A method and system for determining hemodynamic parameters (such as blood flow reserve fraction (FFR)) for the location of interest in a coronary artery are disclosed. Receive medical image data from the patient. The geometric structure of a patient's patient specific coronary artery tree is extracted from the medical image data. Geometric features were extracted from the geometric structure of a specific coronary artery tree in the patient's patient. A trained machine learning agent model based on extracted geometric features is used to calculate hemodynamic indexes for the location of interest in the specific coronary tree of the patient, such as FFR. Based on the geometric features extracted from the geometric structure of the synthetically generated coronary artery tree, the agent model based on machine learning is trained.
【技术实现步骤摘要】
【国外来华专利技术】用于基于纯几何机器学习的血流储备分数的方法和系统本申请要求2014年11月14日提交的美国临时申请号62/079,641和2014年11月24日提交的美国临时申请号62/083,373的益处,其公开通过引用以其整体并入在本文中。本申请还要求2015年7月21日提交的美国申请号14/804,609和2015年10月7日提交的美国申请号14/876,852的优先权,其公开通过引用以其整体并入在本文中。
本专利技术涉及冠状动脉狭窄的非侵入式功能评价,并且更特别地涉及根据医学图像数据对冠状动脉狭窄的基于机器学习的非侵入式功能评价。
技术介绍
心血管疾病(CVD)是全世界的主要死亡原因。在各种CVD之中,冠状动脉疾病(CAD)占到那些死亡的接近百分之五十。尽管在医学成像和其他诊断方式中有显著改进,但是针对CAD患者的过早发病率和死亡率中的增加仍旧非常高。用于冠状动脉狭窄的诊断和管理的当前临床实践牵涉在视觉上或通过定量冠状动脉造影(QCA)对患病血管的评价。这样的评价为临床医生提供狭窄区段和亲代血管的解剖学概观,包括区域减小、病变长度和最小腔直径,但是不提供病变对通过血管的血液流动的效应的功能评价。通过将压力导丝插入到狭窄血管中来测量血流储备分数(FFR)已经示出是用于引导血管重建决定的更好选项,因为相比于侵入式血管造影术,FFR在标识缺血导致的病变方面更加有效。如果狭窄则QCA仅评估形态学意义并且具有许多其他限制。基于压力导丝的FFR测量牵涉与将压力导丝插入到血管中所必要的介入相关联的风险,并且对于非常窄的狭窄,压力导丝可能引致附加的压力下降。最近,已经提出机械模型 ...
【技术保护点】
一种用于确定针对患者的冠状动脉中的感兴趣的一个或多个位置的血液动力学指标的方法,包括:接收患者的医学图像数据;从所述医学图像数据提取患者的患者特定冠状动脉树几何结构;从患者的所述患者特定冠状动脉树几何结构提取几何特征;以及使用基于从综合生成的冠状动脉树几何结构提取的几何特征而训练的经训练的基于机器学习的代理模型、基于所提取的几何特征来计算针对所述患者特定冠状动脉树中的感兴趣的一个或多个位置的血液动力学指标。
【技术特征摘要】
【国外来华专利技术】2014.11.14 US 62/079641;2014.11.24 US 62/083373;201.一种用于确定针对患者的冠状动脉中的感兴趣的一个或多个位置的血液动力学指标的方法,包括:接收患者的医学图像数据;从所述医学图像数据提取患者的患者特定冠状动脉树几何结构;从患者的所述患者特定冠状动脉树几何结构提取几何特征;以及使用基于从综合生成的冠状动脉树几何结构提取的几何特征而训练的经训练的基于机器学习的代理模型、基于所提取的几何特征来计算针对所述患者特定冠状动脉树中的感兴趣的一个或多个位置的血液动力学指标。2.权利要求1所述的方法,其中使用基于从综合生成的冠状动脉树几何结构提取的几何特征而训练的经训练的基于机器学习的代理模型、基于所提取的几何特征来计算针对所述患者特定冠状动脉树中的感兴趣的一个或多个位置的血液动力学指标包括:使用所述经训练的基于机器学习的代理模型、纯粹地基于来自所述患者特定冠状动脉树几何结构的所提取的几何特征来计算针对所述感兴趣的一个或多个位置的血液动力学指标。3.权利要求1所述的方法,其中所述经训练的基于机器学习的代理模型关于排他性地从综合生成的非患者特定冠状动脉树几何结构提取的几何特征进行训练。4.权利要求1所述的方法,其中从患者的所述患者特定冠状动脉树几何结构提取几何特征包括:基于所述患者特定冠状动脉树几何结构来计算针对冠状动脉区段的缺血权重;以及基于所述缺血权重来计算针对冠状动脉区段的缺血贡献得分。5.权利要求4所述的方法,其中基于所述患者特定冠状动脉树几何结构来计算针对冠状动脉区段的缺血权重包括:基于针对多个冠状动脉区段中的每一个计算的相应参考半径值而单独地计算针对所述多个冠状动脉区段中的每一个的初始局部缺血权重;基于针对所述多个冠状动脉区段的初始局部缺血权重来计算针对所述患者特定冠状动脉树的全局缺血权重;以及通过在所述多个冠状动脉区段之上分配所述全局缺血权重来计算针对所述多个冠状动脉区段中的每一个的最终局部缺血权重。6.权利要求5所述的方法,其中基于针对所述多个冠状动脉区段的所述初始局部缺血权重来计算针对所述患者特定冠状动脉树的全局缺血权重包括:计算针对所述患者特定冠状动脉树的多个全局缺血权重估计,其中所述多个全局缺血权重估计中的每一个从来自冠状动脉区段的多个世代中的相应一个的冠状动脉区段的初始局部缺血权重来计算;以及基于所述多个全局缺血权重估计来计算所述患者特定冠状动脉树的全局缺血权重。7.权利要求6所述的方法,其中计算针对所述患者特定冠状动脉树的多个全局缺血权重估计,其中所述多个全局缺血权重估计中的每一个从来自冠状动脉区段的多个世代中的相应一个的冠状动脉区段的初始局部缺血权重来计算,包括,针对冠状动脉区段的所述多个世代中的每一个:向冠状动脉区段的该世代中的冠状动脉区段和具有小于冠状动脉区段的该世代的世代号的叶冠状动脉区段中的每一个分派权重;计算针对所述患者特定冠状动脉树的所述全局缺血权重的估计,其作为冠状动脉区段的该世代中的冠状动脉区段和具有小于冠状动脉区段的该世代的世代号的叶冠状动脉区段的所述初始缺血权重、和向分支的该世代中的冠状动脉区段和具有小于冠状动脉区段的该世代的世代号的所述叶冠状动脉区段中的每一个分派的权重的函数。8.权利要求6所述的方法,其中基于所述多个全局缺血权重估计来计算所述患者特定冠状动脉树的所述全局缺血权重包括:计算所述患者特定冠状动脉树的所述全局缺血权重,其作为所述多个全局缺血权重估计和对应于冠状动脉区段的所述多个世代的权重的函数。9.权利要求5所述的方法,其中通过在所述多个冠状动脉区段之上分配所述全局缺血权重来计算针对所述多个冠状动脉区段中的每一个的最终局部缺血权重包括:通过基于所述叶冠状动脉区段的初始局部缺血权重而在叶冠状动脉区段之上分配所述全局缺血权重来计算多个叶冠状动脉区段的所述最终局部缺血权重;以及计算针对所述多个冠状动脉区段中的每一个其余一个冠状动脉区段的所述最终局部缺血权重,其作为自该冠状动脉区段下游的叶区段的最终局部缺血权重之和。10.权利要求4所述的方法,其中基于所述缺血权重计算针对冠状动脉区段的缺血贡献得分包括:将冠状动脉区段划分成非异常部分和异常部分;基于所述非异常部分的空间变化的半径和所述非异常部分位于其中的冠状动脉区段的缺血权重来计算针对每一个非异常部分的缺血贡献得分;以及基于以下来计算针对每一个异常部分的缺血贡献得分:所述异常部分位于其中的冠状动脉区段的缺血权重与应用于所述异常部分的空间变化的半径的第一数学运算符的第一乘积、和所述异常部分位于其中的冠状动脉区段的缺血权重的平方和应用于所述异常部分的空间变化的半径的第二数学运算符的第二乘积。11.权利要求10所述的方法,其中从患者的所述患者特定冠状动脉树几何结构提取几何特征还包括:对于所述感兴趣的一个或多个位置中的每一个,计算以下中的一个或多个:来自处于根区段与当前位置之间的所有冠状动脉区段的累积缺血贡献得分、来自处于根区段与当前位置之间的冠状动脉区段的非异常部分的累积缺血贡献得分、来自处于根区段与当前位置之间的冠状动脉区段的异常部分的累积缺血贡献得分、来自处于当前位置与叶区段之间的所有冠状动脉区段的累积缺血贡献得分、来自处于当前位置与叶区段之间的冠状动脉区段的非异常部分的累积缺血贡献得分、或来自处于当前位置与叶区段之间的冠状动脉区段的异常部分的累积缺血贡献得分。12.权利要求4所述的方法,其中从患者的所述患者特定冠状动脉树几何结构提取几何特征还包括:提取针对患者的所述患者特定冠状动脉树几何结构中的一个或多个狭窄区的多个几何测量结果。13.权利要求1所述的方法,其中所述感兴趣的一个或多个位置对应于一个或多个狭窄位置,并且使用基于从综合生成的冠状动脉树几何结构提取的几何特征而训练的经训练的基于机器学习的代理模型、基于所提取的几何特征来计算针对所述患者特定冠状动脉树中的感兴趣的一个或多个位置的血液动力学指标包括:使用所述经训练的基于机器学习的代理模型、基于所提取的几何特征而自动计算针对所述患者特定冠状动脉树中的所述一个或多个狭窄位置的血液动力学指标。14.权利要求1所述的方法,其中使用基于从综合生成的冠状动脉树几何结构提取的几何特征而训练的经训练的基于机器学习的代理模型、基于所提取的几何特征来计算针对所述患者特定冠状动脉树中的感兴趣的一个或多个位置的血液动力学指标包括:响应于标识所述感兴趣的一个或多个位置的用户输入来计算针对所述患者特定冠状动脉树中的所述感兴趣的一个或多个位置的血液动力学指标。15.权利要求1所述的方法,其中血液动力学指标是血流储备分数(FFR)。16.权利要求1所述的方法,其中血液动力学指标是壁应力。17.权利要求16所述的方法,还包括使用所述经训练的基于机器学习的代理模型、基于针对所述感兴趣的一个或多个位置计算的壁应力来确定所述感兴趣的一个或多个位置处的斑块破裂的风险。18.权利要求1所述的方法,其中使用基于从综合生成的冠状动脉树几何结构提取的几何特征而训练的经训练的基于机器学习的代理模型、基于所提取的几何特征来计算针对所述患者特定冠状动脉树中的感兴趣的一个或多个位置的血液动力学指标包括:使用基于从综合生成的冠状动脉树几何结构提取的几何特征而训练的多个经训练的基于机器学习的代理模型中的相应一个、基于所提取的几何特征来计算针对所述患者特定冠状动脉树中的所述感兴趣的一个或多个位置中的每一个的多个血液动力学指标。19.权利要求1所述的方法,还包括:确定从所述患者特定冠状动脉树几何结构提取的几何特征中的至少一个在包括用于训练所述基于机器学习的代理模型的综合生成的冠状动脉树几何结构的综合训练数据库中的对应特征的范围之外;基于从所述患者特定冠状动脉树几何结...
【专利技术属性】
技术研发人员:LM伊图,T帕塞里尼,S拉帕卡,C施韦默,M舍宾格,P沙尔马,T雷德尔,D科马尼丘,
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。