JP7346442B2 - 機械学習に基づいて血管閉塞を評価するための方法とシステム - Google Patents

機械学習に基づいて血管閉塞を評価するための方法とシステム Download PDF

Info

Publication number
JP7346442B2
JP7346442B2 JP2020555445A JP2020555445A JP7346442B2 JP 7346442 B2 JP7346442 B2 JP 7346442B2 JP 2020555445 A JP2020555445 A JP 2020555445A JP 2020555445 A JP2020555445 A JP 2020555445A JP 7346442 B2 JP7346442 B2 JP 7346442B2
Authority
JP
Japan
Prior art keywords
coronary artery
voi
image
machine learning
mpr
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
JP2020555445A
Other languages
English (en)
Other versions
JP2021520896A (ja
Inventor
イヴァナ イシュグム，
マイト ズレイク，
アーベン、ジャン－ポール
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Pie Medical Imaging BV
Original Assignee
Pie Medical Imaging BV
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 Pie Medical Imaging BV filed Critical Pie Medical Imaging BV
Publication of JP2021520896A publication Critical patent/JP2021520896A/ja
Application granted granted Critical
Publication of JP7346442B2 publication Critical patent/JP7346442B2/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
    • G16H50/50—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/507—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for determination of haemodynamic parameters, e.g. perfusion CT
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/08—Volume rendering
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Animal Behavior & Ethology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Optics & Photonics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Dentistry (AREA)
  • Evolutionary Computation (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Vascular Medicine (AREA)
  • Quality & Reliability (AREA)
  • Computer Graphics (AREA)
  • Physiology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Description

本出願は、一般に、１つまたは複数の冠動脈における冠動脈アテロ－ム性動脈硬化症病変の重症度に関連する冠動脈パラメ－タを評価するための方法およびシステムに関する。
冠動脈疾患（ＣＡＤ: coronary artery disease）は、世界的に主要な死因の１つである。ＣＡＤは、一般に、血管の狭まったまたは閉塞に関係する状態を指し、これは、狭窄または狭窄の遠位のセクションへの血液供給の減少または欠如をもたらし、これにより心筋への酸素供給が減少する結果、例えば、虚血および胸痛（狭心症）をもたらす可能性がある。血管の狭窄は、狭窄症と呼ばれ、そして図１に示されるように、血管壁（プラ－ク）内および血管壁（プラ－ク）上に脂肪、コレステロ－ル、および他の物質が蓄積するアテロ－ム性動脈硬化症によって引き起こされる。アテロ－ム性動脈硬化症のプラ－クは、その成分によって、石灰化プラ－ク、ソフトプラ－ク、および混合プラ－ク（すなわち、石灰化および非石灰化成分を含むプラ－ク）に分類することが出来る。このような非石灰化成分は、細胞外マトリックス、平滑筋細胞、マクロファ－ジ、泡沫細胞、脂質および線維組織を含む。石灰化したプラ－クは、安定していると見なされ、そして冠動脈内のその量は、心血管イベントの強力な予測因子となる。石灰化プラ－クとは異なり、非石灰化プラ－クと混合プラ－クは、不安定で破裂しやすいと考えられている。プラ－クの破裂は、脳卒中、または冠動脈に破裂が発生した心臓のような急性の主要なイベントをもたらす可能性がある。心臓発作は、心筋梗塞を引き起こし、この結果心筋に不可逆的な損傷をもたらす可能性がある。様々な種類のプラ－クと様々なグレ－ドの狭窄が、様々な患者管理戦略につながるため、冠動脈プラ－クと狭窄グレ－ドを検出しそしてそれらを特徴付けることが、重要である。
狭窄の程度（解剖学的狭窄）に加えて、ＣＡＤの予防および治療における非常に有意な別の側面は、このように狭まった解剖学的狭窄または閉塞した血管の機能的評価である。
現在、Ｘ線血管造影法は、カテ－テル検査の実行場所における経皮的冠動脈インタ－ベンション（ＰＣＩ: percutaneous coronary intervention）としても知られている低侵襲性処置により、狭窄（狭まった）冠動脈を治療する間に使用される画像化モダリティである。ＰＣＩの間、（インタ－ベンショナル）心臓専門医は、カテ－テル上の収縮したバル－ンまたは他のデバイスを、鼠径部の大腿動脈または橈骨動脈から、血管を介して、それらが動脈の閉塞部位に到達するまで送る。Ｘ線画像は、カテ－テルの送りをガイドするために使用される。ＰＣＩは、通常、血流が妨げられない状態を回復することを目的として、バル－ンを膨らませて動脈を開くことに係る。動脈を開いたままにするために、ステントまたは足場を閉塞部位に配置させることができる。例えば、冠動脈の解剖学的病変が中庸である（３０～７０％の管腔狭窄として定義される）場合、狭窄が患者にとってリスクであるか否か、および行動を起こすことが望まれるか否かは、必ずしも明らかではない。狭窄の重症度を過大評価すると、後に考えると不必要な治療を行ってしまい、これにより、患者に不必要なリスクを与えてしまう可能性がある。しかしながら、狭窄の重症度を過小評価すると、狭窄が実際には重症であるので、実際に心筋への流れが妨げられている間、患者が治療されずに放置される結果、リスクが誘発される可能性がある。特にこれらの状況では、適切な意思決定を支援するために、追加の機能評価を行うことが、望まれる。
冠血流予備量比（ＦＦＲ: Fractional Flow Reserve）測定は、ＰＣＩから最も高い効果が得られるように、冠動脈病変を特定しかつそれを効果的に標的にする方法として、過去１０～１５年にわたって、ますます使用されて来ている。ＦＦＲは、冠動脈の狭窄全体の圧力差を測定して、狭窄が心筋への酸素供給を妨げる可能性を決定するために使用される手技である。この手技は、冠動脈内に圧力変換ワイヤを経皮的に挿入し、そして病変の後（遠位）および前（近位）の圧力を測定することに係り、そしてこれはカテ－テル検査の実行場所で行われる。心筋への血流は心筋灌流圧に比例するので、これは、最大充血の場合、充血状態で行うのが最適である。従って、ＦＦＲは、非特許文献１に記載されているように、冠動脈病変の機能的重症度の定量的評価を提供する。非特許文献２は、中等度の冠動脈の狭窄症（３０～７０％）の患者にはＦＦＲを使用することを推奨しているが、経皮的冠動脈インタ－ベンションの対象となる患者を選択する手順の９０％以上において、ＱＣＡによりサポ－トされているか否かにかかわらず、Ｘ線冠動脈造影には依然として視覚的評価しか使用されていない（非特許文献３）。しかしながら、ＦＦＲにはいくつかの欠点がある。この手技には、一度しか使用できない圧力ワイヤの追加コストが、関わる。さらに、ＦＦＲの測定には、関連するコストと処理時間が伴う侵襲性カテ－テル法が必要である。また、（最大の）充血を得るためには、追加の薬物（アデノシンまたはパパベリン）注入が必要であり、これは患者にとって余分な負担となる。
冠動脈ＣＴ血管造影（ＣＣＴＡ）は、ＣＡＤが疑われる患者を識別するおよび除外するための十分に確立されたモダリティである。これは、冠動脈プラ－クの非侵襲性検出および特徴付け、並びに冠動脈の狭窄の等級付けを可能にする。今日、これらのタスクは、通常、診療現場では、視覚的評価によって、または最初に内腔と動脈壁のセグメンテ－ションを使用し、そしてその後プラ－クまたは狭窄の存在を定義することによって半自動で、実行される。しかしながら、前者は、経験豊富な専門家が行った場合でも、観察者間のばらつきが大きく、後者は、冠動脈の内腔と壁のセグメンテ－ションに依存する（これは、通常、特に、広範なアテロ－ム性動脈硬化症のプラ－クまたは画像ア－チファクトを伴う画像において、時間がかかりそして面倒である）。
ＣＣＴＡは、有意な冠動脈疾患の存在を確実に排除することが出来るが、ＣＣＴＡで見られる多くの高度の狭窄は、流れを制限するものではない。この起こり得る偽陽性の結果は、ＣＣＴＡの広範な使用が、臨床的に不必要な冠動脈血行再構成術をもたらす可能性があるという懸念を生じさせて来た。このＣＣＴＡの特異性の欠如は、ＣＡＤの血行力学的有意性を決定する上でのＣＣＴＡの主な制限の１つとなる（非特許文献４）。この結果、ＣＣＴＡは、患者に不必要なインタ－ベンションをもたらす可能性があるので、これは、患者に、追加のリスクをもたらし、そして不必要な医療費を課す結果をたらす可能性がある。
不必要なカテ－テル挿入手順の数を減らすために、カテ－テル挿入手順の前にかつＣＣＴＡのような非侵襲性画像化モダリティにより、（プラ－クタイプ、解剖学的病変重症度および機能的冠動脈病変の重症度のような）冠動脈病変パラメ－タを取得することが、精力的に調査されつつある。現在、ＣＣＴＡにおいて解剖学的狭窄の重症度、プラ－クタイプ、または冠動脈の狭窄の機能的有意性の何れかを決定するためのいくつかの（半）自動方法が、提案されて来ている。これらの方法は、例えば、非特許文献５に記載されているように、プラ－クタイプの検出の際の冠動脈内腔および冠動脈血管壁のセグメンテ－ションに大きく依存する。
ＣＣＴＡには、大きな動脈石灰化およびステントの存在が原因となるブル－ミングア－チファクトのような多数のア－チファクトが存在するので、セグメンテ－ションの不正確さが、結果的に、抽出された冠動脈パラメ－タの精度をもたらすことは、既知の問題である。加えて、動き、ＳＮＲの低下、および位置ずれにより、精度は、さらに低下する。従って、良好な画質を伴うＣＣＴＡデ－タは、冠動脈プラ－クタイプ、解剖学的および冠動脈病変の機能的な重症度のような、抽出された冠動脈パラメ－タの精度には、不可欠である。
非特許文献６および特許文献１には、ＣＣＴＡからＦＦＲを定量化するための非侵襲性方法（ＦＦＲＣＴ）が記載されている。この手技は、左冠動脈と右冠動脈の両方が発出する領域をカバ－する上行大動脈の一部を含む冠動脈の半自動セグメンテ－ション後に、ＣＣＴＡに適用される計算流体力学（ＣＦＤ）を使用する。血液を、Navier－Stokes方程式を使用して非圧縮のNewtonian流体としてモデル化し、そして並列ス－パ－コンピュ－タの有限要素法を使用して、適切な初期条件と境界条件に従って解いて、冠動脈の３次元（３Ｄ）血流と圧力が、シミュレ－トされる。ＦＦＲＣＴは、アデノシン注入無しのアデノシン誘発充血の状態をモデルにしている。このプロセスは、計算が複雑で時間がかかり、そして数時間かかる場合があり、そしてセグメンテ－ションの結果としての３Ｄ解剖学的冠動脈モデル（これは、とりわけ、上述した制限の問題を有する）に大きく依存する。
米国特許第８,３１５，８１２号 米国特許第９,００８，３８６号 米国特許第１０,１９２，３５２号 米国特許第１０１,７６５，５７５号（機械学習に基づいて血管閉塞を評価するための方法とシステム）
Pijls外の「冠状動脈狭窄の機能的重症度を評価するための冠血流予備量比の測定」、N Engl J Med １９９６年、３３４号：１７０３－１７０８頁 欧州心臓病学会（ＥＳＣ: European Society of Cardiology）および米国心臓病学会/米国心臓協会（ＡＣＣ／ＡＨＡ: American College of Cardiology/American Heart Association）のガイドライン Kleiman外の「全てをまとめる：心臓カテ－テル検査中の生理学と解剖学の統合」、J Am Coll Cardiol.、２０１１年、５８号、１２１９－１２２１頁 Meijboom外の「冠動脈の狭窄の包括的評価：コンピュ－タ断層撮影冠動脈造影と従来の冠動脈造影および患者の予備分数との相関安定狭心症」、Journal of the American College of Cardiology、５２（８）、２００８年、６３６－６４３頁 Kiris外の「コンピュ－タ断層撮影血管造影における冠動脈の狭窄検出、狭窄定量化および管腔セグメンテ－ションアルゴリズムを評価するための標準化された評価フレ－ムワ－ク」、Medical Image Analysis、１７巻、８号、８５９－８７６頁、２０１３年 Taylor外の「冠血流予備量比の非侵襲性定量化のための心臓コンピュ－タ断層撮影に適用される計算流体力学」、Journal of the American College of Cardiology（米国心臓病学会誌）、６１巻、２２号、２０１３頁 Litjens外の「医療画像分析における深層学習に関する調査」、Med Image Anal.、２０１７年１２月、４２号、６０－８８頁 Metz外の「コンピュ－タ断層撮影血管造影デ－タにおける半自動冠動脈の中心線抽出」、議事録/ IEEE International Symposium on Biomedical Imaging：from nano to macro、２００７年５月 Wolterink外の「ＣＮＮベ－スの方向分類器を使用した心臓ＣＴ血管造影における冠動脈の中心線抽出」、Med Image Anal.、２０１９年１月、５１巻、４６－６０頁 Baka外の「非剛体２Ｄ／３Ｄ冠動脈登録のための指向性ガウス混合モデル」、IEEE Trans Med Imaging、２０１４年５月、３３巻、５号、１０２３－３４頁 Donahue外の「視覚的認識および記述のための長期反復畳み込みネットワ－ク」、Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition、２０１５年、２６２５－２６３４頁 Mulder外の「統計的言語モデリングへの回帰型ニュ－ラルネットワ－クの適用に関する調査」、Proceedings of the 32nd International Conference on Machine Learning、３０巻、１号、６１－９８頁、２０１５年 Loffe外の「バッチ正規化：内部共変量シフトを減らすことによるディ－プネットワ－ク訓練の加速」、Proceedings of the 32nd International Conference on Machine Learning、２０１５年、４４８－４５６頁 Glorot外の「ディ－プスパ－ス正規化線形ネットワ－ク」、International Conference on Artificial Intelligence and Statistics、２０１１年、３１５－３２３頁 Zreik外の「畳み込みニュ－ラルネットワ－クを使用した心臓ＣＴ血管造影における左心室の自動セグメンテ－ション」、2016 IEEE 13th International Symposium on Biomedical Imaging (ISBI)、２０１６年、４０－ ４３頁 Robert M. Haralick外の「画像分類付けのための組織特徴」、IEEE Transactions on Systems, Man, and Cybernetics、１９７３年、 SMC－3 (6)、６１０－６２１頁 Kingma外の「変分ベイズの自動エンコ－ディング」、arXiv preprint arXiv:1312.6114、２０１３年 Kingma外の「ディ－プ生成モデルによる半教師あり学習」、Advances in Neuro Information Processing Systems、２０１４年、３５８１～３５８９頁 Kotsiantis外の「Supervised Machine Learning：A Review of Classification Techniques」、Informatica 31 ３１、２００７年、２４９－２６８頁 Ilse外の「注意ベ－スのディ－プ複数インスタンス学習」、arXiv preprint arXiv：1802.04712 Masdjedi外の「３次元定量的冠動脈の検証血管を計算するための血管造影ベ－スのソフトウェア－ＦＦＲ（ＦＡＳＴ研究）」、arXiv preprint arXiv:1802.04712
従って、冠動脈系の詳細な形態に依存することなく、（プラ－クタイプ、解剖学的病変の重症度および機能的冠動脈病変の重症度のような）冠動脈病変パラメ－タを取得する必要がある。
本明細書の態様により、血管閉塞を評価するための方法が提供される。この方法は、関心のある血管を含む標的器官のボリュ－ム画像デ－タセットを取得するステップ；ボリュ－ム画像デ－タセット内の関心のある血管（ＶＯＩ: vessel of interest）に沿って延在する軸方向軌跡を抽出するステップ；ボリュ－ム画像デ－タセットとＶＯＩの軸方向軌跡に基づいて、３次元（３Ｄ）多断面再フォ－マット（ＭＰＲ:multi－planer reformatted）画像を作成するステップ；および機械学習ベ－スの血管閉塞評価（ＶＯＡ: vessel obstruction assessment）モデルを使用して、ＭＰＲからＶＯＩパラメ－タを抽出するステップを備える。
オプションとして、この方法は、ｉ）プラ－クタイプの検出、ｉｉ）血管閉塞の解剖学的重症度の分類付け、および／またはｉｉｉ）ボリュ－ム画像デ－タセットの見えない部分内の血管閉塞の血行力学的重症度の分類付けの内の少なくとも１つを実行するための予測フェ－ズを実施するステップを備える。オプションとして、機械学習ベ－スのＶＯＡモデルは、ＭＰＲ画像からキュ－ブのシ－ケンスを生成する。このキュ－ブの各々には、ＭＰＲ画像からのボクセルのグル－プが含まれ、ＶＯＩのセクション内に作成されたキュ－ブのシ－ケンスは、結果的に、対応するセクションのキュ－ブのシ－ケンスとなる。オプションとして、機械学習ベ－スのＶＯＡモデルは、キュ－ブのシ－ケンスからキュ－ブに関連付けられた画像の特徴を個別に抽出する。オプションとして、機械学習は、画像の特徴をシ－ケンシャルに分析する。オプションとして、キュ－ブのサイズは、血管径の拡大に関連するＶＯＩパラメ－タの抽出を容易にするために、ＶＯＩの内腔全体および内腔の外側の組織の一部を含むように定義される。ここで、血管径の拡大は、アテロ－ム性動脈硬化症のプラ－ク成長の方向を指す。オプションとして、軸方向軌跡は、ＶＯＩの冠動脈の中心線に対応することができ、冠動脈の中心線は、関心のある冠動脈セクションに沿った冠動脈内腔の中心を表し、軸方向軌跡は、単一の冠動脈、冠動脈分岐または冠動脈ツリ－全体に対応する。ここで、関心のある冠動脈セクションが１つまたは複数の分岐を含む場合、冠動脈の中心線は、１つまたは複数の分岐を含む。
機械学習ベ－スのＶＯＡモデルは、ＭＰＲ画像におけるＶＯＩの軸方向軌跡に沿った近傍を分析するために使用される、回帰型畳み込みニュ－ラルネットワ－ク（ＲＣＮＮ: recurrent convolutional neutral network）に基づかせることができる。ＲＣＮＮは、畳み込みニュ－ラルネットワ－ク（ＣＮＮ）を、直列に接続された回帰型ニュ－ラルネットワ－ク（ＲＮＮ）に接続して、軸方向軌跡に沿ったＭＰＲの部分をシ－ケンシャル入力として分析する。機械学習ベ－スのＶＯＡモデルは、少なくとも１つの畳み込みレイヤとそれに続く最大プ－リングレイヤを適用して、ＭＰＲ画像から関心のある画像特徴を抽出し、そして特徴付けるプラ－クタイプの少なくとも１つに対して、分類器を使用して、狭窄の解剖学的有意性を分類しまたは狭窄の機能的有意性を決定する。機械学習ベ－スのＶＯＡモデルは、ＭＰＲ画像に基づいて特徴ベクトルを作成するための特徴抽出を含むことができる。この特徴ベクトルは、画像の参照デ－タベ－スから測定または抽出される一連の因子を備える。この一連の因子は、関心のある血管の対応する壁領域の性質を記述または特徴付ける。機械学習ベ－スのＶＯＡモデルは、さらに、ＭＰＲ画像から抽出された特徴ベクトルを分類するための分類器を含む。ＶＯＩパラメ－タは、冠動脈プラ－クタイプ、解剖学的冠動脈病変重症度または機能的に有意な冠動脈病変重症度の内の少なくとも１つを含むことができる。この機械学習ベ－スのＶＯＡモデルは、ｉ）機能的に有意な冠動脈病変重症度、ｉｉ）プラ－クタイプまたはiii）解剖学的冠動脈病変の重症度の内の少なくとも１つを評価する。
本明細書の態様により、以下のステップ：複数の患者のボリュ－ム画像デ－タセットおよび対応する冠動脈疾患（ＣＡＤ）関連の参照値を含む訓練デ－タベ－スを取得するステップであって、関心のある血管を含む標的器官のためのボリュ－ム画像デ－タセットが、対応する画像デ－タセット内の関心のある血管に沿った１つまたは複数のポイントに対応するＣＡＤ関連参照値である、ステップ；ＣＡＤ関連の参照値の少なくとも一部に対して、対応するボリュ－ム画像デ－タセットおよびＶＯＩの軸方向軌跡に基づいて、対応するボリュ－ム画像デ－タセット内の関心のある血管（ＶＯＩ）に沿って延在する軸方向軌跡を抽出するステップ；対応するボリュ－ム画像デ－タセットとＶＯＩの軸方向軌跡に基づいて、３次元（３Ｄ）多断面再フォ－マット（ＭＰＲ）画像を作成するステップであって、ＭＰＲ画像が、ＶＯＩの軸方向軌跡に沿って延在する、ステップ；およびＭＰＲ画像に基づいて機械学習ベ－スの血管閉塞評価（ＶＯＡ）モデルを訓練するステップであって、この訓練が、さらに、ＭＰＲ画像から、ＶＯＩ内の軸方向軌跡に沿ったＣＡＤ関連パラメ－タを特徴付ける特徴を抽出するステップとを含む、ステップ、を備える、血管閉塞評価（ＶＯＡ）モデルを訓練するための方法が提供される。
オプションとして、この方法は、ＣＡＤ関連の参照値を、対応するＭＰＲ画像の空間座標に整合
させる。オプションとして、この方法は、対応するＭＰＲ画像からキュ－ブのシ－ケンスを生成し、キュ－ブの各々は、対応するＭＰＲ画像からのボクセルのグル－プを含み、ＶＯＩのセクション内に作成されたキュ－ブのシ－ケンスは、結果的に、対応するセクションのキュ－ブのシ－ケンスとなる。オプションとして、この訓練は、さらに、畳み込みニュ－ラルネットワ－クをＭＰＲ画像のみのキュ－ブのシ－ケンスに適用して、機械学習ベ－スのＶＯＡモデルを構築するステップを備える。オプションとして、この適用は、軸方向軌跡に沿ったポイントでエンコ－ディングのセットを生成して、１次元（１Ｄ）シ－ケンスのセットを生成するステップをさらに含み、各１Ｄシ－ケンスは、ＶＯＩに沿った特定のエンコ－ディングを表し、この訓練は、さらに、１Ｄシ－ケンスに基づいて冠血流予備量比（ＦＦＲ）分類器を学習する、教師あり学習分類器を適用するステップを備える。
本明細書の態様によれば、血管閉塞を評価するためのシステムが提供される。このシステムは、関心のある血管を含む標的器官のボリュ－ム画像デ－タセットを格納するように構成されたメモリを含む。１つまたは複数のプロセッサは、このメモリに格納されたプログラム命令を実行するときに、以下のこと：ボリュ－ム画像デ－タセット内の関心のある血管（ＶＯＩ）に沿って延在する軸方向軌跡を抽出すること；ボリュ－ム画像デ－タセットとＶＯＩの軸方向軌跡に基づいて、３次元（３Ｄ）多断面再フォ－マット（ＭＰＲ）画像を作成すること；そして機械学習ベ－スの血管閉塞評価（ＶＯＡ）モデルを使用して、ＭＰＲからＶＯＩパラメ－タを抽出すること、を実行するように構成されている。
オプションとして、１つまたは複数のプロセッサは、ｉ）プラ－クタイプを検出する、ｉｉ）血管閉塞の解剖学的重症度を分類する、および／またはｉｉｉ）ボリュ－ム画像デ－タセットの見えない部分内血管閉塞の血行力学的重症度の分類の内の少なくとも１つを実行する予測フェ－ズを実施する、ように構成されている。オプションとして、機械学習ベ－スのＶＯＡモデルは、ＭＰＲ画像からキュ－ブのシ－ケンスを生成し、キュ－ブの各々には、ＭＰＲ画像からのボクセルのグル－プが含まれ、ＶＯＩのセクション内に作成されたキュ－ブのシ－ケンスは、結果的に、対応するセクションに対するキュ－ブのシ－ケンスとなる。オプションとして、機械学習ベ－スのＶＯＡモデルは、キュ－ブのシ－ケンスからキュ－ブに関連付けられた画像の特徴を個別に抽出する。オプションとして、機械学習は、画像の特徴をシ－ケンシャルに分析する。キュ－ブのサイズは、血管径の拡大に関連するＶＯＩパラメ－タの抽出を容易にするために、ＶＯＩの内腔全体および内腔の外側の組織の一部を含むように定義することができ、ここで、血管径の拡大は、アテロ－ム性動脈硬化症のプラ－ク成長の方向を指す。軸方向軌跡は、ＶＯＩの冠動脈の中心線に対応することができ、冠動脈の中心線は、関心のある冠動脈セクションに沿った冠動脈内腔の中心を表し、軸方向軌跡は、単一の冠動脈、冠動脈分岐または冠動脈ツリ－全体に対応することができ、ここで、関心のある冠動脈セクションが１つまたは複数の分岐を含む場合、冠動脈の中心線は、１つまたは複数の分岐を含む。機械学習ベ－スのＶＯＡモデルは、ＭＰＲ画像内のＶＯＩの軸方向軌跡に沿った近傍を分析するために使用される回帰型畳み込みニュ－ラルネットワ－ク（ＲＣＮＮ）に基づかせることができ、ＲＣＮＮは、畳み込みニュ－ラルネットワ－ク（ＣＮＮ）を直列に接続された回帰型ニュ－ラルネットワ－ク（ＲＮＮ）に接続して、ＭＰＲの軸方向軌跡に沿った部分をシ－ケンシャル入力として分析する。機械学習ベ－スのＶＯＡモデルは、少なくとも１つの畳み込みレイヤとそれに続く最大プ－リングレイヤを適用して、ＭＰＲ画像から関心のある画像特徴を抽出し、そしてプラ－クタイプを特徴付けるプラ－クタイプを検出する少なくとも１つに対する分類器を使用して、狭窄を検出または狭窄の解剖学的有意性を決定することができる。機械学習ベ－スのＶＯＡモデルは、ＭＰＲ画像に基づいて特徴ベクトルを作成するための特徴抽出を含むことができる。この特徴ベクトルは、画像の特徴デ－タベ－スから測定されたまたは抽出された一連の因子を備える。この一連の因子は、関心のある血管の対応する壁領域の性質を記述又は特徴付ける。この機械学習ベ－スのＶＯＡモデルは、さらに、ＭＰＲ画像から抽出された特徴ベクトルを分類するための分類器を含む。ＶＯＩパラメ－タは、冠動脈プラ－クタイプ、解剖学的冠動脈病変重症度または機能的に有意な冠動脈病変重症度の内の少なくとも１つを含むことができる。機械学習ベ－スのＶＯＡモデルは、ｉ）機能的に有意な冠動脈病変重症度、ｉｉ）プラ－クタイプまたはiii）解剖学的冠動脈病変の重症度の内の少なくとも１つを評価する。
本明細書の実施形態により、血管閉塞評価（ＶＯＡ）モデルを訓練するためのシステムが提供される。このシステムは、メモリおよび１つまたは複数のプロセッサを備える。このメモリは、複数の患者のボリュ－ム画像デ－タセットおよび対応する冠動脈疾患（ＣＡＤ）関連の参照値を含む訓練デ－タベ－スを格納するように構成されている。このボリュ－ム画像デ－タセットは、関心のある血管を含む標的器官である。このＣＡＤ関連の参照値は、対応する画像デ－タセット内の関心のある血管に沿った１つまたは複数のポイントに対応する参照値に関連する。この１つまたは複数のプロセッサは、メモリに格納されたプログラム命令を実行すると、以下のステップ：ボリュ－ム画像デ－タセットおよび対応するＣＡＤ関連参照値の少なくとも一部に対して、対応するボリュ－ム画像デ－タセット内の関心のある血管（ＶＯＩ）に沿って延在する軸方向軌跡を抽出するステップ；対応するボリュ－ム画像デ－タセット内。対応するボリュ－ム画像デ－タセットおよびＶＯＩの軸方向軌跡に基づいて３次元（３Ｄ）多断面再フォ－マット（ＭＰＲ）画像を作成するステップであって、ＭＰＲ画像がＶＯＩの軸方向軌跡に沿って延在するステップ；ＭＰＲ画像に基づいて機械学習ベ－スの血管閉塞評価（ＶＯＡ）モデルを訓練するステップであって、これには、ＭＰＲ画像から、ＶＯＩ内の軸方向軌跡に沿ったＣＡＤ関連パラメ－タを特徴付ける特徴を抽出することが含まれる、ステップ、を実行するように構成されている。
オプションとして、プロセッサは、さらに、ＣＡＤ関連の参照値を、対応するＭＰＲ画像の空間座標に整合させるように構成されている。オプションとして、このプロセッサは、さらに、対応するＭＰＲ画像からキュ－ブのシ－ケンスを生成するように構成されていて、キュ－ブの各々は、対応するＭＰＲ画像からのボクセルのグル－プを含み、キュ－ブのシ－ケンスは、対応するセクションのキュ－ブのシ－ケンスをもたらすＶＯＩのセクション内に作成される。オプションとして、このプロセッサは、さらに、畳み込みニュ－ラルネットワ－クをＭＰＲ画像のみのキュ－ブのシ－ケンスに適用して、機械学習ベ－スのＶＯＡモデルを構築するように構成されている。オプションとして、この１つまたは複数のプロセッサは、軸方向軌跡に沿ったポイントでエンコ－ディングのセットを生成して１次元（１Ｄ）シ－ケンスのセットを形成するようにさらに構成されていて、各１Ｄシ－ケンスは、ＶＯＩに沿った特定のエンコ－ディングを表す。この１つまたは複数のプロセッサが、１Ｄシ－ケンスに基づいて冠血流予備量比（ＦＦＲ）分類器を学習するために、監視対象分類器を適用することにより、訓練を実行するように構成されている。
本発明の特性およびこれにより導かれる効果は、添付の図面において示される非限定的な実施態様の以下の記載からより明らかになるであろう。
冠動脈アテロ－ム性動脈硬化症の例を示す。 本出願の実施形態による、１つまたは複数の冠動脈における冠動脈アテロ－ム性動脈硬化症病変の重症度に関連する冠動脈パラメ－タを決定するための機械学習ベ－スの方法のフロ－チャ－トを示す。 例示的なＣＴシステムの機能ブロック図を示す。 ４ａ～４ｅは、ボリュ－ムＭＰＲ画像の作成を示す。 ５ａ（ｉ）～５ａ（ｖ）は、本出願の実施形態によって得られた結果をどのように提示することができるかの例を示す。 本出願の実施形態によって得られた結果が、３Ｄレンダリングされた画像内にどのように提示することが出来る代替の例を示す。 本出願の実施形態によって得られた結果が、カテ－テル挿入手順中に作成されるものとしてよく知られているＸ線血管造影画像を模倣する方法でどのように提示させることが出来るかの例を示す。 訓練フェ－ズによって実行される機械学習ＲＣＮＮ分類付けモデルの生成のフロ－チャ－トを示す。 ８ａ～８ｃは、ＣＣＴＡ画像デ－タセットを使用したＦＦＲ参照値のプルバックの同時登録方法の概略図を示す。 ９ａ～９ｄは、ＭＰＲ画像内でキュ－ブのシ－ケンスを生成するための概略図を示す。 増補に使用される３つの増補方法を示す。 関心のある冠動脈に沿った冠動脈プラ－クタイプおよび解剖学的病変の重症度を検出するためのＲＣＮＮア－キテクチャの例を示す。 関心のある冠動脈に沿った冠動脈プラ－クタイプ、解剖学的病変の重症度、および機能的に有意なＦＦＲを検出するためのＲＣＮＮア－キテクチャの例を示す。 動脈の狭窄による虚血の例を示す。 冠動脈内の機能的に有意なＦＦＲを評価するために心筋特徴ベクトルと組み合わされたＲＣＮＮア－キテクチャの例を示す。 関心のある位置の遠位にある心筋を含むキュ－ブのシ－ケンスを作成するために使用される代替のアプロ－チを示す。 予測フェ－ズのための本出願の実施形態のフロ－チャ－トを示す。 冠動脈の血行力学的機能的重症度を評価するための代替ワ－クフロ－を示す。 訓練フェ－ズによって実行されるＦＦＲ分類付けモデルの生成の代替フロ－チャ－トを示す。 １９ａ～１９ｃは、ＭＰＲ画像を使用して示されたＣＡＥ: convolutional autoencoderのエンコ－ダ／デコ－ダ出力の視覚的な図を示す。 予測フェ－ズ中に使用される、ＦＦＲ分類付けモデルの学習中に使用される１Ｄ自動エンコ－ダと組み合わされた３Ｄ変分畳み込みオ－トエンコ－ダのア－キテクチャの例を示す。 ３Ｄ－ＣＡＥの詳細なネットワ－クア－キテクチャの例を示す。 １Ｄ－ＣＡＥの詳細なネットワ－クア－キテクチャの例を示す。 訓練デ－タがポイントとして表され、別々のカテゴリのデ－タが可能な限り広い明確なギャップによって分割されるようにマッピングされた特徴空間の例を示す。 訓練フェ－ズによって実行される訓練されたＦＦＲ分類付けモデルを使用する予測フェ－ズの代替フロ－チャ－トを示す。 見えないデ－タを分類するための分類器の図を示す。この視覚的表現内では、入力は、見えない画像から計算された特徴ベクトルであり、そして出力は２つのクラスである。 訓練フェ－ズによって実行されるマルチインスタンス学習（ＭＩＬ: multi－instance learning）ＦＦＲ分類付けモデルの生成の代替フロ－チャ－トを示す。 訓練フェ－ズによって実行される訓練された（ＭＩＬ）ＦＦＲ分類付けモデルを使用する予測フェ－ズの代替フロ－チャ－トを示す。 ＣＡＡＳワ－クステ－ションを使用することにより、冠動脈回旋枝の計算されたＦＦＲプルバックを取得する例を示す。 ＣＴシステムの一例の高レベルブロック図を示す。
本出願全体を通して使用される「見えない」という用語は、訓練フェ－ズ中に使用されなかったアイテムを指す。このコンテキスト内のアイテムとは、機械学習ベ－スのＶＯＡモデルを訓練するために、訓練フェ－ズ中に使用されるボリュ－ム画像、参照値、機能、および／または他のものを意味する。代わりに、見えない特徴、画像、形状、および他の目に見えないアイテムは、操作の予測フェ－ズ中に分析されている患者または関心のあるオブジェクトの側面を指す。
「セクション」という用語は、ボクセルのキュ－ブの記載に関連して使用される場合、関心のある血管に沿った実質的に連続した幾何学的領域を指すものとする。
本明細書全体を通して、機械学習／深層学習の分野で一般的な用語が使用される。これらの用語の詳細な記載については、非特許文献７を参照されたい。
本明細書全体を通して、「キュ－ブ」および「直方体」という用語が使用される。何れの用語もボリュ－ム形状を表しており、「キュ－ブ」とは、幅、高さ、深さが等しいサイズのボリュ－ムキュ－ブを意味する。「直方体」は「キュ－ブ」に似ているが、直方体の幅、高さ、深さのサイズは異なっていても良い。
本出願は、造影増強ボリュ－ム測定画像デ－タセットに基づいて、プラ－クタイプ、解剖学的重症度、および標的器官の１つまたは複数の血管閉塞の機能的重症度などのＣＡＤに関連する冠動脈パラメ－タを評価するための機械学習の方法およびシステムに関する。好ましい実施形態では、標的器官は、心臓および血管、冠動脈を表す。機能的に有意な狭窄は、血行動態的に有意な血管の閉塞であり、そして冠動脈に関しては、これは、冠動脈の閉塞が心筋への酸素供給を妨げ、狭心症の症状を引き起こす可能性を定義する。冠血流予備量比は、機能的に有意な冠動脈閉塞を評価するための血行力学的指標である。冠血流予備量比に加えて、他の血行力学的指標を使用して、冠動脈血流予備量、瞬間的な無波比、充血性心筋灌流、微小循環抵抗の指標、冠動脈に沿った圧力降下のような、機能的に有意な冠動脈閉塞を評価することも出来る。
本出願の実施形態は、機械学習を使用して、ＣＣＴＡデ－タセットからの、１つまたは複数の血管閉塞のプラ－クタイプ、解剖学的重症度および機能的重症度のような、ＣＡＤに関連する冠動脈パラメ－タを決定する。機械学習は、「明示的にプログラムされていなくても学習する能力をコンピュ－タに与える」コンピュ－タサイエンスのサブフィ－ルドである。人工知能におけるパタ－ン認識と計算論的学習理論の研究から発展した機械学習は、デ－タから学習しかつデ－タの予測を行うことができるアルゴリズムの研究と構築を探求する。このようなアルゴリズムは、サンプル入力からモデルを構築することにより、デ－タ駆動型の予測または決定を行うことにより厳密に静的なプログラム命令に従う問題を解決する。機械学習は、明示的なアルゴリズムの設計とプログラミングが不可能な様々なコンピュ－ティングタスクで、採用されている。
クラスラベルが既知である画像のデ－タセットが与えられると、機械学習システムは、新しい画像のクラスラベルを予測することができる。このようなシステムには、少なくとも２つの部分がある。機械学習ベ－スの血管閉塞評価（ＶＯＡ）モデルである第１の部分は、画像を指定して特徴ベクトルを作成するためのアルゴリズムである、特徴抽出（抽出器）である。特徴ベクトルは、画像デ－タセットから測定または抽出される一連の因子（例、複数の数値）を備え、これは、画像の、対応する壁領域の性質を記述または特徴付ける。次に、ＶＯＡモデルの第２の部分は、これらの特徴を使用して、分類器が、見えない画像から抽出された見えない特徴ベクトルを分類する。ラベルが既知であり、かつ機械学習ベ－スのＶＯＡモデルを訓練するために以前に使用された画像と抽出された特徴ベクトルの（大規模な）デ－タベ－スが与えられた場合、（既知の）ラベルを持ちかつ以前に画像（訓練画像）と同じ方法で抽出された特徴に基づいて見えない画像を分類することが可能である。
図２は、本出願の一実施形態による操作を示すフロ－チャ－トを示す。この操作は、器官（またはその一部）または他の関心のあるオブジェクトのＣＣＴＡデ－タセットを取得および処理することができる画像化システムを採用している。図２の操作（および本明細書で記載される他の方法、アルゴリズム、およびプロセスの操作）は、プログラム命令を実行しながら、１つまたは複数のプロセッサによって実装される。１つまたは複数のプロセッサは、スマ－トフォン、タブレットデバイス、ラップトップコンピュ－タ、デスクトップコンピュ－タ、ワ－クステ－ション、リモ－トサ－バ、医療ネットワ－ク等のような、様々なコンピュ－ティングデバイスに実装させることができる。これに代えて、１つまたは複数のプロセッサは、操作の一部が、１つのコンピュ－ティングデバイスによって実行され、残りの操作は、１つまたは複数の他のコンピュ－ティングデバイスによって実行されるように、１つまたは複数の別個のコンピュ－ティングデバイス間に分散させることができる。
図３は、例示的なＣＴシステムの機能ブロック図であり、これは、ユ－ザインタ－フェ－スモジュ－ル１１６からのコマンドの下で動作し、そしてデ－タ処理モジュ－ル１１４にデ－タを提供するＣＴ画像化装置１１２を含む。
ＣＴ画像化装置１１２は、関心のある器官のＣＴスキャンを獲得する。ＣＴ画像化装置１１２は、典型的には、回転可能なガントリにマウントされているＸ線源および検出器を含む。ガントリは、Ｘ線源と検出器の間のテ－ブル上に支えられている患者の周りをスキャンする間に、Ｘ線源と検出器を連続速度で回転させる。
デ－タ処理モジュ－ル１１４は、パ－ソナルコンピュ－タ、ワ－クステ－ション、または他のコンピュ－タ処理システムによって実現させることができる。デ－タ処理モジュ－ル１１４は、ＣＴ画像化装置１１２によって獲得されたＣＴスキャンを処理して、本明細書に記載されるデ－タを生成する。
ユ－ザインタ－フェ－スモジュ－ル１１６は、ユ－ザと対話し、デ－タ処理モジュ－ル１１４と通信する。ユ－ザインタ－フェ－スモジュ－ル１１６は、視覚出力用の表示画面、タッチ用のタッチスクリ－ン、入力用のマウスポインタまたは他のポインティングデバイス、音声入力用のマイク、音声出力用のスピ－カ、入力用のキ－ボ－ドおよび／またはキ－パッド等、のような異なる種類の入力および出力デバイスを含むことが出来る。デ－タ処理モジュ－ル１１４およびユ－ザインタ－フェ－スモジュ－ル１１６は、本明細書に記載のプロセスの操作を協働して実行する。。
デ－タ処理モジュ－ル１１４は、１つまたは複数のメモリ１１８および１つまたは複数のプロセッサ１２０を含む。メモリ１１８は、とりわけ、標的器官のコントラスト強調ボリュ－ムデ－タセット、デ－タセグメント、デ－タセグメントの分析から抽出された特徴、１つ以上のＶＯＡモデルを格納する。メモリ１１８は、また、器官を訓練するための１つまたは複数の造影増強ボリュ－ムデ－タセット、ＣＡＤ関連の参照値、１つまたは複数のＶＯＡモデル等も格納することができる。

メモリ１１８は、また、１つまたは複数のプロセッサ１２０に、本明細書に記載のプロセスの操作を実行するように指示するソフトウェアコ－ドを格納する。例えば、メモリ１１８は、光ディスク、またはＵＳＢドライブのような他の形態の永続メモリまたはネットワ－クサ－バを含むことができる。ソフトウェアコ－ドは、本明細書で記載される操作を実行するために、デ－タ処理モジュ－ル１１４のメモリに直接ロ－ドさせることが出来る。
本明細書の態様によれば、画像化システムは、関心のあるオブジェクトの少なくとも１つのＣＣＴＡデ－タセットを既に取得および格納している。この目的のためには、ＣＴスキャンを提供することができる任意の画像化装置を使用することが出来る。本明細書の態様によれば、デ－タ処理モジュ－ル１１４の１つまたは複数のプロセッサ１２０は、血管閉塞を評価するための方法を実施する。この方法は、以下のこと：関心のある血管を含む標的器官のボリュ－ム画像デ－タセットを取得すること；ボリュ－ム画像デ－タセット内の関心のある血管（ＶＯＩ）に沿って延在する軸方向軌跡を抽出すること；ボリュ－ム画像デ－タセットとＶＯＩの軸方向軌跡に基づいて、３次元（３Ｄ）多断面再フォ－マット（ＭＰＲ）画像を作成すること；そして機械学習ベ－スの血管閉塞評価（ＶＯＡ）モデルを使用して、ＭＰＲからＶＯＩパラメ－タを抽出すること、を含む。本明細書の態様によれば、デ－タ処理モジュ－ル１１４の１つまたは複数のプロセッサ１２０は、以下のステップ：複数の患者および対応する冠動脈のボリュ－ム画像デ－タセットを含む訓練デ－タベ－スを取得するステップであって、ボリュ－ム画像デ－タセットが、関心のある血管を含む標的器官に関していて、ＣＡＤ関連の参照値が、対応する画像デ－タセット内の関心のある血管に沿った１つまたは複数のポイントに対応する、ステップ；ボリュ－ム画像デ－タセットおよび対応するＣＡＤ関連の参照値の少なくとも一部に対して、対応するボリュ－ム画像デ－タセット内の関心のある血管（ＶＯＩ）に沿って延在する軸方向軌跡を抽出するステップ；対応するボリュ－ム画像デ－タセットとＶＯＩの軸方向軌跡に基づいて３次元（３Ｄ）多断面再フォ－マット（ＭＰＲ）画像を作成するステップであって、ＭＰＲ画像が、ＶＯＩの軸方向軌跡に沿って延在する、ステップ；ＭＰＲ画像に基づいて機械学習ベ－スの血管閉塞評価（ＶＯＡ）モデルを訓練するステップであって、この訓練が、さらに、ＭＰＲ画像から、ＶＯＩ内の軸方向軌跡に沿ったＣＡＤ関連パラメ－タを特徴付ける特徴を抽出することを含む、ステップ、を備える、血管閉塞評価（ＶＯＡ）モデルを訓練する方法を実施する。
メモリ１１８は、関心のある血管を含む標的器官のボリュ－ム画像デ－タセットを格納するように構成されたメモリを格納することができる。オプションとして、メモリ１１８は、複数の患者のボリュ－ム画像デ－タセットおよびこれに対応する冠動脈疾患（ＣＡＤ）関連の参照値を含む訓練デ－タベ－スを格納することができ、このボリュ－ム画像デ－タセットは、関心のある血管を含む標的器官用であり、ＣＡＤ関連参照値は、対応する画像デ－タセット内の関心のある血管に沿った１つまたは複数のポイントに対応する。
プロセッサ１２０は、機械学習ベ－スの血管閉塞評価（ＶＯＡ）モデルを使用して、ＭＰＲ画像からＣＡＤ関連パラメ－タを抽出することを実行する。プロセッサ１２０は、ＭＰＲ画像に基づいて機械学習ベ－スの血管閉塞評価（ＶＯＡ）モデルを訓練するための訓練フェ－ズを実施し、この訓練は、さらに、ＭＰＲ画像から、ＶＯＩ内の軸方向軌跡に沿ったＣＡＤ関連パラメ－タを特徴付ける特徴を抽出することを含む。
図２の操作は、また、コンピュ－タ製品（例えば、光ディスク、またはＵＳＢドライブのような他の形態の永続メモリ、またはネットワ－クサ－バ）に具体化されるソフトウェアコ－ドによって実行させることが出来る。ソフトウェアコ－ドは、図２の操作を実行するために、デ－タ処理システムのメモリに直接ロ－ドさせることが出来る。
この例では、画像化システムが、関心のあるオブジェクトの少なくとも１つのＣＣＴＡデ－タセットを既に取得していてそして格納していることが想定されている。この目的には、ＣＴスキャンを提供することが出来る任意の画像化装置を使用することが出来る。
本出願は、ＣＣＴＡデ－タセットに基づく冠動脈病変パラメ－タ分析において特に有利であり、そしてこれは、主に、この分野を参照して、特に患者の分類付けのために、開示されるであろう。
本出願の実施形態は、図２を参照して開示される。ここに示されるステップは、明らかに、任意の論理的順序で実行することができ、そして部分的に省略することができる。
図２のステップ２０１に記載されているように、画像デ－タセットが取得される。このような画像デ－タセットは、ボリュ－ム画像デ－タセット（例えば、単一の造影増強ＣＣＴＡデ－タセット）を表す。このＣＣＴＡデ－タセットは、画像ア－カイブおよび通信システム（ＰＡＣＳ）またはＶＮＡ（vendor neural archive）、ロ－カルデジタルストレ－ジデ－タベ－ス、クラウドデ－タベ－スのようなデジタルストレ－ジデ－タベ－スから、またはＣＴ画像化モダリティから直接取得することが出来る。ＣＣＴＡ画像化中に、造影剤が患者に導入された。さらに、ＣＣＴＡ画像化は、ＥＣＧトリガさせることも出来る。
図２のステップ２０２内で、プロセッサは、関心のある血管に沿って延在する軸方向軌跡を抽出する。例えば、軸方向軌跡は、関心のある血管に沿って延在する中心線に対応することができる。関心のある血管が冠動脈を表す場合、軸方向軌跡は冠動脈の中心線に対応することができる。この場合、プロセッサは冠動脈の中心線を抽出する。冠動脈の中心線は、関心のある冠動脈セクションに沿った冠動脈内腔の中心を表す。これは、単一の冠動脈、冠動脈分岐部、または冠動脈ツリ－全体になり得る。関心のある冠動脈セクションが、１つまたは複数の分岐を含む場合、冠動脈の中心線は、分岐を含むが、その側枝は含まないであろう。さらにステップ２０３に記載されるように、中心線は、ＭＰＲ画像を作成するために使用される。分岐および／または冠動脈ツリ－が分析される場合、例えば、１つの分岐を分析する際、２つの冠動脈の中心線が抽出されるように、複数の中心線が抽出される：１つの冠動脈の中心線が、分岐の主分岐内の遠位位置に対する近位位置によって識別される；および１つの中心線が、分岐の側枝内の遠位位置に対する近位位置によって識別される。本出願の目的に対しては、抽出された冠動脈の中心線が、冠動脈内腔の中心を正確に表す必要はない。冠動脈の中心線は、冠動脈内腔を超えてはならないが、冠動脈の中心線の推定は大まかで十分である。冠動脈の中心線の抽出は、手動または（半）自動で実行することが出来る。半自動アプロ－チの例は、非特許文献８に記載されている。冠動脈の中心線の自動抽出法は、非特許文献９に記載されている。この方法では、単一のシ－ドポイントを関心のある動脈に配置した後、ＣＣＴＡ画像デ－タセットで視覚化された冠動脈入口部と最も遠位のポイントの間の冠動脈の中心線を抽出する。
図２のステップ２０３内で、関心のある冠動脈の３次元（３Ｄ）多平面再フォ－マット（ＭＰＲ）画像が作成される。図４の４ａ～４ｄは、ＭＰＲ画像とも呼ばれるボリュ－ム（３Ｄ）ＭＰＲ画像の作成を図示する。４ａの画像４０１は、ＣＣＴＡデ－タセット（図２、２０１）のボリュ－ムレンダリングを示し、ここでは、ＭＰＲ画像を作成するための例として右冠動脈４０２が選択されている。ＭＰＲに関しては、直線ＭＰＲと湾曲ＭＰＲの相違がある。直線ＭＰＲおよび湾曲ＭＰＲの両方に対して、抽出された軸方向軌跡（例、中心線）を使用して、取得された画像デ－タセット２０１から等方性ＭＰＲ画像が作成される。ＭＰＲ画像の解像度は、予め定義されていて、例えば、０．３ｍｍである。ＭＰＲ画像は、非等方性で作成することも出来る。
直線ＭＰＲは、冠動脈の中心線が直方体４０４の中心に来るように、抽出された軸方向軌跡（例、冠動脈の中心線）４０２に沿って、画像を直方体画像４０３に再フォ－マットする。４ｂの画像４０３は、直方体の再サンプリングされた画像（直線ＭＰＲ）と１つの「スライス」が、簡単に解釈できるように、直方体の再サンプリングされた画像で視覚化されている。４ｃの画像４０５は、再サンプリングされた同じ画像の１つの「スライス」を示すが、この視覚化された平面は、抽出された右冠動脈内の冠動脈分岐（４０６）を視覚化するために、中心線４０４の周りに回転させてある。湾曲ＭＰＲ画像は、冠動脈の中心線の湾曲したコ－スに沿って再構成される。４ｄおよび４ｅの画像４０８ａおよび４０８ｂは、湾曲ＭＰＲ画像の２つの例を示し、そして単一の「スライス」として視覚化されている。ここで、スライスの向きは、湾曲した冠動脈に沿って回転させることが出来る湾曲平面を指す。繰り返しになるが、これは視覚化のみを目的としていて、本出願は完全な３Ｄ直線または湾曲ＭＰＲ画像を使用するであろう。湾曲ＭＰＲ画像の利点は、本出願内で記載されている機械学習ネットワ－クア－キテクチャ内で、抽出された中心線の曲率または屈曲度を考慮に入れることが出来ることである。
図２のステップ２０４内で、冠動脈パラメ－タが、機械学習ベ－スの血管閉塞評価（ＶＯＡ）モデルを使用することによって抽出される。本出願では、図２のステップ２０３の結果であるＭＰＲ画像に機械学習ベ－スのＶＯＡモデルを使用することにより、冠動脈プラ－クタイプ、解剖学的冠動脈病変の重症度、および機能的に有意な冠動脈病変の重症度が評価される。機能的に有意な冠動脈病変の重症度を評価するための機械学習アプロ－チは、プラ－クタイプおよび解剖学的冠動脈病変の重症度を検出するための機械学習方法とはわずかに異なり、そして本出願内の対応するフロ－チャ－トによって詳しく記載される。さらに、本出願では、学習フェ－ズと予測フェ－ズは区別され、そしてそれは様々な機械学習方法の記載により詳細に記載されている。学習フェ－ズ（または訓練フェ－ズ）内で、機械学習モデルが訓練される。これには、参照標準（図２の２０５）を使用して、（ネットワ－クア－キテクチャとも呼ばれる）選択したモデルのパラメ－タを訓練することが関わる。参照標準は、複数の患者のデ－タを含むデ－タベ－スである。デ－タベ－ス内の各セットは、各患者に対する、ａ）コントラスト強調ＣＴ画像デ－タセット（２０１は訓練フェ－ズ中の参照画像セットを表す）およびこれに対応するｂ）ＣＡＤ関連の参照値を含む。例えば、ＣＡＤ関連の参照値は、プラ－クタイプ、解剖学的狭窄の重症度、侵襲的に測定された冠血流予備量比、および／または他の血行力学的指標の内の少なくとも１つを表すことができる。さらなる例として、血行力学的指標は、冠動脈血流予備能、瞬間的な無波比、充血性心筋灌流、微小循環抵抗の指標、および冠動脈に沿った圧力低下のような、機能的に有意な冠動脈閉塞を評価するために使用される指標を表すことができる。
機械学習モデルを訓練した後に、図２のステップ２０４は、ステップ２０４の結果であるＭＰＲ画像の分析に基づいて、関心のある冠動脈内の冠動脈プラ－クタイプ、および／または解剖学的狭窄の重症度および／または機能的有意性を予測するように、構成されている。予測フェ－ズ内で、見えない画像デ－タが使用され（２０１）、そして図２のステップ２０５が切り離される。
出力（図２のステップ２０６）は、関心のある冠動脈内の、冠動脈プラ－クタイプ、および／または解剖学的狭窄の重症度、および／または病変の機能的有意性の予測である。この結果は、様々な方法でユ－ザに提示することが出来る。図５の５ａ（ｉ）～ ５ａ（v）および図５ｂは、結果をユ－ザに表示するいくつかの例を示す。５ａ（ｉ）の画像５０１は、図２のステップ２０３の結果であるＭＰＲ画像を表す。５ａ（ｉｉ）の画像５０２は、ＭＰＲ画像に重ね合わせた色または灰色の値として、プラ－クタイプの分類付けを示し、ここで、色は、異なるプラ－クタイプ（例、プラ－ク無し、石灰化プラ－ク、非石灰化プラ－ク、または混合プラ－ク）を表す。５ａ（ｉｉｉ）の画像５０３は、ＭＰＲ画像上に色または灰色の値として重ねられた解剖学的狭窄の重症度を示し、ここで、色は、解剖学的狭窄の重症度の異なるラベルを表す。画像５０３内では、３つの解剖学的狭窄、狭窄無し、解剖学的に有意でない狭窄（５０％未満の管腔狭窄）、または解剖学的に有意な狭窄（５０％以上の管腔狭窄）の重症度クラスが、視覚化されている。５ａ（iv）の画像５０４は、ＭＰＲ画像に沿ったＦＦＲ値を示し、ここで、ｙ軸は推定ＦＦＲ値を表し、そしてｘ軸は、ＭＰＲ画像５０１のｘ軸に対応する関心のある冠動脈の長さに沿った位置を表す。他の様々な視覚化方法を使用することも出来る。例えば、結果を、直交ビュ－で湾曲ＭＰＲに重ね合わせる、または結果を、５ａ（ｖ）の画像５０５に示される画像デ－タベ－ス（図２の２０１）のボリュ－ムレンダリングで視覚化することが出来る（ここで、５０６は、例えば、冠動脈の中心線に沿ったＦＦＲ値の色分けされた結果を示す）。画像５０５では、冠動脈の中心線５０６が、ボリュ－ムレンダリング手法を使用することによって、冠動脈内腔をアピ－ルするように視覚化されていることに留意されたい。図５ｂは、結果を視覚化する別の例を示す。画像５０７は、左右の冠動脈が大動脈から発出する上行大動脈の小さな部分を含む冠動脈のみのボリュ－ムレンダリングである。５０７内のレンダリングされた冠動脈に重ね合わせられた、色または灰色の値が、視覚化される（５０９）。これは、例えば、数値ＦＦＲ値を表しそして５０８は色または灰色の値を（数）値にマッピングするための色凡例を提供する。別の視覚化アプロ－チを図６に示す。この図では、結果が、シミュレ－トされた血管造影図内に示されている。シミュレ－トされた血管造影図は、例えば、特許文献２および特許文献３によって開示されているように、ｃア－ムの特定アンギュレ－ションによるビュ－として冠動脈のＸ線血管造影画像を模倣する画像である。図６の画像６０１は、このようなシミュレ－トされた血管造影図を示す。ここでは、ユ－ザが、アンギュレ－ション（６０２、ｃア－ムの回転角度およびｃア－ムのアンギュレ－ション回転角）を制御することが出来る。図６０３は、図２のステップ２０２の結果として抽出された中心線を示し、ここでの色または灰色の値は、例えば、ＦＦＲ値を表し、そして６０４は、色または灰色の値を（数）値にマッピングするための色凡例を提供する。
図７は、図２のステップ２０４に記載される、ＭＰＲ画像内の冠動脈パラメ－タを抽出するための機械学習モデルを訓練するためのフレ－ムワ－クを示す。図７は、冠動脈プラ－クタイプ、解剖学的狭窄の重症度および機能的に有意な冠動脈の狭窄の重症度を検出するためのシステムの訓練フェ－ズを示す。図７のステップ７０１では、機械学習モデルの訓練に使用される参照標準が取得される。例えば、プロセッサは、複数の患者のボリュ－ム画像デ－タセットとこれに対応する冠動脈疾患（ＣＡＤ）関連の参照値を含む訓練デ－タベ－スを取得することができる。ボリュ－ム画像デ－タセットは、関心のある血管を含む標的器官に対するものとすることができる。ＣＡＤ関連の参照値は、対応する画像デ－タセット内の関心のある血管に沿った１つまたは複数のポイントに対応する。参照標準は、複数の患者のデ－タを含むデ－タベ－スである。このデ－タベ－ス内の各セットは、各患者に対する、ａ）造影ＣＴデ－タセットステップ７０３およびこれに対応するｂ）ＣＡＤ関連の参照値を含む。例えば、ＣＡＤ関連の参照値は、プラ－クタイプ、解剖学的狭窄の重症度、侵襲的に測定された冠血流予備量比、および／または他の血行力学的指標の内の少なくとも１つを表すことができる。さらなる例として、血行力学的指標は、冠動脈血流予備能、瞬間的な無波比、充血性心筋灌流、微小循環抵抗の指標、および冠動脈に沿った圧力低下のような、機能的に有意な冠動脈閉塞を評価するために使用される指標を表すことが出来る。
参照プラ－クタイプは、プラ－ク無し、石灰化プラ－ク、非石灰化プラ－クまたは混合プラ－クのような、異なるタイプの冠動脈プラ－クのアノテ－ションを含む。
解剖学的狭窄重症度の参照は、異なる狭窄グレ－ド、例えば、グレ－ド０（管腔狭窄無し）、グレ－ド１（０～２５％管腔狭窄）、グレ－ド２（２５～５０％管腔狭窄）、グレ－ド３（５０～７５％の管腔狭窄）、グレ－ド４（７５～１００％の管腔狭窄））を含む。
本出願内では、侵襲的に測定される冠血流予備量比は、関心のある冠動脈に沿って測定されることが好ましく、この結果、冠動脈の中心線に沿った各ポジションで侵襲的に測定された冠血流予備量比値が得られる。これは、冠血流予備量比の測定中にプルバックを実行することにより取得させることが出来る。カテ－テル検査の実行場所では、インタ－ベンショナル心臓専門医または医師が、関心のある冠動脈内の遠位位置にＦＦＲワイヤを配置する。自動または手動のプルバック中、ＦＦＲワイヤが冠動脈入口部に到達するまで、ＦＦＲ値が連続して測定される。
図７のステップ７０４において、プロセッサは、対応するボリュ－ム画像デ－タセット内の関心のある血管（ＶＯＩ）に沿って延在する軸方向軌跡を抽出する。例えば、関心のある冠動脈セクションに沿った冠動脈内腔の中心を表す冠動脈の中心線を、抽出することができる。このステップは、図２のステップ２０２と実質的に同様の方法で実施させることができる。
図７のステップ７０５において、プロセッサは、対応するボリュ－ム画像デ－タセットおよびＶＯＩの軸方向軌跡に基づいて、３次元（３Ｄ）多断面再フォ－マット（ＭＰＲ）画像を作成する。ＭＰＲ画像は、ＶＯＩの軸方向軌跡に沿って延在する。例えば、ステップ７０４の結果として、抽出された冠動脈セクションに沿って、多断面再フォ－マット（ＭＰＲ）画像を作成することができる。図７のステップ７０５は、図２のステップ２０３と実質的に同様の方法で実施させることができる。
図７のステップ７０６は、ＣＡＤ関連の参照値７０２が、ＭＰＲ画像の空間座標に整合されることを確実にする。ステップ７０５の結果であるＭＰＲ画像を使用することにより、ＣＡＤ関連の参照値（例、プラ－クタイプの手動アノテ－ション、解剖学的病変の重症度、例えば、ＦＦＲのような機能的病変の重症度）が得られる場合には、このステップは、スキップすることができる。ＣＡＤ関連の参照値が、例えば、造影増強ＣＴデ－タセットの直交ビュ－を使用するアノテ－ションによって取得される場合（ステップ７０３）、このステップは、アノテ－ションをＭＰＲビュ－に変換する。このような変換は、ステップ７０４の結果として抽出された中心線を使用することによって実行される。
カテ－テル検査の実行場所で測定された冠動脈に沿った冠血流予備量比値（例、プルバックＦＦＲ参照値）が、ＭＰＲ画像の空間座標に整合することを確実にするために、画像デ－タセット７０３と侵襲的に測定されたプルバックＦＦＲとの間で同時登録が行われる。プルバックＦＦＲ測定値とＣＴデ－タセットの同時登録を可能にするために、ＦＦＲワイヤの開始位置（例、冠動脈の遠位ポジション）からＦＦＲワイヤの終点位置（例、冠動脈の近位ポジションまたは冠動脈の入口部）にＦＦＲワイヤをプルバックする間のプルバックレ－トまたは速度を示すプルバックモ－ション情報が、取得される。プルバックモ－ション情報は、プルバック中のＦＦＲワイヤの縦方向のモ－ションを測定することにより取得することができる。測定は、モ－ション測定システムによって、または例えば、一定のプルバック速度を維持する電動プルバックデバイスを使用することによってのような、様々な方法で得ることができる。システムの１つまたは複数のプロセッサは、ＦＦＲワイヤをプルバックするのに必要な時間とプルバック速度とを使用して、プルバック距離の長さを計算する。プルバックＦＦＲ参照値をＭＰＲ画像に整合させるために、１つまたは複数のプロセッサは、プルバック距離の長さを、使用される画像デ－タセット７０３に変換する。
図８の８ａ～８ｃは、ＣＣＴＡ画像デ－タセットとプルバックＦＦＲ参照値（例、プルバック距離）の同時登録方法の概略図を提供する。８ａの画像８０１は、カテ－テル検査の実行場所で取得されたＸ線冠動脈造影画像を示す。８ｂの画像８０２は、同じ患者に属するボリュ－ムレンダリングされたＣＣＴＡ画像を示す。８ｃの画像８０６は、造影剤が存在しない場合のＸ線透視画像を示す。
８ａのＸ線冠動脈造影画像８０１は、圧力センサが、関心のある第１／遠位圧力測定値を取得することができる所望の遠位ポジションに、ＦＦＲ圧力ワイヤが挿入された右冠動脈を示す。ドット８０３は、プルバック前にＸ線血管造影画像上の冠動脈内の遠位ポジションに配置されたときの、ＦＦＲ圧力ワイヤ上の圧力センサの位置を示す。ドット８０３によって示されるポジションは、また、遠位圧力センサポジションと呼ぶこともできる。圧力センサ（およびＦＦＲ圧力ワイヤ全体）の遠位ポジションは、（８ｃの画像８０６内に示される）ＦＦＲワイヤ８０７上の放射線不透過性マ－カにより、（造影剤を使用せずに、８０６）Ｘ線透視画像で簡単に識別することができ、ＦＦＲワイヤ上の圧力センサの位置を特定することができる。
８ｂの画像８０２は、（プルバックＦＦＲ参照値が取得された同じ患者の）ボリュ－ムレンダリングされたＣＣＴＡ画像を示す。画像８０２において、右冠動脈８０４が、例えば、図７のステップ７０４の結果として、識別される。プルバックＦＦＲ参照値の同時登録は、ＣＣＴＡデ－タセット（８０５）内でプルバックする前にＦＦＲ圧力ワイヤの位置を識別することによって実行される。例えば、分岐位置のような解剖学的ランドマ－クによってサポ－トされているものを手動で識別し、そして長さ（３Ｄ抽出された中心線の長さとＦＦＲプルバックの長さ）を一致させることによってＦＦＲ値と整合させる。ＣＣＴＡデ－タセット内でプルバックする前のＦＦＲ圧力ワイヤの位置の識別は、例えば、非特許文献１０の方法を使用することにより、Ｘ線血管造影画像をＣＣＴＡデ－タセットに登録することによっても実行させることが出来る。非特許文献１０には、ガウス混合モデル（ＧＭＭ: Gaussian mixture model）ベ－スのポイントセット登録手法を使用して、２Ｄ Ｘ線血管造影画像を３Ｄボリュ－ム画像デ－タセット（ＣＣＴＡ）に登録する方法が記載されている。ＦＦＲワイヤ上の圧力センサ（８０７）の位置は、画像処理手技によってＸ線透視画像（８０６）を使用して容易に実行できるので、この位置のＣＣＴＡ画像デ－タ（８０５）への変換は、非特許文献１０に記載されている２Ｄ／３Ｄ登録から結果的に得られる変形フィ－ルドを使用して簡単に行える。
図７に戻ると、ステップ７０７において、プロセッサは、ＭＰＲ画像に基づいて機械学習ベ－スの血管閉塞評価（ＶＯＡ）モデルを訓練する。とりわけ、この訓練は、ＭＰＲ画像から、ＶＯＩ内の軸方向軌跡に沿ったＣＡＤ関連パラメ－タを特徴付ける特徴を抽出することを備える。例えば、ＣＡＤ関連パラメ－タ値は、プラ－クタイプ、解剖学的狭窄の重症度、侵襲的に測定された冠血流予備量比、および／または他の血行力学的指標の内の少なくとも１つを表すことができる。さらなる例として、血行力学的指標は、冠動脈血流予備能、瞬間的な無波比、充血性心筋灌流、微小循環抵抗の指標、および冠動脈に沿った圧力低下のような、機能的に有意な冠動脈閉塞を評価するために使用される指標を表すことが出来る。
例えば、訓練に関連して、プロセッサは、さらに、ステップ７０９に記載されるように、ネットワ－クを訓練するために使用されるＭＰＲ画像から、キュ－ブのシ－ケンスを生成する。キュ－ブのシ－ケンスは、ステップ７０６の結果であるＣＡＤ関連の参照値が使用可能であるセクション内に、作成される。この結果、セクション毎にｎ個のキュ－ブのシ－ケンスが得られる。この文脈でのセクションという用語は、冠動脈の特定の解剖学的セグメントではなく、ＣＡＤ関連の参照値が使用可能なＭＰＲ画像内の連続部分を指す。これにより、ＣＡＤ関連の参照値が、ＭＰＲ画像の全長をカバ－する必要はなくなる。例えば、プラ－クタイプまたは冠動脈管腔狭窄のグレ－ドのアノテ－ションは、実際に冠動脈プラ－クが存在する冠動脈領域にのみ存在すれば良い。プラ－クタイプのアノテ－ションがない領域または病変閉塞が使用可能な領域では、システムは、これらの領域を「冠動脈プラ－ク無し」または「解剖学的冠動脈閉塞無し」と自動的にマ－クする、または訓練フェ－ズで無視することが出来る。
図９の９ａ～９ｄは、セクション内のキュ－ブのシ－ケンスを生成するためのプロセスの概略図を提供する。９ａの画像９０１は、心臓の３Ｄビュ－を示す。９ｂの画像９０２は、画像９０１内の長方形の拡大図である。画像９０２内には、抽出された軸方向軌跡（この例では、冠動脈の中心線ツリ－）が示されている（９０４）。冠動脈の中心線は、いくつかのポイント（９０７）に存在する。９ｃの画像９０３は、中心線９０４を使用して作成された（図７のステップ７０４の結果としての）直線ＭＰＲ画像を示す。９ｄは、ＭＰＲ画像の小部分をカバ－する、キュ－ブのシ－ケンスが作成された画像９０３のセクション（９０６）を示す。キュ－ブのサイズは、それが、動脈内腔全体と、血管径の拡大の場合に必要となる可能性のある動脈の近傍を含むように定義されている。血管径の拡大とは、アテロ－ム性動脈硬化症のプラ－ク成長の外向きの方向を指す。ＣＡＤは、現在、典型的には直径が５０％減少するしきい値で、管腔の狭窄が存在する場合に、臨床的に有意であると定義される。しかしながら、初期のアテロ－ム性動脈硬化症では、最初の動脈の変化には、血管の外壁と内腔の両方の代償性拡大が含まれ、これは、代償性拡大または血管径の拡大と呼ばれる。キュ－ブの各々は、例えば、２５ｘ２５ｘ２５ボクセルであるが、他のキュ－ブサイズも可能である。キュ－ブ（ストライド）間の距離は、ｍ個の中心線ポイントである（中心線ポイント間の距離が最大１ボクセルの場合、ｍは、例えば、５個の中心線ポイントであるが、他のストライド値も可能である）。キュ－ブの最大数は、ＭＰＲ画像の中心線ポイントの量または長さによって定義される。好ましい実施形態では、キュ－ブの最大数は、最長のアノテ－ション付きプラ－クタイプセクション、例えば、２５個に制限される。複数のセクションがＭＰＲ画像に存在する場合、キュ－ブの複数の（ｎ個の）シ－ケンスも生成される。
図７に戻ると、ステップ７０８において、訓練デ－タが増補される。訓練の前に、いく訓練セットを増やすために、幾つかのデ－タ増補方法が使用される。
図１０は、使用される３つの例示的な増補方法を示す。しかしながら、様々な増補方法を実行することも出来る。図１０を参照すると、１００２は、ＭＰＲ中心線（図９ｂの９０４を参照）の周りで行われるＭＰＲ画像内のキュ－ブの回転を表す。このような回転により、ネットワ－クは、冠動脈の中心線の周りの回転に対して不変になり、冠動脈の中心線の周りの０～３６０度のランダムな回転が、シ－ケンスのキュ－ブに適用される。第２の増補方法（１００３）は、ＣＡＤ関連の参照値のわずかな不正確さ（例、セクション内のプラ－クタイプを定義するポイントのアノテ－ション、解剖学的病変の重症度のアノテ－ション、プルバックＦＦＲの登録における小さなエラ－）に対してネットワ－クを不変にする。セクションのシ－ケンスは、ＭＰＲの中心線に沿って、例えば、５±３ボクセルの間のストライドでキュ－ブの中心をランダムに選択することによって、変化する。第３の増補方法（１００４）は、冠動脈の中心線の抽出で起こりうる不正確さに対してネットワ－クを堅牢にする。キュ－ブの各々の中心は、原点を中心に、例えば、±２ボクセルだけ（キュ－ブ１００４内の）任意の方向にランダムにシフトされる。ステップ７０８の結果により、ステップ７０７の結果としてのシ－ケンスの数が大幅に増加する。これらは、以下に記載されるように、ステップ７０９によってネットワ－クを訓練するために使用される。
図７のステップ７０９において、１つまたは複数のプロセッサが、機械学習ネットワ－クア－キテクチャおよびネットワ－クの訓練を実施する。ネットワ－クア－キテクチャは、ＭＰＲ画像の抽出された中心線に沿った近傍を表す、キュ－ブのシ－ケンスを分析するために使用される反復畳み込みニュ－ラルネットワ－ク（ＲＣＮＮ）に基づいている（ステップ７０７）。ＲＣＮＮは、通常、畳み込みニュ－ラルネットワ－ク（ＣＮＮ）と、シ－ケンシャル入力を分析するために直列に接続された回帰型ニュ－ラルネットワ－ク（ＲＮＮ）から構築されるが、これに限定されることはない。
ＲＣＮＮは、例えば、非特許文献１１に記載されているように、ビデオシ－ケンス認識に成功裏に使用されて来ている。ＲＣＮＮは、言語処理で頻繁に使用されるニュ－ラルネットワ－クの非常に重要な発展型である（非特許文献１２）。一般的なニュ－ラルネットワ－クでは、入力は、複数のレイヤで処理され、そして出力は、２つの連続する入力が互いに独立していると仮定して、生成される。しかしながら、この仮定は、実際の多くのシナリオでは当てはまらない。例えば、シ－ケンス内の次の単語を予測したり、ビデオシ－ケンス内の次のフレ－ムを予測しようとする場合、以前の観測への依存を考慮することは不可欠である。ＲＣＮＮは、これが、シ－ケンスの全ての要素に対して同じタスクを実行し、出力が前の計算に依存し、そしてその後、回帰部分が前の出力を相互に処理するので、回帰型と呼ばれる。ＲＣＮＮについて考える別の方法は、これが、これまでに計算されたものに関する情報を獲得する「メモリ」を有するということである。入力は静的であるが、ＲＣＮＮユニットのアクティビティは、時間の経過とともに変化するので、各ユニットのアクティビティは、隣接するユニットのアクティビティによって変調される。このプロパティは、シ－ケンシャル入力の分析に対して重要である、コンテキスト情報を統合するモデルの機能を強化する。
本明細書の実施形態によれば、使用されるＲＣＮＮは、ＣＮＮをＲＮＮと直列に接続して、シ－ケンシャル入力を分析する。ＣＮＮは、キュ－ブのシ－ケンスのキュ－ブの各々（またはキュ－ブの少なくとも一部）の画像特徴を個別に抽出し、そして抽出されたこれらの画像特徴はＲＮＮに送られ、ＲＮＮは、シ－ケンス全体に関連するシ－ケンシャルな関係を分析する。
図１１は、冠動脈プラ－クタイプおよび解剖学的狭窄の重症度を検出するためのＲＣＮＮネットワ－クの一例を提供する。図１１に示されているＲＣＮＮネットワ－クア－キテクチャは、一例として検討すべきであり、そして他のＲＣＮＮネットワ－クア－キテクチャまたは発展型も配備させることが出来る。ネットワ－クの入力は、血管（例、動脈）の中心線（１１０３）に沿って、ＭＰＲ画像（１１０２）から抽出されたキュ－ブのシ－ケンス（１１０１）である。キュ－ブの各々は、３次元（３Ｄ）ＣＮＮ（１１０４）によって分析される。ＣＮＮは、１１０５に示されるように、各々が、３ｘ３ｘ３要素のカ－ネルを持ち、３２、６４、１２８個のフィルタを持つ、３個の畳み込みレイヤを含む。各畳み込みレイヤの後には、２ｘ２ｘ２の最大プ－リング（ＭＰ）レイヤと訓練を加速するバッチ正規化（非特許文献１３）が続く。ＣＮＮによって抽出された特徴は、ＲＮＮ（１１０６）に供給される。ＲＮＮには、各々６４個のゲ－ト付き回帰ユニット（ＧＲＵ: Gated Recurrent Unit）の２つのレイヤが含まれている（１１０７）。整流線形ユニット（ＲＥＬＵ: rectified linear unit）（非特許文献１４）は、ＣＮＮレイヤとＲＮＮレイヤの両方で、ＲＮＮの出力レイヤを除いて、活性化関数として使用される。他のパラメ－タ、例えば、異なるカ－ネルサイズ及び数、異なる畳み込み、異なる膨張、異なるプ－リング、異なるタイプの反復ユニット、並びに他のＲＣＮＮア－キテクチャ及び活性化関数も、使用することが出来るが、これらに限定されることはない。さらに、ＣＮＮの入力サイズは、例えば、多相ＣＣＴＡデ－タセットをサポ－トするために、４Ｄ入力ボクセルデ－タを使用する場合とは異ならせることが出来る。入力画像は、多エネルギおよび／または多相ＣＣＴＡデ－タセットをサポ－トするために、さらに高次元（例えば、ｎ次元）の画像にすることが出来る。両方の分類付けタスク（プラ－クタイプの分類付けと解剖学的病変重症度の分類付け）を同時に実行するために、例えば、ＲＮＮの最後のレイヤの出力は、２つの別々のマルチクラスソフトマックス分類器（１１０８）に供給される。また、他のＲＮＮレイヤまたはＧＲＵユニットの出力を使用することも出来る。第１の分類器は、プラ－クタイプの検出とそのタイプの特性評価（プラ－ク無し、非石灰化、混合、石灰化）のための４つの出力ユニットを有する。第２の分類器は、狭窄の検出とその解剖学的有意性（狭窄無し、重要でない狭窄、有意な狭窄）の決定のための３つの出力ユニットを有する。ソフトマックス分類器の出力ユニットの量も、異なる可能性があり、そしてこれは、ＣＡＤ関連の参照値内のクラスの量に依存するであろう。例えば、解剖学的病変の重症度を、ｘグレ－ドに分類すると、対応するソフトマックス分類器は、出力ユニットの同じ数（ｘ）に等しくなる。例えば、５つのグレ－ドは、グレ－ド０（管腔狭窄無し）、グレ－ド１（０～２５％の管腔狭窄）、グレ－ド２（２５～５０％の管腔狭窄）、グレ－ド３（５０～７５％の管腔狭窄）グレ－ド４（７５～１００％の管腔狭窄）である。
図１１のＲＣＮＮネットワ－クは、ミニバッチを用いて教師あり学習法で訓練され、そしてカテゴリカル交差エントロピが、各ソフトマックス分類器の損失関数として使用され、そしてＬ２正則化が、ネットワ－ク内の全てのレイヤに対して使用された。L２正則化は、最小二乗誤差正則化とも呼ばれる。これは、基本的には、標的値と推定値の差の二乗の合計を最小化している。ＲＣＮＮの損失は、２つの個別の損失（交差エントロピおよびL２）の平均として定義された。ここに記載されている損失関数は、一例であり、他の損失関数を、例えば、平均二乗誤差、L１正則化、平均バイアス誤差、平均パ－セント誤差として使用することが出来る。各ミニバッチは、（ステップ７０８の結果としての）ｐ個のキュ－ブのシ－ケンスを含む。通常、pは約３６個のシ－ケンスのキュ－ブであるが、これより少ない数または多い数のpを使用することも出来る。増補デ－タにおける最も一般的なタイプのプラ－クおよび狭窄への潜在的なバイアスを回避するために、オプションのステップとして、訓練中、層化ランダムデ－タサンプリングが、実行された。このオプションのステップにより、各訓練の反復が、異なるがバランスの取れた２つのミニバッチを含むことが保証される。１つのミニバッチは、狭窄の有意性に関係なく、プラ－ククラスに関してバランスが取れたセクションを含んでいた。第２のミニバッチは、プラ－クタイプに関係なく、狭窄クラスに関してバランスが取れたセクションを含む。図２のステップ２０３に記載されるように、ＭＰＲ画像が、直線ＭＰＲではなく湾曲ＭＰＲとして構築される場合、ＲＣＮＮネットワ－クは、抽出された中心線の曲率または屈曲度も考慮に入れるであろう。
図１１に記載されるネットワ－クア－キテクチャは、プラ－クタイプおよび解剖学的狭窄の重症度の検出に焦点を当てている。このネットワ－クは、１つの出力、例えば、プラ－クタイプの検出のみまたは解剖学的狭窄の重症度の分類付けのみ、または複数の出力（＞２）、例えば、（これらに限定されるものでは無いが）プラ－クタイプの分類付け、狭窄の解剖学的重症度分類付け、および機能的冠動脈病変重症度の分類付けまたはＦＦＲ値の予測に、制限することもできる。図１２は、プラ－クタイプを分類し、解剖学的狭窄の重症度を分類し、そして機能的に冠動脈病変の重症度を検出し、ＦＦＲ値を予測することができるネットワ－クア－キテクチャの例を示す。このネットワ－クア－キテクチャには、図１２内の１２１で示されるように、図１１に記載したものと同じＲＣＮＮが使用され、そして１２１内の最後のＧＲＵの後には、１つの出力コンポ－ネント「ＦＦＲ出力」（１２２）が追加されている。このブロック（１２２）は、ＦＦＲの推定／分類付けを容易にする出力を表す。ＦＦＲ値の推定に対しては、回帰を使用して０～１の連続ＦＦＲ値を推定することができるであろう。この出力は、線形活性化関数またはシグモイド活性化の出力であるが、これらに限定されることはない。分類付け（ＦＦＲの重大度または範囲の個別のクラス割り当て、例えば、ＦＦＲ＜０.７、０.７＜ＦＦＲ＜０.９、ＦＦＲ＞０.９）の場合、この出力は、マルチシグモイド関数（クラスの数と同じ）の出力またはソフトマックス関数（クラスの数が同じ）とすることが出来るが、これに限定されることはない。
ＦＦＲは、冠動脈内の遠位ポジションの圧力をその冠動脈の近位部分の圧力により割ったものとして定義されるので、ＦＦＲプルバックは、図５ａの画像５０４に図示されるように、冠動脈の長さに沿ってのみ減少するであろう。この知識は、前述のように分類器を訓練するために、損失関数内で考慮に入れることが出来る。冠動脈の長さに沿ってＦＦＲを減少させるこの減少挙動を組み込むために、損失関数は、近位から遠位へのＦＦＲの減少のみが可能となるように、適合化される。これは、例えば、以前のより近位のＦＦＲ予測を調べ、そしてこの情報を損失関数に組み込むことにより、実現させることが出来る。
代替の実施形態内では、罹患した冠動脈の血行力学的機能的重症度を評価する間、心筋内の情報が、考慮される。機能的に有意な冠動脈の狭窄は、心筋に虚血を発生させる原因となる（図１３）。これは、ＣＣＴＡデ－タセット内の心筋壁のテクスチャ特性に影響を与えるので、このような情報は、機能的に有意な冠動脈の狭窄の評価予測および関心のある冠動脈に沿ったＦＦＲ予測を強化するであろう。具体例では、実施形態は、ＲＣＮＮネットワ－クア－キテクチャ内に統合されそして図１４に示されている、特許文献４に記載されている方法を実施することができる。特許文献４は、心筋の特徴を使用して、機械学習に基づいて、１つ以上の冠動脈内の機能的に有意な狭窄の存在を検出する方法を記載する。この方法は、冠動脈系の詳細な形態に依存することなく、心筋の微小血管系と側副血行路の状態に対処することが出来る。図１４に示されるネットワ－クは、図１１のＲＣＮＮと、特許文献４に記載されている特徴ベクトルを組み合わせて、１つの新しいネットワ－クア－キテクチャにしたものである。図１４内で、１４０１は、図１１に記載されるＲＣＮＮを表すが、２つの分類器（１１０８）は削除されている。ＲＣＮＮ（１４０１）からの特徴ベクトルと、特許文献４によって記述される心筋分析（１４０３）から得られた特徴ベクトルは、ブロック１４０４によって連結される。心筋特徴ベクトル（１４０３）への入力は、ＣＣＴＡ画像デ－タセット（１４０２）であり、これは、１４０１のＲＣＮＮでＭＰＲ画像の作成に使用されるものと同じＣＣＴＡ画像デ－タセットである。連結ステップは、一方の特徴ベクトル（１４０１）をもう一方の特徴ベクトル（１４０３）に追加することによって実行される。この連結ステップの結果は、ＦＦＲ出力の予測をもたらす分類器（１４０５）に送られる。この分類器は、ニュ－ラルネットワ－ク、サポ－トベクトルマシン、または他の教師あり機械学習分類器とすることが出来る。
図１３に示されるように、機能的に有意な冠動脈の狭窄は、機能的に有意な冠動脈の狭窄の遠位の心室心筋内に虚血が発生する原因となる。この虚血は、病変の遠位の心筋（心筋）への酸素送達が妨げられることが原因である。言い換えれば、この心筋領域への血液供給が減少し、そしてこれが、患者の動脈瘤のような症状を起こす原因になり得る。ＣＣＴＡは、前キュ－ブ静脈に静脈内注射を行うことによって得られ、そして造影剤注入は、冠動脈系が冠動脈内腔を周囲の軟組織から明確に区別するのに十分な造影剤を含むように、タイミングが取られる。これは、注入された造影剤が、それが冠動脈に存在すると、冠動脈の連続的に小さい世代にも送達され、それはそこから冠状微小血管系（心筋）に移動し、これが、心筋の微妙な増強または虚血の場合の心筋の増強の減少につながるであろうことを意味する。ＦＦＲの予測においてこのＣＣＴＡ取得効果を使用するために、代替の実施形態では、図７のステップ７０７に記載されるようなキュ－ブのシ－ケンスの生成は、関心のあるキュ－ブの遠位の心筋情報を組み込むように調整される。これは、図１５を参照してさらに記載される。
図１５は、四腔の向きでの心臓の概略図を示す画像１５０１を含む。冠動脈の短い部分（１５０２）が識別され、そして心筋が（１５０３）によって視覚化される。冠動脈および心筋に血液を供給する微小血管系の位置（１５０２）を示すために、心筋の小さな部分が拡大され（１５０４）、そして微小血管の小部分の拡大図で、冠動脈からの分岐が視覚化されている（１５０５）。図７のステップ７０７に記載されるように、キュ－ブのシ－ケンスは、抽出された冠動脈の中心線（ステップ７０４からの結果）の中心線ポイントの周りのＭＰＲ画像から抽出される。画像１５０６は、異なる再サンプリングスキ－ムを示す。ここで、ステップ７０７に従って抽出されたキュ－ブの各々に対して、追加のキュ－ブまたは直方体（１５０８）が、関心のある中心線ポイントから遠位の距離ｋで、心筋内においても再サンプリングされる。キュ－ブのサイズおよびポジションは、キュ－ブ１５０８に、左心室または右心室内の狐穴（foxholes）が含まれないように管理されている。これは、（例えば、閾値処理手技または他の画像処理方法を適用することによって、または手動によってでも）血液プ－ルの切片化によって達成させることが出来る。これに代えて、心筋をセグメント化することによっても行うことが出来る。これは、ユ－ザが手動で行うことにより、または（半）自動セグメンテ－ションによって行うことが出来る。左心室心筋の自動セグメンテ－ションの一例は、特許文献１５に開示されている。特許文献１５は、手動でアノテ－ションが付けられたデ－タで訓練された畳み込みニュ－ラルネットワ－ク（ＣＮＮ）を使用して、心筋が自動的にセグメント化される方法を開示する。
キュ－ブ（１５０８）または直方体のサイズは、心筋を覆うように選択され、そしてキュ－ブは、心外膜に向かって心外膜脂肪組織に重なることができる。図１５に示されるこの代替の実施形態の結果は、キュ－ブの各々が、関心のある位置の遠位に位置する、対応する別のキュ－ブ／直方体へのリンクを有することである。この追加のキュ－ブ/直方体は、ＣＮＮに供給される。またはこれに代えて、図１２または図１４のＲＣＮＮネットワ－クで示されているように、追加のキュ－ブ／直方体に対しては、新しいＣＮＮが、使用される。
ＲＣＮＮネットワ－クが訓練されると（図１１、図１２または図１４）、新しい見えないＣＣＴＡデ－タセットが、訓練フェ－ズ中に、定義されたクラスに分類される。これは、図１６のフロ－チャ－トによってさらに記載される。
図１６は、予測フェ－ズを実施して、プラ－クタイプを検出し、血管閉塞の解剖学的重症度を分類し、および／または見えないＣＣＴＡデ－タセット内の血管閉塞の重症度を分類するための方法を示す。見えないＣＣＴＡデ－タセットは、図１６のステップ１６１によって表される。
図１６のステップ１６２では、関心のある冠動脈セクションに沿った冠動脈内腔の中心を表す冠動脈の中心線が、抽出される。このステップは、図２のステップ２０２と同じである。
図１６のステップ１６３では、多断面再フォ－マット（ＭＰＲ）画像が、ステップ１６２から抽出された冠動脈セクションに沿って作成される。図１６のステップ１６３は、図２のステップ２０３と同一である。
図１６のステップ１６４からステップ１６８までのステップは、予測フェ－ズ中の図２のブロック２０４を表し、プラ－クタイプ、解剖学的冠動脈病変の重症度、および／または機能的に冠動脈病変の重症度、および／または見えないＣＣＴＡ画像デ－タセットのＦＦＲ値のような冠動脈パラメ－タを分類する。冠動脈パラメ－タの予測は、ＭＰＲ画像内の各中心線ポイントで実行される。図１６のステップ１６４は、開始ポジションをＭＰＲ画像の第１の中心線ポイント；ＭＰＲ画像のｘ軸に対する第１のポジション（ＭＰＲ画像の長さ）に設定する。
図１６のステップ１６５では、キュ－ブのシ－ケンスが、検査中の中心線ポジションの周りに構築される。キュ－ブのシ－ケンスは、図７のステップ７０７に記載されそして図９ａ～９ｃによって示される態様と同様に作成される。ステップ１６５において、キュ－ブの単一のシ－ケンスが、検査中の中心線ポジションの周りに作成される。キュ－ブのサイズは、訓練中（図７のステップ７０７）に使用されたサイズと同じであるが、他のサイズを使用することも出来る。シ－ケンスの長さは、lキュ－ブに固定されていて、そしてlは、例えば、５キュ－ブである。キュ－ブ間の距離はｍボクセルであり、ｍは通常５である。より大きなキュ－ブおよび／またはより長いシ－ケンスおよび／または異なるストライドも使用することが出来る。有効なキュ－ブを強制するために、ＭＰＲ画像の開始と終了の周りに特別な注意が払われる（キュ－ブが、部分的にＭＰＲ画像の外側にある場合がある）。キュ－ブが有効なＭＰＲ画像デ－タを含むことを確認するために、例えば、再サンプリング中に、キュ－ブ内のポジションがＭＰＲ画像の外側にある場合に、ＭＰＲ画像内の最も近い有効なボクセルを識別することが出来る。
図１６のステップ１６６は、ステップ１６５からの結果であるキュ－ブのシ－ケンスに基づいて、ＭＰＲ画像内の現在の中心線ポジションでの所望の冠動脈パラメ－タを予測する。このステップ内で、同じＲＣＮＮネットワ－クア－キテクチャが、図７のフロ－チャ－トに記載されている訓練フェ－ズの間に、使用されるように選択される。例えば、図１１は、冠動脈プラ－クのタイプと解剖学的冠動脈病変の重症度を予測するためのＲＣＮＮネットワ－クア－キテクチャの例を示す。このＲＣＮＮは、アノテ－ション付きプラ－クタイプとアノテ－ション付き解剖学的病変の重症度（参照値）を使用して、訓練される。見えない画像デ－タの冠動脈プラ－クのタイプと解剖学的冠動脈病変の重症度を予測するために、ステップ１６６は、同じＲＣＮＮネットワ－クア－キテクチャを使用し、そしてこのＲＣＮＮア－キテクチャの訓練済みモデルが、使用される。図１２は、プラ－クタイプ、解剖学的病変の重症度、および機能的冠動脈の重症度を評価するためのＲＣＮＮネットワ－クア－キテクチャを提供し、そしてこれは、アノテ－ション付きプラ－クタイプ、解剖学的病変の重症度、および侵襲性ＦＦＲ測定から得られたプルバックデ－タについて、訓練される。予測中、図１２に示される同じＲＣＮＮア－キテクチャが使用され、そしてこのＲＣＮＮア－キテクチャの訓練済みモデルが、選択される。同じことが、図１４によって提供されるＲＣＮＮア－キテクチャにも当てはまる。このア－キテクチャでは、機能的な病変の重症度のみが、現在のステップによって訓練および予測される。
図１６のステップ１６７は、検査中の中心線ポジションを新しい位置に設定する。これは、抽出された冠動脈の中心線ツリ－内の次の中心線ポジション（つまり、ＭＰＲ画像の長さに沿ったＭＰＲ画像内の次の位置）、または現在の中心線ポジションに対して予め定義された距離を持つ中心線ポジションとすることが出来る。
ブロック１６８によって示されるように、ステップ１６５、１６６および１６７は、抽出された冠動脈の中心線内の最後の中心線ポジションに到達するまで、繰り返される。
最後に、ステップ１６９は、結果を提示するためのいくつかの方法を提供し、そして図２のステップ２０６と同一である。
代替の実施形態では、図２のブロック２０４内の冠動脈の血行力学的機能的重症度を評価するために展開された機械学習アルゴリズムは、異なるネットワ－クア－キテクチャを使用し、そして結果的に学習フェ－ズおよび予測フェ－ズの両方に対してわずかに異なるフロ－チャ－トをもたらす。図１７はワ－クフロ－全体を示す。ＣＣＴＡスキャン（１７０１）内で、冠動脈の中心線が、抽出され、そして冠動脈（１７０２）の多平面再フォ－マットされた画像を再構成するために、使用される。次で、教師無し次元削減ステップが適用される。ここでは、動脈全体のＭＰＲ画像（ボリュ－ム）が、２つの教師無しオ－トエンコ－ダを使用して、固定数の特徴（エンコ－ディング）に圧縮され、シ－ケンシャルに、第１）冠動脈の局所サブボリュ－ム（キュ－ブ）を空間的に圧縮する、３Ｄ変分畳み込みオ－トエンコ－ダ１７０３（３Ｄ－ＶＣＡＥ）に、そして第２）３Ｄ－Ｖ ＣＡＥによって以前に取得された冠動脈全体のエンコ－ディングをシ－ケンシャルに圧縮する、１Ｄ畳み込みオ－トエンコ－ダ１７０４（１Ｄ－ＣＡＥ）に、適用される。次で、最終的に抽出されたエンコ－ディングは、サポ－トベクトルマシン（ＳＶＭ: support vector machine）分類器または他の教師あり学習分類器１７０５により、教師あり学習法で使用されて、ＦＦＲに従って動脈（および患者）を分類する。
図１８は、血管閉塞評価モデルを訓練するために、訓練フェ－ズ中に使用される詳細なフロ－チャ－トを示す。図１８のステップ１８０１において、参照標準デ－タベ－スが取得され、そして機械学習ネットワ－クを訓練するために使用される。参照標準デ－タベ－スは、複数の患者のデ－タを含むデ－タベ－スである。例えば、デ－タベ－スは、各患者に対して、ａ）造影増強画像化（例、ＣＴ）デ－タセット（ステップ１８０３）およびこれに対応するｂ）侵襲的に測定された冠血流予備量比参照値（ステップ１８０２）を含む。冠血流予備量比参照値は、圧力ワイヤのプルバック操作中に、または関心のある冠状血管の遠位ポジションに近接する単一のポイントで、侵襲的に測定される圧力測定値に対応する。冠動脈血流予備能、瞬間的な無波比、充血性心筋灌流、微小循環抵抗の指標、および冠動脈に沿った圧力低下などの機能的に有意な冠動脈閉塞を評価するために、他の血行力学的指標を使用することが出来る。
図１８のステップ１８０４において、プロセッサは、関心のあるＶＯＩセクションに沿った関心のある血管（ＶＯＩ）管腔の中心を表す軸方向軌跡（例、冠動脈の中心線）を抽出する。このステップは、図２のステップ２０２と実質的に同一である。
図１８のステップ１８０５において、プロセッサは、ステップ１８０４の結果として、抽出された冠動脈の中心線に沿ってＭＰＲ画像を作成する。図１８のステップ１８０５は、図２のステップ２０３と同一である。
図１８のステップ１８０６において、プロセッサは、ＦＦＲ参照値１８０２を、ステップ１８０５の結果であるＭＰＲ画像の空間座標に整合させる。このステップは、図７のステップ７０６と実質的に同一である。参照値は、ステップ１８０５の結果であるＭＰＲ画像を使用することによって取得され、そしてこのステップはスキップされる。ＦＦＲ参照値が単一のポイント値で構成されている場合も、このステップはスキップされる。
図１８のステップ１８０７において、プロセッサは、現在のワ－クフロ－の残りのステップ内でさらに記載されるように、機械学習ベ－スの血管閉塞評価モデルを訓練するために使用されるＭＰＲ画像から、直方体のシ－ケンスを生成する。直方体のシ－ケンスの生成は、図１９の１９ａ～１９ｃに示されている。ＭＰＲ画像（図１９ａの１９０１）に沿って、ＭＰＲ画像をより小さなボリュ－ムに再サンプリングする直方体のシ－ケンス（図１９の１９ｂの画像１９０２）が作成される。直方体のサイズは、それが、動脈内腔全体と動脈の近くの一部を含むと定義されている。各直方体は、通常、４０ｘ４０ｘ５ボクセルであるが、他の直方体サイズも可能である。直方体間の距離は、ｍ個の中心線ポイントである（ｍは、通常、１ボクセルであるが、直方体間の他の距離も可能である）。中心線ポイント間の距離が１ボクセルの場合、直方体のシ－ケンスの長さは、抽出された中心線の長さおよびＭＰＲ画像の長さと同じである。
図１８のステップ１８０８において、プロセッサは、直方体から特徴を抽出する。図１８のステップ１８０９において、プロセッサは、抽出された直方体特徴から特徴を抽出する。例えば、ＶＯＩ内の圧力降下（例、関心のある冠動脈）を特徴付ける特徴は、ステップ１８０７の結果である直方体のシ－ケンスを分析することにより、ＭＰＲ画像から抽出される。冠動脈内の血流と圧力は、手元の動脈に沿って配置されたいくつかの冠動脈の狭窄による影響を受ける可能性がある。狭窄の位置とグレ－ドの異なる組み合わせ、つまり、内腔の狭窄の程度は、動脈に沿ったＦＦＲの低下の原因となる可能性がある。従って、動脈内のＦＦＲの低下を検出するには、狭窄部周辺の局所分析では不十分な場合があり、この代わりに動脈全体のボリュ－ム分析を実行しなければならない。冠動脈は、患者ごとに長さおよび奇形が異なる、複雑な解剖学的３Ｄ構造である。最新のＣＴスキャナの解像度は高く、かつ多数のボクセル（数百万）が単一の動脈のボリュ－ム画像デ－タセットに含まれるので、全体の（または大部分の）動脈ボリュ－ムに直接適用される、単一の畳み込み自動エンコ－ダ（ＣＡＥ）を、大きな再構成エラ－無く訓練するという単純なアプロ－チに従うことは、ありそうに無い。前述の懸念に対処するために、本明細書の実施形態に従って使用されるＣＡＥネットワ－クア－キテクチャは、冠動脈の長さおよび解剖学的構造に関係なく、冠動脈全体のＭＰＲ画像（ボリュ－ム）をエンコ－ドするための２フェ－ズエンコ－ディングアプロ－チを含む。
ＣＡＥは、入力画像からのデ－タを、デコ－ダが入力画像を再構築するのに十分な情報を含む小さなベクトルに、圧縮する。これにより、オ－トエンコ－ダは、圧縮された画像に関する特徴を学習することを強制される。これは、図１９の１９ａ～１９ｃに示されている。図１９の１９ａの画像１９０１は、図２のステップ２０３の結果である抽出されたＭＰＲ画像でありかつさらに図４ａ－４ｃに示されている例を示す。関心のある冠動脈を識別する中心線の始点にある近位部分は、画像１９０１の左側にあり、そして中心線の終点は、ＭＰＲ画像の右側にある。図１９の１９ｂの画像１９０２は、ＣＡＥのエンコ－ダによって抽出されたＭＰＲ画像の長さに沿っていくつかの特徴（情報）を示す。図１９の１９ｃの画像１９０３は、元の画像を再構成したデコ－ダの結果を示す。典型的なＣＡＥは、エンコ－ダとデコ－ダの２つの主要部分を含む。エンコ－ダは、畳み込み演算とダウンサンプリング（最大プ－リング）によってデ－タを低次元の潜在空間に圧縮（エンコ－ド）し、そして続いて圧縮された形式を展開（デコ－ド）して、畳み込み演算とアップサンプリング（アンプ－リング）によって入力デ－タを再構築する。エンコ－ダ入力とデコ－ダ出力の間の距離損失を最小限に抑えながら、ＣＡＥを訓練することは、入力から生成された抽象エンコ－ディングが、低エラ－で再構築するのに十分な情報を含むことを確実にする。ＣＡＥが訓練されると、デコ－ダが外され、そしてエンコ－ダを使用して、見えないデ－タのエンコ－ドが生成される。
図２０は、エンコ－ディングフロ－を示す。最初に、ステップ１８０８で表されるように、３Ｄ変分畳み込みオ－トエンコ－ダ（３Ｄ－ＶＣＡＥ）が、（図１８、１８０７のように）動脈中心線に沿ってＭＰＲ画像２００１から抽出されたロ－カルサブボリュ－ム（直方体２００２）に適用される（２００３）。３Ｄ－ＶＣＡＥは、各サブボリュ－ムをエンコ－ディングのセットにエンコ－ドする。抽出された冠動脈の中心線（図１８の１８０４）に沿った（ステップサイズ１内の）全ての連続するサブボリュ－ムに適用されると、結果は、動脈と同じ長さの２Ｄ特徴マップになる。この２Ｄ特徴マップは、動脈に沿って走るエンコ－ディングの１Ｄシ－ケンスのセットとして表される（２００４）。好ましい実施形態では、関心のある冠動脈内の圧力降下を特徴付ける特徴は、局所サブボリュ－ム（直方体）に適用される３Ｄ－ＶＣＡＥによって抽出された、教師無し学習法の特徴によって特徴付けられる。これに代えて、直方体のシ－ケンスによって冠動脈に沿った圧力降下を記載する他の任意の設計された特性（例、ガウスフィルタ、ハラリックテクスチャ特徴）を、使用することが出来、および／または形態（例、冠動脈内腔、冠動脈ボリュ－ム、内腔強度）を、特徴として使用することが出来る。直方体内の知覚されたテクスチャを定量化するように設計されたこのような代替の設計された特徴方法の例は、類似の灰色ト－ンの空間関係を使用して、テクスチャの数値的特徴を獲得するHaralickテクスチャ特徴を計算することによるものである（非特許文献１５）。これらの特徴の任意の組み合わせを選択することが出来る。
最後に、図１８のステップ１８０９によって表されるように、プロセッサは、１Ｄ畳み込みオ－トエンコ－ダ（１Ｄ－ＣＡＥ）をエンコ－ディングの各シ－ケンスに別々に適用する（図２０の２００５）。従って、１Ｄ－ＣＡＥは、さらに、様々な長さのエンコ－ディングのシ－ケンスを、その長さに関係なく、動脈全体を表す固定数のエンコ－ディングにエンコ－ドする。
３Ｄ－ＶＣＡＥ
変分オ－トエンコ－ダ（ＶＡＥ）は生成モデルであり、非特許文献１６に記載されるようにデ－タ生成分布を近似する。近似および圧縮により、結果として得られるモデルは、基礎となるデ－タマニホ－ルド：デ－タが分散される、制約された、滑らかで、連続的で、低次元の潜在（特徴）空間を獲得する（非特許文献１７）。潜在空間のこれらの有利な特性は、現在の実施形態内で使用されて、ＶＣＡＥを使用して、動脈に沿った局所ボリュ－ムを圧縮およびエンコ－ドする。動脈の局所的なボリュ－ム特性を獲得するために、３Ｄ－ＶＣＡＥへの入力は、ステップ１８０７に記載されるように、ボリュ－ムに設定される。３Ｄ－ＶＣＡＥのエンコ－ダの出力は、予め定義された数（例、１６）のエンコ－ディング（２００４）に設定される。動脈全体をエンコ－ドするために、ストライドが１ボクセルの重複するボリュ－ムが、抽出されそして３Ｄ－ＶＣＡＥによりエンコ－ドされる。これにより、中心線ポイントごとに１６個のエンコ－ディングが行われる場合、１６ｘＬ個のエンコ－ディングが得られる（ここで、Ｌは、抽出された冠動脈の中心線の長さである）。詳細な３Ｄ－ＶＣＡＥア－キテクチャは、図２１ａに示されている。図２１ａは、３Ｄ－ＶＣＡＥの詳細なネットワ－クア－キテクチャを示す。入力と出力は、例えば、４０ｘ４０ｘ５ボクセルのボリュ－ムである。図２０ａ内で、キ－：N@(sizekernel)は、サイズsizekernelの、カ－ネルがN個の畳み込みレイヤである。MP@(sizekernel)は、カ－ネルサイズsizekernelの最大プ－リングレイヤである。US@(sizekernel）は、カ－ネルサイズsizekernelのアップサンプリングレイヤである。FC@(Nunits）は、Nunitsユニットと完全に接続されたレイヤである。３Ｄ－ＶＣＡＥが訓練されると、μレイヤの出力が、入力のエンコ－ディングを生成するために使用される。降順と昇順の矢印は、各々、各オ－トエンコ－ダのエンコ－ダとデコ－ダを表す。３Ｄ－ＶＣＡＥでは、エンコ－ダとデコ－ダの出力レイヤを除く全ての畳み込みレイヤの後に、バッチ正規化レイヤと正規化線形ユニット（ＲＥＬＵ）が、使用される。他のパラメ－タ、例えば、異なるカ－ネルサイズ、エンコ－ディングレイヤおよび他のＣＡＥア－キテクチャおよびアクティベ－ション関数の数を、使用することも出来る。さらに、ＣＡＥの入力サイズは、例えば、多相ＣＣＴＡデ－タセットをサポ－トするために、４Ｄボクセルパッチを使用する場合とは異ならせることが出来る。入力パッチは、多エネルギおよび／または多相ＣＣＴＡデ－タセットをサポ－トするために、さらに高次元（例えば、ｎ次元）のボクセルパッチにさせることが出来る。
１Ｄ－ＣＡＥ
ＦＦＲの予測のために冠動脈を表すとき、冠動脈入口部から、抽出された冠動脈の中心線の最も遠位の部分までの動脈に沿った特徴が、考慮される。従って、３Ｄ－ＶＣＡＥからのロ－カルエンコ－ディングは、さらに、動脈全体を一度に分析する間に、１Ｄ－ＣＡＥ２００５によって圧縮される。これを達成するために、２Ｄ特徴マップは、各冠動脈の中心ポイントで３Ｄ－ＶＣＡＥによって生成された（例えば、１６個の）エンコ－ディングのセット（これは、１Ｄシ－ケンスのセット２００４として表される）を含む。各シ－ケンスは、１ｘＬ個のエンコ－ディングを含む。Ｌは、動脈の長さ、すなわち、冠動脈の中心ポイントの数である。この表現により、各シ－ケンスは、動脈に沿った特定のエンコ－ディング（２００４）を表すようになり、そしてこの結果、単純な１Ｄ－ＣＡＥを、個別に、１６個のエンコ－ディングのシ－ケンスの各々に適用することが可能になる（２００５）。１６個の１Ｄ－ＣＡＥの重みは、共有される。ここで、各１Ｄ－ＣＡＥは、１６個のシ－ケンスの１つを（例えば、６４個の）エンコ－ディングにエンコ－ドする。これにより、関心のある冠動脈全体を表すｎ個の特徴（２００６）が得られる。この例では、ｎは、１６ｘ６４、１０２４の特徴である。詳細な１Ｄ－ＣＡＥア－キテクチャは、図２１ｂに示されている。入力と出力は、例えば、１６ｘＬ個のエンコ－ディングのシ－ケンスである。図２１において、キ－：N@(sizekernel:sizestride)は、サイズsizekernelのＮ個のカ－ネルとsizestrideのストライドを持つ１Ｄ畳み込みレイヤである。US@(sizekernel）は、カ－ネルサイズsizekernelを有する１Ｄアップサンプリングレイヤである。１Ｄ－ＣＡＥは、１６個の１Ｄシ－ケンスの各々に個別に適用されるが、重みは共有される。１Ｄ－ＣＡＥが訓練されると、eレイヤの出力（図２１ｂ）を使用して、各入力シ－ケンスのエンコ－ディングが、生成される。降順と昇順の矢印は、各々、各オ－トエンコ－ダのエンコ－ダとデコ－ダを表す。１Ｄ－ＣＡＥでは、指数線形単位（ＥＬＵ: exponential linear unit）は、エンコ－ダとデコ－ダの出力レイヤを除く全ての畳み込みレイヤの後に使用される。他のパラメ－タ、例えば、異なるカ－ネルサイズ、エンコ－ディングレイヤおよび他のＣＡＥア－キテクチャとアクティベ－ション関数の数も、使用することが出来る。
図１８のステップ１８１０内で、プロセッサは、教師あり学習分類器を適用して、ＦＦＲ分類器を訓練する。いくつかの教師あり学習分類器（例えば、サポ－トベクトルマシン（ＳＶＭ）分類器）を使用することが出来るであろう。ＳＶＭは、分類付けと回帰の両方の目的に使用することができる教師あり機械学習分類器である。ＳＶＭは、デ－タセットを、予め定義されたクラス（２２２、図２２）に最適に分割する超平面（２２１、図２２）を見出すというアイデアに基づいている。簡単な例として、２つの特徴のみを持つ分類付けタスクが、図２２に示されている。ＳＶＭの訓練中に、２つのクラスのサンプルを最も良く分離する超平面は、マ－ジン内の訓練サンプルの数を最小化しつつ、決定境界の周りのマ－ジンを最大化することにより見出される（図２２）。マ－ジン（２２３、図２２）は、サポ－トベクトル（２２４、図２２）、つまり、マ－ジン上にある訓練サンプルによって決定される。直感的には、適切な分離は、クラスの最も近い訓練デ－タポイントまでの距離が、最大である超平面によって、実現される。言い換えると、超平面と、何れかのセットからの最も近いサポ－トベクトルとの間の距離は、マ－ジンとして知られている。ＳＶＭの目標は、超平面と訓練セット内の任意のポイント（サポ－トベクトル）との間に、可能な限り最大のマ－ジンを持つ超平面を見出すことである。他の種類の分類器には、ニュ－ラルネットワ－ク、Bayesian分類器、Tree Ensembles（例、ランダムForests）を含むことができる（非特許文献１８）。教師あり学習（ＳＶＭ）分類器を使用することができるようにするためには、参照標準として使用することができる参照デ－タが存在する必要がある。参照標準は、複数の患者からのデ－タベ－スである（ステップ１８０１）。このデ－タベ－ス内の各セットは、ａ）造影ＣＴデ－タセット（ステップ１８０３）およびこれに属するｂ）参照値（ステップ１８０２）を含む。好ましい実施形態では、流体－動的パラメ－タを表す機能的有意性冠動脈病変（例、ＦＦＲ）１８０２を示す参照値は、造影ＣＴデ－タセット１８０３に属するＸ線血管造影中に実行される（プルバック）侵襲性冠血流予備能（ＦＦＲ）測定である。例えば、ＦＦＲは、静脈内アデノシンによって誘発される最大高血症で、冠動脈圧ガイドワイヤを使用して測定される。Ｘ線血管造影中、ＦＦＲワイヤは、標的血管内で可能な限り遠位に配置され、そしてＦＦＲは、標的血管の遠位部分における手動のまたは自動プルバックによって評価される。最後に、実行された測定の品質を評価して１.００のＦＦＲ値を達成するために、ＦＦＲワイヤが、ガイディングカテ－テルのレベルで回収される。繰り返し測定または複数の狭窄のために複数のＦＦＲ測定が使用可能である場合には、最小値が、基準として使用される。ＦＦＲ参照値１８０２は、患者固有のＣＣＴＡデ－タセットをその患者の心筋虚血にリンクする任意のパラメ－タとすることが出来る。例えば、参照値（１８０２）は、測定された冠動脈血流予備能または標的冠動脈領域において達成可能な最小微小循環抵抗の測定を提供し、微小血管の完全性の定量的評価を可能にする微小循環抵抗の指標とすることが出来る。参照値（１８０２）の様々なパラメ－タの他の例は、ＣＣＴＡデ－タセットの取得後の予め定義された時間内の主要な心臓有害事象（ＭＡＣＥ: major adverse cardiac event）の発生、または患者が、ＣＣＴＡデ－タセットの取得後の予め定義された時間内に血行再構成術を受けた場合、または心臓ストレステストの結果、心筋磁気共鳴画像法（ＭＲＩ）灌流、ＳＰＥＣＴ、ＰＥＴ、ＣＴ灌流、または超音波の結果である。
各参照値（１８０２）は、使用されるＣＣＴＡデ－タセット１８０３に対応するＦＦＲ参照値１８０２のデ－タベ－スを使用して、２つのクラス、例えば、「機能的に有意な狭窄が存在する」（侵襲性ＦＦＲ ＜インスタンス０.８）または「有意な狭窄が存在しない」（侵襲性ＦＦＲ＞インスタンス０.８）（既知のラベル）の内の１つに属するものとしてマ－クされる。ＳＶＭ分類器は、異なるクラスを分離することを学習する。まず、各訓練サンプル（例、ＣＣＴＡデ－タセット）は、ｎ次元の特徴空間内のポイントとして表される。ここで、ｎは、計算された特徴の数（例、特徴ベクトル内の特徴の数、図１８のステップ１８０９の結果）である。デ－タベ－ス１８０３内の全てのリ－ミングＣＣＴＡケ－スに対して、このような特徴ベクトルが計算される。全ての訓練サンプル（例、デ－タベ－ス内のＣＣＴＡケ－ス）が、選択された分類器を訓練するために使用される。訓練フェ－ズでは、ＳＶＭ分類器は、クラス間の最適な分離を行う超平面を見出す、つまり、図２２に示されるように、マ－ジンが最大の２つのクラスを分離する超平面を見出す。
ＳＶＭは、本質的に２クラス分類器である。それにもかかわらず、マルチクラス分類付け、すなわち複数のクラスへの分類付けも、例えば、複数の２クラス分類付け（例、選択したクラスと残りの全てのクラス、またはクラスの各ペア－１対１の間）を実行することによって、実行することができる。従って、ＦＦＲ分類器（１８１０、図１８）は、複数のクラス、例えば、「機能的に有意な狭窄が存在しない」、「軽度の機能的に有意な狭窄が存在する」、「重度の機能的に有意な狭窄が存在する」、または参照値（図１８のステップ１８０２）に基づいて選択された任意のカテゴリ、を認識するように訓練させることが出来る。参照値（図１８、１８０２）が侵襲性ＦＦＲ測定値である場合、上述の分類付けは、例えば、次の侵襲性ＦＦＲしきい値：
i）侵襲性ＦＦＲ＞０.９－「機能的に有意な狭窄は存在しない」
ii）侵襲性ＦＦＲ０７～０.８－「軽度の機能的に有意な狭窄が存在する」
iii）侵襲性ＦＦＲ＜０.７－「機能的に有意な重度の狭窄が存在する」
を使用して達成させることが出来る。
システムが訓練されると、新しい見えないＣＣＴＡデ－タセットが、訓練フェ－ズ中に定義されたクラスに分類され、これは、詳しく図２３のフロ－チャ－トに記載されている。図２３は、血管閉塞の重症度を分類する、または見えないＣＣＴＡデ－タセット内のＦＦＲ値を検出して、ＣＣＴＡデ－タセットから１つまたは複数の冠動脈における機能的に有意な狭窄の存在を決定する、予測フェ－ズを実施するためのフレ－ムワ－クを示す。見えないＣＣＴＡデ－タセットは、図２３のステップ２３０１により表されている。
図２３のステップ２３０２では、関心のある冠動脈セクションに沿った冠動脈内腔の中心を表す冠動脈の中心線が、抽出される。このステップは、図２のステップ２０２と同じである。
図２３のステップ２３０３では、ステップ２３０２から抽出された冠動脈セクションに沿って多断面再フォ－マット（ＭＰＲ）画像が、作成される。
図２３のステップ２３０４からステップ２３０７までのステップは、予測フェ－ズ中の図２のブロック２０４を表し、そして見えないＣＣＴＡ画像デ－タセットの冠動脈病変の機能的重症度を分類する。機能的な冠動脈病変の重症度の予測は、ＭＰＲ画像内に表された関心のある冠動脈全体に対して実行される。図２３のステップ２３０４において、ＭＰＲ画像からの直方体のシ－ケンスの生成が実行され、そして図１６のステップ１６０７と同一である。
図２３のステップ２３０５および２３０６内で、特徴の計算が行われ、そしてこれは、図１８のステップ１８０８および１８０９について前述したものと同じである。
図２３のステップ２３０７において、ＦＦＲ分類器は、訓練フェ－ズ中に定義された新しい見えないＣＣＴＡデ－タセットを、カテゴリに割り当てる。この分類器は、図１８のブロック１８１０で使用されるものと同じ分類器である。予測フェ－ズ内で、見えないＣＣＴＡデ－タセットは、図２３のステップ２３０７において、ｎ次元特徴空間内にマッピングされそして超平面に対するこの特徴空間におけるその位置が、そのクラスラベルを決定する。この分類付けは、１つまたは複数の冠動脈閉塞が心筋への酸素送達を妨げる重症度の評価と言う結果をもたらし、そしてこれは図２３のステップ２３０８に表されている。図２４は、分類器の視覚的表現を示す。見えない画像の特徴ベクトルを表す図２３のステップ２３０６の結果は、分類器の入力（２４１）である。図２４のラベル２４２は、図１８のステップ１８１０に記載される、学習フェ－ズ中に学習されるＦＦＲ分類付けモデルを表す。図２４のラベル２４３は、２つのクラスが学習される場合の分類器の出力（図２３、２３０８）を表す。陽性は、１つまたは複数の機能的に有意な冠動脈病変が存在することを意味し、陰性は、機能的に有意な冠動脈病変が存在しないことを意味する。
最後に、ステップ２３０８は、出力を提供し、結果を提示し、そして図２のステップ２０６と同一である。
代替の実施形態では、図２のブロック２０４によって表される機械学習アルゴリズムが、造影増強ボリュ－ム測定画像デ－タセットに基づいて、心臓である標的器官の１つまたは複数の冠状血管閉塞の血行力学的機能的重症度を評価するために、配備される。図２５は、この代替の実施形態内の機械学習アルゴリズムの訓練フェ－ズのフロ－チャ－トを表し、そしてこれは、図１９ａ～１９ｃによって記載された方法を特許文献４の教示と組み合わせて、造影増強ボリュ－ム測定画像デ－タセット内の１つまたは複数の冠状血管閉塞の血行力学的機能的重症度を評価する。（図１８の１８０４）の場合のように中心線が抽出された、全ての抽出された冠動脈の特徴は、図１８のステップ１８０１からステップ１８０９までのステップに記載されたものと同じ方法で抽出される。例えば、図２０に示されるように、冠動脈のn個の特徴（２００６）が、（冠動脈ごとに）ＭＰＲ画像２５０５ごとに抽出される（例、１０２４個の特徴）。次に、これらの特徴２５０９は、特許文献４に記載されるような心筋分析（２５１２）から連結２５１１によって取得された特徴ベクトル（例えば、５１２個の心筋特徴の特徴ベクトル）と組み合わされる。心筋特徴ベクトル（２５１２）の入力は、ＣＣＴＡ画像デ－タセット（２５０３）である。連結ステップは、冠動脈分析（２５０９）から得られた特徴ベクトルを、心筋分析から得られた特徴ベクトル１４１２に付加することによって実行される。連結ステップの結果は、例えば、非特許文献１９によって記載されているように、マルチインスタンス学習（ＭＩＬ）ＦＦＲ分類器２５１３を訓練するために使用される。このようなＭＩＬ分類器を使用することができるようにするために、各患者は、全ての冠動脈（抽出された特徴を含む）と心筋（それの抽出された特徴を含む）を含むインスタンスのバッグとして表される。インスタンスのバッグを作成するために、冠動脈の特徴は、要素ごとに心筋の特徴と連結される：各冠動脈ｉの特徴（２５０９）は、心筋の特徴（２５１２）と連結される（２５１１）。ここで、ｉは、ｌ～Ｎ（２５１０で表される冠動脈の総量）である。この結果は、Ｎ行と１行あたりの特徴の総数を含む行列になる（例、１５３６個の特徴は、心筋で５１２個そして冠動脈ごとに１０２４個である）。画像デ－タセット２５０３に属する参照値２５０２は、その患者において侵襲的に測定された最小のＦＦＲ（画像デ－タセット）に設定することができるであろうが、これに限定されるものではない。
図２６は、１つまたは複数の冠動脈閉塞が、心筋への酸素送達を妨げる重症度をＣＣＴＡデ－タセットから評価する、この代替実施形態内の機械学習アルゴリズムの予測フェ－ズ中のフロ－チャ－トを表す。見えないＣＣＴＡデ－タセットは、図２６のステップ２６０１で表される。
図２６のステップ２６０２では、関心のある各冠動脈セクションに沿った冠動脈内腔の中心を表す冠動脈の中心線が、抽出される。このステップは、図２のステップ２０２と実質的に同様の方法で実施することができる。
図２６のステップ２６０３～ステップ２６０６までのステップは、図２３のステップ２３０３～ステップ２３０６までのステップと同一である。
図２６のステップ２６０８は、図２５のブロック２５１１に記載されている方法と同様な方法で、冠動脈分析２６０６および心筋分析２６０９に基づいて、見えないＣＣＴＡデ－タセットから得られかつ使用可能な全ての冠動脈の中心線（２６０７）を含む特徴ベクトルを連結する。この連結ステップの結果は、図２５のステップ２５１３に記載される訓練されたＭＩＬ ＦＦＲ分類器２６１０に供給される。最後に、ステップ２６１１は、ステップ２６１０からの分類付けの結果をユ－ザに提供し、そして実質的に図２のステップ２０６と同様の方法で実施させることができる。
ＭＰＲ画像の作成を記載する図２のステップ２０３に関して、本明細書は、主に直線ＭＰＲ画像の使用に焦点を合わせている。ステップ２０３の記載は、湾曲ＭＰＲ画像の使用を含む。これにより、記載された機械学習ネットワ－クア－キテクチャ内で、抽出された中心線の曲率または屈曲情報を考慮に入れることが可能になる。これに代えて、このステップをスキップし、そして関連するフロ－チャ－トに記載されているキュ－ブの生成を、図２のステップ２０２の結果として抽出された中心線を使用して、画像デ－タセットに直接実行することも出来る。このようにして、曲率またはねじれ情報は、機械学習ベ－スのＶＡＯモデルの訓練中、および予測フェ－ズ中に、暗黙的に考慮される。
抽出された冠動脈の中心線に沿って、または抽出された冠動脈の中心線ごとに、冠動脈の機能的有意性の予測に関して、十分な量の侵襲的に測定された血行力学的参照値を取得することは困難である。これらの侵襲的に測定される血行力学的ＦＦＲ参照値は、冠動脈の遠位位置で侵襲的に測定されたＦＦＲとする、または抽出された冠動脈の中心線に沿った冠動脈の機能的有意性を予測する場合には、侵襲的に測定されたプルバックＦＦＲとすることが出来る。
前述のように、参照標準（７０１、１８０１、２５０１）は、各患者に対してａ）造影増強ＣＴデ－タセット（７０３、１８０３、２５０３）およびこれに対応するｂ）例えば、侵襲的に測定された冠血流予備量比のような、ＦＦＲ参照値（７０２、１８０２、２５０２）を含むデ－タベ－スから成る。ほとんどの場合、患者のＸ線血管造影画像デ－タも使用可能である。代替の実施形態内では、ＦＦＲ参照値（図７の７０２または図１８の１８０２または図２５の２５０２）は、ＦＦＲプルバックの計算または遠位ＦＦＲ値の計算によって得られ、これは、例えば、ＦＦＲのような血行力学的パラメ－タを侵襲的に測定する必要性を排除する。これは、患者のＸ線血管造影画像デ－タを使用して実行させることが出来、そしてＣＡＡＳワ－クステ－ション ８.０（Pie Medical Imaging社、オランダ）内のｖＦＦＲ（vessel－ＦＦＲ）ワ－クフロ－を使用することにより（プルバック）ＦＦＲ値を計算する。Ｘ線血管造影の高い空間分解能およびＣＡＡＳワ－クステ－ションのｖＦＦＲワ－クフロ－内で採用されている方法とにより、非特許文献２０で開示されているように、計算されたｖＦＦＲの精度は、かなり高い。
ＣＡＡＳワ－クステ－ションのｖＦＦＲ法は、少なくとも３０度離れた２つの血管造影Ｘ線投影を使用して、３Ｄ冠動脈再構成を生成する。ｖＦＦＲは、３Ｄ冠動脈再構成の形態と定期的に測定される患者固有の大動脈圧とを組み込んだ独自のアルゴリズムを使用することにより、瞬時に計算される。図２７は、ＣＡＡＳワ－クステ－ションを使用して冠動脈回旋枝の計算されたＦＦＲプルバックを取得する例を示す。２７０１は、各２Ｄ Ｘ線血管造影画像における冠動脈回旋枝のセグメンテ－ションを示し、これは、結果的に冠動脈の３Ｄ再構成（２７０２）となる。グラフ２７０３は、３Ｄ再構成された冠動脈の長さに沿って計算されたｖＦＦＲ値を示す。同じアプロ－チをＣＣＴＡデ－タセットに実行することもでき、これは、各患者に対しＸ線血管造影画像デ－タを対応させる必要性を不用とする。
本開示は、主に、関心のある器官を心筋とし、そして血管が冠動脈である場合を記載する。当業者は、この教示が他の器官にも等しく拡張できることを理解するであろう。例えば、関心のある器官は、腎動脈によって灌流される腎臓、または頭蓋内動脈によって灌流される脳（の部分）とすることが出来る。さらに、本開示は、（いくつかの形式の）ＣＣＴＡデ－タセットに言及している。当業者は、この教示が、他の画像化モダリティ、例えば、回転血管造影、ＭＲＩ、ＳＰＥＣＴ、ＰＥＴ、超音波、Ｘ線等に等しく拡張できることを理解するであろう。
本開示の実施形態は、スタンドアロンシステム上で使用する、または例えば、コンピュ－タ断層撮影（ＣＴ）システムに直接含めることが出来る。図２８は、コンピュ－タ断層撮影（ＣＴ）システムの高レベルのブロック図の例を示す。このブロック図には、本実施形態が、このようなシステムにどのようにして統合することが出来るかの一例である実施形態が、含まれている。
（様々な機能ブロックによって定義される）システムの部分は、専用のハ－ドウェア、アナログおよび／またはデジタル回路、および／またはメモリに格納されたプログラム命令を操作する１つまたは複数のプロセッサにより実装させることができる。
コンピュ－タ断層撮影の最も一般的な形態は、Ｘ線ＣＴであるが、デュアルエネルギ、スペクトル、マルチエネルギ、またはフォトンカウンティングＣＴのような、他の多くのタイプのＣＴも存在する。また、陽電子放射断層撮影（ＰＥＴ）および単一光子放射型コンピュ－タ断層撮影（ＳＰＥＣＴ）、または以前の形式のＣＴと組み合わせたものも存在する。
０１５１
図２８のＣＴシステムには、Ｘ線ＣＴシステムが記載されている。Ｘ線ＣＴシステムでは、Ｘ線システムが、ガントリ内の患者の周りを移動しそして画像を取得する。デジタル処理を使用することにより、３次元画像は、単一の回転軸の周りで撮影された多くの一連の２次元血管造影画像から構築される。
典型的なＸ線ＣＴシステム１２０の場合、オペレ－タは、患者１２００を患者テ－ブル１２０１上に配置し、そして操作コンソ－ル１２０２を使用してスキャンのための入力を提供する。操作コンソ－ル１２０２は、通常、コンピュ－タ、キ－ボ－ド／フットパドル／タッチスクリ－ンおよび１つまたは複数のモニタを備える。
操作制御コンピュ－タ１２０３は、オペレ－タコンソ－ル入力を使用して、ガントリ１２０４に回転するように命令するのみならず、患者テ－ブル１２０１およびＸ線システム１２０５にスキャンを実行する命令を送信する。
オペレ－タコンソ－ル１２０２で選択された走査プロトコルを使用して、操作制御コンピュ－タ１２０３は、一連のコマンドをガントリ１２０４、患者テ－ブル１２０１、およびＸ線システム１２０５に送信する。次に、ガントリ１２０４は、一定の回転速度に到達しそしてスキャン全体を通して一定の回転速度を維持する。患者テ－ブル１２０１は、所望の開始位置に到達しそしてスキャンプロセス全体を通して一定の速度を維持する。
Ｘ線システム１２０５は、Ｘ線ビ－ム１２０８を生成する高電圧発生器１２０７を備えたＸ線管１２０６を含む。
高電圧発生器１２０７は、電力を制御し、そしてＸ線管１２０６に供給する。高電圧発生器１２０７は、Ｘ線管１２０６の陰極と回転陽極との間の真空ギャップに高電圧を印加する。
Ｘ線管１２０６に印加される電圧により、電子移動が、Ｘ線管１２０６の陰極から陽極に発生し、この結果、制動放射とも呼ばれるＸ線光子生成効果が生成される。生成された光子は、画像検出器１２０９に向けられたＸ線ビ－ム１２０８を形成する。
Ｘ線ビ－ム１２０８は、とりわけ、Ｘ線管１２０６に印加される電圧および電流によって決定される、最大値までの範囲のエネルギのスペクトルを有する光子を備える。
次に、Ｘ線ビ－ム１２０８は、移動テ－ブル１２０１上に横たわる患者１２００を通過する。Ｘ線ビ－ム１２０８のＸ線光子は、様々な程度で患者の組織を透過する。患者１２００の異なる構造は、放射線の異なる部分を吸収し、ビ－ム強度を変調する。
患者１２００から射出する変調されたＸ線ビ－ム１２０８’は、Ｘ線管の反対側に配置された画像検出器１２０９によって検出される。
この画像検出器１２０９は、間接的または直接的検出システムの何れかとすることが出来る。
間接検出システムの場合、画像検出器１２０９は、Ｘ線出口ビ－ム１２０８’を増幅された可視光画像に変換する真空管（Ｘ線画像増補器）を備える。次に、この増幅された可視光画像は、画像の表示および記録のために、デジタルビデオカメラのような可視光画像受容体に送信される。これにより、デジタル画像信号が生成される。
直接検出システムの場合、画像検出器１２０９は、フラットパネル検出器を備える。フラットパネル検出器は、Ｘ線出口ビ－ム１２０８’をデジタル画像信号に直接変換する。
画像検出器１２０９から結果的に得られるデジタル画像信号は、処理のために画像生成器１２１０に渡される。通常、画像生成システムは、高速コンピュ－タとデジタル信号処理チップを含む。取得されたデ－タは、オペレ－タの視覚のためにディスプレイデバイス１２０２にそしてア－カイブのためにデ－タストレ－ジデバイス１２１１に送信される前に、前処理および拡張される。
ガントリ内に、Ｘ線システムが、患者１２００および移動テ－ブル１２０１がＸ線管１２０６と画像検出器１２０９との間に位置するように、配置される。
造影増強ＣＴスキャンでは、造影剤の注入は、スキャンと同期しなければならない。造影剤注入器１２１２は、操作制御コンピュ－タ１２０３によって制御される。
ＦＦＲ測定のために、ＦＦＲガイドワイヤ１２１３が存在し、また、アデノシンが、最大の充血状態を誘発するために、注入器１２１４によって患者に注入される。
本出願の実施形態は、図１８のＸ線ＣＴシステム１２０によって、以下のように実施される。臨床医または他のユ－ザは、操作コンソ－ル１２０２を使用して走査プロトコルを選択することにより、患者１２００のＣＴスキャンを取得する。患者１２００は、操作制御コンピュ－タ１２０３によって制御される走査の全体に渡って、連続速度で移動する調整可能テ－ブル１２０１上に横たわっている。ガントリ１２０４は、スキャン全体を通して一定の回転速度を維持する。
次で、複数の二次元Ｘ線画像が、上述したように、高電圧発生器１２０７、Ｘ線管１２０６、画像検出器１２０９およびデジタル画像発生器１２１０を使用して、生成される。次で、この画像は、ハ－ドドライブ１２１１に格納される。これらのＸ線画像を使用して、３次元画像が、画像発生器１２１０によって構築される。
汎用処理ユニット１２１５は、３次元画像を使用して、上述した分類付けを実行する。
本明細書では、単一のＣＣＴＡ画像のみから抽出された情報に基づいて、機能的に有意な狭窄を有する患者を自動的に識別するための方法および装置のいくつかの実施形態が、記載および図示されて来た。
以下には、単独でまたはそれらの任意の組み合わせで請求することができる、本明細書の実施形態の様々な態様の要約が、提示される。
具体例１
血管閉塞を評価するための方法であって：
関心のある血管を含む標的器官のボリュ－ム画像デ－タセットを取得するステップ；
前記ボリュ－ム画像デ－タセット内の関心のある血管（ＶＯＩ）に沿って延在する軸方向軌跡を抽出するステップ；
前記ボリュ－ム画像デ－タセットおよび前記ＶＯＩの前記軸方向軌跡に基づいて３次元（３Ｄ）多断面再フォ－マット（ＭＰＲ）画像を作成するステップ；および
機械学習ベ－スの血管閉塞評価（ＶＯＡ）モデルを使用して前記ＭＰＲ画像からＶＯＩパラメ－タを抽出するステップ
を備える方法。
具体例２
i）プラ－クタイプを検出すること、ii）血管閉塞の解剖学的重症度を分類すること、および／またはiii）ボリュ－ム画像デ－タセットの見えない部分内の血管閉塞の血行力学的重症度を分類すること、の少なくとも１つを実行する予測フェ－ズを実装する、
本明細書の具体例の内の１つまたは複数の方法。
具体例３
前記機械学習ベ－スのＶＯＡモデルが、前記ＭＰＲ画像からキュ－ブのシ－ケンスを生成し、前記キュ－ブの各々が、前記ＭＰＲ画像からのボクセルのグル－プを含み、前記ＶＯＩのセクション内に作成されたキュ－ブの前記シ－ケンスが、結果的に、対応するセクションのキュ－ブのシ－ケンスとなる、
本明細書の具体例の内の１つまたは複数の方法。
具体例４
前記機械学習ベ－スのＶＯＡモデルが、キュ－ブの前記シ－ケンスから独立してぜキュ－ブに関連付けられている画像特徴を抽出する、本明細書の具体例の１つまたは複数の方法。
具体例５
前記機械学習が、シ－ケンシャルに前記画像の特徴を分析する、本明細書の具体例の内の１つまたは複数の方法。
具体例６
血管径の拡大に関連する前記ＶＯＩパラメ－タの抽出を容易にするために、前記キュ－ブのサイズが、前記ＶＯＩの管腔全体および前記管腔の外側の組織の一部を含むように定義されていて、血管径の拡大が、アテロ－ム性動脈硬化症のプラ－ク成長の方向を指す、本明細書の１つまたは複数の具体例の方法。
具体例７
前記軸方向軌跡が、前記ＶＯＩの冠動脈の中心線に対応し、前記冠動脈の中心線が、関心のある冠動脈セクションに沿った冠動脈内腔の中心を表し、前記軸方向軌跡が、単一の冠動脈、冠状分岐部、または冠動脈全体ツリ－に対応し、ここで、関心のある前記冠動脈セクションが、１つまたは複数の分岐を含む場合、前記冠動脈の中心線が１つまたは複数の分岐を含む、本明細書の１つまたは複数の具体例の方法。
具体例８
前記機械学習ベ－スのＶＯＡモデルが、前記ＭＰＲ画像内の前記ＶＯＩの前記軸方向軌跡に沿った近傍を分析するために使用される回帰型畳み込みニュ－ラルネットワ－ク（ＲＣＮＮ）に基づいていて、前記ＲＣＮＮが、畳み込みニュ－ラルネットワ－ク（ＣＮＮ）を、軸方向軌跡に沿った前記ＭＰＲの前記部分をシ－ケンシャル入力として分析するために直列に接続されている、回帰型ニュ－ラルネットワ－ク（ＲＮＮ）に、直列に接続する、本明細書の１つまたは複数の具体例の方法。
具体例９
前記機械学習ベ－スのＶＯＡモデルが、少なくとも１つの畳み込みレイヤとそれに続く最大プ－リングレイヤを適用して、前記ＭＰＲ画像から関心のある画像特徴を抽出し、そしてプラ－クタイプの検出、プラ－クタイプの特徴付け、狭窄の検出、または狭窄の解剖学的有意性の決定の内の少なくとも１つに対し分類器を使用する、本明細書の１つまたは複数の具体例の方法。
具体例１０
前記機械学習ベ－スのＶＯＡモデルは、前記ＭＰＲ画像に基づいて特徴ベクトルを作成するための特徴抽出を含み、前記特徴ベクトルが、画像の参照デ－タベ－スから測定されまたは抽出される一連の因子を備え、前記一連の因子が、関心のある前記血管の対応する壁領域の前記性質を記載または特徴付け、前記機械学習ベ－スのＶＯＡモデルが、さらに、前記ＭＰＲ画像から抽出された前記特徴ベクトルを分類する分類器を含む、本明細書の１つまたは複数の具体例の方法。
具体例１１
前記ＶＯＩパラメ－タが、冠動脈プラ－クタイプ、解剖学的冠動脈病変の重症度、または機能的に有意な冠動脈病変の重症度、の内の少なくとも１つを含み、前記機械学習ベ－スのＶＯＡモデルが、i）機能的に有意な冠動脈病変の重症度、ii）プラ－クタイプ、またはiii）解剖学的冠動脈病変の重症度、の内の少なくとも１つを評価する、
本明細書の１つまたは複数の具体例の方法。
具体例１２
血管閉塞評価（ＶＯＡ）モデルを訓練する方法であって、
複数の患者のボリュ－ム画像デ－タセットと対応する冠動脈疾患（ＣＡＤ）関連の参照値とを含む訓練デ－タベ－スを取得するステップであって、前記ボリュ－ム画像デ－タセットが、関心のある血管を含む標的器官用であり、前記ＣＡＤ関連の参照値が、前記対応する画像デ－タセット内の関心のある血管に沿った１つまたは複数のポイントに対応する、ステップ；および
前記ボリュ－ム画像デ－タセットと対応するＣＡＤ関連の参照値の少なくとも一部とに対して、
前記対応するボリュ－ム画像デ－タセット内の関心のある血管（ＶＯＩ）に沿って延在する軸方向軌跡を抽出するサブステップ、
前記対応するボリュ－ム画像デ－タセットと前記ＶＯＩの前記軸方向軌跡とに基づいて、３次元（３Ｄ）多断面再フォ－マット（ＭＰＲ）画像を作成するステップであって、前記ＭＰＲ画像が、前記ＶＯＩの前記軸方向軌跡に沿って延在する、サブステップ、
前記ＭＰＲ画像に基づいて機械学習ベ－スの血管閉塞評価（ＶＯＡ）モデルを訓練するサブステップであって、前記訓練が、さらに、前記ＭＰＲ画像から、前記ＶＯＩ内の前記軸方向軌跡に沿ったＣＡＤ関連パラメ－タを特徴付ける特徴を抽出するサブステップ、
を備えるステップ、
を備える方法。
具体例１３
前記ＣＡＤ関連参照値を、前記対応するＭＰＲ画像の空間座標に整合させることをさらに備える、本明細書の１つまたは複数の具体例の方法。
具体例１４
前記対応するＭＰＲ画像からキュ－ブのシ－ケンスを生成するステップであって、前記キュ－ブの各々が、前記対応するＭＰＲ画像からのボクセルのグル－プを含み、前記ＶＯＩのセクション内に作成されたキュ－ブの前記シ－ケンスが、結果的に、対応するセクションのキュ－ブのシ－ケンスとなる、ステップを、さらに、備える、本明細書の１つまたは複数の具体例の方法。
具体例１５
前記訓練が、さらに、畳み込みニュ－ラルネットワ－クを前記ＭＰＲ画像のみのキュ－ブのシ－ケンスに適用して、を適用して、機械学習ベ－スのＶＯＡモデルを構築することを備える、本明細書の１つまたは複数の具体例の方法。
具体例１６
前記適用は、軸方向軌跡に沿ったポイントでエンコ－ディングのセットを生成して、１次元（１Ｄ）シ－ケンスのセットを生成するステップをさらに含み、前記１Ｄシ－ケンスの各々は、ＶＯＩに沿った特定のエンコ－ディングを表し、この訓練は、さらに、前記１Ｄシ－ケンスに基づいて冠血流予備量比（ＦＦＲ）分類器を学習する、教師あり学習分類器を適用するステップを備える、本明細書の１つまたは複数の具体例の方法。
具体例１７
関心のある血管を含む標的器官のボリュ－ム画像デ－タセットを格納するように構成されたメモリおよび
前記メモリに格納されたプログラム命令を実行するときに、
前記ボリュ－ム画像デ－タセット内の関心のある血管（ＶＯＩ）に沿って延在する軸方向軌跡を抽出し、
前記ボリュ－ム画像デ－タセットとＶＯＩの軸方向軌跡に基づいて、３次元（３Ｄ）多断面再フォ－マット（ＭＰＲ）画像を作成し、そして
機械学習ベ－スの血管閉塞評価（ＶＯＡ）モデルを使用して、前記ＭＰＲ画像からＶＯＩパラメ－タを抽出する
ように構成されている少なくとも１つのプロセッサ
を備える血管閉塞を評価するためのシステム。
具体例１８
前記１つまたは複数のプロセッサが、ｉ）プラ－クタイプを検出するステップ、ｉｉ）血管閉塞の解剖学的重症度を分類するステップ、および／または／またはiii）ボリュ－ム画像デ－タセットの見えない部分内の血管閉塞の血行力学的重症度を分類するステップ、の内の少なくとも１つに予測フェ－ズを実施するように構成されている、本明細書の１つまたは複数の具体例のシステム。
具体例１９
前記機械学習ベ－スのＶＯＡモデルが、前記ＭＰＲ画像からのキュ－ブのシ－ケンスを生成し、キュ－ブの各々が、前記ＭＰＲ画像からのボクセルのグル－プ、結果的に対応するセクションのキュ－ブのシ－ケンスになる、前記ＶＯＩのセクション内に作成されるキュ－ブのシ－ケンスを備える、本明細書の１つまたは複数の具体例のシステム。
具体例２０
前記機械学習ベ－スのＶＯＡモデルが、キュ－ブの前記シ－ケンスから独立してキュ－ブに関連付けられている画像特徴を抽出する、本明細書の１つまたは複数の具体例のシステム。
具体例２１
前記機械学習が、シ－ケンシャルに前記画像の特徴を分析する、本明細書の１つまたは複数の具体例のシステム。
具体例２２
血管径の拡大に関連する前記ＶＯＩパラメ－タの抽出を容易にするために、前記キュ－ブのサイズが、前記ＶＯＩの管腔全体および前記管腔の外側の組織の一部を含むように定義されていて、血管径の拡大が、アテロ－ム性動脈硬化症のプラ－ク成長の方向を指す、本明細書の１つまたは複数の具体例のシステム。
具体例２３
前記軸方向軌跡が、前記ＶＯＩの冠動脈の中心線に対応し、前記冠動脈の中心線が、関心のある冠動脈セクションに沿った冠動脈内腔の中心を表し、前記軸方向軌跡が、単一の冠動脈、冠動脈分岐、または冠動脈ツリ－全体に対応することができ、関心のある前記冠動脈セクションが、１つまたは複数の分岐を含む場合、前記冠動脈の中心線が、１つまたは複数の分岐を含む、本明細書の１つまたは複数の具体例のシステム。
具体例２４
前記機械学習ベ－スのＶＯＡモデルが、前記ＭＰＲ画像内の前記ＶＯＩの前記軸方向軌跡に沿った近傍を分析するために使用される回帰型畳み込みニュ－ラルネットワ－ク（ＲＣＮＮ）に基づいていて、シ－ケンシャル入力としての前記軸方向の軌跡に沿って前記ＭＰＲの前記部分を分析するために、前記ＲＣＮＮが、畳み込みニュ－ラルネットワ－ク（ＣＮＮ）を、直列に接続されている回帰型ニュ－ラルネットワ－ク（ＲＮＮ）に接続する、本明細書の１つまたは複数の具体例のシステム。
具体例２５
前記機械学習ベ－スのＶＯＡモデルが、少なくとも１つの畳み込みレイヤとそれに続く最大プ－リングレイヤを適用して前記ＭＰＲ画像から関心のある画像特徴を抽出し、そして分類器を使用して、プラ－クタイプの検出、プラ－クタイプの特徴付け、狭窄の検出および狭窄の解剖学的有意性の判断、の内の少なくとも１つを実行する、本明細書の１つまたは複数の具体例のシステム。
具体例２６
前記機械学習ベ－スのＶＯＡモデルが、前記ＭＰＲ画像に基づいて特徴ベクトルを作成するための特徴抽出を含み、前記特徴ベクトルが、画像の参照デ－タベ－スから測定または抽出される一連の因子を含み、前記一連の因子が、関心のある血管の対応する壁領域の前記性質を記載または特徴付けていて、前記機械学習ベ－スのＶＯＡモデルが、さらに、前記ＭＰＲ画像から抽出された前記特徴ベクトルを分類するための分類器を含む、本明細書の１つまたは複数の具体例のシステム。
具体例２７
前記ＶＯＩパラメ－タが、冠動脈プラ－クタイプ、解剖学的冠動脈病変の重症度、または機能的に有意な冠動脈病変の重症度、の内の少なくとも１つを含み、前記機械学習ベ－スのＶＯＡモデルが、i）機能的に有意な冠動脈病変の重症度、ii）プラ－クタイプ、またはiii）解剖学的冠動脈病変の重症度、の内の少なくとも１つを評価する、本明細書の１つまたは複数の具体例のシステム。
具体例２８
複数の患者のボリュ－ム画像デ－タセットと対応する冠動脈疾患（ＣＡＤ）関連の参照値を含む訓練デ－タベ－スを格納するように構成されているメモリであって、前記ボリュ－ム画像デ－タセットが、関心のある血管を含む標的器官用であり、前記ＣＡＤ関連の参照値が、前記対応する画像デ－タセット内の関心のある血管に沿った１つまたは複数のポイントに対応する、メモリ；および
前記メモリに格納されたプログラム命令を実行するときに、ボリュ－ム画像デ－タセットおよび対応するＣＡＤ関連の参照値の少なくとも一部に対して、次のステップ、
対応するボリュ－ム画像デ－タセット内の関心のある血管（ＶＯＩ）に沿って延在する軸方向軌跡を抽出するステップ、
対応するボリュ－ム画像デ－タセットとＶＯＩの軸方向軌跡、ＶＯＩの軸方向軌跡に沿って延在するＭＰＲ画像に基づいて、３次元（３Ｄ）多断面再フォ－マット（ＭＰＲ）画像を作成するステップ、および
ＭＰＲ画像に基づいて機械学習ベ－スの血管閉塞評価（ＶＯＡ）モデルを訓練するステップであって、これが、前記ＭＰＲ画像から、前記ＶＯＩ内の軸方向軌跡に沿ったＣＡＤ関連パラメ－タを特徴付ける特徴を抽出することに係る、ステップ
を実施するように構成された１つ以上のプロセッサ、
を備える、血管閉塞評価（ＶＯＡ）モデルを訓練するためのシステム。
具体例２９
前記１つまたは複数のプロセッサが、さらに、前記ＣＡＤ関連の参照値を前記対応するＭＰＲ画像の空間座標に整合させるように構成されている、本明細書の１つまたは複数の具体例のシステム。
具体例３０
前記１つまたは複数のプロセッサが、さらに、前記対応するＭＰＲ画像からキュ－ブのシ－ケンスを生成するように構成されていて、前記キュ－ブの各々が、前記対応するＭＰＲ画像からのボクセルのグル－プを含み、前記ＶＯＩのセクション内に作成されたキュ－ブの前記シ－ケンスが、結果的に、対応するセクションのキュ－ブのシ－ケンスである、本明細書の１つまたは複数の具体例のシステム。
具体例３１
前記１つまたは複数のプロセッサが、さらに、前記機械学習ベ－スのＶＯＡモデルを構築するために、畳み込みニュ－ラルネットワ－クを前記ＭＰＲ画像のみのキュ－ブのシ－ケンスに適用するように構成されている、本明細書の１つまたは複数の具体例のシステム。
具体例３２
前記１つまたは複数のプロセッサが、さらに、各々が、前記ＶＯＩに沿った特定のエンコ－ディングを表す１次元（１Ｄ）シ－ケンスのセットを形成するために、前記軸方向軌跡に沿ったポイントにエンコ－ディングのセットを生成し、および前記１Ｄシ－ケンスに基づいて冠血流予備量比（ＦＦＲ）分類器を学習するために、教師あり学習分類器を適用して前記訓練を実行する、ように構成されている、本明細書の１つまたは複数の例のシステム。
本出願の特定の実施形態が記載されて来たが、本出願が、分野が許す限り広い範囲であり、そして明細書がそのように読まれることが意図されているので、本出願がそれに限定されることは意図されていない。
例えば、多相ＣＣＴＡデ－タセットを使用することができ、灌流された腎臓に関連する腎動脈の機能的評価を開示された方法論に基づいて評価することができ、デ－タ処理操作は、医用画像手技で一般的に使用されているＤＩＣＯＭ（Digital Imaging and Communications in Medicine）形式のＰＡＣＳまたはＶＮＡのような、デジタルストレ－ジに保存された画像に対してオフラインで実行させることができる。従って、当業者には、請求されたその精神および範囲から逸脱することなく、提供された出願にさらに他の修正を加えることができることが理解されるであろう。
本明細書に記載の実施態様は、上述したように、様々なデ－タストレ－ジならびに他のメモリおよび格納媒体を含み得る。これらは、１つ以上のコンピュ－タに対してロ－カルな（および／またはそこに常駐する）格納媒体上、あるいはネットワ－クを介して任意のまたはすべてのコンピュ－タから離れた格納媒体上などの、さまざまな位置に存在することが出来る。特定の実施態様のセットでは、情報は、当業者に良く知られているストレ－ジエリアネットワ－ク（「ＳＡＮ」）に存在してもよい。
同様に、コンピュ－タ、サ－バまたは他のネットワ－クデバイスに起因する機能を実行するために必要なファイルは、必要に応じてロ－カルおよび／またはリモ－トに格納することができる。
システムがコンピュ－タ化デバイスを含む場合、各デバイスは、バスを介して電気的に結合することができるハ－ドウェア要素を含むことができ、この要素は、例えば、少なくとも１つの中央処理ユニット（「ＣＰＵ」または「プロセッサ」）、および少なくとも１つの入力デバイス（例えば、マウス、キ－ボ－ド、コントロ－ラ、タッチスクリ－ンまたはキ－パッド）および少なくとも１つの出力デバイス（例えば、表示デバイス、プリンタまたはスピ－カ）を含む。このようなシステムは、ディスクドライブ、光ストレ－ジ、およびランダムアクセスメモリ（「ＲＡＭ」）または読み出し専用メモリ（「ＲＯＭ」）などの固体ストレ－ジ、およびリム－バブルメディアデバイス、メモリカ－ド、フラッシュカ－ドなどの１つ以上のストレ－ジも含むことができる。
このようなデバイスは、また、コンピュ－タ可読格納媒体リ－ダ、通信デバイス（例えば、モデム、ネットワ－クカ－ド（無線または有線）、赤外線通信デバイスなど）、および上述した作業メモリを含むことが出来る。
コンピュ－タ可読格納媒体リ－ダは、リモ－ト、ロ－カル、固定、および／または取り外し可能なストレ－ジを表すコンピュ－タ可読格納媒体、ならびにコンピュ－タ可読情報の保存、送信、取得を一時的におよび／またはより恒久的に格納するための格納媒体に接続することが出来る、またはこれらを受入れるように構成することが出来る。システムおよび様々なデバイスは、また、典型的には、オペレ－ティングシステムおよびクライアントアプリケ－ションまたはウェブブラウザなどのアプリケ－ションプログラムを含む、少なくとも１つのワ－キングメモリデバイス内に配置されたいくつかのソフトウェアアプリケ－ション、モジュ－ル、サ－ビスまたは他の要素を含むであろう。
当然のことながら、代替の実施態様は、上述したものに対する多数の変形例を有することが出来る。例えば、カスタマイズされたハ－ドウェアを、使用してもよく、および／または特定の要素を、ハ－ドウェア、ソフトウェア（アプレットなどの携帯用ソフトウェアを含む）またはその両方に実装させてもよい。
さらに、ネットワ－ク入力／出力デバイスなどの他のコンピュ－ティングデバイスへの接続も使用することができる。
様々な実施態様は、さらに、コンピュ－タ可読媒体上で前述の説明に従って実施された命令および／またはデ－タを、受信、送信、または格納することができる。コ－ド、またはコ－ドの一部を含むための格納媒体およびコンピュ－タ可読媒体は、コンピュ－タ可読命令、デ－タ構造、プログラムモジュ－ル、または他のデ－タのような、情報の格納および／または伝送のための任意の方法または技術で実施される揮発性および不揮発性、取り外し可能、およびこれらに限定されない、固定媒体、格納媒体および通信媒体を含む、当技術分野において既知のまたは使用される任意の適切な媒体を含むことが出来る。このような媒体には、ＲＡＭ、ＲＯＭ、電気的消去可能プログラマブル読み取り専用メモリ（「ＥＥＰＲＯＭ」）、フラッシュメモリまたは他のメモリ技術、コンパクトディスク読み取り専用メモリ（「ＣＤ － ＲＯＭ」）、デジタル多用途ディスク（ＤＶＤ）または他の光学ストレ－ジ、磁気カセット、磁気テ－プ、磁気ディスクストレ－ジまたは他の磁気ストレ－ジデバイスまたは所望の情報を格納するために使用することができかつシステムデバイスによってアクセスすることが出来る他の任意の媒体が含まれる。本明細書に提供される開示および教示に基づいて、当業者は、様々な実施態様を実施するための他の方法および／または方法を理解するであろう。
したがって、明細書および図面は、限定的な意味ではなく例示的なものと見なすべきである。しかしながら、特許請求の範囲に記載されているような本発明のより広い精神および範囲から逸脱することなく様々な修正および変更がなされ得ることは明らかであろう。
本開示の精神の範囲内にある他の変形例がある。したがって、開示された技術は様々な修正および代替の構成を受け入れる余地があり、それらの特定の例示された実施態様は、図面に示されていて、上で詳細に説明されてきた。しかしながら、開示された特定の形態に本発明を限定する意図はない。それどころか、その意図は、特許請求の範囲に定義されているように、本発明の精神および範囲内にあるすべての修正形態、代替構造、および均等物を網羅することである。
開示された実施態様を説明する文脈における（特に以下の特許請求の範囲の文脈における）用語「ａ」および「ａｎ」および「ｔｈｅ」および類似の冠詞の使用は、本明細書に別段の指示がない限り、または文脈によって明らかに矛盾しない限り、単数形および複数形の両方を網羅すると解釈されるべきである。
用語「含む(comprising)」、「有する(having)」、「含む(including)」、および「含有する(containing)」は、特に断りがない限り、制限しない用語として解釈されるべきである（すなわち、「・・を含むがこれらに限定されない」ことを意味する）。「接続された」という用語は、修正されずに物理的な接続を指す場合、たとえ介在するものがあっても、その一部または全部がその中に含まれる、つまり、共に取り付けられているまたは共に結合されていると解釈される。
本明細書中の値の範囲の列挙は、本明細書中に別段の指示がない限り、単にその範囲内に含まれる各個別の値を個々に指す簡潔な方法として機能することを意図している。「セット」（例えば、「項目のセット」）または「サブセット」という用語の使用は、別段の記載がない限り、または文脈と矛盾しない限り、１つ以上の構成要素を含む空でない集合として解釈されるべきである。
さらに、文脈によって特に指摘されないまたはそれと矛盾しない限り、対応するセットの「サブセット」という用語は、対応するセットの適切なサブセットを必ずしも意味しないが、サブセットと対応するセットは等しくてもよい。
本明細書に記載の方法の操作は、本明細書に別段の指示がない限りまたは文脈と明らかに矛盾しない限り、任意の適切な順序で実行することが出来る。本明細書に記載のプロセス（またはその変形例および／または組み合わせ）は、実行可能命令で構成された１つ以上のコンピュ－タシステムの制御下で実行することができ、かつハ－ドウェアまたはそれらの組み合わせによって、１つ以上のプロセッサ上で集合的に実行するコ－ド（例えば、実行可能命令、１つ以上のコンピュ－タプログラムまたは１つまたは複数のアプリケ－ション）として実装することができる。コ－ドは、例えば、１つ以上のプロセッサによって実行可能な複数の命令を含むコンピュ－タプログラムの形で、コンピュ－タ可読格納媒体に格納することができる。コンピュ－タ可読格納媒体は、非一時的としてもよい。
本発明を実施するために本発明者らが知っている最良の形態を含め、本開示の好ましい実施態様が、本明細書に記載されている。これらの好ましい実施態様の変形例は、前述の説明を読めば当業者には明らかになるであろう。本発明者らは、当業者がそのような変形形態を適切に使用することを予想しており、かつ本発明者らは、本明細書に具体的に記載されたものとは別の方法で本開示の実施態様が実施されることを意図する。
したがって、本開示の範囲は、適用法によって許容されるように、本明細書に添付の特許請求の範囲に記載の主題のすべての修正形態および均等物を含む。さらに、そのすべての可能な変形形態における上記の要素の任意の組み合わせは、本明細書で別段に示されない限り、または文脈によって明らかに否定されない限り、本開示の範囲に含まれる。
本明細書に引用した刊行物、特許出願および特許を含む全ての参考文献は、あたかも各参考文献が個別におよび具体的に参照により組み込まれることが示され、その全体が本明細書に記載されるのと同程度に参照により本明細書に組み込まれている。

Claims (51)

  1. 血管閉塞を評価するための方法であって：
    関心のある血管を含む標的器官のボリューム画像データセットを取得するステップ；
    前記ボリューム画像データセット内の関心のある血管（ＶＯI)に沿って延在する軸方向軌跡を抽出するステップ；
    前記ボリューム画像データセットおよび前記ＶＯＩの前記軸方向軌跡に基づいて３次元（３Ｄ）多断面再フォーマット（ＭＰＲ）画像を作成するステップ；および
    機械学習ベースの血管閉塞評価（ＶＯＡ）モデルを使用して前記ＭＰＲ画像からＶＯＩパラメータを抽出するステップであって、前記ＶＯＩパラメータが、i)機能的に有意な冠動脈病変の重症度を表すパラメータ、ii)プラークタイプを表すパラメータ、またはiii)解剖学的冠動脈病変の重症度を表すパラメータ、の内の少なくとも１つを含み、前記解剖学的冠動脈病変の重症度が少なくとも３つの重症度クラスを有するステップ
    を備え、
    前記機械学習ベースのＶＯＡモデルが、画像データから既知のラベルにより訓練された第１の機械学習ベースのモデルを使用して、前記ＭＰＲ画像から生成されたキューブに関連付けられた画像の特徴を自動的に抽出し、そして第２の機械学習ベースのモデルを使用して、前記画像の特徴に基づいて前記ＶＯＩパラメータを自動的に決定する、
    方法。
  2. さらに、i) 機能的に有意な冠動脈病変の重症度を表す前記パラメータを分類すること、ii)プラークタイプを検出すること、またはiii)前記ボリューム画像データセットの見えない部分内の解剖学的冠動脈病変の重症度を表す前記パラメータを分類すること、の内の少なくとも１つを実行する予測フェーズを実装する、
    請求項１に記載の方法。
  3. 機能的に有意な冠動脈病変の重症度を表す前記パラメータが、冠血流予備量比（ＦＦＲ）値またはＦＦＲ値の範囲である、
    請求項１または２に記載の方法。
  4. 前記第２の機械学習ベースのモデルが、前記画像の特徴をシーケンシャルに分析する、
    請求項１～３の何れか１項に記載の方法。
  5. 血管径の拡大に関連する前記ＶＯＩパラメータの抽出を容易にするために、前記キューブのサイズが、前記ＶＯＩの内腔全体および前記内腔の外側の組織の一部を含むように定義されていて、血管径の拡大が、アテローム性動脈硬化症のプラーク成長の方向を指す、
    請求項１～４の何れか１項に記載の方法。
  6. 前記軸方向軌跡が、前記ＶＯＩの冠動脈の中心線に対応し、前記冠動脈の中心線が、関心のある冠動脈セクションに沿った冠動脈内腔の中心を表し、前記軸方向軌跡が、単一の冠動脈、冠状分岐部、または冠動脈全体ツリーに対応し、関心のある前記冠動脈セクションが、１つまたは複数の分岐を含む場合、前記冠動脈の中心線が１つまたは複数の分岐を含む、
    請求項１～５の何れか１項に記載の方法。
  7. 前記第１および第２の機械学習ベースのモデルが、前記ＭＰＲ画像内の前記ＶＯＩの前記軸方向軌跡に沿った近傍を分析するために使用される回帰型畳み込みニューラルネットワーク（ＲＣＮＮ）に基づいていて、前記第１の機械学習ベースのモデルが、畳み込みニューラルネットワーク（ＣＮＮ）を採用し、そして前記第２の機械学習ベースのモデルが、回帰型ニューラルネットワーク（ＲＮＮ）に直列に接続されている前記ＣＮＮと共に前記回帰型ニューラルネットワークを採用し、前記ＣＮＮが、前記ＭＰＲから導出された入力のシーケンスから画像の特徴を抽出するように訓練されていて、そして前記回帰型ニューラルネットワークが、前記入力のシーケンスの全ての入力に対して前記ＣＮＮにより出力された前記画像の特徴を分析するように訓練されている、
    請求項１～６の何れか１項に記載の方法。
  8. 前記第１の機械学習ベースのモデルが、少なくとも１つの畳み込みレイヤとそれに続く最大プーリングレイヤを採用し、そして前記第２の機械学習ベースのモデルが、プラークタイプを特徴付けること、狭窄の解剖学的有意性を分類付けることまたは狭窄の機能的有意性を決定付けること、の内の少なくとも１つに対して、少なくとも１つの分類器を使用する、
    請求項１～７の何れか１項に記載の方法。
  9. 前記第１の機械学習ベースのモデルが、前記ＭＰＲ画像に基づいて特徴ベクトルを作成するように構成されていて、前記特徴ベクトルが、画像の参照データベースから測定または抽出される一連の因子を備え、前記一連の因子が、前記関心のある血管の対応する壁領域の性質を記載または特徴付け、そして前記第２の機械学習ベースのモデルが、前記特徴ベクトルを分類するように構成されている、
    請求項１～８の何れか１項に記載の方法。
  10. 前記第１の機械学習ベースのモデルが、オートエンコーダを備え、そして前記第２の機械学習ベースのモデルが、少なくとも１つの分類器を備え、前記オートエンコーダが、前記ＭＰＲ画像から前記ＶＯＩパラメータの特徴のセットを生成するように訓練され、そして前記少なくとも１つの分類器が、前記オートエンコーダにより生成された前記ＶＯＩの特徴のセットに基づいて、前記ＶＯＩパラメータを決定するように訓練される、
    請求項１～９の何れか１項に記載の方法。
  11. 血管閉塞評価（ＶＯＡ）モデルを訓練する方法であって、
    複数の患者のボリューム画像データセットと対応する冠動脈疾患（ＣＡＤ）関連の参照値とを含む訓練データベースを取得するステップであって、前記ボリューム画像データセットが、関心のある血管を含む標的器官用であり、前記ＣＡＤ関連の参照値が、前記対応するボリューム画像データセット内の関心のある血管に沿った１つまたは複数のポイントに対応する、ステップ；および
    前記ボリューム画像データセットおよび対応するＣＡＤ関連の参照値の少なくとも一部に対して、
    前記対応するボリューム画像データセット内の関心のある血管（ＶＯI)に沿って延在する軸方向軌跡を抽出するサブステップ、
    メモリに格納されているプログラム命令を実行するときに、以下のサブサブステップを実行するように構成されている少なくとも１つのプロセッサを使用するサブステップ、
    前記対応するボリューム画像データセットと前記ＶＯＩの前記軸方向軌跡とに基づいて、３次元（３Ｄ）多断面再フォーマット（ＭＰＲ）画像を作成するサブサブステップであって、前記ＭＰＲ画像が、前記ＶＯＩの前記軸方向軌跡に沿って延在する、サブサブステップ、
    機械学習ベースの血管閉塞評価（ＶＯＡ）モデルが、それに供給された前記ＭＰＲ画像から、それに供給された前記ＭＰＲ画像のＶＯＩ内の軸方向軌跡に沿ってＣＡＤ関連パラメータを特徴付ける特徴を抽出し、そしてそれに供給された前記ＭＰＲ画像から抽出された前記特徴からＶＯＩパラメータを決定するように、前記ＭＰＲ画像に基づいて機械学習ベースの血管閉塞評価（ＶＯＡ）モデルを訓練するサブサブステップであって、前記ＶＯＩパラメータが、i)機能的に有意な冠動脈病変の重症度を表すパラメータ、ii)プラークタイプを表すパラメータ、またはiii) 解剖学的冠動脈病変の重症度を表すパラメータ、の内の少なくとも１つを含み、前記解剖学的冠動脈病変の重症度が少なくとも３つの重症度クラスを有する、
    サブサブステップ、
    を備えるサブステップを備え、前記ＣＡＤ関連の参照値が、前記ＭＰＲ画像の空間座標に整合される、ステップ、
    を備える、方法。
  12. 機能的に有意な冠動脈病変の重症度を表す前記パラメータが、冠血流予備量比（ＦＦＲ）値またはＦＦＲ値の範囲である、
    請求項１～１１の何れか１項に記載の方法。
  13. 前記訓練が、さらに、前記機械学習ベースのＶＯＡモデルを構築するために、前記ＭＰＲ画像から生成されたキューブのシーケンスに畳み込みニューラルネットワークを適用することを備える、
    請求項１１に記載の方法。
  14. １次元（１Ｄ）シーケンスのセットを形成するために、前記軸方向軌跡に沿ったポイントでエンコーディングのセットを生成するステップを、さらに、備え、前記１Ｄシーケンスの各々が、前記ＶＯＩに沿った特定のエンコーディングを表し、前記訓練が、さらに、教師あり学習分類器を適用して、前記１Ｄシーケンスに基づいて冠血流予備量比（ＦＦＲ）分類器に学習させることを備える、
    請求項１１に記載の方法。
  15. プログラム命令を格納しそして関心のある血管を含む標的器官のボリューム画像データセットを格納する、ように構成されているメモリ、および
    前記メモリに格納された前記プログラム命令を実行するときに、
    前記ボリューム画像データセット内の関心のある血管（ＶＯI)に沿って延在する軸方向軌跡を抽出し、
    前記ボリューム画像データセットとＶＯＩの軸方向軌跡に基づいて、３次元（３Ｄ）多断面再フォーマット（ＭＰＲ）画像を作成し、そして
    機械学習ベースの血管閉塞評価（ＶＯＡ）モデルを使用して、前記ＭＰＲ画像からＶＯＩパラメータを抽出し、前記ＶＯＩパラメータが、i)機能的に有意な冠動脈病変の重症度を表すパラメータ、ii)プラークタイプを表すパラメータ、またはiii)解剖学的冠動脈病変の重症度を表すパラメータ、の内の少なくとも１つを含み、前記解剖学的冠動脈病変の重症度が少なくとも３つの重症度クラスを有する、
    ように構成されている少なくとも１つのプロセッサ
    を備え、
    前記機械学習ベースのＶＯＡモデルが、画像データから既知のラベルにより訓練された第１の機械学習ベースのモデルを使用して、前記ＭＰＲ画像から生成されたキューブに関連付けられた画像の特徴を自動的に抽出し、そして第２の機械学習ベースのモデルを使用して、前記画像の特徴に基づいて前記ＶＯＩパラメータを自動的に決定する、
    血管閉塞を評価するためのシステム。
  16. 前記少なくとも１つのプロセッサが、さらに、i) 機能的に有意な冠動脈病変の重症度を表す前記パラメータを分類すること、ii)プラークタイプを検出すること、iii)解剖学的冠動脈病変の重症度を表す前記パラメータを、前記ボリューム画像データセットの見えない部分内で、前記少なくとも３つの重症度クラスの1つに分類すること、の内の少なくとも１つを実行する予測フェーズを実施する、ように構成されている、
    請求項１５に記載のシステム。
  17. 機能的に有意な冠動脈病変の重症度を表す前記パラメータが、冠血流予備量比（ＦＦＲ）値またはＦＦＲ値の範囲である、
    請求項１５に記載のシステム。
  18. 前記第２の機械学習ベースのモデルが、前記画像の特徴をシーケンシャルに分析する、
    請求項１５または１７に記載のシステム。
  19. 血管径の拡大に関連する前記ＶＯＩパラメータの抽出を容易にするために、前記キューブのサイズが、前記ＶＯＩの内腔全体および前記内腔の外側の組織の一部を含むように定義されていて、血管径の拡大が、アテローム性動脈硬化症のプラーク成長の方向を指す、
    請求項１５に記載のシステム。
  20. 前記軸方向軌跡が、前記ＶＯＩの冠動脈の中心線に対応し、前記冠動脈の中心線が、関心のある冠動脈セクションに沿った冠動脈内腔の中心を表し、前記軸方向軌跡が、単一の冠動脈、冠動脈分岐、または冠動脈ツリー全体に対応することができ、関心のある前記冠動脈セクションが、１つまたは複数の分岐を含む場合、前記冠動脈の中心線が、１つまたは複数の分岐を含む、
    請求項１５～１９の何れか１項に記載のシステム。
  21. 前記第１および第２の機械学習ベースのモデルが、前記ＭＰＲ画像内の前記ＶＯＩの前記軸方向軌跡に沿った近傍を分析するために採用される回帰型畳み込みニューラルネットワーク（ＲＣＮＮ）に基づいていて、前記第１の機械学習ベースのモデルが、畳み込みニューラルネットワーク（ＣＮＮ）を採用し、そして前記第２の機械学習ベースのモデルが、回帰型ニューラルネットワーク（ＲＮＮ）に直列に接続されている前記ＣＮＮと共に前記回帰型ニューラルネットワークを採用し、前記ＣＮＮが、前記ＭＰＲから導出された入力のシーケンスから画像の特徴を抽出するように訓練されていて、そして前記回帰型ニューラルネットワークが、前記入力のシーケンスの全ての入力に対して前記ＣＮＮにより出力された前記画像の特徴を分析するように訓練されている、
    請求項１６に記載のシステム。
  22. 前記第１の機械学習ベースのモデルが、前記ＭＰＲ画像に基づいて特徴ベクトルを作成するように構成されていて、前記特徴ベクトルが、画像の参照データベースから測定されまたは抽出される一連の因子を備え、前記一連の因子が、関心のある前記血管の対応する壁領域の性質を記載または特徴付け、そして前記第２の機械学習ベースのモデルが、前記特徴ベクトルを分類するように構成されている、
    請求項１５～２１に記載のシステム。
  23. 前記第１の機械学習ベースのモデルが、オートエンコーダを備え、そして前記第２の機械学習ベースのモデルが、少なくとも１つの分類器を備え、前記オートエンコーダが、前記ＭＰＲから前記ＶＯＩの特徴のセットを生成するように訓練され、そして前記少なくとも１つの分類器が、前記オートエンコーダにより生成された前記ＶＯＩの前記特徴のセットに基づいて前記ＶＯＩパラメータを決定するように訓練される、
    請求項１５に記載のシステム。
  24. 複数の患者のボリューム画像データセットおよび対応する冠動脈疾患（ＣＡＤ）関連の参照値を含む訓練データベースを格納するように構成されているメモリであって、前記ボリューム画像データセットが、関心のある血管を含む標的器官用であり、前記ＣＡＤ関連参照値が、前記対応するボリューム画像データセット内の関心のある血管に沿った１つまたは複数のポイントに対応する、メモリ；および
    前記メモリに格納されたプログラム命令を実行するときに、前記ボリューム画像データセットおよび対応するＣＡＤ関連の参照値の少なくとも一部に対して、
    前記対応するボリューム画像データセット内の関心のある血管（ＶＯI)に沿って延在する軸方向軌跡を抽出し、
    前記対応するボリューム画像データセットと前記ＶＯＩの前記軸方向軌跡に基づいて、前記ＶＯＩの前記軸方向軌跡に沿って延在している、３次元（３Ｄ）多断面再フォーマット（ＭＰＲ）画像を作成し、
    機械学習ベースの血管閉塞評価（ＶＯＡ）モデルが、それに供給された前記ＭＰＲ画像からそれに供給された前記ＭＰＲ画像のＶＯＩ内の軸方向軌跡に沿ってＣＡＤ関連パラメータを特徴付ける特徴を抽出し、そしてそれに供給された前記ＭＰＲ画像から抽出された前記特徴からＶＯＩパラメータを決定するように、前記ＭＰＲ画像に基づいて機械学習ベースの血管閉塞評価（ＶＯＡ）モデルを訓練し、前記ＶＯＩパラメータが、i)機能的に有意な冠動脈病変の重症度を表すパラメータ、ii)プラークタイプを表すパラメータ、iii)解剖学的冠動脈病変の重症度を表すパラメータ、の内の少なくとも１つを含み、前記解剖学的冠動脈病変の重症度が少なくとも３つの重症度クラスを有し、
    前記ＣＡＤ関連の参照値が、前記ＭＰＲ画像の空間座標に整合されている、
    ように構成されている、少なくとも１つのプロセッサ
    を備える、血管閉塞評価（ＶＯＡ）モデルを訓練するシステム。
  25. 前記少なくとも１つのプロセッサが、さらに、i)前記ＭＰＲ画像からキューブのシーケンスを生成するステップであって、前記キューブの各々が、前記ＭＰＲ画像からのボクセルのグループを含み、前記ＶＯＩのセクション内で作成された前記キューブのシーケンスが、結果的に、対応するセクションのキューブのシーケンスになる、ステップ、およびii)機械学習ベースのＶＯＡモデルを構築するために、畳み込みニューラルネットワークをＭＰＲ画像に沿ってキューブのシーケンスに適用するステップ、の内の少なくとも１つを実行するように構成されている、
    請求項１５～２４の何れか１項に記載のシステム。
  26. 前記少なくとも1つのプロセッサが、さらに、１次元シーケンスのセットを形成するために、前記軸方向軌跡に沿ったポイントでエンコーディングのセットを生成し、前記１Ｄシーケンスの各々が、前記ＶＯＩに沿った特定のエンコーディングを表していて、そして教師あり学習分類器を適用して、前記１Ｄシーケンスに基づいて冠血流予備量比（ＦＦＲ）分類器に学習させるように訓練する、ように構成されている、
    請求項１５～２５の何れか１項に記載のシステム。
  27. 血管閉塞を評価するための方法であって：
    関心のある血管を含む標的器官のボリューム画像データセットを取得するステップ；
    前記ボリューム画像データセット内の関心のある血管（ＶＯI)に沿って延在する軸方向軌跡を抽出するステップ；
    前記ボリューム画像データセットおよび前記ＶＯＩの前記軸方向軌跡に基づいて３次元（３Ｄ）多断面再フォーマット（ＭＰＲ）画像を作成するステップ；および
    機械学習ベースの血管閉塞評価（ＶＯＡ）モデルを使用して前記ＭＰＲ画像からＶＯＩパラメータを抽出するステップであって、前記ＶＯＩパラメータが、i)機能的に有意な冠動脈病変の重症度を表すパラメータ、ii)プラークタイプを表すパラメータ、またはiii)解剖学的冠動脈病変の重症度を表すパラメータ、の内の少なくとも１つを含み、前記解剖学的冠動脈病変の重症度が少なくとも３つの重症度クラスを有するステップ
    を備え、
    前記機械学習ベースのＶＯＡモデルが、オートエンコーダおよび少なくとも１つの分類器を採用し、前記オートエンコーダが、前記ＭＰＲ画像から前記ＶＯＩの特徴のセットを生成するように訓練され、そして前記少なくとも１つの分類器が、前記オートエンコーダにより生成された前記ＶＯＩの前記特徴のセットに基づいて前記ＶＯＩパラメータを決定するように訓練される、
    方法。
  28. i) 機能的に有意な冠動脈病変の重症度を表す前記パラメータを分類すること、ii)プラークタイプを検出すること、またはiii)前記ボリューム画像データセットの見えない部分内で、解剖学的冠動脈病変の重症度を表す前記パラメータを前記少なくとも３つの重症度クラスに分類すること、の内の少なくとも１つを実行する予測フェーズを実装する、
    請求項２７に記載の方法。
  29. 機能的に有意な冠動脈病変の重症度を表す前記パラメータが、冠血流予備量比（ＦＦＲ）値またはＦＦＲ値の範囲である、
    請求項２７に記載の方法。
  30. 前記機械学習ベースのＶＯＡモデルが、画像データから既知のラベルにより訓練された第１の機械学習ベースのモデルを使用して、前記ＭＰＲ画像から生成されたキューブに関連付けられた画像の特徴を自動的に抽出し、そして第２の機械学習ベースのモデルを使用して、前記画像の特徴に基づいて前記ＶＯＩパラメータを自動的に決定する、
    請求項２７に記載の方法。
  31. 前記第２の機械学習ベースのモデルが、前記画像の特徴をシーケンシャルに分析する、
    請求項３０に記載の方法。
  32. アテローム性動脈硬化症のプラーク成長の方向を指す血管径の拡大に関連する前記ＶＯＩパラメータの抽出を容易にするために、前記キューブのサイズが、前記ＶＯＩの内腔全体および前記内腔の外側の組織の一部を含むように定義される、
    請求項３０に記載の方法。
  33. 前記軸方向軌跡が、前記ＶＯＩの冠動脈の中心線に対応し、前記冠動脈の中心線が、関心のある冠動脈セクションに沿った冠動脈内腔の中心を表し、前記軸方向軌跡が、単一の冠動脈、冠状分岐部、または冠動脈全体ツリーに対応し、関心のある前記冠動脈セクションが、１つまたは複数の分岐を含む場合、前記冠動脈の中心線が１つまたは複数の分岐を含む、
    請求項２７に記載の方法。
  34. 前記第１および第２の機械学習ベースのモデルが、前記ＭＰＲ画像内の前記ＶＯＩの前記軸方向軌跡に沿った近傍を分析するために採用される回帰型畳み込みニューラルネットワーク（ＲＣＮＮ）に基づいていて、前記第１の機械学習ベースのモデルが、畳み込みニューラルネットワーク（ＣＮＮ）を採用し、そして前記第２の機械学習ベースのモデルが、回帰型ニューラルネットワーク（ＲＮＮ）に直列に接続されている前記ＣＮＮと共に前記回帰型ニューラルネットワークを採用し、前記ＣＮＮが、前記ＭＰＲから導出された入力のシーケンスから画像の特徴を抽出するように訓練されていて、そして前記回帰型ニューラルネットワークが、前記入力のシーケンスの全ての入力に対して前記ＣＮＮにより出力された前記画像の特徴を分析するように訓練されている、
    請求項３０に記載の方法。
  35. 前記第１の機械学習ベースのモデルが、少なくとも１つの畳み込みレイヤとそれに続く最大プーリングレイヤを採用し、そして前記第２の機械学習ベースのモデルが、プラークタイプを特徴付けること、狭窄の解剖学的有意性を分類付けることまたは狭窄の機能的有意性を分類付けること、の内の少なくとも１つに対して、少なくとも１つの分類器を使用する、
    請求項３０に記載の方法。
  36. 前記第１の機械学習ベースのモデルが、前記ＭＰＲ画像に基づいて特徴ベクトルを作成するように構成されていて、前記特徴ベクトルが、画像の参照データベースから測定または抽出される一連の因子を備え、前記一連の因子が、前記関心のある血管の対応する壁領域の性質を記載または特徴付け、そして前記第２の機械学習ベースのモデルが、前記特徴ベクトルを分類するように構成されている、
    請求項３０に記載の方法。
  37. プログラム命令を格納しそして関心のある血管を含む標的器官のボリューム画像データセットを格納する、ように構成されているメモリ、および
    前記メモリに格納された前記プログラム命令を実行するときに、
    前記ボリューム画像データセット内の関心のある血管（ＶＯI)に沿って延在する軸方向軌跡を抽出し、
    前記ボリューム画像データセットとＶＯＩの軸方向軌跡に基づいて、３次元（３Ｄ）多断面再フォーマット（ＭＰＲ）画像を作成し、そして
    機械学習ベースの血管閉塞評価（ＶＯＡ）モデルを使用して、前記ＭＰＲ画像からＶＯＩパラメータを抽出し、前記ＶＯＩパラメータが、i)機能的に有意な冠動脈病変の重症度を表すパラメータ、ii)プラークタイプを表すパラメータ、またはiii)解剖学的冠動脈病変の重症度を表すパラメータ、の内の少なくとも１つを含み、前記解剖学的冠動脈病変の重症度が少なくとも３つの重症度クラスを有する、
    ように構成されている少なくとも１つのプロセッサ
    を備え、
    前記機械学習ベースのＶＯＡモデルが、オートエンコーダと少なくとも１つの分類器を備え、前記オートエンコーダが、前記ＭＰＲから前記ＶＯＩの特徴のセットを生成するように訓練され、そして前記少なくとも１つの分類器が、前記オートエンコーダにより生成された前記ＶＯＩの前記特徴のセットに基づいて前記ＶＯＩパラメータを決定するように訓練される、
    血管閉塞を評価するためのシステム。
  38. 前記少なくとも１つのプロセッサが、さらに、i) 機能的に有意な冠動脈病変の重症度を表す前記パラメータを分類すること、ii)プラークタイプを検出すること、iii)解剖学的冠動脈病変の重症度を表す前記パラメータを、前記ボリューム画像データセットの見えない部分内で、前記少なくとも３つの重症度クラスの1つに分類すること、の内の少なくとも１つを実行する予測フェーズを実施する、ように構成されている、
    請求項３７に記載のシステム。
  39. 機能的に有意な冠動脈病変の重症度を表す前記パラメータが、冠血流予備量比（ＦＦＲ）値またはＦＦＲ値の範囲である、
    請求項３７に記載のシステム。
  40. 前記機械学習ベースのＶＯＡモデルが、画像データから既知のラベルにより訓練された第１の機械学習ベースのモデルを使用して、前記ＭＰＲ画像から生成されたキューブに関連付けられた画像の特徴を自動的に抽出し、そして第２の機械学習ベースのモデルを使用して、前記画像の特徴に基づいて前記ＶＯＩパラメータを自動的に決定する、
    請求項３７に記載のシステム。
  41. 前記第２の機械学習ベースのモデルが、前記画像の特徴をシーケンシャルに分析する、
    請求項４０に記載のシステム。
  42. 血管径の拡大に関連する前記ＶＯＩパラメータの抽出を容易にするために、前記キューブのサイズが、前記ＶＯＩの内腔全体および前記内腔の外側の組織の一部を含むように定義されていて、血管径の拡大が、アテローム性動脈硬化症のプラーク成長の方向を指す、
    請求項４０に記載のシステム。
  43. 前記軸方向軌跡が、前記ＶＯＩの冠動脈の中心線に対応し、前記冠動脈の中心線が、関心のある冠動脈セクションに沿った冠動脈内腔の中心を表し、前記軸方向軌跡が、単一の冠動脈、冠状分岐部、または冠動脈全体ツリーに対応し、関心のある前記冠動脈セクションが、１つまたは複数の分岐を含む場合、前記冠動脈の中心線が１つまたは複数の分岐を含む、
    請求項４０に記載のシステム。
  44. 前記第１および第２の機械学習ベースのモデルが、前記ＭＰＲ画像内の前記ＶＯＩの前記軸方向軌跡に沿った近傍を分析するために採用される回帰型畳み込みニューラルネットワーク（ＲＣＮＮ）に基づいていて、前記第１の機械学習ベースのモデルが、畳み込みニューラルネットワーク（ＣＮＮ）を採用し、そして前記第２の機械学習ベースのモデルが、回帰型ニューラルネットワーク（ＲＮＮ）に直列に接続されている前記ＣＮＮと共に前記回帰型ニューラルネットワークを採用し、前記ＣＮＮが、前記ＭＰＲから導出された入力のシーケンスから画像の特徴を抽出するように訓練されていて、そして前記回帰型ニューラルネットワークが、前記入力のシーケンスの全ての入力に対して前記ＣＮＮにより出力された前記画像の特徴を分析するように訓練されている、
    請求項４０に記載のシステム。
  45. 前記第１の機械学習ベースのモデルが、前記ＭＰＲ画像に基づいて特徴ベクトルを作成するように構成されていて、前記特徴ベクトルが、画像の参照データベースから測定または抽出される一連の因子を備え、前記一連の因子が、前記関心のある血管の対応する壁領域の性質を記載または特徴付け、そして前記第２の機械学習ベースのモデルが、前記特徴ベクトルを分類するように構成されている、
    請求項４０に記載のシステム。
  46. 血管閉塞評価（ＶＯＡ）モデルを訓練する方法であって、
    複数の患者のボリューム画像データセットと対応する冠動脈疾患（ＣＡＤ）関連の参照値とを含む訓練データベースを取得するステップであって、前記ボリューム画像データセットが、関心のある血管を含む標的器官用であり、前記ＣＡＤ関連の参照値が、前記対応するボリューム画像データセット内の関心のある血管に沿った１つまたは複数のポイントに対応する、ステップ；および
    前記ボリューム画像データセットおよび対応するＣＡＤ関連の参照値の少なくとも一部に対して、
    前記対応するボリューム画像データセット内の関心のある血管（ＶＯI)に沿って延在する軸方向軌跡を抽出するサブステップ、
    メモリに格納されているプログラム命令を実行するときに、以下のサブサブステップを実行するように構成されている少なくとも１つのプロセッサを使用するサブステップ、
    前記対応するボリューム画像データセットと前記ＶＯＩの前記軸方向軌跡とに基づいて、３次元（３Ｄ）多断面再フォーマット（ＭＰＲ）画像を作成するサブサブステップであって、前記ＭＰＲ画像が、前記ＶＯＩの前記軸方向軌跡に沿って延在する、サブサブステップ、
    機械学習ベースの血管閉塞評価（ＶＯＡ）モデルが、それに供給された前記ＭＰＲ画像から、それに供給された前記ＭＰＲ画像のＶＯＩ内の軸方向軌跡に沿ってＣＡＤ関連パラメータを特徴付ける特徴を抽出し、そしてそれに供給された前記ＭＰＲ画像から抽出された前記特徴からＶＯＩパラメータを決定するように、前記ＭＰＲ画像に基づいて機械学習ベースの血管閉塞評価（ＶＯＡ）モデルを訓練するサブサブステップであって、前記ＶＯＩパラメータが、i)機能的に有意な冠動脈病変の重症度を表すパラメータ、ii)プラークタイプを表すパラメータ、またはiii) 解剖学的冠動脈病変の重症度を表すパラメータ、の内の少なくとも１つを含み、前記解剖学的冠動脈病変の重症度が少なくとも３つの重症度クラスを有する、
    サブサブステップ、
    を備えるサブステップを備え、
    前記訓練が、さらに、前記機械学習ベースのＶＯＡモデルを構築するために、前記ＭＰＲ画像から生成されたキューブのシーケンスに畳み込みニューラルネットワークを適用することを備える、
    ステップ、
    を備える、方法。
  47. 前記ＣＡＤ関連の参照値が、前記ＭＰＲ画像の空間座標に整合される、
    請求項４６に記載の方法。
  48. 機能的に有意な冠動脈病変の重症度を表す前記パラメータが、冠血流予備量比（ＦＦＲ）値またはＦＦＲ値の範囲である、
    請求項４６に記載の方法。
  49. １次元（１Ｄ）シーケンスのセットを形成するために、前記軸方向軌跡に沿ったポイントでエンコーディングのセットを生成するステップを、さらに、備え、前記１Ｄシーケンスの各々が、前記ＶＯＩに沿った特定のエンコーディングを表し、前記訓練が、さらに、教師あり学習分類器を適用して、前記１Ｄシーケンスに基づいて冠血流予備量比（ＦＦＲ）分類器に学習させることを備える、
    請求項４６に記載の方法。
  50. 複数の患者のボリューム画像データセットおよび対応する冠動脈疾患（ＣＡＤ）関連の参照値を含む訓練データベースを格納するように構成されているメモリであって、前記ボリューム画像データセットが、関心のある血管を含む標的器官用であり、前記ＣＡＤ関連参照値が、前記対応するボリューム画像データセット内の関心のある血管に沿った１つまたは複数のポイントに対応する、メモリ；および
    前記メモリに格納されたプログラム命令を実行するときに、前記ボリューム画像データセットおよび対応するＣＡＤ関連の参照値の少なくとも一部に対して、
    前記対応するボリューム画像データセット内の関心のある血管（ＶＯI)に沿って延在する軸方向軌跡を抽出し、
    前記対応するボリューム画像データセットと前記ＶＯＩの前記軸方向軌跡に基づいて、前記ＶＯＩの前記軸方向軌跡に沿って延在している、３次元（３Ｄ）多断面再フォーマット（ＭＰＲ）画像を作成し、
    機械学習ベースの血管閉塞評価（ＶＯＡ）モデルが、それに供給された前記ＭＰＲ画像からそれに供給された前記ＭＰＲ画像のＶＯＩ内の軸方向軌跡に沿ってＣＡＤ関連パラメータを特徴付ける特徴を抽出し、そしてそれに供給された前記ＭＰＲ画像から抽出された前記特徴からＶＯＩパラメータを決定するように、前記ＭＰＲ画像に基づいて機械学習ベースの血管閉塞評価（ＶＯＡ）モデルを訓練し、前記ＶＯＩパラメータが、i)機能的に有意な冠動脈病変の重症度を表すパラメータ、ii)プラークタイプを表すパラメータ、iii)解剖学的冠動脈病変の重症度を表すパラメータ、の内の少なくとも１つを含み、前記解剖学的冠動脈病変の重症度が少なくとも３つの重症度クラスを有する、
    ように構成されている、少なくとも１つのプロセッサ、
    を備える、血管閉塞評価（ＶＯＡ）モデルを訓練するシステムであって、
    前記少なくとも１つのプロセッサが、i)前記ＭＰＲからキューブのシーケンスを生成するステップであって、前記キューブのそれぞれが前記ＭＰＲ画像からのボクセルのグループを含み、前記ＶＯＩのセクション内で形成された前記キューブのシーケンスが、結果的に、対応するセクションに対するキューブのシーケンスとなる、ステップ、およびii)前記機械学習ベースのＶＯＡモデルを構築するために、前記ＭＰＲ画像に沿ったキューブのシーケンスに畳み込みニューラルネットワークを適用するステップ、の内の少なくとも１つのステップを実行するように構成されていて、
    前記ＣＡＤ関連の参照値が、前記ＭＰＲ画像の空間座標に整合されている、
    システム。
  51. 機能的に有意な冠動脈病変の重症度を表す前記パラメータが、冠血流予備量比（ＦＦＲ）値またはＦＦＲ値の範囲である、
    請求項５０に記載のシステム。
JP2020555445A 2018-04-11 2019-04-10 機械学習に基づいて血管閉塞を評価するための方法とシステム Active JP7346442B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862656066P 2018-04-11 2018-04-11
US62/656,066 2018-04-11
PCT/EP2019/059051 WO2019197450A1 (en) 2018-04-11 2019-04-10 Method and system for assessing vessel obstruction based on machine learning

Publications (2)

Publication Number Publication Date
JP2021520896A JP2021520896A (ja) 2021-08-26
JP7346442B2 true JP7346442B2 (ja) 2023-09-19

Family

ID=66349484

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020555445A Active JP7346442B2 (ja) 2018-04-11 2019-04-10 機械学習に基づいて血管閉塞を評価するための方法とシステム

Country Status (5)

Country Link
US (3) US10699407B2 (ja)
EP (1) EP3776588A1 (ja)
JP (1) JP7346442B2 (ja)
CN (1) CN112368781A (ja)
WO (1) WO2019197450A1 (ja)

Families Citing this family (60)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10433740B2 (en) * 2012-09-12 2019-10-08 Heartflow, Inc. Systems and methods for estimating ischemia and blood flow characteristics from vessel geometry and physiology
US12089977B2 (en) 2017-03-24 2024-09-17 Pie Medical Imaging B.V. Method and system for assessing vessel obstruction based on machine learning
US10176575B2 (en) 2017-03-24 2019-01-08 Pie Medical Imaging B.V. Method and system for assessing vessel obstruction based on machine learning
US10699407B2 (en) 2018-04-11 2020-06-30 Pie Medical Imaging B.V. Method and system for assessing vessel obstruction based on machine learning
CN108830848B (zh) * 2018-05-25 2022-07-05 深圳科亚医疗科技有限公司 利用计算机确定血管上的血管状况参数的序列的装置和系统
US11978146B2 (en) * 2018-09-18 2024-05-07 Seoul National University R&Db Foundation Apparatus and method for reconstructing three-dimensional image
CN109979593B (zh) * 2018-09-24 2021-04-13 北京科亚方舟医疗科技股份有限公司 血管路径的健康半径的预测方法、血管路径的候选狭窄处的预测方法、血管狭窄度预测装置
US11707242B2 (en) 2019-01-11 2023-07-25 Pie Medical Imaging B.V. Methods and systems for dynamic coronary roadmapping
US10813612B2 (en) 2019-01-25 2020-10-27 Cleerly, Inc. Systems and method of characterizing high risk plaques
JP7532402B2 (ja) 2019-04-01 2024-08-13 キャスワークス リミテッド 血管造影画像選択のための方法および装置
US11357573B2 (en) * 2019-04-25 2022-06-14 International Business Machines Corporation Optimum treatment planning during coronary intervention by simultaneous simulation of a continuum of outcomes
EP3745310A1 (en) * 2019-05-28 2020-12-02 Robert Bosch GmbH Method for calibrating a multi-sensor system using an artificial neural network
CN111754476B (zh) * 2019-06-19 2024-07-19 科亚医疗科技股份有限公司 用于解剖树结构的疾病量化建模的方法及系统
CN114424290B (zh) 2019-08-05 2023-07-25 光实验成像公司 用于提供冠状动脉钙负荷的纵向显示的装置和方法
US11200976B2 (en) * 2019-08-23 2021-12-14 Canon Medical Systems Corporation Tracking method and apparatus
US20220346885A1 (en) * 2019-09-20 2022-11-03 Canon U.S.A., Inc. Artificial intelligence coregistration and marker detection, including machine learning and using results thereof
WO2021059165A1 (en) 2019-09-23 2021-04-01 Cathworks Ltd. Methods, apparatus, and system for synchronization between a three-dimensional vascular model and an imaging device
KR20210035381A (ko) * 2019-09-23 2021-04-01 삼성에스디에스 주식회사 의료 진단 방법 및 장치
US11205264B2 (en) * 2019-10-15 2021-12-21 GE Precision Healthcare LLC Systems and methods for multi-label segmentation of cardiac computed tomography and angiography images using deep neural networks
CN112754449A (zh) * 2019-11-05 2021-05-07 西门子医疗有限公司 侧支冠状动脉的评估
CN112116615B (zh) * 2019-11-19 2023-12-05 苏州润迈德医疗科技有限公司 根据血管中心线获取血管轮廓线的方法和装置
EP4062362A1 (en) * 2019-11-22 2022-09-28 The Regents Of The University Of Michigan Anatomical and functional assessment of coronary artery disease using machine learning
EP3828817B1 (en) * 2019-11-28 2023-08-23 Siemens Healthcare GmbH Computer-implemented method for evaluating a ct data set regarding perivascular tissue, evaluation device, computer program and electronically readable storage medium
CN110970117B (zh) * 2019-11-29 2023-06-20 北京邮电大学 一种基于二值骨架图的冠状动脉造影数据集存储方法
WO2021112988A1 (en) * 2019-12-02 2021-06-10 SG Devices LLC Augmented reality display of surgical imaging
CN111080650B (zh) * 2019-12-12 2020-10-09 哈尔滨市科佳通用机电股份有限公司 铁路货车小部件轴承挡键螺母松动和丢失故障检测方法
EP4066207A4 (en) * 2019-12-31 2023-01-25 Shanghai United Imaging Healthcare Co., Ltd. SYSTEMS AND METHODS FOR IMAGE PROCESSING
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
JP2023509514A (ja) 2020-01-07 2023-03-08 クリールリー、 インコーポレーテッド 医用画像分析、診断、重症度分類、意思決定、および／または疾患追跡のためのシステム、方法、およびデバイス
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
CN111241982B (zh) * 2020-01-07 2023-04-28 金陵科技学院 一种基于cae-svm的机器人手势识别方法
US11501121B2 (en) * 2020-01-07 2022-11-15 Siemens Medical Solutions Usa, Inc. Binomial subsample data augmented CNN for image classification
DE102020200750A1 (de) * 2020-01-22 2021-07-22 Siemens Healthcare Gmbh Bereitstellen eines Blutflussparametersatzes einer Gefäßmalformation
EP3884848A1 (en) * 2020-03-23 2021-09-29 Kardiolytics Inc. A system and a method for determining a significance of a stenosis
CN111681226B (zh) * 2020-06-09 2024-07-12 上海联影医疗科技股份有限公司 基于血管识别的目标组织定位方法和装置
KR102163519B1 (ko) * 2020-06-05 2020-10-07 주식회사 딥바이오 오토인코더 및 다중 인스턴스 학습을 통한 뉴럴 네트워크 학습 방법 및 이를 수행하는 컴퓨팅 시스템
CN111815599B (zh) * 2020-07-01 2023-12-15 上海联影智能医疗科技有限公司 一种图像处理方法、装置、设备及存储介质
US11475543B2 (en) * 2020-07-01 2022-10-18 Disney Enterprises, Inc. Image enhancement using normalizing flows
CN112419308B (zh) * 2020-12-07 2023-06-23 上海联影医疗科技股份有限公司 斑块评估方法、装置、电子设备及存储介质
US20220183571A1 (en) * 2020-12-11 2022-06-16 Tempus Labs, Inc. Predicting fractional flow reserve from electrocardiograms and patient records
US20220208358A1 (en) * 2020-12-29 2022-06-30 Avicenna.Ai Systems, devices, and methods for rapid detection of medical conditions using machine learning
US12086981B2 (en) * 2021-01-04 2024-09-10 Shenzhen Keya Medical Technology Corporation Methods and systems for computer-assisted medical image analysis using sequential model
US20220215956A1 (en) * 2021-01-05 2022-07-07 Shenzhen Keya Medical Technology Corporation System and method for image analysis using sequential machine learning models with uncertainty estimation
EP4053800A1 (en) * 2021-03-04 2022-09-07 Kardiolytics Inc. Autonomous reconstruction of vessels on computed tomography images
CN113096238B (zh) * 2021-04-02 2022-05-17 杭州柳叶刀机器人有限公司 一种x射线图模拟方法、装置、电子设备及存储介质
AU2021221667A1 (en) * 2021-04-21 2022-11-10 Artrya Limited A system for and method of identifying coronary artery disease
CN113241183B (zh) * 2021-04-30 2024-03-29 深圳睿心智能医疗科技有限公司 治疗方案预测方法及装置
CN113139959B (zh) * 2021-05-17 2021-10-01 北京安德医智科技有限公司 获得心肌桥图像的方法及装置、电子设备和存储介质
CN113436187A (zh) * 2021-07-23 2021-09-24 沈阳东软智能医疗科技研究院有限公司 颅脑ct血管造影图像的处理方法、装置、介质及电子设备
CN114020950B (zh) * 2021-11-03 2023-04-28 北京百度网讯科技有限公司 图像检索模型的训练方法、装置、设备以及存储介质
US11980492B2 (en) * 2021-11-05 2024-05-14 GE Precision Healthcare LLC System and method for deep-learning based estimation of coronary artery pressure drop
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
CN114580285B (zh) * 2022-03-07 2022-11-01 哈尔滨理工大学 一种基于cae网络的双曲型系统模型约简方法
US20230289963A1 (en) 2022-03-10 2023-09-14 Cleerly, Inc. Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination
CN114782366B (zh) * 2022-04-22 2023-08-22 推想医疗科技股份有限公司 心脏支架检测方法和装置、存储介质和电子设备
CN114972220B (zh) * 2022-05-13 2023-02-21 北京医准智能科技有限公司 一种图像处理方法、装置、电子设备及可读存储介质
WO2023237553A1 (en) 2022-06-07 2023-12-14 Pie Medical Imaging Bv Method and system for assessing functionally significant vessel obstruction based on machine learning
WO2024105678A1 (en) * 2022-11-20 2024-05-23 Sheba Impact Ltd. Angiography surveillance system and method
CN116994067B (zh) * 2023-09-07 2024-05-07 佛山科学技术学院 基于冠状动脉钙化的血流储备分数的预测方法及系统
CN118521590B (zh) * 2024-07-25 2024-09-17 安徽力宇电脑设备制造有限责任公司 一种基于机器学习的喷绘机印刷质量评估方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100076296A1 (en) 2008-09-22 2010-03-25 Siemens Corporate Research, Inc. Method and System for Automatic Detection of Coronary Stenosis in Cardiac Computed Tomography Data
JP2015527136A (ja) 2012-08-03 2015-09-17 ヴォルカノ コーポレイションＶｏｌｃａｎｏ Ｃｏｒｐｏｒａｔｉｏｎ 脈管を評価するための装置、システム、及び方法
JP2016500548A (ja) 2012-11-06 2016-01-14 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 冠血流予備量比（ｆｆｒ）指標
US20170262733A1 (en) 2016-03-10 2017-09-14 Siemens Healthcare Gmbh Method and System for Machine Learning Based Classification of Vascular Branches

Family Cites Families (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050207630A1 (en) * 2002-02-15 2005-09-22 The Regents Of The University Of Michigan Technology Management Office Lung nodule detection and classification
JP4421203B2 (ja) * 2003-03-20 2010-02-24 株式会社東芝 管腔状構造体の解析処理装置
US7693315B2 (en) * 2003-06-25 2010-04-06 Siemens Medical Solutions Usa, Inc. Systems and methods for providing automated regional myocardial assessment for cardiac imaging
US7935055B2 (en) * 2003-09-19 2011-05-03 Siemens Medical Solutions Usa, Inc. System and method of measuring disease severity of a patient before, during and after treatment
US7379062B2 (en) * 2005-08-01 2008-05-27 Barco Nv Method for determining a path along a biological object with a lumen
US7822254B2 (en) * 2006-04-21 2010-10-26 Siemens Medical Solutions Usa, Inc. Automatic positioning of matching multi-planar image reformatting (MPR) views of multiple 3D medical images
EP2219520B1 (en) * 2007-10-31 2012-12-12 Cabra Technology A/S Method for calculating pressures in a fluid stream through a tube section, especially a blood vessel with atherosclerotic plaque
US8073227B2 (en) * 2008-05-09 2011-12-06 Siemens Aktiengesellschaft System and method for geometric modeling of tubular structures
US8155411B2 (en) * 2008-07-22 2012-04-10 Pie Medical Imaging B.V. Method, apparatus and computer program for quantitative bifurcation analysis in 3D using multiple 2D angiographic images
US8582854B2 (en) * 2008-09-15 2013-11-12 Siemens Aktiengesellschaft Method and system for automatic coronary artery detection
WO2011046425A2 (en) * 2009-10-14 2011-04-21 3Mensio Medical Imaging B.V. A method, a graphic user interface, a system and a computer program for optimizing workflow of a medical intervention
US8526699B2 (en) * 2010-03-12 2013-09-03 Siemens Aktiengesellschaft Method and system for automatic detection and classification of coronary stenoses in cardiac CT volumes
US8315812B2 (en) 2010-08-12 2012-11-20 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
US9119540B2 (en) * 2010-09-16 2015-09-01 Siemens Aktiengesellschaft Method and system for non-invasive assessment of coronary artery disease
US10321892B2 (en) * 2010-09-27 2019-06-18 Siemens Medical Solutions Usa, Inc. Computerized characterization of cardiac motion in medical diagnostic ultrasound
JP5309109B2 (ja) * 2010-10-18 2013-10-09 富士フイルム株式会社 医用画像処理装置および方法、並びにプログラム
DE102010043849B3 (de) * 2010-11-12 2012-02-16 Siemens Aktiengesellschaft Vorrichtung und Computertomograph zur Bestimmung und Darstellung der Durchblutung des Herzmuskels
US8675943B2 (en) * 2010-11-29 2014-03-18 Siemens Aktiengesellschaft Method and system for heart isolation in cardiac computed tomography volumes for patients with coronary artery bypasses
CN103129568A (zh) 2011-12-03 2013-06-05 金鹰重型工程机械有限公司 一种接触网多功能作业车
CN102902978A (zh) 2012-08-31 2013-01-30 电子科技大学 一种面向对象的高分辨率遥感图像分类方法
US10398386B2 (en) * 2012-09-12 2019-09-03 Heartflow, Inc. Systems and methods for estimating blood flow characteristics from vessel geometry and physiology
WO2014084382A1 (ja) * 2012-11-30 2014-06-05 株式会社 東芝 医用画像処理装置
US9805463B2 (en) * 2013-08-27 2017-10-31 Heartflow, Inc. Systems and methods for predicting location, onset, and/or change of coronary lesions
US9700219B2 (en) 2013-10-17 2017-07-11 Siemens Healthcare Gmbh Method and system for machine learning based assessment of fractional flow reserve
US9747525B2 (en) * 2014-06-16 2017-08-29 Siemens Healthcare Gmbh Method and system for improved hemodynamic computation in coronary arteries
US9195801B1 (en) * 2014-08-05 2015-11-24 Heartflow, Inc. Systems and methods for treatment planning based on plaque progression and regression curves
US9349178B1 (en) * 2014-11-24 2016-05-24 Siemens Aktiengesellschaft Synthetic data-driven hemodynamic determination in medical imaging
EP3062248A1 (en) * 2015-02-27 2016-08-31 Pie Medical Imaging BV Method and apparatus for quantitative flow analysis
US10282663B2 (en) * 2015-08-15 2019-05-07 Salesforce.Com, Inc. Three-dimensional (3D) convolution with 3D batch normalization
US10206646B2 (en) * 2016-03-10 2019-02-19 Siemens Healthcare Gmbh Method and system for extracting centerline representation of vascular structures in medical images via optimal paths in computational flow fields
US10163040B2 (en) * 2016-07-21 2018-12-25 Toshiba Medical Systems Corporation Classification method and apparatus
EP3279865B2 (en) * 2016-08-01 2022-02-16 3mensio Medical Imaging B.V. Method, device and system for simulating shadow images
US10354159B2 (en) * 2016-09-06 2019-07-16 Carnegie Mellon University Methods and software for detecting objects in an image using a contextual multiscale fast region-based convolutional neural network
US10176896B2 (en) * 2017-03-01 2019-01-08 Siemens Healthcare Gmbh Coronary computed tomography clinical decision support system
US10176575B2 (en) * 2017-03-24 2019-01-08 Pie Medical Imaging B.V. Method and system for assessing vessel obstruction based on machine learning
CN107451615A (zh) * 2017-08-01 2017-12-08 广东工业大学 基于Faster RCNN的甲状腺乳头状癌超声图像识别方法及系统
US10762637B2 (en) * 2017-10-27 2020-09-01 Siemens Healthcare Gmbh Vascular segmentation using fully convolutional and recurrent neural networks
US10699407B2 (en) * 2018-04-11 2020-06-30 Pie Medical Imaging B.V. Method and system for assessing vessel obstruction based on machine learning
CN112543618B (zh) 2018-06-15 2024-05-07 帕伊医疗成像有限公司 用于进行定量血液动力学流量分析的方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100076296A1 (en) 2008-09-22 2010-03-25 Siemens Corporate Research, Inc. Method and System for Automatic Detection of Coronary Stenosis in Cardiac Computed Tomography Data
JP2015527136A (ja) 2012-08-03 2015-09-17 ヴォルカノ コーポレイションＶｏｌｃａｎｏ Ｃｏｒｐｏｒａｔｉｏｎ 脈管を評価するための装置、システム、及び方法
JP2016500548A (ja) 2012-11-06 2016-01-14 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 冠血流予備量比（ｆｆｒ）指標
US20170262733A1 (en) 2016-03-10 2017-09-14 Siemens Healthcare Gmbh Method and System for Machine Learning Based Classification of Vascular Branches

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Rudra P K Poudel 外２名，Recurrent Fully Convolutional Neural Networks for Multi-slice MRI Cardiac Segmentation，arXiv:1608.0397，2016年，<URL: https://arxiv.org/abs/1608.03974>

Also Published As

Publication number Publication date
JP2021520896A (ja) 2021-08-26
US20190318476A1 (en) 2019-10-17
US20230230235A1 (en) 2023-07-20
CN112368781A (zh) 2021-02-12
WO2019197450A1 (en) 2019-10-17
EP3776588A1 (en) 2021-02-17
US20200394795A1 (en) 2020-12-17
US10699407B2 (en) 2020-06-30
US11599996B2 (en) 2023-03-07
US11816836B2 (en) 2023-11-14

Similar Documents

Publication Publication Date Title
JP7346442B2 (ja) 機械学習に基づいて血管閉塞を評価するための方法とシステム
JP7149286B2 (ja) 機械学習に基づいて血管閉塞を評価する方法およびシステム
US12089977B2 (en) Method and system for assessing vessel obstruction based on machine learning
Zreik et al. Deep learning analysis of the myocardium in coronary CT angiography for identification of patients with functionally significant coronary artery stenosis
US10304198B2 (en) Automatic medical image retrieval
US20200015758A1 (en) Plaque Vulnerability Assessment in Medical Imaging
Balocco et al. Standardized evaluation methodology and reference database for evaluating IVUS image segmentation
JP6243453B2 (ja) 血管内画像におけるマルチモーダルセグメンテーション
US9965592B2 (en) Methods of computing pericardial and abdominal fat and methods for motion compensation
JP2022517581A (ja) 冠動脈の動的ロードマップを提供するための方法およびシステム
US20160321427A1 (en) Patient-Specific Therapy Planning Support Using Patient Matching
EP3621028B1 (en) Method, device and system for dynamic analysis from sequences of volumetric images
Lin et al. Artificial intelligence in cardiovascular CT: Current status and future implications
US20230394654A1 (en) Method and system for assessing functionally significant vessel obstruction based on machine learning
CN110444275B (zh) 用于快速计算血流储备分数的系统和方法
Gu et al. Segmentation of coronary arteries images using global feature embedded network with active contour loss
EP3975199A1 (en) Method and system for determining a significance score as-sociated with a medical imaging dataset of a patient
Aromiwura et al. Artificial intelligence in cardiac computed tomography
Chen Analysis of Cardiovascular Disease Using Cardiac Computed Tomography and Deep Learning
Jawaid Detection, localization and quantification of non-calcified coronary plaques in contrast enhanced CT angiography
WO2024059882A2 (en) System and method for non-invasive visualization and characterization of lumen structures and flow therewithin
Teßmann Computer aided diagnosis methods for coronary CT angiography

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220209

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20221227

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230110

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20230404

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230511

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230613

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230828

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: 20230905

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230906

R150 Certificate of patent or registration of utility model

Ref document number: 7346442

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150