医学成像中的斑块易损性评定的制作方法

医学成像中的斑块易损性评定的制作方法
【专利摘要】本发明涉及医学成像中的斑块易损性评定。医学成像及其它信息被机器实现的分类器用来预测斑块破裂，而不是依赖于用于评定病人的斑块易损性的从医生到医生的变化和有限的成像信息。解剖、形态、血液动力学以及生物化学特征被组合地用来对斑块进行分类。
【专利说明】医学成像中的斑块易损性评定
[0001] 相关申请 本专利文档根据35 use. §11S(e丨要求2015年2月13日提交的临时美国专利申请序 列号62/115,713的提交日的权益，其通过引用并入本文。
【背景技术】
[0002] 本实施例涉及斑块易损性评定。用于斑块分析的主要目标中的一个是识别和表征 特定斑块破裂的易损性。针对诸如管状动脉和脑动脉之类的关键血管中的斑块，斑块破裂 的事件可能是危急生命的，导致心脏病发作(心肌梗死)或中风。
[0003] 诸如计算机断层成像(CT)、x射线血管造影术(XA)、光学相干断层成像(0CT)、超声 (US)、血管内超声（IVUS)以及近红外光谱(NIRS)之类的多个医学成像模态已被用来分析血 管中的斑块。然而，准确地预测斑块破裂的能力可以变化。根据医学成像的人类预测可能是 主观的或者取决于人的预测而变化。

【发明内容】

[0004] 通过介绍的方式，下面描述的优选实施例包括用于在医学成像中评定病人的斑块 易损性的方法、系统、指令以及非临时计算机可读介质。医学成像及其它信息被机器实现的 分类器用来预测斑块破裂，而不是依赖于从医生到医生的变化和有限的成像信息。解剖、形 态、血液动力学以及生物化学特征中的两个或更多被组合地用来对斑块进行分类。
[0005] 在第一方面，提供了一种用于在医学成像中评定病人的斑块易损性的方法。由医 学成像扫描仪从病人的扫描提取血管或斑块的解剖特征和斑块的形态特征。基于所述扫描 从血液动力学传感器或血管的个性化模型获得病人的血液动力学特征。在接口处接收来自 病人的血液测试的生物化学特征。机器实现的分类器根据解剖、形态、血液动力学以及生物 化学特征来计算针对病人的斑块破裂的风险得分。针对病人的风险得分被传输到显示器。
[0006] 在第二方面，提供了一种用于在医学成像中评定病人的斑块易损性的系统。医学 扫描仪被配置成扫描病人的血管和斑块。存储器被配置成存储来自血液测试的一个或多个 第一特征。图像处理器被配置成从扫描的数据中提取血管、斑块或者血管和斑块的一个或 多个第二特征，并根据第一特征、第二特征以及针对血液动力学的第三特征来确定斑块破 裂的风险。输出被配置成输出针对病人的斑块破裂的风险。
[0007]在第三方面，提供了一种用于在医学成像中评定病人的斑块易损性的方法。病人 的斑块的形态特性、血液动力学特性、具有斑块的血管的解剖特性以及斑块的生物化学特 性被加载为输入特征向量。病人的斑块被机器训练的分类器响应于输入特征向量而分类。 分类的结果被发信号通知给用户。
[0008]本发明由随后的权利要求定义，并且不应将本节中的任何内容理解为对那些权利 要求的限制。本发明的另外的方面和优点下面结合优选实施例来讨论，并且稍后可独立地 或组合地要求保护。
【附图说明】
[0009] 部件和附图不一定按比例，而是重点代替地置于举例说明本发明的原理。此外，在 图中，相同的附图标记遍及不同的视图指定对应部分。
[0010] 图1图示出将各种斑块评定有关的特征组合以计算风险的一个示例； 图2是用于在医学成像中评定病人的斑块易损性的方法的一个实施例的流程图； 图3图示出示出了血管中的斑块的两个位置之间的相对风险的示例性图像;以及 图4是用于在医学成像中评定病人的斑块易损性的系统的一个实施例。
【具体实施方式】
[0011] 虽然不存在完全解释动脉中的斑块的形成、生长以及最终破裂的机械论模型，但 已存在用以识别斑块破裂的各种生理机制的相当可观的研究。多个因素已与斑块破裂的倾 向有关，范围从斑块的形态特性、血液动力学特性（例如，壁剪切应力）、父血管（parent ves s e 1)的解剖学以及斑块的生物化学特性。
[0012] 为了帮助临床医生理解斑块破裂的风险并因此识别针对给定病人的稳定和易损 斑块，提供了一种机器实现的斑块易损性评定。基于机器的评定是第二意见或者通知医生 以用于诊断和/或疗法规划。机器实现的分类提供风险信息的更客观的源，而不是依赖于由 于不同的训练、技术水平、工作环境或其它因素而引起的变化性。由于使用机器实施方式， 所以可改善医学成像中的斑块评定。机器实施方式可更好地或者更一致地将与斑块易损性 有关的不同类型的信息组合。
[0013] 该评定主要基于医学成像，用来自计算建模和/或血液测试的信息增补。多个类型 的信息被收集以用于分类，而不是单独依赖于成像。机器实施方式与人工执行相比可更高 效和快速地收集和提供评定。
[0014] 在一个实施例中，执行医学成像。从医学图像提取表征斑块和（一个或多个)相关 血管(例如，父血管和/或分支血管）的解剖和形态特征。执行血液动力学计算以提取表征斑 块的血液动力学特征。使用侵入式或非侵入式流量和/或压力测量来找到血液动力学特征。 替换地或此外，使用基于根据医学成像个性化的模型的计算流体动力学(CFD)分析。从由血 液测试提供的基于血液的生物标志提取斑块的生物化学特征。机器实现的分类器基于将解 剖、形态、血液动力学以及生物化学特征组合来确定针对斑块破裂的风险得分。该风险得分 将特定病人的特定斑块指示为稳定的或易损的。
[0015] 图1示出了提出的方法的概览。将异构数据源的分析组合。由图像处理器根据医学 成像数据来检测斑块的形态，例如脂质、纤维性或钙化。使用计算流体动力学将血液动力学 应力或其它力计算为冠状流诱发的剪切应力。针对计算流体动力学，对病人的解剖学将模 型个性化，诸如使用医学成像数据来个性化具有或没有斑块的血管的模型。从诸如血液测 试之类的临床测试获得生物化学标志，诸如肌钙蛋白（hs-TnT)、c反应蛋白（cRP)或其它特 征。可使用与斑块破裂的风险有关或相关或被用来确定与风险有关或相关的另外的特征的 附加、不同或更少的特征。由机器根据特征来计算风险得分(例如，斑块易损性或其它斑块 相关风险）。来自许多不同源的数据的组合增加了风险计算的准确度，帮助诊断。
[0016] 图2是用于在医学成像中评定病人的斑块易损性的方法的一个实施例的流程图。 来自三个或更多源和/或三个或更多不同类型的特征的信息被加载并用来对斑块破裂或其 它斑块相关事件的风险进行分类。该风险基于不同类型的信息，诸如解剖、形态、生物化学 和/或血液动力学，因此所得到的风险可更加准确。可将来自与风险有关或相关的任何特征 的信息组合以用机器来高效地和/或一致地确定风险。
[0017] 该方法由图4的系统或另一系统实现。例如，该方法在与磁共振(MR)、计算机断层 成像(CT)、超声、发射、X射线(例如，血管造影术)或其它成像系统相关联的图像处理器上实 现。作为另一示例，在图像归档及通信系统(PACS)工作站或服务器上实现该方法。在其它实 施例中，在计算机网络、执行不同动作的此类不同的网络节点或服务器中实现该方法。由成 像系统或PACS系统来执行医学数据的获取。输出是在显示器上或通过网络的。
[0018] 按照所示的次序(例如，自上而下）或其它次序来执行动作。例如，并行地、同时地 或按照任何次序执行动作40、42、44和/或46。
[0019] 可提供附加、不同或更少的动作。例如，在不在动作52中传输风险的情况下执行该 方法。作为另一示例，不执行动作42、44和/或46中的一个。
[0020] 在动作40中，医学扫描仪或成像器扫描病人。获取医学图像或数据集。该医学图像 是表示病人的数据帧。该数据可以以任何格式。虽然使用了术语"图像"和"成像"，但图像或 成像数据可以以图像的实际显示之前的格式。例如，医学图像可以是用不同于显示格式的 笛卡尔或极坐标格式来表示不同位置的多个标量值。作为另一示例，医学图像可以是被输 出到显示器以用于以显示格式生成图像的多个红色、绿色、蓝色（例如，RGB)值）。医学图像 可以是以显示或其它格式的当前或先前显示的图像。图像或成像是可被用于成像的数据 集，诸如表示病人的扫描数据。
[0021] 可使用任何类型的医学图像。在一个实施例中，医学图像是用CT系统获取的计算 机断层成像(CT)图像。例如，CT数据集可用于检测血管。作为另一示例，用MR成像器来获取 表示病人的磁共振(MR)数据。使用用于扫描病人的成像序列来获取MR数据。获取表示病人 的体内区域的数据。针对MR，磁共振数据是k空间数据。执行傅立叶分析以将数据从k空间重 构成三维对象或图像空间。针对CT，将原始数据重构成三维表示。用于获取扫描数据的其它 医学成像模态包括X射线血管造影术(XA)、光学相干断层成像(0CT)、超声(US)、血管内超声 (IVUS)以及近红外光谱(NIRS)。
[0022] 医学图像数据或扫描数据表示病人的组织。替换地，医学图像表示病人内的流、速 度或流体。在其它实施例中，数据表示流和结构两者。
[0023] 医学数据表示病人的一维、二维或三维区域。例如，医学数据表示病人的区或切 片。针对分布于两个或三个维度上的多个位置中的每一个提供值。获取医学数据作为数据 帧。该数据帧表示在给定时间或时段的扫描区域。该数据集可表示随时间推移的区或体积， 诸如提供病人的4D表示。
[0024] 医学图像或数据集是通过病人的扫描获取的。该获取作为扫描的一部分而发生。 替换地，该获取是来自储存器或存储器的，诸如从PACS获取先前创建的数据集。
[0025] 在动作42中，由医学成像扫描仪从病人的扫描提取血管或斑块的解剖特征和斑块 的形态特征。该特征提取由扫描仪(例如，在图像重构的时间期间）或由诸如成像工作站或 图像处理器之类的另一设备执行。
[0026] 提取基于医学图像的特征。可使用不同类型的医学成像数据来分析血管中的斑 块。不同的医学成像模态具有不同的优点和缺点。仅使用一个模态，但在其它实施例中使用 多个模态。成像研究指示斑块信息(例如，钙化状态、子类型、总负担、衰减、重新建模的范围 等)和与破裂风险的最终相关性。基于该研究，识别用于预测风险的模态和/或对应特征。提 取所识别信息。
[0027] 提取一个或多个形态特征。该特征表示斑块的形态特性。例如，从血管造影术扫描 提取斑块的类型。可使用冠状CT血管造影术来表征斑块的形态并将形态表征成三个不同的 子类型一脂质核、纤维性和钙化斑块。其它形态可包括斑块材料的密度、弹性或其它特性。
[0028] 从医学图像数据提取形态。通过分段来识别斑块，诸如应用阈值或其它图像过程。 针对分段，将每个像素或体素识别为在内腔、血管壁或斑块中。替换地，在没有内腔和血管 壁的分段的情况下对斑块的位置进行分段。使用针对斑块位置的医学图像数据来确定特 性。例如，像素强度值或衰减值(例如，CT中的Housenfield单元）的直方图分析被用来确定 范围，其然后可被分类为不同的斑块子类型。
[0029] 从医学图像数据提取斑块和/或血管的解剖特征。图像处理器或其它设备提取形 状、几何结构、入口角、出口角、斑块相对于血管的位置、血管狭窄、血管大小、血管形状或其 组合。可提取与斑块风险相关或被用来计算与斑块风险相关的另外的特征的其它特征。例 如，CT血管造影术被用来量化冠状血管树的解剖学，包括狭窄（如果存在的话)及主和侧分 支。可从CT血管造影术图像提取斑块的其它解剖特征，诸如形状、几何结构、入口和出口角、 位置(例如，分叉或其它）。
[0030] 由图像处理器对解剖结构进行定位。识别是诸如血管之类的结构的位置的识别。 可使用用以对解剖结构进行定位的任何现在已知或以后开发的方法。例如，使用适应性区 域生长和骨架化方法。通过处理器或人工录入对一个或多个种子( Seed)(诸如在血管中/针 对血管的那些)进行定位。所述一个或多个种子在区域生长中被用来找到血管树的位置。可 使用骨架化来对血管结构进行建模，诸如使用线来表示血管树的分支的中心。
[0031] 可使用阈值、随机游走(random walker)或其它方法对感兴趣的血管和/或斑块进 行分段以用于计算解剖特征。可对如从针对特定病人的医学图像数据检测到的血管和/或 斑块进行建模。血管和/或斑块的通用模型被拟合成分段解剖学或被识别为血管的位置。可 使用任何拟合。然后使用拟合的模型来计算一个或多个解剖特征，诸如狭窄中的最小面积。 替换地，在不拟合模型的情况下根据分段和/或位置信息来计算解剖特征。
[0032]用处理器来自动地或者用处理器和用户输入半自动地提取形态和/或解剖特征。 根据全自动化方法，底层图像处理算法检测感兴趣的解剖区域。例如，算法通过滤波、阈值 处理、模式匹配和/或其它图像过程来自动地检测狭窄和/或斑块。然后，由处理器从表示检 测到的区域的医学图像数据提取解剖特征。该自动方法在没有解剖学的位置的用户输入的 情况下发生。
[0033] 根据半自动化方法，可由算法自动地提取某些特征，而可由人类注释或编辑/修正 某些其它特征。替换地，用户使用用户输入设备来输入种子位置，并且处理器然后使用种子 位置来提取特征。在另一示例中，用户放置卡钳（caliper)或其它测量工具，并且处理器根 据卡钳来确定特征的值。
[0034] 在替换方法中，人工地提取一个或多个特征。用户查看图像并人工地确定特征的 值。用户录入注释或者用人工确定的特征的值来填充字段。
[0035] 在动作44中，图像处理器获得病人的一个或多个血液动力学特征。图像处理器基 于扫描从血管的个性化建模和/或从传感器获得特征。从图像处理器建模、从通过传感器的 输出和/或从存储器获得(一个或多个)血液动力学特征的（一个或多个)值。血液动力学传 感器可以是流量和/或压力传感器，诸如来自压力环带和多普勒流量传感器或者来自病人 内的导管中的压力和流量传感器线。针对计算流动建模，将基于物理学的或计算流体动力 学模型拟合到从医学成像数据检测到（即，个性化)的病人的解剖学。可以使用用于预测流 量、压力和/或剪切应力的基于机器学习的模型来代替基于物理学的模型。替换地，可使用 相衬MR成像或其它成像来直接地测量特征的值。
[0036] 可使用传感器和/或个性化模型来提取一个或多个特征以用于然后计算与斑块风 险有关的特征。例如，提取压力、流量或压力和流量。根据压力、流量或压力和流量来计算由 斑块施加于血管或施加于斑块的应力或其它力。可使用任何血液动力学特征。
[0037] 剪切应力在冠状斑块的发展和最终破裂中具有机械性作用。可通过测量流量和/ 或压力来评定壁应力，诸如剪切应力、法向应力或总应力。可提取其它力。
[0038] 在其它实施例中，用以计算应力的建模包括斑块和/或血管的解剖模型和材料性 质二者。例如，将从医学图像检测到的斑块与一个或多个材料性质相关联。然后可以与通过 解剖学的流动建模相结合地使用材料性质以执行作用于斑块上的（一个或多个)力的流体-结构相互作用(FSI)计算。
[0039] 在一个实施例中，在没有对病人的侵入的情况下提取针对解剖、形态和/或血液动 力学特征的值。被用来计算值的测量依赖于在病人外部的传感器。例如，医学成像扫描仪是 位于病人外的CT、MR或超声传感器(例如，检测器、源、换能器和/或天线）。基于医学成像导 出的解剖学的建模或来自病人外的其它测量被用来提取特征的值。
[0040] 在替换实施例中，使用一个或多个侵入式过程或设备，诸如来自病人内的血管内 超声导管或压力/流量传感器。来自侵入式模态(诸如IVUS、0CR或NIRS)的特征与斑块风险 相关。针对非侵入式，可从诸如CTA成像之类的非侵入式成像导出与风险相关的相同数据。 可使用针对与斑块风险的联系或相关性的相同假设，但是其基于来自非侵入式成像的测 量。例如，使用CTA成像来提取如在针对IVUS提出的假设中使用的形态特征。
[0041] 在动作46中，接口接收针对一个或多个生物化学特征的值。接口是用于接收数据 的用户输入、端口、存储器连接器或其它设备。生物化学特征值来自病人的血液测试。该血 液测试的结果被传输到接口、通过接口从存储器检索、通过接口加载或输入到接口。
[0042]可使用任何生物化学特征。例如，接收血清C反应蛋白（CRP)、高敏肌钙蛋白T或两 者的水平。可使用与斑块风险有关或相关的任何现在已知或以后开发的血液生物标志。血 清CRP的水平是针对急性冠状事件和心脏性猝死的预兆因素，并且与冠状钙化相关联。CRP 和冠状斑块子类型可以相关。来自冠状CTA和高敏肌钙蛋白T(hsTnT)的高级斑块分析可与 风险相关并被用于风险分层(stratification)。
[0043]在动作48中，图像处理器加载病人的斑块的形态特性、血液动力学特性、具有斑块 的血管的解剖特性以及斑块的生物化学特性作为输入特征向量。响应于通过图像处理器的 查询或到图像处理器的推送而从存储器、任何接口访问和/或接收针对各种类型的特征的 值。各种类型的特征的这些值被加载为用于分类的输入向量。也可加载其它类型的值。所述 值被加载到存储器、图像处理器或数据库中以供图像处理器访问。
[0044] 在动作50中，图像处理器或其它设备对病人的斑块进行分类。机器实现的分类器 根据输入向量来计算破裂的风险或其它斑块相关预测。分类器基于与斑块有关的信息或输 入特征向量来确定针对病人的风险得分。通过将解剖、形态、血液动力学和/或生物化学特 征组合来实现风险得分的确定。
[0045] 在一个实施例中，机器实现的分类器将风险计算为加权和。输入向量的某些或全 部特征单独地或独立地与风险相关。基于研究或其它知识，与风险的此关系被用于每个特 征。加权可计及特征与风险的相关性的强度和/或针对不同特征的值的不同动态范围。将来 自不同相关的特征的结果组合。机器实现的分类器将风险计算为从解剖、形态、血液动力学 以及生物化学特征中的每一个映射的秩的加权和。通过使用已建立的假设用于来自临床文 献的这些相应因素而计算来自给定特征的每个单独得分。这些得分被加权，并且加权得分 被加和，计算复合风险得分。
[0046] 可使用其它机器实现的分类器。例如，使用机械模型。机械模型使用输入特征来对 对于病人的模型进行个性化。然后使用该个性化模型来计算风险。
[0047] 可使用其它机器实现的分类器，诸如数据驱动的模型。在一个实施例中，机器实现 的分类器是机器学习分类器。从用已知风险来训练数据中学习将输入向量(例如，特征）的 值与输出风险得分相关(例如，用权重）的矩阵。图像处理器或其它机器应用该矩阵作为机 器实现的分类器。机器学习或机器训练的分类器将各种特征组合成风险得分。特征的不同 值导致不同的预测的风险。
[0048]机器学习分类器涉及两个阶段，训练阶段和预测阶段。在训练阶段期间，在包含多 个训练示例连同基础真实(ground truth)的数据库上"训练"机器学习算法。可以用任何方 式填充训练数据库。例如，正面训练示例是破裂的斑块，并且负面示例（例如，来自相同病 人)是在急性冠状综合征事件期间并未破裂的斑块。收集来自许多不同病人的训练示例。在 另一示例中，从破裂之前和之后的病人以及在相同时段内但没有破裂的其它病人收集训练 示例。在又另一示例中，可通过考虑来自一个或多个临床医生的输入而不是通过实际事件 或破裂来准备针对训练数据的"基础真实"。分类器学习临床医生如何对关于斑块的破裂风 险开处方(prescribe)。在另一示例中，可以使用基于专家乘积(product of experts，PoE) 的机器学习算法或深度学习算法来实现这。
[0049] 可使用任何机器学习或训练。在一个实施例中，使用神经网络。可训练并应用其它 深度学习、稀疏自动编码分类器。在替换实施例中，训练并应用贝叶斯网络或支持向量机。 可使用分级或其它方法。可使用监督或半监督机器学习。可使用任何机器学习方法。
[0050] 图像处理器或其它机器通过特征的值的输入来应用机器学习分类器。输出是风 险。该风险可以是二进制的，诸如将斑块指示为易损的或稳定的。在其它实施例中，返回分 类中的概率或置信度，诸如以任何分辨率来预测破裂的风险。分类器输出斑块将破裂的可 能性或其它斑块相关风险的指示。
[0051] 机器实现的分类器可被用于各种目的和/或病人分析中的任何一个。在一个实施 例中，预测破裂的风险。在另一实施例中，提供风险分层。例如，在冠状动脉疾病分析中根据 或作为针对病人的风险得分而计算风险分层和斑块易损性评定二者。将心脏生物标志（例 如，C反应蛋白、肌钙蛋白hsTnT)、成像生物标志(例如，来自CTA的斑块和狭窄分析）以及生 理学建模(例如，血流、剪切应力、计算血流储备分数)的组合分析用于针对稳定冠状动脉疾 病病人的风险分层和斑块易损性指数。在另一示例中，在急性冠状综合征分析中针对病人 计算风险得分。将心脏生物标志(例如，C反应蛋白、肌钙蛋白hsTnT)、成像生物标志（例如， 来自非侵入式CTA和/或侵入式血管造影术、IVUS、OCT的斑块和狭窄分析）以及生理学建模 (例如，血流、剪切应力、计算血流储备分数)的组合分析用于急性冠状综合征病人。
[0052]在动作52中，图像处理器或其它设备传输针对病人的风险得分。该传输是到存储 器、网络、显示器、打印机或其它设备的。传输是有线地和/或无线地。
[0053]该传输将分类的结果发信号通知给一个或多个用户。风险得分到显示器、医学记 录、打印机或其它输出的传输帮助用户进行诊断或疗法规划。
[0054]风险得分被呈现为字母数字文本。替换地，在图像中呈现风险得分，诸如在一维血 管骨架或变平血管、二维图像或三维再现上使用颜色编码、注释和/或风险的其它指示器。 例如，图3示出了沿着血管的截面的CTA图像，其中两个斑块区域被示出为比血管或周围组 织更亮。注释指示针对每个斑块的分类的风险得分。可使用颜色或其它指示器，诸如用红色 的阴影对易损斑块着色并用蓝色的阴影对稳定斑块着色。在血管的任何图像上指示风险。
[0055] 给定病人和/或病人的血管可具有不同斑块区域。针对风险而评定每个斑块。针对 每个斑块重复解剖和/或形态特征的提取。针对每个斑块获得血液动力学特征。在对每个斑 块施加与在相同血管分支中所做的相同的应力的情况下，血液动力学特征的获得可不被重 复。由于血管在不同位置处具有不同的形状和/或大小，所以血液动力学特征的获得可被重 复，但使用对多个斑块共同的模型。不重复生物化学特征的接收，因为血液测试结果适用于 给定病人中的任何斑块。如果从斑块的更直接采样接收到生物化学特征，则可针对不同的 斑块重复该接收。加载和分类被重复以对针对每个斑块的风险进行分类。对每个此类斑块 单独地应用分类，生成单独或斑块特定风险得分。此外或替换地，可通过组合来自多个斑块 的信息来将组合得分公式化。该组合是最大风险的平均或选择。该组合表示针对病人发生 的斑块破裂的风险而不是针对特定斑块的风险。
[0056] 图4示出了用于在医学成像中评定病人的斑块易损性的系统。该系统包括医学扫 描仪80、流量/压力传感器81、临床传感器83、存储器84、图像处理器82以及显示器86。可提 供附加、不同或更少的部件。例如，存储器84、接口和/或病人医学记录数据库被提供用于血 液动力学和/或生物化学特征，而不是流量/压力传感器81和/或临床传感器83。作为另一示 例，接口被提供用于接收特征。在又另一示例中，提供了网络或网络连接，诸如用于在不使 用医学扫描仪80的情况下与医学成像网络或数据档案系统联网。在另一示例中，用户接口 被提供以用于特征的手动录入。
[0057]图像处理器82、存储器84以及显示器86是医学扫描仪80的部分。替换地，图像处理 器82、存储器84以及显示器86是档案和/或图像处理系统的部分，诸如与医学记录数据库工 作站或服务器相关联，与医学扫描仪80分离。在其它实施例中，图像处理器82、存储器84以 及显示器86是个人计算机，诸如台式或膝上型计算机、工作站、服务器、网络或其组合。可在 没有用于通过扫描病人来获取数据的其它部件的情况下提供图像处理器82、显示器86以及 存储器84。
[0058]医学扫描仪80是医学诊断成像系统。可使用超声、 造影术、荧光透视法、正电子发射断层成像、单光子发射计算机断层成像、NIRS和/或MR系 统。医学扫描仪80可包括发射机并包括用于扫描或接收表示病人的体内的数据的检测器。 医学扫描仪80扫描病人中的血管和/或斑块。
[0059]在一个实施例中，医学扫描仪80是CT系统。X射线源与构台（gantry)连接。检测器 也被与X射线源相对地与构台连接。病人位于源与检测器之间。源和检测器在病人的相对侧 并绕着病人旋转和/或平移。穿过病人的检测到的X射线能量被转换、重构或变换成表示病 人内的不同空间位置的数据。针对CTA，在病人的血液中提供辐射不透明造影剂。可使用其 它血管造影系统，诸如X射线或专用血管造影系统。血管造影系统包括X射线源和检测器。
[0060] 作为超声或IVUS，换能器被定位成使得用声能来扫描血管。换能器中的元件阵列 被用来对声能进行导向。接收到的声回声被转换成电能，波束成形并检测到，诸如用多普勒 和/或B模式检测。
[0061] 在另一实施例中，医学扫描仪80是MR系统。MR系统包括主场磁体，诸如低温磁体以 及梯度线圈。提供了用于发射和/或接收的整体线圈。可使用本地线圈，诸如以用于接收由 原子响应于脉冲而发射的电磁能。可提供其它处理部件，诸如用于基于序列来规划并生成 用于线圈的发射脉冲并用于接收和处理接收到的k空间数据。接收到的k空间数据被用傅立 叶处理转换成对象或图像空间数据。
[0062] 流量和/或压力传感器81是侵入式或非侵入式传感器。例如，环带被用来测量压 力。诸如专用流量传感器或通过使用超声扫描仪的多普勒传感器测量流量。在另一示例中， 导管上的流量和/或压力传感器测量病人内的流量和/或压力。
[0063]临床传感器83是任何临床测试设备。例如，使用光谱仪、显微镜检查、化学反应或 其它测试设备。为了获得用于临床传感器83的血液，从病人的手臂抽取血液。替换地，诸如 使用导管从在斑块附近的位置抽取血液。
[0064]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、硬驱动、光学介质、磁介质、闪速驱动、缓冲器、数据库、其组合或用 于存储数据或视频信息的其它现在已知或以后开发的存储器设备。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、图像 档案存储器或独立设备。
[0065] 存储器84存储表示病人的医学成像数据、分段信息、针对特征的获取的值、模型、 个性化模型的参数、分类结果、机器学习矩阵和/或图像。存储从其它源(诸如医学扫描仪 80、流量/压力传感器81或临床传感器83)接收到的任何特征。可存储被用来导出特征的来 自扫描仪80或传感器81、83的数据。存储在接口处接收到或由图像处理器82计算的针对特 征的值。例如，在用户输入上录入、从实验室接收或由另一源提供的来自血液测试的生物化 学特征被存储在存储器84中。存储器84可替换地或此外在处理期间存储数据。
[0066] 存储器84或其它存储器替换地或此外是非临时计算机可读存储介质，其存储表示 由编程图像处理器82可执行的指令的数据。在非临时计算机可读存储介质或存储器(诸如 高速缓存、缓冲器、RAM、可移除介质、硬驱或其它计算机可读存储介质）上提供用于实现本 文所讨论的过程、方法和/或技术的指令。非临时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中或在其上的一个或多个指令 集而执行图中所示或本文所述的功能、动作或任务。所述功能、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，并且可由单独地或组合地操作的软件、硬件、集成 电路、固件、微代码等执行。同样地，处理策略可包括多重处理、多重任务、并行处理等。
[0067]在一个实施例中，将指令存储在可移除介质设备上以供本地或远程系统读取。在 其它实施例中，指令被存储在远程位置以供通过计算机网络或通过电话线传输。在又其它 实施例中，指令被存储在给定计算机、CPU、GPU或系统内。
[0068]图像处理器82是用于评定斑块风险的中央处理单元、控制处理器、图形处理器、数 字信号处理器、三维再现处理器、专用集成电路、现场可编程门阵列、数字电路、模拟电路、 其组合或其它现在已知或以后开发的设备。图像处理器82是串行地、并行地或单独地操作 的单个设备或多个设备。图像处理器82可以是计算机(诸如膝上型计算机或台式计算机)的 主处理器，或者可以是用于在较大系统中、诸如在成像系统中处理某些任务的处理器。图像 处理器82被指令、设计、硬件和/或软件配置成执行本文所讨论的动作。
[0069]图像处理器82被配置成从通过医学扫描仪80的扫描的数据提取血管、斑块或血管 和斑块的一个或多个特征。提取血管、斑块或血管和斑块的任何解剖、形态或解剖和形态特 征。使用分段、模式匹配、分类或其它图像处理来确定针对血管和/或斑块的特征的值。
[0070] 在一个实施例中，图像处理器82被配置成计算斑块经受的或在血管中的应力和/ 或其它力。可使用流量和/或压力的测量。替换地，图像处理器82实现建模以计算应力或其 它力。例如，通用血管和/或斑块模型被拟合到来自病人的扫描数据。除扫描数据之外，还可 使用压力和/或流量的测量来拟合模型。使用个性化模型来计算根据其计算应力的流量或 压力。可使用个性化模型来直接地计算应力，而不是使用流量和/或压力的中间计算。在一 个方法中，使用从通过医学扫描仪80的扫描导出的流体-结构相互作用计算来计算(一个或 多个)血液动力学特征。
[0071] 图像处理器82被配置成根据特征来确定斑块破裂的风险。使用解剖、形态、生物化 学和/或血液动力学特征中的两个或更多的组合来确定风险。可使用给定类型的任何数目 的特征。由图像处理器82实现的分类器确定风险。分类器可使用加权和或者机械模型。在一 个实施例中，分类器是具有作为机器学习分类器的输入向量的部分的特征的机器学习分类 器。特征的值被输入到分类器。图像处理器82基于输入向量而输出风险。
[0072]显示器86是输出。可使用其它输出，诸如接口、网络连接器或打印机。输出被配置 成输出与针对病人的斑块有关的破裂风险或其它风险。
[0073] 显示器86是用于输出视觉信息的监视器、IXD、投影仪、等离子体显示器、CRT、打印 机或其它现在已知或以后开发的设备。显示器86从图像处理器82、存储器84或医学扫描仪 80接收图像、图形、文本、量或其它信息。显示一个或多个医学图像。所述图像是病人的区域 的图像。在一个实施例中，图像是血管或血管树的图像。由图像处理器82定位的斑块的位置 被在没有加亮的其它组织或流体的情况下加亮或显示。图像包括针对每个斑块或通常针对 病人的斑块的风险的指示，诸如图形或色化。替换地或此外，图像包括基于分类的量，诸如 风险得分值。可在没有病人的医学图像表示的情况下将该量显示为图像。
[0074]虽然上文已通过参考各种实施例描述了本发明，但应理解的是在不脱离本发明的 范围的情况下可进行许多改变和修改。因此意图在于将前文的详细描述视为说明性而非限 制性的，并且应理解的是以下权利要求(包括所有等价物)意图限定本发明的精神和范围。
【主权项】
1. 一种用于在医学成像中评定病人的斑块易损性的方法，该方法包括： 从通过医学成像扫描仪的病人的扫描提取血管或斑块的解剖特征和斑块的形态特征； 基于所述扫描从血液动力学传感器或血管的个性化建模获得病人的血液动力学特征； 在接口处从病人的血液测试接收生物化学特征； 由机器实现的分类器根据解剖、形态、血液动力学以及生物化学特征来计算针对病人 的斑块破裂的风险得分；以及 将针对病人的风险得分传输到显示器。2. 根据权利要求1所述的方法，其中，提取形态特征包括从作为扫描的血管造影术提取 斑块的类型。3. 根据权利要求1所述的方法，其中，提取解剖特征包括提取形状、几何结构、入口角、 出口角、斑块相对于血管的位置、血管的狭窄、血管大小、血管形状或其组合。4. 根据权利要求1所述的方法，其中，提取包括用处理器来自动地或者用处理器和用户 输入来半自动地提取。5. 根据权利要求1所述的方法，其中，获得包括获得压力、流量或压力和流量并根据压 力、流量或压力和流量来计算应力。6. 根据权利要求1所述的方法，其中，接收包括接收血清C反应蛋白、高敏肌钙蛋白T或 两者的水平。7. 根据权利要求1所述的方法，其中，计算包括由机器实现的分类器计算作为从解剖、 形态、血液动力学以及生物化学特征中的每一个映射的秩的加权和。8. 根据权利要求1所述的方法，其中，计算包括由包括机械模型的机器实现的分类器计 算。9. 根据权利要求1所述的方法，其中，计算包括由包括机器学习分类器的机器实现的分 类器计算。10. 根据权利要求1所述的方法，其中，计算包括计算风险得分作为冠状动脉疾病分析 中的针对病人的风险分层和斑块易损性评定的部分。11. 根据权利要求1所述的方法，其中，计算包括计算急性冠状综合征分析中的针对病 人的风险得分。12. 根据权利要求1所述的方法，还包括针对另一斑块重复提取、获得以及计算。13. 根据权利要求1所述的方法，还包括用包括非侵入式模态的医学成像扫描仪来执行 扫描，其中，解剖、形态以及血液动力学特征全部是在没有对病人的侵入的情况下获得的。14. 一种用于在医学成像中评定病人的斑块易损性的系统，该系统包括： 医学扫描仪，其被配置成扫描病人的血管和斑块； 存储器，其被配置成存储来自血液测试的一个或多个第一特征； 图像处理器，其被配置成从扫描的数据中提取血管、斑块或者血管和斑块的一个或多 个第二特征，并根据第一特征、第二特征以及针对血液动力学的第三特征来确定斑块破裂 的风险；以及 输出，其被配置成输出针对病人的斑块破裂的风险。15. 根据权利要求14所述的系统，其中，所述医学扫描仪包括血管造影扫描仪，并且所 述第二特征包括血管、斑块或血管和斑块的解剖、形态或解剖和形态特征。16. 根据权利要求14所述的系统，其中，所述第一特征包括病人的血液的生物化学特 征。17. 根据权利要求14所述的系统，其中，所述图像处理器被配置成将第三特征计算为根 据流量、压力或流量和压力测量或估计计算的斑块、血管或斑块和血管上的力。18. 根据权利要求14所述的系统，其中，所述图像处理器被配置成根据从扫描导出的流 体-结构相互作用计算来计算第三特征。19. 根据权利要求14所述的系统，其中，所述图像处理器被配置成以第一、第二以及第 三特征作为机器学习分类器的输入向量的部分用机器学习分类器来确定风险。20. -种用于在医学成像中评定病人的斑块易损性的方法，该方法包括： 将病人的斑块的形态特性、血液动力学特性、具有斑块的血管的解剖特性以及斑块的 生物化学特性加载为输入特征向量； 由机器训练的分类器响应于输入特征向量对病人的斑块进行分类；以及 将分类的结果发信号通知给用户。
【文档编号】G06T7/00GK106056126SQ201610086127
【公开日】2016年10月26日
【申请日】2016年2月15日 公开号201610086127.9, CN 106056126 A, CN 106056126A, CN 201610086127, CN-A-106056126, CN106056126 A, CN106056126A, CN201610086127, CN201610086127.9
【发明人】D.科马尼西尤, P.沙马
【申请人】西门子公司