【技术实现步骤摘要】
基于医疗图像的心源性栓塞型中风风险预测系统和方法本申请主张提交于2016年3月1日的美国临时申请号62/301,861的权益,其公开内容通过引用以其整体被并入到本文中。
技术介绍
本专利技术涉及患者特定的中风风险预测,并且更特别地涉及基于医疗图像的患者特定的心源性栓塞型中风风险预测。中风在美国中是成人残疾的主要原因以及死亡的第五主要原因。有两种类型的中风,出血性和缺血性,其中发生的中风近似13%为出血性并且87%为缺血性。缺血性中风又可以是栓塞型(~20%)或血栓型(~80%)类型。在栓塞型中风中,血凝块或血小板碎片形成在人体中的某处(通常是心脏)并且运送到大脑,其在大脑处阻塞小血管。在血栓型中风中,血凝块形成在向大脑供给血液的动脉内部。由于较大颅内动脉阻塞和较大的缺血性脑容积,栓塞型中风比非栓塞型中风不成比例地更加致残。已估算出45-50%的栓塞型中风发生在具有心房纤颤(Afib)的心脏中。此外,已估算出2011年美国中大约230万到320万人受心房纤颤影响,并且基于流行病学数据,到2050年,患有心房纤颤的患者的未来推测可能超过1200万。关于针对心源性栓塞型中风患者的风险预测的当前临床实践是大量的,并且包括详细病史、体检(包括针对杂音的心脏听诊和针对心律不齐的评估)、神经成像、心电图以及实验室和超声心动图数据。然而,从这样的评估提取的风险指标受限于具有大的方差的简单统计指示符,其通常是基于临床纵向数据。该风险预测方法存在多种缺点,包括时间可塑性(即,不确定性)和大范围的这些指标,以及弱/降低的患者特异性。
技术实现思路
本专利技术提供了一种用于患者特定的缺血性 ...
【技术保护点】
一种用于基于医疗图像的患者特定的中风风险预测的方法,包括:从患者的医疗图像数据提取左心房(LA)和左心耳(LAA)测量结果;基于从患者的医疗图像数据提取的LA和LAA测量结果,使用患者特定的心功能计算模型来针对患者的LA和LAA计算导出度量;以及基于提取出的LA和LAA测量结果以及针对患者的LA和LAA计算出的导出度量,使用经训练的基于机器学习的分类器来计算针对患者的中风风险分值,其中将提取出的LA和LAA测量结果以及针对LA和LAA计算出的导出度量作为特征输入到经训练的基于机器学习的分类器。
【技术特征摘要】
2016.03.01 US 62/301861;2017.02.06 US 15/4249111.一种用于基于医疗图像的患者特定的中风风险预测的方法,包括:从患者的医疗图像数据提取左心房(LA)和左心耳(LAA)测量结果;基于从患者的医疗图像数据提取的LA和LAA测量结果,使用患者特定的心功能计算模型来针对患者的LA和LAA计算导出度量;以及基于提取出的LA和LAA测量结果以及针对患者的LA和LAA计算出的导出度量,使用经训练的基于机器学习的分类器来计算针对患者的中风风险分值,其中将提取出的LA和LAA测量结果以及针对LA和LAA计算出的导出度量作为特征输入到经训练的基于机器学习的分类器。2.根据权利要求1所述的方法,其中从患者的医疗图像数据提取左心房(LA)和左心耳测量结果包括:在患者的医疗图像数据中分割LA。3.根据权利要求2所述的方法,其中在患者的医疗图像数据中分割LA包括:从患者的3D医疗图像数据生成3DLA网格。4.根据权利要求3所述的方法,其中从患者的3D医疗图像数据生成3DLA网格包括:使用多部分心房模型在医疗图像数据中分割多个LA部分;以及从分割出的多个心房部分生成统一的LA网格。5.根据权利要求2所述的方法,其中在患者的医疗图像数据中分割LA包括:从患者的4D(3D+时间)医疗图像数据生成LA网格序列。6.根据权利要求2所述的方法,其中从患者的医疗图像数据提取左心房(LA)和左心耳测量结果还包括:基于分割出的LA提取LA容积、LAA容积和LAA波瓣数目,其中将LA容积、LAA容积和LAA波瓣数目作为特征输入到基于机器学习的分类器。7.根据权利要求2所述的方法,其中从患者的医疗图像数据提取左心房(LA)和左心耳测量结果还包括:从患者的医疗图像数据针对LA和LAA提取血液动力学测量结果。8.根据权利要求1所述的方法,其中基于从患者的医疗图像数据提取的LA和LAA测量结果使用患者特定的心功能计算模型来针对患者的LA和LAA计算导出度量包括:使用患者特定的心功能计算模型来仿真LA和LAA中的血流;以及基于LA和LAA中的仿真出的血流来针对LA和LAA计算血液动力学特征,其中将血液动力学特征输入到经训练的基于机器学习的分类器。9.根据权利要求8所述的方法,其中基于LA和LAA中的仿真出的血流来针对LA和LAA计算血液动力学特征包括:基于LA和LAA中的仿真出的血流来针对LAA中的至少多个位置计算导出的血液动力学参数,其中,导出的血液动力学参数包括以下中的一个或多个:相对停留时间(RRT)、能量损耗、压力损耗系数、壁切变应力(WSS)或震荡指数(OSI)。10.根据权利要求8所述的方法,其中基于LA和LAA中的仿真出的血流来针对LA和LAA计算血液动力学特征包括:基于LA和LAA中的仿真出的血流来针对LAA中的至少多个位置计算血流速度或压力中的至少一个的统计学特性。11.根据权利要求8所述的方法,其中基于从患者的医疗图像数据提取的LA和LAA测量结果使用患者特定的心功能计算模型来针对患者的LA和LAA计算导出度量还包括:使用患者特定的心功能计算模型来仿真LA中的电信号传播;以及从LA中的仿真出的电信号传播针对LA和LAA计算电生理学特征,其中,将计算出的电生理学特征作为特征输入到基于机器学习的分类器。12.根据权利要求1所述的方法,其中作为特征输入到基于机器学习的分类器的提取出的LA和LAA测量结果包括LA容积、LAA容积和LAA波瓣数目,并且作为特征输入到基于机器学习的分类器的计算出的导出度量包括在LA和LAA中一个或多个点处的以下中的一个或多个:相对停留时间(RRT)、能量损耗、压力损耗系数、壁切变应力(WSS)、震荡指数(OSI)、平均血流速度或平均血压。13.根据权利要求1所述的方法,其中基于提取出的LA和LAA测量结果以及针对患者的LA和LAA计算出的导出度量使用经训练的基于机器学习的分类器来计算患者的中风风险分值包括:基于提取出的LA和LAA测量结果以及针对患者的LA和LAA计算出的导出度量,使用经训练的深度神经网络来计算患者的中风风险分值。14.一种用于基于医疗图像的患者特定的中风风险预测的装置,包括:用于从患者的医疗图像数据提取左心房(LA)和左心耳(LAA)测量结果的构件;用于基于从患者的医疗图像数据提取的LA和LAA测量结果使用患者特定的心功能计算模型来针对患者的LA和LAA计算导出度量的构件;以及用于基于提取出的LA和LAA测量结果以及针对患者的LA和LAA计算出的导出度量使用经训练的基于机器学习的分类器来计算针对患者的中风风险分值的构件,其中将提取出的LA和LAA测量结果以及针对LA和LAA计算出的导出度量作为特征输入到经训练的基于机器学习的分类器。15.根据权利要求14所述的装置,其中用于从患者的医疗图像数据提取左心房(LA)和左心耳测量结果的构件包括:用于在患者的医疗图像数据中分割LA的构件。16.根据权利要求15所述的装置,其中作为特征输入到经训练的基于机器学习的分类器的左心房(LA)和左心耳测量结果包括基于分割出的LA确定的LA容积、LAA容积和LAA波瓣数目。17.根据权利要求15所述的装置,其中用于从患者的医疗图像数据提取左心房(LA)和左心耳测量结果的构件还包括:用于从患者的医疗图像数据针对LA和LAA提取血液动力学测量结果的构件。18.根据权利要求14所述的装置,其中用于基于从患者的医疗图像数据提取的LA和LAA测量结果使用患者特定的心功能计算模型来针对患者的LA和LAA计算导出度量的构件包括:用于使用患者特...
【专利技术属性】
技术研发人员:V米哈勒夫,P沙马,
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
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。