KR20220124217A - 의료 영상 분석, 진단, 위험도 층화, 의사 결정 및/또는 질환 추적을 위한 시스템, 방법 및 디바이스 - Google Patents

의료 영상 분석, 진단, 위험도 층화, 의사 결정 및/또는 질환 추적을 위한 시스템, 방법 및 디바이스 Download PDF

Info

Publication number
KR20220124217A
KR20220124217A KR1020227026869A KR20227026869A KR20220124217A KR 20220124217 A KR20220124217 A KR 20220124217A KR 1020227026869 A KR1020227026869 A KR 1020227026869A KR 20227026869 A KR20227026869 A KR 20227026869A KR 20220124217 A KR20220124217 A KR 20220124217A
Authority
KR
South Korea
Prior art keywords
plaque
medical image
vessel
view
parameters
Prior art date
Application number
KR1020227026869A
Other languages
English (en)
Inventor
제임스 케이 민
제임스 피 얼스
마르케스 휴고 미구엘 로드리게스
Original Assignee
클리어리, 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 클리어리, 인크. filed Critical 클리어리, 인크.
Publication of KR20220124217A publication Critical patent/KR20220124217A/ko

Links

Images

Classifications

    • 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
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
    • 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
    • A61B5/72—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
    • 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
    • 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
    • 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
    • A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/46—Arrangements for interfacing with the operator or the patient
    • A61B6/461—Displaying means of special interest
    • A61B6/463—Displaying means of special interest characterised by displaying multiple images or images and diagnostic data on one display
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/46—Arrangements for interfacing with the operator or the patient
    • A61B6/467—Arrangements for interfacing with the operator or the patient characterised by special input means
    • 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
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • 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
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0891—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/12—Diagnosis using ultrasonic, sonic or infrasonic waves in body cavities or body tracts, e.g. by using catheters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/13—Tomography
    • A61B8/14—Echo-tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K49/00—Preparations for testing in vivo
    • A61K49/04—X-ray contrast preparations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06K9/6215—
    • G06K9/627—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0062—Arrangements for scanning
    • A61B5/0066—Optical coherence imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1076—Measuring physical dimensions, e.g. size of the entire body or parts thereof for measuring dimensions inside body cavities, e.g. using catheters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/037—Emission tomography
    • 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
    • A61B6/58—Testing, adjusting or calibrating thereof
    • A61B6/582—Calibration
    • A61B6/583—Calibration using calibration phantoms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/58—Testing, adjusting or calibrating the diagnostic device
    • A61B8/587—Calibration phantoms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10108—Single photon emission computed tomography [SPECT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20101—Interactive definition of point of interest, landmark or seed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Evolutionary Computation (AREA)
  • Optics & Photonics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physiology (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Vascular Medicine (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Quality & Reliability (AREA)
  • Pulmonology (AREA)
  • Signal Processing (AREA)

Abstract

본 명세서의 개시내용은 의료 영상 분석, 진단, 위험도 층화, 의사 결정 및/또는 질환 추적을 위한 시스템, 방법 및 디바이스에 관한 것이다. 몇몇 실시예에서, 본 명세서에 설명된 시스템, 디바이스 및 방법은 대상의 비침습적 의료 영상을 분석하여 플라크 및 혈관과 같은 하나 이상의 특징을 자동으로 및/또는 동적으로 식별하고 그리고/또는 방사선 밀도, 방사선 밀도 조성, 체적, 방사선 밀도 이질성, 기하학 형상, 위치, 및/또는 기타와 같은 하나 이상의 정량화된 플라크 파라미터를 도출하도록 구성된다. 몇몇 실시예에서, 본 명세서에 설명된 시스템, 디바이스 및 방법은 식별된 특징 및/또는 정량화된 파라미터 중 하나 이상을 사용하여 원시 의료 영상으로부터 플라크 기반 질환의 하나 이상의 평가를 생성하도록 추가로 구성된다.

Description

의료 영상 분석, 진단, 위험도 층화, 의사 결정 및/또는 질환 추적을 위한 시스템, 방법 및 디바이스
관련 출원에 대한 상호 참조
본 출원은 2020년 1월 7일 출원되고 발명의 명칭이 "심혈관 영상 분석, 진단, 위험도 층화, 의사 결정 및/또는 질환 추적을 위한 시스템, 방법, 및 디바이스(SYSTEMS, METHODS, AND DEVICES FOR CARDIOVASCULAR IMAGE ANALYSIS, DIAGNOSIS, RISK STRATIFICATION, DECISION MAKING AND/OR DISEASE TRACKING)"인 37 C.F.R. § 1.57 하에서 본 명세서에 그대로 참조로서 합체되어 있는 미국 가특허 출원 제62/958,032호의 이익을 주장한다. 외국 또는 국내 우선권 주장이 본 출원과 함께 제출된 출원 데이터 시트에서 식별되어 있는 임의의 및 모든 출원은 37 C.F.R. § 1.57 하에서 본 명세서에 참조로서 합체되어 있다.
분야
본 출원은 의료 영상 분석, 진단, 위험도 층화(risk stratification), 의사 결정(decision making) 및/또는 질환 추적을 위한 시스템, 방법 및 디바이스에 관한 것이다.
관상 동맥 심장 질환은 1,760만명 초과의 미국인에게 영향을 미치고 있다. 심혈관 건강 문제를 치료하는 현재의 경향은 일반적으로 두 가지이다. 첫째, 의사는 일반적으로, 예를 들어 환자의 혈류에 높은 레벨의 콜레스테롤 요소가 있는지 여부를 결정하기 위해 환자의 생화학 또는 혈액 내용물 또는 바이오마커를 분석함으로써, 거시적 레벨로부터 환자의 심혈관 건강을 검토한다. 높은 레벨의 콜레스테롤에 응답하여, 몇몇 의사는 환자의 혈류 내의 높은 레벨의 콜레스테롤 요소로서 인지되는 것을 감소시키기 위해 치료 계획의 부분으로서, 스타틴과 같은 하나 이상의 약물을 처방할 것이다.
현재 심혈관 건강 문제를 치료하기 위한 제2 일반적인 경향은 의사가 환자의 다양한 동맥 내의 큰 폐색을 식별하기 위해 혈관 조영술의 사용을 통해 환자의 심혈관 건강을 평가하는 것을 수반한다. 다양한 동맥 내의 큰 폐색을 발견한 것에 응답하여, 의사는 몇몇 경우에 벌룬 카테터가 혈관 내의 좁아지는 지점까지 안내되는 혈관 성형 시술을 수행할 것이다. 적절하게 위치된 후, 벌룬은 플라크 또는 지방 물질을 동맥 벽 내로 압축하거나 평탄화하고 그리고/또는 동맥을 신장시켜 개방하여 혈관을 통해 및/또는 심장으로의 혈액의 유동을 증가시키기 위해 팽창된다. 몇몇 경우에, 혈관 내에 스텐트를 위치시키고 팽창시켜 플라크를 압축하고 그리고/또는 혈관의 개방을 유지하여 더 많은 혈액이 유동할 수 있게 하도록 벌룬이 사용된다. 미국에서는 매년 약 500,000건의 심장 스텐트 시술이 수행된다.
그러나, 최근 연방에서 1억 달러를 지원한 연구에서는 심혈관 질환을 치료하는데 있어서의 현재의 경향이 모든 유형의 환자에게 가장 효과적인 치료인지 여부에 대한 의문을 제기한다. 최근 연구는 37개국 320개의 장소로부터 중등도 내지 중증 안정성 심장 질환이 있는 5,000명 초과의 환자를 대상으로 했으며, 스텐트와 우회 수술 절차가 안정성 심장 질환이 있는 사람들을 위한 생활 습관 변화와 조합된 약물보다 더 효과적이지 않을 가능성이 있다는 것을 보여주는 새로운 증거를 제공했다. 이에 따라, 안정성 심장 질환이 있는 환자가 혈관 성형술 및/또는 심장 우회술과 같은 침습적 수술 절차를 받지 않고, 대신에 스타틴과 같은 심장약, 및 규칙적인 운동과 같은 특정 생활 습관 변화를 처방받는 것이 더 유리할 수도 있다. 이 새로운 치료 요법은 전세계적으로 수천 명의 환자에게 영향을 미칠 수 있다. 미국에서 연간 수행되는 약 500,000건의 심장 스텐트 시술 중에서, 1/5이 안정성 심장 질환이 있는 사람들을 위한 것으로 추정된다. 안정성 심장 질환이 있는 약 100,000명 중 25% 또는 대략 23,000명이 흉통을 경험하지 않는 개인인 것으로 또한 추정된다. 이에 따라, 연간 20,000명 초과의 환자가 침습적 수술 절차 또는 이러한 절차로 인한 합병증을 잠재적으로 받지 않을 수 있다.
환자가 침습적 수술 절차를 받지 않고 대신에 약물 요법을 선택해야 하는지 여부를 결정하기 위해, 환자의 심혈관 질환을 더 완전히 이해하는 것이 중요할 수 있다. 특히, 환자의 동맥 혈관 건강을 더 양호하게 이해하는 것이 유리할 수 있다.
본 명세서에 설명된 다양한 실시예는 의료 영상 분석, 진단, 위험도 층화, 의사 결정 및/또는 질환 추적을 위한 시스템, 방법 및 디바이스에 관한 것이다.
특히, 몇몇 실시예에서, 본 명세서에 설명된 시스템, 디바이스 및 방법은, 예를 들어 하나 이상의 관상 동맥 및/또는 그 내의 플라크를 식별하기 위해 자동으로 및/또는 동적으로 의료 영상을 분석하도록 구성된 컴퓨터 시스템에 입력될 수 있는 CT 영상과 같은 비침습적 의료 영상 기술을 이용하도록 구성된다. 예를 들어, 몇몇 실시예에서, 시스템은 하나 이상의 관상 동맥 및/또는 플라크를 식별, 정량화, 및/또는 분류하기 위해 의료 영상을 자동으로 및/또는 동적으로 분석하기 위해 하나 이상의 기계 학습 및/또는 인공 지능 알고리즘을 이용하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 예를 들어, 하나 이상의 인공 지능 및/또는 기계 학습 알고리즘을 사용하여, 치료 계획을 생성하고, 질환 진행을 추적하고, 그리고/또는 환자-특정 의료 보고를 생성하기 위해 식별, 정량화 및/또는 분류된 하나 이상의 관상 동맥 및/또는 플라크를 이용하도록 추가로 구성될 수 있다. 몇몇 실시예에서, 시스템은 예를 들어 그래픽 사용자 인터페이스의 형태로 식별, 정량화 및/또는 분류된 하나 이상의 관상 동맥 및/또는 플라크의 시각화를 동적으로 및/또는 자동으로 생성하도록 추가로 구성될 수 있다. 또한, 몇몇 실시예에서, 상이한 의료 영상 스캐너 및/또는 상이한 스캔 파라미터 또는 환경으로부터 획득된 의료 영상을 보정하기 위해, 시스템은 하나 이상의 물질의 하나 이상의 구획을 포함하는 정규화 디바이스를 이용하도록 구성될 수 있다.
몇몇 실시예에서, 알고리즘 기반 의료 영상 분석을 위한 대상의 관상 영역의 의료 영상의 정규화를 용이하게 하도록 구성된 정규화 디바이스가 제공되고, 정규화 디바이스는 폭, 길이 및 깊이 치수를 갖는 기판으로서, 기판은 근위 표면 및 원위 표면을 갖고, 근위 표면은 대상의 신체 부분의 표면에 인접하게 배치되도록 구성되는, 기판; 기판 내에 위치된 복수의 구획으로서, 복수의 구획의 각각은 공지의 물질의 샘플을 보유하도록 구성되고, 여기서: 복수의 구획의 제1 서브세트는 조영제 물질의 적어도 하나의 샘플을 보유하고, 복수의 구획의 제2 서브세트는 알고리즘 기반 의료 영상 분석에 의해 분석될 물질을 나타내는 물질의 샘플을 보유하고, 물질을 나타내는 물질의 샘플은 칼슘 1000 HU, 칼슘 220 HU, 칼슘 150 HU, 칼슘 130 HU 및 30 HU의 저감쇠 물질 중 적어도 2개를 포함하고, 복수의 구획의 제3 서브세트는 팬텀 물질의 적어도 하나의 샘플을 보유하는, 복수의 구획; 및 기판의 근위 표면 상에 있고 정규화 디바이스를 환자의 신체 부분에 접착하도록 구성된 접착제를 포함한다.
정규화 디바이스의 몇몇 실시예에서, 분석될 물질을 나타내는 물질의 샘플은 칼슘 1000 HU, 칼슘 220 HU, 칼슘 150 HU, 칼슘 130 HU 및 30 HU의 저감쇠 물질을 포함한다. 정규화 디바이스의 몇몇 실시예에서, 적어도 하나의 조영제 물질은 요오드, Gad, 탄탈륨, 텅스텐, 금, 비스무트, 또는 이테르븀 중 하나 이상을 포함하고; 팬텀 물질의 적어도 하나의 샘플은 물, 지방, 칼슘, 요산, 공기, 철 또는 혈액 중 하나 이상을 포함한다.
정규화 디바이스의 몇몇 실시예에서, 기판은 제1 층으로서, 복수의 구획 중 적어도 몇몇은 제1 배열로 제1 층에 위치되는, 제1 층; 및 제1 층 위에 위치된 제2 층으로서, 복수의 구획 중 적어도 몇몇은 제2 배열을 포함하는 제2 층에 위치되는, 제2 층을 포함한다. 정규화 디바이스의 몇몇 실시예에서, 구획 중 적어도 하나는, 샘플이 자체 밀봉 구획 내로 주입될 수 있고 구획이 주입된 물질을 수용하도록 밀봉되도록, 자체 밀봉되도록 구성된다.
몇몇 실시예에서, 정규화 디바이스를 사용하여 알고리즘 기반 의료 영상 분석을 위해 의료 영상을 정규화하기 위한 컴퓨터 구현 방법이 제공되고, 의료 영상의 정규화는 알고리즘 기반 의료 영상 분석의 정확도를 개선시키고, 방법은 컴퓨터 시스템에 의해, 대상의 관상 영역 및 정규화 디바이스의 제1 의료 영상에 액세스하는 단계로서, 제1 의료 영상은 비침습적으로 획득되는, 액세스 단계; 컴퓨터 시스템에 의해, 대상의 관상 영역 및 정규화 디바이스의 제2 의료 영상에 액세스하는 단계로서, 제2 의료 영상은 비침습적으로 획득되고, 제1 의료 영상 및 제2 의료 영상은 이하의 적어도 하나를 포함하는데: 제1 의료 영상의 캡처와 연관된 하나 이상의 제1 가변 획득 파라미터는 제2 의료 영상의 캡처와 연관된 대응하는 하나 이상의 제2 가변 획득 파라미터와 상이하고, 제1 의료 영상을 캡처하는 데 사용되는 제1 영상 캡처 기술은 제2 의료 영상을 캡처하는 데 사용되는 제2 영상 캡처 기술과 상이하며, 제1 의료 영상의 캡처 동안 사용된 제1 조영제는 제2 의료 영상의 캡처 동안 사용된 제2 조영제와 상이한, 액세스 단계; 컴퓨터 시스템에 의해, 제1 의료 영상 내에서 정규화 디바이스의 제1 영상 파라미터를 식별하는 단계; 제1 의료 영상 내의 정규화 디바이스의 제1 식별된 영상 파라미터에 부분적으로 기초하여 알고리즘 기반 의료 영상 분석을 위한 정규화된 제1 의료 영상을 생성하는 단계; 컴퓨터 시스템에 의해, 제2 의료 영상 내에서 정규화 디바이스의 제2 영상 파라미터를 식별하는 단계; 및 제2 의료 영상 내의 정규화 디바이스의 제2 식별된 영상 파라미터에 부분적으로 기초하여 알고리즘 기반 의료 영상 분석을 위한 정규화된 제2 의료 영상을 생성하는 단계를 포함하고; 컴퓨터 시스템은 컴퓨터 프로세서 및 전자 저장 매체를 포함한다. 정규화 디바이스를 사용하여 알고리즘 기반 의료 영상 분석을 위해 의료 영상을 정규화하기 위한 컴퓨터 구현 방법의 몇몇 실시예에서, 알고리즘 기반 의료 영상 분석은 인공 지능 또는 기계 학습 영상 분석 알고리즘을 포함하고, 인공 지능 또는 기계 학습 영상 분석 알고리즘은 정규화 디바이스를 포함하는 영상을 사용하여 훈련된다.
몇몇 실시예에서, 의료 영상을 정규화하기 위한 컴퓨터 구현 방법을 사용하여 비침습적 의료 영상 분석에 기초하여 대상의 관상 영역 내의 관상 플라크를 정량화하고 분류하는 컴퓨터 구현 방법이 제공되고, 방법은 컴퓨터 시스템에 의해, 제1 정규화된 의료 영상에 액세스하는 단계; 관상 동맥 식별 알고리즘을 이용하는 컴퓨터 시스템에 의해, 제1 정규화된 의료 영상 내의 하나 이상의 관상 동맥을 식별하는 단계로서, 관상 동맥 식별 알고리즘은 입력으로서 원시 의료 영상을 이용하도록 구성되는, 식별 단계; 플라크 식별 알고리즘을 이용하는 컴퓨터 시스템에 의해, 제1 정규화된 의료 영상으로부터 식별된 하나 이상의 관상 동맥 내의 플라크의 하나 이상의 영역을 식별하는 단계로서, 플라크 식별 알고리즘은 입력으로서 원시 의료 영상을 이용하도록 구성되는, 식별 단계; 컴퓨터 시스템에 의해, 제1 정규화된 의료 영상으로부터 플라크의 하나 이상의 식별된 영역의 하나 이상의 혈관 형태 파라미터 및 정량화된 플라크 파라미터의 세트를 결정하는 단계로서, 정량화된 플라크 파라미터의 세트는 제1 정규화된 의료 영상 내의 플라크의 하나 이상의 영역의 표면적에 대한 체적의 비 또는 함수, 이질성 지수, 기하학 형상, 및 방사선 밀도를 포함하는, 결정 단계; 컴퓨터 시스템에 의해, 결정된 하나 이상의 혈관 형태 파라미터의 가중 측정치 및 플라크의 하나 이상의 영역의 정량화된 플라크 파라미터의 세트를 생성하는 단계; 컴퓨터 시스템에 의해, 결정된 하나 이상의 혈관 형태 파라미터 및 정량화된 플라크 파라미터의 결정된 세트의 생성된 가중 측정치에 적어도 부분적으로 기초하여 제1 정규화된 의료 영상 내의 플라크의 하나 이상의 영역을 안정 플라크 또는 불안정 플라크로서 분류하는 단계를 포함한다.
비침습적 의료 영상 분석에 기초하여 대상의 관상 영역 내의 관상 플라크를 정량화하고 분류하는 컴퓨터 구현 방법의 몇몇 실시예에서, 미리 결정된 임계값 미만의 플라크의 하나 이상의 영역의 표면적에 대한 체적의 비는 안정 플라크를 나타낸다. 비침습적 의료 영상 분석에 기초하여 대상의 관상 영역 내의 관상 플라크를 정량화하고 분류하는 컴퓨터 구현 방법의 몇몇 실시예에서, 미리 결정된 임계값 미만의 플라크의 하나 이상의 영역의 이질성은 안정 플라크를 나타낸다. 비침습적 의료 영상 분석에 기초하여 대상의 관상 영역 내의 관상 플라크를 정량화하고 분류하는 컴퓨터 구현 방법의 몇몇 실시예에서, 플라크의 하나 이상의 영역의 이질성 지수는 플라크의 하나 이상의 영역을 가로지르는 방사선 밀도 값의 공간 맵핑을 생성함으로써 결정된다.
비침습적 의료 영상 분석에 기초하여 대상의 관상 영역 내의 관상 동맥 플라크를 정량화하고 분류하는 컴퓨터 구현 방법의 몇몇 실시예에서, 방법은 컴퓨터 시스템에 의해, 분류된 플라크의 하나 이상의 영역에 적어도 부분적으로 기초하여 죽상동맥경화증, 협착증 또는 허혈 중 하나 이상에 대한 대상의 평가를 생성하는 단계를 더 포함한다. 비침습적 의료 영상 분석에 기초하여 대상의 관상 영역 내의 관상 동맥 플라크를 정량화하고 분류하는 컴퓨터 구현 방법의 몇몇 실시예에서, 의료 영상은 CT, x-레이, 초음파, 심장초음파, 혈관내 초음파(IVUS), MR 영상, 광 간섭 단층 촬영(OCT), 핵의학 영상, 양전자 방출 단층 촬영(PET), 단일 광자 방출 컴퓨터 단층 촬영(SPECT) 또는 근거리 적외선 분광법(NIRS) 중 하나 이상을 포함하는 영상 기술을 사용하여 획득된다. 비침습적 의료 영상 분석에 기초하여 대상의 관상 영역 내의 관상 동맥 플라크를 정량화하고 분류하는 컴퓨터 구현 방법의 몇몇 실시예에서, 하나 이상의 혈관 형태 파라미터는 동맥 리모델링의 분류를 포함한다.
몇몇 실시예에서, 의료 영상을 정규화하기 위한 컴퓨터 구현 방법을 사용하여 CT 영상 및 대응 정보를 분석하기 위한 방법이 제공되고, 방법은 컴퓨터 실행 가능 명령, 환자의 대상의 관상 혈관의 컴퓨터 단층 촬영(CT) 영상의 세트, 혈관 라벨, 및 관상 혈관의 세그먼트의 협착 및 플라크를 나타내는 정보, 및 관상 혈관의 위치를 나타내는 정보를 포함하는 CT 영상의 세트와 연관된 동맥 정보를 포함하는 제1 정규화된 의료 영상을 저장하는 단계; CT 영상에 기초하여 관상 혈관의 3차원(3D) 표현을 포함하는 동맥 트리를 포함하고, CT 영상에서 식별된 관상 혈관을 묘사하고, 세그먼트 라벨을 묘사하는 제1 패널을 생성하여 사용자 인터페이스에 디스플레이하는 단계 - 동맥 트리는 동맥 트리의 분지 사이에 심장 조직을 포함하지 않음 -; 제1 패널의 동맥 트리에서 관상 혈관의 선택을 나타내는 제1 입력을 수신하는 단계; 제1 입력에 응답하여, 적어도 하나의 직선화된 다평면 혈관(SMPR) 뷰에서 선택된 관상 혈관의 적어도 일부를 예시하는 제2 패널을 생성하여 사용자 인터페이스 상에 디스플레이하는 단계; 선택된 관상 혈관의 단면 뷰를 보여주는 제3 패널을 생성하여 사용자 인터페이스에 디스플레이하는 단계로서, 단면 뷰는 선택된 관상 혈관의 CT 영상의 세트 중 하나를 사용하여 생성되고, 적어도 하나의 SMPR 뷰를 따른 위치는 각각 CT 영상의 세트의 CT 영상 중 하나와 연관되어, 적어도 하나의 SMPR 뷰에서 관상 혈관을 따른 특정 위치의 선택이 제3 패널의 단면 뷰에서 연관된 CT 영상을 디스플레이하게 하는 생성 및 디스플레이 단계; 저장된 CT 영상의 세트에 기초하여 선택된 관상 혈관의 적어도 하나의 해부학적 평면 뷰를 보여주는 제4 패널을 생성하여 사용자 인터페이스 상에 디스플레이하는 단계를 포함하고, 방법은 하나 이상의 비일시적 컴퓨터 저장 매체 상에 저장된 컴퓨터 실행 가능 명령을 실행하는 하나 이상의 컴퓨터 하드웨어 프로세서에 의해 수행된다.
CT 영상 및 대응 정보를 분석하기 위한 방법의 몇몇 실시예에서, 하나 이상의 해부학적 평면 뷰는 선택된 관상 혈관에 각각 대응하는 축면 평면 뷰, 관상면 평면 뷰 및 시상면 평면 뷰를 포함한다. CT 영상 및 대응 정보를 분석하기 위한 방법의 몇몇 실시예에서, 방법은 적어도 하나의 SMPR 뷰에서 선택된 관상 혈관을 따른 제1 위치를 나타내는 제2 입력을 사용자 인터페이스의 제2 패널 상에서 수신하고, 제2 입력에 응답하여, 선택된 관상 혈관의 제1 위치와 연관된 CT 영상을 생성하여 제3 패널에 단면 뷰로 디스플레이하고, 제1 위치에서 선택된 관상 혈관에 대응하는 선택된 관상 혈관의 축면 평면 뷰, 관상면 평면 뷰, 및 시상면 평면 뷰를 생성하여 제4 패널에 디스플레이하는 단계를 더 포함한다. CT 영상 및 대응 정보를 분석하기 위한 방법의 몇몇 실시예에서, 방법은 적어도 하나의 SMPR 뷰에서 선택된 관상 혈관을 따른 제2 위치를 나타내는 제3 입력을 사용자 인터페이스의 제2 패널 상에서 수신하고, 제3 입력에 응답하여, 선택된 관상 혈관의 제2 위치와 연관된 CT 영상을 생성하여 제3 패널에 단면 뷰로 디스플레이하고, 제2 위치에서 선택된 관상 혈관에 대응하는 선택된 관상 혈관의 축면 평면 뷰, 관상면 평면 뷰, 및 시상면 평면 뷰를 생성하여 제4 패널에 디스플레이하는 단계를 더 포함한다.
CT 영상 및 대응 정보를 분석하기 위한 방법의 몇몇 실시예에서, 방법은 동맥 정보를 사용하여, 세그먼트의 이름을 나타내는, 동맥 트리 상의 각각의 세그먼트에 근접한 세그먼트 이름 라벨을 생성하여 디스플레이하는 단계를 더 포함하고, 사용자 인터페이스 상에 디스플레이된 제1 세그먼트 이름 라벨의 입력 선택에 응답하여, 혈관 세그먼트 이름의 목록을 갖고 그리고 선택된 혈관 세그먼트의 현재 이름을 나타내는 패널을 생성하여 사용자 인터페이스 상에 디스플레이하는 단계, 및 목록 상의 제2 세그먼트 이름 라벨의 입력 선택에 응답하여, 사용자 인터페이스에서 디스플레이된 동맥 트리의 제2 세그먼트 이름 라벨로 제1 세그먼트 이름 라벨을 대체하는 단계를 더 포함한다. CT 영상 및 대응 정보를 분석하기 위한 방법의 몇몇 실시예에서, 방법은 사용자 인터페이스 상에 카툰 동맥 트리를 생성하고 디스플레이하는 단계를 더 포함하고, 카툰 동맥 트리는 관상 동맥 트리의 비환자 특정 그래픽 표현을 포함하고, 카툰 동맥 트리에서 혈관 세그먼트의 선택에 응답하여, 선택된 혈관 세그먼트의 뷰가 SMPR 뷰에서 사용자 인터페이스에 디스플레이되고, SMPR 뷰에 디스플레이되는 혈관 세그먼트의 위치의 선택시에, 선택된 위치에서 선택된 혈관 세그먼트의 협착 또는 플라크에 관련된 정보를 디스플레이하는 패널을 생성하고 사용자 인터페이스에 디스플레이한다. CT 영상 및 대응 정보를 분석하기 위한 방법의 몇몇 실시예에서, 방법은 툴바를 생성하여 사용자 인터페이스 상에 디스플레이하는 단계를 더 포함하고, 툴바는 이하의 도구: 내강 벽 도구, 혈관 벽에 스냅 도구, 내강 벽에 스냅 도구, 혈관 벽 도구, 세그먼트 도구, 협착 도구, 플라크 오버레이 도구, 중심선에 스냅 도구, 만성 완전 폐색 도구, 스텐트 도구, 제외 도구, 추적기 도구 또는 거리 측정 도구 중 적어도 하나를 포함한다.
이 요약의 목적으로, 본 발명의 특정 양태, 장점 및 신규 특징이 본 명세서에 설명된다. 모든 이러한 장점은 반드시 본 발명의 임의의 특정 실시예에 따라 달성될 수도 있는 것은 아니라는 것이 이해되어야 한다. 따라서, 예를 들어, 통상의 기술자는 본 발명이 본 명세서에 교시되거나 제안될 수도 있는 바와 같은 다른 장점을 반드시 달성하지 않으면서 본 명세서에 교시된 바와 같은 하나의 장점 또는 장점의 그룹을 달성하는 방식으로 본 발명이 구현되거나 수행될 수도 있다는 것을 인식할 수 있을 것이다.
이들 실시예 모두는 본 명세서에 개시된 본 발명의 범주 내에 있는 것으로 의도된다. 이들 및 다른 실시예는 첨부 도면을 참조하는 이하의 상세한 설명으로부터 통상의 기술자에게 즉시 명백해질 것이며, 본 발명은 임의의 특정 개시된 실시예(들)에 한정되지 않는다.
개시된 양태는 본 명세서에 합체되어 그 부분을 구성하는 첨부 도면과 함께 이하에 설명될 것이고, 예시적인 실시예의 추가 이해를 예시하고 제공하며, 개시된 양태를 한정하지 않도록 제공된다. 도면에서, 동일한 명칭은 달리 언급되지 않으면 동일한 요소를 나타낸다.
도 1은 의료 영상 분석, 시각화, 위험 평가, 질환 추적, 치료 생성, 및/또는 환자 보고 생성을 위한 방법의 예시적인 실시예(들)의 개요를 도시하고 있는 흐름도이다.
도 2a는 의료 영상으로부터 플라크의 분석 및 분류를 위한 방법의 예시적인 실시예(들)의 개요를 도시하고 있는 흐름도이다.
도 2b는 비조영 CT 영상(들)으로부터 비석회화 플라크의 결정을 위한 방법의 예시적인 실시예(들)의 개요를 도시하고 있는 흐름도이다.
도 3a는 의료 영상 분석에 기초하는 위험 평가를 위한 방법의 예시적인 실시예(들)의 개요를 도시하고 있는 흐름도이다.
도 3b는 의료 영상 분석에 기초하는 죽상동맥경화증의 정량화를 위한 방법의 예시적인 실시예(들)의 개요를 도시하고 있는 흐름도이다.
도 3c는 의료 영상 분석에 기초하는 CAD-RADS 스코어의 생성 및 협착의 정량화를 위한 방법의 예시적인 실시예(들)의 개요를 도시하고 있는 흐름도이다.
도 3d는 의료 영상 분석에 기초하는 질환 추적을 위한 방법의 예시적인 실시예(들)의 개요를 도시하고 있는 흐름도이다.
도 3e는 의료 영상 분석에 기초하는 칼슘 스코어의 변화의 원인의 결정을 위한 방법의 예시적인 실시예(들)의 개요를 도시하고 있는 흐름도이다.
도 4a는 의료 영상 분석에 기초하는 심혈관 이벤트의 예후를 위한 방법의 예시적인 실시예(들)의 개요를 도시하고 있는 흐름도이다.
도 4b는 의료 영상 분석에 기초하는 환자-특정 스텐트 파라미터의 결정을 위한 방법의 예시적인 실시예(들)의 개요를 도시하고 있는 흐름도이다.
도 4b는 의료 영상 분석에 기초하는 환자-특정 스텐트 파라미터의 결정을 위한 방법의 예시적인 실시예(들)의 개요를 도시하고 있는 흐름도이다.
도 5a는 의료 영상 분석에 기초하는 환자-특정 의료 보고의 생성을 위한 방법의 예시적인 실시예(들)의 개요를 도시하고 있는 흐름도이다.
도 5b 내지 도 5i는 의료 영상 분석에 기초하여 생성된 환자-특정 의료 보고의 예시적인 실시예(들)를 도시하고 있다.
도 6a는 시스템 상에서 생성 및 디스플레이될 수 있는 사용자 인터페이스의 예를 도시하고 있고, 사용자 인터페이스는 환자의 동맥의 다양한 대응하는 뷰를 보여줄 수 있는 다중 패널(뷰)을 갖는다.
도 6b는 시스템 상에서 생성 및 디스플레이될 수 있는 사용자 인터페이스의 예를 도시하고 있고, 사용자 인터페이스는 환자의 동맥의 다양한 대응하는 뷰를 보여줄 수 있는 다중 패널을 갖는다.
도 6c, 도 6d 및 도 6e는 제2 패널의 다평면 재구성(Multiplanar Reformat: MPR) 혈관 뷰의 특정 상세 및 이 뷰와 연관된 특정 기능을 도시하고 있다.
도 6f는 사용자가 혈관을 뷰잉하고 혈관의 라벨을 수정할 수 있게 하는 관상 동맥 트리의 3차원(3D) 렌더링의 예를 도시하고 있다.
도 6g는 관상 동맥 트리 뷰, 축면 뷰, 시상면 뷰 및 관상면 뷰에서 사용자 인터페이스의 정보를 분석하는 동안 사용자가 채용할 수도 있는 단축키(shortcut) 명령을 제공하는 사용자 인터페이스의 패널의 예를 도시하고 있다.
도 6h는 축방향, 관상 및 시상의 3개의 해부학적 평면에서 DICOM 영상을 보기 위한 사용자 인터페이스의 패널의 예를 도시하고 있다.
도 6i는 혈관의 추출된 피처(feature)의 그래픽 오버레이에서, 혈관의 단면 뷰를 보여주는 사용자 인터페이스의 패널의 예를 도시하고 있다.
도 6j는 사용자가 검토 및 분석을 위해 상이한 혈관을 선택할 수 있게 하는 툴바(toolbar)의 예를 도시하고 있다.
도 6k는 도 6j에 도시되어 있는 사용자가 특정 환자에 대한 검토 및 분석을 위해 이용 가능한 모든 시리즈(영상의 세트)를 뷰잉하기 위해 메뉴를 확장할 수 있게 하는 툴바의 확장된 뷰에서 사용자 인터페이스의 시리즈 선택 패널의 예를 도시하고 있다.
도 6l은 분석을 위해 혈관 세그먼트를 선택하는 데 사용될 수도 있는 사용자 인터페이스 상에 디스플레이될 수 있는 선택 패널의 예를 도시하고 있다.
도 6m은 영상에 새로운 혈관을 추가하기 위해 사용자 인터페이스 상에 디스플레이될 수 있는 패널의 예를 도시하고 있다.
도 6n은 3-D 동맥 트리 뷰에서 혈관을 이름 지정하거나 이름 바꾸기 하기 위해 사용자 인터페이스 상에 디스플레이될 수 있는 2개의 패널의 예를 도시하고 있다.
도 7a는 사용자가 기계 학습 알고리즘으로 그리고 이어서 애널리스트에 의해 CT 스캔을 처리한 것으로부터 발생하는 발견의 정확도를 수정하고 개선할 수 있게 하는 편집 툴바의 예를 도시하고 있다.
도 7b 및 도 7c는 추적기 도구의 특정 기능의 예를 도시하고 있다.
도 7d 및 도 7e는 내강 및 혈관 벽 윤곽을 수정하는 데 사용되는 혈관 및 내강 벽 도구의 특정 기능을 도시하고 있다.
도 7f는 이들 도구를 활성화하는 데 사용될 수 있는 사용자 인터페이스 상의 혈관 스냅 도구 버튼(우측) 내의 내강 스냅 도구 버튼(좌측)을 도시하고 있다.
도 7g는 혈관 스냅 도구 내의 내강 스냅 도구를 사용하는 동안 사용자 인터페이스 상에 디스플레이될 수 있는 패널의 예를 도시하고 있다.
도 7h는 MPR 상의 개별 관상 세그먼트 사이의 경계를 마킹하는 것을 허용하는 세그먼트 도구를 사용하는 동안 디스플레이될 수 있는 사용자 인터페이스의 패널의 예를 도시하고 있다.
도 7i는 상이한 이름이 세그먼트에 대해 선택될 수 있게 하는 사용자 인터페이스의 패널의 예를 도시하고 있다.
도 7j는 사용자가 혈관 상의 협착의 영역을 마킹하기 위해 마커를 표시할 수 있게 하는 협착 도구를 사용하는 동안 디스플레이될 수 있는 사용자 인터페이스의 패널의 예를 도시하고 있다.
도 7k는 5개의 균일하게 이격된 협착 마커를 드롭하는 데 사용될 수 있는 사용자 인터페이스의 협착 버튼의 예를 도시하고 있다.
도 7l은 사용자 편집된 내강 및 혈관 벽 윤곽에 기초하여 협착 마커를 드롭하는 데 사용될 수 있는 사용자 인터페이스의 협착 버튼의 예를 도시하고 있다.
도 7m은 곡선형 다평면 혈관(CMPR) 뷰에서 세그먼트 상의 협착 마커를 도시하고 있다.
도 7n은 플라크 오버레이 도구를 사용하는 동안 디스플레이될 수 있는 사용자 인터페이스의 패널의 예를 도시하고 있다.
도 7o 및 도 7p는 플라크 임계값으로 선택될 수 있는 사용자 인터페이스 상의 버튼을 도시하고 있다.
도 7q는 저밀도 플라크, 비석회화 플라크 및 석회화 플라크에 대한 플라크 임계값 레벨을 조정하기 위해 사용자 입력을 수신할 수 있는 사용자 인터페이스의 패널을 도시하고 있다.
도 7r은 플라크 임계값에 따라 사용자 인터페이스에 디스플레이되는 플라크의 영역을 표시하는 혈관의 단면 뷰를 도시하고 있다.
도 7s는 뷰잉되는 혈관에 대한 정보를 포함하는 혈관 통계 패널에서 플라크 임계값을 보여주며 디스플레이될 수 있는 패널을 도시하고 있다.
도 7t는 내강의 중심의 조정을 허용하는 중심선 도구를 사용하는 동안 디스플레이될 수 있는 혈관의 단면 뷰를 보여주는 패널을 도시하고 있다.
도 7u, 도 7v, 도 7w는 중심선 도구를 사용할 때 디스플레이될 수 있는 혈관의 다른 뷰를 보여주는 패널의 예를 도시하고 있다. 도 7u는 혈관의 중심선을 연장할 때 디스플레이될 수 있는 뷰의 예이다. 도 7v는 중심선 편집을 저장하거나 취소할 때 디스플레이될 수 있는 뷰의 예를 도시하고 있다. 도 7w는 혈관 중심선을 편집할 때 디스플레이될 수 있는 CMPR 뷰의 예이다.
도 7x는 100% 협착이 있고 검출 가능한 혈류가 없는 동맥의 부분을 표시하는 데 사용되는 만성 완전 폐색(CTO) 도구를 사용하는 동안 디스플레이될 수 있는 패널의 예를 도시하고 있다.
도 7y는 사용자가 혈관 내의 스텐트의 범위를 마킹할 수 있게 하는 스텐트 도구를 사용하는 동안 디스플레이될 수 있는 패널의 예를 도시하고 있다.
도 7z 및 도 7aa는 예를 들어 영상 수차로 인해 혈관의 일부가 분석으로부터 제외될 수 있게 하는 제외 도구를 사용하는 동안 디스플레이될 수 있는 패널의 예를 도시하고 있다.
도 7ab 및 도 7ac는 제외 도구를 사용하는 동안 디스플레이될 수 있는 부가의 패널의 예를 도시하고 있다. 도 7ab는 새로운 제외를 추가하는 데 사용될 수 있는 패널을 도시하고 있다. 도 7ac는 제외 이유를 추가하는 데 사용될 수 있는 패널을 도시하고 있다.
도 7ad, 도 7ae, 도 7af 및 도 7ag는 영상의 2개의 지점 사이의 거리를 측정하는 데 사용될 수 있는 거리 도구를 사용하는 동안 디스플레이될 수 있는 패널의 예를 도시하고 있다. 예를 들어, 도 7ad는 SMPR 뷰에서 거리를 측정하는 데 사용되는 거리 도구를 도시하고 있다. 도 7ae는 CMPR 뷰에서 거리를 측정하는 데 사용되는 거리 도구를 도시하고 있다. 도 7af는 혈관의 단면 뷰에서 거리를 측정하는 데 사용될 거리를 도시하고 있다. 도 7ag는 축면 뷰에서 거리를 측정하는 데 사용되는 거리 도구를 도시하고 있다.
도 7ah는 혈관 통계 탭을 디스플레이하는 데 선택될 수 있는 패널의 "혈관 통계" 부분(버튼)을 도시하고 있다.
도 7ai는 혈관 통계 탭을 도시하고 있다.
도 7aj는 사용자가 다수의 병변의 상세를 클릭할 수 있게 하는 혈관 통계 탭의 기능을 도시하고 있다.
도 7ak는 사용자가 혈관 사이를 토글하는 데 사용할 수 있는 혈관 패널의 예를 또한 도시하고 있다.
도 8a는 분석의 협착증, 죽상동맥경화증 및 CAD-RADS 결과를 보여주는 사용자 인터페이스의 패널의 예를 도시하고 있다.
도 8b는 다양한 실시예에 따른, 영역 또는 영역의 조합(예를 들어, 좌주간 동맥(LM), 좌전 하행 동맥(LAD), 좌회선 동맥(LCx), 우관상 동맥(RCA))의 선택을 허용하는 사용자 인터페이스 상에 디스플레이된 패널의 부분의 예를 도시하고 있다.
도 8c는 관상 동맥 트리("카툰 동맥 트리")의 카툰 표현을 보여주는 사용자 인터페이스 상에 디스플레이될 수 있는 패널의 예를 도시하고 있다.
도 8d는 카툰 동맥 트리를 사용하는 영역 선택을 예시하는 사용자 인터페이스 상에 디스플레이될 수 있는 패널의 예를 도시하고 있다.
도 8e는 영역별 요약을 보여주는 사용자 인터페이스 상에 디스플레이될 수 있는 패널의 예를 도시하고 있다.
도 8f는 선택된 혈관의 SMPR 뷰, 및 선택된 혈관의 대응 통계를 보여주는 사용자 인터페이스 상에 디스플레이될 수 있는 예시적인 패널을 도시하고 있다.
도 8g는 세그먼트 레벨에서 디스플레이되는 스텐트의 존재를 표시하는 사용자 인터페이스에 디스플레이될 수 있는 패널의 부분의 예를 도시하고 있다.
도 8h는 세그먼트 레벨에서 CTO 존재를 표시하는 사용자 인터페이스에 디스플레이될 수 있는 패널의 부분의 예를 도시하고 있다.
도 8i는 환자의 좌측 또는 우측 우세를 표시하는 사용자 인터페이스에 디스플레이될 수 있는 패널의 부분의 예를 도시하고 있다.
도 8j는 발견된 이상의 표시가 있는 카툰 동맥 트리를 보여주는 사용자 인터페이스 상에 디스플레이될 수 있는 패널의 예를 도시하고 있다.
도 8k는 이상의 상세를 보여주도록 선택될 수 있는 도 8j의 패널 상에 디스플레이될 수 있는 패널의 부분의 예를 도시하고 있다.
도 9a는 분석에 기초하는 죽상동맥경화증 정보의 요약을 디스플레이하는 사용자 인터페이스 상에 디스플레이될 수 있는 죽상동맥경화증 패널의 예를 도시하고 있다.
도 9b는 죽상동맥경화증 정보의 요약이 세그먼트별 기반으로 디스플레이되도록 혈관을 선택하는 데 사용될 수 있는 혈관 선택 패널의 예를 도시하고 있다.
도 9c는 세그먼트별 죽상동맥경화증 정보를 보여주는 사용자 인터페이스 상에 디스플레이될 수 있는 패널의 예를 도시하고 있다.
도 9d는 환자 데이터별 협착을 포함하는 사용자 인터페이스 상에 디스플레이될 수 있는 패널의 예를 도시하고 있다.
도 9e는 카운트가 선택될 때(예를 들어, 숫자 위로 마우스를 호버(hovering)함으로써) 세그먼트 상세가 디스플레이되는 사용자 인터페이스 상에 디스플레이될 수 있는 패널의 부분의 예를 도시하고 있다.
도 9f는 세그먼트별 협착을 그래픽 포맷으로, 예를 들어 세그먼트별 협착 막대 그래프로 보여주는 사용자 인터페이스 상에 디스플레이될 수 있는 패널의 부분의 예를 도시하고 있다.
도 9g는 혈관의 정보, 예를 들어 직경 협착 및 최소 내강 직경을 보여주는 사용자 인터페이스 상에 디스플레이될 수 있는 패널의 다른 예를 도시하고 있다.
도 9h는 직경 협착 범례를 표시하는 사용자 인터페이스 상에 디스플레이될 수 있는 패널의 부분의 예를 도시하고 있다.
도 9i는 최소 및 기준 내강 직경을 표시하는 사용자 인터페이스 상에 디스플레이될 수 있는 패널의 예를 도시하고 있다.
도 9j는 도 9i에 도시되어 있는 패널의 부분을 도시하고 있고, 어떻게 특정 최소 내강 직경 상세가 내강의 원하는 그래픽을 선택함으로써(예를 들어, 호버링함으로써) 신속하고 효율적으로 디스플레이될 수 있는지를 도시하고 있다.
도 9k는 CADS-RADS 스코어 선택을 표시하는 사용자 인터페이스에 디스플레이될 수 있는 패널의 예를 도시하고 있다.
도 9l은 분석에서 생성된 추가의 CAD-RADS 상세를 보여주는 사용자 인터페이스에 디스플레이될 수 있는 패널의 예를 도시하고 있다.
도 9m은 분석 동안 결정되는 정량적 협착 및 혈관 출력을 표시하는 테이블을 보여주는 사용자 인터페이스에 디스플레이될 수 있는 패널의 예를 도시하고 있다.
도 9n은 정량적 플라크 출력을 표시하는 테이블을 보여주는 사용자 인터페이스에 디스플레이될 수 있는 패널의 예를 도시하고 있다.
도 10은 CT 영상 및 대응 정보를 분석 및 디스플레이하기 위한 프로세스(1000)를 도시하고 있는 흐름도이다.
도 11a 및 도 11b는 CT 영상을 캡처하는 데 사용되는 영상 획득 파라미터에 따라 어떻게 플라크가 상이하게 나타날 수 있는지를 예시하는 예시적인 CT 영상이다. 도 11a는 필터링된 역투영을 사용하여 재구성된 CT 영상을 도시하고 있고, 반면 도 11b는 반복적 재구성을 사용하여 재구성된 동일한 CT 영상을 도시하고 있다.
도 11c 및 도 11d는 CT 영상을 캡처하는 데 사용되는 영상 획득 파라미터에 따라 플라크가 CT 영상에서 상이하게 나타날 수 있다는 것을 예시하는 다른 예를 제공한다. 도 11c는 반복적 재구성을 사용하여 재구성된 CT 영상을 도시하고 있고, 반면 도 11d는 기계 학습을 사용하여 재구성된 동일한 영상을 도시하고 있다.
도 12a는 본 명세서에 설명된 방법 및 시스템과 함께 사용을 위해 의료 영상을 정규화하도록 구성될 수 있는 정규화 디바이스의 실시예를 표현하는 블록도이다.
도 12b는 다층 기판을 포함하는 정규화 디바이스의 실시예의 사시도이다.
도 12c는 정규화 동안 사용을 위해 공지의 물질의 샘플을 보유하기 위해 그 내부에 위치된 다양한 구획을 도시하고 있는 도 12b의 정규화 디바이스의 단면도이다.
도 12d는 정규화 디바이스 내의 복수의 구획의 예시적인 배열의 평면도를 도시하고 있다. 예시된 실시예에서, 복수의 구획은 직사각형 또는 격자형 패턴으로 배열된다.
도 12e는 정규화 디바이스 내의 복수의 구획의 다른 예시적인 배열의 평면도를 도시하고 있다. 예시된 실시예에서, 복수의 구획은 원형 패턴으로 배열된다.
도 12f는 인접하게 배열된 구획, 자체 밀봉 충전 가능 구획, 및 다양한 크기의 구획을 포함하는, 그 다양한 특징을 도시하고 있는 정규화 디바이스의 다른 실시예의 단면도이다.
도 12g는 정규화 디바이스의 기판을 정규화 디바이스의 체결구에 고정하기 위해 후크 및 루프 체결구를 사용하는 정규화 디바이스용 부착 메커니즘의 실시예를 도시하고 있는 사시도이다.
도 12h 및 도 12i는 정규화 디바이스의 만료 상태를 표시하도록 구성된 표시기를 포함하는 정규화 디바이스의 실시예를 도시하고 있다.
도 12j는 알고리즘 기반 의료 영상 분석을 위해 의료 영상을 정규화하기 위한 예시적인 방법을 도시하고 있는 흐름도이고, 의료 영상의 정규화는 알고리즘 기반 의료 영상 분석의 정확도를 개선시킨다.
도 13은 의료 영상 분석, 시각화, 위험 평가, 질환 추적, 치료 생성, 및/또는 환자 보고 생성을 위한 시스템의 실시예(들)를 도시하고 있는 블록도이다.
도 14는 의료 영상 분석, 시각화, 위험 평가, 질환 추적, 치료 생성 및/또는 환자 보고 생성을 위한 시스템의 하나 이상의 실시예를 구현하기 위한 소프트웨어를 실행하도록 구성된 컴퓨터 하드웨어 시스템의 실시예(들)를 도시하고 있는 블록도이다.
여러 실시예, 예 및 예시가 이하에 개시되지만, 본 명세서에 설명된 발명은 구체적으로 개시된 실시예, 예 및 예시를 넘어 확장되고 본 발명의 다른 사용 및 그 명백한 수정 및 등가물을 포함한다는 것이 통상의 기술자에 의해 이해될 수 있을 것이다. 본 발명의 실시예가 첨부 도면을 참조하여 설명되고, 여기서, 동일한 번호는 전체에 걸쳐 동일한 요소를 나타낸다. 본 명세서에 제시된 설명에서 사용된 용어는 단순히 본 발명의 특정 구체적인 실시예의 상세한 설명과 함께 사용되기 때문에 임의의 제한적 또는 한정적인 방식으로 해석되도록 의도되지 않는다. 게다가, 본 발명의 실시예는 여러 신규 특징을 포함할 수 있고, 단일 특징이 그 바람직한 속성에 대해 단독으로 책임이 있거나 본 명세서에 설명된 발명을 실시하는 데 필수적이지는 않다.
서론
의료 영상 분석, 진단, 위험도 층화, 의사 결정 및/또는 질환 추적을 위한 시스템, 방법 및 디바이스가 본 명세서에 개시된다. 관상 동맥 심장 질환은 1,760만명 초과의 미국인에게 영향을 미치고 있다. 심혈관 건강 문제를 치료하는 현재의 경향은 일반적으로 두 가지이다. 첫째, 의사는 일반적으로, 예를 들어 환자의 혈류에 높은 레벨의 콜레스테롤 요소가 있는지 여부를 결정하기 위해 환자의 생화학 또는 혈액 내용물 또는 바이오마커를 분석함으로써, 거시적 레벨로부터 환자의 심혈관 건강을 검토한다. 높은 레벨의 콜레스테롤에 응답하여, 몇몇 의사는 환자의 혈류 내의 높은 레벨의 콜레스테롤 요소로서 인지되는 것을 감소시키기 위해 치료 계획의 부분으로서, 스타틴과 같은 하나 이상의 약물을 처방할 것이다.
현재 심혈관 건강 문제를 치료하기 위한 제2 일반적인 경향은 의사가 환자의 다양한 동맥 내의 큰 폐색을 식별하기 위해 혈관 조영술의 사용을 통해 환자의 심혈관 건강을 평가하는 것을 수반한다. 다양한 동맥 내의 큰 폐색을 발견한 것에 응답하여, 의사는 몇몇 경우에 벌룬 카테터가 혈관 내의 좁아지는 지점까지 안내되는 혈관 성형 시술을 수행할 것이다. 적절하게 위치된 후, 벌룬은 플라크 또는 지방 물질을 동맥 벽 내로 압축하거나 평탄화하고 그리고/또는 동맥을 신장시켜 개방하여 혈관을 통해 및/또는 심장으로의 혈액의 유동을 증가시키기 위해 팽창된다. 몇몇 경우에, 혈관 내에 스텐트를 위치시키고 팽창시켜 플라크를 압축하고 그리고/또는 혈관의 개방을 유지하여 더 많은 혈액이 유동할 수 있게 하도록 벌룬이 사용된다. 미국에서는 매년 약 500,000건의 심장 스텐트 시술이 수행된다.
그러나, 최근 연방에서 1억 달러를 지원한 연구에서는 심혈관 질환을 치료하는데 있어서의 현재의 경향이 모든 유형의 환자에게 가장 효과적인 치료인지 여부에 대한 의문을 제기한다. 최근 연구는 37개국 320개의 장소로부터 중등도 내지 중증 안정성 심장 질환이 있는 5,000명 초과의 환자를 대상으로 했으며, 스텐트와 우회 수술 절차가 안정성 심장 질환이 있는 사람들을 위한 생활 습관 변화와 조합된 약물보다 더 효과적이지 않을 가능성이 있다는 것을 보여주는 새로운 증거를 제공했다. 이에 따라, 안정성 심장 질환이 있는 환자가 혈관 성형술 및/또는 심장 우회술과 같은 침습적 수술 절차를 받지 않고, 대신에 스타틴과 같은 심장약, 및 규칙적인 운동과 같은 특정 생활 습관 변화를 처방받는 것이 더 유리할 수도 있다. 이 새로운 치료 요법은 전세계적으로 수천 명의 환자에게 영향을 미칠 수 있다. 미국에서 연간 수행되는 약 500,000건의 심장 스텐트 시술 중에서, 1/5이 안정성 심장 질환이 있는 사람들을 위한 것으로 추정된다. 안정성 심장 질환이 있는 약 100,000명 중 25% 또는 대략 23,000명이 흉통을 경험하지 않는 개인인 것으로 또한 추정된다. 이에 따라, 연간 20,000명 초과의 환자가 침습적 수술 절차 또는 이러한 절차로 인한 합병증을 잠재적으로 받지 않을 수 있다.
환자가 침습적 수술 절차를 받지 않고 대신에 약물 요법을 선택해야 하는지 여부를 결정하기 위해 및/또는 더 효과적인 치료 계획을 생성하기 위해, 환자의 심혈관 질환을 더 완전히 이해하는 것이 중요할 수 있다. 특히, 환자의 동맥 혈관 건강을 더 양호하게 이해하는 것이 유리할 수 있다. 예를 들어, 환자 내의 플라크 축적이 대부분 지방 물질 축적인지 또는 대부분 석회화 물질 축적인지 여부를 이해하는 것이 도움이 되는데, 이는 전자의 상황은 스타틴과 같은 심장약으로의 치료를 보증할 수도 있고, 반면에 후자의 상황에서는 환자는 심장약을 처방하거나 어떠한 스텐트도 이식하지 않고 추가의 주기적인 모니터링을 받아야 하기 때문이다. 그러나, 플라크 축적이 중증 협착 또는 동맥 혈관의 협소화를 유발하여 심장 근육으로의 혈류가 차단될 수도 있게 하기에 충분히 상당하면, 심근경색 또는 급성 심장사(SCD)가 혈관 개구를 확대하기 위해 스텐트의 이식 없이 이러한 환자에서 발생할 수 있기 때문에, 스텐트를 이식하기 위한 침습적 혈관 성형 시술이 요구될 가능성이 있을 수도 있다. 급성 심장사는 미국에서 자연사의 가장 큰 원인 중 하나이며, 연간 대략 325,000명의 성인 사망의 원인이 되고 심혈관 질환으로부터의 모든 사망의 거의 절반을 차지한다. 남성의 경우, SCD는 여성에 비교하여 2배 더 흔하다. 일반적으로, SCD는 30대 중반 내지 40대 중반 연령 범위의 사람들에게 발병한다. 50% 초과의 사례에서, 경고 징후 없이 급성 심정지가 발생한다.
심장 질환으로 고통받는 수백만 명의 사람과 관련하여, 혈액 화학 또는 이러한 동맥 혈관을 통해 유동하는 혈액의 내용물을 아는 것 이상으로 환자 내의 동맥 혈관의 전반적인 건강을 더 양호하게 이해할 필요가 있다. 예를 들어, 본 명세서에 개시된 시스템, 디바이스 및 방법의 몇몇 실시예에서, "양호" 또는 안정 플라크 또는 경화된 석회화된 내용물을 포함하는 플라크가 있는 동맥은 환자에게 비치명적인 것으로 고려되고, 반면, "불량" 또는 불안정 플라크 또는 지방 물질을 포함하는 플라크를 포함하는 동맥은 이러한 불량 플라크가 동맥 내에서 파열되어 이에 의해 이러한 지방 물질을 동맥 내로 방출할 수도 있기 때문에 더 치명적인 것으로 고려된다. 혈류 내의 이러한 지방 물질 방출은 혈전을 야기할 수도 있는 염증을 유발할 수 있다. 동맥 내의 혈전은 혈액이 심장 근육으로 이동하는 것을 방해하여 이에 의해 심근경색 또는 다른 심장 이벤트를 야기할 수 있다. 또한, 몇몇 경우에, 혈액이 석회화 플라크 축적을 통해 유동하게 하는 것보다 혈액이 지방 플라크 축적을 통해 유동하는 것이 일반적으로 더 어렵다. 따라서, 환자의 동맥 혈관 벽의 더 양호한 이해 및 분석에 대한 필요가 있다.
또한, 혈액 검사 및 약물 치료 요법은 심혈관 건강 문제를 감소시키고 심혈관 이벤트(예를 들어, 심근경색)를 완화하는 데 도움이 되지만, 이러한 치료 방법론은 이러한 치료가 중요한 심혈관 위험 영역을 오식별하고 그리고/또는 정확히 위치 지정하거나 진단하는 것을 실패할 수 있다는 점에서 완전하거나 완벽하지 않다. 예를 들어, 환자의 혈액 화학의 단순한 분석은 환자가 혈관 벽을 따라 상당한 양의 지방 침착 물질 불량 플라크 축적을 갖는 동맥 혈관을 갖고 있다는 것을 식별할 가능성이 있지 않을 것이다. 유사하게, 혈관조영상(angiogram)은 협착 또는 혈관 협소화의 영역을 식별하는 데 도움이 되지만, 불량 플라크의 상당한 축적이 있는 동맥 혈관 벽의 영역을 명확하게 식별하는 것이 가능하지 않을 수도 있다. 동맥 혈관 벽 내의 불량 플라크의 이러한 축적 영역은 심근경색과 같은 심혈관 이벤트로 고통받을 위험이 높은 환자의 지표일 수 있다. 특정 상황에서, 불량 플라크의 영역이 존재하는 영역은 동맥의 혈류 내로의 지방 물질의 방출이 있는 파열을 야기할 수 있는데, 이는 이어서 동맥 내에 혈전이 발생되게 할 수 있다. 동맥 내의 혈전은 심장 조직의 혈류의 정지를 유발할 수 있는데, 이는 심근경색을 야기할 수 있다. 이에 따라, 동맥 혈관 벽을 분석하고 그리고/또는 그것이 불량이든 그렇지 않든 플라크의 축적을 포함하는 동맥 혈관 벽 내의 영역을 식별하기 위한 새로운 기술에 대한 요구가 있다.
본 명세서에 개시된 다양한 시스템, 방법 및 디바이스는 전술된 문제를 해결하기 위한 실시예에 관한 것이다. 특히, 본 명세서에 설명된 다양한 실시예는 의료 영상 분석, 진단, 위험도 층화, 의사 결정 및/또는 질환 추적을 위한 시스템, 방법 및 디바이스에 관한 것이다. 몇몇 실시예에서, 본 명세서에 설명된 시스템, 디바이스 및 방법은, 예를 들어 하나 이상의 관상 동맥 및/또는 그 내의 플라크를 식별하기 위해 자동으로 및/또는 동적으로 의료 영상을 분석하도록 구성된 컴퓨터 시스템에 입력될 수 있는 CT 영상과 같은 비침습적 의료 영상 기술을 이용하도록 구성된다. 예를 들어, 몇몇 실시예에서, 시스템은 하나 이상의 관상 동맥 및/또는 플라크를 식별, 정량화, 및/또는 분류하기 위해 의료 영상을 자동으로 및/또는 동적으로 분석하기 위해 하나 이상의 기계 학습 및/또는 인공 지능 알고리즘을 이용하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 예를 들어, 하나 이상의 인공 지능 및/또는 기계 학습 알고리즘을 사용하여, 치료 계획을 생성하고, 질환 진행을 추적하고, 그리고/또는 환자-특정 의료 보고를 생성하기 위해 식별, 정량화 및/또는 분류된 하나 이상의 관상 동맥 및/또는 플라크를 이용하도록 추가로 구성될 수 있다. 몇몇 실시예에서, 시스템은 예를 들어 그래픽 사용자 인터페이스의 형태로 식별, 정량화 및/또는 분류된 하나 이상의 관상 동맥 및/또는 플라크의 시각화를 동적으로 및/또는 자동으로 생성하도록 추가로 구성될 수 있다. 또한, 몇몇 실시예에서, 상이한 의료 영상 스캐너 및/또는 상이한 스캔 파라미터 또는 환경으로부터 획득된 의료 영상을 보정하기 위해, 시스템은 하나 이상의 물질의 하나 이상의 구획을 포함하는 정규화 디바이스를 이용하도록 구성될 수 있다.
더 상세히 설명되는 바와 같이, 본 명세서에 설명된 시스템, 디바이스 및 방법은 플라크, 심혈관 동맥 및/또는 다른 구조에 관한 다양한 파라미터의 자동 및/또는 동적 정량화 분석을 허용한다. 더 구체적으로, 본 명세서에 설명된 몇몇 실시예에서, 관상 CT 영상과 같은 환자의 의료 영상은 의료 시설에서 촬영될 수 있다. 의사의 눈으로 보거나 환자의 일반적인 평가를 하기보다, 의료 영상은 재현 가능한 방식으로 그 하나 이상의 분석을 수행하도록 구성된 몇몇 실시예에서 백엔드 메인 서버로 전송된다. 이와 같이, 몇몇 실시예에서, 본 명세서에 설명된 시스템, 방법 및 디바이스는 자동화 및/또는 동적 프로세스를 사용하여 관상 CT 영상의 하나 이상의 피처의 정량화된 측정을 제공할 수 있다. 예를 들어, 몇몇 실시예에서, 메인 서버 시스템은 의료 영상으로부터 하나 이상의 혈관, 플라크 및/또는 지방을 식별하도록 구성될 수 있다. 식별된 피처에 기초하여, 몇몇 실시예에서, 시스템은 예를 들어 플라크의 하나 이상의 영역의 방사선 밀도, 안정 플라크 및/또는 불안정 플라크의 식별, 그 체적, 그 표면적, 기하학적 형상, 그 이질성, 및/또는 기타와 같은 원시 의료 영상으로부터 하나 이상의 정량화된 측정치를 생성하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 또한 예를 들어 직경, 체적, 형태, 및/또는 기타와 같은 원시 의료 영상으로부터 혈관의 하나 이상의 정량화된 측정치를 생성할 수 있다. 식별된 피처 및/또는 정량화된 측정치에 기초하여, 몇몇 실시예에서, 시스템은 원시 의료 영상을 사용하여, 위험 평가를 생성하고 그리고/또는 예를 들어 죽상동맥경화증, 협착증 및/또는 허혈과 같은 플라크 기반 질환 또는 상태의 진행을 추적하도록 구성될 수 있다. 또한, 몇몇 실시예에서, 시스템은 하나 이상의 식별된 피처 및/또는 상이한 피처의 양자화된 컬러 맵핑과 같은 정량화된 측정치의 GUI의 시각화를 생성하도록 구성될 수 있다. 몇몇 실시예에서, 본 명세서에 설명된 시스템, 디바이스, 및 방법은 심혈관 이벤트, 주요 심혈관 이벤트(MACE), 급속 플라크 진행 및/또는 약물에 대한 무반응의 대상의 위험을 평가하기 위해 의료 영상 기반 처리를 이용하도록 구성된다. 특히, 몇몇 실시예에서, 시스템은 비침습적으로 획득된 의료 영상만을 분석함으로써 대상의 이러한 건강 위험을 자동으로 및/또는 동적으로 평가하도록 구성될 수 있다. 몇몇 실시예에서, 프로세스 중 하나 이상은 AI 및/또는 ML 알고리즘을 사용하여 자동화될 수 있다. 몇몇 실시예에서, 본 명세서에 설명된 프로세스 중 하나 이상은 재현 가능한 방식으로 몇 분 내에 수행될 수 있다. 이는 재현 가능한 예후 또는 평가를 생성하지 않고, 막대한 시간을 소요하고, 그리고/또는 침습적 시술을 필요로 하는 현재의 기존의 조치와 극명하게 대조된다.
이와 같이, 몇몇 실시예에서, 본 명세서에 설명된 시스템, 디바이스 및 방법은 현재 존재하지 않는 환자의 플라크에 관한 특정 정량화 및/또는 측정된 데이터를 의사 및/또는 환자에게 제공하는 것이 가능하다. 예를 들어, 몇몇 실시예에서, 시스템은 예를 들어 의료 영상 내의 픽셀 및/또는 영역의 방사선 밀도 값을 사용하여, 안정한 및/또는 불안정 플라크의 체적, 총 혈관 체적에 대한 그 비, 협착의 백분율, 및/또는 기타에 대한 특정 수치 값을 제공할 수 있다. 몇몇 실시예에서, 영상 처리 및 하류 분석 결과로부터의 정량화된 플라크 파라미터의 이러한 상세한 레벨은 완전히 신규한 방식으로 환자의 건강 및/또는 위험을 평가하기 위한 더 정확하고 유용한 도구를 제공할 수 있다.
일반적인 개요
몇몇 실시예에서, 본 명세서에 설명된 시스템, 디바이스 및 방법은 의료 영상 분석, 진단, 위험도 층화, 의사 결정 및/또는 질환 추적을 자동으로 및/또는 동적으로 수행하도록 구성된다. 도 1은 의료 영상 분석, 시각화, 위험 평가, 질환 추적, 치료 생성, 및/또는 환자 보고 생성을 위한 방법의 예시적인 실시예(들)의 개요를 도시하고 있는 흐름도이다. 도 1에 도시되어 있는 바와 같이, 몇몇 실시예에서, 시스템은 예를 들어 대상 또는 환자의 관상 영역의 의료 영상과 같은, 대상의 하나 이상의 의료 영상에 액세스하고 그리고/또는 분석하도록 구성된다.
몇몇 실시예에서, 의료 영상을 획득하기 전에, 블록 102에서 정규화 디바이스가 대상에 부착되고 그리고/또는 의료 영상 스캐너의 시야 내에 배치된다. 예를 들어, 몇몇 실시예에서, 정규화 디바이스는 물, 칼슘, 및/또는 기타와 같은 하나 이상의 물질을 포함하는 하나 이상의 구획을 포함할 수 있다. 정규화 디바이스에 관한 부가의 상세가 이하에 제공된다. 의료 영상 스캐너는 동일한 객체에 대해 상이한 확장 가능한 방사선 밀도를 갖는 영상을 생성할 수도 있다. 이는 예를 들어, 사용된 의료 영상 스캐너 또는 장비의 유형 뿐만 아니라, 또한 스캔 파라미터 및/또는 스캔이 행해진 때의 특정 날짜 및/또는 시간의 환경에 의존할 수 있다. 그 결과, 동일한 대상의 2개의 상이한 스캔이 행해지더라도, 생성 의료 영상의 밝기 및/또는 어둡기가 상이할 수도 있는데, 이는 해당 영상으로부터 처리된 정확하지 못한 분석 결과를 야기할 수 있다. 이러한 차이를 고려하기 위해, 몇몇 실시예에서, 하나 이상의 공지의 요소를 포함하는 정규화 디바이스가 대상과 함께 스캔되고, 하나 이상의 공지의 요소의 생성 영상이 생성 영상을 번역, 변환 및/또는 정규화하기 위한 기반으로서 사용될 수 있다. 이와 같이, 몇몇 실시예에서, 정규화 디바이스는 대상에 부착되고 그리고/또는 의료 시설에서 의료 영상 스캔의 시야 내에 배치된다.
몇몇 실시예에서, 블록 104에서, 의료 시설은 이어서 대상의 하나 이상의 의료 영상을 획득한다. 예를 들어, 의료 영상은 대상 또는 환자의 관상 영역의 것일 수 있다. 몇몇 실시예에서, 본 명세서에 개시된 시스템은, 이들에 한정되는 것은 아니지만, x-레이; 이중 에너지 컴퓨터 단층 촬영(DECT), 스펙트럼 CT, 광자 계수 검출기 CT, 심장초음파 또는 혈관내 초음파(IVUS)와 같은 초음파; 자기 공명(MR) 영상; 광 간섭 단층 촬영(OCT); 양전자 방출 단층 촬영(PET) 및 단일 광자 방출 컴퓨터 단층 촬영(SPECT)을 포함하는 핵의학 영상; 근거리 적외선 분광법(NIRS); 및/또는 기타와 같은 영상 도메인 또는 투영 도메인으로부터 CT 데이터를 원시 스캔 데이터 또는 임의의 다른 의료 데이터로서 취하도록 구성될 수 있다. 본 명세서에 사용될 때, 용어 CT 영상 데이터 또는 CT 스캔 데이터는 전술된 의료 스캐닝 양식 중 임의의 하나로 치환될 수 있고, 처리된 CT 영상 데이터를 생성하기 위해 인공 지능(AI) 알고리즘 시스템을 통해 이러한 데이터를 처리할 수 있다. 몇몇 실시예에서, 이들 영상화 양식으로부터의 데이터는 심혈관 표현형의 결정을 가능하게 하고, 영상 도메인 데이터, 투영 도메인 데이터, 및/또는 양자 모두의 조합을 포함할 수 있다.
몇몇 실시예에서, 블록 106에서, 의료 시설은 또한 대상으로부터 비영상 데이터를 획득할 수 있다. 예를 들어, 이는 혈액 검사, 바이오마커, 팬오믹스(panomics), 및/또는 기타를 포함할 수 있다. 몇몇 실시예에서, 블록 108에서, 의료 시설은 블록 108에서 하나 이상의 의료 영상 및/또는 다른 비영상 데이터를 메인 서버 시스템으로 전송할 수 있다. 몇몇 실시예에서, 메인 서버 시스템은 블록 110에서 의료 영상 및/또는 다른 비영상 데이터를 수신하고 그리고/또는 다른 방식으로 액세스하도록 구성될 수 있다.
몇몇 실시예에서, 블록 112에서, 시스템은 의료 영상 데이터베이스(100)로부터 저장 및/또는 액세스될 수 있는 하나 이상의 의료 영상을 자동으로 및/또는 동적으로 분석하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 원시 CT 영상 데이터를 취하고, CT 데이터 내의 식별된 동맥의 다양한 양태를 식별, 측정 및/또는 분석하기 위해 인공 지능(AI) 알고리즘, 기계 학습(ML) 알고리즘, 및/또는 다른 물리 기반 알고리즘을 원시 CT 데이터에 적용하도록 구성될 수 있다. 몇몇 실시예에서, 원시 의료 영상 데이터의 입력은 원시 의료 영상 데이터를 클라우드 기반 데이터 저장소 시스템에 업로드하는 것을 수반한다. 몇몇 실시예에서, 의료 영상 데이터의 처리는 AI 및/또는 ML 알고리즘을 사용하여 클라우드 기반 컴퓨팅 시스템에서 데이터를 처리하는 것을 수반한다. 몇몇 실시예에서, 시스템은 약 1분, 약 2분, 약 3분, 약 4분, 약 5분, 약 6분, 약 7분, 약 8분, 약 9분, 약 10분, 약 15분, 약 20분, 약 30분, 약 35분, 약 40분, 약 45분, 약 50분, 약 55분, 약 60분 내에, 및/또는 전술된 값들 중 2개에 의해 정의된 범위 내에서 원시 CT 데이터를 분석하도록 구성될 수 있다.
몇몇 실시예에서, 시스템은 의료 영상 내에서 하나 이상의 혈관을 식별 및/또는 분석하기 위해 혈관 식별 알고리즘을 이용하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 의료 영상 내에서 하나 이상의 관상 동맥을 식별 및/또는 분석하기 위해 관상 동맥 식별 알고리즘을 이용하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 의료 영상 내에서 하나 이상의 플라크의 영역을 식별 및/또는 분석하기 위해 플라크 식별 알고리즘을 이용하도록 구성될 수 있다. 몇몇 실시예에서, 혈관 식별 알고리즘, 관상 동맥 식별 알고리즘, 및/또는 플라크 식별 알고리즘은 AI 및/또는 ML 알고리즘을 포함한다. 예를 들어, 몇몇 실시예에서, 혈관 식별 알고리즘, 관상 동맥 식별 알고리즘, 및/또는 플라크 식별 알고리즘은 하나 이상의 혈관, 관상 동맥 및/또는 플라크의 영역이 미리 식별되는 복수의 의료 영상에 대해 훈련될 수 있다. 이러한 훈련에 기초하여, 예를 들어 몇몇 실시예에서 컨볼루션 신경망의 사용에 의해, 시스템은 원시 의료 영상으로부터 혈관, 관상 동맥 및/또는 플라크의 존재 및/또는 파라미터를 자동으로 및/또는 동적으로 식별하도록 구성될 수 있다.
이와 같이, 몇몇 실시예에서, 의료 영상 또는 원시 CT 스캔 데이터의 처리는 환자의 특정 동맥 혈관의 존재 및/또는 비존재를 결정 및/또는 식별하기 위해 의료 영상 또는 CT 데이터의 분석을 포함할 수 있다. 자연적으로 발생하는 현상으로서, 특정 동맥은 특정 환자에 존재할 수도 있는 반면 이러한 특정 동맥은 다른 환자에게는 존재하지 않을 수도 있다.
몇몇 실시예에서, 블록 112에서, 시스템은 예를 들어 AI 및/또는 ML 알고리즘을 사용하여, 식별된 혈관, 관상 동맥 및/또는 플라크를 분석하도록 추가로 구성될 수 있다. 특히, 몇몇 실시예에서, 시스템은 예를 들어 동맥 리모델링, 곡률, 체적, 폭, 직경, 길이, 및/또는 기타와 같은 하나 이상의 혈관 형태 파라미터를 결정하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 예를 들어 의료 영상 내에 보여진 플라크의 하나 이상의 영역의 체적, 표면적, 기하학 형상, 방사선 밀도, 표면적에 대한 체적의 비 또는 함수, 이질성 지수, 및/또는 기타와 같은 하나 이상의 플라크 파라미터를 결정하도록 구성될 수 있다. 본 명세서에 사용될 때 "방사선 밀도"는 물질을 통과하는 전자기 관계(예를 들어, X-레이)의 상대적인 무능력을 나타내는 광범위한 용어이다. 영상과 관련하여, 방사선 밀도 값은 영상 내의 방사선 밀도 값이 영상 내에 묘사된 물질의 밀도에 대응하는 영상 데이터(예를 들어, 필름, 인쇄물 또는 전자 포맷) 내의 밀도를 나타내는 값을 칭한다.
몇몇 실시예에서, 블록 114에서, 시스템은 대상의 특정 시점 분석을 수행하기 위해 의료 영상으로부터 식별 및/또는 분석된 혈관, 관상 동맥 및/또는 플라크를 이용하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 하나 이상의 혈관, 관상 동맥 및/또는 플라크를 식별 및/또는 분석하고 하나 이상의 파라미터 및/또는 그 분류를 도출하기 위해 하나의 시점으로부터 촬영된 하나 이상의 의료 영상의 자동 및/또는 동적 영상 처리를 사용하도록 구성될 수 있다. 예를 들어, 본 명세서에 더 상세히 설명되는 바와 같이, 몇몇 실시예에서, 시스템은 플라크의 하나 이상의 정량화 메트릭을 생성하고 그리고/또는 플라크의 식별된 영역을 양호 또는 불량 플라크로서 분류하도록 구성될 수 있다. 또한, 몇몇 실시예에서, 블록 114에서, 시스템은 분석 결과에 기초하여 대상에 대한 하나 이상의 치료 계획을 생성하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 혈관 또는 플라크를 식별 및/또는 분석하고, 하나 이상의 정량화 메트릭 및/또는 분류를 도출하고, 및/또는 치료 계획을 생성하기 위해 하나 이상의 AI 및/또는 ML 알고리즘을 이용하도록 구성될 수 있다.
몇몇 실시예에서, 대상의 이전 스캔 또는 의료 영상이 존재하면, 시스템은 블록 126에서 질환 추적과 같은 하나 이상의 시간 기반 분석을 수행하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템이 대상의 이전 스캔 또는 의료 영상으로부터 도출된 하나 이상의 정량화된 파라미터 또는 분류에 액세스를 가지면, 시스템은 이들을 현재 스캔 또는 의료 영상으로부터 도출된 하나 이상의 정량화된 파라미터 또는 분류와 비교하여 질환의 진행 및/또는 대상의 상태를 결정하도록 구성될 수 있다.
몇몇 실시예에서, 블록 116에서, 시스템은 블록 116에서의 분석 결과의 그래픽 사용자 인터페이스(GUI) 또는 다른 시각화를 자동으로 및/또는 동적으로 생성하도록 구성되는데, 이 분석 결과는 예를 들어 식별된 혈관, 플라크의 영역, 관상 동맥, 정량화된 메트릭 또는 파라미터, 위험 평가, 제안된 치료 계획 및/또는 본 명세서에 설명된 임의의 다른 분석 결과를 포함할 수 있다. 몇몇 실시예에서, 시스템은 CT 스캔 데이터에 존재하는 동맥을 분석하고 예를 들어 10 내지 15분 또는 그 미만 이내에 환자에게 존재하는 동맥의 다양한 뷰를 디스플레이하도록 구성된다. 대조적으로, 예로서, 양호 또는 불량 플라크 또는 임의의 다른 인자의 고려 없이, 협착만을 식별하기 위해 CT의 시각적 평가를 수행하는 것은 기술 레벨에 따라 15분 내지 1시간 초과 소용될 수 있고, 또한 방사선 전문의 및/또는 심장 이미저를 가로질러 상당한 가변성을 가질 수 있다.
몇몇 실시예에서, 블록 118에서, 시스템은 생성된 GUI 또는 다른 시각화, 분석 결과, 및/또는 치료를 의료 시설에 전송하도록 구성될 수 있다. 몇몇 실시예에서, 블록 120에서, 의료 시설에서 의사는 이어서 생성된 GUI 또는 다른 시각화, 분석 결과, 및/또는 치료를 검토 및/또는 확인 및/또는 수정할 수 있다.
몇몇 실시예에서, 블록 122에서, 시스템은 블록 124에서 동일한 것을 수신할 수 있는 환자에게 환자-특정 의료 보고를 추가로 생성하고 전송하도록 구성될 수 있다. 몇몇 실시예에서, 환자-특정 의료 보고는 의료 영상 처리 및 분석으로부터 도출된 분석 결과 및/또는 그로부터 생성된 다른 분석 결과에 기초하여 동적으로 생성될 수 있다. 예를 들어, 환자-특정 보고는 식별된 혈관, 플라크의 영역, 관상 동맥, 정량화된 메트릭 또는 파라미터, 위험 평가, 제안된 치료 계획 및/또는 본 명세서에 설명된 임의의 다른 분석 결과를 포함할 수 있다.
몇몇 실시예에서, 도 1에 도시되어 있는 프로세스 중 하나 이상은 예를 들어 질환의 진행 및/또는 환자의 상태를 추적하기 위해 상이한 시간에 동일한 환자에 대해 반복될 수 있다.
양호 대 불량 플라크의 영상 처리 기반 분류
설명된 바와 같이, 몇몇 실시예에서, 본 명세서에 설명된 시스템, 방법 및 디바이스는 의료 영상 분석 및/또는 처리에 기초하여 양호 대 불량 플라크 또는 안정 대 불안정 플라크를 자동으로 및/또는 동적으로 식별 및/또는 분류하도록 구성된다. 예를 들어, 몇몇 실시예에서, 시스템은 동맥 내에서, 동맥을 따라, 동맥 내부 및/또는 외부의 플라크 축적을 나타내는 동맥 내의 영역을 식별하기 위해 AI 및/또는 ML 알고리즘을 이용하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 동맥 혈관 벽과 연관된 플라크 축적의 윤곽 또는 경계를 식별하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 동맥과 연관된 플라크 축적의 형상 및 구성을 윤곽화하는 라인을 작도하거나 생성하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 플라크 축적이 특정 종류의 플라크인지 여부 및/또는 특정 플라크 축적의 조성 또는 특성화를 식별하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 이진법으로, 순서대로 및/또는 연속적으로 플라크를 특성화하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 식별된 플라크 축적의 종류가 플라크 영역에 대응하는 영상의 어두운 컬러 또는 어두운 회색조 특성으로 인해, 및/또는 그 감쇠 밀도의 결정에 의해(예를 들어, 하운즈필드(Hounsfield) 단위 척도 또는 다른 것을 사용하여) "불량" 종류의 플라크인 것을 결정하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 플라크의 밝기가 미리 결정된 레벨보다 어두우면 특정 플라크를 "불량" 플라크로서 식별하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 플라크 축적에 대응하는 영역의 백색 착색 및/또는 밝은 회색조 특성에 기초하여 양호 플라크 영역을 식별하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 플라크의 밝기가 미리 결정된 레벨보다 밝으면 특정 플라크를 "양호" 플라크로서 식별하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 CT 스캔 내의 어두운 영역이 "불량" 플라크와 관련되는 것으로 결정하도록 구성될 수 있고, 반면 시스템은 백색 영역에 대응하는 양호 플라크 영역을 식별하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 동맥 혈관 또는 복수의 혈관 내에서 식별된 총 플라크, 양호 플라크 및/또는 불량 플라크의 총 면적 및/또는 체적을 식별하고 결정하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 식별된 총 플라크 영역, 양호 플라크 영역 및/또는 불량 플라크 영역의 길이를 결정하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 식별된 총 플라크 영역, 양호 플라크 영역 및/또는 불량 플라크 영역의 폭을 결정하도록 구성될 수 있다. "양호" 플라크는 다른 것들 중에서도, 심근경색을 유발할 가능성이 적고, 상당한 플라크 진행을 나타낼 가능성이 적고, 그리고/또는 허혈 가능성이 적기 때문에 이와 같이 고려될 수도 있다. 반대로, "불량" 플라크는 다른 것들 중에서도, 심근경색을 유발할 가능성이 높고, 상당한 플라크 진행을 나타낼 가능성이 높고, 그리고/또는 허혈 가능성이 높기 때문에 이와 같이 고려된다. 몇몇 실시예에서, "양호" 플라크는 관상 혈관재형성시에 무-리플로우 현상을 야기할 가능성이 적기 때문에 이와 같이 고려될 수도 있다. 반대로, "불량" 플라크는 관상 혈관재형성시에 무-리플로우 현상을 유발할 가능성이 높기 때문에 이와 같이 고려될 수도 있다.
도 2a는 비침습적으로 획득될 수 있는 의료 영상으로부터 플라크의 분석 및 분류를 위한 방법의 예시적인 실시예(들)의 개요를 도시하고 있는 흐름도이다. 도 2a에 도시되어 있는 바와 같이, 블록 202에서, 몇몇 실시예에서, 시스템은 대상의 관상 영역을 포함할 수 있고 그리고/또는 의료 영상 데이터베이스(100)에 저장될 수 있는 의료 영상에 액세스하도록 구성될 수 있다. 의료 영상 데이터베이스(100)는 시스템에 의해 로컬로 액세스 가능할 수 있고 그리고/또는 원격으로 위치되고 네트워크 연결을 통해 액세스 가능할 수 있다. 의료 영상은 예를 들어 CT, 이중 에너지 컴퓨터 단층 촬영(DECT), 스펙트럼 CT, 광자 계수 CT, x-레이, 초음파, 심장초음파, 혈관내 초음파(IVUS), 자기 공명(MR) 영상, 광 간섭 단층 촬영(OCT), 핵의학 영상, 양전자 방출 단층 촬영(PET), 단일 광자 방출 컴퓨터 단층 촬영(SPECT) 또는 근거리 적외선 분광법(NIRS)과 같은 하나 이상의 양식을 사용하여 획득한 영상을 포함할 수 있다. 몇몇 실시예에서, 의료 영상은 조영 증강 CT 영상, 비조영 CT 영상, MR 영상, 및/또는 전술된 양식 중 임의의 것을 사용하여 획득된 영상 중 하나 이상을 포함한다.
몇몇 실시예에서, 시스템은 본 명세서에 설명된 바와 같이 의료 영상의 하나 이상의 분석을 자동으로 및/또는 동적으로 수행하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 블록 204에서, 시스템은 하나 이상의 동맥을 식별하도록 구성될 수 있다. 하나 이상의 동맥은 다른 것들 중에서도, 관상 동맥, 경동맥, 대동맥, 신장 동맥, 하지 동맥, 상지 동맥, 및/또는 대뇌 동맥을 포함할 수 있다. 몇몇 실시예에서, 시스템은 영상 처리를 사용하여 하나 이상의 동맥 또는 관상 동맥을 자동으로 및/또는 동적으로 식별하기 위해 하나 이상의 AI 및/또는 ML 알고리즘을 이용하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 하나 이상의 AI 및/또는 ML 알고리즘은 동맥 또는 관상 동맥이 식별되어 있는 의료 영상의 세트에 대해 컨볼루션 신경망(CNN)을 사용하여 훈련될 수 있어, 이에 의해 AI 및/또는 ML 알고리즘이 의료 영상으로부터 직접 동맥 또는 관상 동맥을 자동으로 식별하게 한다. 몇몇 실시예에서, 동맥 또는 관상 동맥은 크기 및/또는 위치에 의해 식별된다.
몇몇 실시예에서, 블록 206에서, 시스템은 의료 영상 내의 플라크의 하나 이상의 영역을 식별하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 영상 처리를 사용하여 플라크의 하나 이상의 영역을 자동으로 및/또는 동적으로 식별하기 위해 하나 이상의 AI 및/또는 ML 알고리즘을 이용하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 하나 이상의 AI 및/또는 ML 알고리즘은 플라크의 영역이 식별되어 있는 의료 영상의 세트에 대해 컨볼루션 신경망(CNN)을 사용하여 훈련될 수 있어, 이에 의해 AI 및/또는 ML 알고리즘이 의료 영상으로부터 직접 플라크의 영역을 자동으로 식별하게 한다. 몇몇 실시예에서, 시스템은 의료 영상 내의 각각의 식별된 관상 동맥에 대한 혈관 벽 및 내강 벽을 식별하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 이어서 혈관 벽과 내강 벽 사이의 체적을 플라크로서 결정하도록 구성된다. 몇몇 실시예에서, 시스템은 예를 들어, 정규화 디바이스를 사용하는 정규화에 의해 또는 정규화 없이 플라크와 일반적으로 연관된 방사선 밀도 값의 미리 결정된 임계값 또는 범위를 설정함으로써, 플라크와 일반적으로 연관된 방사선 밀도 값에 기초하여 플라크의 영역을 식별하도록 구성될 수 있다.
몇몇 실시예에서, 시스템은 의료 영상으로부터 블록 208에서 하나 이상의 혈관 형태 파라미터 및/또는 플라크 파라미터를 자동으로 및/또는 동적으로 결정하도록 구성된다. 몇몇 실시예에서, 하나 이상의 혈관 형태 파라미터 및/또는 플라크 파라미터는 의료 영상으로부터 도출된 정량화된 파라미터를 포함할 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 하나 이상의 혈관 형태 파라미터 및/또는 플라크 파라미터를 결정하기 위해 AI 및/또는 ML 알고리즘 또는 다른 알고리즘을 이용하도록 구성될 수 있다. 다른 예로서, 몇몇 실시예에서, 시스템은 양성 동맥 리모델링, 음성 동맥 리모델링 및/또는 중간 동맥 리모델링을 더 포함할 수 있는 플라크로 인한 동맥 리모델링의 분류와 같은 하나 이상의 혈관 형태 파라미터를 결정하도록 구성될 수 있다. 몇몇 실시예에서, 동맥 리모델링의 분류는 정상 데이터베이스로부터 검색될 수 있는 동일한 영역의 정상 기준 혈관 직경에 대한 플라크의 영역에서의 최대 혈관 직경의 비에 기초하여 결정된다. 몇몇 실시예에서, 시스템은 동일한 영역의 정상 기준 혈관 직경에 대한 플라크의 영역에서의 최대 혈관 직경의 비가 1.1 초과일 때 동맥 리모델링을 양성으로서 분류하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 정상 기준 혈관 직경에 대한 플라크의 영역에서의 최대 혈관 직경의 비가 0.95 미만일 때 동맥 리모델링을 음성으로서 분류하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 정상 기준 혈관 직경에 대한 플라크의 영역에서의 최대 혈관 직경의 비가 0.95 내지 1.1일 때 동맥 리모델링을 중간으로서 분류하도록 구성될 수 있다.
또한, 블록 208의 부분으로서, 몇몇 실시예에서, 시스템은 블록 201에서 플라크 및/또는 하나 이상의 혈관 또는 동맥의 하나 이상의 영역의 기하학 형상 및/또는 체적을 결정하도록 구성될 수 있다. 예를 들어, 시스템은 플라크의 특정 영역의 기하학 형상이 둥근형인지 장방형인지 또는 다른 형상인지를 결정하도록 구성될 수 있다. 몇몇 실시예에서, 플라크의 영역의 기하학 형상은 플라크의 안정성을 평가하는 데 있어서의 인자일 수 있다. 다른 예로서, 몇몇 실시예에서, 시스템은 의료 영상으로부터 혈관 또는 동맥의 곡률, 직경, 길이, 체적, 및/또는 임의의 다른 파라미터를 결정하도록 구성될 수 있다.
몇몇 실시예에서, 블록 208의 부분으로서, 시스템은 블록 203에서 예를 들어, 플라크의 영역의 직경, 반경 및/또는 두께와 같은, 플라크의 영역의 체적 및/또는 표면적 및/또는 플라크의 영역의 표면적에 대한 체적의 비 또는 다른 함수를 결정하도록 구성될 수 있다. 몇몇 실시예에서, 낮은 표면적에 대한 체적의 비를 갖는 플라크는 플라크가 안정하다는 것을 나타낼 수 있다. 이와 같이, 몇몇 실시예에서, 시스템은 미리 결정된 임계값 미만의 플라크의 영역의 표면적에 대한 체적의 비가 안정 플라크를 나타내는 것을 결정하도록 구성될 수 있다.
몇몇 실시예에서, 블록 208의 부분으로서, 시스템은 블록 205에서 플라크의 영역의 이질성 지수를 결정하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 낮은 이질성 또는 높은 균질성을 갖는 플라크는 플라크가 안정하다는 것을 나타낼 수 있다. 이와 같이, 몇몇 실시예에서, 시스템은 미리 결정된 임계값 미만의 플라크의 영역의 이질성이 안정 플라크를 나타내는 것으로 결정하도록 구성될 수 있다. 몇몇 실시예에서, 플라크의 영역의 이질성 또는 균질성은 플라크의 영역 내의 방사선 밀도 값의 이질성 또는 균질성에 기초하여 결정될 수 있다. 이와 같이, 몇몇 실시예에서, 시스템은 플라크의 기하학적 형상 또는 영역 내의 또는 가로지르는 방사선 밀도 값의 3차원 막대 그래프와 같은 공간 맵핑을 생성함으로써 플라크의 이질성 지수를 결정하도록 구성될 수 있다. 몇몇 실시예에서, 공간 맵핑을 가로지르는 방사선 밀도 값의 구배 또는 변화가 특정 임계값 초과이면, 시스템은 높은 이질성 지수를 할당하도록 구성될 수 있다. 반대로, 몇몇 실시예에서, 공간 맵핑을 가로지르는 방사선 밀도 값의 구배 또는 변화가 특정 임계값 미만이면, 시스템은 낮은 이질성 지수를 할당하도록 구성될 수 있다.
몇몇 실시예에서, 블록 208의 부분으로서, 시스템은 블록 207에서 플라크 및/또는 그 조성의 방사선 밀도를 결정하도록 구성될 수 있다. 예를 들어, 높은 방사선 밀도 값은 플라크가 고도로 석회화되거나 안정한 것을 나타낼 수 있고, 반면 낮은 방사선 밀도 값은 플라크가 덜 석회화되거나 불안정한 것을 나타낼 수 있다. 이와 같이, 몇몇 실시예에서, 시스템은 미리 결정된 임계값 초과의 플라크의 영역의 방사선 밀도가 안정한 안정화된 플라크를 나타내는 것으로 결정하도록 구성될 수 있다. 게다가, 플라크의 영역 내의 상이한 영역은 상이한 레벨에서 석회화되고 이에 의해 상이한 방사선 밀도 값을 나타낼 수 있다. 이와 같이, 몇몇 실시예에서, 시스템은 플라크의 영역의 방사선 밀도 값 및/또는 플라크의 영역 내의 방사선 밀도 값의 조성 또는 백분율 또는 변화를 결정하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 플라크의 영역 내의 얼마나 많은 플라크 또는 플라크의 얼마의 백분율이 낮은 범위, 중간 범위, 높은 범위 및/또는 임의의 다른 분류 내에서 방사선 밀도 값을 나타내는지를 결정하도록 구성될 수 있다.
유사하게, 몇몇 실시예에서, 블록 208의 부분으로서, 시스템은 블록 209에서 플라크의 체적에 대한 플라크의 방사선 밀도 값의 비를 결정하도록 구성될 수 있다. 예를 들어, 플라크의 큰 또는 작은 영역이 높은 또는 낮은 방사선 밀도 값을 나타내는지 여부를 평가하는 것이 중요할 수 있다. 이와 같이, 몇몇 실시예에서, 시스템은 플라크 체적의 함수 또는 비로서 상이한 방사선 밀도 값을 포함하는 플라크의 백분율 조성을 결정하도록 구성될 수 있다.
몇몇 실시예에서, 블록 208의 부분으로서, 시스템은 블록 211에서 확산율을 결정하고 그리고/또는 플라크의 영역에 확산율 지수를 할당하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 플라크의 확산율은 플라크의 방사선 밀도 값에 의존할 수 있는데, 여기서 높은 방사선 밀도 값은 플라크의 낮은 확산율 또는 안정성을 나타낼 수 있다.
몇몇 실시예에서, 블록 210에서, 시스템은 원시 의료 영상으로부터 결정 및/또는 도출된 하나 이상의 혈관 형태 파라미터 및/또는 정량화된 플라크 파라미터에 기초하여 의료 영상으로부터 식별된 플라크의 하나 또는 영역을 안정 대 불안정 또는 양호 대 불량으로 분류하도록 구성될 수 있다. 특히, 몇몇 실시예에서, 시스템은 원시 의료 영상으로부터 결정 및/또는 도출된 하나 이상의 혈관 형태 파라미터 및/또는 정량화된 플라크 파라미터의 가중 측정치를 생성하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 하나 이상의 혈관 형태 파라미터 및/또는 정량화된 플라크 파라미터를 동등하게 가중하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 하나 이상의 혈관 형태 파라미터 및/또는 정량화된 플라크 파라미터를 상이하게 가중하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 로그함수적으로, 대수적으로, 및/또는 다른 수학적 변환을 이용하여 하나 이상의 혈관 형태 파라미터 및/또는 정량화된 플라크 파라미터를 가중하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 생성된 가중 측정치를 사용하여 및/또는 혈관 형태 파라미터 및/또는 정량화된 플라크 파라미터의 일부만을 사용하여 블록 210에서 플라크의 하나 이상의 영역을 분류하도록 구성된다.
몇몇 실시예에서, 블록 212에서, 시스템은 분석 및/또는 결정된 파라미터에 기초하여 양자화된 컬러 맵핑을 생성하도록 구성된다. 예를 들어, 몇몇 실시예에서, 시스템은 본 명세서에 설명된 임의의 분석 기술을 사용하여 결정된 바와 같은 석회화 플라크, 비석회화 플라크, 양호 플라크, 불량 플라크, 안정 플라크 및/또는 불안정 플라크의 양자화된 컬러 맵핑을 생성함으로써 분석된 의료 영상의 시각화를 생성하도록 구성된다. 또한, 몇몇 실시예에서, 정량화된 컬러 맵핑은 또한 예를 들어 하나 이상의 AI 및/또는 ML 알고리즘을 이용함으로써 시스템에 의해 결정될 수 있는 동맥 및/또는 심장외막 지방을 또한 포함할 수 있다.
몇몇 실시예에서, 블록 214에서, 시스템은 예를 들어 원시 의료 영상으로부터 자동으로 도출된 플라크의 분류와 같은 분석에 기초하여 대상에 대해 제안된 치료 계획을 생성하도록 구성된다. 특히, 몇몇 실시예에서, 시스템은 원시 의료 영상 및 그 자동화된 영상 처리에 기초하여 대상의 죽상동맥경화증, 협착증 및/또는 허혈의 위험을 평가하거나 예측하도록 구성될 수 있다.
몇몇 실시예에서, 도 2a와 관련하여 본 명세서에 설명된 하나 이상의 프로세스는 반복될 수 있다. 예를 들어, 동일한 대상의 의료 영상이 나중의 시점에 다시 촬영되면, 본 명세서에 설명된 하나 이상의 프로세스가 반복될 수 있고 그 분석 결과는 질환 추적 및/또는 다른 목적을 위해 사용될 수 있다.
비조영 CT 영상(들)으로부터 비석회화 플라크의 결정
본 명세서에 설명된 바와 같이, 몇몇 실시예에서, 시스템은 예를 들어 심혈관 이벤트의 위험을 포함하여, 대상을 평가하기 위해 하나 이상의 영상 분석 기술을 수행하기 위한 입력으로서 대상의 CT 또는 다른 의료 영상을 이용하도록 구성될 수 있다. 몇몇 실시예에서, 이러한 CT 영상은 조영 증강 CT 영상을 포함할 수 있는데, 이 경우 본 명세서에 설명된 분석 기술 중 몇몇은 예를 들어 플라크를 식별하거나 분류하기 위해 직접 적용될 수 있다. 그러나, 몇몇 실시예에서, 이러한 CT 영상은 비조영 CT 영상을 포함할 수 있는데, 이 경우 그 낮은 방사선 밀도 값 및 예를 들어 혈액과 같은 다른 낮은 방사선 밀도 값 성분과 중첩으로 인해 비석회화 플라크를 식별 및/또는 결정하기가 더 어려울 수 있다. 이와 같이, 몇몇 실시예에서, 본 명세서에 설명된 시스템, 디바이스 및 방법은 비조영 CT 영상으로부터 비석회화 플라크를 결정하기 위한 신규한 접근법을 제공하는데, 이는 더 널리 이용 가능할 수 있다.
또한, 몇몇 실시예에서, 조영 증강 CT 스캔을 분석하는 것에 추가하여 또는 그 대신에, 시스템은 또한 비조영 CT 스캔에서 동맥 내에서 유동하는 혈액의 감쇠 밀도보다 낮은 동맥 내의 감쇠 밀도를 검사하도록 구성될 수 있다. 몇몇 실시예에서, 이들 "저감쇠" 플라크는 혈액 감쇠 밀도와 때때로 관상 동맥을 둘러싸고 그리고/또는 상이한 물질의 비석회화 플라크를 나타낼 수도 있는 지방 사이에서 구별될 수도 있다. 몇몇 실시예에서, 이들 비석회화 플라크의 존재는 이전에 석회화된 플라크가 안정화 또는 악화 또는 진행 또는 퇴행하는지 여부에 대한 점증적 예측을 제공할 수도 있다. 이들 실시예를 통해 측정 가능한 이들 발견은 환자의 예후와 연계될 수도 있고, 여기서, 칼슘 안정화(즉, 더 높은 감쇠 밀도) 및 비석회화 플라크의 결여는 유리한 예후와 연관될 수도 있고, 반면 칼슘 안정화의 결여(즉, 감쇠 밀도의 증가 없음) 또는 상당한 진행 또는 새로운 칼슘 형성은 질환, 심근경색 또는 다른 주요 불리한 심혈관 이벤트의 급속 진행의 위험을 포함하여, 더 열악한 예후와 연관될 수도 있다.
도 2b는 비조영 CT 영상과 같은 의료 영상으로부터 비석회화 및/또는 저감쇠 플라크의 결정을 위한 방법의 예시적인 실시예(들)의 개요를 도시하고 있는 흐름도이다. 본 명세서에 설명되고 도 2b에 도시되어 있는 바와 같이, 몇몇 실시예에서, 시스템은 의료 영상으로부터 비석회화 및/또는 저감쇠 플라크를 결정하도록 구성될 수 있다. 몇몇 실시예에서, 의료 영상은 대상 또는 환자의 관상 영역의 것일 수 있다. 몇몇 실시예에서, 의료 영상은 CT, 이중 에너지 컴퓨터 단층 촬영(DECT), 스펙트럼 CT, x-레이, 초음파, 심장초음파, IVUS, MR, OCT, 핵의학 영상, PET, SPECT, NIRS, 및/또는 기타와 같은 하나 이상의 양식을 사용하여 획득될 수 있다. 몇몇 실시예에서, 시스템은 블록 202에서, 예를 들어 의료 영상 데이터베이스(100)로부터 하나 이상의 의료 영상에 액세스하도록 구성될 수 있다.
몇몇 실시예에서, 의료 영상 또는 비조영 CT 영상으로부터 비석회화 및/또는 저감쇠 플라크를 결정하기 위해, 시스템은 명확하게 비석회화 플라크인 의료 영상 내의 영역을 먼저 식별하기 위해 단계적 접근법을 이용하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 이어서 비석회화 및/또는 저감쇠 플라크의 다른 영역을 식별하기 위해 영상 내의 나머지 영역의 더 상세한 분석을 수행할 수 있다. 이러한 구획화 또는 단계적 접근법을 이용함으로써, 몇몇 실시예에서, 시스템은 영상의 모든 영역 또는 픽셀에 대한 더 복잡한 분석을 적용해야 하기보다는 더 빠른 전환으로 의료 영상 또는 비조영 CT 영상으로부터 비석회화 및/또는 저감쇠 플라크를 식별하거나 결정할 수 있다.
특히, 몇몇 실시예에서, 블록 224에서, 시스템은 의료 영상으로부터 심장외막 지방을 식별하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 미리 결정된 임계값 미만 및/또는 미리 결정된 범위 내에서 방사선 밀도 값을 갖는 영상 내의 모든 픽셀 또는 영역을 결정함으로써 심장외막 지방을 식별하도록 구성될 수 있다. 심장외막 지방을 식별하기 위한 방사선 밀도의 정확한 미리 결정된 임계값 또는 범위는 의료 영상, 스캐너 유형, 스캔 파라미터, 및/또는 기타에 의존할 수 있는데, 이것이 정규화 디바이스가 몇몇 경우에 의료 영상을 정규화하기 위해 사용될 수 있는 이유이다. 예를 들어, 몇몇 실시예에서, 시스템은 약 -100 하운즈필드 단위 및/또는 -100 하운즈필드 단위를 포함하는 범위 내에 있는 방사선 밀도 값을 갖는 의료 영상 또는 비조영 CT 영상 내의 심장외막 지방 픽셀 및/또는 영역으로서 식별하도록 구성될 수 있다. 특히, 몇몇 실시예에서, 시스템은 약 -100 하운즈필드 단위, 약 -110 하운즈필드 단위, 약 -120 하운즈필드 단위, 약 -130 하운즈필드 단위, 약 -140 하운즈필드 단위, 약 -150 하운즈필드 단위, 약 -160 하운즈필드 단위, 약 -170 하운즈필드 단위, 대략 -180 하운즈필드 단위, 약 -190 하운즈필드 단위, 또는 약 -200 하운즈필드 단위의 하한, 및 약 30 하운즈필드 단위, 약 20 하운즈필드 단위, 약 10 하운즈필드 단위, 약 0 하운즈필드 단위, 약 -10 하운즈필드 단위, 약 -20 하운즈필드 단위, 약 -30 하운즈필드 단위, 약 -40 하운즈필드 단위, 약 -50 하운즈필드 단위, 약 -60 하운즈필드 단위, 약 -70 하운즈필드 단위, 약 -80 하운즈필드 단위 또는 약 -90 하운즈필드 단위의 상한을 갖는 범위 내에 있는 방사선 밀도 값을 갖는 의료 영상 또는 비조영 CT 영상 내의 심장외막 지방 픽셀 및/또는 영역으로서 식별하도록 구성될 수 있다.
몇몇 실시예에서, 시스템은 동맥의 외부 경계로서 식별된 심장외막 지방을 사용하여 의료 영상 또는 비조영 CT 영상에서 동맥을 식별 및/또는 세그먼트화하도록 구성될 수 있다. 예를 들어, 시스템은 먼저 의료 영상에서 심장외막 지방의 영역을 식별하고 심장외막 지방 사이의 체적을 관상 동맥과 같은 동맥으로서 할당하도록 구성될 수 있다.
몇몇 실시예에서, 블록 226에서, 시스템은 식별된 동맥 내와 같은, 의료 영상 내의 픽셀 또는 영역의 제1 세트를 비석회화 또는 저감쇠 플라크로서 식별하도록 구성될 수 있다. 더 구체적으로, 몇몇 실시예에서, 시스템은 미리 결정된 임계값 미만 또는 미리 결정된 범위 내에 있는 방사선 밀도 값을 갖는 픽셀 또는 영역을 식별함으로써 초기 세트의 저감쇠 또는 비석회화 플라크로서 식별하도록 구성될 수 있다. 예를 들어, 미리 결정된 임계값 또는 미리 결정된 범위는 생성 픽셀이 혈액과 같은 다른 물질과 혼동의 가능성 없이 저감쇠 또는 비석회화 플라크로서 확신 있게 마킹될 수 있도록 설정될 수 있다. 특히, 몇몇 실시예에서, 시스템은 약 30 하운즈필드 단위 미만의 방사선 밀도 값을 갖는 픽셀 또는 영역을 식별함으로써 저감쇠 또는 비석회화 플라크의 초기 세트를 식별하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 약 60 하운즈필드 단위, 약 55 하운즈필드 단위, 약 50 하운즈필드 단위, 약 45 하운즈필드 단위, 약 40 하운즈필드 단위, 약 35 하운즈필드 단위, 약 30 하운즈필드 단위, 약 25 하운즈필드 단위, 약 20 하운즈필드 단위, 약 15 하운즈필드 단위, 약 10 하운즈필드 단위, 약 5 하운즈필드 단위 이하의 방사선 밀도 값을 갖는, 및/또는 약 0 하운즈필드 단위, 약 5 하운즈필드 단위, 약 10 하운즈필드 단위, 약 15 하운즈필드 단위, 약 20 하운즈필드 단위, 약 25 하운즈필드 단위 및/또는 약 30 하운즈필드 단위 이상의 방사선 밀도 값을 갖는 픽셀 또는 영역을 식별함으로써 저감쇠 또는 비석회화 플라크의 초기 세트를 식별하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 블록 238에서 식별된 비석회화 또는 저감쇠 플라크의 제1 세트로서 방사선 밀도 값의 이 미리 결정된 범위 내에 또는 미만에 속하는 픽셀 또는 영역을 분류하도록 구성될 수 있다.
몇몇 실시예에서, 시스템은 블록 228에서, 저감쇠 또는 비석회화 플라크를 나타낼 수도 있고 또는 나타내지 않을 수도 있는 식별된 동맥 내와 같은 의료 영상 내의 픽셀 또는 영역의 제2 세트를 식별하도록 구성될 수 있다. 설명된 바와 같이, 몇몇 실시예에서, 픽셀 또는 영역의 후보의 제2 세트는 플라크를 나타내는지 확인하기 위해 부가의 분석을 필요로 할 수도 있다. 특히, 몇몇 실시예에서, 시스템은 미리 결정된 범위 내의 방사선 밀도 값을 갖는 영상의 픽셀 또는 영역을 식별함으로써 잠재적으로 저감쇠 또는 비석회화 플라크일 수도 있는 이 픽셀 또는 영역의 제2 세트를 식별하도록 구성될 수 있다. 몇몇 실시예에서, 이 픽셀 또는 영역의 제2 세트를 식별하기 위한 미리 결정된 범위는 약 30 하운즈필드 단위 내지 100 하운즈필드 단위일 수 있다. 몇몇 실시예에서, 이 픽셀 또는 영역의 제2 세트를 식별하기 위한 미리 결정된 범위는 약 0 하운즈필드 단위, 5 하운즈필드 단위, 10 하운즈필드 단위, 15 하운즈필드 단위, 20 하운즈필드 단위, 25 하운즈필드 단위, 30 하운즈필드 단위, 35 하운즈필드 단위, 40 하운즈필드 단위, 45 하운즈필드 단위, 50 하운즈필드 단위의 하한, 및/또는 약 55 하운즈필드 단위, 60 하운즈필드 단위, 65 하운즈필드 단위, 70 하운즈필드 단위, 75 하운즈필드 단위, 80 하운즈필드 단위, 85 하운즈필드 단위, 90 하운즈필드 단위, 95 하운즈필드 단위, 100 하운즈필드 단위, 110 하운즈필드 단위, 120 하운즈필드 단위, 130 하운즈필드 단위, 140 하운즈필드 단위, 150 하운즈필드 단위의 상한을 가질 수 있다.
몇몇 실시예에서, 블록 230에서, 시스템은 식별된 픽셀 또는 영역의 제2 세트의 이질성의 분석을 수행하도록 구성될 수 있다. 예를 들어, 픽셀의 제2 세트를 식별하는 데 사용되는 방사선 밀도 값의 범위에 따라, 몇몇 실시예에서, 픽셀 또는 영역의 제2 세트는 혈액 및/또는 플라크를 포함할 수도 있다. 혈액은 일반적으로 플라크에 비교하여 방사선 밀도 값의 더 균질한 구배를 나타낼 수 있다. 이와 같이, 몇몇 실시예에서, 제2 세트의 부분으로서 식별된 픽셀 또는 영역의 균질성 또는 이질성을 분석함으로써, 시스템은 혈액과 비석회화 또는 저감쇠 플라크를 구별하는 것이 가능할 수 있다. 이와 같이, 몇몇 실시예에서, 시스템은 플라크의 기하학적 형상 또는 영역 내의 또는 가로지르는 방사선 밀도 값의 3차원 막대 그래프와 같은 공간 맵핑을 생성함으로써 의료 영상으로부터 식별된 픽셀의 영역의 제2 세트의 이질성 지수를 결정하도록 구성될 수 있다. 몇몇 실시예에서, 공간 맵핑을 가로지르는 방사선 밀도 값의 구배 또는 변화가 특정 임계값 초과이면, 시스템은 높은 이질성 지수를 할당하고 그리고/또는 플라크로서 분류하도록 구성될 수 있다. 반대로, 몇몇 실시예에서, 공간 맵핑을 가로지르는 방사선 밀도 값의 구배 또는 변화가 특정 임계값 미만이면, 시스템은 낮은 이질성 지수를 할당하고 그리고/또는 혈액으로서 분류하도록 구성될 수 있다.
몇몇 실시예에서, 블록 240에서, 시스템은 의료 영상으로부터 식별된 픽셀의 영역의 제2 세트의 서브세트를 플라크 또는 비석회화 플라크 또는 저감쇠 플라크로서 식별하도록 구성될 수 있다. 몇몇 실시예에서, 블록 242에서, 시스템은 블록 238로부터 식별된 비석회화 또는 저감쇠 플라크의 제1 세트와 블록 240으로부터 식별된 비석회화 또는 저감쇠 플라크의 제2 세트를 조합하도록 구성될 수 있다. 이와 같이, 비조영 CT 영상을 사용하는 경우에도, 몇몇 실시예에서, 시스템은 혈액과 같은 다른 물질과의 가능한 중첩으로 인해 석회화 또는 고감쇠 플라크와 비교하여 식별하기 더 어려울 수 있는 저감쇠 또는 비석회화 플라크를 식별하도록 구성될 수 있다.
몇몇 실시예에서, 시스템은 또한 블록 232에서 의료 영상으로부터 석회화 또는 고감쇠 플라크를 결정하도록 구성될 수 있다. 이 프로세스는 의료 영상 또는 비조영 CT 영상으로부터 저감쇠 또는 비석회화 플라크를 식별하는 것과 비교하여 더 간단할 수 있다. 특히, 몇몇 실시예에서, 시스템은 미리 결정된 임계값을 초과하고 그리고/또는 미리 결정된 범위 내에 있는 방사선 밀도 값을 갖는 영상 내의 픽셀 또는 영역을 식별함으로써 의료 영상 또는 비조영 CT 영상으로부터 석회화 또는 고감쇠 플라크를 식별하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 약 100 하운즈필드 단위, 약 150 하운즈필드 단위, 약 200 하운즈필드 단위, 약 250 하운즈필드 단위, 약 300 하운즈필드 단위, 약 350 하운즈필드 단위, 약 400 하운즈필드 단위, 약 450 하운즈필드 단위, 약 500 하운즈필드 단위, 약 600 하운즈필드 단위, 약 700 하운즈필드 단위, 약 800 하운즈필드 단위, 약 900 하운즈필드 단위, 약 1000 하운즈필드 단위, 약 1100 하운즈필드 단위, 약 1200 하운즈필드 단위, 약 1300 하운즈필드 단위, 약 1400 하운즈필드 단위, 약 1500 하운즈필드 단위, 약 1600 하운즈필드 단위, 약 1700 하운즈필드 단위, 약 1800 하운즈필드 단위, 약 1900 하운즈필드 단위, 약 2000 하운즈필드 단위, 약 2500 하운즈필드 단위, 약 3000 하운즈필드 단위, 및/또는 임의의 다른 최소 임계값 초과의 방사선 밀도 값을 갖는 의료 영상 또는 비조영 CT 영상으로부터 석회화 또는 고감쇠 플라크 영역 또는 픽셀로서 식별하도록 구성될 수 있다.
몇몇 실시예에서, 블록 234에서, 시스템은 의료 영상으로부터 하나 이상의 식별된 물질의 양자화된 컬러 맵핑을 생성하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 비석회화 또는 저감쇠 플라크, 석회화 또는 고감쇠 플라크, 모든 플라크, 동맥, 심장외막 지방, 및/또는 기타와 같은 상이한 물질과 연관된 상이한 영역의 각각에 상이한 컬러를 할당하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 양자화된 컬러 맵의 시각화를 생성하고 그리고/또는 GUI를 통해 의료진 또는 환자에게 동일한 것을 제시하도록 구성될 수 있다. 몇몇 실시예에서, 블록 236에서, 시스템은 식별된 비석회화 또는 저감쇠 플라크, 석회화 또는 고감쇠 플라크, 모든 플라크, 동맥, 심장외막 지방, 및/또는 기타 중의 하나 이상에 기초하여 질환에 대한 제안된 치료 계획을 생성하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 동맥 질환, 신장 동맥 질환, 복부 죽상동맥경화증, 경동맥 죽상동맥경화증, 및/또는 기타에 대한 치료 계획을 생성하도록 구성될 수 있고, 분석되는 의료 영상은 이러한 질환 분석을 위한 대상의 임의의 하나 이상의 영역으로부터 취해질 수 있다.
몇몇 실시예에서, 도 2b와 관련하여 본 명세서에 설명된 하나 이상의 프로세스는 반복될 수 있다. 예를 들어, 동일한 대상의 의료 영상이 나중의 시점에 다시 촬영되면, 본 명세서에 설명된 하나 이상의 프로세스가 반복될 수 있고 그 분석 결과는 질환 추적 및/또는 다른 목적을 위해 사용될 수 있다.
또한, 몇몇 실시예에서, 시스템은 DECT 또는 스펙트럼 CT 영상으로부터 비석회화 플라크를 식별 및/또는 결정하도록 구성될 수 있다. 전술된 프로세스와 유사하게, 몇몇 실시예에서, 시스템은 DECT 또는 스펙트럼 CT 영상에 액세스하고, DECT 영상 또는 스펙트럼 CT에서 심장외막 지방을 식별하고 그리고/또는 DECT 영상 또는 스펙트럼 CT에서 하나 이상의 동맥을 세그먼트화하고, 동맥 내의 픽셀 또는 영역의 제1 세트를 저감쇠 또는 비석회화 플라크의 제1 세트로서 식별 및/또는 분류하고, 그리고/또는 동맥 내의 픽셀 또는 영역의 제2 세트를 저감쇠 또는 비석회화 플라크의 제2 세트로서 식별하도록 구성될 수 있다. 그러나, 전술된 기술과 달리, 예를 들어 DECT 또는 스펙트럼 CT 영상이 분석되는 것과 같은 몇몇 실시예에서, 시스템은 픽셀의 제2 세트의 이질성 및/또는 균질성 분석을 수행할 필요 없이 이들 픽셀의 제2 세트의 서브세트를 식별하도록 구성될 수 있다. 오히려, 몇몇 실시예에서, 시스템은 예를 들어 DECT 또는 스펙트럼 CT 영상의 이중 또는 다중 스펙트럼 양태를 이용함으로써, 영상으로부터 직접 혈액과 저감쇠 또는 비석회화 플라크를 구별하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 식별된 픽셀 또는 영역의 제1 세트와 저감쇠화 또는 비석회화 플라크로서 식별된 픽셀 또는 영역의 제2 세트의 서브세트를 조합하여 의료 영상에서 이들의 전체 세트를 식별하도록 구성될 수 있다. 몇몇 실시예에서, DECT 또는 스펙트럼 CT 영상을 분석하더라도, 시스템은 블록 230과 관련하여 전술된 것과 유사하게, 이질성 또는 균질성 분석을 수행함으로써 픽셀 또는 영역의 제2 세트를 추가로 분석하도록 구성될 수 있다. 예를 들어, DECT 또는 스펙트럼 CT 영상을 분석하더라도, 몇몇 실시예에서, 혈액의 특정 영역 및/또는 저감쇠 또는 비석회화 플라크 사이의 구별이 완전하고 그리고/또는 정확하지 않을 수도 있다.
영상 분석 기반 위험 평가
몇몇 실시예에서, 본 명세서에 설명된 시스템, 디바이스, 및 방법은 심혈관 이벤트, 주요 심혈관 이벤트(MACE), 급속 플라크 진행 및/또는 약물에 대한 무반응의 대상의 위험을 평가하기 위해 의료 영상 기반 처리를 이용하도록 구성된다. 특히, 몇몇 실시예에서, 시스템은 예를 들어, 몇 분 내에 전체 영상 기반 분석 보고를 제공하기 위해, AI 및/또는 ML 알고리즘을 사용하여, 비침습적으로 획득된 의료 영상만을 분석함으로써 대상의 이러한 건강 위험을 자동으로 및/또는 동적으로 평가하도록 구성될 수 있다.
특히, 몇몇 실시예에서, 시스템은 환자의 특정 동맥 내의 및/또는 모든 동맥 내의 플라크의 총량(및/또는 특정 유형의 플라크의 양)을 계산하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 특정 동맥 내의 및/또는 환자의 동맥의 일부 또는 전부를 가로지르는 총 동맥 영역 내의 불량 플라크의 총량을 결정하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 특정 동맥 및/또는 환자의 동맥의 일부 또는 전부를 가로지르는 총 동맥 영역 내의 플라크의 총량에 기초하여 특정 환자가 심근경색 또는 다른 심장 이벤트를 겪게 하는 위험 인자 및/또는 진단을 결정하도록 구성될 수 있다. "불량" 플라크의 양, 또는 "불량" 대 "양호" 플라크의 상대적인 양으로부터 결정될 수 있는 다른 위험 인자는 질환 진행의 속도 및/또는 허혈의 가능성을 포함할 수 있다. 몇몇 실시예에서, 플라크는 총 체적(또는 단면 영상 상의 면적)에 의해 뿐만 아니라 총 혈관 체적, 총 혈관 길이 또는 대치된 심근에 대해 정규화될 때 상대적인 양에 의해 측정될 수 있다.
몇몇 실시예에서, 관상 동맥의 영상 데이터는 죽상동맥경화증, 협착증 및 혈관 형태의 측정치를 포함할 수 있다. 몇몇 실시예에서, 이 정보는 좌심실 및 우심실, 좌심방 및 우심방; 대동맥, 승모판, 삼첨 판막 및 폐동맥 판막; 대동맥, 폐동맥, 폐정맥, 관상 정맥동 및 하대정맥 및 상대정맥; 심장외막 또는 관상 동맥주위 지방; 폐 밀도; 골밀도; 심막 및 다른 것들의 정량적 특성화에 의해 다른 심혈관 질환 표현형과 조합될 수 있다. 예로서, 몇몇 실시예에서, 관상 동맥에 대한 영상 데이터는 이것이 대치되는 동맥의 양 및 위치에 따라 세그먼트화될 수 있는 좌심실 질량과 통합될 수도 있다. 좌심실 분획 심근 질량과 관상 동맥 정보의 조합은 미래의 심근경색이 큰 것인지 작은 것일지 여부의 예측을 향상시킬 수도 있다. 다른 예로서, 몇몇 실시예에서, 관상 동맥의 혈관 체적은 좌심실 비대의 척도로서 좌심실 질량과 관련될 수 있고, 이는 고혈압이 있는 환자에서 흔한 발견일 수 있다. 증가된 좌심실 질량(상대적 또는 절대적)은 질환이 악화되거나 미제어된 고혈압을 나타낼 수도 있다. 다른 예로서, 몇몇 실시예에서, 심방 세동의 발병, 진행 및/또는 악화는 심방 크기, 체적, 심방 자유벽 질량 및 두께, 심방 기능 및 심방을 둘러싸는 지방에 의해 예측될 수도 있다. 몇몇 실시예에서, 이들 예측은 ML 또는 AI 알고리즘 또는 다른 알고리즘 유형으로 행해질 수도 있다.
순차적으로, 몇몇 실시예에서, 죽상동맥경화증, 협착증 및 혈관 형태의 세그먼트화를 허용하는 알고리즘은 - 다른 심혈관 구조 및 흉부 구조의 세그먼트화를 허용하는 것들과 함께 - 예후 알고리즘에 대한 입력으로서 역할을 할 수도 있다. 몇몇 실시예에서, 예후 알고리즘의 출력 또는 영상 세그먼트화를 허용하는 출력은 미래의 이벤트를 예측함으로써 다음에 임상적 의사 결정을 안내할 수도 있는 다른 알고리즘에 대한 입력으로서 활용될 수도 있다. 예로서, 몇몇 실시예에서, 죽상동맥경화증, 협착증, 및/또는 혈관 형태의 통합 스코어링은 관상 혈관재형성으로부터 이익을 얻을 수도 있는 환자, 즉, 증상 이익, 심근경색 및 사망의 감소된 위험을 달성할 것인 환자를 식별할 수도 있다. 다른 예로서, 몇몇 실시예에서, 죽상동맥경화증, 협착증 및 혈관 형태의 통합 스코어링은 지질 저하 약물(스타틴 약물, PCSK-9 억제제, 아이코소펜트 에틸 및 다른 것들과 같은); Lp(a) 저하 약물; 항혈전 약물(클로피도그렐, 리보록사반 및 다른 것들과 같은)과 같은 특정 유형의 약물로부터 이익을 얻을 수도 있는 개인을 식별할 수도 있다. 몇몇 실시예에서, 이들 알고리즘에 의해 예측되는 이익은 감소된 진행, 플라크 진행 유형의 결정(진행, 퇴행 또는 혼합 반응), 의료 요법으로 인한 안정화, 및/또는 증대된 증강 요법의 필요성에 대한 것일 수도 있다. 몇몇 실시예에서, 영상 데이터는 정상이고 현재 플라크가 없지만 미래 플라크 형성의 가능성이 더 높을 수도 있는 관상 혈관 내의 영역을 식별하기 위해 다른 데이터와 조합될 수도 있다.
몇몇 실시예에서, 자동화 또는 수동 공동 등록(co-registration) 방법은 시간 경과에 따라 2개 이상의 영상을 비교하기 위해 영상 세그먼트화 데이터와 조합될 수 있다. 몇몇 실시예에서, 이들 영상의 비교는 시간 경과에 따른 관상 동맥 죽상동맥경화증, 협착증 및 혈관 형태의 차이의 결정을 허용할 수 있고, 위험 예측을 위한 입력 변수로서 사용될 수 있다.
몇몇 실시예에서, 죽상동맥경화증, 협착증, 및 혈관 형태에 대한 관상 동맥의 영상 데이터는 - 흉부 및 심혈관 질환 측정치에 결합되거나 결합되지 않음 - 관상 혈관이 허혈인지 또는 감소된 혈류 또는 혈압을 나타내는지(휴식시에 또는 충혈 상태에서) 여부를 결정하는 알고리즘에 통합될 수 있다.
몇몇 실시예에서, 관상 죽상동맥경화증, 협착증 및 허혈에 대한 알고리즘은 플라크 또는 "밀봉" 플라크를 제거하기 위해 컴퓨터 시스템 및/또는 다른 것에 의해 수정될 수 있다. 몇몇 실시예에서, 임의의 변화가 발생하였는지 여부를 결정하기 위해 시스템이 플라크를 제거하거나 밀봉하기 전 또는 후에 비교가 이루어질 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 관상 허혈이 플라크 밀봉으로 제거되는지 여부를 결정하도록 구성될 수 있다.
몇몇 실시예에서, 관상 죽상동맥경화증, 협착증 및/또는 혈관 형태의 특성화는 유사한 스캐닝을 경험한 환자의 인구 기반 코호트(population-based cohort)와 비교할 때, 환자의 생물학적 연령을 그들의 혈관 연령과 관련시키는 것을 가능하게 할 수 있다. 예를 들어, 60세 환자는 인구 기반 코호트에서 평균 70세 환자와 동등한 X 단위의 플라크를 그들의 관상 동맥에 가질 수도 있다. 이 경우, 환자의 혈관 연령은 환자의 생물학적 연령보다 10년 더 많을 수도 있다.
몇몇 실시예에서, 영상 세그먼트화 예측 알고리즘에 의해 가능하게 된 위험 평가는 장애 또는 생명 보험에 대해 고려되는 사람들의 질환 또는 사망 가능성의 정제된 측정을 허용할 수 있다. 이 시나리오에서, 위험 평가는 전통적인 보험 통계 알고리즘을 대체하거나 보강할 수도 있다.
몇몇 실시예에서, 영상 데이터는 심근경색, 뇌졸중, 사망, 급속 진행, 의료 요법에 대한 무반응, 무-리플로우 현상 및 다른 것들과 같은, 미래의 불리한 이벤트에 대한 위험 평가를 보강하기 위해 다른 데이터와 조합될 수도 있다. 몇몇 실시예에서, 다른 데이터는 알고리즘이 영상화 표현형 데이터를 유전자형 데이터, 단백질체 데이터, 전사체 데이터, 대사체 데이터, 미생물군체 데이터 및/또는 스마트폰 또는 유사한 디바이스에 의해 측정된 바와 같은 활동 및 생활 습관 데이터와 통합되는 다중 오믹(multi-omic) 접근법을 포함할 수도 있다.
도 3a는 의료 영상 분석에 기초하는 위험 평가를 위한 방법의 예시적인 실시예(들)의 개요를 도시하고 있는 흐름도이다. 도 3a에 도시되어 있는 바와 같이, 몇몇 실시예에서, 시스템은 블록 202에서 의료 영상에 액세스하도록 구성될 수 있다. 또한, 몇몇 실시예에서, 시스템은 블록 204에서 하나 이상의 동맥 및/또는 블록 206에서 플라크의 하나 이상의 영역을 식별하도록 구성될 수 있다. 게다가, 몇몇 실시예에서, 시스템은 블록 208에서 하나 이상의 혈관 형태 및/또는 정량화된 플라크 파라미터를 결정하고 그리고/또는 블록 210에서 결정된 하나 이상의 혈관 형태 및/또는 정량화된 플라크 파라미터 및/또는 그 가중 측정에 기초하여 안정 또는 불안정 플라크를 분류하도록 구성될 수 있다. 블록 202, 204, 206, 208 및 210에 나타낸 프로세스 및 기술에 관한 부가의 상세는 도 2a와 관련하여 상기 설명에서 발견될 수 있다.
몇몇 실시예에서, 시스템은 예를 들어 플라크의 분류된 안정 및/또는 불안정 영역을 사용하여 블록 302에서 대상에 대한 심혈관 이벤트의 위험을 자동으로 및/또는 동적으로 결정 및/또는 생성할 수 있다. 더 구체적으로, 몇몇 실시예에서, 시스템은 영상 분석에 기초하여 블록 302에서 심혈관 이벤트, MACE, 급속 플라크 진행, 및/또는 약물에 대한 무반응의 위험을 생성하기 위해 AI, ML 또는 다른 알고리즘을 이용할 수 있다.
몇몇 실시예에서, 블록 304에서, 시스템은 결정된 하나 이상의 혈관 형태 파라미터, 정량화된 플라크 파라미터, 및/또는 분류된 안정 대 불안정 플라크 및/또는 체적, 비, 및/또는 기타와 같은 그 값을 하나 이상의 다른 대상으로부터 도출된 관상 값의 하나 이상의 공지의 데이터세트에 비교하도록 구성될 수 있다. 하나 이상의 공지의 데이터세트는 건강한 대상 및/또는 다양한 위험 레벨을 갖는 대상을 포함하여, 다른 대상으로부터 취한 의료 영상으로부터 도출된 하나 이상의 혈관 형태 파라미터, 정량화된 플라크 파라미터, 및/또는 분류된 안정 대 불안정 플라크 및/또는 체적, 비, 및/또는 기타와 같은 그 값을 포함할 수 있다. 예를 들어, 관상 값의 하나 이상의 공지의 데이터세트는 시스템에 의해 로컬로 액세스 가능하고 그리고/또는 시스템에 의한 네트워크 연결을 통해 원격으로 액세스 가능할 수 있는 관상 값 데이터베이스(306)에 저장될 수 있다.
몇몇 실시예에서, 블록 308에서, 시스템은 하나 이상의 공지의 데이터세트에 대한 비교에 기초하여 대상에 대한 심혈관 이벤트의 위험을 업데이트하도록 구성될 수 있다. 예를 들어, 비교에 기초하여, 시스템은 이전에 생성된 위험 평가를 증가시키거나 감소시킬 수도 있다. 몇몇 실시예에서, 시스템은 비교 후에도 이전에 생성된 위험 평가를 유지할 수도 있다. 몇몇 실시예에서, 시스템은 관상 값의 공지의 데이터세트와 비교 후 생성 및/또는 업데이트된 위험 평가에 기초하여 대상에 대한 제안된 치료를 생성하도록 구성될 수 있다.
몇몇 실시예에서, 블록 310에서, 시스템은 의료 영상으로부터 하나 이상의 다른 심혈관 구조를 추가로 식별하고 그리고/또는 그와 연관된 하나 이상의 파라미터를 결정하도록 구성될 수 있다. 예를 들어, 하나 이상의 부가의 심혈관 구조는 좌심실, 우심실, 좌심방, 우심방, 대동맥 판막, 승모 판막, 삼첨 판막, 폐동맥 판막, 대동맥, 폐동맥, 하대정맥 및 상대정맥, 심장외막 지방 및/또는 심막을 포함할 수 있다.
몇몇 실시예에서, 좌심실과 연관된 파라미터는 크기, 질량, 체적, 형상, 편심도, 표면적, 두께, 및/또는 기타를 포함할 수 있다. 유사하게, 몇몇 실시예에서, 우심실과 연관된 파라미터는 크기, 질량, 체적, 형상, 편심도, 표면적, 두께, 및/또는 기타를 포함할 수 있다. 몇몇 실시예에서, 좌심방과 연관된 파라미터는 크기, 질량, 체적, 형상, 편심도, 표면적, 두께, 폐정맥 경사, 심방 이형태, 및/또는 기타를 포함할 수 있다. 몇몇 실시예에서, 우심방과 연관된 파라미터는 크기, 질량, 체적, 형상, 편심도, 표면적, 두께, 및/또는 기타를 포함할 수 있다.
또한, 몇몇 실시예에서, 대동맥 판막과 연관된 파라미터는 두께, 체적, 질량, 석회화, 석회화 및 밀도의 3차원 맵, 석회화의 편심도, 개별 첨판에 의한 분류, 및/또는 기타를 포함할 수 있다. 몇몇 실시예에서, 승모 판막과 연관된 파라미터는 두께, 체적, 질량, 석회화, 석회화 및 밀도의 3차원 맵, 석회화의 편심도, 개별 첨판에 의한 분류, 및/또는 기타를 포함할 수 있다. 몇몇 실시예에서, 삼첨 판막과 연관된 파라미터는 두께, 체적, 질량, 석회화, 석회화 및 밀도의 3차원 맵, 석회화의 편심도, 개별 첨판에 의한 분류, 및/또는 기타를 포함할 수 있다. 몇몇 실시예에서, 폐동맥 판막과 연관된 파라미터는 두께, 체적, 질량, 석회화, 석회화 및 밀도의 3차원 맵, 석회화의 편심도, 개별 첨판에 의한 분류, 및/또는 기타를 포함할 수 있다.
몇몇 실시예에서, 대동맥과 연관된 파라미터는 치수, 체적, 직경, 면적, 확대, 팽출, 및/또는 기타를 포함할 수 있다. 몇몇 실시예에서, 폐동맥과 연관된 파라미터는 치수, 체적, 직경, 면적, 확대, 팽출, 및/또는 기타를 포함할 수 있다. 몇몇 실시예에서, 하대정맥 및 상대정맥과 연관된 파라미터는 치수, 체적, 직경, 면적, 확대, 팽출, 및/또는 기타를 포함할 수 있다.
몇몇 실시예에서, 심장외막 지방과 연관된 파라미터는 체적, 밀도, 3차원 밀도, 및/또는 기타를 포함할 수 있다. 몇몇 실시예에서, 심막과 연관된 파라미터는 두께, 질량, 및/또는 기타를 포함할 수 있다.
몇몇 실시예에서, 블록 312에서, 시스템은 예를 들어 그 하나 이상의 결정된 파라미터를 사용하여, 다른 식별된 심혈관 구조 중 하나 이상을 분류하도록 구성될 수 있다. 몇몇 실시예에서, 다른 식별된 심혈관 구조 중 하나 이상에 대해, 시스템은 각각을 시간 경과에 따라 정상 대 비정상, 증가 또는 감소, 및/또는 정적 또는 동적으로 분류하도록 구성될 수 있다.
몇몇 실시예에서, 블록 314에서, 시스템은 다른 심혈관 구조의 결정된 하나 이상의 파라미터를 하나 이상의 다른 대상으로부터 도출된 심혈관 구조 파라미터의 하나 이상의 공지의 데이터세트와 비교하도록 구성될 수 있다. 심혈관 구조 파라미터의 하나 이상의 공지의 데이터세트는 다른 심혈관 구조와 연관된 전술된 파라미터 중 임의의 하나 이상을 포함할 수 있다. 몇몇 실시예에서, 하나 이상의 공지의 데이터세트의 심혈관 구조 파라미터는 건강한 대상 및/또는 다양한 위험 레벨을 갖는 대상을 포함하여 다른 대상으로부터 취한 의료 영상으로부터 도출될 수 있다. 몇몇 실시예에서, 심혈관 구조 파라미터의 하나 이상의 공지의 데이터세트는 시스템에 의해 로컬로 액세스 가능하고 그리고/또는 시스템에 의한 네트워크 연결을 통해 원격으로 액세스 가능할 수 있는 심혈관 구조 값 또는 심혈관 질환(CVD) 데이터베이스(316)에 저장될 수 있다.
몇몇 실시예에서, 블록 318에서, 시스템은 심혈관 구조 파라미터의 하나 이상의 공지의 데이터세트에 대한 비교에 기초하여 대상에 대한 심혈관 이벤트의 위험을 업데이트하도록 구성될 수 있다. 예를 들어, 비교에 기초하여, 시스템은 이전에 생성된 위험 평가를 증가시키거나 감소시킬 수도 있다. 몇몇 실시예에서, 시스템은 비교 후에도 이전에 생성된 위험 평가를 유지할 수도 있다.
몇몇 실시예에서, 블록 320에서, 시스템은 의료 영상, 안정 플라크, 불안정 플라크, 동맥 등으로부터 식별된 하나 이상의 다른 심혈관 구조에 대한 컬러 코딩을 포함할 수 있는 정량화된 컬러 맵을 생성하도록 구성될 수 있다. 몇몇 실시예에서, 블록 322에서, 시스템은 심혈관 구조 파라미터의 공지의 데이터세트와 비교 후 생성 및/또는 업데이트된 위험 평가에 기초하여 대상에 대한 제안된 치료를 생성하도록 구성될 수 있다.
몇몇 실시예에서, 블록 324에서, 시스템은 의료 영상으로부터 하나 이상의 비심혈관 구조를 추가로 식별하고 그리고/또는 그와 연관된 하나 이상의 파라미터를 결정하도록 구성될 수 있다. 예를 들어, 의료 영상은 시야 내에 있는 하나 이상의 비심혈관 구조를 포함할 수 있다. 특히, 하나 이상의 비심혈관 구조는 폐, 뼈, 간, 및/또는 기타를 포함할 수 있다.
몇몇 실시예에서, 비심혈관 구조와 연관된 파라미터는 체적, 표면적, 표면적에 대한 체적의 비 또는 함수, 방사선 밀도 값의 이질성, 방사선 밀도 값, 기하학 형상(장방형, 구형 등과 같은), 공간 방사선 밀도, 공간 흉터형성, 및/또는 기타를 포함할 수 있다. 게다가, 몇몇 실시예에서, 폐와 연관된 파라미터는 밀도, 흉터형성, 및/또는 기타를 포함할 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 폐의 영역의 낮은 하운즈필드 단위를 폐기종과 연관시키도록 구성될 수 있다. 몇몇 실시예에서, 척추 및/또는 늑골과 같은 뼈와 연관된 파라미터는 방사선 밀도, 골절의 존재 및/또는 정도, 및/또는 기타를 포함할 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 뼈의 영역의 낮은 하운즈필드 단위를 골다공증과 연관시키도록 구성될 수 있다. 몇몇 실시예에서, 간과 연관된 파라미터는 간의 하운즈필드 단위 밀도를 분석 및/또는 비교함으로써 시스템에 의해 평가될 수 있는 비알코올성 지방간 질환에 대한 밀도를 포함할 수 있다.
몇몇 실시예에서, 블록 326에서, 시스템은 예를 들어 그 하나 이상의 결정된 파라미터를 사용하여, 식별된 비심혈관 구조 중 하나 이상을 분류하도록 구성될 수 있다. 몇몇 실시예에서, 식별된 비심혈관 구조 중 하나 이상에 대해, 시스템은 각각을 시간 경과에 따라 정상 대 비정상, 증가 또는 감소, 및/또는 정적 또는 동적으로 분류하도록 구성될 수 있다.
몇몇 실시예에서, 블록 328에서, 시스템은 비심혈관 구조의 결정된 하나 이상의 파라미터를 하나 이상의 다른 대상으로부터 도출된 비심혈관 구조 파라미터 또는 비-CVD 값의 하나 이상의 공지의 데이터세트와 비교하도록 구성될 수 있다. 비심혈관 구조 파라미터 또는 비-CVD 값의 하나 이상의 공지의 데이터세트는 비심혈관 구조와 연관된 전술된 파라미터 중 임의의 하나 이상을 포함할 수 있다. 몇몇 실시예에서, 하나 이상의 공지의 데이터세트의 비심혈관 구조 파라미터 또는 비-CVD 값은 건강한 대상 및/또는 다양한 위험 레벨을 갖는 대상을 포함하여 다른 대상으로부터 취한 의료 영상으로부터 도출될 수 있다. 몇몇 실시예에서, 비심혈관 구조 파라미터 또는 비-CVD 값의 하나 이상의 공지의 데이터세트는 시스템에 의해 로컬로 액세스 가능하고 그리고/또는 시스템에 의한 네트워크 연결을 통해 원격으로 액세스 가능할 수 있는 비심혈관 구조 값 또는 비-CVD 데이터베이스(330)에 저장될 수 있다.
몇몇 실시예에서, 블록 332에서, 시스템은 비심혈관 구조 파라미터 또는 비-CVD 값의 하나 이상의 공지의 데이터세트에 대한 비교에 기초하여 대상에 대한 심혈관 이벤트의 위험을 업데이트하도록 구성될 수 있다. 예를 들어, 비교에 기초하여, 시스템은 이전에 생성된 위험 평가를 증가시키거나 감소시킬 수도 있다. 몇몇 실시예에서, 시스템은 비교 후에도 이전에 생성된 위험 평가를 유지할 수도 있다.
몇몇 실시예에서, 블록 334에서, 시스템은 의료 영상으로부터 식별된 하나 이상의 비심혈관 구조에 대한, 뿐만 아니라 의료 영상, 안정 플라크, 불안정 플라크, 동맥 등으로부터 식별된 하나 이상의 다른 심혈관 구조에 대한 컬러 코딩을 포함할 수 있는 정량화된 컬러 맵을 생성하도록 구성될 수 있다. 몇몇 실시예에서, 블록 336에서, 시스템은 비심혈관 구조 파라미터 또는 비-CVD 값의 공지의 데이터세트와 비교 후 생성 및/또는 업데이트된 위험 평가에 기초하여 대상에 대한 제안된 치료를 생성하도록 구성될 수 있다.
몇몇 실시예에서, 도 3a와 관련하여 본 명세서에 설명된 하나 이상의 프로세스는 반복될 수 있다. 예를 들어, 동일한 대상의 의료 영상이 나중의 시점에 다시 촬영되면, 본 명세서에 설명된 하나 이상의 프로세스가 반복될 수 있고 그 분석 결과는 영상 처리에 기초하여 대상의 위험 평가의 추적 및/또는 다른 목적을 위해 사용될 수 있다.
죽상동맥경화증의 정량화
몇몇 실시예에서, 시스템은 죽상동맥경화증을 자동으로 및/또는 동적으로 정량화하기 위해 CT 스캔 데이터와 같은 의료 영상에 존재하는 하나 이상의 동맥을 분석하도록 구성된다. 몇몇 실시예에서, 시스템은 죽상동맥경화증을 1차 질환 프로세스로서 정량화하도록 구성되고, 반면 협착증 및/또는 허혈은 그 대용물로 고려될 수 있다. 본 명세서에 설명된 실시예 이전에는, 4시간 내지 8시간 이상의 시간이 소요될 수 있는 긴 수동 프로세스 및 이를 수행하는 데 필요한 인력으로 인해 1차 질환을 정량화하는 것이 실현 가능하지 않았다. 대조적으로, 몇몇 실시예에서, 시스템은 약 1분, 약 2분, 약 3분, 약 4분, 약 5분, 약 6분, 약 7분, 약 8분, 약 9분, 약 10분, 약 11분, 약 12분, 약 13분, 약 14분, 약 15분, 약 20분, 약 25분, 약 30분, 약 40분, 약 50분, 및/또는 약 60분 미만 이내에 죽상동맥경화증을 세그먼트화, 식별 및/또는 정량화할 수 있는 하나 이상의 AI, ML, 및/또는 다른 알고리즘을 사용하여 의료 영상 및/또는 CT 스캔의 분석에 기초하여 죽상동맥경화증을 정량화하도록 구성된다. 몇몇 실시예에서, 시스템은 전술된 값 중 2개에 의해 정의된 시간 프레임 내에서 죽상동맥경화증을 정량화하도록 구성된다. 몇몇 실시예에서, 시스템은 단순히 눈으로 보는 것보다 협착증을 계산하도록 구성되어, 이에 의해 사용자가 전체 심장 죽상동맥경화증을 더 양호하게 이해할 수 있게 하고 그리고/또는 동일한 의료 영상이 분석을 위해 사용되는 경우 동일한 계산된 협착증 결과를 보장한다. 중요하게는, 죽상동맥경화증의 유형이 또한 이 방법으로 정량화 및/또는 분류될 수 있다. 죽상동맥경화증의 유형은 이진법으로(석회화 플라크 대 비석회화 플라크), 순서대로(조밀한 석회화 플라크, 석회화 플라크, 섬유질 플라크, 섬유지방 플라크, 괴사성 코어 또는 플라크 유형의 혼합) 또는 연속적으로(하운즈필드 단위 척도 또는 유사한 것에서 감쇠 밀도에 의해) 결정될 수 있다.
도 3b는 의료 영상 분석에 기초하는 죽상동맥경화증의 정량화 및/또는 분류를 위한 방법의 예시적인 실시예(들)의 개요를 도시하고 있는 흐름도이다. 도 3b에 도시되어 있는 바와 같이, 몇몇 실시예에서, 시스템은 블록 202에서 대상의 관상 영역의 CT 스캔과 같은 의료 영상에 액세스하도록 구성될 수 있다. 또한, 몇몇 실시예에서, 시스템은 블록 204에서 하나 이상의 동맥 및/또는 블록 206에서 플라크의 하나 이상의 영역을 식별하도록 구성될 수 있다. 게다가, 몇몇 실시예에서, 시스템은 블록 208에서 하나 이상의 혈관 형태 및/또는 정량화된 플라크 파라미터를 결정하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 블록 201에서 플라크 및/또는 혈관의 영역의 기하학 형상 및/또는 체적, 블록 203에서 플라크의 영역의 표면적에 대한 체적의 비 또는 함수, 블록 205에서 플라크의 영역의 이질성 또는 균질성 지수, 블록 207에서 방사선 밀도 값의 범위에 의한 플라크의 영역의 방사선 밀도 및/또는 그 조성, 블록 209에서 플라크의 영역의 체적에 대한 방사선 밀도의 비, 및/또는 블록 211에서 플라크의 영역의 확산율을 결정하도록 구성될 수 있다. 블록 202, 204, 206, 208, 201, 203, 205, 207, 209, 및 211에 나타낸 프로세스 및 기술에 관한 부가의 상세는 도 2a와 관련하여 상기 설명에서 발견될 수 있다.
몇몇 실시예에서, 시스템은 결정된 하나 이상의 혈관 형태 및/또는 정량화된 플라크 파라미터에 기초하여 블록 340에서 죽상동맥경화증을 정량화 및/또는 분류하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 원시 의료 영상으로부터 결정 및/또는 도출된 하나 이상의 혈관 형태 파라미터 및/또는 정량화된 플라크 파라미터의 가중 측정치를 생성하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 하나 이상의 혈관 형태 파라미터 및/또는 정량화된 플라크 파라미터를 동등하게 가중하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 하나 이상의 혈관 형태 파라미터 및/또는 정량화된 플라크 파라미터를 상이하게 가중하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 로그함수적으로, 대수적으로, 및/또는 다른 수학적 변환을 이용하여 하나 이상의 혈관 형태 파라미터 및/또는 정량화된 플라크 파라미터를 가중하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 가중 측정치를 사용하여 및/또는 혈관 형태 파라미터 및/또는 정량화된 플라크 파라미터의 일부만을 사용하여 블록 340에서 죽상동맥경화증을 정량화 및/또는 분류하도록 구성된다.
몇몇 실시예에서, 시스템은 다른 대상의 의료 영상으로부터 도출된 하나 이상의 공지의 혈관 형태 파라미터 및/또는 정량화된 플라크 파라미터와 비교함으로써 하나 이상의 혈관 형태 파라미터 및/또는 정량화된 플라크 파라미터의 가중 측정치를 생성하도록 구성된다. 예를 들어, 하나 이상의 공지의 혈관 형태 파라미터 및/또는 정량화된 플라크 파라미터는 하나 이상의 건강한 대상 및/또는 관상 혈관 질환의 위험이 있는 대상으로부터 도출될 수 있다.
몇몇 실시예에서, 시스템은 정량화된 죽상동맥경화증에 기초하여 대상의 죽상동맥경화증을 고위험, 중위험, 또는 저위험 중 하나 이상으로 분류하도록 구성된다. 몇몇 실시예에서, 시스템은 AI, ML, 및/또는 다른 알고리즘을 사용하여 정량화된 죽상동맥경화증에 기초하여 대상의 죽상동맥경화증을 분류하도록 구성된다. 몇몇 실시예에서, 시스템은 표면적의 체적의 비, 체적, 이질성 지수, 및 플라크의 하나 이상의 영역의 방사선 밀도 중 하나 이상을 조합 및/또는 가중함으로써 대상의 죽상동맥경화증을 분류하도록 구성된다.
몇몇 실시예에서, 낮은 표면적에 대한 체적의 비 또는 낮은 절대 체적 자체를 갖는 플라크는 플라크가 안정하다는 것을 나타낼 수 있다. 이와 같이, 몇몇 실시예에서, 시스템은 미리 결정된 임계값 미만의 플라크의 영역의 표면적에 대한 체적의 비가 저위험 죽상동맥경화증을 나타내는 것을 결정하도록 구성될 수 있다. 따라서, 몇몇 실시예에서, 시스템은 플라크의 수 및/또는 측면을 고려하도록 구성될 수 있다. 예를 들어, 더 작은 측면을 갖는 더 많은 수의 플라크가 존재하면, 이는 더 큰 표면적 또는 더 많은 불규칙성과 연관될 수 있으며, 이는 이어서 더 높은 표면적 대 체적 비와 연관될 수 있다. 대조적으로, 더 큰 측면 또는 더 많은 규칙성을 갖는 더 적은 수의 플라크가 존재하면, 이는 더 낮은 표면적 대 체적 비 또는 더 높은 체적 대 표면적 비와 연관될 수 있다. 몇몇 실시예에서, 높은 방사선 밀도 값은 플라크가 고도로 석회화되거나 안정한 것을 나타낼 수 있고, 반면 낮은 방사선 밀도 값은 플라크가 덜 석회화되거나 불안정한 것을 나타낼 수 있다. 이와 같이, 몇몇 실시예에서, 시스템은 미리 결정된 임계값 초과의 플라크의 영역의 방사선 밀도가 저위험 죽상동맥경화증을 나타내는 것으로 결정하도록 구성될 수 있다. 몇몇 실시예에서, 낮은 이질성 또는 높은 균질성을 갖는 플라크는 플라크가 안정하다는 것을 나타낼 수 있다. 이와 같이, 몇몇 실시예에서, 시스템은 미리 결정된 임계값 미만의 플라크의 영역의 이질성이 저위험 죽상동맥경화증을 나타내는 것으로 결정하도록 구성될 수 있다.
몇몇 실시예에서, 블록 342에서, 시스템은 의료 영상으로부터 도출된 정량화 및/또는 분류된 죽상동맥경화증에 기초하여 관상 협착증의 수치 계산 또는 표현을 계산하거나 결정하도록 구성된다. 몇몇 실시예에서, 시스템은 대상의 관상 영역의 의료 영상으로부터 도출된 하나 이상의 혈관 형태 파라미터 및/또는 정량화된 플라크 파라미터를 사용하여 협착증을 계산하도록 구성된다.
몇몇 실시예에서, 블록 344에서, 시스템은 의료 영상으로부터 도출된 정량화된 및/또는 분류된 죽상동맥경화증에 기초하여 대상에 대한 허혈의 위험을 예측하도록 구성된다. 몇몇 실시예에서, 시스템은 대상의 관상 영역의 의료 영상으로부터 도출된 하나 이상의 혈관 형태 파라미터 및/또는 정량화된 플라크 파라미터를 사용하여 허혈의 위험을 계산하도록 구성된다.
몇몇 실시예에서, 시스템은 정량화 및/또는 분류된 죽상동맥경화증, 협착증, 및/또는 허혈의 위험에 기초하여 대상에 대해 제안된 치료를 생성하도록 구성되고, 여기서, 전술된 것의 모두는 영상 처리 알고리즘 및 기술을 사용하여 원시 의료 영상으로부터 자동으로 및/또는 동적으로 도출된다.
몇몇 실시예에서, 도 3a와 관련하여 본 명세서에 설명된 하나 이상의 프로세스는 반복될 수 있다. 예를 들어, 동일한 대상의 의료 영상이 나중의 시점에 다시 촬영되면, 본 명세서에 설명된 하나 이상의 프로세스가 반복될 수 있고 그 분석 결과는 대상에 대한 정량화된 죽상동맥경화증의 추적 및/또는 다른 목적을 위해 사용될 수 있다.
플라크, 협착증 및/또는 CAD-RADS 스코어의 정량화
본 명세서에 설명된 바와 같이, 몇몇 실시예에서, 시스템은 의료 영상의 해석에서 어림짐작을 제거하고 의료 영상으로부터 도출된 바와 같은 협착증 백분율, 죽상동맥경화증 및/또는 관상 동맥 질환 - 보고 및 데이터 시스템(CAD-RADS) 스코어의 실질적으로 정확하고 및/또는 실질적으로 정확한 계산 또는 추정치를 제공하도록 구성된다. 이와 같이, 몇몇 실시예에서, 시스템은 효율, 정확도 및/또는 재현성을 개선시킬 수 있는 포괄적인 정량 분석을 제공함으로써 이미저의 판독을 향상시킬 수 있다.
도 3c는 의료 영상 분석에 기초하는 CAD-RADS 스코어의 생성 및 협착의 정량화를 위한 방법의 예시적인 실시예(들)의 개요를 도시하고 있는 흐름도이다. 도 3a에 도시되어 있는 바와 같이, 몇몇 실시예에서, 시스템은 블록 202에서 의료 영상에 액세스하도록 구성될 수 있다. 블록 202에 나타낸 의료 영상의 유형 및 다른 프로세스 및 기술에 관한 부가의 상세는 도 2a와 관련하여 상기 설명에서 발견될 수 있다.
몇몇 실시예에서, 블록 354에서, 시스템은 예를 들어 AI, ML, 및/또는 다른 알고리즘을 사용하여 의료 영상에서 하나 이상의 동맥, 플라크 및/또는 지방을 식별하도록 구성된다. 하나 이상의 동맥, 플라크 및/또는 지방을 식별하기 위한 프로세스 및 기술은 블록 204 및 206과 관련하여 전술된 바와 동일한 특징 중 하나 이상을 포함할 수 있다. 특히, 몇몇 실시예에서, 시스템은 예를 들어 관상 동맥, 경동맥, 대동맥, 신장 동맥, 하지 동맥 및/또는 대뇌 동맥을 포함하는 하나 이상의 동맥을 자동으로 및/또는 동적으로 식별하기 위해 하나 이상의 AI 및/또는 ML 알고리즘을 이용하도록 구성될 수 있다. 몇몇 실시예에서, 하나 이상의 AI 및/또는 ML 알고리즘은 동맥이 식별되어 있는 의료 영상의 세트에 대해 컨볼루션 신경망(CNN)을 사용하여 훈련될 수 있어, 이에 의해 AI 및/또는 ML 알고리즘이 의료 영상으로부터 직접 동맥을 자동으로 식별하게 한다. 몇몇 실시예에서, 동맥은 크기 및/또는 위치에 의해 식별된다.
또한, 몇몇 실시예에서, 시스템은 예를 들어, 플라크의 하나 이상의 영역을 자동으로 및/또는 동적으로 식별하기 위해 하나 이상의 AI 및/또는 ML 알고리즘을 사용하여, 의료 영상에서 플라크의 하나 이상의 영역을 식별하도록 구성될 수 있다. 몇몇 실시예에서, 하나 이상의 AI 및/또는 ML 알고리즘은 플라크의 영역이 식별되어 있는 의료 영상의 세트에 대해 컨볼루션 신경망(CNN)을 사용하여 훈련될 수 있어, 이에 의해 AI 및/또는 ML 알고리즘이 의료 영상으로부터 직접 플라크의 영역을 자동으로 식별하게 한다. 몇몇 실시예에서, 시스템은 의료 영상 내의 각각의 식별된 관상 동맥에 대한 혈관 벽 및 내강 벽을 식별하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 이어서 혈관 벽과 내강 벽 사이의 체적을 플라크로서 결정하도록 구성된다. 몇몇 실시예에서, 시스템은 예를 들어, 정규화 디바이스를 사용하는 정규화에 의해 또는 정규화 없이 플라크와 일반적으로 연관된 방사선 밀도 값의 미리 결정된 임계값 또는 범위를 설정함으로써, 플라크와 일반적으로 연관된 방사선 밀도 값에 기초하여 플라크의 영역을 식별하도록 구성될 수 있다.
유사하게, 몇몇 실시예에서, 시스템은 예를 들어, 지방의 하나 이상의 영역을 자동으로 및/또는 동적으로 식별하기 위해 하나 이상의 AI 및/또는 ML 알고리즘을 사용하여, 의료 영상에서 심장외막 지방과 같은 지방의 하나 이상의 영역을 식별하도록 구성될 수 있다. 몇몇 실시예에서, 하나 이상의 AI 및/또는 ML 알고리즘은 지방의 영역이 식별되어 있는 의료 영상의 세트에 대해 컨볼루션 신경망(CNN)을 사용하여 훈련될 수 있어, 이에 의해 AI 및/또는 ML 알고리즘이 의료 영상으로부터 직접 지방의 영역을 자동으로 식별하게 한다. 몇몇 실시예에서, 시스템은 예를 들어, 정규화 디바이스를 사용하는 정규화에 의해 또는 정규화 없이 지방과 일반적으로 연관된 방사선 밀도 값의 미리 결정된 임계값 또는 범위를 설정함으로써, 지방과 일반적으로 연관된 방사선 밀도 값에 기초하여 지방의 영역을 식별하도록 구성될 수 있다.
몇몇 실시예에서, 시스템은 블록 208에서 하나 이상의 혈관 형태 및/또는 정량화된 플라크 파라미터를 결정하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 블록 201에서 플라크 및/또는 혈관의 영역의 기하학 형상 및/또는 체적, 블록 203에서 플라크의 영역의 표면적에 대한 체적의 비 또는 함수, 블록 205에서 플라크의 영역의 이질성 또는 균질성 지수, 블록 207에서 방사선 밀도 값의 범위에 의한 플라크의 영역의 방사선 밀도 및/또는 그 조성, 블록 209에서 플라크의 영역의 체적에 대한 방사선 밀도의 비, 및/또는 블록 211에서 플라크의 영역의 확산율을 결정하도록 구성될 수 있다. 블록 208, 201, 203, 205, 207, 209, 및 211에 나타낸 프로세스 및 기술에 관한 부가의 상세는 도 2a와 관련하여 상기 설명에서 발견될 수 있다.
몇몇 실시예에서, 블록 358에서, 시스템은 대상의 관상 영역의 의료 영상으로부터 도출된 하나 이상의 혈관 형태 파라미터 및/또는 정량화된 플라크 파라미터에 기초하여 관상 협착증의 수치 계산 또는 표현을 계산하거나 결정하도록 구성된다. 몇몇 실시예에서, 시스템은 원시 의료 영상으로부터 결정 및/또는 도출된 하나 이상의 혈관 형태 파라미터 및/또는 정량화된 플라크 파라미터의 가중 측정치를 생성하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 하나 이상의 혈관 형태 파라미터 및/또는 정량화된 플라크 파라미터를 동등하게 가중하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 하나 이상의 혈관 형태 파라미터 및/또는 정량화된 플라크 파라미터를 상이하게 가중하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 로그함수적으로, 대수적으로, 및/또는 다른 수학적 변환을 이용하여 하나 이상의 혈관 형태 파라미터 및/또는 정량화된 플라크 파라미터를 가중하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 가중 측정치를 사용하여 및/또는 혈관 형태 파라미터 및/또는 정량화된 플라크 파라미터의 일부만을 사용하여 블록 358에서 협착증을 계산하도록 구성된다. 몇몇 실시예에서, 시스템은 혈관별 기반으로 또는 영역별 기반로 기반으로 협착증을 계산하도록 구성될 수 있다.
몇몇 실시예에서, 계산된 협착증에 기초하여, 시스템은 블록 360에서 CAD-RADS 스코어를 결정하도록 구성된다. 이는 의사에 의한 의료 영상의 눈으로 보기 또는 일반적인 평가에 기초하여 CAD-RADS를 결정하는 기존의 방법과 대조되며, 이는 재현 불가능한 결과를 야기할 수 있다. 그러나, 본 명세서에 설명된 몇몇 실시예에서, 시스템은 원시 의료 영상의 자동 및/또는 동적 영상 처리에 기초하여 재현 가능한 및/또는 객관적으로 계산된 CAD-RADS 스코어를 생성하도록 구성될 수 있다.
몇몇 실시예에서, 블록 362에서, 시스템은 계산된 협착증, 의료 영상으로부터 도출된 하나 이상의 정량화된 플라크 파라미터 및/또는 혈관 형태 파라미터에 기초하여 허혈의 존재 또는 위험을 결정하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 가중 여부에 무관하게 전술된 파라미터 중 하나 이상을 조합함으로써, 또는 개인 기반으로 이들 파라미터의 일부 또는 전부를 사용함으로써 허혈의 존재 또는 위험을 결정하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 예를 들어 건강한 대상 및/또는 심혈관 이벤트의 위험이 있는 대상을 포함하여, 다른 대상의 의료 영상으로부터 도출된 공지의 이러한 파라미터의 데이터베이스에 계산된 협착증, 하나 이상의 정량화된 플라크 파라미터 및/또는 혈관 형태 파라미터 중 하나 이상을 비교함으로써 허혈의 위험의 존재를 결정하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 혈관별 기반으로 또는 영역별 기반으로 허혈의 존재 또는 위험을 계산하도록 구성될 수 있다.
몇몇 실시예에서, 블록 364에서, 시스템은 의료 영상으로부터 식별된 지방의 하나 이상의 영역에 대한 지방의 하나 이상의 정량화된 파라미터를 결정하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 블록 208, 201, 203, 205, 207, 209, 및 211과 관련하여 설명된 것들과 같은 플라크의 정량화된 파라미터를 도출하는 것과 관련하여 본 명세서에 설명된 임의의 프로세스 및/또는 기술을 이용할 수 있다. 특히, 몇몇 실시예에서, 시스템은 의료 영상 내의 지방의 하나 이상의 영역의 체적, 기하학 형상, 방사선 밀도, 및/또는 기타를 포함하는 지방의 하나 이상의 파라미터를 결정하도록 구성될 수 있다.
몇몇 실시예에서, 블록 366에서, 시스템은 대상에 대한 심혈관 질환 또는 이벤트의 위험 평가를 생성하도록 구성될 수 있다. 몇몇 실시예에서, 생성된 위험 평가는 대상에 대한 관상 질환의 위험을 나타내는 위험 스코어를 포함할 수 있다. 몇몇 실시예에서, 시스템은 하나 이상의 혈관 형태 파라미터, 하나 이상의 정량화된 플라크 파라미터, 하나 이상의 정량화된 지방 파라미터, 계산된 협착증, 허혈의 위험, CAD-RADS 스코어 등의 분석에 기초하여 위험 평가를 생성할 수 있다. 몇몇 실시예에서, 시스템은 대상의 하나 이상의 혈관 형태 파라미터, 하나 이상의 정량화된 플라크 파라미터, 하나 이상의 정량화된 지방 파라미터, 계산된 협착증, 허혈의 위험, 및/또는 CAD-RADS 스코어의 가중 측정치를 생성하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 전술된 파라미터 중 하나 이상을 동등하게 가중하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 이들 파라미터 중 하나 이상을 상이하게 가중하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 로그함수적으로, 대수적으로, 및/또는 다른 수학적 변환을 이용하여 이들 파라미터 중 하나 이상을 가중하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 가중 측정치를 사용하여 및/또는 이들 파라미터 중 일부만을 사용하여 블록 366에서 대상에 대한 관상 질환 또는 심혈관 이벤트의 위험 평가를 생성하도록 구성된다.
몇몇 실시예에서, 시스템은 가중 여부에 무관하게 전술된 파라미터 중 하나 이상을 조합함으로써, 또는 개인 기반으로 이들 파라미터의 일부 또는 전부를 사용함으로써 대상에 대한 관상 질환 또는 심혈관 이벤트의 위험 평가를 생성하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 예를 들어 건강한 대상 및/또는 심혈관 이벤트의 위험이 있는 대상을 포함하여, 다른 대상의 의료 영상으로부터 도출된 공지의 이러한 파라미터의 데이터베이스에 대상의 하나 이상의 혈관 형태 파라미터, 하나 이상의 정량화된 플라크 파라미터, 하나 이상의 정량화된 지방 파라미터, 계산된 협착증, 허혈의 위험, 및/또는 CAD-RADS 스코어를 비교함으로써 관상 질환 또는 심혈관 이벤트의 위험 평가를 생성하도록 구성될 수 있다.
또한, 몇몇 실시예에서, 시스템은 결정된 하나 이상의 혈관 형태 파라미터, 플라크의 하나 이상의 영역의 정량화된 플라크 파라미터의 세트, 정량화된 관상 협착증, 결정된 허혈의 존재 또는 위험, 및/또는 정량화된 지방 파라미터의 결정된 세트 중 하나 이상에 기초하여 CAD-RADS 수정자를 자동으로 및/또는 동적으로 생성하도록 구성될 수 있다. 특히, 몇몇 실시예에서, 시스템은 예를 들어 CAD-RADS에 의해 정의되고 사용되는 바와 같이, 비진단(N), 스텐트(S), 이식편(G) 또는 취약성(V) 중 하나 이상을 포함하여, 대상에 대한 하나 이상의 적용 가능한 CAD-RADS 수정자를 자동으로 및/또는 동적으로 생성하도록 구성될 수 있다. 예를 들어, N은 연구가 비진단인 것을 나타낼 수 있고, S는 스텐트의 존재를 나타낼 수 있고, G는 관상 동맥 우회 이식편의 존재를 나타낼 수 있고, V는 예를 들어 낮은 방사선 밀도 값을 나타내는 취약한 플라크의 존재를 나타낼 수 있다.
몇몇 실시예에서, 시스템은 관상 질환의 생성된 위험 평가, 하나 이상의 혈관 형태 파라미터, 하나 이상의 정량화된 플라크 파라미터, 하나 이상의 정량화된 지방 파라미터, 계산된 협착증, 허혈의 위험, CAD-RADS 스코어 및/또는 영상 처리를 사용하여 원시 의료 영상으로부터 도출된 CAD-RADS 수정자에 기초하여 대상에 대한 제안된 치료를 생성하도록 구성될 수 있다.
몇몇 실시예에서, 도 3b와 관련하여 본 명세서에 설명된 하나 이상의 프로세스는 반복될 수 있다. 예를 들어, 동일한 대상의 의료 영상이 나중의 시점에 다시 촬영되면, 본 명세서에 설명된 하나 이상의 프로세스가 반복될 수 있고 그 분석 결과는 정량화된 플라크의 추적, 계산된 협착증, CAD-RADS 스코어 및/또는 의료 영상(들)으로부터 도출된 수정자, 위험 결정된 허혈의 위험, 정량화된 지방 파라미터, 대상에 대한 관상 질환의 생성된 위험 평가 및/또는 다른 목적을 위해 사용될 수 있다.
질환 추적
몇몇 실시예에서, 본 명세서에 설명된 시스템, 방법 및 디바이스는 관상 질환과 같은 동맥 및/또는 플라크 기반 질환의 진행 및/또는 퇴행을 추적하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 본 명세서에 설명된 하나 이상의 기술을 사용하여 상이한 시간으로부터 획득된 복수의 의료 영상을 자동으로 및/또는 동적으로 분석하고 그로부터 도출된 상이한 파라미터를 비교함으로써 질환의 진행 및/또는 퇴행을 추적하도록 구성될 수 있다. 이와 같이, 몇몇 실시예에서, 시스템은 주관적인 평가에 의존하지 않는 입력으로서 비침습적 원시 의료 영상을 사용하여 자동화된 질환 추적 도구를 제공할 수 있다.
특히, 몇몇 실시예에서, 시스템은 플라크 안정화 또는 악화가 대상에서 발생하는지 여부를 결정하기 위해 4-카테고리 시스템을 이용하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 이들 카테고리는 (1) "플라크 진행" 또는 "급속 플라크 진행"; (2) "혼합 반응 - 칼슘 우세" 또는 "비급속 칼슘 우세 혼합 반응"; (3) "혼합 반응 - 비칼슘 우세" 또는 "비급속 비칼슘 우세 혼합 반응"; 또는 (4) "플라크 퇴행"을 포함할 수 있다.
몇몇 실시예에서, "플라크 진행" 또는 "급속 플라크 진행"에서, 플라크의 전체 체적 또는 상대 체적이 증가한다. 몇몇 실시예에서, "혼합 반응 - 칼슘 우세" 또는 "비급속 칼슘 우세 혼합 반응"에서, 플라크 체적은 비교적 일정하게 유지되거나 "급속 플라크 진행"의 임계값 레벨까지 증가하지 않지만 석회화 플라크의 일반적인 진행 및 비석회화 플라크의 일반적인 퇴행이 존재한다. 몇몇 실시예에서, "혼합 반응 - 비칼슘 우세" 또는 "비급속 비칼슘 우세 혼합 반응"에서, 플라크 체적은 비교적 일정하게 유지되지만 비석회화 플라크의 일반적인 진행 및 석회화 플라크의 일반적인 퇴행이 존재한다. 몇몇 실시예에서, "플라크 퇴행"에서, 플라크의 전체 체적 또는 상대 체적이 감소한다.
몇몇 실시예에서, 이들 4개의 카테고리는 예를 들어, 더 고밀도 대 더 저밀도 칼슘 플라크(예를 들어, > 대 <1000 하운즈필드 단위의 것들에 대해)를 포함하여, 더 세분화되고 그리고/또는 칼슘 우세 및 비석회화 플라크 우세 혼합 반응에서 더 구체적으로 카테고리화되도록 확장될 수 있다. 예를 들어, 비석회화 플라크 우세 혼합 반응의 경우, 비석회화 플라크는 비석회화 플라크의 전반적인 포괄 내에서 별개의 카테고리로서 괴사성 코어, 섬유지방 플라크 및/또는 섬유질 플라크를 더 포함할 수 있다. 유사하게, 석회화 플라크는 더 저밀도 석회화 플라크, 중간 밀도 석회화 플라크 및 고밀도 석회화 플라크로서 분류될 수 있다.
도 3d는 의료 영상 분석에 기초하는 질환 추적을 위한 방법의 예시적인 실시예(들)의 개요를 도시하고 있는 흐름도이다. 예를 들어, 몇몇 실시예에서, 시스템은 비침습적으로 획득된 하나 이상의 의료 영상을 분석함으로써, 죽상동맥경화증, 협착증, 허혈 등과 관련되거나 수반하는 관상 질환과 같은 플라크 기반 질환 또는 상태의 진행 및/또는 퇴행을 추적하도록 구성될 수 있다.
도 3d에 도시되어 있는 바와 같이, 몇몇 실시예에서, 시스템은 블록 372에서 제1 시점에서 대상의 의료 영상으로부터 도출된 플라크 파라미터의 제1 세트에 액세스하도록 구성된다. 몇몇 실시예에서, 의료 영상은 의료 영상 데이터베이스(100)에 저장될 수 있고, 예를 들어 CT, 비조영 CT, 조영 증강 CT, MR, DECT, 스펙트럼 CT, 및/또는 기타를 포함하여, 임의의 유형의 전술된 의료 영상을 포함할 수 있다. 몇몇 실시예에서, 대상의 의료 영상은 대상의 관상 영역, 관상 동맥, 경동맥, 신장 동맥, 복부 대동맥, 대뇌 동맥, 하지 및/또는 상지를 포함할 수 있다. 몇몇 실시예에서, 플라크 파라미터의 세트는 블록 208, 201, 203, 205, 207, 209, 및/또는 211과 관련하여 전술된 임의의 정량화된 플라크 파라미터를 포함할 수 있는 플라크 파라미터 데이터베이스(370)에 저장될 수 있다.
몇몇 실시예에서, 시스템은 의료 영상(들)으로부터 이전에 도출되고 그리고/또는 플라크 파라미터 데이터베이스(370)에 저장된 플라크 파라미터의 제1 세트에 직접 액세스하도록 구성될 수 있다. 몇몇 실시예에서, 플라크 파라미터 데이터베이스(370)는 네트워크 연결을 통해 시스템에 의해 로컬로 액세스 가능하고 그리고/또는 원격으로 액세스 가능할 수 있다. 몇몇 실시예에서, 시스템은 제1 시점으로부터 촬영된 의료 영상으로부터 플라크 파라미터의 제1 세트를 동적으로 및/또는 자동으로 도출하도록 구성될 수 있다.
몇몇 실시예에서, 블록 374에서, 시스템은 대상의 제2 의료 영상(들)에 액세스하도록 구성될 수 있는데, 이는 플라크 파라미터의 제1 세트가 그로부터 도출되는 의료 영상보다 더 나중의 시점에 대상으로부터 획득될 수 있다. 몇몇 실시예에서, 의료 영상은 의료 영상 데이터베이스(100)에 저장될 수 있고, 예를 들어 CT, 비조영 CT, 조영 증강 CT, MR, DECT, 스펙트럼 CT, 및/또는 기타를 포함하여, 임의의 유형의 전술된 의료 영상을 포함할 수 있다.
몇몇 실시예에서, 블록 376에서, 시스템은 제2 시점으로부터 촬영된 제2 의료 영상으로부터 플라크 파라미터의 제2 세트를 동적으로 및/또는 자동으로 도출하도록 구성될 수 있다. 몇몇 실시예에서, 플라크 파라미터의 제2 세트는 블록 208, 201, 203, 205, 207, 209, 및/또는 211과 관련하여 전술된 임의의 정량화된 플라크 파라미터를 포함할 수 있다. 몇몇 실시예에서, 시스템은 플라크 파라미터 데이터베이스(370)에 도출된 또는 결정된 플라크 파라미터의 제2 세트를 저장하도록 구성될 수 있다.
몇몇 실시예에서, 블록 378에서, 시스템은 제1 시점에 촬영된 의료 영상으로부터 도출된 제1 세트와 나중의 시점에 촬영된 의료 영상으로부터 도출된 제2 세트 사이의 하나 이상의 플라크 파라미터의 변화를 분석하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 예를 들어 플라크의 하나 이상의 영역의 방사선 밀도, 체적, 기하학 형상, 위치, 표면적에 대한 체적의 비 또는 함수, 이질성 지수, 방사선 밀도 조성, 체적의 함수로서의 방사선 밀도 조성, 체적에 대한 방사선 밀도의 비, 확산율, 그 임의의 조합 또는 관계 등과 같은, 2개의 스캔 사이의 정량화된 플라크 파라미터를 비교하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 플라크의 하나 이상의 영역의 기하학적 형상을 가로지르는 방사선 밀도 값의 공간 맵핑 또는 3차원 막대 그래프를 생성함으로써 플라크의 하나 이상의 영역의 이질성 지수를 결정하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 예를 들어 혈청 바이오마커, 유전학, 오믹스, 전사체학, 미생물체학 및/또는 대사체학과 같은 하나 이상의 비영상 기반 메트릭의 변화를 분석하도록 구성된다.
몇몇 실시예에서, 시스템은 2개의 스캔 사이의 방사선 밀도 또는 안정 대 불안정 플라크의 견지에서 플라크 조성의 변화를 결정하도록 구성된다. 예를 들어, 몇몇 실시예에서, 시스템은 2개의 스캔 사이의 더 높은 방사선 밀도 또는 안정 플라크 대 더 낮은 방사선 밀도 또는 불안정 플라크의 백분율의 변화를 결정하도록 구성된다. 몇몇 실시예에서, 시스템은 2개의 스캔 사이의 더 높은 방사선 밀도 플라크 대 더 낮은 방사선 밀도 플라크의 변화를 추적하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 1000 초과의 하운즈필드 단위를 갖는 것들로서 더 높은 방사선 밀도 플라크를 정의하고 1000 미만의 하운즈필드 단위를 갖는 것으로서 더 낮은 방사선 밀도 플라크를 정의하도록 구성될 수 있다.
몇몇 실시예에서, 블록 380에서, 시스템은 2개 이상의 스캔으로부터 도출된 하나 이상의 파라미터의 비교 및/또는 혈청 바이오마커, 유전학, 오믹스, 전사체학, 미생물체학, 및/또는 대사체학과 같은, 하나 이상의 비영상 기반 메트릭의 변화에 기초하여 플라크 및/또는 임의의 다른 관련 측정치, 상태, 평가, 또는 관련 질환의 진행 또는 퇴행을 결정하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 일반적으로 플라크의 진행 및/또는 퇴행, 죽상동맥경화증, 협착증, 허혈의 위험 또는 존재, 및/또는 기타를 결정하도록 구성될 수 있다. 또한, 몇몇 실시예에서, 시스템은 2개의 의료 영상으로부터 도출된 바와 같이, 정량화 또는 계산된 협착증에 기초하여 대상의 CAD-RADS 스코어를 자동으로 및/또는 동적으로 생성하도록 구성될 수 있다. CAD-RADS 스코어를 생성하는 것에 관한 부가의 상세는 도 3c와 관련하여 본 명세서에 설명되어 있다. 몇몇 실시예에서, 시스템은 대상의 CAD-RADS 스코어의 진행 또는 퇴행을 결정하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 플라크 파라미터를 개별적으로 비교하고 그리고/또는 가중 측정치로서 이들 중 하나 이상을 조합하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 동등하게, 상이하게, 로그함수적으로, 대수적으로, 및/또는 다른 수학적 변환을 이용하여 플라크 파라미터를 가중하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 정량화된 플라크 파라미터의 일부 또는 전부만을 이용하도록 구성될 수 있다.
몇몇 실시예에서, 시스템에 의해 결정된 바와 같은 플라크 진행의 상태는 급속 플라크 진행, 비급속 칼슘 우세 혼합 반응, 비급속 비칼슘 우세 혼합 반응, 또는 플라크 퇴행을 포함하는 4개의 카테고리 중 하나를 포함할 수 있다. 몇몇 실시예에서, 시스템은 대상의 죽종 용적 비율 증가가 연간 1% 초과일 때 플라크 진행의 상태를 급속 플라크 진행으로 분류하도록 구성된다. 몇몇 실시예에서, 시스템은 대상의 죽종 용적 비율 증가가 연간 1% 미만이고 석회화 플라크가 총 새로운 플라크 형성의 50% 초과를 나타낼 때 플라크 진행의 상태를 비급속 칼슘 우세 혼합 반응으로 분류하도록 구성된다. 몇몇 실시예에서, 시스템은 대상의 죽종 용적 비율 증가가 연간 1% 미만이고 비석회화 플라크가 총 새로운 플라크 형성의 50% 초과를 나타낼 때 플라크 진행의 상태를 비급속 비칼슘 우세 혼합 반응으로 분류하도록 구성된다. 몇몇 실시예에서, 시스템은 총 죽종 용적 비율의 감소가 존재할 때 플라크 진행의 상태를 플라크 퇴행으로 분류하도록 구성된다.
몇몇 실시예에서, 블록 382에서, 시스템은 대상에 대해 제안된 치료 계획을 생성하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 2개 이상의 스캔으로부터 도출된 하나 이상의 파라미터의 비교에 기초하여 플라크 및/또는 임의의 다른 관련 측정치, 상태, 평가, 또는 관련 질환의 결정된 진행 또는 퇴행에 기초하여 대상에 대한 제안된 치료 계획을 생성하도록 구성될 수 있다.
몇몇 실시예에서, 도 3d와 관련하여 본 명세서에 설명된 하나 이상의 프로세스는 반복될 수 있다. 예를 들어, 본 명세서에 설명된 하나 이상의 프로세스가 반복될 수 있고 그 분석 결과는 플라크 기반 질환의 지속된 추적 및/또는 다른 목적을 위해 사용될 수 있다.
칼슘 스코어 변화의 원인의 결정
몇몇 실시예에서, 본 명세서에 개시된 시스템, 방법 및 디바이스는 증가된 칼슘 스코어의 가능한 원인을 결정할 수 있는 분석 및/또는 보고를 생성하도록 구성될 수 있다. 높은 또는 증가된 칼슘 스코어만은 양성이든 음성이든 임의의 특정 원인을 나타내지 않는다. 오히려, 일반적으로, 높은 또는 증가된 칼슘 스코어에 대한 다양한 가능한 원인이 있을 수 있다. 예를 들어, 몇몇 경우에, 높은 또는 증가된 칼슘 스코어는 상당한 심장 질환 및/또는 환자가 심근경색의 증가된 위험에 있다는 지표일 수 있다. 또한, 몇몇 경우에, 운동이 동맥 혈관 내의 지방 물질 플라크를 변환할 수 있기 때문에, 높은 또는 증가된 칼슘 스코어는 환자가 수행하는 운동의 양을 증가시키고 있다는 지표일 수 있다. 몇몇 경우에, 높은 또는 증가된 칼슘 스코어는 스타틴이 지방 물질 플라크를 칼슘으로 변환하는 스타틴 요법을 시작하는 환자의 지표일 수 있다. 불행하게도, 혈액 검사만으로는 전술된 이유 중 어느 것이 증가된 칼슘 스코어의 원인일 가능성이 있는지를 결정하는 데 사용될 수 없다. 몇몇 실시예에서, 본 명세서에 설명된 하나 이상의 기술을 이용함으로써, 시스템은 증가된 또는 높은 칼슘 스코어의 원인을 결정하도록 구성될 수 있다.
더 구체적으로, 몇몇 실시예에서, 시스템은 지방 침착 물질 플라크 병변의 대부분 석회화된 플라크 침착물로의 변환을 모니터링하는 이러한 방식으로 환자의 동맥 벽 혈관의 특정 세그먼트를 추적하도록 구성될 수 있는데, 이는 상기에 식별된 원인 중 하나 이상과 같은, 증가된 칼슘 스코어의 원인을 결정하는 데 도움이 될 수 있다. 게다가, 몇몇 실시예에서, 시스템은 칼슘 스코어의 증가의 원인을 결정하기 위해 석회화 플라크의 하나 이상의 영역의 위치, 크기, 형상, 확산율 및/또는 감쇠 방사선 밀도를 결정 및/또는 사용하도록 구성될 수 있다. 비한정적인 예로서, 칼슘 플라크가 밀도가 증가하면, 이는 치료 또는 생활 습관에 의한 플라크의 안정화를 나타낼 수도 있고, 반면 이전에 존재하지 않았던 곳에 새로운 칼슘 플라크가 형성되면(특히 더 낮은 감쇠 밀도로), 이는 안정화보다는 질환 진행의 불리한 발견을 나타낼 수도 있다. 몇몇 실시예에서, 본 명세서에 설명된 하나 이상의 프로세스 및 기술은 비조영 CT 스캔(ECG 동기 관상 동맥 칼슘 스코어 또는 비-ECG 동기 흉부 CT와 같은) 뿐만 아니라 조영 증강 CT 스캔(관상 CT 혈관조영상과 같은)에 대해 적용될 수도 있다.
다른 비한정적인 예로서, CT 스캔 영상 획득 파라미터는 시간 경과에 따른 칼슘 변화의 이해를 개선시키기 위해 변경될 수 있다. 예로서, 전통적인 관상 동맥 칼슘 영상은 2.5 내지 3.0 mm 슬라이스 두께를 사용하고 130 하운즈필드 단위 이상의 복셀/픽셀을 검출하여 행해진다. 대안은 0.5 mm 슬라이스 두께 또는 유사한 것을 갖는 "얇은" 슬라이스 영상을 행하고; 임의의 130 하운즈필드 단위 임계값에 의해 누락될 수도 있는 덜 조밀한 칼슘을 식별할 수도 있는 130 미만 및 특정 임계값(예를 들어, 100) 초과의 모든 하운즈필드 단위 밀도를 검출하는 것일 수도 있다.
도 3e는 의료 영상 분석에 기초하여, 증가하든 감소하든, 칼슘 스코어의 변화의 원인의 결정을 위한 방법의 예시적인 실시예(들)의 개요를 도시하고 있는 흐름도이다.
도 3e에 도시되어 있는 바와 같이, 몇몇 실시예에서, 시스템은 블록 384에서 대상의 제1 칼슘 스코어 및/또는 플라크 파라미터의 제1 세트에 액세스하도록 구성될 수 있다. 제1 칼슘 스코어 및/또는 플라크 파라미터의 제1 세트는 대상의 의료 영상으로부터 및/또는 제1 시점에서의 혈액 검사로부터 도출될 수 있다. 몇몇 실시예에서, 의료 영상은 의료 영상 데이터베이스(100)에 저장될 수 있고, 예를 들어 CT, 비조영 CT, 조영 증강 CT, MR, DECT, 스펙트럼 CT, 및/또는 기타를 포함하여, 임의의 유형의 전술된 의료 영상을 포함할 수 있다. 몇몇 실시예에서, 대상의 의료 영상은 대상의 관상 영역, 관상 동맥, 경동맥, 신장 동맥, 복부 대동맥, 대뇌 동맥, 하지 및/또는 상지를 포함할 수 있다. 몇몇 실시예에서, 플라크 파라미터의 세트는 블록 208, 201, 203, 205, 207, 209, 및/또는 211과 관련하여 전술된 임의의 정량화된 플라크 파라미터를 포함할 수 있는 플라크 파라미터 데이터베이스(370)에 저장될 수 있다.
몇몇 실시예에서, 시스템은 각각 칼슘 스코어 데이터베이스(398) 및/또는 플라크 파라미터 데이터베이스(370)에 저장된 제1 칼슘 스코어 및/또는 플라크 파라미터의 제1 세트에 직접 액세스 및/또는 검색하도록 구성될 수 있다. 몇몇 실시예에서, 플라크 파라미터 데이터베이스(370) 및/또는 칼슘 스코어 데이터베이스(298)는 네트워크 연결을 통해 시스템에 의해 로컬로 액세스 가능하고 그리고/또는 원격으로 액세스 가능할 수 있다. 몇몇 실시예에서, 시스템은 제1 시점으로부터 촬영된 대상의 의료 영상 및/또는 혈액 검사로부터 플라크 파라미터의 제1 세트 및/또는 칼슘 스코어를 동적으로 및/또는 자동으로 도출하도록 구성될 수 있다.
몇몇 실시예에서, 블록 386에서, 시스템은 대상의 제2 칼슘 스코어 및/또는 제2 의료 영상(들)에 액세스하도록 구성될 수 있는데, 이는 플라크 파라미터의 제1 세트가 그로부터 도출되는 제1 칼슘 스코어 및/또는 의료 영상보다 더 나중의 시점에 대상으로부터 획득될 수 있다. 예를 들어, 몇몇 실시예에서, 제2 칼슘 스코어는 제2 의료 영상으로부터 및/또는 제2 시점에서 대상에서 취한 제2 혈액 검사로부터 도출될 수 있다. 몇몇 실시예에서, 제2 칼슘 스코어는 칼슘 스코어 데이터베이스(398)에 저장될 수 있다. 몇몇 실시예에서, 의료 영상은 의료 영상 데이터베이스(100)에 저장될 수 있고, 예를 들어 CT, 비조영 CT, 조영 증강 CT, MR, DECT, 스펙트럼 CT, 및/또는 기타를 포함하여, 임의의 유형의 전술된 의료 영상을 포함할 수 있다.
몇몇 실시예에서, 블록 388에서, 시스템은 제1 칼슘 스코어를 제2 칼슘 스코어와 비교하고 칼슘 스코어의 변화를 결정하도록 구성될 수 있다. 그러나, 전술된 바와 같이, 이것만으로는 일반적으로 존재하면, 칼슘 스코어의 변화의 원인에 대한 통찰력을 제공하지 않는다. 몇몇 실시예에서, 2개의 판독값 사이에 칼슘 스코어의 통계적으로 상당한 변화가 없으면, 예를 들어 임의의 차이가 미리 결정된 임계값 미만이면, 시스템은 칼슘 스코어의 변화의 분석을 종료하도록 구성될 수 있다. 몇몇 실시예에서, 2개의 판독값 사이에 칼슘 스코어의 통계적으로 상당한 변화가 있으면, 예를 들어 임의의 차이가 미리 결정된 임계값 초과이면, 시스템은 그 분석을 계속하도록 구성될 수 있다.
특히, 몇몇 실시예에서, 블록 390에서, 시스템은 제2 시점으로부터 촬영된 제2 의료 영상으로부터 플라크 파라미터의 제2 세트를 동적으로 및/또는 자동으로 도출하도록 구성될 수 있다. 몇몇 실시예에서, 플라크 파라미터의 제2 세트는 블록 208, 201, 203, 205, 207, 209, 및/또는 211과 관련하여 전술된 임의의 정량화된 플라크 파라미터를 포함할 수 있다. 몇몇 실시예에서, 시스템은 플라크 파라미터 데이터베이스(370)에 도출된 또는 결정된 플라크 파라미터의 제2 세트를 저장하도록 구성될 수 있다.
몇몇 실시예에서, 블록 392에서, 시스템은 제1 시점에 촬영된 의료 영상으로부터 도출된 제1 세트와 나중의 시점에 촬영된 의료 영상으로부터 도출된 제2 세트 사이의 하나 이상의 플라크 파라미터의 변화를 분석하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 예를 들어 플라크의 하나 이상의 영역 및/또는 플라크를 둘러싸는 하나 이상의 영역의 방사선 밀도, 체적, 기하학 형상, 위치, 표면적에 대한 체적의 비 또는 함수, 이질성 지수, 방사선 밀도 조성, 체적의 함수로서의 방사선 밀도 조성, 체적에 대한 방사선 밀도의 비, 확산율, 그 임의의 조합 또는 관계 등과 같은, 2개의 스캔 사이의 정량화된 플라크 파라미터를 비교하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 플라크의 하나 이상의 영역의 기하학적 형상을 가로지르는 방사선 밀도 값의 공간 맵핑 또는 3차원 막대 그래프를 생성함으로써 플라크의 하나 이상의 영역의 이질성 지수를 결정하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 예를 들어 혈청 바이오마커, 유전학, 오믹스, 전사체학, 미생물체학 및/또는 대사체학과 같은 하나 이상의 비영상 기반 메트릭의 변화를 분석하도록 구성된다.
몇몇 실시예에서, 시스템은 2개의 스캔 사이의 방사선 밀도 또는 안정 대 불안정 플라크의 견지에서 플라크 조성의 변화를 결정하도록 구성된다. 예를 들어, 몇몇 실시예에서, 시스템은 2개의 스캔 사이의 더 높은 방사선 밀도 또는 안정 플라크 대 더 낮은 방사선 밀도 또는 불안정 플라크의 백분율의 변화를 결정하도록 구성된다. 몇몇 실시예에서, 시스템은 2개의 스캔 사이의 더 높은 방사선 밀도 플라크 대 더 낮은 방사선 밀도 플라크의 변화를 추적하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 1000 초과의 하운즈필드 단위를 갖는 것들로서 더 높은 방사선 밀도 플라크를 정의하고 1000 미만의 하운즈필드 단위를 갖는 것으로서 더 낮은 방사선 밀도 플라크를 정의하도록 구성될 수 있다.
몇몇 실시예에서, 시스템은 플라크 파라미터를 개별적으로 비교하고 그리고/또는 가중 측정치로서 이들 중 하나 이상을 조합하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 동등하게, 상이하게, 로그함수적으로, 대수적으로, 및/또는 다른 수학적 변환을 이용하여 플라크 파라미터를 가중하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 정량화된 플라크 파라미터의 일부 또는 전부만을 이용하도록 구성될 수 있다.
몇몇 실시예에서, 블록 394에서, 시스템은 개별적으로 및/또는 조합되든 또는 가중되든, 하나 이상의 플라크 파라미터의 비교에 기초하여 대상의 칼슘 스코어의 변화를 특성화하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 칼슘 스코어의 변화를 양성, 중성 또는 음성으로 특성화하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 하나 이상의 플라크 파라미터의 비교가 플라크가 안정화되고 있거나 임의의 새로운 플라크의 생성 없이 대상에 대해 전체적으로 높은 방사선 밀도 값을 나타내는 것으로 드러나면, 시스템은 칼슘 스코어의 변화가 양성인 것으로 보고할 수 있다. 대조적으로, 하나 이상의 플라크 파라미터의 비교가 예를 들어 임의의 새로운 플라크의 생성 없이, 낮은 방사선 밀도 값을 갖는 플라크의 새로운 불안정 영역의 생성으로 인해 플라크가 대상에 대해 전체적으로 불안정한 것을 드러내면, 시스템은 칼슘 스코어의 변화가 음성이라고 보고할 수 있다. 몇몇 실시예에서, 시스템은 도 3a, 도 3b, 도 3c, 및 도 3d와 관련하여 설명된 것들을 포함하여, 본 명세서에 설명된 플라크 정량화 및/또는 플라크 기반 질환 분석의 추적의 임의의 또는 모든 기술을 이용하도록 구성될 수 있다.
비한정적 예로서, 몇몇 실시예에서, 시스템은 2개의 스캔 사이의 플라크의 하나 이상의 영역의 체적과 방사선 밀도 사이의 비의 변화를 결정하고 비교하는 것에 기초하여 칼슘 스코어의 변화의 원인을 특성화하도록 구성될 수 있다. 유사하게, 몇몇 실시예에서, 시스템은 2개의 스캔 사이의 플라크의 하나 이상의 영역의 확산율 및/또는 방사선 밀도의 변화를 결정하고 비교하는 것에 기초하여 칼슘 스코어의 변화의 원인을 특성화하도록 구성될 수 있다. 예를 들어, 플라크의 영역의 방사선 밀도가 증가했으면, 시스템은 칼슘 스코어의 변화 또는 증가를 양성으로 특성화하도록 구성될 수 있다. 몇몇 실시예에서, 시스템이 제1 영상에 존재하지 않았던 제2 영상의 플라크의 하나 이상의 새로운 영역을 식별하면, 시스템은 칼슘 스코어의 변화를 음성으로 특성화하도록 구성될 수 있다. 몇몇 실시예에서, 시스템이 플라크의 하나 이상의 영역의 체적 대 표면적 비가 2개의 스캔 사이에서 감소했다고 결정하면, 시스템은 칼슘 스코어의 변화를 양성으로 특성화하도록 구성될 수 있다. 몇몇 실시예에서, 시스템이 예를 들어 방사선 밀도 값의 공간 맵핑을 생성 및/또는 분석함으로써 플라크의 영역의 이질성 또는 이질성 지수가 2개의 스캔 사이에서 감소했다고 결정하면, 시스템은 칼슘 스코어의 변화를 양성으로 특성화하도록 구성될 수 있다.
몇몇 실시예에서, 시스템은 의료 영상으로부터 도출된 하나 이상의 플라크 파라미터에 기초하여 칼슘 스코어의 변화를 특성화하기 위해 AI, ML, 및/또는 다른 알고리즘을 이용하도록 구성된다. 예를 들어, 몇몇 실시예에서, 시스템은 CNN을 사용하여 및/또는 칼슘 스코어와 조합된 식별된 플라크 파라미터를 갖는 공지의 의료 영상의 데이터세트를 사용하여 훈련되는 AI 및/또는 ML 알고리즘을 이용하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 데이터베이스에 저장된 것의 공지의 데이터세트에 액세스함으로써 칼슘 스코어의 변화를 특성화하도록 구성될 수 있다. 예를 들어, 공지의 데이터세트는 칼슘 스코어 및/또는 의료 영상 및/또는 과거에 다른 대상의 것들로부터 도출된 플라크 파라미터의 변화의 데이터세트를 포함할 수도 있다. 몇몇 실시예에서, 시스템은 칼슘 스코어의 변화를 특성화하고 그리고/또는 혈관별 기반, 세그먼트별 기반, 플라크별 기반, 및/또는 대상 기반으로 그 원인을 결정하도록 구성될 수 있다.
몇몇 실시예에서, 블록 396에서, 시스템은 대상에 대해 제안된 치료 계획을 생성하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 대상에 대한 칼슘 스코어의 변화 및/또는 그 특성화에 기초하여 대상에 대해 제안된 치료 계획을 생성하도록 구성될 수 있다.
몇몇 실시예에서, 도 3e와 관련하여 본 명세서에 설명된 하나 이상의 프로세스는 반복될 수 있다. 예를 들어, 본 명세서에 설명된 하나 이상의 프로세스가 반복될 수 있고 그 분석 결과는 대상에 대한 칼슘 스코어의 변화의 지속된 추적 및/또는 특성화 및/또는 다른 목적을 위해 사용될 수 있다.
심혈관 이벤트의 예후
몇몇 실시예에서, 본 명세서에 설명된 시스템, 디바이스 및 방법은 본 명세서에 설명된 의료 영상 기반 분석 기술 중 하나 이상에 기초하여 대상에 대한 심혈관 이벤트의 예후를 생성하도록 구성된다. 예를 들어, 몇몇 실시예에서, 시스템은 환자의 동맥 혈관 내의 불량 플라크 축적의 양에 기초하여 환자가 심혈관 이벤트의 위험에 있는지 여부를 결정하도록 구성된다. 이 목적으로, 심혈관 이벤트는 심근경색, 뇌졸중 또는 사망과 같은 임상적 주요 심혈관 이벤트, 뿐만 아니라 질환 진행 및/또는 허혈을 포함할 수 있다.
몇몇 실시예에서, 시스템은 환자의 동맥 혈관의 일부 또는 전부의 총 표면적 및/또는 체적에 대한 불량 플라크 축적의 양 및/또는 체적의 비에 기초하여 심혈관 이벤트의 위험을 식별할 수 있다. 몇몇 실시예에서, 전술된 비가 특정 임계값을 초과하면, 시스템은 환자와 연관된 특정 위험 인자 및/또는 수 및/또는 레벨을 출력하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 동맥 혈관의 일부 또는 전부의 총 체적에 비교하여 환자의 동맥 혈관 내의 불량 플라크 축적의 양 또는 체적의 절대량 또는 체적 또는 비에 기초하여 환자가 심혈관 이벤트의 위험이 있는지 여부를 결정하도록 구성된다. 몇몇 실시예에서, 시스템은 환자의 혈액 화학 또는 바이오마커 시험으로부터의 결과에 기초하여 환자가 심혈관 이벤트의 위험에 있는지 여부, 예를 들어 환자의 특정 혈액 화학 또는 바이오마커 시험이 특정 임계값 레벨을 초과하는지 여부를 결정하도록 구성된다. 몇몇 실시예에서, 시스템은 사용자 또는 다른 시스템으로부터 입력을 수신하고 그리고/또는 데이터베이스 시스템으로부터 환자의 혈액 화학 또는 바이오마커 시험 데이터에 액세스하도록 구성된다. 몇몇 실시예에서, 시스템은 플라크, 혈관 형태, 및/또는 협착과 관련된 동맥 정보 뿐만 아니라 대치된 좌심실 질량, 챔버 체적 및 크기, 판막 형태, 혈관(예를 들어, 대동맥, 폐동맥) 형태, 지방 및/또는 폐 및/또는 뼈 건강과 같은 비관상 심혈관계에 대한 다른 영상 데이터로부터의 입력을 이용하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 치료 계획 제안을 생성하기 위해 출력된 위험 인자를 이용할 수 있다. 예를 들어, 시스템은 연성 불량 플라크를 환자에게 더 안전하고 더 안정한 경성 플라크로 변환하기 위해, 스타틴과 같은 콜레스테롤 감소 약물의 투여를 수반하는 치료 계획을 출력하도록 구성될 수 있다. 일반적으로, 크게 석회화된 경성 플라크는 동맥 혈관 내로 파열의 상당히 더 낮은 위험을 가질 수 있어, 이에 의해 동맥 혈관 내의 혈전 형성의 기회를 감소시키는데, 이는 환자의 심근경색 또는 다른 심장 이벤트의 위험을 감소시킬 수 있다.
도 4a는 의료 영상 분석에 기초하는 및/또는 그로부터 도출된 심혈관 이벤트의 예후를 위한 방법의 예시적인 실시예(들)의 개요를 도시하고 있는 흐름도이다.
도 4a에 도시되어 있는 바와 같이, 몇몇 실시예에서, 시스템은 블록 202에서 의료 영상 데이터베이스(100)에 저장될 수 있는 대상의 관상 영역의 CT 스캔과 같은 의료 영상에 액세스하도록 구성될 수 있다. 또한, 몇몇 실시예에서, 시스템은 블록 204에서 하나 이상의 동맥 및/또는 블록 206에서 플라크의 하나 이상의 영역을 식별하도록 구성될 수 있다. 게다가, 몇몇 실시예에서, 시스템은 블록 208에서 하나 이상의 혈관 형태 및/또는 정량화된 플라크 파라미터를 결정하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 플라크 및/또는 혈관의 영역의 기하학 형상 및/또는 체적, 플라크의 영역의 표면적에 대한 체적의 비 또는 함수, 플라크의 영역의 이질성 또는 균질성 지수, 방사선 밀도 값의 범위에 의한 플라크의 영역의 방사선 밀도 및/또는 그 조성, 플라크의 영역의 체적에 대한 방사선 밀도의 비, 및/또는 플라크의 영역의 확산율을 결정하도록 구성될 수 있다. 게다가, 몇몇 실시예에서, 블록 210에서, 시스템은 원시 의료 영상으로부터 결정 및/또는 도출된 하나 이상의 혈관 형태 파라미터 및/또는 정량화된 플라크 파라미터에 기초하여 플라크의 하나 이상의 영역을 안정 대 불안정 또는 양호 대 불량으로 분류하도록 구성될 수 있다. 블록 202, 204, 206, 208 및 210에 나타낸 프로세스 및 기술에 관한 부가의 상세는 도 2a와 관련하여 상기 설명에서 발견될 수 있다.
몇몇 실시예에서, 시스템은 블록 412에서 불량 플라크가 나타나는 혈관에 대한 불량 플라크의 비를 생성하도록 구성된다. 더 구체적으로, 몇몇 실시예에서, 시스템은 의료 영상에서 식별된 혈관의 총 표면적 및 해당 혈관 내의 불량 또는 불안정 플라크의 모든 영역의 표면적을 결정하도록 구성될 수 있다. 전술된 내용에 기초하여, 몇몇 실시예에서, 시스템은 의료 영상에 표시되어 있는 전체 혈관 또는 그 일부의 표면적에 대한 특정 혈관 내의 모든 불량 플라크의 표면적의 비를 생성하도록 구성될 수 있다. 유사하게, 몇몇 실시예에서, 시스템은 의료 영상에서 식별된 혈관의 총 체적 및 해당 혈관 내의 불량 또는 불안정 플라크의 모든 영역의 체적을 결정하도록 구성될 수 있다. 전술된 내용에 기초하여, 몇몇 실시예에서, 시스템은 의료 영상에 표시되어 있는 전체 혈관 또는 그 일부의 체적에 대한 특정 혈관 내의 모든 불량 플라크의 체적의 비를 생성하도록 구성될 수 있다.
몇몇 실시예에서, 블록 414에서, 시스템은 의료 영상에서 식별된 모든 불량 또는 불안정 플라크의 총 절대 체적 및/또는 표면적을 결정하도록 추가로 구성된다. 또한, 몇몇 실시예에서, 블록 416에서, 시스템은 의료 영상에서 식별된 양호 플라크 및 불량 플라크를 포함하는 모든 플라크의 총 절대 체적을 결정하도록 구성된다. 또한, 몇몇 실시예에서, 블록 418에서, 시스템은 환자의 혈액 화학 및/또는 바이오마커 시험으로부터의 결과 및/또는 다른 비영상화 시험 결과에 액세스하거나 검색하도록 구성될 수 있다. 더욱이, 몇몇 실시예에서, 블록 422에서, 시스템은 하나 이상의 비관상 심혈관계 의료 영상에 액세스 및/또는 분석하도록 구성될 수 있다.
몇몇 실시예에서, 블록 420에서, 시스템은 표면적이든 체적이든, 혈관에 대한 불량 플라크의 생성된 비, 불량 플라크의 총 절대 체적, 플라크의 총 절대 체적, 혈액 화학 및/또는 바이오마커 시험 결과, 및/또는 하나 이상의 비관상 심혈관계 의료 영상의 분석 결과 중 하나 이상을 분석하여 개별적으로든 및/또는 조합되든, 이들 파라미터 중 하나 이상이 미리 결정된 임계값을 초과하는지 여부를 결정하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 이들 파라미터를 건강한 대상 및/또는 심혈관 이벤트의 위험이 있는 대상의 하나 이상의 기준 값에 비교함으로써 전술된 파라미터들 중 하나 이상을 개별적으로 분석하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 그 조합 또는 가중 측정치를 건강한 대상 및/또는 심혈관 이벤트의 위험이 있는 대상의 하나 이상의 기준 값에 비교함으로써 전술된 파라미터들 중 하나 이상의 가중 측정치와 같은 조합을 분석하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 이들 파라미터 중 하나 이상을 동등하게 가중하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 이들 파라미터 중 하나 이상을 상이하게 가중하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 로그함수적으로, 대수적으로, 및/또는 다른 수학적 변환을 이용하여 이들 파라미터 중 하나 이상을 가중하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 개별적으로, 조합하여, 및/또는 가중 측정치의 부분으로서 전술된 파라미터 중 일부만을 이용하도록 구성될 수 있다.
몇몇 실시예에서, 블록 424에서, 시스템은 대상에 대한 심혈관 이벤트에 대한 예후를 생성하도록 구성된다. 특히, 몇몇 실시예에서, 시스템은 표면적이든 체적이든, 혈관에 대한 불량 플라크의 생성된 비, 불량 플라크의 총 절대 체적, 플라크의 총 절대 체적, 혈액 화학 및/또는 바이오마커 시험 결과의 분석 결과, 및/또는 하나 이상의 비관상 심혈관계 의료 영상의 분석 결과 중 하나 이상에 기초하여 심혈관 이벤트에 대한 예후를 생성하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 AI, ML, 및/또는 다른 알고리즘을 이용하여 예후를 생성하도록 구성된다. 몇몇 실시예에서, 생성된 예후는 대상에 대한 심혈관 이벤트의 위험 스코어 또는 위험 평가를 포함한다. 몇몇 실시예에서, 심혈관 이벤트는 죽상동맥경화증, 협착증, 허혈, 심근경색 등 중 하나 이상을 포함할 수 있다.
몇몇 실시예에서, 블록 426에서, 시스템은 대상에 대해 제안된 치료 계획을 생성하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 대상에 대한 칼슘 스코어의 변화 및/또는 그 특성화에 기초하여 대상에 대해 제안된 치료 계획을 생성하도록 구성될 수 있다. 몇몇 실시예에서, 생성된 치료 계획은 스타틴의 사용, 생활 습관 변화, 및/또는 수술의 사용을 포함할 수 있다.
몇몇 실시예에서, 도 4a와 관련하여 본 명세서에 설명된 하나 이상의 프로세스는 반복될 수 있다. 예를 들어, 본 명세서에 설명된 하나 이상의 프로세스가 반복될 수 있고 그 분석 결과는 대상에 대한 심혈관 이벤트의 지속된 예후 및/또는 다른 목적을 위해 사용될 수 있다.
환자-특정 스텐트 결정
몇몇 실시예에서, 본 명세서에 설명된 시스템, 방법 및 디바이스는 환자-특정 스텐트 및/또는 그 이식을 위한 선택 또는 안내에 대한 하나 이상의 파라미터를 결정 및/또는 생성하는 데 사용될 수 있다. 특히, 몇몇 실시예에서, 본 명세서에 개시된 시스템은, 예를 들어 AI, ML 및/또는 다른 알고리즘을 사용하여, 의료 영상 데이터의 처리에 기초하여 특정 환자에 대해 필요한 스텐트 유형, 길이, 직경, 게이지, 강도, 및/또는 임의의 다른 스텐트 파라미터를 동적으로 및 자동으로 결정하는 데 사용될 수 있다.
몇몇 실시예에서, 특정 동맥 영역에 가장 적합한 하나 이상의 환자-특정 스텐트 파라미터를 결정함으로써, 시스템은 환자 합병증의 위험 및/또는 보험 위험을 감소시킬 수 있는데, 이는 너무 큰 스텐트가 이식되면, 동맥 벽이 너무 얇게 신장될 수 있어 가능한 파열, 또는 바람직하지 않은 높은 유량 또는 다른 문제를 야기하기 때문이다. 다른 한편으로, 너무 작은 스텐트가 이식되면, 동맥 벽이 충분히 신장 개방되지 않을 수도 있어 너무 적은 혈류 또는 다른 문제를 야기한다.
몇몇 실시예에서, 시스템은 동맥 내의 협착의 영역을 동적으로 식별하고, 동맥의 식별된 영역의 적절한 직경을 동적으로 결정하고, 그리고/또는 복수의 이용 가능한 스텐트 옵션으로부터 스텐트를 자동으로 선택하도록 구성된다. 몇몇 실시예에서, 선택된 스텐트는 이식 후 동맥 영역을 결정된 적절한 동맥 직경으로 받쳐 개방(prop open)하도록 구성될 수 있다. 몇몇 실시예에서, 적절한 동맥 직경은 자연적으로 협착이 없을 것인 직경과 동등하거나 실질적으로 동등한 것으로 결정된다. 몇몇 실시예에서, 시스템은 식별된 동맥 영역에 선택된 스텐트를 이식하기 위한 환자-특정 수술 계획을 동적으로 생성하도록 구성될 수 있다. 예를 들어, 시스템은 동맥의 분지가 식별된 동맥 영역 부근에 있는지 여부를 결정하고 분지를 처리하기 위해 2개의 가이드와이어를 삽입하기 위한 및/또는 분지 내에 제2 스텐트를 구속하고 삽입하기 위한 위치를 결정하기 위한 환자-특정 수술 계획을 생성하도록 구성될 수 있다.
도 4b는 의료 영상 분석에 기초하는 환자-특정 스텐트 파라미터의 결정을 위한 방법의 예시적인 실시예(들)의 개요를 도시하고 있는 흐름도이다.
도 4b에 도시되어 있는 바와 같이, 몇몇 실시예에서, 시스템은 블록 202에서 대상의 관상 영역의 CT 스캔과 같은 의료 영상에 액세스하도록 구성될 수 있다. 또한, 몇몇 실시예에서, 시스템은 블록 204에서 하나 이상의 동맥 및/또는 블록 206에서 플라크의 하나 이상의 영역을 식별하도록 구성될 수 있다. 게다가, 몇몇 실시예에서, 시스템은 블록 208에서 하나 이상의 혈관 형태 및/또는 정량화된 플라크 파라미터를 결정하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 블록 201에서 플라크 및/또는 혈관의 영역의 기하학 형상 및/또는 체적, 블록 203에서 플라크의 영역의 표면적에 대한 체적의 비 또는 함수, 블록 205에서 플라크의 영역의 이질성 또는 균질성 지수, 블록 207에서 방사선 밀도 값의 범위에 의한 플라크의 영역의 방사선 밀도 및/또는 그 조성, 블록 209에서 플라크의 영역의 체적에 대한 방사선 밀도의 비, 및/또는 블록 211에서 플라크의 영역의 확산율을 결정하도록 구성될 수 있다. 블록 202, 204, 206, 208, 201, 203, 205, 207, 209, 및 211에 나타낸 프로세스 및 기술에 관한 부가의 상세는 도 2a와 관련하여 상기 설명에서 발견될 수 있다.
몇몇 실시예에서, 블록 440에서, 시스템은 직경, 곡률, 혈관 형태, 혈관 벽, 내강 벽 등과 같은 하나 이상의 혈관 파라미터를 결정하기 위해 의료 영상을 분석하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 예를 들어 혈관을 따라 특정 영역에서 협착이 있는 의료 영상에 보여지는 바와 같이 의료 영상으로부터 하나 이상의 혈관 파라미터를 결정하거나 도출하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 협착이 없는 하나 이상의 혈관 파라미터를 결정하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 협착이 존재하지 않은 경우 혈관의 직경, 곡률, 및/또는 기타를 결정하기 위해 혈관으로부터 협착 또는 플라크를 그래픽으로 및/또는 가상으로 제거하도록 구성될 수 있다.
몇몇 실시예에서, 블록 442에서, 시스템은 스텐트가 대상에 대해 추천되는지 여부를 결정하고, 만일 그러하면, 의료 분석에 기초하여 해당 환자에 대해 특정한 스텐트의 하나 이상의 추천 파라미터를 결정하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 식별된 혈관 형태 파라미터, 정량화된 플라크 파라미터 및/또는 혈관 파라미터 중 하나 이상을 분석하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 AI, ML, 및/또는 다른 알고리즘을 이용하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 전술된 파라미터 중 하나 이상을 개별적으로, 조합하여, 및/또는 가중 측정치로서 분석하도록 구성된다. 몇몇 실시예에서, 개별적으로 또는 조합하여, 의료 영상으로부터 도출된 이들 파라미터 중 하나 이상은 스텐트가 이식된 대상 및 이식되지 않은 대상을 포함하여, 다른 대상으로부터 도출되거나 수집된 하나 이상의 기준 값에 비교될 수 있다. 몇몇 실시예에서, 환자-특정 스텐트의 결정된 파라미터에 기초하여, 시스템은 이들 파라미터와 일치하는 기존의 스텐트의 선택을 결정하고 그리고/또는 의료 영상으로부터 도출된 스텐트 파라미터를 갖는 환자-특정 스텐트를 제조하기 위한 제조 지침을 생성하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 협착이 존재하지 않으면 동맥의 직경보다 작거나 실질적으로 동일한 스텐트의 직경을 추천하도록 구성될 수 있다.
몇몇 실시예에서, 블록 444에서, 시스템은 분석된 의료 영상에 기초하여 스텐트 이식을 위한 추천된 수술 계획을 생성하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 의료 영상에 기초하여 분지가 존재하는지 여부를 결정하고 그리고/또는 수술 전에 환자를 위한 가이드와이어 및/또는 스텐트의 위치설정을 위한 가이드라인을 생성하도록 구성될 수 있다. 이와 같이, 몇몇 실시예에서, 시스템은 플라크 및/또는 다른 파라미터의 의료 영상 분석에 기초하여 특정 환자에 특정한 상세한 수술 계획을 생성하도록 구성될 수 있다.
몇몇 실시예에서, 블록 446에서, 시스템은 스텐트 이식 후에 하나 이상의 의료 영상에 액세스하거나 검색하도록 구성된다. 몇몇 실시예에서, 블록 448에서, 시스템은 이식 후 분석을 수행하기 위해 액세스된 의료 영상을 분석하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 스텐트 이식 후에, 블록 208과 관련하여 본 명세서에 설명된 임의의 것들을 포함하여, 하나 이상의 혈관 형태 및/또는 플라크 파라미터를 도출하도록 구성될 수 있다. 전술된 내용의 분석에 기초하여, 몇몇 실시예에서, 시스템은 몇몇 실시예에서, 예를 들어 스타틴 또는 다른 약물의 추천된 사용, 생활 습관 변화, 추가 수술 또는 스텐트 이식 등과 같은 추가의 제안된 치료를 생성할 수 있다.
몇몇 실시예에서, 도 4b와 관련하여 본 명세서에 설명된 하나 이상의 프로세스는 반복될 수 있다. 예를 들어, 본 명세서에 설명된 하나 이상의 프로세스가 반복될 수 있고 그 분석 결과는 환자에 대한 부가의 환자-특정 스텐트의 필요성 및/또는 파라미터를 결정하기 위해 및/또는 다른 목적으로 사용될 수 있다.
환자-특정 보고
몇몇 실시예에서, 시스템은 원시 CT 스캔 데이터로부터 생성된 처리된 데이터의 분석에 기초하여 환자-특정 보고를 동적으로 생성하도록 구성된다. 몇몇 실시예에서, 환자 특정 보고는 처리된 데이터에 기초하여 동적으로 생성된다. 몇몇 실시예에서, 기입된 보고는 데이터베이스로부터 특정 문구를 선택 및/또는 조합하는 것에 기초하여 동적으로 생성되고, 여기서, 특정 단어, 용어 및/또는 문구는 환자 및 환자의 식별된 의료 문제에 대해 특정하도록 변경된다. 몇몇 실시예에서, 시스템은 본 명세서에 설명된 영상 스캐닝 데이터 및/또는 시스템 생성 영상 뷰로부터 하나 이상의 영상을 동적으로 선택하도록 구성되고, 여기서, 선택된 하나 이상의 영상은 처리된 데이터의 분석에 기초하여 환자-특정 보고를 생성하기 위해 기입된 보고에 동적으로 삽입된다.
몇몇 실시예에서, 시스템은 환자 특정 보고에 삽입을 위해 선택된 하나 이상의 영상에 동적으로 주석을 달도록 구성되고, 여기서, 주석은 환자에 특정하고 그리고/또는 본 명세서에 개시된 디바이스, 방법 및 시스템에 의해 수행된 데이터 처리에 기초하는 주석이며, 예를 들어 동맥을 따라 상당한 불량 플라크 축적이 존재하는 것을 보여주기 위해 마킹 또는 다른 지표를 포함하도록 하나 이상의 영상에 주석을 단다.
몇몇 실시예에서, 시스템은 과거 및/또는 현재 의료 데이터에 기초하여 보고를 동적으로 생성하도록 구성된다. 예를 들어, 몇몇 실시예에서, 시스템은 환자의 심혈관 건강이 기간에 걸쳐 어떻게 변화했는지를 보여주도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 환자의 심혈관 건강 및/또는 심혈관 질환이 환자 내에서 어떻게 변화했는지를 구체적으로 설명하기 위해 데이터베이스로부터 문구를 동적으로 생성하고 그리고/또는 문구를 선택하도록 구성된다.
몇몇 실시예에서, 시스템은 예를 들어 심혈관 질환이 환자 내에서 시간 경과에 따라 어떻게 변화했는지를 보여주어, 예를 들어 서로 병치된 과거 및 현재 영상을 보여주거나, 예를 들어 현재 영상에 중첩된 과거 영상을 보여주어 이에 의해 사용자가 과거 및 현재 영상 사이를 이동하거나 또는 페이드하거나 또는 토글할 수 있게 하기 위해 의료 보고에 삽입을 위해 이전 의료 스캐닝 및/또는 현재 의료 스캐닝으로부터 하나 이상의 의료 영상을 동적으로 선택하도록 구성된다.
몇몇 실시예에서, 환자-특정 보고는 사용자가 특정 영상, 비디오, 애니메이션, 증강 현실(AR), 가상 현실(VR), 및/또는 보고의 특징과 상호작용할 수 있게 하는 대화형 보고이다. 몇몇 실시예에서, 시스템은 검토 또는 추가의 분석을 필요로 하는 혈관 질환을 포함하거나 포함할 가능성이 있는 특정 혈관 및/또는 혈관의 부분을 강조하기 위해 환자 동맥 혈관의 동적으로 생성된 삽화 또는 영상을 환자-특정 보고 내에 삽입하도록 구성된다. 몇몇 실시예에서, 동적으로 생성된 환자-특정 보고는 AR 및/또는 VR을 사용하여 사용자에게 혈관 벽을 보여주도록 구성된다.
몇몇 실시예에서, 시스템은 본 명세서에 개시된 방법, 시스템 및 디바이스를 사용하여 동적으로 생성된 보고 내에 임의의 비 및/또는 동적으로 생성된 데이터를 삽입하도록 구성된다. 몇몇 실시예에서, 동적으로 생성된 보고는 방사선학 보고를 포함한다. 몇몇 실시예에서, 동적으로 생성된 보고는 의사가 보고를 편집할 수 있게 하기 위해 Microsoft Word®와 같은 편집 가능한 문서에 있다. 몇몇 실시예에서, 동적으로 생성된 보고는 PACS(Picture Archiving and Communication System) 또는 다른 EMR(electronic medical records) 시스템에 저장된다.
몇몇 실시예에서, 시스템은 문해력을 개선하기 위해 임의의 환자에게 더 양호하게 이해 가능한 방식으로 정보를 정확하게 전송하기 위해, 오디오가 있거나 없는 비디오 포맷의 도면 또는 인포그래픽으로 영상으로부터 데이터를 변환 및/또는 번역하도록 구성된다. 몇몇 실시예에서, 문해력을 개선시키는 이 방법은 더 높은 문해력을 갖는 더 낮은 위험, 및 더 낮은 문해력을 갖는 더 높은 위험을 정의하는 위험도 층화 도구와 결합된다. 몇몇 실시예에서, 이들 보고 출력은 환자-유도 및/또는 환자-특정일 수도 있다. 몇몇 실시예에서, 실제 환자 영상 데이터(예를 들어, 그 CT로부터의)는 발견을 추가로 설명하기 위해 그 CT로부터의 그래픽 및/또는 CT로부터의 도면에 결합될 수 있다. 몇몇 실시예에서, 실제 환자 영상 데이터, 그래픽 데이터 및/또는 도면 데이터는 환자로부터 온 것이 아니지만 환자가 더 양호하게 이해하는 것을 도울 수 있는 설명 그래픽(예를 들어, 지질-풍부 플라크에 대한 비디오)에 결합될 수 있다.
몇몇 실시예에서, 이들 환자 보고는 당뇨병 또는 고혈압과 같은 심장 질환 위험 인자의 제어와 관련하여 시간 경과에 따른 질환을 추적하는 것을 허용하는 애플리케이션으로 가져올 수 있다. 몇몇 실시예에서, 앱 및/또는 사용자 인터페이스는 시간 경과에 따른 혈당 및 혈압의 추적을 허용하고 그리고/또는 위험 예측을 증강하는 방식으로 시간 경과에 따른 영상의 변화를 관련시킬 수 있다.
몇몇 실시예에서, 시스템은 원시 CT 데이터로부터 생성된 처리된 데이터에 기초하여 환자에 특정한 비디오 보고를 생성하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 영상 발견, 연관된 자동 계산 진단, 및/또는 예후 알고리즘에 기초하여 콘텐츠를 자동으로 및 동적으로 변경하도록 프로그래밍될 수 있는, 사용자를 위한 개인화된 영화 뷰잉 경험을 생성 및/또는 제공하도록 구성된다. 몇몇 실시예에서, 뷰잉 방법은 전통적인 보고와 달리, 보통의 2D 영화의 형태일 수 있는 영화 경험 및/또는 AR 또는 VR을 통한 혼합 현실 영화 경험을 통하는 것이다. 몇몇 실시예에서, 2D 및 혼합 현실의 모두의 경우, 개인화된 영화 경험은 심근경색의 위험, 질환 진행의 속도 및/또는 허혈과 같은 그 예후를 예측하기 위해 환자와 상호작용할 수 있다.
몇몇 실시예에서, 시스템은 환자로부터의 실제 CT 영상 데이터와 조합하여 오디오 콘텐츠와 함께 카툰 영상 및/또는 애니메이션의 모두를 포함하는 비디오 보고를 동적으로 생성하도록 구성될 수 있다. 몇몇 실시예에서, 동적으로 생성된 비디오 의료 보고는 음성 합성기 또는 미리 제작된 음성 콘텐츠가 비디오 보고 동안 재생을 위해 사용될 수 있도록 데이터베이스로부터 문구, 용어 및/또는 다른 콘텐츠를 선택하는 것에 기초하여 동적으로 내레이션된다. 몇몇 실시예에서, 동적으로 생성된 비디오 의료 보고는 본 명세서에 개시된 임의의 영상을 포함하도록 구성된다. 몇몇 실시예에서, 동적으로 생성된 비디오 의료 보고는 심혈관 질환이 환자 내에서 시간 경과에 따라 어떻게 변화했는지를 보여주기 위해 비디오 의료 보고에 삽입을 위해 이전 의료 스캐닝 및/또는 현재 의료 스캐닝으로부터 하나 이상의 의료 영상을 동적으로 선택하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 보고는 서로 옆에 병치된 과거 및 현재 영상을 보여줄 수 있다. 몇몇 실시예에서, 보고는 현재 영상에 중첩된 과거 영상을 보여줄 수 있어 이에 의해 사용자가 과거 및 현재 영상 사이를 토글하거나 이동하거나 페이드할 수 있게 한다. 몇몇 실시예에서, 동적으로 생성된 비디오 의료 보고는 비디오 보고에서 CT 의료 영상과 같은 실제 의료 영상을 보여주고 이어서 실제 의료 영상의 삽화 뷰 또는 카툰 뷰(부분적 또는 전체적으로 삽화 또는 카툰 뷰)로 전이하여, 이에 의해 환자의 동맥의 특정 피처를 강조하도록 구성될 수 있다. 몇몇 실시예에서, 동적으로 생성된 비디오 의료 보고는 AR 및/또는 VR을 사용하여 사용자에게 혈관 벽을 보여주도록 구성된다.
도 5a는 의료 영상 분석에 기초하는 환자-특정 의료 보고의 생성을 위한 방법의 예시적인 실시예(들)의 개요를 도시하고 있는 흐름도이다. 도 5a에 도시되어 있는 바와 같이, 몇몇 실시예에서, 시스템은 블록 202에서 의료 영상에 액세스하도록 구성될 수 있다. 몇몇 실시예에서, 의료 영상은 의료 영상 데이터베이스(100)에 저장될 수 있다. 블록 202에 나타낸 의료 영상의 유형 및 다른 프로세스 및 기술에 관한 부가의 상세는 도 2a와 관련하여 상기 설명에서 발견될 수 있다.
몇몇 실시예에서, 블록 354에서, 시스템은 예를 들어 AI, ML, 및/또는 다른 알고리즘을 사용하여 의료 영상에서 하나 이상의 동맥, 플라크 및/또는 지방을 식별하도록 구성된다. 블록 354에 나타낸 의료 영상의 유형 및 다른 프로세스 및 기술에 관한 부가의 상세는 도 3c와 관련하여 상기 설명에서 발견될 수 있다.
몇몇 실시예에서, 블록 208에서, 시스템은 하나 이상의 혈관 형태 및/또는 정량화된 플라크 파라미터를 결정하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 블록 201에서 플라크 및/또는 혈관의 영역의 기하학 형상 및/또는 체적, 블록 203에서 플라크의 영역의 표면적에 대한 체적의 비 또는 함수, 블록 205에서 플라크의 영역의 이질성 또는 균질성 지수, 블록 207에서 방사선 밀도 값의 범위에 의한 플라크의 영역의 방사선 밀도 및/또는 그 조성, 블록 209에서 플라크의 영역의 체적에 대한 방사선 밀도의 비, 및/또는 블록 211에서 플라크의 영역의 확산율을 결정하도록 구성될 수 있다. 블록 208, 201, 203, 205, 207, 209, 및 211에 나타낸 프로세스 및 기술에 관한 부가의 상세는 도 2a와 관련하여 상기 설명에서 발견될 수 있다.
몇몇 실시예에서, 블록 508에서, 시스템은 협착증, 죽상동맥경화증, 허혈의 위험, 심혈관 이벤트 또는 질환의 위험, 및/또는 기타를 결정 및/또는 정량화하도록 구성될 수 있다. 시스템은 이들에 한정되는 것은 아니지만 도 3c의 블록 358 및 블록 366과 관련하여 전술된 것들을 포함하는, 본 명세서에 설명된 임의의 기술 및/또는 알고리즘을 이용하도록 구성될 수 있다.
몇몇 실시예에서, 블록 510에서, 시스템은 의료 영상으로부터 도출된 분석 결과를 사용하여 주석이 달린 의료 영상 및/또는 양자화된 컬러 맵을 생성하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 하나 이상의 동맥, 플라크, 지방, 양호 플라크, 불량 플라크, 혈관 형태, 및/또는 기타를 보여주는 양자화된 맵을 생성하도록 구성될 수 있다.
몇몇 실시예에서, 블록 512에서, 시스템은 예를 들어 대상의 이전에 획득된 의료 영상의 분석에 기초하여, 환자의 플라크 및/또는 질환의 진행을 결정하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 이들에 한정되는 것은 아니지만 일반적으로 블록 380 및/또는 도 3d와 관련하여 설명된 것들을 포함하여, 질환 추적과 관련하여 본 명세서에 설명된 임의의 알고리즘 또는 기술을 이용하도록 구성될 수 있다.
몇몇 실시예에서, 블록 514에서, 시스템은 플라크 및/또는 질환의 결정된 진행에 기초하여 환자를 위한 제안된 치료 계획을 생성하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 이들에 한정되는 것은 아니지만 일반적으로 블록 382 및/또는 도 3d와 관련하여 설명된 것들을 포함하여, 질환 추적 및 치료 생성과 관련하여 본 명세서에 설명된 임의의 알고리즘 또는 기술을 이용하도록 구성될 수 있다.
몇몇 실시예에서, 블록 516에서, 시스템은 환자-특정 보고를 생성하도록 구성될 수 있다. 환자-특정 보고는 환자의 하나 이상의 의료 영상 및/또는 그 도출된 그래픽을 포함할 수 있다. 예를 들어, 몇몇 실시예에서, 환자 보고는 하나 이상의 주석이 달린 의료 영상 및/또는 양자화된 컬러 맵을 포함할 수 있다. 몇몇 실시예에서, 환자-특정 보고는 의료 영상으로부터 도출된 하나 이상의 혈관 형태 및/또는 정량화된 플라크 파라미터를 포함할 수 있다. 몇몇 실시예에서, 환자-특정 보고는 정량화된 협착증, 죽상동맥경화증, 허혈, 심혈관 이벤트 또는 질환의 위험, CAD-RADS 스코어, 및/또는 임의의 전술된 것의 진행 또는 추적을 포함할 수 있다. 몇몇 실시예에서, 환자-특정 보고는 스타틴, 생활 습관 변화 및/또는 수술과 같은, 제안된 치료를 포함할 수 있다.
몇몇 실시예에서, 시스템은 환자 보고 데이터베이스(500)로부터, 환자-특정 보고를 생성하도록 적용 가능하고 그리고/또는 사용될 수 있는 하나 이상의 문구, 특성화, 그래픽, 비디오, 오디오 파일 등에 액세스 및/또는 검색하도록 구성될 수 있다. 환자-특정 보고를 생성하는 데 있어서, 몇몇 실시예에서, 시스템은 전술되고 그리고/또는 환자의 의료 영상으로부터 도출된 것들과 같은 하나 이상의 파라미터를 다른 환자로부터 이전에 도출된 하나 이상의 파라미터와 비교하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 시스템은 환자의 의료 영상으로부터 도출된 하나 이상의 정량화된 플라크 파라미터를 유사하거나 동일한 연령 그룹의 다른 환자의 의료 영상으로부터 도출된 하나 이상의 정량화된 플라크 파라미터와 비교하도록 구성될 수 있다. 비교에 기초하여, 몇몇 실시예에서, 시스템은 예를 들어 유사한 이전 사례를 식별함으로써 어느 문구, 특성화, 그래픽, 비디오, 오디오 파일 등이 환자-특정 보고에 포함될 것인지를 결정하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 환자-특정 보고를 생성하기 위해 AI 및/또는 ML 알고리즘을 이용하도록 구성될 수 있다. 몇몇 실시예에서, 환자-특정 보고는 문서, AR 경험, VR 경험, 비디오, 및/또는 오디오 구성요소를 포함할 수 있다.
도 5b 내지 도 5i는 의료 영상 분석에 기초하여 생성된 환자-특정 의료 보고의 예시적인 실시예(들)를 도시하고 있다. 특히, 도 5b는 환자-특정 보고의 커버 페이지의 예를 도시하고 있다.
도 5c 내지 도 5i는 예시적인 환자-특정 보고(들)의 부분을 도시하고 있다. 몇몇 실시예에서, 시스템에 의해 생성된 환자-특정 보고는 이들 예시된 부분의 단지 일부 또는 전부를 포함할 수도 있다. 도 5c 내지 도 5i에 도시되어 있는 바와 같이, 몇몇 실시예에서, 환자-특정 보고는 예를 들어 우관상 동맥(RCA), R-후방 하행 동맥(R-PDA), R-후외측 분지(R-PLB), 좌측 주(LM) 및 좌전 하행(LAD) 동맥, 제1 대각선(D1) 동맥, 제2 대각선(D2) 동맥, 회선(Cx) 동맥, 제1 둔각 변연 분지(OM1), 제2 둔각 변연 분지(OM2), 중간지(RI) 등과 같은 하나 이상의 동맥 및/또는 그 부분의 시각화를 포함한다. 몇몇 실시예에서, 보고에 포함된 각각의 동맥에 대해, 시스템은 예를 들어 동맥의 근위, 중간 및/또는 원위 부분에서와 같이, 혈관의 길이를 따라 쉬운 추적을 위해 직선화된 뷰를 생성하도록 구성된다.
몇몇 실시예에서, 시스템에 의해 생성된 환자-특정 보고는 혈관 내에 보여진 다양한 플라크 및/또는 혈관 형태-관련 파라미터의 정량화된 측정치를 포함한다. 몇몇 실시예에서, 보고에 포함된 동맥의 각각 또는 일부에 대해, 시스템은 환자의 의료 영상을 생성 및/또는 도출하고, 총 플라크 체적, 총 저밀도 또는 비석회화 플라크 체적, 총 비석회화 플라크 값 및/또는 총 석회화 플라크 체적의 정량화된 측정치를 환자-특정 보고에 포함하도록 구성된다. 또한, 몇몇 실시예에서, 보고에 포함된 동맥의 각각 또는 일부에 대해, 시스템은 환자의 의료 영상을 생성 및/또는 도출하고, 예를 들어 동맥 내의 최대 직경 협착증의 백분율과 같은, 협착 중증도의 정량화된 측정치를 환자-특정 보고에 포함하도록 구성된다. 몇몇 실시예에서, 환자-특정 보고에 포함된 동맥의 각각 또는 일부에 대해, 시스템은 환자의 의료 영상을 생성 및/또는 도출하고, 예를 들어 최고 리모델링 지수와 같은, 혈관 리모델링의 정량화된 측정치를 환자-특정 보고에 포함하도록 구성된다.
시각화/GUI
죽상동맥경화증, 동맥 벽(예를 들어, 플라크) 내 및 상의 지방, 콜레스테롤 및 다른 물질의 축적은 혈류를 제한할 수 있다. 플라크는 파열되어 혈전을 유발할 수 있다. 죽상동맥경화증은 종종 심장 문제로 고려되지만, 신체의 임의의 부위의 동맥에 영향을 미칠 수 있다. 그러나, 부분적으로 불완전한 영상 데이터, 관상 동맥 영상에 존재할 수 있는 수차(예를 들어, 환자의 움직임으로 인한), 상이한 환자의 플라크의 발현의 차이로 인해 관상 동맥의 플라크에 대한 정보를 결정하는 것이 어려울 수 있다. 이에 따라, CT 영상으로부터 도출된 계산된 정보나 CT 영상의 육안 검사만으로는 환자의 관상 동맥에 존재하는 상태를 결정하기에 충분한 정보를 제공하지 않는다. 본 개시내용의 부분은 이들이 자동 또는 반자동 프로세스를 사용하여 CT 영상으로부터 결정될 수 있는 정보를 설명한다. 예를 들어, 기계 학습 프로세스를 사용하는 것은 수천 건의 CT 스캔에 대해 훈련되어 CT 영상에 묘사되어 있는 정보를 결정하고 그리고/또는 애널리스트를 이용하여 기계 학습 프로세스의 결과를 검토하고 향상시키며, 본 명세서에 설명된 예시적인 사용자 인터페이스는 결정된 정보를 다른 애널리스트 또는 의사에게 제공할 수 있다. CT 영상으로부터 결정된 정보는 환자의 관상 동맥의 상태를 평가하는 데 매우 중요하지만, 숙련된 의사에 의한 관상 동맥의 시각적 분석은, CT 영상으로부터 결정한 정보를 가지고, 환자의 관상 동맥의 더 포괄적인 평가를 허용한다. 본 명세서에 나타낸 바와 같이, 시스템의 실시예는 관상 혈관 내 및 주위의 혈관 내강, 혈관 벽, 플라크 및 협착의 분석 및 시각화를 용이하게 한다. 이 시스템은 예를 들어 환자의 혈관의 CT 스캔에 의해 생성된 컴퓨터 단층 촬영(CT) 영상의 세트에 기초하여 혈관을 다평면 포맷으로, 단면 뷰, 3D 관상 동맥 트리 뷰, 축면, 시상면 및 관상면 뷰로 디스플레이할 수 있다. CT 영상은 의료 영상 정보 및 관련 데이터의 통신 및 관리를 위한 표준인 의료용 디지털 영상 및 통신 표준(Digital Imaging and Communications in Medicine: DICOM) 영상일 수 있다. CT 영상 또는 CT 스캔은 본 명세서에 사용될 때, 컴퓨터 제어 스캐너에 의해 생성된 신체 내의 구조의 사진을 나타내는 광범위한 용어이다. 예를 들어, X-레이 빔을 사용하는 스캐너에 의해. 그러나, 다른 방사선 소스 및/또는 영상 시스템이 CT형 영상의 세트를 생성할 수도 있다는 것이 이해된다. 이에 따라, 본 명세서에서 용어 "CT 영상"의 사용은 달리 지시되지 않으면, 신체 내의 구조의 "슬라이스"를 묘사하고 있는 영상의 세트를 생성하는 임의의 유형의 영상 소스를 갖는 임의의 유형의 영상 시스템을 나타낼 수도 있다. 본 명세서에 설명된 사용자 인터페이스의 하나의 주 양태는 CT 영상에 디스플레이되는 뷰와 정보의 정확한 상관 관계이다. 사용자 인터페이스의 부분(또는 "패널") 상에 디스플레이된 CT 영상 내의 위치는 동일한 위치가 상이한 뷰에서 동시에 디스플레이되도록 시스템에 의해 정확하게 상관된다. 예를 들어, 2, 3, 4, 5 또는 6개의 뷰에서 동시에 관상 혈관의 부분을 동시에 디스플레이하고 다른 2 내지 6개의 뷰가 정확한 동일한 위치를 대응적으로 보여주는 동안 의사가 하나의 뷰에서 관상 혈관의 특정 위치를 탐색하게 함으로써, 혈관의 상태에 대한 막대한 양의 통찰력을 제공하고 의사/애널리스트가 제시된 정보를 신속하고 쉽게 시각적으로 통합하여 검사 중인 관상 혈관의 상태의 포괄적이고 정확한 이해를 얻을 수 있게 한다.
유리하게는, 본 개시내용은 사용자가 더 분석적으로 유용한 방식으로 영상 및 데이터와 상호작용하여 분석하게 하고 그리고/또는 계산 분석이 더 유용한 방식으로 수행될 수 있게 하여, 예를 들어 주의를 필요로 하는 상태를 검출하기 위해, CT 영상 및 데이터가 더 유용하고 정확한 방식으로 분석될 수 있게 한다. 본 명세서에 설명된 처리의 그래픽 사용자 인터페이스는 사용자가 그렇지 않으면 관상 동맥의 상이한 정보와 뷰 사이의 관계를 정의하기 어려운 것을 시각화하게 할 수 있다. 예에서, 관상 동맥의 부분을 CMPR 뷰, SMPR 뷰 및 단면 뷰에서 동시에 디스플레이하는 것은, 그렇지 않으면 더 적은 수의 뷰를 사용하여 인지 가능하지 않을 수도 있는 관상 동맥과 연관된 플라크 또는 협착의 통찰력을 애널리스트에게 제공할 수 있다. 유사하게, 관상 동맥의 부분을 CMPR 뷰, SMPR 뷰 및 단면 뷰에 추가하여, 축면 뷰, 시상면 뷰 및 관상면 뷰로 디스플레이하는 것은 그렇지 않으면 관상 동맥의 더 적은 수의 뷰로 인지 가능하지 않을 것인 추가 정보를 애널리스트에게 제공할 수 있다. 다양한 실시예에서, 시스템 또는 시스템과 상호작용하는 애널리스트에 의해 결정된, 본 명세서에 설명되거나 예시된 임의의 정보, 및 CT 영상의 세트에서 관상 혈관 세그먼트의 협착 및 플라크를 나타내는 정보 및 CT 영상의 세트에서 관상 혈관의 식별 및 위치를 나타내는 정보를 포함하는 CT 영상의 세트와 연관된 관상 동맥/혈관에 관한 다른 정보(예를 들어, 다른 외부 소스, 예를 들어 애널리스트로부터의)("동맥 정보")는 시스템에 저장되고 사용자 인터페이스의 다양한 패널 및 보고에 제시될 수 있다. 본 개시내용은 환자의 관상 동맥 및 관상 동맥과 연관된 피처의 더 쉽고 더 신속한 분석을 허용한다. 본 개시내용은 또한 관상 동맥 데이터의 선택된 부분에 대한 신속하고 정확한 액세스를 허용함으로써 관상 동맥 데이터의 더 빠른 분석을 허용한다. 본 개시내용의 시스템 및 방법을 사용하지 않고, CT 영상 및 관상 동맥 정보를 신속하게 선택, 디스플레이 및 분석하는 것은 번거롭고 비효율적일 수 있고, 애널리스트가 환자의 관상 동맥의 그 분석에 있어서 중요한 정보를 누락하는 결과를 야기할 수도 있는데, 이는 환자의 상태의 부정확한 평가를 야기할 수도 있다.
다양한 실시예에서, 시스템은 자동으로(예를 들어, 환자와 연관된 CT 영상의 세트의 전처리 단계 동안 기계 학습 알고리즘을 사용하여) 또는 시스템을 사용하는 애널리스트 또는 의사에 의해 대화식으로(예를 들어, 사용자로부터의 적어도 몇몇 입력을 수신함으로써) 환자의 관상 동맥을 식별할 수 있다. 본 명세서에 설명된 바와 같이, 몇몇 실시예에서, 원시 CT 스캔 데이터의 처리는 환자의 특정 동맥 혈관의 존재 및/또는 비존재를 결정 및/또는 식별하기 위해 CT 데이터의 분석을 포함할 수 있다. 자연적으로 발생하는 현상으로서, 특정 동맥은 특정 환자에 존재할 수도 있는 반면 이러한 특정 동맥은 다른 환자에게는 존재하지 않을 수도 있다. 몇몇 실시예에서, 시스템은 스캔 데이터에서 검출된 동맥 혈관을 식별하고 라벨링하도록 구성될 수 있다. 특정 실시예에서, 시스템은 사용자가 환자 내에서 식별된 동맥의 라벨을 클릭할 수 있게 하고, 이에 의해 그 동맥이 환자 내에 존재하는 복수의 동맥 혈관의 전자 표현에서 강조될 수 있게 하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 CT 스캔 데이터에 존재하는 동맥을 분석하고 예를 들어 10 내지 15분 또는 그 미만 이내에 환자에게 존재하는 동맥의 다양한 뷰를 디스플레이하도록 구성된다. 대조적으로, 예로서, 양호 또는 불량 플라크 또는 임의의 다른 인자의 고려 없이, 협착만을 식별하기 위해 CT의 시각적 평가를 수행하는 것은 기술 레벨에 따라 15분 내지 1시간 초과 소용될 수 있고, 또한 방사선 전문의 및/또는 심장 이미저를 가로질러 상당한 가변성을 가질 수 있다.
몇몇 시스템은 애널리스트가 환자와 연관된 CT 영상을 뷰잉할 수 있게 할 수도 있지만, 이들 시스템은 환자에 특정한 관상 동맥의 3-D 동맥 트리 뷰 사이의 대응과 함께, 실시간 또는 거의 실시간으로, 모든 필요한 뷰, 다중 SMPR 뷰, 단면 뿐만 아니라 축면 뷰, 시상면 뷰 및/또는 관상면 뷰를 디스플레이하는 능력이 결여되어 있다. 시스템의 실시예는 용도 중 하나 이상 또는 모든 용도를 이 디스플레이에 구성할 수 있는데, 이는 환자의 관상 동맥의 비할 데 없는 가시성을 제공하고, 애널리스트 또는 의사가 이들 뷰 없이 단순히 인지 가능하지 않을 수도 있는 피처 및 정보를 인지할 수 있게 한다. 즉, 모든 이들 뷰, 뿐만 아니라 디스플레이된 관상 혈관에 관련된 정보를 보여주도록 구성된 사용자 인터페이스는 애널리스트 또는 의사가 시스템이 제공하는 정보와 함께 자신의 경험을 사용할 수 있게 하여 동맥의 상태를 더 양호하게 식별할 수 있게 하는데, 이는 환자를 위한 치료에 대한 결정을 내리는 것을 도울 수 있다. 게다가, 애널리스트 또는 의사에 의해 인지될 수 없는 시스템에 의해 결정되고 사용자 인터페이스에 의해 디스플레이되는 정보는 이해하기 쉽고 신속하게 동화되는 이러한 방식으로 제시된다. 예로서, 플라크의 실제 방사선 밀도 값의 지식은 단순히 CT 영상을 보고 분석하고 결정하는 것이 아니라 시스템이 모든 플라크에 대한 완전한 분석을 발견할 수 있고 제시할 수 있는 것이다.
일반적으로, 동맥 혈관은 본질적으로 곡선형이다. 이에 따라, 시스템은 이러한 곡선형 동맥 혈관을 동맥의 실질적으로 직선 뷰로 직선화하도록 구성될 수 있고, 몇몇 실시예에서, 전술된 내용은 직선 다평면 재구성(MPR) 뷰라 칭한다. 몇몇 실시예에서, 시스템은 복수의 동맥 혈관이 직선형 다평면 재구성 뷰로 보여지는 상태로 대시보드 뷰를 보여주도록 구성된다. 몇몇 실시예에서, 동맥 혈관의 선형 뷰는 동맥 혈관의 종축(또는 혈관의 길이 또는 장축)을 따른 단면 뷰를 보여주고 있다. 몇몇 실시예에서, 시스템은 사용자가 다양한 뷰 및 각도로부터 혈관 벽을 검토할 수 있게 하기 위해 사용자가 실질적으로 선형 동맥 혈관의 종축을 중심으로 360° 방식으로 회전할 수 있게 하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 내부 혈관 직경의 협소화 뿐만 아니라 내부 및/또는 외부 혈관 벽 자체의 특성을 나타내도록 구성된다. 몇몇 실시예에서, 시스템은 다수의 선형 뷰, 예를 들어 SMPR 뷰에서 복수의 동맥 혈관을 디스플레이하도록 구성될 수 있다.
몇몇 실시예에서, 시스템은 동맥 혈관의 곡률을 사용자에게 더 양호하게 보여주기 위해 복수의 동맥 혈관을 사시 뷰로 디스플레이하도록 구성될 수 있다. 몇몇 실시예에서, 사시 뷰는 곡선형 다평면 재구성 뷰라 칭한다. 몇몇 실시예에서, 사시 뷰는 예를 들어 동맥 트리 뷰에서 심장 및 혈관의 CT 영상을 포함한다. 몇몇 실시예에서, 사시 뷰는 심장의 혈관을 더 양호하게 강조하기 위해 디스플레이되는 심장 조직 없이 동맥 혈관을 보여주는 수정된 CT 영상을 포함한다. 몇몇 실시예에서, 시스템은 상이한 관점으로부터 환자의 다양한 동맥을 디스플레이하기 위해 사용자가 사시 뷰를 회전시키는 것을 허용하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 위도 축(또는 혈관의 폭 또는 단축)을 따라 동맥 혈관의 단면 뷰를 보여주도록 구성될 수 있다. 종축을 따른 단면 뷰와 대조적으로, 몇몇 실시예에서, 시스템은 사용자가 위도 축을 가로지르는 단면 뷰로부터 동맥 혈관을 뷰잉함으로써 협소화하는 협착 또는 혈관 벽을 더 명확하게 볼 수 있게 할 수 있다.
몇몇 실시예에서, 시스템은 복수의 동맥 혈관을 삽화 뷰 또는 카툰 뷰로 디스플레이하도록 구성된다. 동맥 혈관의 삽화 뷰에서, 몇몇 실시예에서, 시스템은 특정 동맥 혈관 또는 동맥 혈관의 섹션에서 심혈관 이벤트가 발생할 위험의 다양한 정도를 나타내기 위해 특정 동맥 혈관 또는 특정 동맥 혈관의 섹션의 단색 채색 또는 회색조를 이용할 수 있다. 예를 들어, 시스템은 제1 동맥 혈관에서 발생하는 중위험의 심혈관 이벤트를 나타내기 위해 황색으로 제1 동맥 혈관을 디스플레이하면서 제2 동맥 혈관에서 발생하는 고위험의 심혈관 이벤트를 나타내기 위해 적색으로 제2 동맥 혈관을 디스플레이하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 동맥 혈관 또는 동맥 혈관의 섹션과 연관된 지정된 위험을 더 양호하게 이해하기 위해 사용자가 다양한 동맥 혈관 및/또는 동맥 혈관의 섹션과 상호작용할 수 있게 하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 사용자가 환자의 동맥의 삽화 뷰로부터 CT 뷰로 전환하는 것을 허용할 수 있다.
몇몇 실시예에서, 시스템은 본 명세서에 설명된 다양한 뷰의 전부 또는 일부를 단일 대시보드 뷰로 디스플레이하도록 구성될 수 있다. 예를 들어, 시스템은 사시 뷰와 함께 선형 뷰를 디스플레이하도록 구성될 수 있다. 다른 예에서, 시스템은 삽화 뷰와 함께 선형 뷰를 디스플레이하도록 구성될 수 있다.
몇몇 실시예에서, 처리된 CT 영상 데이터는 시스템이 환자의 다양한 동맥을 사용자에게 디스플레이하기 위해 이러한 처리된 데이터를 이용하는 것을 허용하게 할 수 있다. 전술된 바와 같이, 시스템은 환자의 복수의 동맥 혈관의 선형 뷰를 생성하기 위해 처리된 CT 데이터를 이용하도록 구성될 수 있다. 몇몇 실시예에서, 선형 뷰는 환자의 동맥을 실질적으로 직선과 유사하도록 선형 방식으로 디스플레이한다. 몇몇 실시예에서, 선형 뷰의 생성은 하나 이상의 자연 발생 곡선형 동맥 혈관의 영상의 스트레칭을 필요로 한다. 몇몇 실시예에서, 시스템은 사용자가 360° 회전 가능한 방식으로 동맥의 디스플레이된 선형 뷰를 회전할 수 있게 하기 위해 이러한 처리된 데이터를 이용하도록 구성될 수 있다. 몇몇 실시예에서, 처리된 CT 영상 데이터는 시간 경과에 따라, 즉, 심장 주기 전체에 걸쳐 동맥 형태를 시각화하고 비교할 수 있다. 동맥의 확장 또는 그 결여는 혈관 확장이 가능하지 않은 건강한 동맥 대 아픈 동맥을 나타낼 수도 있다. 몇몇 실시예에서, 단일 시점을 단순히 검사함으로써, 확장되거나 확장되지 않는 동맥의 능력을 결정하기 위해 예측 알고리즘이 구성될 수 있다.
전술된 바와 같이, 시스템의 양태는 환자의 관상 동맥을 시각화하는 데 도움이 될 수 있다. 몇몇 실시예에서, 시스템은 사용자가 특정 환자에 대해 데이터와 상호작용 및/또는 분석하기 위한 시각화 인터페이스를 동적으로 생성하기 위해 원시 CT 스캔으로부터 처리된 데이터를 이용하도록 구성될 수 있다. 시각화 시스템은 환자의 심장과 연관된 다수의 동맥을 디스플레이할 수 있다. 시스템은 동맥이 환자의 신체 내에서 선형이 아니더라도 실질적으로 선형 방식으로 다수의 동맥을 디스플레이하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 동맥의 상이한 영역을 시각화하기 위해 사용자가 동맥의 길이를 따라 상하 또는 좌우로 스크롤할 수 있도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 사용자가 상이한 각도에서 동맥의 상이한 부분을 볼 수 있게 하기 위해 사용자가 360° 방식으로 동맥을 회전할 수 있게 하도록 구성될 수 있다.
유리하게는, 시스템은 임계값 레벨을 초과하는 플라크 축적량이 있는 영역에 마킹을 포함하거나 생성하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 사용자가 추가 검사를 위해 동맥의 특정 영역을 타겟화할 수 있도록 구성될 수 있다. 시스템은 사용자가 동맥의 길이를 따라 특정 지점에서 동맥과 연관된 기본 데이터를 디스플레이하기 위해 동맥의 하나 이상의 마킹된 영역을 클릭할 수 있도록 구성할 수 있다. 몇몇 실시예에서, 시스템은 환자의 동맥의 카툰 표현을 생성하도록 구성될 수 있다. 몇몇 실시예에서, 동맥의 카툰 또는 컴퓨터 생성 표현은 사용자가 추가로 검사할 수 있게 하기 위해 환자의 동맥의 특정 영역을 강조하기 위한 컬러-코딩된 체계를 포함할 수 있다. 몇몇 실시예에서, 시스템은 사용자에 의한 추가 분석을 필요로 하는 동맥을 표명하기 위해 적색 컬러 또는 임의의 다른 그래픽 표현을 사용하여 동맥의 카툰 또는 컴퓨터 생성 영상을 생성하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 라벨링 체계에 따라 저장된 관상 혈관 라벨로, 동맥의 카툰 표현, 및 전술된 동맥의 3D 표현을 라벨링할 수 있다. 사용자가 원하는 경우, 라벨링 체계는 변경하거나 정제될 수 있고, 선호 라벨이 저장되어 관상 동맥을 라벨링하는 데 사용될 수도 있다.
몇몇 실시예에서, 시스템은 허혈이 발견될 가능성이 있는 동맥 내의 영역을 식별하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 불량 플라크가 존재하는 플라크의 영역을 식별하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 동맥 내의 영역의 착색 및/또는 회색조 레벨이 임계값 레벨을 초과하는지 여부를 결정함으로써 불량 플라크 영역을 식별하도록 구성될 수 있다. 예에서, 시스템은 플라크의 영역의 영상이 검은색 또는 실질적으로 검은색 또는 어두운 회색인 플라크의 영역을 식별하도록 구성될 수 있다. 예에서, 시스템은 동맥 내의 플라크의 영역에서 백색도 또는 밝은 회색의 지정에 의해 "양호" 플라크의 영역을 식별하도록 구성될 수 있다.
몇몇 실시예에서, 시스템은 심장 이벤트에 대한 고위험이 있는 동맥 혈관의 부분을 식별하고 그리고/또는 혈관 벽을 따라 윤곽을 작도하거나 혈관 벽을 따라 플라크 축적의 프로파일을 그리도록 구성된다. 몇몇 실시예에서, 시스템은 또한 이 정보를 사용자에게 디스플레이하고 그리고/또는 사용자가 AI 알고리즘이 윤곽 지정을 잘못 그렸다고 생각하는 경우 사용자가 식별된 부분 또는 윤곽 지정을 변경하게 하기 위한 편집 도구를 제공하도록 구성된다. 몇몇 실시예에서, 시스템은 "내강에 스냅(snap-to-lumen)"이라 칭하는 편집 도구를 포함하고, 여기서 사용자는 혈관의 특정 영역 주위에 박스를 작도하고 내강에 스냅 옵션을 선택함으로써 관심 영역을 선택하고 시스템은 혈관 벽 및/또는 플라크 축적의 경계를 더 밀접하게 추적하기 위해 윤곽 지정을 자동으로 재작도하고, 시스템은 이에 한정되는 것은 아니지만 에지 검출과 같은 영상 처리 기술을 사용한다. 몇몇 실시예에서, AI 알고리즘은 의료 영상 데이터를 완전한 정확도로 처리하지 않고 따라서 편집 도구가 의료 영상 데이터의 분석을 완료하기 위해 필요하다. 몇몇 실시예에서, 의료 영상 데이터의 최종 사용자 편집은 의료 영상 데이터를 처리하기 위해 AI 알고리즘만을 사용하는 것보다 의료 영상 데이터의 더 빠른 처리를 허용한다.
몇몇 실시예에서, 시스템은 더 고해상도 영상으로부터 영상을 복제하도록 구성된다. 예로서, CT에서, 칼슘으로부터의 부분 체적 아티팩트는 칼슘의 체적의 과대평가 및 동맥의 협소화를 야기하는 CT의 공지의 아티팩트이다. 혈관내 초음파 또는 광 간섭 단층 촬영 또는 조직 병리학의 것에 대한 CT 동맥 외관을 훈련하고 유효화함으로써, 몇몇 실시예에서, CT 동맥 외관이 IVUS 또는 OCT의 것과 유사하도록 복제될 수도 있고, 이러한 방식으로, CT 영상의 정확도를 개선시키기 위해 관상 칼슘 아티팩트를 디블룸할 수도 있다.
몇몇 실시예에서, 시스템은 시작 부분으로부터 종료 부분까지의 혈관 및/또는 혈관 길이의 코스에 걸쳐 혈관의 테이퍼링을 디스플레이하기 위한 그래픽 사용자 인터페이스를 제공하도록 구성된다. 그래픽 사용자 인터페이스에 디스플레이될 수 있는 패널의 다수의 예가 도 6a 내지 도 9n을 참조하여 예시되고 설명된다. 몇몇 실시예에서, 사용자 인터페이스의 부분, 패널, 버튼, 또는 사용자 인터페이스 상에 디스플레이되는 정보는 본 명세서에 설명되고 도면에 도시되어 있는 것과 상이하게 배열된다. 예를 들어, 사용자는 사용자 인터페이스의 상이한 부분에서 동맥의 상이한 뷰를 배열하기 위한 선호도를 가질 수도 있다.
몇몇 실시예에서, 그래픽 사용자 인터페이스는 혈관의 협착 또는 협착 뷰를 나타내기 위해 AI 알고리즘 분석으로부터 획득된 플라크 축적 데이터로 디스플레이된 혈관 뷰에 주석을 달도록 구성된다. 몇몇 실시예에서, 그래픽 사용자 인터페이스 시스템은 고위험 영역 또는 추가 분석 영역, 중간 위험 영역 및/또는 저위험 영역을 디스플레이하기 위해 컬러 디스플레이 또는 다른 디스플레이로 디스플레이된 혈관 뷰에 주석을 달도록 구성된다. 예를 들어, 그래픽 사용자 인터페이스 시스템은 상당한 불량 지방 플라크 축적 및/또는 협착이 존재하는 것을 나타내기 위해, 혈관 길이를 따라 특정 영역을 적색 마킹 또는 다른 그래픽 마킹으로 주석을 달도록 구성될 수 있다. 몇몇 실시예에서, 혈관 길이를 따라 주석이 달린 마킹은 이들에 한정되는 것은 아니지만, 협착, 생화학 시험, 바이오마커 시험, 의료 영상 데이터의 AI 알고리즘 분석 등과 같은 하나 이상의 변수에 기초한다. 몇몇 실시예에서, 그래픽 사용자 인터페이스 시스템은 혈관 뷰에 관절경화증 뷰로 주석을 달도록 구성된다. 몇몇 실시예에서, 그래픽 사용자 인터페이스 시스템은 혈관 뷰에 허혈 뷰로 주석을 달도록 구성된다. 몇몇 실시예에서, 그래픽 사용자 인터페이스는 혈관 및 주석이 달린 플라크 축적 뷰를 상이한 각도로부터 디스플레이하기 위해 사용자가 혈관을 180도 또는 360도 회전할 수 있게 하도록 구성된다. 이 뷰로부터, 사용자는 협착을 해결하기 위한 스텐트 길이 및 직경을 수동으로 결정할 수 있고, 몇몇 실시예에서, 시스템은 의료 영상 정보를 분석하여 추천된 스텐트 길이 및 직경을 결정하고, 이식을 위한 제안된 스텐트를 그래픽 사용자 인터페이스에서 디스플레이하여 어떻게 스텐트가 혈관의 식별된 영역 내에서 협착을 해결할 것인지를 사용자에게 예시하도록 구성된다. 몇몇 실시예에서, 본 명세서에 개시된 시스템, 방법 및 디바이스는 대상이 인간이든 다른 포유동물이든, 대상의 신체 및/또는 다른 혈관 및/또는 기관의 다른 영역에 적용될 수 있다.
예시적인 예
이러한 시스템의 주 용도 중 하나는 예를 들어 이들에 한정되는 것은 아니지만 관상 혈관과 같은, 혈관 내의 플라크의 존재를 결정하는 것일 수 있다. 플라크 유형은 사용자의 향상된 판독 가능성을 위해 하운즈필드 단위 밀도에 기초하여 시각화할 수 있다. 시스템의 실시예는 또한 세그먼트화된 관상 동맥에 대한 혈관 및 병변 레벨의 모두에서 협착 및 플라크 조성과 관련된 변수의 정량화를 제공한다.
몇몇 실시예에서, 시스템은 관상 동맥 질환(CAD), 또는 의심된 CAD의 평가를 위해 관상 컴퓨터 단층 촬영 혈관 조영술(CCTA)을 받은 환자 내의 관상 플라크(즉, 죽상동맥경화증) 및 협착의 존재 및 범위를 결정하기 위해 심장 CT 데이터를 뷰잉하고 분석하기 위한 대화형 도구로서 훈련된 의사에 의해 사용되도록 의도된 웹 기반 소프트웨어 애플리케이션으로 구성된다. 이 시스템은 CT 스캐너를 사용하여 획득된 CT 영상을 후처리한다. 시스템은 관상 동맥의 피처를 특성화, 측정 및 시각화하기 위한 도구 및 기능을 제공하는 사용자 인터페이스를 생성하도록 구성된다.
시스템의 실시예의 특징은 예를 들어 중심선 및 내강/혈관 추출, 플라크 조성 오버레이, 협착의 사용자 식별, 혈관 길이, 병변 길이, 혈관 체적, 내강 체적, 플라크 체적(비석회화, 석회화, 저밀도-비석회화 플라크 및 전체), 최대 리모델링 지수, 및 면적/직경 협착(예를 들어, 백분율)을 포함하여 실시간으로 계산된 혈관 통계, 다평면 재구성된 혈관의 2차원(2D) 시각화 및 단면 뷰, 대화형 3차원(3D) 렌더링 관상 동맥 트리, CT 영상에 나타나는 실제 혈관에 대응하는 카툰 동맥 트리의 시각화, 사용자 수정 가능한 반자동 혈관 세그먼트화, 및 스텐트 및 만성 완전 폐색(CTO)의 사용자 식별을 포함할 수 있다.
실시예에서, 시스템은 관상 혈관 트리 내에 18개의 관상 세그먼트를 사용한다(예를 들어, 심혈관 컴퓨터 단층 촬영 학회의 가이드라인에 따라). 관상 세그먼트 라벨은:
pRCA - 근위 우관상 동맥
mRCA - 중간 우관상 동맥
dRCA - 원위 우관상 동맥
R-PDA - 우후 하행 동맥
LM - 좌주간 동맥
pLAD - 근위 좌하행 동맥
mLAD - 중앙 좌전 하행 동맥
dLAD - 원위 좌전 하행 동맥
D1 - 제1 대각선
D2 - 제2 대각선
pCx - 근위 좌회선 동맥
OM1 - 제1 둔각 변연
LCx - 원위 좌회선
OM2 - 제2 둔각 변연
L-PDA - 좌후 하행 동맥
R-PLB - 우후 외측 분지
RI - 중간지 동맥
L-PLB - 좌후 외측 분지
다른 실시예는 더 많거나 더 적은 관상 세그먼트 라벨을 포함할 수 있다. 개별 환자에게 존재하는 관상 세그먼트는 우측 또는 좌측 관상 우세 여부에 의존한다. 몇몇 세그먼트는 우측 관상 우세가 있을 때만 존재하고, 몇몇은 좌측 관상 우세가 있을 때만 존재한다. 따라서, 모든 경우는 아니지만 다수의 경우에, 단일 환자가 모든 18개의 세그먼트를 가질 수는 없다. 시스템은 대부분의 공지의 변형을 고려할 것이다.
시스템의 성능의 일 예에서, CT 스캔이 시스템에 의해 처리되었고, 생성 데이터는 전문 판독기에 의해 생성된 실측 결과와 비교되었다. 시스템 결과와 전문 판독기 결과 사이의 피어슨 상관 계수(Pearson Correlation Coefficients) 및 블랜드-앨트먼 일치(Bland-Altman Agreements)를 이하의 표에 나타낸다.
Figure pct00001
도 6a 내지 도 9n은 시스템의 사용자 인터페이스의 실시예를 도시하고 있고, 패널, 그래픽, 도구, CT 영상의 표현, 및 CT 영상의 세트에서 발견되는 관상 혈관과 관련된 특성, 구조 및 통계의 예를 도시하고 있다. 다양한 실시예에서, 사용자 인터페이스는 유연하고 패널의 다양한 배열, 영상, CT 영상의 그래픽 표현, 및 특성, 구조 및 통계를 보여주도록 구성될 수 있다. 예를 들어, 애널리스트의 선호도를 기초로 한다. 시스템은 관상 동맥을 시각화하는 것을 보조하기 위한 다수의 메뉴 및 탐색 도구를 갖는다. 키보드 및 마우스 단축키가 또한 환자의 CT 영상의 세트와 연관된 영상 및 정보를 탐색하기 위해 사용될 수 있다.
도 6a는 본 명세서에 설명된 CT 영상 분석 시스템 상에서 생성 및 디스플레이될 수 있는 사용자 인터페이스(600)의 예를 도시하고 있고, 사용자 인터페이스(600)는 환자의 동맥 및 동맥에 대한 정보의 다양한 대응하는 뷰를 보여줄 수 있는 다중 패널(뷰)을 갖는다. 실시예에서, 도 6a에 도시되어 있는 사용자 인터페이스(600)는 환자의 관상 동맥의 분석을 위한 시작점일 수 있고, 때때로 본 명세서에서 "연구 페이지"(또는 연구 페이지(600))라 칭한다. 몇몇 실시예에서, 연구 페이지는 예를 들어 애널리스트의 선호도 분석에 기초하여, 사용자 인터페이스(600) 상의 상이한 위치에 배열될 수 있는 다수의 패널을 포함할 수 있다. 사용자 인터페이스(600)의 다양한 경우에, 디스플레이될 수도 있는 가능한 패널의 특정 패널이 디스플레이되도록 선택될 수 있다(예를 들어, 사용자 입력에 기초하여).
도 6a에 도시되어 있는 연구 페이지(600)의 예는 CT 영상에 기초하는 관상 혈관의 3차원(3D) 표현을 포함하고 CT 영상에서 식별된 관상 혈관을 묘사하고, 각각의 세그먼트 라벨을 또한 묘사하는 동맥 트리(602)를 포함하는 제1 패널(601)(원 "2"에 또한 도시되어 있음)을 포함한다. CT 영상을 처리하는 동안, 시스템은 관상 혈관의 범위를 결정할 수 있고 동맥 트리가 생성된다. 관상 혈관의 부분이 아닌 구조(예를 들어, 심장 조직 및 관상 혈관 주위의 다른 조직)는 동맥 트리(602)에 포함되지 않는다. 이에 따라, 도 6a의 동맥 트리(602)는 동맥 트리(602)의 분지(혈관)(603) 사이에 어떠한 심장 조직도 포함하지 않아 심장 조직에 의해 가려지지 않고 동맥 트리(602)의 모든 부분을 시각화할 수 있게 한다.
이 연구 페이지(600) 예는 적어도 하나의 직선화된 다평면 재구성(SMPR) 혈관 뷰에서 선택된 관상 혈관의 적어도 일부를 예시하는 제2 패널(604)(또한 원 "1a"에 도시되어 있음)을 또한 포함한다. SMPR 뷰는 특정 회전 양태에서 혈관의 입면 뷰이다. 다수의 SMPR 뷰가 제2 패널(604)에 디스플레이될 때, 각각의 뷰는 상이한 회전 양태에 있을 수 있다. 예를 들어, 0° 내지 259.5°까지의 임의의 모든 각도 또는 절반 각도에서, 360°는 0°와 동일한 뷰이다. 이 예에서, 제2 패널(604)은 0°, 22.5°, 45° 및 67.5°의 상대 회전에서 입면 뷰에 디스플레이된 4개의 직선화된 다평면 혈관(604a-d)을 포함하고, 회전은 직선화된 다평면 혈관의 상부 부분을 나타낸다. 몇몇 실시예에서, 각각의 뷰의 회전은 예를 들어 상이한 상대 회전 간격으로 사용자에 의해 선택될 수 있다. 사용자 인터페이스는 사용자로부터 입력을 수신하도록 구성된 회전 도구(605)를 포함하고, SMPR 뷰의 회전을 조정하는 데(예를 들어, 1도 이상만큼) 사용될 수 있다. SMPR 뷰에 나타낸 혈관과 관련된 하나 이상의 그래픽이 또한 디스플레이될 수 있다. 예를 들어, 혈관의 내강을 나타내는 그래픽, 혈관 벽을 나타내는 그래픽, 및/또는 플라크를 나타내는 그래픽이 있다.
이 연구 페이지(600) 예는 환자의 CT 영상의 세트 내의 CT 영상에 기초하여 생성된 혈관(606a)의 단면 뷰를 보여주도록 구성되는 제3 패널(606)(또한 원 "1c"에 나타냄)을 또한 포함한다. 단면 뷰는 SMPR 뷰에 나타낸 혈관에 대응한다. 단면 뷰는 또한 SMPR 뷰에서 혈관의 사용자에 의해 표시된(예를 들어, 포인팅 디바이스로) 위치에 대응한다. 사용자 인터페이스는 제2 패널(604)에서 관상 혈관을 따른 특정 위치의 선택이 연관 CT 영상을 제3 패널(606)의 단면 뷰로 디스플레이하도록 구성된다. 이 예에서, 혈관 내의 플라크의 범위를 나타내는 그래픽(607)이 제2 패널(604) 및 제3 패널(606)에 디스플레이된다.
이 연구 페이지(600) 예는 선택된 관상 혈관의 해부학적 평면 뷰를 포함하는 제4 패널(608)을 또한 포함한다. 이 실시예에서, 연구 페이지(600)는 축면 평면 뷰(608a)(또한 원 "3a"에 의해 나타냄), 관상면 평면 뷰(608b)(또한 원 "3b"에 의해 나타냄) 및 시상면 평면 뷰(608c)(또한 원 "3c"에 의해 나타냄)를 포함한다. 축면 평면 뷰는 횡방향 또는 "상단" 뷰이다. 관상면 평면 뷰는 정면 뷰이다. 시상면 평면 뷰는 측면 뷰이다. 사용자 인터페이스는 선택된 관상 혈관의 대응 뷰를 디스플레이하도록 구성된다. 예를 들어, 사용자에 의해 선택된 관상 혈관 상의 위치에서 선택된 관상 혈관의 뷰(예를 들어, 제2 패널(604)의 SMPR 뷰 중 하나에서)가 있다.
도 6b는 시스템 상에서 생성 및 디스플레이될 수 있는 연구 페이지(사용자 인터페이스)(600)의 다른 예를 도시하고 있고, 사용자 인터페이스(600)는 환자의 동맥의 다양한 대응하는 뷰를 보여줄 수 있는 다중 패널을 갖는다. 이 예에서, 사용자 인터페이스(600)는 제1 패널(601)에 3D 동맥 트리를 디스플레이하고, 제3 패널(606)에 단면 뷰를 디스플레이하고, 제4 패널(608)에 축면, 관상면 및 시상면 평면 뷰를 디스플레이한다. 도 6a에 도시되어 있는 제2 패널(604) 대신에, 사용자 인터페이스(600)는 선택된 관상 혈관의 곡선형 다평면 재구성(CMPR) 혈관 뷰를 보여주는 제5 패널(609)을 포함한다. 제5 패널(609)은 하나 이상의 CMPR 뷰를 보여주도록 구성될 수 있다. 이 예에서, 2개의 CMPR 뷰가 생성되어 디스플레이되는데, 제1 CMPR 뷰(609a)는 0°이고 제2 CMPR 뷰(609b)는 90°이다. CMPR 뷰는 다양한 상대 회전, 예를 들어, 0° 내지 259.5°로 생성 및 디스플레이될 수 있다. CMPR 뷰에 보여진 관상 혈관은 선택된 혈관에 대응하고, 다른 패널에 디스플레이된 혈관에 대응한다. 하나의 패널 내의 혈관 상의 위치가 선택될 때(예를 들어, CMPR 뷰), 다른 패널 내의 뷰(예를 들어, 단면, 축면, 시상면 및 관상면 뷰)는 각각의 뷰에서 그 선택된 위치에서 혈관을 또한 나타내도록 자동으로 업데이트될 수 있어, 따라서 사용자에게 제시된 정보를 크게 향상시키고 분석의 효율을 증가시킨다.
도 6c, 도 6d 및 도 6e는 제2 패널의 다평면 재구성(Multiplanar Reformat: MPR) 혈관 뷰의 특정 상세 및 이 뷰와 연관된 특정 기능을 도시하고 있다. 사용자가 패널(602) 내의 관상 동맥 트리의 세그먼트화의 정확도를 검증한 후, 이들은 편집이 개별 혈관 세그먼트(예를 들어, 혈관 벽, 내강 등)에 행해질 수 있는 MPR 뷰와 상호작용하도록 진행할 수 있다. SMPR 및 CMPR 뷰에서, 혈관은 도 6c 및 도 6d에 도시되어 있는 화살표 아이콘(605)을 사용함으로써 증분(예를 들어, 22.5°)으로 회전될 수 있다. 대안적으로, 혈관은 도 6e에 도시되어 있는 바와 같이, 회전 명령(610)을 사용하여 360도에서 1도 증분만큼 연속적으로 회전될 수 있다. 혈관은 또한 COMMAND 또는 CTRL 버튼을 누르고 사용자 인터페이스(600)에서 마우스 좌클릭 + 드래그함으로써 회전할 수 있다.
도 6f는 사용자가 혈관을 뷰잉하고 혈관의 라벨을 수정할 수 있게 하는 제1 패널(601) 상의 관상 동맥 트리(602)의 3차원(3D) 렌더링의 부가의 정보를 도시하고 있다. 도 6g는 관상 동맥 트리(602), 축면 뷰(608a), 시상면 뷰(608b) 및 관상면 뷰(608c)에 대한 단축키 명령을 도시하고 있다. 도 6f에 도시되어 있는 패널(601)에서, 사용자는 도 6g에 도시되어 있는 사용자 인터페이스에서 선택된 명령을 사용하여 동맥 트리를 회전할 뿐만 아니라 3D 렌더링을 줌인 및 줌아웃할 수 있다. 혈관을 클릭하면 이를 황색으로 전환할 것인데, 이는 현재 검토 중인 혈관인 것을 나타낸다. 이 뷰에서, 사용자는 혈관을 이름 바꾸기 하기 위해 사용자로부터 입력을 수신하도록 구성된 패널(611)을 여는 혈관 이름의 우클릭에 의해 혈관을 이름 바꾸기 하거나 삭제할 수 있다. 패널(601)은 디스플레이된 라벨을 "턴온" 또는 "턴오프"하도록 활성화될 수 있는 컨트롤을 또한 포함한다. 도 6h는 3개의 해부학적 평면: 축면, 관상면 및 시상면에서 DICOM 영상을 뷰잉하기 위한 사용자 인터페이스의 패널(608)을 추가로 도시하고 있다. 도 6i는 혈관의 단면 뷰를 보여주는 패널(606)을 도시하고 있다. 스크롤, 줌인/줌아웃 및 팬 명령이 또한 이들 뷰에서 사용될 수 있다.
도 6j 및 도 6k는 사용자 인터페이스(600)의 툴바(612)및 메뉴 탐색 기능의 특정 양태를 도시하고 있다. 도 6j는 혈관을 탐색하기 위한 사용자 인터페이스의 툴바를 도시하고 있다. 툴바(612)는 스크린 상에 디스플레이된 각각의 혈관에 대한 버튼(612a, 612b 등)을 포함한다. 사용자 인터페이스(600)는 사용자에게 다양한 정보를 나타내기 위해 버튼(612a 내지 612n)을 디스플레이하도록 구성된다. 예에서, 혈관이 선택될 때, 대응 버튼, 예를 들어 버튼(612c)이 강조된다(예를 들어, 황색으로 디스플레이됨). 다른 예에서, 백색 글자가 있는 어두운 회색인 버튼은 혈관이 분석을 위해 이용 가능한 것을 나타낸다. 예에서, 검은색으로 음영화된 버튼(612d)은 혈관이 해부학적으로 존재하지 않거나 너무 많은 아티팩트가 있기 때문에 소프트웨어에 의해 분석될 수 없다는 것을 의미한다. 체크 마크가 있는 회색으로서 디스플레이된 버튼(612e)은 혈관이 검토되었다는 것을 나타낸다.
도 6k는 검토 및 분석을 위해 이용 가능한 모든 시리즈(영상의)를 뷰잉하기 위한 확장된 메뉴가 있는 사용자 인터페이스(600)의 뷰를 도시하고 있다. 시스템이 분석을 위해 상이한 시리즈의 영상으로부터 동일한 혈관 세그먼트 중 하나 초과를 제공한 경우, 사용자 인터페이스는 분석을 위해 원하는 시리즈를 선택하기 위해 사용자 입력을 수신하도록 구성된다. 예에서, 관심 시리즈로부터 라디오 버튼(613) 중 하나에 대한 선택에 의해 검토를 위한 시리즈를 나타내는 입력이 수신될 수 있다. 라디오 버튼은 검토를 위해 선택될 때 회색에서 보라색으로 변화할 것이다. 실시예에서, 소프트웨어는 디폴트로, 분석을 위해 최고 진단 품질의 2개의 시리즈를 선택하지만, 모든 시리즈가 검토를 위해 이용 가능하다. 사용자는 시스템에 의해 선택된 시리즈가 분석을 위해 요구되는 진단 품질을 갖는지를 결정하기 위해 임상 판단을 사용할 수 있고, 원하는 경우 분석을 위해 상이한 시리즈를 선택해야 한다. 시스템에 의해 선택된 시리즈는 진단 품질 영상을 우선순위화함으로써 작업흐름을 개선하도록 의도된다. 시스템은 모든 시리즈의 사용자의 검토 및 연구 내에서 진단 품질 영상의 선택을 대체하도록 의도된 것은 아니다. 사용자는 시리즈 위로 마우스를 호버링함으로써 혈관 세그먼트화를 제안하도록 시스템에 대해 도 6k에 도시되어 있는 임의의 시리즈를 송신하고 도 6l에 도시되어 있는 바와 같이 "분석" 버튼(614)을 선택할 수 있다.
도 6m은 일 실시예에 따른, 영상에 새로운 혈관을 추가하기 위해 사용자 인터페이스(600)에 디스플레이될 수 있는 패널을 도시하고 있다. 영상에 새로운 혈관을 추가하기 위해, 사용자 인터페이스(600)는 툴바(612)의 "+혈관 추가" 버튼을 통해 사용자 입력을 수신할 수 있다. 사용자 인터페이스는 축면, 관상면 및 시상면 뷰의 제4 패널(608)에 나타나는 "모드 생성"(615) 버튼을 디스플레이할 것이다. 다음, 다수의 점(예를 들어, 녹색 점)을 생성하기 위해 스크롤하고 마우스 좌측 버튼을 클릭함으로써 영상에 혈관이 추가될 수 있다. 새로운 혈관이 추가됨에 따라, MPR, 이는 단면 및 3D 동맥 트리 뷰에서 새로운 혈관으로서 미리 검토될 것이다. 사용자 인터페이스는 혈관 추가가 완료되었다는 것을 나타내는 "완료" 명령을 수신하도록 구성된다. 다음에, 시스템의 반자동 세그먼트화 도구를 이용하여 혈관을 세그먼트화하기 위해, 툴바에서 "분석"을 클릭하고 사용자 인터페이스는 검토 및 수정을 위해 제안된 세그먼트화를 디스플레이한다. 혈관의 이름은 제1 패널(601)의 3D 동맥 트리 뷰에서 "새로만들기"를 선택함으로써 선택될 수 있는데, 이는 이름 패널(611)을 활성화하고 혈관의 이름은 패널(611)로부터 선택될 수 있고, 이어서 새로운 혈관 및 그 이름을 저장한다. 실시예에서, 소프트웨어가 사용자에 의해 추가되어 있는 혈관을 식별하는 것이 불가능하면, 이는 사용자-추가 녹색 점을 연결하는 직선 혈관 라인을 반환할 것이고, 사용자는 중심선을 조정할 수 있다. 사용자 인터페이스의 팝업 메뉴(611)는 새로운 혈관이 식별되게 하고 표준 포맷에 따라 신속하고 일관되게 명명되게 할 수 있다.
도 7a는 사용자가 기계 학습 알고리즘으로 CT 스캔을 처리하고, 이어서 애널리스트에 의해 CT 스캔, 및 기계 학습 알고리즘에 의해 생성된 정보를 처리한 것으로부터 발생하는 발견의 정확도를 수정하고 개선할 수 있게 하는 편집 도구를 포함하는 편집 툴바(714)의 예를 도시하고 있다. 몇몇 실시예에서, 사용자 인터페이스는 발견의 정확도를 수정하고 개선하기 위해 사용될 수 있는 편집 도구를 포함한다. 몇몇 실시예에서, 편집 도구는 도 7a에 도시되어 있는 바와 같이, 사용자 인터페이스의 좌측에 위치된다. 이하는 이용 가능한 편집 도구의 목록 및 설명이다. 각각의 버튼(아이콘) 위로 호버링하는 것은 각각의 도구의 이름을 디스플레이할 것이다. 이들 도구는 클릭함으로써 활성화 및 비활성화될 수 있다. 도구의 컬러가 회색이면, 이는 비활성화된다. 소프트웨어가 혈관 내에서 임의의 이들 특성을 식별하면, 도구가 활성화될 때 주석이 이미 영상 위에 있을 것이다. 툴바의 편집 도구는 이하의 도구: 내강 벽(701), 혈관 벽에 스냅(702), 혈관 벽(703), 내강 벽에 스냅(704), 세그먼트(705), 협착(706), 플라크 오버레이(707), 중심선(708), 만성 완전 폐색(CTO)(709), 스텐트(710), 제외(711), 추적기(712) 및 거리(713) 중 하나 이상을 포함할 수 있다. 사용자 인터페이스(600)는 각각의 톨 아이콘(toll icon)(이하의 표 및 도 7a에 도시되어 있음)에 대한 사용자 선택을 수신함으로써 이들 도구의 각각을 활성화하도록 구성되고 이하의 편집 도구 설명 표에 설명된 기능을 제공하도록 구성된다.
Figure pct00002
도 7b 및 도 7c는 추적기 도구의 특정 기능을 도시하고 있다. 추적기 도구(712)는 예를 들어 SMPR, CMPR, 단면, 축면, 관상면, 시상면 및 3D 동맥 트리 뷰에서 사용자 인터페이스(600)의 다양한 패널에 보여진 뷰를 배향하고 사용자가 상관하는 것을 허용한다. 활성화하기 위해, 추적기 아이콘이 편집 툴바 상에서 선택된다. 추적기 도구(712)가 활성화될 때, 사용자 인터페이스는 SMPR 또는 CMPR 뷰에 라인(616)(예를 들어, 적색 라인)을 생성하고 디스플레이한다. 시스템은 라인(616)과 같은 대응 위치에서 제1 패널(601)의 3D 동맥 트리에 디스플레이되는 대응(적색) 디스크(617)를 사용자 인터페이스에 생성한다. 시스템은 라인(616)과 같은 대응 위치에서 제4 패널(608)의 축면, 시상면 및 관상면 뷰에 디스플레이되는 대응(적색) 점을 사용자 인터페이스 상에 생성한다. 라인(616), 디스크(617), 및 점(618)은 모두 상이한 뷰에서 동일한 위치를 참조하는 위치 표시기이므로, 임의의 추적기를 상하로 스크롤하는 것은 다른 뷰에서 위치 표시기의 동일한 이동을 또한 야기할 것이다. 또한, 사용자 인터페이스(600)는 위치 표시기에 의해 표시된 위치에 대응하는 패널(606)에 단면 영상을 디스플레이한다.
도 7d 및 도 7e는 내강 및 혈관 벽 윤곽을 수정하는 데 사용되는 혈관 및 내강 벽 도구의 특정 기능을 도시하고 있다. 내강 벽 도구(701) 및 혈관 벽 도구(703)는 혈관에 대해 이전에 결정되었던(예를 들어, 기계 학습 프로세스를 사용하여 CT 영상을 처리함으로써 결정됨) 내강 및 혈관 벽(또한 본 명세서에서 윤곽, 경계, 또는 피처라 칭함)을 수정하도록 구성된다. 이들 도구는 출력되거나 디스플레이되는 측정치를 결정하기 위해 시스템에 의해 사용된다. 이들 도구로 시스템에 의해 생성된 윤곽과 상호작용함으로써, 사용자는 윤곽 위치의 정확도, 및 이들 윤곽으로부터 도출된 임의의 측정치를 미세 조정할 수 있다. 이들 도구는 SMPR 및 단면 뷰에서 사용될 수 있다. 도구는 편집 툴바에서 혈관 및 내강 아이콘(701, 703)을 선택함으로써 활성화된다. 혈관 벽(619)은 컬러(예를 들어, 황색)의 그래픽 "트레이스" 오버레이로 MPR 뷰 및 단면 뷰에 디스플레이될 것이다. 내강 벽(629)은 상이한 컬러(예를 들어, 자주색)로 그래픽 "트레이스" 오버레이로 디스플레이될 것이다. 실시예에서, 사용자 인터페이스는 사용자와의 상호작용을 통해 윤곽을 미세 조정하도록 구성된다. 예를 들어, 윤곽선을 미세조정하기 위해, 사용자는 포인팅 디바이스(예를 들어, 마우스, 스타일러스, 핑거)로 윤곽 위로 마우스를 호버링할 수 있고, 따라서 이는 윤곽을 강조하고 원하는 혈관 또는 내강 벽의 윤곽을 클릭하고, 디스플레이된 트레이스를 새로운 경계를 설정하는 상이한 위치로 드래그한다. 사용자 인터페이스(600)는 이들 트레이싱에 대한 임의의 변경을 자동으로 저장하도록 구성된다. 시스템은 실시간 또는 거의 실시간으로 변경 윤곽으로부터 도출된 임의의 측정치를 재계산한다. 또한 하나의 뷰의 하나의 패널에서 행해진 변경은 다른 뷰/패널에 대응적으로 디스플레이된다.
도 7f는 내강 벽/혈관에 스냅 도구(701, 702), 및 혈관 벽/내강 벽에 스냅(703, 704) 도구를 각각 활성화하는 데 사용될 수 있는 사용자 인터페이스(600)의 내강 벽 버튼(701) 및 혈관 벽에 스냅 버튼(702)(좌측) 및 혈관 벽 버튼(703) 및 내강 벽에 스냅 버튼(704)(우측)을 도시하고 있다. 사용자 인터페이스는 이전에 결정된 내강 및 혈관 벽 윤곽을 수정하기 위해 이들 도구를 제공한다. 혈관/내강 벽에 스냅 도구는 내강과 혈관 벽 윤곽 사이의 간극을 쉽고 신속하게 폐쇄하는 데, 즉, 내강 윤곽의 트레이스와 혈관 윤곽의 트레이스를 동일하게, 또는 실질적으로 동일하게 이동시켜, 대화형 편집 시간을 절약하는 데 사용된다. 사용자 인터페이스(600)는 사용자가 포인팅 디바이스로 도구를 호버링하여 스냅 버튼을 드러낼 때 이들 도구를 활성화하도록 구성된다. 예를 들어, 내강 벽 버튼(701) 위로 호버링은 혈관에 스냅 버튼(702)을 내강 벽 버튼의 우측으로 드러내고, 혈관 벽 버튼(703) 위로 호버링은 내강 벽에 스냅 버튼(704)을 혈관 벽 버튼(703) 옆으로 드러낸다. 버튼은 원하는 도구를 활성화하도록 선택된다. 도 G를 참조하면, 포인팅 디바이스가 사용하여 제1 지점(620)을 클릭하고 편집할 혈관의 의도된 부분을 따라 제2 지점(621)으로 드래그할 수 있으며, 도구가 실행될 위치를 나타내는 영역(622)이 나타날 것이다. 일단 원하는 영역(622)의 단부가 작도되면, 선택을 해제하는 것은 내강과 혈관 벽을 함께 스냅할 것이다.
도 7h는 MPR 상의 개별 관상 세그먼트 사이의 경계를 마킹하는 것을 허용하는 세그먼트 도구(705)를 사용하는 동안 디스플레이될 수 있는 제2 패널(602)의 예를 도시하고 있다. 사용자 인터페이스(600)는 세그먼트 도구(705)가 선택될 때, 라인(예를 들어, 라인(623, 624))이 SMPR 뷰의 혈관에 대한 제2 패널(602)의 혈관 영상에 나타나도록 구성된다. 라인은 시스템에 의해 결정된 세그먼트 경계를 나타낸다. 이름은 각각의 라인(623, 624)에 인접한 아이콘(625, 626)에 디스플레이된다. 세그먼트의 이름을 편집하기 위해, 아이콘(625, 626)을 클릭하고 도 7i에 도시되어 있는 이름 패널(611)을 사용하여 적절하게 라벨링한다. 세그먼트는 또한 예를 들어, 휴지통 아이콘을 선택함으로써 삭제될 수 있다. 라인(623, 624)은 관심 세그먼트를 정의하기 위해 상하로 이동될 수 있다. 세그먼트가 누락된 경우, 사용자는 세그먼트 추가 버튼을 사용하여 새로운 세그먼트를 추가할 수 있고, 세그먼트 라벨링 팝업 메뉴(611)의 라벨링 피처를 사용하여 라벨링될 수 있다.
도 7j 내지 도 7m은 사용자 인터페이스(600)에서 협착 도구(706)를 사용하는 예를 도시하고 있다. 예를 들어, 도 7l은 사용자 편집된 내강 및 혈관 벽 윤곽에 기초하여 협착 마커를 드롭하는 데 사용될 수 있는 협착 버튼을 도시하고 있다. 도 7m은 곡선형 다평면 혈관(CMPR) 뷰에서 세그먼트 상의 협착 마커를 도시하고 있다. 제2 패널(604)은 사용자가 혈관 상의 협착의 영역을 마킹하기 위해 마커를 표시할 수 있게 하는 협착 도구(706)를 사용하는 동안 디스플레이될 수 있다. 실시예에서, 협착 도구는 혈관의 협착의 영역을 마킹하는 데 사용되는 5개의 마커의 세트를 포함한다. 이들 마커는 다음과 같이 정의된다:
R1: 협착/병변에 가장 가까운 근위 정상 슬라이스
P: 협착/병변의 가장 근위 비정상 슬라이스
O: 최대 폐색을 갖는 슬라이스
D: 협착/병변의 가장 원위 비정상 슬라이스
R2: 협착/병변에 가장 가까운 원위 정상 슬라이스
실시예에서, 다평면 뷰에 협착 마커를 추가하는 2개의 방법(직선화 및 곡선형)이 있다. 협착 도구(706)를 선택한 후, 협착은 도 7k 또는 도 7l에 도시되어 있는 협착 버튼을 활성화함으로써 추가될 수 있어: 5개의 균일하게 이격된 협착 마커를 드롭하여 (i) 협착 "+" 버튼(도 7k)을 클릭하고; (ii) 일련의 5개의 균일하게 이격된 황색 라인이 혈관에 나타날 것이고; 사용자는 이들 마커를 적용 가능 위치로 편집해야 하고; (iii) 마커에 의해 둘러싸인 강조된 영역 내부를 클릭하고 이들을 상하로 드래그함으로써 모든 5개의 마커를 동시에 이동시키고; (iv) 개별 황색 라인 또는 태그를 클릭하여 개별 마커를 이동시키고 상하로 이동시키고; (v) 협착을 삭제하기 위해, 적색 휴지통 아이콘을 클릭한다. 사용자-편집된 내강 및 혈관 벽 윤곽에 기초하여 협착 마커를 드롭하기 위해, 협착 버튼을 클릭한다(도 7l 참조). 일련의 5개의 황색 라인이 혈관에 나타날 것이다. 위치는 사용자-편집된 윤곽에 기초한다. 사용자 인터페이스(600)는 사용자가 협착 마커를 편집하게 하기 위한, 예를 들어 협착 마커를 이동할 수 있는 기능을 제공한다. 도 7j는 SMPR 뷰에서 혈관에 배치된 협착 마커(R1, P, O, D, R2)를 도시하고 있다. 도 7m은 CMPR 뷰에서 혈관에 배치된 마커(R1, P, O, D, R2)를 도시하고 있다.
도 7n은 사용자 인터페이스의 플라크 오버레이 도구(707)를 사용하는 동안 디스플레이될 수 있는 패널의 예를 도시하고 있다. 실시예에서 및 도 7n을 참조하면, "플라크"는 저밀도 비석회화 플라크(LD-NCP)(701), 비석회화 플라크(NCP)(632) 또는 석회화 플라크(CP)(633)로 분류된다. 편집 툴바에서 플라크 오버레이 도구(707)를 선택하는 것은 도구를 활성화한다. 활성화될 때, 플라크 오버레이 도구(707)는 하운즈필드 단위(HU) 밀도에 기초하는 플라크의 영역을 갖고 제2 패널(604)의 SMPR 뷰에서, 단면에서 SMPR에서, 제3 패널(606)에서 단면 뷰(예를 들어, 도 7r 참조)에서 혈관에 상이한 컬러를 오버레이한다. 게다가, 범례는 도 7o 및 도 7q에 도시되어 있는 바와 같이 플라크 오버레이 컬러에 대한 플라크 유형에 대응하는 단면 뷰에서 열린다. 사용자는 도 7p에 도시되어 있는 바와 같이 단면 뷰의 우측 상단 코너에 위치된 "임계값 편집" 버튼을 클릭함으로써 3개의 상이한 유형의 플라크에 대해 상이한 HU 범위를 선택할 수 있다. 일 실시예에서, 플라크 임계값은 이하의 표에 나타낸 값으로 디폴트된다:
Figure pct00003
디폴트 값은, 원한다면, 예를 들어, 도 7q에 도시되어 있는 플라크 임계값 인터페이스를 사용하여 수정될 수 있다. 디폴트 값이 제공되지만, 사용자는 그들의 임상 판단에 기초하여 상이한 플라크 임계값을 선택할 수 있다. 사용자는 관심 영역을 추가로 검사하기 위해, 도 7r에 도시되어 있는 제3 패널(606)의 단면 뷰를 사용할 수 있다. 사용자는 또한 도 7s에 도시되어 있는 사용자 인터페이스(600)의 혈관 통계 패널에서 선택된 플라크 임계값을 뷰잉할 수 있다.
중심선 도구(708)는 사용자가 내강의 중심을 조정할 수 있게 한다. 중심 지점(중심선의)을 변경하는 것은, 존재하면, 내강 및 혈관 벽과 플라크 정량화를 변경할 수도 있다. 중심선 도구(708)는 사용자 인터페이스(600)에서 선택함으로써 활성화된다. 라인(635)(예를 들어, 황색 라인)은 CMPR 뷰(609)에 나타날 것이고 점(634)(예를 들어, 황색 점)은 제3 패널(606)의 단면 뷰에 나타날 것이다. 중심선은 라인/점을 클릭하고 드래그함으로써 필요에 따라 조정될 수 있다. CMPR 뷰에서 행해진 임의의 변경은 단면 뷰에 반영될 것이고, 그 반대도 마찬가지이다. 사용자 인터페이스(600)는 기존 혈관의 중심선을 연장하는 여러 방법을 제공한다. 예를 들어, 사용자는 이하에 의해 중심선을 연장할 수 있는데: (1) 축면, 관상면, 또는 시상면 뷰에서 윤곽 형성된 혈관을 점(634) 상에서 우클릭하고(도 7u 참조); (2) "시작부로부터 연장" 또는 "종료부로부터 연장"(도 7u 참조)을 선택하고, 뷰는 혈관의 시작부 또는 종료부로 점프할 것이고; (3) (녹색) 점을 추가하여 혈관을 연장하고(도 7v 참조); (4) 완료될 때, (청색) 체크 마크 버튼을 선택하여 연장을 취소하고, (적색) "x" 버튼을 선택한다(예를 들어, 도 7v 참조). 사용자 인터페이스는 이어서 사용자에 의해 행해진 변경에 따라 혈관을 확장한다. 사용자는 이어서 SMPR 또는 단면 뷰에서 내강 및 혈관 벽을 수동으로 편집할 수 있다(예를 들어, 도 7w 참조). 사용자 인터페이스가 사용자에 의해 추가되어 있는 혈관 섹션을 식별하는 것이 불가능하면, 이는 사용자-추가 점을 연결하는 직선 혈관 라인을 반환할 것이다. 사용자는 이어서 중심선을 조정할 수 있다.
사용자 인터페이스(600)는 또한 만성 완전 폐색(CTO)을 갖는 동맥의 부분, 즉, 100% 협착이 있고 검출 가능한 혈류가 없는 동맥의 부분을 식별하기 위한 만성 완전 폐색(CTO) 도구(709)를 제공한다. 다량의 혈전을 포함할 가능성이 높기 때문에, CTO 내의 플라크는 전체 플라크 정량화에 포함되지 않는다. 활성화하기 위해, 편집 툴바(612)에서 CTO 도구(709)를 클릭한다. CTO를 추가하기 위해, 사용자 인터페이스에서 CTO "+" 버튼을 클릭한다. 2개의 라인(마커)(636, 637)은 CTO의 혈관의 부분을 나타내는 도 7x에 도시되어 있는 바와 같이, 제2 패널(604)의 MPR 뷰에 나타날 것이다. 마커(636, 637)는 CTO의 범위를 조정하기 위해 이동될 수 있다. 하나 초과의 CTO가 존재하면, 사용자 인터페이스에서 CTO "+" 버튼을 다시 활성화함으로써 부가의 CTO가 추가될 수 있다. CTO는 또한 필요한 경우 삭제될 수 있다. CTO의 위치가 저장된다. 게다가, 지정된 CTO 내에 있는 혈관의 부분은 전체 플라크 계산에 포함되지 않고, 플라크 정량화 결정은 CTO가 식별된 후 필요에 따라 재계산된다.
사용자 인터페이스(600)는 또한 혈관 내에 스텐트가 존재하는 위치를 나타내기 위해 스텐트 도구(710)를 제공한다. 스텐트 도구는 툴바(612) 상의 스텐트 도구(710)의 사용자 선택에 의해 활성화된다. 스텐트를 추가하기 위해, 사용자 인터페이스에 제공된 스텐트 "+" 버튼을 클릭한다. 2개의 라인(638, 639)(예를 들어, 자주색 라인)이 도 7y에 도시되어 있는 바와 같이 MPR 뷰에 나타날 것이고, 라인(638, 639)은 개별 라인(638, 639)을 클릭하고 혈관을 따라 스텐트의 종료부까지 이들을 상하로 이동시킴으로써 스텐트의 확장을 나타내도록 이동될 수 있다. 스텐트(또는 CTO/제외/협착) 마커와 중첩하는 것은 사용자 인터페이스(600)에서 허용되지 않는다. 스텐트는 또한 삭제될 수 있다.
사용자 인터페이스(600)는 또한 움직임, 대조, 오정렬 또는 다른 이유에 의해 유발된 흐릿함으로 인해 분석으로부터 제외하기 위한 혈관의 부분을 나타내도록 구성된 제외 도구(711)를 제공한다. 열악한 품질 영상을 제외하는 것은 제외되지 않은 혈관의 비제외 부분에 대한 분석 결과의 전반적인 품질을 개선할 것이다. 혈관의 상단 또는 하단 부분을 제외하기 위해, 편집 툴바(612)에서 세그먼트 도구(705) 및 제외 도구(711)를 활성화한다. 도 7z는 혈관의 상단으로부터 부분을 제외하기 위한 제외 도구의 사용을 도시하고 있다. 도 7aa는 혈관의 하단 부분을 제외하기 위한 제외 도구의 사용을 도시하고 있다. 제1 세그먼트 마커는 혈관의 상단 부분에 대한 제외 마커로서 작용한다. 제외 마커에 의해 에워싸인 영역은 모든 혈관 통계 계산으로부터 제외된다. 영역은 상단 세그먼트 마커를 원하는 제외 영역의 하단으로 드래그함으로써 제외될 수 있다. 제외된 영역이 강조될 것이다. 또는 "종료" 마커가 원하는 제외 영역의 상단으로 드래그될 수 있다. 제외된 영역이 강조될 것이고, 사용자는 사용자 인터페이스에서 제외 이유를 입력할 수 있다(도 7ac 참조). 혈관 중앙에 새로운 제외를 추가하기 위해, 편집 툴바(612)에서 제외 도구(711)를 활성화한다. 제외 "+" 버튼을 클릭한다. 사용자 인터페이스 상의 팝업 윈도우가 제외 이유를 위해 나타날 것이고(도 7ac), 이유가 입력될 수 있고 표시된 제외 영역을 참조하여 저장된다. 2개의 마커(640, 641)는 도 7ab에 도시되어 있는 바와 같이 MPR에 나타날 것이다. 강조된 영역 내부를 클릭함으로써 양 마커를 동시에 이동시킨다. 사용자는 라인(640, 641)을 클릭하고 드래그함으로써 개별 마커를 이동할 수 있다. 사용자 인터페이스(600)는 제외 마커 라인(640, 641)(및 이전에 정의된 피처)의 위치를 추적하고 제외 라인(640, 641)에 의해 정의된 영역과 CTO, 스텐트 또는 협착을 갖는 혈관의 임의의 이전에 표시된 부분의 중첩을 금지한다. 사용자 인터페이스(600)는 또한 지정된 제외를 삭제하도록 구성된다.
이제, 도 7ad 내지 도 7ag를 참조하면, 사용자 인터페이스(600)는 또한 영상 상의 2개의 지점 사이의 거리를 측정하는 데 사용되는 거리 도구(713)를 제공한다. 이는 정확한 측정을 캡처하는 드래그 앤 드롭 눈금자이다. 거리 도구는 MPR, 단면, 축면, 관상면 및 시상면 뷰에서 작동한다. 활성화하기 위해, 편집 툴바(612) 상의 거리 도구(713)를 클릭한다. 다음에, 원하는 2개의 지점 사이를 클릭 및 드래그한다. 라인(642) 및 측정치(643)가 사용자 인터페이스(600)에 디스플레이된 영상에 나타날 것이다. 거리 라인(642) 또는 측정치(643)를 우클릭하고 사용자 인터페이스(600)에서 "거리 제거" 버튼(644)을 선택함으로써 측정치를 삭제한다(도 7af 참조). 도 7ad는 직선화 다평면 혈관(SMPR)의 거리를 측정하는 예를 도시하고 있다. 도 7ae는 곡선형 다평면 혈관(CMPR)의 거리(642)를 측정하는 예를 도시하고 있다. 도 7af는 혈관의 단면의 거리(642)를 측정하는 예를 도시하고 있다. 도 7ag는 환자의 해부학 구조의 축면 뷰 상에서 거리(642)를 측정하는 예를 도시하고 있다.
사용자 인터페이스(600)의 혈관 통계 패널의 예가 도 7ah 내지 도 7ak를 참조하여 설명된다. 도 7ah는 도 7ai에 도시되어 있는 혈관 통계 패널(646)(또는 "탭")을 디스플레이하도록 선택될 수 있는 패널의 사용자 인터페이스(600)(예를 들어, 버튼)의 "혈관 통계" 부분(645)을 도시하고 있다. 도 7aj는 사용자가 다수의 병변의 상세를 클릭할 수 있게 하는 혈관 통계 탭의 특정 기능을 도시하고 있다. 도 7ak는 사용자가 혈관 사이를 토글하는 데 사용할 수 있는 혈관 패널을 또한 도시하고 있다. 예를 들어, 사용자는 도 7ai에 도시되어 있는 패널의 우측 상단에 있는 "X"를 클릭함으로써 패널을 숨길 수 있다. 통계는 도 7aj에 나타낸 바와 같이, 혈관별 및 병변별(존재하면) 레벨로 보여진다.
하나 초과의 병변이 사용자에 의해 마킹되면, 사용자는 각각의 병변의 상세를 클릭할 수 있다. 각각의 혈관에 대한 통계를 뷰잉하기 위해, 사용자는 도 7ak에 도시되어 있는 혈관 패널에서 혈관 사이에서 토글할 수 있다.
길이 및 체적에 관한 일반 정보는, 혈관별 및 병변별 레벨에 대한 플라크 및 협착 정보와 함께, 혈관 통계 패널(646) 내에 혈관 및 병변(존재하면)에 대해 제시된다. 사용자는 제외 도구를 사용하여 계산에서 고려하고 싶지 않은 아티팩트를 영상으로부터 제외할 수도 있다. 이하의 표는 혈관, 병변, 플라크 및 협착에 대해 이용 가능한 특정 통계를 나타낸다.
혈관
Figure pct00004
병변
Figure pct00005
플라크
Figure pct00006
협착
Figure pct00007
예를 들어, 저밀도 비석회화 플라크, 비석회화 플라크 및 석회화 플라크와 관련하여 시스템에서 사용되고 사용자 인터페이스(600)의 다양한 부분에 디스플레이되는 정량적 변수는 하운즈필드 단위(HU)이다. 공지의 바와 같이, 하운즈필드 단위 척도는 방사선을 설명하기 위한 정량적 척도이고, 방사선 감쇠를 특성화하고 따라서 주어진 발견이 나타날 수도 있는 것을 더 쉽게 정의하기 위한 방법으로서 CT 스캔과 관련하여 자주 사용된다. 하운즈필드 단위 측정치는 정량적 척도와 관련하여 제시된다. 특정 재료의 하운즈필드 단위 측정치의 예는 이하의 표에 나타낸다.
Figure pct00008
실시예에서, 시스템이 협착증, 죽상동맥경화증, 및 CAD-RADS 상세와 관련하여 결정하는 정보는 도 8a에 도시되어 있는 바와 같이, 사용자 인터페이스(600)의 패널(800)에 포함된다. 디폴트로, CAD-RADS 스코어는 미선택될 수도 있고 사용자가 CAD-RADS 페이지에서 스코어를 수동으로 선택하는 것을 필요로 한다. "#" 아이콘 위로 호버링은 사용자 인터페이스(600)가 선택된 출력에 대한 더 많은 정보를 제공할 수 있게 한다. 협착증, 죽상동맥경화증 및 CAD-RADS 출력에 대한 더 많은 상세를 뷰잉하기 위해, 패널(800)의 우측 상부에 있는 "상세 뷰" 버튼을 클릭하는데 - 이는 적용 가능한 상세 페이지로 탐색할 것이다. 실시예에서, 사용자 인터페이스(600)의 주요 특징 페이지 뷰의 중앙에는, 도 8c의 패널(802)에 도시되어 있는 바와 같이, SCCT 관상 세그먼트화에 기초하여 세그먼트(805a 내지 855r)로 분류된 관상 동맥 트리(805)("카툰 동맥 트리" (805))의 비환자 특정 표현이 있다. 모든 분석된 혈관은 해당 혈관 내에서 가장 높은 직경의 협착에 기초하여 범례(806)에 따라 컬러로 디스플레이된다. 카툰 동맥 트리(805)에서 회색으로 나타낸 세그먼트/혈관, 예를 들어 세그먼트(805q, 805r)는 해부학적으로 이용 가능하지 않거나 시스템에서 분석되지 않았다(모든 세그먼트가 모든 환자에게 존재하지 않을 수도 있음). 영역당 및 세그먼트별 정보는 예를 들어 도 8b 및 도 8c에 도시되어 있는 바와 같이, 패널(801)의 사용자 인터페이스(600) 선택 버튼을 사용하여 트리 위의 영역(RCA, LM+LAD 등)을 클릭함으로써 뷰잉될 수 있다. 또는 카툰 관상 트리(805) 내에서 세그먼트(805a 내지 805r)를 선택할 수도 있다.
패널(807)의 사용자 인터페이스 상에 디스플레이된 협착증 및 죽상동맥경화증 데이터는 도 8d에 도시되어 있는 바와 같이, 다양한 세그먼트가 선택됨에 따라 그에 따라 업데이트될 것이다. 도 8e는 사용자 인터페이스의 영역당 요약 패널(807)의 부분의 예를 도시하고 있다. 도 8f는 또한 표시된 위치에서(예를 들어, SMPR 시각화를 따라 이동할 때 포인팅 디바이스에 의해 표시된 위치에서) 선택된 혈관의 SMPR 및 혈관을 따른 그 연관된 통계를 보여주는 패널(807)의 부분의 예를 도시하고 있다. 즉, 사용자 인터페이스(600)는 사용자 인터페이스가 예를 들어, 포인팅 디바이스를 통해 사용자로부터 디스플레이된 혈관의 위치 정보를 수신함에 따라 정보를 디스플레이하는 팝업 패널(810) 및 패널(809)의 SMPR 시각화에서 플라크 상세 및 협착 상세를 제공하도록 구성된다. 만성 완전 폐색(CT) 및/또는 스텐트의 존재는 혈관 세그먼트 레벨에서 표시된다. 예를 들어, 도 8g는 D1 세그먼트에 스텐트의 존재를 도시하고 있다. 도 8h는 mRCA 세그먼트에 CTO의 존재를 나타낸다. 관상 우세 및 임의의 이상은 도 8i에 도시되어 있는 바와 같이 관상 동맥 트리 아래에 디스플레이될 수 있다. 분석에서 선택된 이상은 예를 들어, "상세" 버튼 위로 포인팅 디바이스로 "호버링"함으로써 디스플레이될 수 있다. 플라크 임계값이 분석에서 변경되었으면, 사용자 인터페이스 또는 생성된 보고 상에 플라크 임계값이 변경되었음을 나타내는 경고가 디스플레이될 수 있다. 이상이 존재할 때, 각각의 이상과 연관된 관상 혈관 세그먼트(805)는 도 8j에 도시되어 있는 바와 같이 대동맥으로부터 탈착된 것처럼 나타날 것이다. 실시예에서, 분석의 텍스트 요약은 또한 예를 들어 도 8k의 패널(811)에 예시된 바와 같이, 관상 트리 아래에 디스플레이될 수 있다.
도 9a는 분석에 기초하는 죽상동맥경화증 정보의 요약을 디스플레이하는 사용자 인터페이스 상에 디스플레이될 수 있는 죽상동맥경화증 패널(900)을 도시하고 있다. 도 9b는 죽상동맥경화증 정보의 요약이 세그먼트별 기반으로 디스플레이되도록 혈관을 선택하는 데 사용될 수 있는 혈관 선택 패널을 도시하고 있다. 죽상동맥경화증 패널(900)의 상단 섹션은 도 9a에 도시되어 있는 바와 같이, 환자별 데이터를 포함한다. 사용자가 패널(901) 상의 "석회화 플라크를 갖는 세그먼트" 위로 "호버링"할 때, 또는 패널(902)의 "비석회화 플라크를 갖는 세그먼트" 위로 호버링할 때, 적용 가능한 플라크를 갖는 세그먼트 이름이 디스플레이된다. 환자 특정 데이터 아래에서, 사용자는 도 9b에 도시되어 있는, 혈관 버튼 중 하나를 클릭함으로써 혈관별 및 세그먼트별 죽상동맥경화증 데이터에 액세스할 수도 있다.
도 9c는 생성되어 사용자 인터페이스에 디스플레이될 수 있는 패널(903)을 도시하고 있는데, 이는 세그먼트별 기반으로 시스템에 의해 결정된 죽상동맥경화증 정보를 보여주고 있다. 양성 리모델링의 존재, 가장 높은 리모델링 지수 및 저밀도-비석회화 플라크의 존재가 도 9c에 도시되어 있는 패널(903)의 각각의 세그먼트에 대해 보고된다. 예를 들어, 플라크 데이터는 세그먼트별 기반으로 아래에 디스플레이될 수 있고, 플라크 조성 체적은 도 9c에 도시되어 있는 패널(903)에서 세그먼트별로 디스플레이될 수 있다.
도 9d는 환자 데이터별 협착을 포함하는 사용자 인터페이스 상에 디스플레이될 수 있는 패널(904)을 도시하고 있다. 협착 패널(904)의 상단 섹션은 환자별 데이터를 포함한다. 각각의 카운트에 대한 추가의 상세는 도 9e에 도시되어 있는 바와 같이, 숫자 위로 포인팅 디바이스를 호버링함으로써 디스플레이될 수 있다. 각각의 영역에 포함된 혈관은 이하의 표에 나타낸다.
Figure pct00009
실시예에서, 도 9f에 도시되어 있는 바와 같이, 백분율 직경 협착 막대 그래프(906)가 생성되어 사용자 인터페이스의 패널(905)에 디스플레이될 수 있다. 백분율 직경 협착 막대 그래프(906)는 각각의 세그먼트에서 최대 직경 협착을 디스플레이한다. CTO가 세그먼트 상에 마킹되어 있으면, 이는 100% 직경 협착으로서 디스플레이될 것이다. 하나 초과의 협착이 세그먼트 상에 마킹되어 있으면, 디폴트로 최고 값의 출력이 디스플레이되고 사용자는 각각의 협착 막대를 클릭하여 협착 상세를 뷰잉하고 해당 세그먼트 내에서 더 작은 협착(존재하면)을 조사할 수 있다. 사용자는 또한 혈관의 SMPR 뷰 중앙의 회색 버튼을 드래그함으로써 각각의 단면을 스크롤할 수 있고, 도 9g에 도시되어 있는 바와 같이, 임의의 선택된 위치에서 각각의 단면에서 내강 직경 및 백분율 직경 협착을 뷰잉할 수 있다.
도 9h는 분석에 기초하여 SMPR 상에 마킹된 하나 이상의 협착의 카테고리를 보여주는 패널을 도시하고 있다. 컬러가 디스플레이된 정보를 향상시키는 데 사용될 수 있다. 예에서, LM >= 50% 직경 협착에서의 협착은 적색으로 마킹된다. 도 9i의 사용자 인터페이스의 패널(907)에 예시된 바와 같이, 각각의 세그먼트의 최대 백분율 직경 협착에 대해, 도 9j에 도시되어 있는 바와 같이, 포인팅 디바이스가 그래픽 혈관 단면 표현 위에 "호버링"될 때 최소 내강 직경 및 기준에서의 내강 직경이 디스플레이될 수 있다. 세그먼트가 분석되지 않았거나 해부학적으로 존재하지 않는 경우, 세그먼트는 회색으로 나타낼 것이고 "분석되지 않음"을 디스플레이할 것이다. 세그먼트가 분석되었지만 어떠한 마킹된 협착도 갖지 않으면, 값은 "N/A"로 디스플레이할 것이다.
도 9k는 CADS-RADS 스코어 선택을 나타내는 사용자 인터페이스의 패널(908)을 도시하고 있다. CAD-RADS 패널은 ["Coronary Artery Disease - Reporting and Data System (CAD-RADS) An Expert Consensus Document of SCCT, ACR and NASCI: Endorsed by the ACC]"에 정의된 바와 같이 CAD-RADS의 정의를 디스플레이한다. 사용자는 CAD-RADS 스코어의 선택의 완전한 제어에 있다. 실시예에서, 어떠한 스코어도 시스템에 의해 제안되지 않을 것이다. 다른 실시예에서, CAD-RADS 스코어가 제안될 수 있다. 일단 이 페이지에서 CAD-RADS 스코어가 선택되면, 스코어는 특정 사용자 인터페이스의 패널과 전체 텍스트 보고 페이지의 모두에 디스플레이될 것이다. 일단 CAD-RADS 스코어가 선택되면, 사용자는 수정자를 선택 및 증상의 제시의 옵션을 갖는다. 일단 제시가 선택되면, 예를 들어 도 9l에 도시되어 있는 패널(909)에 예시된 바와 같이, 해석, 추가 심장 조사 및 관리 가이드라인이 사용자 인터페이스 상에서 사용자에게 디스플레이될 수 있다. 이들 가이드라인은 ["Coronary Artery Disease - Reporting and Data System (CAD-RADS) An Expert Consensus Document of SCCT, ACR and NASCI: Endorsed by the ACC]"에서 발견된 가이드라인을 재현한다.
도 9m 및 도 9n은 생성되어 사용자 인터페이스의 패널 상에 디스플레이될 수 있고 그리고/또는 보고에 포함될 수 있는 표를 도시하고 있다. 도 9m은 정량적 협착 및 혈관 출력을 도시하고 있다. 도 9n은 정량적 플라크 출력을 도시하고 있다. 이들 정량적 표에서, 사용자는 시스템 분석으로부터 정량적 세그먼트별 협착증 및 죽상동맥경화증 출력을 뷰잉할 수 있다. 정량적 협착 및 혈관 출력 표(도 9m)는 평가된 동맥 및 세그먼트에 대한 정보를 포함한다. 각각의 혈관 영역에 대한 총계가 제공된다. 정보는 예를 들어, 길이, 혈관 체적, 내강 체적, 총 플라크 체적, 최대 직경 협착, 최대 면적 협착 및 최고 리모델링 지수를 포함할 수 있다. 정량적 플라크 출력 표(도 9n)는 평가된 동맥 및 세그먼트에 대한 정보를 포함한다. 정보는 예를 들어, 총 플라크 체적, 총 석회화 플라크 체적, 비석회화 플라크 체적, 저밀도 비석회화 플라크 체적 및 총 비석회화 플라크 체적을 포함할 수 있다. 사용자는 또한 전체 텍스트 보고인 정량적 출력의 PDF 또는 CSV 파일을 다운로드하는 것이 가능하다. 전체 텍스트 보고는 죽상동맥경화증, 협착증 및 CAD-RADS 측정치의 텍스트 요약을 제시한다. 사용자는 원하는 대로 보고를 편집할 수 있다. 일단 사용자가 보고를 편집하도록 선택하면, 보고는 CAD-RADS 선택을 자동으로 업데이트하지 않을 것이다.
도 10은 CT 영상 및 대응 정보를 분석 및 디스플레이하기 위한 프로세스(1000)를 도시하고 있는 흐름도이다. 블록 1005에서, 프로세스(1000)는 컴퓨터 실행 가능 명령, 환자의 관상 혈관의 CT 영상의 세트, 혈관 라벨, 및 협착, 플라크 및 관상 혈관의 세그먼트의 위치의 정보를 포함하는 CT 영상의 세트와 연관된 동맥 정보를 저장한다. 프로세스의 모든 단계는 본 명세서에 설명된 시스템의 실시예, 예를 들어 도 13에 설명된 시스템의 실시예에 의해 수행될 수 있다. 예를 들어, 하나 이상의 비일시적 컴퓨터 저장 매체와 통신하는 하나 이상의 컴퓨터 하드웨어 프로세서에 의해, 하나 이상의 비일시적 컴퓨터 저장 매체에 저장된 컴퓨터 실행 가능 명령을 실행한다. 다양한 실시예에서, 사용자 인터페이스는 환자의 관상 동맥의 CT 영상, 관상 동맥의 그래픽 표현, 기계 학습 알고리즘에 의해 또는 애널리스트에 의해 추출되거나 수정되어 있는 피처(예를 들어, 혈관 벽, 내강, 중심선, 협착, 플라크 등), 및 시스템에 의해, 애널리스트에 의해, 또는 시스템과 상호작용하는 애널리스트에 의해 결정된 CT 영상에 관한 정보(예를 들어, CT 영상의 피처의 측정치)에 관련된 다양한 뷰(예를 들어, SMPR, CMPR, 단면, 축면, 시상면, 관상면 등)에서 영상 중 하나 이상을 디스플레이하도록 구성된 하나 이상의 부분 또는 패널을 포함할 수 있다. 다양한 실시예에서, 사용자 인터페이스의 패널은 본 명세서에 설명된 것 및 대응 도면에 도시되어 있는 것과 상이하게 배열될 수 있다. 사용자는 포인팅 디바이스 또는 터치스크린에서 사용자의 손가락을 사용하여 사용자 인터페이스에 입력할 수 있다. 실시예에서, 사용자 인터페이스는 사용자 인터페이스의 버튼/아이콘/부분의 선택을 결정함으로써 입력을 수신할 수 있다. 실시예에서, 사용자 인터페이스는 사용자 인터페이스의 정의된 필드에서 입력을 수신할 수 있다.
블록 1010에서, 프로세스(1000)는 CT 영상에 기초하여 관상 혈관의 3차원(3D) 표현을 포함하는 동맥 트리를 포함하고, CT 영상에서 식별된 관상 혈관을 묘사하고, 세그먼트 라벨을 묘사하는 제1 패널을 생성하여 사용자 인터페이스에 디스플레이할 수 있고, 동맥 트리는 동맥 트리의 분지 사이에 심장 조직을 포함하지 않는다. 이러한 동맥 트리(602)의 예가 도 6a의 패널(601)에 도시되어 있다. 다양한 실시예에서, 패널(601)은 도 6a에 도시되어 있는 것과 다른 사용자 인터페이스(600)의 위치에 위치될 수 있다.
블록 1015에서, 프로세스(1000)는 제1 패널의 동맥 트리에서 관상 혈관의 선택을 나타내는 제1 입력을 수신할 수 있다. 예를 들어, 제1 입력은 패널(601)의 동맥 트리(602) 내의 혈관의 사용자 인터페이스(600)에 의해 수신될 수 있다. 블록 1020에서, 제1 입력에 응답하여, 프로세스(1000)는 적어도 하나의 직선화된 다평면 혈관(SMPR) 뷰에서 선택된 관상 혈관의 적어도 일부를 예시하는 제2 패널을 생성하여 사용자 인터페이스 상에 디스플레이할 수 있다. 예에서, SMPR 뷰는 도 6a의 패널(604)에 디스플레이된다.
블록 1025에서, 프로세스(1000)는 선택된 관상 혈관의 단면 뷰를 보여주는 제3 패널을 생성하여 사용자 인터페이스에 디스플레이할 수 있고, 단면 뷰는 선택된 관상 혈관의 CT 영상의 세트 중 하나를 사용하여 생성된다. 적어도 하나의 SMPR 뷰를 따른 위치는 각각 CT 영상의 세트의 CT 영상 중 하나와 연관되어, 적어도 하나의 SMPR 뷰에서 관상 혈관을 따른 특정 위치의 선택이 제3 패널의 단면 뷰에서 연관된 CT 영상을 디스플레이하게 한다. 예에서, 단면 뷰는 도 6a에 도시되어 있는 바와 같이 패널(606)에 디스플레이될 수 있다. 블록 1030에서, 프로세스(1000)는 적어도 하나의 SMPR 뷰에서 선택된 관상 동맥을 따른 제1 위치를 나타내는 제2 입력을 사용자 인터페이스 상에 수신할 수 있다. 예에서, 사용자는 패널(604) 내의 SMPR 뷰에 보여진 혈관의 상이한 부분을 선택하기 위해 포인팅 디바이스를 사용할 수도 있다. 블록 1030에서, 프로세스(1000)는 제2 입력에 응답하여, 제3 패널, 즉 패널(606)의 단면 뷰와 연관된 연관 CT 스캔을 디스플레이한다. 즉, 제1 입력에 대응하는 단면 뷰가 SMPR 뷰에서 제2 입력에 대응하는 단면 뷰로 대체된다.
정규화 디바이스
몇몇 경우에, 본 출원 전체에 걸쳐 설명된 바와 같이 처리 및/또는 분석된 의료 영상은 정규화 디바이스를 사용하여 정규화될 수 있다. 이 섹션에서 더 상세히 설명되는 바와 같이, 정규화 디바이스는 공지의 물질의 영상을 제공하기 위해 의료 영상 시야에 배치될 수 있는 공지의 물질의 복수의 샘플을 포함하는 디바이스를 포함할 수도 있는데, 이는 의료 영상을 정규화하기 위한 기반으로서 역할을 할 수 있다. 몇몇 경우에, 정규화 디바이스는 환자 조직 및/또는 영상 내의 다른 물질(예를 들어, 플라크)과 정규화 디바이스 내의 공지의 물질 사이의 영상 내 직접 비교를 허용한다.
상기에 간략히 언급된 바와 같이, 몇몇 경우에, 의료 영상 스캐너는 동일한 객체에 대해 상이한 확장 가능한 방사선 밀도를 갖는 영상을 생성할 수도 있다. 이는 예를 들어, 사용된 의료 영상 스캐너 또는 장비의 유형 뿐만 아니라, 또한 스캔 파라미터 및/또는 스캔이 행해진 때의 특정 날짜 및/또는 시간의 환경에 의존할 수 있다. 그 결과, 동일한 대상의 2개의 상이한 스캔이 행해지더라도, 생성 의료 영상의 밝기 및/또는 어둡기가 상이할 수도 있는데, 이는 해당 영상으로부터 처리된 정확하지 못한 분석 결과를 야기할 수 있다. 이러한 차이를 고려하기 위해, 몇몇 실시예에서, 공지의 물질의 하나 이상의 공지의 샘플을 포함하는 정규화 디바이스가 대상과 함께 스캔될 수 있고, 하나 이상의 공지의 요소의 생성 영상이 생성 영상을 번역, 변환 및/또는 정규화하기 위한 기반으로서 사용될 수 있다.
분석될 의료 영상을 정규화하는 것은 여러 이유로 이익이 될 수 있다. 예를 들어, 의료 영상은 생성 의료 영상에 영향을 미칠 수 있는 광범위한 조건 하에서 캡처될 수 있다. 의료 이미저가 CT 스캐너를 포함하는 경우, 다수의 상이한 변수가 생성 영상에 영향을 미칠 수 있다. 예를 들어, 가변 영상 획득 파라미터는 생성 영상에 영향을 줄 수 있다. 가변 영상 획득 파라미터는 무엇보다도, 킬로볼트(kV), 킬로볼트 피크(kVp), 밀리암페어(mA) 또는 동기 방법 중 하나 이상을 포함할 수 있다. 몇몇 실시예에서, 동기 방법은 무엇보다도, 전향적 축방향 트리거링, 후향적 ECG 나선형 동기, 및 고속 피치 나선형을 포함할 수 있다. 임의의 이들 파라미터를 변경하는 것은 동일한 대상이 스캔되더라도, 생성 의료 영상에 약간의 차이를 생성할 수도 있다.
부가적으로, 스캔 후 영상을 준비하는 데 사용되는 재구성의 유형은 의료 영상의 차이를 제공할 수도 있다. 재구성의 예시적인 유형은 무엇보다도 반복적 재구성, 비반복적 재구성, 기계 학습 기반 재구성 및 다른 유형의 물리 기반 재구성을 포함할 수 있다. 도 11a 내지 도 11d는 상이한 재구성 기술을 사용하여 재구성된 상이한 영상을 도시하고 있다. 특히, 도 11a는 필터링된 역투영을 사용하여 재구성된 CT 영상을 도시하고 있고, 반면 도 11b는 반복적 재구성을 사용하여 재구성된 동일한 CT 영상을 도시하고 있다. 도시되어 있는 바와 같이, 2개의 영상은 약간 상이하게 나타난다. 이하에 설명된 정규화 디바이스는 2개의 영상 사이를 정규화하기 위한 방법을 제공함으로써 이들 차이를 고려하는 것을 돕는 데 사용될 수 있다. 도 11c는 반복적 재구성을 사용하여 재구성된 CT 영상을 도시하고 있고, 반면 도 11d는 기계 학습을 사용하여 재구성된 동일한 영상을 도시하고 있다. 다시, 영상이 약간의 차이를 포함한다는 것을 알 수 있고, 본 명세서에 설명된 정규화 디바이스는 유리하게는 2개의 차이를 고려하기 위해 영상을 정규화하는 데 유용할 수 있다.
다른 예로서, 다양한 유형의 영상 캡처 기술이 의료 영상을 캡처하는 데 사용될 수 있다. 의료 이미저가 CT 스캐너를 포함하는 경우, 이러한 영상 캡처 기술은 무엇보다도, 이중 소스 스캐너, 단일 소스 스캐너, 이중 에너지, 단색 에너지, 스펙트럼 CT, 광자 계수, 및 상이한 검출기 재료를 포함할 수도 있다. 이전과 마찬가지로, 차이 파라미터를 사용하여 캡처된 영상은 동일한 대상이 스캔되더라도, 약간 상이하게 나타날 수도 있다. CT 스캐너에 추가하여, 다른 유형의 의료 이미저가 또한 의료 영상을 캡처하는 데 사용될 수 있다. 이들은, 예를 들어 x-레이, 초음파, 심장초음파, 혈관내 초음파(IVUS), MR 영상, 광 간섭 단층 촬영(OCT), 핵의학 영상, 양전자 방출 단층 촬영(PET), 단일 광자 방출 컴퓨터 단층 촬영(SPECT) 또는 근거리 적외선 분광법(NIRS)을 포함할 수 있다. 정규화 디바이스의 사용은 영상의 정규화를 용이하게 할 수 있어 이들 상이한 영상 디바이스에서 캡처된 영상이 본 명세서에 설명된 방법 및 시스템에서 사용될 수 있게 한다.
부가적으로, 새로운 유형의 의료 영상 기술이 현재 개발되고 있다. 정규화 디바이스의 사용은 본 명세서에 설명된 방법 및 시스템이 현재 개발 중이거나 미래에 개발될 의료 영상 기술과 함께 사용될 수 있게 할 수 있다. 상이한 또는 새로운 의료 영상 기술의 사용은 또한 영상 사이에 약간의 차이를 유발할 수 있다.
정규화 디바이스를 사용하여 고려될 수 있는 의료 영상의 차이를 유발할 수 있는 다른 인자는 의료 영상 중에 상이한 조영제의 사용일 수 있다. 다양한 조영제가 현재 존재하고, 여전히 다른 것들이 개발 중에 있다. 정규화 디바이스의 사용은 사용되는 조영제의 유형에 무관하게 그리고 심지어 조영제가 사용되지 않는 경우에도 의료 영상의 정규화를 용이하게 할 수 있다.
이들 약간의 차이는 몇몇 경우에, 특히 영상의 분석이 상이한 조건 하에서 캡처된 의료 영상을 사용하여 훈련되거나 개발된 인공 지능 또는 기계 학습 알고리즘에 의해 수행되는 경우에, 영상의 분석에 부정적인 영향을 미칠 수 있다. 몇몇 실시예에서, 의료 영상을 분석하기 위한 본 출원 전체에 걸쳐 설명된 방법 및 시스템은 인공 지능 및/또는 기계 학습 알고리즘의 사용을 포함할 수 있다. 이러한 알고리즘은 의료 영상을 사용하여 훈련될 수 있다. 몇몇 실시예에서, 이들 알고리즘을 훈련하는 데 사용되는 의료 영상은 알고리즘이 정규화된 영상에 기초하여 훈련되도록 정규화 디바이스를 포함할 수 있다. 다음, 이들 영상에 정규화 디바이스를 또한 포함함으로써 후속 영상을 정규화함으로써, 기계 학습 알고리즘은 전술된 것들과 같은 광범위한 파라미터 하에서 캡처된 의료 영상을 분석하는 데 사용될 수 있다.
몇몇 실시예에서, 본 명세서에 설명된 정규화 디바이스는 종래의 팬텀으로부터 구별 가능하다. 몇몇 경우에, CT 기계가 정확한 방식으로 동작하는지를 검증하기 위해 종래의 팬텀이 사용될 수 있다. 이들 종래의 팬텀은 CT 기계의 보정을 검증하기 위해 주기적으로 사용될 수 있다. 예를 들어, 몇몇 경우에, 적절한 기능과 보정을 보장하기 위해 각각의 스캔 전, 매주, 매월, 매년 또는 CT 기계의 유지보수 후에 종래의 팬텀이 사용될 수 있다. 그러나, 특히 종래의 팬텀은 상이한 기계, 상이한 파라미터, 상이한 환자 등을 가로지르는 생성 의료 영상의 정규화를 허용하는 정규화 기능을 제공하지 않는다.
몇몇 실시예에서, 본 명세서에 설명된 정규화 디바이스는 이 기능을 제공할 수 있다. 정규화 디바이스는 다양한 기계 유형에 의해 생성된 CT 데이터 또는 다른 의료 영상 데이터의 정규화 및/또는 상이한 환자를 가로지르는 정규화를 허용할 수 있다. 예를 들어, 다양한 제조자에 의해 제조된 상이한 CT 디바이스는 상이한 착색 및/또는 상이한 회색조 영상을 생성할 수 있다. 다른 예에서, 몇몇 CT 스캐닝 디바이스는 CT 스캐닝 디바이스가 노후화됨에 따라 또는 CT 스캐닝 디바이스가 사용됨에 따라 또는 스캐닝 동안 디바이스를 둘러싸는 환경 조건에 기초하여 상이한 착색 및/또는 상이한 회색조 영상을 생성할 수 있다. 다른 예에서, 환자 조직 유형 등은 의료 영상 스캔 데이터에서 상이한 착색 및/또는 회색조 레벨이 상이하게 나타나게 할 수 있다. CT 스캔 데이터의 정규화는 CT 스캔 데이터 또는 다른 의료 영상 데이터의 처리가 다양한 기계 또는 상이한 시간에 및/또는 상이한 환자를 가로질러 사용되는 동일한 기계에 의해 생성된 다양한 데이터 세트를 가로질러 일관적인 것을 보장하기 위해 중요할 수 있다. 몇몇 실시예에서, 스캐닝 장비는 시간 경과에 따라 변경될 수 있고 그리고/또는 환자는 각각의 스캔에서 상이하기 때문에 의료 영상 스캔이 수행될 때마다 정규화 디바이스가 사용될 필요가 있다. 몇몇 실시예에서, 정규화 디바이스는 환자의 의료 영상 데이터를 분석하는 데 사용되는 AI 알고리즘(들)에 대해 각각의 환자의 의료 영상 데이터를 정규화하기 위해 환자의 각각의 모든 스캔을 수행하는 데 사용된다. 달리 말하면, 몇몇 실시예에서, 정규화 디바이스는 각각의 스캐너에 대조적으로 각각의 환자에 대해 정규화하는 데 사용된다. 몇몇 실시예에서, 정규화 디바이스는 서로 인접한 상이한 밀도를 갖는 상이한 공지의 물질을 가질 수도 있다(예를 들어, 도 12f를 참조하여 설명된 바와 같이). 이 구성은 픽셀의 밀도가 인접 픽셀의 밀도에 영향을 미치고 각각의 개별 픽셀의 밀도에 따른 변화에 영향을 미치는 몇몇 CT 영상에 존재하는 문제를 해결할 수도 있다. 이러한 실시예의 일 예는 플라크 픽셀의 밀도에 영향을 미치는 관상 내강의 상이한 대조 밀도를 포함할 수 있다. 정규화 디바이스는 정량적 CT 영상 분석/측정에 대한 블루밍 아티팩트의 영향을 몇몇 방식으로 보정하는 영상 내의 물질/병변의 체적을 정확하게 평가하는 데 도움이 되도록 공지의 물질의 공지의 체적을 가짐으로써 이 문제를 해결할 수 있다. 몇몇 경우에, 정규화 디바이스는 공지의 체적 및 공지의 제어 가능한 움직임으로 공지의 물질을 이동시킬 수도 있다. 이는 정량적 CT 영상 분석/측정에 대한 움직임의 영향을 제외하거나 감소시키는 것을 허용할 수도 있다.
이에 따라, 정규화 디바이스는 몇몇 실시예에서, 정규화 디바이스가 특정 스캐너로 보정하는 것뿐만 아니라 특정 스캔에 대해, 특정 스캔 영상 획득 파라미터에 대해 및/또는 특정 조영제 프로토콜에 대해, 특정 환경에서 특정 시간에 특정 환자에 대해 정규화하기 때문에, 전통적인 의미에서 팬텀이 아니다. 이에 따라, 몇몇 실시예에서, 정규화 디바이스는 역 팬텀으로 고려될 수 있다. 이는 종래의 팬텀이 행할 것과 같이 특정 의료 이미저를 유효화하기 위한 메커니즘을 제공하기보다는, 정규화 디바이스가 생성 의료 영상을 정규화 또는 유효화하기 위한 메커니즘을 제공할 수 있어 상이한 조건 하에 취해진 다른 의료 영상과 비교될 수 있게 되기 때문일 수 있다. 몇몇 실시예에서, 정규화 디바이스는 검사될 의료 영상 데이터를 분석하기 위해 사용되는 AI 알고리즘을 훈련, 시험 및/또는 유효화하는 데 사용되는 의료 영상 데이터로 검사되는 의료 영상 데이터를 정규화하도록 구성된다.
몇몇 실시예에서, 의료 스캐닝 데이터의 정규화는 본 명세서에 개시된 AI 처리 방법에 필요할 수 있는데, 이는 몇몇 경우에 의료 스캐닝 데이터가 처리되는 모든 의료 스캐닝 데이터를 가로질러 일관적일 때에만 AI 처리 방법이 의료 스캐닝 데이터를 적절하게 처리할 수 있기 때문이다. 예를 들어, 제1 의료 스캐너가 지방 물질을 어두운 회색 또는 검은색으로 보여주는 의료 영상을 생성하고 반면에 제2 의료 스캐너가 중간 또는 밝은 회색으로 동일한 지방 물질을 보여주는 의료 영상을 생성하는 상황에서, 본 명세서에 개시된 시스템, 방법 및 디바이스의 AI 처리 방법론은 제1 및 제2 의료 스캐너에 의해 생성된 의료 영상의 하나의 세트 또는 양 세트에서 지방 물질을 오식별하고 그리고/또는 완전히 식별하지 않을 수도 있다. 이는 특정 재료 밀도의 관계가 일정하지 않을 수도 있고 심지어 재료 및 스캐닝 파라미터에 따라 비선형 방식으로 변경될 수도 있기 때문에 더욱 더 문제가 될 수 있다. 몇몇 실시예에서, 정규화 디바이스는 특정 의료 스캐너 디바이스에 대해 훈련된 AI 알고리즘의 사용이 아직 개발되지 않았을 수도 있는 차세대 의료 스캐너 디바이스에 의해 생성된 의료 영상에 사용되는 것을 가능하게 한다.
도 12a는 본 명세서에 설명된 방법 및 시스템과 함께 사용을 위해 의료 영상을 정규화하도록 구성될 수 있는 정규화 디바이스(1200)의 실시예를 표현하는 블록도이다. 예시된 실시예에서, 정규화 디바이스(1200)는 기판(1202)을 포함할 수 있다. 기판(1202)은 정규화 디바이스(1200)를 위한 본체 또는 구조를 제공할 수 있다. 몇몇 실시예에서, 정규화 디바이스(1200)는 정사각형 또는 직사각형 또는 정육면체 형상을 포함할 수 있지만, 다른 형상이 가능하다. 몇몇 실시예에서, 정규화 디바이스(1200)는 굴곡 가능하고 그리고/또는 자립하도록 구성된다. 예를 들어, 기판(1202)은 굴곡 가능하고 그리고/또는 자립될 수 있다. 굴곡 가능한 기판(1202)은 정규화 디바이스가 환자의 신체의 윤곽에 맞도록 할 수 있다. 몇몇 실시예에서, 기판(1202)은 하나 이상의 기준점(1203)을 포함할 수 있다. 기준점(1203)은 공지의 물질의 샘플을 보유하는 하나 이상의 구획의 각각의 영상에서의 위치가 결정될 수 있도록 정규화 디바이스의 영상에서 정규화 디바이스(1200)의 정렬의 결정을 용이하게 하도록 구성될 수 있다.
기판(1202)은 또한 복수의 구획(도 12a에는 도시되어 있지 않지만, 예를 들어, 도 12c 내지 도 12f의 구획(1216) 참조)을 포함할 수 있다. 구획(1216)은 조영제 샘플(1204), 연구된 변수 샘플(1206), 및 팬텀 샘플(1208)과 같은 공지의 물질의 샘플을 보유하도록 구성될 수 있다. 몇몇 실시예에서, 조영제 샘플(1204)은 의료 영상의 캡처 동안 사용되는 조영제 물질의 샘플을 포함한다. 몇몇 실시예에서, 조영제 물질(1204)의 샘플은 요오드, Gad, 탄탈륨, 텅스텐, 금, 비스무트, 또는 이테르븀 중 하나 이상을 포함한다. 이들 샘플은 다양한 농도에서 정규화 디바이스(1200)의 구획(1216) 내에 제공될 수 있다. 연구된 변수 샘플(1206)은 분석될 물질 시스템을 나타내는 물질의 샘플 및 본 명세서에 설명된 방법을 포함할 수 있다. 몇몇 예에서, 연구된 변수 샘플(1206)은 칼슘 1000 HU, 칼슘 220 HU, 칼슘 150 HU, 칼슘 130 HU, 및 저감쇠(예를 들어, 30 HU) 물질 중 하나 이상을 포함한다. 상이한 농도로 제공된 다른 연구된 변수 샘플(1206)이 또한 포함될 수 있다. 일반적으로, 연구된 변수 샘플(1206)은 의료 영상이 분석되는 물질에 대응할 수 있다. 팬텀 샘플(1208)은 하나 이상의 팬텀 물질의 샘플을 포함할 수 있다. 몇몇 예에서, 팬텀 샘플(1208)은 물, 지방, 칼슘, 요산, 공기, 철 또는 혈액 중 하나 이상을 포함한다. 다른 팬텀 샘플(1208)이 또한 사용될 수 있다.
몇몇 실시예에서, 정규화 디바이스(1200)에 포함된 물질이 많을수록, 또는 정규화 디바이스(1200) 내의 상이한 물질을 갖는 구획(1216)이 많을수록, 의료 스캐너에 의해 생성된 데이터의 정규화가 더 양호하다. 몇몇 실시예에서, 정규화 디바이스(1200) 또는 그 기판(1202)은 가요성 및/또는 굴곡 가능 플라스틱으로부터 제조된다. 몇몇 실시예에서, 정규화 디바이스(1200)는 MR 스캐닝 디바이스의 코일 내에 또는 아래에 위치되도록 구성된다. 몇몇 실시예에서, 정규화 디바이스(1200) 또는 그 기판(1202)은 강성 플라스틱으로부터 제조된다.
도 12a의 예시된 실시예에서, 정규화 디바이스(1200)는 또한 부착 메커니즘(1210)을 포함한다. 부착 메커니즘(1210)은 정규화 디바이스(1200)를 환자에게 부착하기 위해 사용될 수 있다. 예를 들어, 몇몇 실시예에서, 정규화 디바이스(1200)는 영상 획득 전에 영상화될 관상 영역 부근의 환자에게 부착된다. 몇몇 실시예에서, 정규화 디바이스(1200)는 접착제 또는 벨크로 또는 몇몇 다른 체결구 또는 아교를 사용하여 환자의 피부에 접착될 수 있다. 몇몇 실시예에서, 정규화 디바이스(1200)는 붕대처럼 환자에게 적용될 수 있다. 예를 들어, 몇몇 실시예에서, 제거 가능한 반창고 또는 스티커가 환자의 피부에 적용되고, 여기서, 반창고는 대응 벨크로 정합 부분을 갖는 정규화 디바이스가 환자의 피부에 부착된 반창고 또는 스티커에 접착될 수 있게 하는 벨크로 외향 지향 부분을 포함할 수 있다(예를 들어, 후술되는 도 12g의 정규화 디바이스 참조).
몇몇 실시예에서, 부착 메커니즘(1210)은 생략될 수 있어, 정규화 디바이스(1200)가 환자에게 부착될 필요가 없게 된다. 오히려, 몇몇 실시예에서, 정규화 디바이스는 환자와 함께 또는 환자 없이 의료 스캐너에 배치될 수 있다. 몇몇 실시예에서, 정규화 디바이스는 의료 스캐너 내에서 환자와 나란히 배치되도록 구성될 수 있다.
몇몇 실시예에서, 정규화 디바이스(1200)는 재사용 가능한 디바이스이거나 폐기 가능한 일회용 디바이스일 수 있다. 몇몇 실시예에서, 정규화 디바이스(1200)는 만료일을 포함하고, 예를 들어, 디바이스는 디바이스의 만료를 나타내기 위해 컬러를 변경하는 물질을 포함할 수 있고, 여기서, 컬러는 시간 경과에 따라 및/또는 특정 수의 스캔 또는 방사선 노출량 후에 변화한다(예를 들어, 후술되는 도 12h 및 도 12i 참조). 몇몇 실시예에서, 정규화 디바이스(1200)는 예를 들어 그 내에 포함된 샘플들 중 하나 이상을 보존하기 위해 사용 사이에 냉각을 필요로 한다. 몇몇 실시예에서, 정규화 디바이스(1200)는 열 노출 또는 냉각 실패로 인해 디바이스가 만료되었음을 사용자에게 통지하는 컬러 변화 표시기와 같은 표시기를 포함할 수 있다.
특정 실시예에서, 정규화 디바이스(1200)는, 몇몇 경우에 물질의 온도가 영상 스캐닝 디바이스에 의해 생성된 물질의 결과적인 착색 또는 회색조에 영향을 미칠 수 있기 때문에, 정규화 디바이스(1200) 내의 물질이 환자의 피부와 동일하거나 실질적으로 동일한 온도에 도달하게 하기 위해 환자의 피부로부터 열 전달을 허용하는 물질을 포함한다. 예를 들어, 기판(1202)은 환자로부터 기판(1202) 내의 샘플로의 열 전달을 용이하게 하기 위해 비교적 높은 열 전달 계수를 갖는 물질을 포함할 수 있다. 몇몇 실시예에서, 정규화 디바이스(1200)는 디바이스가 환자의 피부에 접착될 수 있게 할 수 있는 접착제를 사용하여 환자의 피부에 제거 가능하게 결합될 수 있다.
몇몇 실시예에서, 정규화 디바이스(1200)는 영상 시야에서 사용되거나 영상 시야에서 사용되지 않을 수 있다. 몇몇 실시예에서, 정규화 디바이스(1200)는 환자 영상 획득과 동시에 또는 순차적으로 영상화될 수 있다. 순차적인 사용은 먼저 정규화 디바이스(1200)를 영상화하고, 그 직후에 동일한 영상 파라미터를 사용하여 그 직후에 환자를 영상화하는 것을 포함할 수 있다(또는 그 반대도 마찬가지임). 몇몇 실시예에서, 정규화 디바이스(1200)는 정적이거나 영상 획득 또는 환자의 심장 또는 호흡 운동과 동기하여 움직이거나 이동하도록 프로그래밍될 수 있다. 몇몇 실시예에서, 정규화 디바이스(1200)는 영상 도메인 기반 데이터 또는 프로젝션 도메인 기반 데이터에 대한 비교를 이용할 수 있다. 몇몇 실시예에서, 정규화 디바이스(1200)는 2D(면적), 또는 3D(체적), 또는 4D(시간에 따른 변화) 디바이스일 수 있다. 몇몇 실시예에서, 스캐너 내의 상이한 깊이 및/또는 스캐너 내의 상이한 위치에서 착색 및/또는 회색조 레벨의 변화를 고려하기 위해 2개 이상의 정규화 디바이스(1200)가 의료 영상 스캐닝 동안 환자에 부착되고 그리고/또는 환자에 나란히 위치될 수 있다.
몇몇 실시예에서, 정규화 디바이스(1200)는 하나 이상의 층을 포함할 수 있고, 각각의 층은 디바이스의 다른 층과 동일하거나 상이한 물질을 보유하기 위한 구획을 포함한다. 도 12b는 예를 들어, 다층 기판(1202)을 포함하는 정규화 디바이스(1200)의 실시예의 사시도를 도시하고 있다. 예시된 실시예에서, 기판(1202)은 제1 층(1212) 및 제2 층(1214)을 포함한다. 제2 층(1214)은 제1 층(1212) 위에 위치될 수 있다. 다른 실시예에서, 하나 이상의 부가의 층이 제2 층(1214) 위에 위치될 수도 있다. 각각의 층(1212, 1214)은 도 12c에 도시되어 있는 바와 같이, 다양한 공지의 샘플을 보유하기 위한 구획으로 구성될 수 있다. 몇몇 실시예에서, 정규화 디바이스(1200)의 다양한 층(1212, 1214)은 MR 및 초음파와 같은 3차원 스캐닝을 수행하는 다양한 스캐닝 기계에 대한 다양한 깊이 레벨에서의 정규화를 허용한다. 몇몇 실시예에서, 시스템은 깊이의 변화로 인한 영상 특성의 착색 및/또는 회색조 레벨 변화의 평균화에 의해 정규화하도록 구성될 수 있다.
도 12c는 정규화 동안 사용을 위해 공지의 물질의 샘플을 보유하기 위해 그 내부에 위치된 다양한 구획(1216)을 도시하고 있는 도 12b의 정규화 디바이스(1200)의 단면도이다. 구획(1216)은 예를 들어, 도 12a에 도시되어 있는 조영제 샘플(1204), 연구된 변수 샘플(1206), 및 팬텀 샘플(1208)을 보유하도록 구성될 수 있다. 구획(1216)은 공간, 파우치, 큐브, 구, 영역 등을 포함할 수도 있고, 각각의 구획(1216) 내에는 하나 이상의 화합물, 유체, 물질, 요소, 재료 등이 포함된다. 몇몇 실시예에서, 각각의 구획(1216)은 상이한 물질 또는 재료를 포함할 수 있다. 몇몇 실시예에서, 각각의 구획(1216)은 기밀성이고 액체일 수도 있는 샘플이 누설되는 것을 방지하기 위해 밀봉된다.
각각의 층(1212, 1214) 내에서, 또는 기판(1202) 내에서, 정규화 디바이스(1200)는 구획(1216)에 대한 상이한 배열을 포함할 수도 있다. 도 12d는 정규화 디바이스(1200) 내의 복수의 구획(1216)의 예시적인 배열의 평면도를 도시하고 있다. 예시된 실시예에서, 복수의 구획(1216)은 직사각형 또는 격자형 패턴으로 배열된다. 도 12e는 정규화 디바이스(1200) 내의 복수의 구획(1216)의 다른 예시적인 배열의 평면도를 도시하고 있다. 예시된 실시예에서, 복수의 구획(1216)은 원형 패턴으로 배열된다. 다른 배열이 또한 가능하다.
도 12f는 인접하게 배열된 구획(1216A), 자체 밀봉 충전 가능 구획(1216B), 및 다양한 크기 및 형상의 구획(1216C)을 포함하는, 그 다양한 특징을 도시하고 있는 정규화 디바이스(1200)의 다른 실시예의 단면도이다. 도 12f에 도시되어 있는 바와 같이, 구획(1216A) 중 하나 이상은 구획(1216A) 내의 물질이 인접한 구획(1216A) 내의 물질과 접촉 및/또는 근접할 수 있도록 서로 인접하도록 배열될 수 있다. 몇몇 실시예에서, 정규화 디바이스(1200)는 어떻게 특정 스캐닝 디바이스가 특정 물질을 디스플레이하는지를 결정하여, 이에 의해 다중 스캐닝 디바이스를 가로지르는 정규화를 허용하기 위해 저밀도 물질에 병치된 고밀도 물질을 포함한다. 몇몇 실시예에서, 스캐닝 동안 특정 물질이 서로 영향을 미칠 수 있기 때문에 특정 물질은 다른 물질에 인접하거나 부근에 위치된다. 인접하게 위치된 구획(1216A)에 배치될 수 있는 물질의 예는 무엇보다도, 요오드, 공기, 지방 물질, 조직, 방사성 조영제, 금, 철, 다른 금속, 증류수 및/또는 물을 포함할 수 있다.
몇몇 실시예에서, 정규화 디바이스(1200)는 정규화 디바이스가 자체 밀봉되도록 물질 및/또는 유체를 수용하도록 구성된다. 이에 따라, 도 12f는 자체 밀봉되는 구획(1216B)을 도시하고 있다. 이들은 물질이 구획(1216B) 내로 주입되고 이어서 그 내에서 밀봉되게 할 수 있다. 예를 들어, 방사성 조영제는 정규화 디바이스(1200)의 구획(1216B)에 자체 밀봉 방식으로 주입될 수 있어, 스캐닝 디바이스로부터 생성된 의료 영상 데이터는 방사성 조영제가 스캐닝 절차 중에 시간 경과에 따라 감소함에 따라 시간 경과에 따라 정규화될 수 있게 된다. 몇몇 실시예에서, 정규화 디바이스는 환자 및/또는 분석되는 조직의 유형 및/또는 질환 유형 및/또는 스캐너 기계 유형에 대해 특정한 물질을 포함하도록 구성될 수 있다.
몇몇 실시예에서, 정규화 디바이스(1200)는 원과 같은 복수의 형상으로 정규화 디바이스(1200)를 구성함으로써 스캐너 해상도 및 해상도의 유형을 측정하도록 구성될 수 있다. 이에 따라, 구획(1216C)은 상이한 형상 및 크기를 구비할 수 있다. 도 12f는 구획(1216C)이 상이한 형상(입방형 및 구형) 및 상이한 크기를 구비하는 예를 도시하고 있다. 몇몇 실시예에서, 모든 구획(1216)은 동일한 형상 및 크기일 수 있다.
몇몇 실시예에서, 정규화 디바이스(1200)의 하나 이상의 구획(1216)의 크기는 의료 영상 스캐너의 해상도에 대응하도록 구성되거나 선택될 수 있다. 예를 들어, 몇몇 실시예에서, 의료 영상 스캐너의 공간 해상도가 0.5 mm×0.5 mm×0.5 mm이면, 정규화 디바이스의 구획의 치수는 또한 0.5 mm×0.5 mm×0.5 mm일 수 있다. 몇몇 실시예에서, 구획의 크기는 0.5 mm 내지 0.75 mm 범위이다. 몇몇 실시예에서, 정규화 디바이스의 구획의 폭은 약 0.1 mm, 약 0.15 mm, 약 0.2 mm, 약 0.25 mm, 약 0.3 mm, 약 0.35 mm, 약 0.4 mm, 약 0.45 mm, 약 0.5 mm, 약 0.55 mm, 약 0.6 mm, 약 0.65 mm, 약 0.7 mm, 약 0.75 mm, 약 0.8 mm, 약 0.85 mm, 약 0.9 mm, 약 0.95 mm, 약 1.0 mm, 및/또는 2개의 전술된 값에 의해 정의된 범위 내일 수 있다. 몇몇 실시예에서, 정규화 디바이스의 구획의 길이는 약 0.1 mm, 약 0.15 mm, 약 0.2 mm, 약 0.25 mm, 약 0.3 mm, 약 0.35 mm, 약 0.4 mm, 약 0.45 mm, 약 0.5 mm, 약 0.55 mm, 약 0.6 mm, 약 0.65 mm, 약 0.7 mm, 약 0.75 mm, 약 0.8 mm, 약 0.85 mm, 약 0.9 mm, 약 0.95 mm, 약 1.0 mm, 및/또는 2개의 전술된 값에 의해 정의된 범위 내일 수 있다. 몇몇 실시예에서, 정규화 디바이스의 구획의 높이는 약 0.1 mm, 약 0.15 mm, 약 0.2 mm, 약 0.25 mm, 약 0.3 mm, 약 0.35 mm, 약 0.4 mm, 약 0.45 mm, 약 0.5 mm, 약 0.55 mm, 약 0.6 mm, 약 0.65 mm, 약 0.7 mm, 약 0.75 mm, 약 0.8 mm, 약 0.85 mm, 약 0.9 mm, 약 0.95 mm, 약 1.0 mm, 및/또는 2개의 전술된 값에 의해 정의된 범위 내일 수 있다.
몇몇 실시예에서, 정규화 디바이스(1200)의 각각의 구획(1216)의 치수는 모든 구획(1216)에 대해 동일하거나 실질적으로 동일하다. 몇몇 실시예에서, 정규화 디바이스(1200) 내의 구획(1216)의 일부 또는 전부의 치수는, 정규화 디바이스(1200)가 상이한 해상도 능력을 갖는 다양한 의료 영상 스캐닝 디바이스에 사용될 수 있도록(예를 들어, 도 12f에 도시되어 있는 바와 같이) 단일 정규화 디바이스(1200)가 상이한 치수를 갖는 복수의 구획을 갖게 하기 위해 서로 상이할 수 있다. 몇몇 실시예에서, 상이한 치수를 갖는 복수의 구획(1216)을 갖는 정규화 디바이스(1200)는 정규화 디바이스가 스캐닝 디바이스의 실제 해상도 능력을 결정하는 데 사용되는 것을 가능하게 한다. 몇몇 실시예에서, 각각의 구획(1216)의 크기는 10 mm까지 연장될 수도 있고, 각각의 구획의 크기는 그 내에 포함된 물질에 따라 가변적일 수도 있다.
도 12c 및 도 12f의 예시된 실시예에서, 정규화 디바이스(1200)는 접착 표면(1218)을 포함하는 부착 메커니즘(1210)을 포함한다. 접착 표면(1218)은 정규화 디바이스(1200)를 환자의 피부에 부착(예를 들어, 제거 가능하게 부착)하도록 구성될 수 있다. 도 12g는 정규화 디바이스의 기판을 정규화 디바이스(1200)의 체결구에 고정하기 위해 후크 및 루프 체결구(1220)를 사용하는 정규화 디바이스(1200)용 부착 메커니즘(1210)의 실시예를 도시하고 있는 사시도이다. 예시된 실시예에서, 접착 표면(1218)은 환자에게 부착되도록 구성될 수 있다. 접착 표면(1218)은 제1 후크 및 루프 체결구(1220)를 포함할 수 있다. 대응 후크 및 루프 체결구(1220)는 기판(1202)의 하부 표면에 제공될 수 있고 후크 및 루프 체결구(1220)를 통해 접착 표면(1218)에 기판(1202)을 제거 가능하게 부착하는 데 사용될 수 있다.
도 12h 및 도 12i는 정규화 디바이스(1200)의 만료 상태를 표시하도록 구성된 표시기(1222)를 포함하는 정규화 디바이스(1200)의 실시예를 도시하고 있다. 표시기(1222)는 디바이스의 만료를 표시하기 위해 컬러를 변경하거나 단어를 드러내는 물질을 포함할 수 있고, 여기서, 컬러 또는 텍스트는 시간 경과에 따라 및/또는 특정 횟수의 스캔 또는 방사선 노출량 후에 변경되거나 나타난다. 도 12h는 만료되지 않은 상태를 나타내는 제1 상태의 표시기(1222)를 도시하고 있고, 도 12i는 만료된 상태를 나타내는 제2 상태의 표시기(1222)를 도시하고 있다. 몇몇 실시예에서, 정규화 디바이스(1200)는 사용 사이에 냉각을 필요로 한다. 몇몇 실시예에서, 컬러 변화 표시기와 같은 표시기(1222)는 열 노출 또는 냉각 실패로 인해 디바이스가 만료되었음을 사용자에게 통지할 수 있다.
몇몇 실시예에서, 정규화 디바이스(1200)는, 특정 의료 영상 스캐닝 디바이스가 증류수를 포함하는 정규화 디바이스(1200)의 구획을 0이 아닌 소정 값의 회색조 값을 갖는 것으로서 등록하면, 시스템은 등록된 값을 0으로 전치하거나 변환하기 위해 알고리즘을 이용할 수 있도록, 0의 회색조 값으로 증류수를 설정하도록 구성된 시스템과 함께 사용될 수 있다. 몇몇 실시예에서, 시스템은 정규화 디바이스(1200)의 구획 내의 특정 물질에 대해 설정된 공지의 값, 및 정규화 디바이스(1200)의 구획(1216) 내의 동일한 물질에 대한 의료 영상 스캐닝 디바이스에 의해 검출/생성된 값에 기초하여 정규화 알고리즘을 생성하도록 구성된다. 몇몇 실시예에서, 정규화 디바이스(1200)는 분석될 의료 영상 데이터를 정규화하기 위해 선형 회귀 모델에 기초하여 정규화 알고리즘을 생성하도록 구성될 수 있다. 몇몇 실시예에서, 정규화 디바이스(1200)는 분석될 의료 영상 데이터를 정규화하기 위해 비선형 회귀 모델에 기초하여 정규화 알고리즘을 생성하도록 구성될 수 있다. 몇몇 실시예에서, 정규화 디바이스(1200)는 분석될 의료 영상 데이터를 정규화하기 위해, 지수, 로그함수, 다항식, 거듭제곱, 이동 평균 등과 같은 임의의 유형의 모델 또는 모델들에 기초하여 정규화 알고리즘을 생성하도록 구성될 수 있다. 몇몇 실시예에서, 정규화 알고리즘은 2차원 변환을 포함할 수 있다. 몇몇 실시예에서, 정규화 알고리즘은 깊이, 시간 등과 같은 다른 인자를 고려하기 위해 3차원 변환을 포함할 수 있다.
상이한 시간에 상이한 기계 또는 동일한 기계를 사용하여 공지의 물질을 스캔하기 위해 정규화 디바이스(1200)를 사용함으로써, 시스템은 상이한 시간에 다양한 스캐닝 기계 및/또는 동일한 스캐닝 기계를 가로질러 CT 스캔 데이터를 정규화할 수 있다. 몇몇 실시예에서, 본 명세서에 개시된 정규화 디바이스(1200)는 이들에 한정되는 것은 아니지만, x-레이, 초음파, 심장초음파상, 자기 공명(MR), 광 간섭 단층 촬영(OCT), 혈관내 초음파(IVUS) 및/또는 양전자 방출 단층 촬영(PET) 및 단일 광자 방출 컴퓨터 단층 촬영(SPECT)을 포함하는 핵의학 영상을 포함하는 임의의 스캐닝 양식과 함께 사용될 수 있다.
몇몇 실시예에서, 정규화 디바이스(1200)는 플라크를 형성하는 하나 이상의 물질(예를 들어, 연구된 변수 샘플(1206)) 및 검사 중에 정맥을 통해 환자에게 제공되는 조영제에 사용되는 하나 이상의 물질을 포함한다(예를 들어, 조영제 샘플(1204)). 몇몇 실시예에서, 구획(1216) 내의 물질은 다양한 농도의 요오드, 다양한 밀도의 칼슘, 다양한 밀도의 비석회화 플라크 물질 또는 등가물, 물, 지방, 혈액 또는 등가 밀도 물질, 철, 요산, 공기, 가돌리늄, 탄탈륨, 텅스텐, 금, 비스무트, 이테르븀 및/또는 다른 물질을 포함한다. 몇몇 실시예에서, AI 알고리즘의 훈련은 정규화 디바이스(1200)의 영상의 밀도와 관련된 데이터에 적어도 부분적으로 기초할 수 있다. 이와 같이, 몇몇 실시예에서, 시스템은 어떻게 정규화 디바이스(1200)가 AI 알고리즘의 훈련 동안 거동하거나 하나 이상의 영상에 보여졌는지에 대한 기존 데이터에 액세스하고 그리고/또는 저장할 수 있다. 몇몇 실시예에서, 시스템은 어떻게 정규화 디바이스(1200)가 AI 알고리즘이 적용되는 새로운 또는 현재의 CT 스캔에서 거동하는지와의 차이를 결정하기 위한 기준선으로서 이러한 이전 데이터를 사용할 수 있다. 몇몇 실시예에서, 결정된 차이는 최근에 획득된 영상(들)의 하나 이상의 밀도를 AI 알고리즘의 훈련 동안 획득 및/또는 사용된 하나 이상의 영상으로 보정, 정규화 및/또는 맵핑하는 데 사용될 수 있다.
비한정적인 예로서, 몇몇 실시예에서, 정규화 디바이스(1200)는 칼슘을 포함한다. 예를 들어, AI 알고리즘(들)을 훈련하는 데 사용된 CT 또는 정규화 디바이스(1200)의 칼슘이 300 하운즈필드 단위(HU)의 밀도를 나타내면, 그리고 동일한 칼슘이 새로운 스캔의 하나 이상의 영상에서 600 HU의 밀도를 나타내면, 시스템은, 몇몇 실시예에서, AI 알고리즘을 훈련하는 데 사용된 오래된 CT 영상(들)에 등가이도록 새로운 CT 영상(들)을 정규화하거나 변환하기 위해 모든 칼슘 밀도를 자동으로 절반으로 나누도록 구성될 수도 있다.
몇몇 실시예에서, 전술된 바와 같이, 정규화 디바이스(1200)는 관련될 수도 있는 복수의 또는 모든 물질을 포함하는데, 이는 상이한 물질이 스캔을 가로질러 상이한 양으로 밀도를 변경할 수 있기 때문에 유리할 수 있다. 예를 들어, 칼슘의 밀도가 스캔을 가로질러 2배 변경되면, 지방의 밀도는 동일한 스캔을 가로질러 약 10% 변화될 수도 있다. 이와 같이, 정규화 디바이스(1200)가 예를 들어 플라크, 혈액, 조영제, 및/또는 기타를 구성하는 하나 이상의 물질과 같은 복수의 물질을 포함하는 것이 유리할 수 있다.
전술된 바와 같이, 몇몇 실시예에서, 시스템은, 특정 스캐너 및/또는 대상을 사용하여 정규화 디바이스(1200)의 하나 이상의 동일한 물질로부터 획득된 밀도 판독값 및/또는 CT 영상에 비교하여 기준선 스캐너를 사용하여 정규화 디바이스(1200)의 하나 이상의 물질로부터 획득된 밀도 판독값 및/또는 CT 영상의 변화 또는 차이에 따라 비례적으로 특정 스캐너 및/또는 대상으로부터 획득된 밀도 판독값 및/또는 CT 영상을 정규화, 맵핑, 및/또는 보정하도록 구성될 수 있다. 비한정적인 예로서, 정규화 디바이스(1200)가 칼슘을 포함하는 실시예의 경우, 시스템은 기준선 스캔과 새로운 스캔 사이의 공지의 칼슘 밀도의 동일한 변화, 예를 들어 2배를 새로운 스캔의 모든 다른 모든 칼슘 판독값에 적용하여 판독값을 보정 및/또는 정규화하도록 구성될 수 있다.
몇몇 실시예에서, 시스템은, 동일한 기준선 스캐너를 사용하여 대상의 하나 이상의 물질 또는 영역으로부터 획득된 밀도 판독값 및/또는 CT 영상에 비교하여 기준선 스캐너를 사용하여 정규화 디바이스(1200)의 하나 이상의 물질로부터 획득된 밀도 판독값 및/또는 CT 영상 사이의 변화 또는 차이를 평균화함으로써 특정 스캐너 및/또는 대상으로부터 획득된 밀도 판독값 및/또는 CT 영상을 정규화, 맵핑, 및/또는 보정하도록 구성될 수 있다. 비한정적인 예로서, 정규화 디바이스(1200)가 칼슘을 포함하는 실시예의 경우, 시스템은 기준선 스캔 동안 대상 내의 칼슘의 다른 영역과 정규화 디바이스(1200)의 칼슘 사이의 밀도 판독값의 차이 또는 그 비를 결정하도록 구성될 수 있다. 몇몇 실시예에서, 시스템은 새로운 스캔 동안 대상 내의 칼슘의 다른 영역과 정규화 디바이스(1200)의 칼슘 사이의 밀도 판독값의 차이 또는 그 비를 유사하게 결정하도록 구성될 수 있고; 디바이스로부터의 칼슘의 값을 영상의 다른 부분의 칼슘의 값으로 나누는 것은 조건의 차이가 동일한 방식으로 동일한 물질에 영향을 미칠 수 있기 때문에 임의의 변경을 상쇄할 수 있다.
몇몇 실시예에서, 디바이스는 스캔 파라미터(예를 들어, mA 또는 kVp), 스캐너 내의 x-레이 소스의 유형 및 수(예를 들어, 단일 소스 또는 이중 소스), 스캐너의 시간적 해상도, 스캐너 또는 영상의 공간 해상도, 영상 재구성 방법(적응성 통계적 반복적 재구성, 모델 기반 반복적 재구성, 기계 학습 기반 반복적 재구성 또는 유사한 것); 영상 재구성 방법(상이한 유형의 커널, 후향적 ECG-나선형 연구로부터의 중첩 슬라이스, 전향적 축방향 트리거링된 연구의 비중첩 슬라이스, 고속 피치 나선형 연구 또는 절반 대 전체 스캔 통합 재구성과 같은); 내부 인자(산소, 혈액, 온도 등과 같은)를 고려하는 대조 밀도; 외부 인자(대조 밀도, 농도, 삼투압 농도 및 스캔 중 시간적 변화와 같은)를 고려하는 대조 밀도; 검출 기술(물질, 시준 및 필터링과 같은); 스펙트럼 영상(예를 들어, 물질 기반 분해 및 단일 에너지 영상과 함께 다색, 단색 및 스펙트럼 영상과 같은); 광자 계수; 및/또는 스캐너 브랜드 및 모델을 고려할 것이다.
몇몇 실시예에서, 정규화 디바이스(1200)는 MRI 연구에 적용될 수 있고, 코일의 유형; 위치설정의 배치, 안테나의 수; 코일 요소로부터의 깊이; 영상 획득 유형; 펄스 시퀀스 유형 및 특성; 필드 강도, 구배 강도, 슬루율 및 다른 하드웨어 특성; 자석 공급업체, 브랜드 및 유형; 영상 특성(두께, 매트릭스 크기, 시야, 가속 계수, 재구성 방법 및 특성, 2D, 3D, 4D[시네 영상, 시간 경과에 따른 모든 변화], 시간 해상도, 획득 수, 확산 계수, k-공간을 파퓰레이팅하는 방법); 대조(내인성[산소, 혈액, 온도 등] 및 외인성 유형, 체적, 투여 후 시간적 변화); 정적 또는 움직이는 물질; 정량적 영상(T1 T2 맵핑, ADC, 확산, 위상 대조 등을 포함함); 및/또는 영상 획득 중 의약품의 투여 중 하나 이상을 고려할 수 있다.
몇몇 실시예에서, 정규화 디바이스(1200)는 초음파 연구에 적용될 수 있고, 무엇보다도, 유형 및 기계 브랜드; 변환기 유형 및 주파수; 회색조, 컬러 및 펄스파 도플러; B- 또는 M-모드 도플러 유형; 조영제; 시야; 변환기로부터의 깊이; 펄스파 변형(탄성술 포함), 각도; 영상 특성(두께, 매트릭스 크기, 시야, 가속 계수, 재구성 방법 및 특성, 2D, 3D, 4D[시네 영상, 시간 경과에 따른 모든 변화]); 시간적 해상도; 획득 수; 이득 및/또는 초점 번호 및 장소 중 하나 이상을 고려한다.
몇몇 실시예에서, 정규화 디바이스(1200)는 PET 또는 SPECT와 같은 핵의학 연구에 적용될 수 있고, 무엇보다도, 유형 및 기계 브랜드; PET/CT의 경우 모든 CT가 적용되고; PET/MR의 경우 모든 MR이 적용되고; 대조(방사성 약제 유형, 체적, 투여 후 시간적 변화); 영상 특성(두께, 매트릭스 크기, 시야, 가속 계수, 재구성 방법 및 특성, 2D, 3D, 4D[시네 영상, 시간 경과에 따른 모든 변화]); 시간적 해상도; 획득 수; 이득 및/또는 초점 번호 및 장소 중 하나 이상을 고려한다.
몇몇 실시예에서, 정규화 디바이스는 서로 인접한 상이한 밀도를 갖는 상이한 공지의 물질을 가질 수도 있다. 이는 픽셀의 밀도가 인접 픽셀의 밀도에 영향을 미치고 각각의 개별 픽셀의 밀도에 따른 변화에 영향을 미치는 몇몇 CT 영상에 존재하는 임의의 문제를 해결할 수도 있다. 이 실시예의 일 예는 플라크 픽셀의 밀도에 영향을 미치는 관상 내강의 상이한 대조 밀도이다. 몇몇 실시예에서, 정규화 디바이스는 정량적 CT 영상 분석/측정에 대한 블루밍 아티팩트의 영향을 보정하기 위해 영상 내의 물질/병변의 체적을 정확하게 평가하는 데 도움이 되도록 공지의 물질의 공지의 체적을 포함할 수도 있다. 몇몇 실시예에서, 정규화 디바이스는 공지의 체적 및 공지의 제어 가능한 움직임으로 공지의 물질을 이동시킬 수도 있다. 이는 정량적 CT 영상 분석/측정에 대한 움직임의 영향을 제외하거나 감소시키는 것을 허용할 것이다.
몇몇 실시예에서, 정규화 디바이스의 영상에 공지의 물질을 갖는 것은 동일한 영상으로부터 물질 특정 재구성에 도움이 될 수도 있다. 예를 들어, 다수의 kV/스펙트럼 영상 하드웨어가 필요 없이, 단지 공지의 물질을 디스플레이하기 위해 단지 하나의 영상 세트만을 사용하는 것이 가능할 수 있다.
도 12j는 본 명세서에 설명된 분석과 같은 알고리즘 기반 의료 영상 분석을 위해 의료 영상을 정규화하기 위한 예시적인 방법(1250)을 도시하고 있는 흐름도이다. 정규화 디바이스의 사용은 알고리즘 기반 의료 영상 분석의 정확도를 개선시킬 수 있다. 방법(1250)은 프로세서 및 전자 저장 매체를 포함하는 시스템 상에서 구현되는 컴퓨터 구현 방법일 수 있다. 방법(1250)은 정규화 디바이스가 상이한 조건 하에 캡처된 의료 영상을 정규화하는 데 사용될 수 있다는 것 예시한다. 예를 들어, 블록 1252에서, 대상의 관상 영역 및 정규화 디바이스의 제1 의료 영상이 액세스된다. 제1 의료 영상은 비침습적으로 획득될 수 있다. 정규화 디바이스는 복수의 구획을 포함하는 기판을 포함할 수 있고, 복수의 구획의 각각은 예를 들어 전술된 바와 같이 공지의 물질의 샘플을 보유한다. 블록 1254에서, 대상의 관상 영역 및 정규화 디바이스의 제2 의료 영상이 캡처된다. 제2 의료 영상은 비침습적으로 획득될 수 있다. 방법(1250)은 환자의 관상 영역을 참조하여 설명되었지만, 모든 신체 부분, 모든 시점 및 모든 영상 디바이스에 동일한 원리가 적용되기 때문에, 방법은 또한 혈관만이 아니라 모든 신체 부분에도 또한 적용 가능하다. 이는 형광 투시법 또는 MR 실시간 영상과 같은 "라이브" 유형의 영상도 포함할 수 있다.
점선 내의 부분에 의해 예시된 바와 같이, 제1 의료 영상 및 제2 의료 영상은 이하의 적어도 하나를 포함할 수 있는데: (1) 제1 의료 영상의 캡처와 연관된 하나 이상의 제1 가변 획득 파라미터는 제2 의료 영상의 캡처와 연관된 대응하는 하나 이상의 제2 가변 획득 파라미터와 상이하고, (2) 제1 의료 영상을 캡처하는 데 사용되는 제1 영상 캡처 기술은 제2 의료 영상을 캡처하는 데 사용되는 제2 영상 캡처 기술과 상이하며, (3) 제1 의료 영상의 캡처 동안 사용된 제1 조영제는 제2 의료 영상의 캡처 동안 사용된 제2 조영제와 상이하다.
몇몇 실시예에서, 제1 의료 영상 및 제2 의료 영상은 각각 CT 영상을 포함하고, 하나 이상의 제1 가변 획득 파라미터 및 하나 이상의 제2 가변 획득 파라미터는 킬로볼트(kV), 킬로볼트 피크(kVp), 밀리암페어(mA) 또는 동기 방법 중 하나 이상을 포함한다. 몇몇 실시예에서, 동기 방법은 전향적 축방향 트리거링, 후향적 ECG 나선형 동기, 및 고속 피치 나선형 중 하나를 포함한다. 몇몇 실시예에서, 제1 영상 캡처 기술 및 제2 영상 캡처 기술은 각각 이중 소스 스캐너, 단일 소스 스캐너, 이중 에너지, 단색 에너지, 스펙트럼 CT, 광자 계수, 및 상이한 검출기 물질 중 하나를 포함한다. 몇몇 실시예에서, 제1 조영제 및 제2 조영제는 각각 다양한 농도의 요오드 조영제 또는 비-요오드 조영제 중 하나를 포함한다. 몇몇 실시예에서, 제1 영상 캡처 기술 및 제2 영상 캡처 기술은 각각 CT, x-레이, 초음파, 심장초음파, 혈관내 초음파(IVUS), MR 영상, 광 간섭 단층 촬영(OCT), 핵의학 영상, 양전자 방출 단층 촬영(PET), 단일 광자 방출 컴퓨터 단층 촬영(SPECT) 또는 근거리 적외선 분광법(NIRS) 중 하나를 포함한다.
몇몇 실시예에서, 제1 의료 이미저를 캡처하는 제1 의료 이미저는 제2 의료 영상을 캡처하는 제2 의료 영상과는 상이하다. 몇몇 실시예에서, 제1 의료 영상의 대상은 제1 의료 영상의 대상과는 상이하다. 몇몇 실시예에서, 제1 의료 영상의 대상은 제2 의료 영상의 대상과 동일하다. 몇몇 실시예에서, 제1 의료 영상의 대상은 제2 의료 영상의 대상과는 상이하다. 몇몇 실시예에서, 제1 의료 영상의 캡처는 적어도 하루만큼 제2 의료 영상의 캡처로부터 분리된다. 몇몇 실시예에서, 제1 의료 영상의 캡처는 적어도 하루만큼 제2 의료 영상의 캡처로부터 분리된다. 몇몇 실시예에서, 제1 의료 영상의 캡처의 위치는 제2 의료 영상의 캡처의 위치와 지리적으로 분리된다.
이에 따라, 각각의 영상의 대상이 동일하더라도, 2개의 영상 사이에 차이를 유발할 수 있는 상이한 조건 하에서 제1 및 제2 의료 영상이 획득될 수 있는 것은 명백하다. 정규화 디바이스는 이들 차이를 정규화하고 고려하는 데 도움이 될 수 있다.
방법(1250)은 이어서 제1 의료 영상 내의 정규화 디바이스의 영상 파라미터 및 제2 의료 영상 내의 정규화 디바이스의 영상 파라미터가 각각 식별되는 블록 1262 및 1264로 이동한다. 제1 및 제2 의료 영상이 캡처되는 상이한 상황으로 인해, 정규화 디바이스는 각각의 영상에서 상이하게 나타날 수도 있지만, 정규화 디바이스는 동일한 공지의 샘플을 포함한다.
다음에, 블록 1266 및 1268에서, 방법은 제1 의료 영상 내의 정규화 디바이스의 제1 식별된 영상 파라미터에 부분적으로 기초하여 알고리즘 기반 의료 영상 분석을 위한 정규화된 제1 의료 영상을 생성하고 제2 의료 영상 내의 정규화 디바이스의 제2 식별된 영상 파라미터에 부분적으로 기초하여 알고리즘 기반 의료 영상 분석을 위한 정규화된 제2 의료 영상을 각각 생성한다. 이들 블록에서, 각각의 영상은 각각의 영상의 정규화 디바이스의 외관 또는 결정된 파라미터에 기초하여 정규화된다.
몇몇 실시예에서, 알고리즘 기반 의료 영상 분석은 인공 지능 또는 기계 학습 영상 분석 알고리즘을 포함하고, 인공 지능 또는 기계 학습 영상 분석 알고리즘은 정규화 디바이스를 포함하는 영상을 사용하여 훈련되었다.
시스템 개요
몇몇 실시예에서, 본 명세서에 설명된 시스템, 디바이스 및 방법은 도 13에 도시되어 있는 것과 같은 하나 이상의 컴퓨터 시스템의 네트워크를 사용하여 구현된다. 도 13은 의료 영상 분석, 시각화, 위험 평가, 질환 추적, 치료 생성, 및/또는 환자 보고 생성을 위한 시스템의 실시예(들)를 도시하고 있는 블록도이다.
도 13에 도시되어 있는 바와 같이, 몇몇 실시예에서, 메인 서버 시스템(1302)은 본 명세서에 설명된 하나 이상의 프로세스, 분석 및/또는 기술을 수행하도록 구성되는데, 그 중 일부는 의료 영상 분석, 시각화, 위험 평가, 질환 추적, 치료 생성 및/또는 환자 보고 생성에 관한 것이다. 몇몇 실시예에서, 메인 서버 시스템(1302)은 전자 통신 네트워크(1308)를 통해 하나 이상의 의료 시설 클라이언트 시스템(1304) 및/또는 하나 이상의 사용자 액세스 포인트 시스템(1306)에 연결된다. 예를 들어, 몇몇 실시예에서, 하나 이상의 의료 시설 클라이언트 시스템(1304)은 대상의 의료 시설에서 촬영된 의료 영상에 액세스하도록 구성될 수 있는데, 이는 이어서 추가 분석을 위해 네트워크(1308)를 통해 메인 서버 시스템(1302)으로 전송될 수 있다. 분석 후, 몇몇 실시예에서, 예를 들어 정량화된 플라크 파라미터, 심혈관 이벤트의 평가된 위험, 생성된 보고, 주석이 달린 및/또는 도출된 의료 영상 등과 같은 분석 결과는 네트워크(1308)를 통해 의료 시설 클라이언트 시스템(1304)에 다시 전송될 수 있다. 몇몇 실시예에서, 예를 들어 정량화된 플라크 파라미터, 심혈관 이벤트의 평가된 위험, 생성된 보고, 주석이 달린 및/또는 도출된 의료 영상 등과 같은 분석 결과는 환자 또는 대상의 스마트폰 또는 다른 컴퓨팅 디바이스와 같은 사용자 액세스 포인트 시스템(1306)에 또한 전송될 수 있다. 이와 같이, 몇몇 실시예에서, 환자는 환자의 컴퓨팅 디바이스 상의 의료 영상으로부터 시스템에 의해 생성 및/또는 도출된 환자-특정 보고 및/또는 다른 분석을 뷰잉하고 그리고/또는 액세스하도록 허용될 수 있다.
몇몇 실시예에서, 메인 서버 시스템(1302)은 본 명세서에 설명된 하나 이상의 프로세스, 분석, 및/또는 기술을 수행하기 위한 하나 이상의 모듈 및/또는 데이터베이스를 포함하고 그리고/또는 액세스하도록 구성될 수 있다. 예를 들어, 몇몇 실시예에서, 메인 서버 시스템(1302)은 영상 분석 모듈(1310), 플라크 정량화 모듈(1312), 지방 정량화 모듈(1314), 죽상동맥경화증, 협착증, 및/또는 허혈 분석 모듈(1316), 시각화/GUI 모듈(1318), 위험 평가 모듈(1320), 질환 추적 모듈(1322), 정규화 모듈(1324), 의료 영상 데이터베이스(1326), 파라미터 데이터베이스(1328), 치료 데이터베이스(1330), 환자 보고 데이터베이스(1332), 정규화 디바이스 데이터베이스(1334), 및/또는 기타를 포함할 수 있다.
몇몇 실시예에서, 영상 분석 모듈(1310)은 예를 들어 원시 의료 영상으로부터 혈관 및/또는 플라크 식별과 같은, 영상 분석과 관련하여 본 명세서에 설명된 하나 이상의 프로세스를 수행하도록 구성될 수 있다. 몇몇 실시예에서, 플라크 정량화 모듈(1312)은 예를 들어 원시 의료 영상으로부터 플라크의 방사선 밀도, 체적, 이질성 등과 같은, 정량화된 플라크 파라미터를 도출하거나 생성하는 것과 관련하여 본 명세서에 설명된 하나 이상의 프로세스를 수행하도록 구성될 수 있다. 몇몇 실시예에서, 지방 정량화 모듈(1314)은 예를 들어 원시 의료 영상으로부터 지방의 방사선 밀도, 체적, 이질성 등과 같은, 정량화된 지방 파라미터를 도출하거나 생성하는 것과 관련하여 본 명세서에 설명된 하나 이상의 프로세스를 수행하도록 구성될 수 있다. 몇몇 실시예에서, 죽상동맥경화증, 협착증, 및/또는 허혈 분석 모듈(1316)은 원시 의료 영상으로부터 죽상동맥경화증, 협착증, 및/또는 허혈의 평가 또는 정량화를 분석 및/또는 생성하는 것과 관련하여 본 명세서에 설명된 하나 이상의 프로세스를 수행하도록 구성될 수 있다. 몇몇 실시예에서, 시각화/GUI 모듈(1318)은 예를 들어 원시 의료 영상으로부터 양호 및/또는 불량 플라크의 영역을 식별하는 혈관의 직선화된 뷰와 같은, 하나 이상의 시각화 및/또는 GUI를 도출하거나 생성하는 것과 관련하여 본 명세서에 설명된 하나 이상의 프로세스를 수행하도록 구성될 수 있다. 몇몇 실시예에서, 위험 평가 모듈(1320)은 예를 들어 원시 의료 영상으로부터 심혈관 이벤트 또는 질환과 같은, 위험 평가를 도출하거나 생성하는 것과 관련하여 본 명세서에 설명된 하나 이상의 프로세스를 수행하도록 구성될 수 있다. 몇몇 실시예에서, 질환 추적 모듈(1322)은 예를 들어 원시 의료 영상으로부터 죽상동맥경화증, 협착증, 허혈 등과 같은 플라크 기반 질환을 추적하는 것과 관련하여 본 명세서에 설명된 하나 이상의 프로세스를 수행하도록 구성될 수 있다. 몇몇 실시예에서, 정규화 모듈(1324)은, 예를 들어 추가 처리 및/또는 분석을 위해 공지의 물질을 포함하는 정규화 디바이스의 의료 영상에 기초하여 의료 영상을 정규화 및/또는 번역하는 것과 관련하여 본 명세서에 설명된 하나 이상의 프로세스를 수행하도록 구성될 수 있다.
몇몇 실시예에서, 의료 영상 데이터베이스(1326)는 본 명세서에 설명된 다양한 분석 기술 및 프로세스 중 하나 이상에 사용되는 하나 이상의 의료 영상을 포함할 수 있다. 몇몇 실시예에서, 파라미터 데이터베이스(1328)는, 예를 들어 하나 이상의 혈관 형태 파라미터, 정량화된 플라크 파라미터, 정량화된 지방 파라미터 등과 같은, 시스템에 의해 원시 의료 영상으로부터 도출된 하나 이상의 파라미터를 포함할 수 있다. 몇몇 실시예에서, 치료 데이터베이스(1328)는 시스템에 의해 원시 의료 영상으로부터 도출된 하나 이상의 추천 치료를 포함할 수 있다. 몇몇 실시예에서, 환자 보고 데이터베이스(1332)는 시스템에 의해 원시 의료 영상으로부터 도출된 하나 이상의 환자-특정 보고 및/또는 의료 영상 분석 결과에 기초하여 환자-특정 보고를 생성하는 데 사용될 수 있는 그 하나 이상의 구성요소를 포함할 수 있다. 몇몇 실시예에서, 정규화 데이터베이스(1334)는 다양한 의료 영상을 정규화하는 하나 이상의 이력 데이터 포인트 및/또는 데이터세트 및/또는 특정 유형의 의료 영상 스캐너 및/또는 이들 영상을 획득하는 데 사용되는 특정 스캔 파라미터, 뿐만 아니라 상이한 의료 영상을 위한 이전에 사용된 정규화 변수 및/또는 번역을 포함할 수 있다.
컴퓨터 시스템
몇몇 실시예에서, 본 명세서에 설명된 시스템, 프로세스 및 방법은 도 14에 도시되어 있는 것과 같은 컴퓨팅 시스템을 사용하여 구현된다. 예시적인 컴퓨터 시스템(1402)은 하나 이상의 네트워크(1418)를 통해 하나 이상의 컴퓨팅 시스템(1420) 및/또는 하나 이상의 데이터 소스(1422)와 통신한다. 도 14는 컴퓨팅 시스템(1402)의 실시예를 도시하고 있지만, 컴퓨터 시스템(1402)의 구성요소 및 모듈에 제공된 기능은 더 적은 수의 구성요소 및 모듈로 조합되거나 부가의 구성요소 및 모듈로 더 분리될 수도 있다는 것이 인식된다.
컴퓨터 시스템(1402)은 본 명세서에 설명된 기능, 방법, 동작 및/또는 프로세스를 수행하는 의료 분석, 위험 평가 및 추적 모듈(1414)을 포함할 수 있다. 의료 분석, 위험 평가 및 추적 모듈(1414)은 아래에서 더 설명되는 중앙 처리 유닛(1406)에 의해 컴퓨터 시스템(1402)에서 실행된다.
일반적으로, 본 명세서에 사용될 때, 단어 "모듈"은 하드웨어나 펌웨어로 구현된 로직 또는 진입점 및 진출점을 갖는 소프트웨어 명령의 모음을 칭한다. 모듈은 JAVA, C 또는 C++, PYPHON 등과 같은 프로그램 언어로 기입된다. 소프트웨어 모듈은 실행 가능한 프로그램으로 컴파일링되거나 링크되고, 동적 링크 라이브러리에 설치될 수도 있거나, 또는 BASIC, PERL, LUA 또는 Python과 같은 해석된 언어로 기입될 수도 있다. 소프트웨어 모듈은 다른 모듈로부터 또는 자체로부터 호출될 수도 있고, 그리고/또는 검출된 이벤트 또는 중단에 응답하여 호출될 수도 있다. 하드웨어로 구현된 모듈은 게이트 및 플립플롭과 같은 연결된 로직 유닛을 포함하고 그리고/또는 프로그램 가능 게이트 어레이 또는 프로세서와 같은 프로그램 가능 유닛을 포함할 수도 있다.
일반적으로, 본 명세서에 설명하는 모듈은 물리적 편성 또는 저장에도 불구하고 다른 모듈과 조합되거나 하위 모듈로 분할될 수도 있는 로직 모듈을 칭한다. 모듈은 하나 이상의 컴퓨팅 시스템에 의해 실행되고, 임의의 적합한 컴퓨터 판독 가능 매체 상에 또는 내에 저장될 수도 있거나, 특수 설계된 하드웨어 또는 펌웨어 내에서 전체적으로 또는 부분적으로 구현될 수도 있다. 모든 계산, 분석 및/또는 최적화가 컴퓨터 시스템의 사용을 필요로 하는 것은 아니지만, 임의의 전술된 방법, 계산, 프로세스 또는 분석은 컴퓨터의 사용을 통해 용이하게 될 수도 있다. 또한, 몇몇 실시예에서, 본 명세서에 설명된 프로세스 블록은 변경, 재배열, 조합 및/또는 생략될 수도 있다.
컴퓨터 시스템(1402)은 마이크로프로세서를 포함할 수도 있는 하나 이상의 처리 유닛(CPU)(1406)을 포함한다. 컴퓨터 시스템(1402)은 정보의 임시 저장을 위한 랜덤 액세스 메모리(RAM), 정보의 영구 저장을 위한 판독 전용 메모리(ROM), 및 백업 저장소, 하드 드라이브, 회전 자기 디스크, 솔리드 스테이트 디스크(SSD), 플래시 메모리, 상 변화 메모리(PCM), 3D XPoint 메모리, 디스켓 또는 광학 매체 저장 디바이스와 같은 대용량 저장 디바이스(1404)와 같은 물리적 메모리(1410)를 더 포함한다. 대안적으로, 대용량 저장 디바이스는 서버의 어레이로 구현될 수도 있다. 일반적으로, 컴퓨터 시스템(1402)의 구성요소는 표준 기반 버스 시스템을 사용하여 컴퓨터에 연결된다. 버스 시스템은 주변 장치 상호접속(PCI), 마이크로 채널, SCSI, 산업 표준 아키텍처(ISA) 및 확장형 ISA(EISA) 아키텍처와 같은 다양한 프로토콜을 사용하여 구현될 수 있다.
컴퓨터 시스템(1402)은 키보드, 마우스, 터치패드 및 프린터와 같은 하나 이상의 입출력(I/O) 디바이스 및 인터페이스(1412)를 포함한다. I/O 디바이스 및 인터페이스(1412)는 사용자로의 데이터의 시각적 제시를 허용하는 모니터와 같은 하나 이상의 디스플레이 디바이스를 포함할 수 있다. 더 구체적으로, 디스플레이 디바이스는 예를 들어 애플리케이션 소프트웨어 데이터로서의 GUI의 제시 및 멀티미디어 제시를 제공한다. I/O 디바이스 및 인터페이스(1412)는 또한 다양한 외부 디바이스에 대한 통신 인터페이스를 제공할 수 있다. 컴퓨터 시스템(1402)은 예를 들어 스피커, 비디오 카드, 그래픽 가속기, 및 마이크로폰과 같은 하나 이상의 멀티미디어 디바이스(1408)를 포함할 수도 있다.
컴퓨터 시스템(1402)은 서버, Windows 서버, 구조 쿼리 언어 서버, Unix 서버, 퍼스널 컴퓨터, 랩탑 컴퓨터 등과 같은 다양한 컴퓨팅 디바이스에서 실행될 수도 있다. 다른 실시예에서, 컴퓨터 시스템(1402)은 클러스터 컴퓨터 시스템, 메인프레임 컴퓨터 시스템 및/또는 대규모 데이터베이스를 제어 및/또는 통신하고, 대용량 트랜잭션 처리를 수행하고, 대규모 데이터베이스로부터 보고를 생성하기에 적합한 다른 컴퓨팅 시스템에서 실행될 수도 있다. 컴퓨팅 시스템(1402)은 일반적으로 z/OS, Windows, Linux, UNIX, BSD, SunOS, Solaris, MacOS 또는 전용 운영 체제를 포함하는 다른 호환 가능한 운영 체제와 같은 운영 체제 소프트웨어에 의해 제어 및 조절된다. 운영 체제는 무엇보다도, 실행을 위해 컴퓨터 프로세스를 제어 및 스케쥴링하고, 메모리 관리를 수행하고, 파일 시스템, 네트워킹 및 I/O 서비스를 제공하고, 그래픽 사용자 인터페이스(GUI)와 같은 사용자 인터페이스를 제공한다.
도 14에 도시되어 있는 컴퓨터 시스템(1402)은 통신 링크(1416)(유선, 무선, 또는 그 조합)를 통해 LAN, WAN 또는 인터넷과 같은 네트워크(1418)에 결합된다. 네트워크(1418)는 다양한 컴퓨팅 디바이스 및/또는 다른 전자 디바이스와 통신한다. 네트워크(1418)는 하나 이상의 컴퓨팅 시스템(1420) 및 하나 이상의 데이터 소스(1422)와 통신하고 있다. 의료 분석, 위험 평가 및 추적 모듈(1414)은 웹 가능 사용자 액세스 포인트를 통해 컴퓨팅 시스템(1420) 및/또는 데이터 소스(1422)에 액세스할 수도 있거나 액세스될 수도 있다. 연결은 직접 물리적 연결, 가상 연결 및 다른 연결 유형일 수도 있다. 웹 가능 사용자 액세스 포인트는 데이터를 제시하고 네트워크(1418)를 통해 데이터와 상호작용을 허용하는 텍스트, 그래픽, 오디오, 비디오 및 다른 미디어를 사용하는 브라우저 모듈을 포함할 수도 있다.
컴퓨팅 시스템(1420) 및/또는 데이터 소스(1422)에 의한 컴퓨터 시스템(1402)의 의료 분석, 위험 평가 및 추적 모듈(1414)에 대한 액세스는 컴퓨팅 시스템(1420) 또는 데이터 소스(1422), 퍼스널 컴퓨터, 휴대폰, 스마트폰, 랩탑, 태블릿 컴퓨터, e-리더 디바이스, 오디오 플레이어 또는 네트워크(1418)에 연결이 가능한 다른 디바이스와 같은 웹 가능 사용자 액세스 포인트를 통해 이루어질 수도 있다. 이러한 디바이스는 데이터를 제시하고 네트워크(1418)를 통해 데이터와 상호작용을 허용하는 텍스트, 그래픽, 오디오, 비디오 및 다른 미디어를 사용하는 모듈로서 구현되는 브라우저 모듈을 가질 수도 있다.
출력 모듈은 음극선관(CRT), 액정 디스플레이(LCD), 플라즈마 디스플레이, 또는 다른 유형 및/또는 조합의 디스플레이와 같은 전점 어드레스 가능 디스플레이의 조합으로서 구현될 수도 있다. 출력 모듈은 입력 디바이스(1412)와 통신하도록 구현될 수도 있고, 이들은 사용자가 메뉴, 윈도우, 대화 박스, 툴바 및 컨트롤(예를 들어, 라디오 버튼, 체크 박스, 슬라이딩 스케일 등)과 같은 양식화된 스크린 요소의 사용을 통해 데이터에 액세스할 수 있게 하는 적절한 인터페이스를 갖는 소프트웨어를 또한 포함한다. 더욱이, 출력 모듈은 입력 및 출력 디바이스의 세트와 통신하여 사용자로부터 신호를 수신할 수도 있다.
입력 디바이스(들)는 키보드, 롤러 볼, 펜 및 스타일러스, 마우스, 트랙볼, 음성 인식 시스템, 또는 미리 지정된 스위치 또는 버튼을 포함할 수도 있다. 출력 디바이스(들)는 스피커, 디스플레이 스크린, 프린터 또는 음성 합성기를 포함할 수도 있다. 게다가, 터치스크린은 하이브리드 입출력 디바이스로 작용할 수도 있다. 다른 실시예에서, 사용자는 인터넷, WAN, LAN, 또는 유사한 네트워크를 통한 통신 없이 스코어 생성기에 연결된 시스템 터미널을 통해서와 같이 시스템과 더 직접적으로 상호작용할 수도 있다.
몇몇 실시예에서, 시스템(1402)은 실시간으로 대화형 데이터 및 데이터베이스를 온라인으로 업로드, 다운로드 또는 뷰잉하기 위한 명시적 목적을 위해 원격 마이크로프로세서와 메인프레임 호스트 컴퓨터 사이에 설정된 물리적 또는 논리적 연결을 포함할 수도 있다. 원격 마이크로프로세서는 클라이언트 서버 시스템 또는 메인 서버 시스템을 포함하는 컴퓨터 시스템(1402)을 동작하는 엔티티에 의해 동작될 수도 있고 그리고/또는 하나 이상의 데이터 소스(1422) 및/또는 하나 이상의 컴퓨팅 시스템(1420)에 의해 동작될 수도 있다. 몇몇 실시예에서, 터미널 에뮬레이션 소프트웨어가 마이크로-메인프레임 링크에 참여하기 위해 마이크로프로세서에서 사용될 수도 있다.
몇몇 실시예에서, 컴퓨터 시스템(1402)을 동작하는 엔티티 내부에 있는 컴퓨팅 시스템(1420)은 CPU(1406)에 의해 실행되는 애플리케이션 또는 프로세스로서 내부적으로 의료 분석, 위험 평가 및 추적 모듈(1414)에 액세스할 수도 있다.
컴퓨팅 시스템(1402)은 하나 이상의 내부 및/또는 외부 데이터 소스(예를 들어, 데이터 소스(1422))를 포함할 수도 있다. 몇몇 실시예에서, 전술된 데이터 저장소 및 데이터 소스 중 하나 이상은 DB2, Sybase, Oracle, CodeBase 및 Microsoft® SQL Server과 같은 관계형 데이터베이스 뿐만 아니라 플랫 파일 데이터베이스, 엔티티 관계 데이터베이스, 객체 지향 데이터베이스 및/또는 레코드 기반 데이터베이스와 같은 다른 유형의 데이터베이스를 사용하여 구현될 수도 있다.
컴퓨터 시스템(1402)은 또한 하나 이상의 데이터베이스(1422)에 액세스할 수도 있다. 데이터베이스(1422)는 데이터베이스 또는 데이터 저장소에 저장될 수도 있다. 컴퓨터 시스템(1402)은 네트워크(1418)를 통해 하나 이상의 데이터베이스(1422)에 액세스할 수도 있거나 I/O 디바이스 및 인터페이스(1412)를 통해 데이터베이스 또는 데이터 저장소에 직접 액세스할 수도 있다. 하나 이상의 데이터베이스(1422)를 저장하는 데이터 저장소는 컴퓨터 시스템(1402) 내에 상주할 수도 있다.
몇몇 실시예에서, 본 명세서에 설명된 시스템, 방법 및 디바이스의 하나 이상의 특징은 예를 들어 데이터 또는 사용자 정보를 저장 및/또는 전송하기 위해 URL 및/또는 쿠키를 이용할 수 있다. 유니폼 리소스 로케이터(URL)는 웹 어드레스 및/또는 데이터베이스 및/또는 서버에 저장된 웹 리소스에 대한 참조를 포함할 수 있다. URL은 컴퓨터 및/또는 컴퓨터 네트워크에서 리소스의 위치를 지정할 수 있다. URL은 네트워크 리소스를 검색하는 메커니즘을 포함할 수 있다. 네트워크 리소스의 소스는 URL을 수신하고, 웹 리소스의 위치를 식별하고, 웹 리소스를 요청자에게 다시 전송할 수 있다. URL은 IP 어드레스로 변환될 수 있고, 도메인 이름 시스템(DNS)은 URL과 그 대응 IP 어드레스를 조회할 수 있다. URL은 웹 페이지, 파일 전송, 이메일, 데이터베이스 액세스 및 다른 애플리케이션에 대한 참조일 수 있다. URL은 경로, 도메인 이름, 파일 확장자, 호스트 이름, 쿼리, 단편, 체계, 프로토콜 식별자, 포트 번호, 사용자 이름, 패스워드, 플래그, 객체, 리소스 이름, 및/또는 기타를 식별하는 문자열을 포함할 수 있다. 본 명세서에 개시된 시스템은 URL에 대한 액션을 생성, 수신, 전송, 적용, 파싱, 직렬화, 렌더링 및/또는 수행할 수 있다.
HTTP 쿠키, 웹 쿠키, 인터넷 쿠키 및 브라우저 쿠키라고도 또한 칭하는 쿠키는 웹사이트로부터 송신되고 그리고/또는 사용자의 컴퓨터에 저장된 데이터를 포함할 수 있다. 이 데이터는 사용자가 브라우징하는 동안 사용자의 웹 브라우저에 의해 저장될 수 있다. 쿠키는 웹사이트가 온라인 상점의 장바구니, 버튼의 클릭, 로그인 정보 및/또는 과거에 방문한 웹 페이지 또는 네트워크 리소스의 기록과 같은 이전 브라우징 정보를 기억하게 하는 데 유용한 정보를 포함할 수 있다. 쿠키는 이름, 어드레스, 패스워드, 신용카드 정보 등과 같은, 사용자가 입력하는 정보를 또한 포함할 수 있다. 쿠키는 또한 컴퓨터 기능을 수행할 수 있다. 예를 들어, 인증 쿠키는 사용자가 이미 로그인(예를 들어, 웹사이트에)했는지 여부를 식별하기 위해 애플리케이션(예를 들어, 웹 브라우저)에 의해 사용될 수 있다. 쿠키 데이터는 소비자에 대한 보안을 제공하기 위해 암호화될 수 있다. 추적 쿠키는 개인의 이력 브라우징 기록을 컴파일링하는 데 사용될 수 있다. 본 명세서에 개시된 시스템은 개인의 데이터에 액세스하기 위해 쿠키를 생성하고 사용할 수 있다. 시스템은 또한 진정성 정보를 저장하기 위한 JSON 웹 토큰, 인증 프로토콜로서의 HTTP 인증, 세션 또는 아이덴티티 정보를 추적하기 위한 IP 어드레스, URL 등을 생성하고 사용할 수 있다.
예시적인 실시예
이하는 관상 플라크를 특성화하는 시스템 및 방법의 특정 실시예의 비한정적인 예이다. 다른 실시예는 본 명세서에 설명되는 하나 이상의 다른 특징 또는 상이한 특징을 포함할 수도 있다.
실시예 1: 비침습적 의료 영상 분석에 기초하여 대상의 관상 영역 내의 관상 플라크를 정량화하고 분류하는 컴퓨터 구현 방법이며, 방법은 컴퓨터 시스템에 의해, 대상의 관상 영역의 의료 영상에 액세스하는 단계로서, 대상의 관상 영역의 의료 영상은 비침습적으로 획득되는, 액세스 단계; 관상 동맥 식별 알고리즘을 이용하는 컴퓨터 시스템에 의해, 대상의 관상 영역의 의료 영상 내의 하나 이상의 관상 동맥을 식별하는 단계로서, 관상 동맥 식별 알고리즘은 입력으로서 원시 의료 영상을 이용하도록 구성되는, 식별 단계; 플라크 식별 알고리즘을 이용하는 컴퓨터 시스템에 의해, 대상의 관상 영역의 의료 영상으로부터 식별된 하나 이상의 관상 동맥 내의 플라크의 하나 이상의 영역을 식별하는 단계로서, 플라크 식별 알고리즘은 입력으로서 원시 의료 영상을 이용하도록 구성되는, 식별 단계; 컴퓨터 시스템에 의해, 대상의 관상 영역의 의료 영상으로부터 플라크의 하나 이상의 식별된 영역의 하나 이상의 혈관 형태 파라미터 및 정량화된 플라크 파라미터의 세트를 결정하는 단계로서, 정량화된 플라크 파라미터의 세트는 의료 영상 내의 플라크의 하나 이상의 영역의 표면적에 대한 체적의 비 또는 함수, 이질성 지수, 기하학 형상, 및 방사선 밀도를 포함하는, 결정 단계; 컴퓨터 시스템에 의해, 결정된 하나 이상의 혈관 형태 파라미터의 가중 측정치 및 플라크의 하나 이상의 영역의 정량화된 플라크 파라미터의 세트를 생성하는 단계; 및 컴퓨터 시스템에 의해, 결정된 하나 이상의 혈관 형태 파라미터 및 정량화된 플라크 파라미터의 결정된 세트의 생성된 가중 측정치에 적어도 부분적으로 기초하여 의료 영상 내의 플라크의 하나 이상의 영역을 안정 플라크 또는 불안정 플라크로서 분류하는 단계를 포함하고, 컴퓨터 시스템은 컴퓨터 프로세서 및 전자 저장 매체를 포함하는, 컴퓨터 구현 방법.
실시예 2: 실시예 1에 있어서, 관상 동맥 식별 알고리즘 또는 플라크 식별 알고리즘 중 하나 이상은 인공 지능 또는 기계 학습 알고리즘을 포함하는, 컴퓨터 구현 방법.
실시예 3: 실시예 1 또는 2 중 어느 하나에 있어서, 플라크 식별 알고리즘은 하나 이상의 관상 동맥의 혈관 벽과 내강 벽을 결정하고 혈관 벽과 내강 벽 사이의 체적을 하나 이상의 플라크의 영역으로서 결정함으로써 플라크의 하나 이상의 영역을 결정하도록 구성되는, 컴퓨터 구현 방법.
실시예 4: 실시예 1 내지 3 중 어느 하나에 있어서, 하나 이상의 관상 동맥은 크기에 의해 식별되는, 컴퓨터 구현 방법.
실시예 5: 실시예 1 내지 4 중 어느 하나에 있어서, 미리 결정된 임계값 미만의 플라크의 하나 이상의 영역의 표면적에 대한 체적의 비는 안정 플라크를 나타내는, 컴퓨터 구현 방법.
실시예 6: 실시예 1 내지 5 중 어느 하나에 있어서, 미리 결정된 임계값을 초과하는 플라크의 하나 이상의 영역의 방사선 밀도는 안정 플라크를 나타내는, 컴퓨터 구현 방법.
실시예 7: 실시예 1 내지 6 중 어느 하나에 있어서, 미리 결정된 임계값 미만인 플라크의 하나 이상의 영역의 이질성은 안정 플라크를 나타내는, 컴퓨터 구현 방법.
실시예 8: 실시예 1 내지 7 중 어느 하나에 있어서, 정량화된 플라크 파라미터의 세트는 플라크의 하나 이상의 영역의 확산율을 더 포함하는, 컴퓨터 구현 방법.
실시예 9: 실시예 1 내지 8 중 어느 하나에 있어서, 정량화된 플라크 파라미터의 세트는 플라크의 하나 이상의 영역의 체적에 대한 방사선 밀도의 비를 더 포함하는, 컴퓨터 구현 방법.
실시예 10: 실시예 1 내지 9 중 어느 하나에 있어서, 컴퓨터 시스템에 의해, 분류된 플라크의 하나 이상의 영역에 적어도 부분적으로 기초하여 대상에 대한 제안된 치료를 생성하는 단계를 더 포함하는, 컴퓨터 구현 방법.
실시예 11: 실시예 1 내지 10 중 어느 하나에 있어서, 컴퓨터 시스템에 의해, 분류된 플라크의 하나 이상의 영역에 적어도 부분적으로 기초하여 죽상동맥경화증, 협착증 또는 허혈 중 하나 이상에 대한 대상의 평가를 생성하는 단계를 더 포함하는, 컴퓨터 구현 방법.
실시예 12: 실시예 1 내지 11 중 어느 하나에 있어서, 의료 영상은 컴퓨터 단층 촬영(CT) 영상을 포함하는, 컴퓨터 구현 방법.
실시예 13: 실시예 12에 있어서, 의료 영상은 비조영 CT 영상을 포함하는, 컴퓨터 구현 방법.
실시예 14: 실시예 12에 있어서, 의료 영상은 조영 증강 CT 영상을 포함하는, 컴퓨터 구현 방법.
실시예 15: 실시예 1 내지 11 중 어느 하나에 있어서, 의료 영상은 자기 공명(MR) 영상을 포함하는, 컴퓨터 구현 방법.
실시예 16: 실시예 1 내지 11 중 어느 하나에 있어서, 의료 영상은 CT, x-레이, 초음파, 심장초음파, 혈관내 초음파(IVUS), MR 영상, 광 간섭 단층 촬영(OCT), 핵의학 영상, 양전자 방출 단층 촬영(PET), 단일 광자 방출 컴퓨터 단층 촬영(SPECT) 또는 근거리 적외선 분광법(NIRS) 중 하나 이상을 포함하는 영상 기술을 사용하여 획득되는, 컴퓨터 구현 방법.
실시예 17: 실시예 1 내지 16 중 어느 하나에 있어서, 플라크의 하나 이상의 영역의 이질성 지수는 플라크의 하나 이상의 영역의 기하학적 형상을 가로지르는 방사선 밀도 값의 3차원 막대 그래프를 생성함으로써 결정되는, 컴퓨터 구현 방법.
실시예 18: 실시예 1 내지 17 중 어느 하나에 있어서, 플라크의 하나 이상의 영역의 이질성 지수는 플라크의 하나 이상의 영역을 가로지르는 방사선 밀도 값의 공간 맵핑을 생성함으로써 결정되는, 컴퓨터 구현 방법.
실시예 19: 실시예 1 내지 18 중 어느 하나에 있어서, 정량화된 플라크 파라미터의 세트는 상이한 방사선 밀도 값을 포함하는 플라크의 백분율 조성을 포함하는, 컴퓨터 구현 방법.
실시예 20: 실시예 1 내지 19 중 어느 하나에 있어서, 정량화된 플라크 파라미터의 세트는 플라크의 체적의 함수로서 상이한 방사선 밀도 값을 포함하는 플라크의 백분율 조성을 포함하는, 컴퓨터 구현 방법.
실시예 21: 실시예 1 내지 20 중 어느 하나에 있어서, 플라크의 하나 이상의 영역의 기하학 형상은 둥근형 또는 장방형 형상을 포함하는, 컴퓨터 구현 방법.
실시예 22: 실시예 1 내지 21 중 어느 하나에 있어서, 하나 이상의 혈관 형태 파라미터는 동맥 리모델링의 분류를 포함하는, 컴퓨터 구현 방법.
실시예 23: 실시예 22에 있어서, 동맥 리모델링의 분류는 양성 동맥 리모델링, 음성 동맥 리모델링 및 중간 동맥 리모델링을 포함하는, 컴퓨터 구현 방법.
실시예 24: 실시예 22에 있어서, 동맥 리모델링의 분류는 정상 기준 혈관 직경에 대한 플라크의 하나 이상의 영역에서 최대 혈관 직경의 비에 적어도 부분적으로 기초하여 결정되는, 컴퓨터 구현 방법.
실시예 25: 실시예 23에 있어서, 동맥 리모델링의 분류는 양성 동맥 리모델링, 음성 동맥 리모델링 및 중간 동맥 리모델링을 포함하고, 양성 동맥 리모델링은 정상 기준 혈관 직경에 대한 플라크의 하나 이상의 영역에서 최대 혈관 직경의 비가 1.1 초과일 때 결정되고, 음성 동맥 리모델링은 정상 기준 혈관 직경에 대한 플라크의 하나 이상의 영역에서 최대 혈관 직경의 비가 0.95 미만일 때 결정되고, 중간 동맥 리모델링은 정상 기준 혈관 직경에 대한 플라크의 하나 이상의 영역에서의 최대 혈관 직경의 비가 0.95 내지 1.1일 때 결정되는, 컴퓨터 구현 방법.
실시예 26: 실시예 1 내지 25 중 어느 하나에 있어서, 플라크의 하나 이상의 영역의 표면적에 대한 체적의 함수는 플라크의 하나 이상의 영역의 두께 또는 직경 중 하나 이상을 포함하는, 컴퓨터 구현 방법.
실시예 27: 실시예 1 내지 26 중 어느 하나에 있어서, 가중 측정치는 플라크의 하나 이상의 영역의 하나 이상의 혈관 형태 파라미터 및 정량화된 플라크 파라미터의 세트를 동등하게 가중함으로써 생성되는, 컴퓨터 구현 방법.
실시예 28: 실시예 1 내지 26 중 어느 하나에 있어서, 가중 측정치는 플라크의 하나 이상의 영역의 하나 이상의 혈관 형태 파라미터 및 정량화된 플라크 파라미터의 세트를 상이하게 가중함으로써 생성되는, 컴퓨터 구현 방법.
실시예 29: 실시예 1 내지 26 중 어느 하나에 있어서, 가중 측정치는 플라크의 하나 이상의 영역의 하나 이상의 혈관 형태 파라미터 및 정량화된 플라크 파라미터의 세트를 로그함수적으로, 대수적으로, 또는 다른 수학적 변환을 이용하여 가중함으로써 생성되는, 컴퓨터 구현 방법.
실시예 30: 비침습적 의료 영상 분석에 기초하여 혈관 플라크를 정량화하고 분류하는 컴퓨터 구현 방법이며, 방법은 컴퓨터 시스템에 의해, 대상의 의료 영상에 액세스하는 단계로서, 대상의 의료 영상은 비침습적으로 획득되는, 액세스 단계; 동맥 식별 알고리즘을 이용하는 컴퓨터 시스템에 의해, 대상의 의료 영상 내의 하나 이상의 동맥을 식별하는 단계로서, 동맥 식별 알고리즘은 입력으로서 원시 의료 영상을 이용하도록 구성되는, 식별 단계; 플라크 식별 알고리즘을 이용하는 컴퓨터 시스템에 의해, 대상의 의료 영상으로부터 식별된 하나 이상의 동맥 내의 플라크의 하나 이상의 영역을 식별하는 단계로서, 플라크 식별 알고리즘은 입력으로서 원시 의료 영상을 이용하도록 구성되는, 식별 단계; 컴퓨터 시스템에 의해, 대상의 의료 영상으로부터 플라크의 하나 이상의 식별된 영역의 하나 이상의 혈관 형태 파라미터 및 정량화된 플라크 파라미터의 세트를 결정하는 단계로서, 정량화된 플라크 파라미터의 세트는 의료 영상으로부터 플라크의 하나 이상의 영역의 표면적에 대한 체적의 비 또는 함수, 이질성 지수, 기하학 형상, 및 방사선 밀도를 포함하는, 결정 단계; 컴퓨터 시스템에 의해, 결정된 하나 이상의 혈관 형태 파라미터의 가중 측정치 및 플라크의 하나 이상의 영역의 정량화된 플라크 파라미터의 세트를 생성하는 단계; 및 컴퓨터 시스템에 의해, 결정된 하나 이상의 혈관 형태 및 정량화된 플라크 파라미터의 결정된 세트의 생성된 가중 측정치에 적어도 부분적으로 기초하여 의료 영상 내의 플라크의 하나 이상의 영역을 안정 플라크 또는 불안정 플라크로서 분류하는 단계를 포함하고, 컴퓨터 시스템은 컴퓨터 프로세서 및 전자 저장 매체를 포함하는, 컴퓨터 구현 방법.
실시예 31: 실시예 30에 있어서, 식별된 하나 이상의 동맥은 경동맥, 대동맥, 신장 동맥, 하지 동맥, 또는 대뇌 동맥 중 하나 이상을 포함하는, 컴퓨터 구현 방법.
실시예 32: 비조영 컴퓨터 단층 촬영(CT) 영상으로부터 비석회화 플라크를 결정하는 컴퓨터 구현 방법이며, 방법은 컴퓨터 시스템에 의해, 대상의 관상 영역의 비조영 CT 영상에 액세스하는 단계; 컴퓨터 시스템에 의해, 비조영 CT 영상에서 심장외막 지방을 식별하는 단계; 컴퓨터 시스템에 의해, 동맥의 외부 경계로서 식별된 심장외막 지방을 사용하여 비조영 CT 영상에서 동맥을 세그먼트화하는 단계; 컴퓨터 시스템에 의해, 미리 결정된 방사선 밀도 임계값 미만의 하운즈필드 단위 방사선 밀도 값을 포함하는 비조영 CT 영상 상의 동맥 내의 픽셀의 제1 세트를 식별하는 단계; 컴퓨터 시스템에 의해, 픽셀의 제1 세트를 비석회화 플라크의 제1 서브세트로서 분류하는 단계; 컴퓨터 시스템에 의해, 미리 결정된 방사선 밀도 범위 내의 하운즈필드 단위 방사선 밀도 값을 포함하는 비조영 CT 영상 상의 동맥 내의 픽셀의 제2 세트를 식별하는 단계; 컴퓨터 시스템에 의해, 픽셀의 제2 세트의 이질성 지수를 결정하고, 이질성 지수 임계값 초과의 이질성 지수를 포함하는 픽셀의 제2 세트의 서브세트를 식별하는 단계; 컴퓨터 시스템에 의해, 픽셀의 제2 세트의 서브세트를 비석회화 플라크의 제2 서브세트로서 분류하는 단계; 및 컴퓨터 시스템에 의해, 비석회화 플라크의 제1 서브세트와 비석회화 플라크의 제2 서브세트를 조합함으로써 비조영 CT 영상으로부터 비석회화 플라크를 결정하는 단계를 포함하고, 컴퓨터 시스템은 컴퓨터 프로세서 및 전자 저장 매체를 포함하는, 컴퓨터 구현 방법.
실시예 33: 실시예 32에 있어서, 미리 결정된 방사선 밀도 임계값은 30의 하운즈필드 단위 방사선 밀도 값을 포함하는, 컴퓨터 구현 방법.
실시예 34: 실시예 32 내지 33 중 어느 하나에 있어서, 미리 결정된 방사선 밀도 범위는 30 내지 100의 하운즈필드 단위 방사선 밀도 값을 포함하는, 컴퓨터 구현 방법.
실시예 35: 실시예 32 내지 34 중 어느 하나에 있어서, 비조영 CT 영상에서 심장외막 지방을 식별하는 단계는: 비조영 CT 영상 내의 각각의 픽셀의 하운즈필드 단위 방사선 밀도 값을 결정하는 단계; 및 미리 결정된 심장외막 지방 방사선 밀도 범위 내의 하운즈필드 단위 방사선 밀도 값을 갖는 비조영 CT 영상 내의 심장외막 지방 픽셀로서 분류하는 단계를 더 포함하고, 미리 결정된 심장외막 지방 방사선 밀도 범위는 -100의 하운즈필드 단위 방사선 밀도 값을 포함하는, 컴퓨터 구현 방법.
실시예 36: 실시예 32 내지 35 중 어느 하나에 있어서, 픽셀의 제2 세트의 이질성 지수는 픽셀의 제2 세트의 방사선 밀도 값의 공간 맵핑을 생성함으로써 결정되는, 컴퓨터 구현 방법.
실시예 37: 실시예 32 내지 36 중 어느 하나에 있어서, 픽셀의 제2 세트의 이질성 지수는 픽셀의 제2 세트 내의 기하학 영역을 가로지르는 방사선 밀도 값의 3차원 막대 그래프를 생성함으로써 결정되는, 컴퓨터 구현 방법.
실시예 38: 실시예 32 내지 37 중 어느 하나에 있어서, 컴퓨터 시스템에 의해, 이질성 지수 임계값 미만의 이질성 지수를 포함하는 픽셀의 제2 세트의 서브세트를 혈액으로서 분류하는 단계를 더 포함하는, 컴퓨터 구현 방법.
실시예 39: 실시예 32 내지 38 중 어느 하나에 있어서, 식별된 심장외막 지방에 제1 컬러를 할당하고, 세그먼트화된 동맥에 제2 컬러를 할당하고, 결정된 비석회화 플라크에 제3 컬러를 할당함으로써 대상의 관상 영역의 양자화된 컬러 맵을 생성하는 단계를 더 포함하는, 컴퓨터 구현 방법.
실시예 40: 실시예 32 내지 39 중 어느 하나에 있어서, 컴퓨터 시스템에 의해, 미리 결정된 석회화 방사선 밀도 임계값 초과의 하운즈필드 단위 방사선 밀도 값을 포함하는 비조영 CT 영상 상의 동맥 내의 픽셀의 제3 세트를 식별하는 단계; 및 컴퓨터 시스템에 의해, 픽셀의 제3 세트를 석회화된 플라크로서 분류하는 단계를 더 포함하는, 컴퓨터 구현 방법.
실시예 41: 실시예 32 내지 40 중 어느 하나에 있어서, 컴퓨터 시스템에 의해, 결정된 비석회화 플라크에 적어도 부분적으로 기초하여 제안된 치료를 결정하는 단계를 더 포함하는, 컴퓨터 구현 방법.
실시예 42: 대상의 의료 영상으로부터 저감쇠 플라크를 결정하는 컴퓨터 구현 방법이며, 방법은 컴퓨터 시스템에 의해, 대상의 의료 영상에 액세스하는 단계; 컴퓨터 시스템에 의해, 대상의 의료 영상 내의 각각의 픽셀의 방사선 밀도 값을 결정하고; 미리 결정된 심장외막 지방 방사선 밀도 범위 내의 방사선 밀도 값을 갖는 대상의 의료 영상 내의 심장외막 지방 픽셀로서 분류함으로써 대상의 의료 영상에서 심장외막 지방을 식별하는 단계; 컴퓨터 시스템에 의해, 동맥의 외부 경계로서 식별된 심장외막 지방을 사용하여 대상의 의료 영상에서 동맥을 세그먼트화하는 단계; 컴퓨터 시스템에 의해, 미리 결정된 방사선 밀도 임계값 미만의 방사선 밀도 값을 포함하는 대상의 의료 영상 상의 동맥 내의 픽셀의 제1 세트를 식별하는 단계; 컴퓨터 시스템에 의해, 픽셀의 제1 세트를 저감쇠 플라크의 제1 서브세트로서 분류하는 단계; 컴퓨터 시스템에 의해, 미리 결정된 방사선 밀도 범위 내의 방사선 밀도 값을 포함하는 비조영 CT 영상 상의 동맥 내의 픽셀의 제2 세트를 식별하는 단계; 컴퓨터 시스템에 의해, 픽셀의 제2 세트의 이질성 지수를 결정하고, 이질성 지수 임계값 초과의 이질성 지수를 포함하는 픽셀의 제2 세트의 서브세트를 식별하는 단계; 컴퓨터 시스템에 의해, 픽셀의 제2 세트의 서브세트를 저감쇠 플라크의 제2 서브세트로서 분류하는 단계; 및 컴퓨터 시스템에 의해, 저감쇠 플라크의 제1 서브세트와 저감쇠 플라크의 제2 서브세트를 조합함으로써 대상의 의료 영상으로부터 저감쇠 플라크를 결정하는 단계를 포함하고, 컴퓨터 시스템은 컴퓨터 프로세서 및 전자 저장 매체를 포함하는, 컴퓨터 구현 방법.
실시예 43: 실시예 42에 있어서, 의료 영상은 컴퓨터 단층 촬영(CT) 영상을 포함하는, 컴퓨터 구현 방법.
실시예 44: 실시예 42에 있어서, 의료 영상은 자기 공명(MR) 영상을 포함하는, 컴퓨터 구현 방법.
실시예 45: 실시예 42에 있어서, 의료 영상은 초음파 영상을 포함하는, 컴퓨터 구현 방법.
실시예 46: 실시예 42 내지 45 중 어느 하나에 있어서, 의료 영상은 대상의 관상 영역의 영상을 포함하는, 컴퓨터 구현 방법.
실시예 47: 실시예 42 내지 46 중 어느 하나에 있어서, 컴퓨터 시스템에 의해, 결정된 저감쇠 플라크에 적어도 부분적으로 기초하여 질환을 위한 제안된 치료를 결정하는 단계를 더 포함하는, 컴퓨터 구현 방법.
실시예 48: 실시예 47에 있어서, 질환은 동맥 질환, 신장 동맥 질환, 복부 죽상동맥경화증, 또는 경동맥 죽상동맥경화증 중 하나 이상을 포함하는, 컴퓨터 구현 방법.
실시예 49: 실시예 42 내지 48 중 어느 하나에 있어서, 픽셀의 제2 세트의 이질성 지수는 픽셀의 제2 세트의 방사선 밀도 값의 공간 맵핑을 생성함으로써 결정되는, 컴퓨터 구현 방법.
실시예 50: 이중 에너지 컴퓨터 단층 촬영(DECT) 영상 또는 스펙트럼 컴퓨터 단층 촬영(CT) 영상으로부터 비석회화 플라크를 결정하는 컴퓨터 구현 방법이며, 방법은 컴퓨터 시스템에 의해, 대상의 관상 영역의 DECT 또는 스펙트럼 CT 영상에 액세스하는 단계; 컴퓨터 시스템에 의해, DECT 영상 또는 스펙트럼 CT에서 심장외막 지방을 식별하는 단계; 컴퓨터 시스템에 의해, DECT 영상 또는 스펙트럼 CT의 동맥을 세그먼트화하는 단계; 컴퓨터 시스템에 의해, 미리 결정된 방사선 밀도 임계값 미만의 하운즈필드 단위 방사선 밀도 값을 포함하는 DECT 또는 스펙트럼 CT 영상 상의 동맥 내의 픽셀의 제1 세트를 식별하는 단계; 컴퓨터 시스템에 의해, 픽셀의 제1 세트를 비석회화 플라크의 제1 서브세트로서 분류하는 단계; 컴퓨터 시스템에 의해, 미리 결정된 방사선 밀도 범위 내의 하운즈필드 단위 방사선 밀도 값을 포함하는 DECT 또는 스펙트럼 CT 영상 상의 동맥 내의 픽셀의 제2 세트를 식별하는 단계; 컴퓨터 시스템에 의해, 픽셀의 제2 세트의 서브세트를 비석회화 플라크의 제2 서브세트로서 분류하는 단계; 및 컴퓨터 시스템에 의해, 비석회화 플라크의 제1 서브세트와 비석회화 플라크의 제2 서브세트를 조합함으로써 DECT 영상 또는 스펙트럼 CT로부터 비석회화 플라크를 결정하는 단계를 포함하고, 컴퓨터 시스템은 컴퓨터 프로세서 및 전자 저장 매체를 포함하는, 컴퓨터 구현 방법.
실시예 51: 실시예 50에 있어서, 픽셀의 제2 세트의 서브세트는 컴퓨터 시스템에 의해, 픽셀의 제2 세트의 이질성 지수를 결정하고, 이질성 지수 임계값 초과의 이질성 지수를 포함하는 픽셀의 제2 세트의 서브세트를 식별함으로써 식별되는, 컴퓨터 구현 방법.
실시예 52: 비침습적 의료 영상 분석에 기초하여 대상에 대한 심혈관 이벤트의 위험을 평가하는 컴퓨터 구현 방법이며, 방법은 컴퓨터 시스템에 의해, 대상의 관상 영역의 의료 영상에 액세스하는 단계로서, 대상의 관상 영역의 의료 영상은 비침습적으로 획득되는, 액세스 단계; 관상 동맥 식별 알고리즘을 이용하는 컴퓨터 시스템에 의해, 대상의 관상 영역의 의료 영상 내의 하나 이상의 관상 동맥을 식별하는 단계로서, 관상 동맥 식별 알고리즘은 입력으로서 원시 의료 영상을 이용하도록 구성되는, 식별 단계; 플라크 식별 알고리즘을 이용하는 컴퓨터 시스템에 의해, 대상의 관상 영역의 의료 영상으로부터 식별된 하나 이상의 관상 동맥 내의 플라크의 하나 이상의 영역을 식별하는 단계로서, 플라크 식별 알고리즘은 입력으로서 원시 의료 영상을 이용하도록 구성되는, 식별 단계; 컴퓨터 시스템에 의해, 대상의 관상 영역의 의료 영상으로부터 플라크의 하나 이상의 식별된 영역의 하나 이상의 혈관 형태 파라미터 및 정량화된 플라크 파라미터의 세트를 결정하는 단계로서, 정량화된 플라크 파라미터의 세트는 의료 영상 내의 플라크의 하나 이상의 영역의 표면적에 대한 체적의 비 또는 함수, 이질성 지수, 기하학 형상, 및 방사선 밀도를 포함하는, 결정 단계; 컴퓨터 시스템에 의해, 결정된 하나 이상의 혈관 형태 파라미터의 가중 측정치 및 플라크의 하나 이상의 영역의 정량화된 플라크 파라미터의 세트를 생성하는 단계; 컴퓨터 시스템에 의해, 결정된 하나 이상의 혈관 형태 파라미터 및 정량화된 플라크 파라미터의 결정된 세트의 생성된 가중 측정치에 적어도 부분적으로 기초하여 의료 영상 내의 플라크의 하나 이상의 영역을 안정 플라크 또는 불안정 플라크로서 분류하는 단계; 컴퓨터 시스템에 의해, 안정 플라크 또는 불안정 플라크로서 분류된 플라크의 하나 이상의 영역에 적어도 부분적으로 기초하여 대상에 대한 심혈관 이벤트의 위험을 생성하는 단계; 컴퓨터 시스템에 의해, 하나 이상의 다른 대상으로부터 도출된 관상 값의 하나 이상의 공지의 데이터세트를 포함하는 관상 값 데이터베이스에 액세스하고 안정 플라크 또는 불안정 플라크로서 분류된 플라크의 하나 이상의 영역을 관상 값의 하나 이상의 공지의 데이터세트에 비교하는 단계; 컴퓨터 시스템에 의해, 관상 값의 하나 이상의 공지의 데이터세트에 대한 안정 플라크 또는 불안정 플라크로서 분류된 플라크의 하나 이상의 영역의 비교에 적어도 부분적으로 기초하여 대상에 대해 생성된 심혈관 이벤트의 위험을 업데이트하는 단계; 및 컴퓨터 시스템에 의해, 관상 값의 하나 이상의 공지의 데이터세트에 대한 안정 플라크 또는 불안정 플라크로서 분류된 플라크의 하나 이상의 영역의 비교에 적어도 부분적으로 기초하여 대상에 대해 제안된 치료를 생성하는 단계를 포함하고; 컴퓨터 시스템은 컴퓨터 프로세서 및 전자 저장 매체를 포함하는, 컴퓨터 구현 방법.
실시예 53: 실시예 52에 있어서, 심혈관 이벤트는 주요 심혈관 이벤트(MACE), 급속 플라크 진행, 또는 약물에 대한 무반응 중 하나 이상을 포함하는, 컴퓨터 구현 방법.
실시예 54: 실시예 52 내지 53 중 어느 하나에 있어서, 관상 값의 하나 이상의 공지의 데이터세트는 건강한 대상의 의료 영상으로부터 도출된 안정 플라크 및 불안정 플라크의 하나 이상의 파라미터를 포함하는, 컴퓨터 구현 방법.
실시예 55: 실시예 52 내지 54 중 어느 하나에 있어서, 하나 이상의 다른 대상은 건강한, 컴퓨터 구현 방법.
실시예 56: 실시예 52 내지 55 중 어느 하나에 있어서, 하나 이상의 다른 대상은 증대된 심혈관 이벤트의 위험을 갖는, 컴퓨터 구현 방법.
실시예 57: 실시예 52 내지 57 중 어느 하나에 있어서, 컴퓨터 시스템에 의해, 의료 영상 내의 하나 이상의 부가의 심혈관 구조를 식별하는 단계로서, 하나 이상의 부가의 심혈관 구조는 좌심실, 우심실, 좌심방, 우심방, 대동맥 판막, 승모 판막, 삼첨 판막, 폐동맥 판막, 대동맥, 폐동맥, 하대정맥 및 상대정맥, 심장외막 지방 또는 심막 중 하나 이상을 포함하는, 식별 단계; 컴퓨터 시스템에 의해, 식별된 하나 이상의 부가의 심혈관 구조와 연관된 하나 이상의 파라미터를 결정하는 단계; 컴퓨터 시스템에 의해, 결정된 하나 이상의 파라미터에 적어도 부분적으로 기초하여 하나 이상의 부가의 심혈관 구조를 분류하는 단계; 컴퓨터 시스템에 의해, 하나 이상의 다른 대상의 의료 영상으로부터 도출된 심혈관 구조 파라미터의 하나 이상의 공지의 데이터세트를 포함하는 심혈관 구조 값 데이터베이스에 액세스하고 분류된 하나 이상의 부가의 심혈관 구조를 심혈관 구조 파라미터의 하나 이상의 공지의 데이터세트와 비교하는 단계; 및 컴퓨터 시스템에 의해, 심혈관 구조 파라미터의 하나 이상의 공지의 데이터세트에 대한 분류된 하나 이상의 부가의 심혈관 구조의 비교에 적어도 부분적으로 기초하여 대상에 대해 생성된 심혈관 이벤트의 위험을 업데이트하는 단계를 더 포함하는, 컴퓨터 구현 방법.
실시예 58: 실시예 57에 있어서, 하나 이상의 부가의 심혈관 구조는 정상 또는 비정상으로서 분류되는, 컴퓨터 구현 방법.
실시예 59: 실시예 57에 있어서, 하나 이상의 부가의 심혈관 구조는 증가 또는 감소된 것으로서 분류되는, 컴퓨터 구현 방법.
실시예 60: 실시예 57에 있어서, 하나 이상의 부가의 심혈관 구조는 시간 경과에 따라 정적 또는 동적으로서 분류되는, 컴퓨터 구현 방법.
실시예 61: 실시예 57 내지 60 중 어느 하나에 있어서, 컴퓨터 시스템에 의해, 부가의 심혈관 구조에 대한 양자화된 컬러 맵을 생성하는 단계를 더 포함하는, 컴퓨터 구현 방법.
실시예 62: 실시예 57 내지 61 중 어느 하나에 있어서, 컴퓨터 시스템에 의해, 심혈관 구조 파라미터의 하나 이상의 공지의 데이터세트에 대한 분류된 하나 이상의 부가의 심혈관 구조의 비교에 적어도 부분적으로 기초하여 대상에 대한 제안된 치료를 업데이트하는 단계를 더 포함하는, 컴퓨터 구현 방법.
실시예 63: 실시예 57 내지 62 중 어느 하나에 있어서, 컴퓨터 시스템에 의해, 의료 영상 내의 하나 이상의 비심혈관 구조를 식별하는 단계로서, 하나 이상의 비심혈관 구조는 폐, 뼈 또는 간 중 하나 이상을 포함하는 식별 단계; 컴퓨터 시스템에 의해, 식별된 하나 이상의 비심혈관 구조와 연관된 하나 이상의 파라미터를 결정하는 단계; 컴퓨터 시스템에 의해, 결정된 하나 이상의 파라미터에 적어도 부분적으로 기초하여 하나 이상의 비심혈관 구조를 분류하는 단계; 컴퓨터 시스템에 의해, 하나 이상의 다른 대상의 의료 영상으로부터 도출된 비심혈관 구조 파라미터의 하나 이상의 공지의 데이터세트를 포함하는 비심혈관 구조 값 데이터베이스에 액세스하고 분류된 하나 이상의 비심혈관 구조를 비심혈관 구조 파라미터의 하나 이상의 공지의 데이터세트와 비교하는 단계; 및 컴퓨터 시스템에 의해, 비심혈관 구조 파라미터의 하나 이상의 공지의 데이터세트에 대한 분류된 하나 이상의 비심혈관 구조의 비교에 적어도 부분적으로 기초하여 대상에 대해 생성된 심혈관 이벤트의 위험을 업데이트하는 단계를 더 포함하는, 컴퓨터 구현 방법.
실시예 64: 실시예 63에 있어서, 하나 이상의 비심혈관 구조는 정상 또는 비정상으로서 분류되는, 컴퓨터 구현 방법.
실시예 65: 실시예 63에 있어서, 하나 이상의 비심혈관 구조는 증가 또는 감소된 것으로서 분류되는, 컴퓨터 구현 방법.
실시예 66: 실시예 63에 있어서, 하나 이상의 비심혈관 구조는 시간 경과에 따라 정적 또는 동적으로서 분류되는, 컴퓨터 구현 방법.
실시예 67: 실시예 63 내지 66 중 어느 하나에 있어서, 컴퓨터 시스템에 의해, 비심혈관 구조에 대한 양자화된 컬러 맵을 생성하는 단계를 더 포함하는, 컴퓨터 구현 방법.
실시예 68: 실시예 63 내지 67 중 어느 하나에 있어서, 컴퓨터 시스템에 의해, 비심혈관 구조 파라미터의 하나 이상의 공지의 데이터세트에 대한 분류된 하나 이상의 비심혈관 구조의 비교에 적어도 부분적으로 기초하여 대상에 대한 제안된 치료를 업데이트하는 단계를 더 포함하는, 컴퓨터 구현 방법.
실시예 69: 실시예 63 내지 68 중 어느 하나에 있어서, 식별된 하나 이상의 비심혈관 구조와 연관된 하나 이상의 파라미터는 식별된 하나 이상의 비심혈관 구조의 표면적에 대한 체적의 비, 이질성, 방사선 밀도, 또는 기하학 형상 중 하나 이상을 포함하는, 컴퓨터 구현 방법.
실시예 70: 실시예 52 내지 69 중 어느 하나에 있어서, 의료 영상은 컴퓨터 단층 촬영(CT) 영상을 포함하는, 컴퓨터 구현 방법.
실시예 71: 실시예 52 내지 69 중 어느 하나에 있어서, 의료 영상은 자기 공명(MR) 영상을 포함하는, 컴퓨터 구현 방법.
실시예 72: 비침습적 의료 영상 분석에 기초하여 대상의 관상 영역 내의 관상 죽상동맥경화증을 정량화하고 분류하는 컴퓨터 구현 방법이며, 방법은 컴퓨터 시스템에 의해, 대상의 관상 영역의 의료 영상에 액세스하는 단계로서, 대상의 관상 영역의 의료 영상은 비침습적으로 획득되는, 액세스 단계; 관상 동맥 식별 알고리즘을 이용하는 컴퓨터 시스템에 의해, 대상의 관상 영역의 의료 영상 내의 하나 이상의 관상 동맥을 식별하는 단계로서, 관상 동맥 식별 알고리즘은 입력으로서 원시 의료 영상을 이용하도록 구성되는, 식별 단계; 플라크 식별 알고리즘을 이용하는 컴퓨터 시스템에 의해, 대상의 관상 영역의 의료 영상으로부터 식별된 하나 이상의 관상 동맥 내의 플라크의 하나 이상의 영역을 식별하는 단계로서, 플라크 식별 알고리즘은 입력으로서 원시 의료 영상을 이용하도록 구성되는, 식별 단계; 컴퓨터 시스템에 의해, 대상의 관상 영역의 의료 영상으로부터 플라크의 하나 이상의 식별된 영역의 하나 이상의 혈관 형태 파라미터 및 정량화된 플라크 파라미터의 세트를 결정하는 단계로서, 정량화된 플라크 파라미터의 세트는 의료 영상 내의 플라크의 하나 이상의 영역의 표면적에 대한 체적의 비 또는 함수, 이질성 지수, 기하학 형상, 및 방사선 밀도를 포함하는, 결정 단계; 컴퓨터 시스템에 의해, 결정된 하나 이상의 혈관 형태 파라미터의 가중 측정치 및 플라크의 하나 이상의 영역의 정량화된 플라크 파라미터의 세트를 생성하는 단계; 컴퓨터 시스템에 의해, 결정된 하나 이상의 혈관 형태 파라미터 및 결정된 정량화된 플라크 파라미터의 생성된 가중 측정치의 세트에 적어도 부분적으로 기초하여 대상의 관상 죽상동맥경화증을 정량화하는 단계; 컴퓨터 시스템에 의해, 대상의 정량화된 관상 죽상동맥경화증에 적어도 부분적으로 기초하여 대상의 관상 죽상동맥경화증을 고위험, 중위험 또는 저위험 중 하나 이상으로서 분류하는 단계를 포함하고, 컴퓨터 시스템은 컴퓨터 프로세서 및 전자 저장 매체를 포함하는, 컴퓨터 구현 방법.
실시예 73: 실시예 72에 있어서, 관상 동맥 식별 알고리즘 또는 플라크 식별 알고리즘 중 하나 이상은 인공 지능 또는 기계 학습 알고리즘을 포함하는, 컴퓨터 구현 방법.
실시예 74: 실시예 72 또는 73 중 어느 하나에 있어서, 대상의 관상 영역의 의료 영상으로부터 결정된 하나 이상의 혈관 형태 파라미터 및/또는 정량화된 플라크 파라미터의 세트에 적어도 부분적으로 기초하여 대상의 관상 협착증의 수치 계산을 결정하는 단계를 더 포함하는, 컴퓨터 구현 방법.
실시예 75: 실시예 72 내지 74 중 어느 하나에 있어서, 대상의 관상 영역의 의료 영상으로부터 결정된 하나 이상의 혈관 형태 파라미터 및/또는 정량화된 플라크 파라미터의 세트에 적어도 부분적으로 기초하여 대상의 허혈의 위험을 평가하는 단계를 더 포함하는, 컴퓨터 구현 방법.
실시예 76: 실시예 72 내지 75 중 어느 하나에 있어서, 플라크 식별 알고리즘은 하나 이상의 관상 동맥의 혈관 벽과 내강 벽을 결정하고 혈관 벽과 내강 벽 사이의 체적을 하나 이상의 플라크의 영역으로서 결정함으로써 플라크의 하나 이상의 영역을 결정하도록 구성되는, 컴퓨터 구현 방법.
실시예 77: 실시예 72 내지 76 중 어느 하나에 있어서, 하나 이상의 관상 동맥은 크기에 의해 식별되는, 컴퓨터 구현 방법.
실시예 78: 실시예 72 내지 77 중 어느 하나에 있어서, 미리 결정된 임계값 미만의 플라크의 하나 이상의 영역의 표면적에 대한 체적의 비는 저위험을 나타내는, 컴퓨터 구현 방법.
실시예 79: 실시예 72 내지 78 중 어느 하나에 있어서, 미리 결정된 임계값을 초과하는 플라크의 하나 이상의 영역의 방사선 밀도는 저위험을 나타내는, 컴퓨터 구현 방법.
실시예 80: 실시예 72 내지 79 중 어느 하나에 있어서, 미리 결정된 임계값 미만의 플라크의 하나 이상의 영역의 이질성은 저위험을 나타내는, 컴퓨터 구현 방법.
실시예 81: 실시예 72 내지 80 중 어느 하나에 있어서, 정량화된 플라크 파라미터의 세트는 플라크의 하나 이상의 영역의 확산율을 더 포함하는, 컴퓨터 구현 방법.
실시예 82: 실시예 72 내지 81 중 어느 하나에 있어서, 정량화된 플라크 파라미터의 세트는 플라크의 하나 이상의 영역의 체적에 대한 방사선 밀도의 비를 더 포함하는, 컴퓨터 구현 방법.
실시예 83: 실시예 72 내지 82 중 어느 하나에 있어서, 컴퓨터 시스템에 의해, 분류된 죽상동맥경화증에 적어도 부분적으로 기초하여 대상에 대한 제안된 치료를 생성하는 단계를 더 포함하는, 컴퓨터 구현 방법.
실시예 84: 실시예 72 내지 83 중 어느 하나에 있어서, 대상의 관상 죽상동맥경화증은 관상 죽상동맥경화증 분류 알고리즘을 사용하여 컴퓨터 시스템에 의해 분류되고, 관상 죽상동맥경화증 분류 알고리즘은 플라크의 하나 이상의 영역의 표면적의 체적의 비, 체적, 이질성 지수, 및 방사선 밀도의 조합을 입력으로서 이용하도록 구성되는, 컴퓨터 구현 방법.
실시예 85: 실시예 72 내지 84 중 어느 하나에 있어서, 의료 영상은 컴퓨터 단층 촬영(CT) 영상을 포함하는, 컴퓨터 구현 방법.
실시예 86: 실시예 85에 있어서, 의료 영상은 비조영 CT 영상을 포함하는, 컴퓨터 구현 방법.
실시예 87: 실시예 85에 있어서, 의료 영상은 조영 CT 영상을 포함하는, 컴퓨터 구현 방법.
실시예 88: 실시예 72 내지 84 중 어느 하나에 있어서, 의료 영상은 CT, x-레이, 초음파, 심장초음파, 혈관내 초음파(IVUS), MR 영상, 광 간섭 단층 촬영(OCT), 핵의학 영상, 양전자 방출 단층 촬영(PET), 단일 광자 방출 컴퓨터 단층 촬영(SPECT) 또는 근거리 적외선 분광법(NIRS) 중 하나 이상을 포함하는 영상 기술을 사용하여 획득되는, 컴퓨터 구현 방법.
실시예 89: 실시예 72 내지 88 중 어느 하나에 있어서, 플라크의 하나 이상의 영역의 이질성 지수는 플라크의 하나 이상의 영역의 기하학적 형상을 가로지르는 방사선 밀도 값의 3차원 막대 그래프를 생성함으로써 결정되는, 컴퓨터 구현 방법.
실시예 90: 실시예 72 내지 89 중 어느 하나에 있어서, 플라크의 하나 이상의 영역의 이질성 지수는 플라크의 하나 이상의 영역을 가로지르는 방사선 밀도 값의 공간 맵핑을 생성함으로써 결정되는, 컴퓨터 구현 방법.
실시예 91: 실시예 72 내지 90 중 어느 하나에 있어서, 정량화된 플라크 파라미터의 세트는 상이한 방사선 밀도 값을 포함하는 플라크의 백분율 조성을 포함하는, 컴퓨터 구현 방법.
실시예 92: 실시예 72 내지 91 중 어느 하나에 있어서, 정량화된 플라크 파라미터의 세트는 플라크의 체적의 함수로서 상이한 방사선 밀도 값을 포함하는 플라크의 백분율 조성을 포함하는, 컴퓨터 구현 방법.
실시예 93: 실시예 72 내지 92 중 어느 하나에 있어서, 결정된 하나 이상의 혈관 형태 파라미터 및 플라크의 하나 이상의 영역의 정량화된 플라크 파라미터의 세트의 가중 측정치는 정량화된 플라크 파라미터의 하나 이상의 미리 결정된 세트에 정량화된 플라크 파라미터의 결정된 세트를 비교함으로써 적어도 부분적으로 기초하여 생성되는, 컴퓨터 구현 방법.
실시예 94: 실시예 93에 있어서, 정량화된 플라크 파라미터의 하나 이상의 미리 결정된 세트는 다른 대상의 하나 이상의 의료 영상으로부터 도출되는, 컴퓨터 구현 방법.
실시예 95: 실시예 93에 있어서, 정량화된 플라크 파라미터의 하나 이상의 미리 결정된 세트는 대상의 하나 이상의 의료 영상으로부터 도출되는, 컴퓨터 구현 방법.
실시예 96: 실시예 72 내지 95 중 어느 하나에 있어서, 플라크의 하나 이상의 영역의 기하학 형상은 둥근형 또는 장방형 형상을 포함하는, 컴퓨터 구현 방법.
실시예 97: 실시예 72 내지 96 중 어느 하나에 있어서, 하나 이상의 혈관 형태 파라미터는 동맥 리모델링의 분류를 포함하는, 컴퓨터 구현 방법.
실시예 98: 실시예 97에 있어서, 동맥 리모델링의 분류는 양성 동맥 리모델링, 음성 동맥 리모델링 및 중간 동맥 리모델링을 포함하는, 컴퓨터 구현 방법.
실시예 99: 실시예 97에 있어서, 동맥 리모델링의 분류는 정상 기준 혈관 직경에 대한 플라크의 하나 이상의 영역에서 최대 혈관 직경의 비에 적어도 부분적으로 기초하여 결정되는, 컴퓨터 구현 방법.
실시예 100: 실시예 99에 있어서, 동맥 리모델링의 분류는 양성 동맥 리모델링, 음성 동맥 리모델링 및 중간 동맥 리모델링을 포함하고, 양성 동맥 리모델링은 정상 기준 혈관 직경에 대한 플라크의 하나 이상의 영역에서 최대 혈관 직경의 비가 1.1 초과일 때 결정되고, 음성 동맥 리모델링은 정상 기준 혈관 직경에 대한 플라크의 하나 이상의 영역에서 최대 혈관 직경의 비가 0.95 미만일 때 결정되고, 중간 동맥 리모델링은 정상 기준 혈관 직경에 대한 플라크의 하나 이상의 영역에서의 최대 혈관 직경의 비가 0.95 내지 1.1일 때 결정되는, 컴퓨터 구현 방법.
실시예 101: 실시예 72 내지 100 중 어느 하나에 있어서, 플라크의 하나 이상의 영역의 표면적에 대한 체적의 함수는 플라크의 하나 이상의 영역의 두께 또는 직경 중 하나 이상을 포함하는, 컴퓨터 구현 방법.
실시예 102: 실시예 72 내지 101 중 어느 하나에 있어서, 가중 측정치는 플라크의 하나 이상의 영역의 하나 이상의 혈관 형태 파라미터 및 정량화된 플라크 파라미터의 세트를 동등하게 가중함으로써 생성되는, 컴퓨터 구현 방법.
실시예 103: 실시예 72 내지 101 중 어느 하나에 있어서, 가중 측정치는 플라크의 하나 이상의 영역의 하나 이상의 혈관 형태 파라미터 및 정량화된 플라크 파라미터의 세트를 상이하게 가중함으로써 생성되는, 컴퓨터 구현 방법.
실시예 104: 실시예 72 내지 101 중 어느 하나에 있어서, 가중 측정치는 플라크의 하나 이상의 영역의 하나 이상의 혈관 형태 파라미터 및 정량화된 플라크 파라미터의 세트를 로그함수적으로, 대수적으로, 또는 다른 수학적 변환을 이용하여 가중함으로써 생성되는, 컴퓨터 구현 방법.
실시예 105: 비침습적 의료 영상 분석에 기초하여 플라크, 허혈, 및 지방 염증의 정량화에 기초하여 관상 동맥 질환의 상태를 정량화하는 컴퓨터 구현 방법이며, 방법은 컴퓨터 시스템에 의해, 대상의 관상 영역의 의료 영상에 액세스하는 단계로서, 대상의 관상 영역의 의료 영상은 비침습적으로 획득되는, 액세스 단계; 관상 동맥 식별 알고리즘을 이용하는 컴퓨터 시스템에 의해, 대상의 관상 영역의 의료 영상 내의 하나 이상의 관상 동맥을 식별하는 단계로서, 관상 동맥 식별 알고리즘은 입력으로서 원시 의료 영상을 이용하도록 구성되는, 식별 단계; 플라크 식별 알고리즘을 이용하는 컴퓨터 시스템에 의해, 대상의 관상 영역의 의료 영상으로부터 식별된 하나 이상의 관상 동맥 내의 플라크의 하나 이상의 영역을 식별하는 단계로서, 플라크 식별 알고리즘은 입력으로서 원시 의료 영상을 이용하도록 구성되는, 식별 단계; 지방 식별 알고리즘을 이용하는 컴퓨터 시스템에 의해, 대상의 관상 영역의 의료 영상 내의 지방의 하나 이상의 영역을 식별하는 단계로서, 지방 식별 알고리즘은 입력으로서 원시 의료 영상을 이용하도록 구성되는, 식별 단계; 컴퓨터 시스템에 의해, 대상의 관상 영역의 의료 영상으로부터 플라크의 하나 이상의 식별된 영역의 하나 이상의 혈관 형태 파라미터 및 정량화된 플라크 파라미터의 세트를 결정하는 단계로서, 정량화된 플라크 파라미터의 세트는 의료 영상 내의 플라크의 하나 이상의 영역의 표면적에 대한 체적의 비 또는 함수, 이질성 지수, 기하학 형상, 및 방사선 밀도를 포함하는, 결정 단계; 컴퓨터 시스템에 의해, 대상의 관상 영역의 의료 영상으로부터 결정된 정량화된 플라크 파라미터의 세트에 적어도 부분적으로 기초하여 관상 협착증을 정량화하는 단계; 컴퓨터 시스템에 의해, 대상의 관상 영역의 의료 영상으로부터 결정된 정량화된 플라크 파라미터의 세트에 적어도 부분적으로 기초하여 허혈의 존재 또는 위험을 결정하는 단계; 컴퓨터 시스템에 의해, 대상의 관상 영역의 의료 영상 내에서 지방의 하나 이상의 식별된 영역의 정량화된 지방 파라미터의 세트를 결정하는 단계로서, 정량화된 지방 파라미터의 세트는 의료 영상 내의 지방의 하나 이상의 영역의 체적, 기하학 형상, 및 방사선 밀도를 포함하는, 결정 단계; 컴퓨터 시스템에 의해, 결정된 하나 이상의 혈관 형태 파라미터, 플라크의 하나 이상의 영역의 정량화된 플라크 파라미터의 세트, 정량화된 관상 협착증, 결정된 허혈의 존재 또는 위험, 및 정량화된 지방 파라미터의 결정된 세트의 가중 측정치를 생성하는 단계; 및 컴퓨터 시스템에 의해, 결정된 하나 이상의 혈관 형태 파라미터, 플라크의 하나 이상의 영역의 정량화된 플라크 파라미터의 세트, 정량화된 관상 협착증, 결정된 허혈의 존재 또는 위험, 및 정량화된 지방 파라미터의 결정된 세트의 생성된 가중 측정치에 적어도 부분적으로 기초하여 대상의 관상 질환의 위험 평가를 생성하는 단계를 포함하고; 컴퓨터 시스템은 컴퓨터 프로세서 및 전자 저장 매체를 포함하는, 컴퓨터 구현 방법.
실시예 106: 실시예 105에 있어서, 관상 동맥 식별 알고리즘 또는 플라크 식별 알고리즘, 또는 지방 식별 알고리즘 중 하나 이상은 인공 지능 또는 기계 학습 알고리즘을 포함하는, 컴퓨터 구현 방법.
실시예 107: 실시예 105 또는 106 중 어느 하나에 있어서, 컴퓨터 시스템에 의해, 정량화된 관상 협착증에 적어도 부분적으로 기초하여 대상의 관상 동맥 질환 보고 및 데이터 시스템(CAD-RADS) 분류 스코어를 자동으로 생성하는 단계를 더 포함하는, 컴퓨터 구현 방법.
실시예 108: 실시예 105 내지 107 중 어느 하나에 있어서, 컴퓨터 시스템에 의해, 결정된 하나 이상의 혈관 형태 파라미터, 플라크의 하나 이상의 영역의 정량화된 플라크 파라미터의 세트, 정량화된 관상 협착증, 결정된 허혈의 존재 또는 위험, 및/또는 정량화된 지방 파라미터의 결정된 세트 중 하나 이상에 적어도 부분적으로 기초하여 대상의 CAD-RADS 수정자를 자동으로 생성하는 단계를 더 포함하고, CAD-RADS 수정자는 비진단(N), 스텐트(S), 이식편(G), 또는 취약성(V) 중 하나 이상을 포함하는, 컴퓨터 구현 방법.
실시예 109: 실시예 105 내지 108 중 어느 하나에 있어서, 관상 협착증은 혈관별 기반으로 정량화되는, 컴퓨터 구현 방법.
실시예 110: 실시예 105 내지 109 중 어느 하나에 있어서, 허혈의 존재 또는 위험은 혈관별 기반으로 결정되는, 컴퓨터 구현 방법.
실시예 111: 실시예 105 내지 110 중 어느 하나에 있어서, 지방의 하나 이상의 영역은 심장외막 지방을 포함하는, 컴퓨터 구현 방법.
실시예 112: 실시예 105 내지 111 중 어느 하나에 있어서, 컴퓨터 시스템에 의해, 관상 질환의 생성된 위험 평가에 적어도 부분적으로 기초하여 대상에 대한 제안된 치료를 생성하는 단계를 더 포함하는, 컴퓨터 구현 방법.
실시예 113: 실시예 105 내지 112 중 어느 하나에 있어서, 의료 영상은 컴퓨터 단층 촬영(CT) 영상을 포함하는, 컴퓨터 구현 방법.
실시예 114: 실시예 113에 있어서, 의료 영상은 비조영 CT 영상을 포함하는, 컴퓨터 구현 방법.
실시예 115: 실시예 113에 있어서, 의료 영상은 조영 CT 영상을 포함하는, 컴퓨터 구현 방법.
실시예 116: 실시예 113 내지 115 중 어느 하나에 있어서, 결정된 플라크 파라미터의 세트는 플라크의 하나 이상의 영역 내에서 더 높은 방사선 밀도 칼슘 플라크 또는 더 낮은 방사선 밀도 칼슘 플라크의 백분율 중 하나 이상을 포함하고, 더 높은 방사선 밀도 칼슘 플라크는 1000 초과의 하운즈필드 방사선 밀도 단위를 포함하고, 더 낮은 방사선 밀도 칼슘 플라크는 1000 미만의 하운즈필드 방사선 밀도 단위를 포함하는, 컴퓨터 구현 방법.
실시예 117: 실시예 105 내지 112 중 어느 하나에 있어서, 의료 영상은 자기 공명(MR) 영상을 포함하는, 컴퓨터 구현 방법.
실시예 118: 실시예 105 내지 112 중 어느 하나에 있어서, 의료 영상은 초음파 영상을 포함하는, 컴퓨터 구현 방법.
실시예 119: 실시예 105 내지 112 중 어느 하나에 있어서, 의료 영상은 CT, x-레이, 초음파, 심장초음파, 혈관내 초음파(IVUS), MR 영상, 광 간섭 단층 촬영(OCT), 핵의학 영상, 양전자 방출 단층 촬영(PET), 단일 광자 방출 컴퓨터 단층 촬영(SPECT) 또는 근거리 적외선 분광법(NIRS) 중 하나 이상을 포함하는 영상 기술을 사용하여 획득되는, 컴퓨터 구현 방법.
실시예 120: 실시예 105 내지 119 중 어느 하나에 있어서, 플라크의 하나 이상의 영역의 이질성 지수는 플라크의 하나 이상의 영역의 기하학적 형상을 가로지르는 방사선 밀도 값의 3차원 막대 그래프를 생성함으로써 결정되는, 컴퓨터 구현 방법.
실시예 121: 실시예 105 내지 119 중 어느 하나에 있어서, 플라크의 하나 이상의 영역의 이질성 지수는 플라크의 하나 이상의 영역을 가로지르는 방사선 밀도 값의 공간 맵핑을 생성함으로써 결정되는, 컴퓨터 구현 방법.
실시예 122: 실시예 105 내지 121 중 어느 하나에 있어서, 정량화된 플라크 파라미터의 세트는 상이한 방사선 밀도 값을 포함하는 플라크의 백분율 조성을 포함하는, 컴퓨터 구현 방법.
실시예 123: 실시예 105 내지 122 중 어느 하나에 있어서, 정량화된 플라크 파라미터의 세트는 플라크의 하나 이상의 영역의 확산율을 더 포함하는, 컴퓨터 구현 방법.
실시예 124: 실시예 105 내지 123 중 어느 하나에 있어서, 정량화된 플라크 파라미터의 세트는 플라크의 하나 이상의 영역의 체적에 대한 방사선 밀도의 비를 더 포함하는, 컴퓨터 구현 방법.
실시예 125: 실시예 105 내지 124 중 어느 하나에 있어서, 플라크 식별 알고리즘은 하나 이상의 관상 동맥의 혈관 벽과 내강 벽을 결정하고 혈관 벽과 내강 벽 사이의 체적을 하나 이상의 플라크의 영역으로서 결정함으로써 플라크의 하나 이상의 영역을 결정하도록 구성되는, 컴퓨터 구현 방법.
실시예 126: 실시예 105 내지 125 중 어느 하나에 있어서, 하나 이상의 관상 동맥은 크기에 의해 식별되는, 컴퓨터 구현 방법.
실시예 127: 실시예 105 내지 126 중 어느 하나에 있어서, 대상의 관상 질환의 생성된 위험 평가는 위험 스코어를 포함하는, 컴퓨터 구현 방법.
실시예 128: 실시예 105 내지 127 중 어느 하나에 있어서, 플라크의 하나 이상의 영역의 기하학 형상은 둥근형 또는 장방형 형상을 포함하는, 컴퓨터 구현 방법.
실시예 129: 실시예 105 내지 128 중 어느 하나에 있어서, 하나 이상의 혈관 형태 파라미터는 동맥 리모델링의 분류를 포함하는, 컴퓨터 구현 방법.
실시예 130: 실시예 129에 있어서, 동맥 리모델링의 분류는 양성 동맥 리모델링, 음성 동맥 리모델링 및 중간 동맥 리모델링을 포함하는, 컴퓨터 구현 방법.
실시예 131: 실시예 129에 있어서, 동맥 리모델링의 분류는 정상 기준 혈관 직경에 대한 플라크의 하나 이상의 영역에서 최대 혈관 직경의 비에 적어도 부분적으로 기초하여 결정되는, 컴퓨터 구현 방법.
실시예 132: 실시예 131에 있어서, 동맥 리모델링의 분류는 양성 동맥 리모델링, 음성 동맥 리모델링 및 중간 동맥 리모델링을 포함하고, 양성 동맥 리모델링은 정상 기준 혈관 직경에 대한 플라크의 하나 이상의 영역에서 최대 혈관 직경의 비가 1.1 초과일 때 결정되고, 음성 동맥 리모델링은 정상 기준 혈관 직경에 대한 플라크의 하나 이상의 영역에서 최대 혈관 직경의 비가 0.95 미만일 때 결정되고, 중간 동맥 리모델링은 정상 기준 혈관 직경에 대한 플라크의 하나 이상의 영역에서의 최대 혈관 직경의 비가 0.95 내지 1.1일 때 결정되는, 컴퓨터 구현 방법.
실시예 133: 실시예 105 내지 132 중 어느 하나에 있어서, 플라크의 하나 이상의 영역의 표면적에 대한 체적의 함수는 플라크의 하나 이상의 영역의 두께 또는 직경 중 하나 이상을 포함하는, 컴퓨터 구현 방법.
실시예 134: 실시예 105 내지 133 중 어느 하나에 있어서, 가중 측정치는 하나 이상의 혈관 형태 파라미터, 플라크의 하나 이상의 영역의 정량화된 플라크 파라미터의 세트, 정량화된 관상 협착증, 결정된 허혈의 존재 또는 위험, 및 정량화된 지방 파라미터의 결정된 세트를 동등하게 가중함으로써 생성되는, 컴퓨터 구현 방법.
실시예 135: 실시예 105 내지 133 중 어느 하나에 있어서, 가중 측정치는 하나 이상의 혈관 형태 파라미터, 플라크의 하나 이상의 영역의 정량화된 플라크 파라미터의 세트, 정량화된 관상 협착증, 결정된 허혈의 존재 또는 위험, 및 정량화된 지방 파라미터의 결정된 세트를 상이하게 가중함으로써 생성되는, 컴퓨터 구현 방법.
실시예 136: 실시예 105 내지 133 중 어느 하나에 있어서, 가중 측정치는 하나 이상의 혈관 형태 파라미터, 플라크의 하나 이상의 영역의 정량화된 플라크 파라미터의 세트, 정량화된 관상 협착증, 결정된 허혈의 존재 또는 위험, 및 정량화된 지방 파라미터의 결정된 세트를 로그함수적으로, 대수적으로, 또는 다른 수학적 변환을 이용하여 가중함으로써 생성되는, 컴퓨터 구현 방법.
실시예 137: 비침습적 의료 영상 분석을 사용하여 대상의 플라크 진행의 상태를 결정하는 것에 적어도 부분적으로 기초하여 플라크 기반 질환을 추적하는 컴퓨터 구현 방법이며, 방법은 컴퓨터 시스템에 의해, 대상의 영역과 연관된 플라크 파라미터의 제1 세트에 액세스하는 단계로서, 플라크 파라미터의 제1 세트는 대상의 제1 의료 영상으로부터 도출되고, 대상의 제1 의료 영상은 제1 시점에 비침습적으로 획득되는, 액세스 단계; 컴퓨터 시스템에 의해, 대상의 제2 의료 영상에 액세스하는 단계로서, 대상의 제2 의료 영상은 제2 시점에 비침습적으로 획득되고, 제2 시점은 제1 시점보다 나중인, 액세스 단계; 컴퓨터 시스템에 의해, 제2 의료 영상으로부터 플라크의 하나 이상의 영역을 식별하는 단계; 컴퓨터 시스템에 의해, 제2 의료 영상 및 제2 의료 영상으로부터 식별된 하나 이상의 플라크의 영역을 분석함으로써 대상의 영역과 연관된 플라크 파라미터의 제2 세트를 결정하는 단계; 컴퓨터 시스템에 의해, 플라크 파라미터의 제2 세트 중 하나 이상에 대해 플라크 파라미터의 제1 세트 중 하나 이상을 비교함으로써 하나 이상의 플라크 파라미터의 변화를 분석하는 단계; 컴퓨터 시스템에 의해, 하나 이상의 플라크 파라미터의 분석된 변화에 적어도 부분적으로 기초하여 대상에 대한 플라크 기반 질환과 연관된 플라크 진행의 상태를 결정하는 단계로서, 결정된 플라크 진행의 상태는 급속 플라크 진행, 비급속 칼슘 우세 혼합 반응, 비급속 비칼슘 우세 혼합 반응, 또는 플라크 퇴행 중 하나 이상을 포함하는, 결정 단계; 및 컴퓨터 시스템에 의해, 결정된 플라크 진행의 상태에 적어도 부분적으로 기초하여 플라크 기반 질환의 진행을 추적하는 단계를 포함하고, 컴퓨터 시스템은 컴퓨터 프로세서 및 전자 저장 매체를 포함하는, 컴퓨터 구현 방법.
실시예 138: 실시예 137에 있어서, 급속 플라크 진행은 대상의 죽종 용적 비율 증가가 연간 1% 초과일 때 결정되고, 비급속 칼슘 우세 혼합 반응은 대상의 죽종 용적 비율 증가가 연간 1% 미만이고 석회화 플라크가 총 새로운 플라크 형성의 50% 초과를 나타낼 때 결정되고, 비급속 비칼슘 우세 혼합 반응은 대상의 죽종 용적 비율 증가가 연간 1% 미만이고 비석회화 플라크가 총 새로운 플라크 형성의 50% 초과를 나타낼 때 결정되고, 플라크 퇴행은 총 죽종 용적 비율의 감소가 존재할 때 결정되는, 컴퓨터 구현 방법.
실시예 139: 실시예 137 내지 138 중 어느 하나에 있어서, 컴퓨터 시스템에 의해, 플라크 기반 질환의 결정된 플라크 진행의 상태에 적어도 부분적으로 기초하여 대상에 대한 제안된 치료를 생성하는 단계를 더 포함하는, 컴퓨터 구현 방법.
실시예 140: 실시예 137 내지 139 중 어느 하나에 있어서, 의료 영상은 컴퓨터 단층 촬영(CT) 영상을 포함하는, 컴퓨터 구현 방법.
실시예 141: 실시예 140에 있어서, 의료 영상은 비조영 CT 영상을 포함하는, 컴퓨터 구현 방법.
실시예 142: 실시예 140에 있어서, 의료 영상은 조영 CT 영상을 포함하는, 컴퓨터 구현 방법.
실시예 143: 실시예 140 내지 142 중 어느 하나에 있어서, 결정된 플라크 진행의 상태는 더 높은 방사선 밀도 플라크 또는 더 낮은 방사선 밀도 플라크의 백분율 중 하나 이상을 더 포함하고, 더 높은 방사선 밀도 플라크는 1000 초과의 하운즈필드 단위를 포함하고, 더 낮은 방사선 밀도 플라크는 1000 미만의 하운즈필드 단위를 포함하는, 컴퓨터 구현 방법.
실시예 144: 실시예 137 내지 139 중 어느 하나에 있어서, 의료 영상은 자기 공명(MR) 영상을 포함하는, 컴퓨터 구현 방법.
실시예 145: 실시예 137 내지 139 중 어느 하나에 있어서, 의료 영상은 초음파 영상을 포함하는, 컴퓨터 구현 방법.
실시예 146: 실시예 137 내지 145 중 어느 하나에 있어서, 대상의 영역은 대상의 관상 영역을 포함하는, 컴퓨터 구현 방법.
실시예 147: 실시예 137 내지 145 중 어느 하나에 있어서, 대상의 영역은 경동맥, 신장 동맥, 복부 대동맥, 대뇌 동맥, 하지 또는 상지 중 하나 이상을 포함하는, 컴퓨터 구현 방법.
실시예 148: 실시예 137 내지 147 중 어느 하나에 있어서, 플라크 기반 질환은 죽상동맥경화증, 협착증, 또는 허혈 중 하나 이상을 포함하는, 컴퓨터 구현 방법.
실시예 149: 실시예 137 내지 148 중 어느 하나에 있어서, 컴퓨터 시스템에 의해, 플라크 파라미터의 제1 세트에 적어도 부분적으로 기초하여 대상의 제1 관상 동맥 질환 보고 및 데이터 시스템(CAD-RADS) 분류 스코어를 결정하는 단계; 컴퓨터 시스템에 의해, 플라크 파라미터의 제2 세트에 적어도 부분적으로 기초하여 대상의 제2 CAD-RADS 분류 스코어를 결정하는 단계; 및 컴퓨터 시스템에 의해, 제1 CAD-RADS 분류 스코어와 제2 CAD-RADS 분류 스코어의 비교에 기초하여 대상의 CAD-RADS 분류 스코어의 진행을 추적하는 단계를 더 포함하는, 컴퓨터 구현 방법.
실시예 150: 실시예 137 내지 149 중 어느 하나에 있어서, 플라크 기반 질환은 혈청 바이오마커, 유전학, 오믹스, 전사체학, 미생물체학, 또는 대사체학 중 하나 이상을 분석함으로써 컴퓨터 시스템에 의해 추가로 추적되는, 컴퓨터 구현 방법.
실시예 151: 실시예 137 내지 150 중 어느 하나에 있어서, 플라크 파라미터의 제1 세트는 제1 의료 영상 내의 플라크의 하나 이상의 영역의 체적, 표면적, 기하학적 형상, 위치, 이질성 지수, 및 방사선 밀도 중 하나 이상을 포함하는, 컴퓨터 구현 방법.
실시예 152: 실시예 137 내지 151 중 어느 하나에 있어서, 플라크 파라미터의 제2 세트는 제2 의료 영상 내의 플라크의 하나 이상의 영역의 체적, 표면적, 기하학적 형상, 위치, 이질성 지수, 및 방사선 밀도 중 하나 이상을 포함하는, 컴퓨터 구현 방법.
실시예 153: 실시예 137 내지 152 중 어느 하나에 있어서, 플라크 파라미터의 제1 세트 및 플라크 파라미터의 제2 세트는 플라크의 하나 이상의 영역의 체적에 대한 방사선 밀도의 비를 포함하는, 컴퓨터 구현 방법.
실시예 154: 실시예 137 내지 153 중 어느 하나에 있어서, 플라크 파라미터의 제1 세트 및 플라크 파라미터의 제2 세트는 플라크의 하나 이상의 영역의 확산율을 포함하는, 컴퓨터 구현 방법.
실시예 155: 실시예 137 내지 154 중 어느 하나에 있어서, 플라크 파라미터의 제1 세트 및 플라크 파라미터의 제2 세트는 플라크의 하나 이상의 영역의 체적 대 표면적 비를 포함하는, 컴퓨터 구현 방법.
실시예 156: 실시예 137 내지 155 중 어느 하나에 있어서, 플라크 파라미터의 제1 세트 및 플라크 파라미터의 제2 세트는 플라크의 하나 이상의 영역의 이질성 지수를 포함하는, 컴퓨터 구현 방법.
실시예 157: 실시예 156에 있어서, 플라크의 하나 이상의 영역의 이질성 지수는 플라크의 하나 이상의 영역의 기하학적 형상을 가로지르는 방사선 밀도 값의 3차원 막대 그래프를 생성함으로써 결정되는, 컴퓨터 구현 방법.
실시예 158: 실시예 156에 있어서, 플라크의 하나 이상의 영역의 이질성 지수는 플라크의 하나 이상의 영역을 가로지르는 방사선 밀도 값의 공간 맵핑을 생성함으로써 결정되는, 컴퓨터 구현 방법.
실시예 159: 실시예 137 내지 158 중 어느 하나에 있어서, 플라크 파라미터의 제1 세트 및 플라크 파라미터의 제2 세트는 상이한 방사선 밀도 값을 포함하는 플라크의 백분율 조성을 포함하는, 컴퓨터 구현 방법.
실시예 160: 실시예 137 내지 159 중 어느 하나에 있어서, 플라크 파라미터의 제1 세트 및 플라크 파라미터의 제2 세트는 플라크의 체적의 함수로서 상이한 방사선 밀도 값을 포함하는 플라크의 백분율 조성을 포함하는, 컴퓨터 구현 방법.
실시예 161: 대상의 관상 칼슘 스코어의 변화를 특성화하는 컴퓨터 구현 방법이며, 방법은 컴퓨터 시스템에 의해, 대상의 제1 관상 칼슘 스코어 및 대상의 관상 영역과 연관된 플라크 파라미터의 제1 세트에 액세스하는 단계로서, 제1 관상 칼슘 스코어 및 파라미터의 제1 세트는 제1 시점에서 획득되고, 플라크 파라미터의 제1 세트는 대상의 관상 영역 내의 플라크의 하나 이상의 영역에 대한 체적, 표면적, 기하학적 형상, 위치, 이질성 지수, 및 방사선 밀도를 포함하는, 액세스 단계; 컴퓨터 시스템에 의해, 액세스된 플라크 파라미터의 제1 세트의 제1 가중 측정치를 생성하는 단계; 컴퓨터 시스템에 의해, 대상의 제2 관상 칼슘 스코어 및 대상의 관상 영역의 하나 이상의 의료 영상에 액세스하는 단계로서, 제2 관상 칼슘 스코어 및 하나 이상의 의료 영상은 제2 시점에서 획득되고, 제2 시점은 제1 시점보다 나중이고, 대상의 관상 영역의 하나 이상의 의료 영상은 플라크의 하나 이상의 영역을 포함하는, 액세스 단계; 컴퓨터 시스템에 의해, 제1 관상 칼슘 스코어와 제2 관상 칼슘 스코어를 비교함으로써 대상의 관상 칼슘 스코어의 변화를 결정하는 단계; 컴퓨터 시스템에 의해, 하나 이상의 의료 영상으로부터 플라크의 하나 이상의 영역을 식별하는 단계; 컴퓨터 시스템에 의해, 하나 이상의 의료 영상을 분석함으로써 대상의 관상 영역과 연관된 플라크 파라미터의 제2 세트를 결정하는 단계로서, 플라크 파라미터의 제2 세트는 플라크의 하나 이상의 영역에 대한 체적, 표면적, 기하학적 형상, 위치, 이질성 지수, 및 방사선 밀도를 포함하는, 결정 단계; 컴퓨터 시스템에 의해, 결정된 플라크 파라미터의 제2 세트의 제2 가중 측정치를 생성하는 단계; 컴퓨터 시스템에 의해, 액세스된 플라크 파라미터의 제1 세트의 제1 가중 측정치 및 결정된 플라크 파라미터의 제2 세트의 제2 가중 측정치의 변화를 분석하는 단계; 및 컴퓨터 시스템에 의해, 식별된 플라크의 하나 이상의 영역 및 액세스된 플라크 파라미터의 제1 세트의 제1 가중 측정치 및 결정된 플라크 파라미터의 제2 세트의 제2 가중 측정치의 분석된 변화에 적어도 부분적으로 기초하여 대상의 관상 칼슘 스코어의 변화를 특성화하는 단계를 포함하고, 관상 칼슘 스코어의 관상의 변화는 양성, 중성 또는 음성으로 특성화되고, 컴퓨터 시스템은 컴퓨터 프로세서 및 전자 저장 매체를 포함하는, 컴퓨터 구현 방법.
실시예 162: 실시예 161에 있어서, 플라크의 하나 이상의 영역의 방사선 밀도는 식별된 플라크의 하나 이상의 영역의 하운즈필드 단위를 분석함으로써 하나 이상의 의료 영상으로부터 결정되는, 컴퓨터 구현 방법.
실시예 163: 실시예 161 내지 162 중 어느 하나에 있어서, 대상의 관상 영역 내의 플라크의 하나 이상의 영역의 체적과 방사선 밀도 사이의 비의 변화를 결정하는 단계를 더 포함하고, 대상의 관상 칼슘 스코어의 변화는 대상의 관상 영역 내의 플라크의 하나 이상의 영역의 체적과 방사선 밀도 사이의 비의 결정된 변화에 적어도 부분적으로 기초하여 또한 특성화되는, 컴퓨터 구현 방법.
실시예 164: 실시예 161 내지 163 중 어느 하나에 있어서, 대상의 관상 칼슘 스코어의 변화는 각각의 혈관에 대해 특성화되는, 컴퓨터 구현 방법.
실시예 165: 실시예 161 내지 164 중 어느 하나에 있어서, 대상의 관상 칼슘 스코어의 변화는 각각의 세그먼트에 대해 특성화되는, 컴퓨터 구현 방법.
실시예 166: 실시예 161 내지 165 중 어느 하나에 있어서, 대상의 관상 칼슘 스코어의 변화는 각각의 플라크에 대해 특성화되는, 컴퓨터 구현 방법.
실시예 167: 실시예 161 내지 166 중 어느 하나에 있어서, 플라크 파라미터의 제1 세트 및 플라크 파라미터의 제2 세트는 플라크의 하나 이상의 영역의 확산율을 더 포함하는, 컴퓨터 구현 방법.
실시예 168: 실시예 161 내지 167 중 어느 하나에 있어서, 대상의 관상 칼슘 스코어의 변화는 플라크의 하나 이상의 영역의 방사선 밀도가 증가될 때 양성으로서 특성화되는, 컴퓨터 구현 방법.
실시예 169: 실시예 161 내지 168 중 어느 하나에 있어서, 대상의 관상 칼슘 스코어의 변화는 플라크의 하나 이상의 새로운 영역이 하나 이상의 의료 영상으로부터 식별될 때 음성으로서 특성화되는, 컴퓨터 구현 방법.
실시예 170: 실시예 161 내지 169 중 어느 하나에 있어서, 대상의 관상 칼슘 스코어의 변화는 플라크의 하나 이상의 영역의 체적 대 표면적 비가 감소될 때 양성으로서 특성화되는, 컴퓨터 구현 방법.
실시예 171: 실시예 161 내지 170 중 어느 하나에 있어서, 플라크의 하나 이상의 영역의 이질성 지수는 플라크의 하나 이상의 영역의 기하학적 형상을 가로지르는 방사선 밀도 값의 3차원 막대 그래프를 생성함으로써 결정되는, 컴퓨터 구현 방법.
실시예 172: 실시예 161 내지 171 중 어느 하나에 있어서, 대상의 관상 칼슘 스코어의 변화는 플라크의 하나 이상의 영역의 이질성 지수가 감소될 때 양성으로서 특성화되는, 컴퓨터 구현 방법.
실시예 173: 실시예 161 내지 172 중 어느 하나에 있어서, 대상의 제2 관상 칼슘 스코어는 대상의 관상 영역의 하나 이상의 의료 영상을 분석함으로써 결정되는, 컴퓨터 구현 방법.
실시예 174: 실시예 161 내지 172 중 어느 하나에 있어서, 대상의 제2 관상 칼슘 스코어는 데이터베이스로부터 액세스되는, 컴퓨터 구현 방법.
실시예 175: 실시예 161 내지 174 중 어느 하나에 있어서, 대상의 관상 영역의 하나 이상의 의료 영상은 비조영 컴퓨터 단층 촬영(CT) 스캔으로부터 획득된 영상을 포함하는, 컴퓨터 구현 방법.
실시예 176: 실시예 161 내지 174 중 어느 하나에 있어서, 대상의 관상 영역의 하나 이상의 의료 영상은 조영 증강 CT 스캔으로부터 획득된 영상을 포함하는, 컴퓨터 구현 방법.
실시예 177: 실시예 176에 있어서, 대상의 관상 영역의 하나 이상의 의료 영상은 조영 증강 CT 혈관조영상으로부터 획득된 영상을 포함하는, 컴퓨터 구현 방법.
실시예 178: 실시예 161 내지 177 중 어느 하나에 있어서, 관상 칼슘 스코어의 관상의 변화의 양성 특성화는 플라크 안정화를 나타내는, 컴퓨터 구현 방법.
실시예 179: 실시예 161 내지 178 중 어느 하나에 있어서, 플라크 파라미터의 제1 세트 및 플라크 파라미터의 제2 세트는 플라크 주위의 체적의 방사선 밀도를 더 포함하는, 컴퓨터 구현 방법.
실시예 180: 실시예 161 내지 179 중 어느 하나에 있어서, 대상의 관상 칼슘 스코어의 변화는 컴퓨터 시스템에 의해 이용되는 기계 학습 알고리즘에 의해 특성화되는, 컴퓨터 구현 방법.
실시예 181: 실시예 161 내지 180 중 어느 하나에 있어서, 제1 가중 측정치는 액세스된 플라크 파라미터의 제1 세트를 동등하게 가중함으로써 생성되는, 컴퓨터 구현 방법.
실시예 182: 실시예 161 내지 180 중 어느 하나에 있어서, 제1 가중 측정치는 액세스된 플라크 파라미터의 제1 세트를 상이하게 가중함으로써 생성되는, 컴퓨터 구현 방법.
실시예 183: 실시예 161 내지 180 중 어느 하나에 있어서, 제1 가중 측정치는 액세스된 플라크 파라미터의 제1 세트를 로그함수적으로, 대수적으로, 또는 다른 수학적 변환을 이용하여 가중함으로써 생성되는, 컴퓨터 구현 방법.
실시예 184: 비침습적 의료 영상 분석에 기초하여 대상에 대한 심혈관 이벤트의 진단을 생성하는 컴퓨터 구현 방법이며, 방법은 컴퓨터 시스템에 의해, 대상의 관상 영역의 의료 영상에 액세스하는 단계로서, 대상의 관상 영역의 의료 영상은 비침습적으로 획득되는, 액세스 단계; 관상 동맥 식별 알고리즘을 이용하는 컴퓨터 시스템에 의해, 대상의 관상 영역의 의료 영상 내의 하나 이상의 관상 동맥을 식별하는 단계로서, 관상 동맥 식별 알고리즘은 입력으로서 원시 의료 영상을 이용하도록 구성되는, 식별 단계; 플라크 식별 알고리즘을 이용하는 컴퓨터 시스템에 의해, 대상의 관상 영역의 의료 영상으로부터 식별된 하나 이상의 관상 동맥 내의 플라크의 하나 이상의 영역을 식별하는 단계로서, 플라크 식별 알고리즘은 입력으로서 원시 의료 영상을 이용하도록 구성되는, 식별 단계; 컴퓨터 시스템에 의해, 대상의 관상 영역의 의료 영상 내에서 플라크의 하나 이상의 식별된 영역의 정량화된 플라크 파라미터의 세트를 결정하는 단계로서, 정량화된 플라크 파라미터의 세트는 의료 영상 내의 플라크의 하나 이상의 영역의 표면적에 대한 체적, 체적 대 표면적의 비, 이질성 지수, 기하학 형상, 및 방사선 밀도를 포함하는, 결정 단계; 컴퓨터 시스템에 의해, 정량화된 플라크 파라미터의 결정된 세트에 적어도 부분적으로 기초하여 의료 영상 내의 플라크의 하나 이상의 영역을 안정 플라크 또는 불안정 플라크로서 분류하는 단계; 컴퓨터 시스템에 의해, 의료 영상 내에서 분류된 불안정 플라크의 체적 및 의료 영상 내의 하나 이상의 관상 동맥의 총 체적을 결정하는 단계; 컴퓨터 시스템에 의해, 하나 이상의 관상 동맥의 총 체적에 대한 불안정 플라크의 체적의 비를 결정하는 단계; 컴퓨터 시스템에 의해, 하나 이상의 관상 동맥의 총 체적에 대한 불안정 플라크의 체적의 비, 플라크의 하나 이상의 영역의 체적, 및 의료 영상 내에서 분류된 불안정 플라크의 체적을 분석하는 것에 적어도 부분적으로 기초하여 대상에 대한 심혈관 이벤트의 예후를 생성하는 단계로서, 분석은 하나 이상의 관상 동맥의 총 체적에 대한 불안정 플라크의 체적, 플라크의 하나 이상의 영역의 체적, 및 불안정 플라크의 체적의 하나 이상의 비의 공지의 데이터세트에 대한 비교를 수행하는 것을 포함하고, 공지의 데이터세트는 다른 대상으로부터 수집되는, 생성 단계; 및 컴퓨터 시스템에 의해, 대상에 대한 심혈관 이벤트의 생성된 예후에 적어도 부분적으로 기초하여 대상에 대한 치료 계획을 생성하는 단계를 포함하고, 컴퓨터 시스템은 컴퓨터 프로세서 및 전자 저장 매체를 포함하는, 컴퓨터 구현 방법.
실시예 185: 실시예 184에 있어서, 컴퓨터 시스템에 의해, 하나 이상의 관상 동맥의 총 체적에 대한 불안정 플라크의 체적의 비, 플라크의 하나 이상의 영역의 체적, 및 의료 영상 내에서 분류된 불안정 플라크의 체적의 가중 측정치를 생성하는 단계를 더 포함하고, 심혈관 이벤트의 예후는 가중 측정치를 공지의 데이터세트로부터 도출된 하나 이상의 가중 측정치에 비교함으로써 추가로 생성되는, 컴퓨터 구현 방법.
실시예 186: 실시예 185에 있어서, 가중 측정치는 하나 이상의 관상 동맥의 총 체적에 대한 불안정 플라크의 체적의 비, 플라크의 하나 이상의 영역의 체적, 및 의료 영상 내에서 분류된 불안정 플라크의 체적을 동등하게 가중함으로써 생성되는, 컴퓨터 구현 방법.
실시예 187: 실시예 185에 있어서, 가중 측정치는 하나 이상의 관상 동맥의 총 체적에 대한 불안정 플라크의 체적의 비, 플라크의 하나 이상의 영역의 체적, 및 의료 영상 내에서 분류된 불안정 플라크의 체적을 상이하게 가중함으로써 생성되는, 컴퓨터 구현 방법.
실시예 188: 실시예 185에 있어서, 가중 측정치는 하나 이상의 관상 동맥의 총 체적에 대한 불안정 플라크의 체적의 비, 플라크의 하나 이상의 영역의 체적, 및 의료 영상 내에서 분류된 불안정 플라크의 체적을 로그함수적으로, 대수적으로, 또는 다른 수학적 변환을 이용하여 가중함으로써 생성되는, 컴퓨터 구현 방법.
실시예 189: 실시예 184 내지 188 중 어느 하나에 있어서, 컴퓨터 시스템에 의해, 대상의 비관상 심혈관계의 의료 영상을 분석하는 단계를 더 포함하고, 대상에 대한 심혈관 이벤트의 예후는 대상의 비관상 심혈관계의 분석된 의료 영상에 적어도 부분적으로 기초하여 추가로 생성되는, 컴퓨터 구현 방법.
실시예 190: 실시예 184 내지 189 중 어느 하나에 있어서, 컴퓨터 시스템에 의해, 대상의 혈액 화학 또는 바이오마커 시험의 결과에 액세스하는 단계를 더 포함하고, 대상에 대한 심혈관 이벤트의 예후는 대상의 혈액 화학 또는 바이오마커 시험의 결과에 적어도 부분적으로 기초하여 추가로 생성되는, 컴퓨터 구현 방법.
실시예 191: 실시예 184 내지 190 중 어느 하나에 있어서, 대상에 대한 심혈관 이벤트의 생성된 예후는 대상에 대한 심혈관 이벤트의 위험 스코어를 포함하는, 컴퓨터 구현 방법.
실시예 192: 실시예 184 내지 191 중 어느 하나에 있어서, 심혈관 이벤트의 예후는 인공 지능 또는 기계 학습 알고리즘을 이용하는 컴퓨터 시스템에 의해 생성되는, 컴퓨터 구현 방법.
실시예 193: 실시예 184 내지 192 중 어느 하나에 있어서, 심혈관 이벤트는 죽상동맥경화증, 협착증 또는 허혈 중 하나 이상을 포함하는, 컴퓨터 구현 방법.
실시예 194: 실시예 184 내지 193 중 어느 하나에 있어서, 생성된 치료 계획은 스타틴의 사용, 생활 습관 변화, 또는 수술 중 하나 이상을 포함하는, 컴퓨터 구현 방법.
실시예 195: 실시예 184 내지 194 중 어느 하나에 있어서, 관상 동맥 식별 알고리즘 또는 플라크 식별 알고리즘 중 하나 이상은 인공 지능 또는 기계 학습 알고리즘을 포함하는, 컴퓨터 구현 방법.
실시예 196: 실시예 184 내지 195 중 어느 하나에 있어서, 플라크 식별 알고리즘은 하나 이상의 관상 동맥의 혈관 벽과 내강 벽을 결정하고 혈관 벽과 내강 벽 사이의 체적을 하나 이상의 플라크의 영역으로서 결정함으로써 플라크의 하나 이상의 영역을 결정하도록 구성되는, 컴퓨터 구현 방법.
실시예 197: 실시예 184 내지 196 중 어느 하나에 있어서, 의료 영상은 컴퓨터 단층 촬영(CT) 영상을 포함하는, 컴퓨터 구현 방법.
실시예 198: 실시예 197에 있어서, 의료 영상은 비조영 CT 영상을 포함하는, 컴퓨터 구현 방법.
실시예 199: 실시예 197에 있어서, 의료 영상은 조영 CT 영상을 포함하는, 컴퓨터 구현 방법.
실시예 200: 실시예 184 내지 196 중 어느 하나에 있어서, 의료 영상은 자기 공명(MR) 영상을 포함하는, 컴퓨터 구현 방법.
실시예 201: 실시예 184 내지 196 중 어느 하나에 있어서, 의료 영상은 CT, x-레이, 초음파, 심장초음파, 혈관내 초음파(IVUS), MR 영상, 광 간섭 단층 촬영(OCT), 핵의학 영상, 양전자 방출 단층 촬영(PET), 단일 광자 방출 컴퓨터 단층 촬영(SPECT) 또는 근거리 적외선 분광법(NIRS) 중 하나 이상을 포함하는 영상 기술을 사용하여 획득되는, 컴퓨터 구현 방법.
실시예 202: 비침습적 의료 영상 분석에 기초하여 이식을 위한 환자-특정 스텐트 파라미터 및 안내를 결정하는 컴퓨터 구현 방법이며, 방법은 컴퓨터 시스템에 의해, 환자의 관상 영역의 의료 영상에 액세스하는 단계로서, 환자의 관상 영역의 의료 영상은 비침습적으로 획득되는, 액세스 단계; 관상 동맥 식별 알고리즘을 이용하는 컴퓨터 시스템에 의해, 환자의 관상 영역의 의료 영상 내의 하나 이상의 관상 동맥을 식별하는 단계로서, 관상 동맥 식별 알고리즘은 입력으로서 원시 의료 영상을 이용하도록 구성되는, 식별 단계; 플라크 식별 알고리즘을 이용하는 컴퓨터 시스템에 의해, 환자의 관상 영역의 의료 영상으로부터 식별된 하나 이상의 관상 동맥 내의 플라크의 하나 이상의 영역을 식별하는 단계로서, 플라크 식별 알고리즘은 입력으로서 원시 의료 영상을 이용하도록 구성되는, 식별 단계; 컴퓨터 시스템에 의해, 환자의 관상 영역의 의료 영상으로부터 플라크의 하나 이상의 식별된 영역의 정량화된 플라크 파라미터의 세트를 결정하는 단계로서, 정량화된 플라크 파라미터의 세트는 의료 영상 내의 플라크의 하나 이상의 영역의 표면적에 대한 체적의 비 또는 함수, 이질성 지수, 위치, 기하학 형상, 및 방사선 밀도를 포함하는, 결정 단계; 컴퓨터 시스템에 의해, 환자의 관상 영역의 의료 영상 내에서 하나 이상의 관상 동맥의 협착 혈관 파라미터의 세트를 결정하는 단계로서, 혈관 파라미터의 세트는 협착의 존재시에 의료 영상 내에서 하나 이상의 관상 동맥의 체적, 곡률, 혈관 벽, 내강 벽, 및 직경을 포함하는, 결정 단계; 컴퓨터 시스템에 의해, 환자의 관상 영역의 의료 영상 내에서 하나 이상의 관상 동맥의 정상 혈관 파라미터의 세트를 결정하는 단계로서, 혈관 파라미터의 세트는 협착 없이 의료 영상 내에서 하나 이상의 관상 동맥의 체적, 곡률, 혈관 벽, 내강 벽, 및 직경을 포함하고, 정상 혈관 파라미터의 세트는 플라크의 식별된 하나 이상의 영역을 환자의 관상 영역의 의료 영상으로부터 그래픽으로 제거함으로써 결정되는, 결정 단계; 컴퓨터 시스템에 의해, 정량화된 플라크 파라미터 세트 및 혈관 파라미터 세트에 적어도 부분적으로 기초하여 환자에 대한 스텐트 이식의 예측된 유효성을 결정하는 단계; 컴퓨터 시스템에 의해, 환자에 대한 스텐트 이식의 예측된 유효성이 미리 결정된 임계값을 초과할 때 환자에 대한 환자-특정 스텐트 파라미터를 생성하는 단계로서, 환자-특정 스텐트 파라미터는 정량화된 플라크 파라미터의 세트, 혈관 파라미터의 세트, 및 정상 혈관 파라미터의 세트에 적어도 부분적으로 기초하여 생성되는, 생성 단계; 및 컴퓨터 시스템에 의해, 환자-특정 스텐트 파라미터를 포함하는 환자-특정 스텐트의 이식을 위한 안내를 생성하는 단계를 포함하고, 환자-특정 스텐트의 이식을 위한 안내는 정량화된 플라크 파라미터의 세트 및 혈관 파라미터의 세트에 적어도 부분적으로 기초하여 생성되고, 환자-특정 스텐트의 이식을 위한 생성된 안내는 안내 와이어의 삽입 및 환자-특정 스텐트의 위치설정을 포함하고, 컴퓨터 시스템은 컴퓨터 프로세서 및 전자 저장 매체를 포함하는, 컴퓨터 구현 방법.
실시예 203: 실시예 202에 있어서, 컴퓨터 시스템에 의해, 환자의 관상 영역의 이식 후 의료 영상에 액세스하고 이식 후 분석을 수행하는 단계를 더 포함하는, 컴퓨터 구현 방법.
실시예 204: 실시예 203에 있어서, 컴퓨터 시스템에 의해, 이식 후 분석에 적어도 부분적으로 기초하여 환자에 대한 치료 계획을 생성하는 단계를 더 포함하는, 컴퓨터 구현 방법.
실시예 205: 실시예 204에 있어서, 생성된 치료 계획은 스타틴의 사용, 생활 습관 변화, 또는 수술 중 하나 이상을 포함하는, 컴퓨터 구현 방법.
실시예 206: 실시예 202 내지 205 중 어느 하나에 있어서, 협착 혈관 파라미터의 세트는 하나 이상의 관상 동맥의 분지의 위치, 곡률 및 직경을 포함하는, 컴퓨터 구현 방법.
실시예 207: 실시예 202 내지 206 중 어느 하나에 있어서, 환자-특정 스텐트 파라미터는 환자-특정 스텐트의 직경을 포함하는, 컴퓨터 구현 방법.
실시예 208: 실시예 207에 있어서, 환자-특정 스텐트의 직경은 협착이 없는 하나 이상의 관상 동맥의 직경과 실질적으로 동일한, 컴퓨터 구현 방법.
실시예 209: 실시예 207에 있어서, 환자-특정 스텐트의 직경은 협착이 없는 하나 이상의 관상 동맥의 직경 미만인, 컴퓨터 구현 방법.
실시예 210: 실시예 202 내지 209 중 어느 하나에 있어서, 환자에 대한 스텐트 이식의 예측된 유효성은 인공 지능 또는 기계 학습 알고리즘을 이용하는 컴퓨터 시스템에 의해 결정되는, 컴퓨터 구현 방법.
실시예 211: 실시예 202 내지 210 중 어느 하나에 있어서, 환자에 대한 환자-특정 스텐트 파라미터는 인공 지능 또는 기계 학습 알고리즘을 이용하는 컴퓨터 시스템에 의해 생성되는, 컴퓨터 구현 방법.
실시예 212: 실시예 202 내지 211 중 어느 하나에 있어서, 관상 동맥 식별 알고리즘 또는 플라크 식별 알고리즘 중 하나 이상은 인공 지능 또는 기계 학습 알고리즘을 포함하는, 컴퓨터 구현 방법.
실시예 213: 실시예 202 내지 212 중 어느 하나에 있어서, 플라크 식별 알고리즘은 하나 이상의 관상 동맥의 혈관 벽과 내강 벽을 결정하고 혈관 벽과 내강 벽 사이의 체적을 하나 이상의 플라크의 영역으로서 결정함으로써 플라크의 하나 이상의 영역을 결정하도록 구성되는, 컴퓨터 구현 방법.
실시예 214: 실시예 202 내지 213 중 어느 하나에 있어서, 의료 영상은 컴퓨터 단층 촬영(CT) 영상을 포함하는, 컴퓨터 구현 방법.
실시예 215: 실시예 214에 있어서, 의료 영상은 비조영 CT 영상을 포함하는, 컴퓨터 구현 방법.
실시예 216: 실시예 214에 있어서, 의료 영상은 조영 CT 영상을 포함하는, 컴퓨터 구현 방법.
실시예 217: 실시예 202 내지 213 중 어느 하나에 있어서, 의료 영상은 자기 공명(MR) 영상을 포함하는, 컴퓨터 구현 방법.
실시예 218: 실시예 202 내지 213 중 어느 하나에 있어서, 의료 영상은 CT, x-레이, 초음파, 심장초음파, 혈관내 초음파(IVUS), MR 영상, 광 간섭 단층 촬영(OCT), 핵의학 영상, 양전자 방출 단층 촬영(PET), 단일 광자 방출 컴퓨터 단층 촬영(SPECT) 또는 근거리 적외선 분광법(NIRS) 중 하나 이상을 포함하는 영상 기술을 사용하여 획득되는, 컴퓨터 구현 방법.
실시예 219: 비침습적 의료 영상 분석에 기초하여 환자에 대한 관상 동맥 질환에 대한 환자-특정 보고를 생성하는 컴퓨터 구현 방법이며, 컴퓨터 시스템에 의해 환자의 관상 영역의 의료 영상에 액세스하는 단계로서, 환자의 관상 영역의 의료 영상은 비침습적으로 획득되는, 액세스 단계; 관상 동맥 식별 알고리즘을 이용하는 컴퓨터 시스템에 의해, 환자의 관상 영역의 의료 영상 내의 하나 이상의 관상 동맥을 식별하는 단계로서, 관상 동맥 식별 알고리즘은 입력으로서 원시 의료 영상을 이용하도록 구성되는, 식별 단계; 플라크 식별 알고리즘을 이용하는 컴퓨터 시스템에 의해, 환자의 관상 영역의 의료 영상으로부터 식별된 하나 이상의 관상 동맥 내의 플라크의 하나 이상의 영역을 식별하는 단계로서, 플라크 식별 알고리즘은 입력으로서 원시 의료 영상을 이용하도록 구성되는, 식별 단계; 컴퓨터 시스템에 의해, 환자의 관상 영역의 의료 영상으로부터 플라크의 하나 이상의 식별된 영역의 하나 이상의 혈관 형태 파라미터 및 정량화된 플라크 파라미터의 세트를 결정하는 단계로서, 정량화된 플라크 파라미터의 세트는 의료 영상 내의 플라크의 하나 이상의 영역의 표면적에 대한 체적의 비 또는 함수, 체적, 이질성 지수, 위치, 기하학 형상, 및 방사선 밀도를 포함하는, 결정 단계; 컴퓨터 시스템에 의해, 의료 영상으로부터 결정된 정량화된 플라크 파라미터의 세트에 적어도 부분적으로 기초하여 환자의 협착증 및 죽상동맥경화증을 정량화하는 단계; 컴퓨터 시스템에 의해, 의료 영상, 환자의 정량화된 협착증 및 죽상동맥경화증, 및 의료 영상으로부터 결정된 정량화된 플라크 파라미터의 세트에 적어도 부분적으로 기초하여 하나 이상의 주석이 달린 의료 영상을 생성하는 단계; 컴퓨터 시스템에 의해, 환자의 정량화된 협착증 및 죽상동맥경화증 및 의료 영상으로부터 결정된 정량화된 플라크 파라미터의 세트를 환자의 연령 그룹 내의 건강한 대상의 하나 이상의 의료 영상으로부터 도출된 하나 이상의 정량화된 협착증 및 죽상동맥경화증 및 하나 이상의 정량화된 플라크 파라미터의 공지의 데이터세트에 비교함으로써 적어도 부분적으로 기초하여 환자에 대한 관상 동맥 질환의 위험을 결정하는 단계; 컴퓨터 시스템에 의해, 환자의 관상 동맥 질환에 대한 환자-특정 보고를 동적으로 생성하는 단계를 포함하고, 생성된 환자-특정 보고는 하나 이상의 주석이 달린 의료 영상, 정량화된 플라크 파라미터의 세트 중 하나 이상, 및 관상 동맥 질환의 결정된 위험을 포함하고, 컴퓨터 시스템은 컴퓨터 프로세서 및 전자 저장 매체를 포함하는, 컴퓨터 구현 방법.
실시예 220: 실시예 219에 있어서, 환자-특정 보고는 영화 보고를 포함하는, 컴퓨터 구현 방법.
실시예 221: 실시예 220에 있어서, 환자-특정 보고는 증강 현실(AR) 또는 가상 현실(VR) 경험을 제공하도록 구성된 콘텐츠를 포함하는, 컴퓨터 구현 방법.
실시예 222: 실시예 219 내지 221 중 어느 하나에 있어서, 환자-특정 보고는 환자의 정량화된 협착증 및 죽상동맥경화증, 의료 영상으로부터 결정된 정량화된 플라크 파라미터의 세트, 및 관상 동맥 질환의 결정된 위험에 적어도 부분적으로 기초하여 환자에 대해 동적으로 생성된 오디오를 포함하는, 컴퓨터 구현 방법.
실시예 223: 실시예 219 내지 222 중 어느 하나에 있어서, 환자-특정 보고는 환자의 정량화된 협착증 및 죽상동맥경화증, 의료 영상으로부터 결정된 정량화된 플라크 파라미터의 세트, 및 관상 동맥 질환의 결정된 위험에 적어도 부분적으로 기초하여 환자에 대해 동적으로 생성된 문구를 포함하는, 컴퓨터 구현 방법.
실시예 224: 실시예 219 내지 223 중 어느 하나에 있어서, 컴퓨터 시스템에 의해, 환자의 정량화된 협착증 및 죽상동맥경화증, 의료 영상으로부터 결정된 정량화된 플라크 파라미터의 세트, 및 관상 동맥 질환의 결정된 위험에 적어도 부분적으로 기초하여 환자에 대한 치료 계획을 생성하는 단계를 더 포함하고, 환자-특정 보고는 생성된 치료 계획을 포함하는, 컴퓨터 구현 방법.
실시예 225: 실시예 224에 있어서, 생성된 치료 계획은 스타틴의 사용, 생활 습관 변화, 또는 수술 중 하나 이상을 포함하는, 컴퓨터 구현 방법.
실시예 226: 실시예 219 내지 225 중 어느 하나에 있어서, 컴퓨터 시스템에 의해, 의료 영상으로부터 결정된 정량화된 플라크 파라미터의 세트 중 하나 이상을 환자의 이전 의료 영상으로부터 도출된 하나 이상의 이전의 정량화된 플라크 파라미터에 대해 비교하는 것에 적어도 부분적으로 기초하여 환자에 대한 관상 동맥 질환의 진행을 추적하는 단계를 더 포함하고, 환자-특정 보고는 관상 동맥 질환의 추적된 진행을 포함하는, 컴퓨터 구현 방법.
실시예 227: 실시예 219 내지 226 중 어느 하나에 있어서, 관상 동맥 식별 알고리즘 또는 플라크 식별 알고리즘 중 하나 이상은 인공 지능 또는 기계 학습 알고리즘을 포함하는, 컴퓨터 구현 방법.
실시예 228: 실시예 219 내지 227 중 어느 하나에 있어서, 플라크 식별 알고리즘은 하나 이상의 관상 동맥의 혈관 벽과 내강 벽을 결정하고 혈관 벽과 내강 벽 사이의 체적을 하나 이상의 플라크의 영역으로서 결정함으로써 플라크의 하나 이상의 영역을 결정하도록 구성되는, 컴퓨터 구현 방법.
실시예 229: 실시예 219 내지 228 중 어느 하나에 있어서, 의료 영상은 컴퓨터 단층 촬영(CT) 영상을 포함하는, 컴퓨터 구현 방법.
실시예 230: 실시예 229에 있어서, 의료 영상은 비조영 CT 영상을 포함하는, 컴퓨터 구현 방법.
실시예 231: 실시예 229에 있어서, 의료 영상은 조영 CT 영상을 포함하는, 컴퓨터 구현 방법.
실시예 232: 실시예 219 내지 228 중 어느 하나에 있어서, 의료 영상은 자기 공명(MR) 영상을 포함하는, 컴퓨터 구현 방법.
실시예 233: 실시예 219 내지 228 중 어느 하나에 있어서, 의료 영상은 CT, x-레이, 초음파, 심장초음파, 혈관내 초음파(IVUS), MR 영상, 광 간섭 단층 촬영(OCT), 핵의학 영상, 양전자 방출 단층 촬영(PET), 단일 광자 방출 컴퓨터 단층 촬영(SPECT) 또는 근거리 적외선 분광법(NIRS) 중 하나 이상을 포함하는 영상 기술을 사용하여 획득되는, 컴퓨터 구현 방법.
실시예 234: 시스템이며, 컴퓨터 실행 가능 명령, 환자의 관상 혈관의 컴퓨터 단층 촬영(CT) 영상의 세트, 혈관 라벨, 및 협착, 플라크 및 관상 혈관의 세그먼트의 위치의 정보를 포함하는 CT 영상의 세트와 연관된 동맥 정보를 적어도 저장하도록 구성된 적어도 하나의 비일시적 컴퓨터 저장 매체; 적어도 하나의 비일시적 컴퓨터 저장 매체와 통신하는 하나 이상의 컴퓨터 하드웨어 프로세서를 포함하고, 하나 이상의 컴퓨터 하드웨어 프로세서는 적어도: CT 영상에서 식별된 관상 혈관을 묘사하고 있는 관상 혈관의 3차원(3D) 표현을 포함하는 동맥 트리를 포함하고, 동맥 트리와 관련된 세그먼트 라벨을 포함하는 제1 패널을 생성하여 사용자 인터페이스에 디스플레이하고 - 동맥 트리는 동맥 트리의 분지 사이에 심장 조직을 포함하지 않음 -; 제1 패널의 동맥 트리에서 관상 혈관의 선택을 나타내는 사용자 인터페이스 상의 입력에 응답하여, 적어도 하나의 직선화된 다평면 혈관(SMPR) 뷰에 선택된 관상 혈관의 적어도 일부를 예시하는 제2 패널을 생성하여 사용자 인터페이스 상에 디스플레이하고; 선택된 관상 혈관의 단면 뷰를 보여주는 제3 패널을 생성하여 사용자 인터페이스에 디스플레이하고, 단면 뷰는 선택된 관상 혈관의 CT 영상의 세트 중 하나를 사용하여 생성되고, 적어도 하나의 SMPR 뷰를 따른 위치는 각각 CT 영상의 세트의 CT 영상 중 하나와 연관되어, 적어도 하나의 SMPR 뷰에서 관상 혈관을 따른 특정 위치의 선택이 제3 패널의 단면 뷰에서 연관된 CT 영상을 디스플레이하게 하고; 적어도 하나의 SMPR 뷰에서 선택된 관상 동맥을 따른 제1 위치를 나타내는 제3 패널 상의 입력에 응답하여, 제3 패널의 제1 위치에서 선택된 관상 동맥과 연관된 단면 뷰를 디스플레이하기 위해 컴퓨터 실행 가능 명령을 실행하도록 구성되는, 시스템.
실시예 235: 실시예 234에 있어서, 하나 이상의 컴퓨터 하드웨어 프로세서는, 적어도 하나의 SMPR 뷰에서 선택된 관상 동맥을 따른 제2 위치를 나타내는 사용자 인터페이스의 제2 패널 상의 입력에 응답하여, 제3 패널의 단면 뷰에서 제2 위치와 연관된 연관 CT 스캔을 디스플레이하기 위해 컴퓨터 실행 가능 명령을 실행하도록 추가로 구성되는, 시스템.
실시예 236: 실시예 234에 있어서, 하나 이상의 컴퓨터 하드웨어 프로세서는, 제1 패널에 디스플레이된 동맥 트리에서 제2 관상 혈관의 선택을 나타내는 사용자 인터페이스 상의 제2 입력에 응답하여, 적어도 하나의 직선화 다평면 혈관(SMPR) 뷰에서 선택된 제2 관상 혈관의 적어도 일부를 생성하여 제2 패널에 디스플레이하고, 선택된 제2 관상 혈관의 단면 뷰를 생성하여 제3 패널에 디스플레이하기 위해 컴퓨터 실행 가능 명령을 실행하도록 추가로 구성되고, 단면 뷰는 선택된 제2 관상 혈관의 CT 영상의 세트 중 하나를 사용하여 생성되고, 적어도 하나의 SMPR 뷰에서 선택된 제2 관상 동맥을 따른 위치는 각각 CT 영상의 세트의 CT 영상 중 하나와 연관되어, 적어도 하나의 SMPR 뷰에서 제2 관상 혈관을 따른 특정 위치의 선택이 제3 패널의 단면 뷰에서 연관된 CT 영상을 디스플레이하게 하는, 시스템.
실시예 237: 실시예 234에 있어서, 하나 이상의 컴퓨터 하드웨어 프로세서는 적어도 하나의 비일시적 컴퓨터 저장 매체에 동맥 정보를 저장하기 전에 CT 영상을 처리하는 기계 학습 알고리즘을 사용하여 혈관 세그먼트를 식별하도록 추가로 구성되는, 시스템.
실시예 238: 실시예 234에 있어서, 하나 이상의 컴퓨터 하드웨어 프로세서는 제4 패널의 사용자 인터페이스에 카툰 동맥 트리를 생성하고 디스플레이하기 위해 컴퓨터 실행 가능 명령을 실행하도록 추가로 구성되고, 카툰 동맥 트리는 관상 동맥 트리의 비환자 특정 그래픽 표현을 포함하고, 카툰 동맥 트리에서 혈관 세그먼트의 선택에 응답하여, 선택된 혈관 세그먼트의 뷰가 SMPR 뷰에서 사용자 인터페이스의 패널에 디스플레이되고, SMPR 뷰에 디스플레이되는 혈관 세그먼트의 위치의 선택시에, 선택된 위치에서 선택된 혈관에 대한 정보를 디스플레이하는 패널을 생성하고 사용자 인터페이스에 디스플레이하는, 시스템.
실시예 239: 실시예 238에 있어서, 디스플레이된 정보는 선택된 혈관의 협착 및 플라크에 관한 정보를 포함하는, 시스템.
실시예 240: 실시예 234에 있어서, 하나 이상의 컴퓨터 하드웨어 프로세서는 세그먼트의 이름을 나타내는, 동맥 트리 상의 각각의 세그먼트에 근접한 이름 라벨을 생성 및 세그먼트화하기 위해 컴퓨터 실행 가능 명령을 실행하도록 추가로 구성되는, 시스템.
실시예 241: 실시예 240에 있어서, 하나 이상의 컴퓨터 하드웨어 프로세서는, 사용자 인터페이스 상에 디스플레이된 제1 세그먼트 이름 라벨의 입력 선택에 응답하여, 혈관 세그먼트 이름의 목록을 갖고 그리고 선택된 혈관 세그먼트의 현재 이름을 나타내는 패널을 생성하여 사용자 인터페이스 상에 디스플레이하고; 목록 상의 제2 세그먼트 이름 라벨의 입력 선택에 응답하여, 사용자 인터페이스에서 디스플레이된 동맥 트리의 제2 세그먼트 이름 라벨로 제1 세그먼트 이름 라벨을 대체하기 위해 컴퓨터 실행 가능 명령을 실행하도록 추가로 구성되는, 시스템.
실시예 242: 실시예 234에 있어서, 선택된 관상 혈관의 적어도 하나의 SMPR 뷰는 회전 간격으로 인접하게 디스플레이되는 선택된 관상 혈관의 적어도 2개의 SMPR 뷰를 포함하는, 시스템.
실시예 243: 실시예 234에 있어서, 적어도 하나의 SMPR 뷰는 0°, 22.5°, 45° 및 67.5°의 상대 회전으로 디스플레이되는 4개의 SMPR 뷰를 포함하는, 시스템.
실시예 244: 실시예 234에 있어서, 하나 이상의 컴퓨터 하드웨어 프로세서는, 사용자 입력에 응답하여, 적어도 하나의 SMPR 뷰를 1°의 증분으로 회전시키기 위해 컴퓨터 실행 가능 명령을 실행하도록 추가로 구성되는, 시스템.
실시예 245: 실시예 234에 있어서, 동맥 트리, 적어도 하나의 SMPR 뷰, 및 단면 뷰는 사용자 인터페이스 상에 동시에 디스플레이되는, 시스템.
실시예 246: 실시예 245에 있어서, 여기서, 동맥 트리는 사용자 패널의 중심부에 디스플레이되고, 단면 뷰는 동맥 트리 위 또는 아래에서 사용자 인터페이스의 중심부에 디스플레이되고, 적어도 하나의 SMPR 뷰는 사용자 인터페이스의 중심부의 일 측면에 디스플레이되는, 시스템.
실시예 247: 실시예 246에 있어서, 하나 이상의 컴퓨터 하드웨어 프로세서는, 사용자 인터페이스의 중심부의 일 측면에, 선택된 관상 동맥에 대응하는 하나 이상의 해부학적 평면 뷰를 생성하여 디스플레이하도록 추가로 구성되고, 선택된 관상 혈관의 해부학적 평면 뷰는 CT 영상에 기초하는, 시스템.
실시예 248: 실시예 247에 있어서, 해부학적 평면 뷰는 3개의 해부학적 평면 뷰를 포함하는, 시스템.
실시예 249: 실시예 247에 있어서, 해부학적 평면 뷰는 축면 평면 뷰, 관상면 평면 뷰, 또는 시상면 평면 뷰 중 적어도 하나를 포함하는, 시스템.
실시예 250: 실시예 234에 있어서, 하나 이상의 컴퓨터 하드웨어 프로세서는 사용자 인터페이스 상에서 회전 입력을 수신하고, 회전 입력에 기초하여 적어도 하나의 SMPR 뷰를 증분적으로 회전시키도록 추가로 구성되는, 시스템.
실시예 251: 실시예 234에 있어서, 적어도 하나의 비일시적 컴퓨터 저장 매체는 관상 동맥 혈관의 내강 및 혈관 벽을 나타내는 정보를 포함하는 혈관 벽 정보를 적어도 저장하도록 추가로 구성되고, 하나 이상의 컴퓨터 하드웨어 프로세서는 제3 패널의 단면 뷰에 디스플레이된 관상 혈관에 대응하는 내강 및 혈관 벽 정보를 그래픽으로 디스플레이하도록 추가로 구성되는, 시스템.
실시예 252: 실시예 251에 있어서, 하나 이상의 컴퓨터 하드웨어 프로세서는 적어도 하나의 SMPR 뷰에서 관상 혈관의 선택된 부분에 기초하여 사용자 인터페이스에 내강 및 혈관 벽의 정보를 디스플레이하도록 추가로 구성되는, 시스템.
실시예 253: 실시예 251에 있어서, 하나 이상의 컴퓨터 하드웨어 프로세서는 적어도 하나의 SMPR 뷰에서 관상 혈관의 선택된 부분에 기초하여 플라크의 정보를 디스플레이하도록 추가로 구성되는, 시스템.
실시예 254: 실시예 251에 있어서, 하나 이상의 컴퓨터 하드웨어 프로세서는 적어도 하나의 SMPR 뷰에서 관상 혈관의 선택된 부분에 기초하여 협착의 정보를 디스플레이하도록 추가로 구성되는, 시스템.
실시예 255: 실시예 234에 있어서, 하나 이상의 컴퓨터 하드웨어 프로세서는 카툰 동맥 트리를 생성하여 사용자 인터페이스에 디스플레이하기 위해 컴퓨터 실행 가능 명령을 실행하도록 추가로 구성되고, 카툰 동맥 트리는 동맥 트리의 비환자 특정 그래픽 표현이고, 동맥 트리의 부분은 위험 레벨에 대응하는 컬러로 디스플레이되는, 시스템.
실시예 256: 실시예 255에 있어서, 위험 레벨은 협착에 기초하는, 시스템.
실시예 257: 실시예 255에 있어서, 위험 레벨은 플라크에 기초하는, 시스템.
실시예 258: 실시예 255에 있어서, 위험 레벨은 허혈에 기초하는, 시스템.
실시예 259: 실시예 255에 있어서, 하나 이상의 컴퓨터 하드웨어 프로세서는, 카툰 동맥 트리의 부분을 선택하고, 카툰 동맥 트리의 선택된 부분에 대응하는 혈관의 SMPR 뷰를 제2 패널에 디스플레이하고, 카툰 동맥 트리의 선택된 부분에 대응하는 단면 뷰를 제3 패널에 디스플레이하는 것에 응답하여 컴퓨터 실행 가능 명령을 실행하도록 추가로 구성되는, 시스템.
실시예 269: 시스템이며, 컴퓨터 실행 가능 명령, 환자의 관상 혈관의 컴퓨터 단층 촬영(CT) 영상의 세트, 혈관 라벨, 및 협착, 플라크 및 관상 혈관의 세그먼트의 위치의 정보를 포함하는 CT 영상의 세트와 연관된 동맥 정보를 저장하기 위한 수단; 및 적어도: CT 영상에 기초하여 관상 혈관의 3차원(3D) 표현을 포함하는 동맥 트리를 포함하고, CT 영상에서 식별된 관상 혈관을 묘사하고, 세그먼트 라벨을 묘사하는 제1 패널을 생성하여 사용자 인터페이스에 디스플레이하고 - 동맥 트리는 동맥 트리의 분지 사이에 심장 조직을 포함하지 않음 - ; 제1 패널의 동맥 트리에서 관상 혈관의 선택을 나타내는 사용자 인터페이스 상의 입력에 응답하여, 적어도 하나의 직선화된 다평면 혈관(SMPR) 뷰에 선택된 관상 혈관의 적어도 일부를 예시하는 제2 패널을 생성하여 사용자 인터페이스 상에 디스플레이하고; 선택된 관상 혈관의 단면 뷰를 보여주는 제3 패널을 생성하여 사용자 인터페이스에 디스플레이하고, 단면 뷰는 선택된 관상 혈관의 CT 영상의 세트 중 하나를 사용하여 생성되고, 적어도 하나의 SMPR 뷰를 따른 위치는 각각 CT 영상의 세트의 CT 영상 중 하나와 연관되어, 적어도 하나의 SMPR 뷰에서 관상 혈관을 따른 특정 위치의 선택이 제3 패널의 단면 뷰에서 연관된 CT 영상을 디스플레이하게 하고; 적어도 하나의 SMPR 뷰에서 선택된 관상 동맥을 따른 제1 위치를 나타내는 사용자 인터페이스 상의 입력에 응답하여, 제3 패널의 단면 뷰와 연관된 연관 CT 스캔을 디스플레이하기 위해 컴퓨터 실행 가능 명령을 실행하기 위한 수단을 포함하는, 시스템.
실시예 261: CT 영상 및 대응 정보를 분석하기 위한 방법이며, 방법은 컴퓨터 실행 가능 명령, 환자의 관상 혈관의 컴퓨터 단층 촬영(CT) 영상의 세트, 혈관 라벨, 및 협착, 플라크 및 관상 혈관의 세그먼트의 위치의 정보 및 CT 영상의 세트의 관상 혈관의 식별 및 위치를 나타내는 정보를 포함하는 CT 영상의 세트와 연관된 동맥 정보를 저장하는 단계; CT 영상에 기초하여 관상 혈관의 3차원(3D) 표현을 포함하는 동맥 트리를 포함하고, CT 영상에서 식별된 관상 혈관을 묘사하고, 세그먼트 라벨을 묘사하는 제1 패널을 생성하여 사용자 인터페이스에 디스플레이하는 단계 - 동맥 트리는 동맥 트리의 분지 사이에 심장 조직을 포함하지 않음 -; 제1 패널의 동맥 트리에서 관상 혈관의 선택을 나타내는 제1 입력을 수신하는 단계; 제1 입력에 응답하여, 적어도 하나의 직선화된 다평면 혈관(SMPR) 뷰에서 선택된 관상 혈관의 적어도 일부를 예시하는 제2 패널을 생성하여 사용자 인터페이스 상에 디스플레이하는 단계; 선택된 관상 혈관의 단면 뷰를 보여주는 제3 패널을 생성하여 사용자 인터페이스에 디스플레이하는 단계로서, 단면 뷰는 선택된 관상 혈관의 CT 영상의 세트 중 하나를 사용하여 생성되고, 적어도 하나의 SMPR 뷰를 따른 위치는 각각 CT 영상의 세트의 CT 영상 중 하나와 연관되어, 적어도 하나의 SMPR 뷰에서 관상 혈관을 따른 특정 위치의 선택이 제3 패널의 단면 뷰에서 연관된 CT 영상을 디스플레이하게 하는, 생성 및 디스플레이 단계; 적어도 하나의 SMPR 뷰에서 선택된 관상 동맥을 따른 제1 위치를 나타내는 사용자 인터페이스 상에 제2 입력을 수신하는 단계; 및 제2 입력에 응답하여, 제3 패널의 단면 뷰와 연관된 연관 CT 스캔을 디스플레이하는 단계를 포함하고, 방법은 하나 이상의 비일시적 컴퓨터 저장 매체 상에 통신적으로 저장된 컴퓨터 실행 가능 명령을 실행하는 하나 이상의 컴퓨터 하드웨어 프로세서에 의해 수행되는, 방법.
실시예 262: 실시예 261에 있어서, 적어도 하나의 SMPR 뷰에서 선택된 관상 동맥을 따른 제2 위치를 나타내는 사용자 인터페이스의 제2 패널 상의 입력에 응답하여, 제3 패널의 단면 뷰에서 제2 위치와 연관된 연관 CT 스캔을 디스플레이하는 단계를 더 포함하는, 방법.
실시예 263: 실시예 261 및 262 중 어느 하나에 있어서, 제1 패널에 디스플레이된 동맥 트리에서 제2 관상 혈관의 선택을 나타내는 사용자 인터페이스 상의 제2 입력에 응답하여, 적어도 하나의 직선화 다평면 혈관(SMPR) 뷰에서 선택된 제2 관상 혈관의 적어도 일부를 생성하여 제2 패널에 디스플레이하고, 선택된 제2 관상 혈관의 단면 뷰를 생성하여 제3 패널에 디스플레이하는 단계를 더 포함하고, 단면 뷰는 선택된 제2 관상 혈관의 CT 영상의 세트 중 하나를 사용하여 생성되고, 적어도 하나의 SMPR 뷰에서 선택된 제2 관상 동맥을 따른 위치는 각각 CT 영상의 세트의 CT 영상 중 하나와 연관되어, 적어도 하나의 SMPR 뷰에서 제2 관상 혈관을 따른 특정 위치의 선택이 제3 패널의 단면 뷰에서 연관된 CT 영상을 디스플레이하게 하는, 방법.
실시예 264: 실시예 261 내지 263 중 어느 하나에 있어서, 제4 패널의 사용자 인터페이스에 카툰 동맥 트리를 생성하고 디스플레이하는 단계를 더 포함하고, 카툰 동맥 트리는 관상 동맥 트리의 비환자 특정 그래픽 표현을 포함하고, 카툰 동맥 트리에서 혈관 세그먼트의 선택에 응답하여, 선택된 혈관 세그먼트의 뷰가 SMPR 뷰에서 사용자 인터페이스의 패널에 디스플레이되고, SMPR 뷰에 디스플레이되는 혈관 세그먼트의 위치의 선택시에, 선택된 위치에서 선택된 혈관에 대한 정보를 디스플레이하는 패널을 생성하고 사용자 인터페이스에 디스플레이하는, 방법.
실시예 265: 실시예 264에 있어서, 디스플레이된 정보는 선택된 혈관의 협착 및 플라크에 관한 정보를 포함하는, 방법.
실시예 266: 실시예 261 내지 265 중 어느 하나에 있어서, 저장된 동맥 정보를 사용하여, 세그먼트의 이름을 나타내는, 동맥 트리 상의 각각의 세그먼트에 근접한 세그먼트 이름 라벨을 생성 및 디스플레이하는 단계를 더 포함하는, 방법.
실시예 267: 실시예 261 내지 266 중 어느 하나에 있어서, 사용자 인터페이스 상에 디스플레이된 제1 세그먼트 이름 라벨의 입력 선택에 응답하여, 혈관 세그먼트 이름의 목록을 갖고 그리고 선택된 혈관 세그먼트의 현재 이름을 나타내는 패널을 생성하여 사용자 인터페이스 상에 디스플레이하는 단계, 및 목록 상의 제2 세그먼트 이름 라벨의 입력 선택에 응답하여, 사용자 인터페이스에서 디스플레이된 동맥 트리의 제2 세그먼트 이름 라벨로 제1 세그먼트 이름 라벨을 대체하는 단계를 더 포함하는, 방법.
실시예 268: 실시예 261 내지 267 중 어느 하나에 있어서, 사용자 인터페이스의 제4 패널에 툴바를 생성하고 디스플레이하는 단계를 더 포함하고, 툴바는 사용자 인터페이스 상에 디스플레이된 동맥 정보를 추가, 삭제 또는 수정하기 위한 도구를 포함하는, 방법.
실시예 269: 실시예 268에 있어서, 툴바의 도구는 내강 벽 도구, 혈관 벽에 스냅 도구, 내강 벽에 스냅 도구, 혈관 벽 도구, 세그먼트 도구, 협착 도구, 플라크 오버레이 도구, 중심선에 스냅 도구, 만성 완전 폐색 도구, 스텐트 도구, 제외 도구, 추적기 도구 또는 거리 측정 도구를 포함하는, 방법.
실시예 270: 실시예 268에 있어서, 툴바의 도구는 내강 벽 도구, 혈관 벽에 스냅 도구, 내강 벽에 스냅 도구, 혈관 벽 도구, 세그먼트 도구, 협착 도구, 플라크 오버레이 도구, 중심선에 스냅 도구, 만성 완전 폐색 도구, 스텐트 도구, 제외 도구, 추적기 도구, 및 거리 측정 도구를 포함하는, 방법.
실시예 271: 알고리즘 기반 의료 영상 분석을 위한 대상의 관상 영역의 의료 영상의 정규화를 용이하게 하도록 구성된 정규화 디바이스이며, 정규화 디바이스는 폭, 길이 및 깊이 치수를 갖는 기판으로서, 기판은 근위 표면 및 원위 표면을 갖고, 근위 표면은 환자의 신체 부분의 표면에 인접하게 배치되도록 구성되는, 기판; 기판 내에 위치된 복수의 구획으로서, 복수의 구획의 각각은 공지의 물질의 샘플을 보유하도록 구성되는 복수의 구획을 포함하고, 여기서: 복수의 구획의 제1 서브세트는 상이한 농도를 갖는 조영제 물질의 샘플을 보유하고, 복수의 구획의 제2 서브세트는 알고리즘 기반 의료 영상 분석에 의해 분석될 물질을 나타내는 물질의 샘플을 보유하고, 복수의 구획의 제3 서브세트는 팬텀 물질의 샘플을 보유하는, 정규화 디바이스.
실시예 272: 실시예 271에 있어서, 조영제 물질은 요오드, Gad, 탄탈륨, 텅스텐, 금, 비스무트, 또는 이테르븀 중 하나를 포함하는, 정규화 디바이스.
실시예 273: 실시예 271 내지 272 중 어느 하나에 있어서, 알고리즘 기반 의료 영상 분석에 의해 분석될 물질을 나타내는 물질의 샘플은 칼슘 1000 HU, 칼슘 220 HU, 칼슘 150 HU, 칼슘 130 HU 및 저감쇠(예를 들어, 30 HU) 물질 중 적어도 2개를 포함하는, 정규화 디바이스.
실시예 274: 실시예 271 내지 273 중 어느 하나에 있어서, 팬텀 물질의 샘플은 물, 지방, 칼슘, 요산, 공기, 철 또는 혈액 중 하나 이상을 포함하는, 정규화 디바이스.
실시예 275: 실시예 271 내지 274 중 어느 하나에 있어서, 제1 배열의 하나 이상의 구획의 각각의 영상의 위치가 하나 이상의 기준점을 사용하여 결정될 수 있도록 정규화 디바이스의 영상 내의 정규화 디바이스의 정렬을 결정하기 위해 기판 상에 또는 내에 위치된 하나 이상의 기준점을 더 포함하는, 정규화 디바이스.
실시예 276: 실시예 271 내지 275 중 어느 하나에 있어서, 기판은 제1 층을 포함하고, 복수의 구획 중 적어도 몇몇은 제1 배열로 제1 층에 위치되는, 정규화 디바이스.
실시예 277: 실시예 276에 있어서, 기판은 제1 층 위에 위치된 제2 층을 더 포함하고, 복수의 구획 중 적어도 몇몇은 제2 배열을 포함하는 제2 층에 위치되는, 정규화 디바이스.
실시예 278: 실시예 277에 있어서, 제2 층 위에 위치된 하나 이상의 부가의 층을 더 포함하고, 복수의 구획 중 적어도 몇몇은 하나 이상의 부가의 층 내에 위치되는, 정규화 디바이스.
실시예 279: 실시예 271 내지 278 중 어느 하나에 있어서, 구획 중 적어도 하나는, 물질이 자체 밀봉 구획 내로 주입될 수 있고 구획이 주입된 물질을 수용하도록 밀봉되도록, 자체 밀봉되도록 구성되는, 정규화 디바이스.
실시예 280: 실시예 271 내지 279 중 어느 하나에 있어서, 기판의 근위 표면 상에 있고 정규화 디바이스를 환자의 신체 부분에 접착하도록 구성된 접착제를 더 포함하는, 정규화 디바이스.
실시예 281: 실시예 271 내지 280 중 어느 하나에 있어서, 환자의 신체 부분으로부터 하나 이상의 구획 내의 물질로 열을 전달하도록 설계된 열 전달 물질을 더 포함하는, 정규화 디바이스.
실시예 282: 실시예 271 내지 280 중 어느 하나에 있어서, 근위측 및 원위측을 갖는 접착 스트립을 더 포함하고, 근위측은 신체 부분에 접착되도록 구성되고, 접착 스트립은 기판의 근위 표면에 제거 가능하게 부착되도록 구성된 체결구를 포함하는, 정규화 디바이스.
실시예 283: 실시예 282에 있어서, 체결구는 후크 및 루프 체결구의 제1 부분을 포함하고, 제1 층은 후크 및 루프 체결구의 대응하는 제2 부분을 포함하는, 정규화 디바이스.
실시예 284: 실시예 271 내지 283 중 어느 하나에 있어서, 기판은 기판이 신체 부분의 형상에 합치할 수 있게 하도록 하는 가요성 물질인, 정규화 디바이스.
실시예 285: 실시예 271 내지 284 중 어느 하나에 있어서, 제1 배열은 구획의 원형 배열을 포함하는, 정규화 디바이스.
실시예 286: 실시예 271 내지 284 중 어느 하나에 있어서, 제1 배열은 구획의 직사각형 배열을 포함하는, 정규화 디바이스.
실시예 287: 실시예 271 내지 286 중 어느 하나에 있어서, 적어도 2개의 구획의 물질은 동일한, 정규화 디바이스.
실시예 288: 실시예 271 내지 287 중 어느 하나에 있어서, 구획의 길이, 폭 또는 깊이 치수 중 적어도 하나는 0.5 mm 미만인, 정규화 디바이스.
실시예 289: 실시예 271 내지 287 중 어느 하나에 있어서, 구획의 폭 치수는 0.1 mm 내지 1 mm인, 정규화 디바이스.
실시예 290: 실시예 289에 있어서, 구획의 길이 치수는 0.1 mm 내지 1 mm인, 정규화 디바이스.
실시예 291: 실시예 290에 있어서, 구획의 깊이 치수는 0.1 mm 내지 1 mm인, 정규화 디바이스.
실시예 292: 실시예 271 내지 287 중 어느 하나에 있어서, 구획의 길이, 폭 또는 깊이 치수 중 적어도 하나는 1.0 mm 초과인, 정규화 디바이스.
실시예 293: 실시예 271 내지 287 중 어느 하나에 있어서, 몇몇 실시예에서, 정규화 디바이스 내의 구획의 일부 또는 전부의 치수는, 정규화 디바이스가 상이한 해상도 능력을 갖는 다양한 의료 영상 스캐닝 디바이스에 사용될 수 있도록 단일 정규화 디바이스가 상이한 치수를 갖는 복수의 구획을 가질 수 있게 하기 위해 서로 상이한, 정규화 디바이스.
실시예 294: 실시예 271 내지 287 중 어느 하나에 있어서, 정규화 디바이스는 정규화 디바이스가 스캐닝 디바이스의 실제 해상도 능력을 결정하는 데 사용될 수 있도록 상이한 치수를 갖는 복수의 구획을 포함하는, 정규화 디바이스.
실시예 295: 정규화 디바이스이며, 폭, 길이, 및 깊이 치수를 갖는 제1 층으로서, 제1 층은 근위 표면 및 원위 표면을 갖고, 근위 표면은 환자의 신체 부분의 표면에 인접하게 배치되도록 구성되고, 제1 층은 제1 배열로 제1 층에 위치된 하나 이상의 구획을 포함하고, 하나 이상의 구획의 각각은 공지의 물질을 포함하는, 제1 층; 및 제1 배열의 하나 이상의 구획의 각각의 영상의 위치가 하나 이상의 기준점을 사용하여 결정될 수 있도록 정규화 디바이스의 영상 내의 정규화 디바이스의 정렬을 결정하기 위한 하나 이상의 기준점을 포함하는, 정규화 디바이스.
실시예 296: 실시예 295에 있어서, 폭, 길이, 및 깊이 치수를 갖는 제2 층을 더 포함하고, 제2 층은 근위 표면 및 원위 표면을 갖고, 근위 표면은 제1 층의 원위 표면에 인접하고, 제2 층은 제2 배열로 제2 층에 위치된 하나 이상의 구획을 포함하고, 제2 층의 하나 이상의 구획의 각각은 공지의 물질을 포함하는, 정규화 디바이스.
실시예 297: 실시예 296에 있어서, 폭, 길이 및 깊이 치수를 각각 갖는 하나 이상의 부가의 층을 더 포함하고, 하나 이상의 부가의 층은 근위 표면 및 원위 표면을 갖고, 근위 표면은 제2 층을 향하고 하나 이상의 층의 각각은 제2 층이 제1 층과 하나 이상의 부가의 층 사이에 있도록 위치되고, 하나 이상의 부가의 층의 각각은 제2 배열로 각각의 하나 이상의 부가의 층에 위치된 하나 이상의 구획을 각각 포함하고, 하나 이상의 부가의 층의 하나 이상의 구획의 각각은 공지의 물질을 포함하는, 정규화 디바이스.
실시예 298: 실시예 295 내지 297 중 어느 하나에 있어서, 구획 중 적어도 하나는, 물질이 자체 밀봉 구획 내로 주입될 수 있고 구획이 주입된 물질을 수용하도록 밀봉되도록, 자체 밀봉되도록 구성되는, 정규화 디바이스.
실시예 299: 실시예 295에 있어서, 제1 층의 근위 표면 상의 접착제를 더 포함하는, 정규화 디바이스.
실시예 300: 실시예 295에 있어서, 환자의 신체 부분으로부터 하나 이상의 구획 내의 물질로 열을 전달하도록 설계된 열 전달 물질을 더 포함하는, 정규화 디바이스.
실시예 301: 실시예 295에 있어서, 근위측 및 원위측을 갖는 접착 스트립을 더 포함하고, 근위측은 신체 부분에 접착되도록 구성되고, 접착 스트립은 제1 층의 근위 표면에 제거 가능하게 부착되도록 구성된 체결구를 포함하는, 정규화 디바이스.
실시예 302: 실시예 301에 있어서, 체결구는 후크 및 루프 체결구의 제1 부분을 포함하고, 제1 층은 후크 및 루프 체결구의 대응하는 제2 부분을 포함하는, 정규화 디바이스.
실시예 303: 실시예 295에 있어서, 정규화 디바이스는 정규화 디바이스가 신체 부분의 형상에 합치할 수 있게 하는 가요성 물질을 포함하는, 정규화 디바이스.
실시예 304: 실시예 295에 있어서, 제1 배열은 구획의 원형 배열을 포함하는, 정규화 디바이스.
실시예 305: 실시예 295에 있어서, 제1 배열은 구획의 직사각형 배열을 포함하는, 정규화 디바이스.
실시예 306: 실시예 295에 있어서, 제1 층의 적어도 2개의 구획 내의 물질은 동일한, 정규화 디바이스.
실시예 307: 실시예 296 또는 297 중 어느 하나에 있어서, 임의의 층의 적어도 2개의 구획 내의 물질은 동일한, 정규화 디바이스.
실시예 308: 실시예 295에 있어서, 하나 이상의 구획 중 적어도 하나는 조영제 물질을 포함하는, 정규화 디바이스.
실시예 309: 실시예 308에 있어서, 조영제 물질은 요오드, Gad, 탄탈륨, 텅스텐, 금, 비스무트, 또는 이테르븀 중 하나를 포함하는, 정규화 디바이스.
실시예 310: 실시예 295에 있어서, 하나 이상의 구획 중 적어도 하나는 연구된 변수를 나타내는 물질을 포함하는, 정규화 디바이스.
실시예 311: 실시예 309에 있어서, 연구된 변수는 칼슘 1000 HU, 칼슘 220 HU, 칼슘 150 HU, 칼슘 130 HU, 및 저감쇠(예를 들어, 30 HU) 물질을 나타내는, 정규화 디바이스.
실시예 312: 실시예 295에 있어서, 하나 이상의 구획 중 적어도 하나는 팬텀을 포함하는, 정규화 디바이스.
실시예 313: 실시예 312에 있어서, 팬텀은 물, 지방, 칼슘, 요산, 공기, 철 또는 혈액 중 하나를 포함하는, 정규화 디바이스.
실시예 314: 실시예 295에 있어서, 제1 배열은 조영제를 포함하는 적어도 하나의 구획, 연구 변수를 포함하는 적어도 하나의 구획 및 팬텀을 포함하는 적어도 하나의 구획을 포함하는, 정규화 디바이스.
실시예 315: 실시예 295에 있어서, 제1 배열은 조영제를 포함하는 적어도 하나의 구획 및 연구 변수를 포함하는 적어도 하나의 구획을 포함하는, 정규화 디바이스.
실시예 316: 실시예 295에 있어서, 제1 배열은 조영제를 포함하는 적어도 하나의 구획 및 팬텀을 포함하는 적어도 하나의 구획을 포함하는, 정규화 디바이스.
실시예 317: 실시예 295에 있어서, 제1 배열은 연구 변수를 포함하는 적어도 하나의 구획 및 팬텀을 포함하는 적어도 하나의 구획을 포함하는, 정규화 디바이스.
실시예 318: 실시예 271에 있어서, 제1 층의 제1 배열은 조영제를 포함하는 적어도 하나의 구획, 연구 변수를 포함하는 적어도 하나의 구획 및 팬텀을 포함하는 적어도 하나의 구획을 포함하고, 제2 층의 제2 배열은 조영제를 포함하는 적어도 하나의 구획, 연구 변수를 포함하는 적어도 하나의 구획 및 팬텀을 포함하는 적어도 하나의 구획을 포함하는, 정규화 디바이스.
실시예 319: 실시예 295에 있어서, 구획의 길이, 폭 또는 깊이 치수 중 적어도 하나는 0.5 mm 미만인, 정규화 디바이스.
실시예 320: 실시예 295에 있어서, 구획의 폭 치수는 0.1 mm 내지 1 mm인, 정규화 디바이스.
실시예 321: 실시예 295에 있어서, 구획의 길이 치수는 0.1 mm 내지 1 mm인, 정규화 디바이스.
실시예 322: 실시예 295에 있어서, 구획의 깊이(또는 높이) 치수는 0.1 mm 내지 1 mm인, 정규화 디바이스.
실시예 323: 실시예 295에 있어서, 구획의 길이, 폭 또는 깊이 치수 중 적어도 하나는 1.0 mm 초과인, 정규화 디바이스.
실시예 324: 실시예 295 내지 297 중 어느 하나에 있어서, 정규화 디바이스 내의 구획의 일부 또는 전부의 치수는, 정규화 디바이스가 상이한 해상도 능력을 갖는 다양한 의료 영상 스캐닝 디바이스에 사용될 수 있도록 단일 정규화 디바이스가 상이한 치수를 갖는 복수의 구획을 가질 수 있게 하기 위해 서로 상이한, 정규화 디바이스.
실시예 325: 실시예 295 내지 297 중 어느 하나에 있어서, 정규화 디바이스는 정규화 디바이스가 스캐닝 디바이스의 실제 해상도 능력을 결정하는 데 사용될 수 있도록 상이한 치수를 갖는 복수의 구획을 포함하는, 정규화 디바이스.
실시예 326: 알고리즘 기반 의료 영상 분석을 위해 의료 영상을 정규화하기 위한 컴퓨터 구현 방법이며, 의료 영상의 정규화는 알고리즘 기반 의료 영상 분석의 정확도를 개선시키고, 방법은 컴퓨터 시스템에 의해, 대상의 영역 및 정규화 디바이스의 제1 의료 영상에 액세스하는 단계로서, 제1 의료 영상은 비침습적으로 획득되고, 정규화 디바이스는 복수의 구획을 포함하는 기판을 포함하고, 복수의 구획의 각각은 공지의 물질의 샘플을 보유하는, 액세스 단계; 컴퓨터 시스템에 의해, 대상의 영역 및 정규화 디바이스의 제2 의료 영상에 액세스하는 단계로서, 제2 의료 영상은 비침습적으로 획득되고, 제1 의료 영상 및 제2 의료 영상은 이하의 적어도 하나를 포함하는데: 제1 의료 영상의 캡처와 연관된 하나 이상의 제1 가변 획득 파라미터는 제2 의료 영상의 캡처와 연관된 대응하는 하나 이상의 제2 가변 획득 파라미터와 상이하고, 제1 의료 영상을 캡처하는 데 사용되는 제1 영상 캡처 기술은 제2 의료 영상을 캡처하는 데 사용되는 제2 영상 캡처 기술과 상이하며, 제1 의료 영상의 캡처 동안 사용된 제1 조영제는 제2 의료 영상의 캡처 동안 사용된 제2 조영제와 상이한, 액세스 단계; 컴퓨터 시스템에 의해, 제1 의료 영상 내에서 정규화 디바이스의 영상 파라미터를 식별하는 단계; 제1 의료 영상 내의 정규화 디바이스의 제1 식별된 영상 파라미터에 부분적으로 기초하여 알고리즘 기반 의료 영상 분석을 위한 정규화된 제1 의료 영상을 생성하는 단계; 컴퓨터 시스템에 의해, 제2 의료 영상 내에서 정규화 디바이스의 영상 파라미터를 식별하는 단계; 제2 의료 영상 내의 정규화 디바이스의 제2 식별된 영상 파라미터에 부분적으로 기초하여 알고리즘 기반 의료 영상 분석을 위한 정규화된 제2 의료 영상을 생성하는 단계를 포함하고; 컴퓨터 시스템은 컴퓨터 프로세서 및 전자 저장 매체를 포함하는, 컴퓨터 구현 방법.
실시예 327: 실시예 326에 있어서, 알고리즘 기반 의료 영상 분석은 인공 지능 또는 기계 학습 영상 분석 알고리즘을 포함하고, 인공 지능 또는 기계 학습 영상 분석 알고리즘은 정규화 디바이스를 포함하는 영상을 사용하여 훈련되는, 컴퓨터 구현 방법.
실시예 328: 실시예 326 내지 327 중 어느 하나에 있어서, 제1 의료 영상 및 제2 의료 영상은 각각 CT 영상을 포함하고, 하나 이상의 제1 가변 획득 파라미터 및 하나 이상의 제2 가변 획득 파라미터는 킬로볼트(kV), 킬로볼트 피크(kVp), 밀리암페어(mA) 또는 동기 방법 중 하나 이상을 포함하는, 컴퓨터 구현 방법.
실시예 329: 실시예 328에 있어서, 동기 방법은 전향적 축방향 트리거링, 후향적 ECG 나선형 동기, 및 고속 피치 나선형 중 하나를 포함하는, 컴퓨터 구현 방법.
실시예 330: 실시예 326 내지 329 중 어느 하나에 있어서, 제1 영상 캡처 기술 및 제2 영상 캡처 기술은 각각 이중 소스 스캐너, 단일 소스 스캐너, 이중 소스 대 단일 소스 스캐너 이중 에너지, 단색 에너지, 스펙트럼 CT, 광자 계수, 및 상이한 검출기 물질 중 하나를 포함하는, 컴퓨터 구현 방법.
실시예 331: 실시예 326 내지 330 중 어느 하나에 있어서, 제1 조영제 및 제2 조영제는 각각 다양한 농도의 요오드 조영제 또는 비-요오드 조영제 중 하나를 포함하는, 컴퓨터 구현 방법.
실시예 332: 실시예 326 내지 327 중 어느 하나에 있어서, 제1 영상 캡처 기술 및 제2 영상 캡처 기술은 각각 CT, x-레이, 초음파, 심장초음파, 혈관내 초음파(IVUS), MR 영상, 광 간섭 단층 촬영(OCT), 핵의학 영상, 양전자 방출 단층 촬영(PET), 단일 광자 방출 컴퓨터 단층 촬영(SPECT) 또는 근거리 적외선 분광법(NIRS) 중 하나를 포함하는, 컴퓨터 구현 방법.
실시예 333: 실시예 326 내지 332 중 어느 하나에 있어서, 제1 의료 이미저를 캡처하는 제1 의료 이미저는 제2 의료 영상을 캡처하는 제2 의료 영상과는 상이한, 컴퓨터 구현 방법.
실시예 334: 실시예 326 내지 333 중 어느 하나에 있어서, 제1 의료 영상의 대상은 제1 의료 영상의 대상과는 상이한, 컴퓨터 구현 방법.
실시예 335: 실시예 326 내지 333 중 어느 하나에 있어서, 제1 의료 영상의 대상은 제2 의료 영상의 대상과 동일한, 컴퓨터 구현 방법.
실시예 336: 실시예 326 내지 333 중 어느 하나에 있어서, 제1 의료 영상의 대상은 제2 의료 영상의 대상과는 상이한, 컴퓨터 구현 방법.
실시예 337: 실시예 326 내지 336 중 어느 하나에 있어서, 제1 의료 영상의 캡처는 적어도 하루만큼 제2 의료 영상의 캡처로부터 분리되는, 컴퓨터 구현 방법.
실시예 338: 실시예 326 내지 337 중 어느 하나에 있어서, 제1 의료 영상의 캡처는 적어도 하루만큼 제2 의료 영상의 캡처로부터 분리되는, 컴퓨터 구현 방법.
실시예 339: 실시예 326 내지 338 중 어느 하나에 있어서, 제1 의료 영상의 캡처의 위치는 제2 의료 영상의 캡처의 위치와 지리적으로 분리되는, 컴퓨터 구현 방법.
실시예 340: 실시예 326 내지 339 중 어느 하나에 있어서, 정규화 디바이스는 실시예 271 내지 325 중 어느 하나의 정규화 디바이스를 포함하는, 컴퓨터 구현 방법.
실시예 340: 실시예 326 내지 339 중 어느 하나에 있어서, 정규화 디바이스는 실시예 271 내지 325 중 어느 하나의 정규화 디바이스를 포함하는, 컴퓨터 구현 방법.
실시예 341: 실시예 326 내지 340 중 어느 하나에 있어서, 대상의 영역은 대상의 관상 영역을 포함하는, 컴퓨터 구현 방법.
실시예 342: 실시예 326 내지 341 중 어느 하나에 있어서, 대상의 영역은 대상의 하나 이상의 관상 동맥을 포함하는, 컴퓨터 구현 방법.
실시예 343: 실시예 326 내지 340 중 어느 하나에 있어서, 대상의 영역은 대상의 경동맥, 신장 동맥, 복부 대동맥, 대뇌 동맥, 하지 또는 상지 중 하나 이상을 포함하는, 컴퓨터 구현 방법.
다른 실시예(들)
본 발명이 특정 실시예 및 예시의 맥락에서 개시되었지만, 본 발명은 구체적으로 개시된 실시예를 넘어, 본 발명의 다른 대안적인 실시예 및/또는 용도 그리고 그의 명확한 변형 및 등가물까지 확장함이 본 기술 분야의 통상의 기술자에 의해 이해될 것이다. 게다가, 본 발명의 다수의 변경이 상세하게 도시되고 설명되었지만, 본 발명의 범주 내에 있는 다른 변형이 본 개시내용에 기초하여 본 기술 분야의 통상의 기술자에게 매우 명백할 것이다. 실시예의 특정 특징들 및 양태들의 다양한 조합 또는 하위 조합이 만들어질 수 있으며 여전히 본 발명의 범주 내에 들 수 있음이 또한 고려된다. 개시된 실시예의 다양한 특징들 및 양태들은 개시된 본 발명의 실시예의 여러 모드를 형성하기 위해 서로 조합되거나 대체될 수 있음을 이해하여야 한다. 본 명세서에 개시된 임의의 방법은 인용된 순서대로 수행될 필요는 없다. 따라서, 본 명세서에 개시된 본 발명의 범주는 전술된 특정 실시예에 의해 한정되지 않아야 하는 것으로 의도된다.
구체적으로 달리 언급되거나 또는 사용된 바와 같은 맥락 내에서 다른 방식으로 이해되지 않으면, 다른 것들 중에서도, "할 수 있다", "할 수 있는", "할 수도 있다", 또는 "할 수도 있는"과 같은 조건 언어는 일반적으로 특정 실시예가 특정 특징, 요소 및/또는 단계를 포함하고, 반면에 다른 실시예는 포함하지 않는다는 것을 전달하도록 의도된다. 따라서, 이러한 조건 언어는 일반적으로 특징, 요소 및/또는 단계가 하나 이상의 실시예에 대해 어쨌든 요구되고 또는 사용자 입력 또는 프롬프팅을 갖거나 갖지 않고, 하나 이상의 실시예가 이들 특징, 요소 및/또는 단계가 임의의 특정 실시예에 포함되거나 수행될 것인지 여부를 결정하기 위한 로직을 반드시 포함한다는 것을 암시하도록 의도되는 것은 아니다. 여기에 사용된 표제는 독자의 편의를 위한 것이며 본 발명 또는 청구범위의 범주를 한정하도록 의도된 것은 아니다.
또한, 본 명세서에 설명된 방법 및 디바이스는 다양한 수정 및 대안적인 형태가 가능하지만, 그 특정 예는 도면에 도시되어 있고 본 명세서에 상세히 설명되어 있다. 그러나, 본 발명은 개시된 특정 형태 또는 방법에 한정되지 않고, 반대로 본 발명은 설명된 다양한 구현예 및 첨부된 청구범위의 사상 및 범주 내에 있는 모든 수정, 등가물 및 대안을 커버하려는 것이라는 것이 이해되어야 한다. 또한, 구현예 또는 실시예와 관련하여 임의의 특정 특징, 양태, 방법, 속성, 특성, 품질, 속성, 요소 등의 본 명세서의 개시내용은 본 명세서에 설명된 모든 다른 구현예 또는 실시예에서 사용될 수 있다. 본 명세서에 개시된 임의의 방법은 인용된 순서대로 수행될 필요는 없다. 본 명세서에 개시된 방법은 의사에 의해 취해진 특정 동작을 포함할 수도 있지만; 방법은 또한 명시적 또는 암시적으로 해당 동작에 대한 임의의 제3자 지시를 포함할 수 있다. 본 명세서에 개시된 범위는 또한 임의의 및 모든 중첩, 하위 범위 및 그 조합을 포함한다. "최대", "적어도", "초과", "미만", "내지" 등과 같은 언어는 인용된 숫자를 포함한다. "약" 또는 "대략"과 같은 용어가 전방에 오는 숫자는 인용된 숫자를 포함하고 상황 기초하여 해석되어야 한다(예를 들어, 상황 하에서 합리적으로 가능한 한 정확하게, 예를 들어, ±5%, ±10%, ±15 % 등). 예를 들어, "약 3.5 mm"는 "3.5 mm"를 포함한다. "실질적으로"와 같은 용어가 전방에 오는 문구는 인용된 문구를 포함하고 상황에 기초하여 해석되어야 한다(예를 들어, 상황 하에서 합리적으로 가능한 한). 예를 들어, "실질적으로 일정한"은 "일정한"을 포함한다. 달리 언급되지 않으면, 모든 측정은 온도 및 압력을 포함한 표준 조건에서 이루어진다.
본 명세서에 사용될 때, 항목의 목록 "중 적어도 하나"를 칭하는 문구는 단일 구성원을 포함하는 이들 항목의 임의의 조합을 칭한다. 예로서, "A, B 또는 C 중 적어도 하나"는 A, B, C, A 및 B, A 및 C, B 및 C, A, B 및 C를 커버하도록 의도된다. 문구 "X, Y 및 Z 중 적어도 하나"와 같은 접속 언어는, 구체적으로 달리 언급되지 않으면, 항목, 용어 등이 X, Y 또는 Z 중 적어도 하나일 수도 있다는 것을 전달하기 위해 일반적으로 사용되는 바와 같은 맥락으로 이해된다. 따라서, 이러한 접속 언어는 일반적으로 특정 실시예가 X 중 적어도 하나, Y 중 적어도 하나 및 Z 중 적어도 하나가 각각 존재하도록 요구한다는 것을 암시하도록 의도되지 않는다.

Claims (20)

  1. 알고리즘 기반 의료 영상 분석을 위한 대상의 관상 영역의 의료 영상의 정규화를 용이하게 하도록 구성된 정규화 디바이스이며,
    폭, 길이 및 깊이 치수를 갖는 기판으로서, 기판은 근위 표면 및 원위 표면을 갖고, 근위 표면은 대상의 신체 부분의 표면에 인접하게 배치되도록 구성되는, 기판;
    기판 내에 위치된 복수의 구획으로서, 복수의 구획의 각각은 공지의 물질의 샘플을 보유하도록 구성되고,
    복수의 구획의 제1 서브세트는 조영제 물질의 적어도 하나의 샘플을 보유하고,
    복수의 구획의 제2 서브세트는 알고리즘 기반 의료 영상 분석에 의해 분석될 물질을 나타내는 물질의 샘플을 보유하고, 물질을 나타내는 물질의 샘플은 칼슘 1000 HU, 칼슘 220 HU, 칼슘 150 HU, 칼슘 130 HU 및 30 HU의 저감쇠 물질 중 적어도 2개를 포함하고,
    복수의 구획의 제3 서브세트는 팬텀 물질의 적어도 하나의 샘플을 보유하는, 복수의 구획; 및
    기판의 근위 표면 상에 있고 정규화 디바이스를 환자의 신체 부분에 접착하도록 구성된 접착제를 포함하는, 정규화 디바이스.
  2. 제1항에 있어서, 분석될 물질을 나타내는 물질의 샘플은 칼슘 1000 HU, 칼슘 220 HU, 칼슘 150 HU, 칼슘 130 HU 및 30 HU의 저감쇠 물질을 포함하는, 정규화 디바이스.
  3. 제2항에 있어서,
    적어도 하나의 조영제 물질은 요오드, Gad, 탄탈륨, 텅스텐, 금, 비스무트, 또는 이테르븀 중 하나 이상을 포함하고;
    팬텀 물질의 적어도 하나의 샘플은 물, 지방, 칼슘, 요산, 공기, 철 또는 혈액 중 하나 이상을 포함하는, 정규화 디바이스.
  4. 제1항에 있어서, 기판은:
    제1 층으로서, 복수의 구획 중 적어도 몇몇은 제1 배열로 제1 층에 위치되는, 제1 층; 및
    제1 층 위에 위치된 제2 층으로서, 복수의 구획 중 적어도 몇몇은 제2 배열을 포함하는 제2 층에 위치되는, 제2 층을 포함하는, 정규화 디바이스.
  5. 제1항에 있어서, 구획 중 적어도 하나는, 샘플이 자체 밀봉 구획 내로 주입될 수 있고 구획이 주입된 물질을 수용하도록 밀봉되도록, 자체 밀봉되도록 구성되는, 정규화 디바이스.
  6. 제1항의 정규화 디바이스를 사용하여 알고리즘 기반 의료 영상 분석을 위해 의료 영상을 정규화하기 위한 컴퓨터 구현 방법이며, 의료 영상의 정규화는 알고리즘 기반 의료 영상 분석의 정확도를 개선시키고, 방법은
    컴퓨터 시스템에 의해, 대상의 관상 영역 및 정규화 디바이스의 제1 의료 영상에 액세스하는 단계로서, 제1 의료 영상은 비침습적으로 획득되는, 액세스 단계;
    컴퓨터 시스템에 의해, 대상의 관상 영역 및 정규화 디바이스의 제2 의료 영상에 액세스하는 단계로서, 제2 의료 영상은 비침습적으로 획득되고, 제1 의료 영상 및 제2 의료 영상은 이하 중 적어도 하나를 포함하고:
    제1 의료 영상의 캡처와 연관된 하나 이상의 제1 가변 획득 파라미터는 제2 의료 영상의 캡처와 연관된 대응하는 하나 이상의 제2 가변 획득 파라미터와 상이하고,
    제1 의료 영상을 캡처하는 데 사용되는 제1 영상 캡처 기술은 제2 의료 영상을 캡처하는 데 사용되는 제2 영상 캡처 기술과 상이하고, 또는
    제1 의료 영상의 캡처 동안 사용된 제1 조영제는 제2 의료 영상의 캡처 동안 사용된 제2 조영제와 상이한, 액세스 단계;
    컴퓨터 시스템에 의해, 제1 의료 영상 내에서 정규화 디바이스의 제1 영상 파라미터를 식별하는 단계;
    제1 의료 영상 내의 정규화 디바이스의 제1 식별된 영상 파라미터에 부분적으로 기초하여 알고리즘 기반 의료 영상 분석을 위한 정규화된 제1 의료 영상을 생성하는 단계;
    컴퓨터 시스템에 의해, 제2 의료 영상 내에서 정규화 디바이스의 제2 영상 파라미터를 식별하는 단계; 및
    제2 의료 영상 내의 정규화 디바이스의 제2 식별된 영상 파라미터에 부분적으로 기초하여 알고리즘 기반 의료 영상 분석을 위한 정규화된 제2 의료 영상을 생성하는 단계를 포함하고;
    컴퓨터 시스템은 컴퓨터 프로세서 및 전자 저장 매체를 포함하는, 컴퓨터 구현 방법.
  7. 제6항에 있어서, 알고리즘 기반 의료 영상 분석은 인공 지능 또는 기계 학습 영상 분석 알고리즘을 포함하고, 인공 지능 또는 기계 학습 영상 분석 알고리즘은 정규화 디바이스를 포함하는 영상을 사용하여 훈련되는, 컴퓨터 구현 방법.
  8. 제6항의 의료 영상을 정규화하기 위한 컴퓨터 구현 방법을 사용하여 관상 플라크를 정량화하고 분류하는 컴퓨터 구현 방법이며,
    컴퓨터 시스템에 의해, 제1 정규화된 의료 영상에 액세스하는 단계;
    관상 동맥 식별 알고리즘을 이용하는 컴퓨터 시스템에 의해, 제1 정규화된 의료 영상 내의 하나 이상의 관상 동맥을 식별하는 단계로서, 관상 동맥 식별 알고리즘은 입력으로서 원시 의료 영상을 이용하도록 구성되는, 식별 단계;
    플라크 식별 알고리즘을 이용하는 컴퓨터 시스템에 의해, 제1 정규화된 의료 영상으로부터 식별된 하나 이상의 관상 동맥 내의 플라크의 하나 이상의 영역을 식별하는 단계로서, 플라크 식별 알고리즘은 입력으로서 원시 의료 영상을 이용하도록 구성되는, 식별 단계;
    컴퓨터 시스템에 의해, 제1 정규화된 의료 영상으로부터 플라크의 하나 이상의 식별된 영역의 하나 이상의 혈관 형태 파라미터 및 정량화된 플라크 파라미터의 세트를 결정하는 단계로서, 정량화된 플라크 파라미터의 세트는 제1 정규화된 의료 영상 내의 플라크의 하나 이상의 영역의 표면적에 대한 체적의 비 또는 함수, 이질성 지수, 기하학 형상, 및 방사선 밀도를 포함하는, 결정 단계;
    컴퓨터 시스템에 의해, 결정된 하나 이상의 혈관 형태 파라미터의 가중 측정치 및 플라크의 하나 이상의 영역의 정량화된 플라크 파라미터의 세트를 생성하는 단계; 및
    컴퓨터 시스템에 의해, 결정된 하나 이상의 혈관 형태 파라미터 및 정량화된 플라크 파라미터의 결정된 세트의 생성된 가중 측정치에 적어도 부분적으로 기초하여 제1 정규화된 의료 영상 내의 플라크의 하나 이상의 영역을 안정 플라크 또는 불안정 플라크로서 분류하는 단계를 포함하는, 컴퓨터 구현 방법.
  9. 제8항에 있어서, 미리 결정된 임계값 미만의 플라크의 하나 이상의 영역의 표면적에 대한 체적의 비는 안정 플라크를 나타내는, 컴퓨터 구현 방법.
  10. 제8항에 있어서, 미리 결정된 임계값 미만인 플라크의 하나 이상의 영역의 이질성은 안정 플라크를 나타내는, 컴퓨터 구현 방법.
  11. 제8항에 있어서, 플라크의 하나 이상의 영역의 이질성 지수는 플라크의 하나 이상의 영역을 가로지르는 방사선 밀도 값의 공간 맵핑을 생성함으로써 결정되는, 컴퓨터 구현 방법.
  12. 제8항에 있어서, 컴퓨터 시스템에 의해, 분류된 플라크의 하나 이상의 영역에 적어도 부분적으로 기초하여 죽상동맥경화증, 협착증 또는 허혈 중 하나 이상에 대한 대상의 평가를 생성하는 단계를 더 포함하는, 컴퓨터 구현 방법.
  13. 제8항에 있어서, 하나 이상의 혈관 형태 파라미터는 동맥 리모델링의 분류를 포함하는, 컴퓨터 구현 방법.
  14. 제6항의 의료 영상을 정규화하기 위한 컴퓨터 구현 방법을 사용하여 CT 영상 및 대응 정보를 분석하기 위한 방법이며,
    컴퓨터 실행 가능 명령, 대상의 관상 혈관의 컴퓨터 단층 촬영(CT) 영상의 세트, 혈관 라벨, 및 CT 영상의 세트의 관상 혈관의 세그먼트의 협착 및 플라크를 나타내는 정보, 및 CT 영상의 세트의 관상 혈관의 식별 및 위치를 나타내는 정보를 포함하는 CT 영상의 세트와 연관된 동맥 정보를 포함하는 제1 정규화된 의료 영상을 저장하는 단계;
    CT 영상에 기초하여 관상 혈관의 3차원(3D) 표현을 포함하는 동맥 트리를 포함하고, CT 영상에서 식별된 관상 혈관을 묘사하고, 세그먼트 라벨을 묘사하는 제1 패널을 생성하여 사용자 인터페이스에 디스플레이하는 단계 - 동맥 트리는 동맥 트리의 분지 사이에 심장 조직을 포함하지 않음 -;
    제1 패널의 동맥 트리에서 관상 혈관의 선택을 나타내는 제1 입력을 수신하는 단계;
    제1 입력에 응답하여, 적어도 하나의 직선화된 다평면 혈관(SMPR) 뷰에서 선택된 관상 혈관의 적어도 일부를 예시하는 제2 패널을 생성하여 사용자 인터페이스 상에 디스플레이하는 단계;
    선택된 관상 혈관의 단면 뷰를 보여주는 제3 패널을 생성하여 사용자 인터페이스에 디스플레이하는 단계로서, 단면 뷰는 선택된 관상 혈관의 CT 영상의 세트 중 하나를 사용하여 생성되고, 적어도 하나의 SMPR 뷰를 따른 위치는 각각 CT 영상의 세트의 CT 영상 중 하나와 연관되어, 적어도 하나의 SMPR 뷰에서 관상 혈관을 따른 특정 위치의 선택이 제3 패널의 단면 뷰에서 연관된 CT 영상을 디스플레이하게 하는, 생성 및 디스플레이 단계;
    저장된 CT 영상의 세트에 기초하여 선택된 관상 혈관의 적어도 하나의 해부학적 평면 뷰를 보여주는 제4 패널을 생성하여 사용자 인터페이스 상에 디스플레이하는 단계를 포함하고,
    방법은 하나 이상의 비일시적 컴퓨터 저장 매체 상에 저장된 컴퓨터 실행 가능 명령을 실행하는 하나 이상의 컴퓨터 하드웨어 프로세서에 의해 수행되는, 방법.
  15. 제14항에 있어서, 하나 이상의 해부학적 평면 뷰는 선택된 관상 혈관에 각각 대응하는 축면 평면 뷰, 관상면 평면 뷰 및 시상면 평면 뷰를 포함하는, 방법.
  16. 제15항에 있어서, 적어도 하나의 SMPR 뷰에서 선택된 관상 혈관을 따른 제1 위치를 나타내는 제2 입력을 사용자 인터페이스의 제2 패널 상에서 수신하고, 제2 입력에 응답하여, 선택된 관상 혈관의 제1 위치와 연관된 CT 영상을 생성하여 제3 패널에 단면 뷰로 디스플레이하고, 제1 위치에서 선택된 관상 혈관에 대응하는 선택된 관상 혈관의 축면 평면 뷰, 관상면 평면 뷰, 및 시상면 평면 뷰를 생성하여 제4 패널에 디스플레이하는 단계를 더 포함하는, 방법.
  17. 제16항에 있어서, 적어도 하나의 SMPR 뷰에서 선택된 관상 혈관을 따른 제2 위치를 나타내는 제3 입력을 사용자 인터페이스의 제2 패널 상에서 수신하고, 제3 입력에 응답하여, 선택된 관상 혈관의 제2 위치와 연관된 CT 영상을 생성하여 제3 패널에 단면 뷰로 디스플레이하고, 제2 위치에서 선택된 관상 혈관에 대응하는 선택된 관상 혈관의 축면 평면 뷰, 관상면 평면 뷰, 및 시상면 평면 뷰를 생성하여 제4 패널에 디스플레이하는 단계를 더 포함하는, 방법.
  18. 제17항에 있어서, 동맥 정보를 사용하여, 세그먼트의 이름을 나타내는, 동맥 트리 상의 각각의 세그먼트에 근접한 세그먼트 이름 라벨을 생성하여 디스플레이하는 단계를 더 포함하고, 사용자 인터페이스 상에 디스플레이된 제1 세그먼트 이름 라벨의 입력 선택에 응답하여, 혈관 세그먼트 이름의 목록을 갖고 그리고 선택된 혈관 세그먼트의 현재 이름을 나타내는 패널을 생성하여 사용자 인터페이스 상에 디스플레이하는 단계, 및 목록 상의 제2 세그먼트 이름 라벨의 입력 선택에 응답하여, 사용자 인터페이스에서 디스플레이된 동맥 트리의 제2 세그먼트 이름 라벨로 제1 세그먼트 이름 라벨을 대체하는 단계를 더 포함하는, 방법.
  19. 제18항에 있어서, 사용자 인터페이스 상에 카툰 동맥 트리를 생성하고 디스플레이하는 단계를 더 포함하고, 카툰 동맥 트리는 관상 동맥 트리의 비환자 특정 그래픽 표현을 포함하고, 카툰 동맥 트리에서 혈관 세그먼트의 선택에 응답하여, 선택된 혈관 세그먼트의 뷰가 SMPR 뷰에서 사용자 인터페이스에 디스플레이되고, SMPR 뷰에 디스플레이되는 혈관 세그먼트의 위치의 선택시에, 선택된 위치에서 선택된 혈관 세그먼트의 협착 또는 플라크에 관련된 정보를 디스플레이하는 패널을 생성하고 사용자 인터페이스에 디스플레이하는, 방법.
  20. 제19항에 있어서, 툴바를 생성하여 사용자 인터페이스 상에 디스플레이하는 단계를 더 포함하고, 툴바는 이하의 도구: 내강 벽 도구, 혈관 벽에 스냅 도구, 내강 벽에 스냅 도구, 혈관 벽 도구, 세그먼트 도구, 협착 도구, 플라크 오버레이 도구, 중심선에 스냅 도구, 만성 완전 폐색 도구, 스텐트 도구, 제외 도구, 추적기 도구 또는 거리 측정 도구 중 적어도 하나를 포함하는, 방법.
KR1020227026869A 2020-01-07 2021-01-05 의료 영상 분석, 진단, 위험도 층화, 의사 결정 및/또는 질환 추적을 위한 시스템, 방법 및 디바이스 KR20220124217A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202062958032P 2020-01-07 2020-01-07
US62/958,032 2020-01-07
PCT/US2021/012218 WO2021141921A1 (en) 2020-01-07 2021-01-05 Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking

Publications (1)

Publication Number Publication Date
KR20220124217A true KR20220124217A (ko) 2022-09-13

Family

ID=76654933

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227026869A KR20220124217A (ko) 2020-01-07 2021-01-05 의료 영상 분석, 진단, 위험도 층화, 의사 결정 및/또는 질환 추적을 위한 시스템, 방법 및 디바이스

Country Status (7)

Country Link
US (24) US11501436B2 (ko)
EP (1) EP4087486A4 (ko)
JP (1) JP2023509514A (ko)
KR (1) KR20220124217A (ko)
AU (1) AU2021205821A1 (ko)
CA (1) CA3162872A1 (ko)
WO (1) WO2021141921A1 (ko)

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11244495B2 (en) * 2013-03-15 2022-02-08 PME IP Pty Ltd Method and system for rule based display of sets of images using image content derived parameters
GB201716890D0 (en) * 2017-10-13 2017-11-29 Optellum Ltd System, method and apparatus for assisting a determination of medical images
KR102187842B1 (ko) * 2018-11-14 2020-12-08 울산대학교 산학협력단 심근 이미지 분석 방법 및 장치
US10813612B2 (en) 2019-01-25 2020-10-27 Cleerly, Inc. Systems and method of characterizing high risk plaques
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
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
WO2021141921A1 (en) 2020-01-07 2021-07-15 Cleerly, Inc. Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
CN111298305B (zh) * 2020-02-18 2024-06-14 上海联影医疗科技股份有限公司 一种数据同步方法和系统
AU2021292557A1 (en) * 2020-06-19 2023-02-09 Cleerly, Inc. Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
US20220082647A1 (en) * 2020-09-17 2022-03-17 Siemens Healthcare Gmbh Technique for determining a cardiac metric from cmr images
KR102283673B1 (ko) * 2020-11-30 2021-08-03 주식회사 코어라인소프트 병변 추적 검사에 기반하여 진단 보조 정보의 임계치를 조정하는 의료 영상 판독 지원 장치 및 방법
US11803967B2 (en) * 2021-04-01 2023-10-31 GE Precision Healthcare LLC Methods and systems for bicuspid valve detection with generative modeling
CA3227095A1 (en) * 2021-07-28 2023-02-02 Artrya Limited A coronary artery disease analysis system
WO2023023286A2 (en) * 2021-08-19 2023-02-23 Cleerly, Inc. Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
US20230071558A1 (en) * 2021-08-24 2023-03-09 Siemens Healthcare Gmbh Fully automated assessment of coronary vulnerable plaque in coronary ct images using radiomic features
EP4141878A1 (en) * 2021-08-27 2023-03-01 Siemens Healthcare GmbH Cue-based medical reporting assistance
WO2023152688A1 (en) * 2022-02-10 2023-08-17 Cathworks Ltd. System and method for machine-learning based sensor analysis and vascular tree segmentation
US20230289963A1 (en) * 2022-03-10 2023-09-14 Cleerly, Inc. Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination
US11610686B1 (en) * 2022-04-02 2023-03-21 The Bio Labs Lundquist Institute Systems and methods for rapid risk assessment of chest pain, reducing patient wait time and improving workflow in the emergency department
US12014220B2 (en) * 2022-09-12 2024-06-18 International Business Machines Corporation Learning-based automatic selection of AI applications
WO2024061606A1 (en) * 2022-09-21 2024-03-28 Koninklijke Philips N.V. Providing plaque data for a plaque deposit in a vessel
EP4342382A1 (en) * 2022-09-21 2024-03-27 Koninklijke Philips N.V. Providing plaque data for a plaque deposit in a vessel
WO2024107691A1 (en) * 2022-11-14 2024-05-23 Cleerly, Inc. Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination
CN116227238B (zh) * 2023-05-08 2023-07-14 国网安徽省电力有限公司经济技术研究院 一种抽水蓄能电站运行监测管理系统
CN116485789B (zh) * 2023-06-16 2023-08-25 新创碳谷集团有限公司 一种碳纤维劈丝缺陷检测方法、设备及存储介质

Family Cites Families (232)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4945478A (en) 1987-11-06 1990-07-31 Center For Innovative Technology Noninvasive medical imaging system and method for the identification and 3-D display of atherosclerosis and the like
CA2231425A1 (en) 1995-09-20 1997-03-27 Texas Heart Institute Detecting thermal discrepancies in vessel walls
DE19541500A1 (de) 1995-11-07 1997-05-15 Siemens Ag Verfahren zur Bilderzeugung bei einem medizintechnischen bildgebenden System
US6047080A (en) 1996-06-19 2000-04-04 Arch Development Corporation Method and apparatus for three-dimensional reconstruction of coronary vessels from angiographic images
US6331116B1 (en) 1996-09-16 2001-12-18 The Research Foundation Of State University Of New York System and method for performing a three-dimensional virtual segmentation and examination
US5891030A (en) 1997-01-24 1999-04-06 Mayo Foundation For Medical Education And Research System for two dimensional and three dimensional imaging of tubular structures in the human body
US6591004B1 (en) 1998-09-21 2003-07-08 Washington University Sure-fit: an automated method for modeling the shape of cerebral cortex and other complex structures using customized filters and transformations
WO2000019889A1 (en) 1998-10-08 2000-04-13 University Of Kentucky Research Foundation Methods and apparatus for in vivo identification and characterization of vulnerable atherosclerotic plaques
US8639009B2 (en) 2000-10-11 2014-01-28 Imatx, Inc. Methods and devices for evaluating and treating a bone condition based on x-ray image analysis
CA2433936A1 (en) 2001-01-23 2002-08-22 Boston Scientific Corporation Localized myocardial injection method for treating ischemic myocardium
JP2003150703A (ja) 2001-11-09 2003-05-23 Sanyo Electric Co Ltd 医療事務装置
US20110206247A1 (en) 2001-11-21 2011-08-25 Dachille Frank C Imaging system and methods for cardiac analysis
AU2002348241A1 (en) 2001-11-24 2003-06-10 Image Analysis, Inc. Automatic detection and quantification of coronary and aortic calcium
US7418123B2 (en) 2002-07-12 2008-08-26 University Of Chicago Automated method and system for computerized image analysis for prognosis
JP4619781B2 (ja) 2002-07-23 2011-01-26 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー プラークの成分を検出するためのシステム
WO2004017815A2 (en) 2002-08-23 2004-03-04 The Board Of Regents Of University Of Texas System Novel risk assessment method based upon coronary calcification distribution pattern imaged by computed tomography
DE10249643A1 (de) 2002-10-24 2004-05-13 Siemens Ag Verfahren zur Unterstützung der Diagnose und/oder Therapie einer krankhaften Veränderung eines Blutgefäßes und hierzu hergerichtete Datenverarbeitungseinrichtung
US7912528B2 (en) 2003-06-25 2011-03-22 Siemens Medical Solutions Usa, Inc. Systems and methods for automated diagnosis and decision support for heart related diseases and conditions
CA2535942A1 (en) 2003-08-21 2005-03-10 Ischem Corporation Automated methods and systems for vascular plaque detection and analysis
US20050118632A1 (en) 2003-11-06 2005-06-02 Jian Chen Polynucleotides and polypeptides encoding a novel metalloprotease, Protease-40b
US20050110791A1 (en) 2003-11-26 2005-05-26 Prabhu Krishnamoorthy Systems and methods for segmenting and displaying tubular vessels in volumetric imaging data
ATE386312T1 (de) 2003-12-08 2008-03-15 Koninkl Philips Electronics Nv Bildsegmentierung in einem volumendatensatz
US8046488B2 (en) 2004-05-21 2011-10-25 Intel Corporation Dynamically modulating link width
US20060036167A1 (en) 2004-07-03 2006-02-16 Shina Systems Ltd. Vascular image processing
US20060101075A1 (en) 2004-11-10 2006-05-11 Peter Lehel Method and system for prospectively acquiring ROI based data for retrospective re-analysis
US7840062B2 (en) 2004-11-19 2010-11-23 Koninklijke Philips Electronics, N.V. False positive reduction in computer-assisted detection (CAD) with new 3D features
US7715626B2 (en) 2005-03-23 2010-05-11 Siemens Medical Solutions Usa, Inc. System and method for vascular segmentation by Monte-Carlo sampling
WO2006118100A1 (ja) 2005-04-28 2006-11-09 Hitachi Medical Corporation 画像表示装置及びプログラム
US7922352B2 (en) 2005-07-21 2011-04-12 Avago Technologies General Ip (Singapore) Pte. Ltd. Device and method for emitting output light using multiple light sources with photoluminescent material
US20070019778A1 (en) 2005-07-22 2007-01-25 Clouse Melvin E Voxel histogram analysis for measurement of plaque
US7711165B2 (en) 2005-07-28 2010-05-04 Siemens Medical Solutions Usa, Inc. System and method for coronary artery segmentation of cardiac CT volumes
EP1927081B1 (en) 2005-09-06 2017-04-26 Koninklijke Philips N.V. Data handling and analysis in computed tomography with multiple energy windows
US20100278405A1 (en) 2005-11-11 2010-11-04 Kakadiaris Ioannis A Scoring Method for Imaging-Based Detection of Vulnerable Patients
DE102006035677A1 (de) 2006-02-01 2007-08-16 Siemens Ag Verfahren und CT-System zur Erkennung und Differenzierung von Plaque in Gefäßstrukturen eines Patienten
US8009793B2 (en) 2006-02-24 2011-08-30 Mayo Foundation For Medical Education And Research Method for imaging plaque using dual energy CT
WO2007109771A2 (en) 2006-03-22 2007-09-27 Volcano Corporation Automated lesion analysis based upon automatic plaque characterization according to a classification criterion
US7805385B2 (en) 2006-04-17 2010-09-28 Siemens Medical Solutions Usa, Inc. Prognosis modeling from literature and other sources
US7860290B2 (en) 2006-04-21 2010-12-28 Siemens Medical Solutions Usa, Inc. Three-dimensional (3D) modeling of coronary arteries
US20100201786A1 (en) 2006-05-11 2010-08-12 Koninklijke Philips Electronics N.V. Method and apparatus for reconstructing an image
US7860283B2 (en) 2006-10-25 2010-12-28 Rcadia Medical Imaging Ltd. Method and system for the presentation of blood vessel structures and identified pathologies
US7990379B2 (en) 2006-10-25 2011-08-02 Siemens Aktiengesellschaft System and method for coronary segmentation and visualization
US7940977B2 (en) 2006-10-25 2011-05-10 Rcadia Medical Imaging Ltd. Method and system for automatic analysis of blood vessel structures to identify calcium or soft plaque pathologies
US7940974B2 (en) 2006-11-21 2011-05-10 General Electric Company Method and system for adjusting 3D CT vessel segmentation
US7993274B2 (en) 2006-11-22 2011-08-09 General Electric Company Method, system, and computer product for automatically extracting and tracking cardiac calcifications and determining a tracking centerline
FR2908976B1 (fr) 2006-11-24 2009-02-20 Gen Electric Procede de mesures de dimensions d'un vaisseau.
US7907766B2 (en) 2007-01-02 2011-03-15 General Electric Company Automatic coronary artery calcium detection and labeling system
US7953262B2 (en) 2007-02-05 2011-05-31 General Electric Company Vascular image extraction and labeling system and method
US7953266B2 (en) 2007-02-06 2011-05-31 Siemens Medical Solutions Usa, Inc. Robust vessel tree modeling
US7899764B2 (en) 2007-02-16 2011-03-01 Siemens Aktiengesellschaft Medical ontologies for machine learning and decision support
JP5296057B2 (ja) 2007-05-08 2013-09-25 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 低線量カルシウムスコアリングスキャンを使用する冠動脈選択的カルシウム割り当て
US8290247B2 (en) 2007-05-16 2012-10-16 Siemens Aktiengesellschaft Method and system for segmentation of tubular structures in 3D images
US20090012382A1 (en) 2007-07-02 2009-01-08 General Electric Company Method and system for detection of obstructions in vasculature
US8144949B2 (en) 2007-11-15 2012-03-27 Carestream Health, Inc. Method for segmentation of lesions
US9235887B2 (en) 2008-02-19 2016-01-12 Elucid Bioimaging, Inc. Classification of biological tissue by multi-mode data registration, segmentation and characterization
US8774479B2 (en) 2008-02-19 2014-07-08 The Trustees Of The University Of Pennsylvania System and method for automated segmentation, characterization, and classification of possibly malignant lesions and stratification of malignant tumors
US8409104B2 (en) 2008-05-02 2013-04-02 Conopco Inc. Heart age assessment
US8073227B2 (en) 2008-05-09 2011-12-06 Siemens Aktiengesellschaft System and method for geometric modeling of tubular structures
US8200466B2 (en) 2008-07-21 2012-06-12 The Board Of Trustees Of The Leland Stanford Junior University Method for tuning patient-specific cardiovascular simulations
US8582854B2 (en) 2008-09-15 2013-11-12 Siemens Aktiengesellschaft Method and system for automatic coronary artery detection
US9761004B2 (en) 2008-09-22 2017-09-12 Siemens Healthcare Gmbh Method and system for automatic detection of coronary stenosis in cardiac computed tomography data
JP5305821B2 (ja) 2008-10-10 2013-10-02 株式会社東芝 医用画像処理装置及び医用画像診断装置
FR2938957B1 (fr) 2008-11-21 2011-01-21 Univ Joseph Fourier Grenoble I Procede de traitement d'image pour l'estimation d'un risque de rupture de plaque d'atherome
WO2010068486A1 (en) 2008-11-25 2010-06-17 Trustees Of Boston University Apparatus and method of analyzing arterial plaque
CN102246206B (zh) 2008-12-10 2015-07-22 皇家飞利浦电子股份有限公司 血管分析
JP2010158452A (ja) 2009-01-09 2010-07-22 Fujifilm Corp 画像処理装置および方法並びにプログラム
US9603546B2 (en) 2009-01-26 2017-03-28 The United States Of America, As Represented By The Secretary, Department Of Health And Human Services Phantom for diffusion MRI imaging
US8636411B2 (en) * 2009-02-03 2014-01-28 Hadasit Medical Research Services And Development Ltd. CT perfusion phantom
US8895912B2 (en) * 2009-05-14 2014-11-25 University Health Network Phantom for contrast imaging calibration
CA2809286C (en) 2009-09-11 2018-02-13 Straxcorp Pty Ltd Method and system for image analysis of selected tissue structures
US8831319B2 (en) 2009-11-16 2014-09-09 Arineta Ltd. Method and system for calibrating CT images
DE102009053471B4 (de) 2009-11-16 2018-08-02 Siemens Healthcare Gmbh Verfahren und Vorrichtung zur Identifizierung und Zuordnung von Koronarkalk zu einem Herzkranzgefäß sowie Computerprogrammprodukt
WO2011069120A1 (en) 2009-12-03 2011-06-09 Cedars-Sinai Medical Center Method and system for plaque characterization
JP5670045B2 (ja) 2009-12-07 2015-02-18 株式会社日立メディコ 画像解析装置及び画像解析方法、画像解析プログラム
JP5417158B2 (ja) 2009-12-25 2014-02-12 株式会社東芝 画像処理装置、医用画像診断装置および画像処理プログラム
US8526699B2 (en) 2010-03-12 2013-09-03 Siemens Aktiengesellschaft Method and system for automatic detection and classification of coronary stenoses in cardiac CT volumes
EP2534597B1 (en) 2010-03-15 2018-10-17 Singapore Health Services Pte Ltd Method of predicting the survivability of a patient
US20110245650A1 (en) 2010-04-02 2011-10-06 Kerwin William S Method and System for Plaque Lesion Characterization
US7904977B1 (en) 2010-06-18 2011-03-15 Neeraj Singh Safety sheet
US9965592B2 (en) 2010-07-16 2018-05-08 The University Of Houston System Methods of computing pericardial and abdominal fat and methods for motion compensation
US8315812B2 (en) 2010-08-12 2012-11-20 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
US8494244B2 (en) 2010-09-27 2013-07-23 General Electric Company System and method for blood vessel stenosis visualization and quantification using spectral CT analysis
US20120158432A1 (en) 2010-12-15 2012-06-21 Uday Jain Patient Information Documentation And Management System
WO2012121105A1 (ja) * 2011-03-09 2012-09-13 株式会社 東芝 医用画像処理装置
US20130046168A1 (en) 2011-08-17 2013-02-21 Lei Sui Method and system of characterization of carotid plaque
US8777854B2 (en) 2011-09-06 2014-07-15 General Electric Company Method and system for ultrasound based automated detection, quantification and tracking of pathologies
US9443317B2 (en) 2011-09-09 2016-09-13 Calgary Scientific Inc. Image display of a centerline of tubular structure
US8849005B2 (en) 2011-09-28 2014-09-30 Siemens Aktiengesellschaft Coronary artery motion modeling
US8867822B2 (en) * 2011-10-14 2014-10-21 Fujifilm Corporation Model-based coronary artery calcium scoring
WO2013086116A1 (en) 2011-12-06 2013-06-13 Personics Holdings, Inc. Methods and systems for ear device design using computerized tomography (ct)-collected anthropomorphic data
ITTO20120030A1 (it) 2012-01-17 2013-07-18 Consiglio Nazionale Ricerche Procedimento e sistema per la determinazione del volume di grasso cardiaco epicardico a partire da immagini volumetriche, e relativo programma per elaboratore
WO2013112626A1 (en) 2012-01-23 2013-08-01 Tomowave Laboratories, Inc. Laser optoacoustic ultrasonic imaging system (louis) and methods of use
US9129417B2 (en) 2012-02-21 2015-09-08 Siemens Aktiengesellschaft Method and system for coronary artery centerline extraction
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
US8548778B1 (en) 2012-05-14 2013-10-01 Heartflow, Inc. Method and system for providing information from a patient-specific model of blood flow
EP4342546A3 (en) 2012-06-29 2024-05-22 Amarin Pharmaceuticals Ireland Limited Methods of reducing the risk of a cardiovascular event in a subject on statin therapy
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
US9675301B2 (en) 2012-10-19 2017-06-13 Heartflow, Inc. Systems and methods for numerically evaluating vasculature
WO2014078615A1 (en) 2012-11-16 2014-05-22 Siemens Healthcare Diagnostics Inc. Method to identify optimum coronary artery disease treatment
WO2014107402A1 (en) 2013-01-02 2014-07-10 The Trustees Of The University Of Pennsylvania Classification of biological tissue by multi-mode data registration, segmentation and characterization
US9886781B2 (en) 2013-02-28 2018-02-06 Hitachi, Ltd. Image processing device and region extraction method
US9042613B2 (en) 2013-03-01 2015-05-26 Heartflow, Inc. Method and system for determining treatments by modifying patient-specific geometrical models
US9424395B2 (en) 2013-03-04 2016-08-23 Heartflow, Inc. Method and system for sensitivity analysis in modeling blood flow characteristics
US8824752B1 (en) 2013-03-15 2014-09-02 Heartflow, Inc. Methods and systems for assessing image quality in modeling of patient anatomic or blood flow characteristics
JP6201255B2 (ja) 2013-04-11 2017-09-27 ザイオソフト株式会社 医用画像処理システムおよび医用画像処理プログラム
US9430827B2 (en) 2013-05-31 2016-08-30 Siemens Aktiengesellschaft Segmentation of a calcified blood vessel
US9295397B2 (en) 2013-06-14 2016-03-29 Massachusetts Institute Of Technology Method and apparatus for beat-space frequency domain prediction of cardiovascular death after acute coronary event
CN105580019B (zh) 2013-07-30 2018-09-14 哈特弗罗公司 为优化诊断性能利用边界条件模型化血流的方法和系统
US9721340B2 (en) 2013-08-13 2017-08-01 H. Lee Moffitt Cancer Center And Research Institute, Inc. Systems, methods and devices for analyzing quantitative information obtained from radiological images
US9195800B2 (en) 2013-08-16 2015-11-24 Heartflow, Inc. Systems and methods for identifying personalized vascular implants from patient-specific anatomic data
US9805463B2 (en) 2013-08-27 2017-10-31 Heartflow, Inc. Systems and methods for predicting location, onset, and/or change of coronary lesions
WO2015048196A1 (en) 2013-09-25 2015-04-02 Heartflow, Inc. Systems and methods for validating and correcting automated medical image annotations
WO2015048178A2 (en) 2013-09-25 2015-04-02 Heartflow, Inc. Systems and methods for visualizing elongated structures and detecting branches therein
US9655563B2 (en) 2013-09-25 2017-05-23 Siemens Healthcare Gmbh Early therapy response assessment of lesions
US9700219B2 (en) 2013-10-17 2017-07-11 Siemens Healthcare Gmbh Method and system for machine learning based assessment of fractional flow reserve
US9220418B2 (en) 2013-12-18 2015-12-29 Heartflow, Inc. Systems and methods for predicting coronary plaque vulnerability from patient-specific anatomic image data
US20150187025A1 (en) 2014-01-01 2015-07-02 International Business Machines Corporation Optimization platform for water distribution networks
US9152761B2 (en) 2014-01-10 2015-10-06 Heartflow, Inc. Systems and methods for identifying medical image acquisition parameters
US8917925B1 (en) 2014-03-28 2014-12-23 Heartflow, Inc. Systems and methods for data and model-driven image reconstruction and enhancement
US9785746B2 (en) 2014-03-31 2017-10-10 Heartflow, Inc. Systems and methods for determining blood flow characteristics using flow ratio
US9773219B2 (en) 2014-04-01 2017-09-26 Heartflow, Inc. Systems and methods for using geometry sensitivity information for guiding workflow
US9058692B1 (en) 2014-04-16 2015-06-16 Heartflow, Inc. Systems and methods for image-based object modeling using multiple image acquisitions or reconstructions
US8958623B1 (en) 2014-04-29 2015-02-17 Heartflow, Inc. Systems and methods for correction of artificial deformation in anatomic modeling
US9754082B2 (en) 2014-05-30 2017-09-05 Heartflow, Inc. Systems and methods for reporting blood flow characteristics
US9195801B1 (en) 2014-08-05 2015-11-24 Heartflow, Inc. Systems and methods for treatment planning based on plaque progression and regression curves
GB201414496D0 (en) 2014-08-15 2014-10-01 Isis Innovation Method
US9642586B2 (en) 2014-08-18 2017-05-09 Siemens Aktiengesellschaft Computer-aided analysis of medical images
US9668700B2 (en) 2014-09-09 2017-06-06 Heartflow, Inc. Method and system for quantifying limitations in coronary artery blood flow during physical activity in patients with coronary artery disease
WO2016040775A2 (en) 2014-09-12 2016-03-17 Research Development Foundation Apparatus and methods for identifyhing and evaluating bright spot indications observed through optical coherence tomography
US10082553B2 (en) 2014-10-16 2018-09-25 National Institute Of Standards And Technology MRI phantom, method for making same and acquiring an MRI image
US9292659B1 (en) 2014-10-29 2016-03-22 Heartflow, Inc. Systems and methods for vessel reactivity to guide diagnosis or treatment of cardiovascular disease
US9594876B2 (en) 2014-11-04 2017-03-14 Heartflow, Inc. Systems and methods for simulation of occluded arteries and optimization of occlusion-based treatments
US9349178B1 (en) 2014-11-24 2016-05-24 Siemens Aktiengesellschaft Synthetic data-driven hemodynamic determination in medical imaging
US9704043B2 (en) 2014-12-16 2017-07-11 Irobot Corporation Systems and methods for capturing images and annotating the captured images with information
WO2016112049A1 (en) 2015-01-06 2016-07-14 Cardiovascular Biotherapeutics, Inc. Angiogenic treatment of ischemic heart disease
EP3043318B1 (en) 2015-01-08 2019-03-13 Imbio Analysis of medical images and creation of a report
WO2016115206A1 (en) 2015-01-14 2016-07-21 Heartflow, Inc. Systems and methods for embolism prediction using embolus source and destination probabilities
US10987010B2 (en) 2015-02-02 2021-04-27 Heartflow, Inc. Systems and methods for vascular diagnosis using blood flow magnitude and/or direction
US10478130B2 (en) 2015-02-13 2019-11-19 Siemens Healthcare Gmbh Plaque vulnerability assessment in medical imaging
JP2016151827A (ja) 2015-02-16 2016-08-22 キヤノン株式会社 情報処理装置、情報処理方法、情報処理システム、およびプログラム
US10507003B2 (en) * 2015-02-27 2019-12-17 Bayer Healthcare Llc Quantification phantom for use with multiple imaging modalities
JP6476041B2 (ja) 2015-03-31 2019-02-27 株式会社Ａｚｅ 医用画像診断装置、その制御方法、及びプログラム
JP2018515167A (ja) 2015-04-02 2018-06-14 ハートフロー， インコーポレイテッド 血管網と潅流組織の機能的関連性を特定し可視化するシステム及び方法
WO2016164809A1 (en) 2015-04-10 2016-10-13 Heartflow, Inc. System and method for vascular tree generation using patient-specific structural and functional data, and joint prior information
US10660600B2 (en) * 2015-04-13 2020-05-26 Accumetra, Llc Table top image calibration phantom
EP3282936B1 (en) 2015-04-17 2020-08-19 HeartFlow, Inc. Systems and methods for assessment of tissue function based on vascular disease
US9839483B2 (en) 2015-04-21 2017-12-12 Heartflow, Inc. Systems and methods for risk assessment and treatment planning of arterio-venous malformation
KR20160143178A (ko) 2015-06-04 2016-12-14 삼성전자주식회사 의료 영상 처리 장치 및 의료 영상 처리 방법
AU2016274961A1 (en) 2015-06-10 2018-01-04 Biogen Ma Inc. Adipate forms and compositions of biaryl inhibitors of Bruton's tyrosine kinase
US9785748B2 (en) 2015-07-14 2017-10-10 Heartflow, Inc. Systems and methods for estimating hemodynamic forces acting on plaque and monitoring patient risk
WO2017015062A1 (en) 2015-07-17 2017-01-26 Heartflow, Inc. Systems and methods for assessing the severity of plaque and/or stenotic lesions using contrast distribution predictions and measurements
US11094058B2 (en) 2015-08-14 2021-08-17 Elucid Bioimaging Inc. Systems and method for computer-aided phenotyping (CAP) using radiologic images
US10755810B2 (en) 2015-08-14 2020-08-25 Elucid Bioimaging Inc. Methods and systems for representing, storing, and accessing computable medical imaging-derived quantities
US10176408B2 (en) 2015-08-14 2019-01-08 Elucid Bioimaging Inc. Systems and methods for analyzing pathologies utilizing quantitative imaging
US11087459B2 (en) 2015-08-14 2021-08-10 Elucid Bioimaging Inc. Quantitative imaging for fractional flow reserve (FFR)
US11071501B2 (en) 2015-08-14 2021-07-27 Elucid Bioiwaging Inc. Quantitative imaging for determining time to adverse event (TTE)
US11676359B2 (en) 2015-08-14 2023-06-13 Elucid Bioimaging Inc. Non-invasive quantitative imaging biomarkers of atherosclerotic plaque biology
US11113812B2 (en) 2015-08-14 2021-09-07 Elucid Bioimaging Inc. Quantitative imaging for detecting vulnerable plaque
US11120893B2 (en) 2015-09-16 2021-09-14 Heartflow, Inc. Systems and methods for patient-specific imaging and modeling of drug delivery
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
HUE053281T2 (hu) 2015-10-02 2021-06-28 Curemetrix Inc Rák kimutatási rendszerek és eljárások
US10909675B2 (en) 2015-10-09 2021-02-02 Mayo Foundation For Medical Education And Research System and method for tissue characterization based on texture information using multi-parametric MRI
WO2017083401A1 (en) 2015-11-10 2017-05-18 Heartflow, Inc. Systems and methods for anatomical modeling using information from a procedure
US10499990B2 (en) 2015-11-23 2019-12-10 Heartflow, Inc. Systems and methods for assessing organ and/or tissue transplantation by simulating one or more transplant characteristics
WO2017091833A1 (en) 2015-11-29 2017-06-01 Arterys Inc. Automated cardiac volume segmentation
EP3352663B1 (en) 2015-12-04 2020-10-28 St. Jude Medical, Cardiology Division, Inc. Methods and systems for statistically analyzing electrograms for local abnormal ventricular activities and mapping the same
WO2017106819A1 (en) 2015-12-18 2017-06-22 Elucid Bioimaging Inc. Methods and systems for representing, storing, and accessing computable medical imaging-derived quantities
CA3028296C (en) 2016-02-25 2019-04-23 Sas Institute Inc. Cybersecurity system
CN109074870B (zh) 2016-02-26 2021-12-21 哈特弗罗公司 用于对未分辨血管进行识别和建模的系统和方法
US10206646B2 (en) 2016-03-10 2019-02-19 Siemens Healthcare Gmbh Method and system for extracting centerline representation of vascular structures in medical images via optimal paths in computational flow fields
WO2017160994A1 (en) 2016-03-16 2017-09-21 Heartflow, Inc. Systems and methods for estimating healthy lumen diameter and stenosis quantification in coronary arteries
US10453191B2 (en) * 2016-04-20 2019-10-22 Case Western Reserve University Automated intravascular plaque classification
US9767557B1 (en) 2016-06-23 2017-09-19 Siemens Healthcare Gmbh Method and system for vascular disease detection using recurrent neural networks
JP6878578B2 (ja) 2016-06-28 2021-05-26 ハートフロー， インコーポレイテッド 健康データを匿名化し、分析のために地理的領域を横断して健康データを修正及び編集するシステム及び方法
US10492755B2 (en) 2016-07-13 2019-12-03 Carestream Health, Inc. Calibration phantom comprising a reflectance calibration target and a plurality of radio-opaque markers
WO2018031663A1 (en) 2016-08-10 2018-02-15 Heartflow, Inc. Systems and methods for modeling nutrient transport and/or predicting weight change
CN110168613B (zh) 2016-09-20 2023-02-21 哈特弗罗公司 用于使用降阶模型和机器学习估计血流特性的系统和方法
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
IL298488B1 (en) 2016-09-23 2024-04-01 Curemetrix Inc Mapping breast artery calcification and prediction of heart disease
WO2018057990A1 (en) 2016-09-23 2018-03-29 Curemetrix, Inc. Removal of masking structures in images for the detection of anomalies
RU2758548C2 (ru) 2016-10-31 2021-10-29 Оксфорд Юниверсити Инновэйшн Лимитед Периваскулярный водный индекс и его применение для прогнозирования смертности по всем причинам или смертности от кардиальных событий
JP2018081520A (ja) 2016-11-17 2018-05-24 東芝テック株式会社 情報処理装置およびプログラム
EP3332710B1 (de) 2016-12-12 2020-09-16 Siemens Healthcare GmbH Charakterisierung von plaque
EP3559907A1 (en) 2016-12-23 2019-10-30 HeartFlow, Inc. Systems and methods for probabilistic segmentation in anatomical image processing
JP7077319B2 (ja) 2016-12-23 2022-05-30 ハートフロー， インコーポレイテッド 解剖学的モデルパラメータの機械学習
US10740880B2 (en) 2017-01-18 2020-08-11 Elucid Bioimaging Inc. Systems and methods for analyzing pathologies utilizing quantitative imaging
WO2018156961A1 (en) 2017-02-24 2018-08-30 Heartflow, Inc. Systems and methods for identifying anatomically relevant blood flow characteristics in a patient
EP4068203A1 (en) 2017-05-09 2022-10-05 HeartFlow, Inc. Systems and methods for anatomic structure segmentation in image analysis
US10483006B2 (en) 2017-05-19 2019-11-19 Siemens Healthcare Gmbh Learning based methods for personalized assessment, long-term prediction and management of atherosclerosis
EP3431005A1 (en) 2017-07-19 2019-01-23 Koninklijke Philips N.V. Inflammation estimation from x-ray image data
CN110998744B (zh) 2017-08-01 2024-04-05 西门子医疗有限公司 针对弥漫性和串联性病变中冠状动脉疾病的非侵入性评估和治疗指导
EP3665702A4 (en) 2017-08-11 2021-05-26 Elucid Bioimaging Inc. QUANTITATIVE MEDICAL IMAGING REPORTING
EP3676853A1 (en) 2017-08-29 2020-07-08 HeartFlow, Inc. Systems and methods for generating an anonymous interactive display in an extended timeout period
CN107730540B (zh) 2017-10-09 2020-11-17 全景恒升（北京）科学技术有限公司 基于高精度匹配模型的冠脉参数的计算方法
US10468140B2 (en) 2017-10-24 2019-11-05 Adventia Technology, LLC Systems, methods, and devices for aggregated health data processing and treatment recommendation generation platforms
JP7031262B2 (ja) 2017-12-04 2022-03-08 富士通株式会社 撮像処理プログラム、撮像処理方法、及び撮像処理装置
US10932741B2 (en) 2017-12-07 2021-03-02 Ohio State Innovation Foundation Assessing a condition of a subject using non-contrast dual energy computed tomography
WO2019126372A1 (en) 2017-12-20 2019-06-27 Heartflow, Inc. Systems and methods for performing computer-simulated evaluation of treatments on a target population
US11062489B2 (en) 2018-02-13 2021-07-13 Wisconsin Alumni Research Foundation System and method for multi-architecture computed tomography pipeline
WO2019165432A1 (en) 2018-02-26 2019-08-29 Children's Medical Center Corporation Extended reality medical report generating system
WO2019175032A1 (en) 2018-03-14 2019-09-19 Koninklijke Philips N.V. Scoring intravascular lesions and stent deployment in medical intraluminal ultrasound imaging
US10699407B2 (en) 2018-04-11 2020-06-30 Pie Medical Imaging B.V. Method and system for assessing vessel obstruction based on machine learning
US11399779B2 (en) 2018-05-16 2022-08-02 Case Western Reserve University System-independent quantitative perfusion imaging
CN108898626B (zh) 2018-06-21 2019-09-27 清华大学 一种冠状动脉的自动配准方法
CN112840408A (zh) 2018-10-17 2021-05-25 哈特弗罗公司 用于根据脂肪组织来评估心血管疾病和治疗效果的系统和方法
US10813612B2 (en) 2019-01-25 2020-10-27 Cleerly, Inc. Systems and method of characterizing high risk plaques
US11250842B2 (en) 2019-01-27 2022-02-15 Min Ku Kim Multi-dimensional parsing method and system for natural language processing
CN113424266A (zh) 2019-02-22 2021-09-21 哈特弗罗公司 跨地理区域管理、验证和传输健康数据的系统和方法
CN113573640A (zh) 2019-04-04 2021-10-29 中心线生物医药股份有限公司 对解剖结构的感兴趣区域进行建模
AU2020278589A1 (en) 2019-05-17 2022-01-06 Heartflow, Inc. System and methods for estimation of blood flow using response surface and reduced order modeling
US11705226B2 (en) 2019-09-19 2023-07-18 Tempus Labs, Inc. Data based cancer research and treatment systems and methods
US11436731B2 (en) 2019-08-05 2022-09-06 Lightlab Imaging, Inc. Longitudinal display of coronary artery calcium burden
US11508063B2 (en) 2019-08-05 2022-11-22 Elucid Bioimaging Inc. Non-invasive measurement of fibrous cap thickness
US20220330902A1 (en) 2019-09-27 2022-10-20 Vitaa Medical Solutions Inc. Method and system for determining regional rupture potential of blood vessel
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
WO2021141921A1 (en) 2020-01-07 2021-07-15 Cleerly, Inc. Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
JPWO2021141135A1 (ko) 2020-01-09 2021-07-15
CA3168136A1 (en) 2020-02-28 2021-09-02 Artrya Limited A method of and system for calcium scoring of coronary arteries
KR102280902B1 (ko) 2020-07-16 2021-07-26 주식회사 코어라인소프트 흉부 의료 영상 판독 지원 장치 및 방법
US11593926B2 (en) 2021-02-09 2023-02-28 Elucid Bioimaging Inc. Systems and methods for improving soft tissue contrast, multiscale modeling and spectral CT
CN117642776A (zh) 2021-05-05 2024-03-01 哈特弗罗公司 用于处理电子图像以确定平面映射的系统和方法
DE102022112136A1 (de) 2021-05-17 2022-11-17 Coreline Soft Co,, Ltd. Medizinisches bildanalysegerät, verfahren und medizinisches bild, visualisierungsgerät und verfahren
US20220400963A1 (en) 2021-06-10 2022-12-22 Elucid Bioimaging Inc. Non-invasive determination of likely response to lipid lowering therapies for cardiovascular disease
US11887713B2 (en) 2021-06-10 2024-01-30 Elucid Bioimaging Inc. Non-invasive determination of likely response to anti-diabetic therapies for cardiovascular disease
US11869186B2 (en) 2021-06-10 2024-01-09 Elucid Bioimaging Inc. Non-invasive determination of likely response to combination therapies for cardiovascular disease
US20220415519A1 (en) 2021-06-10 2022-12-29 Elucid Bioimaging Inc. Systems and methods for patient-specific therapeutic recommendations for cardiovascular disease
US11887734B2 (en) 2021-06-10 2024-01-30 Elucid Bioimaging Inc. Systems and methods for clinical decision support for lipid-lowering therapies for cardiovascular disease
US11887701B2 (en) 2021-06-10 2024-01-30 Elucid Bioimaging Inc. Non-invasive determination of likely response to anti-inflammatory therapies for cardiovascular disease
WO2023097314A1 (en) 2021-11-29 2023-06-01 Heartflow, Inc. Systems and methods for processing electronic images for physiology-compensated reconstruction
WO2023097312A1 (en) 2021-11-29 2023-06-01 Heartflow, Inc. Systems and methods for processing electronic images using user inputs
US20230172451A1 (en) 2021-12-07 2023-06-08 Coreline Soft Co,, Ltd. Medical image visualization apparatus and method for diagnosis of aorta

Also Published As

Publication number Publication date
US20210241454A1 (en) 2021-08-05
US20220122251A1 (en) 2022-04-21
US20220327695A1 (en) 2022-10-13
US20210366116A1 (en) 2021-11-25
US20230137934A1 (en) 2023-05-04
JP2023509514A (ja) 2023-03-08
US11238587B2 (en) 2022-02-01
US20210256693A1 (en) 2021-08-19
US20210366115A1 (en) 2021-11-25
US11094061B1 (en) 2021-08-17
US11660058B2 (en) 2023-05-30
AU2021205821A1 (en) 2022-07-21
US11766230B2 (en) 2023-09-26
US20210366112A1 (en) 2021-11-25
US20220028070A1 (en) 2022-01-27
US20230142747A1 (en) 2023-05-11
US11751830B2 (en) 2023-09-12
US11766229B2 (en) 2023-09-26
US11896415B2 (en) 2024-02-13
EP4087486A4 (en) 2024-02-14
US11737718B2 (en) 2023-08-29
US11244451B1 (en) 2022-02-08
CA3162872A1 (en) 2021-07-15
US20220375072A1 (en) 2022-11-24
US11341644B2 (en) 2022-05-24
US20210256694A1 (en) 2021-08-19
US20220284572A1 (en) 2022-09-08
US20220277443A1 (en) 2022-09-01
US11730437B2 (en) 2023-08-22
US11302002B2 (en) 2022-04-12
US20230144293A1 (en) 2023-05-11
US11113811B2 (en) 2021-09-07
US11120549B2 (en) 2021-09-14
US11501436B2 (en) 2022-11-15
US11308617B2 (en) 2022-04-19
EP4087486A1 (en) 2022-11-16
US20210366111A1 (en) 2021-11-25
US20210209757A1 (en) 2021-07-08
US11132796B2 (en) 2021-09-28
US20240057960A1 (en) 2024-02-22
US20210256695A1 (en) 2021-08-19
US20230144338A1 (en) 2023-05-11
US11094060B1 (en) 2021-08-17
US20210366113A1 (en) 2021-11-25
US11672497B2 (en) 2023-06-13
US11751829B2 (en) 2023-09-12
US11120550B2 (en) 2021-09-14
US20210217165A1 (en) 2021-07-15
US11321840B2 (en) 2022-05-03
WO2021141921A1 (en) 2021-07-15
US20230147336A1 (en) 2023-05-11
US20210241455A1 (en) 2021-08-05
US20220335603A1 (en) 2022-10-20

Similar Documents

Publication Publication Date Title
US11113811B2 (en) Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
US12023190B2 (en) Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking