用于根据血管几何形状和生理学估计血流特性的系统和方法技术方案

本发明专利技术公开了用于估计患者特定的血流特性的系统和方法。一种方法包括：针对多个个体中的每一个获取所述个体的血管系统的至少一部分的几何模型和估计血流特性；在用于所述多个个体中的每一个的所述几何模型和估计血流特性上执行机器学习算法；使用所述机器学习算法来识别预测对应于所述几何模型中的多个点的血流特性的特征；针对患者获取所述患者的血管系统的至少一部分的几何模型；以及使用所述识别的特征来针对所述患者的几何模型中的多个点中的每一个产生所述患者的血流特性的估计。

【技术实现步骤摘要】
【国外来华专利技术】【专利说明】用于根据血管几何形状和生理学估计血流特性的系统和方 法 相关申请 本申请要求2013年5月16日提交的美国专利申请号13/895,893的优先权，所述 美国专利申请依据35 § USC 119要求2012年9月12日提交的美国临时申请号61/700, 213 的优先权利益，所述申请的全部公开内容由此以引用的方式整体并入本文。
本公开的各个实施方案总体上涉及医学成像和相关方法。更具体来说，本公开的 特定实施方案涉及用于根据血管几何形状和生理学估计患者特定的血流特性的系统和方 法。
技术介绍
动脉能力的功能评估对于用以解决患者需求的治疗计划是重要的。近期的研宄已 经证明如血流储备分数（FFR)的血液动力学特性是用以确定用于动脉疾病患者的最佳治 疗的重要指标。这些血液动力学特性的传统评估使用侵入性导管插入术来直接测量如压力 和流动速度的血流特性。然而，尽管收集到重要临床信息，但是这些侵入性测量技术为患者 带来严重的风险并且为医疗保健系统带来大量成本。 为了解决与侵入性测量相关联的风险和开支，已经开发出新一代非侵入性测试来 评估血流特性。这些非侵入性测试使用患者成像（如计算机断层扫描（CT))来确定患者 特定的血管几何模型，并且这个模型在计算上用以使用具有适当生理学边界条件和参数的 计算流体力学（CFD)来模拟血流。对这些患者特定的边界条件的输入的实例包括患者的血 压、血液粘度和对来自所供应组织的血液的预期需求（来源于标度律以及根据患者成像对 所供应组织的质量估计）。虽然血流特性的这些基于模拟的估计已经证明保真度水平堪比 对相同感兴趣的量的直接（侵入性）测量，但是物理模拟要求大量的计算负担，所述计算负 担可能使这些虚拟的非侵入性测试难以在实时临床环境中执行。因此，本公开描述计算上 廉价的用于进行血流特性的快速非侵入性估计的新方法。
技术实现思路
本专利技术公开用于得出患者特定的患者血管几何模型，和将这个几何形状与患者特 定的生理学信息和边界条件组合的系统和方法。组合的这些数据可用于估计患者的血流特 性并且在临床上预测有关感兴趣的量（例如，FFR)。目前所公开系统和方法提供超越血流 的基于物理的模拟的优点，以计算感兴趣的量，如通过替代地使用机器学习来预测基于物 理的模拟的结果。在一个实施方案中，所公开的系统和方法涉及两个阶段：第一，训练阶段， 其中训练机器学习系统以预测一个或多个血流特性；以及第二，产生阶段，其中使用机器学 习系统来产生一个或多个血流特性和临床上相关的感兴趣的量。在预测多个血流特性的情 况下，这个机器学习系统可应用于每个血流特性和感兴趣的量。 根据一个实施方案，公开一种用于估计患者特定的血流特性的方法。所述方法包 括：针对多个个体中的每一个获取所述个体的血管系统的至少一部分的几何模型和估计血 流特性；在用于所述多个个体中的每一个的所述几何模型和估计血流特性上执行机器学习 算法；使用所述机器学习算法来识别预测对应于所述几何模型中的多个点的血流特性的特 征；针对患者获取所述患者的血管系统的至少一部分的几何模型；以及使用所述识别的特 征来针对所述患者的几何模型中的多个点中的每一个产生所述患者的血流特性的估计。 根据另一个实施方案，公开一种用于估计患者特定的血流特性的系统。所述系统 包括：数据存储装置，其存储用于估计患者特定的血流特性的指令；以及处理器，其被配置 来执行指令以进行包括以下步骤的方法：针对多个个体中的每一个获取所述个体的血管系 统的至少一部分的几何模型和估计血流特性；在用于所述多个个体中的每一个的所述几何 模型和估计血流特性上执行机器学习算法；使用所述机器学习算法来识别预测对应于所述 几何模型中的多个点的血流特性的特征；针对患者获取所述患者的血管系统的至少一部分 的几何模型；以及使用所述识别的特征来针对所述患者的几何模型中的多个点中的每一个 产生所述患者的血流特性的估计。 所公开实施方案的其它目标和优点部分将在以下描述中予以阐述，并且部分将根 据描述显而易见，或者可以通过实践所公开实施方案来习得。所公开实施方案的目标和优 点将借助于所附权利要求中特别指出的要素和组合来实现和获得。 应理解的是，上文一般性描述与下文详述两者均仅为示例性和说明性的，并且不 限制如所要求的所公开实施方案。【附图说明】 并入本说明书中并且构成本说明书的一部分的附图示出各个示例性实施方案并 且连同描述一起用于解释所公开实施方案的原理。 图1为根据本公开的示例性实施方案的用于根据血管几何形状和生理学信息估 计患者特定的血流特性的示例性系统和网络的方框图。 图2为根据本公开的示例性实施方案的用于根据血管几何形状和生理学信息估 计患者特定的血流特性的示例性方法的方框图。【具体实施方式】 现在将详细参考本公开的示例性实施方案，所述示例性实施方案的实例在附图中 示出。只要可能，在全部附图中将使用相同参考数字来指代相同或相似部分。 本公开描述用于提供超越血流的基于物理的模拟的优点的某些原理和实施方案， 以计算患者特定的血流特性和临床上相关的感兴趣的量。即，目前所公开系统和方法可并 入机器学习技术来预测基于物理的模拟的结果。例如，本公开描述示例性处理不太密集的 技术，所述技术涉及将血流储备分数（FFR)建模为患者的血管横截面积、病变长度和边界 条件的函数。横截面积可尤其基于内腔节段和血小板节段进行计算。病变长度可尤其基于 血小板节段和狭窄位置进行计算。边界条件可反映患者特定的生理学，如冠状流（根据心 肌质量估计）、出口面积和充血假设，以反映不同患者具有不同几何形状和生理学响应。 在一个实施方案中，可将血流储备分数建模为患者的边界条件的函数（f (BC)) 以及患者的血管几何形状的函数（gbreaReductions))。虽然患者的几何形状可描述为 "areaReductions"的函数，但是应了解的是，这个术语不仅指代患者的血管横截面积的变 化，而且还指代影响患者的血流的任何物理或几何特性。在一个实施方案中，可通过最佳化 函数"广和" 8"，以使得估计叩1?(叩1^>1_^)与测量叩 1?(111叩1〇之间的差异最小化来预 测FFR。换句话说，机器学习技术可用于解决使估计FFR近侧测量FFR的函数。在一个实施 方案中，可通过传统导管插入方法或通过现代计算流体动力学（CFD)技术来计算测量FFR。 在一个实施方案中，一个或多个机器学习算法可用来最佳化数百名或甚至数千名患者的边 界条件和患者几何形状的函数，以使得FFR的估计可以可靠地近似测量FFR值。因此，通过 CFD技术计算的FFR值对于训练机器学习算法可为有价值的。 现在参考附图，图1描绘用于根据血管几何形状和生理学信息估计患者特定的血 流特性的示例性系统和网络的方框图。具体来说，图1描绘多个医师102和第三方提供者 104,他们中的任一个可通过一个或多个计算机、服务器和/或手持式移动装置连接至如英 特网的电子网络100。医师102和/或第三方提供者104可创建或以其它方法获得一个或 多个患者的心脏和/或血管系统的影像。医师102和/或第三方提供者104也可以获得如 年龄、病史、血压、血液粘度等的患者特定的信息的任何组合。医师102和/或第三本文档来自技高网...

【技术保护点】
一种用于确定患者特定的血流特性的方法，所述方法包括：针对多个个体中的每一个获取所述个体的血管系统的至少一部分的几何模型和血流特性；在用于所述多个个体中的每一个的所述几何模型和血流特性上执行机器学习算法；使用所述机器学习算法来识别预测对应于所述几何模型中的多个点的血流特性的特征；针对患者获取所述患者的血管系统的至少一部分的几何模型；以及使用所述识别的特征来针对所述患者的几何模型中的至少一个点确定所述患者的血流特性。

【技术特征摘要】
【国外来华专利技术】...

【专利技术属性】
技术研发人员：莱昂·格雷迪，崔吉浩，迈克尔·辛格，
申请(专利权)人：哈特弗罗公司，
类型：发明
国别省市：美国;US