KR20200115488A - 심장 벽의 운동을 기록하기 위한 이미지 분석 - Google Patents

심장 벽의 운동을 기록하기 위한 이미지 분석 Download PDF

Info

Publication number
KR20200115488A
KR20200115488A KR1020207020231A KR20207020231A KR20200115488A KR 20200115488 A KR20200115488 A KR 20200115488A KR 1020207020231 A KR1020207020231 A KR 1020207020231A KR 20207020231 A KR20207020231 A KR 20207020231A KR 20200115488 A KR20200115488 A KR 20200115488A
Authority
KR
South Korea
Prior art keywords
image
heart wall
scoring
contour
data
Prior art date
Application number
KR1020207020231A
Other languages
English (en)
Inventor
로스 업톤
폴 리슨
에드먼드 윌케스
데보라 마크햄
Original Assignee
옥스포드 유니버시티 이노베이션 리미티드
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 옥스포드 유니버시티 이노베이션 리미티드 filed Critical 옥스포드 유니버시티 이노베이션 리미티드
Publication of KR20200115488A publication Critical patent/KR20200115488A/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0883—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the heart
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/48—Diagnostic techniques
    • A61B8/488—Diagnostic techniques involving Doppler signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/97—Determining parameters from multiple pictures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—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
    • 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
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/13—Tomography
    • A61B8/14—Echo-tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
    • A61B8/461—Displaying means of special interest
    • A61B8/463—Displaying means of special interest characterised by displaying multiple images or images and diagnostic data on one display
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/54—Control of the diagnostic device
    • A61B8/543—Control of the diagnostic device involving acquisition triggered by a physiological signal
    • 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
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Cardiology (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Physiology (AREA)
  • Multimedia (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

본 개시물은 심장 벽(214, 218)의 운동의 스코어를 매기기 위한 시스템(100)에 관한 것이다. 이 시스템(100)은 제1 시각에서 심장 벽(214, 218)의 제1 이미지(230)를 획득하고 제2 시각에서 심장 벽(214, 218)의 제2 이미지(240)를 획득하도록 작동 가능한 이미징 시스템(102)을 포함한다. 제1 이미지(230)에서 윤곽 데이터의 제1 세트를 식별하고 제2 이미지(240)에서 윤곽 데이터의 제2 세트를 식별하기 위한 프로세서(108)가 제공된다. 프로세서(108)는 윤곽 데이터의 제1 세트 및 제2 세트에 따라 심장 벽(214, 218)의 섹션에서 심장 주기 변화를 나타내는 적어도 하나의 요소(Ei)를 규정한다. 각각의 요소(Ei)는 심장 벽(214, 218)의 대응하는 섹션의 운동의 스코어를 매기기 위해 기준 데이터 모델과 비교되는 적어도 하나의 메트릭을 생성하기 위해 분석된다. 본 개시물은 또한 심장 벽(214, 218)의 운동을 스코어링하는 방법; 및 비일시적 컴퓨터 판독 가능한 매체에 관한 것이다.

Description

심장 벽의 운동을 기록하기 위한 이미지 분석
본 개시물은 이미지들을 분석하기 위한 방법 및 장치에 관한 것이다. 더 구체적으로, 하지만 독점적이지 않게, 본 개시물은 심장 벽의 운동을 기록하기 위한 시스템 및 방법에 관한 것이다.
2차원(2D) 심장 초음파 검사는 심장의 움직임을 다른 상태, 예를 들어 휴식(rest) 상태 또는 스트레스 상태 하에서 평가할 수 있는 이미징 기술이다. 분석은 예를 들어 중간 스트레스 단계 및/또는 회복 단계를 포함하는 다른 상태 하에서 수행될 수 있다. 이것은 기능 저하 또는 기능 장애가 있는 심장 부위를 강조할 수 있으므로 의학적 중재가 필요한 환자를 식별할 수 있다. 좌심실의 전형적인 모델은 심장의 다른 2D 이미지를 사용하여 볼 수 있는 16개의 세그먼트로 구성된다. 좌심실의 다른 모델은 예를 들어 17개의 세그먼트를 포함할 수 있다. 정점 아래쪽(apical infeior) 세그먼트, 중간 아래쪽 세그먼트, 저부 아래쪽(basal inferior) 세그먼트, 정점 앞쪽(apical anterior) 세그먼트, 중간 앞쪽 세그먼트 및 저부 앞쪽 세그먼트는 정점 2 챔버 이미지에서 볼 수 있다. 정점 중격 세그먼트, 중간 중격 세그먼트, 저부 중격 세그먼트, 정점 측면 세그먼트, 중간 측면 세그먼트 및 저부 측면 세그먼트는 정점 4 챔버 이미지에서 볼 수 있다. 앞쪽 중격 세그먼트, 아래쪽 중격 세그먼트, 중간 아래쪽 세그먼트, 중간 앞쪽 세그먼트, 앞쪽 측면 세그먼트 및 아래쪽 측면 세그먼트는 흉골방(parasternal) 단축 이미지에서 볼 수 있다. 정점 측면 세그먼트, 중간 아래쪽 측면 세그먼트, 저부 아래쪽 측면 세그먼트, 정점 중격 세그먼트, 중간 중격 세그먼트, 및 저부 중격 세그먼트는 정점 3 챔버 이미지(또는 흉골방 장축 이미지)에서 볼 수 있다. 각 세그먼트의 행동은 좌심실의 다른 섹션들에서 볼 수 있다. 상이한 조건들(휴식 조건 및 스트레스 조건) 하에서 심근의 각 세그먼트의 운동은 현재 심장 전문의에 의한 2D 심장 초음파 데이터의 해석에 의해 결정된다. 이것은 범주 방식(categorical manner)으로 수행된다. 예를 들면, 심근 벽의 각 섹션은 다음 기준 벽 동작 스코어들, 즉 정상("1"), 운동기능 저하("2"), 무 운동("3"), 운동 이상("4"), 및 점수를 매길 수 없음("X") 중 하나를 갖는 것으로 분류될 수 있다. 예를 들면, 각 세그먼트에 대해 5개 또는 7개의 이산 스코어들을 규정하는 다른 분류들이 사용될 수 있다. 알려진 기술들은 주관적 분류에 의존하며 시간이 걸리는 운동을 증명할 수 있다.
이미지 정량화 도구들은 다음, 즉 (i) 시간이 지남에 따라 근본적인 질병 병리 생리학적 변화; (ii) 시험 대상 환자 개체군의 지리적 위치 및 변화 특성에 따른 질병 병리 변화들; (iii) 질병으로 규정된 것 또는 질병을 일으키는 것에 대한 변화는 이해를 허용해야 한다는 것이 인식되었다.
적어도 특정 실시예에서, 본 발명은 이미지들을 분석하기 위한 향상된 방법 및 장치를 제공하고자 한다.
본 발명의 양태들은 첨부된 청구항들에서 주장된 바와 같이 심장 벽의 운동에 점수를 매기는 시스템, 심장 벽의 운동에 점수를 매기는 방법, 및 비-일시적 컴퓨터 판독 가능 매체에 관한 것이다.
본 발명의 일 양태에 따르면, 심장 벽의 운동의 스코어링을 위한 시스템이 제공되고, 이러한 시스템은:
제1 시각에서의 심장 벽의 제1 이미지와 제2 시각에서의 심장 벽의 제2 이미지를 획득하도록 작동 가능한 이미징 시스템; 및
프로세서를 포함하고, 상기 프로세서는:
상기 제1 이미지에서 윤곽 데이터(contour data)의 제1 세트를 식별하고;
상기 제 2 이미지에서 윤곽 데이터의 제2 세트를 식별하며;
윤곽 데이터의 제1 세트 및 제2 세트에 따라, 심장 벽의 하나의 섹션에서의 심장 주기 변화를 나타내는 적어도 하나의 요소를 규정하고;
적어도 하나의 메트릭(metric)을 생성하기 위해 각 요소를 분석하고;
심장 벽의 대응하는 섹션의 운동의 스코어링을 위해 기준 데이터 모델과 적어도 하나의 메트릭을 비교하도록 구성된다.
적어도 특정 실시예들에서, 본 명세서에서 기술된 시스템은 제1 이미지와 제2 이미지에 따라 벽 운동의 스코어링을 부분적으로 또는 완전히 자동화할 수 있다. 또한, 본 명세서에서 기술된 시스템은 카테고리 모델이 아닌 연속적인 스코어링 시스템을 구현할 수 있다. 적어도 특정 실시예들에서, 심장 벽의 운동은 실질적으로 연속 스케일로 스코어링될 수 있다. 스코어링은 하나의 메트릭에 따라 또는 복수의 메트릭들에 따라 수행될 수 있다.
각 요소는 심장 벽의 하나의 섹션의 심장 주기 파라미터의 변화를 나타낸다. 요소들은 각각 적어도 2개의 차원(dimension)들로 규정된다. 일 변형예에서, 요소들은 각각 3개의 차원들로 규정될 수 있다.
적어도 하나의 요소는 심장 벽의 하나의 섹션의 심장 주기 변화를 나타낸다. 심장 벽은 복수의 세그먼트들에 의해 모델링될 수 있다. 각 요소는 상기 세그먼트들 중 하나에서의 심장 주기 변화를 나타낼 수 있다. 대안적으로, 각 요소는 상기 세그먼트들 중 하나의 일 부분(즉, 하나의 서브세그먼트)에서의 심장 주기 변화를 나타낼 수 있다. 요소들은 종래 모델의 세그먼트들과 관련이 없을 수 있음을 이해할 것이다. 예를 들면, 요소들은 심장 벽을 8개의 영역들로 세분할 수 있다.
시스템은 심장의 심실의 운동을 스코어링할 수 있다. 예를 들면, 시스템은 심장의 좌심실의 운동을 기록할 수 있다. 본 명세서에 기술된 바와 같이, 심장의 좌심실은 16개의 세그먼트들에 의해 모델링될 수 있다. 각 세그먼트는 좌심실의 내부 벽의 세그먼트들 중 하나에서의 심장 주기 변화를 나타낼 수 있다. 대안적으로, 각 요소는 좌심실의 내부 벽의 상기 세그먼트들 중 하나의 일 부분(즉, 서브세그먼트)에서의 심장 주기 변화를 나타낼 수 있다.
기준 데이터 모델은 미리 규정될 수 있다. 기준 데이터 모델은 예를 들면 다수의 개인들에 대해 획득된 복수의 이미지들의 분석으로부터 도출된 이력 데이터의 분석에 따라 생성될 수 있다. 각 요소에 대해 생성된 적어도 하나의 메트릭은 심장 벽의 대응하는 섹션에 대한 기준 데이터 모델과 비교될 수 있다. 기준 데이터 모델은 심장 벽의 모델의 각 세그먼트에 대해 생성될 수 있다. 적어도 하나의 메트릭은 심장 벽의 대응하는 세그먼트에 대한 기준 데이터 모델과 비교될 수 있다.
윤곽 데이터의 제1 세트는 복수의 제1 윤곽 점들을 포함할 수 있다. 제1 윤곽 점들은 제1 윤곽을 형성하기 위해 서로 연결될 수 있다. 제1 윤곽 점들은 직선 및/또는 곡선에 의해 서로 연결될 수 있다. 제1 윤곽은 제1 연속 곡선을 포함할 수 있다.
윤곽 데이터의 제2 세트는 복수의 제2 윤곽 점들을 포함할 수 있다. 제2 윤곽 점들은 제2 윤곽을 형성하기 위해 서로 연결될 수 있다. 제2 윤곽 점들은 직선 및/또는 곡선에 의해 서로 연결될 수 있다. 제2 윤곽은 제2 연속 곡선을 포함할 수 있다.
윤곽 데이터의 제1 세트는, 예를 들면 제1 이미지 및 제2 이미지에서 윤곽 점들을 명시하기 위한 사용자 입력들과 같은 사용자 입력들에 따라 식별될 수 있다. 대안적으로, 프로세서는 윤곽 데이터의 제1 세트 및 제2 세트를 식별하기 위해 제1 이미지 및 제2 이미지를 분석하도록 구성될 수 있다. 프로세서는, 예를 들면 윤곽 데이터의 제1 세트 및 제2 세트를 식별하기 위해 이미지 처리 기술들을 활용할 수 있다. 이미지 처리 기술들은, 예를 들면 제1 윤곽 점 및 제2 윤곽 점을 식별하기 위한 운동 세그먼테이션(motion segmentation); 및/또는 제1 윤곽 점 및 제2 윤곽 점 및/또는 제1 윤곽 및 제2 윤곽을 식별하기 위한 경계 검출 기술들을 포함할 수 있다.
프로세서는 윤곽 점들의 복수의 쌍들을 식별하도록 구성될 수 있다. 윤곽 점들의 각 쌍은 윤곽 데이터의 제1 세트 및 제2 세트에서 대응하는 특징(feature)에 관계될 수 있다. 각 쌍은 제1 윤곽 점들 및 제2 윤곽 점들로 이루어질 수 있다. 제1 윤곽 점들 및 제2 윤곽 점들은 윤곽 데이터의 제1 세트 및 제2 세트에서 존재하는 단일 특징에 관계될 수 있다.
각 요소는 윤곽 점들의 적어도 제1 상 및 제2 쌍을 포함할 수 있다. 각 쌍을 구성하는 윤곽 점들은 요소의 정점들을 규정할 수 있다.
각 요소의 분석은 각 쌍에서의 윤곽 점들 사이의 거리를 결정하고 각 요소에 대한 윤곽 점들 사이의 평균 거리를 계산하는 것을 포함한다. 각 요소의 평균 거리는 윤곽 데이터의 제1 세트 또는 제2 세트의 총 둘레(total perimeter)로 정규화될 수 있다.
각 요소는 윤곽 점들의 운동 궤적들에 대응하는 대향하는 제1 측면(side) 및 제2 측면을 포함할 수 있다.
각 요소의 분석은 요소의 면적을 결정하는 것을 포함할 수 있다. 그러한 면적은 윤곽 데이터의 제1 세트 및 제2 세트에 의해 둘러싸인 면적에 대응할 수 있다. 그러한 면적은, 예를 들면 이완기(end-diastolic) 윤곽과 수축기(end-systolic) 윤곽 사이의 면적에 대응할 수 있다. 결정된 면적은 정규화될 수 있다. 예를 들면, 각 요소의 면적은 이완기 데이터 점들의 총 면적으로 정규화될 수 있다.
각 요소의 분석은 각 요소의 직사각형 특성(rectangularity)을 결정하는 것을 포함할 수 있다. 각 요소의 직사각형 특성은 각 요소의 면적과 그것의 최소 경계 사각형의 면적 사이의 비로서 계산될 수 있다.
각 요소의 분석은 각 요소의 솔리디티(solidity)를 결정하는 것을 포함할 수 있다. 각 요소의 솔리디티는 요소의 면적과 그것의 볼록 껍질(convex hull)의 면적 사이의 비로서 계산될 수 있다.
프로세서는 연속 스케일로 스코어링을 수행하도록 구성될 수 있다. 프로세서는 심장 벽 운동의 분류 또는 등급 매기기(grade)를 행하기 위해 스코어(score)를 출력하도록 구성될 수 있다. 대안적으로 또는 추가적으로, 프로세서는 색깔로서 스코어링을 나타내기 위해 RGB 값을 출력하도록 구성될 수 있다.
3차원 이미지들을 생성하도록 이미징 시스템이 구성될 수 있다. 제1 이미지 및 제2 이미지는 3차원 이미지들일 수 있다. 적어도 하나의 요소가 3차원으로 규정될 수 있다. 이미징 시스템은 2차원 이미지들을 생성하도록 구성될 수 있다. 제1 이미지 및 제2 이미지는 심장 벽의 2차원 이미지들을 포함할 수 있다. 적어도 하나의 요소가 2차원으로 규정될 수 있다.
각 요소는 예를 들면 하나 이상의 만곡된 측면(curved side)들을 포함하는 것과 같은 불규칙적인 형상을 포함할 수 있다. 대안적으로, 각 요소는 다각형을 포함할 수 있다.
프로세서는 적어도 하나의 적어도 하나의 상태 동안 심장 벽의 운동을 스코어링하도록 구성될 수 있다. 프로세서는 복수의 상태들 동안에 심장 벽의 운동을 스코어링하도록 구성될 수 있다. 스코어링은 하나 이상의 다음 세트, 즉 휴식 상태, 스트레스 상태, 중간 스트레스 상태, 회복 상태 등 동안 수행될 수 있다. 이미징 시스템은 스트레스 상태들 하에 있는 심장 벽의 제1 이미지 및 제2 이미지를 획득하도록 작동 가능할 수 있다. 이미징 시스템은 휴식 상태 하에 있는 심장 벽의 제1 이미지 및 제2 이미지를 획득하도록 작동 가능할 수 있다. 스코어링은 예를 들면 스트레스 상태 및 휴식 상태 하에 있는 것과 같은 상이한 상태들 하에서 획득된 이미지들에 관하여 수행될 수 있다.
제1 이미지는 수축기 이미지를 포함할 수 있고 제2 이미지는 이완기 이미지를 포함할 수 있다. 윤곽 데이터의 제1 세트는 수축기 윤곽 데이터를 포함할 수 있고 윤곽 데이터의 제2 세트는 이완기 데이터를 포함할 수 있다.
본 발명의 또 다른 양태에 따르면 심장 벽의 운동을 스코어링하는 방법이 제공되고, 이러한 방법은:
제1 시각에서의 상기 심장 벽의 제1 이미지와 제2 시각에서의 상기 심장 벽의 제2 이미지를 획득하는 단계;
상기 제1 이미지에서 윤곽 데이터의 제1 세트를 식별하는 단계;
상기 제2 이미지에서 윤곽 데이터의 제2 세트를 식별하는 단계;
윤곽 데이터의 상기 제1 세트 및 상기 제2 세트에 따라 심장 벽의 섹션에서 심장 주기 변화를 나타내는 적어도 하나의 요소를 규정하는 단계;
적어도 하나의 메트릭을 생성하기 위해 각 요소를 분석하는 단계; 및
심장 벽의 대응하는 섹션의 운동의 스코어링을 위해 기준 데이터 모델과 적어도 하나의 메트릭을 비교하는 단계를 포함한다.
이 방법은 윤곽 점들의 복수의 쌍들을 식별하는 단계를 포함할 수 있다. 윤곽 점들의 각 쌍은 윤곽 데이터의 제1 세트 및 제2 세트에서 대응하는 특징들에 관계될 수 있다.
각 요소는 적어도 윤곽 점들의 제1 쌍 및 제2 쌍을 포함할 수 있다. 각 쌍에서의 윤곽 점들은 요소의 정점들을 규정할 수 있다.
각 요소의 분석하는 단계는 각 쌍에서의 윤곽 점들 사이의 거리를 결정하는 단계와 각 요소에 대한 윤곽 점들 사이의 평균 거리를 계산하는 단계를 포함한다.
이 방법은 각 윤곽 점의 운동 궤적들을 결정하는 단계를 포함할 수 있다. 이 운동 궤적들은 예를 들면 각 쌍에서 윤곽 점들의 위치를 비교함으로써 제1 이미지 및 제2 이미지를 참조하여 결정될 수 있다. 대안적으로, 또는 추가적으로 운동 궤적들은 상기 제1 시각과 상기 제2 시각 사이에서 획득된 하나 이상의 중간(interim) 이미지들에 따라 생성될 수 있다. 각 요소는 이미지 요소들의 운동 궤적들에 대응하는 제1 측면(side) 및 제2 변을 포함할 수 있다.
각 요소의 분석은 요소의 면적을 결정하는 것을 포함할 수 있다. 면적은 윤곽 데이터의 제1 세트 및 제2 세트에 의해 둘러싸인 면적에 대응할 수 있다. 면적은, 예를 들면 이완기 윤곽 및 수축기 윤곽 사이의 면적에 대응할 수 있다. 결정된 면적은 정규화될 수 있다. 예를 들면, 각 요소의 면적은 이완기 데이터 점들의 총 면적으로 정규화될 수 있다.
각 요소의 분석은 각 요소의 직사각형 특성(rectangularity)을 결정하는 것을 포함할 수 있다. 각 요소의 직사각형 특성은 각 요소의 면적과 그것의 최소 경계(bounding) 직사각형의 면적 사이의 비로서 계산될 수 있다.
각 요소의 분석은 각각의 요소의 솔리디티를 결정하는 것을 포함할 수 있다. 각 요소의 솔리디티는 요소의 면적과 그것의 볼록 껍질(convex hull)의 면적 사이의 비로서 계산될 수 있다.
스코어링(scoring)은 연속 스케일로 수행될 수 있다.
제1 이미지 및 제2 이미지는 심장 벽의 3차원 이미지들을 포함할 수 있다. 제1 이미지와 제1 이미지는 심장 벽의 2차원 이미지들을 포함할 수 있다.
각 요소는 다각형을 포함할 수 있다. 이 다각형은 2차원 또는 3차원으로 규정될 수 있다.
본 발명의 방법은 휴식 상태 동안 및 스트레스 상태 동안의 심장 벽의 운동을 기록하는 단계를 포함할 수 있다.
제1 이미지는 수축기 이미지를 포함할 수 있고 제2 이미지는 이완기 이미지를 포함할 수 있다. 윤곽 데이터의 제1 세트는 수축기 윤곽 데이터를 포함할 수 있고 윤곽 데이터의 제2 세트는 이완기 데이터를 포함할 수 있다.
본 발명의 추가 양태에 따르면, 기준 데이터 모델을 생성하는 시스템이 제공되고, 이러한 시스템은:
각각의 세트가 적어도 제1 심장 초음파 검사 이미지 및 제2 심장 초음파 검사 이미지를 포함하는, 심장 초음파 검사 이미지들의 복수의 세트들을 분석하는 것으로서, 이러한 분석은 각 세트 내에서 수축기 이미지와 이완기 이미지를 식별하는 것을 포함하는, 상기 초음파 검사 이미지들의 복수의 세트들을 분석하는 것;
심장 주기 변화를 식별하기 위해 각 세트에서 수축기 이미지와 이완기 이미지를 비교하는 것;
각 세트에 관하여 식별된 심장 주기 변화에 따라 적어도 하나의 메트릭(metric)을 계산하는 것;
심장 초음파 검사 이미지들의 세트들 중 적어도 일부와 연관되는 결과 데이터를 획득하는 것; 및
계산되는 메트릭들과 연관되는 결과 데이터에 따라 기준 데이터 모델을 수집(compile)하는 것을 행하도록 구성된 프로세서를 포함한다.
본 발명의 추가 일 양태에 따르면, 기준 데이터 모델을 생성하는 방법이 제공되고, 이러한 방법은:
심장 초음파 검사 이미지들의 복수의 세트들을 분석하는 단계로서, 각 세트가 적어도 제1 심장 초음파 검사 이미지와 제2 심장 초음파 검사 이미지를 포함하며, 각 세트 내에서 수축기 이미지와 이완기 이미지를 식별하는 단계를 포함하는, 상기 분석하는 단계;
심장 주기 변화를 식별하기 위해 각 세트에서 수축기 이미지와 이완기 이미지를 비교하는 단계;
각 세트에 관하여, 식별된 심장 주기 변화에 따라 적어도 하나의 메트릭을 계산하는 단계;
심장 초음파 검사 이미지들의 세트들의 적어도 일부와 연관되는 결과 데이터를 획득하는 단계; 및
계산된 메트릭들과 연관된 결과 데이터에 따라 기준 데이터 모델을 수집하는 단계를 포함한다.
본 발명의 추가 일 양태에 따르면, 실행될 때, 프로세서로 하여금 본 명세서에 기술된 방법을 수행하게 하는 저장된 명령어들의 세트를 가지는, 비일시적 컴퓨터 판독 가능한 매체가 제공된다.
본 명세서에서 기술된 임의의 제어 유닛 또는 제어기는 하나 이상의 전자 프로세서들을 가지는 계산 디바이스를 적합하게 포함할 수 있다. 시스템은 단일 제어 유닛 또는 전자 제어기를 포함할 수 있거나, 대안적으로 제어기의 상이한 기능들은 상이한 제어 유닛들 또는 제어기들에서 구현되거나 호스트(host)될 수 있다. 본 명세서에서 사용된 것처럼 "제어기" 또는 "제어 유닛"이라는 용어는 단일 제어 유닛 또는 제어기 및 임의의 언급된 제어 기능성을 제공하기 위해 집합적으로 작동하는 복수의 제어 유닛들 또는 제어기들 모두를 포함하는 것으로 이해될 것이다. 제어기 또는 제어 유닛을 구성하기 위해, 실행될 때 상기 제어 유닛 또는 계산 디바이스로 하여금 본 명세서에서 명시된 제어 기술들을 구현하게 하는 명령어들의 적합한 세트가 제공될 수 있다. 이러한 명령어들의 세트는 상기 하나 이상의 전자 프로세서들에서 적합하게 내장될 수 있다. 대안적으로, 상기 계산 디바이스에서 실행될 상기 제어기와 연관된 하나 이상의 메모리에 세이브(save)된 소프트웨어로서 명령어들의 세트가 제공될 수 있다. 제어 유닛 또는 제어기는 하나 이상의 프로세서에서 실행되는 소프트웨어로 구현될 수 있다. 하나 이상의 다른 제어 유닛 또는 제어기는 하나 이상의 프로세서들, 선택적으로 제1 제어기와 동일한 하나 이상의 프로세서에서 실행되는 소프트웨어로 구현될 수 있다. 다른 적합한 장치(arrangement)들이 또한 사용될 수 있다.
본 출원의 범주 내에서, 이전 단락들, 청구항들 및/또는 후속하는 설명 및 도면들, 그리고 특히 이들의 개별 특징들에서 제시된 다양한 양태들, 실시예들, 예들 및 대안예들이 독립적으로 또는 임의의 조합으로 취해질 수 있음이 명백히 의도된다. 즉, 모든 실시예들 및/또는 임의의 실시예의 특징들은 이러한 특징들이 호환되지 않는(incompatible) 한, 임의의 방식 및/또는 조합으로 조합될 수 있다. 본 출원인은 비록 원래 그러한 식으로 주장되지 않을지라도 임의의 다른 청구항의 임의의 특징에 의존 및/또는 임의의 다른 청구항의 임의의 특징을 통합하기 위해 임의의 원래 출원된 청구항을 보정할 권리를 포함하여, 임의의 원래 출원된 청구항을 변경하거나 그에 따라 임의의 새로운 청구항을 출원할 권리를 보유한다.
이제 본 발명의 하나 이상의 실시예가 첨부 도면들을 참조하여 오직 예를 통해 설명될 것이다.
도 1은 본 발명의 일 실시예에 따른 심장 초음파 시스템의 개략도.
도 2는 심장의 4-챔버 그림을 개략적으로 도시하는 도면.
도 3은 도 1의 시스템에 의해 수행된 진단 방법의 주요 단계들을 도시하는 흐름도.
도 4a는 도 1에 도시된 심장 초음파 시스템에 의해 캡처된 수축기 이미지를 도시하는 도면.
도 4b는 도 1에 도시된 심장 초음파 시스템에 의해 캡처된 이완기 이미지를 도시하는 도면.
도 5a는 수축기 윤곽 점들과 이완기 윤곽 점들로 이루어진 윤곽 데이터 세트들을 도시하는 도면.
도 5b는 도 5a에 도시된 윤곽 데이터 세트들로부터 생성된 복수의 요소들을 도시하는 도면.
도 6a는 도 5b에 예시된 각 요소에 대한 면적 메트릭(area metric)의 생성을 예시하는 도면.
도 6b는 도 5b에 예시된 각 요소에 대한 평균 거리 메트릭의 생성을 예시하는 도면.
도 6c는 도 5b에 예시된 각 요소에 대한 직사각형 특성 메트릭의 생성을 예시하는 도면.
도 6d는 도 5b에 예시된 각 요소에 대한 솔리디티 메트릭의 생성을 예시하는 도면.
도 7의 (a)는 휴식 상태에 대한 면적 메트릭의 분석을 예시하는 도면.
도 7의 (b)는 휴식 상태에 대한 평균 거리 메트릭의 분석을 예시하는 도면.
도 7의 (c)는 휴식 상태에 대한 직사각형 특성 메트릭의 분석을 예시하는 도면.
도 7의 (d)는 휴식 상태에 대한 솔리디티 메트릭의 분석을 예시하는 도면.
도 8의 (a)는 스트레스 상태에 대한 면적 메트릭의 분석을 예시하는 도면.
도 8의 (b)는 스트레스 상태에 대한 거리 메트릭의 분석을 예시하는 도면.
도 8의 (c)는 스트레스 상태에 대한 직사각형 특성 메트릭의 분석을 예시하는 도면.
도 8의 (d)는 스트레스 상태에 대한 솔리디티 메트릭의 분석을 예시하는 도면.
도 9a는 정규화된 면적과 평균 거리 메트릭들의 이변량 분석에 기초한 기준 데이터 모델을 예시하는 도면.
도 9b는 도 9a에 예시된 기준 데이터 모델에 적용된 정규 분포 데이터 세트를 도시하는 도면.
도 10a는 2-챔버 정점 이미지에서의 제1 휴식 상태에 대한 메트릭들 각각의 다변량 분석을 예시하는 도면.
도 10b는 4-챔버 정점 이미지에서의 제2 휴식 상태에 대한 메트릭들 각각의 다변량 분석을 예시하는 도면.
도 11a는 2-챔버 정점 이미지에서의 제1 스트레스 상태에 대한 메트릭들 각각의 다변량 분석을 예시하는 도면.
도 11b는 4-챔버 정점 이미지에서 제2 스트레스 상태에 대한 메트릭들 각각의 다변량 분석을 예시하는 도면.
도 12a는 휴식 상태에 있는 요소들에 적용된 스코어링을 도시하는 도면.
도 12b는 스트레스 상태에 있는 요소들에 적용된 스코어링을 도시하는 도면.
도 13은 문턱 값들을 규정하는 일련의 결정 점들로 이루어진 결정 트리를 도시하는 도면.
이제 첨부 도면들을 참조하여 본 발명의 일 실시예에 따른 심장 초음파 시스템(10)이 설명될 것이다. 심장 초음파 시스템(100)은 심장(200)의 이미지들을 분석하고 심장 주기 운동을 스코어링하도록 작동 가능하다.
도 1에 도시된 것처럼, 심장 초음파 시스템(100)은 환자(104)의 신체에 가깝게, 보통 가능한 한 심장에 가깝게 위치하도록 배치된 트랜스듀서 어레이(transducer array)(102), 디지털 전자 프로세서일 수 있는 프로세서(108)를 포함하는 처리 유닛(106); 하드 디스크와 같은 메모리(110), 및 평평한 스크린 모니터 또는 LED 디스플레이와 같은 디스플레이(112)를 포함한다. 이러한 시스템은 또한 예를 들면 디스플레이(112)에 통합되어 사용자가 심장 초음파 시스템(100)에 입력들을 제공하는 것을 허용하는 사용자 입력을 제공하는 터치스크린(114)과 같은 사용자 입력 디바이스를 포함할 수 있다. 마우스, 터치패드 또는 키보드와 같은 다른 사용자 입력들이 물론 사용될 수 있다. 처리 유닛(106)은 트랜스듀서 어레이(102)에 연결되고 일련의 펄스들로 환자를 스캔하는 초음파 빔을 방출하고 각 펄스로부터 심장으로부터의 반사된 초음파를 검출하도록 트랜스듀서 어레이를 위상 어레이(phased array)로서 제어하도록 배열된다. 심장의 1회 스캔은 단일 이미지를 형성하고, 심장 주기 동안 심장의 움직임을 보여주는 심장의 실시간 비디오 이미지를 구축하기 위해 일반적으로 초당 25개 내지 50개의 이미지로 스캔이 반복된다. 각 이미지는 예를 들면 이미지가 구성되는 각 픽셀에 대한 강도 값들을 포함할 수 있는 이미지 데이터 세트로서 메모리(110)에 저장될 수 있다. 이 시스템은 여기에서 일반적인 용어들로 설명되지만, 적합한 심장 초음파 시스템들은 예를 들면 Philips Epic iE33, GE vivid e9, 또는 Philips CX50과 같은 휴대 가능한 시스템들 또는 핸드-헬드(hand-held) 시스템들을 포함한다.
심장 초음파의 프로세스는 잘 알려져 있으며 여기서 자세히 설명하지 않는다. 몇 가지 상이한 이미징 방법들이 있지만, 본 실시예에 따른 심장 초음파 시스템(100)은 2차원 이미징을 사용한다. 심장을 통해 여러 상이한 평면들에서 이미지들을 제공하는 것으로 알려져 있으며, 이는 심장의 4개의 주요 챔버들인 좌심실(LV), 우심실(RV), 좌심방(LA) 및 우심방(RA)의 상이한 양태들을 보여준다. 그러한 뷰(view)들은, 예를 들면 정점의 4개의 챔버 뷰, 정점의 2개의 챔버 뷰, 정점의 3개의 챔버 뷰 및 흉골방 장축 뷰 및 단축 뷰들을 포함한다. 각각의 경우에, 단일 정지 이미지가 얻어질 수 있는데 반해, 보통 심장의 움직임이 기록되고 분석될 수 있도록 심장의 주기에 걸쳐 일련의 뷰들이 획득된다. 심장 초음파 시스템(100)은 심장(200)의 심장 주기 운동을 스코어링하기 위해 전술한 뷰들 중 하나 이상을 이용할 수 있다.
심장(200)의 4-챔버 정점 이미지가 도 2에 예로서 도시된다. 이미지는 심장(200)의 2D 평면을 포함한다. 그러한 이미지는 좌심실(LV)(202), 우심실(RV)(204), 좌심방(206), 우심방(208) 및 중격(210)을 도시한다. 좌심실(202)의 정점(212), 측면 벽(214), 저부(base)(216) 및 내벽(218)이 또한 4-챔버 정점 뷰에서 볼 수 있다. 좌심실(202)의 길이방향 축(220)은 정점(212)을 통해 연장된다. 좌심실(202)은 길이방향 축(220)의 대향하는 측면들 상에 배치되는 제1 측면(side)(222) 및 제2 측면(224)을 갖는다.
처리 유닛(106)은 여기에 기술된 스코어링 기술들을 구현하기 위해 4-챔버 정점 이미지를 분석한다. 대안적으로, 또는 추가적으로 처리 유닛(106)은 2-챔버 정점 이미지, 흉골방 단축 이미지 및 3-챔버 장점 뷰 중 하나 이상을 이용할 수 있다. 다른 심장 초음파 이미지들이 여기에 설명된 스코어링 기술들을 구현하기 위해 처리 유닛(106)에 의해 사용될 수 있다. 처리 유닛(106)은 심장 초음파 이미지들의 다양한 조합들을 이용하여 좌심실의 16개의 세그먼트에 대한 스코어링을 제공할 수 있다. 처리 유닛(106)은 복수의 이미지들을 분석하고 다중 이미지들에 대한 메트릭들에 따라 심장 주기 운동을 스코어링할 수 있다. 처리 유닛(106)은 이용 가능한 이미지들을 정성적으로 평가하고 심장 벽의 특정 섹션의 심장 주기 운동의 보다 명확한 표현을 제공하는 것으로 결정된 이미지의 우선 순위를 매길 수 있다. 좌심실(202)의 정점(212)을 통해 연장되고 그것의 길이방향 축을 따라 연장되는 수직 축(본 명세서에서 y축으로 지칭됨) 및 정점(212)과 저부(216) 사이의 중간에서 좌심실(202)의 중간 점을 통해 수평 축(본 명세서에서 x축으로 지칭됨)을 포함하는 직교 좌표계가 규정된다.
심장 초음파 시스템(100)의 작동을 나타내는 블록도가 도 3에 도시된다. 심장 초음파 시스템(100)은 2D 이미지들의 시퀀스를 획득하고 그것들을 메모리(110)에 저장하기 위해 배치된다(블록 300). 그러한 이미지들은 단일 심장 주기에 걸쳐 획득될 수 있고, 예를 들면 하나의 주기를 커버하는 10개의 이미지와 50개의 이미지 사이를 포함할 수 있다. 심장 초음파 시스템(100)은 1회 스캔 또는 2회 이상의 스캔을 수행할 수 있다. 예를 들면, 심장 초음파 시스템(100)은 제1 스캔 및 제2 스캔을 수행할 수 있다. 제1 스캔은 환자가 휴식 상태에 있을 때 수행될 수 있고 제2 스캔은 환자가 스트레스 상태에 있을 때 수행될 수 있다. 심장 초음파 시스템(100)은, 예를 들면 심박수가 스트레스를 받은 후 정상으로 복귀함에 따라 회복 단계 동안 휴식 상태와 스트레스 상태 사이에서 하나 이상의 중간 스캔을 선택적으로 행해질 수 있다. 이미지들의 획득은 종래의 심장 초음파 시스템에서 수행될 수 있다. 이미지들의 그 다음 분석은 도 1에 도시된 바와 같이 심장 초음파 시스템의 일부를 형성하는 동일한 처리 유닛(106)을 사용하여 행해질 수 있다. 하지만, 이미지들은 프로세서, 메모리, 사용자 입력 및 디스플레이를 갖는 랩탑 또는 PC와 같은 컴퓨터에 다운로드될 수 있으며, 이는 처리 유닛(106)의 것들과 동일한 방식으로 이러한 목적으로 작동하고, 이미지들의 추가 분석은 전용 소프트웨어의 제어 하에 그러한 컴퓨터에서 행해질 수 있다. 그러한 이미지들은 PACS(picture archiving and communication system)로부터 검색될 수 있다는 것이 이해될 것이다. 대안적으로, 또는 추가적으로 이미지들은 처리를 위해 외부 서버로 전송될 수 있다. 그러한 이미지들은 전송 전에 익명처리될 수 있다.
수축기에 가장 가까운 이미지, 즉 심장 주기 동안 최대 수축, 및 이완기에 가장 가까운 이미지, 즉 심장 주기 동안 최대 부피가 좌심실(202)에 대해 식별된다(블록 302). 이것은 사용자가 디스플레이(112) 상의 이미지들을 보고, 수축기에 가장 가까운 제1 이미지(230)(여기에서 수축기 이미지(230)로 지칭되는) 및 이완기에 가장 가까운 제2 이미지(240)(여기에서 이완기 이미지(240)라고 지칭되는)를 선택함으로써 행해질 수 있다. 수축기 이미지(230) 및 이완기 이미지(240)는 심장 주기에서 각각 제1 시각 및 제2 시각에 획득된다. 전형적인 수축기 이미지(230)는 도 4a에 도시되어 있고, 전형적인 이완기 이미지(240)는 도 4b에 도시되어 있다. 수축기 이미지(230)와 이완기 이미지(240)의 선택은 눈에 의해 판단되는 바와 같이 각 이미지에서 좌심실(202)의 부피의 평가 및 비교에 기초하여 사용자에 의해 또는 승모판막(mitral valve)의 개폐 점들을 주목함으로서, 또는 ECG 플롯(plot)에서 QRS 복합체를 사용함으로써 또는 이들의 임의의 조합에 의해 이루어질 수 있다. 대안적으로, 프로세서(108)는 이미지 처리 기술들을 사용하여 수축기 이미지(230) 및 이완기 이미지(240)를 식별하도록 될 수 있다. 이러한 이미지 처리 기술들은, 예를 들면 이미지들 각각에서 좌심실(202)의 부피를 결정할 수 있다. 프로세서는 가장 작은 좌심실 부피를 갖는 이미지를 수축기 이미지(230)로서 식별할 수 있고; 가장 큰 좌심실 부피를 갖는 이미지를 이완기 이미지(240)로서 식별할 수 있다. 대안적으로, 이미지 처리 기술들은 다중 이미지들에 걸쳐 지속되는 이미지 요소들의 움직임들을 식별 및 추적하여 수축기 이미지(230) 및 이완기 이미지(240)를 식별할 수 있다. 지속되는 이미지 요소들의 움직임 방향에서의 반전(reversal)은 예를 들면, 수축기 및 이완기를 식별하기 위해 사용될 수 있다. 수축기 이미지(230) 및 이완기 이미지(240)는 그것들이 사용자에 의해 선택되어 보여질 수 있도록, 예를 들면 적절한 플래그로 표시되어 메모리(110)에서 식별된다.
좌심실(202)의 내벽(218)은 수축기 이미지(230)에서 수축기에서, 그리고 이완기 이미지(240)에서 이완기에서 식별된다(블록 304). 좌심실(202)은 수축기 이미지(230)에서 이완기에서 및 이완기 이미지(240)에서 수축기에서 윤곽이 형성된다(맵핑된다)(블록 306). 좌심실(202)의 윤곽의 형성은 수축기 이미지(230)에서 내벽(218) 주위의 복수의 수축기 윤곽 점(232-n)을; 그리고 이완기 이미지(240)에서 내벽(218) 주위의 복수의 이완기 윤곽 점(242-n)을 식별하는 것을 포함한다. 제1 연속 곡선은 수축기 윤곽선(233)을 형성하기 위해 수축기 윤곽 점들(232-n) 사이에 그려지고; 제2 연속 곡선은 이완기 윤곽선(243)을 형성하기 위해 수축기 윤곽 점들(242-n) 사이에 그려진다. 수축기 윤곽선(233) 및 이완기 윤곽선(243)은 직선 및/또는 곡선을 포함할 수 있다. 수축기 윤곽선(233) 및 이완기 윤곽선(243)은 예를 들면, 수축기 이미지(230) 및 이완기 이미지(240)에서 각각 식별된 경계와 일치하도록 프로파일링될(profiled) 수 있다.
수축기 윤곽 점들(232-n) 및 수축기 윤곽선(233)은 수축기 윤곽 데이터 세트(234)를 형성하고; 이완기 윤곽 점들(242-n) 및 이완기 윤곽선(243)은 이완기 윤곽 데이터 세트(244)를 형성한다. 수축기 윤곽 데이터 세트(234)에서 각각의 수축기 윤곽 점(232-n)은 이완기 윤곽 데이터 세트(244)에서 대응하는 하나의 이완기 윤곽 점(242-n)과 쌍을 이룬다. 수축기 및 이완기 윤곽 점들(232-n, 242-n)의 결과 쌍들은 심장 주기 동안 심장(200)의 벽 운동의 변화를 나타낸다. 하지만 심장 주기 동안 벽 운동으로 인해 수축기 이미지(230) 및 이완기 이미지(240)의 상이한 위치들에서 수축기 및 이완기 윤곽 점들(232-n, 242-n)의 쌍들은 좌심실(202)의 동일한 특징에 대응할 수 있다. 본 실시예에서, 13개의 수축기 및 이완기 윤곽 점들은 수축기 이미지(230) 및 이완기 이미지(240)에서 식별된다. 이완기 윤곽 점들 및 수축기 윤곽 점들은 심장 내막을 따라 그것들의 위치에 따라 1 내지 13으로 표시된다(즉, n = 1, 2, 3, ... 13). 수축기 및 이완기 윤곽 데이터 세트들(234, 244)는 도 5a에 도시된 바와 같이 조합된다.
도 5b에 도시된 것처럼, 수축기 윤곽 점들(232-n) 및 이완기 윤곽 점들(242-n)은 내벽의 심장 주기 운동을 나타내는 복수의 요소(Ei)(여기서, i는 전체수)를 형성한다(블록 308). 본 명세서에서 설명된 것처럼, 요소(Ei)들은 좌심실(202)의 내벽(218)의 대응하는 섹션의 심장 주기 운동을 등급화하기 위해 분석되고 스코어링된다. 예시된 배열에서, 3 쌍의 수축기 윤곽 점(232-n) 및 이완기 윤곽 점(242-n)(즉, 각각의 수축기 및 이완기 윤곽 데이터 세트(234, 244)로부터의 3개의 수축기 윤곽 점들(232-n) 및 3개의 이완기 윤곽 점들(242-n))은 각 요소(Ei)를 규정한다. 예시된 예에서, 수축기 이미지(230) 및 이완기 이미지(240)는 2개의 챔버 정점 이미지들이다. 내벽의 심장 주기 운동의 변화들은 6개의 요소들(E1-6)로 나타내어진다. 요소들(E1-6) 각각은 평면(2차원) 다각형의 형태이다. 요소들(E1-6)은 좌심실 모델의 각각의 세그먼트에 대응한다. 특히, 제1 요소(E1)는 저부 아래쪽 세그먼트에 대응하고; 제2 요소(E2)는 중간 아래쪽 세그먼트에 대응하고; 제3 요소(E3)는 정점 아래쪽 세그먼트에 대응하고; 제4 요소(E4)는 정점 앞쪽 세그먼트에 대응하고; 제5 요소(E5)는 중간 앞쪽 세그먼트에 대응하고; 제6 요소(E6)는 저부 앞쪽 세그먼트에 대응한다. 심장 주기 변화는 상이한 개수의 요소들(Ei), 예를 들면 6개 미만의 요소들 또는 6개 초과의 요소로 나타내어질 수 있음을 이해할 것이다.
요소들(Ei)은 심장(200)의 대응하는 섹션들의 심장 주기 운동을 스코어링(즉, 분류 또는 그레이딩(classifying or grading))하기 위한 적어도 하나의 벽 운동 메트릭을 생성하기 위해 분석된다(블록 310), 요소들(Ei)의 분석은 본 명세서에서 더 상세히 기술된다. 생성된 메트릭은 벽 운동을 스코어링하기 위해 미리 규정된 기준 데이터 모델과 비교된다(블록 312). 그런 다음 스코어링의 결과들이, 예를 들면 스크린 또는 디스플레이에 출력된다(블록 314). 스코어링은 임상의에 의해 검토될 수 있다.
이제 좌심실(202)의 윤곽 형성이 보다 상세하게 설명될 것이다. 윤곽 형성은 심장 초음파 검사기에 의해 수행될 수 있거나 적합한 이미지 처리 기술들을 사용하여 수행될 수 있다. 조영제로 획득된 좌심실(202)의 에코(echo) 이미지가 도 4a 및 도 4b에 도시되어 있다. 수축기 이미지(230)는 도 4a에 도시되고, 이완기 이미지(240)는 도 4b에 도시되어 있다. 좌심실(202)의 정점(212)은 좌심실(202)의 상단으로서 위치될 수 있고, 각 측면(222, 224)의 저부(216)는 내벽(218)의 형상으로부터 위치될 수 있다. 길이 방향(Y) 축은 정점(212)을 통과하는 기준선과 2개의 측면(222, 224)의 저부 사이의 중간 점으로 규정된다. 그런 다음 x축은 정점과 저부(216)의 2개의 측면 사이의 중간점 사이의 중간에서 y축에 수직인 선으로 규정될 수 있다. 각각의 측면(222, 224) 상의 중간점은 x축이 그 측면(222, 224)의 측벽과 교차하는 점으로서 식별될 수 있다. 중간 수축기 윤곽 점들(232-n) 및 이완기 윤곽 점들(242-n)은 정점(212)과 각 측면(222, 224)의 중간 점 사이의 구역들을 세분화함으로써; 그리고 각 측면(222, 224)에서 중간 점과 저부 사이의 구역을 세분화함으로써, 식별될 수 있다.
위에서 언급된 것처럼, 이들 수축기 윤곽 점들(232-n) 및 이완기 윤곽 점들(242-n) 각각은 사용자에 의해 식별될 수 있다. 대안적으로, 이미지 처리는 수축기 윤곽 점들(232-n) 및 이완기 윤곽 점들(242-n)을 식별하기 위해 사용될 수 있다. 이미지 처리가 사용된다면, 좌심실(202)의 윤곽은 먼저 좌심실(202) 내의 더 밝은 영역과 그 주위에 벽들을 형성하는 심근의 더 어두운 영역 사이의 경계로서 식별된다(또는 조영제를 사용하지 않고 획득된 이미들지의 경우에는 그 반대로도). 이러한 경계를 식별하기 위한 적합한 알고리즘은 잘 알려져 있다. 일단 경계가 식별되면, 알고리즘은 이어서 정점(212)인 것으로 경계의 최고점(최대 y 값)을 식별하고, 경계가 하단에서 저부(216)로서 방향이 변하는 점들을 식별하도록 배열될 수 있다. 다시, 곡률의 반경 및 방향을 분석하기 위한 알고리즘, 및 경계 주위의 변화가 어떻게 이러한 점들과 정점(212)의 하단에 있는 점들을 식별하는데 사용될 수 있다. 수축기 윤곽 점들(232-n) 및 이완기 윤곽 점들(242-n) 각각의 좌표는 좌표계를 참조하여 결정된다. 심장 초음파 시스템(100)에 의해 획득된 이미지들의 스케일이 알려져 있다. 그러므로 수축기 윤곽 점들(232-n) 및 이완기 윤곽 점들(242-n) 각각의 좌표들은 대응하는 이미지의 평면에서 점의 위치를 규정한다. 각 쌍에서의 윤곽 점들 사이의 거리는 수축기 및 이완기 사이에서 심장(200)의 대응하는 섹션에 의해 이동된 거리를 나타낸다.
이제 도 6a 내지 도 6d를 참조하여 벽 운동 메트릭들을 생성하기 위한 요소들(Ei)의 분석이 설명될 것이다. 도 6a에 도시된 것처럼, 각 요소(Ei)는 n개의 측면들을 갖는 다각형 형태이다. 도 6a에 도시된 것처럼, 각 요소(Ei)의 요소 면적(A)은 신발끈 공식(shoelace formula)에 의해 윤곽 데이터(234, 244)의 제1 세트 및 제2 세트로부터 계산된다:
Figure pct00001
여기서 n = 다각형의 측면들의 개수; 및
(
Figure pct00002
) = 다각형의 정점들(
Figure pct00003
).
그런 다음 각 요소(Ei)의 계산된 면적(A)은 이완기 윤곽 점들의 총 면적에 의해 나타내어진 총 면적의 부분(fraction)으로서 정규화된다.
도 6b에 도시된 것처럼, 이완기 및 수축기의 각 쌍에서 수축기 윤곽 점 쌍들(232-n)과 이완기 윤곽 점들(242-n) 사이의 유클리드 거리(d)는 수학식 2를 사용하여 계산된다:
Figure pct00004
여기서 n = 차원(dimension)들의 개수;
p = 이완기 윤곽 점의 좌표들; 및
q = 수축기 윤곽 점의 좌표들이다.
그런 다음 각 요소(Ei)에 대한 평균 거리(d)가 계산된다(즉, 제1 요소(E1)에 대한
Figure pct00005
, 제2 요소(E2)에 대한
Figure pct00006
등). 그 후 이러한 평균 거리는 이완기 윤곽 점들의 총 둘레 거리의 부분으로서 정규화된다.
도 6c에 도시된 것처럼, 각 요소(Ei)의 직사각형 특성(Rectangularity)은 각 요소의 면적(Ai)과 최소 경계(bounding) 직사각형의 면적(Ri) 사이의 비로 계산되었다:
Figure pct00007
여기서
Figure pct00008
= 각 요소(E i )의 면적; 및
Figure pct00009
= 최소 경계 직사각형의 면적.
도 6d에 도시된 것처럼, 각 요소(E i )의 솔리디티(Si)는 요소의 면적(Ai)과 그것의 볼록 껍질의 면적(Hi) 사이의 비율로 계산되었다:
Figure pct00010
여기서
Figure pct00011
= 각 요소(E i )의 면적; 및
Figure pct00012
= 대응하는 볼록 껍질의 면적.
계산된 메트릭들과 기준 벽 운동 스코어들 사이의 상관 관계를 평가하기 위해, 가공되지 않은(즉, 처리되지 않은) 2차원 심장 초음파 데이터를 포함하는 기준 데이터 세트가 분석되었다. 기준 데이터 세트는 환자들의 그룹에 대한 이완기 이미지 및 수축기 이미지를 포함하는 이력 데이터로 구성되었다. 이완기 이미지 및 수축기 이미지는 본 명세서에 기술된 기술들에 따라 분석되어 수축기 윤곽 점들(232-n) 및 이완기 윤곽 점들(242-n)을 식별한다. 이에 의해 좌심실(202)의 표준 모델의 각 세그먼트에 대응하는 요소들(Ei)이 식별되었다. 요소들(Ei)은 본 명세서에 기술된 기술들을 사용하여 분석되어 다음의 메트릭들: 정규화된 영역(A), 정규화된 평균 거리(d), 직사각형 특성 및 솔리디티(Si)를 계산하였다. 각 요소(Ei)에 대한 휴식 상태 및 스트레스 상태에 대한 메트릭들이 분석되었다. 요소들(Ei)은 또한 기준 벽 운동 스코어들, 즉 정상("1"), 운동 부족("2"), 운동 신경 장애("3"), 운동 이상(dyskinetic)("4"), 기록할 수 없음("X")으로 구성된 표준 스코어링 시스템을 사용하여 2명의 심장 전문의에 의해 독립적으로 스코어링되었다. 2개의 기준 데이터 세트들 사이에서 불일치한 모든 스코어들을 검토하고 합의에 도달했다. 벽 운동 스코어가 "X"인 요소는 기준 데이터 세트에서 제거되었다(n = 2). "4"(n = 2)인 벽 운동 스코어를 가지는 이용 가능한 기준 데이터 세트에서의 요소들의 낮은 개수로 인해, 이들은 또한 분석으로부터 제거되었다. 그러므로 본 실시예에서, 기준 데이터 세트로부터의 각각의 요소(Ei)는 정상("1"), 운동 부족("2"), 운동 신경 장애("3")로서 스코어링 되었다. 분석은 각 환자에 관해 휴식 상태와 스트레스 상태에 관해 반복되었다. 본 명세서에서 기술된 바와 같이, 가공되지 않은 기준 데이터 세트의 분석을 통해 계산된 메트릭들은 계산된 메트릭들이 비교될 수 있는 기준 데이터 모델을 생성하기 위해 사용된다. 이러한 기준 데이터 모델은 각 요소(Ei)에 대해 생성된다. 기준 데이터 모델은 일변량 모델 또는 다변량 모델일 수 있다. 기준 데이터 모델은 심장 초음파 시스템(100)의 메모리(110)에 저장될 수 있다. 대안적으로, 기준 데이터 세트는 메모리(110)와, 처리 유닛(106)에 의해 생성된 기준 데이터 모델에 저장될 수 있다. 이러한 접근법은 예를 들면 특정 메트릭들 또는 메트릭들의 조합들과 관하여 동적 비교들을 가능하게 할 수 있다.
휴식 상태에 대해 각 요소(Ei)에 대한 계산된 메트릭들 및 심장 전문의들에 의해 할당된 벽 운동 스코어(예를 들어, 정상 "1", 운동 부족 "2", 운동 신경 장애 "3")의 플롯이 도 7a 내지 도 7d에 도시되어 있다. 메트릭들의 제2 사분위수는 각 기준 벽 운동 스코어에 대해 해당 메트릭들 세트에 대한 중앙선(median line)을 포함하는 상자 그림으로 표현된다. 각 기준 벽 운동 스코어에 대한 정규화된 요소 면적(A)이 도 7a에 도시되어 있다. 각각의 기준 벽 운동 스코어에 대한 정규화된 평균 거리(d)는 도 7b에 도시되어 있다. 각 기준 벽 운동 스코어에 대한 계산된 솔리디티는 도 7c에 도시되어 있다. 각 기준 벽 운동 스코어에 대해 계산된 직사각형 특성은 도 7d에 도시된다. P<0.05의 Wilks-Lambda 비모수(non-parametric), 다변량 세트스 통계량은 각 벽 운동 스코어 그룹에서 결정된다. 계산된 메트릭들과 할당된 벽 운동 스코어 사이에 통계적으로 유의한 상관 관계가 식별된다.
스트레스 상태에 대해 심장 전문의가 할당한 벽 운동 스코어와 각 요소(Ei)에 대해 계산된 메트릭들(즉, 정상 "1", 운동 부족 "2", 운동 신경 장애 "3")의 플롯이 도 8a 내지 도 8d에 도시된다. 메트릭들의 제2 사분위수는 각 기준 벽 운동 스코어에 대해 해당 메트릭들 세트에 대한 중앙선을 포함하는 상자 그림으로 표현된다. 각 기준 벽 운동 스코어에 대해 정규화된 요소 면적(A)이 도 8a에 도시된다. 각 기준 벽 운동 스코어에 대해 정규화된 평균 거리(d)들이 도 8b에 도시된다. 각 기준 벽 운동 스코어에 대한 계산된 솔리디티가 도 8c에 도시된다. 각 기준 벽 운동 스코어에 대해 계산된 직사각형 특성이 도 8d에 도시된다. P<0.05의 Wilks-Lambda 비모수, 다변량 테스트 통계량은 각 벽 운동 스코어 그룹에서 결정된다. 계산된 메트릭들과 할당된 벽 운동 스코어 사이에 통계적으로 유의한 상관 관계가 식별된다.
각 요소(Ei)에 대한 스코어링은 계산된 메트릭들 중 하나에 따라 계산될 수 있다. 처리 유닛(106)은 일변량 분포, 예를 들면 일변량 정규 분포를 규정하도록 구성될 수 있다. 예로서, 스코어링은 계산된 메트릭들 중 하나에 대한 z-스코어(표준 스코어)에 대응할 수 있다. z-스코어는 계산된 메트릭이 개체군 평균으로부터 표준 편차 단위로 몇 개의 표준 편차를 나타내는지를 나타낸다. 처리 유닛(106)은 결정된 z-스코어에 대응하는 각각의 요소(Ei)에 스코어를 할당하도록 구성될 수 있다. 하지만, 각각의 요소(Ei)에 대해 계산된 스코어의 정확도는 계산된 메트릭들 중 둘 이상을 참조하여 향상될 수 있다. 처리 유닛(106)은 다변량 분포, 예를 들어 다변량 정규 분포를 규정하도록 구성될 수 있다. 처리 유닛(106)은 이변량 분포 또는 더 높은 차원의 분포를 규정하도록 구성될 수 있다. 처리 유닛(106)은 기준 개체군으로부터 계산된 메트릭의 '거리'를 계산하도록 구성될 수 있다. 이 기술을 사용하면 더 높은 차원에서 분석을 수행할 수 있다. 한 가지 접근법은 데이터(PC1)의 제1 주요 구성요소와의 거리를 사용하는 것이다. 대안적으로, 또는 추가적으로 마할라 노비스(Mahalanobis) 거리는 처리 유닛(106)에 의해 계산될 수 있다. 다른 통계 분석 기술들도 또한 적절하다.
각 요소(Ei)의 평균 거리와 면적 사이의 상관 관계를 결정함으로써, 각 요소 (Ei)에 대응하는 벽 섹션에 대한 스코어가 결정될 수 있다. 본 실시예에서, 스코어링은 이산 값들에 의존하는 전통적인 스코어링 시스템보다는 연속 스케일을 포함한다. z-스케일된 요소 면적들과 평균 거리들 사이의 상관 관계를 모의적으로 표현한 것이 도 9a에 나와 있다. 왼쪽 아래 사분면(Q3)은 잠재적으로 비정상적인 벽 운동이 있는 것으로 식별된 요소들(Ei)을 나타낸다. 3개의 타원(E1 ~ E3)의 세트는 데이터 점들의 분포에 대한 신뢰 구간(CI)을 나타내는데, 즉 내부 타원(E1)은 CI = 68%를 나타내고, 중간 타원(E2)는 CI-95%를 나타내며, 외부 타원(E3)은 CI = 99%를 나타낸다. 데이터의 중심(centroid)(O)이 도시되고, 라인(PC1)은 데이터(즉, 데이터(PC1)의 제1 주요 구성요소)를 통한 직교 회귀 라인(regression line)을 나타낸다. 마커(marker)들(M1 내지 M3)의 세트는 스코어링되는 데이터 점들을 나타낸다. 공분산이 0.56(n=1000)인 랜덤하게 생성된, 정규 분포된 데이터의 세트가 도 9b에 예시된다. 각 데이터 점은 본 명세서에서 기술된 분석 기술들에 따라 결정되는 연속 스코어링에 따라 착색된다.
본 실시예에 따른 처리 유닛(106)은 각 요소(Ei)의 스코어링을 위한 연속체 접근(continuum approach)을 구현한다. 주요 구성요소 모델은 여기에 설명된 바와 같이 각 요소(Ei)의 z-스케일된 메트릭들에 따라 구성된다. 이것은 수축기 이미지(230) 및 이완기 이미지(240)로부터 도출되는 각 요소(Ei)에 대해 수행된다. 본 명세서에서의 설명은 2-챔버 정점 이미지들의 표준 모델에서 볼 수 있는 세그먼트들에 대응하는 6개의 요소들(Ei)에 초점을 둔다. 예를 들면, 3-챔버 정점 이미지들 및/또는 4-챔버 정점 이미지들의 분석에 의해 좌심실(202)의 다른 세그먼트들에 대응하는 추가 요소들(Ei)에 관해 동일한 기술들이 구현될 수 있음을 이해할 것이다. 휴식 상태 및 스트레스 상태에 대해 획득된 수축기 및 이완기 이미지(230, 240)에 관하여 독립적으로 분석이 수행된다. 처리 유닛(106)는 휴식 상태 및 스트레스 상태에 대한 분석의 결과들을 비교할 수 있다.
2개의 계산된 메트릭들에 기초한 이변량 분석에 따른 요소들(Ei)의 스코어링이 도 9a 및 도 9b에 도시되어 있다. 본 경우의 메트릭들은 정규화된 영역 및 각 요소(Ei)의 평균 거리이다. 기준 데이터 모델은 정규화된 영역 및 기준 데이터 세트의 분석을 통해 식별된 요소들(Ei)의 평균 거리에 따라 생성된다. 이 경우에서는, 벽 운동 점수가 "1"인 요소만 기준 데이터 모델 생성에 포함되었다. 주어진 요소 (Ei)에 대한 스코어를 생성하기 위해, 처리 유닛(106)은 그 요소(Ei)에 대한 대응하는 메트릭들을 계산한다. 처리 유닛(106)은 환자에 대한 수축기 이미지(230) 및 이완기 이미지(240)의 분석을 통해 식별된 요소들(Ei)의 정규화된 면적 및 평균 거리를 계산한다. 도 9a 및 도 9b를 참조하여 본 명세서에 설명된 구현은 정규화된 면적 및 각 요소(Ei)의 평균 거리에 기초한 이변량 분석을 이용한다. 메트릭들의 다른 조합들이 각 요소(Ei)를 스코어링하는데 사용될 수 있음을 이해할 것이다. 예를 들면, 이변량 분석은 평균 거리 및 솔리디티 메트릭들을; 또는 정규화된 면적 및 직사각형 특성 메트릭들을 조합할 수 있다.
처리 유닛(106)은 다변량 분석을 수행하도록 구성될 수 있다. 처리 유닛(106)은 본 명세서에 기술된 각 메트릭들, 즉 정규화된 면적(A), 정규화된 평균 거리(d), 직사각형 특성 및 솔리디티(Si)를 조합하도록 구성될 수 있다. 각 요소(Ei)에 대한 스코어는 4개의 계산된 메트릭들의 다변량 분석에 따라 계산될 수 있다. 제1 주 구성요소(PC1) 및 할당된 벽 운동 스코어(즉, 정상 "1", 운동 기능 저하 "2", 무운동 "3")에 따라 계산된 스코어의 플롯이 도 10, 도 10b, 도 11a 및 도 11b에 도시되어 있다. 2-챔버 정점 이미지에서 휴식 상태의 다변량 분석의 제1 주 구성요소(PC1)에 따라 계산된 스코어의 플롯이 도 10a에 도시되어 있다. 4-챔버 정점 이미지에서 휴식 상태의 다변량 분석의 제1 주 구성요소(PC1)에 따라 계산된 스코어의 플롯이 도 10b에 도시되어 있다. 2-챔버 정점 이미지에서 스트레스 상태의 다변량 분석의 제1 주 구성요소(PC1)에 따라 계산된 스코어의 플롯이 도 11a에 도시되어 있다. 4-챔버 정점 이미지에서 스트레스 상태의 다변량 분석의 제1 주 구성요소(PC1)에 따라 계산된 스코어의 플롯이 도 11b에 도시되어 있다.
각 요소(Ei)에 대해 계산된 메트릭들이 대응하는 요소(Ei)에 대한 기준 데이터 모델과 비교된다. 각 요소(Ei)에 대한 스코어는 이러한 비교에 따라 계산된다. 스코어는 새 데이터의 제1 주요 구성요소 값을 나타내는데, 즉 계산된 메트릭들이 데이터의 중심으로부터 얼마나 멀리 떨어져 있는지와 따라서 기준 데이터와 얼마나 상이한지를 나타낸다. 스코어는 연속 스케일로 계산될 수 있다. 이의 일 예는 각 요소가 본 명세서에서 기술된 연속 스코어링 스케일에 따라 어둡게 된(shaded) 도 12a 및 도 12b에서 보일 수 있다. 도 12a에 도시된 스코어링된 이미지들은 휴식 상태에 대한 2개의 챔버 데이터를 나타내고, 도 12b에 도시된 스코어링된 이미지들은 스트레스 상태에 대한 2개의 챔버 데이터를 나타낸다.
처리 유닛(106)은 각 요소(Ei)의 스코어링을 위한 상이한 메트릭들을 계산하도록 구성될 수 있다. 이들 메트릭들은 일변량 및 다변량 분석을 위해 본 명세서에 기술된 메트릭에 부가하여 또는 대신에 사용될 수 있다. 처리 유닛(106)은 예를 들면 다음의 메트릭들, 즉 전단; 변형; 요소에서의 거리들의 변화 계수; 및 종횡비 중 하나 이상을 계산할 수 있다. 처리 유닛(106)은 또한 본 명세서에 설명된 점들의 쌍들 사이의 거리 이외의 거리 메트릭을 계산할 수 있다. 예를 들면, 처리 유닛(106)은 동일한 요소 내의 대향 점들 사이의 거리를 계산할 수 있거나, 상이한 요소들에서 대응하는 점들 사이의 거리(즉, Ei와 Ei+j 사이)를 계산할 수 있다.
처리 유닛(106)은 메트릭들을 계산하기 위해 하나의 이미지에서 요소(Ei)의 분석에 특히 강조하여 설명되었다. 처리 유닛(106)이 다중 이미지들을 분석할 수 있다는 것이 이해될 것이다. 상이한 이미지들은 동일한 요소(Ei)를 포함할 수 있다. 처리 유닛(106)은 상이한 이미지들의 분석에 따라 특정 요소(Ei)에 대해 생성된 스코어들을 비교하도록 구성될 수 있다. 스코어들 사이에 불일치가 검출되면 이미지 품질 또는 이와 유사한 잠재적인 문제로 표시될 수 있다. 이는 상이한 이미지의 품질을 확인하는 것을 가능하게 할 수 있다. 유사하게, 특히 세분화된 요소(Ei)의 경우, 서로 근접하여 배치된 요소들(Ei)에 대해 계산된 스코어들은 일반적으로 관련이 있다. 만약 예상되는 관계가 식별되면, 이는 잠재적인 이미지 품질 문제로 표시될 수 있다. 이들 기술들은 보다 정확할 수 있는 하나 이상의 요소(Ei)의 이미지의 식별을 가능하게 할 수 있다.
처리 유닛(106)은 하나 이상의 이미지에서 보일 수 있는 요소들(Ei)을 분석하여 보이지 않는 요소(Ei)의 거동을 추론할 수 있다. 예를 들면, 보이지 않는(unsighted) 요소(Ei)에 인접하거나 가장 가깝게 배치된 적어도 하나의 요소(Ei)에 대한 계산된 스코어에 따라 보이지 않는 요소(Ei)에 대한 스코어가 추정될 수 있다. 이용 가능한 뷰들에 기초하여 좌심실(202)의 완전한 모델을 구축하기 위해 추가 분석이 수행될 수 있다. 결과로 생기는 모델은 하나 이상의 부근 요소들(Ei)로부터 스코어링이 추론될 수 있게 한다.
본 명세서에 기술된 통계 분석은 ggplot2, dplyr, ggbeeswarm, Momocs, pathmapping 및 ggpubr 패키지들을 사용하여 R 통계 컴퓨팅 환경(v3.4.1) 내에서 수행되었다. 각 비교에서 그룹들 간 관측 횟수의 불균형으로 인해 npmv 패키지를 사용하여 그룹 평균들을 비교하기 위해 다변량 비모수 가설 테스트(non-parametric hypothesis test)들이 사용되었다. 0.05인 타입 I 에러 레이트(error rate)(α)가 모든 비교들에 대해 사용되었다.
본 명세서에서 처리 유닛(106)은 좌심실(102)의 표준 모델의 세그먼트들에 대응하는 요소(Ei)에 대한 메트릭들을 계산하는 것으로 설명되었다. 본 명세서에서 설명된 기술은 요소들(Ei)이 세그먼트들에 대응할 것을 요구하지 않는 것으로 이해될 것이다. 예를 들면, 요소들(Ei)은 표준 모델의 세그먼트들보다 작을 수 있다. 요소들(Ei)은 표준 모델의 서브-세그먼트들에 대응할 수 있다. 요소들(Ei)의 크기를 줄임으로써, 스코어링은 심장 주기 운동에서 이상(abnormalities)의 위치를 보다 정확하게 표시할 수 있다. 예를 들면, 스코어링은 예를 들면 세그먼트의 경계 근처의 위치 또는 중심 위치에서 강조하는 것과 같이 표준 모델의 세그먼트들 중 하나 내의 비정상 기능의 위치를 나타낼 수 있는 것으로 예상된다.
본 명세서에 기술된 바와 같이, 가공되지 않은(raw) 2차원 심장 초음파 데이터를 포함하는 기준 데이터 세트를 분석함으로써 기준 데이터 모델이 생성된다. 전술한 실시예에서, 기준 데이터 세트는 한 그룹의 환자들에 대해 이완기 이미지들 및 수축기 이미지들을 포함하는 이력 데이터를 포함한다. 추가 발전예에서, 기준 데이터 모드를 생성하는데 사용된 기준 데이터 세트는 반복적으로 업데이트될 수 있다. 예를 들면, 새로운 심장 초음파의 분석은 이용 가능한 데이터 개체군을 증가시키기 위해 기준 데이터 세트에 통합될 수 있다. 그러므로 추가 데이터를 사용할 수 있게 되면 기준 데이터 모델이 계속 개선될 수 있다. 기준 데이터 모델의 반복적 개발은 병리학적 변화 및 환자 진화를 허용할 수 있다.
본 명세서에서 기술된 분석은 각 요소(Ei)에 대해 독립적으로 수행된다. 하지만, 그러한 분석은 복수의 요소들(Ei) 사이의 관계를 고려하기 위해 변경될 수 있다는 것을 알게 될 것이다. 예를 들면, 그러한 분석은 서로 인접하거나 서로 대향하게, 예를 들면 좌심실(202)의 대향 측면들에 배치되는, 배치되는 제1 요소 및 제2 요소(Ei)의 운동을 동시에 스코어링할 수 있다.
본 명세서에서 기술된 기준 데이터 모델은 또한 그러한 기준 데이터 세트의 일부 또는 전부에 관해 이용 가능한 결과 데이터에 따라 변경될 수 있다. 용어 "결과 데이터(outcome data)"는 진단 정보를 지칭하기 위해 본 명세서에서 사용된다. 결과 데이터는 기준 데이터 세트의 해당 레코드 또는 데이터 세트와 연관된다. 진단 정보는 예를 들면 환자에 대한 혈관 조영 데이터 및/또는 심장 이벤트와 관련될 수 있다. 결과 데이터는 경과된 시간 간격 동안 환자가 심장 상태, 예를 들어 관상 동맥 질환의 존재 또는 부재에 대해 양성 또는 음성 진단을 받았는지 여부를 나타낼 수 있다. 결과 데이터는, 예를 들면 심장 초음파 데이터의 획득 후 1 년, 2 년 또는 3 년 후에 생성될 수 있다. 기준 데이터 세트 내의 데이터의 가중치(weighting)는 결과 데이터에 따라 조정될 수 있다. 예를 들면, 결과 데이터가 이용 가능한 기준 데이터 세트 내의 데이터에 적용된 가중치는 통계적 유의성을 변경시키기 위해 증가 또는 감소될 수 있다. 가중치는 심장 초음파 이미지의 획득과 후속 진단 이벤트 사이의 경과된 시간에 따라 조정될 수 있다. 일 변형예에서, 기준 데이터 모델은 결과 데이터가 이용 가능한 데이터에 따라 독점적으로 생성될 수 있다. 기준 데이터 모델은 결과 데이터가 관상 동맥 질환과 같은 특정 상태의 존재 또는 부재를 나타내는 데이터에 따라 독점적으로 생성될 수 있다. 결과 데이터는 상이한 기준 데이터 모델들을 생성하기 위해 기준 데이터 세트를 여과하기 위해 사용될 수 있다.
처리 유닛(106)은 또한 진단 출력을 생성하기 위한 진단 기능을 제공하도록 구성될 수 있다. 진단 시스템은 출원인의 국제 특허 출원 PCT/GB2017/051720에 개시되어 있으며, 이의 내용은 전체적으로 본 명세서에 참조로 통합된다. 진단 기능은 본 명세서에 기술된 결과 데이터를 이용할 수 있는 것으로 인식되었다. 진단 기능은 또한 벽 운동 스코어에 대해 생성된 하나 이상의 메트릭에 의존할 수 있다. 예로서, 각 요소(Ei)의 직사각형 특성은 진단 모델에서 특징으로서 사용될 수 있다. 진단 모델을 생성할 때 결과 데이터를 사용하면 시간이 지남에 따라 및/또는 상이한 의료 현장에서 상이한 질병 비율들과 특성들을 고려하는 데 도움이 될 수 있다. 예를 들면, 상이한 현장마다 긍정적('질병')과 부정적인('정상') 결과들의 비율이 다르게 기록될 수 있다. 진단 모델을 생성시 결과 데이터를 사용함으로써, 이러한 타입의 변형들에 대해서는 허용될 수 있다. 스트레스 에코 테스트의 결과들(테스트 도중/테스트 직후에 심장 전문의가 결정)는 항상 정확한 것은 아니다. 1년 결과 정확도의 출원인에 의해 수행된 분석에 따르면, 여러 데이터 세트들에 걸쳐 스트레스 에코 결과들에서 평균적으로 7.2%의 부정확성이 나타났다. 일정 기간에 걸쳐 결과 데이터를 참조함으로써, 진단 모델의 정확성이 향상될 수 있으며, 이에 의해 개인이 관상 동맥 질환과 같은 질병을 계속 발전시킬지 여부의 정확한 예측을 가능하게 할 수 있다. 결과 데이터의 사용은 독립적으로 특허를 받을 수 있는 것으로 여겨진다. 이 개선된 진단 기능은 이제 이전 실시예의 발전예로서 설명될 것이다. 동일한 참조 번호들이 동일한 구성요소들에 대해 사용된다.
본 명세서에 기술된 바와 같이, 각각의 수축기 윤곽 점(232-n)은 이완기 윤곽 데이터 세트(244)에서 이완기 윤곽 점들(242-n) 중 대응하는 하나와 쌍을 이룬다. 수축기 및 이완기 윤곽 점들(232-n, 242-n)의 결과 쌍들은 심장 주기 동안 심장(200)의 벽의 운동의 변화들을 나타낸다. 일단 수축기 및 이완기 윤곽 점(232-n, 242-n)이 식별되면, 직각 좌표계에서의 그것들의 x 좌표 및 y 좌표는 예를 들면, 수축기 이미지 상의 점들의 좌표들을 포함하는 수축기 좌표 세트와 이완기 이미지 상의 점들의 좌표들을 포함하는 이완기 좌표 세트로서 메모리(110)에 저장될 수 있다. 프로세서는 2개의 좌표 세트들로부터 수축기와 이완기 사이의 좌심실(202)의 기하학적 구조에 있어서의 변환을 계산하도록 구성될 수 있다.
처리 유닛(106)은 수축기와 이완기 사이의 좌심실(202)의 움직임을 정량화하는 다양한 파라미터들에 대한 값들을 계산하도록 구성된다. 계산에는 x축과 y축을 따라 위치 변화(이완기 - 수축기)를 계산하여 각 점이 x와 y 방향으로 각각 얼마나 멀리 이동했는지 계산하는 것이 포함될 수 있다. 이것은 각각의 대응하는 수축기 및 이완기 윤곽 점들(232-n, 242-n)의 쌍에 대해 x축 움직임들(Δx)의 세트 및 y축 움직임들(Δy)의 세트를 준다. 이들 값들 각각은 방향의 표시가 없는 단순한 거리일 수 있다. 이어서, x 축(ΔX) 및 y축(ΔY) 모두에서 모든 점들의 평균 변화는 전체 좌심실(202)에 대해 평균 Δx 값 또는 x 방향 움직임(ΔX) 및 평균 Δy 값 또는 y 방향 움직임(ΔY)을 제공하도록 별도로 계산될 수 있다. 만약, 각각의 개별 움직임 값들이 그것들이 양의 또는 음의 x 또는 y 방향에 있는지 여부를 표시하지 않고 순수한 거리인 경우, 이들 평균은 움직임의 총량을 설명하지만 방향 또는 LV 벽의 상이한 부분들이 같은 방향으로 또는 반대 방향으로 움직이는지 여부의 표시를 주는 것은 아니다.
수축기 및 이완기 윤곽 점들(232-n 242-n)의 각 쌍에 대해 계산될 수 있는 또 다른 파라미터는 x 및 y 방향 움직임들(Δx 및 Δy)의 평균이고, 이 경우 각 점에 대한 평균 값 Δxy = (Δx+Δy)/2이다. 그런 다음 모든 점들에 대한 Δxy의 모든 값들의 평균이 전체 심실에 대한 값(ΔXY)까지 계산될 수 있다. 이 계산은 전단 변형율(shear strain)의 계산과 유사하고 따라서 본 명세서에서 전단 변형으로 지칭된다. 주어진 움직임 거리에 대해, 이 파라미터는 x축 및 y축 모두에 대한 45°에서의 움직임들에 대해 최대일 것이고, 축들 중 하나를 따른 움직임들에 대해 가장 작을 것임을 알게 될 것이다.
계산될 수 있는 추가 파라미터는 x 및 y 변형율 구성요소들로부터 계산될 수 있는 주 변형(principal transformation)과 유사하며, 따라서 본 명세서에서
주 변형 = C1(Δx+Δy-√(Δx+Δy)^2 + C2Δxy^2)
에 의해 주어지는 주 변형으로서 지칭되고, 여기서 C1과 C2는 상수이다. 상수 C1은 예를 들면, 1/2일 수 있고 상수 C2는 4일 수 있다. 이들 값들은 아래에 기술된 예들에서 사용된다.
이러한 변환은 전단 변환과 밀접하게 관련되고 따라서 그러한 파라미터와 유사한 방식으로 변하는 경향이 있지만, 심장의 수축을 나타내는 음성 값을 가진다. 하지만, 아래의 테스트 결과들에 의해 나타내진 바와 가이, 주 변형 값은 일부 경우들에서, 특히 관상 동맥 질환(CAD: coronary artery disease)에서의 더 신뢰 가능한 진단을 줄 수 있다.
이들 파라미터들은 단일 관상 동맥 사이클에서 수축기와 이완기 사이의 변화들과 관련이 있음을 알게 될 것이다. 하지만, 스트레스 심장 초음파 검사, (또는 다른 이미징 방법들로 수행되는 대응하는 테스트들)에서 휴식중인 심장에 대한 각 파라미터에 대한 하나의 값과 스트레스 상태에 있는 심장에 대한 하나의 값이 존재할 것이다. 예를 들면 이들 값들 사이의 차이를 결정하는 것과 같이 이들 값들을 비교하여 진단에 사용할 수 있는 심장 기능에 대한 추가 정보를 제공한다.
일단 x 움직임과 y 움직임, 그리고 전단 및 주 변형 값들이 계산되었으면, 프로세서는 이들을 메모리(110)에 저장된 기준 값들과 비교하여 하나 이상의 특정 심장 상태를 진단하고 진단 출력(output)을 생성하도록 구성된다. 출력은 양성 또는 음성 진단을 나타내는 간단한 2진 출력일 수 있다. 프로세서 유닛(106)은 디스플레이(112) 상에 출력을 디스플레이하도록 될 수 있다. 대안적으로, 또는 추가적으로 예를 들면, 진단을 나타내는 출력 데이터를 이미지들이 저장되는 파일에 추가함으로써, 그 기반이 되는 이미지들과 연관되는 데이터로서 출력을 저장하도록 될 수 있다.
기준 값들은 예를 들면 프로세서 유닛(106)에서 실행될 수 있고, 기존 방법들에 의해 결정된 것처럼 메모리(110)에 저장될 수 있는 연관된 진단들을 갖는 스트레스 에코 이미지들의 데이터베이스를 사용하는 학습 알고리즘에 의해 결정될 수 있다. 특히, 그러한 데이터베이스는 이미지들의 많은 개수의 세트들을 포함할 수 있고, 그러한 세트 각각은 휴식 상태와 스트레스 상태 둘 다에 대한 수축기 이미지 및 이완기 이미지를 포함하고, 각각의 이미지 세트에 대해 관상 동맥 질환 (CAD)에 대한 양성 진단 또는 음성 진단과 같은 연관된 진단들을 함께 포함한다. 그러한 학습 알고리즘은 이미지들을 분석하여 전술한 다양한 파라미터들의 값들을 계산한 다음, 진단과 다양한 파라미터들 각각의 값들 사이의 상관 관계를 결정하도록 될 수 있다.
70명의 대상체(subject)들로부터의 샘플 이미지들에 대해 분석을 수행하였다. 생성된 모든 결과들은 정점 4-챔버 뷰로부터 이루어졌다. 먼저, DSE 결과들로부터 결정된 바와 같이, 양성 및 음성 결과들에 대해 값들이 비교되었다. 그런 다음 DSE 결과들에서 확인된 거짓 양성(false positive)들에 대해 정정된 DSE 결과들과의 비교가 반복되었다.
표 1은 정점 4 챔버 뷰에서 DSE 결과(1 = Pos, 2 = Neg)에 대한 휴식 상태 및 스트레스 상태에서 주요 변형(mm)의 값들, 전단 변형 값(mm) 및 평균 ΔX(mm)를 보여준다.
DSE_결과 N 평균 표준 편차 표준 오차 평균
Stress_Prin 1.00
2.00		 9
61		 -6.8214
-8.9260		 4.08788
2.20018		 1.36263
.28170
Rest_Prin 1.00
2.00		 9
61		 -7.7332
-9.3163		 3.86497
2.41589		 1.28832
.30932
Rest_Shr 1.00
2.00		 9
61		 17.7267
21.5356		 9.16943
5.50610		 3.05648
.70498
Stress_Shr 1.00
2.00		 9
61		 17.0074
22.2608		 8.06969
4.56871		 2.68990
.58496
Rest_X 1.00
2.00		 9
61		 18.8694
21.8492		 11.02116
6.65078		 3.67372
.85155
Stress_X 1.00
2.00		 9
61		 19.9334
25.8710		 9.80639
7.43965		 3.26880
.95225
그룹 통계들
표 2는 조정된 DSE 결과(1 = Pos, 2 = Neg)에 대한 휴식 상태 및 스트레스 상태에서 주요 변형 값(mm), 전단 변형(mm) 및 X 변형(mm)의 평균들을 보여준다.
조정된_DSE N 평균 표준 편차 표준 오차 평균
Stress_Prin 1.00
2.00		 7
63		 -4.4716
-9.1203		 1.29120
2.24588		 .48803
.28295
Rest_Prin 1.00
2.00		 7
63		 -5.3352
-9.5325		 1.21275
2.44136		 .45838
.30758
Rest_Shr 1.00
2.00		 7
63		 12.0645
22.0438		 2.74525
5.58342		 1.03761
.70344
Stress_Shr 1.00
2.00		 7
63		 12.2348
22.6243		 3.81629
4.44025		 1.44242
.55942
Rest_X 1.00
2.00		 7
63		 11.6937
22.5519		 2.73459
6.84823		 1.03358
.86280
Stress_X 1.00
2.00		 7
63		 14.1727
26.3226		 4.81157
7.29318		 1.81860
.91885
그룹 통계들
표 3은 변수들 대(vs) 조정된 DSE에 대한 독립적인 샘플들 T-테스트(Test)를 보여준다.
Figure pct00013
샘플 데이터로부터 얻어진 다양한 파라미터들의 값들로부터 기계 학습이 조정된 DSE(Dobutamine stress echo) 결과의 지시자(indicator)로서 각 파라미터의 정확도를 결정하기 위해 사용될 수 있다. 위 데이터를 사용하여, 데이터를 분류하기 위해 10 배(fold) 교차 검증 방법을 갖춘 J48 프룬드 결정 트리(pruned decision tree)가 사용되었다. 진단 결과의 지시자로서 각 파라미터의 정확도는 아래 표들에서 요약되는데, 이들 표에서 다음과 같은 약어들, 즉 TP = true positive; FP = false positive; FN = false negative; TN = true negative; PPV = positive predictive value; 및 NPV = negative predictive value이 사용된다.
J48
정확도 = 94.3%		 TP = 6 FN = 1
FP = 3 TN = 60
민감도 = 85.7% PPV = 66.7%
특이도 = 95% NPV = 98.4%
컨설턴트 해석의 정확도
J48 값 = -5.95
정확도 = 95.7%		 TP = 7 FN = 0
FP = 3 TN = 60
민감도 = 100% PPV = 70%
특이도 = 95.2% NPV = 100%
조정된 DSE 결과에 대한 스트레스 주요 변형의 정확도
J48 값 = -6.92
정확도 = 88.6%		 TP = 5 FN = 2
FP = 6 TN = 57
민감도 = 71.4 PPV = 45.5%
특이도 = 90.5% NPV = 96.6%
조정된 DSE 결과에 대한 휴식 주 변형의 정확도
J48 값 = 15.85
정확도 = 95.7%		 TP = 6 FN = 1
FP = 2 TN = 61
민감도 = 85.7% PPV = 85.7
특이도 = 96.8% NPV = 98.4
조정된 DSE 결과에 대한 스트레스 전단 변형의 정확도
J48 값 = 15.35
정확도 = 91.4%		 TP = 5 FN = 2
FP = 4 TN = 59
민감도 = 71.4 PPV = 55.6%
특이도 = 93.7% NPV = 96.7%
조정된 DSE 결과에 대한 휴식 전단 변형의 정확도
그런 다음 데이터로부터 정확한 진단을 제공하기 위해, 기계 학습을 사용하여 모든 변수로부터 도 13에 도시되는 의사 결정 트리가 도출되었다. 의사 결정 트리는 일련의 결정 점들을 규정하고, 이러한 점들 각각은 파라미터의 기준 또는 문턱 값을 규정한다. 의사 결정 트리는 다음과 같이 작동하는 간단한 알고리즘을 간략하게 설명한다. 먼저, 상술한 바와 같이 좌심실(202)의 주요 변형이 심장의 스트레스 상태에 대해 결정된다. 변형이 -5.95mm 미만(즉, 5.95mm보다 큰 음수 값)이면 진단은 음성(negative)이다. 값이 -5.95mm보다 큰 경우(즉, 크기가 5.95mm보다 큰 음수 값), 휴식 상태와 스트레스 상태 사이의 주요 변형에서의 차이가 12.278053mm보다 크고 진단은 음성이지만 해당 거리보다 작은 경우 진단은 양성(positive)이다. 결정 트리의 구조, 및 결정 트리에서의 각 결정 점에서의 기준 또는 문턱 값들은 수행될 진단에 의존적이 될 것임을 알게 될 것이다.
전술한 처리 유닛(106)은 관상 동맥 질환을 진단하기 위한 고정된 (정적) 진단 모델을 구현한다. 도 13에 예시된 것처럼, 결정 트리는 일련의 결정 점들을 규정하고, 결정 점 각각은 파라미터의 기준 또는 문턱 값을 규정한다. 처리 유닛(106)은 동적인 진단 모델을 구현할 수 있다. 결정 트리에서 각각의 결정 점에서의 기준 또는 문턱 값들은, 예를 들면 새로운 심장 초음파 데이터 및/또는 결과 데이터를 반영하기 위해 동적으로 수정될 수 있다. 적어도 특정 실시예들에서는, 이는 향상된 진단 기능들을 제공할 수 있다.
새로운 심장 초음파 데이터는 기준 데이터의 기존 세트에 점진적으로 추가될 수 있다. 새로운 데이터는 데이터 개체군을 확장하는 데 사용되며 진단 모델을 점진적으로 변경할 수 있다. 결정 트리에서 사용된 기준 또는 문턱 값들은 이용 가능한 심장 초음파 데이터를 반영하기 위해 갱신될 수 있다. 기준 데이터의 반복적인 개발은 진단 모델이 시간에 따라 변할 수 있게 한다. 본 명세서에 기술된 결정 트리는 감독된(supervised) 기계 학습 모델과 같은 다른 분석 도구들로 대체될 수 있음을 이해할 것이다.
결과 데이터는 예를 들면 혈관 조영 데이터 및/또는 심장 이벤트(cardiac event)들과 관련되는 각 환자에 대한 진단 정보를 포함한다. 본 실시예에서의 결과 데이터는 기준 데이터 세트에 사용된 이완기 이미지와 수축기 이미지의 획득 후 경과된 시간 간격 동안 관상 동맥 질환의 존재 또는 부재가 검출되었는지를 나타낸다. 결과 데이터는, 예를 들면 심장 초음파 데이터의 획득 후 1 년, 2 년, 3 년 또는 그 이상 생성될 수 있다. 본 실시예에서의 결과 데이터는 심장 초음파 데이터의 획득 후 1년 생성된다. 경과된 시간 간격 동안 발생한 혈관 조영 데이터 및 심장 이벤트들을 고려하여 결과 데이터가 수집된다. 결과 데이터는 시간에 따라 계속 진화하고 있음을 이해할 것이다. 그러므로 결과 데이터는 예를 들면 매년과 같이 지속적으로 또는 분류가 변경될 때 갱신될 수 있다. 결과 데이터를 갱신함으로써, 기준 데이터에 따라 생성된 진단 도구들 및 진단 모델들은 병리학적 변화들 및 환자 진화를 나타내도록 동적으로 조정될 수 있다.
동적 진단 모델을 구현하기 위해, 분류 모델은 감독된 기계 학습 알고리즘을 사용하여 구축된다. 기계 학습 알고리즘에 의해 액세스된 기준 데이터에 레이블을 붙이기 위해 결과 데이터가 사용된다. 기계 학습 알고리즘은 레이블들을 사용하여 상이한 분류들 사이를 구별한다. 본 실시예에서, 분류들은 관상 동맥 질환의 존재 또는 부재에 대응한다. 대안적으로, 또는 추가로, 분류들은 예를 들면 식별된 협착 수준(stenosis level) 또는 백분율에 따라 특별한 상태의 등급을 매길 수 있다. 그러한 분류들은 다른 상태들 사이를 구별할 수 있다는 것이 이해될 것이다. 진단 모델들을 생성할 때, 기계 학습 알고리즘은 결과 데이터로부터 도출된 레이블들에 따라 기준 데이터의 상대적인 가중치를 조정할 수 있다. 적어도 특정 실시예들에서, 결과 데이터에 따라 기준 데이터를 갱신하는 것은 스트레스 심장 초음파에 기초하여 향상된 진단 정확도를 제공할 수 있다.
진단 모델을 구축하기 위해, 특징들의 세트가 윤곽 데이터(contour data)로부터 계산된다. 그러한 특징들은 세그먼트마다 계산되고(예를 들면, 본 명세서에서 기술된 요소들(Ei)의 하나 이상을 분석함으로써) 전체 좌심실(202)에 관해 선택적으로(optionally) 계산된다. 이용 가능한 특징 세트는 가장 관련성 있는 특징들을 식별하기 위해 분석된다. 그로 인해 가장 타당한 특징들이 진단 모델을 구축하기 위해 식별될 수 있다. 랜덤 포레스트(random forest)(다중 결정 트리들로 이루어지는)의 경우, 식별된 특징들이 결정 노드(node)들을 형성한다. 가장 관련성 있는 특징들은 지역(geographic region)들에 걸쳐 다를 수 있고/있거나 질병이 진행됨에 따라 변경될 수 있다. 모델에서 사용하기 위해 식별된 특징들은 변경될 수 있다. 심지어 특징들이 동일하게 유지되더라도 문턱값들과 가중치들이 변경될 수 있다. 본 명세서의 표 1 및 표 2에 도시된 것처럼, 상부 특징(toop feature)은 최고 스트레스(peak stress)에서 방출 비율(ejection fraction)로서 변경되지 않는 채로 있다. 하지만, 그 다음 가장 중요한 특징들은 상이한 상태들에 대해 변경된다. 제1 데이터 세트(표 1)에서, 수축기와 이완기 사이의 부피 변화는 다음으로 가장 관련성이 있다. 하지만, 조합된 데이터세트에서, 2-챔버 뷰에서 휴식 중인 특정 세그먼트의 면적이 그 다음으로 가장 관련성이 있다. 모델을 교육시키기 위해, 기준 데이터에 레이블을 지정할 필요가 있다. 잠재적 부정확성을 고려할 때, (심장 전문의가 결정한 바와 같은) 스트레스 에코의 결과들을 레이블로 사용하는 것이 반드시 정확한 모델로 이어지지는 않는다. 기준 데이터의 획득 후 기간(예를 들면, 심장 초음파 이미지들의 획득 후 1 년) 동안 수집되는 결과 데이터를 사용함으로써, 이러한 결함들 중 적어도 일부가 극복되거나 개선될 수 있다.
결과 데이터는 상이한 기간 동안 수집될 수 있다. 적어도 특정 실시예들에서 그러한 결과 데이터는 관상 동맥 질환의 효과들이 얼마나 사전에 식별될 수 있는지에 대한 표시를 제공할 수 있다. 또한, 여러 종류의 레이블들 사용하여 상이한 질병 중증도(severity)를 예측할 수 있다. 더 많은 결과 데이터가 누적됨에 따라, 진단 모델이 갱신되어 질병 진화 및 개체군 변화들의 가능성으로 인해 분류가 가능한 한 정확하게 유지되는 것이 보장되게 돕는다. 이는 새로운 결과 데이터가 수신될 때마다 전체 모델을 재교육하여 행해질 수 있다. 실제로, 이것은 시간이 오래 걸릴 수 있다. 대안예로서, 진단 모델을 지속적으로 갱신하기 위해 프로세서에 의해 점진적인(incremental) 기계 학습 기술들이 구현될 수 있다.
이제 제1 기준 데이터 세트 및 제2 기준 데이터 세트를 참조하여 분류 모델의 구현이 설명될 것이다. 제1 데이터 세트는 124개의 스트레스 초음파 심장진단도들(2011년 5월과 2013년 8월 사이에 옥스포드에서 수집된)의 제1 세트를 포함한다. 제2 데이터 세트는 별도의 연구로부터의 339개의 스트레스 초음파 심장진단도들(템즈 밸리(Thames Valley)에 걸쳐 있는 6개의 상이한 병원들에서 2015년 3월과 2016년 8월 사이에 수집된)의 세트를 포함한다. 결과 데이터는 스트레스 초음파 심장진단도들의 획득 후 1년 동안 수집된다. 결과 데이터는 2진 결과 값을 생성한다. 특히, 경과된 1 년의 간격 동안 다음 이벤트들, 즉
(ⅰ) 심장 이벤트(예컨대, 심근 경색);
(ⅱ) 70%를 초과하는 협착증을 보인 혈관 조영술
중 하나가 식별되면 결과는 양성인 것으로 간주된다.
상기 언급된 이벤트들 (i) 또는 (ii) 중 어느 것도 경과된 1 년 간격에서 발생하지 않은 경우 결과는 음성인 것으로 간주된다. 제1 데이터 세트에서, 10개의 양성 결과들이 식별되었고, 제2 데이터 세트에서는 13개의 양성 결과들이 식별되었다.
R 통계 컴퓨팅 환경으로부터의 Boruta 패키지는 결과 예측을 위한 가장 관련성이 높은 특징들을 평가하기 위한 것이다. Boruta 패키지는 속성의 중요성을 무작위로 가능한 속성과 비교하여 특징 선택을 수행한다. 500개의 트리를 갖는 랜덤 포레스트를 포함하는 표준 구현예가 구현되었다. 표 9는 제1 데이터 세트에 대한 가장 중요한 특징들과 그것들의 평균 중요도 스코어를 상술한다. 제2 데이터 세트가 제1 데이터 세트에 추가되었다. 표 10은 조합된 제1 데이터 세트와 제2 데이터 세트에 대한 가장 중요한 특징들과 그것들의 평균 중요도 스코어를 상술한다. 처리를 위해 이용 가능한 데이터가 많을수록 가장 관련성이 높은 특징들이 변경된다. 이는 더 많은 기준 데이터를 추가하면 분류 모델이 변경될 수 있음을 예증한다. 나중에 및/또는 보다 광범위한 지리적 영역에서 추가 기준 데이터가 획득되면 이러한 변화들이 더욱 두드러질 것으로 생각된다. 비록 랜덤 포레스트 모델의 사용이 본 명세서에서 기술되었지만, 또 다른 모델이 사용되거나, 실제로는 모델들의 앙상블(ensemble)이 사용될 수 있음을 이해할 것이다.
특징 평균 중요도
EF_P
피크 스트레스에서의 분출 분율		 6.23
EF_P to ED_P
이완기 피크 부피에 대한 수축기의 비		 6.20
rect_segment_4_R_2C
휴식 중인 정점 앞쪽 세그먼트의 직사각형 특성		 5.42
solid_segment_4_R_2C
휴식 중인 정점 앞쪽 세그먼트의 솔리디티		 5.41
norm_area_segment_4_R_2C
휴식 중인 정점 앞쪽 세그먼트의 정규화된 면적		 5.35
ES_P_to_ED_P_2C
피크 스트레스에서 이완기 2 챔버 면적에 대한 수축기의 비		 5.00
ES_P_to_ED_P_4C
피크 스트레스에서 이완기 4 챔버 면적에 대한 수축기의 비		 4.70
P_ES
피크 스트레스에서의 수축기 부피		 4.53
total_ES_area_P_2C
피크 스트레스에서의 2 챔버 수축기 면적		 3.86
dy_8_P_4C
피크 스트레스에서의 4 챔버에서 제8 점의 유클리드 거리		 3.75
제1 데이터 세트를 사용하는 가장 관련성 있는 특징들
특징 평균 중요도
EF_P
피크 스트레스에서의 분출 분율		 6.59
norm_area_segment_4_R_2C
휴식 중인 정점 앞쪽 세그먼트의 정규화된 면적		 6.53
ES_P_to_ED_P_4C
피크 스트레스에서 이완기 4 챔버 면적에 대한 수축기의 비		 6.38
norm_area_segment_4_P_4C
휴식 중인 정점 앞쪽 세그먼트의 정규화된 면적		 5.05
total_ES_area_P_4C
피크 스트레스에서의 4 챔버 수축기 면적		 4.30
ES_P_to_ED_P
피크 스트레스에서 이완기 면적에 대한 수축기의 비		 4.10
prin_trans_P_4C
피크 스트레스에서의 4 챔버 뷰에서의 주요 스트레인		 3.96
solid_segment_4_R_2C
휴식 중인 정점 앞쪽 세그먼트의 솔리디티		 3.96
norm_d_segment_6_P_4C
저부 옆 세그먼트에서 정규화된 평균 거리		 3.94
ES_P_to_ED_R_4C
피크 스트레스에서의 이완기 4 챔버 면적에 대한 수축기의 비		 3.91
제1 데이터 세트 및 제2 데이터 세트로부터 조합된 데이터를 사용하는 가장 관련성 있는 특징들
보다 강력하고 정확한 진단 모델을 제공할 수 있는 새로운 기준 데이터를 통합할 수 있는 지속적인 학습 전략의 구현예가 달성될 수 있다. 점진적으로 새로운 기준 데이터를 통합함으로써, 새로운 데이터가 이용 가능할 때마다 (특히 기준 데이터 세트의 사이즈가 증가함에 따라 시간 소모적인 프로세스를 입증할 수 있는) 전체 모델을 재교육할 필요성이 감소되거나 회피될 수 있다. 또한, 진단 모델은 시간이 지남에 따라 변화하는 질병 특성들에 적합하게 될 수 있다. 개체군의 환경과 생활 양식의 변화로 인해 가장 관련성이 높은 바이오마커들이 시간이 지남에 따라 변경될 수 있으므로 모델이 이들을 고려하도록 적합하게 될 필요가 있기 때문에 이는 특히 중요하다. 동적 진단 모델은 심혈관 질환의 변화하는 패싯(facet)들 및 특성들에 적합하게 될 수 있어, 강력하고 정확한 예측 모델을 제공한다.
본 명세서에 설명된 동적 진단 모델은 1년의 기간 동안 획득된 결과 데이터를 이용한다. 상이한 기간에 걸쳐 결과 데이터가 누적될 수 있다는 것이 이해될 것이다. 더 오랜 시간에 걸쳐 결과 데이터를 조합함으로써, 더 오랜 시간에 걸치는 동적 진단 모델의 예측력이 평가될 수 있다.
본 출원은 심혈관 질환을 참조하여 설명되었다. 하지만, 본 명세서에 기술 된 방법들 및 장치는 다른 적용예들을 가질 수 있다는 것이 이해될 것이다. 예를 들면, 환경이 변화하고 종양 크기, 외관 또는 석회화가 변화하는 경우, 종양에 대한 변화하는 이미징 바이오마커들에 적합하게 되도록 진단 도구들이 개발될 수 있다. 또, 이 기술들은 심장 초음파 이외의 이미징 시스템들에 적용될 수 있다.
첨부된 청구항들의 범주로부터 벗어나지 않으면서 본 명세서에서 설명된 실시예(들)에 대한 다양한 변경예들이 만들어질 수 있다는 것을 알게 될 것이다.

Claims (27)

  1. 심장 벽의 운동의 스코어링(scoring)을 위한 시스템에 있어서,
    제1 시각에서의 상기 심장 벽의 제1 이미지와 제2 시각에서의 상기 심장 벽의 제2 이미지를 획득하도록 작동 가능한 이미징 시스템(imaging system); 및
    프로세서를 포함하고,
    상기 프로세서는:
    상기 제1 이미지에서 윤곽 데이터(contour data)의 제1 세트를 식별하고;
    상기 제2 이미지에서 윤곽 데이터의 제2 세트를 식별하고;
    윤곽 데이터의 상기 제1 세트 및 상기 제2 세트에 따라, 상기 심장 벽의 섹션에서 심장 주기 변화(cardiac cyclic change)를 나타내는 적어도 하나의 요소를 규정하고;
    적어도 하나의 메트릭(metric)을 생성하기 위해 각 요소를 분석하고;
    상기 심장 벽의 대응하는 섹션의 운동의 스코어링을 위해 기준 데이터 모델(reference data model)과 상기 적어도 하나의 메트릭을 비교하도록 구성되는, 심장 벽의 운동의 스코어링을 위한 시스템.
  2. 제1 항에 있어서,
    상기 프로세서는 윤곽 점(contour point)들의 복수의 쌍들을 식별하도록 구성되고, 윤곽 점들의 각 쌍은 윤곽 데이터의 제1 세트 및 제2 세트에서 대응하는 특징(feature)에 관련되는, 심장 벽의 운동의 스코어링을 위한 시스템.
  3. 제2 항에 있어서,
    각 요소는 윤곽 점들의 적어도 제1 쌍 및 제2 쌍을 포함하고, 각 쌍에서의 상기 윤곽 점들은 상기 요소의 정점들(vertices)을 규정하는, 심장 벽의 운동의 스코어링을 위한 시스템.
  4. 제3 항에 있어서,
    각 요소의 상기 분석은 각 쌍에서 상기 윤곽 점들 사이의 거리를 결정하고 각 요소에 대한 상기 윤곽 점들 사이의 평균 거리를 계산하는 것을 포함하는, 심장 벽의 운동의 스코어링을 위한 시스템.
  5. 제2 항 내지 제4 항 중 어느 한 항에 있어서,
    각 요소는 상기 윤곽 점들의 운동 궤적들에 대응하는 대향하는 제1 측면 및 제2 측면(opposing first and second sides)을 포함하는, 심장 벽의 운동의 스코어링을 위한 시스템.
  6. 제1 항 내지 제5 항 중 어느 한 항에 있어서,
    각 요소의 상기 분석은 상기 요소의 면적을 결정하는 것을 포함하는, 심장 벽의 운동의 스코어링을 위한 시스템.
  7. 제1 항 내지 제6 항 중 어느 한 항에 있어서,
    각 요소의 상기 분석은 각 요소의 직사각형 특성(rectangularity)을 결정하는 것을 포함하는, 심장 벽의 운동의 스코어링을 위한 시스템.
  8. 제1 항 내지 제7 항 중 어느 한 항에 있어서,
    각 요소의 상기 분석은 각 요소의 솔리디티(solidity)를 결정하는 것을 포함하는, 심장 벽의 운동의 스코어링을 위한 시스템.
  9. 제1 항 내지 제8 항 중 어느 한 항에 있어서,
    상기 프로세서는 연속 스케일로 스코어링을 수행하도록 구성되는, 심장 벽의 운동의 스코어링을 위한 시스템.
  10. 제1 항 내지 제9 항 중 어느 한 항에 있어서,
    상기 이미징 시스템은 2차원 이미지들; 상기 심장 벽의 2차원 이미지들을 포함하는 제1 이미지 및 제2 이미지를 생성하도록 구성되는, 심장 벽의 운동의 스코어링을 위한 시스템.
  11. 제1 항 내지 제10 항 중 어느 한 항에 있어서,
    각 요소는 다각형을 포함하는, 심장 벽의 운동의 스코어링을 위한 시스템.
  12. 제1 항 내지 제11 항 중 어느 한 항에 있어서,
    상기 프로세서는 휴식 상태 동안 그리고 스트레스 상태 동안 상기 심장 벽의 상기 운동을 스코어링하도록 구성되는, 심장 벽의 운동의 스코어링을 위한 시스템.
  13. 제1 항 내지 제12 항 중 어느 한 항에 있어서,
    상기 제1 이미지는 수축기 이미지(end systole image)를 포함하고, 상기 제2 이미지는 이완기 이미지(end diastole image)를 포함하며; 윤곽 데이터의 제1 세트는 수축기 윤곽 데이터를 포함하고 윤곽 데이터의 제2 세트는 이완기 데이터를 포함하는, 심장 벽의 운동의 스코어링을 위한 시스템.
  14. 심장 벽의 운동의 스코어링 방법(method of scoring)에 있어서:
    제1 시각에서 상기 심장 벽의 제1 이미지와 제2 시각에서 상기 심장 벽의 제2 이미지를 획득하는 단계;
    상기 제1 이미지에서 윤곽 데이터의 제1 세트를 식별하는 단계;
    상기 제2 이미지에서 윤곽 데이터의 제2 세트를 식별하는 단계;
    윤곽 데이터의 상기 제1 세트 및 상기 제2 세트에 따라 상기 심장 벽의 섹션에서 심장 주기 변화를 나타내는 적어도 하나의 요소를 규정하는 단계;
    적어도 하나의 메트릭을 생성하기 위해 각 요소를 분석하는 단계; 및
    상기 심장 벽의 대응하는 섹션의 운동의 스코어링을 위해 기준 데이터 모델과 상기 적어도 하나의 메트릭을 비교하는 단계를 포함하는, 심장 벽의 운동의 스코어링 방법.
  15. 제14 항에 있어서,
    윤곽 점들의 복수의 쌍들을 식별하는 단계를 포함하고, 윤곽 점들의 각 쌍은 윤곽 데이터의 상기 제1 세트 및 상기 제2 세트에서 대응하는 이미지 요소들에 관련되는, 심장 벽의 운동의 스코어링 방법.
  16. 제15 항에 있어서,
    각 요소는 윤곽 점들의 적어도 제1 쌍 및 제2 쌍을 포함하고, 각 쌍에서의 상기 윤곽 점들은 상기 요소의 정점들을 규정하는, 심장 벽의 운동의 스코어링 방법.
  17. 제16 항에 있어서,
    각 요소의 상기 분석은 각 쌍에서 상기 윤곽 점들 사이의 거리를 결정하는 것과 각 요소에 대한 상기 윤곽 점들 사이의 평균 거리를 계산하는 것을 포함하는, 심장 벽의 운동의 스코어링 방법.
  18. 제15 항 내지 제17 항 중 어느 한 항에 있어서,
    각 요소는 상기 윤곽 점들의 운동 궤적들에 대응하는 대향하는 제1 측면 및 제2 측면을 포함하는, 심장 벽의 운동의 스코어링 방법.
  19. 제14 항 내지 제18 항 중 어느 한 항에 있어서,
    각 요소의 상기 분석은 상기 요소의 면적을 결정하는 것을 포함하는, 심장 벽의 운동의 스코어링 방법.
  20. 제14 항 내지 제19 항 중 어느 한 항에 있어서,
    각 요소의 상기 분석은 각 요소의 직사각형 특성을 결정하는 것을 포함하는, 심장 벽의 운동의 스코어링 방법.
  21. 제14 항 내지 제20 항 중 어느 한 항에 있어서,
    각 요소의 상기 분석은 각 요소의 솔리디티를 결정하는 것을 포함하는, 심장 벽의 운동의 스코어링 방법.
  22. 제14 항 내지 제21 항 중 어느 한 항에 있어서,
    상기 스코어링은 연속 스케일로 수행되는, 심장 벽의 운동의 스코어링 방법.
  23. 제14 항 내지 제22 항 중 어느 한 항에 있어서,
    상기 제1 이미지 및 상기 제2 이미지는 상기 심장 벽의 2차원 이미지들을 포함하는, 심장 벽의 운동의 스코어링 방법.
  24. 제14 항 내지 제23 항 중 어느 한 항에 있어서,
    각 요소는 다각형을 포함하는, 심장 벽의 운동의 스코어링 방법.
  25. 제14 항 내지 제24 항 중 어느 한 항에 있어서,
    휴식 상태 동안과 스트레스 상태 동안의 상기 심장 벽의 상기 운동을 스코어링하는 단계를 포함하는, 심장 벽의 운동의 스코어링 방법.
  26. 제14 항 내지 제25 항 중 어느 한 항에 있어서,
    상기 제1 이미지는 수축기 이미지를 포함하고 상기 제2 이미지는 이완기 이미지를 포함하며; 윤곽 데이터의 상기 제1 세트는 수축기 윤곽 데이터를 포함하고 윤곽 데이터의 상기 제2 세트는 이완기 데이터를 포함하는, 심장 벽의 운동의 스코어링 방법.
  27. 비일시적 컴퓨터 판독 가능한 매체에 있어서,
    실행될 때, 프로세서로 하여금 제14 항 내지 제26 항 중 어느 한 항에 따른 방법을 수행하게 하는 저장된 명령어들의 세트를 가지는, 비일시적 컴퓨터 판독 가능한 매체.
KR1020207020231A 2017-12-13 2018-12-12 심장 벽의 운동을 기록하기 위한 이미지 분석 KR20200115488A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
GB1720789.5 2017-12-13
GB1720789.5A GB2569332B (en) 2017-12-13 2017-12-13 Method and apparatus for analysing images
PCT/EP2018/084640 WO2019115650A1 (en) 2017-12-13 2018-12-12 Image analysis for scoring motion of a heart wall

Publications (1)

Publication Number Publication Date
KR20200115488A true KR20200115488A (ko) 2020-10-07

Family

ID=61007325

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020207020231A KR20200115488A (ko) 2017-12-13 2018-12-12 심장 벽의 운동을 기록하기 위한 이미지 분석

Country Status (11)

Country Link
US (2) US11450000B2 (ko)
EP (1) EP3724849B1 (ko)
JP (1) JP7008840B2 (ko)
KR (1) KR20200115488A (ko)
CN (1) CN111542854A (ko)
AU (1) AU2018382961A1 (ko)
BR (1) BR112020011632A2 (ko)
CA (1) CA3084591A1 (ko)
GB (1) GB2569332B (ko)
SG (1) SG11202005348RA (ko)
WO (1) WO2019115650A1 (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11133109B2 (en) 2017-12-29 2021-09-28 Analytics For Life Inc. Method and system to assess disease using phase space volumetric objects
US11918333B2 (en) 2017-12-29 2024-03-05 Analytics For Life Inc. Method and system to assess disease using phase space tomography and machine learning
US20200211713A1 (en) * 2018-12-26 2020-07-02 Analytics For Life Inc. Method and system to characterize disease using parametric features of a volumetric object and machine learning
US20200297287A1 (en) * 2019-03-20 2020-09-24 The Board Of Regents Of The University Of Texas System System and method for automated rules based assessment of aneurysm coil stability
EP3866107A1 (en) * 2020-02-14 2021-08-18 Koninklijke Philips N.V. Model-based image segmentation
CN113538332B (zh) * 2021-06-01 2022-05-27 武汉中科医疗科技工业技术研究院有限公司 心脏插入点定位方法、装置、计算机设备和存储介质

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5776063A (en) 1996-09-30 1998-07-07 Molecular Biosystems, Inc. Analysis of ultrasound images in the presence of contrast agent
US6674879B1 (en) 1998-03-30 2004-01-06 Echovision, Inc. Echocardiography workstation
WO2004068406A2 (en) 2003-01-30 2004-08-12 Chase Medical, L.P. A method and system for image processing and contour assessment
JP2006523485A (ja) * 2003-04-15 2006-10-19 コーニンクレッカ　フィリップス　エレクトロニクス　エヌ　ヴィ 心臓壁ひずみ画像法
US7912528B2 (en) * 2003-06-25 2011-03-22 Siemens Medical Solutions Usa, Inc. Systems and methods for automated diagnosis and decision support for heart related diseases and conditions
EP1636757A2 (en) 2003-06-25 2006-03-22 Siemens Medical Solutions USA, Inc. Systems and methods for providing automated regional myocardial assessment for cardiac imaging
EP1522875B1 (en) 2003-09-30 2012-03-21 Esaote S.p.A. A method of tracking position and velocity of object's borders in two or three dimensional digital echographic images
JP2005237555A (ja) 2004-02-25 2005-09-08 Jgs:Kk 心臓壁運動の評価方法、心臓壁運動評価装置及びプログラム
JP2006061581A (ja) * 2004-08-30 2006-03-09 Toshiba Corp 医用運動解析装置、医用運動解析方法および医用運動解析プログラム
US20060074315A1 (en) * 2004-10-04 2006-04-06 Jianming Liang Medical diagnostic ultrasound characterization of cardiac motion
CN101304692B (zh) 2005-11-08 2012-11-07 皇家飞利浦电子股份有限公司 心肌同步的超声诊断
DE102006026695A1 (de) 2006-06-08 2007-12-13 Tomtec Imaging Systems Gmbh Verfahren, Vorrichtung und Computerprogrammprodukt zum Auswerten von dynamischen Bildern einer Kavität
US20070299479A1 (en) 2006-06-27 2007-12-27 Ep Medsystems, Inc. Method for Reversing Ventricular Dyssynchrony
US8491794B2 (en) 2007-10-23 2013-07-23 Siemens Industry, Inc. Process for enhanced total organic carbon removal while maintaining optimum membrane filter performance
CN102015076A (zh) 2008-02-19 2011-04-13 Abb研究有限公司 膜分离过程的在线性能管理
US8218839B2 (en) * 2008-05-23 2012-07-10 Siemens Aktiengesellschaft Automatic localization of the left ventricle in cardiac cine magnetic resonance imaging
JP5491836B2 (ja) * 2009-01-30 2014-05-14 株式会社東芝 超音波診断装置、超音波画像処理装置、医用画像診断装置及び医用画像処理装置
JP2011056345A (ja) 2009-09-07 2011-03-24 Toshiba Corp 淡水化システム
JP5753794B2 (ja) * 2010-01-07 2015-07-22 株式会社日立メディコ 医用画像診断装置と医用画像の輪郭抽出処理方法
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
US8396268B2 (en) 2010-03-31 2013-03-12 Isis Innovation Limited System and method for image sequence processing
WO2012090208A2 (en) * 2010-12-29 2012-07-05 Diacardio Ltd. Automatic left ventricular function evaluation
US9734430B2 (en) * 2012-01-02 2017-08-15 Mackay Memorial Hospital Evaluation system or determination of cardiovascular function parameters
CN103886564A (zh) * 2013-11-29 2014-06-25 沈阳东软医疗系统有限公司 一种pet心脏图像中心肌轮廓线分割方法和装置
CN107072531A (zh) 2014-05-06 2017-08-18 塞克利心血管成像股份有限公司 用于心肌壁动力学的分析的方法和系统
GB201610269D0 (en) 2016-06-13 2016-07-27 Isis Innovation Image-based diagnostic systems
GB2569333A (en) 2017-12-13 2019-06-19 Univ Oxford Innovation Ltd Diagnostic modelling method and apparatus

Also Published As

Publication number Publication date
EP3724849A1 (en) 2020-10-21
CA3084591A1 (en) 2019-06-20
US11450000B2 (en) 2022-09-20
CN111542854A (zh) 2020-08-14
EP3724849B1 (en) 2022-01-26
SG11202005348RA (en) 2020-07-29
GB201720789D0 (en) 2018-01-24
US20200388037A1 (en) 2020-12-10
AU2018382961A1 (en) 2020-07-30
BR112020011632A2 (pt) 2020-11-17
JP7008840B2 (ja) 2022-01-25
GB2569332A (en) 2019-06-19
GB2569332B (en) 2021-06-09
WO2019115650A1 (en) 2019-06-20
US20220366566A1 (en) 2022-11-17
JP2021507433A (ja) 2021-02-22

Similar Documents

Publication Publication Date Title
CN113194836B (zh) 自动化临床工作流
US20220366566A1 (en) Image analysis for scoring motion of a heart wall
US11950961B2 (en) Automated cardiac function assessment by echocardiography
US8396268B2 (en) System and method for image sequence processing
EP2434454B1 (en) Computerized characterization of cardiac motion in medical diagnostic ultrasound
US9585632B2 (en) Estimation of a mechanical property of anatomy from medical scan data
US9848856B2 (en) Valve modeling with dense chordae from medical scan data
JP6987131B2 (ja) 画像ベース診断システム
EP3724892B1 (en) Diagnostic modelling method and apparatus
US11786212B1 (en) Echocardiogram classification with machine learning
US12002581B2 (en) Diagnostic modelling method and apparatus
Laumer et al. Fully automated 4D cardiac modelling from 2D echocardiography for clinical applications
Bernardino Perez et al. Estimating 3D ventricular shape from 2D echocardiography: feasibility and effect of noise
KR20230091645A (ko) 장기 기능에 대한 정보 제공 방법 및 이를 이용한 장기 기능에 대한 정보 제공용 디바이스

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application