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技术方案

公开了用于确定患者的血流特性的系统和方法。一种方法包括：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。

A system and method for estimating blood flow characteristics using reduced-order models and machine learning

【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性的系统和方法的各种实施方案。一种方法包括：在电子存储介质中接收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患者的脉管系统的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，所述特征向量包括患者特定降阶模型的一个或多个点中的每一个的阻抗值的估计和几何特征；以及使用被训练来基于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患者特定降阶模型的一个或多个点处的血流特性。根据另一个实施方案，一种用于使用降阶模型和/或机器学习估计血流特性的系统包括：数据存储装置，所述数据存储装置存储指令，所述指令用于使用降阶模型和/或机器学习来估计血流特性；以及处理器，所述处理器被配置用于：在电子存储介质中接收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患者的脉管系统的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，所述特征向量包括患者特定降阶模型的一个或多个点中的每一个的阻抗值的估计和几何特征；以及使用被训练来基于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患者特定降阶模型的一个或多个点处的血流特性。根据另一个实施方案，一种用于计算机系统上的非暂态计算机可读介质，所述非暂态计算机可读介质包含计算机可执行程序指令，所述计算机可执行程序指令用于使用降阶模型和/或机器学习来估计血流特性，方法包括：在电子存储介质中接收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患者的脉管系统的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，所述特征向量包括患者特定降阶模型的一个或多个点中的每一个的阻抗值的估计和几何特征；以及使用被训练来基于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患者特定降阶模型的一个或多个点处的血流特性。所公开的实施方案的其他目的和优点将在以下描述中进行部分阐述，并且部分将根据该描述而变得显而易见，或者可以通过实践所公开的实施方案来了解。所公开的实施方案的目的和优点将借助于在所附权利要求书中特别指出的元件和组合来实现和获得。应理解，前文的概括描述和下文的具体实施方式仅仅是示例性和解释性的，而不像权利要求书那样对所公开的实施方案进行限制。附图说明并入本说明书且构成其一部分的附图展示了各种示例性实施方案，并且与该描述一起用于解释所公开的实施方案的原理。图1是根据本公开的示例性实施方案的用于使用降阶模型和/或机器学习预测或估计血流特性的示例性系统和网络100的框图。图2是根据本公开的示例性实施方案的使用降阶模型和/或机器学习预测或估计血流特性的一般方法200的框图。图3是根据本公开的示例性实施方案的从图像数据生成降阶模型并使用降阶模型来确定阻抗值的一般方法300的框图。图4A至图4C是根据本公开的示例性实施方案的训练和执行机器学习算法以使用降阶模型估计血流特性的示例性方法400A-400C的框图。所述方法中描述的步骤可以任何次序执行，或者可以结合任何其他步骤一起执行。还可以预期的是，可以省略本公开中所描述的用于执行所述方法的一个或多个步骤。具体实施方式现将对在附图中示出其实例的本公开的示例性实施方案进行详细参考。只要有可能，在所有附图中将使用相同的附图标记来指代相同或相似部件。本公开的各种实施方案可以提供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。出于本公开的目的，血流特性可以包括但不限于：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。本公开的至少一些实施方案可以提供以下益处：例如通过使用降阶模型从图像数据实现对血流特性的更快的计算，但是例如通过利用经过训练的机器学习算法确保对血流特性的更准确的计算。可以预期的是，为了实现这些益处，代替降阶模型或除此之外，还可以使用除了降阶模型之外的具有简化的几何结构的其他模型。现参考附图，图1示出了根据示例性实施方案的用于使用降阶模型和/或机器学习估计血流特性的示例性系统100和网络的框图。确切地说，图1示出了多名医师102和第三方提供者104，其中任一者都可以通过一个或多个计算机、服务器和/或手持移动装置来连接到电子网络100，诸如互联网。医师102和/或第三方提供者104可以创建或以其他方式获得一个或多个患者的解剖结构的图像。医师102和/或第三方提供者104还可以获得患者特定和/或参考解剖图像、生理测量和/或包括但不限于以下的信息的任何组合：患者的感兴趣的血管的几何和/或解剖特性、血流特性、感兴趣的血管的阻抗值等。在一些实施方案中，医师102和/或第三方提供者104还可以获得关于血流特性的参考值，因为它们与降阶模型或集总参数模型相关。例如，对于将血流特性简化为一维电路的降阶模型，医师102和/或第三方提供者104可以基于可以简化的血流特性而从参数库或查找表获得电阻、电容和/或电感值。医师102和/或第三方提供者104可以通过电子网络100将解剖图像、生理信息和/或有关感兴趣的血管的信息传输到服务器系统106。服务器系统106可以包括存储装置，所述存储装置用于存储从医师102和/或第三方提供者104接收的图像和数据。服务本文档来自技高网...

【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