KR20160079127A - 환자-특이적 해부학적 이미지 데이터로부터 관상동맥 플라크 취약성 예측 시스템 및 방법 - Google Patents
환자-특이적 해부학적 이미지 데이터로부터 관상동맥 플라크 취약성 예측 시스템 및 방법 Download PDFInfo
- Publication number
- KR20160079127A KR20160079127A KR1020167016367A KR20167016367A KR20160079127A KR 20160079127 A KR20160079127 A KR 20160079127A KR 1020167016367 A KR1020167016367 A KR 1020167016367A KR 20167016367 A KR20167016367 A KR 20167016367A KR 20160079127 A KR20160079127 A KR 20160079127A
- Authority
- KR
- South Korea
- Prior art keywords
- plaque
- patient
- image data
- processor
- malignant
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 138
- 238000004458 analytical method Methods 0.000 claims abstract description 103
- 230000003211 malignant effect Effects 0.000 claims abstract description 39
- 239000012530 fluid Substances 0.000 claims abstract description 33
- 210000005166 vasculature Anatomy 0.000 claims abstract description 29
- 238000012512 characterization method Methods 0.000 claims abstract description 17
- 201000010099 disease Diseases 0.000 claims description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 19
- 238000007634 remodeling Methods 0.000 claims description 18
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 11
- 230000036262 stenosis Effects 0.000 claims description 10
- 208000037804 stenosis Diseases 0.000 claims description 10
- 230000002308 calcification Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 4
- 230000002101 lytic effect Effects 0.000 claims description 3
- 206010028980 Neoplasm Diseases 0.000 claims 4
- 201000011510 cancer Diseases 0.000 claims 4
- 230000036210 malignancy Effects 0.000 claims 4
- 230000000747 cardiac effect Effects 0.000 description 55
- 210000004351 coronary vessel Anatomy 0.000 description 39
- 238000011282 treatment Methods 0.000 description 33
- 238000010801 machine learning Methods 0.000 description 24
- 230000003902 lesion Effects 0.000 description 21
- 238000012549 training Methods 0.000 description 21
- 208000010125 myocardial infarction Diseases 0.000 description 18
- 239000013598 vector Substances 0.000 description 18
- 230000000694 effects Effects 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 16
- 230000000004 hemodynamic effect Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 230000036772 blood pressure Effects 0.000 description 11
- 238000002591 computed tomography Methods 0.000 description 11
- 238000004088 simulation Methods 0.000 description 11
- 239000008280 blood Substances 0.000 description 10
- 230000008859 change Effects 0.000 description 10
- 210000004369 blood Anatomy 0.000 description 9
- 210000000709 aorta Anatomy 0.000 description 8
- 230000017531 blood circulation Effects 0.000 description 8
- 210000002216 heart Anatomy 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 8
- 239000000090 biomarker Substances 0.000 description 7
- 208000029078 coronary artery disease Diseases 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 6
- 238000002608 intravascular ultrasound Methods 0.000 description 6
- 210000000265 leukocyte Anatomy 0.000 description 6
- 210000004165 myocardium Anatomy 0.000 description 6
- 230000037081 physical activity Effects 0.000 description 6
- 229940079593 drug Drugs 0.000 description 5
- 239000003814 drug Substances 0.000 description 5
- 230000002107 myocardial effect Effects 0.000 description 5
- 238000012014 optical coherence tomography Methods 0.000 description 5
- 238000011369 optimal treatment Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 230000001568 sexual effect Effects 0.000 description 5
- 230000001225 therapeutic effect Effects 0.000 description 5
- 230000002792 vascular Effects 0.000 description 5
- 208000004434 Calcinosis Diseases 0.000 description 4
- 102000007330 LDL Lipoproteins Human genes 0.000 description 4
- 108010007622 LDL Lipoproteins Proteins 0.000 description 4
- 238000004497 NIR spectroscopy Methods 0.000 description 4
- 208000002193 Pain Diseases 0.000 description 4
- 230000002253 anti-ischaemic effect Effects 0.000 description 4
- 210000004204 blood vessel Anatomy 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 208000019901 Anxiety disease Diseases 0.000 description 3
- -1 WBC (leukocyte) Proteins 0.000 description 3
- 239000003524 antilipemic agent Substances 0.000 description 3
- 230000036506 anxiety Effects 0.000 description 3
- 239000002876 beta blocker Substances 0.000 description 3
- 229940097320 beta blocking agent Drugs 0.000 description 3
- 235000012000 cholesterol Nutrition 0.000 description 3
- 230000003340 mental effect Effects 0.000 description 3
- 230000001338 necrotic effect Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000000541 pulsatile effect Effects 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000003325 tomography Methods 0.000 description 3
- METKIMKYRPQLGS-GFCCVEGCSA-N (R)-atenolol Chemical compound CC(C)NC[C@@H](O)COC1=CC=C(CC(N)=O)C=C1 METKIMKYRPQLGS-GFCCVEGCSA-N 0.000 description 2
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 2
- 108010029697 CD40 Ligand Proteins 0.000 description 2
- 102100032937 CD40 ligand Human genes 0.000 description 2
- 206010008479 Chest Pain Diseases 0.000 description 2
- 102000004127 Cytokines Human genes 0.000 description 2
- 108090000695 Cytokines Proteins 0.000 description 2
- 102000008946 Fibrinogen Human genes 0.000 description 2
- 108010049003 Fibrinogen Proteins 0.000 description 2
- 229940121710 HMGCoA reductase inhibitor Drugs 0.000 description 2
- KLDXJTOLSGUMSJ-JGWLITMVSA-N Isosorbide Chemical compound O[C@@H]1CO[C@@H]2[C@@H](O)CO[C@@H]21 KLDXJTOLSGUMSJ-JGWLITMVSA-N 0.000 description 2
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 2
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 2
- 108010015302 Matrix metalloproteinase-9 Proteins 0.000 description 2
- 102100030412 Matrix metalloproteinase-9 Human genes 0.000 description 2
- SNIOPGDIGTZGOP-UHFFFAOYSA-N Nitroglycerin Chemical compound [O-][N+](=O)OCC(O[N+]([O-])=O)CO[N+]([O-])=O SNIOPGDIGTZGOP-UHFFFAOYSA-N 0.000 description 2
- 208000008589 Obesity Diseases 0.000 description 2
- 102000004264 Osteopontin Human genes 0.000 description 2
- 108010081689 Osteopontin Proteins 0.000 description 2
- 229960001138 acetylsalicylic acid Drugs 0.000 description 2
- 229940127218 antiplatelet drug Drugs 0.000 description 2
- 208000037849 arterial hypertension Diseases 0.000 description 2
- 229960002274 atenolol Drugs 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 235000005911 diet Nutrition 0.000 description 2
- 230000037213 diet Effects 0.000 description 2
- 235000006694 eating habits Nutrition 0.000 description 2
- 210000003743 erythrocyte Anatomy 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 235000019197 fats Nutrition 0.000 description 2
- 229940012952 fibrinogen Drugs 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 229960002479 isosorbide Drugs 0.000 description 2
- 150000002632 lipids Chemical class 0.000 description 2
- 235000020824 obesity Nutrition 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000004962 physiological condition Effects 0.000 description 2
- 239000000106 platelet aggregation inhibitor Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002966 stenotic effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000035488 systolic blood pressure Effects 0.000 description 2
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 2
- 230000037221 weight management Effects 0.000 description 2
- VKUYLANQOAKALN-UHFFFAOYSA-N 2-[benzyl-(4-methoxyphenyl)sulfonylamino]-n-hydroxy-4-methylpentanamide Chemical compound C1=CC(OC)=CC=C1S(=O)(=O)N(C(CC(C)C)C(=O)NO)CC1=CC=CC=C1 VKUYLANQOAKALN-UHFFFAOYSA-N 0.000 description 1
- 208000004611 Abdominal Obesity Diseases 0.000 description 1
- 206010002383 Angina Pectoris Diseases 0.000 description 1
- 206010002388 Angina unstable Diseases 0.000 description 1
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 206010065941 Central obesity Diseases 0.000 description 1
- 238000001712 DNA sequencing Methods 0.000 description 1
- 206010020565 Hyperaemia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000016593 Knee injury Diseases 0.000 description 1
- 238000008214 LDL Cholesterol Methods 0.000 description 1
- 235000019738 Limestone Nutrition 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- 239000000006 Nitroglycerin Substances 0.000 description 1
- 102100030416 Stromelysin-1 Human genes 0.000 description 1
- 101710108790 Stromelysin-1 Proteins 0.000 description 1
- 208000007814 Unstable Angina Diseases 0.000 description 1
- 208000005475 Vascular calcification Diseases 0.000 description 1
- 206010000891 acute myocardial infarction Diseases 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 239000003146 anticoagulant agent Substances 0.000 description 1
- 229960004676 antithrombotic agent Drugs 0.000 description 1
- 208000007474 aortic aneurysm Diseases 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000003339 best practice Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 238000004820 blood count Methods 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 210000004903 cardiac system Anatomy 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 229940039231 contrast media Drugs 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 229960003711 glyceryl trinitrate Drugs 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 208000018578 heart valve disease Diseases 0.000 description 1
- 238000005534 hematocrit Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 201000004332 intermediate coronary syndrome Diseases 0.000 description 1
- 238000010253 intravenous injection Methods 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- ACRHBAYQBXXRTO-OAQYLSRUSA-N ivabradine Chemical compound C1CC2=CC(OC)=C(OC)C=C2CC(=O)N1CCCN(C)C[C@H]1CC2=C1C=C(OC)C(OC)=C2 ACRHBAYQBXXRTO-OAQYLSRUSA-N 0.000 description 1
- 229960003825 ivabradine Drugs 0.000 description 1
- 238000012933 kinetic analysis Methods 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 210000002540 macrophage Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 229960002237 metoprolol Drugs 0.000 description 1
- IUBSYMUCCVWXPE-UHFFFAOYSA-N metoprolol Chemical compound COCCC1=CC=C(OCC(O)CNC(C)C)C=C1 IUBSYMUCCVWXPE-UHFFFAOYSA-N 0.000 description 1
- 150000002823 nitrates Chemical class 0.000 description 1
- 235000021032 oily fish Nutrition 0.000 description 1
- 235000020660 omega-3 fatty acid Nutrition 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 210000002381 plasma Anatomy 0.000 description 1
- 235000020777 polyunsaturated fatty acids Nutrition 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005029 sieve analysis Methods 0.000 description 1
- 230000005586 smoking cessation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 230000025033 vasoconstriction Effects 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0062—Arrangements for scanning
- A61B5/0066—Optical coherence imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/503—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 the heart
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/12—Diagnosis using ultrasonic, sonic or infrasonic waves in body cavities or body tracts, e.g. by using catheters
-
- G06F19/3431—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- 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
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10108—Single photon emission computed tomography [SPECT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Physiology (AREA)
- Optics & Photonics (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Vascular Medicine (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Hematology (AREA)
- Pulmonology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Robotics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
컴퓨터 시스템을 이용하여, 관상동맥 플라크 취약성을 예측하기 위한 시스템 및 방법이 개시된다. 일 방법은, 환자의 맥관계의 적어도 일부분의 해부학적 이미지 데이터를 획득하는 단계와, 프로세서를 이용하여, 상기 해부학적 이미지 데이터에 대한, 하나 이상의 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석을 수행하는 단계와, 상기 프로세서를 이용하여, 환자의 맥관계에 존재하는 관상동맥 플라크 취약성을 예측하는 단계 - 관상동맥 플라크 취약성 예측은, 상기 해부학적 이미지 데이터의 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석 중 하나 이상의 결과에 기초하여, 악성 플라크 특성을 연산하는 단계를 포함함 - 와, 상기 프로세서를 이용하여, 상기 연산된 악성 플라크 특성을 보고하는 단계를 포함한다.
Description
관련 출원의 상호 참조
본 출원은 2013년 12월 18일 출원된 미국특허출원 제61/917,639호의 우선권을 주장하는 2014년 4월 16일 출원된 미국특허출원 제14/254,481호에 기초한 우선권을 주장하며, 그 전체 내용은 본 발명에 참고자료로 포함된다.
발명의 분야
본 발명의 다양한 실시예는 일반적으로 의료 이미징 및 관련 방법에 관한 것이다. 특히, 본 발명의 특정 실시예는 환자-특이적 해부학적 이미지 데이터로부터 관상동맥 플라크 취약성을 예측하기 위한 시스템 및 방법에 관련된다.
관상동맥 질환은 협착증(혈관이 비정상적으로 좁아지는 질환)과 같은 심장에 혈액을 제공하는 혈관에 관상동맥 병변을 생성할 수 있다. 그 결과, 심장으로의 혈류가 제한될 수 있다. 관상동맥 질환에 시달리는 환자는 환자가 휴식 중일 때 불안정 협심증, 또는 격렬한 신체 운동 중 만성 불변성 협심증으로 불리는, 흉통을 겪을 수 있다. 더 심각한 질환의 징후는 심근경색증 또는 심장마비를 이끌 수 있다.
통증에 시달리는 및/또는 관상동맥 질환의 증상을 나타내는 환자는 관상동맥 병변에 관한 소정의 간접적 증거를 제공할 수 있는 하나 이상의 검사를 받을 수 있다. 예를 들어, 비침습적 검사는 심전도, 혈액 검사로부터 바이오마커 평가, 트레드밀 검사, 심전도 기록, 단일 양전자 방출 CT(SPECT: single positron emission computed tomography), 및 양전자 방출 토모그래피(PET: positron emission tomography)를 포함할 수 있다. 해부학적 데이터는 관상동맥 CT 조영법(CCTA: coronary computed tomographic angiography)을 이용하여 비침습적으로 얻을 수 있다. CCTA는 흉통을 가진 환자의 이미징에 사용될 수 있고, 조영제의 정맥내 투입에 이어 심장 및 관상 동맥을 이미징하기 위해 컴퓨터 단층촬영(CT) 기술의 이용을 수반한다.
한편, 악성 플라크 특성(APC)과 같은 취약한 플라크 특징들이, 혈관내 초음파(IVUS), 광-간섭성 단층촬영(OCT), 및 관상동맥 컴퓨터 단층촬영 데이터(CCTA)와 같은, 침습적 및 비침습적 기술을 모두 이용하여 주 악성 심장 사건(MACE)의 예후에 대하여 능동적으로 조사되고 있다.
그러나, 환자-특이적 해부학적 이미지 데이터로부터 관상동맥 플라크 취약성을 예측하기 위한 시스템 및 방법이 필요하다.
본 발명의 소정의 형태에 따르면, 환자-특이적 해부학적 이미지 데이터로부터 관상동맥 플라크 취약성을 예측하기 위한 시스템 및 방법이 개시된다. 일 방법은, 환자의 맥관계의 적어도 일부분의 해부학적 이미지 데이터를 획득하는 단계와, 프로세서를 이용하여, 상기 해부학적 이미지 데이터에 대한, 하나 이상의 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석을 수행하는 단계와, 상기 프로세서를 이용하여, 환자의 맥관계에 존재하는 관상동맥 플라크 취약성을 예측하는 단계 - 관상동맥 플라크 취약성 예측은 상기 해부학적 이미지 데이터의 하나 이상의 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석의 결과에 기초하여 악성 플라크 특성을 연산하는 단계를 포함함 - 와, 상기 프로세서를 이용하여, 상기 연산된 악성 플라크 특성을 보고하는 단계를 포함한다.
다른 실시예에 따르면, 환자-특이적 해부학적 이미지 데이터로부터 관상동맥 플라크 취약성을 보고하기 위한 시스템은, 환자-특이적 해부학적 이미지 데이터로부터 관상동맥 플라크 취약성을 예측하기 위한 명령어를 저장하는 데이터 저장 디바이스와, 프로세서를 포함하되, 상기 프로세서는, 환자의 맥관계의 적어도 일부분의 해부학적 이미지 데이터를 획득하는 작동과, 프로세서를 이용하여, 상기 해부학적 이미지 데이터에 대한, 하나 이상의 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석을 수행하는 작동과, 상기 프로세서를 이용하여, 환자의 맥관계에 존재하는 관상동맥 플라크 취약성을 예측하는 작동 - 관상동맥 플라크 취약성 예측은 상기 해부학적 이미지 데이터의 하나 이상의 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석의 결과에 기초하여 악성 플라크 특성을 연산하는 작동을 포함함 - 와, 상기 프로세서를 이용하여, 상기 연산된 악성 플라크 특성을 보고하는 작동을 행하도록 구성된다.
또 다른 실시예에 따르면, 환자-특이적 해부학적 이미지 데이터로부터 관상동맥 플라크 취약성을 보고하기 위한 방법을 수행하기 위한 컴퓨터-실행가능 프로그래밍 명령어를 지닌 컴퓨터 시스템 상에 사용하기 위한 비-일시적 컴퓨터 판독가능 매체가 제공된다. 상기 방법은, 환자의 맥관계의 적어도 일부분의 해부학적 이미지 데이터를 획득하는 단계와, 프로세서를 이용하여, 상기 해부학적 이미지 데이터에 대한, 하나 이상의 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석을 수행하는 단계와, 상기 프로세서를 이용하여, 환자의 맥관계에 존재하는 관상동맥 플라크 취약성을 예측하는 단계 - 관상동맥 플라크 취약성 예측은 상기 해부학적 이미지 데이터의 하나 이상의 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석의 결과에 기초하여 악성 플라크 특성을 연산하는 단계를 포함함 - 와, 상기 프로세서를 이용하여, 상기 연산된 악성 플라크 특성을 보고하는 단계를 포함한다.
다른 방법은, 환자의 맥관계의 적어도 일부분의 해부학적 이미지 데이터를 획득하는 단계와, 프로세서를 이용하여, 상기 해부학적 이미지 데이터에 대한, 하나 이상의 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석을 수행하는 단계와, 상기 프로세서를 이용하여, 상기 해부학적 이미지 데이터의 하나 이상의 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석의 결과에 기초하여 환자의 맥관계에 존재하는 관상동맥 플라크 취약성으로부터 악성 심장 사고의 확률을 예측하는 단계를 포함한다.
다른 실시예에 따르면, 환자-특이적 해부학적 이미지 데이터로부터 관상동맥 플라크 취약성을 예측하기 위한 시스템은, 환자-특이적 해부학적 이미지 데이터로부터 관상동맥 플라크 취약성을 예측하기 위한 명령어를 저장하는 데이터 저장 디바이스와, 방법을 수행하기 위한 명령어를 실행하도록 구성되는 프로세서를 포함하되, 상기 방법은, 환자의 맥관계의 적어도 일부분의 해부학적 이미지 데이터를 획득하는 단계와, 프로세서를 이용하여, 상기 해부학적 이미지 데이터에 대한, 하나 이상의 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석을 수행하는 단계와, 상기 프로세서를 이용하여, 상기 해부학적 이미지 데이터의 하나 이상의 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석의 결과에 기초하여 환자의 맥관계에 존재하는 관상동맥 플라크 취약성으로부터 악성 심장 사고의 확률을 예측하는 단계를 포함한다.
또 다른 실시예에 따르면, 환자-특이적 해부학적 이미지 데이터로부터 관상동맥 플라크 취약성을 예측하기 위한 컴퓨터-실행가능 프로그래밍 명령어를 지닌 컴퓨터 시스템 상에 사용하기 위한 비-일시적 컴퓨터 판독가능 매체가 제공된다. 상기 방법은, 환자의 맥관계의 적어도 일부분의 해부학적 이미지 데이터를 획득하는 단계와, 프로세서를 이용하여, 상기 해부학적 이미지 데이터에 대한, 하나 이상의 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석을 수행하는 단계와, 상기 프로세서를 이용하여, 상기 해부학적 이미지 데이터의 하나 이상의 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석의 결과에 기초하여 환자의 맥관계에 존재하는 관상동맥 플라크 취약성으로부터 악성 심장 사고의 확률을 예측하는 단계를 포함한다.
또 다른 방법은, 환자의 맥관계의 적어도 일부분의 해부학적 이미지 데이터를 획득하는 단계와, 프로세서를 이용하여, 상기 해부학적 이미지 데이터에 대한, 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석 중 하나 이상을 수행하는 단계와, 상기 프로세서를 이용하여, 상기 해부학적 이미지 데이터의 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석 중 하나 이상의 결과에 기초하여 환자의 맥관계에 존재하는 관상동맥 플라크 취약성을 예측하는 단계와, 제안되는 처치에 기초하여 상기 해부학적 이미지 데이터에 대한, 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석 중 하나 이상을 수정하는 단계와, 상기 해부학적 이미지에 대한 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석 중 수정된 하나 이상에 기초하여 관상동맥 플라크 취약성의 예측에 대한 치료 효과를 결정하는 단계를 포함한다.
다른 실시예에 따르면, 관상동맥 플라크 취약성에 대한 치료 효과 결정 시스템은, 환자-특이적 해부학적 이미지 데이터로부터 관상동맥 플라크 취약성을 예측하기 위한 명령어를 저장하는 데이터 저장 디바이스와, 방법을 수행하기 위한 명령어를 실행하도록 구성되는 프로세서를 포함하되, 상기 방법은, 환자의 맥관계의 적어도 일부분의 해부학적 이미지 데이터를 획득하는 단계와, 프로세서를 이용하여, 상기 해부학적 이미지 데이터에 대한, 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석 중 하나 이상을 수행하는 단계와, 상기 프로세서를 이용하여, 상기 해부학적 이미지 데이터의 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석 중 하나 이상의 결과에 기초하여 환자의 맥관계에 존재하는 관상동맥 플라크 취약성을 예측하는 단계와, 제안되는 처치에 기초하여 상기 해부학적 이미지 데이터에 대한, 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석 중 하나 이상을 수정하는 단계와, 상기 해부학적 이미지에 대한 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석 중 수정된 하나 이상에 기초하여 관상동맥 플라크 취약성의 예측에 대한 치료 효과를 결정하는 단계를 포함한다.
또 다른 실시예에 따르면, 관상동맥 플라크 취약성에 대한 치료 효과 결정 방법을 수행하기 위한 컴퓨터-실행가능 프로그래밍 명령어를 지닌 컴퓨터 시스템 상에 사용하기 위한 비-일시적 컴퓨터 판독가능 매체가 제공된다. 상기 방법은, 환자의 맥관계의 적어도 일부분의 해부학적 이미지 데이터를 획득하는 단계와, 프로세서를 이용하여, 상기 해부학적 이미지 데이터에 대한, 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석 중 하나 이상을 수행하는 단계와, 상기 프로세서를 이용하여, 상기 해부학적 이미지 데이터의 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석 중 하나 이상의 결과에 기초하여 환자의 맥관계에 존재하는 관상동맥 플라크 취약성을 예측하는 단계와, 제안되는 처치에 기초하여 상기 해부학적 이미지 데이터에 대한, 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석 중 하나 이상을 수정하는 단계와, 상기 해부학적 이미지에 대한 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석 중 수정된 하나 이상에 기초하여 관상동맥 플라크 취약성의 예측에 대한 치료 효과를 결정하는 단계를 포함한다.
개시되는 실시예의 추가적인 목적 및 장점은 이어지는 설명에서 부분적으로 제시될 것이고, 설명으로부터 부분적으로 명백해질 것이며, 또는, 개시되는 실시예의 실시에 의해 학습될 수 있다. 개시되는 실시예의 목적 및 장점은 첨부 청구범위에서 특히 언급되는 요소들 및 조합들을 통해 실현 및 획득될 것이다.
앞서의 간단한 설명 및 다음의 상세한 설명은 예시적이고 설명을 위한 것이며, 청구되는 개시 실시예를 제한하는 것이 아니다.
본 명세서에 포함되고 본 명세서의 일부분을 구성하는 첨부 도면은 다양한 예시적 실시예를 도시하며, 상세한 설명과 함께, 개시되는 실시예의 원리를 설명하는 역할을 한다.
도 1은 본 발명의 예시적 실시예에 따라 환자-특이적 해부학적 이미지 데이터로부터 관상동맥 플라크 취약성을 예측하기 위한 예시적 시스템 및 네트워크의 블록도다.
도 2는 본 발명의 예시적 실시예에 따라, 환자-특이적 해부학적 이미지 데이터로부터 관상동맥 플라크 취약성을 예측하기 위한 예시적 방법의 블록도다.
도 3은 본 발명의 예시적 실시예에 따라 확자-특이적 해부학적 이미지 데이터로부터 악성 플라크 특성을 보고하기 위한 예시적 방법의 블록도다.
도 4A는 본 발명의 예시적 실시예에 따라, 환자-특이적 해부학적 이미지 데이터로부터 심장 위험 또는 위험-관련 특징들을 예측하기 위한 예시적 방법의 블록도다.
도 4B는 본 발명의 예시적 실시예에 따라, 환자-특이적 해부학적 이미지 데이터로부터 심장 위험 또는 위험-관련 특징들을 예측하기 위한 예측 시스템을 생성 및 훈련하기 위한 예시적 방법의 블록도다.
도 5A는 본 발명의 예시적 실시예에 따라, 환자-특이적 해부학적 이미지 데이터로부터 의료 처치 계획안에 응답하여 심장 위험 또는 위험-관련 특징들의 변화를 예측하기 위한 예시적 방법의 블록도다.
도 5B는 본 발명의 예시적 실시예에 따라, 의료 처치 계획안 및/또는 라이프스타일 변화에 응답하여 환자-특이적 해부학적 이미지 데이터로부터 심장 위험 또는 위험-관련 특징들을 예측하기 위한 예측 시스템을 생성 및 훈련하기 위한 예시적 방법의 블록도다.
도 1은 본 발명의 예시적 실시예에 따라 환자-특이적 해부학적 이미지 데이터로부터 관상동맥 플라크 취약성을 예측하기 위한 예시적 시스템 및 네트워크의 블록도다.
도 2는 본 발명의 예시적 실시예에 따라, 환자-특이적 해부학적 이미지 데이터로부터 관상동맥 플라크 취약성을 예측하기 위한 예시적 방법의 블록도다.
도 3은 본 발명의 예시적 실시예에 따라 확자-특이적 해부학적 이미지 데이터로부터 악성 플라크 특성을 보고하기 위한 예시적 방법의 블록도다.
도 4A는 본 발명의 예시적 실시예에 따라, 환자-특이적 해부학적 이미지 데이터로부터 심장 위험 또는 위험-관련 특징들을 예측하기 위한 예시적 방법의 블록도다.
도 4B는 본 발명의 예시적 실시예에 따라, 환자-특이적 해부학적 이미지 데이터로부터 심장 위험 또는 위험-관련 특징들을 예측하기 위한 예측 시스템을 생성 및 훈련하기 위한 예시적 방법의 블록도다.
도 5A는 본 발명의 예시적 실시예에 따라, 환자-특이적 해부학적 이미지 데이터로부터 의료 처치 계획안에 응답하여 심장 위험 또는 위험-관련 특징들의 변화를 예측하기 위한 예시적 방법의 블록도다.
도 5B는 본 발명의 예시적 실시예에 따라, 의료 처치 계획안 및/또는 라이프스타일 변화에 응답하여 환자-특이적 해부학적 이미지 데이터로부터 심장 위험 또는 위험-관련 특징들을 예측하기 위한 예측 시스템을 생성 및 훈련하기 위한 예시적 방법의 블록도다.
이제 발명의 예시적 실시예를 세부적으로 참조할 것이며, 그 예가 첨부 도면에 도시되고 있다. 가능하다면, 동일한 또는 유사한 부분을 언급하기 위해 동일한 도면 부호가 도면 전체에 걸쳐 사용될 것이다.
앞서 설명한 바와 같이, 새로운 세대의 비침습적 검사는 혈류 특성을 평가하도록 발전되고 있다. 이러한 비침습적 검사는 혈관의 환자-특이적 기하 모델을 결정하기 위해 (CT와 같은) 환자 이미징을 이용하며, 이는 적절한 생리학적 경계 조건 및 파라미터와 함께 컴퓨터 유체역학(CFD)을 이용하여 혈류를 연산 형태로 시뮬레이션하는데 사용될 수 있다. 이러한 환자-특이적 경계 조건에 대한 입력의 예는 환자의 혈압, 혈액 점도, 및 (환자 이미징으로부터 공급 조직의 용량 추정 및 스케일링법으로부터 도출되는)공급 조직으로부터 혈액 예상 수요를 포함한다.
본 발명은 환자-특이적 기하 구조 및 혈류 특성에 기초하여 악성 심장 사고의 예후를 제공하고 의료 처치를 안내하기 위한 새로운 기법을 지향한다. 본 발명이 관상동맥 질환과 관련하여 설명되지만, 동일한 시스템이 경동맥과 같이, 관상동맥 외에 다른 맥관계의 파열 위험의 환자-특이적 예측을 생성하는데 적용가능하다.
특히, 본 발명은 관상동맥 혈관의 환자-특이적 기하 모델을 유도하도록 환자의 심장 이미징의 이용을 지향한다. 환자의 생리학적 정보 및 추정 경계 조건과 관련한 관상동맥 혈류 시뮬레이션이 그 후 이 모델에 대해 수행되어, 혈류역학적 특성을 추출할 수 있다. 혈류역학적 특성을 이용하여, 플라크 파열 및/또는 심근 경색을 포함한, 심장 사고를 예측할 수 있다. 본 발명은 물리학-기반 혈류 시뮬레이션을 이용하여 이러한 심장 사고를 예측할 수 있다. 추가적으로, 본 발명은 예측 실현을 위해 기계 학습 또는 규정-기반법의 이용을 포함한다. 더욱이, 기계-학습 및 규정-기반법은 환자 인구 통계, 바이오마커, 및/또는 관상동맥 기하구조뿐 아니라, 환자-특이적 생물리학적 시뮬레이션 결과(가령, 혈류역학적 특성)를 포함한, 다양한 위험 요인들을 포함할 수 있다. 추가적인 진단 검사 결과가 가용할 경우, 이 결과들은 예를 들어, 예측시의, 기계 학습 알고리즘을 훈련하는데 사용될 수 있다. 설명되는 처리에 기초하여 여러가지 예측이 이루어질 수 있다. 구체적으로, 본 발명은 (i) 악성 플라크 특성, (ii) 심장 위험(또는 심장 위험-관련 특징), (iii) 의료 처치 계획 안내를 위한 다양한 의료 처치 계획안(medical treatment protocols)에 응답하여 위험 요인 변화의 예측 및/또는 보고를 위한 시스템 및 방법을 제공한다.
이제 도면을 살펴보면, 도 1은 환자-특이적 해부학적 이미지 데이터로부터 관상동맥 플라크 취약성을 예측하기 위한 예시적 시스템 및 네트워크의 블록도를 도시한다. 구체적으로, 도 1은 복수의 의사(102) 및 제3자 제공자(104)를 도시하며, 그 중 누구도 하나 이상의 컴퓨터, 서버, 및/또는 핸드헬드 모바일 장치를 통해, 인터넷과 같은 전자 네트워크(100)에 연결될 수 있다. 의사(102) 및/또는 제3자 제공자(104)는 하나 이상의 환자의 심장계 및/또는 맥관계의 이미지를 생성 또는 그렇지 않을 경우 획득할 수 있다. 의사(102) 및/또는 제3자 제공자(104)는 연령, 의료 히스토리, 혈압, 혈액 점도, 등과 같은 환자-특이적 정보의 임의의 조합을 또한 얻을 수 있다. 의사(102) 및/또는 제3자 제공자(104)는 전자 네트워크(100)를 통해 서버 시스템(106)에 심장/맥관 이미지 및/또는 환자-특이적 정보를 송신할 수 있다. 서버 시스템(106)은 의사(102) 및/또는 제3자 제공자(104)로부터 수신한 이미지 및 데이터를 저장하기 위한 저장 장치를 포함할 수 있다. 서버 시스템(106)은 저장 장치에 저장된 이미지 및 데이터를 처리하기 위한 프로세싱 장치를 또한 포함할 수 있다.
도 2는 본 발명의 예시적 실시예에 따라, 환자-특이적 해부학적 이미지 데이터로부터 관상동맥 플라크 취약성을 예측하기 위한 예시적 방법(200)의 블록도다. 방법(200)은 전자 네트워크(100)를 통해 의사(102) 및/또는 제3자 제공자(104)로부터 수신한 정보, 이미지, 및 데이터에 기초하여 서버 시스템(106)에 의해 수행될 수 있다. 도 2의 방법은 플라크 취약성을 예측하고 이러한 예측치에 기초하여 결론을 도출하기 위해, 위 모델을 이용하여 관상동맥 기하 모델을 획득하고 분석을 수행하는 단계를 포함할 수 있다. 도 2에 도시되는 바와 같이, 일반적으로, 방법(200)은 환자-특이적 정보(가령, CT 스캔 이미지, 표현형 정보, 등)를 획득하는 단계(202)와, 환자-특이적 기하 모델을 구성하는 단계(204)와, 모델의 기하 특징 및 이미지 특징에 대한 혈류역학 및 구조 역학적 시뮬레이션을 수행하여, 혈류역학적 및 기계적 특성을 추출하는 단계(206)를 포함한다. 추출된 특성 및 특징에 기초하여, 서버 시스템(106)은 악성 플라크 특성(APC)을 예측 및/또는 보고(단계(210))하기 위한 단계(208)를 수행할 수 있다. 단계(210)의 일 실시예의 추가적인 세부사항이 도 3에 제공되며, 이 경우 APC 연산을 위한 계측이 결정되고, 계측값이 특정 환자에 대해 발견되어, 환자와 연관된 APC를 결정할 수 있게 된다.
다른 실시예에서, 단계(208) 수행은 서버 시스템(106)으로 하여금 심장 위험 또는 심장 위험 관련 특징을 추가로 예측 및/또는 보고할 수 있게 한다(단계(212)(가령, 플라크 파열 또는 심근 경색 발생을 보고). 예를 들어, 도 4A 및 4B는 단계(212)의 일 실시예를 세부적으로 설명하며, 환자-특이적 기하 모델의 점들에 대해 특징 벡터들이 생성되며, 플라크 파열 또는 심근경색 사고의 확률이 특징부 중량 분석에 의해 추정된다. 또 다른 실시예에서, 서버 시스템(106)은 위험에 응답하여 최적 처리 계획안을 예측 및/또는 보고할 수 있다(단계(214)). 예를 들어, 도 5A 및 5B는 위험 요인 예측에 대한 라이프스타일 변형 및/또는 다양한 의료 처치 계획안의 영향을 발견하는 방법을 설명함으로써 단계(214)의 일 실시예를 더 구체적으로 제공한다.
따라서, 일 실시예에서, 방법(200)은 APC, 심장 위험, 및/또는 처치 중 하나 이상을 예측 및 보고하기 위해 환자-특이적 관상동맥 기하 모델을 이용할 수 있다. 방법(200)은 디지털 표현(가령, 컴퓨터, 랩탑, DSP, 서버, 등과 같은 연산 장치의 (하드 드라이브 및/또는 네트워크 드라이브를 포함하는) 가령, 메모리 또는 디지털 저장 수단)을 포함하는 환자-특이적 기하 모델을 획득하는 단계(202)를 포함할 수 있다. 관상동맥 기하구조는, 가능하다면, 각각의 점에 대한 이웃들의 리스트와 함께, 공간 내 점들의 리스트로 표현될 수 있고, 이 경우, 공간은 점들 간의 공간 단위(가령, 밀리미터)로 매핑될 수 있다.
일 실시예에서, 단계(202)는, 예를 들어, 하나 이상의 병소, 플라크, 및/또는 내강 벽을 포함하는, 환자의 관상동맥 맥관 구조를 모델링함으로써, 환자-특이적 관상동맥 기하 모델을 구성하는 것과 같이, 모델을 획득하는 단계를 포함할 수 있다(단계(204)). 관상동맥 맥관 구조의 3-D 이미지가 주어졌을 때, 특정 환자에 관한 심혈관 기하 모델을 추출하기 위한 많은 방법들이 존재한다. 이러한 환자-특이적 모델은 환자와 연관된 CT 스캔과 같이, 이미지에 기초하여 구성 또는 렌더링될 수 있다. 일 실시예에서, 모델은 예를 들어, 블랙-블러드 자기 공명 이미징(Black-Blood Magnetic Resonance Imaging)을 이용하여, 심장 사이클의 확장기 종료시 심장 CT를 수행함으로써 도출될 수 있다. 이미지는 관심 영역에 속한 복셀(voxels)을 식별하도록 수동으로 또는 자동적으로 분절화될 수 있다. 기하구조의 부정확성은 자동적으로 추출될 수 있고, 선택적으로, 사람 관찰자에 의해 교정될 수 있다. 예를 들어, 사람 관찰자가 추출된 기하구조를 CT 이미지와 비교할 수 있고, 필요에 따라 교정을 행할 수 있다. 복셀이 식별되면, 기하 모델이 (가령, 마칭 큐브(marching cubes)를 이용하여) 도출될 수 있다. 단계(204)는 환자-특이적 모델의 구성에 필요한 모든 구성요소들을 포함할 수 있다.
모델이 가용해지면, 단계(206)는 관상동맥 플라크 취약성에 관한 결론을 도출하도록 모델에 대한 다양한 물리학-기반 시뮬레이션의 수행을 포함할 수 있다. 이러한 결론은 예를 들어, 심장 위험 및 제안되는 치료에 대한 예측 및 보고를 포함할 수 있다. 일 실시예에서, 방법(200)은 환자 인구 통계, 바이오마커, 관상동맥 기하구조, 그리고 환자-특이적 생물리학적 시뮬레이션 결과(가령, 혈류역학적 특성)을 포함한, 다양한 위험 요인들을 포함하는 기계 학습 또는 규정-기반법을 이용할 수 있다. 추가적인 진단 검사 결과를 또한 이용하여 더 우수한 예측을 위한 기계 학습 알고리즘을 훈련할 수 있다. 단계(208)은 그 후, 단계(206)으로부터의 결과를 이용하여, (1) 악성 플라크 특성(APC)(단계(210)), (2) 심장 위험 또는 심장 위험 관련 특징(가령, 플라크 파열 또는 심근경색 발생 예측)(단계(212)), 및/또는 (3) 위험에 응답하여 최적 처치 계획안(단계(214))에 대해 예측 및 보고할 수 있다.
도 3은 환자-특이적 모델로부터 악성 플라크 특성(APC)를 보고하기 위한 예시적 방법(300)의 블록도다. 도 3의 방법은 전자 네트워크(100)를 통해 의사(102) 및/또는 제3자 제공자(104)로부터 수신되는 정보, 이미지, 및/또는 데이터에 기초하여 서버 시스템(106)에 의해 수행될 수 있다. 일 실시예에서, 방법(300)은 환자의 관상동맥 맥관 구조의 환자-특이적 모델을 이용하여 수행될 수 있다. 예를 들어, 환자-특이적 모델은 적어도, 내강, 플라크, 및/또는 내강벽(관상동맥의 외부 탄성 막(EEM))을 포함한, 환자의 관상동맥계를 위한 기하구조를 포함할 수 있다. 모델은 내강 및 내강벽에 속한 복셀을 식별하도록 수동으로 또는 자동적으로 분절화될 수 있다. 벽체 분절화(wall segmentation)는 석회성 및 비석회성 플라크를 포함할 수 있다. 악성 플라크 특성 보고를 위해 모델을 분석함에 있어서, 방법(300)은 APC 연산을 위한 계측 결정 또는 형성(단계(302))을 포함할 수 있다. 예시적 계측은, 양성 리모델링의 존재, 저-감쇠 플라크, 플라크-내 스포티 석회성(spotty intraplaque calcification), 등을 포함한다. 단계(302)는 APC 연산을 위한 추가적 계측의 결정을, 또는, APC 컴퓨팅에 어느 계측을 이용할 지의 우선순위화를 포함할 수 있다. 단계(302)의 계측 우선순위화는 예를 들어, 연산 용량이 제한되거나 시간 제약으로 모든 계측을 연산할 수 없는 경우에 사용될 수 있다. 단계(302)는 다른 위험 요인의 연산을 선택적으로 수반할 수 있다.
단계(302)에서 결정되는 계측에 기초하여, 방법(300)은 다음에, 계측을 위한 값들의 연산 단계(304)를 포함할 수 있다. 예를 들어, 단계(304)는 제어 또는 임계값, 그리고 계측을 위한 환자-특이적 값을 찾아내기 위해 연산의 실행을 포함할 수 있다. 환자의 구성되는 내강 및 벽체 기하구조를 위해, 방법(300)은 그 후, 환자의 구성되는 내강 및 벽체 기하구조를 위해 APC 연산에 사용할 각각의 계측을 위한 값들을 자동적으로 연산하는 단계를 포함할 수 있다.
예시적인 계측, 양성 리모델링 존재, 저-감쇠 플라크의 존재, 및/또는 스포티 석회성의 존재의 경우에, 단계(304)는 다음의 설명에 따라 진행될 수 있다. 예를 들어, 양성 리모델링 계측의 존재시, 단계(304)는 먼저, 벽체 분절화에서 협착증 또는 플라크 존재의 검출을 포함할 수 있다. 플라크의 양 또는 협착증 정도에 기초하여 세그먼트가 질환 상태로 분류될 수 있다. 다음에, 단계(304)는 예를 들어, 다음 수식에 기초하여 기준 CSA 및 병소에서 EEM의 단면적(CSA)을 평가함으로써, 양성 리모델링 인덱스의 연산을 포함할 수 있다:
양성 리모델링 인덱스 = 
일 실시예에서, 양성 리모델링의 존재를 표시하기 위한 양성 리모델링 인덱스의 임계값은 1.05다. 다시 말해서, 연산되는 환자 양성 리모델링 인덱스 > 1.05이면, 단계(304)는 양성 리모델링의 존재를 보고하는 단계를 포함할 수 있다. 단계(304)는 그 후 양성 리모델링의 존재가 실제로 검출되고 및/또는 양성 리모델링 인덱스가 존재함을 보고하는 단계를 포함할 수 있다. 이러한 양성 리모델링 인덱스 계측은 APC의 연산에 요인이 될 수 있다. APC 연산은 예를 들어, 질환 세그먼트에서 벽체 분절화에서 석호화되지 않은 플라크를 검출함으로써, 저-감쇠 플라크의 존재의 결정을 또한 포함할 수 있다. 예를 들어, 30HU(Hounsfield Unit)의 세기를 가진, 비석회성 플라크의 영역이 존재할 경우, 단계(304)는 30HU의 세기를 가진, 비석회성 플라크의 부피 및/또는 진실로 저-감쇠 플라크의 존재를 보고하는 단계를 포함한다.
APC의 연산은 질환 세그먼트에서의 벽체 분절화에서 석회성 플라크를 검출하는 것과 같이, 플라크-내 스포티 석회성의 존재를 결정(가령, 스포티 석회성을 찾기 위해 이미지 특성 분석 이용)하는 단계를 더 포함할 수 있다. 헤시안(Hessian)-기반 고유치 분석을 이용하여, 블로브(blob)-형상 석회성 플라크를 검출할 수 있다. 병소-내 결절성 석회성 플라크의 직경이 3mm일 경우, 그 후 방법(300)은 진실로 스포티 석회성의 존재를 보고하는 및/또는 직경을 보고하는 단계를 포함할 수 있다.
연산된 계측에 기초하여, 단계(306)는 APC를 연산할 수 있다. 각각의 계측은 단독으로 APC를 구성할 수 있고, 또는, 계측들이 집합적 APC를 표시하는 형태로 조합될 수 있다. 단계(306)는 다른 위험 요인의 연산을 선택적으로 수반할 수 있다.
마지막으로, 방법(300)은 컴퓨팅된 APC 스코어 및/또는 다른 위험 요인의 결과를 이미지와 함께 디지털 표현으로 저장(가령, 컴퓨터, 랩탑, DSP, 서버, 등과 같은 연산 장치의 메모리 또는 디지털 스토리지(가령, 하드 드라이브, 네트워크 드라이브))하고, 예를 들어, 이를 의사에게 가용하게 만드는 단계(308)를 포함할 수 있다. 일 실시예에서, 단계(308)는 APC 및/또는 다른 위험 요인을 의사에게 능동적으로 보고하는 단계를 포함할 수 있다. 다른 실시예에서, 단계(308)는 컴퓨팅된 APC 스코어 및 위험 요인을 보거나 및/또는 확인할 수 있음을 사용자에게 단순히 프람프트로 알리거나 신호할 수 있다.
도 4A는 환자-특이적 모델에 기초한 심장 위험 또는 위험-관련 특징들을 예측하기 위한 예시적 방법(400)의 블록도다. 도 4A의 방법은 전자 네트워크(100)를 통해 의사(102) 및/또는 제3자 제공자(104)로부터 수신한 정보, 이미지, 및 데이터에 기초하여, 서버 시스템(106)에 의해 수행될 수 있다. 방법(400)은 하나 이상의 모델링된 내강, 플라크, 내강벽, 좌측 및 우측 심근, 등을 포함하는 환자-특이적 모델에 대해 수행될 수 있다. 예를 들어, 모델은 환자의 상행 대동맥, 관상동맥계, 심근, 판막, 및 챔버(chambers)를 설명할 수 있다. 그 후, 분절화는 관상동맥의 내강 및 대동맥에 속한 복셀들의 식별을 도울 수 있다.
일 실시예에서, 방법(400)은 심장 위험 모델 평가 이전에 환자 이미지로부터 모델을 구성하는 단계를 포함할 수 있다. 더욱이, 방법(400)은 환자 인구 통계(가령, 연령, 성별, 체중, 혈압, 등) 및/또는 바이오마커(가령, 혈액 마커, DNA 시퀀싱, 등)을 포함한, 정보를 수집하는 단계를 포함할 수 있다. 이러한 환자 정보는 환자-특이적 모델의 구성을 또한 알릴 수 있다.
적절한 환자-특이적 모델이 획득되면, 방법(400)은 모델로부터 다양한 특징들의 추출 단계(402)를 포함할 수 있다. 도 4A에 도시되는 바와 같이, 단계(402)는 (혈관벽의 그리고 플라크의) 기하학적 특징, 이미지 특징, 혈류역학적 특징, 및/또는 생물역학적 특징의 추출 단계를 포함할 수 있다. 이미지 특징은 관상동맥 및 플라크 특성을 컴퓨팅함으로써 그리고 해부학적 특성을 컴퓨팅함으로써 추출될 수 있다. 컴퓨팅된 관상동맥 및 플라크 특성은 APC, 플라크 존재량(두께, 면적, 부피, 등), SYNTAX 스코어, 냅킨 링, 괴사중심, 내강 협소화, 최소 내강 직경(MLD), 최소 내강 면적(MLA), 퍼센트 직경 협착증, 및/또는 퍼센티지 면적 협착증을 포함할 수 있다. 컴퓨팅된 해부학적 특성은 심외막 지방 부피(epicardial fat volume), 및/또는 심근 형상을 포함할 수 있다.
혈류역학적 특징은 예를 들어, 다양한 생리학적 조건(가령, 휴식, 운동, 충혈, 등)에 대한 연산 흐름 동적 분석을 수행함으로써 및/또는 병소 관련 혈류역학적 특성(가령, 최대/최소/주기 벽 전단 응력, 트랙션(traction), 난류 운동 에너지(turbulent kinetic energy, 등)을 컴퓨팅함으로써 추출될 수 있다. 플라크 및 혈관벽의 생물역학적 특징의 추출은, 기하학적 및 이미지 특징(가령, 선형 또는 비선형 탄성 모델을 이용한 탄성 및 혈관벽 밀도; 선형 또는 비선형 탄성 모듈을 이용한 탄성 성질 및 플라크 밀도; 및/또는 플라크의 극한 강도)에 기초하여 플라크 및 혈관벽의 생물역학적 성질을 규정하는 단계를 포함할 수 있다. 추출된 특징을 이용하여, 방법(400)은 정상 유동 및/또는 맥동 유동(가령, 휴식 중, 운동 중, 충혈시) 하에 다양한 생리학적 조건을 위한 전산 고체 동역학적 분석의 수행을 포함할 수 있다. 방법(400)은 내강 내 조직 응력 및 응력변형 특성(가령, 최대/최소/주기적 응력, 극한 응력, 난류 운동 에너지, 등)을 컴퓨팅하고, 및/또는 Goodman 다이어그램을 생성하여, 평균적인 그리고 교번적인 응력에 기초하여 플라크 파열 위험을 식별하는 단계를 또한 포함할 수 있다. 이렇게 하여, 단계(404)는 환자-특이적 기하 모델의 매 지점에 대한 특징 벡터를 생성하는 단계를 포함할 수 있고, 이는 기하 구조의 수치적 설명, 생물리학적 혈류역학, 및 이 지점에서의 벽 및 플라크 생물역학적 특성, 그리고, 환자의 생리학적 또는 표현형 파라미터의 추정치를 포함한다. 대안으로서 또는 추가적으로, 단계(404)는 플라크 취약성이 식별될 수 있는 환자-특이적 기하 모델 내 모든 위치의 결정을 포함할 수 있고, 이러한 위치에 대해서만 특징 벡터가 생성된다.
그 후, 단계(406)는 환자-특이적 기하 모델 내 병소에서의 심근 경색 사고 확률 또는 플라크 파열 확률의 추정치를 포함한, 심장 위험의 추정치를 생성하는 단계를 포함할 수 있다. 일 실시예에서, 추정치는 도 4B에 추가로 설명되는 기계 학습 기술을 이용하여 생성된다. 예를 들어, 예측 시스템은 관상동맥 병소의 하나 이상의 위치에 대한 취약성 스코어 생성을 돕도록 기계-학급 기술을 이용할 수 있다. 연산된 취약성 스코어는 훈련 모드와는 별도의, 생산 모드로 기계 학습 기술의 적용일 수 있고, 기계 학습 기술은 목표 환자에 대한 예측 기능을 발전시키기 위해 수많은 환자-특이적 모델을 처리한다.
마지막으로, 방법(400)은 예를 들어, 심장 위험 형태로, 의사에게 추정치가 보고되는 단계(408)를 포함할 수 있다. 플라크 파열 위험, 심근 경색 사고 가능성, 등을 포함하는, 논의되는 심장 위험은 심장 위험의 예시에 불과하다. 방법(400)은 심장 위험의 임의의 측정을 예측 및 보고하는데 적용될 수 있다.
도 4B는 심장 위험 예측을 위한 예측 시스템의 생성 및 훈련을 위한 예시적 방법(420)의 블록도다. 일 실시예에서, 방법(420)을 통해 훈련되는 예측 시스템은 방법(400)의 심장 위험의 추정을 가능하게 할 수 있다. 도 4B의 방법은 의사(102) 및/또는 제3자 제공자(104)로부터 전자 네트워크(100)를 통해 수신되는 정보, 이미지, 및 데이터에 기초하여 서버 시스템(106)에 의해 수행될 수 있다.
도 4B에 도시되는 바와 같이, 방법(420)은 환자의 이미지(가령, CTA)에 기초하여 관상동맥 기하구조의 환자-특이적 모델을 획득하는 단계를 포함할 수 있다. 특히, 방법(420)은 분석을 진행중인 환자-특이적 모델에 비교하기 위한 모델을 생성 또는 결정하기 위해 하나 이상의 모델을 수집하는 단계를 수반할 수 있다. 일 실시예에서, 모델은 분석을 진행중인 환자-특이적 모델과 연관된 환자와는 다른 환자를 의미하는, 개인과 연관된 모델로부터 도출될 수 있다. 개인들의 집합으로부터 모델을 구성함으로써, 심근경색 발생 및/또는 플라크 취약성과 연관된 표시자 또는 패턴을 제공할 수 있다. 방법(420)은 플라크 취약성의 표시를 계속적으로 업데이트하고 그 이해를 수정하는 기계 학습 알고리즘의 처리를 묘사할 수 있다. 다시 말해서, 방법(420)은 (대리 플라크 취약성 모델(surrogate plaque vulnerability model)이 훈련에 사용된 경우) OCT, IVUS, 및 근적외선 분광법으로부터 측정되는 특징들의 플라크 취약성 및/또는 (충분히 많은 MI 환자 데이터가 훈련용으로 사용될 경우) 시간에 따른 급성 심근경색(MI) 가능성의 표시를 식별하기 위해, 수집되는 특징들을 이용하여 예측 시스템을 훈련하는 프로세스일 수 있다. 훈련받은 예측 시스템(가령, 기계 학습 시스템)은, 그 후, 방법(400)을 이용함으로써, 가령, 환자의 이미지(가령, CTA)를 획득하고, 이미지/혈류역학적/생물역학적 특징을 추출하며, 위험 요인을 연산하고, 사용자(가령, 의사)에게 예측된 위험 요인을 전송함으로써, 심근경색 또는 플라크 파열 위험을 예측하도록 환자를 검사하는데 사용될 수 있다. 예를 들어, 예측 시스템이 관상동맥 병소들 중 하나 이상의 위치의 하나 이상의 위치의 취약성을 예측하도록 훈련되는 경우, 예측 시스템은 목표 환자와 연관된 환자-특이적 모델에 대해 예측 시스템 내 모델을 비교할 수 있다. 비교를 통해 예측 시스템은 특정 목표 환자에 대한 취약성 가능성을 추정할 수 있다.
심장 위험 평가를 위해 예측 시스템을 훈련하는 단계에서, 충분히 많은 수의 심근경색 사고 환자가 존재할 경우, 병소와 관련된 심근 경색 사고의 존재로부터 훈련이 유도될 수 있다. 심근경색 사고의 수가 제한될 경우, 대리 플라크 취약성 모델이 실제 심근경색 사고 대신에 사용될 수 있다. 대리 플라크 취약성 모델은 광-간섭성 단층 촬영(OCT), 근적외선 분광법(NIRS), 및 가상 조직학 혈관-내 초음파(VH_IVUS)와 같은 침습적 이미징을 특징으로 하는 취약성 특징들로부터 이용될 수 있다. 방법(400)의 일 실시예는 방법(420)과 같이, 예측 시스템을 위한 예시 훈련 모드를 참조하여 이제 세부적으로 설명될 것이다. 일 실시예에서, 방법(420)은 플라크 취약성에 관한 정보를 가진 다양한 환자-특이적 기하 모델 내 모든 위치의 결정(단계(422))과 함께 시작될 수 있다.
예시적 훈련
모드
하나 이상의 개인에 대하여, 각 시점에서 다음 품목의 디지털 표현(가령, 컴퓨터, 랩탑, DSP, 서버, 등과 같은, 연산 장치의 메모리 또는 디지털 스토리지[가령, 하드 드라이브, 네트워크 드라이브]을 획득한다:
획득(Acquire): 환자의 상행 대동맥, 관상동맥계, 심근, 판막, 및 챔버(chambers)에 대한 환자-특이적 기하 모델.
획득(Acquire): 혈압, 혈구 수준, 환자 연령, 환자 성별, 심근 질량, 관상동맥 질환의 일반 위험 요인, 및/또는 하나 이상의 바이오마커를 포함하는, 환자의 생리학적 또는 표현형 파라미터의 추정치를 적어도 포함하는 환자 정보. 심근 질량은 이미지 내 심근을 분절화하고, 이미지 내 부피를 연산하며, 그리고, 1.05g/mL의 추정 밀도를 이용하여 심근 질량을 추정함으로써, 도출될 수 있다.
관상동맥 질환의 일반 위험 요인은, 흡연, 당뇨병, 지질 수준(가령, 저밀도 리포프로테인(LDL) 콜레스테롤(LDL-C) 레벨), 식습관, 가족력, 신체 활동, 성활동, 체중(복부비만), 콜레스테롤, 및/또는 스트레스 상태(가령, 우울증, 불안, (정신적) 고통)를 포함할 수 있다.
바이오마커는, 보체 반응성 프로테인(CRP), 피브리노겐(fibrinogen), WBC(백혈구) 수, 기질금속단백질분해효소(matrix metalloproteinase)(가령, MMP-9, MMP-3, 폴리모피즘), IL-6, IL-18, 및 TCT-□(사이토카인), 순환 용해가능 CD40 리간드(sCD40L), 및/또는 맥관 석회성 마커(가령, 오스테오폰틴)을 포함할 수 있다.
획득(Acquire): 플라크 존재량(두께, 면적, 부피), SYNTAX 스코어, 냅킨 링(napkin ring), 및/또는 괴사중심을 포함하는, CT로부터의 이미지 특징.
획득: 전산 유체 역학 분석으로부터 생물리학적 혈류역학 특성의 하나 이상의 추정치. 혈류 시뮬레이션을 위한 전산 유체 역학이 잘 연구되어 있다. 본 실시예의 추정치는 다음을 포함할 수 있다:
시뮬레이션 조건(가령, 심장 출력의 정도를 변화시킴으로써 휴식, 운동(저/중/고 등급), 충혈, 등).
혈류역학적 양:
- 
로 규정되는 최대, 주기 벽체-전단 응력 및 평균 벽체 전단 응력 - 여기서, 
는 표면 트랙션 벡터의 평면-내 성분으로 규정되는 벽체 전단 응력 벡터다.
난류 운동 에너지(TKE). 이 양은 난류에서의 에디와 관련된 난류 세기의 척도이고, 측정되는 제곱 평균 제곱근(root-mean-square) 속도 변동을 특징으로 한다. TKE는 운동 에너지에 의해 정규화될 수 있다.
획득: 전산 고체 역학 분석으로부터 혈관 및 플라크 생물역학적 특성의 하나 이상의 추정치. 본 실시예의 추정치는: 시뮬레이션 조건(맥동 또는 정상 유동)(휴식, 운동(심장 출력 정도를 변화시킴으로써 저/중/고 등급), 및/또는 충혈: 문헌 데이터 및/또는 이미지 특성으로부터 도출되는 혈관 및 플라크의 생물역학적 물성(가령, 선형 탄성, 비선형 탄성, 점탄성 구성 모델, 밀도, 압축가능 또는 압출불가능 물질 거동, 및/또는 물질의 극한 강도, 및 생물역학적 응력 및 응력변형(가령, 최대 또는 평균 주기 벽체 및 플라크 응력, 최대 또는 평균 주기 벽체 및 플라크 응력변형, 및/또는 교번 응력 및 응력변형)을 포함할 수 있다.
획득: 취약성 예측을 위해 목표가 되는 원인 병소에서의 플라크 위치. 플라크 위치는 혈관내 초음파, 또는 광-간섭성 단층 촬영을 포함하는, CT 및 기타 이미징 체계의 이용에 의해 결정될 수 있다.
단계(422)는 플라크 취약성에 관한 정보를 갖는 다양한 환자-특이적 기하 모델 내 모든 위치를 결정하는 단계를 포함할 수 있다. 그 후, 단계(424)는 국부 기하구조 및 생물리학적 혈류역학적 특성에 대한 설명과, 환자의 생리학적 또는 표현형 파라미터의 수치 설명을 지닌 각각의 위치에 대한 특징 벡터를 생성하는 단계를 포함할 수 있다. 구체적으로, 특징 벡터는 다음을 포함할 수 있다:
수축기 및 확장기 혈압
심박수
플라즈마, 적혈구(적혈구), 적혈구 용적률(hematocrit), 백혈구(백혈구), 및 혈소판(혈소판), 점도, 항복 응력을 포함하는 혈액 성질
환자 연령, 성별, 신장, 체중
라이프스타일 특성: 현재 약제/약물의 존재 또는 부재
CAD의 일반 위험 요인: 가령, 흡연 상태, 당뇨병, 고혈압, 지질 정도(lipid level)(가령, 저밀도 지질단백질(LDL) 콜레스테롤(LDL-C) 레벨, 식습관, 가족력, 신체 활동, 성생활, 체중(복부비만), 콜레스테롤, 및/또는 스트레스 상태(가령, 우울증, 불안, (정신적) 고통).
바이오마커: 가령, 보체 반응성 프로테인(CRP), 피브리노겐(fibrinogen), WBC(백혈구), 기질금속단백질분해효소(matrix metalloproteinase)(가령, MMP-9, MMP-3, 폴리모피즘), IL-6, IL-18, 및 TCT-□(사이토카인), 순환 용해가능 CD40 리간드(sCD40L), 맥관 석회성 마커(가령, 오스테오폰틴).
대동맥 및 판막 내 칼슘 양
대동맥류의 존재
심장 판막증 존재
주변부 질환 존재
심외막 지방 부피
심장 기능(박출율)
대동맥 기하 특성: 가령, 대동맥의 부피 및 표면적, 및/또는 상향 및 하향 대동맥을 따라 이어지는 단면적
SYNTAX 스코어
관상동맥 병소의 특성: 가령, 푸리에 스무딩 또는 커널 회귀(kernel regression)을 이용함으로써 가상 기준 영역 프로파일을 결정함으로써, 및/또는, 혈관 중심선을 따라 가상 기준 영역 프로파일을 이용한 병소의 협착증 퍼센티지를 컴퓨팅함으로써, 가령, 최소 내강 면적, 최소 내강 직경, 병소에서 협착증 정도(퍼센티지 직경/면적 협착증); 가령, 주 심문으로부터 병소의 시작 또는 중심까지 거리(중심선의 파라미터 아크 길이)를 컴퓨팅함으로써, 협착 병소 위치; 가령, 협착 병소로부터 근위 및 원위 위치를 컴퓨팅함으로써, 협착 병소 길이 - 이 경우 단면적이 복원됨; 및/또는 단면 내강 경계부의 불규칙성(또는 환상성).
가령, 중심선을 따라 나타나는 세기 변화에 기초한, 병소에서의 관상동맥 내강 세기의 특성(선형-맞춤 세기 변화 기울기)
가령, 병소에서의 관상동맥 중심선(토폴로지) 특성에 기초한, 기하구조의 3-D 표면 곡률(가우시안, 최대, 최소, 평균)에 기초한, 병소에서의 관상동맥 기하구조의 표면 특성:
- 관상동맥 중심선의 곡률(휨)
프레네(Frenet) 곡률 컴퓨팅
= 
이때, p는 시작점까지 누적 아크-길이에 의해 파라미터화되는 중심선의 좌표
중심점을 따라 제한되는 원의 반경의 역수를 컴퓨팅
- 관상동맥 중심선의 비틀림(비-평면성)
Frenet 비틀림 컴퓨팅
관상동맥 변형의 특성(가능하다면 멀티-페이즈 CCTA(가령, 확장기 및 수축기)를 수반):: 심장 주기에 걸쳐 관상동맥의 팽창성; 심장 주기에서의 분기 각도 변화; 및/또는 심장 주기에서의 곡률 변화
기존 플라크 특성: 중심선을 따른 플라크 위치(플라크가 분기에 위치할 경우 관상동맥 가지의 분기 각도, 및/또는 가장 가까운 분기점까지의 거리), 악성 플라크 특성(양성 리모델링 존재, 저-감쇠 플라크 존재, 및/또는 스포티 석회성 존재), 플라크 존재량(두께, 면적, 및/또는 부피), 냅킨 링 존재, 플라크 세기, 플라크 유형(석회성, 비석회성), 플라크 위치로부터 심문(LM 또는 RCA)까지 거리, 및/또는 플라크 위치로부터 가장 인근의 하향/상향 분기까지의 거리.
전산 유체 역학 또는 침습적 측정으로부터 도출되는 관상동맥 혈류역학 특성: 혈액의 과도 특성을 얻기 위해, 하향 맥관 구조를 위한 럼프 파라미터(lumped parameter) 관상동맥 맥관 모델을 이용함으로써 맥동 유동 시뮬레이션이 수행될 수 있고, 심장 주기 중 심장과 동맥계 사이의 상호작용으로부터 나타나는 심근내 압력 변화를 설명하기 위해 폐-루프 모델과 럼프 파라미터 심장 모델을 결합시키면서 유입 경계 조건을 가진다.
측정된 FFR
압력 구배
FFRct
최대, 주기, 및 평균 벽체-전단 응력
난류 운동 에너지
국부 유량
전산 고체 역학으로부터 도출되는 벽 및 플라크 생물역학적 특성: 플라크 평균, 최대, 및 교번 응력 및 응력변형, 및/또는 극한 응력 및 응력변형.
특징 벡터 생성이 단계(424)에서 완료되면, 단계(426)는 특징 벡터를 동일 위치에서 플라크 취약성의 가용 모델과 상관시키는 단계를 포함할 수 있다. 이러한 모델은 대리 취약성 특징 모델을 포함할 수 있다. 다음의 대리 취약성 특징은 심장 이미지가 OCT, NIRS, 또는 VH-IVUS와 같은 침습적 이미징에 의해 획득되었을 때 사용해질 수 있다.
TCFA(Thin cap fibroatheroma) < 65 마이크로미터
큰 괴사 중심
a. 플라크 면적의 25%
b. > 120도 원주
c. 2-22mm 길이
스페클 석회성 패턴
마크로파지(Macrophages)
단계(426)의 일부분으로, 특징 벡터와 모델 간에 생성되는 상관성은 특정 지점에서 심근 경색 사고의 존재 또는 가능성 또는 플라크 취약성을 표시할 수 있는 다양한 요인들의 그룹화, 유사성, 및/또는 트렌드 인지를 실현시킬 수 있다. 일 실시예에서, 단계(426)는 심장 위험을 일으키는 다양한 요인들 간의 관계가 예측치로 되돌아올 수 있도록 상관성을 특징 가중치로 정량화하는 단계를 포함할 수 있다. 다시 말해서, 예측 시스템은 특징 벡터에 가중치를 할당하거나 특징 벡터를 가중치와 조합시킬 수 있다. 예측 시스템의 훈련 형태 중 일부분은 더 우수한 예측 정확도를 위해 특징 가중치를 계속적으로 조정하는 단계를 포함할 수 있다. 따라서, 단계(426)는 모델 상의 지점에서 심근 경색 사고의 존재 또는 플라크 취약성을 예측하기 위해 상관도 및/또는 특징 가중치를 학습하도록 기계-학습 알고리즘(가령, 선형 SVM)을 훈련하는 단계를 포함할 수 있다.
그 후, 단계(428)의 경우에, 기계 학습 알고리즘-기반 예측 시스템의 결과(가령, 특징 가중치)가 디지털 표현(가령, 컴퓨터, 랩탑, DSP, 서버, 등과 같은 연산 장치의 메모리 또는 디지털 스토리지(가령, 하드 드라이브, 네트워크 드라이브))으로 계속적으로 저장될 수 있다. 단계(428)는 더 많은 환자-특이적 모델이 수집되고 특징 벡터가 구성됨에 따라 계속적으로 특징 가중치를 업데이트하는 단계를 포함할 수 있다. 따라서, 단계(428)에서는 획득되는 환자-특이적 모델로부터 입력되는 특징들을 계속적으로 통합시키는 예측 시스템이 가능하다.
예측 시스템의 예시적 적용
목표 환자의 경우, 예시적 방법은 환자의 상향 대동맥, 관상동맥계, 심근, 판막, 및 챔버에 대한 환자-특이적 기하 모델의 디지털 표현(가령, 메모리 또는 디지털 스토리지(가령, 하드 드라이브, 네트워크 드라이브))을 획득하는 단계를 포함할 수 있다. 이러한 기하 구조는 (가능하다면 각각의 점에 대한 이웃들의 리스트와 함께) 공간에서 점들의 리스트로 표현될 수 있고, 이러한 공간은 점들 간의 공간 단위(가령, 밀리미터)로 매핑될 수 있다. 이러한 모델은 심장 주기의 종료 확장기에서 환자의 심장 CT 이미징을 수행함으로써 도출될 수 있다. 그 후 이 이미지는 수동으로 또는 자동적으로 분절화되어, 관상동맥의 내강 및 대동맥에 속한 복셀들을 식별할 수 있게 한다. 복셀이 식별되면, 기하 모델이 (가령, 마칭 큐브를 이용하여) 도출될 수 있다. 환자-특이적 기하 모델 생성 프로세스는 훈련 모드에서와 동일할 수 있다. 환자의 생리학적 그리고 표현형 파라미터들의 리스트를 훈련 모드 중 얻을 수 있다.
환자-특이적 기하 모델의 모든 점들에 대하여, 예시적 방법은 환자의 생리학적 또는 표현형 파라미터들의 추정치와, 이 점에서 벽 및 플라크 생물역학적 특성과, 기하구조의 수치 설명을 포함하는, 이 점에 대한 특징 벡터를 생성하는 단계를 포함할 수 있다. 이러한 특징들은 훈련 모드에서 사용되는 양과 동일할 수 있다.
예시적 방법은 훈련 모드에서 생성된 기계-학습 알고리즘의 저장된 결과(가령, 특징 가중치)를 이용하여 환자-특이적 기하 모델의 병소에서 플라크 파열 또는 심근 경색 사고의 확률 추정치를 생성할 수 있다. 이러한 추정치는 훈련 모드에서 사용되는 것과 동일한 기계 학습 기술을 이용하여 생성될 수 있다. 예시적 방법은 병소의 플라크 취약성(파열) 또는 심근 경색 사고의 예측되는 확률을 디지털 표현(가령, 컴퓨터, 랩탑, DSP, 서버, 등과 같은 연산 장치의 메모리 또는 디지털 스토리지(가령, 하드 드라이브, 네트워크 드라이브))에 저장하여, 건강 관리 제공자에게 환자-특이적 위험 요인을 전송하는 단계를 포함할 수 있다.
도 5A는 의료 처치 계획 및 라이프스타일 관리를 위한 예시적 방법(500)의 블록도다. 도 5A의 방법은 전자 네트워크(100)를 통해 의사(102) 및/또는 제3자 제공자(104)로부터 수신되는 정보, 이미지, 및 데이터에 기초하여 서버 시스템(106)에 의해 수행될 수 있다. 일 실시예에서, 도 5A는 방법(400, 420)으로부터 발전되는 심장 위험의 이해에 대한 연장일 수 있다. 예를 들어, 방법(500)은 심장 위험도 감소에 대한 다양한 의료 치료 또는 처리 및/또는 라이프스타일 변경의 영향을 결정할 수 있다. 특히, 방법(500)은 심장 위험 예측에 사용되는 특징들에 대한 의료 처리 또는 라이프스타일 변경의 효과를 결정하는 단계를 수반할 수 있다. 도 5A에 도시되는 바와 같이, 방법(500)은 심장 위험 예측을 예측하기 위해 방법(400)에 사용되는 특징들을 불러오는 단계(502)를 먼저 포함할 수 있다. 단계(504)의 경우, 다양한 의료 처치, 계획안, 및/또는 라이프스타일 변경이 결정될 수 있다. 예를 들어, 의료 처치는 허혈성 관리를 위한 항-허혈성 약물, 항-혈전제, 및/또는 사고 방지를 위한 지질-강하제, 등을 포함할 수 있다. 항-허혈성 약물은 질산염, 베타-차단제(가령, 메토프로플, 비소프롤롤, 안테놀롤, 등), 이바브라딘(ivabradine), 등을 포함할 수 있다. 예시적인 항혈소판제는 저용량 아스피린을 포함할 수 있고, 지질 강하제는 스타틴 요법(statin treatments)을 포함할 수 있다. 라이프스타일 변경은 금연, 다이어트 조절, 신체 및/또는 성적 활동, 체중 관리, 동맥성 고혈압 관리, 및 스트레스 관리를 포함할 수 있다.
단계(506)는 컴퓨팅된 플라크 취약성 예측에 사용되는 특징들에 대한 주어진 의료 처치, 계획안, 또는 라이프스타일 변경의 효과를 결정하는 단계를 포함할 수 있다. 예를 들어, 라이프스타일 변경 및 위험 요인 제어의 효과는 다음과 같을 수 있다:
금연: 수축기 압력을 3.5 +/-1.1까지, 그리고 확장기 압력을 1.9 +/-0.7mmHg가지 감소시킬 수 있고, 심박수를 7.3 +/-1.0 비트/분(beats/min)까지 감소시킬 수 있다[18].
다이어트 조절: (가령, 기름 생선(oily fish)로부터의) N-3 폴리비포화 지방산(PUFA) 소모는 트리글리세라이드를 감소시킬 수 있고, 트리글리세라이드 레벨 감소는 혈액 점도를 2%까지 감소시킬 수 있다.
신체 활동: 규칙적인 신체 활동은 혈압을 3mmHg까지 감소시킬 수 있고, 정규 신체 활동은 플라크 회귀를 야기할 수 있다.
성적 활동: 성적 활동은 수축 BP에서의 운동 작업부하의 75%와 연관된다 - 정규 성적 활동은 혈압을 2mmHg만큼 감소시킬 수 있다.
체중 관리: 비만자들의 체중 감소는 BP를 10%만큼 감소시킬 수 있고, 혈액 점도를 2%만큼 감소시킬 수 있다.
동맥성 고혈압 관리: 10-12mmHg 수축기 및 5-6mmHg 확장기의 혈압의 감소는 16%의 관상동맥 질환을 감소시킬 수 있다.
스트레스 관리: 우울증, 불안, 및 (정신적) 고통의 제거는 증상을 감소시켜서 10% HR 및 혈압 감소로 나타난다.
허혈 관리를 위한 반-허혈 약물의 효과는 다음을 포함할 수 있다:
질산염: 이질산이소소르바이드(ISDN)의 경우 심외막 관상동맥 직경의 13% 증가와, 니트로글리세린 설하정 (GTN) 캡슐의 경우 심외막 관상동맥 직경의 5% 증가.
베타-차단제(가령, 메토프롤롤, 비소프롤롤, 아테놀롤): 심박수 10% 감소, 혈압 10% 감소.
이바라딘: 8.1 +/-11.6 비트/분만큼 심박수 감소.
사고 예방을 위한 항혈소판제와 관련된 효과는 저-농도 아스피린일 수 있고, 혈압을 20mmHg까지 감소시킬 수 있다.
사고 예방을 위한 지질-강하제의 영향은 다음을 포함할 수 있다: 스타틴 처치가 저밀도 리포프로테인(LDL) 콜레스테롤(LDL-C) 레벨을 감소시키고, 따라서, 혈액 점도를 2%만큼 감소시킨다.
단계(506)는 (각자의 환자-특이적 모델에 기초하여) 목표 환자의 (특징 벡터로부터 또는 특징에 관한) 특징에 대한 효과를 결정하는 단계를 포함할 수 있다. 방법(500)은 따라서, 컴퓨팅된 플라크 취약성 예측에 사용되는 특징들에 대한, 주어진 의료 처치 계획안 또는 라이프스타일 변경의 효과를 결정할 수 있다(단계(506)). 방법(500)은 위험 요인 예측에 대한 하나 이상의 처치 계획안의 효과에 기초하여 의사에게 최적 처치 계획안을 제공하는 단계를 더 포함할 수 있다(단계(508)). 일 실시예에서, 단계(508)는 의사가 계획안과, 계획안에 기초한 특징에 대한 효과의 투영을 비교할 수 있도록, 다양한 처치 계획안의 효과의 렌더링을 생성하는 단계를 선택적으로 포함할 수 있다. 단계(508)의 추가적인 실시예는 하나보다 많은 형태의 처방을 포함할 수 있는 처치 요법을 의사가 제공할 수 있도록, 복수의 처치 계획안 및/또는 라이프스타일 변경의 조합된 효과를 분석하는 단계를 포함할 수 있다.
도 5B는 기계 학습 알고리즘을 통해 특징에 대한 다양한 의료 처치 및/또는 라이프스타일 변경의 효과를 결정할 수 있는 예시적 방법(520)의 블록도다. 도 5B의 방법은 의사(102) 및/또는 제3자 제공자(104)로부터 전자 네트워크(100)를 통해 수신되는 정보, 이미지, 및 데이터에 기초하여, 서버 시스템(106)에 의해 수행될 수 있다. 본질적으로, 방법(520)은 방법(500)의 단계(506)의 일 실시예를 더 상세하게 설명한다. 일 실시예에서, 의료 처치 안내를 위한 방법(500)은 도 4B의 방법에서 구축된 기계-학습 기반 심장 위험 예측기를 이용할 수 있고, 의료 처치 및 라이프스타일 변경을 통해 환자-특이적 심장 이미징 모델을 평가함으로써 기계-기반 학습의 추가층을 더할 수 있다. 따라서, 방법(520)은 업데이트된 특징 및 훈련된 기계-학습 알고리즘을 이용하여, 예를 들어, 플라크 파열 위험 확률 예측을, 도울 수 있다.
예를 들어, 방법(520)은 (가령, 심장 사고 예측기용 훈련 모드 중 획득되는) 환자의 생리학적 및 표현형 파라미터의 리스트를 포함한, 심장 위험 예측 시스템의 훈련 방법(420)에 사용되는 환자-특이적 모델의 기하구조를 반영하는 환자-특이적 모델을 이용하는 단계를 포함할 수 있다. 다시 말해서, 방법(520)에 사용되는 환자-특이적 모델은 각각의 환자에 대한 상향 대동맥, 관상동맥계, 심근, 판막, 및 챔버의 기하구조를 포함할 수 있다.
각각의 환자-특이적 기하 모델 내 모든 점에 대하여, 방법(520)은 환자의 생리학적 또는 표현형 파라미터의 추정치와, 이 점에서의 생물리학적 혈류역학 및 생물역학적 특성과, 기하구조의 수치 설명을 포함하는, 각 점에 대한 특징 벡터를 포함할 수 있다. 이러한 특징들은 심장 위험 예측 시스템의 훈련 모드에 사용되는 양과 동일할 수 있다.
단계(522)는 환자-특이적 모델에 대한 의료 처치 또는 라이프스타일 변경의 적용을 시뮬레이션하기 위해 특징 세트를 가상 조정하는 단계를 포함할 수 있다. 그 후 단계(524)에서, 방법(520)은 조정에 따라 심장 위험 확률을 추정할 수 있다. 일 실시예에서, 단계(524)는 훈련 모드에서 생성된 기계-학습 알고리즘의 저장된 결과(가령, 특징 가중치)에 의존하여 확률의 추정치를 생성할 수 있다. 이러한 추정치는 심장 사고 예측기를 위한 훈련 모드에 사용되는 것과 동일한 기계-학습 알고리즘을 이용하여 생성될 수 있다. 예를 들어, 베타-차단제(가령, 메타프롤롤, 비소프롤롤, 아테놀롤)가 의료 처치용으로 선택될 경우, 알고리즘은 다음 특징을 업데이트할 수 있다: 혈압 10% 및 심박수 10% 감소 및/또는 관상동맥 혈류 시뮬레이션을 위한 경계 조건 업데이트, 그리고, 새로운 혈류역학 및 벽 및 플라크 생물역학적 특징 추출.
추정치에 기초하여, 단계(526)는 다양한 인가 계획안 및 변형에 대한 추정치의 비교를 포함할 수 있다. 일 실시예에서, 단계(526)는 특징 및/또는 특징 벡터들의 다양한 조합이 주어졌을 때 처치 효과에 구체적으로 적용되는 제 2 기계-학습 알고리즘을 포함할 수 있다. 예를 들어, 이러한 제 2 기계-학습 알고리즘은 심장 위험에 대한 제 1 기계-학습 알고리즘의 연장일 수 있다. 다른 예에서, 제 2 기계-학습 알고리즘은 별도의 독립적 실체일 수 있다. 이러한 경우에, 기계 학습 알고리즘이 구성되는 모델은 독립적일 수도 있고, 및/또는 겹쳐질 수도 있다.
단계(528)는 단계(526)로부터의 비교에 기초하여 최적 처치 및/또는 라이프스타일 변경을 결정하는 단계를 포함할 수 있다. 최적 처치는 단순히 특징에 대한 최적 처치 및/또는 라이프스타일 변경의 효과에 기초할 수 있다. 추가의 실시예에서, 최적 처치는 환자-특이적 요인에 고려될 수 있다. 예를 들어, 단계(528)는 환자의 지리적 위치를 결정하는 단계와 이러한 위치에 비추어 최적 처치를 결정하는 단계를 포함할 수 있다. 예를 들어, 해변 근처에 사는 환자는 수영을 수반하는 최적 라이프스타일 변경을 가질 수 있는 반면에, 이러한 제안이 육지로 둘러싸인 환자에게는 최적이지 못할 수 있다. 최적 처치는 다른 환자 처치를 또한 고려할 수 있다. 예를 들어, 환자의 요인들에 대한 변경의 효과에 기초하여 환자에게 가장 알맞은 라이프스타일 변경이 달리기 또는 걷기일 수 있다. 그러나, 이러한 변경을 이용하는 것이 최근 무릎 부상을 가진 환자에게는 맞지 않을 수 있다. 따라서, 단계(528)는 환자의 구체적 조건들과 관련하여 최적 처치를 생성할 수 있다. 단계(528)는 주어진 의료 처치에 대하여 디지털 표현(가령, 컴퓨터, 랩탑, DSP, 서버, 등과 같은 연산 장치의 메모리 또는 디지털 스토리지(가령, 하드 드라이브, 네트워크 드라이브))에 병소와 관련한 플라크 취약성(파열)의 예측 확률을 저장하는 단계를 더 포함할 수 있다. 방법(500)의 단계(508)과 관련하여, 단계(508)는 위험 요인 예측에 대한 하나 이상의 처치 계획안의 효과를 의사에게 출력하는 단계와, 단계(528)에서 결정된 예측 플라크 취약성에 기초하여 최적 처치 계획안을 제안하는 단계를 포함할 수 있다.
발명의 다른 실시예는 여기서 개시되는 발명의 실시 및 명세서의 고려사항으로부터 당 업자에게 명백해질 것이다. 명세서 및 예는 단지 예시로 간주되어야 하고, 발명의 진실한 범위 및 사상은 다음 청구범위에 의해 표시된다.
Claims (20)
- 환자-특이적 해부학적 이미지 데이터로부터 관상동맥 플라크 취약성을 보고하는 컴퓨터-구현 방법에 있어서, 상기 방법은,
환자의 맥관계의 적어도 일부분의 해부학적 이미지 데이터를 획득하는 단계와,
프로세서를 이용하여, 상기 해부학적 이미지 데이터에 대한, 하나 이상의 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석을 수행하는 단계와,
상기 프로세서를 이용하여, 환자의 맥관계에 존재하는 관상동맥 플라크 취약성을 예측하는 단계 - 관상동맥 플라크 취약성 예측은 상기 해부학적 이미지 데이터의 하나 이상의 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석의 결과에 기초하여 악성 플라크 특성을 연산하는 단계를 포함함 - 와,
상기 프로세서를 이용하여, 상기 연산된 악성 플라크 특성을 보고하는 단계를 포함하는
컴퓨터-구현 방법. - 제 1 항에 있어서,
악성 플라크 특성을 연산하는 단계는, 상기 악성 플라크 특성과 연관된 하나 이상의 계측을 결정하는 단계와,
프로세서를 이용하여, 상기 악성 플라크 특성과 연관된 하나 이상의 계측에 대한 연산을 수행하는 단계를 포함하는
컴퓨터-구현 방법. - 제 2 항에 있어서,
상기 하나 이상의 계측과 연관된 하나 이상의 임계값을 결정하는 단계 - 상기 연산된 악성 플라크 특성의 보고는, 상기 하나 이상의 계측과 연관된 연산 대비 상기 하나 이상의 임계값에 기초함 - 를 더 포함하는
컴퓨터-구현 방법. - 제 2 항에 있어서,
상기 하나 이상의 계측은 양성 리모델링의 존재, 저-감쇠 플라크의 존재, 및 플라크-내 스포티 석회성(spotty intra-plaque calcification)의 존재 중 하나 이상을 포함하는
컴퓨터-구현 방법. - 제 4 항에 있어서,
상기 해부학적 이미지 데이터에 기초하여 질환 세그먼트를 식별하는 단계 - 상기 질환 세그먼트는 적어도, 협착증 정도, 플라크 존재, 또는 이들의 조합과 연관됨 - 와,
질환 세그먼트와 연관된 단면적을 결정하는 단계와,
프로세서를 이용하여, 상기 단면적에 기초한 양성 리모델링 인덱스를 결정하기 위한 연산을 수행하는 단계를 더 포함하는
컴퓨터-구현 방법. - 제 4 항에 있어서,
상기 해부학적 이미지 데이터에 기초하여 질환 세그먼트를 식별하는 단계 - 상기 질환 세그먼트는 비석회성 플라크와 연관됨 - 와
상기 비석회성 플라크와 연관된 세기를 결정하는 단계와,
프로세서를 이용하여, 상기 비석회성 플라크와 연관된 부피를 결정하도록 연산을 수행하는 단계를 더 포함하는
컴퓨터-구현 방법. - 제 4 항에 있어서,
상기 해부학적 이미지 데이터에 기초하여 질환 세그먼트를 식별하는 단계 - 상기 질환 세그먼트는 석회성 플라크와 연관됨 - 와,
석회성 플라크와 연관된 하나 이상의 직경을 결정하는 단계와,
프로세서를 이용하여, 석회성 플라크와 연관된 하나 이상의 직경을 결정하도록 연산을 수행하는 단계를 더 포함하는
컴퓨터-구현 방법. - 제 1 항에 있어서,
하나 이상의 위험 요인을 결정하는 단계와,
해부학적 이미지 데이터와 함께, 상기 하나 이상의 위험 요인, 상기 연산된 악성 플라크 특성, 또는, 그 조합을 저장하는 단계 - 상기 하나 이상의 위험 요인, 상기 연산된 악성 플라크 특성, 또는 그 조합을 불러올 수 있음 - 를 더 포함하는
컴퓨터-구현 방법. - 환자-특이적 해부학적 이미지 데이터로부터 관상동맥 플라크 취약성을 보고하기 위한 시스템에 있어서, 상기 시스템은,
환자-특이적 해부학적 이미지 데이터로부터 관상동맥 플라크 취약성을 예측하기 위한 명령어를 저장하는 데이터 저장 디바이스와,
방법을 수행하기 위한 명령어를 실행하도록 구성되는 프로세서를 포함하되, 상기 방법은,
환자의 맥관계의 적어도 일부분의 해부학적 이미지 데이터를 획득하는 단계와,
프로세서를 이용하여, 상기 해부학적 이미지 데이터에 대한, 하나 이상의 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석을 수행하는 단계와,
상기 프로세서를 이용하여, 환자의 맥관계에 존재하는 관상동맥 플라크 취약성을 예측하는 단계 - 관상동맥 플라크 취약성 예측은 상기 해부학적 이미지 데이터의 하나 이상의 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석의 결과에 기초하여 악성 플라크 특성을 연산하는 단계를 포함함 - 와,
상기 프로세서를 이용하여, 상기 연산된 악성 플라크 특성을 보고하는 단계를 포함하는
시스템. - 제 9 항에 있어서,
적어도 하나의 컴퓨터 시스템은,
상기 악성 플라크 특성과 연관된 하나 이상의 계측을 결정함으로써, 악성 플라크 특성을 연산하는 단계와,
프로세서를 이용하여, 상기 악성 플라크 특성과 연관된 하나 이상의 계측에 대한 연산을 수행하는 단계를 행하도록 또한 구성되는
시스템. - 제 10 항에 있어서,
상기 적어도 하나의 컴퓨터 시스템은,
상기 하나 이상의 계측과 연관된 하나 이상의 임계값을 결정하는 단계 - 상기 연산된 악성 플라크 특성의 보고는, 상기 하나 이상의 계측과 연관된 연산 대비 상기 하나 이상의 임계값에 기초함 - 를 행하도록 또한 구성되는
시스템. - 제 10 항에 있어서,
상기 하나 이상의 계측은 양성 리모델링의 존재, 저-감쇠 플라크의 존재, 및 플라크-내 스포티 석회성(spotty intra-plaque calcification)의 존재 중 하나 이상을 포함하는
시스템. - 제 12 항에 있어서,
상기 적어도 하나의 컴퓨터 시스템은,
상기 해부학적 이미지 데이터에 기초하여 질환 세그먼트를 식별하는 단계 - 상기 질환 세그먼트는 적어도, 협착증 정도, 플라크 존재, 또는 이들의 조합과 연관됨 - 와,
질환 세그먼트와 연관된 단면적을 결정하는 단계와,
프로세서를 이용하여, 상기 단면적에 기초한 양성 리모델링 인덱스를 결정하기 위한 연산을 수행하는 단계를 행하도록 또한 구성되는
시스템. - 제 12 항에 있어서,
상기 적어도 하나의 컴퓨터 시스템은,
상기 해부학적 이미지 데이터에 기초하여 질환 세그먼트를 식별하는 단계 - 상기 질환 세그먼트는 비석회성 플라크와 연관됨 - 와
상기 비석회성 플라크와 연관된 세기를 결정하는 단계와,
프로세서를 이용하여, 상기 비석회성 플라크와 연관된 부피를 결정하기 위한 연산을 수행하는 단계를 행하도록 또한 구성되는
시스템. - 제 12 항에 있어서,
상기 적어도 하나의 컴퓨터 시스템은,
상기 해부학적 이미지 데이터에 기초하여 질환 세그먼트를 식별하는 단계 - 상기 질환 세그먼트는 석회성 플라크와 연관됨 - 와,
석회성 플라크와 연관된 하나 이상의 직경을 결정하는 단계와,
프로세서를 이용하여, 석회성 플라크와 연관된 하나 이상의 직경을 결정하기 위한 연산을 수행하는 단계를 행하도록 또한 구성되는
시스템. - 제 9 항에 있어서,
적어도 하나의 컴퓨터 시스템은,
하나 이상의 위험 요인을 결정하는 단계와,
해부학적 이미지 데이터와 함께, 상기 하나 이상의 위험 요인, 상기 연산된 악성 플라크 특성, 또는, 그 조합을 저장하는 단계 - 상기 하나 이상의 위험 요인, 상기 연산된 악성 플라크 특성, 또는 그 조합을 불러올 수 있음 - 를 행하도록 또한 구성되는
시스템. - 환자-특이적 해부학적 이미지 데이터로부터 관상동맥 플라크 취약성을 보고하기 위한 방법을 수행하기 위한 컴퓨터-실행가능 프로그래밍 명령어를 지닌 컴퓨터 시스템 상에 사용하기 위한 비-일시적 컴퓨터 판독가능 매체에 있어서, 상기 방법은,
환자의 맥관계의 적어도 일부분의 해부학적 이미지 데이터를 획득하는 단계와,
프로세서를 이용하여, 상기 해부학적 이미지 데이터에 대한, 하나 이상의 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석을 수행하는 단계와,
상기 프로세서를 이용하여, 환자의 맥관계에 존재하는 관상동맥 플라크 취약성을 예측하는 단계 - 관상동맥 플라크 취약성 예측은 상기 해부학적 이미지 데이터의 하나 이상의 이미지 특성 분석, 기하구조 분석, 전산 유체 역학 분석, 및 구조 역학 분석의 결과에 기초하여 악성 플라크 특성을 연산하는 단계를 포함함 - 와,
상기 프로세서를 이용하여, 상기 연산된 악성 플라크 특성을 보고하는 단계를 포함하는
비-일시적 컴퓨터 판독가능 매체. - 제 17 항에 있어서,
상기 방법은,
상기 악성 플라크 특성과 연관된 하나 이상의 계측을 결정함으로써, 악성 플라크 특성을 연산하는 단계와,
프로세서를 이용하여, 상기 악성 플라크 특성과 연관된 하나 이상의 계측에 대한 연산을 수행하는 단계를 더 포함하는
비-일시적 컴퓨터 판독가능 매체. - 제 18 항에 있어서,
상기 하나 이상의 계측은 양성 리모델링의 존재, 저-감쇠 플라크의 존재, 및 플라크-내 스포티 석회성(spotty intra-plaque calcification)의 존재 중 하나 이상을 포함하는
비-일시적 컴퓨터 판독가능 매체. - 제 17 항에 있어서,
상기 방법은,
하나 이상의 위험 요인을 결정하는 단계와,
해부학적 이미지 데이터와 함께, 상기 하나 이상의 위험 요인, 상기 연산된 악성 플라크 특성, 또는, 그 조합을 저장하는 단계 - 상기 하나 이상의 위험 요인, 상기 연산된 악성 플라크 특성, 또는 그 조합을 불러올 수 있음 - 를 더 포함하는
비-일시적 컴퓨터 판독가능 매체.
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201361917639P | 2013-12-18 | 2013-12-18 | |
| US61/917,639 | 2013-12-18 | ||
| US14/254,481 US9220418B2 (en) | 2013-12-18 | 2014-04-16 | Systems and methods for predicting coronary plaque vulnerability from patient-specific anatomic image data |
| US14/254,481 | 2014-04-16 | ||
| PCT/US2014/070760 WO2015095282A1 (en) | 2013-12-18 | 2014-12-17 | Systems and methods for predicting coronary plaque vulnerability from patient-specific anatomic image data |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20160079127A true KR20160079127A (ko) | 2016-07-05 |
| KR101737286B1 KR101737286B1 (ko) | 2017-05-29 |
Family
ID=53366976
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020167016367A KR101737286B1 (ko) | 2013-12-18 | 2014-12-17 | 환자-특이적 해부학적 이미지 데이터로부터 관상동맥 플라크 취약성 예측 시스템 및 방법 |
Country Status (8)
| Country | Link |
|---|---|
| US (8) | US20150164451A1 (ko) |
| EP (2) | EP3569150A3 (ko) |
| JP (1) | JP6203410B2 (ko) |
| KR (1) | KR101737286B1 (ko) |
| CN (2) | CN106061387B (ko) |
| AU (1) | AU2014364889B2 (ko) |
| CA (2) | CA2933879C (ko) |
| WO (1) | WO2015095282A1 (ko) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180097035A (ko) | 2017-02-22 | 2018-08-30 | 연세대학교 산학협력단 | 컴퓨터 단층촬영 영상에서 플라크를 분석하기 위한 방법 및 장치 |
| KR20190083185A (ko) * | 2018-01-03 | 2019-07-11 | 주식회사 메디웨일 | Ivus 영상 분석방법 |
| KR20210070574A (ko) * | 2019-12-05 | 2021-06-15 | 연세대학교 산학협력단 | 비접촉식 생체신호 측정 시스템 |
| KR20210072952A (ko) * | 2019-12-10 | 2021-06-18 | 한양대학교 에리카산학협력단 | 동맥류 파열 예측 장치 및 방법 |
| WO2021230687A1 (ko) * | 2020-05-13 | 2021-11-18 | 주식회사 루닛 | 의학 데이터로부터 바이오마커와 관련된 의학적 예측을 생성하는 방법 및 시스템 |
Families Citing this family (72)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2994904A4 (en) | 2013-05-10 | 2017-01-18 | 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 |
| US11568982B1 (en) | 2014-02-17 | 2023-01-31 | Health at Scale Corporation | System to improve the logistics of clinical care by selectively matching patients to providers |
| US9349178B1 (en) * | 2014-11-24 | 2016-05-24 | Siemens Aktiengesellschaft | Synthetic data-driven hemodynamic determination in medical imaging |
| US10478130B2 (en) | 2015-02-13 | 2019-11-19 | Siemens Healthcare Gmbh | Plaque vulnerability assessment in medical imaging |
| US10716513B2 (en) * | 2015-04-17 | 2020-07-21 | Heartflow, Inc. | Systems and methods for cardiovascular blood flow and musculoskeletal modeling for predicting device failure or clinical events |
| US9785748B2 (en) | 2015-07-14 | 2017-10-10 | Heartflow, Inc. | Systems and methods for estimating hemodynamic forces acting on plaque and monitoring patient risk |
| US11087459B2 (en) | 2015-08-14 | 2021-08-10 | Elucid Bioimaging Inc. | Quantitative imaging for fractional flow reserve (FFR) |
| US11676359B2 (en) | 2015-08-14 | 2023-06-13 | Elucid Bioimaging Inc. | Non-invasive quantitative imaging biomarkers of atherosclerotic plaque biology |
| US11113812B2 (en) | 2015-08-14 | 2021-09-07 | Elucid Bioimaging Inc. | Quantitative imaging for detecting vulnerable plaque |
| US11094058B2 (en) | 2015-08-14 | 2021-08-17 | Elucid Bioimaging Inc. | Systems and method for computer-aided phenotyping (CAP) using radiologic images |
| US10176408B2 (en) | 2015-08-14 | 2019-01-08 | Elucid Bioimaging Inc. | Systems and methods for analyzing pathologies utilizing quantitative imaging |
| US11071501B2 (en) | 2015-08-14 | 2021-07-27 | Elucid Bioiwaging Inc. | Quantitative imaging for determining time to adverse event (TTE) |
| WO2017093337A1 (en) * | 2015-12-02 | 2017-06-08 | Siemens Healthcare Gmbh | Personalized assessment of patients with acute coronary syndrome |
| JP6651402B2 (ja) * | 2016-04-12 | 2020-02-19 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置、医用画像診断装置およびプログラム |
| US10971271B2 (en) * | 2016-04-12 | 2021-04-06 | Siemens Healthcare Gmbh | Method and system for personalized blood flow modeling based on wearable sensor networks |
| CN106372654B (zh) * | 2016-08-29 | 2020-02-14 | 南京景三医疗科技有限公司 | 一种头颈动脉粥样斑块图像的力学分析方法 |
| EP3332710B1 (de) * | 2016-12-12 | 2020-09-16 | Siemens Healthcare GmbH | Charakterisierung von plaque |
| FR3062498B1 (fr) * | 2017-02-02 | 2019-06-07 | Casis - Cardiac Simulation & Imaging Software | Systeme et procede pour l'evaluation de risques vasculaires |
| US11263275B1 (en) * | 2017-04-03 | 2022-03-01 | Massachusetts Mutual Life Insurance Company | Systems, devices, and methods for parallelized data structure processing |
| EP3404667B1 (en) * | 2017-05-19 | 2024-02-28 | Siemens Healthineers AG | Learning based methods for personalized assessment, long-term prediction and management of atherosclerosis |
| IT201700059572A1 (it) * | 2017-05-31 | 2018-12-01 | Fond Ri Med | Metodo e sistema per la valutazione del rischio di un aneurisma dell’aorta toracica ascendente |
| CN110998744B (zh) * | 2017-08-01 | 2024-04-05 | 西门子医疗有限公司 | 针对弥漫性和串联性病变中冠状动脉疾病的非侵入性评估和治疗指导 |
| EP3732690A1 (en) * | 2017-08-30 | 2020-11-04 | Koninklijke Philips N.V. | Coronary artery health state prediction based on a model and imaging data |
| CA3078623A1 (en) | 2017-10-06 | 2019-04-11 | Emory University | Methods and systems for determining hemodynamic information for one or more arterial segments |
| US11605447B2 (en) * | 2017-10-27 | 2023-03-14 | Siemens Healthcare Gmbh | Intelligent agents for patient management |
| US11871995B2 (en) | 2017-12-18 | 2024-01-16 | Hemolens Diagnostics Sp. Z O.O. | Patient-specific modeling of hemodynamic parameters in coronary arteries |
| EP3576097A1 (en) | 2018-05-30 | 2019-12-04 | Koninklijke Philips N.V. | Resolving and steering decision foci in machine learning-based vascular imaging |
| CN111954907A (zh) | 2018-03-08 | 2020-11-17 | 皇家飞利浦有限公司 | 基于机器学习的血管成像中的分辨和操纵决策焦点 |
| US11341645B2 (en) * | 2018-03-09 | 2022-05-24 | Emory University | Methods and systems for determining coronary hemodynamic characteristic(s) that is predictive of myocardial infarction |
| US20210233615A1 (en) * | 2018-04-22 | 2021-07-29 | Viome, Inc. | Systems and methods for inferring scores for health metrics |
| CN108665449B (zh) * | 2018-04-28 | 2022-11-15 | 杭州脉流科技有限公司 | 预测血流矢量路径上的血流特征的深度学习模型及装置 |
| CN108742547B (zh) * | 2018-06-20 | 2021-01-08 | 博动医学影像科技（上海）有限公司 | 基于吸烟史信息获取压力差的方法及装置 |
| WO2020076874A1 (en) | 2018-10-08 | 2020-04-16 | Viome, Inc. | Methods for and compositions for determining food item recommendations |
| US11127138B2 (en) * | 2018-11-20 | 2021-09-21 | Siemens Healthcare Gmbh | Automatic detection and quantification of the aorta from medical images |
| US10813612B2 (en) | 2019-01-25 | 2020-10-27 | Cleerly, Inc. | Systems and method of characterizing high risk plaques |
| CN109907732B (zh) * | 2019-04-09 | 2022-12-02 | 广州新脉科技有限公司 | 一种颅内动脉瘤破裂风险的评估方法及系统 |
| CN110223781B (zh) * | 2019-06-03 | 2021-06-04 | 中国医科大学附属第一医院 | 一种多维度斑块破裂风险预警系统 |
| KR20210121062A (ko) | 2019-08-05 | 2021-10-07 | 엘루시드 바이오이미징 아이엔씨. | 형태학적 및 혈관주위 질환 표지자의 조합 평가 |
| WO2021030995A1 (zh) * | 2019-08-16 | 2021-02-25 | 未艾医疗技术(深圳)有限公司 | 基于vrds ai下腔静脉影像的分析方法及产品 |
| US11631500B2 (en) * | 2019-08-20 | 2023-04-18 | Siemens Healthcare Gmbh | Patient specific risk prediction of cardiac events from image-derived cardiac function features |
| KR20220051369A (ko) * | 2019-08-30 | 2022-04-26 | 캐논 가부시끼가이샤 | 정보 처리 장치, 정보 처리 방법, 정보 처리 시스템 및 프로그램 |
| US11350888B2 (en) * | 2019-09-03 | 2022-06-07 | Siemens Healthcare Gmbh | Risk prediction for sudden cardiac death from image derived cardiac motion and structure features |
| 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 |
| KR20220124217A (ko) | 2020-01-07 | 2022-09-13 | 클리어리, 인크. | 의료 영상 분석, 진단, 위험도 층화, 의사 결정 및/또는 질환 추적을 위한 시스템, 방법 및 디바이스 |
| 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 |
| CN111312374B (zh) * | 2020-01-21 | 2024-03-22 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
| EP3866176A1 (en) * | 2020-02-17 | 2021-08-18 | Siemens Healthcare GmbH | Machine-based risk prediction for peri-procedural myocardial infarction or complication from medical data |
| JPWO2021193018A1 (ko) * | 2020-03-27 | 2021-09-30 | ||
| WO2021193007A1 (ja) * | 2020-03-27 | 2021-09-30 | テルモ株式会社 | プログラム、情報処理方法、情報処理装置及びモデル生成方法 |
| JPWO2021199961A1 (ko) * | 2020-03-30 | 2021-10-07 | ||
| JPWO2021199966A1 (ko) * | 2020-03-30 | 2021-10-07 | ||
| CN111477348A (zh) * | 2020-04-09 | 2020-07-31 | 北京中腾佰脉医疗科技有限责任公司 | 基于移动互联网络的新型冠状病毒肺炎疾病防控系统 |
| US11610679B1 (en) * | 2020-04-20 | 2023-03-21 | Health at Scale Corporation | Prediction and prevention of medical events using machine-learning algorithms |
| CN112294260B (zh) * | 2020-10-10 | 2022-04-05 | 浙江大学 | 一种磁兼容的光学脑功能成像方法与装置 |
| TWI768624B (zh) * | 2020-12-28 | 2022-06-21 | 財團法人國家衛生研究院 | 預測冠狀動脈的阻塞的電子裝置和方法 |
| WO2022150631A1 (en) * | 2021-01-08 | 2022-07-14 | Hdl Therapeutics, Inc | Systems and methods for reducing low attenuation plaque and/or plaque burden in patients |
| FR3119089A1 (fr) * | 2021-01-27 | 2022-07-29 | Octogone Medical | Système de prédiction de rupture ou de décollement de plaque vasculaire pouvant entraîner un accident vasculaire cérébral |
| WO2022162301A1 (fr) * | 2021-01-27 | 2022-08-04 | Octogone Medical | Système de prédiction de rupture ou de décollement de plaque vasculaire pouvant entraîner un accident vasculaire cérébral et/ou de prédiction d'une thrombose vasculaire |
| WO2022241432A1 (en) * | 2021-05-11 | 2022-11-17 | Ohio State Innovation Foundation | Systems and methods for modeling risk of transcatheter valve deployment |
| CN113393427B (zh) * | 2021-05-28 | 2023-04-25 | 上海联影医疗科技股份有限公司 | 斑块分析方法、装置、计算机设备和存储介质 |
| US11887713B2 (en) | 2021-06-10 | 2024-01-30 | Elucid Bioimaging Inc. | Non-invasive determination of likely response to anti-diabetic therapies for cardiovascular disease |
| US11887701B2 (en) | 2021-06-10 | 2024-01-30 | Elucid Bioimaging Inc. | Non-invasive determination of likely response to anti-inflammatory therapies for cardiovascular disease |
| US11887734B2 (en) | 2021-06-10 | 2024-01-30 | Elucid Bioimaging Inc. | Systems and methods for clinical decision support for lipid-lowering therapies for cardiovascular disease |
| US11869186B2 (en) * | 2021-06-10 | 2024-01-09 | Elucid Bioimaging Inc. | Non-invasive determination of likely response to combination therapies for cardiovascular disease |
| CN113420480B (zh) * | 2021-06-23 | 2022-05-10 | 武汉工程大学 | 一种动脉斑块破裂评估方法、装置及存储介质 |
| CN117769746A (zh) * | 2021-07-23 | 2024-03-26 | 纳维尔医疗有限公司 | 用于检测微钙化活性的系统和方法 |
| CN114387464A (zh) * | 2021-12-01 | 2022-04-22 | 杭州脉流科技有限公司 | 基于ivus影像的易损斑块识别方法、计算机设备、可读存储介质和程序产品 |
| US20230289963A1 (en) | 2022-03-10 | 2023-09-14 | Cleerly, Inc. | Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination |
| WO2024061663A1 (en) * | 2022-09-20 | 2024-03-28 | Koninklijke Philips N.V. | Cerebral embolic protection selection method for tavi procedures |
| CN117455878A (zh) * | 2023-11-08 | 2024-01-26 | 中国医学科学院北京协和医院 | 一种基于ccta图像的冠状动脉易损斑块识别方法及系统 |
| CN117831699A (zh) * | 2023-12-27 | 2024-04-05 | 江苏瑞康成医疗科技有限公司 | 一种用于心脏影像检查的结构化报告系统 |
Family Cites Families (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2535942A1 (en) * | 2003-08-21 | 2005-03-10 | Ischem Corporation | Automated methods and systems for vascular plaque detection and analysis |
| WO2006062958A2 (en) | 2004-12-10 | 2006-06-15 | Worcester Polytechnic Institute | Image-based computational mechanical analysis and indexing for cardiovascular diseases |
| US20100278405A1 (en) | 2005-11-11 | 2010-11-04 | Kakadiaris Ioannis A | Scoring Method for Imaging-Based Detection of Vulnerable Patients |
| US20070232883A1 (en) | 2006-02-15 | 2007-10-04 | Ilegbusi Olusegun J | Systems and methods for determining plaque vulnerability to rupture |
| US7752233B2 (en) | 2006-03-29 | 2010-07-06 | Massachusetts Institute Of Technology | Techniques for clustering a set of objects |
| US7940970B2 (en) * | 2006-10-25 | 2011-05-10 | Rcadia Medical Imaging, Ltd | Method and system for automatic quality control used in computerized analysis of CT angiography |
| US7983459B2 (en) * | 2006-10-25 | 2011-07-19 | Rcadia Medical Imaging Ltd. | Creating a blood vessel tree from imaging data |
| EP2219520B1 (en) | 2007-10-31 | 2012-12-12 | Cabra Technology A/S | Method for calculating pressures in a fluid stream through a tube section, especially a blood vessel with atherosclerotic plaque |
| FR2938957B1 (fr) * | 2008-11-21 | 2011-01-21 | Univ Joseph Fourier Grenoble I | Procede de traitement d'image pour l'estimation d'un risque de rupture de plaque d'atherome |
| WO2010099016A1 (en) * | 2009-02-25 | 2010-09-02 | Worcester Polytechnic Institute | Automatic vascular model generation based on fluid-structure interactions (fsi) |
| CN101799864B (zh) * | 2010-01-15 | 2012-05-09 | 北京工业大学 | 一种基于血管内超声波图像的动脉斑块类型自动识别方法 |
| JP4981938B2 (ja) * | 2010-03-08 | 2012-07-25 | 富士フイルム株式会社 | 診断支援装置、冠動脈解析プログラムおよび冠動脈解析方法 |
| US20110257545A1 (en) | 2010-04-20 | 2011-10-20 | Suri Jasjit S | Imaging based symptomatic classification and cardiovascular stroke risk score estimation |
| US8315812B2 (en) | 2010-08-12 | 2012-11-20 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
| US8157742B2 (en) | 2010-08-12 | 2012-04-17 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
| US10186056B2 (en) * | 2011-03-21 | 2019-01-22 | General Electric Company | System and method for estimating vascular flow using CT imaging |
| US10162932B2 (en) * | 2011-11-10 | 2018-12-25 | Siemens Healthcare Gmbh | Method and system for multi-scale anatomical and functional modeling of coronary circulation |
| CN103247071B (zh) * | 2013-03-29 | 2015-11-11 | 哈尔滨工业大学深圳研究生院 | 一种构建三维血管模型方法及设备 |
-
2014
- 2014-04-16 US US14/254,451 patent/US20150164451A1/en not_active Abandoned
- 2014-04-16 US US14/254,481 patent/US9220418B2/en active Active
- 2014-04-16 US US14/254,521 patent/US9155512B2/en active Active
- 2014-11-18 US US14/546,100 patent/US9220419B2/en active Active
- 2014-12-17 JP JP2016540003A patent/JP6203410B2/ja active Active
- 2014-12-17 CA CA2933879A patent/CA2933879C/en active Active
- 2014-12-17 CN CN201480069668.XA patent/CN106061387B/zh active Active
- 2014-12-17 AU AU2014364889A patent/AU2014364889B2/en active Active
- 2014-12-17 CA CA3164247A patent/CA3164247A1/en active Pending
- 2014-12-17 CN CN201811609814.XA patent/CN110074756B/zh active Active
- 2014-12-17 EP EP19183048.8A patent/EP3569150A3/en active Pending
- 2014-12-17 KR KR1020167016367A patent/KR101737286B1/ko active IP Right Grant
- 2014-12-17 WO PCT/US2014/070760 patent/WO2015095282A1/en active Application Filing
- 2014-12-17 EP EP14830432.2A patent/EP3082602B1/en active Active
-
2015
- 2015-10-13 US US14/881,989 patent/US9770303B2/en active Active
-
2017
- 2017-08-18 US US15/680,950 patent/US10939960B2/en active Active
-
2021
- 2021-02-02 US US17/164,885 patent/US11678937B2/en active Active
-
2023
- 2023-05-09 US US18/314,396 patent/US20230301722A1/en active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180097035A (ko) | 2017-02-22 | 2018-08-30 | 연세대학교 산학협력단 | 컴퓨터 단층촬영 영상에서 플라크를 분석하기 위한 방법 및 장치 |
| KR20190083185A (ko) * | 2018-01-03 | 2019-07-11 | 주식회사 메디웨일 | Ivus 영상 분석방법 |
| US11488300B2 (en) | 2018-01-03 | 2022-11-01 | Medi Whale Inc. | IVUS image analysis method |
| KR20210070574A (ko) * | 2019-12-05 | 2021-06-15 | 연세대학교 산학협력단 | 비접촉식 생체신호 측정 시스템 |
| KR20210072952A (ko) * | 2019-12-10 | 2021-06-18 | 한양대학교 에리카산학협력단 | 동맥류 파열 예측 장치 및 방법 |
| WO2021230687A1 (ko) * | 2020-05-13 | 2021-11-18 | 주식회사 루닛 | 의학 데이터로부터 바이오마커와 관련된 의학적 예측을 생성하는 방법 및 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| CA3164247A1 (en) | 2015-06-25 |
| US9220419B2 (en) | 2015-12-29 |
| US20160030127A1 (en) | 2016-02-04 |
| US20210153945A1 (en) | 2021-05-27 |
| EP3569150A2 (en) | 2019-11-20 |
| US10939960B2 (en) | 2021-03-09 |
| US9155512B2 (en) | 2015-10-13 |
| CA2933879A1 (en) | 2015-06-25 |
| US20150164342A1 (en) | 2015-06-18 |
| US20150164452A1 (en) | 2015-06-18 |
| JP2017503561A (ja) | 2017-02-02 |
| US9770303B2 (en) | 2017-09-26 |
| US9220418B2 (en) | 2015-12-29 |
| EP3082602A1 (en) | 2016-10-26 |
| US20230301722A1 (en) | 2023-09-28 |
| CA2933879C (en) | 2022-07-19 |
| CN106061387A (zh) | 2016-10-26 |
| EP3569150A3 (en) | 2020-02-12 |
| AU2014364889B2 (en) | 2017-03-09 |
| US20150164453A1 (en) | 2015-06-18 |
| EP3082602B1 (en) | 2020-04-22 |
| US20150164451A1 (en) | 2015-06-18 |
| CN110074756B (zh) | 2022-11-22 |
| US11678937B2 (en) | 2023-06-20 |
| CN110074756A (zh) | 2019-08-02 |
| CN106061387B (zh) | 2019-01-15 |
| AU2014364889A1 (en) | 2016-06-23 |
| US20170340393A1 (en) | 2017-11-30 |
| JP6203410B2 (ja) | 2017-09-27 |
| WO2015095282A1 (en) | 2015-06-25 |
| KR101737286B1 (ko) | 2017-05-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101737286B1 (ko) | 환자-특이적 해부학적 이미지 데이터로부터 관상동맥 플라크 취약성 예측 시스템 및 방법 | |
| US20210338333A1 (en) | Systems and methods for treatment planning based on plaque progression and regression curves | |
| US20230298176A1 (en) | Systems and methods for processing electronic images to predict lesions | |
| US10170206B2 (en) | Systems and methods for estimating hemodynamic forces acting on plaque and monitoring patient risk |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| A302 | Request for accelerated examination | ||
| AMND | Amendment | ||
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |