EA009382B1 - Автоматизированные способы и системы для обнаружения и анализа сосудистых бляшек - Google Patents
Автоматизированные способы и системы для обнаружения и анализа сосудистых бляшек Download PDFInfo
- Publication number
- EA009382B1 EA009382B1 EA200600452A EA200600452A EA009382B1 EA 009382 B1 EA009382 B1 EA 009382B1 EA 200600452 A EA200600452 A EA 200600452A EA 200600452 A EA200600452 A EA 200600452A EA 009382 B1 EA009382 B1 EA 009382B1
- Authority
- EA
- Eurasian Patent Office
- Prior art keywords
- data
- plaque
- automated method
- blood vessel
- computer
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 182
- 238000004458 analytical method Methods 0.000 title claims abstract description 60
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 230000002792 vascular Effects 0.000 title claims description 41
- 210000001519 tissue Anatomy 0.000 claims description 59
- 238000012545 processing Methods 0.000 claims description 56
- 210000004204 blood vessel Anatomy 0.000 claims description 54
- 238000011282 treatment Methods 0.000 claims description 48
- 230000008569 process Effects 0.000 claims description 40
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 37
- 150000002632 lipids Chemical class 0.000 claims description 32
- 210000003205 muscle Anatomy 0.000 claims description 26
- 238000012800 visualization Methods 0.000 claims description 23
- 238000002059 diagnostic imaging Methods 0.000 claims description 21
- 239000003814 drug Substances 0.000 claims description 21
- 229940079593 drug Drugs 0.000 claims description 20
- 238000003384 imaging method Methods 0.000 claims description 20
- 210000001367 artery Anatomy 0.000 claims description 16
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 15
- 239000000203 mixture Substances 0.000 claims description 15
- 208000007536 Thrombosis Diseases 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 201000001320 Atherosclerosis Diseases 0.000 claims description 10
- 210000001715 carotid artery Anatomy 0.000 claims description 8
- 235000012000 cholesterol Nutrition 0.000 claims description 7
- 210000002216 heart Anatomy 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 7
- 239000008280 blood Substances 0.000 claims description 6
- 210000004369 blood Anatomy 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 229940121710 HMGCoA reductase inhibitor Drugs 0.000 claims description 5
- 210000002808 connective tissue Anatomy 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 5
- 210000000056 organ Anatomy 0.000 claims description 5
- 238000002604 ultrasonography Methods 0.000 claims description 5
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims description 4
- 210000004556 brain Anatomy 0.000 claims description 4
- 229910052791 calcium Inorganic materials 0.000 claims description 4
- 239000011575 calcium Substances 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 239000002471 hydroxymethylglutaryl coenzyme A reductase inhibitor Substances 0.000 claims description 4
- 238000002600 positron emission tomography Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 238000001931 thermography Methods 0.000 claims description 4
- 210000004351 coronary vessel Anatomy 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 230000008021 deposition Effects 0.000 claims description 3
- 238000010562 histological examination Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 239000003146 anticoagulant agent Substances 0.000 claims description 2
- 230000002980 postoperative effect Effects 0.000 claims description 2
- 230000000087 stabilizing effect Effects 0.000 claims description 2
- 238000002591 computed tomography Methods 0.000 claims 2
- 229940124599 anti-inflammatory drug Drugs 0.000 claims 1
- 229940127219 anticoagulant drug Drugs 0.000 claims 1
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000000205 computational method Methods 0.000 claims 1
- 210000005166 vasculature Anatomy 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 31
- 208000024172 Cardiovascular disease Diseases 0.000 description 28
- 238000011161 development Methods 0.000 description 21
- 230000018109 developmental process Effects 0.000 description 21
- 230000009466 transformation Effects 0.000 description 21
- 208000006011 Stroke Diseases 0.000 description 17
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 15
- 238000013456 study Methods 0.000 description 15
- 238000012360 testing method Methods 0.000 description 15
- 238000000844 transformation Methods 0.000 description 15
- 230000009021 linear effect Effects 0.000 description 13
- 238000012790 confirmation Methods 0.000 description 12
- 201000010099 disease Diseases 0.000 description 11
- 208000031481 Pathologic Constriction Diseases 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 10
- 208000010125 myocardial infarction Diseases 0.000 description 10
- 230000036262 stenosis Effects 0.000 description 10
- 208000037804 stenosis Diseases 0.000 description 10
- 238000006243 chemical reaction Methods 0.000 description 9
- 235000012907 honey Nutrition 0.000 description 9
- 230000003902 lesion Effects 0.000 description 8
- 230000009467 reduction Effects 0.000 description 8
- 208000024891 symptom Diseases 0.000 description 8
- 208000004434 Calcinosis Diseases 0.000 description 7
- 230000008901 benefit Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 230000000877 morphologic effect Effects 0.000 description 7
- 230000001575 pathological effect Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 102000008186 Collagen Human genes 0.000 description 6
- 108010035532 Collagen Proteins 0.000 description 6
- 238000013459 approach Methods 0.000 description 6
- 230000002308 calcification Effects 0.000 description 6
- 229920001436 collagen Polymers 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 208000032843 Hemorrhage Diseases 0.000 description 5
- 230000036772 blood pressure Effects 0.000 description 5
- 238000011961 computed axial tomography Methods 0.000 description 5
- 208000035475 disorder Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000002547 anomalous effect Effects 0.000 description 4
- 230000003143 atherosclerotic effect Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 230000002526 effect on cardiovascular system Effects 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000000250 revascularization Effects 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000011477 surgical intervention Methods 0.000 description 4
- 238000001356 surgical procedure Methods 0.000 description 4
- 238000002560 therapeutic procedure Methods 0.000 description 4
- 206010061218 Inflammation Diseases 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000013171 endarterectomy Methods 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000004054 inflammatory process Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000005549 size reduction Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 2
- 241000277301 Esociformes Species 0.000 description 2
- RPTUSVTUFVMDQK-UHFFFAOYSA-N Hidralazin Chemical compound C1=CC=C2C(NN)=NN=CC2=C1 RPTUSVTUFVMDQK-UHFFFAOYSA-N 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- PVNIIMVLHYAWGP-UHFFFAOYSA-N Niacin Chemical compound OC(=O)C1=CC=CN=C1 PVNIIMVLHYAWGP-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000003466 anti-cipated effect Effects 0.000 description 2
- 210000000709 aorta Anatomy 0.000 description 2
- 238000007630 basic procedure Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013172 carotid endarterectomy Methods 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000010205 computational analysis Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 239000002872 contrast media Substances 0.000 description 2
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 210000003195 fascia Anatomy 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000001338 necrotic effect Effects 0.000 description 2
- 235000001968 nicotinic acid Nutrition 0.000 description 2
- 239000011664 nicotinic acid Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000010882 preoperative diagnosis Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011321 prophylaxis Methods 0.000 description 2
- 238000000275 quality assurance Methods 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000013517 stratification Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- BIDNLKIUORFRQP-XYGFDPSESA-N (2s,4s)-4-cyclohexyl-1-[2-[[(1s)-2-methyl-1-propanoyloxypropoxy]-(4-phenylbutyl)phosphoryl]acetyl]pyrrolidine-2-carboxylic acid Chemical compound C([P@@](=O)(O[C@H](OC(=O)CC)C(C)C)CC(=O)N1[C@@H](C[C@H](C1)C1CCCCC1)C(O)=O)CCCC1=CC=CC=C1 BIDNLKIUORFRQP-XYGFDPSESA-N 0.000 description 1
- FJLGEFLZQAZZCD-MCBHFWOFSA-N (3R,5S)-fluvastatin Chemical compound C12=CC=CC=C2N(C(C)C)C(\C=C\[C@@H](O)C[C@@H](O)CC(O)=O)=C1C1=CC=C(F)C=C1 FJLGEFLZQAZZCD-MCBHFWOFSA-N 0.000 description 1
- METKIMKYRPQLGS-GFCCVEGCSA-N (R)-atenolol Chemical compound CC(C)NC[C@@H](O)COC1=CC=C(CC(N)=O)C=C1 METKIMKYRPQLGS-GFCCVEGCSA-N 0.000 description 1
- SGTNSNPWRIOYBX-UHFFFAOYSA-N 2-(3,4-dimethoxyphenyl)-5-{[2-(3,4-dimethoxyphenyl)ethyl](methyl)amino}-2-(propan-2-yl)pentanenitrile Chemical compound C1=C(OC)C(OC)=CC=C1CCN(C)CCCC(C#N)(C(C)C)C1=CC=C(OC)C(OC)=C1 SGTNSNPWRIOYBX-UHFFFAOYSA-N 0.000 description 1
- ILPUOPPYSQEBNJ-UHFFFAOYSA-N 2-methyl-2-phenoxypropanoic acid Chemical class OC(=O)C(C)(C)OC1=CC=CC=C1 ILPUOPPYSQEBNJ-UHFFFAOYSA-N 0.000 description 1
- 239000005541 ACE inhibitor Substances 0.000 description 1
- 208000004476 Acute Coronary Syndrome Diseases 0.000 description 1
- 206010002383 Angina Pectoris Diseases 0.000 description 1
- 235000005749 Anthriscus sylvestris Nutrition 0.000 description 1
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 1
- XUKUURHRXDUEBC-KAYWLYCHSA-N Atorvastatin Chemical compound C=1C=CC=CC=1C1=C(C=2C=CC(F)=CC=2)N(CC[C@@H](O)C[C@@H](O)CC(O)=O)C(C(C)C)=C1C(=O)NC1=CC=CC=C1 XUKUURHRXDUEBC-KAYWLYCHSA-N 0.000 description 1
- XUKUURHRXDUEBC-UHFFFAOYSA-N Atorvastatin Natural products C=1C=CC=CC=1C1=C(C=2C=CC(F)=CC=2)N(CCC(O)CC(O)CC(O)=O)C(C(C)C)=C1C(=O)NC1=CC=CC=C1 XUKUURHRXDUEBC-UHFFFAOYSA-N 0.000 description 1
- 239000005552 B01AC04 - Clopidogrel Substances 0.000 description 1
- 108010074051 C-Reactive Protein Proteins 0.000 description 1
- 102100032752 C-reactive protein Human genes 0.000 description 1
- 239000002947 C09CA04 - Irbesartan Substances 0.000 description 1
- 208000014882 Carotid artery disease Diseases 0.000 description 1
- JZUFKLXOESDKRF-UHFFFAOYSA-N Chlorothiazide Chemical compound C1=C(Cl)C(S(=O)(=O)N)=CC2=C1NCNS2(=O)=O JZUFKLXOESDKRF-UHFFFAOYSA-N 0.000 description 1
- 229920001268 Cholestyramine Polymers 0.000 description 1
- 229920002911 Colestipol Polymers 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- HEMJJKBWTPKOJG-UHFFFAOYSA-N Gemfibrozil Chemical compound CC1=CC=C(C)C(OCCCC(C)(C)C(O)=O)=C1 HEMJJKBWTPKOJG-UHFFFAOYSA-N 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 241000976416 Isatis tinctoria subsp. canescens Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- PCZOHLXUXFIOCF-UHFFFAOYSA-N Monacolin X Natural products C12C(OC(=O)C(C)CC)CC(C)C=C2C=CC(C)C1CCC1CC(O)CC(=O)O1 PCZOHLXUXFIOCF-UHFFFAOYSA-N 0.000 description 1
- 206010033557 Palpitations Diseases 0.000 description 1
- 108010001014 Plasminogen Activators Proteins 0.000 description 1
- 102000001938 Plasminogen Activators Human genes 0.000 description 1
- TUZYXOIXSAXUGO-UHFFFAOYSA-N Pravastatin Natural products C1=CC(C)C(CCC(O)CC(O)CC(O)=O)C2C(OC(=O)C(C)CC)CC(O)C=C21 TUZYXOIXSAXUGO-UHFFFAOYSA-N 0.000 description 1
- RYMZZMVNJRMUDD-UHFFFAOYSA-N SJ000286063 Natural products C12C(OC(=O)C(C)(C)CC)CC(C)C=C2C=CC(C)C1CCC1CC(O)CC(=O)O1 RYMZZMVNJRMUDD-UHFFFAOYSA-N 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 108010023197 Streptokinase Proteins 0.000 description 1
- 206010042434 Sudden death Diseases 0.000 description 1
- 210000001744 T-lymphocyte Anatomy 0.000 description 1
- 208000001871 Tachycardia Diseases 0.000 description 1
- CPGKMLVTFNUAHL-UHFFFAOYSA-N [Ca].[Ca] Chemical compound [Ca].[Ca] CPGKMLVTFNUAHL-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 229960001138 acetylsalicylic acid Drugs 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 239000002160 alpha blocker Substances 0.000 description 1
- 229940124308 alpha-adrenoreceptor antagonist Drugs 0.000 description 1
- 239000012491 analyte Substances 0.000 description 1
- 238000002399 angioplasty Methods 0.000 description 1
- 239000002333 angiotensin II receptor antagonist Substances 0.000 description 1
- 229940125364 angiotensin receptor blocker Drugs 0.000 description 1
- 229940044094 angiotensin-converting-enzyme inhibitor Drugs 0.000 description 1
- 230000000702 anti-platelet effect Effects 0.000 description 1
- 238000013176 antiplatelet therapy Methods 0.000 description 1
- 229940127217 antithrombotic drug Drugs 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 229960002274 atenolol Drugs 0.000 description 1
- 229960005370 atorvastatin Drugs 0.000 description 1
- 238000011888 autopsy Methods 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 239000002876 beta blocker Substances 0.000 description 1
- 229940097320 beta blocking agent Drugs 0.000 description 1
- 230000031200 bile acid secretion Effects 0.000 description 1
- 230000036471 bradycardia Effects 0.000 description 1
- 208000006218 bradycardia Diseases 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 239000002327 cardiovascular agent Substances 0.000 description 1
- 229940125692 cardiovascular agent Drugs 0.000 description 1
- 208000037876 carotid Atherosclerosis Diseases 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001906 cholesterol absorption Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- GKTWGGQPFAXNFI-HNNXBMFYSA-N clopidogrel Chemical compound C1([C@H](N2CC=3C=CSC=3CC2)C(=O)OC)=CC=CC=C1Cl GKTWGGQPFAXNFI-HNNXBMFYSA-N 0.000 description 1
- 229960003009 clopidogrel Drugs 0.000 description 1
- GMRWGQCZJGVHKL-UHFFFAOYSA-N colestipol Chemical compound ClCC1CO1.NCCNCCNCCNCCN GMRWGQCZJGVHKL-UHFFFAOYSA-N 0.000 description 1
- 229960002604 colestipol Drugs 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 229940109239 creatinine Drugs 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- HSUGRBWQSSZJOP-RTWAWAEBSA-N diltiazem Chemical compound C1=CC(OC)=CC=C1[C@H]1[C@@H](OC(C)=O)C(=O)N(CCN(C)C)C2=CC=CC=C2S1 HSUGRBWQSSZJOP-RTWAWAEBSA-N 0.000 description 1
- 229960004166 diltiazem Drugs 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003623 enhancer Substances 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- OLNTVTPDXPETLC-XPWALMASSA-N ezetimibe Chemical compound N1([C@@H]([C@H](C1=O)CC[C@H](O)C=1C=CC(F)=CC=1)C=1C=CC(O)=CC=1)C1=CC=C(F)C=C1 OLNTVTPDXPETLC-XPWALMASSA-N 0.000 description 1
- 229960002297 fenofibrate Drugs 0.000 description 1
- YMTINGFKWWXKFG-UHFFFAOYSA-N fenofibrate Chemical compound C1=CC(OC(C)(C)C(=O)OC(C)C)=CC=C1C(=O)C1=CC=C(Cl)C=C1 YMTINGFKWWXKFG-UHFFFAOYSA-N 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 229960003765 fluvastatin Drugs 0.000 description 1
- 229960002490 fosinopril Drugs 0.000 description 1
- 229960003627 gemfibrozil Drugs 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229960002474 hydralazine Drugs 0.000 description 1
- 229960002003 hydrochlorothiazide Drugs 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002608 intravascular ultrasound Methods 0.000 description 1
- YCPOHTHPUREGFM-UHFFFAOYSA-N irbesartan Chemical compound O=C1N(CC=2C=CC(=CC=2)C=2C(=CC=CC=2)C=2[N]N=NN=2)C(CCCC)=NC21CCCC2 YCPOHTHPUREGFM-UHFFFAOYSA-N 0.000 description 1
- 229960002198 irbesartan Drugs 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000003446 ligand Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 229960004844 lovastatin Drugs 0.000 description 1
- PCZOHLXUXFIOCF-BXMDZJJMSA-N lovastatin Chemical compound C([C@H]1[C@@H](C)C=CC2=C[C@H](C)C[C@@H]([C@H]12)OC(=O)[C@@H](C)CC)C[C@@H]1C[C@@H](O)CC(=O)O1 PCZOHLXUXFIOCF-BXMDZJJMSA-N 0.000 description 1
- QLJODMDSTUBWDW-UHFFFAOYSA-N lovastatin hydroxy acid Natural products C1=CC(C)C(CCC(O)CC(O)CC(O)=O)C2C(OC(=O)C(C)CC)CC(C)C=C21 QLJODMDSTUBWDW-UHFFFAOYSA-N 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 210000002540 macrophage Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229940033757 niaspan Drugs 0.000 description 1
- 229960003512 nicotinic acid Drugs 0.000 description 1
- HYIMSNHJOBLJNT-UHFFFAOYSA-N nifedipine Chemical compound COC(=O)C1=C(C)NC(C)=C(C(=O)OC)C1C1=CC=CC=C1[N+]([O-])=O HYIMSNHJOBLJNT-UHFFFAOYSA-N 0.000 description 1
- 229960001597 nifedipine Drugs 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 210000004798 organs belonging to the digestive system Anatomy 0.000 description 1
- 210000001672 ovary Anatomy 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000000902 placebo Substances 0.000 description 1
- 229940068196 placebo Drugs 0.000 description 1
- 229940127126 plasminogen activator Drugs 0.000 description 1
- 229960002965 pravastatin Drugs 0.000 description 1
- TUZYXOIXSAXUGO-PZAWKZKUSA-N pravastatin Chemical compound C1=C[C@H](C)[C@H](CC[C@@H](O)C[C@@H](O)CC(O)=O)[C@H]2[C@@H](OC(=O)[C@@H](C)CC)C[C@H](O)C=C21 TUZYXOIXSAXUGO-PZAWKZKUSA-N 0.000 description 1
- IENZQIKPVFGBNW-UHFFFAOYSA-N prazosin Chemical compound N=1C(N)=C2C=C(OC)C(OC)=CC2=NC=1N(CC1)CCN1C(=O)C1=CC=CO1 IENZQIKPVFGBNW-UHFFFAOYSA-N 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 229960000672 rosuvastatin Drugs 0.000 description 1
- BPRHUIZQVSMCRT-VEUZHWNKSA-N rosuvastatin Chemical compound CC(C)C1=NC(N(C)S(C)(=O)=O)=NC(C=2C=CC(F)=CC=2)=C1\C=C\[C@@H](O)C[C@@H](O)CC(O)=O BPRHUIZQVSMCRT-VEUZHWNKSA-N 0.000 description 1
- 231100000241 scar Toxicity 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 229960002855 simvastatin Drugs 0.000 description 1
- RYMZZMVNJRMUDD-HGQWONQESA-N simvastatin Chemical compound C([C@H]1[C@@H](C)C=CC2=C[C@H](C)C[C@@H]([C@H]12)OC(=O)C(C)(C)CC)C[C@@H]1C[C@@H](O)CC(=O)O1 RYMZZMVNJRMUDD-HGQWONQESA-N 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 210000002460 smooth muscle Anatomy 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 229960005202 streptokinase Drugs 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000006794 tachycardia Effects 0.000 description 1
- 210000001550 testis Anatomy 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 239000003451 thiazide diuretic agent Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 210000003932 urinary bladder Anatomy 0.000 description 1
- 229940124549 vasodilator Drugs 0.000 description 1
- 239000003071 vasodilator agent Substances 0.000 description 1
- 229960001722 verapamil Drugs 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23F—NON-MECHANICAL REMOVAL OF METALLIC MATERIAL FROM SURFACE; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL; MULTI-STEP PROCESSES FOR SURFACE TREATMENT OF METALLIC MATERIAL INVOLVING AT LEAST ONE PROCESS PROVIDED FOR IN CLASS C23 AND AT LEAST ONE PROCESS COVERED BY SUBCLASS C21D OR C22F OR CLASS C25
- C23F11/00—Inhibiting corrosion of metallic material by applying inhibitors to the surface in danger of corrosion or adding them to the corrosive agent
- C23F11/08—Inhibiting corrosion of metallic material by applying inhibitors to the surface in danger of corrosion or adding them to the corrosive agent in other liquids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Optics & Photonics (AREA)
- Organic Chemistry (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
- Metallurgy (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Vascular Medicine (AREA)
- Cardiology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
Предложены автоматизированные способы и системы для обнаружения и анализа бляшки в одной или более областей сосудистой системы пациента.
Description
Настоящее изобретение касается способов, программного обеспечения или систем для автоматизированного анализа медицинских видеоданных. Более конкретно, оно касается способов, программного обеспечения или систем для автоматизированного обнаружения и анализа бляшки в части или всей сосудистой системе пациента.
Уровень техники
1. Введение.
В следующем описании представлена информация, которая может быть полезной для понимания настоящего изобретения. При этом не утверждается, что любая такая информация является аналогом или релевантной для заявленных изобретений или что любая публикация, упомянутая явно или косвенно, является аналогом настоящего изобретения.
2. Известный уровень техники.
Атеросклероз является наиболее распространенной причиной ишемической болезни сердца. Если рассматривать отдельно инсульт, то он является третьей лидирующей причиной смертности, а большинство случаев инсульта является результатом ишемических проявлений. Однако артериосклероз - это самая обычная воспалительная реакция, а атеросклероз, не сопровождающийся тромбозом, представляет собой, в общем, доброкачественное заболевание. В ряде исследований отмечалось, что именно состав бляшки, а не степень стеноза является ключевым фактором для прогнозирования уязвимости бляшки для разрыва или тромбоза. Такие склонные к тромбозу бляшки, или бляшки с повышенным риском, называются уязвимыми (нестабильными) бляшками.
Разрыв бляшки запускается механическими событиями, однако, уязвимость бляшки может быть обусловлена ослаблением фиброзного покрова, внутрибляшечным кровоизлиянием и размягчением компонентов бляшки, часто в результате инфекции, и инфильтрации макрофагов и Т-клеток. Обычно богатые липидами мягкие бляшки имеют более высокую склонность к разрыву, чем богатые коллагеном твердые бляшки. Существует ряд морфологических и физиологических признаков, которые связаны с уязвимой и стабильной бляшкой. Морфологические характеристики включают в себя структурную слабость или повреждение (тонкий или поврежденный фиброзный покров, кальциноз, отрицательное ремоделирование, реваскуляризация, большие отложения липидов и т.п.), а физиологические признаки включают в себя химический состав, активную инфекцию, воспалительные реакции и метаболизм. Многие из этих факторов являются субъективными или количественными, отражая тот факт, что не все характеристики подтверждены в качестве детерминант риска. Подтверждение факторов риска требует долгосрочных клинических исследований, проведения эндартерэктомий или аутопсий.
Для идентификации уязвимых бляшек применяется ряд инвазивных методов, таких как внутрисосудистое ультразвуковое исследование (ВСУЗИ), ангиоскопия, интраваскулярная магнитно-резонансная томография и термография. Так как при инвазивных методах пациент подвергается существенному риску инсульта и инфаркта миокарда (ИМ), эти методы не годятся для скрининга или периодических исследований. И, наконец, поскольку эти методы требуют использования катетера, оценки общего бремени сосудистых бляшек необходимо экстраполировать из исследования только нескольких локальных отложений бляшек. Более того, в силу физических ограничений, таких как размер катетера и артерии, разветвлений артерий и т.п., большая часть сосудистой системы пациента недоступна для инвазивных приборов.
Хотя магнитно-резонансная томография (МРТ) используется для идентификации морфологических признаков бляшек, таких как размер бляшки и толщина фиброзного покрова, с высокой степенью чувствительности и специфичности, однако, в большинстве попыток охарактеризовать бляшку применяется визуальный анализ томограмм компьютерной осевой томографии (КОТ) или МРТ специалистамирадиологами. Этот процесс занимает много времени (следовательно, дорогой) и подвержен ошибкам и некоторым субъективным отклонениям хотя бы потому, что человеку обычно сложно одновременно оценить статистические зависимости между двумя или тремя переменными. Естественной тенденцией является концентрация на макроскопических границах и локальных текстурах. При анализе мультимодальных изображений эта проблема многократно усугубляется, потому что для усвоения всех имеющихся свидетельств аналитику необходимо попиксельно оценить локальную среду в целых четырех отдельных модальностях. Обычно это вынуждает аналитика сконцентрироваться всего на одной модальности, имеющей наилучший контраст для конкретной ткани, и игнорировать потенциально противоположное свидетельство в других модальностях. Точность классифицирования зависит от изменчивости между результатами разных исследователей и даже одного и того же исследователя в течение времени, что делает стандартизированное диагностическое исследование практически невозможным. В большинстве случаев подтверждение интерпретированного изображения можно получить только посредством гистологического анализа эндартерэктомий.
Учитывая важность обнаружения и анализа бляшек для здоровья пациентов, существует потреб
- 1 009382 ность в усовершенствованных способах обнаружения и анализа бляшек ίη νίνο.
3. Определения.
Прежде чем приступить к подробному описанию изобретения, будет дано определение некоторым терминам, используемым в контексте настоящего изобретения. Кроме этих терминов при необходимости другие термины будут определяться по тексту описания. Специальные термины, используемые в настоящем описании, употребляются в их общепринятых значениях в области медицины, если явным образом они не определены иначе.
Понятие медицинская система визуализации относится к любой системе, которую можно использовать для сбора, обработки и формирования изображений некоторых или всех внутренних областей организма пациента. Обычно такие системы включают в себя устройство для формирования и сбора данных, а также компьютер, выполненный с возможностью обработки и анализа данных, а часто и формирования выходных изображений, представляющих эти данные. Устройства, используемые для формирования и сбора данных, включают в себя неинвазивные устройства, например приборы для магнитнорезонансной томографии (МРТ), приборы для позитрон-эмиссионной томографии (ПЭТ), приборы для компьютерной осевой томографии (КОТ), ультразвуковые приборы и т.п., а также устройства, которые формируют и собирают данные инвазивным путем, например эндоскопы (для передачи видеоизображений изнутри полости или просвета в организме) и катетеры, снабженные датчиками. Данные, полученные из таких устройств, затем передаются в процессор, который, по меньшей мере, в некоторых случаях, можно использовать для формирования изображений одной или более внутренних областей организма пациента. После этого медицинский работник, специально обученный интерпретировать изображения, изучает и интерпретирует эти изображения для составления диагноза или прогноза.
Патентоспособный состав, процесс, прибор, изделие или усовершенствование согласно настоящему изобретению означает, что данный объект удовлетворяет всем установленным требованиям патентоспособности, действующим на момент рассмотрения заявки. Например, если в отношении новизны, неочевидности или т. п. на более позднем этапе будет обнаружено, что один или более пунктов формулы изобретения охватывает один или более вариантов, которые будут отрицать новизну, неочевидность и т.п., то эти пункты формулы изобретения, будучи ограниченными определением патентоспособных вариантов, специально исключат такие непатентоспособные варианты. Кроме того, прилагаемые пункты формулы изобретения следует толковать как обеспечивающие самый широкий разумный объем, а также как сохраняющие их действительность. Кроме того, в случае изменения одного или более установленных требований патентоспособности или изменения стандартов оценки, удовлетворено ли конкретное требование патентоспособности, со времени подачи этой заявки, или в случае возникновения сомнений в отношении срока действия одного или более прилагаемых пунктов формулы изобретения, пункты формулы изобретения следует толковать таким образом, чтобы (1) они сохранили свою действительность и (2) обеспечили самое широкое толкование в данных обстоятельствах.
Термин лечение или терапия означает любую работу, совершаемую в отношении заболевания или нарушения, включая предотвращение или профилактику данного заболевания или нарушения (т.е. препятствие развитию клинических симптомов (или основного процесса, который может вызывать возникновение или усиление этих симптомов); замедление заболевания или нарушения (т.е. остановку или подавление развития клинических симптомов или прекращение прогрессирования одного или более основных процессов, усиливающих патологию, которая может вызывать симптомы); и/или ослабление заболевания или нарушения (т.е. обеспечение регрессии клинических симптомов или регрессии одного или более процессов, вызывающих эти симптомы). Понятно, что не всегда можно провести четкую грань между предотвращением и подавлением заболевания или нарушения, так как конечный результат или результаты могут быть неизвестными или латентными. Соответственно, под профилактикой также подразумевается некий вид лечения, который охватывает предотвращение и/или подавление или оба этих понятия. Термин защита также включает в себя профилактику.
Краткое изложение сущности изобретения
В основу настоящего изобретения положена задача создания способов, программного обеспечения и систем для автоматического обнаружения и, при желании, анализа бляшек в одной или более областей сосудистой системы пациента, на основании данных, полученных из медицинской системы визуализации или первоначальных процессов определения или сбора данных, которые можно использовать для формирования изображения (но не ограничиваясь ими).
Таким образом, один аспект настоящего изобретения касается автоматизированных способов оценки степени атеросклероза, по меньшей мере, в части сосудистой системы пациента, часто в части одного или более кровеносных сосудов, особенно тех сосудов, которые подают кровь в какой-либо орган, например мозг, сердце, почки, печень, легкие, органы пищеварения, мочевой пузырь, желудок, яичники и яички, а также в периферийные органы, например руки и ноги. Предпочтительными кровеносными сосудами для анализа являются сонные артерии, коронарные артерии и аорта. Хотя предложенные способы можно также использовать для определения и анализа сосудистой бляшки у многих животных, наиболее часто эти способы применяются на людях.
Предложенные способы обычно включают в себя вычислительную обработку пригодных для обра
- 2 009382 ботки данных по меньшей мере из одного поперечного сечения (или его части) по меньшей мере одного кровеносного сосуда сосудистой системы пациента, полученных из медицинской системы визуализации, чтобы определить, содержит ли данный кровеносный сосуд (или, по меньшей мере, его анализируемая часть) по меньшей мере один компонент бляшки или ткань, связанную с наличием бляшки. Реализация этих способов позволяет получить оценку одной или более мер, связанных с атеросклерозом по меньшей мере в части сосудистой системы пациента.
В предпочтительных вариантах изобретения эти способы позволяют определить, содержит ли кровеносный сосуд бляшку, в частности бляшку, уязвимую для разрыва. Для конкретного поперечного сечения анализируемые данные могут содержать некоторые или все первоначально собранные данные. Медицинская система визуализации, используемая для получения исходных данных, может быть инвазивной или неинвазивной системой визуализации. Предпочтительная неинвазивная система визуализации включает в себя один или несколько приборов для МРТ, КОТ и ПЭТ, термографии или ультразвукового исследования. Можно также использовать приборы, имеющие несколько неинвазивных функций визуализации. Предпочтительными инвазивными приборами являются катетеры, снабженные одним или несколькими датчиками. Примерами таких катетеров являются катетеры для ультразвукового исследования, ангиоскопии, интраваскулярной МРТ и термографии. Можно также объединить для анализа данные, полученные инвазивными и неинвазивными методами визуализации. Аналогичным образом, можно также включить в анализ другие или дополнительные данные, например данные, полученные при использовании контрастных веществ, меточных средств, специфических для одной или более тканей, типов клеток или лиганд, которые, например, содержат ткани или компоненты здоровой или патологической сосудистой системы, включая бляшки или их компоненты.
Предпочтительной группой вариантов осуществления изобретения являются способы на основе МРТ. В этих вариантах используется МР-прибор для получения исходных магнитно-резонансных данных, из которых извлекаются пригодные для обработки магнитно-резонансные данные. Одна или более различных модальностей визуализации, реализуемых посредством одной или более различных серий последовательней радиочастотных импульсов, позволяют различать при последующем анализе различные ткани и компоненты тканей. Предпочтительные типы данных, формируемые такими модальностями, включают в себя Т1-взвешенные данные, Т2-взвешенные данные, РЭ\У-взвешенные данные и ТОРвзвешенные данные. Можно также объединять данные, сформированные комбинациями одного или нескольких этих и других типов данных.
При осуществлении предложенных способов может быть желательным предварительно обработать и/или нормировать данные. В любом случае, пригодные для обработки данные подвергают вычислительной обработке, чтобы определить, содержит ли данный кровеносный сосуд в области поперечного сечения(й) (или его части(ей)) ткань артерии или бляшки или ее компоненты. В предпочтительных вариантах определение типа или компонента ткани осуществляется путем сравнения компьютером различных типов данных, идентифицированных в анализируемых данных, с одним или более статистическими классификаторами. Такие классификаторы можно создать, используя известные результирующие данные (например, послеоперационное гистологическое исследование, прямое изучение ткани или маркировку одним или более экспертами) в любом подходящем процессе, включая логистическую регрессию, деревья решений, непараметрическую регрессию, дискриминантный анализ Фишера, сетевое моделирование Бейеса, и систему с нечеткой логикой. Компоненты и ткани предпочтительно подвергаются сортировке на наличие мышцы, адвентиции, отложений кальция, отложений холестерола, липидов, фиброзной бляшки, коллагена и тромба.
В предпочтительных вариантах, особенно в тех вариантах, где используются данные из нескольких модальностей визуализации или приборов визуализации, эти данные преобразуются в общий формат. Данные также предпочтительно совмещаются вычислительным образом, часто с использованием какоголибо ориентира, будь то представляющий интерес физический признак (например, точка разветвления артерии, такая как бифуркация сонной артерии) или вычислительный признак, такой как центроид просвета сосуда, вычисленный из обрабатываемых данных. В некоторых вариантах можно вычислительным путем визуализировать трехмерную модель кровеносного сосуда по меньшей мере в части области, ограниченной наиболее удаленными анализируемыми поперечными сечениями. Можно также выполнить множество других видов анализа или операций, включая вычисление общего объема или бремени бляшки, местоположение и/или состав бляшки и т. п. В зависимости от выполняемых видов анализа или операций результаты анализа могут выводиться в одном или нескольких выходных файлах и/или передаваться или пересылаться в другое место в системе для хранения. Альтернативно, эти данные могут передаваться в другое место.
Еще один аспект изобретения касается оценки эффективности курса лечения или определения курса лечения. В этих способах применяется обнаружение или анализ бляшек согласно настоящему изобретению вместе с предоставлением или определением курса лечения, в зависимости от конкретного случая, на основании результатов обнаружения бляшек и предпочтительно их классификации и анализа. В некоторых вариантах курс лечения включает в себя прием лекарства, предназначенного для стабилизации или уменьшения бремени бляшек у пациента со временем. При желании можно оценивать эффективность
- 3 009382 курса лечения посредством последующего анализа, предпочтительно посредством дополнительного обнаружения бляшек и предпочтительно классификации, т.е. анализа согласно настоящему изобретению. Понятно, что предложенные способы будут полезны не только для осуществления одобренных стратегий лечения, но и для разработки новых стратегий. Например, эти способы могут быть полезны при оценке клинической эффективности исследуемых методов лечения, включая исследования, направленные на оценку лекарственных препаратов, предназначенных для лечения сердечно-сосудистых или цереброваскулярных заболеваний.
Другой аспект изобретения относится к компьютерному программному продукту, который содержит используемую компьютером среду с содержащейся на ней машиночитаемой программой, причем машиночитаемая программа сконфигурирована для реализации автоматизированного способа согласно настоящему изобретению на компьютере, предназначенном для выполнения данной машиночитаемой программы.
Вычислительные системы, сконфигурированные согласно настоящему изобретению для выполнения такой машиночитаемой программы, представляют собой дополнительный аспект изобретения, так же как и бизнес-модели для реализации таких способов, например бизнес-модели Л8Р и ΑΡΙ. Например, в Α8Ρ модели медицинская система визуализации и вычислительная система, сконфигурированные с возможностью исполнения предложенной машиночитаемой программы, расположены в разных местах. Вычислительная система часто находится постоянно в вычислительном центре, который физически удален от каждого из множества центров визуализации, каждый из которых содержит медицинскую систему визуализации, способную формировать исходные данные, из которых можно получать пригодные для обработки данные. В предпочтительных вариантах, по меньшей мере, один из центров визуализации передает исходные данные в вычислительный центр по телекоммуникационному каналу связи.
Что касается вычислительных систем, то они обычно содержат компьютер, способный исполнять машиночитаемую программу согласно настоящему изобретению, систему хранения данных, сообщающуюся с компьютером, и, необязательно, подключенный к компьютеру коммуникационный интерфейс для приема данных, подлежащих обработке, или для отправки данных после их обработки компьютером.
Краткое описание чертежей
Эти и другие аспекты и варианты осуществления настоящего изобретения станут более очевидными после изучения следующего подробного описания и прилагаемых чертежей, на которых представлены некоторые конкретные варианты осуществления изобретения, а именно фиг. 1 изображает блок-схему, иллюстрирующую общий вид нескольких предпочтительных вариантов изобретения;
фиг. 2 - две панели, А и В. На панели А показано изображение, сформированное из исходных магнитно-резонансных данных (в формате Э1СОМ), полученных из коммерческого МР-прибора, на котором видны градиенты освещения от поверхностных катушек. На панели В показано то же самое изображении, что и на панели А, после выравнивания гистограммы;
фиг. 3 - четыре панели, Α-Ό. Панель А представляет МР-томограмму, полученную из данных Т1взвешенной модальности (Т1\\;). Панель В представляет МР-томограмму, полученную из данных Т2взвешенной модальности (Т2\У). Панель С представляет МР-томограмму, полученную из данных ΡΌвзвешенной модальности (РЭ\У). Панель Ό изображает результаты мультимодального совмещения изображений Τ1\ν. Т2\У и РЭ\У ίη νίνο;
фиг. 4 - алгоритм, иллюстрирующий процесс для прогнозирующих моделей, полезных в контексте изобретения;
фиг. 5 - четыре панели, Α-Ό, иллюстрирующие процесс маркировки данных на МР-томограммах. Понятно, что данные изображений, включая МР-томограммы, можно формировать из данных, собранных с использованием различных протоколов (модальностей). На этой фигуре на панели А показаны МРтомограммы поперечного сечения артерии человека, визуализированные с помощью трех стандартных модальностей: взвешенной по плотности протонов (ΓΌν модальность), взвешенной по времени релаксации Т1 (Т1\\; модальность) и взвешенной по времени релаксации Т2 ^2ν модальность). Для облегчения визуальной интерпретации можно объединить эти изображения Ρ^V, ТШ и Τ2V (510, 520 и 530 соответственно), чтобы получить полную псевдоцветную МР-томограмму 540 (зеленый = Ρ^V, красный = Т1, синий = Т2), показанную на панели В. В полном изображении, показанном на панели В, мультиконтрастные нормированные изображения 510, 520 и 530 серой шкалы линейно отображены как зеленые, красные и синие каналы соответственно, где черный отображен нулем, а белый - 255 в каждом цветовом канале, чтобы создать цветное полное изображение и сформировать его трехмерную визуализацию с помощью МЛТР-ЛВ. Ткани с похожими химическими и окружающими свойствами обычно имеют похожий цвет. Дополнительными признаками для определения типа ткани являются анатомическое положение (например, внутри или снаружи мышечной стенки, т. е. внутри или снаружи кровеносного сосуда) и текстура (например, мышца обычно выглядит полосатой, а мягкая бляшка пятнистой). Специалистрадиолог часто может классифицировать фиброзную или уязвимую бляшку посредством подробного изучения таких данных неавтоматизированным способом (вручную), но эта работа чрезвычайно продолжительная и субъективная. Для разработки автоматизированной системы классификации бляшек необ
- 4 009382 ходимо обучить модель на известных примерах (истине). Можно обучить модель так, чтобы она имитировала работу специалиста, однако, предпочтительным методом является маркировка тех изображений или данных, использованных для создания изображений, которые имеют по возможности наиболее объективные критерии, например, подтвержденные с помощью гистопатологических срезов ткани. На панели С показана гистопатология (истина) поперечного сечения артерии, использованная для формирования изображений, показанных на панелях А и В. На панели Ό на фиг. 5 показано маркированное изображение, использованное для обучения модели, на котором каждый представляющий интерес класс ткани маркирован разным целевым цветом. Артериальная мышца (медия, 565) - розовая, адвентиция (фасция или коллаген, 570) - ярко-желтая, тромб (сгусток крови, 575) - красный, фиброзная бляшка (580) бледножелтая, липид (585) - белый и просвет сосуда (590) черный;
фиг. 6 - три панели, А-С, и представляет другой пример маркировки данных. На панели А показана полная псевдоцветная МР-томограмма (610) поперечного сечения двух артерий. МР-томограмма 610 была сформирована путем объединения МР-томограмм серой шкалы, сформированных с использованием трех МР-модальностей: ΡΩ\ν. Τ1ν и Τ2\ν. описанных в связи с псевдоцветной томограммой, показанной на фиг. 5. На панели В показана гистопатология поперечных сечений артерии. На панели С показано маркированное изображение (630), которое маркировано аналогично МР-томограмме на панели Ό на фиг. 5;
фиг. 7 - три панели, А-С, с изображениями, обработанными с помощью алгоритма кластеризации методом К-средних;
фиг. 8 - две панели, А и В, иллюстрирующие эффективность предпочтительного варианта изобретения, измеренную относительно маркированной истины (левая часть каждой панели);
фиг. 9 - таблицу (таблица А) и три графика, показывающих эффективность трех прогнозирующих моделей для обнаружения сосудистой бляшки, ее компонента (т.е. липида) и мышечной ткани. В табл. А показана эффективность моделей КТР№1, основанных на статистике максимумов ХолмогороваСмирнова (Мах-К8) и измерениях коэффициента Джини на ВОС-кривых, показанных на данной фигуре;
фиг. 10 - три панели, А-С, иллюстрирующие эффективность реализации предпочтительного варианта изобретения на изображении низкого качества, взятом из процесса разработки модели;
фиг. 11 - две панели, А и В, показывающие центрированное на просвете преобразование изображения на панели А в полярные координаты на панели В. Это преобразование было использовано для повышения эффективности алгоритма обнаружения макроскопических границ;
фиг. 12 - две панели, А и В, показывающие эффективность алгоритма сегментации ткани на двух поперечных сечениях артерии. После выполнения сегментации ткани были исключены пиксели, ложно маркированные как компоненты бляшки снаружи стенки сосуда, что уменьшило количество ложных позитивов. Кроме того, можно получить оценки бремени бляшки путем сравнения отношения пикселей, классифицированных как бляшка, к количеству пикселей внутри стенки. В этих примерах была получена оценка бремени (объема) бляшек 28 и 62% соответственно;
фиг. 13 - трехмерный вид части сонной артерии в области бифуркации. На этой модели показаны внутренняя граница артериальной стенки (1920) и твердая бляшка (1930) внутри просвета сосуда (1940), а внешняя граница артерии не показана. Липид (1910) между внутренней поверхностью (1920) и внешней поверхностью артериальной стенки (не показана) показан красным. Твердая бляшка на модели имеет бежевую окраску.
Специалистам будет понятно, что варианты, представленные на прилагаемых чертежах, являются всего лишь репрезентативными и не отражают истинный объем изобретения.
Осуществлене изобретения
Прежде чем приступить к подробному описанию изобретения, следует отметить, что изобретение не ограничено конкретными способами, методикой и описанными системами визуализации, поскольку они могут варьироваться. Также следует понимать, что использованная терминология служит только в целях описания конкретных вариантов и не ограничивает объем описанного изобретения.
Настоящее изобретение касается автоматизированных, объективных способов и систем для обнаружения и анализа бляшек в одной или более областей сосудистой системы человека. Предложенные способы, в общем, включают в себя сравнение данных, извлеченных из одно-, двух- или трехмерных изображений, полученных с использованием медицинской системы визуализации (или предшественников сбора данных для таких систем), чтобы исследовать пациента относительно базы данных, содержащей информацию, которая позволяет классифицировать полученные у пациента данные и обнаружить бляшку, если таковая имеется. Дальнейшие сравнения позволяют анализировать бляшку, например, при желании классифицировать ее (например, является ли данная бляшка стабильной или уязвимой). Для выполнения этих сравнений используются методы распознавания образов. Эта информация, одна или в совокупности с другими данными о пациенте, может использоваться в различных целях, например, для определения курса лечения и уменьшения риска того, что у пациента может возникнуть какое-либо негативное последствие (например, инсульт или сердечный приступ). Полезными для осуществления изобретения методами визуализации являются те методы, которые можно использовать для формирования трехмерных изображений кровеносных сосудов, включая КОТ, ПЭТ и МРТ и ультразвуковое исследова- 5 009382 ние. В настоящее время предпочтительным является МРТ.
На практике, для получения данных о пациенте его направляют в центр МРТ (или другой визуализации), в котором пациента помещают в систему визуализации, формирующую основные входные данные, необходимые для выполнения последующего анализа. Для реализации изобретения в центрах визуализации не требуется никакого дополнительного оборудования. После сбора исходных данных в предпочтительных вариантах их отправляют (например, через Интернет в виде одного или нескольких файлов с зашифрованными электронными данными) в центр для анализа. Затем данные автоматически обрабатываются для формирования индивидуализированного результата путем сравнения образов данных пациента с базой данных с применением набора из одного или более статистических классификаторов. После этого можно подготовить индивидуализированный результат пациента и отправить его запросившему врачу. В предпочтительных вариантах результат пациента представляет собой трехмерную визуализацию сосудистой системы пациента, например, на которой могут быть указаны места как всех бляшек, так подгруппы бляшек, уязвимых для разрыва. Этот результат может быть также полезен для количественного определения объема отдельных бляшек, всех бляшек, отдельных уязвимых бляшек и всех уязвимых бляшек. При использовании предложенных способов и систем в течение времени для получения множества анализов для данного пациента, особенно пациента, проходящего курс лечения по поводу атеросклероза, их можно использовать для оценки эффективности лечения. Например, можно определить, уменьшило ли данное лечение общее бремя (объем) бляшек у пациента (и/или уменьшилась ли скорость развития (или ожидаемого развития) этого бремени), уменьшился ли процент или количество уязвимых бляшек, изменился ли со временем состав конкретных бляшек (например, стал ли он более или менее стабильным) и т.д.
Предложенные способы можно легко воплотить в программных, или аппаратных средствах, или в их комбинации, для обеспечения автоматизированного, неинвазивного и объективного обнаружения и анализа (например, идентификации и классификации бляшек) атеросклеротических (АТ) поражений удобным для использования и воспроизводимым методом. Изобретение позволяет исследователям, врачам и пациентам легко повысить эффективность существующих методов и стратегий лечения заболеваний. Эти важные диагностические и прогнозирующие способы и системы позволят улучшить лечение и его результаты для того класса заболеваний, который является единственной ведущей причиной заболеваемости и смертности в современном мире.
1. Автоматизированные способы обнаружения и анализа сосудистых бляшек.
Предложенные способы, в общем, основаны на вычислительном анализе данных пациента, полученных с помощью медицинской системы визуализации, чтобы определить, имеет ли пациент атеросклероз по меньшей мере в части его сосудистой системы. Для обнаружения сосудистой бляшки компьютер обрабатывает и сравнивает данные, используя статистические классификаторы для определения, содержит ли одна или более анализируемых областей кровеносного сосуда(ов) по меньшей мере одну ткань, коррелированную (т.е. о которой известно, что она связана) с присутствием сосудистой бляшки. При желании можно также классифицировать бляшку, если таковая имеется, например, как стабильную или уязвимую бляшку, в зависимости от тканей, идентифицированных в области бляшки. Кроме того, можно также получить такие оценки как объем бляшки, бремя бляшки, развитие заболевания, эффективность лечения и т. п.
Сначала с помощью медицинской системы визуализации собираются исходные видеоданные по меньшей мере одной точки, линии, плоскости, поперечного сечения или трех- (или более) мерного изображения тела пациента, в частности, всего кровеносного сосуда или его части. В данном контексте термин поперечное сечение подразумевает, что действительные данные, воплощенные в нем, могут относиться к меньшему или большему количеству данных. Предпочтительные медицинские системы визуализации являются неинвазивными системами и включают в себя МР-приборы. Исходные данные, собранные из прибора визуализации, затем преобразуются в форму, пригодную для компьютерного анализа. Этот анализ выполняется с помощью компьютера для сравнения обрабатываемых данных данного поперечного сечения по меньшей мере с одним, предпочтительно с несколькими статистически полученными классификаторами или прогнозирующими моделями по меньшей мере для одной, предпочтительно нескольких, различных здоровых и патологических тканей, о которых известно, что они имеются в сосудистой системе. Таким образом, можно построить модель по меньшей мере одного поперечного сечения по меньшей мере одного кровеносного сосуда. Если получены данные для нескольких или множества поперечных сечений, то можно построить модель большего размера, которая распространяется на область, ограниченную различными поперечными сечениями. При желании полученную модель можно использовать для реконструкции трехмерной модели области(ей) анализируемого кровеносного сосуда, которая может отображать различные признаки кровеносного сосуда. Например, эта трехмерная модель может показывать место(а) бляшки внутри сосуда. Такие модели можно также использовать для вычисления степени стеноза в одной или более областей кровеносного сосуда, а также объема бляшки внутри конкретной области сосуда. Объем бляшки можно вычислить с помощью любого пригодного метода. Например, можно вычислить общий объем просвета кровеносного сосуда в отсутствии бляшки, а также объем просвета в этой области в присутствии бляшки. Разность между ними можно использовать как
- 6 009382 представление оценочного объема бляшки в данной области и можно также легко вычислить степень (например, процент) стеноза. Аналогичным образом можно определить бремя бляшки, а также другие клинические параметры заболевания.
А. Репрезентативная конфигурация системы.
На фиг. 1 схематически проиллюстрирован в качестве репрезентативного примера общий вид предпочтительного варианта системы для обнаружения и анализа бляшек согласно настоящему изобретению с использованием МРТ анализа. Понятно, что различные компоненты системы предпочтительно являются модульными, что позволяет модернизировать или обновлять один или более компонентов без необходимости модернизации или обновления всей системы. Кроме того, множество проиллюстрированных операций являются факультативными и включены в целях описания вариантов предложенных способов и систем, которые являются предпочтительными в настоящее время. В конкретном применении может быть желательным не использовать один или более из этих факультативных элементов, операций или процессов.
Как показано на фиг. 1, процесс начинается с того, что собирают МР-данные пациента в центре МРТ или другом учреждении (110). Эти собранные исходные данные (105) передаются в систему обнаружения и анализа бляшек, которая является либо частью системы, находящейся в центре, где собирались данные, либо в другом учреждении. Для оперативной обработки данных в другом учреждении данные предпочтительно передаются электронным путем, например, в виде файла с зашифрованными данными, передаваемого через Интернет в учреждение, содержащее один или более компьютеров, сконфигурированных с возможностью обработки этих данных для обнаружения и, при желании, анализа сосудистых бляшек. Предпочтительно исходные видеоданные проверяются на соответствие минимальным стандартам качества (анализ качества данных, 120), например, методом вычисления показателя стабильности популяции. Если данные не имеют достаточного качества (и не могут быть визуализированы с достаточным качеством в конкретном применении изобретения), чтобы обеспечить надежный выход, то они не обрабатываются дальше, и предпочтительно передается сообщение в центр визуализации, извещающее об отклонении исходных данных как непригодных для анализа. При желании можно передать еще раз другую копию первоначальных исходных данных или, альтернативно, собрать и снова передать для анализа другой набор исходных данных для анализа (105).
Удовлетворяющие параметрам гарантии качества исходные данные одобряются для дальнейшей обработки. В предпочтительных вариантах исходные данные предварительно обрабатываются и/или нормируются (этап 130), а затем подвергаются вычислительному анализу для предварительной идентификации макроскопических структур в кровеносном сосуде (140). Если для анализа доступно два или более видов данных, то сечения и различные виды данных приводятся к соответствию (150) с помощью любого пригодного алгоритма, сконфигурированного для машинной реализации. После этого можно выполнить преобразование изображения, обработку текстуры и вычисление переменных (т.е. обработку изображения, 160), после чего данные можно классифицировать, используя статистические классификаторы или прогнозирующие модели для присвоения классификации ткани (170). Затем можно определить границы макроскопических структур в кровеносном сосуде (этап 180) и построить трехмерную реконструкцию сосуда из этих различных данных (185). После этого выполняется диагностика поражения (в данном случае сосудистой бляшки), после чего можно построить трехмерную модель кровеносного сосуда, при желании вместе с диагностическим/прогностическим заключением и/или маркированными изображениями (195). При желании можно затем передать результаты указанному получателю, например врачу, клинике или в систему хранения данных для последующего их извлечения.
Далее будут более подробно описаны несколько этапов системы, описанной выше и проиллюстрированной на фиг. 1.
ί. Ввод данных.
Исходные видеоданные (105) пациента можно представить в систему оценки бляшек согласно настоящему изобретению с помощью любого подходящего метода. Предпочтительным методом является модель АЗР (через провайдера прикладных услуг), в которой исходные видеоданные (105) пациента передаются из центра визуализации через защищенное Интернет-соединение. Другой моделью является модель АР1 (через интерфейс прикладного программирования), в которой система оценки бляшек внедрена в программный пакет, установленный на месте в центре визуализации.
ίί. Обработка и форматирование изображения.
В предпочтительных вариантах исходные видеоданные подвергаются анализу на гарантию качества, чтобы гарантировать соблюдение минимальных критериев качества изображения. Затем данные, отвечающие этим стандартам, подвергаются предварительной обработке. Например, данные, полученные из различных учреждений МРТ, могут быть представлены в разных форматах из-за использования различных МР-приборов, различных версий программы управления прибором и т.п. Предпочтительным общим форматом МР-данных является Э1СОМ. хотя можно адаптировать и другие форматы для использования в соответствии с настоящим изобретением. При желании можно также компенсировать разрешение и шкалу, обусловленные аппаратными различиями разных МР-приборов и РЧ катушек, таким образом, чтобы получить данные, относительно свободные от шума и искажений.
- 7 009382
Как известно, интенсивность МР-сигнала уменьшается с увеличением расстояния от поверхности РЧ катушек (1/К2). В результате этого изображения, сформированные из исходных МР-данных, имеют градиент освещенности, показанный на фиг. 2. Для коррекции этого эффекта можно при желании использовать любой полезный алгоритм, который известен сейчас или будет разработан в будущем. Пригодные методы включают в себя выравнивание гистограмм (Οοηζαΐαδ аий \УооЙ5. Э|дЦа1 1таде Ргосеззшд, 1992 Άάάίβοη ^ез1еу), а также использование элементарных волн для моделирования функции РЧ катушек. Другие алгоритмы, которые можно использовать для коррекции этого эффекта, являются частью коммерческих программных продуктов для обработки изображений, таких как МАТЬАВ (МаШ^откв, 1ис., Ыайск, МА). См. также Наи, е1 а1. (2001), 1. Мад. Кез. 1тадшд, νο1.13:428-436.
Устойчивая к ошибкам дискриминация изображения редко зависит от абсолютной (но не относительной) интенсивности пикселей, в основном, из-за того, что интенсивность часто зависит от конкретных условий и самого прибора визуализации, использованного для сбора данных. Поэтому обычно является полезным нормировать данные по максимальной интенсивности пикселей в каждом соответствующем изображении. Обычно данные из каждой модальности сбора данных (например, Т1, Т2, РЭ\У, ТОР и т.д.) нормируются независимо таким образом, чтобы данные из каждой модальности имели одинаковый динамический диапазон. Однако, используя ненормированные данные, можно создать дополнительные переменные, сравнивающие абсолютные интрамодальные разности интенсивности. Мультимодальные переменные, например, такие как отношение Т1 и Т2, измеряют отношение нормированных величин.
Было замечено, что динамический диапазон интенсивностей пикселей в некоторых случаях сокращался, например, в некоторых изображениях сонной артерии ίη νίνο. К концу последовательности (ближайшей к голове) наблюдаемое разрешение может быть очень плохим, вероятно в результате использования локализованной шейной катушки. Однако в зависимости от применения, например, оценки общего бремени бляшек в отличие от классификации бляшек или идентификации микроструктур (таких как реваскуляризация или толщина фиброзного покрова), все же могут быть полезными изображения с низким разрешением. Кроме того, разрешение могут увеличивать последовательности импульсов замедления крови (Уаид, е1 а1. (2003), 1и1егиа11оиа1Г οί Сагйюуа5си1аг 1тадтд, νο1. 19:419-428), также как и сбор данных с использованием нескольких модальностей. Например, в ТОР-изображениях можно хорошо различать фиброзный покров сосудистой бляшки.
ϊϊΐ. Предварительная идентификация макроскопических структур.
Для обнаружения и анализа сосудистой бляшки в визуализированном сечении тела пациента часто бывает желательно идентифицировать кровеносный сосуд(ы), который необходимо анализировать. Идентификация макроскопической ткани позволяет выделить для анализа представляющую интерес область, например кровеносный сосуд, из МР-среза. Это можно легко реализовать, например, с помощью морфологических методов идентификации просвета сосуда. Конечно, можно также применять идентификацию других макроскопических морфологических признаков, например, артериальной мышцы, адвентиции и т.п., самостоятельно или в совокупности с обнаружением просвета. При использовании обнаружения просвета, после определения исходного места просвета в последующих срезах изображения можно использовать положение просвета в предыдущем срезе, чтобы получить первоначальную оценку положения просвета. Центр просвета (т.е. центроид просвета) после его обнаружения предпочтительно итеративно переоценивается для каждого среза. Чтобы избежать накопления ошибок оценки центроида в последующих срезах, особенно в контексте патологической ткани с нерегулярными признаками, можно применять дополнительные эвристические алгоритмы, такие как повторное совмещение в более удаленном осевом положении и интерполяция между срезами.
ίν. Совмещение изображений.
Интервалы времени, необходимые для проведения мультимодальных МРТ сканирований, могут вводить ошибки интермодального и интрамодального выравнивания и совмещения в результате движения пациента, сердцебиения, дыхания, артериальной дилатации и т.д. Для каротидной визуализации предпочтительно берется множество срезов изображения, например, 12-20, параллельно на каждое сканирование, что занимает 3-4 мин в обычных современных коммерческих МР-приборах. Для мультимодальных изображений требуются дополнительные сканирования. Поэтому весь процесс может занимать (в настоящее время) 3-20 мин или больше в обычных МР-приборах для каротидной визуализации. В то время как синхронизация с циклом сердцебиения или дыхания не приносит большой пользы при каротидной визуализации, увеличение времени снятия томограммы (например, которое может потребоваться для томографии с использованием множества модальностей) может повысить вероятность того, что пациент пошевелится во время процедуры сканирования. При визуализации коронарной артерии, чтобы учесть движение бьющегося сердца, синхронизация может быть основана на ЭКГ для сбора исходных магнитно-резонансных данных, хотя это часто существенно замедляет процесс для каждой модальности, и нередко требуется около 10 мин на каждую модальность.
При использовании нескольких модальностей вероятнее всего может потребоваться интермодальное совмещение или выравнивание. Достаточное совмещение можно обеспечить с помощью прямого выравнивания центроидов просвета. Однако благодаря высокой контрастности крови во всех МРмодальностях является вполне тривиальным создание детектора просвета для центрирования изобра
- 8 009382 жений на важной опорной точке, или ориентире. Обнаружение просвета позволяет локализировать макроскопическую границу просвета, которую можно затем использовать в качестве первоначальной опорной точки для совмещения изображений. ХУообх с1 а1. (1998), 1оигиа1 οί СотрШег Аб8181еб Тотодгарйу, νοί. 22: 139-152. Хотя удовлетворительное выравнивание можно обеспечить путем линейного перемещения и поворота жесткого тела (см. фиг. 3), возможно также применение других более сложных методов, в которых учитывается деформация ткани, например, в результате изменений артериального давления. См., например, Ийа^аи, А. (2003), Меб1са1 1таде Апа1уб1б, ΙΕΕΕ Ргебб 8епеб ίη Вютебка1 Епщпееппд.
Понятно, что в методах с применением более тонкого выравнивания, например выравнивания по пикселям, предпочтительно используется метрика, с помощью которой можно количественно определить качество совмещения. Такие метрики могут быть простыми, например нормированной взаимной корреляцией, или более сложными, такими как максимизация взаимной информации. Ую1а апб ^Уе11к (1995), Айдптеп! Ьу МахпшхаЬоп οί Ми1иа1 Шогтабоп, 1п1егпа1юпа1 СопТегепсе оп Сотри1ег νίδίοη; ^е11б, е1 а1. (1996), Меб 1таде Апа1., то1.1(1):35-51. Важно отметить, что при выравнивании изображений или наборов данных, разработанных с использованием различных модальностей визуализации, контрольное изображение и подлежащее выравниванию изображение часто отображают различные характеристики. Критерии максимизации выравнивания, как таковые, могут не проявляться настолько четко, как пик, как ожидалась бы, если бы два изображения или набора данных были собраны с помощью одной и той же модальности.
Для вертикального совмещения просвет анализируемого сосуда предпочтительно используется для выравнивания срезов из различных модальностей вблизи общей анатомической опорной точки, компьютерной имитации (например, центроида просвета) или другого ориентира. Тогда можно будет легко выровнять последующие срезы относительно этой общей точки. Например, удобной опорной точкой при каротидной визуализации является бифуркация сонной артерии. И действительно, в анализе, описанном в следующих примерах, бифуркация сонной артерии использовалась в качестве осевой опорной точки. Интервалы между срезами в различных модальностях могут также потребовать применения алгоритмов линейной интерполяции.
ν. Обработка изображений.
В предпочтительных вариантах пригодные для обработки данные (т.е. данные, сконфигурированные для обработки компьютером) пропускаются через алгоритмы обработки изображения, чтобы удалить шум, а также синтезировать текстурные признаки и другие представляющие интерес переменные. При этом для оценки любой произвольной нелинейной дискриминантной функции можно использовать модели непараметрической регрессии (например, нейронные сети или радиальные базисные функции). См. СуЬепко. С. (1989), МаЛетабса1 Сопб. 8фпа1 & 8уб1етб, νο1. 2: 303-314; Ногшк, е1 а1. (1989), №ига1 №1теогкб, νο1. 2: 359-366; 1апд апб 8ип (1993), ΙΕΕΕ Тгапз. №ига1 №Логкб, νο1. 4: 156-159. На практике полезно вводить в набор переменных любые известные зависимости, чтобы упростить проблему оптимизации. Обычные методы включают в себя линеаризацию переменных и преобразование или объединение переменных для захвата нелинейных зависимостей и т. п. Например, при построении модели дискриминации сейсмических сигналов эффективность чрезвычайно возрастает, если сначала преобразовать временные последовательности в частотную область. ОоМа, е1 а1. (1990), Ви11. Зебто. 8ос. Атег., νο1. 80(5): 1346-1373. При этом общей целью обработки изображений является создание преобразований введенного изображения. Типы используемых операций обработки изображений можно приблизительно разделить на несколько классов (не взаимоисключающих) в зависимости от их математической цели: уменьшения шума, уменьшения размера, обнаружения текстуры или признака, и производных переменных (часто назначаемых на основании знаний специалиста, хотя их можно определять с помощью математических/статистических методов). Ниже будут описаны примеры переменных и преобразований, демонстрирующие повышение эффективности системы классификации бляшек согласно настоящему изобретению, однако, для реализации настоящего изобретения можно также адаптировать и другие известные методы обработки изображений.
νί. Классификация ткани.
После обработки изображения (160) преобразованные данные подаются в статистические классификаторы для классификации каждого пикселя в изображении как принадлежащего к одной из нескольких тканей, включая компоненты сосудистой бляшки. Маркировка изображений - это прямой процесс выполнения математической функции на каждом пикселе в изображении. Один принцип разработки прогнозирующих моделей описан ниже в примере 2. Детальный пример построения прогнозирующих моделей для классификации бляшек из МР-томограмм будет описан в следующем примере 3.
νίί. Сегментация ткани.
Сегментация изображения выполняется на выходе классификатора ткани, чтобы выделить представляющие интерес ткани, степень стеноза и т.п., а также удалить нерелевантные признаки. Во многих случаях различие между компонентами бляшки и непатологическими тканями невозможно вне анатомического контекста. Например, твердая бляшка является, по существу, рубцовой тканью и состоит в основном из коллагена, как и артериальная фасция. Коллаген за пределами артериальной стенки является структурным и, безусловно, непатологическим.
- 9 009382
Аналогично, отложения липидов или кальция за пределами сосуда не имеют клинического значения в контексте обнаружения и анализа бляшек внутри кровеносных сосудов. Для этого процесса можно использовать любой подходящий принцип. В предпочтительном варианте можно использовать знания в данной области, так как некоторые переменные теряют чувствительность в зависимости от радиального расстояния от границ просвета. В другом предпочтительном варианте отличные результаты можно получить с помощью двухступенчатого подхода, при котором предсказания типа ткани пропускаются через второй модуль - модуль обработки макроскопической структуры. По существу, выход прогнозирующих моделей подается в алгоритмы обработки изображений (например, контроль потока градиента и активных контуров (Нап, е! а1. (2003), ΙΕΕΕ Тгапк. Вютеб. Еид., νοί. 50(6):705-710)), чтобы определить границы артериальной мышцы. Затем можно удалить из анализа все пиксели, находящиеся за пределами этой границы, как компоненты бляшки или других тканей в артериальной стенке, ограничивающей внутреннюю часть кровеносного сосуда. Подход с использованием алгоритма активных контуров или алгоритма змеек (Хи, Р. (1997), СтаФеп! Уес1от Е1оте: А №те Ех1етиа1 Еотее Гог 8пакек, ΙΕΕΕ СопГегепсе оп Сотри1ег У1киа1 Райетп РесощШюп: Хи, Р. (1997), 8пакек 8йарек апб Стаб1еп1 Уес1от Е1оте, ΙΕΕΕ Тгапкасбопк оп 1таде Ртосекктд) проиллюстрирован на данных ех νί\Ό на фиг. 12.
Можно также адаптировать другие известные специалистам алгоритмы сегментации для использования в контексте изобретения. Например, сегментацию ткани можно осуществлять с помощью методов на основе правил. Результаты, показанные на фиг. 11 и 12, были получены с использованием такого подхода. Такие методы можно также использовать в связи с методами обнаружения границ, в которых применяется поиск путей минимальной стоимости (ВЫюр. С. (1995), №ига1 №1геогкк апб 81айкйса1 Райетп РесощШюп. ОхГогб ишуеткйу Ргекк). В процессе, использованном для получения результатов, показанных на фиг. 11, был использован метод на основе правил для преобразования изображений сосудов, центрированных на просвете, в радиальную систему координат, которая линеаризует признаки, являющиеся по сути радиальными.
νίίί. Трехмерная реконструкция.
После того как все срезы МР-томограммы были маркированы, можно при необходимости построить полную трехмерную модель артерии и бляшки. Для этой цели можно использовать алгоритмы, которые обнаруживают макроскопическую структуру (например, просвет и внешнюю артериальную стенку) непосредственно из данных в формате Э1СОМ, полученных из коммерческого МР-прибора (например, МР-прибора, выпускаемого компанией Сепета1 Ε^ΐτκ). В примере 4 описан репрезентативный пример того, как можно строить такие модели.
1х. Диагностика поражения.
Диагностику поражения, включая общий размер и степень стеноза, содержание липидов, размер и объем бляшки, тромб, кальциноз и т.п., можно оценить из трехмерных реконструкций кровеносного сосуда (вокселей). Конечно, можно использовать модальности визуализации, которые избирательно обнаруживают компонент бляшки (например, липид), для создания полезных моделей из меньшего объема данных, при этом может потребоваться меньшее число модальностей визуализации (например, Т1, Т2, РЭУ, ТОЕ и т.д. в контексте МР-анализа) для создания моделей, в которых можно обнаружить и анализировать сосудистую бляшку (например, классифицировать ее в смысле уязвимости для разрыва и т.п.).
х. Выходные данные.
Выходные данные этой системы можно представить в стандартных форматах, а также в заказных форматах, содержащих такую информацию, которая может потребоваться для пересмотра полученных результатов. В некоторых вариантах выходные данные могут состоять из исходных данных, данных, маркированных прогнозирующими моделями, трехмерной модели и диагностического заключения, включая факторы риска и рекомендованное лечение, если это указано. Предпочтительно, чтобы выход предоставлялся непосредственно в систему, особенно в системах, основанных на АР1 модели. В контексте А8Р модели компьютерная система, выполняющая анализ, передает выходной файл автоматически или после приема соответствующей команды по указанному адресу. Таким адресом может быть адрес электронной почты лечащего врача, радиолога и/или специалиста, обследуемого пациента, медицинского центра визуализации, из которого были переданы исходные данные пациента, и т. п.
х1. Обобщение и стандартизация.
Понятно, что автоматизированный характер предложенных способов позволяет разработать стандартизированные процедуры, форматы и т.п. для анализа данных. Применение способов и систем согласно настоящему изобретению также позволяет исключить субъективный, а значит изменчивый характер существующего сейчас анализа видеоданных специалистами.
хп. Прочие вопросы.
Как раскрыто в данном описании, МРТ можно использовать для идентификации морфологических признаков бляшек, таких как размер бляшки и толщина фиброзного покрова, с высокой степенью чувствительности и специфичности. Кроме того, МРТ позволяет различать компоненты бляшек (например, фиброзный покров, кальциноз, содержание липидов, кровоизлияние и т.п.), характеристики уязвимых и стабильных бляшек во всех основных артериях: сонных, коронарных и аорте. Для минимизации артефактов движения разработаны более совершенные протоколы визуализации. УойЫеу, е! а1. (2001), 1п!'1 1.
- 10 009382
Сагй1оуа8си1аг 1тадшд, νοί. 17:195-201; Κοπνίπ. с1 а1. (2002), Мадпейс Кек. Ιη Меб., νοί. 47: 1211-1217.
Преимущество МРТ состоит в том, что структуры можно визуализировать с использованием нескольких различных модальностей. Т1-, Т2-, ΡΌ- и ТОЕ-взвешенные изображения (Т1V. Τ2\ν. ΡΩ\ν и ΤΘΕ\ν соответственно) одной и той же анатомической ткани могут быть совершенно разными в зависимости от химических компонентов и структуры ткани. Например, с помощью Т2-взвешенных изображений можно различать кальциноз, фиброзную ткань и внутрибляшечное кровоизлияние. Кальций очень гипоинтенсивный в изображениях, взвешенных по плотности протонов (ΡΌν-взвешенных), в то время как гладкая мышца может быть хорошо охарактеризована с относительно коротким Т. Изображения, взвешенные по времени пролета (ТОЕ-взвешенные) дают хорошую дискриминацию внутрибляшечного кровоизлияния и богатых липидами, некротических ядер. Для улучшения обнаружения реваскуляризации, другого индикатора уязвимости бляшки, можно использовать контрастные вещества. Кроме того, в анализе согласно настоящему изобретению можно также использовать другие вещества, такие как меченые антитела, везикулы, содержащие целевые средства, специфические для компонента бляшки, чтобы улучшить или дополнить данные, собранные в медицинской системе визуализации.
Авторами было определено, что в настоящее время для обнаружения и анализа бляшек предложенными автоматизированными методами на основании МРТ предпочтительно использовать данные, полученные из двух, трех или четырех различных режимов визуализации (например, Т1, Т2, ΡΩ\ν и ТОЕ) или их производных (например, отношений Т1/Т2), чтобы отличать компоненты бляшек от другой ткани кровеносного сосуда, хотя одномодальный или другой мультимодальный анализ также подпадает под объем изобретения. Интеграция информации, полученной из множества сопоставлений, будет способствовать получению еще более оперативных, точных и воспроизводимых оценок присутствия бляшки, ее расположения и состава. Такой анализ можно затем использовать для уменьшения количества модальностей, необходимых для измерения и классификации бляшки, и это возможно приведет к созданию РЧ последовательностей с более высокой дискриминационной способностью. Аналогично, использование режимов сбора данных, специфических для конкретных компонентов сосудистой бляшки, уменьшит время сбора исходных данных, а также позволит усовершенствовать приборы визуализации и их рабочие программы и т.д.
2. Применения.
Острый тромбоз на почве нарушенных/эродированных атеросклеротических поражений человека играет критическую роль в начале развития острых коронарных синдромов и атеросклероза. Патологические данные ясно показывают, что именно состав бляшки, а не степень стеноза, влияет на уязвимость бляшки и тромбогенность. Понятно, что предложенные способы и системы можно применять для автоматического анализа изображений, основанного на распознавании образов, для обнаружения, измерения и классификации атеросклеротических бляшек ίη νίνο, а также общего бремени бляшек и соответствующих мер. В предпочтительных вариантах трехмерные изображения получают с помощью МРТ. Автоматизация позволяет анализировать данные быстро и объективно (независимо от наблюдателя). Такие методы могут иметь различные применения, включая, например, обнаружение и, при желании, анализ сосудистой бляшки. Этот анализ может включать в себя, например, количественное определение объема бляшки, определение положения бляшки и/или оценку состава бляшки. Кроме того, анализ сосудистой бляшки может быть сфокусирован на одной или более областей сосудистой системы, находящихся внутри и/или ведущих к одному или нескольким органам или областям (например, к мозгу, сердцу, почке и т.п.) у пациентов, у которых установлено или не установлено сердечно-сосудистое заболевание (эта информация может быть полезной для выбора лечения, включая хирургическое вмешательство и медикаментозное лечение), для оценки общего бремени бляшек (например, в контексте скрининга пациентов, тактики лечения и т. п.) и для оценки риска и стратификации. Эти методы можно также использовать в качестве стандартных объективных диагностических и прогностических мер, что позволяет сравнивать результаты различных лабораторий в продолжительных исследованиях и т.п., чтобы оценить заменяющие конечные точки в клинических испытаниях лекарств и других видов лечения, а также в различных приборах для визуализации. В клинических условиях эти методы также позволят существенно уменьшить затраты на диагностику, связанные с измерением степени стеноза и обнаружением склонных к тромбозу бляшек, и снизить риск и бремя для пациентов, которые в противном случае должны были бы подвергаться более инвазивным диагностическим методам, и в то же время эти методы дают намного более полезную информацию, чем существующие методы.
А. Сердечно-сосудистые заболевания.
Таким образом, один контекст применения изобретения касается сердечно-сосудистых заболеваний. Известно, что сердечно-сосудистые заболевания являются одной из основных причин смертности как у мужчин, так и у женщин. Около трети всего населения развитых стран умирает от сердечнососудистых заболеваний и еще гораздо больше страдает от осложнений, связанных с сердечнососудистыми заболеваниями, и сопутствующим им ухудшением качества жизни. Только в США более 15 миллиардов долларов тратится ежегодно на услуги визуализации сердца и бляшек. Недавние исследования показали, что разрывы уязвимых, нестабильных бляшек являются причиной инсультов и сердечных приступов. Важно отметить, что около 70% бляшек, разрывы которых приводят к сердечному приступу,
- 11 009382 возникают в тех областях сосудистой системы, где есть маленькая бляшка. Однако в настоящее время не существует объективного и оперативного метода, позволяющего провести различие между уязвимой нестабильной бляшкой, которая склонна к разрыву и возникновению тромбоза, который может привести к сердечному приступу или инсульту, и стабильной бляшкой. Настоящее изобретения решает эту важную потребность посредством создания неинвазивных, объективных и оперативных способов обнаружения и анализа бляшек по всей сосудистой системе, особенно в сосудистой системе мозга, шеи и сердца.
1. Дооперационная диагностика поражений и скрининг пациентов.
Все современные нормативы Американской кардиологической ассоциации основаны на степени стеноза и состоянии симптомов без учета состава бляшек. Ясно, что более точная дооперационная диагностика (например, состав бляшки, например, кальциноз, содержание липидов, тромбоз, толщина фиброзного покрова и т.п.) существенно улучшила бы дооперационную оценку риска, позволив медикам более надежно оценивать относительный риск хирургического вмешательства по сравнению с медикаментозным вмешательством.
ίί. Лечение.
Многие превентивные меры и курсы лечения сердечно-сосудистых и цереброваскулярных заболеваний назначаются пациентам на основании оценки сердечно-сосудистого заболевания (ССЗ) или цереброваскулярного риска. В целях настоящего описания ССЗ будет обсуждаться в качестве репрезентативного примера атеросклероза, к которому, в основном, относится настоящее изобретение. Так нормативы Объединенного национального комитета по гипертензии и нормативы Комитета лечения взрослого населения/Национального комитета образования по холестеролу определяют пригодность к лечению на основании ожидаемого риска ССЗ, т.е. они определяют пороговые проценты для лечения, или уровни артериального давления или холестерола, при которых следует начинать лечение, на основании оценок риска ССЗ. Кроме того, они определяют цели лечения по ожидаемому риску ССЗ, т.е. агрессивности заболевания или уровням артериального давления или холестерола, до достижения которых необходимо проводить лечение.
Эти нормативы теоретически оправданы, так как у людей с более высоким риском ССЗ существует больше риска, который следует снизить: одно и то же частичное снижение риска дает большее абсолютное снижение риска у людей, которые имеют более высокий основной риск ССЗ, а большее снижение риска ССЗ дает более высокую экономическую эффективность лечения (меньшему числу людей потребуется лечение для предотвращения ССЗ или смерти), и тем больше вероятность того, что польза (абсолютная) от лечения превзойдет причиненный им вред.
В современных принципах оценки риска ССЗ (по которой прогнозируются пороговые уровни и цели лечения) не используется информация, относящаяся к уязвимым бляшкам. Так как уязвимая бляшка является ключевым детерминантом риска ССЗ (если не самым важным), и так как настоящее изобретение позволяет обнаружить и анализировать уязвимую бляшку объективным, автоматизированным и доступным методом, можно значительно повысить точность прогнозов риска ССЗ (прогнозов риска, нацеленных на различные конечные органы), что позволит заметно улучшить определение целей лечения.
Улучшение прогнозов риска ССЗ (и стратификации риска) на основании эффективной оценки, например, уязвимых бляшек, общего бремени бляшек и т. п., может иметь важные экономические и жизнесохраняющие последствия. Улучшение определения цели лечения людей, реально находящихся в группе риска, позволит сохранить жизнь ценой меньших расходов и сэкономить средства для такого же сохранения жизни.
Обнаружение бляшек и определение их характеристик также позволит принимать лучшие решения в отношении тех, кому требуется медицинское вмешательство, и относительно того, какое медицинское вмешательство будет оптимальным для конкретного пациента. Сюда может входить назначение лекарственных препаратов (дорогостоящих) для снижения уровня холестерола (например, аторвастатина, симвастатина, правастатина, ловастатина, розувастатина и флувастатина), на которые сейчас приходится самая большая доля расходов среди всех назначаемых лекарств в мире (их годовой рынок составляет 20 миллиардов долларов США), и применение которых по прогнозам значительно возрастет по мере старения населения. В более общем смысле, обнаружение и анализ бляшек может также существенно улучшить принятие решений по курсам лечения, направленным на снижение риска сердечно-сосудистых заболеваний посредством любого набора механизмов, включая, помимо прочих, препараты, снижающие артериальное давление (например, тиазидные диуретики, такие как гидрохлортиазид; бета-блокираторы, такие как атенолол; ингибиторы конвертирующего ангиотенсин фермента, такие как фозиноприл; блокираторы рецептора ангиотенсина, такие как ирбесартан; блокираторы кальциевых каналов, такие как нифедипин (дилтиазем и верапамил); альфа-блокираторы, такие как празоцин (теразоцин); и вазодиляторы, такие как гидралазин; препараты, стабилизирующие бляшки (что можно достичь с помощью некоторых статинов), уменьшающие уровень липидов (что можно достичь с помощью статинов, производных фибриновой кислоты, таких как гемфиброзил или фенофибрат; ниацина или вариантов типа ниаспана; усилителей секреции желчной кислоты, таких как колестипол или холестирамин; или блокираторов абсорбции холестирола, таких как эзетимиб); препараты, уменьшающие воспаления и/или антитромбоцитарные (например, аспирин, клопидогрел и т. п.) или антитромботические препараты (например, активатор плазминоге
- 12 009382 на или стрептокиназа)). Конечно, в зависимости от конкретного пациента и условий лечения может быть желательным объединить одну или более из перечисленных терапий, самостоятельно или в комбинации с другими вмешательствами.
Улучшение определения целей хирургического вмешательства для тех людей, у которых имеется максимальный риск, может быть еще более важным, так как потенциальные расходы на хирургическое вмешательство и связанный с ним риск должны нести только те лица, для которых реальный риск данной проблемы превышает риск, обусловленный хирургическим вмешательством. Оценка уязвимых бляшек может значительно улучшить определение, действительно ли пациент имеет такой высокий уровень риска.
ϊϊΐ. Разработка лекарственных препаратов.
Для контролирования эффективности понижающих содержание холестерола лекарственных препаратов исследователи используют ручную оценку неинвазивных видеоданных пациента в продолжительных исследованиях. Однако ручное исследование слишком дорогой способ для общей клинической диагностики. Что же касается автоматизированных способов и систем согласно настоящему изобретению, то их можно использовать для оперативной выработки статистически надежных оценок состава бляшек (например, кальциноза, содержания липидов, тромбоза, толщины фиброзного покрова и т.д.), общего бремени бляшек, бремени уязвимых бляшек, отношения уязвимых бляшек к стабильным, или отложений липидов, которые могут использоваться в качестве заменителей клинических последствий (например, разрыва, инсульта, ИМ), что существенно уменьшает время и стоимость исследований. Другим важным преимуществом, которое обеспечивает настоящее изобретение, является существенное уменьшение количества пациентов и продолжительности последующего наблюдения, необходимого для демонстрации эффективности сердечно-сосудистых и цереброваскулярных лекарственных препаратов, включая те, которые проходят клинические испытания. Например, учитывая существенную клиническую эффективность применения статинов, может быть неэтичным проводить новые испытания, которые включают в себя плацебо. Следовательно, для демонстрации существенного преимущества относительно современных сердечно-сосудистых препаратов испытания могут потребовать, по меньшей мере, всего нескольких тысяч пациентов и последующего наблюдения в течение 3-5 лет.
ίν. Улучшение диагностики.
Другое применение предложенных способов и систем касается обеспечения более эффективных средств диагностики и прогнозирования для пациентов и врачей. В этом отношении обнаружение бляшек и аналитические данные и результаты, полученные при использовании изобретения, можно объединить с данными из других источников, чтобы получить еще более совершенные диагностические результаты и услуги. Например, для формирования карт оценки риска сердечно-сосудистых заболеваний (ССЗ) широко используется база данных кардиологических исследований Фремингема. Эта база данных была создана в результате контролирования 5209 пациентов в течение времени, и на ее основании были получены прогностические переменные, включающие возраст, пол, меры холестерола и гипертензии, демографические факторы, лекарства, состояние диабета, потребление алкоголя, курение, историю кардиологических проявлений (например, инфаркта миокарда (ИМ), стенокардии, тахикардии и брадикардии), реваскуляризацию, процедуры коронарного шунтирования, инсульт, уровни аналитов в крови (например, креатинина, протеина), классификацию личности (например, тип А) и количество возникающих факторов риска, включающих уровни С-реактивного протеина, молекул адгезии УСАМ, 1САМ, и другого в крови. Оцениваемые последствия включали в себя летальный исход (по специфической причине) и сердечно-сосудистые проявления, такие как ИМ, инсульт и внезапная смерть.
База данных Фремингема не содержит МР-томограмм, однако, МР-томограммы пациентов ίη νίνο из самых последних продолжительных испытаний статиновых препаратов содержат как МРтомограммы, так и соответствующие истории болезни пациентов и факторы риска (например, артериальное давление, уровни холестерола и т.п.). Например, исследовательская группа в Маунт-Синае собирала МР-томограммы с интервалами шесть месяцев в течение двух лет (νοοάδ с1.а1. (1998), 1оитпа1 Θί Сотри1ет А88181еб ТотодгарБу, νο1.22:139-152). Объединив результаты, полученные при использовании предложенных способов, с одной или более точками данных, коррелированных с ССЗ, можно реализовать еще более совершенные диагностические процедуры.
В. Инсульт.
Лучшее знание состава атеросклеротических поражений также позволит более точно стратифицировать риск возникновения инсульта у пациентов и облегчит выбор соответствующей терапии. Приблизительно 25% инсультов связано с окклюзией внутренней цервикальной сонной артерии. Варианты лечения включают в себя антитромбоцитарную терапию, эндартерэктомию, имплантаты и ангиопластику. Из этих методов лечения каротидная эндартерэктомия (проактивное хирургическое удаление) является предпочтительным вариантом лечения развитых каротидных поражений, и в США ежегодно проводится более 120000 таких операций. Несколько больших клинических исследований, включая Североамериканские исследования симптоматических каротидных эндартерэктомий (ИА8СЕТ), исследования асимптоматического каротидного атеросклероза (АСА8) и исследования европейской группы по каротидной хирургии (ЕС8Т), показали, что эта процедура существенно снижает риск инсульта при определенных
- 13 009382 ограничениях. Для симптоматических пациентов со стенозом 70% оценка общего уменьшения двухгодичного риска инсульта составила 17%. Хирургия также повышает периоперационный риск: у хирургических пациентов смертность возрастает от 0,3 до 0,6%, случаи инсульта возрастают от 3,3 до 5,5% и цереброваскулярные осложнения возрастают от 3,3% до 5,5%. Для асимптоматических пациентов со стенозом выше 60% совокупный риск инсульта и периоперационного инсульта или смерти оценивается как 5,1% для хирургических пациентов по сравнению с 11% для тех, кого лечили медикаментозно. Более того, факты свидетельствуют, что в оценках отрицательных результатов, полученных в этих исследованиях, недооценивается вероятность отрицательного результата в реальных условиях, что еще больше повышает важность идентификации тех лиц, для кого вероятна действительная польза.
Применение предложенных способов позволит лучше оценивать пациентов, а значит реализовать соответствующую терапию. Так же, как и для сердечно-сосудистых заболеваний, скрининг позволит диагностировать пациентов гораздо раньше в процессе развития заболевания, а это позволит осуществить более раннее терапевтическое вмешательство и значительно снизить развитие риска со временем.
3. Компьютерные реализации.
Различные методики, способы и аспекты предложенного изобретения можно реализовать частично или полностью с использованием компьютерных систем и способов. Кроме того, можно использовать компьютерные системы и способы для совершенствования или расширения описанных выше функций, повышения скорости выполнения этих функций и обеспечения дополнительных признаков и аспектов как части или дополнительно к признакам и аспектам настоящего изобретения, описанным в настоящем документе. Далее будут описаны различные компьютерные системы, способы и реализации, соответствующие описанной выше технологии.
Различные варианты, аспекты и признаки изобретения, описанные выше, можно реализовать с помощью аппаратных, программных средств или их комбинации, используя вычислительную систему, имеющую один или более процессоров. Фактически, в одном варианте эти элементы реализуются с использованием процессорной системы, способной исполнять описанные функции. Примерная процессорная система может включать в себя один или несколько процессоров. Каждый процессор подключен к коммуникационной шине. Различные варианты программного обеспечения будут описаны в связи с этим примером компьютерной системы. Варианты, признаки и функции изобретения в данном описании не зависят от конкретной вычислительной системы, или от архитектуры процессора, или от конкретной операционной системы. Фактически, на основании данного описания специалисту будет понятно, как реализовать настоящее изобретение, используя другие компьютерные или процессорные системы и/или архитектуры.
Процессорная система обычно содержит основную память, предпочтительно оперативное запоминающее устройство (ОЗУ), а также одно или несколько вторичных запоминающих устройств, включающих в себя накопители на дисках, накопители на магнитной ленте, съемные накопители (например, подключаемые или съемные запоминающие устройства и накопители для магнитной ленты, приводы для СЭ-ΚΟΜ, ΌνΌ, флоппи-дисков, оптических дисков и т.п.). В альтернативных вариантах вторичные запоминающие устройства включают в себя прочие запоминающие устройства, позволяющие вызывать или загружать в вычислительную систему компьютерные программы или другие команды.
Вычислительная система согласно настоящему изобретению может также включать в себя коммуникационный интерфейс (предпочтительно совместимый с телекоммуникационной сетью), чтобы позволить передавать программы и данные в вычислительную систему или между вычислительной системой и одним или несколькими внешними устройствами. Примерами коммуникационных интерфейсов являются модемы, сетевой интерфейс (например, карта Е1йегие1), коммуникационный порт, слот и карта РСМС1А и т.п.
Программы и данные, передаваемые через коммуникационный интерфейс, будут иметь форму сигналов, которые могут быть электронными, электромагнитными, оптическими или другими сигналами, которые может принимать данный коммуникационный интерфейс. Эти сигналы обычно передаются в коммуникационный интерфейс по каналу, который несет сигналы и который можно реализовать с помощью беспроводной среды, провода, кабеля, оптоволоконной или другой коммуникационной среды. Некоторые примеры такого канала включают в себя телефонную линию, линию сотовой телефонной связи, РЧ канал, сетевой интерфейс и другие коммуникационные каналы.
В настоящем документе термины компьютерный программный продукт и т.п. относятся, в общем, к таким средствам, как съемное устройство хранения данных, диск, пригодный для установки в дисководе, и сигналы в канале связи. Эти компьютерные программные продукты передают программное обеспечение или программные команды в процессор(ы). Компьютерные программы (также называемые компьютерной управляющей логикой) обычно хранятся в основной памяти и/или вторичной памяти. Компьютерные программы можно также принимать через коммуникационный интерфейс. Компьютерные программы при их исполнении позволяют компьютерной системе реализовывать признаки настоящего изобретения. В частности, компьютерные программы при их исполнении позволяют процессору(ам) реализовывать признаки настоящего изобретения. Соответственно, компьютерные программы представляют контроллеры вычислительной системы.
- 14 009382
В тех вариантах реализации изобретения, где применяется программное обеспечение, это программное обеспечение может храниться в компьютерном программном продукте или передаваться через него и загружаться в вычислительную систему с помощью любого подходящего устройства или коммуникационного интерфейса. Управляющая логика (программа) при исполнении процессором(ами) побуждает процессор выполнять описанные в данном документе функции изобретения. В другом варианте предложенные способы реализуются, в основном, в аппаратных средствах или в комбинации аппаратных и программных средств, с использованием, например, таких аппаратных элементов, как РЛЬ, интегральные схемы прикладной ориентации (Л81С) или другие аппаратные компоненты. Для специалистов также будет очевидным применение аппаратного конечного автомата для выполнения описанных здесь функций.
Примеры
Описанные ниже примеры представлены для иллюстрации некоторых аспектов настоящего изобретения, чтобы помочь специалистам в его реализации. Эти примеры ни в коей мере не следует считать ограничивающими изобретение.
Пример 1. Обработка изображения.
В данном примере будет описано несколько конкретных предпочтительных методов обработки видеоданных в контексте настоящего изобретения, включая уменьшение шума, уменьшение размера и обработку текстуры.
A. Уменьшение шума.
Сложные мультиконтрастные изображения подвергались обработке в целях уменьшения шума и введения сглаживания. В каждом случае изображение сначала подвергали медианной фильтрации для удаления шума с импульсными характеристиками, а затем сглаживанию адаптивным фильтром Винера, который осуществляет подгонку к статистике в окружающем соседстве Ν пикселя. Среднее значение и дисперсию оценивали из интенсивностей а в положениях пикселя п1, п2 μ = (1 / а(пн л2) ; σ2 = (1 / а2(п1Гп2) - μ1
Затем эти оценки использовались для назначения параметра Ь для фильтра Винера (<т2 + ν2) ,
Дл1Г η2) = μ + --------(а^ + л2) - μ ) σ
Выполняли двухмерную свертку на каждой плоскости интенсивности изображения с приведенными выше коэффициентами Ь.
B. Уменьшение размера.
Из-за большого количества точек данных и переменных, подлежащих обработке, в целях минимизации эффектов шума предпочтительно уменьшить размерность набора данных, чтобы получить меньшее количество переменных, однако, имеющих при этом более высокое статистическое значение. Кластерный анализ представляет собой всего лишь один из множества методов, применяемых для уменьшения шума и размерности исходных данных, сформированных прибором визуализации, для получения наиболее ярко выраженных признаков. Кластеризация методом К-средних является одним из примеров алгоритма кластеризации. В этом алгоритме формируется К классов, члены которых находятся в положениях (признак-пространство), наименее удаленных от оцениваемого центроида каждого класса. В этом подходе первоначальная оценка выполняется на центроидах кластеров, а затем эти центроиды переоцениваются в соответствии с обновленным членством классов.
В основе алгоритма кластеризации методом К-средних лежат следующие операции:
ί) выбор некоторого количества кластеров к с первоначальными центроидами;
ίί) разделение точек данных на к кластеров путем приписки каждой точки данных к ближайшему к ней центроиду кластера;
ϊϊΐ) вычисление матрицы приписок кластеров и ίν) оценка центроидов каждого кластера.
Операции ίί-ίν повторяются до тех пор, пока не будут достигнуты критерии остановки, обычно, когда члены перестанут изменять членство в кластерах. См. ВЫюр (1995), №ига1 №1\\'огкк апб 81айкйса1 РаИсгп Весодшйоп, ОхГогй ипкегкйу Ргекк. Примерные результаты кластерного анализа представлены на фиг. 7. Из фигуры видно, что некоторые кластеры имеют высокую корреляцию с конкретными типами ткани. Кластеризация текстуры дала вполне визуально удовлетворительные результаты, однако, статистически они не так хороши, как прогнозирующая модель. Поэтому категории кластеров по К-средним были использованы в качестве вводов в прогнозирующие модели. Можно также использовать другие известные инструменты для уменьшения размерности, включая такие принципы, в которых сочетается теоретическая возможность подгонки к нелинейной кривой, свойственная обычной искусственной нейронной сети (ИНС), со стабильностью иерархических методов (Ва1ек АЫ1е, ЬЬС кой^аге, КЭМ8ТМ). В результате эти программы оценки открыты только для тех вводов, о которых известно, что они имеют некоторую собственную прогностическую способность, и которые могут также воплощать ряд наиболее полезных основных нелинейных эффектов в модели. Эти шаги позволяют сфокусировать обучающую
- 15 009382 стадию ИНС на проблеме с меньшей размерностью и с меньшей нелинейностью в параметрах, чем это бы потребовалось в противном случае. Другие методы включают в себя анализ принципиальных компонентов, анализ независимых компонентов (Ве11 апб §е)ио№к1 (1995), №ига1 Сотри1а1юи, νοί. (7)6:11291159), а также локальные информационные метрики (Натайск, В. (1979), Ргос. ΙΕΕΕ, νο1. 67(5)).
С. Меры текстуры.
Компоненты ткани и бляшки можно визуально различать по их текстуре. Например, мышцы и коллагеновые ткани часто выглядят полосатыми, а некротические ядра - пятнистыми. Формальных математических определений текстуры не существует, однако, эти признаки имеют математические корреляты, такие как содержание информации, пространственные частоты и т.п. В обычно используемой классификации различается 28 мер текстуры. В данном случае было использовано два класса мер текстуры: статистика локальных изменений интенсивности и пространственной частоты. Использовавшиеся статистические меры пикселей были стандартными статистическими величинами, которые применялись к соседствам различного размера. Для формирования оценки пространственной спектральной энергии для ориентации х и у применялось дискретное косинусное преобразование (ДКП). Например, область пикселей, содержащая множество мелких деталей, имеет большую долю энергии в более высоких пространственных частотах. Выражение для двухмерного ДКП
Ό. Производные переменные.
Производные переменные синтезируются из основных записей, которые предположительно имеют прогностические свойства. Две переменные, подпадающие под эту категорию, включают в себя произведения и отношения исходных переменных и других комбинаций трех типов данных. Было обнаружено, что следующие три типа производных переменных имеют высокую дискриминационную способность: (ί) детектор жира, определяемый как отношение Т1/Т2, который полезен при обнаружении липидов; (ίί) поворот оси: УСЬСт. В этом формате информация освещенности сохраняется как один компонент (Υ), а информация цветности сохраняется как два цветоразностных компонента (СЬ, Сг). СЬ представляет разность между синим компонентом и некоторым эталонным значением. Сг представляет разность между красным компонентом и некоторым эталонным значением. Третий тип (ш) - это локальная переменная среды, основанная на геометрическом расстоянии от границы просвета. Примеры других потенциально ценных признаков изображения приведены в следующей табл. 1.
Таблица 1
Примеры переменных и преобразований для обработки изображения
| Класс | Преобразование |
| Текстурные меры | Среднее, дисперсия, асимметрия, медиана, межквартильный размах, минимум, максимум, стандартное отклонение, диапазон, эксцесс, локальное информационное содержание |
| Текстурные меры | Дискретное косинусное преобразование, волновое преобразование, ориентация |
| Производные переменные | Отношения (например, Т1/Т2), расстояние от просвета, расстояние от артериальной стенки |
| Производные переменные | Поворот цветовой оси от Ρ.ΘΒ к УСЬСг |
| Уменьшение размера | Кластеризация методом К-средних, анализ принципиальных компонентов, анализ независимых компонентов |
Пример 2. Разработка прогнозирующей модели.
Модель - это математическое или статистическое представление данных или системы, используемое для объяснения или прогнозирования поведения в новых условиях. Модели могут быть механистическими (которые обычно используются в физико-технических науках) и эмпирическими/статистическими (в которых моделированные прогнозы не направлены на объяснение основных причинно-следственных связей). Статистическое моделирование имеет два соответствующих применения разработка статистических классификаторов и прогнозирующих моделей. Статистические классификаторы предназначены для различия классов объектов на основании набора наблюдений. В прогнозирующих моделях делается попытка прогнозировать результат или предсказать будущее значение из текущих наблюдений или ряда наблюдений. В настоящем изобретении применяются оба типа моделей: статистические классификаторы применяются для классификации компонентов ткани и бляшек, а прогнозирую
- 16 009382 щие модели применяются для прогнозирования рисков, связанных, например, с сердечно-сосудистым заболеванием (ССЗ).
Процесс разработки модели зависит от конкретного применения, однако, некоторые основные процедуры, схематически проиллюстрированные на фиг. 4, являются общими для типичной работы по разработке модели. Сначала необходимо создать набор данных для моделирования, включающий в себя последовательность наблюдений (образов) и известных последствий, значений или классов, соответствующих каждому наблюдению (так называемых маркированных или целевых значений). На фиг. 4 этот этап обозначен как создание набора данных 410. Этот набор данных моделирования используется для построения (или обучения) прогнозирующей модели. Затем эта модель используется для классификации новых (или немаркированных) образов. Разработка модели часто является итеративным процессом создания и выбора переменных, обучения модели и оценки, как будет описано ниже.
А. Создание набора данных.
Первым этапом процесса построения модели обычно является сбор всех доступных фактов, измерений или иных наблюдений, которые могут быть релевантными для рассматриваемой проблемы, в набор данных. Каждая запись в наборе данных соответствует всей имеющейся информации по данному событию. Для построения прогнозирующей модели необходимо установить целевые значения, по меньшей мере, для некоторых записей в наборе данных. В математических терминах целевые значения определяют зависимые переменные. В примерном применении для прогноза риска ССЗ цели можно установить, используя клинические последствия, замеченные в долгосрочных клинических наблюдениях. В контексте обнаружения и анализа бляшек (например, классификации) эти цели соответствуют, например, изображениям, которые маркированы специалистом или подтверждены гистологическим исследованием. На фиг. 5 показан процесс маркировки данных, использованный в одном таком применении. В этом примере каждая пара образ/цель обычно называется образец, или обучающий пример, которые используются для обучения, тестирования или подтверждения модели. Понятно, что состав образца образа зависит от цели моделирования.
1. Разделение данных.
Как показано на фиг. 4, реализация моделей обычно включает в себя разделение данных (этап 420). В большинстве работ по созданию моделей требуется два, а предпочтительно по меньшей мере три подмассива данных: набор данных для разработки (данных, используемых для построения/обучения модели) 427, набор данных для тестирования (данных, используемых для оценки и выбора отдельных переменных, предварительных моделей и т.д.) 425 и набора данных для подтверждения (данных для оценки окончательной эффективности) 429. С этой целью исходные данные произвольно делятся на три набора данных, которые не обязательно имеют одинаковый размер. Например, данные можно разделить следующим образом: 50% для разработки (427), 25% для тестирования (425) и 25% для подтверждения (429). Сначала разрабатывается модель с использованием данных для разработки (427). Полученный результат проверяется на данных для тестирования (425), чтобы контролировать такие проблемы, как излишняя подгонка (также известная как переобучение), т.е. модель должна продемонстрировать сопоставимую эффективность как на данных для разработки (427), так и на данных для тестирования (425). Если модель проявляет более высокую эффективность на данных для разработки (427), чем на данных для тестирования (425), то ее корректируют до тех пор, пока модель не достигнет стабильной эффективности.
Чтобы удостовериться, что модель работает на любом независимом наборе данных, как ожидается, идеально отложить некоторую часть данных исключительно для окончательного подтверждения модели. Набор данных 429 для подтверждения (или отложенный) состоит из набора примерных образов, которые не были использованы для обучения модели. Тогда можно будет использовать законченную модель для вычисления этих неизвестных образов, чтобы оценить, как она будет работать при вычислении новых образов.
Кроме того, в некоторых применениях может потребоваться дополнительный, внеочередной набор данных для подтверждения, чтобы проверить стабильность работы модели со временем. Часто бывает необходимо дополнительное разделение данных для более сложных методов моделирования, таких как нейронные сети или генетические алгоритмы. Например, некоторые методы моделирования требуют набора данных для оптимизации, чтобы контролировать процесс оптимизации модели.
Следующий аспект моделирования связан с созданием/преобразованием переменных, как показано на этапе 430 на фиг. 4. Целью этой обработки является точность и введение знаний, существующих в данной области. Значения исходных данных не обязательно являются лучшими переменными для модели по многим причинам, например, из-за ошибок ввода данных, нечисловых значений, отсутствующих значений и посторонних значений. Прежде чем запускать в работу логику моделирования, часто требуется воссоздать или преобразовать переменные, чтобы лучше использовать собранную информацию. Чтобы исключить зависимость между данными для разработки, тестирования и подтверждения, всю логику преобразования предпочтительно извлекать только из данных для разработки.
В связи с требуемым и/или необходимым преобразованием переменных процесс моделирования включает в себя этап 440 выбора переменных. После этого разработка модели может включать в себя
- 17 009382 обучение модели 450 в совокупности с тестированием модели. Далее может следовать подтверждение модели.
Результаты подтверждения модели 460 показывают, достигнута ли целевая эффективность 470. Как показано на фиг. 4, если целевая эффективность достигнута, то процесс моделирования завершается на этапе 480. Если же целевая эффективность не была достигнута, то может потребоваться дополнительная разработка модели. Соответственно, процесс на фиг. 4 может возвратиться к этапу 430, чтобы изменить создание или преобразование переменных для достижения лучшей эффективности.
Пример 3. Классификация бляшки.
В этом примере описывается предпочтительный вариант изобретения для обнаружения и классификации бляшек с использованием статистических классификаторов. Сначала работа была направлена на построение системы с использованием набора моделей для обнаружения трех ключевых компонентов атеросклеротической бляшки на магниторезонансных (МР) томограммах кровеносных сосудов ех νίνο. Система также обнаружила ткань артериальной мышцы, что позволило при объединении с системой обнаружения бляшек и липидов идентифицировать на изображении всю артерию и вычислить оценки бремени бляшки. Эта система полностью автоматизирована, и в данном примере единственное вмешательство человека в процесс обнаружения и анализ имело место во время сбора исходных магниторезонансных данных из МР-прибора. С помощью этой системы при классификации компонентов бляшки был достигнут успех, равный или превосходящий эффективность работы специалиста-радиолога.
В данном примере прогнозирующие модели были обучены идентифицировать три типа ткани: бляшки, липиды и мышцы. Детектор бляшек обучали с помощью маркировки образцовых изображений, которые идентифицировали твердые бляшки. Детектор липидов обучали на меньшем наборе изображений, на которых можно было идентифицировать и маркировать липиды. Детектор мышц использовали для отделения ткани артериальной стенки от других частей сосуда, показанного на изображениях. Можно разработать дополнительные модели для обнаружения кальцифицированной ткани, тромба и других непатологических тканей. Правильная идентификация артериальных стенок позволяет вычислить оценки бремени бляшек в сосуде на основании выводов других моделей.
Целью прогнозирующего моделирования является точное предсказание истинных классификаций для каждого пикселя на изображении на основании характеристик МР-томограммы для данного пикселя и его непосредственного окружения.
Прогнозирующее моделирование начинается после того, как завершены операции обработки изображения, и исходные изображения преобразованы в колоночные данные, представляющие каждый пиксель как запись. Каждая запись пикселя содержит одну переменную, идентифицирующую истинную классификацию для каждого пикселя, и более четырех сотен дополнительных переменных, охватывающих характеристики, полученные на этапах обработки изображения. Проблема прогнозирующего моделирования в том, чтобы просеять эти сотни потенциальных переменных, выполнить тысячи переборов переменных и прийти к самой прогностической комбинации.
В предпочтительном варианте используется принцип моделирования на основе искусственной нейронной сети (ИНС), известной как процессорная сеть с релевантным вводом (ΚΙΡ№ΐ™; Ва1е5 \У1и1е. ЬЬС, 8аи И1едо, СА; Регех-Лтага1 апб \У1Ше (2003), ОхГогб Ви11е11пд оГ Есопотюк апб 81абШс5, νοί. 65:821838), однако, можно также использовать известные специалистам стандартные линейные и нелинейные регрессивные методы (такие как линейная и логистическая регрессия, деревья решений, непараметрическая регрессия (например, с использованием нейронных сетей или радиальных базисных функций), сетевое моделирование Бейеса, дискриминантный анализ Фишера, системы с нечеткой логикой и т.п.). К1Р№ΐ™ была разработана специально для решения проблемы, как идентифицировать сетевую архитектуру с множеством потенциальных переменных, избежав при этом излишней подгонки. Типичная проблема, связанная с оценкой на основе нейронной сети, состоит в том, что функциональная форма, воплощенная в этих моделях, по существу, является слишком гибкой. Стандартные принципы ИНС определяют такой уровень гибкости модели, при котором, если осуществлять автоматическую оценку (если только не включен также автоматический процесс тестирования или взаимного подтверждения), то в итоге будет учитываться не только сигнал в данных, но и шум. Это приводит к излишней подгонке, т. е. к ситуации, в которой модель не обеспечивает удовлетворительного обобщения информации, не содержащейся в обучающих данных. Широкое распространение получили такие процедуры, как правила оптимальной остановки, в качестве метода остановки процедуры обучения сети (по существу, это алгоритм подбора методом наименьших квадратов) в точке перед началом подгонки шума. Эти процедуры имеют дело с симптомом, но не с причиной излишней подгонки модели. Излишняя подгонка в ИНС обусловлена, по существу, избыточной сложностью спецификации модели, что прямо аналогично проблемам излишней подгонки, которые могут встречаться в линейных моделях. Если излишняя подгонка имеет место в линейной модели, то одним из решений является не изменение программы подбора методов наименьших квадратов, а упрощение спецификации модели путем отброса переменных. Другим решением является использование набора данных с взаимным подтверждением для указания, когда следует остановить подгонку.
- 18 009382
ΚΙΡΝβΐ воплощает в себе фундаментально иной подход к оценке на основе нейронных сетей, нацеленной непосредственно на идентификацию уровня сложности модели, что гарантирует оптимальную эффективность прогноза вне выборки без внесения специальных изменений в сами алгоритмы подгонки. Существует пять основных процедур создания моделей с использованием принципа ΚΙΡΝβΐ, которые будут более подробно обсуждаться в следующих разделах: (1) создание набора данных, маркировка и выборка; (2) обнаружение аномальных данных; (3) предварительный выбор переменных и создание преобразований; (4) оценка прогнозирующей модели и выбор переменных; и (5) окончательное подтверждение модели.
1. Создание набора данных.
Модели были разработаны на базе совокупностей наборов данных МР-томограмм для прогнозирования присутствия каждого из нескольких основных признаков ткани на попиксельной основе. Десять маркированных изображений дали 112481 пригодных к использованию наблюдений ткани (т.е. пикселей). Эти результаты демонстрируют масштабируемый подход к обнаружению признаков, который не основан на специфике геометрии сосуда или на разрешении изображения, для получения клинически релевантных надежных результатов.
Видеоданные, использованные для обучения модели и оценки, состояли из десяти артериальных сечений ех νίνο, которые представляли все поперечные сечения артериальных изображений, доступных для данного проекта. Маркировку компонентов бляшки, мышцы и липида для каждой артерии выполняли путем прямого сравнения с гистологией. Все изученные изображения содержали важные примеры твердой бляшки, которая была маркирована для оценки. На большинстве изображений была ясно идентифицирована и маркирована мышца, но на некоторых изображениях, например на изображении низкого качества на фиг. 10, одна из артерий представляет гистологическую проблему. Только три изображения содержат примеры липида, причем самый большой пример представлен на изображении на фиг. 5.
Данные, полученные из этих изображений, были в форме пикселей, которые обрабатывались как отдельные точки данных. Целевая переменная для процесса моделирования является переменной индикатора, который равен единице, если данный пиксель принадлежит целевому классу, и нулю в противном случае. Этот индикатор основан на маркировке изображения. С каждым пикселем в МР-томограмме связано три переменных, показывающих интенсивность на модальностях Т1, Т2 и ΡΌ. Динамический диапазон этих интенсивностей составляет от 0 до 255 и принимает только целые значения (8-битная глубина цвета). Эти данные подвергались интенсивной обработке для создания большого количества дополнительных переменных, суммирующих такие факторы, как средняя интенсивность в соседстве каждого пикселя, и другие более сложные преобразования, такие как меры локальных текстур.
Так как образцы помещались на слайды, которые не дают полезной МР-информации, большое количество пикселей отбрасывалось, поскольку они не содержали релевантных данных. В данном случае эти пиксели идентифицировались, как пиксели, у которых переменные индикатора Т1, Т2 и ΡΌ были одновременно равны нулю. Эта процедура была консервативной и допускала некоторое количество пикселей со случайным шумом в наборе данных, хотя это не влияло на эффективность алгоритмов. Таким образом, было отброшено около 50% каждого исходного изображения.
Для максимизации результатов в процедуре ΚΙΡ№ΐ предпочтительно данные разделяются на множество стадий в процессе моделирования, чтобы осуществлять систематическое тестирование реальной эффективности. По этой причине некоторые изображения были полностью зарезервированы для проверки эффективности. Для моделирования были использованы следующие наборы данных: обучающие, которые использовались для оценки параметров модели; подтверждающие, которые использовались для перекрестной проверки результатов моделирования на достоверность, чтобы проверить эффективность выбранных переменных на основании мер энтропии вне выборки и мер псевдо Я-квадратов; проверочные, которые изредка использовались для сравнения относительной эффективности альтернативных спецификаций модели, этот набор данных был разработан и использован в алгоритме проверки реальностью добытчика данных (Эа1а Мтег'8 Неа111у СНеск™ (\У1Ше. Н. (2000), Есопоте1пса, νοί. 68:1097-1126; патенты США № 5893069 и № 6088676)), потому что набор подтверждающих данных был тщательно изучен; и отложенные данные (три изображения и более 45000 наблюдений), которые полностью удерживались за пределами процессов оценки и подтверждения, чтобы предоставить модели реальные примеры. Все записи выбирались в соответствующих выборках произвольно.
ίί. Обнаружение аномальных данных.
Алгоритм обнаружения аномальных данных был разработан для идентификации посторонних значений в данных. В данном случае детектор аномалий был реализован в форме алгоритма кластеризации, который позволяет идентифицировать многомерные посторонние значения в данных. Аномалия определялась как запись, удаленная (согласно измерению Ы-нормой) от к соседей.
Эти данные выделялись между выборкой цель=0 и выборкой цель=1, так что аномалии можно было идентифицировать относительно этих отдельных групп. В данном примере было выбрано к=10. Эта процедура обычно необходима для идентификации записей, которые могут иметь необычное влияние на оценочные программы модели. Однако если исходные видеоданные из прибора визуализации относительно чистые, как в случае большинства МР-данных, то никаких больших посторонних значений может
- 19 009382 и не быть идентифицировано.
В следующей табл. 1а показаны содержания нескольких аномальных переменных.
Таблица 1а
Содержание аномальных переменных
| Бляшка | Липид | Мышца |
| РО средн, радиус 3 пикселя Т2 средн. радиус 3 пикселя Т2 медиан, радиус 3 пикселя Т1 средн, радиус 5 пикселей к-средние переменные | Т1 мин. радиус 3 пикселя Т2 мин. радиус 3 пикселя Т1 мин. радиус 4 пикселя Т1 мин. радиус 5 пикселей Т2 мин. радиус 5 пиксели | Т2 мин. радиус 3 пикселя Т1 мин. радиус 5 пикселей Т2 средн, радиус 5 пикселей Т2 мин. радиус 5 пикселей к-средние переменные |
Данный механизм обнаружения аномальных данных также создавал аномальную переменную. Эта аномальная переменная преобразовывала две меры расстояния для каждого наблюдения (относительно выборок цель=0 и цель=1) в статистику отношения правдоподобия. Эта статистика вводит относительные расстояния до целевых выборок в преобразование входных переменных, что является мощным предиктором в некоторых случаях. Как показано в представленной выше табл. 1а, аномальная переменная для каждой модели содержит до пяти непрерывных входных переменных.
ϊϊΐ. Предварительный выбор переменных и создание преобразований.
Затем выполнялась дополнительная стадия создания преобразований переменных и предварительного удаления непрогностических переменных, чтобы уменьшить размеры наборов данных. Преобразования, созданные на этой стадии, включали в себя следующие преобразования для всех переменных на входном наборе данных: групповые преобразования, которые представляют собой одномерные непрерывные переменные, сгруппированные в децильные бины, которые затем объединялись с помощью алгоритма кластеризации, чтобы получить минимальное количество бинов без существенного снижения прогностической способности; векторные произведения, которые представляют собой одномерные непрерывные и дискретные переменные, взаимодействующие друг с другом и сгруппированные в организованные в виде бинов, категорийные переменные с использованием упомянутого выше алгоритма кластеризации; и бета-преобразования, которые представляют собой гибкую функциональную форму, основанную на подгонке функций бета-распределения к данным и вычислению отношений правдоподобия.
Все переменные, созданные до этого момента, тестировались на эффективность на целевой переменной с использованием статистики псевдо В-квадратов вне выборки. Прямое вычисление энтропии сравнивалось с распределениями независимых переменных при данном состоянии зависимой переменной, что затем суммировалось в статистике псевдо В-квадратов для подтверждающей выборки. Эта статистика псевдо В-квадратов не была ограничена между нулем и единицей в малых выборках (потому что данная область не является точно такой же, как в оценочном примере). Десять наиболее прогностических переменных группового преобразования и десять наиболее прогностических переменных векторных произведений сохранялись в группе данных и передавались в оценочную программу модели. Сохранялось только пять высших прогностических переменных бета-преобразования. Переменные, которые имели низкую или отрицательную одномерную или двухмерную статистику псевдо В-квадратов, также постоянно выбрасывались из набора потенциальных подходящих переменных. Эти преобразования переменных показаны в следующей табл. 2.
- 20 009382
Таблица 2
Преобразования переменных
| Групповые преобразования | Векторные произведения | Бета- преобразования |
| Аномалия к-средние Т2 средн, рад. 3 пике. Т2 мед. рад. 3 пике. Рб предв. обр. 3 ПИКС. Т1 средн, рад. 5 ПИКС . Т1 мед. рад. 5 пике. Т2 мед. рад. 5 пике. Желтое пространство РР предв. обр. 5 ПИКС . | к-средние * аномалия Т2 средн. рад.З пике, х аномалия Рб 3 предв. обр пике х аномалия Т2 мед. рад. 3 пике. х аномалия Т2 средн, рад. 3 пике, χ к-средние Т2 мед. рад. 3 пике, х к-средние Рб предв. обр. 3 пике, х к-средние Рб предв. обр. 3 ПИКС, х Т2средн. рад. 3 пике. Т2 мед. рад. 3 пике. х Т2 средн, рад. 3 ПИКС . Рб предв. обр. 3 пике. х Т2 мед. рад. 3 пике. | Аномалия к-средние Т2 средн. рад. 3 пике. Т2 мед. рад. 3 пике, ρά предв. обр. 3 пике. |
ίν. Оценка модели и выбор переменных.
Как в большинстве примеров распознавания образов имелось гораздо больше потенциально возможных переменных для включения, чем можно было позволить на практике в прогнозирующей модели, что выдвигало ряд существенных рисков. Один риск заключался в том, что потенциально полезные возможные переменные просто не замечались из-за слишком большого количества переменных для оценки. Другой риск состоял в том, что если использовать систематическую программу оценки и включения переменных, то она может привести к излишней подгонке. И, наконец, многие возможные переменные, вероятно, являются избыточными, что может вызывать проблемы в оценочных программах. Например, среднее значение в модальности Т1 бралось из соседства в интервале от радиуса 3 пикселя до радиуса 9 пикселей, и все переменные были включены как возможные переменные.
В процедуре К1Р№1™, использованной в данном примере, перечисленные риски решаются посредством объединения возможности теоретической подгонки к нелинейной кривой, свойственной обычной ИНС, со стабильностью иерархических методов. Этот поиск по нелинейным комбинациям и преобразованиям входных переменных можно затем использовать в стандартной модели логит-преобразования по максимальному правдоподобию. К1Р№1™ содержит алгоритмы для создания переменных (сетевых узлов), тестирования переменных и оценки модели.
Типичная сеть с прямой связью с одним скрытым уровнем, содержащая два входа и один выход, может иметь следующую архитектуру, где £(.) и д(.) - так называемые функции сплющивания (δ-образные). Эти функции сплющивания обеспечивают силу ИНС, потому что они проявляют несколько различных поведений в зависимости от установок параметров β и γ. Примеры таких установок включают в себя обратную, логарифмическую, экспоненциальную и пороговую функции.
Стратегия моделирования К1Р№1™ начинается с функциональной формы такого типа
Υ=9 (ух£ (Х1Вц+х2В12) +У2^ (Х1В21+Х2В22) ) богатство и нелинейность которой вытекает из функций ί](χ1,χ2). Одним из основных вкладов алгоритма К1Р№1 является высокопроизводительный метод создания моделированных сетевых узлов £1(χ1,χ2). Несмотря на внешнюю простоту, эту форму модели можно использовать для того, чтобы максимально приблизиться к эффективности традиционных ИНС.
Следующим этапом этого процесса является выбор узла в классе относительно удобных для обработки моделей. Как и на этапах предварительной фильтрации переменных, выбор узла был основан на использовании подтверждающей выборки для проверки эффективности вне выборки. Возможные узлы вводились в модель по порядку их подтвержденной прогностической эффективности в прогнозирующей модели. Избыточность в процедуре выбора решалась двумя способами. Сначала при вводе дополнительных узлов в модель их ортогонализировали, чтобы удалить избыточные компоненты. Тестировалось
- 21 009382 множество порогов, чтобы идентифицировать оптимальный уровень ортогональности узла.
Затем выбирался такой порог избыточности, при котором можно было вводить только узлы, менее 5% дисперсии которых объяснялось другими узлами в модели.
ν. Подтверждение модели.
Этап окончательного подтверждения модели использовался для того, чтобы гарантировать, что какая бы модель не была выбрана в качестве конечной модели, она будет лучше, чем более простая контрольная модель или другие возможные модели. Снова использовалась проверка добытчика данных реальностью (ΌαΙα Мтег'8 Кеа1йу СНсек™ (ЭМВС) для тестирования моделей таким образом. В этом методе использовались прогнозы вне выборки и начальные распределения для формирования действительных р-значений для гипотезы, что тестируемая модель имеет такую же эффективность, как контрольная модель. Низкие р-значения показали, что тестируемая модель имеет значительно более высокую эффективность.
νί. Результаты.
Описанные выше прогнозирующие модели имели гораздо более высокую прогностическую эффективность, чем ведущие методы, используемые в настоящее время. На фиг. 9 показаны итоги эффективности описанных выше моделей. В табл. 1 показана эффективность моделей К1Р№1 на основании двух различных статистических мер: статистики максимумов по методу Холмогорова-Смирнова и коэффициента Джини, каждый из которых измеряет аспекты кривой КОС (регионарных рабочих параметров). Модели, основанные на принципе К-средних, использовались в качестве основы для сравнения. Эти результаты демонстрируют, что модели К1РЫе1 всегда имели эффективность, превосходящую на 25-30% в абсолютных терминах эффективность метода К-средних. Этот результат можно представить как превосходящий на 50% показатель истинных позитивов при данном уровне ложных позитивов. Кривые КОС, по которым получены эти результаты, показаны на фиг. 9.
Кроме статистических мер эффективности данный вывод также подтверждают совокупные результаты модели, которые показаны в виде изображения на фиг. 8. На фиг. 8 для каждого изображения на левой панели представлена маркированная истина, а на правой панели - смоделированные прогнозы для того же изображения. На этой фигуре мышца выглядит розовой на маркированных изображениях и красной на смоделированных результатах. Липиды выглядят белыми на маркированных изображениях и голубыми на смоделированных результатах, а бляшка выглядит желтой на обоих изображениях. Каждому пикселю присваивается категория в зависимости от того, какая модель выработала максимальное правдоподобие для данного пикселя. Пиксели с правдоподобием ниже 30% для всех смоделированных прогнозов кодировались как пустые.
Изображение на фиг. 8А, разработанное с помощью прогнозирующей модели, дает ясный пример возможностей предложенных прогнозирующих моделей. В частности, имеет место высокая степень соответствия между пикселями, маркированными как бляшка на первоначальном истинном маркированном изображении, и бляшкой, маркированной с помощью вычислительных моделей. Аналогично, также была хорошо идентифицирована мышца. Изображение на фиг. 8В демонстрирует способность предложенных моделей обнаруживать не только твердые сосудистые бляшки, но также и бляшки, имеющие липидные компоненты. Области мышцы не были однородно идентифицированы, однако это имеет место точно в тех областях, где первоначальное изображение закрыто артефактами, и мышечная стенка тонкая. Интересно отметить, что имеет место несколько ложных позитивов, вытекающих из модели мышцы вдоль областей фиброзного покрова, закрывающего липидное ядро, показанное на этом изображении.
В этот анализ было включено около 400 переменных, из которых были сформированы тысячи сетевых узлов. Для каждой модели из них было выбрано 140 узлов. Обычно это считается большим количеством, но для большого числа наблюдений в наборах данных. В представленной ниже табл. 3 проиллюстрированы несколько высших узлов, выбранных для каждой модели. Анализ этих узлов демонстрирует преимущества, получаемые при использовании автоматизированного метода, по сравнению с другими принципами. Например, модель бляшки содержит в основном переменные Т1 и РЭ. и почти для всех включенных переменных была выбрана мера соседства 7 пикселей из всех прочих имеющихся мер. Эти виды выбора было бы практически невозможно воспроизвести без приложения огромных усилий. Аналогично, многие комбинации переменных не являются очевидными для глаза человека. Например, верхний узел липидной модели представляет собой линейную комбинацию максимума для соседства четырех пикселей для Т2, дискретное косинусное преобразование РО и аномальную переменную, т.е. комбинации, для которых в настоящее время нет ясного объяснения. Несомненно, что ни один из обычных эвристических методов не смог бы их обнаружить.
- 22 009382
Таблица 3
Высшие релевантные вводы
| Модель бляшки | ||
| Ранг | Тип | Описание |
| 1 | Узел | К-средние |
| 2 | Узел | Т1 средн, рад. 7 пике. |
| 3 | Узел | Р0 мед. рад. 7 пике. |
| 4 | Узел | Т1 мин. рад. 3 пике. |
| 5 | Узел | Т1 мин. рад. 7 пике. |
| 6 | Узел | РР ОСТ рад. 7 пике. |
| Модель мышцы | ||
| Ранг | Тип | Описание |
| 1 | Узел | Аномалия |
| 2 | Узел | Аномалия Т2 вар. рад. 4 пике. |
| 3 | Узел | Аномалия Ρϋ асимм. рад. 3 пике. |
| 4 | Скрытый элемент | Т1 предв. обр. рад. 3 пике. Т2 предв. обр. рад. 5 пике. Сг Ρϋ ЭСТ рад. 7 пике. Аномальная переменная |
| Модель липида | |||
| Ранг | Тип | Описание | |
| 1 | Скрытый элемент | Т2 макс. рад. Ρϋ ОСТ рад. 5 Аномалия | 4 пике, ПИКС . |
| 2 | Скрытый элемент | Т1 сред. рад. 3 пике. РО макс. рад. 3 пике. Желтый-СМУК преобразование РО ОСТ рад. 5 пике. Аномальная переменная |
| 3 | Скрытый | Т2 размах рад. 3 пике. |
| элемент | Рб - дисперсия рад.4 пике. РО ЮК рад.5 пике. Ρϋ ЭСТ рад.6 пике. | |
| Аномалия |
Важно также отметить высоко нелинейный характер этих моделей. Тот факт, что аномальная переменная возникает как одна из наиболее прогностических переменных, вносит вклад в недооценку этого факта. Скрытые элементы, групповые преобразования, бета-преобразования и т. п. являются нелинейными преобразованиями вводов, которые представляются в этих моделях переменными высшего ранга.
Чтобы избежать излишней подгонки были предприняты меры предосторожности. Тестирование выполнялось на нескольких изображениях, которые были полностью изъяты из процесса моделирования. Как показано на фиг. 10, эти модели достаточно хорошо проявили себя при отделении мышцы от бляшки. Модель мышцы вычертила общий контур артериальной стенки и хорошо идентифицировала маркированные области бляшки. Так как это изображение представляло проблему для маркировки специалистами-радиологами, в первую очередь, данная проверка оказалась, несомненно, успешной.
Пример 4. Трехмерные модели кровеносного сосуда.
В этом примере описан предпочтительный способ построения трехмерных моделей кровеносных сосудов, которые визуализировались с помощью медицинского прибора визуализации. В частности, на фиг. 13 показана трехмерная визуализация сонной артерии в области бифуркации. На фигуре внутренняя артериальная стенка (1920) представляет границу просвета. Бляшка (1910) находится между внутренней поверхностью артериальной стенки и внешней поверхностью артерии (не показана). Эта модель была построена на основании одиннадцати МР-срезов ткани ίη νίνο с использованием только модальности Т1. Для создания модели были использованы следующие операции преобразования изображений срезов ткани. Сначала данные каждого среза пропускались через фильтр нижних частот (например, адаптивный фильтр Винера).
Положение центра просвета для каждого среза оценивалось на основании положения центроида просвета из предыдущего среза. После центрирования на оценочном положении просвета каждое изо
- 23 009382 бражение обрезалось. Затем выполнялся линейный поиск пороговых интенсивностей, чтобы обнаружить области просвета, близкие к оценочному центроиду. После подтверждения того, что просвет имеет необходимые морфологические признаки, включая площадь и эксцентричность, снова оценивалось положение центроида просвета. Затем выполнялась сегментация ткани для идентификации липидных признаков вблизи центроида просвета.
Понятно, что описанный процесс немного модифицировался в зависимости от того, находился ли срез ниже или выше бифуркации сонной артерии. Когда алгоритм отслеживал два просвета (т.е. на срезах выше бифуркации сонной артерии), использовалось геометрическое среднее для центроидов двух просветов. Затем результирующие срезы снова центрировались, чтобы компенсировать несовпадение осей. Можно также добавить другую информацию о ткани, включая информацию о мышце, адвентиции и компонентах бляшки, таких как липид, кровоизлияние, фиброзная бляшка и кальций. Полученные модели позволят осуществлять визуализацию и автоматическое количественное определение размера, объема и состава бляшки.
Все описанные выше и заявленные способы, системы и изделия можно выполнить и осуществить на основании настоящего описания без излишнего экспериментирования. Хотя предложенные способы, системы и компьютерные программные продукты были описаны как предпочтительные варианты и факультативные признаки, специалистам будет понятно, что в эти описанные способы и их операции или последовательности операций можно внести модификации и изменения, не выходя за рамки объема притязаний изобретения. В частности, можно адаптировать различные алгоритмы, программы и данные для автоматизированного обнаружения и анализа сосудистой бляшки. Все такие эквивалентные или подобные адаптации, усовершенствования, модификации и замены, очевидные для специалистов, подпадают под объем изобретения, охарактеризованный в прилагаемой формуле изобретения.
Изобретение было описано в широком и обобщенном виде. Каждый из более узких видов и более конкретных группировок, подпадающих под общее раскрытие, также составляет часть изобретения. Это включает в себя общее описание изобретения с оговоркой или отрицательным ограничением, исключающим любой объект из рода, независимо от того, был ли исключенный материал специально упомянут в описании.
Проиллюстрированное изобретение можно реализовать в отсутствии любого элемента(ов), который не был специально упомянут как существенный. Использованные термины и выражения служат только в целях описания и не являются ограничительными, и использование этих терминов и выражений не содержит намерения исключить какие-либо уже существующие или разработанные в будущем признаки или их части, а признается, что возможны различные модификации в рамках объема заявленного изобретения. Термины содержащий, включающий в себя, состоящий из и т.п. следует толковать в широком смысле и без ограничения. Следует отметить, что в данном описании и прилагаемой формуле изобретения признаки, выраженные в единственном числе, также включают в свой объем множественную форму, если только контекст не содержит ясного указания на иное.
Все упомянутые в описании патенты, заявки на патент и публикации раскрывают уровень техники, к которому относится изобретение. Все такие патенты, заявки на патент и публикации включены в данное описание в качестве ссылки в полном объеме для всех целей и в той мере, в которой каждый отдельный патент, заявка на патент и публикация были конкретно и отдельно указаны в качестве ссылки.
Claims (40)
1. Автоматизированный способ оценки степени атеросклероза по меньшей мере в части сосудистой системы пациента, заключающийся в том, что осуществляют вычислительную обработку пригодных для обработки данных по меньшей мере из одного поперечного сечения по меньшей мере одного кровеносного сосуда сосудистой системы пациента, полученных из медицинской системы визуализации, чтобы определить, содержит ли данный кровеносный сосуд по меньшей мере одну ткань, коррелированную с присутствием бляшки, и, тем самым, оценить степень атеросклероза по меньшей мере в части сосудистой системы пациента.
2. Автоматизированный способ определения, содержит ли кровеносный сосуд сосудистой системы пациента бляшку, заключающийся в том, что осуществляют вычислительную обработку пригодных для обработки данных по меньшей мере из одного поперечного сечения кровеносного сосуда сосудистой системы пациента, полученных из медицинской системы визуализации, чтобы определить, содержит ли данный кровеносный сосуд по меньшей мере одну ткань, коррелированную с присутствием бляшки, причем в этом случае признают, что кровеносный сосуд содержит бляшку.
3. Автоматизированный способ по п.2, в котором медицинская система визуализации является неинвазивной системой визуализации.
4. Автоматизированный способ по п.3, в котором неинвазивная система визуализации содержит один или несколько приборов, выбранных из группы, состоящей из прибора для магнитно-резонансной томографии (МРТ), прибора для компьютерной томографии (КТ), прибора для позитрон-эмиссионной томографии (ПЭТ), прибора для термографии или ультразвукового прибора, предназначенных для выра
- 24 009382 ботки исходных видеоданных, из которых получают пригодные для обработки данные.
5. Автоматизированный способ по п.2, в котором медицинская система визуализации содержит прибор для МРТ, предназначенный для формирования исходных магнитно-резонансных данных, из которых получают пригодные для обработки магнитно-резонансные данные.
6. Автоматизированный способ по п.5, в котором используют множество различных серий последовательностей радиочастотных импульсов, причем каждая из различных серий последовательностей радиочастотных импульсов позволяет формировать исходные магнитно-резонансные данные для подгруппы различных тканей, которые могут присутствовать в кровеносном сосуде.
7. Автоматизированный способ по п.6, в котором по меньшей мере одна из различных серий последовательностей радиочастотных импульсов обеспечивает формирование исходных магнитнорезонансных данных, выбранных из группы, состоящей из данных, взвешенных по времени релаксации Т1 (Т1-взвешенных данных), Т2-взвешенных данных, взвешенных по времени релаксации Т2 (Т2взвешенных данных), данных, взвешенных по плотности протонов (ΡΌν-взвешенных данных), и данных, взвешенных по времени пролета (ТОЕ-взвешенных данных).
8. Автоматизированный способ по п.2, в котором кровеносный сосуд является частью сосудистой системы, подающей кровь к органу, выбранному из группы, состоящей из мозга и сердца.
9. Автоматизированный способ по п.2, в котором кровеносный сосуд выбран из группы, состоящей из сонной артерии и коронарной артерии.
10. Автоматизированный способ по п.2, в котором пациентом является человек.
11. Автоматизированный способ по п.2, в котором пригодные для обработки данные формируют посредством предварительной обработки исходных данных, сформированных медицинской системой визуализации.
12. Автоматизированный способ по п.11, в котором дополнительно нормируют пригодные для обработки данных перед вычислительной обработкой пригодных для обработки данных.
13. Автоматизированный способ по п.1, в котором пригодные для обработки данные подвергают вычислительной обработке, чтобы определить, содержит ли данный кровеносный сосуд в области поперечного сечения артерию или бляшку.
14. Автоматизированный способ по п.13, в котором определение типа ткани осуществляют посредством сравнения компьютером различных типов тканей, идентифицированных в данных, с множеством статистических классификаторов.
15. Автоматизированный способ по п.14, в котором статистические классификаторы создают с использованием известных результирующих данных посредством процесса, выбранного из группы, состоящей из логистической регрессии, деревьев решений, непараметрической регрессии, дискриминантного анализа Фишера, сетевого моделирования Бейеса и системы с нечеткой логикой.
16. Автоматизированный способ по п.15, в котором по меньшей мере один из множества хранимых элементов классификатора тканей определен посредством процесса, выбранного из группы, состоящей из послеоперационного гистологического исследования, прямого изучения ткани или маркировки одним или более специалистами.
17. Автоматизированный способ по п.14, в котором пригодные для обработки данные подвергают вычислительной обработке, чтобы определить, содержит ли данный кровеносный сосуд в области поперечного сечения по меньшей мере еще одну ткань, выбранную из группы, состоящей из адвентиции, отложения кальция, отложения холестерина, фиброзной бляшки и тромба.
18. Автоматизированный способ по п.17, в котором определение типов тканей осуществляют посредством сравнения компьютером различных типов тканей, идентифицированных в данных, с множеством статистических классификаторов.
19. Автоматизированный способ по п.6, в котором осуществляют вычислительное совмещение компонентов, содержащих пригодные для обработки магнитно-резонансные данные.
20. Автоматизированный способ по п.19, в котором совмещение осуществляют посредством выравнивания компонентов, содержащих пригодные для обработки магнитно-резонансные данные, относительно представления, являющегося ориентиром, выбранным из группы, состоящей из центроида просвета сосуда и точки разветвления сосуда.
21. Автоматизированный способ по п.20, в котором ориентир выбирают из группы, состоящей из физического ориентира и вычислительного ориентира.
22. Автоматизированный способ по п.2, в котором осуществляют вычислительную обработку пригодных для обработки данных, полученных из множества удаленных друг от друга поперечных сечений кровеносного сосуда.
23. Автоматизированный способ по п.22, в котором дополнительно осуществляют вычислительную визуализацию трехмерной модели кровеносного сосуда по меньшей мере в части области, ограниченной наиболее удаленными поперечными сечениями кровеносного сосуда.
24. Автоматизированный способ по п.2, в котором дополнительно создают выходной файл, содержащий данные, полученные в результате вычислительной обработки.
25. Автоматизированный способ по п.24, в котором выходной файл содержит визуализированную
- 25 009382 вычислительным методом трехмерную модель кровеносного сосуда по меньшей мере в части области, ограниченной наиболее удаленными поперечными сечениями кровеносного сосуда.
26. Автоматизированный способ по п.23, в котором дополнительно осуществляют вычислительное определение объема бляшки, присутствующей в трехмерной модели кровеносного сосуда.
27. Автоматизированный способ по п.23, в котором дополнительно осуществляют вычислительное определение состава бляшки, присутствующей в трехмерной модели кровеносного сосуда.
28. Автоматизированный способ по п.27, в котором дополнительно осуществляют вычислительное различение, является ли данная бляшка уязвимой бляшкой или стабильной бляшкой.
29. Автоматизированный способ оценки эффективности курса лечения, заключающийся в том, что:
a) определяют объем бляшки у пациента с помощью автоматизированного способа по п.26;
b) назначают пациенту курс лечения, включающий в себя прием лекарственного препарата, предназначенного для стабилизации или уменьшения бремени бляшки у пациента в процессе курса лечения; и
c) определяют во время и/или в конце курса лечения, стабилизировался ли или уменьшился ли объем бляшки у пациента, чтобы, тем самым, оценить эффективность курса лечения.
30. Автоматизированный способ по п.24, в котором лекарственным препаратом является проходящий исследования лекарственный препарат.
31. Способ лечения пациента, имеющего уязвимую бляшку в кровеносном сосуде, заключающийся в том, что:
a) определяют, что пациент имеет уязвимую бляшку в кровеносном сосуде с помощью автоматизированного способа по п.27; и
b) назначают пациенту курс лечения, направленный на стабилизацию или уменьшение уязвимости уязвимой бляшки для разрыва в процессе курса лечения, обеспечивая тем самым лечение пациента.
32. Способ по п.31, в котором курс лечения включает в себя прием лекарственного препарата, стабилизирующего или уменьшающего уязвимость бляшки для разрыва.
33. Способ по п.32, в котором лекарственный препарат выбирают из группы, состоящей из статинов, противовоспалительных препаратов и антикоагулянтов.
34. Компьютерный программный продукт, содержащий пригодный для компьютера носитель с содержащейся на нем машиночитаемой программой, причем машиночитаемая программа сконфигурирована для реализации автоматизированного способа по п.1 на компьютере, предназначенном для выполнения данной машиночитаемой программы.
35. Автоматизированный способ для анализа данных пациента, полученных с помощью медицинской системы визуализации, для определения, содержит ли кровеносный сосуд пациента бляшку, заключающийся в том, что:
a) получают пригодные для обработки данные по меньшей мере одного поперечного сечения кровеносного сосуда сосудистой системы пациента, причем пригодные для обработки данные получают из исходных данных, собранных с помощью медицинской системы визуализации;
b) передают пригодные для обработки данные в компьютер, сконфигурированный для приема и вычислительной обработки пригодных для обработки данных, для определения, содержит ли данный кровеносный сосуд в области поперечного сечения(й) по меньшей мере одну ткань, коррелированную с присутствием бляшки, в случае чего кровеносный сосуд признается содержащим бляшку; и
c) используют компьютер для вычислительной обработки пригодных для обработки данных и определения, содержит ли данный кровеносный сосуд бляшку.
36. Автоматизированный способ по п.35, в котором медицинская система визуализации и компьютер расположены в разных местах.
37. Автоматизированный способ по п.36, в котором компьютер находится в вычислительном центре, физически удаленном от каждого из множества центров визуализации, каждый из которых содержит медицинскую систему визуализации, способную формировать исходные данные, из которых можно получить пригодные для обработки данные.
38. Автоматизированный способ по п.37, в котором по меньшей мере один из центров визуализации передает исходные данные в вычислительный центр по телекоммуникационному каналу.
39. Автоматизированный способ по п.35, в котором дополнительно передают результаты анализа по адресу, указанному как сотрудничающий с медицинской системой визуализации, используемой для сбора исходных данных.
40. Система для анализа наличия бляшки в кровеносном сосуде сосудистой системы пациента, содержащая:
a) компьютер, способный исполнять машиночитаемую программу, содержащуюся в компьютерном программном продукте по п.34;
b) компьютерную систему хранения данных, сообщающуюся с компьютером и сконфигурированную для отправки и приема и/или сохранения данных, обработанных компьютером; и
c) функционально подключенный к компьютеру коммуникационный интерфейс для приема подлежащих обработке данных или для отправки данных после их обработки компьютером.
- 26 009382
Фиг. 1
Фиг. 2
310 Т1-Ш 320: Т2-УУ 330: РОШ
340
Фиг. 3
- 27 009382
Фиг. 4
Л. МР-томограммы
510 Ρϋ\ν (зеленый)
520 Τ1Ψ 530 Τ2Ψ (красный) (синий)
Фиг. 5
- 28 009382
Фиг. 6
А в с
Фиг. 7
Фиг. 8
- 29 009382
Обнаружение бляшки
Таблица А: Эффективность модели
Общий процент ложных позитивов (%)
Фиг. 9
Обнаружение мышечной ткани
Общий процент ложных позитивов
1001
1002
1003 в с
Фиг. 10
А В
Фиг. 11
- 30 009382
Фиг. 12
Запись мышечной стенки с использованием потока векторов градиента
Фиг. 13
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US49737503P | 2003-08-21 | 2003-08-21 | |
| PCT/US2004/027171 WO2005020790A2 (en) | 2003-08-21 | 2004-08-21 | Automated methods and systems for vascular plaque detection and analysis |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| EA200600452A1 EA200600452A1 (ru) | 2006-12-29 |
| EA009382B1 true EA009382B1 (ru) | 2007-12-28 |
Family
ID=34272559
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| EA200600452A EA009382B1 (ru) | 2003-08-21 | 2004-08-21 | Автоматизированные способы и системы для обнаружения и анализа сосудистых бляшек |
Country Status (9)
| Country | Link |
|---|---|
| US (4) | US7657299B2 (ru) |
| EP (1) | EP1662974A4 (ru) |
| JP (1) | JP2007502676A (ru) |
| CN (1) | CN1929781A (ru) |
| AU (2) | AU2004268576A1 (ru) |
| CA (1) | CA2535942A1 (ru) |
| EA (1) | EA009382B1 (ru) |
| IL (1) | IL173720A0 (ru) |
| WO (1) | WO2005020790A2 (ru) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2508056C2 (ru) * | 2008-08-12 | 2014-02-27 | Конинклейке Филипс Электроникс Н.В. | Способ составления и вычисления объема в системе ультразвуковой визуализации |
| RU2533626C2 (ru) * | 2008-11-05 | 2014-11-20 | Конинклейке Филипс Электроникс Н.В. | Автоматическое последовательное планирование мр-сканирования |
| RU2612859C2 (ru) * | 2010-10-14 | 2017-03-13 | Конинклейке Филипс Электроникс Н.В. | Сбор магнитно-резонансных данных с использованием наблюдения физиологического состояния |
| RU2631559C1 (ru) * | 2016-08-19 | 2017-09-25 | Федеральное государственное бюджетное научное учреждение "Научный центр неврологии" (ФГБНУ НЦН) | Способ выбора оперативного вмешательства при поражениях внутренних сонных артерий |
| RU2637297C1 (ru) * | 2016-11-21 | 2017-12-01 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Рязанский государственный медицинский университет имени академика И.П. Павлова" Министерства здравоохранения Российской Федерации | Способ определения особенностей течения эпилепсии на основе физиологических показателей методом логит-регрессионного анализа |
| RU2693169C1 (ru) * | 2018-09-03 | 2019-07-01 | Федеральное государственное бюджетное научное учреждение "Научный центр неврологии" (ФГБНУ НЦН) | Способ определения структурных характеристик атеросклеротической бляшки сонных артерий |
| RU2713707C2 (ru) * | 2015-04-30 | 2020-02-06 | Конинклейке Филипс Н.В. | Классификация тканей головного мозга |
| RU2723741C1 (ru) * | 2019-12-04 | 2020-06-17 | ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ УЧРЕЖДЕНИЕ "РОССИЙСКИЙ НАУЧНЫЙ ЦЕНТР РАДИОЛОГИИ И ХИРУРГИЧЕСКИХ ТЕХНОЛОГИЙ ИМЕНИ АКАДЕМИКА А.М. ГРАНОВА" МИНИСТЕРСТВА ЗДРАВООХРАНЕНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ/ФГБУ "РНЦРХТ им. академика А.М. Гранова" Минздрава России | Способ прогнозирования опасности эмбологенного разрыва нестабильной каротидной атеросклеротической бляшки |
| RU2767875C1 (ru) * | 2020-12-14 | 2022-03-22 | Федеральное государственное бюджетное учреждение высшего образования «Тамбовский государственный технический университет» (ФГБОУ ВО «ТГТУ») | Способ оценки стабильности атеросклеротической бляшки посредством интраваскулярной оптической когерентной томографии |
Families Citing this family (329)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040064195A1 (en) | 2002-07-15 | 2004-04-01 | Hugh Herr | Variable-mechanical-impedance artificial legs |
| WO2004066824A2 (en) * | 2003-01-24 | 2004-08-12 | The General Hospital Corporation | System and method for identifying tissue using low-coherence interferometry |
| US7727153B2 (en) * | 2003-04-07 | 2010-06-01 | Sonosite, Inc. | Ultrasonic blood vessel measurement apparatus and method |
| WO2005020790A2 (en) * | 2003-08-21 | 2005-03-10 | Ischem Corporation | Automated methods and systems for vascular plaque detection and analysis |
| JP2005197792A (ja) * | 2003-12-26 | 2005-07-21 | Canon Inc | 画像処理方法、画像処理装置、プログラム、記憶媒体及び画像処理システム |
| WO2005083629A1 (en) * | 2004-02-20 | 2005-09-09 | Philips Intellectual Property & Standards Gmbh | Device and process for multimodal registration of images |
| DE102004043676B4 (de) * | 2004-09-09 | 2014-01-09 | Siemens Aktiengesellschaft | Verfahren zur Visualisierung von Plaqueablagerungen aus 3D-Bilddatensätzen von Gefäßstrukturen |
| US20090148011A1 (en) * | 2004-11-19 | 2009-06-11 | Konnklike Philips Electronics, N.V. | In-situ data collection architecture for computer-aided diagnosis |
| US20070043449A1 (en) | 2005-03-31 | 2007-02-22 | Massachusetts Institute Of Technology | Artificial ankle-foot system with spring, variable-damping, and series-elastic actuator components |
| US20060249315A1 (en) | 2005-03-31 | 2006-11-09 | Massachusetts Institute Of Technology | Artificial human limbs and joints employing actuators, springs, and variable-damper elements |
| US11278433B2 (en) | 2005-03-31 | 2022-03-22 | Massachusetts Institute Of Technology | Powered ankle-foot prosthesis |
| US8500823B2 (en) | 2005-03-31 | 2013-08-06 | Massachusetts Institute Of Technology | Powered artificial knee with agonist-antagonist actuation |
| US20070123997A1 (en) * | 2005-03-31 | 2007-05-31 | Massachusetts Institute Of Technology | Exoskeletons for running and walking |
| US10307272B2 (en) | 2005-03-31 | 2019-06-04 | Massachusetts Institute Of Technology | Method for using a model-based controller for a robotic leg |
| US8512415B2 (en) | 2005-03-31 | 2013-08-20 | Massachusetts Institute Of Technology | Powered ankle-foot prothesis |
| US8864846B2 (en) | 2005-03-31 | 2014-10-21 | Massachusetts Institute Of Technology | Model-based neuromechanical controller for a robotic leg |
| US20070162152A1 (en) * | 2005-03-31 | 2007-07-12 | Massachusetts Institute Of Technology | Artificial joints using agonist-antagonist actuators |
| US7680307B2 (en) * | 2005-04-05 | 2010-03-16 | Scimed Life Systems, Inc. | Systems and methods for image segmentation with a multi-stage classifier |
| US7561727B2 (en) * | 2005-06-02 | 2009-07-14 | Nordic Bioscience Imaging A/S | Method of deriving a quantitative measure of a degree of calcification of an aorta |
| US7720267B2 (en) * | 2005-07-15 | 2010-05-18 | Siemens Medical Solutions Usa, Inc. | Method and apparatus for classifying tissue using image data |
| US8064672B2 (en) * | 2005-10-18 | 2011-11-22 | Koninklijke Philips Electronics N.V. | Patient scan time optimization for PET/SPECT imaging |
| US20100278405A1 (en) * | 2005-11-11 | 2010-11-04 | Kakadiaris Ioannis A | Scoring Method for Imaging-Based Detection of Vulnerable Patients |
| JP4563326B2 (ja) * | 2006-02-09 | 2010-10-13 | ザイオソフト株式会社 | 画像処理方法および画像処理プログラム |
| CN101395614A (zh) * | 2006-03-03 | 2009-03-25 | 皇家飞利浦电子股份有限公司 | 标识用于评估图像相似性的图像特征集 |
| WO2007109771A2 (en) * | 2006-03-22 | 2007-09-27 | Volcano Corporation | Automated lesion analysis based upon automatic plaque characterization according to a classification criterion |
| US20100081941A1 (en) * | 2006-03-22 | 2010-04-01 | Endothelix, Inc. | Cardiovascular health station methods and apparatus |
| DE102006013476B4 (de) * | 2006-03-23 | 2012-11-15 | Siemens Ag | Verfahren zur positionsgenauen Darstellung von interessierenden Gewebebereichen |
| US20070242863A1 (en) * | 2006-04-13 | 2007-10-18 | Bernice Eland Hoppel | Methods and Apparatus for Contouring at Least One Vessel |
| US8626263B2 (en) * | 2006-04-13 | 2014-01-07 | General Electric Company | Methods and apparatus for relative perfusion and/or viability |
| GB0608841D0 (en) * | 2006-05-04 | 2006-06-14 | Isis Innovation | Scanner system and method for scanning |
| US8882674B2 (en) * | 2006-09-28 | 2014-11-11 | Research Foundation Of The City University Of New York | System and method for in vivo imaging of blood vessel walls to detect microcalcifications |
| US8831703B2 (en) * | 2006-10-23 | 2014-09-09 | The General Hospital Corporation | Selective MR imaging of segmented anatomy |
| US7873194B2 (en) * | 2006-10-25 | 2011-01-18 | Rcadia Medical Imaging Ltd. | Method and system for automatic analysis of blood vessel structures and pathologies in support of a triple rule-out procedure |
| US7940977B2 (en) * | 2006-10-25 | 2011-05-10 | Rcadia Medical Imaging Ltd. | Method and system for automatic analysis of blood vessel structures to identify calcium or soft plaque pathologies |
| US7983459B2 (en) | 2006-10-25 | 2011-07-19 | Rcadia Medical Imaging Ltd. | Creating a blood vessel tree from imaging data |
| US7860283B2 (en) | 2006-10-25 | 2010-12-28 | Rcadia Medical Imaging Ltd. | Method and system for the presentation of blood vessel structures and identified pathologies |
| US7940970B2 (en) * | 2006-10-25 | 2011-05-10 | Rcadia Medical Imaging, Ltd | Method and system for automatic quality control used in computerized analysis of CT angiography |
| US20080154137A1 (en) * | 2006-11-22 | 2008-06-26 | Celine Pruvot | Method, system, and computer product for separating coronary lumen, coronary vessel wall and calcified plaque in an intravascular ultrasound view |
| US7993274B2 (en) * | 2006-11-22 | 2011-08-09 | General Electric Company | Method, system, and computer product for automatically extracting and tracking cardiac calcifications and determining a tracking centerline |
| US8077939B2 (en) * | 2006-11-22 | 2011-12-13 | General Electric Company | Methods and systems for enhanced plaque visualization |
| US8081809B2 (en) * | 2006-11-22 | 2011-12-20 | General Electric Company | Methods and systems for optimizing high resolution image reconstruction |
| CN101190132B (zh) * | 2006-11-28 | 2010-12-08 | 深圳迈瑞生物医疗电子股份有限公司 | 超声成像的预处理方法与装置 |
| GB2456487A (en) * | 2007-01-09 | 2009-07-22 | Sony Uk Ltd | Image processing using RGB local mean and mapping of candidate colour components onto a possible dynamic range |
| US8073526B2 (en) * | 2007-02-16 | 2011-12-06 | Sunnybrook Health Sciences Centre | Method and system for computerized drawing and writing during functional magnetic resonance imaging |
| US10716528B2 (en) | 2007-03-08 | 2020-07-21 | Sync-Rx, Ltd. | Automatic display of previously-acquired endoluminal images |
| US9629571B2 (en) | 2007-03-08 | 2017-04-25 | Sync-Rx, Ltd. | Co-use of endoluminal data and extraluminal imaging |
| US8781193B2 (en) | 2007-03-08 | 2014-07-15 | Sync-Rx, Ltd. | Automatic quantitative vessel analysis |
| US11064964B2 (en) | 2007-03-08 | 2021-07-20 | Sync-Rx, Ltd | Determining a characteristic of a lumen by measuring velocity of a contrast agent |
| US9375164B2 (en) | 2007-03-08 | 2016-06-28 | Sync-Rx, Ltd. | Co-use of endoluminal data and extraluminal imaging |
| EP2129284A4 (en) * | 2007-03-08 | 2012-11-28 | Sync Rx Ltd | IMAGING AND TOOLS FOR USE WITH MOBILE ORGANS |
| US9968256B2 (en) | 2007-03-08 | 2018-05-15 | Sync-Rx Ltd. | Automatic identification of a tool |
| US11197651B2 (en) | 2007-03-08 | 2021-12-14 | Sync-Rx, Ltd. | Identification and presentation of device-to-vessel relative motion |
| US20080242977A1 (en) * | 2007-03-30 | 2008-10-02 | General Electric Company | Systems, methods and apparatus for longitudinal/temporal analysis of plaque lesions |
| US8135178B2 (en) * | 2007-04-10 | 2012-03-13 | Deere & Company | Process for normalizing images or other data layers |
| CN101290684B (zh) * | 2007-04-19 | 2012-07-18 | 深圳迈瑞生物医疗电子股份有限公司 | 三维超声图像的快速体绘制方法与装置 |
| US8229201B2 (en) * | 2007-06-15 | 2012-07-24 | General Electric Company | Systems, methods and apparatus for plaque visualization and quantification using fuzzy and adaptive region classes |
| US20090062679A1 (en) * | 2007-08-27 | 2009-03-05 | Microsoft Corporation | Categorizing perceptual stimuli by detecting subconcious responses |
| US8688208B2 (en) * | 2007-08-27 | 2014-04-01 | Microsoft Corporation | Method and system for meshing human and computer competencies for object categorization |
| US8097712B2 (en) | 2007-11-07 | 2012-01-17 | Beelogics Inc. | Compositions for conferring tolerance to viral disease in social insects, and the use thereof |
| US9235887B2 (en) | 2008-02-19 | 2016-01-12 | Elucid Bioimaging, Inc. | Classification of biological tissue by multi-mode data registration, segmentation and characterization |
| US8275201B2 (en) * | 2008-03-06 | 2012-09-25 | Tyco Healthcare Group Lp | Image enhancement and application functionality for medical and other uses |
| US8195001B2 (en) * | 2008-04-09 | 2012-06-05 | Intel Corporation | In-loop adaptive wiener filter for video coding and decoding |
| US7953762B2 (en) * | 2008-04-09 | 2011-05-31 | American Express Travel Related Services Company, Inc. | Infrastructure and architecture for development and execution of predictive models |
| US8341166B2 (en) | 2008-04-09 | 2012-12-25 | American Express Travel Related Services Company, Inc. | Infrastructure and architecture for development and execution of predictive models |
| US9125562B2 (en) | 2009-07-01 | 2015-09-08 | Avinger, Inc. | Catheter-based off-axis optical coherence tomography imaging system |
| US9788790B2 (en) | 2009-05-28 | 2017-10-17 | Avinger, Inc. | Optical coherence tomography for biological imaging |
| US8062316B2 (en) | 2008-04-23 | 2011-11-22 | Avinger, Inc. | Catheter system and method for boring through blocked vascular passages |
| US9549713B2 (en) | 2008-04-24 | 2017-01-24 | Boston Scientific Scimed, Inc. | Methods, systems, and devices for tissue characterization and quantification using intravascular ultrasound signals |
| WO2009132188A1 (en) * | 2008-04-24 | 2009-10-29 | Boston Scientific Scimed, Inc. | Methods, systems, and devices for tissue characterization by spectral similarity of intravascular ultrasound signals |
| JP2009261651A (ja) | 2008-04-25 | 2009-11-12 | Johns Hopkins Univ | 画像処理装置及びプログラム |
| WO2009147531A2 (en) * | 2008-06-03 | 2009-12-10 | Lifeq. Ltd. | Carotid plaque identification method |
| JP5451755B2 (ja) * | 2008-06-04 | 2014-03-26 | コーニンクレッカ フィリップス エヌ ヴェ | 適応データレート制御を行う装置、システム及び方法 |
| EP2303385B1 (en) * | 2008-06-19 | 2013-12-11 | Sync-RX, Ltd. | Stepwise advancement of a medical tool |
| CN102089670B (zh) * | 2008-07-09 | 2014-04-02 | 皇家飞利浦电子股份有限公司 | 用于组合式分子mri和动态pet成像的造影剂及使用其的成像设备 |
| US8200466B2 (en) | 2008-07-21 | 2012-06-12 | The Board Of Trustees Of The Leland Stanford Junior University | Method for tuning patient-specific cardiovascular simulations |
| US20110082566A1 (en) | 2008-09-04 | 2011-04-07 | Herr Hugh M | Implementing a stand-up sequence using a lower-extremity prosthesis or orthosis |
| US9554922B2 (en) | 2008-09-04 | 2017-01-31 | Bionx Medical Technologies, Inc. | Hybrid terrain-adaptive lower-extremity systems |
| US8582844B2 (en) * | 2008-11-13 | 2013-11-12 | Hitachi Medical Corporation | Medical image processing device and method |
| US11064903B2 (en) | 2008-11-18 | 2021-07-20 | Sync-Rx, Ltd | Apparatus and methods for mapping a sequence of images to a roadmap image |
| US9101286B2 (en) | 2008-11-18 | 2015-08-11 | Sync-Rx, Ltd. | Apparatus and methods for determining a dimension of a portion of a stack of endoluminal data points |
| US9144394B2 (en) | 2008-11-18 | 2015-09-29 | Sync-Rx, Ltd. | Apparatus and methods for determining a plurality of local calibration factors for an image |
| US8855744B2 (en) | 2008-11-18 | 2014-10-07 | Sync-Rx, Ltd. | Displaying a device within an endoluminal image stack |
| US10362962B2 (en) | 2008-11-18 | 2019-07-30 | Synx-Rx, Ltd. | Accounting for skipped imaging locations during movement of an endoluminal imaging probe |
| US9095313B2 (en) | 2008-11-18 | 2015-08-04 | Sync-Rx, Ltd. | Accounting for non-uniform longitudinal motion during movement of an endoluminal imaging probe |
| US9974509B2 (en) | 2008-11-18 | 2018-05-22 | Sync-Rx Ltd. | Image super enhancement |
| EP2391486A4 (en) * | 2009-01-30 | 2013-09-04 | Massachusetts Inst Technology | MODEL-BASED NEUROMECHANICAL CONTROL FOR A ROBOT LEG |
| US9405886B2 (en) | 2009-03-17 | 2016-08-02 | The Board Of Trustees Of The Leland Stanford Junior University | Method for determining cardiovascular information |
| EP2424608B1 (en) | 2009-04-28 | 2014-03-19 | Avinger, Inc. | Guidewire support catheter |
| US8442358B2 (en) * | 2009-05-29 | 2013-05-14 | Steven Andrew Rankin | Presentation and manipulation of high depth images in low depth image display systems |
| US20100312090A1 (en) * | 2009-06-05 | 2010-12-09 | University of Washington Center for Commercialization | Atherosclerosis risk assessment by projected volumes and areas of plaque components |
| JP5355240B2 (ja) * | 2009-06-17 | 2013-11-27 | 株式会社東芝 | 画像処理装置、磁気共鳴イメージング装置および画像管理システム |
| WO2011003006A2 (en) | 2009-07-01 | 2011-01-06 | Avinger, Inc. | Atherectomy catheter with laterally-displaceable tip |
| CA2765407C (en) * | 2009-09-23 | 2016-06-21 | Lightlab Imaging, Inc. | Lumen morphology and vascular resistance measurements data collection systems, apparatus and methods |
| US20180344174A9 (en) | 2009-09-23 | 2018-12-06 | Lightlab Imaging, Inc. | Lumen Morphology and Vascular Resistance Measurements Data Collection Systems, Apparatus and Methods |
| EP2480129B1 (en) * | 2009-09-25 | 2019-11-06 | Volcano Corporation | Device for determining the likelihood of a patient having a clinically silent event based on ascertained physiological parameters |
| US8962584B2 (en) | 2009-10-14 | 2015-02-24 | Yissum Research Development Company Of The Hebrew University Of Jerusalem, Ltd. | Compositions for controlling Varroa mites in bees |
| KR101066468B1 (ko) * | 2009-10-30 | 2011-09-21 | 광주과학기술원 | 벌집모양 폐 구분 방법, 장치 및 컴퓨터로 판독 가능한 저장매체 |
| EP2509498B1 (en) * | 2009-12-08 | 2020-09-16 | Avinger, Inc. | Devices for predicting and preventing restenosis |
| KR101169138B1 (ko) | 2009-12-30 | 2012-07-30 | 서울여자대학교 산학협력단 | 혈관 및 석회질 자동 추출장치 및 방법 |
| ES2809679T3 (es) | 2010-03-08 | 2021-03-05 | Monsanto Technology Llc | Moléculas polinucleotídicas para la regulación génica en plantas |
| US8526699B2 (en) * | 2010-03-12 | 2013-09-03 | Siemens Aktiengesellschaft | Method and system for automatic detection and classification of coronary stenoses in cardiac CT volumes |
| US8532360B2 (en) | 2010-04-20 | 2013-09-10 | Atheropoint Llc | Imaging based symptomatic classification using a combination of trace transform, fuzzy technique and multitude of features |
| US8708914B2 (en) | 2010-06-07 | 2014-04-29 | Atheropoint, LLC | Validation embedded segmentation method for vascular ultrasound images |
| US8805043B1 (en) | 2010-04-02 | 2014-08-12 | Jasjit S. Suri | System and method for creating and using intelligent databases for assisting in intima-media thickness (IMT) |
| US8313437B1 (en) | 2010-06-07 | 2012-11-20 | Suri Jasjit S | Vascular ultrasound intima-media thickness (IMT) measurement system |
| US20110245650A1 (en) * | 2010-04-02 | 2011-10-06 | Kerwin William S | Method and System for Plaque Lesion Characterization |
| US8485975B2 (en) | 2010-06-07 | 2013-07-16 | Atheropoint Llc | Multi-resolution edge flow approach to vascular ultrasound for intima-media thickness (IMT) measurement |
| US20110257505A1 (en) * | 2010-04-20 | 2011-10-20 | Suri Jasjit S | Atheromatic?: imaging based symptomatic classification and cardiovascular stroke index estimation |
| US8639008B2 (en) | 2010-04-20 | 2014-01-28 | Athero Point, LLC | Mobile architecture using cloud for data mining application |
| US20110295385A1 (en) | 2010-04-05 | 2011-12-01 | Herr Hugh M | Controlling torque in a prosthesis or orthosis based on a deflection of series elastic element |
| JP5838195B2 (ja) * | 2010-04-16 | 2016-01-06 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | 画像データのセグメント化 |
| DE102010019421A1 (de) * | 2010-05-05 | 2011-11-10 | Siemens Aktiengesellschaft | Bildgebendes Verfahren zur Darstellung von Ergebnissen intravaskulärer Bildgebung und CFD-Ergebnissen sowie Medizinsystem zur Durchführung des Verfahrens |
| JP2012016575A (ja) * | 2010-06-07 | 2012-01-26 | Toshiba Corp | 画像処理装置及び医用画像診断装置 |
| US11382653B2 (en) | 2010-07-01 | 2022-07-12 | Avinger, Inc. | Atherectomy catheter |
| US10363062B2 (en) | 2011-10-17 | 2019-07-30 | Avinger, Inc. | Atherectomy catheters and non-contact actuation mechanism for catheters |
| CA2803992C (en) | 2010-07-01 | 2018-03-20 | Avinger, Inc. | Atherectomy catheters with longitudinally displaceable drive shafts |
| US8315812B2 (en) | 2010-08-12 | 2012-11-20 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
| JP5265810B2 (ja) * | 2010-10-08 | 2013-08-14 | パナソニック株式会社 | 超音波診断装置、及び体内観察方法 |
| US20120089005A1 (en) * | 2010-10-11 | 2012-04-12 | Wilinx Corporation | Multi-Modal Medical Imaging and Type Detection |
| EP2668638A1 (en) * | 2011-01-27 | 2013-12-04 | Koninklijke Philips N.V. | Spectral imaging |
| GB201102614D0 (en) * | 2011-02-15 | 2011-03-30 | Oxford Instr Nanotechnology Tools Ltd | Material identification using multiple images |
| JP5713748B2 (ja) * | 2011-03-24 | 2015-05-07 | 株式会社東芝 | プラーク領域抽出方法及びその装置 |
| JP6205344B2 (ja) | 2011-03-28 | 2017-09-27 | アビンガー・インコーポレイテッドＡｖｉｎｇｅｒ， Ｉｎｃ． | 閉塞クロッシング用デバイス、撮像用デバイスおよびアテローム切除用デバイス |
| US9949754B2 (en) | 2011-03-28 | 2018-04-24 | Avinger, Inc. | Occlusion-crossing devices |
| EP2723231A4 (en) | 2011-06-23 | 2015-02-25 | Sync Rx Ltd | LUMINAL BACKGROUND CLEANING |
| US10829828B2 (en) | 2011-09-13 | 2020-11-10 | Monsanto Technology Llc | Methods and compositions for weed control |
| CN110066794A (zh) | 2011-09-13 | 2019-07-30 | 孟山都技术公司 | 用于杂草控制的方法和组合物 |
| EP2755467B1 (en) | 2011-09-13 | 2017-07-19 | Monsanto Technology LLC | Methods and compositions for weed control |
| US10760086B2 (en) | 2011-09-13 | 2020-09-01 | Monsanto Technology Llc | Methods and compositions for weed control |
| WO2013040033A1 (en) | 2011-09-13 | 2013-03-21 | Monsanto Technology Llc | Methods and compositions for weed control |
| UA116093C2 (uk) | 2011-09-13 | 2018-02-12 | Монсанто Текнолоджи Ллс | Спосіб та композиція для боротьби з бур'янами (варіанти) |
| US10806146B2 (en) | 2011-09-13 | 2020-10-20 | Monsanto Technology Llc | Methods and compositions for weed control |
| US8600213B2 (en) * | 2011-10-26 | 2013-12-03 | Xerox Corporation | Filtering source video data via independent component selection |
| US9737419B2 (en) | 2011-11-02 | 2017-08-22 | Bionx Medical Technologies, Inc. | Biomimetic transfemoral prosthesis |
| US9345406B2 (en) | 2011-11-11 | 2016-05-24 | Avinger, Inc. | Occlusion-crossing devices, atherectomy devices, and imaging |
| US9032635B2 (en) | 2011-12-15 | 2015-05-19 | Massachusetts Institute Of Technology | Physiological measurement device or wearable device interface simulator and method of use |
| US10292676B2 (en) * | 2011-12-21 | 2019-05-21 | Volcano Corporaton | Method for visualizing blood and blood-likelihood in vascualar images |
| US9216008B2 (en) | 2012-01-30 | 2015-12-22 | Technion Research & Development Foundation Limited | Quantitative assessment of neovascularization |
| US9221177B2 (en) | 2012-04-18 | 2015-12-29 | Massachusetts Institute Of Technology | Neuromuscular model-based sensing and control paradigm for a robotic leg |
| WO2013170144A1 (en) * | 2012-05-11 | 2013-11-14 | Volcano Corporation | Device, system, and method for flow imaging in the body using a swept transducer |
| WO2013172972A1 (en) | 2012-05-14 | 2013-11-21 | Avinger, Inc. | Optical coherence tomography with graded index fiber for biological imaging |
| WO2013172970A1 (en) | 2012-05-14 | 2013-11-21 | Avinger, Inc. | Atherectomy catheters with imaging |
| US9345398B2 (en) | 2012-05-14 | 2016-05-24 | Avinger, Inc. | Atherectomy catheter drive assemblies |
| US9165527B2 (en) * | 2012-05-16 | 2015-10-20 | Siemens Medical Solutions Usa, Inc. | System for display of images using extended greyscale bit-depth on standard display devices |
| AU2013264742B2 (en) | 2012-05-24 | 2018-10-04 | A.B. Seeds Ltd. | Compositions and methods for silencing gene expression |
| WO2013188510A2 (en) | 2012-06-12 | 2013-12-19 | Iwalk, Inc. | Prosthetic, orthotic or exoskeleton device |
| CN104470426B (zh) | 2012-06-21 | 2021-05-25 | 皇家飞利浦有限公司 | 具有运动检测的磁共振检查系统 |
| EP2676702A1 (en) * | 2012-06-21 | 2013-12-25 | Koninklijke Philips N.V. | Improved high intensity focused ultrasound targeting |
| JP6134789B2 (ja) | 2012-06-26 | 2017-05-24 | シンク−アールエックス，リミティド | 管腔器官における流れに関連する画像処理 |
| US8958618B2 (en) * | 2012-06-28 | 2015-02-17 | Kabushiki Kaisha Toshiba | Method and system for identification of calcification in imaged blood vessels |
| US11284916B2 (en) | 2012-09-06 | 2022-03-29 | Avinger, Inc. | Atherectomy catheters and occlusion crossing devices |
| US10335173B2 (en) | 2012-09-06 | 2019-07-02 | Avinger, Inc. | Re-entry stylet for catheter |
| US9498247B2 (en) | 2014-02-06 | 2016-11-22 | Avinger, Inc. | Atherectomy catheters and occlusion crossing devices |
| EP2892448B1 (en) | 2012-09-06 | 2020-07-15 | Avinger, Inc. | Balloon atherectomy catheters with imaging |
| US20140113833A1 (en) * | 2012-10-18 | 2014-04-24 | The Cleveland Clinic Foundation | Use of multiple risk predictors for diagnosis of cardiovascular disease |
| US10595807B2 (en) | 2012-10-24 | 2020-03-24 | Cathworks Ltd | Calculating a fractional flow reserve |
| US9858387B2 (en) | 2013-01-15 | 2018-01-02 | CathWorks, LTD. | Vascular flow assessment |
| US10210956B2 (en) | 2012-10-24 | 2019-02-19 | Cathworks Ltd. | Diagnostically useful results in real time |
| EP2943902B1 (en) | 2012-10-24 | 2020-03-11 | CathWorks Ltd. | Automated measurement system and method for coronary artery disease scoring |
| US9814433B2 (en) | 2012-10-24 | 2017-11-14 | Cathworks Ltd. | Creating a vascular tree model |
| JP6091870B2 (ja) * | 2012-12-07 | 2017-03-08 | 東芝メディカルシステムズ株式会社 | 血管解析装置、医用画像診断装置、血管解析方法、及び血管解析プログラム |
| US9076223B1 (en) * | 2012-12-11 | 2015-07-07 | The Mathworks, Inc. | Fast stopping criterion for active contour algorithms |
| UA118841C2 (uk) | 2013-01-01 | 2019-03-25 | Ей.Бі. СІДС ЛТД. | Спосіб формування рослини, яка має підвищену стійкість до комахи-шкідника |
| US10683505B2 (en) | 2013-01-01 | 2020-06-16 | Monsanto Technology Llc | Methods of introducing dsRNA to plant seeds for modulating gene expression |
| WO2014127265A1 (en) * | 2013-02-14 | 2014-08-21 | Singulex, Inc. | Non-invasive methods to determine vulnerable plaque burden in subjects |
| CN103164854B (zh) * | 2013-02-25 | 2015-10-07 | 东南大学 | 一种动脉粥样硬化斑块医学图像的处理方法 |
| US9042613B2 (en) * | 2013-03-01 | 2015-05-26 | Heartflow, Inc. | Method and system for determining treatments by modifying patient-specific geometrical models |
| US20160058304A1 (en) * | 2013-03-08 | 2016-03-03 | Kyree Eeg Emblem | System and method for vessel architectural imaging |
| US9351698B2 (en) | 2013-03-12 | 2016-05-31 | Lightlab Imaging, Inc. | Vascular data processing and image registration systems, methods, and apparatuses |
| AR095233A1 (es) | 2013-03-13 | 2015-09-30 | Monsanto Technology Llc | Métodos y composiciones para el control de malezas |
| BR112015023051A2 (pt) | 2013-03-13 | 2017-11-14 | Monsanto Technology Llc | método para controle de ervas daninhas, composição herbicida, cassete de expressão microbiano e método de produção de polinucleotídeo |
| US9592027B2 (en) * | 2013-03-14 | 2017-03-14 | Volcano Corporation | System and method of adventitial tissue characterization |
| CN105120764A (zh) * | 2013-03-14 | 2015-12-02 | 火山公司 | 用于组织特征化的基于并行树的样式辨识 |
| WO2014142954A1 (en) | 2013-03-15 | 2014-09-18 | Avinger, Inc. | Tissue collection device for catheter |
| EP2967371B1 (en) | 2013-03-15 | 2024-05-15 | Avinger, Inc. | Chronic total occlusion crossing devices with imaging |
| EP2967367B1 (en) | 2013-03-15 | 2019-02-20 | Avinger, Inc. | Optical pressure sensor assembly |
| US10568328B2 (en) | 2013-03-15 | 2020-02-25 | Monsanto Technology Llc | Methods and compositions for weed control |
| US9833221B2 (en) * | 2013-03-15 | 2017-12-05 | Lightlab Imaging, Inc. | Apparatus and method of image registration |
| US10130386B2 (en) | 2013-07-08 | 2018-11-20 | Avinger, Inc. | Identification of elastic lamina to guide interventional therapy |
| UA122662C2 (uk) | 2013-07-19 | 2020-12-28 | Монсанто Текнолоджі Ллс | Композиція та спосіб боротьби з leptinotarsa |
| US9850496B2 (en) | 2013-07-19 | 2017-12-26 | Monsanto Technology Llc | Compositions and methods for controlling Leptinotarsa |
| CN104414636B (zh) * | 2013-08-23 | 2017-11-17 | 北京大学 | 基于磁共振图像的脑微出血计算机辅助检测系统 |
| US9805463B2 (en) * | 2013-08-27 | 2017-10-31 | Heartflow, Inc. | Systems and methods for predicting location, onset, and/or change of coronary lesions |
| WO2015059706A2 (en) | 2013-10-24 | 2015-04-30 | Cathworks Ltd. | Vascular characteristic determination with correspondence modeling of a vascular tree |
| RU2542918C1 (ru) * | 2013-10-30 | 2015-02-27 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Иркутский государственный технический университет" (ФГБОУ ВПО "ИрГТУ") | Способ определения значений модуля упругости и его распределения в конструктивных элементах, обладающих неопределёнными свойствами прочности |
| WO2015065781A2 (en) * | 2013-10-30 | 2015-05-07 | Mayo Foundation For Medical Education And Research | System and method for model-based reconstruction of quantitative images |
| EP3066200B1 (en) | 2013-11-04 | 2024-12-04 | Greenlight Biosciences, Inc. | Compositions and methods for controlling arthropod parasite and pest infestations |
| CN104637044B (zh) * | 2013-11-07 | 2017-12-01 | 中国科学院深圳先进技术研究院 | 钙化斑块及其声影的超声图像提取系统 |
| WO2015073679A1 (en) * | 2013-11-15 | 2015-05-21 | The Brigham And Women's Hospital, Inc. | System and method for studying matrix vesicle calcification |
| DE102013224888A1 (de) * | 2013-12-04 | 2015-06-11 | Siemens Aktiengesellschaft | Verfahren zum Abrufen von Informationen, Recheneinheit und medizinisches Bildgebungssystem |
| UA119253C2 (uk) | 2013-12-10 | 2019-05-27 | Біолоджикс, Інк. | Спосіб боротьби із вірусом у кліща varroa та у бджіл |
| US9155512B2 (en) * | 2013-12-18 | 2015-10-13 | Heartflow, Inc. | Systems and methods for predicting coronary plaque vulnerability from patient-specific anatomic image data |
| MX368629B (es) | 2014-01-15 | 2019-10-08 | Monsanto Technology Llc | Metodos y composiciones para el control de malezas utilizando polinucleotidos de 5-enolpiruvilshikimato-3-fosfato sintasa (epsps). |
| RU2690445C2 (ru) * | 2014-01-23 | 2019-06-03 | Конинклейке Филипс Н.В. | Оценка каротидной бляшки с применением ультразвуковой визуализации с контрастированием |
| JP6325266B2 (ja) * | 2014-02-03 | 2018-05-16 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置 |
| EP3102127B1 (en) | 2014-02-06 | 2019-10-09 | Avinger, Inc. | Atherectomy catheter |
| KR101529211B1 (ko) * | 2014-02-11 | 2015-06-16 | 연세대학교 산학협력단 | 플라크 변화 분석 장치 및 방법 |
| US9986938B2 (en) * | 2014-02-25 | 2018-06-05 | Medis Associated B.V. | Method and device for determining a geometrical parameter of a blood vessel |
| NL2012459B1 (en) | 2014-03-18 | 2016-01-08 | Medis Ass B V | Method and device for determining deviation in pressure in a blood vessel. |
| WO2015153339A2 (en) | 2014-04-01 | 2015-10-08 | Monsanto Technology Llc | Compositions and methods for controlling insect pests |
| US9058692B1 (en) | 2014-04-16 | 2015-06-16 | Heartflow, Inc. | Systems and methods for image-based object modeling using multiple image acquisitions or reconstructions |
| US10988764B2 (en) | 2014-06-23 | 2021-04-27 | Monsanto Technology Llc | Compositions and methods for regulating gene expression via RNA interference |
| WO2015200539A1 (en) | 2014-06-25 | 2015-12-30 | Monsanto Technology Llc | Methods and compositions for delivering nucleic acids to plant cells and regulating gene expression |
| CA2955242A1 (en) | 2014-07-08 | 2016-01-14 | Avinger, Inc. | High speed chronic total occlusion crossing devices |
| AU2015296700B2 (en) | 2014-07-29 | 2021-10-21 | Monsanto Technology Llc | Compositions and methods for controlling insect pests |
| US9195801B1 (en) * | 2014-08-05 | 2015-11-24 | Heartflow, Inc. | Systems and methods for treatment planning based on plaque progression and regression curves |
| US20170228507A1 (en) * | 2014-08-08 | 2017-08-10 | Icahn School Of Medicine At Mount Sinai | Automatic disease diagnoses using longitudinal medical record data |
| US10499813B2 (en) | 2014-09-12 | 2019-12-10 | Lightlab Imaging, Inc. | Methods, systems and apparatus for temporal calibration of an intravascular imaging system |
| JP6309417B2 (ja) * | 2014-09-30 | 2018-04-11 | 富士フイルム株式会社 | 検出器生成装置、方法およびプログラム並びに画像検出装置 |
| JP6783757B2 (ja) * | 2014-11-12 | 2020-11-11 | マテリアライズ・ナムローゼ・フエンノートシャップＭａｔｅｒｉａｌｉｓｅ Ｎｖ | 患者に患者固有医療を提供するコンピューターネットワークシステム |
| US9462987B2 (en) * | 2014-12-04 | 2016-10-11 | Siemens Aktiengesellschaft | Determining plaque deposits in blood vessels |
| US20180040120A1 (en) * | 2014-12-29 | 2018-02-08 | Flagship Biosciences, Inc. | Methods for quantitative assessment of mononuclear cells in muscle tissue sections |
| UA124255C2 (uk) | 2015-01-22 | 2021-08-18 | Монсанто Текнолоджі Елелсі | Інсектицидна композиція та спосіб боротьби з leptinotarsa |
| AU2016214922B2 (en) | 2015-02-02 | 2019-07-25 | Stryker European Operations Limited | Methods and systems for characterizing tissue of a subject |
| KR102320223B1 (ko) * | 2015-04-10 | 2021-11-03 | 한국전자통신연구원 | 수술 경로 추천 방법 및 장치 |
| US20160314592A1 (en) * | 2015-04-23 | 2016-10-27 | Nokia Technologies Oy | Method and apparatus for registration of interior and exterior three dimensional scans based on a semantic feature of a structure |
| EP3770807B1 (en) | 2015-05-04 | 2023-11-01 | Smith, Andrew Dennis | Computer-assisted tumor response assessment and evaluation of the vascular tumor burden |
| JP6475363B2 (ja) | 2015-05-05 | 2019-02-27 | ボストン サイエンティフィック サイムド，インコーポレイテッドＢｏｓｔｏｎ Ｓｃｉｅｎｔｉｆｉｃ Ｓｃｉｍｅｄ，Ｉｎｃ． | 超音波イメージングシステムのトランスデューサ上に配置された膨潤性材料を備えるシステムおよび方法 |
| US9996921B2 (en) | 2015-05-17 | 2018-06-12 | LIGHTLAB IMAGING, lNC. | Detection of metal stent struts |
| US10222956B2 (en) | 2015-05-17 | 2019-03-05 | Lightlab Imaging, Inc. | Intravascular imaging user interface systems and methods |
| US10646198B2 (en) | 2015-05-17 | 2020-05-12 | Lightlab Imaging, Inc. | Intravascular imaging and guide catheter detection methods and systems |
| US10109058B2 (en) | 2015-05-17 | 2018-10-23 | Lightlab Imaging, Inc. | Intravascular imaging system interfaces and stent detection methods |
| US10984338B2 (en) * | 2015-05-28 | 2021-04-20 | Raytheon Technologies Corporation | Dynamically updated predictive modeling to predict operational outcomes of interest |
| EP3302053B1 (en) | 2015-06-02 | 2021-03-17 | Monsanto Technology LLC | Compositions and methods for delivery of a polynucleotide into a plant |
| US10655136B2 (en) | 2015-06-03 | 2020-05-19 | Monsanto Technology Llc | Methods and compositions for introducing nucleic acids into plants |
| US10542961B2 (en) | 2015-06-15 | 2020-01-28 | The Research Foundation For The State University Of New York | System and method for infrasonic cardiac monitoring |
| US10143430B2 (en) | 2015-06-18 | 2018-12-04 | The Cleveland Clinic Foundation | Systems and methods that use multi-modal imaging for enhanced resolution images |
| CN104899891B (zh) * | 2015-06-24 | 2019-02-12 | 重庆金山科技（集团）有限公司 | 一种识别孕囊组织的方法、装置及宫腔吸引装置 |
| WO2017000988A1 (en) * | 2015-06-30 | 2017-01-05 | Brainlab Ag | Medical image fusion with reduced search space |
| JP6841609B2 (ja) | 2015-07-10 | 2021-03-10 | ３スキャン インコーポレイテッド | 組織学的染色の空間的多重化 |
| WO2017011587A1 (en) | 2015-07-13 | 2017-01-19 | Avinger, Inc. | Micro-molded anamorphic reflector lens for image guided therapeutic/diagnostic catheters |
| EP3324830B1 (en) | 2015-07-25 | 2023-01-04 | Lightlab Imaging, Inc. | Intravascular data visualization method and device |
| CN105096270B (zh) * | 2015-08-07 | 2018-04-06 | 北京欣方悦医疗科技有限公司 | 一种冠脉三维重建中的钙化斑块去除方法 |
| US11094058B2 (en) * | 2015-08-14 | 2021-08-17 | Elucid Bioimaging Inc. | Systems and method for computer-aided phenotyping (CAP) using radiologic images |
| US10755810B2 (en) | 2015-08-14 | 2020-08-25 | Elucid Bioimaging Inc. | Methods and systems for representing, storing, and accessing computable medical imaging-derived quantities |
| US11113812B2 (en) * | 2015-08-14 | 2021-09-07 | Elucid Bioimaging Inc. | Quantitative imaging for detecting vulnerable plaque |
| US11071501B2 (en) * | 2015-08-14 | 2021-07-27 | Elucid Bioiwaging Inc. | Quantitative imaging for determining time to adverse event (TTE) |
| US11676359B2 (en) * | 2015-08-14 | 2023-06-13 | Elucid Bioimaging Inc. | Non-invasive quantitative imaging biomarkers of atherosclerotic plaque biology |
| US12026868B2 (en) * | 2015-08-14 | 2024-07-02 | Elucid Bioimaging Inc. | Quantitative imaging for detecting histopathologically defined plaque erosion non-invasively |
| US10176408B2 (en) * | 2015-08-14 | 2019-01-08 | Elucid Bioimaging Inc. | Systems and methods for analyzing pathologies utilizing quantitative imaging |
| US11087459B2 (en) * | 2015-08-14 | 2021-08-10 | Elucid Bioimaging Inc. | Quantitative imaging for fractional flow reserve (FFR) |
| US12008751B2 (en) * | 2015-08-14 | 2024-06-11 | Elucid Bioimaging Inc. | Quantitative imaging for detecting histopathologically defined plaque fissure non-invasively |
| EP3142069B1 (en) * | 2015-09-10 | 2020-05-13 | Agfa HealthCare | Method, apparatus and system for analyzing medical images of blood vessels |
| US10634752B2 (en) * | 2015-09-14 | 2020-04-28 | Cedars-Sinai Medical Center | Motion corrected simultaneously acquired multiple contrast coronary MRI systems and methods |
| CA3005280A1 (en) | 2015-11-18 | 2017-05-26 | Lightlab Imaging, Inc. | X-ray image feature detection and registration systems and methods |
| ES2851548T3 (es) | 2015-11-23 | 2021-09-07 | Lightlab Imaging Inc | Detección y validación de sombras en imágenes intravasculares |
| WO2017092615A1 (zh) | 2015-11-30 | 2017-06-08 | 上海联影医疗科技有限公司 | 一种计算机辅助诊断系统及方法 |
| US9928602B2 (en) * | 2015-12-11 | 2018-03-27 | Novartis Ag | Fast and automated segmentation of layered image with heuristic graph search |
| US11278248B2 (en) | 2016-01-25 | 2022-03-22 | Avinger, Inc. | OCT imaging catheter with lag correction |
| JP6506422B2 (ja) * | 2016-02-05 | 2019-04-24 | 株式会社日立製作所 | 医用画像診断支援装置、および、磁気共鳴イメージング装置 |
| CN108882948A (zh) | 2016-04-01 | 2018-11-23 | 阿维格公司 | 具有锯齿状切割器的旋切术导管 |
| EP3443536B1 (en) | 2016-04-14 | 2021-12-15 | Lightlab Imaging, Inc. | Identification of branches of a blood vessel |
| WO2017201026A1 (en) | 2016-05-16 | 2017-11-23 | Lightlab Imaging, Inc. | Intravascular absorbable stent detection and diagnostic methods and systems |
| EP3461253B1 (en) | 2016-05-16 | 2023-08-09 | Cathworks Ltd. | Selection of vascular paths from images |
| EP3457930B1 (en) | 2016-05-16 | 2023-11-15 | Cathworks Ltd. | System for vascular assessment |
| JP2019518543A (ja) | 2016-06-03 | 2019-07-04 | アビンガー・インコーポレイテッドＡｖｉｎｇｅｒ， Ｉｎｃ． | 着脱可能な遠位端部を有するカテーテル装置 |
| JP6707131B2 (ja) * | 2016-06-24 | 2020-06-10 | オリンパス株式会社 | 画像処理装置、学習装置、画像処理方法、識別基準の作成方法、学習方法およびプログラム |
| EP3478190B1 (en) | 2016-06-30 | 2023-03-15 | Avinger, Inc. | Atherectomy catheter with shapeable distal tip |
| CN106251034A (zh) * | 2016-07-08 | 2016-12-21 | 大连大学 | 基于云计算技术的智慧节能电表监控系统 |
| CA3021481A1 (en) * | 2016-07-29 | 2018-02-01 | Novadaq Technologies ULC | Methods and systems for characterizing tissue of a subject utilizing machine learning |
| GB201615051D0 (en) * | 2016-09-05 | 2016-10-19 | Kheiron Medical Tech Ltd | Multi-modal medical image procesing |
| WO2018053486A1 (en) * | 2016-09-19 | 2018-03-22 | Radlink, Inc. | Composite radiographic image that corrects effects of parallax distortion |
| US10748319B1 (en) | 2016-09-19 | 2020-08-18 | Radlink, Inc. | Composite radiographic image that corrects effects of parallax distortion |
| CN117398183A (zh) | 2016-09-28 | 2024-01-16 | 光学实验室成像公司 | 利用血管表象的支架规划系统及方法 |
| US10163209B2 (en) | 2016-11-23 | 2018-12-25 | Toshiba Medical Systems Corporation | Medical image processing apparatus, medical image processing method, and X-ray CT apparatus |
| US10740880B2 (en) | 2017-01-18 | 2020-08-11 | Elucid Bioimaging Inc. | Systems and methods for analyzing pathologies utilizing quantitative imaging |
| EP3602394A1 (en) * | 2017-03-24 | 2020-02-05 | Pie Medical Imaging BV | Method and system for assessing vessel obstruction based on machine learning |
| US12089977B2 (en) | 2017-03-24 | 2024-09-17 | Pie Medical Imaging B.V. | Method and system for assessing vessel obstruction based on machine learning |
| EP3404667B1 (en) * | 2017-05-19 | 2024-02-28 | Siemens Healthineers AG | Learning based methods for personalized assessment, long-term prediction and management of atherosclerosis |
| JP7273803B2 (ja) * | 2017-05-24 | 2023-05-15 | バイオプロトニクス インコーポレイテッド | 特定のコントラスト機構を用いて構造的空間周波数を評価するための選択的サンプリング |
| JP6979151B2 (ja) * | 2017-05-26 | 2021-12-08 | 富士フイルムヘルスケア株式会社 | 磁気共鳴イメージング装置及び磁気共鳴画像処理方法 |
| EP3431005A1 (en) | 2017-07-19 | 2019-01-23 | Koninklijke Philips N.V. | Inflammation estimation from x-ray image data |
| US10489905B2 (en) * | 2017-07-21 | 2019-11-26 | Canon Medical Systems Corporation | Method and apparatus for presentation of medical images |
| US11257584B2 (en) | 2017-08-11 | 2022-02-22 | Elucid Bioimaging Inc. | Quantitative medical imaging reporting |
| WO2019044082A1 (ja) * | 2017-08-28 | 2019-03-07 | 富士フイルム株式会社 | 医用画像処理装置、方法およびプログラム |
| CN111033635B (zh) * | 2017-08-30 | 2024-01-30 | 皇家飞利浦有限公司 | 基于模型和成像数据的冠状动脉健康状态预测 |
| EP3346450A1 (en) * | 2017-10-09 | 2018-07-11 | Siemens Healthcare GmbH | Method for visualising a medical image data set, system for visualising a medical image data set, computer program product and computer-readable medium |
| CN107730497B (zh) * | 2017-10-27 | 2021-09-10 | 哈尔滨工业大学 | 一种基于深度迁移学习的血管内斑块属性分析方法 |
| US11120029B2 (en) * | 2017-11-10 | 2021-09-14 | Dream Book, Llc | Predicting and presenting images corresponding to features or products |
| CN107871318B (zh) * | 2017-11-16 | 2018-11-09 | 吉林大学 | 一种基于模型迁移的冠状动脉钙化斑块检测方法 |
| EP3489893B1 (en) * | 2017-11-22 | 2020-06-24 | Siemens Healthcare GmbH | Method and system for assessing a haemodynamic parameter |
| CN108182683B (zh) * | 2018-02-08 | 2020-01-21 | 山东大学 | 基于深度学习与迁移学习的ivus组织标注系统 |
| US10664999B2 (en) | 2018-02-15 | 2020-05-26 | Adobe Inc. | Saliency prediction for a mobile user interface |
| CN108364289B (zh) * | 2018-03-02 | 2021-05-14 | 成都斯斐德科技有限公司 | Ivoct图像易损斑块自动检测方法 |
| JP7299918B2 (ja) | 2018-04-19 | 2023-06-28 | アビンガー・インコーポレイテッド | 閉塞横断装置 |
| US11202599B2 (en) * | 2018-05-08 | 2021-12-21 | Cardiac Pacemakers, Inc. | Systems and methods for detecting arrhythmias |
| CN109300107B (zh) * | 2018-07-24 | 2021-01-22 | 深圳先进技术研究院 | 磁共振血管壁成像的斑块处理方法、装置和计算设备 |
| EP3826536A4 (en) * | 2018-07-25 | 2022-04-27 | Victor Chang Cardiac Research Institute | DETECTION OF UNSTABLE ATHEROSCLEROTIC PLAQUE AT HIGH RISK |
| KR102219378B1 (ko) * | 2018-10-31 | 2021-02-24 | 주식회사 휴이노 | 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
| US10964017B2 (en) * | 2018-11-15 | 2021-03-30 | General Electric Company | Deep learning for arterial analysis and assessment |
| CN109820537B (zh) * | 2018-12-05 | 2022-02-01 | 郭林 | 结石分布探测平台 |
| EP3671649A1 (en) * | 2018-12-19 | 2020-06-24 | Siemens Healthcare GmbH | Method and computer system for generating a combined tissue-vessel representation |
| CN109730656A (zh) * | 2019-01-09 | 2019-05-10 | 中国科学院苏州纳米技术与纳米仿生研究所 | 用于脉搏波信号分类的神经网络系统、计算机设备 |
| CN109919183B (zh) * | 2019-01-24 | 2020-12-18 | 北京大学 | 一种基于小样本的图像识别方法、装置、设备及存储介质 |
| US10813612B2 (en) | 2019-01-25 | 2020-10-27 | Cleerly, Inc. | Systems and method of characterizing high risk plaques |
| US11386555B2 (en) * | 2019-02-21 | 2022-07-12 | Case Western Reserve University | Assessment of arterial calcifications |
| EP3948886A4 (en) | 2019-04-01 | 2022-12-21 | CathWorks Ltd. | METHOD AND DEVICE FOR SELECTING ANGIOGRAPHIC IMAGES |
| JP7332338B2 (ja) * | 2019-05-28 | 2023-08-23 | 富士フイルムヘルスケア株式会社 | 画像診断支援装置、画像診断支援プログラム、および、医用画像取得装置 |
| WO2021026125A1 (en) * | 2019-08-05 | 2021-02-11 | Elucid Bioimaging Inc. | Combined assessment of morphological and perivascular disease markers |
| CN114424290B (zh) | 2019-08-05 | 2023-07-25 | 光实验成像公司 | 用于提供冠状动脉钙负荷的纵向显示的装置和方法 |
| CN110428417A (zh) * | 2019-08-13 | 2019-11-08 | 无锡祥生医疗科技股份有限公司 | 颈动脉斑块的性质判别方法、存储介质及超声装置 |
| US12039685B2 (en) | 2019-09-23 | 2024-07-16 | Cathworks Ltd. | Methods, apparatus, and system for synchronization between a three-dimensional vascular model and an imaging device |
| US11793400B2 (en) | 2019-10-18 | 2023-10-24 | Avinger, Inc. | Occlusion-crossing devices |
| EP3824814A1 (en) * | 2019-11-22 | 2021-05-26 | Koninklijke Philips N.V. | Assessment of measured tomographic data |
| CN111026664B (zh) * | 2019-12-09 | 2020-12-22 | 遵义职业技术学院 | 基于ann的程序检测方法和检测系统及应用 |
| EP4066207A4 (en) * | 2019-12-31 | 2023-01-25 | Shanghai United Imaging Healthcare Co., Ltd. | SYSTEMS AND METHODS FOR IMAGE PROCESSING |
| CN110781650B (zh) * | 2020-01-02 | 2020-04-14 | 四川大学 | 一种基于深度学习的裁判文书自动生成方法及系统 |
| US20220392065A1 (en) | 2020-01-07 | 2022-12-08 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
| JP2023509514A (ja) | 2020-01-07 | 2023-03-08 | クリールリー、 インコーポレーテッド | 医用画像分析、診断、重症度分類、意思決定、および／または疾患追跡のためのシステム、方法、およびデバイス |
| US11969280B2 (en) | 2020-01-07 | 2024-04-30 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
| EP4168981A4 (en) * | 2020-06-19 | 2024-07-17 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
| WO2022051211A1 (en) * | 2020-09-02 | 2022-03-10 | The General Hospital Corporation | System for and method of deep learning diagnosis of plaque erosion through optical coherence tomography |
| DE102020213920A1 (de) * | 2020-11-05 | 2022-05-05 | Siemens Healthcare Gmbh | MR-Scanner Steuerung |
| US12020217B2 (en) * | 2020-11-11 | 2024-06-25 | Cdk Global, Llc | Systems and methods for using machine learning for vehicle damage detection and repair cost estimation |
| RU2759070C1 (ru) * | 2020-12-11 | 2021-11-09 | Федеральное государственное бюджетное образовательное учреждение высшего образования «Тамбовский государственный технический университет» (ФГБОУ ВО «ТГТУ») | Способ оценки внутренней структуры атеросклеротических бляшек посредством интраваскулярной оптической когерентной томографии |
| US12045212B2 (en) | 2021-04-22 | 2024-07-23 | Cdk Global, Llc | Systems, methods, and apparatuses for verifying entries in disparate databases |
| US11803535B2 (en) | 2021-05-24 | 2023-10-31 | Cdk Global, Llc | Systems, methods, and apparatuses for simultaneously running parallel databases |
| US11887713B2 (en) | 2021-06-10 | 2024-01-30 | Elucid Bioimaging Inc. | Non-invasive determination of likely response to anti-diabetic therapies for cardiovascular disease |
| US11887701B2 (en) | 2021-06-10 | 2024-01-30 | Elucid Bioimaging Inc. | Non-invasive determination of likely response to anti-inflammatory therapies for cardiovascular disease |
| US11869186B2 (en) | 2021-06-10 | 2024-01-09 | Elucid Bioimaging Inc. | Non-invasive determination of likely response to combination therapies for cardiovascular disease |
| US11887734B2 (en) | 2021-06-10 | 2024-01-30 | Elucid Bioimaging Inc. | Systems and methods for clinical decision support for lipid-lowering therapies for cardiovascular disease |
| EP4402697A1 (en) * | 2021-09-17 | 2024-07-24 | Oxford University Innovation Limited | Machine learning cardiovascular condition progression |
| CN113962948A (zh) * | 2021-10-13 | 2022-01-21 | 上海联影医疗科技股份有限公司 | 斑块稳定性检测方法、装置、计算机设备和可读存储介质 |
| US20230289963A1 (en) | 2022-03-10 | 2023-09-14 | Cleerly, Inc. | Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination |
| US12144669B2 (en) | 2022-03-10 | 2024-11-19 | Cleerly, Inc. | Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination |
| US11983145B2 (en) | 2022-08-31 | 2024-05-14 | Cdk Global, Llc | Method and system of modifying information on file |
| WO2024123203A1 (ru) * | 2022-12-06 | 2024-06-13 | Общество с ограниченной ответственностью "Альбедо" | Способ предварительной диагностики болезней вен нижних конечностей |
| CN118247225A (zh) * | 2024-03-01 | 2024-06-25 | 语坤（北京）网络科技有限公司 | 人体医学信息确定方法、装置、计算设备及存储介质 |
| CN118799693B (zh) * | 2024-09-16 | 2024-11-15 | 东莞市东南部中心医院(东莞市东南部中医医疗服务中心) | 基于多模态影像融合的颈动脉斑块智能识别方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6231834B1 (en) * | 1995-06-07 | 2001-05-15 | Imarx Pharmaceutical Corp. | Methods for ultrasound imaging involving the use of a contrast agent and multiple images and processing of same |
| US20040142496A1 (en) * | 2001-04-23 | 2004-07-22 | Nicholson Jeremy Kirk | Methods for analysis of spectral data and their applications: atherosclerosis/coronary heart disease |
Family Cites Families (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4945478A (en) * | 1987-11-06 | 1990-07-31 | Center For Innovative Technology | Noninvasive medical imaging system and method for the identification and 3-D display of atherosclerosis and the like |
| US5003979A (en) * | 1989-02-21 | 1991-04-02 | University Of Virginia | System and method for the noninvasive identification and display of breast lesions and the like |
| GB9512012D0 (en) * | 1995-06-13 | 1995-08-09 | British Tech Group | Apparatus for image enhancement and related method |
| US6615071B1 (en) * | 1995-09-20 | 2003-09-02 | Board Of Regents, The University Of Texas System | Method and apparatus for detecting vulnerable atherosclerotic plaque |
| US6375925B1 (en) * | 1996-11-08 | 2002-04-23 | The Regents Of The University Of California | Methods and reagents for non-invasive imaging of atherosclerotic plaque |
| US5893069A (en) * | 1997-01-31 | 1999-04-06 | Quantmetrics R&D Associates, Llc | System and method for testing prediction model |
| US6507747B1 (en) * | 1998-12-02 | 2003-01-14 | Board Of Regents, The University Of Texas System | Method and apparatus for concomitant structural and biochemical characterization of tissue |
| US6200268B1 (en) * | 1999-09-10 | 2001-03-13 | The Cleveland Clinic Foundation | Vascular plaque characterization |
| US6443894B1 (en) * | 1999-09-29 | 2002-09-03 | Acuson Corporation | Medical diagnostic ultrasound system and method for mapping surface data for three dimensional imaging |
| DE60134223D1 (de) * | 2000-05-09 | 2008-07-10 | Paieon Inc | System und verfahren für drei-dimentionale rekonstruktion von einer arterie |
| WO2001093745A2 (en) * | 2000-06-06 | 2001-12-13 | The Research Foundation Of State University Of New York | Computer aided visualization, fusion and treatment planning |
| US7604599B2 (en) * | 2000-09-29 | 2009-10-20 | New Health Sciences, Inc. | Systems and methods for using dynamic vascular assessment to improve vascular stent placement, application, design and marketing |
| US7082325B2 (en) * | 2003-07-24 | 2006-07-25 | Dune Medical Devices Ltd. | Method and apparatus for examining a substance, particularly tissue, to characterize its type |
| US20030211036A1 (en) * | 2002-05-07 | 2003-11-13 | Hadassa Degani | Method and apparatus for monitoring and quantitatively evaluating tumor perfusion |
| US7031426B2 (en) * | 2002-07-23 | 2006-04-18 | Ge Medical Systems Global Technology Company, Llc | Methods and system for detecting components of plaque |
| US6922462B2 (en) * | 2002-07-31 | 2005-07-26 | Ge Medical Systems Global Technology Company, Llc | Method, system and computer product for plaque characterization |
| US20040047497A1 (en) * | 2002-09-10 | 2004-03-11 | Confirma, Inc. | User interface for viewing medical images |
| US20040061889A1 (en) * | 2002-09-27 | 2004-04-01 | Confirma, Inc. | System and method for distributing centrally located pre-processed medical image data to remote terminals |
| US7260249B2 (en) * | 2002-09-27 | 2007-08-21 | Confirma Incorporated | Rules-based approach for processing medical images |
| US6928142B2 (en) * | 2002-10-18 | 2005-08-09 | Koninklijke Philips Electronics N.V. | Non-invasive plaque detection using combined nuclear medicine and x-ray system |
| DE10249643A1 (de) * | 2002-10-24 | 2004-05-13 | Siemens Ag | Verfahren zur Unterstützung der Diagnose und/oder Therapie einer krankhaften Veränderung eines Blutgefäßes und hierzu hergerichtete Datenverarbeitungseinrichtung |
| US7715900B2 (en) * | 2002-12-19 | 2010-05-11 | University Of Washington | Quadruple inversion recovery for quantitative contrast-enhanced black blood imaging |
| US7175597B2 (en) * | 2003-02-03 | 2007-02-13 | Cleveland Clinic Foundation | Non-invasive tissue characterization system and method |
| US7315756B2 (en) * | 2003-03-03 | 2008-01-01 | University Of Washington | Multi-slice double inversion-recovery black-blood imaging with simultaneous slice re-inversion |
| EP1629434A2 (en) * | 2003-03-20 | 2006-03-01 | University of Washington | Computation of wall thickness |
| US20040243022A1 (en) * | 2003-04-29 | 2004-12-02 | Medtronic Vascular, Inc. | Method and system of detecting vulnerable plaque by sensing motion of thin fibrous cap |
| JP4263943B2 (ja) * | 2003-05-07 | 2009-05-13 | テルモ株式会社 | 超音波診断装置 |
| US20040267110A1 (en) * | 2003-06-12 | 2004-12-30 | Patrice Tremble | Method for detection of vulnerable plaque |
| WO2005004781A1 (en) * | 2003-06-13 | 2005-01-20 | Imarx Therapeutics, Inc. | Non-invasive intravascular thrombolyisis using modified ultrasound techniques |
| US7787927B2 (en) * | 2003-06-20 | 2010-08-31 | Merge Cad Inc. | System and method for adaptive medical image registration |
| US7369887B2 (en) * | 2003-06-26 | 2008-05-06 | Mount Sinai School Of Medicine | Rapid multislice black blood double-inversion recovery technique for blood vessel imaging |
| WO2005020790A2 (en) * | 2003-08-21 | 2005-03-10 | Ischem Corporation | Automated methods and systems for vascular plaque detection and analysis |
-
2004
- 2004-08-21 WO PCT/US2004/027171 patent/WO2005020790A2/en active Application Filing
- 2004-08-21 AU AU2004268576A patent/AU2004268576A1/en not_active Abandoned
- 2004-08-21 CN CNA2004800272369A patent/CN1929781A/zh active Pending
- 2004-08-21 EA EA200600452A patent/EA009382B1/ru not_active IP Right Cessation
- 2004-08-21 US US10/923,124 patent/US7657299B2/en not_active Expired - Fee Related
- 2004-08-21 EP EP04781785A patent/EP1662974A4/en not_active Ceased
- 2004-08-21 CA CA002535942A patent/CA2535942A1/en not_active Abandoned
- 2004-08-21 JP JP2006524086A patent/JP2007502676A/ja active Pending
-
2006
- 2006-02-14 IL IL173720A patent/IL173720A0/en unknown
-
2009
- 2009-08-14 US US12/541,855 patent/US8068894B2/en not_active Expired - Fee Related
-
2010
- 2010-04-30 AU AU2010201770A patent/AU2010201770A1/en not_active Abandoned
-
2011
- 2011-11-15 US US13/297,259 patent/US20120130226A1/en not_active Abandoned
-
2014
- 2014-05-05 US US14/270,330 patent/US20150016702A1/en not_active Abandoned
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6231834B1 (en) * | 1995-06-07 | 2001-05-15 | Imarx Pharmaceutical Corp. | Methods for ultrasound imaging involving the use of a contrast agent and multiple images and processing of same |
| US20040142496A1 (en) * | 2001-04-23 | 2004-07-22 | Nicholson Jeremy Kirk | Methods for analysis of spectral data and their applications: atherosclerosis/coronary heart disease |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2508056C2 (ru) * | 2008-08-12 | 2014-02-27 | Конинклейке Филипс Электроникс Н.В. | Способ составления и вычисления объема в системе ультразвуковой визуализации |
| RU2533626C2 (ru) * | 2008-11-05 | 2014-11-20 | Конинклейке Филипс Электроникс Н.В. | Автоматическое последовательное планирование мр-сканирования |
| RU2612859C2 (ru) * | 2010-10-14 | 2017-03-13 | Конинклейке Филипс Электроникс Н.В. | Сбор магнитно-резонансных данных с использованием наблюдения физиологического состояния |
| RU2713707C2 (ru) * | 2015-04-30 | 2020-02-06 | Конинклейке Филипс Н.В. | Классификация тканей головного мозга |
| RU2631559C1 (ru) * | 2016-08-19 | 2017-09-25 | Федеральное государственное бюджетное научное учреждение "Научный центр неврологии" (ФГБНУ НЦН) | Способ выбора оперативного вмешательства при поражениях внутренних сонных артерий |
| RU2637297C1 (ru) * | 2016-11-21 | 2017-12-01 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Рязанский государственный медицинский университет имени академика И.П. Павлова" Министерства здравоохранения Российской Федерации | Способ определения особенностей течения эпилепсии на основе физиологических показателей методом логит-регрессионного анализа |
| RU2693169C1 (ru) * | 2018-09-03 | 2019-07-01 | Федеральное государственное бюджетное научное учреждение "Научный центр неврологии" (ФГБНУ НЦН) | Способ определения структурных характеристик атеросклеротической бляшки сонных артерий |
| RU2723741C1 (ru) * | 2019-12-04 | 2020-06-17 | ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ УЧРЕЖДЕНИЕ "РОССИЙСКИЙ НАУЧНЫЙ ЦЕНТР РАДИОЛОГИИ И ХИРУРГИЧЕСКИХ ТЕХНОЛОГИЙ ИМЕНИ АКАДЕМИКА А.М. ГРАНОВА" МИНИСТЕРСТВА ЗДРАВООХРАНЕНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ/ФГБУ "РНЦРХТ им. академика А.М. Гранова" Минздрава России | Способ прогнозирования опасности эмбологенного разрыва нестабильной каротидной атеросклеротической бляшки |
| RU2767875C1 (ru) * | 2020-12-14 | 2022-03-22 | Федеральное государственное бюджетное учреждение высшего образования «Тамбовский государственный технический университет» (ФГБОУ ВО «ТГТУ») | Способ оценки стабильности атеросклеротической бляшки посредством интраваскулярной оптической когерентной томографии |
Also Published As
| Publication number | Publication date |
|---|---|
| US20100185079A1 (en) | 2010-07-22 |
| US8068894B2 (en) | 2011-11-29 |
| US20150016702A1 (en) | 2015-01-15 |
| US20120130226A1 (en) | 2012-05-24 |
| CA2535942A1 (en) | 2005-03-10 |
| EP1662974A2 (en) | 2006-06-07 |
| AU2004268576A1 (en) | 2005-03-10 |
| WO2005020790A2 (en) | 2005-03-10 |
| US20050043614A1 (en) | 2005-02-24 |
| CN1929781A (zh) | 2007-03-14 |
| JP2007502676A (ja) | 2007-02-15 |
| WO2005020790A3 (en) | 2006-08-24 |
| EP1662974A4 (en) | 2009-06-03 |
| IL173720A0 (en) | 2006-07-05 |
| AU2010201770A1 (en) | 2010-05-27 |
| US7657299B2 (en) | 2010-02-02 |
| EA200600452A1 (ru) | 2006-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EA009382B1 (ru) | Автоматизированные способы и системы для обнаружения и анализа сосудистых бляшек | |
| JP7542578B2 (ja) | 定量的イメージングを利用するための方法およびシステム | |
| CN112368781B (zh) | 基于机器学习来评估血管阻塞的方法和系统 | |
| US11120312B2 (en) | Quantitative imaging for cancer subtype | |
| Acharya et al. | Atherosclerotic risk stratification strategy for carotid arteries using texture-based features | |
| JP2022522960A (ja) | 動脈画像領域及びそれらの特徴を分類するシステム及び方法 | |
| WO2023172970A1 (en) | Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination | |
| US20120166211A1 (en) | Method and apparatus for aiding imaging diagnosis using medical image, and image diagnosis aiding system for performing the method | |
| US20230172451A1 (en) | Medical image visualization apparatus and method for diagnosis of aorta | |
| Yang et al. | Development and validation of two artificial intelligence models for diagnosing benign, pigmented facial skin lesions | |
| US12112852B2 (en) | CAD device and method for analysing medical images | |
| Taki et al. | An IVUS image-based approach for improvement of coronary plaque characterization | |
| Peña-Solórzano et al. | Findings from machine learning in clinical medical imaging applications–Lessons for translation to the forensic setting | |
| Santhiyakumari et al. | Medical decision-making system of ultrasound carotid artery intima–media thickness using neural networks | |
| Chen et al. | Ultrasound lmaging-vulnerable plaque diagnostics: Automatic carotid plaque segmentation based on deep learning | |
| Singh et al. | An automated method for detecting the scar tissue in the left ventricular endocardial wall using deep learning approach | |
| Singh et al. | A comprehensive assessment of artificial intelligence applications for cancer diagnosis | |
| KR102469907B1 (ko) | 복수의 폐질환을 스크리닝하기 위한 의료 영상 재구성 장치 및 방법 | |
| Lee et al. | Automated classification of dense calcium tissues in gray-scale intravascular ultrasound images using a deep belief network | |
| CN110163195A (zh) | 肝癌分群预测模型、其预测系统以及肝癌分群判断方法 | |
| Zhu et al. | [Retracted] Artificial Intelligence‐Based Echocardiographic Left Atrial Volume Measurement with Pulmonary Vein Comparison | |
| Rashmitha et al. | Segmentation and volumetric analysis of heart from cardiac CT images | |
| Nene | Applying deep learning to identify imaging biomarkers to predict cardiac outcomes in cancer patients | |
| Kim et al. | A Novel Deep Learning–based Artificial Intelligence System for Interpreting Urolithiasis in Computed Tomography | |
| AU2013273852A1 (en) | Automated methods and systems for vascular plaque detection and analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | Lapse of a eurasian patent due to non-payment of renewal fees within the time limit in the following designated state(s) |
Designated state(s): AM AZ BY KZ KG MD TJ TM |
|
| MM4A | Lapse of a eurasian patent due to non-payment of renewal fees within the time limit in the following designated state(s) |
Designated state(s): RU |