用于对血流储备分数的基于机器学习的评估的方法和系统技术方案

公开了一种用于确定针对病人的冠状动脉狭窄的血流储备分数（FFR）的方法和系统。在一个实施例中，接收包括狭窄的病人的医学图像数据，从病人的医学图像数据提取针对狭窄的特征的集合，以及使用被训练的基于机器学习的映射基于特征的被提取的集合确定针对狭窄的FFR值。在另一实施例中，接收包括感兴趣的狭窄的病人的医学图像，检测对应于感兴趣的狭窄和病人的冠状动脉树的图像块，使用被直接地应用于检测到的图像块的被训练的深度神经网络回归器确定针对感兴趣的狭窄的FFR值。

【技术实现步骤摘要】
【国外来华专利技术】本申请要求在2013年10月17日提交的美国临时申请号61/891,920的权益，它的公开通过引用被并入本文中。
技术介绍
本专利技术涉及冠状动脉狭窄的无创性功能评估，并且更特别地涉及根据医学图像数据的冠状动脉狭窄的基于机器学习的无创性功能评估。心血管疾病（CVD）是世界范围内的死亡的主要原因。在各种CVD之间，冠状动脉疾病（CAD）导致那些死亡中的几乎百分之五十。尽管在医学成像和其他诊断形式中的显著提高，但是CAD病人的提早的发病率和死亡率中的增加仍非常高。用于冠状动脉狭窄的诊断和管理的当前临床实践涉及视觉上地或者通过定量冠状动脉血管造影术（QCA）评估患病血管。这样的评估给临床医生提供对狭窄段和载瘤血管（parentvessel）的解剖概观，包括断面收缩（areareduction）、病变长度和最小管腔直径，但是不提供病变对通过血管的血流的影响的功能评估。通过将压力导丝插入到变窄的血管中来测量血流储备分数（FFR）已经被证明是用于指导血运重建决定的较好选项，因为与无创性血管造影术相比，FFR在标识局部缺血引起的病变中更有效。QCA仅评估狭窄的形态意义并且具有多个其他限制。基于压力导丝的FFR测量涉及与对将压力导丝插入到血管中所必需的干预相关联的风险，并且对于非常窄的狭窄，压力导丝可能诱发附加的压降。近来，提出了使用数学方程在从医学图像提取的病人的冠状动脉血管的三维解剖模型中模拟血流的物理现象（physics）的机械模型。这样的方法依赖基于物理现象的数学方程来模拟休息时和充血时的生理学，从而允许人们在计算机上数字上解出方程并针对单个病人确定流和压降。最广泛使用的基于物理现象的模型是纳维斯托克斯方程，其是基于质量、动量和能量守恒的原理的非线性偏微分方程并且其被用来表征冠状动脉中的血液的流动。这常常与模拟解剖的上游（心脏、主动脉）和下游（心肌）区域的生理学的数学方程结合。依靠复杂性和临床使用案例，这些方法可以被用来合并各种规模的生理学模型。尽管已经针对血流提出了各种类型的基于物理现象的模型、边界条件和生理学假设，但是机械模型的共同主题是它们对用以明确地模拟各种生理学的相互作用的数学方程的使用。然而，这样的机械模型的缺点是与模型制备和基于物理现象的方程的数值解相关联的高计算代价和复杂性。另外，这样的机械模型通常仅合并解剖的和某些局部的生理学测量，并且省去其他有意义的测量。
技术实现思路
本公开提供用于根据医学图像数据的对血液动力学指标的基于机器学习的评估的方法和系统。本专利技术的实施例提供了数据驱动的统计方法以根据来自单个病人的包括解剖、功能、诊断、分子和人口统计（hemodynamic）的信息中的一个或多个的输入参数或直接根据医学图像数据来计算一个或多个血液动力学指标，诸如血流储备分数（FFR）、冠状动脉血流储备（CFR）、瞬时无波比（instantaneouswave-freeratio）（IFR）、充血应力储备（HSR）、基底狭窄阻力（BSR）和微循环阻力指数（IMR）。本专利技术的实施例采用机器学习算法来学习在输入参数或输入医学图像数据和输出血液动力学指标之间的复杂映射。在本专利技术的一个实施例中，接收包括感兴趣的狭窄的病人的医学图像数据。从病人的医学图像数据提取针对感兴趣的狭窄的特征的集合。使用被训练的基于机器学习的映射基于特征的被提取的集合来确定针对感兴趣的狭窄的FFR值。在本专利技术的另一实施例中，接收包括感兴趣的狭窄的病人的医学图像。检测对应于感兴趣的狭窄和病人的冠状动脉树的图像块（patch）。使用被直接地应用于检测到的图像块的被训练的深度神经网络回归器来确定针对感兴趣的狭窄的FFR值。参考以下详细描述和附图，本专利技术的这些和其他优势将对本领域那些普通技术人员而言是显然的。附图说明图1图示了根据本专利技术的实施例的用于确定FFR的训练基于机器学习的映射的方法；图2图示了根据本专利技术的实施例的用于实现图1的方法的框架；图3图示了表征狭窄的形状的几何特征；图4图示了根据本专利技术的实施例的用于使用增强的基于图像的推进的岭回归来训练基于机器学习的映射的算法；图5图示了根据本专利技术的实施例的特征选择算法；图6图示了根据本专利技术的实施例的用于针对病人使用被训练的基于机器学习的映射确定FFR的方法；图7、8和9图示了用于实现图6的方法的各种情况；图10图示了用于使用被直接地应用于病人的医学图像数据的被训练的深度神经网络确定FFR的方法；图11图示了针对特定的参数空间训练深度多层神经网络回归器；图12图示了根据本专利技术的实施例的用于对象检测的训练深度神经网络的系列方法；图13图示了根据本专利技术的实施例的将被训练的深度神经网络回归器应用于图像块以针对狭窄确定FFR值；以及图14是能够实现本专利技术的计算机的高级框图。具体实施方式本专利技术涉及用于对针对冠状动脉狭窄的血液动力学指标的基于机器学习的评估的方法和系统，所述血液动力学指标诸如血流储备分数（FFR）。在本文中描述本专利技术的实施例以给出对用于评估冠状动脉狭窄的方法的视觉理解。数字图像常常包括一个或多个对象（或形状）的数字表示。在本文中常常在标识和操纵对象方面描述对象的数字表示。这样的操纵是在计算机系统的存储器或其他电路/硬件中完成的虚拟操纵。因此，应理解，可以在计算机系统内使用存储在计算机系统内的数据执行本专利技术的实施例。血流储备分数（FFR）是用于确定冠状动脉狭窄的血液动力学意义的功能测量。FFR被定义为变窄的血管中的流对正常血管中的流的分数，所述两个流在最大充血时被确定。特别地，FFR可以被表达为：这里，max指最大充血条件。Normal（正常）血管是假定的（即，如果狭窄不存在的话）。因为诸如正常血管不存在，所以通常使用替代的基于压力的公式化用于量化FFR。由于冠状动脉的自动调节机制，静止流在灌注压的范围中保持不变。通过降低微血管阻力来实现自动调节。为了经由压力测量来计算FFR，人们需要在最大充血状态中操作，其中压力与流（因为心肌阻力现在被固定在其最低值处并且可以不进一步改变）直接成比例。因此，流速率项可以由适当的灌注压项替代，所述灌注压项中的全部可以在变窄的血管中测得，没有对假定的正常血管的需要。在该情况下，FFR可以被计算为：这里，Pd和分别为在心动周期上的平均远端压力和主动脉压力，并且Pv是静脉压力（）。FFR在[0,1]的范围中变化，其中0.80通常是截止值，低于其狭窄被认为是血液动力学上有意义的（即，局部缺血的）。除FFR之外，诸如压降、冠状动脉血流储备（CFR）、瞬时无波比（IFR）、充血应力储备（HSR）、基底狭窄阻力（BSR）和微循环阻力指数（IMR）之类的其他血液动力学指标可以被用来评估冠状动脉狭窄。在本文中将本专利技术的实施例描述为针对病人估计FFR。应理解，本专利技术不限于FFR估计，并且也可以类似地应用本专利技术的实施例来估计其他血液动力学指标。本专利技术的实施例利用数据驱动的统计方法来根据来自单个病人的解剖、功能、诊断、分子和/或人口统计信息计算一个或多个血液动力学指标。本专利技术的实施例采用机器学习算法来学习输入参数（例如，解剖、功能和/或人口统计信息）和感兴趣的输出量（例如，FFR）之间的复杂映射。不同于基于机械模型的方法，本专利技术的实施例不依赖描述输入和输出之间的关系的先验本文档来自技高网...

【技术保护点】
一种用于针对病人确定针对感兴趣的狭窄的血流储备分数（FFR）的方法，包括：接收包括感兴趣的狭窄的病人的医学图像数据；从病人的医学图像数据提取针对感兴趣的狭窄的特征的集合；以及使用被训练的基于机器学习的映射基于特征的被提取的集合确定针对感兴趣的狭窄的FFR值。

【技术特征摘要】
【国外来华专利技术】2013.10.17 US 61/891920;2014.10.16 US 14/5161631.一种用于针对病人确定针对感兴趣的狭窄的血流储备分数（FFR）的方法，包括：接收包括感兴趣的狭窄的病人的医学图像数据；从病人的医学图像数据提取针对感兴趣的狭窄的特征的集合；以及使用被训练的基于机器学习的映射基于特征的被提取的集合确定针对感兴趣的狭窄的FFR值。2.根据权利要求1所述的方法，其中被训练的基于机器学习的映射被基于地面实况FFR值和从训练数据的集合提取的特征训练。3.根据权利要求1所述的方法，其中被训练的基于机器学习的映射是经验学习模型，其将来自特征的集合的特征与相应的所学习的权重组合。4.根据权利要求1所述的方法，其中被训练的基于机器学习的映射是使用基于图像的推进的岭回归训练的回归函数。5.根据权利要求1所述的方法，其中从病人的医学图像数据提取针对感兴趣的狭窄的特征的集合包括：提取表征感兴趣的狭窄的几何形状的多个特征。6.根据权利要求5所述的方法，其中表征感兴趣的狭窄的几何形状的特征包括近端和远端参考直径、最小管腔直径、病变长度。7.根据权利要求6所述的方法，其中表征感兴趣的狭窄的几何形状的特征进一步包括入口角、入口长度、出口角、出口长度、被狭窄阻塞的直径的百分比以及被狭窄阻塞的面积的百分比。8.根据权利要求5所述的方法，其中从病人的医学图像数据提取针对感兴趣的狭窄的特征的集合进一步包括：提取表征狭窄的形态的一个或多个特征。9.根据权利要求5所述的方法，其中从病人的医学图像数据提取针对感兴趣的狭窄的特征的集合进一步包括：提取表征感兴趣的狭窄位于其中的冠状动脉分支的几何形状的一个或多个特征。10.根据权利要求10所述的方法，其中从病人的医学图像数据提取针对感兴趣的狭窄的特征的集合进一步包括：提取表征病人的整个冠状动脉树的几何形状的一个或多个特征。11.根据权利要求5所述的方法，其中从病人的医学图像数据提取针对感兴趣的狭窄的特征的集合进一步包括：提取表征冠状动脉解剖和功能的一个或多个特征。12.根据权利要求1所述的方法，进一步包括：接收病人的功能测量结果；从病人的功能测量结果提取一个或多个特征；以及将从病人的功能测量结果提取的一个或多个特征包括在被用于确定FFR值的特征的集合中。13.根据权利要求1所述的方法，进一步包括：接收病人的人口统计；从病人的人口统计信息提取一个或多个特征；以及将从病人的人口统计信息提取的一个或多个特征包括在被用于确定FFR值的特征的集合中。14.根据权利要求5所述的方法，其中从病人的医学图像数据提取针对感兴趣的狭窄的特征的集合进一步包括：提取表征体外血液化验的一个或多个特征。15.根据权利要求1所述的方法，进一步包括：接收修改特征的集合中的一个或多个特征的用户输入，产生反映治疗情况的特征的被修改的集合；以及使用被训练的基于机器学习的映射基于特征的被修改的集合确定针对感兴趣的狭窄的FFR值。16.根据权利要求1所述的方法，其中被训练的基于机器学习的映射被基于在训练数据的集合中使用用以仿真血流的机械模型计算的FFR值训练。17.根据权利要求1所述的方法，其中被训练的基于机器学习的映射被基于从综合生成的狭窄几何形状提取的几何形状特征和使用对综合生成的狭窄几何形状执行的计算流体动力学（CFD）仿真计算的对应于综合生成的狭窄几何形状的FFR值训练。18.一种用于针对病人确定针对感兴趣的狭窄的血流储备分数（FFR）的设备，包括：用于接收包括感兴趣的狭窄的病人的医学图像数据的装置；用于从病人的医学图像数据提取针对感兴趣的狭窄的特征的集合的装置；以及用于使用被训练的基于机器学习的映射基于特征的被提取的集合确定针对感兴趣的狭窄的FFR值的装置。19.根据权利要求18所述的装置，其中被训练的基于机器学习的映射是使用基于图像的推进的岭回归训练的回归函数。20.根据权利要求18所述的装置，其中用于从病人的医学图像数据提取针对感兴趣的狭窄的特征的集合的装置包括：用于提取表征感兴趣的狭窄的几何形状的多个特征的装置。21.根据权利要求20所述的装置，其中用于从病人的医学图像数据提取针对感兴趣的狭窄的特征的集合的装置进一步包括：用于提取表征狭窄的形态的一个或多个特征的装置。22.根据权利要求20所述的装置，其中用于从病人的医学图像数据提取针对感兴趣的狭窄的特征的集合的装置进一步包括：用于提取表征感兴趣的狭窄位于其中的冠状动脉分支的几何形状的一个或多个特征的装置。23.根据权利要求22所述的装置，其中用于从病人的医学图像数据提取针对感兴趣的狭窄的特征的集合的装置进一步包括：用于提取表征病人的整个冠状动脉树的几何形状的一个或多个特征的装置。24.根据权利要求20所述的装置，其中用于从病人的医学图像数据提取针对感兴趣的狭窄的特征的集合的装置进一步包括：用于提取表征冠状动脉解剖和功能的一个或多个特征的装置。25.根据权利要求18所述的装置，其中被训练的基于机器学习的映射被基于从综合生成的狭窄几何形状提取的几何形状特征和使用对综合生成的狭窄几何形状执行的计算流体动力学（CFD）仿真计算的对应于综合生成的狭窄几何形状的FFR值训练。26.一种存储计算机程序指令的非瞬时计算机可读介质，所述计算机程序指令用于针对病人确定针对感兴趣的狭窄的血流储备分数（FFR），计算机程序指令当在处理器上执行时使得处理器执行包括如下的操作：接收包括感兴趣的狭窄的病人的医学图像数据；从病人的医学图像数据提取针对感兴趣的狭窄的特征的集合；以及使用被训练的基于机器学习的映射基于特征的被提取的集合确定针对感兴趣的狭窄的FFR值。27.根据权利要求26所述的非瞬时计算机可读介质，其中被训练的基于机器学习的映射是使用基于图像的推进的岭回归训练的回归函数。28.根据权利要求26所述的非瞬时计算机可读介质，其中从病人的医学图像数据提取针对感兴趣的狭窄的特征的集合包括：提取表征感兴趣的狭窄的几何形状的多个特征。29.根据权利要求28所述的非瞬时计算机可读介质，其中从病人的医学图像数据提取针对感兴趣的狭窄的特征的集合进一步包括：提取表征狭窄的形态的一个或多个特征。30.根据权利要求28所述的非瞬时计算机可读介质，其中从病人的医学图像数据提取针对感兴趣的狭窄的特征的集合进一步包括：提取表征感兴趣的狭窄位于其中的冠状动脉分支的几何形状的一个或多个特征。31.根据权利要求30所述的非瞬时计算机可读介质，其中从病人的医学图像数据提取针对感兴趣的狭窄的特征的集合进一步包括：提取表征病人的整个冠状动脉树的几何形状的一个或多个特征。32.根据权利要求28所述的非瞬时计算机可读介质，其中从病人的医学图像数据提取针对感兴趣的狭窄的特征的集合进一步包括：提取表征冠状动脉解剖和功能的一个或多个特征。33.根据权...

【专利技术属性】
技术研发人员：P沙尔马，A卡门，B乔治斯库，F绍尔，D科马尼丘，郑冶枫，H阮，VK辛格，
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