KR102447741B1 - 관상 동맥 내의 건강한 내강 지름을 추정하고 협착증 정량화하기 위한 시스템 및 방법 - Google Patents

관상 동맥 내의 건강한 내강 지름을 추정하고 협착증 정량화하기 위한 시스템 및 방법 Download PDF

Info

Publication number
KR102447741B1
KR102447741B1 KR1020187028613A KR20187028613A KR102447741B1 KR 102447741 B1 KR102447741 B1 KR 102447741B1 KR 1020187028613 A KR1020187028613 A KR 1020187028613A KR 20187028613 A KR20187028613 A KR 20187028613A KR 102447741 B1 KR102447741 B1 KR 102447741B1
Authority
KR
South Korea
Prior art keywords
patient
lumen
vasculature
healthy
section
Prior art date
Application number
KR1020187028613A
Other languages
English (en)
Other versions
KR20180121957A (ko
Inventor
세쑤라만 산카란
미힐 샵
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 KR20180121957A publication Critical patent/KR20180121957A/ko
Application granted granted Critical
Publication of KR102447741B1 publication Critical patent/KR102447741B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/46—Arrangements for interfacing with the operator or the patient
    • A61B6/467—Arrangements for interfacing with the operator or the patient characterised by special input means
    • A61B6/468—Arrangements for interfacing with the operator or the patient characterised by special input means allowing annotation or message recording
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/507—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for determination of haemodynamic parameters, e.g. perfusion CT
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Physiology (AREA)
  • Vascular Medicine (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pulmonology (AREA)
  • Quality & Reliability (AREA)
  • Cardiology (AREA)
  • Human Computer Interaction (AREA)
  • Geometry (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

건강한 내강 반지름을 예측하고, 혈관 내강 협소화 점수를 계산하기 위한 시스템과 방법이 개시된다. 환자의 혈관 구조의 내강 지름을 식별하는 하나의 방법은, 복수의 사람의 알려진 건강한 혈관 세그멘트의 하나 이상의 내강 세그멘테이션을 포함하는 데이터 세트를 수신하는 단계와, 각각의 혈관 세그멘트에 대한 하나 이상의 내강 특징을 추출하는 단계와, 환자의 혈관 구조의 내강 세그멘테이션을 수신하는 단계와, 환자의 혈관 구조의 섹션을 결정하는 단계와, 및 복수의 사람의 알려진 건강한 혈관 세그멘트의 각각에 대해 추출된 하나 이상의 특징을 사용하여, 환자의 혈관 구조의 섹션의 건강한 내강 지름을 결정하는 단계를 포함한다.

Description

관상 동맥 내의 건강한 내강 지름을 추정하고 협착증 정량화하기 위한 시스템 및 방법
관련 출원(들)
본 출원은 2016년 3월 16일에 출원된 미국 가출원 번호 62/309,376에 대한 우선권을 주장하고, 상기 출원의 전체 개시물은 그 전체가 본원에 참조로서 포함된다.
기술분야
본 개시물의 다양한 실시예는 일반적으로 이미징 및 이와 관련된 방법에 관한 것이다. 좀 더 구체적으로, 본 개시물의 특정한 실시예는 건강한 내강 반지름을 예측하고, 혈관 내강 협소화 점수를 계산하기 위한 시스템과 방법에 관한 것이다.
관상 동맥 질환(CAD)은 죽음을 야기하는 원인들 중 하나이다. CAD는 급성 이벤트와 만성 이벤트를 특징으로 할 수 있다. 급성 이벤트는 즉각적인 간호를 요할 수 있는 플라크 파열(plaque rupture)을 포함할 수 있다. 만성 이벤트는, 허혈을 야기하는 점진적이고 해부학적인 협소화를 야기할 수 있는 플라크의 축적을 포함할 수 있다. 관상 동맥 질환의 증상을 가진 환자를 진단하기 위한 비침습성 임상학적인 메트릭(metric)에 가장 널리 사용되는 것들 중 하나는 관상 컴퓨터 단층 촬영 혈관 조영술(cCTA)로부터 얻은 퍼센트 협착증이다. 퍼센트 협착증의 추정은 두 개의 단계인, (1) 국부적 지름의 측정 및 (2) 기준 건강한 지름의 측정과 관련될 수 있다. 퍼센트 협착증을 측정하기 위해, cCTA는 관상 동맥 트리의 상이한 영역에서 해부학적 협소화의 정도에 대한 정보를 제공할 수 있다. 관상 동맥 트리의 영역 내의 해부학적 협소화의 정도는, 침습성 혈관 조영술 시행과 압력 측정이나 침습성 측정의 연기를 결정하는데 사용되는 임상학적인 측정치일 수 있다. 일부 실시예에서, 해부학적 협소화의 정도는 병원에서 카테고리적으로(가령, 0%, 1-30%, 31-49%, 50-69%, 70-100%) 추정될 수 있거나, 분석을 위해 중앙 실험실(core lab)로 전송될 수 있다. 정량적 컴퓨터 단층 촬영(QCT) 및 정성적 관상 혈관 조영술(QCA)은, 퍼센트 협착증이 0에서 100까지 숫자로 추정될 수 있는 방법을 포함할 수 있다. QCA는 혈관 조영상에 대해 평가된 침습성 시술과 관련될 수 있고, cCTA에 대해 평가된 QCT는 시간 소요적이고 일반적으로 중앙 실험실에서 수행될 수 있다. 따라서, 관상 동맥 트리의 영역 내의 해부학적 협소화의 정도를 결정하는, 더 안전하고 덜 시간 소요적인 방법을 제공하기 위한 욕구가 존재한다.
협소화의 정도를 결정하는 것은 기준 혈관 지름, 가령, 건강한 내강 지름을 식별하는 것이 우선 수반된다. 그러나, 기준 건강한 지름의 추정은 가령, 확산(diffuse) 병소, 개구(ostial) 병소 및 분기(bifurcation) 병소와 같은 비중심적인 질환 영역에서 과제가 될 수 있다. 또한, 비중심적인 병소 내의 건강한 내강 지름을 추정하기 위한 욕구도 존재한다.
상기 일반적인 설명과 이하 상세한 설명은 예시적이고 설명적일 뿐, 본 개시물을 제한하지 않는다.
본 개시물의 특정한 양태에 따르면, 건강한 내강 반지름을 예측하고, 혈관 내강 협소화 점수를 계산하기 위한 시스템과 방법이 개시된다. 환자의 혈관 구조의 내강 지름을 식별하는 하나의 방법은, 복수의 사람의 알려진 건강한 혈관 세그멘트의 하나 이상의 내강 세그멘테이션을 포함하는 데이터 세트를 수신하는 단계와, 각각의 혈관 세그멘트에 대한 하나 이상의 내강 특징을 추출하는 단계와, 환자의 혈관 구조의 내강 세그멘테이션을 수신하는 단계와, 환자의 혈관 구조의 섹션을 결정하는 단계와, 및 복수의 사람의 알려진 건강한 혈관 세그멘트의 각각에 대해 추출된 하나 이상의 특징을 사용하여, 환자의 혈관 구조의 섹션의 건강한 내강 지름을 결정하는 단계를 포함한다.
또 다른 실시예에 따르면, 환자의 혈관 구조의 내강 지름을 식별하기 위한 시스템은, 이미지 획득 파라미터를 식별하기 위한 명령어를 저장하는 데이터 저장 디바이스와, 및 복수의 사람의 알려진 건강한 혈관 세그멘트의 하나 이상의 내강 세그멘테이션을 포함하는 데이터 세트를 수신하고, 각각의 혈관 세그멘트에 대한 하나 이상의 내강 특징을 추출하고, 환자의 혈관 구조의 내강 세그멘테이션을 수신하고, 환자의 혈관 구조의 섹션을 결정하고, 및 복수의 사람의 알려진 건강한 혈관 세그멘트의 각각에 대해 추출된 하나 이상의 특징을 사용하여, 환자의 혈관 구조의 섹션의 건강한 내강 지름을 결정하도록 구성된 프로세서를 포함한다.
또 다른 실시예에 따르면, 환자의 혈관 구조의 내강 지름을 식별하기 위한 컴퓨터-실행가능한 프로그래밍 명령어를 포함하는 컴퓨터 시스템 상에서 사용을 위한 비-일시적 컴퓨터 판독가능한 매체가 제공된다. 상기 방법은, 복수의 사람의 알려진 건강한 혈관 세그멘트의 하나 이상의 내강 세그멘테이션을 포함하는 데이터 세트를 수신하는 단계와, 각각의 혈관 세그멘트에 대한 하나 이상의 내강 특징을 추출하는 단계와, 환자의 혈관 구조의 내강 세그멘테이션을 수신하는 단계와, 환자의 혈관 구조의 섹션을 결정하는 단계와, 및 복수의 사람의 알려진 건강한 혈관 세그멘트의 각각에 대해 추출된 하나 이상의 특징을 사용하여, 환자의 혈관 구조의 섹션의 건강한 내강 지름을 결정하는 단계를 포함한다.
개시된 실시예의 추가적인 목적과 이점은 이하의 상세한 설명에서 부분적으로 제시될 것이고, 부분적으로 설명으로부터 명백해질 것이며, 또한, 개시된 실시예의 실시에 의해 학습될 수 있다. 개시된 실시예의 목적과 이점은 첨부된 청구항에서 특히 지적된 요소 및 조합에 의해, 실현되고 얻을 수 있을 것이다.
상기 일반적인 설명과 이하의 상세한 설명 모두는 예시적이고 설명적일 뿐이고, 청구된 바와 같이 개시된 실시예의 제한적이지 않다는 것을 이해해야 한다.
본 출원의 일부를 구성하고 본 출원에 포함되는 첨부 도면은 설명과 함께 다양한 예시적인 실시예를 나타내어서, 개시된 실시예의 원리를 설명하는 역할을 한다.
도 1은 본 개시물의 예시적인 실시예에 따라, 건강한 내강 반지름을 예측하고, 혈관 내강 협소화 점수(LNS)를 계산하기 위한 예시적인 시스템과 네트워크의 블록도이다.
도 2a는 본 개시물의 예시적인 실시예에 따라, 환자에 대한 건강한 내강 지름의 추정치와 내강 협소화 점수를 생성하는 예시적인 방법(200)의 블록도이다.
도 2a는 본 개시물의 예시적인 실시예에 따라, 환자에 대한 건강한 내강 지름의 추정치와 내강 협소화 점수를 생성하는 예시적인 방법의 블록도이다.
도 2b는 본 개시물의 예시적인 실시예에 따라, 환자의 혈관 구조를 평가하기 위해, LNS를 사용하는 예시적인 방법의 블록도이다.
도 3a는 본 개시물의 예시적인 실시예에 따라, 건강한 내강 지름의 추정치를 생성하기 위해 기계 학습 알고리즘(이는 내강 협소화 점수를 계산하는데 사용될 수 있음)을 개발하기 위한 트레이닝 단계의 예시적인 방법(300)의 블록도이다.
도 3b는 본 개시물의 예시적인 실시예에 따라, 도 3a의 기계 학습 알고리즘의 예시적인 혈관 트리이다.
도 3c는 본 개시물의 예시적인 실시예에 따라, 도 3a에 기술된 트레이닝된 기계 학습 알고리즘을 확인함에 의해, 내강 협소화 점수를 생성하기 위한 기계 학습 알고리즘을 개선 또는 더욱 트레이닝하는 예시적인 방법의 블록도이다.
도 4는 본 개시물의 예시적인 실시예에 따라, 기계 학습 알고리즘(가령, 도 3a에 기술된 바와 같은)을 사용하여, 특정 환자에 대한 내강 협소화 점수를 생성하는 예시적인 방법(400)의 블록도이다.
본 발명의 예시적인 실시예에 대해 이하 상세히 참조될 것이고, 이러한 예시는 첨부 도면에서 도시된다. 가능할 때마다, 동일한 참조 번호는 도면 전반에 걸쳐 동일 또는 유사 부분을 참조하는데 사용될 것이다.
내강 협소화 및 퍼센트 협착증의 표시가 관상 질환을 가진 환자를 진단하기 위해 널리 퍼진 비침습성 임상학적 메트릭이지만, 현재 방법은 컴퓨터 단층 촬영 혈관 조영술(CTA) 데이터에 대해 평가된 정량적 관상 혈관 조영술(QCA) 또는 혈관 조영상에 대해 평가된 정량적 관상 혈관 조영술(QCA)과 관련된다. QCA 방법은 침습성이고, QCT 방법은 시간-소요적이며 일반적으로 중앙 실험실이나 병원에서 수행된다. 따라서, 관상 동맥 트리의 영역 내의 해부학적 협소와의 정도를 결정하는데, 더 안전하고 덜 시간-소요적인 방법을 제공하기 위한 욕구가 존재한다.
본 개시물은 내강 세그멘테이션을 고려할 때, 내강 협소화, 퍼센트 협착증 및 질환의 표시를 비침습적으로 제공하는 것에 관한 것이다. 기존 노력은 병소의 업스트림의 환자의 혈관 내강 지름과 병소의 다운스트림의 환자의 혈관 내강 지름을 발견함으로부터 건강한 내강 지름을 결정하는 것과 종종 관련된다. 이러한 방법은 병소 또는 협착증 영역이 정상적이거나 건강한 혈관 내강으로부터 명확하게 구별될 수 있는 중심적인 관상 질환을 캡쳐할 수 있다. 그러나, 이러한 방법은, 가령, 확산 병소, 개구 병소 및 분기 병소의 경우와 같이, 건강한(질환이 있는 것에 대하여) 내강 지름의 명확한 표시가 없는 병소를 신뢰성 있게 검출하는데 실패할 수 있다. 가령, 질환의 확산 병소와 개구 병소 영역은 내강 기하형상에서 명백한 협소화가 존재하지 않으면서, 혈과 구조의 길이 부분에 걸쳐 있을 수 있다. 이러한 경우에, 혈관 구조의 질환 있는 부분이 어디에서 시작하고 끝나는지, 또는 건강한 내강 지름이 무엇인지를 식별하기 어려울 수 있다. 분기에 대해, 심지어 건강한 혈관은 지름의 자연스러운 감소를 나타낼 수 있다. 결과적으로, 또한, 건강한 내강 지름은 혈관 분기(bifurcation)에 대해 결정하기 어렵다. 환자내(intra-patent) 추정치/리그레션은, 명확한 기준 내강 지름(들)이 없기 때문에, 이러한 경우에 기준 건강한 지름을 추정할 수 없다.
건강한 내강 지름(그래서, 내강 협소화 또는 질환의 표시)을 추정하기 위해, 본 개시물은 환자의 자체 혈관 구조가 아닌 소스로부터 얻은 혈관 섹션에 대해, 건강한 내강 지름(들)을 얻는 시스템과 방법을 포함한다. 일 실시예에서, 본 시스템과 방법은 환자의 혈관 섹션이 아닌, 사람들로부터의 건강한 혈관 섹션의 데이터베이스를 사용하여, 환자에 대한 건강한 내강 지름(들)을 결정할 수 있다. 대안적으로 또는 추가적으로, 환자에 대한 건강한 내강 지름은, 반드시 다른 사람들로부터 얻은 시뮬레이트된 혈관 섹션이 아닌, 합성적으로 생성된 혈관을 사용하여 추정될 수 있다.
본 개시물은 가령, 추정된 건강한 내강 반지름에 대한 환자의 실제 내강 반지름의 비율과 같이, 기하형상 내강 협소화 점수(LNS)의 추정치를 제공하기 위한 시스템과 방법에 관한 것이다. 유사한 실시예에서, LNS는 추정된 건강한 지름에 대한 환자의 국부적 혈관 지름의 비율에 기초할 수 있다.
LNS를 생성하는 일환으로, 본 개시물은 건강한 내강 지름을 계산하기 위한 시스템과 방법을 포함한다. 일 실시예에서, 건강한 내강 지름을 계산하는 것은, 강건한 커널 리그레션에 의해 또는 기계 학습 알고리즘을 사용함에 의해 계산될 수 있다. 일 실시예에서, 강건한 커널 리그레션(robust kernel regression)은 가령, 글로벌 커널 맞춤, 세그멘털 맞춤, 및 이방성 커널 맞춤과 같은 복수의 리그레서(regressor)를 포함할 수 있다. 상이한 족의 리그레서들은 상이한 병소 위치(개구, 분기와 같은) 또는 병소 길이(중심 또는 확산)을 포함하도록 선택될 수 있다. 일 실시예에서, 시스템과 방법은 내강 협소화의 위치 및 다양한 길이의 캡쳐를 보장하기 위해, 하나 이상의 리그레서의 선택을 포함할 수 있다. 리그레서의 선택은 혈관 브랜치에서 급격한 반지를 변동의 효과를 최소화하기 위한 고려사항을 포함하는 여러 인자를 포함할 수 있다.
일 실시예에서, 기계 학습 알고리즘은, 환자내 추정 또는 리그레션이 아니라, 사람들의 모집단(population)으로부터의 건강한 섹션의 데이터베이스에 대한 건강한 내강 지름을 결정할 수 있다. 모집단-기반의 추정은 환자내 추정보다 건강한 섹션의 지름을 좀 더 정확하게 예측하는 것이 나타난다. 이러한 방법은 0.95의 상관 계수로 건강한 섹션의 지름을 예측할 수 있다. 이방성 커널 리그레션 방법에 비해, 기계 학습 방법은 곡선 아래의 우수한 영역(0.9 대 0.83) 및 협착증의 검출의 우수한 동작점 민감도/특이도(90%/85% 대 82%/76%)을 가질 수 있다. 이러한 방법은 또한, 침습성 정량적 관상 혈관 조영술에 대해 우수한 성능을 증명할 수 있고, 이는 확산 병소, 개구 병소 및 분기 병소를 캡쳐하는데 우수한 성능과 비중심적인 협착증을 가진 섹션에서의 차이의 강조 때문일 수 있다.
일 실시예에서, 본 개시물은 기계 학습 알고리즘을 트레이닝하기 위한 트레이닝 단계 및 기계 학습 알고리즘이 관심 환자의 건강한 내강 지름(들)을 결정하는데 사용될 수 있는 생성 단계를 포함할 수 있다. 트레이닝 단계 동안에, 기계 학습 알고리즘은, 섹션(들)이 건강한 혈관 섹션(들)을 포함할 수 있는, 혈관 구조의 주어진 섹션(들)의 업스트림과 다운스트림 혈관 구조 사이의 관계를 학습할 수 있다. 다시 말해, 이러한 알고리즘의 트레이닝은, 가령, 수동으로 주석된 건강한 섹션과 질환 있는 섹션으로부터 건강한 혈관 섹션에 수행될 수 있다. 예시적인 기계 학습 알고리즘은 섹션의 혈관 세그멘트 업스트림 및 다운스트림의 특징을 사용하여, 섹션에 대한 건강한 내강 지름을 추정하기 위해 랜덤 포레스트 리그레서를 사용할 수 있다. 기계 학습 알고리즘은 중심, 확산, 개구 및 분기 질환을 포함하여, (관상) 동맥 내의 내강 협소화의 영역을 식별할 수 있는 일반적인 프레임워크를 포함할 수 있다. 하나의 예시적인 실시예에서, (관상) 동맥은 섹션 또는 스템으로 분할될 수 있는데, 각각의 스템은 크라운(다운스트림 혈관 구조), 루트(업스트림 혈관 구조) 및/또는 시블링(가능하다면, 그 부모혈관의 다른 아기 혈관)에 대응되는 특징과 관련될 수 있다. 일 실시예는 사람들의 모집단으로부터 나온 데이터베이스 상의 이들 특징에 대해 트레이닝된 기계 학습 방법을 사용하여, 스템의 건강한 지름을 예측하는 것을 포함할 수 있다. 일 실시예에서, 기계 학습 알고리즘은 사람들의 두 번째 모집단으로부터 나온 테스팅을 통해 더욱 확인될 수 있다. 이러한 기계 학습 방법은 첨단기술 테크닉을 넘어, 상이한 병소 특징을 넘는 개선예를 제공할 수 있다.
생성 단계 동안에, 기계 학습 알고리즘은 환자의 혈관 구조의 주어진 섹션의 업스트림과 다운스트림 혈관 구조의 특징을 결정할 수 있고, 이들 특징을 건강한 혈관 반지름의 추정치로 맵핑할 수 있다. 확장함에 의해, 본 개시물은 또한 특정 환자에 대하여, 혈관 구조의 섹션에 대한 내강 협소화 점수를 결정하는 생성 단계에 관한 것일 수 있다. 예를 들어, 생성 단계는 환자의 혈관 구조의 중심선으로 맵핑된 내강 협소화 점수를 특정 환자에 대해 생성하는 것을 포함할 수 있다. 일 실시예에서, 환자의 내강 협소화 점수는 (가령, 환자의 혈관 구조의 내강 세그멘테이션의 수동 주석에 대하여) 확인될 수 있거나, 및/또는 환자의 내강 협소화 점수를 결정하는데 사용되는 기계 학습 알고리즘을 업데이트하는데 사용될 수 있다.
건강한 내강 지름 및/또는 LNS는 다양한 방법으로 사용될 수 있다. 일 실시예에서, LNS는 분획 혈류 예비력(FFR) 또는 민감도(가령, 내강 세그멘테이션 내의 불확실성에 기인한 FFR의 차이)를 추정하기 위해 입력으로서 사용될 수 있다. 예를 들어, FFR 또는 민감도는 미국 출원 번호 13/895,893에 기술된 바와 같은 기계 학습 알고리즘을 통해 계산될 수 있는데, 상기 전체 개시물은 본원에 참조로서 포함된다. 이러한 알고리즘은 복수의 특징을 기계 학습 알고리즘으로의 입력으로서 포함할 수 있고, 기하형상 특징(가령, 최소 업스트림 지름, 다운스트림 지름 등), 해부학적 특징(내강 지름, 혈관 구조에서의 위치 등), 혈류 역학적 특징(혈액 점도, 혈압, 혈류 등) 등을 포함한다. LNS는 FFR 또는 민감도를 계산하기 위한 기계 학습 알고리즘에 특징으로서 포함될 수 있다.
LNS의 또 다른 사용은 트림 평면 위치를 식별하기 위해 LNS를 사용하는 것을 포함하여서, 질환의 위치(들)가 모델이나 이미지로부터 트림되지 않도록 한다. 해부학적 모델을 생성하는 동안, 모델은 가령, 명확하게 이미지되지 않은 영역을 트리밍하는 것과 같이, 확실성이 결여된 부분을 트리밍될 수 있다. 그러나, 트리밍 모델에서, 의사는 협소화의 섹션과 같은 혈관 질환을 이해하는데 관련될 수 있는 영역을 피하기 원할 수 있다. LNS는 의사를 보조하여서, 모델이 어디를 트리밍하거나 트리밍하지 않는지 결정하도록 한다.
건강한 내강 지름이나 LNS의 또 다른 사용은 말단 혈관 내의 이상적인 내강 지름을 추정하기 위해, LNS를 사용하는 것을 포함할 수 있다. 일 실시예에서, 추정된 이상적인/건강한 내강 지름은 프랙탈 트리(fractal tree)를 생성하는데 사용될 수 있어서, 이미지 데이터로부터 식별가능한 혈관 구조나 혈관 형상 과거의 혈관 구조를 시뮬레이트할 수 있다. 그리고 나서, 프랙탈 트리를 획득하는 것은 가령, 건강한 내강 지름으로부터 건강한 혈관 영역을 결정하고, 건강한 혈관 영역을 다운스트림 레지스턴스로 맵핑함에 의해, 혈류에 대한 다운스트림 레지스턴스의 계산을 허용할 수 있다.
건강한 내강 지름 또는 LNS의 또 다른 응용예는 혈관 내의 질환의 영역을 추정하기 위해, LNS를 사용하여서, 컷오프보다 더 많이, LNS를 가진 영역에서 먼 쪽에 자동화된 핀이 위치될 수 있도록 할 수 있다. 다시 말해, LNS는 의사에게, 가령, 그 전체가 참조로서 포함되는 Charles A. Taylor의 2012년 11월 20일에 발행된 미국 특허 8,315,812에 기술된 방법을 사용하여, 시뮬레이트된 분획 혈류 예비력(FFR) 값의 결정을 개시함에 의하여, 의사가 더 상세한 연구를 개시할 수 있는 내강 협소화의 영역을 표시하는데 사용될 수 있다. 이러한 사용 경우에, 컷오프는 임상학적 피드백이나 입력에 기초할 수 있어서, 내강 협소화에 대한 충분한 정보가 캡쳐되지만, 디스플레이는 너무 많은 핀을 포함하지 않는다.
더 나아가, LNS는 환자의 혈관 구조 내의 질환의 위치를 평가하는데 사용될 수 있다. 예를 들어, 개구로부터 다운스트림 혈관 구조까지의 내강 반지름은 추출될 수 있고, 반지를 기반 함수를 가진 강건한 커널 리그레션은 건강한 내강 반지름을 추정하는데 사용될 수 있다. 강건한 커널 리그레션 접근법은 등방성 커널이 검출되지 않는 분기점(bifurcation) 내의 내강 반지름 내의 자연적인 불연속성을 처리하기 위한 수정예를 더 포함할 수 있다. 강건한 커널 리그레션에 대한 예시적인 수정예는 분기점에 중앙에 있는 이방성 커널을 포함할 수 있는데, 이방성 커널은 가우시안 커널과 콘볼루션될 수 있다. 이러한 수정예는 분기 병소의 존재를 좀 더 신뢰성 있게 추정할 수 있는 강건한 커널 리그레션을 제공할 수 있다.
관상 동맥 질환의 진단과 치료에 대하여 본 개시물의 특정 실시예가 기술되더라도, 예를 들어, 본원에서 기술된 시스템과 방법은 임의의 분야의 의료 이미징과 관련하는 최적의 세트의 이미지 획득 파라미터의 예측에 적용가능하다.
이제 도면들을 참조하면, 도 1은 예시적인 실시예에 따르면, 건강한 내강 반지름을 예측하고 혈관 내강 협소화 점수(LNS)를 계산하기 위한 예시적인 시스템과 네트워크의 블록도를 나타낸다. 구체적으로, 도 1은 복수의 내과의사(102)와 제3 제공자(104)를 도시하는데, 이들은 하나 이상의 컴퓨터, 서버 및/또는 휴대용 모바일 디바이스를 통해, 인터넷을 포함하는 전자 네트워크(100)에 연결될 수 있다. 내과의사(102) 및/또는 제3 제공자(104)는 하나 이상의 환자의 몸의 이미지를 만들거나 아니면 획득할 수 있다. 내과의사(102) 및/또는 제3 제공자(104)는, 나이, 의료 내역, 혈압, 혈액 점도 등과 같은 환자-맞춤형 정보의 임의의 조합을 획득할 수 있다. 내과의사(102) 및/또는 제3 제공자(104)는 해부학적 이미지 및/또는 환자-맞춤형 정보를 전자 네트워크(100)를 거쳐 서버 시스템(106)으로 전송할 수 있다. 서버 시스템(106)은 내과의사(102) 및/또는 제3 제공자(104)로부터 수신된 이미지 및 데이터를 저장하기 위한 저장 디바이스를 포함할 수 있다. 서버 시스템(106)은 또한, 저장 디바이스 내에 저장된 이미지 및 데이터를 프로세싱하기 위한 프로세싱 디바이스를 포함할 수 있다.
도 2a는 건강한 내강 지름 또는 내강 협소화 점수(들)의 추정치(들)를 생성하는 방법을 위한 일반적인 실시예에 관한 것이다. 건강한 내강 지름을 결정하는 하나의 방법은 기계 학습 접근법을 포함할 수 있다. 도 3a-3c는 이러한 기계 학습 접근법을 트레이닝하는 것을 기술하고, 도 4는 기계 학습 접근법을 특정 환자에 대한 건강한 내강 지름 또는 반지름을 추정하는 것에 적용하는 것을 기술한다.
도 2a는 예시적인 실시예에 따라, 환자에 대한 건강한 내강 지름과 내강 협소화 점수의 추정치를 생성하는 예시적인 방법(200)의 블록도이다. 도 2a의 방법은, 전자 네트워크(100)를 거쳐서, 내과의사(102) 및/또는 제3 제공자(104)로부터 수신된 정보, 이미지 및 데이터에 기초하여, 서버 시스템(106)에 의해 수행될 수 있다.
일 실시예에서, 단계(201)는 건강한 내강 지름 또는 LNS를 생성하는데 사용되는 알고리즘을 위한 입력을 수신하는 단계를 포함할 수 있다. 예를 들어, 단계(201)는 표면 메쉬를 포함하거나 환자의 혈관 구조의 적어도 일부의 중심선을 포함하는 해부학적 입력을 수신하는 단계를 포함할 수 있다. 표면 메쉬는 3차원 표면 메쉬를 포함할 수 있다. 중심선은 중심에 있는 중심선을 포함할 수 있다. 일 실시예에서, 입력은 가령, 관상 중심선 트리를 추출하는 것과 같이, 내강 세그멘테이션으로부터 혈관 특징을 추출하는 단계를 포함할 수 있다. 예를 들어, 자동화 측정은 내강 세그멘테이션으로부터 추출될 수 있다. 임의의 타입의 내강 세그멘테이션이 사용될 수 있다. 일 실시예에서, 트레이닝된 CT 리더는 내강 세그멘테이션을 평가하고, 어떤 경우에는 교정할 수 있다. 또 다른 실시예에서, 입력은 대응되는 분기 표시자(이러한 점이 분기에 해당하는지에 따라, 0 또는 1)와 함께, 반지름의 벡터 및 벡터 내의 각각의 엔트리에 대한 부모 인덱스일 수 있다.
일 실시예에서, 단계(203)는 건강한 내강 지름 또는 LNS를 결정하는데 사용되기 위한 알고리즘을 선택하는 단계를 포함할 수 있다. 알고리즘은 커널 리그레션 알고리즘 또는 기계 학습 알고리즘을 포함할 수 있다. 일 실시예에서, 커널 리그레션 알고리즘은 디폴트로서 제시될 수 있다. 대안적으로, 기계 학습 알고리즘은 LNS를 결정하는 디폴트 알고리즘으로 설정될 수 있다. 또 다른 실시예에서, 방법(200)은 디폴트 설정없이, 선택을 위한 리그레션과 기계 학습 알고리즘을 제시할 수 있다. 선택은 사용자로부터 수신된 입력, 특정 사용 경우나 병원에서의 디폴트 설정 및/또는 환자 특징에 기초할 수 있다.
커널 리그레션 알고리즘이나 기계 학습 알고리즘을 사용하는지의 선택에서, 의사가 중심 병소 또는 비중심 병소를 평가하고 있는지를 고려사항에 포함할 수 있다. 리그레션은 중심 병소를 검출하는데 충분할 수 있는 반면, 기계 학습은, 비중심 협착증 형태학, 가령, 기다란 확산 병소, 개구 병소 또는 전체 섹션을 따라 존재할 수 있는 병소에서의 질환의 영역을 식별하는데 리그레션보다 우수할 수 있다.
일 실시예에서, 단계(205a)는 리그레션 알고리즘을 작동하는 단계를 포함할 수 있다. 일 실시예에서, 리그레션 알고리즘은 개구로부터 다운스트림이나 말단 혈관까지의 경로에 걸쳐, 내강 영역의 커널 리그레션 알고리즘을 포함할 수 있다. 협착된 영역은 혈관 반지름의 변화를 검출하는 것을 특징으로 하고, 업스트림 혈관 섹션으로부터 다운스트림 혈관 섹션까지 진화하면서, 혈관의 길이를 따라, 반지름이 감소하고, 그리고 나서 증가한다. 혈관 구조 내의 질환 영역은 내강 반지름에서 급격하고 갑작스러운(예민한) 또는 긴(확산) 변화를 수반할 수 있고, 반지름은 분기점(가령, 무레이의 법칙에 의해 진술된 바와 같이)에서 급격한 감소를 자연스럽게 가질 수 있다. 질환 및 협착된 영역의 다양한 표현을 설명하기 위해, 본 시스템과 방법은 글로벌 리그레서의 족을 포함할 수 있다. 글로벌 리그레서는 전체 혈관 구조에 대해 사용될 수 있는 반면, 국부적 리그레서는 가변 크기의 혈관 구조의 국부적 부분을 분석하는데 사용될 수 있다. 가변 범위의 리그레션은 복수의 인덱스를 추론하는데 사용될 수 있고, LNS는, 임상의에게 LNS의 보수적인 추정치를 제공하는 방식의 인덱스에 포함될 수 있다.
일 실시예에서, 단계(205a)는 건강한 내강 반지름을 추정하기 위해, 방사형 기저 함수로 커널 리그레션 알고리즘을 작동하는 단계를 포함할 수 있다. 대안적으로나 추가적으로, 단계(205a)는 이방성 커널 맞춤을 포함할 수 있는 리그레션 알고리즘을 작동하는 단계를 포함할 수 있는데, 분기점의 중심에 있는 이방성 커널은 가우시안 커널과 콘볼루션될 수 있다. 이방성 커널 맞춤은 분기점에서의 내강 반지름 내에 자연스러운 불연속성을 설명할 수 있고, 이전에 기술된 커널 리그레션 알고리즘보다 더 신뢰성 있게 분기 병소의 존재를 추정할 수 있다.
일 실시예에서, 단계(205a)는 복수의 리그레서를 사용하는 것과 관련될 수 있다. 예를 들어, 단계(205a)의 하나의 예시적인 실시예는 3개의 상이한 리그레서, 글로벌 커널 맞춤, 세그멘털 맞춤 및 이방성 커널 맞춤을 사용할 수 있다. 예시적인 글로벌 커널 맞춤(global kernel fit)은 혈관 루트(가령, 개구부)에서 리브(leaves)까지의 각각의 경로에 대해 정의될 수 있고, 건강한 반지름은,
Figure 112018097695953-pct00001
에 의해 주어질 수 있다.
예시적인 세그멘털 맞춤(segmental fit)은 브랜치들 간의 각각의 세그멘트에 대해 정의될 수 있는데, 건강한 반지름은,
Figure 112018097695953-pct00002
에 의해 주어질 수 있다.
예시적인 이방성 커널 맞춤(anisotropic kernel fit)은 혈관 루트(root)로부터 리브(leaves)까지의 각각의 경로에 대해 정의될 수 있으나, 브랜치에서 급격한 반지름 변동의 효과를 최소화하도록 설계된, 가장 가까운 개구부에 중심이 있는 시그모이덜 함수(sigmoidal function)로 가중화될 수 있는데, 가령,
Figure 112018097695953-pct00003
여기서, 시그모이덜 함수, S는
Figure 112018097695953-pct00004
및
Figure 112018097695953-pct00005
에 의해 주어질 수 있고,
글로벌 건강한 반지름 r* 건강한(x)가 계산되면, 대응되는 인덱스,
Figure 112018097695953-pct00006
가 계산될 수 있고, 내강 협소화 점수(λ)는,
λ(x) = 1 - κ(x), κ<=1 라면,
λ(x) = 0 아니라면.
으로 정의될 수 있다.
일 실시예에서, 5개의 파라미터, σx, σmax, 및 rx,max는 전체 15개의 리그레서에 대한 각각의 리그레서에 대해 선택될 수 있다. 각각의 리그레서에 대한 예시적인 파라미터값은 다음 값을 포함할 수 있는데, n은 1 내지 15 범위일 수 있다.
σx = 5.0*(1+(n-3)*0.4)
σmax = 200.0*(1+(n-3)*0.4)
σr = 0.25*(1+(n-3)*0.4)
k = 0.1 + n*0.3
상이한 리그레서는 내강 협소화의 상이한 길이와 위치를 제공할 수 있다.
일 실시예에서, 단계(205b)는 건강한 내강 지름 또는 LNS를 결정하기 위해, 기계 학습 알고리즘을 선택하고 작동하는 단계를 포함할 수 있다. 일 실시예에서, 기계 학습 알고리즘은 건강한 지름을 결정하기 위해, 환자의 혈관 구조 이외의 혈관 구조의 정보를 사용할 수 있다. 기계 학습 알고리즘은 도 3a에 더욱 상세히 기술된다.
일 실시예에서, 단계(207)는 내강 협소화 점수를 계산하는 단계를 포함할 수 있다. 내강 협소화 점수는 건강한 반지름에 대한 실제 반지름의 비율로부터 계산될 수 있는데, 가령,
Figure 112018097695953-pct00007
여기서, r건강한(x)는 내강의 이론상 건강한 반지름을 포함할 수 있고(가령, 커널 리그레션 알고리즘 또는 기계 학습 알고리즘에 의해 제공된), r(x)는 내강 내에 내접한 최대 구의 반지름을 포함할 수 있다. 내강 내에 내접한 최대 구는 혈관 중심선으로부터 메쉬의 표면까지 가장 가까운 점을 찾음에 의해 결정될 수 있다.
일 실시예에서, 단계(209)는 계산된 내강 협소화 점수를 확인하는 단계를 포함할 수 있다. 예를 들어, LNS는 중심선의 공간 레졸루션에서 내강 협소화를 출력하는 직접적인 임상 데이터 또는 주요 혈관(pLAD, dLAD) 등의 전반적인 내강 협소화의 비교를 제공할 수 있는 자동화된 혈관 라벨링 툴을 통해 확인될 수 있다. 기계 학습 알고리즘으로부터 계산된 내강 협소화 점수는 수동 주석으로부터 계산된 점수에 대해 확인될 수 있다.
여러 개의 프로세스가 질환의 섹션의 수동 주석에 대해 존재할 수 있다. 예를 들어, cCTA의 트레이닝된 리더는 환자의 집단의 내강 세그멘테이션을 평가하고, 내강 협소화(가령, 퍼센트 협착증 >= 50%)의 위치를 식별할 수 있다. 이러한 프로세스는, 기준 지름을 평가하고, 기준 지름에 대한 최소 내강 지름의 비율을 평가하기 보다는 시각적으로 추정된 협착증과 같이, 병원에서 CT 스캔으로부터의 퍼센트 협착증을 리딩하는 프로세스를 모방할 수 있다. 리딩값에 신뢰도를 제공하기 위한 한 가지 방법은, 각각의 환자의 혈관 구조가 3개의 리더에 의해 평가되는 시나리오를 포함할 수 있고, 여기서, 의견일치 리드를 가진 섹션만 트레이닝과 테스팅에 사용될 수 있다. 편의상, 관상 트리는 섹션들로 분할될 수 있는데, 여기서, 각각의 섹션은 "질환 있는" 또는 "건강한"으로 마킹될 수 있다. 섹션은 세퍼레이터로서, 분기점의 위치를 사용하여 분할될 수 있다. 질환 있는 섹션의 수동 주석이 cCTA라기 보다는 내강 세그멘테이션에 수행될 수 있기 때문에, 수행은 중심선 검출과 내강 세그멘테이션에 사용되는 알고리즘에 의존하지 않을 수 있다. 다양한 중심선 검출 및 내강 세그멘테이션 방법이, 수동 주석을 사용하여 기계 학습 알고리즘으로부터 계산된 내강 협소화 점수를 확인하면서, 사용될 수 있다. 단계(211)는 확인의 결과를 기초로 하여, 커널 리그레션 알고리즘 또는 기계 학습 알고리즘을 업데이트하는 단계를 포함할 수 있다.
도 2b는 예시적인 실시예에 따라, 환자의 혈관 구조를 평가하기 위해, LNS를 사용하는 예시적인 방법(230)의 블록도이다. 도 2b의 방법은 전자 네트워크(100)를 거쳐 내과의사(102) 및/또는 제3 제공자(104)로부터 수신된 정보, 이미지 및 데이터에 기초하여, 서버 시스템(106)에 의해 수행될 수 있다. 방법(230)의 실시예가 LNS의 예시적인 사용을 기술하지만, 방법(220)의 모든 단계는 LNS를 사용하기 보다는, 건강한 내강 지름 또는 건강한 내강 반지름을 사용하여 수행될 수 있다.
일 실시예에서, 단계(231)는 LNS를 수신하는 단계를 포함할 수 있다. 단계(233-237)는 말단 혈관의 레지스턴스를 결정하기 위해 LNS를 사용하는 단계를 포함할 수 있다. 예를 들어, 단계(233)는 환자의 말단 혈관 내의 이상적인 내강 지름을 추정하는 단계를 포함할 수 있다. 단계(235)는 이상적인 내강 지름의 추정치로부터 프랙탈 트리를 생성하는 단계를 포함할 수 있고, 예시적인 단계(237)는 프랙탈 트리에 기초하여, 환자의 말단 혈관 내의 혈류에 대한 다운스트림 레지스턴스를 결정하는 단계를 포함할 수 있다. 레지스턴스는 말단 혈관을 통해 혈류를 시뮬레이트하는데 사용될 수 있다(가령, 단계(239)).
일 실시예에서, 단계(241 및 243)는 질환의 영역을 추정하고 디스플레이하기 위한 예시적인 사용을 포함할 수 있다. 예를 들어, 단계(241)는 가령, 질환의 위치를 표시할 수 있는 스레숄드인, 스레숄드 LNS를 수신하는 단계를 포함할 수 있다. 단계(243)는 스레숄드 LNS를 초과하는 LNS를 가진 영역에서 멀리 있는 혈관 영역 내에 시각적 표시자(들)를 포함하는 디스플레이를 생성하는 단계를 포함할 수 있다. 이전에 논의된 바와 같이, 스레숄드 LNS는 임상의에 의해 진술되거나 임상의 피드백에 기초하여 결정될 수 있어서, 충분한 수의 질환 영역이 임상의에게 표시되어서 분석을 시행할 수 있지만, 분석이 어렵게 나타난 질환 영역이 많지 않다.
도 3a-3c는 기계 학습 접근법을 트레이닝하는 것을 기술할 수 있다. 예를 들어, 도 3a는 건강한 내강 지름 또는 반지름의 특징을 정의하는 것을 포함하여, 건강한 내강 기하형상의 데이터-구동된 추정을 시행하기 위해, 기계 학습 알고리즘을 트레이닝하기 위한 방법을 포함할 수 있다. 도 3b는 건강한 혈관의 특징을 학습하기 위해, 기계 학습 알고리즘이 어떻게 혈관 구조의 섹션을 분석할 수 있는지의 다이어그램을 포함할 수 있다. 도 3c는 트레이닝된 기계 학습 알고리즘을 확인하기 위한 방법을 포함할 수 있다. 도 4는 특정 환자에 대한 건강한 내강 지름 또는 반지름의 추정치를 계산하는 단계를 포함할 수 있다.
도 3a는 예시적인 실시예에 따라, (내강 협소화 점수를 계산하는데 사용될 수 있는) 건강한 내강 지름의 추정치를 생성하기 위해, 기계 학습 알고리즘을 개발하기 위한 트레이닝 단계의 예시적인 방법(300)의 블록도이다. 방법(300)은 건강한 섹션(가령, 사람들의 모집단으로부터 나온 건강한 혈관 스템의 집합과 같은)의 데이터베이스에 대해 기계 학습 알고리즘을 트레이닝하는 단계를 포함하여, 특정 환자에 대한 데이터가 모집단-기반의 건강한 내강 지름으로 맵핑될 수 있도록 한다. 혈관 구조는 심외막의 혈관 구조를 포함할 수 있다. 방법(300)은 (도 3c에 좀 더 상세히 기술되는 바와 같이) 사람들의 제2 모집단으로부터의 테스트 혈관 섹션으로 기계 학습 알고리즘을 테스팅하거나 확인하는 단계도 포함할 수 있다. 예시적인 방법(300)이, 테이터 세트를 트레이닝하는 단계가 사람들의 이미지된 몸으로부터의 건강한 혈관 스템을 포함하는 실시예를 기술하지만, 대안적인 방법이 합성 혈관 스템을 사용할 수 있다. 도 3a의 방법은, 전자 네트워크(100)를 거쳐 내과의사(102) 및/또는 제3 제공자(104)로부터 수신된 정보, 이미지 및 데이터에 기초하여, 서버 시스템(106)에 의해 수행될 수 있다.
방법(300)은 건강한 내강 기하형성의 추정의 확인에 사용될 수 있는 임의의 메트릭은 물론, 예시적인 평가 LNS를 더 포함할 수 있다. 더구나, LNS는 가령, 국부적인 지름을 추정된 건강한 지름으로 나누고, 몫과 50%의 진단 스레숄드를 비교함에 의해, 질환의 영역의 표시를 제공할 수 있다. 일 실시예에서, 치료를 위한 추천은 LNS에 기초하여 제공될 수 있다. 예를 들어, 의료 치료 연습이나 연습은, LNS가 컷오프 미만이라면 추천될 수 있으나, 추가적인 침습성 테스트/시술은 LNS가 컷오프 미만이 아니라면 추천될 수 있다.
일 실시예에서, 단계(301)는 건강한 혈관 지름의 내강 세그멘테이션을 수신하는 단계를 포함할 수 있다. 예를 들어, 단계(301)는 주석된 내강 세그멘테이션을 수신하는 단계를 포함할 수 있다. 주석은 복수의 사람들 내의 각각의 사람에 대한 내강 세그멘테이션을 평가할 수 있고, 내강 협소화(가령, 퍼센트 협착증 >- 50%)의 위치를 식별할 수 있는 트레이닝된 리더(가령, cCTA 또는 CT 스캔)에 의해 제공될 수 있다. 각각의 사람에 대한 각각의 내강 세그멘테이션은 복수의 리더에 의해 평가될 수 있고, 트레이닝과 테스팅에 사용되는 섹션은 복수의 리더에 의해 동의된 리드값을 가지는 섹션을 포함할 수 있다. 대안적으로, 주석은 내강 세그멘테이션보다는 cCTA 데이터에 수행될 수 있다. 이러한 실시예에서, 중심선 검출 또는 내강 세그멘테이션 알고리즘은 건강한 내강 지름(및 LNS)을 결정하기 위해 기계 학습 알고리즘의 트레이닝에 영향을 줄 수 있다.
일 실시예에서, 단계(303)는 각각의 내강 세그멘테이션을 스템-크라운-루트 유닛(가령, 도 3b에 도시된 바와 같음)으로 분할하는 단계를 포함할 수 있다. 스템은 건강한 지름이 평가될 수 있는 관심 섹션을 포함할 수 있다. 크라운은 관심 섹션의 혈관 구조 다운스트림을 포함할 수 있고, 루트는 관심 섹션의 혈관 구조 업스트림을 포함할 수 있다. 기계-학습 방법은 시블링 혈관을 식별하는 단계도 포함할 수 있는데, 이는 관심 섹션이 위치되는 혈관 이외의, 부모 혈관의 아이 혈관을 포함할 수 있다.
일 실시예에서, 단계(305)는 혈관 세그멘트에 대한 특징을 정의 및/또는 추출하는 단계를 포함할 수 있는데, 가령, 각각의 세그멘트는 분기점들 간의 관상 세그멘테이션을 나타낼 수 있다. 주어진 혈관 구조 내의 각각의 스템에 대하여, 단계(303)는 대응되는 크라운, 루트 및 시블링 혈관(가능할 때)에 대한 이하의 특징들 중 하나 이상을 추출하는 단계를 포함할 수 있는데, 가령, 평균, 최대 및 최소 내강 영역(A), 부피(V), 길이(L), V/A 및 V/L이다. 일 실시예에서, 기계 학습 알고리즘의 특징은 최대 내접 구를 사용하여, 국부적 지름을 평가하는 단계를 포함할 수 있다. 대안적이거나 추가적인 접근법은 평면 영역, 가령, 중심선에 대한 법선을 따라 내강의 영역을 평가하는 단계를 포함할 수 있다. 일부 특징은 일부 스템에 대해서는 가능하지 않을 수 있다(가령, 개구 섹션은 루트 유닛을 갖지 않을 수 있고, 말단 섹션은 크라운 유닛을 갖지 않을 수 있음). 기계 학습 방법에서, 이러한 특징은 -1의 디폴트 특수값으로 할당될 수 있다. 일 실시예에서, 특징은 주어진 섹션에 대해 정의될 수 있는데, 각각의 섹션은 분기점들 간의 관상 세그멘테이션을 나타낼 수 있다. 주어진 섹션에서의 유속이 일정할 수 있기 때문에(또는 유속이 섹션 내에서 일정하도록 섹션이 정의될 수 있기 때문에), 예시적인 단계(305)는, 건강한 혈관이 섹션 내의 반지름을 유지하여, 벽 전단 응력의 항상성 상태를 보존할 수 있다고 가정할 수 있다.
일 실시예에서, 단계(307)는 혈관 트리의 다른 부분으로부터의 특징과 고려 중인 스템을 비교하는 단계를 포함할 수 있다. 예를 들어, 기계 학습 알고리즘은 한 번에 하나의 스템을 분석할 수 있고, 고려 중인 스템에서 건강한 내강 지름을 추론하기 위해, 혈관 트리의 나머지로부터의 특징을 사용할 수 있다.
일 실시예에서, 단계(309)는 혈관 세그멘트에 대해 건강한 내강 지름을 추론하는 단계를 포함할 수 있다. 예를 들어, 기계 학습 알고리즘은 건강한 내강 지름을 예측하기 위해 랜덤 포레스트 리그레션(random forest regression)을 사용하는 단계를 포함할 수 있다. 랜덤 포레스트는 고차원이고 이질적인 특징에 효과적이고 파워풀할 수 있다. 랜덤 포레스트는 판단 트리들의 앙상블을 사용할 수 있는데, 이들 각각은 특징과 트레이닝 데이터의 랜덤 서브세트로 구성될 수 있다. 각각의 판단 트리는 입력 특징 벡터를 연속적인 변수에 맵핑할 수 있다. 판단 트리로부터의 값들은 함께 모여있고, 건강한 내강 지름의 최종 예측자(dp)를 계산하기 위해 평균화될 수 있다. 일 실시예에서, 복수의 랜덤 포레스트가 생성될 수 있다(가령, 비-말단 혈관에 대해 하나 및 개구 세그멘트에 대해 하나). 건강한 내강 지름이 결정되면, LNS는 예측된 건강한 내강 지름에 대한 국부적 내강 지름(dl)의 비율로부터, α = (1 - dp/dl) x 100%으로 평가될 수 있다. 하나의 예시적인 시나리오는 트리 당 5개의 특징의 평균을 가진 50개의 트리를 포함할 수 있다. 5-폴드 크로스 확인이 선택된 파라미터의 성능을 평가하는데 사용될 수 있다.
일 실시예에서, 이후의 단계들은 기계 학습 알고리즘을 평가하는 단계 및 확인하는 단계를 포함할 수 있다. 예를 들어, 기계 학습 알고리즘은 평가/확인에 기초하여 업데이트될 수 있다. 예를 들어, 기계 학습 알고리즘을 평가하는 단계/확인하는 단계는, 수동 주석에 대해 (가령, 단계(309)의) 랜덤 포레스트 리그레서를 평가하는 단계를 포함할 수 있다. 하나의 경우에, (가령, 다양한 환자들로부터의) 한 세트의 스템에 대한 랜덤 포레스트 리그레서의 결과는, 평가 민감도, 특이도 및 수신자-조작자 특성(ROC) 곡선 아래의 영역에 의해 평가될 수 있다. 확인을 위해, "질환 있는"으로 리더에 의해 주석된 섹션은 포지티브로 간주될 수 있고, 랜덤 포레스트가 퍼센트 협착증 >= 50%라면, 이러한 섹션은 "트루 포지티브(true positive)"로, 아니면 "폴스 네거티브"로 더욱 분류될 수 있다. 마찬가지로, 건강한으로 주석될 수 있는 섹션은, 랜덤 포레스트가 퍼센트 협착증 <$ 50% 라면 "트루 네거티브"로, 아니라면 "폴스 포지티브"로 분류될 수 있다. 민감도(Se) 및 특이도(Sp)는,
Se = TP/(TP + FN)
Sp = TN/(TN + FP)
으로 정의될 수 있다.
ROC 곡선은 질환의 섹션을 정의하는데 사용된 컷오프의 상이한 값에 대한 미감도 및 특이도를 평가함에 의해 그려질 수 있는데, 가령, α <= x ∀x ∈ [0%; 100%]이다.
도 3b는 예시적인 실시예에 따라, 도 3a의 기계 학습 알고리즘의 예시적인 혈관 트리이다. 이전에 기술된 바와 같이, 혈관 트리는 많은 스템-크라운-루트 유닛으로 분할될 수 있다. 도 3b는 예시적인 관상 트리(330)를 포함할 수 있다. 일 실시예에서, 스템(331)은 세퍼레이터로서 브랜치 점에 기초하여 정의될 수 있고, 대응되는 크라운과 루트는 각각 다운스트림 혈관 구조 및 업스트림 혈관 구조이다. 예시적인 관상 트리(330)에 대하여, 심외막의 부피, 길이, 지름 및 상이한 비율은 크라운(333), 루트(335) 및 시블링 혈관(337)(가능하다면)에서 계산될 수 있고, 다양한 비율은 주어진 스템(331)에 대해 특징으로서 할당될 수 있다. 일 실시예에서, 환자의 관상 혈관 구조는 다양한 스템-크라운 유닛으로 분할될 수 있는데, 스템은 관상 동맥의 섹션에 포함될 수 있고, 크라운은 다운스트림 혈관 구조에 포함될 수 있으며, 멱법칙(power law)은 크라운 부피와 크라운 길이를 스템 면적에 관련시킬 수 있다. 이러한 실시예는, 가령, 확산 질환에 대해 질환이 어디에 존재하는지를 명시하지 않으면서, 내강 협소화의 존재 또는 부존재를 표시할 수 있다.
도 3c는 예시적인 실시예에 따라, 도 3a에 기술된 트레이닝된 기계 학습 알고리즘을 확인함에 의해, 내강 협소화 점수를 생성하기 위한 기계 학습 알고리즘을 개선하거나 더욱 트레이닝하는 예시적인 방법(350)의 블록도이다. 확인 프로세스로부터의 확인된 결과는, 내강 세그멘테이션(들)로부터 혈관 내강의 퍼센트 협착증의 정확한 추정치를 제공할뿐만 아니라, 복잡한 형태를 가진 병소의 평가를 위한 기저를 제공할 수 있다. 도 3c의 방법은 전자 네트워크(100)를 거쳐, 내과의사(102) 및/또는 제3 제공자(104)로부터 수신된 정보, 이미지 및 데이터에 기초하여, 서버 시스템(106)에 의해 수행될 수 있다.
일 실시예에서, 단계(351)는 기계 학습 알고리즘(가령, 도 3a라면)을 트레이닝하는데 사용되는 것과 구별되는, 사람들(및 이들의 혈관 섹션들)의 집합체를 식별하는 단계를 포함할 수 있다. 일 실시예에서, 단계(351)는 관상 혈관 조영술을 겪었던 사람들을 식별하는 단계를 포함할 수 있는데, 대응되는 질환 위치는, 가령 중앙 실험실의 독립적인 전문가에 의해, QCA를 사용하여 식별되고 정량화될 수 있다. 예를 들어, DeFACTO 임상 시험(Clinicaltrials.gov
Figure 112018097695953-pct00008
NCT01233518)의 서브세트로부터의 관상 QCA 데이터는, 예시적인 방법(300)의 결과를 확인하기 위해, 방법(350)의 예시적인 확인 프로세스를 위한 기준 그라운드 트루스 데이터로서 사용될 수 있다.
일 실시예에서, 단계(353)는 사람들의 식별된 집합체의 혈관 섹션에 대한 건강한 지름 및/또는 질환의 존재를 결정하는 단계를 포함할 수 있다. 예를 들어, 다운스트림 혈관 구조, 업스트림 혈관 구조 및 시블링 혈관을 포함하는 기하형상-기반의 특징들의 세트는 주어진 섹션의 건강한 혈관 지름을 추정하는데 사용될 수 있다. 단계(353)는 혈관 기하형상을 반복적으로 다양한 "스템-크라운-루트" 유닛으로 분할하는 단계를 포함하고, 가령, 건강한 혈관 지름의 표시자로 알려질 수 있는 심외막의 혈관 부피와 내강 면적과 같은 메트릭을 사용하는 단계를 포함할 수 있다.
일 실시예에서, 단계(355)는 예측된 건강한 내강 지름과 대응되는 측정된 건강한 내강 지름 간의 상관 계수를 계산하는 단계를 포함할 수 있다. 확인 프로세스는 예측된 건강한 내강 지름과 대응되는 측정된 건강한 내강 지름 간의 평균 절대 오차 및 평균 제곱근 오차를 계산하는 단계를 더 포함할 수 있다. 본 방법을 사용하여, 퍼센트 협착증을 검출하기 위한 작동점 민감도 및 특이도는 다른 방법, 가령, 글로벌 커널 리그레션 방법이나 이방성 커널 리그레션 방법과 비교될 수 있다. 확인 프로세스는, 본 방법에 대한 수신자 조작자 특성(ROC) 곡선 대 다른 방법(가령, 이방성 커널 리그레션 및/또는 글로벌 커널 리그레션)을 계산하는 단계 및/또는 비교하는 단계를 더 포함할 수 있다.
도 4는 예시적인 실시예에 따라, 기계 학습 알고리즘(가령, 도 3a에 기술된 바와 같이)을 사용하여, 특정 환자에 대한 내강 협소화 점수를 생성하는 예시적인 방법(400)의 블록도이다. 방법(400)은 특정 환자의 혈관 구조에서 나온 메트릭(metric)을 기계 학습 접근법, 가령, 환자 이외의 사람들의 모집단으로부터의 건강한 혈관 섹션의 데이터베이스에 대해 트레이닝된 기계 학습 알고리즘을 사용하여, 건강한 내강 지름으로 맵핑하기 위한 기계 학습을 사용할 수 있다. 환자의 자체 혈관 추정/리그레션으로부터 건강한 내강 지름을 결정하는 것이 중심 병소의 검출에 유용할 수 있지만, 방법(400)은 비중심 협착증(가령, 확산 병소, 개구 병소 및 분기 병소)에 좀 더 유효하다. 도 4의 방법은 전자 네트워크(100)를 거쳐, 내과의사(102) 및/또는 제3 제공자(104)로부터 수신된 정보, 이미지 및 데이터에 기초하여, 서버 시스템(106)에 의해 수행될 수 있다.
일 실시예에서, 단계(401)는 환자의 혈관 구조의 내강 세그멘테이션을 수신하는 단계를 포함할 수 있다. 내강 세그멘테이션은 환자의 혈관 구조의 혈관 중심선 및/또는 표면 메쉬 표현을 포함할 수 있다.
일 실시예에서, 단계(403)는 내강 세그멘테이션을 스템-크라운-루트 유닛(가령, 도 3b에 도시된 바와 같이)으로 분할하는 단계를 포함할 수 있는데, 스템은 건강한 지름이 평가될 수 있는 관심 섹션을 포함할 수 있고, 크라운은 관심 섹션의 혈관 구조 다운스트림을 포함할 수 있고, 루트는 관심 섹션의 혈관 구조 업스트림을 포함할 수 있다. 또한, 단계(403)는 관심 섹션이 위치된 혈관의 시블링 혈관(들)을 식별하는 단계를 포함할 수 있다. 예시적인 시블링 혈관은 관심 섹션이 위치된 혈관 이외의 부모 혈관의 아이 혈관을 포함할 수 있다.
일 실시예에서, 단계(405)는 혈관 세그멘트에 대한 특징을 정의하는 단계 및/또는 추출하는 단계를 포함할 수 있다. 각각의 스템에 대하여, 단계(405)는 대응되는 크라운, 루트 및 시블링 혈관(가능할 때)에 대한 다음 특징들 중 하나 이상을 추출하는 단계를 포함할 수 있는데, 가령, 평균, 최대 및 최소 내강 면적(A), 부피(V), 길이(L), V/A 및 V/L이다. 또한, 단계(405)는 최대 내접 구를 사용하여 국부적 지름을 평가하는 단계 및/또는 중심선의 법선을 따라 내강의 면적과 같은 평면 면적을 평가하는 단계를 포함할 수 있다. 일 실시예에서, 일부 스템에 대해 가능하지 않은 특징(가령, 개구 섹션은 루트 유닛을 갖지 않을 수 있고, 말단 섹션은 크라운 유닛을 갖지 않을 수 있음)은 -1의 디폴트 특수 값이 할당될 수 있다. 하나의 예시에서, 각각의 평가된 세그멘트는 분기점들 간의 관상 세그멘테이션을 나타낼 수 있다.
일 실시예에서, 단계(407)는 혈관 트리의 다른 부분으로부터의 특징과 고려 중인 스템을 비교하는 단계를 포함할 수 있다. 예를 들어, 단계(407)는 기계 학습 알고리즘(가령, 도 3a로부터의)을 사용하는 단계를 포함하여, 한 번에 하나의 환자 혈관을 분석하고, 기계 학습 알고리즘의 혈관 구조 트리로부터의 특징을 사용하여 고려 중인 스템에서의 건강한 내강 지름을 추론할 수 있다.
일 실시예에서, 단계(409)는 혈관 세그멘트에 대한 건강한 내강 지름을 추론하는 단계를 포함할 수 있다. 예를 들어, 예시적인 실시예는 (단계(405)의 특징을 포함하는) 환자-맞춤형 메트릭을 추출하는 단계, 한 번에 하나의 섹션을 생략하는 단계 및 이들 메트릭의 데이터베이스를 저장된 건강한 내강 지름(가령, 도 3a에 기술된 기계 학습 알고리즘을 트레이닝함으로부터)으로 맵핑하는 단계를 포함할 수 있다. 좀 더 구체적으로, 기계 학습 알고리즘은 환자에 대한 건강한 내강 지름을 예측하기 위해 랜덤 포레스트 리그레션을 포함할 수 있다. 이전에 기술된 바와 같이, 랜덤 포레스트는 판단 트리들의 앙상블을 사용하여, 이들의 각각은 특징 및 트레이닝 데이터의 랜덤 서브세트로 구성될 수 있다. 각각의 판단 트리는 입력 특징 벡터를 연속적인 변수에 맵핑할 수 있고, 판단 트리로부터의 값들은 함께 모여있고, 건강한 내강 지름의 최종 예측자(dp)를 계산하기 위해 평균화될 수 있다.
일 실시예에서, 단계(411)는 혈관 세그멘트에 대한 LNS를 결정하는 단계를 포함할 수 있다. 예를 들어, LNS 또는 퍼센트 협착증은 예측된 건강한 내강 지름에 대한 국부적 내강 지름(dl)의 비율로부터, α = (1 - dp/dl) x 100%으로 평가될 수 있다.
하나의 연구에서, (Sankaran S., Schaap M., Hunley S.C., Min J.K., Taylor C.A., Grady L. (2016) HALE: Healthy Area of Lumen Estimation for Vessel Stenosis Quantification. In: Ourselin S., Joskowicz L., Sabuncu M., Unal G., Wells W. (eds) Medical Image Computing and Computer-Assisted Intervention -- MICCAI 2016. MICCAI 2016. Lecture Notes in Computer Science, vol 9902. Springer, Cham), 방법(400)은 건강한 섹션의 내강 지름을 예측하는데 있어서, 0.15mm의 평균 절대 오차를 가진 0.947의 상관 계수를 달성하였다. 또한, 본 방법은 협착증을 검출하는데 있어서, 90%/85%의 작동점 민감도/특이도를 가질 수 있다. 질환 있는 환자의 세트에 대한 퍼센트 협착증에서의 평균 절대 에러는, QCA 데이터와 비교할 때, 이방성 커널 리그레션에서 31%에서 본 방법(300)에서 14%로 감소될 수 있다.
혈관 부피, 내강 면적, 혈관 길이 및 파생된 특징의 조합을 포함하는 환자-맞춤형 기하형상 특징을 사용하는 일반적인 접근법은 랜덤 결정 포레스트 리그레서를 사용하여 건강한 내강 지름을 추정하는데 사용될 수 있다. 이러한 리그레서는 서로 다른 종류의 질환, 가령, 급성, 확산, 개구 및 분기를 가진 혈관 구조에 사용될 수 있다. 본 개시물에 이전에 기술된 기준 커널-리그레션 기반의 방법은 국부적 환자-맞춤형 데이터에 기초할 수 있다. 이러한 리그레션 방법은 중심 협소화의 영역을 캡쳐할 수 있다. 대안적이거나 추가적인 리그레션 방법은 모집단 데이터를 설명하고, 다른 질환 형태를 캡쳐할 수 있다. 가령, 확산 병소를 검출하기 위한 방법과 같은 또 다른 방법은 모집단-기반의 기계 학습 접근법을 포함할 수 있는데, 출력 메트릭(LNS)이 확산 병소의 존재 또는 부존재의 표시를 제공할 수 있다.
본 시스템과 방법은 임의의 내강 세그멘테이션 알고리즘으로 사용될 수 있다. 응용예에 따라, 본 시스템과 방법은 가령, 퍼센트 협착증의 온-사이트 평가를 위한 자동화된 내강 세그멘테이션 알고리즘으로 사용될 수 있고, 또는 반-자동화된 방법 오프라인 또는 중앙-실험실 설정으로 사용될 수 있다. 본 시스템과 방법은 정확한 내강 세그멘테이션 알고리즘과 퍼센트 협착증의 평가를 위한 정확한 알고리즘의 커플링과 관련될 수 있는 정확한 QCT 평가 툴을 제공할 수 있다. 이러한 평가 툴은 QCA에 대해서는 물론, 동일한 내강 세그멘테이션에 대해 이방성 커널 리그레션보다 더 우수하게 수행될 수 있다.
하나의 추가적인 실시예는 질환 있을 수 있는 섹션에 대한 계산되는 특징을 제한하는 단계를 포함할 수 있다. 예를 들어, 이러한 실시예는, 기계 학습 알고리즘을 트레이닝하는 동안 질환 있는 것으로 식별되는 섹션이 다른 섹션에 대해 특징의 추정하는데 사용될 수 없는 반복 알고리즘을 포함할 수 있다. 또한, 실시예는 더 높은 차원의 메트릭, 가령 면적 그래디언트를 포함할 수 있다.
본 발명의 다른 실시예는 본원에 개시된 본 발명의 명세서와 실시예를 고려하여, 기술 분야의 통상의 기술자에게 명백할 것이다. 명세서와 예시는 오직 예시로서만 간주되고, 본 발명의 진정한 범위와 사상은 이하의 청구항에 의해 표시된다는 점이 의도된다.

Claims (20)

  1. 환자의 혈관 구조의 내강 지름을 식별하는 컴퓨터-실행되는 방법이며,
    복수의 사람의 알려진 건강한 혈관 세그멘트의 하나 이상의 내강 세그멘테이션을 포함하는 데이터 세트를 수신하는 단계와,
    알려진 건강한 혈관 세그멘트들의 각각의 세그멘트에 대해, 세그멘트의 업스트림 혈관 구조의 섹션과 세그멘트의 다운스트림 혈관 구조의 섹션을 식별하는 단계와,
    각각의 세그멘트에 대해, 세그멘트의 업스트림 혈관 구조의 각각의 섹션에 대한 내강 특징 및 세그멘트의 다운스트림 혈관 구조의 각각의 섹션에 대한 내강 특징을 포함하는 하나 이상의 내강 특징을 추출하는 단계와,
    각각의 세그멘트에 대해 추출된 내강 특징, 세그멘트의 업스트림 혈관 구조의 각각의 섹션에 대해 추출된 내강 특징 및 세그멘트의 다운스트림 혈관 구조의 각각의 섹션에 대해 추출된 내강 특징에 기초하여 모집단-기반 건강한 내강 지름을 결정하는 단계와,
    환자의 혈관 구조의 내강 세그멘테이션을 수신하는 단계와,
    환자의 혈관 구조의 섹션을 결정하는 단계와,
    결정된 모집단-기반 건강한 내강 지름을 사용하여 환자의 혈관 구조의 섹션의 환자-맞춤형 건강한 내강 지름을 결정하는 단계를 포함하는,
    환자의 혈관 구조의 내강 지름을 식별하는 컴퓨터-실행되는 방법.
  2. 제1항에 있어서,
    결정된 건강한 내강 지름을 사용하여 내강 협소화 점수를 계산하는 단계를 더 포함하고,
    내강 협소화 점수는, 복수의 사람의 알려진 건강한 혈관 세그멘트에 기초하여, 대응되는 이론적 건강한 반지름에 대한 환자의 혈관 구조의 섹션의 반지름을 포함하는 비율인,
    환자의 혈관 구조의 내강 지름을 식별하는 컴퓨터-실행되는 방법.
  3. 제1항에 있어서,
    하나 이상의 내강 특징은 평균, 최대 및 최소인 내강 면적, 부피 및 길이를 포함하는,
    환자의 혈관 구조의 내강 지름을 식별하는 컴퓨터-실행되는 방법.
  4. 제1항에 있어서,
    알려진 건강한 혈관 세그멘트의 내강 세그멘테이션의 각각을 서브-유닛으로 분할하는 단계를 더 포함하고,
    서브-유닛의 한 유닛은 환자의 혈관 구조의 결정된 섹션에 대응하는,
    환자의 혈관 구조의 내강 지름을 식별하는 컴퓨터-실행되는 방법.
  5. 제4항에 있어서,
    서브-유닛의 각각에 대한 하나 이상의 내강 특징을 추출하는 단계와,
    환자의 혈관 구조의 섹션의 건강한 내강 지름을 결정하기 위해, 리그레션(regression)을 생성하는 단계를 더 포함하는,
    환자의 혈관 구조의 내강 지름을 식별하는 컴퓨터-실행되는 방법.
  6. 삭제
  7. 삭제
  8. 제1항에 있어서,
    알려진 건강한 혈관 세그멘트는 수동 주석(manual annotation)에 기초하여 결정되는,
    환자의 혈관 구조의 내강 지름을 식별하는 컴퓨터-실행되는 방법.
  9. 환자의 혈관 구조의 내강 지름을 식별하기 위한 시스템이며,
    방법을 수행하기 위한 명령어를 실행하도록 구성된 프로세서를 포함하고,
    상기 방법은,
    복수의 사람의 알려진 건강한 혈관 세그멘트의 하나 이상의 내강 세그멘테이션을 포함하는 데이터 세트를 수신하는 단계와,
    알려진 건강한 혈관 세그멘트들의 각각의 세그멘트에 대해, 세그멘트의 업스트림 혈관 구조의 섹션과 세그멘트의 다운스트림 혈관 구조의 섹션을 식별하는 단계와,
    각각의 세그멘트에 대해, 세그멘트의 업스트림 혈관 구조의 각각의 섹션에 대한 내강 특징 및 세그멘트의 다운스트림 혈관 구조의 각각의 섹션에 대한 내강 특징을 포함하는 하나 이상의 내강 특징을 추출하는 단계와,
    각각의 세그멘트에 대해 추출된 내강 특징, 세그멘트의 업스트림 혈관 구조의 각각의 섹션에 대해 추출된 내강 특징 및 세그멘트의 다운스트림 혈관 구조의 각각의 섹션에 대해 추출된 내강 특징에 기초하여 모집단-기반 건강한 내강 지름을 결정하는 단계와,
    환자의 혈관 구조의 내강 세그멘테이션을 수신하는 단계와,
    환자의 혈관 구조의 섹션을 결정하는 단계와,
    결정된 모집단-기반 건강한 내강 지름을 사용하여, 환자의 혈관 구조의 섹션의 환자-맞춤형 건강한 내강 지름을 결정하는 단계를 포함하는,
    환자의 혈관 구조의 내강 지름을 식별하기 위한 시스템.
  10. 제9항에 있어서,
    상기 시스템은, 결정된 건강한 내강 지름을 사용하여 내강 협소화 점수를 계산하도록 추가로 구성되고,
    내강 협소화 점수는, 복수의 사람의 알려진 건강한 혈관 세그멘트에 기초하여, 대응되는 이론적 건강한 반지름에 대한 환자의 혈관 구조의 섹션의 반지름을 포함하는 비율인,
    환자의 혈관 구조의 내강 지름을 식별하기 위한 시스템.
  11. 제9항에 있어서,
    하나 이상의 내강 특징은 평균, 최대 및 최소인 내강 면적, 부피 및 길이를 포함하는,
    환자의 혈관 구조의 내강 지름을 식별하기 위한 시스템.
  12. 제9항에 있어서,
    상기 시스템은, 알려진 건강한 혈관 세그멘트의 내강 세그멘테이션의 각각을 서브-유닛으로 분할하도록 추가로 구성되고,
    서브-유닛의 한 유닛은 환자의 혈관 구조의 결정된 섹션에 대응하는,
    환자의 혈관 구조의 내강 지름을 식별하기 위한 시스템.
  13. 제12항에 있어서,
    상기 시스템은,
    서브-유닛의 각각에 대한 하나 이상의 내강 특징을 추출하고,
    환자의 혈관 구조의 섹션의 건강한 내강 지름을 결정하기 위해, 리그레션을 생성하도록 추가로 구성되는,
    환자의 혈관 구조의 내강 지름을 식별하기 위한 시스템.
  14. 삭제
  15. 삭제
  16. 제9항에 있어서,
    알려진 건강한 혈관 세그멘트는 수동 주석에 기초하여 결정되는,
    환자의 혈관 구조의 내강 지름을 식별하기 위한 시스템.
  17. 환자의 혈관 구조의 내강 지름을 식별하는 방법을 수행하기 위한 컴퓨터-실행가능한 프로그래밍 명령어를 포함하는 컴퓨터 시스템 상에서 사용을 위한 비-일시적 컴퓨터 판독가능한 매체이며, 상기 방법은,
    복수의 사람의 알려진 건강한 혈관 세그멘트의 하나 이상의 내강 세그멘테이션을 포함하는 데이터 세트를 수신하는 단계와,
    알려진 건강한 혈관 세그멘트들의 각각의 세그멘트에 대해, 세그멘트의 업스트림 혈관 구조의 섹션과 세그멘트의 다운스트림 혈관 구조의 섹션을 식별하는 단계와,
    각각의 세그멘트에 대해, 세그멘트의 업스트림 혈관 구조의 각각의 섹션에 대한 내강 특징 및 세그멘트의 다운스트림 혈관 구조의 각각의 섹션에 대한 내강 특징을 포함하는 하나 이상의 내강 특징을 추출하는 단계와,
    각각의 세그멘트에 대해 추출된 내강 특징, 세그멘트의 업스트림 혈관 구조의 각각의 섹션에 대해 추출된 내강 특징 및 세그멘트의 다운스트림 혈관 구조의 각각의 섹션에 대해 추출된 내강 특징에 기초하여 모집단-기반 건강한 내강 지름을 결정하는 단계와,
    환자의 혈관 구조의 내강 세그멘테이션을 수신하는 단계와,
    환자의 혈관 구조의 섹션을 결정하는 단계와,
    결정된 모집단-기반 건강한 내강 지름을 사용하여, 환자의 혈관 구조의 섹션의 환자-맞춤형 건강한 내강 지름을 결정하는 단계를 포함하는,
    비-일시적 컴퓨터 판독가능한 매체.
  18. 제17항에 있어서,
    상기 방법은, 결정된 건강한 내강 지름을 사용하여 내강 협소화 점수를 계산하는 단계를 더 포함하고,
    내강 협소화 점수는, 복수의 사람의 알려진 건강한 혈관 세그멘트에 기초하여, 대응되는 이론적 건강한 반지름에 대한 환자의 혈관 구조의 섹션의 반지름을 포함하는 비율인,
    비-일시적 컴퓨터 판독가능한 매체.
  19. 제17항에 있어서,
    하나 이상의 내강 특징은 평균, 최대 및 최소인 내강 면적, 부피 및 길이를 포함하는,
    비-일시적 컴퓨터 판독가능한 매체.
  20. 제17항에 있어서,
    상기 방법은, 알려진 건강한 혈관 세그멘트의 내강 세그멘테이션의 각각을 서브-유닛으로 분할하는 단계를 더 포함하고,
    서브-유닛의 한 유닛은 환자의 혈관 구조의 결정된 섹션에 대응하는,
    비-일시적 컴퓨터 판독가능한 매체.
KR1020187028613A 2016-03-16 2017-03-15 관상 동맥 내의 건강한 내강 지름을 추정하고 협착증 정량화하기 위한 시스템 및 방법 KR102447741B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201662309376P 2016-03-16 2016-03-16
US62/309,376 2016-03-16
PCT/US2017/022525 WO2017160994A1 (en) 2016-03-16 2017-03-15 Systems and methods for estimating healthy lumen diameter and stenosis quantification in coronary arteries

Publications (2)

Publication Number Publication Date
KR20180121957A KR20180121957A (ko) 2018-11-09
KR102447741B1 true KR102447741B1 (ko) 2022-09-29

Family

ID=58461457

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020187028613A KR102447741B1 (ko) 2016-03-16 2017-03-15 관상 동맥 내의 건강한 내강 지름을 추정하고 협착증 정량화하기 위한 시스템 및 방법

Country Status (8)

Country Link
US (3) US10575810B2 (ko)
EP (3) EP3795070B1 (ko)
JP (1) JP6718975B2 (ko)
KR (1) KR102447741B1 (ko)
CN (1) CN109069014B (ko)
AU (1) AU2017235454B2 (ko)
CA (1) CA3017610C (ko)
WO (1) WO2017160994A1 (ko)

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10433740B2 (en) * 2012-09-12 2019-10-08 Heartflow, Inc. Systems and methods for estimating ischemia and blood flow characteristics from vessel geometry and physiology
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
EP3245632B1 (en) * 2015-01-16 2020-07-15 Koninklijke Philips N.V. Vessel lumen sub-resolution segmentation
JP6718975B2 (ja) * 2016-03-16 2020-07-08 ハートフロー， インコーポレイテッド 冠動脈において健全な管腔径を推定し狭窄を定量化するためのシステム及び方法
WO2017199246A1 (en) 2016-05-16 2017-11-23 Cathworks Ltd. Vascular selection from images
JP7036742B2 (ja) 2016-05-16 2022-03-15 キャスワークス リミテッド 血管評価システム
US11871995B2 (en) 2017-12-18 2024-01-16 Hemolens Diagnostics Sp. Z O.O. Patient-specific modeling of hemodynamic parameters in coronary arteries
US11771399B2 (en) 2018-02-07 2023-10-03 Atherosys, Inc. Apparatus and method to guide ultrasound acquisition of the peripheral arteries in the transverse plane
WO2019212992A1 (en) * 2018-04-30 2019-11-07 Atherosys, Inc. Method and apparatus for the automatic detection of atheromas in peripheral arteries
WO2019238754A1 (en) 2018-06-15 2019-12-19 Pie Medical Imaging Bv Method and apparatus for quantitative hemodynamic flow analysis
CN109979593B (zh) 2018-09-24 2021-04-13 北京科亚方舟医疗科技股份有限公司 血管路径的健康半径的预测方法、血管路径的候选狭窄处的预测方法、血管狭窄度预测装置
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
US10813612B2 (en) 2019-01-25 2020-10-27 Cleerly, Inc. Systems and method of characterizing high risk plaques
CN109886953B (zh) * 2019-02-27 2024-06-28 数坤科技股份有限公司 一种血管异常检测方法、装置及计算机可读存储介质
WO2020201942A1 (en) 2019-04-01 2020-10-08 Cathworks Ltd. Methods and apparatus for angiographic image selection
JP7170868B2 (ja) * 2019-06-28 2022-11-14 富士フイルム株式会社 学習装置、方法およびプログラム、医用画像処理装置、方法およびプログラム、並びに判別器
KR102361354B1 (ko) 2019-08-30 2022-02-10 연세대학교 원주산학협력단 관상동맥 조영 영상에서 심장 협착증 질병 정보 제공 방법
US12039685B2 (en) 2019-09-23 2024-07-16 Cathworks Ltd. Methods, apparatus, and system for synchronization between a three-dimensional vascular model and an imaging device
CN110889896B (zh) * 2019-11-11 2024-03-22 苏州润迈德医疗科技有限公司 获取血管狭窄病变区间及三维合成方法、装置和系统
JP7485512B2 (ja) * 2019-12-26 2024-05-16 キヤノンメディカルシステムズ株式会社 医用情報処理装置、医用情報処理方法、及び医用情報処理プログラム
JP2023509514A (ja) 2020-01-07 2023-03-08 クリールリー、 インコーポレーテッド 医用画像分析、診断、重症度分類、意思決定、および／または疾患追跡のためのシステム、方法、およびデバイス
US11969280B2 (en) 2020-01-07 2024-04-30 Cleerly, Inc. Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
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
US20210228262A1 (en) 2020-01-29 2021-07-29 Covidien Lp System and methods for identifying vessels within tissue
CN111445449B (zh) * 2020-03-19 2024-03-01 上海联影智能医疗科技有限公司 感兴趣区域的分类方法、装置、计算机设备和存储介质
CN113837985B (zh) * 2020-06-24 2023-11-07 上海博动医疗科技股份有限公司 用于血管造影图像处理的训练方法和装置、自动处理方法和装置
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
CN113592939B (zh) * 2021-07-20 2024-02-27 燕山大学 基于冠脉造影图像判断狭窄血管尺寸的深度学习方法
US12125217B2 (en) 2021-11-05 2024-10-22 GE Precision Healthcare LLC System and method for detecting stenosis
US11980492B2 (en) 2021-11-05 2024-05-14 GE Precision Healthcare LLC System and method for deep-learning based estimation of coronary artery pressure drop
US20230289963A1 (en) 2022-03-10 2023-09-14 Cleerly, Inc. Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070019846A1 (en) * 2003-08-25 2007-01-25 Elizabeth Bullitt Systems, methods, and computer program products for analysis of vessel attributes for diagnosis, disease staging, and surfical planning
US20110224542A1 (en) * 2010-03-12 2011-09-15 Sushil Mittal Method and System for Automatic Detection and Classification of Coronary Stenoses in Cardiac CT Volumes
JP2015180292A (ja) * 2007-07-05 2015-10-15 株式会社東芝 医用画像処理装置

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2421352A1 (en) * 2002-03-08 2003-09-08 Giovanni Battista Mancini (A.K.A. Mancini, G.B. John) Vessel evaluation methods, apparatus, computer-readable media and signals
US8155411B2 (en) 2008-07-22 2012-04-10 Pie Medical Imaging B.V. Method, apparatus and computer program for quantitative bifurcation analysis in 3D using multiple 2D angiographic images
US8315812B2 (en) 2010-08-12 2012-11-20 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
JP5802144B2 (ja) * 2012-02-16 2015-10-28 株式会社日立製作所 画像診断支援システム、プログラム及び記憶媒体
US9675301B2 (en) * 2012-10-19 2017-06-13 Heartflow, Inc. Systems and methods for numerically evaluating vasculature
US9858387B2 (en) * 2013-01-15 2018-01-02 CathWorks, LTD. Vascular flow assessment
CN103892799B (zh) * 2012-12-24 2016-09-14 财团法人工业技术研究院 主动脉血管测量探针、装置及主动脉管径的测量方法
US9042613B2 (en) * 2013-03-01 2015-05-26 Heartflow, Inc. Method and system for determining treatments by modifying patient-specific geometrical models
EP3021758A4 (en) * 2013-07-19 2017-03-15 Volcano Corporation Devices, systems, and methods for assessment of vessels
US9043190B2 (en) * 2013-08-16 2015-05-26 Heartflow, Inc. Systems and methods for identifying personalized vascular implants from patient-specific anatomic data
US9805463B2 (en) * 2013-08-27 2017-10-31 Heartflow, Inc. Systems and methods for predicting location, onset, and/or change of coronary lesions
US10362943B2 (en) * 2013-09-20 2019-07-30 Siemens Healthcare Gmbh Dynamic overlay of anatomy from angiography to fluoroscopy
US9700219B2 (en) * 2013-10-17 2017-07-11 Siemens Healthcare Gmbh Method and system for machine learning based assessment of fractional flow reserve
US9785746B2 (en) * 2014-03-31 2017-10-10 Heartflow, Inc. Systems and methods for determining blood flow characteristics using flow ratio
US9747525B2 (en) * 2014-06-16 2017-08-29 Siemens Healthcare Gmbh Method and system for improved hemodynamic computation in coronary arteries
US9349178B1 (en) * 2014-11-24 2016-05-24 Siemens Aktiengesellschaft Synthetic data-driven hemodynamic determination in medical imaging
JP6718975B2 (ja) * 2016-03-16 2020-07-08 ハートフロー， インコーポレイテッド 冠動脈において健全な管腔径を推定し狭窄を定量化するためのシステム及び方法
US12062198B2 (en) * 2021-09-27 2024-08-13 Shenzhen Keya Medical Technology Corporation Method and system for multi-modality joint analysis of vascular images

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070019846A1 (en) * 2003-08-25 2007-01-25 Elizabeth Bullitt Systems, methods, and computer program products for analysis of vessel attributes for diagnosis, disease staging, and surfical planning
JP2015180292A (ja) * 2007-07-05 2015-10-15 株式会社東芝 医用画像処理装置
US20110224542A1 (en) * 2010-03-12 2011-09-15 Sushil Mittal Method and System for Automatic Detection and Classification of Coronary Stenoses in Cardiac CT Volumes

Also Published As

Publication number Publication date
CN109069014B (zh) 2021-07-06
JP6718975B2 (ja) 2020-07-08
EP3429465B1 (en) 2020-11-11
US20220079540A1 (en) 2022-03-17
CA3017610C (en) 2024-04-30
CN113440112A (zh) 2021-09-28
EP3429465A1 (en) 2019-01-23
US20170265831A1 (en) 2017-09-21
AU2017235454B2 (en) 2019-07-18
JP2019509813A (ja) 2019-04-11
AU2017235454A1 (en) 2018-11-01
EP4162870A1 (en) 2023-04-12
US11207045B2 (en) 2021-12-28
KR20180121957A (ko) 2018-11-09
EP4162870B1 (en) 2024-01-31
US11883225B2 (en) 2024-01-30
EP3795070B1 (en) 2022-12-21
EP3795070A1 (en) 2021-03-24
US20200155106A1 (en) 2020-05-21
CA3017610A1 (en) 2017-09-21
CN109069014A (zh) 2018-12-21
WO2017160994A1 (en) 2017-09-21
US10575810B2 (en) 2020-03-03

Similar Documents

Publication Publication Date Title
KR102447741B1 (ko) 관상 동맥 내의 건강한 내강 지름을 추정하고 협착증 정량화하기 위한 시스템 및 방법
US20220211439A1 (en) Systems and methods for processing images to determine plaque progression and regression
US11617620B2 (en) Systems and methods for identifying anatomically relevant blood flow characteristics in a patient
KR101834051B1 (ko) 혈관 기하학적 구조 및 생리학으로부터 혈류 특징들을 추정하기 위한 시스템들 및 방법들
US9659365B2 (en) Image analysing
JP2017500179A (ja) 狭窄マッピングによって狭窄重症度を評価するための方法
JP2020510451A (ja) 生物物理的シミュレーション用の血管樹標準化及び／又はプルーニングされた部分用の拡張シミュレーション
Sankaran et al. Hale: Healthy area of lumen estimation for vessel stenosis quantification
CN113440112B (zh) 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

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right