JP7077319B2 - 解剖学的モデルパラメータの機械学習 - Google Patents

Description

関連出願
本願は、２０１６年１２月２３日に出願された米国仮特許出願第６２／４３８，５０９号の優先権を主張し、その全開示は参照により全体が本明細書に組み込まれる。

発明の分野
本開示の種々の実施形態は、一般に医用イメージング及び関連方法に関する。特に、本明細書の特定の実施形態は、生の医療取得情報から解剖学的構造を決定するシステム及び方法に関する。

医用イメージングは、患者の健康を評価するための強力な臨床ツールである。生の取得装置（例えば、コンピュータ断層撮影（ＣＴ）、陽電子放出断層撮影（ＰＥＴ）、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）、血管造影、磁気共鳴画像法（ＭＲＩ）、超音波など）は、患者を透過するエネルギ及び粒子ならびに患者から発生するエネルギ及び粒子の伝達及び収集を利用して相当量のデータを収集することができる（例えば、Ｘ線、陽電子、光子、超音波、磁場、造影剤などの形態で）。取得したデータは、画像に再構成されることが多い。再構成した画像は、医師が視覚的に及び／または画像解析ソフトウェアを使用して解釈し、患者の解剖学的構造または生理機能を評価することができる。

しかし、画像再構成中に情報損失が発生することがある。例えば、生の取得データを一組の離散的画素強度値に変換する際にかなりの情報損失が生じることがある。この情報損失を考慮するため、複数の異なる画像再構成がしばしば用いられ、医師が患者の正確な評価を行う支援をなす（例えば、心臓のコンピュータ断層撮影血管造影法（ＣＴＡ）画像でのカルシウム及び低密度プラークをそれぞれ評価するためのシャープ及びソフトな再構成カーネルの使用）。不都合なことに、いずれの画像再構成も、生の取得情報を１組の画像に変換する際に情報損失が含まれることがある。このような情報損失により、患者の健康、または、患者の解剖学的構造及び生理機能に対する評価が最適なものとはならないことがある。したがって、生の取得データを画像に変換することに起因して情報を損失することなく、患者の解剖学的構造及び生理機能を評価することが必要とされている。

患者からの生の医療取得データの機械学習から患者の解剖学的構造を決定するシステム及び方法を開示する。開示されるシステム及び方法は、画像再構成に対する生のデータ取得を使用して患者の解剖学的構造及び生理機能を評価する方法を提供する。本開示のシステム及び方法は、患者の解剖学的構造及び生理機能を評価する画像再構成の分析を越える精度及び処理速度における利点を提供する。１つのこのような実施形態は、患者の解剖学的構造及び生理機能の測定値またはパラメータを予測する機械学習を採用する。１つの実施形態では、開示される機械学習システム及び方法は、２つの段階を含んでもよく、つまり、第１に、機械学習システムを生の取得データから解剖学的パラメータを予測するようにトレーニングするトレーニング段階、及び、第２に、患者に関連する医療取得情報から生の測定データのみを使用して、特定患者に対して予測した解剖学的パラメータを機械学習システムを使用して生成する適用段階である。類似の機械学習システムを、例えば、生理的パラメータ、機械的パラメータ、動的パラメータなどの解剖学的パラメータに加え、種々のパラメータに対してトレーニングし、応用してもよい。このような実施形態は、図２Ａ及び２Ｂにより詳細に示してある。

１つの実施形態によると、患者の生の医療取得データから解剖学的構造を決定するための方法が開示される。方法は、１人以上の個人の身体を透過するエネルギ及び粒子ならびにそこから発生するエネルギ及び粒子の伝達及び収集から生の医療取得データを取得すること、１人以上の個人のそれぞれの解剖学的組織に関連するパラメータ化されたモデルを取得すること、パラメータ化されたモデルの１つまたは複数のパラメータを決定することを包含し、これらのパラメータは生の医療取得データに関連し、更に、生の医療取得データに基づいて、パラメータ化されたモデルの決定したパラメータのそれぞれについて１つまたは複数の値を予測するために機械学習システムをトレーニングすること、選択した患者について医療取得情報を取得すること、及び、トレーニングした機械学習システムを使用して患者の患者特有のパラメータ化されたモデルについてパラメータ値を決定することを包含する。

他の実施形態によると、生の医療取得情報から解剖学的構造を決定するためのシステムを開示する。このシステムは、生の医療取得データから解剖学的構造を決定するための命令を記憶するデータ記憶装置と、１人以上の個人の身体を透過するエネルギ及び粒子ならびにそこから発生するエネルギ及び粒子の伝達及び収集から生の医療取得データを取得し、１人以上の個人のそれぞれの解剖学的組織に関連するパラメータ化されたモデルを取得し、パラメータ化されたモデルの１つまたは複数のパラメータを決定するステップを包含し、これらのパラメータは生の医療取得データに関連し、更に、生の医療取得データに基づいて、パラメータ化されたモデルの決定したパラメータのそれぞれについて１つまたは複数の値を予測するために機械学習システムをトレーニングし、選択した患者について医療取得情報を取得し、及び、トレーニングした機械学習システムを使用して患者の患者特有のパラメータ化されたモデルについてパラメータ値を決定するステップを包含する方法を実行する命令を実行するように構成されるプロセッサとを包含する。

更に他の実施形態によると、生の医療取得データから解剖学的構造を決定する方法に対するコンピュータ実行可能なプログラム命令を包含するコンピュータシステムに使用する非一時的コンピュータ可読媒体が提供される。この方法は、１人以上の個人の身体を透過するエネルギ及び粒子ならびにそこから発生するエネルギ及び粒子の伝達及び収集から生の医療取得データを取得すること、１人以上の個人のそれぞれの解剖学的組織に関連するパラメータ化されたモデルを取得すること、パラメータ化されたモデルの１つまたは複数のパラメータを決定することを包含し、これらのパラメータは生の医療取得データに関連し、更に、生の医療取得データに基づいて、パラメータ化されたモデルの決定したパラメータのそれぞれについて１つまたは複数の値を予測するために機械学習システムをトレーニングすること、選択した患者について医療取得情報を取得すること、及び、トレーニングした機械学習システムを使用して患者の患者特有のパラメータ化されたモデルについてパラメータ値を決定することを包含する。

開示した実施形態の追加の目的及び利点は、一部は以下の説明に明記されており、一部は説明から明らかとなり、または、開示した実施形態の実施によって習得され得る。開示した実施形態の目的及び利点は、添付の特許請求の範囲に特に指摘している要素及び組合わせによって実現され、達成される。

上述の概略的な説明及び以下の詳細な説明は共に、例示であり、単に説明をしているものであり、請求されているように、開示の実施形態を限定するものではないことを理解すべきである。
本明細書は、例えば、以下の項目も提供する。
（項目１）
生の取得データから解剖学的構造を決定する方法であって、
１人以上の個人の身体を透過するエネルギ及び粒子ならびにそこから発生するエネルギ及び粒子の伝達及び収集から生の医療取得データを取得すること、
前記１人以上の個人のそれぞれの解剖学的組織に関連するパラメータ化されたモデルを取得すること、
前記パラメータ化されたモデルの１つまたは複数のパラメータを決定することであって、前記パラメータは前記生の医療取得データに関連する、前記決定すること、
前記生の医療取得データに基づいて、前記パラメータ化されたモデルの前記決定したパラメータのそれぞれについて１つまたは複数の値を予測するために機械学習システムをトレーニングすること、
選択した患者について医療取得情報を取得すること、及び、
前記トレーニングした機械学習システムを使用して前記患者の患者特有のパラメータ化されたモデルについてパラメータ値を決定すること、を備える、前記方法。
（項目２）
前記決定したパラメータ値は、血管中心線、解剖学的ポイント、解剖学的表面ポイントもしくは境界、または、その組合わせを含む解剖学的特徴の測定値を含み、
前記パラメータ化されたモデルは、血管モデル、疾患モデル、灌流モデル、運動モデル、血流モデルまたはその組合わせを含む、項目１に記載の方法。
（項目３）
前記選択した患者に対する前記医療取得情報に基づく画像再構成を生成し、
前記決定したパラメータ値に基づく前記画像再構成を検証することを更に備える、項目１に記載の方法。
（項目４）
前記生の医療取得データと前記パラメータ化されたモデルのパラメータとの間の関連を決定し、
前記決定した関連に基づいて、前記パラメータ化したモデルのそれぞれについて前記１つまたは複数の値を予測することを更に備える、項目１に記載の方法。
（項目５）
前記生の医療取得データに関連する取得パラメータのセットを決定すること、及び
前記機械学習システムを前記取得パラメータのセットに基づいてトレーニングすること、を更に備える、項目１に記載の方法。
（項目６）
前記機械学習システムに関連するデータ取得様式を決定すること、及び
前記機械学習システムに関連する前記データ取得様式に基づいて前記選択した患者に対する前記生の医療取得データを取得すること、を更に備える、項目１に記載の方法。
（項目７）
前記医療取得情報は、前記選択された患者以外の１人以上の個人から取得されたサイノグラムまたはｋ空間データ、前記選択された患者から取得されたデータ、または、シミュレートされたデータを含む、項目１に記載の方法。
（項目８）
前記患者特有のパラメータ化されたモデルに基づく表示を生成すること、を更に備える、項目１に記載の方法。
（項目９）
生の取得データから解剖学的構造を決定するシステムであって、前記システムが、
生の医療取得データから解剖学的構造を決定する命令を記憶するデータ記憶装置、及び
前記命令を実行するように構成されるプロセッサであって、
１人以上の個人の身体を透過するエネルギ及び粒子ならびにそこから発生するエネルギ及び粒子の伝達及び収集から生の医療取得データを取得すること、
前記１人以上の個人のそれぞれの解剖学的組織に関連するパラメータ化されたモデルを取得すること、
前記パラメータ化されたモデルの１つまたは複数のパラメータを決定することであって、前記パラメータは前記生の医療取得データに関連する、前記決定すること、
前記生の医療取得データに基づいて、前記パラメータ化されたモデルの前記決定したパラメータのそれぞれについて１つまたは複数の値を予測するために機械学習システムをトレーニングすること、
選択した患者について医療取得情報を取得すること、及び、
前記トレーニングした機械学習システムを使用して前記患者の患者特有のパラメータ化されたモデルについてパラメータ値を決定すること、を包含する方法を実行する前記命令を実行するように構成される、前記プロセッサを備える、前記システム。
（項目１０）
前記決定したパラメータ値は、血管中心線、解剖学的ポイント、解剖学的表面ポイントもしくは境界、または、その組合わせを含む解剖学的特徴の測定値を含み、
前記パラメータ化されたモデルは、血管モデル、疾患モデル、灌流モデル、運動モデル、血流モデルまたはその組合わせを含む、項目９に記載のシステム。
（項目１１）
前記少なくとも１つのコンピュータシステムは、
前記選択した患者に対する前記医療取得情報に基づく画像再構成を生成し、
前記決定したパラメータ値に基づく前記画像再構成を検証するように更に構成される、項目９に記載のシステム。
（項目１２）
前記少なくとも１つのコンピュータシステムは、
前記生の医療取得データと前記パラメータ化されたモデルのパラメータとの間の関連を決定し、
前記決定した関連に基づいて、前記パラメータ化したモデルパラメータのそれぞれについて前記１つまたは複数の値を予測するように更に構成される、項目１０に記載のシステム。
（項目１３）
前記少なくとも１つのコンピュータシステムは、
前記生の医療取得データに関連する取得パラメータのセットを決定し、
前記取得パラメータのセットに基づいて前記機械学習システムをトレーニングするように更に構成される、項目９に記載のシステム。
（項目１４）
前記少なくとも１つのコンピュータシステムは、
前記機械学習システムに関連するデータ取得様式を決定し、
前記機械学習システムに関連する前記データ取得様式に基づいて前記選択した患者に対する前記生の医療取得データを取得するように更に構成される、項目９に記載のシステム。
（項目１５）
前記医療取得情報は、前記選択された患者以外の１人以上の個人から取得されたサイノグラムまたはｋ空間データ、前記選択された患者から取得されたデータ、または、シミュレートされたデータを含む、項目９に記載のシステム。
（項目１６）
前記少なくとも１つのコンピュータシステムは、
前記患者特有のパラメータ化されたモデルに基づく表示を生成するように更に構成される、項目９に記載のシステム。
（項目１７）
生の医療取得データから解剖学的構造を決定する方法を実行するためのコンピュータ実行可能プログラミング命令を含む、コンピュータシステムで使用するための非一時的コンピュータ可読媒体であって、前記方法は、
１人以上の個人の身体を透過するエネルギ及び粒子ならびにそこから発生するエネルギ及び粒子の伝達及び収集から生の医療取得データを取得すること、
前記１人以上の個人のそれぞれの解剖学的組織に関連するパラメータ化されたモデルを取得すること、
前記パラメータ化されたモデルの１つまたは複数のパラメータを決定することであって、前記パラメータは前記生の医療取得データに関連する、前記決定すること、
前記生の医療取得データに基づいて、前記パラメータ化されたモデルの前記決定したパラメータのそれぞれについて１つまたは複数の値を予測するために機械学習システムをトレーニングすること、
選択した患者について医療取得情報を取得すること、及び、
前記トレーニングした機械学習システムを使用して前記患者の患者特有のパラメータ化されたモデルについてパラメータ値を決定すること、を備える、前記方法。
（項目１８）
前記決定したパラメータ値は、血管中心線、解剖学的ポイント、解剖学的表面ポイントもしくは境界、または、その組合わせを含む解剖学的特徴の測定値を含み、
前記パラメータ化されたモデルは、血管モデル、疾患モデル、灌流モデル、運動モデル、血流モデルまたはその組合わせを含む、項目１７に記載の非一時的コンピュータ可読媒体。
（項目１９）
前記方法は、
前記選択した患者に対する前記医療取得情報に基づく画像再構成を生成し、
前記決定したパラメータ値に基づく前記画像再構成を検証するように更に構成される、項目１７に記載の非一時的コンピュータ可読媒体。
（項目２０）
前記方法は、
前記生の医療取得データと前記パラメータ化されたモデルのパラメータとの間の関連を決定し、
前記決定した関連に基づいて、前記パラメータ化したモデルパラメータのそれぞれについて前記１つまたは複数の値を予測することを更に備える、項目１７に記載の非一時的コンピュータ可読媒体。

添付の図面は、この明細書の一部に組み込まれ、これを構成し、種々の例示的な実施形態を示しており、この説明と併せて、開示した実施形態の原理を説明する役目を果たしている。

本開示の例示的な実施形態による、医療取得情報から解剖学的構造を決定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、生の医療取得データから解剖学的構造を決定するためのトレーニング段階及び適用段階の例示的な概要のブロック図である。 本開示の例示的な実施形態による、生の医療取得データから解剖学的構造を決定するために機械学習システムをトレーニングする例示的な方法である。

次に、本開示の例示的な実施形態を詳細に参照し、その例を添付図面に示す。可能な限り、図面中では同じ参照番号を使用して同一または類似の部分を指す。本明細書で使用する用語「例示的な」は、「理想的」ではなく「例」の意味に使用している。

上述のように、医療取得情報または画像からの生の患者データは、再構成され、医師または画像分析ソフトウェアによる分析もしくは解釈を容易とすることができる。しかし、情報は、生のデータから画像再構成を生成するプロセスで喪失することがある。本開示は、再構成された画像ではなく、生の取得データを使用して患者の解剖学的構造及び／または生理機能を評価するシステム及び方法を開示する。換言すると、本開示のシステム及び方法は、生のデータから中間段階の画像を生成することなく、患者の解剖学的構造及び／または生理機能を評価することを可能とすることができる。この方法では、患者の解剖学的構造及び／または生理機能の評価は、情報損失を受けた取得データを含む再構成画像に基づいて評価するのではなく、取得した生のデータの全能力を活用することができる。上述のように、１つの例示的なシステム及び方法は、トレーニング段階と適用段階（「生産段階」と称することもある）とを含んでもよい。トレーニング段階中、機械学習システムは、患者特有モデルパラメータ値を予測するようにトレーニングしてもよい。適用段階中、トレーニングされたモデルを使用し、患者取得情報から患者特有モデルパラメータ値（複数可）を決定してもよい。

トレーニング段階は、多くの方法で実行してもよい。１つの一般的な形態では、トレーニング段階は、生の取得データ（例えば、Ｔ１強調磁気共鳴（ＭＲ）取得情報からのｋ空間データ）のケースを受け取ること、及び、生の取得データに関する期待出力値（例えば、個人の海馬の予想されるサイズまたは幾何学的形状）を受け取ることを含んでもよい。トレーニング段階は、機械学習システムをトレーニングし、入力（例えば、生の取得データ）と、出力（例えば、海馬のサイズ／幾何学的形状を記述するパラメータ値）との関係を学習してもよい。学習関数「Ｈ」は、次のように記述してもよい。

期待される出力値＝Ｈ（生の取得データ）

トレーニング段階は更に、機械学習システムに加えて要素を使用してもよい。これらの追加要素は、機械学習システムのトレーニングを簡略化または容易化することができる。例えば、１つのケースでは、入力は、ここでもまた、生の取得データに関する期待出力値（例えば、個人の海馬の期待されるサイズまたは幾何学的形状）を受け取ることを含んでもよい。しかし、機械学習システムのトレーニングは、生の取得データと再構成された画像との間の関係についての知識を含む画像分析方法で支援してもよい。画像分析方法は、再構成された画像が（生の取得データから）入力されたときに、期待出力値（例えば、海馬のサイズ／幾何学的形状を記述するパラメータ値）を提供してもよい。本実施形態における入力は、再構成された画像ではなく、生の取得データを含むため、本実施形態は、生の取得データから再構成された画像をシミュレートすることを含んでもよい。機械学習システムは、この後、シミュレートされた再構成画像と出力（例えば、海馬のサイズ／幾何学的形状を記述するパラメータ値）との間の関係を見つけるようにトレーニングしてもよい。この方法では、機械学習システムは生の取得データと、解剖学的構造との間の直接の関係（例えば、期待される出力値＝Ｈ（生の取得データ））を学習する必要があるのではなく、機械学習システムはシミュレートされた再構成画像と生の取得データとの間の関係を見つけることができ、これは、再構成された画像と解剖学的構造との間の関係が画像分析方法によって提供され得るためである。換言すると、いったん、機械学習システムがシミュレートされた再構成画像と生の取得データとの間の関係を理解すると、出力（例えば、海馬のサイズ／幾何学的形状を記述するパラメータ値）は画像分析方法によって提供することができる。例えば、画像分析方法は、方法（「関数Ｓ」）と称してもよく、再構成方法（「関数Ｒ」）を見つけ、生の取得データから再構成された画像を生成し、これらが期待出力を提供することができるということは、次のように記述し得る。

期待出力値＝Ｓ（Ｒ（生の取得データ））

この実施形態は、関数Ｈが関数Ｓ及びＲに分割される、例えば、次のように記述し得る第１の一般的な実施形態を容易化することができる。

Ｈ（生の取得データ）＝Ｓ（Ｒ（生の取得データ））

更に、機械学習システムは、関数Ｓが画像分析方法として提供し得るため、関数Ｒの学習に集中することができる。１つの実施形態では、シミュレートされた再構成画像に使用される再構成方法Ｒは、画像分析方法の期待される出力により決まってもよく、これは、再構成される画像と期待されるパラメータ値との間の関係を提供することができる。例えば、複数の再構成方法は、生の取得データのセット向けに可能なことがある。機械学習システムのトレーニングに使用するシミュレートされた再構成は、画像解析方法によって与えられる期待される出力を最も厳密に提供する生の取得データのシミュレートされた再構成から選択することができる。例えば、機械学習システムトレーニング用のシミュレートされた再構成画像を生成することは、シミュレートされた再構成に関連する期待出力が画像解析方法の期待出力と一致するまで、または、シミュレートされた再構成に関連する期待される出力が画像分析方法の期待される出力と一致するためにそれ以上の改善が行われなくなるまで、生の取得データを繰り返し再構成することを含むことができる。それ以上の改善が行われないことは、複数にわたる繰返しの後、複数の再構成が、画像分析方法の期待される出力にほとんど一致するのと同等の期待される出力を生成することを意味する。再構成のそれぞれは、その後、機械学習システムのトレーニングのシミュレートされた再構成としての使用に相当するものとすることができる。

代替的にまたは追加して、生の医療取得データから患者の解剖学的構造を決定することは、先の情報、例えばデータ取得の情報を含んでもよい。このプロセスは、機械学習無しで、または、最小の機械学習で実行してもよい。例えば、入力は、ここでもまた、生の取得データに関する期待出力値（例えば、個人の海馬の期待されるサイズまたは幾何学的形状）を受け取ることを含んでもよい。更に、入力は、モデルパラメータと取得データとの間の関係を含む、どのように取得が作用するかについての知識を含んでもよい。例えば、システムは、サイズｘの海馬が、個人または患者に関する解剖学的データからではなく、単に、どのように取得が作用するかについての知識により、ｋ空間測定値のｙに対応し得ることを理解してもよい。

個人または患者に関する先の解剖学的データを必ずしも必要としないプロセスにおける適用段階について、１つの方法は、一般的なパラメトリックモデルの変更形態に対応するシミュレートされた取得情報が患者の生の取得データに対応（または、一致）するまで、一般的なパラメトリックモデル値を繰り返し変更することを包含し得る。例えば、この方法は、平均的な個人のモデルパラメータ、または患者に関するいくつかの入力（例えば、患者の体重）に基づくモデルパラメータから出発することにより、生の医療取得データから患者の解剖学的構造を決定するプロセスを開始することを含んでもよい。モデルパラメータが与えられると、取得データは、どのように取得が作用するについての先の知識からシミュレートし得る。モデルパラメータ値は、シミュレートされた取得データが患者の実際の測定値に可能な限り一致するまで（例えば、一致にそれ以上の改善がなされなくなるまで）、繰り返し変更することができる。このケースでは、この方法は、個人または患者から解剖学的データ／期待される出力を事前に受け取ることを包含しなくてもよい。むしろ、この方法は、生の取得とモデルパラメータ値との間の関係に焦点を当ててもよい。

次に図を参照すると、図１Ａは医療取得情報から解剖学的構造を決定する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。具体的には、図１Ａは、複数の医師１０２と、サードパーティプロバイダ１０４とを示しており、そのうちいずれの医師及びサードパーティプロバイダも、１つまたは複数のコンピュータ、サーバ及び／またはハンドヘルドモバイルデバイスなどを通して、例えばインターネットなどの電子ネットワーク１００に接続してよい。医師１０２及び／またはサードパーティプロバイダ１０４は、１人以上の患者の心臓及び／または脈管系の画像を生成あるいはそうでなければ取得してもよい。医師１０２及び／またはサードパーティプロバイダ１０４は更に、年齢、病歴、血圧、血液粘度などの患者特有の情報の任意の組合わせを取得してもよい。医師１０２及び／またはサードパーティプロバイダ１０４は、電子ネットワーク１００を介して、心臓／脈管系の画像及び／または患者特有の情報をサーバシステム１０６に送信してもよい。サーバシステム１０６は、医師１０２及び／またはサードパーティプロバイダ１０４から受け取った画像及びデータを記憶するための記憶装置を含んでもよい。サーバシステム１０６は更に、記憶装置に記憶された画像及びデータを処理するための処理装置も含んでよい。代替的にまたは追加して、本開示（または、本開示のシステム及び方法の一部）は、外部のサーバまたはネットワークがなくても、ローカル処理装置（例えば、ラップトップ）上で実行することができる。

図１Ｂは、本開示の例示的な実施形態による、生の医療取得データから解剖学的構造を決定するための例示的なトレーニング段階１１１及び例示的な適用段階１２１の概要１１０の略図である。１つの実施形態では、トレーニング段階１１１は、モデルパラメータと取得情報からの生のデータとの間の関連付けを生成することを包含し得る（ステップ１１７）。例示的なモデルパラメータは、血管中心線、プラーク位置座標または組成、造影剤濃度レベル、解剖学的ポイントの運動座標、特定の解剖学的場所における血流などを含んでもよい。適用段階１２１はこの後、関連付けを使用して所定の患者に関する医療データを決定してもよい。例えば、適用段階１２１の１つの実施形態は、患者に関連する生のデータが供給されたときに、所定の患者に対するモデルパラメータ値を決定するために関連付けを使用することを含んでもよい。１つの実施形態では、所定の患者に対するモデルパラメータ値は、患者の解剖学的構造の説明または表現を含んでもよい。例えば、モデルパラメータ値は、解剖学的構造の境界、異なる解剖学的構造間の境界、または、その組合わせを説明するラベル付き表面の集合を含んでもよい。代替的にまたは追加して、適用段階１２１の１つの実施形態は、関連付けを使用して、それぞれの格子点に解剖学的ラベルを設けた個別格子を有する患者の解剖学的構造の表現を決定してもよい。

１つの実施形態では、トレーニング段階１１１は、画像データ（例えばトレーニング取得データ１１３）、及び、パラメータ化モデル（例えば、解剖学的モデル１１５）を受け取ることを含んでもよい。トレーニング取得データ１１３は、任意の既知の医療画像様式（例えば、ＣＴ、ＭＲ、ＳＰＥＣＴなど）からの生のデータを含んでもよい。トレーニング取得データ１１３は更に、グラフィック表示（例えば、ＣＴシステムのサイノグラム、超音波装置の受信機のエコー測定値または受信機のドップラー測定値、心臓偏向波映像からの電場測定値、ウェアラブルセンサの測定値など）を包含し得る任意の医療取得情報を含んでもよい。１つの実施形態では、パラメータ化された解剖学的モデル１１５は、人の解剖学的構造の２Ｄ、３Ｄまたは他の幾何学的モデルを含んでもよい。代替的にまたは追加して、パラメータ化された解剖学的モデル１１５は、図２Ａに詳細に記載したように、生理機能、組成、反応、動態などのパラメータ化されたモデルを含んでもよい。換言すると、トレーニング取得データ１１３は、パラメータ化されたモデル１１５の解剖学的構造、機能または特性に関する臨床または医療データ（例えば、画像データ）を含んでもよい。トレーニング取得データ１１３は更に、パラメータ化された解剖学的モデル１１５により表される解剖学的構造／生理機能／特性と対にしてもよい。

１つの実施形態では、トレーニング取得データ１１３及びパラメータ化した解剖学的モデル１１５は、適用段階において患者特有モデルパラメータ値を決定すべき同じ患者から取得してもよい。例えば、１人の患者は、その患者の画像／取得データでトレーニングした機械学習システムを有してもよい。その機械学習システムは、患者に対する患者特有モデルパラメータ値を生成してもよい。代替的にまたは追加して、トレーニング取得データ１１３及びパラメータ化した解剖学的モデル１１５は、患者以外の少なくとも１人の個人から取得してもよい。データは、複数の個人、文献、計算、シミュレーションなどから収集してもよい。このようなケースでは、患者以外の複数の個人のデータでトレーニングした機械学習システムは更に、適用段階で患者画像データに適用して患者特有モデルパラメータ値を予測してもよい。他の実施形態は、患者データ及び個人データの双方を使用して機械学習システムをトレーニングすることを含む。例えば、適用段階の後、適用段階の患者画像データをトレーニング段階への入力として使用し、機械学習システムのトレーニングを補足してもよい。その機械学習システムは、その後、他の患者、または、異なる時点における同じ患者に対する患者特有モデルパラメータを予測するために適用してもよい。

１つの実施形態では、受け取ったトレーニング取得データ１１３（例えば、画像データ）と、パラメータ化された解剖学的モデル１１５により表される解剖学的構造、生理機能及び／または特性との間で、関連付け１１７を生成してもよい。例えば、エコー測定を含むデータ取得は、血流の速度を含むパラメータについての情報を提供することができる。他の実施例として、ＣＴシステムのサイノグラムを含むデータ取得は、解剖学的構造の一部の幾何学的パラメータ、または、解剖学的構造に関する幾何学的パラメータの存在（例えば、プラーク）の存在についての情報を提供してもよい。１つの実施形態では、機械学習システム１１９は、将来的なモデルパラメータ（複数可）を予測するために関連付け１１７を記憶してもよい。

機械学習システム１１９は、例示的な適用段階１２１に対する入力として使用してもよく、ここで患者特有のパラメータ値を決定してもよい。１つの実施形態では、適用段階１２１は対象の患者の医療取得情報１２３を取得することを含んでもよい。１つの実施形態は更に、医療取得情報１２３に関連する画像取得情報１２５（例えば、画像取得パラメータ）を取得することを含んでもよい。例えば、画像データを含む医療取得情報１２３は、画像取得パラメータ１２５に関連してもよい。画像取得パラメータは、医療取得情報１２３の生成中に種々の画像セッティングまたは患者の生理学的状態（複数可）を記載してもよい。

機械学習システム１１９は、受け取った医療取得情報１２３（及び、取得情報またはパラメータ（複数可）１２５）に適用し、患者パラメータ値１２７を決定してもよい。１つの実施形態では、患者パラメータ値１２７は、モデル（例えば、解剖学的モデル、運動モデル、血流モデルなど）のパラメータ値を含んでもよい。適用段階１２１は更に、モデルの表現、または患者パラメータ値１２７に基づく表現を含む表示１２９を生成することを更に含んでもよい。表現は、表面モデル、グラフ、チャート、色コーディング、インジケータ、対話型表示、警告、信号または任意の既知のグラフィックオブジェクトを含んでもよい。グラフィック表現及び表示の種々の実施形態は、例えば、米国特許第８，７０６，４５７号、２０１４年４月２２日発行、表題「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｆｏｒ Ｐｒｏｖｉｄｉｎｇ Ｉｎｆｏｒｍａｔｉｏｎ ｆｒｏｍ ａ Ｐａｔｉｅｎｔ－Ｓｐｅｃｉｆｉｃ Ｍｏｄｅｌ ｏｆ Ｂｌｏｏｄ Ｆｌｏｗ」に開示されており、これは参照することによりその全体が本明細書に組み込まれる。

図２Ａ及び２Ｂは、生の医療取得データから解剖学的構造を決定するために機械学習システムをトレーニングし、適用する流れ図を示す。特に、図２Ａは、画像から解剖学的構造を決定するために機械学習システムをトレーニングする例示的な方法２００の流れ図である。図２Ｂは、特定の患者の解剖学的構造の構造を予測するために、トレーニングした機械学習システムを使用する例示的な方法２１０の流れ図である。図２Ａ及び２Ｂの方法は、電子ネットワーク１００を介して医師１０２及び／またはサードパーティプロバイダ１０４から受け取った情報、画像、及びデータに基づいてサーバシステム１０６によって実行してもよい。

図２Ａは、本開示の例示的な実施形態による、生の医療取得データから解剖学的構造を決定するために機械学習システムをトレーニングする例示的な方法２００の流れ図である。１つの実施形態では、ステップ２０１は、電子記憶媒体を使用して１または複数の個人の１つまたは複数の医療取得情報を受け取ることを含んでもよい。医療取得情報は、個人の身体を透過するエネルギ及び粒子ならびにそこから発生するエネルギ及び粒子（例えば、Ｘ線、陽電子、光子、超音波、磁場など）の伝達及び収集に基づく生の取得データを含んでもよい。例えば、１つの医療取得情報は、磁気共鳴信号に対応するｋ空間取得情報を備えてもよく、他の医療取得情報は、Ｘ線ビーム減衰に関連するサイノグラムを備えてもよい。１つの実施形態では、医療取得情報は、ＣＴシステムのサイノグラム、ＭＲＩシステムのｋ空間取得情報、磁気緩和測定値（複数可）（例えば、並列ＭＲＩシステムの１つ以上のコイルによる）、受信機（例えば、超音波装置の）のエコー測定値（複数可）、受信機（例えば、超音波装置の）ドップラー測定値（複数可）、電場イメージングシステム（例えば、心臓偏向波映像）からの電場測定値、個人の解剖学構造／生理機能のビデオ（複数可）または写真（複数可）、ウェアラブルセンサ（複数可）からのデータ（例えば、センサのポイント、面積または体積測定値（複数可）を含む）、上記の任意の時系列取得情報（複数可）などを含んでもよい。１つの実施形態では、ステップ２０１は更に、取得パラメータのセットを受け取ることを含む。例示的な取得パラメータは、造影剤注入のタイミング及び／または位置、Ｘ線線量情報、ガントリ速度、患者の準備（例えば、β遮断薬または硝酸塩の用量及びタイミング）などを含む。

１つの実施形態では、ステップ２０３は、１または複数の個人の解剖学的構造の少なくとも一部の少なくとも１つのパラメータ化されたモデル（数学的、統計的、幾何学的等）を受け取ることを含んでもよい。解剖学的構造は、血管形態、器官のサイズ及び形状、血管内腔の幾何学形状などを含む、個人の身体の任意の構造を含んでもよい。ステップ２０３の他の実施形態は、個人の生理機能、組成、反応またはその動態の少なくとも１つのパラメータ化されたモデルを受け取ることを（受け取ることも、または受け取ることを更に）含んでもよい。１つの実施形態では、生理機能、組成、反応、または動態のモデルもまた「解剖学的モデル」と見なすことができる。生理機能は、個人及びその個人の器官の機械的または生化学的機能を含む、個人の身体の任意の機能を含んでもよい。組成は、プラーク組成、血液粘度、器官密度などを含む、個人の解剖学的構造または解剖学的機能の化学的構成を含んでもよい。反応は、種々の刺激に対する身体の反応を含んでもよく、動態は、密度、組成、弾性、トレーサまたは造影剤の濃度などの測定値を含んでもよい。

パラメータ化されたモデルの実施例は、例えば、血管中心線位置座標によりパラメータ化される血管モデルを含み、それぞれの中心線位置は血管半径及び／または血液プール密度により更にパラメータ化してもよく、更に、位置座標、体積、及び／または、石灰化もしくは低密度プラークの密度によりパラメータ化される疾患モデル、例えば、それぞれの表面ポイントが隣接するポイントのセット（例えば、１つまたは複数の表面ポイントに対する異なる位置及び／または隣接部と多数回関連し得る）と関連し得る少なくとも２つの表面ポイントの位置座標によりパラメータ化される器官及び／または組織モデル（例えば、患者の肝臓、腎臓、脾臓、脳、心臓、骨、前立腺、乳房、肺、膝、脂肪、水分などのモデル）、血液または造影剤の灌流が濃度レベル、座標位置、及び／または、時間としてパラメータ化され得る灌流モデル、運動座標のベクトルが１つまたは複数の解剖学的ポイントに関連し得る運動モデル、及び／または、血流特性（例えば、圧力、速度など）が１つまたは複数の位置座標と関連し得る血流モデルを含んでもよい。

１つの実施形態では、ステップ２０５は、（ステップ２０１の）医療取得情報から決定可能である（ステップ２０３の）パラメータ化されたモデルのパラメータのタイプを決定することを含んでもよい。例えば、パラメータ化された血流モデルが与えられると、磁気緩和測定値の医療取得情報は、血液組成または血栓の存在に関連するパラメータ値を示すことがある。このようなケースでは、血液組成は、パラメータ「タイプ」であってもよく、血栓の存在は、他のパラメータ値「タイプ」であってもよい。他の実施例として、解剖学的モデルが与えられると、ドップラー測定値の医療取得情報は、組織の運動または速度に関連する値を示すことがある。そのように、追加の例示的なパラメータタイプは、「組織運動」または「速度」を含んでもよい。ステップ２０５は、（ステップ２０１の）医療取得情報から確認または推測することができる（ステップ２０３の）パラメータ化モデルに関連するパラメータ値のタイプを識別することを含んでもよい。

１つの実施形態では、ステップ２０７は、計算装置（例えば、コンピュータ、ラップトップ、ＤＳＰ、スマートフォン、タブレット、ＧＰＵなど）を使用し、パラメータ化されたモデル及び１つまたは複数の医療取得情報に基づいて、決定したタイプのパラメータのモデルパラメータ（複数可）値を予測するように機械学習システムをトレーニングすることを含んでもよい。例えば、（例えば、ステップ２０５からの）決定したパラメータタイプが「組織速度」であれば、ステップ２０７は、超音波装置から特定のドップラー測定入力が与えられると、毎秒センチメートルで組織速度の値を決定することを含んでもよい。他の実施例として、決定したパラメータタイプが「血栓の存在」であれば、機械学習システムは、並列ＭＲＩシステムにより種々の磁気緩和測定値に基づいて「はい」または「いいえ」を予測するようにトレーニングしてもよい。更に他の実施例では、決定したパラメータタイプが左心室の心筋の厚さの値であれば、ステップ２０７は、心臓ＣＴサイノグラムから厚さの値を直接決定することを含む。更に、決定したパラメータタイプが海馬のサイズを指示する値であれば、ステップ２０７はＴ１強調脳ＭＲＩスキャンのｋ空間測定値から値を直接決定することを含んでもよい。

１つの実施形態では、方法２００は、複数の医療取得情報を受け取ること、及び、複数の取得情報を使用して機械学習システムをトレーニングすることを含んでもよい（ステップ２０７）。複数の医療取得情報は、１人の個人、単一の特定層（例えば、定義された患者人口、病院、年齢層、地理的領域など）内の個人グループ、または、所定の時点における対象の患者から取得してもよい。機械学習システムのトレーニングに使用する取得情報は、「トレーニングセット」を有してもよい。このトレーニングに複数の機械学習技術を使用してもよい。モデルパラメータ機械学習システムをトレーニングする例示的な機械学習技術は、ベイズ法のための条件付き確率及び事前確率の推定、ランダムフォレスト、ｋ最近傍、ｋ平均、バックプロパゲーション、深層学習、多層パーセプトロン、ロジスティック回帰、線形回帰、多様体学習法（例えば、局所的線形埋め込み、Ｉｓｏｍａｐなど）、半教師付き学習法（例えば、対応する患者モデル無しでトレーニング取得情報が利用可能な場合）などを含む。例えば、腫瘍増殖のパラメータ化モデル、及び、患者の腫瘍進行の複数の縦方向（長期）時系列ｋ空間取得情報を考慮して、腫瘍サイズが退行するようにランダムフォレストを訓練することができる。代替的にまたは追加して、トレーニングは機械学習を含まない方法を採用してもよい。例えば、パラメータ化された心臓運動モデル及び心臓運動モデルパラメータに関連する値を有する複数のＣＴサイノグラムを考慮して、畳み込みニューラルネットワークを逆伝播を介してトレーニングし、予測モデルパラメータ値と所与のモデルのパラメータ値との間の差を表す損失関数を最小にすることができる。

１つの実施形態では、ステップ２０９は、予測パラメータ値（複数可）を含む機械学習システムの結果を記憶することを含むことができる。１つの実施形態では、機械学習システムは、取得した医療取得情報のそれぞれのタイプに適合させることができる。例えば、それぞれの取得様式は、指定された機械学習システム、例えば、ＣＴデータ用システム、ドップラー測定用システム、血管造影データ用システム、及び、ウェアラブルセンサデータ用システムなどを有してもよい。他の実施形態では、取得は、タイプによって分離してもよい。例えば、１つの機械学習システムは、解剖学的構造の取得情報（例えば、ＣＴスキャン、血管造影データ、体積測定値など）に関してトレーニングしてもよく、一方、他の機械学習システムは、生理学的機能の取得（例えば、血流または血圧測定値、灌流データ、ウェアラブルセンサデータなど）に関してトレーニングしてもよい。更に他の実施形態では、単一の機械学習システムは、任意の医療取得情報についてのパラメトリックモデルパラメータの予測を提供してもよい。

図２Ｂは、本開示の例示的な実施形態による、生の医療取得データから解剖学的構造を決定するために機械学習システムをトレーニングする例示的な方法２１０の流れ図である。図２Ｂの方法は、電子ネットワーク１００を介して医師１０２及び／またはサードパーティプロバイダ１０４から受け取った情報に基づいてサーバシステム１０６によって実行することができる。

１つの実施形態では、ステップ２１１は、患者の医療取得情報を受け取ることを含んでもよい。１つの実施形態では、患者は、前記個人または個人のグループ以外の人でよい。代替的にまたは追加して、医療取得情報は、トレーニングセット用に使用する任意の患者の医療取得情報よりも後の時点において、患者から取得してもよい。

１つの実施形態では、ステップ２１３は、患者の医療取得情報の医療取得情報のタイプに関連する機械学習システムを選択することを含んでもよい。例えば、ステップ２１１がＣＴスキャンを受け取ることを含む場合、ステップ２１３は、少なくとも部分的にＣＴ取得データを使用してトレーニングされた機械学習システムを選択することを含んでもよい。代替的実施形態では、利用可能な機械学習システムにしたがって、患者の医療取得情報を取得することができる。例えば、ＣＴ取得データに基づく機械学習システムが利用可能な場合、ヘルスケア専門家は患者のためのＣＴスキャンを取得することを選択してもよい。他の例では、血管造影用機械学習システムを利用可能なことがあるが、しかし、ＣＴスキャン機械学習システムよりも少ないデータでトレーニングされる。このようなケースでは、ＣＴ機械学習システムが血管造影装置学習システムよりもより信頼し得るため、ヘルスケア専門家はまだ、ＣＴスキャンを取得することを選択することがある。

１つの実施形態では、ステップ２１５は、計算装置（例えば、コンピュータ、ラップトップ、ＤＳＰ、スマートフォン、タブレット、ＧＰＵなど）を使用し、（例えば、方法２００の）トレーニングした機械学習システムを使用して患者特有モデルに対するパラメータ値のセットを決定することを含んでもよい。換言すると、ステップ２１５は、トレーニングした機械学習システムを使用して、患者特有モデルを生成または計算することを含んでもよい。１つの実施形態では、ステップ２１５は、（方法２００の）機械学習システム及び（ステップ２１１の）受け取った患者医療取得情報に基づいて、１つまたは複数の患者特有モデルパラメータ値を決定することを含んでもよい。代替的にまたは追加して、ステップ２１５は、ステップ２１１の受け取った医療取得情報に関連する取得パラメータ（複数可）を決定すること、及び、入力取得パラメータ（複数可）を方法２００の機械学習システムの学習された多様体に射影して患者特有モデルパラメータ値を計算することを含んでもよい。更に他の実施形態では、ステップ２１５は、方法２００の機械学習システム及びステップ２１１の患者医療取得情報を使用し、患者特有モデルパラメータ値の推定確立分布を計算するためにベイズのルールを使用することを含んでもよい。このような実施形態では、ステップ２１５は更に、（例えば、最大尤度または最大事後確率を使用して）確立分布からセットを選択することを含んでもよい。例えば、多くのトレーニングの実施例（例えば、取得情報及び目標値のセット）を利用可能な場合、多くの自由度を有する機械学習方法、例えば人工ニューラルネットワークを使用することを選択することができる。ほんの僅かなトレーニングの実施例しか利用できない場合、ステップ２１５はより伝統的な方法、例えばサポートベクターマシンを採用してもよい。

患者特有モデルを生成または計算するステップ２１５は、生の取得データ測定値が患者の解剖学的構造または生理機能とどのように相関し得るかについて、事前情報で補完してもよい。（例えば、ＣＴ物理学に関連する事前情報または生のデータ取得事前情報は、解剖学的情報が測定した取得データとどのように関係するかを示すことがある）。例えば、患者の生の医療取得情報の再構成画像は、（生データと共に）機械学習システムのための追加の入力として使用してもよい。他の実施例として、ステップ２１５は、再構成が患者のモデルパラメータ値（複数可）を提供し得る所定の画像分析技術に対して最適にすることができるように、患者の医療取得情報から画像を再構成する方法を学習することを含んでもよい。１つの実施形態では、ステップ２１７は、決定した患者特有モデルパラメータ値を電子記憶装置に出力することを含んでもよい。１つの出力は、例えば、決定した患者特有モデルパラメータ値に基づく患者の解剖学的構造または生理機能の表現を含む表示を含んでもよい。他の例示的な出力は、決定した患者特有モデルパラメータ値を使用して、患者の解剖学的構造及び／または生理機能の１つまたは複数の追加の特性を決定することを含んでもよい。追加の特性は、例えば、器官／組織体積、器官／組織形状、血管の断面のサイズ及び／または形状、器官／組織の表面積及び／または形状、狭窄のサイズ、腫瘍／病変の有無、腫瘍／病変の位置、駆出率、一回拍出量、血流特性、プラーク負荷、石灰化スコア、プラーク脆弱性、組織生存率、心筋壁運動、項部浮腫測定、患者の病変の有無、弁逆流、及び／または患者の診断を含んでもよい。

１つの実施形態では、ステップ２１９は更に、（例えば、ステップ２１１の）受け取った患者の医療取得情報、決定した患者固有のモデルパラメータ値、及び／または、決定した患者特有モデルパラメータの入力に基づいて、記憶した機械学習システムに対する更新を指示することを含んでもよい。決定した患者特有パラメータへの入力は、値の選択、検証または修正を含む、患者特有モデルパラメータ値に対するユーザフィードバックを含んでもよい。

更なる実施形態では、（例えば、ステップ２１７の）出力した患者特有モデルパラメータ値（複数可）は、生の医療取得データに基づく再構成のパラメータ（複数可）と比較してもよい。例えば、画像再構成（複数可）は、生の医療取得データに基づいて生成してもよい。いくつかのケースでは、画像再構成（複数可）は、直線的再構成を含んでもよい。解剖学的モデルも、画像再構成（複数可）に基づいて生成してもよい。１つの実施形態では、生の医療取得データから直接生成された患者特有モデルパラメータ値（複数可）は、生の医療取得データから生成された画像再構成（複数可）と比較し、または、画像再構成（複数可）から生成された解剖学的モデル（複数可）と比較してもよい。比較は、画像再構成（複数可）または画像再構成（複数可）から生成された解剖学的モデル（複数可）における信頼性指標を生成するために使用してもよい。例えば、画像再構成（複数可）または画像再構成から生成される解剖学的モデル（複数可）は、（例えば、ステップ２１７の）決定した患者特有モデルパラメータ値（複数可）に基づいて検証してもよい。１つの実施形態は、決定した患者特有モデルパラメータ値（複数可）に基づいて、患者の画像再構成または解剖学的モデルを選択すること、及び、診断分析（例えば、血流モデリング／シミュレーション、プラーク破裂予測、灌流予測など）に画像再構成または解剖学的モデルを使用することを含んでもよい。画像再構成及び解剖学的モデルを使用する診断分析の種々の実施形態が、例えば、米国特許第８，３１５，８１２号、２０１２年１１月２０日発行、表題「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｆｏｒ Ｐａｔｉｅｎｔ－Ｓｐｅｃｉｆｉｃ Ｍｏｄｅｌｉｎｇ ｏｆ Ｂｌｏｏｄ Ｆｌｏｗ」に開示されており、これは参照することによりその全体が本明細書に組み込まれる。

本開示のシステム及び方法は、取得した生データの全能力を評価に使用することができるという点で、患者の解剖学的構造及び生理機能を評価するための画像再構成の分析を超える利点を提供する。結果として生じる評価は、画像再構成による潜在的なエラーまたはデータ損失による影響がより少ない。本開示のシステム及び方法は、生のデータ取得情報から患者の解剖学的構造及び生理機能を評価するための方法として、機械学習の実施形態を提供する。特に、本開示のシステム及び方法は、機械学習を使用して患者の解剖学的構造及び生理機能の測定値またはパラメータを予測する。

本発明の他の実施形態は、本明細書の考慮及び本明細書に開示した発明の実行から、当業者に明らかとなる。本明細書及び実施例は、例示としてのみ考慮されることを意図しており、本発明の真の範囲及び趣旨は、次の特許請求の範囲に示す。

Claims (20)

1. 生の医療取得データから解剖学的構造を決定する方法であって、前記方法が、
   １人以上の個人の身体を透過するエネルギ及び粒子ならびにそこから発生するエネルギ及び粒子の伝達及び収集から生の医療取得データを取得すること、
   前記１人以上の個人のそれぞれの解剖学的構造に関連するパラメータ化されたモデルを取得すること、
   前記パラメータ化されたモデルのパラメータの１つまたは複数のタイプを決定すること、
   前記生の医療取得データに基づいて、前記パラメータ化されたモデルのパラメータの前記決定したタイプのそれぞれについて１つまたは複数の値を予測するために機械学習システムをトレーニングすること、
   選択した患者について生の医療取得データを取得すること、及び、
   前記トレーニングした機械学習システムを使用して前記患者の患者特有のパラメータ化されたモデルについてパラメータ値を決定すること、を備える、方法。
2. 前記決定したパラメータ値は、血管中心線、解剖学的ポイント、解剖学的表面ポイントもしくは境界、または、その組合わせを含む解剖学的特徴の測定値を含み、
   前記パラメータ化されたモデルは、血管モデル、疾患モデル、灌流モデル、運動モデル、血流モデルまたはその組合わせを含む、請求項１に記載の方法。
3. 前記選択した患者に対する前記生の医療取得データに基づく画像再構成を生成すること、及び、
   前記決定したパラメータ値に基づく前記画像再構成を検証することを更に備える、請求項１に記載の方法。
4. 前記生の医療取得データと前記パラメータ化されたモデルのパラメータとの間の関連を決定すること、及び、
   前記決定した関連に基づいて、前記パラメータ化されたモデルのパラメータのそれぞれについて前記１つまたは複数の値を予測することを更に備える、請求項１に記載の方法。
5. 前記生の医療取得データに関連する取得パラメータのセットを決定すること、及び、
   前記機械学習システムを前記取得パラメータのセットに基づいてトレーニングすること、を更に備える、請求項１に記載の方法。
6. 前記機械学習システムに関連するデータ取得様式を決定すること、及び、
   前記機械学習システムに関連する前記データ取得様式に基づいて前記選択した患者に対する前記生の医療取得データを取得すること、を更に備える、請求項１に記載の方法。
7. 前記生の医療取得データは、前記選択した患者以外の１人以上の個人から取得されたサイノグラムまたはｋ空間データ、前記選択した患者から取得されたデータ、または、シミュレートされたデータを含む、請求項１に記載の方法。
8. 前記患者特有のパラメータ化されたモデルに基づく表示を生成すること、を更に備える、請求項１に記載の方法。
9. 生の医療取得データから解剖学的構造を決定するシステムであって、前記システムが、
   生の医療取得データから解剖学的構造を決定する命令を記憶するデータ記憶装置、及び、
   前記命令を実行することにより方法を実行するように構成されるプロセッサを備え、
   前記方法が、
   １人以上の個人の身体を透過するエネルギ及び粒子ならびにそこから発生するエネルギ及び粒子の伝達及び収集から生の医療取得データを取得すること、
   前記１人以上の個人のそれぞれの解剖学的構造に関連するパラメータ化されたモデルを取得すること、
   前記パラメータ化されたモデルのパラメータの１つまたは複数のタイプを決定すること、
   前記生の医療取得データに基づいて、前記パラメータ化されたモデルのパラメータの前記決定したタイプのそれぞれについて１つまたは複数の値を予測するために機械学習システムをトレーニングすること、
   選択した患者について生の医療取得データを取得すること、及び、
   前記トレーニングした機械学習システムを使用して前記患者の患者特有のパラメータ化されたモデルについてパラメータ値を決定すること、を包含する、システム。
10. 前記決定したパラメータ値は、血管中心線、解剖学的ポイント、解剖学的表面ポイントもしくは境界、または、その組合わせを含む解剖学的特徴の測定値を含み、
    前記パラメータ化されたモデルは、血管モデル、疾患モデル、灌流モデル、運動モデル、血流モデルまたはその組合わせを含む、請求項９に記載のシステム。
11. 前記プロセッサは、
    前記選択した患者に対する前記生の医療取得データに基づく画像再構成を生成すること、及び、
    前記決定したパラメータ値に基づく前記画像再構成を検証すること
    を含む命令を実行するように更に構成される、請求項９に記載のシステム。
12. 前記プロセッサは、
    前記生の医療取得データと前記パラメータ化されたモデルのパラメータとの間の関連を決定すること、及び、
    前記決定した関連に基づいて、前記パラメータ化されたモデルのパラメータのそれぞれについて前記１つまたは複数の値を予測すること
    を含む命令を実行するように更に構成される、請求項１０に記載のシステム。
13. 前記プロセッサは、
    前記生の医療取得データに関連する取得パラメータのセットを決定すること、及び、
    前記取得パラメータのセットに基づいて前記機械学習システムをトレーニングすること
    を含む命令を実行するように更に構成される、請求項９に記載のシステム。
14. 前記プロセッサは、
    前記機械学習システムに関連するデータ取得様式を決定すること、及び、
    前記機械学習システムに関連する前記データ取得様式に基づいて前記選択した患者に対する前記生の医療取得データを取得すること
    を含む命令を実行するように更に構成される、請求項９に記載のシステム。
15. 前記生の医療取得データは、前記選択した患者以外の１人以上の個人から取得されたサイノグラムまたはｋ空間データ、前記選択した患者から取得されたデータ、または、シミュレートされたデータを含む、請求項９に記載のシステム。
16. 前記プロセッサは、
    前記患者特有のパラメータ化されたモデルに基づく表示を生成することを含む命令を実行するように更に構成される、請求項９に記載のシステム。
17. 生の医療取得データから解剖学的構造を決定する方法を実行するためのコンピュータ実行可能プログラミング命令を含む、コンピュータシステムで使用するための非一時的コンピュータ可読媒体であって、前記方法は、
    １人以上の個人の身体を透過するエネルギ及び粒子ならびにそこから発生するエネルギ及び粒子の伝達及び収集から生の医療取得データを取得すること、
    前記１人以上の個人のそれぞれの解剖学的構造に関連するパラメータ化されたモデルを取得すること、
    前記パラメータ化されたモデルのパラメータの１つまたは複数のタイプを決定すること、
    前記生の医療取得データに基づいて、前記パラメータ化されたモデルのパラメータの前記決定したタイプのそれぞれについて１つまたは複数の値を予測するために機械学習システムをトレーニングすること、
    選択した患者について生の医療取得データを取得すること、及び、
    前記トレーニングした機械学習システムを使用して前記患者の患者特有のパラメータ化されたモデルについてパラメータ値を決定すること、を備える、非一時的コンピュータ可読媒体。
18. 前記決定したパラメータ値は、血管中心線、解剖学的ポイント、解剖学的表面ポイントもしくは境界、または、その組合わせを含む解剖学的特徴の測定値を含み、
    前記パラメータ化されたモデルは、血管モデル、疾患モデル、灌流モデル、運動モデル、血流モデルまたはその組合わせを含む、請求項１７に記載の非一時的コンピュータ可読媒体。
19. 前記方法は、
    前記選択した患者に対する前記生の医療取得データに基づく画像再構成を生成すること、及び、
    前記決定したパラメータ値に基づく前記画像再構成を検証することを更に備える、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、
    前記生の医療取得データと前記パラメータ化されたモデルのパラメータとの間の関連を決定すること、及び、
    前記決定した関連に基づいて、前記パラメータ化されたモデルのパラメータのそれぞれについて前記１つまたは複数の値を予測することを更に備える、請求項１７に記載の非一時的コンピュータ可読媒体。
    

Images