用于根據(jù)血管幾何形狀和生理學估計血流特性的系統(tǒng)和方法
【專利說明】用于根據(jù)血管幾何形狀和生理學估計血流特性的系統(tǒng)和方 法
[0001] 相關申請
[0002] 本申請要求2013年5月16日提交的美國專利申請?zhí)?3/895,893的優(yōu)先權，所述 美國專利申請依據(jù)35 § USC 119要求2012年9月12日提交的美國臨時申請?zhí)?1/700, 213 的優(yōu)先權利益，所述申請的全部公開內(nèi)容由此以引用的方式整體并入本文。
技術領域
[0003] 本公開的各個實施方案總體上涉及醫(yī)學成像和相關方法。更具體來說，本公開的 特定實施方案涉及用于根據(jù)血管幾何形狀和生理學估計患者特定的血流特性的系統(tǒng)和方 法。
【背景技術】
[0004] 動脈能力的功能評估對于用以解決患者需求的治療計劃是重要的。近期的研宄已 經(jīng)證明如血流儲備分數(shù)（FFR)的血液動力學特性是用以確定用于動脈疾病患者的最佳治 療的重要指標。這些血液動力學特性的傳統(tǒng)評估使用侵入性導管插入術來直接測量如壓力 和流動速度的血流特性。然而，盡管收集到重要臨床信息，但是這些侵入性測量技術為患者 帶來嚴重的風險并且為醫(yī)療保健系統(tǒng)帶來大量成本。
[0005] 為了解決與侵入性測量相關聯(lián)的風險和開支，已經(jīng)開發(fā)出新一代非侵入性測試來 評估血流特性。這些非侵入性測試使用患者成像（如計算機斷層掃描（CT))來確定患者 特定的血管幾何模型，并且這個模型在計算上用以使用具有適當生理學邊界條件和參數(shù)的 計算流體力學（CFD)來模擬血流。對這些患者特定的邊界條件的輸入的實例包括患者的血 壓、血液粘度和對來自所供應組織的血液的預期需求（來源于標度律以及根據(jù)患者成像對 所供應組織的質(zhì)量估計）。雖然血流特性的這些基于模擬的估計已經(jīng)證明保真度水平堪比 對相同感興趣的量的直接（侵入性）測量，但是物理模擬要求大量的計算負擔，所述計算負 擔可能使這些虛擬的非侵入性測試難以在實時臨床環(huán)境中執(zhí)行。因此，本公開描述計算上 廉價的用于進行血流特性的快速非侵入性估計的新方法。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明公開用于得出患者特定的患者血管幾何模型，和將這個幾何形狀與患者特 定的生理學信息和邊界條件組合的系統(tǒng)和方法。組合的這些數(shù)據(jù)可用于估計患者的血流特 性并且在臨床上預測有關感興趣的量（例如，F(xiàn)FR)。目前所公開系統(tǒng)和方法提供超越血流 的基于物理的模擬的優(yōu)點，以計算感興趣的量，如通過替代地使用機器學習來預測基于物 理的模擬的結果。在一個實施方案中，所公開的系統(tǒng)和方法涉及兩個階段：第一，訓練階段， 其中訓練機器學習系統(tǒng)以預測一個或多個血流特性；以及第二，產(chǎn)生階段，其中使用機器學 習系統(tǒng)來產(chǎn)生一個或多個血流特性和臨床上相關的感興趣的量。在預測多個血流特性的情 況下，這個機器學習系統(tǒng)可應用于每個血流特性和感興趣的量。
[0007] 根據(jù)一個實施方案，公開一種用于估計患者特定的血流特性的方法。所述方法包 括：針對多個個體中的每一個獲取所述個體的血管系統(tǒng)的至少一部分的幾何模型和估計血 流特性；在用于所述多個個體中的每一個的所述幾何模型和估計血流特性上執(zhí)行機器學習 算法；使用所述機器學習算法來識別預測對應于所述幾何模型中的多個點的血流特性的特 征；針對患者獲取所述患者的血管系統(tǒng)的至少一部分的幾何模型；以及使用所述識別的特 征來針對所述患者的幾何模型中的多個點中的每一個產(chǎn)生所述患者的血流特性的估計。
[0008] 根據(jù)另一個實施方案，公開一種用于估計患者特定的血流特性的系統(tǒng)。所述系統(tǒng) 包括：數(shù)據(jù)存儲裝置，其存儲用于估計患者特定的血流特性的指令；以及處理器，其被配置 來執(zhí)行指令以進行包括以下步驟的方法：針對多個個體中的每一個獲取所述個體的血管系 統(tǒng)的至少一部分的幾何模型和估計血流特性；在用于所述多個個體中的每一個的所述幾何 模型和估計血流特性上執(zhí)行機器學習算法；使用所述機器學習算法來識別預測對應于所述 幾何模型中的多個點的血流特性的特征；針對患者獲取所述患者的血管系統(tǒng)的至少一部分 的幾何模型；以及使用所述識別的特征來針對所述患者的幾何模型中的多個點中的每一個 產(chǎn)生所述患者的血流特性的估計。
[0009] 所公開實施方案的其它目標和優(yōu)點部分將在以下描述中予以闡述，并且部分將根 據(jù)描述顯而易見，或者可以通過實踐所公開實施方案來習得。所公開實施方案的目標和優(yōu) 點將借助于所附權利要求中特別指出的要素和組合來實現(xiàn)和獲得。
[0010] 應理解的是，上文一般性描述與下文詳述兩者均僅為示例性和說明性的，并且不 限制如所要求的所公開實施方案。
【附圖說明】
[0011] 并入本說明書中并且構成本說明書的一部分的附圖示出各個示例性實施方案并 且連同描述一起用于解釋所公開實施方案的原理。
[0012] 圖1為根據(jù)本公開的示例性實施方案的用于根據(jù)血管幾何形狀和生理學信息估 計患者特定的血流特性的示例性系統(tǒng)和網(wǎng)絡的方框圖。
[0013] 圖2為根據(jù)本公開的示例性實施方案的用于根據(jù)血管幾何形狀和生理學信息估 計患者特定的血流特性的示例性方法的方框圖。
【具體實施方式】
[0014] 現(xiàn)在將詳細參考本公開的示例性實施方案，所述示例性實施方案的實例在附圖中 示出。只要可能，在全部附圖中將使用相同參考數(shù)字來指代相同或相似部分。
[0015] 本公開描述用于提供超越血流的基于物理的模擬的優(yōu)點的某些原理和實施方案， 以計算患者特定的血流特性和臨床上相關的感興趣的量。即，目前所公開系統(tǒng)和方法可并 入機器學習技術來預測基于物理的模擬的結果。例如，本公開描述示例性處理不太密集的 技術，所述技術涉及將血流儲備分數(shù)（FFR)建模為患者的血管橫截面積、病變長度和邊界 條件的函數(shù)。橫截面積可尤其基于內(nèi)腔節(jié)段和血小板節(jié)段進行計算。病變長度可尤其基于 血小板節(jié)段和狹窄位置進行計算。邊界條件可反映患者特定的生理學，如冠狀流（根據(jù)心 肌質(zhì)量估計）、出口面積和充血假設，以反映不同患者具有不同幾何形狀和生理學響應。
[0016] 在一個實施方案中，可將血流儲備分數(shù)建模為患者的邊界條件的函數(shù)（f (BC)) 以及患者的血管幾何形狀的函數(shù)（gbreaReductions))。雖然患者的幾何形狀可描述為 "areaReductions"的函數(shù)，但是應了解的是，這個術語不僅指代患者的血管橫截面積的變 化，而且還指代影響患者的血流的任何物理或幾何特性。在一個實施方案中，可通過最佳化 函數(shù)"廣和" 8"，以使得估計叩1?(叩1^>1_^)與測量叩 1?(111叩1〇之間的差異最小化來預 測FFR。換句話說，機器學習技術可用于解決使估計FFR近側測量FFR的函數(shù)。在一個實施 方案中，可通過傳統(tǒng)導管插入方法或通過現(xiàn)代計算流體動力學（CFD)技術來計算測量FFR。 在一個實施方案中，一個或多個機器學習算法可用來最佳化數(shù)百名或甚至數(shù)千名患者的邊 界條件和患者幾何形狀的函數(shù)，以使得FFR的估計可以可靠地近似測量FFR值。因此，通過 CFD技術計算的FFR值對于訓練機器學習算法可為有價值的。
[0017] 現(xiàn)在參考附圖，圖1描繪用于根據(jù)血管幾何形狀和生理學信息估計患者特定的血 流特性的示例性系統(tǒng)和網(wǎng)絡的方框圖。具體來說，圖1描繪多個醫(yī)師102和第三方提供者 104,他們中的任一個可通過一個或多個計算機、服務器和/或手持式移動裝置連接至如英 特網(wǎng)的電子網(wǎng)絡100。醫(yī)師102和/或第三方提供者104可創(chuàng)建或以其它方法獲得一個或 多個患者的心臟和/或血管系統(tǒng)的影像。醫(yī)師102和/或第三方提供者104也可以獲得如 年齡、病史、血壓、血液粘度等的患者特定的信息的任何組合。醫(yī)師102和/或第三方提供者 104可通過電子網(wǎng)絡100傳輸心臟/血管影像和/或患者特定的信息至服務器系統(tǒng)106。服 務器系統(tǒng)106可包括用于存儲從醫(yī)師102和/或第三方提供者104接收的影像和數(shù)據(jù)的存 儲裝置。服務器系統(tǒng)106還可包括用于處理存儲在存儲裝置中的影像和數(shù)據(jù)的處理裝置。
[0018] 圖2為根據(jù)本公開的示例性實施方案的用于根據(jù)血管幾何形狀和生理學信息估 計患者特定的血流特性的示例性方法的方框圖。圖2的方法可由服務器系統(tǒng)106基于通過 電子網(wǎng)絡100從醫(yī)師102和/或第三方提供者104接收的