DE102017203299B4 - System and method for cardioembolic stroke risk prediction based on medical images - Google Patents
System and method for cardioembolic stroke risk prediction based on medical images Download PDFInfo
- Publication number
- DE102017203299B4 DE102017203299B4 DE102017203299.5A DE102017203299A DE102017203299B4 DE 102017203299 B4 DE102017203299 B4 DE 102017203299B4 DE 102017203299 A DE102017203299 A DE 102017203299A DE 102017203299 B4 DE102017203299 B4 DE 102017203299B4
- Authority
- DE
- Germany
- Prior art keywords
- laa
- patient
- measurements
- image data
- medical image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 206010014498 Embolic stroke Diseases 0.000 title description 8
- 210000005248 left atrial appendage Anatomy 0.000 claims abstract description 233
- 210000005246 left atrium Anatomy 0.000 claims abstract description 156
- 238000005259 measurement Methods 0.000 claims abstract description 115
- 238000010801 machine learning Methods 0.000 claims abstract description 64
- 208000006011 Stroke Diseases 0.000 claims abstract description 43
- 230000004217 heart function Effects 0.000 claims abstract description 41
- 238000005094 computer simulation Methods 0.000 claims abstract description 14
- 230000000004 hemodynamic effect Effects 0.000 claims description 60
- 238000004364 calculation method Methods 0.000 claims description 58
- 230000017531 blood circulation Effects 0.000 claims description 56
- 230000001746 atrial effect Effects 0.000 claims description 26
- 210000002837 heart atrium Anatomy 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 11
- 230000010355 oscillation Effects 0.000 claims description 11
- 230000001537 neural effect Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000036772 blood pressure Effects 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 5
- 230000003534 oscillatory effect Effects 0.000 claims description 2
- 238000002001 electrophysiology Methods 0.000 description 73
- 230000007831 electrophysiology Effects 0.000 description 73
- 210000001519 tissue Anatomy 0.000 description 20
- 238000002565 electrocardiography Methods 0.000 description 18
- 230000000747 cardiac effect Effects 0.000 description 17
- 238000011161 development Methods 0.000 description 16
- 230000018109 developmental process Effects 0.000 description 16
- 210000002216 heart Anatomy 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000002604 ultrasonography Methods 0.000 description 13
- 206010003658 Atrial Fibrillation Diseases 0.000 description 11
- 239000000835 fiber Substances 0.000 description 11
- 239000008280 blood Substances 0.000 description 9
- 210000004369 blood Anatomy 0.000 description 9
- 238000002595 magnetic resonance imaging Methods 0.000 description 9
- 231100000241 scar Toxicity 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 9
- 208000032382 Ischaemic stroke Diseases 0.000 description 8
- 230000015654 memory Effects 0.000 description 8
- 230000036982 action potential Effects 0.000 description 7
- 230000004913 activation Effects 0.000 description 7
- 238000009792 diffusion process Methods 0.000 description 6
- 208000007536 Thrombosis Diseases 0.000 description 5
- 210000003484 anatomy Anatomy 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 5
- 239000012530 fluid Substances 0.000 description 5
- 230000000302 ischemic effect Effects 0.000 description 5
- 210000003492 pulmonary vein Anatomy 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 206010003662 Atrial flutter Diseases 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000011282 treatment Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 206010003668 atrial tachycardia Diseases 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 210000004165 myocardium Anatomy 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 210000005245 right atrium Anatomy 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000002861 ventricular Effects 0.000 description 3
- 208000032544 Cicatrix Diseases 0.000 description 2
- 206010003119 arrhythmia Diseases 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 239000000090 biomarker Substances 0.000 description 2
- 210000005242 cardiac chamber Anatomy 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003073 embolic effect Effects 0.000 description 2
- 230000002008 hemorrhagic effect Effects 0.000 description 2
- 238000001727 in vivo Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000005240 left ventricle Anatomy 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000028161 membrane depolarization Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000037387 scars Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002269 spontaneous effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 241000282465 Canis Species 0.000 description 1
- 206010016654 Fibrosis Diseases 0.000 description 1
- 208000010496 Heart Arrest Diseases 0.000 description 1
- 208000035211 Heart Murmurs Diseases 0.000 description 1
- 102000004310 Ion Channels Human genes 0.000 description 1
- 206010040639 Sick sinus syndrome Diseases 0.000 description 1
- 206010043647 Thrombotic Stroke Diseases 0.000 description 1
- 238000010317 ablation therapy Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 208000016448 atrial septal aneurysm Diseases 0.000 description 1
- 238000002555 auscultation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000004375 bundle of his Anatomy 0.000 description 1
- 230000009426 cardioembolic effect Effects 0.000 description 1
- 230000007248 cellular mechanism Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 210000001174 endocardium Anatomy 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000004761 fibrosis Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000003102 growth factor Substances 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 208000017972 multifocal atrial tachycardia Diseases 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000000718 qrs complex Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000036279 refractory period Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 238000004441 surface measurement Methods 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 230000001732 thrombotic effect Effects 0.000 description 1
- 238000011277 treatment modality Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
- G06T2207/10136—3D ultrasound image
-
- 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
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/441—AI-based methods, deep learning or artificial neural networks
Abstract
Verfahren zur Schlaganfall-Risikovorhersage auf der Basis von medizinischen Bildern, umfassend:Extrahieren von Messungen am linken Atrium (LA) und linken Atriumsanhang (LAA) aus medizinischen Bilddaten eines Patienten;Berechnen von abgeleiteten Metriken für das LA und LAA des Patienten unter Verwendung eines patientenspezifischen Berechnungsmodells der Herzfunktion auf der Basis der Messungen des LA und LAA, die aus den medizinischen Bilddaten des Patienten extrahiert (104) wurden; undBerechnen einer Schlaganfallrisikoeinstufung für den Patienten auf der Basis der extrahierten LA- und LAA-Messungen und der berechneten (106) abgeleiteten Metriken für das LA und LAA des Patienten unter Verwendung eines Klassifikators, der auf dem trainierten maschinellen Lernen basiert, wobei die extrahierten (104) LA- und LAA-Messungen und die berechneten (106) abgeleiteten Metriken für das LA und LAA als Merkmale in den Klassifikator eingegeben werden, der auf dem trainierten maschinellen Lernen basiert.A method for stroke risk prediction based on medical images, comprising: extracting measurements of the left atrium (LA) and left atrial appendage (LAA) from medical image data of a patient; calculating derived metrics for the patient's LA and LAA using a patient-specific one Computational model of the cardiac function based on the measurements of the LA and LAA extracted (104) from the patient's medical image data; and calculating a stroke risk score for the patient based on the extracted LA and LAA measurements and the calculated (106) derived metrics for the patient's LA and LAA using a classifier based on the trained machine learning, the extracted (104 ) LA and LAA measurements and the calculated (106) derived metrics for the LA and LAA are entered as features into the classifier based on the trained machine learning.
Description
STAND DER TECHNIKSTATE OF THE ART
Die vorliegende Erfindung betrifft die patientenspezifische Schlaganfallrisikovorhersage und spezieller die patientenspezifische kardioembolische Schlaganfallrisikovorhersage auf der Basis von medizinischen Bildern.The present invention relates to patient-specific stroke risk prediction and, more particularly, to patient-specific cardioembolic stroke risk prediction based on medical images.
Der Schlaganfall ist die fünfte führende Todesursache und die führende Ursache der Invalidität von Erwachsenen in den Vereinigten Staaten. Es gibt 2 Arten von Schlaganfällen, hämorrhagische und ischämische, mit annähernd 13 % der Schlaganfälle, die hämorrhagisch sind, und 87 %, die ischämisch sind. Ischämische Schlaganfälle können wiederum embolisch (-20 %) oder thrombotisch (-80 %) vom Typ sein. Bei einem embolischen Schlaganfall bildet sich ein Blutklumpen oder ein Plaquefragment im Körper (üblicherweise im Herzen) und wandert zum Gehirn, wo er ein kleines Gefäß blockiert. Bei einem thrombotischen Schlaganfall bildet sich der Blutklumpen innerhalb einer Arterie, die das Gehirn mit Blut versorgt.Stroke is the fifth leading cause of death and the leading cause of adult disability in the United States. There are 2 types of strokes, hemorrhagic and ischemic, with approximately 13% of strokes being hemorrhagic and 87% being ischemic. Ischemic strokes can in turn be embolic (-20%) or thrombotic (-80%) of the type. In an embolic stroke, a blood clot or fragment of plaque forms in the body (usually in the heart) and travels to the brain, where it blocks a small vessel. In a thrombotic stroke, the blood clot forms inside an artery that supplies blood to the brain.
Embolische Schlaganfälle führen zur Invalidisierung stärker als nichtembolische Schlaganfälle aufgrund des Verschlusses von großen intrakraniellen Arterien und des größeren ischämischen Hirnvolumens. Es ist geschätzt worden, dass 45 bis 50 % der embolischen Schlaganfälle in Herzen mit Vorhofflimmern (Afib) auftreten. Des Weiteren ist geschätzt worden, dass ca. 2,3 bis 3,2 Millionen Menschen mit Afib in den Vereinigten Staaten 2011 betroffen waren, und auf der Basis von epidemiologischen Daten könnten zukünftige Projektionen der Patienten mit Afib 12 Millionen bis 2050 übersteigen.Embolic strokes are more disabling than non-embolic strokes due to the occlusion of large intracranial arteries and larger ischemic brain volume. It has been estimated that 45 to 50% of embolic strokes occur in hearts with atrial fibrillation (Afib). Furthermore, it has been estimated that approximately 2.3-3.2 million people were affected with Afib in the United States in 2011, and based on epidemiological data, future projections of patients with Afib could exceed 12 million by 2050.
Die aktuelle klinische Praxis bezüglich der Risikovorhersage für kardio-embolische Schlaganfallpatienten ist umfangreich und umfasst eine detaillierte Geschichte, körperliche Untersuchung (einschließlich kardialer Auskultation auf Herzgeräusche und Beurteilung in Bezug auf einen unregelmäßigen Herzrhythmus), Neuroimaging, Elektrokardiogramm und Labor-und echokardiografische Daten. Jedoch sind die Gefahrenindizes, die aus solchen Beurteilungen gewonnen werden, begrenzt auf einfachere statistische Indikatoren mit großen Varianzen, normalerweise auf der Basis von klinischen Längsschnittdaten. Es gibt eine Reihe von Nachteilen für dieses Verfahren für die Risikovorhersage, einschließlich der Zeitplastizität (d.h. Ungewissheit) und des großen Bereichs dieser Indizes, sowie einer schwachen/reduzierten Patientenspezifität.Current clinical practice regarding risk prediction for cardiac embolic stroke patients is extensive and includes detailed history, physical examination (including cardiac auscultation for heart murmurs and assessment for an irregular heartbeat), neuroimaging, electrocardiogram, and laboratory and echocardiographic data. However, the hazard indices derived from such assessments are limited to simpler statistical indicators with large variances, usually based on longitudinal clinical data. There are a number of disadvantages to this method of risk prediction, including the time plasticity (i.e. uncertainty) and the large range of these indices, as well as weak / reduced patient specificity.
Aus der
KURZDARSTELLUNG DER ERFINDUNGSUMMARY OF THE INVENTION
Die vorliegende Erfindung liefert ein Verfahren und System zur patientenspezifischen Vorhersage von ischämischen Schlaganfallrisiken. Ausführungsformen der vorliegenden Erfindung liefern eine ischämische Schlaganfallrisikovorhersage auf der Basis einer automatisierten Analyse des linken Atrium-(LA)-Anhangs und des linken Atriumanhangs (LAA).The present invention provides a method and system for patient-specific prediction of ischemic stroke risk. Embodiments of the present invention provide ischemic stroke risk prediction based on automated analysis of the left atrial (LA) appendage and left atrial appendage (LAA).
In einer Ausführungsform der vorliegenden Erfindung werden Messungen des linken Atriums (LA) und des linken Atriumsanhangs (LAA) aus medizinischen Bilddaten eines Patienten extrahiert. Abgeleitete Metriken für das LA und LAA des Patienten werden berechnet unter Verwendung eines patientenspezifischen Berechnungsmodells der Herzfunktion auf der Basis der Messungen des LA und LAA, die aus den medizinischen Bilddaten des Patienten extrahiert werden. Eine Schlaganfallrisikoeinstufung für den Patienten wird auf der Basis der extrahierten LA- und LAA-Messungen und der berechneten abgeleiteten Metriken für das LA und LAA des Patienten unter Verwendung eines Klassifikators berechnet, der auf dem trainierten maschinellen Lernen basiert, wobei die extrahierten LA- und LAA-Messungen und die berechneten abgeleiteten Metriken für das LA und LAA als Merkmale des Klassifikators eingegeben werden, der auf dem trainierten maschinellen Lernen basiert.In one embodiment of the present invention, measurements of the left atrium (LA) and the left atrial appendage (LAA) are extracted from medical image data of a patient. Derived metrics for the patient's LA and LAA are calculated using a patient-specific computation model of cardiac function based on the measurements of the LA and LAA extracted from the patient's medical image data. A stroke risk rating for the patient is calculated based on the extracted LA and LAA measurements and the calculated derived metrics for the LA and LAA of the patient using a classifier based on the trained machine learning, with the extracted LA and LAA Measurements and the calculated derived metrics for the LA and LAA are entered as features of the classifier based on the trained machine learning.
Um die Nachteile zu überwinden, schlägt die Erfindung gemäß einem ersten Aspekt ein Verfahren zur patientenspezifischen Schlaganfallrisikovorhersage auf der Basis von medizinischen Bildern vor, umfassend:In order to overcome the disadvantages, the invention proposes, according to a first aspect, a method for patient-specific stroke risk prediction on the basis of medical images, comprising:
Extrahieren von Messungen am linken Atrium (LA) und linken Atriumsanhang (LAA) aus medizinischen Bilddaten eines Patienten;Extracting measurements on the left atrium (LA) and left atrium appendage (LAA) from medical image data of a patient;
Berechnen von abgeleiteten Metriken für das LA und LAA des Patienten unter Verwendung eines patientenspezifischen Berechnungsmodells der Herzfunktion auf der Basis der Messungen des LA und LAA, die aus den medizinischen Bilddaten des Patienten extrahiert wurden; undComputing derived metrics for the LA and LAA of the patient using a patient-specific computation model of the cardiac function based on the measurements of the LA and LAA extracted from the patient's medical image data; and
Berechnen einer Schlaganfallrisikoeinstufung für den Patienten auf der Basis der extrahierten LA- und LAA-Messungen und der berechneten abgeleiteten Metriken für das LA und LAA des Patienten unter Verwendung eines Klassifikators, der auf dem trainierten maschinellen Lernen basiert, wobei die extrahierten LA- und LAA-Messungen und die berechneten abgeleiteten Metriken für das LA und LAA als Merkmale in den Klassifikator eingegeben werden, der auf dem trainierten maschinellen Lernen basiert.Calculating a stroke risk score for the patient based on the extracted LA and LAA measurements and the calculated derived metrics for the patient's LA and LAA using a classifier based on trained machine learning, with the extracted LA and LAA Measurements and the calculated derived metrics for the LA and LAA are entered as features into the classifier, which is based on the trained machine learning.
Gemäß einer bevorzugten Entwicklung der Erfindung kann ein Verfahren bereitgestellt werden, wobei das Extrahieren der Messungen des linken Atriums (LA) und des linken Atriumsanhangs aus medizinischen Bilddaten eines Patienten umfasst:
- Segmentieren des LA in den medizinischen Bilddaten des Patienten.
- Segmenting the LA in the patient's medical image data.
Das Segmentieren des LA in den medizinischen Bilddaten des Patienten kann umfassen:
- Erzeugen eines 3D-LA-Gitters aus medizinischen 3D-Bilddaten des Patienten.
- Erzeugen eines 3D-LA-Gitters aus medizinischen 3D-Bilddaten des Patienten kann umfassen:
- Segmentierung mehrerer LA-Teile in den medizinischen Bilddaten unter Verwendung eines mehrteiligen Atriummodells; und
- Erzeugen eines konsolidierten LA-Gitters aus den Segmenthirten mehreren Atriumteilen.
- Generation of a 3D LA grid from medical 3D image data of the patient.
- Generating a 3D LA grid from 3D medical image data of the patient can include:
- Segmenting multiple LA parts in the medical image data using a multi-part atrium model; and
- Create a consolidated LA grid from the segment shepherds of several atrium parts.
Gemäß einer bevorzugten Entwicklung der Erfindung kann ein Verfahren bereitgestellt werden, wobei das Segmenttieren des LA in den medizinischen Bilddaten des Patienten umfasst:
- Erzeugen einer Folge von LA-Gittern aus medizinischen 4D (3D + Zeit)-Bilddaten des Patienten.
- Generate a sequence of LA grids from medical 4D (3D + time) image data of the patient.
Gemäß einer bevorzugten Entwicklung der Erfindung kann ein Verfahren bereitgestellt werden, wobei das Extrahieren der Messungen des linken Atriums (LA) und des linken Atriumsanhangs aus medizinischen Bilddaten eines Patienten des Weiteren umfasst:
- Extrahieren eines LA-Volumens, LAA-Volumens und einer Anzahl von LAA-Lappen auf der Basis des segmentierten LA, wobei das LA-Volumen, LAA-Volumen und eine Anzahl von LAA-Lappen als Merkmale in den auf maschinelles Lernen basierten Klassifikators eingegeben werden.
- Extracting an LA volume, LAA volume and a number of LAA lobes based on the segmented LA, with the LA volume, LAA volume and a number of LAA lobes being entered as features into the machine learning based classifier .
Gemäß einer weiteren bevorzugten Entwicklung der Erfindung kann ein Verfahren bereitgestellt werden, wobei das Extrahieren der Messungen des linken Atriums (LA) und des linken Atriumsanhangs aus medizinischen Bilddaten eines Patienten des Weiteren umfasst:
- Extrahieren von hämodynamischen Messungen für das LA und LAA aus den medizinischen Bilddaten des Patienten.
- Extract hemodynamic measurements for the LA and LAA from the patient's medical image data.
Gemäß einer weiteren bevorzugten Entwicklung der Erfindung kann ein Verfahren bereitgestellt werden, wobei das Berechnen von abgeleiteten Metriken für das LA und LAA des Patienten unter Verwendung eines patientenspezifischen Berechnungsmodells der Herzfunktion auf der Basis der LA- und LAA-Messungen, die aus den medizinischen Bilddaten des Patienten extrahiert wurden, umfasst: Simulieren von Blutstrom im LA und LAA unter Verwendung des patientenspezifischen Berechnungsmodells der Herzfunktion; und Berechnen der hämodynamischen Merkmale für das LA und LAA auf der Basis des simulierten Blutstroms im LA und LAA, wobei die hämodynamischen Merkmale in den Klassifikator eingegeben werden, der auf trainiertem maschinellem Lernen basiert.According to a further preferred development of the invention, a method can be provided wherein the calculation of derived metrics for the LA and LAA of the patient using a patient-specific calculation model of the heart function on the basis of the LA and LAA measurements obtained from the medical image data of the Patients extracted includes: simulating blood flow in the LA and LAA using the patient-specific computation model of cardiac function; and calculating the hemodynamic features for the LA and LAA based on the simulated blood flow in the LA and LAA, the hemodynamic features being input into the classifier based on trained machine learning.
Gemäß einer weiteren bevorzugten Entwicklung der Erfindung kann ein Verfahren bereitgestellt werden, wobei das Berechnen der hämodynamischen Merkmale für das LA und LAA, das auf dem simulierten Blutstrom im LA und LAA basiert, umfasst:
- Berechnen von abgeleiteten hämodynamischen Parametern für mindestens mehrere Orte im LAA, das auf dem simulierten Blutstrom im LA und LAA basiert, wobei die abgeleiteten hämodynamischen Parameter ein oder mehrere Elemente aus der relativen Verweilzeit (RRT), Energieverlust, Druckverlustkoeffizient,
- Wandschubspannung (WSS) oder Oszillationsindex (OSI) enthalten.
- Das Berechnen von hämodynamischen Merkmalen für das LA und LAA auf der Basis des simulierten Blutstroms im LA und LAA kann umfassen:
- Berechnen für mindestens mehrere Orte im LAA, eine statistische Kennzeichnung von mindestens einem Element aus Blutströmungsgeschwindigkeit oder Druck, auf der Basis des simulierten Blutstroms im LA und LAA.
- Das Berechnen von abgeleiteten Metriken für das LA und LAA des Patienten unter Verwendung eines patientenspezifischen Berechnungsmodells der Herzfunktion auf der Basis der Messungen des LA und LAA, die aus den medizinischen Bilddaten des Patienten extrahiert wurden, kann ferner umfassen:
- Simulieren der elektrischen Signalausbreitung im LA unter Verwendung des patientenspezifischen Berechnungsmodell der Herzfunktion; und
- Berechnen von elektrophysiologischen Merkmalen für das LA und LAA aus der simulierten elektrischen Signalausbreitung im LA, wobei die berechneten elektrophysiologischen Merkmale als Merkmale in den Klassifikator eingegeben werden, der auf dem maschinellen Lernen basiert.
- Calculation of derived hemodynamic parameters for at least several locations in the LAA, which is based on the simulated blood flow in the LA and LAA, the derived hemodynamic parameters being one or more elements from the relative residence time (RRT), energy loss, pressure loss coefficient,
- Wall shear stress (WSS) or oscillation index (OSI) included.
- Computing hemodynamic features for the LA and LAA based on the simulated blood flow in the LA and LAA can include:
- Calculation for at least several locations in the LAA, a statistical identification of at least one element from blood flow velocity or pressure, on the basis of the simulated blood flow in the LA and LAA.
- Computing derived metrics for the patient's LA and LAA using a patient-specific computation model of cardiac function based on the measurements of the LA and LAA extracted from the patient's medical image data may further include:
- Simulate electrical signal propagation in the LA using the patient-specific calculation model of the heart function; and
- Calculating electrophysiological features for the LA and LAA from the simulated electrical signal propagation in the LA, the calculated electrophysiological features being entered as features into the classifier, which is based on machine learning.
Gemäß einer weiteren bevorzugten Entwicklung der Erfindung kann ein Verfahren bereitgestellt werden, wobei die extrahierten LA- und LAA-Messungen, die als Merkmale in den Klassifikator eingegeben gegeben werden, der auf dem maschinellen Lernen basiert, die das LA-Volumen, LAA-Volumen und die Anzahl der LAA-Lappen umfassen, und die berechneten abgeleiteten Metriken, die als Merkmale in den Klassifikator eingegeben werden, der auf dem maschinellen Lernen basiert, umfassen ein oder mehrere Elemente aus der relativen Verweilzeit (RRT), Energieverlust, Druckverlustkoeffizient, Wandschubspannung (WSS), Oszillationsindex (OSI), mittlerer Blutströmungsgeschwindigkeit oder mittlerem Blutdruck, an einem oder mehreren Punkten im LA und LAA.According to a further preferred development of the invention, a method can be provided, wherein the extracted LA and LAA measurements, which are input as features into the classifier, which is based on machine learning, the LA volume, LAA volume and include the number of LAA lobes, and the calculated derived metrics that are entered as features into the classifier based on machine learning include one or more items from Relative Residence Time (RRT), Energy Loss, Pressure Loss Coefficient, Wall Shear Stress (WSS ), Oscillation Index (OSI), mean blood flow velocity or mean blood pressure, at one or more points in the LA and LAA.
Gemäß einer weiteren bevorzugten Entwicklung der Erfindung kann ein Verfahren bereitgestellt werden, wobei das Berechnen einer Schlaganfallrisikoeinstufung des Patienten, die auf den extrahierten LA- und LAA-Messungen und der berechneten abgeleiteten Metriken für das LA und LAA des Patienten basiert, wobei ein Klassifikator verwendet wird, der auf dem maschinellen Lernen basiert, umfasst:
- Berechnen der Schlaganfallrisikoeinstufung des Patienten auf der Basis der extrahierten LA- und LAA-Messungen und der berechneten abgeleiteten Metriken für das LA und LAA des Patienten unter Verwendung eines trainierten tiefen neuronalen Gitters.
- Calculating the patient's stroke risk score based on the extracted LA and LAA measurements and the calculated derived metrics for the patient's LA and LAA using a trained deep neural grid.
Um die Nachteile zu überwinden, schlägt die Erfindung gemäß einem zweiten Aspekt eine Vorrichtung zur patientenspezifischen Schlaganfallrisikovorhersage auf der Basis von medizinischen Bildern vor, umfassend:
- Mittel zum Extrahieren von Messungen am linken Atrium (LA) und linken Atriumsanhang (LAA) aus medizinischen Bilddaten eines Patienten;
- Mittel zum Berechnen von abgeleiteten Metriken für das LA und LAA des Patienten unter Verwendung eines patientenspezifischen Berechnungsmodells der Herzfunktion auf der Basis der Messungen des LA und LAA, die aus den medizinischen Bilddaten des Patienten extrahiert wurden; und Mittel zum Berechnen einer Schlaganfallrisikoeinstufung für den Patienten auf der Basis der extrahierten LA- und LAA-Messungen und der berechneten abgeleiteten Metriken für das LA und LAA des Patienten unter Verwendung eines Klassifikators, der auf dem trainierten maschinellen Lernen basiert, wobei die extrahierten LA- und LAA-Messungen und die berechneten abgeleiteten Metriken für das LA und LAA als Merkmale in den Klassifikator eingegeben werden, der auf dem trainierten maschinellen Lernen basiert.
- Means for extracting measurements on the left atrium (LA) and left atrial appendage (LAA) from medical image data of a patient;
- Means for calculating derived metrics for the patient's LA and LAA using a patient-specific calculation model of cardiac function based on the measurements of the LA and LAA extracted from the patient's medical image data; and means for calculating a stroke risk score for the patient based on the extracted LA and LAA measurements and the calculated derived metrics for the patient's LA and LAA using a classifier based on the trained machine learning, the extracted LA- and LAA measurements and the calculated derived metrics for the LA and LAA are entered as features into the classifier based on the trained machine learning.
Gemäß einer weiteren bevorzugten Entwicklung der Erfindung kann eine Vorrichtung bereitgestellt werden, wobei das Mittel zum Extrahieren der Messungen des linken Atriums (LA) und des linken Atriumsanhangs aus medizinischen Bilddaten eines Patienten umfasst:
- Mittel zum Segmentieren des LA in den medizinischen Bilddaten des Patienten.
- Messungen des linken Atriums (LA) und des linken Atriumsanhangs können als Merkmale in den Klassifikator eingegeben werden, der auf dem trainierten maschinellen Lernen basiert, umfassen ein LA-Volumen, LAA-Volumen und eine Zahl von LAA-Lappen, die auf der Basis des segmentierten LA bestimmt wird.
- Mittel zum Extrahieren von Messungen des linken Atriums (LA) und des linken Atriumsanhangs aus medizinischen Bilddaten eines Patienten können ferner umfassen:
- Mittel zum Extrahieren von hämodynamischen Messungen für das LA und LAA aus den medizinischen Bilddaten des Patienten.
- Means for segmenting the LA in the patient's medical image data.
- Measurements of the left atrium (LA) and left atrial appendage can be entered as features into the classifier, which is based on trained machine learning, include an LA volume, LAA volume, and a number of LAA lobes based on the segmented LA is determined.
- Means for extracting measurements of the left atrium (LA) and the left atrial appendage from medical image data of a patient can further comprise:
- Means for extracting hemodynamic measurements for the LA and LAA from the patient's medical image data.
Gemäß einer weiteren bevorzugten Entwicklung der Erfindung kann eine Vorrichtung bereitgestellt werden, wobei das Mittel zum Berechnen von abgeleiteten Metriken für das LA und LAA des Patienten unter Verwendung eines patientenspezifischen Berechnungsmodells der Herzfunktion auf der Basis der LA-und LAA-Messungen, die aus den medizinischen Bilddaten des Patienten extrahiert wurden, umfasst:
- Mittel zum Simulieren des Blutstroms im LA und LAA unter Verwendung des patientenspezifischen Berechnungsmodells der Herzfunktion; und
- Mittel zum Berechnen von hämodynamischen Merkmalen für das LA und LAA auf der Basis des simulierten Blutstroms im LA und LAA, wobei die hämodynamischen Merkmale in den Klassifikator eingegeben werden, der auf dem trainierten maschinellen Lernen basiert.
- Das Mittel zum Berechnen von hämodynamischen Merkmalen für das LA und LAA auf der Basis des simulierten Blutstroms im LA und LAA kann umfassen:
- Mittel zum Berechnen von abgeleiteten hämodynamischen Parametern für mindestens mehrere Orte im LAA, das auf dem simulierten Blutstrom im LA und LAA basiert, wobei die abgeleiteten hämodynamischen Parameter ein oder mehrere Elemente aus der relativen Verweilzeit (RRT), Energieverlust, Druckverlustkoeffizient, Wandschubspannung (WSS) oder Oszillationsindex (OSI) enthalten.
- Außerdem oder alternativ kann das Mittel zum Berechnen von hämodynamischen Merkmalen für das LA und LAA auf Basis des simulierten Blutstroms im LA und LAA umfassen:
- Mittel zum Berechnen für mindestens mehrere Orte im LAA, eine statistische Kennzeichnung von mindestens einem Element aus Blutströmungsgeschwindigkeit oder Druck, auf der Basis des simulierten Blutstroms im LA und LAA.
- Außerdem oder alternativ kann das Mittel zum Berechnen der abgeleiteten Metriken für das LA und LAA des Patienten unter Verwendung eines patientenspezifischen Berechnungsmodells der Herzfunktion auf der Basis der Messungen des LA und
- LAA, die aus den medizinischen Bilddaten des Patienten extrahiert wurden, ferner umfassen:
- Mittel zum Simulieren der elektrischen Signalausbreitung im LA unter Verwendung des patientenspezifischen Berechnungsmodells der Herzfunktion; und
- Mittel zum Berechnen von elektrophysiologischen Merkmalen für das LA und LAA aus der simulierten elektrischen Signalausbreitung im LA, wobei die berechneten elektrophysiologischen Merkmale als Merkmale in den Klassifikator eingegeben werden, der auf dem maschinellen Lernen basiert.
- Means for simulating the blood flow in the LA and LAA using the patient-specific computation model of the heart function; and
- Means for calculating hemodynamic features for the LA and LAA based on the simulated blood flow in the LA and LAA, the hemodynamic features being input into the classifier which is based on the trained machine learning.
- The means for calculating hemodynamic features for the LA and LAA based on the simulated blood flow in the LA and LAA may include:
- Means for calculating derived hemodynamic parameters for at least several locations in the LAA, which is based on the simulated blood flow in the LA and LAA, the derived hemodynamic parameters being one or more elements from the relative residence time (RRT), energy loss, pressure loss coefficient, wall shear stress (WSS) or oscillation index (OSI).
- Additionally or alternatively, the means for calculating hemodynamic features for the LA and LAA on the basis of the simulated blood flow in the LA and LAA can comprise:
- Means for calculating, for at least several locations in the LAA, a statistical identification of at least one element from blood flow velocity or pressure, on the basis of the simulated blood flow in the LA and LAA.
- In addition or as an alternative, the means for calculating the derived metrics for the LA and LAA of the patient using a patient-specific calculation model of the cardiac function on the basis of the measurements of the LA and
- LAA extracted from the patient's medical image data also include:
- Means for simulating the electrical signal propagation in the LA using the patient-specific calculation model of the heart function; and
- Means for calculating electrophysiological features for the LA and LAA from the simulated electrical signal propagation in the LA, the calculated electrophysiological features being input as features into the classifier which is based on the machine learning.
Gemäß einer weiteren bevorzugten Entwicklung der Erfindung kann eine Vorrichtung bereitgestellt werden, wobei die extrahierten LA- und LAA-Messungen, die als Merkmale in den Klassifikator eingegeben werden, der auf dem maschinellen Lernen basiert, das LA-Volumen, LAA-Volumen und die Anzahl der LAA-Lappen umfassen, und die berechneten abgeleiteten Metriken, die als Merkmale in den Klassifikator eingegeben werden, der auf dem maschinellen Lernen basiert, umfassen ein oder mehrere Elemente aus der relativen Verweilzeit (RRT), Energieverlust, Druckverlustkoeffizient, Wandschubspannung (WSS), Oszillationsindex (OSI), mittlerer Blutströmungsgeschwindigkeit oder mittlerem Blutdruck, an einem oder mehreren Punkten im LA und LAA.According to a further preferred development of the invention, an apparatus can be provided, wherein the extracted LA and LAA measurements, which are input as features into the classifier, which is based on machine learning, the LA volume, LAA volume and the number the LAA flap, and the calculated derived metrics that are entered as features into the classifier based on machine learning include one or more items from Relative Residence Time (RRT), Energy Loss, Pressure Loss Coefficient, Wall Shear Stress (WSS), Oscillation index (OSI), mean blood flow velocity or mean blood pressure, at one or more points in the LA and LAA.
Um die Nachteile zu überwinden, schlägt die Erfindung gemäß einem zweiten Aspekt ein nichtflüchtiges computerlesbares Medium vor, das Computerprogrammanweisungen für die patientenspezifische Schlaganfallrisikovorhersage auf der Basis von medizinischen Bildern speichert, wobei die Computerprogrammanweisungen, wenn sie durch einen Prozessor ausgeführt werden, bewirken, dass der Prozessor Operationen ausführt, die umfassen:
- Extrahieren von Messungen am linken Atrium (LA) und linken Atriumsanhang (LAA) aus medizinischen Bilddaten eines Patienten;
- Berechnen von abgeleiteten Metriken für das LA und LAA des Patienten unter Verwendung eines patientenspezifischen Berechnungsmodells der Herzfunktion auf der Basis der Messungen des LA und LAA, die aus den medizinischen Bilddaten des Patienten extrahiert wurden; und Berechnen einer Schlaganfallrisikoeinstufung für den Patienten auf der Basis der extrahierten LA- und LAA-Messungen und der berechneten abgeleiteten Metriken für das LA und LAA des Patienten unter Verwendung eines Klassifikators, der auf dem trainierten maschinellen Lernen basiert, wobei die extrahierten LA- und LAA-Messungen und die berechneten abgeleiteten Metriken für das LA und LAA als Merkmale in den Klassifikator eingegeben werden, der auf dem trainierten maschinellen Lernen basiert.
- Nichtflüchtiges computerlesbares Medium nach Anspruch 23, wobei das Extrahieren von Messungen des linken Atriums (LA) und des linken Atriumsanhangs aus medizinischen Bilddaten eines Patienten folgendes umfassen kann:
- Segmentieren des LA in den medizinischen Bilddaten des Patienten.
- Extracting measurements on the left atrium (LA) and left atrium appendage (LAA) from medical image data of a patient;
- Computing derived metrics for the LA and LAA of the patient using a patient-specific computation model of the cardiac function based on the measurements of the LA and LAA extracted from the patient's medical image data; and calculating a stroke risk score for the patient based on the extracted LA and LAA measurements and the calculated derived metrics for the patient's LA and LAA using a classifier based on the trained machine learning, the extracted LA and LAA Measurements and the calculated derived metrics for the LA and LAA are entered as features into the classifier, which is based on the trained machine learning.
- The non-transitory computer readable medium of claim 23, wherein extracting left atrial (LA) and left atrial appendage measurements from medical image data of a patient may include:
- Segmenting the LA in the patient's medical image data.
Gemäß einer weiteren bevorzugten Entwicklung der Erfindung kann ein nichtflüchtiges computerlesbares Medium bereitgestellt werden, wobei das Extrahieren der Messungen des linken Atriums (LA) und des linken Atriumsanhangs aus medizinischen Bilddaten eines Patienten des Weiteren umfasst:
- Extrahieren eines LA-Volumens, LAA-Volumens und einer Anzahl von LAA-Lappen auf der Basis des segmentierten LA, wobei das LA-Volumen, LAA-Volumen und eine Anzahl von LAA-Lappen als Merkmale in den auf maschinelles Lernen basierten Klassifikators eingegeben werden.
- Extracting an LA volume, LAA volume and a number of LAA lobes based on the segmented LA, with the LA volume, LAA volume and a number of LAA lobes being entered as features into the machine learning based classifier .
Gemäß einer weiteren bevorzugten Entwicklung der Erfindung kann ein nichtflüchtiges computerlesbares Medium bereitgestellt werden, wobei das Extrahieren der Messungen des linken Atriums (LA) und des linken Atriumsanhangs aus medizinischen Bilddaten eines Patienten des Weiteren umfasst:
- Extrahieren von hämodynamischen Messungen für das LA und LAA aus den medizinischen Bilddaten des Patienten.
- Extract hemodynamic measurements for the LA and LAA from the patient's medical image data.
Gemäß einer weiteren bevorzugten Entwicklung der Erfindung kann ein nichtflüchtiges computerlesbares Medium bereitgestellt werden, wobei das Berechnen von abgeleiteten Metriken für das LA und LAA des Patienten unter Verwendung eines patientenspezifischen Berechnungsmodells der Herzfunktion auf der Basis der LA- und LAA-Messungen, die aus den medizinischen Bilddaten des Patienten extrahiert worden, umfasst:
- Simulieren der Blutströmung im LA und LAA unter Verwendung des patientenspezifischen Berechnungsmodells der Herzfunktion; und
- Berechnungen von thermodynamischen Merkmalen für das LA und LAA auf der Basis des simulierten Blutstroms im LA und LAA, wobei die hämodynamischen Merkmale in den Klassifikator, der auf dem trainierten maschinellen Lernen basiert, eingegeben werden.
- Das Berechnen von hämodynamischen Merkmalen für das LA und LAA auf der Basis des simulierten Blutstroms im LA und LAA kann umfassen:
- Berechnen von abgeleiteten hämodynamischen Parametern für mindestens mehrere Orte im LAA, das auf dem simulierten Blutstrom im LA und LAA basiert, wobei die abgeleiteten hämodynamischen Parameter ein oder mehrere Elemente aus der relativen Verweilzeit (RRT), Energieverlust, Druckverlustkoeffizient,
- Wandschubspannung (WSS) oder Oszillationsindex (OSI) enthalten.
- Das Berechnen von hämodynamischen Merkmalen für das LA und LAA auf der Basis des simulierten Blutstroms im LA und LAA umfasst:
- Das Berechnen für mindestens mehrere Orte im LAA, eine statistische Kennzeichnung von mindestens einem Element aus Blutströmungsgeschwindigkeit oder Druck, kann auf dem simulierten Blutstrom im LA und LAA basieren.
- Außerdem oder alternativ kann das Berechnen der abgeleiteten Metriken für das LA und LAA des Patienten unter Verwendung eines patientenspezifischen Berechnungsmodells der Herzfunktion auf der Basis der Messungen des LA und LAA, die aus den medizinischen Bilddaten des Patienten extrahiert wurden, ferner umfassen:
- Simulieren der elektrischen Signalausbreitung im LA unter Verwendung des patientenspezifischen Berechnungsmodells der Herzfunktion; und
- Berechnen von elektrophysiologischen Merkmalen für das LA und LAA aus der simulierten elektrischen Signalausbreitung im LA, wobei die berechneten elektrophysiologischen Merkmale als Merkmale in den Klassifikator eingegeben werden, der auf dem maschinellen Lernen basiert.
- Simulating the blood flow in the LA and LAA using the patient-specific computation model of the heart function; and
- Calculations of thermodynamic features for the LA and LAA based on the simulated blood flow in the LA and LAA, the hemodynamic features being entered into the classifier, which is based on the trained machine learning.
- Computing hemodynamic features for the LA and LAA based on the simulated blood flow in the LA and LAA can include:
- Calculation of derived hemodynamic parameters for at least several locations in the LAA, which is based on the simulated blood flow in the LA and LAA, the derived hemodynamic parameters being one or more elements from the relative residence time (RRT), energy loss, pressure loss coefficient,
- Wall shear stress (WSS) or oscillation index (OSI) included.
- Computing hemodynamic characteristics for the LA and LAA based on the simulated blood flow in the LA and LAA includes:
- The calculation for at least several locations in the LAA, a statistical identification of at least one element from blood flow velocity or pressure, can be based on the simulated blood flow in the LA and LAA.
- Additionally or alternatively, calculating the derived metrics for the patient's LA and LAA using a patient-specific calculation model of the cardiac function based on the measurements of the LA and LAA extracted from the patient's medical image data may further include:
- Simulating the electrical signal propagation in the LA using the patient-specific calculation model of the heart function; and
- Calculating electrophysiological features for the LA and LAA from the simulated electrical signal propagation in the LA, the calculated electrophysiological features being entered as features into the classifier, which is based on machine learning.
Gemäß einer weiteren bevorzugten Entwicklung der Erfindung kann ein nichtflüchtiges computerlesbares Medium bereitgestellt werden, wobei die extrahierten LA- und LAA-Messungen, die als Merkmale in den Klassifikator eingegeben werden, der auf dem maschinellen Lernen basiert, LA-Volumen, LAA-Volumen und die Anzahl der LAA-Lappen umfassen, und die berechneten abgeleiteten Metriken, die als Merkmale in den Klassifikator eingegeben werden, der auf dem maschinellen Lernen basiert, umfassen ein oder mehrere Elemente aus der relativen Verweilzeit (RRT), Energieverlust, Druckverlustkoeffizient, Wandschubspannung (WSS), Oszillationsindex (OSI), mittleren Blutströmungsgeschwindigkeit oder mittleren Blutdruck, an einem oder mehreren Punkten im LA und LAA.According to a further preferred development of the invention, a non-transitory computer readable medium can be provided, wherein the extracted LA and LAA measurements, which are input as features into the classifier, which is based on machine learning, LA volume, LAA volume and the Include number of LAA lobes, and the calculated derived metrics entered as features into the classifier based on machine learning include one or more items from Relative Residence Time (RRT), Energy Loss, Pressure Loss Coefficient, Wall Shear Stress (WSS) , Oscillation Index (OSI), mean blood flow velocity or mean blood pressure, at one or more points in the LA and LAA.
Gemäß einer weiteren bevorzugten Entwicklung der Erfindung kann ein nichtflüchtiges computerlesbares Medium bereitgestellt werden, wobei das Berechnen einer Schlaganfallrisikoeinstufung des Patienten, die auf den extrahierten LA-und LAA-Messungen und den berechneten abgeleiteten Metriken für das LA und LAA des Patienten basiert, wobei ein Klassifikator verwendet wird, der auf dem trainierten maschinellen Lernen basiert, umfasst:
- Berechnen der Schlaganfallrisikoeinstufung des Patienten auf der Basis der extrahierten LA- und LAA-Messungen und der berechneten abgeleiteten Metriken für das LA und LAA des Patienten unter Verwendung eines trainierten tiefen neuronalen Gitters.
- Calculating the patient's stroke risk score based on the extracted LA and LAA measurements and the calculated derived metrics for the patient's LA and LAA using a trained deep neural grid.
Diese und andere Vorteile der Erfindung werden für Fachleute auf dem Gebiet durch Verweis auf die folgenden detaillierten Beschreibungen und die begleitenden Zeichnungen sichtbar.These and other advantages of the invention will become apparent to those skilled in the art by reference to the following detailed descriptions and accompanying drawings.
FigurenlisteFigure list
-
1 illustriert ein Verfahren zur patientenspezifischen ischämischen Schlaganfallrisikovorhersage auf der Basis von medizinischen Bildern gemäß einer Ausführungsform der vorliegenden Erfindung;1 illustrates a method for patient-specific ischemic stroke risk prediction based on medical images according to an embodiment of the present invention; -
2 illustriert ein beispielhaftes dreieckiges Gitter eines linken Atriums (LA), das aus CT-Daten segmentiert wurde;2 illustrates an exemplary triangular left atrium (LA) grid segmented from CT data; -
3 illustriert ein teilbasiertes Modell des linken Atriums (LA) gemäß einer Ausführungsform der vorliegenden Erfindung;3 illustrates a partially based model of the left atrium (LA) according to an embodiment of the present invention; -
4 illustriert ein Beispiel für simulierten Blutstrom im LA;4th illustrates an example of simulated blood flow in the LA; -
5 illustriert eine beispielhafte Merkmalskarte, in der ein hämodynamisches Merkmalfeld auf der Oberfläche des LA dargestellt wird; und5 illustrates an exemplary feature map depicting a hemodynamic feature field on the surface of the LA; and -
6 ist ein High-level-Blockdiagramm eines Computers, der in der Lage ist, die vorliegende Erfindung zu implementieren.6th Figure 3 is a high-level block diagram of a computer capable of implementing the present invention.
AUSFÜHRLICHE BESCHREIBUNGDETAILED DESCRIPTION
Die vorliegende Erfindung betrifft eine patientenspezifische ischämische Schlaganfallrisikovorhersage auf der Basis einer automatischen Analyse des linken Atriums (LA) und des linken Atriumsanhangs (LAA) in medizinischen Bildern. Ein digitales Bild ist oft aus digitalen Darstellungen von einem oder mehreren Objekten (oder Formen) zusammengesetzt. Die digitale Repräsentation eines Objektes wird oft hierin beschrieben in Bezug auf die Identifizierung und Manipulation der Objekte. Solche Manipulationen sind virtuelle Manipulationen, die im Speicher oder anderen Schaltungen/Hardware eines Computersystems erreicht werden. Dementsprechend versteht es sich, dass Ausführungsformen der vorliegenden Erfindung innerhalb eines Computersystems unter Verwendung von Daten ausgeführt werden können, die im Computersystem gespeichert sind oder durch ein Gitterwerksystem verfügbar sind.The present invention relates to a patient-specific ischemic stroke risk prediction based on an automatic analysis of the left atrium (LA) and the left atrial appendage (LAA) in medical images. A digital image is often composed of digital representations of one or more objects (or shapes). The digital representation of an object is often described herein in terms of identifying and manipulating the objects. Such manipulations are virtual manipulations that are achieved in the memory or other circuits / hardware of a computer system. Accordingly, it will be understood that embodiments of the present invention may be practiced within a computer system using data stored in the computer system or available through a trellis system.
Ausführungen der vorliegenden Erfindung sorgen für eine ischämische Schlaganfallrisikovorhersage für einen Patienten auf der Basis einer automatisierten Analyse des LA und LAA. Während das Vorhofflimmern, Vorhofflattern, die Sinusknoten-Dysfunktion/Asystolie, Arrhythmien, atriale Septumaneurysmen und das Chiari-Gitterwerk alle mit linken atrialen Thromben verbunden sind, wird das LAA als der primäre Ort der Bildung betrachtet. Der Mechanismus für eine solche Bildung beinhaltet die Stagnation von Blut im LAA aufgrund von ineffizientem Blutabgang, verbunden zum Beispiel mit pathologischen Kontraktionsmustern. Ausführungsformen der vorliegenden Erfindung liefern eine patientenspezifische ischämische (kardioembolische) Schlaganfallrisiko-Stratifikation unter Verwendung von Biomarkern, auf der Basis von Merkmalen, die mit dem LAA verbunden sind, sowie „exogenen“ Biomarkern, einschließlich Art der Medikation. Die Merkmale, die mit dem LAA verbunden sind, können morphologische Merkmale, hämodynamische Merkmale und „verborgene“ Variablen umfassen, die durch einen maschinenlernenden Algorithmus festgestellt werden. Ausführungsformen der vorliegenden Erfindung basieren auf der rechnerischen Modellierung, um verschiedene Faktoren aufzudecken, die eine Rolle bei der LAA-Thrombusbildung und dem eventuellen Risiko des embolischen Schlaganfalls spielen. Ausführungsformen der vorliegenden Erfindung nutzen patientenspezifische anatomische und rechnerische Modellierung, um bekannte Risikofaktoren der LAA-Thrombusbildung zu bestimmen, einschließlich der CHADS2-Wertung, LA-Volumen, links-ventrikuläre Ejektionsfraktion (LVEF) und Grad des dichten spontanen Echokontrasts (SEC) sowie neue Faktoren von Interesse, einschließlich Komplexität der LAA-Morphologie (zum Beispiel Anzahl der LAA-Lappen) und relative Verweilzeit (RRT).Embodiments of the present invention provide ischemic stroke risk prediction for a patient based on automated analysis of the LA and LAA. While atrial fibrillation, atrial flutter, sinus node dysfunction / asystole, arrhythmias, atrial septal aneurysms, and the Chiari trellis are all associated with left atrial thrombi, the LAA is considered to be the primary site of formation. The mechanism for such formation involves stagnation of blood in the LAA due to inefficient blood flow associated with, for example, pathological contraction patterns. Embodiments of the present invention provide patient-specific ischemic (cardioembolic) stroke risk stratification using biomarkers based on characteristics associated with the LAA as well as "exogenous" biomarkers, including type of medication. The features associated with the LAA can include morphological features, hemodynamic features, and "hidden" variables that are determined by a machine learning algorithm. Embodiments of the present invention rely on computational modeling to reveal various factors that play a role in LAA thrombus formation and the eventual risk of embolic stroke. Embodiments of the present invention utilize patient-specific anatomical and computational modeling to determine known risk factors for LAA thrombus formation, including CHADS2 score, LA volume, left ventricular ejection fraction (LVEF) and degree of dense spontaneous echo contrast (SEC), as well as novel factors of interest, including complexity of LAA morphology (e.g. number of LAA lobes) and relative residence time (RRT).
In Schritt
In einer vorteilhaften Ausführungsform kann ein anatomisches Modell des LA durch Segmentieren des LA in den medizinischen Bilddaten unter Verwendung eines mehrteiligen Atriumsmodells erzeugt werden.
Sobald die LA-Teile in den medizinischen Bilddaten segmentiert sind, werden sie zu einem konsolidierten Gittermodell kombiniert. Bild (b) von
Eine Faserorientierung für das LA kann auf der Basis historischer Beobachtungen modelliert werden. In einer möglichen Implementierung kann angenommen werden, dass das Vorhofgewebe isotropisch ist und die Ausbreitung in allen Richtungen gleich wahrscheinlich ist. Wenn alternativ in-vivo-Diffusionstensor (DT)-MR-Bilder verfügbar sind, können DT-MR-Bilder der Herzfasern des Patienten direkt auf das anatomische Modell durch Bildregistrierung abgebildet werden. In diesem Fall wird das DT-MR-Bild nichtlinear auf dem medizinischen Bild aufgezeichnet, in dem das LA-Model segmentiert ist. Die resultierende Transformation wird dazu verwendet, das Tensorfeld im DT-MR-Bild in Richtung auf das anatomische Modell zu verformen. The Finite Strain-Modell, dessen Details beschrieben werden in
Die lokale Vorhofwanddicke ist ungleichförmig mit Werten zwischen 0,8 mm und 3 mm. Die regionale Vorhofwanddicke kann aus hochauflösenden MRI-Bildern extrahiert werden, aber es kann zeitaufwendig sein, die Vorhofwanddicke für das ganze Atrium zu extrahieren. Eine alternative Möglichkeit, das Vorhofmodell mit ungleichförmiger Wanddicke zu erzeugen, besteht darin, eine Gitterverdickung vorzunehmen (für die Nichtabtragungsflächen) unter Verwendung der Pegelsatz-Schwellwertbildung aus den Vorhofbildern des Patienten.The local atrial wall thickness is non-uniform with values between 0.8 mm and 3 mm. The regional atrial wall thickness can be extracted from high resolution MRI images, but it can be time consuming to extract the atrial wall thickness for the entire atrium. An alternative way to generate the atrial model with non-uniform wall thickness is to make a grid thickening (for the non-ablated areas) using level set thresholding from the patient's atrial images.
Falls eine Gewebefibrose (zum Beispiel Narbengewebe) in den medizinischen Bildern identifiziert werden kann, wird diese Information ebenfalls in das patientenspezifische anatomische LA-Modell eingebracht. Zum Beispiel kann Narbengewebe und Grenzzonengewebe unter Verwendung von DE-MRI-Bilddaten segmentiert werden. Das anatomische 3D-Modell des LA kann streng auf einem DE-MRI-Bild registriert werden, wobei die Koordinaten des MR-Scanners plus Korrelationen zwischen Bildinformationen im DE-MRI-Bild und dem anatomischen 3D-Bild verwendet werden. Ein Algorithmus zur Minimierung der Erwartung mit vorheriger Überzeugung und räumlicher Regularisierung kann dann eingesetzt werden, um das Narben- und Grenzzonengewebe zu segmentieren. Dieses Verfahren arbeitet an in-vivo-Multimodalbildern und fügt gleitende Beschränkungen hinzu für eine erhöhte Robustheit gegen Rauschen. Gesundes Gewebe und Narbengewebe werden unter Verwendung eines Gaußschen Mischmodells mit zwei Modi modelliert. Wenn eine Dreiklassensegmentierung gegeben ist, werden die Parameter des Mischmodells abgeschätzt, woraus ein Überzeugungswert λ abgeleitet wird. Voxel (Volumenelemente) mit λ <0,5 werden vom Modell abgewiesen und als Grenzzone klassifiziert. Die Grenzzone ist eine Zone, die das Narbengewebe umgibt, welches heilendes Gewebe repräsentiert. Für eine erhöhte Robustheit und Regularität werden Markovsche Random Fields eingesetzt, um Voxel gemäß dem Zustand von benachbarten Voxeln zurückzuweisen. Des Weiteren werden Voxel, die weiter als N mm von der aktuellen Narbenabschätzung entfernt sind, niemals abgelehnt, wobei man annimmt, dass die Grenzzone nur in der Nähe von Narben gefunden werden kann. Ein Graph-Cut-Algorithmus kann verwendet werden, um glatte Zwischenflächen zwischen Gewebearten abzuschätzen. Der Graph-Cut-Algorithmus wird mit einer groben Klassifikation eingeleitet, die unter Verwendung eines k-Mittel-Algorithmus oder eines ähnlichen Algorithmus erhalten wird, und er wird bis zur Konvergenz wiederholt (z.B. wenn die Parameter des Mischmodells sich nicht mehr ändern). Das segmentierte Narbengewebe und die umgebende Grenzzone werden dann auf die volumetrische Gitterrepräsentation des LA übertragen.If tissue fibrosis (for example scar tissue) can be identified in the medical images, this information is also incorporated into the patient-specific anatomical LA model. For example, scar tissue and boundary tissue can be segmented using DE-MRI image data. The anatomical 3D model of the LA can be strictly registered on a DE-MRI image, using the coordinates of the MR scanner plus correlations between image information in the DE-MRI image and the anatomical 3D image. An anticipation minimization algorithm with prior conviction and spatial regularization can then be used to segment the scar and boundary tissue. This method works on in vivo multimodal images and adds sliding constraints for increased robustness against noise. Healthy tissue and scar tissue are modeled using a mixed Gaussian model with two modes. If a three-class segmentation is given, the parameters of the mixed model are estimated, from which a conviction value λ is derived. Voxels (volume elements) with λ <0.5 are rejected by the model and classified as a border zone. The border zone is a zone surrounding the scar tissue, which represents healing tissue. For increased robustness and regularity, Markov random fields are used to reject voxels according to the state of neighboring voxels. Furthermore, voxels further than N mm from the current scar estimate are never rejected, assuming that the boundary zone can only be found in the vicinity of scars. A graph cut algorithm can be used to estimate smooth interfaces between tissue types. The graph cut algorithm is initiated with a rough classification obtained using a k-mean algorithm or a similar algorithm, and it is repeated until convergence (e.g. when the parameters of the blended model no longer change). The segmented scar tissue and the surrounding border zone are then mapped onto the volumetric grid representation of the LA.
Kehrt man zu
Das patientenspezifische EP-Berechnungsmodell ist ein Berechnungsmodell der LA-Elektrophysiologie, die durch Abschätzen der patientenspezifischen Parameter des EP-Berechnungsmodells personalisiert wird, das Gewebeeigenschaften des LA-Gewebes repräsentiert auf der Basis der gemessenen EP-Daten des Patienten. Das patientenspezifische EP-Berechnungsmodell des LA simuliert die elektrische Signalausbreitung im LA. Gemäß einer vorteilhaften Implementierung verwendet das EP-Berechnungsmodell das Lattice-Boltzmann-Verfahren für Elektrophysiologie (LBM-EP), um ein monodomänes Gebirgsmodell über die patientenspezifische LA-Anatomie unter Verwendung eines multizellulären Modells zu lösen. Bei diesem Verfahren wird eine charakteristische Gitterdomäne für Elektrophysiologie-Berechnungen unter Verwendung des patientenspezifischen anatomischen Modells des LA berechnet. Ein kartesisches Gitter, mit gleichförmigem Gitterabstand oder möglicherweise mit ungleichem und räumlich variierendem Abstand, wird zuerst in einem Begrenzungsrechteck erzeugt, das das anatomische Modell des LA umgibt. Der Rasterabstand kann durch den Benutzer definiert werden oder im System festgelegt werden. Eine pegeleingestellte Repräsentation wird dann aus dem patientenspezifischen anatomischen Modell berechnet, wie folgt. Für jeden Knoten x des Gitters wird der kürzeste Abstand bis zum anatomischen Modellgitter berechnet und diesem Knoten zugewiesen. In einer vorteilhaften Ausführungsform werden Knoten innerhalb des Myokards durch positive Abstände definiert, Knoten, die nicht im Myokard liegen, werden durch negative Abstände definiert. Die entgegengesetzte Konvention kann gut ohne eine Modifikation genutzt werden. Knoten am Myokard, Endokard und Picard werden als solche gekennzeichnet, sowie andere Knoten, die zu den anatomischen Vorhofstrukturen gehören, die wichtig für die Leitung der Vorhof-Exzitation sind. Zum Beispiel können die Knoten des patientenspezifischen anatomischen Modells auf dem kategorischen Gitter, das SA, BB, Crista terminalis, Kammmuskeln und Anhängen entspricht, gekennzeichnet werden. Verfügbare Narben und Grenzbereiche werden ebenfalls in der Domäne durch zusätzliche pegeleingestellte Informationen gemeldet, und die Leitfähigkeit für solche Regionen kann auf einen vorgegebenen reduzierten Wert oder auf null eingestellt werden. Die Faserorientierung f(x) wird auf jeden Knoten abgebildet, wobei Rasterungsverfahren verwendet werden, oder sie wird aus den zugeordneten endokardialen und epikardialen Zonen direkt wieder berechnet. Zellmodellparameter, zum Beispiel die ionische Stromleitfähigkeit c(x), werden jedem Knoten x zugewiesen.The patient-specific EP calculation model is a calculation model of LA electrophysiology that is personalized by estimating the patient-specific parameters of the EP calculation model that represents tissue properties of the LA tissue based on the measured EP data of the patient. The patient-specific EP calculation model of the LA simulates the electrical signal propagation in the LA. According to an advantageous implementation, the EP calculation model uses the Lattice-Boltzmann method for electrophysiology (LBM-EP) in order to solve a monodomain mountain model of the patient-specific LA anatomy using a multicellular model. In this method, a characteristic grid domain for electrophysiology calculations is calculated using the patient-specific anatomical model of the LA. A Cartesian grid, with uniform grid spacing or possibly with unequal and spatially varying spacing, is first created in a bounding rectangle that surrounds the anatomical model of the LA. The grid spacing can be defined by the user or set in the system. A level-adjusted representation is then calculated from the patient-specific anatomical model as follows. For each node x of the grid, the shortest distance to the anatomical model grid is calculated and assigned to this node. In an advantageous embodiment, nodes within the myocardium are defined by positive distances, nodes that are not in the myocardium are defined by negative distances. The opposite convention can be used well without modification. Nodes on the myocardium, endocardium, and picardium are identified as such, as are other nodes belonging to the anatomical atrial structures that are important in directing atrial excitation. For example, the nodes of the patient-specific anatomical model can be marked on the categorical grid corresponding to SA, BB, crista terminalis, crest muscles and appendages. Available scars and border areas are also reported in the domain by additional level set information, and the conductivity for such regions can be set to a predetermined reduced value or to zero. The fiber orientation f (x) is mapped onto each node using screening methods, or it is recalculated directly from the associated endocardial and epicardial zones. Cell model parameters, for example ionic conductivity c (x), are assigned to each node x.
Das EP-Berechnungsmodell des LA berechnet das Transmembranpotenzial an jedem Knoten innerhalb des LA unter Verwendung des Lattice-Boltzmann-Verfahrens für Elektrophysiologie (LBM-EP). Das EP-Berechnungsmodell berechnet die Variation des Transmembranpotenzials v(x, t) über der Zeit gemäß der Monodomain-Gleichung:
Die Wahl des Reaktionsterms R(x,i) hängt vom zellulären Modell der kardialen Elektrophysiologie ab, das verwendet wird. Gemäß einer vorteilhaften Ausführungsform der vorliegenden Erfindung kann ein multizelluläres EP-Modell dafür verwendet werden, die EP der Vorhöfe zu modellieren. Um den Effekt von Nichthomogenität des Gewebes der atrialen EP zu beschreiben, können die kartesischen Knoten in der Berechnungsdomäne des LBM-EP-Lösers, der zu den verschiedenen anatomischen Vorhofstrukturen gehört, gekennzeichnet werden und mit verschiedenen zellulären Modellen und/oder elektrischen Leitfähigkeitswerten festgesetzt werden. In einer beispielhaften Implementierung kann das menschliche Courtemanche-Ramirez-Nattel (CRN)-Vorhofzellmodell, das in
Gleichung (1) wird unter Verwendung des Lattice-Boltzmann-Verfahrens für Elektrophysiologie gelöst, das hierin als LBM-EP bezeichnet wird. LBM-EP ist ein stark parallelisierbarer Algorithmus zum Lösen von Monodomain-Elektrophysiologie-Gleichungen. Der LBM-EP-Algorithmus wird detaillierter in der
Da das LBM-EP-Verfahren vollständig auf Knoten ausgerichtet ist und die Zeitintegration explizit ist, können die Berechnungen lokal erfolgen, und das Verfahren ist daher leicht an stark parallele Architekturen anzupassen. In einer vorteilhaften Ausführungsform kann das Verfahren in einer oder mehreren Allzweck-Grafikverarbeitungseinheiten (GPGPU) implementiert werden, was eine nahezu Echtzeit- und genaue kardiale Elektrophysiologie-Berechnung während der Maßnahme ermöglicht. In dieser Ausführungsform kann dieses Verfahren optimiert werden, um vollen Nutzen aus der Berechnungsleistung von GPGPUs zu ziehen. Zum Beispiel kann eine adaptive Berechnungsblock-Aggregation ausgeführt werden, um ein Gleichgewicht zwischen Berechnungsleistung und Speicherbandbreite zu erreichen. Adaptive Zeitschrittverfahren können ebenfalls implementiert werden, um die aktuelle EP-Dynamik zu berücksichtigen, insbesondere in Sinusrhythmusregionen. Zum Beispiel können kleine Zeitschritte verwendet werden, wenn die schnelle Frontausbreitung auftritt, größere Zeitschritte können verwendet werden während der Refraktärzeit, und selbst größere Zeitschritte können während des Depolarisationszustandes verwendet werden. Adaptive Gitterverfeinerungsverfahren können ebenfalls implementiert werden, um den Gesamtberechnungsaufwand bei Anwesenheit von dickwandigen Strukturen (zum Beispiel Ventrikel) und dünnwandigen Strukturen (zum Beispiel Vorhöfe) zu reduzieren. Das Modell kann mit Modellspeichern für größere Flexibilität verknüpft werden.Since the LBM-EP method is completely oriented towards nodes and the time integration is explicit, the calculations can be carried out locally, and the method can therefore easily be adapted to strongly parallel architectures. In an advantageous embodiment, the method can be implemented in one or more general purpose graphics processing units (GPGPU), which enables an almost real-time and accurate cardiac electrophysiology calculation during the procedure. In this embodiment, this method can be optimized to take full advantage of the computing power of GPGPUs. For example, adaptive computation block aggregation can be performed to strike a balance between computation performance and memory bandwidth. Adaptive time step methods can also be implemented to account for the current EP dynamics, especially in sinus rhythm regions. For example, small time steps can be used when the fast front propagation is occurring, larger time steps can be used during the refractory period, and even larger time steps can be used during the depolarization state. Adaptive lattice refinement methods can also be implemented in order to reduce the overall computational effort in the presence of thick-walled structures (e.g. ventricles) and thin-walled structures (e.g. atria). The model can be linked to model memories for greater flexibility.
Das EP-Berechnungsmodell des LA kann mit einem Grenzelementmodell der Potenzialausbreitung in Weichgewebe gekoppelt werden, um ein EKG zu berechnen, das aus der simulierten kardialen Elektrophysiologie resultiert. Dies ermöglicht Körperflächen-EKG-Messungen des Patienten, die auf das Vorhofmodell zur Personalisierung des EP-Berechnungsmodells zurück übertragen werden sollen. Das EP-Berechnungsmodell der Vorhöfe berechnet ein Transmembranpotenzial für jeden Knoten des patientenspezifischen anatomischen Modells in der Berechnungsdomäne bei jedem Zeitschritt. Ein extrazelluläres Potenzial Φe wird bei jedem Knoten der Berechnungsdomäne auf der Basis des Transmembranpotenzials v(x,t) unter Verwendung eines Ausdrucks in geschlossener Form berechnet (Ω definiert die Berechnungsdomäne; |Ω| ist die Zahl von Elementen darin):
Das EP-Berechnungsmodell des LA muss personalisiert werden, um für einen speziellen Patienten prognostisch zu sein. Das EP-Berechnungsmodell des LA wird auf der Basis von EP-Messungen des Patienten personalisiert, wie zum Beispiel invasive kardiale EP-Karten oder Körperoberflächen-Potenzialkarten. In einer beispielhaften Ausführungsform werden Elektrophysiologie-(EP)-Daten des Patienten zuerst mit dem patientenspezifischen anatomischen Modell der Vorhöfe vereinigt. Die EP-Daten des Patienten können invasive kardiale EP-Karten umfassen, die für den Patienten und/oder Körperoberflächen-Potenzialmessungen erfasst werden. Körperoberflächen-Potenzialmessungen sind Messungen von elektrischen Potenzialen am Torso des Patienten und können sich auf Körperoberflächen-Potenzialkarten beziehen, die unter Verwendung des Körperoberflächen-Mapping (BSM) oder EKG-Messungen des Patienten unter Verwendung von EKG-Zuleitungen am Torso des Patienten erfasst wurden (zum Beispiel 12-Leitungs-EKG-Messungen). Invasive kardiale Karten werden invasiv durch Messung von Potenzialen an verschiedenen Punkten im Herzen mit der Zeit erzeugt, zum Beispiel unter Verwendung eines Katheter-Mapping-Systems oder eines Katheter-Korbsystems. Um das EP-Berechnungsmodell unter Verwendung von invasiven kardialen EP-Karten zu personalisieren, werden die kardialen EP-Daten für das patientenspezifische anatomische Modell der Vorhöfe registriert.The LA's EP calculation model must be personalized in order to be prognostic for a specific patient. The EP calculation model of the LA is personalized on the basis of EP measurements of the patient, such as invasive cardiac EP maps or body surface potential maps. In an exemplary embodiment, electrophysiology (EP) data of the patient is first merged with the patient-specific anatomical model of the atria. The patient's EP data may include invasive cardiac EP maps that are captured for the patient and / or body surface potential measurements. Body surface potential measurements are measurements of electrical potentials on the patient's torso and can refer to body surface potential maps that were recorded using body surface mapping (BSM) or EKG measurements of the patient using EKG leads on the patient's torso ( e.g. 12-lead EKG measurements). Invasive cardiac maps are generated invasively by measuring potentials at various points in the heart over time, for example using a catheter mapping system or a catheter basket system. In order to personalize the EP calculation model using invasive cardiac EP maps, the cardiac EP data are registered for the patient-specific anatomical model of the atria.
Um die Körperoberflächen-Potenzialmessungen (zum Beispiel Körperoberflächen-Potenzial Karten, die unter Verwendung von BSM- oder EKG-Messungen erhalten wurden) mit dem patientenspezifischen anatomischen Modell der Vorhöfe zu vereinigen, werden die Körperoberflächen-Messungen auf ein patientenspezifisches Torsomodell abgebildet, das für das patientenspezifische anatomische Modell der Vorhöfe registriert ist. Ein 3D-Bild des Torsos des Patienten kann erfasst werden, z.B. am Beginn der Intervention, und ein trianguliertes Gitter des Torsos des Patienten kann aus dem 3D-Bild unter Verwendung eines Segmentierungsalgorithmus, wie zum Beispiel Graph-Cuts, segmentiert werden. In einem Fall, bei dem 3D-Torsobilder nicht erfasst werden können, können 2D-MRI-Scout-Bilder zum Erzeugen eines Torsomodells verwendet werden. In diesem Fall können die Konturen des sichtbaren Torsos in den 2D-Scout-Bildern automatisch extrahiert werden, z.B. unter Verwendung von Graph-Cuts. Ein gespeicherter 3D-Torsoatlas kann dann auf der Basis der 2D-Scout-Bilder unter Verwendung einer affinen Transformation registriert werden, um die Torso-Konturen anzupassen, die aus den 2D-Scout-Bildern extrahiert wurden. Dieser Registrierungsalgorithmus unterstützt die Scout-Bild-Positionen (axial, sagittal und koronar) für erhöhte Robustheit und minimiert die Gefahren von lokalen Minima. Sobald der Torso modelliert ist, kann das patientenspezifische anatomische Modell automatisch für das Herzmodell unter Verwendung der Scannerkoordinaten registriert werden. Leitungspositionen, von denen aus die Körperoberflächen-Potenziale gemessen wurden, werden auf das Torsomodell abgebildet. Zum Beispiel können die Leitungspositionen automatisch oder unter Verwendung von benutzerdefinierten Marksteinen abgebildet werden. Die Körperoberflächen-Potenzialmessungen können dann auf das patientenspezifische anatomische Modell des Torsos rückprojiziert werden.In order to combine the body surface potential measurements (e.g. body surface potential maps obtained using BSM or EKG measurements) with the patient-specific anatomical model of the atria, the body surface measurements are mapped onto a patient-specific torso model that is used for the patient-specific anatomical model of the atria is registered. A 3D image of the patient's torso can be captured, e.g., at the start of the intervention, and a triangulated grid of the patient's torso can be segmented from the 3D image using a segmentation algorithm such as graph cuts. In a case where 3D torso images cannot be captured, 2D MRI scout images can be used to create a torso model. In this case, the contours of the visible torso in the 2D scout images can be extracted automatically, e.g. using graph cuts. A stored 3D torso atlas can then be registered based on the 2D scout images using an affine transformation to fit the torso contours extracted from the 2D scout images. This registration algorithm supports the scout image positions (axial, sagittal and coronal) for increased robustness and minimizes the dangers of local minima. Once the torso is modeled, the patient-specific anatomical model can be automatically registered for the heart model using the scanner coordinates. Line positions from which the body surface potentials were measured are mapped onto the torso model. For example, the lead positions can be mapped automatically or using custom landmarks. The body surface potential measurements can then be back-projected onto the patient-specific anatomical model of the torso.
Sobald das patientenspezifische Torsomodell für das patientenspezifische anatomische Modell der Vorhöfe registriert ist, kann ein elektrisches Modell der Diffusion im Torso dazu verwendet werden, die Kopplungsbeziehung zwischen dem Herzen und dem Torso zu beschreiben. Wie oben beschrieben, können elektrische Potenziale auf dem Torso aus kardialen Potenzialen zuerst durch Schließen von extrazellulären Potenzialen aus Transmembranpotenzialen auf dem Vorhof und dann durch Lösen einer Poisson-Gleichung unter Verwendung des Grenzelementverfahrens (BEM) berechnet werden. Die elektrische Kopplung zwischen dem Herz-Gitter und dem Torso-Gitter kann durch die lineare Beziehung ∀t, Yt = T * Xt modelliert werden, wobei Xt(x) die extrazellulären Potenziale auf dem Epikard bezeichnet, Yt(x) bezeichnet die Torsopotenziale und T ist die Kopplungsmatrix, die durch Grenzelement-Diskretisierung der Herz-Torso-Geometrie und Lösen der Poisson-Gleichung für elektrische Potenziale erhalten wird.Once the patient-specific torso model is registered with the patient-specific anatomical model of the atria, an electrical model of the diffusion in the torso can be used to describe the coupling relationship between the heart and the torso. As described above, electrical potentials on the torso can be calculated from cardiac potentials by first inferring extracellular potentials from transmembrane potentials on the atrium and then solving Poisson's equation using the Boundary Element Method (BEM). The electrical coupling between the heart grid and the torso grid can be modeled by the linear relationship ∀ t , Y t = T * X t , where X t (x) denotes the extracellular potentials on the epicardium, Y t (x) denotes the torso potentials and T is the coupling matrix created by boundary element discretization the heart-torso geometry and solving Poisson's equation for electrical potentials.
Die EP-Messungen des Patienten werden dazu verwendet, die elektrischen Leitfähigkeitswerte und Multizell-Modellparameter an den Knoten der Berechnungsdomäne zu personalisieren. Für ein detailliertes Multizellmodell, das spezifisch für die Vorhöfe ist, wie zum Beispiel das CRN-Vorhofzellmodell, das 35 Parameter hat, kann ein Modellreduktionsansatz verwendet werden, um die Berechnungskosten und die Anzahl der Modellparameter zu reduzieren. Zum Beispiel kann ein reduziertes Modell konstruiert werden durch Aktionspotenzial-(AP)-Mannigfaltigkeitslernen, um die Anzahl der Modellparameter zu reduzieren, gefolgt vom Lernen eines Regressionsmodells, um die Parameter im reduzierten AP-Manifold vorherzusagen. Das beschleunigt das Personalisierungsverfahren, denn je mehr Parameter abgeschätzt werden sollen, desto größer ist die Zahl der Iterationen, die für den Vorwärts-Solver benötigt werden.The patient's EP measurements are used to personalize the electrical conductivity values and multicell model parameters at the nodes of the computational domain. For a detailed multicell model that is specific to the atria, such as the CRN atrial cell model, which has 35 parameters, a model reduction approach can be used to reduce the computation costs and the number of model parameters. For example, a reduced model can be constructed by action potential (AP) manifold learning to reduce the number of model parameters, followed by learning a regression model to predict the parameters in the reduced AP manifold. This speeds up the personalization process, because the more parameters to be estimated, the greater the number of iterations that are required for the forward solver.
In einer Ausführungsform kann die Personalisierung des EP-Berechnungsmodells unter Verwendung eines inversen Problemansatzes ausgeführt werden, der auf einem Vergleich der simulierten EP-Daten, die durch Ausführung von Simulationen unter Verwendung des EP-Berechnungsmodells erzeugt wurden, und den EP-Messungen des Patienten basiert. Insbesondere kann die Personalisierung als Optimierungsproblem mit dem Ziel formuliert werden, die punktweise Differenz zwischen den berechneten (simulierten) Aktivierungszeiten bei Verwendung des EP-Berechnungsmodells und den Aktivierungszeiten in den gemessenen EP-Daten des Patienten über alle Knoten der Berechnungsdomäne (d.h. über alle Knoten des patientenspezifischen anatomischen Modells der Vorhöfe) zu minimieren. Für eine verstärkte Konvergenz der Abschätzung und Robustheit über lokalen Minima kann eine Strategie grob-zu-fein eingesetzt werden. In der Strategie grob-zu-fein wird zuerst ein Parameterwert (zum Beispiel elektrische Leitfähigkeit c) für das ganze LA geschätzt. Flächen mit größeren Fehlern werden dann partitioniert, und es wird ein Parameterwert pro Partition geschätzt, initialisiert für den Wert des vorhergehenden Schrittes. Dann wird das Verfahren wiederholt, bis Konvergenz erreicht ist.In one embodiment, personalization of the EP computation model may be performed using an inverse problem approach based on a comparison of the simulated EP data generated by performing simulations using the EP computation model and the patient's EP measurements . In particular, personalization can be formulated as an optimization problem with the aim of determining the point-wise difference between the calculated (simulated) activation times when using the EP calculation model and the activation times in the measured EP data of the patient over all nodes of the calculation domain (i.e. over all nodes of the patient-specific anatomical model of the atria). A coarse-to-fine strategy can be used for an increased convergence of the estimation and robustness over local minima. In the coarse-to-fine strategy, a parameter value (for example electrical conductivity c) is first estimated for the entire LA. Areas with larger errors are then partitioned and one parameter value per partition is estimated, initialized to the value of the previous step. Then the process is repeated until convergence is achieved.
In einer weiteren Ausführungsform können Maschinenlernverfahren genutzt werden, um personalisierte Parameter des EP-Berechnungsmodells des LA auf der Basis der EP-Messungen des Patienten abzuschätzen. In einer Offline-Trainingsstufe wird eine große Datenbank von Aktivierungskarten oder von anderen EP-Messungen erzeugt unter Verwendung des EP-Berechnungsmodells mit unterschiedlichen Parameterwerten. Fortgeschrittene nichtlineare Manifold-Lernverfahren werden genutzt, um eine Regressionsfunktion zu trainieren, und die personalisierten Parameter werden online durch Anwenden der trainierten Regressionsfunktion geschätzt, um die lokalen Werte von elektrischen Leitfähigkeit und Multizell-Modellparametern zurückzuentwickeln, wenn die lokalen Aktivierungskarten der gemessenen EP-Daten des Patienten gegeben sind.In a further embodiment, machine learning methods can be used to estimate personalized parameters of the EP calculation model of the LA on the basis of the EP measurements of the patient. In an offline training stage, a large database of activation maps or other EP measurements is created using the EP calculation model with different parameter values. Advanced nonlinear manifold learning methods are used to train a regression function and the personalized parameters are estimated online by applying the trained regression function to reverse engineer the local values of electrical conductivity and multicell model parameters when the local activation maps of the measured EP data of the Patients are given.
Das Berechnungsmodell der Herzfunktion kann auch das Modellieren des Blutstroms umfassen. Das Modellieren/Simulieren des Blutstroms im LA kann unter Verwendung der Computational Fluid Dynamics (CFD) innerhalb einer Domäne vorgenommen werden, deren Grenze durch das segmentierte LA-Gitter gegeben ist. Die Berechnungsdomäne kann statisch oder dynamisch sein. Für eine statische Domäne können Null-Geschwindigkeits-Grenzbedingungen (was dem Fehlen von Gleiten entspricht) der LA-Wand auferlegt werden. Für eine dynamische Domäne kann die Verbindung zwischen der LA-Wand und der Flüssigkeitsdomäne (Blutstrom) unter Verwendung des Fluid Structure Interaction-(FSI)-Rahmenwerks implementiert werden. Die FSI-Kopplung zwischen der LA-Wand und dem Blutstrom kann unter Verwendung von einseitigem FSI ausgeführt werden, wobei die Bewegung der Wand im Voraus (z.B. auf der Basis der beobachteten Wandbewegung in medizinischen 4D- (3D + Zeit) Bilddaten) für jeden Zeitschritt beschrieben wird, und die rutschfreien Geschwindigkeitsgrenzzustände das Fluid (Blut) zwingen, sich mit der vorgegebenen Wandgeschwindigkeit zu bewegen. Solch ein Verfahren wird in größerem Detail in der
Gemäß einer vorteilhaften Ausführungsform der vorliegenden Erfindung wird das patientenspezifische Berechnungsmodell der Herzfunktion dazu verwendet, eine generative Analyse (d.h. zum Erzeugen von Merkmalen) der Hämodynamik auszuführen, die spezifisch für LA und insbesondere das LAA ist. Dies kann die statistische Charakterisierung (z.B. Mittelwert) der primären hämodynamischen Variablen enthalten, wie zum Beispiel Blutgeschwindigkeit und - druck und/oder abgeleitete Parameter speziell für das LA und/oder LAA. Abgeleitete Parameter beziehen sich auf Parameter oder Indizes, die aus der berechneten/simulierten Hämodynamik berechnet wurden. Beispiele für abgeleitete Parameter/Indizes können sich direkt auf Hämodynamik-Indizes, Energie- oder Druckindizes oder spezifische LAA-Strömungs-Indizes beziehen. Hämodynamik-Indizes können Indizes auf der Basis von Wand-Schubspannungen (WSS) im LA oder in einer möglichen Implementierung nur im LAA umfassen (z.B. zeitlich gemittelt, räumlicher Mittelwert (TASMWSS), zeitlich gemittelt, räumlich maximale WSS, zeitlich gemittelt, räumliches 99. Percentil-WSS), geringe Wandschubfläche (LSA), niedriger Schubkonzentrationsindex (LSCI), niedriger Schubindex (LSI), hohe Schubfläche (HSA), SCI (=TASMWSS in HSA/TASMWSS in LAA), mittlerer, maximaler und 99. Percentil-WSS räumlicher Gradient (WSSG), und/oder mittlerer oszillatorischer Schubindex (OSI). Energie- und druckbezogene Indizes können den Energieverlust im LAA, Druckverlustkoeffizienten im LAA, das kinetische Energieverhältnis (KER) und/oder viskose Dissipationsverhältnis (VDR) umfassen. Andere spezifischere LAA-Strömungsindizes können die relative Verweilzeit (RRT), den Strömungs-Konzentrationsindex (ICI) und/oder die Wirbellänge (VL) umfassen. Die statistische Charakterisierung der primären Hämodynamik-Parameter (z.B. mittlere Geschwindigkeit und/oder mittlerer Druck) und die abgeleiteten Parameter können für jeden Punkt des segmentierten LA-Gitters auf der Basis einer Hämodynamik-Simulation über einen Zeitabschnitt (z.B. einen Herzzyklus) berechnet werden. Solche hämodynamischen Merkmale können dann über die Fläche des segmentierten LA kartiert werden, wie in
Kehrt man zur
Die gemessenen Merkmale, die in den trainierten Klassifikator, der auf dem maschinellen Lernen basiert, eingegeben wurden, können morphologische (anatomische) Merkmale enthalten, einschließlich, ohne darauf beschränkt zu sein, LV-Volumen, LAA-Volumen und die Zahl von LAA-Lappen. Die gemessenen Merkmale können auch Hämodynamik-Messungen enthalten, die aus den medizinischen Bilddaten extrahiert wurden, wie zum Beispiel Geschwindigkeitsmessungen und die Messung einer Ejektionsfraktion des linken Ventrikels (LVEF) und EP-Messungen des Patienten. Der Grad des dichten spontanen Echokontrasts (SEC) kann auch in den medizinischen Bilddaten gemessen und als Merkmal eingegeben werden. Die berechneten Merkmale können simulierte Hämodynamik-Merkmale umfassen, wie zum Beispiel statistische Kennzeichnungen von hämodynamischen Parametern (zum Beispiel Blutgeschwindigkeit und -druck), und abgeleitete Metriken, einschließlich abgeleiteter hämodynamischer Indizes, energie- und druckbezogene Indizes und anderer spezifischere LAA-bezogene Strömungsindizes, oben beschrieben. Jedes der hämodynamischen Merkmale kann für alle Gitterpunkte im LA und für alle Gitterpunkte im LAA eingegeben werden. Die berechneten Merkmale können auch simulierte EP-Merkmale umfassen, wie zum Beispiel elektrische Aktivierungszeit und Aktionspotenzialdauer für alle Punkte im LA oder alle Punkte im LAA, sowie abgeleiteter EP-Merkmale, wie zum Beispiel chaotische Depolarisationsmuster und anhaltende Präsenz von Rotoren, groben Faserwellen, Vorhofflattern und/oder multifokaler atrialer Tachykardie (MAT). Verfahren, die auf dem maschinellen Lernen basieren, wie zum Beispiel tiefes Lernen, können dazu verwendet werden, das Kodieren von „verborgenen“ Parametern zu automatisieren, die mit der Merkmalsliste verbunden sind. Außerdem können herkömmliche klinische Risikofaktoren, wie zum Beispiel der CHADS2-Score, für den Patienten berechnet werden und als Merkmal in den Klassifikator, der auf dem trainierten maschinellen Lernen basiert, eingegeben werden. Alternativ kann der Klassifikator, der auf dem trainierten maschinellen Lernen basiert, eine Risikoeinstufung ohne den herkömmlichen klinischen Risikoscore berechnen, und der Risikoscore, der durch den Klassifikator berechnet wird, der auf dem trainierten maschinellen Lernen basiert, kann mit dem herkömmlichen Risikoscore (zum Beispiel dem CHADS2-Score) kombiniert werden, was zu einem Verbundrisikoscore führt.The measured features entered into the trained machine learning classifier may include morphological (anatomical) features including, but not limited to, LV volume, LAA volume, and the number of LAA lobes . The measured features may also include hemodynamics measurements extracted from the medical image data, such as velocity measurements and left ventricular ejection fraction (LVEF) measurements and EP measurements of the patient. The degree of dense spontaneous echo contrast (SEC) can also be measured in the medical image data and entered as a feature. The calculated features may include simulated hemodynamic features, such as statistical labels of hemodynamic parameters (e.g. blood velocity and pressure), and derived metrics, including derived hemodynamic indices, energy and pressure related indices, and other more specific LAA related flow indices, above described. Each of the hemodynamic features can be used for all grid points in the LA and for all grid points in the LAA. The calculated features can also include simulated EP features, such as electrical activation time and action potential duration for all points in the LA or all points in the LAA, as well as derived EP features, such as chaotic depolarization patterns and persistent presence of rotors, coarse fiber waves, atrial flutter and / or multifocal atrial tachycardia (MAT). Techniques based on machine learning, such as deep learning, can be used to automate the coding of "hidden" parameters associated with the feature list. In addition, conventional clinical risk factors, such as the CHADS2 score, can be calculated for the patient and entered as a feature in the classifier, which is based on the trained machine learning. Alternatively, the classifier based on the trained machine learning can calculate a risk rating without the conventional clinical risk score, and the risk score calculated by the classifier based on the trained machine learning can be calculated with the conventional risk score (for example, the CHADS2 score), which results in a composite risk score.
In einer vorteilhaften Ausführungsform können molekulare Informationen ebenfalls in die Merkmalsliste für die Berechnung des Schlaganfall-Risikoscores auf der Basis des maschinellen Lernens aufgenommen werden. Zum Beispiel kann ein Merkmal hinzugefügt werden, das das Vorhandensein des transformieren Wachstumsfaktors Beta 1 (tgf-beta1) anzeigt, was entsprechend den Dokumenten die Verletzlichkeit gegenüber Afib erhöht. In einer vorteilhaften Ausführungsform können Medikamenteninformationen ebenfalls in die Merkmalsliste für die Berechnung des Schlaganfall-Risikoscores auf der Basis des maschinellen Lernens aufgenommen werden.In an advantageous embodiment, molecular information can also be included in the list of features for calculating the stroke risk score on the basis of machine learning. For example, a feature can be added that indicates the presence of the transformed growth factor beta 1 (tgf-beta1), which according to the documents increases the vulnerability to Afib. In an advantageous embodiment, drug information can also be included in the list of features for calculating the stroke risk score on the basis of machine learning.
In Schritt
In einer Ausführungsform der vorliegenden Erfindung kann das Verfahren von
Die oben beschriebenen Verfahren für die patientenspezifische Vorhersage von ischämischen Schlaganfallrisiken können auf einem Computer implementiert werden unter Verwendung bekannter Computerprozessoren, Arbeitsspeichereinheiten, Speichervorrichtungen, Computer-Software und anderen Komponenten. Ein High-level-Blockdiagramm eines solchen Computers wird in
Die oben beschriebenen Verfahren zur medizinischen Bildsynthese können unter Verwendung von Computern implementiert werden, die in einer Client-Server-Beziehung arbeiten. Typischerweise befinden sich in einem solchen System die Client-Computer fern vom Server-Computer und beeinflussen einander über das Gitterwerk. Die Client-Server-Beziehung kann durch Computerprogramme definiert und gesteuert werden, die auf den jeweiligen Client- und den Server-Computern laufen.The medical image synthesis methods described above can be implemented using computers operating in a client-server relationship. Typically, in such a system, the client computers are remote from the server computer and influence one another via the latticework. The client-server relationship can be defined and controlled by computer programs that run on the respective client and server computers.
Die vorhergehende Ausführliche Beschreibung ist so zu verstehen, dass sie in jeder Hinsicht erläuternd und beispielhaft ist, aber nicht einschränkend, und dass der Geltungsbereich der Erfindung, der hierin offenbart wird, nicht aus der Ausführlichen Beschreibung bestimmt werden kann, sondern vielmehr aus den Ansprüchen, wie sie in vollem Umfang interpretiert werden, der durch die Patentgesetze erlaubt wird. Es versteht sich, dass die Ausführungsformen, die hierin beschrieben und gezeigt werden, nur eine Erläuterung der Prinzipien der vorliegenden Erfindung sind und dass verschiedene Modifizierungen von den Fachleuten auf diesem Gebiet implementiert werden können, ohne vom Geltungsbereich und dem Geist der Erfindung abzuweichen. Fachleute auf diesem Gebiet könnten verschiedene andere Merkmalskombinationen implementieren, ohne vom Geltungsbereich und dem Geist der Erfindung abzuweichen.It is to be understood that the foregoing Detailed Description is to be understood in all respects as illustrative and exemplary, but not restrictive, and that the scope of the invention disclosed herein cannot be determined from the Detailed Description, but rather from the claims, as they are interpreted to the fullest extent permitted by the patent laws. It should be understood that the embodiments described and shown herein are only illustrative of the principles of the present invention and that various modifications can be implemented by those skilled in the art without departing from the scope and spirit of the invention. Those skilled in the art could implement various other combinations of features without departing from the scope and spirit of the invention.
Claims (23)
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662301861P | 2016-03-01 | 2016-03-01 | |
US62/301,861 | 2016-03-01 | ||
US15/424,911 | 2017-02-06 | ||
US15/424,911 US11024404B2 (en) | 2016-03-01 | 2017-02-06 | System and method for medical image based cardio-embolic stroke risk prediction |
Publications (2)
Publication Number | Publication Date |
---|---|
DE102017203299A1 DE102017203299A1 (en) | 2017-09-07 |
DE102017203299B4 true DE102017203299B4 (en) | 2021-09-09 |
Family
ID=59651259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102017203299.5A Active DE102017203299B4 (en) | 2016-03-01 | 2017-03-01 | System and method for cardioembolic stroke risk prediction based on medical images |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107145702B (en) |
DE (1) | DE102017203299B4 (en) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11432875B2 (en) * | 2017-09-28 | 2022-09-06 | Siemens Medical Solutions Usa, Inc. | Left atrial appendage closure guidance in medical imaging |
CN109785430B (en) * | 2019-01-28 | 2023-07-18 | 上海交通大学医学院附属上海儿童医学中心 | Construction method of risk prediction model of postoperative restenosis on TAPVC (graft versus graft) core |
CN110327034B (en) * | 2019-04-15 | 2022-07-15 | 浙江工业大学 | Tachycardia electrocardiogram screening method based on depth feature fusion network |
CN110866914B (en) * | 2019-11-21 | 2023-10-03 | 北京冠生云医疗技术有限公司 | Evaluation method, system, equipment and medium for cerebral aneurysm hemodynamic index |
US11869208B2 (en) * | 2020-03-16 | 2024-01-09 | Taipei Veterans General Hospital | Methods, apparatuses, and computer programs for processing pulmonary vein computed tomography images |
CN111613321A (en) * | 2020-04-16 | 2020-09-01 | 杭州电子科技大学 | Electrocardiogram stroke auxiliary diagnosis method based on dense convolutional neural network |
CN117727458A (en) * | 2024-02-07 | 2024-03-19 | 北斗云方(北京)健康科技有限公司 | BEFAST stroke screening system and method based on online learning |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100040272A1 (en) | 2008-07-29 | 2010-02-18 | Siemens Corporate Research, Inc. | Method and System for Left Ventricle Detection in 2D Magnetic Resonance Images |
US7916919B2 (en) | 2006-09-28 | 2011-03-29 | Siemens Medical Solutions Usa, Inc. | System and method for segmenting chambers of a heart in a three dimensional image |
US20110257545A1 (en) | 2010-04-20 | 2011-10-20 | Suri Jasjit S | Imaging based symptomatic classification and cardiovascular stroke risk score estimation |
US20120022843A1 (en) | 2010-07-21 | 2012-01-26 | Razvan Ioan Ionasec | Method and System for Comprehensive Patient-Specific Modeling of the Heart |
US20130226542A1 (en) | 2012-02-28 | 2013-08-29 | Siemens Corporation | Method and System for Fast Patient-Specific Cardiac Electrophysiology Simulations for Therapy Planning and Guidance |
US8644576B2 (en) | 2011-03-09 | 2014-02-04 | Siemens Aktiengesellschaft | Method and system for multi-part left atrium segmentation in C-arm computed tomography volumes using shape constraints |
US8724881B2 (en) | 2011-11-09 | 2014-05-13 | Siemens Aktiengesellschaft | Method and system for precise segmentation of the left atrium in C-arm computed tomography volumes |
US20160058520A1 (en) | 2014-08-28 | 2016-03-03 | Siemens Healthcare Gmbh | System and Method for Patient-Specific Image-Based Simulation of Artial Electrophysiology |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7747047B2 (en) * | 2003-05-07 | 2010-06-29 | Ge Medical Systems Global Technology Company, Llc | Cardiac CT system and method for planning left atrial appendage isolation |
WO2008049125A2 (en) * | 2006-10-19 | 2008-04-24 | Entelos, Inc. | Method and apparatus for modeling atherosclerosis |
US9405996B2 (en) * | 2008-09-18 | 2016-08-02 | Siemens Aktiengesellschaft | Method and system for generating a personalized anatomical heart model |
US20110202486A1 (en) * | 2009-07-21 | 2011-08-18 | Glenn Fung | Healthcare Information Technology System for Predicting Development of Cardiovascular Conditions |
US8560069B2 (en) * | 2010-01-05 | 2013-10-15 | Siemens Medical Solutions Usa, Inc. | System for cardiac arrhythmia detection |
US20140071125A1 (en) * | 2012-09-11 | 2014-03-13 | The Johns Hopkins University | Patient-Specific Segmentation, Analysis, and Modeling from 3-Dimensional Ultrasound Image Data |
US10398386B2 (en) * | 2012-09-12 | 2019-09-03 | Heartflow, Inc. | Systems and methods for estimating blood flow characteristics from vessel geometry and physiology |
-
2017
- 2017-03-01 DE DE102017203299.5A patent/DE102017203299B4/en active Active
- 2017-03-01 CN CN201710116719.5A patent/CN107145702B/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7916919B2 (en) | 2006-09-28 | 2011-03-29 | Siemens Medical Solutions Usa, Inc. | System and method for segmenting chambers of a heart in a three dimensional image |
US20100040272A1 (en) | 2008-07-29 | 2010-02-18 | Siemens Corporate Research, Inc. | Method and System for Left Ventricle Detection in 2D Magnetic Resonance Images |
US20110257545A1 (en) | 2010-04-20 | 2011-10-20 | Suri Jasjit S | Imaging based symptomatic classification and cardiovascular stroke risk score estimation |
US20120022843A1 (en) | 2010-07-21 | 2012-01-26 | Razvan Ioan Ionasec | Method and System for Comprehensive Patient-Specific Modeling of the Heart |
US8682626B2 (en) | 2010-07-21 | 2014-03-25 | Siemens Aktiengesellschaft | Method and system for comprehensive patient-specific modeling of the heart |
US8644576B2 (en) | 2011-03-09 | 2014-02-04 | Siemens Aktiengesellschaft | Method and system for multi-part left atrium segmentation in C-arm computed tomography volumes using shape constraints |
US8724881B2 (en) | 2011-11-09 | 2014-05-13 | Siemens Aktiengesellschaft | Method and system for precise segmentation of the left atrium in C-arm computed tomography volumes |
US20130226542A1 (en) | 2012-02-28 | 2013-08-29 | Siemens Corporation | Method and System for Fast Patient-Specific Cardiac Electrophysiology Simulations for Therapy Planning and Guidance |
US20160058520A1 (en) | 2014-08-28 | 2016-03-03 | Siemens Healthcare Gmbh | System and Method for Patient-Specific Image-Based Simulation of Artial Electrophysiology |
Non-Patent Citations (3)
Title |
---|
Courtemanche et al. beschrieben wird, „lonic Mechanisms Underlying Human Atrial Action Potential Properties: Insights from a Mathematical Model", Am. J. Physiol. 275, H301-H321 (1998) |
Peyrat et al., „A Computational Framework for the Statistical Analysis of Cardiac Diffusion Tensors: Application to a Small Database of Canine Hearts", IEEE TMI, 26(11): 1500-1514, 2007 |
www.wikipedia.de „CHA2DS2-VASc Score" Version vom 19.09.2016 |
Also Published As
Publication number | Publication date |
---|---|
CN107145702A (en) | 2017-09-08 |
CN107145702B (en) | 2022-04-19 |
DE102017203299A1 (en) | 2017-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102017203299B4 (en) | System and method for cardioembolic stroke risk prediction based on medical images | |
US10483005B2 (en) | System and method for characterization of electrical properties of the heart from medical images and body surface potentials | |
US10354758B2 (en) | System and method for patient-specific image-based simulation of atrial electrophysiology | |
Doste et al. | A rule‐based method to model myocardial fiber orientation in cardiac biventricular geometries with outflow tracts | |
US10296707B2 (en) | System and method for patient-specific image-based guidance of cardiac arrhythmia therapies | |
US10241968B2 (en) | System and method for real-time simulation of patient-specific cardiac electrophysiology including the effect of the electrical conduction system of the heart | |
US11664125B2 (en) | System and method for deep learning based cardiac electrophysiology model personalization | |
US11024404B2 (en) | System and method for medical image based cardio-embolic stroke risk prediction | |
US9463072B2 (en) | System and method for patient specific planning and guidance of electrophysiology interventions | |
US9277970B2 (en) | System and method for patient specific planning and guidance of ablative procedures for cardiac arrhythmias | |
US10296809B2 (en) | Method and system for fast patient-specific cardiac electrophysiology simulations for therapy planning and guidance | |
DE112016005886T5 (en) | Computational localization of fibrillation sources | |
US9589379B2 (en) | System and method for visualization of cardiac changes under various pacing conditions | |
US10335238B2 (en) | System and method for non-invasively estimating electrophysiological maps and measurements from cardio-thoracic 3D images and electrocardiography data | |
Harouni et al. | Universal multi-modal deep network for classification and segmentation of medical images | |
Vassilevski et al. | Patient-specific anatomical models in human physiology | |
Prakosa et al. | Cardiac electrophysiological activation pattern estimation from images using a patient-specific database of synthetic image sequences | |
DE102017203313A1 (en) | Method for evaluating a contrast-enhanced magnetic resonance tomographic image of a heart, image processing device, computer program and electronically readable data carrier | |
JPH10323335A (en) | Device and method for diagnosis for electrical phenomenon in heart | |
US20210193291A1 (en) | Machine learning based reconstruction of intracardiac electrical behavior based on electrocardiograms | |
DE102011081987A1 (en) | Method for producing a model of a surface of a cavity wall | |
Smith et al. | Automated torso contour extraction from clinical cardiac MR slices for 3D torso reconstruction | |
Lassige et al. | Comparison of septal defects in 2D and 3D echocardiography using active contour models | |
Pfeifer et al. | Atrial and ventricular myocardium extraction using model-based techniques | |
Weber | Personalizing simulations of the human atria: Intracardiac measurements, tissue conductivities, and cellular electrophysiology |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R082 | Change of representative |
Representative=s name: BALS & VOGEL PATENTANWAELTE PARTG MBB, DE Representative=s name: BALS & VOGEL PATENTANWAELTE, DE |
|
R082 | Change of representative |
Representative=s name: BALS & VOGEL PATENTANWAELTE PARTG MBB, DE Representative=s name: BALS & VOGEL PATENTANWAELTE, DE |
|
R016 | Response to examination communication | ||
R018 | Grant decision by examination section/examining division | ||
R020 | Patent grant now final | ||
R082 | Change of representative |
Representative=s name: BALS & VOGEL PATENTANWAELTE PARTG MBB, DE |
|
R081 | Change of applicant/patentee |
Owner name: SIEMENS HEALTHINEERS AG, DE Free format text: FORMER OWNER: SIEMENS HEALTHCARE GMBH, MUENCHEN, DE |