参考值2502设置为但不限于该患者（图像数据集）中的最小有创测量的FFR。

图26表示在根据CCTA数据集评估一个或多个冠状动脉阻塞阻碍氧气输送到心脏肌肉的严重程度时，在该替换的实施例内的机器学习算法的预测阶段期间的流程图。看不见的CCTA数据集由图26的步骤2601表示。

图26的步骤2602，提取（一个或多个）冠状动脉中心线，其表示沿着每个关注的冠状动脉部分的冠状腔的中心。该步骤可以以与图2的步骤202基本上相似的方式实现。

图26的步骤2603直到并包括步骤2606与图23的步骤2303直到并包括步骤2306相同。

图26的步骤2608以与图25中的框2511所描述的方式相似的方式，将基于冠状动脉分析2606和心肌分析2609从看不见的CCTA数据集中获得的特征向量连接起来，并且包括所有可用的冠状动脉中心线（2607）。该串联步骤的结果被馈送到已按照图25的步骤2513所描述的那样进行训练的MIL FFR分类器2610中。最后，步骤2611将来自步骤2610的分类结果提供给用户，并且可以以与图2的步骤206基本上相似的方式实现。

关于描述了MPR图像的创建的图2的步骤203，当前的规范主要集中于使用直线MPR图像。步骤203的描述包括：使用弯曲MPR图像，其允许在所描述的机器学习网络架构中考虑所提取的中心线的曲率或曲折信息。替换地，可以跳过该步骤，并且使用作为来自图2的步骤202的结果的所提取的中心线，可以在图像数据集上直接实行由相关流程图所描述的立方体的生成。以这种方式，在训练基于机器学习的VAO模型期间以及还在预测阶段期间就隐式地考虑了曲率或曲折信息。

关于沿着所提取的冠状动脉中心线或每个所提取的冠状动脉中心线预测冠状动脉的功能重要性，获得足够量的有创测量的血液动力学参考值可能是具有挑战性的。在预测沿着所提取的冠状动脉中心线的冠状动脉的功能重要性的情况下，这些有创测量的血液动力学FFR参考值可以是有创测量冠状动脉远端位置处的FFR、或有创测量拉回FFR。

如前面提到的，参考标准（701、1801、2501）存在于一个数据库中，该数据库中包含每个患者的a）对比度增强的CT数据集（703、1803、2503）和对应的b）FFR参考值（702、1802、2502），诸如例如有创测量的分数流量储备。在大多数情况下，也可获得患者的x射线血管造影图像数据。在替换的实施例内，FFR参考值（图7的702或图18的1802或图25的2502）通过计算FFR拉回或计算远端FFR值获得，从而消除了对有创测量血液动力学参数（诸如例如FFR）的需要。这可以通过使用患者的x射线血管造影图像数据来实行，并且可以通过使用例如CAAS工作站8.0（派医学成像（Pie Medical Imaging），荷兰）内的vFFR（血管-FFR）工作流程来计算（拉回）FFR值。由于X射线血管造影的高空间分辨率和CAAS工作站vFFR工作流程内采用的方法，所计算的vFFR的准确性相当高，正如Masdjedi等人在EuroPCR 2018上提出的“Validation of 3-Dimensional Quantitative Coronary Angiography based softwareto calculate vessel-FFR (the FAST study)”那样。

CAAS工作站的vFFR方法使用相距至少30度的2个血管造影x射线投影来生成3D冠状动脉重建。vFFR通过利用专有算法即时计算，该算法并入了3D冠状动脉重建的形态和常规测量的患者特定的主动脉压力。图27示出了通过使用CAAS工作站来获得冠状动脉回旋的所计算的FFR拉回的示例。2701示出了每个2D X射线血管造影图像中的冠状动脉回旋的分割，从而导致对冠状动脉的3D重建（2702）。曲线图2703示出了沿着3D重建的冠状动脉的长度的所计算的vFFR值。也可以在CCTA数据集上实行相同的方法，从而消除了对每名患者的对应的x射线血管造影图像数据的需要。

本公开主要描述了作为心肌的关注器官，并且该血管是冠状动脉。技术人员将领会到，该教导可以等同地扩展到其他器官。例如，关注器官可以是肾脏，其由肾动脉灌注，或由颅内动脉灌注的（部分）大脑。另外，本公开涉及CCTA数据集（采用几种形式）。本领域技术人员将领会到，该教导可以等同地扩展到其他成像模式，例如旋转血管造影、MRI、SPECT、PET、超声、x射线等等。

本公开的实施例可以在独立系统上使用，或者可以直接包括在例如计算机断层扫描（CT）系统中。图28图示了计算机断层扫描（CT）系统的高级框图的示例。在该框图中，作为本实施例可以如何集成到这样的系统中的示例而包括该实施例。

可以利用专用硬件、模拟和/或数字电路和/或一个或多个操作存储在存储器中的程序指令的处理器来实现（由各种功能块定义的）系统的各部分。

计算机断层扫描的最常见形式是X射线CT，但是存在许多其他类型的CT，诸如双能、光谱、多能或光子计数CT。也可以使用正电子发射断层扫描（PET）和单光子发射计算机断层扫描（SPECT）或与任何先前形式的CT进行组合。

图28的CT系统描述了X射线CT系统。在X射线CT系统中，X射线系统在门架中围绕患者移动并且获得图像。通过使用数字处理，可以从围绕单个旋转轴拍摄的大量二维血管造影图像中构建三维图像。

对于典型的X射线CT系统120，操作员将患者1200定位在患者台1201上，并且使用操作控制台1202为扫描提供输入。操作控制台1202通常包括计算机、键盘/脚踏板/触摸屏和一个或多个监视器。

操作控制计算机1203使用操作员控制台输入来指示门架1204旋转，而且还向患者台1201和X射线系统1205发送指令以实行扫描。

使用在操作员控制台1202中选择的所选扫描协议，操作控制计算机1203将一系列命令发送到门架1204、患者台1201和X射线系统1205。然后，门架1204在整个扫描期间达到并维持恒定的旋转速度。患者台1201到达期望的起始位置，并且在整个扫描过程期间维持恒定的速度。

X射线系统1205包括具有高电压发生器1207的X射线管1206，该高电压发生器生成X射线束1208。

高电压发生器1207控制X射线管1206并且向其输送电力。高电压发生器1207在X射线管1206的阴极和旋转阳极之间的真空间隙两端施加高电压。

由于施加到X射线管1206的电压，电子转移从X射线管1206的阴极到阳极发生，从而导致了X射线光子生成效应，也被叫做轫致辐射。所生成的光子形成指向图像检测器1209的X射线束1208。

X射线束1208包括光子，该光子具有范围最大的能量谱，该能量由提交给X射线管1206的电压和电流以及其他的来确定。

X射线束1208然后传过躺在移动台1201上的患者1200。X射线束1208的X射线光子穿透患者的组织到不同的程度。患者1200体内的不同结构吸收辐射的不同部分，从而调制射束强度。

从患者1200离开的经调制的X射线束1208’由位于X射线管对面的图像检测器1209检测。

此图像检测器1209可以是间接或直接检测系统。

在间接检测系统的情况下，图像检测器1209包括将X射线出射束1208’转换成放大的可见光图像的真空管（X射线图像增强器）。然后，该放大的可见光图像被传输到可见光图像接收器，诸如用于图像显示和记录的数字摄像机。这导致了数字图像信号。

在直接检测系统的情况下，图像检测器1209包括平板检测器。平板检测器将X射线出射束1208’直接转换成数字图像信号。

从图像检测器1209得到的数字图像信号被传递到图像生成器1210以进行处理。通常，图像生成系统包含高速计算机和数字信号处理芯片。在将所获取的数据发送到显示设备1202以供操作员查看以及发送到数据存储设备1211以进行存档之前，对其进行预处理和增强。

在门架中，以使得患者1200和移动台1201处于X射线管1206与图像检测器1209之间的方式来定位X射线系统。

在对比度增强的CT扫描中，造影剂的注射必须与扫描同步。造影剂注射器1212由操作控制计算机1203控制。

为了进行FFR测量，存在FFR导丝1213，还通过注射器1214将腺苷注射到患者体内以诱发最大充血状态。

本申请的实施例通过如下图18的X射线CT系统120实现。临床医生或其他用户通过使用操作员控制台1202选择扫描协议来获取患者1200的CT扫描。患者1200躺在可调节台1201上，该可调节台在由操作控制计算机1203控制的整个扫描期间按连续速度移动。门架1204在整个扫描期间维持恒定的旋转速度。

然后，如上所述，使用高压发生器1207、X射线管1206、图像检测器1209和数字图像生成器1210来生成多个二维X射线图像。然后将该图像存储在硬盘驱动器1211上。使用这些X射线图像，图像生成器1210构建了三维图像。

通用处理单元1215使用三维图像实行如上所述的分类。

在本文中已经描述和说明了仅基于从单个CCTA图像中提取的信息来自动识别患有功能上重要的狭窄的患者的方法和装置的几个实施例。

此后，提供了可以单独或以其任何组合的形式要求保护的本文中的实施例的各个方面的概述。

示例1

一种用于评估血管阻塞的方法，该方法包括：

获得包括关注血管的目标器官的体积图像数据集；

提取沿着体积图像数据集内的关注血管（VOI）延伸的轴向轨迹；

基于体积图像数据集和VOI的轴向轨迹来创建三维（3D）多平面重新格式化（MPR）图像；以及

利用基于机器学习的血管阻塞评估（VOA）模型从MPR图像中提取VOI参数。

示例2

本文中的一个或多个示例的方法进一步包括实现预测阶段以实行以下各项中的至少一项：i）检测斑块类型；ii）对血管堵塞的解剖学严重程度进行分类；和/或iii）对体积图像数据集的看不见的部分内的血管阻塞的血液动力学严重程度进行分类。

示例3

本文中的一个或多个示例的方法，其中，基于机器学习的VOA模型从MPR图像生成立方体的序列，每一个立方体包括来自MPR图像的一组体素，在VOI的部分中创建的立方体的序列会导致对应部分的立方体的序列。

示例4

本文中的一个或多个示例的方法，其中，基于机器学习的VOA模型独立地从立方体的序列中提取与立方体相关联的图像特征。

示例5

本文中的一个或多个示例的方法，其中，机器学习按顺序依赖性来分析图像特征。

示例6

本文中的一个或多个示例的方法，其中，将立方体的大小定义为包含VOI的整个管腔和管腔外部的一部分组织，以便于提取与正重塑有关的VOI参数，其中，正重塑是指动脉粥样硬化斑块生长的方向。

示例7

本文中的一个或多个示例的方法，其中，轴向轨迹对应于VOI的冠状动脉中心线，该冠状动脉中心线表示沿着关注的冠状动脉部分的冠状腔的中心，轴向轨迹可以对应于单个冠状动脉、冠状动脉分叉或完整的冠状动脉树，其中，当关注的冠状动脉部分包括一个或多个分叉时，冠状动脉中心线就包括一个或多个分叉。

示例8

本文中的一个或多个示例的方法，其中，基于机器学习的VOA模型基于递归卷积神经网络（RCNN），采用其来分析MPR图像中的沿着VOI的轴向轨迹的附近区域，RCNN将卷积神经网络（CNN）与串联连接的递归神经网络（RNN）连接起来，以分析作为顺序输入的MPR沿着轴向轨迹的部分。

示例9

本文中的一个或多个示例的方法，其中，基于机器学习的VOA模型应用至少一个卷积层，然后是最大池化层，以从MPR图像中提取关注的图像特征，并且将分类器用于检测斑块类型、表征斑块类型、检测狭窄或确定狭窄的解剖学意义中的至少一种。

示例10

本文中的一个或多个示例的方法，其中，基于机器学习的VOA模型包括：用于基于MPR图像来创建特征向量的特征提取，该特征向量包括从图像的参考数据库中测量或提取的一系列因子，该系列因此描述或表征了关注血管的对应壁区域的性质，基于机器学习的VOA模型进一步包括分类器，用于对从MPR图像中提取的特征向量进行分类。

示例11

本文中的一个或多个示例的方法，其中，VOI参数包括冠状动脉斑块类型、解剖学冠状动脉病变严重程度或功能上重要的冠状动脉病变严重程度中的至少一种，并且其中，基于机器学习的VOA模型评估i）功能上重要的冠状动脉病变严重程度，ii）斑块类型或iii）解剖学冠状动脉病变严重程度中的至少一种。

示例12

一种训练血管阻塞评估（VOA）模型的方法，其包括：

获得训练数据库，该训练数据库包括多名患者的体积成像数据集和对应的冠状动脉疾病（CAD）相关参考值，该体积图像数据集针对包括关注血管的目标器官，CAD相关参考值对应于在对应的成像数据集中沿着关注血管的一个或多个点；以及

对于至少一部分体积图像数据集和对应的CAD相关参考值，

提取沿着对应的体积图像数据集中的关注血管（VOI）延伸的轴向轨迹，

基于对应的体积图像数据集和VOI的轴向轨迹，创建三维（3D）多平面重新格式化（MPR）图像，MPR图像沿着VOI的轴向轨迹延伸，以及

基于MPR图像来训练基于机器学习的血管阻塞评估（VOA）模型，该训练进一步包括从MPR图像中提取沿着VOI内的轴向轨迹表征CAD相关参数的特征。

示例13

本文中的一个或多个示例的方法，进一步包括：将CAD相关参考值与对应的MPR图像的空间坐标对齐。

示例14

本文中的一个或多个示例的方法，进一步包括：根据对应的MPR图像生成立方体的序列，每一个立方体包括来自对应的MPR图像的一组体素，在VOI的部分中创建的立方体的序列会导致对应部分的立方体的序列。

示例15

本文中的一个或多个示例的方法，其中，该训练进一步包括：沿着MPR图像将卷积神经网络应用于立方体的序列，以构建基于机器学习的VOA模型。

示例16

本文中的一个或多个示例的方法，其中，该应用进一步包括：在沿着轴向轨迹的点处生成一组编码，以形成一组一维（1D）序列，每一个1D序列表示沿着VOI的特定编码，该训练进一步包括应用监督分类器，以基于1D序列来学习分数流量储备（FFR）分类器。

示例17

一种用于评估血管阻塞的系统，其包括：

存储器，其被配置成存储包括关注血管的目标器官的体积图像数据集；以及

一个或多个处理器，当执行存储在存储器中的程序指令时，被配置成：

提取沿着体积图像数据集中的关注血管（VOI）延伸的轴向轨迹

基于体积图像数据集和VOI的轴向轨迹，创建三维（3D）多平面重新格式化（MPR）图像，以及

利用基于机器学习的血管阻塞评估（VOA）模型，从MPR图像中提取VOI参数。

示例18

本文中的一个或多个示例的系统，其中，一个或多个处理器被配置成实现预测阶段以实行以下各项中的至少一项：i）检测斑块类型，ii）对血管堵塞的解剖学严重程度进行分类，和/或iii）对体积图像数据集的看不见的部分内的血管阻塞的血液动力学严重程度进行分类。

示例19

本文中的一个或多个示例的系统，其中，基于机器学习的VOA模型从MPR图像生成立方体的序列，每一个立方体包括来自MPR图像的一组体素，在VOI的部分中创建的立方体的序列会导致对应部分的立方体序列。

示例20

本文中的一个或多个示例的系统，其中，基于机器学习的VOA模型独立地从立方体的序列中提取与立方体相关联的图像特征。

示例21

本文中的一个或多个示例的系统，其中，机器学习按顺序依赖性来分析图像特征。

示例22

本文中的一个或多个示例的系统，其中，立方体的大小被定义为包含VOI的整个管腔和管腔外部的一部分组织，以便于提取与正重塑有关的VOI参数，其中，正重塑是指动脉粥样硬化斑块生长的方向。

示例23

本文中的一个或多个示例的系统，其中，轴向轨迹对应于VOI的冠状动脉中心线，冠状动脉中心线表示沿着关注的冠状动脉部分的冠状腔的中心，轴向轨迹可以对应于单个冠状动脉、冠状动脉分叉或完整的冠状动脉树，其中，当关注的冠状动脉部分包括一个或多个分叉时，冠状动脉中心线就包括一个或多个分叉。

示例24

本文中的一个或多个示例的系统，其中，基于机器学习的VOA模型是基于递归卷积神经网络（RCNN）的，采用其来分析MPR图像中沿着VOI的轴向轨迹的附近区域，RCNN将卷积神经网络（CNN）与串联连接的递归神经网络（RNN）连接起来，以分析作为顺序输入的MPR沿着轴向轨迹的部分。

示例25

本文中的一个或多个示例的系统，其中，基于机器学习的VOA模型应用至少一个卷积层，然后是最大池化层，以从MPR图像中提取关注的图像特征，并且将分类器用于检测斑块类型、表征斑块类型、检测狭窄或确定狭窄的解剖学意义中的至少一种。

示例26

本文中的一个或多个示例的系统，其中，基于机器学习的VOA模型包括：用于基于MPR图像来创建特征向量的特征提取，该特征向量包括从图像的参考数据库中测量或提取的一系列因子，该系列因子描述或表征了关注血管的对应壁区域的性质，基于机器学习的VOA模型进一步包括分类器，用于对从MPR图像中提取的特征向量进行分类。

示例27

本文中的一个或多个示例的系统，其中，VOI参数包括冠状动脉斑块类型、解剖学冠状动脉病变严重程度或功能上重要的冠状动脉病变严重程度中的至少一种，并且其中，基于机器学习的VOA模型评估i）功能上重要的冠状动脉病变严重程度，ii）斑块类型或iii）解剖学冠状动脉病变严重程度中的至少一种。

示例28

一种训练血管阻塞评估（VOA）模型的系统，其包括：存储器，其被配置成存储训练数据库，该训练数据库包括多名患者的体积成像数据集和对应的冠状动脉疾病（CAD）相关参考值，该体积图像数据集针对包括关注血管的目标器官，CAD相关参考值对应于在对应的成像数据集中沿着关注血管的一个或多个点；以及

一个或多个处理器，当执行存储在存储器中的程序指令时，被配置成：对于至少一部分体积图像数据集和对应的CAD相关参考值，

提取沿着对应的体积图像数据集中的关注血管（VOI）延伸的轴向轨迹，

基于对应的体积图像数据集和VOI的轴向轨迹来创建三维（3D）多平面重新格式化（MPR）图像，MPR图像沿着VOI的轴向轨迹延伸，以及

基于MPR图像来训练基于机器学习的血管阻塞评估（VOA）模型，该训练涉及从MPR图像中提取沿着VOI内的轴向轨迹表征CAD相关参数的特征。

示例29

本文中的一个或多个示例的系统，其中，一个或多个处理器被进一步配置成将CAD相关参考值与对应的MPR图像的空间坐标对齐。

示例30

本文中的一个或多个示例的系统，其中，一个或多个处理器被进一步配置成从对应的MPR图像生成立方体的序列，每一个立方体包括来自对应的MPR图像的一组体素，在VOI的部分中创建的立方体的序列会导致对应部分的立方体的序列。

示例31

本文中的一个或多个示例的系统，其中，沿着MPR图像将卷积神经网络应用于立方体的序列，以构建基于机器学习的VOA模型。

示例32

本文中的一个或多个示例的系统，其中，一个或多个处理器被进一步配置成在沿着轴向轨迹的点处生成一组编码，以形成一组一维（1D）序列，每一个1D序列表示沿着VOI的特定编码，并且通过应用监督分类器来实行训练，以基于1D序列来学习分数流量储备（FFR）分类器。

尽管已经描述了本申请的特定实施例，但是并不意图将本申请限制于此，因为意图是本申请的范围与在本领域将允许的范围一样宽泛，并且同样地来阅读说明书。

例如，可以使用多相CCTA数据集，可以基于所公开的方法来评估与灌注肾脏相关的肾动脉功能评估，可以对数字存储装置中存储的图像实行离线数据处理操作，诸如医学成像领域中常用的DICOM（医学数字成像和通信）格式的PACS或VNA。因此，本领域技术人员将领会到，可以在不背离所要求保护的精神和范围的情况下还对所提供的应用进行其他修改。

本文中所描述的实施例可以包括各种各样的数据存储以及如上所述的其他存储器和存储介质。这些可以驻留在各种各样的位置，诸如位于一个或多个计算机本地（和/或驻留在其中）或远离网络上的任何或所有计算机的存储介质上。在一组特定的实施例中，信息可以驻留在本领域技术人员熟悉的存储区域网络（“SAN”）中。

类似地，用于实行归属于计算机、服务器或其他网络设备的功能的任何必要文件可以酌情地本地存储和/或远程存储。

在系统包括计算机化设备的情况下，每个这样的设备可以包括可以经由总线电耦合的硬件元件，这些元件包括例如至少一个中央处理单元（“CPU”或“处理器”）、至少一个输入设备（例如，鼠标、键盘、控制器、触摸屏或小键盘）和至少一个输出设备（例如，显示设备、打印机或扬声器）。这样的系统还可以包括：一个或多个存储设备，诸如磁盘驱动器、光学存储设备和固态存储设备，诸如随机存取存储器（“RAM”）或只读存储器（“ROM”），以及可移动媒体设备、存储卡、闪存卡等。

这样的设备还可以包括如上所述的计算机可读存储介质读取器、通信设备（例如，调制解调器、网卡（无线或有线的）、红外通信设备等）和工作存储器。

计算机可读存储介质读取器可以与计算机可读存储介质连接或被配置成接收计算机可读存储介质，该计算机可读存储介质表示远程、本地、固定和/或可移动存储设备，以及用于临时和/或更永久地包含、存储、传输和检索计算机可读信息的存储介质。该系统和各种设备通常还将包括位于至少一个工作存储器设备内的多个软件应用程序、模块、服务或其他元素，包括操作系统和应用程序，诸如客户端应用程序或web浏览器。

将领会到的是，替换的实施例可以具有来自上述内容的众多变化。例如，也可以使用定制硬件，和/或可以以硬件、软件（包括便携式软件，诸如小应用）或两者来实现特定元件。

另外，可以采用到诸如网络输入/输出设备之类的其他计算设备的连接。

各种实施例还可以包括：将依据以上描述实现的指令和/或数据接收、发送或存储在计算机可读介质上。用于包含代码或代码部分的存储介质和计算机可读介质可以包括本领域中已知或使用的任何适当的介质，包括存储介质和通信介质，诸如但不限于易失性和非易失性、可移动和非可移动介质，其以任何方法或技术实现，以用于存储和/或传输信息，该信息诸如是计算机可读指令、数据结构、程序模块或其他数据，该介质包括RAM、ROM、电可擦除可编程只读存储器（“EEPROM”）、闪存或其他存储器技术、紧凑盘只读存储器（“CD-ROM”）、数字多功能盘（DVD）或其他光学存储装置、磁带、盒式磁带、磁盘存储装置或其他磁性存储设备，或可以被用来存储期望的信息并且可以被系统设备访问的任何其他介质。基于本文中提供的公开内容和教导，本领域普通技术人员将领会到实现各种实施例的其他方式和/或方法。

相应地，说明书和附图要以说明性而非限制性意义来看待。然而，将明显的是，在不脱离如在权利要求书中阐述的本申请的较宽泛的精神和范围的情况下，可以对其做出各种修改和改变。

其他变化都在本公开的精神内。因此，尽管所公开的技术易于进行各种修改和替换的构造，但是其某些图示的实施例在附图中示出，并且已经在上文进行了详细描述。然而，将理解的是，并不意图将本申请限制为所公开的一种或多种特定形式，而是相反，其意图是覆盖落入本申请的精神和范围内的所有修改、替换的构造和等同形式，如所附权利要求中限定的那样。

在描述所公开的实施例的上下文中（尤其是在所附权利要求的上下文中），术语“一个”和“一种”和类似指代的使用要被解释为覆盖单数形式和复数形式两者，除非本文中另有指示或与上下文明显矛盾的。除非另有说明，否则术语“包括”、“具有”、“包含”和“含有”要被解释为开放式术语（即，意思是“包括但不限于”）。术语“连接”在未修改时并且在指代物理连接时要被理解为部分或全部包含在其中、附接或连接在一起，即使存在某些介入也是如此。

除非在本文中另行指示，否则本文中的数值范围的引用仅意图用作分别指代落入该范围内的每个单独的值的速记方法，并且将每个单独的值并入说明书中，就好像其在本文中被个别叙述一样。除非上下文另有说明或矛盾的，否则术语“集合”（例如，“项目的集合”）或“子集”的使用要被解释为包括一个或多个成员的非空集合。

另外，除非上下文另有说明或矛盾的，否则对应集合的术语“子集”不一定表示对应集合的适当子集，而是表示子集和对应集合可以是相等的。

除非本文中另行指示或以其它方式与上下文明显矛盾的，否则本文中描述的过程的操作可以以任何合适的次序实行。可以在配置有可执行指令的一个或多个计算机系统的控制下实行本文中描述的过程（或其变化和/或其组合），并且可以将其实现为代码（例如，可执行指令、一个或多个计算机程序或者一个或多个应用程序），通过硬件或其组合在一个或多个处理器上共同执行该代码。该代码可以例如以包括多个可由一个或多个处理器执行的指令的计算机程序的形式存储在计算机可读存储介质上。该计算机可读存储介质可以是非暂时性的。

本文中描述了本公开的优选实施例，包括发明人已知的用于执行本申请的最佳模式。在阅读上述描述后，对那些优选实施例的变化对于本领域普通技术人员将变得显而易见。发明人期望熟练的技术人员酌情采用这样的变化，并且发明人意图以不同于本文中具体描述的方式来实践本公开的实施例。

因此，本公开的范围包括适用法律所准许的所附权利要求中记载的主题的所有修改和等同方式。此外，除非在本文中另外指示或以其他方式与上下文明显矛盾的，本公开的范围涵盖上述元素在其所有可能的变化中的任何组合。

本文中引用的所有参考文献（包括出版物、专利申请和专利）均通过引用并入本文，其程度如同每个参考文献被个别地且具体地指示为通过引用并入本文并且在本文中完整地阐述。

Claims (23)

1.一种评估血管阻塞的方法，所述方法包括：

获得（201）包括关注血管的目标器官的体积图像数据集；

提取（202）沿着体积图像数据集内的关注血管（VOI）延伸的轴向轨迹；

基于体积图像数据集和VOI的轴向轨迹来创建三维（3D）多平面重新格式化（MPR）图像（203）；以及

利用基于机器学习的血管阻塞评估（VOA）模型从MPR图像中提取VOI参数（204）。

2.根据权利要求1所述的方法，进一步包括：

实现预测阶段以实行以下各项中的至少一项：i）检测斑块类型，ii）对血管堵塞的解剖学严重程度进行分类，和/或iii）对体积图像数据集的看不见的部分内的血管阻塞的血液动力学严重程度进行分类。

3.根据权利要求1或2所述的方法，其中：

基于机器学习的VOA模型（204）从MPR图像生成立方体的序列（2304），每一个立方体包括来自MPR图像的一组体素，在VOI的部分中创建的立方体的序列会导致对应部分的立方体的序列。

4.根据任何前述权利要求所述的方法，其中：

轴向轨迹对应于VOI的冠状动脉中心线，冠状动脉中心线表示沿着关注的冠状动脉部分的冠状腔的中心，轴向轨迹对应于单个冠状动脉、冠状动脉分叉或完整的冠状动脉树，其中，当关注的冠状动脉部分包括一个或多个分叉时，冠状动脉中心线就包括一个或多个分叉。

5.根据任何前述权利要求所述的方法，其中：

基于机器学习的VOA模型（204）基于递归卷积神经网络（RCNN），采用其来分析MPR图像中的沿着VOI的轴向轨迹的附近区域，RCNN将卷积神经网络（CNN）与串联连接的递归神经网络（RNN）连接起来，以分析作为顺序输入的MPR沿着轴向轨迹的部分。

6.根据任何前述权利要求所述的方法，其中：

基于机器学习的VOA模型（204）包括用于基于MPR图像来创建特征向量的特征提取（2305），所述特征向量包括从图像的参考数据库中测量或提取的一系列因子，所述系列因子描述或表征了关注血管的对应壁区域的性质，基于机器学习的VOA模型进一步包括分类器，用于对从MPR图像中提取的特征向量进行分类。

7.根据任何前述权利要求所述的方法，其中：

VOI参数包括冠状动脉斑块类型、解剖学冠状动脉病变严重程度或功能上重要的冠状动脉病变严重程度中的至少一种，并且其中，基于机器学习的VOA模型评估以下各项中的至少一项：i）功能上重要的冠状动脉病变严重程度、ii）斑块类型或iii）解剖学冠状动脉病变严重程度。

8.一种训练血管阻塞评估（VOA）模型的方法，其包括：

获得训练数据库，所述训练数据库包括多名患者的体积成像数据集和对应的冠状动脉疾病（CAD）相关参考值，所述体积图像数据集针对包括关注血管的目标器官，CAD相关参考值对应于在对应的成像数据集中沿着关注血管的一个或多个点；以及

对于至少一部分体积图像数据集和对应的CAD相关参考值，

提取沿着对应的体积图像数据集中的关注血管（VOI）延伸的轴向轨迹，

基于对应的体积图像数据集和VOI的轴向轨迹，创建三维（3D）多平面重新格式化（MPR）图像，MPR图像沿着VOI的轴向轨迹延伸，以及

基于MPR图像来训练基于机器学习的血管阻塞评估（VOA）模型，该训练进一步包括从MPR图像中提取沿着VOI内的轴向轨迹表征CAD相关参数的特征。

9.根据任何前述权利要求所述的方法，进一步包括：

根据对应的MPR图像生成立方体的序列，每一个立方体包括来自对应的MPR图像的一组体素，在VOI的部分中创建的立方体的序列会导致对应部分的立方体的序列。

10.根据任何前述权利要求所述的方法，其中，基于机器学习的VOA模型从立方体的序列中提取与立方体相关联的图像特征。

11.根据任何前述权利要求所述的方法，其中，将立方体的大小定义为包含VOI的整个管腔和管腔外部的一部分组织，以便于提取与正重塑有关的VOI参数，其中，正重塑是指动脉粥样硬化斑块生长的方向。

12.根据任何前述权利要求所述的方法，其中，基于机器学习的VOA模型应用至少一个卷积层，然后是最大池化层，以从MPR图像中提取关注的图像特征，并且将分类器用于表征斑块类型、对狭窄的解剖学意义进行分类以及确定狭窄的功能意义中的至少一种。

13.根据任何前述权利要求所述的方法，其包括：在沿着轴向轨迹的点处生成一组编码，以形成一组一维（1D）序列，1D序列中的每一个表示沿着VOI的特定编码，训练进一步包括应用监督分类器，以基于1D序列来学习分数流量储备（FFR）分类器（2307）。

14.一种评估血管阻塞的系统，其包括：

存储器（118），其被配置成存储针对包括关注血管的目标器官的体积图像数据集；以及

至少一个处理器（120），当执行存储在存储器（118）中的程序指令时，被配置成：

提取沿着体积图像数据集中的关注血管（VOI）延伸的轴向轨迹，

基于体积图像数据集和VOI的轴向轨迹，创建三维（3D）多平面重新格式化（MPR）图像，以及

利用基于机器学习的血管阻塞评估（VOA）模型，从MPR图像中提取VOI参数。

15.根据权利要求14所述的系统，其中：

至少一个处理器（120）被进一步配置成实现预测阶段，以实行以下各项中的至少一项：i）检测斑块类型，ii）对血管堵塞的解剖学严重程度进行分类，以及iii）对体积图像数据集的看不见的部分内的血管阻塞的血液动力学严重程度进行分类。

16.根据权利要求14或15所述的系统，其中：

基于机器学习的VOA模型从MPR图像生成立方体的序列，每一个立方体包括来自MPR图像的一组体素，在VOI的部分中创建的立方体的序列会导致对应部分的立方体的序列。

17.根据权利要求14至16中任一项所述的系统，其中：

轴向轨迹对应于VOI的冠状动脉中心线，冠状动脉中心线表示沿着关注的冠状动脉部分的冠状腔的中心，轴向轨迹可以对应于单个冠状动脉、冠状动脉分叉或完整的冠状动脉树，其中，当关注的冠状动脉部分包括一个或多个分叉时，冠状动脉中心线就包括一个或多个分叉。

18.根据权利要求14至17中任一项所述的系统，其中：

基于机器学习的VOA模型基于递归卷积神经网络（RCNN），采用其来分析MPR图像中的沿着VOI的轴向轨迹的附近区域，RCNN将卷积神经网络（CNN）与串联连接的递归神经网络（RNN）连接起来，以分析作为顺序输入的MPR沿着轴向轨迹的部分。

19.根据权利要求14至18中任一项所述的系统，其中：

基于机器学习的VOA模型应用至少一个卷积层，然后是最大池化层，以从MPR图像中提取关注的图像特征，并且将分类器用于实行以下各项中至少一项：检测斑块类型、表征斑块类型、检测狭窄以及确定狭窄的解剖学意义。

20.根据权利要求14至19中任一项所述的系统，其中：

基于机器学习的VOA模型包括：用于基于MPR图像来创建特征向量的特征提取，所述特征向量包括从图像的参考数据库中测量或提取的一系列因子，所述系列因子描述或表征了关注血管的对应壁区域的性质，基于机器学习的VOA模型进一步包括分类器，用于对从MPR图像中提取的特征向量进行分类。

21.根据权利要求14至20中任一项所述的系统，其中：

VOI参数包括冠状动脉斑块类型、解剖学冠状动脉病变严重程度或功能上重要的冠状动脉病变严重程度中的至少一种，并且其中，基于机器学习的VOA模型评估以下各项中的至少一项：i）功能上重要的冠状动脉病变严重程度、ii）斑块类型或iii）解剖学冠状动脉病变严重程度。

22.一种训练血管阻塞评估（VOA）模型的系统，其包括：

存储器（118），其被配置成存储训练数据库，所述训练数据库包括多名患者的体积成像数据集和对应的冠状动脉疾病（CAD）相关参考值，所述体积图像数据集针对包括关注血管的目标器官，CAD相关参考值对应于在对应的成像数据集中沿着关注血管的一个或多个点；以及

至少一个处理器（120），当执行存储在存储器中的程序指令时，被配置成：

对于至少一部分体积图像数据集和对应的CAD相关参考值，

提取沿着对应的体积图像数据集中的关注血管（VOI）延伸的轴向轨迹，

基于对应的体积图像数据集和VOI的轴向轨迹，创建三维（3D）多平面重新格式化（MPR）图像，MPR图像沿着VOI的轴向轨迹延伸，以及

基于MPR图像来训练基于机器学习的血管阻塞评估（VOA）模型，该训练涉及从MPR图像中提取沿着VOI中的轴向轨迹表征CAD相关参数的特征。

23.根据权利要求14至22中任一项所述的系统，其中：

至少一个处理器（120）被进一步配置成实行以下各项中的至少一项：i）根据对应的MPR图像生成立方体的序列，每一个立方体包括来自对应的MPR图像的一组体素，在VOI的部分中创建的立方体序列会导致对应部分的立方体的序列，以及ii）沿着MPR图像将卷积神经网络应用于立方体的序列，以构建基于机器学习的VOA模型。

Images