KR102336929B1 - 환자-특정 기하학적 모델들을 변경함으로써 치료들을 결정하기 위한 방법 및 시스템 - Google Patents

환자-특정 기하학적 모델들을 변경함으로써 치료들을 결정하기 위한 방법 및 시스템 Download PDF

Info

Publication number
KR102336929B1
KR102336929B1 KR1020217018903A KR20217018903A KR102336929B1 KR 102336929 B1 KR102336929 B1 KR 102336929B1 KR 1020217018903 A KR1020217018903 A KR 1020217018903A KR 20217018903 A KR20217018903 A KR 20217018903A KR 102336929 B1 KR102336929 B1 KR 102336929B1
Authority
KR
South Korea
Prior art keywords
model
patient
treatment options
mesh model
dimensional mesh
Prior art date
Application number
KR1020217018903A
Other languages
English (en)
Other versions
KR20210078577A (ko
Inventor
라이언 스필커
데이비드 에베를레
레오 그래디
Original Assignee
하트플로우, 인크.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 하트플로우, 인크. filed Critical 하트플로우, 인크.
Publication of KR20210078577A publication Critical patent/KR20210078577A/ko
Application granted granted Critical
Publication of KR102336929B1 publication Critical patent/KR102336929B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/101—Computer-aided simulation of surgical operations
    • A61B2034/102—Modelling of surgical devices, implants or prosthesis
    • A61B2034/104—Modelling the effect of the tool, e.g. the effect of an implanted prosthesis or for predicting the effect of ablation or burring
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/101—Computer-aided simulation of surgical operations
    • A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/107—Visualisation of planned trajectories or target regions
    • 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
    • G06T2207/20112—Image segmentation details
    • 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
    • G06T2207/30096—Tumor; Lesion
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Surgery (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Radiology & Medical Imaging (AREA)
  • Robotics (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Urology & Nephrology (AREA)
  • Quality & Reliability (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Human Computer Interaction (AREA)
  • Biophysics (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

시스템들 및 방법들이 환자에 대한 심혈관 치료 옵션들을 평가하기 위해 개시된다. 일 방법은 환자의 심장 또는 혈관계의 기하학적 구조에 대한 환자-특정 데이터에 기초하여 환자의 심장의 일 부분을 표현한 3-차원 모델을 생성하는 단계; 및 환자의 심장 또는 혈관계에 대한 복수의 치료 옵션들에 대해, 3-차원 모델 및 상기 3-차원 모델에 기초한 감소 차수 모델 중 적어도 하나를 변경하는 단계를 포함한다. 상기 방법은 또한 복수의 치료 옵션들의 각각에 대해, 변경된 3-차원 모델 및 변경된 감소 차수 모델 중 적어도 하나를 해결함으로써, 혈류 특성의 값을 결정하는 단계; 및 환자의 심장 또는 혈관계의 결정된 혈류 특성들, 및 복수의 치료 옵션들의 각각의 하나 이상의 비용들 중 적어도 하나의 함수를 해결하는 복수의 치료 옵션들 중 하나를 식별하는 단계를 포함한다.

Description

환자-특정 기하학적 모델들을 변경함으로써 치료들을 결정하기 위한 방법 및 시스템{METHOD AND SYSTEM FOR DETERMINING TREATMENTS BY MODIFYING PATIENT-SPECIFIC GEOMETRICAL MODELS}
우선권
본 출원은 2013년 3월 1일에 출원된, 미국 출원 번호 제13/782,307호에 대한 우선권을 주장하며, 이것은 여기에 전체가 참조로서 통합된다.
실시예들은 환자 치료 옵션들을 결정하기 위한 방법들 및 시스템들을 포함하며, 보다 특히 환자-특정 기하학적 모델들을 변경함으로써 치료 옵션들을 결정하기 위한 방법들 및 시스템들을 포함한다.
관상 동맥 질환은 협착(혈관의 비정상적인 협소화)과 같은, 심장에 혈액을 제공하는 혈관들에서의 관상 동맥 병변들을 생성할 수 있다. 그 결과, 심장으로의 혈류가 제한될 수 있다. 관상 동맥 질환으로 고통받는 환자는 신체 활동 동안의 만성적 안정 협심증 또는 환자가 움직이지 않을 때의 안정되지 않은 협심증으로서 불리우는, 가슴 통증을 경험할 수 있다. 질환의 보다 심각한 징후은 심근 경색증, 또는 심장 마비로 이어질 수 있다.
요구는 관상 동맥 병변들에 관한 보다 정확한 데이터, 예로서 크기, 형태, 위치, 기능적 의의(예로서, 병변이 혈류에 영향을 미치는지 여부) 등을 제공하기 위해 존재한다. 가슴 통증으로부터 고통받고 및/또는 관상 동맥 질환의 증상들을 보이는 환자들은 관상 동맥 병변들에 관한 몇몇 간접적인 증거를 제공할 수 있는 하나 이상의 테스트들의 대상이 될 수 있다. 예를 들면, 비침투성 테스트들은 심전도들, 혈액 테스트들로부터의 생체 지표 평가, 트레드밀 테스트들, 심장 초음파, 단일 광자 방출 단층 촬영술(single positron emission computed tomography; SPECT), 및 양전자 방출 촬영술(PET)을 포함할 수 있다. 이들 비침투성 테스트들은, 그러나 통상적으로 관상 동맥 병변들의 직접적 평가를 제공하거나 또는 혈류량들을 평가하지 않는다. 비침투성 테스트들은 심장의 전기적 활동에서의 변화들(예로서, 심전도 검사(ECG)를 사용하여), 심근의 모션(예로서, 스트레스 심장 초음파를 사용하여), 심근의 관류(예로서, PET 또는 SPECT를 사용하여), 또는 대사 변화들(예로서, 생체 지표들을 사용하여)을 찾음으로써 관상 동맥 병변들의 간접적 증거를 제공할 수 있다.
예를 들면, 해부학적 데이터가 관상 동맥 전산화 단층 촬영술(CCTA)을 사용하여 비침투성으로 획득될 수 있다. CCTA는 가슴 통증을 가진 환자들의 이미징을 위해 사용될 수 있으며 조영제의 정맥 내 주입을 따르는 심장 및 관상 동맥들을 이미징하기 위해 컴퓨터 단층 촬영(CT) 기술을 사용하는 것을 수반한다. 그러나, CCTA는 또한 관상 동맥 병변들의 기능적 의의에 대한, 예로서, 병변들이 혈류에 영향을 미치는지에 대한 직접 정보를 제공할 수 없다. 또한, CCTA가 전적으로 진단 테스트이므로, 그것은 다른 생리적 상태들, 예로서 운동 하에서 관상 동맥 혈류, 압력, 또는 심근 관류에서의 변화들을 예측하기 위해 사용될 수도 없으며, 중재들의 결과들을 예측하기 위해서도 사용될 수 없다.
따라서, 환자들은 또한 관상 동맥 병변들을 가시화하기 위해, 진단 심장 카테터법과 같은, 비침투성 테스트를 요구할 수 있다. 진단 심장 카테터법은 동맥들의 크기 및 형태의 이미지를 의사에게 제공함으로써 관상 동맥 병변들에 대한 해부학적 데이터를 수집하기 위해 종래의 관상 동맥 혈관 조영술(CCA)을 수행하는 것을 포함할 수 있다. 그러나, CCA는 관상 동맥 병변들의 기능적 의의를 평가하기 위한 데이터를 제공하지 않는다. 예를 들면, 의사는 병변이 기능적으로 중요한지를 결정하지 않고 관상 동맥 병변이 해로운지를 진단할 수 없을 것이다. 따라서, CCA는 병변이 기능적으로 중요한지 여부에 관계없이 CCA를 갖고 발견된 모든 병변에 대한 스텐트를 삽입하기 위해 몇몇 중재적 심장 전문의들의 "오클로스데노틱 리플렉스(oculostenotic reflex)"로서 불리워지는 것으로 이어진다. 그 결과, CCA는 환자에 대한 불필요한 수술들을 야기할 수 있으며, 이것은 환자들에 부가된 위험들을 제기할 수 있으며 환자들에 대한 불필요한 의료 서비스 비용들을 야기할 수 있다.
진단 심장 카테터법 동안, 관상 동맥 병변의 기능적 의의는 관찰된 병변의 분획 혈류 예비력(fractional flow reserve; FFR)을 측정함으로써 비침투성으로 평가될 수 있다. FFR은 예로서, 아데노신의 정맥 내 관리에 의해 유도된, 증가된 관상 동맥 혈류의 상태들하에서, 병변으로부터 위쪽으로의 평균 혈압, 예로서 대동맥 혈압에 의해 나누어진 병변의 아래쪽으로의 평균 혈압의 비로서 정의된다. 혈압들은 환자에 전압선을 삽입함으로써 측정될 수 있다. 따라서, 결정된 FFR에 기초하여 병변을 치료하기 위한 결정은 진단 심장 카테터법의 초기 비용 및 위험이 이미 발생된 후 이루어질 수 있다.
따라서, 관상 동맥 해부학, 심근 관류, 및 관상 동맥류를 비침투성으로 평가하기 위한 방법에 대한 요구가 존재한다. 이러한 방법 및 시스템은 의심되는 관상 동맥 질환을 가진 환자들을 진단하며 그에 대한 치료들을 계획하는 심장 전문의들에게 유용할 수 있다. 또한, 직접 측정될 수 없는 상태들, 예로서 운동 하에서 관상 동맥류 및 심근 관류를 예측하기 위한, 및 관상 동맥 혈류 및 심근 관류에 대한 의료적, 중재적, 및 수술 치료들의 결과들을 예측하기 위한 방법에 대한 요구가 존재한다.
또한, 비침투성으로 평가된 관상 동맥 해부학을 분석함으로써, 복수의 실현 가능한 치료 옵션들(예로서, 모든 가능한 관상 동맥 중재술(PCI) 또는 관상 동맥 우회술(CABG) 옵션들)로부터 최적의 치료 옵션을 자동으로 식별하기 위한 요구가 존재한다.
특정한 실시예들에서, 시스템들은 환자에 대한 심혈관 치료 옵션들을 평가하기 위해 개시된다. 시스템은: 환자의 심장 또는 혈관계의 기하학적 구조에 관한 환자-특정 데이터에 기초하여 상기 환자의 심장 또는 혈관계의 적어도 일 부분을 표현한 3-차원 모델을 평가하며; 상기 환자의 심장 또는 혈관계의 적어도 일 부분을 치료하기 위한 복수의 치료 옵션들의 각각에 대해, 상기 3-차원 모델 및 상기 3-차원 모델에 기초한 감소 차수 모델 중 적어도 하나를 변경하도록 구성된 적어도 하나의 컴퓨터 시스템을 포함한다. 상기 컴퓨터 시스템은 또한, 상기 복수의 치료 옵션들의 각각에 대해, 상기 변경된 3-차원 모델 및 상기 변경된 감소 차수 모델 중 적어도 하나를 해결함으로써, 혈류 특성의 값을 결정하며; 상기 환자의 심장 또는 혈관계의 상기 결정된 혈류 특성들, 및 상기 복수의 치료 옵션들의 각각의 하나 이상의 비용들 중 적어도 하나의 함수를 해결하는 상기 복수의 치료 옵션들 중 하나를 식별하도록 구성된다.
특정한 실시예들에서, 상기 컴퓨터 시스템은, 상기 복수의 치료 옵션들의 각각에 대해, 기하학적 변경 기술을 사용하여 상기 3-차원 모델을 변경하도록 구성된다. 상기 컴퓨터 시스템은 상기 복수의 치료 옵션들의 각각에 대해, 구조적 입체 기하학적 통합을 사용하여 상기 3-차원 모델을 변경하도록 구성된다. 상기 컴퓨터 시스템은 상기 복수의 치료 옵션들의 각각에 대해, 탄성 변형 변경 기술을 사용하여 상기 3-차원 모델을 변경하도록 구성된다. 상기 컴퓨터 시스템은, 상기 복수의 치료 옵션들의 각각에 대해, 삽입된 스텐트 또는 우회술의 시뮬레이션된 위치에 기초하여 상기 3-차원 모델을 변경하도록 구성된다. 상기 컴퓨터 시스템은 혈류 특성의 미리 결정된 임계 레벨을 보이는 위치들에서 상기 복수의 치료 옵션들의 각각에 대한 서브세트를 위한 3-차원 모델을 변경하도록 구성된다.
특정한 실시예들에서, 상기 컴퓨터 시스템은: 상기 3-차원 모델에 기초하여, 환자의 심장 또는 혈관계의 혈류 특성에 관한 상기 감소 차수 모델을 생성하며; 각각의 가능한 치료 옵션의 유형 및 위치와 연관되도록 추정된 저항 값을 사용하여, 각각의 가능한 치료 옵션에 대한 상기 감소 차수 모델을 변경하도록 구성된다. 상기 컴퓨터 시스템은 이전 구현된 치료 옵션들의 알려진 치수 또는 기하학적 구조와 연관된 알려진 저항 값들의 이력 데이터로부터 가능한 치료 옵션들과 연관된 저항 값들을 결정하도록 구성된다. 목적 함수는 환자의 관상 동맥 혈관계에서 혈류를 최대화하거나 또는 압력 변화들을 최소화하도록 구성된다. 목적 함수는: 스텐트들 또는 우회술들의 수들을 증가시키는 것; 보다 작은 혈관들과 대조적으로, 보다 큰 혈관들에서의 FFR 값들의 감소; 삽입된 스텐트들의 근접성을 증가시키는 것; 치료 비용들; 및 분기들의 존재 또는 수, 중 하나 이상에 페널티를 주도록 구성된다. 환자의 심장의 적어도 일 부분을 표현한 3-차원 모델은 대동맥의 적어도 일 부분 및 상기 대동맥의 부분에서 나오는 복수의 관상 동맥들의 적어도 일 부분을 포함한다.
특정한 실시예들에서, 혈류 특성은 대동맥에서의 압력 및 복수의 관상 동맥들에서의 위치에서의 압력 사이에서의 비를 표시하며; 상기 컴퓨터 시스템은 상기 복수의 관상 동맥들에서의 복수의 위치들에서 혈류 특성을 결정하도록 구성된다. 상기 환자-특정 데이터는 컴퓨터 단층 촬영 또는 자기 공명 이미징 기술들에 의해 제공된 이미징 데이터를 포함한다. 감소 차수 모델은 상기 3-차원 모델의 경계들을 통한 혈류를 표현한 적어도 하나의 집중 파라미터 모델을 포함한다. 상기 컴퓨터 시스템은 충혈의 레벨, 운동의 레벨, 또는 약물 중 적어도 하나와 연관된 파라미터를 사용하여 혈류 특성을 결정하도록 구성된다.
특정한 실시예들에서, 방법들은 환자를 위한 심혈관 치료 옵션들을 평가하기 위해 개시된다. 하나의 방법은 환자의 심장 또는 혈관계의 기하학적 구조에 관한 환자-특정 데이터에 기초하여 상기 환자의 심장 또는 혈관계의 적어도 일 부분을 표현한 3-차원 모델을 생성하는 단계; 및 상기 환자의 심장 또는 혈관계의 적어도 일 부분을 치료하기 위한 복수의 치료 옵션들의 각각에 대해, 상기 3-차원 모델 및 상기 3-차원 모델에 기초한 감소 차수 모델 중 적어도 하나를 변경하는 단계를 포함한다. 상기 방법은 또한 상기 복수의 치료 옵션들의 각각에 대해, 상기 변경된 3-차원 모델 및 상기 변경된 감소 차수 모델 중 적어도 하나를 해결함으로써, 혈류 특성의 값을 결정하는 단계; 및 상기 환자의 심장 또는 혈관계의 상기 결정된 혈류 특성들, 및 상기 복수의 치료 옵션들의 각각의 하나 이상의 비용들 중 적어도 하나의 함수를 해결하는 상기 복수의 치료 옵션들 중 하나를 식별하는 단계를 포함한다.
특정한 실시예들에서, 상기 방법은, 상기 복수의 치료 옵션들의 각각에 대해, 기하학적 변경 기술; 구조적 입체 기하학적 통합; 및 탄성 변형 변경 기술 중 적어도 하나를 사용하여 상기 3-차원 모델을 변경하는 단계를 포함한다. 상기 방법은 상기 복수의 치료 옵션들의 각각에 대해, 삽입된 스텐트 또는 우회술의 시뮬레이션된 위치에 기초하여 상기 3-차원 모델을 변경하는 단계를 더 포함한다. 상기 방법은 혈류 특성의 미리 결정된 임계 레벨을 보이는 위치들에서 상기 복수의 치료 옵션들의 각각의 서브세트에 대한 상기 3-차원 모델을 변경하는 단계를 더 포함한다.
상기 방법은 상기 3-차원 모델에 기초하여, 상기 환자의 심장 또는 혈관계의 혈류 특성에 관한 상기 감소 차수 모델을 생성하는 단계; 및 각각의 가능한 치료 옵션의 유형 및 위치와 연관되도록 추정된 저항 값을 사용하여, 상기 각각의 가능한 치료 옵션에 대한 상기 감소 차수 모델을 변경하는 단계를 더 포함한다. 상기 방법은 이전 구현된 치료 옵션들의 알려진 치수 또는 기하학적 구조와 연관된 알려진 저항 값들의 이력 데이터로부터 가능한 치료 옵션들과 연관된 저항 값들을 결정하는 단계를 더 포함한다.
목적 함수는 환자의 관상 동맥 혈관계에서 혈류를 최대화하거나 또는 압력 변화들을 최소화하도록 구성된다. 상기 목적 함수는: 스텐트들 또는 우회술들의 수들을 증가시키는 것; 보다 작은 혈관들과 대조적으로, 보다 큰 혈관들에서의 FFR 값들의 감소; 삽입된 스텐트들의 근접성을 증가시키는 것; 치료 비용들; 및 분기들의 존재 또는 수, 중 하나 이상에 페널티를 주도록 구성된다. 상기 환자의 심장의 적어도 일 부분을 표현한 상기 3-차원 모델은 대동맥의 적어도 일 부분 및 상기 대동맥의 부분에서 나오는 복수의 관상 동맥들의 적어도 일 부분을 포함한다. 혈류 특성은 상기 대동맥에서의 압력 및 상기 복수의 관상 동맥들에서의 위치에서의 압력 사이에서의 비를 표시하며; 상기 컴퓨터 시스템은 상기 복수의 관상 동맥들에서의 복수의 위치들에서 혈류 특성을 결정하도록 구성된다.
상기 환자-특정 데이터는 컴퓨터 단층 촬영 또는 자기 공명 이미징 기술들에 의해 제공된 이미징 데이터를 포함한다. 상기 감소 차수 모델은 상기 3-차원 모델의 경계들을 통한 혈류를 표현한 적어도 하나의 집중 파라미터 모델을 포함한다. 상기 방법은 충혈의 레벨, 운동의 레벨, 또는 약물 중 적어도 하나와 연관된 파라미터를 사용하여 상기 혈류 특성을 결정하는 단계를 더 포함한다.
앞서 말한 일반적인 설명 및 다음의 상세한 설명은 단지 대표적이고 설명적이며 개시를 제한하지 않는다.
부가적인 실시예들 및 이점들은 이어지는 설명에서 부분적으로 제시될 것이며 부분적으로 설명으로부터 명백할 것이거나, 또는 개시의 실시에 의해 학습될 수 있다. 실시예들 및 이점들은 특히 이하에 언급된 요소들 및 조합들에 의해 실현되고 달성될 것이다.
본 명세서에 통합되며 그 일부를 구성하는, 첨부한 도면들은 여러 개의 실시예들을 예시하며, 설명과 함께, 개시의 원리들을 설명하도록 작용한다.
도 1은 대표적인 실시예에 따라, 특정 환자에서의 관상 동맥 혈류에 관한 다양한 정보를 제공하기 위한 시스템의 개략적 다이어그램이다.
도 2는 대표적인 실시예에 따라, 특정 환자에서의 혈류에 관한 다양한 정보를 제공하기 위한 방법의 흐름도이다.
도 3은 도 2의 방법의 서브단계들을 도시한 흐름도이다.
도 4는 대표적인 실시예에 따른, 환자로부터 비침투성으로 획득된 이미징 데이터를 도시한다.
도 5는 도 4의 이미징 데이터를 사용하여 생성된 대표적인 3-차원 모델을 도시한다.
도 6은 제 1 초기 모델을 형성하기 위한 시드들을 포함한 도 4의 이미징 데이터의 슬라이스의 일 부분을 도시한다.
도 7은 도 6의 시드들을 확대함으로써 형성된 제 1 초기 모델의 일 부분을 도시한다.
도 8은 대표적인 실시예에 따른, 절단된 입체 모델을 도시한다.
도 9는 환자가 움직이지 않을 때 대표적인 계산형 FFR(cFFR)을 도시한다.
도 10은 환자가 최대 충혈 하에 있을 때 대표적인 cFFR 모델을 도시한다.
도 11은 환자가 최대 운동하에 있을 때 대표적인 cFFR 모델을 도시한다.
도 12는 대표적인 실시예에 따라, 집중 파라미터 모델을 형성하기 위해 제공된 절단된 입체 모델의 일 부분을 도시한다.
도 13은 집중 파라미터 모델을 형성하기 위해 제공된, 도 12의 절단된 입체 모델을 위한 중심선들의 일 부분을 도시한다.
도 14는 집중 파라미터 모델을 형성하기 위해 제공된, 도 12의 절단된 입체 모델에 기초하여 형성된 세그먼트들을 도시한다.
도 15는 집중 파라미터 모델을 형성하기 위해 제공된, 저항기들에 의해 대체된 도 14의 세그먼트들을 도시한다.
도 16은 대표적인 실시예에 따라, 입체 모델의 유입 및 유출 경계들에서 업스트림 및 다운스트림 구조들을 표현한 대표적인 집중 파라미터 모델들을 도시한다.
도 17은 도 8의 입체 모델에 기초하여 준비된 3-차원 메시를 도시한다.
도 18 및 도 19는 도 17의 3-차원 메시의 부분들을 도시한다.
도 20은 개개의 참조 라벨들에 의해 식별된 모델 상에서 특정 포인트들을 가진 혈류 정보를 포함한 환자의 해부학의 모델을 도시한다.
도 21은 대동맥에서 및 도 20에서 식별된 포인트들 중 몇몇에서 시간에 걸쳐 시뮬레이션된 혈압의 그래프이다.
도 22는 도 20에서 식별된 포인트들의 각각에서 시간에 걸쳐 시뮬레이션된 혈류의 그래프이다.
도 23은 대표적인 실시예에 따른, 완성된 보고서다.
도 24는 대표적인 실시예에 따라, 특정 환자에서의 관상 동맥 혈류에 관한 다양한 정보를 제공하기 위한 방법의 흐름도이다.
도 25는 대표적인 실시예에 따라, LCX 동맥의 일 부분 및 좌전 하행(left anterior descending; LAD) 동맥의 일 부분을 넓힘으로써 생성된 입체 모델에 기초하여 결정된 변경된 cFFR 모델을 도시한다.
도 26은 대표적인 실시예에 따라, LAD 동맥의 일 부분 및 좌회선(left circumflex; LCX) 동맥의 일 부분을 넓힘으로써 변경된 시뮬레이션된 혈류 모델의 예를 도시한다.
도 27은 대표적인 실시예에 따라, 감소 차수 모델을 사용하여 다양한 치료 옵션들을 시뮬레이션하기 위한 방법의 흐름도이다.
도 28은 또 다른 대표적인 실시예에 따라, 감소 차수 모델을 사용하여 다양한 치료 옵션들을 시뮬레이션하기 위한 방법의 흐름도이다.
도 29는 환자-특정 기하학적 모델을 변경함으로써 최적의 치료 옵션을 결정하기 위한 방법의 흐름도이다.
도 30은 환자-특정 기하학적 모델을 변경하기 위한 기하학적 도메인 변경 기술의 방법의 대표적인 실시예를 묘사한다.
도 31a는 환자-특정 기하학적 모델을 변경하기 위한 기하학적 도메인 변경 기술의 대표적인 방법의 단계의 다이어그램을 묘사한다.
도 31b는 환자-특정 기하학적 모델을 변경하기 위한 기하학적 도메인 변경 기술의 대표적인 방법의 또 다른 단계의 다이어그램을 묘사한다.
도 32는 대표적인 제안된 스텐트 기하학적 구조의 삼각형 메시의 그래픽 표현을 묘사한다.
도 33a는 혈관의 가시적 협소화로서 나타나는 협착 부분을 가진 대표적인 원래의 환자 기하학적 구조의 삼각형 메시의 그래픽 표현을 묘사한다.
도 33b는 도 33a에 묘사된 대표적인 원래의 환자 기하학적 메시 및 도 32에 묘사된 대표적인 스텐트 메시 기하학적 구조 사이에서의 통합에 기인한 삼각형 메시의 그래픽 표현을 묘사한다.
도 34는 환자-특정 기하학적 모델을 변경하기 위해 탄성 변형 기술을 수행하기 위한 대표적인 방법을 묘사한다.
그 예들이 첨부한 도면들에 예시되는, 대표적인 실시예들에 대한 참조가 이제 상세히 이루어질 것이다. 가능한 때마다, 동일한 참조 부호들은 동일하거나 또는 유사한 부분들을 나타내기 위해 도면들 전체에 걸쳐 사용될 것이다. 이러한 설명은 다음의 개요에 따라 조직된다.
I. 개요
II. 환자-특정 해부학적 데이터를 획득하는 것 및 전처리하는 것
III. 획득된 해부학적 데이터에 기초하여 3-차원 모델을 생성하는 것
IV. 분석을 위한 모델을 준비하는 것 및 경계 조건들을 결정하는 것
A. 분석을 위한 모델을 준비하는 것
B. 경계 조건들을 결정하는 것
i. 감소 차수 모델들을 결정하는 것
ii. 대표적인 집중 파라미터 모델들
C. 3-차원 메시를 생성하는 것
V. 계산적 분석을 수행하는 것 및 결과들을 출력하는 것
A. 계산적 분석을 수행하는 것
B. 혈압, 흐름, 및 cFFR에 대한 결과들을 디스플레이하는 것
C. 결과들을 검증하는 것
D. 관상 동맥 혈류 정보를 제공하기 위한 시스템 및 방법의 또 다른 실시예
VI. 환자-특정 치료 계획을 제공하는 것
A. 상이한 치료 옵션들을 비교하기 위해 감소 차수 모델들을 사용하는 것
B. 치료 옵션들을 최적화하기 위해 환자-특정 기하학적 모델들을 변경하는 것
I. 개요
대표적인 실시예에서, 방법 및 시스템은 비침투성으로 환자로부터 검색된 정보를 사용하여 특정 환자에서의 혈류에 관한 다양한 정보를 결정한다. 결정된 정보는 환자의 관상 동맥 혈관계에서의 혈류와 관련된다. 대안적으로, 추가로 상세히 이하에 설명될 바와 같이, 결정된 정보는 경동맥, 말초, 복부, 신장, 및 뇌 혈관계와 같은, 환자의 혈관계의 다른 영역들에서의 혈류와 관련될 수 있다. 관상 동맥 혈관계는 범위가 큰 동맥들로부터 소동맥들, 모세 혈관들, 세정맥들, 정맥들 등에 이르는 혈관들의 복잡한 네트워크를 포함한다. 관상 동맥 혈관계는 심장으로 및 그것 내에서 혈액을 순환시키며 복수의 주 관상 동맥들(4)(도 5)(예로서, 좌전 하행(LAD) 동맥, 좌회선(LCX) 동맥, 우 관상(RCA) 동맥 등)에 혈액을 공급하는 대동맥(2)(도 5)을 포함하며, 이것은 대동맥(2) 및 주 관상 동맥들(4)로부터 아래쪽으로 동맥들 또는 다른 유형들의 혈관들의 분지들로 추가로 분할할 수 있다. 따라서, 대표적인 방법 및 시스템은 대동맥, 주 관상 동맥들, 및/또는 주 관상 동맥들로부터 아래쪽으로 다른 관상 동맥들 또는 혈관들 내에서의 혈류에 관한 다양한 정보를 결정할 수 있다. 대동맥 및 관상 동맥들(및 그로부터 연장되는 분지들)이 이하에 논의되지만, 개시된 방법 및 시스템은 또한 다른 유형들의 혈관들에 적용할 수 있다.
대표적인 실시예에서, 개시된 방법들 및 시스템들에 의해 결정된 정보는, 이에 제한되지 않지만, 대동맥, 주 관상 동맥들, 및/또는 주 관상 동맥들로부터 아래쪽으로의 다른 관상 동맥들 또는 혈관들에서의 다양한 위치들에서 혈류 속도, 압력(또는 그것의 비), 유량, 및 FFR과 같은, 다양한 혈류 특성들 또는 파라미터들을 포함할 수 있다. 이러한 정보는 병변이 기능적으로 중요한지 및/또는 병변을 치료할지를 결정하기 위해 사용될 수 있다. 이러한 정보는 환자로부터 비침투성으로 획득된 정보를 사용하여 결정될 수 있다. 그 결과, 병변을 치료할지에 대한 결정은 비침투성 절차들과 연관된 비용 및 위험 없이 이루어질 수 있다.
도 1은 대표적인 실시예에 따라, 특정 환자에서의 관상 동맥 혈류에 관한 다양한 정보를 제공하기 위한 시스템의 양상들을 도시한다. 환자의 해부학의 3-차원 모델(10)이 보다 상세히 이하에 설명될 바와 같이 환자로부터 비침투성으로 획득된 데이터를 사용하여 생성될 수 있다. 다른 환자-특정 정보가 또한 비침투성으로 획득될 수 있다. 대표적인 실시예에서, 3-차원 모델(10)에 의해 표현되는 환자의 해부학의 부분은 대동맥의 적어도 일 부분 및 상기 대동맥에 연결된 주 관상 동맥들(및 그로부터 연장되거나 또는 그로부터 나온 분지들)의 근위 부분을 포함할 수 있다.
관상 동맥 혈류에 관한 다양한 생리적 법칙들 또는 관계들(20)이 예로서 이하에서 보다 상세히 설명될 바와 같이 실험 데이터로부터 추론될 수 있다. 3-차원 해부학적 모델(10) 및 추론된 생리적 법칙(20)을 사용하여, 관상 동맥 혈류에 관한 복수의 식들(30)이 이하에서 보다 상세히 설명될 바와 같이 결정될 수 있다. 예를 들면, 식들(30)은 임의의 수치 방법, 예로서 유한 차분, 유한 체적, 스펙트럼, 격자 볼츠만, 입자-기반, 레벨 세트, 유한 요소 방법들 등을 사용하여 결정되며 풀릴 수 있다. 식들(30)은 모델(10)에 의해 표현된 해부학에서의 다양한 포인트들에서 환자의 해부학에서의 관상 동맥 혈류에 관한 정보(예로서, 압력, 속도, FFR 등)를 결정하기 위해 풀릴 수 있다.
식들(30)은 컴퓨터(40)를 사용하여 풀릴 수 있다. 풀린 식들에 기초하여 컴퓨터(40)는 모델(10)에 의해 표현된 환자의 해부학에서의 혈류에 관한 정보를 표시한 하나 이상의 이미지들 또는 시뮬레이션들을 출력할 수 있다. 예를 들면, 이미지(들)는 이하에 추가로 상세히 설명될 바와 같이, 시뮬레이션된 혈압 모델(50), 시뮬레이션된 혈류 또는 속도 모델(52), 계산형 FFR(cFFR) 모델(54) 등을 포함할 수 있다. 시뮬레이션된 혈압 모델(50), 시뮬레이션된 혈류 모델(52), 및 cFFR 모델(54)은 모델(10)에 의해 표현된 환자의 해부학에서의 3차원들을 따라 다양한 위치들에서 각각의 압력, 속도, 및 cFFR에 관한 정보를 제공한다. cFFR은 증가된 관상 동맥 혈류의 조건들 하에서, 예로서 종래에 아데노신의 정맥 내 관리에 의해 유도된, 대동맥에서의 혈압에 의해 나누어진 모델(10)에서의 특정한 위치에서, 예로서 모델(10)의 유입 경계에서 혈압의 비로서 산출될 수 있다.
대표적인 실시예에서, 컴퓨터(40)는 프로세서, 컴퓨터 시스템 등에 의해 실행될 때, 환자에서의 혈류에 관한 다양한 정보를 제공하기 위해 여기에 설명된 동작들 중 임의의 것을 수행할 수 있는 지시들을 저장하는 하나 이상의 비-일시적 컴퓨터-판독 가능한 저장 디바이스들을 포함할 수 있다. 컴퓨터(40)는 데스크탑 또는 휴대용 컴퓨터, 워크스테이션, 서버, 개인용 디지털 보조기, 또는 임의의 다른 컴퓨터 시스템을 포함할 수 있다. 컴퓨터(40)는 프로세서, 판독-전용 메모리(ROM), 랜덤 액세스 메모리(RAM), 주변 디바이스들(예로서, 입력 디바이스, 출력 디바이스, 저장 디바이스 등)을 연결하기 위한 입력/출력(I/O) 어댑터, 키보드, 마우스, 터치 스크린, 음성 입력, 및/또는 다른 디바이스들과 같은 입력 디바이스들을 연결하기 위한 사용자 인터페이스 어댑터, 네트워크에 컴퓨터(40)를 연결하기 위한 통신 어댑터, 디스플레이에 컴퓨터(40)를 연결하기 위한 디스플레이 어댑터 등을 포함할 수 있다. 예를 들면, 디스플레이는 시뮬레이션된 혈압 모델(50), 시뮬레이션된 혈류 모델(52), 및/또는 cFFR 모델(54)과 같은, 식들(30)을 해결함으로써 생성된 임의의 이미지들 및/또는 3차원 모델(10)을 디스플레이하기 위해 사용될 수 있다.
도 2는 또 다른 대표적인 실시예에 따라, 특정 환자에서의 혈류에 관한 다양한 정보를 제공하기 위한 방법의 양상들을 도시한다. 방법은 환자의 해부학(예로서, 대동맥의 적어도 일 부분 및 대동맥에 연결된 주 관상 동맥들(및 그로부터 연장된 분지들)의 근위 부분)에 관한 정보와 같은, 환자-특정 해부학적 데이터를 획득하는 단계, 및 상기 데이터를 전처리하는 단계(단계 100)를 포함할 수 있다. 환자-특정 해부학적 데이터는 이하에 설명될 바와 같이, 비침투성으로, 예로서 CCTA에 의해 획득될 수 있다.
환자의 해부학의 3-차원 모델은 획득된 해부학적 데이터에 기초하여 생성될 수 있다(단계 200). 예를 들면, 3-차원 모델은 도 1과 관련되어 상기 설명된 환자의 해부학의 3-차원 모델(10)일 수 있다.
3-차원 모델은 분석을 위해 준비될 수 있으며 경계 조건들이 결정될 수 있다(단계 300). 예를 들면, 도 1과 관련되어 상기 설명된 환자의 해부학의 3-차원 모델(10)은 절단되며 체적 메시, 예로서 유한 요소 또는 유한 체적 메시로 분리화될 수 있다. 체적 메시는 도 1과 관련되어 상기 설명된 식들(30)을 생성하기 위해 사용될 수 있다.
경계 조건들이 또한 할당되며 도 1과 관련되어 상기 설명된 식들(30)로 통합될 수 있다. 경계 조건들은 그것의 경계들, 예로서 유입 경계들(322)(도 8), 유출 경계들(324)(도 8), 혈관 벽 경계들(326)(도 8) 등에서 3-차원 모델(10)에 대한 정보를 제공한다. 유입 경계들(322)은 흐름이, 대동맥근 가까이에 있는 대동맥의 단부(예로서, 도 16에 도시된 단부(A))에서와 같은, 3-차원 모델의 해부학으로 향해지는 경계들을 포함할 수 있다. 각각의 유입 경계(322)는 경계 등에 심장 모델 및/또는 집중 파라미터 모델을 결합함으로써, 예로서 속도, 유량, 압력, 또는 다른 특성을 위한 규정된 값 또는 필드를 갖고, 할당될 수 있다. 유출 경계들(324)은 흐름이 대동맥 궁 가까이에 있는 대동맥의 단부(예로서, 도 16에 도시된 단부(B)), 및 주 관상 동맥들 및 그로부터 연장된 분지들의 다운스트림 단부들(예로서, 도 16에 도시된 단부들(a-m))에서와 같은, 3-차원 모델의 해부학으로부터 바깥쪽으로 향해지는 경계들을 포함할 수 있다. 각각의 유출 경계는 이하에 상세히 설명될 바와 같이, 예로서 집중 파라미터 또는 분산(예로서, 1-차원 파동 전파) 모델을 결합함으로써, 할당될 수 있다. 유입 및/또는 유출 경계 조건들에 대한 규정된 값들은, 이에 제한되지 않지만, 심박출량(심장으로부터의 혈류의 양), 혈압, 심근 질량 등과 같은, 환자의 생리적 특성들을 비침투성으로 측정함으로써 결정될 수 있다. 혈관 벽 경계들은 3-차원 모델(10)의 대동맥, 주 관상 동맥들, 및/또는 다른 관상 동맥들 또는 혈관들의 물리적 경계들을 포함할 수 있다.
계산적 분석이 환자에 대한 혈류 정보를 결정하기 위해 준비된 3-차원 모델 및 결정된 경계 조건들을 사용하여 수행될 수 있다(단계 400). 예를 들면, 계산적 분석은 시뮬레이션된 혈압 모델(50), 시뮬레이션된 혈류 모델(52), 및/또는 cFFR 모델(54)과 같은, 도 1과 관련되어 상기 설명된 이미지들을 생성하기 위해 도 1과 관련되어 상기 설명된 컴퓨터(40)를 사용하여 식들(30)을 갖고 수행될 수 있다.
방법은 또한 결과들을 사용하여 환자-특정 치료 옵션들을 제공하는 단계(단계 500)를 포함할 수 있다. 예를 들면, 단계(200)에서 생성된 3-차원 모델(10) 및/또는 단계(300)에서 할당된 경계 조건들은 예로서, 3-차원 모델(10) 또는 다른 치료 옵션들에서 표현된 관상 동맥들 중 하나에 관상 동맥 스텐트를 위치시키는, 하나 이상의 치료들을 모델링하기 위해 조정될 수 있다. 그 후, 계산적 분석은 혈압 모델(50), 혈류 모델(52), 및/또는 cFFR 모델(54)의 업데이트된 버전들과 같은, 새로운 이미지들을 생성하기 위해 단계(400)에서 상기 설명된 바와 같이 수행될 수 있다. 이들 새로운 이미지들은 치료 옵션(들)이 채택된다면 혈류 속도 및 압력에서의 변화를 결정하기 위해 사용될 수 있다.
여기에 설명된 시스템들 및 방법들은 관상 동맥들에서의 혈류를 수량화하기 위해 및 관상 동맥 질환의 기능적 의의를 평가하기 위해 비침투성 수단을 제공하기 위해 의사들에 의해 평가된 소프트웨어 툴로 통합될 수 있다. 또한, 의사들은 관상 동맥 혈류에 대한 의학적, 중재적, 및/또는 수술적 치료들의 효과를 예측하기 위해 소프트웨어 툴을 사용할 수 있다. 소프트웨어 툴은, 목의 동맥들(예로서, 목동맥들), 머리에서의 동맥들(예로서, 뇌동맥들), 흉곽에서의 동맥들, 복부에서의 동맥들(예로서, 복부 대동맥 및 그것의 분지들), 팔들에서의 동맥들, 또는 다리들에서의 동맥들(예로서, 넙다리 및 슬와 동맥들)을 포함한 심혈관 시스템의 다른 부분들에서의 질환들을 방지, 진단, 관리 및/또는 치료할 수 있다. 소프트웨어 툴은 의사들이 환자들에 대한 최적의 개인화된 치료법들을 개발할 수 있게 하기 위해 상호 작용적일 수 있다.
예를 들면, 소프트웨어 툴은 컴퓨터 시스템, 예로서 의사 또는 다른 사용자에 의해 사용된 도 1에 도시된 컴퓨터(40)로 적어도 부분적으로 통합될 수 있다. 컴퓨터 시스템은 환자로부터 비침투성으로 획득된 데이터(예로서, 3-차원 모델(10)을 생성하기 위해 사용된 데이터, 경계 조건들을 적용하거나 또는 계산적 분석을 수행하기 위해 사용된 데이터 등)를 수신할 수 있다. 예를 들면, 데이터는 의사에 의해 입력될 수 있거나 또는 방사선학 또는 다른 임상 병리와 같은, 이러한 데이터를 평가하고 제공할 수 있는 또 다른 소스로부터 수신될 수 있다. 데이터는 데이터를 전달하기 위한 네트워크 또는 다른 시스템을 통해, 또는 컴퓨터 시스템으로 직접 송신될 수 있다. 소프트웨어 툴은 시뮬레이션된 혈압 모델(50), 시뮬레이션된 혈류 모델(52), 및/또는 cFFR 모델(54)과 같은, 도 1과 관련되어 상기 설명된 식들(30)을 해결함으로써 결정된 3-차원 모델(10) 또는 다른 모델들/메시들 및/또는 임의의 시뮬레이션들 또는 다른 결과들을 생성하며 디스플레이하기 위해 상기 데이터를 사용할 수 있다. 따라서, 소프트웨어 툴은 단계들(100 내지 500)을 수행할 수 있다. 단계(500)에서, 의사는 가능한 치료 옵션들을 선택하기 위해 컴퓨터 시스템에 추가 입력들을 제공할 수 있으며, 컴퓨터 시스템은 선택된 가능한 치료 옵션들에 기초한 새로운 시뮬레이션들을 의사에게 디스플레이할 수 있다. 뿐만 아니라, 도 2에 도시된 단계들(100 내지 500)의 각각은 별개의 소프트웨어 패키지들 또는 모듈들을 사용하여 수행될 수 있다.
대안적으로, 소프트웨어 툴은 웹-기반 서비스 또는 다른 서비스, 예로서 의사로부터 분리되는 엔티티에 의해 제공된 서비스의 일부로서 제공될 수 있다. 서비스 제공자는 예를 들면, 웹-기반 서비스를 동작시킬 수 있으며 네트워크를 통해 의사들 또는 다른 사용자들에 액세스 가능한 웹 포탈 또는 다른 웹-기반 애플리케이션(예로서, 서비스 제공자에 의해 동작된 서버 또는 다른 컴퓨터 시스템상에서 실행하는) 또는 컴퓨터 시스템들 사이에서 데이터를 전달하는 다른 방법들을 제공할 수 있다. 예를 들면, 환자로부터 비침투성으로 획득된 데이터는 서비스 제공자에게 제공될 수 있으며, 서비스 제공자는 시뮬레이션된 혈압 모델(50), 시뮬레이션된 혈류 모델(52), 및/또는 cFFR 모델(54)과 같은, 도 1과 관련되어 상기 설명된 식들(30)을 해결함으로써 결정된 3-차원 모델(10) 또는 다른 모델들/메시들 및/또는 임의의 시뮬레이션들 또는 다른 결과들을 생성하기 위해 상기 데이터를 사용할 수 있다. 그 후, 웹-기반 서비스는 3-차원 모델(10) 및/또는 시뮬레이션들이 의사의 컴퓨터 시스템상에서 의사에게 디스플레이될 수 있도록 3-차원 모델(10) 또는 다른 모델들/메시들 및/또는 시뮬레이션들에 관한 정보를 송신할 수 있다. 따라서, 웹-기반 서비스는 단계들(100 내지 500) 및 환자-특정 정보를 제공하기 위해 이하에 설명된 임의의 다른 단계들을 수행할 수 있다. 단계(500)에서, 의사는 예로서, 가능한 치료 옵션들을 선택하거나 또는 계산적 분석에 대한 다른 조정들을 하기 위해, 추가 입력들을 제공할 수 있으며, 입력들은 서비스 제공자에 의해(예로서, 웹 포탈을 통해) 동작된 컴퓨터 시스템으로 송신될 수 있다. 웹-기반 서비스는 선택된 가능한 치료 옵션들에 기초하여 새로운 시뮬레이션들 또는 다른 결과들을 생성할 수 있으며, 새로운 시뮬레이션들이 의사에게 디스플레이될 수 있도록 새로운 시뮬레이션들에 관한 정보를 의사에게 다시 전달할 수 있다.
여기에 설명된 단계들 중 하나 이상은 한 명 이상의 인간 운영자들(예로서, 심장 전문의 또는 다른 의사, 환자, 웹-기반 서비스 또는 제 3 자, 다른 사용자 등에 의해 제공된 다른 서비스를 제공하는 서비스 제공자의 고용인), 또는 데스크탑 또는 휴대용 컴퓨터, 워크스테이션, 서버, 개인용 디지털 보조기 등과 같은, 이러한 인간 운영자(들)에 의해 사용된 하나 이상의 컴퓨터 시스템들에 의해 수행될 수 있다. 컴퓨터 시스템(들)은 네트워크 또는 데이터를 전달하는 다른 방법을 통해 연결될 수 있다.
도 3은 특정 환자에서의 혈류에 관한 다양한 정보를 제공하기 위한 대표적인 방법의 추가 양상들을 도시한다. 도 3에 도시된 양상들은 적어도 부분적으로 컴퓨터 시스템으로 및/또는 웹-기반 서비스의 일부로서 통합될 수 있는 소프트웨어 툴로 통합될 수 있다.
II. 환자-특정 해부학적 데이터를 획득하며 전처리하는 것
도 2에 도시된 단계(100)와 관련되어 상기 설명된 바와 같이, 대표적인 방법은 환자의 심장에 관한 정보와 같은, 환자-특정 해부학적 데이터를 획득하는 단계, 및 상기 데이터를 전처리하는 단계를 포함할 수 있다. 대표적인 실시예에서, 단계(100)는 다음의 단계들을 포함할 수 있다.
처음에, 환자가 선택될 수 있다. 예를 들면, 환자는 의사가 환자의 관상 동맥 혈류에 관한 정보가 요구됨을 결정할 때, 예로서 환자가 가슴 통증, 심장 마비 등과 같은, 관상 동맥 질환과 연관된 증상들을 경험한다면 의사에 의해 선택될 수 있다.
환자의 심장의 기하학적 구조, 예로서 환자의 대동맥의 적어도 일 부분, 대동맥에 연결된 주 관상 동맥들(및 그로부터 연장된 분지들)의 근위 부분, 및 심근에 관한 데이터와 같은, 환자-특정 해부학적 데이터가 획득될 수 있다. 환자-특정 해부학적 데이터는 비침투성으로, 예로서 비침투성 이미징 방법을 사용하여 획득될 수 있다. 예를 들면, CCTA는 구조들, 예로서 심근, 대동맥, 주 관상 동맥들, 및 그것에 연결된 다른 혈관들의 이미지들을 보며 이를 생성하기 위해 컴퓨터 단층 촬영(CT) 스캐너를 동작시킬 수 있다. CCTA 데이터는 예를 들면, 심장 주기에 걸쳐 혈관 형태에서의 변화들을 보여주기 위해, 시변적일 수 있다. CCTA는 환자의 심장의 이미지를 생성하기 위해 사용될 수 있다. 64-슬라이스 CCTA 데이터, 예를 들면, 환자의 심장의 64개의 슬라이스들에 관한 데이터가 획득될 수 있으며, 3-차원 이미지로 어셈블리될 수 있다. 도 4는 64-슬라이스 CCTA 데이터에 의해 생성된 3-차원 이미지(120)의 예를 도시한다.
대안적으로, 자기 공명 이미징(MRI) 또는 초음파(US)와 같은 다른 비침투성 이미징 방법들, 또는 디지털 감산 혈관 조영술(DSA)과 같은, 침투성 이미징 방법들이 환자의 해부학의 구조들의 이미지들을 생성하기 위해 사용될 수 있다. 이미징 방법들은 해부학의 구조들의 식별을 가능하게 하기 위해 조영제를 갖고 정맥 안으로 환자에 주입하는 단계를 수반할 수 있다. 결과적인 이미징 데이터(예로서, CCTA, MRI 등에 의해 제공된)는 방사선학 연구소 또는 심장 전문의와 같은 제 3 자 벤더에 의해, 환자의 의사 등에 의해 제공될 수 있다.
다른 환자-특정 해부학적 데이터가 또한 비침투성으로 환자로부터 결정될 수 있다. 예를 들면, 환자의 혈압, 베이스라인 심박수, 키, 몸무게, 헤마토크리트, 박출량 등과 같은 생리적 데이터가 측정될 수 있다. 혈압은 최대(심장 수축) 및 최소(심장 확장) 압력들과 같은, 환자의 상완 동맥(예로서, 압력 커프를 사용하여)에서의 혈압일 수 있다.
상기 설명된 바와 같이 획득된 환자-특정 해부학적 데이터는 보안 통신 라인을 통해(예로서, 네트워크를 통해) 전달될 수 있다. 예를 들면, 데이터는 계산적 분석, 예로서 단계(400)에서 상기 설명된 계산적 분석을 수행하기 위해 서버 또는 다른 컴퓨터 시스템으로 전달될 수 있다. 대표적인 실시예에서, 데이터는 웹-기반 서비스를 제공하는 서비스 제공자에 의해 동작된 서버 또는 다른 컴퓨터 시스템으로 전달될 수 있다. 대안적으로, 데이터는 환자의 의사 또는 다른 사용자에 의해 동작된 컴퓨터 시스템으로 전달될 수 있다.
다시 도 3을 참조하면, 전달된 데이터는 데이터가 수용 가능한지를 결정하기 위해 검토될 수 있다(단계 102). 결정은 사용자에 의해 및/또는 컴퓨터 시스템에 의해 수행될 수 있다. 예를 들면, 전달된 데이터(예로서, CCTA 데이터 및 다른 데이터)는 예로서, CCTA 데이터가 완전하며(예로서, 대동맥 및 주 관상 동맥들의 충분한 부분들을 포함하는) 정확한 환자에 대응하는지를 결정하기 위해, 사용자에 의해 및/또는 컴퓨터 시스템에 의해 검증될 수 있다.
전달된 데이터(예로서, CCTA 데이터 및 다른 데이터)가 또한 전처리되며 평가될 수 있다. 전처리 및/또는 평가는 사용자에 의해 및/또는 컴퓨터 시스템에 의해 수행될 수 있으며, 예로서 CCTA 데이터에서의 오정합(misregistration), 불일치성들, 또는 블러링을 검사하는 것, CCTA 데이터에 도시된 스텐트들을 검사하는 것, 혈관들의 내강들의 가시성을 방지할 수 있는 다른 아티팩트들을 검사하는 것, 구조들(예로서, 대동맥, 주 관상 동맥들, 및 다른 혈관들) 및 환자의 다른 부분들 사이에서의 충분한 대조(contrast)를 검사하는 것 등을 포함할 수 있다.
전달된 데이터는 상기 설명된 검증, 전처리, 및/또는 평가에 기초하여 데이터가 수행 가능한지를 결정하기 위해 평가될 수 있다. 상기 설명된 검증, 전처리, 및/또는 평가 동안, 사용자 및/또는 컴퓨터 시스템은 데이터가 가진 특정한 에러들 또는 문제점들을 정정할 수 있을 것이다. 그러나, 너무 많은 에러들 또는 문제점들이 있다면, 데이터는 수용 가능하지 않은 것으로 결정될 수 있으며, 사용자 및/또는 컴퓨터 시스템은 전달된 데이터의 거절을 필요하게 만드는 에러들 또는 문제점들을 설명하는 거절 보고서를 생성할 수 있다. 선택적으로, 새로운 CCTA 스캔이 수행될 수 있으며 및/또는 상기 설명된 생리적 데이터가 환자로부터 다시 측정될 수 있다. 전달된 데이터가 수용 가능한 것으로 결정되면, 방법은 이하에 설명된 단계(202)로 진행할 수 있다.
따라서, 도 3에 도시되고 상기 설명된 단계(102)는 도 2의 단계(100)의 서브단계로서 고려될 수 있다.
III. 획득된 해부학적 데이터에 기초하여 3-차원 모델을 생성하는 것
도 2에 도시된 단계(200)와 관련되어 상기 설명된 바와 같이, 대표적인 방법은 획득된 해부학적 데이터에 기초하여 3-차원 모델을 생성하는 단계를 포함할 수 있다. 대표적인 실시예에서, 단계(200)는 다음의 단계들을 포함할 수 있다.
CCTA 데이터를 사용하여, 관상 동맥 혈관들의 3-차원 모델이 생성될 수 있다. 도 5는 CCTA 데이터를 사용하여 생성된 3-차원 모델(220)의 표면의 예를 도시한다. 예를 들면, 모델(220)은 예로서, 대동맥의 적어도 일 부분, 적어도 대동맥의 상기 부분에 연결된 하나 이상의 주 관상 동맥들의 근위 부분, 적어도 주 관상 동맥들에 연결된 하나 이상의 분지들의 근위 부분 등을 포함할 수 있다. 대동맥, 주 관상 동맥들, 및/또는 분지들의 모델링된 부분들은 어떤 부분도 모델(220)의 나머지로부터 연결 해제되지 않도록 상호 연결되며 트리형일 수 있다. 모델(220)을 형성하는 프로세스는 세그먼트화(segmentation)이라 불리운다.
다시 도 3을 참조하면, 컴퓨터 시스템은 대동맥(단계 202) 및 심근(또는 다른 심장 조직, 또는 모델링될 동맥들에 연결된 다른 조직)(단계 204)의 적어도 일 부분을 자동으로 세그먼트할 수 있다. 컴퓨터 시스템은 또한 대동맥에 연결된 주 관상 동맥들의 적어도 일 부분을 세그먼트할 수 있다. 대표적인 실시예에서, 컴퓨터 시스템은 주 관상 동맥들을 세그먼트하기 위해 사용자로 하여금 하나 이상의 관상 동맥근 또는 시작 포인트들을 선택하도록 허용할 수 있다(단계 206).
세그먼트화는 다양한 방법들을 사용하여 수행될 수 있다. 세그먼트화는 사용자 입력들에 기초하여 또는 사용자 입력들 없이 컴퓨터 시스템에 의해 자동으로 수행될 수 있다. 예를 들면, 대표적인 실시예에서, 사용자는 제 1 초기 모델을 생성하기 위해 컴퓨터 시스템에 입력들을 제공할 수 있다. 예를 들면, 컴퓨터 시스템은 CCTA 데이터로부터 생성된 3-차원 이미지(120)(도 4) 또는 그것의 슬라이스들을 사용자에게 디스플레이할 수 있다. 3-차원 이미지(120)는 명도의 강도를 변경하는 부분들을 포함할 수 있다. 예를 들면, 보다 밝은 영역들은 대동맥, 주 관상 동맥들, 및/또는 분지들의 내강들을 표시할 수 있다. 보다 어두운 영역들은 심근 및 환자의 심장의 다른 조직을 표시할 수 있다.
도 6은 사용자에게 디스플레이될 수 있는 3-차원 이미지(120)의 슬라이스(222)의 일 부분을 도시하며, 슬라이스(222)는 상대적 명도의 영역(224)을 포함할 수 있다. 컴퓨터 시스템은 사용자가 하나 이상의 시드들(226)을 부가함으로써 상대적 명도의 영역(224)을 선택하도록 허용할 수 있으며, 상기 시드들(226)은 주 관상 동맥들을 세그먼트하기 위한 관상 동맥근 또는 시작 포인트들로서 작용할 수 있다. 사용자의 명령 시, 컴퓨터 시스템은 그 후 제 1 초기 모델을 형성하기 위해 시작 포인트들로서 시드들(226)을 사용할 수 있다. 사용자는 대동맥 및/또는 개개의 주 관상 동맥들 중 하나 이상에서 시드들(226)을 부가할 수 있다. 선택적으로, 사용자는 또한 주 관상 동맥들에 연결된 분지들 중 하나 이상에 시드들(226)을 부가할 수 있다. 대안적으로, 컴퓨터 시스템은 자동으로, 예로서 추출된 중심선 정보를 사용하여 시드들을 배치할 수 있다. 컴퓨터 시스템은 시드들(226)이 위치된 이미지(120)의 강도 값을 결정할 수 있으며 동일한 강도 값을 가진 이미지(120)의 부분들을 따라(또는 선택된 강도 값에 중심이 있는 강도 값들의 범위 또는 임계치 내에서) 시드들(226)을 확장시킴으로써 제 1 초기 모델을 형성할 수 있다. 따라서, 이러한 세그먼트화의 방법은 "임계치-기반 세그먼트화(threshold-based segmentation)"이라 불리울 수 있다.
도 7은 도 6의 시드들(226)을 확장시킴으로써 형성되는 제 1 초기 모델의 일 부분(230)을 도시한다. 따라서, 사용자는 제 1 초기 모델을 형성하는 것을 시작하기 위해 컴퓨터 시스템에 대한 시작 포인트들로서 시드들(226)을 입력한다. 이러한 프로세스는 관심 있는 전체 부분들, 예로서 대동맥 및/또는 주 관상 동맥들의 부분들이 세그먼트될 때까지 반복될 수 있다. 대안적으로, 제 1 초기 모델은 사용자 입력들 없이 컴퓨터 시스템에 의해 생성될 수 있다.
대안적으로, 세그먼트화는 "에지-기반 세그먼트화(edge-based segmentation)"이라 불리우는 방법을 사용하여 수행될 수 있다. 대표적인 실시예에서, 임계치-기반 및 에지-기반 세그먼트화 방법들 양쪽 모두는, 모델(220)을 형성하기 위해, 이하에 설명될 바와 같이, 수행될 수 있다.
제 2 초기 모델은 에지-기반 세그먼트화 방법을 사용하여 형성될 수 있다. 이러한 방법을 갖고, 대동맥 및/또는 주 관상 동맥들의 내강 에지들이 위치될 수 있다. 예를 들면, 대표적인 실시예에서, 사용자는 제 2 초기 모델을 생성하기 위해, 입력들, 예로서 상기 설명된 바와 같이 시드들(226)을 컴퓨터 시스템에 제공할 수 있다. 컴퓨터 시스템은 에지들이 도달될 때까지 이미지(120)의 부분들을 따라 시드들(226)을 확장시킬 수 있다. 내강 에지들은, 예로서 시각적으로 사용자에 의해, 및/또는 컴퓨터 시스템에 의해 위치될 수 있다(예로서, 설정된 임계치 이상의 강도 값에서의 변화가 있는 위치들에서). 에지-기반 세그먼트화 방법이 컴퓨터 시스템 및/또는 사용자에 의해 수행될 수 있다.
심근 또는 다른 조직이 또한 단계(204)에서 CCTA에 기초하여 세그먼트될 수 있다. 예를 들면, CCTA 데이터는 심근의 내부 및 외부 표면들, 예로서 좌 및/또는 우심실들의 위치를 결정하기 위해 분석될 수 있다. 표면들의 위치들은 CCTA 데이터에서 심장의 다른 구조들에 비교하여 심근의 대조(예로서, 상대적 암도 및 명도)에 기초하여 결정될 수 있다. 따라서, 심근의 기하학적 구조가 결정될 수 있다.
대동맥, 심근, 및/또는 주 관상 동맥들의 세그먼트화는 필요하다면 검토되고 및/또는 정정될 수 있다(단계 208). 검토 및/또는 정정은 컴퓨터 시스템 및/또는 사용자에 의해 수행될 수 있다. 예를 들면, 대표적인 실시예에서, 컴퓨터 시스템은 세그먼트화를 자동으로 검토할 수 있으며, 사용자는 임의의 에러들이 있다면, 예로서 모델(220)에서의 대동맥, 심근, 및/또는 주 관상 동맥들의 임의의 부분들이 손실되거나 또는 부정확하다면 세그먼트화를 수동으로 정정할 수 있다.
예를 들면, 상기 설명된 제 1 및 제 2 초기 모델들은 대동맥 및/또는 주 관상 동맥들의 세그먼트화 정확함을 보장하기 위해 비교될 수 있다. 제 1 및 제 2 초기 모델들 사이에서의 불일치의 임의의 영역들이 세그먼트화를 정정하기 위해 및 모델(220)을 형성하기 위해 비교될 수 있다. 예를 들면, 모델(220)은 제 1 및 제 2 초기 모델들 사이에서의 평균일 수 있다. 대안적으로, 상기 설명된 세그먼트화 방법들 중 단지 하나만이 수행될 수 있으며, 상기 방법에 의해 형성된 초기 모델은 모델(220)로서 사용될 수 있다.
심근 질량이 산출될 수 있다(단계 240). 산출은 컴퓨터 시스템에 의해 수행될 수 있다. 예를 들면, 심근 부피는 상기 설명된 바와 같이 결정된 심근의 표면들의 위치들에 기초하여 산출될 수 있으며, 산출된 심근 부피는 심근 질량을 산출하기 위해 심근의 밀도로 곱하여질 수 있다. 심근의 밀도는 사전 설정될 수 있다.
모델(220)(도 5)의 다양한 혈관들(예로서, 대동맥, 주 관상 동맥들 등)의 중심선들이 결정될 수 있다(단계 242). 대표적인 실시예에서, 결정은 컴퓨터 시스템에 의해 자동으로 수행될 수 있다.
단계(242)에서 결정된 중심선들은 필요하다면, 검토되고 및/또는 정정될 수 있다(단계 244). 검토 및/또는 정정은 컴퓨터 시스템 및/또는 사용자에 의해 수행될 수 있다. 예를 들면, 대표적인 실시예에서, 컴퓨터 시스템은 중심선들을 자동으로 검토할 수 있으며, 사용자는 임의의 에러들이 있다면, 예로서 임의의 중심선들이 손실되거나 또는 부정확하다면 중심선들을 수동으로 정정할 수 있다.
칼슘 또는 플라크(혈관의 협소화를 야기하는)가 검출될 수 있다(단계 246). 대표적인 실시예에서, 컴퓨터 시스템은 플라크를 자동으로 검출할 수 있다. 예를 들면, 플라크는 3-차원 이미지(120)에서 검출되고 모델(220)로부터 제거될 수 있다. 플라크는 플라크가 대동맥, 주 관상 동맥들, 및/또는 분지들의 내강들보다 훨씬 더 밝은 영역들로 나타나기 때문에 3-차원 이미지(120)에서 식별될 수 있다. 따라서, 플라크는 설정 값 아래의 강도 값을 갖는 것으로 컴퓨터 시스템에 의해 검출될 수 있거나 또는 사용자에 의해 시각적으로 검출될 수 있다. 플라크를 검출한 후, 컴퓨터 시스템은 플라크가 혈관들에서 내강 또는 개방된 공간의 부분으로서 고려되지 않도록 모델(220)로부터 플라크를 제거할 수 있다. 대안적으로, 컴퓨터 시스템은 대동맥, 주 관상 동맥들, 및/또는 분지들과 상이한 컬러, 음영, 또는 다른 시각적 표시자를 사용하여 모델(220) 상에서 플라크를 표시할 수 있다.
컴퓨터 시스템은 또한 검출된 플라크를 자동으로 세그먼트할 수 있다(단계 248). 예를 들면, 플라크는 CCTA 데이터에 기초하여 세그먼트될 수 있다. CCTA 데이터는 CCTA 데이터에서의 심장의 다른 구조들에 비교하여 플라크의 대조(예로서, 상대적 암도 및 명도)에 기초하여 플라크(또는 그것의 표면)를 위치시키기 위해 분석될 수 있다. 따라서, 플라크의 기하학적 구조가 또한 결정될 수 있다.
플라크의 세그먼트화는 필요하다면, 검토되고 및/또는 정정될 수 있다(단계 250). 검토 및/또는 정정은 컴퓨터 시스템 및/또는 사용자에 의해 수행될 수 있다. 예를 들면, 대표적인 실시예에서, 컴퓨터 시스템은 세그먼트화를 자동으로 검토할 수 있으며, 사용자는 임의의 에러들이 있다면, 예로서 임의의 플라크가 손실되거나 또는 부정확하게 도시된다면 세그먼트화를 수동으로 정정할 수 있다.
컴퓨터 시스템은 주 관상 동맥들에 연결된 분지들을 자동으로 세그먼트할 수 있다(단계 252). 예를 들면, 분지들은 예로서, 도 6 및 도 7에 도시되며 단계(206)와 관련되어 상기 설명된 바와 같이, 주 관상 동맥들을 세그먼트하기 위한 유사한 방법들을 사용하여 세그먼트될 수 있다. 컴퓨터 시스템은 또한 단계들(248 및 250)과 관련되어 상기 설명된 바와 유사한 방법들을 사용하여 세그먼트된 분지들에서 플라크를 자동으로 세그먼트할 수 있다. 대안적으로, 분지들(및 그것에 포함된 임의의 플라크)은 주 관상 동맥들과 동시에 세그먼트될 수 있다(예로서, 단계(206)에서).
분지들의 세그먼트화는 필요하다면, 검토되고 및/또는 정정될 수 있다(단계 254). 검토 및/또는 정정은 컴퓨터 시스템 및/또는 사용자에 의해 수행될 수 있다. 예를 들면, 대표적인 실시예에서, 컴퓨터 시스템은 세그먼트화를 자동으로 검토할 수 있으며, 사용자는 임의의 에러들이 있다면, 예로서 모델(220)에서의 분지들의 임의의 부분들이 손실되거나 또는 부정확하다면 세그먼트화를 수동으로 정정할 수 있다.
모델(220)은 임의의 오정합, 스텐트들 또는 다른 아티팩트들이 위치된다면 정정될 수 있다(예로서, 단계(102)에서 CCTA 데이터의 검토 동안)(단계 256). 정정은 사용자에 의해 및/또는 컴퓨터 시스템에 의해 수행될 수 있다. 예를 들면, 오정합 또는 다른 아티팩트(예로서, 불일치, 블러링, 내강 가시성에 영향을 미치는 아티팩트 등)가 위치된다면, 모델(220)은 혈관의 단면적에서의 인공적 또는 거짓 변화(예로서, 인공적 협소화)를 회피하기 위해 검토되고 및/또는 정정될 수 있다. 스텐트가 위치된다면, 모델(220)은 예로서, 스텐트의 크기에 기초하여, 스텐트의 위치를 표시하기 위해 및/또는 스텐트가 위치되는 혈관의 단면적을 정정하기 위해 검토되고 및/또는 정정될 수 있다.
모델(220)의 세그먼트화는 또한 독립적으로 검토될 수 있다(단계 258). 검토는 사용자에 의해 및/또는 컴퓨터 시스템에 의해 수행될 수 있다. 예를 들면, 사용자 및/또는 컴퓨터 시스템은 정정 가능한 에러들 및/또는 모델(220)이 적어도 부분적으로 다시 행해지거나 또는 재세그먼트되도록 요구할 수 있는 에러들과 같은, 모델(220)이 가진 특정한 에러들을 식별할 수 있을 것이다. 이러한 에러들이 식별된다면, 세그먼트화는 수용 가능하지 않은 것으로 결정될 수 있으며, 특정한 단계들, 예로서 단계들(202 내지 208, 240 내지 256) 중 하나 이상이, 에러(들)에 의존하여, 반복될 수 있다.
모델(220)의 세그먼트화가 독립적으로 수용 가능한 것으로 검증된다면, 선택적으로, 모델(220)은 출력되며 평탄화될 수 있다(단계 260). 평탄화는 사용자에 의해 및/또는 컴퓨터 시스템에 의해 수행될 수 있다. 예를 들면, 리지들, 포인트들, 또는 다른 비연속적 부분들이 평탄화될 수 있다. 모델(220)은 계산적 분석을 위해 준비될 별개의 소프트웨어 모듈 등으로 출력될 수 있다.
따라서, 도 3에 도시되며 상기 설명된 단계들(202 내지 208 및 240 내지 260)은 도 2의 단계(200)의 서브단계들로서 고려될 수 있다.
IV. 분석을 위한 모델을 준비하는 것 및 경계 조건들을 결정하는 것
도 2에 도시된 단계(300)와 관련되어 상기 설명된 바와 같이, 대표적인 방법은 분석을 위한 모델을 준비하는 단계 및 경계 조건들을 결정하는 단계를 포함할 수 있다. 대표적인 실시예에서, 단계(300)는 다음의 단계들을 포함할 수 있다.
A. 분석을 위한 모델을 준비하는 것
다시 도 3을 참조하면, 모델(220)(도 5)의 다양한 혈관들(예로서, 대동맥, 주 관상 동맥들, 및/또는 분지들)의 단면적들이 또한 결정될 수 있다(단계 304). 대표적인 실시예에서, 결정은 컴퓨터 시스템에 의해 수행될 수 있다.
모델(220)(도 5)은 절단될 수 있으며(단계 306) 입체 모델이 생성될 수 있다. 도 8은 도 5에 도시된 모델(220)과 유사한 모델에 기초하여 준비된 절단된 입체 모델(320)의 예를 도시한다. 입체 모델(320)은 3-차원 환자-특정 기하학적 모델이다. 대표적인 실시예에서, 절단은 사용자의 입력을 갖고 또는 그것 없이, 컴퓨터 시스템에 의해 수행될 수 있다. 유입 경계들(322) 및 유출 경계들(324)의 각각은 각각의 경계를 형성하는 표면이 단계(242)에서 결정된 중심선들에 수직이도록 절단될 수 있다. 유입 경계들(322)은 도 8에 도시된 바와 같이, 대동맥의 업스트림 단부에서와 같이, 흐름이 모델(320)의 해부학으로 향해지는 경계들을 포함할 수 있다. 유출 경계들(324)은 대동맥의 다운스트림 단부들 및 주 관상 동맥들 및/또는 분지들의 다운스트림 단부들에서와 같이, 흐름이 모델(320)의 해부학으로부터 바깥쪽으로 향해지는 경계들을 포함할 수 있다.
B. 경계 조건들을 결정하는 것
경계 조건들은 모델, 예로서 도 8의 3-차원 입체 모델(320)의 경계들에서 발생하는 것을 설명하기 위해 제공될 수 있다. 예를 들면, 경계 조건들은 예로서, 모델링된 해부학의 경계들에서, 환자의 모델링된 해부학과 연관된 적어도 하나의 혈류 특성과 관련될 수 있으며, 혈류 특성(들)은 혈류 속도, 압력, 유량, FFR 등을 포함할 수 있다. 경계 조건들을 적절하게 결정함으로써, 계산적 분석이 모델 내에서의 다양한 위치들에서 정보를 결정하기 위해 수행될 수 있다. 경계 조건들 및 이러한 경계 조건들을 결정하기 위한 방법들의 예들이 이제 설명될 것이다.
대표적인 실시예에서, 결정된 경계 조건들은 입체 모델(320)에 의해 표현된 혈관들의 부분들로부터 1- 또는 2-차원 감소 차수 모델로 위쪽으로 및 아래쪽으로 구조들을 간소화할 수 있다. 경계 조건들을 결정하기 위한 식들 및 다른 상세들의 대표적인 세트가 예를 들면, 미국 출원 공개 번호 제2010/0241404호 및 미국 가 출원 번호 제61/210,401호에 개시되며, 이것은 양쪽 모두 "심혈관 시스템의 환자-특정 혈류 역학들(Patient-Specific Hemodynamics of the Cardiovascular System)"이라는 제목을 가지며, 여기에 전체적으로 참조로서 통합된다.
경계 조건들은 심장을 통한 혈류가 환자의 생리적 상태에 의존하여 상이할 수 있으므로 환자의 생리적 상태에 의존하여 달라질 수 있다. 예를 들면, FFR은 통상적으로, 일반적으로 환자가, 예로서 스트레스 등으로 인해, 심장에서의 증가된 혈류를 경험할 때 발생하는, 충혈의 생리적 상태하에서 측정된다. FFR은 최대 스트레스의 상태들하에서 관상 동맥 혈압 대 대동맥 혈압의 비이다. 충혈은 또한 예로서, 아데노신을 갖고 약물학적으로 유도될 수 있다. 도 9 내지 도 11은 환자의 생리적 상태(움직이지 않는, 최대 충혈 하에서, 또는 최대 운동 하에서)에 의존하여, 모델(320)에서의 관상 동맥 혈압 대 대동맥 혈압의 비에서의 변화를 표시하는 계산형 FFR(cFFR)의 예들을 도시한다. 도 9는 환자가 움직이지 않을 때 모델(320) 전체에 걸쳐 관상 동맥 혈압 대 대동맥 혈압의 비에서의 최소 변화를 도시한다. 도 10은 환자가 최대 충혈을 겪고 있을 때 모델(320) 전체에 걸쳐 관상 동맥 혈압 대 대동맥 혈압의 비에서의 보다 큰 변화를 도시한다. 도 11은 환자가 최대 운동을 겪고 있을 때 모델(320) 전체에 걸쳐 관상 동맥 혈압 대 대동맥 혈압의 비에서의 훨씬 더 큰 변화를 도시한다.
다시 도 3을 참조하면, 충혈 상태들에 대한 경계 조건들이 결정될 수 있다(단계 310). 대표적인 실시예에서, 아데노신의 효과는 1 내지 5배만큼 관상 동맥 저항에서의 감소, 대략 0 내지 20%의 대동맥 혈압에서의 감소, 및 대략 0 내지 20%의 심박수에서의 증가를 사용하여 모델링될 수 있다. 예를 들면, 아데노신의 효과는 4배만큼의 관상 동맥 저항에서의 감소, 대략 10%의 대동맥 혈압에서의 감소, 및 대략 10%의 심박수에서의 증가를 사용하여 모델링될 수 있다. 충혈 상태들에 대한 경계 조건들이 대표적인 실시예에서 결정되지만, 휴지, 충혈의 달라지는 정도들, 운동의 달라지는 정도들, 활동, 스트레스, 또는 다른 상태들과 같은, 다른 생리적 상태들에 대한 경계 조건들이 결정될 수 있다는 것이 이해된다.
경계 조건들은 도 8에 도시된 바와 같이, 그것의 경계들, 예로서 유입 경계들(322), 유출 경계들(324), 혈관 벽 경계들(326) 등에서 3-차원 입체 모델(320)에 대한 정보를 제공한다. 혈관 벽 경계들(326)은 모델(320)의 대동맥, 주 관상 동맥들, 및/또는 다른 관상 동맥들 또는 혈관들의 물리적 경계들을 포함할 수 있다.
각각의 유입 또는 유출 경계(322, 324)는 속도, 유량, 압력, 또는 다른 혈류 특성에 대한 값들의 사전 설정된 값 또는 필드를 할당받을 수 있다. 대안적으로, 각각의 유입 또는 유출 경계(322, 324)는 경계, 집중 파라미터 또는 분산(예로서, 1-차원 파동 전파) 모델, 또 다른 유형의 1- 또는 2-차원 모델, 또는 다른 유형의 모델에 심장 모델을 결합함으로써 할당될 수 있다. 특정 경계 조건들이 예로서 획득된 환자-특정 정보로부터 결정된 유입 또는 유출 경계들(322, 324)의 기하학적 구조, 또는 단계(240)에서 산출된 심박출량, 혈압, 심근 질량 등과 같은, 다른 측정된 파라미터들에 기초하여 결정될 수 있다.
i. 감소 차수 모델들을 결정하는 것
입체 모델(320)에 연결된 업스트림 및 다운스트림 구조들은 업스트림 및 다운스트림 구조들을 표현한 감소 차수 모델들로서 표현될 수 있다. 예를 들면, 도 12 내지 도 15는 대표적인 실시예에 따라, 유출 경계들(324) 중 하나에서 3-차원 환자-특정 해부학적 데이터로부터 집중 파라미터 모델을 준비하기 위한 방법의 양상들을 도시한다. 방법은 도 2 및 도 3에 도시된 방법들로부터 및 그 이전에 별개로 수행될 수 있다.
도 12는 주 관상 동맥들 또는 그로부터 연장된 분지들 중 하나의 입체 모델(320)의 일 부분(330)을 도시하며, 도 13은 도 12에 도시된 부분(330)의 단계(242)에서 결정된 중심선들의 부분을 도시한다.
부분(330)은 세그먼트들(332)로 나뉠 수 있다. 도 14는 부분(330)으로부터 형성될 수 있는 세그먼트들(332)의 예를 도시한다. 세그먼트들(332)의 길이들의 선택은 사용자 및/또는 컴퓨터 시스템에 의해 수행될 수 있다. 세그먼트들(332)은 예를 들면, 세그먼트들(332)의 기하학적 구조에 의존하여, 길이가 달라질 수 있다. 다양한 기술들이 부분(330)을 세그먼트하기 위해 사용될 수 있다. 예를 들면, 병에 걸린 부분들, 예로서 비교적 좁은 단면, 병변, 및/또는 협착(혈관에서의 비정상적인 협소화)을 가진 부분들이 하나 이상의 별개의 세그먼트들(332)에 제공될 수 있다. 병에 걸린 부분들 및 협착들은 예로서, 중심선의 길이를 따라 단면적을 측정하며 최소 단면적들을 국소적으로 산출함으로써, 식별될 수 있다.
세그먼트들(332)은 하나 이상의(선형 또는 비선형) 저항기들(334) 및/또는 다른 회로 요소들(예로서, 커패시터들, 인덕터들 등)을 포함한 회로도에 의해 근사될 수 있다. 도 15는 선형 및 비선형 저항기들(334)의 시리즈들에 의해 대체된 세그먼트들(332)의 예를 도시한다. 저항기들(334)의 개개의 저항들은, 예로서 대응하는 세그먼트(332)에 걸쳐 추정된 흐름 및/또는 압력에 기초하여, 결정될 수 있다.
저항은, 예로서 대응하는 세그먼트(332)를 통해 추정된 유량에 의존하여, 일정하고, 선형이거나 또는 비선형일 수 있다. 협착과 같은, 보다 복잡한 기하학적 구조들에 대해, 저항은 유량에 따라 달라질 수 있다. 다양한 기하학적 구조들에 대한 저항들은 계산적 분석(예로서, 유한 차분, 유한 체적, 스펙트럼, 격자 볼츠만, 입자-기반, 레벨 세트, 등기하학상, 또는 유한 요소 방법, 또는 다른 연산 유체 역학들(CFD) 분석 기술)에 기초하여 결정될 수 있으며, 상이한 흐름 및 압력 조건들 하에서 수행된 계산적 분석으로부터의 다수의 해법들이 환자-특정, 혈관-특정, 및/또는 병변-특정 저항들을 도출하기 위해 사용될 수 있다. 결과들은 모델링될 수 있는 임의의 세그먼트의 다양한 유형들의 특징들 및 기하학적 구조들에 대한 저항들을 결정하기 위해 사용될 수 있다. 그 결과, 상기 설명된 바와 같이 환자-특정, 혈관-특정, 및/또는 병변-특정 저항들을 도출하는 것은 컴퓨터 시스템이 비대칭 협착, 다수의 병변들, 분기들 및 분지들에서의 병변들 및 구불구불한 혈관들 등과 같은 보다 복잡한 기하학적 구조를 인식하며 평가하도록 허용할 수 있다.
커패시터들이 또한 포함될 수 있으며, 정전 용량이 예로서, 대응하는 세그먼트의 혈관 벽들의 탄력성에 기초하여 결정될 수 있다. 인덕터들이 포함될 수 있으며, 인덕턴스는 예로서, 대응하는 세그먼트를 통해 흐르는 혈량의 가속화 또는 감속화에 관련된 관성 효과들에 기초하여 결정될 수 있다.
집중 파라미터 모델에 사용된 다른 전기적 구성요소들과 연관된 저항, 정전 용량, 인덕턴스, 및 다른 변수들에 대한 개개의 값들이 많은 환자들로부터의 데이터에 기초하여 도출될 수 있으며, 유사한 혈관 기하학적 구조들은 유사한 값들을 가질 수 있다. 따라서, 경험적 모델들이 환자-특정 데이터의 큰 모집단으로부터 개발될 수 있어서, 미래분석들에서 유사한 환자들에 적용될 수 있는 특정 기하학적 특징들에 대응하는 값들의 라이브러리를 생성한다. 기하학적 구조들은 이전 시뮬레이션으로부터 환자의 세그먼트(332)에 대한 값들을 자동으로 선택하기 위해 두 개의 상이한 혈관 세그먼트들 사이에서 매칭될 수 있다.
ii. 대표적인 집중 파라미터 모델들
대안적으로, 도 12 내지 도 15와 관련되어 상기 설명된 단계들을 수행하는 대신에, 집중 파라미터 모델들이 사전 설정될 수 있다. 예를 들면, 도 16은 입체 모델(320)의 유입 및 유출 경계들(322, 324)에서의 업스트림 및 다운스트림 구조들을 표현한 집중 파라미터 모델들(340, 350, 360)의 예들을 도시한다. 단부(A)는 유입 경계(322)에 위치되며, 단부들(a-m 및 B)은 유출 경계들에 위치된다.
집중 파라미터 심장 모델(340)은 입체 모델(320)의 유입 경계(322)에서의 단부(A)에서 경계 조건을 결정하기 위해 사용될 수 있다. 집중 파라미터 심장 모델(340)은 충혈 상태들하에서 심장으로부터의 혈류를 표현하기 위해 사용될 수 있다. 집중 파라미터 심장 모델(340)은 환자에 관한 알려진 정보, 예로서 대동맥 압력, 환자의 심장 수축 및 심장 확장 혈압들(예로서, 단계(100)에 결정된 바와 같이), 환자의 심박출량(예로서, 단계(100)에서 결정된 환자의 박출량 및 심박수에 기초하여 산출된, 심장으로부터의 혈류의 양), 및/또는 실험적으로 결정된 상수들에 기초하여 결정될 수 있는 다양한 파라미터들(예로서, PLA, RAV, LAV, RV-Art, LV-Art, 및 E(t))을 포함한다.
집중 파라미터 관상 동맥 모델(350)은 주 관상 동맥들 및/또는 그로부터 연장된 분지들의 다운스트림 단부들에 위치된 입체 모델(320)의 유출 경계들(324)에서의 단부들(a-m)에서 경계 조건들을 결정하기 위해 사용될 수 있다. 집중 파라미터 관상 동맥 모델(350)은 충혈 상태들하에서 단부들(a-m)을 통해 모델링된 혈관들로부터 빠져나오는 혈류를 표현하기 위해 사용될 수 있다. 집중 파라미터 관상 동맥 모델(350)은 환자에 관한 알려진 정보, 예로서 산출된 심근 질량(예로서, 단계(240)에서 결정된 바와 같이) 및 단부들(a-m)에서의 종단 임피던스(예로서, 단계(304)에서 결정된 바와 같이 단부들(a-m)에서 혈관들의 단면적들에 기초하여 결정된)에 기초하여 결정될 수 있는 다양한 파라미터들(예로서, Ra, Ca, Ra-micro, Cim, 및 RV)을 포함한다.
예를 들면, 산출된 심근 질량은 복수의 유출 경계들(324)을 통한 베이스라인(휴면 중인) 평균 관상 동맥류를 추정하기 위해 사용될 수 있다. 이러한 관계는
Figure 112021070360193-pat00001
로서 심근 질량(M)(예로서, 단계(240)에서 결정된 바와 같이)과 평균 관상 동맥류(Q)를 상관시키는 실험적으로-도출된 생리적 법칙(예로서, 도 1의 생리적 법칙(20)의)에 기초할 수 있으며, 여기에서 α는 사전 설정된 스케일 지수이며 QO은 사전 설정된 상수이다. 베이스라인(휴면 중인) 상태들 하에서의 유출 경계들(324)에서의 총 관상 동맥류(Q) 및 환자의 혈압(예로서, 단계(100)에서 결정된 바와 같이)은 그 후 사전 설정된, 실험적으로-도출된 식에 기초하여 유출 경계들(324)에서 총 저항(R)을 결정하기 위해 사용될 수 있다.
총 저항(R)은 단부들(a-m)(예로서, 단계(304)에서 결정된 바와 같이)의 각각의 단면적들에 기초하여 단부들(a-m) 중에서 분배될 수 있다. 이러한 관계는
Figure 112021070360193-pat00002
로서 단부들(a-m)에서의 각각의 저항을 상관시키는 실험적으로-도출된 생리적 법칙(예로서, 도 1의 생리적 법칙들(20)의)에 기초할 수 있으며, 여기에서 Ri는 제 i 출구에서의 흐름에 대한 저항이며, Ri,o는 사전 설정된 상수이고, di는 상기 출구의 직경이며, β는 예로서, 관상 동맥류에 대한 -3 및 -2, -2.7 사이, 뇌 흐름에 대해 -2.9 등의 사전 설정된 멱 법칙 지수이다. 개개의 단부들(a-m)을 통한 관상 동맥류 및 개개의 단부들(a-m)에서의 평균 압력들(예로서, 단계(304)에서 결정된 바와 같이 혈관들의 단부들(a-m)의 개개의 단면적들에 기초하여 결정된)이 대응하는 단부들(a-m)에서 집중 파라미터 관상 동맥 모델(350)의 저항들의 합(예로서, Ra + Ra-micro + RV)을 결정하기 위해 사용될 수 있다. 다른 파라미터들(예로서, Ra/Ra-micro, Ca, Cim)은 실험적으로 결정된 상수들일 수 있다.
윈드케셀 모델(360)은 대동맥 궁을 향해 대동백의 다운스트림 단부에 위치된 입체 모델(320)의 유출 경계(324)에서의 단부(B)에서 경계 조건을 결정하기 위해 사용될 수 있다. 윈드케셀 모델(360)은 충혈 상태들하에서 단부(B)를 통해 모델링된 대동맥으로부터 빠져나오는 혈류를 표현하기 위해 사용될 수 있다. 윈드케셀 모델(360)은 환자에 관한 알려진 정보, 예로서 집중 파라미터 심장 모델(340)과 관련되어 상기 설명된 환자의 심박출량, 집중 파라미터 관상 동맥 모델(350)과 관련되어 상기 설명된 베이스라인 평균 관상 동맥류, 대동맥 압력(예로서, 단계(304)에서 결정된 바와 같이 단부(B)에서의 대동맥의 단면적에 기초하여 결정된), 및/또는 실험적으로 결정된 상수들에 기초하여 결정될 수 있는 다양한 파라미터들(예로서, Rp, Rd, 및 C)을 포함한다.
경계 조건들, 예로서 집중 파라미터 모델들(340, 350, 360)(또는 그 안에 포함된 상수들 중 임의의 것) 또는 다른 감소 차수 모델이 다른 인자들에 기초하여 조정될 수 있다. 예를 들면, 저항 값들은 환자가 생리적 스트레스 하에서 혈관들을 확장하기 위해 비교적 감소된 용량으로 인해 보다 낮은 흐름 대 혈관 크기 비를 가진다면 조정(예로서, 증가)될 수 있다. 저항 값들은 환자가 당뇨병을 갖고, 약물 치료 중이며, 과거 심장 사건들을 겪었다면 또한 조정될 수 있다.
대안적인 집중 파라미터 또는 분산된, 1-차원 네트워크 모델들이 입체 모델(320)의 다운스트림으로 관상 동맥 혈관들을 표현하기 위해 사용될 수 있다. MRI, CT, PET, 또는 SPECT를 사용한 심근 관류 이미징은 이러한 모델들에 대한 파라미터들을 할당하기 위해 사용될 수 있다. 또한, 대안적인 이미징 소스들, 예로서 자기 공명 혈관 조영술(MRA), 소급적 시네 게이팅(restrospective cine gating) 또는 전진적 시네 게이팅(prospective cine gating) 컴퓨터 단층 촬영 혈관 조영술(CTA) 등이 이러한 모델들에 대한 파라미터들을 할당하기 위해 사용될 수 있다. 소급적 시네 게이팅은 집중 파라미터 심장 모델에 파라미터들을 할당하기 위해 심장 주기에 걸친 심실 챔버 부피 변화들을 획득하기 위해 이미지 프로세싱 방법들과 조합될 수 있다.
집중 파라미터 모델들(340, 350, 360), 또는 다른 감소 차수 1- 또는 2-차원 모델을 사용하여 환자의 해부학의 일 부분을 간소화하는 것은, 최종 결과들을 갖고 높은 정확도를 유지하면서, 특히, 치료되지 않은 상태(예로서, 도 2 및 도 3의 단계(400)) 외에, 가능한 치료 옵션들(예로서, 도 2의 단계(500))을 평가할 때와 같이 계산적 분석이 다수 회 수행된다면, 계산적 분석(예로서, 이하에 설명된 도 3의 단계(402)가 보다 빨리 수행되도록 허용한다.
대표적인 실시예에서, 경계 조건들의 결정은 단계(100)에서 획득된 환자-특정 생리적 데이터와 같은, 사용자의 입력들에 기초하여 컴퓨터 시스템에 의해 수행될 수 있다.
C. 3-차원 메시를 생성하는 것
다시 도 3을 참조하면, 3-차원 메시는 단계(306)에서 생성된 입체 모델(320)에 기초하여 생성될 수 있다(단계 312). 도 17 내지 도 19는 단계(306)에서 생성된 입체 모델(320)에 기초하여 준비된 3-차원 메시(380)의 예를 도시한다. 메시(380)는 입체 모델(320)의 표면들을 따라 및 입체 모델(320)의 내부 전체에 걸쳐 복수의 노드들(382)(메시포인트들 또는 그리드포인트들)을 포함한다. 메시(380)는 도 18 및 도 19에 도시된 바와 같이, 사면체 요소들(노드들(382)을 형성하는 포인트들을 가진)을 갖고 생성될 수 있다. 대안적으로, 다른 형태들을 가진 요소들, 예로서 6면체들 또는 다른 다면체들, 곡선 요소들 등이 사용될 수 있다. 대표적인 실시예에서, 노드들(382)의 수는 백만 예를 들어, 5백만 내지 5천만(fifty million)내에 있을 수 있다. 노드들(382)의 수는 메시(380)가 더 정교하게 됨에 따라 증가한다. 보다 높은 수의 노드들(382)을 갖고, 정보는 모델(320) 내에서의 보다 많은 포인트들에서 제공될 수 있지만, 계산적 분석은 보다 큰 수의 노드들(382)이 풀릴 식들(예로서, 도 1에 도시된 식들(30))의 수를 증가시키기 때문에 실행하는 데 더 걸릴 수 있다. 대표적인 실시예에서, 메시(380)의 생성은 사용자(예로서, 노드들(382)의 수, 요소들의 형태들 등을 특정하는) 입력을 갖고 또는 그것 없이, 컴퓨터 시스템에 의해 수행될 수 있다.
도 3을 다시 참조하면, 메시(380) 및 결정된 경계 조건들이 검증될 수 있다(단계 314). 검증은 사용자에 의해 및/또는 컴퓨터 시스템에 의해 수행될 수 있다. 예를 들면, 사용자 및/또는 컴퓨터 시스템은 예로서, 메시(380)가 왜곡되거나 또는 충분한 공간 분해능을 갖지 않는다면, 경계 조건들이 계산적 분석을 수행하기에 충분하지 않다면, 단계(310)에서 결정된 저항들이 부정확하게 보인다면, 메시(380) 및/또는 경계 조건들이 재수행되도록 요구하는 메시(380) 및/또는 경계 조건들이 가진 특정한 에러들을 식별할 수 있을 것이다. 그렇다면, 메시(380) 및/또는 경계 조건들은 수용 가능하지 않은 것으로 결정될 수 있으며, 단계들(304 내지 314) 중 하나 이상은 반복될 수 있다. 메시(380) 및/또는 경계 조건들이 수용 가능한 것으로 결정되면, 방법은 이하에 설명된 단계(402)로 진행할 수 있다.
또한, 사용자는 단계(240)에서 산출된 심박출량, 혈압들, 키, 체중, 심근 질량과 같은, 획득된 환자-특정 정보, 또는 다른 측정된 파라미터들이 정확하게 입력되고 및/또는 정확하게 산출됨을 확인할 수 있다.
따라서, 도 3에 도시되며 상기 설명된 단계들(304 내지 314)은 도 2의 단계(300)의 서브단계들로서 고려될 수 있다.
V. 계산적 분석을 수행하는 것 및 결과들을 출력하는 것
도 2에 도시된 단계(400)와 관련되어 상기 설명된 바와 같이, 대표적인 방법은 계산적 분석을 수행하는 단계 및 결과들을 출력하는 단계를 포함할 수 있다. 대표적인 실시예에서, 단계(400)는 다음의 단계들을 포함할 수 있다.
A. 계산적 분석을 수행하는 것
도 3을 참조하면, 컴퓨터 분석은 컴퓨터 시스템에 의해 수행될 수 있다(단계 402). 대표적인 실시예에서, 단계(402)는 예로서, 메시(380)(도 17 내지 도 19)에서의 노드들(382)의 수 등에 의존하여, 분들 내지 시간들을 지속할 수 있다.
분석은 메시(380)가 생성된 모델(320)에서의 혈류를 설명하는 식들의 시리즈들을 생성하는 것을 수반한다. 상기 설명된 바와 같이, 대표적인 실시예에서, 원하는 정보는 충혈 상태들 하에서 모델(320)을 통한 혈류의 시뮬레이션과 관련된다.
분석은 또한 컴퓨터 시스템을 사용하여 혈류의 3-차원 식들을 풀기 위해 수치 방법을 사용하는 것을 수반한다. 예를 들면, 수치 방법은 유한 차분, 유한 체적, 스펙트럼, 격자 볼츠만, 입자-기반, 레벨 세트, 등기하학상, 또는 유한 요소 방법들, 또는 다른 컴퓨터 유체 역학(CFD) 수치 기술들과 같은, 알려진 방법일 수 있다.
이들 수치 방법들을 사용하여, 혈액은 뉴턴, 비-뉴턴, 또는 다중상 유체로서 모델링될 수 있다. 단계(100)에서 측정된 환자의 헤마토크리트 또는 다른 인자들이 분석에서의 통합을 위한 혈액 점도를 결정하기 위해 사용될 수 있다. 혈관 벽들은 단단하거나 또는 유연한 것으로 가정될 수 있다. 후자의 경우에, 벽 역학들에 대한 식들, 예로서 탄성역학 식들이 혈류에 대한 식들과 함께 풀릴 수 있다. 단계(100)에서 획득된 시변 3-차원 이미징 데이터가 심장 주기에 걸쳐 혈관 형태에서의 변화들을 모델링하기 위한 입력으로서 사용될 수 있다. 계산적 분석을 수행하기 위한 식들 및 단계들의 대표적인 세트가 예를 들면, "의학적 중재들을 계획하며 생리적 조건들을 시뮬레이션하기 위한 예측적 모델링을 위한 방법(Method for Predictive Modeling for Planning Medical Interventions and Simulating Physiological Conditions)"이라는 제목의, 미국 특허 번호 제6,236,878호, 및 양쪽 모두가 "심혈관 시스템의 환자-특정 혈류역학들(Patient-Specific Hemodynamics of the Cardiovascular System)"이라는 제목인, 미국 특허 출원 공개 번호 제2010/0241404호 및 미국 가 출원 번호 제61/210,401호에서, 추가로 상세히 개시되며, 그 모두는 여기에 전체적으로 참조로서 통합된다.
준비된 모델 및 경계 조건들을 사용하는 계산적 분석은 3-차원 입체 모델(320)을 표현한 메시(380)의 노드들(382)의 각각에서의 혈류 및 압력을 결정할 수 있다. 예를 들면, 계산적 분석의 결과들은 이에 제한되지 않지만, 이하에 설명된 바와 같이, 혈류 속도, 압력, 유량과 같은 다양한 혈류 특성들 또는 파라미터들, 또는 cFFR과 같은, 계산된 파라미터들과 같은 노드들(382)의 각각에서의 다양한 파라미터들에 대한 값들을 포함할 수 있다. 파라미터들은 또한 3-차원 입체 모델(320)에 걸쳐 보간될 수 있다. 그 결과, 계산적 분석의 결과들은 통상적으로 침투성으로 결정될 수 있는 정보를 사용자에게 제공할 수 있다.
다시 도 3을 참조하면, 계산적 분석의 결과들이 검증될 수 있다(단계 404). 검증은 사용자에 의해 및/또는 컴퓨터 시스템에 의해 수행될 수 있다. 예를 들면, 사용자 및/또는 컴퓨터 시스템은 메시(380) 및/또는 경계 조건들이, 예를 들면, 불충분한 수의 노드들(382)로 인해 불충분한 정보가 있다면, 분석이 과도한 수의 노드들(382)로 인해 너무 길게 걸린다면, 재수행되거나 또는 수정되도록 요구하는 결과들을 가진 특정한 에러들을 식별할 수 있을 것이다.
계산적 분석의 결과들이 단계(404)에서 수용 가능하지 않은 것으로 결정된다면, 사용자 및/또는 컴퓨터 시스템은 예를 들면, 단계(306)에서 생성된 입체 모델(320) 및/또는 단계(312)에서 생성된 메시(380)를 수정할지 또는 개선할지 여부 및 그에 대한 방법, 단계(310)에서 결정된 경계 조건들을 수정할지 여부 및 그에 대한 방법, 또는 계산적 분석을 위한 입력들 중 임의의 것에 대한 다른 수정들을 할지 여부를 결정할 수 있다. 그 후, 상기 설명된 하나 이상의 단계들, 예로서 단계들(306 내지 314, 402, 및 404)은 결정된 수정들 또는 개선들에 기초하여 반복될 수 있다.
B. 혈압, 흐름, 및 cFFR에 대한 결과들을 디스플레이하는 것
다시 도 3을 참조하면, 계산적 분석의 결과들이 단계(404)에서 수용 가능한 것으로 결정되면, 컴퓨터 시스템은 계산적 분석의 특정한 결과들을 출력할 수 있다. 예를 들면, 컴퓨터 시스템은 시뮬레이션된 혈압 모델(50), 시뮬레이션된 혈류 모델(52), 및/또는 cFFR 모델(54)과 같은, 도 1과 관련되어 상기 설명된 이미지들과 같은, 계산적 분석의 결과들에 기초하여 생성된 이미지들을 디스플레이할 수 있다. 상기 주지된 바와 같이, 이들 이미지들은, 예로서 단계(310)에서 결정된 경계 조건들이 충혈 상태들에 대하여 결정되었기 때문에, 시뮬레이션된 충혈 상태들하에서 시뮬레이션된 혈압, 혈류, 및 cFFR을 표시한다.
시뮬레이션된 혈압 모델(50)(도 1)은 시뮬레이션된 충혈 상태들 하에서 도 17 내지 도 19의 메시(380)에 의해 표현된 환자의 해부학 전체에 걸쳐 국소적 혈압(예로서, 수은의 밀리미터들 또는 mmHg로)을 도시한다. 계산적 분석은 메시(380)의 각각의 노드(382)에서의 국소적 혈압을 결정할 수 있으며, 시뮬레이션된 혈압 모델(50)은 시뮬레이션된 혈압 모델(50)이 각각의 노드(382)에 대한 개개의 값들을 특정할 필요 없이 모델(50) 전체에 걸쳐 압력에서의 변화들을 시각적으로 표시할 수 있도록 각각의 압력들에 대응하는 컬러, 음영, 또는 다른 시각적 표시자를 할당할 수 있다. 예를 들면, 도 1에 도시된 시뮬레이션된 혈압 모델(50)은, 이러한 특정한 환자에 대해, 시뮬레이션된 충혈 상태들 하에서, 압력이 일반적으로 균일하며 대동맥에서 더 높을 수 있으며(보다 어두운 음영에 의해 표시된 바와 같이), 압력이 혈액이 주 관상 동맥들로 및 분지들로 아래쪽으로 흐름에 따라 점진적으로 및 연속적으로 감소한다(분지들의 다운스트림 단부들을 향해 음영에서의 점진적 및 연속적 경감감에 의해 도시된 바와 같이)는 것을 도시한다. 시뮬레이션된 혈압 모델(50)은 도 1에 도시된 바와 같이, 혈압에 대한 특정 수치 값들을 표시한 스케일에 의해 성취될 수 있다.
대표적인 실시예에서, 시뮬레이션된 혈압 모델(50)은 컬러에서 제공될 수 있으며, 컬러 스펙트럼은 모델(50) 전체에 걸쳐 혈압에서의 변화들을 표시하기 위해 사용될 수 있다. 컬러 스펙트럼은 최고 압력에서 최저 압력으로의 순서로, 적색, 오렌지색, 황색, 녹색, 청색, 남색, 및 보라색을 포함할 수 있다. 예를 들면, 상한(적색)은 대략 110 mmHg 이상(또는 80 mmHg, 90 mmHg, 100 mmHg 등)을 표시할 수 있으며 하한(보라색)은 대략 50 mmHg 이하(또는 20 mmHg, 30 mmHg, 40 mmHg 등)를 표시할 수 있고, 녹색은 대략 80 mmHg(또는 상한 및 하한들 사이에서의 대략 중간의 다른 값)를 표시한다. 따라서, 몇몇 환자들에 대한 시뮬레이션된 혈압 모델(50)은 스펙트럼의 보다 높은 단부를 향해 적색 또는 다른 컬러로서 대동맥의 대다수 또는 모두를 도시할 수 있으며, 컬러들은 관상 동맥들 및 그로부터 연장되는 분지들의 원위 단부들을 향해 스펙트럼(예로서, 스펙트럼의 하부 단부를 향해(보라색으로 아래로))을 통해 점진적으로 변할 수 있다. 특정한 환자에 대한 관상 동맥들의 원위 단부들은 각각의 원위 단부들에 대해 결정된 국소적 혈압들에 의존하여, 예로서 적색에서 보라색까지의 어디든, 상이한 컬러들을 가질 수 있다.
시뮬레이션된 혈류 모델(52)(도 1)은 시뮬레이션된 충혈 상태들 하에서 도 17 내지 도 19의 메시(380)에 의해 표현된 환자의 해부학의 전체에 걸쳐 국소적 혈액 속도(예로서, 초당 센티미터들 또는 cm/s에서)를 도시한다. 계산적 분석은 메시(380)의 각각의 노드(382)에서 국소적 혈액 속도를 결정할 수 있으며, 시뮬레이션된 혈류 모델(52)은 시뮬레이션된 혈류 모델(52)이 각각의 노드(382)에 대한 개개의 값들을 특정할 필요 없이 모델(52) 전체에 걸쳐 속도에서의 변화들을 시각적으로 표시할 수 있도록 각각의 속도들에 대응하는 컬러, 음영, 또는 다른 시각적 표시자를 할당할 수 있다. 예를 들면, 도 1에 도시된 시뮬레이션된 혈류 모델(52)은 이러한 특정한 환자에 대해, 시뮬레이션된 충혈 상태들하에서, 속도가 일반적으로 주 관상 동맥들 및 분지들의 특정 영역들(도 1에서의 영역(53)에서의 보다 어두운 음영에 의해 표시된 바와 같이)에서 더 높음을 도시한다. 시뮬레이션된 혈류 모델(52)은 도 1에 도시된 바와 같이, 혈액 속도에 대한 특정 수치 값들을 표시한 스케일에 의해 달성될 수 있다.
대표적인 실시예에서, 시뮬레이션된 혈류 모델(52)은 컬러에서 제공될 수 있으며, 컬러 스펙트럼은 모델(52) 전체에 걸쳐 속도에서의 변화들을 표시하기 위해 사용될 수 있다. 컬러 스펙트럼은 최고 속도에서 최저 속도로의 순서로, 적색, 오렌지색, 황색, 녹색, 청색, 남색, 및 보라색을 포함할 수 있다. 예를 들면, 상한(적색)은 대략 100(또는 150) cm/s 이상을 표시할 수 있으며 하한(보라색)은 대략 0 cm/s를 표시할 수 있고, 녹색은 대략 50 cm/s(또는 상한 및 하한들 사이에서의 대략 중간의 다른 값)를 표시한다. 따라서, 몇몇 환자들에 대한 시뮬레이션된 혈류 모델(52)은 스펙트럼의 보다 낮은 단부(예로서, 녹색 내지 보라색)를 향해 컬러들의 혼합으로서 대동맥의 대다수 또는 모두를 도시할 수 있으며, 컬러들은 결정된 혈액 속도들이 증가하는 특정한 위치들에서 스펙트럼(예로서, 스펙트럼의 보다 높은 단부(적색까지)를 향해)을 통해 점진적으로 변할 수 있다.
cFFR 모델(54)(도 1)은 시뮬레이션된 충혈 상태들 하에서 도 17 내지 도 19의 메시(380)에 의해 표현된 환자의 해부학 전체에 걸쳐 국소적 cFFR을 도시한다. 상기 주지된 바와 같이, cFFR은 대동맥에서의 혈압에 의해 나뉘어진 특정한 노드(382)에서, 예로서 유입 경계(322)(도 8)에서 계산적 분석(예로서, 시뮬레이션된 혈압 모델(50)에 도시된)에 의해 결정된 국소적 혈압의 비로서 산출될 수 있다. 계산적 분석은 메시(380)의 각각의 노드(382)에서 cFFR을 결정할 수 있으며, cFFR 모델(54)은 cFFR 모델(54)이 각각의 노드(382)에 대한 개개의 값들을 특정할 필요 없이 모델(54) 전체에 걸쳐 cFFR에서의 변화들을 시각적으로 표시할 수 있도록 각각의 cFFR 값들에 대응하는 컬러, 음영, 또는 다른 시각적 표시자를 할당할 수 있다. 예를 들면, 도 1에 도시된 cFFR 모델(54)은 이러한 특정한 환자에 대해, 시뮬레이션된 충혈 상태들 하에서, cFFR이 대동맥에서 일반적으로 균일하며 대략 1.0일 수 있으며, cFFR이 혈액이 주 관상 동맥들로 및 분지들로 아래쪽으로 흐름에 따라 점진적으로 및 계속해서 감소한다는 것을 도시한다. cFFR 모델(54)은 또한 도 1에 도시된 바와 같이, cFFR 모델(54) 전체에 걸쳐 특정한 포인트들에서 cFFR 값들을 표시할 수 있다. cFFR 모델(54)은 도 1에 도시된 바와 같이, cFFR에 대한 특정 수치 값들을 표시한 스케일에 의해 달성될 수 있다.
대표적인 실시예에서, cFFR 모델(54)은 컬러에서 제공될 수 있으며, 컬러 스펙트럼은 모델(54) 전체에 걸쳐 압력에서의 변화들을 표시하기 위해 사용될 수 있다. 컬러 스펙트럼은 최저 cFFR(기능적으로 중요한 병변들을 표시한)에서 최고 cFFR까지의 순서로, 적색, 오렌지색, 황색, 녹색, 청색, 남색, 및 보라색을 포함할 수 있다. 예를 들면, 상한(보라색)은 1.0의 cFFR을 표시할 수 있으며, 하한(적색)은 대략 0.7(또는 0.75 또는 0.8) 이하를 표시할 수 있고, 녹색은 대략 0.85(또는 상한 및 하한 사이에서의 대략 중간에서의 다른 값)를 표시한다. 예를 들면, 하한은 cFFR 측정이 기능적으로 중요한 병변 또는 중재를 요구할 수 있는 다른 특징을 표시하는지 여부를 결정하기 위해 사용된 하한(예로서, 0.7, 0.75, 또는 0.8)에 기초하여 결정될 수 있다. 따라서, 몇몇 환자들에 대한 cFFR 모델(54)은 스펙트럼의 보다 높은 단부를 향해 보라색 또는 다른 컬러로서 대동맥의 대다수 또는 모두를 도시할 수 있으며, 컬러들은 관상 동맥들 및 그로부터 연장되는 분지들의 원위 단부들을 향해 스펙트럼(예로서, 스펙트럼의 보다 높은 단부를 향해(적색에서 보라색까지의 어디든지까지)) 전체에 걸쳐 점진적으로 변할 수 있다. 특정한 환자에 대한 관상 동맥들의 원위 단부들은 각각의 원위 단부들에 대해 결정된 cFFR의 국소적 값들에 의존하여, 상이한 컬러들, 예로서 적색에서 보라색까지의 어디든 가질 수 있다.
cFFR이 기능적으로 중요한 병변 또는 중재를 요구할 수 있는 다른 특징의 존재를 결정하기 위해 사용된 하한 아래로 떨어졌다고 결정한 후, 동맥 또는 분지는 기능적으로 중요한 병변(들)을 위치시키기 위해 평가될 수 있다. 컴퓨터 시스템 또는 사용자는 동맥 또는 분지의 기하학적 구조에 기초하여(예로서, cFFR 모델(54)을 사용하여) 기능적으로 중요한 병변(들)을 위치시킬 수 있다. 예를 들면, 기능적으로 중요한 병변(들)은 국소적 최소 cFFR 값을 가진 cFFR 모델(54)의 위치로부터 가까이(예로서, 위쪽으로) 위치된 협소화 또는 협착을 발견함으로써 위치될 수 있다. 컴퓨터 시스템은 기능적으로 중요한 병변(들)을 포함하는 cFFR 모델(54)(또는 다른 모델)의 부분(들)을 사용자에게 표시하거나 또는 디스플레이할 수 있다.
다른 이미지들이 또한 계산적 분석의 결과들에 기초하여 생성될 수 있다. 예를 들면, 컴퓨터 시스템은 예로서, 도 20 내지 도 22에 도시된 바와 같이, 특정한 주 관상 동맥들에 관한 부가적인 정보를 제공할 수 있다. 관상 동맥은 예를 들면, 특정한 관상 동맥이 최저 cFFR을 포함한다면, 컴퓨터 시스템에 의해 선택될 수 있다. 대안적으로, 사용자는 특정한 관상 동맥을 선택할 수 있다.
도 20은 개개의 참조 라벨들(예로서, LM, LAD1, LAD2, LAD3 등)에 의해 식별된 모델 상에서의 특정한 포인트들을 갖고 계산적 분석의 결과들을 포함한 환자의 해부학의 모델을 도시한다. 도 21에 도시된 대표적인 실시예에서, 포인트들은 LAD 동맥에 제공되며, 이것은 시뮬레이션된 충혈 상태들 하에서, 이러한 특정한 환자에 대한 최저 cFFR을 가진 주 관상 동맥이다.
도 21 및 도 22는 이들 포인트들(예로서, LM, LAD1, LAD2, LAD3 등)의 일부 또는 모두에서 및/또는 모델 상에서의 특정한 다른 위치들에서(예로서, 대동맥 등에서) 시간에 걸친 특정한 변수들의 그래프들을 도시한다. 도 21은 도 20에 표시된 포인트들(LAD1, LAD2, 및 LAD3)에서 및 대동맥에서 시간에 걸친 압력(예로서, 수은의 밀리미터들 또는 mmHg에서)의 그래프이다. 그래프 상에서의 상부 플롯은 대동맥에서의 압력을 표시하고, 상부로부터 제 2 플롯은 포인트(LAD1)에서의 압력을 표시하고, 상부로부터 제 3 플롯은 포인트(LAD2)에서의 압력을 표시하며, 하부 플롯은 포인트(LAD3)에서의 압력을 표시한다. 도 22는 도 20에 표시된 포인트들(LM, LAD1, LAD2, 및 LAD3)에서 시간에 걸친 흐름의 그래프이다(예로서, 초당 입방 센티미터들 또는 cc/s에서). 또한, 이들 포인트들의 일부 또는 모두에서 및/또는 다른 포인트들에서 시간에 걸친 전단 응력의 그래프와 같은, 다른 그래프들이 제공될 수 있다. 그래프에서의 상부 플롯은 포인트(LM)에서의 흐름을 표시하고, 상부로부터 제 2 플롯은 포인트(LAD1)에서의 흐름을 표시하고, 상부로부터 제 3 플롯은 포인트(LAD2)에서의 흐름을 표시하며, 하부 플롯은 포인트(LAD3)에서의 흐름을 표시한다. 특정한 주 관상 동맥 및/또는 그로부터 연장된 분지들의 길이를 따라, 이들 변수들, 예로서 혈압, 흐름, 속도, 또는 cFFR에서의 변화를 도시하는 그래프들이 또한 제공될 수 있다.
선택적으로, 상기 설명된 다른 그래프들 및 다른 결과들이 보고서에서 완결될 수 있다(단계 406). 예를 들면, 상기 설명된 이미지들 및 다른 정보는 설정된 템플릿을 가진 문서로 삽입될 수 있다. 템플릿은 다수의 환자들에 대해 사전 설정되며 일반적일 수 있고, 계산적 분석들의 결과들을 의사들 및/또는 환자들에 보고하기 위해 사용될 수 있다. 문서 또는 보고서는 계산적 분석이 완료된 후 컴퓨터 시스템에 의해 자동으로 완성될 수 있다.
예를 들면, 완성된 보고서는 도 23에 도시된 정보를 포함할 수 있다. 도 23은 도 1의 cFFR 모델(54)을 포함하며 또한 주 관상 동맥들 및 그로부터 연장된 분지들의 각각에서의 최저 cFFR 값들과 같은, 요약 정보를 포함할 수 있다. 예를 들면, 도 23은 LAD 동맥에서의 최저 cFFR 값이 0.66이고, LCX 동맥에서의 최저 cFFR 값이 0.72이고, RCA 동맥에서의 최저 cFFR 값이 0.80임을 표시한다. 다른 요약 정보는 환자의 이름, 환자의 나이, 환자의 혈압(BP)(예로서, 단계(100)에서 획득된), 환자의 심박수(HR)(예로서, 단계(100)에서 획득된) 등을 포함할 수 있다. 완성된 보고서는 또한 의사 또는 다른 사용자가 추가 정보를 결정하기 위해 액세스할 수 있는 상기 설명된 바와 같이 생성된 이미지들 및 다른 정보의 버전들을 포함할 수 있다. 컴퓨터 시스템에 의해 생성된 이미지들은 의사 또는 다른 사용자로 하여금, 상기 포인트에서, 상기 설명된 변수들, 예로서 혈압, 속도, 흐름, cFFR 등 중 임의의 것의 값을 결정하기 위해 임의의 포인트 위에 커서를 위치시키도록 허용하기 위해 포맷팅될 수 있다.
완성된 보고서는 의사 및/또는 환자에게 송신될 수 있다. 완성된 보고서는 임의의 알려진 방법의 통신, 예로서 무선 또는 유선 네트워크를 사용하여, 메일 등으로 송신될 수 있다. 대안적으로, 의사 및/또는 환자는 완성된 보고서가 다운로드 또는 픽-업을 위해 이용 가능하다는 것을 통지받을 수 있다. 그 후, 의사 및/또는 환자는 보안 통신 라인을 통해 완결된 보고서를 다운로드하기 위해 웹-기반 서비스로 로깅할 수 있다.
C. 결과들을 검증하는 것
다시 도 3을 참조하면, 계산적 분석의 결과들은 독립적으로 검증될 수 있다(단계 408). 예를 들면, 사용자 및/또는 컴퓨터 시스템은 상기 설명된 단계들 중 임의의 것이 재수행되도록 요구하는, 계산적 분석의 결과들, 예로서 단계(406)에서 생성된 이미지들 및 다른 정보가 가진 특정한 에러들을 식별할 수 있을 것이다. 이러한 에러들이 식별된다면, 계산적 분석의 결과들은 수용 가능하지 않은 것으로 결정될 수 있으며, 특정한 단계들, 예로서 단계들(100, 200, 300, 400), 서브단계들(102, 202 내지 208, 240 내지 260, 304 내지 314, 및 402 내지 408 등)이 반복될 수 있다.
따라서, 도 3에 도시되며 상기 설명된 단계들(402 내지 408)은 도 2의 단계(400)의 서브단계들로서 고려될 수 있다.
계산적 분석의 결과들을 검증하기 위한 또 다른 방법은 또 다른 방법을 사용하여 환자로부터의 결과들에 포함된 변수들, 예로서 혈압, 속도, 흐름, cFFR 등 중 임의의 것을 측정하는 단계를 포함할 수 있다. 대표적인 실시예에서, 변수들이 측정될 수 있으며(예로서, 비침투성으로) 그 후 계산적 분석에 의해 결정된 결과들에 비교될 수 있다. 예를 들면, FFR은 입체 모델(320) 및 메시(380)에 의해 표현된 환자의 해부학 내에서의 하나 이상의 포인트들에서, 예로서 상기 설명된 바와 같이 환자로 삽입된 전압선을 사용하여, 결정될 수 있다. 위치에서 측정된 FFR은 동일한 위치에서의 cFFR과 비교될 수 있으며, 비교는 다수의 위치들에서 수행될 수 있다. 선택적으로, 계산적 분석 및/또는 경계 조건들이 비교에 기초하여 조정될 수 있다.
VI. 환자-특정 치료 계획을 제공하는 것
도 2에 도시된 단계(500)와 관련되어 상기 설명된 바와 같이, 대표적인 방법은 환자-특정 치료 계획을 제공하는 단계를 포함할 수 있다. 대표적인 실시예에서, 단계(500)는 다음의 단계들을 포함할 수 있다. 도 3은 다음의 단계들을 도시하지 않지만, 이들 단계들은 도 3에 도시된 단계들과 관련되어, 예로서 단계들(406 또는 408) 후 수행될 수 있다. 게다가, 상기 설명된 바와 같이, 단계(500)의 다음의 설명된 서브-단계들 중 임의의 것이, 컴퓨터(40)와 같은 컴퓨터 시스템에 의해, 및/또는 하나 이상의 컴퓨팅 시스템들, 서버 시스템들, 및/또는 웹 서버들에 의해 수행될 수 있다.
상기 설명된 바와 같이, 도 1 및 도 23에 도시된 cFFR 모델(54)은 치료되지 않은 상태에서 및 시뮬레이션된 충혈 상태들 하에서 도 17 내지 도 19의 메시(380)에 의해 표현된 환자의 해부학 전체에 걸친 cFFR 값들을 표시한다. 이러한 정보를 사용하여, 의사는 운동의 증가, 다이어트의 변화, 약물의 처방, 모델링된 해부학의 임의의 부분 또는 심장의 다른 부분들에 대한 수술(예로서, 관상 동맥 우회술, 하나 이상의 관상 동맥 스텐트들의 삽입 등)과 같은, 환자에 대한 치료들을 규정할 수 있다.
어떤 치료(들)를 규정할지를 결정하기 위해, 컴퓨터 시스템은 계산적 분석으로부터 결정된 정보가 어떻게 이러한 치료(들)에 기초하여 변할지를 예측하기 위해 사용될 수 있다. 예를 들면, 스텐트(들)의 삽입 또는 다른 수술들과 같은, 특정한 치료들이 모델링된 해부학의 기하학적 구조에서의 변화를 야기할 수 있다. 따라서, 대표적인 실시예에서, 단계(306)에서 생성된 입체 모델(320)은 스텐트가 삽입되는 하나 이상의 내강들의 확장을 표시하기 위해 수정될 수 있다.
예를 들면, 도 1 및 도 23에 도시된 cFFR 모델(54)은 LAD 동맥에서의 최저 cFFR 값이 0.66이고, LCX 동맥에서의 최저 cFFR 값이 0.72이고, RCA 동맥에서의 최저 cFFR 값이 0.80임을 표시한다. cFFR 값이 예를 들면, 0.75 미만이라면 치료가 제안될 수 있다. 따라서, 컴퓨터 시스템은 이들 관상 동맥들에서 스텐트들을 삽입하는 것을 시뮬레이션하기 위해 LAD 동맥 및 LCX 동맥의 확장을 표시하기 위해 입체 모델(320)을 수정하는 것을 사용자에게 제안할 수 있다. 사용자는 시뮬레이션된 스텐트의 위치 및 크기에 대응하는 확장(예로서, 길이 및 직경)의 양 및 위치를 선택하도록 촉구될 수 있다. 대안적으로, 확장의 위치 및 양은 0.75 미만인 cFFR 값들을 가진 노드(들)의 위치, 혈관들의 중요한 협소화의 위치, 종래의 스텐트들의 크기들 등과 같은, 다양한 인자들에 기초하여 컴퓨터 시스템에 의해 자동으로 결정될 수 있다.
도 25는 위치(512)에서의 LAD 동맥의 일 부분 및 위치(514)에서의 LCX 동맥의 일 부분을 넓힘으로써 생성된 입체 모델에 기초하여 결정된 변경된 cFFR 모델(510)의 예를 도시한다. 대표적인 실시예에서, 상기 설명된 단계들, 예로서 단계들(310 내지 314 및 402 내지 408) 중 임의의 것은 변경된 입체 모델을 사용하여 반복될 수 있다. 단계(406)에서, 완성된 보고서는 도 23에 도시된 정보와 같은 치료되지 않은 환자에 관한 정보(예로서, 스텐트들이 없는), 및 도 25 및 도 26에 도시된 정보와 같은, 환자에 대한 시뮬레이션된 치료에 관한 정보를 포함할 수 있다.
도 25는 변경된 cFFR 모델(510)을 포함하며 제안된 치료와 연관된 변경된 입체 모델에 대한 주 관상 동맥들 및 그로부터 연장된 분지들에서의 최저 cFFR 값들과 같은, 요약 정보를 또한 포함한다. 예를 들면, 도 25는 LAD 동맥(및 그것의 다운스트림 분지들)에서의 최저 cFFR 값이 0.78이고, LCX 동맥(및 그것의 다운스트림 분지들)에서의 최저 cFFR 값이 0.78이고, RCA 동맥(및 그것의 다운스트림 분지들)에서의 최저 cFFR 값이 0.79임을 표시한다. 따라서, 치료되지 않은 환자(스텐트들이 없는)의 cFFR 모델(54) 및 제안된 치료(삽입된 스텐트들을 가진)에 대한 cFFR 모델(510)의 비교는 제안된 치료가 0.66에서 0.78까지 LAD 동맥에서의 최소 cFFR을 증가시키며 0.72에서 0.76까지 LCX 동맥에서의 최소 cFFR을 증가시킬 것인 반면, 0.80에서 0.79까지 RCA 동맥에서의 최소 cFFR에서의 최소 감소가 있을 것임을 표시한다.
도 26은 상기 설명된 바와 같이 위치(512)에서 LAD 동맥의 및 위치(514)에서의 LCX 동맥의 부분들을 넓힌 후 결정된 변경된 시뮬레이션된 혈류 모델(520)의 예를 도시한다. 도 26은 또한 제안된 치료와 연관된 변경된 입체 모델에 대해 주 관상 동맥들 및 그로부터 연장된 분지들에서의 다양한 위치들에서의 혈류 값들과 같은, 요약 정보를 포함한다. 예를 들면, 도 26은 치료되지 않은 환자(스텐트들이 없는)에 대해 및 치료된 환자(삽입된 스텐트들을 가진)에 대해 LAD 동맥에서 4개의 위치들(LAD1, LAD2, LAD3, 및 LAD4)에 대한 및 LCX 동맥에서의 2개의 위치들(LCX1 및 LCX2)에 대한 혈류 값들을 표시한다. 도 26은 또한 치료되지 않은 및 치료된 상태들 사이에서의 혈류 값들에서의 퍼센티지 변화를 표시한다. 따라서, 치료되지 않은 환자에 대한 시뮬레이션된 혈류 모델(52) 및 제안된 치료에 대한 시뮬레이션된 혈류 모델(520)의 비교는 위치에 의존하여, 9% 내지 19%만큼 위치들(LAD1 내지 LAD4, LCX1, 및 LCX2)의 모두에서 LAD 동맥 및 LCX 동맥을 통한 흐름을 증가시킬 수 있음을 표시한다.
관상 동맥 혈압과 같은, 다른 정보가 또한 치료되지 않은 및 치료된 상태들 사이에서 비교될 수 있다. 이러한 정보에 기초하여, 의사는 제안된 치료 옵션을 계속할지를 환자와 논의할 수 있다.
다른 치료 옵션들은 또한 상이한 방식들로 입체 모델(320)을 변경하는 것을 수반할 수 있다. 예를 들면, 관상 동맥 우회술은 입체 모델(320)에서 새로운 내강들 또는 통로들을 생성하는 것을 수반할 수 있으며 병변을 제거하는 것은 내강 또는 통로를 넓히는 것을 또한 수반할 수 있다. 다른 치료 옵션들은 입체 모델(320)을 변경하는 것을 수반하지 않을 수 있다. 예를 들면, 운동 또는 활동에서의 증가, 다이어트에서의 변화 또는 다른 라이프스타일 변화, 약물의 처방 등은, 예로서 혈관 수축, 확장, 감소된 심박수 등으로 인해, 단계(310)에서 결정된 경계 조건들을 변경하는 것을 수반할 수 있다. 예를 들면, 환자의 심박수, 심박출량, 박출량, 혈압, 관상 동맥 미소순환 기능, 집중 파라미터 모델들의 구성들 등은 처방된 약물, 채택된 운동(또는 다른 활동)의 유형 및 빈도, 채택된 라이프스타일 변화의 유형(예로서, 흡연의 금지, 다이어트에서의 변화들 등)에 의존할 수 있으며, 그에 의해 상이한 방식들로 단계(310)에서 결정된 경계 조건들에 영향을 준다.
대표적인 실시예에서, 변경된 경계 조건들은 많은 환자들로부터의 데이터를 사용하여 실험적으로 결정될 수 있으며, 유사한 치료 옵션들이 유사한 방식들로 경계 조건들을 변경하는 것을 요구할 수 있다. 경험적 모델들은 큰 모집단의 환자-특정 데이터로부터 개발될 수 있어서, 미래 분석들에서 유사한 환자들에 적용될 수 있는 특정 치료 옵션들에 대응하는, 경계 조건들의 라이브러리 또는 경계 조건들을 산출하기 위한 기능들을 생성한다.
경계 조건들을 변경한 후, 상기 설명된 단계들, 예로서 단계들(312, 314, 및 402 내지 408)은 변경된 경계 조건들을 사용하여 반복될 수 있으며, 단계(406)에서, 완성된 보고서는 도 23에 도시된 정보와 같은, 치료되지 않은 환자에 관한 정보, 및 도 25 및 도 26에 도시된 정보와 같은, 환자에 대한 시뮬레이션된 치료에 관한 정보를 포함할 수 있다.
대안적으로, 의사, 환자, 또는 다른 사용자는 3-차원 모델(예로서, 도 8의 입체 모델(320))과의 상호 작용을 허용하는 사용자 인터페이스를 제공받을 수 있다. 모델(320)은 하나 이상의 치료 옵션들을 반영하기 위해 사용자에 의해 편집될 수 있는 사용자-선택 가능한 세그먼트들로 나뉘어질 수 있다. 예를 들면, 사용자는 협착(또는 폐색, 예로서 급성 폐색)을 가진 세그먼트를 선택하며 협착을 제거하기 위해 세그먼트를 조정할 수 있고, 사용자는 우회술 등으로서 작용하도록 모델(320)에 세그먼트를 부가할 수 있다. 사용자는 또한 상기 결정된 경계 조건들, 예로서 심박출량에서의 변화, 심박수, 박출량, 혈압, 운동 또는 활동 레벨, 충혈 레벨, 약물들 등을 변경할 수 있는 다른 치료 옵션들 및/또는 생리적 파라미터들을 특정하도록 촉구될 수 있다. 대안적인 실시예에서, 컴퓨터 시스템은 치료 옵션을 결정하거나 또는 제안할 수 있다.
사용자 인터페이스는 사용자가 협착(또는 폐색, 예로서 급성 폐색)을 시뮬레이션하도록 허용하기 위해 3-차원 모델(320)과의 상호 작용을 허용할 수 있다. 예를 들면, 사용자는 협착을 포함하기 위한 세그먼트를 선택할 수 있으며, 컴퓨터 시스템은 계산적 분석으로부터 결정된 정보가 어떻게 협착의 부가에 기초하여 변할 것인지를 예측하기 위해 사용될 수 있다. 따라서, 여기에 설명된 방법들은 동맥을 차단하는 효과를 예측하기 위해 사용될 수 있다.
사용자 인터페이스는 또한 예를 들면, 암성 종양들을 제거할 때와 같은, 특정한 수술 절차들에서 발생할 수 있는, 손상된 동맥 또는 동맥의 제거를 시뮬레이션하기 위해 3-차원 모델(320)과의 상호 작용을 허용할 수 있다. 모델은 또한 환자에 대한 적절한 혈류를 공급하기 위해 부수적 경로들에 대한 가능성을 예측하기 위해 특정한 동맥들을 통한 혈류를 방지하는 효과를 시뮬레이션하도록 변경될 수 있다.
A. 상이한 치료 옵션들을 비교하기 위해 감소 차수 모델들을 사용하는 것
대표적인 실시예에서, 컴퓨터 시스템은 사용자로 하여금 3-차원 입체 모델(320) 또는 메시(380)를 감소 차수 모델로 대체함으로써 보다 빨리 다양한 치료 옵션들을 시뮬레이션하도록 허용할 수 있다. 도 27은 대표적인 실시예에 따라, 감소 차수 모델을 사용하여 다양한 치료 옵션들을 시뮬레이션하기 위한 방법(700)에 관한 개략도를 도시한다. 방법(700)은 상기 설명된 컴퓨터 시스템에서 구현될 수 있다.
혈류 또는 다른 파라미터들을 표현한 하나 이상의 환자-특정 시뮬레이션된 혈류 모델들은 상기 설명된 계산적 분석으로부터 출력될 수 있다(단계 701). 예를 들면, 시뮬레이션된 혈류 모델들은, 상기 설명되며 도 2 및 도 3에 도시된 방법들을 사용한다면, 도 1의 시뮬레이션된 혈압 모델(50), 도 1의 시뮬레이션된 혈류 모델(52), 도 1의 cFFR 모델(54) 등을 포함할 수 있다. 상기 설명된 바와 같이, 시뮬레이션된 혈류 모델은 환자의 해부학의 3-차원 기하학적 모델을 포함할 수 있다.
기능적 정보는 감소 차수 모델에 대한 조건들을 특정하기 위해 시뮬레이션된 혈류 모델들로부터 추출될 수 있다(단계 702). 예를 들면, 기능적 모델은 상기 설명된 계산적 분석을 사용하여 결정된 혈압, 흐름, 또는 속도 정보를 포함할 수 있다.
감소 차수(예로서, 0-차원 또는 1-차원) 모델은 단계(701)에서 생성된 환자 특정 시뮬레이션된 혈류 모델들을 생성하기 위해 사용된 3-차원 입체 모델(320)을 교체하기 위해 제공될 수 있으며 감소 차수 모델은 환자에서의 관상 동맥 혈류에 대한 정보를 결정하기 위해 사용될 수 있다(단계 703). 예를 들면, 감소 차수 모델은 도 3의 단계(310)와 관련되어 상기 설명된 바와 같이 생성된 집중 파라미터 모델일 수 있다. 따라서, 집중 파라미터 모델은 도 17 내지 도 19의 메시(380)와 연관된 식들의 보다 복잡한 시스템을 풀 필요 없이 환자에서의 관상 동맥 혈류에 대한 정보를 결정하기 위해 사용될 수 있는 환자의 해부학의 간소화된 모델이다.
단계(703)에서 감소 차수 모델을 푸는 것으로부터 결정된 정보는 그 후 환자의 해부학의 입체 모델(예로서, 입체 모델(320))에 매핑되거나 또는 외삽될 수 있으며(단계 704), 사용자는 사용자에 의해 선택될 수 있는, 환자에 대한 생리적 파라미터들에 대한 변화들 및/또는 다양한 치료 옵션들을 시뮬레이션하기 위해 원하는 대로 감소 차수 모델에 대한 변경들을 할 수 있다(단계 705). 선택 가능한 생리적 파라미터들은 심박출량, 운동 또는 활동 레벨, 충혈의 레벨, 약물들의 유형들 등을 포함할 수 있다. 선택 가능한 치료 옵션들은 협착의 제거, 우회술의 부가 등을 포함할 수 있다.
그 후, 감소 차수 모델은 사용자에 의해 선택된 치료 옵션들 및/또는 생리적 파라미터들에 기초하여 변경될 수 있으며, 변경된 감소 차수 모델은 선택된 치료 옵션 및/또는 생리적 파라미터와 연관된 환자에서의 관상 동맥 혈류에 대한 정보를 결정하기 위해 사용될 수 있다(단계 703). 단계(703)에서 감소 차수 모델을 해결함으로부터 결정된 정보는 그 후 환자의 해부학에서 관상 동맥의 혈류에 대한 선택된 치료 옵션 및/또는 생리적 파라미터의 효과들을 예측하기 위해 환자의 해부학의 3-차원 입체 모델(320)에 매핑되거나 또는 외삽될 수 있다(단계 704).
단계들(703 내지 705)은 서로에 및 치료되지 않은 환자에서의 관상 동맥 혈류에 대한 정보에 다양한 치료 옵션들의 예측된 효과들을 비교하기 위해 다양한 상이한 치료 옵션들 및/또는 생리적 파라미터들에 대해 반복될 수 있다. 그 결과, 다양한 치료 옵션들 및/또는 생리적 파라미터들에 대한 예측된 결과들은 3-차원 메시(380)를 사용하여 보다 복잡한 분석을 재실행할 필요 없이 서로에 대해 및 치료되지 않은 환자에 대한 정보에 대해 평가될 수 있다. 대신에, 감소 차수 모델이 사용될 수 있으며, 이것은 사용자가 상이한 치료 옵션들 및/또는 생리적 파라미터들을 보다 쉽고 빠르게 분석하고 비교하도록 허용할 수 있다.
도 28은 대표적인 실시예에 따라, 감소 차수 모델을 사용하여 다양한 치료 옵션들을 시뮬레이션하기 위한 대표적인 방법의 추가 양상들을 도시한다. 방법(700)은 상기 설명된 컴퓨터 시스템에서 구현될 수 있다.
도 3의 단계(306)와 관련되어 상기 설명된 바와 같이, 환자-특정 기하학적 모델은 환자에 대한 이미징 데이터에 기초하여 생성될 수 있다(단계 711). 예를 들면, 이미징 데이터는 도 2의 단계(100)에서 획득된 CCTA 데이터를 포함할 수 있으며, 기하학적 모델은 도 3의 단계(306)에서 생성된 도 8의 입체 모델(320), 및/또는 도 3의 단계(312)에서 생성된 도 17 내지 도 19의 메시(380)일 수 있다.
환자-특정 3-차원 기하학적 모델을 사용하여, 계산적 분석은, 환자의 관상 동맥 혈류에 대한 정보를 결정하기 위해, 예로서 도 3의 단계(402)와 관련되어 상기 설명된 바와 같이, 수행될 수 있다(단계 712). 계산적 분석은 혈류 또는 다른 파라미터들, 예로서 도 1의 시뮬레이션된 혈압 모델(50), 도 1의 시뮬레이션된 혈류 모델(52), 도 1의 cFFR 모델(54) 등을 표현한 하나 이상의 3-차원 환자-특정 시뮬레이션된 혈류 모델들을 출력할 수 있다.
시뮬레이션된 혈류 모델은 모델의 해부학적 특징들에 기초하여 세그먼트될 수 있다(예로서, 도 14와 관련되어 상기 설명된 바와 같이)(단계 713). 예를 들면, 주 관상 동맥들로부터 연장된 분지들은 별개의 세그먼트들에서 제공될 수 있고(단계 714), 협착 또는 병에 걸린 영역들을 가진 부분들이 별개의 세그먼트들에서 제공될 수 있으며(단계 716), 협착 또는 병에 걸린 영역들을 가진 부분들 및 분지들 사이에서의 부분들은 별개의 세그먼트들에서 제공될 수 있다(단계 715). 가변적인 분해능의 정도는 각각의 혈관이 예로서, 전체 혈관을 포함하여, 복수의 짧은, 별개의 세그먼트들 또는 보다 긴 세그먼트들을 포함할 수 있도록 시뮬레이션된 혈류 모델을 세그먼트할 때 제공될 수 있다. 또한, 다양한 기술들이 중심선들을 생성하는 것 및 생성된 중심선들에 기초하여 섹셔닝하는 것, 또는 분지 포인트들을 검출하는 것 및 검출된 분지 포인트들에 기초하여 섹셔닝하는 것을 포함하여, 시뮬레이션된 혈류 모델을 세그먼트하기 위해 제공될 수 있다. 병에 걸린 부분들 및 협착들은, 예로서 중심선의 길이를 따라 단면적을 측정하며 국소적으로 최소 단면적들을 산출함으로써 식별될 수 있다. 단계들(711 내지 716)은 도 27의 단계(701)의 서브단계들로서 고려될 수 있다.
세그먼트들은 도 15와 관련되어 상기 설명된 바와 같이, 저항기들, 커패시터들, 인덕터들 등과 같은, 집중 파라미터 모델의 구성요소들에 의해 대체될 수 있다. 저항, 정전 용량, 인덕턴스, 및 집중 파라미터 모델에서 사용된 다른 전기적 구성요소들과 연관된 다른 변수들에 대한 개개의 값들은 단계(712)에서 제공된 시뮬레이션된 혈류 모델들로부터 도출될 수 있다. 예를 들면, 협착 또는 병에 걸린 영역들을 가진 부분들 및 분지들 사이에서의 부분들 및 분지들에 대해, 시뮬레이션된 혈류 모델로부터 도출된 정보는 대응하는 세그먼트들에 선형 저항들을 할당하기 위해 사용될 수 있다(단계 717). 협착 또는 병에 걸린 영역과 같은, 복잡한 기하학적 구조를 가진 부분들에 대해, 저항은 유량에 따라 변할 수 있다. 따라서, 다수의 계산적 분석들이 도 15와 관련되어 상기 설명된 바와 같이, 이들 복잡한 기하학적 구조들에 대한 환자-특정, 혈관-특정, 및 병변-특정 저항을 도출하기 위해 다양한 흐름 및 압력 조건들에 대한 시뮬레이션된 혈류 모델들을 획득하기 위해 사용될 수 있다. 따라서, 협착 또는 병에 걸린 영역들을 가진 부분들에 대해, 이들 다수의 계산적 분석들로부터 도출된 정보 또는 이전 데이터로부터 도출된 모델들은 대응하는 세그먼트들에 비-선형, 흐름-종속적 저항들을 할당하기 위해 사용될 수 있다(단계 718). 단계들(717 및 718)은 도 27의 단계(702)의 서브단계들로서 고려될 수 있다.
단계들(717 및 718)에서 결정된 저항들을 사용하여, 감소 차수(예로서, 0-차원 또는 1-차원) 모델이 생성될 수 있다(단계 719). 예를 들면, 감소 차수 모델은 도 3의 단계(310)와 관련되어 상기 설명된 바와 같이 생성된 집중 파라미터 모델일 수 있다. 따라서, 집중 파라미터 모델은 도 17 내지 도 19의 메시(380)와 연관된 식들의 보다 복잡한 시스템을 풀 필요 없이 환자에서의 관상 동맥 혈류에 대한 정보를 결정하기 위해 사용될 수 있는 환자의 해부학의 간소화된 모델이다.
사용자가 단계(719)에서 생성된 감소 차수 모델과 상호 작용하도록 허용하는 사용자 인터페이스가 제공될 수 있다(단계 720). 예를 들면, 사용자는 상이한 치료 옵션들을 시뮬레이션하기 위해 감소 차수 모델의 상이한 세그먼트들을 선택 및 편집할 수 있고 및/또는 다양한 생리적 파라미터들을 편집할 수 있다. 예를 들면, 병에 걸린 영역의 복구를 위한 스텐트의 삽입과 같은, 중재가 스텐트가 삽입될 세그먼트의 저항을 감소시킴으로써 모델링될 수 있다. 우회를 형성하는 것은 병에 걸린 세그먼트에 평행한 낮은 저항을 가진 세그먼트를 부가함으로써 모델링될 수 있다.
모델링된 감소 차수 모델은 단계(720)에서 선택된 생리적 파라미터들에서의 변화 및/또는 치료 하에서 환자에서의 관상 동맥 혈류에 대한 정보를 결정하기 위해 풀릴 수 있다(단계 721). 단계(721)에서 결정된 각각의 세그먼트에서의 흐름 및 압력에 대한 해법 값들은 그 후 단계(712)에서 결정된 3-차원 해법에 비교될 수 있으며 임의의 차이가 세그먼트들의 저항 함수들을 조정하며(예로서, 단계들(717 및 718)에서 결정된 바와 같이) 해법들이 일치할 때까지 감소 차수 모델을 분해함으로써(예로서, 단계(721)) 최소화될 수 있다. 그 결과, 감소 차수 모델은 비교적 빠른 계산(예로서, 완전한 3-차원 모델에 비교하여)을 허용하는 간소화된 세트의 식들을 생성하며 그것을 갖고 풀릴 수 있고 완전한 3-차원 계산 해법의 결과들을 가깝게 근사할 수 있는 유량 및 압력에 대해 풀기 위해 사용될 수 있다. 감소 차수 모델은 다양한 상이한 치료 옵션들을 모델링하기 위해 비교적 빠른 반복들을 허용한다.
단계(721)에서 감소 차수 모델을 푸는 것으로부터 결정된 정보는 그 후 환자의 해부학의 3-차원 입체 모델(예로서, 입체 모델(320))에 매핑되거나 또는 외삽될 수 있다(단계 722). 단계들(719 내지 722)은 도 27의 단계들(703 내지 705)과 유사할 수 있으며 치료 옵션들 및/또는 생리적 파라미터들의 상이한 조합들을 시뮬레이션하기 위해 사용자에 의해 원하는 대로 반복될 수 있다.
대안적으로, 3-차원 모델로부터 세그먼트들을 따라 저항을 산출하기보다는(예로서, 단계들(717 및 718)에 대해 상기 설명된 바와 같이), 중심선을 따르는 간격들에서의 흐름 및 압력이 집중 파라미터 또는 1-차원 모델로 규정될 수 있다. 유효 저항들 또는 손실 계수들이 경계 조건들 및 규정된 흐름 및 압력의 제약들 하에서 풀릴 수 있다.
또한, 개개의 세그먼트들에 걸친 유량들 및 압력 경도들이 감소-차수 모델(예로서, 단계(721)에 대해 상기 설명된 바와 같이)로부터 도출된 해법을 사용하여 심외막 관상 동맥 저항을 계산하기 위해 사용될 수 있다. 심외막 관상 동맥 저항은 심외막 관상 동맥들(의학적 이미징 데이터로부터 재구성된 환자-특정 모델에 포함된 관상 동맥들 및 그로부터 연장된 분지들의 부분들)의 등가 저항으로서 산출될 수 있다. 이것은 관상 동맥들에서의 퍼진 죽상 동맥 경화를 가진 환자들이 국소 빈혈(혈액 공급에서의 제한)의 증상들을 보일 수 있는 이유를 설명할 때 임상적 의의를 가질 수 있다. 또한, 시뮬레이션된 약학적으로-유도된 충혈 또는 가변적 운동 강도의 조건들하에서 심근 조직 부피(또는 질량)의 단위당 흐름 및/또는 심작업량의 단위당 흐름이 감소-차수 모델들로부터의 데이터를 사용하여 산출될 수 있다.
B. 치료 옵션들을 최적화하기 위해 환자-특정 기하학적 모델들을 변경하는 것
사용자가 내강을 넓히기 위해 입체 모델(320)에서 기하학적 구조를 수정할 수 있게 하며 사용자가 다양한 치료 옵션들에 기초하여 감소 차수 모델을 변경할 수 있게 하기 위한 이전-설명된 기술들 외에, 시스템들 및 방법들의 다른 실시예들이 이제 환자-특정 기하학적 모델들을 변경함으로써 치료 옵션들을 자동으로 평가하기 위해 개시된다. 예를 들면, 상기 설명된 바와 같이, 심장 전문의는 3-차원 환자 특정 기하학적 모델을 검토하며, 심장 전문의가 보다 양호한 혈류 속성들을 제공할 수 있다고 믿는 치료 옵션을 반영하기 위해 모델에 대한 변화들을 하도록 결정할 수 있다. 또한, 심장 전문의, 개선된 혈류 속성들에 대한 심장 전문의의 믿음이 정확한지를 산출하기 위해, 심장 전문의가 기하학적 모델에 대해 하는 변화들에 기초하여 감소-차수 모델을 업데이트하도록 컴퓨터 시스템을 동작시킬 수 있다.
그러나, 부가적인 실시예들이 이제 환자-특정 기하학적 모델들을 변경함으로써 치료 옵션들을 자동으로 평가하기 위해 설명된다. 예를 들면, 컴퓨터 시스템은 심장 전문의가 혈류 속성들을 개선할 것임을 반드시 아는 것은 아닌 치료 옵션들에 대해서조차, 자동으로 환자-특정 기하학적 모델들을 변경하며 치료 옵션들을 평가할 수 있다. 게다가, 컴퓨터는 수백 또는 심지어 수천의 상이한 가능한 치료 옵션들을 반영하기 위해 수백 또는 심지어 수천 회, 환자-특정 기하학적 모델들을 자동으로 변경할 수 있다. 예를 들면, 컴퓨터 시스템은 우회술 및/또는 스텐트 중재들의 다수의 상이한 가능한 위치들 및 유형들을 자동으로 모델링할 수 있고, 이들 다수의 유형들의 중재들의 구현에 기초하여 환자의 관상 동맥 기하학적 구조를 모델링하며 그 후 예로서 감소 차수 모델링를 사용하여, 모델들을 자동으로 분석함으로써 하나 이상의 적합한 또는 바람직한 중재들을 자동으로 식별할 수 있다. 이하에 보다 상세히 설명될 바와 같이, 컴퓨터(40)(도 1)와 같은, 임의의 유형의 컴퓨팅 시스템은 도 29의 대표적인 방법에 따라 환자-특정 이미징 데이터를 프로세싱하며 평가하기 위해 사용될 수 있다.
도 29는 환자-특정 기하학적 모델들을 변경함으로써 치료 옵션들을 자동으로 평하기 위한 방법(800)을 묘사한다. 묘사된 바와 같이, 방법(800)은 이미지 데이터 및 생리적 정보로부터 환자-특정 기하학적 모델을 생성하는 단계를 포함할 수 있다(단계 802). 예를 들면, 이미징 데이터는 도 2의 단계(100)에서 획득된 CCTA 데이터를 포함할 수 있으며, 형성된 기하학적 모델은 도 3의 단계(306)에서 생성된 도 8의 입체 모델(320), 및/또는 도 3의 단계(312)에서 생성된 도 17 내지 도 19의 메시(380)일 수 있다.
방법(800)은 그 후 모델의 해부학적 특징들에 기초하여 시뮬레이션된 혈류 모델(예로서, 도 14와 관련되어 상기 설명된 바와 같이)을 세그먼트하는 단계, 및 환자-특정 기하학적 모델에 기초하여 감소-차수 모델을 생성하는 단계를 포함할 수 있다(단계 804). 첫 번째로, 다양한 기술들이, 중심선들을 생성하는 것 및 생성된 중심선들에 기초하여 섹셔닝하는 것을 포함하여, 시뮬레이션된 혈류 모델을 세그먼트하거나, 또는 분지 포인트들을 검출하며 검출된 분지 포인트들에 기초하여 섹셔닝하기 위해 제공될 수 있다. 병에 걸린 부분들 및 협착들은, 예로서 중심선의 길이를 따라 단면적을 측정하며 국소적으로 최소 단면적들을 산출함으로써, 식별될 수 있다. 세그먼트들은, 도 15와 관련되어 상기 설명된 바와 같이, 저항기들, 커패시터들, 인덕터들 등과 같은, 집중 파라미터 모델의 구성요소들로 대체될 수 있다. 저항, 정전 용량, 인덕턴스, 집중 파라미터 모델에 사용된 다른 전기적 구성요소들과 연관된 다른 변수들에 대한 개개의 값들은 시뮬레이션된 혈류 모델들로부터 도출될 수 있다. 예를 들면, 분지들 및 협착 또는 병에 걸린 영역들을 가진 부분들 사이에서의 부분들 및 분지들에 대해, 시뮬레이션된 혈류 모델로부터 도출된 정보는 대응하는 세그먼트들에 선형 저항들을 할당하기 위해 사용될 수 있다.
감소 차수(예로서, 0-차원 또는 1-차원) 모델이 그 후 결정된 저항들을 사용하여 생성될 수 있다. 예를 들면, 감소 차수 모델은 도 3의 단계(310)와 관련되어 상기 설명된 바와 같이 생성된 집중 파라미터 모델일 수 있다. 따라서, 집중 파라미터 모델은 도 17 내지 도 19의 메시(380)와 연관된 식들의 보다 복잡한 시스템을 풀 필요 없이 환자에서의 관상 동맥 혈류에 대한 정보를 결정하기 위해 사용될 수 있는 환자의 해부학의 간소화된 모델이다.
변경된 감소 차수 모델은 환자에서의 관상 동맥 혈류에 대한 정보를 결정하기 위해 풀릴 수 있다(단계 806). 예를 들면, 환자-특정 3-차원 기하학적 모델을 사용하여, 계산적 분석은, 환자의 관상 동맥 혈류에 대한 정보를 결정하기 위해, 예로서 도 3의 단계(402)와 관련되어 상기 설명된 바와 같이, 수행될 수 있다. 계산적 분석은 혈류 또는 다른 파라미터들, 예로서 도 1의 시뮬레이션된 혈압 모델(50), 도 1의 시뮬레이션된 혈류 모델(52), 도 1의 cFFR 모델(54) 등을 표현한 하나 이상의 3-차원 환자-특정 시뮬레이션된 혈류 모델들을 출력할 수 있다. 따라서, 다수의 계산적 분석들이 도 15와 관련되어 상기 설명된 바와 같이, 이들 복잡한 기하학적 구조들에 대한 환자-특정, 혈관-특정, 및 병변-특정 저항 기능들을 도출하기 위해 다양한 흐름 및 압력 조건들에 대한 시뮬레이션된 혈류 모델들을 획득하기 위해 사용될 수 있다.
한편, 방법(800)은 또한 복수의 치료 옵션들을 반영하기 위해 생성된 환자-특정 기하학적 모델을 변경하기 위한 기하학적 변경 기술들을 구현하는 단계를 수반할 수 있다(단계 808). 임의의 적절한 컴퓨터화된 모델링 또는 컴퓨터화된-보조 드래프팅 기술이 환자-특정 기하학적 모델과 연관된 메시를 변경하기 위해 사용될 수 있다. 예를 들면, 일 실시예에서, 기하학적 도메인 변경 기술은 치료된 및 원래 환자 동맥 기하학적 구조를 조합하기 위한 구조적 입체 기하(constructive solid geometry; CSG) 통합을 수행하기 위해 사용될 수 있다. 또 다른 실시예에서, 탄성 변형 변경 기술은 원래 환자 동맥 기하학적 구조의 메시 모델을 제안된 치료된 동맥 기하학적 구조의 형태로 변형하기 위해 사용될 수 있다. 기하학적 도메인 변경 및 탄성 변형 변경 기술들의 대표적인 실시예들은 이하에 보다 상세히 설명될 것이다.
방법(800)은 모든 가능한 치료 옵션들을 모델링하기 위해 하나 이상의 변경 기술들을 사용하는 단계를 더 포함할 수 있다(단계 810). 예를 들면, 변경 기술들은 환자의 동맥 트리들의 모든 가능한 위치들에서의 스텐트의 삽입을 시뮬레이션할 수 있다. 변경 기술들은 알려진 상업적 스텐트 기하학적 구조들의 데이터베이스에 기초하여, 스텐트들의 반경들 및 길이들, 및/또는 모든 상업적으로 이용 가능한 스텐트들의 모든 조합들을 포함하여, 모든 가능한 스텐트들의 삽입을 시뮬레이션할 수 있다. 게다가, 기하학적 변경 기술들은 임의의 적절한 위치들에서, 복수의 스텐트들의 삽입을 시뮬레이션할 수 있다. 예를 들면, 복수의 동맥 분지들을 가진 환자의 동맥 트리를 고려해 볼 때, 변경 기술들은 스텐트가 위치될 수 있는 각각의 동맥 분지를 따라 모든 위치를 식별하기 위해 사용될 수 있다. 게다가, 가능한 위치들은 중첩할 수 있으며, 따라서 환자의 기하학적 모델은 스텐트 자체보다는 상당히 더 짧은 스텐트 위치에서의 시프트를 위해 변경된다. 마찬가지로, 변경 기술들은 우회술의 모든 가능한 위치들, 및 우회술들의 모든 가능한 크기들 및 배향들을 위해 적용될 수 있다. 컴퓨터 시스템은 또한 PCI 및/또는 CABG 중재들의 임의의 가능한 조합을 위해 변경 기술들을 적용할 수 있다.
일 실시예에서, 컴퓨팅 시스템은 환자의 관상 동맥 혈관계 내에서의 모든 단일 실현 가능한 위치에 대한 가능한 치료 옵션들의 세트를 생성할 수 있다. 또 다른 실시예에서, 컴퓨팅 시스템은 에너지 손실들의 미리 결정된 임계 레벨, 또는 몇몇 다른 흐름 특성을 가진 환자의 관상 동맥 혈관계의 섹션들에 대한 가능한 치료 옵션들의 세트를 생성할 수 있다. 예를 들면, 단계(806)에서 환자의 관상 동맥 혈류 특성들에 대해 풀 때, 컴퓨팅 시스템은 0.75 미만의 FFR 값, 또는 동맥 세그먼트들 사이에서 5% 이상만큼 떨어진 FFR 값과 같은, 미리 결정된 혈류 특성을 가진 이들 세그먼트들을 식별할 수 있다. 컴퓨팅 시스템은 그 후, 다양한 스텐트들 및/또는 우회술들의 모든 실현 가능한 유형들, 크기들, 및 배향들에 대해, 상기 설명된 기하학적 변경 기술들을 사용하여, 이들 세그먼크들에 대한 잠재적인 치료 옵션들의 세트를 생성할 수 있다.
모든 가능한 치료 옵션들의 세트를 고려해 볼 때, 방법(800)은, 각각의 치료 옵션에 대응하는 감소 차수 모델의 추정된 파라미터들을 사용하여, 모든 치료 옵션들에 대한 감소 차수 모델의 반복적인 해법을 수행할 수 있다(단계들(812, 806)). 구체적으로, 감소 차수 모델은 각각의 가능한 치료 옵션에 대해 효율적으로 실행될 수 있다. 일 실시예에서, 감소 차수 모델은 3-차원 계산 유체 동적 모델의 고유 저항들을 표현하는 저항기들의 네트워크일 수 있다. 고유 저항들은 저항적 세그먼트들의 엔드포인트들을 선택하고, 이들 노드들에서의 압력들을 결정하며, 예로서 단계(806)에서 풀린 사전-동작적 결과들을 사용하여, 이들 노드들을 연결한 세그먼트들을 통한 흐름, 및 옴의 법칙을 사용하여 저항들을 산출함으로써 산출될 수 있다. 감소 차수 모델은 환자-특정 기하학적 모델의 경계 조건들로서 정의된 저항들에 결합될 수 있다.
각각의 가능한 치료 옵션에 대한 감소 차수 모델을 풀기 위해, 가능한 치료 옵션과 연관된 추정된 파라미터들은 감소 차수 모델을 변경하기 위해 사용될 수 있다. 예를 들면, 저항기 모델의 경우에, 스텐트에 대해 추정된 저항 값은 스텐트에 대한 적합한 위치에서 감소 차수 모델로 삽입될 수 있다. 스텐트에 대해 추정된 저항 값은 스텐트에 대한 복수의 적합한 위치들 중 임의의 것으로 이동될 수 있으며, 감소 차수 모델은 각각의 가능한 위치에 대해 풀릴 수 있다. 도 12 내지 도 16에 대하여 상기 설명된 바와 같이, 각각의 가능한 치료 옵션에 대해 생성된 감소 차수 모델은 예를 들면, 옴의 법칙, 키르히호프(Kirchhoff)의 전류 법칙, 및/또는 키르히호프의 전압 법칙을 사용하여 빠르게 풀릴 수 있다.
일 실시예에서, 각각의 치료 옵션에 대한 감소 차수 모델을 풀 때 사용된 저항 값들은 원형 실린더에서의 완전히-발달된 흐름(즉, 포이쉴리 흐름(Poiseuille flow) 처럼)에 대한 분석적 해법에 기초하여 추정될 수 있다. 예를 들면, 주어진 스텐트 또는 우회에 대해, 완전히-발달된 흐름은 가능한 스텐트 또는 우회의 알려진 치수들 및 기하학적 구조의 길이 및 직경에 걸쳐 존재한다는 것이 가정될 수 있다. 컴퓨터 시스템은 그 후 이러한 흐름과 연관된 저항 값에 대해 분석적으로 풀릴 수 있다. 이러한 분석적 기술에 대한 대안으로서, 가능한 스텐트 또는 우회 옵션들과 연관된 저항 값들은 이전 구현된 스텐트 또는 우회술들의 다양한 알려진 치수들 및 기하학적 구조들과 연관된 알려진 저항 값들의 데이터베이스 또는 라이브러리와 같은, 이력 데이터로부터 획득될 수 있다. 따라서, 감소 차수 모델은 각각의 가능한 치료 옵션의 유형 및 위치와 연관되는 것으로 산출된, 추정된, 또는 그 외 예측된 저항 값을 사용하여, 각각의 가능한 치료 옵션에 대해 생성되고 풀릴 수 있다. 게다가, 각각의 치료 옵션을 고려해볼 때, 감소 차수 모델이 생성되며 그 후 비교적 빠른 계산(예로서, 완전한 3-차원 모델에 비교하여)을 허용하는 간소화된 세트의 식들을 갖고 풀릴 수 있으며 완전한 3-차원 컴퓨터 해법의 결과들을 가깝게 근사할 수 있는 유량 및 압력을 풀기 위해 사용될 수 있다. 감소 차수 모델은 비교적 빠른 반복들이 다양한 상이한 치료 옵션들을 모델링하도록 허용한다.
방법(800)은 또한 복수의 감소 차수 모델들로부터 풀린 혈류 특성들의 하나 이상의 목적 함수들을 생성하는 단계를 포함할 수 있다(단계 814). 적합한 목적 함수는, 하나 이상의 다른 변수들에 대해, 비용 함수, 또는 하나 이상의 변수들을 최적화하는 임의의 다른 다중-변수 함수일 수 있다. 일 실시예에서, 생성된 목적 함수는 복수의 치료 옵션들에 대응하는 복수의 감소 차수 모델들로부터 풀린 흐름 특성들 중 하나 이상을 최적화할 수 있다. 예를 들면, 목적 함수는 동맥 흐름을 최대화하거나, 또는 FFR 손실들을 최소화하는 하나 이상의 치료 옵션들을 식별하도록 설계될 수 있다. 일 실시예에서, 목적 함수는 그 전체 내용들이 여기에 참조로서 통합되는, 2012년 10월 19일에, Timothy A. Fonte 외에 의해 출원된, 혈관계를 수치적으로 평가하기 위한 시스템들 및 방법들에 대한 미국 출원 번호 제13/656,183호에 설명된 바와 같이, 구문 스코어를 최적화하는 하나 이상의 치료 옵션들을 식별하도록 설계될 수 있다. 목적 함수는 흐름을 최대화하고, 압력 변화들을 최소화하거나, 또는 혈류의 임의의 다른 원하는 특성을 최적화하도록 설계될 수 있다. 따라서, 목적 함수를 해결하는 것은 원하는 특성을 최적화하는 치료 옵션들(즉, 스텐트 선택/위치 및/또는 우회술 선택/위치) 중 하나 이상의 식별을 가능하게 할 것이다. 목적 함수가 단계들(806, 812)에서 풀린 다수의 감소 차수 모델들의 결과들에 대해 동작하기 때문에, 목적 함수는 수백, 수천, 또는 심지어 수만 개의 상이한 치료 옵션들의 결과들을 빠르게 및 자동으로 평가할 수 있다.
또한, 목적 함수는 가능한 치료 옵션들의 특정한 바람직하지 않은 특성들에 페널티를 주도록 구성될 수 있다. 구체적으로, 목적 함수는 예로서, 그것이 하나 이상의 페널티들을 가질 수 있기 때문에, 최적의 식별된 치료가 반드시 절대 최고의 최대화된 또는 최저의 최소화된 변수를 가진 치료인 것은 아니도록 설계될 수 있다. 예를 들면, 목적 함수는 하나 이상의 스텐트를 가진 치료 옵션들에 페널티들, 및 증가하는 수들의 중재들에 따라 더 큰 페널티들(즉, 스텐트들 및 우회술들의 조합들을 처벌하는)을 적용하도록 설계될 수 있다. 일 실시예에서, 목적 함수는 증가하는 수들의 스텐트들 및/또는 우회술들; 보다 큰 혈관들, 보다 작은 혈관들에서의 FFR 값들의 감소; 삽입된 스텐트들의 증가하는 근접성(즉, 그것 사이에서의 거리를 감소시키는 것); 및 분기들의 존재 또는 수 중 하나 이상에 페널티를 줄 수 있다.
일 실시예에서, 목적 함수는 하나 이상의 치료 옵션들의 실제 및/또는 추정된 금전 비용들에 기초하여 특정한 치료 옵션들을 처벌할 수 있다. 예를 들면, 목적 함수는 알려진 병원 요금들, 의사 요금들, 의료 디바이스 가격들, 보험 배상들, 또는 상이한 치료들과 연관된 임의의 다른 금전 비용들의 라이브러리를 수신하거나 또는 액세스할 수 있다. 비용들은 다양한 환자 인자들, 수술 절차의 지형, 주입된 의료 디바이스의 유형, 절차와 연관된 병원 또는 의사, 수술 절차의 복잡도 등에 기초하여 달라지는 것으로 알려질 수 있다. 따라서, 예를 들면, 복잡도가 증가하거나, 또는 스텐트들 또는 우회들의 수들이 증가함에 따라, 치료 옵션의 예상된 또는 모델링된 비용들이 또한 증가할 수 있으며, 적절한 치료 옵션이 목적 함수에 의해 그에 따라 페널티가 가해질 수 있다.
다시 말해서, 목적 함수는, 이들 치료 옵션들이 절대적인 대부분의 최적화된 혈류 특성을 야기하지 않을지라도, 예로서, 하나의 스텐트 또는 하나의 우회를 사용하여 간단하며, 효과적인, 예로서 보다 작은 혈관들에 비해 큰 혈관들에 대해 중요한 결과들을 야기하는 치료 옵션들을 지지하도록 설계될 수 있다. 이러한 목적 함수들은 하나 이상의 국소적으로 또는 전역적으로 최적화된 혈류 특성들의 식별을 야기할 수 있다(단계 816).
일 실시예에서, 목적 함수가 원하는 흐름 파라미터(예로서, FFR을 최소화하고, 흐름을 최대화하는 전역적 최적)를 최적화하는 치료 옵션을 식별할 때, 방법(800)은 식별된 치료 옵션을 디스플레이하는 것에 의해서와 같이, 상기 치료 옵션을 출력하는 단계를 포함할 수 있다(단계 818). 예를 들면, 방법(800)은 선택된 치료 옵션(예로서, 스텐트 또는 우회술)에 의해 변경된 바와 같이 환자-특정 기하학적 모델을 디스플레이하는 단계를 포함할 수 있다. 또한, 또는 대안적으로, 방법(800)은 선택된 치료 옵션의 기록된 또는 텍스트 기술을 디스플레이하는 단계를 포함할 수 있다. 예를 들면, 방법(800)은 목적 함수를 최적화하는 스텐트 및/또는 우회술의 유형, 위치, 및/또는 배향을 디스플레이하는 단계를 포함할 수 있다.
일 실시예에서, 목적 함수가 비교적 최적이지만, 반드시 가장 최적의 값은 아닌, FFR 값, 압력 값, 또는 흐름 값과 같은, 국소적 최적을 식별할 때, 방법(800)은 국소적 최적을 야기하는 반복된 치료 옵션에 기초하여 환자-특정 모델의 표면 메시를 변경하는 단계를 선택적으로 포함할 수 있다(단계 820). 따라서, 국소적으로 최적 치료 옵션은 단계(808)에 대하여 설명된 하나 이상의 기하학적 변경 기술들을 사용하여 치료 옵션을 가진 환자-특정 기하학적 모델을 변경함으로써 새로운 감소 차수 모델을 개선하거나 또는 생성하기 위해 사용될 수 있다. 이러한 기술은 최적의 치료 옵션을 식별하는 것을 야기할 가능성이 가장 높은 감소 차수 모델들 및 수정된 표면 메시들의 효율적이며 자동적인 생성을 용이하게 할 수 있다. 물론, 반복된 치료 옵션에 기초하여 표면 메시를 변경하는 것(단계 820) 및 대응하는 감소 차수 모델을 생성하는 것(단계 804)에 의해 식별된 치료 옵션은, 환자-특정 기하학적 모델, 3-차원 흐름 모델, 및/또는 FFRct 모델에 관련하여, 디스플레이하기 위해 출력될 수 있다(단계 818).
단계(808)에 대하여 상기 설명된 바와 같이, 복수의 상이한 기술들은 모든 가능한 치료 옵션들의 세트를 생성하는 것, 및 혈류의 개선된 감소 차수 모델을 생성하기 위한 표면 메시를 개선하는 것 양쪽 모두를 위해, 환자-특정 기하학적 모델을 변경하기 위해 구현될 수 있다. 도 30은 환자-특정 기하학적 모델을 변경하기 위한 기하학적 도메인 변경 기술의 방법(850)을 묘사한다. 일반적으로, 기하학적 도메인 변경은 스텐트 영역을 표현하는 구성된 기하학적 구조를 가진 환자의 원래 혈관 기하학적 구조의 CSG 통합을 수행함으로써 혈관 직경을 증강시키는 것을 수반할 수 있다.
일 실시예에서, 음함수들이 스텐트 영역의 기하학적 구조를 구성하기 위해 사용될 수 있다. 도 30에 도시된 바와 같이, 방법(850)은 치료될 혈관의 별개의 포인트들을 따라 복수의 구들을 정의하는 단계를 포함할 수 있다(단계 852). 예를 들면, 반경(r)을 갖고 포인트([cx, cy, cz])에 중심이 있는 구는 음함수((x-cx)2+(y-cy)2+(z-cz)2=r2)에 의해 설명될 수 있다. 따라서, 혈관을 따라 순차적인 수의 별개의 포인트들을 정의할 때, 경로를 따르는 매 두 개의 연속되는 포인트들(pn, pn+1)은 캡슐을 정의하기 위해 사용될 수 있다.
방법(850)은 그 후 적어도 하나의 캡슐을 생성하기 위해 정의된 구들의 통합을 수행하는 단계를 포함할 수 있다(단계 854). 구체적으로, 도 31a의 다이어그램에 반영된 바와 같이, 각각의 캡슐은 각각의 포인트에서의 특정된 반경들의 두 개의 구들 및 두 개의 반경들을 선형적으로 보간하는 그것들 사이에서의 원뿔의 통합으로서 정의될 수 있다.
방법(850)은 그 후 적어도 하나의 캡슐의 통합 내에서 복수의 CSG 그리드 포인트들을 식별하는 단계를 포함할 수 있다(단계 856). 구체적으로, 컴퓨팅 시스템은 단계(854)에서 생성된 하나 이상의 캡슐들 주위에서의 적절한 공간 분해능의 균일한 CSG 그리드를 구성할 수 있다. 도 31b는 캡슐을 구성한 통합 주위에서의 복수의 CSG 그리드 포인트들의 일 실시예를 묘사한다. 일 실시예에서, 각각의 그리드 포인트에 대해, 부호 거리는 각각의 캡슐에 대해 계산될 수 있으며, 캡슐들의 모두에 걸친 최소 값은 각각의 그리드 포인트에 저장될 수 있다. 일 실시예에서, 각각의 부호 거리는 그리드 포인트에서 캡슐 상에서의 가장 가까운 포인트까지의 거리일 수 있으며, 여기에서 도 31b에 도시된 바와 같이, 양의 부호는 포인트가 표면의 바깥쪽에 있음을 표시할 수 있으며 음의 부호는 포인트가 표면 내에 있음을 표시한다. 따라서, 단계(856)는 단계(854)에서 생성된 모든 캡슐들의 통합을 표현하는 값들의 그리드를 야기할 수 있다.
방법(850)은 단계(856)에서 생성된 CSG 그리드 포인트들로부터 제안된 스텐트 영역의 메시를 구성하는 단계를 더 포함할 수 있다(단계 858). 예를 들면, 마칭-큐브들(Marching-Cubes) 또는 듀얼-컨투어링(Dual-Contouring)을 포함한, 임의의 적절한 CSG 기술은 CSG 그리드로부터 명시적 삼각형 메시를 추출하기 위해 사용될 수 있으며, 그에 의해 제안된 스텐트로 윤곽을 그린 혈관의 섹션을 표현한다. 도 32는 암시적으로 생성된 캡술들의 통합에 대해 마칭-큐브들 기술을 실행함으로써 생성된, 제안된 스텐트 기하학적 구조의 삼각형 메시의 그래픽 표현을 묘사한다.
방법(850)은 제안된 스텐트 영역(단계(858)에서 형성된 바와 같은)의 메시, 및 원래 환자 기하학적 구조의 메시 사이에서 CSG 통합을 수행하는 단계를 더 포함할 수 있다(단계 860). 도 33a는 혈관의 가시적 협소화로서 나타나는 협착 부분을 가진 원래의 환자 기하학적 구조의 삼각형 메시의 그래픽 표현을 묘사한다. 도 33b는 도 33a에 묘사된 원래의 환자 기하학적 구조 메시 및 도 32에 묘사된 스텐트 메시 기하학적 구조 사이에서의 CSG 통합에 기인한 삼각형 메시의 그래픽 표현을 묘사한다. 다시 말해서, 도 33b에 묘사된 기하학적 메시는 도 32에 생성된 스텐트 기하학적 구조 및 도 33a에 생성된 협착된 기하학적 구조의 병합 또는 조합을 반영한다.
도 30 내지 도 33b에 대하여 상기 설명된 기하학적 도메인 변경 기술들 외에, 탄성 변형 변경 기술이 또한 또는 대안적으로 환자-특정 기하학적 모델을 변경하기 위해 사용될 수 있다. 도 34는 환자-특정 기하학적 모델을 변경하기 위해 탄성 변형 기술을 수행하기 위한 대표적인 방법(880)을 묘사한다. 일반적으로, 방법(880)은 스텐트 또는 우회술과 같은, 원하는 치료 옵션의 형태를 표현하는 명시적 또는 암시적 형태 주위에서 환자-특정 기하학적 모델의 표면 메시를 변형시키는 단계를 수반할 수 있다.
일 실시예에서, 방법(880)은 변형될 환자 기하학적 구조의 표면 메시를 획득하는 단계를 포함할 수 있다(단계 882). 예를 들면, 표면 메시는 스텐트가 삽입되며, 유한 요소 소프트웨어, 또는 임의의 유형의 탄성 변형 시뮬레이터를 사용하여 개방될 수 있는 동맥 혈관의 섹션에 대해 세그먼트될 수 있다. 방법(880)은 변형될 조직의 재료 속성들을 설정하는 단계(단계 884), 및 표면 메시에 이들 재료 속성들을 할당하는 단계를 포함할 수 있다. 예를 들면, 재료 속성들은 실제 혈관계 조직의 실질적인 탄력성 등을 정의할 수 있다. 방법(880)은 그 후 원하는 충돌 기하학적 구조에 알려진 스텐트 기하학적 구조를 적용하는 단계(단계 886)를 포함할 수 있다. 예를 들면, 임의의 적절한 스텐트 유형들, 기하학적 구조들, 또는 크기들을 포함한, 가능한 치료 옵션들의 세트 중 임의의 것에 대해, 방법(880)은 충돌 기하학적 구조와 같은 탄성 변형 시뮬레이터로 이러한 스텐트들의 하나 이상의 기하학적 표현들을 삽입하는 단계를 포함할 수 있다. 방법(880)은 그 후 삽입된 충돌 기하학적 구조의 표면에 도달하기 위해 환자의 원래 조직 기하학적 구조의 표면 메시를 푸싱하도록 유한 요소 또는 탄성 변형 시뮬레이터를 실행하는 단계(단계 888)를 포함할 수 있다. 일 실시예에서, 표면 메시 기하학적 구조는 자기-교차하는 것으로부터 표면 기하학적 구조를 허용하는 것을 회피하기 위해 충돌 검출 및 응답을 수행하면서 충돌의 효과들을 캡처하기 위해 원하는 대로 수정될 수 있다.
본 개시는 기하학적 도메인 변경 및 탄성 변형 변경의 실시예들을 설명하지만, 임의의 적절한 유형의 컴퓨터화된 그래픽들 또는 다른 구조적 입체 기하학 기술들이 치료 옵션들의 모든 가능한 세트들을 자동으로 식별하며, 이들 식별된 치료 옵션들을 평가하기 위해, 환자 기하학의 모델들을 변경하기 위해 사용될 수 있다는 것이 이해될 것이다.
앞서 말한 기술들의 결과로서, 3-차원 혈류 모델링의 정확도는 1-차원 및 집중 파라미터 모델링 기술들에 고유한 계산 단순성 및 상대적 속도와 조합될 수 있다. 3-차원 컴퓨터 방법들은 정상 세그먼트들, 협착들, 접합들, 및 다른 해부학적 특징들에 대한 압력 손실들에 대해 수치적으로-도출된 경험적 모델들을 내장하는 환자-특정 1-차원 또는 집중 파라미터 모델들을 수치적으로 도출하기 위해 사용될 수 있다. 심혈관 질환을 가진 환자들에 대한 개선된 진단이 제공될 수 있으며, 의학적, 중재적, 및 수술 치료들의 계획들이 보다 빠르게 수행될 수 있다.
또한, 3-차원 컴퓨터 유체 역학 기술들의 정확도는 혈류의 집중 파라미터 및 1-차원 모델들의 계산 단순성 및 수행 능력들과 조합될 수 있다. 3-차원 기하학적 및 생리적 모델은 자동으로 감소-차수 1-차원 또는 집중 파라미터 모델로 분해될 수 있다. 3-차원 모델은 정상 세그먼트들, 협착들, 및/또는 분지들을 통한 혈류의 선형 또는 비선형 혈류역학 효과들을 계산하기 위해, 및 경험적 모델들의 파라미터들을 설정하기 위해 사용될 수 있다. 1-차원 또는 집중 파라미터 모델들은 보다 효율적으로 및 빠르게, 환자-특정 모델에서의 혈류 및 압력을 풀며 집중 파라미터 또는 1-차원 해법들의 결과들을 디스플레이할 수 있다.
감소 차수 환자-특정 해부학적 및 생리적 모델은 심박수, 박출량, 혈압, 또는 관상 동맥 혈류에 대한 관상 동맥 미소순환 기능을 변경하는 상이한 약물들 또는 라이프스타일 변화들(예로서, 흡연의 금지, 다이어트에서의 변화들, 또는 증가된 물리적 활동)의 효과를 결정하기 위해 사용될 수 있다. 이러한 정보는 의학적 치료를 최적화하거나 또는 약물들의 잠재적으로 위험한 결과들을 피하기 위해 사용될 수 있다. 감소 차수 모델은 예로서, 축구를 할 때, 우주선 비행 동안, 스쿠버 다이빙할 때, 비행 동안 등, 잠재적 외인성 힘으로의 노출의 위험 또는 물리적 활동의 대안적인 형태들 및/또는 가변적 레벨들의 관상 동맥 혈류에 대한 효과를 결정하기 위해 또한 사용될 수 있다. 이러한 정보는 특정 환자에 대해 안전하며 효과적일 수 있는 물리적 활동의 유형들 및 레벨을 식별하기 위해 사용될 수 있다. 감소 차수 모델은 또한 최적의 중재적 전략을 선택하도록 관상 동맥 혈류에 대한 경피 관상 동맥 중재들의 잠재적 이득을 예측하기 위해 및/또는 최적의 수술 전략을 선택하도록 관상 동맥 혈류에 대한 관상 동맥 우회술의 잠재적 이득을 예측하기 위해 사용될 수 있다.
감소 차수 모델은 또한 관상 동맥 혈류에 대한 동맥 질환의 부담 증가의 잠재적인 유해 효과들을 예시하기 위해 및 기계론적 또는 현상론적 질병 진행 모델들 또는 경험적 데이터를 사용하여, 진보 질병이 심장 근육으로의 혈류의 손상을 야기할 수 있을 때를 예측하기 위해 사용될 수 있다. 이러한 정보는 비침투성 이미징을 사용하여 초기에 혈류 역학적으로 중요한 질병으로부터 자유로운 것으로 관찰된 환자가 의학적, 중재적, 또는 수술적 치료, 또는 대안적으로 부정적 요인들이 계속된다면 진행이 발생할 수 있는 속도를 요구하기 위해 예상되지 않을 수 있는 "보증 기간(warranty period)"의 결정을 가능하게 할 것이다.
감소 차수 모델은 또한 관상 동맥 질환의 부담에서의 감소에 기인한 관상 동맥 혈류에 대한 잠재적인 유리한 효과들을 예시하기 위해 및 기계론적 또는 현상론적 질병 진행 모델들 또는 경험 데이터를 사용하여, 질병의 회귀가 심장 근육으로의 관상 동맥들을 통한 증가된 혈류를 야기할 수 있을 때를 예측하기 위해 사용될 수 있다. 이러한 정보는 이에 제한되지 않지만, 다이어트에서의 변화들, 증가된 물리적 활동, 스타틴들 또는 다른 약물들의 처방 등을 포함한 의학적 관리 프로그램들을 가이드하기 위해 사용될 수 있다.
감소 차수 모델은 또한 의사가 심혈관 조영술에서 환자를 검사하는 동안 치료 옵션들의 라이브 계산을 허용하기 위해 혈관 조영술 시스템으로 통합될 수 있다. 모델은 혈관 조영술 디스플레이와 동일한 배향으로 등록될 수 있으며, 시뮬레이션된 혈류 해법들을 가진 관상 동맥들의 혈관 촬영 보기의 병렬 또는 중첩 결과들을 허용한다. 의사는 관찰들이 절차들 동안 이루어짐에 따라 치료 계획들을 계획하며 변경할 수 있어서, 의학적 결정들이 이루어지기 전에 비교적 빠른 피드백을 허용한다. 의사는 압력, FFR, 또는 혈류 측정들을 비침투성으로 취할 수 있으며, 측정들은 예측적 시뮬레이션들이 수행되기 전에 모델을 추가로 개선하기 위해 이용될 수 있다.
감소 차수 모델은 또한 의학적 이미징 시스템 또는 워크스테이션으로 통합될 수 있다. 이전 환자-특정 시뮬레이션 결과들의 라이브러리로부터 도출된다면, 감소 차수 모델들은 이미징 스캔을 완료한 후 혈류 정보를 비교적 빠르게 풀기 위해 기하학적 세그먼트화 알고리즘들과 함께 사용될 수 있다.
감수 차수 모델은 또한 큰 모집단들의 환자들에 대한 새로운 치료들 또는 치료 옵션들의 비용/이득의 유효성을 모델링하기 위해 사용될 수 있다. 다수의 환자-특정 집중 파라미터 모델들(예로서, 수백, 수천 이상)의 데이터베이스는 비교적 짧은 양들의 시간에 풀기 위해 모델들을 제공할 수 있다. 비교적 빠른 반복 및 최적화가 약, 치료, 또는 임상 시험 시뮬레이션 또는 설계를 위해 제공될 수 있다. 치료들, 약들에 대한 환자 반응들, 또는 수술적 중재들을 표현하도록 모델들을 적응시키는 것은 유효성의 추정들이 가능하게는 값비싸게 및 잠재적으로 위험한 대규모 임상 시험들을 수행하기 위한 요구 없이 획득되도록 허용할 수 있다.
임의의 실시예에 제시된 임의의 양상은 여기에 제시된 임의의 다른 실시예와 함께 사용될 수 있다. 여기에 제시된 모든 디바이스 및 장치가 임의의 적절한 의학 절차에서 사용될 수 있고, 임의의 적절한 신체 내강 및 신체 공동을 통해 전진될 수 있으며, 임의의 적절한 신체 부분을 이미징하기 위해 사용될 수 있다.
다양한 변경들 및 변화들이 개시의 범위로부터 벗어나지 않고 개시된 시스템들 및 프로세스들에서 이루어질 수 있다. 다른 실시예들은 여기에 개시된 개시의 규격 및 실시의 고려 사항으로부터 이 기술분야의 숙련자들에게 명백할 것이다. 명세서 및 예들은 단지 대표적인 것으로 고려되며, 개시의 실제 범위 및 사상은 다음의 청구항들에 의해 표시된다는 것이 의도된다.

Claims (20)

  1. 환자에 대한 하나 이상의 해부학적 치료 옵션에 기초하여 3차원 모델을 변경하기 위한 시스템에 있어서,
    내강을 포함하는 환자의 해부 구조의 기하학적 구조에 관한 환자-특이적 데이터에 기초하여 해부 구조의 적어도 일부를 나타내는 3차원 메시 모델을 생성하고,
    환자의 해부 구조의 적어도 일부를 치료하는 복수의 치료 옵션 중 적어도 하나의 기하학적 구조를 결정하고,
    3차원 메시 모델의 암시적 파라미터화된 표면을 변형함으로써 3차원 메시 모델의 3차원 메시 모델을 변경하여 내강 내로의 복수의 치료 옵션 중 적어도 하나의 기하학적 구조의 삽입을 시뮬레이션하거나 3차원 메시 모델의 내강으로부터의 복수의 치료 옵션 중 적어도 하나의 기하학적 구조의 제거를 시뮬레이션하도록 구성된
    적어도 하나의 컴퓨터 시스템을 포함하는, 3차원 모델을 변경하기 위한 시스템.
  2. 제1항에 있어서, 3차원 메시 모델 또는 변경된 3차원 메시 모델은 복수의 치료 옵션 중 적어도 하나의 기하학적 구조로 윤곽을 그리는 시스템.
  3. 제1항에 있어서, 컴퓨터 시스템은 복수의 치료 옵션 중 적어도 하나의 기하학적 구조를 포함하는 변경된 3차원 메시 모델과 연관된 혈류 특성의 값을 결정하도록 구성되는 시스템.
  4. 제1항에 있어서, 컴퓨터 시스템은 복수의 치료 옵션 중 적어도 하나와 연관된 3차원 메시 모델 내의 하나 이상의 위치를 식별하도록 구성되고,
    3차원 메시 모델의 변경은 하나 이상의 위치에 기초하는 시스템.
  5. 제4항에 있어서, 컴퓨터 시스템은 하나 이상의 위치 중 하나 이상의 중첩 영역을 결정하도록 구성되고,
    3차원 메시 모델의 개조는 하나 이상의 중첩 영역에 적어도 부분적으로 기초하는 시스템.
  6. 제4항에 있어서, 컴퓨터 시스템은
    혈류 특성의 적어도 하나의 임계 레벨을 결정하고,
    혈류 특성의 적어도 하나의 임계 레벨에 기초하여 하나 이상의 위치를 식별하도록
    구성되는 시스템.
  7. 제6항에 있어서, 컴퓨터 시스템은 적어도 하나의 임계 레벨에 기초하여 3차원 메시 모델의 하나 이상의 섹션을 결정하도록 구성되고,
    3차원 메시 모델의 변경은 하나 이상의 섹션에 적어도 부분적으로 기초하는 시스템.
  8. 제7항에 있어서, 복수의 치료 옵션은 하나 이상의 섹션 각각에 대한 가능한 치료 옵션의 세트를 포함하는 시스템.
  9. 환자에 대한 하나 이상의 해부학적 치료 옵션에 기초하여 3차원 모델을 변경하기 위한 컴퓨터-구현 방법에 있어서,
    내강을 포함하는 환자의 해부 구조의 기하학적 구조에 관한 환자-특이적 데이터에 기초하여 해부 구조의 적어도 일부를 나타내는 3차원 메시 모델을 생성하는 단계;
    환자의 해부 구조의 적어도 일부를 치료하는 복수의 치료 옵션 중 적어도 하나의 기하학적 구조를 결정하는 단계; 및
    3차원 메시 모델의 암시적 파라미터화된 표면을 변형함으로써 3차원 메시 모델의 3차원 메시 모델을 변경하여 내강 내로의 복수의 치료 옵션 중 적어도 하나의 기하학적 구조의 삽입을 시뮬레이션하거나 3차원 메시 모델의 내강으로부터의 복수의 치료 옵션 중 적어도 하나의 기하학적 구조의 제거를 시뮬레이션하는 단계를 포함하는 컴퓨터-구현 방법.
  10. 제9항에 있어서, 3차원 메시 모델 또는 변경된 3차원 메시 모델은 복수의 치료 옵션 중 적어도 하나의 기하학적 구조로 윤곽을 그리는 컴퓨터-구현 방법.
  11. 제9항에 있어서, 복수의 치료 옵션 중 적어도 하나의 기하학적 구조를 포함하는 변경된 3차원 메시 모델과 연관된 혈류 특성의 값을 결정하는 단계를 더 포함하는 컴퓨터-구현 방법.
  12. 제9항에 있어서, 복수의 치료 옵션 중 적어도 하나와 연관된 3차원 메시 모델 내의 하나 이상의 위치를 식별하는 단계를 더 포함하고,
    3차원 메시 모델의 변경은 하나 이상의 위치에 기초하는 컴퓨터-구현 방법.
  13. 제12항에 있어서, 하나 이상의 위치 중 하나 이상의 중첩 영역을 결정하는 단계를 더 포함하고,
    3차원 메시 모델의 개조는 하나 이상의 중첩 영역에 적어도 부분적으로 기초하는 컴퓨터-구현 방법.
  14. 제12항에 있어서, 혈류 특성의 적어도 하나의 임계 레벨을 결정하는 단계; 및
    혈류 특성의 적어도 하나의 임계 레벨에 기초하여 하나 이상의 위치를 식별하는 단계를 더 포함하는 컴퓨터-구현 방법.
  15. 제14항에 있어서, 적어도 하나의 임계 레벨에 기초하여 3차원 메시 모델의 하나 이상의 섹션을 결정하는 단계를 더 포함하고,
    3차원 메시 모델의 변경은 하나 이상의 섹션에 적어도 부분적으로 기초하는 컴퓨터-구현 방법.
  16. 제15항에 있어서, 복수의 치료 옵션은 하나 이상의 섹션 각각에 대한 가능한 치료 옵션의 세트를 포함하는 컴퓨터-구현 방법.
  17. 환자에 대한 하나 이상의 해부학적 치료 옵션에 기초하여 3차원 모델을 변경하기 위한 컴퓨터-실행 가능한 프로그래밍 지시를 포함하는 컴퓨터 시스템에 사용하기 위한 비-일시적 컴퓨터 판독 가능 매체에 있어서,
    방법은:
    내강을 포함하는 환자의 해부 구조의 기하학적 구조에 관한 환자-특이적 데이터에 기초하여 해부 구조의 적어도 일부를 나타내는 3차원 메시 모델을 생성하는 단계;
    환자의 해부 구조의 적어도 일부를 치료하는 복수의 치료 옵션 중 적어도 하나의 기하학적 구조를 결정하는 단계; 및
    3차원 메시 모델의 암시적 파라미터화된 표면을 변형함으로써 3차원 메시 모델의 3차원 메시 모델을 변경하여 내강 내로의 복수의 치료 옵션 중 적어도 하나의 기하학적 구조의 삽입을 시뮬레이션하거나 3차원 메시 모델의 내강으로부터의 복수의 치료 옵션 중 적어도 하나의 기하학적 구조의 제거를 시뮬레이션하는 단계
    를 포함하는 방법을 수행할 지시를 실행하도록 구성된 프로세서를 포함하는 비-일시적 컴퓨터 판독 가능 매체.
  18. 제17항에 있어서, 3차원 메시 모델 또는 변경된 3차원 메시 모델은 복수의 치료 옵션 중 적어도 하나의 기하학적 구조로 윤곽을 그리는 비-일시적 컴퓨터 판독 가능 매체.
  19. 제17항에 있어서, 복수의 치료 옵션 중 적어도 하나의 기하학적 구조를 포함하는 변경된 3차원 메시 모델과 연관된 혈류 특성의 값을 결정하는 단계를 더 포함하는 비-일시적 컴퓨터 판독 가능 매체.
  20. 제17항에 있어서, 복수의 치료 옵션 중 적어도 하나와 연관된 3차원 메시 모델 내의 하나 이상의 위치를 식별하는 단계를 더 포함하고,
    3차원 메시 모델의 변경은 하나 이상의 위치에 기초하는 비-일시적 컴퓨터 판독 가능 매체.
KR1020217018903A 2013-03-01 2014-02-27 환자-특정 기하학적 모델들을 변경함으로써 치료들을 결정하기 위한 방법 및 시스템 KR102336929B1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US13/782,307 US9042613B2 (en) 2013-03-01 2013-03-01 Method and system for determining treatments by modifying patient-specific geometrical models
US13/782,307 2013-03-01
PCT/US2014/018973 WO2014134289A1 (en) 2013-03-01 2014-02-27 Method and system for determining treatments by modifying patient-specific geometrical models
KR1020157025706A KR102269495B1 (ko) 2013-03-01 2014-02-27 환자-특정 기하학적 모델들을 변경함으로써 치료들을 결정하기 위한 방법 및 시스템

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020157025706A Division KR102269495B1 (ko) 2013-03-01 2014-02-27 환자-특정 기하학적 모델들을 변경함으로써 치료들을 결정하기 위한 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20210078577A KR20210078577A (ko) 2021-06-28
KR102336929B1 true KR102336929B1 (ko) 2021-12-08

Family

ID=50349857

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020157025706A KR102269495B1 (ko) 2013-03-01 2014-02-27 환자-특정 기하학적 모델들을 변경함으로써 치료들을 결정하기 위한 방법 및 시스템
KR1020217018903A KR102336929B1 (ko) 2013-03-01 2014-02-27 환자-특정 기하학적 모델들을 변경함으로써 치료들을 결정하기 위한 방법 및 시스템

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020157025706A KR102269495B1 (ko) 2013-03-01 2014-02-27 환자-특정 기하학적 모델들을 변경함으로써 치료들을 결정하기 위한 방법 및 시스템

Country Status (9)

Country Link
US (8) US9042613B2 (ko)
EP (3) EP3282380B1 (ko)
JP (5) JP2016515843A (ko)
KR (2) KR102269495B1 (ko)
CN (1) CN105144173B (ko)
AU (3) AU2014223466B2 (ko)
CA (1) CA2903147C (ko)
DE (1) DE202014010680U1 (ko)
WO (1) WO2014134289A1 (ko)

Families Citing this family (84)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8315812B2 (en) 2010-08-12 2012-11-20 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
US10210956B2 (en) 2012-10-24 2019-02-19 Cathworks Ltd. Diagnostically useful results in real time
US9814433B2 (en) 2012-10-24 2017-11-14 Cathworks Ltd. Creating a vascular tree model
US9858387B2 (en) * 2013-01-15 2018-01-02 CathWorks, LTD. Vascular flow assessment
EP3723041A1 (en) 2012-10-24 2020-10-14 CathWorks Ltd. Automated measurement system and method for coronary artery disease scoring
JP2016503685A (ja) 2012-12-28 2016-02-08 サイバーハート， インコーポレイテッド 血液−組織表面を基礎にした放射線手術による腎臓処置の計画
EP2755185A1 (en) * 2013-01-14 2014-07-16 Universitat Pompeu-Fabra Computer implemented method for identifying channel like structures in a 3D volume using a layered approach, and computer program product implementing the method
US9042613B2 (en) * 2013-03-01 2015-05-26 Heartflow, Inc. Method and system for determining treatments by modifying patient-specific geometrical models
US9215075B1 (en) 2013-03-15 2015-12-15 Poltorak Technologies Llc System and method for secure relayed communications from an implantable medical device
WO2014182505A1 (en) 2013-05-10 2014-11-13 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
WO2015059706A2 (en) 2013-10-24 2015-04-30 Cathworks Ltd. Vascular characteristic determination with correspondence modeling of a vascular tree
JP6290651B2 (ja) * 2014-02-27 2018-03-07 株式会社キーエンス 画像測定器
JP6278741B2 (ja) * 2014-02-27 2018-02-14 株式会社キーエンス 画像測定器
WO2015168157A1 (en) * 2014-04-28 2015-11-05 Northwestern University Devices, methods, and systems of functional optical coherence tomography
US10482215B2 (en) 2014-10-22 2019-11-19 Indiana University Research And Technology Corporation Unified computational method and system for patient-specific hemodynamics
US9336354B1 (en) * 2014-11-04 2016-05-10 Heartflow, Inc. Systems and methods for simulation of hemodialysis access and optimization
US9594876B2 (en) * 2014-11-04 2017-03-14 Heartflow, Inc. Systems and methods for simulation of occluded arteries and optimization of occlusion-based treatments
US10080872B2 (en) 2014-11-04 2018-09-25 Abbott Cardiovascular Systems Inc. System and method for FFR guidewire recovery
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
WO2016132164A1 (en) * 2015-02-17 2016-08-25 Siemens Healthcare Gmbh Method and system for personalizing a vessel stent
EP3062248A1 (en) * 2015-02-27 2016-08-31 Pie Medical Imaging BV Method and apparatus for quantitative flow analysis
WO2016168474A1 (en) 2015-04-17 2016-10-20 Heartflow, Inc. Systems and methods for assessment of tissue function based on vascular disease
US9839483B2 (en) 2015-04-21 2017-12-12 Heartflow, Inc. Systems and methods for risk assessment and treatment planning of arterio-venous malformation
US10943504B2 (en) * 2015-06-25 2021-03-09 Koninklijke Philips N.V. Interactive intravascular procedure training and associated devices, systems, and methods
JP6679709B2 (ja) * 2015-07-17 2020-04-15 ハートフロー， インコーポレイテッド 造影剤分布予測及び測定を使用してプラーク及び／または狭窄性病変の重症度を評価するシステム及び方法
US11087459B2 (en) 2015-08-14 2021-08-10 Elucid Bioimaging Inc. Quantitative imaging for fractional flow reserve (FFR)
US11113812B2 (en) 2015-08-14 2021-09-07 Elucid Bioimaging Inc. Quantitative imaging for detecting vulnerable plaque
US10176408B2 (en) 2015-08-14 2019-01-08 Elucid Bioimaging Inc. Systems and methods for analyzing pathologies utilizing quantitative imaging
US11094058B2 (en) 2015-08-14 2021-08-17 Elucid Bioimaging Inc. Systems and method for computer-aided phenotyping (CAP) using radiologic images
US11676359B2 (en) 2015-08-14 2023-06-13 Elucid Bioimaging Inc. Non-invasive quantitative imaging biomarkers of atherosclerotic plaque biology
US11071501B2 (en) 2015-08-14 2021-07-27 Elucid Bioiwaging Inc. Quantitative imaging for determining time to adverse event (TTE)
CN108475540B (zh) 2015-11-10 2022-02-22 哈特弗罗公司 用于使用来自过程的信息进行解剖建模的系统和方法描述
WO2017091492A1 (en) 2015-11-23 2017-06-01 Heartflow, Inc. Systems and methods for assessing organ and/or tissue transplantation by simulating one or more transplant characteristics
US10274935B2 (en) * 2016-01-15 2019-04-30 Honeywell Federal Manufacturing & Technologies, Llc System, method, and computer program for creating geometry-compliant lattice structures
JP6918484B2 (ja) * 2016-02-05 2021-08-11 キヤノンメディカルシステムズ株式会社 画像処理装置及び医用画像診断装置
US10278662B2 (en) * 2016-02-05 2019-05-07 Toshiba Medical Systems Corporation Image processing apparatus and medical image diagnostic apparatus
US10172517B2 (en) * 2016-02-25 2019-01-08 Samsung Electronics Co., Ltd Image-analysis for assessing heart failure
CN109069014B (zh) 2016-03-16 2021-07-06 哈特弗罗公司 用于估计在冠状动脉中的健康管腔直径和狭窄定量的系统和方法
CN105662451B (zh) * 2016-03-31 2018-10-09 北京思创贯宇科技开发有限公司 一种主动脉图像处理方法和装置
WO2017199245A1 (en) 2016-05-16 2017-11-23 Cathworks Ltd. System for vascular assessment
EP4241694A3 (en) 2016-05-16 2023-12-20 Cathworks Ltd. Selection of vascular paths from images
EP3296899A1 (en) 2016-09-19 2018-03-21 Biomodex S.A.S. Method and apparatus for generating a 3d model of an object
CN110325990A (zh) 2016-09-19 2019-10-11 拜奥莫德克斯公司 用于制造物理仿真设备的方法、仿真设备和仿真系统
DE202017106016U1 (de) * 2016-10-04 2017-12-07 Toshiba Medical Systems Corporation Medizinische Informationsverarbeitungsvorrichtung, Röntgen-CT-Vorrichtung und computerlesbares Speichermedium mit einem Programm für ein medizinisches Informationsverarbeitungsverfahren
CN106361429B (zh) * 2016-11-10 2018-09-11 西安电子科技大学 借助3d打印实现先心病手术方案术前评估装置和方法
DE102016222102A1 (de) 2016-11-10 2018-05-17 Siemens Healthcare Gmbh Behandlungsplanung für eine Stenose in einem Gefäßsegment anhand einer virtuellen hämodynamischen Analyse
KR20180065135A (ko) 2016-12-07 2018-06-18 삼성전자주식회사 셀프 구조 분석을 이용한 구조 잡음 감소 방법 및 장치
EP3375364A4 (en) 2017-01-23 2019-01-23 Shanghai United Imaging Healthcare Co., Ltd. SYSTEM AND METHOD FOR ANALYZING THE STATUS OF BLOOD CIRCULATION
ES2806351T3 (es) * 2017-08-08 2021-02-17 Adas3D Medical Sl Procedimiento implementado por ordenador para calcular valores indicativos para la estructura espacial local de propiedades conductoras de tejido muscular cardíaco y programas informáticos asociados
JP7232245B2 (ja) * 2017-08-30 2023-03-02 コーニンクレッカ フィリップス エヌ ヴェ モデル及びイメージングデータに基づく冠動脈健康状態予測
KR20200069305A (ko) 2017-10-06 2020-06-16 에모리 유니버시티 하나 이상의 동맥 세그먼트에 대한 혈역학 정보를 결정하기 위한 방법 및 시스템
US11871995B2 (en) 2017-12-18 2024-01-16 Hemolens Diagnostics Sp. Z O.O. Patient-specific modeling of hemodynamic parameters in coronary arteries
US10991465B2 (en) 2017-12-20 2021-04-27 Heartflow, Inc. Systems and methods for performing computer-simulated evaluation of treatments on a target population
JP6979470B2 (ja) * 2018-02-01 2021-12-15 テルモ株式会社 支援システム、支援方法、支援プログラム、および支援プログラムを記録した記録媒体
WO2019222135A1 (en) 2018-05-16 2019-11-21 Benevis Informatics, Llc Systems and methods for review of computer-aided detection of pathology in images
EP3824478A4 (en) * 2018-07-20 2022-04-27 University Of Louisville Research Foundation, Inc. METHOD AND SYSTEM FOR EVALUATION OF CORONARY ART STENOSIS
US10679350B2 (en) * 2018-08-10 2020-06-09 Koninklijke Philips N.V Method and apparatus for adjusting a model of an anatomical structure
EP3624132A1 (en) * 2018-09-13 2020-03-18 Koninklijke Philips N.V. Calculating boundary conditions for virtual ffr and ifr calculation based on myocardial blush characteristics
PL427234A1 (pl) 2018-09-28 2020-04-06 Fundacja Rozwoju Kardiochirurgii Im. Profesora Zbigniewa Religi Sposób modelowania naczyń krwionośnych i przepływu krwi w tych modelach naczyń krwionośnych
JP7187247B2 (ja) * 2018-10-11 2022-12-12 キヤノンメディカルシステムズ株式会社 医用画像処理装置、ｘ線診断装置、および医用画像処理システム
US11687691B2 (en) 2019-01-03 2023-06-27 International Business Machines Corporation Forward and reverse transformations of a model of functional units of a biological system trained by a global model of the systems
US10813612B2 (en) 2019-01-25 2020-10-27 Cleerly, Inc. Systems and method of characterizing high risk plaques
EP3923787A4 (en) 2019-02-11 2022-11-02 University Of Louisville Research Foundation, Inc. SYSTEM AND METHOD OF DETERMINING A BLOOD FLOW PROPERTY
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
EP3899864A4 (en) 2019-08-05 2022-08-31 Elucid Bioimaging Inc. COMBINED EVALUATION OF MORPHOLOGICAL AND PERIVASCULAR PATHOLOGY MARKERS
US11113881B2 (en) 2019-09-06 2021-09-07 St Jude Medical, Cardiology Division, Inc. Systems and methods for generating a three-dimensional surface from a segmented volume
CA3162872A1 (en) 2020-01-07 2021-07-15 James K. MIN Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
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
CN111150490B (zh) * 2020-01-15 2021-01-29 陈挺 基于ar和ai技术的心脏射频消融手术智能助手系统
GB202001914D0 (en) * 2020-02-12 2020-03-25 Kings College Apparatus and method for image processing
CN111309368B (zh) * 2020-03-12 2023-05-16 超越科技股份有限公司 一种基于b/s框架开发信息管理方法，系统，设备及可读存储介质
CN111640126B (zh) * 2020-05-29 2023-08-22 成都金盘电子科大多媒体技术有限公司 基于医学影像的人工智能诊断辅助方法
US11289206B2 (en) * 2020-06-02 2022-03-29 Kpn Innovations, Llc. Artificial intelligence methods and systems for constitutional analysis using objective functions
CN111956200B (zh) * 2020-09-01 2023-07-21 徐州利华电子科技发展有限公司 微循环高速血流测算系统和测算方法
JP7460907B2 (ja) 2020-09-17 2024-04-03 富士通株式会社 シミュレーションプログラム、シミュレーション方法およびシミュレーションシステム
CN112617771B (zh) * 2020-12-28 2021-11-09 深圳北芯生命科技股份有限公司 基于血管充血状态的诊断模式确定方法及系统
EP4075446A1 (en) 2021-04-18 2022-10-19 Kardiolytics Inc. Method and system for modelling blood vessels and blood flow under high-intensity physical exercise conditions
CN113539516A (zh) * 2021-07-07 2021-10-22 深圳睿心智能医疗科技有限公司 治疗方案的应用后效果的获取方法及装置
EP4170667A1 (en) * 2021-10-25 2023-04-26 Anamos GmbH Database-based configurator for the creation of anatomical models
US20230289963A1 (en) 2022-03-10 2023-09-14 Cleerly, Inc. Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination
WO2024002764A1 (en) * 2022-06-30 2024-01-04 Koninklijke Philips N.V. Local manufacturing of a medical stent based on a computational modeled outcome prediction
CN117414200B (zh) * 2023-12-19 2024-02-27 四川大学 一种用于心脏外科瓣膜修复手术术前演练的系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000163590A (ja) 1998-12-01 2000-06-16 Fujitsu Ltd 三次元モデル変換装置及び方法
JP2016159116A (ja) 2015-03-05 2016-09-05 パナソニックＩｐマネジメント株式会社 ３次元モデル生成装置及び方法、及び、３次元モデル生成用プログラム

Family Cites Families (56)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6236878B1 (en) 1998-05-22 2001-05-22 Charles A. Taylor Method for predictive modeling for planning medical interventions and simulating physiological conditions
JP4405002B2 (ja) * 1999-09-10 2010-01-27 阿部 慎一 ステントグラフト設計装置
US7327862B2 (en) * 2001-04-30 2008-02-05 Chase Medical, L.P. System and method for facilitating cardiac intervention
US7526112B2 (en) * 2001-04-30 2009-04-28 Chase Medical, L.P. System and method for facilitating cardiac intervention
US20050018885A1 (en) * 2001-05-31 2005-01-27 Xuesong Chen System and method of anatomical modeling
EA009382B1 (ru) * 2003-08-21 2007-12-28 Искем Корпорейшн Автоматизированные способы и системы для обнаружения и анализа сосудистых бляшек
WO2005051198A1 (en) * 2003-11-25 2005-06-09 Koninklijke Philips Electronics, N.V. Automatic dose adaptation as a function of patient body mass index in ct calcium scoring
US20070014452A1 (en) * 2003-12-01 2007-01-18 Mitta Suresh Method and system for image processing and assessment of a state of a heart
US7330576B2 (en) * 2003-12-03 2008-02-12 The Board Of Trustees Of The Leland Stanford Junior University Quantification method of vessel calcification
US7333643B2 (en) * 2004-01-30 2008-02-19 Chase Medical, L.P. System and method for facilitating cardiac intervention
US20060036167A1 (en) * 2004-07-03 2006-02-16 Shina Systems Ltd. Vascular image processing
US7731500B2 (en) * 2004-07-08 2010-06-08 Laerdal Medical Corporation Vascular-access simulation system with three-dimensional modeling
US20080020362A1 (en) * 2004-08-10 2008-01-24 Cotin Stephane M Methods and Apparatus for Simulaton of Endovascular and Endoluminal Procedures
WO2007101346A1 (en) * 2006-03-07 2007-09-13 Robarts Research Institute Ultrasound simulator and method of simulating an ultrasound examination
WO2008008936A2 (en) * 2006-07-13 2008-01-17 The Regents Of The University Of Colorado Echo particle image velocity (epiv) and echo particle tracking velocimetry (eptv) system and method
RU2449372C2 (ru) * 2006-07-17 2012-04-27 Конинклейке Филипс Электроникс, Н.В. Эффективное взаимодействие пользователя с многоугольными сетками для сегментации медицинских изображений
JP2008060396A (ja) * 2006-08-31 2008-03-13 Hamamatsu Photonics Kk 量子カスケードレーザ
US7873194B2 (en) * 2006-10-25 2011-01-18 Rcadia Medical Imaging Ltd. Method and system for automatic analysis of blood vessel structures and pathologies in support of a triple rule-out procedure
US7940970B2 (en) * 2006-10-25 2011-05-10 Rcadia Medical Imaging, Ltd Method and system for automatic quality control used in computerized analysis of CT angiography
US7940977B2 (en) * 2006-10-25 2011-05-10 Rcadia Medical Imaging Ltd. Method and system for automatic analysis of blood vessel structures to identify calcium or soft plaque pathologies
US7860283B2 (en) * 2006-10-25 2010-12-28 Rcadia Medical Imaging Ltd. Method and system for the presentation of blood vessel structures and identified pathologies
US8077939B2 (en) * 2006-11-22 2011-12-13 General Electric Company Methods and systems for enhanced plaque visualization
US8543338B2 (en) * 2007-01-16 2013-09-24 Simbionix Ltd. System and method for performing computerized simulations for image-guided procedures using a patient specific model
US8781193B2 (en) * 2007-03-08 2014-07-15 Sync-Rx, Ltd. Automatic quantitative vessel analysis
US8666128B2 (en) * 2007-10-18 2014-03-04 The University Of North Carolina At Chapel Hill Methods, systems, and computer readable media for mapping regions in a model of an object comprising an anatomical structure from one image data set to images used in a diagnostic or therapeutic intervention
WO2009085037A2 (en) * 2007-12-21 2009-07-09 Mako Surgical Corp. Cumulative buffering for surface imaging
JP2009160205A (ja) * 2008-01-04 2009-07-23 Toshiba Corp 医療支援装置、医療支援プログラム及び放射線撮影装置
JP5148315B2 (ja) * 2008-02-25 2013-02-20 株式会社東芝 医用画像処理装置、及び医用画像処理プログラム
US8273404B2 (en) * 2008-05-19 2012-09-25 Cordis Corporation Extraction of solvents from drug containing polymer reservoirs
US7970719B2 (en) * 2008-06-06 2011-06-28 Siemens Aktiengesellschaft Method and simulation device for structurally individualized simulation of the introduction of a wall support element into a section of a tubular structure
US8200466B2 (en) * 2008-07-21 2012-06-12 The Board Of Trustees Of The Leland Stanford Junior University Method for tuning patient-specific cardiovascular simulations
WO2010025336A1 (en) * 2008-08-29 2010-03-04 Corindus Ltd. Catheter simulation and assistance system
EP2429399A4 (en) * 2009-03-06 2013-04-10 Bio Tree Systems Inc METHOD AND APPARATUS FOR VESSEL TESTING
US9405886B2 (en) 2009-03-17 2016-08-02 The Board Of Trustees Of The Leland Stanford Junior University Method for determining cardiovascular information
ES2660570T3 (es) * 2009-09-23 2018-03-23 Lightlab Imaging, Inc. Sistemas, aparatos y métodos de recopilación de datos de medición de resistencia vascular y morfología luminal
JP2011087711A (ja) * 2009-10-21 2011-05-06 Toshiba Corp 画像処理装置
US10719986B2 (en) * 2009-12-22 2020-07-21 Siemens Healthcare Gmbh Method and system for virtual percutaneous valve implantation
JP5610129B2 (ja) * 2010-03-26 2014-10-22 富士通株式会社 ３次元テンプレート変形方法、装置及びプログラム
JP5868052B2 (ja) * 2010-07-21 2016-02-24 シーメンス アクチエンゲゼルシヤフトＳｉｅｍｅｎｓ Ａｋｔｉｅｎｇｅｓｅｌｌｓｃｈａｆｔ 包括的な患者固有の心臓のモデリング方法およびシステム
US8682626B2 (en) 2010-07-21 2014-03-25 Siemens Aktiengesellschaft Method and system for comprehensive patient-specific modeling of the heart
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
US10186056B2 (en) 2011-03-21 2019-01-22 General Electric Company System and method for estimating vascular flow using CT imaging
US8548778B1 (en) * 2012-05-14 2013-10-01 Heartflow, Inc. Method and system for providing information from a patient-specific model of blood flow
CA2875880C (en) 2012-06-07 2020-12-15 The University Of Queensland Release media comprising polymer particles and functionalised stimulus responsive polymers
US9675301B2 (en) 2012-10-19 2017-06-13 Heartflow, Inc. Systems and methods for numerically evaluating vasculature
JP6017284B2 (ja) * 2012-11-30 2016-10-26 東芝メディカルシステムズ株式会社 医用画像診断装置
US9084531B2 (en) * 2013-02-27 2015-07-21 Siemens Aktiengesellschaft Providing real-time marker detection for a stent in medical imaging
US9042613B2 (en) * 2013-03-01 2015-05-26 Heartflow, Inc. Method and system for determining treatments by modifying patient-specific geometrical models
US9700219B2 (en) * 2013-10-17 2017-07-11 Siemens Healthcare Gmbh Method and system for machine learning based assessment of fractional flow reserve
US10631823B2 (en) * 2013-12-12 2020-04-28 Samsung Medison Co., Ltd. Method and apparatus for displaying ultrasonic image
US9449145B2 (en) * 2014-04-22 2016-09-20 Heartflow, Inc. Systems and methods for virtual contrast agent simulation and computational fluid dynamics (CFD) to compute functional significance of stenoses
US10130266B2 (en) * 2014-06-30 2018-11-20 Siemens Healthcare Gmbh Method and system for prediction of post-stenting hemodynamic metrics for treatment planning of arterial stenosis
US9888968B2 (en) * 2014-07-22 2018-02-13 Siemens Healthcare Gmbh Method and system for automated therapy planning for arterial stenosis
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000163590A (ja) 1998-12-01 2000-06-16 Fujitsu Ltd 三次元モデル変換装置及び方法
JP2016159116A (ja) 2015-03-05 2016-09-05 パナソニックＩｐマネジメント株式会社 ３次元モデル生成装置及び方法、及び、３次元モデル生成用プログラム

Also Published As

Publication number Publication date
US9042613B2 (en) 2015-05-26
US11564746B2 (en) 2023-01-31
JP2018030027A (ja) 2018-03-01
US20180055572A1 (en) 2018-03-01
AU2016269437A1 (en) 2016-12-22
US10390885B2 (en) 2019-08-27
WO2014134289A1 (en) 2014-09-04
JP7235710B2 (ja) 2023-03-08
KR102269495B1 (ko) 2021-06-24
AU2016213771B1 (en) 2016-09-08
JP6796117B2 (ja) 2020-12-02
AU2016269437B2 (en) 2018-02-15
EP2805278B1 (en) 2017-08-23
EP2805278A1 (en) 2014-11-26
EP3282380B1 (en) 2021-11-10
EP3971906A3 (en) 2022-07-06
US20170007332A1 (en) 2017-01-12
US9449146B2 (en) 2016-09-20
US9189600B2 (en) 2015-11-17
JP2023054309A (ja) 2023-04-13
US20160210428A1 (en) 2016-07-21
CA2903147C (en) 2016-11-29
JP2021041192A (ja) 2021-03-18
EP3971906A2 (en) 2022-03-23
JP2016515843A (ja) 2016-06-02
EP3282380A1 (en) 2018-02-14
CA2903147A1 (en) 2014-09-04
US20140249790A1 (en) 2014-09-04
JP7483079B2 (ja) 2024-05-14
AU2014223466A1 (en) 2015-09-10
US11869669B2 (en) 2024-01-09
US20230124826A1 (en) 2023-04-20
CN105144173B (zh) 2017-05-10
KR20150122183A (ko) 2015-10-30
US20140372096A1 (en) 2014-12-18
AU2014223466B2 (en) 2016-05-12
KR20210078577A (ko) 2021-06-28
CN105144173A (zh) 2015-12-09
US20140379318A1 (en) 2014-12-25
DE202014010680U1 (de) 2016-06-23
JP2019034160A (ja) 2019-03-07
US20220110687A1 (en) 2022-04-14
JP6409114B2 (ja) 2018-10-17
US11185368B2 (en) 2021-11-30

Similar Documents

Publication Publication Date Title
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
JP7304390B2 (ja) 患者固有の血流のモデリングのための方法およびシステム
JP6905574B2 (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

Legal Events

Date Code Title Description
A107 Divisional application of patent
E701 Decision to grant or registration of patent right