KR102401542B1

KR102401542B1 - 관동맥 병변들의 위치, 발병, 및/또는 변화를 예측하기 위한 시스템들 및 방법들

Info

Publication number: KR102401542B1
Application number: KR1020217022127A
Authority: KR
Inventors: 길우 최; 레오 그래디; 찰스 에이 테일러
Original assignee: 하트플로우, 인크.
Priority date: 2013-08-27
Filing date: 2014-08-04
Publication date: 2022-05-24
Also published as: US20190019289A1; AU2014311712A1; US20150066818A1; US9805463B2; KR20210092326A; EP2987105B1; US11663715B2; KR20160047516A; US11861831B2; US9679374B2; US20150065846A1; US20150065847A1; US20150065848A1; WO2015030998A2; CN105518684B; US20230298176A1; JP2016529037A; US10096104B2; KR102279508B1; CA2922303C

Abstract

혈관의 기하학적 구조, 생리학 및 혈역학과 같은 인자들로부터 관동맥 병변들의 위치, 발병 및/또는 변화를 예측하기 위한 시스템들 및 방법들이 개시되어 있다. 하나의 방법은 복수의 개인의 각각에 대해, 개인의 맥관계의 일부에 대한 기하학적 모델 및 혈류 특성들 및 플라크 정보를 획득하는 단계; 복수의 개인의 각각에 대한 기하학적 모델들과 혈류 특성들, 및 복수의 개인의 기하학적 모델들과 혈류 특성들 내의 플라크의 존재를 예측하는 특징들에 기초하여 기계 학습 알고리즘을 트레이닝하는 단계; 환자에 대해, 환자의 맥관계의 일부에 대한 기하학적 모델과 혈류 특성들을 획득하는 단계; 및 환자의 기하학적 모델과 혈류 특성들에 대한 기계 학습 알고리즘을 실행하여, 예측 특징들에 기초하여 환자의 기하학적 모델에서의 적어도 하나의 지점에 대한 환자의 플라크 정보를 결정하는 단계를 포함한다.

Description

관동맥 병변들의 위치, 발병, 및/또는 변화를 예측하기 위한 시스템들 및 방법들{SYSTEMS AND METHODS FOR PREDICTING LOCATION, ONSET, AND/OR CHANGE OF CORONARY LESIONS}

우선권

본 출원은 2013년 8월 27일에 출원된, 미국 특허 출원 번호 제14/011,151호로부터 우선권의 이득을 주장하며, 이는 본원에서 그 전체가 참조로서 통합된다.

발명의 분야

본 개시물의 실시형태는 일반적으로 의료 촬영 및 관련 방법에 관한 것이다. 보다 구체적으로, 본 개시물의 특정 실시형태는 혈관의 기하학적 구조, 생리학 및 혈역학과 같은 인자로부터 관동맥 병변의 위치, 발병 및/또는 변화를 예측하기 위한 시스템 및 방법에 관한 것이다.

관상 동맥 질환("CAD")은 심장에 혈액을 제공하는 혈관에 관동맥 병변, 예컨대 협착증(혈관의 비정상적인 협소화)을 만들 수도 있다. 그 결과, 심장으로의 혈류가 제한될 수도 있다. 관상 동맥 질환으로 고통받는 환자는 신체 활동 동안의 "만성적 안정 협심증" 또는 환자가 움직이지 않을 때의 "비안정 협심증"으로서 불리는 가슴 통증을 경험할 수도 있다. 질환의 보다 심각한 징후는 심근 경색증, 또는 심장 마비로 이어질 수도 있다.

관동맥 병변에 관한 보다 정확한 데이터, 예를 들어, 크기, 형상, 위치, 기능적 의의(예를 들어, 병변이 혈류에 영향을 미치는지 여부) 등을 제공하기 위한 필요성이 존재한다. 가슴 통증으로부터 고통받고 및/또는 관상 동맥 질환의 증상을 나타내는 환자는 관동맥 병변에 관한 몇몇 간접적인 증거를 제공할 수도 있는, 하나 이상의 검사의 대상이 될 수도 있다. 예를 들어, 비침습적 검사는 심전도, 혈액 검사로부터의 바이오마커 평가, 트레드밀 검사, 심장 초음파, 단일 양전자 방사 단층 촬영(SPECT; single positron emission computed tomography), 및 양전자 방사 단층 촬영(PET; positron emission tomography), 및 관동맥 컴퓨터 단층 촬영법(CCTA; coronary computed tomographic angiography)를 포함할 수 있다. 비침습적 검사는 (예를 들어, 심전도 검사(ECG)를 이용하여) 심장의 전기적 활동의 변화, (예를 들어, 응력 심장 초음파 검사를 이용하여) 심근 운동, (예를 들어, PET 또는 SPECT를 이용하여) 심근 관류, 또는 (예를 들어, 바이오마커를 이용하여) 대사 변화를 살펴봄으로써 관동맥 병변의 간접적 증거를 제공할 수도 있다.　하지만, 이들 비침습적 검사들은 통상적으로 관동맥 병변의 직접적인 평가를 제공하거나 또는 혈류 속도를 평가하지 않는다. 따라서, 환자는 또한 관동맥 병변을 시각화시키기 위해, 진단상 심장 도관술과 같은 침습적 검사를 요구할 수도 있다. 진단상 심장 도관술은 동맥의 크기 및 형상의 이미지를 의사에게 제공함으로써 관동맥 병변에 대한 신체 데이터를 수집하기 위해 기존의 관상 동맥 혈관 조영술(CCA)의 수행을 포함할 수도 있다.

하지만, CAD를 위한 침습적 및 비침습적 검사는 단지 이미 발생한 심장 마비의 우려 및/또는 질환의 양의 결정시 유용하다. 즉, CAD를 위한 검사는, 다른 공지된 개인의 특성에 기초하여 발생할 가능성이 있는, 플라크 축적, 협착, 또는 다른 CAD의 미래 양을 예측할 수 없다. CAD가 흡연, 당뇨, 고혈압, 및 식습관을 포함한 다양한 위험 인자와 연관되는 것으로 알려져 있다하더라도, CAD의 발병을 예측하기 위한 어떠한 기술도 존재하지 않는다. 또한, 개인의 다른 공지된 특성을 감안하여 개발할 가능성이 있는 플라크의 타입 또는 위치를 예측하기 위한 어떠한 기술도 존재하지 않는다.

결과적으로, 본 개시물은 혈관의 기하학적 구조, 생리학 및 혈역학과 같은 인자로부터 관동맥 병변의 위치, 발병 및/또는 변화를 예측하기 위한 새로운 접근법을 설명한다.
<참고문헌>
1. Benmansour, Fethallah, et al., "A New Interactive Method for Coronary Arteries Segmentation Based on Tubular Anisotropy," Proc. IEEE Int. Symp. Blomed. Imaging, 2009, pages 41-44, Paris, France.
2. Yang, Yan, et al., "Knowledge-Based 3D Segmentation and Reconstruction of Coronary Arteries Using CT Image," Proc. IEEE Eng. Med. Biol. Soc., 2004, pages 1664-1666, Georgia Tech and Emory University, Atlanta, GA.

혈관의 기하학적 구조, 생리학 및 혈역학과 같은 인자로부터 관동맥 병변의 위치, 발병 및/또는 변화를 예측하기 위한 시스템 및 방법이 개시되어 있다.

일 실시형태에 따르면, 관동맥 병변에 관한 정보를 예측하기 위한 방법이 개시되어 있다. 방법은 복수의 개인들의 각각에 대해, 개인의 맥관계의 적어도 일부에 대한 플라크 정보, 기하학적 모델, 및 혈류 특성들을 획득하는 단계; 기하학적 모델들에서의 복수의 지점들의 각각에 대해, 복수의 개인들의 혈류 특성들 및 기하학적 모델들 내의 플라크의 존재를 예측하는 특징들을 식별하는 단계; 복수의 개인들의 각각에 대한 기하학적 모델들과 혈류 특성들에 기초하여 기계 학습 알고리즘을 트레이닝하는 단계; 환자에 대해서, 환자의 맥관계의 적어도 일부에 대한 기하학적 모델과 혈류 특성들을 획득하는 단계; 및 환자의 기하학적 모델과 혈류 특성들에 대한 기계 학습 알고리즘을 실행하여, 예측 특징들에 기초하여 환자의 기하학적 모델에서의 적어도 하나의 지점에 대한 환자의 플라크 정보를 결정하는 단계를 포함한다.

또 다른 실시형태에 따르면, 관동맥 병변에 관한 정보를 예측하기 위한 시스템이 개시되어 있다. 시스템은 관동맥 병변에 관한 정보를 예측하기 위한 명령들을 저장하는 데이터 저장 디바이스; 및 방법을 수행하기 위해 상기 명령들을 실행하도록 구성된 프로세서를 포함하며, 상기 방법은, 복수의 개인들의 각각에 대해, 상기 개인의 맥관계의 적어도 일부에 대한 기하학적 모델, 혈류 특성들 및 플라크 정보를 획득하는 단계; 상기 기하학적 모델들에서의 복수의 지점들의 각각에 대해, 상기 복수의 개인들의 상기 기하학적 모델들과 혈류 특성들 내의 플라크의 존재를 예측하는 특징들을 식별하는 단계; 상기 복수의 개인들의 각각에 대한 상기 기하학적 모델들과 혈류 특성들, 및 예측 특징들에 기초하여 기계 학습 알고리즘을 트레이닝하는 단계; 환자에 대해서, 상기 환자의 맥관계의 적어도 일부에 대한 기하학적 모델과 혈류 특성들을 획득하는 단계; 및 상기 환자의 기하학적 모델과 혈류 특성들에 대한 상기 기계 학습 알고리즘을 실행하여, 상기 예측 특징들에 기초하여 상기 환자의 기하학적 모델에서의 적어도 하나의 지점에 대한 상기 환자의 플라크 정보를 결정하는 단계를 포함한다.

또 다른 실시형태에 따르면, 명령들을 저장하는 비일시적 컴퓨터 판독가능 매체가 개시되어 있으며, 상기 명령들이 컴퓨터에 의해 실행되는 경우, 상기 명령들은 상기 컴퓨터로 하여금 관동맥 병변에 관한 정보를 예측하기 위한 방법을 수행하게 하며, 상기 방법은: 복수의 개인들의 각각에 대해, 상기 개인의 맥관계의 적어도 일부에 대한 기하학적 모델, 혈류 특성들 및 플라크 정보를 획득하는 단계; 상기 기하학적 모델들에서의 복수의 지점들의 각각에 대해, 상기 복수의 개인들의 상기 기하학적 모델들과 혈류 특성들 내의 플라크의 존재를 예측하는 특징들을 식별하는 단계; 상기 복수의 개인들의 각각에 대한 상기 기하학적 모델들과 혈류 특성들, 및 예측 특징들에 기초하여 기계 학습 알고리즘을 트레이닝하는 단계; 환자에 대해서, 상기 환자의 맥관계의 적어도 일부에 대한 기하학적 모델과 혈류 특성들을 획득하는 단계; 및 상기 환자의 기하학적 모델과 혈류 특성들에 대한 상기 기계 학습 알고리즘을 실행하여, 상기 예측 특징들에 기초하여 상기 환자의 기하학적 모델에서의 적어도 하나의 지점에 대한 상기 환자의 플라크 정보를 결정하는 단계를 포함한다.

또 다른 실시형태에 따르면, 관동맥 병변에 관한 정보를 예측하기 위한 컴퓨터 구현 방법이 개시되어 있다. 하나의 방법은, 환자에 대해서, 상기 환자의 맥관계의 적어도 일부에 대한 기하학적 모델과 혈류 특성들을 네트워크를 통해 획득하는 단계; 및 상기 환자의 기하학적 모델과 혈류 특성들에 대해, 복수의 개인들의 각각에 대해 획득된 기하학적 모델들, 혈류 특성들, 및 플라크 정보로부터 도출된 플라크 예측 특징들에 기초하여 트레이닝된 기계 학습 알고리즘을 실행함으로써 상기 환자의 기하학적 모델에서의 적어도 하나의 지점에 대해 상기 환자의 플라크 정보를 결정하는 단계를 포함한다.

개시된 실시형태의 추가 목적 및 이점은 다음 설명에서 일부 설명될 것이고, 부분적으로 상세한 설명으로부터 명백해질 것이며, 또는 개시된 실시형태의 실시에 의해 습득될 수도 있다. 개시된 실시형태의 목적 및 이점은 특히 첨부된 청구항에서 지적된 요소 및 조합에 의해 실현 및 달성될 것이다.

앞서 말한 일반적인 설명 및 다음의 상세한 설명의 양자는 단지 예시적이고 설명적이며 개시된 실시형태를 청구된 대로 제한하려는 것은 아님을 이해할 것이다.

본 명세서의 일부분에 통합되고 일부분을 구성하는 첨부된 도면은 여러 예시적인 실시형태를 예시하며, 설명과 함께, 개시된 실시형태의 원리를 설명하는 기능을 한다.
도 1은 본 개시물의 예시적인 실시형태에 따라서, 혈관 기하학적 구조, 생리학 및 혈역학과 같은 인자로부터 관동맥 병변의 위치, 발병 및/또는 변화를 예측하기 위한 예시적인 시스템 및 네트워크의 블록도이다.
도 2는 본 개시물의 예시적인 실시형태에 따라서, 혈관 기하학적 구조, 생리학 및 혈역학과 같은 인자로부터 관동맥 병변의 위치, 발병 및/또는 변화를 예측함에 있어서 사용되는 기하학적 모델의 예시적인 3차원 메시의 도면이다.
도 3a는 본 개시물의 예시적인 실시형태에 따라서, 혈관 기하학적 구조, 생리학 및 혈역학과 같은 인자로부터 관동맥 병변의 위치, 발병 및/또는 변화를 예측하기 위해서 기계 학습 시스템을 트레이닝하는 예시적인 방법의 블록도이다.
도 3b는 본 개시물의 예시적인 실시형태에 따라서, 혈관 기하학적 구조, 생리학 및 혈역학과 같은 인자로부터 관동맥 병변의 위치, 발병 및/또는 변화를 예측하기 위해 트레이닝된 기계 학습 시스템을 사용하는 예시적인 방법의 블록도이다.
도 4a는 본 개시물의 예시적인 실시형태에 따라서, 혈관 기하학적 구조, 생리학 및 혈역학과 같은 인자로부터 관동맥 병변의 위치를 예측하기 위해서 기계 학습 시스템을 트레이닝하는 예시적인 방법의 블록도이다.
도 4b는 본 개시물의 예시적인 실시형태에 따라서, 혈관 기하학적 구조, 생리학 및 혈역학과 같은 인자로부터 관동맥 병변의 위치를 예측하기 위해서 트레이닝된 기계 학습 시스템을 사용하는 예시적인 방법의 블록도이다.
도 5a는 본 개시물의 예시적인 실시형태에 따라서, 혈관 기하학적 구조, 생리학 및 혈역학으로부터 관동맥 병변의 발병 및/또는 변화(예를 들어, 성장/수축의 속도)를 예측하기 위해서 기계 학습 시스템을 트레이닝하는 예시적인 방법의 블록도이다.
도 5b는 본 개시물의 예시적인 실시형태에 따라서, 혈관 기하학적 구조, 생리학 및 혈역학으로부터 관동맥 병변의 발병 및/또는 변화(예를 들어, 성장/수축의 속도)를 예측하기 위해서 트레이닝된 기계 학습 시스템을 사용하는 예시적인 방법의 블록도이다.
도 6은 본 개시물의 실시형태가 구현될 수도 있는 예시적인 컴퓨터 시스템의 간략화된 블록도이다.

이하, 본 개시의 예시적인 실시형태를 상세히 참조할 것이며, 그 예들은 첨부한 도면에 나타내진다. 가능하면, 동일한 또는 유사한 부분을 지칭하기 위해, 도면 전체에 걸쳐 동일한 도면 부호가 사용될 것이다.

본 개시물은 관상 동맥 질환("CAD")의 예후를 제공하고, 그리고 환자 특정의 기하학적 구조 및 혈류 특성들에 기초한 플라크 성장/수축을 예측하기 위한 접근법을 설명한다. 구체적으로, 본 개시물은 환자 정보(예를 들어, 3D 심장 촬영, 환자 인구통계, 및 이력)를 수신하고 CAD의 발병에 대한 환자 특정 및 위치 특정의 위험 점수를 제공하는 시스템을 설명한다. 본 개시물이 관상 동맥 질환을 특히 참조하여 설명되어 있지만, 동일한 시스템 및 방법이 관상 동맥 이상의 다른 혈관계에서의 병변 형성의 환자 특정의 예측을 만드는데 적용될 수 있다.

보다 구체적으로, 본 개시물은: (1) 관동맥 혈관의 환자 특정의 기하학적 모델을 도출하고; 그리고 (2) 관동맥 병변의 발병 및 위치를 예측하도록 혈역학적 특성, 환자의 생리학적 정보 및 경계 조건을 추출하는 관동맥 유동 시뮬레이션을 수행하기 위해서 환자의 심장 촬영을 이용하는 소정의 원리 및 실시형태를 설명한다. 본 개시물은 플라크 형성하게 만드는 위치를 예측하는 혈류의 물리적 기반의 시뮬레이션에 한정되는 것이 아니라, 오히려 환자 특정의 생물학적 시뮬레이션의 결과(예를 들어, 혈역학적 특성) 뿐만 아니라 환자 인구 통계 및 관동맥 기하학적 구조를 포함한 다양한 위험 인자를 통합하는 것에 의해 병변 위치를 예측하기 위해 기계 학습을 사용한다. 추가 진단 테스트 결과가 이용가능하다면, 이들 결과가 또한 트레이닝 및 예측에 사용될 수도 있다. 소정의 실시형태에 따르면, 현재 개시된 방법은 두 단계: (1) 기계 학습 시스템이 관동맥 병변의 하나 이상의 위치를 예측하도록 트레이닝되는 트레이닝 단계, 및 (2) 관동맥 병변의 하나 이상의 위치를 생성하기 위해 기계 학습 시스템이 사용되는 생성 단계를 수반한다.

이하 도면을 참조하면, 도 1은 혈관 기하학적 구조, 생리학 및 혈역학으로부터 관동맥 병변의 위치, 발병 및/또는 변화를 예측하기 위한 예시적인 시스템 및 네트워크의 블록도를 도시한다. 구체적으로, 도 1은 복수의 디바이스 또는 시스템(102) 및 제3자 공급자 장치 또는 시스템(104)을 도시하며, 그 중 임의의 것은 하나 이상의 컴퓨터, 서버, 및/또는 핸드헬드 모바일 디바이스를 통하여 인터넷 등의 전자 네트워크(101)에 접속될 수도 있다. 의료진 디바이스 또는 시스템(102) 및/또는 제3자의 공급자 디바이스 또는 시스템(104)과 각각 연관된 의료진 및/또는 제3자의 공급자는 하나 이상의 환자의 심장 및/또는 혈관계의 영상을 생성하거나 그렇지 않으면 얻을 수도 있다. 의료진 및/또는 제3자의 공급자는 또한 연령, 병력, 혈압, 혈액 점도 등의 환자 특정의 정보의 임의의 조합을 얻을 수도 있다. 의료진 및/또는 제3자의 공급자는 전자 네트워크(101)를 통해 서버 시스템(106)으로 심장/맥관 영상 및/또는 환자 특정의 정보를 송신할 수도 있다. 서버 시스템(106)은 의료진 디바이스 또는 시스템(102) 및/또는 제3자의 공급자 디바이스 또는 시스템(104)으로부터 수신된 영상 및 데이터를 저장하기 위한 저장 디바이스를 포함할 수도 있다. 서버 시스템(106)은 또한 저장 디바이스에 저장된 영상 및 데이터를 프로세싱하기 위한 프로세싱 디바이스를 포함할 수도 있다.

도 2는 본 개시물의 예시적인 실시형태에 따라서, 혈관 기하학적 구조로부터 관동맥 병변의 위치, 발병 및/또는 변화를 예측함에 있어서 사용되는 기하학적 모델(200)의 예시적인 3차원 메시의 도면이다. 예를 들어, 상술한 바와 같이, 제3자의 공급자 또는 의료진은 한명 이상의 환자의 환자 특정의 해부학적 데이터를 얻을 수도 있다. 환자 특정의 해부학적 데이터는, 환자의 심장의 기하학적 구조, 예를 들어 환자의 대동맥의 적어도 일 부분, 대동맥에 연결된 주요 관상 동맥(및 그로부터 연장된 분지들)의 근위 부분, 및 심근에 관한 데이터를 포함할 수도 있다. 하지만, 상술한 바와 같이, 환자 특정의 해부학적 데이터는 환자의 심장 범위 이상을 포함하는 환자의 맥관구조의 임의의 부분과 관련하여 또한 또는 대안으로 얻어질 수도 있다.

먼저, 예를 들어 환자가 흉부 통증, 심장 마비 등과 같은 관상 동맥 질환과 연관된 증상을 경험한다면, 예를 들어 의료진이 환자의 동맥 혈류에 관한 정보가 소망된다는 것을 결정하는 때, 환자가 선택될 수도 있다. 환자 특정의 해부학적 데이터는 비침습적으로, 예를 들어 비침습적 촬영법을 사용하여 얻어질 수도 있다. 예를 들면, CCTA는 구조들, 예를 들어, 심근, 대동맥, 주요 관상 동맥들, 및 이들에 연결된 다른 혈관의 영상을 보고 생성하기 위해 컴퓨터 단층 촬영(CT) 스캐너를 사용자가 동작시킬 수도 있는, 촬영법이다. CCTA 데이터는, 예를 들면, 심장 주기에 걸쳐 혈관 형상에서의 변화를 보여주기 위해 시변할 수도 있다. CCTA는 환자의 심장의 영상을 생성하기 위해 사용될 수도 있다. 예를 들면, 64-슬라이스 CCTA 데이터, 예를 들어 환자의 심장의 64개의 슬라이스에 관한 데이터가 얻어질 수도 있고, 그리고 3차원 영상으로 어셈블리될 수도 있다.

대안으로, 자기 공명 촬영(MRI) 또는 초음파(US)와 같은 다른 비침습적 촬영법, 또는 디지털 감산 혈관 조영술(DSA)과 같은 침습적 촬영법이 환자의 해부학의 구조의 영상을 생성하기 위해 사용될 수도 있다. 촬영법은 해부학의 구조의 식별을 가능하게 하기 위해 조영제를 갖고 정맥 안으로 환자에 주입하는 것을 수반할 수도 있다. 얻어진 영상 데이터(예를 들어, CCTA, MRI 등에 의해 제공됨)는 방사선학 연구소 또는 심장 전문의와 같은 제3자 벤더에 의해, 환자의 의료진 등에 의해 제공될 수도 있다.

다른 환자 특정의 해부학적 데이터는 또한 비침습적으로 환자로부터 결정될 수도 있다. 예를 들면, 환자의 혈압, 베이스라인 심박수, 신장, 체중, 적혈구 용적, 박출량 등과 같은 생리학적 데이터가 측정될 수도 있다. 혈압은, 최대(심장 수축) 및 최소(심장 확장) 압력과 같이, (예를 들어, 압력 커프를 이용하는) 환자의 상완 동맥에서의 혈압일 수도 있다.

상술된 바와 같이 획득된 환자 특정의 해부학적 데이터는 보안 통신 라인을 통해 (예를 들어, 도 1의 전자 네트워크(101)를 통해) 전달될 수도 있다. 예를 들면, 데이터는 계산적 분석, 예를 들어 도 3-5b와 관련하여 후술되는 계산적 분석을 수행하기 위해 서버 시스템(106) 또는 다른 컴퓨터 시스템으로 전달될 수도 있다. 하나의 예시적인 실시형태에서, 환자 특정의 해부학적 데이터는 웹-기반 서비스를 제공하는 서비스 제공자에 의해 동작된 서버 시스템(106) 또는 다른 컴퓨터 시스템으로 전달될 수도 있다. 대안으로, 데이터는 환자의 의료진 또는 다른 사용자에 의해 동작된 컴퓨터 시스템으로 전달될 수도 있다.

하나의 실시형태에서, 서버 시스템(106)은 수신된 환자 특정의 해부학적 데이터에 기초한 3차원 입체 모델 및/또는 3차원 메시(200)를 생성할 수도 있다. 예를 들어, 서버 시스템(106)은, 그 전체가 본원에 참조로써 통합되는 2012년 11월 20일에 발행된 테일러 등에 의한 미국 특허 제8,315,812호에 설명된 임의의 기술에 기초하여 3차원 모델 및/또는 메시를 생성할 수도 있다.

도 3a는 본 개시물의 예시적인 실시형태에 따라서, 혈관 기하학적 구조, 생리학 및 혈역학으로부터 관동맥 병변의 위치, 발병 및/또는 변화를 예측하기 위해서, 복수의 환자의 혈류 특성 및 기하학적 구조에 기초하여, 기계 학습 시스템을 트레이닝하는 예시적인 방법(300)의 블록도이다. 구체적으로, 도 3a에 도시된 바와 같이, 방법(300)은 환자의 촬영 데이터(예를 들어, 기하학적 모델)과 복수의 환자에 대한 생리학적 및/또는 혈역학 정보(302)를 얻는 것을 포함할 수도 있다. 방법(300)은 복수의 환자의 영상 및 생리학적 및/또는 혈역학적 정보에 기초하여 특징 벡터(304)를 생성하는 것을 포함할 수도 있다. 방법(300)은 또한 복수의 환자에 대한 플라크(306)에 대한 정보를 얻고, 학습 시스템의 출력(308)의 바람직한 포맷으로 복수의 환자의 플라크에 대한 정보를 포맷하는 것을 포함한다. 방법(300)은 복수의 환자의 영상 데이터 및 생리학적 및/또는 혈역학적 정보로부터 형성된 특징 벡터(304)와, 복수의 환자의 플라크에 대한 정보의 출력(308)의 양자를 학습 시스템(310)에 입력함으로써 트레이닝 모드를 완료한다. 예를 들어, 이하에서 보다 상세히 설명되는 바와 같이, 임의의 적절한 타입의 기계 학습 시스템은 특징 벡터(304)와 출력(308)의 양자를 프로세싱하여 특정 사용자의 플라크에 대한 정보의 출력을 생성함에 있어서 나중 사용을 위해 그 데이터로부터의 패턴 및 결론을 식별할 수도 있다.

도 3b는 본 개시물의 예시적인 실시형태에 따라서, 혈관 기하학적 구조, 생리학 및 혈역학으로부터 관동맥 병변의 위치, 발병 및/또는 변화를 특정 환자에 대해 예측하기 위해 트레이닝된 기계 학습 시스템(310)을 사용하는 예시적인 방법(350)의 블록도이다. 도 3b에 도시된 바와 같이, 방법(350)은 특정 환자에 대한 환자 영상 데이터(예를 들어, 기하학적 모델)과 생리학적 및/또는 혈역학적 정보(312)를 얻는 것을 포함할 수도 있으며, 특정 환자에 있어서 트레이닝된 학습 시스템(310)에 기초하여 플라크 위치, 발병 및/또는 변화를 예측하는 것이 바람직하다. 물론, 방법(350)은 임의의 수의 환자에 대한 환자 영상 데이터와 생리학적 및/또는 혈역학적 정보를 얻는 것을 포함할 수도 있으며, 임의의 수의 환자에 있어서 트레이닝된 학습 시스템에 기초하여 플라크 위치, 발병 및/또는 변화를 예측하는 것이 바람직하다. 방법(350)은 수신된 생리학적 및/또는 혈역학적 정보 중 하나 이상의 요소에 기초하여 환자의 기하학적 모델의 복수의 지점 중 각각에 대해 특징 벡터(314)를 생성하는 것을 포함할 수도 있다. 방법(350)은 이후 환자의 기하학적 모델에서 복수의 지점의 각각에서의 플라크의 존재 또는 발생의 추정치의 출력(316)을 획득하기 위해 환자에 대해 생성된 특징 벡터에 기계 학습 시스템(310)을 동작시키고, 그리고 그 출력을 환자(318) 내의 플라크의 위치, 발생 및/또는 변화에 대한 유용한 정보(318)로 변환시키는 것을 포함할 수도 있다.

예를 들어, 전자 네트워크(101)를 통해 의료진 및/또는 제3자의 공급자로부터 수신된 영상 및 데이터에 기초하여, 서버 시스템(106)을 이용하여, 혈관 기하학적 구조, 생리학 및 혈역학으로부터 관동맥 병변의 위치, 발병 및/또는 변화를 예측하기 위한 기계 학습의 트레이닝 모드 방법(300) 및 생성 모드 방법(350)을 구현하기 위한 예시적인 실시형태가 후술된다. 구체적으로, 도 4a 내지 도 5b의 방법은, 전자 네트워크(101)를 통해 의료진 디바이스 또는 시스템(102) 및/또는 제3자의 공급자 디바이스 또는 시스템(104)으로부터 수신된 정보에 기초하여, 서버 시스템(106)에 의해 수행될 수도 있다.

도 4a는 본 개시물의 예시적인 실시형태에 따라서, 혈관 기하학적 구조, 생리학 및 혈역학으로부터 관동맥 병변의 위치를 예측하기 위해서 기계 학습 시스템(예를 들어, 서버 시스템(106) 상에서 실행되는 기계 학습 시스템(310))을 트레이닝하는 예시적인 방법(400)의 블록도이다. 구체적으로, 방법(400)은, 한 명 이상의 환자에 대해(단계 402), 환자의 맥관구조의 일부분의 환자 특정의 기하학적 모델을 얻는 단계(단계 404), 환자의 생리학적 또는 표현형 파라미터의 하나 이상의 추정치를 얻는 단계(단계 406), 및 환자의 생물학적 혈역학 특성의 하나 이상의 추정치를 얻는 단계(단계 408)를 포함할 수도 있다.

예를 들어, 환자의 맥관구조의 일부분의 환자 특정의 기하학적 모델을 얻은 단계(단계 404)는 환자의 혈관, 심근, 대동맥, 밸브, 플라크, 및/또는 챔버 중 하나 이상에 대한 기하학적 구조의 환자 특정의 모델을 얻는 것을 포함할 수도 있다. 하나의 실시형태에서, 이 기하학적 구조는, 공간이 지점 사이의 공간 단위(예를 들어, 밀리미터)로 맵핑될 수 있는 (아마도 각 지점에 대한 이웃의 리스트에 의해) 공간에서의 지점의 리스트로서 표현될 수도 있다. 하나의 실시형태에서, 이 모델은 심장 사이클의 말기 심장 확장 단계에서 환자의 심장 CT 촬영을 수행함으로써 도출될 수도 있다. 이 영상은 이후 대동맥과 관상 동맥의 내강에 속하는 복셀을 식별하기 위해 수동 또는 자동으로 분할될 수도 있다. 관동맥 맥관구조의 3D 영상을 고려하면, 많은 가능한 방법 중 임의의 것이 심혈관 기하학적 구조의 환자 특정 모델의 추출에 사용될 수도 있다. 자동으로 추출된 기하학적 구조의 부정확성은, 추출된 기하학적 구조를 영상과 비교하고 필요에 따라 수정을 만드는 인간 관찰자에 의해 수정될 수도 있다. 일단 복셀이 식별되면, 기하학적 모델이 (예를 들어, 마칭 큐브(marching cube)를 사용하여) 도출될 수 있다.

환자의 생리학적 또는 표현형 파라미터의 하나 이상의 추정치를 얻는 단계(단계 406)는 혈압, 혈액 점도, 체외 혈액 검사 결과(예를 들면, LDL/트리글리세라이드 콜레스테롤 수치), 환자의 연령, 환자의 성별, 공급된 조직의 질량 등과 같이 환자의 생리학적 또는 표현형 파라미터의 하나 이상의 추정치의 리스트를 얻는 단계를 포함할 수도 있다. 이들 파라미터는 전역일 수도 있거나(예를 들면, 혈압) 또는 국소적일 수도 있다(예를 들어, 소정의 위치에서의 혈관벽의 추정된 밀도). 하나의 실시형태에서, 생리학적 또는 표현형 파라미터는 혈압, 적혈구 용적 수치, 환자의 연령, 환자의 성별, 심근 질량(예를 들어, 영상에서 심근을 분할하고, 영상에서 체적을 계산하고, 그리고 1.05g/mL의 추정된 밀도를 사용하여 심근 질량을 추정함으로써 도출됨), 관상 동맥 질환의 일반적인 위험 인자(예를 들면, 흡연, 당뇨병, 고혈압, 복부 비만, 식습관, 가족력 등) 및/또는 체외 혈액 검사 결과(예를 들어, LDL, 중성지방 콜레스테롤 수치)를 포함할 수도 있다.

환자의 생물학적 혈역학 특성의 하나 이상의 추정치를 얻는 단계(단계 408)는, 벽 전단 응력, 진동 전단 지수, 입자 체류 시간, 레이놀즈(Reynolds) 수, Womersley 수, 로컬 유량, 및 난류 운동 에너지 등과 같은 계산 유체 역학 분석으로부터 생물학적 혈역학 특성의 하나 이상의 추정치의 리스트를 얻는 것을 포함할 수도 있다. 구체적으로, 평균 벽 전단 응력은

과 같이 정의될 수도 있고, 이것은 표면 견인 벡터의 면내 성분으로 정의된 벽 전단 응력 벡터일 수도 있다. 진동 전단 지수(OSI)는

과 같이 정의될 수도 있으며, 이것은 전단 응력의 단방향성의 척도일 수도 있다. 입자 체류 시간은 혈액이 특정된 유체 도메인으로부터 플러시되는데 걸리는 시간의 척도일 수도 있다. 난류 운동 에너지("TKE")는 난류 중의 와류와 연관된 난류의 세기의 척도일 수도 있고, 측정된 제곱 평균 속도 변동을 특징으로 할 수도 있으며, 그리고 운동 에너지에 의해 정규화될 수도 있다. 레이놀즈 수는

로 정의될 수도 있다(여기서 ρ: 혈액 밀도, U: 평균 유량, D: 혈관 직경, μ: 동적 점도). Womersley 수는

로 정의될 수도 있다(여기서

: 각 주파수,

와 동일하다).

방법(400)은 환자 특정의 기하학적 모델의 하나 이상의 위치에서의 플라크의 존부의 표시를 얻는 것을 포함할 수도 있다(단계 410). 예를 들어, 하나의 실시형태에서, 석회화 또는 비석회화된 플라크의 위치는 CT 및/또는 혈관내 초음파, 또는 광간섭 단층 촬영을 포함한 다른 촬영 기술을 이용하여 결정될 수도 있다. 예를 들어, 플라크는 환자 특정의 해부학적 데이터로부터 생성된 3차원 영상(도 2의 200)에서 검출될 수도 있다. 플라크는 대동맥의 내강, 주요 관상 동맥 및/또는 분기보다 더 밝은 영역으로서 3차원 영상 또는 모델에서 식별될 수도 있다. 따라서, 플라크는 컴퓨터 시스템에 의해 설정 값 아래의 세기 값을 갖는 것으로서 검출될 수도 있거나 또는 사용자에 의해 시각적으로 검출될 수도 있다. 검출된 플라크의 위치는 소공 지점(좌측 주요 또는 우측 관동맥 소공)으로부터 연관 혈관 중심선 상에 대한 플라크 좌표의 중심의 투사까지의 거리와 심근에 대한 플라크의 각도 위치(예를 들어, 심근/심낭 쪽)에 의해 파라미터화될 수도 있다. 검출된 플라크의 위치는 또한 연관 혈관 중심선 상에 대한 플라크 좌표의 투사의 시작 지점과 종료 지점에 의해 파라미터화될 수도 있다. 플라크가 임의의 위치에 존재하는 경우, 방법(400)은 관동맥 플라크 조성, 예를 들어, 타입, 하운스필드 단위("HU") 등, 버든, 형상(편심 또는 동심) 및 위치 중 하나 이상의 측정의 리스트를 얻는 단계를 포함할 수도 있다.

방법(400)은 또한, 플라크의 존부에 대한 정보가 있는 환자 특정의 기하학적 모델에서의 복수의 지점들 각각에 대해(단계 412), 지점에 대한 특징 벡터를 생성하는 단계(단계 414) 및 그 지점에서의 플라크의 존부와 특징 벡터를 연관시키는 단계(단계 416)를 포함할 수도 있다. 하나의 실시형태에서, 지점에 대한 특징 벡터를 생성하는 단계는 그 지점에서의 기하학적 구조 및 생물학적 혈역학 특성의 수치 설명, 및 환자의 생리학적 또는 표현형 파라미터의 추정치로 이루어지는 그 지점에 대한 특징 벡터를 생성하는 단계를 포함할 수도 있다. 예를 들어, 속성에 대한 특징 벡터: 소공까지의 거리, 벽 전단 응력, 로컬 유량, 레이놀즈 수, 및 중심선 곡률은 (50 mm, 70 dyne/㎠, 1500 ㎣/sec, 400, 1 mm^-1)의 형태일 수도 있다. 전역 생리학적 또는 표현형 파라미터는 모든 지점의 특징 벡터에서 사용될 수도 있으며, 로컬 생리학적 또는 표현형 파라미터는 다른 지점의 특징 벡터에서 변경될 수도 있다.

하나의 실시형태에서, 단계 414에서 생성된 예시적인 특징 벡터는 다음 중 하나 이상을 포함할 수도 있다: (i) 수축기 및 확장기 혈압, (ii) 심박수, (iii) 혈장, 적혈구(erythrocyte), 적혈구 용적, 백혈구(leukocyte) 및 혈소판(thrombocyte), 점도, 항복 응력 등을 포함한 혈액 성질, (iv) 환자의 연령, 성별, 신장, 체중 등, (v) 라이프스타일 특성, 예를 들어, 현재 약품/의약품의 존부, (vi) 흡연, 당뇨병, 고혈압, 복부 비만, 식습관, CAD의 가족력 등과 같은 CAD의 일반적인 위험 요인, (vii) 체외 혈액 검사 결과, 예컨대 LDL, 중성지방 콜레스테롤 수치 등, (viii) 관상 동맥의 칼슘 점수, (ix) 대동맥 및 밸브 내의 칼슘의 양, (x) 대동맥류의 존재, (xi) 심장 판막 질환의 존재, (xii) 주변 질환의 존재, (xiii) 치과 질환의 존재, (xiv) 외막 지방 체적, (xv) 심기능(박출 계수), (xvi) 스트레스 심초음파 검사 결과, (xvii) 대동맥 기하학적 구조의 특성(예를 들면, 상승 및 하강 대동맥에 따른 단면적 프로파일, 및 대동맥의 표면적 및 체적, (xviii) 전체 개시물이 본원에서 참조로써 통합되는 Timothy A. Fonte 등에 의해 2012년 10월 19일에 출원된 미국 특허 출원 제13/656,183호에 기재된 바와 같은 SYNTAX 스코어, (xix) 기존 플라크의 플라크 버든, (xx) 기존 플라크의 악영향 플라크 특성(예를 들어, 포지티브 리모델링의 존재, 낮은 감쇠 플라크의 존재, 불규칙한 석회화의 존재), (xxi) 관동맥 분기 기하학적 구조의 특성, (xxii) 관동맥 단면적의 특성, (xxiii) 관동맥 내강 강도의 특성, 예를 들어, 중심선에 따른 강도 변화(직선으로 고정된 강도 변화의 기울기), (xxiv) 관동맥 기하학적 구조의 표면의 특성, 예를 들어, 기하학적 구조의 3D 표면 곡률(가우시안, 최대, 최소, 평균), (xxv) 관동맥 기하학적 구조의 체적 특성, 예를 들어, 심근 체적에 대비한 총 관동맥 체적의 비율, (xxvi) 관동맥 중심선의 특성, (xxvii) 관동맥 변형의 특성, (xxviii) 기존 플라크의 특성, 및 (xxix) 계산적인 유동 역학 또는 침습적 측정에서 파생된 관동맥 혈역학의 특성.

하나의 실시형태에서, 관동맥 분기 기하학적 구조의 특성은 다음 중 하나 이상을 포함할 수도 있다: (1) 혈관 분기점의 총 수, 및 상/하류 혈관 분기점의 수; (2) 평균, 최소 및 최대 상/하향 단면적; (3) 최소 및 최대 상/하류 단면적의 중심선 지점까지의 (혈관 중심선에 따른) 거리, (4) 최근접 상/하류 혈관 분기점의 단면적 및 (혈관 중심선에 따른) 거리, (5) 최근접 관동맥 출구 및 대동맥 입/출구의 단면적 및 (혈관 중심선에 따른) 거리, (6) 최소/최대 단면적을 하류 관상 출구까지의 단면적 및 (혈관 중심선에 따른) 거리, 및/또는 (7) 관동맥 혈관의 상/하류 체적.

하나의 실시형태에서, 관동맥 단면적의 특성은 다음 중 하나 이상을 포함할 수도 있다: (1) 관동맥 중심선에 따른 내강 단면적, (2) N의 파워에 대한 내강 단면적(여기서 N은 스케일링 법칙의 다양한 소스로부터 결정될 수 있다, 예컨대 머레이(Murray)의 법칙(N=1.5) 및 Uylings의 연구(N=1.165~1.5)), (3) 주요 소공(LM, RCA)에 관한 내강 단면적의 비(예를 들어, LM 소공 영역에 의한 좌측 관동맥의 정규화된 단면적, LM 소공에서의 단면적의 측정, RCA 소공 영역에 의한 우측 관동맥의 정규화된 단면적, RCA 소공에서의 단면적의 측정), (4) N의 파워에 대한 주요 소공과 관련된 내강 단면적의 비(여기서 N은 스케일링 법칙의 다양한 소스로부터 결정될 수 있다, 예컨대 머레이의 법칙(N=1.5) 및 Uylings의 연구(N=1.165~1.5)), (5) (특정 구간(예를 들면, 혈관 직경의 2배) 내의 샘플 중심선 지점 및 직선으로 고정된 단면적의 기울기의 계산에 기초한) 중심선에 따른 내강 단면적에서의 테이퍼 정도, (6) (단면적 곡선의 최소를 검출하는 (예를 들어, 영역 곡선의 1차 도함수가 0이고 2차 도함수가 양인 위치를 검출하고, 그리고 인위적인 피크의 검출을 회피하기 위해서 단면적 프로파일을 평활화하는) 것에 기초한) 협착 병변의 위치 및 주요 소공으로부터의 연산 거리(중심선의 파라미터 아크의 길이), (7) (단면적이 리커버되는, 협착 병변으로부터의 근위 및 원위 위치에 기초하여 연산된) 협착 병변의 길이, (8) 푸리에 평활화 또는 커넬 회귀를 이용하여 평활화된 단면적 프로파일의 참조값에 기초하여 협착의 정도를 평가하는 것에 의한 협착 병변의 정보, (9) 50%, 75%, 90% 면적 감소에 상응하는 병변의 위치 및 수, (10) 협착 병변으로부터 주요 소공까지의 거리, 및/또는 (11) 단면 내강 경계의 불규칙성(또는 원형성).

하나의 실시형태에서, 관동맥 중심선의 특성은 다음을 포함할 수도 있다: (1)

(여기서, p는 중심선의 좌표)에 기초하여 예컨대 프레네(Frenet) 곡률을 계산하고, 그리고 중심선 지점에 따른 외접원의 반경의 역을 계산하는 것에 의한 관동맥 중심선의 곡률(굽힘), 및 (2)

(여기서, p는 중심선의 좌표)에 기초하여 예컨대 프레네 토션을 계산하는 것에 의한 관동맥 중심선의 비틀림(비평활성).

하나의 실시형태에서, 관동맥 변형의 특성의 계산은 (1) 심장 사이클에 걸친 관상 동맥의 팽창성, (2) 심장 사이클에 걸친 분기 각도 변화, 및/또는 (3) 심장 사이클에 걸친 곡률 변화를 포함하는, 멀티-단계의 CCTA(예를 들어, 심장 확장 및 수축)를 수반할 수도 있다. 하나의 실시형태에서, 기존 플라크의 특성은 다음에 기초하여 계산될 수도 있다: (1) 플라크의 체적, (2) 플라크의 세기, (3) (석회화, 비석회화된) 플라크의 종류, (4) 플라크 위치로부터 소공(LM 또는 RCA)까지의 거리, 및 (5) 플라크 위치로부터 최근접 하류/상류 분기까지의 거리.

하나의 실시형태에서, 관동맥 혈역학의 특성은 계산 유동 역학 또는 침습적 측정으로부터 도출될 수도 있다. 예를 들면, 맥동 유동 시뮬레이션은, 하류 맥관 구조에 대한 집중 파라미터 관동맥 혈관 모델, 심장 사이클 동안 심장과 동맥계 사이의 상호작용에 기인하는 심근내 압력 변화를 설명하기 위해 집중 파라미터 심장 모델과 폐루프 모델을 커플링하는 것에 의한 유입 경계 조건을 이용하여, 혈액의 일시적인 특성을 얻도록 수행될 수도 있다. 예를 들어, 계산은 다음을 포함할 수도 있다: 측정된 FFR, 관동맥 유동 리저브, 압력 분포, FFRct, 평균 벽 전단 응력, 진동 전단 지수, 입자 체류 시간, 난류 운동 에너지, 레이놀즈 수, Womersley 수, 및/또는 로컬 유량.

이후 방법(400)은 환자 특정의 기하학적 모델의 각 지점에서의 플라크의 존부와 특징 벡터를 연관시키는 단계를 포함할 수도 있다(단계 416). 방법(400)은 환자 특정의 기하학적 모델에서의 복수의 지점 각각에 대해, 그리고 기계 학습 알고리즘이 기초될 수도 있는(단계 420) 임의의 수의 환자 각각에 대해, 상기 단계 412, 414, 416을 계속해서 수행하는 것을 수반할 수도 있다(단계 418). 방법(400)은 이후 지점에서의 특징 벡터로부터 지점에서의 플라크 존재의 확률을 예측하기 위해 기계 학습 알고리즘을 트레이닝하는 단계를 포함할 수도 있다(단계 422). 이러한 태스크를 수행하기에 적합한 기계 학습 알고리즘의 예는 서포트 벡터 머신(SVM; support vector machine), 다층 퍼셉트론(MLP; multi-layer perceptron), 및/또는 다변량 회귀(MVR; multivariate regression)(예를 들어, 가중화된 선형 또는 로지스틱 회귀)를 포함할 수도 있다.

방법(400)은 이후 기계 학습 알고리즘의 결과(예를 들어, 특징 가중치)를 서버 시스템(106)의 컴퓨터, 랩탑, DSP, 서버 등과 같은 연산 디바이스의 메모리 또는 디지털 스토리지(예를 들어, 하드 드라이브, 네트워크 드라이브)와 같은 디지털 대표예에 저장하거나 또는 모아두는 것을 포함할 수도 있다(단계 424).

도 4b는 본 개시물의 예시적인 실시형태에 따라서, 혈관 기하학적 구조, 생리학 및 혈역학으로부터 관동맥 병변의 위치를 특정 환자에 대해 예측하기 위해서 방법(400)에 따라 트레이닝된 기계 학습 시스템(예를 들어, 서버 시스템(106) 상에서 실행되는 기계 학습 시스템(310))을 이용하기 위한 예시적인 방법(450)의 블록도이다. 하나의 실시형태에서, 방법(450)은, 한명 이상의 환자에 대해(단계 452), 환자의 맥관구조의 일부분의 환자 특정의 기하학적 모델을 얻는 단계(단계 454), 환자의 생리학적 또는 표현형 파라미터의 하나 이상의 추정치를 얻는 단계(단계 456), 및 환자의 생물학적 혈역학 특성의 하나 이상의 추정치를 얻는 단계(단계 458)를 포함할 수도 있다.

구체적으로, 환자의 맥관구조의 일부분의 환자 특정의 기하학적 모델을 얻은 단계(단계 454)는 환자의 혈관, 심근, 대동맥, 밸브, 플라크, 및/또는 챔버 중 하나 이상에 대한 기하학적 구조의 환자 특정의 모델을 얻는 것을 포함할 수도 있다. 하나의 실시형태에서, 이 기하학적 구조는, 공간이 지점 사이의 공간 단위(예를 들어, 밀리미터)로 맵핑될 수 있는 (아마도 각 지점에 대한 이웃의 리스트에 의해) 공간에서의 지점의 리스트로서 표현될 수도 있다. 하나의 실시형태에서, 이 모델은 심장 사이클의 말기 심장 확장 단계에서 환자의 심장 CT 촬영을 수행함으로써 도출될 수도 있다. 이 영상은 이후 대동맥과 관상 동맥의 내강에 속하는 복셀을 식별하기 위해 수동 또는 자동으로 분할될 수도 있다. 자동으로 추출된 기하학적 구조의 부정확성은, 추출된 기하학적 구조를 영상과 비교하고 필요에 따라 수정을 만드는 인간 관찰자에 의해 수정될 수도 있다. 일단 복셀이 식별되면, 기하학적 모델이 (예를 들어, 마칭 큐브를 사용하여) 도출될 수 있다.

하나의 실시형태에서, 환자의 생리학적 또는 표현형 파라미터의 하나 이상의 추정치를 얻는 단계(단계 456)는 혈압, 혈액 점도, 체외 혈액 검사 결과(예를 들면, LDL/트리글리세라이드 콜레스테롤 수치), 환자의 연령, 환자의 성별, 공급된 조직의 질량 등과 같이 환자의 생리학적 또는 표현형 파라미터의 하나 이상의 추정치의 리스트를 얻는 것을 포함할 수도 있다. 이들 파라미터는 전역일 수도 있거나(예를 들면, 혈압) 또는 국소적일 수도 있다(예를 들어, 소정의 위치에서의 혈관벽의 추정된 밀도). 하나의 실시형태에서, 생리학적 또는 표현형 파라미터는 혈압, 적혈구 용적 수치, 환자의 연령, 환자의 성별, 심근 질량(예를 들어, 영상에서 심근을 분할하고, 영상에서 체적을 계산하고, 그리고 1.05g/mL의 추정된 밀도를 사용하여 심근 질량을 추정함으로써 도출됨), 관상 동맥 질환의 일반적인 위험 인자(예를 들면, 흡연, 당뇨병, 고혈압, 복부 비만, 식습관, 가족력 등) 및/또는 체외 혈액 검사 결과(예를 들어, LDL, 중성지방 콜레스테롤 수치)를 포함할 수도 있다.

하나의 실시형태에서, 환자의 생물학적 혈역학 특성의 하나 이상의 추정치를 얻는 단계(단계 458)는, 벽 전단 응력, 진동 전단 지수, 입자 체류 시간, 레이놀즈 수, Womersley 수, 로컬 유량, 및 난류 운동 에너지 등과 같은 계산 유체 역학 분석으로부터 생물학적 혈역학 특성의 하나 이상의 추정치의 리스트를 얻는 것을 포함할 수도 있다. 구체적으로, 평균 벽 전단 응력은

과 같이 정의될 수도 있으며, 이것은 전단 응력의 단방향성의 척도일 수도 있다. 입자 체류 시간은 혈액이 특정된 유체 도메인으로부터 플러시되는데 걸리는 시간의 척도일 수도 있다. 난류 운동 에너지(TKE)는 난류 중의 와류와 연관된 난류의 세기의 척도일 수도 있고, 측정된 제곱 평균 속도 변동을 특징으로 할 수도 있으며, 그리고 운동 에너지에 의해 정규화될 수도 있다. 레이놀즈 수는

로 정의될 수도 있다(여기서

: 각 주파수,

와 동일하다).

방법(450)은, 환자의 환자 특정의 기하학적 모델에서의 모든 지점에 대해(단계 460), 그 지점에서의 기하학적 구조 및 생물학적 혈역학 특성의 수치 설명, 및 환자의 생리학적 또는 표현형 파라미터의 추정치로 이루어지는 그 지점에 대한 특징 벡터를 생성하는 단계를 포함할 수도 있다(단계 462). 전역 생리학적 또는 표현형 파라미터는 모든 지점의 특징 벡터에서 사용될 수도 있으며, 로컬 생리학적 또는 표현형 파라미터는 다른 지점의 특징 벡터에서 변경될 수도 있다. 방법(450)은 환자 특정의 기하학적 모델에서의 복수의 지점 각각에 대해, 상기 단계 460, 462를 계속해서 수행하는 것을 수반할 수도 있다(단계 464).

이후 방법(450)은 (도 4a, B에 저장된) 저장된 기계 학습 결과에 기초하여 환자 특정의 기하학적 모델에서의 각 지점에서 플라크의 존부의 확률의 추정치를 생성하는 단계를 포함할 수도 있다(단계 468). 구체적으로, 방법(450)은 방법(400)의 트레이닝 모드에서 만들어진 기계 학습 알고리즘(310)의 저장된 결과(예를 들면, 특징 가중치)를 이용하여, (예를 들어, 각 지점에서 특징 벡터의 함수로서 플라크 추정치를 생성하는 것에 의해) 환자 특정의 기하학적 모델에서의 각 지점에서 플라크의 존재의 확률 추정치를 생성할 수도 있다. 이들 추정치는 트레이닝 모드에서 사용되는 것과 동일한 기계 학습 알고리즘 기술(예를 들면, SVM, MLP, MVR 기술)을 사용하여 제조될 수도 있다. 하나의 실시형태에서, 추정치는 기하학적 모델의 각 지점에서의 플라크의 존재의 확률일 수도 있다. 기존 플라크가 소정 지점에 존재하지 않는 경우, 방법은 플라크(예를 들어, 지질 과다의 비석회화된 플라크) 발생의 추정 확률을 생성하는 단계를 포함할 수도 있다. 플라크가 소정 지점에 존재하는 경우, 방법은 식별된 플라크의 상이한 단계(예를 들어, 섬유증 또는 석회화)로의 진행의 추정 확률, 및 이러한 진행의 양 또는 형상을 생성시키는 단계를 포함할 수도 있다. 하나의 실시형태에서, 추정치는 임의의 주어진 위치 또는 위치의 조합에서의 플라크의 형상, 종류, 조성, 크기, 성장 및/또는 수축의 확률일 수도 있다. 예를 들어, 하나의 실시형태에서, (길이 방향의 트레이닝 데이터의 부재시) 플라크의 진행은, 환자가 실제로 특성 Y를 가짐에도 불구하고, 환자의 모집단에 기초한 질환 특성 X를 가져야 한다고 표시한다는 것을 결정하는 것에 의해 예측될 수도 있다. 따라서, 추정치는 환자가 상태 X로부터 상태 Y로 진행할 것이라는 예측을 포함할 수도 있고, 이것은 플라크 성장, 수축, 타입 변화, 조성 변화, 형상 변화 등)에 대한 가정 및/또는 예측을 포함할 수도 있다. 방법(450)은 이후 플라크의 존부의 확률의 추정치를, 서버 시스템(106)의 컴퓨터, 랩탑, DSP, 서버 등과 같은 연산 디바이스의 메모리 또는 디지털 스토리지(예를 들어, 하드 드라이브, 네트워크 드라이브) 등에 저장하고(단계 470), 그리고 병변 형성의 이들 환자 특정 및 위치 특정의 예측된 확률을 전자 네트워크(101) 등을 거쳐 의료 제공자에 통신하는 단계를 포함한다.

도 5a는 본 개시물의 예시적인 실시형태에 따라서, 혈관 기하학적 구조, 생리학 및 혈역학의 길이방향 데이터(즉, 상이한 시점에 동일한 환자로부터 취해진 대응하는 데이터)를 이용하는 것 등에 의해, 시간이 지남에 따라 관동맥 병변의 발병 또는 변화(예를 들어, 성장 및/또는 수축)를 예측하기 위해서 기계 학습 시스템(예를 들어, 서버 시스템(106) 상에서 실행되는 기계 학습 시스템(310))을 트레이닝하는 예시적인 방법(500)의 블록도이다. 구체적으로, 방법(500)은, 한명 이상의 환자에 대해(단계 502), 환자의 맥관구조의 일부분의 환자 특정의 기하학적 모델을 얻는 단계(단계 504), 환자의 생리학적 또는 표현형 파라미터의 하나 이상의 추정치를 얻는 단계(단계 506), 및 환자의 생물학적 혈역학 특성의 하나 이상의 추정치를 얻는 단계(단계 508)를 포함할 수도 있다.

예를 들어, 환자의 맥관구조의 일부분의 환자 특정의 기하학적 모델을 얻은 단계(단계 504)는 환자의 혈관, 심근, 대동맥, 밸브, 플라크, 및/또는 챔버 중 하나 이상에 대한 기하학적 구조의 환자 특정의 모델을 얻는 것을 포함할 수도 있다. 하나의 실시형태에서, 이 기하학적 구조는, 공간이 지점 사이의 공간 단위(예를 들어, 밀리미터)로 맵핑될 수 있는 (아마도 각 지점에 대한 이웃의 리스트에 의해) 공간에서의 지점의 리스트로서 표현될 수도 있다. 하나의 실시형태에서, 이 모델은 심장 사이클의 말기 심장 확장 단계에서 환자의 심장 CT 촬영을 수행함으로써 도출될 수도 있다. 이 영상은 이후 대동맥과 관상 동맥의 내강에 속하는 복셀을 식별하기 위해 수동 또는 자동으로 분할될 수도 있다. 자동으로 추출된 기하학적 구조의 부정확성은, 추출된 기하학적 구조를 영상과 비교하고 필요에 따라 수정을 만드는 인간 관찰자에 의해 수정될 수도 있다. 일단 복셀이 식별되면, 기하학적 모델이 (예를 들어, 마칭 큐브를 사용하여) 도출될 수 있다.

환자의 생리학적 또는 표현형 파라미터의 하나 이상의 추정치를 얻는 단계(단계 506)는 혈압, 혈액 점도, 체외 혈액 검사 결과(예를 들면, LDL/트리글리세라이드 콜레스테롤 수치), 환자의 연령, 환자의 성별, 공급된 조직의 질량 등과 같이 환자의 생리학적 또는 표현형 파라미터의 하나 이상의 추정치의 리스트를 얻는 단계를 포함할 수도 있다. 이들 파라미터는 전역일 수도 있거나(예를 들면, 혈압) 또는 국소적일 수도 있다(예를 들어, 소정의 위치에서의 혈관벽의 추정된 밀도). 하나의 실시형태에서, 생리학적 또는 표현형 파라미터는 혈압, 적혈구 용적 수치, 환자의 연령, 환자의 성별, 심근 질량(예를 들어, 영상에서 심근을 분할하고, 영상에서 체적을 계산하고, 그리고 1.05g/mL의 추정된 밀도를 사용하여 심근 질량을 추정함으로써 도출됨), 관상 동맥 질환의 일반적인 위험 인자(예를 들면, 흡연, 당뇨병, 고혈압, 복부 비만, 식습관, 가족력 등) 및/또는 체외 혈액 검사 결과(예를 들어, LDL, 중성지방 콜레스테롤 수치)를 포함할 수도 있다.

환자의 생물학적 혈역학 특성의 하나 이상의 추정치를 얻는 단계(단계 508)는, 벽 전단 응력, 진동 전단 지수, 입자 체류 시간, 레이놀즈 수, Womersley 수, 로컬 유량, 및 난류 운동 에너지 등과 같은 계산 유체 역학 분석으로부터 생물학적 혈역학 특성의 하나 이상의 추정치의 리스트를 얻는 것을 포함할 수도 있다. 구체적으로, 평균 벽 전단 응력은

로 정의될 수도 있다(여기서

: 각 주파수,

와 동일하다).

방법(500)은 환자 특정의 기하학적 모델의 하나 이상의 위치에서의 플라크의 존부의 표시를 얻는 단계를 포함할 수도 있다(단계 510). 예를 들어, 하나의 실시형태에서, 플라크의 위치는 CT 및/또는 혈관내 초음파, 또는 광간섭 단층 촬영을 포함한 다른 촬영 기술을 이용하여 결정될 수도 있다. 플라크가 임의의 위치에 존재하는 경우, 방법(500)은 관동맥 플라크 조성, 버든 및 위치 중 하나 이상의 측정의 리스트를 얻는 단계를 포함할 수도 있다.

시간이 지남에 따라 환자로부터 얻어진 기하학적 구조를 동기화하기 위해서, 각 개인의 복수의 시간 변화 스캔 간의 지점 대응을 결정하는 것이 바람직할 수도 있다. 다른 말로, 2개의 상이한 시점에서의 동일한 환자의 영상의 쌍들의 데이터베이스를 이용하는 것 등에 의해, 이후 시점의 위치에서의 질환의 진행과 상관되는 이른 시점의 동일한 위치에서의 혈관 특성을 학습하는 것이 바람직할 수도 있다. 새로운 환자의 영상을 고려할 때, 로컬 질환 진행의 트레이닝 데이터는 이후 각각의 위치에서의 질환 변화를 예측하는데 사용될 수도 있다. 따라서, 하나의 실시형태에서, 단계 510은: (i) 초기 스캔에서 후속 스캔으로 관동맥 중심선의 맵핑을 결정하는 단계; 및 (ii) 중심선에 따라 정의된 곡선 좌표를 이용하여 추출된 플라크의 맵핑을 결정하는 단계를 더 포함할 수도 있다. 하나의 실시형태에서, 관동맥 중심선 맵핑은 (i) 각 스캔에 대해 주요 심외막 관상 동맥(예를 들어, 좌측 하행성 관상 동맥, 써컴렉스(circumlex) 동맥, 우측 관상 동맥) 및 지부 혈관(예를 들어, 대각선, 주변부 등)의 중심선을 추출하고; (ii) 스캔 간의 공통 질점을 결정하기 위한 기점 랜드마크로서 분기점을 사용하며; 그리고 (iii) 분기점 간의 지점에 대해, 대응을 식별하기 위해 관동맥 혈관의 단면적 프로파일(예를 들어, 값, 기울기) 또는 선형 보간을 이용하는 것에 의해 결정될 수도 있다. 하나의 실시형태에서, 추출된 플라크의 맵핑은: (i) 각각의 스캔으로부터 플라크를 추출하고; (ii) 각각의 연관된 중심선에 대한 곡선 좌표계(r,θ,s)에 의해 플라크 복셀의 위치를 파라미터화하며; 그리고 각각의 곡선 좌표계에서 플라크 복셀의 대응을 결정하는 것에 의해 결정될 수도 있다. 하나의 실시형태에서, 곡선이 정의될 수도 있으며, 여기서:

r = 플라크 복셀에서 연관 중심선까지의 거리(플라크의 투영);

s = 소공 지점(좌측 주요 또는 우측 관동맥 소공)에서 연관 중심선 상의 플라크 복셀의 투영까지의 거리; 및

θ = 중심선에 대한 기준 평행 경로와 관련된 각 위치.

방법(500)은 또한, 플라크의 성장, 수축, 또는 발생에 대한 정보가 있는 환자 특정의 기하학적 모델에서의 복수의 지점들 각각에 대해(단계 512), 지점에 대한 특징 벡터를 생성하는 단계(단계 514) 및 그 지점에서의 플라크의 성장, 수축, 또는 발생과 특징 벡터를 연관시키는 단계(단계 516)를 포함할 수도 있다. 하나의 실시형태에서, 지점에 대한 특징 벡터를 생성하는 단계는 그 지점에서의 기하학적 구조 및 생물학적 혈역학 특성의 수치 설명, 및 환자의 생리학적 또는 표현형 파라미터의 추정치로 이루어지는 그 지점에 대한 특징 벡터를 생성하는 단계를 포함할 수도 있다. 예를 들어, 속성에 대한 특징 벡터: 적혈구 용적, 플라크 버든, 플라크 하운스필드 유닛, 소공까지의 거리, 벽 전단 응력, 플로우, 레이놀즈 수, 및 중심선 곡률은: (45%, 20 ㎣, 130 HU, 60.5 mm, 70 dyne/㎠, 1500 ㎣/sec, 400, 1 mm^-1)의 형태일 수도 있다. 전역 생리학적 또는 표현형 파라미터는 모든 지점의 특징 벡터에서 사용될 수도 있으며, 로컬 생리학적 또는 표현형 파라미터는 다른 지점의 특징 벡터에서 변경될 수도 있다.

하나의 실시형태에서, 단계 514에서 생성된 예시적인 특징 벡터는 다음 중 하나 이상을 포함할 수도 있다: (i) 수축기 및 확장기 혈압, (ii) 심박수, (iii) 혈장, 적혈구(erythrocyte), 적혈구 용적, 백혈구(leukocyte) 및 혈소판(thrombocyte), 점도, 항복 응력 등을 포함한 혈액 성질, (iv) 환자의 연령, 성별, 신장, 체중 등, (v) 라이프스타일 특성, 예를 들어, 현재 약품/의약품의 존부, (vi) 흡연, 당뇨병, 고혈압, 복부 비만, 식습관, CAD의 가족력 등과 같은 CAD의 일반적인 위험 요인, (vii) 체외 혈액 검사 결과, 예컨대 LDL, 중성지방 콜레스테롤 수치 등, (viii) 관상 동맥의 칼슘 점수, (ix) 대동맥 및 밸브 내의 칼슘의 양, (x) 대동맥류의 존재, (xi) 심장 판막 질환의 존재, (xii) 주변 질환의 존재, (xiii) 치과 질환의 존재, (xiv) 외막 지방 체적, (xv) 심기능(박출 계수), (xvi) 스트레스 심초음파 검사 결과, (xvii) 대동맥 기하학적 구조의 특성(예를 들면, 상승 및 하강 대동맥에 따른 단면적 프로파일, 및 대동맥의 표면적 및 체적, (xviii) 상술된 바와 같은 SYNTAX 스코어, (xix) 기존 플라크의 플라크 버든, (xx) 기존 플라크의 악영향 플라크 특성(예를 들어, 포지티브 리모델링의 존재, 낮은 감쇠 플라크의 존재, 불규칙한 석회화의 존재), (xxi) 관동맥 분기 기하학적 구조의 특성, (xxii) 관동맥 단면적의 특성, (xxiii) 관동맥 내강 강도의 특성, 예를 들어, 중심선에 따른 강도 변화(직선으로 고정된 강도 변화의 기울기), (xxiv) 관동맥 기하학적 구조의 표면의 특성, 예를 들어, 기하학적 구조의 3D 표면 곡률(가우시안, 최대, 최소, 평균), (xxv) 관동맥 기하학적 구조의 체적 특성, 예를 들어, 심근 체적에 대비한 총 관동맥 체적의 비율, (xxvi) 관동맥 중심선의 특성, (xxvii) 관동맥 변형의 특성, (xxviii) 기존 플라크의 특성, 및/또는 (xxix) 계산적인 유동 역학 또는 침습적 측정에서 파생된 관동맥 혈역학의 특성.

하나의 실시형태에서, 관동맥 단면적의 특성은 다음 중 하나 이상을 포함할 수도 있다: (1) 관동맥 중심선에 따른 내강 단면적, (2) N의 파워에 대한 내강 단면적(여기서 N은 스케일링 법칙의 다양한 소스로부터 결정될 수 있다, 예컨대 머레이의 법칙(N=1.5) 및 Uylings의 연구(N=1.165~1.5)), (3) 주요 소공(LM, RCA)에 관한 내강 단면적의 비(예를 들어, LM 소공 영역에 의한 좌측 관동맥의 정규화된 단면적, LM 소공에서의 단면적의 측정, RCA 소공 영역에 의한 우측 관동맥의 정규화된 단면적, RCA 소공에서의 단면적의 측정), (4) N의 파워에 대한 주요 소공과 관련된 내강 단면적의 비(여기서 N은 스케일링 법칙의 다양한 소스로부터 결정될 수 있다, 예컨대 머레이의 법칙(N=1.5) 및 Uyling의 연구(N=1.165~1.5)), (5) (특정 구간(예를 들면, 혈관 직경의 2배) 내의 샘플 중심선 지점 및 직선으로 고정된 단면적의 기울기의 계산에 기초한) 중심선에 따른 내강 단면적에서의 테이퍼 정도, (6) (단면적 곡선의 최소를 검출하는 (예를 들어, 영역 곡선의 1차 도함수가 0이고 2차 도함수가 양인 위치를 검출하고, 그리고 인위적인 피크의 검출을 회피하기 위해서 단면적 프로파일을 평활화하는) 것에 기초한) 협착 병변의 위치 및 주요 소공으로부터의 연산 거리(중심선의 파라미터 아크의 길이), (7) (단면적이 리커버되는, 협착 병변으로부터의 근위 및 원위 위치에 기초하여 연산된) 협착 병변의 길이, (8) 푸리에 평활화 또는 커넬 회귀를 이용하여 평활화된 단면적 프로파일의 참조값에 기초하여 협착의 정도를 평가하는 것에 의한 협착 병변의 정보, (9) 50%, 75%, 90% 면적 감소에 상응하는 병변의 위치 및 수, (10) 협착 병변으로부터 주요 소공까지의 거리, 및/또는 (11) 단면 내강 경계의 불규칙성(또는 원형성).

(여기서, p는 중심선의 좌표)에 기초하여 예컨대 프레네(Frenet) 곡률을 계산하고, 그리고 중심선 지점에 따른 외접원의 반경의 역을 계산하는 것에 의한 관동맥 중심선의 곡률(굽힘), 및/또는 (2)

하나의 실시형태에서, 관동맥 변형의 특성의 계산은 (1) 심장 사이클에 걸친 관상 동맥의 팽창성, (2) 심장 사이클에 걸친 분기 각도 변화, 및/또는 (3) 심장 사이클에 걸친 곡률 변화를 포함하는, 멀티-단계의 CCTA(예를 들어, 심장 확장 및 수축)를 수반할 수도 있다. 하나의 실시형태에서, 기존 플라크의 특성은 다음에 기초하여 계산될 수도 있다: (1) 플라크의 체적, (2) 플라크의 세기, (3) (석회화, 비석회화된) 플라크의 종류, (4) 플라크 위치로부터 소공(LM 또는 RCA)까지의 거리, 및/또는 (5) 플라크 위치로부터 최근접 하류/상류 분기까지의 거리.

하나의 실시형태에서, 관동맥 혈역학의 특성은 계산 유동 역학 또는 침습적 측정으로부터 도출될 수도 있다. 예를 들면, 맥동 유동 시뮬레이션은, 하류 맥관 구조에 대한 집중 파라미터 관동맥 혈관 모델, 심장 사이클 동안 심장과 동맥계 사이의 상호작용에 기인하는 심근내 압력 변화를 설명하기 위해 집중 파라미터 심장 모델과 폐루프 모델을 커플링하는 것에 의한 유입 경계 조건을 이용하여, 혈액의 일시적인 특성을 얻도록 수행될 수도 있다. 예를 들어, 계산은 다음 중 하나 이상을 포함할 수도 있다: 측정된 FFR, 관동맥 유동 리저브, 압력 분포, FFRct, 평균 벽 전단 응력, 진동 전단 지수, 입자 체류 시간, 난류 운동 에너지, 레이놀즈 수, Womersley 수, 및/또는 로컬 유량.

이후 방법(500)은 환자 특정의 기하학적 모델의 각 지점에서의 플라크의 성장, 수축, 또는 발생과 특징 벡터를 연관시키는 단계를 포함할 수도 있다(단계 516). 방법(500)은 환자 특정의 기하학적 모델에서의 복수의 지점 각각에 대해(단계 518), 그리고 기계 학습 알고리즘이 기초될 수도 있는(단계 520) 임의의 수의 환자 각각에 대해, 상기 단계 512, 514, 516을 계속해서 수행하는 것을 수반할 수도 있다. 방법(500)은 또한 환자 특정의 기하학적 모델에서의 복수의 지점 각각에 대해, 그리고 기계 학습 알고리즘이 기초될 수도 있는 임의의 수의 환자 각각에 대해, 플라크의 성장, 수축 또는 발생에 대한 정보(즉, 모델의 각 지점에서의 플라크의 변화 및/또는 변화율)를 생성하는데 유용한 임의의 추가 기간 또는 기간들에 걸쳐서, 상기 단계 512, 514, 516을 계속해서 수행하는 것을 수반할 수도 있다(단계 522).

이후 방법(500)은 지점에서의 특징 벡터로부터 지점에서의 플라크의 성장, 수축 또는 발생의 양의 확률을 예측하기 위해 기계 학습 알고리즘을 트레이닝하는 단계를 포함할 수도 있다(단계 524). 이러한 태스크를 수행하기에 적합한 기계 학습 알고리즘의 예는 서포트 벡터 머신(SVM), 다층 퍼셉트론(MLP), 및/또는 다변량 회귀(MVR)(예를 들어, 가중화된 선형 또는 로지스틱 회귀)를 포함할 수도 있다. 하나의 실시형태에서, 트레이닝 데이터가 기계 학습 알고리즘으로 하여금 검출되는 것보다 적은 양(예를 들어, 크기 또는 정도)의 플라크를 예측하게 한다면, 기계 학습 알고리즘은 플라크 수축을 예측하는 것으로 해석될 수도 있으며; 트레이닝 데이터가 기계 학습 알고리즘으로 하여금 검출되는 것보다 많은 양(예를 들어, 크기 또는 정도)의 플라크를 예측하게 한다면, 기계 학습 알고리즘은 플라크 성장을 예측하는 것으로 해석될 수도 있다.

방법(500)은 이후 기계 학습 알고리즘의 결과(예를 들어, 특징 가중치)를 서버 시스템(106)의 컴퓨터, 랩탑, DSP, 서버 등과 같은 연산 디바이스의 메모리 또는 디지털 스토리지(예를 들어, 하드 드라이브, 네트워크 드라이브)와 같은 디지털 대표예에 저장하거나 또는 모아두는 것을 포함할 수도 있다(단계 526).

도 5b는 본 개시물의 예시적인 실시형태에 따라서, 혈관 기하학적 구조, 생리학 및 혈역학으로부터 관동맥 병변의 발병, 성장/수축의 속도를 특정 환자에 대해 예측하기 위해서 기계 학습 시스템(예를 들어, 서버 시스템(106) 상에서 실행되는 기계 학습 시스템(310))을 이용하는 예시적인 방법의 블록도이다. 하나의 실시형태에서, 방법(550)은, 한명 이상의 환자에 대해(단계 552), 환자의 맥관구조의 일부분의 환자 특정의 기하학적 모델을 얻는 단계(단계 554), 환자의 생리학적 또는 표현형 파라미터의 하나 이상의 추정치를 얻는 단계(단계 556), 및 환자의 생물학적 혈역학 특성의 하나 이상의 추정치를 얻는 단계(단계 558)를 포함할 수도 있다.

구체적으로, 환자의 맥관구조의 일부분의 환자 특정의 기하학적 모델을 얻은 단계(단계 554)는 환자의 혈관, 심근, 대동맥, 밸브, 플라크, 및/또는 챔버 중 하나 이상에 대한 기하학적 구조의 환자 특정의 모델을 얻는 것을 포함할 수도 있다. 하나의 실시형태에서, 이 기하학적 구조는, 공간이 지점 사이의 공간 단위(예를 들어, 밀리미터)로 맵핑될 수 있는 (아마도 각 지점에 대한 이웃의 리스트에 의해) 공간에서의 지점의 리스트로서 표현될 수도 있다. 하나의 실시형태에서, 이 모델은 심장 사이클의 말기 심장 확장 단계에서 환자의 심장 CT 촬영을 수행함으로써 도출될 수도 있다. 이 영상은 이후 대동맥과 관상 동맥의 내강에 속하는 복셀을 식별하기 위해 수동 또는 자동으로 분할될 수도 있다. 자동으로 추출된 기하학적 구조의 부정확성은, 추출된 기하학적 구조를 영상과 비교하고 필요에 따라 수정을 만드는 인간 관찰자에 의해 수정될 수도 있다. 일단 복셀이 식별되면, 기하학적 모델이 (예를 들어, 마칭 큐브를 사용하여) 도출될 수 있다.

하나의 실시형태에서, 환자의 생리학적 또는 표현형 파라미터의 하나 이상의 추정치를 얻는 단계(단계 556)는 혈압, 혈액 점도, 체외 혈액 검사 결과(예를 들면, LDL/트리글리세라이드 콜레스테롤 수치), 환자의 연령, 환자의 성별, 공급된 조직의 질량 등과 같이 환자의 생리학적 또는 표현형 파라미터의 하나 이상의 추정치의 리스트를 얻는 것을 포함할 수도 있다. 이들 파라미터는 전역일 수도 있거나(예를 들면, 혈압) 또는 국소적일 수도 있다(예를 들어, 소정의 위치에서의 혈관벽의 추정된 밀도). 하나의 실시형태에서, 생리학적 또는 표현형 파라미터는 혈압, 적혈구 용적 수치, 환자의 연령, 환자의 성별, 심근 질량(예를 들어, 영상에서 심근을 분할하고, 영상에서 체적을 계산하고, 그리고 1.05g/mL의 추정된 밀도를 사용하여 심근 질량을 추정함으로써 도출됨), 관상 동맥 질환의 일반적인 위험 인자(예를 들면, 흡연, 당뇨병, 고혈압, 복부 비만, 식습관, 가족력 등) 및/또는 체외 혈액 검사 결과(예를 들어, LDL, 중성지방 콜레스테롤 수치)를 포함할 수도 있다.

하나의 실시형태에서, 환자의 생물학적 혈역학 특성의 하나 이상의 추정치를 얻는 단계(단계 558)는, 벽 전단 응력, 진동 전단 지수, 입자 체류 시간, 레이놀즈 수, Womersley 수, 로컬 유량, 및 난류 운동 에너지 등과 같은 계산 유체 역학 분석으로부터 생물학적 혈역학 특성의 하나 이상의 추정치의 리스트를 얻는 것을 포함할 수도 있다. 구체적으로, 평균 벽 전단 응력은

로 정의될 수도 있다(여기서

: 각 주파수,

와 동일하다).

방법(550)은, 환자 특정의 기하학적 모델에서의 모든 지점에 대해(단계 560), 그 지점에서의 기하학적 구조 및 생물학적 혈역학 특성의 수치 설명, 및 환자의 생리학적 또는 표현형 파라미터의 추정치를 포함하는 그 지점에 대한 특징 벡터를 생성하는 단계를 포함할 수도 있다. 전역 생리학적 또는 표현형 파라미터는 모든 지점의 특징 벡터에서 사용될 수 있으며, 로컬 생리학적 또는 표현형 파라미터는 다른 지점의 특징 벡터에서 변경될 수 있다. 방법(550)은 환자 특정의 기하학적 모델에서의 복수의 지점 각각에 대해, 상기 단계 560, 562를 계속해서 수행하는 것을 수반할 수도 있다(단계 564).

이후 방법(550)은 (도 5a, B에 저장된) 저장된 기계 학습 결과에 기초하여 환자 특정의 기하학적 모델에서의 각 지점에서 플라크의 성장, 수축, 또는 발생의 확률 및/또는 속도의 추정치를 생성하는 단계를 포함할 수도 있다(단계 566). 구체적으로, 방법(550)은 방법(500)의 트레이닝 모드에서 만들어진 기계 학습 알고리즘의 저장된 결과(예를 들면, 특징 가중치)를 이용하여, (예를 들어, 각 지점에서 특징 벡터의 함수로서 플라크 추정치를 생성하는 것에 의해) 환자 특정의 기하학적 모델에서의 각 지점에서 플라크의 성장, 수축, 또는 발생의 확률의 추정치(예를 들어, 성장/수축의 속도)를 생성할 수도 있다. 이들 추정치는 트레이닝 모드에서 사용되는 것과 동일한 기계 학습 알고리즘 기술(예를 들면, SVM, MLP, MVR 기술)을 사용하여 제조될 수도 있다. 방법(550)은 이후 플라크의 성장, 수축, 또는 발명의 확률의 추정치를, 서버 시스템(106)의 컴퓨터, 랩탑, DSP, 서버 등과 같은 연산 디바이스의 메모리 또는 디지털 스토리지(예를 들어, 하드 드라이브, 네트워크 드라이브) 등에 저장하고(단계 568), 그리고 병변 형성의 이들 환자 특정 및 위치 특정의 예측된 확률을 의료 제공자에 통신하는 단계를 포함한다.

도 6은, 예를 들어 임의의 의료진 디바이스 또는 서버(102), 제3자 디바이스 또는 서버(104), 및 서버 시스템(106)으로 구현될 수도 있는 본 개시물의 실시형태가 구현될 수도 있는 예시적인 컴퓨터 시스템(600)의 간략화된 블록도이다. 서버(600)에 대한 플랫폼은, 예를 들어, 패킷 데이터 통신(660)을 위한 데이터 통신 인터페이스를 포함할 수도 있다. 플랫폼은 또한 프로그램 명령을 실행하기 위한 하나 또는 그 이상의 프로세서의 형태로 중앙 처리 장치(CPU)(620)를 포함할 수도 있다. 서버(600)가 종종 통신 네트워크를 통해 (미도시) 프로그래밍 및 데이터를 수신하고 있지만, 플랫폼은 통상적으로 ROM(630) 및 RAM(640)과 같이 플랫폼에 의해 프로세싱 및/또는 통신될 다양한 데이터 파일을 위한 내부 통신 버스(610), 프로그램 스토리지 및 데이터 스토리지를 포함한다. 이러한 장비의 하드웨어 요소, 운영 체제 및 프로그래밍 언어는 사실상 종래의 것이며, 이는 당업자가 충분히 익숙한 것으로 추정된다. 서버(600)는 또한 키보드, 마우스, 터치스크린, 모니터, 디스플레이 등의 입출력 장치에 접속하는 입출력 포트(650)를 포함할 수도 있다. 물론, 다양한 서버 기능부는 프로세싱 부하를 분산시키기 위해서 다수의 유사 플랫폼 상에 분산 방식으로 구현될 수도 있다. 대안으로, 서버는 하나의 컴퓨터 하드웨어 플랫폼의 적절한 프로그래밍으로 구현될 수도 있다.

상술한 바와 같이, 컴퓨터 시스템(600)은 핸드헬드 디바이스, 개인 컴퓨터, 서버, 클러스터 컴퓨팅 머신, 및/또는 클라우드 컴퓨팅 시스템과 같은 컴퓨팅 시스템의 임의의 타입 또는 조합을 포함할 수도 있다. 하나의 실시형태에서, 컴퓨터 시스템(600)은, 메모리, 중앙 처리 장치("CPU"), 및/또는 선택적으로 사용자 인터페이스를 포함한, 하드웨어의 어셈블리일 수도 있다. 메모리는 플로피 디스크, 하드 디스크, 또는 자기 테이프를 포함하여 자기 스토리지와 같은 물리적 저장 매체에서 구현되는 RAM 또는 ROM; 솔리드 스테이트 디스크(SSD) 또는 플래시 메모리 등과 같은 반도체 스토리지; 광 디스크 스토리지; 또는 광 자기 디스크 스토리지 중 임의의 타입을 포함할 수도 있다. CPU는 메모리에 저장된 명령에 따라 데이터를 처리하기 위한 하나 이상의 프로세서를 포함할 수도 있다. 프로세서의 기능은 단일 전용 프로세서 또는 복수의 프로세서에 의해 제공될 수도 있다. 또한, 프로세서는 제한없이 디지털 신호 프로세서(DSP) 하드웨어, 소프트웨어를 실행할 수 있는 임의의 다른 하드웨어를 포함할 수도 있다. 사용자 인터페이스는 디스플레이 모니터, 터치패드, 터치스크린, 마이크로폰, 카메라, 키보드 및/또는 마우스와 같은 입/출력 디바이스 중 임의의 타입 또는 조합을 포함할 수도 있다.

테크놀로지의 프로그램 양태는 통상적으로 기계 판독가능 매체의 타입으로 계속되거나 또는 구현되는 실행가능 코드 및/또는 연관된 데이터 형태의 "제품" 또는 "제조품"으로 생각될 수도 있다. "스토리지" 타입 매체는 컴퓨터, 프로세서 등의 임의의 또는 모든 유형적 메모리, 또는 그 연관된 모듈, 예컨대 다양한 반도체 메모리, 테이프 드라이브, 디스크 드라이브 등을 포함하며, 이들은 소프트웨어 프로그래밍을 위해 임의의 시간에 비일시적 스토리지를 제공할 수도 있다. 소프트웨어의 전부 또는 일부는 인터넷 또는 여러 다른 텔레커뮤니케이션 네트워크를 통해 가끔 통신될 수도 있다. 이러한 통신은, 예를 들어, 소프트웨어를 하나의 컴퓨터 또는 프로세서로부터 다른 곳으로, 예를 들어, 이동 통신 네트워크의 관리 서버 또는 호스 컴퓨터로부터 서버의 컴퓨터 플랫폼으로 및/또는 서버로부터 이동 디바이스로 로딩하는 것을 가능하게 할 수도 있다. 따라서, 소프트웨어 요소를 보유할 수도 있는 또 다른 종류의 매체는, 로컬 디바이스 사이의 물리적 인터페이스에 걸쳐서, 유선 및 광학 랜드라인 네트워크를 통해서, 그리고 다양한 공중 링크를 통해서 사용되는 것과 같은, 광학, 전기 및 전자기 파를 포함한다. 이러한 파를 반송하는 물리적 요소, 예컨대 유선 또는 무선 링크, 광학 링크 등은 또한 소프트웨어를 보유하는 매체로 간주될 수도 있다. 본원에서 사용된 바와 같이, 비일시적, 유형적 "스토리지" 매체로 제한하지 않는 한, 컴퓨터 또는 기계 "판독가능 매체"와 같은 용어는 실행을 위해 프로세서로 명령을 제공하는데 관여하는 임의의 매체를 지칭한다.

본 개시의 다른 실시형태는 본원에 개시된 본 발명의 명세서 및 실시를 고려하여 당업자에게 명백할 것이다. 명세서 및 예는 단지 예시적인 것으로 고려되는 것이 의도되며, 본 발명의 실제 범위 및 사상은 다음의 청구항에 의해 표시된다.

Claims

이미지 프로세싱을 위한 시스템으로서,
이미지 프로세싱을 위한 명령들을 저장하는 데이터 저장 디바이스; 및
방법을 수행하기 위해 명령들을 실행하도록 구성된 프로세서를 포함하고, 상기 방법은:
혈관의 하나 이상의 지점에서 알려진 플라크 정보(known plaque information)를 갖는 혈관의 시변(time-varying) 이미지들을 수신하는 단계;
수신된 알려진 플라크 정보를 갖는 혈관의 시변 이미지들의 각각에 대해 혈관의 하나 이상의 지점에서의 생리학적 정보 및 혈역학 정보를 수신하는 단계;
수신된 알려진 플라크 정보를 갖는 혈관의 시변 이미지들에 대해 혈관의 하나 이상의 지점에서 시간 경과에 따른 해부학적 데이터에서의 변화들을 결정하는 단계;
수신된 알려진 플라크 정보를 갖는 혈관의 시변 이미지들의 각각에 대해 혈관의 하나 이상의 지점에서, 혈관의 플라크 정보를 예측할 수 있는 (1) 수신된 생리학적 정보 및 혈역학 정보의 특징들 및 (2) 결정된 해부학적 데이터에서의 변화들의 특징들을 포함하는 특징 벡터들을 생성하는 단계;
수신된 알려진 플라크 정보를 갖는 혈관의 시변 이미지들의 각각에 대해 혈관의 하나 이상의 지점에서의 플라크 정보와 특징 벡터들을 연관시키는 단계;
연관된 특징 벡터들을 이용하여, 혈관의 하나 이상의 지점에서 환자로부터 플라크 정보를 예측하기 위한 기계 학습 알고리즘을 트레이닝하는 단계;
혈관의 맥관 혈역학(vascular hemodynamics)과 관련된 알려지지 않은(unknown) 플라크 정보를 갖는 환자의 혈관의 시변 이미지들을 수신하는 단계;
수신된 알려지지 않은 플라크 정보를 갖는 환자의 혈관의 시변 이미지들의 각각에 대해 환자의 혈관의 생리학적 정보 및 혈역학 정보를 수신하는 단계;
수신된 알려지지 않은 플라크 정보를 갖는 환자의 혈관의 시변 이미지들에 대해 시간 경과에 따른 환자의 해부학적 데이터에서의 변화들을 결정하는 단계;
수신된 알려지지 않은 플라크 정보를 갖는 환자의 혈관의 시변 이미지들의 각각에 대해 혈관의 하나 이상의 지점에서, 혈관의 플라크 정보를 예측할 수 있는 (1) 수신된 환자의 혈관의 생리학적 정보 및 혈역학 정보의 특징들 및 (2) 결정된 환자의 해부학적 데이터에서의 변화들의 특징들을 포함하는 특징 벡터들을 생성하는 단계;
수신된 알려지지 않은 플라크 정보를 갖는 환자의 혈관의 시변 이미지들의 각각에 대해, 생성된 특징 벡터들을 트레이닝된 기계 학습 알고리즘에 입력함으로써, 환자의 혈관의 플라크 정보를 결정하는 단계; 및
결정된 플라크 정보를 이용하여, 컴퓨터 프로세서를 이용하여, 환자에 대한 동맥 질환의 발생의 환자 특정 확률(patient-specific probability) 또는 환자 특정 예측(patient-specific prediction)을 생성하는 단계를 포함하는, 이미지 프로세싱을 위한 시스템.
제1항에 있어서,
프로세서는 기능 정보를 결정하기 위해서 수신된 환자의 혈관의 시변 이미지들의 타겟 영역을 식별하도록 더 구성되는, 이미지 프로세싱을 위한 시스템.
제2항에 있어서,
프로세서는:
수신된 혈관의 시변 이미지들에 기초하여, 혈관 영역에서 식별된 타겟 영역에 관하여 시간 경과에 따른 해부학적 데이터에서의 변화들을 결정하고,
수신된 혈관의 시변 이미지들 및 혈관 영역에서 식별된 타겟 영역에 관하여 시간 경과에 따른 해부학적 데이터에서의 결정된 변화들에 기초하여, 식별된 타겟 영역과 관련된 기하학적 모델을 생성하고,
혈관의 하나 이상의 지점에서, 혈관의 플라크 정보를 예측할 수 있는 (1) 수신된 생리학적 정보 및 혈역학 정보의 특징들 및 (2) 결정된 해부학적 데이터에서의 변화들의 특징들을 결정하기 위해서 기하학적 모델을 분석하도록 구성되는, 이미지 프로세싱을 위한 시스템.
제2항에 있어서,
프로세서는:
기하학적 모델을 생성하는 것에 의해 환자의 혈관의 플라크 정보를 식별하고,
계산적인 유동 역학(computational flow dynamics)을 이용하여 혈류 시뮬레이션을 수행하도록 구성되는, 이미지 프로세싱을 위한 시스템.
제1항에 있어서,
생리학적 정보 및 혈역학 정보는 적어도 하나의 혈관의 단면적을 포함하는, 이미지 프로세싱을 위한 시스템.
제1항에 있어서,
프로세서는 혈관의 플라크 정보를 예측할 수 있는 (1) 수신된 생리학적 정보 및 혈역학 정보 및 (2) 결정된 해부학적 데이터에서의 변화들을 포함하는 트레이닝 데이터의 특징들을, 혈관의 하나 이상의 지점에서의 알려진 플라크 정보와 맵핑하도록 더 구성되는, 이미지 프로세싱을 위한 시스템.
제1항에 있어서,
프로세서는 수신된 환자의 혈관의 시변 이미지들의 세기 값(intensity value)에서의 변화를 더 이용하여, 환자의 혈관의 플라크 정보를 식별하도록 구성되는, 이미지 프로세싱을 위한 시스템.
제1항에 있어서,
기능 정보를 예측할 수 있는 수신된 생리학적 정보 및 혈역학 정보와 결정된 해부학적 데이터에서의 변화들의 특징들은 집중 파라미터 모델(lumped parameter model)에 의해 결정되는 특징들을 포함하는, 이미지 프로세싱을 위한 시스템.
제1항에 있어서,
해부학적 데이터에서의 변화는 혈관 단면적에서의 변화 및 혈관들의 반경에서의 변화량을 포함하는, 이미지 프로세싱을 위한 시스템.
제1항에 있어서,
프로세서는:
환자의 혈관의 플라크 정보를 나타내는 정보를 디스플레이하고,
환자의 혈관의 단면적에서의 변화를 계산하고,
단면적에서의 변화를 디스플레이하도록 더 구성되는, 이미지 프로세싱을 위한 시스템.
제10항에 있어서,
프로세서는 이미지 촬영 프로세스 동안 환자의 심전도 파형(electrocardiographic waveform)을 나타내는 정보를 디스플레이하고, 해부학적 데이터에서의 변화를 나타내는 정보를 디스플레이하도록 구성되는, 이미지 프로세싱을 위한 시스템.
제11항에 있어서,
프로세서는 해부학적 데이터에서의 변화를 나타내는 정보에 대응하여 유지되도록 심전도 파형을 나타내는 정보를 디스플레이하도록 구성되는, 이미지 프로세싱을 위한 시스템.
제10항에 있어서,
프로세서는 환자의 혈관을 통해 흐르는 혈액의 로컬 유량(local flow rate)을 결정하도록 구성되는, 이미지 프로세싱을 위한 시스템.
제10항에 있어서,
프로세서는 환자의 혈관들의 기하학적 모델을 디스플레이하고, 플라크 정보를 디스플레이하도록 구성되는, 이미지 프로세싱을 위한 시스템.
컴퓨터의 프로세서에 의해 수행되는 이미지 프로세싱 방법으로서,
맥관 혈역학과 관련된 혈관의 하나 이상의 지점에서 알려진 플라크 정보를 갖는 혈관의 시변 이미지들을 수신하는 단계;
수신된 알려진 플라크 정보를 갖는 혈관의 시변 이미지들의 각각에 대해 혈관의 하나 이상의 지점에서의 생리학적 정보 및 혈역학 정보를 수신하는 단계;
수신된 알려진 플라크 정보를 갖는 혈관의 시변 이미지들에 대해 혈관의 하나 이상의 지점에서 시간 경과에 따른 해부학적 데이터에서의 변화들을 결정하는 단계;
수신된 알려진 플라크 정보를 갖는 혈관의 시변 이미지들의 각각에 대해 혈관의 하나 이상의 지점에서, 혈관의 플라크 정보를 예측할 수 있는 (1) 수신된 생리학적 정보 및 혈역학 정보의 특징들 및 (2) 결정된 해부학적 데이터에서의 변화들의 특징들을 포함하는 특징 벡터들을 생성하는 단계;
수신된 알려진 플라크 정보를 갖는 혈관의 시변 이미지들의 각각에 대해 혈관의 하나 이상의 지점에서의 플라크 정보와 특징 벡터들을 연관시키는 단계;
연관된 특징 벡터들을 이용하여, 혈관의 하나 이상의 지점에서 환자로부터 플라크 정보를 예측하기 위한 기계 학습 알고리즘을 트레이닝하는 단계;
혈관의 맥관 혈역학과 관련된 알려지지 않은 플라크 정보를 갖는 환자의 혈관의 시변 이미지들을 수신하는 단계;
수신된 알려지지 않은 플라크 정보를 갖는 환자의 혈관의 시변 이미지들의 각각에 대해 환자의 혈관의 생리학적 정보 및 혈역학 정보를 수신하는 단계;
수신된 알려지지 않은 플라크 정보를 갖는 환자의 혈관의 시변 이미지들에 대해 시간 경과에 따른 환자의 해부학적 데이터에서의 변화들을 결정하는 단계;
수신된 알려지지 않은 플라크 정보를 갖는 환자의 혈관의 시변 이미지들의 각각에 대해 혈관의 하나 이상의 지점에서, 혈관의 플라크 정보를 예측할 수 있는 (1) 수신된 환자의 혈관의 생리학적 정보 및 혈역학 정보의 특징들 및 (2) 결정된 환자의 해부학적 데이터에서의 변화들의 특징들을 포함하는 특징 벡터들을 생성하는 단계;
수신된 알려지지 않은 플라크 정보를 갖는 환자의 혈관의 시변 이미지들의 각각에 대해, 생성된 특징 벡터들을 트레이닝된 기계 학습 알고리즘에 입력함으로써, 환자의 혈관의 플라크 정보를 결정하는 단계; 및
결정된 플라크 정보를 이용하여, 컴퓨터 프로세서를 이용하여, 환자에 대한 동맥 질환의 발생의 환자 특정 확률 또는 환자 특정 예측을 생성하는 단계를 포함하는 이미지 프로세싱 방법.
비일시적 컴퓨터 판독가능 저장 매체로서, 컴퓨터로 하여금:
맥관 혈역학과 관련된 혈관의 하나 이상의 지점에서 알려진 플라크 정보를 갖는 혈관의 시변 이미지들을 수신하는 단계;
수신된 알려진 플라크 정보를 갖는 혈관의 시변 이미지들의 각각에 대해 혈관의 하나 이상의 지점에서의 생리학적 정보 및 혈역학 정보를 수신하는 단계;
수신된 알려진 플라크 정보를 갖는 혈관의 시변 이미지들에 대해 혈관의 하나 이상의 지점에서 시간 경과에 따른 해부학적 데이터에서의 변화들을 결정하는 단계;
수신된 알려진 플라크 정보를 갖는 혈관의 시변 이미지들의 각각에 대해 혈관의 하나 이상의 지점에서, 혈관의 플라크 정보를 예측할 수 있는 (1) 수신된 생리학적 정보 및 혈역학 정보의 특징들 및 (2) 결정된 해부학적 데이터에서의 변화들의 특징들을 포함하는 특징 벡터들을 생성하는 단계;
수신된 알려진 플라크 정보를 갖는 혈관의 시변 이미지들의 각각에 대해 혈관의 하나 이상의 지점에서의 플라크 정보와 특징 벡터들을 연관시키는 단계;
연관된 특징 벡터들을 이용하여, 혈관의 하나 이상의 지점에서 환자로부터 플라크 정보를 예측하기 위한 기계 학습 알고리즘을 트레이닝하는 단계;
혈관의 맥관 혈역학과 관련된 알려지지 않은 플라크 정보를 갖는 환자의 혈관의 시변 이미지들을 수신하는 단계;
수신된 알려지지 않은 플라크 정보를 갖는 환자의 혈관의 시변 이미지들의 각각에 대해 환자의 혈관의 생리학적 정보 및 혈역학 정보를 수신하는 단계;
수신된 알려지지 않은 플라크 정보를 갖는 환자의 혈관의 시변 이미지들에 대해 시간 경과에 따른 환자의 해부학적 데이터에서의 변화들을 결정하는 단계;
수신된 알려지지 않은 플라크 정보를 갖는 환자의 혈관의 시변 이미지들의 각각에 대해 혈관의 하나 이상의 지점에서, 혈관의 플라크 정보를 예측할 수 있는 (1) 수신된 환자의 혈관의 생리학적 정보 및 혈역학 정보의 특징들 및 (2) 결정된 환자의 해부학적 데이터에서의 변화들의 특징들을 포함하는 특징 벡터들을 생성하는 단계;
수신된 알려지지 않은 플라크 정보를 갖는 환자의 혈관의 시변 이미지들의 각각에 대해, 생성된 특징 벡터들을 트레이닝된 기계 학습 알고리즘에 입력함으로써, 환자의 혈관의 플라크 정보를 결정하는 단계; 및
결정된 플라크 정보를 이용하여, 컴퓨터 프로세서를 이용하여, 환자에 대한 동맥 질환의 발생의 환자 특정 확률 또는 환자 특정 예측을 생성하는 단계를 실행하도록 하는 복수의 컴퓨터 실행가능 명령들을 기록한 비일시적 컴퓨터 판독가능 저장 매체.
제1항에 있어서,
플라크 정보는, 플라크의 위치, 발병 및 변화 중 하나 이상; 또는 플라크의 존재 또는 부존재의 표시 중 하나 이상을 포함하는, 이미지 프로세싱을 위한 시스템.