CN110506293B - 谱成像ffr - Google Patents

谱成像ffr Download PDF

Info

Publication number
CN110506293B
CN110506293B CN201880022982.0A CN201880022982A CN110506293B CN 110506293 B CN110506293 B CN 110506293B CN 201880022982 A CN201880022982 A CN 201880022982A CN 110506293 B CN110506293 B CN 110506293B
Authority
CN
China
Prior art keywords
spectral
image data
component
coronary
anatomical
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201880022982.0A
Other languages
English (en)
Other versions
CN110506293A (zh
Inventor
M·P·弗赖曼
L·戈申
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of CN110506293A publication Critical patent/CN110506293A/zh
Application granted granted Critical
Publication of CN110506293B publication Critical patent/CN110506293B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/42—Arrangements for detecting radiation specially adapted for radiation diagnosis
    • A61B6/4208—Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector
    • A61B6/4241—Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector using energy resolving detectors, e.g. photon counting
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/482—Diagnostic techniques involving multiple energy imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/005—Tree description, e.g. octree, quadtree
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/404—Angiography

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Optics & Photonics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Physiology (AREA)
  • Vascular Medicine (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Pulmonology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

一种***(100)包括：计算机可读存储介质(122)，其具有计算机可执行指令(124)，所述计算机可读存储介质包括：生物物理模拟器部件(126)，其被配置为确定血流储备分数指数。所述***还包括：处理器(120)，其被配置为运行所述生物物理模拟器部件(126)，以利用谱体积图像数据来确定所述血流储备分数指数。所述***还包括：显示器，其被配置为显示所确定的血流储备分数指数。

Description

谱成像FFR
技术领域
下面总体上涉及谱成像，并且更具体地涉及根据谱图像数据来确定血流储备分数(FFR)估计结果，并且具体结合计算机断层摄影(CT)的应用进行描述。
背景技术
在导管实验室(Cath Lab)中，血流储备分数(FFR)是一种经由FFR指数对因钙化或软斑块引起的冠状动脉病变的血流动力学意义进行量化的有创措施。该指数指示冠状动脉狭窄的功能性严重程度，该功能性严重程度是根据在冠状动脉造影期间进行的压力测量结果计算得出的，并且被定义为充血状况下相对于近侧压力(靠近口)的远侧血压(狭窄后)。也就是说，FFR指数表示在存在狭窄的情况下沿着血管向下的最大流量与假设不存在狭窄的情况下的最大流量的比值。FFR值是介于0和1之间的绝对值，其中，值0.50表示给定的狭窄会引起血压下降50％。
FFR有创流程需要将导管***股动脉或桡动脉并且使导管前进至狭窄处，在该狭窄处，导管尖端处的传感器在影响血管的几何形状、顺应性和阻力和/或其他特性的各种药剂作用而产生状况期间感测压力、温度和穿过狭窄的流量。FFR-CT是一种通过计算流体动力学(CFD)模拟从(例如从冠状动脉计算机断层摄影血管造影术(CCTA)得到的)心脏的CT图像数据估计FFR指数的无创成像方法，在CFD模拟中，对通过冠状动脉的血流和血压进行模拟。这包括使用CCTA图像数据来导出冠状动脉树的几何模型，从该几何模型中提取特征，并且从根据该特征来确定边界条件以进行模拟。
不幸的是，CCTA图像数据在准确表征患者的表面下解剖结构和生理机能方面会受到限制。这种限制的示例是例如因射束硬化而导致的对心肌灌注不足的过高估计。这种限制的另一示例是例如因钙晕染而导致的对管腔半径的过低估计。
发明内容
本文描述的各个方面解决了上述问题和其他问题。
本文描述了一种通过利用谱体积图像数据(例如，CT)结果来表征表面下解剖结构并为模拟分配边界条件来增强根据冠状动脉计算机断层摄影血管造影术(CCTA)得到的血流储备分数(FFR)估计结果的方法。该方法使用应用于谱体积图像数据的谱图像分析以导出准确的患者特定的冠状动脉树3D解剖模型，并且利用统计模型根据谱CT数据来明确描述复杂的表面下充血生理过程。该模型例如通过对表面下解剖结构和生理机能提供更为详细准确的表征以导出用于模拟的边界条件来明确考虑基于非谱CCTA数据的血流模拟中的潜在偏差。
在一个方面中，一种***包括：计算机可读存储介质，其具有计算机可执行指令，所述计算机可读存储介质包括：生物物理模拟器部件，其被配置为确定血流储备分数指数。所述***还包括：处理器，其被配置为运行所述生物物理模拟器部件，以利用谱体积图像数据来确定所述血流储备分数指数。所述***还包括：显示器，其被配置为显示所确定的血流储备分数指数。
在另一方面中，一种利用计算机可执行指令编码的计算机可读介质，所述计算机可执行指令在由处理器运行时令所述处理器：接收谱体积图像数据；处理所述谱体积图像数据以确定血流储备分数指数；并且视觉呈现所述血流储备分数指数。
在另一方面中，一种方法包括：接收谱体积图像数据；处理所述谱体积图像数据以确定血流储备分数指数；并且视觉呈现所述血流储备分数指数。
通过阅读和理解所附的描述，本领域技术人员将认识到本申请的其他方面。
附图说明
本发明可以采用各种部件和各种部件的布置，以及各个步骤和各个步骤的安排的形式。附图仅出于图示优选实施例的目的，并且不应被解释为对本发明的限制。
图1示意性地图示了包括成像***和具有生物物理模拟器的计算***的***。
图2示意性地图示了生物物理模拟器的示例。
图3图示了根据本文的实施例的示例方法。
具体实施方式
图1示意性地图示了***100，***100包括例如被配置用于谱(多能量)成像的CT扫描器的成像***102。成像***102包括大体静止机架104和旋转机架106，旋转机架106由静止机架104可旋转地支撑并且围绕检查区域108绕z轴旋转。诸如卧榻之类的对象支撑物110在检查区域108中支撑目标或对象。
诸如X射线管之类的辐射源112由旋转机架106可旋转地支撑，与旋转机架106一起旋转，并且发射横穿检查区域108的辐射。在一个实例中，辐射源112包括单个宽谱X射线管。在另一实例中，辐射源112包括被配置为在扫描期间在至少两个不同的发射电压(例如，80kVp和140kVp)之间切换的单个X射线管。在又一实例中，辐射源112包括被配置为发射具有不同的平均谱的辐射的两个或更多个X射线管。在又一实例中，辐射源112包括其组合。
辐射敏感探测器阵列114跨检查区域108以角度弧与辐射源112相对。辐射敏感探测器阵列114探测横穿检查区域108的辐射并且生成指示该辐射的(一个或多个)电信号(投影数据)。在辐射源112包括单个宽谱X射线管的情况下，辐射敏感探测器阵列114包括能量分辨探测器(例如，直接转换光子计数探测器，具有不同的谱灵敏度的至少两组闪烁体(多层)等)。利用kVp切换和多管配置，探测器阵列114能够包括单层探测器、直接转换光子计数探测器和/或多层探测器。直接转换光子计数探测器可以包括诸如CdTe、CdZnTe、Si、Ge、GaAs的转换材料或其他直接转换材料。多层探测器的示例包括双层探测器，例如在2006年4月10日提交的标题为“Double Decker Detector for Spectral CT”的美国专利US7968853 B2中描述的双层探测器，通过引用将其整体并入本文。
重建器116接收来自探测器阵列114的谱投影数据并且重建谱体积图像数据，例如，谱CCTA图像数据、高能量图像、低能量图像、光电图像、康普顿散射图像、碘图像、钙图像、虚拟非对比度图像、骨骼图像、软组织图像和/或其他基材料图像。重建器116还能够例如通过组合谱投影数据和/或谱体积图像数据来重建非谱体积图像数据。通常，谱投影数据和/或谱体积图像数据将包括针对至少两个不同的能量和/或能量范围的数据。
计算***118充当操作者控制台。控制台118包括人类可读输出设备(例如，监视器)和输入设备(例如，键盘、鼠标等)。驻留在控制台118上的软件允许操作者经由图形用户接口(GUI)或以其他方式与扫描器102交互并且/或者对扫描器102进行操作。控制台118还包括处理器120(例如，微处理器、控制器、中央处理单元等)和计算机可读存储介质122(其不包括非瞬态介质并且包括诸如物理存储器设备等瞬态介质)。计算机可读存储介质122包括至少用于生物物理模拟器126的指令124。处理器120被配置为运行指令124。处理器120可以被额外地配置为运行由载波、信号和/或其他瞬时介质承载的一个或多个计算机可读指令。在变型中，处理器120和计算机可读存储介质122是与计算***118分开的另一计算***的部分。
生物物理模拟器126被配置为至少处理由重建器116和/或其他成像***生成的谱体积图像数据以执行生物物理模拟。关于FFR，生物物理模拟器根据FFR来确定FFR指数。如下面更详细地描述的，生物物理模拟器126根据谱体积图像数据来确定患者特定的冠状动脉树3D解剖模型，从患者特定的冠状动脉树3D解剖模型中提取特征，根据所提取的特征来确定边界条件，并且使用由谱确定的边界条件来进行血流模拟和FRR指数确定。在一个实例中，处理谱体积图像数据(相对于处理非谱体积图像数据)提供了对患者的表面下解剖结构和生理机能的准确和精确的表征。例如，相对于由生物物理模拟器126来处理非谱体积图像数据的配置，本文描述的方法能够减轻因射束硬化而导致的对心肌灌注不足的过高估计和/或因钙晕染而导致的对管腔半径的过低估计。
图2示意性地图示了生物物理模拟器126的示例。
3D冠状动脉树建模部件202至少接收并处理(例如来自成像***102和/或其他成像***的)谱体积图像数据以生成冠状动脉的3D解剖模型。在一个实例中，患者人口统计信息和/或其他信息也用作输入。3D冠状动脉树建模部件202采用自动式和/或交互式分割工具来生成冠状动脉的3D解剖模型。Freiman等人在“Automatic coronary lumensegmentation with partial volume modeling improves lesions’hemodynamicsignificance assessment”(生物医学光学与成像进展-SPIE会议论文集，2016年，第9784卷)中介绍了这种工具的示例。3D冠状动脉树建模部件202利用谱体积图像数据来增强分割。
利用谱数据来增强分割的示例包括但不限于：(1)使用不同的谱结果来确定冠状动脉树解剖结构的不同组成部分的存在，例如，使用碘图像来确定管腔的存在，以及使用虚拟的非对比度图像或z有效图来确定钙化斑块的存在；(2)使用不同的单能量图像来寻找不同组成成分之间的边界，而不是使用单个非谱图像来完成整个分割任务，例如，使用低单能量图像来定义管腔与软斑块之间的边界，而使用高单能量图像将管腔中的钙化斑块与碘分开；(3)使用谱使能的正则化来提高分割质量。
正则化的示例包括但不限于：(1)对不同的谱结果进行正则化；(2)在材料域进行正则化。下面提供了将谱信息结合到自动冠状动脉树分割框架中的示例。在该示例中，将冠状动脉管腔分割公式化为涉及以下两项的最大后验估计问题：(1)谱数据项；(2)谱正则化项。应当理解，本文预想到其他公式，并且下面的公式并不是限制性的。
谱数据项表示每个3D点属于以下类别之一的可能性：冠状动脉管腔、钙化斑块、软斑块或背景。公式1中示出了谱数据项的示例：
公式1：
其中，x是3D点，ci是要被分配给x的第i类，Pr()表示概率，fSCT(x)从谱体积图像数据中提取谱使能的特征(例如，碘图和钙图)，Pr(fSCT(x)∈ci)表示描述谱特征与不同类别之间关系的统计模型。
谱正则化项惩罚被分配给不同类别(例如管腔/背景)的相邻点。公式2示出了正则化项的一般示例：
公式2：
公式3示出了谱正则化项或谱使能的正则化项的示例：
公式3：
其中，fs(x)是根据谱体积数据在点x处导出的特征向量，并且是谱特征向量上的预期类别内方差。
个人特征提取部件204从谱体积图像数据和/或3D冠状动脉树中提取与冠状动脉血流有关的量的特征。示例包括但不限于：(1)谱解剖特征，其中，使用谱结果(例如，单能量图像、无软组织的钙图、无碘的钙图等)对解剖结构进行检测、分割和分类；(2)谱斑块特征斑块，其中，使用谱结果(例如，无软组织的钙图、无碘的钙图等)对斑块进行检测、分割和分类；(3)谱心肌缺损，其中，使用谱结果(例如，碘图)对心肌缺损进行检测、分割和评估；(4)谱侧支血流，其中，通过谱结果(例如，碘图)和/或(5)其他特征来增强侧支血流估计结果。
边界条件参数模型部件206根据从谱体积图像数据中提取的特征来确定可调边界条件参数模型。微血管阻力与解剖特征和生理特征之间存在许多关系。专利申请EP14174891.3和US 62/251417描述了与微血管阻力有关的一些特征的示例，包括冠状动脉出口横截面面积等。通过引用将EP 14174891.3和US 62/251417都整体并入本文。
在一个实例中，边界条件参数模型部件206能够考虑不同的、相似的参数关系，包括例如不同影响的加权线性和或加权非线性和。下面提供了非限制性示例。
在该示例中，阻力被建模为冠状动脉出口横截面面积的函数。Vorobtsova等人在“Effects of Vessel Tortuosity on Coronary Hemodynamics:An Idealized andPatient-Specific Computational Study”(生物医学工程年刊，第44卷，第7期，第2228–2239页，2016年)中讨论了血管及其分支相对于其直径的流量关系的示例。如公式4所示：
公式4：
其中，R0表示微血管床的基本总阻力，rin表示入口直径，rout,i表示出口直径，并且ρblood表示血液粘度。在该模型中，基本阻力与入口直径成正比并且与出口直径成反比，从而得到在每个冠状动脉出口处分配的出口阻力。
能够根据公式5所示的横截面面积(CSA)来计算有效半径：
公式5：
能够通过机器学习来找到基本阻力，在机器学习中，使用具有有创测量的FFR值(FFRGT，其中，GT＝黄金真理)的训练数据集来找到使基于FFR-CT的分类器性能最大化的R0，如公式6所示：
公式6：
在一个实例中，边界条件参数模型部件206使用公式7，公式7根据上述患者特定的属性来调整总阻力：
公式7：
其中,f(patient_spectral_features):Rn→R是个性化函数，其将上述患者特定的谱特征与患者的血流边界条件进行关联。
下面提供了一些个性化示例，包括解剖个性化、谱斑块形态个性化、谱灌注不足个性化以及谱侧支血流个性化。个性化可以包括这些个性化中的一个或多个和/或其他个性化。
解剖个性化。
当考虑将谱确定的冠状动脉入口半径(rs)作为血流模拟个性化的特征时，能够将f(patient_spectral_features)写为公式8：
公式8：
其中，patient_spectral_features＝{rsin}，A0是归一化因子，并且q是用于控制边界条件是否根据入口半径((q＝1)或(q＝0))而被个性化的指示符。
能够包括的额外的解剖特征是冠状动脉弯曲度水平，冠状动脉弯曲度水平能够因心肌收缩时动脉收缩(Vorobtsova等人在“Effects of Vessel Tortuosity on CoronaryHemodynamics:An Idealized and Patient-Specific Computational Study”(生物医学工程年刊，第44卷，第7期，第2228–2239页，2016年)中对此进行了讨论)以及与弹性蛋白变性相关联的心肌桥的存在和长度(这可能意味着冠状动脉硬化程度增加)(Lee等人在“Myocardial Bridging:An Up-to-Date Review”(J.Invasive Cardiol，第27卷，第11期，第521-528页，2015年)中对此进行了讨论)而影响通过冠状动脉的血流。
整体个性化模型参数R0、A0能够通过机器学习来找到，在机器学习中，使用具有有创测量的FFR值(FFRGT)训练数据集来找到使基于FFR-CT的分类器性能最大化的R0、A0，如公式9所示：
公式9：
其中，AUC表示接收器工作曲线下的面积。
谱斑块形态个性化。
当考虑谱确定的斑块形态时，patient_spectral_features∈Rn是描述斑块形态特征的特征向量。这些特征能够包括总斑块体积、钙化斑块体积、非钙化斑块体积、树中钙化斑点的数量、斑块的总长度等。个性化函数f(patient_spectral_features):Rn→R描述了斑块形态特征与总阻力的比例大小之间的关系。能够使用公式10所示的优化技术来找到函数内部加权参数(finternal)：
公式10
谱灌注不足个性化。
当考虑谱使能的心肌灌注不足作为将边界条件个性化所基于的特征时，patient_spectral_features∈Rn是描述谱确定的灌注不足特征的特征向量。这些特征能够从谱体积成像数据中导出并且能够包括碘图、射束硬化校正的单能量图像等。个性化函数f(patient_spectral_features):Rn→R描述了谱使能的灌注不足特征与总阻力的比例大小之间的关系。能够使用类似于公式10所述的优化技术来找到函数内部加权参数。
谱侧支血流个性化
侧支血流是一种自动调节机制，身体使用该自动调节机制通过创建新的支持侧支血流流向表面下缺血区域的小动脉来防止冠状动脉狭窄时发生的缺血。文献表明，即使在没有阻塞性CAD或完全正常的心脏的情况下，研究的人群中仍有20％-25％的人针对短暂堵塞的冠状动脉具有足以预防心肌缺血的ECG迹象的侧支血流。在一个实例中，边界条件参数模型部件206在估计FFR时考虑用于FFR-CT模拟的边界条件模型中的侧支血流。
由于侧支小动脉的直径较小，因此CCTA无法直接描绘支持侧支血流的侧支小动脉的存在。结果，边界条件模型没有考虑到侧支血流的存在，这可能会导致FFR值的估计结果不准确。在US 62/251417(通过引用将其整体并入本文)中，根据非谱CT进行侧支血流估计以调整用于血流模拟的边界条件(BC)模型。在一个实例中，该方法使用基于冠状动脉强度分布来估计侧支血流的间接方法，该方法用于量化侧支血流的存在。
在一个实例中，边界条件参数模型部件206使用谱体积图像数据来量化侧支血流。例如，能够通过以下步骤来根据谱CT数据评估侧支血流：(1)如本文所述，利用3D冠状动脉树建模部件202来确定包括管腔和壁的冠状动脉树；(2)例如通过使用Voronoi图来确定每根冠状动脉的心肌供养区；以及(3)例如通过确定在与通过冠状动脉的血流无关的冠状动脉的供养区中额外的与碘有关的增强来量化侧支血流的存在。
边界条件参数模型部件206采用谱使能的侧支血流作为特征，以通过将patient_spectral_features∈Rn项(公式8)定义为描述谱确定的侧支血流特征的特征向量来对边界条件进行个性化。
血流模拟部件208利用边界条件模型来执行血流模拟。能够使用3D计算流体动力学(CFD)方法和/或降阶方法(例如，Nickisch等人在“Learning Patient-Specific LumpedModels for Interactive Coronary Blood Flow Simulations”(医学图像计算与计算机辅助介入-MICCAI 2015，第18届国际会议，LNCS，第9350卷，2015年，第433-441页)中描述的方法)来进行血流模拟。在一个实例中，该部件执行血流模拟以使用3D解剖模型和个性化边界条件模型来估计冠状动脉病变的血流动力学意义。
在一个实例中，本文描述的方法借助于血流储备分数(FFR)来提供对冠状动脉病变血流动力学意义的改进的无创、准确、客观的评估。冠状动脉血流模拟基于来自谱体积图像数据的数据，在一个实例中，谱体积图像数据相对于非谱体积图像数据能够更好地表征患者的解剖结构和生理状况，并且有可能提供更准确的FFR估计结果。
图3图示了根据本文描述的实施例的示例方法。
以下动作的顺序是出于说明目的，而不是限制性的。正因如此，能够以不同的顺序执行(包括但不限于同时执行)这些动作中的一个或多个动作。此外，可以省略这些动作中的一个或多个动作，并且/或者可以添加一个或多个其他动作。
在302处，如本文和/或其他地方所述，接收谱体积图像数据。
在304处，如本文和/或其他地方所述，基于谱体积图像数据来生成3D冠状动脉模型。
在306处，如本文和/或其他地方所述，提取个性化特征。
在308处，如本文和/或其他地方所述，确定边界条件模型。
在310处，执行生物物理模拟。
在312处，输出计算出的FFR值。
以上内容可以以计算机可读指令的方式来实施，所述计算机可读指令被编码或嵌入在计算机可读存储介质上，所述计算机可读指令当由(一个或多个)计算机处理器运行时令(一个或多个)处理器执行所描述的动作。额外地或替代地，计算机可读指令中的至少一个指令由信号、载波或不是计算机可读存储介质的其他瞬态介质来承载。
本文描述了一种通过利用谱CT结果来表征表面下解剖结构并为模拟分配边界条件来增强根据冠状动脉计算机断层摄影血管造影术(CCTA)得到的血流储备分数(FFR)估计结果的方法。这种新方法使用应用于谱CT数据的谱CT图像分析方法来导出更准确的患者特定的冠状动脉树3D解剖模型，并且利用统计模型根据谱CT数据来明确描述复杂的表面下充血生理过程。
该模型使用心脏***的谱导出特征而不是应用3D解剖结构和从常规的CCTA数据导出的边界条件模型来分配个性化边界条件，心脏***的谱导出特征包括：1)谱增强的几何特征，例如，心脏和冠状动脉树的半径，分支的数量和水平，冠状动脉桥的存在和弯曲度；2)谱增强的斑块特征，以及；3)谱增强的生理特征，例如，心肌灌注不足和侧支血流。
该模型通过对表面下解剖结构和生理机能提供更详细和更准确的表征而导出用于模拟的边界条件来考虑基于常规的CCTA数据的血流模拟中的潜在偏差。先前建议的从常规的CT数据导出的边界条件模型会受到各种伪影的影响，包括射束硬化、钙晕染等，这些因素可能会在表征精确的用于模拟的表面下解剖和生理边界条件时引入偏差。
虽然已经在附图和前面的描述中详细图示和描述了本发明，但是这样的图示和描述应当被认为是图示性或示例性的，而非限制性的；本发明不限于所公开的实施例。本领域技术人员通过研究附图、公开内容以及权利要求，在实践请求保护的发明时能够理解并实现对所公开的实施例的其他变型。
在权利要求中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以实现在权利要求中记载的若干项的功能。虽然某些措施被记载在互不相同的从属权利要求中，但是这并不指示不能有利地使用这些措施的组合。
计算机程序可以被存储/分布在合适的介质上，例如，与其他硬件一起或作为其他硬件的部分供应的光学存储介质或固态介质，但是也可以以其他形式分布，例如，经由互联网或其他有线或无线的电信***分布。权利要求中的任何附图标记都不应被解释为对范围的限制。

Claims (15)

1.一种图像处理***(100)，包括：
计算机可读存储介质(122)，其具有计算机可执行指令(124)，所述计算机可读存储介质包括：生物物理模拟器部件(126)，其被配置为确定血流储备分数指数，所述生物物理模拟器部件包括谱冠状动脉树建模部件(202)；
处理器(120)，其被配置为运行所述生物物理模拟器部件(126)，以使用不同的单能量图像对不同的解剖结构之间的边界进行定位来分割谱体积图像数据，从而生成冠状动脉的3D解剖模型，并且利用所述谱体积图像数据来确定所述血流储备分数指数，所述谱体积图像数据包括从所述谱体积图像数据中分割的所述3D解剖模型；以及
显示器，其被配置为显示所确定的血流储备分数指数。
2.根据权利要求1所述的***，其中，所述谱冠状动脉树建模部件被配置为在谱图像中定位针对所述冠状动脉的所述3D解剖模型的感兴趣解剖结构的存在。
3.根据权利要求1至2中的任一项所述的***，其中，所述谱冠状动脉树建模部件被配置为对不同的谱结果或材料域采用谱使能的正则化。
4.根据权利要求1至2中的任一项所述的***，其中，所述生物物理模拟器部件还包括谱个性化特征提取部件(204)。
5.根据权利要求4所述的***，其中，所述谱个性化特征提取部件提取来自包括以下特征的一组特征中的特征：来自所述冠状动脉的所述3D解剖模型和所述谱体积图像数据中的至少一个的解剖特征、斑块特征、心肌缺损特征，以及侧支血流特征。
6.根据权利要求4所述的***，其中，所述谱个性化特征提取部件通过使用谱图像对解剖结构进行检测、分割和分类来提取所述解剖特征。
7.根据权利要求4所述的***，其中，所述生物物理模拟器部件还包括谱边界条件参数模型部件(206)，所述谱边界条件参数模型部件被配置为根据谱提取的特征来确定可调边界条件参数模型。
8.根据权利要求7所述的***，其中，所述可调边界条件参数模型部件将阻力建模为冠状动脉出口横截面面积和个性化项的函数。
9.根据权利要求8所述的***，其中，所述个性化项包括来自包括以下各项的组的项：解剖个性化、谱斑块形态个性化、谱灌注不足个性化，以及谱侧支血流个性化。
10.一种利用计算机可执行指令编码的计算机可读介质，所述计算机可执行指令在由处理器运行时令所述处理器：
接收谱体积图像数据；
处理所述谱体积图像数据，以使用不同的单能量图像对不同的解剖结构之间的边界进行定位来分割冠状动脉的3D解剖模型，并且利用冠状动脉的所述3D解剖模型来确定血流储备分数指数；并且
视觉呈现所述血流储备分数指数。
11.根据权利要求10所述的计算机可读介质，其中，所述指令令所述处理器利用生物物理模拟器部件来处理所述谱体积图像数据，所述生物物理模拟器部件包括谱个性化特征提取部件和谱边界条件参数模型部件。
12.根据权利要求11所述的计算机可读介质，其中，所述谱个性化特征提取部件从所述冠状动脉的所述3D解剖模型中提取特征。
13.根据权利要求12所述的计算机可读介质，其中，所述谱边界条件参数模型部件根据所提取的特征来确定谱血流模拟边界条件。
14.根据权利要求13所述的计算机可读介质，其中，所述生物物理模拟器部件还包括血流模拟器，所述血流模拟器被配置为利用所述谱血流模拟边界条件来确定所述血流储备分数指数。
15.一种图像处理方法，包括：
接收谱体积图像数据；
处理所述谱体积图像数据，以使用不同的单能量图像对不同的解剖结构之间的边界进行定位来分割冠状动脉的3D解剖模型，并且利用冠状动脉的所述3D解剖模型来确定血流储备分数指数；并且
视觉呈现所述血流储备分数指数。
CN201880022982.0A 2017-03-31 2018-03-29 谱成像ffr Active CN110506293B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201762479670P 2017-03-31 2017-03-31
US62/479,670 2017-03-31
US201762540089P 2017-08-02 2017-08-02
US62/540,089 2017-08-02
PCT/EP2018/058078 WO2018178239A1 (en) 2017-03-31 2018-03-29 Spectral imaging ffr

Publications (2)

Publication Number Publication Date
CN110506293A CN110506293A (zh) 2019-11-26
CN110506293B true CN110506293B (zh) 2023-11-07

Family

ID=63674295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880022982.0A Active CN110506293B (zh) 2017-03-31 2018-03-29 谱成像ffr

Country Status (5)

Country Link
US (1) US20200034968A1 (zh)
EP (1) EP3602487B1 (zh)
JP (1) JP7191038B2 (zh)
CN (1) CN110506293B (zh)
WO (1) WO2018178239A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018177692A1 (en) 2017-03-31 2018-10-04 Koninklijke Philips N.V. Interaction monitoring of non-invasive imaging based ffr
EP3431005A1 (en) 2017-07-19 2019-01-23 Koninklijke Philips N.V. Inflammation estimation from x-ray image data

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103892859A (zh) * 2012-12-28 2014-07-02 Ge医疗***环球技术有限公司 基于多模式Scout扫描的CT成像方法和CT***
WO2016001017A1 (en) * 2014-06-30 2016-01-07 Koninklijke Philips N.V. Apparatus for determining a fractional flow reserve value

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006114716A2 (en) 2005-04-26 2006-11-02 Koninklijke Philips Electronics, N.V. Double decker detector for spectral ct
US7983382B2 (en) * 2008-11-26 2011-07-19 General Electric Company System and method for material segmentation utilizing computed tomography scans
US9208585B2 (en) * 2010-07-16 2015-12-08 Mayo Foundation For Medical Education And Research System and method for improved energy series of images using multi-energy CT
US8494244B2 (en) * 2010-09-27 2013-07-23 General Electric Company System and method for blood vessel stenosis visualization and quantification using spectral CT analysis
US10186056B2 (en) * 2011-03-21 2019-01-22 General Electric Company System and method for estimating vascular flow using CT imaging
CA2919714C (en) * 2013-07-30 2018-04-10 Heartflow, Inc. Method and system for modeling blood flow with boundary conditions for optimized diagnostic performance
JP6559678B2 (ja) * 2013-12-17 2019-08-14 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． スペクトル画像データ処理
EP3062248A1 (en) * 2015-02-27 2016-08-31 Pie Medical Imaging BV Method and apparatus for quantitative flow analysis
EP3512416B1 (en) * 2016-09-16 2023-11-08 Koninklijke Philips N.V. Apparatus and method for determining a fractional flow reserve
EP3378398A1 (en) * 2017-03-24 2018-09-26 Koninklijke Philips N.V. Myocardial ct perfusion image synthesis

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103892859A (zh) * 2012-12-28 2014-07-02 Ge医疗***环球技术有限公司 基于多模式Scout扫描的CT成像方法和CT***
WO2016001017A1 (en) * 2014-06-30 2016-01-07 Koninklijke Philips N.V. Apparatus for determining a fractional flow reserve value

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Freiman M等."Automatic coronary lumen segmentation with partial volume modeling improves lesions" hemodynamic significance assessment".《SPIE Medical Imaging. International Society for Optics and Photonics》.2016,论文第1-12页. *

Also Published As

Publication number Publication date
EP3602487B1 (en) 2023-12-20
US20200034968A1 (en) 2020-01-30
WO2018178239A1 (en) 2018-10-04
JP7191038B2 (ja) 2022-12-16
JP2020512133A (ja) 2020-04-23
CN110506293A (zh) 2019-11-26
EP3602487A1 (en) 2020-02-05

Similar Documents

Publication Publication Date Title
JP6484760B2 (ja) 非侵襲的血流予備量比（ｆｆｒ）に対する側副血流モデル化
US10595806B2 (en) Fractional flow reserve (FFR) index with adaptive boundary condition parameters
US10970836B2 (en) Spectral image data processing
US11361432B2 (en) Inflammation estimation from x-ray image data
CN109688908B (zh) 用于确定血流储备分数的装置和方法
EP3923810A1 (en) Prediction of coronary microvascular dysfunction from coronary computed tomography
CN110506293B (zh) 谱成像ffr
US20230210396A1 (en) Machine learning spectral ffr-ct
CN110494893B (zh) 基于ffr的对非侵入性成像的交互监测
WO2024022809A1 (en) Determining a value of a blood flow parameter
Giordano Perfusion imaging in the peripheral vasculature using interventional C-arm systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant