JP7082131B2 - 血管リスクを評価するためのシステムおよび方法 - Google Patents

血管リスクを評価するためのシステムおよび方法 Download PDF

Info

Publication number
JP7082131B2
JP7082131B2 JP2019542521A JP2019542521A JP7082131B2 JP 7082131 B2 JP7082131 B2 JP 7082131B2 JP 2019542521 A JP2019542521 A JP 2019542521A JP 2019542521 A JP2019542521 A JP 2019542521A JP 7082131 B2 JP7082131 B2 JP 7082131B2
Authority
JP
Japan
Prior art keywords
parameters
risk
parameter
interest
mesh
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.)
Active
Application number
JP2019542521A
Other languages
English (en)
Other versions
JP2020506486A (ja
Inventor
クリストフ，ジャン－ジョゼフ
Original Assignee
セ・ア・エス・イ・エス－カーディアック・シミュレーション・アンド・イメージング・ソフトウェア
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by セ・ア・エス・イ・エス－カーディアック・シミュレーション・アンド・イメージング・ソフトウェア filed Critical セ・ア・エス・イ・エス－カーディアック・シミュレーション・アンド・イメージング・ソフトウェア
Publication of JP2020506486A publication Critical patent/JP2020506486A/ja
Application granted granted Critical
Publication of JP7082131B2 publication Critical patent/JP7082131B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biophysics (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Description

本発明は、医用イメージングおよび関連画像の分析のためのプロトコルの分野に関する。より詳細には、本発明は、例えば医師の医療上の意思決定における支援サポートとして働くことが意図されているリスクマップの形成をもたらす、動脈瘤リスクを評価および予測するための方法に関する。
医学的状況の発生または進展を評価および／または予測することが意図されている方法の分野では、例えば米国特許第８８１２４３１Ｂ２号明細書に提示されているような、既知の症例のデータベースと最初の医療モデルを比較して、最も近い症例を見つけ、意思決定支援のための基礎を医師に提供することを可能にする方法およびシステムが知られている。
動脈瘤の研究という具体的な文脈においては、例えば、米国特許出願公開第２００９０８８６２４Ａ号明細書および米国特許第９３４５４４２Ｂ２号明細書のように、幾何学的データの分析に基づいて上記動脈瘤の進展を予測する方法も知られている。
米国特許出願公開第２０１５／１６４３４２号明細書は、流体モデルまたは機械的モデルから計算された数値を有する１組のパラメータから、学習アルゴリズムを用いて血管リスクを予測する、血管リスクを評価するための方法を開示している。
米国特許第９３４９１７８号明細書は、合成データのみに基づいてトレーニングされた学習法によって血行力学的量を決定するための方法を開示している。
しかしながら、既存の方法およびシステムは、時間および割り当てられる計算リソースの量の点で複雑かつ／または高価なシステムを使用することが多く、このことが、とりわけ、小規模な医療構造にとって大きな欠点となっている。
病状の進展の予測を改善することは、特に、大動脈瘤などの動脈瘤、および大動脈弁狭窄症、大動脈縮窄症、または二尖大動脈弁に関連する他の変形などの関連する異常の診断および治療の文脈において、医療従事者にとって重大な臨床上の問題である。
具体的には、各患者にとって最も適切な治療の選択に関する不確実性が高すぎる。
動脈瘤は、通常、境界の平行性が失われた、動脈の永続的な局所的腫脹として定義される。
現在のところ、動脈瘤の破裂のリスクを予測するための最も一般的な方法では、大動脈の直径および動脈瘤の膨張の程度などの、治療対象の患者だけの固有の幾何学的データを基本的に考慮に入れる。これらの精密ではない方法には、よく知られている限界がある。とりわけ、これらの方法は、医師が正確な診断を下せるようにしてくれるものではなく、それは、動脈瘤が、まず、影響を受けた血管領域の直径とは無関係に破裂する場合があり、動脈の直径が大きくなっても自動的に動脈瘤破裂のリスクにつながらず、それとは対照的に、動脈瘤破裂は、動脈の直径の増加が事前に観察されなくても引き起こされる場合があるためである。
このために、上記患者が、例えば、不必要に手術を受けていたり、または対照的に、大動脈破裂のリスクが危機的なレベルにあるときに至急手術を受けていなかったりする場合がある。さらに、明らかな症状がない場合でさえも、動脈瘤の破裂のリスクが永続的に存在し、このことは、動脈瘤の寸法にかかわらず当てはまる。
患者の血流の研究を組み入れた他の方法が登場したが、これらは、かなりの計算リソースを使用することと、データ処理時間が長いことと、の２つの主な欠点を有している。
米国特許第８８１２４３１号明細書 米国特許出願公開第２００９／０８８６２４号明細書 米国特許第９３４５４４２号明細書 米国特許出願公開第２０１５／１６４３４２号明細書 米国特許第９３４９１７８号明細書
本発明は、極めて多数の医用イメージングシステムにおいて実施可能な迅速な方法を提案することによって、上述した欠点（精度の低さ、複雑さ、時間的および割り当てられるリソースの観点から見たコスト）を改善し、意思決定支援要素を医師に提供することが意図されている。
提案される評価方法は、胸部大動脈または腹部大動脈などの血管関心領域Ｖにおけるリスク評価に関する。
本方法は、２つの主要な解決策から構成される。第１の解決策（解決策１すなわち知識取得解決策）は、（限定することなしに）大まかに言えば、
－医師のための意思決定支援サポートとしてリスクモデルＭＲ（ＭＲＡ、ＭＲＥ）を生成することを意図されている、学習法を用いる治療アルゴリズムを開発およびトレーニングすることと、
－好ましくは、分析対象の１組のパラメータＪＰのうちの予測（または非予測）パラメータの予測能力を評価して、例えば、限定することなしに、
○利益をテストすること、および／または分析対象の１組のパラメータＪＰに新しいパラメータを含めるか否かを決定することと、
○分析対象の１組のパラメータＪＰのうちのパラメータの予測能力を再評価することであって、例えば、より効果的であると考えられる他の新しいパラメータがその組に含まれるとき、一部の初期パラメータはそれらの予測利益を失う場合があり、その場合、その組のすべてのパラメータを保持すること、または予測利益を失ったパラメータを除外することのいずれかが可能であること、と、
を可能にすることと、
に関するものであり、
一方、第２の解決策（解決策２すなわち臨床応用解決策）は、大まかに言えば、医師のための意思決定支援サポートとして少なくとも１つのリスクモデルＭＲを直接得られるように、すなわち過度に長い計算をせずに、および／または少数の処理ステップを用いて、学習法を用いる上記治療アルゴリズムを患者に適用することを含む。
学習法は、例えば、データマイニング法であり得る。
知識取得（解決策１）と臨床応用（解決策２）との間の移行は、好ましくは、分析対象の１組のパラメータＪＰが完全に形成されたとき、すなわち、すべてのパラメータが確認されたとき（それらの予測能力が確認されたとき）に行われる。好都合には、分析対象の１組のパラメータＪＰのパラメータは、
○それが、医師（および／またはユーザ）によって手動で入力され、確認されたことが分かっている場合に確認される、および／または
○少なくとも１つの評価および／または確認ステップＬ（後述）を介して確認される。
好都合には、選択された解決策にかかわらず、分析対象の１組のパラメータＪＰは患者とは独立である。
変形形態によれば、リスクモデルＭＲを生成するステップは（それが発生する本方法のステップに関係なく）、
－分析対象の１組のパラメータＪＰのうちの少なくとも１つのパラメータのためのモデル、好ましくは、分析対象の１組のパラメータＪＰのうちのパラメータのそれぞれのためのモデルを生成すること、および／または
－分析対象の１組のパラメータＪＰのうちの複数のパラメータ、好ましくは、分析対象の１組のパラメータＪＰのうちのパラメータのすべての同時効果を考慮してグローバルモデルを生成すること
を含む。
好都合には、本発明によれば、分析対象の１組のパラメータＪＰのうちのパラメータに関連するリスクモデルＭＲを生成するステップは、とりわけ、分析対象の１組のパラメータＪＰのうちの上記パラメータについて計算されたデータＤＮ（ＤＮＡ、ＤＮＥ）の各数値項目に対して、リスクレベルのスケールの中から、リスクレベルＮＲ（ＮＲＡ、ＮＲＥ）を割り当てるステップを含む。
（リスクレベルのスケールの中から）リスクレベルＮＲは、好ましくは、
－数値、および／または
－空間分布（連続する点、例えばメッシュ内の隣接する点で計算された数値データ）、および／または
－時間分布
に関して近い１組の数値データＤＮ（ＤＮＡ、ＤＮＥ）に割り当てられる。
好都合には、グローバルモデルを生成することは、例えば、とりわけ、
－分析対象の１組のパラメータＪＰのうちの各パラメータに関連するリスクレベルＮＲと、
－分析対象の１組のパラメータＪＰのうちの各パラメータの相対的な影響を反映した重み付けと
を含む計算に基づいて、（リスクレベルのスケールの中から）グローバルリスクレベルを決定し割り当てるステップを含む。
数値データＤＮ（ＤＮＡ、ＤＮＥ）は、好ましくは、対応するメッシュの各点において（すなわち、このメッシュが存在する場合には、計算に使用されるメッシュの各点において）計算される。
好都合には、リスクレベルＮＲが、対応するメッシュの各点において（すなわち、このメッシュが存在する場合には、計算に使用されるメッシュの各点において）データＤＮ（ＤＮＡ、ＤＮＥ）の各数値項目に割り当てられる。
好都合には、リスクモデルＭＲは、リスク領域（動脈瘤の発生のリスク、動脈瘤の破裂のリスク、縮窄の発生のリスク）の迅速な識別を可能にする可視マーカを含む形式で提示される。
例えば、モデルは、数値データが対応するリスクレベルＮＲに応じて異なって強調される、データの表、画像、ビデオ、またはグラフ（曲線、ヒストグラムなど）の形をとることができる。
例えば、各リスクレベルＮＲは、色、マーキング要素、または可視マーカの任意の可能な組み合わせなど、特定の可視マーカに関連付けられる。
モデルは、好ましくは、その上に可視マーカが配置され、リスクレベルＮＲによって融合される、３Ｄマップの形をとり、例えば、可視マーカが着色された点である場合、それらの「融合」は、同じ色の平坦化された領域を生じさせ、リスク領域を迅速に識別するのがとても容易になる。
モデルはまた、４Ｄマップ（例えば、時間と共に変動する３Ｄマップ）の形をとることもでき、これにより、所与の期間にわたるリスクの進展を見ることが可能になり得る。
さらに、当業者であれば、対象とする用途に応じて、モデルに最も適したレンダリングを選択する方法を知っているはずである。
大動脈内に存在する動脈瘤、およびその幾何形状に関連する特定のデータなどの血管関心領域Ｖを示す図である。 本発明による方法の主なステップを示す図である。
好都合には、図１に示すように、紡錘状動脈瘤が、大動脈内腔の中心を通る仮想線に対応する（中心線に基づく基準フレーム内の）中央線とも呼ばれる、紡錘状動脈瘤の中心線ＬＣを参照して説明される。
紡錘状動脈瘤を記述するのに、以下のようなその幾何形状に関するデータを使用できる。
－検査長さＬ、すなわち、上記モデルＭの全水平投影に対応する長さ、
－中心線弧の高さＡ、
－大動脈の直径Ｄ、
－大動脈の中心線から動脈瘤の内方にある壁（すなわち、最も小さい隆起を示す壁）までの半径に対応する（動脈瘤の中心線ＬＣに垂直な）動脈瘤の内方にある径Ｂ、
－大動脈の中心線から動脈瘤の外方にある壁（すなわち、最も大きい隆起を示す壁）までの半径に対応する（動脈瘤の中心線ＬＣに垂直な）動脈瘤の外方にある径Ｃ、
－動脈瘤の長さＡＬ、すなわち、動脈瘤の平均長さ、
－大動脈ＳＣの断面（図１に示さず）。
ただし、本発明はまた、嚢状または多葉性の動脈瘤などの他の形態を有する動脈瘤にも適用され得る。
図２は、本発明による方法のステップを示す図である。
学習法を用いる治療アルゴリズムによる、少なくとも知識の開発および取得に関する、本方法の解決策１は、本方法に含まれている様々なステップ（ボックス）間の単一の黒矢印で示されている。
学習法を用いる上記治療アルゴリズムの臨床応用に関する（かつ少なくとも１つのリスクモデルＭＲＡを直接取得するために、学習法を用いる上記治療アルゴリズムの患者への適用を含む）、本方法の解決策２は、本方法に含まれているステップ（ボックス）間の二重の黒矢印および／または白矢印で示され、ステップ（ボックス）は網掛けされている。
学習法を用いる治療アルゴリズムを実施する、血管関心領域Ｖにおけるリスク評価のための上記方法は、１群の患者｛Ｐ１，…，Ｐｉ，…，Ｐｎ｝の中からの一連の患者の各症例Ｐｉについて、以下のステップを含むという点で注目に値する。
ステップ１．（例えば、メモリに記録される、または医師によって入力される）最新の既知の学習法を用いる上記治療アルゴリズムの予測能力誤差ＥＣの値をテストし、本方法の最初の繰り返しにおいて、予め定義された閾値ＳＥより大きくなるように予測能力誤差ＥＣの上記値が定義され、誤差の値が上記予め定義された閾値ＳＥより大きい場合、少なくとも下記ステップ２～１１をこの順序で実行し、それ以外の場合は、少なくともステップ２、３、５、６、および７をこの順序で実行する。好ましくは、誤差ＥＣの値が上記予め定義された閾値ＳＥより小さい場合、少なくともステップ２、３、４、５、６および７をこの順序で実行する。
ステップ２．上記患者Ｐｉの血管関心領域Ｖの少なくとも１つの表現Ｒを取得する。
ステップ３．上記表現Ｒから、一次モデルＭＰおよび補正モデルＭＣの中から、上記関心領域Ｖの少なくとも１つのモデルＭを再構成する。
ステップ４．上記モデルＭから、上記関心領域Ｖの少なくとも１つのメッシュＴ（ＴＰ、ＴＣ）を生成する。
ステップ５．ステップ３から得られた少なくとも１つのモデルＭおよび／またはステップ４から得られた少なくとも１つのメッシュＴから、上記血管関心領域Ｖの幾何形状に関するデータＤＧを抽出する。
ステップ６．少なくとも１つの事前に記録された予測および／または非予測パラメータのリストから、上記関心領域Ｖにおけるリスクを評価するために、分析対象の１組のパラメータＪＰを形成する。
ステップ７．上記血管関心領域Ｖの幾何形状に関して少なくともデータＤＧから、学習法を用いる上記治療アルゴリズムにより、ステップ６で形成された上記１組のパラメータＪＰのうちの少なくとも１つのパラメータに関連する予測リスク数値データＤＮＡを決定し、リスクレベルのスケールの中から、（上記１組のパラメータＪＰのうちの）上記パラメータにリスクレベルＮＲＡを割り当て、上記決定された数値データＤＮＡから、少なくとも上記１組のパラメータＪＰのうちの各パラメータについて、上記関心領域ＶにおけるリスクモデルＭＲＡを生成する。
ステップ８．ステップ４で生成された少なくとも１つのメッシュを含む少なくとも１群のメッシュと、少なくとも１組の適応入出力条件ＳＣと、から、少なくとも１つのＣＦＤ（ＣＦＤ：計算流体力学）研究を含む流体研究を介して、ステップ６で形成された上記１組のパラメータＪＰのうちの少なくとも１つのパラメータに関連する予測リスク数値データＤＮＥ（ＤＮＥＣ、ＤＮＥＦ）を決定し、リスクレベルのスケールの中から（上記１組のパラメータＪＰのうちの）上記パラメータにリスクレベルＮＲＥを割り当て、上記決定された数値データＤＮＥ（ＤＮＥＣ、ＤＮＥＦ）から、少なくとも上記１組のパラメータＪＰのうちの各パラメータについて、上記関心領域ＶにおけるリスクモデルＭＲＥ（ＭＲＥＣ、ＭＲＥＦ）を生成する。
ステップ９．少なくともステップ７とステップ８との結果を比較し、能力誤差ＥＣの値を記録することにより、流体研究に関して学習法を用いる治療アルゴリズムの予測能力誤差ＥＣを評価する。
ステップ１０．少なくともステップ８の結果を提供することにより、学習法を用いる上記治療アルゴリズムをトレーニングする。
ステップ１１．患者症例データベースで得られたすべてのデータをデータ記憶装置に記録する。
好都合には、上記関心領域Ｖにおける１つ（または複数）のリスクモデルＭＲＡおよび／またはＭＲＥ（ＭＲＥＣ、ＭＲＥＦ）の生成は、本発明による方法が解決策１および／または２を採用するときに行われる。
好ましくは、上記関心領域Ｖにおける１つ（または複数）のリスクモデルＭＲＡおよび／またはＭＲＥ（ＭＲＥＣ、ＭＲＥＦ）の生成は、本発明による方法が解決策２を採用するときにのみ行われる。
本発明による方法は、患者のサンプル｛Ｐ１，…，Ｐｉ，…，Ｐｎ｝に適用される方法であり、すなわち、本方法は、第１の患者に適用され、次いで第２の患者に適用され、以下同様に適用される。
上記方法を形成するステップは、それが使用する、学習法を用いる治療アルゴリズムに割り当てられた予測能力誤差ＥＣの値に応じて動的である。
よって、本評価方法は、まず、学習法を用いる治療アルゴリズムの開発およびトレーニングに関する。上記方法のこの第１の解決策は、学習法による治療アルゴリズムに割り当てられた予測能力誤差ＥＣの値が予め定義された閾値ＳＥより大きい場合に採用され、少なくとも上記方法のステップ２～１１を、好ましくはこの順序で、実行することを含む。変形形態として、ステップ８、またはステップ８およびステップ１０は、ステップ７の前に実行されてもよい。
なお、本方法のこの段階に到達するには、少なくとも１００人の患者からデータを取得し処理する必要がある。
次いで、学習法を用いる治療アルゴリズムに割り当てられた予測能力誤差ＥＣの値が、上記予め定義された閾値ＳＥを下回ると、本評価方法は、学習法を用いる上記治療アルゴリズムを利用することを含む第２の解決策を採用する。この場合、本評価方法は、少なくともステップ２、３、５、６および７から、典型的にはこの順序で、形成される。
本方法の高度な変形形態では、提供されるステップの間に追加のステップが挿入されてもよいが、最初のステップは意図されている番号順に行われ続け、ステップ７および８、場合によってはステップ１０の順序の逆転の可能性がある、またはステップ７と８とを同時に実行する可能性もある。例えば、本方法が知識取得解決策１を採用するとき、ステップＬ（後述）がステップ８とステップ９との間に挿入され得る。
よって、本発明による方法は、学習法を用いる上記治療アルゴリズムの予測能力誤差ＥＣの値に応じて、以下を含むことができる。
－採用されるリスク予測解決策を決定するためのステップ１であって、（例えば、メモリに記録される、または医師によって入力される）最新の既知の予測能力誤差ＥＣの値をテストすることを含み、誤差の値が予め定義された閾値ＳＥより大きい場合、少なくとも下記ステップ２～１２を（好ましくはこの順序で、つまり、番号順に）実行し、それ以外の場合は、少なくともステップ２、３、５、６および７を、好ましくはこの順序で実行する、ステップ１。
好ましくは、誤差ＥＣの値が上記予め定義された閾値ＳＥより小さい場合、少なくともステップ２、３、４、５、６および７は、好ましくはこの順序で、実行される。この好ましい変形形態は、図２において、ステップ３～４の間およびステップ４～５の間の二重の白矢印によって示されている。
最新の既知の予測能力誤差ＥＣの値は、好ましくは、本方法の前の繰り返しで記録された最後の値に対応する。
ただし、本方法の一部の変形形態において、医師は、本方法が開始される前に予測能力誤差ＥＣについて、医師が選択した値を記録することができ、この手動で入力された値を最新の既知の誤差であるとみなす。
好ましくは、学習法を用いる治療用アルゴリズムの開発およびトレーニングの段階が起こり得るようにするために、予測能力誤差ＥＣの初期値（患者のＰ１に対応する、本方法の最初の繰り返しにおける値）は、予め定義された閾値ＳＥより大きいと定義される。
好都合には、上記予め定義された閾値ＳＥは、２０％以下である。
好ましくは、上記予め定義された閾値ＳＥは、５％以下である。
－上記患者Ｐｉの血管関心領域Ｖの少なくとも１つの表現Ｒを取得する、ステップ２。好都合には、表現Ｒは、４ＤフローＭＲＩシーケンス、血管造影法、シネＭＲＩの中から選択され、血管関心領域Ｖは、腹部大動脈および／または胸部大動脈を含む領域、膝窩動脈を含む領域、および肝動脈を含む領域などの動脈瘤のリスクがある血管領域である。血管関心領域Ｖは、好ましくは、胸部大動脈を含む領域である。
－上記表現Ｒから、一次モデルＭＰおよび補正モデルＭＣの中から、上記関心領域Ｖの少なくとも１つのモデルＭを再構成する、ステップ３。一次モデルＭＰは、上記関心領域Ｖに（その不完全性および／またはその異常（またはその複数の異常）が、患者に影響を及ぼす病状に関連している状態で）正確に対応し、一方で、補正モデルＭＣは、上記関心領域Ｖの補正版に対応するが、補正は、関心領域Ｖが「健康」であるとした場合に、関心領域Ｖのありように対応するモデルを得るために、上記表現Ｒにおいて確立された動脈瘤や縮窄などの異常（病理）を除去することを含む。
さらに後述するように、補正モデルを使用することによって、血管リスクの予測パラメータ、例えば特に高い値が動脈瘤の発症と相関関係があるパラメータを識別することが可能になる。
－上記モデルＭから、上記関心領域Ｖの少なくとも１つのメッシュＴ（ＴＰ、ＴＣ）を生成する、ステップ４、すなわち、
○一次モデルＭＰに対応する一次メッシュＴＰ、および／または
○補正モデルＭＣに対応するメッシュＴＣ
を少なくとも生成する、ステップ４。
構築された３Ｄメッシュ（ｖｏｌｕｍｅｔｒｉｃ ｍｅｓｈ）（または複数のメッシュ）は、好ましくは、巨視的な動脈などの関心領域については非構造四面体タイプのメッシュであり、大動脈弁によって構成される関心領域については構造六面体タイプのメッシュである。
本発明の１つの特に好ましい変形形態によれば、大動脈の壁および／または弁（すなわち外側）に関連するメッシュは、六面体タイプのメッシュであり、流れ領域（すなわち内側）に関連するメッシュは、四面体タイプのメッシュである。
本発明の１つの変形形態によれば、本方法の上記ステップ４は、まず、非対称性、規則性、要素数などのパラメータ（単独でまたは組み合わせて）を変化させることによって上記メッシュ（または複数のメッシュ）の感度を調べることと、次に、最も適切な１組のメッシュ生成パラメータを選択することを可能にすることと、を含む、生成されたメッシュを評価および確認するサブステップをさらに含む。
好都合には、本方法が解決策１を採用するときに生成されるメッシュ（または複数のメッシュ）は３Ｄであり、本方法が解決策２を採用するときに生成されるメッシュ（または複数のメッシュ）は２Ｄである。
－少なくとも１つのモデルＭ（これが例えば一次モデルＭＰであるか補正モデルＭＣであるかを問わない）および／または少なくとも１つのメッシュＴ（これが例えば一次メッシュＴＰであるか補正メッシュＴＣであるか別のメッシュであるかを問わない）から、上記血管関心領域Ｖの幾何形状に関するデータＤＧを抽出する、ステップ５。好都合には、データＤＧは、
○モデルＭからおよび／またはメッシュＴから直接、
○間接的に、すなわち、計算を通して
抽出される。
好都合には、データＤＧは、以下のうちの少なくとも１つのデータ項目を含む。
・検査長さＬ、すなわち、上記モデルＭの全水平投影に対応する長さ、
・中心線弧の高さＡ、
・大動脈の直径Ｄ、
・大動脈の中心線から動脈瘤の内方にある壁（すなわち、最も小さい隆起を示す壁）までの半径に対応する（動脈瘤の中心線ＬＣに垂直な）動脈瘤の内方にある径Ｂ、
・大動脈の中心線から動脈瘤の外方にある壁（すなわち、最も大きい隆起を示す壁）までの半径に対応する（動脈瘤の中心線ＬＣに垂直な）動脈瘤の外方にある径Ｃ、
・動脈瘤の長さＡＬ、すなわち、動脈瘤の平均長さ、および／または
・有効弁口面積ＡＶＥの経時変化（ＥＯＡ：ｅｆｆｅｃｔｉｖｅ ｏｒｉｆｉｃｅ ａｒｅａ（有効弁口面積））：この面積は、例えば、流入量から、別個のＣＦＤ研究から、フローイメージングまたはカテーテルから、計算できる、
・流入量、
・流出圧力。
－少なくとも１つの事前に記録された（固定または可変）、分析対象の（予測および／または非予測）パラメータのリストから、上記関心領域Ｖにおけるリスクを評価するために、分析対象の１組のパラメータＪＰを形成する、ステップ６。
－好都合には、パラメータＪＰのうちの少なくとも一部は「局所的」パラメータである、つまり、その値は、とりわけ、関心領域Ｖ内の位置によって異なる。しかしながら、パラメータの値が上記領域のメッシュの各ノードに対して定義される必要はなく、例えば、一部のパラメータの値は、関心領域内の血管（例えば、大動脈）の断面に対して定義されてもよい。
好都合には、本発明による方法が解決策１を採用するとき、少なくとも上記固定リストからの選択を通じて、１組のパラメータＪＰが徐々に形成される。
好ましくは、本発明による方法が解決策１を採用するとき、１組のパラメータＪＰは、予測パラメータおよび非予測パラメータを含むことができる。
好ましくは、本発明による方法が解決策１を採用するとき、１組の予測パラメータＳＰＰは、上で定義された選択を通じて、および／または少なくとも１つの追加の（予測または非予測）パラメータの追加を通じて形成される。少なくとも１つの追加のパラメータの追加は、医師（ユーザ、研究者、開発者など）による入力から、および／または本方法自身による更新（本方法の別のステップに従う。ステップ７および／または８の後に本方法にループが形成されてもよく、これについては後述する）からもたらされる。好都合には、本発明による方法が解決策１を採用するとき、追加される追加のパラメータは、（例えば、研究されたパラメータのログを維持するために）上記リストに記録される。
好都合には、本発明による方法が解決策２を採用するとき、少なくとも上記リストからの選択を通じて、１組のパラメータＪＰが形成される。
好ましくは、本発明による方法が解決策２を採用するとき、１組のパラメータＪＰは、予測パラメータのみを含む。
好ましくは、本発明による方法が解決策２を採用するとき、１組のパラメータＪＰは、上で定義された選択を通じて、また少なくとも１つの追加の予測パラメータの追加を通じて形成される。好都合には、本発明による方法が解決策２を採用するとき、追加のパラメータは、（例えば、研究されたパラメータのログを維持するために）上記リストに記録される。
よって、リストは、形成されるときに、確認済みパラメータ（すなわち、実際には予測的なもの）および／または確認されていないパラメータ（すなわち、正しくまたは誤って、予測的であると想定されるもの）を含むことができる。
１組のパラメータＪＰを形成するパラメータ（または複数のパラメータ）は、好ましくは、とりわけ、以下の中から選ばれる。
○次式で定義される、壁せん断応力（ＷＳＳ）
Figure 0007082131000001
 式中、μは動的粘度、ｕは壁に平行な流速、ｙは壁までの距離である。
○壁せん断応力から導出された任意のパラメータ
○次式で定義される、振動せん断指数（ＯＳＩ）
Figure 0007082131000002
 ○次式で定義される、時間平均壁せん断応力（ＡＷＳＳ）
Figure 0007082131000003
 ○次式で定義される、時間平均壁せん断応力ベクトル（ＡＷＳＳＶ）
Figure 0007082131000004
 ○最大収縮時の壁せん断応力（ＷＳＳＰＳ）
○空間壁せん断応力勾配ＳＷＳＳＧ（空間ＷＳＳ勾配）。これは、壁せん断応力（ＷＳＳ）の空間的不均一性を表し、次式で定義される。
Figure 0007082131000005
 式中、方向ｐは、血流周期にわたるＷＳＳベクトルの方向に対応し、方向ｑは、方向ｐに対して垂直である。
●血行力学的指数ＧＯＮ（ｇｒａｄｉｅｎｔ ｏｓｃｉｌｌａｔｏｒｙ ｎｕｍｂｅｒ：ＧＯＮ）。これは、振動する引張力と圧縮力との大きさを定量化するものであり、次式で定義される。
Figure 0007082131000006
 ○収縮中期減速の動脈瘤形成指数（ＡＦＩ）。これは、ＷＳＳｉベクトル（ＷＳＳｉは、血流周期の所与の瞬間ｉにおけるＷＳＳに対応する）とＡＷＳＳＶとの間の角度の余弦を定量化するものであり、次式によって定義される。
Figure 0007082131000007
 ○例えばダルシーの法則（流速は、２点間の圧力差に直線的に比例し、流体力学的抵抗に反比例する）を用いて、関心対象の血管の抵抗を用いて得られる入力側圧力（ＩＰ）。上記抵抗は、例えば、ポアズイユの法則を用いて計算される。
○大動脈瘤が血管の直径の局所的な増大をもたらすという事実の観察に基づいて、大動脈の断面ＳＣに関連する１群のパラメータを記述することが可能である。
・上記断面ＳＣに関連する壁せん断応力（ＳＣＷＳＳ）：
Figure 0007082131000008
 ・上記断面ＳＣに関連する空間壁せん断応力勾配（ＳＣＳＷＳＳＧ）：
Figure 0007082131000009
 ・上記断面ＳＣに関連する時間平均壁せん断応力（ＡＳＣＷＳＳ）：
ＡＳｃＷＳＳ＝∫ＴＳＣＷＳＳｄｔ
・上記断面ＳＣに関連する時間平均空間壁せん断応力勾配（ＡＳＣＳＷＳＳＧ）：
ＡＳｃＳＷＳＳＧ＝∫ＴＳＣＳＷＳＳＧｄｔ
・上記断面ＳＣに関連する、最大収縮時の壁せん断応力（ＳＣＷＳＳＰＳ）
・上記断面ＳＣに関連する、最大収縮時の空間壁せん断応力勾配（ＳＣＳＷＳＳＧＰＳ）
・上記断面ＳＣに関連する壁せん断応力の標準偏差（ＤＳＣＷＳＳ）：
Figure 0007082131000010
 ・上記断面ＳＣに関連する空間壁せん断応力勾配の標準偏差（ＤＳＣＳＷＳＳＧ）：
Figure 0007082131000011
 ・上記断面ＳＣに関連する時間平均壁せん断応力の標準偏差（ＡＤＳＣＷＳＳ）：
ＡＤＳｃＷＳＳ＝∫Ｔσ（ＳＣＷＳＳ）ｄｔ
・上記断面ＳＣに関連する時間平均空間壁せん断応力勾配の標準偏差（ＡＤＳＣＳＷＳＳＧ）：
ＡＤＳｃＳＷＳＳＧ＝∫Ｔσ（ＳＣＳＷＳＳＧ）ｄｔ
・上記断面ＳＣに関連する、最大収縮時の壁せん断応力の標準偏差（ＤＳＣＷＳＳＰＳ）
・上記断面ＳＣに関連する、最大収縮時の空間壁せん断応力勾配の標準偏差（ＤＳＣＳＷＳＳＧＰＳ）
大動脈瘤は、血管の直径を局所的に増加させる。よって、本発明の１つの有利な実施形態では、１組のＪＰのうちのパラメータ、またはそれらのうちの少なくとも一部は、大動脈の断面における壁せん断応力に基づいている。これにより、（少なくとも）以下のパラメータ：
－血管関心領域の断面に関連する時間平均壁せん断応力と、
－血管関心領域の上記断面に関連する時間平均空間壁せん断応力勾配と、
－血管関心領域の上記断面に関連する、最大収縮時の壁せん断応力と、
－血管関心領域の上記断面に関連する、最大収縮時の空間壁せん断応力勾配と
が使用される。
とりわけ、大動脈瘤は断面内で直径の均一な増加を一般に示さないという事実を考慮して、大動脈の断面における壁せん断応力の不均衡を考慮することが有益であることも分かる。これにより、（少なくとも）以下のパラメータ：
－血管関心領域の断面に関連する時間平均壁せん断応力の標準偏差と、
－血管関心領域の上記断面に関連する時間平均空間壁せん断応力勾配の標準偏差と、
－血管関心領域の上記断面に関連する、最大収縮時の壁せん断応力の標準偏差と、
－血管関心領域の上記断面に関連する、最大収縮時の空間壁せん断応力勾配の標準偏差と
が使用される。
－ステップ７であって、
○上記血管関心領域Ｖの幾何形状に関して少なくともデータＤＧから、学習法を用いる上記治療アルゴリズムを用いて、ステップ６で形成された１組のパラメータＪＰのうちの少なくとも１つのパラメータに関連する予測リスク数値データＤＮＡを決定し、すなわち上記パラメータの数値を計算し、
○リスクレベルのスケールの中から、１組のパラメータＪＰのうちの上記パラメータ（または上記複数のパラメータ）にリスクレベルＮＲＡを割り当て、
○上記決定された数値データＤＮＡから、少なくとも１組のパラメータＪＰのうちの各パラメータについて、上記関心領域ＶにおいてリスクモデルＭＲＡを生成する、ステップ７。
好都合には、学習法を用いる治療アルゴリズムは、与えられたデータの関数として１組のパラメータＪＰのうちのパラメータの数値データ（値）を近似するエミュレータのように機能する。
よって、エミュレータは、構築され確認されると、とりわけ、出力変数に関する統計を提供する、および／または各入力変数の相対的重要性を識別する、および／または出力時に特定の条件につながる複数組の入力パラメータを識別するように用いられることが意図されている（構築後段階、解決策２）。
好都合には、学習法を用いる治療アルゴリズムは、ニューラルネットワーク、特に多層パーセプトロンニューラルネットワーク、決定木、ベイジアンネットワーク、自己適応型マップなどの技法を用いる。
例えば、ベイジアンネットワークおよび多変量手法（データマイニング法を構成する）に基づくアルゴリズムは、ＣＦＤ流れ研究に有効であることが証明されており、これについては、下記を参照されたい。
Ｖ．Ｂ．Ｋｏｌａｃｈａｌａｍａ，Ｎ．Ｗ．Ｂｒｅｓｓｌｏｆｆ，ａｎｄ Ｐ．Ｂ．Ｎａｉｒ．Ｍｉｎｉｎｇ ｄａｔａ ｆｒｏｍ ｈｅｍｏｄｙｎａｍｉｃ ｓｉｍｕｌａｔｉｏｎｓ ｖｉａ Ｂａｙｅｓｉａｎ ｅｍｕｌａｔｉｏｎ．ＢｉｏＭｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ ＯｎＬｉｎｅ，ｖｏｌ．６，ａｒｔｉｃｌｅ ４７，２００７。
さらに最近では、バックプロパゲーショントレーニングされた多層パーセプトロンニューラルネットワークが、幾何学的パラメータから壁せん断応力などの流れパラメータを予測する上で有望な結果をもたらした。これについては、下記を参照されたい。
Ｎ．Ｊａｎｋｏｖｉｃ，Ｍ．Ｒａｄｏｖｉｃ，Ｄ．Ｐｅｔｒｏｖｉｃ，Ｎ．Ｚｄｒａｖｋｏｖｉｃ，ａｎｄ Ｎ．Ｆｉｌｉｐｏｖｉｃ．Ｍｉｎｉｎｇ ｄａｔａ ｆｒｏｍ ＣＦＤ ｓｉｍｕｌａｔｉｏｎｓ ｏｆ ａｎｅｕｒｙｓｍ ａｎｄ ｃａｒｏｔｉｄ ｂｉｆｕｒｃａｔｉｏｎ ｍｏｄｅｌｓ．Ｊ．ｏｆ ｔｈｅ Ｓｅｒｂｉａｎ Ｓｏｃｉｅｔｙ ｆｏｒ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｍｅｃｈａｎｉｃｓ．２０１２；６（２）：１３３－１４４。
この方法は、３３４６個の学習例のセット上で、９個の入力ニューロンと５個の出力ニューロンとを用いて、動脈瘤の場合に適用されている。１０００回繰り返した後の誤差は、３．５１％であった。
自己組織化マップ法もまた有望のようであり、これについては、下記を参照されたい。
Ｓ．Ｍｏｒｉｚａｗａ，Ｋ．Ｓｈｉｍｏｙａｍａ，Ｓ．Ｏｂａｙａｓｈｉ，Ｋ．Ｆｕｎａｍｏｔｏ，ａｎｄ Ｔ．Ｈａｙａｓｅ．Ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｏｆ ｖｉｓｕａｌ ｄａｔａ ｍｉｎｉｎｇ ｆｏｒ ｕｎｓｔｅａｄｙ ｂｌｏｏｄ ｆｌｏｗ ｆｉｅｌｄ ｉｎ ａｏｒｔｉｃ ａｎｅｕｒｙｓｍ．Ｊ．Ｖｉｓ．２０１１；１４：３９３－３９８。
予測数値データＤＮＡは、好ましくは、とりわけ、ステップ４において、生成されたメッシュ（または複数のメッシュ）の各点（一次ＴＰおよび／または補正されたＴＣまたは他のメッシュ）において、および／または各時間ステップにおいて決定される。例えば、心周期（通常０．８秒間続く）は、１０～１００の間の複数の時間ステップ、好ましくは、２０の時間ステップに細分される。
－ステップ８であって、少なくとも
○ステップ４において生成された少なくとも１つのメッシュを含む１組のメッシュ、および／または
○少なくとも１組の入出力条件ＳＣ、および／または
○上記血管関心領域Ｖの幾何形状に関するデータＤＧ
から、少なくとも１つのＣＦＤ研究を含む流体研究を通して、ステップ６で形成された上記１組のパラメータＪＰのうちの少なくとも１つのパラメータに関連する予測リスク数値データＤＮＥを決定し、すなわち上記パラメータの数値を計算し、
○リスクレベルのスケールの中から、１組のパラメータＪＰのうちの上記パラメータ（または上記複数のパラメータ）にリスクレベルＮＲＥを割り当て、
○上記決定された数値データＤＮＥから、少なくとも１組のパラメータＪＰのうちの各パラメータについて、上記関心領域ＶにおいてリスクモデルＭＲＥを生成する、ステップ８。
好都合には、本発明によれば、数値データＤＮＥは、局所的に（つまり、例えば、各メッシュ点でのパラメータ（または複数のパラメータ）の値、もしくは定義された領域にわたる平均値を計算することによって）計算される、および／または大域的に経時的に（つまり、例えば、各時間ステップでのパラメータ（または複数のパラメータ）の値、もしくは全心周期にわたる平均値を計算することによって）計算される。数値データＤＮＥは局所的に計算されるため、数値データＤＮＡは位置に依存する。よって、これらの値の分布のマップを作成することが可能である。このマップは、例えばカラーコードまたはグレースケールによってコンピュータ画面上に表示されてもよい。
リスクレベルＮＲＥは、１組のＪＰのうちのパラメータの計算値ＤＮＥと関心領域の病理学的異常との間の空間的相関関係から決定され得る。例えば、補正モデルＭＣから計算されたパラメータが、一次モデルＭＰが異常（例えば動脈瘤）を示す場所で特に高い値を示す場合、問題のパラメータは、動脈瘤の形成を予測すると仮定できる。具体的には、補正モデルは、動脈瘤（より一般的には病状）の形成前であるが、因子がその発生源に既に存在していた場合の患者の条件の近似を構成する。この場合、パラメータの高い（低い）値は、高い（低い）リスクレベルに関連付けられる。リスクレベルは局所的に定義されるため、そこからマップを作成し、そのマップを例えばカラーコードまたはグレースケールによってコンピュータ画面上に表示することが可能である。
好都合には、本発明の一部の変形形態によれば、流体研究は、計算流体力学（ＣＦＤ）研究を含む。
流体研究は、好ましくは、計算流体力学研究および流体構造連成（ＦＳＩ）研究の両方を含む。
好都合には、流体研究は、少なくとも、モデルが巨視的であるときにはナビエ－ストークス方程式を解くことを含み、モデルがメゾスコピックであるときにはＢＧＫ－ボルツマン方程式を解くことを含む。好ましくは、血管関心領域Ｖが大動脈であるとき、超弾性ｎｅｏ－Ｈｏｏｋｅａｎモデルを解くことによって壁の動きが考慮される。
よって、本発明の変形形態によれば、ＣＦＤ流体研究に対応するデータＤＮＥＣ、および／またはＦＳＩ流体研究に対応するデータＤＮＥＦであり得る、数値データＤＮＥが決定される。
好都合には、１組の入出力条件ＳＣは、とりわけ、入口における最大収縮時のレイノルズ数、入口における有効弁口面積（ＥＯＡ）、出口抵抗の中から、少なくとも１つのパラメータを含む。
１組（または複数組）の入出力条件ＳＣは、好ましくは、
○メモリに事前に記録されている、および／または
○医師によって手動で入力されている、および／または
○評価および／または確認ステップＬ（後述）の結果である。
好都合には、本発明の変形形態によれば、１組（または複数組）の入出力条件ＳＣは、既存のリストから選択される、および／または要求に応じて手動で入力される、および／または１組の初期入出力条件ＳＣＩのうちの少なくとも１つのパラメータの確率論的修正を行うことによって取得される。
好都合には、１組の入出力条件ＳＣは、とりわけ、入口における最大収縮時のレイノルズ数、入口における有効弁口面積（ＥＯＡ）、流出抵抗、流入量、入口における速度のプロファイルの中から、少なくとも１つのパラメータを含む。
予測数値データＤＮＥは、好ましくは、ステップ４において、生成されたメッシュ（または複数のメッシュ）の各点（一次ＴＰおよび／または補正されたＴＣ）において、および／または各時間ステップにおいて決定される。
本発明の洗練された変形形態では、１群のメッシュは、上記一次メッシュＴＰに関連する少なくとも１つのパラメータの確率論的修正を実行することによって、上記一次メッシュＴＰから形成される少なくとも１つの適応メッシュＴＡをさらに含む。
好都合には、流体研究は、とりわけ、呼吸および心臓の動きに起因する大動脈の動き、および大動脈の弾性の中から、少なくとも１つの要素を考慮する。
－少なくともステップ７とステップ８との結果を比較し、予測能力誤差ＥＣの値を記録することにより、流体研究（流体研究は、実際の挙動を表し、有効な結果を生むため、基準として働く）に関して学習法を用いる治療アルゴリズムの予測能力誤差ＥＣを評価する、ステップ９。
好都合には、学習法を用いる治療アルゴリズムの予測能力誤差ＥＣの評価は、少なくとも、
○流体研究を通じて計算され、（これらは実際の値であるため）基準値を構成する、予測リスク数値データ（数値）ＤＮＥと、
○学習法を用いる上記治療アルゴリズムを用いて計算され、最適化対象の値を構成する、予測リスク数値データＤＮＡ（数値）と
の間の誤差を評価することによって行われる。
誤差ＥＣの値を記録することは、以前に記録された値を削除すること、またはそれが最新の計算値であることを示す指標を値に割り当てることによってリストに値を記録することのいずれかを含み得る。
－少なくともステップ８の結果を提供することにより、学習法を用いる上記治療アルゴリズムをトレーニングする、ステップ１０。
－患者症例データベースで得られたすべてのデータをデータ記憶装置に記録する、ステップ１１（図２に示さず）。
より詳細には、ステップ９は、
○分析対象の１組のパラメータＪＰのうちのパラメータ（または複数のパラメータ）の数値データ（数値）ＤＮ（ＤＮＡおよび／またはＤＮＥ）を比較すること、および／もしくは上記数値データＤＮ間の誤差を推定して、それらの対応関係が十分であることを検証すること、
ならびに／または
○リスク領域間の対応関係が十分であるか否かを検証するために、リスクモデルＭＲを比較すること
を含む。
この文脈（ステップ９）において、数値データＤＮの比較は、
○数値データＤＮを比較して、
・流体研究から得られた基準数値データＤＮＥと、
・学習法を用いる治療アルゴリズムを用いて得られた最適化対象の（予測）数値データＤＮＡと
の間の対応関係が十分であるか否かを検証すること、および／もしくは
○流体研究から得られた数値データＤＮＥと、学習法を用いる治療アルゴリズムから得られた最適化対象の数値データＤＮＡとの間の誤差を（例えば、百分率、レベルなどに関して）推定すること、
ならびに／または
○数値データＤＮを比較して、
・実際のケース（または複数のケース）から得られた（つまり、一次メッシュＴＰから得られた）モデル（または複数のモデル）に関連する数値データＤＮと、
・シミュレーションされたケース（または複数のケース）から得られた（つまり、補正メッシュＴＣから、および／または他のメッシュ、例えば適応メッシュＴＡから得られた）モデル（または複数のモデル）に関連するデジタルデータＤＮと
の間の対応関係が十分であるか否かを検証すること、および／もしくは
○上記実際の数値データＤＮと上記シミュレーションされた数値データとの間の誤差を（例えば、百分率、あるいは実際のリスク領域の中心の座標とシミュレーションされたリスク領域の中心の座標との間の偏差などに関して）推定すること
を含むことができる。
この文脈（ステップ９）においても、リスクモデルＭＲを比較することは、
○リスクモデルＭＲＡとリスクモデルＭＲＥとを比較して、
・流体研究から得られたモデル（または複数のモデル）ＭＲＥ上に提示される基準リスク領域と、
・学習法を用いる治療アルゴリズムを用いて得られた最適化対象のモデル（または複数のモデル）ＭＲＡ上に提示されるリスク領域と
の間の対応関係が十分であるか否かを検証すること、および／もしくは
○流体研究から得られた上記リスク領域と、学習法を用いる治療アルゴリズムから得られた最適化対象の上記リスク領域との間の誤差を（例えば、リスク領域について計算された表面積間の偏差を反映する百分率、またはリスク領域の中心間の偏差に関して）推定すること、
ならびに／または
○リスクモデル同士を比較して、
・実際のケース（または複数のケース）から得られた（つまり、一次メッシュＴＰから得られた）モデル（または複数のモデル）上に提示される基準リスク領域と、
・シミュレーションされたケース（または複数のケース）から得られた（つまり、補正メッシュＴＣから、および／または他のメッシュ、例えば適応メッシュＴＡから得られた）モデル（または複数のモデル）上に提示されるリスク領域と
の間の対応関係が十分であるか否かを検証すること、および／もしくは
○上記実際のリスク領域と上記シミュレーションされたリスク領域との間の誤差を（例えば、リスク領域について計算された表面積間の偏差を反映する百分率、またはリスク領域の中心間の偏差に関して）推定すること
を含むことができる。
本評価方法が、学習法を用いる上記治療アルゴリズムを患者のデータに直接適用すること（解決策２）に関する場合、医師のための意思決定支援サポートとして少なくとも１つのリスクモデルＭＲＡを直接（すなわち、流体研究と比較して過度に長い計算なしで）得ることが可能である。
好都合には、本発明によるリスク評価方法の高度な変形形態では、学習法を用いる上記治療アルゴリズムによる数値データＤＮ（ＤＮＥ、ＤＮＡ）の決定は、上記患者Ｐｉに固有の１組のパラメータＪＳＰからさらに行われる。好都合には、上記患者Ｐｉに固有の上記１組のパラメータＪＳＰは、本方法の前に取得される。上記１組の固有のパラメータＪＳＰは、例えば、
－患者の年齢、
－患者の性別、
－患者のサイズ、
－患者の体重、
－関連する病状（狭窄、血栓症、大動脈亀裂、過粘性など）の存在および性質
を含む。
好都合には、本発明によるリスク評価方法の高度な変形形態では、予測能力誤差の値が予め定義された閾値より小さい場合（解決策２）、本方法は、ステップ７の後に、ステップ８、１０および１１をこの順序で実行することをさらに含む。
好都合には、本発明によるリスク評価方法の高度な変形形態では、上記方法は、分析対象の１組のパラメータＪＰのうちのパラメータ（または複数のパラメータ）を評価および／または確認する少なくとも１つのステップＬをさらに含む（解決策１および／または解決策２）。
好ましくは、分析対象の１組のパラメータＪＰのうちのパラメータ（または複数のパラメータ）を評価および／または確認するステップ（または複数のステップ）Ｌは、本方法が知識取得解決策１を採用する（予測能力誤差ＥＣの値が予め定義された閾値ＳＥより大きい）ときにのみ実行される。
好都合には、１組のパラメータＪＰのうちのパラメータ（または複数のパラメータ）を評価および／または確認するステップ（または複数のステップ）Ｌは、ステップ８の後に実行され、ステップ８、追加の研究（または複数の研究）のうちの少なくとも１つのステップから得られた結果の利用に基づく。
ある（または上記）追加の研究（または複数の研究）は、例えば（かつ限定されることなしに）、
●研究されている患者の症例に対応するファントム（すなわち、実験目的に意図されている、例えばシリコーン製の物理的模造品）上で研究（ＣＦＤおよび／またはＦＳＩおよび／または他の研究など）を実行すること、
●研究されている患者の症例の少なくとも１つの他の表現Ｒ’（例えば、術後画像）に基づいて研究（ＣＦＤおよび／またはＦＳＩおよび／または他の研究など）を実行すること
であってもよい。
よって、第２の追加の研究例が選択されたとき、手術前（ステップ８）および手術後（追加の研究）の患者の症例に関する流体研究の結果が比較される。
好都合には、１組のパラメータＪＰのうちのパラメータ（または複数のパラメータ）を評価および／または確認するステップＬは、ステップ８および少なくとも１つの追加の研究から得られた結果を利用することに基づいており、
○流体研究から得られた数値データ（数値）ＤＮＥ（ステップ８）と上記追加の研究から得られた数値データとを比較して、それらの対応関係が十分であるか否かを検証すること、
および／または
○流体研究（ステップ８）から得られたリスクモデルＭＲＥと上記追加の研究から得られたリスクモデル（または複数のモデル）とを比較して、リスク領域間の対応関係が十分であるか否かを検証すること
を含む。
実験的（ファントム上）でも数値的でも、追加の研究は、パラメータの数値とリスクレベルとを結ぶ関係をより定量的に決定することをさらに可能にする。
好ましくは、ステップＬが１組のパラメータＪＰのうちのパラメータ（または複数のパラメータ）を評価するステップとして使用されるとき、それはステップ６で形成された１組のパラメータＪＰの有効性に関する情報を医師に与え、かつ少なくとも
○分析対象の１組のパラメータＪＰのうちのパラメータ（または複数のパラメータ）から得られた数値データＤＮおよび／またはリスクモデルを（前段落で説明したように）比較することと、
○比較に基づいて、精度レベルのスケールの中から、分析対象の１組のパラメータＪＰのうちの上記パラメータ（または上記複数のパラメータ）に予測精度レベルＮＰを割り当てることと
を含む。
この情報（パラメータの予測精度レベルＮＰ）に基づいて、医師は、１組のパラメータＪＰを再調整できる。
好ましくは、ステップＬは、１組のパラメータＪＰのうちのパラメータ（または複数のパラメータ）を確認するステップとして使用されるとき、少なくとも
○ステップ８で使用される１組の入出力条件ＳＣを（例えば、上記１組のＳＣのうちの少なくとも１つのパラメータの確率論的修正を実行することによって）変更することと、
○分析対象の１組のパラメータＪＰのうちのパラメータ（または複数のパラメータ）から得られた数値データＤＮおよび／またはリスクモデルを（前段落で説明したように）比較することと、
○比較に基づいて、精度レベルのスケールの中から、分析対象の１組のパラメータＪＰのうちの上記パラメータ（または上記複数のパラメータ）に予測精度レベルＮＰを割り当てることと、
○十分な予測精度レベルＮＰを有するパラメータ（または複数のパラメータ）を含むように、ステップ６で形成された、分析対象の少なくとも１組のパラメータＪＰを更新することと
を含む。
予測精度レベルＮＰの割り当ては、好ましくは、バイナリ方式で実行され、すなわち、パラメータは予測的または非予測的のいずれかであるとみなされる。
好都合には、本方法の洗練された変形形態では、更新は、以下を関連付けるリストを更新することを含む。
○最も高い精度レベルＮＰを有する１組のパラメータＪＰのうちのパラメータ、および／または
○上記最も高い精度レベルＮＰを達成可能にする、対応する入出力条件ＳＣ。
好ましくは、ステップ６で形成された、分析対象の１組のパラメータＪＰを少なくとも更新することは、最も高い予測精度レベルＮＰを有するパラメータ（または複数のパラメータ）のみを含むように実行される。
好都合には、ステップＬは、１組のパラメータＪＰのうちのパラメータ（または複数のパラメータ）を確認するステップとして使用されるとき、
○ステップ９および１０に影響を与えることなしに、ステップ８の後かつステップ１１の前に実行され得る、または
○ステップ８の後に実行され、ステップ９へ進むように定義し得る。
好ましくは、ステップＬは、１組のパラメータＪＰのうちのパラメータ（または複数のパラメータ）を確認するステップとして使用されるとき、（流体研究に適用される）１組の入出力条件ＳＣによって、１組のパラメータＪＰのうちのパラメータが十分な精度レベルＮＰに到達できるようにならない限り、一連のステップ８およびＬで本方法にループを形成する。このループは、図２では、１組のパラメータＪＰの更新（確認ステップＬの最後のサブステップ）を象徴する二重線の矢印で示されており、ステップＬが、１組のパラメータＪＰのうちのパラメータ（または複数のパラメータ）を評価するステップとして使用される場合は存在しない。
好都合には、精度レベルＮＰは、研究される病状（または病状のクラスタ）に応じて選択される。
好都合には、精度レベルＮＰは、１組のパラメータＪＰのうちの１群のパラメータ（１組のパラメータＪＰのうちの一部のパラメータの組み合わせ、または１組のパラメータ全体）に対して選択される。
精度レベルＮＰは、好ましくは、１組のパラメータＪＰのうちの各パラメータに対して選択される。
好ましくは、１組のパラメータＪＰのうちの各パラメータについて、精度レベルＮＰは、研究される病状（または病状のクラスタ）に応じて選択される。
精度レベルＮＰは、好ましくは、（１組のパラメータＪＰに属する）考慮中のパラメータに対応する、数値データＤＮおよび／またはシミュレーションされ予測された（実際の）リスクモデルの間の差が２０％以下である場合に、十分であるとみなされる。
好都合には、少なくとも１組の入出力条件ＳＣにより、１組のパラメータＪＰのうちのパラメータが十分な精度レベルＮＰに到達できるようになったと識別される（ステップＬが確認ステップとして使用される）とき、および／または数値データＤＮおよび／またはリスクモデルの間で対応関係が十分である場合、本方法はステップ９に進む。
上で概説したすべての特徴に照らして、当業者であれば、本発明によって与えられる利点、および二尖弁状態に冒された患者の利益のためにそれを使用することの利点を理解するはずである。
当然のことながら、上記のステップは限定するものではなく、当業者には、目標とする用途に応じて、血管関心領域におけるリスク評価に最も適切なステップを選択、組み合わせおよび／または補足する方法が既知であろう。
さらに、本発明は、上述のようなリスク評価方法を実施できる、血管関心領域Ｖにおけるリスク評価のためのシステムに関し、
－患者（または複数の患者）血管関心領域をイメージングすることが意図されている、少なくとも１つの医用イメージング手段と、
－データを記憶することが意図されている、少なくとも１つのデータ記憶装置と、
－上記医用イメージング手段および／または上記データ記憶装置と通信でき、本発明によって提供される方法に従ってデータを処理して、とりわけ、リスクレベルＮＲ（動脈瘤破裂、縮窄など）および関連するリスク領域（評価は空間的および／または時間的に行われる）を予測的に評価を示す、および／または可能にするリスクモデルＭＲを作成（生成）でき、医師の医療上の意思決定のための支援サポートとして働くことを意図されている、データ処理装置と
を備える。
好都合には、上記データ記憶装置は、
－外部のデータ、および／または
－例えば、とりわけ、表現Ｒ、モデルＭ、学習法を用いる治療アルゴリズムの予測能力誤差の値（または複数の値）、１組の予測パラメータ、１組の患者に固有のパラメータなどの本方法から得られるデータ
を記憶することが意図されている。
最終的に、当業者であれば、既存の方法およびシステムと比較して、適応リスク評価システムにおける、本発明によるリスク評価方法の有用性および使用の容易さを理解するはずである。
本発明による方法は、動脈瘤破裂のリスクなどの患者が被るリスクの動的（空間的および時間的）でさえある正確なモデルを得るのに特に有効であることが容易に理解されよう。本方法は、ＭＲＩ装置、血管造影装置などのイメージングシステムから直接（または例えばデジタル変換を介して間接的に）得られるＤＩＣＯＭ画像を処理するためにさらに使用されてもよい。
当然のことながら、本発明は、記載された実施形態だけに限定されないことは明らかであり、むしろ同じ原理に従うすべての変形実施形態およびその応用変形形態を組み込む。

Claims (18)

  1. 学習法を用いる治療アルゴリズムを実施する、血管関心領域（Ｖ）におけるリスク評価のための方法において、前記方法が、１群の患者｛Ｐ１，…，Ｐｉ，…，Ｐｎ｝の中から一連の患者の各症例について、以下のステップ：
    ステップ１であって、最新の既知の学習法を用いる前記治療アルゴリズムの予測能力誤差（ＥＣ ）の値をテストし、前記誤差（ＥＣ ）の前記値が、前記方法の最初の繰り返しにおいて、予め定義された閾値（ＳＥ）より大きくなるように定義され、前記誤差（ＥＣ ）の前記値が前記予め定義された閾値（ＳＥ）より大きい場合、少なくとも下記ステップ２～１１を実行し、それ以外の場合は、少なくとも下記ステップ２－３－５－６－７を実行する、ステップ１と、
    ステップ２であって、前記患者の血管関心領域（Ｖ）の少なくとも１つの表現（Ｒ）を取得する、ステップ２と、
    ステップ３であって、前記表現（Ｒ）から、前記関心領域（Ｖ）の少なくとも１つのモデル（Ｍ）を再構成し、前記モデルが、任意の可能な病理学的異常に関して補正された前記関心領域の幾何形状に対応する、ステップ３と、
    ステップ４であって、前記モデル（Ｍ）から、前記関心領域（Ｖ）の少なくとも１つのメッシュ（ＴＰ、ＴＣ）を生成する、ステップ４と、
    ステップ５であって、少なくとも１つのモデル（Ｍ）および／または少なくとも１つのメッシュから、前記血管関心領域（Ｖ）の前記幾何形状に関するデータ（ＤＧ）を抽出する、ステップ５と、
    ステップ６であって、少なくとも１つの事前に記録されたパラメータのリストから、前記関心領域（Ｖ）におけるリスクを評価するために、分析対象の１組のパラメータ（ＪＰ）を形成する、ステップ６と、
    ステップ７であって、前記血管関心領域（Ｖ）の前記幾何形状に関して少なくとも前記データ（ＤＧ）から、学習法を用いる前記治療アルゴリズムにより、ステップ６で形成された前記１組のパラメータ（ＪＰ）のうちの少なくとも１つのパラメータに関連する予測リスク数値データ（ＤＮＡ ）を決定し、リスクレベルのスケールの中から前記パラメータにリスクレベル（ＮＲＡ ）を割り当て、決定された前記予測リスク数値データ（ＤＮＡ ）から、少なくとも前記１組のパラメータ（ＪＰ）のうちの各パラメータについて、前記関心領域（Ｖ）におけるリスクモデル（ＭＲＡ ）を生成する、ステップ７と、
    ステップ８であって、ステップ４で生成された少なくとも１つのメッシュを含む少なくとも１群のメッシュと、少なくとも１組の適応入出力条件（ＳＣ）と、から、少なくとも１つのＣＦＤ研究を含む流体研究を介して、ステップ６で形成された前記１組のパラメータ（ＪＰ）のうちの少なくとも１つのパラメータに関連する予測リスク数値データ（ＤＮＥＣ、ＤＮＥＦ）を決定し、リスクレベルのスケールの中から前記パラメータにリスクレベル（ＮＲＥ ）を割り当て、決定された前記予測リスク数値データ（ＤＮＥＣ、ＤＮＥＦ）から、少なくとも前記１組のパラメータ（ＪＰ）のうちの各パラメータについて、前記関心領域（Ｖ）におけるリスクモデル（ＭＲＥＣ、ＭＲＥＦ）を生成する、ステップ８と、
    ステップ９であって、少なくともステップ７とステップ８との結果を比較し、前記能力誤差（ＥＣ ）の前記値を記録することにより、前記流体研究に関して学習法を用いる前記治療アルゴリズムの前記予測能力誤差（ＥＣ ）を評価する、ステップ９と、
    ステップ１０であって、少なくともステップ８の前記結果を提供することにより、学習法を用いる前記治療アルゴリズムをトレーニングする、ステップ１０と、
    ステップ１１であって、患者症例データベースで得られたすべてのデータをデータ記憶装置に記録する、ステップ１１と、
    を含むことを特徴とする、方法。
  2. 学習法を用いる前記治療アルゴリズムによる前記予測リスク数値データ（ＤＮＥ、ＤＮＡ）の前記決定は、前記患者に固有の１組のパラメータ（ＪＳＰ）からさらに行われる、請求項１に記載のリスク評価方法。
  3. 前記少なくとも１つのメッシュは、一次メッシュ（ＴＰ）を含み、
    ステップ８で使用される前記１群のメッシュは、前記一次メッシュ（ＴＰ）に関連する少なくとも１つのパラメータの確率論的修正を実行することによって、前記一次メッシュ（ＴＰ）から形成された少なくとも１つの適応メッシュ（ＴＡ）をさらに含む、請求項１または２に記載のリスク評価方法。
  4. 前記予測能力誤差（ＥＣ ）の前記値が前記予め定義された閾値（ＳＥ）より小さい場合、ステップ７の後に、ステップ８、１０および１１もこの順序で実行される、請求項１～３のいずれか一項に記載のリスク評価方法。
  5. 前記血管関心領域の外方にある壁に関連するメッシュは六面体タイプのメッシュであり、内方にある流れ領域に関連するメッシュは四面体タイプのメッシュである、請求項１～４のいずれか一項に記載のリスク評価方法。
  6. 前記予測能力誤差（ＥＣ ）の前記値が前記予め定義された閾値（ＳＥ）より大きい場合に、ステップ８の後に実行される、分析対象の前記１組のパラメータ（ＪＰ）のうちのパラメータまたは複数のパラメータを評価および／または確認する少なくとも１つのステップＬをさらに含む、請求項２に記載のリスク評価方法。
  7. ステップＬが、分析対象の前記１組のパラメータ（ＪＰ）のうちのパラメータを確認するステップであり、以下の動作：
    ○ステップ８において使用される前記１組の入出力条件（ＳＣ）を変更する動作と、
    ○分析対象の前記１組のパラメータ（ＪＰ）のうちの前記パラメータまたは複数のパラメータから得られた前記予測リスク数値データおよび／または前記リスクモデルを比較する動作と、
    ○前記比較に基づいて、精度レベルのスケールの中から、分析対象の前記１組のパラメータ（ＪＰ）のうちの前記パラメータまたは前記複数のパラメータに予測精度レベル（ＮＰ ）を割り当てる動作と、
    ○十分な予測精度レベル（ＮＰ ）を有するパラメータまたは複数のパラメータを含むように、ステップ６で形成された、分析対象の前記１組のパラメータ（ＪＰ）を少なくとも更新する動作と、
    を含む、請求項６に記載のリスク評価方法。
  8. 前記１組の入出力条件（ＳＣ）により、前記１組のパラメータ（ＪＰ）のうちの前記パラメータが十分な精度レベル（ＮＰ ）に到達できるようにならない限り、一連のステップ８およびＬでループが形成され、少なくとも１組の入出力条件（ＳＣ）により、前記１組のパラメータ（ＪＰ）のうちの前記パラメータが十分な精度レベル（ＮＰ ）に到達できるようになったと識別される場合、ならびに／または前記予測リスク数値データおよび／もしくは前記リスクモデル間で対応関係が十分である場合、前記方法はステップ９に進む、請求項７に記載のリスク評価方法。
  9. 分析対象の前記１組のパラメータ（ＪＰ）のうちの前記パラメータまたは複数のパラメータを評価および／または確認する、前記ステップＬが、ファントム上で追加の研究を実行することと、ステップ８の前記流体研究の結果を前記追加の研究の結果と比較することと、を含む、請求項６～８のいずれか一項に記載のリスク評価方法。
  10. 前記学習法はデータマイニング法であり、前記誤差（ＥＣ ）の前記値が前記予め定義された閾値（ＳＥ）より大きい場合、ステップ２～１１がこの順序で実行され、それ以外の場合は、少なくともステップ２－３－５－６－７がこの順序で実行される、請求項１～９のいずれか一項に記載のリスク評価方法。
  11. 前記１組のパラメータ（ＪＰ）が、以下のパラメータ：
    －前記血管関心領域の断面に関連する時間平均壁せん断応力と、
    －前記血管関心領域の前記断面に関連する時間平均空間壁せん断応力勾配と、
    －前記血管関心領域の前記断面に関連する、最大収縮時の壁せん断応力と、
    －前記血管関心領域の前記断面に関連する、最大収縮時の空間壁せん断応力勾配と、
    を少なくとも含む、請求項１～１０のいずれか一項に記載のリスク評価方法。
  12. 前記１組のパラメータ（ＪＰ）が、以下のパラメータ：
    －前記血管関心領域の断面に関連する前記時間平均壁せん断応力の標準偏差と、
    －前記血管関心領域の前記断面に関連する前記時間平均空間壁せん断応力勾配の標準偏差と、
    －前記血管関心領域の前記断面に関連する、最大収縮時の前記壁せん断応力の標準偏差と、
    －前記血管関心領域の前記断面に関連する、最大収縮時の前記空間壁せん断応力勾配の標準偏差と、
    を少なくとも含む、請求項１１に記載のリスク評価方法。
  13. ステップ７で使用される学習法を用いる前記治療アルゴリズムは、ベイジアンネットワークアルゴリズム、多層パーセプトロンニューラルネットワーク、および自己適応マップの中から選択される、請求項１～１２のいずれか一項に記載のリスク評価方法。
  14. ステップ８の前記流体研究が、少なくとも１つの流体構造連成研究を含む、請求項１～１３のいずれか一項に記載のリスク評価方法。
  15. 前記血管関心領域が、前記患者の大動脈の少なくとも１つの領域を含む、請求項１～１４のいずれか一項に記載のリスク評価方法。
  16. 前記評価されたリスクが、動脈瘤破裂のリスクである、請求項１～１５のいずれか一項に記載のリスク評価方法。
  17. 前記１組のパラメータ（ＪＰ）のうちの少なくとも１つのパラメータが局所的パラメータであり、ステップ８において、少なくとも１つのリスクレベル（ＮＲＥ ）が、前記パラメータの計算値（ＤＮＥ ）の空間分布と、前記関心領域の少なくとも１つの病理学的異常との間の空間的相関関係に基づいて、前記パラメータに関連付けされる、請求項１～１６のいずれか一項に記載のリスク評価方法。
  18. 血管関心領域（Ｖ）におけるリスク評価のためのシステムであって、請求項１～１７のいずれか一項に記載のリスク評価方法を実施し、
    －前記患者（または複数の患者）の前記血管関心領域（Ｖ）をイメージングすることが意図されている、少なくとも１つの医用イメージング手段と、
    －少なくとも１つのデータ記憶装置と、
    －前記医用イメージング手段および／または前記データ記憶装置と通信でき、本発明によって提供される方法に従って前記データを処理して、とりわけ、前記リスクレベルおよび関連する領域を示すリスクモデルを作成でき、医師の医療上の意思決定のための支援サポートとして働くことを意図されている、データ処理装置と、
    を備える、システム。
JP2019542521A 2017-02-02 2018-01-25 血管リスクを評価するためのシステムおよび方法 Active JP7082131B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
FR1750859A FR3062498B1 (fr) 2017-02-02 2017-02-02 Systeme et procede pour l'evaluation de risques vasculaires
FR1750859 2017-02-02
PCT/EP2018/051851 WO2018141628A1 (fr) 2017-02-02 2018-01-25 Systeme et procede pour l'evaluation de risques vasculaires

Publications (2)

Publication Number Publication Date
JP2020506486A JP2020506486A (ja) 2020-02-27
JP7082131B2 true JP7082131B2 (ja) 2022-06-07

Family

ID=59031064

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019542521A Active JP7082131B2 (ja) 2017-02-02 2018-01-25 血管リスクを評価するためのシステムおよび方法

Country Status (5)

Country Link
US (1) US11152122B2 (ja)
EP (1) EP3577585A1 (ja)
JP (1) JP7082131B2 (ja)
FR (1) FR3062498B1 (ja)
WO (1) WO2018141628A1 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022550782A (ja) * 2019-09-27 2022-12-05 ビター・メディカル・ソリューションズ・インコーポレイテッド 血管の領域破裂の可能性を決定するための方法及びシステム
CN112164467B (zh) * 2020-10-21 2022-07-08 北京理工大学 介入术后血管再撕裂风险预测方法及其系统与设备
CN112949685B (zh) * 2021-01-28 2022-04-22 中南大学湘雅二医院 一种基于提升树模型的主动脉夹层手术风险预测方法
CN116680752B (zh) * 2023-05-23 2024-03-19 杭州水立科技有限公司 一种基于数据处理的水利工程安全监测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013031741A1 (ja) 2011-08-26 2013-03-07 イービーエム株式会社 血流性状診断のためのシステム、その方法及びコンピュータソフトウエアプログラム
JP2015011365A (ja) 2013-06-26 2015-01-19 日本電信電話株式会社 プロビジョニング装置、システム、プロビジョニング方法、および、プロビジョニングプログラム
US20150164342A1 (en) 2013-12-18 2015-06-18 Heartflow, Inc. Systems and methods for predicting coronary plaque vulnerability from patient-specific anatomic image data
WO2016075331A2 (en) 2014-11-14 2016-05-19 Siemens Healthcare Gmbh Method and system for purely geometric machine learning based fractional flow reserve
JP2016529037A (ja) 2013-08-27 2016-09-23 ハートフロー， インコーポレイテッド 冠動脈病変の部位、発症及び／又は変化を予測するためのシステム及び方法
WO2016161308A1 (en) 2015-04-02 2016-10-06 Heartflow, Inc. Systems and methods for predicting perfusion deficits from physiological, anatomical, and patient characteristics

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090088624A1 (en) 2006-01-23 2009-04-02 Karen Nussbaumer Methods and Apparatus for Diagnosing and Treating Aneurysms
US8812431B2 (en) 2010-02-03 2014-08-19 Siemens Aktiengesellschaft Method and system for medical decision support using organ models and learning based discriminative distance functions
JP6230782B2 (ja) 2012-11-15 2017-11-15 東芝メディカルシステムズ株式会社 動脈瘤破裂リスク解析プログラム
US9349178B1 (en) * 2014-11-24 2016-05-24 Siemens Aktiengesellschaft Synthetic data-driven hemodynamic determination in medical imaging

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013031741A1 (ja) 2011-08-26 2013-03-07 イービーエム株式会社 血流性状診断のためのシステム、その方法及びコンピュータソフトウエアプログラム
JP2015011365A (ja) 2013-06-26 2015-01-19 日本電信電話株式会社 プロビジョニング装置、システム、プロビジョニング方法、および、プロビジョニングプログラム
JP2016529037A (ja) 2013-08-27 2016-09-23 ハートフロー， インコーポレイテッド 冠動脈病変の部位、発症及び／又は変化を予測するためのシステム及び方法
US20150164342A1 (en) 2013-12-18 2015-06-18 Heartflow, Inc. Systems and methods for predicting coronary plaque vulnerability from patient-specific anatomic image data
WO2016075331A2 (en) 2014-11-14 2016-05-19 Siemens Healthcare Gmbh Method and system for purely geometric machine learning based fractional flow reserve
WO2016161308A1 (en) 2015-04-02 2016-10-06 Heartflow, Inc. Systems and methods for predicting perfusion deficits from physiological, anatomical, and patient characteristics

Also Published As

Publication number Publication date
EP3577585A1 (fr) 2019-12-11
JP2020506486A (ja) 2020-02-27
FR3062498B1 (fr) 2019-06-07
US20190371473A1 (en) 2019-12-05
US11152122B2 (en) 2021-10-19
FR3062498A1 (fr) 2018-08-03
WO2018141628A1 (fr) 2018-08-09

Similar Documents

Publication Publication Date Title
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
JP7082131B2 (ja) 血管リスクを評価するためのシステムおよび方法
JP7100627B2 (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
US10595790B2 (en) Method and system for personalized non-invasive hemodynamic assessment of renal artery stenosis from medical images
KR102380008B1 (ko) 최적화된 진단적 성과를 위한 경계 조건에서 혈류를 모형화하기 위한 방법과 시스템
EP2963574B1 (en) Method and system for prediction of post-stenting hemodynamic metrics for treatment planning of arterial stenosis
WO2021020198A1 (ja) 情報処理装置、プログラム、学習済みモデル、診断支援装置、学習装置及び予測モデルの生成方法
Voß et al. Fluid‐structure simulations of a ruptured intracranial aneurysm: Constant versus patient‐specific wall thickness
EP3404667B1 (en) Learning based methods for personalized assessment, long-term prediction and management of atherosclerosis
Xenos et al. Progression of abdominal aortic aneurysm towards rupture: refining clinical risk assessment using a fully coupled fluid–structure interaction method
US20100130878A1 (en) Systems, apparatus and processes for automated blood flow assessment of vasculature
CN106529117A (zh) 用于治疗规划的生理驱动决策支持
Rayz et al. Hemodynamics of cerebral aneurysms: Connecting medical imaging and biomechanical analysis
CN103270513A (zh) 用于患者特异性血流建模的方法和系统
CN112740334A (zh) 医学成像中的血管内植入物决定支持
Kwon et al. Interaction of expanding abdominal aortic aneurysm with surrounding tissue: Retrospective CT image studies
Villa-Uriol et al. Toward integrated management of cerebral aneurysms
CN109256205B (zh) 用于利用本地和远程分析学进行的临床决策支持的方法和系统
Kim et al. Deep learning on multiphysical features and hemodynamic modeling for abdominal aortic aneurysm growth prediction
JP2015219371A (ja) 処理装置、血管模型、画像処理方法、プログラム、および、造形装置に関する。
US10909676B2 (en) Method and system for clinical decision support with local and remote analytics
KR20220009995A (ko) 반응 표면 및 차수 감소 모델링을 사용한 혈류 추정 시스템 및 방법
Hachem et al. Reinforcement learning for patient-specific optimal stenting of intracranial aneurysms
Gounley et al. A computational framework to assess the influence of changes in vascular geometry on blood flow
Mikhal Modeling and simulation of flow in cerebral aneurysms

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20201014

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20211025

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20211109

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20220203

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220414

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: 20220517

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220526

R150 Certificate of patent or registration of utility model

Ref document number: 7082131

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150