KR20190047073A - 축소 차수 모델 및 기계 학습을 사용한 혈류 특성들의 추정을 위한 시스템 및 방법들 - Google Patents

축소 차수 모델 및 기계 학습을 사용한 혈류 특성들의 추정을 위한 시스템 및 방법들 Download PDF

Info

Publication number
KR20190047073A
KR20190047073A KR1020197010997A KR20197010997A KR20190047073A KR 20190047073 A KR20190047073 A KR 20190047073A KR 1020197010997 A KR1020197010997 A KR 1020197010997A KR 20197010997 A KR20197010997 A KR 20197010997A KR 20190047073 A KR20190047073 A KR 20190047073A
Authority
KR
South Korea
Prior art keywords
patient
points
blood flow
specific
flow characteristics
Prior art date
Application number
KR1020197010997A
Other languages
English (en)
Other versions
KR102477057B1 (ko
Inventor
트래비스 마이클 샌더스
세투라만 산카란
레오 그래디
데이비드 스페인
난 샤오
진 김
찰스 테일러
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 KR20190047073A publication Critical patent/KR20190047073A/ko
Application granted granted Critical
Publication of KR102477057B1 publication Critical patent/KR102477057B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • 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
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0044—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the heart
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/20—Supervised data analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B99/00—Subject matter not provided for in other groups of this subclass
    • 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
    • G16H50/50—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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B45/00—ICT specially adapted for bioinformatics-related data visualisation, e.g. displaying of maps or networks

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Cardiology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Biotechnology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioethics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Vascular Medicine (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Hematology (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

시스템들 및 방법들이 환자의 혈류 특성들을 결정하기 위해 개시된다. 하나의 방법은: 전자 저장 매체에서, 하나 이상의 포인트들에서 기하학적 특징들을 가진 환자의 혈관 구조의 적어도 일 부분의 환자-특정 이미지 데이터를 수신하는 것; 수신된 이미지 데이터로부터, 환자-특정 축소 차수 모델을 생성하는 것으로서, 상기 환자-특정 축수 차수 모델은 환자의 혈관 구조의 하나 이상의 포인트들에서 임피던스 값들의 추정치들 및 기하학적 특징들의 단순화를 포함하는, 상기 환자-특정 차수 모델을 생성하는 것; 환자-특정 축소 차수 모델의 하나 이상의 포인트들의 각각에 대해 임피던스 값들의 추정치들 및 기하학적 특징들을 포함한 특징 벡터를 생성하는 것; 및 하나 이상의 포인트들에서의 생성된 특징 벡터들에 기초하여 혈류 특성들을 예측하도록 트레이닝된 기계 학습 알고리즘을 사용하여 환자-특정 축소 차수 모델의 하나 이상의 포인트들에서 혈류 특성들을 결정하는 것을 포함한다.

Description

축소 차수 모델 및 기계 학습을 사용한 혈류 특성들의 추정을 위한 시스템 및 방법들
관련 출원(들)
본 출원은 2016년 9월 20일에 출원된 미국 가 출원 번호 제62/396,965호에 대한 우선권을 주장하며, 그 전체 개시는 여기에서 전체적으로 참조로서 통합된다.
기술분야
본 발명의 다양한 실시예들은 일반적으로 혈관계(들)의 진단 및 치료 계획에 관한 것이다. 보다 구체적으로, 본 발명의 특정한 실시예들은 축소 차수 모델들 및/또는 기계 학습을 사용하여 혈류 특성들의 추정을 위한 시스템들 및 방법들에 관한 것이다.
관상 동맥들에서 혈류는, 허혈, 심근으로의 혈액 관류 등의 존재 또는 정도를 포함한, 유용한 정보를 제공할 수 있다. 소동맥들에서 혈류의 직접 측정은 어려울 수 있으므로, 혈류는 심장 컴퓨터 단층 촬영(CT) 스캔들, 자기 공명 영상(MRI), 초음파 등을 포함한 의료 영상 데이터로부터 도출된 환자-특정, 3-차원(3D) 기하학적 구조에 대한 나비에-스토크스 방정식(Navier-Stokes equations)을 품으로써 시뮬레이션될 수 있다. 해법 프로세스를 신속히 처리하기 위해, 3D 기하학적 구조는 면적 또는 변경들에 의해 파라미터화된 중심선들의 1차원 골격으로 단순화될 수 있으며, 혈류 특성들(예로서, 압력들, 유량 등)은 예를 들면, 나비에-스토크스 방정식의 단순화를 품으로써, 이들 중심선들을 따라 산출될 수 있다. 이들 기술들은 나비에-스토크스 방정식에 대한 해법의 상당히 더 빠른 계산을 가능하게 할 수 있지만, 그것들은 3D 기하학적 구조에 대한 나비에-스토크스 방정식을 푸는 것만큼 정확하지 않을 수 있다.
해부학적 모델의 국소화된 영역들에서 혈류 특성들의 보다 정밀하고 정확한 산출을 제공할 수 있는 방법들에 대한 바람이 있으며, 여기에서 1D 기하학적 구조로의 단순화를 수반한 방법은 충분히 정확하지 않다. 이러한 원하는 방법은 계산 시간을 상당히 개선하면서 정확성을 유지할 수 있다. 최적의 해법을 산출하고 및/또는 환자의 해부학의 기하학적 특성들에 대한 지식을 개선할 최적의 기하학적 파라미터화를 결정하고, 그에 의해 의료 영상을 강화하기 위해 이들 모델들을 이용하는 방법에 대한 바람이 또한 있다.
축소 차수 모델들 및/또는 기계 학습을 사용한 혈류 특성들의 추정을 위한 시스템들 및 방법들에 대한 본 발명의 다양한 실시예들이 이하에서 설명된다.
하나의 방법은: 전자 저장 매체에서, 하나 이상의 포인트들에서 기하학적 특징들을 가진 환자의 혈관 구조의 적어도 일 부분의 환자-특정 이미지 데이터를 수신하는 단계; 상기 수신된 이미지 데이터로부터 환자-특정 축소 차수 모델을 생성하는 단계로서, 상기 환자-특정 축소 차수 모델은 상기 환자의 혈관 구조의 하나 이상의 포인트들에서 임피던스 값들의 추정치들 및 상기 기하학적 특징들의 단순화를 포함하는, 상기 환자-특정 축소 차수 모델 생성 단계; 상기 환자-특정 축소 차수 모델의 하나 이상의 포인트들의 각각에 대해 임피던스 값들의 추정치들 및 기하학적 특징들을 포함한 특징 벡터를 생성하는 단계; 및 상기 하나 이상의 포인트들에서 상기 생성된 특징 벡터들에 기초하여 혈류 특성들을 예측하도록 트레이닝된 기계 학습 알고리즘을 사용하여 상기 환자-특정 축소 차수 모델의 하나 이상의 포인트들에서 혈류 특성들을 결정하는 단계를 포함한다.
또 다른 실시예에 따르면, 축소 차수 모델들 및/또는 기계 학습을 사용한 혈류 특성들의 추정을 위한 시스템은: 축소 차수 모델들 및/또는 기계 학습을 사용하여 혈류 특성들의 추정을 위한 지시들을 저장하는 데이터 저장 디바이스; 및 프로세서로서: 전자 저장 매체에서, 하나 이상의 포인트들에서 기하학적 특징들을 가진 상기 환자의 혈관 구조의 적어도 일 부분의 환자-특정 이미지 데이터를 수신하고; 상기 수신된 이미지 데이터로부터 환자-특정 축소 차수 모델을 생성하는 것으로서, 상기 환자-특정 축소 차수 모델은 상기 환자의 혈관 구조의 하나 이상의 포인트들에서 임피던스 값들의 추정치들 및 기하학적 특징들의 단순화를 포함하는, 상기 환자-특정 축소 차수 모델을 생성하고; 상기 환자-특정 축소 차수 모델의 하나 이상의 포인트들의 각각에 대해 임피던스 값들의 추정치들 및 기하학적 특징들을 포함한 특징 벡터를 생성하며; 상기 하나 이상의 포인트들에서 생성된 특징 벡터들에 기초하여 혈류 특성들을 예측하도록 트레이닝된 기계 학습 알고리즘을 사용하여 상기 환자-특정 축소 차수 모델의 하나 이상의 포인트들에서 혈류 특성들을 결정하기 위해 구성된, 상기 프로세서를 포함한다.
또 다른 실시예에 따르면, 축소 차수 모델들 및/또는 기계 학습을 사용하여 혈류 특성들의 추정을 위한 컴퓨터-실행 가능한 프로그래밍 지시들을 포함한 컴퓨터 시스템상에서의 사용을 위한 비-일시적 컴퓨터 판독 가능한 매체로서, 방법은: 전자 저장 매체에서, 하나 이상의 포인트들에서 기하학적 특징들을 가진 환자의 혈관 구조의 적어도 일 부분의 환자-특정 이미지 데이터를 수신하는 것; 상기 수신된 이미지 데이터로부터 환자-특정 축소 차수 모델을 생성하는 것으로서, 상기 환자-특정 축소 차수 모델은 상기 환자의 혈관 구조의 하나 이상의 포인트들에서 임피던스 값들의 추정치들 및 기하학적 특징들의 단순화를 포함하는, 상기 환자-특정 축소 차수 모델을 생성하는 것; 상기 환자-특정 축소 차수 모델의 상기 환자의 하나 이상의 포인트들의 각각에 대해 상기 임피던스 값들의 추정치들 및 기하학적 특징들을 포함한 특징 벡터를 생성하는 것; 및 상기 하나 이상의 포인트들에서 상기 생성된 특징 벡터들에 기초하여 혈류 특성들을 예측하도록 트레이닝된 기계 학습 알고리즘을 사용하여 상기 환자-특정 축소 차수 모델의 하나 이상의 포인트들에서 혈류 특성들을 결정하는 것을 포함한다.
개시된 실시예들의 부가적인 목적들 및 이점들은 이어지는 설명에서 부분적으로 제시될 것이며, 부분적으로 설명으로부터 명백해질 것이거나, 또는 개시된 실시예들의 실시에 의해 학습될 수 있다. 개시된 실시예들의 목적들 및 이점들은 첨부된 청구항들에서 특히 나타내어진 요소들 및 조합들에 의해 실현되고 달성될 것이다.
앞서 말한 일반적인 설명 및 다음의 상세한 설명 양쪽 모두는 단지 대표적이며 설명적이고 주장된 대로, 개시된 실시예들을 제한하지 않는다는 것이 이해될 것이다.
본 명세서에 통합되며 그것의 부분을 구성하는, 첨부된 도면들은 다양한 대표적인 실시예들을 예시하며, 설명과 함께, 개시된 실시예들의 원리들을 설명하도록 작용한다.
도 1은 본 발명의 대표적인 실시예에 따라, 축소 차수 모델들 및/또는 기계 학습을 사용하여 혈류 특성들을 예측하거나 또는 추정하기 위한 대표적인 시스템 및 네트워크(100)의 블록도이다.
도 2는 본 발명의 대표적인 실시예에 따라, 축소 차수 모델들 및/또는 기계 학습을 사용하여 혈류 특성들을 예측하거나 또는 추정하는 일반적인 방법(200)의 블록도이다.
도 3은 본 발명의 대표적인 실시예에 따라, 이미지 데이터로부터 축소 차수 모델을 생성하며 임피던스 값들을 결정하기 위해 축소 차수 모델을 사용하는 일반적인 방법(300)의 블록도이다.
도 4a 내지 도 4c는 본 발명의 대표적인 실시예에 따라, 축소 차수 모델을 사용하여 혈류 특성들을 추정하기 위해 기계 학습 알고리즘을 트레이닝하고 실행하는 대표적인 방법들(400A 내지 400C)의 블록도들이다.
방법들에서 설명된 단계들은 임의의 순서로, 또는 임의의 다른 단계와 함께 수행될 수 있다. 단계들 중 하나 이상은 본 발명에서 설명된 방법들을 수행하기 위해 생략될 수 있다는 것이 또한 고려된다.
참조가 이제 본 발명의 대표적인 실시예들에 대해 상세하게 이루어질 것이며, 그 예들은 수반되는 도면들에서 예시된다. 어디에 있든 가능하다면, 동일한 참조 번호들은 동일한 또는 유사한 부분들을 나타내기 위해 도면들 전체에 걸쳐 사용될 것이다.
본 발명의 다양한 실시예들은 축소 차수 모델들 및/또는 기계 학습을 사용하여 혈류 특성들의 추정을 위한 시스템들 및 방법들을 제공할 수 있다. 본 발명의 목적들을 위해, 혈류 특성들은, 이에 제한되지 않지만, 혈압, 분획 혈류 예비력(fractional flow reserve; FFR), 혈류량, 혈류 속도, 속도 또는 압력 필드, 혈류 역학적 힘들, 및 장기 및/또는 조직 관류 특성들을 포함할 수 있다. 본 발명의 적어도 몇몇 실시예들은, 예로서, 축소 차수 모델의 사용을 통해, 이미지 데이터로부터 혈류 특성들의 보다 빠른 계산을 전달하는 이익들을 제공할 수 있지만, 예로서, 트레이닝된 기계 학습 알고리즘을 이용함으로써, 혈류 특성들의 보다 정확한 계산을 보장한다. 이들 이익들을 달성하기 위해, 축소 차수 모델 외에 다른 단순화된 기하학적 구조를 가진 다른 모델들이 또한 축소 차수 모델을 대신하여 또는 그것에 더하여 사용될 수 있다는 것이 고려된다.
이제 도면들을 참조하면, 도 1은 대표적인 실시예에 따라, 축소 차수 모델들 및/또는 기계 학습을 사용하여 혈류 특성들의 추정을 위한 대표적인 시스템(100) 및 네트워크의 블록도를 묘사한다. 구체적으로, 도 1은 복수의 의사들(102) 및 제3자 제공자들(104)을 묘사하며, 그 중 누군가는 하나 이상의 컴퓨터들, 서버들, 및/또는 핸드헬드 이동 디바이스들을 통해, 인터넷과 같은, 전자 네트워크(100)에 연결될 수 있다. 의사들(102) 및/또는 제3자 제공자들(104)은 하나 이상의 환자의 몸의 이미지들을 생성하거나 또는 그 외 획득할 수 있다. 의사들(102) 및/또는 제3자 제공자들(104)은 또한 환자-특정 및/또는 기준 해부학적 이미지들, 생리학적 측정치들, 및/또는, 이에 제한되지 않지만, 환자의 관심 있는 혈관들의 기하학적 및/또는 해부학적 특성들, 혈류 특성들, 관심 있는 혈관들에 대한 임피던스 값들 등을 포함한 정보의 임의의 조합을 획득할 수 있다. 몇몇 실시예들에서, 의사들(102) 및/또는 제3자 제공자들(104)은 또한, 그것이 축소 차수 또는 집중 파라미터 모델에 관한 것이므로, 혈류 특성들에 관련된 기준 값들을 획득할 수 있다. 예를 들면, 1차원 전기 회로에 대한 혈류 특성들을 단순화한 축소 차수 모델에 대해, 의사들(102) 및/또는 제3자 제공자들(104)은 단순화될 수 있는 혈류 특성들에 기초하여 파라미터들의 라이브러리 또는 룩-업 테이블로부터 저항, 정전용량, 및/또는 인덕턴스 값들을 획득할 수 있다.
의사들(102) 및/또는 제3자 제공자들(104)은 전자 네트워크(100)를 통해 서버 시스템들(106)로 해부학적 이미지들, 생리적 정보, 및/또는 관심 있는 혈관들에 대한 정보를 송신할 수 있다. 서버 시스템들(106)은 의사들(102) 및/또는 제3자 제공자들(104)로부터 수신된 이미지들 및 데이터를 저장하기 위해 저장 디바이스들을 포함할 수 있다. 서버 시스템들(106)은 또한 저장 디바이스들에 저장된 이미지들 및 데이터를 프로세싱하기 위해 프로세싱 디바이스들을 포함할 수 있다.
도 2는 본 발명의 대표적인 실시예에 따라, 축소 차수 모델들 및/또는 기계 학습을 사용하여 혈류 특성들을 추정하는 방법(200)을 묘사한다.
몇몇 실시예들에서, 방법(200)의 단계(202)는 환자의 관심 있는 혈관계, 혈관 구조, 또는 혈관의 환자-특정 해부학적 모델을 수신하는 것을 포함할 수 있다. 몇몇 실시예들에서, 모델 대신에, 환자-특정 이미지 데이터가 환자의 관심 있는 혈관계, 혈관 구조, 또는 혈관에 대해 수신될 수 있다. 그 아래에 관심 있는 혈관 또는 혈관 구조가 속할 수 있는, 혈관계는, 관상 혈관 모델, 대뇌 혈관 모델, 말초 혈관 모델, 간 혈관 모델, 콩팥 혈관 모델, 내장 혈관 모델, 또는 협착성 병변들 또는 플라크 형성에 취약할 수 있는 혈액을 공급하는 혈관들을 가진 임의의 혈관 모델을 포함할 수 있다. 몇몇 실시예들에서, 환자의 관심 있는 혈관계, 혈관 구조, 또는 혈관의 다른 환자 데이터, 예를 들면, 측정된 혈류 특성들 및/또는 속성들이 수신될 수 있다. 이미지 데이터 및/또는 혈류 특성들 및/또는 속성들은 환자로부터 비-침습성으로 및/또는 침습성으로 획득될 수 있거나(예로서, 스캐닝 양식 또는 의료 디바이스를 통해), 또는 모집단 연구들을 통해 획득될 수 있다(예로서, 환자와의 유사성들에 기초하여).
단계(204)는 적절한 경계 조건들이 적용될 수 있는 위치들에서 환자-특정 해부학적 모델을 절단하는 것을 포함할 수 있다. 이러한 절단은 예로서, 영상 양식에서 가시적인 동맥들에서 병의 위치들에 원위이며, 해부학적 정보(예로서, 단계(202)에서 수신된 해부학적 정보)로부터 식별된 하나 이상의 혈관들을 포함하는, 혈관 협소화의 영역들이 캡처될 수 있도록 수행될 수 있다.
단계(206)는 혈류 특성들을 추정하기 위해 절단된 환자-특정 해부학적 모델에 경계 조건들을 적용하는 것을 포함할 수 있다. 추정된 혈류 특성들은 축소 차수 모델을 생성하기 위해 사용될 수 있는 근사법을 제공할 수 있다(예로서, 212A에서처럼). 몇몇 실시예들에서, 적용된 경계 조건들은 계산 유체 역학들(CFD)을 사용하여 결국 혈류 특성들에 대해 풀기 위해 사용될 수 있다(예로서, 212B). 경계 조건들은 3차원 모델의 경계들, 예로서 유입 경계들 또는 유입구들, 유출 경계들 또는 유출구들, 혈관 벽 경계들 등에서 혈류 역학들에 대한 정보를 제공한다. 유입 경계들 또는 유입구들은 그것을 통해 흐름이 대동맥에서와 같은, 3-차원 모델의 몸으로 향해지는 경계들을 포함할 수 있다. 유입 경계는, 예를 들면, 심장 모델 및/또는 집중 파라미터 모델을 경계에 결합함으로써, 예로서 속도, 유량, 압력, 또는 다른 특성에 대한 규정된 값 또는 필드를 갖고 할당될 수 있다. 대동맥에서 유량은 심박출량에 의해 추정되고, 직접 측정되거나 또는 스케일링 법칙을 사용하여 환자의 질량으로부터 도출될 수 있다. 몇몇 실시예들에서, 대동맥의 유량은 2013년 4월 17일에 출원되고 여기에서 전체적으로 참조로서 통합된 미국 특허 번호 제9,424,395호("혈류 특성들을 모델링할 때 민감도 분석을 위한 방법 및 시스템")에서 설명된 방법들을 사용하여 심박출량에 의해 추정될 수 있다.
예를 들면, 순 심박출량(Q)은
Figure pct00001
(심박출량)으로서 체표면적(BSA)으로부터 산출될 수 있다. 체표면적(BSA)은
Figure pct00002
로서 키(h) 및 체중(w)으로부터 산출될 수 있다. 관상동맥 유량(qcor)은
Figure pct00003
으로서 심근 잘량(mmyo)으로부터 산출될 수 있으며, 여기에서 cdil은 팽창 인자이다. 따라서, 대동맥에서 흐름은 Q-qcor일 수 있다.
마찬가지로, 대안적으로 또는 부가적으로, 단계(210)는 CFD를 사용하여 절단된 환자-특정 해부학적 모델에 대한 혈류 특성들을 결정하는 것을 포함할 수 있다.
따라서, 단계(210)는 절단된 환자-특정 해부학적 모델을 하나 이상의 영역들로 분리하는 것을 포함할 수 있다. 분리는 적용된 경계 조건들로부터(예로서, 단계 206으로부터)의 혈류 특성들의 추정에 기초하여 수행될 수 있다. 대안적으로 또는 부가적으로, 단계(210)는 (예로서, 여기에서 설명된 단계(212B)로부터) CFD를 사용하여 결정된 혈류 특성들에 기초하여 절단된 환자-특정 해부학적 모델을 하나 이상의 영역들로 분리하는 것을 포함할 수 있다. 몇몇 실시예들에서, 환자의 관심 있는 혈관계, 혈관 구조, 또는 혈관의 적어도 부분에 대한 혈류 특성들의 측정들은 또한 관심 있는 혈관계, 혈관 구조, 또는 혈관의 환자-특정 해부학적 모델과 함께 수신될 수 있다(예로서, 단계(202)에서처럼). 이러한 실시예들에서, 절단된 환자-특정 해부학적 모델은 측정된 혈류 특성들에 기초하여 하나 이상의 영역들로 분리될 수 있다. 모델은 흐름 특성들에 기초하여 상이한 영역들, 예로서 (i) 입구 분지, (ii) 비-입구 분지, (iii) 협착, (iv) 협착-후 면적 팽창, (v) 건강 등으로 분리될 수 있다. 이들 영역들의 각각은 미리 결정된 길이를 갖고 서브-영역들로 추가로 분리될 수 있다. 몇몇 실시예들에서, 단계(204 및 210)는 조합될 수 있거나(예로서, 영역 경계들에서 절단하여), 또는 두 개의 단계들 중 하나가 건너뛰어질 수 있다(예로서, 방법에 대한 단일 영역을 사용하여).
단계(212A)는 하나 이상의 영역들의 각각의 영역에 대한 축소 차수 모델을 생성하는 것을 포함할 수 있다. 축소 차수 모델은 중심선들을 따라 반경들의 세트를 사용하여 기하학적 구조를 파라미터화할 수 있으며 혈류 프로파일에 대한 가정을 함으로써 단순화된 나비에-스토크스 방정식을 풀 수 있다. 축소 차수 또는 집중 파라미터 모델은 보다 복잡한(예로서, 3D) 모델의 기하학적 특징들을 갖지 않을 수 있으므로, 축소 차수 또는 집중 파라미터 모델은 보다 복잡한 모델의 기하학적 특징들("단순화된 기하학적 특징들")의 단순화를 묘사할 수 있으며, 예로서 기하학적 특징들은 단수형 차원에 대하여 설명된다. 예를 들면, 혈관의 둘레의 협소화의 3-차원 기하학적 특징은 축소 차수 및/또는 집중 파라미터 모델에 대한 혈관 직경에서의 감소의 단순화된 기하학적 특징일 수 있다. 따라서, 3D 기하학은 축소 차수 및/또는 집중 파라미터 모델에 대한 중심선을 따라 반경들의 세트에 의해 표현될 수 있다. 그러나, 예로서 원래 3D 해부학 또는 모델로부터의, 기하학적 특징들은, 예를 들면, 기계 학습 알고리즘에서 특징 벡터들을 생성할 목적들을 위해 수량화되고 및/또는 분리화될 수 있다. 기하학적 특징들의 예들은, 이에 제한되지 않지만, 가장 가까운 분지로부터의 거리, 입구로부터의 거리, 최소 상류 직경 등을 포함할 수 있다.
단계(214A)는 각각의 축소 차수 모델(또는 단계(212)로부터의 축소 차수 모델들 중 하나 이상)에서 하나 이상의 포인트들에 대한 임피던스 값을 추정하는 것을 포함할 수 있다. 임피던스 값들은 예비 축소 차수 및/또는 집중 파라미터 모델에 기초하여 혈류 특성들의 추정을 수반할 수 있다. 예를 들면, 혈류 특성들은 경계 조건들로부터 추정되거나 또는 환자로부터 측정될 수 있다. 몇몇 실시예들에서, 이들 축소 차수 모델들은 영역의 기하학적 특성들에 기초할 수 있다. 일 실시예에서, 이들 축소 차수 모델들은 추가로 혈류 속성들(예로서, 점성, 밀도, 유량 등) 및/또는 혈류 특성들에 기초할 수 있다. 이러한 실시예들에서, 환자의 관심 있는 혈관계, 혈관 구조, 또는 혈관의 적어도 부분에 대한 혈류 속성들의 측정들은 또한 관심 있는 혈관계, 혈관 구조, 또는 혈관의 환자-특정 해부학적 모델과 함께 수신될 수 있다(예로서, 단계(202)에서처럼). 마찬가지로, 환자의 생리적 및/또는 표현형 파라미터들은 또한 임피던스 값들의 추정에 영향을 줄 수 있으며, 이들 파라미터들이 또한 수신될 수 있다(예로서, 단계(202)에서). 몇몇 실시예들에서, 축소 차수 및/또는 집중 파라미터 모델은 해부학적 모델을 통한 혈류의 경로를 나타내는 1-차원 전기 회로에 대해 해부학적 모델을 단순화할 수 있다. 이러한 실시예들에서, 임피던스는 전기 회로상에서 저항 값들(및 다른 전기 특징들)에 의해 표현될 수 있다.
상기 설명된 단계들(212A 및 214A)은 축소 차수 및/또는 집중 파라미터 모델을 통해 임피던스 값들을 추정하고 및/또는 결정하기 위한 방법을 설명할 수 있지만, 단계들(212B 및 214B)은 CFD 분석을 통해 임피던스 값들을 추정하고 및/또는 결정하기 위한 방법을 설명할 수 있다.
예를 들면, 단계(212B)는 CFD 분석 또는 시뮬레이션을 사용하기 위해 혈류 특성들을 푸는 것을 포함할 수 있다. 단계(212B)는 CFD 분석 또는 시뮬레이션에서 적용된 경계 조건들(예로서, 206으로부터)을 이용할 수 있다.
더욱이 단계(212B)는 전체 시스템을 위한 혈류 특성들(예로서, 환자의 관심 있는 혈관계, 혈관 구조, 또는 혈관의 환자-특정 해부학적 모델에 의해 표현된), 절단된 환자-특정 해부학적 모델에 대한, 또는 환자-특정 모델의 하나 이상의 영역들(단계(210)에서 분리된)의 각각의 영역에 대한 혈류 특성들을 산출하는 것을 포함할 수 있다. 예를 들면, 단계(212B)는 속도 및 압력에 대해 혈류를 통제하는 방정식들을 풀기 위해 단계(206)에서 적용된 경계 조건들을 사용하는 것을 포함할 수 있다. 일 실시예에서, 단계(212B)는 할당된 경계 조건들을 사용하여, 해부학적 모델의 하나 이상의 포인트들 또는 면적들에 대한 혈류 속도 필드 또는 유량 필드의 계산을 포함할 수 있다. 이러한 속도 필드 또는 유량 필드는 상기 제공된 생리적 및/또는 경계 조건들을 사용하여 혈류의 방정식들을 푸는 것에 의해 계산된 것과 동일한 필드일 수 있다. 단계(212B)는 환자-특정 해부학적 모델의 하나 이상의 위치들에서 혈류를 통제하는 스칼라 이류-확산 방정식을 푸는 것을 추가로 포함할 수 있다.
단계(214B)는 CFD를 사용하여 산출된 혈류 특성들을 사용하여 하나 이상의 영역들의 각각의 영역에 대한 하나 이상의 포인트들에 대한 임피던스 값을 결정하는 것을 포함할 수 있다. 몇몇 실시예들에서, 임피던스 값은 CFD를 사용하여 푼 혈류 특성으로부터의 근사치 및/또는 단순화일 수 있다(단계(212A)에서 축소 차수 및/또는 집중 파라미터 모델로부터의 추정과 대조적으로).
단계(214A 및/또는 214B)에 대해, 임피던스 값들은, 예를 들면, 저항 값, 정전용량 값, 및/또는 인덕턴스 값을 포함할 수 있다.
저항은 예로서, 혈관의 대응 세그먼트를 통해 추정된 유량에 의존하여, 일정하고, 선형이거나, 또는 비-선형일 수 있다. 협착과 같은, 보다 복잡한 기하학적 구조들에 대해, 저항은 유량에 따라 달라질 수 있다. 다양한 기하학적 구조들에 대한 저항들은 계산 분석(예로서, 유한 차분, 유한 볼륨, 스펙트럼, 격자 볼츠만, 입자-기반, 레벨 세트, 등기하학상, 또는 유한 요소 방법, 또는 다른 계산 유체 역학(CFD) 분석 기술)에 기초하여 결정될 수 있으며, 상이한 흐름 및 압력 조건들 하에서 수행된 계산 분석으로부터의 다수의 해법들이 환자-특정, 혈관-특정, 및/또는 병변-특정 저항들을 도출하기 위해 사용될 수 있다. 결과들은 모델링될 수 있는 임의의 세그먼트의 다양한 유형들의 특징들 및 기하학적 구조들에 대한 저항들을 결정하기 위해 사용될 수 있다. 그 결과, 상기 설명된 바와 같이 환자-특정, 혈관-특정, 및/또는 병변-특정 저항들을 도출하는 것은 컴퓨터 시스템이 비대칭 협착, 다수의 병변들, 분지들 및 가지들 및 구불구불한 혈관들에서의 병변들 등과 같은 보다 복잡한 기하학적 구조를 인식하고 평가하도록 허용할 수 있다.
커패시터들은 또한 축소 차수 또는 집중 파라미터 모델들에서 임피던스로서 및/또는 특징으로서 포함될 수 있다. 정전용량은, 예로서 대응 세그먼트의 혈관 벽들의 탄성에 기초하여, 결정될 수 있다. 인덕터들이 포함될 수 있으며, 인덕턴스가, 예로서, 대응 세그먼트를 통해 흐르는 혈액량의 가속 또는 감속에 관련된 관성 효과들에 기초하여, 결정될 수 있다.
축소 차수 및/또는 집중 파라미터 모델들에서 사용된 다른 전기 구성요소들과 연관된 저항, 정전용량, 인덕턴스, 및 다른 변수들에 대한 개개의 값들은 많은 환자들로부터의 데이터에 기초하여 도출될 수 있으며, 유사한 혈관 기하학적 구조들이 유사한 값들을 가질 수 있다. 따라서, 경험적 모델들은 환자-특정 데이터의 큰 모집단으로부터 개발될 수 있어서, 미래 분석들에서 유사한 환자들에 적용될 수 있는 특정 기하학적 특징들에 대응하는 값들의 라이브러리를 생성한다. 기하학적 구조들은 이전 시뮬에이션으로부터 환자의 관심 세그먼트 또는 혈관에 대한 값들을 자동으로 선택하기 위해 두 개의 상이한 혈관 세그먼트들 사이에서 매칭될 수 있다.
단계(216)는, 각각의 영역에서의 하나 이상의 포인트들에 대해, CFD를 사용하여 산출된 혈류 특성들을 사용하여 결정된 임피던스 값으로부터 축소 차수 모델의 임피던스 값의 에러(예로서, 차이)를 결정하는 것을 포함할 수 있다. 단계(218)는 적절한 세트의 특징들을 갖고 축소 차수 모델을 업데이트하기 위해 임피던스 값들의 에러들을 사용하여 기계-학습 알고리즘을 트레이닝하는 것을 포함할 수 있다. 기계 학습 회귀변수는 단계(216)에서 산출된 에러들에 대해 트레이닝될 수 있다. 그러므로, 축소 차수 모델을 풀고 CFD를 사용하여 산출된 혈류 특성들에 대하여 에러들을 산출한 후, 단계(218)는 특징들의 세트(예로서, 기하학적, 임상적, 흐름-관련 등)를 정의하는 것, 및 보다 양호한 혈류 해법을 추정하기 위해 에러들에 특징들을 매핑시키는 것을 포함할 수 있다. 기하학적 특징들(예로서, 협착의 정도, 입구로부터의 거리, 분지로부터의 거리, 최악의 상류 협착 등), 흐름-관련 특징들(예로서, 하류 경계 조건들), 및/또는 축소 차수 모델로부터 직접 산출된 특징들(예로서, 저항들)을 포함한 특징들의 세트가 사용될 수 있다. 상이한 후보 기계-학습 알고리즘들 또는 회귀변수들이 이용될 수 있다(예로서, 랜덤 결정 숲들, 신경망들, 다-층 퍼셉트론들(perceptrons) 등). 트레이닝된 기계 학습 알고리즘은, 예로서 새로운(또는 정정된) 임피던스 값들을 결정함으로써, 축소 차수 모델(들)을 업데이트하기 위해 사용될 수 있다. 단계(220)는 혈류 특성들을 결정하기 위해 업데이트된 축소 차수 모델을 사용하는 것을 포함할 수 있다. 예를 들면, 학습된 임피던스들은 흐름 및 압력을 추정하기 위해 사용될 수 있다. 도 4a의 방법(400A)은 추가로 상세하게 이러한 기계 학습 알고리즘의 트레이닝을 설명할 수 있다.
대안적으로, 회귀변수는 CFD 또는 측정된 값들을 매칭시키기 위해 이상화된 기하학적 구조를 예측하도록 트레이닝될 수 있다. 기계 학습 알고리즘을 사용하여 결정된 이러한 이상화된 기하학적 구조는 이러한 시스템으로의 입력들로서(예로서, 축소 차수 및/또는 집중 파라미터 모델들의 단순화된 기하학적 특징들을 최적화하는) 또는 나비에-스토크스 방정식의 빠른 계산을 가능하게 하는 시스템의 부분으로서 사용될 수 있다. 예를 들면, 회귀변수는 축소 차수 모델의 기하학적 특징들의 최적의 파라미터화 및/또는 단순화를 결정하기 위해 사용될 수 있으며, 따라서 축소 차수 모델은 혈류 특성들을 보다 정확하게 계산할 수 있다. 방법(400B) 또는 도 4b는 추가로 상세하게 이러한 기계 학습 알고리즘의 트레이닝을 설명할 수 있다.
몇몇 실시예들에서, 방법(200)의 결과들은 전자 저장 매체 또는 디스플레이로 출력될 수 있다. 결과들은 혈류 특성들을 포함할 수 있다. 결과들은 컬러 맵들을 사용하여 시각화될 수 있다.
도 3은 본 발명의 대표적인 실시예에 따라, 이미지 데이터로부터 축소 차수 모델을 생성하며 임피던스 값들을 결정하기 위해 축소 차수 모델을 사용하는 일반적인 방법(300)의 블록도이다.
방법(300)의 단계(302)는 관심 있는 혈관들 또는 혈관 영역을 포함한 이미지 데이터(또는 해부학적 이미지들 및/또는 정보)를 수신하는 것을 포함할 수 있다. 이러한 실시예들에서, 이미지 데이터, 해부학적 이미지들, 및/또는 정보가 전자 저장 매체에 저장될 수 있다. 관심 혈관들은, 예를 들면, 관상 혈관계의 다양한 혈관들을 포함할 수 있다. 다른 실시예들에서, 이에 제한되지 않지만, 관상 혈관계, 대뇌 혈관계, 말초 혈관계, 간 혈관계, 콩팥 혈관계, 내장 혈관계, 또는 협착성 병변들 또는 플라크 형성에 취약할 수 있닌 혈액을 공급하는 혈관들을 가진 임의의 혈관계를 포함한, 다른 혈관계들의 혈관들이 또한 캡처될 수 있다. 해부학적 이미지들 및/또는 정보는 스캐닝 양식(예로서, 자기 공명(MR)의 형태들, 컴퓨터 단층 촬영(CT)의 형태들, 양전자 방출 단층 촬영(PET)의 형태들, X-선 등)으로부터 생성된 이미지들 및/또는 이미지 데이터로부터 추출될 수 있으며 및/또는 전자 저장 디바이스(예로서, 하드 드라이브)로부터 검색될 수 있다.
단계(308)는 모델을 하나 이상의 영역들로 분리하는 것을 포함할 수 있다. 몇몇 실시예들에서, 분리는 혈류 특성들의 해부학 및/또는 추정치들에 기초할 수 있다. 예를 들면, 이들 해부학적 및/또는 혈류 특성들은, 이에 제한되지 않지만, 입구 분지(310A), 비-입구 분지(310B), 협착 영역(들)(310C), 팽창 영역들(예로서, 협착-후)(310D), 및 건강한 영역(들)(310E)을 포함할 수 있다. 상이한 영역 데이터 특성들에 기초한 다른 영역 분리 기법들이 또한 추구될 수 있다. 몇몇 실시예들에서, 혈류 특성들의 추정치들은 단계들(304A 및 306, 및/또는 304B)을 통해 획득될 수 있다.
예를 들면, 단계(304A)는 수신된 이미지 데이터를 사용하여 관심 혈관들을 포함한 3-차원(3D) 해부학적 모델을 생성하는 것을 포함할 수 있다. 다른 실시예들에서, 2D 해부학적 모델이 생성될 수 있거나, 또는 시간적 차원을 가진 해부학적 모델이 생성될 수 있다. 해부학적 모델은 환자의 관심 혈관들을 포함한 수신된 또는 저장된 해부학적 이미지들 및/또는 정보로부터(예로서, 단계 302로부터) 생성될 수 있다. 이러한 실시예들에서, 3D 해부학적 모델의 구성은 분할 또는 관련된 방법들을 수반할 수 있다. 분할은 예로서, 추출된 중심선에 기초하여, 시드들을 위치시키며, 하나 이상의 분할 모델들(예로서, 여기에서 전체적으로 통합되는, 2011년 1월 25일에 출원된, 미국 특허 번호 제8,315,812호에서 설명된 바와 같이, "임계-기반 분할")을 형성하기 위해 이미지 데이터로부터 강도 값들을 사용함으로써 발생할 수 있다. 분할은 또한, 에지가 도달될 때까지(예로서, 여기에서 전체적으로 참조로서 통합되는, 2011년 1월 25일에 출원된, 미국 특허 번호 제8,315,812호에서 설명된 바와 같이, "임계-기반 분할) 이미지 데이터의 강도 값들을 사용하여 에지들(예로서, 내강의)의 위치를 찾고, 시드들을 위치시키며, 시드들을 팽창시킴으로써 발생할 수 있다. 몇몇 실시예들에서, 마칭 큐브(marching cube) 알고리즘이 또한 분할을 위해 사용될 수 있다.
단계(306)는 3D 해부학적 모델을 사용하여 관심 혈관들의 혈류 특성들을 결정하는 것을 포함할 수 있다.
부가적으로 또는 대안적으로, 단계(308)에서의 분리는 혈류 특성들의 쉰된 추정치들로부터 발생할 수 있다. 예를 들면, 단계(304B)는, 예로서, 모집단 도출 데이터, 환자 연구들, 또는 측정들로부터, 관심 혈관들의 혈류 특성들의 추정치들을 수신하는 것을 포함할 수 있다. 단계(312)는 영역(들)의 분리된 이미지 데이터로부터 단순화된 기하학적 구조를 도출하는 것을 포함할 수 있다. 일 실시예에서, 기하학적 구조는 단계(302)에서 수신된 이미지 데이터의 원래 3-D 기하학적 구조로부터 또는 단계(304A)에서 생성된 3-D 모델로부터 도출될 수 있다. 기하학적 구조는 중심선 포인트들 및 연관된 반경에 의해 정의될 수 있다. 일 실시예에서, 최적의 1-D 기하학적 구조가 도출되거나 또는 3-D 혈류 시뮬레이션들에 비교되는 1-D 혈류 시뮬레이션의 최적의 성능을 야기한다고 학습될 수 있다.
일단 기하학적 구조가 정의되면, 각각의 중심선 포인트(xi)에서 임피던스 값들은 정의된 기하학적 구조에 기초하여 계산될 수 있다. 따라서, 단계(314)는 영역(들)을 통해 혈류에 대한 하나 이상의 임피던스 값들을 결정하는 것을 포함할 수 있다. 임피던스들은, 예를 들면, 혈류 특성들(예로서, 압력, 유량 등), 또는 그것들의 유사한 표현들 또는 단순화들(예로서, 저항, 정전용량, 인덕턴스 등)을 포함할 수 있다. 따라서, 단계(314)는 영역(들)을 통해 혈류에 대한 하나 이상의 임피던스 값들을 결정하는 것을 포함할 수 있다. 예를 들면, 유체-기계 임피던스는 데이터로부터 추정될 수 있다. 몇몇 경우들에서, 이러한 데이터는 3D 혈류 시뮬레이션들로부터 추정될 수 있거나(예로서, 단계(306) 또는 도 2의 단계들(210B, 212B, 및 214B)에서처럼), 또는 데이터는 흐름 및 압력의 측정들로부터 오고/도출될 수 있다(예로서, 단계(304B)에서처럼). 임피던스는 흐름에 대한 저항(혈압 대 유량의 비)(314A), 맥동하기 위한 관상 동맥들의 능력(동맥의 엘라스턴스로부터)(314B) 등을 포함할 수 있다.
각각의 중심선 포인트(xi)에서의 압력은
Figure pct00004
에 의해, 주어진 대동맥압으로 시작하여 계산될 수 있으며, 여기에서
Figure pct00005
μ = 혈액 점도;
Figure pct00006
ri = 포인트(xi)에서의 반경
ρ = 혈액 밀도;
Ai = 단면적(반경(ri)을 가진 원의 면적); 및
Qi = xi에서 유량
Rloss는 다양한 방법들에 의해 결정될 수 있다. 예를 들면, Rloss는 미리 결정된 값(예로서, 0)으로서 선택되고, 임의의 경험적 모델을 사용하여 결정되거나, 또는 기계 학습을 사용하여 학습될 수 있다.
이러한 축소 차수 모델에서 대표적인 에러들(전체 3D CFD 산출들과 비교하여)은 두 개의 주요 카테고리들로 나뉠 수 있다: (1) 축소 차수 저항 모델들에서 유효하지 않은 가정들 및 (2) 기하학적 구조 단순화 프로세스에 의해 유도된 기하학적 에러들. 제 1 유형의 에러로의 주요 기여는 양쪽 저항 모델들 모두의 정확도의 기저를 이루는 층류의 가정에 있을 수 있다. 가정은 가지 위치들로부터 멀리 건강한 동맥 영역들에서 동작할 수 있지만, 고도의 비-층류들은 가지 위치들에서 및 협착된 영역 후 팽창 영역에서 존재할 수 있다. ROM 에러들의 제 2 카테고리는 예로서, 중심선 포인트들을 생성하며 각각의 포인트에서 반경들을 정의하는, 생성된 단순화된 기하학적 구조에서 사용된 방법에 의존할 수 있다.
대체로, 시스템은 다음과 같이 표현될 수 있으며,
Pi+1 - Pi = (Ri,ML(Q))Qi
여기에서
Figure pct00007
, 및 손실(loss, △Ri(Q))은 데이터로부터 산출될 수 있으며, 이것은 유량에 의존할 수 있다. 몇몇 실시예들에서, 저항에서의 차이들은 기계 학습 근사법을 사용하여 근사될 수 있으며, 예로서,
Figure pct00008
단계(316)에서, 영역(들)을 통한 혈류에 대한 결정된 하나 이상의 임피던스 값들은 축소 차수 모델로 통합되고 및/또는 구축될 수 있다.
통합된 축소 차수 모델은 여기에서 설명된, 혈류 특성들을 추정하고 및/또는 결정하기 위해 사용될 수 있다(예로서, 도 4c의 방법(400C)에서처럼). 통합된 축소 차수 모델은 또한, 예로서 임피던스 값 또는 기하학적 특징(3D 이미지 데이터로부터 단순화된)을 변경함으로써, 병변들의 치료들을 계획하기 위해 사용되며, 및/또는 혈류를 시뮬레이션할 수 있다. 몇몇 실시예들에서, 통합된 축소 차수 모델은 전자 저장 매체 및/또는 서버 시스템들(106)의 디스플레이로 출력될 수 있다.
도 4a 내지 도 4c는 본 발명의 대표적인 실시예에 따라, 축소 차수 모델을 사용하여 혈류 특성들의 추정을 위해 기계 학습 알고리즘을 트레이닝하고 적용하는 대표적인 방법들(400A 내지 400C)의 블록도들이다. 게다가, 도 4a는 이미지 데이터로부터 도출된 모델(예로서, 축소 차수 또는 집중 파라미터 모델)의 혈류 특성들을 예측하기 위해 기계 학습 알고리즘을 트레이닝하는 대표적인 방법(400A)을 묘사한다. 도 4b는 혈류 특성들을 사용하여 이미지 데이터로부터 도출된 모델의 기하학적 특성들(예로서, 축소 차수 또는 집중 파라미터 모델의 단순화된 기하학적 특징들)을 예측하기 위해 기계 학습 알고리즘을 트레이닝하는 대표적인 방법(400B)을 묘사한다. 도 4c는 축소 차수 또는 집중 파라미터 모델을 사용하여 혈류 특성들을 결정하기 위해(예로서, 보다 정확하게), 또는 모델의 기하학적 특징들을 결정하기 위해 트레이닝된 기계 학습 알고리즘을 적용하는 대표적인 방법(400C)을 묘사한다.
혈류 특성들을 예측하기 위해 기계 학습 알고리즘을 트레이닝하는 대표적인 방법을 개시하는, 도 4a를 이제 참조하면, 단계(402)는 전자 저장 매체에서 적어도 환자의 관심 혈관 구조의 이미지 데이터를 수신하는 것을 포함할 수 있다. 수신된 이미지 데이터는, 예를 들면, 적어도 관심 혈관 구조의 환자-특정 3D 해부학적 모델을 생성하기 위해 사용될 수 있다(예로서, 404C에서처럼). 단계(406C)는 생성된 3D 해부학적 모델에 경계 조건들을 적용하는 것을 포함할 수 있다. 뿐만 아니라, 단계(408C)는 계산 유체 역학들(CFD)을 사용하여(예로서, 나비에-스토크스 방정식들을 사용하여) 환자-특정 3D 해부학적 모델의 하나 이상의 포인트들에서 혈류 특성들을 결정하는 것을 포함할 수 있다. 몇몇 실시예들에서, 단계들(406C 및 408C)은 도 2에 묘사된 바와 같이, 방법(200)의 단계들(206, 210B 및 212B)에서 설명된 방법들을 사용할 수 있다.
수신된 이미지 데이터는 또한 적어도 관심 혈관 구조의 대응하는 모집단-도출 3D 해부학적 모델을 결정하고 및/또는 수신하기 위해 사용될 수 있다(예로서, 단계(404B)에서처럼). 이러한 실시예들에서, 단계(408B)는 모집단-도출된 3D 해부학적 모델의 하나 이상의 포인트들에서 혈류 특성들을 수신하는 것을 포함할 수 있다.
몇몇 실시예들에서, 독립적으로 또는 수신된 이미지 데이터의 사용과 함께, 단계(404A)는, 복수의 개인들의 각각으로부터, 적어도 관심 혈관 구조의 개인-특정 3D 해부학적 모델을 수신하는 것을 포함할 수 있다. 이러한 실시예들에서, 단계(408A)는, 복수의 개인들의 각각으로부터, 개인-특정 3D 해부학적 모델의 하나 이상의 포인트들에서 혈류 특성들을 수신하는 것을 포함할 수 있다.
몇몇 실시예들에서, 그것이 해부학적 모델에 관계됨에 따라 생리적 및/또는 표현형 파라미터들이 또한, 예로서, 단계(404C)에서의 환자로부터, 404B로부터의 모집단 도출 데이터로부터, 또는 404A에서 복수의 개인들의 각각으로부터, 수신될 수 있다는 것이 고려된다. 이들 생리적 및/또는 표현형 파라미터들은 여기에서 설명된 단계(410A)에서 특징 벡터를 형성하기 위해 사용된 특징들에 포함될 수 있다.
단계들(404A 및 404B)에 대해, 선택된 해부학적 모델들 또는 모델이 수신되는 개인들의 유형은 원래 수신된 이미지 데이터 또는 환자에 의해 이끌어질 수 있다(예로서, 단계(402)로부터). 따라서, 단계들(404A 내지 404C)은 기계-학습 알고리즘을 위한 트레이닝 데이터 세트에 대한 도메인의 부분으로서 특징 벡터들을 개발하기 위해 3D 해부학적 모델을 수신하기 위한 단계들의 예들이다. 단계들(408A 내지 408C)은 단계들(404A 내지 404C)로부터 3D 해부학적 모델들의 하나 이상의 포인트들에 대한 혈류 특성들을 수신하기 위한 단계들의 예들일 수 있으며, 단계들(408A 내지 408C)에서 결정된 혈류 특성들은 기계-학습 알고리즘의 트레이닝 데이터 세트에 대한 범위로서 작용할 수 있다.
단계(410A)는 환자-특정 3D 해부학적 모델의 하나 이상의 포인트들에서 하나 이상의 특징들을 포함한 특징 벡터들을 생성하는 것을 포함할 수 있다(예로서, 단계들(404C, 406C, 및/또는 408C) 다음에). 몇몇 실시예들에서, 특징 벡터들은 모집단 도출된 3D 해부학적 모델의 하나 이상의 포인트들에 대해 형성될 수 있다(예로서, 단계들(404B 및/또는 408B) 다음에). 대안적으로 또는 부가적으로, 특징 벡터들은 개인-특정 3D 해부학적 모델들의 각각 또는 일부의 하나 이상의 포인트들에 대해 형성될 수 있다(예로서, 단계들(404A 및/또는 408A) 다음에). 특징 벡터들은 수신된 또는 결정된 혈류 특성이 있는 3D 해부학적 모델들에서의 포인트들에 대해 형성될 수 있다. 특징 벡터의 특징들은 상기 포인트에서 환자-특정 기하학적 구조의 수치상 설명 및 해부학적 모델이 수신된 환자 또는 개인의 생리적 또는 표현형 파라미터들의 추정치들을 포함할 수 있다. 생리적 및/또는 표현형 파라미터들은, 이에 제한되지 않지만, 예를 들면, (i) 신상 특성들: 환자 나이, 성별, 키, 체중 등; (ii) 질병 특성들: 당뇨병, 심근경색, 악성 류머티즘 상태들, 말초 혈관 상태들 등의 존재 또는 부재; (iii) 라이프스타일 특성들: 현재 약물들/약들의 존재 또는 부재, 흡연자/비-흡연자; (iv) 혈류 역학적 힘들: 축방향 플라크 응력, 벽 전단 응력 등; (v) 심장 수축 및 심장 확장 혈압들; 및 (vi) 플라즈마, 적혈구들(erythorocytes), 헤마토크리트, 백혈구들(leukocytes) 및 혈소판들(thrombocytes), 점도, 항복 응력을 포함할 수 있다. 특징 벡터는 전역적 및 국소적 생리적 또는 표현형 파라미터들을 포함할 수 있으며, 여기에서: 전역적 파라미터들에 대해, 모든 포인트들은 동일한 수치 값을 가지며; 국소 파라미터들에 대해, 값(들)은 특징 벡터에서 상이한 포인트들에서 변할 수 있다. 서버 시스템들(106)은 그 후 이 포인트에서 혈류 특성의 수신된 또는 시뮬레이션된 값과 이러한 특징 벡터를 연관시킬 수 있다. 따라서, 단계(412A)는 환자-특정 3D 해부학적 모델, 모집단-도출 3D 해부학적 모델의, 및/또는 개인-특정 3D 해부학적 모델들의 각각의 하나 이상의 포인트들에서의 혈류 특성들과 특징 벡터들을 연관시키는 것을 포함할 수 있다.
단계(414A)는 하나 이상의 포인트들에서 특징 벡터(들)로부터의 이미지 데이터로부터 도출된 모델의 하나 이상의 포인트들에서 혈류 특성들을 예측하기 위해 기계-학습 알고리즘을 트레이닝하는 것을 포함할 수 있다. 트레이닝은 예를 들면, 관계들 및/또는 특징 가중치들을 결정하기 위해, 단계(412A)로부터 연관된 특징들을 사용할 수 있다. 이러한 태스크를 수행할 수 있는 기계 학습 알고리즘들의 예들은 지지 벡터 머신들(SVM들), 신경망들, 다-층 퍼셉트론들(MLP들), 다변량 회귀(MVR)(예로서, 가중 선형 또는 로지스틱 회귀), 및/또는 이 기술분야의 통상의 기술자들에게 알려진 다른 지도식 기계 학습 기술들이다. 서버 시스템들(106)은 그 후 기계-학습 알고리즘의 결과들(예로서, 특징 가중치들)을 디지털 표현(예로서, 컴퓨터, 랩탑, DSP, 서버 등과 같은 계산 디바이스의 메모리 또는 디지털 저장 장치(예로서, 하드 드라이브, 네트워크 드라이브))으로 저장할 수 있다. 저장된 특징 가중치들은 특징들(예로서, 기하학적 설명, 경계 조건들, 생리적 및/또는 표현형 파라미터들, 해부학적 특성들 등)이 모델 또는 모델에 의해 표현된 시스템의 하나 이상의 포인트들에서 혈류 및/또는 혈압에 대해 예측적인 정도를 정의할 수 있다.
단계(416A)는 트레이닝된 기계 학습 알고리즘을 출력하는 것을 포함할 수 있다(예로서, 전자 저장 매체로). 트레이닝된 기계 학습 알고리즘은, 예로서 단순화된 기하학적 구조를 가진 모델(예로서, 축소 차수 또는 집중 파라미터 모델)로부터 혈류 특성 특성들을 결정하기 위해, 도 4c의 방법(400C)에서 사용될 수 있다.
도 4b는 이미지 데이터로부터, 예로서 하나 이상의 포인트들에서 혈류 특성들을 포함한 특징 벡터들로부터 도출된 모델의 하나 이상의 포인트들에서 기하학적 특징들을 예측하기 위해 기계 학습 알고리즘을 트레이닝하는 대표적인 방법(400B)을 묘사한다. 도 4a에 묘사된 방법(400A)의 단계들(402, 408A 내지 408C, 406, 및/또는 408A 내지 408C)은 도 4b에서 묘사된 방법(400B)의 단계들에 앞서 수행될 수 있다.
단계(410B)는 환자-특정 3D 해부학적 모델의 하나 이상의 포인트들에서 혈류 특성들을 포함한 특징 벡터들을 생성하는 것을 포함할 수 있다(예로서, 단계들(404C, 406C, 및/또는 408C) 다음에). 몇몇 실시예들에서, 특징 벡터들은 모집단 도출 3D 해부학적 모델의 하나 이상의 포인트들에 대해 형성될 수 있다(예로서, 단계들(404B 및/또는 408B 다음에). 대안적으로 또는 부가적으로, 특징 벡터들은 개인-특정 3D 해부학적 모델들의 각각 또는 일부의 하나 이상의 포인트들에 대해 형성될 수 있다(예로서, 단계들(404A 및/또는 408A) 다음에). 특징 벡터들은 알려진 기하학적 특징들이 있는 3D 해부학적 모델들에서의 포인트들에 대해 형성될 수 있다. 이들 기하학적 특징들은 상기 포인트에서 환자-특정 기하학적 구조의 수치상 설명을 포함할 수 있다. 특징 벡터는 전역적 및 국소적 생리적 또는 표현형 파라미터들 양쪽 모두를 포함할 수 있으며, 여기에서: 전역적 파라미터들에 대해, 모든 포인트들은 동일한 수치 값을 가지며; 국소 파라미터들에 대해, 값(들)은 특징 벡터에서 상이한 포인트들에서 변할 수 있다. 서버 시스템들(106)은 그 후 이 포인트에서 혈류 특성의 수신된 또는 시뮬레이션된 값과 이러한 특징 벡터를 연관시킬 수 있다. 따라서, 단계(412B)는 하나 이상의 포인트들에서의 기하학적 특징들과 환자-특정 3D 해부학적 모델의, 및/또는 개인-특정 3D 해부학적 모델들의 각각의 하나 이상의 포인트들에서의 혈류 특성들을 포함한 특징 벡터들을 연관시키는 것을 포함할 수 있다.
단계(414B)는 하나 이상의 포인트들에서 혈류 특성들을 포함한 특징 벡터(들)로부터의 이미지 데이터로부터 도출된 모델의 하나 이상의 포인트들에서 기하학적 특징들을 예측하기 위해 기계-학습 알고리즘을 트레이닝하는 것을 포함할 수 있다. 트레이닝은 예를 들면, 관계들 및/또는 특징 가중치들을 결정하기 위해 단계(412B)로부터 연관된 특징들을 사용할 수 있다. 이러한 태스크를 수행할 수 있는 기계 학습 알고리즘들의 예들은 지지 벡터 머신들(SVM들), 신경망들, 다-층 퍼셉트론들(MLP들), 다변량 회귀(MVR)(예로서, 가중 선형 또는 로지스틱 회귀), 및/또는 이 기술분야의 통상의 기술자들에게 알려진 다른 지도식 기계 학습 기술들이다. 서버 시스템들(106)은 그 후 기계-학습 알고리즘의 결과들(예로서, 특징 가중치들)을 디지털 표현(예로서, 컴퓨터, 랩탑, DSP, 서버 등과 같은 계산 디바이스의 메모리 또는 디지털 저장 장치[예로서, 하드 드라이브, 네트워크 드라이브])으로 저장할 수 있다. 저장된 특징 가중치들은 혈류 특성들이 모델 또는 모델에 의해 표현된 시스템의 하나 이상의 포인트들에서 기하학적 예측들에 대해 예측적인 정도를 정의할 수 있다.
단계(416B)는 트레이닝된 기계 학습 알고리즘을 출력하는 것을 포함할 수 있다(예로서, 전자 저장 매체로). 트레이닝된 기계 학습 알고리즘은 예로서, 이미지 데이터로부터 도출된 모델의 기하학적 특징들을 업데이트하고, 추가로 개선하며, 및/또는 생성하기 위해, 도 4c의 방법(400C)에서 사용될 수 있다. 이러한 모델은 2D 또는 3D 해부학적 모델일 수 있거나 또는 단순화된 기하학적 구조(예로서, 축소 차수 또는 집중 파라미터 모델)를 가질 수 있다.
도 4c는 축소 차수 또는 집중 파라미터 모델을 사용하여 혈류 특성들을 결정하기 위해(예로서, 보다 정확하게), 또는 모델의 기하학적 특징들을 결정하기 위해 트레이닝된 기계 학습 알고리즘을 적용하는 대표적인 방법(400C)을 묘사한다.
단계(402)는 전자 저장 매체에서 적어도 환자의 관심 혈관 구조의 이미지 데이터를 수신하는 것을 포함할 수 있다(예로서, 방법들(400A 및 400B)에서처럼). 이미지 데이터는 하나 이상의 이미지 스캐닝 양식(예로서, 컴퓨터 단층 촬영, 혈관 조영술, 자기 공명, X 선 등), 전자 저장 매체, 제3자 디바이스로부터, 또는 클라우드를 통해 수신될 수 있다.
방법들(400A 및/또는 400B)에서 기계 학습 알고리즘을 트레이닝하기 위한 단계들을 완료하거나, 또는 이들 방법들에서 설명된 바와 같이 트레이닝된 기계 학습 알고리즘을 수신하면, 단계(418 내지 430)는 예로서, 혈류 특성들 및/또는 기하학적 특성들을 결정하는 것을 향해 이들 트레이닝된 기계 학습 알고리즘들의 적용을 설명한다.
예를 들면, 단계(418)는 이미지 데이터(단계(402)에서 수신된)를 하나 이상의 영역(들)으로 분리하는 것을 포함할 수 있다. 단계(418)는 도 2에서 묘사된 방법(200)의 단계들(204 또는 210A) 또는 도 3의 단계(308)와 유사할 수 있다. 몇몇 실시예들에서, 분리는 추정된 혈류 특성들에 기초할 수 있거나 또는 다양한 영역들(예로서, 관상 동맥들의 내강으로의 대동맥)에 속하는 복셀들을 식별하기 위해 수동으로 또는 자동으로 발생할 수 있다.
단계(420)는 각각의 영역에 대한 단순화된 기하학적 구조를 도출하는 것을 포함할 수 있다. 단계(420)는 도 3에 묘사된 바와 같이, 방법(300)의 단계(312)와 유사할 수 있다.
단계(422)는 단순화된 기하학적 구조를 사용하여 각각의(또는 하나 이상의) 영역(들)에 대한 축소 차수 및/또는 집중 파라미터 모델(들)을 생성하는 것을 포함할 수 있다. 도 3에서의 방법(300)은, 이러한 생성 단계를 위한 적어도 몇몇 실시예들을 광범위하게 설명한다.
단계(426)는 축소 차수 및/또는 집중 파라미터 모델들의 하나 이상의 포인트들에서 하나 이상의 특징들을 포함한 특징 벡터들을 생성하는 것을 포함할 수 있다. 특징들은 방법(400A)에서 설명된 트레이닝 페이즈(phase)에서 사용된 특징들을 반영하거나 또는 이와 유사할 수 있다. 몇몇 실시예들에서, 이들 특징들은, 이에 제한되지 않지만, 국소 반경 또는 직경, 협착의 심각도의 국소적 표시(예로서, 퍼센티지), 최소 상류 직경, 협착의 심각도의 최소 상류 표시, 최소 하류 직경, 협착의 심각도의 최소 하류 표시, 가장 가까운 분지로의 거리, 가장 가까운 상류 분지의 직경, 입구로의 거리, 평균 상류 유출구 직경, 최소 하류 유출구 직경, 최소, 최대, 평균, 또는 중앙 하류 저항들(예로서, 또는 경계 조건들), 대동맥압, 및 상기 설명된 생리적 및/또는 표현형 파라미터들을 포함할 수 있다.
몇몇 실시예들에서, 특징 벡터들은 축소 차수 및/또는 집중 파라미터 모델(들)을 사용하여 추정된 하나 이상의 포인트들에서 혈류 특성들을, 예로서 특징들로서 포함할 수 있다. 이러한 실시예들에서, 단계(424)는 축소 차수 및/또는 집중 파라미터 모델(들)을 사용하여 영역(들)의 하나 이상의 포인트들에서 혈류 특성들을 추정하는 것을 포함할 수 있다.
단계(428)는 축소 차수 및/또는 집중 파라미터 모델들의 하나 이상의 포인트들에서 혈류 특성들을 결정하기 위해 트레이닝된 기계 학습 알고리즘(예로서, 도 4a의 방법(400A)으로부터)을 사용하는 것을 포함할 수 있다. 혈류 특성들은, 각각의 영역의 하나 이상의 포인트들에 대해, 개별적으로 결정될 수 있거나, 또는 전체 혈관 구조 또는 시스템에 대해 풀릴 수 있다. 몇몇 실시예들에서, 혈류 특성들은, 예를 들면, 해부학적 모델 상에서 디스플레이될 수 있거나, 또는 혈류의 시뮬레이션의 부분으로서 사용될 수 있다. 추가 실시예들에서, 혈류 특성들은 관류 및/또는 조직 생존도의 중요한 표시(예로서, 심근 관류 위험 지수)를 결정하기 위해 사용될 수 있다. 마찬가지로, 혈관 구조가 하나 이상의 병변들 또는 협착 영역들을 갖는다면, 혈류 특성들은 병변들 또는 협착 영역들에 대한 심각도의 표시(예로서, 플라크 취약성 지수)를 결정하기 위해 사용될 수 있다.
부가적으로 또는 대안적으로, 단계(430)에 도시된 바와 같이, 트레이닝된 기계 학습 알고리즘(예로서, 도 4b의 방법(400B)으로부터)은 축소 차수 및/또는 집중 파라미터 모델들의 단순화된 기하학적 구조를 업데이트하기 위해 사용될 수 있다. 몇몇 실시예들에서, 단계(430)는 비-단순화 모델(예로서, 2D 또는 3D 해부학적 모델)을 생성하기 위한 기하학적 특징들을 결정하기 위해 사용될 수 있다. 몇몇 실시예들에서, 업데이트된 모델(들), 또는 결정된 기하학적 특징들은 전자 저장 매체 또는 디스플레이로 출력될 수 있다.
특징 벡터를 형성할 때, 예로서 도 4a의 방법들(400A) 및 도 4b의 방법(400C)에서, 특징 벡터는, 이에 제한되지 않지만: (vii) 혈관 기하학적 구조의 특성들(대동맥 유입구 및 유출구의 단면적, 대동맥의 표면적 및 체적, 최소, 최대, 및 평균 단면적 등); (viii) 관상 동맥 가지 기하학적 구조의 특성들; 및 (ix) 하나 이상의 특징 세트들을 포함할 수 있다.
일 실시예에서, 관상 동맥 가지 기하학적 구조의 특성들은: (i) 관상 동맥 가지 포인트의 상류/하류에서 대동맥의 체적들; (ii) 관상 동맥/대동맥 분지 포인트, 즉 관상 동맥 가지로의 유입구의 단면적; (iii) 혈관 분지들의 총 수, 및 상류/하류 혈관 분지들의 수; (iv) 평균, 최소, 및 최대 상류/하류 단면적들; (v) 최소 및 최대 상류/하류 단면적들의 중심선 포인트로의 거리들(혈관 중심선을 따라); (vi) 가장 가까운 상류/하류 혈관 분지의 단면적 및 거리(혈관 중심선을 따라); (vii) 가장 가까운 관상 동맥 유출구 및 대동맥 유입구/유출구의 단면적 및 그것으로의 거리(혈관 중심선을 따라); (vii) 최소/최대 단면적들을 가진 하류 관상 동맥 유출구들로의 단면적들 및 거리들(혈관 중심선을 따라); (ix) 관상 혈관들의 상류/하류 체적들; 및 (x) 사용자-특정 허용 오차 미만의 단면적을 가진 관상 혈관의 상류/하류 체적 분율들을 포함할 수 있다.
일 실시예에서, 제 1 특징 세트는 관상 동맥 중심선을 따르는 단면 내강 면적, 동력을 공급받은 단면 내강 면적, 주 입구들(LM, RCA)에 대한 내강 단면적의 비, 주 입구들에 대한 내강 단면적의 동력 비, 중심선을 따라 단면 내강 면적에서 테이퍼링의 정도, 협착 병변들의 위치들, 협착 병변들의 길이들, 50%, 75%, 90% 면적 축소에 대응하는 병변들의 위치 및 수, 협착 병변으로부터 주 입구들로의 거리, 및/또는 단면 내강 경계의 불규칙성(또는 환상성)과 같은, 단면적 특징들을 정의할 수 있다.
일 실시예에서, 관상 동맥 중심선을 따라 단면 내강 면적은 구성된 기하학적 구조로부터 중심선을 추출하고, 필요하다면 중심선을 평활화하며, 각각의 중심 선 포인트에서 단면적을 계산함으로써 산출될 수 있으며 그것을 대응하는 표면 및 볼륨 메시 포인트들에 매핑시킬 수 있다. 일 실시예에서, 동력을 공급받은 단면 내강 면적은 스케일링 법칙들의 다양한 소스로부터 결정될 수 있다. 일 실시예에서, 주 입구들(LM, RCA)에 대한 내강 단면적의 비는 LM 입구에서 단면적을 측정하고, LM 입구 면적에 의해 좌측 관상 동맥의 단면적을 정규화하고, RCA 입구에서 단면적을 측정하며, RCA 입구 면적에 의해 우측 관상 동맥의 단면적을 정규화함으로써 산출될 수 있다. 일 실시예에서, 주 입구들에 대한 내강 단면적의 동력 비는 스케일링 법칙들의 다양한 소스로부터 결정될 수 있다. 일 실시예에서, 중심선을 따라 단면 내강 면적에서 테이퍼링의 정도는 특정한 간격 내에서 중심선 포인트들을 샘플링함으로써(예로서, 혈관의 직경의 두 배) 산출되며 선형 맞춤 단면적의 기울기를 계산할 수 있다. 일 실시예에서, 협착 병변들의 위치는 단면적 곡선의 최저를 검출하고, 면적 곡선의 1차 도함수가 0이고 2차 도함수가 양인 위치들을 검출하며, 주 입구들로부터의 거리(중심선의 파라메트릭 아크 길이)를 계산함으로써 산출될 수 있다. 일 실시예에서, 협착 병변들의 길이들은 협착 병변으로부터의 근위 및 원위 위치들을 계산함으로써 산출될 수 있으며, 여기에서 단면적은 복구된다.
일 실시예에서, 또 다른 특징 세트는, 예를 들면, 중심선을 따르는 강도 변화를 정의하는 강도 특징들(선형-맞춤 강도 변화의 기울기)을 포함할 수 있다. 일 실시예에서, 또 다른 특징 세트는, 예를 들면, 기하학적 구조의 3D 표면 곡률을 정의하는 표면 특징들(가우시안, 최대, 최소, 평균)을 포함할 수 있다. 일 실시예에서, 또 다른 특징 세트는, 예를 들면, 심근 체적에 비교한 총 관상 동맥 부피의 비를 정의하는 체적 특징들을 포함할 수 있다. 일 실시예에서, 또 다른 특징 세트는, 예를 들면, 예로서 프레네(Frenet) 곡률:
Figure pct00009
, 여기에서 p는 중심선의 좌표
을 계산함으로써, 또는 중심선 포인트들을 따라 선이 그어진 반경의 역을 계산함으로써, 관상 동맥 중심선의 곡률(굽힘)을 정의하는 중심선 특징들을 포함할 수 있다. 관상 동맥 중심선의 곡률(굽힘)은 또한 예로서, 프레네 비틀림:
Figure pct00010
, 여기에서 p는 중심선의 좌표,
을 계산함으로써, 관상 동맥 중심선의 비틀림(비-평면)에 기초하여 산출될 수 있다.
일 실시예에서, 또 다른 특징 세트는, 예를 들면, 대동맥 입구 병변의 존재, 대동맥으로부터 관상 동맥의 원점에 위치된 병변의 검출; 및/또는 우세(좌측 또는 우측)를 포함한 SYNTAX 스코어링 특징을 포함할 수 있다.
일 실시예에서, 또 다른 특징 세트는, 예로서 하겐-푸아죄유(Hagen-Poisseille) 흐름 가정(저항~면적-2)으로부터 도출된 분획 혈류 예비력 값을 포함한, 단순화된 물리학 특징을 포함할 수 있다. 예를 들면, 일 실시예에서, 서버 시스템들(106)은 대동맥 압력(P0)을 갖고 대동맥(A0)으로부터 관상 동맥의 원점(LM 입구 또는 RCA 입구)의 단면적을 계산하고; 각각의 샘플링된 간격(Li)에서 관상 혈관(Ai)의 단면적을 계산하고; 충혈 가정(Qi) 하에서 저항 경계 조건을 사용하여 혈관의 각각의 세그먼트에서 관상 동맥 흐름의 양을 결정하며; 다음에 기초하여 각각의 샘플링된 위치(Ri)에서 저항을 추정할 수 있다:
Figure pct00011
, 여기에서:
공칭 값 μ = 혈액의 동적 점도, αi = 1.0, βi = 0, γi = 2.0 (하겐-푸아죄유).
서버 시스템들(106)은 △Pi = QiRi로서 압력 강하(△Pi)를 추정하며
Figure pct00012
로서 각각의 샘플링된 위치에서 FFR을 계산할 수 있다. 단면적 최저의 위치들 또는 혈관 직경보다 작은 간격들이 샘플링 위치들을 위해 사용될 수 있다. 서버 시스템들(106)은 FFRi를 사용하여 중심선을 따라 FFR을 보간하고, FFR 값들을 3D 표면 메시 노드로 투사하며, αi, βi, γi를 변경하며 파라미터들을 동요하게 하기 위해 상기 정의된 특징 세트들을 사용함으로써와 같이, 트레이닝을 위해 필요에 따라 새로운 세트들의 FFR 추정을 획득할 수 있으며 여기에서 αi, βi는 병에 걸린 길이의 함수, 협착의 정도 및 테이퍼링된 혈관을 감안하기 위한 테이퍼링 비일 수 있으며; Qi는 저항 경계 조건과 동일한 스케일링 법칙(유출구 저항 ∝ 유출구 면적-1.35)에 기초하여 각각의 유출구의 분배된 흐름을 합산함으로써 결정될 수 있다. 그러나, 새로운 스케일링 법칙 및 충혈 가정이 채택될 수 있으며, 이러한 특징 벡터는 상기 포인트에서 FFR의 측정 또는 시뮬레이션된 값과 연관될 수 있다.
몇몇 실시예들에서, 특징 벡터들로부터 혈류 특성들 또는 기하학적 특징들을 예측하는 트레이닝된 기계 학습 알고리즘이 단지, 예로서 전자 저장 매체에서 수신될 수 있으며, 도 4c의 방법(400C)에서 쉽게 구현될 수 있다는 것이 고려된다. 이러한 실시예들에서, 서버 시스템들(106)에 의한 이러한 기계-학습 알고리즘의 트레이닝은 불필요해질 수 있다.
다양한 실시예들에서, 다은 모델들이 여기에서 제공된 단계들 중 어느 하나에서의 3D 해부학적 모델 외에 사용될 수 있다는 것이 추가로 고려된다. 예를 들면, 2D 모델이 사용될 수 있으며 및/또는 시간적 구성요소가 모델들에 부가될 수 있다.
본 발명의 다른 실시예들은 여기에서 개시된 본 발명의 실시 및 명세서의 고려사항으로부터 이 기술분야의 숙련자들에게 명백해질 것이다. 명세서 및 예들은 단지 대표적인 것으로 고려되는 것이 의도되며 본 발명의 실제 범위 및 사상은 다음의 청구항들에 의해 표시된다.

Claims (20)

  1. 환자의 혈류 특성들을 결정하는 컴퓨터-구현된 방법으로서,
    전자 저장 매체에서, 하나 이상의 포인트들에서 기하학적 특징들을 가진 환자의 혈관 구조의 적어도 일 부분의 환자-특정 이미지 데이터를 수신하는 단계;
    상기 수신된 이미지 데이터로부터 환자-특정 축소 차수 모델을 생성하는 단계로서, 상기 환자-특정 축소 차수 모델은 상기 환자의 혈관 구조의 하나 이상의 포인트들에서 임피던스 값들의 추정치들 및 상기 기하학적 특징들의 단순화를 포함하는, 상기 환자-특정 축소 차수 모델 생성 단계;
    상기 환자-특정 축소 차수 모델의 하나 이상의 포인트들의 각각에 대해 상기 임피던스 값들의 추정치들 및 기하학적 특징들을 포함한 특징 벡터를 생성하는 단계; 및
    상기 하나 이상의 포인트들에서 상기 생성된 특징 벡터들에 기초하여 혈류 특성들을 예측하도록 트레이닝된 기계 학습 알고리즘을 사용하여 상기 환자-특정 축소 차수 모델의 하나 이상의 포인트들에서 혈류 특성들을 결정하는 단계를 포함하는, 환자의 혈류 특성들을 결정하는 컴퓨터-구현된 방법.
  2. 청구항 1에 있어서,
    상기 하나 이상의 포인트들에서 상기 생성된 특징 벡터들에 기초하여 혈류 특성들을 예측하도록 트레이닝된 기계 학습 알고리즘을 사용하여 상기 환자-특정 축소 차수 모델의 하나 이상의 포인트들에서 혈류 특성들을 결정하는 단계는:
    복수의 개인들의 각각에 대해, 개인-특정 해부학적 모델의 하나 이상의 포인트들에서 혈류 특성의 알려진 값들을 가지며, 상기 개인의 혈관 구조에 대응하는 상기 개인-특정 해부학적 모델의 하나 이상의 포인트들에서 하나 이상의 기하학적 특징들을 가진 혈관 구조의 상기 개인-특정 해부학적 모델을 수신하는 단계;
    상기 하나 이상의 포인트들에서 상기 혈류 특성의 알려진 값들을 가진 상기 복수의 개인들의 각각에 대해, (i) 상기 하나 이상의 포인트들의 위치에 관한 정보 및 (ii) 상기 하나 이상의 포인트들에서의 기하학적 특징들을 포함한 특징 벡터들을 형성하는 단계;
    상기 하나 이상의 포인트들에서 상기 혈류 특성의 알려진 값들을 가진 상기 복수의 개인들의 각각에 대해, 상기 하나 이상의 포인트들에서의 상기 혈류 특성의 알려진 값들과 상기 특징 벡터들을 연관시키는 단계; 및
    상기 하나 이상의 포인트들에서 기하학적 특징들을 포함한 특징 벡터로부터 혈관 구조의 하나 이상의 포인트들에서 상기 혈류 특성의 값들을 예측하기 위해 상기 연관된 특징 벡터들을 사용하여 상기 기계 학습 알고리즘을 트레이닝하는 단계; 및
    상기 트레이닝된 기계 학습 알고리즘을 사용하여, 상기 환자의 혈관 구조에 대응하는 상기 환자-특정 축소 차수 모델의 하나 이상의 포인트들에서 혈류 특성들을 결정하는 단계를 포함하는, 환자의 혈류 특성들을 결정하는 컴퓨터-구현된 방법.
  3. 청구항 1에 있어서,
    각각의 특징 벡터는 상기 환자-특정 축소 차수 모델의 하나 이상의 포인트들에서 상기 환자의 생리적 및/또는 표현형 파라미터들을 더 포함하며;
    상기 기계 학습 알고리즘은 상기 환자의 혈관 구조의 하나 이상의 포인트들에서 기하학적 특징들 및 생리적 및/또는 표현형 파라미터들을 포함한 특징 벡터로부터 상기 환자의 혈관 구조의 하나 이상의 포인트들에서의 상기 혈류 특성의 값들을 예측하도록 트레이닝되는, 환자의 혈류 특성들을 결정하는 컴퓨터-구현된 방법.
  4. 청구항 3에 있어서,
    상기 생리적 및/또는 표현형 파라미터들은 심장 수축 및 심장 확장 혈압들, 심박수, 헤마토크리트 레벨, 혈압, 혈액 점도, 환자의 나이, 환자의 성별, 환자의 키, 환자의 체중, 환자의 라이프스타일 특성, 및 공급된 조직의 질량 중 하나 이상을 포함하는, 환자의 혈류 특성들을 결정하는 컴퓨터-구현된 방법.
  5. 청구항 1에 있어서,
    상기 하나 이상의 포인트들에서 상기 생성된 특징 벡터들에 기초하여 혈류 특성들을 예측하도록 트레이닝된 기계 학습 알고리즘을 사용하여 상기 환자-특정 축소 차수 모델의 하나 이상의 포인트들에서 혈류 특성들을 결정하는 단계는:
    상기 환자의 혈관 구조의 상기 환자-특정 이미지 데이터에 기초하여 환자-특정 해부학적 모델을 수신하는 단계로서, 상기 환자-특정 해부학적 모델은 상기 환자의 혈관 구조에 대응하는 상기 환자-특정 해부학적 모델의 하나 이상의 포인트들에서 기하학적 특징들을 갖는, 상기 환자-특정 해부학적 모델 수신 단계;
    상기 환자-특정 해부학적 모델을 통해 혈류를 시뮬레이션하기 위해 상기 환자-특정 해부학적 모델 상에서의 위치들에서 경계 조건들을 적용하는 단계;
    계산 유체 역학(CFD)을 사용하여 혈류의 시뮬레이션으로부터 상기 환자-특정 해부학적 모델의 하나 이상의 포인트들에서 혈류 특성에 대한 값들을 결정하는 단계;
    (i) 상기 환자-특정 해부학적 모델의 하나 이상의 포인트들의 위치에 관한 정보, 및 (ii) 상기 환자-특정 해부학적 모델의 하나 이상의 포인트들에서 상기 수신된 기하학적 특징들을 포함한 특징 벡터들을 형성하는 단계;
    상기 환자-특정 해부학적 모델의 하나 이상의 포인트들에서 상기 혈류 특성의 상기 결정된 값들과 상기 특징 벡터들을 연관시키는 단계;
    상기 하나 이상의 포인트들에서 기하학적 특징들을 포함한 특징 벡터로부터 상기 환자의 혈관 구조의 하나 이상의 포인트들에서 상기 혈류 특성의 값들을 예측하기 위해 상기 연관된 특징 벡터들을 사용하여 기계 학습 알고리즘을 트레이닝하는 단계; 및
    상기 트레이닝된 기계 학습 알고리즘을 사용하여, 상기 환자의 혈관 구조에 대응하는 상기 환자-특정 축소 차수 모델의 하나 이상의 포인트들에서 혈류 특성들을 결정하는 단계를 포함하는, 환자의 혈류 특성들을 결정하는 컴퓨터-구현된 방법.
  6. 청구항 5에 있어서,
    경계 조건들을 적용하는 단계는 적절한 경계 조건들이 적용될 수 있는 위치들에서 상기 환자-특정 해부학적 모델을 절단하는 단계를 포함하며, 상기 위치들은 혈류의 유입, 혈류의 유출, 및 혈관 벽에서의 경계들을 포함하는, 환자의 혈류 특성들을 결정하는 컴퓨터-구현된 방법.
  7. 청구항 1에 있어서,
    상기 수신된 환자-특정 이미지 데이터를 상기 환자의 혈관 구조의 하나 이상의 영역들로 분리하는 단계를 더 포함하며,
    상기 축소 차수 모델은 상기 혈관 구조의 하나 이상의 영역들의 각각에 대해 생성되는, 환자의 혈류 특성들을 결정하는 컴퓨터-구현된 방법.
  8. 청구항 1에 있어서,
    상기 기계 학습 알고리즘은: 지지 벡터 머신들(SVM들), 다-층 퍼셉트론(MLP), 다변량 회귀(MVR), 신경망, 트리-기반 분류기, 및 가중 선형 또는 로지스틱 회귀 중 하나 이상을 포함하는, 환자의 혈류 특성들을 결정하는 컴퓨터-구현된 방법.
  9. 청구항 1에 있어서,
    상기 혈류 특성들은: 혈압, 분획 혈류 예비력(FFR), 혈류량 또는 흐름 속도, 속도 또는 압력 필드, 혈류 역학적 힘, 및 장기 및/또는 조직 관류 특성 중 하나 이상을 포함하는, 환자의 혈류 특성들을 결정하는 컴퓨터-구현된 방법.
  10. 환자의 혈류 특성들을 결정하기 위한 시스템으로서,
    환자의 혈류 특성들을 결정하기 위한 지시들을 저장한 데이터 저장 디바이스; 및
    방법을 수행하기 위해 상기 지시들을 실행하도록 구성된 프로세서로서, 상기 방법은:
    전자 저장 매체에서, 하나 이상의 포인트들에서 기하학적 특징들을 가진 상기 환자의 혈관 구조의 적어도 일 부분의 환자-특정 이미지 데이터를 수신하는 것;
    상기 수신된 이미지 데이터로부터 환자-특정 축소 차수 모델을 생성하는 것으로서, 상기 환자-특정 축소 차수 모델은 상기 환자의 혈관 구조의 하나 이상의 포인트들에서 임피던스 값들의 추정치들 및 기하학적 특징들의 단순화를 포함하는, 상기 환자-특정 축소 차수 모델을 생성하는 것;
    상기 환자-특정 축소 차수 모델의 하나 이상의 포인트들의 각각에 대해 상기 임피던스 값들의 추정치들 및 기하학적 특징들을 포함한 특징 벡터를 생성하는 것; 및
    상기 하나 이상의 포인트들에서 상기 생성된 특징 벡터들에 기초하여 혈류 특성들을 예측하도록 트레이닝된 기계 학습 알고리즘을 사용하여 상기 환자-특정 축소 차수 모델의 하나 이상의 포인트들에서 혈류 특성들을 결정하는 것을 포함한, 상기 프로세서를 포함하는, 환자의 혈류 특성들을 결정하기 위한 시스템.
  11. 청구항 10에 있어서,
    상기 하나 이상의 포인트들에서 상기 생성된 특징 벡터들에 기초하여 혈류 특성들을 예측하도록 트레이닝된 기계 학습 알고리즘을 사용하여 상기 환자-특정 축소 차수 모델의 하나 이상의 포인트들에서 혈류 특성들을 결정하는 것은:
    복수의 개인들의 각각에 대해, 개인-특정 해부학적 모델의 하나 이상의 포인트들에서 혈류 특성의 알려진 값들을 가지며, 상기 개인의 혈관 구조에 대응하는 상기 개인-특정 해부학적 모델의 하나 이상의 포인트들에서 하나 이상의 기하학적 특징들을 가진 혈관 구조의 상기 개인-특정 해부학적 모델을 수신하는 것;
    상기 하나 이상의 포인트들에서 상기 혈류 특성의 알려진 값들을 가진 상기 복수의 개인들의 각각에 대해, (i) 상기 하나 이상의 포인트들의 위치에 대한 정보 및 (ii) 상기 하나 이상의 포인트들에서의 기하학적 특징들을 포함한 특징 벡터들을 형성하는 것;
    상기 하나 이상의 포인트들에서 상기 혈류 특성의 알려진 값들을 가진 상기 복수의 개인들의 각각에 대해, 상기 하나 이상의 포인트들에서 상기 혈류 특성의 알려진 값들과 상기 특징 벡터들을 연관시키는 것; 및
    상기 하나 이상의 포인트들에서 기하학적 특징들을 포함한 특징 벡터로부터 혈관 구조의 하나 이상의 포인트들에서 상기 혈류 특성의 값들을 예측하기 위해 상기 연관된 특징 벡터들을 사용하여 상기 기계 학습 알고리즘을 트레이닝하는 것; 및
    상기 트레이닝된 기계 학습 알고리즘을 사용하여, 상기 환자의 혈관 구조에 대응하는 상기 환자-특정 축소 차수 모델의 하나 이상의 포인트들에서 혈류 특성들을 결정하는 것을 포함하는, 환자의 혈류 특성들을 결정하기 위한 시스템.
  12. 청구항 10에 있어서,
    상기 하나 이상의 포인트들에서 상기 생성된 특징 벡터들에 기초하여 혈류 특성들을 예측하도록 트레이닝된 기계 학습 알고리즘을 사용하여 상기 환자-특정 축소 차수 모델의 하나 이상의 포인트들에서 혈류 특성들을 결정하는 것은:
    상기 환자의 혈관 구조의 상기 수신된 환자-특정 이미지 데이터에 기초하여 환자-특정 해부학적 모델을 수신하는 것으로서, 상기 환자-특정 해부학적 모델은 상기 환자의 혈관 구조에 대응하는 상기 환자-특정 해부학적 모델의 하나 이상의 포인트들에서 기하학적 특징들을 갖는, 상기 환자-특정 해부학적 모델을 수신하는 것;
    상기 환자-특정 해부학적 모델을 통해 혈류를 시뮬레이션하기 위해 상기 환자-특정 해부학적 모델 상에서의 위치들에서 경계 조건들을 적용하는 것;
    계산 유체 역학(CFD)을 사용하여, 상기 환자-특정 또는 모집단-도출 해부학적 모델을 통해 상기 혈류의 시뮬레이션으로부터 상기 환자-특정 해부학적 모델의 하나 이상의 포인트들에서 혈류 특성에 대한 값들을 결정하는 것;
    (i) 상기 환자-특정 해부학적 모델의 하나 이상의 포인트들의 위치에 대한 정보, 및 (ii) 상기 환자-특정 해부학적 모델의 하나 이상의 포인트들에서의 상기 기하학적 특징들을 포함한 특징 벡터들을 형성하는 것;
    상기 환자-특정 해부학적 모델의 하나 이상의 포인트들에서 상기 혈류 특성의 상기 결정된 값들과 상기 특징 벡터들을 연관시키는 것;
    상기 하나 이상의 포인트들에서 기하학적 특징들을 포함한 특징 벡터로부터 상기 환자의 혈관 구조의 하나 이상의 포인트들에서 상기 혈류 특성의 값들을 예측하기 위해 상기 연관된 특징 벡터들을 사용하여 기계 학습 알고리즘을 트레이닝하는 것; 및
    상기 트레이닝된 기계 학습 알고리즘을 사용하여, 상기 환자의 혈관 구조에 대응하는 상기 환자-특정 축소 차수 모델의 하나 이상의 포인트들에서 혈류 특성들을 결정하는 것을 포함하는, 환자의 혈류 특성들을 결정하기 위한 시스템.
  13. 청구항 12에 있어서,
    경계 조건들을 적용하는 것은 적절한 경계 조건들이 적용될 수 있는 위치들에서 상기 환자-특정 해부학적 모델을 절단하는 것을 포함하며, 상기 위치들은 혈류의 유입, 혈류의 유출, 및 혈관 벽에서의 경계들을 포함하는, 환자의 혈류 특성들을 결정하기 위한 시스템.
  14. 청구항 10에 있어서,
    상기 수신된 환자-특정 이미지 데이터를 상기 환자의 혈관 구조의 하나 이상의 영역들로 분리하는 것을 더 포함하며,
    상기 축소 차수 모델은 상기 혈관 구조의 하나 이상의 영역들의 각각에 대해 생성되는, 환자의 혈류 특성들을 결정하기 위한 시스템.
  15. 청구항 10에 있어서,
    상기 기계 학습 알고리즘은: 지지 벡터 머신들(SVM들), 다-층 퍼셉트론(MLP), 다변량 회귀(MVR), 신경망, 트리-기반 분류기, 및 가중 선형 또는 로지스틱 회귀 중 하나 이상을 포함하는, 환자의 혈류 특성들을 결정하기 위한 시스템.
  16. 청구항 10에 있어서,
    상기 혈류 특성들은: 혈압, 분획 혈류 예비력(FFR), 혈류량 또는 흐름 속도, 속도 또는 압력 필드, 혈류 역학적 힘, 및 장기 및/또는 조직 관류 특성 중 하나 이상을 포함하는, 환자의 혈류 특성들을 결정하기 위한 시스템.
  17. 컴퓨터에 의해 실행될 때, 상기 컴퓨터가 환자의 혈류 특성들을 결정하기 위한 방법을 수행하게 하는 지시들을 저장한 비-일시적 컴퓨터-판독 가능한 매체로서,
    상기 방법은:
    전자 저장 매체에서, 하나 이상의 포인트들에서 기하학적 특징들을 가진 환자의 혈관 구조의 적어도 일 부분의 환자-특정 이미지 데이터를 수신하는 것;
    상기 수신된 이미지 데이터로부터 환자-특정 축소 차수 모델을 생성하는 것으로서, 상기 환자-특정 축소 차수 모델은 상기 환자의 혈관 구조의 하나 이상의 포인트들에서 임피던스 값들의 추정치들 및 상기 기하학적 특징들의 단순화를 포함하는, 상기 환자-특정 축소 차수 모델을 생성하는 것;
    상기 환자-특정 축소 차수 모델의 하나 이상의 포인트들의 각각에 대해 상기 임피던스 값들의 추정치들 및 기하학적 특징들을 포함한 특징 벡터를 생성하는 것; 및
    상기 하나 이상의 포인트들에서 상기 생성된 특징 벡터들에 기초하여 혈류 특성들을 예측하도록 트레이닝된 기계 학습 알고리즘을 사용하여 상기 환자-특정 축소 차수 모델의 하나 이상의 포인트들에서 혈류 특성들을 결정하는 것을 포함하는, 비-일시적 컴퓨터-판독 가능한 매체.
  18. 청구항 17에 있어서,
    상기 하나 이상의 포인트들에서 상기 생성된 특징 벡터들에 기초하여 혈류 특성들을 예측하도록 트레이닝된 기계 학습 알고리즘을 사용하여 상기 환자-특정 축소 차수 모델의 하나 이상의 포인트들에서 혈류 특성들을 결정하는 것은:
    복수의 개인들의 각각에 대해, 개인-특정 해부학적 모델의 하나 이상의 포인트들에서 혈류 특성의 알려진 값들을 가지며, 상기 개인의 혈관 구조에 대응하는 상기 개인-특정 해부학적 모델의 하나 이상의 포인트들에서 하나 이상의 기하학적 특징들을 가진 혈관 구조의 상기 개인-특정 해부학적 모델을 수신하는 것;
    상기 하나 이상의 포인트들에서 상기 혈류 특성의 알려진 값들을 가진 상기 복수의 개인들의 각각에 대해, (i) 상기 하나 이상의 포인트들의 위치에 대한 정보 및 (ii) 상기 하나 이상의 포인트들에서의 기하학적 특징들을 포함한 특징 벡터들을 형성하는 것;
    상기 하나 이상의 포인트들에서 상기 혈류 특성의 알려진 값들을 가진 상기 복수의 개인들의 각각에 대해, 상기 하나 이상의 포인트들에서 상기 혈류 특성의 알려진 값들과 상기 특징 벡터들을 연관시키는 것; 및
    상기 하나 이상의 포인트들에서 기하학적 특징들을 포함한 특징 벡터로부터 혈관 구조의 하나 이상의 포인트들에서 상기 혈류 특성의 값들을 예측하기 위해 상기 연관된 특징 벡터들을 사용하여 상기 기계 학습 알고리즘을 트레이닝하는 것; 및
    상기 트레이닝된 기계 학습 알고리즘을 사용하여, 상기 환자의 혈관 구조에 대응하는 상기 환자-특정 축소 차수 모델의 하나 이상의 포인트들에서 혈류 특성들을 결정하는 것을 포함하는, 비-일시적 컴퓨터-판독 가능한 매체.
  19. 청구항 17에 있어서,
    상기 하나 이상의 포인트들에서 상기 생성된 특징 벡터들에 기초하여 혈류 특성들을 예측하도록 트레이닝된 기계 학습 알고리즘을 사용하여 상기 환자-특정 축소 차수 모델의 하나 이상의 포인트들에서 혈류 특성들을 결정하는 것은:
    상기 환자의 혈관 구조의 상기 수신된 환자-특정 이미지 데이터에 기초하여 환자-특정 해부학적 모델을 수신하는 것으로서, 상기 환자-특정 해부학적 모델은 상기 환자의 혈관 구조에 대응하는 상기 환자-특정 해부학적 모델의 하나 이상의 포인트들에서 기하학적 특징들을 갖는, 상기 환자-특정 해부학적 모델을 수신하는 것;
    상기 환자-특정 해부학적 모델을 통해 혈류를 시뮬레이션하기 위해 상기 환자-특정 해부학적 모델 상에서의 위치들에서 경계 조건들을 적용하는 것;
    계산 유체 역학(CFD)을 사용하여, 상기 환자-특정 해부학적 모델을 통해 상기 혈류의 시뮬레이션으로부터 상기 환자-특정 해부학적 모델의 하나 이상의 포인트들에서 혈류 특성에 대한 값들을 결정하는 것;
    (i) 상기 환자-특정 해부학적 모델의 하나 이상의 포인트들의 위치에 대한 정보, 및 (ii) 상기 환자-특정 해부학적 모델의 하나 이상의 포인트들에서의 상기 기하학적 특징들을 포함한 특징 벡터들을 형성하는 것;
    상기 환자-특정 해부학적 모델의 하나 이상의 포인트들에서 상기 혈류 특성의 상기 결정된 값들과 상기 특징 벡터들을 연관시키는 것;
    상기 하나 이상의 포인트들에서 기하학적 특징들을 포함한 특징 벡터로부터 상기 환자의 혈관 구조의 하나 이상의 포인트들에서 상기 혈류 특성의 값들을 예측하기 위해 상기 연관된 특징 벡터들을 사용하여 기계 학습 알고리즘을 트레이닝하는 것; 및
    상기 트레이닝된 기계 학습 알고리즘을 사용하여, 상기 환자의 혈관 구조에 대응하는 상기 환자-특정 축소 차수 모델의 하나 이상의 포인트들에서 혈류 특성들을 결정하는 것을 포함하는, 비-일시적 컴퓨터-판독 가능한 매체.
  20. 청구항 17에 있어서,
    상기 기계 학습 알고리즘은: 지지 벡터 머신들(SVM들), 다-층 퍼셉트론(MLP), 다변량 회귀(MVR), 신경망, 트리-기반 분류기, 및 가중 선형 또는 로지스틱 회귀 중 하나 이상을 포함하는, 비-일시적 컴퓨터-판독 가능한 매체.
KR1020197010997A 2016-09-20 2017-09-19 축소 차수 모델 및 기계 학습을 사용한 혈류 특성들의 추정을 위한 시스템 및 방법들 KR102477057B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201662396965P 2016-09-20 2016-09-20
US62/396,965 2016-09-20
PCT/US2017/052317 WO2018057529A1 (en) 2016-09-20 2017-09-19 System and methods for estimation of blood flow characteristics using reduced order model and machine learning

Publications (2)

Publication Number Publication Date
KR20190047073A true KR20190047073A (ko) 2019-05-07
KR102477057B1 KR102477057B1 (ko) 2022-12-14

Family

ID=60117740

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020197010997A KR102477057B1 (ko) 2016-09-20 2017-09-19 축소 차수 모델 및 기계 학습을 사용한 혈류 특성들의 추정을 위한 시스템 및 방법들

Country Status (8)

Country Link
US (3) US10945606B2 (ko)
EP (1) EP3516561B1 (ko)
JP (3) JP7100627B2 (ko)
KR (1) KR102477057B1 (ko)
CN (1) CN110168613B (ko)
AU (2) AU2017332031B2 (ko)
CA (1) CA3037492A1 (ko)
WO (1) WO2018057529A1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102190431B1 (ko) * 2020-03-18 2020-12-11 연세대학교 산학협력단 혈관 질환을 판단하는 방법 및 그를 위한 장치
WO2022124737A1 (ko) * 2020-12-11 2022-06-16 가천대학교 산학협력단 수술 부위 모니터링 방법 및 이를 이용한 디바이스
WO2024090810A1 (ko) * 2022-10-25 2024-05-02 주식회사 온택트헬스 심장 초음파 영상에 대한 정보 제공 방법 및 이를 이용한 심장 초음파 영상에 대한 정보 제공용 디바이스

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3461253B1 (en) 2016-05-16 2023-08-09 Cathworks Ltd. Selection of vascular paths from images
US10789706B2 (en) * 2016-12-23 2020-09-29 Heartflow, Inc. Systems and methods for medical acquisition processing and machine learning for anatomical assessment
US11871995B2 (en) 2017-12-18 2024-01-16 Hemolens Diagnostics Sp. Z O.O. Patient-specific modeling of hemodynamic parameters in coronary arteries
JP2021177124A (ja) * 2018-08-07 2021-11-11 チトセ バイオ エボリューション ピーティーイー リミテッド 測定装置
US10813612B2 (en) 2019-01-25 2020-10-27 Cleerly, Inc. Systems and method of characterizing high risk plaques
CN113711247A (zh) * 2019-02-03 2021-11-26 上海阵方科技有限公司 一种机器学习模型的数据处理方法、装置及系统
US11308362B2 (en) * 2019-03-26 2022-04-19 Shenzhen Keya Medical Technology Corporation Method and system for generating a centerline for an object, and computer readable medium
US11751953B2 (en) 2019-05-03 2023-09-12 Lensar, Inc. Cloud based system cataract treatment database and algorithm system
EP3751580B1 (en) * 2019-06-11 2024-04-03 Siemens Healthineers AG Hemodynamic analysis of vessels using recurrent neural network
WO2021102436A1 (en) * 2019-11-22 2021-05-27 Northwestern University Analysis tool for performing patient-specific analysis of flows through flexible tubular organs
WO2021136965A2 (en) 2019-12-31 2021-07-08 Novocure Gmbh Methods, systems, and apparatuses for image segmentation
WO2021136964A1 (en) * 2019-12-31 2021-07-08 Novocure Gmbh Methods, systems, and apparatuses for associating dielectric properties with a patient model
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
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
DE102020200750A1 (de) * 2020-01-22 2021-07-22 Siemens Healthcare Gmbh Bereitstellen eines Blutflussparametersatzes einer Gefäßmalformation
JP7462925B2 (ja) 2020-02-28 2024-04-08 国立大学法人東北大学 血流場推定装置、学習装置、血流場推定方法及びプログラム
CN112446866B (zh) * 2020-11-25 2023-05-26 上海联影医疗科技股份有限公司 血流参数的计算方法、装置、设备及存储介质
EP4131154A1 (en) 2021-08-05 2023-02-08 Robovision Coronary artery narrowing detection based on patient imaging and 3d deep learning
CN113995388B (zh) * 2021-12-13 2022-06-03 数坤(北京)网络科技股份有限公司 血流储备分数计算方法、装置、电子设备及可读存储介质
CN115482212A (zh) * 2021-12-17 2022-12-16 深圳市阅影科技有限公司 基于血流模型确定血管功能学指标的方法及装置
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
US8315812B2 (en) * 2010-08-12 2012-11-20 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
US9087147B1 (en) * 2014-03-31 2015-07-21 Heartflow, Inc. Systems and methods for determining blood flow characteristics using flow ratio
US9424395B2 (en) * 2013-03-04 2016-08-23 Heartflow, Inc. Method and system for sensitivity analysis in modeling blood flow characteristics

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10162932B2 (en) * 2011-11-10 2018-12-25 Siemens Healthcare Gmbh Method and system for multi-scale anatomical and functional modeling of coronary circulation
US10398386B2 (en) * 2012-09-12 2019-09-03 Heartflow, Inc. Systems and methods for estimating blood flow characteristics from vessel geometry and physiology
EP2994904A4 (en) * 2013-05-10 2017-01-18 Stenomics, Inc. Modeling and simulation system for optimizing prosthetic heart valve treatment
EP3160335B1 (en) 2014-06-30 2023-09-20 Koninklijke Philips N.V. Apparatus for determining a fractional flow reserve value
US20160196384A1 (en) * 2015-01-06 2016-07-07 Siemens Aktiengesellschaft Personalized whole-body circulation in medical imaging

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8315812B2 (en) * 2010-08-12 2012-11-20 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
US9424395B2 (en) * 2013-03-04 2016-08-23 Heartflow, Inc. Method and system for sensitivity analysis in modeling blood flow characteristics
US9087147B1 (en) * 2014-03-31 2015-07-21 Heartflow, Inc. Systems and methods for determining blood flow characteristics using flow ratio
US20160180055A1 (en) * 2014-03-31 2016-06-23 Heartflow, Inc. Systems and methods for determining blood flow characteristics using flow ratio

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102190431B1 (ko) * 2020-03-18 2020-12-11 연세대학교 산학협력단 혈관 질환을 판단하는 방법 및 그를 위한 장치
US11857292B2 (en) 2020-03-18 2024-01-02 E8Ight Co., Ltd. Method for diagnosing vascular disease and apparatus therefor
WO2022124737A1 (ko) * 2020-12-11 2022-06-16 가천대학교 산학협력단 수술 부위 모니터링 방법 및 이를 이용한 디바이스
KR20220083476A (ko) * 2020-12-11 2022-06-20 가천대학교 산학협력단 수술 부위 모니터링 방법 및 이를 이용한 디바이스
WO2024090810A1 (ko) * 2022-10-25 2024-05-02 주식회사 온택트헬스 심장 초음파 영상에 대한 정보 제공 방법 및 이를 이용한 심장 초음파 영상에 대한 정보 제공용 디바이스

Also Published As

Publication number Publication date
US20180078139A1 (en) 2018-03-22
JP2022133369A (ja) 2022-09-13
AU2023200986A1 (en) 2023-03-23
US10945606B2 (en) 2021-03-16
JP7312301B2 (ja) 2023-07-20
CA3037492A1 (en) 2018-03-29
US20210161384A1 (en) 2021-06-03
JP2019532702A (ja) 2019-11-14
EP3516561B1 (en) 2024-03-13
US11653833B2 (en) 2023-05-23
US20230248242A1 (en) 2023-08-10
AU2017332031B2 (en) 2022-12-08
EP3516561A1 (en) 2019-07-31
CN110168613B (zh) 2023-02-21
JP7100627B2 (ja) 2022-07-13
KR102477057B1 (ko) 2022-12-14
WO2018057529A1 (en) 2018-03-29
CN110168613A (zh) 2019-08-23
JP2023118960A (ja) 2023-08-25
AU2023200986B2 (en) 2024-05-02
AU2017332031A1 (en) 2019-04-18

Similar Documents

Publication Publication Date Title
AU2023200986B2 (en) System and methods for estimation of blood flow characteristics using reduced order model and machine learning
US10463336B2 (en) Method and system for purely geometric machine learning based fractional flow reserve
JP6271492B2 (ja) 血管形状及び生理学から血流特性を推定するシステム及び作動方法
US20230290524A1 (en) Systems and methods for identifying and modeling unresolved vessels in image-based patient-specific hemodynamic models
WO2016075331A2 (en) Method and system for purely geometric machine learning based fractional flow reserve
EP3218872A2 (en) Method and system for purely geometric machine learning based fractional flow reserve

Legal Events

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