在医学成像中针对血液动力学量化的不确定性或敏感性的机器学习预测专利检索-血流储备分数诊断设备和程序专利检索查询-专利查询网

在医学成像中针对血液动力学量化的不确定性或敏感性的 机器学习预测

阅读：260发布：2020-08-28

专利汇可以提供在医学成像中针对血液动力学量化的不确定性或敏感性的机器学习预测专利检索，专利查询，专利分析的服务。并且确定（26）针对患者特定血液动力学量化的不确定性、敏感性和/或标准偏差。确定不同信息（诸如几何结构在不同位置处的拟合）对不确定性或敏感性的贡献。替换地或附加地，确定一个位置处的信息（例如，在一个位置处的几何拟合）对其他位置处的不确定性或敏感性的贡献量。训练（46）机器学习分类器来确定针对患者的不确定性、敏感性和/或标准偏差，而不是依赖于针对每个患者的耗时的统计分析。，下面是在医学成像中针对血液动力学量化的不确定性或敏感性的机器学习预测专利的具体信息内容。

权利要求

1.一种用于医学成像系统中的血液动力学量化的方法，所述方法包括：
利用所述医学成像系统对患者进行扫描（12），所述扫描（12）提供表示所述患者的心脏系统的部分的心脏数据；
根据所述心脏数据确定（14）患者特定心脏几何结构；
从所述患者特定心脏几何结构中提取（20）所述血液动力学量化的机器学习预测器的第一输入向量的特征值；
响应于所述第一输入向量的特征值，由所述机器学习预测器预测（22）所述血液动力学量化的值；
提取（24）所述血液动力学量化的不确定性和/或敏感性的机器学习分类器的第二输入向量的特征值；
响应于所述第二输入向量的特征值，由所述机器学习分类器将所述血液动力学量化对于所述患者特定心脏几何结构的不确定性和/或敏感性的一个或多个值进行分类（26）；以及
基于所述血液动力学量化的值和所述不确定性和/或敏感性的一个或多个值来生成（28）输出。
2.根据权利要求1所述的方法，其中确定（14）所述患者特定几何结构包括：将模型拟合到所述心脏数据。
3.根据权利要求1所述的方法，其中提取（20、24）所述第一输入向量和/或所述第二输入向量的特征值包括：提取沿着由所述患者特定心脏几何结构表示的血管的半径。
4.根据权利要求1所述的方法，其中预测（22）包括：利用至少部分地在合成样本上训练的机器学习预测器进行预测（22）。
5.根据权利要求1所述的方法，其中预测（22）包括：作为所述血液动力学量化来预测（22）血流储备分数。
6.根据权利要求1所述方法，其中分类（26）包括：利用基于不确定性水平所训练的机器学习分类器进行分类（26），所述不确定性水平是基于扫描配置、所述心脏数据的重建和/或患者特性。
7.根据权利要求1所述的方法，其中分类（26）包括：利用基于考虑到所采样的噪声分布的血液动力学量化的分布所训练的机器学习分类器进行分类（26）。
8.根据权利要求1所述的方法，其中分类（26）包括：利用基于来自所述血液动力学量化的分布的标准偏差的敏感性和不确定变量与所述血液动力学量化的分布的相关性所训练的机器学习分类器进行分类（26）。
9.根据权利要求1所述的方法，其中预测（22）包括：预测（22）针对第一位置的所述血液动力学量化的值，其中分类（26）包括针对多个第二位置中的每一个进行分类（26），并且其中生成（28）所述输出包括：生成（28）第二位置的图，所述第二位置的图示出了对针对所述血液动力学量化在所述第一位置处的值的不确定性和/或敏感性的贡献。
10.根据权利要求1所述的方法，其中预测（22）包括：预测（22）针对多个第一位置的所述血液动力学量化的所述值和其他值，其中分类（26）包括将所述值和其他值对于第二位置处的不确定性的敏感性进行分类（26）。
11.根据权利要求1所述的方法，进一步包括：将所述患者特定心脏几何结构分离（18）成血管分支，并且针对所述血管分支中的每一个单独地实行所述预测（22）和分类（26）。
12.根据权利要求1所述的方法，其中生成（28）包括：作为所述患者特定心脏几何结构的位置的函数来生成（28）所述血液动力学量化的敏感性和/或不确定性的图。
13.根据权利要求1所述的方法，其中生成（28）包括：作为所述血液动力学量化的值和所述不确定性和/或敏感性的一个或多个值的字母数字文本来生成（28）输出。
14.根据权利要求1所述方法，进一步包括：接收（16）所述患者特定心脏几何结构的位置的用户选择，并且其中生成（28）包括作为针对所述位置的血液动力学量化的值和至少所述不确定性和/或敏感性的一个或多个值来生成（28）所述输出。
15.根据权利要求1所述的方法，进一步包括：接收（32）所述患者特定心脏几何结构的修改，并且基于具有所述修改的患者特定心脏几何结构来重复所述预测（22）和分类（26）。
16.根据权利要求1所述方法，进一步包括：将所述不确定性的值与阈值进行比较（30），并且基于所述比较的结果输出推荐。
17.一种用于血液动力学量化的系统，所述系统包括：
医学扫描仪（80），用于对患者进行扫描（12），所述医学扫描仪（80）被配置成输出针对所述患者的冠状数据；以及
图像处理器（82），被配置成从所述冠状数据提取患者特定冠状几何结构、计算针对所述患者特定冠状几何结构上的第一位置的血液动力学量、确定与不同于所述第一位置的第二位置相关联的血液动力学量的置信统计信息；以及
显示器（86），被配置成显示所述血液动力学量和所述置信统计信息。
18.根据权利要求17所述的系统，其中所述图像处理器（82）被配置成确定所述患者特定心脏几何结构的第二位置、第一位置和多个第三位置中的每一个位置处的置信统计信息，并且其中所述显示器被配置成显示所确定的置信统计信息的图。
19.根据权利要求17所述的系统，其中所述图像处理器（82）被配置成通过应用机器学习分类器来作为所述血液动力学量的不确定性、敏感性和/或标准偏差而确定所述置信统计信息。
20.根据权利要求17所述的系统，其中所述图像处理器（82）被配置成作为从所述第二位置对所述第一位置的所述血液动力学量的贡献来确定所述置信统计信息。
21.根据权利要求17所述的系统，其中所述图像处理器（82）被配置成计算针对所述第一位置和所述第二位置中的每一个位置的血液动力学量，并且被配置成基于所述第二位置的变化来确定所述血液动力学量的置信统计信息。

说明书全文

在医学成像中针对血液动力学量化的不确定性或敏感性的机

器学习预测

背景技术

[0001] 本实施例涉及医学成像中的血液动力学量化。血流计算提供了对心血管系统的结构和功能的重要的深刻理解。对于冠状动脉疾病（CAD）而言，根据通过采用计算流体动力学（CFD）进行的医学成像而已经预测了血流储备分数（FFR）的功能指数。这些基于CFD的模型将根据医学成像所提取的几何信息与关于系统的生理学的背景知识（其被编码在由偏微分方程组成的复杂数学流体流动模型中）进行组合。该方法导致大量的代数方程，使得其在计算上是非常要求高的，从而防止了将该技术针对诸如干预措施的术中指导之类的实时应用进行采用。一种替换的且在计算上不那么昂贵的方法是基于机器学习（ML）算法。通过根据具有已知特性和成果的样本数据库所构建的模型来表示输入数据与关注的量（例如，FFR）之间的关系。

[0002] 预测的准确度取决于输入信息的质量和准确度或精确度，以及取决于模型的假设。针对根据患者特定的血流计算所提取的关注的量的不确定性的主要来源可以由根据医学图像重建的解剖模型来表示。采集扫描、分割、重建和特定患者条件（例如，年龄、性别或BMI）的分辨率和精确度表示了针对不确定性的一些原因。所预测的量具有未知水平的准确度，从而使得医师更难以使用该量化。

[0003] 涉及对几何敏感性进行估计的先前方法通常着重于几何不确定性对同一区域中的FFR值的影响。该信息可以帮助决定是否使用量化，但是不提供可以被用来改善针对该患者的量化的信息。发明内容

[0004] 借助于简介，下面所描述的优选实施例包括针对血液动力学量化的方法、系统、指令和非临时性计算机可读介质。确定了针对患者特定的血液动力学量化的不确定性、敏感性和/或标准偏差。确定了不同信息（诸如几何结构在不同位置处的拟合）对不确定性或敏感性的贡献。替换地或附加地，确定了一个位置处的信息（例如，在一个位置处的几何拟合）对其他位置处的不确定性或敏感性的贡献量。训练机器学习分类器来确定针对患者的不确定性、敏感性和/或标准偏差，而不是依赖于针对每个患者的耗时的统计分析。

[0005] 在第一方面，提供了一种用于医学成像系统中的血液动力学量化的方法。医学成像系统对患者进行扫描。该扫描提供表示患者的心脏系统的部分的心脏数据。根据该心脏数据确定患者特定的心脏几何结构。从该患者特定的心脏几何结构提取血液动力学量化的机器学习预测器的第一输入向量的特征值。响应于第一输入向量的特征值，机器学习预测器预测血液动力学量化的值。提取血液动力学量化的不确定性和/或敏感性的机器学习分类器的第二输入向量的特征值。响应于第二输入向量的特征值，机器学习分类器将血液动力学量化的不确定性和/或敏感性的一个或多个值分类到患者特定的心脏几何结构。基于血液动力学量化的值和不确定性和/或敏感性的一个或多个值来生成输出。

[0006] 在第二方面，提供了一种用于血液动力学量化的系统。用于对患者进行扫描的医学扫描仪被配置成输出针对患者的冠状数据。图像处理器被配置成：从冠状数据提取患者特定的冠状几何结构，计算针对患者特定的冠状几何结构上的第一位置的血液动力学量，确定与不同于第一位置的第二位置相关联的血液动力学量的置信统计信息。显示器被配置成显示该血液动力学量和置信统计信息。

[0007] 本发明由所附权利要求限定，并且本部分中的内容都不应当被理解为对那些权利要求的限制。本发明的其他方面和优点在下面结合优选实施例进行讨论，并且可能之后独立地或以组合形式来要求保护。附图说明

[0008] 部件和附图不一定是按比例的，而是将重点置于说明本发明的原理。此外，在附图中，相同的附图标记遍及不同视图标明对应的部分。

[0009] 图1是用于医学成像系统中的血液动力学量化的方法的一个实施例的流程图示图；图2是用于医学成像系统中的血液动力学量化的方法的另一实施例的流程图示图；
图3图示了具有多重狭窄以及对应的关注位置的示例冠状血管树；
图4图示了具有基于主分支或非末端分支的关注位置的示例冠状血管树；以及
图5图示了具有基于末端分支和非末端分支的关注位置的图4的示例冠状血管树；
图6是示出了训练和应用不确定性或敏感性的机器学习分类器的一个实施例的流程图示图；
图7示出了按照沿着血管树的位置的敏感性图的示例显示；
图8、11和14示出了针对三个不同患者的示例几何模型，图9、12和15示出了作为分别沿着图8、11和14的模型的主分支的位置的函数的敏感性的曲线图，以及图10、13和16示出了作为分别沿着图8、11和14的模型的子分支的位置的函数的敏感性的曲线图；
图17-19示出了分别针对图7的血管树的冠状几何结构的LAD、LCx和RCA位置中的每个位置的血液动力学量的概率分布函数；以及
图20是用于利用提供量化的不确定性、敏感性和/或标准偏差进行血液动力学量化的系统的一个实施例。

具体实施方式

[0010] 预测了血液动力学计算中的不确定性和/或敏感性。机器学习分类器被用于实时或预测，而具有比统计分析更少的计算要求。计算不确定性和/或敏感性被有效地集成在临床工作流程中以及决策制定过程中。考虑到关注的量的固有不确定性，基于所计算的关注度量（例如，FFR）的决策制定仍旧是主观的。因此，存在使得针对所计算的关注度量（例如，FFR）的不确定性的全自动或半自动评估能够实现的需要。依靠（alongside）度量的标称值来提供评估。通过可以访问标称值和不确定性的量度二者，临床操作员将能够做出更知情的决策。附加地，不确定性分析指示了冠状树中对所计算的关注量具有最大影响的位置。基于影响的分布，用户可以在准备用于计算关注量的输入数据时更着重于这些区域，以增加输出值中的置信度（即，减少不确定性）。

[0011] 在工作流程中，确定了通过机器学习预测器或其他方法所计算的血液动力学量的敏感性和/或不确定性。关于根据医学图像重建的解剖模型的不确定性或者关于被用来进行量化的其他信息来确定敏感性和/或不确定性。在一个实施例中，采集患者冠状动脉的医学成像数据。从表示冠状解剖模型的医学成像数据提取特征。机器学习预测器或CFD模型预测针对冠状动脉树中的每个病变的关注量。关于解剖模型来计算关注量的敏感性和/或不确定性。对关注量依靠其敏感性和/或敏感性进行可视化。

[0012] 在本文中所使用的示例中，针对冠状循环计算血液动力学量以及敏感性和/或不确定性。在其他示例中，针对心血管系统的其他部分计算该量以及敏感性和/或不确定性，该其他部分诸如是在心脏或血管内的其他位置处。

[0013] 可以采用各种技术来实行敏感性和/或不确定性分析。例如，使用可靠性方法、随机展开方法（诸如，混沌多项式展开或随机配置）、重要性采样、自适应采样、区间分析、Dempster-Shafer证据理论或贝塞尔校准中的任何一种。针对给定患者实行分析。替换地，实行分析来训练机器学习分类器，以输出针对特定患者的敏感性和/或不确定性。

[0014] 图1是用于医学成像系统中的血液动力学量化的方法的一个实施例的流程图。针对一个或多个血液动力学预测来确定敏感性和/或不确定性。提供了作为位置的函数的不确定性与预测的关系和/或一个位置的不确定性与其他位置处的预测的关系。可以由机器学习分类器实行不确定性和/或敏感性的分类。

[0015] 图2示出了本方法的另一实施例。该实施例表示用于评价血液动力学量化的几何敏感性的工作流程。

[0016] 以示出的（例如，从顶部到底部或按数字的）次序或其他次序来实行动作。例如，图1示出了在动作16之后实行的动作22，以及图2示出了在动作16之前实行的动作22。动作20和22可以在动作24和26之前实行或者同时实行。

[0017] 可以提供附加的、不同的或更少的动作。例如，图2示出了使用图1的动作的子集。作为另一示例，动作20和24被组合成一个动作。在又一示例中，可以不提供动作14、18、28、
30和/或32中的任意动作。在另一示例中，在利用CFD实行动作22的情况下不提供动作20，和/或在动作26被计算为数值解或计算解的情况下不实行动作24。可以提供用于配置医学扫描仪的动作。

[0018] 可以由图20的系统或另一系统实行动作。例如，由CT扫描仪实行动作12，由用户输入设备或处理器实行动作16和/或32，以及由处理器实行其他动作。在一个示例中，医学扫描仪实行全部动作。在又一示例中，工作站、计算机、便携式或手持式设备（例如，平板设备或智能电话）、服务器或其组合来实行动作中的一个或多个。在一个实施例中，工作站在患者的医学检查期间（即，在患者扫描完成的几分钟内、在用于扫描的预约期间和/或与扫描实时地）确定敏感性。

[0019] 在动作12中，采集一个或多个医学图像或数据集。医学图像是表示患者的数据帧。数据可以以任何格式。尽管使用了术语“图像”和“成像”，但是图像或成像数据可以是以图像的实际显示之前的格式。例如，医学图像可以是多个标量值，该多个标量值表示与显示格式（即，扫描或体素数据）不同的笛卡尔坐标格式或极坐标格式中的不同位置。作为另一示例，医学图像可以是多个红、绿、蓝（例如，RGB）值，其被输出到显示器以用于生成以显示格式的图像。医学图像可以尚不是所显示的图像，可以是当前显示的图像，或者可以是以显示格式或其他格式的先前显示的图像。图像是可以被用于解剖成像的数据集，诸如表示患者解剖结构（例如，冠状动脉）的空间分布的扫描数据。

[0020] 通过从存储器加载和/或经由计算机网络的传递来获得医学图像。例如，先前采集的扫描数据是从存储器或数据库访问的。作为另一示例，在根据对患者进行扫描的采集之后通过网络传输扫描数据。在其他实施例中，通过利用医学成像系统对患者进行扫描来获得医学图像或扫描数据。

[0021] 可以使用任何类型的医学图像。在一个实施例中，CT扫描仪或系统采集表示患者的CT扫描数据。通过绕着患者旋转x射线源和相对的检测器来采集CT扫描数据。可以使用行进的任何范围和/或路径，诸如沿着螺旋形行进路径进行旋转。可以代替地使用C形臂或其他x射线成像，诸如x射线血管造影系统。计算层析摄影然后被用来根据由检测器检测到的投射来确定x射线衰减的二维或三维分布。在其他实施例中，获得其他类型的扫描数据或医学图像，诸如磁共振、x射线、超声、正电子发射层析摄影（PET）或单光子发射计算层析摄影（SPECT）。

[0022] 在一个实施例中，实行冠状CT血管造影来采集冠状CT数据，该冠状CT数据表示患者的心脏或冠状区域。可以采集其他冠状CT数据，诸如双能量或光子计数数据。为针对冠状动脉疾病所正进行检查的稳定患者或急性患者来采集冠状CT数据。可以提供表示心脏系统的其他部分和/或冠状的其他心脏数据。

[0023] 基于所接收到的检测强度，通过计算层析摄影处理来生成患者的三维表示（即，作为体素或位置的函数的密度或吸收）。替换地，扫描数据表示患者的二维横截面。获得表示患者的内部区域的数据。数据帧表示患者的二维或三维区域。针对在二维或三维中分布的多个位置中的每一个提供值。

[0024] 除了冠状数据之外，可以从一个或多个其他源提取用于量化和/或敏感性分析的输入信息。诸如听诊器、血压计和/或实验室诊断法（例如，血压、心率、ECG 信号）之类的其他医学装备和设备可以被用来提供患者数据。其他示例数据包括下述各项中的任何一个或多个：患者的类型（例如，稳定的或急性的）、先前实行的非侵入式应力测试（例如，心肌灌注成像（MPI）、多门控采集（MUGA）扫描、放射性核素应力测试和核应力测试、运动应力测试、心电图（EKG/ECG）和/或应力或静置超声心动描记术）的结果、来自非医疗级设备（例如，可穿戴设备、手表、计步器、智能电话和/或平板设备）的测量结果、如通过血液测试和/或分子测量（例如，蛋白质组、转录组、基因组、代谢组、脂质组和表观基因组）所产生的生物化学信号、基于放射基因组所提取的特征（与病理学的基因组相联系的成像生物标志物）、人口统计信息（例如，年龄、族裔、性别、体重、身高、人种、身体质量指数（BMI）、糖尿病史、高血压史、高血脂史、吸烟史、CAD家族史、既往心肌梗死（MI）、既往PCI、既往CABG和/或心绞痛类型（例如，根据CCS、AHA/ACC的稳定/恶化/沉默缺血/其他心绞痛类别））、患者的临床病史（例如，由于其他医学检查，患者可能最近已经暴露于辐射）和/或患者的基于基因、放射基因组或其他表型的特征。

[0025] 可以在单个时间点或在不同时间点采集信息的任何子集或全部这些不同类型的信息。例如，从先前冠状血管造影术或者从血管造影检查提取的特征可以被用来预测一个或多个关注量度。类似地，血液生物标志物（相同的或不同的）可以在不同时间点采集并且被用作特征。同一类型的信息可以在不同时间采集，从而提供信息的时间序列。一个类型的信息可以在与另一类型的信息相同的或不同的时间采集。

[0026] 在动作14中，图像处理器根据心脏数据来确定患者特定的心脏几何结构。该几何结构被确定为网格或表面。将心脏几何结构与心脏数据分割。梯度、阈值、随机漫步或其他图像过程确定几何结构。替换地，类属模型或其他几何表示与心脏数据进行拟合。可以检测到界标并且将其用于拟合。关联可以被用于拟合。可以使用用以找到心脏、血管或其他心脏表面的任何现在已知或之后开发的图像过程。

[0027] 几何结构特定于患者。找到针对该患者的几何结构，而不是使用类属表示。几何结构可以指示病变，诸如狭窄或其他影响血流的结构。几何结构具有任何范围，诸如表示针对任何长度的单个血管或者表示具有任何数量的分支的血管树。

[0028] 在动作16中，标识一个或多个关注位置。图像处理器接收一个或多个位置。该一个或多个位置是患者特定的几何结构的部分。例如，标识与狭窄相对应的任何位置。在另一示例中，标识针对每个区段（即，分支之间的部分）的一个或多个位置，诸如针对每个区段的末端位置。

[0029] 手动地或自动地标识位置。对于手动而言，用户在几何结构的渲染和/或心脏数据的渲染上选择位置。使用用户接口（例如，显示器和用户输入设备），用户选择任何数量的位置，针对该位置用户期望具有血液动力学量化的预测（例如，FFR）。位置可以与关注病变、病变的下游位置或其他位置相对应。例如，用户选择病变以确定该病变对所计算的关注量的影响。图3示出了具有两个用户所选关注位置的血管树几何结构，一个在主分支上的病变之后并且另一个在侧分支上的病变之后。用户可以选择下述位置：在该位置处原本将实行侵入性测量。将关于所选位置来计算敏感性值。

[0030] 一个或多个位置可以由图像处理器来标识。例如，找到紊流、限制或另一界标的位置。可以使用模板拟合、中心线分析、流量分析、分割或其他过程。在一个实施例中，机器学习检测器对一个或多个位置进行检测。自动挑选的位置可以被操作员修改或丢弃。替换地，操作员可以添加其他关注位置。

[0031] 在一个实施例中，将关于在某个位置处的所计算的量（例如，FFR值）针对不同位置来确定敏感性。提供了一种全自动的敏感性分析。用户并不指示几何结构上的或者根据心脏数据的渲染上的位置。

[0032] 在动作18中，可以使用患者特定的心脏几何结构的任何分离。通过将几何结构分离成血管分支，逐分支来提供关于位置的针对每个分支和对应敏感性的血液动力学量的单独预测。针对每个分支对下述各项单独地分类：量化的位置处的敏感性、该位置处的量化对其他位置处的不确定性的敏感性和/或其他位置处的量化对一个位置处的不确定性的敏感性。在替换的实施例中，使用了量化关于在该分支和其他分支上的不确定性的敏感性。

[0033] 图4示出了示例方法。在被包括在血管树中的每个主分支（例如，LAD、LCx和/或RCA）上挑选远端位置。在图4中，LAD和LCx主分支被包括在该几何结构中。由于三个主分支中的血液动力学对彼此有很小的影响，所以针对每个主分支及其对应的侧分支来单独计算敏感性图。在图4中，LAD主分支和侧分支被示为虚线，其中量化是针对LAD主分支的末端，以及LCx主分支和侧分支被示为点线，其中量化是针对LCx主分支的末端。图像处理器标识主分支并且选择位于主分支的末端处或者在末端附近的位置。

[0034] 如果侧枝血流存在，则主分支中的血流可能彼此影响。可以选择在主分支的分叉附近的在每个主分支中的位置。

[0035] 使用图4的方法，侧分支可能通常对主分支的远端位置处的量化值具有很小影响。为了确定针对侧分支的量化值和对应的敏感性，可以使用不同方法。图5示出了使用来自图
4的几何结构的示例。为了预测血液动力学量化值，无论主分支还是侧分支，在每个末端分支上挑选远端位置。相对于在该分支上所挑选的远端位置来计算每个末端分支上的敏感性值。对于所有非末端分支（即，主分支）而言，相对于在最大远端分支上所挑选的远端位置来计算敏感性值。在没有侧分支的情况下，针对沿着整个主分支的位置来计算敏感性。

[0036] 在动作20中，图像处理器从患者特定的心脏几何结构提取血液动力学量化的机器学习预测器的输入向量的特征值。可以替换地或附加地提取来自其他源的特征值，该其他源诸如是心脏数据、患者信息、其他测量结果或临床数据。选择来自动作12、动作14和/或其他源的所采集数据的子集。替换地，仅针对输入向量的特征来实行动作12和14，所以采集可以是提取。机器学习预测期或其他预测器使用给定的特征集合。对于那些特征可用的患者数据被用来确定特征值。

[0037] 提取可以是对值进行选择或确定。例如，针对沿着血管树的多个位置（诸如针对沿着每个分段或分支的多个位置）来提取血管几何结构的中心线位置、半径和/或圆周形状。FFR可能对半径更敏感，所以提取沿着由患者特定的心脏几何结构所表示的血管的半径。关于根据患者的医学图像所重建的解剖模型的敏感性可能是对于量化而言的焦点。替换地，可以在不生成血管的解剖模型的情况下，直接根据患者的医学图像来提取由用于预测关注量度的机器学习预测器所使用的任何特征。例如，将滤波器内核（例如，哈尔小波或神经网络学习内核）应用于心脏数据，并且结果是特征值。在该情况下，与解剖信息有关的不确定性可以被直接合并到这些特征中。作为另一示例，所采集的患者数据的解剖值、功能值、测量值或其他值可以被用作输入向量的值。替换地，该提取诸如通过对信息进行过滤或组合来更改所采集的值。

[0038] 不同预测器可以使用不同输入向量。可以针对不同预测器来提取值的不同集合。替换地，针对所有预测器或者仅一个预测器来提取一个集合。类似地，相同的或不同的特征被用于预测量化以及对敏感性进行分类（即，针对动作20和24的相同或不同的特征）。

[0039] 在不具有机器学习预测器而实行量化的情况下，可以不提取特征值。替换地，所提取的值是针对量化中所使用的变量，诸如与针对CFD的患者特定的几何结构有关的值。

[0040] 在动作22中，由图像处理器应用的机器学习预测器预测针对患者的血液动力学量化的值。将所提取的值输入到机器学习预测器。该输入是通过将值应用到表示机器学习预测器的矩阵而进行的。响应于输入向量的特征值，机器学习预测器输出用于量化的值。计算关注量。

[0041] 可以预测血液动力学量的任何一个或组合。在一个实施例中，计算FFR。其他血液动力学量包括瞬时无波比（iFR）、静息Pd/Pa、CFR、HSR、BSR、IMR和/或壁剪切应力。

[0042] 机器学习预测器预测针对一个位置的血液动力学量化的值或者针对更多位置的值。例如，在一个位置处（例如，在病变处）或者在多个位置处预测FFR。对于图3而言，在两个位置处预测FFR。对于图4而言，在两个位置（点）处预测FFR。对于图5而言，在七个位置处预测FFR。在其他实施例中，在患者特定的几何结构的每个分支和/或分段中的多个位置处预测FFR。可以针对在对于冠状动脉树（即，患者特定的几何结构）的网状拟合中的全部或多个位置来计算FFR。被用来在任何给定位置处进行预测的特征是基于表示该位置的信息。来自其他位置的特征也可以被用于在给定位置处进行预测。可以使用不是位置特定的特征。

[0043] 训练机器学习预测器来基于训练数据做出预测。该训练数据包括来自具有已知量化结果（真值）的许多实例的输入特征向量的样本。例如，在CFD和/或侵入式测量被用来建立真值的情况下提供来自许多患者的提取值。机器训练学会基于输入特征向量的值来预测结果。

[0044] 期望数量的和/或多种多样的患者样本可能不可用于训练，或者在采集方面存在过高成本。为了克服这点，可以完全地或者至少部分地在合成示例上训练机器学习预测器。创建了冠状解剖结构的大的合成生成的数据库，从而导致对冠状阻塞的不同形态的丰富采样。例如，训练机器学习模型来学习解剖特征与使用CFD模型所计算的FFR值之间的关系，其中合成地创建解剖结构的一些或全部示例。通过将患者数据打乱来创建并非来自实际患者的样本而生成数据，而不是使用针对实际患者的数据。可以使用非患者物理模型（例如，用以表示具有来自心脏的流动模拟血液和泵送模拟血压的冠状动脉树的管）。一般的或非患者特定的计算机建模可以被用来生成数据。可以使用合成的图像、合成的解剖模型和/或其他非患者特定的数据。

[0045] 可以使用任何机器学习或训练。可以使用概率提升树、支持向量机、神经网络（例如，深度学习）、稀疏自动编码分类器、贝叶斯网络或其他现在已知或之后开发的机器学习。可以使用任何半监督学习、监督学习或无监督学习。可以使用分级或其他方法。在一个实施例中，分类是通过利用深度学习进行学习的机器学习分类器来进行的。作为对在不同成果之间进行区分的特征进行标识的部分，分类器也是机器学习的。可以使用任何深度学习方法或架构。例如，使用卷积神经网络。该网络可以包括卷积层、子采样（例如，最大池化）层、完全连接层和/或其他类型的层。通过使用卷积，限制了要被测试的可能特征的数量。完全连接的层进行操作来将在最大池化之后由卷积层所限制的特征进行完全连接。其他特征可以添加到完全连接层，该其他特征诸如是非成像信息或临床信息。可以提供层的任何组合。
采用分级结构以用于学习特征或表示或者用于分类或回归。基于计算机的决策支持系统采用机器学习算法以用于自动决策制定。

[0046] 在替换实施例中，使用除了机器学习预测器之外的模型。使用基于规则的模型（例如，决策树）、降阶模型（例如，冠状循环系统的集总参数模型）或其他模型。例如，使用患者特定的几何结构来实行CFD。与患者数据进行拟合的几何结构的模型可以包括生物力学元素、物理元素和/或其他元素，以用于对通过该几何结构的血流进行建模。

[0047] 动作24和26涉及将关于量化置信度的统计信息（诸如不确定性和/或敏感性）进行分类。在图1的示例中，该分类使用机器学习分类器。在图2的示例中，该分类使用机器学习分类器或另一方法，诸如敏感性的数值计算。下面，讨论针对分类的机器学习。作为训练的部分，确定了真值敏感性和/或不确定性。数值计算方法实行被用来创建真值的计算，但是针对特定患者而不是针对各种训练样本。

[0048] 图6示出了用于训练的离线动作集合和用于应用机器学习分类器的在线动作集合。动作40、20和22对应于血液动力学量化的机器学习预测器的训练（动作40）和应用。至少部分地基于动作40中的所生成的合成动脉树的集合来训练机器学习预测器。在动作20中，在具有或不具有其他特征的情况下提取几何特征值。在动作22中，机器学习预测器被用作在评估敏感性和/或不确定性中的前向模型。由于在评估敏感性和/或不确定性中采用的前向模型是基于机器学习预测器，所以每个前向运行（即，基于训练数据中的一个样本的量化）仅需要较短执行时间。因为，通常由于大量不确定变量而生成了非常大量的（例如，几百、几千或更多）样本，所以敏感性计算仍可能需要相当大量的时间。为了减轻对于将针对给定患者的置信统计信息进行分类而言的这种限制，在动作46中，一个或多个机器学习分类器可以被训练和应用于直接确定与关注量度、位置和/或关注病变相关联的敏感性、不确定性和/或置信区间。

[0049] 在动作42中，输入不确定性（不确定性、范围、位置、病变等等的类型）被指定用于关注位置。在动作20中，提取特征的集合不仅包括冠状解剖模型的特性，而且还包括不确定性相关的方面。在动作46的训练中，使用这些特征的值。针对不确定性的特征可以或者可以不被前向模型所使用。在动作22中，采用前向模型（即，用于量化的机器学习预测器）来传播该不确定性，并且作为结果，在动作44中确定与关注量度相关联的敏感性、不确定性和/或置信区间。然后可以在动作46中通过基于所提取特征的机器学习算法来学习敏感性、不确定性和/或另一置信统计信息的分类。

[0050] 在针对特定患者的应用中（即，在线），在动作14中确定患者特定的几何结构。在动作48中，自动地或者由用户指定输入数据中的不确定性信息。例如，给定的成像配置和患者数据被用来基于系统中的已知不确定性（例如，x射线强度变化）和/或针对给定类型和配置的扫描的假设的或估计的不确定性（例如，BMI效应）来确定几何结构中的不确定性和/或其他输入特征信息。在动作24中，针对患者特定的几何结构提取用于训练的相同特征。在动作26中，机器学习分类器输出与关注量度相关联的敏感性、不确定性和/或置信区间。

[0051] 被用于预测敏感性、不确定性和/或置信区间的机器学习分类器可以与被用来计算关注量的标称值的机器学习预测器或前向模型并行运行。在采用神经网络作为针对预测器和分类器两者的机器学习算法的情况下，被用来预测关注量度和与关注量度相关联的敏感性、不确定性和/或置信区间的神经网络可以共享一个或多个层。无论层被共享与否，各种量的预测可以与敏感性和/或不确定性的分类同时实行。

[0052] 机器学习分类器的一个优点是针对给定患者的在线预测是快速的：几乎同时输出结果（例如，大约在几秒内）。可以在位于诊所或医院处的工作站上并且在患者的预约期间或者按医师的需要直接运行机器学习预测器和分类器。在替换的实施例中，使用远程服务器。可以使用本地和远程的组合。非现场或远程处理可以使得能够实现更准确的敏感性分析，这是通过对处理时间的较不严格的要求而使得能够实现的。此类情境的示例包括采用非现场可用而不是在现场可用的复杂计算模型（CFD）。在现场评估可能在采集到医学图像时不是可用的。这可能是由于成像工作站的限制（例如，不兼容的硬件或软件配置）或者提供处理功能性的工作站的不可用性。在这种情况下，非现场处理可以被提供为替换方案以产生与在现场的对应处理相同的结果或者具有选择不同分析或选项的可能性。在另一情境中，在现场评估提供敏感性和/或不确定性分析的第一近似（例如，不是全部图像特征都以置信度来进行提取）。在该情况下，非现场处理包括另外的图像处理以提取更多图像特征或者具有更大置信度（即，更小不确定性）。非现场处理还可以包括对在预测器和/或分类器中合并的更大的特征集合（例如，诸如患者的临床病史、骨骼的危险因素等的非图像特征）进行评价以改善该评估。

[0053] 在图1的动作24中，图像处理器提取血液动力学量化的不确定性和/或敏感性的机器学习分类器的输入向量的特征值。例如，提取患者特定的解剖结构的不同位置的半径。可以提取其他几何信息，诸如中心线、圆周形状和/或分支信息。要对解剖信息中关于关注量度的不确定性进行分类。在其他实施例中，可以使用量化不确定性的其他源，诸如人口统计学特性（年龄、性别、体重、身高、BMI，等等）、在医学成像检查期间或之前所确定的患者特性（血液分析、生物标志物、心率、血压，等等）和/或来自患者的先前医学检查（成像/非成像）的信息（例如，病变大小上的变化）。

[0054] 相同或不同特征被用于对如被用于预测所述量的敏感性和/或不确定性进行分类。在一个实施例中，提取了关于不确定性的源的特征。例如，扫描的类型、扫描设置、重建、患者特性或其他系统或过程相关源可以具有假设的或已知的不确定性。考虑到患者和患者扫描信息，特征可以从这些不确定性的源来提取或者具有这些不确定性的源。

[0055] 在动作26中，机器学习分类器基于由图像处理器进行的应用将对于患者特定的心脏几何结构的血液动力学量化的置信统计信息（诸如不确定性和/或敏感性）的一个或多个值进行分类。该分类可以具有量化对于不确定性的其他源的不确定性和/或敏感性。该分类响应于输入向量的特征值。并不为该分类提供用户交互，但是可以提供用户交互。特征值被应用于分类器。表示分类器的一个或多个矩阵基于输入值来输出敏感性和/或不确定性。

[0056] 基于关注病变和/或位置来计算敏感性和/或不确定性，并且将结果可视化。该分类可以是针对与所述量的值的预测相同的位置。该分类针对实行FFR或其他量化所针对的全部关注位置而发生。

[0057] 在另外的实施例中，敏感性和/或不确定性的分类是针对与实行量化所处的位置不同的其他位置。将针对其他位置关于针对不同位置的量化的敏感性和/或不确定性进行分类。在第一实施例中，找到针对一个位置的量化关于其他位置处的不确定性的敏感性。在第二实施例中，找到针对其他位置的量化关于针对给定位置的不确定性的敏感性。空间分布提供了允许医师或其他人集中努力来改善量化置信度的信息。找到了在何处验证或更改几何结构以更好地拟合患者的心脏数据。替换地或附加地，找到了要校正或验证哪些变量（例如，半径相对BMI相对重建设置）。

[0058] 对于第一实施例而言，计算了针对关注位置的集合的敏感性。计算了在一个或多个特定关注位置处的关注量的敏感性和/或不确定性。例如，通常在距主狭窄下游的位置处确定FFR。这意味着在其中确定FFR的工作流程中，临床医生可能关注在该远端位置处的所计算的FFR值关于在分支中包括或不包括FFR的位置在内的别处的不确定性的不同源的敏感性和/或不确定性。

[0059] 一旦已经定义了关注位置，则图像处理器针对每个关注位置来确定单独的敏感性图（即，在解剖模型的每个位置处的敏感性）。分类器作为输出而提供该图。使用下面讨论的敏感性分析来训练分类器，或者分类器针对特定患者实现敏感性分析。

[0060] 在一个实施例中，敏感性和/或不确定性分析如下进行操作。该示例提供使用机器学习预测器所计算的FFR的敏感性。可以对不确定性、标准偏差或置信区间进行分类。可以提供针对其他量化的敏感性或其他参数。

[0061] 确定了不确定输入变量αj，例如血管的半径。可以使用任何几何的或非几何的输入变量。输入变量具有由于各种因素所导致的不确定性水平。该因素包括扫描类型（例如，CCTA、X射线血管造影术，等等）、扫描设置（例如，管电压、管电流、曝光时间、工作台速度、扫描仪属性）、重建算法和设置、患者特性（年龄、性别、BMI、患者状态，等等）或其他因素。使用针对贡献因素的已知的、假设的或估计的不确定性，可以确定针对该输入变量的不确定性。

[0062] 基于给定间隔（例如，0.5 mm）来选择全部位置（横截面）的子集，而不是针对沿着几何结构的每个样本位置进行处理。一个不确定变量与每个所选位置相关联。替换地，单独的不确定变量可以与整个血管区域相关联。例如，对于健康的血管区域而言，可以定义单个不确定变量，而对于狭窄区域而言，可以定义多个不确定变量。替换地，可以针对不同分支（LAD、LCx、RCA、侧分支，等等）定义单独的不确定变量。

[0063] 不确定性被用来确定要被用来估计敏感性的分布。考虑到扫描配置、扫描设置、心脏数据的重建、患者特性和/或其他因素，基于不确定性水平来训练机器学习分类器。拉丁超立方采样方法或任何其他采样方法（例如，蒙特卡洛法、混沌多项式展开、随机配置，等等）定义了针对不确定变量（例如，半径）的n个样本的集合。考虑0与1之间的均匀分布，并且所得到的值然后被映射到针对半径的不确定性区间（例如，-0.2 mm；0.2 mm）。可以基于可用的在先信息（即，贡献因素的不确定性）来使用各种其他类型的不确定分布，比如正态分布、对数正态分布，等等。不确定性分布可以被用来定义半径中的绝对或相对变化。不确定性α表示要被添加到变量（诸如半径）的噪声的分布。

[0064] 对于每个位置而言，通过计算基线半径值与不确定变量的值的总和来初始化半径值，如由表示的那样，其中j指代位置（随机变量的分布的采样），并且i指代当前样本（例如，在给定位置处的半径）。

[0065] 对于不是子集的部分的所有横截面而言，通过在子集的两个相邻横截面的随机值之间进行插值来计算对应的半径变化。计算该变化与该位置的基线半径值的总和。为每个位置提供半径值。

[0066] 在通过应用在先前步骤处生成的用于几何样本的预测器所先验定义的全部关注位置处计算FFR，→ FFRi(xk)。对于每个关注空间位置k而言，实行几十、几百或几千次FFR量化。对于分布的每个样本i而言，实行FFR量化。在机器学习预测器进行量化的情况下，可以比使用CFD更迅速地实行采样。

[0067] 计算FFR值在每个关注位置k处的标准偏差，如由下式表示的：计算针对每个位置或位置的子集的标准偏差。

[0068] 计算在关注位置xk处的不确定变量与FFR值之间的关联，如由下式表示的：将不确定性的分布与针对基于采样的位置的FFR值的分布相关。

[0069] 作为在关注位置处的FFR标准偏差与相关性之间的乘积的绝对值来计算与每个不确定变量相关联的敏感性。该计算由下式表示该相关性值使得能够实现不确定变量关于输出量度的排序（即，确定哪些不确定变量对于FFR变化是负有最多责任和最少责任）。通过使相关性值乘以标准偏差，前者被缩放并且获得分数，该分数评价了不确定变量对于FFR的量化变化负有多少责任。例如，如果不确定变量的相关性较高但是标准偏差较低，则敏感性值将相对较低。

[0070] 结果是一个敏感性图，其示出了一个位置处的量化对于其他位置处的不确定性的敏感性。针对每个量化关注位置来单独计算敏感性图。例如，将在子集的每个位置处的敏感性值设置成等于与该横截面区段相关联的不确定变量的敏感性。通过在相邻横截面的值之间进行插值来设置剩余横截面处的敏感性。

[0071] 在第二实施例中，确定该值和其他位置处的其他值对于给定位置处的不确定性的敏感性。例如，关于某个病变来计算敏感性。关于某个病变重建的不确定性来确定关注量在解剖模型的全部或其他位置处的敏感性。在下面的示例中，使用对于FFR量化的敏感性。

[0072] 自动地或由操作员挑选关注病变（例如，狭窄）。例如，可以选择整个解剖模型中最显著的狭窄。

[0073] 定义了诸如上文所讨论的不确定输入变量αj。基于给定的间隔（例如，0.1 mm）来选择病变的全部位置（横截面）的子集，并且一个不确定变量与每个所选位置相关联。替换地，单独的不确定变量可以与病变的顶部半径、最小半径和/或底部半径相关联。

[0074] 拉丁超立方采样方法或任何其他可用的采样方法定义了针对不确定变量的n个样本的集合。考虑0与1之间的均匀分布，并且所得到的值然后被映射到针对半径的不确定性区间（例如，-0.2 mm；0.2 mm）。可以基于可用的在先信息来使用各种其他类型的不确定分布，诸如正态分布、对数正态分布，等等。

[0075] 对于子集的每个位置而言，通过计算基线半径值与不确定变量的值的总和来初始化半径值：。对于未在子集中选择的全部病变横截面而言，通过在子集中选择的两个相邻横截面的随机值之间进行插值来计算对应的半径变化。计算该经插值的α值与位置的基线半径值的总和。

[0076] 在针对在先前步骤处生成的几何样本的解剖模型的全部位置处计算FFR，→ FFRi(x)。解剖模型的全部位置处的FFR值的标准偏差被计算为：在解剖模型的全部位置处的FFR值与不确定变量之间的相关性被计算为：
被计算为解剖模型的全部位置处的FFR标准偏差与相关性之间的乘积的绝对值的与每个不确定变量相关联的敏感性被确定为：
。

[0077] 基于这些敏感性，可以确定就不确定性而言关注病变的最显著位置（即，哪个位置的不确定性对所计算的关注量度具有最大影响）。针对与病变隔开的任何位置以及针对病变中的位置提供这种确定。

[0078] 可以为其他病变重复该过程。单独地提供针对不同病变的敏感性图。替换地，来自不同病变的敏感性可以被组合（例如，最大值或平均数），从而指示了受来自多个病变的不确定性影响最大的FFR的位置。

[0079] 对于第一或者第二实施例而言，基于病变或关注位置的选择以及针对该病变或位置的不确定变量的定义，可以在解剖模型的该位置和其他位置处确定针对关注量度的各种统计信息。其他统计信息可以包括概率分布函数、平均值+/-标准偏差、平均值和90%/95%/99%置信区间、偏斜度、峰度、作为连续函数或者针对各种响应水平的累积分布函数/信度函数/似然函数、每个不确定输入变量与关注量度之间的单相关矩阵/部分相关矩阵/单秩相关矩阵、和/或全局敏感性指数（例如，针对关注量度的主效应和总效应）。

[0080] 可以在任一实施例中使用敏感性、不确定性或另一统计参数的其他计算。作为敏感性图来提供几何结构与量化之间的空间关系。该图指示了什么几何结构可以向量化的敏感性贡献什么水平的不确定性，和/或在什么位置处量化的敏感性被另一位置处的几何结构所影响。

[0081] 在动作28中，图像处理器基于血液动力学量化的值和不确定性和/或敏感性的一个或多个值来生成输出。将该输出传输到显示器，该显示器诸如是监视器、工作站、打印机、手持式装置或计算机。可以在医学成像系统的显示器上提供输出。替换地或附加地，传输是去往诸如患者记录的数据库之类的存储器或者去往诸如计算机网络之类的网络。

[0082] 该输出为医师提供诊断或预后信息。医师可以基于该输出做出临床决策或推荐。例如，放射科医生可以使用该输出来确定实行什么措施或治疗或者在任何措施或治疗上花费多少时间。

[0083] 在一个实施例中，输出是血液动力学量化的值和不确定性和/或敏感性的一个或多个值的字母数字文本。例如，患者特定几何结构的图像或者根据心脏数据渲染的图像包括指示了针对给定位置的FFR和敏感性或不确定性水平的注释或覆盖图。可以针对关注量度的相关联的值来询问（指向和点击）图像上的任何点，并且其敏感性、不确定性和/或置信区间以及对应的值被示为覆盖到该图像。作为示例，FFR和敏感性值被示为在图像中处于冠状动脉中的关注点处或附近。替换地，用户可以激活“不点击”模式，在该情况下，通过仅将光标定位在关注位置上来与光标对应地显示关注量度及其敏感性、不确定性和/或置信区间。考虑到敏感性和/或不确定性的空间分布，可以指示每个位置处的几何结构相对于量化的影响水平或者一个位置处的量化对于另一位置处的不确定性的敏感性。在用户选择或移动光标时，提供对应的信息。在另一方法中，示出了所选位置对于另一所选位置处的不确定性的敏感性。

[0084] 输出可以是图像。例如，基于关注量度的值和/或任何对应的敏感性、不确定性和/或置信区间对冠状动脉的解剖模型进行颜色编码（一个或多个连续的或离散的彩色图可以被用于该目的）。图7图示了针对根据冠状计算层析摄影血管造影（CCTA）数据所重建的解剖模型的离散敏感性彩色图（以灰度示出）的示例。浅灰（红色）对应于低敏感性，中灰（绿色）对应于中等敏感性并且深灰（蓝色）对应于高敏感性。敏感性是针对相对于一个FFR值的几何位置，该FFR值诸如是来自刚好超过狭窄70的位置72的FFR值。尽管图7是根据所确定的患者特定几何结构的三维渲染，但是可以使用3D血管几何结构的二维横截面或平坦2D图（例如，投影）。

[0085] 关注量度可以交互地反映特征集合中的改变。如果用户选择更改任何特征或几何结构的值，则将关注量度的值及其敏感性、不确定性和/或置信区间进行更新以反映对该更改的响应。

[0086] 在使用不同模态或来自同一模态的不同采集（一个用于特征提取，另一个用于可视化）的情况下，实行图像和特征的（空间的和时间的）配准。系统可以被校准以计及不同坐标系，界标可以被配准或者用户可以手动地对齐图像。在检查和可视化期间使用同一扫描仪的情况下，特征可以包括工作台位置、测角，等等。

[0087] 在确定了一个位置处的量化对于其他位置处的不确定性的敏感性的情况下，可以针对每个关注位置（即，实行敏感性和量化所针对的每个位置）生成单独的敏感性图。所得到的敏感性图可以被单独地示出或者进行组合。为了进行组合，数学运算符（例如，最大值、最小值或平均数）将针对来自不同图的每个位置的敏感性进行组合。

[0088] 在使用了针对与作为不确定性源的位置相隔开的量化的敏感性的情况下，敏感性图反映了由于在该源处的不确定性所导致的对敏感性的贡献水平。可以显示不确定性和/或敏感性的空间分布的两种类型的图。

[0089] 在图1的动作30中，图像处理器将敏感性和/或不确定性与阈值进行比较。该比较可以是任何序列或规则系统的部分。该比较要识别出下述量化：针对该量化，从具有不足够的置信度的量化提供足够的置信度。可以基于该比较来输出推荐，以便验证或改善几何拟合的准确度以及在何处。

[0090] 在一个实施例中，该比较是基于交互式敏感性分析的决策支持系统的部分。与关注量度相关联的不确定性可以在临床工作流程中发挥作用。这一点在关注量度（例如，FFR）被用作决策制定过程的部分时尤其如此，诸如当针对患者的选择治疗取决于关注量度的值（例如，针对FFR＜0.8的PCI，否则是最佳医学疗法）时。在该情境中，重要的是知晓与关注量度相关联的不确定性是否为使得不能置信地做出明确的决策，诸如在所计算的FFR是0.82，但是其标准偏差大于0.02的情况下。

[0091] 决策支持系统是基于对关注量度的不确定性的评价。在示例方法中，FFR被用作用于基于直接决策策略（针对低于某个阈值的所计算的FFR的PCI）或者混合决策策略来决定患者治疗的准则。如果不确定性过高，则可以推荐进一步处理来减少不确定性。推荐基于预测FFR及其不确定性的动作方案。

[0092] 估计不确定性是否过高取决于在临床决策制定过程中所使用的准则。如果所计算的FFR被用作针对选择动作方案的主要决定因素，并且该决策是基于在给定阈值τ（例如，τ= 0.8）之上或之下的FFR，则假如FFR的估计标准偏差为使得：
并且，或者
并且，
不确定性可以被定义为过高。

[0093] 在混合决策策略中，一般而言两个度量同时被用来评估所考虑病变的功能严重性。使用所计算的FFR和以侵入方式测量的FFR的组合。识别两个阈值τh和τl，使得0≤τl≤0.8≤τh≤1，并且决策策略是：如果所计算的FFR >τh，则狭窄不是功能上显著的；如果所计算的FFR＜τh，则狭窄是功能上显著的。如果τl≤所计算的FFR≤τh （“灰色区域”），则基于以侵入方式测量的FFR来评估狭窄严重性。在该情境中，如果在通过将FFR修正所估计的标准偏差的情况下，所计算的FFR的不确定性可以被定义为过高，则所得到的值穿过阈值（τl或τh）。

[0094] 替换地，不确定性自身可以被用作决策准则。如果所估计的标准偏差大于给定阈值τstd，则按默认方式将所计算的FFR值分配给灰色区域。用以定义τstd的一个可能方法如下。考虑合成生成的几何结构的数据库。对于数据库中的全部几何结构而言，计算了由于不确定性所导致的重新分类的可能性。用以实现这一点的一个可能方法是在正态分布的假设下考虑针对关注位置处所计算的FFR的置信区间。如果在病变表征将发生变化所针对的关注位置处存在处于95%置信区间内的FFR值，则病变被定义为“很可能要被重新分类”。作为示例，在其中单个关注位置处于狭窄下游的直接决策策略中，如果所计算的FFR是0.82并且标准偏差是x以使得0.82–1.96x<0.8，或者x>0.01，则狭窄很可能被重新分类。针对标准偏差的最佳阈值τstd然后被表达为很可能在所考虑的数据库中被重新分类的情况的百分比的函数（例如， τstd的值被定义为针对所计算的FFR的标准偏差，其导致数据库中10%或更多狭窄很可能被重新分类）。可以通过适当地向所考虑的数据库填充合成生成的几何结构来针对不同类别的几何结构（例如，不同的血管、不同种类的狭窄，一般而言不同的几何特征）定k义不同的阈值τstd。例如，可以通过下述方式针对左冠状树对比右冠状树来定义不同阈值：
考虑分别表示典型地具有左树或右树的几何特征的不同数据库。

[0095] 由于实行不确定性和/或敏感性分析（例如，不确定性为过高），所以可以自动地和/或手动地修改重建的解剖模型。在解剖模型的修改之后，那些区域中的不确定性也可以被降低，从而导致了针对关注量的更小不确定性和/或敏感性值。结果可以是推荐上的改变或者更明确的成果。系统还可以例如在下述情况下将FFR的侵入式测量结果推荐为对于所计算的FFR的代替：在该情况下，在混合决策策略中，不确定性水平迫使所计算的FFR处于灰色区域中，而不管几何拟合的准确度上的任何改变。替换地，修改是不需要的或不可能的。

[0096] 在动作32中，图像处理器接收患者特定的心脏几何结构和/或其他特征的修改。所接收到的修改是手动或自动改变的结果。例如，修改是从用户输入接收的，该用户输入诸如是用户调节针对患者的几何结构的拟合。在高度敏感的位置（例如，狭窄位置）处进行更严格的检查之后，用户对几何拟合做出改变以在那些位置处与患者进行更好匹配。替换地，图像处理器应用另外的拟合或更精细的处理以改善拟合在对不确定性贡献最多的位置处的准确度。例如，对被用于将解剖模型与患者进行拟合的一个或多个参数的值进行更改以尝试不同拟合。替换地，可以利用不同扫描属性来重新采集医学图像，并且可以生成全新的解剖模型。此外，可以利用不同模型或方法来生成局部解剖结构的替换定义。

[0097] 一旦接收到修改，则重复量化的预测和不确定性和/或敏感性的分类。再一次从经修改的几何结构提取特征值并且将其用于重做分析。

[0098] 图8-19示出了示例结果。使用下述实施例针对三个患者来计算示例敏感性值：在该实施例中确定了对关注位置（例如，超过狭窄）处的量化的敏感性做出贡献的其他位置处的不确定性。已经根据X射线血管造影数据重建解剖模型，关注量度是FFR，并且敏感性是关于几何结构的半径。

[0099] 图8示出了第一患者的解剖模型。主狭窄处于母分支上，如由椭圆形所指示的。图9和10分别示出了沿着母分支和主子分支的中心线的敏感性。针对母分支上的主狭窄的最小半径区域中的位置获得最高敏感性。

[0100] 图11示出了第二患者的解剖模型。主狭窄处于主子分支上，如由椭圆形所指示的。图12和13分别示出了沿着母分支和主子分支的中心线的敏感性。针对主子分支上的主狭窄的最小半径区域中的位置获得最高敏感性。两个最大尖峰对应于具有类似（最小）半径值的两个位置。

[0101] 图14示出了第三患者的解剖模型。主狭窄处于母分支上，如由椭圆形所示出的。在子分支上还存在轻微狭窄，如由另一椭圆形所示出的。图15和16分别示出了沿着母分支和主子分支的中心线的敏感性。针对母分支上的主狭窄的最小半径区域中的位置获得最高敏感性。主子分支的轻微狭窄周围的敏感性小得多。

[0102] 在这些示例中的任何示例中，用户或图像处理器可以针对最高敏感性的位置来修改拟合。作为结果，可以增加量化中的置信度。

[0103] 图17-19针对图7中的解剖模型分别示出了针对在LAD、LCx和RCA上的远端位置处所计算的FFR值的概率分布。考虑到不确定性，概率分布示出了很可能的FFR值。

[0104] 图20示出了用于血液动力学量化的系统，诸如用于利用敏感性和/或不确定性的空间关系的FFR量化的系统。该系统实现图1的方法、图2的方法或另一方法来输出量化和对应的统计信息。

[0105] 系统包括医学扫描仪80、图像处理器82、存储器84、具有用户输入端85和显示器86的图形用户接口（GUI）88、以及一个或多个机器学习预测器或分类器90。可以提供附加的、不同的或更少的部件。例如，提供网络或网络连接，诸如用于与医学成像网络或数据档案系统联网或者在医学扫描仪80与图像处理器82之间进行联网。在另一示例中，不提供用户输入端85。作为另一示例，提供服务器以用于实现远离医学扫描仪80的图像处理器82和/或机器学习分类器90。

[0106] 图像处理器82、存储器84、用户输入端85、显示器86和/或机器学习分类器90是医学扫描仪80的部分。替换地，图像处理器82、存储器84、用户输入端85、显示器86和/或机器学习分类器90是与医学扫描仪80分离的诸如与医学记录数据库工作站或服务器相关联的档案和/或图像处理系统的部分。在其他实施例中，图像处理器82、存储器84、用户输入端85、显示器86和/或机器学习分类器90是个人计算机，诸如台式计算机或膝上型计算机、工作站、服务器、网络或其组合。

[0107] 医学扫描仪80是医学诊断成像CT系统。支架在患者检查空间的对侧上支撑x射线源和检测器。支架绕着患者移动该源和检测器以实行冠状CT血管造影扫描。由检测器从相对于患者的不同位置采集各种x射线投影。计算层析摄影术对来自投影的响应的二维或三维分布进行求解。在其他实施例中，医学扫描仪80是超声系统、x射线系统、荧光检查法系统、正电子发射层析摄影系统、单光子发射层析摄影系统或磁共振系统。

[0108] 存储器84可以是图形处理存储器、视频随机存取存储器、随机存取存储器、系统存储器、高速缓存存储器、硬盘驱动器、光学介质、磁介质、闪存驱动器、缓冲器、数据库、其组合、或者其他现在已知或之后开发的用于存储数据的存储器设备。存储器84是医学扫描仪80的部分、与图像处理器82相关联的计算机的部分、数据库的部分、另一系统的部分、图片档案存储器或单独的设备。

[0109] 存储器84存储患者数据，诸如存储在计算机化患者记录中。本文中所讨论的任何患者数据可以被存储，诸如冠状CT数据、拟合模型、来自拟合模型的参数、测量结果、临床数据、非侵入式测试结果和/或生物化学测量结果。存储器84替换地或附加地存储体现一个或多个机器学习预测器或分类器90的一个或多个矩阵。可以存储基于规则的预测器或其他预测器。存储器84可以替换地或附加地在处理期间存储数据，诸如存储本文中所讨论的信息或对于其的链接。

[0110] 存储器84或其他存储器替换地或附加地是非临时性计算机可读存储介质，其存储表示利用统计信息来实现血液动力学量化的由经编程的图像处理器82或处理器可执行的指令。本文中讨论的用于实现过程、方法和/或技术的指令被提供于非临时性计算机可读存储介质或存储器上，该非临时性计算机可读存储介质或存储器诸如是高速缓存、缓冲器、RAM、可移除介质、硬盘驱动器或其他计算机可读存储介质。非临时性计算机可读存储介质包括各种类型的易失性和非易失性存储介质。响应于存储在计算机可读存储介质之中或之上的一个或多个指令集来执行附图中图示的或本文中描述的功能、动作或任务。该功能、动作或任务独立于特定类型的指令集、存储介质、处理器或处理策略，并且可以由单独地或以组合形式进行操作的软件、硬件、集成电路、固件、微代码等等来实行。同样地，处理策略可以包括多重处理、多重任务处理、并行处理及类似处理。

[0111] 在一个实施例中，将指令存储在可移除介质设备上以用于被本地或远程系统读取。在其他实施例中，将指令存储在远程位置中以用于通过计算机网络或者通过电话线进行传递。在另外的其他实施例中，将指令存储在给定的计算机、CPU、GPU或系统内。

[0112] 图像处理器82是通用处理器、中央处理单元、控制处理器、图形处理器、数字信号处理器、三维渲染处理器、专用集成电路、现场可编程门阵列、数字电路、模拟电路、其组合或其他现在已知或之后开发的用于利用作为位置的函数的不确定性和/或敏感性的分类进行量化预测的设备。图像处理器82是单个设备或以串联方式、以并联方式或单独地进行操作的多个设备。图像处理器82可以是诸如膝上型计算机或台式计算机之类的计算机的主处理器，或者可以是用于在较大系统（诸如CT扫描仪80）中处置一些任务的处理器。图像处理器82被指令、设计、硬件和/或软件配置成实行本文中所讨论的动作。

[0113] 图像处理器82被配置成从冠状数据中提取患者特定几何结构。类似地，图像处理器82从冠状数据、几何结构和/或计算机化的患者记录中采集和/或提取输入特征向量。图像处理器82被配置成将输入特征向量应用到量化的预测器，诸如机器学习预测器90或CFD模型。预测器计算针对患者特定冠状几何结构上的一个或多个位置的血液动力学量。

[0114] 图像处理器82被配置成确定与不同位置相关联的血液动力学量的不确定性、敏感性和/或标准偏差。使用机器学习分类器90或者通过统计采样来确定统计信息。图像处理器82确定量化的位置和沿着几何结构中心线的其他位置中的每一个位置处的不确定性、敏感性和/或标准偏差。在一个实施例中，不确定性、敏感性和/或标准偏差被确定为从各种位置对给定位置的血液动力学量的贡献。在另一实施例中，基于给定位置的变化或不确定性来确定血液动力学量在各种位置处的不确定性、敏感性和/或标准偏差。

[0115] 机器学习预测器和/或分类器90由图像处理器82或其他处理器来实现，该图像处理器82或其他处理器有权访问存储器84或其他存储器中存储的定义了预测器和/或分类器90的矩阵。机器学习预测器和/或分类器90是下述各项的矩阵：输入（即，输入向量中的特征值）、权重、加权的输入或其他层之间的关系以及输出。

[0116] 图像处理器82可以被配置成生成图形用户接口（GUI）88以用于输入值或数据和/或用于输出信息。GUI 88包括用户输入端85和显示器86之一或两者。GUI 88提供与图像处理器82、医学扫描仪80和/或机器学习预测器和/或分类器90的用户交互。该交互用于输入信息（例如，选择患者文件）和/或用于检查输出信息（例如，查看患者特定几何结构和敏感性图）。GUI 88（例如，通过将图像加载到显示平面存储器中）被配置成显示输出。

[0117] 用户输入设备85是键盘、鼠标、轨迹球、触摸板、按钮、滑块、其组合或其他输入设备。用户输入端85可以是显示器86的触摸屏。由用户输入设备85接收用户交互，诸如位置的指定。可以接收其他用户交互，诸如以用于对分类进行激活。

[0118] 显示器86是监视器、LCD、投影仪、等离子显示器、CRT、打印机或其他现在已知的或之后开发的用于输出视觉信息的设备。显示器86接收来自图像处理器82、存储器84、CT扫描仪80或机器学习分类器90的下述各项的图像：图形、文本、量、解剖结构或功能的空间分布、或者其他信息。

[0119] 显示了一个或多个图像。图像可以包括或者可以不包括解剖表示或成像，诸如来自冠状CT数据的解剖图像或者患者特定几何结构的渲染。图像包括血液动力学量和置信统计信息（例如，不确定性、敏感性、标准偏差和/或置信区间）。图像包括用于决策的对患者的预测和/或分类的指示，该指示诸如是文本、图形或着色。在一个实施例中，统计信息的图被输出为图像，诸如针对作为几何结构的图像上或根据冠状数据的渲染上的位置的函数的敏感性或不确定性的颜色调制。

[0120] 尽管上文已经参考各种实施例描述了本发明，但是应当理解的是，在不偏离本发明的范围的情况下，可以做出许多变化和修改。因此意图的是，前述详细描述被看作是说明性的而非限制性的，并且要理解的是所附权利要求（包括全部等价方案）意图限定本发明的精神和范围。

标题	发布/更新时间	阅读量
一种无需血管扩张剂测量血流储备分数的方法	2020-05-17	505
一种无线血流储备分数测量系统	2020-05-13	410
一种非侵入式获取血流储备分数的方法和系统	2020-05-14	870
基于X射线冠脉造影图像的冠状动脉血流储备分数计算方法	2020-05-22	627
用于对血流储备分数的基于机器学习的评估的方法和系统	2020-05-23	124
一种基于超声和CT成像技术的冠脉血流储备分数计算方法	2020-05-25	350
针对血管狭窄的血流储备分数(FFR)值的确定	2020-05-16	1012
血流储备分数的计算方法	2020-05-12	231
血管血流储备分数计算装置	2020-05-23	768
一种无线血流储备分数测量装置	2020-05-19	817

在医学成像中针对血液动力学量化的不确定性或敏感性的机器学习预测

在医学成像中针对血液动力学量化的不确定性或敏感性的机

背景技术

具体实施方式

该功能需要专业版企业版VIP权限，您可以：