JP2020512133A - スペクトルイメージングｆｆｒ - Google Patents

Abstract

システム１００は、冠血流予備量比指標を決定する生物物理学的シミュレータコンポーネント１２６を含むコンピュータ実行可能命令１２４を有するコンピュータ可読記憶媒体１２２を含む。システムは更に、生物物理学的シミュレータコンポーネント１２６を実行して、スペクトルボリュメトリック画像データを用いて冠血流予備量比指標を決定するプロセッサ１２０を含む。システムは更に、決定された冠血流予備量比指標を表示するディスプレイを含む。

Description

以下は、概してスペクトルイメージングに関し、より具体的にはスペクトル画像データから冠血流予備量比（ＦＦＲ）推定値を決定することに関し、コンピュータ断層撮影（ＣＴ）への特定の応用を用いて説明する。

冠血流予備量比（ＦＦＲ）は、ＦＦＲ指標を介して、石灰化プラーク又は軟質プラークによる冠動脈病変の血行動態的意義を定量化するためのカテーテル検査室（Ｃａｔｈ Ｌａｂ）における侵襲的手段である。指標は、冠動脈造影中に行われた圧力測定から計算される冠動脈狭窄の機能的重症度を示し、充血状態での（小孔近くの）近位血圧に対する（狭窄の後ろの）遠位血圧として定義される。つまり、ＦＦＲ指標は、狭窄がないと仮定した場合の血管の最大流量と比較される狭窄がある場合の最大流量を表す。ＦＦＲ値は、０乃至１の絶対値であり、値０．５０は、所与の狭窄が５０％の血圧低下を引き起こしていることを示す。

ＦＦＲ侵襲的処置では、カテーテルを大腿動脈又は橈骨動脈に挿入し、狭窄部まで前進させる必要がある。狭窄部では、カテーテルの先端にあるセンサが、血管形状、伸展性及び抵抗並びに／又はその他の特性に影響を与える様々な薬剤によって促進された状態の間、狭窄部における圧力、温度及び流量を感知する。ＦＦＲ−ＣＴは、冠動脈の血流及び血圧がシミュレートされる計算流体力学（ＣＦＤ）シミュレーションを介して、（例えば冠動脈コンピュータ断層撮影血管造影（ＣＣＴＡ）からの）心臓のＣＴ画像データからＦＦＲ指標を推定する非侵襲的イメージングアプローチである。これには、ＣＣＴＡ画像データを使用して冠動脈枝の幾何モデルを生成し、そこから特徴を抽出し、シミュレーションのために当該特徴から境界条件を決定することが含まれる。

残念ながら、ＣＣＴＡ画像データは、狭窄の原因となっている患者の解剖学的構造及び生理機能を正確に特徴付けることには限界がある。このような限界の一例は、例えばビーム硬化による心筋灌流欠損の過大評価である。このような限界の別の例は、例えばカルシウムブルーミングによる内腔半径の過小評価である。

本明細書において説明する態様は、上記問題等に対処する。

本明細書において、スペクトルボリュメトリック画像データ（例えばＣＴ）の結果を利用して、原因となっている解剖学的構造を特徴付け、境界条件をシミュレーションに割り当てることにより、冠動脈コンピュータ断層撮影血管造影（ＣＣＴＡ）からの冠血流予備量比（ＦＦＲ）推定を向上させるアプローチについて説明する。このアプローチは、スペクトルボリュメトリック画像データに適用されるスペクトル画像解析を使用して、冠動脈枝の正確な患者固有の３Ｄ解剖モデルを得て、また、統計モデルを使用して、スペクトルＣＴデータから複雑な原因となっている充血性の生理学的過程を暗黙的に記述する。モデルは、例えば原因となっている解剖学的構造及び生理機能のより詳細かつ正確な特徴付けを提供して、シミュレーションのための境界条件を得ることにより、非スペクトルＣＣＴＡデータに基づく流体シミュレーションの潜在的なバイアスを暗黙的に考慮する。

一態様では、システムは、冠血流予備量比指標を決定する生物物理学的シミュレータコンポーネントを含むコンピュータ実行可能命令を有するコンピュータ可読記憶媒体を含む。システムは更に、生物物理学的シミュレータコンポーネントを実行してスペクトルボリュメトリック画像データを用いて冠血流予備量比指標を決定するプロセッサを含む。システムは更に、決定された冠血流予備量比指標を表示するディスプレイを含む。

別の態様では、コンピュータ可読媒体は、プロセッサによって実行されると、当該プロセッサに、スペクトルボリュメトリック画像データを受信させ、スペクトルボリュメトリック画像データを処理して冠血流予備量比指標を決定させ、冠血流予備量比指標を視覚的に提示させるコンピュータ実行可能命令がコード化されている。

別の態様では、方法は、スペクトルボリュメトリック画像データを受信するステップと、スペクトルボリュメトリック画像データを処理して冠血流予備量比指標を決定するステップと、冠血流予備量比指標を視覚的に提示するステップとを含む。

当業者であれば、添付の説明を読んで理解すると、本願の更に他の態様を認識するであろう。

本発明は、様々なコンポーネント及びコンポーネントの構成、また、様々なステップ及びステップの構成の形を取ってよい。図面は、好適な実施形態を例示することのみを目的とし、本発明を限定するものと解釈されるべきではない。

図１は、生物物理学的シミュレータを有するコンピューティングシステムとイメージングシステムとを含むシステムを概略的に示す。 図２は、生物物理学的シミュレータの一例を概略的に示す。 図３は、本明細書における一実施形態による例示的な方法を示す。

図１は、スペクトル（マルチエネルギー）イメージング用のＣＴスキャナといったイメージングシステム１０２を含むシステム１００を概略的に示す。イメージングシステム１０２は、ほぼ静止したガントリ１０４と、静止ガントリ１０４によって回転可能に支持され、ｚ軸を中心に検査領域１０８の周りを回転する回転ガントリ１０６とを含む。カウチといった被験者支持体１１０が、検査領域１０８内で物体又は被験者を支持する。

Ｘ線管といった放射線源１１２が、回転ガントリ１０６によって回転可能に支持され、回転ガントリ１０６と共に回転し、検査領域１０８を横断する放射線を放出する。一例では、放射線源１１２は、単一の広域スペクトルＸ線管を含む。別の例では、放射線源１１２は、スキャン中に少なくとも２つの異なる放出電圧（例えば８０ｋＶｐと１４０ｋＶｐ）を切り替える単一のＸ線管を含む。更に別の例では、放射線源１１２は、異なる平均スペクトルを有する放射線を放出する２つ以上のＸ線管を含む。更に別の例では、放射線源１１２は、これらの組み合わせを含む。

放射線感受性検出器アレイ１１４が、検査領域１０８を横切る放射線源１１２の反対側の角度の弧を定める。放射線感受性検出器アレイ１１４は、検査領域１０８を横断する放射線を検出し、それを示す電気信号（投影データ）を生成する。放射線源１１２が単一の広域スペクトルＸ線管を含む場合、放射線感受性検出器アレイ１１４は、エネルギー分解検出器（例えば直接変換光子計数検出器、異なるスペクトル感度（多層）を有する少なくとも２組のシンチレータ（多層）等）を含む。ｋＶｐ切替え及び複数管構成では、検出器アレイ１１４は、単層検出器、直接変換光子計数検出器及び／又は多層検出器を含むことができる。直接変換光子計数検出器は、ＣｄＴｅ、ＣｄＺｎＴｅ、Ｓｉ、Ｇｅ、ＧａＡｓ又は他の直接変換材料といった変換材料を含んでよい。多層検出器の例には、２００６年４月１０日に「Ｄｏｕｂｌｅ Ｄｅｃｋｅｒ Ｄｅｔｅｃｔｏｒ ｆｏｒ Ｓｐｅｃｔｒａｌ ＣＴ」なる名称で出願された米国特許第７，９６８，８５３Ｂ２号に説明されているような２層式検出器といった２層式検出器が含まれる。当該特許の全体が参照することにより本明細書に組み込まれる。

再構成器１１６が、検出器アレイ１１４からスペクトル投影データを受け取り、スペクトルＣＣＴＡ画像データ、高エネルギー画像、低エネルギー画像、光電画像、コンプトン散乱画像、ヨード画像、カルシウム画像、仮想非造影画像、骨画像、軟組織画像及び／又は他の基礎材料画像といったスペクトルボリュメトリック画像データを再構成する。再構成器１１６はまた、例えばスペクトル投影データ及び／又はスペクトルボリュメトリック画像データを組み合わせることによって、非スペクトルボリュメトリック画像データを再構成することもできる。一般に、スペクトル投影データ及び／又はスペクトルボリュメトリック画像データには、少なくとも２つの異なるエネルギー及び／又はエネルギー範囲のデータが含まれる。

コンピューティングシステム１１８がオペレータコンソールとして機能する。コンソール１１８は、モニタといった人間が読取り可能な出力デバイスと、キーボード、マウスといった入力デバイスとを含む。コンソール１１８に常駐するソフトウェアによって、オペレータは、グラフィカルユーザインターフェース（ＧＵＩ）又は他の手段を介してスキャナ１０２とやり取りする及び／又はスキャナ１０２を操作することができる。コンソール１１８は更に、プロセッサ１２０（例えばマイクロプロセッサ、コントローラ、中央処理装置等）と、非一時的媒体は除外し、物理メモリデバイス等といった一時的媒体を含むコンピュータ可読記憶媒体１２２とを含む。コンピュータ可読記憶媒体１２２は、少なくとも生物物理学的シミュレータ１２６のための命令１２４を含む。プロセッサ１２０は命令１２４を実行する。プロセッサ１２０は更に、搬送波、信号及び／又は他の一時的媒体によって運ばれる１つ以上のコンピュータ可読命令を実行することもできる。変形例では、プロセッサ１２０及びコンピュータ可読記憶媒体１２２は、コンピューティングシステム１１８とは別箇である別のコンピューティングシステムの一部である。

生物物理学的シミュレータ１２６は、再構成器１１６及び／又は他のイメージングシステムによって生成された少なくともスペクトルボリュメトリック画像データを処理して、生物物理学的シミュレーションを行う。ＦＦＲに関しては、生物物理学的シミュレータは、そこからＦＦＲ指標を決定する。以下でより詳細に説明するように、生物物理学的シミュレータ１２６は、スペクトルボリュメトリック画像データから冠動脈枝の患者固有の３Ｄ解剖モデルを決定し、そこから特徴を抽出し、抽出した特徴から境界条件を決定し、スペクトル的に決定された境界条件を流体シミュレーション及びＦＲＲ指標の決定に使用する。一例では、（非スペクトルボリュメトリック画像データの処理と比べて）スペクトルボリュメトリック画像データの処理は、患者の原因となっている解剖学的構造学及び生理機能の正確かつ精密な特徴付けを提供する。例えば本明細書において説明されるアプローチは、非スペクトルボリュメトリック画像データが生物物理学的シミュレータ１２６によって処理される構成と比べて、ビーム硬化による心筋灌流欠損の過大評価及び／又はカルシウムブルーミングによる内腔半径の過小評価を緩和することができる。

図２は、生物物理学的シミュレータ１２６の一例を概略的に示す。

３Ｄ冠動脈枝モデリングコンポーネント２０２は、（例えばイメージングシステム１０２及び／又は他のイメージングシステムから）少なくともスペクトルボリュメトリック画像データを受信及び処理して、冠動脈の３Ｄ解剖モデルを生成する。一例では、患者の人口統計及び／又は他の情報も入力として使用される。３Ｄ冠動脈枝モデリングコンポーネント２０２は、自動及び／又はインタラクティブセグメンテーションツールを使用して、冠動脈の３Ｄ解剖モデルを生成する。このようなツールの一例はＦｒｅｉｍａｎ他による「Ａｕｔｏｍａｔｉｃ ｃｏｒｏｎａｒｙ ｌｕｍｅｎ ｓｅｇｍｅｎｔａｔｉｏｎ ｗｉｔｈ ｐａｒｔｉａｌ ｖｏｌｕｍｅ ｍｏｄｅｌｉｎｇ ｉｍｐｒｏｖｅｓ ｌｅｓｉｏｎ’ｓ ｈｅｍｏｄｙｎａｍｉｃ ｓｉｇｎｉｆｉｃａｎｃｅ ａｓｓｅｓｓｍｅｎｔ」（Ｐｒｏｇｒｅｓｓ ｉｎ Ｂｉｏｍｅｄｉｃａｌ Ｏｐｔｉｃｓ ａｎｄ Ｉｍａｇｉｎｇ−ＳＰＩＥプロシーディングス、２０１６年、第９７８４巻）に記載されている。３Ｄ冠動脈枝モデリングコンポーネント２０２は、スペクトルボリュメトリック画像データを活用してセグメンテーションを向上させる。

セグメンテーションを向上させるためにスペクトルデータを利用することの例には、次が含まれるが、これらに限定されない：
（１）冠動脈枝の解剖学的構造の様々なコンポーネントの存在を決定するために様々なスペクトル結果を使用する。例えばヨードマップを使用して内腔の存在を決定したり、仮想非造影画像又は実効原子番号マップを使用して、石灰化プラークの存在を決定したりする。
（２）セグメンテーションタスク全体に単一の非スペクトル画像を使用するのではなく、様々なコンポーネント間の境界を決定するために様々な単一エネルギー画像を使用する。例えば低単一エネルギー画像を使用して内腔と軟質プラークとの境界を画定したり、高単一エネルギー画像を使用して内腔内の石灰化プラークとヨードとを分離したりする。
（３）セグメンテーションの品質を向上させるためにスペクトル的に有効化された（spectrally enabled）正則化を使用する。

正則化の例には、次が含まれるが、これらに限定されない：
（１）様々なスペクトル結果にわたる正則化。
（２）マテリアルドメインにわたる正則化。
以下は、スペクトル情報が自動冠動脈枝セグメンテーションフレームワークに組み込まれている例を示す。この例では、冠動脈内腔セグメンテーションは、２つの項、即ち、（１）スペクトルデータ項及び（２）スペクトル正則化項を含む最大事後推定問題として定式化される。本明細書では他の定式化も想定され、以下の定式化は限定ではないことを理解されたい。

スペクトルデータ項は、各３Ｄ点が、次のクラス：冠動脈内腔、石灰化プラーク、軟質プラーク又はバックグラウンドのいずれかに属する尤度を表す。スペクトルデータ項の一例を式１に示す。
式１

ここで、ｘは、３Ｄ点であり、ｃ_ｉは、ｘに割り当てられるｉ番目のクラスであり、Ｐｒ（）は、確率を表し、ｆ_ＳＣＴ（ｘ）は、例えばヨードマップ及びカルシウムマップであるスペクトルボリュメトリック画像データからスペクトル的に有効化された特徴を抽出し、Ｐｒ（ｆ_ＳＣＴ（ｘ）∈ｃ_ｉ）は、スペクトル特徴と様々なクラスとの関係を記述する統計モデルを表す。

スペクトル正則化項は、異なるクラス（例えば内腔／バックグラウンド）に割り当てられる隣接点に罰則を科す。正則化項の一般的な例を式２に示す。
式２

スペクトル正則化項又はスペクトル的に有効化された正則化項の一例を式３に示す。
式３

ここで、ｆ_ｓ（ｘ）は、スペクトルボリュメトリックデータから点ｘにおいて得られる特徴ベクトルであり、σ_ｓ ^２は、スペクトル特徴ベクトルにわたる予想されるクラス内分散である。

個人特徴抽出コンポーネント２０４は、スペクトルボリュメトリック画像データ及び／又は３Ｄ冠動脈枝から冠動脈血流に関連する量である特徴を抽出する。例には次が含まれるが、これらに限定されるわけではない：
（１）スペクトル解剖学的特徴。例えば単一エネルギー画像、軟組織のないカルシウムマップ、ヨードのないカルシウムマップ等であるスペクトル結果を使用して、解剖学的構造が検出され、セグメント化され、分類される。
（２）スペクトルプラーク特徴。例えば軟組織のないカルシウムマップ、ヨードのないカルシウムマップ等であるスペクトル結果を使用して、プラークが検出され、セグメント化され、分類される。
（３）スペクトル心筋欠損。例えばヨードマップであるスペクトル結果を使用して、心筋欠損が検出され、セグメント化され、評価される。
（４）スペクトル側副血行路。ヨードマップ等であるスペクトル結果によって側副血行路推定が向上される。
及び／又は、
（５）他の特徴。

境界条件パラメトリックモデルコンポーネント２０６は、スペクトルボリュメトリック画像データから抽出された特徴から、調整可能な境界条件パラメトリックモデルを決定する。微小血管抵抗と解剖学的特徴及び生理学的特徴との間には幾つかの関係がある。欧州特許出願第１４１７４８９１．３号及び米国特許出願第６２／２５１，４１７号に、とりわけ冠動脈出口断面積を含む微小血管抵抗に関連する幾つかの特徴の例が説明されている。欧州特許出願第１４１７４８９３１．３号及び米国特許出願第６２／２５１，４１７号は共に、その全体が参照することにより本明細書に組み込まれる。

一例では、境界条件パラメトリックモデルコンポーネント２０６は、例えば様々な効果の加重線形和又は加重非線形和を含む様々な類似のパラメトリック関係を考慮することができる。非限定的な例を以下に示す。

この例では、抵抗は冠動脈出口断面積の関数としてモデリングされる。血管及びその分岐内の流れ間のそれらの直径に対する関係の一例がＶｏｒｏｂｔｓｏｖａによる「Ｅｆｆｅｃｔｓ ｏｆ Ｖｅｓｓｅｌ Ｔｏｒｔｕｏｓｉｔｙ ｏｎ Ｃｏｒｏｎａｒｙ Ｈｅｍｏｄｙｎａｍｉｃｓ：Ａｎ Ｉｄｅａｌｉｚｅｄ ａｎｄ Ｐａｔｉｅｎｔ−Ｓｐｅｃｉｆｉｃ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｓｔｕｄｙ」（Ａｎｎ．Ｂｉｏｍｅｄ．Ｅｎｇ．、第４４巻、第７号、２２２８−２２３９頁、２０１６年）に述べられている。一例を式４に示す。
式４

ここで、Ｒ_０は、微小血管床のベース全体抵抗を表し、ｒ_ｉｎは、入口直径を表し、ｒ_{ｏｕｔ，ｉ}は、出口直径を表し、ρ_{ｂｌｏｏｄ}は、血液粘度を表す。このモデルでは、ベース抵抗は入口直径に直接比例し、また、出口直径に反比例して、各冠動脈出口に割り当てられた出口抵抗が得られる。

有効半径は、式５に示す断面積（ＣＳＡ）から計算することができる。
式５

ベース抵抗は、式６に示すように、侵襲的に測定したＦＦＲ値（ＦＦＲ_ＧＴ、ＧＴ＝ゴールドトゥルース）を有するトレーニングデータセットを使用して、ＦＦＲ−ＣＴベースの分類器性能を最大化するＲ_０を見つける機械学習によって見つけることができる。
式６

境界条件パラメトリックモデルコンポーネント２０６は、一例では、式７を使用する。式７は、上記患者固有の特性に従って全体的な抵抗を調整する。
式７

ここで、ｆ（ｐａｔｉｅｎｔ＿ｓｐｅｃｔｒａｌ＿ｆｅａｔｕｒｅｓ）：Ｒ^ｎ→Ｒは、上記患者固有のスペクトル特徴を患者の血流境界条件に関連付ける個人化関数（personalization function）である。

以下に、解剖学的個人化、スペクトルプラーク形態学的個人化、スペクトル灌流欠損個人化及びスペクトル側副血行路個人化を含む個人化の例を幾つか示す。個人化には、これら及び／又は他の個人化のうちの１つ以上が含まれてよい。

解剖学的個人化
スペクトル的に決定された冠動脈枝入口半径（ｒｓ）を流体シミュレーション個人化用の特徴と考える場合、ｆ（ｐａｔｉｅｎｔ＿ｓｐｅｃｔｒａｌ＿ｆｅａｔｕｒｅｓ）の項は、式８に示すように書くことができる。
式８

ここで、ｐａｔｉｅｎｔ＿ｓｐｅｃｔｒａｌ＿ｆｅａｔｕｒｅｓ＝｛ｒｓ_ｉｎ｝，Ａ_０は、正規化係数であり、ｑは、境界条件が入口半径に従って個人化されるか（ｑ＝１）か否か（ｑ＝０）を制御するインジケータである。

含めることができる追加の解剖学的特徴は、冠動脈の屈曲度であり、これは、心筋が収縮している間の動脈の圧迫（Ｖｏｒｏｂｔｓｏｖａ他による「Ｅｆｆｅｃｔｓ ｏｆ Ｖｅｓｓｅｌ Ｔｏｒｔｕｏｓｉｔｙ ｏｎ Ｃｏｒｏｎａｒｙ Ｈｅｍｏｄｙｎａｍｉｃｓ：Ａｎ Ｉｄｅａｌｉｚｅｄ ａｎｄ Ｐａｔｉｅｎｔ−Ｓｐｅｃｉｆｉｃ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｓｔｕｄｙ」（Ａｎｎ．Ｂｉｏｍｅｄ．Ｅｎｇ．、第４４巻、第７号、２２２８−２２３９頁、２０１６年）において説明されている）及び冠動脈硬化の増加を示唆するエラスチン変性に関連する心筋ブリッジの存在及び長さ（Ｌｅｅ他による「Ｍｙｏｃａｒｄｉａｌ Ｂｒｉｄｇｉｎｇ：Ａｎ Ｕｐ−ｔｏ−Ｄａｔｅ Ｒｅｖｉｅｗ」（Ｊ．Ｉｎｖａｓｉｖｅ Ｃａｒｄｉｏｌ．、第２７巻、第１１号、５２１−８頁、２０１５年)において説明されている）によって冠動脈を通る血流に影響を及ぼす可能性がある。

全体的な個人化されたモデルパラメータＲ_０、Ａ_０は、式９に示すように、侵襲的に測定したＦＦＲ値（ＦＦＲ_ＧＴ）を有するトレーニングデータのセットを使用して、ＦＦＲ−ＣＴベースの分類器性能を最大化するＲ_０、Ａ_０を見つける機械学習によって見つけることができる。
式９

ここで、ＡＵＣは、受信者動作曲線下の面積を表す。

スペクトルプラーク形態学的個人化
スペクトル的に決定されたプラーク形態を考えたときに、ｐａｔｉｅｎｔ＿ｓｐｅｃｔｒａｌ＿ｆｅａｔｕｒｅｓ∈Ｒ^ｎは、プラーク形態学的特徴を記述する特徴ベクトルである。これらの特徴には、プラーク総ボリューム、石灰化プラークボリューム、非石灰化プラークボリューム、枝内の石灰化スポットの数、プラークの全長等が含まれる。個人化関数ｆ（ｐａｔｉｅｎｔ＿ｓｐｅｃｔｒａｌ＿ｆａｔｕｒｅｓ）：Ｒ^ｎ→Ｒは、プラーク形態学的特徴とグローバル抵抗のスケーリングとの関係を記述する。関数内部重み付けパラメータ（ｆ_{ｉｎｔｅｒｎａｌ}）は、式１０に示す最適化技術を使用して見つけることができる。
式１０

スペクトル灌流欠損個人化
心筋におけるスペクトル的に有効化された灌流欠損を、境界条件を個人化するための特徴と考える場合、ｐａｔｉｅｎｔ＿ｓｐｅｃｔｒａｌ＿ｆｅａｔｕｒｅｓ∈Ｒ^ｎは、スペクトル的に決定された灌流欠損特徴を記述する特徴ベクトルである。これらの特徴は、スペクトルボリュメトリックイメージングデータから取得することができ、ヨードマップ、ビーム硬化補正された単一エネルギー画像等を含んでよい。個人化関数ｆ（ｐａｔｉｅｎｔ＿ｓｐｅｃｔｒａｌ＿ｆｅａｔｕｒｅｓ）：Ｒ^ｎ→Ｒは、スペクトル的に有効化された灌流欠損特徴とグローバル抵抗のスケーリングとの関係を記述する。関数内部重み付けパラメータは、式１０で説明したものと同様の最適化技術を使用して見つけることができる。

スペクトル側副血行路個人化
側副血行路は、潜在的な虚血領域への側副血行路をサポートする新しい細動脈を作ることによって、冠動脈狭窄の場合に虚血を防ぐために身体が使用する自己調節メカニズムである。文献によれば、閉塞性ＣＡＤが存在しない場合又は完全に正常な心臓であっても、調査対象人口の２０〜２５％で、心筋虚血のＥＣＧ徴候を防ぐのに十分な短時間閉塞した冠動脈への側副血行路があったことを示されている。境界条件パラメトリックモデルコンポーネント２０６は、一例では、ＦＦＲの推定におけるＦＦＲ−ＣＴシミュレーションのための境界条件モデルにおいて側副血行路を考慮に入れる。

側副細動脈の直径が小さいため、ＣＣＴＡは、側副血行路をサポートする側副細動脈の存在を直接的に描写することができない。この結果、境界条件モデルは側副血行路の存在を考慮せず、これは、ＦＦＲ値の推定が不正確にする可能性がある。参照によりその全体が本明細書に組み込まれる米国特許出願第６２／２５１，４１７号では、流体シミュレーションのための境界条件（ＢＣ）モデルを調整するための非スペクトルＣＴからの側副血行路の推定が開示されている。一例では、冠動脈強度プロファイルに基づいて側副血行路を推定する間接的な技術を使用するアプローチを使用して、側副血行路の存在が定量化された。

境界条件パラメトリックモデルコンポーネント２０６は、一例では、スペクトルボリュメトリック画像データを使用して側副血行路を定量化する。スペクトルＣＴデータからの側副血行路の評価は、例えば次のステップ：（１）本明細書において説明されるように３Ｄ冠動脈枝モデリングコンポーネント２０２を用いて、内腔及び壁を含む冠動脈枝を決定するステップ、（２）例えばボロノイ図を使用して、各冠動脈の心筋栄養供給領域を決定するステップ、及び、（３）例えば冠動脈を通る血流に関係しない冠動脈の栄養供給領域内の追加のヨード関連エンハンスメントを決定することによって、側副血行路の存在を定量化するステップによって行うことができる。

境界条件パラメトリックモデルコンポーネント２０６は、ｐａｔｉｅｎｔ＿ｓｐｅｃｔｒａｌ＿ｆｅａｔｕｒｅｓ∈Ｒ^ｎの項（式８）をスペクトル的に決定された側副血行路特徴を記述する特徴ベクトルとして定義することによって、スペクトル的に有効化された側副血行路を境界条件を個人化するための特徴として使用する。

流体シミュレーションコンポーネント２０８は、境界条件モデルを用いて流体シミュレーションを行う。流体シミュレーションは、３Ｄ計算流体力学（ＣＦＤ）アプローチ及び／又は次数低減アプローチ（例えばＮｉｃｋｉｓｃｈ他による「Ｌｅａｒｎｉｎｇ Ｐａｔｉｅｎｔ−Ｓｐｅｃｉｆｉｃ Ｌｕｍｐｅｄ Ｍｏｄｅｌｓ ｆｏｒ Ｉｎｔｅｒａｃｔｉｖｅ Ｃｏｒｏｎａｒｙ Ｂｌｏｏｄ Ｆｌｏｗ Ｓｉｍｕｌａｔｉｏｎｓ」（Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｃｏｍｐｕｔｅｒ−Ａｓｓｉｓｔｅｄ Ｉｎｔｅｒｖｅｎｔｉｏｎ―ＭＩＣＣＡＩ２０１５：第１８回国際会議、ＬＮＣＳ、第９３５０号、２０１５年、第９３５０号、４３３−４４１頁）において説明されるアプローチ）を使用して行うことができる。一例では、このコンポーネントは、３Ｄ解剖モデルと個人化された境界条件モデルとを使用して流体シミュレーションを行って、冠動脈病変の血行動態的意義を推定する。

本明細書において説明されるアプローチは、一例では、冠血流予備量比（ＦＦＲ）による冠動脈病変の血行動態的意義の向上された非侵襲的で、正確でかつ客観的な評価を提供する。冠動脈血流シミュレーションは、スペクトルボリュメトリック画像データからのデータに基づいており、これは、非スペクトルボリュメトリック画像データと比べて、一例では、患者の解剖学的構造及び生理機能をよりよく特徴付けることができ、また、より正確なＦＦＲ推定値を提供する可能性がある。

図３は、本明細書において説明される一実施形態による例示的な方法を示す。

以下のステップの順序は、説明を目的とし、限定ではない。したがって、１つ以上のステップを、同時を含むがこれに限定されない異なる順序で行うことができる。更に、１つ以上のステップを省略しても、及び／又は、１つ以上の他のステップを追加してもよい。

ステップ３０２において、本明細書において及び／又は別の方法で説明されるように、スペクトルボリュメトリック画像データが受信される。

ステップ３０４において、本明細書において及び／又は別の方法で説明されるように、スペクトルボリュメトリック画像データに基づいて３Ｄ冠動脈モデルが生成される。

ステップ３０６において、本明細書において及び／又は別の方法で説明されるように、個人化された特徴が抽出される。

ステップ３０８において、本明細書において及び／又は別の方法で説明されるように、境界条件モデルが決定される。

ステップ３１０において、生物物理学的シミュレーションが行われる。

ステップ３１２において、計算されたＦＦＲ値が出力される。

上記は、コンピュータ可読記憶媒体にコード化された又は埋め込まれたコンピュータ可読命令によって実現される。当該コンピュータ可読命令は、コンピュータプロセッサによって実行されると、当該プロセッサに説明されたステップを実行させる。更に又は或いは、コンピュータ可読命令の少なくとも１つは、コンピュータ可読記憶媒体ではない信号、搬送波又は他の一時的媒体によって運ばれる。

本明細書において、スペクトルＣＴ結果を利用して、原因となっている解剖学的構造を特徴付け、境界条件をシミュレーションに割り当てることによって、冠動脈コンピュータ断層撮影血管造影（ＣＣＴＡ）からの冠血流予備量比（ＦＦＲ）推定を向上させるアプローチが説明される。この新規のアプローチでは、スペクトルＣＴデータに適用されるスペクトルＣＴ画像解析方法を使用して、冠動脈枝のより正確な患者固有の３Ｄ解剖モデルを導出し、また、統計モデルを使用して、スペクトルＣＴデータから複雑な原因となっている充血生理学的過程を暗黙的に記述する。

このモデルは、従来のＣＣＴＡデータから導出された３Ｄ解剖学的構造及び境界条件モデルを適用するのではなく、１）心臓及び冠動脈枝の半径、枝の数及びレベル、冠動脈ブリッジの存在及び屈曲度といったスペクトル的に向上された幾何学的特徴、２）スペクトル的に向上されたプラーク特徴、及び、３）心筋灌流欠損及び側副血行路といったスペクトル的に向上された生理学的特徴を含む、心臓系のスペクトル的に導出された特徴を使用して個人化された境界条件を割り当てる。

このモデルは、原因となっている解剖学的構造及び生理機能のより詳細かつ正確な特性付けを提供して、シミュレーションのための境界条件を得ることにより、従来のＣＣＴＡデータに基づく流体シミュレーションの潜在的なバイアスを暗黙的に考慮する。従来のＣＴデータから導出される従前に提案されている境界条件モデルは、シミュレーションのための正確な解剖学的及び生理学的境界条件の特徴付けにバイアスを導入する場合のある、特にビーム硬化、カルシウムブルーミング等の様々なアーティファクトの影響を受ける。

本発明は、図面及び上記説明において詳細に図示及び説明されたが、このような図示及び説明は、限定的ではなく、例示的であると見なされるべきである。本発明は、開示された実施形態に限定されない。開示された実施形態に対する他の変形は、図面、開示内容及び添付の特許請求の範囲の検討から、請求項に係る発明を実施する際に当業者によって理解及び実施される。

請求項において、「含む」との用語は他の要素又はステップを排除するものではなく、「ａ」又は「ａｎ」との不定冠詞も複数形を排除するものではない。単一のプロセッサ又は他のユニットが、特許請求の範囲に記載される幾つかのアイテムの機能を果たしてもよい。特定の手段が相互に異なる従属請求項に記載されているということだけで、これらの手段の組み合わせが有利に使用できないことを示すものではない。

コンピュータプログラムは、他のハードウェアと共に又はその一部として提供される光記憶媒体又は固体媒体といった適切な媒体に記憶／分散されてもよいが、インターネット又は他の有線若しくは無線の通信システムを介するといった他の形式で分配されてもよい。請求項における任意の参照符号は、範囲を限定すると解釈されるべきではない。

Claims (20)

1. 冠血流予備量比指標を決定する生物物理学的シミュレータコンポーネントを含むコンピュータ実行可能命令を有するコンピュータ可読記憶媒体と、
   スペクトルボリュメトリック画像データを用いて前記冠血流予備量比指標を決定するために前記生物物理学的シミュレータコンポーネントを実行するプロセッサと、
   決定された前記冠血流予備量比指標を表示するディスプレイと、
   を含む、システム。
2. 前記生物物理学的シミュレータコンポーネントは、スペクトル冠動脈枝モデリングコンポーネントを含む、請求項１に記載のシステム。
3. 前記スペクトル冠動脈枝モデリングコンポーネントは、前記スペクトルボリュメトリック画像データをセグメント化して冠動脈の３Ｄ解剖モデルを生成する、請求項２に記載のシステム。
4. 前記スペクトル冠動脈枝モデリングコンポーネントは、前記冠動脈の前記３Ｄ解剖モデルのスペクトル画像内の関心の解剖学的構造の存在を決定する、請求項３に記載のシステム。
5. 前記スペクトル冠動脈モデリングコンポーネントは、異なる単一エネルギー画像に対して構成されて、前記スペクトルボリュメトリック画像データ内の異なる関心の解剖学的構造間の境界を決定する、請求項２乃至４の何れか一項に記載のシステム。
6. 前記スペクトル冠動脈モデリングコンポーネントは、異なるスペクトル結果又はマテリアルドメインにわたってスペクトル的に有効化された正則化を使用する、請求項２乃至５の何れか一項に記載のシステム。
7. 前記生物物理学的シミュレータコンポーネントは更に、スペクトル個人特徴抽出コンポーネントを含む、請求項２乃至６の何れか一項に記載のシステム。
8. 前記スペクトル個人特徴抽出コンポーネントは、前記冠動脈の前記３Ｄ解剖モデル及び前記スペクトルボリュメトリック画像データの少なくとも一方から、解剖学的特徴、プラーク特徴、心筋欠損特徴及び側副血行路特徴を含む特徴のグループから１つの特徴を抽出する、請求項７に記載のシステム。
9. 前記スペクトル個人特徴抽出コンポーネントは、スペクトル画像を使用して解剖学的構造を検出し、セグメント化し、分類することにより、前記解剖学的特徴を抽出する、請求項７又は８に記載のシステム。
10. 前記生物物理学的シミュレータコンポーネントは更に、スペクトル的に抽出された前記特徴から、調整可能な境界条件パラメトリックモデルを決定するスペクトル境界条件パラメトリックモデルコンポーネントを含む、請求項７乃至９の何れか一項に記載のシステム。
11. 前記調整可能な境界条件パラメトリックモデルコンポーネントは、冠動脈出口断面積及び個人化項の関数として抵抗をモデリングする、請求項１０に記載のシステム。
12. 前記個人化項は、解剖学的個人化、スペクトルプラーク形態学的個人化、スペクトル灌流欠損個人化及びスペクトル側副血行路個人化を含むグループからの１つの項を含む、請求項１１に記載のシステム。
13. プロセッサによって実行されると、前記プロセッサに、
    スペクトルボリュメトリック画像データを受信させ、
    冠血流予備量比指標を決定するために、前記スペクトルボリュメトリック画像データを処理させ、
    前記冠血流予備量比指標を視覚的に提示させる、
    コンピュータ実行可能命令がコード化された、コンピュータ可読媒体。
14. 前記コンピュータ実行可能命令は、前記プロセッサに、生物物理学的シミュレータコンポーネントを用いて前記スペクトルボリュメトリック画像データを処理させ、前記生物物理学的シミュレータコンポーネントは、スペクトル冠動脈枝モデリングコンポーネント、スペクトル個人特徴抽出コンポーネント及びスペクトル境界条件パラメトリックモデルコンポーネントを含む、請求項１３に記載のコンピュータ可読媒体。
15. 前記スペクトル冠動脈枝モデリングコンポーネントは、前記スペクトルボリュメトリック画像データをセグメント化して、冠動脈のスペクトル３Ｄ解剖モデルを生成する、請求項１４に記載のコンピュータ可読媒体。
16. 前記スペクトル個人特徴抽出コンポーネントは、前記冠動脈の前記スペクトル３Ｄ解剖モデルから特徴を抽出する、請求項１５に記載のコンピュータ可読媒体。
17. 前記スペクトル境界条件パラメトリックモデルコンポーネントは、抽出された前記特徴からスペクトル流体シミュレーション境界条件を決定する、請求項１６に記載のコンピュータ可読媒体。
18. 前記生物物理学的シミュレータコンポーネントは更に、前記スペクトル流体シミュレーション境界条件を用いて前記冠血流予備量比指標を決定する流体シミュレータを含む、請求項１７に記載のコンピュータ可読媒体。
19. スペクトルボリュメトリック画像データを受信するステップと、
    冠血流予備量比指標を決定するために、前記スペクトルボリュメトリック画像データを処理するステップと、
    前記冠血流予備量比指標を視覚的に提示するステップと、
    を含む、方法。
20. 前記処理するステップは、
    前記スペクトルボリュメトリック画像データから冠動脈のスペクトル３Ｄ解剖モデルを生成するステップと、
    前記スペクトル３Ｄ解剖モデルから特徴を抽出するステップと、
    前記冠血流予備量比指標を決定する流体シミュレーションのためのスペクトル境界条件を、抽出された前記特徴から決定するステップと、
    を含む、請求項１９に記載の方法。
    

Images