図面 (/)

技術 機械学習スペクトルFFR−CT

出願人 コーニンクレッカフィリップスエヌヴェ
発明者 フレイマンモルデカイピンカスゴシェンリラン
出願日 2018年6月28日 (2年6ヶ月経過) 出願番号 2019-553251
公開日 2020年8月27日 (4ヶ月経過) 公開番号 2020-525053
状態 未査定
技術分野 放射線診断機器
主要キーワード サンプリングパラメータ ダブルデッカー 圧力測定結果 セグメント分け 二次近似 勾配降下アルゴリズム スペクトル強調 流量測定結果
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2020年8月27日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (4)

課題・解決手段

ステム100は、冠血流予備量比値を決定するように構成された生物物理学シミュレーター126を含む、コンピュータ実行可能命令124を含むコンピュータ可読記憶媒体122を含む。システムは、スペクトルボリュメトリック画像データを使用して冠血流予備量比値を決定するために機械学習を使用する生物物理学シミュレーター126を実行するように構成されたプロセッサ120をさらに含む。システムは、決定された冠血流予備量比値を表示するように構成されたディスプレイをさらに含む。

概要

背景

冠血流予備量比FFR)は、石灰化又はソフト型プラークに起因した冠動脈病変血行動態有意性を、FFR指数を介して定量化するためのカテーテル検査室(Cath Lab)における侵襲性尺度である。指数は、冠動脈造影中に取得された圧力測定結果から計算された冠動脈狭窄の機能的重症度を示し、充血症状のもとでの(小孔の近くにおける)近位圧力に対する(狭窄後方における)遠位血圧として規定される。すなわち、FFR指数は、狭窄の仮想的な不在下における最大流量と比べた、狭窄の存在下において脈管を通る最大流量を表す。FFR値は、0から1の間の絶対数であり、ここで、値0.50は、所与の狭窄が血圧の50%の低下をもたらすことを示す。

FFR侵襲性工程は、大腿動脈又は橈骨動脈へのカテーテルの挿入、及び、狭窄へのカテーテルの進行を必要とし、狭窄において、カテーテルの先端におけるセンサーが脈管形状、柔軟性及び抵抗、及び/又は、他の特性に影響を与える様々な薬剤により促進された状態中における、狭窄にわたる圧力、温度、及び流量を検出する。FFR−CTは、(例えば、冠動脈コンピュータ断層撮影脈管造影CCTA)からの)心臓CT画像データからFFR指数を推定する非侵襲性像形成アプローチである。これは、(1)計算流体力学(CFD)、(2)集中型モデル(LM)、及び、(3)機械学習(ML)アプローチを含む。

概要

ステム100は、冠血流予備量比値を決定するように構成された生物物理学シミュレーター126を含む、コンピュータ実行可能命令124を含むコンピュータ可読記憶媒体122を含む。システムは、スペクトルボリュメトリック画像データを使用して冠血流予備量比値を決定するために機械学習を使用する生物物理学シミュレーター126を実行するように構成されたプロセッサ120をさらに含む。システムは、決定された冠血流予備量比値を表示するように構成されたディスプレイをさらに含む。

目的

以下は、スペクトル情報が自動冠動脈ツリーセグメント分けフレームワークに組み込まれる例を提供する

効果

実績

技術文献被引用数
0件
牽制数
0件

この技術が所属する分野

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

冠血流予備量比値を決定する生物物理学シミュレーターを含む、コンピュータ実行可能命令を含む、コンピュータ可読記憶媒体と、スペクトルボリュメトリック画像データを使用して前記冠血流予備量比値を決定するために機械学習を使用する前記生物物理学シミュレーターを実行するプロセッサと、決定された前記冠血流予備量比値を表示するディスプレイと、を備える、システム

請求項2

前記生物物理学シミュレーターが、前記スペクトルボリュメトリック画像データから特徴を抽出する特徴抽出コンポーネントを含み、抽出された前記特徴が、スペクトル強調された解剖学的特徴と、スペクトル強調されたプラークの形態的及び機能的特徴と、スペクトル強調された生理学的特徴とのうちの少なくとも1つを含む、請求項1に記載のシステム。

請求項3

スペクトル強調された前記解剖学的特徴が、幾何学的及びトポロジー的特徴を含む、請求項2に記載のシステム。

請求項4

前記特徴抽出コンポーネントが、異なるスペクトル画像を使用して抽出された前記解剖学的特徴を強調して、冠動脈ツリー解剖学的構造の異なる解剖学的組織の存在を決定する、請求項3に記載のシステム。

請求項5

前記特徴抽出コンポーネントが、異なる単一エネルギー画像を使用して、抽出された前記解剖学的特徴を強調して、前記冠動脈ツリー解剖学的構造の異なる解剖学的組織間の境界を見つける、請求項3又は4に記載のシステム。

請求項6

前記特徴抽出コンポーネントが、スペクトル的に可能にされた正則化を使用して、抽出された前記解剖学的特徴を強調する、請求項3乃至5のいずれか一項に記載のシステム。

請求項7

前記特徴抽出コンポーネントが、前記スペクトルボリュメトリック画像データを使用して検出すること、セグメント分けすること、及び、分類することにより、スペクトル的形態的特徴を抽出する、請求項2乃至6のいずれか一項に記載のシステム。

請求項8

スペクトル強調された前記生理学的特徴が、冠血流に関係した量を含む、請求項2乃至6のいずれか一項に記載のシステム。

請求項9

スペクトル強調された前記生理学的特徴が、スペクトル心筋欠損又はスペクトル側副流のうちの1つ又は複数を含む、請求項8に記載のシステム。

請求項10

前記生物物理学シミュレーターは、FFR値に、前記特徴抽出コンポーネントにより抽出されたスペクトル特徴マッピングする、機械学習エンジンをさらに含む、請求項2乃至9のいずれか一項に記載のシステム。

請求項11

前記機械学習エンジンが、所定の位置を説明する特徴に関数を適用することにより、冠動脈ツリーの前記所定の位置におけるFFR値を推定する、請求項10に記載のシステム。

請求項12

前記関数が、前記特徴と前記FFR値との間の統計的関係を記述する、請求項11に記載のシステム。

請求項13

プロセッサにより実行されると、前記プロセッサに、スペクトルボリュメトリック画像データを受信することと、冠血流予備量比指数を決定するように機械学習エンジンを使用して前記スペクトルボリュメトリック画像データを処理することと、前記冠血流予備量比指数を視覚的に提示することと、を行わせる、コンピュータ実行可能命令を含む、コンピュータ可読媒体

請求項14

前記機械学習エンジンが、FFR値に、前記スペクトルボリュメトリック画像データから抽出されたスペクトル特徴をマッピングする、請求項13に記載のコンピュータ可読媒体。

請求項15

前記機械学習エンジンが、所定の位置を説明する特徴に関数を適用することにより、冠動脈ツリーの前記所定の位置におけるFFR値を推定する、請求項14に記載のコンピュータ可読媒体。

請求項16

前記関数が、前記特徴と前記FFR値との間の統計的関係を記述する、請求項15に記載のコンピュータ可読媒体。

請求項17

前記機械学習エンジンが、前記スペクトルボリュメトリック画像データから冠動脈管腔をセグメント分けする、請求項13に記載のコンピュータ可読媒体。

請求項18

前記機械学習エンジンが、セグメント分けのためにプロトタイプ全体集合からプロトタイプの部分集合を選択及び使用する、請求項17に記載のコンピュータ可読媒体。

請求項19

前記機械学習エンジンが、エネルギー最小化アルゴリズムを介して前記部分集合を選択する、請求項18に記載のコンピュータ可読媒体。

請求項20

前記部分集合が、冠動脈管腔全体を集合的に表す最小数のプロトタイプを含む、請求項18又は19に記載のコンピュータ可読媒体。

請求項21

前記プロトタイプ全体集合は、プロトタイプが他の分類からの多くの近接したプロトタイプを有するとき、前記プロトタイプが高い値を有するように、及び、プロトタイプが前記プロトタイプ自体の分類からの多くの近接したプロトタイプを有するとき、低い値を有するように、ランク付けされる、請求項18乃至20のいずれか一項に記載のコンピュータ可読媒体。

請求項22

スペクトルボリュメトリック画像データを受信するステップと、冠血流予備量比指数を決定するように機械学習エンジンを使用して前記スペクトルボリュメトリック画像データを処理するステップと、前記冠血流予備量比指数を視覚的に提示するステップと、を有する、方法。

請求項23

前記機械学習エンジンが、FFR値に、前記スペクトルボリュメトリック画像データから抽出されたスペクトル特徴をマッピングする、請求項22に記載の方法。

請求項24

前記機械学習エンジンが、所定の位置を説明する特徴に関数を適用することにより、冠動脈ツリーの前記所定の位置におけるFFR値を推定する、請求項23に記載の方法。

請求項25

前記関数が、前記特徴と前記FFR値との間の統計的関係を記述する、請求項24に記載の方法。

技術分野

0001

以下は、概して、イメージングに関し、より詳細には、スペクトル画像データから冠血流予備量比FFR)推定を決定することに関し、コンピュータ断層撮影(CT)に対する決定の用途とともに説明される。

背景技術

0002

冠血流予備量比(FFR)は、石灰化又はソフト型プラークに起因した冠動脈病変血行動態有意性を、FFR指数を介して定量化するためのカテーテル検査室(Cath Lab)における侵襲性尺度である。指数は、冠動脈造影中に取得された圧力測定結果から計算された冠動脈狭窄の機能的重症度を示し、充血症状のもとでの(小孔の近くにおける)近位圧力に対する(狭窄後方における)遠位血圧として規定される。すなわち、FFR指数は、狭窄の仮想的な不在下における最大流量と比べた、狭窄の存在下において脈管を通る最大流量を表す。FFR値は、0から1の間の絶対数であり、ここで、値0.50は、所与の狭窄が血圧の50%の低下をもたらすことを示す。

0003

FFR侵襲性工程は、大腿動脈又は橈骨動脈へのカテーテルの挿入、及び、狭窄へのカテーテルの進行を必要とし、狭窄において、カテーテルの先端におけるセンサーが脈管形状、柔軟性及び抵抗、及び/又は、他の特性に影響を与える様々な薬剤により促進された状態中における、狭窄にわたる圧力、温度、及び流量を検出する。FFR−CTは、(例えば、冠動脈コンピュータ断層撮影脈管造影CCTA)からの)心臓CT画像データからFFR指数を推定する非侵襲性像形成アプローチである。これは、(1)計算流体力学(CFD)、(2)集中型モデル(LM)、及び、(3)機械学習(ML)アプローチを含む。

発明が解決しようとする課題

0004

MLアプローチは、機械学習エンジンを使用して、従来のCTデータ、及び、各冠動脈位置における流量関連パラメータから導出された統計モデル関連入力特徴を学習するために使用されてきた。一例が、Ituらの「A machine−learning approach for computation of fractional flow reserve from coronary computed tomography.」、J.Appl.Physiol.、vol.121、no.1、42〜52ページ、2016年、において説明されている。このアプローチは、入力CCTA画像に依存する。残念ながら、CCTA画像データは、基礎となる患者解剖学的構造及び生理機能を正確に特徴付ける上で限界があり得る。このような限界の一例は、例えば、ビームハードニングに起因した心筋灌流欠損過大評価である。このような限界の別の例は、例えば、カルシウムブルーミングに起因した管腔半径過小評価である。

0005

本明細書において説明される態様は、上述の問題及びその他のものを解決する。

課題を解決するための手段

0006

本明細書において説明されていることは、スペクトル冠動脈コンピュータ断層撮影脈管造影(sCCTA)からスペクトルボリュメトリック画像データ(例えば、CT)を機械学習(ML)エンジンと組み合わせて冠動脈ツリーに沿った冠血流予備量比(FFR)値を推定することにより、FFR推定を推定するアプローチである。本アプローチは、冠動脈ツリーに対する流量関連パラメータを予測するように訓練された機械学習モデルに対する入力として機能させられる特徴集合を導出するために、sCCTAデータに適用されたスペクトル強調画像分析方法とともにスペクトルボリュメトリック画像データを使用する。

0007

一態様において、システムは、冠血流予備量比値を決定するように構成された生物物理学シミュレーターを含むコンピュータ実行可能命令を含むコンピュータ可読記憶媒体を含む。システムは、スペクトルボリュメトリック画像データを使用して冠血流予備量比値を決定するように、機械学習を使用した生物物理学シミュレーターを実行するように構成されたプロセッサをさらに含む。システムは、決定された冠血流予備量比値を表示するように構成されたディスプレイをさらに含む。

0008

別の一態様において、コンピュータ可読媒体は、プロセッサにより実行されると、プロセッサに、スペクトルボリュメトリック画像データを受信することと、冠血流予備量比指数を決定するように機械学習エンジンを使用してスペクトルボリュメトリック画像データを処理することと、冠血流予備量比指数を視覚的に提示することとを行わせるコンピュータ実行可能命令を含んで符号化される。

0009

別の一態様において、方法は、スペクトルボリュメトリック画像データを受信することと、冠血流予備量比指数を決定するように機械学習エンジンを使用してスペクトルボリュメトリック画像データを処理することと、冠血流予備量比指数を視覚的に提示することとを有する。

0010

業者は、添付された説明を読んで理解することにより本出願のさらに違う他の態様を認識する。

0011

本発明は、様々なコンポーネント及びコンポーネントの配置、及び様々なステップ及びステップの配置の形態をとってよい。図面は、好ましい実施形態を示すことを目的とするにすぎず、本発明を限定するとは解釈されない。

図面の簡単な説明

0012

生物物理学シミュレーターを含むコンピューティングシステム、及び像形成システムを含むシステムを概略的に示す図である。
生物物理学シミュレーターの一例を概略的に示す図である。
生物物理学シミュレーターのための例示的な訓練システムを示す図である。
本明細書の一実施形態による例示的な方法を示す図である。

実施例

0013

図1は、スペクトル(多エネルギー)イメージングするように構成されたCTスキャナなどの像形成システム102を含むシステム100を概略的に示す。像形成システム102は、概して固定ガントリー104と回転ガントリー106とを含み、回転ガントリー106は、固定ガントリー104により回転可能に支持されており、z軸の周り検査領域108の周囲を回転する。カウチなどの対象者支持体110は、検査領域108内において物体又は対象者を支持する。

0014

X線管などの放射源112は、回転ガントリー106により回転可能に支持されており、回転ガントリー106とともに回転し、検査領域108を横断する放射線放射する。一例において、放射源112は、単一の広スペクトルX線管を含む。別の例において、放射源112は、スキャニング中の少なくとも2つの異なる放射電圧(例えば、80kVp及び140kVp)の間でスイッチングするように構成された単一のX線管を含む。さらに異なる別の例において、放射源112は、異なる平均スペクトルを有する放射線を放射するように構成された2つ以上のX線管を含む。さらに違う別の例において、放射源112は、それらの組み合わせを含む。

0015

放射線感応性ディテクターアレイ114は、検査領域108にわたって放射源112の反対側においてある角度の弧を張る。放射線感応性ディテクターアレイ114は、検査領域108を横断する放射線を検出し、それを示す電気信号投影データ)を生成する。放射源112が単一の広スペクトルX線管を含む場合、放射線感応性ディテクターアレイ112は、エネルギー分解ディテクター(例えば、直接変換光子カウントディテクター、異なるスペクトル感度多層)を有するシンチレーターの少なくとも2つの集合など)を含む。kVpスイッチング及び多チューブ構成とともに、ディテクターアレイ114は、単層ディテクター、直接変換光子カウントディテクター、及び/又は、多層ディテクターを含み得る。直接変換光子カウントディテクターは、CdTe、CdZnTe、Si、Ge、GaAs、又は他の直接変換材料などの変換材料を含んでよい。多層ディテクターの例として、全体が参照により本明細書に組み込まれる2006年4月10日に出願された米国特許第7,968,853号(B2)、発明の名称「Double Decker Detector for Spectral CT」において説明されるダブルデッカー検出器などのダブルデッカー検出器が挙げられる。

0016

再構成器116は、ディテクターアレイ114からスペクトル投影データを受信して、スペクトルボリュメトリック画像データ、例えば、sCCTA画像データ、高エネルギー画像低エネルギー画像光電像、コンプトン散乱画像、ヨウ素画像、カルシウム画像、仮想非造影画像骨像軟組織画像、及び/又は、他の基礎物質画像を再構成する。再構成器116は、さらに、例えば、スペクトル投影データ及び/又はスペクトルボリュメトリック画像データを組み合わせることにより、非スペクトルボリュメトリック画像データを再構成し得る。概して、スペクトル投影データ及び/又はスペクトルボリュメトリック画像データは、少なくとも2つの異なるエネルギー及び/又はエネルギー範囲に対するデータを含む。

0017

コンピューティングシステム118は、オペレーターコンソールとして機能する。コンソール118は、人間により可読な出力デバイス、例えば、モニター、及び、入力デバイス、例えば、キーボードマウスなどを含む。コンソール118に存在するソフトウェアは、オペレーターグラフィカルユーザーインターフェースGUI)を介して、又は、別様にスキャナ102と対話する、及び/又は、スキャナ102を操作することを可能にする。コンソール118は、プロセッサ120(例えば、マイクロプロセッサ制御装置中央処理ユニットなど)、及び、コンピュータ可読記憶媒体122をさらに含み、コンピュータ可読記憶媒体122は、例えば、非一時的媒体を除外し、物理メモリデバイスなどの一時的媒体を含む。コンピュータ可読記憶媒体122は、少なくとも生物物理学シミュレーター126に対する命令124を含む。プロセッサ120は、命令124を実行するように構成される。プロセッサ120は、さらに搬送波、信号、及び/又は他の一時的媒体により搬送される1つ又は複数のコンピュータ可読命令を実行するように構成されてよい。変形例において、プロセッサ120及びコンピュータ可読記憶媒体122は、コンピューティングシステム118とは異なる別のコンピューティングシステムの一部である。

0018

生物物理学シミュレーター126は、生物物理学シミュレーションを実施するために、再構成器116及び/又は他の像形成システムにより生成された少なくともスペクトルボリュメトリック画像データを処理するように構成される。FFRに関係して、生物物理学シミュレーターは、そこからFFR指数を決定する。以下でさらに詳細に説明されるように、生物物理学シミュレーター126は、機械学習エンジンを使用してスペクトルボリュメトリック画像データから冠血流予備量比(FFR)指数を推定する。このアプローチは、FFR値を決定するために流れシミュレーションを使用しない。概して、本アプローチは、冠動脈ツリーに対する流量関連パラメータを予測するように訓練された機械学習(ML)モデルへの入力として使用される特徴集合を導出するために、スペクトル強調画像分析アプローチを使用する。このアプローチは、患者に特有流量測定結果を正確に予測することにおいてバイアスを導入するビームハードニング、カルシウムブルーミングなどを含む非スペクトル技術に関係したアーチファクトを軽減する。

0019

図2は、生物物理学シミュレーター126の一例を概略的に示す。

0020

特徴抽出コンポーネント202は、像形成システム102、及び/又は、他のスペクトル像形成システムにより生成されたスペクトルボリュメトリック画像データを入力として受信する。特徴抽出コンポーネント202は、スペクトルボリュメトリック画像データから特徴を抽出する。特徴は、複数のグループ、すなわち、例えば、これらに限定されないが、(1)スペクトル強調された解剖学的特徴、(2)スペクトル強調されたプラークの形態的及び機能的特徴、及び(3)スペクトル強調された生理学的特徴に分割され得る。これらの特徴の各々は、以下でさらに詳細に説明される。

0021

スペクトル強調された解剖学的特徴
このグループの特徴は、冠動脈ツリーの幾何学的及びトポロジー的特徴が挙げられるが、これに限定されない。幾何学的特徴として、各位置における管腔半径、上流及び下流の管腔半径、及び、狭窄部、入口部、及び出口部半径などが挙げられ得る。これらの特徴は、自動アルゴリズムを使用して、及び/又は、様々なツールを使用して手動で調節されたデータから生成された冠動脈ツリーのスペクトル強調された3Dモデルから導出され得る。自動アルゴリズム例が、Progress in Biomedical Optics and Imaging−Proceedings of SPIE、2016年、vol.9784における、Freimanらの「Automatic coronary lumen segmentation with partial volume modeling improves lesions’ hemodynamic significance assessment」において説明されている。特徴抽出コンポーネント202は、スペクトルボリュメトリック画像データにてこ入れをしてセグメント分けを強調する。

0022

追加的な解剖学的特徴として、心筋が絞っている間に動脈の狭窄部に起因して冠動脈を通る血流に影響を与え得る冠動脈の蛇行のレベル(一例が、Vorobtsovaら、「Effects of Vessel Tortuosity on Coronary Hemodynamics:An Idealized and Patient−Specific Computational Study」、Ann.Biomed.Eng.、vol.44、no.7、2228〜2239ページ、2016年、において説明されている)、及び/又は、冠動脈の硬化度の増加を含意するエラスチン変性に関係した心筋架橋の存在及び長さ(一例が、Leeら、「Myocardial Bridging:An Up−to−Date Review」、J.Invasive Cardiol.、vol.27、no.11、521−8ページ、2015年、において説明されている)が挙げられる。トポロジー的特徴は、分岐数、各点に対する分岐レベルなどからなり得る。

0023

強調の例として、(1)冠動脈ツリー解剖学的構造の異なるコンポーネントの存在を決定するために異なるスペクトル結果を使用すること、例えば、管腔の存在を決定するためのヨウ素マップ、及び、石灰化プラークの存在を決定するための仮想非造影画像又は実効原子番号マップの使用、(2)全セグメント分けタスクのための単一の従来の画像ではなく、異なるコンポーネント間境界を見つけるために、異なる単一エネルギー画像を使用すること、例えば、管腔とソフト型プラークとの間における境界を規定するための低単一エネルギー画像、及び、管腔において石灰化プラークとヨウ素との間を分離するための高単一エネルギー画像の使用、及び、(3)セグメント分け品質を改善するためにスペクトル的に可能にされた正則化を使用することが挙げられる。

0024

正則化の例として(1)異なるスペクトル結果にわたる正則化、及び、(2)材料領域にわたる正則化、が挙げられるが、これらに限定されない。以下は、スペクトル情報が自動冠動脈ツリーセグメント分けフレームワークに組み込まれる例を提供する。この例において、最大事後推定問題が(1)スペクトルデータ項と(2)スペクトル正則化項との2つの項を伴うので、冠動脈管腔のセグメント分けが定式化される。他の定式化が本明細書において想定され、以下の定式化は限定ではないことが理解される。

0025

スペクトルデータ項は、各3D点が次の分類、すなわち、冠動脈管腔、石灰化プラーク、ソフト型プラーク、背景のうちの1つに属する尤度を表す。スペクトルデータ項の例が式1に示される。
式1
φC(x,ci)=Pr(fSCT(x)∈Ci
ここで、xは3D点であり、ciはxに割り当てられる第iの分類であり、Pr()は確率を表し、fSCT(x)は、スペクトルボリュメトリック画像データ、例えば、ヨウ素及びカルシウムマップからスペクトル的に有効にされた特徴を抽出し、Pr(fSCT(x)∈ci)は、スペクトル特徴と異なる分類との間の関係を説明する統計モデルを表す。

0026

スペクトル正則化項は、異なる分類に割り当てられた近接した点にペナルティーを与える(例えば、管腔/背景)。正則化項の概括的な例が式2に示される。



スペクトル正則化項又はスペクトル的に有効にされた正則化項の例が式3に示される。



ここで、fs(x)は、スペクトルボリュメトリックデータから点xにおいて導出された特徴ベクトルであり、



は、スペクトル特徴ベクトルにわたる期待分類内分散である。冠血流に潜在的に関係した冠動脈ツリーの患者のスペクトル強調3Dモデルから導出された幾何学的に関係した量による特徴集合は、patient_spectral_featuresとして規定され得る。

0027

スペクトル強調されたプラークの形態的及び機能的特徴
この例において、特徴抽出コンポーネント202は、冠血流に潜在的に関係した患者の心臓ボリュメトリック画像データから導出された量としてスペクトルボリュメトリックデータから特徴を抽出する。非スペクトルボリュメトリック画像データから抽出された特徴、及び、パーソナライズされた境界条件モデルを導出するためにそれらをどのように使用するかが、参照により全体が本明細書に組み込まれる2014年6月30日に出願された、「Enhanced Patient’s Specific Modelling ForFFR−CT」と題する特許出願第EP14174891.3号、2015年11月5日に出願された、「Collateral Flow Modelling For FFR−CT」と題する米国特許出願第62/251,417号において説明されている。

0028

これらの特徴に対する特徴抽出コンポーネント202の出力は、(1)例えば、軟組織を含まないカルシウムマップ、ヨウ素を含まないカルシウムマップなどのスペクトル結果を使用してプラークが検出される、セグメント分けされる、及び分類される、スペクトル的プラーク形態的特徴、(2)例えば、軟組織を含まないカルシウムマップ、ヨウ素を含まないカルシウムマップなどのスペクトル結果に基づいてプラーク分解が特徴付けられる、スペクトル的プラーク機能的特徴、及び/又は、(3)他の特徴を、例えば含む。スペクトル的に有効にされたプラークの形態的及び機能的特徴解析から導出された量は、patient_spectral_featuresとしてさらに規定され得る。

0029

スペクトル強調された生理学的特徴
スペクトルボリュメトリックデータから抽出された生理学的特徴は、冠血流に潜在的に関係した患者の心臓ボリュメトリック画像データから導出された量である。これらの特徴に対する特徴抽出コンポーネント202の出力は、FFR値をより正確に、及び精度良く予測する。これらの特徴として、(1)例えば、ヨウ素マップといったスペクトル結果を使用して心筋欠損が検出される、セグメント分けされる、及び評価される、スペクトル心筋欠損、(2)例えば、ヨウ素マップといったスペクトル結果により側副流推定が強調される、スペクトル側副流、及び/又は、(3)他の特徴が挙げられ得るが、これらに限定されない。

0030

心筋欠損に対して、patient_spectral_features∈Rnは、スペクトル的に決定された灌流欠損特徴を説明する特徴ベクトルである。これらの特徴は、スペクトルボリュメトリック画像データから導出され得、ヨウ素マップ、ビームハードニング補正単一エネルギー画像などを含む。パーソナライズ関数(patient_spectral_features):Rn→Rは、スペクトル的に有効にされた灌流欠損特徴とグローバル抵抗のスケーリングとの間の関係を規定する。

0031

スペクトルボリュメトリック画像データからの側副流の評価は、例えば、以下のステップ、すなわち、(1)本明細書において説明されているように、及び/又は、他のアプローチのように管腔及び壁を含む冠動脈ツリーを決定すること、(2)例えば、ボロノイ図を使用することにより、及び/又は、他のアプローチにより各冠動脈の心筋供給領域を決定すること、(3)例えば、冠動脈を通る流れに関係しない冠動脈の供給領域における追加的なヨウ素関係強調を決定することにより、側副流の存在を定量化することにより行われ得る。patient_spectral_features∈Rnの項は、スペクトル的に決定された側副流特徴を説明する特徴ベクトルである。

0032

機械学習(ML)エンジン204は、patient_spectral_featuresをFFR値にマッピングする。すなわち、f(patient_spectral_features)→FFRとなる。本関数は、冠動脈ツリーにおける決定の位置を説明する入力特徴を計算することにより、冠動脈ツリーの各位置におけるFFR値を推定するために、及び、この入力に関数fを適用するために使用され得る。関数fは、入力特徴と出力FFR値との間における統計的関係を暗示的に説明する。いくつかの機械学習モデルは、教師あり学習手法を使用して関数fを導出するために使用され得る。概して、MLエンジン204は関数fを使用して、スペクトルボリュメトリック画像データから抽出された特徴からFFR値を非侵襲的に予測し、ここで、特徴は患者に特有の解剖学的構造及び生理機能を説明し、スペクトルボリュメトリック画像データから抽出される。

0033

この例において、訓練データとして知られる入力及び出力の複数のペアが、いくつかの最適化基準を使用してfを導出するために使用される。fを説明及び導出するアプローチの例として、(1)深層ニューラルネットワーク、(2)回帰フォレスト、(3)ランダムフォレスト、(4)サポートベクトルマシン、及び/又は、(5)他のアプローチが挙げられるが、これらに限定されない。適切な訓練システムは、特徴抽出コンポーネント202、機械学習訓練コンポーネント302、及び機械学習エンジン204を含む図3に示される。適切な訓練工程は式4に示される。



ここで、fは入力特徴をFFR値にマッピングする関数であり、patient_spectral_featuresは、本明細書において説明されているように演算されたスペクトル強調された特徴であり、FFRGTは、関数fの期待出力値であり、Errorは、使用される機械学習モデルである。いくつかのモデルにおいて、正則化項は、Errorに明示的に含まれ、他において、訓練データに対するオーバーフィッティングを避けるための正則化が、交差検証などの標準技術を使用して達成され得る。最適化は、特に、確率勾配降下アルゴリズムを使用して行われ得る。

0034

概して、MLエンジン204は、スペクトルボリュメトリック画像データと流量測定結果とを接続する統計モデルを学習するために、スペクトルボリュメトリック画像データの集合及び関係する流量測定結果により訓練される。訓練データは、知られた結果を含むデータを含む。統計モデルは、入力特徴と出力流量パラメータとの間の関係を暗示的に説明する。それは、MLモデルに対する入力特徴から導出するために、基礎となる解剖学的構造及び生理機能のより詳細かつ正確な特徴解析を提供することにより、非スペクトルボリュメトリック画像データに基づくMLベース流量予測における潜在的バイアスを考慮している。

0035

本明細書において説明されるアプローチは、一例において、冠血流予備量比(FFR)による冠動脈病変の血行動態有意性の、改善された非侵襲性の正確な客観的評価を提供する。アプローチは、一例において、非スペクトル画像データに対する、患者の解剖学的構造及び生理機能をより良好に特徴付けるスペクトルボリュメトリック画像データからのデータに基づく、病変血行動態有意性の冠動脈高速特徴解析を可能にし、より正確なFFR推定、及び、境界条件の明示的な割り当て及び重い演算を必要としないMLエンジンを提供する可能性がある。

0036

以下自動冠動脈管腔セグメント分けを改善する機械学習アルゴリズムについて説明する。一例において、これは、任意の新しいサンプルに対する分類パフォーマンスができる限り正確となるように、所与のデータベースからプロトタイプ部分集合を選択することにより達成される。一例において、副次的にサンプリングされたデータベースは、できる限り少ないプロトタイプとともに母集団の全構造を表す。

0037

プロトタイプは、マニホールドにおけるそれらの位置に従って、元のデータベースにおいてランク付けされる。本例の場合、いくつかの既定の尺度によるその近接したプロトタイプが同じ分類であるとき、及び、それが異なる分類からの多くの近接物を有する場合、分類間の境界に位置するので、プロトタイプはその分類の中心に位置する。プロトタイプ特徴ベクトル



に対して、例示的な分類ラン



が式5に示され、



ここでは、Kは



の周囲における近接物の数であり、



は、



の分類であり、



は、



の近接物であり、次のとおりである。



この規定によると、



は、プロトタイプ



が他の分類からの多くの近接したプロトタイプを有するとき、高い値を有し、プロトタイプ



が、それ自体の分類からの多くの近接したプロトタイプを有するとき、低い値を有する。

0038

各分類に対する元のデータベースにおけるプロトタイプの分類ランクの分布は、N個のビンを含むヒストグラムを使用して説明され得る。各ビンは、元のデータベースに100/Nパーセントのプロトタイプを含む。サンプリングされたデータベースは、ヒストグラムの各ビンから選択されるプロトタイプの百分位数の関数として規定され得、すなわち、



であり、ここで、



は、各ビンに対する百分位数のベクトルである。元のデータベースをサンプリングする関数



が与えられたとき、汎関数は、パラメータ



を推定するように規定される。一例において、推定は、サンプルの総数を最小化するとともに、各サンプルを正しく分類するようにサンプリングされたデータベースの能力最大化する。一例において、これは、分類をサンプル内における小さい変動に対してロバストなものにしながら達成される。

0039

例示的な汎関数は、式6に示される。



ここで、



は、



において指定された百分位数に従って異なるビンをサンプリングすることにより元のデータベースから構築されたサンプリングされたデータベースであり、



は、パッチ



の、サンプリングされたデータベース



を使用した分類であり、



は、サンプリングされたデータベースにおけるパッチの数である。



α、βは、各項の寄与を制御する重み付けメタパラメータであり、



は、その外観における小さい変動に対する



における各パッチの分類における差を測定する(ここで、TV=総変動)。一例が式7に示され、



ここで、Jはパッチ



次元であり、



は、成分jにおけるものを除くすべての成分におけるものをゼロとした同じ次元のベクトルであり、



は、







との分類の間における、データベース



が与えられたときの絶対差である。最適なデータベースサンプリングパラメータは、エネルギー汎関数を最小化することにより導出され得、一例が式8、すなわち、



に示され、ここで、ハイパーパラメータα、βは、手動で調節されるか、又は、決定のタスクに適応された数値最適化処理を使用して学習され得る。

0040

上述のものは、冠動脈管腔セグメント分けアルゴリズムに必要なデータベースサイズを小さくするために使用され得る。例示的な冠動脈管腔セグメント分けアルゴリズムは、Freimanらの「ImprovingCCTA−based lesions’ hemodynamic significance assessment by accounting for partial volume modeling in automatic coronary lumen segmentation」、Med.Phys.44、1040〜1049(2017年)において説明されている。アルゴリズムは、円筒座標系にわたるエネルギー最小化問題としてセグメント分けタスクを定式化し、冠動脈中心線に沿ったワーピングされたボリュームは、断面の指数を表す座標iを使用して表され、θ、rは、断面における点を決定する角度及び半径方向距離を表す。

0041

例が式9、すなわち、



に示され、ここで、Pは、サンプリングされた点の集合であり、xpは、元のCCTAボリュームからサンプリングされた点



を表すグラフにおける頂点であり、ψp(xp)は、頂点が管腔又は背景分類に属する尤度を表し、p、qは、使用された近接した系Eに従った近接した頂点であり、ψp,q(xp,xq)は、結果として得られる表面の滑らかさを確実なものとするための、異なる分類に属する近接した頂点に対するペナルティーである。

0042

アルゴリズムが、データベースプロトタイプとして機能する二進放射線として表された手動で編集された管腔境界位置とともに心臓CTAデータからサンプリングされた放射線を含む大きい訓練データベースからの冠動脈管腔に属する各頂点xpの尤度を計算する。これは、Hartらの「Nearest neighbor pattern classification」、IEEE Trans.Inf.Theory.13、21〜27(1967年)において説明されているKNNアルゴリズムに基づき得る。尤度項は、Freimanらにおいて説明されているように、部分ボリューム効果及び正則化項として使用されるL2ノルムを考慮するようにさらに調節される。

0043

以下は、データベース最適化の適用を提供する。放射線の異なる分類として管腔半径を考慮すると、汎関数ハイパーパラメータは、基準として侵襲性FFR測定結果を含む最適化されたデータベースを使用して取得されたセグメント分けを使用して、CT−FFR推定のための曲線(AUC)のもとで最大面積に達するように最適化される。2段階最適化タスクに対して、外側ループが式10、すなわち、



に示されるように、モデルハイパーパラメータα、βを最適化し、及び内側ループが、式8を使用して所与のα、βに対して最適モデルパラメータを導出する。最適化は、導関数を使用しない二次近似による境界最適化(BOBYQA)アルゴリズムを使用して実行され得る。このようなアルゴリズムの例が、Powellの「The BOBYQA algorithm for bound constrained optimization without derivatives」、NA Rep.NA2009/06.39(2009年)において説明されている。

0044

図4は、本明細書において説明される一実施形態による例示的な方法を示す。

0045

上述の工程の順序が限定ではないことが理解される。従って、他の順序化が本明細書において想定される。加えて、1つ又は複数の工程が省略されてよく、及び/又は、1つ又は複数の追加的な工程が有されてよい。

0046

402において、スペクトルボリュメトリック画像データは、本明細書において説明されているように、及び/又は、別様に受信される。

0047

404において、特徴が、本明細書において説明されているように、及び/又は、別様に、スペクトルボリュメトリック画像データから抽出される。

0048

408において、抽出された特徴は、本明細書において説明されているように、及び/又は、別様に、FFR値を推定するように機械学習アルゴリズムを使用して処理される。

0049

410において、FFR値が出力される。

0050

上述のものは、コンピュータプロセッサにより実行されたときに、プロセッサが説明されている工程を実行することをもたらす、コンピュータ可読記憶媒体に符号化された、又は組み込まれたコンピュータ可読命令により実施される。追加的に、又は代替的に、コンピュータ可読命令のうちの少なくとも1つが、コンピュータ可読記憶媒体ではない信号、搬送波、又は他の一時的媒体により搬送される。

0051

図面及び上述の説明において本発明が詳細に例示及び説明されるが、このような例示及び説明は例示又は一例とみなされ、限定とはみなされず、本発明は、開示される実施形態に限定されない。開示される実施形態に対する他の変形例が、図面、本開示、及び添付の特許請求の範囲の考察により、請求項に記載された発明を実施する当業者により理解及び実現されてよい。

0052

特許請求の範囲において、「備える(含む、有する)」という用語は、他の要素もステップも排除せず、不定詞「a」又は「an」は、複数を排除しない。単一のプロセッサ又は他のユニットが、特許請求の範囲に記載されるいくつかの項目の機能を実現してよい。単に決定の手段が相互に異なる従属請求項に記載されているということは、利点を得るためにこれらの手段の組み合わせが使用不可能なことを示すわけではない。

0053

コンピュータプログラムは、他のハードウェアと一体的に、又は他のハードウェアの一部として供給される光記憶媒体又はソリッドステート媒体などの適切な媒体に記憶されてよい/そのような媒体にのせて配布されてよいが、例えばインターネット又は他の有線又は無線電気通信システムを介して、他の形態で配布されてよい。特許請求の範囲における参照符号は、いずれも特許請求の範囲を限定するように解釈されてはならない。

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

関連する公募課題

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

新着 最近 公開された関連が強い技術

この 技術と関連性が強い人物

関連性が強い人物一覧

この 技術と関連する社会課題

関連する挑戦したい社会課題一覧

この 技術と関連する公募課題

関連する公募課題一覧

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ