在医学成像中针对血液动力学量化的不确定性或敏感性的机器学习预测制造技术

确定（26）针对患者特定血液动力学量化的不确定性、敏感性和/或标准偏差。确定不同信息（诸如几何结构在不同位置处的拟合）对不确定性或敏感性的贡献。替换地或附加地，确定一个位置处的信息（例如，在一个位置处的几何拟合）对其他位置处的不确定性或敏感性的贡献量。训练（46）机器学习分类器来确定针对患者的不确定性、敏感性和/或标准偏差，而不是依赖于针对每个患者的耗时的统计分析。

【技术实现步骤摘要】
在医学成像中针对血液动力学量化的不确定性或敏感性的机器学习预测
技术介绍
本实施例涉及医学成像中的血液动力学量化。血流计算提供了对心血管系统的结构和功能的重要的深刻理解。对于冠状动脉疾病（CAD）而言，根据通过采用计算流体动力学（CFD）进行的医学成像而已经预测了血流储备分数（FFR）的功能指数。这些基于CFD的模型将根据医学成像所提取的几何信息与关于系统的生理学的背景知识（其被编码在由偏微分方程组成的复杂数学流体流动模型中）进行组合。该方法导致大量的代数方程，使得其在计算上是非常要求高的，从而防止了将该技术针对诸如干预措施的术中指导之类的实时应用进行采用。一种替换的且在计算上不那么昂贵的方法是基于机器学习（ML）算法。通过根据具有已知特性和成果的样本数据库所构建的模型来表示输入数据与关注的量（例如，FFR）之间的关系。预测的准确度取决于输入信息的质量和准确度或精确度，以及取决于模型的假设。针对根据患者特定的血流计算所提取的关注的量的不确定性的主要来源可以由根据医学图像重建的解剖模型来表示。采集扫描、分割、重建和特定患者条件（例如，年龄、性别或BMI）的分辨率和精确度表示了针对不确定性的一些原因。所预测的量具有未知水平的准确度，从而使得医师更难以使用该量化。涉及对几何敏感性进行估计的先前方法通常着重于几何不确定性对同一区域中的FFR值的影响。该信息可以帮助决定是否使用量化，但是不提供可以被用来改善针对该患者的量化的信息。
技术实现思路
借助于简介，下面所描述的优选实施例包括针对血液动力学量化的方法、系统、指令和非临时性计算机可读介质。确定了针对患者特定的血液动力学量化的不确定性、敏感性和/或标准偏差。确定了不同信息（诸如几何结构在不同位置处的拟合）对不确定性或敏感性的贡献。替换地或附加地，确定了一个位置处的信息（例如，在一个位置处的几何拟合）对其他位置处的不确定性或敏感性的贡献量。训练机器学习分类器来确定针对患者的不确定性、敏感性和/或标准偏差，而不是依赖于针对每个患者的耗时的统计分析。在第一方面，提供了一种用于医学成像系统中的血液动力学量化的方法。医学成像系统对患者进行扫描。该扫描提供表示患者的心脏系统的部分的心脏数据。根据该心脏数据确定患者特定的心脏几何结构。从该患者特定的心脏几何结构提取血液动力学量化的机器学习预测器的第一输入向量的特征值。响应于第一输入向量的特征值，机器学习预测器预测血液动力学量化的值。提取血液动力学量化的不确定性和/或敏感性的机器学习分类器的第二输入向量的特征值。响应于第二输入向量的特征值，机器学习分类器将血液动力学量化的不确定性和/或敏感性的一个或多个值分类到患者特定的心脏几何结构。基于血液动力学量化的值和不确定性和/或敏感性的一个或多个值来生成输出。在第二方面，提供了一种用于血液动力学量化的系统。用于对患者进行扫描的医学扫描仪被配置成输出针对患者的冠状数据。图像处理器被配置成：从冠状数据提取患者特定的冠状几何结构，计算针对患者特定的冠状几何结构上的第一位置的血液动力学量，确定与不同于第一位置的第二位置相关联的血液动力学量的置信统计信息。显示器被配置成显示该血液动力学量和置信统计信息。本专利技术由所附权利要求限定，并且本部分中的内容都不应当被理解为对那些权利要求的限制。本专利技术的其他方面和优点在下面结合优选实施例进行讨论，并且可能之后独立地或以组合形式来要求保护。附图说明部件和附图不一定是按比例的，而是将重点置于说明本专利技术的原理。此外，在附图中，相同的附图标记遍及不同视图标明对应的部分。图1是用于医学成像系统中的血液动力学量化的方法的一个实施例的流程图示图；图2是用于医学成像系统中的血液动力学量化的方法的另一实施例的流程图示图；图3图示了具有多重狭窄以及对应的关注位置的示例冠状血管树；图4图示了具有基于主分支或非末端分支的关注位置的示例冠状血管树；以及图5图示了具有基于末端分支和非末端分支的关注位置的图4的示例冠状血管树；图6是示出了训练和应用不确定性或敏感性的机器学习分类器的一个实施例的流程图示图；图7示出了按照沿着血管树的位置的敏感性图的示例显示；图8、11和14示出了针对三个不同患者的示例几何模型，图9、12和15示出了作为分别沿着图8、11和14的模型的主分支的位置的函数的敏感性的曲线图，以及图10、13和16示出了作为分别沿着图8、11和14的模型的子分支的位置的函数的敏感性的曲线图；图17-19示出了分别针对图7的血管树的冠状几何结构的LAD、LCx和RCA位置中的每个位置的血液动力学量的概率分布函数；以及图20是用于利用提供量化的不确定性、敏感性和/或标准偏差进行血液动力学量化的系统的一个实施例。具体实施方式预测了血液动力学计算中的不确定性和/或敏感性。机器学习分类器被用于实时或预测，而具有比统计分析更少的计算要求。计算不确定性和/或敏感性被有效地集成在临床工作流程中以及决策制定过程中。考虑到关注的量的固有不确定性，基于所计算的关注度量（例如，FFR）的决策制定仍旧是主观的。因此，存在使得针对所计算的关注度量（例如，FFR）的不确定性的全自动或半自动评估能够实现的需要。依靠（alongside）度量的标称值来提供评估。通过可以访问标称值和不确定性的量度二者，临床操作员将能够做出更知情的决策。附加地，不确定性分析指示了冠状树中对所计算的关注量具有最大影响的位置。基于影响的分布，用户可以在准备用于计算关注量的输入数据时更着重于这些区域，以增加输出值中的置信度（即，减少不确定性）。在工作流程中，确定了通过机器学习预测器或其他方法所计算的血液动力学量的敏感性和/或不确定性。关于根据医学图像重建的解剖模型的不确定性或者关于被用来进行量化的其他信息来确定敏感性和/或不确定性。在一个实施例中，采集患者冠状动脉的医学成像数据。从表示冠状解剖模型的医学成像数据提取特征。机器学习预测器或CFD模型预测针对冠状动脉树中的每个病变的关注量。关于解剖模型来计算关注量的敏感性和/或不确定性。对关注量依靠其敏感性和/或敏感性进行可视化。在本文中所使用的示例中，针对冠状循环计算血液动力学量以及敏感性和/或不确定性。在其他示例中，针对心血管系统的其他部分计算该量以及敏感性和/或不确定性，该其他部分诸如是在心脏或血管内的其他位置处。可以采用各种技术来实行敏感性和/或不确定性分析。例如，使用可靠性方法、随机展开方法（诸如，混沌多项式展开或随机配置）、重要性采样、自适应采样、区间分析、Dempster-Shafer证据理论或贝塞尔校准中的任何一种。针对给定患者实行分析。替换地，实行分析来训练机器学习分类器，以输出针对特定患者的敏感性和/或不确定性。图1是用于医学成像系统中的血液动力学量化的方法的一个实施例的流程图。针对一个或多个血液动力学预测来确定敏感性和/或不确定性。提供了作为位置的函数的不确定性与预测的关系和/或一个位置的不确定性与其他位置处的预测的关系。可以由机器学习分类器实行不确定性和/或敏感性的分类。图2示出了本方法的另一实施例。该实施例表示用于评价血液动力学量化的几何敏感性的工作流程。以示出的（例如，从顶部到底部或按数字的）次序或其他次序来实行动作。例如，图1示出了在动作16之后实行的动作本文档来自技高网...

【技术保护点】
1.一种用于医学成像系统中的血液动力学量化的方法，所述方法包括：利用所述医学成像系统对患者进行扫描（12），所述扫描（12）提供表示所述患者的心脏系统的部分的心脏数据；根据所述心脏数据确定（14）患者特定心脏几何结构；从所述患者特定心脏几何结构中提取（20）所述血液动力学量化的机器学习预测器的第一输入向量的特征值；响应于所述第一输入向量的特征值，由所述机器学习预测器预测（22）所述血液动力学量化的值；提取（24）所述血液动力学量化的不确定性和/或敏感性的机器学习分类器的第二输入向量的特征值；响应于所述第二输入向量的特征值，由所述机器学习分类器将所述血液动力学量化对于所述患者特定心脏几何结构的不确定性和/或敏感性的一个或多个值进行分类（26）；以及基于所述血液动力学量化的值和所述不确定性和/或敏感性的一个或多个值来生成（28）输出。

【技术特征摘要】
2017.10.30 EP 17465566.2;2017.10.30 US 15/7969331.一种用于医学成像系统中的血液动力学量化的方法，所述方法包括：利用所述医学成像系统对患者进行扫描（12），所述扫描（12）提供表示所述患者的心脏系统的部分的心脏数据；根据所述心脏数据确定（14）患者特定心脏几何结构；从所述患者特定心脏几何结构中提取（20）所述血液动力学量化的机器学习预测器的第一输入向量的特征值；响应于所述第一输入向量的特征值，由所述机器学习预测器预测（22）所述血液动力学量化的值；提取（24）所述血液动力学量化的不确定性和/或敏感性的机器学习分类器的第二输入向量的特征值；响应于所述第二输入向量的特征值，由所述机器学习分类器将所述血液动力学量化对于所述患者特定心脏几何结构的不确定性和/或敏感性的一个或多个值进行分类（26）；以及基于所述血液动力学量化的值和所述不确定性和/或敏感性的一个或多个值来生成（28）输出。2.根据权利要求1所述的方法，其中确定（14）所述患者特定几何结构包括：将模型拟合到所述心脏数据。3.根据权利要求1所述的方法，其中提取（20、24）所述第一输入向量和/或所述第二输入向量的特征值包括：提取沿着由所述患者特定心脏几何结构表示的血管的半径。4.根据权利要求1所述的方法，其中预测（22）包括：利用至少部分地在合成样本上训练的机器学习预测器进行预测（22）。5.根据权利要求1所述的方法，其中预测（22）包括：作为所述血液动力学量化来预测（22）血流储备分数。6.根据权利要求1所述方法，其中分类（26）包括：利用基于不确定性水平所训练的机器学习分类器进行分类（26），所述不确定性水平是基于扫描配置、所述心脏数据的重建和/或患者特性。7.根据权利要求1所述的方法，其中分类（26）包括：利用基于考虑到所采样的噪声分布的血液动力学量化的分布所训练的机器学习分类器进行分类（26）。8.根据权利要求1所述的方法，其中分类（26）包括：利用基于来自所述血液动力学量化的分布的标准偏差的敏感性和不确定变量与所述血液动力学量化的分布的相关性所训练的机器学习分类器进行分类（26）。9.根据权利要求1所述的方法，其中预测（22）包括：预测（22）针对第一位置的所述血液动力学量化的值，其中分类（26）包括针对多个第二位置中的每一个进行分类（26），并且其中生成（28）所述输出包括：生成（28）第二位置的图，所述第二位置的图示出了对针对所述血液动力学量化在所述第一位置处的值的不确定性和/或敏感性的贡献。10.根据权利要求1所述的方法，其中预测（22）包括：预...

【专利技术属性】
技术研发人员：LM伊图，T帕塞里尼，S拉帕卡，P沙尔马，
申请(专利权)人：西门子保健有限责任公司，
类型：发明
国别省市：德国,DE