KR20210052589A - 혈관 기하학적 구조 및 생리학으로부터 혈류 특징들을 추정하기 위한 시스템들 및 방법들 - Google Patents

혈관 기하학적 구조 및 생리학으로부터 혈류 특징들을 추정하기 위한 시스템들 및 방법들 Download PDF

Info

Publication number
KR20210052589A
KR20210052589A KR1020217012997A KR20217012997A KR20210052589A KR 20210052589 A KR20210052589 A KR 20210052589A KR 1020217012997 A KR1020217012997 A KR 1020217012997A KR 20217012997 A KR20217012997 A KR 20217012997A KR 20210052589 A KR20210052589 A KR 20210052589A
Authority
KR
South Korea
Prior art keywords
patient
features
physiological
arterial
extracted
Prior art date
Application number
KR1020217012997A
Other languages
English (en)
Other versions
KR102358996B1 (ko
Inventor
레오 그래디
최길우
마이클 싱어
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 KR20210052589A publication Critical patent/KR20210052589A/ko
Application granted granted Critical
Publication of KR102358996B1 publication Critical patent/KR102358996B1/ko

Links

Images

Classifications

    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • 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
    • A61B5/02028—Determining haemodynamic parameters not otherwise provided for, e.g. cardiac contractility or left ventricular ejection fraction
    • A61B5/02035—Determining blood viscosity
    • 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
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/026—Measuring blood flow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14535—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring haematocrit
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • 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
    • G16H50/70—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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Vascular Medicine (AREA)
  • Optics & Photonics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Hematology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

환자-맞춤형 혈류 특징들을 추정하기 위한 시스템들 및 방법들이 개시된다. 하나의 방법은 복수의 개인들 각각에 대해, 개인의 혈관 시스템의 적어도 부분의 기하학적 모델 및 추정된 혈류 특징들을 획득하는 단계; 복수의 개인들 각각에 대한 기하학적 모델 및 추정된 혈류 특징들 상에서 기계 학습 알고리즘을 실행하는 단계; 기계 학습 알고리즘을 이용하여, 기하학적 모델에서의 복수의 지점들에 대응하는 혈류 특징들을 예측하는 특성들을 식별하는 단계; 환자에 대해, 환자의 혈관 시스템의 적어도 부분의 기하학적 모델을 획득하는 단계; 및 환자의 기하학적 모델에서의 복수의 지점들 각각에 대한 환자의 혈류 특징의 추정치들을 생성하기 위해 식별된 특성들을 이용하는 단계를 포함한다.

Description

혈관 기하학적 구조 및 생리학으로부터 혈류 특징들을 추정하기 위한 시스템들 및 방법들{SYSTEMS AND METHODS FOR ESTIMATING BLOOD FLOW CHARACTERISTICS FROM VESSEL GEOMETRY AND PHYSIOLOGY}
본 출원은 2012년 12월 12일에 출원된 미국 가특허 출원 번호 61/700,213의 35 U.S.C. § 119 하의 우선권의 이익을 주장하는 2013년 5월 16일에 출원된 미국 특허 출원 번호 13/895,893의 우선권을 주장하며, 이들 전체 개시들은 그 전체가 본 명세서에 참조로 병합된다.
본 개시의 다양한 실시예들은 일반적으로 의료용 영상 및 관련 방법들에 관한 것이다. 더 구체적으로, 본 개시의 특정 실시예들은 혈관 기하학적 구조 및 생리학으로부터 환자-맞춤형 혈류 특징들을 추정하기 위한 시스템들 및 방법들에 관한 것이다.
동맥 용량의 기능적 평가는 환자에 필요한 것들을 다루기 위한 치료 계획에 중요하다. 최근의 연구들은, 분획 혈류 예비력(FFR)과 같은 혈류 역학적 특징들이 동맥 질환을 갖는 환자에 대한 최적의 치료를 결정하기 위한 중요한 표시자라는 것을 실증하였다. 이들 혈류 역학적 특징들의 종래의 평가들은 압력 및 흐름 속도와 같은 혈류 특징들을 직접적으로 측정하기 위해 외과적 카데터 삽입(catheterizations)들을 이용한다. 하지만, 수집되는 중요한 임상 정보에도 불구하고, 이들 외과적 측정 기술들은 환자에게 심각한 위험을 주고, 의료 시스템에 상당한 비용을 부담시킨다.
외과적 측정과 연관된 위험 및 비용을 다루기 위해, 새로운 세대의 비침습적 검사가 혈류 특징들을 평가하기 위해 개발되었다. 이들 비침습적 검사는 혈관들의 환자-맞춤형 기하학적 모델을 결정하기 위해 (컴퓨터 단층 촬영(CT)과 같은) 환자 영상을 이용하고, 이러한 모델은 적절한 생리학적 경계 조건들 및 파라미터들을 갖는 전산 유체 역학(CFD)을 이용하여 혈류를 시뮬레이팅하는 데 계산적으로 사용된다. 이들 환자-맞춤형 경계 조건들에 대한 입력들의 예들은 환자의 혈압, 혈액 점도, 및 공급된 조직으로부터의 혈액의 예측된 수요(환자 영상으로부터 공급된 조직의 질량 추정 및 축소화 기법(scaling laws)으로부터 도출됨)를 포함한다. 혈류 특징들의 이들 시뮬레이션-기반의 추정들이 동일한 관심의 양의 직접적인 (침습적) 측정들에 필적할만한 충실도(fidelity) 레벨을 설명하였지만, 물리적 시뮬레이션들은 이들 가상적 비침습적 검사를 실시간 임상 환경에서 실행하기에 어렵게 만들 수 있는 상당한 계산적 부담을 요구한다. 따라서, 본 개시는 계산적으로 비용이 적게 드는 혈류 특징들의 빠른 비침습적인 추정들을 수행하기 위한 새로운 접근법들을 기재한다.
환자의 혈관들의 환자-맞춤형 기하학적 모델을 도출하고, 이러한 기하학적 구조를 환자-맞춤형 생리학적 정보 및 경계 조건들과 조합하기 위한 시스템들 및 방법들이 개시된다. 조합된 이들 데이터는 환자의 혈류 특징들을 추정하는 데 사용될 수 있고, 임상적으로 관련있는 관심의 양(예를 들어, FFR)을 예측하는 데 사용될 수 있다. 본 개시된 시스템들 및 방법들은 그 대신 물리학-기반의 시뮬레이션의 결과들을 예측하기 위해 학습하는 기계를 이용하는 것과 같이, 관심의 양을 계산하기 위해 혈류의 물리학-기반의 시뮬레이션에 비해 장점들을 제공한다. 일 실시예에서, 개시된 시스템들 및 방법들은 2가지 단계들, 즉 첫째로, 기계 학습 시스템이 하나 이상의 혈류 특징들을 예측하도록 트레이닝(trained)되는 트레이닝 단계; 및 두 번째로, 기계 학습 시스템이 하나 이상의 혈류 특징들 및 임상적으로 관련있는 관심의 양들을 생성하는 데 사용되는 생성 단계를 수반한다. 다수의 혈류 특징들을 예측하는 경우에, 이러한 기계 학습 시스템은 각 혈류 특징 및 관심의 양에 대해 적용될 수 있다.
일 실시예에 따라, 환자-맞춤형 혈류 특징들을 추정하기 위한 방법이 개시된다. 상기 방법은, 복수의 개인들 각각에 대해, 개인의 혈관 시스템의 적어도 부분의 기하학적 모델 및 추정된 혈류 특징들을 획득하는 단계; 복수의 개인들 각각에 대한 기하학적 모델 및 추정된 혈류 특징들 상에서 기계 학습 알고리즘을 실행하는 단계; 기하학적 모델에서의 복수의 지점들에 대응하는 혈류 특징들을 예측하는 특성들을 기계 학습 알고리즘을 이용하여 식별하는 단계; 환자에 대해, 환자의 혈관 시스템의 적어도 부분의 기하학적 모델을 획득하는 단계; 및 환자의 기하학적 모델에서 복수의 지점들 각각에 대한 환자의 혈류 특징의 추정치들을 생성하기 위해 식별된 특성들을 이용하는 단계를 포함한다.
다른 실시예에 따라, 환자-맞춤형 혈류 특징들을 추정하기 위한 시스템이 개시된다. 상기 시스템은, 환자-맞춤형 혈류 특징들을 추정하기 위한 명령들을 저장하는 데이터 저장 디바이스와; 복수의 개인들 각각에 대해, 개인의 혈관 시스템의 적어도 부분의 기하학적 모델 및 추정된 혈류 특징들을 획득하는 단계; 복수의 개인들 각각에 대한 기하학적 모델 및 추정된 혈류 특징들 상에서 기계 학습 알고리즘을 실행하는 단계; 기하학적 모델에서의 복수의 지점들에 대응하는 혈류 특징들을 예측하는 특성들을 기계 학습 알고리즘을 이용하여 식별하는 단계; 환자에 대해, 환자의 혈관 시스템의 적어도 부분의 기하학적 모델을 획득하는 단계; 및 환자의 기하학적 모델에서 복수의 지점들 각각에 대한 환자의 혈류 특징의 추정치들을 생성하기 위해 식별된 특성들을 이용하는 단계를 포함하는 방법을 수행하기 위해 명령들을 실행하도록 구성된 프로세서를 포함한다.
개시된 실시예들의 추가 목적들 및 장점들은 뒤에 나오는 설명에서 부분적으로 서술될 것이고, 그 설명으로부터 부분적으로 명백해질 것이거나, 개시된 실시예들의 실시에 의해 학습될 수 있다. 개시된 실시예들의 목적들 및 장점들은 첨부된 청구항들에서 특히 주목된 요소들 및 조합들에 의해 실현되고 얻어질 것이다.
이전의 일반적인 설명 및 다음의 상세한 설명, 둘 모두가 예시적이고, 단지 예시에 불과하고, 청구된 바와 같이, 개시된 실시예들에 한정되지 않는 것이 이해될 것이다.
본 명세서에 병합되고 본 명세서의 부분을 구성하는 첨부 도면들은 다양한 예시적인 실시예들을 도시하고, 설명과 함께, 개시된 실시예들의 원리를 설명하도록 기능한다.
도 1은 본 개시의 예시적인 실시예에 따라, 혈관 기하학적 구조 및 생리학적 정보로부터 환자-맞춤형 혈류 특징들을 추정하기 위한 예시적인 시스템 및 네트워크의 블록도.
도 2는 본 개시의 예시적인 실시예에 따라, 혈관 기하학적 구조 및 생리학적 정보로부터 환자-맞춤형 혈류 특징들을 추정하기 위한 예시적인 방법의 블록도이다.
이제 본 발명의 여러 실시예들을 상세하게 참조할 것이며, 이것의 예들이 첨부 도면들에 예시된다. 가능하면, 동일한 참조 번호는 도면 전역에서 동일하거나 유사한 부분을 참조하는 데 사용된다.
본 개시는 환자-맞춤형 혈류 특징들 및 임상적으로 관련있는 관심의 양을 계산하기 위해 혈류의 물리학-기반의 시뮬레이션에 비해 장점들을 제공하기 위한 특정한 원리들 및 실시예들을 설명한다. 즉, 본 개시된 시스템들 및 방법들은 물리학-기반의 시뮬레이션의 결과들을 예측하기 위해 기계 학습 기법들을 병합할 수 있다. 예를 들어, 본 개시는 환자의 혈관 단면적, 병든 길이, 및 경계 조건들의 함수로서 분획 혈류 예비력(FFR)을 모델링하는 것을 수반할 수 있는 예시적인, 처리-집약도가 더 낮은 기법을 설명한다. 단면적은 특히 루멘(lumen) 세그먼트 및 플라크 세그먼트에 기초하여 계산될 수 있다. 병든 길이는 특히 플라크 세그먼트 및 협착층 장소에 기초하여 계산될 수 있다. 경계 조건들은, 상이한 환자들이 상이한 기하학적 구조 및 생리학적 반응들을 갖는다는 것을 반영하기 위해 관상 동맥 흐름(심근 질량으로부터 추정된), 출구 영역, 및 충혈 가정들과 같은 환자-맞춤형 생리학을 반영할 수 있다.
일 실시예에서, 분획 혈류 예비력은 환자의 경계 조건들(f(BCs))의 함수, 및 환자의 혈관 기하학적 구조(g(areaReductions))의 함수로서 모델링될 수 있다. 환자의 기하학적 구조가 “areaReductions,”의 함수로서 설명될 수 있지만, 이러한 용어가 단지 환자의 혈관 단면적에서의 변화를 언급하지 않고, 환자의 혈류에 영향을 미치는 임의의 신체적 또는 기하학적 특징들을 언급한다는 것이 인식되어야 한다. 일 실시예에서, FFR은, 추정된 FFR(FFRCT_ScalingLaw)과 측정된 FFR (mFFR) 사이의 차이가 최소화되도록 함수들(“f” 및 “g”)을 최적화함으로써 예측될 수 있다. 즉, 기계 학습 기법들은, 추정된 FFR이 측정된 FFR에 근사하도록 하는 함수들을 푸는 데 사용될 수 있다. 일 실시예에서, 측정된 FFR은 기존의 카데터 삽입 방법들에 의해, 또는 현대의 전산 유체 역학(CFD) 기법들에 의해 계산될 수 있다. 일 실시예에서, 하나 이상의 기계 학습 알고리즘들은, FFR에 대한 추정치들이 측정된 FFR 값들에 신뢰성있게 근사될 수 있도록, 수백 명 또는 심지어 수천 명의 환자들에 대한 경계 조건들 및 환자 기하학적 구조의 함수들을 최적화하는 데 사용될 수 있다. 따라서, CFD 기술들에 의해 계산된 FFR 값들은 기계 학습 알고리즘들을 트레이닝하기 위해 가치가 클 수 있다.
이제 도면들을 참조하면, 도 1은 혈관 기하학적 구조 및 생리학적 정보로부터 환자-맞춤형 혈류 특징들을 추정하기 위한 예시적인 시스템 및 네트워크의 블록도를 도시한다. 특히, 도 1은 복수의 의사들(102) 및 3자의 제공자들(104)을 도시하며, 임의의 이들은 하나 이상의 컴퓨터들, 서버들, 및/또는 휴대형 모바일 디바이스들을 통해 인터넷과 같은 전자 네트워크(100)에 연결될 수 있다. 의사들(102) 및/또는 3자 제공자들(104)은 하나 이상의 환자의 심장 및/또는 혈관 시스템들의 영상들을 생성하거나 달리 얻을 수 있다. 의사들(102) 및/또는 3자 제공자들(104)은 또한 나이, 의료 이력, 혈압, 혈액 점도 등과 같은 환자-맞춤형 정보의 임의의 조합을 얻을 수 있다. 의사들(102) 및/또는 3자 제공자들(104)은 전자 네트워크(100)를 통해 심장/혈관 영상들 및/또는 환자-맞춤형 정보를 서버 시스템들(106)에 송신할 수 있다. 서버 시스템들(106)은 의사들(102) 및/또는 3자 제공자들(104)로부터 수신된 영상들 및 데이터를 저장하기 위한 저장 디바이스들을 포함할 수 있다. 서버 시스템들(106)은 또한 저장 디바이스들에 저장된 영상들 및 데이터를 처리하기 위한 처리 디바이스들을 포함할 수 있다.
도 2는 본 개시의 예시적인 실시예에 따라, 혈관 기하학적 구조 및 생리학적 정보로부터 환자-맞춤형 혈류 특징들을 추정하기 위한 예시적인 방법의 블록도이다. 도 2의 방법은 전자 네트워크(100)를 통해 의사들(102) 및/또는 3자 제공자들(104)로부터 수신된 정보에 기초하여 서버 시스템들(106)에 의해 수행될 수 있다.
일 실시예에서, 도 2의 방법은 다수의 환자의 혈류 특징 추정치들에 기초하여 하나 이상의 기계 학습 알고리즘들을 트레이닝하기 위한 트레이닝 방법(202)과, 특정한 환자의 혈류 특징들을 예측하기 위해 기계 학습 알고리즘 결과들을 이용하기 위한 생성 방법(204)을 포함할 수 있다.
일 실시예에서, 트레이닝 방법(202)은 수백 명의 환자들에 대한 CFD 기술들을 이용하여 생성하는 FFR 추정치들에 기초하여 수행될 수 있다. 트레이닝 방법(202)은 복수의 개인들 각각에 대해, 예를 들어 디지털 포맷으로, (a) 환자-맞춤형 기하학적 모델, (b) 하나 이상의 측정되거나 추정된 생리학적 파라미터들, 및 (c) 혈류 특징들의 값들을 획득하는 것을 수반할 수 있다. 트레이닝 방법(202)은 각 환자의 모델에서의 하나 이상의 지점들에 대해, 환자의 생리학적 파라미터들의 특성 벡터를 생성하는 것과, 특성 벡터를 혈류 특징들의 값들과 연관시키는 것을 수반할 수 있다. 예를 들어, 트레이닝 방법(202)은 환자의 기하학적 모델에서의 지점마다 측정된 FFR을 연관시킬 수 있다. 트레이닝 방법(202)은 특성 벡터들 및 혈류 특징들에 기초하여, 기하학적 모델의 각 지점에서 혈류 특징들을 예측하기 위해 기계 학습 알고리즘(예를 들어, 서버 시스템들(106)의 처리 디바이스들을 이용하여)을 트레이닝할 수 있다. 트레이닝 방법(202)은 특성 가중치들을 포함하는 기계 학습 알고리즘의 결과들을 서버 시스템들(106)의 저장 디바이스에 저장할 수 있다. 저장된 특성 가중치들은, 환자 특성들 또는 기하학적 구조가 특정 혈류 특징들을 예측하는 정도를 한정할 수 있다.
일 실시예에서, 생성 방법(204)은 트레이닝 방법(202)을 실행하는 결과들에 기초하여, 특정 환자에 대한 FFR 값들을 추정하는 것을 수반할 수 있다. 일 실시예에서, 생성 방법(204)은, 예를 들어 디지털 포맷으로, (a) 환자-맞춤형 기하학적 모델, 및 (b) 하나 이상의 측정되거나 추정된 생리학적 파라미터들을 획득하는 것을 포함할 수 있다. 환자의 기하학적 모델에서의 다중 지점들에 대해, 생성 방법(204)은 트레이닝 모드로 사용된 생리학적 파라미터들의 특성 벡터를 생성하는 것을 수반할 수 있다. 그런 후에, 생성 방법(204)은 환자-맞춤형 기하학적 모델에서의 각 지점에 대한 환자의 혈류 특징들의 추정치들을 생성하기 위해 기계 학습 알고리즘의 저장된 결과들을 사용할 수 있다. 마지막으로, 생성 방법(204)은 예측된 혈류 특징들을 포함하는 기계 학습 알고리즘의 결과들을 서버 시스템들(106)의 저장 디바이스에 저장하는 것을 포함할 수 있다.
예를 들어 전자 네트워크(100)를 통해 의사들(102) 및/또는 3자 제공자들(104)로부터 수신된 영상들 및 데이터에 기초하여 서버 시스템들(106)을 이용하여, 환자-맞춤형 혈류 특징들을 예측하기 위해 기계 학습의 트레이닝 모드 및 생성 모드를 구현하기 위한 일반적이고 특정한 예시적인 실시예들이 아래에 설명된다.
일반적인 실시예
일반적인 실시예에서, 서버 시스템(106)은 전자 네트워크(100)를 통해 의사들(102) 및/또는 3자 제공자들(104)로부터 수신된 영상들 및 데이터에 기초하여 트레이닝 모드를 수행할 수 있다. 특히, 하나 이상의 환자들에 대해, 서버 시스템들(106)은 다음의 항목들, 즉 (a) 하나 이상의 환자의 혈관들에 대한 기하학적 구조의 환자-맞춤형 모델; (b) 환자의 하나 이상의 측정되거나 추정된 생리학적 또는 표현형 파라미터들의 목록; 및/또는 (c) 예측을 위해 목표가 되는 모든 혈류 특징의 측정치들, 추정치들 또는 시뮬레이팅된 값들의 디지털 표현(예를 들어, 컴퓨터, 랩탑, DSP, 서버 등과 같은 계산 디바이스의 메모리 또는 디지털 저장부[예를 들어, 하드 드라이브, 네트워크 드라이브])을 획득할 수 있다. 일 실시예에서, 기하학적 구조의 환자-맞춤형 모델은 공간이 점들 사이의 공간 단위(예 밀리미터)로 매핑될 수 있는 공간에서 지점들의 목록(아마도 각 점에 대한 이웃의 지점들의 목록과 함께)에 의하여 표시될 수 있다. 일 실시예에서, 환자의 하나 이상의 측정되거나 추정된 생리학적 또는 표현형 파라미터들의 목록은 혈압, 혈액 점도, 환자 나이, 환자 성별, 공급된 조직의 덩이 등을 포함할 수 있다. 이들 환자-맞춤형 파라미터들은 범용(예를 들어, 혈압) 또는 국부적(예를 들어, 특정 장소에서 혈관 벽의 추정된 밀도)일 수 있다.
혈류 특징의 측정되고, 추정되거나 시뮬레이팅된 값이 있는 환자-맞춤형 기하학적 모델에서의 모든 지점에 대해, 서버 시스템들(106)은 그러한 지점에 대한 특성 벡터를 생성할 수 있다. 특성 벡터는 환자의 생리학적 또는 표현형 파라미터들의 그 지점 및 추정치들에서 환자-맞춤형 기하학적 구조의 수치적 설명일 수 있다. 특성 벡터는, 범용 파라미터들에 대해, 모든 지점들이 동일한 값을 갖는 범용 및 국부적인 생리학적 또는 표현형 파라미터들 모두를 포함할 수 있고; 국부적인 파라미터들에 대해, 값(들)은 특성 벡터에서의 상이한 지점들에서 변화할 수 있다. 서버 시스템들(106)은 이 지점에서 혈류 특징의 측정되고, 추정되거나 시뮬레이팅된 값과 이러한 특성 벡터를 연관시킬 수 있다.
서버 시스템들(106)은 지점들에서의 특성 벡터들로부터 지점들에서의 혈류 특징들을 예측하기 위해 기계 학습 알고리즘을 트레이닝할 수 있다. 이러한 작업을 수행할 수 있는 기계 학습 알고리즘들의 예들은 지지 벡터 기계들(SVMs), 다중-층 퍼셉트론들(MLPs), 및 다변량 회귀(MVR)(예를 들어, 가중된 선형 또는 로지스틱 회귀)이다. 서버 시스템들(106)은 기계 학습 알고리즘의 결과들(예를 들어, 특성 가중치들)을 디지털 표현(예를 들어, 컴퓨터, 랩탑, DSP, 서버 등과 같은 계산 디바이스의 메모리 또는 디지털 저장부[예를 들어, 하드 드라이브, 네트워크 드라이브])에 저장할 수 있다.
또한, 일반적인 실시예에서, 서버 시스템들(106)은 전자 네트워크(100)를 통해 의사들(102) 및/또는 3자 제공자들(104)로부터 수신된 영상들 및 데이터에 기초하여 생성 모드를 수행할 수 있다. 혈류 분석이 수행될 환자에 대해, 서버 시스템들(106)은 (a) 하나 이상의 환자의 혈관들에 대한 기하학적 구조의 환자-맞춤형 모델; 및 (b) 환자의 생리학적 또는 표현형 파라미터들의 하나 이상의 추정치들의 목록의 디지털 표현(예를 들어, 컴퓨터, 랩탑, DSP, 서버 등과 같은 계산 디바이스의 메모리 또는 디지털 저장부[예를 들어, 하드 드라이브, 네트워크 드라이브])를 획득할 수 있다. 일 실시예에서, 하나 이상의 환자의 혈관들에 대한 기하학적 구조의 환자-맞춤형 모델은, 공간이 지점들 사이의 공간 단위들(예를 들어, mm)로 매핑될 수 있는 공간에서의 지점들의 목록(아마도 각 지점에 대한 이웃 지점들의 목록과 함께)으로서 나타날 수 있다. 환자의 생리학적 또는 표현형 파라미터들의 하나 이상의 추정치들의 목록은 혈압, 혈액 점도, 환자 나이, 환자 성별, 공급된 조직의 덩이 등을 포함할 수 있다. 이들 파라미터들은 범용(예를 들어, 혈압) 또는 국부적(예를 들어, 장소에서의 혈관 벽의 추정된 밀도)일 수 있다. 파라미터들의 이러한 목록은 트레이닝 모드로 사용된 목록과 동일해야 한다.
환자-맞춤형 기하학적 모델에서의 모든 지점에 대해, 서버 시스템들(106)은 환자의 생리학적 또는 표현형 파라미터들의 기하학적 구조 및 추정치들의 수치적 설명으로 구성된 특성 벡터를 생성할 수 있다. 범용 생리학적 또는 표현형 파라미터들은 모든 지점들의 특성 벡터에 사용될 수 있고, 국부적인 생리학적 또는 표현형 파라미터들은 상이한 지점들의 특성 벡터에서 변화할 수 있다. 이들 특성 벡터들은 트레이닝 모드로 사용된 동일한 파라미터들을 나타낼 수 있다. 서버 시스템들(106)은 환자-맞춤형 기하학적 모델에서의 모든 지점에서 혈류 특징들의 추정치들을 생성하기 위해 트레이닝 모드로 생성된 기계 가공 알고리즘의 저장된 결과들(예를 들어, 특성 가중치들)을 이용할 수 있다. 이들 추정치들은 트레이닝 모드로 사용된 동일한 기계 학습 알고리즘 기술(예를 들어, SVM, MLP, MVR 기술)을 이용하여 생성될 수 있다. 서버 시스템들(106)은 또한 각 지점에 대한 예측된 혈류 특징들을 디지털 표현(예를 들어, 컴퓨터, 랩탑, DSP, 서버 등과 같은 계산 디바이스의 메모리 또는 디지털 저장부[예를 들어, 하드 드라이브, 네트워크 드라이브])으로 저장할 수 있다.
예시적인 실시예
예시적인 실시예에서, 서버 시스템들(106)은 전자 네트워크(100)를 통해 의사들(102) 및/또는 3자 제공자들(104)로부터 수신된 영상들 및 데이터에 기초하여 트레이닝 모드를 수행할 수 있다. 특히, 하나 이상의 환자들에 대해, 서버 시스템들(106)은 (a) 환자의 상행 대동맥 및 관상 동맥 트리에 대한 기하학적 구조의 환자-맞춤형 모델; (b) 환자의 측정되거나 추정된 생리학적 또는 표현형 파라미터들의 목록; 및 (c) 사용할 수 있는 경우 FFR의 측정치들의 디지털 표현(예를 들어, 컴퓨터, 랩탑, DSP, 서버 등과 같은 계산 디바이스의 메모리 또는 디지털 저장부[예를 들어, 하드 드라이브, 네트워크 드라이브])을 획득할 수 있다.
일 실시예에서, 환자의 상행 대동맥 및 관상 동맥 트리에 대한 기하학적 구조의 환자-맞춤형 모델은, 공간이 지점들 사이의 공간적 단위들(예를 들어, mm)로 매핑될 수 있는 공간에서의 지점들의 목록(아마도 각 지점에 대한 이웃 지점들의 목록과 함께)로서 나타날 수 있다. 이러한 모델은 심장 주기의 확장 종기 단계 동안 환자의 심장 CT 영상 연구를 수행함으로써 도출될 수 있다. 결과적인 CT 영상들은 대동맥 및 관상 동맥들의 루멘에 속하는 복셀들을 식별하기 위해 수동으로 또는 자동으로 세그먼트화될 수 있다. 일단 모든 관련 복셀들이 식별되면, 기하학적 모델이 도출될 수 있다(예를 들어, 마칭 큐브들을 이용하여).
일 실시예에서, 환자의 측정되거나 추정된 생리학적 또는 표현형 파라미터들의 목록이 얻어질 수 있고, (i) 심장 수축 및 심장 확장 혈압; (ii) 심박수; (iii) 적혈구용적율 레벨; (iv) 환자 나이, 성별, 키, 체중, 일반적인 건강 상태(당뇨병, 현재 약물 치료의 존재 또는 부재); (v) 생활 방식 특징들: 흡연자/비-흡연자; 및/또는 (vi) 심근 질량(CT 영상 연구 동안 얻어진 심근을 세그먼트화하고, 그런 후에 영상에서의 부피를 계산함으로써 도출될 수 있음; 질량은 심근 질량의 계산된 부피 및 추정된 밀도(1.05g/mL)를 이용하여 계산된다)을 포함할 수 있다.
일 실시예에서, 사용할 수 있는 경우 FFR의 측정치들은 얻어질 수 있다. 측정된 FFR 값이 환자-맞춤형 기하학적 모델에서 소정의 공간적 장소에서 사용할 수 없으면, 지점에서 FFR의 수치적으로 계산된 값이 사용될 수 있다. 수치적으로 계산된 값들은 위에 기술된 생리학적 및 표현형 파라미터들로부터 도출된 동일한 기하학적 모델 및 환자-맞춤형 경계 조건들을 이용하여 이전의 CFD 시뮬레이션으로부터 얻어질 수 있다.
혈류 특징들의 측정되고, 추정되거나 시뮬레이팅된 값이 있는 환자-맞춤형 기하학적 모델에서의 모든 지점에 대해, 서버 시스템(106)은 환자의 생리학적 또는 표현형 파라미터들의 수치적 설명 및 국부적인 기하학적 구조를 포함하는 특성 벡터 또는 그 지점을 생성할 수 있다. 특히, 특성 벡터는 (i) 심장 수축 및 심장 확장 혈압; (ii) 심박수; (iii) 플라즈마, 적혈구(적혈구), 적혈구용적율, 백혈구(백혈구) 및 혈소판(혈소판), 점도, 항복 응력을 포함하는 혈액 특성들; (iv) 환자 나이, 성별, 키, 체중, 등; (v) 질병들: 당뇨병, 심근 경색증, 악성 및 루머티즘 상태들, 말초 혈관 상태들 등; (vi) 생활 방식 특징들: 현재 약물 치료/약품의 존재 또는 부재, 흡연자/비-흡연자; (vii) 대동맥 기하학적 구조의 특징들(대동맥 입구 및 출구의 단면적, 대동맥의 표면적 및 부피, 최소, 최대, 및 평균 단면적 등); (viii) 관상 동맥 가지 기하학적 구조의 특징들; 및 (ix) 하나 이상의 특성 세트들을 포함할 수 있다.
일 실시예에서, 관상 동맥 가지 기하학적 구조의 특징들은 (i) 관상 동맥 가지 지점의 대동맥 상류/하류의 부피들; (ii) 관상 동맥/대동맥 분기점, 즉 관상 동맥 가지로의 입구의 단면적; (iii) 혈관 분기들의 총 수, 및 상류/하류 혈관 분기들의 수; (ⅳ) 평균, 최소 및 최대 상류/하류 단면적; (v) 최소 및 최대 상류/하류 단면적의 중심선 지점에 대한 거리(혈관 중심선을 따라); (vi) 가장 가까운 상류/하류 혈관 분기의 단면적 및 그 분기까지의 거리(혈관 중심선을 따라); (vii) 가장 가까운 관상 동맥 출구 및 대동맥 입구/출구의 단면적 및 그 출구 및 입구/출구까지의 거리(혈관 중심선을 따라); (viii) 가장 작은/가장 큰 단면적을 가진 하류 관상 동맥 출구들의 단면적 및 그 출구들까지의 거리(혈관 중심선을 따라) (ix) 관상 동맥 혈관들의 상류/하류 부피들; 및 (x) 사용자-규정된 허용오차 아래의 단면적을 갖는 관상 동맥 혈관의 상류/하류 부피 단편들을 포함할 수 있다.
일 실시예에서, 제 1 특성 세트는 관상 동맥 중심선을 따르는 단면 루멘, 누승 단면 루멘 영역, 메인 구멍(LM, RCA)에 대해 루멘 단면적의 누승 비율, 중심선을 따르는 단면 루멘에서 좁아지는 정도, 협착 병변들의 장소, 협착 병변들의 길이, 50%, 75%, 90%의 영역 감소에 대응하는 병변들의 장소 및 개수, 협착 병변에서 메인 구문까지의 거리, 및/또는 단면 루멘 경계의 불규칙성(또는 원형)과 같은 단면적 특성들을 명백히 보여줄 수 있다.
일 실시예에서, 관상 동맥 중심선을 따르는 단면 루멘 영역은 구성된 기하학적 구조로부터 중심선을 추출하고, 필요 시 중심선을 매끄럽게 하고, 각 중심선 지점에서 단면적을 계산함으로써 계산될 수 있고, 이를 대응하는 표면 및 부피 메쉬 지점들로 매핑할 수 있다. 일 실시예에서, 동력형 단면 루멘 영역은 축소화 기법의 다양한 소스로부터 결정될 수 있다. 일 실시예에서, 메인 구멍(LM, RCA)에 대한 루멘 단면적의 비율은 LM 구멍에서 단면적을 측정하고, LM 구멍 영역에 의해 좌측 관상 동맥의 단면적을 표준화하고, RCA 구멍에서 단면적을 측정하고, RCA 구멍 영역에 의해 우측 관상 동맥의 단면적을 표준화함으로써 계산될 수 있다. 일 실시예에서, 메인 구멍에 대한 루멘 단면적의 누승 비율은 축척 법칙의 다양한 소스로부터 결정될 수 있다. 일 실시예에서, 중심선을 따라 단면 루멘 영역에서 점점 좁아지는 정도는 특정 간격(예를 들어, 혈관의 직경의 2배) 내에서 중심선 지점들을 표본추출함으로써 계산될 수 있고, 선형-적합 단면적의 경사도를 계산할 수 있다. 일 실시예에서, 협착 병변들의 장소는 단면적 곡선의 최소치를 검출하고, 영역 곡선의 1차 미분이 0이고 2차 미분이 양인 장소들을 검출하고, 메인 구멍으로부터 거리(중심선의 파라미터 호 길이)를 계산함으로써 계산될 수 있다. 일 실시예에서, 협착 병변들의 길이는, 단면적이 복구되는 경우, 협착 병변으로부터 근접 및 말단 장소들을 계산함으로써 계산될 수 있다.
일 실시예에서, 다른 특성 세트는, 예를 들어 중심선을 따르는 강도 변화(선형-적합한 강도 변동의 경사도)를 한정하는 세기 특성들을 포함할 수 있다. 일 실시예에서, 다른 특성 세트는 예를 들어, 기하학적 구조의 3D 표면 곡률(가우시안, 최대, 최소, 평균)을 한정하는 표면 특성들을 포함할 수 있다. 일 실시예에서, 다른 특성 세트는, 예를 들어 심근 부피에 비해 총 관상 동맥 부피의 비율을 한정하는 부피 특성들을 포함할 수 있다. 일 실시예에서, 다른 특성 세트는 예를 들어, 프레네 곡률을 계산함으로써, 예를 들어 관상 동맥 중심선의 곡률(벤딩)을 한정하는 중심선 특성들을 포함할 수 있다:
Figure pat00001
, 여기서p 는 중심선의 좌표이다.
또는 중심선 지점들을 따라 제한된 원의 반경의 역을 계산함으로써 관상 동맥 중심선의 곡률(벤딩)을 한정하는 중심선 특성들을 포함할 수 있다. 관상 동맥 중심선의 곡률(벤딩)은 예를 들어, 프레네 토션을 계산함으로써 관상 동맥 중심선의 비틀림(비-평탄화)에 기초하여 또한 계산될 수 있다.
Figure pat00002
여기서p 는 중심선의 좌표이다.
일 실시예에서, 다른 특성 세트는 예를 들어, 자궁 대동맥 병변의 존재, 대동맥으로부터 관상동맥의 기원에 위치된 병변의 검출, 및/또는 우성(좌측 또는 우측)을 포함하는 SYNTAX 점수 특성을 포함할 수 있다.
일 실시예에서, 다른 특성 세트는 예를 들어, 하겐-포와자일 흐름 가정으로부터 도출된 분획 혈류 예비력을 포함하는 간략화된 물리학 특성을 포함할 수 있다(Resistance~Area-2). 예를 들어, 일 실시예에서, 서버 시스템들(106)은 대동맥 압력을 가지고(P0) 대동맥으로부터 관상 동맥의 기원(LM 심문 또는 RCA 심문)의 단면적(A0)을 계산할 수 있고; 각 표본추출된 간격으로(Li) 관상 동맥 혈관의 단면적(Ai)을 계산할 수 있고; 충혈 가정 하에 저항 경계 조건을 이용하여 혈관의 각 세그먼트에서의 관상 동맥 혈류의 양을 결정하고(Qi); 각 표본추출된 장소(Ri)에서 다음에 기초하여 저항을 추정한다:
Figure pat00003
여기서:
공칭 값 μ=dynamic viscosiy of blood,αi=1.0,βi=0,γi=2.0 (Hagen-Poisseille).
서버 시스템들(106)은 압력 강하를 추정할 수 있고(ΔPi)asΔPi=QiRi각 표본추출된 장소에서
Figure pat00004
로 FFR을 계산할 수 있다 . 혈관 반경보다 더 작은 최소 단면적 장소들 또는 간격은 표본추출 장소들을 위해 사용될 수 있다. 서버 시스템들(106)은 중심선을 따라 FFR을 보간할 수 있으며 FFRi, FFR 값들을 3D 표면 메쉬 노드에 투사할 수 있고, αi,βi,γi 파라미터들을 교란시키기 위해 위에서 분명히 보여준 특성 세트들을 이용하는 것에 의하는 것과 같이, 트레이닝하기 위해 필요한 바에 따라 새로운 FFR 추정치 세트들을 변경하고 얻을 수 있으며, 여기서 αi,βi 파라미터들은 점점 좁아진 혈관의 이유가 되는 병든 길이, 협착 정도 및 점점 좁아지는 비율의 함수일 수 있고; Qi는 저항 경계 조건과 동일한 축척 법칙에 기초하여 각 출구의 분산된 혈류를 합산함으로써 결정될 수 있다(outlet resistance ∝outlet area-1.35). 하지만, 새로운 축척 법칙 및 충혈 가정이 채택될 수 있고, 이러한 특성 벡터는 그 지점에서 FFR의 측정치 또는 시뮬레이팅된 값과 연관될 수 있다. 서버 시스템들(106)은 지점들에서 특성 벡터들로부터 지점들에서의 혈류 특징들을 예측하기 위해 선형 SVM을 또한 트레이닝할 수 있고; 디지털 표현(예를 들어, 컴퓨터, 랩탑, DSP, 서버 등과 같은 계산 디바이스의 메모리 또는 디지털 저장부[예를 들어, 하드 드라이브, 네트워크 드라이브])으로서 SVM의 결과들을 저장할 수 있다.
예시적인 생성 모드에서, 서버 시스템들(106)은 목표 환자에 대해, 디지털 표현(예를 들어, 컴퓨터, 랩탑, DSP, 서버 등과 같은 계산 디바이스의 메모리 또는 디지털 저장부[예를 들어, 하드 드라이브, 네트워크 드라이브])에서, (a) 환자의 상행 대동맥 및 관상 동맥 트리에 대한 기하학적 구조의 환자-맞춤형 모델; 및 (b) 트레이닝 모드 동안 얻어진 환자의 생리학적 및 표현형 파라미터들의 목록을 획득할 수 있다. 일 실시예에서, 환자의 상행 대동맥 및 관상 동맥 트리에 대한 기하학적 구조의 환자-맞춤형 모델은, 공간이 지점들 사이의 공간적 단위들(예를 들어, mm)로 매핑될 수 있는 공간에서의 지점들의 목록(아마도 각 지점에 대한 이웃 지점들의 목록과 함께)로서 나타날 수 있다. 이러한 모델은 심장 주기의 확장 종기 단계 동안 환자의 심장 CT 영상 연구를 수행함으로써 도출될 수 있다. 이러한 영상은 대동맥 및 관상 동맥들의 루멘에 속하는 복셀들을 식별하기 위해 수동으로 또는 자동으로 세그먼트화될 수 있다. 일단 모든 관련 복셀들이 식별되면, 기하학적 모델이 도출될 수 있다(예를 들어, 마칭 큐브들을 이용하여). 기하학적 구조의 환자-맞춤형 모델을 생성하기 위한 프로세스는 트레이닝 모드와 동일할 수 있다. 환자-맞춤형 기하학적 모델에서의 모든 지점에 대해, 서버 시스템들(106)은 환자의 생리학적 또는 표현형 파라미터들의 추정치들 및 그 지점에서의 기하학적 구조의 수치적 설명으로 구성되는 그 지점에 대한 특성 벡터를 생성할 수 있다. 이들 특성들은 트레이닝 모드에 사용된 양들과 동일할 수 있다. 서버 시스템들(106)은 환자-맞춤형 기하학적 모델에서의 각 지점에서 FFR의 추정치들을 생성하기 위해 트레이닝 모드로 생성된 기계 학습 알고리즘의 저장된 결과들(예를 들어, 특성 가중치들)을 사용할 수 있다. 이들 추정치들은 트레이닝 모드로 사용된 동일한 선형 SVM 기법을 이용하여 생성될 수 있다. 서버 시스템들(106)은 각 지점에 대한 예측된 FFR 값들을 디지털 표현(예를 들어, 컴퓨터, 랩탑, DSP, 서버 등과 같은 계산 디바이스의 메모리 또는 디지털 저장부[예를 들어, 하드 드라이브, 네트워크 드라이브])으로 저장할 수 있다.
일 실시예에서, 상기 인자들 (i) 내지 (viii)(“심장 수축 및 심장 확장 혈압” 내지 “관상 동맥 가지 기하학적 구조의 특징들”)은 환자의 소정 기하학적 모델 내의 모든 지점들에 적용할 수 있는 범용 특징들로 간주될 수 있다. 또한, 항목 (ix) 내지 (xv)(“특성 세트 1: “단면 특성” 내지 “특성 세트 VII: 간략화된 물리학적 특성”)은 환자의 소정 기하학적 모델 내의 특정 지점들에 국부적인 특성들로 간주될 수 있다. 더욱이, 특성들 (i) 내지 (vi)는 경계 조건들의 함수, f(BCs) 내의 변수들로 간주될 수 있는 한편, 특성들 (vii) 내지 (xv)은 그 페이지 상에서, 기하학적 구조 g(areaReductions)의 함수 내의 변수들로 간주될 수 있다. 임의의 원하는 가중 방식에 의해 변형된 그러한 특성들의 임의의 조합이 개시된 실시예들에 따라 실시된 기계 학습 알고리즘에 병합될 수 있다는 것이 인식될 것이다.
본 발명의 다른 실시예는 본원에서 개시된 본 발명의 명세서와 실시를 고려함으로써 당해 기술 분야의 당업자에게 명백할 것이다. 명세서와 예시는 예시적으로만 간주되고, 본 발명의 진정한 범위와 사상은 이하의 청구항에 의해 나타나도록 의도된다.

Claims (20)

  1. 환자에 대한 동맥 협착의 개인화된 비침습적 평가를 위한 방법으로서,
    환자의 하나 이상의 동맥을 포함하는 환자의 혈관 시스템의 적어도 일부의 의료 이미지 데이터를 수신하는 단계;
    수신된 의료 이미지 데이터로부터 환자의 환자-맞춤형 동맥 기하학적 구조를 추출하는 단계;
    환자의 환자-맞춤형 동맥 기하학적 구조로부터 특징을 추출하는 단계 - 상기 추출된 특징은 생리학적 값과 추출된 특징 사이의 학습된 연관성에 기초하여 생리학적 값을 예측하기 위한 트레이닝된 기계 학습 기반 모델의 특징에 대응함 -; 및
    생리학적 값과 추출된 특징 사이의 학습된 연관성에 기초하여, 상기 환자 이외의 개인으로부터 추출된 해부학적 특징 및 합성적으로 생성된 동맥 기하학적 구조 중 하나 또는 둘 모두로부터 추출된 특징에 기초하여 트레이닝된, 상기 트레이닝된 기계 학습 기반 모델을 사용하여 추출된 특징에 기초하여, 환자-맞춤형 동맥 기하학적 구조에서의 하나 이상의 관심 위치에 대한 생리학적 값의 하나 이상의 인덱스 값을 자동으로 계산하는 단계
    를 포함하는, 환자에 대한 동맥 협착의 개인화된 비-침습적 평가를 위한 방법.
  2. 제1항에 있어서,
    환자의 비침습적 생리학적 측정 또는 환자의 인구통계학적 데이터 중 적어도 하나를 수신하는 단계를 더 포함하고,
    상기 하나 이상의 인덱스 값을 계산하는 단계는 추가로 환자의 인구통계학적 데이터 또는 환자의 비침습적 생리학적 측정 중 적어도 하나에 대응하는 특징에도 기초하는 것인, 환자에 대한 동맥 협착의 개인화된 비-침습적 평가를 위한 방법.
  3. 제1항에 있어서,
    환자의 하나 이상의 바이오 마커를 수신하는 단계를 더 포함하고,
    상기 하나 이상의 인덱스 값을 계산하는 단계는 추가로 환자의 하나 이상의 바이오 마커에 대응하는 특징에도 기초하는 것인, 환자에 대한 동맥 협착의 개인화된 비-침습적 평가를 위한 방법.
  4. 제1항에 있어서, 상기 생리학적 값은 생리학적 혈압 값이고, 트레이닝된 기계 학습 기반 모델은 하나 이상의 환자-맞춤형 혈류 순환 모델에 기초하여 트레이닝되는 것인, 환자에 대한 동맥 협착의 개인화된 비-침습적 평가를 위한 방법.
  5. 제1항에 있어서, 환자-맞춤형 동맥 기하학적 구조로부터 특징을 추출하는 단계는:
    환자의 환자-맞춤형 동맥 기하학적 구조에서의 하나 이상의 동맥 협착 영역에 대한 복수의 기하학적 측정을 추출하는 것을 더 포함하는, 환자에 대한 동맥 협착의 개인화된 비-침습적 평가를 위한 방법.
  6. 제1항에 있어서, 상기 하나 이상의 관심 위치는 하나 이상의 동맥 협착 위치에 대응하는 것인, 환자에 대한 동맥 협착의 개인화된 비-침습적 평가를 위한 방법.
  7. 제1항에 있어서, 상기 환자-맞춤형 동맥 기하학적 구조에서의 하나 이상의 관심 위치에 대한 하나 이상의 인덱스 값을 계산하는 단계는 하나 이상의 관심 위치를 식별하는 사용자 입력에 응답하는 것인, 환자에 대한 동맥 협착의 개인화된 비-침습적 평가를 위한 방법.
  8. 제1항에 있어서, 상기 생리학적 값은 생리학적 혈압 값이고 하나 이상의 인덱스 값은 하나 이상의 분획 혈류 예비력(FFR) 값인, 환자에 대한 동맥 협착의 개인화된 비-침습적 평가를 위한 방법.
  9. 제1항에 있어서, 하나 이상의 인덱스 값을 계산하는 단계는
    생리학적 값과 추출된 특징 사이의 학습된 연관성에 기초하여, 상기 환자 이외의 개인으로부터 추출된 해부학적 특징 및 합성적으로 생성된 동맥 기하학적 구조 중 하나 또는 둘 모두로부터 추출된 특징에 기초하여 트레이닝된, 복수의 트레이닝된 기계 학습 기반 모델 중 각각을 사용하여 추출된 특징에 기초하여, 환자-맞춤형 동맥 기하학적 구조에서의 하나 이상의 관심 위치 각각에 대한 생리학적 값의 복수의 혈역학적 인덱스 값을 계산하는 단계
    를 포함하는, 환자에 대한 동맥 협착의 개인화된 비-침습적 평가를 위한 방법.
  10. 제1항에 있어서, 환자-맞춤형 동맥 기하학적 구조에서의 하나 이상의 관심 위치에 대해 계산 된 하나 이상의 인덱스 값에 기초하여 코딩된 환자-맞춤형 동맥 기하학적 구조의 시각화를 디스플레이하는 단계를 더 포함하는, 환자에 대한 동맥 협착의 개인화된 비-침습적 평가를 위한 방법.
  11. 환자에 대한 동맥 협착의 개인화된 비침습적 평가를 위한 시스템으로서, 상기 시스템은:
    환자에 대한 동맥 협착의 개인화된 비침습적 평가를 위한 명령어를 전자 저장 매체에 저장하는 적어도 하나의 데이터 저장 장치; 및
    적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로세서는
    환자의 하나 이상의 동맥을 포함하는 환자의 혈관 시스템의 적어도 일부의 의료 이미지 데이터를 수신하는 단계;
    수신된 의료 이미지 데이터로부터 환자의 환자-맞춤형 동맥 기하학적 구조를 추출하는 단계;
    환자의 환자-맞춤형 동맥 기하학적 구조로부터 특징을 추출하는 단계 - 상기 추출된 특징은 생리학적 값과 추출된 특징 사이의 학습된 연관성에 기초하여 생리학적 값을 예측하기 위한 트레이닝된 기계 학습 기반 모델의 특징에 대응함 -; 및
    생리학적 값과 추출된 특징 사이의 학습된 연관성에 기초하여, 상기 환자 이외의 개인으로부터 추출된 해부학적 특징 및 합성적으로 생성된 동맥 기하학적 구조 중 하나 또는 둘 모두로부터 추출된 특징에 기초하여 트레이닝된, 상기 트레이닝된 기계 학습 기반 모델을 사용하여 추출된 특징에 기초하여, 환자-맞춤형 동맥 기하학적 구조에서의 하나 이상의 관심 위치에 대한 생리학적 값의 하나 이상의 인덱스 값을 자동으로 계산하는 단계
    를 포함하는 동작을 수행하기 위해 명령어를 실행하도록 구성되는 것인, 환자에 대한 동맥 협착의 개인화된 비침습적 평가를 위한 시스템.
  12. 제11항에 있어서, 상기 동작은
    환자의 비침습적 생리학적 측정 또는 환자의 인구통계학적 데이터 중 적어도 하나를 수신하는 단계를 더 포함하고,
    상기 하나 이상의 인덱스 값을 계산하는 단계는 추가로 상기 트레이닝된 기계 학습 기반 모델을 사용한 환자의 인구통계학적 데이터 또는 환자의 비침습적 생리학적 측정 중 적어도 하나에 대응하는 특징에도 기초하는 것인, 환자에 대한 동맥 협착의 개인화된 비침습적 평가를 위한 시스템.
  13. 제11항에 있어서, 상기 동작은
    환자의 하나 이상의 바이오 마커를 수신하는 단계를 더 포함하고,
    상기 하나 이상의 인덱스 값을 계산하는 단계는 추가로 상기 트레이닝된 기계 학습 기반 모델을 사용한 환자의 하나 이상의 바이오 마커에 대응하는 특징에도 기초하는 것인, 환자에 대한 동맥 협착의 개인화된 비침습적 평가를 위한 시스템.
  14. 제11항에 있어서, 상기 생리학적 값은 생리학적 혈압 값이고, 트레이닝된 기계 학습 기반 모델은 하나 이상의 환자-맞춤형 멀티-스케일 혈류 순환 모델에 기초하여 트레이닝되는 것인, 환자에 대한 동맥 협착의 개인화된 비침습적 평가를 위한 시스템.
  15. 제11항에 있어서, 상기 생리학적 값은 생리학적 혈압 값이고, 하나 이상의 인덱스 값은 하나 이상의 분획 혈류 예비력(FFR) 값인, 환자에 대한 동맥 협착의 개인화된 비침습적 평가를 위한 시스템.
  16. 제11항에 있어서, 하나 이상의 인덱스 값을 계산하는 단계는
    생리학적 값과 추출된 특징 사이의 학습된 연관성에 기초하여, 상기 환자 이외의 개인으로부터 추출된 해부학적 특징 및 합성적으로 생성된 동맥 기하학적 구조 중 하나 또는 둘 모두로부터 추출된 특징에 기초하여 트레이닝된, 복수의 트레이닝된 기계 학습 기반 모델 중 각각을 사용하여 추출된 특징에 기초하여, 환자-맞춤형 동맥 기하학적 구조에서의 하나 이상의 관심 위치 각각에 대한 생리학적 값의 복수의 혈역학적 인덱스 값을 계산하는 단계
    를 포함하는, 환자에 대한 동맥 협착의 개인화된 비침습적 평가를 위한 시스템.
  17. 제11항에 있어서, 상기 동작은
    환자-맞춤형 동맥 기하학적 구조에서의 하나 이상의 관심 위치에 대해 계산 된 하나 이상의 인덱스 값에 기초하여 코딩된 환자-맞춤형 동맥 기하학적 구조의 시각화를 디스플레이하는 단계를 더 포함하는, 환자에 대한 동맥 협착의 개인화된 비침습적 평가를 위한 시스템.
  18. 환자에 대한 동맥 협착의 개인화된 비침습적 평가를 위한 비일시적 컴퓨터 판독 가능 매체로서, 상기 매체는
    환자의 하나 이상의 동맥을 포함하는 환자의 혈관 시스템의 적어도 일부의 의료 이미지 데이터를 수신하는 단계;
    수신된 의료 이미지 데이터로부터 환자의 환자-맞춤형 동맥 기하학적 구조를 추출하는 단계;
    환자의 환자-맞춤형 동맥 기하학적 구조로부터 특징을 추출하는 단계 - 상기 추출된 특징은 생리학적 값과 추출된 특징 사이의 학습된 연관성에 기초하여 생리학적 값을 예측하기 위한 트레이닝된 기계 학습 기반 모델의 특징에 대응함 -; 및
    생리학적 값과 추출된 특징 사이의 학습된 연관성에 기초하여, 상기 환자 이외의 개인으로부터 추출된 해부학적 특징 및 합성적으로 생성된 동맥 기하학적 구조 중 하나 또는 둘 모두로부터 추출된 특징에 기초하여 트레이닝된, 상기 트레이닝된 기계 학습 기반 모델을 사용하여 추출된 특징에 기초하여, 환자-맞춤형 동맥 기하학적 구조에서의 하나 이상의 관심 위치에 대한 생리학적 값의 하나 이상의 인덱스 값을 자동으로 계산하는 단계
    를 포함하는 동작을 저장한 것인, 비일시적 컴퓨터 판독 가능 매체.
  19. 제18항에 있어서, 상기 동작은
    환자의 비침습적 생리학적 측정 또는 환자의 인구통계학적 데이터 중 적어도 하나를 수신하는 단계를 더 포함하고,
    상기 하나 이상의 인덱스 값을 계산하는 단계는 추가로 상기 트레이닝된 기계 학습 기반 모델을 사용한 환자의 인구통계학적 데이터 또는 환자의 비침습적 생리학적 측정 중 적어도 하나에 대응하는 특징에도 기초하는 것인, 비일시적 컴퓨터 판독 가능 매체.
  20. 제18항에 있어서, 상기 동작은
    환자의 하나 이상의 바이오 마커를 수신하는 단계를 더 포함하고,
    상기 하나 이상의 인덱스 값을 계산하는 단계는 추가로 트레이닝된 기계 학습 기반 모델을 사용한 환자의 하나 이상의 바이오 마커에 대응하는 특징에도 기초하는 것인, 비일시적 컴퓨터 판독 가능 매체.
KR1020217012997A 2012-09-12 2013-08-30 혈관 기하학적 구조 및 생리학으로부터 혈류 특징들을 추정하기 위한 시스템들 및 방법들 KR102358996B1 (ko)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
US201261700213P 2012-09-12 2012-09-12
US61/700,213 2012-09-12
US13/895,893 2013-05-16
US13/895,893 US10398386B2 (en) 2012-09-12 2013-05-16 Systems and methods for estimating blood flow characteristics from vessel geometry and physiology
PCT/US2013/057546 WO2014042899A2 (en) 2012-09-12 2013-08-30 Systems and methods for estimating blood flow characteristics from vessel geometry and physiology
KR1020167005182A KR102248498B1 (ko) 2012-09-12 2013-08-30 혈관 기하학적 구조 및 생리학으로부터 혈류 특징들을 추정하기 위한 시스템들 및 방법들

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020167005182A Division KR102248498B1 (ko) 2012-09-12 2013-08-30 혈관 기하학적 구조 및 생리학으로부터 혈류 특징들을 추정하기 위한 시스템들 및 방법들

Publications (2)

Publication Number Publication Date
KR20210052589A true KR20210052589A (ko) 2021-05-10
KR102358996B1 KR102358996B1 (ko) 2022-02-08

Family

ID=50234017

Family Applications (3)

Application Number Title Priority Date Filing Date
KR1020167005182A KR102248498B1 (ko) 2012-09-12 2013-08-30 혈관 기하학적 구조 및 생리학으로부터 혈류 특징들을 추정하기 위한 시스템들 및 방법들
KR1020157006740A KR101834051B1 (ko) 2012-09-12 2013-08-30 혈관 기하학적 구조 및 생리학으로부터 혈류 특징들을 추정하기 위한 시스템들 및 방법들
KR1020217012997A KR102358996B1 (ko) 2012-09-12 2013-08-30 혈관 기하학적 구조 및 생리학으로부터 혈류 특징들을 추정하기 위한 시스템들 및 방법들

Family Applications Before (2)

Application Number Title Priority Date Filing Date
KR1020167005182A KR102248498B1 (ko) 2012-09-12 2013-08-30 혈관 기하학적 구조 및 생리학으로부터 혈류 특징들을 추정하기 위한 시스템들 및 방법들
KR1020157006740A KR101834051B1 (ko) 2012-09-12 2013-08-30 혈관 기하학적 구조 및 생리학으로부터 혈류 특징들을 추정하기 위한 시스템들 및 방법들

Country Status (8)

Country Link
US (2) US10398386B2 (ko)
EP (3) EP3282381B1 (ko)
JP (5) JP5868554B2 (ko)
KR (3) KR102248498B1 (ko)
CN (2) CN108992059B (ko)
AU (2) AU2013315960B2 (ko)
CA (3) CA2882543C (ko)
WO (1) WO2014042899A2 (ko)

Families Citing this family (76)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10398386B2 (en) 2012-09-12 2019-09-03 Heartflow, Inc. Systems and methods for estimating blood flow characteristics from vessel geometry and physiology
US10433740B2 (en) 2012-09-12 2019-10-08 Heartflow, Inc. Systems and methods for estimating ischemia and blood flow characteristics from vessel geometry and physiology
EP2943902B1 (en) 2012-10-24 2020-03-11 CathWorks Ltd. Automated measurement system and method for coronary artery disease scoring
US10210956B2 (en) 2012-10-24 2019-02-19 Cathworks Ltd. Diagnostically useful results in real time
US10595807B2 (en) 2012-10-24 2020-03-24 Cathworks Ltd Calculating a fractional flow reserve
WO2014105743A1 (en) * 2012-12-28 2014-07-03 Cyberheart, Inc. Blood-tissue surface based radiosurgical renal treatment planning
US9135381B2 (en) 2013-05-10 2015-09-15 Stenomics, Inc. Modeling and simulation system for optimizing prosthetic heart valve treatment
US9700219B2 (en) 2013-10-17 2017-07-11 Siemens Healthcare Gmbh Method and system for machine learning based assessment of fractional flow reserve
US9092743B2 (en) 2013-10-23 2015-07-28 Stenomics, Inc. Machine learning system for assessing heart valves and surrounding cardiovascular tracts
WO2015059706A2 (en) 2013-10-24 2015-04-30 Cathworks Ltd. Vascular characteristic determination with correspondence modeling of a vascular tree
US9501622B2 (en) 2014-03-05 2016-11-22 Heartflow, Inc. Methods and systems for predicting sensitivity of blood flow calculations to changes in anatomical geometry
US9390232B2 (en) * 2014-03-24 2016-07-12 Heartflow, Inc. Systems and methods for modeling changes in patient-specific blood vessel geometry and boundary conditions
US9785746B2 (en) 2014-03-31 2017-10-10 Heartflow, Inc. Systems and methods for determining blood flow characteristics using flow ratio
CN106537392B (zh) * 2014-04-22 2019-07-26 西门子保健有限责任公司 用于冠状动脉中的血液动力学计算的方法和系统
US20150327780A1 (en) * 2014-05-16 2015-11-19 Kabushiki Kaisha Toshiba Image processing apparatus, image processing method, and storage medium
US9336354B1 (en) 2014-11-04 2016-05-10 Heartflow, Inc. Systems and methods for simulation of hemodialysis access and optimization
US10080872B2 (en) 2014-11-04 2018-09-25 Abbott Cardiovascular Systems Inc. System and method for FFR guidewire recovery
US9594876B2 (en) 2014-11-04 2017-03-14 Heartflow, Inc. Systems and methods for simulation of occluded arteries and optimization of occlusion-based treatments
CN107427268B (zh) * 2014-11-14 2023-07-28 西门子保健有限责任公司 用于基于纯几何机器学习的血流储备分数的方法和系统
US9349178B1 (en) 2014-11-24 2016-05-24 Siemens Aktiengesellschaft Synthetic data-driven hemodynamic determination in medical imaging
JP6749917B2 (ja) * 2015-01-15 2020-09-02 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． ｉＦＲ−ＣＴ
US9839483B2 (en) 2015-04-21 2017-12-12 Heartflow, Inc. Systems and methods for risk assessment and treatment planning of arterio-venous malformation
US9785748B2 (en) 2015-07-14 2017-10-10 Heartflow, Inc. Systems and methods for estimating hemodynamic forces acting on plaque and monitoring patient risk
US12008751B2 (en) 2015-08-14 2024-06-11 Elucid Bioimaging Inc. Quantitative imaging for detecting histopathologically defined plaque fissure non-invasively
US12026868B2 (en) 2015-08-14 2024-07-02 Elucid Bioimaging Inc. Quantitative imaging for detecting histopathologically defined plaque erosion non-invasively
TWI545516B (zh) * 2015-09-16 2016-08-11 國立交通大學 血壓量測系統及其方法、使用該方法之電腦程式產品及其電腦可讀取記錄媒體
US10517678B2 (en) * 2015-10-02 2019-12-31 Heartflow, Inc. System and method for diagnosis and assessment of cardiovascular disease by comparing arterial supply capacity to end-organ demand
WO2017091492A1 (en) 2015-11-23 2017-06-01 Heartflow, Inc. Systems and methods for assessing organ and/or tissue transplantation by simulating one or more transplant characteristics
DE102017203299B4 (de) * 2016-03-01 2021-09-09 Siemens Healthcare Gmbh System und Verfahren zur kardioembolischen Schlaganfallrisikovorhersage auf der Basis von medizinischen Bildern
IL263066B2 (en) 2016-05-16 2023-09-01 Cathworks Ltd Selecting blood vessels from images
EP3457930B1 (en) 2016-05-16 2023-11-15 Cathworks Ltd. System for vascular assessment
JP7010932B2 (ja) 2016-09-20 2022-01-26 ハートフロー， インコーポレイテッド 使用者固有の解剖学的・生理学的センサデータを用いた血流計算のモニタ及び更新のためのシステム及び方法
AU2017332031B2 (en) 2016-09-20 2022-12-08 Heartflow, Inc. System and methods for estimation of blood flow characteristics using reduced order model and machine learning
JP2018068428A (ja) * 2016-10-25 2018-05-10 ソニー株式会社 情報処理装置、情報処理方法及びプログラム
DE102016222102A1 (de) * 2016-11-10 2018-05-17 Siemens Healthcare Gmbh Behandlungsplanung für eine Stenose in einem Gefäßsegment anhand einer virtuellen hämodynamischen Analyse
WO2018133118A1 (zh) 2017-01-23 2018-07-26 上海联影医疗科技有限公司 血流状态分析系统及方法
EP3602394A1 (en) 2017-03-24 2020-02-05 Pie Medical Imaging BV Method and system for assessing vessel obstruction based on machine learning
CN107977709B (zh) * 2017-04-01 2021-03-16 北京科亚方舟医疗科技股份有限公司 预测血管树血管路径上的血流特征的深度学习模型和系统
EP3404667B1 (en) * 2017-05-19 2024-02-28 Siemens Healthineers AG Learning based methods for personalized assessment, long-term prediction and management of atherosclerosis
EP3565719B1 (en) * 2017-05-30 2022-02-23 Dignity Health Systems and methods for constructing a synthetic anatomical model with predetermined anatomic, biomechanical, and physiological properties
EP3644857A1 (en) * 2017-06-30 2020-05-06 Koninklijke Philips N.V. Machine learning spectral ffr-ct
EP3457404A1 (en) * 2017-09-18 2019-03-20 Koninklijke Philips N.V. Estimating flow to vessel bifurcations for simulated hemodynamics
US11871995B2 (en) 2017-12-18 2024-01-16 Hemolens Diagnostics Sp. Z O.O. Patient-specific modeling of hemodynamic parameters in coronary arteries
WO2019126372A1 (en) 2017-12-20 2019-06-27 Heartflow, Inc. Systems and methods for performing computer-simulated evaluation of treatments on a target population
EP3729334A1 (en) * 2017-12-20 2020-10-28 Alpvision SA Authentication machine learning from multiple digital representations
US10699407B2 (en) 2018-04-11 2020-06-30 Pie Medical Imaging B.V. Method and system for assessing vessel obstruction based on machine learning
CN108665449B (zh) * 2018-04-28 2022-11-15 杭州脉流科技有限公司 预测血流矢量路径上的血流特征的深度学习模型及装置
US10937549B2 (en) * 2018-05-22 2021-03-02 Shenzhen Keya Medical Technology Corporation Method and device for automatically predicting FFR based on images of vessel
CN110070534B (zh) * 2018-05-22 2021-11-23 深圳科亚医疗科技有限公司 用于基于血管图像自动获取特征序列的方法和预测血流储备分数的装置
CN109009061B (zh) * 2018-06-20 2021-11-19 博动医学影像科技（上海）有限公司 基于血压修正获取血流特征值的计算方法及装置
CN108742586B (zh) * 2018-06-20 2021-04-02 博动医学影像科技（上海）有限公司 基于糖尿病病史信息获取血流特征值的方法及装置
CN109065170B (zh) * 2018-06-20 2021-11-19 博动医学影像科技（上海）有限公司 获取血管压力差的方法及装置
CN109009037B (zh) * 2018-06-20 2021-11-19 博动医学影像科技（上海）有限公司 基于个体性别获取血管压力差的计算方法及装置
CN108742587B (zh) * 2018-06-20 2021-04-27 博动医学影像科技（上海）有限公司 基于病史信息获取血流特征值的方法及装置
CN108784676B (zh) * 2018-06-20 2021-11-09 博动医学影像科技（上海）有限公司 基于年龄信息获取压力差的方法及装置
CN108742547B (zh) * 2018-06-20 2021-01-08 博动医学影像科技（上海）有限公司 基于吸烟史信息获取压力差的方法及装置
WO2020086130A2 (en) * 2018-07-21 2020-04-30 The Regents Of The University Of California Apparatus and method for boundary learning optimization
KR102135112B1 (ko) * 2018-07-26 2020-07-17 장태수 뇌 심혈 관계 모델 기반의 혈압 추정 장치 및 방법
EP3605554A1 (en) 2018-08-03 2020-02-05 Koninklijke Philips N.V. Blood flow measurement based on vessel-map slope
CN110664524B (zh) * 2018-10-08 2022-11-25 科亚医疗科技股份有限公司 用于引导血管中的支架植入的装置、系统和介质
CA3112356A1 (en) * 2018-10-17 2020-04-23 Heartflow, Inc. Systems and methods for assessing cardiovascular disease and treatment effectiveness from adipose tissue
US10964017B2 (en) 2018-11-15 2021-03-30 General Electric Company Deep learning for arterial analysis and assessment
US10813612B2 (en) 2019-01-25 2020-10-27 Cleerly, Inc. Systems and method of characterizing high risk plaques
CN109805949B (zh) 2019-03-19 2020-05-22 苏州润迈德医疗科技有限公司 基于压力传感器和造影图像计算血流储备分数的方法
US11481957B2 (en) 2019-04-01 2022-10-25 Canon Medical Systems Corporation Medical image processing apparatus and storage medium
EP4087486A4 (en) 2020-01-07 2024-02-14 Cleerly, Inc. SYSTEMS, METHODS AND DEVICES FOR MEDICAL IMAGE ANALYSIS, DIAGNOSIS, RISK STRATIFICATION, DECISION-MAKING AND/OR DISEASE MONITORING
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
KR102328990B1 (ko) * 2020-01-17 2021-11-18 세종대학교산학협력단 기계 학습 기반의 분획혈류예비력 예측 방법
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
US20220215534A1 (en) * 2021-01-04 2022-07-07 Shenzhen Keya Medical Technology Corporation Methods and systems for computer-assisted medical image analysis using sequential model
US11241301B1 (en) 2021-01-07 2022-02-08 Ortho Future Technologies (Pty) Ltd Measurement device
US11278376B1 (en) 2021-01-07 2022-03-22 Ortho Future Technologies (Pty) Ltd Orthodontic treatment staging
US11291524B1 (en) 2021-01-07 2022-04-05 Ortho Future Technologies (Pty) Ltd Orthodontic appliance configuration
US11229504B1 (en) 2021-01-07 2022-01-25 Ortho Future Technologies (Pty) Ltd System and method for determining a target orthodontic force
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 (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110060576A1 (en) * 2009-09-08 2011-03-10 Siemens Corporation Method and System for Computational Modeling of the Aorta and Heart
US20120053918A1 (en) * 2010-08-12 2012-03-01 Heartflow, Inc. Method and system for patient-specific modeling of blood flow

Family Cites Families (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL78931A0 (en) * 1985-06-05 1986-09-30 Univ Illinois Methods and apparatus for monitoring cardiovascular regulation using heart rate power spectral analysis
JPH01145043A (ja) * 1987-12-02 1989-06-07 Hitachi Ltd 超音波診断装置
US5533511A (en) 1994-01-05 1996-07-09 Vital Insite, Incorporated Apparatus and method for noninvasive blood pressure measurement
JP3641495B2 (ja) * 1994-07-19 2005-04-20 株式会社日立メディコ 医用画像診断装置
CN1055828C (zh) * 1995-01-10 2000-08-30 复旦大学 脑循环血液动力学分析方法及仪器
US6377832B1 (en) 1998-03-20 2002-04-23 Georgia Tech Research Corporation System and method for analyzing a medical image
US7269516B2 (en) * 2001-05-15 2007-09-11 Psychogenics, Inc. Systems and methods for monitoring behavior informatics
US20030087244A1 (en) * 2001-10-09 2003-05-08 Vitivity, Inc Diagnosis and treatment of vascular disease
CA2530595A1 (en) 2003-06-25 2005-01-06 Siemens Medical Solutions Usa, Inc. Automated regional myocardial assessment for cardiac imaging
US8821408B2 (en) 2006-04-05 2014-09-02 The Regents Of The University Of California Data mining system for noninvasive intracranial pressure assessment
JP5312752B2 (ja) * 2007-03-30 2013-10-09 富士フイルムＲｉファーマ株式会社 推定プログラム、記録媒体および推定方法
US8553832B2 (en) 2007-05-21 2013-10-08 Siemens Aktiengesellschaft Device for obtaining perfusion images
CN101313844A (zh) * 2007-05-31 2008-12-03 金寿山 脑血管性质及血液流动特性分析系统及其分析方法
US8098918B2 (en) 2007-09-21 2012-01-17 Siemens Corporation Method and system for measuring left ventricle volume
EP2227783A1 (en) 2007-10-19 2010-09-15 Boston Scientific Scimed, Inc. Display of classifier output and confidence measure in an image
JP2011514227A (ja) * 2008-03-17 2011-05-06 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 灌流画像法
US8527251B2 (en) * 2009-05-01 2013-09-03 Siemens Aktiengesellschaft Method and system for multi-component heart and aorta modeling for decision support in cardiac disease
WO2011008906A1 (en) 2009-07-15 2011-01-20 Mayo Foundation For Medical Education And Research Computer-aided detection (cad) of intracranial aneurysms
GB0913930D0 (en) 2009-08-07 2009-09-16 Ucl Business Plc Apparatus and method for registering two medical images
US20110235885A1 (en) * 2009-08-31 2011-09-29 Siemens Medical Solutions Usa, Inc. System for Providing Digital Subtraction Angiography (DSA) Medical Images
EP2480124B1 (en) 2009-09-23 2017-11-22 Lightlab Imaging, Inc. Lumen morphology and vascular resistance measurement data collection systems, apparatus and methods
US20110081057A1 (en) 2009-10-06 2011-04-07 Eigen, Llc Apparatus for stenosis estimation
CN101849841B (zh) * 2010-06-10 2013-03-13 复旦大学 基于几何滤波器抑制超声彩色血流成像中杂波的方法
US8682626B2 (en) 2010-07-21 2014-03-25 Siemens Aktiengesellschaft Method and system for comprehensive patient-specific modeling of the heart
JP5868052B2 (ja) 2010-07-21 2016-02-24 シーメンス アクチエンゲゼルシヤフトＳｉｅｍｅｎｓ Ａｋｔｉｅｎｇｅｓｅｌｌｓｃｈａｆｔ 包括的な患者固有の心臓のモデリング方法およびシステム
CN101889861B (zh) * 2010-07-28 2011-10-26 沈阳恒德医疗器械研发有限公司 心脑血管特性与血流特性分析仪
US20120142632A1 (en) 2010-08-04 2012-06-07 St. Vincent's Institute Of Medical Research Diagnostic and prognostic assay
US8315812B2 (en) 2010-08-12 2012-11-20 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
US9119540B2 (en) 2010-09-16 2015-09-01 Siemens Aktiengesellschaft Method and system for non-invasive assessment of coronary artery disease
US8684921B2 (en) * 2010-10-01 2014-04-01 Flint Hills Scientific Llc Detecting, assessing and managing epilepsy using a multi-variate, metric-based classification analysis
EP4059459A1 (en) * 2010-10-25 2022-09-21 Medtronic Ireland Manufacturing Unlimited Company Microwave catheter apparatuses for renal neuromodulation
US20120150003A1 (en) * 2010-12-09 2012-06-14 Siemens Medical Solutions Usa, Inc. System Non-invasive Cardiac Output Determination
GB201100137D0 (en) 2011-01-06 2011-02-23 Davies Helen C S Apparatus and method of assessing a narrowing in a fluid tube
JP5734000B2 (ja) 2011-01-31 2015-06-10 株式会社Ｎｔｔドコモ 物体識別システムおよび方法、並びに、特徴点位置抽出システムおよび方法
US10162932B2 (en) 2011-11-10 2018-12-25 Siemens Healthcare Gmbh Method and system for multi-scale anatomical and functional modeling of coronary circulation
US10373700B2 (en) * 2012-03-13 2019-08-06 Siemens Healthcare Gmbh Non-invasive functional assessment of coronary artery stenosis including simulation of hyperemia by changing resting microvascular resistance
CA2875346A1 (en) 2012-06-26 2014-01-03 Sync-Rx, Ltd. Flow-related image processing in luminal organs
US10398386B2 (en) 2012-09-12 2019-09-03 Heartflow, Inc. Systems and methods for estimating blood flow characteristics from vessel geometry and physiology
US10433740B2 (en) * 2012-09-12 2019-10-08 Heartflow, Inc. Systems and methods for estimating ischemia and blood flow characteristics from vessel geometry and physiology
US9757073B2 (en) 2012-11-06 2017-09-12 Koninklijke Philips N.V. Fractional flow reserve (FFR) index
US9785746B2 (en) 2014-03-31 2017-10-10 Heartflow, Inc. Systems and methods for determining blood flow characteristics using flow ratio
US9349178B1 (en) 2014-11-24 2016-05-24 Siemens Aktiengesellschaft Synthetic data-driven hemodynamic determination in medical imaging

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110060576A1 (en) * 2009-09-08 2011-03-10 Siemens Corporation Method and System for Computational Modeling of the Aorta and Heart
US20120053918A1 (en) * 2010-08-12 2012-03-01 Heartflow, Inc. Method and system for patient-specific modeling of blood flow

Also Published As

Publication number Publication date
CN104854592A (zh) 2015-08-19
US20190336084A1 (en) 2019-11-07
US11382569B2 (en) 2022-07-12
KR102248498B1 (ko) 2021-05-06
JP2017205605A (ja) 2017-11-24
EP3979259A1 (en) 2022-04-06
JP2020028774A (ja) 2020-02-27
AU2016204888B2 (en) 2018-07-12
CA2882543A1 (en) 2014-03-20
EP3282381B1 (en) 2021-11-17
CN104854592B (zh) 2018-09-14
AU2013315960A1 (en) 2015-03-19
CA3114366A1 (en) 2014-03-20
KR102358996B1 (ko) 2022-02-08
AU2016204888A1 (en) 2016-07-28
JP5868554B2 (ja) 2016-02-24
CA3114366C (en) 2023-03-28
KR20150042854A (ko) 2015-04-21
US20140073977A1 (en) 2014-03-13
US10398386B2 (en) 2019-09-03
CN108992059B (zh) 2023-07-07
EP2721543A2 (en) 2014-04-23
JP7048561B2 (ja) 2022-04-05
KR101834051B1 (ko) 2018-03-02
JP6522175B2 (ja) 2019-05-29
CA2974349C (en) 2021-06-01
CA2974349A1 (en) 2014-03-20
EP3282381A1 (en) 2018-02-14
JP6271492B2 (ja) 2018-01-31
JP2018061883A (ja) 2018-04-19
WO2014042899A3 (en) 2014-07-17
JP2015531264A (ja) 2015-11-02
CA2882543C (en) 2017-09-12
CN108992059A (zh) 2018-12-14
WO2014042899A2 (en) 2014-03-20
EP2721543B1 (en) 2017-08-23
JP2016028747A (ja) 2016-03-03
KR20160031026A (ko) 2016-03-21
AU2013315960B2 (en) 2016-04-14

Similar Documents

Publication Publication Date Title
JP7048561B2 (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方法
US11013425B2 (en) Systems and methods for analyzing and processing digital images to estimate vessel characteristics

Legal Events

Date Code Title Description
A107 Divisional application of patent
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant