【技术实现步骤摘要】
【国外来华专利技术】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相关申请本申请要求于2016年9月20日提交的美国临时申请号62/396,965的优先权,所述申请的全部公开内容特此以引用的方式整体并入本文。
本公开的各种实施方案总体上涉及血管系统的诊断和治疗计划。更特别地,本公开的特定实施方案涉及用于使用降阶模型和/或机器学习估计血流特性的系统和方法。技术背景冠状动脉中的血流可以提供有用的信息,包括脑缺血的存在或程度、对心肌的血液灌注等。由于直接测量小动脉中的血流可能是困难的,因此可以通过根据来源于包括以下的医学成像数据的患者特定的三维(3D)几何结构求解Navier-Stokes方程来模拟血流:心脏计算机断层(CT)扫描、磁共振成像(MRI)、超声波等。为了加快求解过程,3D几何结构可以被简化为通过面积或半径参数化的中心线的一维骨架,并且可以沿着这些中心线例如通过求解Navier-Stokes方程的简化方程来计算血流特性(例如,压力、流率等)。这些技术可以实现对Navier-Stokes方程的解的明显更快的计算,但是它们可能不如针对3D几何结构求解Navier-Stokes方程准确。希望有方法可以提供对解剖模型的局部区域中的血流特性的更为精确和准确的计算,其中涉及简化为1D几何结构的方法是不够准确的。这种期望的方法可以保持准确性,同时显著改进计算时间。还希望有一种方法利用这些模型来确定最优几何参数化,所述最优几何参数化将产生最优解和/或提高对患者的解剖结构的几何特性的了解,并且由此增强医学成像。
技术实现思路
以下描述了本公开的用于使用降阶模型和/或机器学习估计血流特 ...
【技术保护点】
1.一种确定患者的血流特性的计算机实施的方法,所述方法包括:在电子存储介质中接收所述患者的脉管系统的至少一部分的患者特定图像数据,所述患者特定图像数据具有一个或多个点处的几何特征;从所接收的图像数据生成患者特定降阶模型,所述患者特定降阶模型包括在所述患者的所述脉管系统的所述一个或多个点处的阻抗值的估计和所述几何特征的简化;创建特征向量,所述特征向量包括所述患者特定降阶模型的所述一个或多个点中的每一个的所述阻抗值的估计和所述几何特征;以及使用被训练来基于所述一个或多个点处的所创建的特征向量而预测血流特性的机器学习算法来确定所述患者特定降阶模型的所述一个或多个点处的血流特性。
【技术特征摘要】
【国外来华专利技术】2016.09.20 US 62/3969651.一种确定患者的血流特性的计算机实施的方法,所述方法包括:在电子存储介质中接收所述患者的脉管系统的至少一部分的患者特定图像数据,所述患者特定图像数据具有一个或多个点处的几何特征;从所接收的图像数据生成患者特定降阶模型,所述患者特定降阶模型包括在所述患者的所述脉管系统的所述一个或多个点处的阻抗值的估计和所述几何特征的简化;创建特征向量,所述特征向量包括所述患者特定降阶模型的所述一个或多个点中的每一个的所述阻抗值的估计和所述几何特征;以及使用被训练来基于所述一个或多个点处的所创建的特征向量而预测血流特性的机器学习算法来确定所述患者特定降阶模型的所述一个或多个点处的血流特性。2.如权利要求1所述的计算机实施的方法,其中使用被训练来基于所述一个或多个点处的所述所创建的特征向量而预测血流特性的机器学习算法来确定所述患者特定降阶模型的所述一个或多个点处的血流特性包括:针对多个个体中的每一个,接收脉管系统的个体特定解剖模型,所述个体特定解剖模型具有所述个体特定解剖模型的一个或多个点处的血流特性的已知值,并且具有对应于所述个体的所述脉管系统的所述个体特定解剖模型的所述一个或多个点处的一个或多个几何特征;针对具有所述一个或多个点处的所述血流特性的已知值的所述多个个体中的每一个,形成特征向量,所述特征向量包括:(i)有关所述一个或多个点的位置的信息,以及(ii)所述一个或多个点处的几何特征;针对具有所述一个或多个点处的所述血流特性的已知值的所述多个个体中的每一个,使所述特征向量与所述一个或多个点处的所述血流特性的所述已知值相关联;以及使用相关联的特征向量来训练所述机器学习算法,以从包括所述一个或多个点处的几何特征的特征向量预测脉管系统的一个或多个点处的所述血流特性的值;以及使用经过训练的机器学习算法来确定对应于所述患者的所述脉管系统的所述患者特定降阶模型的所述一个或多个点处的血流特性。3.如权利要求1所述的计算机实施的方法,其中每个特征向量还包括所述患者特定降阶模型的一个或多个点处的所述患者的生理和/或表型参数;并且其中所述机器学习算法被训练来从包括所述患者的脉管系统的一个或多个点处的几何特征以及生理和/或表型参数的特征向量预测所述患者的脉管系统的一个或多个点处的所述血流特性的值。4.如权利要求3所述的计算机实施的方法,其中所述生理和/或表型参数包括以下中的一者或多者:收缩压和舒张压、心率、血细胞压积水平、血压、血液粘度、所述患者的年龄、所述患者的性别、所述患者的身高、所述患者的体重、所述患者的生活方式特性以及供应组织的质量。5.如权利要求1所述的计算机实施的方法,其中使用被训练来基于所述一个或多个点处的所述所创建的特征向量而预测血流特性的机器学习算法来确定所述患者特定降阶模型的所述一个或多个点处的血流特性包括:基于所述患者的所述脉管系统的所述患者特定图像数据而接收患者特定解剖模型,所述患者特定解剖模型具有对应于所述患者的所述脉管系统的所述患者特定解剖模型的一个或多个点处的几何特征;在所述患者特定解剖模型上的位置处应用边界条件以模拟通过所述患者特定解剖模型的血流;使用计算流体动力学(CFD)从血流的模拟确定所述患者特定解剖模型的一个或多个点处的血流特性的值;形成特征向量,所述特征向量包括:(i)有关所述患者特定解剖模型的所述一个或多个点的位置的信息,以及(ii)所述患者特定解剖模型的所述一个或多个点处的所接收的几何特征;使所述特征向量与所述患者特定解剖模型的所述一个或多个点处的所述血流特性的确定的值相关联;使用相关联的特征向量来训练机器学习算法,以从包括所述一个或多个点处的几何特征的特征向量预测所述患者的脉管系统的一个或多个点处的所述血流特性的值;以及使用经过训练的机器学习算法来确定对应于所述患者的所述脉管系统的所述患者特定降阶模型的所述一个或多个点处的血流特性。6.如权利要求5所述的计算机实施的方法,其中应用边界条件包括在可以应用适当的边界条件的位置处截断所述患者特定解剖模型,所述位置包括血流流入、血流流出和血管壁处的边界。7.如权利要求1所述的计算机实施的方法,所述方法还包括将所述所接收的患者特定图像数据分割成所述患者的所述脉管系统的一个或多个区域;并且其中针对所述脉管系统的所述一个或多个区域中的每一个生成所述降阶模型。8.如权利要求1所述的计算机实施的方法,其中所述机器学习算法包括以下中的一者或多者:支持向量机(SVM)、多层感知器(MLP)、多变量回归(MVR)、神经网络、基于树的分类器以及加权线性或逻辑回归。9.如权利要求1所述的计算机实施的方法,其中所述血流特性包括以下中的一者或多者:血压、血流储备分数(FFR)、血液流率或流速、速度或压力场、血液动力学作用力以及器官和/或组织灌注特性。10.一种用于确定患者的血流特性的系统,所述系统包括:数据存储装置,所述数据存储装置存储用于确定患者的血流特性的指令;以及处理器,所述处理器被配置成执行所述指令以执行包括以下操作的方法:在电子存储介质中接收所述患者的脉管系统的至少一部分的患者特定图像数据,所述患者特定图像数据具有一个或多个点处的几何特征;从所接收的图像数据生成患者特定降阶模型,所述患者特定降阶模型包括在所述患者的所述脉管系统的所述一个或多个点处的阻抗值的估计和几何特征的简化;创建特征向量,所述特征向量包括所述患者特定降阶模型的所述一个或多个点中的每一个的所述阻抗值的估计和所述几何特征;以及使用被训练来基于所述一个或多个点处的所创建的特征向量而预测血流特性的机器学习算法来确定所述患者特定降阶模型的所述一个或多个点处的血流特性。11.如权利要求10所述的系统,其中使用被训练来基于所述一个或多个点处的所述所创建的特征向量而预测血流特性的机器学习算法来确定所述患者特定降阶模型的所述一个或多个点处的血流特性包括:针对多个个体中的每一个,接收脉管系统的个体特定解剖模型,所述个体特定解剖模型具有所述个体特定解剖模型的一个或多个点处的血流特性的已知值,并且具有对应于所述个体的所述脉管系统的所述个体特定解剖模型的所述一个或多个点处的一个或多个几何特征;针对具有所述一个或多个点处的所述血流特性的已知值的所述多个个体中的每一个,形成特征向量,所述特征向量包括:(i)有关...
【专利技术属性】
技术研发人员:TM桑德斯,S桑卡兰,L格拉迪,D斯佩恩,肖南,HJ金,C泰勒,
申请(专利权)人:哈特弗罗公司,
类型:发明
国别省市:美国,US
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。