JP7325331B2 - 機械学習スペクトルｆｆｒ－ｃｔ - Google Patents

Description

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。

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の血行動態の有意性を、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）における侵襲性の尺度である。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（狭窄の後方における）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）心臓の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。

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、基礎となる患者の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の過大評価である。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の過小評価である。

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。

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。

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。

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。

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。

当業者は、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。

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。

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。

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軸の周りで検査領域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。

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を横断する放射線を放射する。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。

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。

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。

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、オペレーターが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。

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、患者に特有の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。

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。

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。

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。

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。

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の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。

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。

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
φ_Ｃ（ｘ，ｃ_ｉ）＝Ｐｒ（ｆ_ＳＣＴ（ｘ）∈Ｃ_ｉ）
ここで、ｘは３Ｄ点であり、ｃ_ｉ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、ｆ_ＳＣＴ（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（ｆ_ＳＣＴ（ｘ）∈ｃ_ｉ）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。

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、ｆ_ｓ（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。

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 Ｓｐｅｃ_ｉｆｉｃ Ｍｏｄｅｌｌｉｎｇ Ｆｏｒ ＦＦＲ－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。

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。

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。

心筋欠損に対して、ｐａｔｉｅｎｔ＿ｓｐｅｃｔｒａｌ＿ｆｅａｔｕｒｅｓ∈Ｒ^ｎ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）：Ｒ^ｎ→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。

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∈Ｒ^ｎ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。

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。

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、ＦＦＲ_ＧＴ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。

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ベースの流量予測における潜在的バイアスを考慮している。

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。

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の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。

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、例示的な分類ランク

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。

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を最大化する。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。

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

の次元であり、

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

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。

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「Ｉｍｐｒｏｖｉｎｇ ＣＣＴＡ－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。

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、ｘ_ｐ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、ψ_ｐ（ｘ_ｐ）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、ψ_ｐ，ｑ（ｘ_ｐ，ｘ_ｑ）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。

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ｘ_ｐ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。

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。

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。

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。

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。

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。

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。

４１０において、ＦＦＲ値が出力される。

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。

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。

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、不定冠詞「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。

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。

Claims (21)

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、
   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スペクトル的に特徴を抽出する特徴抽出コンポーネントを含み、
   スペクトル的に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つを含み、
   前記生物物理学シミュレーターは、冠血流予備量比値に、前記特徴抽出コンポーネントによりスペクトル的に抽出された特徴をマッピングする、機械学習エンジンをさらに含み、前記機械学習エンジンは、前記特徴抽出コンポーネントによりスペクトル的に抽出された特徴を入力とし、前記冠血流予備量比値を出力とする、システム。
2. 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１に記載のシステム。
3. 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２に記載のシステム。
4. 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、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２又は３に記載のシステム。
5. 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２から４のいずれか一項に記載のシステム。
6. 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１から５のいずれか一項に記載のシステム。
7. 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１から５のいずれか一項に記載のシステム。
8. 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７に記載のシステム。
9. 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冠血流予備量比値を推定する、
   請求項１に記載のシステム。
10. 前記関数が、前記特徴と前記冠血流予備量比値との間の統計的関係を記述する、
    請求項９に記載のシステム。
11. 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、
    前記スペクトルボリュメトリック画像データの処理において、前記プロセッサに、前記スペクトルボリュメトリック画像データからスペクトル的に特徴を抽出することを行わせ、
    スペクトル的に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、スペクトル強化された生理学的特徴とのうちの少なくとも１つを含み、
    前記機械学習エンジンが、冠血流予備量比値に、前記スペクトル的に抽出された特徴をマッピングする、コンピュータ実行可能命令を含み、
    前記機械学習エンジンは、前記スペクトル的に抽出された特徴を入力とし、前記冠血流予備量比値を出力とする、コンピュータ可読媒体。
12. 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冠血流予備量比値を推定する、
    請求項１１に記載のコンピュータ可読媒体。
13. 前記関数が、前記特徴と前記冠血流予備量比値との間の統計的関係を記述する、
    請求項１２に記載のコンピュータ可読媒体。
14. 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１１に記載のコンピュータ可読媒体。
15. 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１４に記載のコンピュータ可読媒体。
16. 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１５に記載のコンピュータ可読媒体。
17. 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１５又は１６に記載のコンピュータ可読媒体。
18. 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、プロトタイプが当該プロトタイプ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１５から１７のいずれか一項に記載のコンピュータ可読媒体。
19. 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、
    を有し、
    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において、前記スペクトルボリュメトリック画像データからスペクトル的に特徴を抽出し、
    スペクトル的に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、スペクトル強化された生理学的特徴とのうちの少なくとも１つを含み、
    前記機械学習エンジンが、冠血流予備量比値に、前記スペクトルボリュメトリック画像データからスペクトル的に抽出された特徴をマッピングし、
    前記機械学習エンジンは、前記スペクトル的に抽出された特徴を入力とし、前記冠血流予備量比値を出力とする、方法。
20. 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冠血流予備量比値を推定する、
    請求項１９に記載の方法。
21. 前記関数が、前記特徴と前記冠血流予備量比値との間の統計的関係を記述する、
    請求項２０に記載の方法。

Images