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 PDFInfo
- 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
Links
- 238000010801 machine learning Methods 0.000 title claims description 149
- 238000000034 method Methods 0.000 title claims description 124
- 206010053648 Vascular occlusion Diseases 0.000 title claims description 60
- 208000021331 vascular occlusion disease Diseases 0.000 title claims description 59
- 210000004351 coronary vessel Anatomy 0.000 claims description 324
- 230000003902 lesion Effects 0.000 claims description 91
- 238000012549 training Methods 0.000 claims description 90
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 80
- 208000029078 coronary artery disease Diseases 0.000 claims description 80
- 208000037804 stenosis Diseases 0.000 claims description 75
- 230000036262 stenosis Effects 0.000 claims description 75
- 238000013527 convolutional neural network Methods 0.000 claims description 55
- 239000013598 vector Substances 0.000 claims description 49
- 210000004204 blood vessel Anatomy 0.000 claims description 46
- 230000015654 memory Effects 0.000 claims description 42
- 210000000056 organ Anatomy 0.000 claims description 31
- 230000000306 recurrent effect Effects 0.000 claims description 26
- 239000000284 extract Substances 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 17
- 208000037260 Atherosclerotic Plaque Diseases 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 10
- 230000008520 organization Effects 0.000 claims 1
- 244000208734 Pisonia aculeata Species 0.000 description 35
- 210000001367 artery Anatomy 0.000 description 27
- 210000004165 myocardium Anatomy 0.000 description 25
- 230000002107 myocardial effect Effects 0.000 description 24
- 238000003860 storage Methods 0.000 description 22
- 230000000004 hemodynamic effect Effects 0.000 description 21
- 238000012545 processing Methods 0.000 description 21
- 238000003384 imaging method Methods 0.000 description 16
- 238000002583 angiography Methods 0.000 description 15
- 238000005259 measurement Methods 0.000 description 15
- 238000001386 capillary affinity electrophoresis Methods 0.000 description 14
- 238000001514 detection method Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 14
- 238000012706 support-vector machine Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 201000000057 Coronary Stenosis Diseases 0.000 description 11
- 206010011089 Coronary artery stenosis Diseases 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 11
- 206010011086 Coronary artery occlusion Diseases 0.000 description 10
- OIRDTQYFTABQOQ-KQYNXXCUSA-N adenosine Chemical compound C1=NC=2C(N)=NC=NC=2N1[C@@H]1O[C@H](CO)[C@@H](O)[C@H]1O OIRDTQYFTABQOQ-KQYNXXCUSA-N 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 10
- 230000011218 segmentation Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000002591 computed tomography Methods 0.000 description 8
- 239000002872 contrast media Substances 0.000 description 8
- 230000010412 perfusion Effects 0.000 description 8
- 238000013459 approach Methods 0.000 description 7
- 238000013145 classification model Methods 0.000 description 7
- 210000001519 tissue Anatomy 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 6
- 230000003416 augmentation Effects 0.000 description 6
- 230000000544 hyperemic effect Effects 0.000 description 6
- 208000028867 ischemia Diseases 0.000 description 6
- 229910052760 oxygen Inorganic materials 0.000 description 6
- 239000001301 oxygen Substances 0.000 description 6
- 238000013146 percutaneous coronary intervention Methods 0.000 description 6
- 239000002126 C01EB10 - Adenosine Substances 0.000 description 5
- 206010020565 Hyperaemia Diseases 0.000 description 5
- 229960005305 adenosine Drugs 0.000 description 5
- 230000017531 blood circulation Effects 0.000 description 5
- 230000000747 cardiac effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000013170 computed tomography imaging Methods 0.000 description 5
- 238000002586 coronary angiography Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000003325 tomography Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 210000002216 heart Anatomy 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000009877 rendering Methods 0.000 description 4
- 210000000709 aorta Anatomy 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000010968 computed tomography angiography Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 208000010125 myocardial infarction Diseases 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000002603 single-photon emission computed tomography Methods 0.000 description 3
- 206010002383 Angina Pectoris Diseases 0.000 description 2
- 201000001320 Atherosclerosis Diseases 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000003143 atherosclerotic effect Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 238000009530 blood pressure measurement Methods 0.000 description 2
- 230000036770 blood supply Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000001447 compensatory effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000001802 infusion Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 210000005240 left ventricle Anatomy 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- XQYZDYMELSJDRZ-UHFFFAOYSA-N papaverine Chemical compound C1=C(OC)C(OC)=CC=C1CC1=NC=CC2=CC(OC)=C(OC)C=C12 XQYZDYMELSJDRZ-UHFFFAOYSA-N 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 210000002254 renal artery Anatomy 0.000 description 2
- 230000000250 revascularization Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 230000002861 ventricular Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000003936 working memory Effects 0.000 description 2
- XXZCIYUJYUESMD-UHFFFAOYSA-N 2-[4-[2-(2,3-dihydro-1H-inden-2-ylamino)pyrimidin-5-yl]-3-(morpholin-4-ylmethyl)pyrazol-1-yl]-1-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)ethanone Chemical compound C1C(CC2=CC=CC=C12)NC1=NC=C(C=N1)C=1C(=NN(C=1)CC(=O)N1CC2=C(CC1)NN=N2)CN1CCOCC1 XXZCIYUJYUESMD-UHFFFAOYSA-N 0.000 description 1
- 229930008281 A03AD01 - Papaverine Natural products 0.000 description 1
- 206010002329 Aneurysm Diseases 0.000 description 1
- 206010003173 Arterial rupture Diseases 0.000 description 1
- 206010003211 Arteriosclerosis coronary artery Diseases 0.000 description 1
- 230000005461 Bremsstrahlung Effects 0.000 description 1
- 206010008479 Chest Pain Diseases 0.000 description 1
- 208000001778 Coronary Occlusion Diseases 0.000 description 1
- 102000010834 Extracellular Matrix Proteins Human genes 0.000 description 1
- 108010037362 Extracellular Matrix Proteins Proteins 0.000 description 1
- 208000007718 Stable Angina Diseases 0.000 description 1
- 102100032723 Structural maintenance of chromosomes protein 3 Human genes 0.000 description 1
- 101710117918 Structural maintenance of chromosomes protein 3 Proteins 0.000 description 1
- 208000005475 Vascular calcification Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002564 cardiac stress test Methods 0.000 description 1
- 230000007211 cardiovascular event Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 208000026758 coronary atherosclerosis Diseases 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 210000002744 extracellular matrix Anatomy 0.000 description 1
- 210000001105 femoral artery Anatomy 0.000 description 1
- 210000000497 foam cell Anatomy 0.000 description 1
- 210000004013 groin Anatomy 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 238000010253 intravenous injection Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000002540 macrophage Anatomy 0.000 description 1
- 230000036244 malformation Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000004088 microvessel Anatomy 0.000 description 1
- 238000002324 minimally invasive surgery Methods 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 229960001789 papaverine Drugs 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 210000002321 radial artery Anatomy 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000027756 respiratory electron transport chain Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000000329 smooth muscle myocyte Anatomy 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002966 stenotic effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000004448 titration Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
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
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
Claims (51)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
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)
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)
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)
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 |
-
2019
- 2019-04-09 US US16/379,248 patent/US10699407B2/en active Active
- 2019-04-10 WO PCT/EP2019/059051 patent/WO2019197450A1/en unknown
- 2019-04-10 JP JP2020555445A patent/JP7346442B2/ja active Active
- 2019-04-10 CN CN201980039182.4A patent/CN112368781A/zh active Pending
- 2019-04-10 EP EP19720778.0A patent/EP3776588A1/en active Pending
-
2020
- 2020-06-24 US US16/911,323 patent/US11599996B2/en active Active
-
2023
- 2023-03-06 US US18/117,935 patent/US11816836B2/en active Active
Patent Citations (4)
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)
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 |