机器学习谱FFR-CT
阅读：1026发布：2020-06-07
专利汇可以提供机器学习谱FFR-CT专利检索，专利查询，专利分析的服务。并且一种系统(100)包括具有计算机可执行指令(124)的计算机可读存储介质(122)，所述计算机可执行指令包括 生物 物理 模拟器 ，所述生物物理模拟器被配置为确定 血流储备分数 值。所述系统还包括被配置为运行所述生物物理模拟器(126)的处理器(120)，所述生物物理模拟器采用 机器学习 以利用谱体积图像数据来确定所述血流储备分数值。所述系统还包括被配置为显示所确定的血流储备分数值的显示器。，下面是机器学习谱FFR-CT专利的具体信息内容。
1.一种系统(100)，包括：
具有计算机可执行指令(124)的计算机可读存储介质(122)，所述计算机可执行指令包括生物物理模拟器(126)，所述生物物理模拟器被配置为确定血流储备分数值；
处理器(120)，其被配置为运行所述生物物理模拟器(126)，所述生物物理模拟器采用机器学习以利用谱体积图像数据来确定所述血流储备分数值；以及
显示器，其被配置为显示所确定的血流储备分数值。
2.根据权利要求1所述的系统，其中，所述生物物理模拟器包括特征提取部件(202)，所述特征提取部件被配置为从所述谱体积图像数据中提取特征，其中，所提取的特征包括以下中的至少一项：谱增强解剖特征、谱增强斑块形态和功能特征，以及谱增强生理特征。
3.根据权利要求2所述的系统，其中，所述谱增强解剖特征包括几何特征和拓扑特征。
4.根据权利要求3所述的系统，其中，所述特征提取部件使用不同的谱图像来增强所提取的解剖特征以确定冠状动脉树解剖结构中不同解剖组织的存在。
5.根据权利要求3至4中的任一项所述的系统，其中，所述特征提取部件使用不同的单能量图像来增强所提取的解剖特征以找到冠状动脉树解剖结构中不同解剖组织之间的边界。
6.根据权利要求3至5中的任一项所述的系统，其中，所述特征提取部件使用谱使能的正则化来增强所提取的解剖特征。
7.根据权利要求2至6中的任一项所述的系统，其中，所述特征提取部件通过使用所述谱体积图像数据进行检测、分割和分类来提取谱形态特征。
8.根据权利要求2至6中的任一项所述的系统，其中，所述谱增强生理特征包括与冠状动脉血流有关的量。
9.根据权利要求8所述的系统，其中，所述谱增强生理特征包括以下中的一项或多项：
谱心肌缺损或谱侧支血流。
10.根据权利要求2至9中的任一项所述的系统，其中，所述生物物理模拟器还包括机器学习引擎(204)，所述机器学习引擎被配置为将由所述特征提取部件202提取的谱特征映射到FFR值。
11.根据权利要求10所述的系统，其中，所述机器学习引擎通过对描述冠状动脉树的预定位置的特征应用函数来估计在所述预定位置处的FFR值。
12.根据权利要求11所述的系统，其中，所述函数描述所述特征与FFR值之间的统计关系。
13.一种编码有计算机可执行指令的计算机可读介质，所述计算机可执行指令当由处理器运行时使所述处理器：
接收谱体积图像数据；
利用机器学习引擎来处理所述谱体积图像数据以确定血流储备分数指数；并且视觉地呈现所述血流储备分数指数。
14.根据权利要求13所述的经编码的计算机可读介质，其中，所述机器学习引擎被配置为将从所述谱体积图像数据中提取的谱特征映射到FFR值。
15.根据权利要求14所述的经编码的计算机可读介质，其中，所述机器学习引擎通过对描述冠状动脉树的预定位置的特征应用函数来估计在所述预定位置处的FFR值。
16.根据权利要求15所述的经编码的计算机可读介质，其中，所述函数描述所述特征与FFR值之间的统计关系。
17.根据权利要求13所述的经编码的计算机可读介质，其中，所述机器学习引擎被配置为根据所述谱体积图像数据来分割冠状动脉管腔。
18.根据权利要求17所述的经编码的计算机可读介质，其中，所述机器学习引擎从原型的完全集合中选择原型的子集并且采用所述原型的子集用于所述分割。
19.根据权利要求18所述的经编码的计算机可读介质，其中，所述机器学习引擎经由能量最小化算法来选择所述子集。
20.根据权利要求18至19中的任一项所述的经编码的计算机可读介质，其中，所述子集包括最小数量的原型，所述最小数量的原型共同地表示整个冠状动脉管腔。
21.根据权利要求18至20中的任一项所述的经编码的计算机可读介质，其中，所述原型的完全集合被排序，使得原型当所述原型具有来自其他类的许多相邻原型时具有高值并且当所述原型具有来自其自己的类的许多相邻原型时具有低值。
22.一种方法，包括：
接收谱体积图像数据；
利用机器学习引擎来处理所述谱体积图像数据以确定血流储备分数指数；以及视觉地呈现所述血流储备分数指数。
23.根据权利要求22所述的方法，其中，所述机器学习引擎被配置为将从所述谱体积图像数据中提取的谱特征映射到FFR值。
24.根据权利要求23所述的方法，其中，所述机器学习引擎通过对描述冠状动脉树的预定位置的特征应用函数来估计在所述预定位置处的FFR值。
25.根据权利要求24所述的方法，其中，所述函数描述所述特征与FFR值之间的统计关系。
机器学习谱FFR-CT
技术领域
背景技术
[0002] 血流储备分数(FFR)是导管实验室(Cath Lab)中的侵入性测量，以经由FFR指数来量化归因于钙化斑块或软斑块的冠状动脉病变的血液动力学意义。所述指数指示根据在冠状动脉造影期间进行的压力测量结果而计算的冠状动脉狭窄的功能严重度并且被定义为在充血条件下相对于近端压力(接近于孔口)的远端血压(在狭窄后方)。亦即，FFR指数表达与在假设没有狭窄的情况下的最大流量相比较在存在狭窄的情况下的血管的最大流量下降。FFR值是在0与1之间的绝对数，其中，值0.50指示给定狭窄引起血压的50％的下降。
[0003] FFR侵入性流程要求将导管插入到股动脉或桡动脉中并且将导管推进到狭窄处，在狭窄处，在导管的顶端处的传感器在由影响血管几何形状、依从性和阻力和/或其他特性的各种试剂促进的条件期间感测跨狭窄的压力、温度和流量。FFR-CT是根据心脏的CT图像数据(例如，根据冠状动脉计算机断层摄影血管造影CCTA)来估计FFR指数的无创成像方案。这包括：(1)计算流体动力学(CFD)；(2)集总模型(LM)；以及(3)机器学习(ML)方法。
[0004] ML方案已经被用于使用机器学习引擎来学习将根据常规CT数据导出的输入特征与每个冠状动脉位置处的流量相关参数相关联的统计模型。Itu等人在J.Appl.Physiol.、第121卷、第1期、第42-52页、2016年的“A machine-learning approach for computation of fractional flow reserve from coronary computed tomography”一文中描述了范例。该方案依赖于输入CCTA图像。遗憾的是，CCTA图像数据在准确地表征患者的潜在解剖结构和生理机能方面是受限制的。这样的限制的范例是对心肌灌注缺损的过高估计，例如，由于射束硬化。这样的限制的另一范例是管腔半径的过低估计，例如，由于钙光晕。发明内容
[0005] 在本文中所描述的各方面解决了上文所提到的问题以及其他问题。
[0006] 在本文中所描述的是通过将谱体积图像数据(例如，CT)与机器学习(ML)引擎相组合以沿着冠状动脉树估计FFR值来根据谱冠状动脉计算机断层摄影血管造影(sCCTA)来估计血流储备分数(FFR)估计的方案。该方案使用谱体积图像数据连同被应用于sCCTA数据的谱增强图像分析方法一起以导出特征的集合，所述特征的集合用作对被训练用于预测针对冠状动脉树的流量相关参数的机器学习模型的输入。
[0007] 在一个方面中，一种系统包括具有计算机可执行指令的计算机可读存储介质，所述计算机可执行指令包括被配置为确定血流储备分数值的生物物理模拟器。所述系统还包括被配置为运行所述生物物理模拟器的处理器，所述生物物理模拟器采用机器学习以利用谱体积图像数据来确定所述血流储备分数值。所述系统还包括被配置为显示所确定的血流储备分数值的显示器。
[0008] 在另一方面中，一种计算机可读介质被编码有计算机可执行指令，所述计算机可执行指令当由处理器执行时使所述处理器：接收谱体积图像数据；利用机器学习引擎来处理所述谱体积图像数据以确定血流储备分数指数；并且视觉地呈现所述血流储备分数指数。
[0009] 在另一方面中，一种方法包括：接收谱体积图像数据；利用机器学习引擎来处理所述谱体积图像数据以确定血流储备分数值；并且视觉地呈现所述血流储备分数指数。
[0011] 本发明可以采取各种部件和部件布置以及各种步骤和步骤安排的形式。附图仅仅是出于图示优选实施例的目的，而不应当被解读为对本发明的限制。
[0012] 图1示意性图示了包括具有生物物理模拟器的计算系统和成像系统的系统；
[0013] 图2示意性图示了生物物理模拟器的范例；
[0014] 图3图示了用于生物物理模拟器的范例训练系统；并且
[0015] 图4图示了根据本文中的实施例的范例方法。
具体实施方式
[0016] 图1示意性图示了包括成像系统102(诸如被配置用于谱(多能量)成像的CT扫描器)的系统100。成像系统102包括大体固定机架104和旋转机架106，旋转机架106由固定机架104可旋转地支撑并且关于z轴绕检查区域108旋转。对象支撑体110(诸如卧榻)支撑检查区域108中的目标或对象。
[0017] 辐射源112(诸如X射线管)由旋转机架106可旋转地支撑，与旋转机架106一起旋转，并且发射贯穿检查区域108的辐射。在一个实例中，辐射源112包括单个广谱X射线管。在另一实例中，辐射源112包括被配置为在扫描期间在至少两个不同的发射电压(例如，80kVp与140kVp)之间切换的单个X射线管。在又一实例中，辐射源112包括被配置为发射具有不同的平均谱的辐射的两个或更多个X射线管。在又一实例中，辐射源112包括其组合。
[0018] 辐射敏感探测器阵列114跨检查区域108与辐射源112相对地呈一角度弧。辐射敏感探测器阵列114探测穿过检查区域108的辐射并且生成指示所述辐射的(一个或多个)电气信号(投影数据)。在辐射源112包括单个广谱X射线管的情况下，辐射敏感探测器阵列112包括能量分辨探测器(例如，直接转换光子计数探测器、具有不同谱灵敏度(多层)的闪烁体的至少两个集合等)。对于kVp切换和多管配置，探测器阵列114能够包括单层探测器、直接转换光子计数探测器和/或多层探测器。直接转换光子计数探测器可以包括转换材料(诸如CdTe、CdZnTe、Si、Ge、GaAs)或者其他直接转换材料。多层探测器的范例包括双层探测器，诸如在于2006年4月10日提交并且题为“Double Decker Detector for Spectral CT”的美国专利US 7968853 B2中所描述的双层探测器，其全部内容通过引用并入本文。
[0019] 重建器116从探测器阵列114接收谱投影数据并且重建谱体积图像数据，诸如sCCTA图像数据、高能量图像、低能量图像、光电图像、康普顿散射图像、碘图像、钙图像、虚拟非造影图像、骨骼图像、软组织图像和/或其他基础材料图像。重建器116还能够例如通过将谱投影数据和/或谱体积图像数据相组合来重建非谱体积图像数据。通常，所述谱投影数据和/或谱体积图像数据将包括针对至少两个不同能量和/或能量范围的数据。
[0020] 计算系统118用作操作者控制台。控制台118包括人类可读输出设备(诸如监视器)和输入设备(诸如键盘、鼠标等)。驻留在控制台118上的软件允许操作者经由图形用户接口(GUI)或者以其他方式与扫描器102进行交互和/或操作。控制台118还包括处理器120(例如，微处理器、控制器、中央处理单元等)和计算机可读存储介质122，计算机可读存储介质122不包括非瞬态介质，而包括瞬态介质，诸如物理存储器设备等。计算机可读存储介质122包括至少用于生物物理模拟器126的指令124。处理器120被配置为运行指令124。处理器120可以额外地被配置为运行由载波、信号和/或其他瞬态介质承载的一条或多条计算机可读指令。在变型中，处理器120和计算机可读存储介质122是与计算系统118分离的另一计算系统的部分。
[0021] 生物物理模拟器126被配置为至少处理由重建器116和/或其他成像系统生成的谱体积图像数据以执行生物物理学模拟。相对于FFR，所述生物物理模拟器根据其来确定FFR指数。如下文更详细描述的，生物物理模拟器126使用机器学习引擎根据谱体积图像数据来估计血流储备分数(FFR)指数。该方案未采用流量模拟来确定FFR值。通常，所述方案使用谱增强图像分析方案来导出特征集，所述特征集用作对被训练以预测针对冠状动脉树的流量相关参数的机器学习(ML)模型的输入。该方案可以减轻与非谱技术相关联的伪影，包括射束硬化、钙光晕等，其可能在准确地预测患者特定流量测量结果过程中引入偏差。
[0022] 图2示意性图示了生物物理模拟器126的范例。
[0023] 特征提取部件202接收由成像系统102和/或其他谱成像系统生成的谱体积图像数据作为输入。特征提取部件202从所述谱体积图像数据中提取特征。所述特征能够被分成多个组，诸如但不限于：(1)谱增强解剖特征；(2)谱增强斑块形态和功能特征；以及(3)谱增强生理特征。下文更详细地描述了这些特征中的每个特征。
[0024] 谱增强解剖特征。
[0025] 该组特征包括但不限于冠状动脉树的几何特征和拓扑特征。几何特征能够包括在每个位置处的管腔半径、上游和下游管腔半径和狭窄、入口和出口半径等。这些特征能够根据利用自动算法由数据生成的和/或使用各种工具手动调节的冠状动脉树的谱增强3D模型来导出。Freiman等人在Progress in Biomedical Optics and Imaging-Proceedings of SPIE、2016、第9784卷中的“Automatic coronary lumen segmentation with partial volume modeling improves lesions’hemodynamic significance assessment”一文中讨论了自动算法范例。特征提取部件202利用谱体积图像数据来增强分割。
[0026] 额外的解剖特征包括冠状动脉弯曲水平，其能由于在心肌压缩时的动脉的收缩而影响通过冠状动脉的血流(Vorobtsova等人在Ann.Biomed.Eng.、第44卷、第7期、第2228-2239页、2016年的“Effects of Vessel Tortuosity on Coronary Hemodynamics:An Idealized and Patient-Specific Computational Study”一文中讨论了范例)和/或与弹性退化相关联的心肌桥的存在和长度，其可能隐含地增加冠状动脉硬度(Lee等人在J.Invasive Cardiol.、第27卷、第11期、第521-8页、2015年的“Myocardial Bridging:An Up-to-Date Review”一文中讨论了范例)。拓扑特征能够包括许多分支、针对每个点的分支水平等。
[0027] 增强的范例包括：(1)使用不同的谱结果来确定冠状动脉树解剖结构中不同组分的存在，例如，使用碘图来确定管腔和虚拟非造影图像的存在或者使用z有效图来确定钙斑的存在；(2)使用不同的单能量图像而不是用于整个分割任务的单幅常规图像来找到不同组分之间的边界，例如，使用低单能量图像来定义管腔与软斑块之间的边界并且使用高单能量图像在管腔中的钙斑与碘之间分离；以及(3)使用谱使能的正则化来改善分割质量。
[0028] 正则化的范例包括但不限于：(1)在不同的谱结果上的正则化；以及(2)在材料域上的正则化。下文提供了其中谱信息被并入到自动冠状动脉树分割框架中的范例。在该范例中，冠状动脉管腔分割被公式化为最大值后估计问题，其涉及两个项：(1)谱数据项；以及(2)谱正则化项。将意识到，在本文中设想到了其他公式，并且以下公式并非是限制性的。
[0029] 所述谱数据项表示每个3D点属于以下类之一的可能性：冠状动脉管腔、钙化斑块、软斑块、背景。在等式1中示出了谱数据项的范例：
[0030] 等式1：
[0031]
[0032] 其中，x是3D点，ci是待分配给x的第i类，Pr()表示概率，并且fSCT(x)从谱体积图像数据(例如，碘图和钙图)中提取谱使能特征，并且Pr(fSCT(x)∈ci)表示描述谱特征与不同类之间的关系的统计模型。
[0033] 所述谱正则化项惩罚被分配给不同类(例如，管腔/背景)的相邻点。在等式(2)中示出了正则化项的一般范例：
[0034] 等式2∶
[0035]
[0036] 在等式3中示出了谱正则化项或谱使能的正则化项的范例：
[0037] 等式3：
[0038]
[0039] 其中，fs(x)是根据所述谱体积数据在点x处导出的特征向量，并且 是谱特征向量上的期望的类内方差。借助于从潜在地与冠状动脉血流有关的患者的冠状动脉树的谱增强3D模型中导出的几何相关量的特征集能够被定义为：患者_谱_特征。
[0040] 谱增强斑块形态和功能特征。
[0041] 在该范例中，特征提取部件202从所述谱体积数据中提取特征作为从潜在地与冠状动脉血流有关的患者的心脏体积图像数据中导出的量。在于2014年6月30日提交并且题为“Enhanced Patient’s Specific Modelling For FFR-CT”的专利申请EP14174891.3、于2015年11月5日提交并且题为“Collateral Flow Modelling For FFR-CT”的专利申请US
62/251417中描述了从非谱体积图像数据中提取的特征并且如何利用其导出个性化边界条件模型，其以整体内容通过引用并入本文。
62/251417中描述了从非谱体积图像数据中提取的特征并且如何利用其导出个性化边界条件模型，其以整体内容通过引用并入本文。
[0042] 用于这些特征的特征提取部件202的输出包括例如：(1)谱斑块形态特征，其中，斑块是使用谱结果来检测、分割和分类的，例如，不具有软组织的钙图、不具有碘的钙图等；(2)谱斑块功能特征，其中，斑块分解是基于谱结果来表征的，例如，不具有软组织的钙图、不具有碘的钙图等；和/或(3)其他特征。从谱使能斑块形态和功能特性导出的量也能够被定义为：患者_谱_特征。
[0043] 谱增强生理特征。
[0044] 从所述谱体积数据中提取的生理特征是从潜在地与冠状动脉血流有关的患者的心脏体积图像数据导出的量。用于这些特征的特征提取部件202的输出更准确并且精确地预测FFR值。这些特征能够包括但不限于：(1)谱心肌缺损，其中，心肌缺损是使用谱结果来检测、分割和评估的，例如，碘图；(2)谱侧支血流(myocardium deficit)，其中，侧支血流估计是通过谱结果来增强的，例如，碘图；和/或(3)其他特征。
[0045] 对于心肌缺损，患者_谱_特征∈Rn是描述谱确定的灌注缺损特征的特征向量。这些特征能够从谱体积图像数据中导出并且包括碘图、射束硬化校正单能量图像等。个性化函数(患者_谱_特征):Rn→R定义谱使能灌注缺损特征与全局阻力的缩放之间的关系。
[0046] 根据谱体积图像数据对侧支血流的评估能够例如通过以下步骤来完成：(1)确定冠状动脉树，包括管腔和壁，如在本文中所描述的和/或其他方案；(2)确定每个冠状动脉的心肌馈送区域，例如，通过使用Voronoi图和/或其他方案；以及(3)量化侧支血流的存在，例如，通过确定不与通过冠状动脉的流动有关的冠状动脉的馈送区域中的额外的碘相关增强。术语患者_谱_特征∈Rn是描述谱确定的侧支血流特征的特征向量。
[0047] 机器学习(ML)引擎204将患者_谱_特征映射到FFR值：f(患者_谱_特征)→FFR。所述函数能够被用于通过计算描述冠状动脉树处的特定位置的输入特征来估计在冠状动脉树的每个位置处的FFR值并且对该输入应用函数f。函数f隐含地描述了输入特征与输出FFR值之间的统计关系。若干机器学习模型能够被用于使用监督式学习方法来找到函数f。通常，ML引擎204使用函数f根据从所述谱体积图像数据中提取的特征无创地预测FFR值，其中，所述特征描述患者特定解剖结构和生理机能并且是从所述谱体积图像数据中提取的。
[0048] 在该范例中，被称为训练数据的多对输入和输出被用于使用一些优化准则来找到f。针对用于描述并且找到f的方案的范例包括但不限于：(1)深度神经网络；(2)回归森林；(3)随机森林；(4)支持向量机；和/或(5)其他方案。在图3中示出了适合的训练系统，其包括特征提取部件202、机器学习训练部件302以及机器学习引擎204。在等式4中示出了适合的训练流程：
[0049] 等式4：
[0050]
[0051] 其中，f是将输入特征映射到FFR值的函数，患者_谱_特征是如在本文中所描述地计算的谱增强特征，FFRGT是函数f的期望输出值，并且Error是所使用的机器学习模型。在一些模型中，正则化项被明确地包括在Error中，而在其他情况下，用于避免对训练数据的过拟合的正则化能够使用标准技术(诸如交叉验证)来实现。优化能够使用随机梯度下降算法等来完成。
[0052] 通常，ML引擎204是由谱体积图像数据集和相关联的流量测量结果来训练的，以学习将所述谱体积图像数据与流量测量结果相连接的统计模型。所述训练数据包括具有已知结果的数据。所述统计模型隐含地描述了输入特征与输出流量参数之间的关联。其通过向ML模型提供从输入特征导出的潜在解剖结构和生理机能的更详细和准确的表征来解释基于非谱体积图像数据的基于ML的流量预测中的潜在偏差。
[0053] 在一个实例中，在本文中所描述的方案借助于血流储备分数(FFR)来提供对冠状动脉病变的血液动力学意义的经改善的无创的、准确的、客观的评估。所述方案使得能够基于来自谱体积图像数据的数据对病变血液动力学意义的冠状动脉快速表征，其在一个实例中更好地表征患者相对于非谱图像数据的解剖结构和生理机能，并且具有提供更准确的FFR估计的可能性，以及不要求边界调节和繁重计算的明确分配的ML引擎。
[0054] 下文描述了用于改善自动冠状动脉管腔分割的机器学习算法。在一个实例中，这是通过从给定数据库中选择原型的子集来实现的，使得针对任意新样本的分类性能将尽可能准确。在一个范例中，二次抽样的数据库利用尽可能少的原型来表示人群的全部结构。
[0055] 原型根据其在支管上的位置在原始数据库中进行排序。针对该范例，原型当根据一些预定义度量其相邻原型具有相同类时位于其类的中心，并且如果其具有来自不同类的许多邻近体则位于类之间的边界上。对于原型特征向量 在等式(5)中示出了范例分类排序
[0056] 等式5∶
[0057]
[0058] 其中，K是 周围的邻近体的数量， 是 的类， 是 的邻近体，并且根据该定义， 当原型 具有来自其他类的许多相邻原型时将具有高值，并且当原型 具有来自其自己的类的许多相邻原型时将具有低值。
[0059] 能够使用具有N个分组(bin)的直方图来描述针对每个类的原始数据库中的原型的分类排序的分布。每个分组包含原始数据库中的原型的100/N百分比。经采样的数据库能够被定义为要从直方图的每个分组中选择的原型的百分数的函数： 其中， 是针对每个分组的百分数的向量。给定对原始数据库进行采样的函数 函数被定义为对参数 进行估计。在一个实例中，所述估计使经采样的数据库的能力最大化以正确地对每个样本分类，同时使样本的总数量最小化。在一个实例中，这是在提供对样本中的小变化鲁棒的分类的同时实现的。
[0060] 在等式6中示出了范例函数：
[0061] 等式：6
[0062]
[0063] 其中， 是通过根据在 处指定的百分数对不同分组进行采样根据原始数据库构建的经采样的数据库， 是使用经采样的数据库 的拼片(patch)的数量，α,β是控制每个项的贡献的加权元参数，并且 测量 中的每个拼片对其外观中的小变化的分类中的差异(其中，TV＝总量-变化)。在等式7中示出了范例：
[0064] 等式：7
[0065]
[0066] 其中，J是拼片 的维度，并且 是在除条目j处之外的所有条目处具有零的相同维度的向量，并且在给定数据库 的情况下， 是与 的分类之间的绝对差。能够通过使能量函数最小化来找到最佳数据库采样参数。
在等式8中示出了范例：
在等式8中示出了范例：
[0067] 等式：8
[0068]
[0069] 其中，超参数α,β能够要么手动地调节要么使用适于特定任务的数值优化过程来学习。
[0070] 以上内容能够被用于减少针对冠状动脉管分割算法所要求的数据库大小。Freiman等人在Med.Phys.44、1040–1049(2017)上的“Improving CCTA-based lesions’hemodynamic significance assessment by accounting for partial volume modeling in automatic coronary lumen segmentation”一文中描述了范例冠状动脉管腔分割算法。所述算法将分割任务公式化为在柱面坐标系上的能量最小化问题，其中，沿着冠状动脉中心线的翘曲体积利用表示截平面的指数的坐标i来表达，并且θ,r表示角以及确定截平面中的点的径向距离。
[0071] 在等式9中示出了范例：
[0072] 等式：9
[0073]
[0074] 其中，P是经采样幅点的集合，xp是表示从原始CCTA体积采样的点的图形中的顶点，ψp(xp)表示顶点属于腔或背景类的可能性，p,q是根据所采用的相邻系E的相邻顶点，并且ψp,q(xp,xq)是针对属于不同类的相邻顶点确保所得到的表面的平滑度的惩罚。
[0075] 所述算法计算每个顶点xp属于来自具有从心脏CTA数据采样的射线的大型训练数据库的冠状动脉管腔连同被表示为作为用作数据库原型的二进制射线的手动编辑管腔边界位置的可能性。这能够基于Hart等人在IEEE Trans.Inf.Theory.13、21–27(1967)上的“Nearest neighbor pattern classification”一文中所描述的KNN算法。可能性项被额外地调节以解释部分容积效应并且L2范数被用作如在Freiman等人中所描述的正则化项。
[0076] 下文提供了数据库优化的应用。考虑管腔半径作为射线的不同类，功能超参数被优化以利用使用具有以有创FFR测量结果作为参考的经优化的数据库获得的分割来实现在用于CT-FFR估计的曲线(AUC)下方的最大面积。对于两阶段优化任务，外环优化如在等式10中示出的模型超参数α,β：
[0077] 等式：10
[0078]
[0079] 并且内环找到用于使用等式8针对给定α,β的最佳模型参数。所述优化能够使用无导数二次逼近约束优化(BOBYQA)算法来执行。Powell在NA Rep.NA2009/06.39(2009)上的“The BOBYQA algorithm for bound constrained optimization without derivatives”一文中讨论了这样的算法的范例。
[0080] 图4图示了根据在本文中所描述的实施例的范例方法。
[0081] 将意识到，以上动作的排序是非限制性的。如此，在本文中设想到了其他排序。另外，可以省略一个或多个动作和/或可以包括一个或多个额外动作。
[0082] 在402处，如在本文中所描述地和/或以其他方式接收谱体积图像数据。
[0083] 在404处，如在本文中所描述地和/或以其他方式从所述谱体积图像数据中提取特征。
[0084] 在408处，，如在本文中所描述的和/或以其他方式利用机器学习算法来处理所提取的特征以估计FFR值。
[0085] 在410处，输出FFR值。
[0086] 以上内容可以通过编码或嵌入在计算机可读存储介质上的计算机可读指令来实施，所述计算机可读指令当由(一个或多个)处理器运行时使所述(一个或多个)处理器执行所描述的动作。额外地或备选地，所述计算机可读指令中的至少一条指令由信号、载波或其他瞬态介质来承载，其不是计算机可读存储介质。
[0087] 尽管已经在附图和前述描述中详细图示和描述本发明，但是这样的图示和描述将被认为是说明性或示范性而非限制性的；本发明并不限于所公开的实施例。通过研究附图、说明书和随附的权利要求书，本领域技术人员在实践所主张的本发明时能够理解和实现所公开的实施例的其他变型。
[0088] 在权利要求中，词语“包括”不排除其他元件或者步骤，并且量词“一”或“一个”不排除多个。单个处理器或其他单元可以实现权利要求中所记载的若干项的功能。互不相同的从属权利要求中记载了特定措施的仅有事实并不指示不能够有利地使用这些措施的组合。
| 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 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈