JP2016500548A - 冠血流予備量比（ｆｆｒ）指標 - Google Patents
冠血流予備量比（ｆｆｒ）指標 Download PDFInfo
- Publication number
- JP2016500548A JP2016500548A JP2015540242A JP2015540242A JP2016500548A JP 2016500548 A JP2016500548 A JP 2016500548A JP 2015540242 A JP2015540242 A JP 2015540242A JP 2015540242 A JP2015540242 A JP 2015540242A JP 2016500548 A JP2016500548 A JP 2016500548A
- Authority
- JP
- Japan
- Prior art keywords
- stenosis
- estimated
- flow rate
- resistance value
- reserve ratio
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 93
- 208000037804 stenosis Diseases 0.000 claims description 93
- 230000036262 stenosis Effects 0.000 claims description 93
- 238000000034 method Methods 0.000 claims description 36
- 239000012530 fluid Substances 0.000 claims description 15
- 210000004204 blood vessel Anatomy 0.000 claims description 14
- 230000036772 blood pressure Effects 0.000 claims description 13
- 210000004351 coronary vessel Anatomy 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000002526 effect on cardiovascular system Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000002966 stenotic effect Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000000747 cardiac effect Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000002107 myocardial effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000002861 ventricular Effects 0.000 claims description 3
- 210000000709 aorta Anatomy 0.000 claims description 2
- 238000013459 approach Methods 0.000 description 15
- 230000005855 radiation Effects 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 5
- 230000008520 organization Effects 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002586 coronary angiography Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 0 C[C@](C1*)C=C*1=C Chemical compound C[C@](C1*)C=C*1=C 0.000 description 1
- 201000000057 Coronary Stenosis Diseases 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 206010057469 Vascular stenosis Diseases 0.000 description 1
- 230000002730 additional effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 210000001627 cerebral artery Anatomy 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 210000001105 femoral artery Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000005259 peripheral blood Anatomy 0.000 description 1
- 239000011886 peripheral blood Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 210000002321 radial artery Anatomy 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
- A61B5/0263—Measuring blood flow using NMR
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1075—Measuring physical dimensions, e.g. size of the entire body or parts thereof for measuring dimensions by non-invasive methods, e.g. for determining thickness of tissue layer
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/507—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for determination of haemodynamic parameters, e.g. perfusion CT
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Physiology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Cardiology (AREA)
- Vascular Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pulmonology (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Hematology (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本願明細書に記載のように、未知のＦＦＲは、特定の抽出された特徴に基づき分類される。さらに、未知のＦＦＲの推定は、特定の抽出された特徴に基づき決定され得る。さらに、信頼区間は、推定ＦＦＲについて決定され得る。別の例では、シミュレーションによりＦＦＲを決定する境界条件が決定される。境界条件は、未知のＦＦＲを分類するために用いることができる。
Description
以下は、概して、冠血流予備量比指標に関し、コンピュータ断層撮影法（computed tomography：ＣＴ）への特定の適用と共に記載される。しかしながら、以下は、Ｘ線、磁気共鳴撮像法（magnetic resonance imaging：ＭＲＩ）及び／又は他の画像化モダリティを含む他の画像化モダリティにも適する。
ＦＦＲは、冠動脈造影法中に行われる圧力測定から計算される冠動脈狭窄の機能的重症度の指標であり、充血状態における（起始部（Ostium）近くの）中心血圧に対して（狭窄の陰にある）抹消血圧として定められる。言い換えると、ＦＦＲ指標は、狭窄の存在しないと仮定したときの最大流量に対する、狭窄の存在するときの血管を流れる最大流量を表す。ＦＦＲ値は、０乃至１の間の絶対値であり、値０．０５は、所与の狭窄が５０％の血圧降下で生じることを示し、狭窄の程度の診断を可能にする。
ＦＦＲ指標は、狭窄の前後の血圧を得るために、圧力ワイヤを用いて測定されている。例えば、冠状動脈カテーテル法の間、カテーテルは、鞘及び誘導ワイヤを用いて大腿部又は橈骨動脈に挿入される。カテーテルの先端に添えられるセンサは、狭窄のところに位置決めされる。カテーテル及びしたがってセンサは引き戻され、血管形状、血管コンプライアンス及び血管抵抗、及び／又は他の特性に影響する様々な作用物質により促進される状況の間、狭窄に渡って、センサは圧力、温度、流量を検知し、これらは記録される。残念ながら、このアプローチは、コスト高であり侵襲性が少なく、患者を健康リスクに晒す。
ＦＦＲ指標を推定するための非侵襲性アプローチは、冠動脈を通じる血流及び血圧がシミュレートされる計算流体力学（computational fluid dynamic：ＣＦＤ）シミュレーションを経る。このアプローチでは、３Ｄ冠状動脈形状は、患者の心臓ＣＴに基づく。残念ながら、このアプローチでは、抽出された形状の外側の境界条件（つまり、流量、圧力、及び／又は抵抗）は良好に定められず、入口（起始部）及び血管出口における流量及び圧力の値は、ＦＦＲ推定精度に大いに影響する。このアプローチは、時間コストが高く、集中的計算（例えば、最大で数時間）を要し、非常に高品質の幾何学的データ（例えば、冠動脈区分）を想定し、これは有意な手動の編集を暗示する場合が多い。
本願明細書に記載の態様は、上述の問題及び他の問題を解決する。
以下に記載のように、未知のＦＦＲは、特定の抽出された特徴に基づき分類される。さらに、未知のＦＦＲの推定は、特定の抽出された特徴に基づき決定され得る。さらに、信頼区間は、推定されるＦＦＲについて決定され得る。別の例では、シミュレーションによりＦＦＲを決定する境界条件が決定される。境界条件は、未知のＦＦＲを分類するために用いることができる。
第１の態様では、方法は、抽出された特徴及び学習モデルに基づき、複数の異なる所定のクラスの内の１つとして狭窄を有する心臓血管の未知の冠血流予備量比メトリックを分類し、及び前記分類を示す信号を生成するステップであって、前記抽出された特徴は、前記心臓血管及び前記狭窄の提示を有する画像データからセグメント化されたセグメント化画像データから抽出される、ステップ、を有する。
別の態様では、方法は、抽出された特徴及び学習モデルに基づき、複数の異なる所定のクラスの内の１つに、心臓血管の狭窄の未知の冠血流予備量比メトリックを推定し、及び前記推定を示す信号を生成するステップであって、前記抽出された特徴は、前記心臓血管及び前記狭窄の提示を有する画像データからセグメント化されたセグメント化画像データから抽出される、ステップ、を有する。
別の態様では、方法は、血管の狭窄の境界条件を前記血管及び前記狭窄の提示を含む画像データに基づき推定するステップであって、前記境界条件は、前記狭窄の推定出口流量レート又は前記狭窄の推定出口抵抗値のうちの少なくとも１つを含む、ステップ、を有する。
別の態様では、システムは、狭窄の未知の冠血流予備量比の冠血流予備量比分類、前記分類又は前記推定冠血流予備量比の信頼区間に基づく前記狭窄の推定冠血流予備量比、又は前記狭窄の冠血流予備量比を決定するために計算流体力学シミュレーションの前記狭窄の少なくとも１つの境界条件、のうちの少なくとも１つを決定するデータ分析器、を有する。
本発明は、種々のコンポーネント及びコンポーネントの配置の形式、並びに種々のステップ及びステップの配置の形式を取ることができる。図面は、好適な実施形態を説明することのみを目的とし、本発明を限定するものと見なされるべきではない。
以下に、特定の抽出された特徴に基づき未知のＦＦＲを分類し、特定の抽出された特徴に基づきＦＦＲを推定し、推定したＦＦＲの信頼区間を決定し、及び／又はシミュレーションによりＦＦＲを決定するために境界条件を決定する、非限定的なアプローチを記載する。
図１は、ＣＴスキャナのような画像システム１００を概略的に示す。画像システム１００は、一般静止ガントリ１０２及び回転ガントリ１０４を有する。回転ガントリ１０４は、静止ガントリ１０２により回転可能に支持され、ｚ軸周りの検査領域１０６の周りを回転する。長いすのような患者支持体１０８は、オブジェクト又は被写体を検査領域１０６内で支持する。
Ｘ線管のような放射線源１１０は、回転ガントリ１０４により回転可能に支持され、回転ガントリ１０４と一緒に回転し、検査領域１０６を横切る放射線を発する。放射線感受性検出器アレイ１１２は、検査領域１０６に渡り放射線源１１０と反対の角度弧に内在する。放射線感受性検出器アレイ１１２は、検査領域１０６を横切る放射線を検出し、検出した光子毎に放射線を示す信号を生成する。
再構成器１１４は、投影を再構成し、検査領域１０６内に置かれた被写体又はオブジェクトのスキャンされた部分を示す体積画像データを生成する。汎用コンピューティングシステム又はコンピュータは、オペレータ制御装置１１６として機能する。制御装置１１６は、モニタのような人間が読み取り可能な出力装置と、キーボード、マウス、等のような入力装置と、を有する。制御装置１１６に存在するソフトウェアは、オペレータにＧＵＩ（graphical user interface）又は他のものを介してスキャナ１００と相互作用させ及び／又はそれを操作させる。
データ分析器１１８は、少なくとも、狭窄を含む関心のある血管（例えば、冠状動脈、大脳動脈）を表す画像データを処理するよう構成される。画像データは、画像システム１００及び／又は他の画像システムにより生成され得る。以下に詳述するように、非限定的な例では、データ分析器１１８は、狭窄の外側の境界条件（例えば、流量、圧力、及び／又は抵抗）のような特徴を決定し、狭窄のＦＦＲ値を決定するために計算流体力学アプローチを用いてこれらの特徴を利用する。
また、以下に詳述するように、データ分析器１１８は、特定の特徴に基づき、未知のＦＦＲを所定の分類セットのうちの１つに分類する、又は推定したＲＲＦの信頼区間を決定する、のうちの少なくとも１つができる。以上は、非侵襲性、ロバスト、正確且つ高速シミュレーション境界条件決定、ＦＦＲ分類及び／又は推定（信頼区間を有する又は有しない）を、簡単なワークフロー、短い推定時間、及び少ないユーザ負荷で可能にする。
データ分析器１１８は、物理メモリ及び／又は他の非一時的記憶媒体のような１又は複数のコンピュータ可読記憶媒体に格納された１又は複数のコンピュータ可読命令を実行する１又は複数のコンピューティングシステムの１又は複数のプロセッサを実装され得る。プロセッサは、追加で又は代替で、搬送波、信号及び／又は他の一時的媒体により伝達される１又は複数のコンピュータ可読命令を実行しても良い。
図２は、データ分析器１１８の一例を示す。
関心組織（tissue of interest：ＴＯＩ）識別器２０２は、関心組織（ＴＯＩ）２０４を表す画像データを含む被写体データを入力として得て、画像データ内の関心組織２０４を識別する。関心組織２０４は、予め定められ、或いはユーザの選択した関心組織、規定関心組織、等を示す信号により識別され得る。ＴＯＩ識別器２０２は、関心組織を識別するために自動的及び／又は手動アプローチを利用し得る。関心組織の一例は、狭窄を有する血管のような管状組織である。しかしながら、関心組織は他の組織でもあり得る。
ＴＯＩ形状抽出器２０６は、識別された関心組織から形状情報を抽出する。ＴＯＩ識別器２０２は、形状情報を抽出するために自動的及び／又は手動アプローチを利用し得る。例として、抽出は、冠動脈のために調整された能動輪郭及びレベルセットによるセグメント化を利用することを含んでも良く、次に高品質区分を生成するために任意的な追加の手動編集が続く。ここで、関心組織は、冠動脈である。この及び／又は他の抽出から、起始部における有効径Ｄ０及び／又は他の関心組織形状が決定できる。
パラメータ決定器２０８は、被写体データに基づき少なくとも１つのパラメータを決定する。例えば、血管狭窄の状況では、パラメータ決定器２０８は、入口流量レートＱ０（つまり、起始部における流量レート）を決定し得る。これは、体重、体格指数（body mass index：ＢＭＩ）、性別、年齢、血液検査結果、解剖学的画像データ（例えば、心筋塊、及び推定１回拍出量）、及び／又は被写体データのような被写体データに基づき達成できる。通常、このデータは、サポートベクタマシン（ＳＶＭ）のような分類器、ランダムフォレスト（random forest）、及び／又は他の分類器を用いるトレーニングセットのための特徴として扱われる。本例では、モデルを訓練するための「グランドトゥルース」データは、心臓カテーテル術からの情報、例えばドップラー誘導ワイヤ及び／又は他の機器のような流量レートメータからのデータを含み得る。
境界条件推定器２１０は、ＴＯＩ形状抽出器２０６により抽出された形状（例えば、起始部における有効径Ｄ０）及びパラメータ決定器２０８により決定されたパラメータ（例えば、入口流量レートＱ０）に基づき、少なくとも１つの境界条件（例えば、血管出口の流量レートＱ、平均速度、抵抗、等）を推定する。例として、境界条件推定器２１０は、式１に示すように、Ｑ０及びＤ０の関数として出口における流量レート境界条件Ｑを推定し得る。
式１：
式１：
式２：
境界条件推定器２１０は、式３に示すように、抵抗境界条件を推定できる。
式３：
式３：
健常な血管では次式の通りである。
式４：
狭窄血管では、圧力は有意に降下し得る。したがって、起始部圧力は信頼できる推定ではなく、狭窄組織の抵抗値ＲＳは、以下の反復的アプローチに基づき推定できる。
１．次式により初期化する。
ＣＦＤプロセッサ２１２は、例えば偏微分方程式を用いて、計算流体力学（ＣＦＤ）シミュレーションを実行する。通常、ＣＦＤは、流体の流れに関する問題を解き分析するために数値方法及び／又はアルゴリズムを用いる流体力学アプローチである。ＣＦＤプロセッサ２１２は、境界条件推定器２１０により決定される境界条件により定められる面と共に計算を実行する。しかしながら、他の境界条件も利用できる。一例では、出力は、全ての点における圧力及び速度の完全な体積情報を有する。
任意的な最適化器２１４は、境界条件を最適化するために用いることができる。ＣＦＤシミュレーションは、出力速度及び圧力の両方を生成する。これにより、出口抵抗値が計算できる。出口速度は、抵抗境界条件に基づき決定され、出口抵抗値は、速度境界条件に基づき決定される。したがって、境界条件は、式５に示すように、エネルギを最小化することにより最適化できる。
式５：
式５：
ＦＦＲ決定器２１６は、ＣＦＤ結果に基づきＦＦＲを決定する。これは、推定及び／又は最適化推定境界条件に基づきＦＦＲを決定することを含む。このアプローチは、抽出された形状の外側の境界条件が良好に定められないアプローチのような境界条件推定器２１０により推定された境界条件を有しないでＦＦＲを決定することに比べて、より正確なＦＦＲ決定を提供する。
境界条件推定器２１０により推定された境界条件は、任意で、後に詳述するように、図３のデータ分析器１１８に接続して用いることができる。
図３は、データ分析器１１８の別の例を示す。
関心組織（ＴＯＩ）セグメント化器３０２は、被写体データを入力として得て、その中の画像データから関心組織（ＴＯＩ）をセグメント化する。上述のように、関心組織２０４は、予め定められ、或いはユーザの選択した関心組織、規定関心組織、等を示す信号により識別され得る。ＴＯＩセグメント化器３０２は、関心組織をセグメント化するために自動的及び／又は手動アプローチを利用し得る。心臓への適用では、これは、心臓の少なくとも一部をセグメント化することを含み、例えば、冠状動脈セグメント化及びラベル付け、冠状動脈中心線抽出、心室セグメント化及びラベル付け、等を含む。
特徴抽出器３０４は、特徴を抽出する。これは、被写体データ、セグメント化されたデータ、境界条件及び／又は他の情報から特徴を抽出することを含む。境界条件の例は、図２の境界条件推定器２１０により推定された境界条件、及び／又は他の境界条件を含むが、これらに限られない。セグメント化されたデータからの特徴の例は、狭窄百分率、狭窄長、大動脈と狭窄との間の距離、狭窄位置（動脈ラベル）、心臓形状詳細、例えば心室サイズ、心筋塊、冠動脈形状詳細、冠動脈中心線詳細、及び／又は他の情報を含むが、これらに限定されない。
画像データからの特徴の例は、狭窄領域の入口周辺のＨＵ（又は強度の一部）のｉ番目パーセンタイル、狭窄領域の中央周辺のＨＵのｉ番目のパーセンタイル、狭窄後の中央値ＨＵ／狭窄前の中央値ＨＵ、狭窄領域の入口、出口及び中心周辺のＨＵプロファイル、血管全体に沿ったＨＵプロファイル、及び／又は他の情報を含むが、これらに限定されない。被写体データからの特徴の例は、検査結果（例えば、ヘモグロビン）、バイタルサイン（例えば、血圧、等）、患者の病歴、患者家族の病歴、及び／又は他の情報を含むが、これらに限定されない。
モデラ３０６は、ＦＦＲ分類器３０８、ＦＦＲ推定器３１０、及び／又は信頼レベル決定器３１２のうちの１又は複数を有する。モデラ３０６は、例えば、患者の前のカテーテル室（cath−lab）手術からの「グランドトゥルース」結果を有するトレーニングセットで予め訓練される。モデラ３０６は、例えば線形判別分析（linear discriminant analysis：ＬＤＡ）、最適判別分析（optimal discriminant analysis：ＱＤＡ）、単純ベイズ、サポートベクタマシン（support vector machine：ＳＶＭ）、ランダムツリー、多項式関数、ガウス混合、決定木、ニューラルネットワーク、等に基づく統計的又は機械学習であり得る。
通常、機械学習モデルは、数値（又はパターン）のベクトルを入力として得て信号値を出力する関数である。数値のベクトルは、特定の順序の測定値、例えば血圧、年齢、性別、等を有する。ベクトル内の各要素は、特徴と呼ばれる。図示の例では、ベクトルは、上述の特徴を有する。モデルは、新しいパターンが与えられると調整され得るパラメータを含む。モデルの訓練は、監督下の学習又は半監督下の学習アプローチを用いて行うことができる。
ＦＦＲ分析器３０８は、抽出された特徴に基づき、所定のクラスセットのうちの１つに未知のＦＦＲを分類する。本例では、出力値は、クラス、例えば「高リスク」のクラス、「中リスク」のクラス、及び「低リスク」のクラスを表す数値である。このような分類の例は、深刻ではない（ＦＦＲ＞０．９）、中程度（０．８＜ＦＦＲ＜０．９）、及び非常に重症（ＦＦＲ＜０．７）を有する。
ＦＦＲ推定器３１０は、点推定のように、ＦＦＲを推定するために構成される。一例では、ＦＦＲ推定器３１０は、トレーニングセット全体から又はトレーニングセットからの関連クラスセットのみから、ｋ個の最近傍サンプルに基づく加重補間を用いて推定を実行する。ここで、関連クラスは、上述のＦＦＲ分類コンポーネントで選択されたクラスであり、トレーニングセットは、モデルを訓練するために用いられたセットである。
信頼区間決定器３１２は、推定されたＦＦＲの信頼区間を推定するよう構成される。信頼区間は、トレーニングセット全体又はトレーニングセットからの関連クラスセットのみとして分析されたサンプルを用いて導出される。信頼区間の目的は、推定されたＦＦＲを確実性の境界に与えることである。例えば、９５％の推定ＦＦＲは、区間［０．８６，０．９５］の中にある。区間が狭いほど、確実性が良好である。
図４は、ＦＦＲを決定する例示的な方法を示す。
４０２で、被写体の関心領域がスキャンされる。
４０４で、関心組織（例えば、狭窄を有する血管）は、関心領域に対応するスキャンから画像データの中で識別される。
４０６で、形状情報（例えば、直径、半径、等）は、識別された関心組織から抽出される。
４０８で、少なくとも１つのパラメータは、被写体の被写体データに基づき決定される。
４１０で、関心組織の少なくとも１つの境界条件（例えば、血管出口の流量レートＱ、平均速度、抵抗値、等）は、例えば抽出された形状情報及び少なくとも１つのパラメータに基づき推定される。
４１２で、任意で、少なくとも１つの境界条件は最適化される。
４１４で、計算流体力学（ＣＦＤ）シミュレーションは、少なくとも１つの境界条件又は最適化された少なくとも１つの境界条件に基づき実行される。
４１６で、ＦＦＲは、ＣＦＤ結果に基づき関心組織について決定される。
４１８で、ＦＦＲは視覚的に提示される。
図５は、未知のＦＦＲを少なくとも分類する例示的な方法を示す。
５０２で、被写体の関心領域がスキャンされる。
５０４で、関心組織は、スキャンの画像データからセグメント化される。
５０６で、特徴は、少なくともセグメント化されたデータから抽出される。
５０８で、特徴は、図４で決定された境界条件から抽出される。
５１０で、特徴は、画像データから抽出される。
５１２で、特徴は、検査結果、被写体の履歴、被写体家族の履歴、等のような被写体データから抽出される。
代替及び／又は追加の特徴が他の例で抽出される。
５１４で、関心組織の未知のＦＦＲは、抽出された特徴に基づき所定のクラスセットのうちの１つとして分類される。
５１６で、追加又は代替で、ＦＦＲは、抽出された特徴に基づき未知のＦＦＲについて推定される。
５１８で、任意で、推定されたＦＦＲの信頼区間が決定される。
５２０で、分類、推定されたＦＦＲ又は信頼区間のうちの少なくとも１つは視覚的に提示される。
以上は、コンピュータプロセッサにより実行されると該プロセッサに上述の動作を実行させる、コンピュータ可読記憶媒体に符号化され又はそれに埋め込まれるコンピュータ可読命令により実装されてもよい。追加又は代替で、少なくとも１つのコンピュータ可読命令は、信号、搬送波、又は他の一時的媒体により伝達される。上述の動作の順序は限定的でないことが理解されるべきである。したがって、他の順序が本願明細書で考えられる。さらに、１又は複数の動作は省略されても良く、及び／又は１又は複数の追加動作が含まれても良い。
本発明は、好適な実施形態を参照して説明された。前述の詳細な説明を読み理解することで、変更及び代替が可能である。本発明は、このような全ての変更及び代替は添付の請求の範囲の範囲又はその等価物に包含されるものと見なされる。
本発明は、好適な実施形態を参照して説明された。前述の詳細な説明を読み理解することで、変更及び代替が可能である。本発明は、このような全ての変更及び代替は添付の請求の範囲の範囲又はその等価物に包含されるものと見なされる。
Claims (36)
- 抽出された特徴及び学習モデルに基づき、複数の異なる所定のクラスの内の１つとして狭窄を有する心臓血管の未知の冠血流予備量比メトリックを分類し、及び前記分類を示す信号を生成するステップであって、前記抽出された特徴は、前記心臓血管及び前記狭窄の提示を有する画像データからセグメント化されたセグメント化画像データから抽出される、ステップ、
を有する方法。 - 前記分類は、前記未知のＦＦＲの数値を生成することを含み、前記方法は、
前記数値に基づき、前記未知の冠血流予備量比メトリックを分類するステップ、
を更に有する請求項１に記載の方法。 - 特徴は、狭窄百分率、狭窄長、大動脈と前記狭窄との間の距離、狭窄位置、心室サイズ、心筋塊、冠状動脈の形状、冠状動脈の中心線、のうちの１又は複数を含む、請求項１又は２に記載の方法。
- 前記特徴は、前記狭窄の入口、前記狭窄の中央領域若しくは前記狭窄の出口のうちの少なくとも１つの周辺の関心強度セットに対応するボクセルの部分集合、、前記狭窄の前若しくは前記狭窄の後のうちの少なくとも１つの中央値強度、前記狭窄の前記入口、前記出口若しくは中心領域のうちの少なくとも１つにおける周囲の強度プロファイル、又は前記血管に沿う強度プロファイル、１又は複数の検査結果、バイタルサイン、被写体の履歴若しくは被写体家族の履歴、又は計算流体力学シミュレーションの結果、のうちの１又は複数を含む、請求項３に記載の方法。
- 前記特徴は、前記狭窄の１又は複数の推定境界条件を含み、前記狭窄の推定出口流量レート又は推定出口抵抗値のうちの少なくとも１つを含む、請求項３又は４に記載の方法。
- 前記狭窄の前記出口における有効直径又は半径、前記狭窄の前記入口における直径又は半径、及び前記狭窄の前記入口における流量レートに基づき、前記狭窄の前記出口流量レートを推定するステップ、
を更に有する請求項５に記載の方法。 - 前記狭窄の前記入口における大動脈血圧、前記出口流量レート、及び粗計算流体力学シミュレーションに基づき、前記狭窄の前記抵抗値を推定するステップと、
抵抗値項及び流量速度項を含むエネルギ関数を最小化することにより、前記の推定抵抗値を最適化するステップと、
を更に有する請求項５又は６に記載の方法。 - 前記狭窄の前記推定出口流量レート及び前記狭窄の前記推定抵抗値に基づき、次の計算流体力学シミュレーションを実行するステップ、
を更に有する請求項７に記載の方法。 - 前記狭窄の冠血流予備量比の点推定を推定するステップであって、該点推定を示す第２の信号を生成する、ステップ、
を更に有する請求項１乃至８のいずれか一項に記載の方法。 - 前記推定するステップは、トレーニングセットの又は前記トレーニングセットからの関連クラスセットのみからの所定数の最近傍サンプルのうちの少なくとも１つに基づき加重補間を用いるステップであって、前記関連クラスセットは、前記分類クラスに対応するクラスである、ステップ、
を有する、請求項９に記載の方法。 - 前記の推定冠血流予備量比の信頼区間を決定し、該信頼区間を示す第３の信号を生成するステップ、
を更に有する請求項９又は１０に記載の方法。 - 抽出された特徴及び学習モデルに基づき、狭窄を有する心臓血管の未知の冠血流予備量比メトリックを推定し、及び前記推定を示す信号を生成するステップであって、前記抽出された特徴は、前記心臓血管及び前記狭窄の提示を有する画像データからセグメント化されたセグメント化画像データから抽出される、ステップ、
を有する方法。 - 前記推定冠血流予備量比の信頼区間を決定し、該信頼区間を示す第３の信号を生成するステップ、
を更に有する請求項１２に記載の方法。 - 前記抽出された特徴及び前記学習モデルに基づき、複数の異なる所定のクラスのうちの１つとして前記未知の冠血流予備量比を分類するステップ、
を更に有する請求項１２又は１３に記載の方法。 - 血管の狭窄の境界条件を前記血管及び前記狭窄の提示を含む画像データに基づき推定するステップであって、前記境界条件は、前記狭窄の推定出口流量レート又は前記狭窄の推定出口抵抗値のうちの少なくとも１つを含む、ステップ、
を有する方法。 - 前記狭窄の出口における有効直径又は半径、前記狭窄の入口における直径又は半径、及び前記狭窄の前記入口における流量レートに基づき、前記狭窄の前記出口流量レートを推定するステップ、
を更に有する請求項１５に記載の方法。 - 患者データにより訓練された機械学習アルゴリズムを用いて、前記狭窄の前記入口における前記流量レートを決定するステップであって、前記患者データは、画像若しくは非画像データ、及び心臓カテーテル法により決定された他の患者の流量レート測定値のうちの少なくとも１つを含む、ステップ、
を更に有する請求項１６に記載の方法。 - 前記出口流量レートに基づき速度を決定するステップ、
を更に有する請求項１７に記載の方法。 - 前記狭窄の前記入口における大動脈血圧及び前記出口流量レートに基づき、前記狭窄の前記抵抗値を推定するステップ、
を更に有する請求項１５乃至１８のいずれか一項に記載の方法。 - 前記狭窄の前記入口における前記大動脈血圧及び前記出口流量レートの関数として初期抵抗値を計算するステップと、
粗計算流体力学シミュレーションを実行するステップと、
前記初期抵抗値及び前記粗計算流体力学シミュレーションの結果に基づき、次の抵抗値を生成するステップであって、前記次の抵抗値は前記推定された抵抗値である、ステップと、
繰り返し停止停止基準が満たされるまで、現在の抵抗値を用いて前記の実行するステップ及び生成するステップを繰り返すステップと、
により前記抵抗値を繰り返し推定するステップ、
を更に有する請求項１９に記載の方法。 - 抵抗値項及び流量速度項を含むエネルギ関数を最小化することにより、前記推定された抵抗値を最適化するステップ、
を更に有する請求項１５乃至２０のいずれか一項に記載の方法。 - 前記狭窄の前記推定出口流量レート及び前記狭窄の前記推定抵抗値に基づき、次の計算流体力学シミュレーションを実行するステップ、
を更に有する請求項１５乃至２１のいずれか一項に記載の方法。 - 前記次の計算流体力学シミュレーションの結果に基づき、前記狭窄の冠血流予備量比を決定するステップ、
を更に有する請求項２２に記載の方法。 - 前記境界条件及び学習モデルに基づき、複数の異なる所定のクラスのうちの１つに、前記未知の冠血流予備量比を分類するステップ、
を更に有する請求項１５乃至２３のいずれか一項に記載の方法。 - 前記分類に基づき、前記狭窄の冠血流予備量比点推定を推定するステップ、
を更に有する請求項２４に記載の方法。 - 前記の推定冠血流予備量比の信頼区間を決定するステップ、
を更に有する請求項２５に記載の方法。 - 狭窄の未知の冠血流予備量比の冠血流予備量比分類、前記分類又は前記推定冠血流予備量比の信頼区間に基づく前記狭窄の推定冠血流予備量比、又は前記狭窄の冠血流予備量比を決定するために計算流体力学シミュレーションの前記狭窄の少なくとも１つの境界条件、のうちの少なくとも１つを決定するデータ分析器、
を有するシステム。 - 前記データ分析器は、
前記狭窄及び対応する血管を表す画像データ内の少なくとも１つのセグメント化関心組織から１又は複数の特徴を抽出する特徴抽出器であって、前記狭窄の推定境界条件は、前記狭窄の推定出口流量レート又は推定出口抵抗値、前記画像データ又は被写体データからの強度情報、のうちの少なくとも１つを含む、特徴抽出器と、
抽出された特徴及び学習モデルに基づき、複数の異なる所定のクラスのうちの１つに、前記未知の冠血流予備量比を分類する分類器であって、前記の分類は、前記未知の冠血流予備量比の数値を生成することを含み、前記の分類は、前記数値に基づく、分類器と、
を有する、請求項２７に記載のシステム。 - 前記データ分析器は、
トレーニングセットの又は前記トレーニングセットからの関連クラスセットのみからの所定数の最近傍サンプルのうちの少なくとも１つに基づき、、加重補間を用いて前記狭窄の前記冠血流予備量比の点推定を推定するＦＦＲ推定器であって、前記関連クラスセットは、前記分類クラスに対応するクラスである、ＦＦＲ推定器、
を更に有する、請求項２７又は２８に記載のシステム。 - 前記データ分析器は、
前記推定冠血流予備量比の信頼区間を決定する信頼区間決定器、
を更に有する、請求項２９に記載のシステム。 - 前記データ分析器は、
血管の狭窄の少なくとも１つの境界条件を、前記血管及び前記狭窄の提示を含む画像データに基づき、推定する境界条件推定器であって、前記境界条件は、前記狭窄の推定出口流量レート又は前記狭窄の推定出口抵抗値のうちの少なくとも１つを含む、境界条件推定器、
を更に有する、請求項２７乃至３０のいずれか一項に記載のシステム。 - 前記境界条件推定器は、前記狭窄の出口における有効直径又は半径、前記狭窄の入口における直径又は半径、及び前記狭窄の前記入口における流量レートに基づき、前記狭窄の出口流量レートを推定する、請求項３１に記載のシステム。
- 患者データにより訓練された機械学習アルゴリズムを用いて、前記狭窄の前記入口における前記流量レートを決定するパラメータ決定器であって、前記患者データは、画像若しくは非画像データ、及び心臓カテーテル法により決定された他の患者の流量レート測定値のうちの少なくとも１つを含む、パラメータ決定器、
を更に有する請求項３２に記載のシステム。 - 前記境界条件推定器は、前記流量レートに基づき、前記狭窄の速度を推定する、請求項３２又は３３に記載のシステム。
- 前記境界条件推定器は、反復的アルゴリズムを用いて、前記狭窄の前記入口における大動脈血圧及び前記出口流量レートに基づき、前記狭窄の抵抗値を推定する、請求項３２乃至３４のいずれか一項に記載のシステム。
- 前記データ分析器は、
前記少なくとも１つの境界条件に基づき計算流体力学シミュレーションを実行するＣＦＤプロセッサと、
前記ＣＦＤプロセッサの結果に基づき、前記狭窄のＦＦＲを決定するＦＦＲ決定器と、
を更に有する、請求項３２乃至３４のいずれか一項に記載のシステム。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201261722814P | 2012-11-06 | 2012-11-06 | |
| US61/722,814 | 2012-11-06 | ||
| PCT/IB2013/059616 WO2014072861A2 (en) | 2012-11-06 | 2013-10-24 | Fractional flow reserve (ffr) index |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2016500548A true JP2016500548A (ja) | 2016-01-14 |
| JP6302922B2 JP6302922B2 (ja) | 2018-03-28 |
Family
ID=50002789
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2015540242A Active JP6302922B2 (ja) | 2012-11-06 | 2013-10-24 | 冠血流予備量比（ｆｆｒ）指標 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US9757073B2 (ja) |
| EP (1) | EP2916735B1 (ja) |
| JP (1) | JP6302922B2 (ja) |
| CN (1) | CN104768465B (ja) |
| BR (1) | BR112015010012A2 (ja) |
| RU (1) | RU2015121362A (ja) |
| WO (1) | WO2014072861A2 (ja) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018192346A (ja) * | 2018-09-18 | 2018-12-06 | キヤノンメディカルシステムズ株式会社 | 血管解析装置、血管解析方法及び血管解析プログラム |
| JP2020510451A (ja) * | 2016-11-22 | 2020-04-09 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | 生物物理的シミュレーション用の血管樹標準化及び／又はプルーニングされた部分用の拡張シミュレーション |
| JP2020511262A (ja) * | 2017-03-24 | 2020-04-16 | パイ メディカル イメージング ビー ヴイＰｉｅ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ Ｂ．Ｖ． | 機械学習に基づいて血管閉塞を評価する方法およびシステム |
| US10646127B2 (en) | 2017-02-28 | 2020-05-12 | Fujifilm Corporation | Blood flow analysis device, method, and program |
| JP2020516348A (ja) * | 2017-04-06 | 2020-06-11 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | Ｅｃｇ信号からの心筋微小血管抵抗の推定に基づく冠状動脈疾患メトリック |
| JP2020525053A (ja) * | 2017-06-30 | 2020-08-27 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | 機械学習スペクトルｆｆｒ−ｃｔ |
| JP2021520896A (ja) * | 2018-04-11 | 2021-08-26 | パイ メディカル イメージング ビー ヴイＰｉｅ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ Ｂ．Ｖ． | 機械学習に基づいて血管閉塞を評価するための方法とシステム |
| JP7505093B2 (ja) | 2016-09-20 | 2024-06-24 | ハートフロー， インコーポレイテッド | 患者の血流特性を決定するためのコンピュータで実行する方法、システム、及び非一時的コンピュータ可読媒体 |
Families Citing this family (66)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10034614B2 (en) * | 2012-02-29 | 2018-07-31 | General Electric Company | Fractional flow reserve estimation |
| US10433740B2 (en) | 2012-09-12 | 2019-10-08 | Heartflow, Inc. | Systems and methods for estimating ischemia and blood flow characteristics from vessel geometry and physiology |
| US10398386B2 (en) | 2012-09-12 | 2019-09-03 | Heartflow, Inc. | Systems and methods for estimating blood flow characteristics from vessel geometry and physiology |
| US9668699B2 (en) | 2013-10-17 | 2017-06-06 | Siemens Healthcare Gmbh | Method and system for anatomical object detection using marginal space deep neural networks |
| US9700219B2 (en) | 2013-10-17 | 2017-07-11 | Siemens Healthcare Gmbh | Method and system for machine learning based assessment of fractional flow reserve |
| US9730643B2 (en) | 2013-10-17 | 2017-08-15 | Siemens Healthcare Gmbh | Method and system for anatomical object detection using marginal space deep neural networks |
| US10595806B2 (en) | 2013-10-22 | 2020-03-24 | Koninklijke Philips N.V. | Fractional flow reserve (FFR) index with adaptive boundary condition parameters |
| US9092743B2 (en) | 2013-10-23 | 2015-07-28 | Stenomics, Inc. | Machine learning system for assessing heart valves and surrounding cardiovascular tracts |
| US9877660B2 (en) | 2013-11-14 | 2018-01-30 | Medtronic Vascular Galway | Systems and methods for determining fractional flow reserve without adenosine or other pharmalogical agent |
| US10130269B2 (en) | 2013-11-14 | 2018-11-20 | Medtronic Vascular, Inc | Dual lumen catheter for providing a vascular pressure measurement |
| US9913585B2 (en) | 2014-01-15 | 2018-03-13 | Medtronic Vascular, Inc. | Catheter for providing vascular pressure measurements |
| US9785746B2 (en) * | 2014-03-31 | 2017-10-10 | Heartflow, Inc. | Systems and methods for determining blood flow characteristics using flow ratio |
| JP6667999B2 (ja) * | 2014-05-16 | 2020-03-18 | キヤノンメディカルシステムズ株式会社 | 画像処理装置、画像処理方法、及びプログラム |
| JP6479346B2 (ja) * | 2014-06-05 | 2019-03-06 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置 |
| US10973418B2 (en) | 2014-06-16 | 2021-04-13 | Medtronic Vascular, Inc. | Microcatheter sensor design for minimizing profile and impact of wire strain on sensor |
| US11330989B2 (en) | 2014-06-16 | 2022-05-17 | Medtronic Vascular, Inc. | Microcatheter sensor design for mounting sensor to minimize induced strain |
| US10201284B2 (en) | 2014-06-16 | 2019-02-12 | Medtronic Vascular Inc. | Pressure measuring catheter having reduced error from bending stresses |
| US10258303B2 (en) | 2014-06-30 | 2019-04-16 | Koninklijke Philips N.V. | Apparatus for determining a fractional flow reserve value |
| DE102014213408B4 (de) * | 2014-07-10 | 2018-10-25 | Siemens Healthcare Gmbh | Verfahren zur Ermittlung eines dreidimensionalen Modelldatensatzes eines wenigstens ein Gefäßsegment umfassenden Blutgefäßsystems |
| JP6539736B2 (ja) * | 2014-11-14 | 2019-07-03 | シーメンス ヘルスケア ゲゼルシヤフト ミツト ベシユレンクテル ハフツング | 純粋幾何学的機械学習に基づいて血流予備量比を求める方法及びシステム |
| US9349178B1 (en) | 2014-11-24 | 2016-05-24 | Siemens Aktiengesellschaft | Synthetic data-driven hemodynamic determination in medical imaging |
| WO2016087396A1 (en) | 2014-12-02 | 2016-06-09 | Koninklijke Philips N.V. | Fractional flow reserve determination |
| US10194812B2 (en) | 2014-12-12 | 2019-02-05 | Medtronic Vascular, Inc. | System and method of integrating a fractional flow reserve device with a conventional hemodynamic monitoring system |
| EP3244790B1 (en) | 2015-01-15 | 2020-09-02 | Koninklijke Philips N.V. | Instantaneous wave-free ratio (ifr) computer tomography (ct) |
| WO2016113690A1 (en) | 2015-01-16 | 2016-07-21 | Koninklijke Philips N.V. | Vessel lumen sub-resolution segmentation |
| WO2016182508A1 (en) * | 2015-05-12 | 2016-11-17 | Singapore Health Services Pte Ltd | Medical image processing methods and systems |
| JP6917976B2 (ja) * | 2015-07-17 | 2021-08-11 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | 脈管を評価付けするためのデバイス、システム、及び方法 |
| US11094058B2 (en) | 2015-08-14 | 2021-08-17 | Elucid Bioimaging Inc. | Systems and method for computer-aided phenotyping (CAP) using radiologic images |
| US11113812B2 (en) | 2015-08-14 | 2021-09-07 | Elucid Bioimaging Inc. | Quantitative imaging for detecting vulnerable plaque |
| US10176408B2 (en) | 2015-08-14 | 2019-01-08 | Elucid Bioimaging Inc. | Systems and methods for analyzing pathologies utilizing quantitative imaging |
| US11071501B2 (en) | 2015-08-14 | 2021-07-27 | Elucid Bioiwaging Inc. | Quantitative imaging for determining time to adverse event (TTE) |
| US11087459B2 (en) | 2015-08-14 | 2021-08-10 | Elucid Bioimaging Inc. | Quantitative imaging for fractional flow reserve (FFR) |
| US12008751B2 (en) | 2015-08-14 | 2024-06-11 | Elucid Bioimaging Inc. | Quantitative imaging for detecting histopathologically defined plaque fissure non-invasively |
| US11676359B2 (en) | 2015-08-14 | 2023-06-13 | Elucid Bioimaging Inc. | Non-invasive quantitative imaging biomarkers of atherosclerotic plaque biology |
| EP3345156B1 (en) * | 2015-09-02 | 2019-08-28 | Siemens Healthcare GmbH | Cfd simulation assisted 4d dsa reconstruction |
| US10898267B2 (en) * | 2015-10-07 | 2021-01-26 | Koninklijke Philips N.V. | Mobile FFR simulation |
| JP6484760B2 (ja) | 2015-11-05 | 2019-03-13 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | 非侵襲的血流予備量比（ｆｆｒ）に対する側副血流モデル化 |
| CN105326486B (zh) * | 2015-12-08 | 2017-08-25 | 博动医学影像科技（上海）有限公司 | 血管压力差与血流储备分数的计算方法及系统 |
| CN106073894B (zh) | 2016-05-31 | 2017-08-08 | 博动医学影像科技（上海）有限公司 | 基于植入虚拟支架的血管压力降数值及血流储备分数的评估方法和系统 |
| US11272850B2 (en) | 2016-08-09 | 2022-03-15 | Medtronic Vascular, Inc. | Catheter and method for calculating fractional flow reserve |
| EP3512416B1 (en) * | 2016-09-16 | 2023-11-08 | Koninklijke Philips N.V. | Apparatus and method for determining a fractional flow reserve |
| EP3518751A1 (en) * | 2016-09-30 | 2019-08-07 | Koninklijke Philips N.V. | Apparatus for determining a functional index for stenosis assessment |
| CN106473731A (zh) * | 2016-10-25 | 2017-03-08 | 北京工业大学 | 基于个性化冠状动脉分支血流量的ffrct计算方法 |
| CN108109698B (zh) * | 2016-12-28 | 2021-04-20 | 北京科亚方舟医疗科技股份有限公司 | 计算血流储备分数的系统和设置边界条件的方法 |
| WO2018133118A1 (zh) | 2017-01-23 | 2018-07-26 | 上海联影医疗科技有限公司 | 血流状态分析系统及方法 |
| US11330994B2 (en) | 2017-03-08 | 2022-05-17 | Medtronic Vascular, Inc. | Reduced profile FFR catheter |
| EP3382641A1 (en) * | 2017-03-30 | 2018-10-03 | Koninklijke Philips N.V. | Contrast injection imaging |
| US11523744B2 (en) | 2017-03-31 | 2022-12-13 | Koninklijke Philips N.V. | Interaction monitoring of non-invasive imaging based FFR |
| CN106980899B (zh) * | 2017-04-01 | 2020-11-17 | 北京昆仑医云科技有限公司 | 预测血管树血管路径上的血流特征的深度学习模型和系统 |
| CN110612063B (zh) | 2017-04-06 | 2023-09-29 | 皇家飞利浦有限公司 | 标准化冠状动脉疾病度量 |
| EP3607558A1 (en) | 2017-04-06 | 2020-02-12 | Koninklijke Philips N.V. | Fractional flow reserve simulation parameter customization, calibration and/or training |
| US10646122B2 (en) | 2017-04-28 | 2020-05-12 | Medtronic Vascular, Inc. | FFR catheter with covered distal pressure sensor and method of manufacture |
| US11219741B2 (en) | 2017-08-09 | 2022-01-11 | Medtronic Vascular, Inc. | Collapsible catheter and method for calculating fractional flow reserve |
| US11235124B2 (en) | 2017-08-09 | 2022-02-01 | Medtronic Vascular, Inc. | Collapsible catheter and method for calculating fractional flow reserve |
| JP7232245B2 (ja) | 2017-08-30 | 2023-03-02 | コーニンクレッカ フィリップス エヌ ヴェ | モデル及びイメージングデータに基づく冠動脈健康状態予測 |
| US11395597B2 (en) | 2018-06-26 | 2022-07-26 | General Electric Company | System and method for evaluating blood flow in a vessel |
| US11185244B2 (en) | 2018-08-13 | 2021-11-30 | Medtronic Vascular, Inc. | FFR catheter with suspended pressure sensor |
| CN111227822B (zh) * | 2018-11-28 | 2022-02-11 | 苏州润迈德医疗科技有限公司 | 基于心肌血流量和ct图像的冠状动脉血流储备分数计算方法 |
| CN109717953B (zh) * | 2019-02-01 | 2021-01-08 | 杭州晟视科技有限公司 | 一种血流量的确定方法、装置、电子设备和计算机存储介质 |
| US10861157B2 (en) | 2019-04-04 | 2020-12-08 | Medtronic Vascular, Inc. | System and methods for determining modified fractional flow reserve values |
| CN110477877B (zh) * | 2019-07-03 | 2022-04-22 | 北京工业大学 | 一种基于ffr原理建立快速判断血管狭窄阻力和微循环阻力大小模型的方法 |
| US11508063B2 (en) | 2019-08-05 | 2022-11-22 | Elucid Bioimaging Inc. | Non-invasive measurement of fibrous cap thickness |
| CN110584639A (zh) * | 2019-09-04 | 2019-12-20 | 北京工业大学 | 一种对cta冠状动脉图像进行数据处理预测ffr的方法 |
| EP3884848A1 (en) * | 2020-03-23 | 2021-09-29 | Kardiolytics Inc. | A system and a method for determining a significance of a stenosis |
| CN111652881A (zh) * | 2020-07-01 | 2020-09-11 | 杭州脉流科技有限公司 | 基于深度学习的冠脉重构和血流储备分数计算方法、装置、设备以及可读存储介质 |
| CN112711831B (zh) * | 2020-12-07 | 2022-10-28 | 上海联影医疗科技股份有限公司 | 血管仿真分析方法、设备、装置、计算机设备和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012024582A (ja) * | 2010-07-21 | 2012-02-09 | Siemens Corp | 包括的な患者固有の心臓のモデリング方法およびシステム |
| WO2012021307A2 (en) * | 2010-08-12 | 2012-02-16 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
| US20120243761A1 (en) * | 2011-03-21 | 2012-09-27 | Senzig Robert F | System and method for estimating vascular flow using ct imaging |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0221434D0 (en) | 2002-09-16 | 2002-10-23 | Houston John G | A method of analysing fluid flow in a conduit |
| IL165636A0 (en) | 2004-12-08 | 2006-01-15 | Paieon Inc | Method and apparatus for finding the coronary velocity and flow and related parameters |
| EP1830701A1 (en) | 2004-12-08 | 2007-09-12 | Paieon Inc. | Method and apparatus for blood vessel parameter determinations |
| CN201015590Y (zh) * | 2007-03-28 | 2008-02-06 | 李楚雅 | 血流储备分数实时连续测量系统 |
| DE102008014792B3 (de) | 2008-03-18 | 2009-06-18 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zur Simulation eines Blutflusses in einem Gefäßabschnitt |
| US8200466B2 (en) | 2008-07-21 | 2012-06-12 | The Board Of Trustees Of The Leland Stanford Junior University | Method for tuning patient-specific cardiovascular simulations |
| US8898022B2 (en) | 2008-08-25 | 2014-11-25 | Eth Zurich | Method, system and device for enhancing flow field data |
| US20100130878A1 (en) | 2008-11-24 | 2010-05-27 | General Electric Company | Systems, apparatus and processes for automated blood flow assessment of vasculature |
| US9405886B2 (en) | 2009-03-17 | 2016-08-02 | The Board Of Trustees Of The Leland Stanford Junior University | Method for determining cardiovascular information |
| US20110307231A1 (en) | 2010-06-09 | 2011-12-15 | Jens Kirchner | Method and arrangement for creating an individualized, computer-aided model of a system, and a corresponding computer program and a corresponding machine-readable storage medium |
| US8682626B2 (en) | 2010-07-21 | 2014-03-25 | Siemens Aktiengesellschaft | Method and system for comprehensive patient-specific modeling of the heart |
| US8157742B2 (en) | 2010-08-12 | 2012-04-17 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
| US9119540B2 (en) | 2010-09-16 | 2015-09-01 | Siemens Aktiengesellschaft | Method and system for non-invasive assessment of coronary artery disease |
| DE102010043849B3 (de) | 2010-11-12 | 2012-02-16 | Siemens Aktiengesellschaft | Vorrichtung und Computertomograph zur Bestimmung und Darstellung der Durchblutung des Herzmuskels |
-
2013
- 2013-10-24 CN CN201380057710.1A patent/CN104768465B/zh active Active
- 2013-10-24 US US14/437,990 patent/US9757073B2/en active Active
- 2013-10-24 JP JP2015540242A patent/JP6302922B2/ja active Active
- 2013-10-24 RU RU2015121362A patent/RU2015121362A/ru not_active Application Discontinuation
- 2013-10-24 BR BR112015010012A patent/BR112015010012A2/pt not_active IP Right Cessation
- 2013-10-24 EP EP13824350.6A patent/EP2916735B1/en active Active
- 2013-10-24 WO PCT/IB2013/059616 patent/WO2014072861A2/en active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012024582A (ja) * | 2010-07-21 | 2012-02-09 | Siemens Corp | 包括的な患者固有の心臓のモデリング方法およびシステム |
| WO2012021307A2 (en) * | 2010-08-12 | 2012-02-16 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
| JP2013534154A (ja) * | 2010-08-12 | 2013-09-02 | ハートフロー， インコーポレイテッド | 患者固有の血流のモデリングのための方法およびシステム |
| US20120243761A1 (en) * | 2011-03-21 | 2012-09-27 | Senzig Robert F | System and method for estimating vascular flow using ct imaging |
Non-Patent Citations (4)
| Title |
|---|
| BON-KWON KOO ET AL.: "Diagnosis of Ischemia-Causing Coronary Stenoses by Noninvasive Fractional Flow Reserve Computed From", JOURNAL OF THE AMERICAN COLLEGE OF CARDIOLOGY, vol. 58, no. 19, JPN6017030526, 1 November 2011 (2011-11-01), pages 1989 - 1997, XP055115003, ISSN: 0003619514, DOI: 10.1016/j.jacc.2011.06.066 * |
| H. J. KIM ET AL.: "Incorporating Autoregulatory Mechanisms of the Cardiovascular System in Three-Dimensional Finite Ele", ANNALS OF BIOMEDICAL ENGINEERING, vol. 38, no. 7, JPN6017030527, July 2010 (2010-07-01), NE, pages 2314 - 2330, XP019811718, ISSN: 0003619515 * |
| H. J. KIM ET AL.: "Patient-Specific Modeling of Blood Flow and Pressure in Human Coronary Arteries", ANNALS OF BIOMEDICAL ENGINEERING, vol. 38, no. 10, JPN6017030528, October 2010 (2010-10-01), pages 3195 - 3209, XP019811680, ISSN: 0003619516 * |
| P. SMITHA ET AL.: "A Review of Medical Image Classification Techniques", INTERNATIONAL CONFERENCE ON VLSI, COMMUNICATION & INSTRUMENTATION (ICVCI), vol. No.2 - Article 1, JPN7017002639, 2011, pages 34 - 38, ISSN: 0003619517 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7505093B2 (ja) | 2016-09-20 | 2024-06-24 | ハートフロー， インコーポレイテッド | 患者の血流特性を決定するためのコンピュータで実行する方法、システム、及び非一時的コンピュータ可読媒体 |
| JP2020510451A (ja) * | 2016-11-22 | 2020-04-09 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | 生物物理的シミュレーション用の血管樹標準化及び／又はプルーニングされた部分用の拡張シミュレーション |
| US10646127B2 (en) | 2017-02-28 | 2020-05-12 | Fujifilm Corporation | Blood flow analysis device, method, and program |
| JP2020511262A (ja) * | 2017-03-24 | 2020-04-16 | パイ メディカル イメージング ビー ヴイＰｉｅ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ Ｂ．Ｖ． | 機械学習に基づいて血管閉塞を評価する方法およびシステム |
| JP7149286B2 (ja) | 2017-03-24 | 2022-10-06 | パイ メディカル イメージング ビー ヴイ | 機械学習に基づいて血管閉塞を評価する方法およびシステム |
| JP2020516348A (ja) * | 2017-04-06 | 2020-06-11 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | Ｅｃｇ信号からの心筋微小血管抵抗の推定に基づく冠状動脈疾患メトリック |
| JP7229170B2 (ja) | 2017-04-06 | 2023-02-27 | コーニンクレッカ フィリップス エヌ ヴェ | Ｅｃｇ信号からの心筋微小血管抵抗の推定に基づく冠状動脈疾患メトリック |
| JP2020525053A (ja) * | 2017-06-30 | 2020-08-27 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | 機械学習スペクトルｆｆｒ−ｃｔ |
| JP7325331B2 (ja) | 2017-06-30 | 2023-08-14 | コーニンクレッカ フィリップス エヌ ヴェ | 機械学習スペクトルｆｆｒ－ｃｔ |
| JP2021520896A (ja) * | 2018-04-11 | 2021-08-26 | パイ メディカル イメージング ビー ヴイＰｉｅ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ Ｂ．Ｖ． | 機械学習に基づいて血管閉塞を評価するための方法とシステム |
| JP7346442B2 (ja) | 2018-04-11 | 2023-09-19 | パイ メディカル イメージング ビー ヴイ | 機械学習に基づいて血管閉塞を評価するための方法とシステム |
| JP2018192346A (ja) * | 2018-09-18 | 2018-12-06 | キヤノンメディカルシステムズ株式会社 | 血管解析装置、血管解析方法及び血管解析プログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| EP2916735A2 (en) | 2015-09-16 |
| WO2014072861A2 (en) | 2014-05-15 |
| JP6302922B2 (ja) | 2018-03-28 |
| CN104768465B (zh) | 2018-06-19 |
| WO2014072861A3 (en) | 2014-09-12 |
| US9757073B2 (en) | 2017-09-12 |
| EP2916735B1 (en) | 2019-09-25 |
| US20150282765A1 (en) | 2015-10-08 |
| BR112015010012A2 (pt) | 2017-07-11 |
| RU2015121362A (ru) | 2016-12-27 |
| CN104768465A (zh) | 2015-07-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6302922B2 (ja) | 冠血流予備量比（ｆｆｒ）指標 | |
| US10595806B2 (en) | Fractional flow reserve (FFR) index with adaptive boundary condition parameters | |
| CN107613874B (zh) | 用于评估血管狭窄的方法和装置 | |
| JP6484760B2 (ja) | 非侵襲的血流予備量比（ｆｆｒ）に対する側副血流モデル化 | |
| JP6749917B2 (ja) | ｉＦＲ−ＣＴ | |
| KR20150042854A (ko) | 혈관 기하학적 구조 및 생리학으로부터 혈류 특징들을 추정하기 위한 시스템들 및 방법들 | |
| EP3544512B1 (en) | Vascular tree standardization for biophysical simulation and/or an extension simulation for pruned portions | |
| CN112967220A (zh) | 评估与血管周围组织有关的ct数据集的计算机实现的方法 | |
| CN110444275B (zh) | 用于快速计算血流储备分数的系统和方法 | |
| JP7300392B2 (ja) | 標準化された冠動脈疾患メトリック | |
| JP7426824B2 (ja) | 非侵襲的イメージングベースのｆｆｒのインタラクションモニタリング |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20161021 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20170725 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170815 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170926 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20180206 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180305 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6302922 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |