用于基于可穿戴传感器网络进行个人化血流建模的方法和系统与流程

本申请要求于2016年4月12日提交的美国临时申请号62/321,441的权益，其公开以其整体通过引用并入在本文中。

本发明涉及用于模拟患者的血管中的血流的基于医学图像的血流计算，并且更特别地，涉及使用侵入性生理测量来增强基于医学图像的血流计算。

背景技术：

心血管疾病(cvd)是全世界死亡的主要原因。原发性高血压是最常见的年龄相关慢性心血管障碍之一，其影响超过10亿人。世界卫生组织认为在其列出的19种影响全球健康的主要风险因素之中，高血压是发病率和死亡率的最重要来源。由于使人易患心力衰竭、肾病、中风、及痴呆，以及对于社会的后续成本，高血压是用于改进低、中和高收入国家中的老年人的健康和幸福的主要治疗目标。高血压占中风的54％和全部缺血性心脏事件的47％。通常在肱动脉处使用振动测定法测量血压。不幸的是，由于动脉波反射的存在，中心动脉收缩压(casp)常常显著地低于肱动脉收缩bp(basp)。压力放大的人员特定性质导致casp和basp之间的仅中度的相关性。

下肢的外周动脉疾病(pad)是影响近似1200万美国人民的常见疾病。动脉粥样硬化是下肢的pad的主要原因。pad的流行基于调查的人口和计算踝臂指数(abi)的方法而不同。abi是用以帮助诊断腿中的外周动脉疾病(pad)的严重性并对其分等级的最初筛选测试。

主动脉缩窄(coa)是先天性心脏缺陷，其通常由主动脉中层(aorticmedia)至主动脉管腔中的离散平层状(shelflike)变窄构成，发生在具有先天性心脏病的全部患者中的5至8％中。出生时具有coa的患者需要终身医学/外科护理，其包括侵入性和无创性成像、药物治疗，以及如果coa复发，则包括侵入性导管插入或外科介入以减小升主动脉中的血压。用于评估主动脉缩窄的功能严重性的一种技术是测量臂和腿之间的血压差异。

近年来，在用于对人体心血管系统中的血流建模的计算途径方面已经存在相当多关注。使用计算流体动力学(cfd)算法执行的血流计算，在结合从医学图像提取的患者特定解剖模型使用时，已经被提出用于诊断、风险分级、以及手术规划。

技术实现要素：

本发明提供用于基于从可穿戴传感器网络获取的患者数据执行个人化(personalize)血流计算和提取针对患者的感兴趣的血流动力学度量的方法和系统。本发明的实施例利用整个体循环的患者特定血流模型，其根据从可穿戴传感器网络导出的连续测量结果的集合和初始临床测量结果的集合而是个人化的。由于可穿戴传感器网络能够连续地获取数据，血流模型能够针对多种患者状态而个人化。

在本发明的一个实施例中，基于患者数据来生成患者的血管的个人化解剖模型。从患者身上的可穿戴传感器网络接收患者的一个或多个连续心血管测量结果。基于来自所述可穿戴传感器网络的所述一个或多个连续心血管测量结果来使用于模拟患者的血管的患者特定解剖模型中的血流的计算血流模型个人化。使用个人化计算血流模型来模拟患者的血管的所述患者特定解剖模型中的血流和血压。基于模拟的血流和血压来计算针对患者的一个或多个感兴趣的血流动力学度量。

在本发明的另一个实施例中，基于患者数据来生成患者的血管的个人化解剖模型。从患者身上的可穿戴传感器网络接收患者的一个或多个连续心血管测量结果。基于患者的血管的个人化解剖模型和来自可穿戴传感器网络的一个或多个连续心血管测量结果使用训练的机器学习模型来预测针对患者的一个或多个感兴趣的血流动力学度量。

通过参考下面的详细描述和附图，本发明的这些和其他优点对于本领域普通技术人员来说将是显而易见的。

附图说明

图1图示根据本发明的实施例的用于执行个人化血流计算并提取针对患者的感兴趣的血流动力学度量的方法；

图2图示根据本发明的实施例的用于执行个人化血流计算并提取针对患者的感兴趣的血流动力学度量的系统；

图3图示根据本发明的实施例的执行个人化全身血流计算并提取针对患者的感兴趣的血流动力学度量的方法；

图4图示根据本发明的实施例的示例性全身系统动脉模型；

图5图示根据本发明另一实施例的用于执行个人化血流计算并提取针对患者的感兴趣的血流动力学度量的方法；

图6图示根据本发明的实施例的基于可穿戴传感器网络预测针对患者的感兴趣的血流动力学度量的基于机器学习的方法；以及

图7是能够实现本发明的计算机的高级框图。

具体实施方式

本发明提供用于基于从可穿戴传感器网络获取的患者数据执行个人化血流计算并提取针对患者的感兴趣的血流动力学度量的方法和系统。在本文中描述本发明的实施例以给出对用于个人化血流建模的方法的直观理解。数字图像常常由一个或多个对象(或形状)的数字表示组成。在本文中常常在识别和操纵对象方面描述对象的数字表示。这样的操纵是在计算机系统的存储器或其他电路/硬件中完成的虚拟操纵。因此，应该理解的是，本发明的实施例可以在计算机系统内使用存储在计算机系统内的数据来执行。

本发明的实施例基于从可穿戴传感器网络获取的患者数据执行个人化血流计算并提取感兴趣的血流动力学度量。由于这些可穿戴传感器网络能够连续地获取患者数据，所以用于执行血流计算的血流模型能够针对多种患者状态被个人化。当在临床环境下获取用于使模型个人化的数据时，通常仅可获得对应于一种患者状态的一个测量结果的集合，并且该患者测量结果的集合由于比如白衣综合症的征候而不可以反映真实患者状态。白衣综合症是一种其中临床环境中的患者展现高于他们的正常血压的血压水平的征候，这归因于临床就诊期间患者所经受的焦虑。本发明的实施例基于从可穿戴传感器网络获取的连续测量结果来调整患者特定血流模型的个人化，这允许患者特定血流模型在多种患者状态处个人化并且允许校正患者特定模型以补偿由于比如白衣综合症的征候而引起的不精确临床测量结果。

本发明的实施例利用整个循环系统或循环系统的部分的患者特定计算血流模型，其根据从可穿戴传感器导出的连续测量结果的集合和初始患者测量结果的集合而是个人化的。图1图示根据本发明的实施例的用于执行个人化血流计算并提取针对患者的感兴趣的血流动力学度量的方法。

在步骤102处，接收患者的医学图像数据和临床测量结果。能够接收来自一种或多种成像模态的医学成像数据。例如，医学成像数据能够包括磁共振成像(mri)、计算机断层扫描(ct)、dynact、血管造影术、超声、超声心动图、单光子发射计算机断层扫描(spect)、以及任何其他类型的无创性医学成像模态。医学图像数据能够是2d、3d、或4d(3d+时间)医学图像数据。医学图像数据能够从一个或多个图像获取设备诸如mr扫描器、ct扫描器、超声设备等直接接收，或医学图像数据可以通过加载针对患者的先前存储的医学图像数据来接收。也能够获取诸如身高、体重、体重指数(bmi)、臂、腿、颈、头的长度等的基本患者测量结果，以及诸如性别和年龄的人口统计信息。另外，还可以获取初始无创性临床测量结果，诸如患者的心率、收缩和舒张血压、ecg等。

在步骤104处，基于患者的医学图像数据和/或临床测量结果生成血管的患者特定解剖模型。基于针对患者获取的医学成像数据或基础测量结果来执行初始化测量，并且这些测量结果通过限定患者特定系统动脉几何结构而被用于执行动脉模型的初始个人化。接下来，在步骤106处，从可穿戴传感器网络接收患者数据的连续测量结果。这些测量结果能够包括数量，比如心率、血压、脉搏血氧测量结果、ecg等。这些测量结果能够是连续地接收的或在预定时间间隔处(诸如每分钟或每n分钟)接收的。在步骤108处，使患者特定计算血流模型个人化并运行以执行患者特定血流模拟。从可穿戴传感器网络接收的测量结果与先前个人化的动脉几何结构一起用于使计算血流模型个人化并运行完全个人化血流计算。能够在该阶段中使用任何类型的计算血流模型，其分布在从集总参数模型到一维、二维或三维模型的范围内。计算血流模型还可以是多尺度模型。血流动力学计算(血流模拟)的输出能够包括系统动脉树中的所有位置处的时变流速、压力、和横截面积、壁剪切应力等。

在步骤108处，基于患者特定血流模拟的结果来提取感兴趣的血流动力学度量。所提取的感兴趣的血流动力学度量可以包括中心动脉血压、外周动脉疾病(pad)的严重性(通过根据模拟的血压计算踝臂指数(abi)提取的)、高血压的发作、心血管疾病(cvd)的风险、缩窄(跨缩窄(trans-coarctation)压降)的严重性、冠状动脉疾病的严重性(例如，根据冠状动脉中的模拟血压测量的血流储备分数(ffr))、等。所提取的感兴趣的血流动力学度量可以通过在计算机设备的显示器上显示来输出。所提取的感兴趣的血流动力学度量还可以经由电子邮件、文本消息、或任何其他电子通信协议来电子地发送至患者(例如，至指定的患者设备)和/或至医生或其他专家(例如，至医生的指定设备)。在可能的实施例中，例如响应于所提取的感兴趣的血流动力学度量中的一个或多个高于规定阈值，可以自动地得出针对临床调查研究的建议。因此，该方法可以允许从主要反应性药物到更加预测性药物的范式转变，其中在疾病达到高/临界水平的严重性之前基于来自血流模拟的预测来治疗患者。这不仅可以改善患者预后，而且引起减少的医疗保健相关成本。

在步骤108处执行个人化血流模拟之后，该方法返回至步骤106并从可穿戴传感器网络接收新的连续测量结果。然后通过基于从可穿戴传感器网络新获取的测量结果调整患者特定计算血流模型的参数来再次使患者特定计算血液模型个人化。在有利的实现中，能够规定时间段(例如，1小时)并且能够在每次规定时间段过去后使用该时间段期间从可穿戴传感器网络获取的连续患者测量结果来使患者特定计算血流模型再次个人化并运行。以下结合图3的实施例更详细地描述图1的方法的步骤。

图2图示根据本发明的实施例的用于执行个人化血流计算并提取针对患者的感兴趣的血流动力学度量的系统。如图2中示出的，可穿戴传感器网络200用于获取患者的各种连续测量结果。可穿戴传感器网络200能够是可穿戴无线体域网(ban)，其用于获取与穿戴该ban的人员以及可能地穿戴该ban的人员周围的环境相关的数据。ban是无线传感器网络的子类，其被用于监测受检者的健康和身体状态。图2的可穿戴传感器网络200包括控制单元202和多个传感器204。尽管在图2中示出3个传感器204，但是本发明不限于任何特定数量的传感器。控制单元202能够包括用以控制可穿戴传感器网络202的操作的微处理器，用以从传感器204接收数据并发送数据至用户设备210的收发器，以及用以提供功率至控制单元202并且可能地至传感器204的功率源(例如，电池)。传感器204放置于患者的身体上的各种位置处并获取患者的连续测量结果。在有利实施例中，传感器204可以包括心率传感器、一个或多个血压传感器、ecg传感器、及脉搏血氧计。可穿戴传感器网络200的传感器204还可以包括其他传感器，诸如用于测量患者的呼吸、大脑活动(例如，脑电图(eeg))、肌电图(emg)、皮肤温度、皮肤电导、眼动电图(eog)、血液ph、葡萄糖水平等的传感器。传感器204还可以包括用以检测患者运动的一个或多个惯性传感器(例如，加速度计)。传感器204中的一个或多个可以由控制单元供电并控制。然而，传感器204中的一个或多个可以包括它们自己的功率源(例如，电池)、微处理器和收发器。控制单元202从各种传感器204接收患者测量结果并发送该患者测量结果至用户设备210。控制单元202和传感器204能够经由无线ban(wban)通信协议诸如ieee.802.15.6来通信。控制单元202能够使用无线通信协议如蓝牙或zigabee、或经由wban通信协议来发送该测量结果至用户设备210。在图2的实施例中，可穿戴传感器网络200包括控制单元202，其发送由传感器204获取的所有测量结果至用户设备210。然而，本发明不限于此，并且在可替换实施例中，可穿戴传感器网络的传感器可以发送它们的相应测量结果直接至用户设备。

计算血流模型的个人化和使用个人化计算血流模型的血流计算能够在用户设备210上或通过可穿戴传感器网络200来在本地执行，或所获取的数据可以通过无线通信发送至中央服务器(云)220，在这里执行处理。即，在一个实施例中，用户设备210从可穿戴传感器网络200接收连续测量结果(图1的步骤106)，执行计算血流模型的个人化和血流模拟(步骤108)，并且提取并输出感兴趣的血流动力学度量(步骤110)。用户设备210是对于患者而言本地的计算机设备。用户设备210能够包括处理器、存储器、储存器、用户输入端、显示器、和网络接口。在有利的实施例中，用户设备210是移动设备，诸如智能电话、输入板、个人数字助理等。用户设备210能够通过其显示器的显示感兴趣的血流动力学度量和/或电子地发送感兴趣的血流动力学度量至远程设备诸如与医生关联的设备来输出所提取的感兴趣的血流动力学度量。用户设备210还能够显示和/或发送血流模拟的结果，诸如示出系统动脉树中的各种位置处的时变压力、流速、横截面积、壁剪切应力等的曲线。

在另一实施例中，可以全部或部分通过可穿戴传感器网络200来执行患者特定计算血流模型的个人化以及使用个人化计算血流模型的模拟。由于可穿戴传感器网络200的无线电元件需要大量能量，高效的本地处理对于获得低功率系统来说是重要的。在可能的实施例中，可以在使计算血流模型个人化和运行时使用雾(fog)计算或薄雾(mist)计算。雾计算已经被引入以解决物联网(iot)中的严重挑战，诸如带宽需求、应用可管理性等。在雾计算中，应用在网关(例如，控制单元202)上运行，引起更简单的协调和管理。然而，网关可以变成单个故障点。薄雾计算使雾计算更进一步，而是在网络的边缘上(即在嵌入节点(例如，传感器204)中的微控制器层级处)执行计算。因此，进一步减少延时并增加系统的自主性(它不再依赖于稳定和连续的无线网络)。

在另一实施例中，用户设备210发送从可穿戴传感器网络200接收的连续测量结果至中央服务器220。例如，用户设备210能够经由数据网络215诸如因特网发送该连续测量结果至中央服务器220。中央服务器220接收从可穿戴传感器网络200获取的患者的连续测量结果(图1的步骤106)，执行计算血流模型的个人化和血流模拟(步骤108)，并且提取并输出感兴趣的血流动力学度量(步骤110)。中央服务器220可以是计算机设备，其包括处理器、存储器、储存器、网络接口，并使用输入端/输出端。在可能的实现中，中央服务器220可以是基于云的计算设备，其控制其他基于云的计算设备。因此，用以执行计算血流模型的个人化、使用该计算血流模型的血流模拟、以及感兴趣的血流动力学度量的提取的处理可以仅通过中央服务器220执行，或可以分布在多个基于云的计算机设备之间。中央服务器220能够通过发送感兴趣的血流动力学度量至用户设备210、和一个或多个其他远程设备诸如与医生关联的设备来输出感兴趣的血流动力学度量和可能地血流模拟的结果。

中央服务器能够将所提取的针对患者的感兴趣的血流动力学测量结果和模拟结果连同针对其他患者的感兴趣的血流动力学测量结果和模拟结果存储在数据库222中。中央服务器220能够通过对存储于数据库222中的所有患者数据执行连续数据分析来执行人口研究。在可能的实施例中，中央服务器220能够实时地将针对特定患者提取的感兴趣的血流动力学测量结果与在大群受检者上获取的对应测量结果相比较。该信息能够用于发送关于从人口平均值的潜在偏差的反馈至患者和/或医生。亚组分析能够由中央服务器220执行以识别具有统计学上相似的感兴趣血流动力学测量结果的患者亚群，并基于该识别的亚群使该感兴趣的血流动力学测量结果与健康状态、病史、或其他人口统计参数关联。

在另一个可能的实施例中，能够采用混合途径，在其中简化模型在用户设备210上本地地运行，并且如果感兴趣的血流动力学度量处于某个范围内(例如，接近阈值)，则该数据可以然后被发送至中央服务器/云220以用于使用更详细的计算模型来处理。例如，中央服务器/云220上的更复杂计算模型可能能够提供不同于从简化本地模型提取的那些的附加的感兴趣度量。在示例性实现中，在其中不能够基于预限定算法在本地做出决定的情况下，仅感兴趣的血流动力学度量的输出可以被离线地发送以由专家分析。在一个可能的实现中，简化的本地模型是比中央服务器/云220上的复杂计算模型较不详细的计算血流模型。在另一个可能实现中，简化的本地模型能够是基于机器学习的模型(以下更详细地描述)并且中央服务器上的模型是计算血流模型。

图3图示根据本发明的实施例的执行个人化全身血流计算并提取针对患者的感兴趣的血流动力学度量的方法。在图3的实施例中，应用图1的方法来执行个人化全身血流计算。图3的步骤302、304、306、308和310分别对应于图1的步骤102、104、106、108和110，并且图3的方法的描述提供关于如应用于有利实施例(在其中执行全身流量计算)的图1的相应方法步骤的附加细节。

在步骤302处，接收患者的初始测量结果数据。初始化测量结果数据能够包括医学图像数据和/或非成像患者测量结果。在有利实施例中，医学图像数据能够是在全身mri扫描中获取的mri图像数据，因为全身mri筛选已经被报道为对于在无症状一般人群中检测严重病理而言是安全且准确的。非成像患者测量结果能够包括身高、体重、bmi、性别、年龄、臂、腿、颈、及头的长度，以及其他可能的患者测量结果。

在步骤304处，执行系统动脉模型(即动脉几何结构)的初始个人化。总体平均全身系统动脉模型可以用作用于使动脉几何结构个人化的起点。例如，总体平均全身系统动脉模型可以基于地图集模型或先前公开的动脉模型。系统动脉模型中的动脉的长度和半径然后基于患者的初始化测量结果数据(例如，医学图像数据和/或初始非成像测量结果)来个人化，从而产生系统动脉几何结构的患者特定解剖模型。图4图示根据本发明的实施例的示例性全身系统动脉模型。如图4中示出的，全身系统动脉模型400包括51条动脉(编号1-51)。

在一个实施例中，总体平均全身系统动脉模型中的动脉的长度和半径能够基于患者的包括身高、体重、bmi、性别、臂长、腿长、颈长、及头长等的基础测量结果而自动调整。在另一实施例中，全身系统动脉模型中的动脉的长度和半径能够基于医学图像数据诸如全身mri扫描来个人化。例如，系统动脉几何结构的患者特定解剖模型可以从医学图像数据自动地提取。为了生成系统动脉几何结构的患者特定解剖模型，系统动脉模型中的动脉的中心线能够使用自动血管中心线提取算法以3d医学图像数据来提取，诸如在美国公开专利申请号2010/0067760中描述的方法，其通过引用并入在本文中。一旦提取了动脉的中心线，就能够在中心线树的每个点处生成横截面轮廓。在每个中心线点处的横截面轮廓给出动脉中的该点处的对应半径和横截面积测量结果。

返回到图3，在步骤306处，获取来自可穿戴传感器的连续测量结果。来自可穿戴传感器的连续测量结果能够包括心率、ecg信号、在一个或多个位置处的血压测量结果、和/或在一个或多个位置处的脉搏血氧测量结果。在有利实现中，连续测量结果包括臂踝脉搏血氧或压力测量结果并且还可以包括其他动脉位置(诸如股动脉和颈动脉)处的脉搏血氧和/或压力测量结果。可获得的测量结果越多，则个人化将越可靠。测量结果能够包括与多个不同患者状态关联的测量结果，所述患者状态诸如休息、躺下、坐着、直立、体育锻炼的不同水平、睡觉、介入前和介入后等。可穿戴传感器网络能够基于传感器的相对位置以及患者的心率、ecg、呼吸等中的改变而自动地区分不同状态。

在步骤308处，基于初始个人化系统动脉模型(动脉几何结构)和从可穿戴传感器网络获取的连续测量结果来使患者特定计算血流模型个人化。在本发明的有利实施例中，基于降阶计算流体动力学(cfd)的模型，其主成分是一维模型，可以用于执行全身血流计算。时变流速分布能够用作入口边界条件，而三元弹性腔(windkessel)模型能够耦合在最高阶模型的出口处。为了执行患者特定计算，必须使计算血流模型个人化。在有利的实现中，使计算血流模型的以下成分个人化：动脉几何结构、动脉壁属性、入口边界条件、和出口边界条件。在步骤304中的初始个人化期间使动脉几何结构个人化。

使用连续脉搏血氧测量结果测量的脉搏波能够提供时间相关信息，诸如血管内压力传输，以及关于动脉血液容积改变的信息。动脉壁属性可以使用臂踝脉搏血氧或血压测量结果来个人化。在其他动脉位置(诸如股动脉或颈动脉)处执行的脉搏血氧或压力测量结果也能够用于使动脉壁属性个人化。基于从这些测量结果和ecg信号估计的传导时间，可以确定数个局部化的脉搏波速度，然后将其用于限定动脉壁属性。可获得的测量结果越多，个人化将越可靠。

在有利的实施例中，通过生成主动脉入口(在图4的系统动脉模型400中的点a处示出)处的个人化时变流速分布来使入口边界条件个人化。可以使用脉搏波传导时间(pwtt)来连续地导出心输出量，所述脉搏波传导时间通过来自每个循环的ecg和外周脉搏波的脉搏血氧测量和ecg信号来获得。这提供实时、连续、且无创性的心输出量测量结果连同ecg和spo2(外周毛细管血氧饱和度)的生命体征参数。该估计的心输出量能够与所测量的心率一起用来定标(scale)总体平均主动脉入口分布，以便提供升主动脉的入口处的个人化流量分布。

在有利的实施例中，计算血流模型利用耦合在系统动脉模型的出口处的三元弹性腔模型。例如，三元弹性腔模型能够耦合至图4的全身系统动脉模型400中的动脉6、8、10、11、12、13、16、17、20、22、24、25、26、28、29、31、32、34、36、40、42、43、44、47、49、50、和51的出口。通过找出针对出口弹性腔模型中的每个的个人化参数(顺应性和阻力)来使出口边界条件个人化。可以根据从臂踝脉搏血氧或压力测量结果导出的脉搏压力信息来确定针对系统动脉模型的总顺应性。总顺应性然后能够基于末端动脉段的尺寸来分布至各出口。每个出口处的阻力能够根据先验限定的流量分布来确定，其然后可以基于患者的身体活动而更改。例如，在身体锻炼的情况下，取决于活动类型，更多的血液可以朝着臂和/或腿引导。

总的来说，模型个人化框架包括两个顺序步骤。首先，直接计算一系列参数，然后，利用基于完全自动优化的校准方法来估计剩余参数的值。参数估计问题公式化为数值优化问题，其目的是找到满足目标的参数数值的集合。关于全身系统动脉血流模型的个人化的附加的细节在标题为“personalizedwhole-bodycirculationinmedicalimaging”的美国公开专利申请号2016/0196384中描述，其公开以其整体通过引用并入在本文中。

一旦使动脉几何结构、动脉壁属性、入口边界条件、和出口边界条件个人化，产生个人化计算血流模型，就使用个人化计算血流模型执行血流模拟。特别地，个人化计算血流模型在多个时间步骤上计算患者特定系统动脉模型中的多个点中的每个处的血流和血压值。在有利的实现中，个人化计算血流模型基于个人化入口流量分布、个人化壁属性、和个人化出口边界条件来在多个时间点上执行患者特定系统动脉模型中的每个点处的血流和血压值的cfd计算。

返回到图3，在步骤310处，从模拟结果和输出提取感兴趣的血流动力学度量。感兴趣的血流动力学度量可以包括中心动脉血压、高血压的发作、外周动脉疾病(pad)的严重性、缩窄的严重性、心血管疾病(cvd)的风险、冠状动脉疾病的严重性、和/或其他感兴趣的血流动力学度量。中心动脉血压根据主动脉中的模拟血压来计算。外周动脉疾病(pad)的严重性能够通过根据模拟血压计算踝臂指数(abi)来计算。abi将踝处的血压与臂处的血压相比较。abi能够通过计算踝处的模拟血压与臂处的模拟血压的比值来计算。缩窄的严重性能够通过根据模拟血压计算跨缩窄压降来计算。冠状动脉疾病的严重性能够通过基于模拟血压计算冠状动脉中的各种位置处的血流储备分数(ffr)或跨狭窄压降来计算。

在可能的实施例中，风险因素，诸如cvd风险因素和/或高血压风险因素，能够使用训练的基于机器学习的模型来计算，所述训练的基于机器学习的模型基于根据通过个人化计算血流模型的血流和血压计算而计算的其他血流动力学度量。例如，基于机器学习的回归量能够基于感兴趣的血流动力学度量的数据库来训练，所述感兴趣的血流动力学度量是从针对大群患者的血流模拟提取的，以预测cvd或高血压的风险得分。各种机器学习算法，诸如深度学习、支持向量机、概率提升树、随机森林等能够用于训练基于机器学习的回归量。在使用个人化计算模型针对特定患者提取感兴趣的血流动力学度量时，感兴趣的血流动力学度量被输入作为训练的基于机器学习的回归量的特征，并且训练的基于机器学习的回归量计算针对患者的高血压的cvd的风险得分。

图3的实施例利用基于降阶的cfd的计算模型，其包括在出口处耦合至集总弹性腔模型的系统动脉的一维模型。诸如多尺度模型、3d模型等的其他计算模型也能够用于全身系统动脉血流计算。例如，关于针对全身系统血流计算的多尺度模型的细节在标题为“personalizedwhole-bodycirculationinmedicalimaging”的美国公开专利申请号2016/0196384中描述，其公开以其整体通过引用并入在本文中。

图5图示根据本发明的另一实施例的用于执行个人化血流计算并提取针对患者的感兴趣的血流动力学度量的方法。由于由可穿戴传感器网络执行的测量在大的时间段上可以具有某种不确定性或可以不足以可靠地使计算血流模型个人化，所以可以在某些时间点处执行临床测量。图5的方法提供与图1的方法相似的方法，图1的方法被修改以反映其中获取附加的临床测量结果的实施例。图5的步骤502、504、506、508、和510分别与图1的步骤102、104、106、108、和110相似。步骤507是每次该方法重复步骤506和508时不都执行的可选的步骤。在步骤507处，在临床环境中获取患者测量结果。这些临床测量可以周期性地执行或在任何时间点处执行，并可以不同于针对动脉模型的初始化所执行的临床测量。在获取了附加的临床测量结果时，除了来自可穿戴传感器网络的连续测量结果之外还基于这些临床测量结果来使患者特定计算血流模型个人化(在步骤508处)。与初始测量相似，这些临床测量可以涉及或可以不涉及医学成像技术。例如如果血流模型还并入用于疾病演变的模型(例如，流体-固体-生长建模)时，可以使用随后的临床测量结果获取，并且周期临床测量在该情况下可以用于校准针对疾病演变的参数。此外，临床测量可以用于校准由可穿戴传感器网络执行的测量(例如，用以消除任何偏差/偏移等)。周期的临床测量还能够用于检测可穿戴传感器网络的传感器中的故障(例如，降低的测量准确性)。在可能的实施例中，可以响应于基于使用可穿戴传感器测量结果的计算生成的指示(例如，超过内部阈值，其指示疾病严重性的水平中的改变)执行临床测量。在该情况下，临床测量结果可以用于确定、无效或进一步调查研究该发现。因此获取的数据然后还能够用于重新校准个人化计算血流模型。

在本发明的可替换实施例中，基于机器学习的模型可以代替计算血流模型而使用来预测感兴趣的血流动力学度量。基于机器学习的模型可以在离线训练阶段基于患者或综合数据来训练。基于机器学习的模型可以使用各种机器学习算法来训练，诸如深度学习、支持向量机等。例如，基于机器学习的模型可以如在标题为“syntheticdata-drivenhemodynamicdeterminationinmedicalimaging”的美国专利号9,349,178中描述的那样来训练，其公开以其整体通过引用并入在本文中。基于机器学习的模型具有它们与计算模型相比在计算上更高效的优点，计算模型通常基于复杂等式系统的数值解。该方面是有利的，如果该应用运行在可穿戴系统上的话，其功率效率需要被最大化。在其中所训练的基于机器学习的模型用于预测感兴趣的血流动力学度量的情况下，对于重新计算感兴趣的血流动力学度量的每个时间段，针对该时间段的来自可穿戴传感器网络的连续测量结果被输入作为所训练的基于机器学习的模型的特征，并且所训练的基于机器学习的模型基于更新的特征集合重新计算感兴趣的血流动力学度量。所训练的基于机器学习的模型可以被训练以直接预测相应的感兴趣的血流动力学度量，或可以被训练以预测患者特定解剖模型(例如，系统动脉模型)中的血流和血压，并且所预测的血流和血压然后能够用于计算所预测的感兴趣的血流动力学度量。

图6图示根据本发明的实施例的基于可穿戴传感器网络预测针对患者的感兴趣的血流动力学度量的基于机器学习的方法。图6的步骤602、604、和606与图1的步骤102、104、和106相似。在步骤608处，基于来自可穿戴传感器网络的连续测量结果和患者特定解剖模型使用训练的基于机器学习的模型来预测针对患者的感兴趣的血流动力学度量。在一个实施例中，感兴趣的血流动力学度量(例如，中心动脉血压、高血压的发作、外周动脉疾病(pad)的严重性、缩窄的严重性、心血管疾病(cvd)的风险、冠状动脉疾病的严重性)使用针对每个感兴趣的血流动力学度量的相应所训练的基于机器学习的模型来直接预测。在该情况下，来自可穿戴传感器网络的连续心血管测量结果和患者的动脉的几何结构测量结果被输入作为每个相应所训练的基于机器学习的模型的特征，所述基于机器学习的模型基于输入特征计算相应所预测的感兴趣的血流动力学度量。在另一实施例中，来自可穿戴传感器网络的连续心血管测量结果和患者的动脉的几何结构测量结果被输入作为所训练的基于机器学习的模型的特征，所述所训练的基于机器学习的模型基于这些特征被训练以预测患者特定解剖模型中的各位置处的血流和血压值。然后基于所预测血流和血压值计算感兴趣的血流动力学度量。在步骤610处，输出所预测的感兴趣的血流动力学度量。例如每次规定时间段过去时该方法重复步骤606和608，并且每次重复步骤606和608时，在该时间段期间由可穿戴传感器网络获取的新接收的连续测量结果被添加到特征集合，产生由基于机器学习的模型所使用的更新的特征集合。

在可能的实施例中，以上描述的方法和系统能够用作“个人训练机”，其基于可获得的测量结果和使用个人化血流模型从模拟血流计算的感兴趣的血流动力学度量来自动地建议健身计划。在另一可能的实施例中，以上描述的方法和系统能够用作急救辅助设备，其在事件后立即建议最佳行动过程(例如，响应于由于静脉炎引起的腿部增加疼痛或肿胀，能够生成采用抗炎药物并求助医生的建议)。能够基于可获得的测量结果、计算建模结果/感兴趣的血流动力学度量、和来自中心服务器的人口数据的自动分析(包括预后)来生成建议。

本文中在以上描述的实施例中描述的方法可以相似地应用于非血流相关医学应用。例如，专注于ecg信号的可穿戴传感器网络可以用于使计算电生理(ep)模型个人化。

以上描述的实施例可以用于检测系统高血压的发作，特别是在易患高血压(例如，由于家族史)的受检者中。以上描述的实施例可以用于实现对原发性系统高血压的更好理解，由于其病因不很理解并且本发明的实施例能够帮助更好地理解高血压和动脉粥样硬化之间的关系，并且解答哪是原因以及哪是效果。以上描述的实施例可以用于提供中心动脉血压的可靠估计，其具有作为预测心血管事件方面的装置的生成的益处。此外，结合动脉粥样硬化的其他度量，所估计的中心动脉血压能够用于估计未来事件的风险。以上描述的实施例还能够用于估计外周动脉疾病在介入前和后条件下的功能严重性和/或估计主动脉缩窄在介入前和后条件下的功能严重性。

以上描述的方法可以在使用公知的计算机处理器、存储器单元、储存器设备、计算机软件、和其他部件的计算机上实现。在图7中图示这样的计算机的高级框图。计算机702包含处理器704，其通过执行限定整体操作的计算机程序指令来控制计算机702的这样的操作。计算机程序指令可以存储在储存器设备712(例如，磁盘)中并在期望执行计算机程序指令时加载到存储器710中。因此，图1、3、5和6的方法的步骤可以由存储于存储器710和/或储存器712中的计算机程序指令限定并由执行计算机程序指令的处理器704控制。图像获取设备720，诸如ct扫描设备、mr扫描设备、超声设备等，能够连接至计算机702以输入图像数据至计算机702。图像获取设备720和计算机702可以通过网络无线地通信。计算机702还包括一个或多个网络接口706用于经由网络与其他设备通信。计算机702还包括其他输入/输出设备708，其实现与计算机702(例如，显示器、键盘、鼠标、扬声器、按钮等)的用户交互。本领域技术人员将认识到，实际计算机的实现也能够包含其他部件，并且图7是用于说明的目的的这样的计算机的部件中的一些的高级表示。

以上描述的方法可以使用以客户-服务器关系操作的计算机来实现。通常，在这样的系统中，客户端计算机与服务器计算机远程地定位并经由网络交互。客户-服务器关系可以由在相应客户端和服务器计算机上运行的计算机程序来限定和控制。

以上描述的方法可以在基于网络的云计算系统内实现。在这样的基于网络的云计算系统中，连接至网络的服务器或另一处理器经由网络与一个或多个客户端计算机通信。例如，客户端计算机可以经由在客户端计算机上驻留并操作的网络浏览器应用来与服务器通信。客户端计算机可以将数据存储于服务器上并经由网络访问该数据。客户端计算机可以经由网络发送数据请求、或在线服务请求至服务器。服务器可以执行所请求的服务并提供数据至(一个或多个)客户端计算机。服务器还可以发送适配成使客户端计算机执行规定功能的数据，例如以执行计算、在屏幕上显示规定的数据等。例如，服务器可以发送适配成使客户端计算机执行本文中描述的方法步骤中的一个或多个(包括图1、3、5和6步骤中的一个或多个)的请求。本文中描述的某些方法步骤，包括图1、3、5和6的步骤中的一个或多个，可以通过服务器或通过基于网络的云计算系统中的另一处理器来执行。本文中描述的某些方法步骤，包括图1、3、5和6的步骤的一个或多个，可以通过基于网络的云计算系统中的客户端计算机来执行。本文中描述的某些方法步骤，包括图1、3、5和6的步骤中的一个或多个，可以在基于网络的云计算系统中通过服务器和/或通过客户端计算机(以任何组合)来执行。

上述详细描述应该理解为在每个方面中都是说明性和示例性的，而不是限制性的，并且本文中所公开的本发明的范围不从详细描述来确定，而是从如根据由专利法允许的完整幅度所解释的权利要求书确定。应该理解的是，本文中示出和描述的实施例仅说明本发明的原理，并且在不脱离本发明的范围和精神的情况下可以由本领域技术人员来实现各种修改。本领域技术人员能够在不脱离本发明的范围和精神的情况下实现各种其他特征组合。