基于医疗图像的心源性栓塞型中风风险预测系统和方法技术方案

提供了基于医疗图像的心源性栓塞型中风风险预测系统和方法。公开了用于基于医疗图像的患者特定的缺血性中风风险预测的系统和方法。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计算针对患者的LA和LAA的导出度量。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，其输入提取出的LA和LAA测量结果以及针对患者的LA和LAA计算出的导出度量作为特征。

【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中风风险的预测的方法和系统。本专利技术的实施例提供基于对左心房（LA）和左心耳（LAA）的自动化分析的缺血性中风风险预测。在本专利技术的一个实施例中，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计算针对患者的LA和LAA的导出度量。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测量结果以及针对患者的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。通过参考以下详细描述和附图，本专利技术的这些和其它优点对本领域技术人员将是清楚的。附图说明图1图示出根据本专利技术的实施例的基于医疗图像的患者特定的缺血性中风风险预测的方法；图2图示出从CT数据分割的左心房（LA）的示例性三角形网格；图3图示出根据本专利技术的实施例的基于部分的左心房（LA）模型；图4图示出LA中的仿真血流的示例；图5图示出其中在LA的表面上视觉化血液动力学特征区域的示例性特征图；以及图6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基于对医疗图像中的左心房（LA）和左心耳（LAA）的自动化分析的患者特定的缺血性中风风险预测。数字图像经常包括一个或多个对象（或形状）的数字表示。在本文中经常在识别和操纵对象方面描述对象的数字表示。这样的操纵是在存储器或计算机系统的其它电路/硬件中完成的虚拟操纵。相应地要理解的是，可以使用存储在计算机系统内或通过网络系统可用的数据在计算机系统内执行本专利技术的实施例。本专利技术的实施例提供基于对LA和LAA的自动化分析的针对患者的缺血性中风风险预测。虽然心房纤颤、心房扑动、窦房结功能障碍/心房停搏、心律失常、房间隔瘤以及Chiari网都与左心房血栓相关联，但是LAA被认为是主要形成地点。针对这样的形成的机理涉及到由于低效的血液排出（例如，与病理性收缩模式相关联）导致的血液在LAA中的停滞。本专利技术的实施例提供了使用基于与LAA相关联的特征的生物指标以及包括药物治疗类型的“外因”生物指标的患者特定的缺血性（心源性栓塞型）中风风险分层。与LAA相关联的特征可以包括形态特征、血液动力学特征和通过机器学习算法检测到的“隐藏”变量。本专利技术的实施例依赖于计算建模来揭露在LAA血栓形成和栓塞型中风最终风险中起作用的各种因素。本专利技术的实施例利用患者特定的解剖和计算建模来确定LAA血栓形成的公知风险因素，包括CHADS2分值、LA容积、左心室射血分数（LVEF）和稠密自发性回声造影（SEC）等级，以及感兴趣的新的因素，包括LAA形态复杂性（例如，LAA波瓣数目）和相对停留时间（RRT）。图1图示出根据本专利技术的实施例的基于医疗图像的患者特定的缺血性中风风险预测的方法。在步骤102处，接收患者的医疗图像数据。可以使用任何类型的医疗成像模态获取医疗图像数据，所述医疗成像模态诸如磁共振成像（MRI）、计算机断层扫描（CT）、C形臂CT（DynaCT）、3D超声心动图（echo）、三维旋转血管造影术、超声（US）等，如果心脏在医疗图像数据中可见的话。在有优势的实现中，医疗图像数据包括三维（3D）和/或4D（3D+时间）医疗图像数据。可以直接地从图像获取设备接收医疗图像数据，所述图像获取设备诸如MRI扫描器、CT扫描器、C形臂图像获取设备、或US扫描器，或者可以通过加载先前存储的患者的医疗图像数据来接收医疗图像数据。除了医疗图像数据之外，也可以接收患者的临床测量结果。例如，可以接收诸如患者的心电图（ECG）测量结果和/或压力带测量结果的临床数据。可以从患者的ECG测量结果提取诸如粗糙纤颤波、心房扑动和/或多源性房性心动过速（MAT）的EP特征。在步骤104处，从患者的医疗图像数据提取LA和LAA测量结果。特别地，可以通过生成LA的患者特定的解剖模型从患者的医疗图像数据提取患者特定的LA和LAA的解剖/形态。为了生成患者特定的LA解剖模型，使用医疗图像数据（例如，3Decho、MRI、CT、DynaCT）来生成LA的分割，其或者被明确地表示为网格（例如，三角形网格），或者例如通过有符号或无符号的距离函数或水平集被暗含地表示。图2图示出从CT数据分割的LA的示例性三角形网格200。可以生成对应于给定时间戳的单个网格，或者可以生成覆盖心动周期的全部或部分的网格序列，从而捕获LA的室壁运动。在可能的实现中，仅在医疗图像数据中分割LA。在其它可能的实现中，可以生成左心（即，LA和左心室）的更完整的分割或者整个心脏的分割。除了患者的解剖/形态之外，还可以提取其它LA和LAA测量结果，诸如血液动力学或电生理学信息。例如，可以从患者的多普勒回声图像和/或相衬MRI（PC-MRI）图像提取诸如血流速度测量结果之类的血液动力学信息。可以从患者的ECG并且通过针对患者个性化计算EP模型来提取电生理学（EP）测量结果。可以将LA中的神经和/或纤维建模为LA的解剖模型的部分。在有优势的实施例中，可以通过使用多部分心房模型在医疗图像数据中分割LA来生成LA的解剖模型。图3图示出根据本专利技术的实施例的基于部分的左心房（LA）模型。如图3的图像（a）中所示，基于部分的LA模型300包括LA腔体302、左心耳（LAA）304和四个主要肺静脉（PV）306、308、310和312。四个主要PV是左下PV312、左上PV310、右下PV308和右上PV306。LAA304的形状接近于倾斜的圆锥，并且PV本文档来自技高网...

【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