JP2019509813A - 冠動脈において健全な管腔径を推定し狭窄を定量化するためのシステム及び方法 - Google Patents

Abstract

健全な管腔半径を予測し、血管管腔狭隘化スコアを計算するためのシステム及び方法が開示される。患者の脈管構造の管腔径を識別する一方法は、複数の個人の既知の健全な血管セグメントの１つまたは複数の管腔セグメンテーションを含むデータセットを受信すること、血管セグメントのそれぞれについて１つまたは複数の管腔特徴を抽出すること、患者の脈管構造の管腔セグメンテーションを受信すること、患者の脈管構造の部位の健全な管腔径を決定すること、及び、複数の個人の既知の健全な血管セグメントのそれぞれについての抽出された１つまたは複数の特徴を使用して、患者の脈管構造の部位の健全な管腔径を決定することを含む。【選択図】図２Ａ

Description

本出願は、２０１６年３月１６日に出願された米国仮出願第６２／３０９，３７６号に対する優先権を主張し、その全体の開示は、参照によりその全体を組込まれる。

本開示の種々の実施形態は、一般に、撮像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、健全な管腔半径を予測し、血管管腔狭隘化スコアを計算するためのシステム及び方法に関する。

冠動脈疾患（ＣＡＤ：ｃｏｒｏｎａｒｙ ａｒｔｅｒｙ ｄｉｓｅａｓｅ）は、死の主な原因の１つである。ＣＡＤは、急性事象または漸進的事象によって特徴付けることができる。急性事象は、即座の処置を要求する場合があるプラーク破綻を含むことができる。漸進的事象は、プラークの蓄積を含むことができ、プラークの蓄積は、虚血をもたらす進行性の解剖学的狭隘化につながる場合がある。冠動脈疾患の症状を有する患者を診断するための最も広く使用されている非侵襲的臨床メトリックの１つは、冠動脈ＣＴ造影（ｃＣＴＡ：ｃｏｒｏｎａｒｙ ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ ａｎｇｉｏｇｒａｐｈｙ）から得られるパーセント狭窄である。パーセント狭窄の推定は、２つのステップ：（１）局所径の測定、及び、（２）参照健全径の測定を含むことができる。パーセント狭窄を測定するために、ｃＣＴＡは、冠動脈ツリーの異なる領域における解剖学的狭隘化の程度に関する情報を提供することができる。冠動脈ツリーの複数の領域における解剖学的狭隘化の程度は、侵襲的血管造影及び圧力測定の実施かまたは侵襲的測定の延期を決定するために使用される臨床尺度であることができる。幾つかの実施形態において、解剖学的狭隘化の程度は、診療所においてカテゴリー的に（例えば、０％、１〜３０％、３１〜４９％、５０〜６９％、７０〜１００％）推定されることができる、または、解析のためにコア検査室に送られることができる。定量的コンピュータ断層撮影（ＱＣＴ：ｑｕａｎｔｉｔａｔｉｖｅ ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ）及び定量的冠動脈造影（ＱＣＡ：ｑｕａｎｔｉｔａｔｉｖｅ ｃｏｒｏｎａｒｙ ａｎｇｉｏｇｒａｐｈｙ）は、パーセント狭窄が０と１００との間の数値として推定されることができる方法を含むことができる。ＱＣＡは、血管造影に関して評価される侵襲的プロシージャを含むことができ、ｃＣＴＡに関して評価されるＱＣＴは、時間がかかり、一般に、コア検査室で実施されることができる。したがって、冠動脈ツリーの複数の領域における解剖学的狭隘化の程度を決定する、より安全でかつより時間がかからない方法を提供するという欲求が存在する。

狭隘化の程度を決定することは、最初に、参照血管径、例えば、健全な管腔径を識別することを必要とする。しかし、参照健全径の推定は、非限局性疾患領域において、例えば、びまん性の、入口部の、分岐部の病変において難題である場合がある。非限局性病変における健全管腔径を推定する欲求が同様に存在する。

上記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、健全な管腔半径を予測し、血管管腔狭隘化スコアを計算するためのシステム及び方法が開示される。患者の脈管構造の管腔径を識別する一方法は、複数の個人の既知の健全な血管セグメントの１つまたは複数の管腔セグメンテーションを含むデータセットを受信すること、血管セグメントのそれぞれについて１つまたは複数の管腔特徴を抽出すること、患者の脈管構造の管腔セグメンテーションを受信すること、患者の脈管構造の部位を決定すること、及び、複数の個人の既知の健全な血管セグメントのそれぞれについての抽出された１つまたは複数の特徴を使用して、患者の脈管構造の部位の健全な管腔径を決定することを含む。

別の実施形態によれば、患者の脈管構造の管腔径を識別するためのシステムは、画像採取パラメータを識別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、複数の個人の既知の健全な血管セグメントの１つまたは複数の管腔セグメンテーションを含むデータセットを受信し、血管セグメントのそれぞれについて１つまたは複数の管腔特徴を抽出し、患者の脈管構造の管腔セグメンテーションを受信し、患者の脈管構造の部位を決定し、複数の個人の既知の健全な血管セグメントのそれぞれについての抽出された１つまたは複数の特徴を使用して、患者の脈管構造の部位の健全な管腔径を決定するために構成される。

更に別の実施形態によれば、患者の脈管構造の管腔径を識別するためのコンピュータ実行可能な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が提供される。方法は、複数の個人の既知の健全な血管セグメントの１つまたは複数の管腔セグメンテーションを含むデータセットを受信すること、血管セグメントのそれぞれについて１つまたは複数の管腔特徴を抽出すること、患者の脈管構造の管腔セグメンテーションを受信すること、患者の脈管構造の部位を決定すること、及び、複数の個人の既知の健全な血管セグメントのそれぞれについての抽出された１つまたは複数の特徴を使用して、患者の脈管構造の部位の健全な管腔径を決定することを含む。

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、また部分的に、説明から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ることができる。開示される実施形態の目的及び利点は、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。

上記の一般的な説明及び以下の詳細な説明が共に、例示的かつ説明的であるに過ぎず、開示される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、そ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。

本開示の例示的な実施形態による、健全管腔半径を予測し、血管管腔狭隘化スコア（ＬＮＳ：ｌｕｍｅｎ ｎａｒｒｏｗｉｎｇ ｓｃｏｒｅ）を計算するための例示的なシステム及びネットワークのブロック図である。 本開示の例示的な実施形態による、患者について、健全管腔径の推定値及び管腔狭隘化スコアを生成する例示的な方法２００のブロック図である。（図２Ａ）本開示の例示的な実施形態による、患者について、健全管腔径の推定値及び管腔狭隘化スコアを生成する例示的な方法のブロック図である。 本開示の例示的な実施形態による、患者の脈管構造を評価するためにＬＮＳを使用する例示的な方法のブロック図である。 本開示の例示的な実施形態による、健全管腔径（管腔狭隘化スコアを計算するために使用されることができる）の推定値を生成する機械学習アルゴリズムを開発するための訓練フェーズの例示的な方法３００のブロック図である。 本開示の例示的な実施形態による、図３Ａの機械学習アルゴリズムの例示的な血管ツリーの図である。 本開示の例示的な実施形態による、図３Ａで述べる訓練された機械学習アルゴリズムを妥当性検証することによって、管腔狭隘化スコアを生成する機械学習アルゴリズムを改善するまたは更に訓練する例示的な方法のブロック図である。 本開示の例示的な実施形態による、機械学習アルゴリズム（例えば、図３Ａで述べる）を使用して特定の患者について管腔狭隘化スコアを生成する例示的な方法４００のブロック図である。

その例が添付図面に示される本発明の例示的な実施形態に対して、参照がここで詳細に行われることになる。可能である場合にはどこにおいてでも、同じ参照数字が、同じまたは類似の部品を参照するために図面を通して使用されることになる。

管腔狭隘化及びパーセント狭窄の指標は、動脈疾患を有する患者を診断するための普及している非侵襲的臨床メトリックであるが、現在の方法は、ＣＴ造影（ＣＴＡ）データに関して評価される定量的冠動脈造影（ＱＣＡ）または血管造影に関して評価される定量的冠動脈造影（ＱＣＡ）を必要とする。ＱＣＡ法は侵襲的であり、ＱＣＴ法は、時間がかかり、一般に、コア検査室または診療所で実施される。したがって、冠動脈ツリーの複数の領域における解剖学的狭隘化の程度を決定する、より安全でかつより時間がかからない方法を提供するという欲求が存在する。

本開示は、管腔セグメンテーションが与えられると、管腔狭隘化、パーセント狭窄、及び疾患の指標を非侵襲的に提供することを対象とする。既存の努力は、しばしば、病変の上流の患者の血管管腔径及び病変の下流の患者の血管管腔径を見出すことによって健全管腔径を決定することを必要とする。こうした方法は、病変または狭窄領域が、正常または健全な血管管腔と明瞭に異なることができる限局性冠動脈疾患を捕捉することができる。しかし、こうした方法は、例えば、びまん性の、入口部の、分岐部の病変の場合、（疾患がある管腔径に対して）健全な管腔径の明瞭な指標が全く存在しない病変を確実に検出することができない場合がある。例えば、びまん性病変及び入口部病変の場合、疾患のエリアは、管腔幾何形状において明かな狭隘化を呈することなく、脈管構造の長い部分に及ぶ場合がある。こうした場合、脈管構造の疾患がある部分がどこで始まり終わるか、または、健全管腔径がどんなものであるかを識別することが難しい場合がある。分岐部の場合、健全血管でさえも、径の自然な減少を示す場合がある。結果として、健全管腔径は、同様に、血管分岐部について決定するのが難しい。患者内推定／回帰は、明瞭な参照管腔径（複数可）が存在しないため、これらの場合、参照健全径を推定することができない場合がある。

健全管腔径（したがって、管腔狭隘化又は疾患の指標）を推定するために、本開示は、患者自身の脈管構造以外のソースから得られる血管部位に関して健全管腔径（複数可）を得るシステム及び方法を含む。一実施形態において、本システム及び方法は、患者の血管部位以外の、個人からの健全血管部位のデータベースを使用して、患者について健全管腔径（複数可）を決定することができる。代替的にまたは付加的に、患者についての健全管腔径は、必ずしも他の個人からではなく、合成的に生成される血管から得られる、シミュレートされた血管部位を使用して推定することができる。

本開示は、幾何学的管腔狭隘化スコア（ＬＮＳ）の推定値、例えば、患者の実際の管腔半径と、推定された健全管腔半径との比を提供するためのシステム及び方法を対象とする。類似の実施形態において、ＬＮＳは、患者の局所的血管径と推定された健全径との比に基づくことができる。

ＬＮＳを生成する部分として、本開示は、健全管腔径を計算するためのシステム及び方法を含む。一実施形態において、健全管腔径を計算することは、頑健なカーネル回帰によって、または、機械学習アルゴリズムを使用することによって計算されることができる。一実施形態において、頑健なカーネル回帰は、複数のリグレッサ、例えば、グローバルカーネルフィット、セグメントフィット、及び異方性カーネルフィットを含むことができる。リグレッサの異なるファミリーは、異なる病変場所（入口部、分岐部等）または病変長さ（限局性またはびまん性等）を包含するために選択されることができる。一実施形態において、システム及び方法は、異なる長さ及び場所の管腔狭隘化の捕捉を保証するために１つまたは複数のリグレッサの選択を含むことができる。リグレッサの選択は、血管分枝における急激な半径変動の効果を最小にするための考慮事項を含む幾つかの因子を含むことができる。

一実施形態において、機械学習アルゴリズムは、患者内推定または回帰からではなく、個人の母集団からの健全部位のデータベースに関して健全管腔径を決定することができる。母集団ベース推定は、患者内推定に比べて正確に健全部位の径を予測することが示されている。こうした方法は、０．９５の相関係数を有する健全部位の径を予測することができる。異方性カーネル回帰法と比較すると、機械学習法は、狭窄の検出の優れた曲線下面積（０．９対０．８３）及び優れた動作点感度／特異度（９０％／８５％対８２％／７６％）を有することができる。こうした方法は、同様に、侵入的定量的冠動脈造影に対して優れた性能を示すことができ、そのことは、びまん性の、入口部の、分岐部の病変を捕捉すること、及び、非限局性狭窄を有する部位の差を強調することにおける優れた性能によることができる。

一実施形態において、本開示は、機械学習アルゴリズムを訓練するための訓練フェーズ、及び、機械学習アルゴリズムが、そこにおいて関心の患者について健全管腔径（複数可）を決定するために使用されることができる生成フェーズを含むことができる。訓練フェーズ中に、機械学習アルゴリズムは、脈管構造の所与の部位（複数可）であって、健全血管部位（複数可）を含むことができる、所与の部位（複数可）の上流の脈管構造と下流の脈管構造との間の関係を学習することができる。換言すれば、こうしたアルゴリズムの訓練は、例えば、マニュアルアノテーションされた健全部位及び疾患がある部位から、健全血管部位に関して実施されることができる。例示的な機械学習アルゴリズムは、部位の上流及び下流の血管セグメントの特徴を使用して、或る部位について健全管腔径を推定するために、ランダムフォレストリグレッサを使用することができる。機械学習アルゴリズムは、限局性の、びまん性の、入口部の、分岐部の疾患を含む、（冠）動脈において狭隘化している管腔の領域を識別することができる一般的なフレームワークを含むことができる。１つの例示的な実施形態において、（冠）動脈は、複数の部位またはステムに分割されることができ、各部位は、そのクラウン（下流脈管構造）、ルート（上流脈管構造）、及び／またはシブリング（利用可能である場合、そのペアレント血管の他のチャイルド血管）に対応する特徴に連結されることができる。一実施形態は、個人の母集団からのステムのデータベース上でこれらの特徴に関して訓練された機械学習法を使用してステムの健全径を予測することを含むことができる。一実施形態において、機械学習アルゴリズムは、個人の第２の母集団からのステムに関する試験によって更に妥当性検証されることができる。こうした機械学習法は、異なる病変特性にわたって、現在の技術水準の技法に勝る改善を提供することができる。

生成フェーズ中に、機械学習アルゴリズムは、患者の脈管構造の所与の部位の上流及び下流の脈管構造の特徴を決定し、これらの特徴を健全血管半径の推定値にマッピングすることができる。延長線上で考えると、本開示は、特定の患者に関して、脈管構造の部位について管腔狭隘化スコアを決定する生成フェーズを更に対象とすることができる。例えば、生成フェーズは、特定の患者について、患者の脈管構造の中心線にマッピングされる管腔狭隘化スコアを生成することを含むことができる。一実施形態において、患者の管腔狭隘化スコアは、（例えば、患者の脈管構造の管腔セグメンテーションのマニュアルアノテーションに対して）妥当性検証されて及び／または使用されて、患者の管腔狭隘化スコアを決定するために使用される機械学習アルゴリズムを更新することができる。

健全管腔径及び／またはＬＮＳは、種々の方法で使用されることができる。一実施形態において、ＬＮＳは、冠血流予備量比（ＦＦＲ：ｆｒａｃｔｉｏｎａｌ ｆｌｏｗ ｒｅｓｅｒｖｅ）または感度（例えば、管腔セグメンテーションにおける不明確さから生じるＦＦＲの差）を推定するために入力として使用され得る。例えば、ＦＦＲまたは感度は、米国出願第１３／８９５，８９３号に記載されるように、機械学習アルゴリズムによって計算されることができ、その全体の開示は、参照により本明細書に組込まれる。こうしたアルゴリズムは、幾何学的特徴（例えば、最小の上流径、下流径等）、解剖学的特徴（管腔径、脈管構造内の場所等）、血行動態的特徴（血液粘度、血圧、血流量等）等を含む複数の特徴を、機械学習アルゴリズムに対する入力として含むことができる。ＬＮＳは、ＦＦＲまたは感度を計算するために機械学習アルゴリズムにおける特徴として含まれることができる。

ＬＮＳの別の使用は、疾患の場所（複数可）がモデルまたは画像からトリミングされないようなトリム平面場所を識別するためにＬＮＳを使用することを含むことができる。解剖学的モデルを生成している間に、モデルは、明確さに欠ける部分においてトリミングされる、例えば、明瞭に撮像されなかった領域においてトリミングされることができる。しかし、モデルをトリミングするとき、開業医は、血管疾患、例えば、狭隘化部位を理解することにとって重要であり得るエリアを回避したいと思う場合がある。ＬＮＳは、開業医が、モデルがどこでトリミングされることができるかまたはトリミングされることができないかを決定するのに役立つ場合がある。

健全管腔径またはＬＮＳの更に別の使用は、終末部血管における理想的な管腔径を推定するためにＬＮＳを使用することを含むことができる。一実施形態において、推定される理想的／健全管腔径は、フラクタルツリーを生成するために使用され、したがって、画像データから識別可能な、血管構造または脈管構造を通過する血管形態をシミュレートすることができる。フラクタルツリーを得ることは、例えば、健全管腔径から健全血管エリアを決定し、健全血管エリアを下流抵抗にマッピングすることによって、血流に対する下流抵抗の計算を可能にすることができる。

健全管腔径またはＬＮＳの別の適用は、カットオフより大きいＬＮＳを有する領域の遠位に自動化ピンが設置されるように血管内の疾患領域を推定するためにＬＮＳを使用することを含むことができる。換言すれば、例えば、Ｃｈａｒｌｅｓ Ａ．Ｔａｙｌｏｒに対して２０１２年１１月２０日に発行された米国特許第８，３１５，８１２号（その全体の開示は参照により本明細書に組込まれる）に記載される方法を使用して、シミュレートされた冠血流予備量比（ＦＦＲ）値の決定を始動することによって、開業医がそこにおいてより綿密な研究を始動する場合がある管腔狭隘化のエリアを、開業医に示すためにＬＮＳが使用されることができる。こうした使用事例において、カットオフは、管腔狭隘化に関する十分な情報が捕捉されるように臨床フィードバックまたは入力に基づくことができるが、ディスプレイは、あまりに多くのピンを含まない。

延長線上で考えると、ＬＮＳは、患者の脈管構造内の疾患の場所を評価するために使用されることができる。例えば、入口部から下流脈管構造までの管腔半径が抽出されることができ、動径規定関数を有する頑健なカーネル回帰が、健全管腔半径を推定するために使用されることができる。頑健なカーネル回帰アプローチは、等方性カーネルが検出できない分岐部における管腔半径の自然な不連続性に対処するための修正を更に含むことができる。頑健なカーネル回帰に対する例示的な修正は、分岐部に中心がある異方性カーネルを含むことができ、異方性カーネルは、ガウシアンカーネルによって畳込まれることができる。こうした修正は、分岐部病変の存在をより確実に推定することができる頑健なカーネル回帰を提供することができる。

本開示の或る実施形態が、例のために、冠動脈疾患の診断及び処置に関して述べられたが、本明細書で開示されるシステム及び方法は、任意の医療撮像の分野に関連して画像採取パラメータの最適セットの予測に適用可能である。

ここで図を参照すると、図１は、例示的な実施形態による、健全管腔半径を予測し、血管管腔狭隘化スコア（ＬＮＳ）を計算するための例示的なシステム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、彼らのうちのどの人も、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、インターネットを含む電子ネットワーク１００に接続されることができる。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得ることができる。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、血液粘度等を含む患者特有の情報の任意の組合せを得ることができる。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／または患者特有の情報を、電子ネットワーク１００を通じてサーバシステム１０６に送信することができる。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むことができる。サーバシステム１０６は、同様に、記憶デバイスに記憶された画像及びデータを処理するための処理デバイスを含むことができる。

図２Ａは、健全管腔径の推定値（複数可）または管腔狭隘化スコア（複数可）を生成する方法についての一般的な実施形態を対象とする。健全管腔径を決定する一方法は機械学習アプローチを含むことができる。図３Ａ〜３Ｃは、こうした機械学習アプローチを訓練することを述べ、図４は、特定の患者について健全管腔径または半径を推定することに対して機械学習アプローチを適用することを述べる。

図２Ａは、例示的な実施形態による、患者について健全管腔径の推定値及び管腔狭隘化スコアを生成する例示的な方法２００のブロック図である。図２Ａ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、画像、及びデータに基づいてサーバシステム１０６によって実施されることができる。

一実施形態において、ステップ２０１は、健全管腔径またはＬＮＳを生成するために使用されるアルゴリズムのための入力を受信することを含むことができる。例えば、ステップ２０１は、患者の脈管構造の少なくとも一部分の表面メッシュを含むまたは中心線を含む解剖学的入力を受信することを含むことができる。表面メッシュは３次元表面メッシュを含むことができる。中心線は芯出しされた中心線を含むことができる。一実施形態において、入力は、管腔セグメンテーションから血管特徴を抽出すること、例えば、冠動脈中心線ツリーを抽出することを含むことができる。例えば、自動測定は、管腔セグメンテーションから抽出されることができる。任意のタイプの管腔セグメンテーションが使用されることができる。一実施形態において、訓練されたＣＴ読影者は、管腔セグメンテーションを評価し、またおそらくは補正することができる。別の実施形態において、入力は、対応する分岐部インジケータ（０または１は、このポイントが分岐部に対応するかどうかに依存する）と一緒の半径のベクトル、及び、ベクトル内への各エントリについてのペアレント指数であることができる。

一実施形態において、ステップ２０３は、健全管腔径またはＬＮＳを決定するために使用されるアルゴリズムを選択することを含むことができる。アルゴリズムは、カーネル回帰アルゴリズムまたは機械学習アルゴリズムを含むことができる。一実施形態において、カーネル回帰アルゴリズムは、デフォルトとして提示されることができる。代替的に、機械学習アルゴリズムは、ＬＮＳを決定するデフォルトアルゴリズムとして設定されることができる。別の実施形態において、方法２００は、デフォルト設定なしで、選択のために回帰及び機械学習アルゴリズムを提示することができる。選択は、ユーザから受信される入力、特定の使用事例または診療所におけるデフォルト設定、及び／または患者特性に基づくことができる。

カーネル回帰アルゴリズムを使用するかまたは機械学習アルゴリズムを使用するかを選択するとき、考慮事項は、開業医が、限局性病変を評価しているか非限局性病変を評価しているかを含むことができる。回帰は限局性病変を検出するために十分であることができ、一方、機械学習は、非限局性狭窄形態、例えば、長いびまん性病変、入口部病変、または部位全体に沿って存在する場合がある病変内の疾患領域を識別するときに、回帰より優れる場合がある。

一実施形態において、ステップ２０５ａは、回帰アルゴリズムを働かせることを含むことができる。一実施形態において、回帰アルゴリズムは、入口部から下流血管または終末部血管までの経路にわたる管腔エリアのカーネル回帰アルゴリズムを含むことができる。狭窄領域は、上流血管部位から下流血管部位まで進む間における血管半径の変化の検出によって特徴付けられることができ、半径は、減少し、次に、血管の長さに沿って増加する。脈管構造内の疾患領域は、管腔半径の急峻なかつ急激な（急性の）または長い（びまん性の）変化を伴う場合があり、半径は、当然、分岐部において急峻な減少（例えば、マレイの法則によって左右される）を有する場合がある。疾患及び狭窄領域の種々の発現に対処するために、本システム及び方法は、グローバルリグレッサのファミリーを含むことができる。グローバルリグレッサは、脈管構造全体に関して使用されることができ、一方、ローカルリグレッサは、いろいろなサイズの脈管構造の局所的な部分を解析するために使用されることができる。いろいろな範囲の回帰は、複数の指数を推測するために使用されることができ、ＬＮＳは、ＬＮＳの控えめな推定値を臨床医に提供するような指数からなることができる。

一実施形態において、ステップ２０５ａは、健全管腔半径を推定するために動径規定関数を有するカーネル回帰アルゴリズムを働かせることを含むことができる。代替的にまたは付加的に、ステップ２０５ａは、分岐部に中心がある異方性カーネルがガウシアンカーネルによって畳込まれることができる異方性カーネルフィットを含むことができる回帰アルゴリズムを働かせることを含むことができる。異方性カーネルフィットは、分岐部における管腔半径の自然な不連続性に対処し、上記で述べたカーネル回帰アルゴリズムと比べて分岐部病変の存在をより確実に推定することができる。

一実施形態において、ステップ２０５ａは、複数のリグレッサを使用することを含むことができる。例えば、ステップ２０５ａの１つの例示的な実施形態は、３つの異なるリグレッサ：グローバルカーネルフィット、セグメントフィット、及び異方性カーネルフィットを使用することができる。例示的なグローバルカーネルフィットは、血管ルート（例えば、入口部）からリーフまでの各経路について規定されることができ、健全半径は、
によって与えられることができる。

例示的なセグメントフィットは、分枝の間の各セグメントについて規定されることができ、健全半径は、
によって与えられることができる。

例示的な異方性カーネルフィットは、血管ルートからリーフまでの各経路について規定されるが、分枝における急峻な半径変動、例えば、
の効果を最小にするために設計された最近傍入口に中心があるシグモイド関数によって重み付けされることができる。

ここで、シグモイド関数Ｓは、
及び、
によって与えられることができる。

グローバル健全半径ｒ^＊ _{ｈｅａｌｔｈｙ}（ｘ）が計算されると、対応する指数
が計算され、管腔狭隘化スコア（λ）が
λ（ｘ） ＝ １ − κ（ｘ）（κ≦１の場合）
λ（ｘ）＝０（その他の場合）
として規定されることができる。

一実施形態において、σ_ｘ、σ_ｍａｘ、及びｒ_{ｘ，ｍａｘ}についての５つのパラメータは、全部で１５のリグレッサについて、リグレッサのそれぞれについて選択されることができる。リグレッサのそれぞれについての例示的なパラメータ値は、以下の値を含むことができ、ｎは１〜１５の範囲にあることができる。
σ_ｘ＝５．０^＊（１＋（ｎ−３）^＊０．４）
σ_ｍａｘ＝２００^＊（１＋（ｎ−３）^＊０．４）
σ_{ｘ，ｍａｘ}＝０．２５^＊（１＋（ｎ−３）^＊０．４）
ｋ＝０．１＋ｎ^＊０．３

異なるリグレッサは、管腔狭隘化の異なる長さ及び場所を提供することができる。

一実施形態において、ステップ２０５ｂは、健全管腔径またはＬＮＳを決定するために機械学習アルゴリズムを選択し働かせることを含むことができる。一実施形態において、機械学習アルゴリズムは、健全径を決定するために、患者の脈管構造以外の脈管構造の情報を使用することができる。機械学習アルゴリズムは、図３Ａにおいて更に詳細に述べられる。

一実施形態において、ステップ２０７は、管腔狭隘化スコアを計算することを含むことができる。管腔狭隘化スコアは、健全半径に対する実際の半径の比、例えば、
から計算されることができる。

ここで、ｒ_{ｈｅａｌｔｈｙ}（ｘ）は、管腔の理論的な健全半径（例えば、カーネル回帰アルゴリズムまたは機械学習アルゴリズムによって提供される）を含むことができ、ｒ（ｘ）は、管腔内の最大内接球の半径を含むことができる。管腔内の最大内接球は、血管中心線からメッシュの表面までの最近接点を見出すことによって決定されることができる。

一実施形態において、ステップ２０９は、計算された管腔狭隘化スコアを妥当性検証することを含むことができる。例えば、ＬＮＳは、中心線の空間分解能で管腔狭隘化を出力する直接臨床データ、または、主要な血管（ｐＬＡＤ、ｄＬＡＤ）等における全体的な管腔狭隘化の比較を提供することができる自動化血管ラベル付けツールによって妥当性検証されることができる。機械学習アルゴリズムから計算される管腔狭隘化スコアは、マニュアルアノテーションから計算されるスコアに対して妥当性検証されることができる。

幾つかのプロセスが、疾患の部位のマニュアルアノテーションについて存在することができる。例えば、ｃＣＴＡの訓練された読影者は、患者の集団の管腔セグメンテーションを評価し、管腔狭隘化（例えば、パーセント狭窄≧５０％）の場所を識別することができる。このプロセスは、診療所においてＣＴスキャンからパーセント狭窄を読影する、例えば、参照径を評価し最小管腔径と参照径との比を評価するのではなく、狭窄を視覚的に推定するプロセスを真似ることができる。読影における信頼度を提供する一方法は、各患者の脈管構造が３人の読影者によって評価され、合意読影結果を有する部位だけが訓練及び試験のために使用されることができるシナリオを含むことができる。便宜上、冠動脈ツリーは複数の部位に分割されることができ、各部位は、「疾患がある（ｄｉｓｅａｓｅｄ）」または「健全な（ｈｅａｌｔｈｙ）」とマーク付されることができる。部位は、セパレータとして分岐部の場所を使用して分割されることができる。疾患がある部位のマニュアルアノテーションは、ｃＣＴＡではなく管腔セグメンテーション上で実施されることができるため、性能は、中心線検出及び管腔セグメンテーションのために使用されるアルゴリズムに依存しない場合がある。種々の中心線検出及び管腔セグメンテーション法は、マニュアルアノテーションを使用して、機械学習アルゴリズムから計算される管腔狭隘化スコアを妥当性検証している間に使用されることができる。ステップ２１１は、妥当性検証の結果に基づいて、カーネル回帰アルゴリズムまたは機械学習アルゴリズムを更新することを含むことができる。

図２Ｂは、例示的な実施形態による、患者の脈管構造を評価するためにＬＮＳを使用する例示的な方法２３０のブロック図である。図２Ｂ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、画像、及びデータに基づいて、サーバシステム１０６によって実施されることができる。方法２３０の実施形態は、ＬＮＳの例示的な使用を述べるが、方法２２０のステップの全ては、ＬＮＳを使用してではなく、健全管腔径または健全管腔半径を使用して実施されることができる。

一実施形態において、ステップ２３１は、ＬＮＳを受信することを含むことができる。ステップ２３３〜２３７は、終末部血管の抵抗を決定するためにＬＮＳを使用することを含むことができる。例えば、ステップ２３３は、患者の終末部血管の理想的な管腔径を推定することを含むことができる。ステップ２３５は、理想的な管腔径の推定値からフラクタルツリーを生成することを含むことができ、例示的なステップ２３７は、フラクタルツリーに基づいて患者の終末部血管内の血流に対する下流抵抗を決定することを含むことができる。抵抗は、終末部血管を通る血流をシミュレートするために使用されることができる（例えば、ステップ２３９）。

一実施形態において、ステップ２４１及び２４３は、疾患の領域を推定し表示するための例示的な使用を含むことができる。例えば、ステップ２４１は、閾値ＬＮＳ、例えば、疾患の場所を示すことができる閾値を受信することを含むことができる。ステップ２４３は、閾値ＬＮＳを超えるＬＮＳを有する領域に遠位の血管領域における視覚インジケータ（複数可）を含む表示を生成することを含むことができる。上記で論じたように、閾値ＬＮＳは、臨床医によって左右される、または、臨床医が解析を行うことができるために十分な数の疾患領域が示されるが、解析が困難であるほどの多くの示される疾患領域が存在しないように、臨床フィードバックに基づいて決定されることができる。

図３Ａ〜３Ｃは、機械学習アプローチを訓練することを述べることができる。例えば、図３Ａは、健全管腔径または半径の特徴を規定することを含む、健全管腔幾何形状のデータ駆動型推定を行う機械学習アルゴリズムを訓練するための方法を含むことができる。図３Ｂは、機械学習アルゴリズムが、健全血管の特徴を学習するためにどのように脈管構造の部位を解析することができるかについての図を含むことができる。図３Ｃは、訓練された機械学習アルゴリズムを妥当性検証するための方法を含むことができる。図４は、特定の患者について健全管腔径または半径の推定値を計算することを含むことができる。

図３Ａは、例示的な実施形態による、健全管腔径（管腔狭隘化スコアを計算するために使用されることができる）の推定値を生成する機械学習アルゴリズムを開発するための訓練フェーズの例示的な方法３００のブロック図である。方法３００は、特定の患者についてのデータが母集団ベース健全管腔径にマッピングされるように、健全部位のデータベース（例えば、個人の母集団から得られる健全血管ステムの母集団）に基づいて機械学習アルゴリズムを訓練することを含むことができる。脈管構造は、心外膜脈管構造を含むことができる。方法３００は、同様に、個人の第２の母集団からの試験血管部位によって機械学習アルゴリズムを試験または妥当性検証することを含むことができる（図３Ｃにより詳細に述べられる）。例示的な方法３００は、訓練用データセットが個人の撮像済み解剖学的構造からの健全血管ステムを含む実施形態を述べるが、代替の方法は、合成血管ステムを使用することができる。図３Ａ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、画像、及びデータに基づいてサーバシステム１０６によって実施されることができる。

方法３００は、例示的な評価ＬＮＳ、ならびに、健全管腔幾何形状の推定の妥当性検証のために使用されることができる任意のメトリックを更に含むことができる。更に、ＬＮＳは、例えば、推定された健全径で局所径を割り、商を５０％の診断閾値と比較することによって、疾患の領域の指標を提供することができる。一実施形態において、処置についての推奨は、ＬＮＳに基づいて提供されることができる。一例として、運動内科的療法または運動は、ＬＮＳがカットオフ未満である場合に推奨されることができ、一方、更なる侵襲的試験／プロシージャは、ＬＮＳがカットオフ未満でない場合に推奨されることができる。

一実施形態において、ステップ３０１は、健全血管径の管腔セグメンテーションを受信することを含むことができる。例えば、ステップ３０１は、アノテーションされた管腔セグメンテーションを受信することを含むことができる。アノテーションは、（例えば、ｃＣＴＡまたはＣＴスキャンの）訓練された読影者によって提供されることができ、訓練された読影者は、複数人の個人のそれぞれの個人について管腔セグメンテーションを評価し、管腔狭隘化（例えば、パーセント狭窄≧５０％）の場所を識別することができる。各個人についての各管腔セグメンテーションは、複数人の読影者によって評価されることができ、訓練及び試験のために使用される部位は、複数人の読影者によって合意される読影結果を有する部位を含むことができる。代替的に、アノテーションは、管腔セグメンテーションではなくｃＣＴＡデータに関して実施されることができる。こうした実施形態において、中心線検出または管腔セグメンテーションアルゴリズムは、健全管腔径（及びＬＮＳ）を決定するための機械学習アルゴリズムの訓練に影響を及ぼす場合がある。

一実施形態において、ステップ３０３は、各管腔セグメンテーションをステム−クラウン−ルートユニットに分割することを含むことができる（例えば、図３Ｂに示される）。ステムは、健全径がそれについて評価されることができる関心の部位を含むことができる。クラウンは、関心の部位の下流の脈管構造を含むことができ、ルートは、関心の部位の上流の脈管構造を含むことができる。機械学習法は、シブリング血管を識別することを含むことができ、シブリング血管は、関心の部位がそこに位置する血管以外の、ペアレント血管のチャイルド血管を含むことができる。

一実施形態において、ステップ３０５は、血管セグメントであって、例えば、各セグメントが分岐部の間の冠動脈セグメンテーションを表すことができる、血管セグメントについて特徴を規定すること及び／または抽出することを含むことができる。所与の脈管構造内の各ステムについて、ステップ３０３は、対応するクラウン、ルート、及びシブリング血管（利用可能であるとき）についての以下の特徴、例えば、平均、最大、及び最小管腔面積（Ａ）、体積（Ｖ）、長さ（Ｌ）、Ｖ／Ａ、及びＶ／Ｌのうちの１つまたは複数を抽出することを含むことができる。一実施形態において、機械学習アルゴリズムの特徴は、最大内接球を使用して局所径を評価することを含むことができる。代替のまたは更なるアプローチは、平面面積、例えば、中心線に対する垂線に沿う管腔の面積を評価することを含むことができる。幾つかの特徴は、一部のステムについて利用可能でない場合がある（例えば、入口部部位はルートユニットを有さない場合があり、終末部部位はクラウンユニットを有さない場合がある）。機械学習法において、こうした特徴は、−１のデフォルトの特別値を割当てられることができる。一実施形態において、特徴は、各部位が分岐部の間の冠動脈セグメンテーションを表すことができる所与の部位について規定されることができる。所与の部位における流量が一定であることができる（または、部位が、流量がその部位内で一定であるように規定されることができる）ため、例示的なステップ３０５は、壁せん断応力のホメオスタシス状態を保存するために健全血管が部位内でその半径を維持することができると仮定することができる。

一実施形態において、ステップ３０７は、血管ツリーの他の部分からの特徴を考慮下のステムからの特徴と比較することを含むことができる。例えば、機械学習アルゴリズムは、一度に１つのステムを解析し、血管ツリーの残りの部分からの特徴を使用して、考慮下のステムにおける健全管腔径を推測することができる。

一実施形態において、ステップ３０９は、血管セグメントについて健全管腔径を推測することを含むことができる。例えば、機械学習アルゴリズムは、健全管腔径を予測するためにランダムフォレスト回帰を使用することを含むことができる。ランダムフォレストは、高い次元及び不均一性の特徴について効果的かつ強力であることができる。ランダムフォレストは、デシジョンツリーのアンサンブルを使用することができ、デシジョンツリーのそれぞれは、特徴及び訓練データのランダムサブセットからなることができる。各デシジョンツリーは、入力特徴ベクトルを連続変数にマッピングすることができる。デシジョンツリーからの値は、共にプールされ平均されて、健全管腔径の最終的な予測子（ｄ_ｐ）を計算することができる。一実施形態において、複数のランダムフォレスト（例えば、非終末部血管用のランダムフォレスト及び入口部セグメント用のランダムフォレスト）が生成されることができる。健全管腔径が決定されると、ＬＮＳは、α＝（１−ｄ_ｐ／ｄ_ｌ）×１００％として、局所管腔径（ｄ_ｌ）と予測される健全管腔径との比から評価されることができる。１つの例示的なシナリオは、５つの特徴／ツリーの平均を有する５０のツリーを含むことができる。５重の相互妥当性検証が使用されて、選択されたパラメータの性能を評価することができる。

一実施形態において、後続のステップは、機械学習アルゴリズムを評価することまたは妥当性検証することを含むことができる。例えば、機械学習アルゴリズムは、評価／妥当性検証に基づいて更新されることができる。例えば、機械学習アルゴリズムを評価すること／妥当性検証することは、マニュアルアノテーションに対して（例えば、ステップ３０９の）ランダムフォレストリグレッサを評価することを含むことができる。１つの事例において、（例えば、種々の患者からの）ステムのセットに関するランダムフォレストリグレッサの結果は、感度、特異度、及び受信者動作特性（ＲＯＣ：ｒｅｃｅｉｖｅｒ−ｏｐｅｒａｔｏｒ ｃｈａｒａｃｔｅｒｉｓｔｉｃ）曲線下の面積を評価することによって評価されることができる。妥当性検証について、「疾患がある（ｄｉｓｅａｓｅｄ）」として読影者によってアノテーションされた部位は、陽性であると考えられることができ、こうした部位は、ランダムフォレストが、パーセント狭窄≧５０％であると予測する場合、「真陽性（ｔｒｕｅ ｐｏｓｉｔｉｖｅ）」であるとして、そうでない場合、「偽陰性（ｆａｌｓｅ ｎｅｇａｔｉｖｅ）」であるとして更に分類されることができる。同様に、健全であるとしてアノテーションされることができる部位は、ランダムフォレストが、パーセント狭窄＜５０％であると予測する場合、「真陰性（ｔｒｕｅ ｎｅｇａｔｉｖｅ）」であるとして、そうでない場合、「偽陽性（ｆａｌｓｅ ｐｏｓｉｔｉｖｅ）」であるとして分類されることができる。感度（Ｓ_ｅ）及び特異度（Ｓ_ｐ）は、
Ｓ_ｅ＝ＴＰ／（ＴＰ＋ＦＮ）
Ｓ_ｐ＝ＴＮ／（ＴＮ＋ＦＰ）
として規定されることができる。

ＲＯＣ曲線は、疾患の部位を規定するために使用されるカットオフの異なる値について感度及び特異度を評価することによってプロットされることができる。例えば、α≦ｘ∀ｘ∈［０％；１００％］である。

図３Ｂは、例示的な実施形態による、図３Ａの機械学習アルゴリズムの例示的な血管ツリーの図である。上記で述べたように、血管ツリーは、多くのステム−クラウン−ルートユニットに分割されることができる。図３Ｂは、例示的なクラウンツリー３３０を含むことができる。一実施形態において、ステム３３１は、セパレータとしての分岐点に基づいて規定されることができ、対応するクラウン及びルートは、それぞれ、脈管構造の下流及び上流にある。例示的なクラウンツリー３３０について、心外膜体積、長さ、径、及び異なる比が、クラウン血管３３３、ルート血管３３５、及びシブリング血管３３７（利用可能な場合）において計算されることができ、種々の比は、所与のステム３３１についての特徴として割当てられることができる。一実施形態において、患者の冠動脈脈管構造は、種々のステム−クラウンユニットに分割されることができ、ステムは冠動脈の部位からなることができ、クラウンは下流脈管構造からなることができ、べき乗則は、クラウン体積及びクラウン長をステム面積に関連付けることができる。この実施形態は、例えば、びまん性疾患の場合、疾患が存在する場所を指定することなく、管腔狭隘化の存在または非存在を示すことができる。

図３Ｃは、例示的な実施形態による、図３Ａで述べる訓練された機械学習アルゴリズムを妥当性検証することによって、管腔狭隘化スコアを生成する機械学習アルゴリズムを改善するまたは更に訓練する例示的な方法３５０のブロック図である。妥当性検証プロセスからの妥当性検証された結果は、管腔セグメンテーション（複数可）による血管管腔のパーセント狭窄の正確な推定を提供することに加えて、複雑な形態を有する病変の評価についての基礎を提供することができる。図３Ｃ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、画像、及びデータに基づいてサーバシステム１０６によって実施されることができる。

一実施形態において、ステップ３５１は、（例えば、図３Ａの場合）機械学習アルゴリズムを訓練するために使用される集合体と異なる、複数の個人（及び彼らの血管部位）の集合体を識別することを含むことができる。一実施形態において、ステップ３５１は、冠動脈造影を受けた個人を識別することを含むことができ、対応する疾患がある場所は、例えば、コア検査室の独立した専門家によってＱＣＡを使用して識別され定量化されることができる。例えば、ＤｅＦＡＣＴＯ臨床試験（Ｃｌｉｎｉｃａｌｔｒｉａｌｓ．ｇｏｖ／♯ ＮＣＴ０１２３３５１８）のサブセットからの冠動脈ＱＣＡデータは、例示的な方法３００の結果を妥当性検証する方法３５０の例示的な妥当性検証プロセスについての参照グラウンドトゥルースデータとして使用されることができる。

一実施形態において、ステップ３５３は、識別された個人の集合体の血管部位について健全径及び／または疾患の存在を決定することを含むことができる。例えば、下流脈管構造、上流脈管構造、及びシブリング血管を包含する幾何形状ベース特徴のセットは、所与の部位の健全血管径を推定するために使用されることができる。ステップ３５３は、血管幾何形状を、種々の「ステム−クラウン−ルート（ｓｔｅｍ−ｃｒｏｗｎ−ｒｏｏｔ）」ユニットに繰返し分割し、健全血管径のインジケータとして知られる場合があるメトリック、例えば、心外膜血管体積及び管腔面積を使用することを含むことができる。

一実施形態において、ステップ３５５は、予測された健全管腔径と対応する測定された健全管腔径との間の相関係数を計算することを含むことができる。妥当性検証プロセスは、予測された健全管腔径と対応する測定された健全管腔径との間の平均絶対誤差及び平均２乗誤差平方根を計算することを更に含むことができる。本方法を使用してパーセント狭窄を検出するための動作点感度及び特異度は、別の方法、例えば、グローバルカーネル回帰法または異方性カーネル回帰法と比較されることができる。妥当性検証プロセスは、他の方法（例えば、異方性カーネル回帰法及び／またはグローバルカーネル回帰）に対して、本方法についての受信者動作特性（ＲＯＣ）曲線を計算すること及び／または比較することを更に含むことができる。

図４は、例示的な実施形態による、機械学習アルゴリズム（例えば、図３Ａで述べる）を使用して特定の患者について管腔狭隘化スコアを生成する例示的な方法４００のブロック図である。方法４００は、機械学習アプローチ、例えば、患者以外の個人の母集団からの健全血管部位のデータベースに関して訓練される機械学習アルゴリズムを使用して、特定の患者の脈管構造から得られるメトリックを健全管腔径にマッピングするために機械学習を使用することができる。患者自身の血管推定／回帰から健全管腔径を決定することは、限局性病変の検出に有用である場合があるが、方法４００は、非限局性狭窄（例えば、びまん性の、入口部の、及び分岐部の病変）について健全管腔径を推定するのにより効果的である。図４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、画像、及びデータに基づいてサーバシステム１０６によって実施されることができる。

一実施形態において、ステップ４０１は、患者の脈管構造の管腔セグメンテーションを受信することを含むことができる。管腔セグメンテーションは、患者の脈管構造の血管中心線及び／または表面メッシュ表現を含むことができる。

一実施形態において、ステップ４０３は、管腔セグメンテーションをステム−クラウン−ルートユニット（例えば、図３Ｂに示す）に分割することを含むことができ、ステムは、健全径がそれについて評価されることができる関心の部位を含むことができ、クラウンは、関心の部位の下流の脈管構造を含むことができ、ルートは、関心の部位の上流の脈管構造を含むことができる。ステップ４０３は、同様に、関心の部位がそこに位置する血管内のシブリング血管（複数可）を識別することを含むことができる。例示的なシブリング血管は、関心の部位がそこに位置する血管以外の、ペアレント血管のチャイルド血管を含むことができる。

一実施形態において、ステップ４０５は、血管セグメントについて特徴を規定すること及び／または抽出することを含むことができる。各ステムについて、ステップ４０５は、対応するクラウン、ルート、及びシブリング血管（利用可能であるとき）についての以下の特徴、例えば、平均、最大、及び最小管腔面積（Ａ）、体積（Ｖ）、長さ（Ｌ）、Ｖ／Ａ、及びＶ／Ｌのうちの１つまたは複数を抽出することを含むことができる。ステップ４０５は、最大内接球を使用して局所径を評価することを含むこと及び／または平面面積、例えば、中心線に対する垂線に沿う管腔の面積を評価することを含むことができる。一実施形態において、一部のステムについて利用可能でない特徴（例えば、入口部部位はルートユニットを有さない場合があり、終末部部位はクラウンユニットを有さない場合がある）は、−１のデフォルトの特別値を割当てられることができる。一事例において、評価される各セグメントは、分岐部の間の冠動脈セグメンテーションを表すことができる。

一実施形態において、ステップ４０７は、血管ツリーの他の部分からの特徴を考慮下のステムからの特徴と比較することを含むことができる。例えば、ステップ４０７は、一度に１つの患者血管ステムを解析し、機械学習アルゴリズムの血管ツリーからの特徴を使用して、考慮下のステムにおける健全管腔径を推測するために、（例えば図３Ａから）訓練された機械学習アルゴリズムを使用することを含むことができる。

一実施形態において、ステップ４０９は、血管セグメントについて健全管腔径を推測することを含むことができる。例えば、例示的な実施形態は、患者や特有のメトリック（ステップ４０５の特徴を含む）を抽出すること、一度に１つの部位を省くこと、これらのメトリックのデータベースを、記憶済みの健全管腔径にマッピングすることを含むことができる（例えば、図３Ａに述べたように、機械学習アルゴリズムを訓練することによって）。より具体的には、機械学習アルゴリズムは、患者について健全管腔径を予測するためにランダムフォレスト回帰を含むことができる。上記で述べたように、ランダムフォレストは、デシジョンツリーのアンサンブルを使用することができ、デシジョンツリーのそれぞれは、特徴及び訓練データのランダムサブセットからなることができる。各デシジョンツリーは、入力特徴ベクトルを連続変数にマッピングすることができ、デシジョンツリーからの値は、共にプールされ平均されて、健全管腔径の最終的な予測子（ｄ_ｐ）を計算することができる。

一実施形態において、ステップ４１１は、血管セグメントについてＬＮＳを決定することを含むことができる。例えば、ＬＮＳ及びパーセント狭窄は、α＝（１−ｄ_ｐ／ｄ_ｌ）×１００％として、局所管腔径（ｄ_ｌ）と予測される健全管腔径との比から評価されることができる。

１つの研究（Ｏｕｒｓｅｌｉｎ Ｓ．，Ｊｏｓｋｏｗｉｃｚ Ｌ．，Ｓａｂｕｎｃｕ Ｍ．， Ｕｎａｌ Ｇ．， Ｗｅｌｌｓ Ｗ．（ｅｄｓ） Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｃｏｍｐｕｔｅｒ−Ａｓｓｉｓｔｅｄ Ｉｎｔｅｒｖｅｎｔｉｏｎ――ＭＩＣＣＡＩ ２０１６．ＭＩＣＣＡＩ ２０１６．Ｌｅｃｔｕｒｅ Ｎｏｔｅｓ ｉｎ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ，ｖｏｌ ９９０２． Ｓｐｒｉｎｇｅｒ， Ｃｈａｍにおける、Ｓａｎｋａｒａｎ Ｓ．， Ｓｃｈａａｐ Ｍ．， Ｈｕｎｌｅｙ Ｓ．Ｃ．， Ｍｉｎ Ｊ．Ｋ．， Ｔａｙｌｏｒ Ｃ．Ａ．， Ｇｒａｄｙ Ｌ．（２０１６） ＨＡＬＥ：Ｈｅａｌｔｈｙ Ａｒｅａ ｏｆ Ｌｕｍｅｎ Ｅｓｔｉｍａｔｉｏｎ ｆｏｒ Ｖｅｓｓｅｌ Ｓｔｅｎｏｓｉｓ Ｑｕａｎｔｉｆｉｃａｔｉｏｎ）において、方法４００は、健全部位の管腔径を予測するために０．１５ｍｍの平均絶対誤差がある状態で、０．９４７の相関係数を達成した。更に、方法は、狭窄を検出するために９０％／８５％の動作点感度／特異度を有することができる。疾患がある患者のセットに関するパーセント狭窄の平均絶対誤差は、ＱＣＡデータと比較すると、異方性カーネル回帰における３１％から本方法３００における１４％に低減されることができる。

血管体積、管腔面積、血管長、及び得られる特徴の組合せを含む患者特有の幾何学的特徴を使用する一般的なアプローチは、ランダムデシジョン・フォレストリグレッサを使用して健全管腔径を推定するときに使用されることができる。このリグレッサは、異なる種類の、例えば、急性の、びまん性の、入口部の、及び分岐部の疾患を有する脈管構造について使用されることができる。本開示において先に述べた参照カーネル−回帰ベース法は、局所的な患者特有のデータに基づくことができる。こうした回帰法は、限局性狭隘化の領域を捕捉することができる。代替のまたは更なる回帰法は、母集団データに対処し、他の疾患形態を捕捉することができる。更に別の方法、例えば、びまん性病変を検出するための方法は、母集団ベース機械学習アプローチを含むことができ、出力されるメトリック（ＬＮＳ）は、びまん性病変の存在または非存在の指標を提供することができる。

本システム及び方法は、任意の管腔セグメンテーション法と共に使用されることができる。用途に応じて、本システム及び方法は、例えば、パーセント狭窄のオンサイト評価のための自動化管腔セグメンテーションアルゴリズムと共に使用されることができる、または、オフラインのまたはコア検査室の状況における半自動化法と共に使用されることができる。本システム及び方法は、正確なＱＣＴ評価ツールを提供することができ、正確なＱＣＴ評価ツールは、正確な管腔セグメンテーションアルゴリズムを、パーセント狭窄を評価のための正確なアルゴリズムと結合させることを含むことができる。こうした評価ツールは、ＱＣＡに対してうまく、かつ、同じ管腔セグメンテーションのための異方性カーネル回帰よりよく働くことができる。

１つの更なる実施形態は、疾患がある場合がある部位に関して特徴が計算されることを制限することを含むことができる。こうした実施形態は、反復アルゴリズムであって、機械学習アルゴリズムを訓練している間に疾患があると識別されると、或る部位が他の部位についての特徴の推定において使用されることができない、反復アルゴリズムを含むことができる。実施形態は、同様に、より高次のメトリック、例えば、面積勾配を含むことができる。

本発明の他の実施形態は、本明細書及び本明細書で開示される発明の実施を考慮すると当業者に明らかになるであろう。本明細書及び例が単に例示として考えられ、本発明の真の範囲及び趣旨が添付特許請求の範囲に示されていることが意図される。

Claims (20)

1. 患者の脈管構造の管腔径を識別するコンピュータ実装式方法であって、
   複数の個人の既知の健全な血管セグメントの１つまたは複数の管腔セグメンテーションを含むデータセットを受信すること、
   前記血管セグメントのそれぞれについて１つまたは複数の管腔特徴を抽出すること、
   患者の脈管構造の管腔セグメンテーションを受信すること、
   前記患者の脈管構造の部位を決定すること、及び、
   前記複数の個人の前記既知の健全な血管セグメントのそれぞれについての前記抽出された１つまたは複数の特徴を使用して、前記患者の脈管構造の前記部位の健全な管腔径を決定することを含む、方法。
2. 前記決定された健全な管腔径を使用して管腔狭隘化スコアを計算することを更に含み、前記管腔狭隘化スコアは、前記患者の脈管構造の部位の半径と、前記複数の個人の前記既知の健全な血管セグメントに基づく対応する理論的な健全な半径との比である、請求項１に記載の方法。
3. 前記１つまたは複数の管腔特徴は、平均、最大、及び最小の管腔の面積、体積、及び長さを含む、請求項１に記載の方法。
4. 前記複数の個人の前記管腔セグメンテーションのそれぞれを複数のサブユニットに分割することを更に含み、前記サブユニットの１つのユニットは、前記患者の脈管構造の部位に対応する、請求項１に記載の方法。
5. 前記サブユニットのそれぞれについて１つまたは複数の管腔特徴を抽出すること、及び、
   前記患者の脈管構造の部位の健全な管腔径を決定するために、ランダムフォレスト回帰を生成することを更に含む、請求項４に記載の方法。
6. 前記サブユニットは、前記患者の脈管構造の前記識別された部位に対応する第１の部位、前記第１の部位の上流の脈管構造のセグメント、及び前記第１の部位の下流の脈管構造のセグメントからなる、請求項４に記載の方法。
7. 冠血流予備量比の推定を生成すること、冠血流予備量比推定の推定値または感度を生成すること、または、前記決定された健全な管腔径に基づいてモデルを生成することを更に含む、請求項１に記載の方法。
8. 前記既知の健全な血管セグメントは、マニュアルアノテーションに基づく、請求項１に記載の方法。
9. 患者の脈管構造の管腔径を識別するためのシステムであって、
   患者の脈管構造の管腔径を識別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、
   複数の個人の既知の健全な血管セグメントの１つまたは複数の管腔セグメンテーションを含むデータセットを受信すること、
   前記血管セグメントのそれぞれについて１つまたは複数の管腔特徴を抽出すること、
   患者の脈管構造の管腔セグメンテーションを受信すること、
   前記患者の脈管構造の部位を決定すること、及び、
   前記複数の個人の前記既知の健全な血管セグメントのそれぞれについての前記抽出された１つまたは複数の特徴を使用して、前記患者の脈管構造の前記部位の健全な管腔径を決定することを含む、方法を実施するために前記命令を実行するように構成される、システム。
10. 前記決定された健全な管腔径を使用して管腔狭隘化スコアを計算するために更に構成され、前記管腔狭隘化スコアは、前記患者の脈管構造の部位の半径と、前記複数の個人の前記既知の健全な血管セグメントに基づく対応する理論的な健全な半径との比である、請求項９に記載のシステム。
11. 前記１つまたは複数の管腔特徴は、平均、最大、及び最小の管腔の面積、体積、及び長さを含む、請求項９に記載のシステム。
12. 前記複数の個人の前記管腔セグメンテーションのそれぞれを複数のサブユニットに分割するために更に構成され、前記サブユニットの１つのユニットは、前記患者の脈管構造の部位に対応する、請求項９に記載のシステム。
13. 前記サブユニットのそれぞれについて１つまたは複数の管腔特徴を抽出し、前記患者の脈管構造の部位の健全な管腔径を決定するために、ランダムフォレスト回帰を生成するために更に構成される、請求項１２に記載のシステム。
14. 前記サブユニットは、前記患者の脈管構造の前記識別された部位に対応する第１の部位、前記第１の部位の上流の脈管構造のセグメント、及び前記第１の部位の下流の脈管構造のセグメントからなる、請求項１２に記載のシステム。
15. 冠血流予備量比の推定を生成するため、冠血流予備量比推定の推定値または感度を生成するため、または、前記決定された健全な管腔径に基づいてモデルを生成するために更に構成される、請求項９に記載のシステム。
16. 前記既知の健全な血管セグメントは、マニュアルアノテーションに基づく、請求項９に記載のシステム。
17. 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、方法であって、
    複数の個人の既知の健全な血管セグメントの１つまたは複数の管腔セグメンテーションを含むデータセットを受信し、
    前記血管セグメントのそれぞれについて１つまたは複数の管腔特徴を抽出し、
    患者の脈管構造の管腔セグメンテーションを受信し、
    前記患者の脈管構造の部位を決定し、
    前記複数の個人の前記既知の健全な血管セグメントのそれぞれについての前記抽出された１つまたは複数の特徴を使用して、前記患者の脈管構造の前記部位の健全な管腔径を決定する、
    方法を実施するためのコンピュータ実行可能なプログラミング命令を含む、非一時的コンピュータ可読媒体。
18. 前記方法は、
    前記決定された健全な管腔径を使用して管腔狭隘化スコアを計算することを更に含み、前記管腔狭隘化スコアは、前記患者の脈管構造の部位の半径と、前記複数の個人の前記既知の健全な血管セグメントに基づく対応する理論的な健全な半径との比である、請求項１７に記載の非一時的コンピュータ可読媒体。
19. 前記１つまたは複数の管腔特徴は、平均、最大、及び最小の管腔の面積、体積、及び長さを含む、請求項１７に記載の非一時的コンピュータ可読媒体。
20. 前記方法は、
    前記複数の個人の前記管腔セグメンテーションのそれぞれを複数のサブユニットに分割することを更に含み、前記サブユニットの１つのユニットは、前記患者の脈管構造の部位に対応する、請求項１７に記載の非一時的コンピュータ可読媒体。