JP2022133369A - 次数低減モデル及び/または機械学習を使用して血流特性を推定するためのシステム及び方法 - Google Patents
次数低減モデル及び/または機械学習を使用して血流特性を推定するためのシステム及び方法 Download PDFInfo
- Publication number
- JP2022133369A JP2022133369A JP2022106986A JP2022106986A JP2022133369A JP 2022133369 A JP2022133369 A JP 2022133369A JP 2022106986 A JP2022106986 A JP 2022106986A JP 2022106986 A JP2022106986 A JP 2022106986A JP 2022133369 A JP2022133369 A JP 2022133369A
- Authority
- JP
- Japan
- Prior art keywords
- patient
- blood flow
- model
- vasculature
- points
- 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
- 230000017531 blood circulation Effects 0.000 title claims abstract description 211
- 238000010801 machine learning Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 88
- 230000009467 reduction Effects 0.000 title abstract description 7
- 210000005166 vasculature Anatomy 0.000 claims abstract description 90
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims description 27
- 238000012706 support-vector machine Methods 0.000 claims description 14
- 230000002966 stenotic effect Effects 0.000 claims description 10
- 239000012530 fluid Substances 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000036772 blood pressure Effects 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000007477 logistic regression Methods 0.000 claims description 7
- 230000010412 perfusion Effects 0.000 claims description 7
- 230000000004 hemodynamic effect Effects 0.000 claims description 5
- 210000000056 organ Anatomy 0.000 claims description 5
- 230000004941 influx Effects 0.000 claims 3
- 239000013598 vector Substances 0.000 abstract description 73
- 210000004351 coronary vessel Anatomy 0.000 description 19
- 230000003902 lesion Effects 0.000 description 17
- 238000011144 upstream manufacturing Methods 0.000 description 13
- 230000011218 segmentation Effects 0.000 description 12
- 238000004088 simulation Methods 0.000 description 10
- 208000031481 Pathologic Constriction Diseases 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 208000037804 stenosis Diseases 0.000 description 8
- 230000002792 vascular Effects 0.000 description 8
- 210000004369 blood Anatomy 0.000 description 6
- 239000008280 blood Substances 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000036262 stenosis Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 210000000709 aorta Anatomy 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 210000004204 blood vessel Anatomy 0.000 description 4
- 230000000747 cardiac effect Effects 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000007429 general method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000002107 myocardial effect Effects 0.000 description 3
- 210000001772 blood platelet Anatomy 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000035487 diastolic blood pressure Effects 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 210000003743 erythrocyte Anatomy 0.000 description 2
- 238000005534 hematocrit Methods 0.000 description 2
- 230000002440 hepatic effect Effects 0.000 description 2
- 210000000265 leukocyte Anatomy 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000007505 plaque formation Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000035488 systolic blood pressure Effects 0.000 description 2
- 230000009278 visceral effect Effects 0.000 description 2
- 206010020565 Hyperaemia Diseases 0.000 description 1
- 206010057469 Vascular stenosis Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000008081 blood perfusion Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004335 scaling law Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000035899 viability 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
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0044—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the heart
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B45/00—ICT specially adapted for bioinformatics-related data visualisation, e.g. displaying of maps or networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B99/00—Subject matter not provided for in other groups of this subclass
-
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Cardiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- Biotechnology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioethics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Vascular Medicine (AREA)
- Signal Processing (AREA)
- Hematology (AREA)
- Psychiatry (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
Description
本出願は、その開示全体が本発明において参照により組み込まれている、2016年9月20日に出願された米国特許仮出願第62/396,965号に対する優先権を主張する。
本明細書は、例えば、以下の項目も提供する。
(項目1)
電子記憶媒体において、1つ以上の点で幾何学的特徴を有する患者の脈管構造の少なくとも一部分の前記患者特有の画像データを受信することと、
前記受信した画像データから患者特有の次数低減モデルを生成することであって、前記患者特有の次数低減モデルが、インピーダンス値の推定値、及び前記患者の脈管構造の前記1つ以上の点における前記幾何学的特徴の単純化を含む、前記生成することと、
前記患者特有の次数低減モデルの前記1つ以上の点のそれぞれについて、前記インピーダンス値の推定値及び幾何学的特徴を含む特徴ベクトルを作成することと、
前記1つ以上の点において前記作成された特徴ベクトルに基づいて血流特性を予測するように訓練された機械学習アルゴリズムを使用して、前記患者特有の次数低減モデルの前記1つ以上の点における血流特性を決定することと、
を含む、前記患者の前記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。
(項目2)
前記1つ以上の点において前記作成された特徴ベクトルに基づいて血流特性を予測するように訓練された機械学習アルゴリズムを使用して、前記患者特有の次数低減モデルの前記1つ以上の点における血流特性を決定することが、
複数の個人の各々について、個人特有の解剖学モデルの1つ以上の点における血流特性の既知の値を有し、前記個人の脈管構造に対応する前記個人特有の解剖学モデルの前記1つ以上の点において1つ以上の幾何学的特徴を有する、前記個人特有の脈管構造の解剖学モデルを受信することと、
前記1つ以上の点で前記血流特性の既知の値を有する前記複数の個人の各々について、(i)前記1つ以上の点の位置に関する情報、及び(ii)前記1つ以上の点における幾何学的特徴を含む特徴ベクトルを形成することと、
前記1つ以上の点において前記血流特性の既知の値を有する前記複数の個人の各々について、前記特徴ベクトルを前記1つ以上の点での前記血流特性の前記既知の値に関連付けることと、
前記1つ以上の点において幾何学的特徴を含む特徴ベクトルから脈管構造の1つ以上の点での前記血流特性の値を予測するために、前記関連付けられた特徴ベクトルを使用して前記機械学習アルゴリズムを訓練することと、
前記訓練された機械学習アルゴリズムを使用して、前記患者の脈管構造に対応する前記患者特有の次数低減モデルの前記1つ以上の点での血流特性を決定することと、
を含む、項目1に記載のコンピュータで実行する方法。
(項目3)
各特徴ベクトルが、前記患者特有の次数低減モデルの1つ以上の点における前記患者の生理学的及び/または表現型パラメータをさらに含み、
前記患者の脈管構造の1つ以上の点における幾何学的特徴及び生理学的及び/または表現型パラメータを含む特徴ベクトルから前記患者の脈管構造の1つ以上の点における前記血流特性の値を予測するために前記機械学習アルゴリズムが訓練されている、項目1に記載のコンピュータで実行する方法。
(項目4)
前記生理学的及び/または表現型パラメータが、収縮期血圧及び拡張期血圧、心拍数、ヘマトクリット値、血圧、血液粘度、前記患者の年齢、前記患者の性別、前記患者の身長、前記患者の体重、前記患者のライフスタイルの特徴、及び供給された組織の質量のうち1つ以上を含む、項目3に記載のコンピュータで実行する方法。
(項目5)
前記1つ以上の点において前記作成された特徴ベクトルに基づいて血流特性を予測するように訓練された機械学習アルゴリズムを使用して、前記患者特有の次数低減モデルの前記1つ以上の点における血流特性を決定することが、
前記患者特有の前記患者の脈管構造の画像データに基づいて患者特有の解剖学的モデルを受信することであって、前記患者特有の解剖学的モデルが、前記患者の脈管構造に対応する前記患者特有の解剖学的モデルの1つ以上の点における幾何学的特徴を有する、前記受信することと、
前記患者特有の解剖学的モデルを通る血流をシミュレートするために、前記患者特有の解剖学的モデル上の位置に境界条件を適用することと、
計算流体力学(CFD)を使用して血流のシミュレーションから前記患者特有の解剖学的モデルの1つ以上の点における血流特性のための値を決定することと、
(i)前記患者特有の解剖学的モデルの前記1つ以上の点の位置に関する情報、及び(ii)前記受信した前記患者特有の解剖学的モデルの前記1つ以上の点における幾何学的特徴を含む特徴ベクトルを形成することと、
前記患者特有の解剖学的モデルの前記1つ以上の点において、前記特徴ベクトルを前記血流特性の前記決定された値に関連付けることと、
前記1つ以上の点において幾何学的特徴を含む特徴ベクトルから前記患者の脈管構造の1つ以上の点における前記血流特性の値を予測するために、前記関連付けられた特徴ベクトルを使用して機械学習アルゴリズムを訓練することと、
前記訓練された機械学習アルゴリズムを使用して、前記患者の脈管構造に対応する前記患者特有の次数低減モデルの前記1つ以上の点での血流特性を決定することと、
を含む、項目1に記載のコンピュータで実行する方法。
(項目6)
境界条件を適用することが、前記患者特有の解剖学的モデルを適切な境界条件が適用されることができる位置で切り取ることを含み、前記位置が血流の流入境界、血流の流出境界、及び血管壁を含む、項目5に記載のコンピュータで実行する方法。
(項目7)
前記受信した患者特有の画像データを前記患者の脈管構造の1つ以上の領域に分割することをさらに含み、前記次数低減モデルが前記脈管構造の1つ以上の領域の各々のために生成されている、項目1に記載のコンピュータで実行する方法。
(項目8)
前記機械学習アルゴリズムが、サポートベクトルマシン(SVM)、多層パーセプトロン(MLP)、多変量回帰(MVR)、ニューラルネットワーク、樹木モデル分類器、及び重み付け線形回帰またはロジスティック回帰のうち1つ以上を含む、項目1に記載のコンピュータで実行する方法。
(項目9)
前記血流特性が、血圧、冠血流予備量比(FFR)、血流量または流速、速度場または圧力場、血流力、ならびに臓器及び/または組織の灌流特性のうち1つ以上を含む、項目1に記載のコンピュータで実行する方法。
(項目10)
患者の血流特性を決定するための指示を格納するデータ記憶装置と、
電子記憶媒体において、1つ以上の点で幾何学的特徴を有する前記患者の脈管構造の少なくとも一部分の患者特有の画像データを受信することと、
前記受信した画像データから患者特有の次数低減モデルを生成することであって、前記患者特有の次数低減モデルが、インピーダンス値の推定値、及び前記患者の脈管構造の前記1つ以上の点における幾何学的特徴の単純化を含む、前記生成することと、
前記患者特有の次数低減モデルの前記1つ以上の点のそれぞれについて、前記インピーダンス値の推定値及び幾何学的特徴を含む特徴ベクトルを作成することと、
前記1つ以上の点において前記作成された特徴ベクトルに基づいて血流特性を予測するように訓練された機械学習アルゴリズムを使用して、前記患者特有の次数低減モデルの前記1つ以上の点における血流特性を決定することと、
を含む方法を行うための指示を実行するように構成されたプロセッサと、
を含む、患者の血流特性を決定するためのシステム。
(項目11)
前記1つ以上の点において前記作成された特徴ベクトルに基づいて血流特性を予測するように訓練された機械学習アルゴリズムを使用して、前記患者特有の次数低減モデルの前記1つ以上の点における血流特性を決定することが、
複数の個人の各々について、個人特有の解剖学モデルの1つ以上の点における血流特性の既知の値を有し、前記個人の脈管構造に対応する前記個人特有の解剖学モデルの前記1つ以上の点において1つ以上の幾何学的特徴を有する、前記個人特有の脈管構造の解剖学モデルを受信することと、
前記1つ以上の点で前記血流特性の既知の値を有する前記複数の個人の各々について、(i)前記1つ以上の点の位置に関する情報、及び(ii)前記1つ以上の点における前記幾何学的特徴を含む特徴ベクトルを形成することと、
前記1つ以上の点において前記血流特性の既知の値を有する前記複数の個人の各々について、前記特徴ベクトルを前記1つ以上の点での前記血流特性の前記既知の値に関連付けることと、
前記1つ以上の点において幾何学的特徴を含む特徴ベクトルから脈管構造の1つ以上の点での前記血流特性の値を予測するために、前記関連付けられた特徴ベクトルを使用して前記機械学習アルゴリズムを訓練することと、
前記訓練された機械学習アルゴリズムを使用して、前記患者の脈管構造に対応する前記患者特有の次数低減モデルの前記1つ以上の点での血流特性を決定することと、
を含む、項目10に記載のシステム。
(項目12)
前記1つ以上の点において前記作成された特徴ベクトルに基づいて血流特性を予測するように訓練された機械学習アルゴリズムを使用して、前記患者特有の次数低減モデルの前記1つ以上の点における血流特性を決定することが、
前記受信した患者特有の前記患者の脈管構造の画像データに基づいて患者特有の解剖学的モデルを受信することであって、前記患者特有の解剖学的モデルが、前記患者の脈管構造に対応する前記患者特有の解剖学的モデルの1つ以上の点における幾何学的特徴を有する、前記受信することと、
前記患者特有の解剖学的モデルを通る血流をシミュレートするために、前記患者特有の解剖学的モデル上の位置に境界条件を適用することと、
計算流体力学(CFD)を使用して前記患者特有の解剖学的モデルまたは母集団由来の解剖学的モデルを通る血流のシミュレーションから前記患者特有の解剖学的モデルの1つ以上の点における血流特性のための値を決定することと、
(i)前記患者特有の解剖学的モデルの前記1つ以上の点の位置に関する情報、及び(ii)前記患者特有の解剖学的モデルの前記1つ以上の点における前記幾何学的特徴を含む特徴ベクトルを形成することと、
前記患者特有の解剖学的モデルの前記1つ以上の点において、前記特徴ベクトルを前記血流特性の前記決定された値に関連付けることと、
前記1つ以上の点において幾何学的特徴を含む特徴ベクトルから前記患者の脈管構造の1つ以上の点における前記血流特性の値を予測するために、前記関連付けられた特徴ベクトルを使用して機械学習アルゴリズムを訓練することと、
前記訓練された機械学習アルゴリズムを使用して、前記患者の脈管構造に対応する前記患者特有の次数低減モデルの前記1つ以上の点での血流特性を決定することと、を含む、項目10に記載のシステム。
(項目13)
境界条件を適用することが、前記患者特有の解剖学的モデルを適切な境界条件が適用されることができる位置で切り取ることを含み、前記位置が血流の流入境界、血流の流出境界、及び血管壁を含む、項目12に記載のシステム。
(項目14)
前記受信した患者特有の画像データを前記患者の脈管構造の1つ以上の領域に分割することをさらに含み、前記次数低減モデルが前記脈管構造の1つ以上の領域の各々のために生成されている、項目10に記載のシステム。
(項目15)
前記機械学習アルゴリズムが、サポートベクトルマシン(SVM)、多層パーセプトロン(MLP)、多変量回帰(MVR)、ニューラルネットワーク、樹木モデル分類器、及び重み付け線形回帰またはロジスティック回帰のうち1つ以上を含む、項目10に記載のシステム。
(項目16)
前記血流特性が、血圧、冠血流予備量比(FFR)、血流量または流速、速度場または圧力場、血流力、ならびに臓器及び/または組織の灌流特性のうち1つ以上を含む、項目10に記載のシステム。
(項目17)
コンピュータによって実行されると、前記コンピュータに患者の血流特性を決定するための方法を行わせるようにする指示を格納する非一時的コンピュータ可読記録媒体であって、前記方法が、
電子記憶媒体において、1つ以上の点で幾何学的特徴を有する前記患者の脈管構造の少なくとも一部分の患者特有の画像データを受信することと、
前記受信した画像データから患者特有の次数低減モデルを生成することであって、前記患者特有の次数低減モデルが、インピーダンス値の推定値、及び前記患者の脈管構造の前記1つ以上の点における前記幾何学的特徴の単純化を含む、前記生成することと、
前記患者特有の次数低減モデルの前記1つ以上の点のそれぞれについて、前記インピーダンス値の推定値及び幾何学的特徴を含む特徴ベクトルを作成することと、
前記1つ以上の点において前記作成された特徴ベクトルに基づいて血流特性を予測するように訓練された機械学習アルゴリズムを使用して、前記患者特有の次数低減モデルの前記1つ以上の点における血流特性を決定することと、
を含む、前記非一時的コンピュータ可読記録媒体。
(項目18)
前記1つ以上の点において前記作成された特徴ベクトルに基づいて血流特性を予測するように訓練された機械学習アルゴリズムを使用して、前記患者特有の次数低減モデルの前記1つ以上の点における血流特性を決定することが、
複数の個人の各々について、個人特有の解剖学モデルの1つ以上の点における血流特性の既知の値を有し、前記個人の脈管構造に対応する前記個人特有の解剖学モデルの前記1つ以上の点において1つ以上の幾何学的特徴を有する前記個人特有の脈管構造の解剖学モデルを受信することと、
前記1つ以上の点で前記血流特性の既知の値を有する前記複数の個人の各々について、(i)前記1つ以上の点の位置に関する情報、及び(ii)前記1つ以上の点における幾何学的特徴を含む特徴ベクトルを形成することと、
前記1つ以上の点において前記血流特性の既知の値を有する前記複数の個人の各々について、前記特徴ベクトルを前記1つ以上の点での前記血流特性の前記既知の値に関連付けることと、
前記1つ以上の点において幾何学的特徴を含む特徴ベクトルから脈管構造の1つ以上の点での前記血流特性の値を予測するために、前記関連付けられた特徴ベクトルを使用して前記機械学習アルゴリズムを訓練することと、
前記訓練された機械学習アルゴリズムを使用して、前記患者の脈管構造に対応する前記患者特有の次数低減モデルの前記1つ以上の点での血流特性を決定することと、
を含む、項目17に記載の非一時的コンピュータ可読媒体。
(項目19)
前記1つ以上の点において前記作成された特徴ベクトルに基づいて血流特性を予測するように訓練された機械学習アルゴリズムを使用して、前記患者特有の次数低減モデルの前記1つ以上の点における血流特性を決定することが、
前記受信した患者特有の前記患者の脈管構造の画像データに基づいて患者特有の解剖学的モデルを受信することであって、前記患者特有の解剖学的モデルが、前記患者の脈管構造に対応する前記患者特有の解剖学的モデルの1つ以上の点における幾何学的特徴を有する、前記受信することと、
前記患者特有の解剖学的モデルを通る血流をシミュレートするために、前記患者特有の解剖学的モデル上の位置に境界条件を適用することと、
計算流体力学(CFD)を使用して前記患者特有の解剖学的モデルを通る血流のシミュレーションから前記患者特有の解剖学的モデルの1つ以上の点における血流特性のための値を決定することと、
(i)前記患者特有の解剖学的モデルの前記1つ以上の点の位置に関する情報、及び(ii)前記患者特有の解剖学的モデルの前記1つ以上の点における幾何学的特徴を含む特徴ベクトルを形成することと、
患者特有の解剖学的モデルの前記1つ以上の点において、前記特徴ベクトルを前記血流特性の前記決定された値に関連付けることと、
前記1つ以上の点において幾何学的特徴を含む特徴ベクトルから前記患者の脈管構造の1つ以上の点における前記血流特性の値を予測するために、前記関連付けられた特徴ベクトルを使用して機械学習アルゴリズムを訓練することと、
前記訓練された機械学習アルゴリズムを使用して、前記患者の脈管構造に対応する前記患者特有の次数低減モデルの前記1つ以上の点での血流特性を決定することと、
を含む、項目17に記載の非一時的コンピュータ可読媒体。
(項目20)
前記機械学習アルゴリズムが、サポートベクトルマシン(SVM)、多層パーセプトロン(MLP)、多変量回帰(MVR)、ニューラルネットワーク、樹木モデル分類器、及び重み付け線形回帰またはロジスティック回帰のうち1つ以上を含む、項目17に記載の非一時的コンピュータ可読媒体。
(心拍出量)として体表面積(BSA)から計算され得る。体表面積(BSA)は、
として身長(h)及び体重(w)から計算され得る。冠血流量(qcor)は、心筋質量(mmyo)から
として計算されることができ、式中、
は拡大因数である。従って、動脈内の流れは、
となり得る。
におけるインピーダンス値は、画定された幾何学的形状に基づいて計算されることができる。従って、ステップ314は、領域(複数可)を通る血流についての1つ以上のインピーダンス値を決定することを含み得る。インピーダンスは、例えば、血流特性(例えば、圧力、流量など)またはそれらの類似表現もしくは単純化(例えば、抵抗、静電容量、インダクタンスなど)を含むことができる。従って、ステップ314は、領域(複数可)を通る血流についての1つ以上のインピーダンス値を決定することを含み得る。例えば、流体力学インピーダンスはデータから推定され得る。場合によっては、そのようなデータは、(例えば、ステップ306または図2のステップ210B、212B、及び214Bのように)3D血流シミュレーションから推定されることができ、またはそれらデータは、(例えば、ステップ304Bのように)流量及び圧力の測定からのデータや測定から導かれたデータであり得る。インピーダンスは、流れに対する抵抗(血圧対流速の比)314A、冠状動脈が(動脈の弾性から)脈動する能力314Bなどを含むことができる。
から導出された冠血流予備量比値を含む単純化された物理的特徴を含むことができる。例えば、一実施形態では、サーバシステム106は、
を用いて
から冠状動脈の起点(LM小孔またはRCA小孔)の断面積を計算することができ、サンプリングされた各
で冠状血管の
を計算することができ、
の下で抵抗境界条件を用いて血管の各セグメントにおける冠状動脈血流量を決定することができ、下式に基づいて、各
での抵抗を推定することができる。
として概算することができ、サンプリングされた各位置でのFFRを
として算出することができる。最小断面積または血管半径よりも小さい間隔の位置がサンプリング位置として使用されることができる。サーバシステム106は、
を使用して中心線に沿ってFFRを補間することができ、FFR値を3D表面メッシュノードに投影することができ、訓練のために必要に応じて
を変化させ、新しいセットのFFR推定値を得ることができ、上で定義した特徴セットを使用してパラメータを摂動することなどによって、ここで
は、罹患長、狭窄の程度及び先細血管を説明するためのテーパー比の関数であることができ、
は、
と同じスケーリング則に基づいて各出口の分布流を合計することによって決定されることができる。しかし、新しいスケーリング則及び充血仮定が採用されることができ、この特徴ベクトルは、その点でのFFRの測定値またはシミュレート値と関連付けられることができる。
Claims (20)
- 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であって、前記方法は、
電子記憶媒体において、1つ以上の点で幾何学的特徴を含む前記患者の脈管構造の少なくとも一部分の患者特有の解剖学的モデルを受信することと、
血流特性が決定される前記患者特有の解剖学的モデルの位置で前記患者特有の解剖学的モデルを切り取ることと、
境界条件を前記切り取られた患者特有の解剖学的モデルに適用することであって、前記境界条件は、前記切り取られた患者特有の解剖学的モデルの血管壁、血流の流出、及び血流の流入における血行動態に関連付けられている、ことと、
前記境界条件を使用することにより、前記切り取られた患者特有の解剖学的モデルの1つ以上の位置における前記血流特性の第1の値を推定することと、
前記切り取られた患者特有の解剖学的モデルを表す次数低減モデルを生成することであって、前記次数低減モデルは、前記切り取られた患者特有の解剖学的モデルの前記1つ以上の位置における前記血流特性の前記推定された第1の値に基づいたインピーダンス値を有する1つ以上の点を含む、ことと、
入力次数低減モデルの1つ以上のインピーダンス値における誤差を低減するために少なくとも1つの訓練次数低減モデルの少なくとも1つのインピーダンス値と計算流体力学によって決定された少なくとも1つの対応するインピーダンス値との間で決定された誤差に基づいて訓練される機械学習アルゴリズムを用いることによって、前記次数低減モデルを更新することと、
前記更新された次数低減モデルを使用することにより、前記切り取られた患者特有の解剖学的モデルの前記1つ以上の位置における前記血流特性の第2の値を決定することと
を含む、方法。 - 前記切り取られた患者特有の解剖学的モデルを前記患者の脈管構造の複数の領域に分割することをさらに含み、
前記次数低減モデルは、前記患者の脈管構造の前記複数の領域の各々についてのそれぞれの次数低減モデルを含む、請求項1に記載のコンピュータで実行する方法。 - 前記分割することは、前記血流特性の前記推定された第1の値に基づく、請求項2に記載のコンピュータで実行する方法。
- 前記分割することは、前記患者の脈管構造の1つ以上の健康領域と前記患者の脈管構造の1つ以上の不健康領域とを区別するように構成される、請求項3に記載のコンピュータで実行する方法。
- 前記患者の脈管構造の前記1つ以上の不健康領域は、小孔部分岐、非小孔部分岐、狭窄領域、または拡張領域のうちの1つ以上を含む、請求項4に記載のコンピュータで実行する方法。
- 前記機械学習アルゴリズムは、サポートベクトルマシン(SVM)、多層パーセプトロン(MLP)、多変量回帰(MVR)、ニューラルネットワーク、樹木モデル分類器、または重み付け線形回帰またはロジスティック回帰のうちの1つ以上を含む、請求項1に記載のコンピュータで実行する方法。
- 前記血流特性は、血圧、冠血流予備量比(FFR)、血流量または流速、速度場または圧力場、血流力、ならびに臓器及び/または組織の灌流特性のうちの1つ以上を含む、請求項1に記載のコンピュータで実行する方法。
- 前記次数低減モデルは、前記患者の前記脈管構造の前記1つ以上の点における幾何学的特徴を単純化する第3の値の推定値を含む、請求項1に記載のコンピュータで実行する方法。
- 前記インピーダンス値は、抵抗値、静電容量値、またはインダクタンス値のうちの1つ以上を含む、請求項1に記載のコンピュータで実行する方法。
- 患者の脈管構造の少なくとも一部分を表す入力次数低減モデルにおける誤差を低減するために機械学習アルゴリズムを訓練するためのコンピュータで実行する方法であって、前記方法は、
複数の個人について、
電子記憶媒体において、1つ以上の点で幾何学的特徴を含む前記個人の脈管構造の少なくとも一部分の個人特有の解剖学的モデルを受信することと、
血流特性が決定される前記個人特有の解剖学的モデルの位置で前記個人特有の解剖学的モデルを切り取ることと、
境界条件を前記切り取られた個人特有の解剖学的モデルに適用することであって、前記境界条件は、前記切り取られた個人特有の解剖学的モデルの血管壁、血流の流出、及び血流の流入における血行動態に関連付けられている、ことと、
前記境界条件を使用することにより、前記切り取られた個人特有の解剖学的モデルの1つ以上の位置における前記血流特性の第1の値を推定することと、
前記切り取られた個人特有の解剖学的モデルを表す次数低減モデルを生成することであって、前記次数低減モデルは、前記切り取られた個人特有の解剖学的モデルの前記1つ以上の位置における前記血流特性の前記推定された第1の値に基づいた第1のインピーダンス値を有する1つ以上の点を含む、ことと、
計算流体力学を介して、前記血流特性の前記推定された第1の値に基づいて、前記切り取られた個人特有の解剖学的モデルの前記1つ以上の位置の第2のインピーダンス値を決定することと、
各第1のインピーダンス値と対応する第2のインピーダンス値との間の誤差値を決定することと
を行うことと、
入力次数低減モデルの1つ以上のインピーダンス値における誤差を低減するために、前記複数の個人からの前記決定された誤差を使用して、前記機械学習アルゴリズムを訓練することと
を含む、方法。 - 前記複数の個人の各々について、前記切り取られた患者特有の解剖学的モデルを前記患者の脈管構造の複数の領域に分割することをさらに含み、
前記次数低減モデルは、前記患者の脈管構造の前記複数の領域の各々についてのそれぞれの次数低減モデルを含み、
前記分割することは、前記血流特性の前記推定された第1の値に基づく、請求項10に記載のコンピュータで実行する方法。 - 前記分割することは、前記患者の脈管構造の1つ以上の健康領域と前記患者の脈管構造の1つ以上の不健康領域とを区別するように構成され、
前記患者の脈管構造の前記1つ以上の不健康領域は、小孔部分岐、非小孔部分岐、狭窄領域、または拡張領域のうちの1つ以上を含む、請求項11に記載のコンピュータで実行する方法。 - 前記機械学習アルゴリズムは、サポートベクトルマシン(SVM)、多層パーセプトロン(MLP)、多変量回帰(MVR)、ニューラルネットワーク、樹木モデル分類器、または重み付け線形回帰またはロジスティック回帰のうちの1つ以上を含む、請求項10に記載のコンピュータで実行する方法。
- 前記血流特性は、血圧、冠血流予備量比(FFR)、血流量または流速、速度場または圧力場、血流力、ならびに臓器及び/または組織の灌流特性のうちの1つ以上を含む、請求項10に記載のコンピュータで実行する方法。
- 前記次数低減モデルは、前記患者の前記脈管構造の前記1つ以上の点における幾何学的特徴を単純化する第3の値の推定値を含む、請求項10に記載のコンピュータで実行する方法。
- 前記インピーダンス値は、抵抗値、静電容量値、またはインダクタンス値のうちの1つ以上を含む、請求項10に記載のコンピュータで実行する方法。
- 患者の血流特性を決定するためのシステムであって、前記システムは、
指示と、入力次数低減モデルの1つ以上のインピーダンス値における誤差を低減するために少なくとも1つの訓練次数低減モデルの少なくとも1つのインピーダンス値と計算流体力学によって決定された少なくとも1つの対応するインピーダンス値との間で決定された誤差に基づいて訓練された機械学習アルゴリズムとを格納する少なくとも1つのメモリと、
前記メモリに作用可能に接続された少なくとも1つのプロセッサと
を備え、
前記少なくとも1つのプロセッサは、前記指示を実行することにより動作を行うように構成され、
前記動作は、
前記メモリにおいて、1つ以上の点で幾何学的特徴を含む前記患者の脈管構造の少なくとも一部分の患者特有の解剖学的モデルを受信することと、
血流特性が決定される前記患者特有の解剖学的モデルの位置で前記患者特有の解剖学的モデルを切り取ることと、
境界条件を前記切り取られた患者特有の解剖学的モデルに適用することであって、前記境界条件は、前記切り取られた患者特有の解剖学的モデルの血管壁、血流の流出、及び血流の流入における血行動態に関連付けられている、ことと、
前記境界条件を使用することにより、前記切り取られた患者特有の解剖学的モデルの1つ以上の位置における前記血流特性の第1の値を推定することと、
前記切り取られた患者特有の解剖学的モデルを表す次数低減モデルを生成することであって、前記次数低減モデルは、前記切り取られた患者特有の解剖学的モデルの前記1つ以上の位置における前記血流特性の前記推定された第1の値に基づいたインピーダンス値を有する1つ以上の点を含む、ことと、
前記機械学習アルゴリズムを用いることによって、前記次数低減モデルを更新することと、
前記更新された次数低減モデルを使用することにより、前記切り取られた患者特有の解剖学的モデルの前記1つ以上の位置における前記血流特性の第2の値を決定することと
を含む、システム。 - 前記動作は、
前記切り取られた患者特有の解剖学的モデルを前記患者の脈管構造の複数の領域に分割することをさらに含み、
前記次数低減モデルは、前記患者の脈管構造の前記複数の領域の各々についてのそれぞれの次数低減モデルを含む、請求項17に記載のシステム。 - 前記分割することは、前記血流特性の前記推定された第1の値に基づく、請求項18に記載のシステム。
- 前記分割することは、前記患者の脈管構造の1つ以上の健康領域と前記患者の脈管構造の1つ以上の不健康領域とを区別するように構成される、請求項19に記載のシステム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023112147A JP7505093B2 (ja) | 2016-09-20 | 2023-07-07 | 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 |
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662396965P | 2016-09-20 | 2016-09-20 | |
US62/396,965 | 2016-09-20 | ||
PCT/US2017/052317 WO2018057529A1 (en) | 2016-09-20 | 2017-09-19 | System and methods for estimation of blood flow characteristics using reduced order model and machine learning |
JP2019515458A JP7100627B2 (ja) | 2016-09-20 | 2017-09-19 | 次数低減モデル及び/または機械学習を使用して血流特性を推定するためのシステム及び方法 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019515458A Division JP7100627B2 (ja) | 2016-09-20 | 2017-09-19 | 次数低減モデル及び/または機械学習を使用して血流特性を推定するためのシステム及び方法 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023112147A Division JP7505093B2 (ja) | 2016-09-20 | 2023-07-07 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022133369A true JP2022133369A (ja) | 2022-09-13 |
JP7312301B2 JP7312301B2 (ja) | 2023-07-20 |
Family
ID=60117740
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019515458A Active JP7100627B2 (ja) | 2016-09-20 | 2017-09-19 | 次数低減モデル及び/または機械学習を使用して血流特性を推定するためのシステム及び方法 |
JP2022106986A Active JP7312301B2 (ja) | 2016-09-20 | 2022-07-01 | 次数低減モデル及び/または機械学習を使用して血流特性を推定するためのシステム及び方法 |
JP2023112147A Active JP7505093B2 (ja) | 2016-09-20 | 2023-07-07 | 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 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019515458A Active JP7100627B2 (ja) | 2016-09-20 | 2017-09-19 | 次数低減モデル及び/または機械学習を使用して血流特性を推定するためのシステム及び方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023112147A Active JP7505093B2 (ja) | 2016-09-20 | 2023-07-07 | 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 |
Country Status (8)
Country | Link |
---|---|
US (3) | US10945606B2 (ja) |
EP (1) | EP3516561B1 (ja) |
JP (3) | JP7100627B2 (ja) |
KR (1) | KR102477057B1 (ja) |
CN (1) | CN110168613B (ja) |
AU (2) | AU2017332031B2 (ja) |
CA (1) | CA3037492A1 (ja) |
WO (1) | WO2018057529A1 (ja) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL263066B2 (en) | 2016-05-16 | 2023-09-01 | Cathworks Ltd | Selecting blood vessels from images |
WO2018119366A1 (en) * | 2016-12-23 | 2018-06-28 | Heartflow, Inc. | Machine learning of anatomical model parameters |
US11871995B2 (en) | 2017-12-18 | 2024-01-16 | Hemolens Diagnostics Sp. Z O.O. | Patient-specific modeling of hemodynamic parameters in coronary arteries |
JP2021177124A (ja) * | 2018-08-07 | 2021-11-11 | チトセ バイオ エボリューション ピーティーイー リミテッド | 測定装置 |
US10813612B2 (en) | 2019-01-25 | 2020-10-27 | Cleerly, Inc. | Systems and method of characterizing high risk plaques |
CN113711247A (zh) * | 2019-02-03 | 2021-11-26 | 上海阵方科技有限公司 | 一种机器学习模型的数据处理方法、装置及系统 |
US11308362B2 (en) * | 2019-03-26 | 2022-04-19 | Shenzhen Keya Medical Technology Corporation | Method and system for generating a centerline for an object, and computer readable medium |
WO2020227026A1 (en) | 2019-05-03 | 2020-11-12 | Douglas Patton | Cloud based system cataract treatment database and algorithm system |
EP3751580B1 (en) * | 2019-06-11 | 2024-04-03 | Siemens Healthineers AG | Hemodynamic analysis of vessels using recurrent neural network |
WO2021102436A1 (en) * | 2019-11-22 | 2021-05-27 | Northwestern University | Analysis tool for performing patient-specific analysis of flows through flexible tubular organs |
US20210196207A1 (en) * | 2019-12-31 | 2021-07-01 | Novocure Gmbh | Methods, systems, and apparatuses for associating dielectric properties with a patient model |
WO2021136965A2 (en) | 2019-12-31 | 2021-07-08 | Novocure Gmbh | Methods, systems, and apparatuses for image segmentation |
US11969280B2 (en) | 2020-01-07 | 2024-04-30 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
AU2021205821A1 (en) | 2020-01-07 | 2022-07-21 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
US20220392065A1 (en) | 2020-01-07 | 2022-12-08 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
DE102020200750A1 (de) * | 2020-01-22 | 2021-07-22 | Siemens Healthcare Gmbh | Bereitstellen eines Blutflussparametersatzes einer Gefäßmalformation |
JP7462925B2 (ja) | 2020-02-28 | 2024-04-08 | 国立大学法人東北大学 | 血流場推定装置、学習装置、血流場推定方法及びプログラム |
KR102190431B1 (ko) * | 2020-03-18 | 2020-12-11 | 연세대학교 산학협력단 | 혈관 질환을 판단하는 방법 및 그를 위한 장치 |
CN112446866B (zh) * | 2020-11-25 | 2023-05-26 | 上海联影医疗科技股份有限公司 | 血流参数的计算方法、装置、设备及存储介质 |
KR102566890B1 (ko) * | 2020-12-11 | 2023-08-11 | 가천대학교 산학협력단 | 수술 부위 모니터링 방법 및 이를 이용한 디바이스 |
EP4131154A1 (en) | 2021-08-05 | 2023-02-08 | Robovision | Coronary artery narrowing detection based on patient imaging and 3d deep learning |
CN113995388B (zh) * | 2021-12-13 | 2022-06-03 | 数坤(北京)网络科技股份有限公司 | 血流储备分数计算方法、装置、电子设备及可读存储介质 |
CN114298988B (zh) * | 2021-12-17 | 2022-11-15 | 深圳市阅影科技有限公司 | 计算血管功能学指标的方法、装置、存储介质及处理器 |
US20230289963A1 (en) | 2022-03-10 | 2023-09-14 | Cleerly, Inc. | Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination |
KR20240057761A (ko) * | 2022-10-25 | 2024-05-03 | 주식회사 온택트헬스 | 심장 초음파 영상에 대한 정보 제공 방법 및 이를 이용한 심장 초음파 영상에 대한 정보 제공용 디바이스 |
US20240188917A1 (en) * | 2022-11-14 | 2024-06-13 | Cleerly, Inc. | Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016001017A1 (en) * | 2014-06-30 | 2016-01-07 | Koninklijke Philips N.V. | Apparatus for determining a fractional flow reserve value |
JP2016511682A (ja) * | 2013-03-04 | 2016-04-21 | ハートフロー, インコーポレイテッド | 血流特性のモデリングにおける感度解析方法及びシステム |
US20160180055A1 (en) * | 2014-03-31 | 2016-06-23 | Heartflow, Inc. | Systems and methods for determining blood flow characteristics using flow ratio |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5868052B2 (ja) | 2010-07-21 | 2016-02-24 | シーメンス アクチエンゲゼルシヤフトSiemens Aktiengesellschaft | 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 |
US8315812B2 (en) * | 2010-08-12 | 2012-11-20 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
US10162932B2 (en) | 2011-11-10 | 2018-12-25 | Siemens Healthcare Gmbh | Method and system for multi-scale anatomical and functional modeling of coronary circulation |
US10398386B2 (en) * | 2012-09-12 | 2019-09-03 | Heartflow, Inc. | Systems and methods for estimating blood flow characteristics from vessel geometry and physiology |
CN104768465B (zh) | 2012-11-06 | 2018-06-19 | 皇家飞利浦有限公司 | 血流储备分数(ffr)指标 |
WO2014182505A1 (en) * | 2013-05-10 | 2014-11-13 | Stenomics, Inc. | Modeling and simulation system for optimizing prosthetic heart valve treatment |
US20160196384A1 (en) * | 2015-01-06 | 2016-07-07 | Siemens Aktiengesellschaft | Personalized whole-body circulation in medical imaging |
-
2017
- 2017-09-19 JP JP2019515458A patent/JP7100627B2/ja active Active
- 2017-09-19 US US15/709,195 patent/US10945606B2/en active Active
- 2017-09-19 EP EP17784718.3A patent/EP3516561B1/en active Active
- 2017-09-19 KR KR1020197010997A patent/KR102477057B1/ko active IP Right Grant
- 2017-09-19 CN CN201780071286.4A patent/CN110168613B/zh active Active
- 2017-09-19 AU AU2017332031A patent/AU2017332031B2/en active Active
- 2017-09-19 CA CA3037492A patent/CA3037492A1/en active Pending
- 2017-09-19 WO PCT/US2017/052317 patent/WO2018057529A1/en unknown
-
2021
- 2021-02-08 US US17/169,912 patent/US11653833B2/en active Active
-
2022
- 2022-07-01 JP JP2022106986A patent/JP7312301B2/ja active Active
-
2023
- 2023-02-20 AU AU2023200986A patent/AU2023200986B2/en active Active
- 2023-04-18 US US18/302,291 patent/US12004841B2/en active Active
- 2023-07-07 JP JP2023112147A patent/JP7505093B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016511682A (ja) * | 2013-03-04 | 2016-04-21 | ハートフロー, インコーポレイテッド | 血流特性のモデリングにおける感度解析方法及びシステム |
US20160180055A1 (en) * | 2014-03-31 | 2016-06-23 | Heartflow, Inc. | Systems and methods for determining blood flow characteristics using flow ratio |
WO2016001017A1 (en) * | 2014-06-30 | 2016-01-07 | Koninklijke Philips N.V. | Apparatus for determining a fractional flow reserve value |
Also Published As
Publication number | Publication date |
---|---|
JP7312301B2 (ja) | 2023-07-20 |
KR102477057B1 (ko) | 2022-12-14 |
US20180078139A1 (en) | 2018-03-22 |
CN110168613B (zh) | 2023-02-21 |
US11653833B2 (en) | 2023-05-23 |
EP3516561A1 (en) | 2019-07-31 |
JP2023118960A (ja) | 2023-08-25 |
JP2019532702A (ja) | 2019-11-14 |
EP3516561B1 (en) | 2024-03-13 |
JP7100627B2 (ja) | 2022-07-13 |
AU2023200986B2 (en) | 2024-05-02 |
US20230248242A1 (en) | 2023-08-10 |
US10945606B2 (en) | 2021-03-16 |
KR20190047073A (ko) | 2019-05-07 |
JP7505093B2 (ja) | 2024-06-24 |
AU2017332031B2 (en) | 2022-12-08 |
US20210161384A1 (en) | 2021-06-03 |
CA3037492A1 (en) | 2018-03-29 |
AU2023200986A1 (en) | 2023-03-23 |
AU2017332031A1 (en) | 2019-04-18 |
WO2018057529A1 (en) | 2018-03-29 |
US12004841B2 (en) | 2024-06-11 |
CN110168613A (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7312301B2 (ja) | 次数低減モデル及び/または機械学習を使用して血流特性を推定するためのシステム及び方法 | |
JP7048561B2 (ja) | 血管形状及び生理学から血流特性を推定するシステム及び方法 | |
JP2019512131A (ja) | 画像ベースの患者固有の血流力学的モデルにおいて解像されていない血管を特定してモデル化するためのシステム及び方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220701 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230314 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230316 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230417 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230424 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230616 |
|
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: 20230622 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230707 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7312301 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |