基于图像数据的血液动力学参数估计专利检索-血流储备分数诊断设备和程序专利检索查询-专利查询网

基于图像数据的血液动力学参数估计

阅读：897发布：2020-08-13

专利汇可以提供基于图像数据的血液动力学参数估计专利检索，专利查询，专利分析的服务。并且本发明的方法涉及基于包括非封闭脉管区域(诸如心血管环境中的上升主动脉)的图像数据来确定参考值。该参考值与在其他脉管系统区域中观察到的CT值进行逐像素地比较。考虑到这一点，并且在心血管环境中，每个像素的所确定的FFR值为感兴趣脉管区域中的CT值与参考CT值的比率。，下面是基于图像数据的血液动力学参数估计专利的具体信息内容。

权利要求

1.一种用于估计血液动力学参数的方法，包括以下步骤：
使用成像系统采集脉管系统图像数据；
将所述脉管系统图像数据分割成参考血管区域并且分割成感兴趣血管区域；
基于所述参考血管区域来确定参考值；
至少部分地基于初始像素值与所述参考值的比率，针对所述感兴趣血管区域的每个像素确定血流储备分数(FFR)像素值；以及
至少部分地基于针对所述感兴趣血管区域的相应像素确定的所述FFR像素值来生成并且显示FFR图像。
2.根据权利要求1所述的方法，其中所述脉管系统图像数据包括心脏图像数据。
3.根据权利要求1所述的方法，其中所述成像系统包括计算机断层摄影(CT)成像系统或磁共振(MR)成像系统。
4.根据权利要求1所述的方法，其中分割所述脉管系统图像数据包括：
将所述脉管图像数据作为输入提供到神经网络，所述神经网络被训练以相对于所述参考血管区域和所述感兴趣血管区域执行所述脉管系统图像数据的二进制分割。
5.根据权利要求1所述的方法，其中所述参考血管区域包括主动脉区域，并且所述感兴趣血管区域包括冠状动脉区域。
6.根据权利要求5所述的方法，其中所述冠状动脉区域还被分割成左前降支动脉、右冠状动脉和左回旋动脉。
7.根据权利要求1所述的方法，还包括以下步骤：
通过以下步骤处理所述参考血管区域和所述感兴趣血管区域：
选择一个或多个种子点；
使用所述一个或多个种子点执行区域生长技术以消除或重新表征所述参考血管区域和所述感兴趣血管区域内的错误标记的像素。
8.根据权利要求1所述的方法，其中通过以下步骤确定所述参考血管区域的所述参考值：
对所述参考血管区域执行形态学侵蚀；
对所述参考血管区域执行卷积以获得一组一维矢量；
对所述一维矢量求平均值以生成所述参考值。
9.根据权利要求1所述的方法，其中所述感兴趣血管区域的每个像素的所述FFR像素值是冠状对比剂摄取值与每个相应像素处的所述参考值的比率。
10.根据权利要求1所述的方法，还包括以下步骤：
基于所述FFR图像，基于面积或直径中的一者来测量血管或血管区域中的脉管狭窄程度。
11.一种基于处理器的系统，包括：
处理部件；和
存储装置或存储器，所述存储装置或存储器编码一个或多个处理器可执行的例程，其中所述例程当由所述处理部件执行时，使得所述基于处理器的系统执行动作，所述动作包括：
访问或采集脉管系统图像数据；
将所述脉管系统图像数据分割成参考血管区域并且分割成感兴趣血管区域；
基于所述参考血管区域来确定参考值；
至少部分地基于所述初始像素值与所述参考值的比率，针对所述感兴趣血管区域的每个像素确定血流储备分数(FFR)像素值；以及
至少部分地基于针对所述感兴趣血管区域的所述相应像素确定的所述FFR像素值来生成并且显示FFR图像。
12.根据权利要求11所述的基于处理器的系统，其中所述脉管系统图像数据包括心脏图像数据。
13.根据权利要求11所述的基于处理器的系统，其中所述基于处理器的系统包括计算机断层摄影(CT)成像系统或磁共振(MR)成像系统。
14.根据权利要求11所述的基于处理器的系统，其中分割所述脉管系统图像数据包括：
将所述脉管图像数据作为输入提供到神经网络，所述神经网络被训练以相对于所述参考血管区域和所述感兴趣血管区域执行所述脉管系统图像数据的二进制分割。
15.根据权利要求11所述的基于处理器的系统，其中所述参考血管区域包括主动脉区域，并且所述感兴趣血管区域包括冠状动脉区域。
16.根据权利要求15所述的基于处理器的系统，其中所述冠状动脉区域还被分割成左前降支动脉、右冠状动脉和左回旋动脉。
17.根据权利要求11所述的基于处理器的系统，其中所述例程当由所述处理部件执行时，使得所述基于处理器的系统执行进一步的动作，所述进一步的动作包括：
通过以下步骤处理所述参考血管区域和所述感兴趣血管区域：
选择一个或多个种子点；
使用所述一个或多个种子点执行区域生长技术以消除或重新表征所述参考血管区域和所述感兴趣血管区域内的错误标记的像素。
18.根据权利要求11所述的基于处理器的系统，其中通过以下步骤确定所述参考血管区域的所述参考值：
对所述参考血管区域执行形态学侵蚀；
对所述参考血管区域执行卷积以获得一组一维矢量；
对所述一维矢量求平均值以生成所述参考值。
19.根据权利要求11所述的基于处理器的系统，其中所述感兴趣血管区域的每个像素的所述FFR像素值是冠状对比剂摄取值与每个相应像素处的所述参考值的比率。
20.根据权利要求11所述的基于处理器的系统，其中所述例程当由所述处理部件执行时，使得所述基于处理器的系统执行进一步的动作，所述进一步的动作包括：
基于所述FFR图像，基于面积或直径中的一者来测量血管或血管区域中的脉管狭窄程度。

说明书全文

基于图像数据的血液动力学参数估计

技术领域

[0001] 本文所公开的主题涉及使用合适的成像方式估计心血管参数。

背景技术

[0002] 非侵入性成像技术允许获得患者/对象的内部结构或特征的图像，而无需对患者/对象执行侵入性过程。具体地讲，此类非侵入性成像技术依赖于各种物理原理(诸如X射线穿过目标体积的差分透射、体积内的声波反射、体积内不同组织和材料的顺磁性、目标放射性核素在体内的分解等)，以采集数据以及构建图像或以其它方式表示观察到的患者/对象的内部特征。

[0003] 例如，冠状动脉计算机断层血管造影(CCTA)是一种成像应用，其随着计算机断层摄影(CT)的引入和改善而演化，这是基于观察到的X射线透过患者在足以进行图像重建的角度位置的范围内的透射的成像技术。通过引入多层CT 扫描仪(例如，4层，16层，64层等)和更快的旋转速度(例如，对于全机架旋转的约0.35秒至约0.5秒)，可生成心脏和与心脏脉管系统关联的有用的图像。利用当前高分辨率(空间的和时间的)的64层扫描仪，CCTA的图像质量足以为临床医生提供具有高灵敏度，但仍可以以计算效率高和及时的方式生成图像。

[0004] 反之，侵入式冠状动脉造影(ICA)也在某些情形下使用然而，ICA是一种侵入式且价格昂贵的过程(即，该过程需要将工具或设备诸如压力导管插入患者的脉管壁血管中)，并且可能只能获得价值有限的数据。这些因素限制了ICA的广泛使用。发明内容

[0005] 下文概述了与最初要求保护的主题相称的某些实施方案。这些实施方案并非旨在限制权利要求书保护的主题的范围，而是这些实施方案仅旨在提供可能的实施方案的简要概述。实际上，本发明可包括多种形式，这些形式可类似于或不同于下文所述的实施方案。

[0006] 在一个实施方案中，提供了用于估计血液动力学参数的方法。根据该方法，使用成像系统采集脉管系统图像数据。将脉管系统图像数据分割成参考血管区域并且分割成感兴趣血管区域。参考值基于参考血管区域来确定。针对感兴趣血管区域的每个像素，至少部分地基于初始像素值与参考值的比率来确定血流储备分数(FFR)像素值。至少部分地基于针对感兴趣血管区域的相应像素确定的FFR像素值来生成和显示FFR图像。

[0007] 在另一个实施方案中，提供了一种基于处理器的系统。根据该实施方案，基于处理器的系统包括处理部件以及编码一个或多个处理器可执行的例程的存储装置或存储器。所述例程当由所述处理部件执行时，使得基于处理器的系统执行动作，所述动作包括：访问或采集脉管系统图像数据；将所述脉管系统图像数据分割成参考血管区域并且分割成感兴趣血管区域；基于所述参考血管区域来确定参考值；至少部分地基于所述初始像素值与所述参考值的比率，针对所述感兴趣血管区域的每个像素确定血流储备分数(FFR)像素值；以及至少部分地基于针对感兴趣血管区域的相应像素确定的FFR像素值来生成并且显示FFR图像。附图说明

[0008] 当参考附图阅读以下详细描述时，将更好地理解本发明的这些和其它特征、方面和优点，附图中相同的符号在整个附图中表示相同的部分，其中：

[0009] 图1示出了根据本公开的各方面的用于训练深度学习模型的人工神经网络的示例；

[0010] 图2是根据本公开的各方面的描绘计算机断层摄影(CT)成像系统的部件的框图；

[0011] 图3示出了根据本公开的各方面的用于基于图像数据来确定血流储备分数的步骤的处理流程；

[0012] 图4示出了根据本公开的各方面的分割的心脏图像；

[0013] 图5示出了根据本公开的各方面的以逐像素方式来传达血流储备分数信息的图像；并且

[0014] 图6示出了根据本公开的各方面的曲线图，其表达了与临床确定的数字减影血管造影(DSA)FFR值(水平轴)相比，根据基于图像的技术导出的FFR值(竖直轴)之间的相关性。

具体实施方式

[0015] 在下面将描述一个或多个具体的实施方案。为了提供这些实施方案的简明描述，可能未在说明书中描述实际实施方式的所有特征。应当理解，在任何此类实际实施方式的开发中，如在任何工程或设计项目中，必须做出许多实施方式特定的决策以实现开发者的具体目标，诸如遵守可能因实施方式而不同的系统相关和业务相关约束。此外，应当理解，此类开发努力可能是复杂且耗时的，但对于受益于本公开的普通技术人员来说仍然是设计、制作(fabrication)和制造(manufacture)的常规任务。

[0016] 当介绍本发明的各种实施方案的元件时，冠词“一个”、“一种”、“该”和“所述”旨在表示存在元件中的一个或多个。术语“包含”、“包括”和“具有”旨在是包含性的，并且意指除了列出的元件之外还可存在附加元件。此外，以下讨论中的任何数值示例旨在非限制性的，并且因此附加的数值、范围和百分比在所公开的实施方案的范围内。

[0017] 此外，尽管本文主要提供计算机断层摄影(CT)示例，但应当理解，本发明所公开的技术可在适用于脉管成像的其它成像方式环境中使用。例如，本发明所述的方法可也用于由其他类型的层析扫描仪采集的数据，包括但不限于磁共振成像(MRI)扫描仪和/或其他基于X射线的成像技术，诸如基于C臂的技术，断层合成，荧光镜透视和常规的射线照相(例如，2D)成像。

[0018] 作为背景，若干成像方式，诸如X射线CT(例如，多层CT)和X射线C臂系统(例如，锥束CT)，测量被扫描的对象或患者的投影，其中投影取决于技术，对应于拉东(Radon)变换数据、扇束变换数据、锥束变换数据或非均匀傅里叶变换。在其他情况下，扫描数据可为响应于磁场和RF脉冲生成的磁共振数据(例如，MRI数据)，等等。与这些成像方式结合使用重构建例程以及相关的校正和校准例程以生成有用的临床图像和/或数据，其继而可用于导出或测量感兴趣的血液动力学参数，如本文所述。

[0019] 考虑到这一点，本发明的方法提供了一种用于使用使用合适的成像方式获取的图像来呈现成像区域的心脏血液动力学的解剖和功能信息的非侵入式方法。这种非侵入式方法可提供降低的患者发病率/死亡率，这是由于消除了不必要的介入过程，且可以降低了心脏护理的医疗成本。尽管下面的讨论主要集中在与心脏区域(即，心脏和相关联的脉管系统)中成像相关的例子和背景，但应当理解，此类讨论仅仅是通过提供真实世界环境和示例来促进对本技术的解释。实际上，本发明的方法可也适用于其他脉管系统和解剖区域，诸如但不限于颅内区域(即脑血管)，与肝脏相关联的脉管形成，与四肢(例如，腿部和手臂)相关联的脉管形成等。

[0020] 可以注意到，本发明在执行速度和准确性上具有优势。例如，如下述一个实施方式中讨论，血流储备分数(FFR)值以逐点方式进行计算或估计，其可以允许生成图像中的每个像素具有相应的FFR预估。与建模结果、假设的扩展及外推值相对比，此FFR图像是基于实际测图像值(例如，在CCTA场合下的实际CT衰减值)。结果，本发明在概念和计算执行上更加的直接，且就感兴趣的解剖提高了准确性。进一步，本发明流程可以比其他传统方式可能的速度更快的被执行(例如0.5分钟至1分钟)，因在扫查时可以及时获得扫描结果，其对于医师和/或病人可以具有更加显著的效益。

[0021] 考虑到这一点，本发明方法的一个实施方案利用由冠状动脉计算机断层血管造影(CCTA)提供的解剖信息。如上所述，尽管本文讨论了CT方法诸如CCTA，但本发明的方法可也使用使用其他合适的成像方式测量和导出的解剖数据来实现，诸如但不限于磁共振成像(MRI)或其他放射X射线成像技术。在本文所述的技术中明确提及或讨论CT成像仅仅旨在通过提供临床背景中的示例来帮助解释，并且不旨在相对于可采用的方式进行限制。

[0022] 本发明的技术利用合适的脉管(例如心血管)图像(诸如，使用合适的造影剂来使脉管系统对比度增强的CCTA图像)来估计一种或多种感兴趣的血液动力学参数，诸如血流储备分数(FFR)。如下文更详细地讨论，本发明的方法基于包括上升主动脉(在心血管环境中)的区域的图像数据来确定参考值。将该参考值以逐像素为基础与在与心脏相关联的非上升主动脉脉管系统中观察到的CT值进行比较。考虑到这一点，并且在该心血管环境中，每个像素的所确定的FFR值是相应像素的冠状CT值与正常主动脉CT值的比率，该值为0至1范围内的无量纲数。

[0023] 考虑到前述介绍性评论，提供了一些广义信息，以指示本公开的一般背景，并且有利于理解和解释本文所述的某些技术概念。

[0024] 例如，如本文所述，对于分割重建或未重建的图像数据(例如，CCTA数据)，可采用经训练的神经网络。如本文所讨论的神经网络可以涵盖深度神经网络、完全地连接的网络、卷积神经网络(CNN)、感知器、自动编码器、回归网络、基于神经网络的小波滤波器组或其他神经网络架构。这些技术在本文中可还称为深度学习技术，但是可也特别地参考深度神经网络的使用来使用该术语，深度神经网络是具有多个层的神经网络。

[0025] 如本文所讨论，深度学习技术(其可也被称为深度机器学习、分级学习或深度结构化学习)是机器学习技术的分支，其采用数据的数学表示和人工神经网络来进行学习。以举例的方式，深度学习方法可以被表征为它们使用一个或多个处理器实现的例程来提取一类感兴趣的数据的高级抽象或对其进行建模。这可以使用一个或多个处理层来完成，其中每个层通常对应于不同级别的抽象，并且因此可能采用或利用初始数据的不同方面或前一层的输出(即，层的分级结构或级联结构)作为给定层的过程、操作或加权的目标。在图像处理或重建背景中，这可以被表征为对应于数据中的不同的特征级别或分辨率的不同的层。

[0026] 一般来讲，从一个表示空间到下一级表示空间的处理可以被认为是重建过程的一个“阶段”。重建的每个阶段可以通过单独神经网络或通过一个较大神经网络的不同部分来执行。例如，如本文所述，相应的深度学习网络(例如，训练的神经网络)可用于在获得的图像数据中执行血管分割。

[0027] 如本文所讨论的，作为解决特定问题的深度学习过程的初始训练的一部分，可采用具有深度学习过程的已知初始值(例如，输入图像、投影数据、发射数据、磁共振数据等)和最终输出的已知或期望值的训练数据集。单个阶段的训练可以具有对应于一个表示空间的已知输入值和对应于下一级表示空间的已知输出值。以这种方式，深度学习过程可以(以监督或指导的方式或以无监督或无指导的方式)处理已知或训练数据集，直到看出初始数据与一个或多个期望输出之间的数学关系和/或看出和表征每个层的输入和输出之间的数学关系。类似地，可以采用单独验证数据集，其中初始和期望目标值是已知的，但是仅将初始值提供到受过训练的深度学习过程，然后将输出与深度学习算法的输出进行比较以检验先前训练和/或防止过度训练。

[0028] 考虑到前述内容，图1示意性地示出了人工神经网络50的示例，该人工神经网络可以被训练为如本文所讨论的深度学习模型。在该示例中，网络50是多层的，具有训练输入52和存在于网络50中的多个层(包括输入层54、隐藏层58A、58B等，以及输出层60和训练目标64)。在该示例中，每个层由多个“神经元”或节点56组成。神经元56的数量可以在层之间是恒定的，或如图所示，可以各层不同。每个层处的神经元56生成相应的输出(诸如基于与每个神经元相关联的加权值)，所述输出用作下一分级层的神经元56的输入。在实践中，计算具有加入的偏差的输入的加权和以根据激活函数“激励”或“激活”层的每个相应神经元，诸如整流线性单位(ReLU)、S形函数、双曲正切函数，或以其他方式指定或编程。最后一层的输出构成网络输出60，其可与目标图像64一起用于计算一些损失或误差函数62，损失或误差函数将被反向传播以指导网络训练。

[0029] 损失或误差函数62测量网络输出与训练目标之间的差异。在某些实施方式中，损失函数可以是体素级别值或部分线积分值的均方误差(MSE)以及/或者可以解释涉及其他图像特征的差异，诸如图像梯度或其他图像统计值。另选地，损失函数62可以由与所讨论的特定任务相关联的其他度量(诸如softmax函数)定义。

[0030] 为了便于解释在获取数据的成像系统中可利用某些深度学习技术实现血管分割，本公开主要在CT或C臂系统的背景中讨论这些方法。然而，应当理解，以下讨论可也适用于其他图像方式和系统，包括但不限于MRI和放射X射线系统。

[0031] 考虑到这一点，图2中描绘了成像系统110(即扫描仪)的示例。在所描绘的示例中，成像系统110是CT成像系统，其被设计为围绕患者(或其他感兴趣的受检者或对象)以各种视图获取扫描数据(例如，X射线衰减数据)并且适合于使用如此获得的图像数据来获取或生成心血管参数。在图2所示的实施方案中，成像系统110包括邻近准直器114定位的X射线辐射源112。X射线源112可以是X射线管、分布式X射线源(诸如固态或热离子X射线源)或适合于采集医疗或其他图像的任何其他X射线辐射源。在MRI的情况下，测量结果是傅里叶空间中的样本，并且可以作为神经网络的输入直接地应用，或可以首先转换为线积分。

[0032] 在所描绘的示例中，准直器114对X射线束116进行成形或限制，该X射线束进入患者/对象118所定位的区域。在所描绘的示例中，X射线116被准直为穿过成像体积的锥形束，即锥束。X射线辐射120的一部分通过患者/对象118(或其他感兴趣的受检者)或穿过其周围并且撞击检测器阵列(通常以附图标记122表示)。该阵列的检测器元件产生表示入射X射线120的强度的电信号。获取并且处理这些信号以重建患者/对象118体内的特征的图像。

[0033] 源112由系统控制器124控制，该系统控制器提供用于CT检查序列的功率和控制信号两者，包括采集二维定位器或用于识别患者/对象体内的感兴趣的解剖结构的侦察图像以用于后续扫描方案。在所描绘的实施方案中，系统控制器124经由X射线控制器126控制源112，该X射线控制器可以是系统控制器124的部件。在这样的实施方案中，X射线控制器126可以被配置为向X射线源112提供功率和定时信号。

[0034] 此外，检测器122耦接到系统控制器124，该系统控制器控制对检测器122中生成的信号的采集。在所描绘的实施方案中，系统控制器124使用数据采集系统128获取由检测器生成的信号。数据采集系统128接收由检测器122的读出电子器件收集的数据。数据采集系统128可以从检测器122接收经采样的模拟信号，并且将数据转换为数字信号，以便由下面讨论的处理器130(例如，微处理器，诸如CPU或GPU)进行后续处理。另选地，在其他实施方案中，数字-模拟转换可以由检测器122自身上提供的电路执行。系统控制器124可还关于所获取的图像信号执行各种信号处理和滤波功能，诸如用于动态范围的初始调整、数字图像数据的交错等。

[0035] 在图2所示的实施方案中，系统控制器124耦接到旋转子系统132和线性定位子系统134。旋转子系统132使得X射线源112、准直器114和检测器122能够围绕患者/对象118旋转一圈或多圈，诸如围绕患者主要在x平面、y平面中旋转。应当指出的是，旋转子系统132可以包括机架或C臂，相应的X射线发射和检测部件设置在该机架或C臂上。因此，在这样的实施方案中，系统控制器124可以用于操作机架或C臂。

[0036] 线性定位子系统134可以使得患者/对象118或更具体地支撑患者的工作台能够在CT系统110的孔内移位，诸如相对于机架的旋转在z方向上移位。因此，工作台可以在机架内线性移动(以连续或逐步的方式)以生成患者118的特定区域的图像。在所描绘的实施方案中，系统控制器124经由马达控制器136控制旋转子系统132和/或线性定位子系统134的移动。

[0037] 一般来讲，系统控制器124命令成像系统110的操作(诸如经由源112、检测器122和上述定位系统的操作)以执行检查方案并且处理所获取的数据。例如，系统控制器124经由上述系统和控制器可以使支撑源112和检测器122的机架围绕感兴趣的受检者旋转，使得可以相对于受检者的一个或多个视图获得X射线衰减数据。在本背景中，系统控制器124可还包括信号处理电路，用于存储由计算机执行的程序和例程的相关联的存储器电路(诸如用于估计或获取感兴趣的心血管参数的例程，如本文所述)，以及配置参数、图像数据等。

[0038] 在所描绘的实施方案中，由系统控制器124获取和处理的图像信号被提供给处理部件130，以用于根据当前公开的技术进行处理。另选地，由信号重建的信号或图像的处理可由一个或多个下游处理部件(诸如可存在于网络连接的工作站或服务器中)执行，以用于估计心血管功能或特性。处理部件130可以是一个或多个通用或专用微处理器。由数据采集系统128收集的数据可以直接地传输到处理部件130，或在存储在存储器138中之后传输。适合于存储数据的任何类型的存储器都可以由这样的示例性系统110使用。例如，存储器138可以包括一个或多个光学、磁性和/或固态存储器存储结构。此外，存储器138可以位于采集系统站点处以及/或者可以包括用于存储用于断层摄影图像重建的数据、处理参数和/或例程的远程存储设备，如下所述。

[0039] 处理部件130可以被配置为经由操作员工作站140从操作员接收命令和扫描参数，操作员工作站通常被配备有键盘和/或其他输入设备。操作员可以经由操作员工作站140控制系统110。因此，操作员可以使用操作员工作站140观察重建图像和/或以其他方式操作系统110。例如，耦接到操作员工作站140的显示器142可以用于观察重建图像并且控制成像。另外，图像可也由打印机144打印，该打印机可以耦接到操作员工作站140。

[0040] 此外，处理部件130和操作员工作站140可以耦接到其他输出设备，其他输出设备可以包括标准或专用计算机监视器和相关联的处理电路。可以在系统中进一步链接一个或多个操作员工作站140，以用于输出系统参数、请求检查、查看图像等。一般来讲，系统内提供的显示器、打印机、工作站和类似设备可以是本地的数据采集部件，或可以远离这些部件，诸如机构或医院内的其他地方，或位于完全不同的位置，经由一个或多个可配置的网络(诸如互联网、虚拟专用网络等)链接到图像采集系统。

[0041] 应还注意，操作员工作站140可还耦接到图片存档和通信系统(PACS)146。PACS 146可以继而耦接到远程客户端148、放射科信息系统(RIS)、医院信息系统(HIS)、或内部网络或外部网络，以便不同位置的其他人可以访问原始或经处理的图像数据或从此类图像数据导出的心血管参数的估计值。

[0042] 虽然前述讨论已经分别处理了成像系统110的各种示例性部件，但是这些各种部件可以在公共平台内或在互连平台中提供。例如，处理部件130、存储器138和操作员工作站140可以被共同地提供为通用或专用计算机或工作站，其被配置为根据本公开的方面进行操作。在这样的实施方案中，通用或专用计算机可以相对于系统110的数据采集部件被提供作为单独部件，或可以在具有这样的部件的公共平台中被提供。同样地，系统控制器124可以作为这种计算机或工作站的一部分提供，或作为专用于图像采集或图像数据处理的单独系统的一部分提供。

[0043] 图2的系统可以用于获取关于患者的感兴趣的区域的各种视图的投影数据以使用扫描数据重建成像区域的图像。由诸如成像系统110的系统获取的投影(或其他)数据可以如本文所讨论的那样被处理以产生或估计一个或多个感兴趣的血液动力学参数。

[0044] 考虑到前述背景和背景讨论，本公开涉及用于计算CT冠状动脉血流储备分数的准确而稳定的技术。如本文所用，血流储备分数(FFR)是其中存在狭窄(例如，狭窄病变)的冠状动脉获得的血流相对于不狭窄所获得的最大血流的比率。

[0045] 本文所讨论的技术的某些具体实施采用深度学习的方面和放射性跟踪器技术的原理来生成和处理图像(例如，对比度增强的CCTA图像，MRI图像等)以计算相对于图像的FFR值。如可以理解的，药物干预将血管放大到最大值，并且在该峰值处执行CCTA(或相当的)扫描。这相当于用特殊点的解卷积计算冠状血流。这是本文所讨论和所依赖的放射性跟踪器方法的理论基础。

[0046] 参考图3，以过程流的形式提供了根据本发明方法的一个具体实施所采用的步骤的概览。在该示例中，对由患者的脉管系统(例如，心脏图像)的成像系统(例如，三维(3D)CCTA图像，I(x,y,z))采集的数据200执行血管分割步骤202，以便在图像内分割冠状动脉和主动脉。尽管本示例为方便起见使用图像或分割的图像的术语并且为数据输入和输出提供上下文，但应当理解，可对未重建的数据执行本文所述的分割步骤的一些或所有方面，即，根据相应神经网络的训练而不对图像域进行初始重构。相反，如果相应神经网络经过如此训练，可也对图像域中的重建图像执行本发明的方法。

[0047] 考虑到这一点，在一个实施方案中，使用经过训练以处理作为输入提供的CCTA图像(或其他合适的脉管结构图像)的深度学习网络(诸如经过训练的密集V网络或VNet)来执行步骤202的血管分割。在此类示例中，训练神经网络生成一个或多个初始分割的图像204作为输出。在一个具体实施中，初始分割的图像204可以二进制分割成主动脉区域(AAorta)(其中像素以二进制方式标记为是或不是主动脉区域的一部分)，其在图4中以参考标号250示出，以及冠状动脉区域(ACoronary)(其中像素以二进制方式标记为是或不是冠状动脉区域的一部分)。在该示例中，冠状动脉区域(ACoronary)的二进制图像可被进一步自动分成左前降支动脉(以参考标号252示出)、右冠状动脉(以参考标号254示出)和左回旋动脉(以参考标号256示出)，其一起构成冠状动脉区域ACoronary。在图4的图示中，还示出了用于解剖环境的左心室258。

[0048] 在某些实施方案中，分割结果(例如，初始分割的图像204)可被进一步处理(例如，优化)(步骤208)以生成分割的图像210。例如，在某些具体实施中，处理初始分割结果可涉及基于定义的选择规则来自动设置ACoronary和AAorta内的种子点。然后可相对于种子点采用区域生长技术以填充和/或更好地限定一个或多个分割区域，从而在本上下文中产生片段APostCoronary和APostAorta。这种方法可用于消除或重新表征给定图像区域内未由基于初始深度学习的分割正确标记的像素或小像素区域。以举例的方式，这种区域生长方法可用于移除不相关的噪声点，并且以其他方式清除或改善分割结果APostCoronary和APostAorta。这样，每个图像200(例如，CCTA图像)可相对于感兴趣的图像片段被正确分割。

[0049] 在下一步骤中，相对于给定分割图像210的上升主动脉区域片段，获得了上升主动脉区域的正常参考值216(步骤212)。在该示例中，由于主动脉闭塞的临床风险为零，因此选择上升主动脉区域片段作为参考，从而为测量结果提供准确性和稳定性。在一个此类示例中，区域APostAorta受到形态学操作(即形态学侵蚀)的侵蚀，以向内收缩二进制图像。该操作有助于减小血管壁对可能受血管壁影响的那些因素的冲击和/或影响。接下来，对对应于区域APostAorta(即，不是形态学侵蚀的图像)的原始图像执行卷积。例如，可使用3x3x3掩模对APostAorta执行平均卷积，以便获得一组一维矢量。然后可使用基于距离的噪声检测技术来去除一维矢量的噪声点。然后，通过对噪声已从其中移除的一维矢量求平均值来获得上升主动脉区域的正常参考值(r)216。

[0050] 随后，在所示的示例中，在逐像素基础上计算血流储备分数(FFR)图像230(步骤224)，使得图像230的每个像素具有相关联的FFR值。在一个示例中，可通过对一个或多个分割的冠状动脉区域(例如，由分割图像210确定)的像素值与所确定的正常区域参考值216进行逐像素比较来执行该过程。在一个具体实施中，对于每个像素，在相应像素处确定的FFR值为冠状对比度介质摄取与主动脉基准点的比率。考虑到这一点，如本文所讨论的确定的FFR可直接表示血管FFR。由于以逐像素为基础进行的计算，将考虑每个解剖点处的变化(如图像数据中所反映)，并且可直接在给定的脉管区域中或针对给定的脉管区域计算FFR。

[0051] 再以举例的方式，在逐像素的FFR计算的一个具体实施中，假定对应于二进制图像APostCoronary的原始图像像素值是p(x,y,z)，所述FFR计算可按照以下公式进行：

[0052] (1)

[0053] 其中r是上升主动脉区域的正常参考值。

[0054] 在该示例中，将区域APostAorta(即主动脉区域)的FFR值设定为1以反映在上升主动脉上不存在闭塞。然后针对IFFR(x,y,z)进行三维遍历。如果(x,y,z)的像素值小于具体的阈值(例如，在一个示例中为0.55)，则将点(x,y,z)的FFR值替换为点(x,y,z)五像素邻域的平均值(或以所述考虑的像素位置为中心的区域的集中趋势的一些类似测量)。如果点(x,y,z)的像素值大于或等于阈值(例如，在当前的示例中为0.55)，那么它保持不变。以此方式，获得每个点(x,y,z)的最终FFR值，即，每个像素具有相关联的FFR值，使得FFR以逐像素方式计算，从而产生FFR图像230。图5中示出了FFR图像230的一个示例，其中图4所示的解剖区域被标记以便帮助解释。如图所示，参考值r衍生的主动脉区域250在所测量的FFR方面是基本上均匀的。反之，在存在狭窄病变和/或其他阻塞的可能性的下游脉管系统中，可以看到，FFR值可小于主动脉区域中所见的值，从而指示可能的循环问题。可以理解，FFR图像230可用于基于用于测量闭塞的基于区域或基于直径的方法来测量(例如，量化)给定血管或血管区域中脉管狭窄的范围或程度。此外，如该示例所示，本发明的FFR方法可同时计算多个(在这里三个)血管中的FFR并且考虑血流重新分布。

[0055] 可以指出的是，如FFR图像230中所示，用于计算FFR的所提出的方法是基于实际测量的图像值(例如，在CCTA环境中的实际CT衰减值)，而不是基于建模的结果或假设的扩展或外推。因此，这种方法在概念和实施方面更加直接。此外，该过程可以比通常在其他常规方法中通常可能的更快地(例如，0.5分钟至1分钟)进行，这可对临床医生和/或患者有实质性益处，因为扫描结果可在扫描时获得，从而允许及时地执行后续操作。进一步，本方法与传统方式相比提供的更准确的数据，因为相对于大范围的建模，本方法对感兴趣值的估计是以驻点的方式产生。

[0056] 为了证明本发明方法的功效，进行了一项研究，其中使用来自135位患者的163条冠状脉管壁血管来测试本发明的基于图像的FFR计算技术的准确性。使用线性回归分析，将根据本文所述的技术导出的FFR值(竖直轴)与临床FFR值(通过数字减影血管造影(DSA)确定的)(水平轴)进行比较。结果的曲线图在图6中示出。决策系数R2为0.808，其显示使用本发明技术确定的FFR值与临床测量的FFR之间的高相关性，并且表明了本技术在计算FFR值方面的高准确度。

[0057] 本发明的技术效果包括但不限于基于包括非封闭脉管区域(诸如心血管环境中的上升主动脉)的图像数据来确定参考值。该参考值以逐像素为基础与在其他脉管系统区域中观察到的CT值进行比较。考虑到这一点，并且在心血管环境中，每个像素的所确定的FFR值为各脉管区域中的CT值与参考CT值的比率。

[0058] 该书面描述使用示例来公开本发明，包括最佳模式，并且还使本领域技术人员能够实践本发明，包括制造和使用任何设备或系统以及执行任何包含的方法。本发明的专利范围由权利要求书限定，并且可包括本领域技术人员想到的其他示例。如果此类其它示例具有与权利要求书的字面语言没有区别的结构元素，或者如果它们包括与权利要求书的字面语言具有微小差别的等效结构元素，则此类其它示例旨在落入权利要求书的范围内。

标题	发布/更新时间	阅读量
测量血流储备分数的装置及其测量方法	2020-05-15	414
血流储备分数(FFR)指标	2020-05-13	400
一种得到血管血流储备分数的方法和装置	2020-05-14	916
一种基于孔隙介质理论的冠状动脉血流储备分数计算方法	2020-05-21	1028
基于血流储备分数和造影图像的微循环阻力计算方法	2020-05-24	307
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	2020-05-27	608
用于确定血流储备分数的装置和方法	2020-05-12	410
集成光学相干层析与血流储备分数检测的单光纤内窥系统	2020-05-26	756
一种无线血流储备分数测量系统	2020-05-24	212
一种无线血流储备分数测量装置	2020-05-19	817

基于图像数据的血液动力学参数估计

基于图像数据的血液动力学参数估计

技术领域

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：