DE202014010690U1 - System zum Bewerten der Qualität medizinischer Bilder wenigstens eines Teils der Anatomie eines Patienten - Google Patents

System zum Bewerten der Qualität medizinischer Bilder wenigstens eines Teils der Anatomie eines Patienten Download PDF

Info

Publication number
DE202014010690U1
DE202014010690U1 DE202014010690.8U DE202014010690U DE202014010690U1 DE 202014010690 U1 DE202014010690 U1 DE 202014010690U1 DE 202014010690 U DE202014010690 U DE 202014010690U DE 202014010690 U1 DE202014010690 U1 DE 202014010690U1
Authority
DE
Germany
Prior art keywords
image
patient
anatomy
images
image quality
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.)
Expired - Lifetime
Application number
DE202014010690.8U
Other languages
English (en)
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.)
HeartFlow Inc
Original Assignee
HeartFlow Inc
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 HeartFlow Inc filed Critical HeartFlow Inc
Publication of DE202014010690U1 publication Critical patent/DE202014010690U1/de
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Images

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
    • 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
    • A61B5/026—Measuring blood flow
    • 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
    • A61B5/026—Measuring blood flow
    • A61B5/0261—Measuring blood flow using optical means, e.g. infrared light
    • 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
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • 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
    • A61B8/0883—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the heart
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • 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
    • A61B5/026—Measuring blood flow
    • A61B5/0263—Measuring blood flow using NMR
    • 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]
    • A61B6/037—Emission tomography
    • 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
    • A61B6/507—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 determination of haemodynamic parameters, e.g. perfusion 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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • 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
    • A61B6/5294—Devices using data or image processing specially adapted for radiation diagnosis involving using additional data, e.g. patient information, image labeling, acquisition parameters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/563—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution of moving material, e.g. flow contrast angiography
    • G01R33/5635—Angiography, e.g. contrast-enhanced angiography [CE-MRA] or time-of-flight angiography [TOF-MRA]
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/10108—Single photon emission computed tomography [SPECT]
    • 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
    • G06T2207/10132—Ultrasound image
    • 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
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • 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
    • G06T2207/30172—Centreline of tubular or elongated structure
    • 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
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • 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

Landscapes

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

Abstract

System zum Bewerten der Qualität medizinischer Bilder wenigstens eines Teils der Anatomie eines Patienten, wobei das System umfasst: – eine digitale Speichervorrichtung, die Anweisungen zum Bewerten der Qualität medizinscher Bilder wenigstens eines Teils der Anatomie eines Patienten speichert, und – eine Verarbeitungseinheit, die dazu konfiguriert ist, die Instruktionen auszuführen, um ein Verfahren durchzuführen, das Folgendes umfasst: – Empfangen eines oder mehrerer Bilder wenigstens eines Teils der Anatomie eines Patienten, – Bestimmen eines oder mehrerer Bildmerkmale des/der empfangenen Bilder unter Verwendung einer Verarbeitungseinheit des Computersystems, wobei das eine oder die mehreren Bildmerkmal(e) entweder eine Gesamtheit eines der erhaltenen Bilder oder mehrerer der empfangenen Bilder definieren, – Durchführen einer anatomischen Lokalisation oder Modellierung wenigstens eines Teils der Anatomie des Patienten basierend auf den empfangenen Bildern unter Verwendung einer Verarbeitungseinheit des Computersystems, – Erhalten, für ein ausgewähltes der empfangenen Bilder, einer Identifikation einer oder mehrerer Bildeigenschaft(en) des ausgewählten Bildes, wobei die eine oder mehreren Bildeigenschaft(en) mit einer anatomischen Besonderheit der Anatomie des Patienten verbunden ist/sind, basierend auf der anatomischen Lokalisation oder Modellierung, und – Berechnen einer Bildqualitätsbewertungszahl für das ausgewählte der empfangenen Bilder basierend auf dem einen oder den mehreren Bildmerkmal(en) und der einen oder den mehreren Bildeigenschaft(en) des ausgewählten der empfangenen Bilder unter Verwendung einer Verarbeitungseinheit des Computersystems.

Description

  • TECHNISCHES GEBIET DER ERFINDUNG
  • Diese Anmeldung beansprucht den Vorteil der Priorität der vorläufigen US-Anmeldung Nr. 61/793,162, eingereicht am 15. März 2013, die hierin durch Verweis in ihrer Gesamtheit eingeschlossen sind.
  • TECHNISCHES GEBIET DER ERFINDUNG
  • Ausführungsformen der vorliegenden Offenbarung betreffen Systeme zum Bewerten medizinischer Bildqualität und insbesondere Systeme zum Bewerten medizinischer Bildqualität betreffend die patientenspezifische Modellierung einer Anatomie und/oder eines Blutflusses.
  • HINTERGRUND DER ERFINDUNG
  • Medizinische Bildgebung ist eine wichtige Technologie, die verwendet wird, um anatomische und physiologische Daten über den Körper, die Organe, Gewebe eines Patienten, oder einen Teil davon, zur klinischen Diagnose und Planung einer Behandlung zu erfassen. Medizinische Bildgebung umfasst, ist jedoch nicht darauf beschränkt, Radiografie, Computertomografie (CT), Magnetresonanzbildgebung (MRI), Fluoroskopie, Einzel-Photonen-Emissions-Computertomografie (SPECT), Positronen-Emissions-Tomografie (PET), Szintigrafie, Ultraschall und spezifische Techniken, wie Echokardiografie, Mammografie, intravaskulärer Ultraschall und Angiografie. Bilddaten können durch nichtinvasive oder invasive Eingriffe erfasst werden. Die Gebiete der Kardiologie, Neurowissenschaften, Onkologie, Orthopädie und viele andere können aus den in der medizinischen Bildgebung erfassten Informationen Nutzen ziehen.
  • Insbesondere im Gebiet der Kardiologie ist es wohl bekannt, dass Erkrankungen der Koronararterien dazu führen können, dass an den Blutgefäßen, die Blut zum Herzen leiten, Läsionen entwickelt werden, wie eine Stenose (anormale Verengung eines Blutgefäßes). Dadurch kann der Blutfluss zum Herzen eingeschränkt sein. Ein Patient, der an einer Erkrankung der Koronararterien leidet, kann Brustschmerzen verspüren, die, wenn sie während körperlicher Ertüchtigung auftreten, als chronische stabile Angina oder, wenn sich der Patient im Ruhezustand befindet, als instabile Angina bezeichnet werden. Eine schwerwiegendere Erscheinungsform der Erkrankung kann zu einem Myokardinfarkt oder einem Herzinfarkt führen. Es besteht ein Bedarf, genauere Daten betreffend Koronarläsionen bereitzustellen, z.B. betreffend die Größe, die Form, den Ort, die funktionelle Signifikanz (z.B. ob sich die Läsion auf den Blutfluss auswirkt) usw. Patienten, die an Brustschmerzen leiden und/oder Symptome einer Erkrankung der Koronararterien aufweisen, können einem oder mehreren Tests unterzogen werden, wie basierend auf medizinischer Bildgebung, die einige indirekte Nachweise betreffend Koronarläsionen bereitstellen können.
  • Zusätzlich zu CT, SPECT und PT kann die Verwendung medizinischer Bildgebung zur nichtinvasiven Koronarbewertung auch Elektrokardiogramme, eine Auswertung von Biomarkern aus Bluttests, Laufbandtests und Echokardiografie umfassen. Diese nichtinvasiven Tests stellen typischerweise jedoch keine direkte Bewertung von Koronarläsionen oder Bewertungen von Blutflussraten bereit. Die nichtinvasiven Tests können indirekte Nachweise für Koronarläsionen bereitstellen, indem nach Veränderungen der elektrischen Aktivität der Herzens (z.B. unter Verwendung von Elektrokardiografie (EKG)), der Bewegung des Myokards (z.B. unter Verwendung von Belastungsechokardiografie), der Perfusion des Myokards (z.B. unter Verwendung von PET oder SPECT) oder metabolischen Veränderungen (z.B. unter Verwendung von Biomarkern) gesucht wird.
  • Zum Beispiel können anatomische Daten nichtinvasiv unter Verwendung einer koronaren Computertomografie-Angiografie (CCTA) erfasst werden. CCTA kann zur Bildgebung für Patienten mit Brustschmerzen verwendet werden und umfasst die Verwendung der CT-Technologie, um das Herz und die Koronararterien nach einer intravenösen Infusion eines Kontrastmittels bildlich darzustellen. CCTA kann jedoch auch keine direkten Informationen über die funktionelle Signifikanz von Koronarläsionen bereitstellen, z.B. ob die Läsionen den Blutfluss beeinträchtigen. Zusätzlich, da CCTA ein ausschließlich diagnostischer Test ist, kann sie weder verwendet werden, Veränderungen im Koronarblutfluss, -druck oder der Myokardperfusionen unter anderen physiologischen Zuständen (z.B. bei körperlicher Ertüchtigung) bereitstellen, noch dafür verwendet werden, die Ergebnisse von Eingriffen vorherzusagen.
  • Demnach benötigen Patienten unter Umständen außerdem einen invasiven Test, wie eine diagnostische Herzkatheterisierung, um Koronarläsionen bildlich darzustellen. Diagnostische Herzkatheterisierung kann das Durchführen einer konventionellen Koronarangiografie (CCA) umfassen, um anatomische Daten über Koronarläsionen zu sammeln, indem einem Arzt ein Bild der Größe und Form der Arterien bereitgestellt wird. CCA stellt jedoch keine Daten zum Bewerten der funktionellen Signifikanz von Koronarläsionen bereit. Zum Beispiel ist ein Arzt unter Umständen nicht in der Lage, zu diagnostizieren, ob eine Koronarläsion schädlich ist, ohne zu bestimmen, ob die Läsion funktionell signifikant ist. Demnach hat CCA zu etwas geführt, das als ein "okulostenotischer Reflex" einiger interventioneller Kardiologen bezeichnet wird, für jede unter Verwendung von CCA gefundene Läsion einen Stent einzusetzen, unabhängig davon, ob die Läsion funktionell signifikant ist. Dadurch kann CCA zu unnötigen Operationen an Patienten führen, was zusätzliche Risiken für Patienten und unnötige Behandlungskosten für Patienten verursachen kann.
  • Während einer diagnostischen Herzkatheterisierung kann die funktionelle Signifikanz einer Koronarläsion invasiv bewertet werden, indem die der fraktionelle Flussreserve (FFR) einer erkannten Läsion gemessen wird. FFR ist als das Verhältnis des durchschnittlichen Blutdrucks stromabwärts einer Läsion geteilt durch den durchschnittlichen Blutdruck stromaufwärts der Läsion, z.B. den Aortendruck, unter Bedingungen mit erhöhtem Koronarblutflusses, z.B. bedingt durch intravenöse Verabreichung von Adenosin. Die Blutdrücke können durch Einführen eines Druckdrahtes in den Patienten gemessen werden. Demnach kann die Entscheidung, eine Läsion basierend auf der bestimmten FFR zu behandeln, getroffen werden, nachdem die Vorkosten und das Risiko einer diagnostischen Herzkatheterisierung bereits angefallen sind.
  • Um die Lücken zu schließen, die durch jede von den oben beschriebenen ausschließlich medizinischen Bildgebungs- und invasiven Eingriffen hinterlassen werden, hat die Firma HeartFlow, Inc. eine Simulations- und Modellierungstechnologie basierend auf patientenspezifischen Bilddaten entwickelt. Zu den verschiedenen Simulationen, Modellierungen und computergestützten Technologien zählen z.B., jedoch ohne darauf beschränkt zu sein:
    computergestützte Mechanik, numerische Strömungsmechanik (computational fluid dynamics – CFD), numerische Simulation, Multiskalamodellierung, Monte-Carlo-Simulation, maschinelles Lernen, künstliche Intelligenz und verschiedene andere computergestützte Verfahren, mathematischer Modelle zu lösen. Diese Techniken können u.a. Informationen über Biomechanik, Fluidmechanik, Veränderungen der Anatomie und Physiologie im Laufe der Zeit, Elektrophysiologie, Belastungen und Beanspruchungen auf das Gewebe, Organfunktion und neurologische Funktion bereitstellen. Diese Informationen können zum Zeitpunkt der Bildgebungsstudie oder der Vorhersage von Veränderungen im Laufe der Zeit als Ergebnis medizinischer Eingriffe oder dem Verlauf von Zeit und Fortschreiten der Krankheit bereitgestellt werden.
  • Eine illustrative Anwendung der computergestützten Simulation und Modellierung ist von der Firma HeartFlow, Inc. zur Modellierung des vaskulären Blutflusses aus nichtinvasiven Bilddaten beschrieben, einschließlich der Bewertung des Effekts verschiedener medizinischer, interventioneller oder chirurgischer Behandlungen (siehe z.B. die US-Patente Nr. 8,386,188 , 8,321,150 , 8,315,814 , 8,315,813 , 8,315,812 , 8,311,750 , 8,311,748 , 8,311,747 und 8,157,742 ). Insbesondere hat die Firma HeartFlow, Inc. nichtinvasive Verfahren zum Bewerten der Koronaranatomie, Myokardperfusion und des Koronararterienflusses entwickelt, um die oben genannten Nachteile invasiver FFR-Messungen zu reduzieren. Insbesondere haben sich CFD-Simulationen als erfolgreich erwiesen, die verwendet werden, um räumliche und zeitliche Variationen der Flussrate und des Blutdrucks in Arterien, einschließlich FFR, vorherzusagen. Solche Verfahren und Systeme sind für Kardiologen von Nutzen, die Patienten mit Verdacht auf Erkrankungen der Koronararterien diagnostizieren und Behandlungen für diese planen und den Koronararterienfluss und Myokardperfusion unter Bedingungen vorhersagen, unter denen nicht direkt gemessen werden kann, z.B. bei körperlichen Ertüchtigung, und um Folgen medizinischer, interventioneller und chirurgischer Behandlungen auf den Koronararterienblutfluss und die Myokardperfusion vorherzusagen.
  • Für die oben beschriebenen Techniken sowie für viele andere Anwendungen der bildgebungsbasierenden Modellierung und Simulation sind die Eigenschaften und Qualität der Bilddaten wichtig. Während der Einholung medizinischer Bilddaten können mehrere Artefakte oder Einschränkungen vorhanden sein, welche die Qualität des Bildes beeinflussen können. Zum Beispiel können die Einstellungen und Fähigkeiten räumlicher und zeitlicher Auflösung, Energie-Gewebe-Wechselwirkungen, Patienten- oder Organbewegung, Rekonstruktionsalgorithmen, Hardware-Fehler, Zeitaufnahme oder Einholung, Detektorsensitivität, verabreichte Medikation oder Kontrastmittel, Patientenvorbereitung und verschiedene andere Faktoren die resultierende Bildqualität beeinflussen. Zu diesen Effekten zählen, jedoch nicht darauf beschränkt, schlechte Auflösung, Bewegungs- oder Unschärfeartefakte, starkes Rauschen, niedriger Kontrast des Gewebes, schlechte Perfusion, partieller Volumeneffekt, Verzerrung, Abschneiden von Strukturen, Schattierung usw. Da diese Qualitätsprobleme die Leistung und Genauigkeit der Modelle und Simulationen basierend auf den Bilddaten beeinträchtigen können, besteht ein Bedarf zu bestimmen, ob die Bildqualität geeignet ist, oder den Effekt der Bildqualität auf Modellierungs- und Simulationsergebnisse zu bestimmen.
  • OFFENBARUNG DER ERFINDUNG
  • Es besteht ein Bedarf für Systeme zum Bewerten und Quantifizieren medizinischer Bildqualität und insbesondere für Systeme zum Bewerten und Quantifizieren medizinischer Bildqualität in Bezug auf eine patientenspezifische Modellierung des Blutflusses.
  • Die Aufgabe wird gelöst von einem System gemäß Anspruch 1. Vorteilhafte Ausgestaltungen und Weiterbildungen sind Gegenstand der Unteransprüche.
  • Das erfindungsgemäße System impliziert auch ein Verfahren, weshalb nachfolgend sowohl Ausgestaltungen verschiedener erfindungsgemäßer Systems als auch entsprechender Verfahren beschrieben werden, um den Anwender der Erfindung bestmöglich in die Lage zu versetzen, Nutzen aus der Erfindung zu ziehen.
  • Gemäß einer Ausführungsform werden Verfahren zum Bewerten der Qualität medizinischer Bilder wenigstens eines Teils der Anatomie eines Patienten unter Verwendung eines Computersystems offenbart. Ein Verfahren umfasst dabei Empfangen eines oder mehrerer Bilder wenigstens eines Teils der Anatomie eines Patienten, Bestimmen eines oder mehrerer Bildmerkmale des/der empfangenen Bilder unter Verwendung einer Verarbeitungseinheit des Computersystems, Durchführen einer anatomischen Lokalisation oder Modellierung wenigstens eines Teils der Anatomie eines Patienten basierend auf den empfangenen Bildern unter Verwendung einer Verarbeitungseinheit des Computersystems, Erhalten einer Identifikation einer oder mehrerer Bildeigenschaft(en), die mit einer anatomischen Besonderheit der Anatomie des Patienten verbunden sind, basierend auf der anatomischen Lokalisation oder Modellierung, und Berechnen einer Bildqualitätsbewertungszahl basierend auf dem einen oder den mehreren Bildmerkmal(en) und der einen oder den mehreren Bildeigenschaft(en) unter Verwendung einer Verarbeitungseinheit des Computersystems.
  • Gemäß einer anderen Ausführungsform werden Systeme zum Bewerten der Qualität medizinischer Bilder wenigstens eines Teils der Anatomie eines Patienten offenbart. Ein System umfasst eine digitale Speichervorrichtung, das Anweisungen zum Bewerten der Qualität medizinischer Bilder wenigstens eines Teils der Anatomie eines Patienten speichert, und eine Verarbeitungseinheit, die dazu konfiguriert ist, die Anweisungen auszuführen, um ein Verfahren durchzuführen, das umfasst: Empfangen eines oder mehrerer Bilder wenigstens eines Teils der Anatomie eines Patienten, Bestimmen eines oder mehrerer Bildmerkmale des/der empfangenen Bilder unter Verwendung einer Verarbeitungseinheit des Computersystems, Durchführen einer anatomischen Lokalisation oder Modellierung wenigstens eines Teils der Anatomie eines Patienten basierend auf den empfangenen Bildern unter Verwendung einer Verarbeitungseinheit des Computersystems, Erhalten einer Identifikation einer oder mehrerer Bildeigenschaft(en), die mit einer anatomischen Besonderheit der Anatomie des Patienten verbunden ist/sind, basierend auf der anatomischen Lokalisation oder Modellierung, und Berechnen einer Bildqualitätsbewertungszahl basierend auf dem einen oder den mehreren Bildmerkmal(en) und der einen oder den mehreren Bildeigenschaft(en) unter Verwendung einer Verarbeitungseinheit des Computersystems.
  • Gemäß einer weiteren Ausführungsform wird ein nichtflüchtiges, computerlesbares Medium zur Verwendung auf wenigstens einem Computersystem offenbart, das computerausführbare Programmieranweisungen zum Bewerten der Qualität medizinischer Bilder wenigstens eines Teils der Anatomie eines Patienten enthält, die bei Ausführung durch das wenigstens eine Computersystem die Leistung eines Verfahrens verursacht, das umfasst: Empfangen eines oder mehrerer Bilder wenigstens eines Teils der Anatomie eines Patienten, unter Verwendung einer Verarbeitungseinheit des Computersystems, Bestimmen eines oder mehrerer Bildmerkmale der empfangenen Bilder, Durchführen einer anatomischen Lokalisation oder Modellierung wenigstens eines Teils der Anatomie eines Patienten basierend auf den empfangenen Bilder unter Verwendung einer Verarbeitungseinheit des Computersystems, Erhalten einer Identifikation eines oder mehrerer Bildeigenschaft(en), die mit einem anatomischen Merkmal der Anatomie des Patienten verbunden sind, basierend auf der anatomischen Lokalisation oder Modellierung, und Berechnen einer Bildqualitätsbewertungszahl basierend auf dem einen oder den mehreren Bildmerkmal(en) und der einen oder den mehreren Bildeigenschaft(en) unter Verwendung einer Verarbeitungseinheit des Computersystems.
  • Zusätzliche Ausführungsformen und Vorteile werden teilweise in der folgenden Beschreibung ausgeführt und sind teilweise aus der Beschreibung offensichtlich oder können durch die Umsetzen der Offenbarung erlernt werden. Die Ausführungsformen und Vorteile sind anhand der Elemente und Kombinationen, die insbesondere nachstehend dargelegt werden, realisiert und erzielt.
  • Weitere Einzelheiten und Vorteile der Erfindung ergeben sich aus der nachfolgenden rein beispielhaften und nicht-beschränkenden Beschreibung eines Ausführungsbeispiels in Verbindung mit der elf Figuren umfassenden Zeichnung.
  • KURZE BESCHREIBUNG DER ZEICHNUNG
  • 1 ist ein schematisches Diagramm eines Systems zum Bestimmen verschiedener Informationen betreffend den Koronarblutfluss in einem spezifischen Patienten, gemäß einer beispielhaften Ausführungsform.
  • 2 ist ein Ablaufdiagramm eines Verfahrens zum Bestimmen verschiedener Informationen betreffend den Koronarblutfluss in einem spezifischen Patienten, gemäß einer beispielhaften Ausführungsform.
  • 3 ist ein Ablaufdiagramm, das ein beispielhaftes Verfahren zum Bewerten einer medizinischen Bildqualität, zum Erzeugen eines Maß der Bildqualität und zum Verwenden eines Maßes der Bildqualität beschreibt, gemäß verschiedener beispielhafter Ausführungsformen.
  • 4 ist ein Ablaufdiagramm, das ein beispielhaftes Verfahren zum Ermöglichen und zum Durchführen einer benutzergesteuerten Bewertung einer medizinischen Bildqualität beschreibt, gemäß einer beispielhaften Ausführungsform.
  • 5 ist ein Ablaufdiagramm, das ein beispielhaftes Verfahren zum Durchführen einer computergesteuerten Bewertung einer medizinischen Bildqualität, zum Erzeugen eines Maßes der Bildqualität und zum Verwenden des Maßes der Bildqualität beschreibt, gemäß verschiedener beispielhafter Ausführungsformen.
  • 6 ist ein Ablaufdiagramm, das ein beispielhaftes Verfahren zum Bewerten einer medizinischen Bildqualität, zum Erzeugen eines Maßes der Bildqualität und zum Verwenden eines Maßes der Bildqualität im Zusammenhang mit einer Schätzung der fraktionellen Koronarflussreservewerte beschreibt, gemäß verschiedener beispielhafter Ausführungsformen.
  • 7A ist ein beispielhafter Boxplot eines fraktionellen Flussreservefehlers und Zulassung oder Zurückweisung basierend auf einem CT-Bildqualitätsüberblick, gemäß verschiedener beispielhafter Ausführungsformen.
  • 7B ist ein beispielhafter Boxplot eines fraktionellen Flussreservefehlers und einer Bewertungszahl basierend auf einem CT-Bildqualitätsüberblick, gemäß verschiedener beispielhafter Ausführungsformen.
  • 8 ist ein beispielhaftes Balkendiagramm, das die Vergleiche zwischen Leistung oder Genauigkeit einer fraktionellen Flussreserve und einer Computertomographie basierend auf einer Bildqualität, durch die Anzahl von Gefäßen, darstellt, gemäß verschiedener beispielhafter Ausführungsformen.
  • 9 ist eine Tabelle, die eine beispielhafte Rubrik für die Bewertungszahlen von Bildeigenschaften basierend auf Lumenbesonderheiten kardiovaskulärer Gefäße darstellt, gemäß verschiedener beispielhafter Ausführungsformen.
  • 10 ist ein Screenshot einer beispielhaften Schnittstelle zum Anzeigen von Computertomographie-Qualitätsbewertungen gegenüber der Referenzleistung, gemäß verschiedenen beispielhaften Ausführungsformen.
  • BESCHREIBUNG BEVORZUGTER AUSFÜHRUNGSFORMEN
  • An dieser Stelle wird nun ausführlich auf die beispielhaften Ausführungsformen Bezug genommen, deren Beispiele in den beigefügten Zeichnungen dargestellt sind. Wo immer möglich, werden dieselben Bezugszeichen durch die Zeichnungen verwendet, um auf dieselben oder ähnliche Teile hinzuweisen.
  • Die vorliegende Offenbarung betrifft die Bewertung und Quantifizierung der Qualität medizinischer Bilder. In einer Ausführungsform beschreibt die vorliegende Offenbarung Systeme und Verfahren zum Bewerten der Bildqualität zum Zweck der Vorhersage oder Analyse der Genauigkeit und Leistung einer medizinischen Bildgebungssimulation und -modellierung. In einer Ausführungsform umfasst ein Verfahren zum Bewerten einer medizinischen Bildqualität: Empfangen von Bilddaten und möglicherweise von Patienteninformationen, Durchführen einer Bewertung der Bildqualität mittels computerautomatisierter, benutzergesteuerter oder einer Kombination von Mitteln auf lokaler und/oder globaler Ebene, und Erzeugen eines Maßes der Bildqualität, die regional (z.B. für ein Gefäß) oder für einen gesamten Datensatz oder mehrfache Datensätze sind. In einer Ausführungsform kann ein Verfahren zum Bewerten einer medizinischen Bildqualität das Anwenden von Maßen der Bildqualität für eines oder mehrere der folgenden umfassen: (i) Beurteilen, ob die Bilddaten zum Erhalten der gewünschten Simulationsgenauigkeit, -präzision und/oder -leistung geeignet sind, (ii) Schätzen der Genauigkeit, Präzision oder der Verlässlichkeit der Simulationsergebnisse, (iii) Führen der Simulations- oder Modellierungstechniken, die am besten zum Erreichen der gewünschten Genauigkeit, Präzision und/oder Leistung geeignet sind, und/oder (iv) Auswählen, Kombinieren oder Korrigieren der besten Daten aus mehreren empfangenen Daten, um die gewünschte Genauigkeit, Präzision und/oder Leistung zu erreichen.
  • In einer Ausführungsform können Qualitätsprobleme oder Anomalien, jedoch ohne Einschränkung darauf, geringen Kontrast, Rauschen, Bewegung oder Unschärfe, Deckungsfehler oder Fehlausrichtung, geringe Auflösung, Partieller Volumeneffekt, Strahlaufhärtung, abgeschnittene vom Scan ausgeschlossene Anatomie, Streifenbildung, Scanfehler, fehlende Daten und/oder nicht übereinstimmende Kontrastzeitaufnahme umfassen. Falls diese Probleme Informationen von Interesse, wie die Anatomie der Koronararterien, auf solche Weise beeinflussen, dass sie die Qualität, Genauigkeit oder Leistung der Blutflussmodelle und -simulationen beeinflussen, dann kann es wünschenswert sein, die Bildqualitätsprobleme zu erkennen und zu bewerten. Danach kann die Qualität der Bilddaten auf ihre Wirkung auf die Fähigkeit, die gewünschten Informationen aus den Patientenbildern zu extrahieren, analysiert werden.
  • Bei einer beispielhaften Ausführungsform umfassen die offenbarten Verfahren und Systeme die Verwendung wenigstens eines Computers, der dazu konfiguriert ist, patientenspezifische Bilddaten zu empfangen, die wenigstens einen Teil des Koronarblutkreislaufes enthalten. Um den Koronarblutfluss aus den Bilddaten zu modellieren, können wenigstens einige Teile der Koronararterienanatomie gemessen, modelliert, segmentiert oder geschätzt werden. Zusätzlich können wenigstens einige Teile des Herzens, der Aorta, des Myokards, der Ventrikel, der Klappen, der Venen und anderer Strukturen des Herzens gemessen, modelliert, segmentiert oder geschätzt werden. Zusammen mit den anatomischen Repräsentationen, können Informationen über Kontrastwerte, Kontrastgradienten oder andere Maße für die Bildanalyse extrahiert werden, um das Modell darüber zu benachrichtigen.
  • Daher sind in einer solchen beispielhaften Ausführungsform Verfahren und Systeme zum Bestimmen der Bildqualität patientenspezifischer Bilddaten zum Zweck einer Blutflussmodellierung und -simulation offenbart. Eine solche Ausführungsform kann die Bewertung von Koronar-Computertomografie-Angiografie-(cCTA)-Bilddaten umfassen, um Informationen zu simulieren, die, jedoch nicht darauf beschränkt, Koronarblutfluss, Geschwindigkeit, Druck, Plaque und Wandbeanspruchung sowie fraktionelle Flussreserve (FFR) umfassen. Die Verfahren und Systeme können auch auf andere Bereiche des Blutkreislaufs, die, jedoch nicht darauf beschränkt, den Karotis-, Peripherie-, Abdominal-, Nieren- und Hirnblutkreislauf umfassen, sowie auch auf andere Modalitäten angepasst werden, die, jedoch nicht darauf beschränkt, MRI, PET, SPECT, Ultraschall und Angiografie umfassen.
  • Dementsprechend werden in bestimmten nachfolgenden Ausführungsformen Systeme und Verfahren zum Bewerten und Quantifizieren einer Bildqualität im Zusammenhang mit Bildern des Koronarblutkreislaufes zu beispielhaften Zwecken beschrieben. Ganz insbesondere werden in bestimmten Ausführungsformen Systeme und Verfahren zum Bewerten und Quantifizieren einer Bildqualität im Zusammenhang mit einem Analysieren der Bildqualität zu beispielhaften Zwecken beschrieben, die zum Modellieren eines patientenspezifischen Koronarblutkreislaufes und zum Simulieren des Blutflusses durch einen patientenspezifischen Koronarblutkreislauf verwendet werden. Es ist dabei jedoch zu beachten, dass die vorliegend offenbarten Techniken zum Bewerten und Quantifizieren der Bildqualität gleichwohl auf die Auswertung und Manipulierung medizinischer Bildgebung in Bezug auf eine beliebigen Anatomie oder in Bezug auf eine beliebige kardiovaskulären Auswertung unter beliebigen anderen medizinischen Diagnostiktechniken anwendbar sind.
  • Beispielhafter Kardiovaskulärer Zusammenhang
  • In einer Ausführungsform betrifft die vorliegende Offenbarung Verfahren und Systeme zum Bewerten einer Bildqualität im Zusammenhang mit dem Bestimmen von Blutflussinformationen in einem spezifischen Patienten unter Verwendung von vom Patienten nichtinvasiv erfassten Informationen. Verschiedene Ausführungsformen eines solchen Verfahrens und Systems sind im Einzelnen im US-Patent Nr. 8,315,812 , eingereicht am 25. Januar 2011 mit dem Titel "Method and System for Patient-Specific Modeling of Blood Flow" beschrieben, das hierin durch Verweis in seiner Gesamtheit eingeschlossen ist.
  • In manchen Ausführungsformen können sich die durch das Verfahren und das System bestimmten Informationen auf den Blutfluss in dem Koronarblutkreislauf des Patienten beziehen. Alternativ können sich die bestimmten Informationen auf den Blutfluss in anderen Bereichen des Blutkreislaufes des Patienten beziehen, wie z.B. den Karotis-, Peripherie-, Abdominal-, Nieren- und Hirnblutkreislauf. Der Koronarblutkreislauf umfasst ein komplexes Netzwerk an Gefäßen, die von großen Arterien bis hin zu Arteriolen, Kapillaren, Venolen, Venen usw. reichen. Der Koronarblutkreislauf zirkuliert Blut zum und im Herzen und umfasst eine Aorta, die Blut zu mehreren Hauptkoronararterien leitet (z.B. die linke vordere absteigende (LAD) Arterie, die linke Zirkumflex-(LCX)-Arterie, die rechte Koronararterie (RCA) usw.), die sich stromabwärts von der Aorta und den Hauptkoronararterien weiter in Äste von Arterien oder andere Gefäßarten aufteilen können. Demnach können das beispielhafte Verfahren und System verschiedene Informationen bestimmen, die sich auf den Blutfluss in der Aorta, den Hauptkoronararterien und/oder anderen Koronararterien oder Gefäßen stromabwärts von den Hauptkoronararterien beziehen. Wenngleich nachfolgend die Aorta und Koronararterien (und die davon abzweigenden Äste) beschrieben sind, können sich das offenbarte Verfahren und System auch auf andere Arten von Gefäßen beziehen.
  • In einer beispielhaften Ausführungsform können die durch die offenbarten Verfahren und Systeme bestimmten Informationen verschiedene Blutflusseigenschaften oder -parameter, wie Blutflussgeschwindigkeit, Druck (oder ein Verhältnis davon), Flussrate und FFR an verschiedenen Orten in der Aorta, den Hauptkoronararterien und/oder anderen Koronararterien oder Gefäßen stromabwärts von den Hauptkoronararterien umfassen, ohne darauf beschränkt zu sein. Diese Informationen können verwendet werden, um zu bestimmen, ob eine Läsion funktionell signifikant ist und/oder ob die Läsion behandelt werden soll. Diese Informationen können unter Verwendung von nichtinvasiv vom Patienten erfassten Informationen bestimmt werden. Dadurch kann die Entscheidung, ob eine Läsion behandelt werden soll oder nicht, ohne die mit invasiven Eingriffen verbundenen Kosten und Risiken getroffen werden.
  • 1 zeigt Aspekte eines Systems zum Bereitstellen verschiedener Informationen betreffend den Koronarblutfluss in einem spezifischen Patienten gemäß einer beispielhaften Ausführungsform. Ein dreidimensionales Modell 10 der Anatomie des Patienten kann unter Verwendung von nichtinvasiv vom Patienten erfassten Daten erzeugt werden, wie nachstehend ausführlicher beschrieben wird. Andere patientenspezifische Informationen können ebenfalls nichtinvasiv erfasst werden. Bei einer beispielhaften Ausführungsform kann der Teil der Anatomie des Patienten, der durch das dreidimensionale Modell 10 repräsentiert wird, wenigstens einen Teil der Aorta und einen proximalen Teil der Hauptkoronararterien (und der davon abzweigenden Äste), die mit der Aorta verbunden sind, umfassen.
  • Verschiedene physiologische Gesetze oder Verhältnisse 20 betreffend den Koronarblutfluss können z.B. aus experimentellen Daten, wie nachstehend ausführlicher beschrieben wird, abgeleitet werden. Unter Verwendung des dreidimensionalen anatomischen Modells 10 und der abgeleiteten physiologischen Gesetze 20 können mehrere Gleichungen 30, die sich auf den Koronarblutfluss beziehen, bestimmt werden, wie nachstehend ausführlicher beschrieben wird. Zum Beispiel können die Gleichungen 30 bestimmt und unter Verwendung eines beliebigen numerischen Verfahrens gelöst werden, z.B. Finite-Differenz-, Finite-Volumen-, Spektral-, Lattice-Boltzmann, teilchenbasierten, Level-Set, Finite-Element-Verfahren usw. Die Gleichungen 30 können auflösbar sein, um Informationen (z.B. Druck, Geschwindigkeit, FFR usw.) betreffend den Koronarblutfluss in der Anatomie des Patienten an verschiedenen Punkten in der durch das Modell 10 repräsentierten Anatomie zu bestimmen.
  • Die Gleichungen 30 können unter Verwendung eines Computersystems 40 gelöst werden. Basierend auf den gelösten Gleichungen kann das Computersystem 40 ein oder mehrere Bilder oder Simulationen ausgeben, die Informationen betreffend den Blutfluss in der durch das Modell 10 repräsentierten Anatomie des Patienten anzeigen. Zum Beispiel kann/können das/die Bild(er) ein simuliertes Blutdruckmodell 50, ein simuliertes Blutfluss- oder Geschwindigkeitsmodell 52, ein berechnetes FFR-(cFFR)-Modell 54 usw. umfassen, wie nachstehend ausführlicher beschrieben wird. Das simulierte Blutdruckmodell 50, das simulierte Blutflussmodell 52 und das cFFR-Modell 54 stellen Informationen betreffend den/die jeweilige/n Druck, Geschwindigkeit und cFFR an verschiedenen Orten entlang drei Dimensionen in der durch das Modell 10 repräsentierten Anatomie des Patienten bereit. Die cFFR kann als das Verhältnis des Blutdrucks an einem bestimmten Ort im Modell 10 geteilt durch den Blutdruck in der Aorta berechnet werden, z.B. an der Einflussgrenze des Modells 10, unter Bedingungen eines erhöhten Koronarblutflusses, z.B. herkömmlicherweise verursacht durch die intravenöse Verabreichung von Adenosin.
  • Bei einer beispielhaften Ausführungsform kann das Computersystem 40 eine oder mehrere nichtflüchtige, computerlesbare Speichervorrichtung(en) umfassen, die Anweisungen speichert/speichern, die, wenn sie von einer Verarbeitungseinheit, einem Computersystem usw. ausgeführt werden, jede beliebige der hierin beschriebenen Aktionen zum Bereitstellen verschiedener Informationsquellen betreffend den Blutfluss im Patienten ausführen können. Das Computersystem 40 kann einen Desktop oder tragbaren Computer, eine Arbeitsstation, einen Server, einen persönlichen digitalen Assistenten oder jedes beliebige andere Computersystem umfassen. Das Computersystem 40 kann eine Verarbeitungseinheit, einen Festwertspeicher (ROM), einen Arbeitsspeicher (RAM), einen Eingabe-/Ausgabe-(I/O)-Adapter zum Verbinden von Peripheriegeräten (z.B. einem Eingabegerät, Ausgabegerät, Speichervorrichtung usw.), einen Benutzerschnittstellenadapter zum Verbinden von Eingabegeräten, wie einer Tastatur, einer Maus, einem Touchscreen, einer Toneingabe und/oder anderen Geräten, einen Kommunikationsadapter zum Verbinden des Computersystems 40 mit einem Netzwerk, einen Anzeigeadapter zum Verbinden des Computersystems 40 mit einer Anzeige usw. umfassen. Zum Beispiel kann die Anzeige verwendet werden, um das dreidimensionale Modell 10 und/oder beliebige durch das Lösen der Gleichungen 30 erzeugte Bilder anzuzeigen, wie das simulierte Blutdruckmodell 50, das simulierte Blutflussmodell 52 und/oder das cFFR-Modell 54.
  • 2 zeigt Aspekte eines Verfahrens 60 zum Bereitstellen verschiedener Informationsquellen betreffend den Blutfluss in einem spezifischen Patienten gemäß einer anderen beispielhaften Ausführungsform. Das Verfahren kann das Erfassen patientenspezifischer anatomischer Daten, wie Informationen betreffend die Anatomie des Patienten (z.B. wenigstens einen Teil der Aorta und einen proximalen Teil der Hauptkoronararterien (und der davon abzweigenden Äste), die mit der Aorta verbunden sind) und das Vorverarbeiten der Daten (Schritt 62) umfassen. Die patientenspezifischen anatomischen Daten können nichtinvasiv erfasst werden, z.B. durch CCTA.
  • Ein dreidimensionales Modell der Anatomie des Patienten kann basierend auf den erfassten anatomischen Daten erzeugt werden (Schritt 64). Zum Beispiel kann das dreidimensionale Modell das oben in Verbindung mit 1 beschriebene dreidimensionale Modell 10 der Anatomie des Patienten sein.
  • Das dreidimensionale Modell kann für die Analyse vorbereitet werden und Grenzbedingungen können bestimmt werden (Schritt 66). Zum Beispiel können das oben in Verbindung mit 1 beschriebene dreidimensionale Modell 10 der Anatomie des Patienten getrimmt und in ein volumetrisches Netzwerk diskretisiert werden, z.B. ein Finite-Element- oder Finite-Volumen-Netz. Das volumetrische Netz kann verwendet werden, um die oben in Verbindung mit 1 beschriebenen Gleichungen 30 zu erzeugen.
  • Grenzbedingungen können ebenfalls zugewiesen und in die oben in Verbindung mit 1 beschriebenen Gleichungen 30 integriert werden. Die Grenzbedingungen stellen Informationen über das dreidimensionale Modell 10 an dessen Grenzwerten bereit, z.B. den Einflussgrenzen, Ausflussgrenzen, Gefäßwandgrenzen usw. Die Einflussgrenzen können die Grenzen umfassen, durch welche der Fluss in die Anatomie des dreidimensionalen Modells geleitet wird, wie am Ende der Aorta in der Nähe der Aortenwurzel. Jede Einflussgrenze kann durch Koppeln eines Herzmodells und/oder eines Lumped-Parameter-Modells mit der Grenze usw. z.B. ein vorbestimmter Wert oder ein Feld für Geschwindigkeit, Flussrate, Druck oder eine andere Eigenschaft, zugeordnet sein. Die Ausflussgrenzen können die Grenzen umfassen, durch welche der Fluss von der Anatomie des dreidimensionalen Modells nach außen gerichtet wird, wie an einem Ende der Aorta in der Nähe des Aortenbogens, und an den stromabwärts gelegenen Enden der Hauptkoronararterien und den davon abzweigenden Ästen. Jede Ausflussgrenze kann zugeordnet sein, z.B. durch Koppeln eines Lumped-Parameter- oder verteilten (z.B. eindimensionales Wellenausbreitungs-)Modells. Die vorgegebenen Werte der Einfluss- und/oder Ausflussgrenzbedingungen können durch nichtinvasives Messen physiologischer Eigenschaften des Patienten bestimmt werden, wie Herzleistung (das Volumen des Blutflusses vom Herzen), Blutdruck, Myokardmasse usw., wobei diese Auflistung nicht abschließend ist. Die Gefäßwandgrenzen können die physischen Grenzen der Aorta, der Hauptkoronararterien und/oder anderer Koronararterien oder Gefäße des dreidimensionalen Modells 10 umfassen.
  • Die rechnerische Analyse kann unter Verwendung des vorbereiteten dreidimensionalen Modells und der bestimmten Grenzbedingungen (Schritt 68) durchgeführt werden, um Blutflussinformationen für den Patienten zu bestimmen. Zum Beispiel kann die rechnerische Analyse mit den Gleichungen 30 und unter Verwendung des oben in Verbindung mit 1 beschriebenen Computersystems 40 durchgeführt werden, um die oben in Verbindung mit 1 beschriebenen Bilder zu erzeugen, wie das simulierte Blutdruckmodell 50, das simulierte Blutflussmodell 52 und/oder das cFFR-Modell 54.
  • Das Verfahren kann außerdem das Bereitstellen patientenspezifischer Behandlungsoptionen unter Verwendung der Ergebnisse (Schritt 70) umfassen. Zum Beispiel kann/können das in Schritt 64 erzeugte dreidimensionale Modell 10 und/oder die in Schritt 66 zugewiesenen Grenzbedingungen angepasst werden, um eine oder mehrere Behandlungen zu modellieren, z.B. das Einsetzen eines koronaren Stents in eine in dem dreidimensionalen Modell 10 repräsentierten Koronararterien oder andere Behandlungsoptionen. Danach kann die rechnerische Analyse wie oben in Schritt 68 beschrieben durchgeführt werden, um neue Bilder zu erzeugen, wie aktualisierte Versionen des Blutdruckmodells 50, des Blutflussmodells 52 und/oder des cFFR-Modells 54. Diese neuen Bilder können verwendet werden, um eine Veränderung in der Blutflussgeschwindigkeit und dem Druck zu bestimmen, wenn die Behandlungsoption(en) übernommen wird/werden.
  • Die hierin offenbarten Systeme und Verfahren können in ein Software-Tool integriert werden, auf das Ärzte zugreifen, um ein nichtinvasives Mittel zur Quantifizierung des Blutflusses in den Koronararterien bereitzustellen und die funktionelle Signifikanz einer Erkrankung der Koronararterien zu bewerten. Zusätzlich können Ärzte das Software-Tool verwenden, um die Auswirkung medizinischer, interventioneller und/oder chirurgischer Behandlungen auf den Koronararterienblutfluss vorherzusagen. Das Software-Tool kann die Erkrankung in anderen Teilen des kardiovaskulären Systems, einschließlich der Arterien im Hals (z.B. Halsschlagadern), der Arterien im Kopf (z.B. Hirnschlagadern), der Arterien im Thorax, der Arterien im Abdomen (z.B. der Bauchaorta und ihren Äste), der Arterien in den Armen oder der Arterien in den Beinen (z.B. der femoralen und poplitealen Arterien) verhindern, diagnostizieren, lindern und/oder behandeln. Das Software-Tool kann interaktiv sein, um es dem Arzt zu ermöglichen, optimal personalisierte Therapien für Patienten zu entwickeln.
  • Zum Beispiel kann das Software-Tool wenigstens teilweise in ein Computersystem integriert sein, zum Beispiel das in 1 dargestellte Computersystem 40, das von einem Arzt oder einem anderen Benutzer verwendet wird. Das Computersystem kann Daten empfangen, die nichtinvasiv vom Patienten erfasst wurden (z.B. Daten, die verwendet werden, um das dreidimensionale Modell 10 zu erzeugen, Daten, die verwendet werden, um Grenzbedingungen anzuwenden oder die rechnerische Analyse durchzuführen usw.). Zum Beispiel können die Daten vom Arzt eingegeben oder von einer anderen Quelle empfangen werden, die auf derartige Daten zugreifen oder sie bereitzustellen kann, wie ein Radiologie- oder anderes medizinisches Labor. Die Daten können über ein Netzwerk oder anderes System zum Kommunizieren der Daten, oder direkt auf das Computersystem übertragen werden. Das Software-Tool kann die Daten verwenden, um das dreidimensionale Modell 10 oder andere Modelle/Netzwerke und/oder beliebige Simulationen oder andere Ergebnisse zu erzeugen und anzuzeigen, die durch Lösen der oben in Verbindung mit 1 beschriebenen Gleichungen 30 bestimmt werden, wie das simulierte Blutdruckmodell 50, das simulierte Blutflussmodell 52 und/oder das cFFR-Modell 54. Demnach kann das Software-Tool die Schritte 62–70 durchführen. In Schritt 70 kann der Arzt weitere Eingaben an das Computersystem bereitstellen, um mögliche Behandlungsoptionen auszuwählen, und das Computersystem kann dem Arzt basierend auf den ausgewählten möglichen Behandlungsoptionen neue Simulationen anzeigen. Ferner kann jeder der in 2 dargestellten Schritte 62–70 unter Verwendung separater Softwarepakete oder Module durchgeführt werden.
  • Alternativ kann das Software-Tool als Teil eines web-basierten Dienstes oder eines anderen Dienstes, z.B. eines Dienstes, der von einer vom Arzt separaten Instanz bereitgestellt wird, bereitgestellt werden. Der Dienstanbieter kann zum Beispiel einen webbasierten Dienst betreiben und ein Webportal oder eine andere webbasierte Anwendung bereitstellen (die z.B. auf einem Server oder einem anderen durch den Dienstanbieter betriebenen Computersystem läuft), auf das/die Ärzte oder andere Benutzer über ein Netzwerk oder andere zum Kommunizieren von Daten zwischen Computersystemen zugreifen können. Zum Beispiel können die nichtinvasiv vom Patienten erfassten Daten an den Dienstanbieter bereitgestellt werden und der Dienstanbieter kann die Daten verwenden, um das dreidimensionale Modell 10 oder andere Modelle/Netze und/oder beliebige Simulationen oder andere durch das Lösen der oben in Verbindung mit 1 beschriebenen Gleichungen 30 bestimmte Ergebnisse zu erzeugen, wie das simulierte Blutdruckmodell 50, das simulierte Blutflussmodell 52 und/oder das cFFR-Modell 54. Dann kann der webbasierte Dienst Informationen betreffend das dreidimensionale Modell 10 oder andere Modelle/Netze und/oder Simulationen übertragen, sodass das dreidimensionale Modell 10 und/oder die Simulationen dem Arzt auf dem Computersystem des Arztes angezeigt werden kann/können. Demnach kann der webbasierte Dienst die Schritte 62–70 und beliebige andere unten beschriebene Schritte zum Bereitstellen patientenspezifischer Informationen durchführen. In Schritt 70 kann der Arzt weitere Eingaben bereitstellen, z.B. um mögliche Behandlungsoptionen auszuwählen oder die rechnerische Analyse anzupassen, und die Eingaben können an das vom Dienstanbieter betriebene Computersystems (z.B. über das Webportal) übertragen werden. Der webbasierte Dienst kann basierend auf den ausgewählten möglichen Behandlungsoptionen neue Simulationen oder andere Ergebnisse erzeugen und Informationen betreffend die neuen Simulationen zurück an den Arzt kommunizieren, sodass die neuen Simulationen dem Arzt angezeigt werden können.
  • Bildqualitätsbewertung
  • Die oben beschriebenen Techniken zur rechnerischen Modellierung für eine nichtinvasiv berechnete FFR kann von Bildqualitätsbewertungen profitieren. Dementsprechend beschreibt die vorliegende Offenbarung Verfahren und Systeme zum Quantifizieren und Bewerten der Effekte der Bildqualität auf die verfügbaren Daten in den anatomischen und mathematischen Modellen, die in der Simulation von Blutflusseigenschaften verwendet werden. Zusätzlich beschreibt die vorliegende Offenbarung Verfahren und Systeme zum Bewerten der Unsicherheit eines Gefäßes und anderer anatomischer Modelle basierend auf lokalen und globalen Bildmerkmalen und zum Berechnen von Verlässlichkeitsintervallen von simulierten Blutflussberechnungen basierend auf einer vorhergesagten Unsicherheit.
  • Bei einer beispielhaften Ausführungsform können die Verfahren und Systeme wenigstens einen Computer implementieren, der dazu konfiguriert ist, Bildqualitätsprobleme zu erkennen und zu bewerten. Bei einer beispielhaften Ausführungsform werden koronare Bilddaten durch eine Kombination von automatisierten und benutzergesteuerten Verfahren unter Verwendung wenigstens eines Computersystems analysiert. Wie nachstehend ausführlicher beschrieben wird, können die offenbarten Verfahren und Systeme vollständig automatisiert, vollständig benutzergesteuert oder sowohl automatisiert als auch benutzergesteuert sein. Die offenbarten Verfahren und Systeme können dazu konfiguriert sein, eine Bewertung durchzuführen, die eine Beurteilung oder Quantifizierung eines oder mehrerer der unten genannten potenziellen Bildqualitätsprobleme umfasst:
    • – Bildauflösung
    • – Schichtdicke
    • – Rekonstruktionskern
    • – Anzahl der gescannten Schichten
    • – fehlende Schichten oder fehlende Daten
    • – Erfassungsphase
    • – zur Zeit der Erfassung bereitgestellte Medikation
    • – Herzfrequenz zur Zeit der Erfassung
    • – anatomische Daten, die zwar erwünscht, jedoch nicht in den Bilddaten enthalten sind
    • – Vorhandensein anatomischer Anomalien
    • – Vorhandensein implantierter Vorrichtungen oder vorheriger Operationen
    • – Kontrastniveau
    • – Rauschniveau
    • – Kontrast-zu-Rauschen-Verhältnis
    • – Deckungsfehler oder Fehlausrichtung
    • – Bewegung oder Unschärfe
    • – Partieller Volumeneffekt oder Überbelichtung
    • – Strahlaufhärtung
    • – allgemein nicht interpretierbare oder schlecht definierte Bereiche
  • Bei einer beispielhaften Ausführungsform können diese Probleme auf einer globalen Ebene, lokalen Ebene oder sowohl auf globalen und lokalen Ebenen erkannt werden. Ein Problem auf globaler Ebene kann das Erkennen eines Bildqualitätsproblems basierend auf dem gesamten Bildvolumen umfassen und kann in manchen Fällen als ein "Bildmerkmal" bezeichnet werden. Ein Problem auf lokaler Ebene kann den Detektionsraum eines bestimmten Bereichs umfassen, z.B. um einige oder alle Koronararterien, Koronarplaque herum, entlang einer oder mehrerer Gefäßmittellinie(n) usw. und kann in manchen Fällen als eine "Bildeigenschaft" bezeichnet werden.
  • Bei einer beispielhaften Ausführungsform können die Systeme und Verfahren zum Bestimmen und Bewerten der Bildqualität eine Kombination aus automatisierter und benutzergesteuerter quantitativer und qualitativer Bewertung der lokalen und globalen Bildqualitätsprobleme basierend auf den zuvor genannten Qualitätsproblemen verwenden.
  • Bildqualitätsprobleme, wie CT-Bildgebungsartefakte, können aus mehreren Quellen stammen, umfassend: (i) physikalisch-basierten Quellen, wie von der Röhre (kVP, mA) und den Photonen (Fluktuation, Mangel), Strahlaufhärtung (Streifen, dunkle Bänder usw.), partielles Volumen (Überbelichtung), Unterabtastung (Überbelichtung) und Gantry-Rotationsgeschwindigkeit, (ii) patienten-basierte Quellen, wie Herzfrequenz, regelmäßiger Rhythmus (Bewegung), Metallmaterial und BMI (Strahlaufhärtung), (iii) scanner-basierte Quellen, wie nicht kalibrierte Detektor-Array-Entitäten oder Rekonstruktionskerne und -verfahren, und/oder (iv) protokoll-basierte Quellen, wie Verabreichung von Beta-Blockern (um die Herzfrequenz zu senken), Verabreichung von Kontrastmittel (hohe Konzentration, Flussrate, Einzel-, Doppel-, Dreifachphase), Kontrastzeitregelung usw., EKG-Sync und Korrektur, Nitroglyzerin (um Gefäß zu vergrößern und Trübung zu erhöhen) und linke gegenüber der linken + rechten Herztrübung.
  • 3 ist ein Ablaufdiagramm, das ein beispielhaftes Verfahren 100 zum Bewerten einer medizinischen Bildqualität, zum Erzeugen von Maßen der Bildqualität und zum Verwenden von Maßen der Bildqualität gemäß verschiedener beispielhafter Ausführungsformen beschreibt. In einer Ausführungsform umfasst das Verfahren 100 das Empfangen von Bilddaten des Patienten (Schritt 102). Insbesondere gemäß einer Ausführungsform, kann Schritt 102 das Implementieren wenigstens eines Computersystems zum Bestimmen der Bildqualität zur Simulation und Modellierung mittels Empfangen patientenspezifischer Daten betreffend den Körper, die Organe, das Gewebe oder Teile davon des Patienten umfassen. Zum Beispiel kann Schritt 102 das Erfassen patientenspezifischer Daten 10 am Computersystem 40 oder an einem anderen Rechnersystem (bei dem es sich, jedoch ohne Einschränkung darauf, um einen Computer, Laptop, ein Handy, ein mobiles Tablet, DSP, ein Cloud-Computersystem, eine Server-Farm usw. handeln kann) umfassen.
  • Das Verfahren 100 kann das Durchführen einer automatisierten, benutzergesteuerten oder kombinierten automatisierten und benutzergesteuerten Bewertung einer lokalen und/oder globalen Qualität der empfangenen Bilddaten umfassen (Schritt 104). Zum Beispiel kann in einer automatisierten Ausführungsform ein Computersystem automatisch sowohl globale Qualitätsbewertungen eines gesamten Bildes oder einer Gruppe von Bildern als auch lokale Qualitätsbewertungen spezifischer Teile eines einzelnen Bildes oder von Teilen einer bildlich dargestellten Anatomie eines Patienten bestimmen. In einer benutzergesteuerten Ausführungsform kann ein Computersystem einen Benutzer dazu auffordern, globale Qualitätsbewertungen eines gesamten Bildes oder einer Gruppe von Bildern zu bestimmen und einzugeben, und lokale Qualitätsbewertungen spezifischer Teile eines einzelnen Bildes oder von Teilen einer bildlich dargestellten Anatomie eines Patienten zu bestimmen. In bestimmten Ausführungsformen können bestimmte Aspekte der lokalen und/oder globalen Qualitätsbewertungen durch eine beliebige Kombination aus automatisierten und benutzergesteuerten Bewertungen gebildet sein.
  • Das wenigstens eine Computersystem und Verfahren kann ein einziges, verschiedene oder Kombinationen von Besonderheiten in der Bildqualität bewerten oder auswerten, um Maße der Bildqualität für Bereiche von Interesse oder für einen gesamten Bilddatensatz zu erzeugen (Schritt 106). Insbesondere kann das wenigstens eine Computersystem die Bewertungszahlen verwenden, um ein regionales oder Datensatz-Bildqualitätsmaß basierend auf den bewerteten Besonderheiten der Bildqualität zu formulieren. Das wenigstens eine Computersystem kann die Ergebnisse der Bildqualitätsbewertung als eine Eingabe verwenden, um eine Modellierung oder Simulation mit den patientenspezifischen Daten durchzuführen. Zusätzlich zur Modellierung und Simulation der patientenspezifischen Daten, wie dem Blutfluss, können die Bildqualitätsmaße als Eingaben für beliebige andere Aktivitäten oder Bewertungen verwendet werden.
  • In einer Ausführungsform kann das Verfahren 100 das Verwenden erzeugter Maße umfassen, um zu bewerten, ob die Bilddaten geeignet sind, eine gewünschte Simulationsgenauigkeit zu erreichen (Schritt 108). Zum Beispiel kann das Verfahren 100 das Verwenden der Ergebnisse der Bildqualitätsbewertung umfassen, um die Bilddaten zur Modellierung oder Simulation basierend auf vorbestimmten Kriterien betreffend die Genauigkeit, Präzision, Leistung oder andere Erfordernisse zuzulassen oder zurückzuweisen. Zusätzlich kann das Verfahren 100 das Verwenden der Ergebnisse der Bildqualitätsbewertung umfassen, um Leistungsmaße (z.B. Zeitdauer, um die Analyse fertigzustellen, Kosten einer Analyse) abzuschätzen oder zum Treffen einer Entscheidung basierend auf diesen Maßen, eine Modellierung oder Simulation mit den patientenspezifischen Daten unter Verwendung wenigstens eines Computersystems durchzuführen oder nicht durchzuführen. Zum Beispiel kann ein Computersystem eine Zeitdauer, um eine Analyse fertigzustellen, basierend auf den Ergebnissen der Bildqualitätsbewertung berechnen und anzeigen. Zusätzlich oder alternativ dazu kann das Computersystem die Kosten einer Analyse basierend auf den Ergebnissen der Bildqualitätsbewertung berechnen und anzeigen. Zusätzlich oder alternativ dazu kann das Computersystem eine Empfehlung oder ein Bedürfnis, eine Modellierung oder Simulation mit den patientenspezifischen Daten unter Verwendung wenigstens eines Computersystems basierend auf den Ergebnissen der Bildqualitätsbewertung durchzuführen oder nicht durchzuführen, anzeigen und/oder übertragen. Beliebige solcher berechneten Informationen, wie der berechneten Zeitdauer, um eine Analyse fertigzustellen, der Kosten einer Analyse und/oder das Durchführen/Nichtdurchführen einer Analyse, können einem Arzt, Techniker oder anderen Gesundheitsdienstleister angezeigt werden, entweder durch eine elektronische Anzeige und/oder über ein elektronisches Netzwerk.
  • Gemäß einer anderen Ausführungsform kann das Verfahren 100 das Verwenden der erzeugten Maße umfassen, um eine Genauigkeit oder Verlässlichkeit der Simulationsergebnisse abzuschätzen (Schritt 110). Zum Beispiel kann das Verfahren 100 das Verwenden der Ergebnisse der Bildqualitätsbewertung umfassen, um eine Modellierung oder Simulation durchzuführen, und Ergebnisse mit einem Verlässlichkeitsmaß (z.B. Fehlern, Prozentsatz der Verlässlichkeit, Verlässlichkeitsintervallen, Genauigkeit oder Präzision der Schätzungen), die mit den Simulationsergebnissen verbunden ist, auszugeben.
  • Gemäß einer anderen Ausführungsform kann das Verfahren 100 das Verwenden der erzeugten Maßen umfassen, um Simulationstechniken zu steuern, die am besten geeignet sind, die gewünschte Simulationsgenauigkeit zu erreichen (Schritt 112). Zum Beispiel kann das Verfahren 100 das Verwenden der Ergebnisse der Bildqualitätsbewertung umfassen, um unter Verwendung verschiedener Techniken oder Algorithmen in dem gesamten Bilddatensatz oder in den relevanten, betroffenen Teilen in Abhängigkeit von der Bildqualitätsbewertung zu modellieren oder zu simulieren, um die gewünschte Leistung, Genauigkeit, Präzision oder andere Erfordernisse zu verbessern oder zu erreichen.
  • Gemäß einer anderen Ausführungsform kann das Verfahren 100 das Verwenden der erzeugten Maße umfassen, um die besten verfügbaren Daten auszuwählen, zu kombinieren oder zu korrigieren, um eine gewünschte Simulationsgenauigkeit aus mehreren empfangenen Optionen zu erreichen (Schritt 114). Zum Beispiel kann das Verfahren 100 das Verwenden der Ergebnisse der Bildqualitätsbewertung umfassen, um Bildqualitätsprobleme vor dem Durchführen der Modellierung oder Simulation zu korrigieren, um eine gewünschte Leistung, Genauigkeit, Präzision oder andere Erfordernisse zu verbessern oder zu erreichen. Zusätzlich oder alternativ dazu kann das Verfahren 100 das Verwenden der Ergebnisse der Bildqualitätsbewertung umfassen, um den Datensatz aus mehreren verfügbaren Daten (z.B. alternierenden Serien oder Rekonstruktionen) auszuwählen, der am besten zum Durchführen der Modellierung oder Simulation geeignet ist, um eine gewünschte Leistung, Genauigkeit, Präzision oder andere Erfordernisse zu verbessern oder zu erreichen. Zusätzlich oder alternativ dazu kann das Verfahren 100 das Verwenden der Ergebnisse der Bildqualitätsbewertung umfassen, um verschiedene Stücke verschiedener Bilddaten (z.B. andere Phasen oder andere Rekonstruktionen oder Modalitäten) zu kombinieren, um die Bildqualitätsprobleme zu kompensieren und eine Modellierung oder Simulation mit den patientenspezifischen Daten unter Verwendung wenigstens eines Computersystems durchzuführen, um eine gewünschte Leistung, Genauigkeit, Präzision oder andere Erfordernisse zu verbessern oder zu erreichen.
  • Gemäß einer anderen Ausführungsform kann das Verfahren 100 das Verwenden der erzeugten Maße umfassen, um ein Feedback bereitzustellen, um eine bessere Bildqualität zu erhalten, um eine gewünschte Genauigkeit zu erreichen (Schritt 116). Zum Beispiel kann das Verfahren 100 das Verwenden der Ergebnisse der Bildqualitätsbewertung umfassen, um eine einzelne, verschiedene oder eine Kombination von Besonderheiten der Bildqualität in einem Zeitrahmen zu bewerten oder auszuwerten, der es ermöglicht, dem die Bilddaten bereitstellenden Personal Feedback bereitzustellen, sodass dieses die Bilddaten korrigieren, wiederholen oder aktualisieren könnte, um einige vordefinierte Kriterien zu erfüllen, um eine gewünschte Leistung, Genauigkeit, Präzision oder andere Erfordernisse zu verbessern oder zu erreichen. Unter Verwendung der aktualisierten oder korrigierten Bilddaten können das wenigstens eine Computersystem und das Verfahren eine oder mehrere zusätzliche Iterationen der Modellierung oder Simulation durchführen.
  • 4 ist ein Ablaufdiagramm, das ein beispielhaftes Verfahren 120 zum Durchführen einer benutzergesteuerten Bewertung der Bildqualität gemäß einer beispielhaften Ausführungsform beschreibt. Wie in 4 in einer Ausführungsform gezeigt, kann das Verfahren 120 das Empfangen anatomischer Bilddaten des Patienten umfassen (Schritt 122). Zum Beispiel kann Schritt 122 das Erfassen von Bilddaten 10 an einem Computersystem 40 umfassen, was mit einer beliebigen der Offenbarungen der oben genannten 1 und 2 übereinstimmt. Das Verfahren 120 kann ferner das Bestimmen einer oder mehrerer Mittellinien des Blutkreislaufes des Patienten umfassen (Schritt 124). Zum Beispiel kann Schritt 124 das Verwenden einer Verarbeitungseinheit eines Computersystems 40 umfassen, um eine oder mehrere Mittellinien des Blutkreislaufes des Patienten automatisch zu identifizieren, was mit einer beliebigen der Offenbarungen der oben genannten 1 und 2 übereinstimmt. In einer Ausführungsform kann die Verarbeitungseinheit eines Computersystems 40 Mittellinien zu den Hauptgefäßen (RCA, LAD und LCX) oder beliebigen anderen Gefäßen hinzufügen, die einen Durchmesser von mehr als 2 mm aufweisen.
  • Das Verfahren 120 kann ferner umfassen, dass ein Benutzer dazu aufgefordert wird, Bildqualitätsprobleme, Bildanomalien, Bildartefakte oder anderen "nicht zu interpretierende Bereiche" entlang jeder Mittellinie unter Verwendung eines Satzes visueller Kriterien (z.B. Unschärfe, Bewegung, Bildartefakte usw.) einzugeben (Schritt 126). Zum Beispiel kann eine Verarbeitungseinheit eines Computersystems 40 das Anzeigen eines oder mehrerer Bilder und Mittellinien initiieren und einen Benutzer dazu auffordern, die Bilder zu überprüfen und zu inspizieren, und Eingaben über Bildqualitätsprobleme nach Auffinden beliebiger Deckungsfehlerartefakte, Unschärfe, Stents, unerwünschtes Kontrast-zu-Rauschen-Verhältnis, Bewegungsartefakte, Überbelichtungsartefakte, Kalzium, Scanfehler, fehlende Schichten, unvollständige Daten und so weiter einzugeben. Zum Beispiel kann die Verarbeitungseinheit eines Computersystems 40 Benutzerschnittstellenelemente erzeugen, die ein Benutzer manipulieren kann, um anzuzeigen, dass der Benutzer beliebige hierin beschriebene Bildqualitätsprobleme zusammen mit bestimmten Eigenschaften des Ortes, der Menge oder des Ausmaßes dieser Probleme, identifiziert. In einer Ausführungsform kann entweder der Benutzer oder die Verarbeitungseinheit eines Computersystems 40 jeden nicht zu interpretierenden Bereich entweder als kurz (z.B. 0–5 mm) oder lang (z.B. über 5 mm) charakterisieren.
  • In einer Ausführungsform können Benutzer dazu aufgefordert werden, den Kontrastzeitraum und das Rauschen als "gut" zu identifizieren, wenn ein Bild einen hohen Kontrast, ein geringes Rauschen und einen leichten rechten Kontrast aufweist, als "grenzwertig", wenn ein Bild einen mittelmäßigen Kontrast, Rauschen und hohen rechten Kontrast aufweist, und als "schlecht", wenn ein Bild einen niedrigen Kontrast, starkes Rauschen und einen hohen rechten Kontrast aufweist. In einer Ausführungsform können Benutzer dazu aufgefordert werden, Deckungsfehler als "gut" zu identifizieren, wenn ein Bild keine Deckungsfehler aufweist, welche die Lumengeometrie beeinflussen, als "grenzwertig", wenn ein Bild Deckungsfehlerartefakte aufweist, die nahezu senkrecht zum Gefäß liegen und korrigiert werden können, und als "schlecht", wenn ein Bild Deckungsfehler aufweist, die nicht korrigiert werden können oder die in einem Bereich der Erkrankung liegen, sodass das Lumen nicht bestimmt werden kann. In einer Ausführungsform können Benutzer dazu aufgefordert werden, eine Bewegung als "gut" zu identifizieren, wenn die Bewegung das Lumen oder die Plaque nicht beeinflusst, als "grenzwertig", wenn das Bild widerspiegelt, dass das Lumen beeinflusst wird, das Gefäß jedoch interpretiert und mit Annahmen modelliert werden kann, und als "schlecht", wenn das Bild widerspiegelt, dass die Interpretierbarkeit des Lumens schwerwiegend durch die Bewegung beeinflusst wird. In einer Ausführungsform können Benutzer dazu aufgefordert werden, die Überbelichtung als "gut" zu identifizieren, wenn eine leichte Überbelichtung die Interpretierbarkeit des Lumens nicht beeinflusst, als "grenzwertig", wenn ein hoher Überbelichtungsgrad eine Korrektur erfordern kann, aber das Bild immer noch eine Sichtbarkeit des Lumens beibehält, und als "schlecht", wenn ein schwerwiegendes Überbelichtungsartefakt das Lumen vollständig verdeckt.
  • Das Verfahren 120 kann ferner das Empfangen oder Berechnen einer Bewertungszahl für jeden Bereich der Nicht-Interpretierbarkeit basierend auf der Länge des Bereichs umfassen (Schritt 128). Bei einer beispielhaften Ausführungsform können Bewertungszahlen für Bildqualitätsprobleme – entweder auf einer qualitativen Skala (z.B. Likert-Skala) oder mit quantitativen Messungen – bestimmt und analysiert werden, wie sie eine Modellierungs- und Simulationsgenauigkeit, -präzision und -leistung beeinflussen oder vorhersagen. Die Bildqualitätsbewertung kann dabei absolute Störungskriterien aufweisen, in denen ein Datensatz als unakzeptabel erachtet wird, sie kann verschiedene Maße aufweisen, die bewertet, kombiniert und über einen Bereich, ein Gefäß oder einen gesamten Datensatz gewichtet werden, oder sie kann eine Kombination von beidem aufweisen. Zum Beispiel kann in bestimmten Ausführungsformen eine automatische Störung immer dann ausgelöst werden, wenn ein einzelnes oder kombinierte Bildqualitätsproblem(e) dazu führen, dass 25 % oder mehr einer Arterie nicht wahrnehmbar sind (egal ob aufgrund von Rauschen, Bewegung, Überbelichtung, schlechtem Kontrast, Deckungsfehlern usw.).
  • Bei einer beispielhaften Ausführungsform können Maße entweder für einen Bereich (z.B. Gefäß) oder einen Datensatz mittels des Bildqualitätsbewertungssystems und -verfahrens basierend auf den Beurteilungen wenigstens einiger der oben beschriebenen Bildqualitätsprobleme erzeugt werden. In einer Ausführungsform kann jeder Bereich der Nicht-Interpretierbarkeit eine Bewertungszahl basierend auf der Länge (z.B. in einer Ausführungsform: 1,5 für kurz und 3 für lang) empfangen. In einer Ausführungsform kann eine Bewertungszahl, um Bilder eines Patienten (d.h. einen "Fall") zurückzuweisen, eine Bewertungszahl von 6 für ein einzelnes Hauptgefäß, eine Bewertungszahl von 8 für einen gesamten Fall und/oder eine sogenannte "Problemzone" umfassen, der eine Bewertungszahl von 10 zugewiesen worden ist.
  • 9 zeigt eine Tabelle einer beispielhaften Rubrik zum Bewerten von Bildeigenschaften basierend auf Lumenbesonderheiten kardiovaskulärer Gefäße gemäß verschiedenen beispielhaften Ausführungsformen. Insbesondere zeigt 9 eine beispielhafte Ausführungsform einer Bewertungsrubrik zum Zuweisen von Bewertungszahlen für Bereiche der Nicht-Interpretierbarkeit oder andere Bildqualitätsprobleme. Zum Beispiel wie in der beispielhaften Rubrik von 9 gezeigt, kann jeder Eigenschaft eine andere Bewertungszahl zugewiesen werden (d.h. entweder eine Kombination (Rauschen, Bewegung, Kontrast), Bewegung, Fehlausrichtung, Rauschen, Überbelichtung, Kontrast oder Trübung) basierend auf einem Ausmaß des davon betroffenen Bereichs (z.B. "vollständig" oder "gering", oder "lang" oder "kurz") und basierend darauf, ob die identifizierte Eigenschaft: (i) das Lumen vollständig verdeckt oder fehlende Informationen verursacht und somit das Erkennen der Erkrankung verhindert, (ii) die Bestimmung der genauen Lumengrenze verhindert, jedoch das Erkennen der vorliegenden Krankheit ermöglicht (z.B. zeigt, wo sich der minimale Lumendurchmesser ("MLD”) befinden würde), oder (iii) die Bestimmung der genauen Lumengrenze verhindert und das Erkennen der Erkrankung verhindert. Es ist darauf hinzuweisen, dass die Bewertungsrubrik von 9 lediglich ein Beispiel ist und dass beliebige alternative Bewertungsmechanismen innerhalb des Rahmens dieser Offenbarung in Erwägung gezogen werden können. Zum Beispiel kann das Bewertungssystem derart invertiert werden, dass niedrigere Bewertungszahlen eine niedrigere Bildqualität angeben, wohingegen höhere Bewertungszahlen eine höhere Bildqualität angeben. Alternativ oder zusätzlich kann das Bewertungssystem auf einer exponentiellen, logarithmischen oder partiellen Skala basieren. Alternativ oder zusätzlich kann das Bewertungssystem basierend auf einer farbkodierten und/oder buchstabengradierten Skala erzeugt werden, wobei eine Farbe und/oder ein Buchstabe auf ein Qualitätsniveau der bewerteten Bilder hindeutet.
  • In bestimmten Ausführungsformen können die Bildqualitätsbewertungszahlen mit anderen Faktoren gewichtet und kombiniert werden, einschließlich, jedoch nicht beschränkt auf: Größenordnung des Effektes, Größe des Problems, betroffene Bereiche, Art des Problems (z.B. Rauschen oder Bewegung), Vorhandensein/Fehlen einer Erkrankung, Gefäßgröße, Ort im Herzen, Unsicherheit der Lumendefinition, Kombination mit anderen Problemen, visuelle Interpretation, Algorithmusverlässlichkeit usw. Eine Funktion für Bereiche oder Datensätze kann abgeleitet werden, die einige, alle oder zusätzliche Gewichtungsfaktoren verwendet. Ein solches Beispiel ist nachfolgend dargestellt: QualitätBereich = f(∑i GefäßProblemi·Größenordnung·Art·Erkrankung·Größe·Gefäßgröße·Ort·Lumenunsicherheit) QualitätDatensatz = f(∑i DatensatzProblemi·Größenordnung·Art·Erkrankung·Größe·Gefäßgröße·Ort·Lumenunsicherheit)
  • Bei einer beispielhaften Ausführungsform können Grenzen für die folgenden Kriterien definiert werden und unakzeptable Bewertungszahlen können zur Zurückweisung von Daten für Koronarblutfluss-Modellierung und -simulationen führen:
    • – Bildauflösung: Pixelgröße < 0,5 mm
    • – Schichtdicke ≤ 1,0 mm
    • – Anzahl gescannter Schichten ≥ 64
    • – fehlende Schichten oder fehlende Daten nicht akzeptabel
    • – sublinguale Nitrate müssen zum Zeitpunkt der CT-Aufnahme vorhanden sein
    • – Koronararterien und Myokard müssen im Datensatz vollständig enthalten sein
    • – Vorhandensein anatomischer Anomalien, wie schwerer angeborener Herzfehler, sind nicht akzeptabel
    • – Vorhandensein implantierter Geräte, wie Herzschrittmacher oder vorherige Operationen, wie Bypassimplantationen, sind nicht akzeptabel
  • Bei einer beispielhaften Ausführungsform können die folgenden Kriterien auf lokaler Ebene definiert werden. Zum Beispiel kann für jedes Bildqualitätsproblem eine Bewertungszahl einer Größenordnung des Effektes erzeugt werden. Andere Informationen können hinzugefügt werden, wie der Ort und die Größe des Problems, basierend auf Folgendem:
    • – Kontrastniveau
    • – Rauschniveau
    • – Deckungsfehler oder Fehlausrichtung
    • – Bewegung oder Unschärfe
    • – Partieller Volumeneffekt oder Überbelichtung
    • – allgemein nicht interpretierbare oder schlecht definierte Bereiche
  • Das Verfahren 120 kann ferner das Berechnen und Ausgeben einer Gesamtbewertungszahl der Bereiche der Nicht-Interpretierbarkeit für das Bild als ein quantitatives Maß der Bildqualität umfassen (Schritt 130). Zum Beispiel können in einer Ausführungsform die Bewertungszahlen für jedes Problem, die nach Größe und Ort gewichtet sind, für jedes Gefäß und jeden Fall summiert werden.
  • 5 ist ein Ablaufdiagramm, das ein beispielhaftes Verfahren 150 zum Durchführen einer computer-automatisierten Bewertung einer medizinischen Bildqualität, das Erzeugen von Bildqualitätsmaßen und das Verwenden von Bildqualitätsmaßen gemäß verschiedener beispielhafter Ausführungsformen beschreibt. In einer Ausführungsform kann das Verfahren 150 das Empfangen anatomischer Bilddaten eines Patienten und das Erzeugen eines Gefäßmodells eines Blutkreislaufes eines Patienten umfassen (Schritt 152). Das Verfahren 150 umfasst ferner unter Verwendung einer Verarbeitungseinheit das Bestimmen eines oder mehrerer globalen/r Bildmerkmale(s) (Schritt 154).
  • Bei einer beispielhaften Ausführungsform können die offenbarten Systeme und Verfahren ein automatisches Bewerten quantitativer Informationen umfassen, die aus den Bilddaten extrahiert werden können, einschließlich, jedoch nicht beschränkt auf, der Bildauflösung, Schichtdicke, dem Rekonstruktionskern, der Anzahl gescannter Schichten, fehlender Schichten oder fehlender Daten sowie der Aufnahmephase. Die Informationen können durch Analysieren der Dimensionen oder Markierungen in den Bilddaten (z.B. dem DICOM-Header) extrahiert werden. Jede dieser Kategorien kann ein einfaches Zulassungs-/Zurückweisungskriterium aufweisen. Die folgenden Spezifikationen dienen dabei als Beispiele:
    • – Bildauflösung: Pixelgröße < 0,5 mm
    • – Schichtdicke ≤ 0,9 mm
    • – Rekonstruktionskern gleichwertig zu den spezifischen Herstellerfiltern
    • – Anzahl der gescannten Schichten ≥ 64
    • – fehlende Schichten oder fehlende Daten nicht akzeptabel
    • – Aufnahmephase > 65 % und ≤ 80 %
  • Bei einer beispielhaften Ausführungsform kann die Vollständigkeit der Auflösung, Schicht, Phase und der Daten keine absoluten Zulassungs-/Zurückweisungskriterien aufweisen, sondern eher einen Bereich an Bewertungszahlen, der zu einem Bildqualitätsmaß insgesamt für den Datensatz beiträgt. Zum Beispiel können die Auflösung und Schichtdicke kombiniert werden, um ein Voxelvolumen (von z.B. 0,4 mm × 0,4 mm × 0,75 mm) zu erhalten. Höhere oder niedrigere Auflösungen können die Gesamtbewertungszahl des Datensatzes erhöhen oder reduzieren.
  • Bei einer beispielhaften Ausführungsform können Informationen betreffend eine verabreichte Medikation und Herzfrequenz während einer Bildgebungsstudie zusammen mit der Studie in das Computersystem eingegeben werden. Das Computersystem kann einen Datensatz basierend auf diesen Informationen zulassen/zurückweisen, z.B. Fehlen sublingualer Nitrate kann eine Zurückweisung des Datensatzes erforderlich machen. Alternativ können Vorhandensein, Fehlen oder Dosis einer Medikation, die HR oder andere physiologische Maße zur Gesamtbewertungszahl beitragen oder das Verfahren und das Computersystem direkt anweisen, eine Modellierung und Simulation mit verschiedenen Verfahren durchzuführen. Zum Beispiel kann das Fehlen sublingualer Nitrate die Verwendung alternativer Herzlumen-Segmentierungsalgorithmen anweisen, um geeignete Gefäßgrößen sicherzustellen.
  • Bei einer beispielhaften Ausführungsform können fehlende anatomische Daten, das Vorhandensein anatomischer Anomalien und das Vorhandensein implantierter Geräte oder vorheriger Operationen durch einen Benutzer des Computersystems erkannt werden. Das Vorhandensein oder Fehlen dieser Probleme kann zu einer Bewertungszahl hinzugefügt werden oder zu einer Zulassungs-/Zurückweisungsentscheidung für den Datensatz führen. Diese Bewertungen können ebenfalls automatisch erfolgen.
  • Das Verfahren 150 kann ferner unter Verwendung einer Verarbeitungseinheit das Bestimmen einer oder mehrerer Mittellinien des Blutkreislaufes eines Patienten basierend auf dem Gefäßmodell umfassen (Schritt 156). Das Verfahren 150 kann ferner das Bestimmen eines oder mehrerer lokaler Bildmerkmale an jeder von mehreren Mittellinienorten umfassen (z.B. Unschärfe, Bewegung, Kontrast usw.) (Schritt 158). Bei einer beispielhaften Ausführungsform kann das Computersystem dazu konfiguriert sein, solche lokalen Bildmerkmale oder eine lokale oder globale Bildqualität zu bestimmen, indem eine vollständig automatische quantitative Bewertung der Bildqualität basierend auf einem oder mehreren der hierin beschriebenen Bildqualitätsprobleme implementiert wird. Zum Beispiel kann eine Verarbeitungseinheit eines Computersystems 40 ein oder mehrere lokale Bildmerkmale auf eine der oben erörterten Weisen in Bezug auf das benutzergesteuerte Verfahren aus 4 automatisch bestimmen, außer dass das Computersystem 40 dies auch automatisch durchführen kann, wie durch das Ausführen eines Algorithmus, in manchen Fällen gemäß den nachfolgend beschriebenen beispielhaften Konzepten.
  • Bei einer beispielhaften Ausführungsform können die Kontrast- und Rauschniveaus lokal (z.B. an einem Abschnitt eines Gefäßes) oder global (z.B. über mehrere Gefäße oder eines großen repräsentativen Gefäßes oder Struktur hinweg) bewertet werden. Diese Bewertung kann durch Messungen des Kontrastniveaus (z.B. dem mittleren Kontrast in einem Bereich von Interesse) und des Rauschniveaus (z.B. die Standardabweichung des Kontrasts in einem Bereich von Interesse) durchgeführt werden. Diese Messungen können ebenfalls kombiniert werden, um ein Signal-zu-Rauschen-Verhältnis durch Teilen der Kontrast- und Rauschmessungen zu erzeugen. Zusätzlich können die Kontrast- und Rauschmessungen auch Kontrast und Rauschen des Hintergrunds oder umgebender Gewebe einbeziehen, um den Unterschied zwischen dem Bereich von Interesse (z.B. Koronararterie) und den Hintergrunddaten (z.B. Myokard und epikardiales Fett) zu repräsentieren. Alternativ kann der Kontrast, das Rauschen und das Kontrast-zu-Rauschen-Verhältnis qualitativ auf einer lokalen oder globalen Skala bewertet werden, indem der Grad des Rauschens im Vergleich zu Referenznormen (z.B. 1 = schlecht, 2 = grenzwertig, 3 = gut) bewertet wird. In einer Ausführungsform kann eine Verarbeitungseinheit eines Computersystems 40 das Rauschen basierend auf einem Algorithmus berechnen, die als Eingaben einige CT-Volumendaten und Aortenmaskendaten (z.B. aus einer zhf-Datei) empfängt und die einen mittleren Aorten-Hounsfield-Einheits-("HU")-Wert, eine Rauschstandardabweichung, einen mittleren Umgebungs-HU-Wert und CNR ausgibt. In einer Ausführungsform kann eine Verarbeitungseinheit eines Computersystems 40 die Kontrastunterschiede zwischen linken und rechten Ventrikeln basierend auf einem Algorithmus berechnen, die als Eingaben einige CT-Volumen und eine Myomasse (Längsachse und Segmentierung) empfängt und die einen mittleren LV-HU-Wert und mittleren RV-HU-Wert ausgibt.
  • Bei einer beispielhaften Ausführungsform können Deckungsfehler oder Fehlausrichtungen mittels Durchsuchen der Daten oder mittels globalem Durchsuchen des Datensatzes oder lokal in der Nähe der Arterien erkannt werden, um zu identifizieren, wo zwischen benachbarten Bildern Verschiebungen auftreten. Diese können durch einen Benutzer oder durch das Computersystem erkannt werden. Der Grad der Deckungsfehler kann dabei durch einen Abstand, um den sich die Daten verschoben haben, die Größe eines Bereiches, der davon betroffen ist (z.B. Länge des Gefäßes, das betroffen ist) oder durch die Orientierung des betroffenen Bereichs (z.B. senkrecht oder parallel zum Gefäß) klassifiziert sein. Alternativ kann der Deckungsfehler qualitativ auf einer lokalen oder globalen Skala mittels Bewerten des Grades des Deckungsfehlers im Vergleich zu Referenznormen bewertet werden (z.B. 1 = schlecht, 2 = grenzwertig, 3 = gut). In einer Ausführungsform kann eine Verarbeitungseinheit eines Computersystems 40 Index-Schicht-Deckungsfehler basierend auf einem Algorithmus berechnen, die ein CT-Bild empfängt, die Orte eines Peaks ausgibt und Werte bewertet.
  • Bei einer beispielhaften Ausführungsform kann ein Artefakt durch Bewegung oder Unschärfe mittels Scannen durch die globalen Daten oder lokal in der Nähe der Arterien erkannt werden, um Bereiche zu identifizieren, in denen die Bilddaten unscharf sind oder weiche Kanten aufweisen (z.B. die Kante eines Gefäßes weist weiche und verwischte Kanten auf). Diese können durch einen Benutzer oder ein Computersystem erkannt werden. Der Grad der Bewegung kann durch den Abstand der unscharfen Daten, den Gradient der Bilddaten oder andere quantitative Mittel klassifiziert werden. Alternativ kann die Bewegung qualitativ auf einer lokalen oder globalen Skala mittels Bewerten des Grades der Bewegung im Vergleich zu Referenznormen bewertet werden (z.B. 1 = schlecht, 2 = grenzwertig, 3 = gut).
  • Bei einer beispielhaften Ausführungsform können Artefakte durch partielles Volumen oder Überbelichtung mittels Scannen durch die globalen Daten oder lokal in der Nähe der Arterien erkannt werden, um Bereiche zu identifizieren, in denen die Bilddaten helle Besonderheiten enthalten, die mit anderen Teilen der Daten interferieren. Diese können durch einen Benutzer oder ein Computersystem erkannt werden. Der Grad der Überbelichtung kann durch die Intensität, die Größe und/oder eine Messung, wie weit sich diese in benachbarte Strukturen ausbreitet (z.B. wie weit die Überbelichtung das Lumen bedeckt) klassifiziert werden. Alternativ kann die Überbelichtung qualitativ auf einer lokalen oder globalen Skala mittels Bewerten des Ausmaßes der Überbelichtung im Vergleich zu Referenznormen bewertet werden (z.B. 1 = schlecht, 2 = grenzwertig, 3 = gut).
  • Bei einer beispielhaften Ausführungsform können Artefakte durch eine Strahlaufhärtung mittels Scannen durch die globalen Daten oder lokal in der Nähe der Arterien erkannt werden, um Bereiche zu identifizieren, in denen die Bilddaten dunkle Flecken oder Streifen enthalten, die andere Teile der Daten beeinflussen. Diese können von einem Benutzer oder vom Computersystem erkannt werden. Der Grad der Strahlaufhärtung kann als die Intensität, die Form und/oder eine Messung, wie weit sich diese in benachbarte Strukturen ausbreitet (z.B. in wie weit die Strahlaufhärtung das Lumen bedeckt) klassifiziert werden. Alternativ kann die Strahlaufhärtung qualitativ auf einer lokalen oder globalen Skala mittels Bewerten des Grades der Strahlaufhärtung im Vergleich zu Referenznormen bewertet werden (z.B. 1 = schlecht, 2 = grenzwertig, 3 = gut).
  • Bei einer beispielhaften Ausführungsform können beliebige andere allgemeinen Eigenschaften, welche die Bildqualität beeinflussen, mittels Scannen durch die globalen Daten oder lokal in der Nähe der Arterien erkannt werden, um Bereiche zu identifizieren, in denen die Bilddaten nicht interpretierbar sind oder in denen die Definition der Besonderheit, wie das Lumen, schlecht ist. Diese können durch einen Benutzer oder ein Computersystem erkannt werden. Sie können durch den Grad, in welchem sie die Lumenqualität im Vergleich zu benachbarten Bereichen beeinflussen, und durch das betroffene Ausmaß quantifiziert werden. Alternativ können die Eigenschaften qualitativ auf einer lokalen oder globalen Skala mittels Bewerten des Grades der Eigenschaft im Vergleich zu Referenznormen bewertet werden (z.B. 1 = schlecht, 2 = grenzwertig, 3 = gut).
  • Das Verfahren 150 kann ferner die Vorhersage der lokalen Unsicherheit im Gefäßmodell basierend auf den lokalen und globalen Bildmerkmalen umfassen (Schritt 160). Bei bestimmten Ausführungsformen können z.B. Maschinelles Lernen, Regression und andere statistische Techniken verwendet werden, um Funktionen oder Modelle betreffend die Bildqualität auf die Modellierung, Simulation und Leistung abzuleiten. Wie im nächsten Abschnitt beschrieben, können diese Maße angepasst werden, um verschiedene Bedürfnisse zu erreichen.
  • Das Verfahren 150 kann ferner das Verwenden der Vorhersage der lokalen Unsicherheit umfassen, um ein Verlässlichkeitsintervall einer simulierten Blutflussberechnung zu berechnen (Schritt 162). Das Verfahren 150 kann ferner das Berechnen und Ausgeben einer Gesamtunsicherheit für das Gefäßmodell als ein quantitatives Maß der Bildqualität umfassen (Schritt 164).
  • Beispielhafte Ausführungsformen des Schritts (Schritt 162) des Verwendens der lokalen Unsicherheitsvorhersage zum Berechnen eines Verlässlichkeitsintervalls einer simulierten Blutflussberechnung werden nachfolgend näher beschrieben. Bei einer beispielhaften Ausführungsform können die Maße angepasst werden und weisen verschiedene Korrelationen oder mit diesen verbundene Kriterien auf, um Zwecke zu erreichen, umfassend, jedoch nicht beschränkt auf: Bewertung der Hinlänglichkeit von Daten zur automatischen Modellierung, Bewertung der Hinlänglichkeit von Daten zur benutzergesteuerten Interpretation und/oder Modellierung, Anweisen des zum Modellieren von Daten verwendeten Verfahrens oder Systems, Zulassung/Zurückweisung von Bilddaten, Bestimmung, welche von mehreren empfangenen Daten am besten für eine Modellierung geeignet ist (z.B. alternierende Phasen oder Rekonstruktionen), Bereitstellen von Feedback über Bilddaten, um verbesserte oder korrigierte Daten zu erhalten, andersartiges Markieren der Ergebnisse in Abhängigkeit von den Bildqualitätsbewertungszahlen und Bereitstellen einer Verlässlichkeitsschätzung in Abhängigkeit von der Unsicherheit, die mit den Bildqualitätsproblemen verbunden ist. Alle diese Zwecke stehen im Zusammenhang mit dem Messen und Vorhersagen der Genauigkeit, Präzision und Leistung einer Simulation und Modellierung.
  • Bei einer beispielhaften Ausführungsform können Kriterien abgeleitet werden, welche des Bildqualitätsmaßes und einen Fehler der FFR-Simulationsergebnisses gegenüber einer Referenznorm der gemessenen FFR in Beziehung zueinander bringen. Koronargefäße und/oder vollständige Datensätze, welche die Kriterien erfüllen, können zur Verarbeitung zugelassen werden, um ein bestimmtes Niveau an Genauigkeit und Präzision der Auflösung sicherzustellen. Gefäße oder vollständige Datensätze, welche die Kriterien nicht erfüllen, können mit einer höheren Fehlerquote als gewünscht korreliert sein. Alternativ können Gefäße oder vollständige Datensätze, welche die Kriterien nicht erfüllen, an andere Verfahren und/oder Systeme weitergeleitet werden, die eine höhere Genauigkeit erzielen können.
  • Bei einer beispielhaften Ausführungsform können Kriterien abgeleitet werden, welche das Bildqualitätsmaß und die Variabilität in den simulierten FFR-Ergebnissen basierend auf verschiedenen Benutzern in Beziehung zueinander bringen. Koronargefäße und/oder vollständige Datensätze, welche die Kriterien erfüllen, können zur Verarbeitung zugelassen werden, um ein bestimmtes Niveau an Präzision der Auflösung sicherzustellen. Gefäße oder vollständige Datensätze, welche die Kriterien nicht erfüllen, können mit einer höheren Variabilität als gewünscht korreliert sein. Alternativ können Gefäße oder vollständige Datensätze, welche die Kriterien nicht erfüllen, an andere Verfahren und/oder Systeme weitergeleitet werden, die eine höhere Präzision erzielen können.
  • Bei einer beispielhaften Ausführungsform können Kriterien abgeleitet werden, welche das Bildqualitätsmaß und die Leistungseffizienz einer Blutfluss-Modellierung und -Simulation in Beziehung zueinander bringen. Datensätze oberhalb bestimmter Bewertungszahlen können dabei zurückgewiesen werden, mit einer speziellen Verarbeitungsgebühr verbunden werden oder an verschiedene Ressourcen weitergeleitet werden, um eine gewünschte Effizienz zu erhalten. Alternativ kann basierend auf der Bildqualitätsbewertungszahl eine Schätzung der Simulationskosten und/oder der -zeit bereitgestellt werden. Zum Beispiel, wenn die Bildqualität immer schlechter und schlechter wird, kann es möglich sein, höhere Kosten oder einen höheren Preis zu schätzen, der mit einem manuellen Identifizieren und Korrigieren der Bildqualitätseigenschaften oder anatomischen Eigenschaften verbunden ist.
  • Bei einer beispielhaften Ausführungsform können Kriterien abgeleitet werden, um Ergebnisse aus FFR-Simulationen, die an Koronargefäßen und/oder vollständigen Datensätzen durchgeführt werden, zu markieren, die einen Bereich mit einer schlechten Bildqualität enthalten, welcher die Kriterien nicht erfüllt. Solche Markierungen können dazu dienen, einen Hinweis bereitzustellen, dass eine Unsicherheit in der Auflösung des Modells in diesem Bereich vorhanden ist, und/oder um zu erklären, was angesichts der Unsicherheit modelliert ist (z.B. eine Annahme).
  • Bei einer beispielhaften Ausführungsform können Kriterien abgleitet werden, um Bereiche in Modellen zu markieren, die eine spezielle Verarbeitung erfordern, um Genauigkeit sicherzustellen (z.B. Inspektion, unterschiedlicher Algorithmus, Gutachten eines Experten).
  • Bei einer beispielhaften Ausführungsform können Kriterien eingestellt werden, um bestimmte Verfahren zum Bestimmen der Gefäßgröße in Anwesenheit bestimmter Bildqualitätsprobleme zu verwenden. Zum Beispiel, wenn ein Überbelichtungsartefakt um die kalzifizierte Plaque herum vorhanden ist, können sich die Verfahren und Systeme zum Bestimmen der Lumengrenzen (und anschließend des Blutflusses) in der Nähe des Artefaktes von denen bei Fehlen eines solchen Artefaktes unterscheiden.
  • Bei einer beispielhaften Ausführungsform können Kriterien abgeleitet werden, um die Unsicherheit oder die Verlässlichkeit von FFR-Simulationsergebnissen zu bewerten, die an Koronargefäßen und/oder vollständigen Datensätzen durchgeführt werden, die einen Bereich mit einer schlechten Bildqualität enthalten, welche die Kriterien nicht erfüllen. Die Unsicherheit oder Verlässlichkeit kann dazu führen, dass die FFR-Ergebnisse mit einem %-Satz einer Verlässlichkeit oder einem Verlässlichkeitsintervall basierend auf dem Effekt der Bildqualität berichtet werden (z.B. FFR ist 0,87 +/– 0,05 oder FFR ist < 0,80 mit 76 % Verlässlichkeit).
  • Bei einer beispielhaften Ausführungsform können Kriterien abgeleitet werden, um das Bildqualitätsmaß und Fehler von FFR-Simulationsergebnissen gegenüber einer Referenznorm der gemessenen FFR in Beziehung zueinander zu bringen. Koronargefäße und/oder vollständige Datensätze können anhand ihrer Bewertungszahlen gegen diese Kriterien in einer Rangfolge geordnet werden, um zu bestimmen, welche von mehreren Daten am besten zur Simulation der FFR-Ergebnisse geeignet wäre und die höchste Genauigkeit erzielen würde.
  • Bei einer beispielhaften Ausführungsform kann wenigstens ein Computersystem an dem Ort, an dem die Bilddaten erzeugt werden, angeordnet sein oder von dort schnell zugänglich sein. Kriterien können dazu eingestellt sein, die Bildqualität zu bewerten, insofern diese den Einfluss oder die Vorhersage von FFR-Simulationsergebnissen betrifft. Koronargefäße und/oder vollständige Datensätze können anhand ihrer Bewertungszahlen gegenüber diesen Kriterien in einer Rangfolge geordnet werden, um ein sofortiges Feedback derart bereitzustellen, dass der Ort, der die Bilddaten erzeugt, die Daten so lange korrigieren oder aktualisieren kann, bis diese die Kriterien erfüllen, die erforderlich sind, um eine gewünschte Genauigkeit zu erzielen. Alternativ könnte ein sofortiges Feedback mit einer Schätzung oder einer Verlässlichkeit, die mit einer reduzierten Genauigkeit verbunden ist, bereitgestellt werden, wodurch es dem Ort, der die Bilddaten erzeugt, ermöglicht wird, eine niedrigere Genauigkeit zuzulassen, wenn ein klinischer Nutzen besteht.
  • 6 ist ein Ablaufdiagramm, das ein beispielhaftes Verfahren 200 zum Bewerten einer medizinischen Bildqualität, zum Erzeugen von Bildqualitätsmaßen und zum Verwenden von Bildqualitätsmaßen im Zusammenhang mit dem Schätzen von koronaren fraktionellen Flussreservewerten gemäß verschiedener beispielhafter Ausführungsformen beschreibt. Zum Beispiel zeigt 6 ein Verfahren zum Schätzen von koronaren fraktionellen Flussreserve-(FFR)-Werten basierend auf bestimmten, hierin offenbarten Bildqualitätsbewertungstechniken und auf im US-Patent Nr. 8,315,812 beschriebenen FFR-Berechnungstechniken.
  • Wie in 6 dargestellt, kann das Verfahren 200 durch das Auswählen eines spezifischen Patienten (Schritt 202) und durch das Empfangen der Bild- und physiologischen Daten des Patienten beginnen (Schritt 204). Das Verfahren 200 kann das Validieren der empfangenen Bilder und Daten mit bekannten Patienteninformationen umfassen (Schritt 206), z.B. zur Benutzeridentität oder aus Datenschutzgründen. Das Verfahren 200 kann umfassen zu bestimmen, ob die empfangenen Daten akzeptabel sind (Schritt 208). Zum Beispiel kann Schritt 208 entweder die Zulassung oder Zurückweisung jedes von einem oder mehreren empfangenen Bilder basierend auf einer beliebigen oder einer Kombination aus den hierin offenbarten Bildbewertungs- und Auswertungstechniken umfassen. Falls eine beliebige oder mehrere Bilder zurückgewiesen werden, kann das Verfahren 200 das Erzeugen eines Zurückweisungsberichts umfassen (Schritt 210). Zum Beispiel kann das Verfahren das Erfassen von Bildern umfassen, die zurückgewiesen werden und dem Benutzer ein Feedback über die zurückgewiesenen Bilder bereitstellen, um dem Benutzer dabei behilflich zu sein, neue Bilder zu erfassen, die nicht zurückgewiesen werden würden. Zum Beispiel kann das Computersystem einem Assistenten, Arzt oder anderen medizinischen Personal einen Bericht über die zurückgewiesenen Bilder zusammen mit Richtlinien und/oder Empfehlungen zur Einstellung der Bilderfassungsparameter, die den Erhalt von Bildern mit höheren Bildqualitätswerten ermöglichen würden, übersenden. Solche Berichte, zurückgewiesene Bilder, Richtlinien und/oder Empfehlungen können dem Arzt, Assistenten oder anderen medizinischen Personal über eine elektronische Anzeige und/oder über ein elektronisches Netzwerk angezeigt werden.
  • Wenn die Daten akzeptabel sind, dann kann das Verfahren 200 das Durchführen einer Vorverarbeitung und Bewertung der Daten über eine radiologische Arbeitsstation umfassen (Schritt 212). Das Verfahren 200 kann dann das Berechnen der Myokardmasse (Schritt 214), das Erzeugen eines anfänglichen Baums aus Koronargefäßen und Ästen (Schritt 216), das Auffinden einer oder mehrerer Gefäßlumenkanten (Schritt 218), das Paaren von Grenzwerten in den Hauptgefäßen mit Kantensegmentierungen (Schritt 220) und das Erkennen, Segmentieren, Entfernen und Glätten von Plaque und Kalzium (Schritt 222) umfassen. Das Verfahren 200 kann dann umfassen zu bestimmen, ob die Segmentierung unter Verwendung eines Algorithmus erfolgreich war (Schritt 224). Wenn dies nicht der Fall ist, dann kann das Verfahren 200 das manuelle Segmentieren oder Korrigieren der Segmentierung umfassen (Schritt 226). Wenn die Segmentierung erfolgreich war, dann kann das Verfahren 200 die umfassen zu bestimmen, ob eine unabhängige Verifizierung der Segmentierung akzeptabel ist (Schritt 228). Wenn dies nicht der Fall ist, dann kann das Verfahren 200 zu Schritt 216 des Erzeugens des anfänglichen Baums aus Koronargefäßen und Ästen zurückkehren.
  • Wenn die Segmentierung erfolgreich war (Schritt 228; Ja), dann kann das Verfahren 200 das Ausgeben und Glätten Volumenmodells (Schritt 230), das Extrahieren einer oder mehrerer Gefäßmittellinie(n) (Schritt 232), das Berechnen von Gefäßquerschnittsbereichen (Schritt 234), das Trimmen des Modells (Schritt 236), das Erzeugen eines Volumenmodells (Schritt 238), das Einstellen von Grenzbedingungen für Hyperämieniveaus (Schritt 240) und das Erzeugen eines endgültigen Netzes (Schritt 242) umfassen. Das Verfahren 200 kann dann umfassen zu verifizieren, ob das Netz und die Grenzbedingungen akzeptabel sind (Schritt 244). Wenn dies nicht der Fall ist, dann kann das Verfahren 200 zu Schritt 234 der Berechnung eines Querschnittsbereichs zurückkehren.
  • Wenn die Netz- und Grenzbedingungen akzeptabel sind (Schritt 244; Ja), dann kann das Verfahren 200 umfassen, einen Hyperämiefluss (Schritt 246) zu simulieren und zu verifizieren, ob das Auflösungsergebnis akzeptabel ist (Schritt 248). Wenn dies nicht der Fall ist, dann kann das Verfahren 200 das Verfeinern der Stenosegeometrie, das Korrigieren der Grenzbedingungen usw. umfassen (Schritt 258). Wenn das Auflösungsergebnis akzeptabel ist (Schritt 248; Ja), dann kann das Verfahren 200 das Extrahieren einer cFFR, das Dokumentieren derselben entlang der Gefäße und das Erzeugen von Bildern für einen Bericht umfassen (Schritt 250). Das Verfahren 200 kann dann die umfassen zu bestimmen, ob eine unabhängige Verifizierung der endgültigen Ergebnisse akzeptabel ist (Schritt 252). Wenn dies nicht der Fall ist, dann kann das Verfahren 200 das Zurückkehren zu Schritt 216 des Erzeugens des anfänglichen Baums der Koronargefäße und Äste umfassen.
  • Wenn die unabhängige Verifizierung der endgültigen Ergebnisse akzeptabel ist (Schritt 252; Ja), dann kann das Verfahren 200 das Vervollständigen eines Berichts (Schritt 254) und das Weiterleiten des vervollständigten Berichts an den Arzt (Schritt 256) umfassen.
  • 7A ist ein beispielhafter Boxplot eines fraktionellen Flussreservefehlers und der Zulassung oder Zurückweisung basierend auf der CT-Bildqualitätsübersicht, gemäß verschiedenen beispielhaften Ausführungsformen. Zum Beispiel kann der Boxplot von 7A zeigen, dass die zurückgewiesenen Fälle eine größere Variation eines FFRct-Fehlers aufweisen als die zugelassenen Fälle.
  • 7B ist ein beispielhafter Boxplot eines fraktionellen Flussreservefehlers und einer Bewertung basierend auf der CT-Bildqualitätsübersicht, gemäß verschiedenen beispielhaften Ausführungsformen. Zum Beispiel kann der Boxplot von 7B zeigen, dass eine Variation eines FFRct-Fehlers derart zunehmen kann, wie eine Bildqualitätsbewertungszahl zunimmt. Mit anderen Worten weisen Fälle mit einer Bewertungszahl zwischen 7 und 10 eine wesentlich höhere Variation des FFRct-Fehlers auf, als Fälle mit einer Bewertungszahl zwischen 0 und 1.
  • 8 ist ein beispielhaftes Balkendiagramm, das Vergleiche zwischen einer Qualität einer fraktionellen Flussreserve und einer Computertomografie basierend auf einer Bildqualität nach Anzahl der Gefäße zeigt, gemäß verschiedenen beispielhaften Ausführungsformen. Insbesondere kann das Balkendiagramm von 8 eine Leistung in Korrelation zu gefäßspezifischen Qualitätswerten der CT-Interpretierbarkeit darstellen.
  • 10 ist ein beispielhafter Screenshot, der Computertomografie-Qualitätswerte gegenüber der Benchmark-Leistung gemäß verschiedenen beispielhaften Ausführungsformen darstellt. Wie z.B. in 10 dargestellt, kann eine Verarbeitungseinheit eines Computersystems 40 eine Benutzerschnittstelle bereitstellen, mit welcher ein Benutzer, wie ein Bildgebungstechniker, Arzt oder anderer Gesundheitsdienstleister, eine CT-Bildqualitätsbewertung für jeden von mehreren Patienten oder "Fällen" einsehen kann. Wie in einer Ausführungsform der 10 dargestellt, kann jeder Fall mit einer "guten", "mittelmäßigen" oder "schlechten" Bildqualität angezeigt sein. Die Bildqualität kann ebenso mit bestimmten Benchmark-Leistungsnormen der Bildqualität verglichen werden, z.B. anhand einer Anzeige in einem Balkendiagramm oder einer anderen Art von Diagramm. Die Schnittstelle kann Qualitätsberichte erzeugen und anzeigen und/oder Empfehlungen zur Verbesserung der erhaltenen Qualität vorschlagen. Beispielsweise kann die Benutzerschnittstelle, wenn ein hohes Rauschniveau erkannt wird, das Überprüfen der "mA/kV-Einstellungen" vorschlagen und einen Link für eine Anleitung über Rauschen bereitstellen. Selbstverständlich können die Benutzerschnittstelle und die Richtlinien dem Benutzer eine Bewertung einer Bildqualität und Empfehlungen zur Verbesserung einer Bildqualität in Bezug auf beliebige hierin erörterten Bildqualitätsprobleme bereitstellen.
  • Die vorliegend offenbarten Systeme und Verfahren können die automatische Schätzung und Korrektur der Bildqualitätsprobleme ermöglichen, wodurch der menschliche Zeitaufwand und die Variabilität reduziert werden, die vorher mit einer Qualitätskontrollübersicht der Bilddaten verbunden waren. Weiterhin können die vorliegend offenbarten Systeme und Verfahren ein besseres Verständnis einer Beziehung zwischen Simulations- und Modellierungsgenauigkeit (z.B. FFR-Fehler) und Bildqualitätsbewertungszahlen bereitstellen. Ferner können die vorliegend offenbarten Systeme und Verfahren die Benutzer dazu befähigen, eine gewünschte Grundphase eines Bildes zur analytischen Durchsicht besser und automatisch auszuwählen und somit besser auf "Problemzonen" zur weiteren Überprüfung oder Zurückweisung bestimmter Scans bereitstellen.
  • In einer Ausführungsform können die vorliegend offenbarten Techniken das Definieren der Eingabe von Unsicherheiten, das Berechnen von FFR-Analyseempfindlichkeiten und das Berechnen von Verlässlichkeitsintervallen in FFR gemäß beliebigen der Techniken in der US-Anmeldung Nr. 13/864,996, eingereicht am 17. April 2013, die in ihrer Gesamtheit hierin durch Bezugnahme eingeschlossen ist, umfassen.
  • In einer Ausführungsform können die vorliegend offenbarten Techniken das Durchführen beliebiger der verschiedenen Vorauflösungstechniken umfassen, die in der US-Anmeldung Nr. 13/625,628, eingereicht am 24. September 2012, beschrieben sind, die in ihrer Gesamtheit hierin durch Bezugnahme eingeschlossen ist.
  • In einer Ausführungsform können FFR-Werte erfasst werden unter Verwendung von Schätzungen anhand von maschinellem Lernen im Gegensatz zu physikbasierten Simulationen. Mit anderen Worten, anstelle der Ausführung eines koronaren Lösers, wie im 812er Patent, für jeden von mehreren Kollokationspunkte, können die offenbarten Systeme und Verfahren die Blutflusseigenschaften effizient basierend auf einer durch Analysieren des Blutflusses zahlreicher anderer Patienten erhaltenen Kenntnis schätzen. Zum Beispiel können die offenbarten Systeme und Verfahren das Durchführen beliebiger der verschiedenen maschinellen Lerntechniken umfassen, die in der vorläufigen US-Patentanmeldung Nr. 61/700,213, eingereicht am 12. September 2012, die in ihrer Gesamtheit hierin durch Bezugnahme eingeschlossen ist, beschrieben sind. Daher können in einer Ausführungsform die FFR-Werte erhalten werden mittels Trainieren eines maschinellen Lernalgorithmus, um FFR-Werte für verschiedene Punkte einer Patientengeometrie basierend auf den Besonderheitsvektoren der physiologischen Parameter und gemessenen Blutflusseigenschaften des Patienten zu schätzen, und dann des Anwendens des maschinellen Lernalgorithmus auf die Geometrie und die physiologischen Parameter eines spezifischen Patienten, um vorhergesagte FFR-Werte zu erhalten.
  • Einer oder mehrere der hierin beschriebenen Schritte können von einem oder mehreren menschlichen Betreibern (z.B. einem Kardiologen oder anderen Arzt, dem Patienten, einem Angestellten des webbasierten Dienstanbieters oder eines anderen Drittdienstanbieters, eines anderen Benutzers usw.) oder von einem oder mehreren Computersystemen durchgeführt werden, die von einem oder mehreren solchen menschlichen Betreiber(n) verwendet werden, wie einem Desktop oder tragbaren Computer, einer Arbeitsstation, einem Server, einem persönlichen digitalen Assistenten usw. Das/die Computersystem(e) kann/können über ein Netzwerk oder ein anderes Verfahren zum Kommunizieren von Daten zusammen geschlossen sein.
  • Beliebige oben in einer beliebigen Ausführungsform beschriebenen Aspekte können mit anderen hierin beschriebenen Ausführungsformen verwendet werden. Jede(s) hierin beschriebene(s) Gerät und Vorrichtung kann in jedem beliebigen geeigneten medizinischen Verfahren verwendet werden, kann durch jede(s) beliebige geeignete Körperlumen und Körperhöhle geführt werden und zur Bildgebung jedes beliebigen geeigneten Körperteils verwendet werden.
  • Verschiedene Modifizierungen und Variationen können an den offenbarten Systemen und Verfahren vorgenommen werden, ohne vom Umfang der Offenbarung abzuweichen. Andere Ausführungsformen sind dem Fachmann auf dem Gebiet anhand der Spezifikation und Umsetzung der hierin offenbarten Offenbarung ersichtlich. Es ist beabsichtigt, dass die Beschreibung und die Beispiele ausschließlich als beispielhaften anzusehen sind, wobei der eigentliche Umfang und Geist der Offenbarung durch die nachfolgenden Ansprüche definiert ist.
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Patentliteratur
    • US 8386188 [0010]
    • US 8321150 [0010]
    • US 8315814 [0010]
    • US 8315813 [0010]
    • US 8315812 [0010, 0037, 0100]
    • US 8311750 [0010]
    • US 8311748 [0010]
    • US 8311747 [0010]
    • US 8157742 [0010]

Claims (9)

  1. System zum Bewerten der Qualität medizinischer Bilder wenigstens eines Teils der Anatomie eines Patienten, wobei das System umfasst: – eine digitale Speichervorrichtung, die Anweisungen zum Bewerten der Qualität medizinscher Bilder wenigstens eines Teils der Anatomie eines Patienten speichert, und – eine Verarbeitungseinheit, die dazu konfiguriert ist, die Instruktionen auszuführen, um ein Verfahren durchzuführen, das Folgendes umfasst: – Empfangen eines oder mehrerer Bilder wenigstens eines Teils der Anatomie eines Patienten, – Bestimmen eines oder mehrerer Bildmerkmale des/der empfangenen Bilder unter Verwendung einer Verarbeitungseinheit des Computersystems, wobei das eine oder die mehreren Bildmerkmal(e) entweder eine Gesamtheit eines der erhaltenen Bilder oder mehrerer der empfangenen Bilder definieren, – Durchführen einer anatomischen Lokalisation oder Modellierung wenigstens eines Teils der Anatomie des Patienten basierend auf den empfangenen Bildern unter Verwendung einer Verarbeitungseinheit des Computersystems, – Erhalten, für ein ausgewähltes der empfangenen Bilder, einer Identifikation einer oder mehrerer Bildeigenschaft(en) des ausgewählten Bildes, wobei die eine oder mehreren Bildeigenschaft(en) mit einer anatomischen Besonderheit der Anatomie des Patienten verbunden ist/sind, basierend auf der anatomischen Lokalisation oder Modellierung, und – Berechnen einer Bildqualitätsbewertungszahl für das ausgewählte der empfangenen Bilder basierend auf dem einen oder den mehreren Bildmerkmal(en) und der einen oder den mehreren Bildeigenschaft(en) des ausgewählten der empfangenen Bilder unter Verwendung einer Verarbeitungseinheit des Computersystems.
  2. System nach Anspruch 1, wobei das eine oder die mehreren Bildeigenschaften auf Basis von einem Anwender erhaltenen Eingaben identifiziert werden.
  3. System nach Anspruch 1 oder 2, wobei die eine oder die mehreren Bildeigenschaften unter Verwendung einer Verarbeitungseinheit des Computersystems identifiziert werden.
  4. System nach einem der Ansprüche 1 bis 3, wobei die eine oder die mehreren Bildeigenschaften wenigstens eine der folgenden Eigenschaften umfassen: ein lokales Kontrastniveau, ein lokales Rauschniveau, ein Deckungsfehler, eine Fehlausrichtung, eine lokale Bewegungsanomalie, eine lokale Unschärfeanomalie, ein partieller Volumeneffekt, ein Überbelichtungseffekt und ein Artefakt.
  5. System nach einem der Ansprüche 1 bis 4, wobei das eine oder die mehreren Bildmerkmal(e) wenigstens eines der folgenden umfassen: eine Bildauflösung, eine Dicke eines medizinischen anatomischen Schichtbildes, die Zahl aufgenommener Schichtbilder, ein Medikationsparameter und ein Patientenmerkmal.
  6. System nach einem der Ansprüche 1 bis 5, wobei die Verarbeitungseinheit ferner dazu konfiguriert ist, eine lokale Bewertungszahl in Bezug auf jede der einen oder mehreren Bildeigenschaft(en) zu berechnen und die Bildbewertungszahl ferner basierend auf den lokalen Bewertungszahlen, die für jede der einen oder mehreren Bildeigenschaft(en) berechnet wurden, zu berechnen.
  7. System nach einem der Ansprüche 1 bis 6, wobei die Verarbeitungseinheit ferner dazu konfiguriert ist, – ein anatomischen Modell wenigstens eines Teils der Anatomie eines Patienten basierend auf der anatomischen Lokalisation oder Modellierung zu erzeugen, – einen lokalen Unsicherheitswert für das anatomische Modell basierend auf der einen oder mehreren Bildmerkmal(en) und der einen oder den mehreren Bildeigenschaft(en) vorherzusagen, – ein Verlässlichkeitsintervall einer simulierten Blutflussberechnung basierend auf den vorhergesagten lokalen Unsicherheitswerten zu berechnen, und – einen Gesamtunsicherheitswert für das anatomische Modell als quantitatives Maß der Bildqualität des einen oder der mehreren Bilder zu berechnen.
  8. System nach einem der Ansprüche 1 bis 7, wobei die Anatomie des Patienten wenigstens einen Teil des Blutkreislaufs des Patienten umfasst und wobei die Verarbeitungseinheit ferner dazu konfiguriert ist, – ein anatomisches Modell wenigstens eines Teils des Blutkreislaufs des Patienten basierend auf der anatomischen Lokalisation oder Modellierung zu erzeugen, – ein Berechnungsmodell einer Blutflusseigenschaft basierend auf dem anatomischen Modell zu erzeugen, und – ein Blutflussmerkmal innerhalb des Blutkreislaufs des Patienten basierend auf den anatomischen Modell und dem Berechnungsmodell der Blutflusseigenschaft des Blutkreislaufs des Patienten zu bestimmen.
  9. System nach einem der Ansprüche 1 bis 8, wobei die Anatomie des Patienten wenigstens einen Teil des Blutkreislaufs des Patienten umfasst und wobei die Verarbeitungseinheit ferner dazu ausgebildet ist, – ein Berechnungsmodell für eine Blutflusseigenschaft basierend auf der anatomischen Lokalisation oder Modellierung zu erzeugen und – einen Ort einer funktionalen signifikanten Verengung in einem Blutgefäß des Blutkreislaufs des Patienten basierend auf der bestimmten Blutflusseigenschaft zu bestimmen.
DE202014010690.8U 2013-03-15 2014-02-27 System zum Bewerten der Qualität medizinischer Bilder wenigstens eines Teils der Anatomie eines Patienten Expired - Lifetime DE202014010690U1 (de)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201361793162P 2013-03-15 2013-03-15
US61/793,162 2013-03-15
US14/163,589 2014-01-24
US14/163,589 US8824752B1 (en) 2013-03-15 2014-01-24 Methods and systems for assessing image quality in modeling of patient anatomic or blood flow characteristics

Publications (1)

Publication Number Publication Date
DE202014010690U1 true DE202014010690U1 (de) 2016-04-27

Family

ID=51400051

Family Applications (2)

Application Number Title Priority Date Filing Date
DE202014010690.8U Expired - Lifetime DE202014010690U1 (de) 2013-03-15 2014-02-27 System zum Bewerten der Qualität medizinischer Bilder wenigstens eines Teils der Anatomie eines Patienten
DE202014010689.4U Expired - Lifetime DE202014010689U1 (de) 2013-03-15 2014-02-27 System zum Bewerten der Qualität medizinischer Bilder wenigstens eines Teils der Anatomie eines Patienten

Family Applications After (1)

Application Number Title Priority Date Filing Date
DE202014010689.4U Expired - Lifetime DE202014010689U1 (de) 2013-03-15 2014-02-27 System zum Bewerten der Qualität medizinischer Bilder wenigstens eines Teils der Anatomie eines Patienten

Country Status (9)

Country Link
US (11) US8824752B1 (de)
EP (2) EP2803038B1 (de)
JP (4) JP6255473B2 (de)
KR (2) KR102172182B1 (de)
CN (1) CN105051784B (de)
AU (2) AU2014238124A1 (de)
CA (1) CA2904832C (de)
DE (2) DE202014010690U1 (de)
WO (1) WO2014149496A1 (de)

Families Citing this family (106)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3106094B1 (de) 2004-11-26 2021-09-08 Hologic, Inc. Integriertes multimodus-mammographie-/tomosynthese-röntgensystem
US9943233B2 (en) 2012-10-24 2018-04-17 Cathworks Ltd. Automated measurement system and method for coronary artery disease scoring
US10210956B2 (en) 2012-10-24 2019-02-19 Cathworks Ltd. Diagnostically useful results in real time
JP2016503685A (ja) * 2012-12-28 2016-02-08 サイバーハート， インコーポレイテッド 血液−組織表面を基礎にした放射線手術による腎臓処置の計画
US20140324400A1 (en) * 2013-04-30 2014-10-30 Marquette University Gesture-Based Visualization System for Biomedical Imaging and Scientific Datasets
US9135381B2 (en) 2013-05-10 2015-09-15 Stenomics, Inc. Modeling and simulation system for optimizing prosthetic heart valve treatment
US10226189B2 (en) * 2013-07-19 2019-03-12 Volcano Corporation Devices, systems, and methods for assessment of vessels
EP3041414B1 (de) * 2013-09-06 2018-10-10 Koninklijke Philips N.V. Verarbeitungsvorrichtung zur verarbeitung von herzdaten
US9092743B2 (en) 2013-10-23 2015-07-28 Stenomics, Inc. Machine learning system for assessing heart valves and surrounding cardiovascular tracts
EP3061015A2 (de) 2013-10-24 2016-08-31 Cathworks Ltd. Bestimmung vaskulärer eigenschaften mit korrespondenzmodellierung eines gefässbaums
US10496729B2 (en) * 2014-02-25 2019-12-03 Siemens Healthcare Gmbh Method and system for image-based estimation of multi-physics parameters and their uncertainty for patient-specific simulation of organ function
US9773219B2 (en) * 2014-04-01 2017-09-26 Heartflow, Inc. Systems and methods for using geometry sensitivity information for guiding workflow
US10354349B2 (en) 2014-04-01 2019-07-16 Heartflow, Inc. Systems and methods for using geometry sensitivity information for guiding workflow
US9754082B2 (en) 2014-05-30 2017-09-05 Heartflow, Inc. Systems and methods for reporting blood flow characteristics
JP6411073B2 (ja) * 2014-06-02 2018-10-24 キヤノン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方法
WO2016038491A1 (en) * 2014-09-11 2016-03-17 Koninklijke Philips N.V. Quality metric for multi-beat echocardiographic acquisitions for immediate user feedback
US10080872B2 (en) 2014-11-04 2018-09-25 Abbott Cardiovascular Systems Inc. System and method for FFR guidewire recovery
WO2016092420A1 (en) * 2014-12-08 2016-06-16 Koninklijke Philips N.V. Devices, systems, and methods for vessel assessment and intervention recommendation
US11141179B2 (en) * 2014-12-11 2021-10-12 Koninklijke Philips N.V. Setting of sonothromobolysis ultrasound output power
DE102014226685A1 (de) * 2014-12-19 2016-06-23 Siemens Healthcare Gmbh Verfahren zum Identifizieren von Versorgungsgebieten,Verfahren zur graphischen Darstellung von Versorgungsgebieten, Computerprogramm und maschinenlesbares Medium sowie bildgebendes Gerät
KR20160107528A (ko) * 2015-03-04 2016-09-19 삼성전자주식회사 컴퓨터 보조 진단을 위한 신뢰도 제공 장치 및 방법
WO2016159379A1 (ja) * 2015-04-02 2016-10-06 イービーエム株式会社 血管形状構築装置、その方法及びコンピュータソフトウエアプログラム
EP3282936B1 (de) 2015-04-17 2020-08-19 HeartFlow, Inc. Systeme und verfahren zur beurteilung der gewebefunktion auf der grundlage von gefässerkrankungen
KR102486700B1 (ko) * 2015-08-11 2023-01-11 삼성전자주식회사 혈압 추정 방법 및 장치
US10176408B2 (en) 2015-08-14 2019-01-08 Elucid Bioimaging Inc. Systems and methods for analyzing pathologies utilizing quantitative imaging
US11676359B2 (en) 2015-08-14 2023-06-13 Elucid Bioimaging Inc. Non-invasive quantitative imaging biomarkers of atherosclerotic plaque biology
US11094058B2 (en) 2015-08-14 2021-08-17 Elucid Bioimaging Inc. Systems and method for computer-aided phenotyping (CAP) using radiologic images
US11087459B2 (en) 2015-08-14 2021-08-10 Elucid Bioimaging Inc. Quantitative imaging for fractional flow reserve (FFR)
US12008751B2 (en) 2015-08-14 2024-06-11 Elucid Bioimaging Inc. Quantitative imaging for detecting histopathologically defined plaque fissure non-invasively
US11113812B2 (en) 2015-08-14 2021-09-07 Elucid Bioimaging Inc. Quantitative imaging for detecting vulnerable plaque
US11071501B2 (en) 2015-08-14 2021-07-27 Elucid Bioiwaging Inc. Quantitative imaging for determining time to adverse event (TTE)
US10492754B2 (en) * 2015-11-20 2019-12-03 International Business Machines Corporation Real-time cloud-based virtual fractional flow reserve estimation
US10402967B2 (en) * 2015-12-21 2019-09-03 Koninklijke Philips N.V. Device, system and method for quality assessment of medical images
WO2017129564A1 (en) * 2016-01-27 2017-08-03 Koninklijke Philips N.V. Predictive model for optimizing clinical workflow
US10936892B2 (en) * 2016-02-29 2021-03-02 Koninklijke Philips N.V. Device, system and method for verifying image-related information of a medical image
US11244478B2 (en) * 2016-03-03 2022-02-08 Sony Corporation Medical image processing device, system, method, and program
TWI590183B (zh) * 2016-03-10 2017-07-01 蘇志民 生物之系統及器官功能的檢查系統及方法
TWI589267B (zh) * 2016-03-10 2017-07-01 蘇志民 生物之系統及器官功能的微型化檢查裝置
CN105869218B (zh) * 2016-03-28 2018-08-14 中国科学院深圳先进技术研究院 血管数字模型的肿瘤病变编辑方法及装置
CA3021697A1 (en) 2016-04-21 2017-10-26 The University Of British Columbia Echocardiographic image analysis
US10674986B2 (en) 2016-05-13 2020-06-09 General Electric Company Methods for personalizing blood flow models
EP3461253B1 (de) 2016-05-16 2023-08-09 Cathworks Ltd. Auswahl von blutgefässpfaden aus bildern
EP3457930B1 (de) 2016-05-16 2023-11-15 Cathworks Ltd. System zur beurteilung von blutgefässen
US11107570B2 (en) 2016-05-20 2021-08-31 Bayer Healthcare Llc Flexible, extensible and automated systems and methods for scoring the quality of radiology examinations
JP7090592B2 (ja) * 2016-07-15 2022-06-24 コーニンクレッカ フィリップス エヌ ヴェ 医療デバイス品質を評価するための装置
US10839299B2 (en) * 2016-10-28 2020-11-17 International Business Machines Corporation Non-leading computer aided detection of features of interest in imagery
US10163209B2 (en) * 2016-11-23 2018-12-25 Toshiba Medical Systems Corporation Medical image processing apparatus, medical image processing method, and X-ray CT apparatus
CN110072466B (zh) 2016-12-15 2022-07-19 皇家飞利浦有限公司 产前超声成像
CN110114803B (zh) * 2016-12-28 2023-06-27 松下电器（美国）知识产权公司 三维模型分发方法、三维模型接收方法、三维模型分发装置以及三维模型接收装置
CN110494893B (zh) 2017-03-31 2024-01-23 皇家飞利浦有限公司 基于ffr的对非侵入性成像的交互监测
US11195278B2 (en) * 2017-04-06 2021-12-07 Koninklijke Philips N.V. Fractional flow reserve simulation parameter customization, calibration and/or training
CN107296627B (zh) * 2017-07-14 2020-05-26 深圳市德力凯医疗设备股份有限公司 脑血流自动调节指数的输出方法、存储介质及超声设备
CN111279424B (zh) * 2017-07-25 2024-05-24 皇家飞利浦有限公司 用于优化图像采集工作流的设备、***和方法
EP3437559B1 (de) * 2017-08-03 2020-06-24 Siemens Healthcare GmbH Ermitteln eines funktionsparameters betreffend eine lokale gewebefunktion für mehrere gewebebereiche
GB2565306A (en) * 2017-08-08 2019-02-13 Vision Rt Ltd Method and apparatus for measuring the accuracy of models generated by a patient monitoring system
EP3668404B1 (de) 2017-08-16 2022-07-06 Hologic, Inc. Verfahren zur kompensation von bewegungsartefakten eines patienten bei der brustbildgebung
CN111052180A (zh) * 2017-08-30 2020-04-21 威里利生命科学有限责任公司 用于可视化流动的使用机器学习的散斑对比度分析
EP3691531A4 (de) 2017-10-06 2021-05-26 Emory University Verfahren und systeme zur bestimmung hämodynamischer informationen für ein oder mehrere arteriensegmente
EP3471054B1 (de) * 2017-10-16 2022-02-09 Siemens Healthcare GmbH Verfahren zur bestimmung wenigstens eines objektmerkmals eines objekts
US11871995B2 (en) 2017-12-18 2024-01-16 Hemolens Diagnostics Sp. Z O.O. Patient-specific modeling of hemodynamic parameters in coronary arteries
EP3503022A1 (de) 2017-12-20 2019-06-26 Koninklijke Philips N.V. System zur beurteilung eines lungenbildes
CN109965892A (zh) * 2017-12-27 2019-07-05 通用电气公司 冠状动脉ct成像方法及计算机可读存储介质
EP3762937A1 (de) * 2018-03-08 2021-01-13 Koninklijke Philips N.V. Auflösung und lenkung von entscheidungsfokussen in der auf maschinellem lernen basierenden gefässbildgebung
JP2021516106A (ja) * 2018-03-08 2021-07-01 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 高リスクプラーク面積率評価のためのインタラクティブな自己改善アノテーションシステム
CN111902879A (zh) * 2018-03-15 2020-11-06 皇家飞利浦有限公司 使用医学图像数据估计生理参数的方法
EP3549529A1 (de) * 2018-04-05 2019-10-09 Koninklijke Philips N.V. Ultraschallbildgebungssystem und -verfahren
US11389130B2 (en) 2018-05-02 2022-07-19 Siemens Healthcare Gmbh System and methods for fast computation of computed tomography based fractional flow reserve
EP3564963A1 (de) * 2018-05-02 2019-11-06 Siemens Healthcare GmbH System und verfahren zur schnellen berechnung der auf computertomografie basierenden fraktionierten strömungsreserve
US10631791B2 (en) 2018-06-25 2020-04-28 Caption Health, Inc. Video clip selector for medical imaging and diagnosis
US10751029B2 (en) 2018-08-31 2020-08-25 The University Of British Columbia Ultrasonic image analysis
JP6879277B2 (ja) * 2018-09-03 2021-06-02 コニカミノルタ株式会社 画像表示装置、放射線撮影システム、画像表示プログラム及び画像表示方法
CN109215764B (zh) * 2018-09-21 2021-05-04 苏州瑞派宁科技有限公司 一种医学图像四维可视化的方法及装置
CN109363661B (zh) * 2018-09-25 2022-02-01 杭州晟视科技有限公司 血流储备分数确定***、方法、终端及存储介质
US10803585B2 (en) 2018-10-09 2020-10-13 General Electric Company System and method for assessing image quality
JP7059391B2 (ja) * 2018-10-09 2022-04-25 富士フイルム株式会社 流体解析装置、方法およびプログラム
US10937205B2 (en) * 2018-11-06 2021-03-02 Siemens Healthcare Gmbh Detection of infarcts using trained network
KR102236826B1 (ko) * 2018-11-30 2021-04-06 아주대학교산학협력단 기계학습용 의료 영상 데이터셋의 품질을 평가하는 방법 및 시스템
US10813612B2 (en) 2019-01-25 2020-10-27 Cleerly, Inc. Systems and method of characterizing high risk plaques
CN109949250B (zh) * 2019-03-29 2021-05-18 北京奇艺世纪科技有限公司 一种图像处理方法及装置
EP3719477B1 (de) * 2019-04-03 2023-01-18 Mecwins, S.A. Verfahren zur optischen detektion von biomarkern
CN110084800B (zh) * 2019-04-28 2021-03-16 上海海事大学 一种用于四肢软组织肉瘤病人的肺转移预测方法
EP3977470A1 (de) * 2019-05-24 2022-04-06 Koninklijke Philips N.V. Vorrichtungen, systeme und verfahren zur anleitung von wiederholten ultraschalluntersuchungen zur seriellen überwachung
CN110428412B (zh) * 2019-07-31 2022-06-03 北京奇艺世纪科技有限公司 图像质量的评价及模型生成方法、装置、设备和存储介质
WO2021026125A1 (en) 2019-08-05 2021-02-11 Elucid Bioimaging Inc. Combined assessment of morphological and perivascular disease markers
CN111513754A (zh) * 2019-09-16 2020-08-11 深圳迈瑞生物医疗电子股份有限公司 一种超声成像设备、超声图像的质量评估方法
US11367179B2 (en) * 2019-09-30 2022-06-21 GE Precision Healthcare LLC Determining degree of motion using machine learning to improve medical image quality
JP7350595B2 (ja) * 2019-10-01 2023-09-26 キヤノンメディカルシステムズ株式会社 画像処理装置、医用画像診断装置及び画像処理プログラム
US20210169455A1 (en) * 2019-12-04 2021-06-10 GE Precision Healthcare LLC System and methods for joint scan parameter selection
CN111028180B (zh) * 2019-12-23 2021-11-09 腾讯科技（深圳）有限公司 图像处理方法、视频处理方法以及对应的装置
AU2021205821A1 (en) 2020-01-07 2022-07-21 Cleerly, Inc. Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
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
WO2021213519A1 (zh) * 2020-04-23 2021-10-28 上海联影医疗科技股份有限公司 图像获取、判断图像质量、医学图像采集的方法和***
EP3910644A1 (de) 2020-05-12 2021-11-17 Koninklijke Philips N.V. Qualitätskontrolle in der medizinischen bildgebung
US11487651B2 (en) 2020-07-06 2022-11-01 Fujifilm Medical Systems U.S.A., Inc. Systems and methods for quantifying the effectiveness of software at displaying a digital record
US20220215956A1 (en) * 2021-01-05 2022-07-07 Shenzhen Keya Medical Technology Corporation System and method for image analysis using sequential machine learning models with uncertainty estimation
US11744535B2 (en) 2021-03-23 2023-09-05 International Business Machines Corporation Automated population based assessment of contrast absorption phases
US11786191B2 (en) 2021-05-17 2023-10-17 Hologic, Inc. Contrast-enhanced tomosynthesis with a copper filter
WO2023097312A1 (en) * 2021-11-29 2023-06-01 Heartflow, Inc. Systems and methods for processing electronic images using user inputs
US12014807B2 (en) * 2021-12-10 2024-06-18 Merative Us L.P. Automated report generation using artificial intelligence algorithms
WO2023132846A1 (en) * 2022-01-06 2023-07-13 Rowan University Training a neural network for a predictive aortic aneurysm detection system
EP4209994A1 (de) 2022-01-10 2023-07-12 Median Technologies Verfahren und system zur automatischen klassifikation von röntgenbildern, die unterschiedliche erfassungseigenschaften aufweisen
US20230289963A1 (en) 2022-03-10 2023-09-14 Cleerly, Inc. Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination
EP4332982A1 (de) * 2022-08-29 2024-03-06 Siemens Healthineers AG Steuereinrichtung und verfahren zur steuerung eines medizintechnischen bildgebenden systems
KR102580749B1 (ko) * 2022-10-05 2023-09-19 서울대학교산학협력단 의료영상의 화질평가 방법 및 장치
CN117687554B (zh) * 2023-12-11 2024-05-28 上海梅斯医药科技有限公司 基于视觉模拟评分的标尺元件灵活配置***及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8157742B2 (en) 2010-08-12 2012-04-17 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
US8311747B2 (en) 2010-08-12 2012-11-13 Heartflow, Inc. Method and system for patient-specific modeling of blood flow

Family Cites Families (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5861731A (ja) * 1981-10-06 1983-04-12 株式会社東芝 コンピユ−タ・トモグラフイ装置
JPS5861731U (ja) 1981-10-20 1983-04-26 木原　裕 容器の蓋落下防止装置
US5872859A (en) * 1995-11-02 1999-02-16 University Of Pittsburgh Training/optimization of computer aided detection schemes based on measures of overall image quality
JP3502513B2 (ja) * 1996-09-25 2004-03-02 株式会社東芝 超音波画像処理方法および超音波画像処理装置
US6633686B1 (en) * 1998-11-05 2003-10-14 Washington University Method and apparatus for image registration using large deformation diffeomorphisms on a sphere
US6909794B2 (en) * 2000-11-22 2005-06-21 R2 Technology, Inc. Automated registration of 3-D medical scans of similar anatomical structures
JP2004105437A (ja) * 2002-09-18 2004-04-08 Fuji Photo Film Co Ltd 医用画像処理装置及び医用画像撮影システム
JP2005028114A (ja) * 2003-06-18 2005-02-03 Canon Inc 放射線撮影装置及び放射線撮影方法
US7602880B2 (en) * 2005-09-15 2009-10-13 Hitachi Medical Corporation X-ray CT apparatus
WO2007074697A1 (ja) 2005-12-26 2007-07-05 Ibm Japan, Ltd. 複数の表示オブジェクトの表示を操作するための方法、プログラム、データ処理システム
JP2007260292A (ja) * 2006-03-29 2007-10-11 Toshiba Corp 画像処理装置及びプログラム
US7940970B2 (en) * 2006-10-25 2011-05-10 Rcadia Medical Imaging, Ltd Method and system for automatic quality control used in computerized analysis of CT angiography
WO2008063494A2 (en) * 2006-11-16 2008-05-29 Vanderbilt University Apparatus and methods of compensating for organ deformation, registration of internal structures to images, and applications of same
EP2358269B1 (de) * 2007-03-08 2019-04-10 Sync-RX, Ltd. Bildverarbeitung und instrumentbetätigung für medizinische verfahren
US8023714B2 (en) * 2007-06-06 2011-09-20 Aperio Technologies, Inc. System and method for assessing image interpretability in anatomic pathology
CA2635077A1 (en) * 2007-06-15 2008-12-15 Ortho-Clinical Diagnostics, Inc. Clinical diagnostic analyzer performance estimator
US20090138318A1 (en) * 2007-11-20 2009-05-28 General Electric Company Systems and methods for adaptive workflow and resource prioritization
AU2008351907A1 (en) * 2008-02-25 2009-09-03 Inventive Medical Limited Medical training method and apparatus
CN101320526B (zh) * 2008-07-11 2010-12-22 深圳先进技术研究院 一种手术预测和训练的设备及其方法
DE102008040804B4 (de) * 2008-07-28 2021-07-29 Carl Zeiss Meditec Ag Verfahren, Operationsmikroskop und Analysesystem zur quantitativen Darstellung des Blutflusses
US8270695B2 (en) * 2008-10-07 2012-09-18 Carestream Health, Inc. Diagnostic image processing with automatic self image quality validation
RU2011120186A (ru) * 2008-10-20 2012-11-27 Конинклейке Филипс Электроникс, Н.В. Способ и система локализации на основе изображений
JP5400588B2 (ja) * 2008-12-11 2014-01-29 富士フイルム株式会社 放射線画像撮影システム
JP5514450B2 (ja) * 2009-02-23 2014-06-04 株式会社日立メディコ Ｘ線ｃｔ装置
US20110235885A1 (en) * 2009-08-31 2011-09-29 Siemens Medical Solutions Usa, Inc. System for Providing Digital Subtraction Angiography (DSA) Medical Images
US8520920B2 (en) * 2009-11-11 2013-08-27 Siemens Corporation System for dynamically improving medical image acquisition quality
JP5677757B2 (ja) * 2010-03-16 2015-02-25 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 超音波診断装置
US8645165B2 (en) * 2010-06-03 2014-02-04 General Electric Company Systems and methods for value-based decision support
JP5868052B2 (ja) * 2010-07-21 2016-02-24 シーメンス アクチエンゲゼルシヤフトＳｉｅｍｅｎｓ Ａｋｔｉｅｎｇｅｓｅｌｌｓｃｈａｆｔ 包括的な患者固有の心臓のモデリング方法およびシステム
US8682626B2 (en) * 2010-07-21 2014-03-25 Siemens Aktiengesellschaft Method and system for comprehensive patient-specific modeling of the heart
JP5642476B2 (ja) * 2010-09-28 2014-12-17 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 画像処理装置およびプログラム並びにｘ線ｃｔ装置
JP5697422B2 (ja) * 2010-12-10 2015-04-08 株式会社日立メディコ Ｘ線診断装置
JP5550586B2 (ja) * 2011-03-01 2014-07-16 株式会社東芝 医用画像診断装置と超音波診断装置と画像処理方法
CN103200872A (zh) * 2011-10-25 2013-07-10 株式会社东芝 X射线计算机断层摄影装置
US9262581B2 (en) 2012-09-24 2016-02-16 Heartflow, Inc. Method and system for facilitating physiological computations
EP2929238B1 (de) 2012-12-05 2018-02-21 Philips Lighting Holding B.V. Flache beleuchtungsvorrichtung
US9424395B2 (en) 2013-03-04 2016-08-23 Heartflow, Inc. Method and system for sensitivity analysis in modeling blood flow characteristics
KR20150061055A (ko) * 2013-11-25 2015-06-04 삼성전자주식회사 관상동맥 cta 영상으로부터 관상동맥의 병변을 검출하는 방법 및 장치
JP5861731B2 (ja) 2014-03-27 2016-02-16 カシオ計算機株式会社 携帯端末
US10074038B2 (en) * 2016-11-23 2018-09-11 General Electric Company Deep learning medical systems and methods for image reconstruction and quality evaluation
DE102017221297A1 (de) * 2017-11-28 2019-05-29 Siemens Healthcare Gmbh Verfahren und Vorrichtung zur automatisierten Auswertung wenigstens eines mit einer medizinischen Bildaufnahmeeinrichtung aufgenommenen Bilddatensatzes, Computerprogramm und elektronisch lesbarer Datenträger

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8157742B2 (en) 2010-08-12 2012-04-17 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
US8311747B2 (en) 2010-08-12 2012-11-13 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
US8311748B2 (en) 2010-08-12 2012-11-13 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
US8311750B2 (en) 2010-08-12 2012-11-13 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
US8315814B2 (en) 2010-08-12 2012-11-20 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
US8315813B2 (en) 2010-08-12 2012-11-20 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
US8315812B2 (en) 2010-08-12 2012-11-20 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
US8321150B2 (en) 2010-08-12 2012-11-27 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
US8386188B2 (en) 2010-08-12 2013-02-26 Heartflow, Inc. Method and system for patient-specific modeling of blood flow

Also Published As

Publication number Publication date
US20200311936A1 (en) 2020-10-01
CN105051784B (zh) 2017-05-17
JP6255473B2 (ja) 2017-12-27
US20140275947A1 (en) 2014-09-18
WO2014149496A1 (en) 2014-09-25
US9008405B2 (en) 2015-04-14
KR102172182B1 (ko) 2020-10-30
US20140376797A1 (en) 2014-12-25
US11803965B2 (en) 2023-10-31
US20140275945A1 (en) 2014-09-18
US11494904B2 (en) 2022-11-08
JP2017170262A (ja) 2017-09-28
US20240013388A1 (en) 2024-01-11
US8824752B1 (en) 2014-09-02
DE202014010689U1 (de) 2016-04-27
US20180068445A1 (en) 2018-03-08
JP6410891B2 (ja) 2018-10-24
KR20150132191A (ko) 2015-11-25
KR20200124767A (ko) 2020-11-03
AU2014238124A1 (en) 2015-09-10
EP2803038A1 (de) 2014-11-19
EP3664026A1 (de) 2020-06-10
US20150086093A1 (en) 2015-03-26
EP3664026B1 (de) 2022-02-09
JP2019048060A (ja) 2019-03-28
AU2016222402A1 (en) 2016-09-15
US8861820B2 (en) 2014-10-14
AU2016222402B2 (en) 2018-07-05
JP6656331B2 (ja) 2020-03-04
CN105051784A (zh) 2015-11-11
US20220277446A1 (en) 2022-09-01
JP2020080165A (ja) 2020-05-28
CA2904832C (en) 2017-04-25
US9672615B2 (en) 2017-06-06
US9836840B2 (en) 2017-12-05
KR102312011B1 (ko) 2021-10-14
US20140270427A1 (en) 2014-09-18
US20160300349A1 (en) 2016-10-13
CA2904832A1 (en) 2014-09-25
US8831314B1 (en) 2014-09-09
US10719931B2 (en) 2020-07-21
US20140275946A1 (en) 2014-09-18
JP2016513530A (ja) 2016-05-16
EP2803038B1 (de) 2020-01-15
US8831315B1 (en) 2014-09-09

Similar Documents

Publication Publication Date Title
US11803965B2 (en) Methods and systems for assessing image quality in modeling of patient anatomic or blood flow characteristics
DE202014010680U1 (de) System zum Bewerten kardiovaskulärer Behandlungsoptionen für einen Patienten
DE202011110783U1 (de) System zum Bereitstellen einer nicht-invasiv erhaltenen fraktionellen Flussreserve und eines computerisierten Modells eines Teils einer Anatomie eines Patienten

Legal Events

Date Code Title Description
R207 Utility model specification
R150 Utility model maintained after payment of first maintenance fee after three years
R151 Utility model maintained after payment of second maintenance fee after six years
R152 Utility model maintained after payment of third maintenance fee after eight years
R082 Change of representative

Representative=s name: CBDL PATENTANWAELTE GBR, DE

R071 Expiry of right