JP2018517958A - 生理的特性、解剖学的特性、及び患者特性から灌流障害を予測するためのシステム及び方法 - Google Patents
生理的特性、解剖学的特性、及び患者特性から灌流障害を予測するためのシステム及び方法 Download PDFInfo
- Publication number
- JP2018517958A JP2018517958A JP2017551099A JP2017551099A JP2018517958A JP 2018517958 A JP2018517958 A JP 2018517958A JP 2017551099 A JP2017551099 A JP 2017551099A JP 2017551099 A JP2017551099 A JP 2017551099A JP 2018517958 A JP2018517958 A JP 2018517958A
- Authority
- JP
- Japan
- Prior art keywords
- patient
- blood
- specific
- perfusion
- model
- 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
- 230000010412 perfusion Effects 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000006378 damage Effects 0.000 title description 2
- 208000027418 Wounds and injury Diseases 0.000 title 1
- 208000014674 injury Diseases 0.000 title 1
- 230000002792 vascular Effects 0.000 claims abstract description 46
- 238000013334 tissue model Methods 0.000 claims abstract description 38
- 230000017531 blood circulation Effects 0.000 claims abstract description 27
- 230000004962 physiological condition Effects 0.000 claims abstract description 21
- 210000003484 anatomy Anatomy 0.000 claims abstract description 14
- 210000001519 tissue Anatomy 0.000 claims description 48
- 210000004369 blood Anatomy 0.000 claims description 28
- 239000008280 blood Substances 0.000 claims description 28
- 210000004204 blood vessel Anatomy 0.000 claims description 25
- 230000035790 physiological processes and functions Effects 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 17
- 230000008081 blood perfusion Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000002603 single-photon emission computed tomography Methods 0.000 claims description 11
- 230000000284 resting effect Effects 0.000 claims description 10
- 230000005484 gravity Effects 0.000 claims description 7
- 210000004165 myocardium Anatomy 0.000 claims description 7
- 210000000056 organ Anatomy 0.000 claims description 7
- 206010020772 Hypertension Diseases 0.000 claims description 4
- 208000026062 Tissue disease Diseases 0.000 claims description 4
- 239000003814 drug Substances 0.000 claims description 4
- 229940079593 drug Drugs 0.000 claims description 4
- 210000004185 liver Anatomy 0.000 claims description 4
- 230000000291 postprandial effect Effects 0.000 claims description 4
- 210000004556 brain Anatomy 0.000 claims description 3
- 230000002996 emotional effect Effects 0.000 claims description 3
- 210000000936 intestine Anatomy 0.000 claims description 3
- 210000003734 kidney Anatomy 0.000 claims description 3
- 210000003205 muscle Anatomy 0.000 claims description 3
- 230000009278 visceral effect Effects 0.000 claims description 3
- 230000002490 cerebral effect Effects 0.000 claims description 2
- 210000004351 coronary vessel Anatomy 0.000 claims description 2
- 238000013500 data storage Methods 0.000 claims description 2
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 230000002440 hepatic effect Effects 0.000 claims 2
- 210000005259 peripheral blood Anatomy 0.000 claims 1
- 239000011886 peripheral blood Substances 0.000 claims 1
- 238000011282 treatment Methods 0.000 abstract description 21
- 208000024172 Cardiovascular disease Diseases 0.000 abstract description 10
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 238000010801 machine learning Methods 0.000 description 19
- 238000012549 training Methods 0.000 description 15
- 230000036770 blood supply Effects 0.000 description 12
- 238000004088 simulation Methods 0.000 description 12
- 201000010099 disease Diseases 0.000 description 11
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 11
- 238000002600 positron emission tomography Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 9
- 238000002591 computed tomography Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 208000029078 coronary artery disease Diseases 0.000 description 6
- 230000000747 cardiac effect Effects 0.000 description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 208000010125 myocardial infarction Diseases 0.000 description 5
- 239000000700 radioactive tracer Substances 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000002526 effect on cardiovascular system Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 208000019553 vascular disease Diseases 0.000 description 3
- 206010008479 Chest Pain Diseases 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000002872 contrast media Substances 0.000 description 2
- 238000002001 electrophysiology Methods 0.000 description 2
- 230000007831 electrophysiology Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013146 percutaneous coronary intervention Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 206010002388 Angina unstable Diseases 0.000 description 1
- 208000004434 Calcinosis Diseases 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 229940121710 HMGCoA reductase inhibitor Drugs 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 208000007718 Stable Angina Diseases 0.000 description 1
- 208000007814 Unstable Angina Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 210000005003 heart tissue Anatomy 0.000 description 1
- 239000002471 hydroxymethylglutaryl coenzyme A reductase inhibitor Substances 0.000 description 1
- 201000004332 intermediate coronary syndrome Diseases 0.000 description 1
- 238000012977 invasive surgical procedure Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000011326 mechanical measurement Methods 0.000 description 1
- 239000004005 microsphere Substances 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 230000007406 plaque accumulation Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000002537 thrombolytic effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000025033 vasoconstriction Effects 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
- A61B5/02—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
- A61B5/026—Measuring blood flow
-
- 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
-
- 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
- G16H50/50—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
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Physiology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Cardiology (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Hematology (AREA)
- Vascular Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
心血管疾患の診断または処置を導くためターゲット組織の灌流を推定するために、患者固有の解剖学的モデル及び生理的パラメータを使用するためのシステム及び方法が開示される。１つの方法は、患者の解剖学的構造の患者固有の血管モデル及び患者固有の組織モデルを受信すること、患者の１つまたは複数の生理的状態について血管または組織モデルから１つまたは複数の患者固有の生理的パラメータ（例えば、血流、解剖学的特性、画像特性等）を抽出すること、患者固有の生理的パラメータを使用して患者固有の組織モデルの灌流の特性を（例えば、訓練された機械学習アルゴリズムによって）推定すること、及び、被推定特性をディスプレイに出力することを含む。【選択図】図２
Description
関連出願
本出願は、２０１５年４月２日に出願された米国仮特許出願第６２／１４２，１５８号に対して米国特許法１１９条（ｅ）に基づいて優先権を主張し、その内容は、参照によりその全体が本明細書に組み込まれる。
本出願は、２０１５年４月２日に出願された米国仮特許出願第６２／１４２，１５８号に対して米国特許法１１９条（ｅ）に基づいて優先権を主張し、その内容は、参照によりその全体が本明細書に組み込まれる。
本開示の種々の実施形態は、一般に、疾患評価、処置計画、及び関連方法に関する。より具体的には、本開示の特定の実施形態は、ターゲット組織の灌流を推定するためのシステム及び方法に関する。
冠動脈疾患は、何百万人もの人々に影響を及ぼす一般的な病気である。冠動脈疾患は、狭窄症（血管の異常な狭隘化）等の病変を、心臓に血液を提供する血管に生じさせる場合がある。結果として、心臓への血流は制限される場合がある。冠動脈疾患に罹患している患者は、身体的運動の間の慢性安定狭心症または患者が安静時にあるときの不安定狭心症と呼ばれる、胸部疼痛を経験する場合がある。疾患のより重篤な顕在化は、心筋梗塞または心臓発作につながる場合がある。医療治療（例えば、スタチン）または外科的代替法（例えば、経皮的冠動脈インターベンション（ＰＣＩ：ｐｅｒｃｕｔａｎｅｏｕｓ ｃｏｒｏｎａｒｙ ｉｎｔｅｒｖｅｎｔｉｏｎ）及び冠動脈バイパスグラフト術（ＣＡＢＧ：ｃｏｒｏｎａｒｙ ａｒｔｅｒｙ ｂｙｐａｓｓ ｇｒａｆｔ ｓｕｒｇｅｒｙ））の両方を含む冠動脈疾患の処置において、大幅な進歩が遂げられてきた。侵襲的評価は、患者が受ける場合がある処置のタイプを評価するために、一般に使用される。しかし、患者処置を考案するための間接的または非侵襲的評価が、調査され開発されている。
心臓疾患は、血管疾患、特に、血流に影響を及ぼすような血管の狭隘化または血管内腔の内部での閉塞に起因するものと通常見なされる。この狭隘化または閉塞の程度を測定する１つの方法は、灌流スキャンによるものである。その理由は、灌流が血管網（例えば、動脈、毛細管等）を通る血液の流れであるからである。現在のところ、灌流スキャンは、費用がかかる場合があり、また、患者を不必要な放射線にさらす場合がある。そのため、或るターゲット組織における灌流を推定するため、利用可能な患者情報を使用する欲求が存在し、被推定灌流データが使用されて、画像を読影する方法に医師が情通しているような、よく知られているスキャンタイプ、例えば、単一光子放射断層撮影（ＳＰＥＣＴ：ｓｉｎｇｌｅ ｐｈｏｔｏｎ ｅｍｉｓｓｉｏｎ ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ）または陽電子放射断層撮影（ＰＥＴ：ｐｏｓｉｔｒｏｎ ｅｍｉｓｓｉｏｎ ｔｏｍｏｇｒａｐｈｙ）をシミュレートする場合がある。更に、心血管疾患の重篤度をよりよく評価することによって、心血管疾患の処置を改善する欲求が存在する。
先の一般的な説明及び以下の詳細な説明は、例示的かつ説明的であるに過ぎず、本開示を制限しない。
本開示の或る態様によれば、心血管疾患の診断または処置を導くためターゲット組織の灌流を推定するために、利用可能な情報を使用するためのシステム及び方法が開示される。
１つの方法は、患者の解剖学的構造の患者固有の血管モデル及び患者固有の組織モデルを受信すること、患者の１つまたは複数の生理的状態において血管または組織モデルから患者の１つまたは複数の患者固有の生理的パラメータを抽出すること、患者固有の生理的パラメータを使用して患者固有の組織モデルを通る血液の灌流の特性を推定すること、及び、血液の灌流の被推定特性をディスプレイに出力することを含む。
別の実施形態によれば、患者固有の灌流を推定するためのシステムであって、血液の灌流の患者固有の特性を決定するための命令を記憶するデータ記憶デバイスと、プロセッサとを備え、プロセッサは、方法であって、患者の解剖学的構造の患者固有の血管モデル及び患者固有の組織モデルを受信するステップと、患者の１つまたは複数の生理的状態において血管または組織モデルから患者の１つまたは複数の患者固有の生理的パラメータを抽出するステップと、患者固有の生理的パラメータを使用して患者固有の組織モデルを通る血液の灌流の特性を推定するステップと、血液の灌流の被推定特性をディスプレイに出力するステップとを含む方法を実施する命令を実行するように構成される、システムである。
別の実施形態によれば、血液の灌流の患者固有の特性を推定するためのコンピュータ実行可能プログラミング命令を含むコンピュータシステム上で使用するための非一時的コンピュータ可読媒体であって、方法は、患者の解剖学的構造の患者固有の血管モデル及び患者固有の組織モデルを受信すること、患者の１つまたは複数の生理的状態において血管または組織モデルから患者の１つまたは複数の患者固有の生理的パラメータを抽出すること、患者固有の生理的パラメータを使用して患者固有の組織モデルを通る血液の灌流の特性を推定すること、及び、血液の灌流の被推定特性をディスプレイに出力することを含む、非一時的コンピュータ可読媒体である。
開示される実施形態の更なる目的及び利点は、次に続く説明において部分的に述べられることになり、また、説明から部分的に明らかになることになる、または、開示される実施形態の実施によって学習されてもよい。開示される実施形態に関する目的及び利点は、添付特許請求の範囲において特に指摘される要素及び組合せによって実現され達成されることになる。
先の一般的な説明と以下の詳細な説明は共に、例示的かつ説明的であるに過ぎず、特許請求される詳細な実施形態を制限しないことが理解される。
本明細書に組込まれ、本明細書の一部を構成する添付図面は、種々の例示的な実施形態を示し、説明と共に、開示される実施形態の原理を説明するのに役立つ。
その例が添付図面に示される本開示の例示的な実施形態に対する参照が、ここで詳細に行われる。可能であるときはいつでも、同じ参照数字が、同じまたは同様な部分を指すために図面全体を通して使用されることになる。
冠動脈疾患は、心臓に対する血流がそれによって制限される場合がある一般的な病気である。冠動脈疾患の処置において、大幅な進歩が遂げられてきたが、その処置は、しばしば見当外れであるまたは過剰である。例えば、患者は、しばしば、侵襲的外科処置または灌流スキャンを受け、それらは、費用がかかる場合がある、及び／または、患者を不必要な放射線にさらす場合がある。患者は、時として、自分の状態を変化させる可能性がない処置を受ける。或る状況において、患者は、自分の状態を最終的に悪化させる処置を更に受ける。そのため、処置コースを選択するのを補助するため、正確に、心血管疾患の重篤度を評価する及び／または灌流を予測する必要性が存在する。
心血管疾患は、血管疾患に結び付けられ、血管狭隘化または閉塞を意味する場合がある。心臓灌流スキャンは、異なる生理的状態における心筋内の血液の量を測定できる。「生理的状態（ｐｈｙｓｉｏｌｏｇｉｃａｌ ｓｔａｔｅ）」は、安静時患者状態、うっ血状態、運動状態、食後状態、重力状態、感情的状態、高血圧状態、薬剤服用状態、またはその組合せを指してもよい。灌流スキャンがしばしば実施されて、何が胸部疼痛をもたらしている可能性があるかを決定する、また、心臓の組織が、血液の適切な流れを供給されているかどうかを判定する、あるいは、心筋が、心臓発作からどれほど損傷を受けているかを決定する。
スキャン中、放射性トレーサが患者に経静脈的に投与された後に心臓の画像が生成される。放射性トレーサは、血液を通り心筋に入るように移動する。トレーサが、心筋を通って移動するにつれて、十分な血流を有する組織はトレーサを吸収する。トレーサを吸収しない組織は、十分な血液を受取らない場合がある、または、心臓発作によって損傷されている場合がある。画像の２つのセットが、心臓灌流スキャン中に生成されてもよい。安静時画像は、その後、ストレスまたは非安静画像と比較され、ターゲット組織内の灌流のレベルが決定されてもよい。「ターゲット組織（ｔａｒｇｅｔ ｔｉｓｓｕｅ）」は、血液供給及び／または灌流特性がそこで推定されてもよい組織及び／または器官を指してもよい。
したがって、ターゲット組織内の灌流の理解は、臨床的に重要である場合がある。灌流の理解は、疾患の重篤度または処置の適切さの評価を改善する場合がある。本開示は、異なる生理的状況において血管疾患の重篤度をより正確に評価するため、そこでは灌流を測定するのが難しい場合がある状況下で灌流を推定することによって、及び／または、心臓灌流の測定値を使用することによって、患者及び医師を利することができる。生成される灌流画像は、ＰＥＴ及び／またはＳＰＥＣＴ等のよく知られているスキャンタイプから生成される画像をシミュレートすることができる。シミュレートされた画像は、ＰＥＴ及び／またはＳＰＥＣＴ画像を読影するために訓練される医師に対して読影及び理解の容易さを提供することができる。本開示のためね、「患者（ｐａｔｉｅｎｔ）」は、診断または処置解析が実施される対象の任意の個人または人、あるいは、１人または複数人の個人の診断または処置解析に関連する任意の個人または人を指してもよい。
図１は、本開示のシステム及びネットワークの抽象図を提供するが、図２は、血液の灌流の１つまたは複数の特性を推定するための方法の一般的な実施形態を示し、図３は、より具体的な実施形態を配置する。更に、図２及び図３は共に、組織を通る血液の灌流の推定量を決定するステップを開示する。図４は、訓練された機械学習アルゴリズムを使用して、組織を通る血液の灌流の１つまたは複数の特性の推定量を決定するステップを実施する例示的な方法を示す。図５は、図４に開示する方法を更に詳細に考察する。
ここで図をより詳細に参照すると、図１は、例示的な実施形態による、心血管疾患の診断または処置を導くため心臓灌流を推定するための例示的なシステム１００及びネットワークのブロック図を示す。特に、図１は、複数の医師１０２及び第３者プロバイダ１０４を示し、それらのうちの任意のものは、１つまたは複数のコンピュータ、サーバ、及び／または手持ち式モバイルデバイスを通して、インターネット等の電子ネットワーク１０１に接続されてもよい。医師１０２及び／または第３者プロバイダ１０４は、１人または複数人の患者の解剖学的構造の画像を作成するまたはその他の方法で取得してもよい。医師１０２及び／または第３者プロバイダ１０４は、同様に、年齢、医療履歴、血圧、血液粘度、患者活動、または運動レベル等のような患者固有の情報の任意の組合せを取得してもよい。医師１０２及び／または第３者プロバイダ１０４は、解剖学的画像及び／または患者固有の情報を、電子ネットワーク１０１を通じてサーバシステム１０６に送信してもよい。サーバシステム１０６は、医師１０２及び／または第３者プロバイダ１０４から受信される画像及びデータを記憶するための記憶デバイスを含んでもよい。サーバシステム１０６は、同様に、記憶デバイスに記憶される画像及びデータを処理するための処理デバイスを含んでもよい。
図２は、心血管疾患の診断または処置を導くため心臓灌流を推定するため例示的な方法２００の一般的な実施形態を示す。図２の方法は、電子ネットワーク１０１を通じて医師１０２及び／または第３者プロバイダ１０４から受信される情報、画像、及びデータに基づいてサーバシステム１０６によって実施されてもよい。
一実施形態において、ステップ２０２は、記憶システム１０６の電子記憶媒体に記憶される患者の解剖学的構造の患者固有の血管モデル及び患者固有のターゲット組織モデルを受信することを含んでもよい。「電子記憶媒体（ｅｌｅｃｔｒｏｎｉｃ ｓｔｏｒａｇｅ ｍｅｄｉｕｍ）」は、ディスプレイスクリーンに固着されてもよく、固着されなくてもよい、ハードドライブ、ネットワークドライブ、クラウドドライブ、モバイルフォン、タブレット、または同様なものを含んでもよいが、それに限定されない。特に、患者固有の血管モデル及び患者固有のターゲット組織モデルを受信することは、サーバシステム１０６において患者固有の血管モデル及び／または患者固有のターゲット組織モデルを生成すること、または、電子ネットワーク（例えば、電子ネットワーク１０１）を通じて患者固有の血管モデル及び／または患者固有のターゲット組織モデルを受信することを含んでもよい。患者固有の血管モデル及び患者固有のターゲット組織モデルは、特定の患者の心血管モデルを含んでもよい。一実施形態において、血管モデル及びターゲット組織モデルは、１つまたは複数の利用可能な撮像またはスキャンモダリティ（例えば、コンピュータ断層撮影（ＣＴ：ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ）スキャン及び／または磁気共鳴撮像（ＭＲＩ：ｍａｇｎｅｔｉｃ ｒｅｓｏｎａｎｃｅ ｉｍａｇｉｎｇ））によって採取（ａｃｑｕｉｒｅ）される人の画像から導出されてもよい。例えば、ステップ２０２は、人の心臓のＣＴ及びＭＲＩ画像を受信することを含んでもよい。ステップ２０２は、受信された画像から、特定の人について患者固有の心血管モデルを生成することを更に含んでもよい。電子記憶媒体は、ハードドライブ、ネットワークドライブ、クラウドドライブ、モバイルフォン、または同様なものを含んでもよいが、それに限定されない。
一実施形態において、ステップ２０４及び２０６は、１つまたは複数の患者固有の生理的パラメータを受信または計算することを含んでもよい。これらの患者固有の生理的パラメータは、受信された血管モデル及び／またはターゲット組織モデルから受信または計算されてもよい。これらの患者固有の生理的パラメータは、解剖学的特性、画像特性、ならびに、患者及び／または患者の解剖学的構造に関連する２次特性（例えば、患者特性、疾病負荷特性、及び電気機械的測定値）を含んでもよい。患者固有の生理的パラメータは、同様に、１つまたは複数の生理的状態下における、ターゲット組織の各エリアに対する血液供給の推定量及び／または血流特性を含む、血液循環に関連するパラメータを含んでもよい。
特に、ステップ２０４は、１つまたは複数の生理的状態下において、１つまたは複数の解剖学的特性、画像特性、患者特性、疾病負荷特性、及び／または電気機械的測定値を受信または計算することを含んでもよい。生理的状態の１つの事例は、安静時状態であってもよい。別の生理的状態は、安静時状態以外の生理的状態または「アクティブな（ａｃｔｉｖｅ）」生理的状態であってもよい。アクティブな生理的状態は、うっ血、種々の運動レベル、食後、位置（例えば、背臥位−直立）、重力（例えば、Ｇフォース、ゼロ重力等）、またはその組合せを含んでもよい。一実施形態において、患者固有の生理的パラメータは、血管モデル及び／またはターゲット組織モデル以外のソースから取得されてもよい。
一実施形態において、ステップ２０６は、１つまたは複数の生理的状態下において、ターゲット組織の各エリアまたは血管網内の各血管に対する被推定供給血液及び／または被推定血流特性を受信または計算することを含んでもよい。これらの推定は、（例えば、撮像を通して測定することによる）測定に基づいてもよい、または、（例えば、３Ｄシミュレーション、１Ｄシミュレーション、または学習された関係に基づく）安静時状態における供給血液の推定によってもよい。
一実施形態において、ステップ２０８は、連結事前情報を使用して、血管モデルの血管またはターゲット組織モデル内のエリア内の灌流の推定量を決定または出力することを含んでもよい。連結事前情報は、ステップ２０４及び２０６にて決定された１つまたは複数の受信済みの患者固有の生理的パラメータ（例えば、受信済みのまたは計算済みの医療画像特性、解剖学的特性、ターゲット組織に対する血液供給、血流特性、患者特性、疾病負荷特性、電気機械的測定値等）を指してもよい。一実施形態において、灌流の推定量を決定することは、人が所与の生理的状態にある間に、人の血管モデルの１つまたは複数の血管場所における供給血液の推定量を決定することを含んでもよい。この決定は、同様に、（例えば、撮像による）血流の測定に基づいてもよい、または、（例えば、３Ｄシミュレーション、１Ｄシミュレーション、または学習された関係に基づく）安静時状態における血流の推定によってもよい。一実施形態において、ステップ２０８は、血管モデルに関連するターゲット組織の灌流テリトリの推定量を計算することを含んでもよい。この推定量は、血管モデルにおいてターゲット組織内の場所を、最も近い供給血管に割当てる最近傍（例えば、ボロノイ図）アプローチを使用することによって決定されてもよい。推定量は、同様に、例えば、制約付き構築的最適化アプローチ（ｃｏｎｓｔｒａｉｎｅｄ ｃｏｎｓｔｒｕｃｔｉｖｅ ｏｐｔｉｍｉｚａｔｉｏｎ ａｐｐｒｏａｃｈ）を使用することによって、解剖学的モデルからの微小血管推定技法を使用して決定されてもよい。一実施形態において、ステップ２０８は、プロセッサによって実施されてもよい。プロセッサは、機械学習によって、１つまたは複数の生理的状態において、血管モデル内のターゲット組織の１つまたは複数の場所における灌流を推定してもよい。一実施形態において、ステップ２０８は、灌流の推定量を、電子記憶媒体（例えば、ハードディスク、ネットワークドライブ、可搬型ディスク、スマートフォン、タブレット等）及び／またはディスプレイスクリーンに出力することを更に含んでもよい。一実施形態において、出力される灌流推定量は、２Ｄまたは３Ｄにおいてグレースケールまたはカラーで表示されてもよい。計算済みの灌流推定量は、ターゲット組織の解剖学的モデル上に重ねられてもよい、及び／または、ターゲット組織の画像上に重ねられてもよい。
一実施形態において、ステップ２１０は、１つまたは複数の生理的状態においてＳＰＥＣＴまたはＰＥＴスキャンをシミュレートするために設計された仮想灌流を推定することを含んでもよい。一実施形態において、推定は、灌流推定量によって与えられる濃度の造影剤をモデル化することによって実施されてもよい。別の実施形態において、前記推定は、仮想コリメータ場所において光子または陽子のコリメーションを推定するモンテカルロシミュレーションを実施することを含んでもよい。コリメータ推定を使用して、ＳＰＥＣＴまたはＰＥＴ画像は、標準的な断層技法を使用して再構築されてもよい。推定される仮想灌流画像は、電気記憶媒体に保存されてもよい、及び／または、モニター上に表示されてもよい。
図３は、心血管疾患の診断または処置を導くため心臓灌流を推定するための方法３００の例示的な実施形態を示す。図３の方法は、電子ネットワーク１０１を通じて医師１０２及び／または第３者プロバイダ１０４から受信される情報、画像、及びデータに基づいてサーバシステム１０６によって実施されてもよい。
一実施形態において、ステップ３０２は、記憶システム１０６の電子記憶媒体内の患者解剖学的構造の少なくともターゲット組織の患者固有の血管モデルを含んでもよい。特に、患者固有の解剖学的モデルを受信することは、サーバシステム１０６において解剖学的モデルを生成すること、または、電子ネットワーク（例えば、電子ネットワーク１０１）を通じて解剖学的モデルを受信することを含んでもよい。患者固有の解剖学的モデルは、特定の人の心血管モデルを含んでもよい。一実施形態において、解剖学的モデルは、１つまたは複数の利用可能な撮像またはスキャンモダリティ（例えば、ＣＴスキャン及び／または磁気共鳴撮像）によって採取されるその人の画像から導出されてもよい。例えば、ステップ３０２は、人の心臓のＣＴ及び／またはＭＲＩ画像を受信することを含んでもよい。ステップ３０２は、受信された画像から、特定の人についての患者固有の心血管モデルを生成することを更に含んでもよい。電子記憶媒体は、ハードドライブ、ネットワークドライブ、クラウドドライブ、モバイルフォン、タブレット、または同様なものを含んでもよいが、それに限定されない。
一実施形態において、ステップ３０４は、ターゲット組織の解剖学的特性の１つまたは複数の推定量を計算することを含んでもよい。解剖学的特性は、血管サイズ、血管形状、屈曲度、厚さ、及び／または血管組織または血管網内の被推定灌流テリトリを含むが、それに限定されない。この計算は、（例えば、撮像を通して測定することによる）測定に基づいてもよい、または、（例えば、３Ｄシミュレーション、１Ｄシミュレーション、または学習された関係に基づく）安静時状態における解剖学的特性の推定によってもよい。
一実施形態において、ステップ３０６は、ターゲット組織の１つまたは複数の画像特性を受信することを含んでもよい。画像特性は、ＣＴスキャン画像、ＭＲＩ画像、超音波画像、ＰＥＴ画像、またはＳＰＥＣＴ画像から取得されてもよい。画像は、１つまたは複数の生理的状態（例えば、安静、ストレス、アクティブ）において血管モデルを取込んでもよい。ターゲット組織または血管の画像特性は、血管モデル内の１つまたは複数の場所で受信または計算されてもよい。画像特性は、１つまたは複数の画像分解能における局所平均強度、（例えば、ハールウェーブレットを使用してウェーブレットベースによって計算される）平均強度の差、テクスチャ特性（例えば、ハラリックテクスチャ特徴）、及び、任意の標準的な画像特徴であって、ヒストグラム、勾配、ＳＩＦＴ、またはスティーラブルフィルタ等を含む、任意の標準的な画像特徴を含んでもよいが、それに限定されない。
一実施形態において、ステップ３０８は、患者特性を受信することを含んでもよい。患者特性は、年齢、性別、喫煙履歴、身長、体重、糖尿病状態、高血圧状態、民族的状態、家族履歴、血液型、薬物使用の前歴、及び／または遺伝的履歴を含んでもよいが、それに限定されない。患者特性は、電子ネットワーク１００を介してまたは患者の医師１０２からまたは第３者プロバイダ１０３から取得されてもよい。
一実施形態において、ステップ３１０は、血管またはターゲット組織疾患特性を受信することを含んでもよい。ターゲット組織疾患特性は、動脈内のプラーク蓄積の存在及び程度、プラーク特性（例えば、微小石灰化、低吸収プラーク、ナプキンリングサイン、ポジティブリモデリング）の存在、患者レベルまたは血管レベルカルシウムスコア、組織生存情報、血管壁運動、血管壁厚、及び／または駆出率情報を含んでもよいが、それに限定されない。
一実施形態において、ステップ３１２は、電気機械的測定値を受信することを含んでもよい。電気機械的測定値は、心電図記録法（ＥＣＧ：ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｐｈｙ）測定値、または、侵襲的電気生理学（ＥＰ：ｅｌｅｃｔｒｏｐｈｙｓｉｏｌｏｇｙ）測定値を含んでもよいが、それに限定されない。
一実施形態において、ステップ３１４は、１つまたは複数の生理的状態下でのターゲット組織の各エリアに対する供給血液の推定量を計算することを含んでもよい。第１の生理的状態の１つの事例は、安静時状態であってよい。この計算は、（例えば、撮像を通して測定することによる）測定に基づいてもよい、または、（例えば、３次元（３Ｄ）シミュレーション、１次元（１Ｄ）シミュレーション、または学習された関係に基づく）安静時状態における供給血液の推定によってもよい。別の生理的状態は、安静時状態以外の生理的状態または「アクティブな」生理的状態であってもよい。こうした生理的状態の１つの事例は、うっ血を含んでもよい。他の非安静時生理的状態は、種々のレベルの運動、食後、位置（例えば、背臥位−直立）、重力（例えば、Ｇフォース、ゼロ重力等）を含んでもよい。
一実施形態において、ステップ３１６は、ターゲット組織の１つまたは複数の血流特性を計算することを含んでもよい。一実施形態において、血流特性は、血流予備量比（ＦＦＲ：ｆｒａｃｔｉｏｎａｌ ｆｌｏｗ ｒｅｓｅｒｖｅ）、流れの方向、及び／または流れの大きさを含んでもよいが、それに限定されず、ターゲット組織に対する血流の推定量によって決定される。一実施形態において、血流特性は、侵襲的測定（例えば、侵襲的ＦＦＲ、心筋梗塞の血栓溶解（ＴＩＭＩ：ｔｈｒｏｍｂｏｓｉｓ ｉｎ ｍｙｏｃａｒｄｉａｌ ｉｎｆａｒｃｔｉｏｎ）、またはマイクロスフィア）、血流シミュレーションモデルを使用する計算（例えば、３Ｄまたは１Ｄ流体シミュレーションモデル、計算、またはＴＡＦＥ）、撮像特性を使用する計算（例えば、ＴＡＧまたはＣＣＯ）、または解剖学的または撮像特徴に基づく血液供給の機械学習推定量を使用する計算を含むが、それに限定されない、幾つかの手段によって計算されてもよい。一実施形態において、ステップ３１６は、血管モデルに関連するターゲット組織の灌流テリトリ内の血流の推定量を計算することを含んでもよい。この推定量は、血管モデルにおいてターゲット組織内の場所を最も近い供給血管に割当てる最近傍（例えば、ボロノイ図）アプローチを使用することによって決定されてもよい。推定量は、同様に、例えば、制約付き構築的最適化アプローチを使用することによって、解剖学的モデルからの微小血管推定技法を使用して決定されてもよい。一実施形態において、ステップ３１６は、プロセッサによって実施されてもよい。プロセッサは、機械学習によって、１つまたは複数の生理的状態において、血管モデル内のターゲット組織の１つまたは複数の場所における灌流を推定してもよい。
一実施形態において、ステップ３１８は、プロセッサを使用して、血管モデルに関連するターゲット組織内の１つまたは複数の場所における灌流の推定量を計算することを含んでもよい。灌流の推定量は、患者固有の生理的パラメータ（例えば、画像特性、解剖学的特性、被推定血液供給、被推定血流特性、被推定灌流テリトリ、患者特性、疾病負荷特性、及び／または電気機械的測定値）の１つまたは複数を使用して、１つまたは複数の生理的状態について計算されてもよい。一実施形態において、この計算は、画像特性、解剖学的特性、被推定灌流テリトリ、疾病負荷特性、及び／または電気機械的測定値を含むが、それに限定されない、既知の灌流特性及び既知の患者固有の生理的パラメータを有する患者のデータベースを使用して機械学習アルゴリズムを訓練することによって実施されてもよい。一実施形態において、ステップ３１８は、プロセッサを使用して実施されてもよい。
一実施形態において、ステップ３２０は、灌流の推定量を、電子記憶媒体（例えば、ハードディスク、ネットワークドライブ、可搬型ディスク、スマートフォン、タブレット等）及び／またはディスプレイスクリーンに出力することを含んでもよい。一実施形態において、出力される灌流推定量は、２Ｄまたは３Ｄにおいてグレースケールまたはカラーで表示されてもよい。一実施形態において、出力される灌流推定量は、ターゲット組織の解剖学的モデル上に重ねられてもよいまたはスーパーインポーズされてもよい、及び／または、ターゲット組織の画像上に重ねられてもよいまたはスーパーインポーズされてもよい。一実施形態において、この決定は、既知の灌流特性及び既知の患者固有の生理的パラメータを有する患者のデータベースを使用して機械学習アルゴリズムを訓練することによって実施されてもよい。一実施形態において、灌流推定量が使用されて、患者の生理的状態の１つまたは複数におけるＳＰＥＣＴまたはＰＥＴ画像をシミュレートするように設計される仮想灌流画像を推定してもよい。一実施形態において、仮想灌流画像は、電子記憶デバイスに保存されてもよい、及び／または、ディスプレイに出力されてもよい。仮想灌流画像の推定は、灌流推定量によって与えられる濃度の造影剤画像をモデル化すること、複数の仮想コリメータ場所において光子または陽子のコリメーションを推定するモンテカルロシミュレーションを実施すること、及び／または、標準的な断層撮影技法を使用してＳＰＥＣＴまたはＰＥＴ画像を再構築するコリメータ推定を使用することによって実施されてもよい。被推定仮想灌流画像は、読影可能性及び設計がＳＰＥＣＴまたはＰＥＴスキャン画像と同様であってよく、したがって、医師は、被推定灌流画像を解析する方法に精通している場合がある。
方法２００及び３００の先に挙げたステップが使用されて、種々の組織における灌流を推定してもよい。種々の組織は、冠血管モデルを使用する心筋、脳血管モデル使用する脳、末梢血管モデル使用する筋肉組織、肝血管モデル使用する肝臓、腎血管モデル使用する腎臓、内臓血管モデル使用する腸を含むが、それに限定されず、また、他の器官において、ターゲット器官に血液を供給する血管についての血管モデルを使用する脾臓及び膵臓を含む。
一実施形態において、灌流推定量が同様に使用されて、血流特性のシミュレーションまたは推定を実施するため、より正確な境界条件を使用することによって血流シミュレーションを向上させてもよい。
一実施形態において、処置計画及び診断は、入力情報（例えば、血管モデル、組織モデル、患者固有の生理的パラメータ等）を仮想的に変更し、変更済み入力に基づいてターゲット組織内の灌流に対する影響を予測することによって改善されてもよい。
図４は、１つまたは複数の生理的状態において、ターゲット組織内の１つまたは複数の場所における灌流の推定量を決定するため、機械学習アルゴリズムを訓練するための方法４００の例示的な実施形態を示す。図４の方法は、電子ネットワーク１０１を通じて医師１０２及び／または第３者プロバイダ１０４から受信される情報、画像、及びデータに基づいてサーバシステム１０６によって実施されてもよい。
一実施形態において、ステップ４０２は、血管及び／またはターゲット組織モデルにおける１つまたは複数の場所の患者固有の生理的パラメータならびにそれらの場所における被推定または被測定灌流データの一方または両方を含むデータベースを組立てることを含んでもよい。「患者固有の生理的パラメータ（ｐａｔｉｅｎｔ−ｓｐｅｃｉｆｉｃ ｐｈｙｓｉｏｌｏｇｉｃａｌ ｐａｒａｍｅｔｅｒ）」は、受信されるまたは計算される医療画像特性、解剖学的特性、灌流テリトリ、ターゲット組織に対する血液供給、血流特性、患者特性、疾病負荷特性、及び電気機械的測定値の１つまたは複数を指してもよい。場所は、患者固有の血管及び／またはターゲット組織モデル、または、ＰＥＴ、ＳＰＥＣＴ、ＭＲ灌流、及び／またはＣＴ灌流を含むが、それに限定されない、１つまたは複数の利用可能な撮像またはスキャンモダリティから取得される画像からのものであってよい。
一実施形態において、ステップ４０４は、血管及び／またはターゲット組織モデルの１つまたは複数の場所における１つまたは複数の患者固有の生理的パラメータを、こうした場所における灌流データにマッピングするために、機械学習アルゴリズムを訓練することを含んでもよい。機械学習アルゴリズムは、多層パーセプトロン、深層学習、サポートベクターマシン、ランダムフォレスト、ｋ最近傍、ベイズネットワーク等を含むが、それに限定されない、多くの形態をとってもよい。
一実施形態において、ステップ４０６は、訓練済み機械学習アルゴリズムを、新しい患者から取得された血管及び／またはターゲット組織モデルの患者固有の生理的パラメータのセットに適用することであって、それにより、１つまたは複数の場所における灌流データを推定する、適用することを含んでもよい。
図５は、本開示の例示的な実施形態による、血管幾何形状及び生理的情報から患者固有の血流特性を推定するための例示的な方法のブロック図である。図５の方法は、電子ネットワーク１００を通じて医師１０２及び／または第３者プロバイダ１０４から受信される情報に基づいてサーバシステム１０６によって実施されてもよい。
一実施形態において、図５の方法は、多数の患者からの患者固有の生理的パラメータ及び被測定または被推定灌流特性に基づいて１つまたは複数の機械学習アルゴリズムを訓練するための訓練方法５０２、及び、特定の患者の灌流特性を予測するため機械学習アルゴリズムを使用するための生成方法５０４を含んでもよい。
一実施形態において、訓練方法５０２は、複数の個人のそれぞれについて、（ａ）患者固有の幾何学的モデル、（ｂ）１つまたは複数の測定されるまたは推定される患者固有の生理的パラメータ、及び、（ｃ）灌流特性の値を、例えば、デジタル形式で採取することを含んでもよい。訓練方法５０２は、その後、それぞれの患者モデル内の１つまたは複数のポイントについて、患者の生理的パラメータの特徴ベクトルを作成すること、及び、特徴ベクトルを灌流特性の値に関連付けることを含んでもよい。訓練方法５０２は、その後、（例えば、サーバシステム１０６の処理デバイスを使用して）機械学習アルゴリズムを訓練して、特徴ベクトル及び被推定灌流特性に基づいて、幾何学的モデルの各ポイントにおける灌流を予測してもよい。訓練方法５０２は、その後、特徴体重を含む機械学習アルゴリズムの結果を、サーバシステム１０６の記憶デバイスに保存してもよい。記憶される特徴体重は、患者固有の生理的パラメータ及び／または解剖学的幾何形状が、或る灌流特性を予測する程度を規定してもよい。
別の実施形態において、訓練方法５０２は、複数人の患者について計算流体力学（ＣＦＤ：ｃｏｍｐｕｔａｔｉｏｎａｌ ｆｌｕｉｄ ｄｙｎａｍｉｃｓ）を使用して生成されるＦＦＲ推定量に基づいて実施されてもよい。訓練方法５０２は、その後、被推定ＦＦＲ値を患者の幾何学的モデル内の全てのポイントに関連付けること、及び、その後、患者固有の生理的パラメータの特徴ベクトルを生成すること、及び、特徴ベクトルをＦＦＲ推定量に関連付けることを含んでもよい。訓練方法５０２は、その後、（例えば、サーバシステム１０６の処理デバイスを使用して）機械学習アルゴリズムを訓練して、特徴ベクトル及び被推定ＦＦＲに基づいて、幾何学的モデルの各ポイントにおける灌流を予測してもよい。
一実施形態において、生成方法５０４は、訓練方法５０２を実行する結果に基づいて、特定の患者について灌流特性を推定することを含んでもよい。一実施形態において、生成方法５０４は、（ａ）患者固有の幾何学的モデル及び（ｂ）１つまたは複数の測定されるまたは推定される患者固有の生理的パラメータを、例えば、デジタル形式で採取することを含んでもよい。患者固有の幾何学的モデル内の複数のポイントについて、生成方法５０４は、訓練モードで使用される患者固有の生理的パラメータの特徴ベクトルを作成することを含んでもよい。生成方法５０４は、その後、機械学習アルゴリズムの保存結果を使用して、患者固有の幾何学的モデル内の各ポイントについて、患者の灌流特性の推定量を生成してもよい。最後に、生成方法５０４は、被予測灌流特性を含む機械学習アルゴリズムの結果を、サーバシステム１０６の記憶デバイスに保存することを含んでもよい。
本発明の他の実施形態は、本明細書の考察及び本明細書で開示される本発明の実施から当業者に明らかになる。本明細書及び実施例が単に例示的であるとして考えられ、本発明の真の範囲及び精神が添付請求の範囲によって示されることが意図される。
Claims (20)
- 患者の解剖学的構造を通る血液の灌流の患者固有の特性を推定するためのコンピュータ実装式方法であって、
患者の解剖学的構造の患者固有の血管モデル及び患者固有の組織モデルを受信すること、
前記患者の１つまたは複数の生理的状態において前記血管または組織モデルから前記患者の１つまたは複数の患者固有の生理的パラメータを抽出すること、
前記患者固有の生理的パラメータ、及び、患者固有の解剖学的幾何形状及び生理的パラメータに患者灌流特性をマッピングするように訓練される機械学習アルゴリズムを使用して、前記患者固有の組織モデルを通る血液の前記灌流の特性を推定すること、及び、
血液の前記灌流の前記被推定特性を電子ディスプレイに出力することを含む、前記コンピュータ実装式方法。 - 前記患者固有の生理的パラメータは、１つまたは複数の生理的状態における前記血管または組織の複数の領域に対する被推定または被測定血流を含む、請求項１に記載のコンピュータ実装式方法。
- 前記患者固有の生理的パラメータは、血管サイズ、血管形状、血管屈曲度、血管長、血管厚、組織もしくは血管網内の血液の前記灌流の被推定テリトリ、またはその組合せを含むが、それに限定されない、請求項１に記載のコンピュータ実装式方法。
- 前記生理的状態は、安静時患者状態、うっ血状態、運動状態、食後状態、重力状態、感情的状態、高血圧の状態、薬剤服用状態、またはその組合せの１つまたは複数を含んでもよい、請求項１に記載のコンピュータ実装式方法。
- 血液の前記灌流の特性は、冠血流予備量比、流れの大きさ、流れの方向、またはその組合せの１つまたは複数を含む、請求項１に記載のコンピュータ実装式方法。
- 前記患者固有の生理的パラメータは、局所平均強度、テクスチャ特性、標準画像、またはその組合せの１つまたは複数を含む、１つまたは複数の生理的状態におけるターゲット組織または血管モデルの１つまたは複数の画像特性を含む、請求項１に記載のコンピュータ実装式方法。
- 前記患者固有の生理的パラメータは、患者特性、ターゲット組織疾患特性、電気機械的測定値、またはその組合せの１つまたは複数を含む複数の２次特性を更に含む、請求項１に記載のコンピュータ実装式方法。
- 前記患者固有の組織モデルを通して血液の前記灌流の特性を推定することは、１つまたは複数の生理的状態において前記ターゲット組織内の血流を比較することを含む、請求項１に記載のコンピュータ実装式方法。
- 患者の解剖学的構造の前記患者固有の血管モデル及び患者固有の組織モデルは、冠血管モデル及び心筋、脳血管モデル及び脳、末梢血管モデル及び筋肉、肝血管モデル及び肝臓、腎血管モデル及び腎臓、内臓血管モデル及び腸、または、任意のターゲット器官及び前記ターゲット器官に血液を供給する血管を有する血管モデルの１つまたは複数を含む、請求項１に記載のコンピュータ実装式方法。
- 血液の前記灌流の前記被推定特性に基づいて前記患者固有の生理的パラメータを調整すること、及び、
血液の前記灌流の前記被推定特性及び被調整生理的パラメータを使用して血流特性シミュレートすることを含む、請求項１に記載のコンピュータ実装式方法。 - 前記ターゲット組織内の１つまたは複数の場所における１つまたは複数の所望の灌流特性を受信すること、
前記ターゲット組織内の前記１つまたは複数の場所における血液の前記灌流の被推定特性を、前記１つまたは複数の場所における前記所望の灌流特性と比較すること、及び、
前記比較に基づいて、前記生理的パラメータ、前記血管またはターゲット組織の患者固有の解剖学的モデルの１つまたは複数を変更することを更に含む、請求項１に記載のコンピュータ実装式方法。 - 血液の前記灌流の前記１つまたは複数の被推定特性を使用して、１つまたは複数の生理的状態におけるＳＰＥＣＴまたはＰＥＴスキャンをシミュレートするように設計される１つまたは複数の仮想灌流画像を推定すること、及び、
前記１つまたは複数の仮想灌流画像を電子記憶デバイスに出力することを更に含む、請求項１に記載のコンピュータ実装式方法。 - 患者固有の灌流を推定するためのシステムであって、
血液の灌流の患者固有の特性を決定するための命令を記憶するデータ記憶デバイスと、
プロセッサと、を備え、前記プロセッサは、方法であって、
患者の解剖学的構造の患者固有の血管モデル及び患者固有の組織モデルを受信するステップと、
前記患者の１つまたは複数の生理的状態において、前記血管または組織モデルから前記患者の１つまたは複数の患者固有の生理的パラメータを抽出するステップと、
前記患者固有の生理的パラメータを使用して、前記患者固有の組織モデルを通る血液の前記灌流の特性を推定するステップと、
血液の前記灌流の前記被推定特性を電子ディスプレイに出力するステップと、を含む前記方法を実施するため、前記命令を実行するように構成される、前記システム。 - 前記患者固有の生理的パラメータは、１つまたは複数の生理的状態において、以下、
前記血管または組織の複数の領域に対する被推定または被測定血流、
解剖学的特性、
画像特性
患者特性、
ターゲット組織疾患特性、
電気機械的測定値、または
その組合せ、
の１つまたは複数を含む、請求項１３に記載のシステム。 - 前記生理的状態は、安静時患者状態、うっ血状態、運動状態、食後状態、重力状態、感情的状態、高血圧の状態、薬剤服用状態、またはその組合せの１つまたは複数を含む、請求項１３に記載のシステム。
- 血液の前記灌流の特性は、冠血流予備量比、流れの大きさ、流れの方向、またはその組合せの１つまたは複数を含む、請求項１３に記載のシステム。
- 前記患者固有の組織モデルを通して血液の前記灌流の特性を推定することは、１つまたは複数の生理的状態において、前記ターゲット組織内の血流を比較することを含む、請求項１３に記載のシステム。
- 患者の解剖学的構造の前記患者固有の血管モデル及び患者固有の組織モデルは、
冠血管モデル及び心筋、
脳血管モデル及び脳、
末梢血管モデル及び筋肉、
肝血管モデル及び肝臓、
腎血管モデル及び腎臓、
内臓血管モデル及び腸、
または、任意のターゲット器官及び前記ターゲット器官に血液を供給する血管を有する血管モデル、
の１つまたは複数を含む、請求項１３に記載のシステム。 - 血液の前記灌流の前記被推定特性に基づいて前記患者固有の生理的パラメータを調整すること、及び、
血液の前記灌流の前記被推定特性及び被調整生理的パラメータを使用して血流特性シミュレートすることを更に含む、請求項１３に記載のシステム。 - 血液の灌流の患者固有の特性を推定するためのコンピュータ実行可能プログラミング命令を含むコンピュータシステム上で使用するための非一時的コンピュータ可読媒体であって、前記方法は、
患者の解剖学的構造の患者固有の血管モデル及び患者固有の組織モデルを受信すること、
前記患者の１つまたは複数の生理的状態において前記血管または組織モデルから前記患者の１つまたは複数の患者固有の生理的パラメータを抽出すること、
前記患者固有の生理的パラメータを使用して前記患者固有の組織モデルを通る血液の前記灌流の特性を推定すること、及び、
血液の前記灌流の前記被推定特性を電子ディスプレイに出力すること、
を含む、前記非一時的コンピュータ可読媒体。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201562142158P | 2015-04-02 | 2015-04-02 | |
| US62/142,158 | 2015-04-02 | ||
| PCT/US2016/025595 WO2016161308A1 (en) | 2015-04-02 | 2016-04-01 | Systems and methods for predicting perfusion deficits from physiological, anatomical, and patient characteristics |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2018517958A true JP2018517958A (ja) | 2018-07-05 |
| JP6522149B2 JP6522149B2 (ja) | 2019-05-29 |
Family
ID=55795185
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017551099A Active JP6522149B2 (ja) | 2015-04-02 | 2016-04-01 | 生理的特性、解剖学的特性、及び患者特性から灌流障害を予測するためのシステム及び方法 |
Country Status (8)
| Country | Link |
|---|---|
| US (2) | US10262101B2 (ja) |
| EP (2) | EP3277169B1 (ja) |
| JP (1) | JP6522149B2 (ja) |
| KR (1) | KR102527582B1 (ja) |
| CN (1) | CN107787202B (ja) |
| AU (1) | AU2016242999B2 (ja) |
| CA (1) | CA2981464A1 (ja) |
| WO (1) | WO2016161308A1 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020091232A (ja) * | 2018-12-06 | 2020-06-11 | 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、核医学診断装置、医用画像処理方法、および学習装置 |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10349909B2 (en) * | 2015-06-30 | 2019-07-16 | General Electric Company | Systems and methods for flow rate compensated acquisition parameters for medical imaging |
| FR3062498B1 (fr) * | 2017-02-02 | 2019-06-07 | Casis - Cardiac Simulation & Imaging Software | Systeme et procede pour l'evaluation de risques vasculaires |
| EP3378398A1 (en) * | 2017-03-24 | 2018-09-26 | Koninklijke Philips N.V. | Myocardial ct perfusion image synthesis |
| EP3606421A1 (en) * | 2017-04-06 | 2020-02-12 | Koninklijke Philips N.V. | Coronary artery disease metric based on estimation of myocardial microvascular resistance from ecg signal |
| US11871995B2 (en) | 2017-12-18 | 2024-01-16 | Hemolens Diagnostics Sp. Z O.O. | Patient-specific modeling of hemodynamic parameters in coronary arteries |
| WO2019126372A1 (en) | 2017-12-20 | 2019-06-27 | Heartflow, Inc. | Systems and methods for performing computer-simulated evaluation of treatments on a target population |
| WO2019132048A1 (ko) * | 2017-12-26 | 2019-07-04 | 부산대학교 산학협력단 | 안구 맥락막 혈류 시뮬레이션 방법 |
| US20210085273A1 (en) * | 2018-02-01 | 2021-03-25 | Koninklijke Philips N.V. | Low radiation dose computed tomography perfusion (ctp) with improved quantitative analysis |
| US20230019900A1 (en) * | 2019-12-06 | 2023-01-19 | Henry M. Jackson Foundation For The Advancement Of Military Medicine | Prediction of venous thromboembolism utilizing machine learning models |
| WO2021261920A1 (ko) * | 2020-06-24 | 2021-12-30 | 한양대학교 에리카산학협력단 | 동맥류 학습 데이터 증강 시스템 및 방법 |
| CN113393433B (zh) * | 2021-06-10 | 2022-03-01 | 北京安德医智科技有限公司 | 一种通用的医学影像灌注参数预测方法及装置 |
| CN114113173B (zh) * | 2021-11-18 | 2024-06-18 | 上海联影医疗科技股份有限公司 | 一种x射线设备、应用于x射线设备中的散射校正方法 |
| CN115040100B (zh) * | 2022-06-14 | 2023-10-27 | 安影科技（北京）有限公司 | 一种视神经血流灌注数值快速采集方法 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09176040A (ja) * | 1995-12-27 | 1997-07-08 | Green Cross Corp:The | ヘパリンコファクターｉｉの医薬用途 |
| JP2003509145A (ja) * | 1999-09-16 | 2003-03-11 | メイヨ フオンデーシヨン フオー メデイカル エジユケーシヨン アンド リサーチ | 医療画像をリアルタイムに描画する方法 |
| JP2004500844A (ja) * | 2000-05-08 | 2004-01-15 | バイオジェン インコーポレイテッド | Ｔｗｅａｋアゴニストおよび血管形成因子を使用する、新血管新生を促進するための方法 |
| JP2007068620A (ja) * | 2005-09-05 | 2007-03-22 | Konica Minolta Holdings Inc | 心理状態計測装置 |
| JP2007529276A (ja) * | 2004-03-17 | 2007-10-25 | メドトロニック・インコーポレーテッド | エネルギー効率のよい、心房ベースの両心室融合ペーシングのための装置及び方法 |
| US20080132781A1 (en) * | 2006-11-30 | 2008-06-05 | Thomas Redel | Workflow of a service provider based CFD business model for the risk assessment of aneurysm and respective clinical interface |
| JP2010516345A (ja) * | 2007-01-23 | 2010-05-20 | ケーシーアイ ライセンシング インコーポレイテッド | 換気制御用の測定変数に基づいた動的患者配置の自動又は手動誘導の提供 |
| JP2010524624A (ja) * | 2007-04-26 | 2010-07-22 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 外科的処置のためのリスク表示 |
| JP2010213863A (ja) * | 2009-03-16 | 2010-09-30 | Toshiba Corp | Ｘ線診断装置 |
| JP2012071124A (ja) * | 2010-09-01 | 2012-04-12 | Toshiba Corp | 医用画像処理装置 |
| JP2012531244A (ja) * | 2009-06-24 | 2012-12-10 | オリディオン メディカル １９８７ リミテッド | 波形を生成するための方法および装置 |
| JP2013515528A (ja) * | 2009-12-23 | 2013-05-09 | デルタ、ダンスク・エレクトリニク、リス・オ・アクスティク | モニタリングデバイス |
| JP2013233369A (ja) * | 2012-05-11 | 2013-11-21 | Fujitsu Ltd | シミュレーション方法、シミュレーション装置、およびシミュレーションプログラム |
| JP2014032362A (ja) * | 2012-08-06 | 2014-02-20 | Shonan Kasei:Kk | 管状モデルの製造方法、血管モデル、血管モデルシミュレータ及び成形型 |
| JP2014196990A (ja) * | 2013-03-29 | 2014-10-16 | 富士フイルムＲｉファーマ株式会社 | Ｒｏｉ設定装置、ｒｏｉ設定方法、コンピュータプログラム及び脳血流推定装置 |
| JP2015039448A (ja) * | 2013-08-20 | 2015-03-02 | 国立大学法人埼玉大学 | 血管出術後の血流配分を予測する方法及び予測プログラム |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000010034A1 (en) * | 1998-08-14 | 2000-02-24 | Prato Frank S | Application of scatter and attenuation correction to emission tomography images using inferred anatomy from atlas |
| AU6485400A (en) * | 1999-08-06 | 2001-03-05 | Karolinska Innovations Ab | Paperbased nuclear medical phantom and the method of using such a phantom |
| US20030113827A1 (en) * | 2001-12-17 | 2003-06-19 | Burkoth Terry L. | Non-or minimally invasive monitoring methods |
| JP4581088B2 (ja) * | 2005-05-17 | 2010-11-17 | 国立大学法人 筑波大学 | 計算機支援診断装置および方法 |
| JP2011514227A (ja) * | 2008-03-17 | 2011-05-06 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 灌流画像法 |
| KR100994312B1 (ko) * | 2008-07-09 | 2010-11-12 | 성균관대학교산학협력단 | 신경 회로망을 이용한 사용자 상태 측정 장치 및 그 방법 |
| US8157742B2 (en) * | 2010-08-12 | 2012-04-17 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
| 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 |
| EP3028196B1 (en) * | 2013-07-30 | 2017-11-15 | HeartFlow, Inc. | Method and system for modeling blood flow with boundary conditions for optimized diagnostic performance |
| US9700219B2 (en) * | 2013-10-17 | 2017-07-11 | Siemens Healthcare Gmbh | Method and system for machine learning based assessment of fractional flow reserve |
| US9501622B2 (en) * | 2014-03-05 | 2016-11-22 | Heartflow, Inc. | Methods and systems for predicting sensitivity of blood flow calculations to changes in anatomical geometry |
| US9785746B2 (en) * | 2014-03-31 | 2017-10-10 | Heartflow, Inc. | Systems and methods for determining blood flow characteristics using flow ratio |
| US9349178B1 (en) * | 2014-11-24 | 2016-05-24 | Siemens Aktiengesellschaft | Synthetic data-driven hemodynamic determination in medical imaging |
| US10595728B2 (en) * | 2015-04-02 | 2020-03-24 | Heartflow, Inc. | Systems and methods for predicting tissue viability deficits from physiological, anatomical, and patient characteristics |
-
2016
- 2016-04-01 KR KR1020177030160A patent/KR102527582B1/ko active IP Right Grant
- 2016-04-01 AU AU2016242999A patent/AU2016242999B2/en active Active
- 2016-04-01 JP JP2017551099A patent/JP6522149B2/ja active Active
- 2016-04-01 US US15/088,733 patent/US10262101B2/en active Active
- 2016-04-01 EP EP16717514.0A patent/EP3277169B1/en active Active
- 2016-04-01 WO PCT/US2016/025595 patent/WO2016161308A1/en active Application Filing
- 2016-04-01 CN CN201680020419.0A patent/CN107787202B/zh active Active
- 2016-04-01 CA CA2981464A patent/CA2981464A1/en active Pending
- 2016-04-01 EP EP21176984.9A patent/EP3912550B1/en active Active
-
2019
- 2019-03-04 US US16/291,967 patent/US20190200881A1/en active Pending
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09176040A (ja) * | 1995-12-27 | 1997-07-08 | Green Cross Corp:The | ヘパリンコファクターｉｉの医薬用途 |
| JP2003509145A (ja) * | 1999-09-16 | 2003-03-11 | メイヨ フオンデーシヨン フオー メデイカル エジユケーシヨン アンド リサーチ | 医療画像をリアルタイムに描画する方法 |
| JP2004500844A (ja) * | 2000-05-08 | 2004-01-15 | バイオジェン インコーポレイテッド | Ｔｗｅａｋアゴニストおよび血管形成因子を使用する、新血管新生を促進するための方法 |
| JP2007529276A (ja) * | 2004-03-17 | 2007-10-25 | メドトロニック・インコーポレーテッド | エネルギー効率のよい、心房ベースの両心室融合ペーシングのための装置及び方法 |
| JP2007068620A (ja) * | 2005-09-05 | 2007-03-22 | Konica Minolta Holdings Inc | 心理状態計測装置 |
| US20080132781A1 (en) * | 2006-11-30 | 2008-06-05 | Thomas Redel | Workflow of a service provider based CFD business model for the risk assessment of aneurysm and respective clinical interface |
| JP2010516345A (ja) * | 2007-01-23 | 2010-05-20 | ケーシーアイ ライセンシング インコーポレイテッド | 換気制御用の測定変数に基づいた動的患者配置の自動又は手動誘導の提供 |
| JP2010524624A (ja) * | 2007-04-26 | 2010-07-22 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 外科的処置のためのリスク表示 |
| JP2010213863A (ja) * | 2009-03-16 | 2010-09-30 | Toshiba Corp | Ｘ線診断装置 |
| JP2012531244A (ja) * | 2009-06-24 | 2012-12-10 | オリディオン メディカル １９８７ リミテッド | 波形を生成するための方法および装置 |
| JP2013515528A (ja) * | 2009-12-23 | 2013-05-09 | デルタ、ダンスク・エレクトリニク、リス・オ・アクスティク | モニタリングデバイス |
| JP2012071124A (ja) * | 2010-09-01 | 2012-04-12 | Toshiba Corp | 医用画像処理装置 |
| JP2013233369A (ja) * | 2012-05-11 | 2013-11-21 | Fujitsu Ltd | シミュレーション方法、シミュレーション装置、およびシミュレーションプログラム |
| JP2014032362A (ja) * | 2012-08-06 | 2014-02-20 | Shonan Kasei:Kk | 管状モデルの製造方法、血管モデル、血管モデルシミュレータ及び成形型 |
| JP2014196990A (ja) * | 2013-03-29 | 2014-10-16 | 富士フイルムＲｉファーマ株式会社 | Ｒｏｉ設定装置、ｒｏｉ設定方法、コンピュータプログラム及び脳血流推定装置 |
| JP2015039448A (ja) * | 2013-08-20 | 2015-03-02 | 国立大学法人埼玉大学 | 血管出術後の血流配分を予測する方法及び予測プログラム |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020091232A (ja) * | 2018-12-06 | 2020-06-11 | 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、核医学診断装置、医用画像処理方法、および学習装置 |
| JP7267000B2 (ja) | 2018-12-06 | 2023-05-01 | 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、核医学診断装置、医用画像処理方法、および学習装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20160292382A1 (en) | 2016-10-06 |
| KR102527582B1 (ko) | 2023-05-03 |
| EP3277169B1 (en) | 2021-07-07 |
| US10262101B2 (en) | 2019-04-16 |
| WO2016161308A1 (en) | 2016-10-06 |
| AU2016242999A1 (en) | 2017-11-23 |
| EP3277169A1 (en) | 2018-02-07 |
| CN107787202B (zh) | 2024-03-22 |
| KR20170133391A (ko) | 2017-12-05 |
| US20190200881A1 (en) | 2019-07-04 |
| CN107787202A (zh) | 2018-03-09 |
| CA2981464A1 (en) | 2016-10-06 |
| EP3912550B1 (en) | 2024-06-12 |
| AU2016242999B2 (en) | 2018-11-22 |
| EP3912550A1 (en) | 2021-11-24 |
| JP6522149B2 (ja) | 2019-05-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11660143B2 (en) | Systems and methods for diagnosis and assessment of cardiovascular disease by comparing arterial supply capacity to end-organ demand | |
| JP6522149B2 (ja) | 生理的特性、解剖学的特性、及び患者特性から灌流障害を予測するためのシステム及び方法 | |
| US11701175B2 (en) | System and method for vascular tree generation using patient-specific structural and functional data, and joint prior information | |
| US10213119B2 (en) | Systems and methods for determination of blood flow characteristics and pathologies through modeling of myocardial blood supply | |
| US20200178815A1 (en) | Systems and methods for predicting tissue viability deficits from physiological, anatomical, and patient characteristics | |
| US20170156679A1 (en) | Systems and methods for vessel reactivity to guide diagnosis or treatment of cardiovascular disease |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20181018 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20181127 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190226 |
|
| 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: 20190402 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190423 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6522149 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 |