KR20210076944A - 지방 조직으로부터 심장혈관 질환 및 치료 유효성을 평가하기 위한 시스템들 및 방법들 - Google Patents
지방 조직으로부터 심장혈관 질환 및 치료 유효성을 평가하기 위한 시스템들 및 방법들 Download PDFInfo
- Publication number
- KR20210076944A KR20210076944A KR1020217014267A KR20217014267A KR20210076944A KR 20210076944 A KR20210076944 A KR 20210076944A KR 1020217014267 A KR1020217014267 A KR 1020217014267A KR 20217014267 A KR20217014267 A KR 20217014267A KR 20210076944 A KR20210076944 A KR 20210076944A
- Authority
- KR
- South Korea
- Prior art keywords
- adipose tissue
- patient
- interest
- duct
- medical image
- Prior art date
Links
- 210000000577 adipose tissue Anatomy 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 69
- 208000024172 Cardiovascular disease Diseases 0.000 title claims abstract description 25
- 230000001225 therapeutic effect Effects 0.000 title claims abstract description 15
- 230000002757 inflammatory effect Effects 0.000 claims abstract description 75
- 230000002792 vascular Effects 0.000 claims abstract description 48
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 16
- 210000005166 vasculature Anatomy 0.000 claims abstract description 9
- 230000017531 blood circulation Effects 0.000 claims description 39
- 206010061218 Inflammation Diseases 0.000 claims description 33
- 230000004054 inflammatory process Effects 0.000 claims description 33
- 238000011282 treatment Methods 0.000 claims description 24
- 201000010099 disease Diseases 0.000 claims description 15
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000013500 data storage Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims 1
- 238000010801 machine learning Methods 0.000 description 11
- 238000002591 computed tomography Methods 0.000 description 9
- 230000000747 cardiac effect Effects 0.000 description 8
- 238000010968 computed tomography angiography Methods 0.000 description 6
- 210000003484 anatomy Anatomy 0.000 description 5
- 210000004351 coronary vessel Anatomy 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000000926 separation method Methods 0.000 description 5
- 206010020565 Hyperaemia Diseases 0.000 description 4
- 206010020880 Hypertrophy Diseases 0.000 description 4
- 230000036772 blood pressure Effects 0.000 description 4
- 210000002216 heart Anatomy 0.000 description 4
- 230000004043 responsiveness Effects 0.000 description 4
- 208000031481 Pathologic Constriction Diseases 0.000 description 3
- 210000000709 aorta Anatomy 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000284 resting effect Effects 0.000 description 3
- 208000037804 stenosis Diseases 0.000 description 3
- 230000036262 stenosis Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 208000028867 ischemia Diseases 0.000 description 2
- 210000001370 mediastinum Anatomy 0.000 description 2
- 210000003516 pericardium Anatomy 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000019553 vascular disease Diseases 0.000 description 2
- 206010061818 Disease progression Diseases 0.000 description 1
- 208000005189 Embolism Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000002399 angioplasty Methods 0.000 description 1
- 210000002376 aorta thoracic Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 230000008828 contractile function Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000001174 endocardium Anatomy 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 210000000936 intestine Anatomy 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000002414 leg Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000004197 pelvis Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000009278 visceral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physiology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Vascular Medicine (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- High Energy & Nuclear Physics (AREA)
- Cardiology (AREA)
- Optics & Photonics (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
지방 조직에 기초하여 심장혈관 질환 및 치료 유효성을 평가하기 위한 시스템들 및 방법들이 개시된다. 하나의 방법은 환자의 혈관구조에서의 관심 있는 혈관상을 식별하는 단계; 환자의 식별된 관심 있는 혈관상의 의학적 이미지를 수신하는 단계; 수신된 의학적 이미지에서 지방 조직을 식별하는 단계; 환자의 식별된 관심 있는 혈관상의 표현을 포함하는 기하학적 혈관 모델을 수신하는 단계; 및 식별된 지방 조직을 이용하여, 기하학적 혈관 모델과 연관된 염증 지수를 연산하는 단계를 포함한다.
Description
관련된 출원
이 출원은 2018년 10월 17일자로 출원된 미국 가출원 제62/746,972호에 대한 우선권을 주장하고, 이 미국 가출원의 전체 개시내용은 이로써, 그 전체적으로 참조로 편입된다.
본 개시내용의 다양한 실시예들은 일반적으로 심장혈관 질환 평가들 및 관련된 방법들에 관한 것이다. 더 구체적으로, 본 개시내용의 특정한 실시예들은 지방 조직(adipose tissue)으로부터 심장혈관 질환(cardiovascular disease) 및 치료 유효성을 평가하기 위한 시스템들 및 방법들에 관한 것이다.
도입
심장혈관 질환은 전세계에서 사망의 주요한 원인이다. 환자가 혈관 질환(vascular disease)을 가질 때, 질환의 심각성 및 다양한 치료들에 대한 그 질환의 반응성의 이해가 개발될 수 있다. 분획 흐름 예비력(Fractional Flow Reserve)(FFR)과 같은 진단 메트릭(diagnostic metric)들은 컴퓨터 단층촬영(Computed Tomography) 이미지(FFRct)로부터 계산될 수 있다. 이 진단 메트릭들은 병변(lesion)의 심각성을 평가하기 위하여 이용될 수 있는 기능적인 정보를 제공할 수 있다. 혈관 질환 평가 및 치료를 위한 기술에서의 진보들에도 불구하고, 일부 격차들이 남아 있다. 예를 들어, CT 이미지로부터 계산된 FFRct는 환자로부터 침습적으로(invasively)으로 측정된 FFR과 일치하지 않을 수 있다. 또한, 상이한 환자들의 질환은 상이한 속도들로 진행할 수 있다(때때로 플라크 파열(plaque rupture)에 이름). 환자들은 또한, 의학적 및 침습적 요법에 대해 상이하게 반응할 수 있다.
최근의 연구의 하나의 분야는 심외막 지방 조직(epicardial adipose tissue)(EAT)과 다양한 임상적 변수들 사이의 관계를 이해하는 것에 초점을 맞춘다. 따라서, 지방 조직의 지식을 이용하여, 심장혈관 질환 평가 및 치료에서의 현존하는 격차들을 채우기 위한 욕구가 존재한다.
본 개시내용의 특정 양태들에 따르면, 지방 조직에 기초하여 심장혈관 질환 및 치료 유효성을 평가하기 위한 시스템들 및 방법들이 개시된다. 지방 조직에 기초하여 심장혈관 질환 및 치료 유효성을 평가하는 하나의 방법은: 환자의 혈관구조(vasculature)에서의 관심 있는 혈관상(vascular bed)을 식별하는 단계; 환자의 식별된 관심 있는 혈관상의 의학적 이미지를 수신하는 단계; 수신된 의학적 이미지에서 지방 조직을 식별하는 단계; 환자의 식별된 관심 있는 혈관상의 표현을 포함하는 기하학적 혈관 모델을 수신하는 단계; 및 식별된 지방 조직을 이용하여, 기하학적 혈관 모델과 연관된 염증 지수(inflammation index)를 연산하는 단계를 포함한다.
또 다른 실시예에 따르면, 지방 조직에 기초하여 심장혈관 질환 및 치료 유효성을 평가하기 위한 시스템이 개시된다. 시스템은 지방 조직에 기초하여 심장혈관 질환 및 치료 유효성을 평가하기 위한 명령어들을 저장하는 데이터 저장 디바이스; 및 방법을 수행하기 위한 명령어들을 실행하도록 구성된 프로세서를 포함하고, 방법은: 환자의 혈관구조에서의 관심 있는 혈관상을 식별하는 단계; 환자의 식별된 관심 있는 혈관상의 의학적 이미지를 수신하는 단계; 수신된 의학적 이미지에서 지방 조직을 식별하는 단계; 환자의 식별된 관심 있는 혈관상의 표현을 포함하는 기하학적 혈관 모델을 수신하는 단계; 및 식별된 지방 조직을 이용하여, 기하학적 혈관 모델과 연관된 염증 지수를 연산하는 단계를 포함한다.
또 다른 실시예에 따르면, 지방 조직에 기초하여 심장혈관 질환 및 치료 유효성을 평가하는 방법을 수행하기 위한 컴퓨터-실행가능 프로그래밍 명령어들을 포함하는, 컴퓨터 시스템 상에서의 이용을 위한 비-일시적 컴퓨터 판독가능 매체. 방법은: 환자의 혈관구조에서의 관심 있는 혈관상을 식별하는 단계; 환자의 식별된 관심 있는 혈관상의 의학적 이미지를 수신하는 단계; 수신된 의학적 이미지에서 지방 조직을 식별하는 단계; 환자의 식별된 관심 있는 혈관상의 표현을 포함하는 기하학적 혈관 모델을 수신하는 단계; 및 식별된 지방 조직을 이용하여, 기하학적 혈관 모델과 연관된 염증 지수를 연산하는 단계를 포함한다.
개시된 실시예들의 추가적인 목적들 및 장점들은 뒤따르는 설명에서 부분적으로 기재될 것이고, 부분적으로, 설명으로부터 분명할 것이거나, 개시된 실시예들의 실시에 의해 학습될 수 있다. 개시된 실시예들의 목적들 및 장점들은 첨부된 청구항들에서 특히 지적된 엘리먼트들 및 조합들에 의해 실현되고 달성될 것이다.
상기한 일반적인 설명 및 다음의 상세한 설명은 오직 예시적이며 설명적이고, 청구된 바와 같이, 개시된 실시예들에 한정적이지 않다는 것이 이해되어야 한다.
이 명세서 내에 편입되고 이 명세서의 일부를 구성하는 동반 도면들은 다양한 예시적인 실시예들을 예시하고, 설명과 함께, 개시된 실시예들의 원리들을 설명하도록 작용한다.
도 1은 본 개시내용의 실시예에 따른, 지방 조직에 기초하여 심장혈관 질환 및 치료 유효성을 평가하기 위한 예시적인 시스템 및 네트워크의 블록도이다.
도 2는 본 개시내용의 실시예에 따른, 환자의 염증 지수를 연산하기 위한 예시적인 방법이다.
도 3은 본 개시내용의 실시예에 따른, 지방 조직에 기초하여 심장혈관 질환 및 치료 유효성을 평가하기 위한 예시적인 방법이다.
도 4는 본 개시내용의 실시예에 따른, 혈액 흐름 모델의 경계 조건들에 대한 기초를 제공하는 예시적인 혈관 모델을 도시한다.
도 1은 본 개시내용의 실시예에 따른, 지방 조직에 기초하여 심장혈관 질환 및 치료 유효성을 평가하기 위한 예시적인 시스템 및 네트워크의 블록도이다.
도 2는 본 개시내용의 실시예에 따른, 환자의 염증 지수를 연산하기 위한 예시적인 방법이다.
도 3은 본 개시내용의 실시예에 따른, 지방 조직에 기초하여 심장혈관 질환 및 치료 유효성을 평가하기 위한 예시적인 방법이다.
도 4는 본 개시내용의 실시예에 따른, 혈액 흐름 모델의 경계 조건들에 대한 기초를 제공하는 예시적인 혈관 모델을 도시한다.
개시내용의 예시적인 실시예들에 대해 지금부터 상세하게 참조가 행해질 것이고, 개시내용의 예들은 동반 도면들에서 예시된다. 가능한 경우마다, 동일한 참조 번호들은 동일하거나 유사한 부분들을 지칭하기 위하여 도면들의 전반에 걸쳐 이용될 것이다. 본원에서 이용된 바와 같이, 용어 "예시적"은 "이상적"이 아니라, "예"의 의미로 이용된다.
심장혈관 질환은 전세계에서 사망의 주요한 원인이다. 심장혈관 질환을 위한 진단 메트릭들(예컨대, FFRct)은 CT 이미지, 예컨대, 컴퓨터 단층촬영 혈관조영술(computed tomography angiography)(CTA) 이미지로부터 계산될 수 있다. 환자 이미지들(예컨대, CTA들)은 또한, 협착증(stenosis)의 정도, 그 협착증과 연관된 플라크 조성(plaque composition), 및 국소적 혈관상에서 존재하는 지방 조직의 양 및 조성을 포함하는, 환자의 질환에 대한 실질적인 정보를 나타낼 수 있다. 본 개시내용은 심장혈관 질환 평가 및 치료를 개선시키기 위하여, 환자의 지방 조직에 대한 정보를 활용하는 것을 목적으로 한다. 본 실시예들은 계산된 FFRct가 침습적으로 획득된 FFR과 더 양호하게 일치할 수 있도록, 혈액 흐름 메트릭 정확도(예컨대, FFRct 계산 정확도)를 개선시키기 위하여 환자의 지방 조직에 대한 정보를 이용하기 위한 시스템들 및 방법들을 설명한다. 본 실시예들은 환자 질환 진행 및 요법에 대한 반응을 더 양호하게 예측하기 위하여 환자의 지방 조직에 대한 정보를 이용하기 위한 시스템들 및 방법들을 또한 포함한다.
특히, 본 시스템 및 방법들은 다른 임상적 변수들에 대한 환자의 지방 조직 부피, 위치, 조성, 및 관계의 표현으로서 역할을 할 수 있는 환자-특정 염증 지수를 연산하는 것을 설명한다. 각각의 환자의 염증 지수는 환자의 질환을 평가하는 것, 치료(들)에 대한 환자의 반응성을 예측하는 것, 및 환자를 위한 FFRct 연산들의 정확도를 개선시키는 것을 도울 수 있다.
도면들을 지금부터 참조하면, 도 1은 지방 조직에 기초하여 심장혈관 질환 및 치료 유효성을 평가하기 위한 예시적인 시스템 및 네트워크의 블록도를 도시한다. 구체적으로, 도 1은 복수의 의사들(102) 및 제3자 제공자(third party provider)들(104)을 도시하고, 이들 중의 임의의 것은 하나 이상의 컴퓨터들, 서버들, 및/또는 핸드헬드 모바일 디바이스들을 통해, 인터넷과 같은 전자 네트워크(100)에 접속될 수 있다. 의사들(102) 및/또는 제3자 제공자들(104)은 하나 이상의 환자들의 심장 및/또는 혈관 계들의 이미지들을 생성할 수 있거나, 그렇지 않을 경우에 획득할 수 있다. 의사들(102) 및/또는 제3자 제공자들(104)은 또한, 연령, 의학적 이력, 혈압(blood pressure), 혈액 점도(blood viscosity) 등과 같은 환자-특정 정보의 임의의 조합을 획득할 수 있다. 의사들(102) 및/또는 제3자 제공자들(104)은 심장/혈관 이미지들 및/또는 환자-특정 정보를 전자 네트워크(100) 상에서 서버 시스템들(106)로 송신할 수 있다. 서버 시스템들(106)은 의사들(102) 및/또는 제3자 제공자들(104)로부터 수신된 이미지들 및 데이터를 저장하기 위한 저장 디바이스들을 포함할 수 있다. 서버 시스템들(106)은 저장 디바이스들에서 저장된 이미지들 및 데이터를 프로세싱하기 위한 프로세싱 디바이스들을 또한 포함할 수 있다. 대안적으로 또는 추가적으로, 본 개시내용(또는 본 개시내용의 시스템 및 방법들의 부분들)은 외부 서버 또는 네트워크가 없는 로컬 프로세싱 디바이스(예컨대, 랩톱(laptop)) 상에서 수행될 수 있다.
도 2 및 도 3은 환자의 염증 지수를 연산하고 적용하는 플로우차트들을 도시한다. 특히, 도 2는 의학적 이미지 데이터 및 환자의 해부구조(anatomy)의 혈관 모델에 기초하여, 환자를 위한 염증 지수를 연산하는 예시적인 방법(200)의 플로우차트이다. 도 3은 환자의 질환 및 치료에 대한 반응성을 평가하기 위하여 연산된 염증 지수를 이용하기 위한 예시적인 방법(300)의 플로우차트이다. 도 2 및 도 3의 방법들은 전자 네트워크(100) 상에서 의사들(102) 및/또는 제3자 제공자들(104)로부터 수신된 정보, 이미지들, 및 데이터에 기초하여, 서버 시스템들(106)에 의해 수행될 수 있다.
도 2는 본 개시내용의 예시적인 실시예에 따른, 염증 지수를 연산하기 위한 예시적인 방법(200)의 플로우차트이다. 하나의 실시예에서, 단계(201)는 전자 저장 매체를 이용하여, 환자의 관심 있는 혈관상의 의학적 이미지를 수신하는 것을 포함할 수 있다. 예를 들어, 단계(201)는 환자 및 환자의 혈관구조에서의 관심 있는 혈관상을 식별하는 것을 포함할 수 있다. 관심 있는 혈관상의 의학적 이미지가 그 다음으로 수신될 수 있다. 수신된 의학적 이미지는 하나 이상의 심장 국면들 및 하나 이상의 이미지 재구성들에서의 관상(coronary) 컴퓨터 단층촬영 혈관조영술(CTA) 이미지, 하나 이상의 심장 국면들 및 하나 이상의 이미지 재구성들에서의 비-콘트라스트(non-contrast) 심장 컴퓨터 단층촬영(CT) 이미지, 콘트라스트(contrast)를 갖거나 갖지 않는 이중 에너지(또는 멀티-에너지, 스펙트럼) 심장 CT, 하나 이상의 심장 국면들 및 하나 이상의 이미징 프로토콜들에서의 심장 자기 공명 이미지(Magnetic Resonance Image)(MRI) 등을 포함할 수 있다. 머리, 목, 흉부(thorax), 복부(abdomen), 골반(pelvis), 또는 다리들과 같은 다양한 혈관상들을 위한 유사한 CT, CTA, 또는 MRI 이미지들은 또한, 환자의 관심 있는 혈관상의 의학적 이미지로서 수신될 수 있다.
예시적인 단계(203)는 수신된 의학적 이미지에서 지방 조직을 식별하는 것을 포함할 수 있다. 식별은 방법들, 예를 들어, 알려진 지방 이미지 세기 범위(adipose image intensity range) 내에서 수신된 이미지를 임계화(threshold)하는 것, MRI 내의 지방 조직의 위치를 식별하기 위하여 지방/물 분리 시스템(fat/water separation system)을 MRI 수신된 이미지에 적용하는 것, 수신된 이미지 내의 지방 조직의 위치들을 식별하기 위하여 머신 학습 분류기(machine learning classifier)를 훈련시키는 것 등을 통해 수행될 수 있다. 알려진 지방 세기 범위 내에서 이미지를 임계화하는 것은 예컨대, 하운스필드 단위들(Hounsfield Units)(HU)의 형태로, 신호 세기들에 기초하여 수신된 의학적 이미지 내의 지방 조직을 언급하는 것을 포함할 수 있다. 이미징의 일부 형태들에서, 지방 조직은 네거티브 HU 밀도 값들에 의해 표현될 수 있는 반면, 비-지방 조직 구조들은 포지티브 HU 범위 내에 있을 수 있다. 네거티브 범위들, 예컨대, -190 및 -30 HU의 디스플레이 임계치를 촉구하는 것은 단계(203)의 예시적인 실시예에서, CT 스캔 슬라이스(scan slice)에서의 지방 조직의 추정치를 도시할 수 있다.
대안적으로 또는 추가적으로, 단계(203)를 위하여 지방 조직을 식별하는 것은 분리 시스템을 수신된 이미지에 적용하는 것을 포함할 수 있다. 분리 시스템은 지방/물 분리 시스템, 예컨대, 지방 분획 맵(fat fraction map)을 포함할 수 있다. 예시적인 지방 분획은 MR 신호 세기 인자(MR signal intensity factor)들, 예컨대, 지방으로부터의 수소 양성자(hydrogen proton)들의 밀도, 이동성 지방과 연관된 양성자 신호들, 다양한 양성자 종으로부터의 수소 양성자 밀도 등에 기초한 양성자-밀도 지방 분획 맵(proton-density fat fraction map)을 포함할 수 있다. 지방 조직 세그먼트화(adipose tissue segmentation)의 다른 형태들은 수신된 이미지 내에서 지방 조직을 검출하기 위하여 자동화된 또는 반-자동화된 알고리즘들 및 머신 학습 기법들을 채용할 수 있다. 바이어스 필드 정정(bias field correction), 클러스터링(clustering), 임계화, 분류, 에지 검출(edge detection), 및 마스킹(masking) 단계들/알고리즘들은 머신 학습을 채용할 수 있는 자동화된 지방 조직 세그먼트화에서 이용될 수 있다.
하나의 실시예에서, 단계(203)는 수신된 의학적 이미지의 관심 있는 영역(region of interest)(ROI)에서 지방 조직을 식별하는 것을 포함할 수 있다. 관심 있는 영역은 전체 수신된 의학적 이미지를 포함할 수 있다. 일부 경우들에는, 전체 의학적 이미지는 특정 ROI가 사용자 또는 다른 디폴트 설정에 의해 입력되지 않을 경우에, 디폴트 ROI로서 설정될 수 있다. 또 다른 예시적인 ROI는 심내막(endocardium)의 내부, 심막(pericardium)의 내부, 외부 관 벽, 다른 근육들(예컨대, 다리 근육들, 팔 근육들 등), 또는 다른 기관들(예컨대, 뇌, 신장, 간, 장, 비장 등)과 같은 관심 있는 혈관상을 포함할 수 있다. 또 다른 ROI는 사용자, 자동화된 머신 학습 알고리즘, 제3자 소프트웨어 패키지, 디폴트 설정 등에 의해 식별된/입력된 수신된 의학적 이미지의 면적(area) 또는 서브섹션(subsection)을 포함할 수 있다. 지방 조직을 식별하는 것에 추가적으로, 단계(203)는 ROI에서의 지방 조직의 위치를 식별하고 저장하는 것을 포함할 수 있다. 예를 들어, 단계(203)는 수신된 의학적 이미지 또는 ROI를 격자 또는 좌표계와 연관시키는 것, 및 수신된 의학적 이미지의 격자/좌표계에 대한 지방 조직의 위치를 언급하는 것을 포함할 수 있다.
단계(205)는 전자 저장 매체를 이용하여, 수신된 의학적 이미지 내의 위치와 연관된 파라미터화된 기하학적 혈관 모델을 수신하는 것을 포함할 수 있다. 기하학적 혈관 모델은 환자의 식별된 관심 있는 혈관상의 표현을 포함할 수 있다. 혈관 모델은 내강(lumen), 내부/외부 탄력판(elastic lamina), 플라크 퇴적물(들), 또는 외부 벽과 같은 관심 있는 관/혈관상의 임의의 컴포넌트를 표현하는 관 모델을 포함할 수 있다. 하나의 예시적인 파라미터화는 관 중심선 위치 좌표들에 의해 파라미터화된 혈관 모델을 포함할 수 있고, 여기서, 각각의 중심선 위치는 관 반경(vessel radius)에 의해 추가적으로 파라미터화된다. 또 다른 예시적인 파라미터화는 관과 연관되는 수신된 의학적 이미지 내에서 복셀(voxel)들을 식별함으로써 파라미터화된 혈관 모델을 포함할 수 있다.
단계(207)는 식별된 지방 조직을 이용하여, 기하학적 혈관 모델과 연관된 염증 지수를 계산하거나 연산하는 것을 포함할 수 있다. 예를 들어, 단계(207)는 (예컨대, 단계(203)의) 수신된 의학적 이미지에서의 지방 조직에 대한 정보를 이용하여, (예컨대, 단계(205)의) 기하학적 혈관 모델(또는 관 중심선)에서의 하나 이상의 위치들과 연관된(또는 이에 대응하는) 염증 지수를 계산하는 것을 포함할 수 있다. 염증 지수는 양자의 EAT 비대(hypertrophy) 및 EAT 염증을 참작하는 것을 포함하여, EAT 조성을 참작할 수 있다. CT 이미지로부터 추출된 EAT 부피는 EAT 비대를 측정하기 위하여 이용될 수 있고, EAT의 이미지 세기는 EAT 염증성 상황(inflammatory status)에 대한 정보를 제공할 수 있다. 하나의 사례에서, 염증 지수는 추출된 EAT 부피/비대에 기초하여 증가될 수 있고, EAT 염증성 상황에 기초하여, 또 다른 인자에 의해 증가될 수 있다. 하나의 예시적인 경우로서, 환자는 크지만 상대적으로 비-염증화된 부피, 또는 작은 염증화된 부피를 가질 수 있다. 이러한 시나리오에서, 환자의 염증 지수는 큰 EAT 부피를 반영하기 위하여 증가될 수 있지만, 부피는 상대적으로 비염증화(uninflame)되므로, 제2 인자에 의해 증가되지 않을 수 있다. EAT 부피가 또한 염증화되었으면, 염증 지수는 염증을 반영하기 위하여 제2 인자에 의해 증가될 수 있다. 통상적인 기술자는 다른 실시예들이 EAT 부피/비대 또는 EAT 염증성 상황이 염증 지수에서의 감소들을 수반할 수 있도록 염증 지수를 정의하는 것을 포함할 수 있다는 것을 인식할 수 있다.
염증성 조직의 분포는 환자를 위하여 외생적(heterogenous)일 수 있으므로, 환자의 염증 지수는 수신된 이미지에서의 관심 있는 영역, 관심 있는 혈관상, 관심 있는 혈관상에서의 특정된/선택된 혈관 위치 또는 관, 및 식별된 지방 조직의 면적에 따라 변동될 수 있다. 환자는 그 신체의 상이한 면적들 및 위치들에 대한 상이한 염증 지수를 가질 수 있다.
이 염증 지수는 다수의 방법들로 계산될 수 있다. 하나의 방법은 관심 있는 혈관상에서의 선택된 관을 수신하는 것, 관으로부터의 정의된 거리를 수신하는 것, (수신된 의학적 이미지에 기초하여) 관으로부터의 정의된 거리 내에서 지방 조직을 검출하는 것, 및 검출된 지방 조직을 수량화(quantify)하는 것을 포함할 수 있다.
수신된 정의된 거리는 지방 조직이 선택된 관으로부터 측정될 수 있는 이러한 선택된 관으로부터의 거리를 포함할 수 있다. 예를 들어, 정의된 거리는 지방이 선택된 관으로부터 측정될 수 있는 이러한 선택된 관의 중심선으로부터의 반경을 포함할 수 있다. 지방 조직이 관에 직접적으로 인접하지 않을 수 있거나, 예컨대, 관 벽에 의해 관의 한계들 내에서 경계설정될 수 있으므로, 이 정의된 거리가 정의될 수 있다. 하지만, 심외막 지방 조직은 환자의 심장의 심외막 표면과 환자의 심막의 내장 표면 사이에 있을 수 있거나, 환자의 심낭(pericardial sac), 주변 관상 동맥에 의해, 환자의 심장 근처 또는 환자의 종격(mediastinum)에, 또는 이들의 조합으로 완전히 둘러싸일 수 있다. 본원에서의 실시예들은 심외막 지방 조직을 임의의 심막 지방 퇴적물들을 포함하는 것으로서 지칭할 수 있고, 심장주위(paracardial) 흉부내(intra-thoracic) 종격(mediastinal) 지방, 및 외막 층에 인접한 또는 혈액 관 외부의 임의의 다른 지방 조직 퇴적물들을 포함하도록 확장될 수 있다. 따라서, 거리 범위는 면적 내의 지방 조직이 선택된 관 또는 관심 있는 혈관상에 영향을 주는 것으로서 관찰될 수 있는 이러한 면적을 정의하기 위하여 이용될 수 있다. 정의된 거리는 지방 조직이 면적 내에서 관찰될 수 있는 이러한 면적을 특성화할 수 있다. 정의된 거리는 사용자에 의해 입력될 수 있거나 자동적으로 제공될 수 있다. 정의된 거리는 희망된 염증 지수에 따라 변동될 수 있다. 예를 들어, 주어진 치료를 평가하기 위한 혈관 모델에서의 특정 위치에 대한 염증 지수는 짧은 정의된 거리를 포함할 수 있다. 전체 혈관상을 평가하기 위한 염증 지수는 주어진 치료를 평가하기 위한 정의된 거리에 비해, 긴 정의된 거리를 포함할 수 있다.
단계(207)는 특정된 거리 내의 지방 조직의 양을 수량화하는 것을 포함할 수 있다. 대안적으로 또는 추가적으로, 단계(207)는 정의된 거리 내의 지방 조직의 가중화된 양을 수량화하는 것을 포함할 수 있고, 여기서, 백분율에 대한 각각의 지방 위치의 기여분은 선택된 관까지의 그 거리에 의해 가중화된다. 예를 들어, 지방 조직은 선택된 관에 밀접하게 인접하여 5 배만큼, 그리고 추출된 또는 식별된 EAT 부피의 제한들 또는 경계들에서 1 배만큼 가중화될 수 있다. "밀접하게 인접"은 사전-설정에 의해 정의될 수 있고, 자동적으로 결정될 수 있거나, 사용자 입력 거리 범위일 수 있다. 염증 지수는 수량화된 검출된 지방 조직에 기초하여 연산될 수 있다.
단계(207)의 또 다른 실시예는 지방 조직을 포함하는 정의된 거리 내의 복셀들의 백분율을 수량화하는 것 및/또는 지방 조직을 포함하는 정의된 거리 내의 복셀들의 가중화된 백분율을 수량화하는 것을 포함할 수 있고, 여기서, 복셀들의 백분율에 대한 각각의 복셀의 기여분은 관까지의 거리에 의해 가중화된다. 예를 들어, 단계(207)는 의학적 이미지로부터, 관으로부터의 정의된 거리 내의 지방 조직의 표현들을 포함하는 복셀들의 백분율을 결정하는 것을 포함할 수 있다. 검출된 지방 조직은 그 다음으로, 복셀들의 결정된 백분율에 기초하여, 이 단계(207)를 위하여 수량화될 수 있다. 단계(207)는 수량화된 검출된 지방 조직에 기초하여 염증 지수를 연산하는 것을 포함할 수 있다.
단계(207)는 지방 조직에 대해 법선인(예컨대, 수직인) 관 중심선으로부터의 거리를 계산하기 위하여 선택된 관의 관 중심선을 이용하는 것을 또한 포함할 수 있다. 이 관 법선을 이용하여, 법선 방향에서의 지방 조직의 거리-가중화된 또는 거리-비가중화된 백분율 또는 절대적인 양이 연산될 수 있다. 예를 들어, 단계(207)는 선택된 관의 중심선을 검출하거나 수신하는 것, 및 선택된 관의 중심선에 수직인 정의된 거리에 기초하여 지방 조직을 검출하는 것을 포함할 수 있다. 방법(200)은 관심 있는 혈관상에서의 하나 이상의 관 위치들에 대한 염증 지수들을 계산하는 것을 포함할 수 있다. 염증 지수들은 임의의 정의된 거리를 이용하여 염증을 계산하기 위한 임의의 방법을 이용하여 연산될 수 있다.
도 3은 본 개시내용의 예시적인 실시예에 따른, 지방 조직에 기초하여 심장혈관 질환 및 치료 유효성을 평가하기 위한 예시적인 방법(300)의 플로우차트이다. 방법(200)은 환자에서의 지방 조직의 표시자들로서의 염증 지수들을 연산하는 것을 논의하였다. 방법(300)은 이 연산된 염증 지수들에 기초하여 혈액 흐름 연산들을 개선시키는 것을 관련시킨다. 방법(300)은 환자 질환 및 치료를 평가하기 위하여 개선된 혈액 흐름 연산들을 이용하는 것을 추가로 수반한다.
하나의 실시예에서, 단계(301)는 환자의 관심 있는 혈관상과 구체적으로 연관된 물리학-기반 연산 유체 동역학 모델을 포함하는 혈액 흐름 모델을 수신하는 것을 포함할 수 있다. 예를 들어, 혈액 흐름 모델은 (예컨대, 단계(205)로부터의) 파라미터화된 기하학적 혈관 모델에 기초할 수 있다. 이러한 시나리오에서, 혈액 흐름 모델은 환자-특정적일 수 있고, 환자-특정적은 혈액 흐름 모델이 환자의 해부구조와 직접적으로 연관될 수 있고, 예컨대, 기하학적 혈관 모델로부터의 것일 수 있다는 것을 의미한다. 혈액 흐름 모델은 환자의 고유한 해부구조에 의해 기술될 수 있으므로, 각각의 환자는 별개의 혈액 흐름 모델을 가질 수 있다. 혈액 흐름 모델들의 다양한 실시예들은 예를 들어, "Method and System for Patient-Specific Modeling of Blood Flow"라는 명칭으로 2012년 11월 20일자로 등록된 미국 특허 제8,315,812호에서 개시되고, 이 미국 특허는 그 전체적으로 참조로 편입된다.
단계(301)의 혈액 흐름 모델은 경계 조건들을 포함할 수 있다. 경계 조건들은 그 경계들에서의 혈액 흐름 모델에 대한 정보, 예컨대, 유입 경계들(422)(도 4), 유출 경계들(424)(도 4), 관 벽 경계들(426)(도 4) 등을 제공할 수 있다. 유입 경계들(422)은 흐름이 경계들을 통해 대동맥 근부(aortic root) 근처의 대동맥(aorta)의 종단에서와 같이, 기하학적 혈관 모델(400)의 해부구조로 보내지는 이러한 경계들을 포함할 수 있다. 각각의 유입 경계(422)는 예컨대, 속도, 유량(flow rate), 압력, 또는 다른 특성을 위한 규정된 값 또는 필드로, 심장 모델 및/또는 합쳐진 파라미터 모델(lumped parameter model)을 경계에 결합함으로써 등으로 배정될 수 있다. 유출 경계들(424)은 흐름이 경계들을 통해, 대동맥궁(aortic arch) 근처의 대동맥의 종단 및 주 관상 동맥(coronary artery)들 및 그로부터 연장되는 가지들의 하향 단부들에서와 같이, 3-차원 모델의 해부구조로부터 외부를 향해 보내지는 이러한 경계들을 포함할 수 있다. 각각의 유출 경계는 예컨대, 합쳐진 파라미터 또는 분포된(예컨대, 1-차원 파 전파(one-dimensional wave propagation)) 모델을 결합함으로써 배정될 수 있다. 유입 및/또는 유출 경계 조건들을 위한 규정된 값들은 심장 출력(심장으로부터의 혈액 흐름의 부피), 혈압, 심근 질량(myocardial mass) 등과 같은, 그러나 이것으로 제한되지는 않는, 환자의 생리학적 특성들을 비침습적으로 측정함으로써 결정될 수 있다. 관 벽 경계들은 기하학적 혈관 모델(400)의 대동맥, 주 관상 동맥들, 및/또는 다른 관상 동맥들 또는 관들의 물리적 경계들을 포함할 수 있다.
단계(303)는 (예컨대, 단계(207)의) 연산된 염증 지수에 기초하여 혈액 흐름 연산을 수정하는 것을 포함할 수 있다. 하나의 실시예에서, 혈액 흐름 모델의 하나 이상의 경계 조건들은 충혈 동안의 감소된 미세혈관 반응을 반영하도록 수정될 수 있다. 그 다음으로, 단계(303)를 위하여, 미세혈관 저항(microvascular resistance)의 경계 조건은 화학적으로-유도된 충혈 또는 운동으로부터의 팽창(dilation)을 표현하기 위하여, 관에서의 평균(중위, 최대) 염증 지수에 기초하여 감소될 수 있다. 미세혈관 저항은 또한, 관에서의 좁아짐, 막힘, 또는 협착증을 표현하기 위하여 염증 지수에 기초하여 증가될 수 있다.
환자의 염증 지수에 기초하여 수정된 경계 조건(들)을 가지는 혈액 흐름 모델은 혈액 흐름 메트릭들, 예컨대, (FFRct를 포함하는) 분획 흐름 예비력을 연산하기 위하여 이용될 수 있다. 대안적으로 또는 추가적으로, 단계(303)는 혈액 흐름 메트릭들, 예컨대, FFRct 값들을 재연산하기 위하여 수정된 경계 조건들을 이용하는 것을 포함할 수 있다. 재연산된 혈액 흐름 메트릭들은 염증 지수들의 포함이 진단 정확도를 개선시키는지 여부를 결정하기 위하여 평가될 수 있다. 예를 들어, 재연산된 FFR은 침습적으로 측정된 FFR과 비교될 수 있다. 환자의 염증 지수에 기초하여 수정된 경계 조건(들)을 이용함으로써 재연산된 FFR이 염증 지수에 기초하여 수정된 경계 조건들 없이 연산된 FFR와 더 밀접하게 일치할 경우에, 염증 지수들이 비침습적 FFR 연산들의 정확도를 개선시키기 위하여 이용될 수 있다는 하나의 결론이 내려질 수 있다. 이러한 평가들은 염증 지수들이 혈액 흐름 메트릭들, 예컨대, 관 벽 전단 응력(shear stress), 축방향 힘(axial force)들, 혈압, 혈압 경도(blood pressure gradient)들, 경내강 감쇠 경도(transluminal attenuation gradient), 플라크 파열 위험, 색전증(embolism)의 위험 등의 비침습적, 시뮬레이팅된, 또는 예측된 연산들을 개선시킬 수 있는지 여부를 결정하기 위하여, FFR 이외의 혈액 흐름 메트릭들에 대하여 행해질 수 있다. 머신 학습 방법들은 생리학적 경계 조건들에서의 염증 지수 파라미터들을 조절하기 위하여 이용될 수 있다. 예를 들어, 머신 학습 기법들은 측정된 혈액 흐름 메트릭들에 대한 연산된 혈액 흐름 메트릭들, 예컨대, (침습적으로) 측정된 FFR 데이터에 대한 연산된 FFR의 예상된 정확도를 최적화하기 위하여 이용될 수 있다.
단계(305)는 연산된 염증 지수에 기초하여 혈액 흐름 연산을 수행하는 것을 포함할 수 있다. 예를 들어, 단계(305)는 단계(303)의 수정된 혈액 흐름 연산을 수행하는 것을 포함할 수 있다. 단계(307)는 환자의 심장혈관 질환 및 치료에 대한 반응을 평가하기 위하여 염증 지수를 이용하는 다수의 방법들을 포함할 수 있다. 예를 들어, 단계(307)는 (예컨대, 방법(200)으로부터 연산된) 염증 지수에 기초하여, 환자 질환 평가 또는 치료 유효성의 척도를 결정하는 것을 포함할 수 있다. 단계(307)는 환자 질환 평가 또는 치료 유효성의 결정된 척도를 디스플레이 또는 전자 저장 디바이스로 출력하는 것을 또한 포함할 수 있다. 전자 저장 디바이스는 예를 들어, 서버 시스템들(106), 제3자 제공자(들)(104), 및/또는 의사들(102)을 포함하는 도 1의 당사자들 중의 하나 이상에 의해 평가될 수 있다. 단계(307)의 일부 사례들 또는 환자 질환 또는 치료를 평가하기 위한 연산된 염증 지수의 이용들은 이하에서 포함된다. 이 단계들 중의 임의의 것은 방법(200)의 예시적인 단계들과 함께 이용될 수 있다.
하나의 실시예에서, 방법들(200 및/또는 300)은 충혈 동안의 감소된 미세혈관 반응을 반영하기 위하여 혈액 흐름 모델의 경계 조건들을 수정하는 것을 포함할 수 있다. 구체적으로, 관에서의 평균(중위, 최대) 염증 지수는 화학적으로-유도된 충혈 또는 운동으로부터의 팽창을 반영하기 위하여, 선택된 관에서의 미세혈관 저항의 값을 포함하는 경계 조건을 증가시키거나 감소시키기 위해 이용될 수 있다. 예를 들어, 지방 조직의 유형, 부피, 또는 조성은 휴식 조건들 하에서 혈관수축(vasoconstrict)하거나 증가된 혈액 흐름으로 혈관확장(vasodilate)하지 않는 관(들)과 연관될 수 있다. 더 큰 관들은 지방 조직으로부터의 휴식 조건들 하에서 혈관수축할 수 있다. 이에 반응하여, 미세혈관 저항은 큰 관들의 수축을 보상하도록 저하될 수 있다. 그 다음으로, 충혈 또는 운동 동안에, 미세혈관 저항은 전형적인 또는 건강한 환자의 휴식 상태에서의 미세혈관 저항보다 이미 더 낮으므로, 미세혈관 저항은 비-염증화된 또는 낮은 지방 조직 면적들/환자들에서보다 (휴식 상태 미세혈관 저항으로부터 충혈/운동 상태로) 더 적게 감소할 수 있다. 연산된 염증 지수는 환자의 지방 조직을 반영하므로, 선택된 관에서의 미세혈관 저항은 환자의 연산된 염증 지수에 기초하여 관의 수축성 기능에 대응하도록 조절될 수 있다. 혈액 흐름 연산은 그 다음으로, 수정된 경계 조건들을 갖는 혈액 흐름 모델을 이용하여 수행될 수 있다. 일부 실시예들에서, 혈액 흐름 연산은 FFRct 계산을 포함할 수 있다. 이 경우에, 질환 평가의 척도인, 결과적인 FFRct 점수가 수정될 것이다.
또 다른 실시예에서, 단계(307)는 연산된 염증 지수에 기초하여, 진단 혈액 흐름 메트릭의 해독 또는 임계치를 수정하는 것을 포함할 수 있다. (염증 지수에 의해 표시되거나, 수량화되거나, 측정된) 심외막 지방 조직은 관상 동맥 질환으로 연결될 수 있으므로, 환자의 연산된 염증 지수는 그것의 다른 진단 혈액 흐름 메트릭들이 어떻게 해독되는지에 영향을 줄 수 있다.
예를 들어, FFRct의 진단 혈액 흐름 메트릭에 대하여, 0.75 또는 0.8보다 더 낮은 FFRct 점수는 환자에서의 허혈(ischemia)의 표시자인 것으로 보편적으로 고려되고, 여기서, 허혈은 침습적 또는 중재적 조치들이 추천될 수 있는 심각성 레벨에 있다. 침습적 조치들은 혈관성형술(angioplasty) 또는 스텐팅(stenting)을 포함할 수 있다. 0.8보다 더 높은 FFRct 점수들은 건강한 환자, 또는 침습적 중재를 보증할 정도로 충분히 심각하지 않은 적어도 관 막힘을 표시하는 것으로서 간주될 수 있다. 단계(307)의 일부 실시예들에서, 연산된 염증 지수는 기존의 혈액 흐름 메트릭 임계치들을 "교정(calibrate)"하기 위하여 이용될 수 있다. 예를 들어, 0.8이 보편적으로 이용된 FFRct 임계치 값일 경우에, 하나의 시나리오는 환자의 연산된 염증 지수를 고려하여, FFRct 임계치 점수를 .83으로 조절하는 것을 관련시킬 수 있다.
다시 말해서, 이 특정한 환자를 위하여, 0.83(또는 더 낮음)의 FFRct 점수는 FFRct의 현재의 이용들과 대조적으로, 침습적 치료를 위한 추천을 촉구할 수 있고, 여기서, 침습적 치료는 0.8 이하의 FFRct 점수들을 갖는 환자들을 위하여 오직 추천될 수 있다. 하나의 특정한 실시예는 예컨대, 사용자들/환자들의 모집단(population)에 대하여 계산된 염증 지수들에 기초하여 임계치 염증 지수를 결정하는 것을 포함할 수 있고, 여기서, 임계치 염증 지수는 "높은" 염증 지수들 대 "낮은" 염증 지수들 사이의 객관적인 분할을 표현할 수 있다. 높은 염증 지수들은 환자의 심외막 지방 조직이 관상 동맥 질환의 그 발달을 증가시키고 있는 지방 조직의 수량들 또는 위치들을 표시할 수 있는 반면, 낮은 염증 지수들은 환자의 심외막 지방 조직이 그것의 관상 건강(coronary health)에 부정적으로 영향을 주고 있는 경우를 표시할 수 있다. 이 실시예에서, 사용자의 연산된 염증 지수가 결정된 임계치 염증 지수를 초과할 경우에, 그것의 FFRct 임계치 점수는 또한, 0.8의 기존의 임계치로부터 조절될 수 있다. 예를 들어, 조절된 FFRct 임계치 점수는 환자의 염증 지수가 임계치 염증 지수를 초과할 경우에 (0.8이 아니라) 0.83일 수 있다.
일부 경우들에는, 진단 메트릭 조절이 염증 지수의 함수를 진단 메트릭(예컨대, 염증 지수가 결정되는 관에서의 계산된 FFRct)에 가산하거나 감산하는 것을 수반할 수 있다. 단계(307)의 이 경우에, 환자의 질환 평가를 위한 척도는 수정된 진단 메트릭 임계치 점수(예컨대, 조절된 FFRct 임계치)에 대한 환자의 혈액 흐름 메트릭(예컨대, 연산된 FFRct)을 포함할 수 있다.
단계(307)의 또 다른 실시예는 관에서의 염증 지수들이 심장 질환에 어떻게 대응하는지를 이해하기 위하여 머신 학습을 이용하는 것을 포함할 수 있다. 예를 들어, 단계(307)는 환자의 선택된 관에서의 플라크의 국소적 진행 또는 퇴행을 예측하기 위하여 머신 학습 및 관에서의 연산된 염증 지수들을 이용하는 것을 포함할 수 있다. 머신 학습 기법을 훈련시키기 위한 하나의 접근법은, 플라크가 국소적 염증 지수가 제1 염증 지수 임계치를 초과할 경우에 진행한다는 것과, 플라크가 국소적 염증 지수가 제2 염증 지수 임계치 미만일 경우에 퇴행한다는 것을 예측하는 것을 포함할 수 있다. 제1 염증 지수 임계치 및 제2 염증 지수 임계치는 미리 설정될 수 있거나, 사용자에 의해 입력될 수 있거나, 머신 학습 프로세스들로부터 학습될 수 있거나, 모집단 데이터에 의해 유효성검사될 수 있거나, 그것의 조합일 수 있다. 이 경우에, 치료 유효성의 척도를 표시하는 예시적인 출력은 환자가 치료되지 않을 경우의 플라크 진행/퇴행의 예측을 포함할 수 있다.
단계(307)의 또 다른 실시예는 플라크 파열(플라크 취약성)의 가능성을 평가하기 위하여 염증 지수를 이용하는 것을 포함할 수 있다. 이 평가는 파열을 예측하기 위하여 플라크에 국소적인 염증 지수에 대해 머신 학습을 이용함으로써 수행될 수 있다. 대안적으로 또는 추가적으로, 이 평가는 플라크 벽 강도와 비교하여 플라크 응력(축방향, 벽 전단 등)을 연산하거나 계산하는 것을 포함할 수 있다. 이러한 시나리오에서, 플라크 벽 강도는 감소된 것으로서 연산적으로 취급될 수 있고, 여기서, 환자는 높은 염증 지수를 가진다. 이전에 설명된 바와 같이, "높은 염증 지수"는 환자의 연산된 염증 지수가 미리 결정된 "높은" 염증 지수 임계치를 초과하는 경우일 수 있다. 일부 경우들에는, 플라크 벽 강도는 높은 염증 지수가 식별될 때에 미리설정된 양만큼 감소될 수 있다. 다른 연산들에서, 플라크 벽 강도는 환자의 염증 지수가 높은 염증 지수 임계치를 초과하는 한도에 대응하는 양만큼 감소될 수 있다.
축약하면, 단계(307)는 연산된 염증 지수에 기초하여 환자 질환 평가 또는 치료 평가를 생성하는 것을 망라할 수 있다. 염증 지수, 환자 질환 평가, 또는 치료 평가의 정밀한 이용은 위에서 상술된 것들을 포함하는 많은 형태들을 취할 수 있다.
요약하면, 환자의 심외막 지방 조직은 심장혈관 질환의 그 위험에 충격을 줄 수 있다. 심외막 지방 조직은 또한, 치료에 대한 환자의 반응성에 영향을 줄 수 있다. 개시된 시스템들 및 방법들은 환자에서의 심외막 지방 조직의 효과들을 참작함으로써 과거의 심장혈관 질환 평가들 및 치료들을 개선시킨다. 특히, 개시된 실시예들은 환자의 심외막 지방 조직을 표현하기 위하여, 각각의 환자를 위한 염증 지수를 연산하는 것을 설명한다. 개시내용은 심장혈관 진단들, 예측들, 및 치료 추천들을 개선시키기 위하여 연산된 염증 지수를 이용하기 위한 방법들을 추가로 설명한다.
발명의 다른 실시예들은 본원에서 개시된 발명의 명세서 및 실시의 고려로부터 본 기술분야에서의 통상의 기술자들에게 분명할 것이다. 명세서 및 예들은 오직 예시적인 것으로서 고려되고, 발명의 진정한 범위 및 사상은 다음의 청구항들에 의해 표시된다는 것이 의도된다.
Claims (20)
- 지방 조직(adipose tissue)에 기초하여 심장혈관 질환(cardiovascular disease) 및 치료 유효성을 평가하기 위한 방법으로서,
환자의 혈관구조에서의 관심 있는 혈관상(vascular bed)을 식별하는 단계;
상기 환자의 식별된 관심 있는 혈관상의 의학적 이미지를 수신하는 단계;
상기 수신된 의학적 이미지에서 지방 조직을 식별하는 단계;
상기 환자의 식별된 관심 있는 혈관상의 표현을 포함하는 기하학적 혈관 모델을 수신하는 단계; 및
상기 식별된 지방 조직을 이용하여, 상기 기하학적 혈관 모델과 연관된 염증 지수를 연산하는 단계
를 포함하는, 방법. - 제1항에 있어서,
상기 관심 있는 혈관상에서의 선택된 관(vessel)을 수신하는 단계;
상기 관으로부터의 정의된 거리를 수신하는 단계 - 상기 정의된 거리는 지방 조직이 측정될 수 있는 상기 선택된 관으로부터의 거리임 -;
상기 의학적 이미지에 기초하여, 상기 관으로부터의 상기 정의된 거리 내의 지방 조직을 검출하는 단계; 및
상기 검출된 지방 조직을 수량화하는 단계
를 더 포함하는, 방법. - 제2항에 있어서,
상기 수량화된 검출된 지방 조직에 기초하여 상기 염증 지수를 연산하는 단계를 더 포함하는, 방법. - 제2항에 있어서,
상기 의학적 이미지로부터, 상기 관으로부터의 상기 정의된 거리 내의 지방 조직의 표현들을 포함하는 복셀들의 백분율을 결정하는 단계; 및
복셀들의 상기 결정된 백분율에 기초하여 상기 검출된 지방 조직을 수량화하는 단계
를 더 포함하는, 방법. - 제4항에 있어서,
상기 수량화된 검출된 지방 조직에 기초하여 상기 염증 지수를 연산하는 단계를 더 포함하는, 방법. - 제2항에 있어서,
상기 선택된 관의 중심선을 검출하는 단계; 및
상기 선택된 관의 중심선에 수직인 상기 정의된 거리에 기초하여 상기 지방 조직을 검출하는 단계
를 더 포함하는, 방법. - 제1항에 있어서,
상기 연산된 염증 지수에 기초하여 혈액 흐름 연산을 수정하는 단계를 더 포함하는, 방법. - 제1항에 있어서,
상기 연산된 염증 지수에 기초하여 환자 질환 평가 또는 치료 평가(treatment evaluation)를 생성하는 단계를 더 포함하는, 방법. - 지방 조직에 기초하여 심장혈관 질환 및 치료 유효성을 평가하기 위한 시스템으로서,
지방 조직에 기초하여 심장혈관 질환 및 치료 유효성을 평가하기 위한 명령어들을 저장하는 데이터 저장 디바이스; 및
방법을 수행하기 위하여 상기 명령어들을 실행하도록 구성된 프로세서
를 포함하고, 상기 방법은,
환자의 혈관구조에서의 관심 있는 혈관상을 식별하는 단계;
상기 환자의 식별된 관심 있는 혈관상의 의학적 이미지를 수신하는 단계;
상기 수신된 의학적 이미지에서 지방 조직을 식별하는 단계;
상기 환자의 식별된 관심 있는 혈관상의 표현을 포함하는 기하학적 혈관 모델을 수신하는 단계; 및
상기 식별된 지방 조직을 이용하여, 상기 기하학적 혈관 모델과 연관된 염증 지수를 연산하는 단계
를 포함하는, 시스템. - 제9항에 있어서, 상기 시스템은,
상기 관심 있는 혈관상에서의 선택된 관을 수신하고;
상기 관으로부터의 정의된 거리를 수신하고 - 상기 정의된 거리는 지방 조직이 측정될 수 있는 상기 선택된 관으로부터의 거리임 -;
상기 의학적 이미지에 기초하여, 상기 관으로부터의 상기 정의된 거리 내의 지방 조직을 검출하고;
상기 검출된 지방 조직을 수량화하도록
추가로 구성되는, 시스템. - 제10항에 있어서, 상기 시스템은,
상기 수량화된 검출된 지방 조직에 기초하여 상기 염증 지수를 연산하도록 추가로 구성되는, 시스템. - 제10항에 있어서, 상기 시스템은,
상기 의학적 이미지로부터, 상기 관으로부터의 상기 정의된 거리 내의 지방 조직의 표현들을 포함하는 복셀들의 백분율을 결정하고;
복셀들의 상기 결정된 백분율에 기초하여 상기 검출된 지방 조직을 수량화하도록
추가로 구성되는, 시스템. - 제12항에 있어서, 상기 시스템은,
상기 수량화된 검출된 지방 조직에 기초하여 상기 염증 지수를 연산하도록 추가로 구성되는, 시스템. - 제10항에 있어서, 상기 시스템은,
상기 선택된 관의 중심선을 검출하고;
상기 선택된 관의 중심선에 수직인 상기 정의된 거리에 기초하여 상기 지방 조직을 검출하도록
추가로 구성되는, 시스템. - 제9항에 있어서, 상기 시스템은,
상기 연산된 염증 지수에 기초하여 혈액 흐름 연산을 수정하도록 추가로 구성되는, 시스템. - 제9항에 있어서, 상기 시스템은,
상기 연산된 염증 지수에 기초하여 환자 질환 평가 또는 치료 평가를 생성하도록 추가로 구성되는, 시스템. - 지방 조직에 기초하여 심장혈관 질환 및 치료 유효성을 평가하는 방법을 수행하기 위한 컴퓨터-실행가능 프로그래밍 명령어들을 포함하는, 컴퓨터 시스템 상에서의 이용을 위한 비-일시적 컴퓨터 판독가능 매체로서, 상기 방법은,
환자의 혈관구조에서의 관심 있는 혈관상을 식별하는 단계;
상기 환자의 식별된 관심 있는 혈관상의 의학적 이미지를 수신하는 단계;
상기 수신된 의학적 이미지에서 지방 조직을 식별하는 단계;
상기 환자의 식별된 관심 있는 혈관상의 표현을 포함하는 기하학적 혈관 모델을 수신하는 단계; 및
상기 식별된 지방 조직을 이용하여, 상기 기하학적 혈관 모델과 연관된 염증 지수를 연산하는 단계
를 포함하는, 비-일시적 컴퓨터 판독가능 매체. - 제17항에 있어서, 상기 방법은,
상기 관심 있는 혈관상에서의 선택된 관을 수신하는 단계;
상기 관으로부터의 정의된 거리를 수신하는 단계 - 상기 정의된 거리는 지방 조직이 측정될 수 있는 상기 선택된 관으로부터의 거리임 -;
상기 의학적 이미지에 기초하여, 상기 관으로부터의 상기 정의된 거리 내의 지방 조직을 검출하는 단계; 및
상기 검출된 지방 조직을 수량화하는 단계
를 더 포함하는, 비-일시적 컴퓨터 판독가능 매체. - 제18항에 있어서, 상기 방법은,
상기 수량화된 검출된 지방 조직에 기초하여 상기 염증 지수를 연산하는 단계를 더 포함하는, 비-일시적 컴퓨터 판독가능 매체. - 제18항에 있어서, 상기 방법은,
상기 의학적 이미지로부터, 상기 관으로부터의 상기 정의된 거리 내의 지방 조직의 표현들을 포함하는 복셀들의 백분율을 결정하는 단계; 및
복셀들의 상기 결정된 백분율에 기초하여 상기 검출된 지방 조직을 수량화하는 단계
를 더 포함하는, 비-일시적 컴퓨터 판독가능 매체.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862746972P | 2018-10-17 | 2018-10-17 | |
| US62/746,972 | 2018-10-17 | ||
| PCT/US2019/056541 WO2020081686A1 (en) | 2018-10-17 | 2019-10-16 | Systems and methods for assessing cardiovascular disease and treatment effectiveness from adipose tissue |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210076944A true KR20210076944A (ko) | 2021-06-24 |
Family
ID=68426898
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020217014267A KR20210076944A (ko) | 2018-10-17 | 2019-10-16 | 지방 조직으로부터 심장혈관 질환 및 치료 유효성을 평가하기 위한 시스템들 및 방법들 |
Country Status (8)
| Country | Link |
|---|---|
| US (5) | US11462329B2 (ko) |
| EP (1) | EP3867927A1 (ko) |
| JP (1) | JP7398447B2 (ko) |
| KR (1) | KR20210076944A (ko) |
| CN (1) | CN112840408A (ko) |
| AU (1) | AU2019361965A1 (ko) |
| CA (1) | CA3112356A1 (ko) |
| WO (1) | WO2020081686A1 (ko) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11195278B2 (en) * | 2017-04-06 | 2021-12-07 | Koninklijke Philips N.V. | Fractional flow reserve simulation parameter customization, calibration and/or training |
| US10813612B2 (en) | 2019-01-25 | 2020-10-27 | Cleerly, Inc. | Systems and method of characterizing high risk plaques |
| WO2021026125A1 (en) * | 2019-08-05 | 2021-02-11 | Elucid Bioimaging Inc. | Combined assessment of morphological and perivascular disease markers |
| AU2021205821A1 (en) | 2020-01-07 | 2022-07-21 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
| 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 |
| CN113205488B (zh) * | 2021-04-19 | 2023-12-29 | 深圳睿心智能医疗科技有限公司 | 血流特性预测方法、装置、电子设备及存储介质 |
| US20230289963A1 (en) | 2022-03-10 | 2023-09-14 | Cleerly, Inc. | Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8315812B2 (en) | 2010-08-12 | 2012-11-20 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
| US10398386B2 (en) * | 2012-09-12 | 2019-09-03 | Heartflow, Inc. | Systems and methods for estimating blood flow characteristics from vessel geometry and physiology |
| US9805463B2 (en) * | 2013-08-27 | 2017-10-31 | Heartflow, Inc. | Systems and methods for predicting location, onset, and/or change of coronary lesions |
| GB201414496D0 (en) * | 2014-08-15 | 2014-10-01 | Isis Innovation | Method |
| EP3282936B1 (en) * | 2015-04-17 | 2020-08-19 | HeartFlow, Inc. | Systems and methods for assessment of tissue function based on vascular disease |
| US10872698B2 (en) * | 2015-07-27 | 2020-12-22 | Siemens Healthcare Gmbh | Method and system for enhancing medical image-based blood flow computations using physiological measurements |
| EP3531917B1 (en) * | 2016-10-31 | 2023-01-25 | Oxford University Innovation Limited | Method of detecting vascular inflammation |
| CN110546646A (zh) * | 2017-03-24 | 2019-12-06 | 帕伊医疗成像有限公司 | 用于基于机器学习来评估血管阻塞的方法和系统 |
-
2019
- 2019-10-16 CN CN201980068508.6A patent/CN112840408A/zh active Pending
- 2019-10-16 WO PCT/US2019/056541 patent/WO2020081686A1/en unknown
- 2019-10-16 AU AU2019361965A patent/AU2019361965A1/en active Pending
- 2019-10-16 EP EP19797954.5A patent/EP3867927A1/en active Pending
- 2019-10-16 KR KR1020217014267A patent/KR20210076944A/ko unknown
- 2019-10-16 US US16/654,698 patent/US11462329B2/en active Active
- 2019-10-16 JP JP2021520384A patent/JP7398447B2/ja active Active
- 2019-10-16 CA CA3112356A patent/CA3112356A1/en active Pending
-
2021
- 2021-03-31 US US17/218,844 patent/US11127503B2/en active Active
- 2021-08-17 US US17/403,956 patent/US11295865B2/en active Active
-
2022
- 2022-09-07 US US17/930,090 patent/US11817219B2/en active Active
-
2023
- 2023-10-10 US US18/483,759 patent/US20240038398A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| EP3867927A1 (en) | 2021-08-25 |
| CA3112356A1 (en) | 2020-04-23 |
| US11462329B2 (en) | 2022-10-04 |
| JP2022504889A (ja) | 2022-01-13 |
| US20200126672A1 (en) | 2020-04-23 |
| WO2020081686A1 (en) | 2020-04-23 |
| US20230005622A1 (en) | 2023-01-05 |
| US20210375476A1 (en) | 2021-12-02 |
| US20240038398A1 (en) | 2024-02-01 |
| US11127503B2 (en) | 2021-09-21 |
| CN112840408A (zh) | 2021-05-25 |
| US20210217534A1 (en) | 2021-07-15 |
| US11817219B2 (en) | 2023-11-14 |
| US11295865B2 (en) | 2022-04-05 |
| AU2019361965A1 (en) | 2021-04-15 |
| JP7398447B2 (ja) | 2023-12-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11817219B2 (en) | Systems and methods for assessing cardiovascular disease and treatment effectiveness from adipose tissue | |
| US11887305B1 (en) | Systems and methods for identifying personalized vascular implants from patient-specific anatomic data | |
| US20220265239A1 (en) | Systems and methods for assessing the severity of plaque and/or stenotic lesions using contrast distribution predictions and measurements | |
| US11660143B2 (en) | Systems and methods for diagnosis and assessment of cardiovascular disease by comparing arterial supply capacity to end-organ demand | |
| US10595790B2 (en) | Method and system for personalized non-invasive hemodynamic assessment of renal artery stenosis from medical images | |
| US10130266B2 (en) | Method and system for prediction of post-stenting hemodynamic metrics for treatment planning of arterial stenosis | |
| KR102401542B1 (ko) | 관동맥 병변들의 위치, 발병, 및/또는 변화를 예측하기 위한 시스템들 및 방법들 |