CN113660900A - 用于确定修改的血流储备分数值的系统和方法 - Google Patents

用于确定修改的血流储备分数值的系统和方法 Download PDF

Info

Publication number
CN113660900A
CN113660900A CN202080026488.9A CN202080026488A CN113660900A CN 113660900 A CN113660900 A CN 113660900A CN 202080026488 A CN202080026488 A CN 202080026488A CN 113660900 A CN113660900 A CN 113660900A
Authority
CN
China
Prior art keywords
lesion
modified
interest
blood flow
vessel
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.)
Pending
Application number
CN202080026488.9A
Other languages
English (en)
Inventor
P·蔻蒂斯
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.)
Medtronic Vascular Inc
Original Assignee
Medtronic Vascular Inc
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 Medtronic Vascular Inc filed Critical Medtronic Vascular Inc
Publication of CN113660900A publication Critical patent/CN113660900A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • 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
    • 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
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A61B5/0215—Measuring pressure in heart or blood vessels by means inserted into the body
    • 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
    • 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
    • A61B6/485—Diagnostic techniques involving fluorescence X-ray imaging
    • 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
    • A61B6/504—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 blood vessels, e.g. by angiography
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20101—Interactive definition of point of interest, landmark or seed
    • 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
    • G06T2207/30096—Tumor; Lesion
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Vascular Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Hematology (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

提供用于确定血管病变的修改的血流储备分数值的系统和方法。测量包含冠状血管信息的患者生理数据。根据所述生理数据，生成冠状血管模型。识别所述患者的所述冠状血管系统内的感兴趣病变以用于修改的血流储备分数值确定。修改所述冠状血管模型以生成用于确定所述修改的血流储备分数值的修改的血流信息。

Description

用于确定修改的血流储备分数值的系统和方法
技术领域
本发明涉及用于确定修改的血流储备分数值的系统和方法。更具体地，本发明涉及用于基于病变引起的流速降低来修改血流储备分数值的系统和方法。
背景技术
血管中狭窄或病变的严重程度可以通过获得相对于给定狭窄的近端和远端压力测量值并使用那些测量值来计算血流储备分数(FFR)的值来评估。FFR被定义为通常在主动脉内，在狭窄的远端测量的远端压力Pd与在狭窄的近端测量的近端压力Pa的比率(FFR＝Pd/Pa)。常规地，将传感器放置在导丝(FFR丝)的远端部分上以获得/测量远端压力Pd，而外部压力换能器经由管道流体连接到引导导管以获得近端或主动脉(AO)压力Pa。一旦将引导导管设置在原位，并且填充引导导管的管腔的血液的压力等于引导导管的远端尖端处的血液的压力，将引导导管的近端流体连接到外部压力换能器的管道也充满血液，使得外部压力换能器在病变的近端侧上测量引导导管的远端尖端处的血液的压力。FFR丝通过引导导管且通过病变推进到病变的远端侧。FFR丝上的传感器测量远端压力。
FFR值的计算提供了狭窄的功能严重程度的狭窄特定指数，以便确定阻塞是否将血管内的血流限制到需要治疗的程度。健康血管中的最优或正常FFR值为约1.00，而小于约0.80的值通常被认为是严重的并且需要介入治疗。常见的介入治疗选项包含球囊血管成形术和/或支架植入术。
然而，传统的FFR测量方法没有考虑由狭窄或病变的存在引起的血流速率的中断和修改，从而可能导致假阴性结果。因此，需要确定考虑由病变的存在引起的血流变化的修改的FFR值的系统和方法。
发明内容
本文中所描述的实施例涉及用于根据由于血管病变的存在而引起的血流变化来确定修改的FFR值的系统和方法。系统配置成根据获得的生理数据对患者的冠状脉管系统的结构和血流进行建模。在冠状的脉管系统内识别可能具有临床意义但具有指示临床无意义的FFR值的感兴趣病变。随后创建患者脉管系统的修改模型以在不存在感兴趣病变的情况下估计血流条件，并且基于所估计血流条件确定修改的FFR值。
在实施例中，提供一种用于确定修改的血流储备分数值的系统。系统包括：血管造影系统，其配置成接收冠状血管系统的血管造影图像；血管测量系统，其配置成接收冠状血管系统的血流测量值；以及计算机系统，其包含配置成执行计算机指令的至少一个处理器。计算机指令编程处理器以根据血管造影图像和血流测量值生成冠状血管模型，冠状血管模型包含动脉树和描述血流和血压的血流场，以在冠状血管模型内识别至少一个感兴趣病变，以根据感兴趣病变的去除生成修改的冠状血管模型，并且以根据冠状血管模型和修改的冠状血管模型确定感兴趣病变的修改的血流储备分数值。
在另一实施例中，提供一种用于确定修改的血流储备分数值且配置成由执行计算机指令的至少一个处理器进行的计算机实施方法。方法包括：通过血管造影测量系统接收冠状血管系统的血管造影图像；通过血管测量系统接收冠状血管系统的血流测量值；以及由处理器根据血管造影图像和血流测量值生成冠状血管模型，冠状血管模型包含动脉树和描述血流和血压的血流场。方法进一步包括：由处理器识别冠状血管模型内的至少一个感兴趣病变；由处理器根据感兴趣病变的去除生成修改的冠状血管模型；以及由处理器根据冠状血管模型和修改的冠状血管模型确定感兴趣病变的修改的血流储备分数值。
附图说明
图1是根据本发明的实施例的用于测量FFR值的导丝的侧视图。
图2A到2D示出血管病变或狭窄和相关血流的解剖结构。
图3示出根据本发明的实施例的用于确定修改的FFR值的系统。
图4是描绘用于确定修改的FFR值的过程的流程图。
图5是描绘获得患者生理数据的过程的流程图。
图6是示出血流网络模型的图式。
图7A到7D示出血流计算模型的方面。
图8A到8C示出计算模型修改过程的方面。
具体实施方式
现在参考附图描述本发明的具体实施例，其中相同的附图标记指示相同或功能上类似的元件。当在以下描述中用于指导管、导丝或输送系统时术语“远端”和“近端”是相对于治疗临床医生的位置或方向。因此，“远端”和“远端地”是指远离治疗临床医生或在远离治疗临床医生的方向上的位置，而术语“近端”和“近端地”是指靠近临床医生或在朝向临床医生的方向上的位置。当在以下描述中用于指血管或狭窄时，术语“远端”和“近端”是参考血流方向使用的。因此，“远端”和“远端地”是指相对于血流方向在下游方向上的位置，而术语“近端”和“近端地”是指相对于血流方向在上游方向上的位置。
术语FFR在通篇中用于指血流储备分数测量。如本文中所使用，FFR值由远端血压与近端血压的比率定义。如本文所使用FFR值可以通过原位完成的测量获得，即通过血压的直接测量。如本文所使用的FFR值还可以指根据一个或多个所估计压力值计算或估计的值，其中压力值是根据本文所论述的建模技术来估计的。FFR值可以基于任何位置处的近端和远端压力值来计算。举例来说，动脉树特定FFR值可以指在动脉树的近端入口与远端血管位置之间取得的FFR值。血管分支特定FFR值是指在血管分支的近端和远端处取得的FFR值，如由血管分支与血管接合点相接的位置定义。病变特定FFR值是指在接近特定病变的近端和远端的位置之间取得的FFR值。
尽管本文中的实施例的描述和论述涉及修改的FFR值的确定，但是应理解，本文中所描述的系统、技术和方法可以适用于在具有阻塞的动脉中进行的任何血流或血压测量。确切地说，本文中所描述的用于FFR值的系统和方法可同样适用于冠状动脉的瞬时无波比(iFR)值。因此，本文中涉及FFR值的全部描述可理解为也适用于iFR值和计算。
以下详细描述在本质上为示范性的，且并不意图限制本发明或本申请和本发明的用途。尽管本发明的描述是在例如冠状动脉的血管的治疗的背景下，但是本发明也可以用于其中它被认为是有用的任何其它身体通道，例如但不限于外周动脉、颈动脉、肾动脉和/或静脉应用。此外，并不希望受到前述技术领域、背景技术、发明内容或以下详细描述中存在的任何明确或暗示的理论束缚。
图1示出根据本公开的实施例的用于计算FFR值的压力测量系统100。系统100包含导丝101和引导导管126。导丝101包含远端部分108、近端部分102和至少一个压力传感器118。导丝101可以进一步包含联接到近端部分102的近端的毂或手柄，以便于操作导丝100。在实施例中，可提供没有任何类型的毂或手柄的导丝101。导丝101配置成设置在血管184中，其中近端部分102的近端延伸到患者外部，且远端108原位设置在具有病变或狭窄183的血管184的管腔内。导丝101配置成测量狭窄183的远端侧185上的远端压力Pd。图1中反映的和以下描述的导丝系统100的组件的各种特征可用不同的结构和/或机制修改或替换。
位于导丝101的远端部分108上的压力传感器118测量远端压力Pd。而外部压力换能器125经由引导导管126的管腔流体连接以获得近端或主动脉(压力)Pa。一旦将引导导管126定位在原位，并且填充引导导管126的管腔的血液的压力等于引导导管126的远端尖端128处的血液的压力，将引导导管126的近端124流体连接到外部压力换能器125的管道127也充满血液，使得外部压力换能器125测量引导导管126的远端尖端128处的血液的压力。导丝101穿过引导导管126且穿过病变183推进到病变183的远端侧185。导丝101上的传感器118测量远端压力Pd。将远端压力Pd和主动脉或近端压力Pa传达到计算机系统，例如以下描述的计算机系统300。
尽管图1示出包含压力感测导丝101和引导导管126的系统100，但是本文公开的系统和方法与能够测量或估计FFR的任何装置兼容，包含不涉及引导导管的系统、涉及FFR导管的系统、仅包含单压力传感器的系统和各种成像技术。
图2A到2D示出血管病变或狭窄和通过血管分支的相关血流的解剖结构。如本文所使用，术语“血管分支”是指血管分叉之间的血管的一部分。血管分支没有分叉。动脉树由多个血管分支形成，在它们之间具有分叉。在图2A到2D的以下论述中，出于示出的目的，由相同缩写所指代的压力及流速被视为在不同图之间相等。图2A到2D的图式意图示出由于病变的存在引起的对血流速率和血压的影响。应理解，例如血管直径、血管长度、血管壁粗糙度等其它因素可以引起压力和流速的变化。出于举例的目的，在以下论述中不考虑这些因素。
图2A示出无病变的血管分支212。血管分支212具有上游的近端压力P_a和下游的远端压力P_d1。由于通过血管分支的相对不受限制的流动，P_a与P_d1之间存在最小压降。血管分支212还具有在血管分支212的入口处上游的近端流速Q_d1和在血管分支212的出口处下游的远端流速Q_d1。由于连续性原理，上游和下游流速相等，因为流入血管分支212的所有血液必须流出。
图2B示出具有病变201的血管分支200。血管分支具有病变201上游的近端压力P_a和病变201下游的远端压力P_d2。血管分支200还具有病变上游的近端流速Q_d1和病变下游的远端流速Q_d1。由于连续性原理，上游和下游流速相等，因为流入血管分支的所有血液必须流出。病变201处的血管分支200的窄化使得P_a高于P_d2。这种压差可以由FFR系统测量或确定，并且用于确定治疗计划。病变201的病变特定FFR值计算为P_d2/P_a。在通过将下游压力P_d2除以上游压力P_a计算的FFR的常规使用中，0.8的分数被视为治疗阈值。将得分小于0.8的病变评定为待治疗的病变。0.8的分数表示跨越病变的压力下降20％。
流体流中的任何两个点之间的压降与体积流体流速直接相关。体积流体流速的增加引起或需要压降的增加，而体积流体流速的减小引起或需要压降的减小。也就是说，需要更大的压力变化来驱动更大的流动。体积流体流速与压降之间的准确关系取决于若干因素，例如流体的流动状态(例如，光滑、湍流等)、血管的直径、血管的形状、血管壁的粗糙度和其它因素。
图2C示出包含分叉211及两个无病变血管分支212和213的小动脉树210。在动脉树210中，分叉211上游的近端流Q_p通过分叉211下游的无病变血管分支212、213分成两个远端流Q_d1和Q_d2。由于连续性原理，分叉之前的血流量必须等于分叉之后通过两个分支的总血流。此外，因为在任一血管分支212、213中都不存在明显的阻塞，所以每一血管分支中的下游压力P_d3大致相等。Q_d1和Q_d2的总和等于Q_p。Q_d1及Q_d2的具体值与影响流动的下游血管分支212、213的各种特性有关，所述特性包含大小、形状、壁粗糙度、病变的存在和性质、下游血管的大小和结构等。在这种结构中，没有引起明显压降的病变，从上游压力P_a到下游压力P_d1的压降最小。尽管由于由分叉211引起的血流受阻，P_a与P_d1之间可能存在轻微的压差，但是对于这些实例的说明性目的来说,这种差是不重要的。
图2D示出动脉树220，其具有作为其下游分支中的一个的血管分支200和作为另一下游分支的无病变血管分支213。用具有病变201的血管分支200替换图2C的动脉树210的无病变血管分支212。出于示出的目的，血管分支200理解为除病变201之外例如在长度和直径上与无病变血管分支212相同。如上文所论述，病变201限制通过血管分支200的血流，引起跨越病变201从P_a到P_d3的压降。无病变血管分支213中的压力P_d1与血管分支200中的上游或主动脉压力P_a大致相同。如上文所论述，连续性原理要求分叉215之前的总血流与分叉215下游的总血流相同。因此，上游或近端流速Q_p必须分别等于血管分支200和无病变血管分支213中的下游流速Q_d3和Q_d4的总和。
由于血管分支200中的部分流动堵塞，与图2C中通过的血管分支212的流速Q_d1相比，通过血管分支200的流速Q_d3减小。与图2C中通过的血管分支213的流速Q_d2相比，这种减小又要求通过血管分支213的流速Q_d4增加。总流速(Q_d3+Q_d4)必须保持等于上游流速Q_p，但当病变201引入系统时，下游血管分支200、213之间的流量的分配发生变化。
比较图2A到2D的脉管系统布置，可以展示与无分叉215的血管分支200相比，分叉215和病变201的影响组合以产生动脉树220中的病变201的降低的FFR分数。如上文所论述，将病变201添加到包含分叉215的动脉树220使得血流移动到无病变血管213。跨越病变201的压降直接受到通过病变的血流速率影响。因此，与跨越图2B的不含有分叉的结构中的病变201的压降相比，跨越动脉树220中的病变201的压降减小，其中与血流速率Q_d1相比血流速率Q_d3减小。从部分阻塞的血管分支200到无病变血管分支213的血流的移动缓和了跨越病变201的压降，并且用以增加动脉树220内部的病变201的FFR值。这种压降的缓和以及FFR值的增加可能用以使特定病变呈现给患者的临床危险模糊。
图3示出用于确定修改的FFR值的系统的示意图。系统300包含计算机系统310、血管测量系统320和血管造影测量系统330中的一个或多个。计算机系统310包含：包含诊断模块311的一个或多个处理模块、建模模块312、病变识别模块313和用户接口模块314。
尽管在图3中示出为包含若干组件，但是系统300可包含比所描述的组件更多或更少的组件，所述组件以不同于所描述方式的方式连接和/或通信。举例来说，如下文进一步论述，计算机系统310配置成从血管测量系统320和血管造影测量系统330接收生理数据。在实施例中，计算机系统310可以从能够获得所需数据的任何系统或装置接收等效生理数据。在实施例中，计算机系统310可以直接从血管测量系统320和血管造影测量系统330接收生理数据。在另外的实施例中，计算机系统310可以存取由此系统获得且存储在计算机存储器上的数据。在另外的实施例中，系统300的组件中的任一个的能力和功能的全部或一部分可以由系统300的其它组件进行。
计算机系统310可以配置为服务器(例如，具有一个或多个服务器刀片、处理器等)、个人计算机(例如，台式计算机、膝上型计算机等)、智能手机、平板计算装置和/或可以被编程为接收和输出数据且与操作员交互的其它装置。在实施例中，计算机系统的功能中的任一个或全部可执行为云端计算平台的部分。
计算机系统310包含一个或多个处理器301(为方便起见，在本文中也可互换地称为处理器301、处理器301或处理器301)、一个或多个存储装置302和操作所需的任何输入和输出组件，例如显示器、扬声器、鼠标、键盘、Wi-Fi天线、通信端口等。处理器301由存储在存储装置302上的一个或多个计算机程序指令编程。举例而言，处理器301由诊断模块311、建模模块312、病变识别模块313和用户接口模块314编程，其软件指令存储在存储装置302上。如本文所使用，为方便起见，当实际上模块和系统对处理器301(以及因此计算机系统310)进行编程以执行操作时，各种指令模块和系统将描述为执行操作。
血管测量系统320包含一个或多个血管测量装置和任何相关联或所需的软件、硬件和/或用于获得、接收或测量本文所论述的患者的生理数据所需的其它组件。血管测量系统320配置成获得血流测量值，例如关于血流速度和血管血压中的一个或两个的生理数据。为了进行此测量，血管测量系统320可包含压力丝或导管以及用于确定血流速度的装置。在实施例中，血管测量系统320可包含FFR测量系统，例如相对于图1所描述的系统100。
血管造影系统330配置成获得或接收呈血管造影图像形式的患者的血管造影成像数据，并且包含用于收集患者的此类血管造影数据的系统和装置以及任何相关联的硬件和软件。合适的系统可包含能够经由荧光透视、计算机断层扫描(CT)和磁共振成像(MRI)进行血管造影成像的系统。血管造影系统330配置成向患者注射不透射线对比流体，并且使用成像技术来成像冠状脉管系统和对比流体清除率的速率。在实施例中，可以获得多个图像或切片以生成冠状脉管系统的三维图像。在额外实施例中，可以使用例如放射性核素血管造影系统的其它冠状动脉成像系统代替血管造影系统330。
诊断模块311是在计算机系统310上运行的软件模块。诊断模块311配置成收集、获得或以其它方式接收描述冠状血管系统的患者生理数据，所述数据至少包含血流测量值和血管造影图像。诊断模块311可配置成直接从血管测量系统320和血管造影系统330接收和解释患者生理数据。诊断模块311可以进一步配置成从存储位置获得患者生理数据。诊断模块311可以进一步配置成在任何处理级别接收患者生理数据，从例如血管造影图像和压力测量的直接原始数据到先前已优化和分析的经处理数据。诊断模块311进一步配置成与建模模块312通信以向建模模块312提供所需数据。在实施例中，诊断模块311配置成作为血管测量系统操作以接收冠状血管血流测量值。在实施例中，诊断模块311配置成作为血管造影系统以接收冠状血管系统的血管造影图像。诊断模块311的另外的特征和操作在下文相对于图4和5的操作过程论述。
建模模块312是在计算机系统310上运行的软件模块。建模模块312配置成构建和修改患者冠状血管模型。建模模块312配置成根据血管造影图像和血流测量值生成冠状血管模型。由建模模块312生成的冠状血管模型包含描述患者冠状血管系统的冠状血管结构和冠状血管血流的信息。建模模块312进一步配置成生成修改的冠状血管模型，并且基于原始冠状血管模型和修改的冠状血管模型确定感兴趣病变的修改的FFR值。建模模块312的另外的特征和操作在下文相对于图4和5的操作过程论述。
病变识别模块313是在计算机系统310上运行的软件模块。病变识别模块314配置成根据包含血管造影图像和血流测量值的患者生理数据来识别患者冠状脉管系统内的病变。病变识别模块314进一步配置成根据包含血管造影图像和血流测量值的患者生理数据来识别患者冠状脉管系统内的感兴趣病变。感兴趣病变是在标准FFR指南下未被识别为临床上显著的病变(即，因为其具有大于0.8的FFR值)，但在医生、其它分析员或系统300看来需要进一步分析。病变识别模块313的另外的特征和操作在下文相对于图4和5的操作过程论述。
用户接口模块314是在计算机系统310上运行的软件模块。用户接口模块314配置成接收用户输入，提供用户输出，并且以其它方式提供所有必要的组件和特征以促进用户与计算机系统310的交互。用户接口模块314可以配置成向任何数量的用户输入/输出装置接收信息和输出信息并且从任何数量的用户输入/输出装置接收信息和输出信息，所述用户输入/输出装置包含鼠标、键盘、触摸屏、显示器、扬声器等。用户接口模块314的另外的特征和操作在下文相对于所进行的操作过程论述。
图4示出根据本发明的实施例的修改的FFR值确定过程400。如上文相对于图2所论述，在孤立情况下，由作为较大动脉树的部分的血管中的病变的存在引起的血流移动可能会引起相对于相同血管和病变的测量FFR值增加。修改的FFR值确定过程400用以确定修改的FFR值，所述修改的FFR值解释了当测量血管是较大动脉树或血管网络的部分时测量的FFR的这种增加。修改的FFR值确定过程400包含用于基于测量的血流和速度的解剖建模、潜在可治疗病变的识别以及模型修改的一系列操作以确定所治疗病变的修改的FFR值。过程400的操作可以由系统300的组件来实施，所述组件包含计算机系统310、血管测量系统320和血管造影测量系统330。可以使用其它硬件或组件来进行如下论述的过程400的各种操作，并且本文中对硬件和组件的描述意图作为示例而非限制。
在操作402中，收集患者的生理数据。所收集的生理数据至少包含患者血管数据并且可以进一步包含与患者的治疗相关的任何数据。患者血管数据是描述患者血管系统的数据。确切地说，患者血管数据包含描述患者的冠状血管网络的数据。患者血管数据至少包含关于血压、血流速率和速度以及血管结构的信息，所述血管结构包含血管几何形状、位置和分支。在实施例中，生理数据的收集可以由诊断模块311辅助。
诊断模块311配置成与血管造影测量系统330和/或血管测量系统320接口。诊断模块311可以与血管造影测量系统330和/或血管测量系统320通信、向其发送指令和/或从其接收信息。在实施例中，由血管造影测量系统330和/或血管测量系统320执行的生理数据收集可以在诊断模块311的控制下执行。在额外实施例中，操作员可以独立地操作血管造影测量系统330和血管测量系统320，并且在诊断模块311的控制下将记录的数据传送到计算机系统310。相对于图5更详细地描述生理数据收集操作402。
图5是示出与本发明的实施例一致的生理数据收集过程500的流程图。可以实施生理数据收集过程500以收集患者血管数据。过程500搜集所需数据以描述如用于后续建模的患者基线血管解剖结构。如本文所使用，基线血管解剖结构是指在任何临床干预之前测量的患者解剖结构和血流测量值。与本发明的实施例一致的生理数据收集过程可以包含相对于图5所描述的过程500的操作的任何组合，包含不包含所有所描述操作的组合并且包含包括以任何顺序进行的所描述操作的组合。
在操作502中，生理数据收集过程500包含测量患者解剖结构。测量患者的冠状血管结构以生成患者的冠状动脉图，其包含冠状血管网络图和血管网络中的各点处的血管大小。冠状动脉图可以包含通过使用多图像血管造影术生成的三维图。任何合适的血管造影技术，包含使用荧光透视、CT和MRI的技术，都可以应用于捕获患者冠状动脉图。在另外的实施例中，可以使用CT扫描来生成患者冠状图。
在操作504中，生理数据收集过程500包含测量整个患者冠状血管网络的血液速度和流量。可以在不同位置进行多次血流测量以确定不同位置中的每一位置处的血流速度。整个脉管系统的重复测量用于生成描述血流和血压的血流场。在实施例中，测量丝的远端尖端处的速度的流动丝用于进行血流速度测量。在额外实施例中，可以基于清除对比流体的速率来估计整个脉管系统的血流速度。在操作504中可以使用血管测量系统320和血管造影测量系统330。
在操作506中，生理数据收集过程500包含测量整个患者冠状血管网络的压力。压力测量可以通过使用如本文所描述的FFR压力丝或导管和/或通过用于测量血管内血压的任何其它合适的装置来执行。在操作506处进行的压力测量提供关于血管网络的测量位置处的压力的信息。FFR系统进行的测量可以用于生成患者冠状血管网络压力场。FFR系统还可以用于确定患者的血管网络内已知病变的FFR分数。
现在回到图4，在操作404中，根据测量的生理数据生成生理模型。在操作404处，将如由诊断模块311接收和处理的测量生理数据传输到建模模块312以用于模型生成。建模模块312配置成根据接收到的生理数据构建患者冠状血管模型。
在实施例中，建模模块312配置成根据接收到的生理数据生成血流网络模型。图6是示出血流网络模型600的图式。网络模型600是根据网络图描述冠状血管结构和血流的模型。网络模型600存储关于动脉树605的信息，所述动脉树605包含网络中的每一血管分支601和血管分支节点602。网络模型600还存储血流场，包含关于血管分支内一个或多个位置处的血压和血流速率的信息。如图6中所示出，网络模型600包含多个血管分支601和节点602。每一血管分支601包含两个节点602。多个血管分支601中的每一个的压力和血流速率存储在网络模型600中。在实施例中，网络模型600包含血压和血流速率的近端和远端测量或估计。在实施例中，网络模型600包含三个或大于三个血压和血流速率值。对于在操作402期间测量血压和流量的血管分支601，测量值存储在网络模型600中。
对于没有测量血压和流量的血管分支601，建模模块312配置成基于控管网络模型600的原理根据现有测量值来估计血流和血压值。举例来说，网络模型600需要保持连续性原理。进入和流出任何血管分支节点602的血液必须相等。在另一实例中，可根据引起在邻近节点602之间延伸的血管分支601的特征(包含例如血管直径变化、病变存在、血管壁摩擦力、血管长度、血管几何形状和血管接合点几何形状)的压力变化来确定邻近节点602处的血压的差。因此，网络模型600的每一血管分支601的特征在于近端和远端血压和血流测量值，以及两个血管分支节点602。
在实施例中，建模模块312配置成根据患者血管数据生成网络模型600，所述血管数据包含描述冠状结构的血管造影成像数据以及测量的血流速率、速度和血压。尽管网络模型600的网络图被描述为具有特定要求，但是可以使用网络图中的变化，包含额外的血流和血压测量和/或血管分支601与血管分支节点602之间的额外或不同的连接要求。
在实施例中，建模模块312配置成根据接收到的生理数据生成计算模型。图7A到7C示出计算模型700的方面。计算模型700是血流模型，其包含含有根据解剖模型的关于冠状血管结构的信息的动脉树710和血流场，所述血流场包含关于整个冠状血管结构的血流速率和血压以及血流的信息。计算模型700是适合与有限元分析(FEA)技术、软件和方法一起使用的模型。
图7A示出动脉树710、限定冠状脉管系统的冠状血管的分支网络。如上文所论述，在生理测量操作504期间捕获冠状脉管系统的图像。测量的生理数据，例如血管造影图像，视需要转换成数字形式。图像捕获和解释用于以数字方式限定冠状血管网络的动脉管腔。血管的动脉管腔各自由限定动脉壁的一系列三维坐标限定。图7B示出冠状血管701的内动脉壁704上的壁元件702。壁元件702由三维坐标限定。在使用直线坐标方案的实施例中，每一壁元件702由x、y、z坐标限定。每一壁元件702毗邻相邻壁元件702，其中壁元件702的大小是基于计算模型700的期望分辨率。血管701进一步由分布在整个动脉壁704上的多个壁元件702限定。动脉树710的其余部分类似地由分布在整个血管网络的多个壁位置702限定。
图7B示出血管701的内部元件703。每一内部元件703由三维坐标限定，血管701的整个内部由多个内部元件703限定。在使用直线坐标方案的实施例中，每一内部元件703由x、y、z坐标限定。动脉树710的每一血管701可由多个内部元件703限定，从而限定整个动脉树710。
在操作504搜集的血流速度或流速数据随后可用于构建用于动脉树710的速度场。根据在操作504处获得的测量值，血管701内不同位置处的血流速率是已知的。基于关于血管中流速的建模假设，例如层流情况下的抛物线局部速度场，可以确定血流速度并将其分配给内部元件703作为附加变量(x,y,z,v,p)。建模模块312配置成根据测量的生理数据确定血流速度。可以为内部元件703中的全部或一些确定血流速度。
在操作504处获得的测量生理数据包含压力数据的情况下，随后还构建了贯穿动脉树710的压力场。在管内层流的情况下，压力仅沿管的长度变化，因此同一横截面中的所有点具有相同的压力值。确定给定横截面中的压力并且为所述横截面中的每一点分配附加变量p，使得每一内部元件703由变量限定：(x,y,z,v,p)。建模模块312配置成根据测量的生理数据确定整个动脉树710的血压。可以为内部元件703中的全部或一些确定血压。
在操作402确定的生理数据可能不足以确定计算模型700内每一单个内部元件703的位置处的血压和速度。在另外的实施例中，可以采用FEA技术来生成没有直接对其进行测量的任何内部元件703的压力和速度值。FEA是一种根据管控规则和边界条件为所研究的问题找到近似解决方案的计算方法。通过以越来越精细的尺度看待问题，即通过使例如内部元件703和壁元件702等元件更小，来改进最终结果的准确性。这种准确性是以额外的计算时间或所需资源为代价的。
用于生成计算模型700的FEA计算解决方案需要若干输入。第一所需输入是域。域由动脉树710以及限定其的内部元件703和壁元件702限定。因此，建模模块312可以根据描述动脉树710或冠状血管网络的生理数据生成计算模型700域。
另一所需输入是边界条件。建模模块312可以配置成根据边界条件生成计算模型700。边界条件通过在特定内部元件703处提供受限制的结果来约束FEA计算。举例来说，可以将无滑移边界条件应用于血管壁，要求在壁上的任一点处，将血流速度设置为零。对于邻近于管腔壁定位的任何内部元件703，变量变为(x,y,z,0,p)，其中速度设置为零。在图7D中示出此边界条件，其示出通过邻近于血管壁的速度为0的血管701的速度分布708。另一实例边界条件包含已知数据的添加。因此，对于其适用的所有内部元件703均包含在操作402期间获得的压力和流速。在另一实例边界条件中，贯穿动脉树710的测量的体积流速可用于建立跨越域的入口处的若干内部元件703的速度分布。在这种情况下，域或动脉树710的入口可能是左主动脉开口处的动脉树的横截面。举例来说，将选择抛物线速度分布，使得当跨越血管区域积分时产生所测量的流速。通过贯穿计算过程中将入口速度分布边界条件保持为常数，所有计算都被限制为贯穿整个动脉树710域的正确体积流速。另外的边界条件可包含为压力场建立基准或基线的边界条件。举例来说，可以将动脉树710的远端血管701中的一个中的动脉树710域的出口处的单个点处的压力值限制为0。
另一所需输入是一组管控方程。建模模块312配置成根据管控方程生成计算模型700。在最简单的牛顿流体(Newtonian fluid)情况下，存在两个变量(速度和压力)。因此，需要两个管控方程以避免FEA问题空间的过度约束或定义不足。举例来说，可以使用描述质量守恒和动量守恒的管控方程。以张量形式，这些可以写成：
质量守恒：
Figure BDA0003287730750000121
动量守恒
Figure BDA0003287730750000122
其中v是速度矢量，p是压力，μ是流体的物质特性，称为粘度。
建模模块312配置成使用FEA技术使用与以上论述一致的域、边界条件和管控方程来生成患者冠状血管的计算模型700。对于FEA计算，动脉树710域划分为内部元件703，并且在每一元件内，用简单的多项式函数近似计算感兴趣变量。举例来说，可以使用二次多项式函数来近似计算每一元件内的速度，并且使用线性多项式函数来近似计算压力。将多项式函数限制为跨越元件边界连续。函数中不能有间断或阶跃变化。FEA的目标是通过确定每一局部多项式函数的单独多项式参数来确定局部多项式函数中的每一个的大小和形状。FEA输出是每个局部多项式函数的一组多项式参数。将这些输出参数值计算为对跨越整个域建立的要求的最优拟合。也就是说，FEA解决方案遵守边界条件并且以最优拟合方式满足管控方程的要求。
建模模块312配置成在整个动脉树710域中执行FEA计算以在整个冠状脉管系统内的每一位置中建立血流和血压。如上文所论述，增加FEA计算的精度和分辨率可能会对计算资源造成压力。因此，在实施例中，建模模块312可以配置成生成用以仅限定患者脉管系统的一部分的计算模型700。可以相应地调整FEA计算和输入以实现限定患者脉管系统的一部分的计算模型700。
现返回图4，在过程400的操作406中，识别血管病变。所识别的血管病变的一部分进一步识别为感兴趣病变。如下文所描述，病变识别模块413配置成识别血管病变和感兴趣病变。血管病变包含患者冠状脉管系统内的所有病变，或任何大小或形状。感兴趣病变包含医生或其它操作员希望获得更多信息的任何血管病变和/或满足特定预定标准的任何血管病变。举例来说，感兴趣病变是在标准FFR指南下未被识别为临床上显著的病变(即，因为其具有大于0.8的FFR值)，但在医生、其它分析员或系统300看来需要进一步分析。可以使用从早期步骤获得的数据和模型经由若干分析技术来识别病变和感兴趣病变。在不脱离本发明的范围的情况下，可以以任何方式组合以下分析技术。举例来说，多个识别技术可用于识别病变和感兴趣病变以产生冗余。在另一实例中，一种或多种技术可用于识别病变，而可能不同的一种或多种技术用于识别感兴趣病变。
以下病变识别技术可由例如医生的操作员、通过计算自动、或两者的组合执行。举例来说，病变识别模块313可识别所有血管病变，并且经由用户接口模块314将这些病变显示给操作员。操作员可随后从所识别的血管病变当中选择感兴趣病变。血管病变的显示可以包含从下文论述的分析技术获得的任何分析信息的显示，例如成像数据和/或FFR数据。操作员可以使用分析信息以选择感兴趣病变。在另一实例中，病变识别模块313可以仅基于预定标准通过计算来识别感兴趣病变。在又一实例中，病变识别模块313可以根据预定标准识别潜在的感兴趣病变，且随后请求操作员验证和批准每一潜在的感兴趣病变。
下文论述的用于识别病变和感兴趣病变的技术和模型表示计算机系统310的操作员和计算机系统310的计算能力可用的工具阵列。所论述的工具和技术可以在有或没有操作员干预的情况下以任何组合使用。特定组合的论述仅意图用于实例目的，且并不意图作为关于未论述的特定组合的限制。
在实施例中，病变由病变识别模块313根据成像分析识别。基于在生理数据收集步骤期间获得的成像，操作员或图像分析软件可以识别冠状脉管系统内的病变。图像分析可以进一步用于选择一个或多个感兴趣病变以用于进一步研究。在另外的实施例中，可以使用图像分析软件来识别成像数据内的感兴趣病变。
在另外的实施例中，根据从生理数据收集操作504期间进行的压力测量确定的FFR值来识别病变。用于识别病变和感兴趣病变的FFR值可以是动脉树特定的、血管分支特定的和/或病变特定的。来自生理数据收集的FFR值可以包含测量的近端压力与远端压力的任何比较，无论测量是否同时进行，是否使用FFR导管，或以其他方式进行。小于1的FFR值，即任何指示流动受阻的FFR值，可用于识别血管病变。还根据根据在生理数据收集操作402期间收集的数据获得的FFR值来识别感兴趣病变。根据FFR值标准识别感兴趣病变。因此，在一些实施例中，FFR范围可以用作FFR值标准以识别病变。举例来说，0.95与0.8之间的FFR范围可用于识别感兴趣病变。测量值大于0.95的病变可能不足以保证进一步调查，而测量值低于0.8的病变可能已经基于标准指南建立为临床上显著的。按需要可以使用不同的FFR范围。
在实施例中，可以根据血管网络模型600识别病变和感兴趣病变。脉管网络模型600包含整个脉管系统中的近端压力数据点和远端压力数据点。如上文所论述，数据点可以是测量压力和估计压力的混合。近端压力数据点和远端压力数据点可用于计算网络模型600内的任何两个点之间的FFR值。用于识别病变和感兴趣病变的FFR值可以是动脉树特定的、血管分支特定的和/或病变特定的，这取决于网络模型600内可用的数据。网络模型600FFR值可用于通过小于一的FFR值识别病变。根据FFR值标准识别感兴趣病变。因此，在一些实施例中，例如在0.95与0.8之间的FFR范围可以用作FFR值标准以识别病变。视需要可以使用其它FFR范围。在实施例中，通过使用网络模型600识别的病变和感兴趣病变可以经由成像或其它技术来确认。在实施例中，可以基于动脉树特定FFR值来识别病变的存在，并且可以基于分支特定或病变特定FFR值来执行感兴趣病变的识别。
在实施例中，可以根据计算模型700识别病变和感兴趣病变。计算模型700包含存储整个脉管系统的压力数据的内部元件703。动脉树710内的任何两个内部元件703可用于基于其间的压降来计算FFR。内部元件703的压力数据可用于识别病变且根据FFR计算来识别感兴趣病变。在实施例中，可以相对于动脉树的入口处的压力计算FFR。因此，可以将树中的任何位置处的下游压力与动脉树FFR值中的入口压力进行比较。动脉树特定FFR值可用于基于展示压力显著下降的下游压力测量值来识别病变。在另外的实施例中，可以相对于特定血管或病变计算FFR值。因为无阻塞血管分支内的压降相对较低，所以在分支包含一个病变的情况下，基于分支的近端和远端处的压力测量计算的分支特定FFR将与基于病变的正上游和正下游的压力测量计算的FFR大致相同。如果分支包含超过一个病变，那么分支特定FFR将不同于病变特定FFR或每一病变。
根据FFR值标准从病变当中识别感兴趣病变。因此，在一些实施例中，FFR范围可以用作FFR值标准以识别病变。可以根据所使用的特定FFR值(例如，动脉树特定的、分支特定的、病变特定的)来调整适当的FFR范围。在实施例中，FFR范围可以是介于0.95和0.8之间的范围或被认为合适的其它范围。在实施例中，通过使用计算模型700识别的病变和感兴趣病变可以经由成像或其它技术来确认。在实施例中，可以基于动脉树特定FFR值来识别病变的存在，并且可以基于分支特定或病变特定FFR值来执行感兴趣病变的识别。
在过程400的操作408中，建模模块312用于根据感兴趣病变选择修改血管模型。包含网络模型600和计算模型700的示范性模型中的任一模型都可以由建模模块312根据以下进行修改。
建模模块312配置成通过在不存在一个或多个感兴趣病变的情况下重构建模型来修改血管模型。举例来说，建模模块可以从血管模型去除单个感兴趣病变并且基于去除来计算修改的血管模型。建模模块312配置成基于感兴趣病变的去除来估计或计算修改的血管模型中的修改的血压和血流。
在网络模型600中，可以通过将含有感兴趣病变的血管分支601的近端和远端压力设置为相等来执行由建模模块312去除感兴趣病变。因此，修改的网络模型600未展示跨越感兴趣病变所在的血管分支的长度的压降，而是展示无压降。随后可以根据网络模型600的管控原理，根据含有感兴趣病变的血管中的调整压力重新确定整个修改的网络模型600的血流和血压。
在计算模型700中，可通过使用FEA工具在无感兴趣病变的情况下重构建含有病变的血管来执行建模模块312对感兴趣病变的去除。图8A到8C示出修改计算模型700的方面。图8A示出通过血管901A经过病变902的血流。血管901A的壁和病变由壁元件702限定，而血管901A的内部由内部元件703限定。图8B示出通过修改的血管901B的血流。建模模块312通过消除感兴趣病变并且再生修改的血管901B来生成修改的血管901B，就好像感兴趣病变不存在一样。建模模块312选择感兴趣病变的近端和远端的点，并且确定近端点与远端点之间血管直径的单调变化，以对从近端点到远端点平滑变化的直径进行建模，而不包含感兴趣的病变。在血管重塑之后，病变内含有的所有点都被识别为更新或修改的计算模型700中的内部元件703。将新的壁元件702引入到血管901B的新限定的血管壁所在的部分。
图8C示出去除感兴趣病变的实例，其中血管在病变的区域中不是笔直的。血管901C在病变902B的区域中包含显著的曲率。在实施例中，建模模块312识别血管中心线903并且使用中心线903作为生成修改的血管901D的辅助。在重构建没有病变902B的修改的血管901D之后，建模模块312可以提示操作员确认变化。在实施例中，建模模块312可以在不请求确认的情况下继续进行。在实施例中，操作员可以执行修改的血管901D的手动调整。举例来说，在高度不对称病变的情况下，中心线可能会偏向一侧或另一侧，这可能会使结果产生偏向。
修改的血管901B(或901D)包含在表示修改的患者血管模型的修改的动脉树(未示出)中。修改的计算模型700为FEA计算建立修改的域。如上文所描述，FEA技术随后由建模模块312重复以确定整个修改的计算模型700的修改的域中的修改的速度和压力场。
在以上情况中的每一情况下，对网络模型600和计算模型700的模型修改引起修改的速度场和压力场。修改的速度准许计算修改的流速。确切地说，由于由病变的存在引起的流动阻力的损失，这种修改引起在模型修改之前跨越感兴趣病变所位于的区域的流动增加。在实施例中，可以对去除的感兴趣病变区域中的局部速度场进行积分以确定修改的局部流速。
再次返回图4，在过程400的操作410中，根据感兴趣病变区域中的修改的流速，由建模模块412确定感兴趣病变的修改的FFR值。如上文所论述，从血管模型去除感兴趣病变去除了流动阻力，引起修改的血管模型中感兴趣病变区域中的流速的模型化增加。建模模块412配置成基于修改的流速确定感兴趣病变的修改的FFR值。
在网络模型600中，建模模块312使用近端压力和远端压力的未修改值以及含有感兴趣病变的血管分支601的流速来确定由感兴趣病变提供的流动阻力。随后由建模模块312结合修改的流速使用感兴趣病变的流动阻力来确定跨越感兴趣病变的修改的压降。因此，建模模块312基于未修改的近端压力、未修改的病变流动阻力和修改的流速来计算跨越感兴趣病变的修改的压降。换句话说，建模模块312确定需要跨越病变的压降有多大才能在血管分支601中实现与不存在病变时发生的相同流速。修改的压降用于确定修改的远端压力。随后在修改的FFR值计算中使用修改的远端压力和未修改的近端压力。
在计算模型700中，建模模块312使用上文所论述的FEA技术来采用修改的流速计算FFR值。可以将FEA计算限制在感兴趣病变局部区域以减少计算需求。为了执行此计算，根据未修改的血管结构执行FEA分析，所述未修改的血管结构例如包含感兴趣病变、未修改的入口压力和修改的流速。
在操作412中，过程400包含基于修改的FFR值识别病变以用于治疗。修改的FFR值计算可以揭示具有指示未治疗的大于0.8的标准FFR值的感兴趣的病变可能具有指示可以推荐治疗的小于0.8的修改的FFR值。修改的模型的增加的流速引起跨感兴趣病变的更大的压降，进而使得FFR值低于在基线时为患者测量(或计算)的值。因此，修改的FFR可以从根据标准方法确定为不进行治疗的一组病变中识别应治疗的病变。
可以对所有感兴趣的病变重复操作408、410和412以识别用于治疗的额外病变。计算机系统310可以操作以自动方式和/或在操作员的帮助下从感兴趣病变当中确定用于治疗的病变。举例来说，在操作408处识别多个感兴趣病变之后，计算机系统310可操作以自动计算每一感兴趣病变的修改的FFR值。在另一实例中，计算机系统310可以经由用户接口模块314从操作员接收额外输入以调整修改的FFR计算。计算机系统310可以在修改的FFR计算的任何阶段提示用户批准和验证，作为对计算过程的检查。
在额外实施例中，计算机系统310可以基于涉及多个病变的修改来执行修改的FFR计算。计算模型700和网络模型600的流场可以根据超过一个病变的去除进行修改。举例来说，阻塞性近端病变可将远端血流限制到包含远端病变的下游血管分支。因为到达远端病变的血流速率因近端病变而减小，所以远端病变的标准FFR值可能偏斜。然而，上文所描述的基于去除单个病变来计算远端病变的修改的FFR的方法可能仍然不能产生准确的结果，因为流速限制是由近端病变引起的。因此，仅基于远端病变的去除来计算修改的FFR值可能无法提供足够的准确性。因此，可以根据近端病变和远端病变两者的去除来计算跨越远端病变的修改的FFR值。当对感兴趣病变执行修改的FFR计算时，建模模块312可以评估近端血管条件以确定是否存在一个或多个额外病变，所述病变可以修改到达感兴趣病变的血流速率。额外病变可以是感兴趣病变、临床上显著的病变和/或影响流速的任何其它病变。额外病变可以位于感兴趣病变的上游和/或下游。
根据上文，提供了用于确定修改的FFR值的系统和方法。尽管本文仅描述了根据本发明的一些实施例，但是应当理解，仅通过图式和实例且非限制性的方式呈现所述实施例。在不脱离本发明的精神和范围的情况下，可以在形式和细节上进行各种改变。此外，本文所论述的每一实施例以及本文引用的每一参考的每一特征可以与任何其它实施例的特征组合使用。举例来说，且非限制性地，描述网络模型600的使用的实施例的任何特征可以适当的与描述计算模型700的使用的实施例的任何特征组合。本文所论述的所有专利和公开案以全文引用的方式并入本文中。

Claims (20)

1.一种用于确定修改的血流储备分数值的系统，其包括：
血管造影系统，其配置成接收冠状血管系统的血管造影图像；
血管测量系统，其配置成接收所述冠状血管系统的血流测量值；以及
计算机系统，其包含至少一个处理器，所述处理器配置成执行计算机指令以：
根据所述血管造影图像和所述血流测量值生成冠状血管模型，所述冠状血管模型包含动脉树和描述血流和血压的血流场，
在所述冠状血管模型内识别至少一个感兴趣病变，
根据所述感兴趣病变的去除生成修改的冠状血管模型，且
根据所述冠状血管模型和所述修改的冠状血管模型确定所述感兴趣病变的修改的血流储备分数值。
2.根据权利要求1所述的系统，其中所述至少一个处理器进一步配置成通过生成网络模型来生成所述冠状血管模型，所述网络模型包含网络图且含有关于多个血管分支、多个血管节点、所述多个血管分支内的血压和所述多个血管分支内的血流的信息。
3.根据权利要求1所述的系统，其中所述至少一个处理器进一步配置成通过根据有限元分析方法生成计算模型来生成所述冠状血管模型。
4.根据权利要求1所述的系统，其中所述至少一个处理器进一步配置成通过生成包含修改的血流和修改的血压的修改的血流场来生成所述修改的冠状血管模型，且
其中确定所述修改的血流储备分数值包含根据所述修改的血流确定所述修改的血流储备分数。
5.根据权利要求1所述的系统，其中所述至少一个处理器进一步配置成通过请求来自用户的输入来识别所述感兴趣病变。
6.根据权利要求1所述的系统，其中所述至少一个处理器进一步配置成根据所述血管造影图像识别所述感兴趣病变。
7.根据权利要求1所述的系统，其中所述至少一个处理器进一步配置成根据所述血流测量值识别所述感兴趣病变。
8.根据权利要求1所述的系统，其中所述血管测量系统进一步配置成接收所述感兴趣病变的血流压力分数测量值，且所述至少一个处理器进一步配置成根据所述血流压力分数测量值识别所述感兴趣病变。
9.根据权利要求1所述的系统，其中所述至少一个处理器进一步配置成基于所述修改的血流储备分数值识别用于治疗的病变。
10.根据权利要求1所述的系统，其中所述至少一个处理器进一步配置成根据多个感兴趣病变的去除来生成所述修改的冠状血管模型。
11.一种用于确定修改的血流储备分数值的计算机实施的方法，所述方法将由执行计算机指令的至少一个处理器进行，所述方法包括：
通过血管造影测量系统接收冠状血管系统的血管造影图像；
通过血管测量系统接收所述冠状血管系统的血流测量值；
由所述处理器根据所述血管造影图像和所述血流测量值生成冠状血管模型，所述冠状血管模型包含动脉树和描述血流和血压的血流场；
由所述处理器识别所述冠状血管模型内的至少一个感兴趣病变；
由所述处理器根据所述感兴趣病变的去除生成修改的冠状血管模型，以及
由所述处理器根据所述冠状血管模型和所述修改的冠状血管模型确定所述感兴趣病变的修改的血流储备分数值。
12.根据权利要求11所述的方法，其中生成所述冠状血管模型包含生成网络模型，所述网络模型包含网络图且含有关于多个血管分支、多个血管节点、所述多个血管分支内的血压和所述多个血管分支内的血流的信息。
13.根据权利要求11所述的方法，其中生成所述冠状血管模型包含根据有限元分析方法生成计算模型。
14.根据权利要求11所述的方法，其中
生成所述修改的冠状血管模型包含生成包含修改的血流和修改的血压的修改的血流场，且
确定所述修改的血流储备分数值包含根据所述修改的血流确定所述修改的血流储备分数。
15.根据权利要求11所述的方法，其中所述识别所述感兴趣病变包含请求来自用户的输入。
16.根据权利要求11所述的方法，其中根据所述血管造影图像进行识别所述感兴趣病变。
17.根据权利要求11所述的方法，其中根据所述血流测量值进行识别所述感兴趣病变。
18.根据权利要求11所述的方法，其进一步包括：
接收所述感兴趣病变的血流压力分数测量值；以及
根据所述血流压力分数测量值识别所述感兴趣病变。
19.根据权利要求11所述的方法，其进一步包括基于所述修改的血流储备分数值识别用于治疗的病变。
20.根据权利要求11所述的方法，其中根据多个感兴趣病变的去除来进行生成所述修改的冠状血管模型。
CN202080026488.9A 2019-04-04 2020-04-03 用于确定修改的血流储备分数值的系统和方法 Pending CN113660900A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/375,076 US10861157B2 (en) 2019-04-04 2019-04-04 System and methods for determining modified fractional flow reserve values
US16/375,076 2019-04-04
PCT/US2020/026527 WO2020206214A1 (en) 2019-04-04 2020-04-03 Systems and methods for determining modified fractional flow reserve values

Publications (1)

Publication Number Publication Date
CN113660900A true CN113660900A (zh) 2021-11-16

Family

ID=70779841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080026488.9A Pending CN113660900A (zh) 2019-04-04 2020-04-03 用于确定修改的血流储备分数值的系统和方法

Country Status (4)

Country Link
US (3) US10861157B2 (zh)
EP (1) EP3946025A1 (zh)
CN (1) CN113660900A (zh)
WO (1) WO2020206214A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116172598A (zh) * 2023-02-22 2023-05-30 北京医准智能科技有限公司 一种血流储备分数确定方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103796578A (zh) * 2011-05-11 2014-05-14 阿西斯特医疗系统有限公司 血管内感测方法和系统
US20140200867A1 (en) * 2013-01-15 2014-07-17 Cathworks Ltd Vascular flow assessment
CN107072568A (zh) * 2014-10-24 2017-08-18 美敦力瓦斯科尔勒公司 用于使轮廓和丝应变对传感器的影响最小的微导管传感器设计

Family Cites Families (76)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5501631A (en) * 1994-01-06 1996-03-26 Cummins-Allison Corp. Coin handling device with an improved lubrication system
US7155046B2 (en) 2003-02-12 2006-12-26 Pie Medical Imaging Bv Method of determining physical parameters of bodily structures
WO2006002353A2 (en) 2004-06-23 2006-01-05 Medical Metrix Solutions, Inc Anatomical visualization and measurement system
US7339585B2 (en) 2004-07-19 2008-03-04 Pie Medical Imaging B.V. Method and apparatus for visualization of biological structures with use of 3D position information from segmentation results
US7970187B2 (en) 2005-09-06 2011-06-28 Pie Medical Imaging B.V. Method, apparatus and computer program for contour detection of vessels using x-ray densitometry
US7864997B2 (en) 2006-04-28 2011-01-04 Pie Medical Imaging B.V. Method, apparatus and computer program product for automatic segmenting of cardiac chambers
US8903472B2 (en) 2007-01-23 2014-12-02 Dtherapeutics, Llc Applications of scaling laws of tree structures
US8086000B2 (en) 2007-08-27 2011-12-27 Pie Medical Imaging B.V. Method, apparatus and computer program for quantitative bifurcation analysis on angiographic images
US8155411B2 (en) 2008-07-22 2012-04-10 Pie Medical Imaging B.V. Method, apparatus and computer program for quantitative bifurcation analysis in 3D using multiple 2D angiographic images
US9405886B2 (en) 2009-03-17 2016-08-02 The Board Of Trustees Of The Leland Stanford Junior University Method for determining cardiovascular information
US8527251B2 (en) 2009-05-01 2013-09-03 Siemens Aktiengesellschaft Method and system for multi-component heart and aorta modeling for decision support in cardiac disease
CA2765407C (en) 2009-09-23 2016-06-21 Lightlab Imaging, Inc. Lumen morphology and vascular resistance measurements data collection systems, apparatus and methods
US8315812B2 (en) * 2010-08-12 2012-11-20 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
WO2012028190A1 (en) 2010-09-02 2012-03-08 Pie Medical Imaging Bv Method and apparatus for quantitative analysis of a tree of recursively splitting tubular organs
US9119540B2 (en) 2010-09-16 2015-09-01 Siemens Aktiengesellschaft Method and system for non-invasive assessment of coronary artery disease
EP2525328B1 (en) 2011-05-19 2017-10-18 Pie Medical Imaging BV Method and apparatus for determining optimal projection images
US9974508B2 (en) 2011-09-01 2018-05-22 Ghassan S. Kassab Non-invasive systems and methods for determining fractional flow reserve
EP2570079B1 (en) 2011-09-13 2017-06-14 Pie Medical Imaging BV Method and apparatus for determining optimal 3D reconstruction of an object
US10162932B2 (en) 2011-11-10 2018-12-25 Siemens Healthcare Gmbh Method and system for multi-scale anatomical and functional modeling of coronary circulation
US10034614B2 (en) 2012-02-29 2018-07-31 General Electric Company Fractional flow reserve estimation
US10373700B2 (en) 2012-03-13 2019-08-06 Siemens Healthcare Gmbh Non-invasive functional assessment of coronary artery stenosis including simulation of hyperemia by changing resting microvascular resistance
RU2014150537A (ru) 2012-05-14 2016-07-10 Конинклейке Филипс Н.В. Определение значения фракционного резерва кровотока (ffr) для стеноза сосуда
EP3903672B1 (en) 2012-08-03 2023-11-01 Philips Image Guided Therapy Corporation Devices, systems, and methods for assessing a vessel
EP2709059B1 (en) 2012-09-17 2014-11-05 Pie Medical Imaging BV Method and apparatus for quantitative measurements on sequences of images, particularly angiographic images
EP2900142B1 (en) 2012-09-25 2019-09-04 The Johns Hopkins University A method for estimating flow rates, pressure gradients, coronary flow reserve, and fractional flow reserve from patient specific computed tomography angiogram-based contrast distribution data
US9265473B2 (en) 2012-09-25 2016-02-23 The Johns Hopkins University Method for estimating flow rates and pressure gradients in arterial networks from patient specific computed tomography angiogram-based contrast distribution data
JP6301102B2 (ja) 2012-10-22 2018-03-28 学校法人藤田学園 医用画像診断装置、医用画像処理装置及び医用画像処理プログラム
BR112015010012A2 (pt) 2012-11-06 2017-07-11 Koninklijke Philips Nv método; e sistema
WO2014084377A1 (ja) 2012-11-29 2014-06-05 株式会社 東芝 血流機能検査装置、及び、ｘ線診断装置
WO2014084398A1 (ja) 2012-11-30 2014-06-05 株式会社 東芝 医用画像診断装置
WO2014091339A1 (en) 2012-12-11 2014-06-19 Koninklijke Philips N.V. Method of determining the blood flow through coronary arteries
EP2757528B1 (en) 2013-01-22 2015-06-24 Pie Medical Imaging BV Method and apparatus for tracking objects in a target area of a moving organ
US10052031B2 (en) 2013-03-04 2018-08-21 Siemens Healthcare Gmbh Determining functional severity of stenosis
WO2014170385A1 (en) 2013-04-18 2014-10-23 Koninklijke Philips N.V. Stenosis therapy planning
JP6188434B2 (ja) 2013-06-07 2017-08-30 東芝メディカルシステムズ株式会社 医用画像処理装置および医用画像処理プログラム
RU2016109593A (ru) 2013-08-21 2017-09-26 Конинклейке Филипс Н.В. Устойство сегментации для интерактивной сегментации кровеносных сосудов в данных ангиографического изображения
US9629563B2 (en) 2013-09-04 2017-04-25 Siemens Healthcare Gmbh Method and system for functional assessment of renal artery stenosis from medical images
CN105517492B (zh) 2013-09-06 2019-10-18 皇家飞利浦有限公司 用于处理心脏数据的处理设备
US9700219B2 (en) 2013-10-17 2017-07-11 Siemens Healthcare Gmbh Method and system for machine learning based assessment of fractional flow reserve
EP2873371B1 (en) 2013-11-13 2022-12-21 Pie Medical Imaging BV Method and system for registering intravascular images
US9986938B2 (en) 2014-02-25 2018-06-05 Medis Associated B.V. Method and device for determining a geometrical parameter of a blood vessel
NL2012459B1 (en) 2014-03-18 2016-01-08 Medis Ass B V Method and device for determining deviation in pressure in a blood vessel.
CN106537392B (zh) 2014-04-22 2019-07-26 西门子保健有限责任公司 用于冠状动脉中的血液动力学计算的方法和系统
CN106659399B (zh) 2014-05-05 2020-06-16 西门子保健有限责任公司 使用患病和假想正常解剖学模型中的流计算的冠状动脉狭窄的非侵入功能评价的方法和系统
US20150323638A1 (en) 2014-05-12 2015-11-12 Cedars-Sinai Medical Center Non-invasive quantification of coronary artery fractional flow reserve using mri
US10206587B2 (en) 2014-05-16 2019-02-19 Toshiba Medical Systems Corporation Image processing apparatus, image processing method, and storage medium
US20150348260A1 (en) 2014-05-29 2015-12-03 Siemens Aktiengesellschaft System and Method for Mapping Patient Data from One Physiological State to Another Physiological State
US9747525B2 (en) 2014-06-16 2017-08-29 Siemens Healthcare Gmbh Method and system for improved hemodynamic computation in coronary arteries
US10130266B2 (en) 2014-06-30 2018-11-20 Siemens Healthcare Gmbh Method and system for prediction of post-stenting hemodynamic metrics for treatment planning of arterial stenosis
JP6553099B2 (ja) 2014-06-30 2019-07-31 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 血流予備量比値を算出するための機器
US9888968B2 (en) 2014-07-22 2018-02-13 Siemens Healthcare Gmbh Method and system for automated therapy planning for arterial stenosis
US10658085B2 (en) * 2014-08-29 2020-05-19 Knu-Industry Coorporation Foundation Method for determining patient-specific blood vessel information
US9349178B1 (en) 2014-11-24 2016-05-24 Siemens Aktiengesellschaft Synthetic data-driven hemodynamic determination in medical imaging
US10595790B2 (en) 2014-12-16 2020-03-24 Siemens Healthcare Gmbh Method and system for personalized non-invasive hemodynamic assessment of renal artery stenosis from medical images
WO2016113646A1 (en) 2015-01-15 2016-07-21 Koninklijke Philips N.V. Ifr-ct
EP3062248A1 (en) 2015-02-27 2016-08-31 Pie Medical Imaging BV Method and apparatus for quantitative flow analysis
EP3086287B1 (en) 2015-04-24 2017-10-11 Pie Medical Imaging BV Flow analysis in 4d mr image data
US11037070B2 (en) 2015-04-29 2021-06-15 Siemens Healthcare Gmbh Diagnostic test planning using machine learning techniques
US10552958B2 (en) * 2015-04-30 2020-02-04 Koninklijke Philips N.V. Fractional flow reserve determination
CN107615335A (zh) 2015-05-12 2018-01-19 新加坡保健服务集团有限公司 医学图象处理方法和系统
US10872698B2 (en) 2015-07-27 2020-12-22 Siemens Healthcare Gmbh Method and system for enhancing medical image-based blood flow computations using physiological measurements
EP3128481B1 (en) 2015-08-04 2019-12-18 Pie Medical Imaging BV Method and apparatus to improve a 3d + time reconstruction
JP6818492B2 (ja) 2015-10-05 2021-01-20 キヤノンメディカルシステムズ株式会社 画像処理装置、画像処理方法、及びプログラム
US10492754B2 (en) 2015-11-20 2019-12-03 International Business Machines Corporation Real-time cloud-based virtual fractional flow reserve estimation
US10278662B2 (en) * 2016-02-05 2019-05-07 Toshiba Medical Systems Corporation Image processing apparatus and medical image diagnostic apparatus
EP3206183A1 (en) 2016-02-11 2017-08-16 Pie Medical Imaging BV Method and apparatus for user guidance for the choice of a two-dimensional angiographic projection
DE102016203860A1 (de) * 2016-03-09 2017-09-14 Siemens Healthcare Gmbh Vorrichtung und Verfahren zum Ermitteln zumindest eines individuellen fluiddynamischen Kennwerts einer Stenose in einem mehrere serielle Stenosen aufweisenden Gefäßsegment
EP3242142A1 (en) 2016-05-02 2017-11-08 Pie Medical Imaging BV A method and apparatus to automatically determine velocity encoding directions
US10674986B2 (en) 2016-05-13 2020-06-09 General Electric Company Methods for personalizing blood flow models
DE102016215976A1 (de) 2016-08-25 2018-03-01 Siemens Healthcare Gmbh Ermittelung einer klinischen Kenngröße mit einer Kombination unterschiedlicher Aufnahmemodalitäten
DE202017106016U1 (de) 2016-10-04 2017-12-07 Toshiba Medical Systems Corporation Medizinische Informationsverarbeitungsvorrichtung, Röntgen-CT-Vorrichtung und computerlesbares Speichermedium mit einem Programm für ein medizinisches Informationsverarbeitungsverfahren
WO2018133118A1 (zh) 2017-01-23 2018-07-26 上海联影医疗科技有限公司 血流状态分析系统及方法
JP6653673B2 (ja) * 2017-02-28 2020-02-26 富士フイルム株式会社 血流解析装置および方法並びにプログラム
US10192640B2 (en) 2017-03-01 2019-01-29 Siemens Healthcare Gmbh Fractional flow reserve decision support system
US10176575B2 (en) 2017-03-24 2019-01-08 Pie Medical Imaging B.V. Method and system for assessing vessel obstruction based on machine learning
EP3403582B1 (en) 2017-05-15 2023-06-07 Pie Medical Imaging BV Method and apparatus for determining blood velocity in x-ray angiography images

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103796578A (zh) * 2011-05-11 2014-05-14 阿西斯特医疗系统有限公司 血管内感测方法和系统
US20140200867A1 (en) * 2013-01-15 2014-07-17 Cathworks Ltd Vascular flow assessment
CN107072568A (zh) * 2014-10-24 2017-08-18 美敦力瓦斯科尔勒公司 用于使轮廓和丝应变对传感器的影响最小的微导管传感器设计

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116172598A (zh) * 2023-02-22 2023-05-30 北京医准智能科技有限公司 一种血流储备分数确定方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
US20210073991A1 (en) 2021-03-11
US20230274434A1 (en) 2023-08-31
US20200320706A1 (en) 2020-10-08
WO2020206214A1 (en) 2020-10-08
US11645754B2 (en) 2023-05-09
EP3946025A1 (en) 2022-02-09
US10861157B2 (en) 2020-12-08

Similar Documents

Publication Publication Date Title
AU2023200986B2 (en) System and methods for estimation of blood flow characteristics using reduced order model and machine learning
CN107427268B (zh) 用于基于纯几何机器学习的血流储备分数的方法和系统
CN108992059B (zh) 用于根据血管几何形状和生理学估计血流特性的系统和方法
Itu et al. Non-invasive hemodynamic assessment of aortic coarctation: validation with in vivo measurements
EP3140757B1 (en) Method and system for non-invasive functional assessment of coronary artery stenosis using flow computations in models based on diseased patients and hypothetical normal anatomical models
EP2977922A2 (en) Method and system for automated therapy planning for arterial stenosis
Brüning et al. Uncertainty quantification for non-invasive assessment of pressure drop across a coarctation of the aorta using CFD
JP2024020363A (ja) ハイブリッドな画像－侵襲性－圧力血行動態機能評価
US20230274434A1 (en) System and methods for determining modified fractional flow reserve values
CN114530252A (zh) 冠状动脉血流动力学模拟仿真方法及装置
Sankaran et al. Physics driven real-time blood flow simulations
US10945613B2 (en) Determining arterial wall property with blood flow model
CN107174264B (zh) 确定流体动力学特征值的装置和方法
Uus Patient-specific blood flow modelling in diagnosis of coronary artery disease
Itu et al. Non-invasive assessment of patient-specific aortic haemodynamics from four-dimensional flow MRI data
CN118203338A (zh) 一种基于分岔分型定律的血流储备分数评估方法及装置
Sankaran et al. Physics driven reduced order model for real time blood flow simulations
KR20160131493A (ko) 조영제 분포의 컴퓨터 시뮬레이션을 통한 관상동맥의 삼차원 모델링 검증 방법
WO2022136688A1 (en) Non-invasive method for determining a vessel damage indicator

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