JP2023552645A - リードの癒着の推定 - Google Patents

Abstract

リードのセクションが血管に癒着しているかどうかを決定する方法が提供される。この方法は、内側にリードを有する血管に対応するデータを取得するステップと、血管に対応するデータからリードに対応する動きベクトルを決定するステップとを含む。動きベクトルは、動きベクトルと、リードのセクションが血管に癒着しているかどうかとの相関関係を学習し、リードのセグメントの癒着レベルを出力するようにトレーニングされた機械学習アルゴリズムに入力される。

Description

本開示は、埋め込み型心臓デバイスの除去の分野に関する。特に、本開示は、心臓デバイスのリードが血管壁に癒着しているかどうかを推定することに関する。

ペースメーカや除細動器などの外科的に埋め込まれた心臓デバイスの抽出は、誤動作や感染の場合など、特定の条件下で必要になることがある。このようなデバイスの除去は、潜在的に高リスクの手順ということになる。

特に、一般的にリードと呼ばれる１本以上ワイヤが、通常、パルス信号発生器などの制御ユニットから心臓まで配線される。ペースメーカでは、これらのリードを使用すると、デバイスが一連の電気パルスを送達することで心拍数に影響を与える。一方、除細動器では、リードを使用して、危険な細動状態を中断するために高エネルギーパルスが心臓に送達される。

リードは、通常、静脈を通って心臓に到達する。通常、リードの先端は、例えば、タイン、ネジ、又はフックによって、また、埋め込みの後の数か月後は、瘢痕組織によって、心筋に固定される。

ペースメーカや除細動器のリードの抽出は、単純なシース、レーザーベースの抽出デバイス、回転式機械的切断デバイスなど、様々なツールによって行われる。

より一般的には、ほとんどの心臓血管埋め込み型電子デバイス（ＣＩＥＤ）は、現在、発生器を心臓組織に接続するリードを使用している。リードの故障、発生器の交換、感染などＣＩＥＤに直接影響を与える臨床条件を考えると、リード管理は重要な問題である。

年間約１５０万台の埋め込み型心臓デバイスが設置されている。最近の技術進歩により、特定のグループで使用されるＣＩＥＤの経静脈リード又は心外膜リードは不要になったが、ペースメーカ又はＩＣＤリードの誤動作やリコール、デバイスのアップグレード若しくは再置換、静脈閉塞、インプラント部位（ポケット）感染、血液感染、放置されたリードの存在によるＭＲＩ禁忌、又は個人的な好みや更なる症状がないために患者がシステムを除去したいと望むことなど、様々な理由でリード管理は重要なままである。

心臓ＣＴイメージングは、通常、血管又は心外リードの位置決めを評価し、潜在的に静脈癒着部位を特定するために実行される。蛍光透視法は、通常、静脈閉塞又は狭窄の部位を特定し、リードの可動性及び癒着の領域を評価するために使用される。

リードの抽出は、ＳｐｅｃｔｒａｎｅｔｉｃｓのＧｕｉｄｅＬｉｇｈｔやＴｉｇｈｔＲａｉｌなどのツールを使用して実行される。これらのツールはリード上を進み、機械式の切断先端又はレーザ切断先端を使用して、血管や瘢痕組織からリードを分離する。手順中、医師はデバイスからの触覚フィードバックに依存してリードの癒着状態を判断する。

リードの癒着を判断するために使用される術前ＣＴは、金属アーチファクトの影響を受ける。金属アーチファクトにより、血管内リードの位置決めを判断する診断精度が低下する。リード抽出手順中、特に上大静脈（ＳＶＣ）付近で血管が裂ける危険性がある。医師が抽出手順中に癒着に関する情報をより多く得ることができれば、これを回避できる場合がある。

Ｈｏｌｍ Ｍｉｋａｙｌｅ他による「Ａｌｇｏｒｉｔｈｍ ｆｏｒ ｔｈｅ ａｎａｌｙｓｉｓ ｏｆ ｐｒｅ－ｅｘｔｒａｃｔｉｏｎ ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｉｃ ｉｍａｇｅｓ ｔｏ ｅｖａｌｕａｔｅ ｉｍｐｌａｎｔｅｄ ｌｅａｄ－ｌｅａｄ ｉｎｔｅｒａｃｔｉｏｎｓ ａｎｄ ｖａｓｃｕｌａｒ－ｌｅａｄ ａｔｔａｃｈｍｅｎｔｓ」（Ｈｅａｒｔ Ｒｙｔｈｅｍ Ｅｌｓｅｖｉｅｒ、第１６巻、第６号、２０２０年１月、１００９～１０１６ページ（ＸＰ０８６１６３５４４）は、ＣＴ画像をセグメント化することによるリード及び上大静脈（ＳＶＣ）の３Ｄレンダリングの作成について開示している。リードとＳＶＣ上の最も近いポイントと間の距離が時間の経過と共に追跡され、一定の非常に短い距離が見つかった場合には、リードの癒着が想定される。

そのため、血管内のリードの癒着を決定する方法を改善する必要がある。更に、抽出操作中に血管内のリードの癒着レベルを決定する方法が必要である。

本開示の態様は、リードのセクションが血管に癒着しているかどうかを決定するデバイス、システム、方法、及びコンピュータプログラムを提供し、これらは、特許請求の範囲によって定義される発明である。

本開示の一態様による実施例によれば、リードのセクションが血管に癒着しているかどうかを決定する方法が提供される。本方法は、
血管に対応するデータを受信又は取得するステップであって、血管は内側にリードがある、受信又は取得するステップと、
血管に対応するデータからリードに対応する動きベクトルを決定するステップと、
動きベクトルを機械学習アルゴリズムに入力するステップとを含み、
機械学習アルゴリズムは、動きベクトルと、リードのセクションが血管に癒着しているかどうかとの相関関係を学習するようにトレーニングされており、
機械学習アルゴリズムは、入力された動きベクトルに基づいて、リードのセグメントの癒着レベルを出力するように構成されている。

血管に対応するデータは、好ましくは、ただし、必ずそうある必要はないが、少なくとも２つの異なる角度からの２つ以上の２Ｄ画像を含む。２Ｄ画像は、例えば、２～２０の心拍又は２～１０の呼吸サイクルなど、いくつかの心拍及び／又は呼吸サイクルの短い期間にわたって必要である。機械学習アルゴリズムは、血管系のモデルを必要としないが、リードの異なるセグメントにおける動きベクトルからリードの癒着を決定できる。動きベクトルは、２Ｄ画像から抽出できる。

データの受信又は取得は、入力インターフェースを使用して行うことができ、結果データの出力は、出力インターフェースを使用して行うことができる。決定ステップ及び処理ステップは、本明細書に説明されるようにプロセッサを使用して行われる。本方法はコンピュータ実施方法である。

血管内を動くリードを観察することによって、リードが血管に癒着しているかどうかをユーザが推定できることがわかっている。しかし、これには経験や動いているリードを確認するために使用する異なる視野角の知識が必要である。場合によっては、リードは、視野面に対して横に動くことがあるため、動きを見ることができない。

血管に対応するデータは、好ましくは、血管の画像を含む。或いは（又は更に）、このデータは、光ファイバリアルシェイプ（ＦＯＲＳ）、電磁追跡、又は同様の方法を介して取得された血管及び内側のリードの情報を含んでいてもよい。

内側にリードがある血管の画像は、血管、血管の付近の組織、及びリードに関する情報を多く含む。２つの画像が異なる時間に取得された場合、これらの２つの画像は、時間の経過に伴う血管、組織、及びリードの動きによって異なる。

画像間の変化は、動きベクトルによって定量化できる。実際、動きベクトルは、画像内のオブジェクト（血管、組織、及びリード）による動きにも関連している。

発明者は、動きベクトルが、リードの動きに関する全ての必要な情報を含む一方で、画像内の不要な情報（例えば、色、形状など）は排除することを認識している。したがって、動きベクトルと、リードが血管の壁に癒着しているかどうかとのパターンを学習するように、機械学習アルゴリズムを効果的にトレーニングできる。

機械学習アルゴリズムは、リードのセグメントの癒着レベル（又は癒着のレベル）を出力する。つまり、癒着レベルは、リードのセグメントが血管に癒着する可能性に対応する。場合によっては、癒着レベルは、バイナリ分類（即ち、はい／いいえ）である。しかし、他の場合では、癒着レベルは、癒着の確率を示す。又は、別の実施例では、癒着レベルは、癒着の重症度又は癒着の石灰化のレベルを示す。

付着（ａｄｈｅｒｅｎｃｅ）及び癒着（ａｄｈｅｓｉｏｎ）は、本コンテキストでは、交換可能に使用され、リードと血管との望ましくない物理的な接続を指す。

リードのセグメントとは、画像内に可視であるリードのある領域（又はボリューム）を完全に含む事前定義されたサイズの領域（又はボリューム）を指す。例えば、セグメントは、単一のピクセルであっても、１０×１０個のピクセルのグループであってもよい。或いは、セグメントの各々には、単一の（又は複数の）動きベクトルが含まれていてもよい。セグメントのサイズは任意であり、利用可能な処理リソース及び／又は機械学習アルゴリズムの特定のトレーニングによって異なる。

動きベクトルは、２Ｄ動きベクトルであってもよい。２Ｄ動きベクトルは、ベクトル及び／又は非ベクトルパラメータ化形式を有する。パラメータ化は、ｘ／ｙ平行移動、平行移動の方向及び大きさ、四元数、行列、指数写像、ベクトル場の形式を有し得る。

発明者は、リードの２Ｄでの動きが、血管へのリードの癒着に相関していることを認識している。したがって、発明者は、２Ｄでの動きと、リードと血管との癒着のレベルとの相関関係を学習するように機械学習アルゴリズムをトレーニングした。２Ｄでの動きは、２Ｄ動きベクトルによって与えられ、これらは、血管の画像から決定される。

２Ｄ動きベクトルを入力として機械学習アルゴリズムを使用すると、ユーザは、３Ｄイメージングモダリティを厳密に必要とすることなく、リードが血管に癒着しているかどうかを決定できる。２Ｄ動きベクトルは、２Ｄイメージングから決定できる。

更に、２Ｄ動きベクトルを機械学習アルゴリズムに入力することによって、フル画像を入力する必要がなくなる。これにより、機械学習アルゴリズムに入力されるデータ全体が低減されるので、癒着レベルを決定する速度が向上される。例えば、これにより、癒着レベルの決定をリアルタイムで行ったり、及び／又は、機械学習アルゴリズムの複雑さを上げたり（これにより精度が上がる）することができる。

血管の画像は、２Ｄ画像であってもよい。

リードが血管に癒着しているかどうかを決定することは、通常、ＣＴスキャンなどの３Ｄイメージングモダリティで行われる。したがって、リード及び血管の動きが３Ｄ空間で可視化され、ユーザは、血管へのリードの癒着があるかどうかを決定できる。しかし、これには、３Ｄイメージングや、可視化が難しく、解析に時間のかかる３Ｄ空間での解析が必要である。

発明者は、２Ｄ画像から取得した動きベクトルも、血管の壁への癒着レベルに相関していることを認識している。したがって、３Ｄイメージングモダリティは不要となり、画像を取得するワークフローを削減できる。

血管画像の取得は、２Ｄ蛍光透視法及び／又は２Ｄ静脈造影法に基づいていてもよい。

蛍光透視法及び／又は静脈造影法は、通常、被検者からのリードの除去のための操作中（即ち、術中）に使用される。したがって、これらのイメージングモダリティから取得される画像を使用して、術前及び／又は術中のイメージングを必要とすることなく、癒着レベルを決定できる。

機械学習アルゴリズムへの更なる入力は、血管の画像であってもよい。機械学習アルゴリズムは、Ｘ線画像を入力として取り込むこともできる。Ｘ線画像（又は静脈造影画像といったロードマップ画像）は、血管及び／又は任意の解剖学的な動きに関する追加の情報を含み、機械学習アルゴリズムは、この情報を使用して、リードと血管の動きとの有用な相関関係を見つける。

例えば、可能な入力セットは複数ある。即ち、動きベクトルのみ（推奨）、又は動きベクトルと現在の画像若しくは画像シーケンス（例えば、蛍光透視画像及び静脈造影画像の組み合わせ）である。

或いは、機械学習アルゴリズムは、例えば、静脈造影画像のみから動きベクトルを決定する動きベクトル層を含んでいてもよい。この場合、機械学習アルゴリズムは、動きベクトルを決定し、その動きベクトルから癒着レベルを決定できる。

機械学習アルゴリズムは更に、セグメントと、それらのそれぞれの癒着レベルとに基づいて、癒着の位置を出力してもよい。癒着部位の位置特定は、癒着レベルを決定するときに重要な側面である。セグメントは、黙示的に相互に相対的な場所を有しているので、機械学習アルゴリズムは、（例えば３つのセグメントにわたる）癒着の場所を癒着の位置として出力することもできる。或いは、機械学習アルゴリズムは、血管の画像上に、癒着を示す癒着レベルと共にセグメントを出力してもよく、これにより、血管の癒着の位置が示される。

機械学習アルゴリズムは更に、推奨視野角を出力でき、この推奨視野角で撮影された血管の画像は、正確な動きベクトルを提供する可能性がある。

機械学習アルゴリズムは、
畳み込みニューラルネットワーク、
多層パーセプトロン、
サポートベクターマシン、
決定木モデル、
多変数回帰モデル、又は
これらの組み合わせに基づいていてもよい。

上記の方法は更に、血管の画像上に対応する動きベクトルと共に癒着レベルを表示するステップを含んでいてもよい。

癒着レベルは、バイナリ分類又は癒着範囲に基づいていてもよい。

本開示はまた、コンピュータプログラムコード手段を含むコンピュータプログラム製品を提供する。コンピュータプログラムコード手段は、処理システムを有するコンピューティングデバイス上で実行されると、処理システムに、リードのセクションが血管に癒着しているかどうかを決定する上記方法の全てのステップを実行させる。

本開示はまた、リードのセクションが血管に癒着しているかどうかを決定するシステムを提供する。本システムは、
血管に対応するデータを受信又は取得する入力インターフェースであって、血管は内側にリードがある、入力インターフェースと、
プロセッサであって、
血管に対応するデータからリードに対応する動きベクトルを決定することと、
動きベクトルを機械学習アルゴリズムに入力することであって、
機械学習アルゴリズムは、動きベクトルと、リードのセクションが血管に癒着しているかどうかとの相関関係を学習するようにトレーニングされており、
機械学習アルゴリズムは、リードのセグメントの癒着レベルを出力する、入力することと、
を実行するプロセッサとを含む。

入力インターフェースは、プロセッサと通信可能に結合され、プロセッサは、出力インターフェースと通信可能に結合される。

上記のシステムは更に、血管の画像を取得し、画像をインターフェースに送出するイメージングデバイスを含んでいてもよい。

イメージングデバイスは、２Ｄ画像を取得する２Ｄイメージングデバイスであり得る。

イメージングデバイスは、２Ｄ蛍光透視画像及び／又は２Ｄ静脈造影画像を取得できる。

上記のシステムは更に、可視及び／又は可聴形式で、ユーザに癒着レベルを提供するユーザインターフェースを含んでいてもよい。好ましいユーザインターフェースには、少なくとも癒着レベルを、好ましくは、血管の画像、動きベクトル、及び／又は対応する癒着レベルと一緒に表示するディスプレイが含まれる。

本開示はまた、血管内のリードに対応する動きベクトルと、リードのセクションが血管に癒着しているかどうかとの相関関係を学習するために機械学習アルゴリズムをトレーニングする方法を提供する。本方法は、
内側にリードがある血管に対応する第１のデータセットを取得するステップと、
血管に対応する第１のデータセットのグラウンドトゥルースを決定するステップであって、グラウンドトゥルースは、リードが血管に癒着しているかどうか及び癒着の場所を定義する、決定するステップと、
内側にリードがある血管に対応する第２のデータセットを取得するステップであって、第２のデータセットは、血管内の第１のデータセットと同じ解剖学的場所で取得される、取得するステップと、
血管に対応する第２のデータセットからリードに対応する動きベクトルを決定するステップと、
動きベクトルを機械学習アルゴリズムに入力するステップであって、機械学習アルゴリズムは、リードのセグメントの癒着レベルを出力するように構成されている、入力するステップと、
機械学習アルゴリズムによって出力された癒着レベルと、対応するグラウンドトゥルースとを比較し、癒着レベルとグラウンドトゥルースとの比較に基づいて誤差を決定するステップと、
誤差に基づいて機械学習アルゴリズムのパラメータを適応させるステップとを含む。

第１のデータセットは、ＣＴ画像である。これは、正確なグランドトゥルースを取得することが（他のデータモダリティと比べて）比較的簡単なためである。第２のデータセットは、２ＤのＸ線画像又は静脈造影画像である。或いは、第１及び第２のセットの両方は、２ＤのＸ線画像の同じセット（又は異なるデータタイプの同じセット）であってもよい。第２のデータセットは、機械学習アルゴリズムが学習するデータタイプである。第１のデータセットは、グランドトゥルースを決定するためだけのものである。

第１のデータセットは、リード抽出手順から取得される。グラウンドトゥルースは、リード抽出手順からのデータに注釈（即ち、リードに沿った異なるセグメントでリードの癒着が発生した（はい／いいえ））を付けることで得られる。

第１のデータセットは、以前のリード抽出手順から、電磁追跡又はＦＯＲＳなどの空間センシング技術から取得される。

第１のデータセットは、以前のリード抽出手順の目視検査から取得される。

癒着レベルとグランドトゥルースとの比較は、交差エントロピ損失関数（バイナリ分類タスクに典型的に使用される）に基づくか、又は、確率的勾配降下法を実行することによるものであり得る。

機械学習アルゴリズムのパラメータは、機械学習アルゴリズムの入力を機械学習アルゴリズムの出力にマップする重みのセットであってもよい。

本開示のこれら及び他の態様は、以下に説明される実施形態から明らかになり、また、当該実施形態を参照して説明される。

本開示の例示的な実施形態及び実施例については、添付の概略図を参照して説明する。

図１は、血管内に以前に埋め込まれた心臓リードを有する血管の画像を示す。 図２は、内側にリードを有する血管内の画像であって、動きベクトルはリードに対応している、画像を示す。 図３は、リードの癒着レベルを決定するための機械学習アルゴリズムの入力及び出力を示す。 図４は、機械学習アルゴリズムによって出力されたセグメントを有する血管の画像を示す。 図５は、機械学習アルゴリズムのアーキテクチャ例を示す。 図６は、機械学習アルゴリズムで使用されるトレーニングデータの例を示す。 図７は、トレーニングに使用する２本のリードを有する血管のＣＴ画像を示す。 図８は、機械学習アルゴリズムのトレーニング方法例を示す。 図９は、本開示の実施形態に従って定義される処理システムの図を示す。 図１０は、例えば、図９のような本明細書に説明される処理システムを含むイメージングシステムを示す。

本開示の原理をより深く理解し、それがどのように実行されるかをより明確に示すために、ほんの一例として添付の図面を参照して説明される実施形態を参照する。

詳細な説明及び具体的な実施例は、装置、システム及び方法の模範的な実施形態を示しているが、例示のみを目的としたものであり、本開示の範囲を限定することを意図したものではない。本開示の装置、システム、及び方法のこれら及び他の特徴、態様並びに利点は、次の説明、添付の特許請求の範囲、及び添付の図面からより深く理解されるようになるであろう。図は単なる概略図であり、縮尺どおりに描かれていない。図全体で同じ参照番号を使用して、同じ部分又は類似の部品を示す。

本開示は、リードのセクションが血管（例えば、血管の内壁のセクション）に癒着しているかどうかを決定する方法を提供する。この方法は、内側にリードを有する血管に対応するデータ（好ましくは、血管の画像）を取得し、血管に対応するデータからリードに対応する動きベクトルを決定することを含む。動きベクトルは、動きベクトルと、リードのセクションが血管に癒着しているかどうかとの相関関係を学習し、リードのセグメントの癒着レベルを出力するようにトレーニングされた機械学習アルゴリズムに入力される。

図１は、血管１０２内に以前に埋め込まれた心臓リード１０４を有する血管１０２の画像を示している。図１（ａ）は、リード１０４がある血管１０２の画像を示し、図１（ｂ）は、血管内１０２でのリード１０４の可能な動きがある血管１０２の画像を示している。

図１（ｂ）の破線１０６は、リード１０４が血管１０２内で移動できる極値を示している。これは、例えば、血管１０２のＸ線イメージング又はＣＴスキャンで観察できる。リード１０４の動きは、例えば、被検者の心拍、被検者の呼吸、又は血管内の血流に起因する。この動きはまた、例えば、医師が実施した手順中に部品を操作することによってもたらされるようなものなど、リード１０４との術中の相互作用によっても誘発される。

血管１０２にも動き範囲（図示せず）がある。リード１０４が血管１０２の壁に癒着していない場合、リード１０４の動きは、血管１０２の動きとほとんど相関しない。図１は、リードが血管１０２の壁に癒着している２つの領域を示している。この場合、リード１０４は、血管１０２の動きにつれて動く。リード１０４が血管１０２の壁に付着していない他のセグメントでは、リード１０４の動きはより複雑な動きになる。この動きの範囲は、図１（ｂ）のリード１０４の周りの破線１０６によって定義される。

リード１０４が血管１０２の壁に癒着している場合、リード１０４が血管１０２に癒着しているポイントでは血管１０２に対する動きが観察されることはほとんどない。血管１０２内でのリード１０４の動きは、動きベクトルを使用して定量化できる。

図２は、内側にリード１０４を有する血管１０２の画像であって、動きベクトル２０２は、リード１０４に対応している画像を示している。動きベクトル２０２は、血管１０２内でのリード１０４の全体的な動きの方向と大きさとを描写するベクトルである。図２では、血管１０２は静止しているように描写されているが、場合によっては、例えば、血管１０２の動きベクトルも決定することによって、血管に対する動きベクトル２０２を決定する必要がある。

リード１０４は、例えば、閾値化法、マルチスケールリッジ検出法（又はヘッセン（ｈｅｓｓｉａｎ）ベースのベッセルレスフィルタなどの変形例）、アクティブ輪郭法、又はセグメンテーションなどの深層学習ベースの方法（例えば、Ｕ－ｎｅｔアーキテクチャ）を使用して、画像内で識別される。リード１０４を識別するための他の方法は、当業者に知られているであろう。

実施例では、埋め込まれたリード１０４が、蛍光透視画像において可視であり、場合によっては、より厚い血管壁も可視である。血管１０２に対する動きベクトル２０２は、血管１０２にコントラストがある蛍光透視画像から導出される。動きベクトル２０２は、ピクセルベース（即ち、直接）又は特徴ベース（即ち、間接）の動きベクトル推定方法を使用して蛍光透視画像シーケンスから導出される。また、深層学習ベースの方法を使用して動きベクトルを計算することもできる。動きベクトル２０２を決定する方法は、当業者に知られているであろう。

例えば、Ｐ．Ｈ．Ｓ Ｔｏｒｒ及びＡ．Ｚｉｓｓｅｒｍａｎの記事「Ｆｅａｔｕｒｅ Ｂａｓｅｄ Ｍｅｔｈｏｄｓ ｆｏｒ Ｓｔｒｕｃｔｕｒｅ Ｍｏｔｉｏｎ Ｅｓｔｉｍａｔｉｏｎ」、並びにＭ．Ｉｒａｎｉ及びＰ．Ａｎａｎｄａｎの「Ａｌｌ Ａｂｏｕｔ Ｄｉｒｅｃｔ Ｍｅｔｈｏｄｓ」（どちらもｗｗｗ．ｒｏｂｏｔｓ．ｏｘ．ａｃ．ｕｋから入手可能）に例が記載されている。

或いは、リード画像は、電磁センシング、光ファイバリアルシェイプ（ＦＯＲＳ）、又は同様の技法などのセンシング技術から得ることもできる。

リード１０４の動きベクトル２０２は、複数の異なる角度から取得した２Ｄ蛍光透視画像を使用して、３Ｄで得ることができる。典型的なリード抽出の場合、２Ｄ蛍光透視画像を複数の角度から取得して、リード１０４の屈曲部を視覚化する。２Ｄ蛍光透視画像を使用して、２Ｄ蛍光透視画像からセグメント化されたリード１０４を逆投影することにより、リード１０４が３Ｄで再構成される。２つの角度からの２Ｄデータによって、例えば、２つの異なる角度の画像から２Ｄ動きベクトルを抽出し、それらを組み合わせて３Ｄ動きベクトルを得ることによって、３Ｄ動きベクトルが構成される。３Ｄ動きベクトルを使用すると、機械学習アルゴリズムが癒着のレベルを分類するための情報がより多く提供される。このアプローチでは、時系列のＣＴスキャン（即ち、４Ｄ ＣＴ－３Ｄ画像の時間におけるシーケンス）から得られる３Ｄ動きベクトルの決定と比較して、癒着のレベルを簡単に決定できる。

図３は、リード１０４の癒着レベル３１０を決定するための機械学習アルゴリズム３０２の入力及び出力を示している。リード１０４の動きベクトル２０２が、機械学習アルゴリズム３０２への入力である。機械学習アルゴリズム３０２は、リード１０４の動きベクトル２０２と、リード１０４が血管１０２の壁に癒着しているかどうかとのパターン／相関関係を学習するようにトレーニングされている。そして、機械学習アルゴリズム３０２は、リード１０４の癒着レベル３１０を出力する。

血管１０２の動きベクトルも機械学習アルゴリズム３０２に入力される。或いは（又は更に）、血管の画像又は血管の静脈造影図が入力されてもよい。これらは、機械学習アルゴリズムに、血管１０２の動きに関する知識を与える。

図３では、癒着レベル３１０は、リード１０４の異なるセグメント３０４、３０６、３０８のバイナリ選択として示されている。例えば、セグメント３０４、３０６、３０８は、セグメント内の動きベクトル２０２の数に基づいているか、事前定義されたサイズに基づいている。機械学習アルゴリズム３０２は、セグメント３０４及び３０６を「癒着」として出力し、残りのセグメント３０８（破線で示す）を「非癒着」として出力する。

或いは、機械学習アルゴリズム３０２は、各セグメント３０４、３０６、３０８の確率範囲を出力してもよい。更に、機械学習アルゴリズム３０２は、入力と同じ動きベクトル２０２を出力するが、各動きベクトル２０２の追加の癒着レベル変数と共に出力してもよい。例えば、機械学習アルゴリズム３０２は、異なる色（例えば、緑は「非癒着」を定義し、オレンジは「癒着」を定義する）で動きベクトル２０２を出力する。

或いは、癒着レベル３１０の視覚化は、リード１０４に沿った色勾配であってもよく、リード１０４の全てのセグメント３０４、３０６、３０８が血管１０２の壁に癒着している確率が示される。また、視覚化は、リード１０４上の治療デバイスの先端の場所と、その先端がどのゾーン内にあるかとに基づいていてもよい（つまり、不要なクラッタを回避するためにリード１０４の特定の部分のみを視覚化する）。情報のクラッタを低減することができるため、機械的アテローム切除デバイスなどの治療デバイスが癒着部位の近くにあるときにのみ、癒着レベル（色分け）が有利に視覚化される。

セグメント３０４、３０６、３０８のサイズは、ピクセルのサイズ（解像度によって異なる）又は事前定義された幅／高さのピクセル数である。

要するに、機械学習アルゴリズム３０２は、血管１０２の壁に癒着したリード１０４のセグメント３０４、３０６、３０８を識別する。これは、リード抽出中の血管の破裂を回避し、レーザ又は機械的なリード抽出デバイスのいずれかを選択し、及び／又はリード抽出手順をスピードアップするために使用できる。

図４は、機械学習アルゴリズム３０２によって出力されたセグメント３０４、３０６、３０８を有する血管１０２の画像を示している。癒着レベルが「癒着」であるセグメント３０４及び３０６は、血管１０２の壁に接触しているリード１０４のポイント上／近接に表示され、したがって、それらが癒着していることが識別される。

リード１０４が血管１０２の壁に付着している場所をユーザに示すために、機械学習アルゴリズム３０２の出力を、血管１０２の画像（例えば、動きベクトル２０２を決定するために使用された元の画像）に重ね合わせることができる。動きベクトル２０２も表示されてもよい。

図５は、機械学習アルゴリズム３０２のアーキテクチャ例を示している。機械学習アルゴリズム３０２への入力５０２は、血管１０２に埋め込まれたリード１０４の動きベクトル２０２であり、出力は、リード１０４に沿ったセグメント３０４、３０６、３０８の癒着レベル３１０のバイナリ指標である。機械学習アルゴリズム３０２は、畳み込みニューラルネットワーク（ＣＮＮ）であり、最後の層５０６としてソフトマックス活性化関数を使用している。使用されるソフトマックスの損失関数は、ログ損失関数である。他の実施例では、活性化関数はシグモイド活性化関数又は他の非線形活性化関数であり、特にネットワークが回帰タスクを実行する場合、例えば、癒着部位の石灰化の重症度又はレベルを予測する。例えば、整流線形ユニット（ＲｅＬＵ）関数が使用される。

中間層５０４、５０６の数は、使用する特定の実装態様に依存する。例えば、各層で使用される関数、入力から出力までの合計時間（ＣＮＮはリアルタイムで使用される場合がある）、又はＣＮＮの設計者の特定の設計選択に依存する。ＣＮＮは、典型的には、３つ以上の中間層５０４、５０６で構成され、各層は畳み込み操作、バッチ正規化、ドロップアウト、プーリング操作、及び／又は非線形活性化で構成される。

例えば、静脈造影画像又は蛍光透視画像から動きベクトル２０２が計算され、ＣＮＮに入力される。ＣＮＮは、癒着又は非癒着として、リード１０４に沿ってセグメント３０４、３０６、３０８のバイナリ分類を出力する。クラスは、ＣＮＮによって生成されたロジットから決定される。ロジットは、活性化関数（例えば、シグモイド）に渡され、０～１の値にマップされる。閾値（０．５など）を使用してクラスを決定できる。

或いは、ＣＮＮによって出力される癒着レベル３１０は、ＣＮＮによって生成された値が［０，１］の範囲で示される、リード１０４に沿った色勾配であってもよい（例えば、スムーズカラーマップ）。これらの値は、リードの各ポイントが血管１０２の壁に癒着している確率として大まかに解釈される。

また、静脈造影画像のみを使用するＣＮＮが使用されてもよい。ここでは、静脈造影画像フレームだけでなく動きベクトル２０２もＣＮＮに入力される。血管１０２は静脈造影画像内で可視である、血管１０２から動きベクトル２０２を抽出できるだけでなく、ＣＮＮは、その予測を支援するために、リード１０４が組織に囲まれているかどうかを観察することで学習できる。したがって、ＣＮＮは、血管／リードの動きと解剖学的特徴の両方から手がかりを学習し、リード１０４の癒着を予測する。解剖学的なコンテキストは特に有用である。これは、例えば、ほとんどの被検者では、リード１０４が鎖骨下静脈の近くの血管１０２の壁に癒着していることがよく知られているためである。

或いは、一方向の非コントラスト強調蛍光透視画像のみを使用するＣＮＮを使用してもよい。低心拍数時に１回、また、運動、投薬、又はペーシングデバイスによる心拍数変更によって誘発された心拍数増加時に画像シーケンスを撮影できる。非癒着領域に対応する動きベクトル２０２は、癒着領域よりも多くのパターン変化を示す。

或いは、機械学習アルゴリズム３０２は、多層パーセプトロン（ＭＬＰ）、サポートベクターマシン（ＳＶＭ）、決定木（ランダムフォレスト）モデル、多変数回帰（線形又はロジスティック回帰）、又はこれらの組み合わせであってもよい。

更に、機械学習アルゴリズム３０２は、リード１０４の見かけの動きを最大化するために、最適な視野角を出力することもできる。これは、異なる視野角における同じリード１０４の複数の動きベクトル２０２を観察することによってトレーニングされた機械学習アルゴリズム３０２によって実現できる。この場合、機械学習アルゴリズム３０２は、ユーザが更なる動きベクトル２０２を得ることができる視野角の提案を出力できる。

上記の機械学習アルゴリズム３０２を使用したシステムの例としては、Ｘ線を生成するＸ線管と、Ｘ線画像を取得するＸ線検出器とを有する介入Ｘ線システムが挙げられる。このようなＸ線システムの例としては、固定ＣアームＸ線システムや移動式Ｘ線システムがある。

次に、プロセッサを使用して、Ｘ線画像から抽出するリード１０４の長さに沿った動きベクトル２０２を計算する。動きベクトル２０２は、（例えば、新しいフレーム／フレームセットごとに）異なる時間とリード１０４の長さに沿って決定できる。

次に、プロセッサは、動きベクトル２０２を機械学習アルゴリズム３０２に入力する。機械学習アルゴリズム３０２は、リードに沿ったセグメント３０４、３０６、３０８を、例えば、癒着ポケット３０４、３０６、及び非癒着ポケット２０８として分類する。

機械学習アルゴリズムのトレーニング
機械学習アルゴリズム３０２をトレーニングするために使用されるトレーニングデータは、埋め込まれたリード１０４の動きベクトル２０２、リード１０４が通常埋め込まれている血管１０２の動きベクトル１０２、及びグラウンドトゥルース（つまり、セグメント３０４、３０６、２０８ごとにリード１０４が血管１０２に癒着しているか）で構成されている。動きベクトル２０２は、時系列のＸ線画像から得ることができる。グラウンドトゥルースは、術前ＣＴ画像から取得できる。

図６は、機械学習アルゴリズム３０２で使用されるトレーニングデータ２０２、６０２、６０４の例を示す。トレーニングは、ｄｉ＝（ｍ，ｍｖ，Ｇ）で記述されるデータセットタプルで実行される。ここで、
ｍ：リード１０４の動きベクトル２０２、
ｍｖ：血管１０２の動きベクトル、及び
Ｇ：癒着（又は非癒着）のグラウンドトゥルース６０４である。

図７は、２本のリード１０４を有する血管１０２のＣＴ画像を示している。画像を使用して、ＣＴ画像からグラウンドトゥルース６０４を識別できる。図７（ａ）は血管１０２のＣＴ画像を示し、図７（ｂ）及び図７（ｃ）は図７（ａ）の断面（１）及び（２）を示している。

図７（ｂ）には、リード１０４が血管１０２の壁から外れている（即ち、癒着していない）領域（１）の断面が示されている。図７（ｃ）の領域（２）では、リード１０４は造影剤で満たされた血管１０２の外側にあるように見受けられ、癒着が起こったことを示している。したがって、ＣＴ画像からグラウンドトゥルースを取得できる。

或いは、リード１０４の癒着に関するグラウンドトゥルース６０４は、リード抽出手順からのデータに注釈（リード１０４に沿った異なるセグメントでリードの癒着が発生した（はい／いいえ））を付けることで取得できる。リード抽出デバイスに、電磁、ＦＯＲＳなどの空間センシング技術が装備されている場合は、癒着の場所を自動的に記録できる。更に、所与のリード抽出デバイスが血管１０２へのリード１０４の癒着を克服することに成功したかどうかを記録できる。この情報を使用して別のモデルをトレーニングして、リード１０４を有する所与のデバイスが他の手順で成功するかどうかを予測できる。

リード癒着についてグラウンドトゥルース６０４を取得する別の方法は、除去後のリード１０４の目視検査である。先端から組織がリード１０４に癒着した場所までの距離を測定できる。ＣＴスキャンによって３Ｄ形状が提供され、それを、例えば、蛍光透視画像と位置合わせすることによって、癒着の位置を特定できる。

或いは、機械学習アルゴリズム３０２はエンドツーエンド方式でトレーニングすることもできる。例えば、機械学習アルゴリズム３０２への入力は、リード１０４に沿ったセクション（ＲＯＩ）のシーケンスである。各セクションは血管１０２とリード１０４の両方をカバーするので、リード１０４と血管１０２の壁との相対的な動きを暗黙的に含む。この入力を所与として、シーケンスニューラルネットワークをトレーニングして、血管１０２へのリード１０４の癒着の有無を予測できる。

機械学習アルゴリズム３０２は、血管１０２の画像から動きベクトル２０２を決定し、動きベクトルに基づいて癒着レベルを決定するようにトレーニングされた動きベクトル層を含む。

図８は、機械学習アルゴリズム３０２のトレーニング方法例を示している。画像（例えば、蛍光透視画像、シネ画像、又は静脈造影画像）から選択したリード１０４は、より小さなセグメント３０４、３０６、３０８に分割され、リード１０３に沿った各セグメントについて動きベクトル２０２が計算される。セグメントの範囲は、１ピクセル～数ピクセルである。セグメントごとに動きベクトル２０２が計算される。これらは機械学習アルゴリズム３０２をトレーニングするために使用される。機械学習アルゴリズム３０２は、その出力癒着レベル３１０と、対応する術前ＣＴ画像から得られたグラウンドトゥルース６０４とを比較する（８０１）。ＣＴ画像から癒着のグラウンドトゥルース６０４の場所が決定され、対応するセグメントには癒着又は非癒着のラベルが割り当てられる。

機械学習アルゴリズム３０２のパラメータは、好ましくは、交差エントロピ損失関数（バイナリ分類タスクに典型的に使用される）を使用して、出力癒着レベル３１０とグラウンドトゥルース６０４とを比較し（８１０）、確率的勾配降下を実行することによって、トレーニングプロセス中に反復的に最適化される。他の損失関数が使用されてもよい。

機械学習アルゴリズム３０２は、出力データを生成又は予測するために入力データを処理する任意の自己トレーニングアルゴリズムである。ここでは、入力データは動きベクトルを含み、出力データは癒着レベルを含む。

本開示での使用に適した機械学習アルゴリズムは、当業者には明らかであろう。適切な機械学習アルゴリズムの例としては、決定木アルゴリズム及び人工ニューラルネットワークなどがある。ロジスティック回帰、サポートベクターマシン、又はナイーブベイズモデルなどの他の機械学習アルゴリズムは、適切な代替案である。

人工ニューラルネットワーク（又は、単にニューラルネットワーク）の構造は、人間の脳から発想を得たものである。ニューラルネットワークは層で構成され、各層は複数のニューロンを含む。各ニューロンは数学操作を含む。特に、各ニューロンは、単一のタイプの変換の異なる重み付けの組み合わせ（例えば、シグモイドなどの同じタイプの変換であるが、異なる重み付けを有する）を含み得る。入力データの処理プロセスでは、各ニューロンの数学操作が入力データに対して行われて、数値出力が生成され、ニューラルネットワークの各層の出力は、次の層に順番に供給される。最終層が出力を提供する。

機械学習アルゴリズムのトレーニング方法はよく知られている。通常、このような方法は、トレーニング入力データエントリと対応するトレーニング出力データエントリとを含むトレーニングデータセットを取得することを含む。初期化された機械学習アルゴリズムが各入力データエントリに適用されて、予測された出力データエントリが生成される。予測された出力データエントリと対応するトレーニング出力データエントリとのエラーを使用して、機械学習アルゴリズムが修正される。このプロセスはエラーが収束するまで、即ち、予測された出力データエントリがトレーニング出力データエントリと十分に類似する（例えば±１％）まで繰り返される。これは一般に、教師付き学習技術として知られている。

例えば、機械学習アルゴリズムがニューラルネットワークから形成される場合、各ニューロンの数学操作（の重み付け）は、エラーが収束するまで修正され得る。ニューラルネットワークを修正する既知の方法には、勾配降下アルゴリズム、誤差逆伝搬アルゴリズムなどがある。

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ているいくつかのアイテムの機能を果たしてもよい。

図９は、リード（１０４）のセクションが血管（１０２）に癒着しているかどうかを決定するシステム９００の概略図である。システムは処理システム又はユニットである。システムは、スタンドアロン又は統合された様式でコンピュータ、コントローラ、又はワークステーションの形をとり、指定された目的を実行するための適切なハードウェア及びソフトウェアを備えている。統合された形では、システムは、Ｘ線イメージングシステム又はＣＴイメージングシステムなどのイメージングシステムの一部であるか、又は統合されている。このシステムには、本明細書に説明されている方法の１つ以上のステップを実行するために、本明細書に説明されている実施形態に従って、データプロセッサ、並びに適切なデータ入力及び出力が含まれている。データプロセッサは単一のプロセッサであってもよいが、複数の処理ユニットが複数のデバイスや場所に分散され、相互に通信できるように構成された分散プロセッサを使用することもできる。このような通信は、例えば、ワイヤレス又は有線の通信接続や、通信ネットワークを使用するかどうかにかかわらずデバイスを介して行われる。

システム９００は、入力インターフェース９１２、データプロセッサ９１４、及び出力インターフェース９１６を含み、メモリ９２６を含んでいてもよい。入力インターフェース９１２は、血管（１０２）に対応するデータを受信又は取得し、血管（１０２）にはリード（１０４）が内部にある。例えば、入力インターフェースは、内側にリードを有する血管の画像データ（上記のとおり）から構成される上記データを受信又は取得する画像データ入力インターフェースを含む。データの一例は、２ＤのＸ線画像データである。データの入力は、ハッシュ化された矢印９２２で示され、この入力はイメージングデバイスの画像データの出力部に接続される。

データプロセッサ９１４は、例えば、バス又は他の接続を介して入力インターフェース９１２及び出力インターフェース９１６と通信可能に結合されているため、受信したデータはデータプロセッサによって処理され、その後、処理されたデータ（例えば、癒着レベルを含む）が出力インターフェースを介して出力される。入力インターフェース及び出力インターフェースは、例えば、必要な説明したデータを表す又は含む電気信号又は光信号を受信でき、データプロセッサは、このような電気信号及び／又は光信号を処理して、受信データを操作するために本明細書に説明されているステップを実行して、結果データを提供できる。

データプロセッサ９１４は、例えば、本明細書に説明されているフローチャートを参照して、本明細書に説明されている方法又はステップを実行することによって入力データから癒着データを生成する。実施形態では、プロセッサは、血管（１０２）に対応するデータからリード（１０４）に対応する動きベクトル（２０２）を決定し、動きベクトル（２０２）を機械学習アルゴリズム（３０２）に入力する。次に、動きベクトル（２０２）と、リード（１０４）のセクションが血管（１０２）に癒着しているかどうかとの相関関係を学習するようにトレーニングされた機械学習アルゴリズムを使用するデータプロセッサは、リード（１０４）の１つ以上のセグメント（３０４、３０６、３０８）の癒着レベル（３１０）を出力できる。次に、この癒着レベルは出力インターフェース９１６に提供又は送出される。データプロセッサは更に、機械学習アルゴリズム（３０２）に、セグメント（３０４、３０６、３０８）と、それぞれの癒着レベル（３１０）とに基づいて癒着位置を出力させる。データプロセッサは、機械学習アルゴリズム（３０２）に、推奨視野角を出力させる。推奨視野角で撮影された血管（１０２）の画像が正確な動きベクトル（２０２）を提供する可能性がある。

いくつかの実施形態では、データプロセッサは、畳み込みニューラルネットワーク、多層パーセプトロン、サポートベクターマシン、決定木モデル、多変数回帰モデルのうちの１つ以上に基づいて機械学習アルゴリズム（３０２）を実行する。

いくつかの実施形態では、システム又はデータプロセッサは、血管（１０２）の画像上に重ね合わされた又はその画像と一緒に対応する動きベクトル（２０２）と共に、癒着レベル（３１０）を生成し、ユーザインターフェースに出力する。

いくつかの実施形態では、動きベクトル（２０２）は２Ｄの動きベクトルである。

いくつかの実施形態では、入力は、２つ以上の画像と、好ましくは、例えば、２Ｄ蛍光透視法及び／又は２Ｄ静脈撮影法を介して取得された２つ以上の２Ｄ画像とを含むか又はこれらで構成されるように、血管（１０２）に対応するデータを受信するためのものである。

いくつかの実施形態では、血管（１０２）に対応するデータも機械学習アルゴリズムに入力される。

出力インターフェース９１６は、そのようなデータを表すデータ又は信号を提供する。データは癒着レベル３１０を含み、信号又はデータは、例えば、癒着データを表示するためのディスプレイを含むものなどのユーザインターフェースによって受信されるのに適している。データ３１０及び他のデータの出力は、第１のハッシュ化された矢印９２０で示される。

フレーム９２４は、入力インターフェース９１２、データプロセッサ９１４、及び出力インターフェース１６を、例えば、ワークステーションやイメージングシステムなどの共通のハウジング内に統合されるやり方で提供するオプションを示している。オプションでは、入力インターフェース９１２、データプロセッサ９１４、及び出力インターフェース１６は、本明細書でこれまでに説明されたように個別の配置として提供される。

システムによって受信又は取得されたデータは、好ましくは、画像データの供給に関連する。入力インターフェース９１２は、画像データを入力するためのインターフェースを提供する。入力インターフェース９１２は、画像データソース、画像データ供給、データ入力、データ供給ユニット、データ入力ユニット、又はデータ供給モジュールとも呼ぶ。入力インターフェース９１２は、スタンドアロン様式のデータストレージ又はイメージングソースに接続することも、Ｘ線イメージング配置に接続することもできる。

入力インターフェース９１２は、データをデータプロセッサ９１４に提供する。「受信」という用語は、データをデータプロセッサ１４にフィードするシステムへのデータの（例えば、パッシブ）提供に関連する。或いは、「取得」という用語は、システムの（例えば、アクティブ）挙動に関連して使用することもできる。例えば、プロセッサは、入力インターフェース９１２に、ストレージ、又はイメージングシステム若しくはイメージングデバイスなどのソースからデータを受信させる。

いくつかの実施形態では、「プロセッサ」又は「データプロセッサ」は、画像データ処理に関連している。データプロセッサ９１４は、プロセッサ、プロセッサユニット、又はコンピューティングモジュールとも呼ぶ。

「出力インターフェース」は、データ処理の結果の提供に関連している。出力インターフェース９１６は、出力ユニット又は出力モジュールとも呼ぶ。

結果として、癒着データを提供することで、リードの除去手順の前又はその間の被検者内のリードの癒着状況に関する知識が向上する。したがって、例えば、治療の前後の状況を比較したり、治療中の状況をモニタリングしたりすることによって、介入評価を実施することも可能である。

プロセッサ９１４には、中央処理ユニット（ＣＰＵ）、デジタル信号プロセッサ（ＤＳＰ）、ＡＳＩＣ、コントローラ、ＦＰＧＡ、別のハードウェアデバイス、ファームウェアデバイス、又は本明細書に説明されている操作を実行するこれらの任意の組み合わせが含まれる。プロセッサ９１４は、例えば、ＤＳＰとマイクロプロセッサの組み合わせ、複数のマイクロプロセッサ、ＤＳＰコアと組み合わせた１つ以上のマイクロプロセッサ、又は任意の他のそのような構成など、コンピューティングデバイスの組み合わせとして実装することもできる。

メモリ９２６には、キャッシュメモリ（例えば、プロセッサ９１４のキャッシュメモリ）、ランダムアクセスメモリ（ＲＡＭ）、磁気抵抗ＲＡＭメモリ（ＭＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、プログラム可能読み取り専用メモリ（ＰＲＯＭ）、消去可能プログラム可能読み取り専用メモリ（ＥＰＲＯＭ）、電気的消去可能プログラム可能読み取り専用メモリ（ＥＥＰＲＯＭ）（登録商標）、フラッシュメモリ、ソリッドステートメモリデバイス、ハードディスクドライブ、他の形式の揮発性及び不揮発性メモリ、又は様々なタイプのメモリの組み合わせが含まれる。一実施形態にでは、メモリ９２６は、非一時的コンピュータ可読媒体を含む。メモリ及び／又は非一時的コンピュータ可読媒体には、命令が保存されている。例えば、メモリ９２６又は非一時的コンピュータ可読媒体は、プログラムコードが記録されている。プログラムコードは、システムにその機能を実行させる命令や、プロセッサにコンピュータが実施する様式で方法を実行させるために説明されている操作を実行させる命令を含む。例えば、プロセッサ回路９１４は、本明細書に説明されている方法の１つ以上の操作を実行できる。命令は、コード又はプログラムコードとも呼ぶ。「命令」及び「コード」という用語は、任意のタイプのコンピュータ可読命令文を含むように広く解釈されるべきである。例えば、「命令」及び「コード」という用語は、１つ以上のプログラム、ルーチン、サブルーチン、関数、プロシージャなどを指す。「命令」及び「コード」には、単一のコンピュータ可読命令文又は多くのコンピュータ可読命令文が含まれていてもよい。コードが記録されたメモリ９６４は、コンピュータプログラム製品と呼ばれることがある。

処理システム又はプロセッサは、単一のプロセッサ、又は、バス及びＬＡＮ又はＷＬＡＮなどのネットワーク接続を介して相互に通信する複数の別個のプロセッサで構成された分散プロセッサであってもよい。処理システムは、イメージング装置に接続可能な単一のデバイス又は装置の形をとることができる。例えば、このような単一のデバイスがワークステーションを構成していても、ワークステーションであってもよい。いくつかの実施形態で言及されているように、プロセッサ回路及び／又はイメージングシステムは、ＬＡＮ又はＷＬＡＮなどのデータ転送ネットワークを介して相互接続されているか、相互接続可能な分散要素を有するリモート分散の形を有している。

コンピュータプログラムは、他のハードウェアと一緒に又はその一部として供給される、光記憶媒体又は固体媒体などの任意の適切な媒体に格納／配布することができるが、インターネット又は他の有線若しくはワイヤレス通信システムを介してなど他の形式で配布することもできる。

図１０は、図９のシステムを含むイメージングシステム１０００の例を示している。システム１０００は、Ｘ線イメージングデバイス１００２を含む。例として、Ｘ線イメージングデバイス１００２は、天井に取り付けられた可動式Ｃアーム構造１００４で、Ｘ線源１００６とＸ線検出器１００８とがＣアームの端部に取り付けられている。例示のために、検査、介入、他の治療、又はイメージングの目的で、患者サポート１０１２によって支持されているオブジェクト１０１０（つまり、被検者）も示されている。システム１０００は更に、天井から可動式に吊り下げられているものとして示されているモニタ配置の形の表示デバイス装置１０１４を含む。また、システム１０００は、先行実施例例及び以下の実施例のいずれかに従って、リードのセクションが血管に癒着しているかどうかを決定するシステム１０１６も含む。更に、例示のために、モニタ１０１８や、マウス、キーボード、制御パネル、及びタッチパッドなどの他のユーザインターフェース機器を有する制御コンソールが右側に示されている。このために、システム９００には、適切な入力デバイス及び通信デバイス、並びにそのような機能を提供するための対応するソフトウェアを含めることができる。デバイス１０１６は、制御コンソールに統合されてもよい。線１０２０は、Ｘ線イメージングデバイス１００２とデバイス１０１６とのデータ接続（有線又はワイヤレス）を示す。この接続により、例えば、イメージングシステム又はそのストレージデバイスから図９のシステムへのデータの通信が可能になる。Ｘ線イメージングデバイス１００２は、リードが設置されている場所など、被検体の身体の関心領域のＸ線画像を提供する。表示デバイス１０１４は、大血管に関連する時間濃度曲線及び微小血管に関連する時間濃度曲線を表示する。このイメージングシステムは、当技術分野において知られており、販売のために市場に出ており、更なる詳細については説明しない。

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単なる事実は、これらの手段の組み合わせを有利に使用することができないことを意味するものではない。

「～するように適応されている」という用語が、特許請求の範囲又は説明で使用されている場合、「～するように適応されている」という用語は「～するように構成されている」という用語と同等であることを意図していることに留意されたい。

特許請求の範囲における任意の参照符号は、範囲を限定するものと解釈されるべきではない。

開示された実施形態の変形例は、図面、開示、及び添付の特許請求の範囲の検討から、本開示を実施する際に当業者によって理解され、実行され得る。特許請求の範囲において、語「含む」は、他の要素又はステップを排除するものではなく、単数形の要素は複数を排除するものではない。

Claims (15)

1. リードのセクションが血管に癒着しているかどうかを決定する方法であって、前記方法は、
   前記血管に対応するデータを受信又は取得するステップであって、前記血管は内側にリードがあり、前記血管に対応する前記データは、任意選択で２つ以上の異なる角度からの２つ以上の２Ｄ画像を含む、受信又は取得するステップと、
   前記血管に対応する前記データから前記リードに対応する動きベクトルを決定するステップと、
   前記動きベクトルを機械学習アルゴリズムに入力するステップであって、
   前記機械学習アルゴリズムは、前記動きベクトルと、リードのセクションが血管に癒着しているかどうかとの相関関係を学習するようにトレーニングされており、
   前記機械学習アルゴリズムは、入力された前記動きベクトルに基づいて、前記リードのセグメントの癒着レベルを出力するように構成されている、入力するステップと、
   任意選択で、ユーザに前記癒着レベルを提供するステップと、
   を含む、方法。
2. 前記動きベクトルは、２Ｄ動きベクトルである、請求項１に記載の方法。
3. 前記血管に対応する前記データは、２Ｄ蛍光透視法、２Ｄ静脈造影法、及び／又は２Ｄ超音波法などを介して取得された２つ以上の２Ｄ画像を含むか又は当該２Ｄ画像で構成されている、請求項１又は２に記載の方法。
4. 前記機械学習アルゴリズムは更に、前記セグメント、及び前記セグメントのそれぞれの癒着レベルに基づいて、癒着の位置を出力する、請求項１から３のいずれか一項に記載の方法。
5. 前記機械学習アルゴリズムへの更なる入力は、前記血管に対応する前記データである、請求項１から４のいずれか一項に記載の方法。
6. 前記機械学習アルゴリズムは更に、推奨視野角を出力し、前記推奨視野角で撮影された前記血管の画像は、正確な動きベクトルを提供する可能性がある、請求項１から５のいずれか一項に記載の方法。
7. 前記機械学習アルゴリズムは、
   畳み込みニューラルネットワーク、
   多層パーセプトロン、
   サポートベクターマシン、
   決定木モデル、
   多変数回帰モデル、又は
   これらの組み合わせ、
   に基づいている、請求項１から６のいずれか一項に記載の方法。
8. 前記血管の画像上に対応する動きベクトルと共に前記癒着レベルを表示するステップを更に含む、請求項１から７のいずれか一項に記載の方法。
9. 前記癒着レベルは、バイナリ分類又は癒着範囲に基づいている、請求項１から７のいずれか一項に記載の方法。
10. コンピュータプログラムコード手段を含むコンピュータプログラムであって、前記コンピュータプログラムコード手段は、処理システムを有するコンピューティングデバイス上で実行されると、前記処理システムに、請求項１から９のいずれか一項に記載の方法の全てのステップを実行させる、コンピュータプログラム。
11. リードのセクションが血管に癒着しているかどうかを決定するシステムであって、前記システムは、
    前記血管に対応するデータを受信又は取得する入力インターフェースであって、前記血管は内側にリードがあり、前記血管に対応する前記データは、任意選択で２つ以上の異なる角度からの２つ以上の２Ｄ画像を含む、入力インターフェースと、
    プロセッサであって、
    前記血管に対応する前記データから前記リードに対応する動きベクトルを決定することと、
    前記動きベクトルを機械学習アルゴリズムに入力することであって、
    前記機械学習アルゴリズムは、前記動きベクトルと、リードのセクションが血管に癒着しているかどうかとの相関関係を学習するようにトレーニングされており、
    前記機械学習アルゴリズムは、前記リードのセグメントの癒着レベルを出力するように構成されている、入力することとを実行する、プロセッサと、
    ユーザインターフェースに前記癒着レベルを提供する出力インターフェースと、
    任意選択で、ユーザに前記癒着レベルを提供する出力インターフェースと、
    を含む、システム。
12. ２つ以上の異なる角度から前記血管の前記２つ以上の２Ｄ画像を取得し、前記２つ以上の２Ｄ画像を表すデータを前記入力インターフェースに送出するイメージングデバイスを更に含む、請求項１１に記載のシステム。
13. 前記イメージングデバイスは、２Ｄ蛍光透視画像、２Ｄ静脈造影画像、及び／又は２Ｄ超音波画像などを取得するために、２Ｄ画像を取得する２Ｄイメージングデバイスである、請求項１２に記載のシステム。
14. 前記ユーザインターフェースは更に、前記血管の前記２つ以上の２Ｄ画像、前記動きベクトル、及び対応する前記癒着レベルを表示するディスプレイを含む、請求項１２又は１３に記載のシステム。
15. 血管内のリードに対応する動きベクトルと、前記リードのセクションが前記血管に癒着しているかどうかとの相関関係を学習するために機械学習アルゴリズムをトレーニングする方法であって、
    内側にリードがある血管に対応する第１のデータセットを取得するステップと、
    前記血管に対応する前記第１のデータセットのグラウンドトゥルースを決定するステップであって、前記グラウンドトゥルースは、前記リードが前記血管に癒着しているかどうか及び前記癒着の場所を定義する、決定するステップと、
    内側にリードがある前記血管に対応する第２のデータセットを取得するステップであって、前記第２のデータセットは、前記血管内の前記第１のデータセットと同じ解剖学的場所で取得され、前記第２のデータセットは、任意選択で２つ以上の異なる角度からの２つ以上の２Ｄ画像を含む、取得するステップと、
    前記血管に対応する前記第２のデータセットから前記リードに対応する動きベクトルを決定するステップと、
    前記動きベクトルを前記機械学習アルゴリズムに入力するステップであって、前記機械学習アルゴリズムは、前記リードのセグメントの癒着レベルを出力するように構成されている、入力するステップと、
    前記機械学習アルゴリズムによって出力された前記癒着レベルと、対応するグラウンドトゥルースとを比較し、前記癒着レベルと前記グラウンドトゥルースとの前記比較に基づいて誤差を決定するステップと、
    前記誤差に基づいて前記機械学習アルゴリズムのパラメータを適応させるステップと、
    を含む、方法。

Images