CN113439287A - 形态学和血管周疾病标志物的联合评估 - Google Patents
形态学和血管周疾病标志物的联合评估 Download PDFInfo
- Publication number
- CN113439287A CN113439287A CN202080011809.8A CN202080011809A CN113439287A CN 113439287 A CN113439287 A CN 113439287A CN 202080011809 A CN202080011809 A CN 202080011809A CN 113439287 A CN113439287 A CN 113439287A
- Authority
- CN
- China
- Prior art keywords
- region
- lumen
- medical imaging
- imaging data
- analyzer module
- 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.)
- Pending
Links
- 201000010099 disease Diseases 0.000 title description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title description 6
- 230000000877 morphologic effect Effects 0.000 title description 3
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 13
- 210000000577 adipose tissue Anatomy 0.000 claims description 20
- 238000005192 partition Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 description 66
- 230000006870 function Effects 0.000 description 34
- 238000003384 imaging method Methods 0.000 description 34
- 210000001519 tissue Anatomy 0.000 description 31
- 230000011218 segmentation Effects 0.000 description 27
- 239000012491 analyte Substances 0.000 description 17
- 238000012549 training Methods 0.000 description 14
- 238000005457 optimization Methods 0.000 description 11
- 238000011084 recovery Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 230000004044 response Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 201000001320 Atherosclerosis Diseases 0.000 description 7
- 230000008901 benefit Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 230000007170 pathology Effects 0.000 description 5
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000012804 iterative process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 206010061218 Inflammation Diseases 0.000 description 3
- 208000031481 Pathologic Constriction Diseases 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 3
- 230000004071 biological effect Effects 0.000 description 3
- 238000013264 cohort analysis Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000004054 inflammatory process Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 230000036262 stenosis Effects 0.000 description 3
- 208000037804 stenosis Diseases 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 230000002792 vascular Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 210000004351 coronary vessel Anatomy 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 150000002632 lipids Chemical class 0.000 description 2
- 230000001338 necrotic effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 241000282341 Mustela putorius furo Species 0.000 description 1
- 206010029719 Nonspecific reaction Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003143 atherosclerotic effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000005754 cellular signaling Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- 238000013535 dynamic contrast enhanced MRI Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007773 growth pattern Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
- A61B6/50—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0891—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of blood vessels
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Vascular Medicine (AREA)
- Theoretical Computer Science (AREA)
- Physiology (AREA)
- General Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Cardiology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Pulmonology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
提供了一种包括层次分析框架的***,该层次分析框架可以利用第一组机器学习算法来利用医学成像数据识别和量化一组生物特性。***可以基于量化的生物特性对医学成像数据进行分割,以描绘血管周围脂肪组织的存在。该***还可以基于量化的生物特性对医学成像数据进行分割,以确定管腔边界和/或基于管腔边界和LRNC区域之间的最小距离确定帽厚度。
Description
相关申请的交叉引用
本申请要求于2019年8月5日提交的美国临时专利申请第62/882,881号的权益和优先权,其全部内容通过引用整体并入本文并且由本申请的受让人拥有。
政府权利
这项工作部分得到了NIH奖项ID HL 126224的支持。政府可能对本发明拥有某些权利。
技术领域
本发明涉及疾病的计算机辅助表型分析(CAP),其可以包括将计算机化图像分析和/或数据融合算法应用于患者数据。特别地,本发明涉及用于阐明动脉粥样硬化的疾病过程的定量成像和分析,包括描绘血管周围脂肪组织和/或确定血管的富含脂质的坏死核(LRNC)与管腔之间的组织厚度(“帽厚度(cap thickness)”)。
背景技术
动脉粥样硬化可能危及生命,尤其是在老龄化人群中,但即使在相对年轻的人群中也是如此。当前用于诊断动脉粥样硬化的方法,例如,使用血液标志物,例如胆固醇水平)和/或确定管腔变窄的程度(狭窄(stenosis))是有限的,并且因此可能导致次优的治疗决策(例如,执行或不执行手术,或开具强化药物治疗)。例如,许多血管手术对患者没有好处,一些需要手术的患者没有进行手术,并且许多患者可通过药物有效治疗但可能没有给他们开处方。
当前的工具可以分析血管腔,但这不足以真正诊断动脉粥样硬化,因为动脉粥样硬化是血管壁的疾病,而不是血液或血液流过的通道。错误分类的风险水平、无法评估对药物治疗的可能反应和/或无法测量对药物的反应的发生率很高。
目前,放射成像可用作用于定位疾病起源的非侵入性和安全的方法。当前的医学成像工具可以包括计算机断层扫描(CT,包括单能量、多能量或光谱CT)、磁共振成像(MR、MRA、DCE-MRI或多对比MRI)、超声(b模式或血管内US),以及具有各种成像模态的靶向造影剂方法。
增强的成像技术使医学成像成为患者护理的重要组成部分。成像可能很有价值,因为它可以使用非侵入性方法或微创方法提供空间和时间上的局部解剖和/或功能信息。然而,可能期望用于处理增加的分辨率的技术,既用于利用数据中的通常不容易用人眼评估的模式和/或签名,又用于例如管理大量数据以高效地将它集成到临床工作流程中。在更新的高分辨率成像技术的情况下,没有辅助的放射科医师可能“淹没”在数据中。因此,例如,为了整合用于个体患者管理的定量成像,可能期望的是提供一类决策支持信息学工具,以使得能够在现有工具工作流程和/或报销约束的现实中进一步利用成像能力。
目前,动脉粥样硬化的成像常规地通过导管***有创地进行以及通过超声、CT、MR和使用核医学技术无创地进行。最典型的评估是管腔狭窄。最近已经在确定血流储备分数(fractional flow reserve)方面取得了进展。
当前动脉粥样硬化成像的一个困难可能包括所用方法缺乏稳健性。例如,当前的方法通常只在血管外壁与血管周围组织之间提供低水平的对比度,因此很难区分两者。当前的一些方法简单地在管腔周围采用环形环,而没有具体确定外壁边界。血管逐渐变细、分支血管、附近组织等也可能是有问题的。
动脉粥样硬化当前成像的另一个困难可能是由于特定的成像设备使用有限的激励来询问组织,并且尽管一方面多对比MR或另一方面多能量CT的效用,但结果可能是在产生的信号中出现一定程度的非特异性反应。
发明内容
目前,最近进展的困难可能包括使用简单的阈值操作符来解释原始像素重构强度值的困难。这一点的一方面是物理成像模态本质上限制了像素值是被成像对象的正确表现的程度,例如由于给定点实际上根据成像的有限物理特性扩散或模糊的事实。例如,在该分析的亚毫米尺度上,扫描仪模糊(例如,“钙晕”之类的表现形式)在定量精度中起主导作用,并且因此,我们补偿了成像***的点扩散函数。此外,除非有效处理,否则血管壁内外组织的异质性会带来分类和测量方面的挑战。
在一个方面,本发明包括一种***,该***包括处理器和非瞬态存储介质,该非瞬态存储介质包括实现包括层次分析框架的分析器模块的处理器可执行指令。层次分析框架可以被配置为利用第一组机器学习算法来利用医学成像数据识别和量化生物性质集,基于量化的生物特性分割医学成像数据,以描绘血管周围脂肪组织的存在。
在一些实施例中,分割医学成像数据还包括将医学成像数据分割成至少管腔边界和外壁边界。在一些实施例中,分析器模块被配置为:基于分割的管腔边界和外壁边界,来将管腔和外壁划分为一个或多个血管边界。
在一些实施例中,生物特性包括钙化区域、LRNC区域、斑块内区域、基质区域或其任何组合。在一些实施例中,描绘血管周围脂肪组织还包括:通过将外壁边界延伸预定距离来创建评估区域,以及利用第二组机器学习算法来识别评估区域是否包括血管周围脂肪组织。
在一些实施例中,分析器模块被配置为确定血管周围脂肪组织的横截面积的最大值、最小值、平均值或其任何组合。在一些实施例中,分析器模块被配置为:针对每个分区,确定一个或多个血管边界中的每一个的横截面积的最大值、最小值、平均值或其任何组合。
在一些实施例中,分析器模块被配置为:对于每个分区,确定一个或多个血管边界中的每一个的体积。在一些实施例中,分析器模块被配置为确定目标的横截面积的最大值、最小值、平均值或其任何组合。
在一些实施例中,分割医学图像数据还包括将医学图像数据分割成三维(3D)对象。
在另一方面,本发明涉及一种***,该***包括处理器和非瞬态存储介质,该非瞬态存储介质包括实现包括层次分析框架的分析器模块的处理器可执行指令。层次分析框架可以被配置为:利用第一组机器学习算法,来利用医学成像数据识别和量化一组生物特性,其中生物特性包括血管的LRNC区域,并基于量化的生物特性分割医学成像数据以确定管腔边界,并基于管腔边界与LRNC区域之间的最小距离来确定帽厚度。
在一些实施例中,分割医学成像数据还包括将医学成像数据分割成外壁边界。在一些实施例中,分析器模块被配置为基于分割的管腔边界和外壁边界来将管腔和外壁划分为一个或多个血管边界。在一些实施例中,生物特性包括钙化区域、LRNC区域、斑块内区域、基质区域或其任何组合。
附图说明
下面参考在本段之后列出的所附附图描述本公开的实施例的非限制性示例。图中所示特征的尺寸是为了呈现的方便和清楚性而选择的,并且不一定按比例显示。
被视为本发明的主题在说明书的结论部分被特别指出并明确要求保护。然而,本发明关于组织和操作方法,连同其目的、特征和优点,当结合附图阅读时,可以通过参考以下详细描述来理解。本发明的实施例以举例而非限制的方式在附图中示出,其中相同的附图标记表示对应的、类似的或相似的元素,并且其中:
图1是根据本发明的一些实施例的用于通过实现层次分析框架来确定和表征医疗状况的***的图。
图2是根据本发明的一些实施例的基于重采样的模型构建方法的流程图。
图3是根据本发明的一些实施例的用于描绘血管周围脂肪组织的存在并基于患者的医学成像数据确定帽厚度的方法的流程图。
图4是根据本发明的一些实施例的用于恢复和分段的方法的流程图。
图5是根据本发明的一些实施例的迭代优化算法的方法的流程图。
图6是根据现有技术的包括模糊的所采集的图像的示例。
图7A和7B示出了根据本发明的一些实施例的分别在恢复之前和之后所采集的图像的示例。
图8A和8B示出了根据本发明的一些实施例的分别在恢复之前和之后所采集的图像的示例。
图9示出了根据本发明的一些实施例的增强的恢复/去模糊图像的示例。
应当理解,为了图示的简单和清楚起见,图中所示的元素不一定是准确地或按比例绘制的。例如,为了清楚起见,一些元素的尺寸可以相对于其他元素被夸大,或者几个物理组件可以包括在一个功能块或功能元件中。
具体实施方式
图1是根据本发明的一些实施例的用于通过实现层次分析框架来确定和表征医疗状况的***的图。***100可以包括训练器模块110、分析器模块120和群组(cohort)工具模块120。
分析器模块120可包括层次分析框架,其可基于医学成像数据(例如,患者的医学成像数据)识别和/或量化生物特性/分析物130。医学成像数据可以包括(i)来自患者50的一个或多个采集图像121A的成像特征122和/或(ii)患者50的非成像输入数据121B。分析器模块120可以基于量化的生物特性/分析物123来识别和/或表征一种或多种病理学(例如,预后表型)124。分析器模块120可以通过实现一种或多种预先训练的算法(例如,机器学习算法)而独立于基础事实(ground truth)和/或验证参考而进行操作,用于绘制推理。
在一些实施例中,分析器模块120包括用于从患者50的采集图像121A计算成像特征122的算法。在各种实施例中,图像特征122是在每个体素的基础上、在感兴趣区域的基础上或其任何组合来进行计算的。在一些实施例中,可用于计算成像特征122的非成像输入121B包括来自实验室***的数据、患者报告的症状、患者病史或其任何组合。
分析器模块120可以利用图像特征122和/或非成像输入121B来计算生物特性/分析物123。生物特性/分析物通常是定量的、客观的特性(例如,客观可验证,而并非被表述为印象或外观),其可以代表例如标记物(例如,化学物质)的存在和程度或其他测量结果,例如感兴趣区域的结构、大小或解剖特征。在各种实施例中,附加于或独立于分析器模块120的进一步处理,量化的生物特性/分析物123被显示和/或输出以供用户(例如,临床医生)直接消费。
群组工具模块130可以例如基于与所讨论的群组研究相关的选定标准集来定义患者群组以用于其组分析。示例性群组分析可以针对参加临床试验的一组患者,例如其中,基于试验的一个或多个分支对患者进行进一步分组,例如治疗分支与对控制分支。另一种类型的群组分析可能是针对存在基础事实或参考的主题集合,并且这种类型的群组可以进一步分解为训练集或“开发”集以及测试或“坚持(holdout)”集。可以支持开发集以便训练112分析器模块120内的算法和模型,并且可以支持坚持集以便评估/验证113分析器模块120内的算法或模型的性能。
训练器模块110可用于训练112分析器模块120内的算法和模型。训练器模块110可依赖于基础事实111和/或参考注释114以便导出权重和/或模型,例如,根据已建立的机器学习范式或通知算法开发人员。在一些实施例中,训练器模块110采用分类和/或回归模型。分类和/或回归模块具有很强的适应性,例如,能够揭示预测变量和响应之间的复杂关系。但是,它们适应现有数据内的底层结构的能力可以使模型能够找到针对其他受试者样本不可重现的模式。适应现有数据内不可重现的结构通常称为模型过拟合。为避免构建过拟合模型,可以应用***方法来防止模型发现虚假结构并使最终用户能够确信最终模型将在被评估模型的数据集上以相似的准确度预测新样本。
连续训练集可用于确定最佳调整参数,并且测试集可用于估计算法或模型的预测性能。训练集可用于通过随机化交叉验证训练每个分类器。数据集可能会被反复拆分为训练集和测试集,并可用于确定分类性能和模型参数。可以使用分层和/或最大相异性方法将数据集拆分为训练集和测试集。在一些实施例中,在训练集内利用重采样方法(例如,自举法(bootstrapping))以获得(i)最优参数估计值和/或(ii)模型的预测性能的置信区间。
在一些实施例中,分类模型可以全部或部分通过应用多尺度建模技术(例如,偏微分方程)来训练,以例如表示可能的细胞信号通路或似是而非的生物学动机的呈现。
在一些实施例中,分类模型可以如在2018年11月28日提交的美国专利第16/203,418号中所述那样进行训练,该专利通过引用整体并入本文。在一些实施例中,生成患者报告,例如,如美国专利申请第16/203,418号的图3所示,连同相应的描述。在各种实施例中,确定血管坐标和/或拓扑结构,如美国专利申请第16/203,418号的图7、图9、图23、图26所示,连同相应的描述。在各种实施例中,确定了各种分析、模型和/或分析物,如美国专利第16/203,418号的图10、图12、图18、图31、图34和图39所示,连同相应的描述。在各种实施例中,***架构如美国专利N第16/203,418号的图32、图33所示,连同相应的描述。
图2是根据本发明的一些实施例的可以由***(例如,如上文关于图1所述的***100)利用的基于重采样的模型构建方法200的流程图。在步骤210处,可以定义调整参数集。在步骤220处,对于每个调整参数集,数据(例如,上面图1中描述的医学数据)被重新采样,模型被拟合并且可以预测坚持样本(hold-out sample)。在步骤230处,可以将重采样估计组合成性能简档。在步骤240处,可以确定最终调整参数。在步骤250处,可以用最终调整参数来重新拟合整个训练集。在来自训练集的每个模型被调整后,可以在测试集上针对预测性能评估每个模型。测试集评估可以对每个模型进行一次,例如,以确保模型构建过程不会过拟合测试集。对于构建的每个模型,可以报告最佳调整参数估计、重采样的训练集性能和/或测试集性能(例如,传输到显示器和/或写入到文件以包含在报告中)。可以比较随机化分割上模型参数的实际值,以评估模型对训练数据的稳定性和/或稳健性。
在一些实施例中,一个或多个模型针对在基础事实图(例如,如上所述的基础事实11)中表示的生物特性/分析物(例如,组织类型)中的每一个进行调整。模型响应(例如,来自上述模型的响应)可以包括例如基于协方差的技术、基于非协方差的技术和基于树的模型。取决于它们的构造,端点可能有连续的和分类的响应;上述类别中的一些技术可用于分类响应和连续响应二者,而其他技术则特定于分类响应或连续响应。可以为每个模型报告最佳调整参数估计、重采样的训练集性能以及测试集性能。
随着模型复杂度的增加(例如,计算量、隐藏层、优化阶段和/或超平面的维度),预测性能可以提高。性能提升可以以牺牲模型可解释性为代价。例如,来自多元线性回归模型的参数系数直观地将每个预测变量与响应联系起来。在神经网络、支持向量机或本领域已知的许多其他模型中通常无法发现相同类型的解释。但是,这些模型可能会提供好的多的预测能力,尤其是在预测变量和响应之间的潜在关系是非线性的情况下。在一些实施例中,为了提取解释性信息的至少一部分,执行变量重要性计算。变量重要性投影方法可以基于相应个体特征对低维数据表示的贡献程度为个体特征提供权重。例如,对于特征数等于或大于训练实例数的问题,分类器模型可能会受到“维数诅咒”问题的影响。
在一些实施例中,分析器模块120提供如下表1中所述的功能:
表1:
如表1所示,分析器模块120可以描绘场,例如,以跨一个场注册多个数据流;以对器官、血管、病变和其他特定应用对象进行分割;和/或以对解剖结构进行格式调整/重新配置以进行特定分析。
在一些实施例中,分割血管包括:基于所识别的和量化的生物特性将医学成像数据分割成血管的一个或多个部分,包括管腔边界、外壁边界和/或一个或多个血管边界。生物特性可以包括钙化区域、LRNC区域、斑块内区域、基质区域或它们的任何组合。
根据本公开,美国专利第16/203,418号的图4连同相应的描述显示了多尺度血管壁分析物图的示例分割水平。
分析器模块120可以在描绘的场中描绘目标,例如病变。例如,描绘目标可以包括:在一个地点处注册多个数据流;进行细粒度分割;测量相关解剖结构的大小和/或其他特征;和/或提取整个目标特征(例如,整个目标区域的生物特性/分析物特征)。
在一些实施例中,描绘了一个或多个子目标区域。例如,可以根据具有子目标特定计算(例如,子目标区域的生物特性/分析物特征)的特定应用,将目标区域拆分成子目标区域。分析器模块120可以描绘例如特定场、目标或子目标区域中的组分和/或相关特征(例如,成分)。
这可以包括分割或重新分割组分/特征、计算分割的组分/特征的值(例如,组分/特征的生物特性/分析物特征)以及将概率图分配给读数。病理可以基于生物学量化的特性/分析物来确定,并且例如通过确定病理的表型和/或预测结果来表征。
在一些实施例中,分析器模块120比较跨多个时间点的数据,例如,一种或多种生物组分/分析物可以涉及基于时间的量化。在进一步的实施例中,可以利用宽扫描场来评估多灶性病理,例如,基于跨所描绘的场的多个目标的生物特性/分析物的聚合量化。最后,基于前述分析,分析器模块120可以被配置为生成患者报告。
图3是根据本发明的一些实施例的用于基于患者的医学成像数据描绘血管周围脂肪组织的存在并确定帽厚度的方法的流程图。医学成像数据可以包括放射学数据和非放射学数据。例如,医学成像数据可以包括MRI图像信息、患者人口统计信息和/或MRI设备信息。
该方法可以涉及基于医学成像数据分割管腔边界(步骤305)。该方法还可以涉及基于医学成像数据分割外壁边界(步骤310)。分割医学图像数据可以涉及接收医学图像数据(例如,从文件、从用户、从另一台计算机和/或从云)。医学成像数据可以包括通过MRI、CT和/或超声设备获得的数据。可以分析医学成像数据(例如,通过图1中上述的分析模块120),以识别和/或量化一种或多种生物特性。在一些实施例中,医学图像数据可以被恢复和/或恢复/去模糊,如下文进一步详细讨论的。
医学成像数据可以包括来自用户的输入,其指示包含要进行表型分析的生理学目标的感兴趣区域。
识别和/或量化一种或多种生物特性可以涉及利用一种或多种机器学习算法。机器学习算法可以从文件取回、由用户输入、从云取回、或其任何组合。机器学习算法可以是使用AlexNet训练的算法,AlexNet是一种卷积神经网络(CNN)。在一些实施例中,机器学习算法进一步基于非图像中间数据。例如,基因组学、蛋白质组学和/或转录组学数据。
一种或多种生物特性和医学成像数据本身可用于分割成二维(2D)或三维(3D)对象。例如,在分割了管腔边界时,血管的管腔可以以3D可视化。类似地,在分割了外壁边界时,外壁可以以3D可视化。
在一些实施例中,在分割之前,查看血管的体积渲染的用户定义初始血管中心线。管腔的分割可以通过使用最优局部Otsu阈值的阈值水平集进化来执行。外壁的分割可以通过使用测地线活动轮廓水平集进化来执行,其用管腔分割和初始中心线初始化。在一些实施例中,管腔和/或外壁可由用户手动编辑,例如,通过用户输入设备。
在一些实施例中,通过定义快速行进算法的速度函数来确定中心线路径。在管腔内部,速度函数可以是距管腔边界和管腔外部的距离的线性函数。例如,可以使用一个小的非零值来允许跨完全狭窄进行寻路。梯度下降可用于定义初始中心线,该初始中心线可通过球和弹簧模型进一步集中,该模型优化单调等间距以及距管腔边界的距离。
该方法可以涉及划分血管边界(例如,使其分叉)(步骤315)。将血管边界进行划分可以基于被分割为一个或多个血管边界的管腔边界和外壁边界。一个或多个血管边界可以划分为2D对象或3D对象。
在一些实施例中,划分血管边界涉及应用利用Mattes互信息(MR)、均方误差(CT)度量、刚性对数变换和/或LBFGSB优化器(作为示例)的图像配准。初始管腔分割可以利用置信度连接的滤波器(例如,冠状动脉、颈动脉、椎骨和/或股动脉)来区分管腔。管腔分割可以利用MR成像(例如,归一化的(例如,暗对比度倒置的)图像的组合)或CT成像(例如,使用配准的对比前、对比后CT和2D高斯分布)来定义血管度函数。可以扩展附近但不一定连接的各种组分以连接它们,例如,通过分析和应用阈值化可以应用。
在一些实施例中,划分血管涉及外壁分割(例如,利用最小曲率(k2)流来应对管腔不规则性)。在一些实施例中,边缘电位图被计算为对比度和非对比度二者中的向外-向下梯度。在一些实施例中,外壁分割利用速度函数中的累积分布函数(结合壁厚的先验分布,例如,从1-2个相邻水平)以在没有任何其他边缘信息的情况下允许中值厚度。在一些实施例中,条带(ferret)直径用于血管表征。在一些实施例中,壁厚被计算为到管腔的距离加上到外壁的距离的总和。在一些实施例中,使用例如使用CNN的语义分割来执行管腔和/或壁分割。可以从三个段的所有路径点通过使用贪婪的快速行进竞争,根据路径段对管腔和壁段进行划分,从而得到每个分割的三个互斥分区。
该方法可以涉及基于分割(例如,因为分割基于量化的生物特性)确定钙化区域、LRNC区域、斑块内出血区域、基质区域中的一个或多个(步骤320)。
该方法可以涉及描绘血管周围脂肪组织,其中,描绘血管周围脂肪组织可以涉及通过将外壁边界延伸预定距离来创建评估区域,并利用第二组机器学习算法来识别评估区域是否包括血管周围脂肪组织(步骤325)。预定距离可由用户输入、从文件取回或基于量化的生物特性。
在一些实施例中,外壁边界被延伸为3D对象。在这些实施例中,外壁边界延伸预定体积。预定体积可由用户输入、从文件取回或基于量化的生物特性。
在一些实施例中,识别评估区域是否包括血管周围脂肪组织涉及采用一种或多种算法来评估血管结构和血管周围结构。***(例如,如上文图1中描述的***100)可以采用目标/血管段/横截面模型来分割成像血管的底层结构。在一些实施例中,评估管腔不规则性和/或斑块结构(例如,重塑)。在一些实施例中,确定了血管周围脂肪组织的横截面积的最大值、最小值、平均值或其任何组合。
在一些实施例中,确定一个或多个血管边界中的每一个的横截面积的最大值、最小值、平均值或其任何组合。在一些实施例中,确定一个或多个血管边界中的每一个的体积。
在一些实施例中,评估血管成分和血管周围成分(在壁内,例如,富含脂质的坏死核(LRNC)的横截面积和体积,以及它与管腔的距离(例如,帽厚度))和/或血管周围组织特征(例如,血管周围脂肪组织(PVAT))可以涉及这样的模型:其应对在像素或体素处观察到的图像强度受隐藏分析物类别节点的局部邻域影响,从而应对部分体积和扫描仪点扩散函数(PSF)。
例如,美国专利申请第16/203,418号的图4描绘了多尺度血管壁分析物图,其包括壁级别分割410(例如,血管的横截面切片)、斑点级别分割和像素级别分割430(例如,基于个体的图像像素)。
该方法还可以包括基于管腔边界与LRNC区域之间的最小距离来确定帽厚度(例如,可以被描述为帽的组织层)(步骤330)。管腔边界与LRNC区域之间的最小距离可以通过以下操作来确定:在管腔中的体素与LNRC中的体素之间创建第一向量,确定向量的距离,在管腔中的不同体素点与LNRC中的不同体素之间创建第二向量,确定距离并与确定的第一距离进行比较,并保留两者中最短的。对附加的管腔和LNRC体素执行这些步骤以找到最短的体素并将其指定为帽厚度。
在一些实施例中,确定和/或输出与组织的横截面相关的参数。例如,每个定位的和定向的板(slab)内的横截面、壁内(例如,在外壁边界内)和/或血管周围的组织特征的最大值、平均值、最小值和/或面积。
在一些实施例中,确定和/或输出与一个或多个血管相关的参数。例如,在如上所述的每个分区内,可以确定和/或输出对于被包括在每个相应血管中的所有横截面的最大、平均和/或最小的横截面测量结果。在每个分区内,可以确定和/或输出体积和/或体积比例(例如,对于3D对象)。在一些实施例中,可以确定和/或输出与目标(例如,一组血管)相关的参数。在一些实施例中,确定与目标相关的参数涉及执行与血管水平相似的功能,但是是对于作为整体的目标。
在一些实施例中,读数可以被编组(marshalled)用于ML(例如,输出到训练集和/或输入以用于每个患者的推断)。在一些实施例中,可以单独或利用非成像数据(例如,精选组织集合中的血样和/或转录组学)针对ML对读数编组。
在一些实施例中,对于每个横截面,图像被存储(例如,可选地增强)用于DL(例如,输出到训练集和/或输入用于每个患者的推断)。在一些实施例中,图像被单独或与非成像数据一起存储用于DL,例如,精选组织集合中的血样和/或转录组学。
图3A,恢复的/去模糊的图像显示了冠状动脉的横截面,其中,应用了在根据上述方法(例如,图4和5)恢复后的原始源CT扫描的强度简档。与原始图像相比的变化可能在+/-30HU的数量级上。
在一些情况下,更细微的组织特征太容易出现模糊伪影,而无法用于从源CT图像的初始估计,如图3A中所例示的。图3A是显示恢复效果的图,如可以影响组织的准确定量,是通过冠状动脉的横截面,具有原始源CT和基于模型的恢复后的强度分布。对于PVAT,一个假设可以是它的完全脂肪组织是-100HU,而由于炎症引起的水是0HU,使得具有一些炎症的脂肪组织将介于-100到0HU之间,取决于进入组织的水量。例如,如果组织是50%脂肪组织和50%来自炎症的水,则可以实现50HU的变化,这可能会被未校正的CT模糊所抵消,从而使潜在的良好生物标志物无效。
如上所述,在一些实施例中,可以恢复和/或恢复/去模糊医学图像数据。例如,美国专利申请第16/203,418号的图21显示了使用患者特定点扩展确定算法进行恢复的预处理步骤的示例,以减轻可能由图像形成过程引起的伪影和/或图像限制,例如,这样的伪影和/或图像限制可能会降低确定表型预测特征的能力。该图可以展示来自CT的斑块的放射学分析应用分析的一部分。如图所示,恢复/去模糊或恢复的图像是利用图像不同区域的真实潜在密度的正则化假设迭代拟合扫描仪点扩散函数的物理模型的结果。
在一些实施例中,可以如下执行图像的恢复:可以使用成像设备(例如,MRI或CT设备)来采集被测量图像。可以针对表示真实底层图像的被测量图像初始化组织特征图像模型。组织特征模型可以应用水平集方法(LSM)作为对表示生物分析物的图像中的表面和形状进行数值分析的概念框架。组织特征模型可以通过一组特征方程将水平集映射到图像数据,并且从而可以表示特定的生物分析物。特征方程可用于解决优化问题,以确定组织特征模型的最佳转换参数,并且从而可以优化对被分析的特定生物分析物的分割的恢复。组织特征模型和/或优化参数可以有利地应对/利用***的基础生物学的知识库,例如,基于分析物的生物学模型。可以使用迭代过程来解决优化问题,该迭代过程迭代地调整组织特征图像模型以最小化能量函数,该能量函数对与贝叶斯框架中不同分析物的出现相关的成像物理学建模(例如,能量可以是在图像上积分的贝叶斯框架的概率的负对数)。可以基于从优化问题确定的变换参数输出恢复/去模糊的图像。恢复/去模糊的图像可以包括恢复,恢复可以针对生物分析物的分割和/或定量分析进行优化。这可以代表对没有应对被分析***的潜在生物学的广义恢复技术的显著改进。
可以通过恢复例如去除源自非常亮和非常暗的信号的模糊来提供各种优点和改进。与传统技术不同,这可以有利地应对扫描仪中的技术图像形成过程以及被成像的特定生物二者。其他优点可以包括基于图像导出扫描仪模糊,并结合从真实来源(例如,组织病理学)得出的组织特征的先验估计的详细统计模型。
在一些实施例中,所使用的先前估计通知分类过程以便为观察到的图像数据提供最合理的解释。附加优势可以包括提高生物分析物读数的准确性,例如,其包括不同类型组织的横截面积、体积和空间位置。
图4是根据本发明的一些实施例的用于恢复和分割的方法的流程图。该方法可以涉及经由成像设备采集被测量图像(步骤401)。该方法还可以涉及针对表示真实底层图像的被测量图像初始化组织特征图像模型(步骤402)。在一些实施例中,初始化组织特征图像模型可以涉及初始化φi水平集函数和χi特征函数,以及用掩蔽为恒定强度的背景区域来初始化g。
该方法还可以涉及使用迭代过程求解优化算法,该迭代过程可以迭代地调整组织特征图像模型以最小化能量函数,该能量函数对与不同分析物的出现相关的成像物理学进行建模(步骤403)。在一些实施例中,优化算法涉及:
直到stopped_criterion:
a.计算特征函数χI,
b.计算模糊特征函数h*χI,
c.计算常数ci,
d.计算dφi/dt水平集函数更新,
i.利用边缘处的部分体积效果创建图像f
ii.创建图像h*f;
根据特征函数计算体积分数。
在一些实施例中,迭代的停止标准可以基于一个或多个用户定义的迭代次数。
优化算法可以使用如下图5所示的迭代过程。
该方法还可以涉及:基于从优化算法确定的变换参数,输出恢复/去模糊的图像(步骤404)。在一些实施例中,输出恢复/去模糊的图像涉及:输出恢复/去模糊的图像被提供为Irestored/deblurred=g-(h*f-f)。
图5是迭代优化算法步骤(例如,图4的步骤403)的方法的流程图,在多个多相水平集的上下文内应用的,其中分析物图像区域由特征函数定义为每种组织特征类型的水平集函数的函数。该方法可以涉及:针对当前迭代从水平集函数计算特征函数,例如,基于当前水平集(步骤501)。该方法还可以涉及:计算从特征函数计算的模糊字符特征函数,例如,给定针对成像设备的点扩散函数(PSF)基于IIR高斯模糊(步骤502)。该方法还可以涉及:针对模糊特征函数计算图像强度常数(步骤503)。该方法还可以涉及:计算水平集更新,例如,基于用于最小化能量函数的梯度下降方法(步骤504)。迭代过程在每次迭代时重新初始化水平集和特征方程(例如,在重复步骤501-504之前)。因此,水平集函数的有符号距离属性在每次迭代期间被放宽,直到迭代后重新初始化。
图6、7A-7B和8A-8B可以示出如上所述的恢复/分割的有效性。特别地,图6是包括模糊的采集图像的示例。图7A示出了包括模糊的采集图像的示例,并且图7B示出了在应用了根据在本文中应用的本发明的实施例的恢复和分割之后的图7A的相同采集图像。图8A示出了包括模糊的另一采集图像的另一示例,并且图8B示出了在应用了根据在此应用的本发明的实施例的恢复和分割之后的图7A的相同采集图像。如图7A-7B和8A-8B所示,本发明的恢复和/或分割方法可以有利地提供生物分析物的改进识别。在一些实施例中,通过用分割区域的覆盖图(例如,颜色编码的覆盖图)替换代表生物分析物的分割区域,来增强恢复/去模糊的图像。
图9示出了根据本发明的一些实施例的增强的恢复/去模糊的图像的示例。
增强的恢复/去模糊的图像可以描绘与识别的分析物区域相关联的定量测量以及结构和/或成分的一个或多个图形特征。因此,增强的恢复/去模糊的图像可以有利地为临床医生提供改进的工具以评估患者的病理。
因为壁的几何形状可以是明显非圆形的,所以径向距离可以基于到内腔表面的最短距离和到外膜表面的最短距离来定义。组织学图像的专家注释包括定义管腔和血管(定义为管腔和血管壁的结合)的区域。
可以分别为这些(L(x)和V(x))中的每一个创建带符号距离函数。常规是这些区域的内部是负的,使得在壁中L是正的,并且V是负的。相对径向距离计算为r(x)=L(x)/(L(x)-V(x))。它在管腔表面处的值为0,并且在外膜表面处的值为1。r轴的方向由确定。
在一些实施例中,一个水平集可以用于用分割的管腔L初始化的整个血管管腔。每个不同的连续明亮区域可以被初始化为其自己的水平集并且如下计算:候选明亮区域使用应用于倒置图像(以将明亮的山峰变成集水盆地)的形态分水岭来计算。
在一些实施例中,能量泛函(energy functional)可以代表整合成像物理学和生物学之间的建模的方法。成像物理部分可以应对扫描仪的图像强度和PSF,而模型的生物部分整合了动脉粥样硬化斑块结构和生长模式的组织学驱动知识。模型先验将模型朝着最可能的配置加权,并远离物理和生物上不切实际的解决方案。该模型可以以概率术语提供,并且能量是在图像上积分的概率的负对数。附加于提供分析易处理性,针对概率递减的解决方案将对数超线性地加权。
在一些实施例中,在成像物理学和生物学之间做出朴素贝叶斯[10]域独立假设,例如,模糊模型和模糊采集图像之间的残差的可能性不依赖于彼此相邻的组织特征区域的配置的生物学可能性。
可以在整个算法中演化的各种模型参数包括映射在图像上的水平集函数、不同生物组织特征的真实(例如,恢复/去模糊)图像强度,以及扫描仪PSF的宽度。预先学习的模型参数可以包括具有斑块的组织特征的空间分布的依赖性的模型。
在一些实施例中,在初始化之后,模型被迭代地调整以通过梯度下降轨迹最小化能量函数。梯度下降方法可以允许直接调整模型参数,例如每个水平集φ,以便最小化能量。
能量泛函中的成像物理项可以表示模糊理想化分段常数图像和采集图像之间的差异的L2范数。系数可以允许曲率演化平滑的效果和最小化模式到图像残差之间的平衡。证据变量可以是由模糊图像g表示的采集图像像素强度。在每次迭代内,子步骤的顺序可以遵循通过变量的信息流。
特征函数可以用作中介,并且可以根据水平集函数确定欧拉-拉格朗日方程。能量泛函可以使用梯度下降方法最小化,该方法将每个φ同时且独立地移向空间中每个点处的局部最小值E。在每次迭代内,水平集函数的有符号距离属性可以放宽,直到迭代后重新初始化,并且从而积分消失。
本发明的一个优点可以包括对图像的校正,(h*f-f)可以是低频的,因为它们可以是简单的由高斯模糊的阶梯边缘,从而防止高频噪声的错误放大,这可能经常发生在常规的去卷积技术中,这些技术可能永远不会将放大的真实图像结构与放大的图像噪声充分分开。事实上,这种改进的反卷积过程的误差可能仅(或实质上仅)受制于区域图像强度常数、边缘位置和/或成像***模糊的准确性,所有这些都可以是高度直观的,并且可由最终用户很容易地在视觉上确认。
虽然本发明的实施例在这方面不受限制,但是使用诸如“处理”、“运算”、“计算”、“确定”、“建立”、“分析”、“检查”等术语的讨论可以指计算机、计算平台、计算***或其他电子计算设备的操作和/或过程,其将表示为计算机寄存器和/或存储器内的物理(例如,电子)量的数据操纵和/或转换为类似地表示为计算机寄存器和/或存储器或可以存储用于执行操作和/或过程的指令的其他信息非暂时性存储介质内的物理量的其他数据。
虽然本发明的实施例在这方面不受限制,但是如本文所使用的术语“复数个”和“多个”可以包括例如“多个”或“两个或更多”。在整个说明书中可以使用术语“复数个”或“多个”来描述两个或更多个组件、设备、元素、单元、参数等。此处使用的术语集可以包括一个或多个项目。除非明确说明,否则本文描述的方法实施例不限于特定顺序或序列。此外,所描述的方法实施例中的一些或其要素可以同时、在同一时间点或并发地发生或执行。
计算机程序可以以任何形式的编程语言编写,包括编译和/或解释语言,并且计算机程序可以以任何形式部署,包括作为独立程序或作为子例程、元素和/或其他适合在计算环境中使用的单元。计算机程序可以被部署以在一台计算机上或在一个站点处的多台计算机上执行。
方法步骤可以由一个或多个可编程处理器执行,一个或多个可编程处理器执行计算机程序以通过对输入数据进行操作并产生输出来执行本发明的功能。方法步骤也可以由装置执行并且可以实现为专用逻辑电路。例如,电路可以是FPGA(现场可编程门阵列)和/或ASIC(专用集成电路)。模块、子例程和软件代理可以指实现该功能的计算机程序、处理器、特殊电路、软件和/或硬件的部分。
适合于执行计算机程序的处理器包括例如通用处理器和专用微处理器二者,以及任何种类的数字计算机的任何一个或多个处理器。通常,处理器从只读存储器或随机存取存储器或两者接收指令和数据。计算机的基本要素是用于执行指令的处理器和用于存储指令和数据的一个或多个存储器设备。通常,计算机可操作地耦合以从一个或多个用于存储数据的大容量存储设备(例如,磁盘、磁光盘或光盘)接收数据和/或将数据传输到一个或多个大容量存储设备。
数据传输和指令也可以通过通信网络发生。适合于体现计算机程序指令和数据的信息载体包括所有形式的非易失性存储器,例如包括半导体存储器设备。例如,信息载体可以是EPROM、EEPROM、闪存设备、磁盘、内部硬盘、可移动磁盘、磁光盘、CD-ROM和/或DVD-ROM盘。处理器和存储器可以由专用逻辑电路补充和/或合并到专用逻辑电路中。
为了提供与用户的交互,上述技术可以在具有显示设备、发送设备和/或计算设备的计算机上实现。显示设备可以是例如阴极射线管(CRT)和/或液晶显示器(LCD)监视器。与用户的交互可以是,例如,向用户显示信息,以及键盘和定点设备(例如,鼠标或轨迹球),通过这些设备用户可以向计算机提供输入(例如,与用户界面元素交互)。可以使用其他类型的设备来提供与用户的交互。其他设备可以是,例如,以任何形式的感官反馈(例如,视觉反馈、听觉反馈或触觉反馈)提供给用户的反馈。例如,可以以任何形式接收来自用户的输入,包括声学、语音和/或触觉输入。
计算设备可以包括例如计算机、具有浏览器设备的计算机、电话、IP电话、移动设备(例如,蜂窝电话、个人数字助理(PDA)设备、膝上型计算机、电子邮件设备)和/或其他通信设备。计算设备可以是例如一个或多个计算机服务器。计算机服务器可以是例如服务器群的一部分。浏览器设备包括例如具有万维网浏览器(例如,可从微软公司获得的Internet可从谷歌获得的Chrome、可从Mozilla公司获得的Firefox,可从苹果获得的Safari)的计算机(例如,台式计算机、膝上型计算机和平板计算机)。移动计算设备包括例如个人数字助理(PDA)。
网站和/或网页可以例如通过使用web服务器的网络(例如,因特网)来提供。web服务器可以是例如具有服务器模块(例如,可从微软公司获得的InternetInformation Services、可从Apache Software Foundation获得的Apache Web Server、可从Apache Software Foundation获得的Apache Tomcat Web Server)的计算机。
存储模块可以是例如随机存取存储器(RAM)模块、只读存储器(ROM)模块、计算机硬盘驱动器、存储卡(例如,通用串行总线(USB)闪存驱动器、安全数字(SD)闪存卡)、软盘和/或任何其他数据存储设备。存储在存储模块上的信息可以保存在例如数据库(例如,关系数据库***、平面数据库***)和/或任何其他逻辑信息存储机构中。
上述技术可以在包括后端组件的分布式计算***中实现。例如,后端组件可以是数据服务器、中间件组件和/或应用服务器。上述技术可以在包括前端组件的分布式计算***中实现。例如,前端组件可以是具有图形用户界面的客户端计算机、用户可以通过其与示例实现交互的Web浏览器和/或用于发送设备的其他图形用户界面。***的组件可以通过任何形式或媒介的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(LAN)、广域网(WAN)、因特网、有线网络和/或无线网络。
该***可以包括客户端和服务器。客户端和服务器通常彼此远离并且通常通过通信网络进行交互。客户端和服务器的关系是由于在各自的计算机上运行的计算机程序而产生的,并且彼此之间具有客户端-服务器关系。
上述网络可以在基于分组的网络、基于电路的网络和/或基于分组的网络和基于电路的网络的组合中实现。基于分组的网络可以包括例如因特网、运营商互联网协议(IP)网络(例如,局域网(LAN)、广域网(WAN)、校园局域网(CAN)、城域网(MAN)、家庭局域网(HAN)、专用IP网络、IP专用小交换机(IPBX)、无线网络(例如,无线电接入网络(RAN)、802.11网络、802.16网络、通用分组无线电服务(GPRS)网络)、HiperLAN)和/或其他基于分组的网络。基于电路的网络可以包括,例如,公共交换电话网络(PSTN)、专用小交换机(PBX)、无线网络(例如,RAN、码分多址(CDMA)网络、时分多址(TDMA)网络、全球移动通信***(GSM)网络)和/或其他基于电路的网络。
本发明的一些实施例可以以***、方法或计算机程序产品的形式体现。类似地,一些实施例可以体现为硬件、软件或两者的组合。一些实施例可以体现为以在其上体现的计算机可读程序代码的形式保存在一个或多个非暂时性计算机可读介质(或多个介质)上的计算机程序产品。这种非暂时性计算机可读介质可以包括在被执行时使处理器执行根据实施例的方法步骤的指令。在一些实施例中,存储在计算机可读介质上的指令可以是安装的应用程序的形式和安装包的形式。
这样的指令可以例如由一个或多个处理器加载并被执行。例如,计算机可读介质可以是非暂时性计算机可读存储介质。非暂时性计算机可读存储介质可以是例如电子、光、磁、电磁、红外或半导体***、装置或设备,或其任何组合。
计算机程序代码可以用任何合适的编程语言编写。程序代码可以在单个计算机***或多个计算机***上执行。
本领域技术人员将认识到,在不脱离本发明的精神或基本特征的情况下,本发明可以以其他特定形式体现。因此,前述实施例在所有方面都被认为是说明性的,而不是对本文中描述的本发明的限制。因此,本发明的范围由所附权利要求而不是前述描述来指示,并且因此在权利要求的等同物的含义和范围内的所有变化都旨在包含在其中。
在前述详细描述中,阐述了许多具体细节以提供对本发明的理解。然而,本领域技术人员将理解,也可以在没有这些具体细节的情况下实践本发明。在其他情况下,没有详细描述众所周知的方法、过程和组件、模块、单元和/或电路,以免模糊本发明。关于一个实施例描述的一些特征或元素可以与关于其他实施例描述的特征或元素组合。
Claims (14)
1.一种***,包括处理器和非瞬态存储介质,所述非瞬态存储介质包括实现分析器模块的处理器可执行指令,所述分析器模块包括层次分析框架,所述层次分析框架被配置为:
利用第一组机器学习算法,来利用医学成像数据识别和量化一组生物特性;以及
基于量化的生物特性对所述医学成像数据进行分割,以描绘血管周围脂肪组织的存在。
2.如权利要求1所述的***,其中,分割所述医学成像数据还包括:将所述医学成像数据分割成至少管腔边界和外壁边界。
3.如权利要求2所述的***,其中,所述分析器模块还被配置为:基于分割的管腔边界和外壁边界,将管腔和外壁划分为一个或多个血管边界。
4.如权利要求2所述的***,其中,所述生物特性包括钙化区域、LRNC区域、斑块内区域、基质区域或其任何组合。
5.如权利要求2所述的***,其中,描绘所述血管周围脂肪组织还包括:
通过将所述外壁边界延伸预定距离,来创建评估区域;以及
利用第二组机器学习算法来识别所述评估区域是否包括所述血管周围脂肪组织。
6.如权利要求1所述的***,其中,所述分析器模块被配置为:确定所述血管周围脂肪组织的横截面积的最大值、最小值、平均值或其任何组合。
7.如权利要求3所述的***,其中,所述分析器模块被配置为:对于每个分区,确定所述一个或多个血管边界中的每一个的横截面积的最大值、最小值、平均值或其任何组合。
8.如权利要求3所述的***,其中,所述分析器模块被配置为:对于每个分区,确定所述一个或多个血管边界中的每一个的体积。
9.如权利要求3所述的***,其中,所述分析器模块被配置为:确定目标的横截面积的最大值、最小值、平均值或其任何组合。
10.如权利要求1所述的***,其中,分割所述医学图像数据还包括:将所述医学图像数据分割成三维(3D)对象。
11.一种***,包括处理器和非瞬态存储介质,所述非瞬态存储介质包括实现分析器模块的处理器可执行指令,所述分析器模块包括层次分析框架,所述层次分析框架被配置为:
利用第一组机器学习算法,来利用医学成像数据识别和量化一组生物特性,其中,所述生物特性包括血管的LRNC区域;以及
基于量化的生物特性,对所述医学成像数据进行分割以确定管腔边界;以及
基于所述管腔边界和所述LRNC区域之间的最小距离,来确定帽厚度。
12.如权利要求11所述的***,其中,分割所述医学成像数据还包括:将所述医学成像数据分割成外壁边界。
13.如权利要求12所述的***,其中,所述分析器模块还被配置为:基于分割的管腔边界和外壁边界,将管腔和外壁划分为一个或多个血管边界。
14.如权利要求13所述的***,其中,所述生物特性包括钙化区域、LRNC区域、斑块内区域、基质区域或其任何组合。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962882881P | 2019-08-05 | 2019-08-05 | |
US62/882,881 | 2019-08-05 | ||
PCT/US2020/044845 WO2021026125A1 (en) | 2019-08-05 | 2020-08-04 | Combined assessment of morphological and perivascular disease markers |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113439287A true CN113439287A (zh) | 2021-09-24 |
Family
ID=74498934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080011809.8A Pending CN113439287A (zh) | 2019-08-05 | 2020-08-04 | 形态学和血管周疾病标志物的联合评估 |
Country Status (6)
Country | Link |
---|---|
US (3) | US11508063B2 (zh) |
EP (1) | EP3899864A4 (zh) |
JP (2) | JP2022543330A (zh) |
KR (1) | KR20210121062A (zh) |
CN (1) | CN113439287A (zh) |
WO (1) | WO2021026125A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10813612B2 (en) | 2019-01-25 | 2020-10-27 | Cleerly, Inc. | Systems and method of characterizing high risk plaques |
US11969280B2 (en) | 2020-01-07 | 2024-04-30 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
US20220392065A1 (en) | 2020-01-07 | 2022-12-08 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
KR20220124217A (ko) | 2020-01-07 | 2022-09-13 | 클리어리, 인크. | 의료 영상 분석, 진단, 위험도 층화, 의사 결정 및/또는 질환 추적을 위한 시스템, 방법 및 디바이스 |
WO2023127785A1 (ja) * | 2021-12-28 | 2023-07-06 | テルモ株式会社 | 情報処理方法、情報処理装置およびプログラム |
US20230289963A1 (en) | 2022-03-10 | 2023-09-14 | Cleerly, Inc. | Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006062958A2 (en) * | 2004-12-10 | 2006-06-15 | Worcester Polytechnic Institute | Image-based computational mechanical analysis and indexing for cardiovascular diseases |
US20110295579A1 (en) * | 2009-02-25 | 2011-12-01 | Dalin Tang | Automatic vascular model generation based on fluid-structure interactions (fsi) |
US20170046839A1 (en) * | 2015-08-14 | 2017-02-16 | Elucid Bioimaging Inc. | Systems and methods for analyzing pathologies utilizing quantitative imaging |
WO2019016309A1 (en) * | 2017-07-19 | 2019-01-24 | Koninklijke Philips N.V. | ESTIMATION OF INFLAMMATION FROM RADIOGRAPHIC IMAGE DATA |
US20190159737A1 (en) * | 2015-08-14 | 2019-05-30 | Elucid Bioimaging Inc. | Methods and systems for utilizing quantitative imaging |
US20190172197A1 (en) * | 2015-08-14 | 2019-06-06 | Elucid Bioimaging Inc. | Methods and systems for utilizing quantitative imaging |
US20190180438A1 (en) * | 2015-08-14 | 2019-06-13 | Elucid Bioimaging Inc. | Methods and systems for utilizing quantitative imaging |
Family Cites Families (113)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6108635A (en) | 1996-05-22 | 2000-08-22 | Interleukin Genetics, Inc. | Integrated disease information system |
US7184994B2 (en) | 2000-06-16 | 2007-02-27 | Lockheed Martin Corporation | Scaleable object recognition with a belief model |
US20030105638A1 (en) | 2001-11-27 | 2003-06-05 | Taira Rick K. | Method and system for creating computer-understandable structured medical data from natural language reports |
US6946715B2 (en) | 2003-02-19 | 2005-09-20 | Micron Technology, Inc. | CMOS image sensor and method of fabrication |
US7493253B1 (en) | 2002-07-12 | 2009-02-17 | Language And Computing, Inc. | Conceptual world representation natural language understanding system and method |
AU2004268576A1 (en) * | 2003-08-21 | 2005-03-10 | Ischem Corporation | Automated methods and systems for vascular plaque detection and analysis |
US20050118632A1 (en) | 2003-11-06 | 2005-06-02 | Jian Chen | Polynucleotides and polypeptides encoding a novel metalloprotease, Protease-40b |
US7536370B2 (en) | 2004-06-24 | 2009-05-19 | Sun Microsystems, Inc. | Inferential diagnosing engines for grid-based computing systems |
US7127095B2 (en) | 2004-10-15 | 2006-10-24 | The Brigham And Women's Hospital, Inc. | Factor analysis in medical imaging |
US20070130206A1 (en) | 2005-08-05 | 2007-06-07 | Siemens Corporate Research Inc | System and Method For Integrating Heterogeneous Biomedical Information |
US8734823B2 (en) | 2005-12-14 | 2014-05-27 | The Invention Science Fund I, Llc | Device including altered microorganisms, and methods and systems of use |
JP5713377B2 (ja) | 2005-12-28 | 2015-05-07 | ザ スクリプス リサーチ インスティテュート | 薬物標的としての天然アンチセンスおよび非コードrna転写物 |
GB2434225A (en) | 2006-01-13 | 2007-07-18 | Cytokinetics Inc | Random forest modelling of cellular phenotypes |
EP1999570A4 (en) | 2006-03-03 | 2009-11-11 | Entelos Inc | APPARATUS AND METHOD FOR THE COMPUTER MODELING OF RESPIRATORY DISEASES |
JP5337018B2 (ja) | 2006-03-22 | 2013-11-06 | ヴォルケイノウ・コーポレーション | 分類基準に従った自動プラーク特性決定に基づく自動病変解析 |
US11389171B2 (en) * | 2006-11-21 | 2022-07-19 | David S. Goldsmith | Integrated system for the infixion and retrieval of implants |
US7899764B2 (en) | 2007-02-16 | 2011-03-01 | Siemens Aktiengesellschaft | Medical ontologies for machine learning and decision support |
US8296247B2 (en) | 2007-03-23 | 2012-10-23 | Three Palm Software | Combination machine learning algorithms for computer-aided detection, review and diagnosis |
US8553832B2 (en) | 2007-05-21 | 2013-10-08 | Siemens Aktiengesellschaft | Device for obtaining perfusion images |
US8774479B2 (en) | 2008-02-19 | 2014-07-08 | The Trustees Of The University Of Pennsylvania | System and method for automated segmentation, characterization, and classification of possibly malignant lesions and stratification of malignant tumors |
US8781250B2 (en) | 2008-06-26 | 2014-07-15 | Microsoft Corporation | Image deconvolution using color priors |
US8970578B2 (en) | 2008-12-19 | 2015-03-03 | Szilard Voros | System and method for lesion-specific coronary artery calcium quantification |
DE102009006636B4 (de) * | 2008-12-30 | 2016-02-18 | Siemens Aktiengesellschaft | Verfahren zur Ermittlung einer 2D-Kontur einer in 3D-Bilddaten abgebildeten Gefäßstruktur |
US9405886B2 (en) | 2009-03-17 | 2016-08-02 | The Board Of Trustees Of The Leland Stanford Junior University | Method for determining cardiovascular information |
US8108311B2 (en) | 2009-04-09 | 2012-01-31 | General Electric Company | Systems and methods for constructing a local electronic medical record data store using a remote personal health record server |
CA2765407C (en) * | 2009-09-23 | 2016-06-21 | Lightlab Imaging, Inc. | Lumen morphology and vascular resistance measurements data collection systems, apparatus and methods |
US20110245650A1 (en) * | 2010-04-02 | 2011-10-06 | Kerwin William S | Method and System for Plaque Lesion Characterization |
EP2579780A4 (en) | 2010-06-13 | 2017-07-05 | Angiometrix Corporation | Methods and systems for determining vascular bodily lumen information and guiding medical devices |
US9965592B2 (en) * | 2010-07-16 | 2018-05-08 | The University Of Houston System | Methods of computing pericardial and abdominal fat and methods for motion compensation |
US8315812B2 (en) | 2010-08-12 | 2012-11-20 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
US8157742B2 (en) | 2010-08-12 | 2012-04-17 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
US9119540B2 (en) | 2010-09-16 | 2015-09-01 | Siemens Aktiengesellschaft | Method and system for non-invasive assessment of coronary artery disease |
WO2012073119A2 (en) | 2010-11-30 | 2012-06-07 | France Telecom | Phr/emr retrieval system based on body part recognition and method of operation thereof |
US9652596B2 (en) | 2011-01-07 | 2017-05-16 | Indiana University Research And Technology Corporation | Deductive multiscale simulation using order parameters |
US8798984B2 (en) | 2011-04-27 | 2014-08-05 | Xerox Corporation | Method and system for confidence-weighted learning of factored discriminative language models |
US9974508B2 (en) | 2011-09-01 | 2018-05-22 | Ghassan S. Kassab | Non-invasive systems and methods for determining fractional flow reserve |
US10034614B2 (en) | 2012-02-29 | 2018-07-31 | General Electric Company | Fractional flow reserve estimation |
US8548778B1 (en) | 2012-05-14 | 2013-10-01 | Heartflow, Inc. | Method and system for providing information from a patient-specific model of blood flow |
US9247918B2 (en) | 2012-07-09 | 2016-02-02 | Siemens Aktiengesellschaft | Computation of hemodynamic quantities from angiographic data |
KR101939778B1 (ko) | 2012-07-27 | 2019-01-18 | 삼성전자주식회사 | 필요 혈류량 결정 방법 및 장치, 혈류 영상 생성 방법 및 장치, 심근 관류 영상 처리 방법 및 장치 |
US10433740B2 (en) | 2012-09-12 | 2019-10-08 | Heartflow, Inc. | Systems and methods for estimating ischemia and blood flow characteristics from vessel geometry and physiology |
US9262581B2 (en) | 2012-09-24 | 2016-02-16 | Heartflow, Inc. | Method and system for facilitating physiological computations |
US9265473B2 (en) | 2012-09-25 | 2016-02-23 | The Johns Hopkins University | Method for estimating flow rates and pressure gradients in arterial networks from patient specific computed tomography angiogram-based contrast distribution data |
US9320487B2 (en) | 2012-09-25 | 2016-04-26 | The Johns Hopkins University | Method for estimating flow rates, pressure gradients, coronary flow reserve, and fractional flow reserve from patient specific computed tomography angiogram-based contrast distribution data |
WO2014049574A2 (en) | 2012-09-28 | 2014-04-03 | Creed Jerett | Methods for the stabilization of arterial plaque for the treatment of ischemic stroke and peripheral artery disease |
US9675301B2 (en) | 2012-10-19 | 2017-06-13 | Heartflow, Inc. | Systems and methods for numerically evaluating vasculature |
WO2014064702A2 (en) | 2012-10-24 | 2014-05-01 | Cathworks Ltd. | Automated measurement system and method for coronary artery disease scoring |
US9858387B2 (en) | 2013-01-15 | 2018-01-02 | CathWorks, LTD. | Vascular flow assessment |
BR112015010012A2 (pt) | 2012-11-06 | 2017-07-11 | Koninklijke Philips Nv | método; e sistema |
WO2014084398A1 (ja) | 2012-11-30 | 2014-06-05 | 株式会社 東芝 | 医用画像診断装置 |
JP6091870B2 (ja) | 2012-12-07 | 2017-03-08 | 東芝メディカルシステムズ株式会社 | 血管解析装置、医用画像診断装置、血管解析方法、及び血管解析プログラム |
US8983993B2 (en) | 2012-12-18 | 2015-03-17 | Sap Se | Data warehouse queries using SPARQL |
US9042613B2 (en) | 2013-03-01 | 2015-05-26 | Heartflow, Inc. | Method and system for determining treatments by modifying patient-specific geometrical models |
US10052031B2 (en) | 2013-03-04 | 2018-08-21 | Siemens Healthcare Gmbh | Determining functional severity of stenosis |
US9424395B2 (en) | 2013-03-04 | 2016-08-23 | Heartflow, Inc. | Method and system for sensitivity analysis in modeling blood flow characteristics |
US9592027B2 (en) * | 2013-03-14 | 2017-03-14 | Volcano Corporation | System and method of adventitial tissue characterization |
US8824752B1 (en) | 2013-03-15 | 2014-09-02 | Heartflow, Inc. | Methods and systems for assessing image quality in modeling of patient anatomic or blood flow characteristics |
US9675257B2 (en) | 2013-03-15 | 2017-06-13 | 3Dt Holdings, Llc | Impedance devices and methods to use the same to obtain luminal organ measurements |
US20150324527A1 (en) | 2013-03-15 | 2015-11-12 | Northrop Grumman Systems Corporation | Learning health systems and methods |
RU2015149430A (ru) | 2013-04-18 | 2017-05-24 | Конинклейке Филипс Н.В. | Планирование терапии стеноза |
US20140365239A1 (en) | 2013-06-05 | 2014-12-11 | Nuance Communications, Inc. | Methods and apparatus for facilitating guideline compliance |
JP6188434B2 (ja) | 2013-06-07 | 2017-08-30 | 東芝メディカルシステムズ株式会社 | 医用画像処理装置および医用画像処理プログラム |
EP3028196B1 (en) | 2013-07-30 | 2017-11-15 | HeartFlow, Inc. | Method and system for modeling blood flow with boundary conditions for optimized diagnostic performance |
US9721340B2 (en) * | 2013-08-13 | 2017-08-01 | H. Lee Moffitt Cancer Center And Research Institute, Inc. | Systems, methods and devices for analyzing quantitative information obtained from radiological images |
US9195800B2 (en) | 2013-08-16 | 2015-11-24 | Heartflow, Inc. | Systems and methods for identifying personalized vascular implants from patient-specific anatomic data |
US9842401B2 (en) | 2013-08-21 | 2017-12-12 | Koninklijke Philips N.V. | Segmentation apparatus for interactively segmenting blood vessels in angiographic image data |
US9805463B2 (en) | 2013-08-27 | 2017-10-31 | Heartflow, Inc. | Systems and methods for predicting location, onset, and/or change of coronary lesions |
US9629563B2 (en) | 2013-09-04 | 2017-04-25 | Siemens Healthcare Gmbh | Method and system for functional assessment of renal artery stenosis from medical images |
US9788807B2 (en) | 2013-09-06 | 2017-10-17 | Koninklijke Philips N.V. | Processing apparatus for processing cardiac data |
US9700219B2 (en) | 2013-10-17 | 2017-07-11 | Siemens Healthcare Gmbh | Method and system for machine learning based assessment of fractional flow reserve |
JP2017500537A (ja) | 2013-10-18 | 2017-01-05 | モレキュラ インサイト ファーマシューティカルズ インコーポレイテッド | 癌の病期を決定するためにspect/ct分析を使用する方法 |
US10049447B2 (en) | 2013-11-06 | 2018-08-14 | H. Lee Moffitt Cancer Center and Research Insititute, Inc. | Pathology case review, analysis and prediction |
US8977339B1 (en) | 2013-12-05 | 2015-03-10 | Intrinsic Medical Imaging Llc | Method for assessing stenosis severity through stenosis mapping |
US9311570B2 (en) * | 2013-12-06 | 2016-04-12 | Kabushiki Kaisha Toshiba | Method of, and apparatus for, segmentation of structures in medical images |
US9220418B2 (en) | 2013-12-18 | 2015-12-29 | Heartflow, Inc. | Systems and methods for predicting coronary plaque vulnerability from patient-specific anatomic image data |
EP3083986B1 (en) | 2013-12-19 | 2020-05-27 | Hummingbird Diagnostics GmbH | Mirnas as non-invasive biomarkers for parkinson's disease |
US20150234921A1 (en) | 2014-02-20 | 2015-08-20 | Howe Li | Web-based Search Tool for Searching Literature Adverse Event Case Report |
US9501622B2 (en) | 2014-03-05 | 2016-11-22 | Heartflow, Inc. | Methods and systems for predicting sensitivity of blood flow calculations to changes in anatomical geometry |
JP6262027B2 (ja) | 2014-03-10 | 2018-01-17 | 東芝メディカルシステムズ株式会社 | 医用画像処理装置 |
NL2012459B1 (en) | 2014-03-18 | 2016-01-08 | Medis Ass B V | Method and device for determining deviation in pressure in a blood vessel. |
US9390232B2 (en) | 2014-03-24 | 2016-07-12 | Heartflow, Inc. | Systems and methods for modeling changes in patient-specific blood vessel geometry and boundary conditions |
US9785746B2 (en) | 2014-03-31 | 2017-10-10 | Heartflow, Inc. | Systems and methods for determining blood flow characteristics using flow ratio |
US9773219B2 (en) | 2014-04-01 | 2017-09-26 | Heartflow, Inc. | Systems and methods for using geometry sensitivity information for guiding workflow |
US9058692B1 (en) | 2014-04-16 | 2015-06-16 | Heartflow, Inc. | Systems and methods for image-based object modeling using multiple image acquisitions or reconstructions |
US9449145B2 (en) | 2014-04-22 | 2016-09-20 | Heartflow, Inc. | Systems and methods for virtual contrast agent simulation and computational fluid dynamics (CFD) to compute functional significance of stenoses |
US8958623B1 (en) | 2014-04-29 | 2015-02-17 | Heartflow, Inc. | Systems and methods for correction of artificial deformation in anatomic modeling |
US9595089B2 (en) | 2014-05-09 | 2017-03-14 | Siemens Healthcare Gmbh | Method and system for non-invasive computation of hemodynamic indices for coronary artery stenosis |
US9754082B2 (en) | 2014-05-30 | 2017-09-05 | Heartflow, Inc. | Systems and methods for reporting blood flow characteristics |
DE102014210591B4 (de) | 2014-06-04 | 2022-09-22 | Siemens Healthcare Gmbh | Fluiddynamische Analyse eines Gefäßbaums mittels Angiographie |
US9747525B2 (en) | 2014-06-16 | 2017-08-29 | Siemens Healthcare Gmbh | Method and system for improved hemodynamic computation in coronary arteries |
US9888968B2 (en) | 2014-07-22 | 2018-02-13 | Siemens Healthcare Gmbh | Method and system for automated therapy planning for arterial stenosis |
US9195801B1 (en) | 2014-08-05 | 2015-11-24 | Heartflow, Inc. | Systems and methods for treatment planning based on plaque progression and regression curves |
GB201414496D0 (en) * | 2014-08-15 | 2014-10-01 | Isis Innovation | Method |
US9386933B2 (en) | 2014-08-29 | 2016-07-12 | Heartflow, Inc. | Systems and methods for determination of blood flow characteristics and pathologies through modeling of myocardial blood supply |
US9390224B2 (en) | 2014-08-29 | 2016-07-12 | Heartflow, Inc. | Systems and methods for automatically determining myocardial bridging and patient impact |
US9668700B2 (en) | 2014-09-09 | 2017-06-06 | Heartflow, Inc. | Method and system for quantifying limitations in coronary artery blood flow during physical activity in patients with coronary artery disease |
US9292659B1 (en) | 2014-10-29 | 2016-03-22 | Heartflow, Inc. | Systems and methods for vessel reactivity to guide diagnosis or treatment of cardiovascular disease |
US9336354B1 (en) | 2014-11-04 | 2016-05-10 | Heartflow, Inc. | Systems and methods for simulation of hemodialysis access and optimization |
US9594876B2 (en) | 2014-11-04 | 2017-03-14 | Heartflow, Inc. | Systems and methods for simulation of occluded arteries and optimization of occlusion-based treatments |
US9349178B1 (en) | 2014-11-24 | 2016-05-24 | Siemens Aktiengesellschaft | Synthetic data-driven hemodynamic determination in medical imaging |
US20160203289A1 (en) | 2015-01-14 | 2016-07-14 | Heartflow, Inc. | Systems and methods for embolism prediction using embolus source and destination probabilities |
US10002419B2 (en) | 2015-03-05 | 2018-06-19 | Siemens Healthcare Gmbh | Direct computation of image-derived biomarkers |
WO2016168474A1 (en) | 2015-04-17 | 2016-10-20 | Heartflow, Inc. | Systems and methods for assessment of tissue function based on vascular disease |
US9839483B2 (en) | 2015-04-21 | 2017-12-12 | Heartflow, Inc. | Systems and methods for risk assessment and treatment planning of arterio-venous malformation |
US11301991B2 (en) | 2015-06-12 | 2022-04-12 | International Business Machines Corporation | Methods and systems for performing image analytics using graphical reporting associated with clinical images |
US9785748B2 (en) | 2015-07-14 | 2017-10-10 | Heartflow, Inc. | Systems and methods for estimating hemodynamic forces acting on plaque and monitoring patient risk |
US11094058B2 (en) | 2015-08-14 | 2021-08-17 | Elucid Bioimaging Inc. | Systems and method for computer-aided phenotyping (CAP) using radiologic images |
US11393137B2 (en) * | 2016-10-31 | 2022-07-19 | Oxford University Innovation Limited | Method for predicting cardiovascular risk |
US10740880B2 (en) * | 2017-01-18 | 2020-08-11 | Elucid Bioimaging Inc. | Systems and methods for analyzing pathologies utilizing quantitative imaging |
EP3375364B1 (en) | 2017-01-23 | 2024-08-28 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for analyzing blood flow state |
US10503959B2 (en) | 2017-03-03 | 2019-12-10 | Case Western Reserve University | Predicting cancer progression using cell run length features |
CA3112356A1 (en) * | 2018-10-17 | 2020-04-23 | Heartflow, Inc. | Systems and methods for assessing cardiovascular disease and treatment effectiveness from adipose tissue |
US10813612B2 (en) * | 2019-01-25 | 2020-10-27 | Cleerly, Inc. | Systems and method of characterizing high risk plaques |
-
2020
- 2020-08-04 WO PCT/US2020/044845 patent/WO2021026125A1/en unknown
- 2020-08-04 EP EP20851022.2A patent/EP3899864A4/en active Pending
- 2020-08-04 JP JP2021544516A patent/JP2022543330A/ja active Pending
- 2020-08-04 KR KR1020217024349A patent/KR20210121062A/ko not_active Application Discontinuation
- 2020-08-04 CN CN202080011809.8A patent/CN113439287A/zh active Pending
- 2020-08-04 US US16/984,640 patent/US11508063B2/en active Active
-
2022
- 2022-08-18 US US17/890,822 patent/US20220392070A1/en not_active Abandoned
-
2023
- 2023-04-18 JP JP2023067549A patent/JP2023093605A/ja active Pending
- 2023-05-17 US US18/319,003 patent/US20230386026A1/en active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006062958A2 (en) * | 2004-12-10 | 2006-06-15 | Worcester Polytechnic Institute | Image-based computational mechanical analysis and indexing for cardiovascular diseases |
US20060149522A1 (en) * | 2004-12-10 | 2006-07-06 | Dalin Tang | Image-based computational mechanical analysis and indexing for cardiovascular diseases |
US20110295579A1 (en) * | 2009-02-25 | 2011-12-01 | Dalin Tang | Automatic vascular model generation based on fluid-structure interactions (fsi) |
US20170046839A1 (en) * | 2015-08-14 | 2017-02-16 | Elucid Bioimaging Inc. | Systems and methods for analyzing pathologies utilizing quantitative imaging |
US20190159737A1 (en) * | 2015-08-14 | 2019-05-30 | Elucid Bioimaging Inc. | Methods and systems for utilizing quantitative imaging |
US20190172197A1 (en) * | 2015-08-14 | 2019-06-06 | Elucid Bioimaging Inc. | Methods and systems for utilizing quantitative imaging |
US20190180438A1 (en) * | 2015-08-14 | 2019-06-13 | Elucid Bioimaging Inc. | Methods and systems for utilizing quantitative imaging |
WO2019016309A1 (en) * | 2017-07-19 | 2019-01-24 | Koninklijke Philips N.V. | ESTIMATION OF INFLAMMATION FROM RADIOGRAPHIC IMAGE DATA |
Non-Patent Citations (1)
Title |
---|
TERUYOSHI KUME ET AL.: "Measurement of the thickness of the fibrous cap by optical coherence tomography", 《AMERICAN HEART JOURNAL》, vol. 52, no. 4, pages 755 * |
Also Published As
Publication number | Publication date |
---|---|
US11508063B2 (en) | 2022-11-22 |
EP3899864A4 (en) | 2022-08-31 |
US20220392070A1 (en) | 2022-12-08 |
KR20210121062A (ko) | 2021-10-07 |
JP2023093605A (ja) | 2023-07-04 |
US20210042918A1 (en) | 2021-02-11 |
WO2021026125A1 (en) | 2021-02-11 |
JP2022543330A (ja) | 2022-10-12 |
US20230386026A1 (en) | 2023-11-30 |
EP3899864A1 (en) | 2021-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12045983B2 (en) | Functional measures of stenosis significance | |
US11120312B2 (en) | Quantitative imaging for cancer subtype | |
US20210282719A1 (en) | Non-invasive risk stratification for atherosclerosis | |
US20210312622A1 (en) | Quantitative imaging for instantaneous wave-free ratio (ifr) | |
KR102491988B1 (ko) | 정량적 이미징을 이용하기 위한 방법 및 시스템 | |
US11508063B2 (en) | Non-invasive measurement of fibrous cap thickness | |
US12008751B2 (en) | Quantitative imaging for detecting histopathologically defined plaque fissure non-invasively | |
US20210390689A1 (en) | Non-invasive quantitative imaging biomarkers of atherosclerotic plaque biology | |
US20190180438A1 (en) | Methods and systems for utilizing quantitative imaging | |
US20230368365A9 (en) | Quantitative imaging for detecting histopathologically defined plaque erosion non-invasively | |
JP7542578B2 (ja) | 定量的イメージングを利用するための方法およびシステム | |
US12073561B2 (en) | Multiscale modeling to determine molecular profiles from radiology |
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 |