KR101818645B1 - 혈류 특성 모델링 감도 분석 방법 및 시스템 - Google Patents
혈류 특성 모델링 감도 분석 방법 및 시스템 Download PDFInfo
- Publication number
- KR101818645B1 KR101818645B1 KR1020157023647A KR20157023647A KR101818645B1 KR 101818645 B1 KR101818645 B1 KR 101818645B1 KR 1020157023647 A KR1020157023647 A KR 1020157023647A KR 20157023647 A KR20157023647 A KR 20157023647A KR 101818645 B1 KR101818645 B1 KR 101818645B1
- Authority
- KR
- South Korea
- Prior art keywords
- patient
- model
- uncertain
- blood flow
- vasculature
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 104
- 230000017531 blood circulation Effects 0.000 title claims abstract description 70
- 238000010206 sensitivity analysis Methods 0.000 title description 2
- 210000005166 vasculature Anatomy 0.000 claims abstract description 37
- 230000002526 effect on cardiovascular system Effects 0.000 claims abstract description 10
- 210000004351 coronary vessel Anatomy 0.000 claims description 32
- 230000003902 lesion Effects 0.000 claims description 31
- 230000035945 sensitivity Effects 0.000 claims description 22
- 230000002107 myocardial effect Effects 0.000 claims description 19
- 210000000709 aorta Anatomy 0.000 claims description 12
- 239000008280 blood Substances 0.000 claims description 9
- 210000004369 blood Anatomy 0.000 claims description 9
- 210000004204 blood vessel Anatomy 0.000 claims description 9
- 238000005534 hematocrit Methods 0.000 claims description 9
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 8
- 208000037804 stenosis Diseases 0.000 claims description 8
- 230000036262 stenosis Effects 0.000 claims description 8
- 238000003384 imaging method Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 238000002591 computed tomography Methods 0.000 claims description 4
- 230000035487 diastolic blood pressure Effects 0.000 claims description 3
- 230000000391 smoking effect Effects 0.000 claims description 3
- 230000035488 systolic blood pressure Effects 0.000 claims description 3
- 239000003814 drug Substances 0.000 claims description 2
- 230000002792 vascular Effects 0.000 claims description 2
- 238000012307 MRI technique Methods 0.000 claims 1
- 229940079593 drug Drugs 0.000 claims 1
- 238000005094 computer simulation Methods 0.000 abstract description 9
- 230000036772 blood pressure Effects 0.000 description 21
- 238000004088 simulation Methods 0.000 description 20
- 210000001367 artery Anatomy 0.000 description 15
- 230000000747 cardiac effect Effects 0.000 description 7
- 208000029078 coronary artery disease Diseases 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000010412 perfusion Effects 0.000 description 5
- 230000008321 arterial blood flow Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010205 computational analysis Methods 0.000 description 4
- 238000005315 distribution function Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 238000012805 post-processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 206010008479 Chest Pain Diseases 0.000 description 3
- 230000003187 abdominal effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000007429 general method Methods 0.000 description 3
- 230000000004 hemodynamic effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 206010002383 Angina Pectoris Diseases 0.000 description 2
- 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 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 238000001802 infusion Methods 0.000 description 2
- 238000001361 intraarterial administration Methods 0.000 description 2
- 238000001990 intravenous administration Methods 0.000 description 2
- 208000010125 myocardial infarction Diseases 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 239000002126 C01EB10 - Adenosine Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 229960005305 adenosine Drugs 0.000 description 1
- 230000004872 arterial blood pressure Effects 0.000 description 1
- 210000005249 arterial vasculature Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 210000001736 capillary Anatomy 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 210000001627 cerebral artery Anatomy 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000010968 computed tomography angiography Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 229940039231 contrast media Drugs 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000002586 coronary angiography Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004066 metabolic change Effects 0.000 description 1
- 210000004088 microvessel Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010972 statistical evaluation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 210000001042 thoracic artery Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 239000005526 vasoconstrictor agent Substances 0.000 description 1
- 229940124549 vasodilator Drugs 0.000 description 1
- 239000003071 vasodilator agent Substances 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 210000000264 venule Anatomy 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
-
- G06F19/3437—
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02028—Determining haemodynamic parameters not otherwise provided for, e.g. cardiac contractility or left ventricular ejection fraction
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
-
- 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
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [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
- A61B6/50—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
- A61B6/52—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
- 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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Cardiology (AREA)
- High Energy & Nuclear Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Optics & Photonics (AREA)
- Vascular Medicine (AREA)
- Theoretical Computer Science (AREA)
- Hematology (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pulmonology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
실시예는 환자의 심혈관 정보 결정 시스템 및 방법을 포함한다. 한 방법은, 환자의 맥관의 기하구조에 관한 환자-특이적 데이터를 수신하는 단계와, 상기 환자-특이적 데이터에 기초하여 환자의 맥관의 적어도 일부분을 나타내는 신체 모델을 생성하는 단계와, 신체 모델에 기초하여 혈류 특성의 컴퓨팅 모델을 생성하는 단계를 포함한다. 상기 방법은, 불확실 파라미터, 불확실 임상 변수, 및 불확실 기하구조 중 하나 이상을 식별하는 단계와, 식별되는 불확실 파라미터, 불확실 임상 변수, 또는 불확실 기하구조 중 하나 이상에 기초하여 확률 모델을 수정하는 단계와, 환자의 맥관의 혈류 특성의 모델 및 상기 신체 모델에 기초하여 상기 환자의 맥관 내의 혈류 특성을 결정하는 단계와, 상기 확률 모델 및 결정되는 혈류 특성에 기초하여, 식별되는 불확실 파라미터, 불확실 임상 변수, 또는 불확실 기하구조 중 하나 이상에 대한 결정되는 분획 혈류 예비력의 감도를 연산하는 단계를 또한 포함한다.
Description
우선권주장
본 출원은 2013년 3월 4일 출원된 미국특허가출원 제61/772,401호에 기초한 우선권을 주장하는, 2013년 4월 17일 출원된 미국특허출원 제13/864,996호에 기초한 우선권을 주장하며, 그 내용 전체는 본 발명에 참고자료로 포함된다.
기술 분야
본 발명의 실시예는 혈류의 환자-특이적 모델링 방법 및 시스템에 관한 것이고, 특히, 혈류의 환자-특이적 모델링시 감도 분석 방법 및 시스템에 관한 것이다.
관상 동맥 질환은 심장에 혈액을 제공하는 혈관에 협착증(혈관이 비정상적으로 좁아짐)과 같은 병변을 발전시킬 수 있다. 그 결과, 심장으로의 혈류가 제한될 수 있다. 관상 동맥 질환에 시달리는 환자는, 환자가 휴식 중일 때 가변성 협심증 또는 신체 운동 중 만성 불변성 협심증으로 불리는, 가슴 통증을 겪을 수 있다. 더 심각한 질환의 징후는 심근경색증 또는 심장마비를 이끌 수 있다.
관상 질환, 가령, 크기, 형상, 위치, 기능적 중요도(가령, 병변이 혈류에 영향을 미치는지 여부), 등에 관한 더 정확한 데이터를 제공할 필요성이 존재한다. 가슴 통증에 시달리는 환자 및/또는 관상 동맥 질환의 증상을 나타내는 환자들은 관상 병변에 관한 일부 간접적인 증거를 제공할 수 있는 하나 이상의 검사를 받을 수 있다. 예를 들어, 비침습적 검사는 심전도, 혈액 검사로부터의 바이오마커 평가, 트레드밀 검사, 심장 초음파, SPECT(single positron emission computed tomography), 및 PET(positron emission tomography)를 포함할 수 있다. 그러나 이러한 비침습적 검사는 통상적으로 관상 병변의 직접적 평가를 제공하거나 혈류량을 평가하지 못한다. 비침습적 검사는 (가령, 심전도를 이용하여) 심장의 전기적 활동의 변화, (가령, 응력 심장 초음파를 이용하여) 심근 운동, 심근 관류(가령, PET 또는 SPECT 이용), 또는 (가령, 바이오마커를 이용한) 대사 변화를 살펴봄으로써 관상 병변의 간접적 증거를 제공할 수 있다.
예를 들어, 관상 동맥 컴퓨터 단층 촬영 혈관 조영 검사(CCTA)를 이용하여 비침습적으로 신체 데이터를 얻을 수 있다. CCTA는 가슴 통증을 가진 환자의 이미징에 사용될 수 있고, 조영제의 정맥내 주입에 이어 심장 및 관상 동맥을 이미징하기 위해 컴퓨터 단층 촬영(CT) 기술의 이용을 포함한다. 그러나, CCTA 역시 관상 동맥 병변의 기능적 중요도(가령, 병변이 혈류에 영향을 미치는지 여부)에 대한 직접적인 정보를 제공할 수 없다. 추가적으로, CCTA가 순수하게 진단 검사이기 때문에, 다른 생리 상태(가령, 운동) 하에서 관상 동맥 혈류, 혈압, 또는 심근관류의 변화를 예측하는데 사용될 수 없고, 또한, 개입의 결과를 예측하는데 사용될 수 없다.
따라서, 환자는 관상 병변을 시각화시키기 위해, 진단상 심장 도관술과 같은, 침습적 검사를 요구할 수 있다. 진단상 심장 도관술은 동맥의 크기 및 형상의 이미지를 의사에게 제공함으로써 관상 동맥 병변에 대한 신체 데이터를 수집하기 위해 기존의 관상 동맥 혈관 조영술(CCA)의 수행을 포함할 수 있다. 그러나, CCA는 관상 동맥 병변의 기능적 중요도를 평가하기 위한 데이터를 제공하지 못한다. 예를 들어, 의사는 관상 동맥 병변의 기능적 중요 여부의 결정없이 관상 동맥 병변이 유해한지 여부를 진단하지 못할 수 있다. 따라서, CCA는 "오쿨로스테노틱 리플렉스"(oculostenotic reflex)라 불리는 과정을 유도하였고, 이 경우, 중재적 심장병 전문의가 병변의 기능적 중요도에 관계없이 CCA를 이용하여 발견되는 모든 병변을 위해 스텐트를 삽입한다. 그 결과, CCA는 환자에게 불필요한 시술을 이끌 수 있고, 이는 환자에게 위험 증가를 제시하고, 환자에 대해 불필요한 건강 관리 비용을 안길 수 있다.
진단상 심장 도관술 중, 관상 동맥 병변의 기능적 중요도는 관찰되는 병변의 분획 혈류 예비력(FFR)을 측정함으로써 침습적으로 평가될 수 있다. FFR은 예를 들어, 아데노신의 정맥내 투여에 의해 유도될 때, 증가된 관상 동맥 혈류의 조건 하에, 병소 상류의 평균 혈압을 병소 하류의 평균 혈압, 가령, 대동맥 혈압으로 나눈 비로 규정된다. 혈압은 환자에 압력 철선을 삽입함으로써 측정될 수 있다. 따라서, 결정된 FFR에 기초하여 병변을 치료하는 결정은, 초기 비용 후 이루어질 수 있고, 진단상 심장 도관술의 위험이 이미 발생된 바 있다.
침습적 FFR 측정의 위 단점들을 감소시키기 위해, HeartFlow Inc.는 관상 동맥 구조, 심근 관류, 및 관상 동맥 혈류를 비침습적으로 평가하기 위한 방법을 개발하였다. 구체적으로, 전산 유체 역학(CFD) 시뮬레이션은 FFR을 포함한, 동맥 내 혈류 및 혈압의 공간적 및 시간적 변화를 예측하는데 성공적으로 사용되고 있다. 이러한 방법 및 시스템은 의심되는 관상 동맥 질환을 가진 환자를 진단 및 치료를 계획하는, 그리고, 운동과 같이, 직접 측정될 수 없는 조건 하에 관상 동맥 혈류 및 심근관류를 예측하는, 그리고, 관상 동맥 혈류 및 심근관류에 대한 의료적, 중재적, 및 외과적 치료의 결과를 예측하는, 심장병 전문의에게 유익하다.
그러나, 혈액 역학의 전산 모델링은 환자 동맥의 기하 구조 재현을 수반하고, 이는 고해상도 이미징을 통해 촉진된다. 예를 들어, FFR을 비침습적으로 연산하기 위한 많은 CFD 프레임웍은, (i) 기하구조가 확실히 알려져 있고, (ii) 혈압, 헤마토크리트(hematocrit), 심근 질량, 등과 같은 임상 변수가 확실히 알려져 있으며, 및/또는 (iii) 전산 모델의 입구 및 출구에서 경계 조건이 확실히 알려져 있음을 가정한다. 그러나, 현실에서, FFR은 동맥 내 혈액 역학을 설명하는 수학 모델 및 가용 데이터의 정확도에 기초하여 CFD 변수를 이용하여 예측된다. 그 결과, 가용 데이터 및 수학 모델의 불확정성의 효과를 포함 및 정량화하기 위한 방법 및 시스템이 필요하다. 추가적으로, 결정된 FFR 값에 신뢰도 구간을 할당하기 위한, 그리고, 서로 다른 파라미터에 대한 FFR 연산의 감도를 순위화하기 위한, 방법 및 시스템이 필요하다.
앞서의 일반적 설명과 다음의 상세한 설명은 단지 설명에 불과하며, 발명을 제한하고자 함이 아니다.
일 실시예에 따르면, 환자의 심혈관 정보 결정을 위한 시스템이 개시된다. 시스템은 적어도 하나의 컴퓨터 시스템을 포함하고, 상기 컴퓨터 시스템은, 적어도 환자의 관상 동맥 맥관의 기하구조에 관한 환자-특이적 데이터를 수신하도록 구성되고, 상기 환자-특이적 데이터에 기초하여 환자의 관상 동맥 맥관의 적어도 일부분을 나타내는 3차원 모델을 생성하도록 구성되며, 불확실 파라미터, 불확실 임상 변수, 및 불확실 기하구조 중 하나 이상을 식별하도록 구성된다. 컴퓨터 시스템은, 식별되는 불확실 파라미터, 불확실 임상 변수, 또는 불확실 기하구조 중 하나 이상에 기초하여 확률 모델을 수정하도록 또한 구성되고, 환자의 관상 동맥 맥관의 혈류 특성의 모델 및 상기 3차원 모델에 기초하여 상기 환자의 관상 동맥 맥관 내의 혈류 특성을 결정하도록 또한 구성되며, 상기 확률 모델 및 결정되는 혈류 특성에 기초하여, 식별되는 불확실 파라미터, 불확실 임상 변수, 또는 불확실 기하구조 중 하나 이상에 대한 결정되는 혈류 특성의 감도를 연산하도록 또한 구성된다.
다른 실시예에 따르면, 적어도 하나의 컴퓨터 시스템을 이용한, 환자의 심혈관 정보 결정 방법이 개시된다. 한 방법은, 환자의 관상 동맥 맥관의 기하구조에 관한 환자-특이적 데이터를 수신하는 단계와, 상기 환자-특이적 데이터에 기초하여 환자의 관상 동맥 맥관의 적어도 일부분을 나타내는 3차원 모델을 생성하는 단계와, 불확실 파라미터, 불확실 임상 변수, 및 불확실 기하구조 중 하나 이상을 식별하는 단계를 포함한다. 방법은, 식별되는 불확실 파라미터, 불확실 임상 변수, 또는 불확실 기하구조 중 하나 이상에 기초하여 확률 모델을 수정하는 단계와, 환자의 관상 동맥 맥관의 혈류 특성의 모델 및 상기 3차원 모델에 기초하여 상기 환자의 관상 동맥 맥관 내의 혈류 특성을 결정하는 단계와, 상기 확률 모델 및 결정되는 혈류 특성에 기초하여, 식별되는 불확실 파라미터, 불확실 임상 변수, 또는 불확실 기하구조 중 하나 이상에 대한 결정되는 분획 혈류 예비력의 감도를 연산하는 단계를 또한 포함한다.
추가적인 실시예 및 장점이 다음의 설명에서 부분적으로 제시될 것이고, 부분적으로는 설명으로부터 명백할 것이며, 또는, 발명의 실시에 의해 학습될 수 있다. 실시예 및 장점은 아래 특별히 적시되는 요소 및 조합들을 이용하여 실현 및 획득될 수 있다.
본 명세서의 일부분에 포함되고 일부분을 구성하는 첨부 도면은 여러 실시예를 예시하며, 설명과 함께, 발명의 원리를 설명하는 기능을 한다.
도 1은 예시적 실시예에 따라, 특정 환자의 관상 동맥 혈류에 관한 다양한 정보를 제공하기 위한 시스템의 개략도이고,
도 2는 예시적 실시예에 따라, 특정 환자의 혈류에 관한 다양한 정보를 제공하기 위한 방법의 순서도이며,
도 3은 예시적 실시예에 따라, 입력 불확정성을 규정하고 분석 감도를 연산하며 FFR 내 신뢰도 구간을 연산하기 위한, 예시적 프로세스를 설명하는 순서도다.
도 1은 예시적 실시예에 따라, 특정 환자의 관상 동맥 혈류에 관한 다양한 정보를 제공하기 위한 시스템의 개략도이고,
도 2는 예시적 실시예에 따라, 특정 환자의 혈류에 관한 다양한 정보를 제공하기 위한 방법의 순서도이며,
도 3은 예시적 실시예에 따라, 입력 불확정성을 규정하고 분석 감도를 연산하며 FFR 내 신뢰도 구간을 연산하기 위한, 예시적 프로세스를 설명하는 순서도다.
이제 예시적 실시예를 상세하게 참조할 것이고, 그 예가 첨부 도면에 도시된다. 가능하다면, 동일한 도면 부호가 동일 또는 유사 부분을 나타내기 위해 도면 전체에 사용될 것이다.
예시적 실시예에서, 방법 및 시스템은 비침습적으로 환자로부터 불러온 정보를 이용하여 특정 환자의 혈류에 관한 정보를 결정한다. 이러한 방법 및 시스템의 다양한 실시예는 2011년 1월 25일 출원된 미국특허 제8,315,812호(발명의 명칭: "Method and System for Patient-Specific Modeling of Blood Flow")에 더 상세하게 설명되어 있고, 그 내용 전체는 본 발명에 참고자료로 포함된다.
일부 실시예에서, 이러한 방법 및 시스템에 의해 결정되는 정보는 환자의 관상 동맥 맥관 구조 내 혈류에 관계할 수 있다. 대안으로서, 결정되는 정보는 경동맥, 주변부, 복부, 신장 및 뇌혈관과 같은 환자의 맥관 구조의 기타 영역 내 혈류에 관계할 수 있다. 관상 동맥 맥관 구조는 큰 동맥으로부터 동맥, 모세 혈관, 세정맥, 정맥, 등까지 범위의 복잡한 혈관망을 포함한다. 관상 동맥 맥관 구조는 심장에 그리고 심장 내에서 혈액을 순환시키고, 복수의 주 관상 동맥(가령, 좌전 하행(LAD) 동맥, 좌 회선(LCX) 동맥, 우 관상 동맥(RCA), 등)에 혈액을 공급하는 대동맥을 포함하며, 이는 대동맥 및 주 관상 동맥 하류의 다른 타입의 혈관 또는 동맥의 가지로 추가로 나누어질 수 있다. 따라서, 예시적 방법 및 시스템은 대동맥, 주 관상 동맥, 및/또는 주 관상 동맥 하류의 기타 관상 동맥 또는 혈관 내의 혈류에 관한 정보를 결정할 수 있다. 대동맥 및 관상 동맥(및 여기서부터 연장된 가지)이 아래에서 논의되지만, 개시되는 방법 및 시스템은 다른 타입의 혈관에 또한 적용될 수 있다.
예시적 실시예에서, 개시되는 방법 및 시스템에 의해 결정되는 정보는, 동맥, 주 관상 동맥, 및/또는 주 관상 동맥 하류의 다른 관상 동맥 또는 혈관 내 다양한 위치에서의 혈류 속도, 압력(또는 그 비율), 유량, 및 FFR을 포함할 수 있지만, 이에 제한되지 않는다. 이 정보를 이용하여, 병변이 기능적으로 중요한지 여부 및/또는 병변 치료 여부를 결정할 수 있다. 이 정보는 환자로부터 비침습적으로 획득된 정보를 이용하여 결정될 수 있다. 그 결과, 병변 치료 여부 결정은 침습적 절차와 관련된 비용 및 위험없이 이루어질 수 있다.
도 1은 예시적 실시예에 따라, 특정 환자의 관상 동맥 혈류에 관한 정보를 제공하기 위한 시스템의 형태를 도시한다. 환자 신체의 3차원 모델(10)이, 아래에서 더욱 상세하게 설명되는 바와 같이, 환자로부터 비침습적으로 획득되는 데이터를 이용하여 생성될 수 있다. 다른 환자-특이적 정보 역시 비침습적으로 획득할 수 있다. 예시적 실시예에서, 3차원 모델(10)에 의해 표현되는 환자 신체의 일부분이 적어도 대동맥의 일부분과, 대동맥에 연결된 주 관상 동맥의 근위부(및 여기서부터 연장된 또는 발원된 가지)를 포함할 수 있다.
관상 동맥 혈류에 관한 다양한 생리적 법칙 또는 관계(20)가, 아래에서 더 상세히 설명되는 바와 같이, 가령, 실험 데이터로부터 유추될 수 있다. 3차원 신체 모델(10) 및 유추되는 생리학적 법칙(20)을 이용하여, 관상 동맥 혈류에 관한 복수의 방정식(30)이 아래 더 상세히 설명되는 바와 같이 결정될 수 있다. 예를 들어, 방정식(30)은 임의의 수치적 방법, 가령, 유한 차분, 유한 볼륨, 스펙트럼, 격자 볼츠만, 입자 기반, 레벨 설정, 유한 요소법, 등을 이용하여 결정 및 풀릴 수 있다. 방정식(30)은 모델(10)에 의해 표현되는 신체 내 다양한 지점에서 환자 신체 내 관상 동맥 혈류에 관한 정보(가령, 압력, 속도, FFR, 등)를 결정하도록 풀릴 수 있다.
방정식(30)은 컴퓨터(40)를 이용하여 풀릴 수 있다. 풀린 방정식에 기초하여, 컴퓨터(40)는 모델(10)에 의해 표현되는 환자 신체 내 혈류에 관한 정보를 표시하는 하나 이상의 이미지 또는 시뮬레이션을 출력할 수 있다. 예를 들어, 이미지는 시뮬레이션된 혈압 모델(50), 시뮬레이션된 혈류 또는 속도 모델(52), 컴퓨팅된 FFR(cFFR) 모델(54), 등을 포함할 수 있고, 이는 아래에서 더 상세하게 설명될 것이다. 시뮬레이션된 혈압 모델(50), 시뮬레이션된 혈류 모델(52), 및 cFFR 모델(54)은 모델(10)에 의해 표현되는 환자 신체 내 3차원을 따른 다양한 위치에서 각자의 압력, 속도, 및 , cFFR에 관한 정보를 제공한다. cFFR은, 가령, 아네도신의 중재적 투여에 의해 통상적으로 유도되는, 관상 동맥 혈류 증가의 조건 하에, 가령, 모델(10)의 유입 경계부에서, 대동맥 내 혈압에 의해 나누어지는 모델(10) 내 특정 위치에서의 혈압의 비로 연산될 수 있다.
예시적 실시예에서, 컴퓨터(40)는 프로세서에 의해 실행될 때, 환자의 혈류에 관한 정보의 다양한 소스를 제공하기 위해 여기서 설명되는 임의의 액션들을 수행할 수 있는, 명령어를 저장하는 하나 이상의 비-일시적 컴퓨터-판독가능 저장 디바이스를 포함할 수 있다. 컴퓨터(40)는 데스크탑 또는 휴대용 컴퓨터, 워크스테이션, 서버, 개인용 디지털 보조기기, 또는 그외 다른 컴퓨터 시스템을 포함할 수 있다. 컴퓨터(40)는 프로세서, 읽기-전용 메모리(ROM), 랜덤 액세스 메모리(RAM), 주변 디바이스(가령, 입력 디바이스, 출력 디바이스, 저장 디바이스, 등) 연결용 입/출력(I/O) 어댑터, 키보드, 마우스, 터치 스크린, 음성 입력 장치, 및/또는 기타 디바이스와 같은 입력 디바이스를 연결하기 위한 사용자 인터페이스 어댑터, 컴퓨터(40)를 네트워크에 연결하기 위한 통신 어댑터, 컴퓨터(40)를 디스플레이에 연결하기 위한 디스플레이 어댑터, 등을 포함할 수 있다. 예를 들어, 디스플레이를 이용하여, 시뮬레이션된 혈압 모델(50), 시뮬레이션된 혈류 모델(52), 및/또는 cFFR 모델(54)과 같은, 방정식(30)들의 해를 구함으로써 생성되는 임의의 이미지 및/또는 3차원 모델(10)을 디스플레이할 수 있다.
도 2는 다른 예시적 실시예에 따른, 특정 환자의 혈류에 관한 정보의 다양한 소스를 제공하기 위한 방법의 형태를 도시한다. 이 방법은 환자의 신체(가령, 대동맥의 적어도 일부분과, 대동맥에 연결된 주 관상 동맥의 근위부(및 이로부터 연장된 가지))에 관한 정보와 같은, 환자-특이적 신체 데이터를 획득하는 단계와, 데이터를 사전처리하는 단계를 포함할 수 있다(단계(100)). 이러한 환자-특이적 신체 데이터는 가령, CCTA에 의해, 비침습적으로 획득될 수 있다.
환자 신체의 3차원 모델은 획득된 신체 데이터에 기초하여 생성될 수 있다(단계(200)). 예를 들어, 3차원 모델은 도 1과 연계하여 앞서 설명한 환자 신체의 3차원 모델(10)일 수 있다.
3차원 모델은 분석을 위해 준비될 수 있고, 경계 조건이 결정될 수 있다(단계(300)). 예를 들어, 도 1과 연계하여 앞서 설명한 환자 신체의 3차원 모델(10)은 볼륨형 메시(가령, 유한 요소 또는 유한 부피 메시)로 정돈 및 구분될 수 있다. 볼륨형 메시를 이용하여, 도 1과 연계하여 앞서 설명한 방정식(30)을 생성할 수 있다.
경계 조건이 도 1과 연계하여 앞서 설명된 방정식(30)에 또한 할당 및 포함될 수 있다. 경계 조건은 경계부(가령, 유입 경계부, 유출 경계부, 관벽 경계부, 등)에서 3차원 모델(10)에 관한 정보를 제공한다. 유입 경계부는 대동맥 기부 근처의 대동맥 단부에서와 같이, 3차원 모델의 신체 내로 지향되는 흐름을 갖는 경계부를 포함할 수 있다. 각각의 유입 경계부는 가령, 심장 모델 및/또는 집중 상수(lumped parameter) 모델을 경계부에 연결함으로써, 처방된 값 또는 필드의 속도, 유량, 압력, 또는 다른 특성을 할당받을 수 있다. 유출 경계부는 대동맥 기부 근처의 대동맥 단부와, 주 관상 동맥(및 여기서부터 연장되는 가지)의 하류 단부에서와 같이, 3차원 모델의 신체로부터 바깥쪽으로 지향되는 흐름을 갖는 경계부를 포함할 수 있다. 각각의 유출 경계부는 가령, 집중 상수 또는 분산(가령, 1차원 파동 전파) 모델을 연결함으로써, 할당될 수 있다. 처방된 값의 유입 및/또는 유출 경계 조건들은, 심박출량(심자으로부터 혈류의 부피), 혈압, 심근 질량, 등과 같은, 그러나 이에 제한되지 않는, 환자의 생리적 특성을 비침습적으로 측정함으로써 결정될 수 있다. 관벽 경계부는 대동맥, 주 관상 동맥, 및/또는 3차원 모델(10)의 다른 관상 동맥 또는 혈관의 물리적 경계부를 포함할 수 있다.
환자에 대한 혈류 정보 결정을 위해 준비된 3차원 모델 및 결정된 경계 조건을 이용하여 연산 분석이 수행될 수 있다(단계(400)). 예를 들어, 연산 분석은 시뮬레이션된 혈압 모델(50), 시뮬레이션된 혈류 모델(52) 및/또는 cFFR 모델(54)과 같이, 도 1과 연계하여 앞서 설명한 이미지의 생성을 위해 도 1과 연계하여 앞서 설명한 컴퓨터(40)를 이용하여, 그리고 방정식(30)으로, 수행될 수 있다.
방법은 결과를 이용하여 환자-특이적 처방 옵션을 제공하는 단계를 또한 포함할 수 있다(단계(500)). 예를 들어, 단계(200)에서 생성된 3차원 모델(10) 및/또는 단계(300)에서 할당된 경계 조건을 조정하여, 하나 이상의 처방을 모델링할 수 있다 - 가령, 3차원 모델(10) 또는 다른 처방 옵션에서 표현되는 관상 동맥들 중 하나에 관상 동맥 스텐트를 배치할 수 있다. 그 후, 연산 분석은 혈압 모델(50), 혈류 모델(52), 및/또는 cFFR 모델(54)의 업데이트 버전과 같이, 새 이미지의 생성을 위해, 단계(400)에서 앞서 설명한 바와 같이 수행될 수 있다. 이러한 새 이미지를 이용하여 치료 옵션이 채택될 경우 혈류 속도 및 압력의 변화를 결정할 수 있다.
여기서 개시되는 시스템 및 방법은 관상 동맥 질환의 기능적 중요도를 평가하기 위해 그리고 관상 동맥 내 혈류를 정량화하기 위해, 비침습적 수단을 제공하도록, 의사(내과의)에 의해 취급되는 소프트웨어 툴에 포함될 수 있다. 추가적으로, 의사는 소프트웨어 툴을 이용하여 관상 동맥 혈류에 대한 의료적, 중재적, 및/또는 외과적 처방의 효과를 예측할 수 있다. 소프트웨어 툴은 목의 동맥(가령, 목동맥), 두부 동맥(가령, 뇌동맥), 흉부 동맥, 복부 동맥(가령, 복대동맥), 팔의 동맥, 또는 다리의 동맥(가령, 대퇴부 및 슬와동맥)을 포함한, 심혈관계의 다른 부분들 내 질환을 예방, 진단, 관리, 및/또는 처방할 수 있다. 소프트웨어 툴은 대화형으로 기능하여, 의사가 환자별로 최적화된 처방을 발전시킬 수 있다.
예를 들어, 소프트웨어 툴은 의사 또는 다른 사용자에 의해 사용되는 도 1에 도시되는 컴퓨터(40)과 같은 컴퓨터 시스템에 적어도 부분적으로 포함될 수 있다. 컴퓨터 시스템은 환자로부터 비침습적으로 획득되는 데이터(가령, 3차원 모델(10)의 생성에 사용되는 데이터, 경계 조건에 적용 또는 연산 분석 수행에 사용되는 데이터, 등)를 수신할 수 있다. 예를 들어, 데이터는 의사에 의해 입력될 수 있고, 또는, 방사선과 또는 다른 의료 랩과 같이, 이러한 데이터에 액세스 및 이러한 데이터를 제공할 수 있는 다른 소스로부터 수신될 수 있다. 데이터는 네트워크를 통해, 또는 데이터와 통신하는 다른 시스템을 통해, 또는, 직접 컴퓨터 시스템 내로 전송될 수 있다. 소프트웨어 툴은 이러한 데이터를 이용하여, 3차원 모델(10) 또는 다른 모델/메시 및/또는, 시뮬레이션된 혈압 모델(50), 시뮬레이션된 혈류 모델(52), 및/또는 cFFR 모델(54)과 같이, 도 1과 연계하여 앞서 설명한 방정식(30)의 해를 구함으로써 결정되는 임의의 시뮬레이션 또는 기타 결과를 생성 및 디스플레이할 수 있다. 따라서, 소프트웨어 툴은 단계(100-500)를 수행할 수 있다. 단계(500)에서, 의사는 가능한 처방 옵션의 선택을 위해 컴퓨터 시스템에 추가 입력을 제공할 수 있고, 컴퓨터 시스템은 선택된 가능 처방 옵션에 기초하여 새 시뮬레이션을 의사에게 디스플레이할 수 있다. 더욱이, 도 2에 도시되는 단계(100-500)들 각각은 개별 소프트웨어 패키지 또는 모듈을 이용하여 수행될 수 있다.
대안으로서, 소프트웨어 툴은 웹-기반 서비스 또는 기타 서비스, 가령, 의사와는 별도의 실체에 의해 제공되는 서비스의 일부분으로 제공될 수 있다. 서비스 제공자는 예를 들어, 웹-기반 서비스를 작동시킬 수 있고, 네트워크를 통해 또는 컴퓨터 시스템들 간에 데이터를 전송하는 기타 방법을 통해 의사 또는 기타 사용자에게 액세스가능한 웹 포털 또는 기타 웹-기반 애플리케이션을 제공할 수 있다(가령, 서비스 제공자에 의해 운영되는 다른 컴퓨터 시스템 또는 서버에서 구동될 수 있다). 예를 들어, 환자로부터 비침습적으로 획득된 데이터는 서비스 제공자에게 제공될 수 있고, 서비스 제공자는 이 데이터를 이용하여 3차원 모델(10) 또는 다른 모델/메시 및/또는 시뮬레이션된 혈압 모델(50), 시뮬레이션된 혈류 모델(52), 및/또는 cFFR 모델(54)과 같이, 도 1과 연계하여 앞서 설명한 방정식(30)의 해를 구함으로써 결정되는 임의의 시뮬레이션 또는 기타 결과를 생성할 수 있다. 그 후, 웹-기반 서비스는 3차원 모델(10) 또는 다른 모델/메시지 및/또는 시뮬레이션에 관한 정보를 전송할 수 있어서, 3차원 모델(10) 및/또는 시뮬레이션이 의사의 컴퓨터 시스템 상에서 의사에게 디스플레이될 수 있다. 따라서, 웹-기반 서비스는 단계(100-500)과, 환자-특이적 정보를 제공하기 위해 아래에서 설명되는 임의의 다른 단계들을 수행할 수 있다. 단계(500)에서, 의사는 가능한 처방 옵션을 선택하기 위한, 그리고, 연산 분석에 대한 다른 조정을 위한, 추가의 입력을 제공할 수 있고, 입력은 (가령, 웹 포털을 통해) 서비스 제공자에 의해 작동되는 컴퓨터 시스템에 전송될 수 있다. 웹-기반 서비스는 선택된 가능한 처방 옵션에 기초하여 새 시뮬레이션 또는 다른 결과를 생성할 수 있고, 새 시뮬레이션에 관한 정보를 다시 의사에게 전달하여, 새 시뮬레이션이 의사에게 디스플레이될 수 있다.
상술한 바와 같이, FFR의 비침습적 결정을 위한 연산 모델링을 위한 위 설명한 기술은 (i) 기하구조가 확실히 알려져 있고, (ii) 혈압, 헤마토크리트(hematocrit), 심근 질량, 등과 같은 임상 변수가 확실히 알려져 있으며, 및/또는 (iii) 전산 모델의 입구 및 출구에서 경계 조건이 확실히 알려져 있음을 가정한다. 그러나, 현실에서, FFR은 동맥 내 혈액 역학을 설명하는 수학 모델 및 가용 데이터의 정확도에 기초하여 CFD 변수를 이용하여 예측된다.
따라서, 본 발명은 가용 데이터 및 수학적 모델의 불확정성 효과를 포함 및 정량화하기 위한 방법 및 시스템을 또한 설명한다. 추가적으로, 본 발명은 FFR 값을 결정하기 위해, 그리고, 서로 다른 파라미터에 대한 FFR 연산의 감도를 순위화하기 위해, 신뢰도 구간을 할당하기 위한, 방법 및 시스템을 설명한다.
예를 들어, 도 3은 예시적 실시예에 따라, 입력 불확정성 규정, FFR 분석 감도 결정, 및 FFR의 신뢰 구간 연산을 위한 예시적 방법(600)을 설명하는 순서도다. 도 3에 도시되는 바와 같이, 방법(600)은 불확정성의 소스 및 그 크기의 규정을 포함한, 복수의 사전처리 단계를 포함할 수 있다. 예를 들어, 방법(600)은 불확실한 파라미터의 리스트 생성(단계(602))과, 심근 질량, 헤마토크리트/점도, 압력, 신체/표면적, 및/또는 기하학적 변수, 예를 들어, 최대 협착 직경, 협착 길이, 등과 같은 임상 변수의 불확실성 결정(단계(604))과, 환자 기하구조의 불확실성 결정(단계(606))을 포함할 수 있다.
방법(600)은 각각의 변수와 연관된 확률 및/또는 에러의 할당을 또한 포함할 수 있다. 예를 들어, 헤마토크리트는 40 내지 50 사이의 균일 분포를 가질 수 있고(40 내지 50 사이의 임의의 값이 동등한 확률), 혈압은 평균 100 mm Hg 및 표준편차 10 mm Hg을 가진 가우시안 분포일 수 있다(약 100mmHg의 압력의 확률이 가우시안 분포에 기초하여 할당될 수 있음). 따라서, 스토캐스틱 공간이 이러한 값들의 범위로 규정될 수 있다. 본 발명이 스토캐스틱 콜로케이션(stochastic collocation) 방법을 이용한 감도 연산을 설명하고 있으나, 입력 감도 평가를 위한 다른 동등한 통계적 기술이 사용될 수 있다. 더욱이, 본 발명이 Smolyak 쿼드러처 방법에 기초한 스토캐스틱 콜로케이션 방법을 설명하고 있으나, 이 역시 감도 연산을 위한 다른 동등한 방법이 사용될 수 있다. Smolyak 쿼드러처 방법은 입력 변수의 개수가 가령, 3 또는 4보다 클 때 함수를 보간 및 적분하기 위한 예시적 방법이다. 스토캐스틱 콜로케이션 방법은 Smolyak 쿼드러처 방법을 적용하여, 감도를 평가하고 출력에 대한 입력 불확실성의 효과를 정량화할 수 있다.
방법(600)은 그 후, 출력에 대한 입력 불확실성의 효과를 연산하기 위한 시뮬레이션 및 분석 단계를 포함할 수 있다(단계(608)). 예를 들어, 방법(600)은 콜로케이션 포인트를 초기화하는 단계를 포함하며, 각각의 콜로케이션 포인트는 파라미터의 고유 조합(가령, 크고 성긴 그리드 이용)에 대응한다(파라미터 수 n에 따라, 초기 콜로케이션 포인트의 수가 2n, 등의 수준일 것임). 일 실시예에서, 현재 개시되는 적응성 스토캐스틱 콜로케이션 방법은 (관심 양이 파라미터 공간에서 어떻게 변화하는지에 기초하여) 생성된 스토캐스틱 공간을 프로즌 및 액티브 패치로 나눌 수 있고, 액티브 패치만이 추가적으로 정련될 수 있다. 더욱이, 일 실시예에서, 적응성 정련 기준이 2개의 연속 그리드 간의 FFR 차이에 기초하여 선택될 수 있다. 추가적으로, 각각의 콜로케이션 포인트에서의 해는 이전 콜로케이션 포인트에서 얻은 해에 기초하여 초기화될 수 있다. 마지막으로, 입력 불확실성은 심근 질량, 점도, 상완 혈압, 등과 같은, 다양한 혈류 및/또는 심전 파라미터에 맞춤화될 수 있다.
복수의 콜로케이션 포인트 각각에 대하여, 방법(600)은 다양한 "사전-해결" 기술의 수행(단계(610))을 선택적으로 포함할 수 있다. 예를 들어, 방법(600)은 2012년 9월 24일 출원된 미국특허출원 제13/625,628호에 설명된 다양한 사전 해결(presolving) 기술 중 임의의 기술의 수행을 포함할 수 있고, 그 내용 전체는 본 발명에 참고자료로 포함된다.
방법(600)은 복수의 콜로케이션 포인트 각각에 대하여, 비침습적으로 시뮬레이션을 수행하기 위한 관상 동맥 살버(coronary solver)의 실행(단계(612))과, 연산적으로, 하나 이상의 FFR 값의 획득을 포함한다. 예를 들어, 방법(600)은 2011년 1월 25일 출원된 미국특허 제8,315,812호에 설명된 다양한 연산 FFR 모델링 기술 중 임의의 기술의 수행을 포함할 수 있고, 그 내용 전체는 본 발명에 참고자료로 포함된다. 따라서, '812 특허에 설명되는 바와 같이, FFR 값은 환자의 신체 모델에 기초하여 흐름 근사 또는 대용 연산 모델을 생성함으로써, 그리고, 환자의 맥관 내 하나 이상의 위치에 대한 FFR 값의 추정을 위해 대용 연산 모델을 분석함으로써, 획득될 수 있다. 예를 들어, 신체 모델은 환자의 관상 동맥 맥관의 3차원 신체 모델을 발생시킴으로써 생성될 수 있다. 신체 모델의 대용 연산 모델 또는 흐름 근사가, 그 후, 가령, 환자의 맥관의 감소-차수 모델을 발생시킴으로써, 생성될 수 있다. 일 실시예에서, 감소 차수 모델은 환자 맥관의 일차원 또는 집중 상수 모델일 수 있다. 일 실시예에서, 신체 모델은 일차원 파동 전파 모델일 수 있고, 대용 연산 모델 역시 일차원 파동 전파 모델일 수 있다.
일 실시예에서, FFR 값은 물리학-기반 시뮬레이션에 반해 기계 학습 추정치를 이용하여 획득될 수 있다. 다시 말해서, '812 특허에서와 같은 관상 동맥 살버의 실행 대신에, 복수의 콜로케이션 포인트 각각에 대하여, 방법(600)은 수많은 다른 환자의 혈류 분석으로부터 얻는 지식에 기초하여 혈류 특성을 효율적으로 추정할 수 있다. 예를 들어, 방법(600)은 2012년 9월 12일 출원된 미국특허가출원 제61/700,213호에 설명된 다양한 기계 학습 기술 중 임의의 기술의 수행을 포함할 수 있고, 그 내용 전체는 본 발명에 참고자료로 포함된다. 따라서, 일 실시예에서, FFR 값은 환자의 생리적 파라미터 및 측정된 혈류특성의 특징 벡터들에 기초하여 환자 기하구조의 다양한 지점에 대한 FFR 값을 추정하기 위해 기계 학습 알고리즘을 훈련함으로써, 그리고, 예측된 FFR 값을 얻기 위해 구체적인 환자의 기하구조 및 생리학적 파라미터에 기계 학습 알고리즘을 적용함으로써, 얻을 수 있다.
이러한 결과에 기초하여, 방법(600)은 스토캐스틱 공간에 FFR에 대한 근사를 구축할 수 있다. 일 실시예에서, 방법(600)은 FFR 해의 판독(단계(614))을 포함할 수 있고, 예를 들어, 재구성된 FFR에 기초하여, 다양한 평균, 표준편차, 및 신뢰도 구간의 연산을 포함할 수 있다.
방법(600)은 그 후 종료 기준이 충족되었는지에 기초하여 "통계 수렴" 여부의 결정을 포함할 수 있고, 이 경우에 방법(600)은 사후 처리 단계(단계(616)로 진행할 수 있고, 충족되지 않은 경우, 방법(600)은 적응성 정련을 수행하고, 시뮬레이션 수행을 위한 콜로케이션 포인트 초기화로 복귀할 수 있다(단계(608)). 일 실시예에서, 종료 기준은 모든 콜로케이션 포인트들이 프로즌 세트(frozen set)에 속하는지 여부에 기초하여 알고리즘 종료 여부를 결정할 수 있다. 콜로케이션 포인트는 (a) 모든 이웃들이 프로즌 상태일 경우, 또는, (b) 2개의 연속 정련 레벨 간의 이러한 콜로케이션 포인트에서의 FFR 값이 컷오프보다 작을 경우, 프로즌 상태로 간주될 수 있다.
종료 기준이 충족된 경우(즉, 통계 수렴), 그 후 방법(600)은 출력되는 FFR 값의 통계 평가와 같이, 사후 처리 단계의 수행을 포함할 수 있다(단계(616)). 예를 들어, 재구성된 FFR을 이용하여, 방법(600)은 각각의 공간점(표면 노드)에서 FFR의 확률 밀도 함수를 평가할 수 있다. 이로부터, FFR 및 신뢰 구간의 표준 편차가 연산 모델 전체를 거쳐 평가될 수 있다.
하나 이상의 신뢰 구간 값은 단계(616)에서 발생된 확률 정보에 기초하여, 각각의 예측된 FFR 값에 대해 발생될 수 있다. 예를 들어, 이 방법은 발생된 특정 FFR 값에 대한 신뢰도 값(가령, .85의 FFR 값의 90% 신뢰도)의 발생을 포함할 수 있다. 일 실시예에서, 결정된 신뢰 레벨이 지정 임계치(가령, 90%) 미만일 경우, FFR 값의 재연산 또는 재추정을 포함할 수 있다. 각각의 추정된 FFR 값과 관련하여 신뢰도 레벨을 출력 및 디스플레이함으로써, 의사는 추정된 FFR 값의 신뢰성에 관한 더 많은 정보, 시야, 및 확실성을 제공받을 수 있다. 예를 들어, 환자가 문제가 있는 FFR 값(가령, .80 미만)을 나타내고 생성된 신뢰도 레벨이 높을 경우, 의사는 처방 또는 중재할 때 좀 더 자신감이 생길 수 있다. 이에 반해, 환자의 FFR 값이 경계선 부근이고(가령, 0.80 내지 .85) 생성된 신뢰도 레벨이 낮을 경우, 의사는 처방 또는 중재 이전에 추가 검사를 수행하는 경향을 나타낼 수 있다.
대안의 또는 추가의 실시예로서, 방법은 요망 신뢰 구간과 일관되는 소정 범위의 FFR 값의 발생을 포함할 수 있다. 예를 들어, 95%의 요망 신뢰 구간이 주어졌을 때, 방법은 실제 FFR 값이 출력 범위 내에 있는 95%의 기회가 존재하는 소정 범위의 FFR 값의 생성을 포함할 수 있다(가령, FFR이 .82-.87인 95% 신뢰도가 존재). 요망 신뢰도 값의 감소는 출력되는 FFR 범위를 좁힐 수 있고, 반면에 요망 신뢰도 값 증가는 출력되는 FFR 범위를 확장시킬 수 있다. 일 실시예에서, 연산되는 감도 또는 신뢰도 레벨의 표시는 출력 FFR 값과 연계하여 디스플레이될 수 있다.
도 3의 예시적 방법(600)은 도 1의 컴퓨터(40)에 의해, 또는 임의의 다른 컴퓨터, 서버, 또는 핸드헬드 전자 디바이스에 의해, 수행될 수 있다. 방법(600)의 추가적인 예시적 실시예는 범용 및 전용 실시예와 관련하여 이제 설명될 것이고, 그 중 임의의 실시예가 2012년 9월 24일 출원된 미국특허출원 제13/625,628호, 및/또는 2011년 1월 25일 출원된 미국특허 제8,315,812호의 기술과 조합하여 수행될 수 있다. 따라서, 위 방법(600) 및 아래 설명되는 범용 및 전용 예시적 실시예를 이용하여, 불확실성 입력을 위한 컴퓨팅된 FFR 값의 감도를 결정할 수 있고, 및/또는, 결정된 감도에 기초하여 컴퓨팅된 FFR 값의 신뢰 구간을 연산할 수 있다.
예시적 실시예
일반적인 예시적 실시예에서, FFR 연산의 불확실성을 정량화하기 위한 방법은, 관심 대상인 모든 동맥을 포함한, 환자의 CCTA 스캔의 디지털 표현의 획득을 포함한다. 이러한 스캔은 저장되어, 모든 관련 혈관의 환자-특이적 기하구조의 연산 모델로 변환될 수 있다. 연산 모델은 구체적인 경계 조건들이 강제되는 (기하구조적 파라미터에 의해 결정되는) 위치에서 트리밍될 수 있고, 따라서, 해당 위치 하류의 모든 혈관 및 미세-혈관의 효과를 정량화할 수 있다. 환자 헤마토크리트, 상관 혈압, 등과 같은 임상 변수의 값을 얻을 수 있다.
추가적으로, 불확실한 파라미터/변수가, 예를 들어, 임상 변수, 가령, 헤마토크리트, 압력, 신체 표면적, 및/또는 기하학적 변수, 가령, 병소 크기, 병소 길이, 등과 같이, 불확실한 입력을 식별함으로써, 식별 및 할당될 수 있다. 확률/에러에 각각의 변수가 할당될 수 있고, 확률/에러가 각각의 변수와 연관될 수 있다. 확률은 실체의 주행성 변화, 데이터의 잡음, 부적절한 정보, 및/또는 일반화된 실험적 모델 이용시에 발생되는 에러의 조합을 모델링할 수 있다. 방법은 어느 변수가 관심 대상의 양에 영향을 미치는 지 여부의 분석과, 관심 대상의 양에 영향을 미칠 수 있는 변수의 최적 서브세트의 선택을 포함할 수 있다.
불확실성의 정량화를 위한 예시적인 일반적 방법은 모든 식별된 변수에 대한 조대한(coarse) 스토캐스틱 공간의 구성과 같이, 소정의 사전처리 단계를 또한 포함할 수 있다. 방법은 예를 들어, Smolyak 성긴 그리드 알고리즘을 이용한, 스토캐스틱 콜로케이션(가령, 쿼드러처) 포인트의 초기화를 포함할 수 있고, 각각의 포인트는 파라미터들의 고유 조합에 대응한다. 콜로케이션 포인트들의 개수는 콜로케이션 (쿼드러처) 레벨에 좌우될 수 있다. 콜로케이션 레벨은 네스팅될 수 있고(nested), 레벨 0은 단 하나의 시뮬레이션에 대응하고, 수치가 레벨과 함께 증가한다. 실제 개수는 스토캐스틱 변수의 수치에 좌우될 수 있다.
일 실시예에서, 기술이 가령, n개의 변수를 식별하면, 초기에 콜로케이션 포인트들은 조대한(가령, 레벨 1) Smolyak 성긴 그리드의 쿼드러처 포인트들에 대응할 수 있다. 이러한 콜로케이션 포인트들은 [0, 1] 하이퍼큐브 공간에 놓인다. 콜로케이션 포인트들은 역 누적 분포 함수를 이용하는 변환을 이용하여 [0, 1]로부터 임상적으로 관련있는 값들로 매핑될 수 있다. 그 후, 각각의 콜로케이션 포인트들은 소정 상태, 즉, "액티브" 또는 "프로즌"을 할당받을 수 있다. 일 실시예에서, 모든 콜로케이션 포인트들은 초기에 "액티브"를 할당받을 수 있다.
불확실성 정량화를 위한 예시적인 일반적 방법은 그 후, 콜로케이션 포인트들 중 하나 이상에서 CFD 시뮬레이션의 수행을 포함할 수 있다. 예를 들어, 일 실시예에서, CFD 시뮬레이션은 식별되는 각각의 포인트에서 수행될 수 있다. 적어도 하나의 액티브 콜로케이션 포인트가 존재할 경우, 쿼드러처 레벨이 증분될 수 있고, 적어도 하나의 액티브 이웃을 가진 콜로케이션 포인트들만이 수득될 수 있다. 쿼드러처 레벨은 증분될 수 있고, 각각의 새로운 콜로케이션 포인트에 대하여, 방법은, 이전 쿼드러처 레벨을 이용한 소정 양의 관심 보간값(가령, Lagrange 다항식 이용)과, 시뮬레이션을 이용한 그 실제 값 간의 차이를 연산할 수 있다. 이 차이가 기설정 임계치보다 적을 경우, 콜로케이션 포인트는 "프로즌"으로 표시될 수 있다. 그렇지 않을 경우, 포인트는 "액티브"로 표시될 수 있다.
마지막으로, 불확실성 정량화를 위한 예시적인 일반적 방법은, 관심 양의 가변성 여난과 같이, 소정의 사후 처리 단계를 포함할 수 있다. 예를 들어, 방법은 시뮬레이션 수행이 없는 파라미터 조합에 대응하는 관심 양의 예측을 위해서와 같이, 스토캐스틱 공간의 관심 양의 Lagrange 다항식 보간의 구성을 포함할 수 있다. 추가적으로, 방법은 할당된 확률에 따라 스토캐스틱 공간을 샘플링함으로써 관심 양의 확률 분포 함수의 컴퓨팅을 포함할 수 있다.
예시적 실시예
불확실성의 결과를 정량화하고 출력의 신뢰 구간을 컴퓨팅하기 위한 기술의 구체적 실시예가 아래 설명된다.
1. 관상 동맥 질환으로 의심되는 환자의 다음 정보의 디지털 표현을 획득한다.
a. 환자의 CCTA를 수행하여, 상행 대동맥, 좌/우 관상 동맥, 좌회선 동맥, 좌 옵튜즈 마지널(left obtuse marginal), 및/또는 눈에 보이는 모든 다른 관심 혈관을 포함한, 모든 관심 혈관을 시각화 및 컴퓨팅할 수 있다. 스캐닝된 이미지를 클리닝 및 사후처리하여, 시뮬레이션을 수행할 연산 도메인을 획득할 수 있다.
b. CCTA에 추가하여, 심박수, 수축기 및 확장기 상완 혈압, 헤마토크리트, 환자 키 및 체중, 및 환자 내력, 가령, 흡연 상태, 당뇨병 유/무, 등을 포함한, 한 세트의 임상 파라미터가 측정될 수 있다.
c. 한 세트의 도출 양들이 단계 (a) 및 (b)로부터 연산될 수 있다. 이러한 도출되는 양은:
i. 심근 질량(mmyo) - 심근의 부피 연산을 위해 좌심실의 이미지 세그먼트화에 의해 그리고 이를 밀도와 곱함으로써 획득됨(통상적으로 가정되는 상수 ~1.05g/cm^3).
ii. 신체 표면적 - 환자 높이(h) 및 체중(w)로부터 연산: 
iii. 점도 - 헤마크리토(hem)로부터 연산
iv. 유입 대동맥 유량(Q) - 스케일링 연구로부터 연산
v. 관상 동맥 유량(qcor) - 심근 질량으로부터 연산
vi. 관상 동맥 저항 - 알짜 관상 동맥 저항은 요망 관상 동맥 흐름으로부터 연산되고, 개별 유출에 대한 값은 그 면적에 기초하여 연산된다.
vii. 유출 대동맥 저항 - 이는 대동맥 압력, 대동맥 유량, 및 요망 관상 동맥 유량에 기초하여 연산될 수 있다.
2. CCTA를 진행한 각각의 환자에 대하여, 다음 예시적 방식으로 입력 불확실성을 식별 및 모델링한다:
a. 임상 변수: 임상 파라미터, 특히, 도출되는 것들(1c)이 불확실할 수 있다. 이들은 정확한 형태가 알려지지 않을 경우 확률 분포 함수, 통상적으로 가우시안 함수를 이용하여 모델링될 수 있다.
b. 기하구조 변수: 관벽의 크기(특히 병소 근처), 병소 길이, 및 트림 평면 위치.
c. 모델링 가정: 관상 동맥 유량 대 질량(다른 파라미터에 좌우됨), BSA 상의 대동맥 유량, 트림된 유출구 영역 상에서의 유출 저항
3. 모든 불확실한 실체의 조대한 스토캐스틱 공간을 구성:
a. 파라미터들의 각각의 조합은 쿼드러처 또는 콜로케이션 포인트에 대응할 수 있다. 일차원의 경우에, 콜로케이션 포인트는 구간 0 내지 1 의 Chebyshev 노드(chebyshev 다항식의 제로)에 대응할 수 있다. 이는 1차원 Cheyshev 노드의 텐서 곱(tensor product)을 구성함으로써 다차원으로 확장될 수 있다. Smolyak 공간 그리드는 정확도를 여전히 유지 {}하면서도 수렴도 가속을 위해 이러한 노드들의 서브세트를 선택할 수 있다.
b. 주어진 변수의 경우에, 가령, α의 경우에, 
로부터 
로의 변환은 α의 역 누적 분포 함수(cdf)를 따를 수 있고, 
, 
는 α의 평균값, 
는 그 표준 편차다. 무한한 지원(가령, 가우시안 분포)을 갖는 pdf의 경계없는 변환을 방지하기 위해, 
는 이러한 경우에 역 CFD 변환 이전에 [0.01,0.99]로 초기에 매핑될 수 있다. α가 가우시안 변수일 경우, 이는 
로 변환될 수 있다. 콜로케이션 포인트의 각각의 가로좌표는 이 함수에 기초하여 변환될 수 있다.
c. 다음의 변수가 평균 및 표준 편차를 갖는 가우시안으로 가정될 수 있다. 혈압, 심근 질량 스케일링 계수, 및 점도에 대한 표준편차는 문헌 연구로부터 도출될 수 있다. 심근 질량의 표준편차는 인-하우스 게이지 연구로부터 얻을 수 있다(밀도는 일정하다고 가정될 수 있다).
| 변수 | 평균 | 변화율 |
| 점도 |
 |
10% |
| 혈압 |
 |
10% |
| 심근질량 | 심근 세그먼트화 | 7.5% |
| 계수 | 0.083 | 15% |
d. 기하구조로 인한 감도 연산을 위하여, 2개의 소공 지점(ostia points) 간의 혈관의 각각의 세그먼트는 세그먼트를 팽창 또는 수축시키도록, 단일 랜덤 변수를 이용하여 표현된다고 가정될 수 있다. 직렬로 복수의 협착증이 존재할 경우, 상관된 랜덤 변수들을 또한 이용하여 기하구조의 불확실성을 모델링할 수 있다. 혈관 확장제 또는 혈관수축제의 양은 병소-특이적 기초하에 결정될 수 있다. 중심선을 따른 반경의 이용, 각 노드의 3D 위치, 및/또는 소공들 간의 노드의 그룹화와 같은, 팽창 및 수축을 위한 다른 기술들이 또한 사용될 수 있다.
e. 혈관의 각각의 그룹형성은 추가적으로 분석될 수 있다. 예를 들어, 그룹의 감도가 높다고 간주될 경우, 2개의 그룹으로 나누어질 수 있고, 높은 감도 영역의 충분한 로컬화가 실현될 때까지 과정이 반복된다.
4. 프로세싱:
a. 각각의 액티브 콜로케이션 포인트에서, CFD 시뮬레이션은 저항 경계 조건을 이용하여 수행될 수 있다(유량에 대한 압력 강하 비가 일정). 각각의 콜로케이션 포인트에서의 압력 및 속도 해는 이전 콜로케이션 포인트에서 얻은 해에 기초하여 초기화될 수 있다. 모델의 압력 위치가 최고인 내강 위치는, 콜로케이션 알고리즘의 종료 기준 결정을 위한 후보 위치로 선택될 수 있다. 이러한 결과에 기초하여, 스토캐스틱 공간 내 FFR에 대한 근사가 구성될 수 있다.
b. 콜로케이션 레벨이 증분될 수 있다. 새 콜로케이션 포인트에서, 이전 콜레케이션 레벨을 이용한 보간 값과 시뮬레이션 간의 10개의 식별된 위치에서 FFR 차이가 연산될 수 있다. 10-2의 공차가 설정될 수 있고, 따라서, 점의 상태는 
일 경우 프로즌으로 변경될 수 있다. 이 단계는 모든 콜로케이션 포인트들이 프로즌 상태가 될 때까지 반복될 수 있다.
5. 사후 처리:
a. FFR의 평균, 표준편차, 및 저차수 모멘트는, 스토캐스틱 공간 내 각각의 공간 위치에서 FFR을 적분함으로써 얻을 수 있다. 이는 Lagrange 다항식(오프라인)의 프로덕트를 적분함으로써, 그리고 결과를 해를 통해 얻은 대응하는 FFR 해와 합계함으로써 수행될 수 있다.
b. 50000-100000 포인트들 사이에서 스토캐스틱 공간을 샘플링함으로써, 히스토그램을 추출함으로써, 그리고, 이어서 누적 분포 함수를 추출함으로써, 신뢰 구간이 연산될 수 있다.
여기서 설명되는 단계들 중 하나 이상은 한명 이상의 사람 조작자(가령, 심장병 전문의 또는 다른 의사, 환자, 제3자, 기타 사용자, 등에 의해 제공되는 웹-기반 서비스 또는 기타 서비스를 제공하는 서비스 제공자의 종업원, 등), 또는 이러한 사람 조작자에 의해 사용되는 하나 이상의 컴퓨터 시스템, 예를 들어, 데스크탑 또는 휴대용 컴퓨터, 워크스테이션, 서버, 개인용 디지털 보조기기, 등에 의해 수행될 수 있다. 컴퓨터 시스템은 네트워크를 통해, 또는 다른 데이터 통신 방법을 통해 연결될 수 있다.
임의의 실시예에서 제시되는 임의의 형태를 여기서 제시되는 다른 실시예와 함께 이용할 수 있다. 여기서 제시되는 모든 디바이스 및 장치들은 임의의 적절한 과정에 사용될 수 있고, 임의의 적절한 신체 내강 및 신체 공동을 통해 나아갈 수 있으며, 임의의 적절한 신체부의 이미징에 사용될 수 있다.
다양한 변화 및 변형예가, 발명의 범위로부터 벗어나지 않으면서, 개시되는 시스템 및 프로세스에서 실현될 수 있다. 다른 실시예는 여기서 개시되는 발명의 실시 및 명세서의 고려사항으로부터 당 업자에게 명백할 것이다. 명세서 및 예는 예시적인 것에 불과하고, 발명의 진실한 범위 및 사항은 다음 청구범위에 의해 표시된다.
Claims (32)
- 환자의 심혈관 정보 결정 시스템에 있어서, 상기 시스템은,
적어도 하나의 컴퓨터 시스템을 포함하고, 상기 컴퓨터 시스템은,
적어도 환자의 맥관의 기하구조에 관한 환자-특이적 데이터를 수신하도록 구성되고,
상기 환자-특이적 데이터에 기초하여 환자의 맥관의 적어도 일부분을 나타내는 신체 모델을 생성하도록 구성되며,
상기 신체 모델에 기초하여 혈류 특성의 컴퓨팅 모델을 생성하도록 구성되고,
불확실 파라미터, 불확실 임상 변수, 및 불확실 기하구조 중 하나 이상을 식별하도록 구성되며,
식별되는 불확실 파라미터, 불확실 임상 변수, 또는 불확실 기하구조 중 하나 이상에 대한 분포 값을 식별하는 확률 모델을 수정하도록 구성되고,
상기 환자의 맥관의 혈류 특성의 컴퓨팅 모델 및 신체 모델에 기초하여 환자의 맥관 내의 혈류 특성을 결정하도록 구성되며,
확률 모델 및 결정된 혈류 특성에 기초하여, 식별되는 불확실 파라미터, 불확실 임상 변수, 또는 불확실 기하구조 중 하나 이상에 대한, 결정된 혈류 특성의 감도를 연산하도록 구성되는, 환자의 심혈관 정보 결정 시스템. - 제 1 항에 있어서, 상기 혈류 특성의 컴퓨팅 모델은 감소 차수 모델 또는 1차원 모델인, 환자의 심혈관 정보 결정 시스템.
- 제 1 항에 있어서, 상기 신체 모델은 3차원 모델, 4차원 모델, 또는 1차원 파동 전파 모델인, 환자의 심혈관 정보 결정 시스템.
- 제 1 항에 있어서, 상기 확률 모델은 스토캐스틱 콜로케이션 방법(stochastic collocation method)에 기초하여 초기화되는, 환자의 심혈관 정보 결정 시스템.
- 삭제
- 제 1 항에 있어서,
상기 불확실 임상 변수는 심근 질량, 헤마토크리트, 점도, 압력, 신체 또는 표면적, 심박수, 수축기 및 확장기 상완 혈압, 환자 키, 환자 체중, 환자 내력, 흡연 상태, 및 당뇨 유/무, 중 하나 이상이고,
상기 불확실 기하구조는 최대 협착 직경, 협착 길이, 협착 위치, 병소 크기, 병소 길이, 또는 이미지-기반 아티팩트를 가진 건강한 세그먼트 중 하나 이상인, 환자의 심혈관 정보 결정 시스템. - 제 1 항에 있어서, 상기 확률 모델은 식별되는 불확실 파라미터, 불확실 임상 변수, 또는 불확실 기하구조 중 하나 이상에 대한 조대 스토캐스틱 공간(coarse stochastic space)을 구성함으로써 초기화되는, 환자의 심혈관 정보 결정 시스템.
- 제 1 항에 있어서, 상기 환자의 맥관의 적어도 일부분을 나타내는 신체 모델은, 대동맥의 적어도 일부분과, 상기 대동맥의 일부분으로부터 발원하는 복수의 관상 동맥의 적어도 일부분을 포함하는, 환자의 심혈관 정보 결정 시스템.
- 제 1 항에 있어서,
혈류 특성은 분획 혈류 예비력(fractional flow reserve value)이고,
상기 분획 혈류 예비력은 대동맥 내 압력과 맥관 내 소정 위치의 압력 간의 차이를 표시하며,
상기 적어도 하나의 컴퓨터 시스템은 맥관 내 복수의 위치에서 상기 분획 혈류 예비력을 결정하도록 구성되는, 환자의 심혈관 정보 결정 시스템. - 제 1 항에 있어서, 상기 환자-특이적 데이터는 컴퓨터 단층 촬영 또는 자기 공명 영상 기술로부터 얻는 데이터를 포함하는, 환자의 심혈관 정보 결정 시스템.
- 제 1 항에 있어서, 상기 적어도 하나의 컴퓨터 시스템은, 이미징 데이터를 이용하여 환자의 맥관의 내강의 경계부를 파악함으로써 이미징 데이터에 기초한 신체 모델을 생성하도록 구성되는, 환자의 심혈관 정보 결정 시스템.
- 제 1 항에 있어서, 상기 혈류 특성의 모델은 상기 신체 모델의 경계부를 통한 혈류를 나타내는 적어도 하나의 집중 상수 모델을 포함하는, 환자의 심혈관 정보 결정 시스템.
- 제 1 항에 있어서, 상기 적어도 하나의 컴퓨터 시스템은 충혈 레벨, 운동 레벨, 또는 투약 중 적어도 하나와 연관된 파라미터를 이용하여 혈류 특성을 결정하도록 구성되는, 환자의 심혈관 정보 결정 시스템.
- 삭제
- 제 1 항에 있어서, 상기 적어도 하나의 컴퓨터 시스템은 결정된 혈류 특성에 관한 연산된 감도의 표시자(indicator)를 디스플레이하도록 구성되는, 환자의 심혈관 정보 결정 시스템.
- 삭제
- 적어도 하나의 컴퓨터 시스템을 이용한, 환자의 심혈관 정보 결정 방법에 있어서, 상기 방법은,
상기 환자의 맥관의 기하구조에 관한 환자-특이적 데이터를 수신하는 단계와,
상기 환자-특이적 데이터에 기초하여 환자의 맥관의 적어도 일부분을 나타내는 신체 모델을 생성하는 단계와,
상기 신체 모델에 기초하여 혈류 특성의 컴퓨팅 모델을 생성하는 단계와,
불확실 파라미터, 불확실 임상 변수, 및 불확실 기하구조 중 하나 이상을 식별하는 단계와,
식별되는 불확실 파라미터, 불확실 임상 변수, 또는 불확실 기하구조 중 하나 이상에 대한 분포 값을 식별하는 확률 모델을 수정하는 단계와,
상기 환자의 맥관의 혈류 특성의 컴퓨팅 모델 및 신체 모델에 기초하여 환자의 맥관 내의 혈류 특성을 결정하는 단계와,
상기 확률 모델 및 결정된 혈류 특성에 기초하여, 식별되는 불확실 파라미터, 불확실 임상 변수, 또는 불확실 기하구조 중 하나 이상에 대한, 결정되는 분획 혈류 예비력의 감도를 연산하는 단계를 포함하는, 환자의 심혈관 정보 결정 방법. - 제 17 항에 있어서, 상기 혈류 특성의 컴퓨팅 모델은 감소 차수 모델 또는 1차원 모델인, 환자의 심혈관 정보 결정 방법.
- 제 17 항에 있어서, 상기 신체 모델은 3차원 모델, 4차원 모델, 또는 1차원 파동 전파 모델인, 환자의 심혈관 정보 결정 방법.
- 제 17 항에 있어서, 상기 확률 모델은 스토캐스틱 콜로케이션 방법(stochastic collocation method)에 기초하여 초기화되는, 환자의 심혈관 정보 결정 방법.
- 삭제
- 제 17 항에 있어서,
상기 불확실 임상 변수는 심근 질량, 헤마토크리트, 점도, 압력, 신체 또는 표면적, 심박수, 수축기 및 확장기 상완 혈압, 환자 키, 환자 체중, 환자 내력, 흡연 상태, 및 당뇨 유/무, 중 하나 이상이고,
상기 불확실 기하구조는 최대 협착 직경, 협착 길이, 협착 위치, 병소 크기, 병소 길이, 또는 이미지-기반 아티팩트를 가진 건강한 세그먼트 중 하나 이상인, 환자의 심혈관 정보 결정 방법.
- 삭제
- 제 17 항에 있어서, 결정된 혈류 특성에 기초하여 환자 맥관 내 혈관의 기능적으로 중요한 협소화의 위치를 결정하는 단계를 더 포함하는, 환자의 심혈관 정보 결정 방법.
- 제 17 항에 있어서, 상기 환자의 맥관의 적어도 일부분을 나타내는 신체 모델은, 대동맥의 적어도 일부분과, 상기 대동맥의 일부분으로부터 발원하는 복수의 관상 동맥의 적어도 일부분을 포함하는, 환자의 심혈관 정보 결정 방법.
- 삭제
- 제 17 항에 있어서, 상기 환자-특이적 데이터는 환자의 맥관의 이미징 데이터를 포함하고, 신체 모델의 생성은, 상기 이미징 데이터를 이용하여 상기 환자의 맥관의 복수의 혈관의 내강의 경계를 파악하는 단계를 포함하는, 환자의 심혈관 정보 결정 방법.
- 제 17 항에 있어서,
결정된 혈류 특성에 관한 연산된 감도의 표시자(indicator)를 디스플레이하는 단계를 더 포함하는, 환자의 심혈관 정보 결정 방법. - 삭제
- 환자의 심혈관 정보에서 감도 또는 불확실성을 결정하는 방법을 수행하기 위한 컴퓨터-실행가능 프로그래밍 명령어를 포함하는 적어도 하나의 컴퓨터 시스템에 사용하기 위한 비-일시적 컴퓨터 판독가능 매체에 있어서, 상기 방법은,
상기 환자의 맥관의 기하구조에 관한 환자-특이적 데이터를 수신하는 단계와,
상기 환자-특이적 데이터에 기초하여 환자의 맥관의 적어도 일부분을 나타내는 신체 모델을 생성하도록 구성되며,
상기 신체 모델에 기초하여 혈류 특성의 컴퓨팅 모델을 생성하는 단계와,
불확실 파라미터, 불확실 임상 변수, 및 불확실 기하구조 중 하나 이상을 식별하는 단계와,
식별되는 불확실 파라미터, 불확실 임상 변수, 또는 불확실 기하구조 중 하나 이상에 기초하여 확률 모델을 초기화하는 단계와,
상기 환자의 맥관의 혈류 특성의 컴퓨팅 모델 및 신체 모델에 기초하여 환자의 맥관 내의 분획 혈류 예비력을 결정하는 단계와,
상기 확률 모델 및 결정된 분획 혈류 예비력에 기초하여, 식별되는 불확실 파라미터, 불확실 임상 변수, 또는 불확실 기하구조 중 하나 이상에 대한, 결정된 분획 혈류 예비력의 감도를 연산하는 단계를 포함하는, 비-일시적 컴퓨터 판독가능 매체. - 제 30 항에 있어서, 상기 확률 모델은 스토캐스틱 콜로케이션 방법(stochastic collocation method)에 기초하여 초기화되는, 비-일시적 컴퓨터 판독가능 매체.
- 제 31 항에 있어서, 상기 감도는 Smolyak 쿼드러처 방법에 기초하여 연산되는, 비-일시적 컴퓨터 판독가능 매체.
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201361772401P | 2013-03-04 | 2013-03-04 | |
| US61/772,401 | 2013-03-04 | ||
| US13/864,996 | 2013-04-17 | ||
| US13/864,996 US9424395B2 (en) | 2013-03-04 | 2013-04-17 | Method and system for sensitivity analysis in modeling blood flow characteristics |
| PCT/US2014/019001 WO2014137742A1 (en) | 2013-03-04 | 2014-02-27 | Method and system for sensitivity analysis in modeling blood flow characteristics |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20150113157A KR20150113157A (ko) | 2015-10-07 |
| KR101818645B1 true KR101818645B1 (ko) | 2018-01-15 |
Family
ID=51421387
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020157023647A KR101818645B1 (ko) | 2013-03-04 | 2014-02-27 | 혈류 특성 모델링 감도 분석 방법 및 시스템 |
Country Status (8)
| Country | Link |
|---|---|
| US (6) | US9424395B2 (ko) |
| EP (2) | EP2800517B1 (ko) |
| JP (4) | JP6138972B2 (ko) |
| KR (1) | KR101818645B1 (ko) |
| CN (2) | CN109378076B (ko) |
| AU (4) | AU2014226326B2 (ko) |
| CA (1) | CA2903146C (ko) |
| WO (1) | WO2014137742A1 (ko) |
Families Citing this family (68)
| 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 |
| WO2014064702A2 (en) | 2012-10-24 | 2014-05-01 | Cathworks Ltd. | Automated measurement system and method for coronary artery disease scoring |
| US10210956B2 (en) | 2012-10-24 | 2019-02-19 | Cathworks Ltd. | Diagnostically useful results in real time |
| WO2014105743A1 (en) | 2012-12-28 | 2014-07-03 | Cyberheart, Inc. | Blood-tissue surface based radiosurgical renal treatment planning |
| US8824752B1 (en) | 2013-03-15 | 2014-09-02 | Heartflow, Inc. | Methods and systems for assessing image quality in modeling of patient anatomic or blood flow characteristics |
| US20140293289A1 (en) * | 2013-03-27 | 2014-10-02 | Kabushiki Kaisha Topcon | Method for Generating Two-Dimensional Images From Three-Dimensional Optical Coherence Tomography Interferogram Data |
| US9135381B2 (en) | 2013-05-10 | 2015-09-15 | Stenomics, Inc. | Modeling and simulation system for optimizing prosthetic heart valve treatment |
| US9092743B2 (en) | 2013-10-23 | 2015-07-28 | Stenomics, Inc. | Machine learning system for assessing heart valves and surrounding cardiovascular tracts |
| EP3061015A2 (en) | 2013-10-24 | 2016-08-31 | Cathworks Ltd. | Vascular characteristic determination with correspondence modeling of a vascular tree |
| US9501622B2 (en) | 2014-03-05 | 2016-11-22 | Heartflow, Inc. | Methods and systems for predicting sensitivity of blood flow calculations to changes in anatomical geometry |
| US9773219B2 (en) * | 2014-04-01 | 2017-09-26 | Heartflow, Inc. | Systems and methods for using geometry sensitivity information for guiding workflow |
| US10354349B2 (en) | 2014-04-01 | 2019-07-16 | Heartflow, Inc. | Systems and methods for using geometry sensitivity information for guiding workflow |
| US9754082B2 (en) | 2014-05-30 | 2017-09-05 | Heartflow, Inc. | Systems and methods for reporting blood flow characteristics |
| US10080872B2 (en) | 2014-11-04 | 2018-09-25 | Abbott Cardiovascular Systems Inc. | System and method for FFR guidewire recovery |
| US9349178B1 (en) * | 2014-11-24 | 2016-05-24 | Siemens Aktiengesellschaft | Synthetic data-driven hemodynamic determination in medical imaging |
| JP6539736B2 (ja) * | 2014-11-14 | 2019-07-03 | シーメンス ヘルスケア ゲゼルシヤフト ミツト ベシユレンクテル ハフツング | 純粋幾何学的機械学習に基づいて血流予備量比を求める方法及びシステム |
| EP3244790B1 (en) | 2015-01-15 | 2020-09-02 | Koninklijke Philips N.V. | Instantaneous wave-free ratio (ifr) computer tomography (ct) |
| US9704256B2 (en) | 2015-03-10 | 2017-07-11 | Siemens Healthcare Gmbh | Systems and method for computation and visualization of segmentation uncertainty in medical images |
| JP2018515167A (ja) | 2015-04-02 | 2018-06-14 | ハートフロー， インコーポレイテッド | 血管網と潅流組織の機能的関連性を特定し可視化するシステム及び方法 |
| EP3282936B1 (en) * | 2015-04-17 | 2020-08-19 | HeartFlow, Inc. | Systems and methods for assessment of tissue function based on vascular disease |
| US10552958B2 (en) | 2015-04-30 | 2020-02-04 | Koninklijke Philips N.V. | Fractional flow reserve determination |
| US11031136B2 (en) * | 2015-08-05 | 2021-06-08 | Koninklijke Philips N.V. | Assistance device and method for an interventional hemodynamic measurement |
| US11087459B2 (en) | 2015-08-14 | 2021-08-10 | Elucid Bioimaging Inc. | Quantitative imaging for fractional flow reserve (FFR) |
| US11071501B2 (en) | 2015-08-14 | 2021-07-27 | Elucid Bioiwaging Inc. | Quantitative imaging for determining time to adverse event (TTE) |
| US11113812B2 (en) | 2015-08-14 | 2021-09-07 | Elucid Bioimaging Inc. | Quantitative imaging for detecting vulnerable plaque |
| US11676359B2 (en) | 2015-08-14 | 2023-06-13 | Elucid Bioimaging Inc. | Non-invasive quantitative imaging biomarkers of atherosclerotic plaque biology |
| US11094058B2 (en) | 2015-08-14 | 2021-08-17 | Elucid Bioimaging Inc. | Systems and method for computer-aided phenotyping (CAP) using radiologic images |
| US12008751B2 (en) | 2015-08-14 | 2024-06-11 | Elucid Bioimaging Inc. | Quantitative imaging for detecting histopathologically defined plaque fissure non-invasively |
| US10176408B2 (en) | 2015-08-14 | 2019-01-08 | Elucid Bioimaging Inc. | Systems and methods for analyzing pathologies utilizing quantitative imaging |
| US10438355B2 (en) * | 2015-11-10 | 2019-10-08 | General Electric Company | System and method for estimating arterial pulse wave velocity |
| KR101840106B1 (ko) * | 2016-02-04 | 2018-04-26 | 가톨릭대학교 산학협력단 | 의료영상을 이용한 혈류 분석 방법 |
| KR101797141B1 (ko) * | 2016-04-18 | 2017-11-13 | 성균관대학교산학협력단 | 자기 공명 영상 처리 장치 및 그 영상 처리 방법 |
| EP3461253B1 (en) | 2016-05-16 | 2023-08-09 | Cathworks Ltd. | Selection of vascular paths from images |
| WO2017199245A1 (en) | 2016-05-16 | 2017-11-23 | Cathworks Ltd. | System for vascular assessment |
| WO2018011411A1 (en) * | 2016-07-14 | 2018-01-18 | Koninklijke Philips N.V. | Apparatus, system and method for feedback on quality of property measurement in a vessel |
| WO2018031663A1 (en) | 2016-08-10 | 2018-02-15 | Heartflow, Inc. | Systems and methods for modeling nutrient transport and/or predicting weight change |
| CN106073750B (zh) * | 2016-08-29 | 2023-07-28 | 廖晓莉 | 心室供血异常检测装置及心脏脉波数据的间接采集处理方法 |
| EP3512416B1 (en) * | 2016-09-16 | 2023-11-08 | Koninklijke Philips N.V. | Apparatus and method for determining a fractional flow reserve |
| CN110168613B (zh) | 2016-09-20 | 2023-02-21 | 哈特弗罗公司 | 用于使用降阶模型和机器学习估计血流特性的系统和方法 |
| JP6975235B2 (ja) | 2016-11-22 | 2021-12-01 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 生物物理的シミュレーション用の血管樹標準化及び／又はプルーニングされた部分用の拡張シミュレーション |
| US10163209B2 (en) | 2016-11-23 | 2018-12-25 | Toshiba Medical Systems Corporation | Medical image processing apparatus, medical image processing method, and X-ray CT apparatus |
| EP3555778B1 (en) * | 2016-12-15 | 2020-10-21 | Sintef TTO AS | Method and process for providing a subject-specific computational model used for decision support and making diagnosis of cardiovascular diseases |
| JP7325331B2 (ja) * | 2017-06-30 | 2023-08-14 | コーニンクレッカ フィリップス エヌ ヴェ | 機械学習スペクトルｆｆｒ－ｃｔ |
| CA3078623A1 (en) | 2017-10-06 | 2019-04-11 | Emory University | Methods and systems for determining hemodynamic information for one or more arterial segments |
| CN111491555B (zh) | 2017-10-16 | 2024-06-21 | 麻省理工学院 | 用于非侵入性血液测量的系统、装置和方法 |
| KR101964918B1 (ko) * | 2017-10-17 | 2019-04-02 | 연세대학교 산학협력단 | 심장 전압 지도와 전위 활성화 지도에 기반한 심장 모델 생성 장치 및 방법 |
| US10522253B2 (en) * | 2017-10-30 | 2019-12-31 | Siemens Healthcare Gmbh | Machine-learnt prediction of uncertainty or sensitivity for hemodynamic quantification in medical imaging |
| US11871995B2 (en) | 2017-12-18 | 2024-01-16 | Hemolens Diagnostics Sp. Z O.O. | Patient-specific modeling of hemodynamic parameters in coronary arteries |
| CN110226923B (zh) * | 2018-03-05 | 2021-12-14 | 苏州润迈德医疗科技有限公司 | 一种无需血管扩张剂测量血流储备分数的方法 |
| EP3766080A1 (en) * | 2018-03-15 | 2021-01-20 | Koninklijke Philips Electronics N.V. | Method of estimating physiological parameters using medical image data |
| 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 |
| CN108742586B (zh) * | 2018-06-20 | 2021-04-02 | 博动医学影像科技（上海）有限公司 | 基于糖尿病病史信息获取血流特征值的方法及装置 |
| CN108742570B (zh) * | 2018-06-20 | 2021-10-01 | 博动医学影像科技（上海）有限公司 | 基于冠脉优势类型获取血管压力差的装置 |
| KR102078622B1 (ko) * | 2018-06-28 | 2020-04-07 | 연세대학교 산학협력단 | 협착 병변의 수학적 모델링을 이용한 심혈관 정보 결정 방법 |
| CN109410182B (zh) * | 2018-09-30 | 2019-11-08 | 语坤（北京）网络科技有限公司 | 一种图像处理方法及图像处理设备 |
| JP7467026B2 (ja) * | 2018-10-10 | 2024-04-15 | キヤノンメディカルシステムズ株式会社 | 医用情報処理装置、医用情報処理プログラム、医用情報処理システム |
| CN111166316B (zh) * | 2018-11-13 | 2023-03-21 | 苏州润迈德医疗科技有限公司 | 基于造影图像计算造影瞬时无波型比率和造影舒张期压力比率的方法 |
| CN109567776B (zh) * | 2018-12-31 | 2021-08-10 | 深圳北芯生命科技股份有限公司 | 用于测试ffr主机系统的导管模拟器 |
| US10813612B2 (en) | 2019-01-25 | 2020-10-27 | Cleerly, Inc. | Systems and method of characterizing high risk plaques |
| CN109805949B (zh) | 2019-03-19 | 2020-05-22 | 苏州润迈德医疗科技有限公司 | 基于压力传感器和造影图像计算血流储备分数的方法 |
| CN110215203B (zh) * | 2019-05-28 | 2021-10-22 | 上海联影医疗科技股份有限公司 | 心电信号获取方法、装置、计算机设备和存储介质 |
| CN114401669B (zh) | 2019-07-24 | 2023-01-17 | 麻省理工学院 | 用于甲襞成像装置的手指插入件 |
| US11508063B2 (en) | 2019-08-05 | 2022-11-22 | Elucid Bioimaging Inc. | Non-invasive measurement of fibrous cap thickness |
| 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 |
| 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 |
| WO2021141921A1 (en) | 2020-01-07 | 2021-07-15 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
| US11860154B2 (en) | 2020-05-28 | 2024-01-02 | Leuko Labs, Inc | Method to detect white blood cells and/or white blood cell subtypes from non-invasive capillary videos |
| US20230289963A1 (en) | 2022-03-10 | 2023-09-14 | Cleerly, Inc. | Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012021307A2 (en) | 2010-08-12 | 2012-02-16 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100530204C (zh) * | 2001-10-03 | 2009-08-19 | 雷蒂纳尔兹丹麦公司 | 评估图像中的损伤 |
| US20100130878A1 (en) * | 2008-11-24 | 2010-05-27 | General Electric Company | Systems, apparatus and processes for automated blood flow assessment of vasculature |
| US9451886B2 (en) | 2009-04-22 | 2016-09-27 | Rodrigo E. Teixeira | Probabilistic parameter estimation using fused data apparatus and method of use thereof |
| EP2480124B1 (en) * | 2009-09-23 | 2017-11-22 | Lightlab Imaging, Inc. | Lumen morphology and vascular resistance measurement data collection systems, apparatus and methods |
| EP2559002A1 (en) * | 2010-04-13 | 2013-02-20 | Koninklijke Philips Electronics N.V. | Image analysing |
| CN105474264B (zh) * | 2013-08-21 | 2019-08-06 | 皇家飞利浦有限公司 | 用于交互地分割在血管造影图像数据中的血管的分割装置 |
| US9773219B2 (en) * | 2014-04-01 | 2017-09-26 | Heartflow, Inc. | Systems and methods for using geometry sensitivity information for guiding workflow |
-
2013
- 2013-04-17 US US13/864,996 patent/US9424395B2/en active Active
-
2014
- 2014-02-27 AU AU2014226326A patent/AU2014226326B2/en not_active Ceased
- 2014-02-27 KR KR1020157023647A patent/KR101818645B1/ko active IP Right Grant
- 2014-02-27 CA CA2903146A patent/CA2903146C/en active Active
- 2014-02-27 CN CN201811268242.3A patent/CN109378076B/zh active Active
- 2014-02-27 EP EP14713283.1A patent/EP2800517B1/en active Active
- 2014-02-27 EP EP18198402.2A patent/EP3473184A1/en not_active Withdrawn
- 2014-02-27 WO PCT/US2014/019001 patent/WO2014137742A1/en active Application Filing
- 2014-02-27 CN CN201480012046.3A patent/CN105007819B/zh active Active
- 2014-02-27 JP JP2015560306A patent/JP6138972B2/ja active Active
-
2015
- 2015-12-18 US US14/974,158 patent/US9805168B2/en active Active
-
2016
- 2016-10-14 AU AU2016244309A patent/AU2016244309B2/en not_active Ceased
-
2017
- 2017-04-26 JP JP2017087514A patent/JP6466992B2/ja active Active
- 2017-08-04 US US15/668,943 patent/US11087884B2/en active Active
-
2019
- 2019-01-10 JP JP2019002673A patent/JP6751170B2/ja active Active
- 2019-02-01 AU AU2019200682A patent/AU2019200682A1/en not_active Abandoned
-
2020
- 2020-08-13 JP JP2020136619A patent/JP2020192357A/ja active Pending
- 2020-10-02 AU AU2020244586A patent/AU2020244586B2/en active Active
-
2021
- 2021-07-06 US US17/367,675 patent/US20210335497A1/en active Pending
- 2021-07-29 US US17/388,655 patent/US20210358635A1/en active Pending
- 2021-07-29 US US17/388,595 patent/US20210358634A1/en active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012021307A2 (en) | 2010-08-12 | 2012-02-16 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
Also Published As
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101818645B1 (ko) | 혈류 특성 모델링 감도 분석 방법 및 시스템 | |
| JP7483079B2 (ja) | 患者固有の幾何学的形状モデルを変更することによって治療を決定する方法及びシステム | |
| JP6634123B2 (ja) | 流量比を用いて血流の特徴を決定するシステム及び方法 | |
| AU2017200000B2 (en) | Method and system for modeling blood flow with boundary conditions for optimized diagnostic performance | |
| CN108109698B (zh) | 计算血流储备分数的系统和设置边界条件的方法 | |
| CN108122616B (zh) | 个体特异性的心血管模型的生成方法及其应用 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |