JP6378779B2 - 流量比を用いて血流の特徴を決定するシステム及び方法 - Google Patents
流量比を用いて血流の特徴を決定するシステム及び方法 Download PDFInfo
- Publication number
- JP6378779B2 JP6378779B2 JP2016559441A JP2016559441A JP6378779B2 JP 6378779 B2 JP6378779 B2 JP 6378779B2 JP 2016559441 A JP2016559441 A JP 2016559441A JP 2016559441 A JP2016559441 A JP 2016559441A JP 6378779 B2 JP6378779 B2 JP 6378779B2
- Authority
- JP
- Japan
- Prior art keywords
- patient
- model
- blood flow
- geometric model
- computer system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus, e.g. for MRI, optical tomography or impedance tomography apparatus; Arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus, e.g. for MRI, optical tomography or impedance tomography apparatus; Arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0044—Features or image-related aspects of imaging apparatus, e.g. for MRI, optical tomography or impedance tomography apparatus; Arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the heart
-
- 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
- A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- A61B5/021—Measuring pressure in heart or blood vessels
-
- 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
- A61B5/026—Measuring blood flow
- A61B5/0263—Measuring blood flow using NMR
-
- 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
- A61B5/026—Measuring blood flow
- A61B5/029—Measuring blood output from the heart, e.g. minute volume
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Measuring devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1073—Measuring volume, e.g. of limbs
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7278—Artificial waveform generation or derivation, e.g. synthesizing signals from measured signals
-
- 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
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- 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
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/503—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the heart
-
- 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
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/507—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for determination of haemodynamic parameters, e.g. perfusion CT
-
- 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/02—Measuring pulse or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/04—Measuring blood pressure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/06—Measuring blood flow
- A61B8/065—Measuring blood flow to determine blood output from the heart
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating three-dimensional [3D] models or images for computer graphics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
- A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus, e.g. for MRI, optical tomography or impedance tomography apparatus; Arrangements of imaging apparatus in a room
- A61B5/0037—Performing a preliminary scan, e.g. a prescan for identifying a region of interest
-
- 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
- A61B5/02028—Determining haemodynamic parameters not otherwise provided for, e.g. cardiac contractility or left ventricular ejection fraction
-
- 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
- A61B5/026—Measuring blood flow
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Cardiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physiology (AREA)
- Radiology & Medical Imaging (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Hematology (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Software Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Databases & Information Systems (AREA)
- Vascular Medicine (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
Description
（優先権）
本願は、２０１４年３月３１日出願の米国仮特許出願第６１／９７３，０９１号の利益を主張するものであり、該出願は、参照することで、その全体が本明細書に組み込まれる。
本願は、２０１４年３月３１日出願の米国仮特許出願第６１／９７３，０９１号の利益を主張するものであり、該出願は、参照することで、その全体が本明細書に組み込まれる。
実施形態は、流量のモデリングの方法及びシステム、より詳細には、患者固有の血流のモデリングの方法及びシステムを含む。
冠動脈疾患は、心臓に血液を供給する血管に冠状動脈病変、例えば、狭窄（血管の異常な狭小化）を発生させる可能性がある。結果として、心臓への血流が制限される恐れがある。冠動脈疾患に罹患した患者は、身体労作中の慢性安定狭心症または安静時の不安定狭心症と称される胸痛を経験し得る。疾患のより重篤な症状は、心筋梗塞または心臓発作につながる恐れがある。
冠状動脈病変に関するより正確なデータ、例えば、サイズ、形状、位置、機能的重要性（例えば、その病変が血流に影響を及ぼすかどうか）などを提供する必要性が存在する。胸痛を患っている、及び／または冠動脈疾患の兆候を示す患者は、冠状動脈病変に関する何らかの間接的な証拠を提供し得る１つまたは複数の検査を受けることがある。例えば、非侵襲的検査には、心電図、血液検査からのバイオマーカー評価、トレッドミル試験、心エコー検査、単一ポジトロン放出コンピュータ断層撮影法（ＳＰＥＣＴ）、及びポジトロン放出断層撮影法（ＰＥＴ）が含まれ得る。しかしながら、これらの非侵襲的検査は、通常は、冠状動脈病変の直接的評価を提供しない、または血流量を評価しない。非侵襲的検査は、心臓の電気的活動の変化（例えば、心電図記録法（ＥＣＧ）を用いて）、心筋の動作（例えば、負荷心エコー法を用いて）、心筋の灌流（例えば、ＰＥＴまたはＳＰＥＣＴを用いて）、または代謝変化（例えば、バイオマーカーを用いて）を探ることによって冠状動脈病変の間接的な証拠を提供することができる。
例えば、解剖学的データは、冠状動脈コンピュータ断層血管造影（ＣＣＴＡ）によって非侵襲的に取得することができる。ＣＣＴＡは、胸痛を有する患者の画像化に使用することができ、造影剤の静脈内注入後に心臓及び冠状動脈を画像化するためのコンピュータ断層撮影（ＣＴ）技術の使用を伴う。しかしながら、ＣＣＴＡは、冠状動脈病変の機能的重要性、例えば、その病変が血流に影響を及ぼすかどうかについての直接的情報を提供することはできない。さらに、ＣＣＴＡは単に診断的検査であることから、他の生理学的状態下、例えば、運動下での冠動脈血流、血圧、または心筋灌流の変化を予想するために使用することはできず、またインターベンションの結果を予想するために使用することもできない。
したがって、患者は、冠状動脈病変を可視化するために診断的心臓カテーテル検査などの侵襲的検査を要することもある。診断的心臓カテーテル検査は、従来の冠状動脈造（ＣＣＡ）を実施して、動脈のサイズ及び形状の画像を医師に提供することによって、冠状動脈病変の解剖学的データを収集することを含み得る。しかしながら、ＣＣＡは、冠状動脈病変の機能的重要性を評価するためのデータを提供しない。例えば、医師は、その病変が機能的に重要であるかどうかを特定せずに、冠状動脈病変が有害であるかどうかを診断することはできないかもしれない。したがって、ＣＣＡは、病変が機能的に重要であるか否かにかかわらず、ＣＣＡで発見されたあらゆる病変にステントを挿入する、一部のインターベンション心臓専門医の「ｏｃｕｌｏｓｔｅｎｏｔｉｃ ｒｅｆｌｅｘ（発見した狭窄に対する反射）」と呼ばれる行為につながっている。結果として、ＣＣＡは、患者に対する不必要な手術につながる可能性があり、これは患者に副次的なリスクを与える可能性があり、また患者に不必要な医療費をもたらし得る。
診断的心臓カテーテル検査において、観察される病変の冠血流予備量比（ＦＦＲ）を測定することによって、冠状動脈病変の機能的重要性を侵襲的に評価することができる。ＦＦＲは、（例えば、アデノシンの静脈内投与によって誘発される）冠動脈血流が増加する条件下での、病変下流の平均血圧を病変上流の平均血圧（例えば、大動脈圧）で除算した比として定義される。この血圧は、患者にプレッシャーワイヤーを挿入することによって測定することができる。したがって、特定されたＦＦＲに基づく病変の治療の決定は、初期費用後になされ、また診断的心臓カテーテル検査のリスクは既に生じている。
したがって、冠状動脈の解剖学的形態、心筋灌流、及び冠動脈血流を非侵襲的に評価する方法に対する必要性が存在する。そのような方法及びシステムは、冠動脈疾患が疑われる患者を診断し、治療を計画する心臓専門医に利益をもたらし得る。さらに、直接測定できない条件下、例えば、運動下での冠動脈血流及び心筋灌流を予測し、冠動脈血流及び心筋灌流に対する薬物治療、インターベンション治療、及び外科治療の結果を予測する方法に対する必要性も存在する。
前述の一般的な説明及び以下の詳細な説明は、どちらも例示的かつ説明的なものにすぎず、本開示を制限するものではないことを理解すべきである。
実施形態によれば、患者の心血管情報を決定するシステムは、患者の解剖学的構造体、例えば、患者の心臓の幾何学的形状に関する患者固有のデータを受信し、患者固有のデータに基づいて、解剖学的構造体の少なくとも一部を表すモデル、例えば、三次元モデルを作成し、患者の解剖学的構造体内の血流の特徴に関する物理学に基づくモデルを作成するように構成された少なくとも１つのコンピュータシステムを含む。少なくとも１つのコンピュータシステムは、物理学に基づくモデルの解に基づいて、モデルにおける少なくとも１つの着目点で患者の解剖学的構造体内の第１の血流量を決定し、モデルを修正し、モデルにおける少なくとも１つの着目点に対応する修正モデルにおける１点で第２の血流量を決定するようにさらに構成されている。少なくとも１つのコンピュータシステムは、修正モデルにおける第２の血流量のモデルにおける第１の血流量に対する比として冠血流予備量比値を決定するようにさらに構成されている。少なくとも１つの実施形態において、モデルは、例えば、一次元モデル、二次元モデル、または三次元モデルを含み得る。少なくとも１つの実施形態において、モデルを修正することは、少なくとも１つの着目点の近位にある１つまたは複数の解剖学的制限を除去することを含み得る。少なくとも１つの実施形態において、モデルを修正することは、少なくとも１つの着目点の近位にある１つまたは複数の解剖学的制限を除去することを含み得る。
別の実施形態によれば、少なくとも１つのコンピュータシステムを用いて患者固有の心血管情報を決定する方法は、患者の解剖学的構造体、例えば、患者の心臓の幾何学的形状に関する患者固有のデータを少なくとも１つのコンピュータシステムに入力することと、少なくとも１つのコンピュータシステムを用いて、患者固有のデータに基づいて、患者の解剖学的構造体の少なくとも一部を表すモデル、例えば、三次元モデルを作成することと、少なくとも１つのコンピュータシステムを用いて、患者の解剖学的構造体内の血流の特徴に関する物理学に基づくモデルを作成することとを含む。本方法は、モデルにおける患者の解剖学的構造体内の少なくとも１つの着目点を特定することと、物理学に基づくモデルの解に基づいて、モデルにおける少なくとも１つの着目点で患者の解剖学的構造体内の第１の血流量を決定することと、モデルを修正することとをさらに含む。本方法は、モデルにおける少なくとも１つの着目点に対応する修正モデルにおける１点で第２の血流量を決定することと、少なくとも１つのコンピュータシステムを用いて、修正モデルにおける第２の血流量のモデルにおける第１の血流量に対する比として冠血流予備量比値を決定することとをさらに含む。少なくとも１つの実施形態において、モデルは、例えば、一次元モデル、二次元モデル、または三次元モデルを含み得る。少なくとも１つの実施形態において、モデルを修正することは、少なくとも１つの着目点の近位にある１つまたは複数の解剖学的制限を除去することを含み得る。
別の実施形態によれば、患者固有の心血管情報の決定方法を実施するコンピュータ実行可能なプログラミング命令を含む少なくとも１つのコンピュータシステム上で使用される非一時的なコンピュータ可読媒体であって、該方法は、患者の解剖学的構造体、例えば、患者の心臓の幾何学的形状に関する患者固有のデータを受信することと、患者固有のデータに基づいて、患者の解剖学的構造体の少なくとも一部を表すモデル、例えば、三次元モデルを作成することと、前記患者の解剖学的構造体内の血流の特徴に関する物理学に基づくモデルを作成することとを含む。本方法は、物理学に基づくモデルの解に基づいて、モデルにおける少なくとも１つの着目点で患者の解剖学的構造体内の第１の血流量を決定することと、モデルを修正することと、モデルにおける少なくとも１つの着目点に対応する修正モデルにおける１点で第２の血流量を決定することとをさらに含む。本方法は、修正モデルにおける第２の血流量のモデルにおける第１の血流量に対する比として冠血流予備量比値を決定することをさらに含む。少なくとも１つの実施形態において、モデルは、例えば、一次元モデル、二次元モデル、または三次元モデルを含み得る。少なくとも１つの実施形態において、モデルを修正することは、少なくとも１つの着目点の近位にある１つまたは複数の解剖学的制限を除去することを含み得る。
別の実施形態によれば、少なくとも１つのコンピュータシステムを用いて患者固有の心血管情報を決定する方法は、患者の解剖学的構造体、例えば、患者の心臓の幾何学的形状に関する患者固有のデータを少なくとも１つのコンピュータシステムに入力することと、少なくとも１つのコンピュータシステムを用いて、患者固有のデータに基づいて、患者の解剖学的構造体の少なくとも一部を表すモデル、例えば、三次元モデルを作成することと、少なくとも１つのコンピュータシステムを用いて、患者の解剖学的構造体内の血流の特徴に関する物理学に基づくモデルを作成することとを含む。本方法は、モデルにおける患者の解剖学的構造体内の少なくとも１つの着目点を特定することと、物理学に基づくモデルの解に基づいて、モデルにおける少なくとも１つの着目点で第１の血流量を決定することと、モデルから次数低減モデルを導出することとをさらに含む。本方法は、次数低減モデルを修正することと、モデルにおける少なくとも１つの着目点に対応する修正された次数低減モデルにおける１点で第２の血流量を決定することと、少なくとも１つのコンピュータシステムを用いて、修正された次数低減モデルにおける第２の血流量のモデルにおける第１の血流量に対する比として冠血流予備量比値を決定することとをさらに含む。少なくとも１つの実施形態において、モデルは、例えば、一次元モデル、二次元モデル、または三次元モデルを含み得る。少なくとも１つの実施形態において、モデルを修正することは、少なくとも１つの着目点の近位にある１つまたは複数の解剖学的制限を除去することを含み得る。
別の実施形態によれば、患者の心血管情報を決定するシステムは、患者の心臓の幾何学的形状に関する患者固有のデータを受信し、患者固有のデータに基づいて患者の心臓の少なくとも一部を表す三次元モデルを作成するように構成された少なくとも１つのコンピュータシステムを含む。少なくとも１つのコンピュータシステムは、患者の心臓の血流の特徴に関する物理学に基づくモデルを作成し、三次元モデルと物理学に基づくモデルに基づいて患者の心臓内の冠血流予備量比を決定するようにさらに構成されている。
別の実施形態によれば、少なくとも１つのコンピュータシステムを用いて患者固有の心血管情報を決定する方法は、患者の心臓の幾何学的形状に関する患者固有のデータを少なくとも１つのコンピュータシステムに入力することと、少なくとも１つのコンピュータシステムを用いて、患者固有のデータに基づいて患者の心臓の少なくとも一部を表す三次元モデルを作成することとを含む。本方法は、少なくとも１つのコンピュータシステムを用いて、患者の心臓の血流の特徴に関する物理学に基づくモデルを作成することと、少なくとも１つのコンピュータシステムを用いて、三次元モデルと物理学に基づくモデルに基づいて患者の心臓内の冠血流予備量比を決定することとをさらに含む。
別の実施形態によれば、患者固有の心血管情報の決定方法を実施するコンピュータ実行可能なプログラミング命令を含む少なくとも１つのコンピュータシステム上で使用される非一時的なコンピュータ可読媒体を提供する。本方法は、患者の心臓の幾何学的形状に関する患者固有のデータを受信することと、患者固有のデータに基づいて患者の心臓の少なくとも一部を表す三次元モデルを作成することとを含む。本方法は、患者の心臓内の血流の特徴に関する物理学に基づくモデルを作成し、三次元モデルと物理学に基づくモデルに基づいて患者の心臓内の冠血流予備量比を決定することとをさらに含む。
別の実施形態によれば、患者に対する治療を計画するシステムは、患者の解剖学的構造体の幾何学的形状に関する患者固有のデータを受信し、患者固有のデータに基づいて、患者の解剖学的構造体の少なくとも一部を表す三次元モデルを作成するように構成された少なくとも１つのコンピュータシステムを含む。少なくとも１つのコンピュータシステムは、三次元モデルと患者の解剖学的構造体に関する物理学に基づくモデルに基づいて、患者の解剖学的構造体内の血流の特徴に関する第１の情報を決定し、三次元モデルを修正し、修正された三次元モデルに基づいて、患者の解剖学的構造体内の血流の特徴に関する第２の情報を決定するようにさらに構成されている。
別の実施形態によれば、患者に対する治療を計画する方法を実施するコンピュータ実行可能なプログラミング命令を含むコンピュータシステム上で使用される非一時的なコンピュータ可読媒体を提供する。本方法は、患者の解剖学的構造体の幾何学的形状に関する患者固有のデータを受信することと、患者固有のデータに基づいて、患者の解剖学的構造体の少なくとも一部を表す三次元モデルを作成することとを含む。本方法は、三次元モデルと患者の解剖学的構造体に関する物理学に基づくモデルに基づいて、患者の解剖学的構造体内の血流の特徴に関する第１の情報を決定することと、患者の解剖学的構造体の幾何学的形状における所望の変化に基づいて、患者の解剖学的構造体内の血流の特徴に関する第２の情報を決定することとをさらに含む。
別の実施形態によれば、コンピュータシステムを用いて患者に対する治療を計画する方法は、患者の解剖学的構造体の幾何学的形状に関する患者固有のデータを少なくとも１つのコンピュータシステムに入力することと、少なくとも１つのコンピュータシステムを用いて、患者固有のデータに基づいて、患者の解剖学的構造体の少なくとも一部を表す三次元モデルを作成することとを含む。本方法は、少なくとも１つのコンピュータシステムを用いて、三次元モデルと患者の解剖学的構造体に関する物理学に基づくモデルに基づいて、患者の解剖学的構造体内の血流の特徴に関する第１の情報を決定することとをさらに含む。また、本方法は、少なくとも１つのコンピュータシステムを用いて、三次元モデルを修正することと、少なくとも１つのコンピュータシステムを用いて、修正された三次元モデルに基づいて、患者の解剖学的構造体内の血流の特徴に関する第２の情報を決定することとを含む。
別の実施形態によれば、患者に対する治療を計画するシステムは、患者の解剖学的構造体の幾何学的形状に関する患者固有のデータを受信し、患者固有のデータに基づいて、患者の解剖学的構造体の少なくとも一部を表す三次元モデルを作成するように構成された少なくとも１つのコンピュータシステムを含む。また、少なくとも１つのコンピュータシステムは、三次元モデルと患者の生理学的状態に関する情報に基づいて、患者の解剖学的構造体内の血流の特徴に関する第１の情報を決定し、患者の生理学的状態を修正し、修正された患者の生理学的状態に基づいて、患者の解剖学的構造体内の血流の特徴に関する第２の情報を決定するように構成されている。
別の実施形態によれば、患者に対する治療を計画する方法を実施するコンピュータ実行可能なプログラミング命令を含むコンピュータシステム上で使用される非一時的なコンピュータ可読媒体を提供する。本方法は、患者の解剖学的構造体の幾何学的形状に関する患者固有のデータを受信することと、患者固有のデータに基づいて、患者の解剖学的構造体の少なくとも一部を表す三次元モデルを作成することとを含む。本方法は、三次元モデルと患者の生理学的状態に関する情報に基づいて、患者の解剖学的構造体内の血流の特徴に関する第１の情報を決定することと、患者の生理学的状態における所望の変化に基づいて、患者の解剖学的構造体内の血流の特徴に関する第２の情報を決定することとをさらに含む。
別の実施形態によれば、少なくとも１つのコンピュータシステムを用いて患者に対する治療を計画する方法は、患者の解剖学的構造体の幾何学的形状に関する患者固有のデータを少なくとも１つのコンピュータシステムに入力することと、少なくとも１つのコンピュータシステムを用いて、患者固有のデータに基づいて、患者の解剖学的構造体の少なくとも一部を表す三次元モデルを作成することとを含む。また、本方法は、少なくとも１つのコンピュータシステムを用いて、三次元モデルと患者の生理学的状態に関する情報に基づいて、患者の解剖学的構造体内の血流の特徴に関する第１の情報を決定することを含む。本方法は、少なくとも１つのコンピュータシステムを用いて、患者の生理学的状態を修正することと、少なくとも１つのコンピュータシステムを用いて、修正された患者の生理学的状態に基づいて、患者の解剖学的構造体内の血流の特徴に関する第２の情報を決定することとをさらに含む。
別の実施形態によれば、患者固有の心血管情報を決定するシステムは、患者の解剖学的構造体の幾何学的形状に関する患者固有のデータを受信し、患者固有のデータに基づいて、患者の解剖学的構造体の少なくとも一部を表す三次元モデルを作成するように構成された少なくとも１つのコンピュータシステムを含む。また、少なくとも１つのコンピュータシステムは、患者の解剖学的構造体の一部を介して総流量に関連する全抵抗を決定し、三次元モデル、患者の解剖学的構造体に関する物理学に基づくモデル、及び決定された全抵抗に基づいて、患者の解剖学的構造体内の血流の特徴に関する情報を決定するように構成されている。
別の実施形態によれば、少なくとも１つのコンピュータシステムを用いて患者固有の心血管情報を決定する方法は、患者の解剖学的構造体の幾何学的形状に関する患者固有のデータを少なくとも１つのコンピュータシステムに入力することと、少なくとも１つのコンピュータを用いて、患者固有のデータに基づいて、患者の解剖学的構造体の少なくとも一部を表す三次元モデルを作成することとを含む。また、本方法は、少なくとも１つのコンピュータを用いて、患者の解剖学的構造体の一部を介して総流量に関連する全抵抗を決定することと、少なくとも１つのコンピュータを用いて、三次元モデル、患者の解剖学的構造体に関する物理学に基づくモデル、及び決定された全抵抗に基づいて、患者の解剖学的構造体内の血流の特徴に関する情報を決定することとを含む。
別の実施形態によれば、患者固有の心血管情報の決定方法を実施するコンピュータ実行可能なプログラミング命令を含むコンピュータシステム上で使用される非一時的なコンピュータ可読媒体を提供する。本方法は、患者の解剖学的構造体の幾何学的形状に関する患者固有のデータを受信することと、患者固有のデータに基づいて、患者の解剖学的構造体の少なくとも一部を表す三次元モデルを作成することとを含む。また、本方法は、患者の解剖学的構造体の一部を介して総流量に関連する全抵抗を決定することと、三次元モデル、患者の解剖学的構造体に関する物理学に基づくモデル、及び決定された全抵抗に基づいて、患者の解剖学的構造体内の血流の特徴に関する情報を決定することとを含む。
別の実施形態によれば、ウェブサイトを用いて患者固有の心血管情報を提供するシステムは、遠隔ユーザにウェブサイトをアクセスし、患者の解剖学的構造体の幾何学的形状の少なくとも一部に関する患者固有のデータを受信し、患者固有のデータに基づいて、患者の解剖学的構造体の少なくとも一部を表す三次元モデルを作成し、三次元モデルと患者の生理学的状態に基づいて、患者の解剖学的構造体内の血流の特徴に関する情報を決定するように構成された少なくとも１つのコンピュータシステムを含む。また、少なくとも１つのコンピュータシステムは、ウェブサイトを用いて、患者の解剖学的構造体の少なくとも一部の第１の三次元シミュレーションに関する表示情報を遠隔ユーザに通信するように構成されている。三次元シミュレーションは、血流の特徴に関する決定された情報を含む。
別の実施形態によれば、ウェブサイトを用いて患者固有の心血管情報を提供する方法は、少なくとも１つのコンピュータシステムを用いて、遠隔ユーザにウェブサイトをアクセスさせることと、少なくとも１つのコンピュータシステムを用いて、患者の解剖学的構造体の幾何学的形状の少なくとも一部に関する患者固有のデータを受信することとを含む。また、本方法は、少なくとも１つのコンピュータシステムを用いて、患者固有のデータに基づいて、患者の解剖学的構造体の少なくとも一部を表す三次元モデルを作成することと、少なくとも１つのコンピュータシステムを用いて、三次元モデルと患者の生理学的状態に基づいて、患者の解剖学的構造体内の血流の特徴に関する情報を決定することとを含む。本方法は、少なくとも１つのコンピュータシステムを用いて、ウェブサイトを用いて、患者の解剖学的構造体の少なくとも一部の第１の三次元シミュレーションに関する表示情報を遠隔ユーザに通信することをさらに含む。三次元シミュレーションは、血流の特徴に関する決定された情報を含む。
別の実施形態によれば、ウェブサイトを用いて患者固有の心血管情報を提供する方法を実施するコンピュータ実行可能なプログラミング命令を含むコンピュータシステム上で使用される非一時的なコンピュータ可読媒体を提供する。本方法は、遠隔ユーザにウェブサイトをアクセスさせることと、患者の解剖学的構造体の幾何学的形状に関する患者固有のデータを受信することと、患者固有のデータに基づいて、患者の解剖学的構造体の少なくとも一部を表す三次元モデルを作成することとを含む。また、本方法は、三次元モデルと患者の解剖学的構造体に関する物理学に基づくモデルに基づいて、患者の解剖学的構造体内の血流の特徴に関する情報を決定することと、ウェブサイトを用いて、患者の解剖学的構造体の少なくとも一部の第１の三次元シミュレーションに関する表示情報を遠隔ユーザに通信することを含む。三次元シミュレーションは、血流の特徴に関する決定された情報を含む。
別の実施形態によれば、患者固有の時変心血管情報を決定するシステムは、異なる時点の患者の解剖学的構造体の少なくとも一部の幾何学的形状に関する時変患者固有のデータを受信し、患者固有のデータに基づいて、患者の解剖学的構造体の少なくとも一部を表す三次元モデルを作成するように構成された少なくとも１つのコンピュータシステムを含む。また、少なくとも１つのコンピュータシステムは、三次元モデルと患者の解剖学的構造体に関する物理学に基づくモデルに基づいて、患者の解剖学的構造体内の経時的な血流の特徴の変化に関する情報を決定するように構成されている。
別の実施形態によれば、少なくとも１つのコンピュータシステムを用いた患者固有の時変心血管情報の決定方法は、少なくとも１つのコンピュータシステムを用いて、異なる時点の時変患者の解剖学的構造体の幾何学的形状に関する患者固有のデータを受信することを含む。また、本方法は、少なくとも１つのコンピュータシステムを用いて、患者固有のデータに基づいて、患者の解剖学的構造体の少なくとも一部を表す三次元モデルを作成することを含む。本方法は、少なくとも１つのコンピュータシステムを用いて、三次元モデルと患者の解剖学的構造体に関する物理学に基づくモデルに基づいて、患者の解剖学的構造体内の経時的な血流の特徴の変化に関する情報を決定することをさらに含む。
別の実施形態によれば、患者固有の時変心血管情報の決定方法を実施するコンピュータ実行可能なプログラミング命令を含むコンピュータシステム上で使用される非一時的なコンピュータ可読媒体を提供する。本方法は、異なる時点の時変患者の解剖学的構造体の幾何学的形状に関する患者固有のデータを受信することと、患者固有のデータに基づいて、患者の解剖学的構造体の少なくとも一部を表す三次元モデルを作成することと、三次元モデルと患者の解剖学的構造体に関する物理学に基づくモデルに基づいて、患者の解剖学的構造体内の経時的な血流の特徴の変化に関する情報を決定することとを含む。
別の実施形態によれば、患者の心血管情報を決定するシステムは、患者の解剖学的構造体の少なくとも一部の幾何学的形状と少なくとも１つの材料特性に関する患者固有のデータを受信するように構成された少なくとも１つのコンピュータシステムを含む。解剖学的構造体は、血管の少なくとも一部を含む。少なくとも１つのコンピュータシステムは、患者固有のデータに基づいて、患者の解剖学的構造体を表す三次元モデルを作成し、三次元モデルと患者の生理学的状態に基づいて、患者の解剖学的構造体内の血流の特徴に関する情報を決定するようにさらに構成されている。また、少なくとも１つのコンピュータシステムは、血管内のプラークの位置を特定するように構成されている。
別の実施形態によれば、少なくとも１つのコンピュータシステムを用いて患者の心血管情報を決定する方法は、少なくとも１つのコンピュータシステムを用いて、患者の解剖学的構造体の少なくとも一部の幾何学的形状と少なくとも１つの材料特性に関する患者固有のデータを受信することを含む。解剖学的構造体は、血管の少なくとも一部を含む。また、本方法は、少なくとも１つのコンピュータシステムを用いて、患者固有のデータに基づいて、患者の解剖学的構造体を表す三次元モデルを作成することと、少なくとも１つのコンピュータシステムを用いて、三次元モデルと患者の生理学的状態に基づいて、患者の解剖学的構造体内の血流の特徴に関する情報を決定することとを含む。本方法は、少なくとも１つのコンピュータシステムを用いて、血管内のプラークを特定することをさらに含む。
別の実施形態によれば、患者の心血管情報の決定方法を実施するコンピュータ実行可能なプログラミング命令を含むコンピュータシステム上で使用される非一時的なコンピュータ可読媒体を提供する。本方法は、患者の解剖学的構造体の少なくとも一部の幾何学的形状の少なくとも１つの材料特性に関する患者固有のデータを受信することを含む。解剖学的構造体は、血管の少なくとも一部を含む。また、本方法は、患者固有のデータに基づいて、患者の解剖学的構造体を表す三次元モデルを作成することと、三次元モデルと患者の生理学的状態に基づいて、患者の解剖学的構造体内の血流の特徴に関する情報を決定することと、血管内のプラークの位置を特定することとを含む。
別の実施形態によれば、患者の心血管情報を決定するシステムは、患者の解剖学的構造体の少なくとも一部の幾何学的形状に関する患者固有のデータを受信するように構成された少なくとも１つのコンピュータシステムを含む。解剖学的構造体は、複数の動脈の少なくとも一部と、複数の動脈の少なくとも一部に連結する組織とを含む。少なくとも１つのコンピュータシステムは、患者固有のデータに基づいて、患者の解剖学的構造体を表す三次元モデルを作成し、組織を表す三次元モデルの少なくとも一部をセグメントに分割し、三次元モデルと患者の生理学的状態に基づいて、それらのセグメントのうちの少なくとも１つに関連する血流の特徴に関する情報を決定するようにさらに構成されている。
別の実施形態によれば、少なくとも１つのコンピュータシステムを用いて患者の心血管情報を決定する方法は、少なくとも１つのコンピュータシステムを用いて、患者の解剖学的構造体の少なくとも一部の幾何学的形状に関する患者固有のデータを受信することを含む。解剖学的構造体は、複数の動脈の少なくとも一部と、複数の動脈の少なくとも一部に連結する組織とを含む。また、本方法は、少なくとも１つのコンピュータシステムを用いて、患者固有のデータに基づいて、患者の解剖学的構造体を表す三次元モデルを作成することと、少なくとも１つのコンピュータシステムを用いて、三次元モデルを拡張して拡大モデルを形成することを含む。本方法は、少なくとも１つのコンピュータシステムを用いて、組織を表す拡大モデルの少なくとも一部をセグメントに分割することと、少なくとも１つのコンピュータシステムを用いて、拡大モデルと患者の生理学的状態に基づいて、セグメントのうちの少なくとも１つに関連する血流の特徴に関する情報を決定することとをさらに含む。
別の実施形態によれば、患者の心血管情報の決定方法を実施するコンピュータ実行可能なプログラミング命令を含むコンピュータシステム上で使用される非一時的なコンピュータ可読媒体を提供する。本方法は、患者の解剖学的構造体の少なくとも一部の幾何学的形状に関する患者固有のデータを受信することを含む。解剖学的構造体は、複数の動脈の少なくとも一部と、複数の動脈の少なくとも一部に連結する組織とを含む。また、本方法は、患者固有のデータに基づいて、患者の解剖学的構造体を表す三次元モデルを作成することと、組織を表す三次元モデルの少なくとも一部をセグメントに分割することと、三次元モデルと解剖学的構造体に関する物理学に基づくモデルに基づいて、セグメントのうちの少なくとも１つに関連する血流の特徴に関する情報を決定することとを含む。
別の実施形態によれば、患者の心血管情報を決定するシステムは、患者の脳の幾何学的形状に関する患者固有のデータを受信するように構成された少なくとも１つのコンピュータシステムを含む。少なくとも１つのコンピュータシステムは、患者固有のデータに基づいて、患者の脳の少なくとも一部を表す三次元モデルを作成し、三次元モデルと患者の脳に関する物理学に基づくモデルに基づいて、患者の脳内の血流の特徴に関する情報を決定するようにさらに構成されている。
別の実施形態によれば、少なくとも１つのコンピュータシステムを用いて患者固有の心血管情報を決定する方法は、患者の複数の大脳動脈の少なくとも一部の幾何学的形状に関する患者固有のデータを少なくとも１つのコンピュータシステムに入力することを含む。また、本方法は、少なくとも１つのコンピュータシステムを用いて、患者固有のデータに基づいて、患者の大脳動脈の少なくとも一部を表す三次元モデルを作成することと、少なくとも１つのコンピュータシステムを用いて、三次元モデルと患者の大脳動脈に関する物理学に基づくモデルに基づいて、患者の大脳動脈内の血流の特徴に関する情報を決定することとを含む。
別の実施形態によれば、患者固有の心血管情報の決定方法を実施するコンピュータ実行可能なプログラミング命令を含む少なくとも１つのコンピュータシステム上で使用される非一時的なコンピュータ可読媒体を提供する。本方法は、患者の脳の幾何学的形状に関する患者固有のデータを受信することと、患者固有のデータに基づいて、患者の脳の少なくとも一部を表す三次元モデルを作成することと、三次元モデルと患者の脳に関する物理学に基づくモデルに基づいて、患者の脳内の血流の特徴に関する情報を決定することとを含む。
さらなる実施形態及び利点は、以下の説明に部分的に記載され、部分的にその説明から明らかになるか、または本開示を実施することによって知ることができる。それらの実施形態及び利点は、以下に特に指摘される要素及び組み合わせによって実現かつ達成されるであろう。
また、患者の血管の患者固有の幾何学モデルを導出し、この幾何学的形状を患者固有の生理的情報及び境界条件と組み合わせるシステム及び方法も開示する。組み合わされたこれらのデータを用いて、患者の血流の特徴を推定し、臨床的に関連する着目量（例えば、ＦＦＲ）を予測することができる。本開示のシステム及び方法は、着目量を算出するための血流の物理学に基づくシミュレーション、例えば、物理学に基づくシミュレーションの結果を予測するために機械学習を代わりに用いることを上回る利点を提供する。一実施形態において、開示のシステム及び方法は、機械学習システムをトレーニングして１つまたは複数の血流の特徴を予測させる第１のトレーニングフェーズと、機械学習システムを用いて１つまたは複数の血流の特徴及び臨床的に関連する着目量を生成する第２の生成フェーズとの２つのフェーズを伴う。複数の血流の特徴を予測する場合には、この機械学習システムを各々の血流の特徴及び着目量に適用することができる。
一実施形態によれば、個体固有の血流の特徴を決定する方法を開示する。本方法は、複数の個体ごとに、個々の血管システムの少なくとも一部の個体固有の解剖学的データ及び血流の特徴を取得することと、複数の個体ごとの個体固有の解剖学的データ及び血流の特徴について機械学習アルゴリズムを実行することと、実行された機械学習アルゴリズムに基づいて、各個別の個体固有の解剖学的データを血流の特徴の機能的推定値に関連させることと、個体について、個々の血管システムの少なくとも一部の個体固有の解剖学的データを取得することと、個々の個体固有の解剖学的データの少なくとも１点について、個体固有の解剖学的データを血流の特徴の機能的推定値に関連させるステップからの関係を用いて個体の血流の特徴を決定することとを含む。
一実施形態によれば、個体固有の血流の特徴を決定するシステムを開示する。本システムは、個体固有の血流の特徴を推定するための命令を記憶するデータ記憶装置と、複数の個体ごとに、個々の血管システムの少なくとも一部の個体固有の解剖学的データ及び血流の特徴を取得することと、複数の個体ごとの個体固有の解剖学的データ及び血流の特徴について機械学習アルゴリズムを実行することと、実行された機械学習アルゴリズムに基づいて、各個別の個体固有の解剖学的データを血流の特徴の機能的推定値に関連させることと、個体について、個々の血管システムの少なくとも一部の個体固有の解剖学的データを取得することと、個々の個体固有の解剖学的データの少なくとも１点について、個体固有の解剖学的データを血流の特徴の機能的推定値に関連させるステップからの関係を用いて個体の血流の特徴を決定することとのステップを含む方法を実施する命令を実行するように構成されたプロセッサとを含む。
一実施形態によれば、コンピュータによって実行された際に、複数の個体ごとに、個々の血管システムの少なくとも一部の個体固有の解剖学的データ及び血流の特徴を取得することと、複数の個体ごとの個体固有の解剖学的データ及び血流の特徴について機械学習アルゴリズムを実行することと、実行された機械学習アルゴリズムに基づいて、各個別の個体固有の解剖学的データを血流の特徴の機能的推定値に関連させることと、個体について、個々の血管システムの少なくとも一部の個体固有の解剖学的データを取得することと、個々の個体固有の解剖学的データの少なくとも１点について、個体固有の解剖学的データを血流の特徴の機能的推定値に関連させるステップからの関係を用いて個体の血流の特徴を決定することとを含む方法をコンピュータに実施させる命令を記憶する非一時的コンピュータ可読媒体を提供する。
別の実施形態によれば、患者の心血管情報を決定するシステムであって、患者の解剖学的構造体の幾何学的形状に関する患者固有のデータを受信し、患者固有のデータに基づいて、患者の解剖学的構造体の少なくとも一部を表すモデルを作成するように構成された少なくとも１つのコンピュータシステムを含むシステムを提供する。少なくとも１つのコンピュータシステムは、複数の個体から生成された血流の特徴の機能的推定値に対する個体固有の解剖学的データの関係を用いて、モデルの少なくとも１つの着目点で患者の解剖学的構造体内の第１の血流量を決定し、モデルを修正し、複数の個体から生成された血流の特徴の機能的推定値に対する個体固有の解剖学的データの関係を用いて、モデルにおける少なくとも１つの着目点に対応する修正モデルにおける１点で第２の血流量を決定するようにさらに構成されている。少なくとも１つのコンピュータシステムは、修正モデルにおける第２の血流量のモデルにおける第１の血流量に対する比として冠血流予備量比値を決定するようにさらに構成されている。少なくとも１つのコンピュータシステムは、実行された機械学習アルゴリズムと参照表のうちの少なくとも１つを介して、個体固有の解剖学的データを複数の個体から生成された血流の特徴の機能的推定値に関連させるようにさらに構成されている。少なくとも１つの実施形態において、モデルは、例えば、一次元モデル、二次元モデル、または三次元モデルを含み得る。少なくとも１つの実施形態において、モデルを修正することは、少なくとも１つの着目点の近位にある１つまたは複数の解剖学的制限を除去することを含み得る。
別の実施形態によれば、少なくとも１つのコンピュータシステムを用いて患者固有の心血管情報を決定する方法であって、患者の解剖学的構造体の幾何学的形状に関する患者固有のデータを少なくとも１つのコンピュータシステムに入力することと、少なくとも１つのコンピュータシステムを用いて、患者固有のデータに基づいて、患者の解剖学的構造体の少なくとも一部を表すモデルを作成することと、モデルにおける患者の解剖学的構造体内の少なくとも１つの着目点を特定することとを含む。本方法は、複数の個体から生成された血流の特徴の機能的推定値に対する個体固有の解剖学的データの関係を用いて、モデルにおける少なくとも１つの着目点で患者の解剖学的構造体内の第１の血流量を決定することと、モデルを修正することと、複数の個体から生成された血流の特徴の機能的推定値に対する個体固有の解剖学的データの関係を用いて、モデルにおける少なくとも１つの着目点に対応する修正モデルにおける１点で第２の血流量を決定することとをさらに含む方法を提供する。本方法は、少なくとも１つのコンピュータシステムを用いて、修正モデルにおける第２の血流量のモデルにおける第１の血流量に対する比として冠血流予備量比値を決定することをさらに含む。複数の個体から生成された血流の特徴の機能的推定値に対する個体固有の解剖学的データの関係は、実行された機械学習アルゴリズムと参照表のうちの少なくとも１つを介して取得することができる。少なくとも１つの実施形態において、モデルは、例えば、一次元モデル、二次元モデル、または三次元モデルを含み得る。少なくとも１つの実施形態において、モデルを修正することは、少なくとも１つの着目点の近位にある１つまたは複数の解剖学的制限を除去することを含み得る。
患者固有の心血管情報の決定方法を実施するコンピュータ実行可能なプログラミング命令を含む少なくとも１つのコンピュータシステム上で使用される非一時的なコンピュータ可読媒体であって、該方法が、患者の解剖学的構造体の幾何学的形状に関する患者固有のデータを受信することと、患者固有のデータに基づいて、前記患者の解剖学的構造体の少なくとも一部を表すモデルを作成することと、複数の個体から生成された血流の特徴の機能的推定値に対する個体固有の解剖学的データの関係を用いて、モデルの少なくとも１つの着目点で患者の解剖学的構造体内の第１の血流量を決定することとを含む。本方法は、モデルを修正することと、複数の個体から生成された血流の特徴の機能的推定値に対する個体固有の解剖学的データの関係を用いて、モデルにおける少なくとも１つの着目点に対応する修正モデルにおける１点で第２の血流量を決定することと、修正モデルにおける第２の血流量のモデルにおける第１の血流量に対する比として冠血流予備量比値を決定することとをさらに含む。複数の個体から生成された血流の特徴の機能的推定値に対する個体固有の解剖学的データの関係は、実行された機械学習アルゴリズムと参照表のうちの少なくとも１つを介して取得することができる。少なくとも１つの実施形態において、モデルは、例えば、一次元モデル、二次元モデル、または三次元モデルを含み得る。少なくとも１つの実施形態において、モデルを修正することは、少なくとも１つの着目点の近位にある１つまたは複数の解剖学的制限を除去することを含み得る。
別の実施形態によれば、少なくとも１つのコンピュータシステムを用いて患者固有の心血管情報を決定する方法であって、患者の解剖学的構造体の幾何学的形状に関する患者固有のデータを少なくとも１つのコンピュータシステムに入力することと、少なくとも１つのコンピュータシステムを用いて、患者固有のデータに基づいて、患者の解剖学的構造体の少なくとも一部を表すモデルを作成することと、モデルにおける患者の解剖学的構造体内の少なくとも１つの着目点を特定することとを含む。本方法は、複数の個体から生成された血流の特徴の機能的推定値に対する個体固有の解剖学的データの関係を用いて、モデルにおける少なくとも１つの着目点で第１の血流量を決定することと、モデルから次数低減モデルを導出することと、次数低減モデルを修正することとをさらに含む。本方法は、複数の個体から生成された血流の特徴の機能的推定値に対する個体固有の解剖学的データの関係を用いて、モデルにおける少なくとも１つの着目点に対応する修正された次数低減モデルにおける１点で第２の血流量を決定することと、少なくとも１つのコンピュータシステムを用いて、修正された次数低減モデルにおける第２の血流量のモデルにおける第１の血流量に対する比として冠血流予備量比値を決定することとをさらに含む。複数の個体から生成された血流の特徴の機能的推定値に対する個体固有の解剖学的データの関係は、実行された機械学習アルゴリズムと参照表のうちの少なくとも１つを介して取得することができる。少なくとも１つの実施形態において、モデルは、例えば、一次元モデル、二次元モデル、または三次元モデルを含み得る。少なくとも１つの実施形態において、モデルを修正することは、少なくとも１つの着目点の近位にある１つまたは複数の解剖学的制限を除去することを含み得る。
開示の実施形態のさらなる目的及び利点は、以下の説明に部分的に記載され、部分的にその説明から明らかになるか、または開示の実施形態を実施することによって知ることができる。開示の実施形態のそれらの目的及び利点は、添付請求項に特に指摘される要素及び組み合わせによって実現かつ達成されるであろう。
前述の一般的な説明及び以下の詳細な説明は、どちらも例示的かつ説明的なものにすぎず、特許請求された開示の実施形態を制限するものではないことを理解すべきである。
本発明は、例えば、以下を提供する。
（項目１）
患者の心血管情報を決定するシステムであって、
患者の解剖学的構造体の幾何学的形状に関する患者固有のデータを受信する、
前記患者固有のデータに基づいて、前記患者の前記解剖学的構造体の少なくとも一部を表すモデルを作成する、
前記患者の前記解剖学的構造体内の血流の特徴に関する物理学に基づくモデルを作成する、
前記物理学に基づくモデルの解に基づいて、前記モデルの少なくとも１つの着目点で前記患者の前記解剖学的構造体内の第１の血流量を決定する、
前記モデルを修正する、
前記モデルにおける前記少なくとも１つの着目点に対応する前記修正モデルにおける１点で第２の血流量を決定する、かつ、
前記修正モデルにおける前記第２の血流量の前記モデルにおける前記第１の血流量に対する比として冠血流予備量比値を決定するように構成された少なくとも１つのコンピュータシステムを含む、前記システム。
（項目２）
前記モデルが、三次元モデルである、項目１に記載のシステム。
（項目３）
前記モデルを修正することが、前記少なくとも１つの着目点の近位にある１つまたは複数の解剖学的制限を除去することを含む、項目１に記載のシステム。
（項目４）
前記患者の解剖学的構造体の前記少なくとも一部を表す前記モデルが、大動脈の少なくとも一部と、前記大動脈の前記一部から生じる複数の冠状動脈の少なくとも一部とを含む、項目１に記載のシステム。
（項目５）
前記少なくとも１つのコンピュータシステムが、前記複数の冠状動脈における複数の位置で前記冠血流予備量比値を決定するように構成されている、項目３に記載のシステム。
（項目６）
前記患者固有のデータが、画像データを含み、前記少なくとも１つのコンピュータシステムが、前記画像データを用いて前記患者の心臓の冠状動脈の内腔の境界を配置することで、前記画像データに基づいて前記モデルを作成するように構成されている、項目１に記載のシステム。
（項目７）
前記物理学に基づくモデルが、前記モデルの境界を介した血流を表す少なくとも１つの集中パラメータモデルを含む、項目１に記載のシステム。
（項目８）
前記少なくとも１つのコンピュータシステムが、充血レベル、運動レベル、または薬物治療の少なくとも１つに関連するパラメータを用いて、前記少なくとも１つの着目点で前記第１の血流量を決定するように構成されている、項目１に記載のシステム。
（項目９）
前記少なくとも１つのコンピュータシステムが、前記充血レベルに関連するパラメータを用いて、前記少なくとも１つの着目点で前記第１の血流量を決定するように構成されており、前記パラメータが、前記患者の冠動脈抵抗、前記患者の大動脈血圧、または前記患者の心拍数に関する、項目８に記載のシステム。
（項目１０）
少なくとも１つのコンピュータシステムを用いて患者固有の心血管情報を決定する方法であって、
患者の解剖学的構造体の幾何学的形状に関する患者固有のデータを前記少なくとも１つのコンピュータシステムに入力することと、
前記少なくとも１つのコンピュータシステムを用いて、前記患者固有のデータに基づいて、前記患者の前記解剖学的構造体の少なくとも一部を表すモデルを作成することと、
前記少なくとも１つのコンピュータシステムを用いて、前記患者の前記解剖学的構造体内の血流の特徴に関する物理学に基づくモデルを作成することと、
前記モデルにおける前記患者の前記解剖学的構造体内の少なくとも１つの着目点を特定することと、
前記物理学に基づくモデルの解に基づいて、前記モデルにおける前記少なくとも１つの着目点で前記患者の前記解剖学的構造体内の第１の血流量を決定することと、
前記モデルを修正することと、
前記モデルにおける前記少なくとも１つの着目点に対応する前記修正モデルにおける１点で第２の血流量を決定することと、
前記少なくとも１つのコンピュータシステムを用いて、前記修正モデルにおける前記第２の血流量の前記モデルにおける前記第１の血流量に対する比として冠血流予備量比値を決定することと、
を含む、前記方法。
（項目１１）
前記モデルが、三次元モデルである、項目１０に記載の方法。
（項目１２）
前記モデルを修正することが、前記少なくとも１つの着目点の近位にある１つまたは複数の解剖学的制限を除去することを含む、項目１０に記載の方法。
（項目１３）
前記決定された冠血流予備量比値に基づいて、前記患者の心臓の冠状動脈において機能的に著しく狭窄している位置を決定することをさらに含む、項目１０に記載の方法。
（項目１４）
前記患者の前記解剖学的構造体の前記少なくとも一部を表す前記モデルが、大動脈の少なくとも一部と、前記大動脈の前記一部から生じる複数の冠状動脈の少なくとも一部とを含む、項目１０に記載の方法。
（項目１５）
前記冠血流予備量比値が、前記複数の冠状動脈における複数の位置で決定される、項目１４に記載の方法。
（項目１６）
前記モデルにおける前記少なくとも１つの着目点で前記第１の血流量を決定することが、充血レベル、運動レベル、または薬物治療の少なくとも１つに関連するパラメータを用いることを含む、項目１０に記載の方法。
（項目１７）
前記モデルにおける前記少なくとも１つの着目点で前記第１の血流量を決定することが、前記充血レベルに関連するパラメータを用いることを含み、前記パラメータが、前記患者の冠動脈抵抗、前記患者の大動脈血圧、または前記患者の心拍数に関する、項目１０に記載の方法。
（項目１８）
患者固有の心血管情報の決定方法を実施するコンピュータ実行可能なプログラミング命令を含む少なくとも１つのコンピュータシステム上で使用される非一時的なコンピュータ可読媒体であって、前記方法が、
患者の解剖学的構造体の幾何学的形状に関する患者固有のデータを受信することと、
前記患者固有のデータに基づいて、前記患者の前記解剖学的構造体の少なくとも一部を表すモデルを作成することと、
前記患者の前記解剖学的構造体内の血流の特徴に関する物理学に基づくモデルを作成することと、
前記物理学に基づくモデルの解に基づいて、前記モデルの少なくとも１つの着目点で前記患者の前記解剖学的構造体内の第１の血流量を決定することと、
前記モデルを修正することと、
前記モデルにおける前記少なくとも１つの着目点に対応する前記修正モデルにおける１点で第２の血流量を決定することと、
前記修正モデルにおける前記第２の血流量の前記モデルにおける前記第１の血流量に対する比として冠血流予備量比値を決定することと、
を含む、前記非一時的なコンピュータ可読媒体。
（項目１９）
前記モデルが、三次元モデルである、項目１８に記載の非一時的なコンピュータ可読媒体。
（項目２０）
前記モデルを修正することが、前記少なくとも１つの着目点の近位にある１つまたは複数の解剖学的制限を除去することを含む、項目１８に記載の非一時的なコンピュータ可読媒体。
（項目２１）
前記方法が、三次元に沿った前記患者の心臓の冠状動脈における複数の位置で前記冠血流予備量比値を示す前記心臓の三次元シミュレーションを作製することをさらに含む、項目１９に記載の非一時的なコンピュータ可読媒体。
（項目２２）
前記患者の前記解剖学的構造体の前記少なくとも一部を表す前記モデルが、大動脈の少なくとも一部と、前記大動脈の前記一部から生じる複数の冠状動脈の少なくとも一部とを含み、前記三次元シミュレーションが、前記冠状動脈における複数の位置で前記冠血流予備量比値を示す、項目２１に記載の非一時的なコンピュータ可読媒体。
（項目２３）
少なくとも１つのコンピュータシステムを用いて患者固有の心血管情報を決定する方法であって、
患者の解剖学的構造体の幾何学的形状に関する患者固有のデータを前記少なくとも１つのコンピュータシステムに入力することと、
前記少なくとも１つのコンピュータシステムを用いて、前記患者固有のデータに基づいて、前記患者の前記解剖学的構造体の少なくとも一部を表すモデルを作成することと、
前記少なくとも１つのコンピュータシステムを用いて、前記患者の前記解剖学的構造体内の血流の特徴に関する物理学に基づくモデルを作成することと、
前記モデルにおける前記患者の前記解剖学的構造体内の少なくとも１つの着目点を特定することと、
前記物理学に基づくモデルの解に基づいて、前記モデルにおける前記少なくとも１つの着目点で第１の血流量を決定することと、
前記モデルから次数低減モデルを導出することと、
前記次数低減モデルを修正することと、
前記モデルにおける前記少なくとも１つの着目点に対応する前記修正された次数低減モデルにおける１点で第２の血流量を決定することと、
前記少なくとも１つのコンピュータシステムを用いて、前記修正された次数低減モデルにおける前記第２の血流量の前記モデルにおける前記第１の血流量に対する比として冠血流予備量比値を決定することと、
を含む、前記方法。
（項目２４）
前記モデルが、三次元モデルである、項目２３に記載の方法。
（項目２５）
前記次数低減モデルを修正することが、前記少なくとも１つの着目点の近位にある１つまたは複数の解剖学的制限を除去することを含む、項目２３に記載の方法。
（項目２６）
前記決定された冠血流予備量比値に基づいて、前記患者の心臓の冠状動脈において機能的に著しく狭窄している位置を決定することをさらに含む、項目２３に記載の方法。
（項目２７）
前記患者の前記解剖学的構造体の前記少なくとも一部を表す前記モデルが、大動脈の少なくとも一部と、前記大動脈の前記一部から生じる複数の冠状動脈の少なくとも一部とを含む、項目２３に記載の方法。
（項目２８）
前記冠血流予備量比値が、前記複数の冠状動脈における複数の位置で決定される、項目２７に記載の方法。
（項目２９）
前記少なくとも１つの着目点で前記第１の血流量を決定することが、充血レベル、運動レベル、または薬物治療の少なくとも１つに関連するパラメータを用いることを含む、項目２３に記載の方法。
（項目３０）
前記少なくとも１つの着目点で前記第１の血流量を決定することが、前記充血レベルに関連するパラメータを用いることを含み、前記パラメータが、前記患者の冠動脈抵抗、前記患者の大動脈血圧、または前記患者の心拍数に関する、項目２３に記載の方法。
本発明は、例えば、以下を提供する。
（項目１）
患者の心血管情報を決定するシステムであって、
患者の解剖学的構造体の幾何学的形状に関する患者固有のデータを受信する、
前記患者固有のデータに基づいて、前記患者の前記解剖学的構造体の少なくとも一部を表すモデルを作成する、
前記患者の前記解剖学的構造体内の血流の特徴に関する物理学に基づくモデルを作成する、
前記物理学に基づくモデルの解に基づいて、前記モデルの少なくとも１つの着目点で前記患者の前記解剖学的構造体内の第１の血流量を決定する、
前記モデルを修正する、
前記モデルにおける前記少なくとも１つの着目点に対応する前記修正モデルにおける１点で第２の血流量を決定する、かつ、
前記修正モデルにおける前記第２の血流量の前記モデルにおける前記第１の血流量に対する比として冠血流予備量比値を決定するように構成された少なくとも１つのコンピュータシステムを含む、前記システム。
（項目２）
前記モデルが、三次元モデルである、項目１に記載のシステム。
（項目３）
前記モデルを修正することが、前記少なくとも１つの着目点の近位にある１つまたは複数の解剖学的制限を除去することを含む、項目１に記載のシステム。
（項目４）
前記患者の解剖学的構造体の前記少なくとも一部を表す前記モデルが、大動脈の少なくとも一部と、前記大動脈の前記一部から生じる複数の冠状動脈の少なくとも一部とを含む、項目１に記載のシステム。
（項目５）
前記少なくとも１つのコンピュータシステムが、前記複数の冠状動脈における複数の位置で前記冠血流予備量比値を決定するように構成されている、項目３に記載のシステム。
（項目６）
前記患者固有のデータが、画像データを含み、前記少なくとも１つのコンピュータシステムが、前記画像データを用いて前記患者の心臓の冠状動脈の内腔の境界を配置することで、前記画像データに基づいて前記モデルを作成するように構成されている、項目１に記載のシステム。
（項目７）
前記物理学に基づくモデルが、前記モデルの境界を介した血流を表す少なくとも１つの集中パラメータモデルを含む、項目１に記載のシステム。
（項目８）
前記少なくとも１つのコンピュータシステムが、充血レベル、運動レベル、または薬物治療の少なくとも１つに関連するパラメータを用いて、前記少なくとも１つの着目点で前記第１の血流量を決定するように構成されている、項目１に記載のシステム。
（項目９）
前記少なくとも１つのコンピュータシステムが、前記充血レベルに関連するパラメータを用いて、前記少なくとも１つの着目点で前記第１の血流量を決定するように構成されており、前記パラメータが、前記患者の冠動脈抵抗、前記患者の大動脈血圧、または前記患者の心拍数に関する、項目８に記載のシステム。
（項目１０）
少なくとも１つのコンピュータシステムを用いて患者固有の心血管情報を決定する方法であって、
患者の解剖学的構造体の幾何学的形状に関する患者固有のデータを前記少なくとも１つのコンピュータシステムに入力することと、
前記少なくとも１つのコンピュータシステムを用いて、前記患者固有のデータに基づいて、前記患者の前記解剖学的構造体の少なくとも一部を表すモデルを作成することと、
前記少なくとも１つのコンピュータシステムを用いて、前記患者の前記解剖学的構造体内の血流の特徴に関する物理学に基づくモデルを作成することと、
前記モデルにおける前記患者の前記解剖学的構造体内の少なくとも１つの着目点を特定することと、
前記物理学に基づくモデルの解に基づいて、前記モデルにおける前記少なくとも１つの着目点で前記患者の前記解剖学的構造体内の第１の血流量を決定することと、
前記モデルを修正することと、
前記モデルにおける前記少なくとも１つの着目点に対応する前記修正モデルにおける１点で第２の血流量を決定することと、
前記少なくとも１つのコンピュータシステムを用いて、前記修正モデルにおける前記第２の血流量の前記モデルにおける前記第１の血流量に対する比として冠血流予備量比値を決定することと、
を含む、前記方法。
（項目１１）
前記モデルが、三次元モデルである、項目１０に記載の方法。
（項目１２）
前記モデルを修正することが、前記少なくとも１つの着目点の近位にある１つまたは複数の解剖学的制限を除去することを含む、項目１０に記載の方法。
（項目１３）
前記決定された冠血流予備量比値に基づいて、前記患者の心臓の冠状動脈において機能的に著しく狭窄している位置を決定することをさらに含む、項目１０に記載の方法。
（項目１４）
前記患者の前記解剖学的構造体の前記少なくとも一部を表す前記モデルが、大動脈の少なくとも一部と、前記大動脈の前記一部から生じる複数の冠状動脈の少なくとも一部とを含む、項目１０に記載の方法。
（項目１５）
前記冠血流予備量比値が、前記複数の冠状動脈における複数の位置で決定される、項目１４に記載の方法。
（項目１６）
前記モデルにおける前記少なくとも１つの着目点で前記第１の血流量を決定することが、充血レベル、運動レベル、または薬物治療の少なくとも１つに関連するパラメータを用いることを含む、項目１０に記載の方法。
（項目１７）
前記モデルにおける前記少なくとも１つの着目点で前記第１の血流量を決定することが、前記充血レベルに関連するパラメータを用いることを含み、前記パラメータが、前記患者の冠動脈抵抗、前記患者の大動脈血圧、または前記患者の心拍数に関する、項目１０に記載の方法。
（項目１８）
患者固有の心血管情報の決定方法を実施するコンピュータ実行可能なプログラミング命令を含む少なくとも１つのコンピュータシステム上で使用される非一時的なコンピュータ可読媒体であって、前記方法が、
患者の解剖学的構造体の幾何学的形状に関する患者固有のデータを受信することと、
前記患者固有のデータに基づいて、前記患者の前記解剖学的構造体の少なくとも一部を表すモデルを作成することと、
前記患者の前記解剖学的構造体内の血流の特徴に関する物理学に基づくモデルを作成することと、
前記物理学に基づくモデルの解に基づいて、前記モデルの少なくとも１つの着目点で前記患者の前記解剖学的構造体内の第１の血流量を決定することと、
前記モデルを修正することと、
前記モデルにおける前記少なくとも１つの着目点に対応する前記修正モデルにおける１点で第２の血流量を決定することと、
前記修正モデルにおける前記第２の血流量の前記モデルにおける前記第１の血流量に対する比として冠血流予備量比値を決定することと、
を含む、前記非一時的なコンピュータ可読媒体。
（項目１９）
前記モデルが、三次元モデルである、項目１８に記載の非一時的なコンピュータ可読媒体。
（項目２０）
前記モデルを修正することが、前記少なくとも１つの着目点の近位にある１つまたは複数の解剖学的制限を除去することを含む、項目１８に記載の非一時的なコンピュータ可読媒体。
（項目２１）
前記方法が、三次元に沿った前記患者の心臓の冠状動脈における複数の位置で前記冠血流予備量比値を示す前記心臓の三次元シミュレーションを作製することをさらに含む、項目１９に記載の非一時的なコンピュータ可読媒体。
（項目２２）
前記患者の前記解剖学的構造体の前記少なくとも一部を表す前記モデルが、大動脈の少なくとも一部と、前記大動脈の前記一部から生じる複数の冠状動脈の少なくとも一部とを含み、前記三次元シミュレーションが、前記冠状動脈における複数の位置で前記冠血流予備量比値を示す、項目２１に記載の非一時的なコンピュータ可読媒体。
（項目２３）
少なくとも１つのコンピュータシステムを用いて患者固有の心血管情報を決定する方法であって、
患者の解剖学的構造体の幾何学的形状に関する患者固有のデータを前記少なくとも１つのコンピュータシステムに入力することと、
前記少なくとも１つのコンピュータシステムを用いて、前記患者固有のデータに基づいて、前記患者の前記解剖学的構造体の少なくとも一部を表すモデルを作成することと、
前記少なくとも１つのコンピュータシステムを用いて、前記患者の前記解剖学的構造体内の血流の特徴に関する物理学に基づくモデルを作成することと、
前記モデルにおける前記患者の前記解剖学的構造体内の少なくとも１つの着目点を特定することと、
前記物理学に基づくモデルの解に基づいて、前記モデルにおける前記少なくとも１つの着目点で第１の血流量を決定することと、
前記モデルから次数低減モデルを導出することと、
前記次数低減モデルを修正することと、
前記モデルにおける前記少なくとも１つの着目点に対応する前記修正された次数低減モデルにおける１点で第２の血流量を決定することと、
前記少なくとも１つのコンピュータシステムを用いて、前記修正された次数低減モデルにおける前記第２の血流量の前記モデルにおける前記第１の血流量に対する比として冠血流予備量比値を決定することと、
を含む、前記方法。
（項目２４）
前記モデルが、三次元モデルである、項目２３に記載の方法。
（項目２５）
前記次数低減モデルを修正することが、前記少なくとも１つの着目点の近位にある１つまたは複数の解剖学的制限を除去することを含む、項目２３に記載の方法。
（項目２６）
前記決定された冠血流予備量比値に基づいて、前記患者の心臓の冠状動脈において機能的に著しく狭窄している位置を決定することをさらに含む、項目２３に記載の方法。
（項目２７）
前記患者の前記解剖学的構造体の前記少なくとも一部を表す前記モデルが、大動脈の少なくとも一部と、前記大動脈の前記一部から生じる複数の冠状動脈の少なくとも一部とを含む、項目２３に記載の方法。
（項目２８）
前記冠血流予備量比値が、前記複数の冠状動脈における複数の位置で決定される、項目２７に記載の方法。
（項目２９）
前記少なくとも１つの着目点で前記第１の血流量を決定することが、充血レベル、運動レベル、または薬物治療の少なくとも１つに関連するパラメータを用いることを含む、項目２３に記載の方法。
（項目３０）
前記少なくとも１つの着目点で前記第１の血流量を決定することが、前記充血レベルに関連するパラメータを用いることを含み、前記パラメータが、前記患者の冠動脈抵抗、前記患者の大動脈血圧、または前記患者の心拍数に関する、項目２３に記載の方法。
本明細書に組み込まれ、その一部をなす添付の図面は、いくつかの実施形態を図解し、記述とともに本開示の原理を説明する役割を果たす。
例示的実施形態を詳細に参照するが、それらの例は、添付の図面で図解する。可能な限り、これらの図面を通して、同じ参照番号を使用して、同じまたは類似する部分を言及する。本説明は、以下の概要に従ってまとめる。
Ｉ．概説
ＩＩ．患者固有の解剖学的データの取得及び前処理
ＩＩＩ．取得した解剖学的データに基づく三次元モデルの作成
ＩＶ．分析のためのモデルの作製及び境界条件の決定
Ａ．分析のためのモデルの作製
Ｂ．境界条件の決定
ｉ．次数低減モデルの決定
ｉｉ．例示的な集中パラメータモデル
Ｃ．三次元メッシュの作成
Ｖ．コンピュータ分析の実施及び結果の出力
Ａ．コンピュータ分析の実施
Ｂ．血圧、血流、及びｃＦＦＲの結果の表示
Ｃ．結果の検証
Ｄ．冠動脈血流の情報を提供するシステム及び方法の別の実施形態
Ｅ．圧力比なしで、例えば、流量比に基づいてＦＦＲを決定するシステム及び方法の別の実施形態
Ｆ．機械学習を用いるシステム及び方法の実施形態
ＶＩ．患者固有の治療計画の提供
Ａ．異なる治療選択肢を比較するための次数低減モデルの使用
ＶＩＩ．他の結果
Ａ．心筋灌流の評価
Ｂ．プラーク脆弱性の評価
ＶＩＩＩ．他の用途
Ａ．頭蓋内血流及び頭蓋外血流のモデリング
ｉ．脳灌流の評価
ｉｉ．プラーク脆弱性の評価
Ｉ．概説
ＩＩ．患者固有の解剖学的データの取得及び前処理
ＩＩＩ．取得した解剖学的データに基づく三次元モデルの作成
ＩＶ．分析のためのモデルの作製及び境界条件の決定
Ａ．分析のためのモデルの作製
Ｂ．境界条件の決定
ｉ．次数低減モデルの決定
ｉｉ．例示的な集中パラメータモデル
Ｃ．三次元メッシュの作成
Ｖ．コンピュータ分析の実施及び結果の出力
Ａ．コンピュータ分析の実施
Ｂ．血圧、血流、及びｃＦＦＲの結果の表示
Ｃ．結果の検証
Ｄ．冠動脈血流の情報を提供するシステム及び方法の別の実施形態
Ｅ．圧力比なしで、例えば、流量比に基づいてＦＦＲを決定するシステム及び方法の別の実施形態
Ｆ．機械学習を用いるシステム及び方法の実施形態
ＶＩ．患者固有の治療計画の提供
Ａ．異なる治療選択肢を比較するための次数低減モデルの使用
ＶＩＩ．他の結果
Ａ．心筋灌流の評価
Ｂ．プラーク脆弱性の評価
ＶＩＩＩ．他の用途
Ａ．頭蓋内血流及び頭蓋外血流のモデリング
ｉ．脳灌流の評価
ｉｉ．プラーク脆弱性の評価
Ｉ．概説
例示的実施形態において、方法及びシステムは、患者から非侵襲的に入手した情報を用いて、特定の患者における血流に関する様々な情報を決定する。決定された情報は、患者の冠状動脈の脈管構造における血流に関してもよい。あるいは、さらに詳細に後述するように、決定された情報は、患者の脈管構造の他の部分、例えば、頸動脈、末梢、腹部、腎臓、及び脳の脈管構造における血流に関してもよい。冠状動脈の脈管構造は、大動脈から、細動脈、毛細血管、細静脈、静脈などに及ぶ複雑な血管網を含む。冠状動脈の脈管構造は、血液を心臓に、また心臓内で循環させ、大動脈２及び主冠状動脈４の下流の動脈の分枝または他の種類の血管にさらに分かれ得る、複数の主冠状動脈４（図５）（例えば、左前下行枝（ＬＡＤ）動脈、左回旋枝（ＬＣＸ）動脈、右冠状（ＲＣＡ）動脈など）に血液を供給する大動脈２（図５）を含む。したがって、例示的方法及びシステムは、大動脈、主冠状動脈、及び／または主冠状動脈の下流の他の冠状動脈もしくは血管内の血流に関する様々な情報を決定してもよい。下記において大動脈及び冠状動脈（ならびにそこから延びる分枝）について説明するが、開示される方法及びシステムは、他の種類の血管にも適用することができる。
例示的実施形態において、方法及びシステムは、患者から非侵襲的に入手した情報を用いて、特定の患者における血流に関する様々な情報を決定する。決定された情報は、患者の冠状動脈の脈管構造における血流に関してもよい。あるいは、さらに詳細に後述するように、決定された情報は、患者の脈管構造の他の部分、例えば、頸動脈、末梢、腹部、腎臓、及び脳の脈管構造における血流に関してもよい。冠状動脈の脈管構造は、大動脈から、細動脈、毛細血管、細静脈、静脈などに及ぶ複雑な血管網を含む。冠状動脈の脈管構造は、血液を心臓に、また心臓内で循環させ、大動脈２及び主冠状動脈４の下流の動脈の分枝または他の種類の血管にさらに分かれ得る、複数の主冠状動脈４（図５）（例えば、左前下行枝（ＬＡＤ）動脈、左回旋枝（ＬＣＸ）動脈、右冠状（ＲＣＡ）動脈など）に血液を供給する大動脈２（図５）を含む。したがって、例示的方法及びシステムは、大動脈、主冠状動脈、及び／または主冠状動脈の下流の他の冠状動脈もしくは血管内の血流に関する様々な情報を決定してもよい。下記において大動脈及び冠状動脈（ならびにそこから延びる分枝）について説明するが、開示される方法及びシステムは、他の種類の血管にも適用することができる。
例示的実施形態において、開示される方法及びシステムによって決定される情報は、大動脈、主冠状動脈、及び／または主冠状動脈の下流の他の冠状動脈または血管の様々な位置における様々な血流の特徴またはパラメータ、例えば、血流、速度、圧力（またはその比）、流量、及びＦＦＲを含んでもよいが、これらに限定されない。この情報は、病変が機能的に重要であるかどうか、及び／またはその病変を治療するかどうかを決定するために使用してもよい。この情報は、患者から非侵襲的に取得した情報を用いて決定してもよい。その結果、侵襲的手法に付随する費用及びリスクを伴わずに、病変を治療するかどうかの決定を下すことができる。
患者の解剖学的構造体は、一次元モデル、二次元モデル、または三次元モデルを用いてモデリングすることができる。図１Ａは、例示的実施形態による、特定の患者における冠動脈血流に関する様々な情報を提供するシステムの態様を示している。患者の解剖学的形態の三次元モデル１０は、より詳細に後述するように、患者から非侵襲的に取得したデータを用いて作成することができる。また、他の患者固有の情報を非侵襲的に取得することもできる。例示的実施形態において、三次元モデル１０によって表される患者の解剖学的形態の一部は、大動脈の少なくとも一部及びその大動脈に連結する主冠状動脈（及びそこから延びるまたは発する分枝）の近位部を含んでもよい。
冠動脈血流に関する様々な生理学的法則または関係２０は、例えば、より詳細に後述するように、実験データから推定することができる。この三次元の解剖学的モデル１０及び推定される生理学的法則２０を用いて、より詳細に後述するように、冠動脈血流に関する複数の方程式３０を決定することができる。例えば、方程式３０は、任意の数値法、例えば、有限差分法、有限体積法、スペクトル法、格子ボルツマン法、粒子ベース法、レベルセット法、有限要素法などを用いて決定し、解くことができる。方程式３０は、モデル１０によって表される解剖学的形態の様々な点における患者の解剖学的形態における冠動脈血流についての情報（例えば、圧力、速度、ＦＦＲなど）を決定するように可解であってもよい。
冠血流予備量比（ＦＦＲ）は、冠動脈疾患の診断及び治療計画における重要な測定基準である。ＦＦＲは、従来、冠状動脈における特定位置の血圧を大動脈または冠状動脈口の血圧で除算した比として測定される。圧力比は、以下の式及び図１Ｂに示す、導かれた測定基準である：
ＦＦＲ＝Ｑ／ＱＮ＝［（Ｐｄ−Ｐｖ）／Ｒ］／［（Ｐａ−Ｐｖ）／Ｒ］＝（Ｐｄ−Ｐｖ）／（Ｐａ−Ｐｖ）＝Ｐｄ／Ｐａ、
式中、Ｐｄは、着目血管セグメントの下流位置での平均血圧であり、Ｐｖは、平均冠状静脈圧であり、Ｒは、着目位置の下流でかつ静脈循環前の血管の血流に対する抵抗であり、Ｐａは、冠状動脈の原点における平均大動脈血圧である。
ＦＦＲ＝Ｑ／ＱＮ＝［（Ｐｄ−Ｐｖ）／Ｒ］／［（Ｐａ−Ｐｖ）／Ｒ］＝（Ｐｄ−Ｐｖ）／（Ｐａ−Ｐｖ）＝Ｐｄ／Ｐａ、
式中、Ｐｄは、着目血管セグメントの下流位置での平均血圧であり、Ｐｖは、平均冠状静脈圧であり、Ｒは、着目位置の下流でかつ静脈循環前の血管の血流に対する抵抗であり、Ｐａは、冠状動脈の原点における平均大動脈血圧である。
この圧力比（Ｐｄ／Ｐａ）は、本当の患者では従来測定することができなかった量の簡略化であり、疾患による全ての近位上流狭窄を除去した場合の、特定位置の血圧を同じ位置の血圧で除算した比である（Ｑ／ＱＮ）であることを理解すべきである。言い換えると、ＦＦＲを定義する１つの方法は、患者が動脈に疾患を有さない場合の最適条件と比べた現状の血流の比である。図１Ｂで提供する表において、ｘ軸は、充血した心筋灌流圧（正常の％）を表し、ｙ軸は、充血した心筋血流（正常の％）を表す。
シミュレーションシステム及び方法を用いて、圧力比の導出を必要とせずに流量比（Ｑ／ＱＮ）として冠血流予備量比を計算することができる。本明細書に記載される実施形態は、圧力比としてＦＦＲを計算する方法を記載し、さらなる実施形態は、流量比としてＦＦＲを計算する方法を記載する。
冠動脈疾患の診断及び治療計画における他の重要な測定基準は、特に、例えば、冠血流予備能（ＣＦＲ）、充血した狭窄抵抗（ＨＳＲ）、及び瞬時血流予備量比（ＩＦＲ）を含む。これらの生理学的指標は、冠動脈疾患を診断し、治療をガイドすることに使用できるＦＦＲを超えてさらなるデータを提供することができる。ＣＦＲは、例えば、以下の方程式に従って計算することができる。
ＣＦＲ＝Ｑ充血時／Ｑ安静時、
式中、Ｑ充血時は、充血条件下での血流量に対応し、Ｑ安静時は、安静条件下での血流量に対応する。
ＣＦＲ＝Ｑ充血時／Ｑ安静時、
式中、Ｑ充血時は、充血条件下での血流量に対応し、Ｑ安静時は、安静条件下での血流量に対応する。
次いで、ＨＳＲは、以下の方程式に従って計算することができる。
ＨＳＲ＝Ｒ狭窄＝（Ｐａ−Ｐｄ）／Ｑ充血時、
式中、Ｒ狭窄は、狭窄のセグメント抵抗である。
ＨＳＲ＝Ｒ狭窄＝（Ｐａ−Ｐｄ）／Ｑ充血時、
式中、Ｒ狭窄は、狭窄のセグメント抵抗である。
機能的重要性の別の測定値、ｒＨＳＲは、以下の方程式に従って計算することができる。
ｒＨＳＲ＝Ｒ狭窄／（Ｒ狭窄＋Ｒ微小）、
式中、Ｒ微小は、着目セグメントの下流の血流に対する抵抗である。
ｒＨＳＲ＝Ｒ狭窄／（Ｒ狭窄＋Ｒ微小）、
式中、Ｒ微小は、着目セグメントの下流の血流に対する抵抗である。
次いで、ＩＦＲは、冠動脈微小循環抵抗がすでに一定かつ最小である場合の、心臓拡張期中に取得した過渡−狭窄圧の瞬時比に基づいた狭窄重症度の指標である。心臓拡張期の開始直後、大動脈と微小循環からの圧力波間のバランスが存在する（波のない時間）。この波のない時間中、算出された冠動脈微小循環抵抗は、（アデノシン投与中のピーク充血のように）一定かつ最小である。波のない時間中の抵抗は、薬理学的アデノシン充血中の抵抗と同程度であることが試験により確認されている。
上記の方程式の図解として、本明細書において開示される方法に従ってＦＦＲを決定するために用いた圧力（Ｐ）及び／または血流（Ｑ）値により、列挙された他の重要な測定基準、すなわち、ＣＦＲ、ＨＳＲ、ｒＨＳＲ、及び／またはＩＦＲのいずれか１つを決定することも可能になる。したがって、本明細書において開示される方法を用いて、例えば、ＣＦＲ、ＨＳＲ、ｒＨＳＲ、及びＩＦＲの１つまたは複数をさらに決定することができる。
再び図１Ａを参照すると、方程式３０は、コンピュータ４０を用いて解いてもよい。解いた方程式に基づいて、コンピュータ４０は、モデル１０によって表される患者の解剖学的形態における血流に関する情報を示す１つまたは複数の画像またはシミュレーションを出力してもよい。例えば、画像（複数可）は、より詳細に後述するように、模擬の血圧モデル５０、模擬の血流もしくは速度モデル５２、算出されたＦＦＲ（ｃＦＦＲ）モデル５４などを含んでもよい。模擬の血圧モデル５０、模擬の血流モデル５２、及びｃＦＦＲモデル５４は、モデル１０によって表される患者の解剖学的形態の３つの次元に沿った様々な位置における、それぞれの圧力、速度、及びｃＦＦＲに関する情報を提供する。ｃＦＦＲは（例えば、アデノシンの静脈内投与によって従来誘発される）冠動脈血流が増加する条件下で、モデル１０の特定の位置の血圧を大動脈の（例えば、モデル１０の流入境界の血圧で）除算した比として計算することができる。さらなる実施形態は、圧力の代わりに流量の比としたｃＦＦＲ計算について説明する。
例示的実施形態において、コンピュータ４０は、プロセッサやコンピュータシステムなどによって実行された際に、患者の血流に関する様々な情報を提供する本明細書に記載される行為のいずれかを実施し得る命令を保存する１つまたは複数の非一時的なコンピュータ可読記憶装置を含んでもよい。コンピュータ４０は、デスクトップコンピュータもしくはポータブルコンピュータ、ワークステーション、サーバ、携帯情報端末、または任意の他のコンピュータシステムを含んでもよい。コンピュータ４０は、プロセッサ、読み取り専用メモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、周辺装置（例えば、入力装置、出力装置、記憶装置など）を接続するための出入力（Ｉ／Ｏ）アダプタ、入力装置、例えば、キーボード、マウス、タッチスクリーン、音声入力、及び／または他の装置を接続するためのユーザインターフェースアダプタ、コンピュータ４０をネットワークに接続するための通信アダプタ、コンピュータ４０をディスプレイに接続するためのディスプレイアタプタなどを含んでもよい。例えば、このディスプレイは、三次元モデル１０及び／または方程式３０を解くことによって生成される任意の画像、例えば、模擬の血圧モデル５０、模擬の血流モデル５２、及び／またはｃＦＦＲモデル５４を表示するために使用することができる。
図２は、別の例示的実施形態による、特定の患者における血流に関する様々な情報を提供する方法の態様を示している。本方法は、患者固有の解剖学的データ、例えば、患者の解剖学的形態（例えば、大動脈の少なくとも一部、及びその大動脈に連結する主冠状動脈（及びそこから延びる分枝）の近位部）に関する情報を取得することと、そのデータを前処理することと（ステップ１００）を含んでもよい。患者固有の解剖学的データは、例えば、ＣＣＴＡによって、後述のように非侵襲的に取得することができる。
患者の解剖学的形態の三次元モデルは、取得した解剖学的データに基づいて作成することができる（ステップ２００）。例えば、三次元モデルは、図１Ａに関連して上記で説明した患者の解剖学的形態の三次元モデル１０であってもよい。あるいは、患者の解剖学的構造体の一次元モデルまたは二次元モデルを作成することができる。
三次元モデルは、分析のために作製してもよく、境界条件を特定してもよい（ステップ３００）。例えば、図１Ａに関連して上記で説明した患者の解剖学的形態の三次元モデル１０は、トリミング及び離散化して、体積メッシュ、例えば、有限要素メッシュまたは有限体積メッシュにしてもよい。体積メッシュは、図１Ａに関連して上記で説明した方程式３０を生成するために使用してもよい。
また、境界条件を指定して、図１Ａに関連して上記で説明した方程式３０に組み込んでもよい。境界条件は、三次元モデル１０について、その境界、例えば、流入境界３２２（図８）、流出境界３２４（図８）、血管壁境界３２６（図８）などにおける情報を提供する。流入境界３２２は、大動脈根の近傍の大動脈の端部（例えば、図１６に示す端部Ａ）など、その境界を通って流れが三次元モデルの解剖学的形態内へと向かう境界を含んでもよい。各流入境界３２２に、例えば、心臓モデル及び／または集中パラメータモデルをその境界に結合することによって、速度、流量、圧力、または他の特性に対する規定の値またはフィールドを指定してもよい。流出境界３２４は、大動脈弓の近傍の大動脈の端部（例えば、図１６に示す端部Ｂ）、ならびに主冠状動脈及びそこから延びる分枝の下流端部（例えば、図１６に示す端部ａ〜ｍ）など、その境界を通って流れが三次元モデルの解剖学的形態から外に向かう境界を含んでもよい。各流出境界は、例えば、詳細に後述するように、集中パラメータモデルまたは分散（例えば、一次元波動伝播）モデルを結合することによって指定することができる。流入及び／または流出境界条件の規定値は、心拍出量（心臓からの血流の体積）、血圧、心筋質量などであるがこれらに限定されない患者の生理学的特徴を非侵襲的に測定することによって決定することができる。血管壁境界は、三次元モデル１０の大動脈、主冠状動脈、及び／または他の冠状動脈もしくは血管の物理的境界を含んでもよい。
作製された三次元モデル及び決定された境界条件を用いて、コンピュータ分析を実施して（ステップ４００）、患者の血流情報を決定してもよい。例えば、方程式３０を用いて、図１Ａに関連して上記で説明したコンピュータ４０を使用してコンピュータ分析を実施し、図１Ａに関連して上記で説明した画像、例えば、模擬の血圧モデル５０、模擬の血流モデル５２、及び／またはｃＦＦＲモデル５４を生成してもよい。
また、本方法は、この結果を用いて、患者固有の治療選択肢を提供することを含んでもよい（ステップ５００）。例えば、ステップ２００で作成された三次元モデル１０及び／またはステップ３００で指定された境界条件を調整して、１つまたは複数の治療、例えば、三次元モデル１０に表される冠状動脈のうちの１つへの冠動脈ステントの設置、または他の治療選択肢をモデリングしてもよい。次いで、上記のステップ４００で説明したようにコンピュータ分析を実施して、新しい画像、例えば、血圧モデル５０、血流モデル５２、及び／またはｃＦＦＲモデル５４の更新版を生成してもよい。これらの新しい画像を用いて、その治療選択肢（複数可）を採用した場合の血流速度及び血圧を決定することができる。
本明細書において開示されるシステム及び方法は、医師がアクセスするソフトウェアツールに組み込んで、冠状動脈内の血流を定量化し、冠動脈疾患の機能的重要性を評価するための非侵襲的手段を提供することができる。さらに、医師は、このソフトウェアツール使用して、冠動脈血流に対する薬物治療、インターベンション治療、及び／または外科治療の効果を予測することもできる。ソフトウェアツールは、頸部の動脈（例えば、頸動脈）、頭部の動脈（例えば、大脳動脈）、胸部の動脈、腹部の動脈（例えば、腹部大動脈及びその分枝）、腕の動脈、または脚の動脈（例えば、大腿動脈及び膝窩動脈）を含む心血管系の他の部分の疾患を予防、診断、管理、及び／または治療することもできる。ソフトウェアツールは、医師が患者のための最適な個別療法を作成できるように対話式であってもよい。
例えば、ソフトウェアツールは、医師または他のユーザが使用する、コンピュータシステム、例えば、図１Ａに示すコンピュータ４０に、少なくとも部分的に組み込まれていてもよい。コンピュータシステムは、患者から非侵襲的に取得したデータ（例えば、三次元モデル１０を作成するために使用するデータ、境界条件を適用するため、またはコンピュータ分析を実施するために使用するデータなど）を受信することができる。例えば、データは、医師が入力してもよく、またはかかるデータにアクセスし、それを提供することができる別の供給源、例えば、放射線もしくは医学研究室から受信してもよい。データは、ネットワークまたはデータを通信するための他のシステムを介して、または直接コンピュータシステムに送信してもよい。ソフトウェアツールは、データを使用して、三次元モデル１０もしくは他のモデル／メッシュ、及び／または図１Ａに関連して上記で説明した方程式３０を解くことによって決定された任意のシミュレーションもしくは他の結果、例えば、模擬の血圧モデル５０、模擬の血流モデル５２、及び／またはｃＦＦＲモデル５４を生成及び表示してもよい。したがって、ソフトウェアツールは、ステップ１００〜５００を実施することができる。ステップ５００において、医師は、コンピュータシステムにさらなる入力を提供して可能な治療選択肢を選択してもよく、コンピュータシステムは、選択された可能な治療選択肢に基づいて、新しいシミュレーションを医師に対して表示してもよい。さらに、図２に示す各ステップ１００〜５００は、別々のソフトウェアパッケージもしくはモジュールを用いて実施してもよい。
あるいは、ソフトウェアツールは、ウェブベースのサービスまたは他のサービス、例えば、医師とは別の実体が提供するサービスの一部として提供されてもよい。サービス提供者は、例えば、ウェブベースのサービスを運営していてもよく、またネットワークまたはコンピュータシステム間でデータを通信する他の方法を介して医師または他のユーザがアクセスしやすいウェブポータルまたは他のウェブベースのアプリケーション（例えば、サービス提供者が運営するサーバまたは他のコンピュータシステム上で実行される）を提供してもよい。例えば、患者から非侵襲的に取得したデータは、サービス提供者に提供されてもよく、サービス提供者は、このデータを用いて、三次元モデル１０もしくは他のモデル／メッシュ、及び／または図１Ａに関連して上記で説明した方程式３０を解くことによって決定された任意のシミュレーションもしくは他の結果、例えば、模擬の血圧モデル５０、模擬の血流モデル５２、及び／またはｃＦＦＲモデル５４を生成してもよい。次いで、ウェブベースのサービスは、三次元モデル１０もしくは他のモデル／メッシュ、及び／またはシミュレーションに関する情報を送信してもよく、それによって三次元モデル１０及び／またはシミュレーションを医師に対して、または医師のコンピュータシステム上に表示してもよい。したがって、ウェブベースのサービスは、ステップ１００〜５００及び患者固有の情報を提供するための後述の任意の他のステップを実施することができる。ステップ５００において、医師は、さらなる入力を提供して、例えば、可能な治療選択肢を選択しても、またはコンピュータ分析に他の調整を行ってもよく、この入力は、サービス提供者によって運営されるコンピュータシステムに送信してもよい（例えば、ウェブポータルを介して）。ウェブベースのサービスは、選択された可能な治療選択肢に基づいて、新しいシミュレーションまたは他の結果を生成してもよく、新しいシミュレーションに関する情報を再び医師に通信してもよく、それによって新しいシミュレーションが医師に対して表示されてもよい。
本明細書に記載するステップのうちの１つまたは複数が、１人または複数の人間のオペレータ（例えば、心臓専門医または他の医師、患者、サード・パーティーによって提供されるウェブベースのサービスまたは他のサービスを提供するサービス提供者の従業員、他のユーザなど）、あるいは、かかる人間のオペレータ（複数可）によって使用される１つまたは複数のコンピュータシステム、例えば、デスクトップコンピュータもしくはポータブルコンピュータ、ワークステーション、サーバ、携帯情報端末などによって実施されてもよいことは理解すべきである。コンピュータシステム（複数可）は、ネットワークまたはデータ通信する他の方法を介して接続することができる。
図３は、特定の患者における血流に関する様々な情報を提供するための例示的方法のさらなる態様を示している。図３に示す態様は、コンピュータシステムに少なくとも部分的に組み込まれていてもよく、及び／またはウェブベースのサービスの一部としてのソフトウェアツールに組み込まれていてもよい。
ＩＩ．患者固有の解剖学的データの取得及び前処理
図２に示すステップ１００に関連して上記で説明したように、例示的方法は、患者固有の解剖学的データ、例えば、患者の心臓に関する情報を取得することと、データを前処理することとを含んでもよい。例示的実施形態において、ステップ１００は、以下のステップを含んでもよい。
図２に示すステップ１００に関連して上記で説明したように、例示的方法は、患者固有の解剖学的データ、例えば、患者の心臓に関する情報を取得することと、データを前処理することとを含んでもよい。例示的実施形態において、ステップ１００は、以下のステップを含んでもよい。
最初に、患者を選択してもよい。例えば、患者が胸痛や心臓発作などの冠動脈疾患に関連する症状を経験している場合に、医師が患者の冠動脈血流についての情報が所望されると判断したとき、医師が患者を選択してもよい。
患者固有の解剖学的データ、例えば、患者の心臓の幾何学的形状、例えば、患者の大動脈の少なくとも一部、大動脈に連結する主冠状動脈（及びそこから延びる分枝）の近位部、及び心筋に関するデータを取得することができる。患者固有の解剖学的データは、例えば、非侵襲的な画像化方法を用いて、非侵襲的に取得することができる。例えば、ＣＣＴＡは、ユーザがコンピュータ断層撮影（ＣＴ）スキャナを操作して、構造体、例えば、心筋、大動脈、主冠状動脈、及びそれらに連結する他の血管の画像を観察または作成する画像化方法である。ＣＣＴＡデータは、時変であって、例えば、心周期にわたって血管形状の変化を示してもよい。ＣＣＴＡを用いて、患者の心臓の画像を生成してもよい。例えば、６４スライスのＣＣＴＡデータ、例えば、患者の心臓の６４枚の切片に関するデータを取得し、三次元画像を構築することができる。図４は、６４スライスのＣＣＴＡデータによって生成される三次元画像１２０の例を示している。
あるいは、他の非侵襲的な画像化方法、例えば、磁気共鳴画像化（ＭＲＩ）または超音波（ＵＳ）、あるいは侵襲的な画像化方法、例えば、デジタルサブトラクション血管造影（ＤＳＡ）を用いて、患者の解剖学的形態の構造体の画像を生成してもよい。画像化方法は、解剖学的形態の構造体の特定を可能にするために、患者への造影剤を静脈投与することを含んでもよい。得られた画像データ（例えば、ＣＣＴＡやＭＲＩなどによって提供される）は、放射線研究室または心臓専門医などのサード・パーティーベンダー、あるいは患者の医師などが提供してもよい。
また、他の患者固有の解剖学的データも患者から非侵襲的に決定することができる。例えば、患者の血圧、ベースライン心拍数、身長、体重、ヘマトクリット値、一回拍出量などの生理学的データを測定してもよい。血圧は、患者の上腕動脈の血圧（例えば、血圧測定用カフを用いる）、例えば、最高（収縮期）血圧及び最低（拡張期）血圧であってもよい。
上述のように取得した患者固有の解剖学的データは、安全な通信回線上で送信してもよい（例えば、ネットワークを介して）。例えば、データは、コンピュータ分析、例えば、上記のステップ４００で説明したコンピュータ分析を実施するために、サーバまたは他のコンピュータシステムに送信してもよい。例示的実施形態において、データは、ウェブベースのサービスを提供するサービス提供者によって運営されるサーバまたは他のコンピュータシステムに送信してもよい。あるいは、データは、患者の医師または他のユーザによって操作されるコンピュータシステムに送信してもよい。
再び図３を参照すると、送信されたデータを検討して、データが許容可能かどうかを決定することができる（ステップ１０２）。決定は、ユーザ及び／またはコンピュータシステムが実施してもよい。例えば、送信されたデータ（例えば、ＣＣＴＡデータ及び他のデータ）をユーザ及び／またはコンピュータシステムが検証して、例えば、ＣＣＴＡデータが完全である（例えば、大動脈及び主冠状動脈の十分な部分を含む）かどうか、また正しい患者に対応しているかどうかを決定してもよい。
また、送信されたデータ（例えば、ＣＣＴＡデータ及び他のデータ）を前処理及び評価してもよい。前処理及び／または評価は、ユーザ及び／またはコンピュータシステムが実施してもよく、例えば、位置ずれ、不一致、またはＣＣＴＡデータの不鮮明の確認、ＣＣＴＡデータに示されるステントの確認、血管内腔の可視性を妨げる可能性がある他の人工物の確認、構造体（例えば、大動脈、主冠状動脈、及び他の血管）と患者の他の部分との間の十分なコントラストの確認などを含んでもよい。
送信されたデータを判定して、上述の検証、前処理、及び／または評価に基づいて、データが許容可能であるかを決定してもよい。上述の検証、前処理、及び／または評価中に、ユーザ及び／またはコンピュータシステムは、データの一部のエラーまたは問題を修正することができるかもしれない。しかしながら、エラーまたは問題が多すぎる場合には、そのデータは許容不可であると決定することができ、ユーザ及び／またはコンピュータシステムは、それらのエラーまたは問題が送信されたデータの拒否を余儀なくする旨を説明する拒否レポートを生成してもよい。場合によっては、新しいＣＣＴＡスキャンを実施してもよく、及び／または上述の生理学的データを再度患者から測定してもよい。送信されたデータが許容可能であると決定された場合、本方法は、後述のステップ２０２に進んでもよい。
したがって、図３に示す上述のステップ１０２は、図２のステップ１００のサブステップとみなすことができる。
ＩＩＩ．取得した解剖学的データに基づく三次元モデルの作成
図２に示すステップ２００に関連して上記で説明したように、例示的方法は、取得した解剖学的データに基づいて、三次元モデルを作成することを含んでもよい。例示的実施形態において、ステップ２００は、以下のステップを含んでもよい。
図２に示すステップ２００に関連して上記で説明したように、例示的方法は、取得した解剖学的データに基づいて、三次元モデルを作成することを含んでもよい。例示的実施形態において、ステップ２００は、以下のステップを含んでもよい。
ＣＣＴＡデータを用いて、冠状血管の三次元モデルを生成することができる。図５は、ＣＣＴＡデータを用いて生成される三次元モデル２２０の表面の例を示している。例えば、モデル２２０は、例えば、大動脈の少なくとも一部、大動脈のその部分に連結する１つまたは複数の主冠状動脈の少なくとも１つの近位部、主冠状動脈に連結する１つまたは複数の分枝の少なくとも１つの近位部などを含んでもよい。大動脈、主冠状動脈、及び／または分枝のモデリングされた部分は、相互に連結した樹状であってもよく、どの部分もモデル２２０の残りの部分から分離していない。モデル２２０を形成するプロセスは、セグメント化と称される。
再び図３を参照すると、コンピュータシステムは、大動脈（ステップ２０２）及び心筋（または他の心臓組織、もしくはモデリングされる動脈に連結する他の組織）（ステップ２０４）の少なくとも一部を自動的にセグメント化してもよい。また、コンピュータシステムは、大動脈に連結する主冠状動脈の少なくとも一部をセグメント化してもよい。例示的実施形態において、コンピュータシステムは、主冠状動脈をセグメント化するために、ユーザが１つまたは複数の冠動脈の根元または始点を選択する（ステップ２０６）ことを可能にしてもよい。
セグメント化は、様々な方法を用いて実施することができる。セグメント化は、ユーザの入力に基づいて、またはユーザの入力を伴わずに、コンピュータシステムによって自動的に実施されてもよい。例えば、例示的実施形態において、ユーザは、第１の初期モデルを生成するために、コンピュータシステムに入力を提供してもよい。例えば、コンピュータシステムは、ユーザに対して、ＣＣＴＡデータから生成された三次元画像１２０（図４）またはその切片を表示してもよい。三次元画像１２０は、様々な輝度の明度を有する部分を含んでもよい。例えば、より明るい領域は、大動脈、主冠状動脈、及び／または分枝の内腔を示し得る。より暗い領域は、患者の心臓の心筋及び他の組織を示し得る。
図６は、ユーザに対して表示することができる三次元画像１２０の切片２２２の一部を示し、切片２２２は、相対明度を有する領域２２４を含んでもよい。コンピュータシステムは、１つまたは複数のシード２２６を加えることによって、ユーザが相対明度の領域２２４を選択することを可能にしてもよく、シード２２６は、主冠状動脈のセグメント化のための冠動脈の根元または始点としての役割を果たしてもよい。ユーザの命令で、コンピュータシステムは、次いで第１の初期モデルを形成するための始点としてシード２２６を使用してもよい。ユーザは、大動脈及び／または個々の主冠状動脈のうちの１つまたは複数に、シード２２６を追加してもよい。場合によって、ユーザは、主冠状動脈に連結する分枝のうちの１つまたは複数に、シード２２６を追加してもよい。あるいは、コンピュータシステムは、例えば、抽出した中心線の情報を用いて、自動的にシードを配置してもよい。コンピュータシステムは、シード２２６が配置された画像１２０の輝度値を決定してもよく、同じ輝度値を有する（または、選択された輝度値を中心とする輝度値の範囲または閾値内の）画像１２０の部分に沿ってシード２２６を拡張することによって、第１の初期モデルを形成してもよい。したがって、このセグメント化方法は、「閾値に基づくセグメント化」と称することができる。
図７は、図６のシード２２６を拡張することによって形成される第１の初期モデルの一部２３０を示している。したがって、ユーザは、コンピュータシステムが第１の初期モデルの形成を開始するための始点として、シード２２６を入力する。このプロセスは、全ての関心部分、例えば、大動脈及び／または主冠状動脈の部分がセグメント化されるまで繰り返してもよい。あるいは、第１の初期モデルは、ユーザ入力を伴わずに、コンピュータシステムによって生成されてもよい。
あるいは、セグメント化は、「エッジに基づくセグメント化」と称される方法を用いて実施してもよい。例示的実施形態において、後述のように、閾値に基づくセグメント化及びエッジに基づくセグメント化の両方法を実施して、モデル２２０を形成してもよい。
第２の初期モデルは、エッジに基づくセグメント化方法を用いて形成してもよい。この方法では、大動脈及び／または主冠状動脈の内腔エッジの位置を特定することができる。例えば、例示的実施形態において、ユーザは、第２の初期モデルを生成するために、入力、例えば、上述のようなシード２２６をコンピュータシステムに提供してもよい。コンピュータシステムは、エッジに達するまで、画像１２０の部分に沿ってシード２２６を拡張してもよい。内腔のエッジは、例えば、ユーザによって視覚的に、及び／またはコンピュータシステムによって（例えば、設定閾値を上回る輝度値の変化がある位置）、位置を特定することができる。エッジに基づくセグメント化方法は、コンピュータシステム及び／またはユーザによって実施することができる。
また、ステップ２０４において、ＣＣＴＡデータに基づいて、心筋または他の組織をセグメント化してもよい。例えば、ＣＣＴＡデータを分析して、心筋、例えば、左心室及び／または右心室の内面及び外面の位置を決定することができる。これらの面の位置は、ＣＣＴＡデータにおける心臓の他の構造体と比較した心筋のコントラスト（例えば、相対暗度及び明度）に基づいて決定することができる。したがって、心筋の幾何学的形状を決定することができる。
大動脈、心筋、及び／または主冠状動脈のセグメント化は、必要な場合には再検討及び／または補正してもよい（ステップ２０８）。再検討及び／または補正は、コンピュータシステム及び／またはユーザが実施してもよい。例えば、例示的実施形態において、コンピュータシステムが自動的にセグメント化を再検討し、エラーがある場合、例えば、モデル２２０の大動脈、心筋、及び／または主冠状動脈のいずれかの部分が欠けている、または不正確である場合、ユーザが手動でそのセグメント化を補正してもよい。
例えば、上述の第１の初期モデル及び第２の初期モデルを比較して、大動脈及び／または主冠状動脈のセグメント化が正確であることを確認してもよい。第１の初期モデルと第２の初期モデルとの間のあらゆる矛盾する部分を比較して、セグメント化を補正し、モデル２２０形成してもよい。例えば、モデル２２０は、第１の初期モデルと第２の初期モデルとの平均であってもよい。あるいは、上述のセグメント化方法のうちの１つのみを実施してもよく、その方法によって形成された初期モデルをモデル２２０として使用してもよい。
心筋質量を算出することができる（ステップ２４０）。この計算は、コンピュータシステムによって実施されてもよい。例えば、上述のように決定した心筋の表面の位置に基づいて心筋体積を算出することができ、算出された心筋体積に心筋の密度を乗じて、心筋質量を算出することができる。心筋の密度は、事前設定してもよい。
モデル２２０（図５）の様々な血管（例えば、大動脈、主冠状動脈など）の中心線を決定することができる（ステップ２４２）。例示的実施形態において、この決定は、コンピュータシステムによって自動的に実施することができる。
ステップ２４２で決定された中心線は、必要な場合には再検討及び／または補正してもよい（ステップ２４４）。この再検討及び／または補正は、コンピュータシステム及び／またはユーザが実施してもよい。例えば、例示的実施形態において、コンピュータシステムが自動的に中心線を再検討し、エラーがある場合、例えば、いずれかの中心線が欠けている、または不正確である場合、ユーザが手動でその中心線を補正してもよい。
カルシウムまたはプラーク（血管の狭窄の原因となる）を検出することができる（ステップ２４６）。例示的実施形態において、コンピュータシステムは、自動的にプラークを検出することができる。例えば、プラークを三次元画像１２０で検出し、モデル２２０から除去することができる。プラークは、大動脈、主冠状動脈、及び／または分枝の内腔よりもさらに明るい部分として表示されることから、三次元画像１２０でプラークを特定することができる。したがって、プラークは、設定値を下回る輝度値を有するとしてコンピュータシステムによって検出することができ、またはユーザが視覚的に検出することもできる。プラークの検出後、コンピュータシステムは、モデル２２０からそのプラークを除去して、そのプラークが内腔の一部または血管内の空間とみなされないようにすることができる。あるいは、コンピュータシステムは、大動脈、主冠状動脈、及び／または分枝と異なる色、陰影、または他の視覚的指標を用いて、モデル２２０上にプラークを示すこともできる。
また、コンピュータシステムは、検出されたプラークを自動的にセグメント化することもできる（ステップ２４８）。例えば、プラークは、ＣＣＴＡデータに基づいてセグメント化してもよい。ＣＣＴＡデータを分析して、ＣＣＴＡデータにおける心臓の他の構造体と比較したプラークのコントラスト（例えば、相対暗度及び明度）に基づいて、プラーク（またはその表面）の位置を特定することができる。したがって、プラークの幾何学的形状も決定することができる。
プラークのセグメント化は、必要な場合には再検討及び／または補正してもよい（ステップ２５０）。この検討及び／または補正は、コンピュータシステム及び／またはユーザが実施してもよい。例えば、例示的実施形態において、コンピュータシステムが自動的にセグメント化を再検討し、エラーがある場合、例えば、いずれかのプラークが欠けている、または不正確に示されている場合、ユーザが手動でそのセグメント化を補正してもよい。
コンピュータシステムは、主冠状動脈と連結する分枝を自動的にセグメント化してもよい（ステップ２５２）。例えば、分枝は、例えば、図６及び図７に示し、ステップ２０６に関連して上記で説明したような主冠状動脈をセグメント化する方法と類似する方法を用いて、セグメント化することができる。また、コンピュータシステムは、ステップ２４８及び２５０に関連して上記で説明した方法と類似する方法を用いて、セグメント化された分枝中のプラークを自動的にセグメント化してもよい。あるいは、分枝（及びその中に含まれるあらゆるプラーク）は、主冠状動脈と同時に（例えば、ステップ２０６で）セグメント化してもよい。
分枝のセグメント化は、必要な場合には再検討及び／または補正してもよい（ステップ２５４）。この再検討及び／または補正は、コンピュータシステム及び／またはユーザが実施してもよい。例えば、例示的実施形態において、コンピュータシステムが自動的にセグメント化を再検討し、エラーがある場合、例えば、モデル２２０の分枝のいずれかの部分が欠けている、または不正確である場合、ユーザが手動でそのセグメント化を補正してもよい。
モデル２２０は、位置ずれ、ステント、または他の人工物の位置が特定された場合（例えば、ステップ１０２におけるＣＣＴＡデータの再検討中）、補正してもよい（ステップ２５６）。この補正は、ユーザ及び／またはコンピュータシステムが実施してもよい。例えば、位置ずれまたは他の人工物（例えば、不一致、不鮮明、内腔可視性に影響を及ぼす人工物など）の位置が特定された場合、モデル２２０を再検討及び／または補正して、血管の断面積の人為的変化または見せかけの変化（例えば、人為的狭窄）を回避することができる。ステントの位置が特定された場合、モデル２２０を再検討及び／または補正して、そのステントの位置を示し、及び／または、例えば、ステントのサイズに基づいて、そのステントが位置する血管の断面積を補正してもよい。
また、モデル２２０のセグメント化は、独立して再検討することもできる（ステップ２５８）。この再検討は、ユーザ及び／またはコンピュータシステムが実施してもよい。例えば、ユーザ及び／またはコンピュータシステムは、モデル２２０の特定のエラー、例えば、補正可能なエラー及び／またはモデル２２０の少なくとも部分的な再構成または再セグメント化を必要とし得るエラーを特定することができ得る。そのようなエラーが特定された場合、そのセグメント化は、許容不可であると決定してもよく、エラー（複数可）に応じて特定のステップ、例えば、ステップ２０２〜２０８、２４０〜２５６のうちの１つまたは複数を繰り返してもよい。
モデル２２０のセグメント化が許容可能として独立して検証された場合、場合によっては、モデル２２０を出力し、平滑化してもよい（ステップ２６０）。この平滑化は、ユーザ及び／またはコンピュータシステムが実施してもよい。例えば、隆起部、先端部、または他の不連続部分を平滑化してもよい。モデル２２０は、別個のソフトウェアモジュールに出力して、コンピュータ分析などに備えてもよい。
したがって、図３に示す上述のステップ２０２〜２０８及び２４０〜２６０は、図２のステップ２００のサブステップとみなすことができる。
ＩＶ．分析のためのモデルの作製及び境界条件の決定
図２に示すステップ３００に関連して上記で説明したように、例示的方法は、分析のためのモデルを作成することと、境界条件を決定することとを含んでもよい。例示的実施形態において、ステップ３００は、以下のステップを含んでもよい。
図２に示すステップ３００に関連して上記で説明したように、例示的方法は、分析のためのモデルを作成することと、境界条件を決定することとを含んでもよい。例示的実施形態において、ステップ３００は、以下のステップを含んでもよい。
Ａ．分析のためのモデルの作製
再び図３を参照すると、モデル２２０（図５）の様々な血管（例えば、大動脈、主冠状動脈、及び／または分枝）の断面積も決定することができる（ステップ３０４）。例示的実施形態において、この決定は、コンピュータシステムが実施してもよい。
再び図３を参照すると、モデル２２０（図５）の様々な血管（例えば、大動脈、主冠状動脈、及び／または分枝）の断面積も決定することができる（ステップ３０４）。例示的実施形態において、この決定は、コンピュータシステムが実施してもよい。
モデル２２０（図５）をトリミングしてもよく（ステップ３０６）、ソリッドモデルを生成してもよい。図８は、図５に示すモデル２２０に類似するモデルに基づいて作製されたトリミングしたソリッドモデル３２０の例を示している。ソリッドモデル３２０は、三次元の患者固有の幾何学モデルである。例示的実施形態において、トリミングは、ユーザの入力を伴って、またはユーザの入力を伴わずに、コンピュータシステムにより実施されてもよい。流入境界３２２及び流出境界３２４の各々は、それぞれの境界を形成する面がステップ２４２で決定された中心線に対して垂直になるようにトリミングしてもよい。流入境界３２２は、図８に示すような大動脈の上流端など、その境界を通って流れがモデル３２０の解剖学的形態内へと向かう境界を含んでもよい。流出境界３２４は、大動脈の下流端並びに主冠状動脈及び／または分枝の下流端など、その境界を通って流れがモデル３２０の解剖学的形態から外に向かう境界を含んでもよい。
Ｂ．境界条件の決定
境界条件を提供して、モデル、例えば、図８の三次元ソリッドモデル３２０の境界で起きていることを表現することができる。例えば、境界条件は、例えば、モデリングされた解剖学的形態の境界における、患者のモデリングされた解剖学的形態に関連する少なくとも１つの血流の特徴に関していてもよく、この血流の特徴（複数可）は、血流速度、圧力、流量、ＦＦＲなどを含んでもよい。境界条件を適切に決定することによって、コンピュータ分析を実施して、モデル内の様々な位置における情報を決定することができる。境界条件及びかかる境界条件を決定する方法の例について、ここで説明する。
境界条件を提供して、モデル、例えば、図８の三次元ソリッドモデル３２０の境界で起きていることを表現することができる。例えば、境界条件は、例えば、モデリングされた解剖学的形態の境界における、患者のモデリングされた解剖学的形態に関連する少なくとも１つの血流の特徴に関していてもよく、この血流の特徴（複数可）は、血流速度、圧力、流量、ＦＦＲなどを含んでもよい。境界条件を適切に決定することによって、コンピュータ分析を実施して、モデル内の様々な位置における情報を決定することができる。境界条件及びかかる境界条件を決定する方法の例について、ここで説明する。
例示的実施形態において、決定された境界条件は、ソリッドモデル３２０によって表される血管の一部の上流及び下流の構造体を単純化して、一次元または二次元の次数低減モデルにすることができる。境界条件を決定する例示的な一連の方程式及び他の詳細は、例えば、米国特許出願公開第２０１０／０２４１４０４号及び米国仮出願第６１／２１０，４０１号に記載され、これらはともに「Ｐａｔｉｅｎｔ−Ｓｐｅｃｉｆｉｃ Ｈｅｍｏｄｙｎａｍｉｃｓ ｏｆ ｔｈｅ Ｃａｒｄｉｏｖａｓｃｕｌａｒ Ｓｙｓｔｅｍ」と題され、参照によりそれら全体が本明細書に援用される。
境界条件は、患者の生理学的状態に応じて異なってもよいが、これは心臓を通る血流が患者の生理学的状態に応じて異なり得るためである。例えば、ＦＦＲは、通常は、患者が、例えば、ストレスなどによる心臓の血流の増加を経験しているときに一般に生じる、生理学的充血条件下で測定される。ＦＦＲは、最大ストレス条件下での冠動脈圧の大動脈圧に対する比である。さらなる実施形態は、圧力の代わりに流量の比としたｃＦＦＲ計算について説明する。充血は、薬理学的に、例えば、アデノシンで誘発してもよい。図９〜１１は、患者の生理学的状態（安静時、最大充血下、または最大運動下）に応じた、モデル３２０における冠動脈圧の大動脈圧に対する比の変化を示す、算出されたＦＦＲ（ｃＦＦＲ）モデルの例を示している。図９は、患者の安静時のモデル３２０全体の冠動脈圧の大動脈圧に対する比が最小の形態を示す。図１０は、患者の最大充血時のモデル３２０全体の冠動脈圧の大動脈圧に対する比がより大きい形態を示す。図１１は、患者の最大運動時のモデル３２０全体の冠動脈圧の大動脈圧に対する比がさらに大きい形態を示す。
再び図３を参照すると、充血条件の境界条件を決定することができる（ステップ３１０）。例示的実施形態において、冠動脈の抵抗の１〜５分の１までの減少、大動脈血圧のおよそ０〜２０％の減少、心拍数のおよそ０〜２０％の増加を用いて、アデノシンの効果をモデリングすることができる。例えば、アデノシンの効果は、冠動脈抵抗の４分の１までの減少、大動脈血圧のおよそ１０％の減少、心拍数のおよそ１０％の増加を用いてモデリングすることができる。例示的実施形態では充血条件の境界条件が決定されるが、他の生理学的状態、例えば、安静、異なる程度の充血、異なる程度の運動、労作、ストレス、または他の条件で境界条件を決定してもよいことは理解される。
境界条件は、三次元ソリッドモデル３２０についてその境界、例えば、図８に示される流入境界３２２、流出境界３２４、血管壁境界３２６などにおける情報を提供する。血管壁境界３２６は、モデル３２０の大動脈、主冠状動脈、及び／または他の冠状動脈または血管の物理的境界を含んでもよい。
各流入または流出境界３２２、３２４に、速度、流量、圧力、または他の血流の特徴に対する規定値または値のフィールドを指定してもよい。あるいは、各流入または流出境界３２２、３２４は、その境界に心臓モデル、集中パラメータモデルもしくは分散（例えば、一次元波動伝播）モデル、別のタイプの一次元もしくは二次元モデル、または他のタイプのモデルを結合することによって指定してもよい。具体的な境界条件は、例えば、取得した患者固有の情報、または他の測定されたパラメータ、例えば、心拍出量、血圧、ステップ２４０で算出された心筋質量などから決定された流入または流出境界３２２、３２４の幾何学的形状に基づいて決定することができる。
ｉ．次数低減モデルの決定
ソリッドモデル３２０に連結する上流及び下流の構造体は、上流及び下流の構造体を表す次数低減モデルとして表してもよい。例えば、図１２〜１５は、例示的実施形態による、流出境界３２４のうちの１つにおける三次元の患者固有の解剖学的データから集中パラメータモデルを作製する方法の態様を示している。本方法は、図２及び図３に示される方法とは別に、その前に実施することができる。
ソリッドモデル３２０に連結する上流及び下流の構造体は、上流及び下流の構造体を表す次数低減モデルとして表してもよい。例えば、図１２〜１５は、例示的実施形態による、流出境界３２４のうちの１つにおける三次元の患者固有の解剖学的データから集中パラメータモデルを作製する方法の態様を示している。本方法は、図２及び図３に示される方法とは別に、その前に実施することができる。
図１２は、主冠状動脈またはそこから延びる分枝のうちの１つのソリッドモデル３２０の部分３３０を示し、図１３は、図１２に示される部分３３０のステップ２４２で決定される中心線の一部を示している。
部分３３０は、セグメント３３２に分割することができる。図１４は、部分３３０から形成することができるセグメント３３２の例を示している。セグメント３３２の長さの選択は、ユーザ及び／またはコンピュータシステムによって実施することができる。セグメント３３２は、例えば、セグメント３３２の幾何学的形状に応じて長さが変化し得る。様々な技法を用いて、部分３３０をセグメント化することができる。例えば、罹患部分、例えば、断面が比較的狭い部分、病変、及び／または狭窄（血管の異常な狭小化）に１つまたは複数の別個のセグメント３３２は備えることができる。この罹患部分及び狭窄は、例えば、中心線の全長に沿って断面積を測定し、最小断面積を局所的に算出することによって特定することができる。
セグメント３３２は、１つまたは複数の（線形または非線形）抵抗器３３４及び／または他の回路要素（例えば、コンデンサ、インダクタなど）を含む回路図によって近似することができる。図１５は、一連の線形及び非線形抵抗器３３４で置き換えたセグメント３３２の例を示している。抵抗器３３４の個々の抵抗は、例えば、対応するセグメント３３２にわたる推定される流動及び／または圧力に基づいて決定することができる。
この抵抗は、例えば、対応するセグメント３３２を通した推定された流量に応じて、定抵抗、線形抵抗、または非線形抵抗であってもよい。狭窄などのより複雑な幾何学的形状の場合、抵抗は流量によって変化し得る。様々な幾何学的形状の抵抗は、コンピュータ分析（例えば、有限差分法、有限体積法、スペクトル法、格子ボルツマン法、粒子ベース法、レベルセット法、等幾何学法、または有限要素法、あるいは他の計算流体力学（ＣＦＤ）分析技術）に基づいて決定することができ、異なる流動及び圧力条件下で実施されるコンピュータ分析からの複数の解を用いて、患者固有、血管固有、及び／または病変固有の抵抗を導くことができる。この結果を用いて、モデリングすることができる任意のセグメントの様々な種類の特徴及び幾何学的形状の抵抗を決定することができる。結果として、上述のように患者固有、血管固有、及び／または病変固有の抵抗を導くことは、コンピュータシステムが、より複雑な幾何学的形状、例えば、非対称狭窄、複数の病変、分岐及び分枝の病変、及び蛇行血管などを認識し、評価することを可能にし得る。
また、コンデンサも含まれていてよく、キャパシタンスは、例えば、対応するセグメントの血管壁の弾力性に基づいて決定することができる。インダクタが含まれていてもよく、インダクタンスは、例えば、対応するセグメントを貫流する血液量の加速または減速に関する慣性効果に基づいて決定することができる。
抵抗、キャパシタンス、インダクタンス、及び集中パラメータモデルに使用される他の電気要素に関連する他の変数の個々の値は、多数の患者からのデータに基づいて導くことができ、類似する血管の幾何学的形状は、同様の値を有し得る。したがって、大きな集団の患者固有のデータから経験モデルを開発し、将来の分析に類似する患者に適用することができる特定の幾何学的特徴に対応する値のライブラリを作成することができる。幾何学的形状を２つの異なる血管セグメント間で一致させて、以前のシミュレーションから患者のセグメント３３２の値を自動的に選択することができる。
ｉｉ．例示的集中パラメータモデル
あるいは、図１２〜１５に関連して上記で説明したステップを実施する代わりに、集中パラメータモデルを事前設定してもよい。例えば、図１６は、ソリッドモデル３２０の流入及び流出境界３２２、３２４における上流及び下流の構造体を表す集中パラメータモデル３４０、３５０、３６０の例を示している。端部Ａは、流入境界３２２に位置し、端部ａ〜ｍ及びＢは、流出境界に位置する。
あるいは、図１２〜１５に関連して上記で説明したステップを実施する代わりに、集中パラメータモデルを事前設定してもよい。例えば、図１６は、ソリッドモデル３２０の流入及び流出境界３２２、３２４における上流及び下流の構造体を表す集中パラメータモデル３４０、３５０、３６０の例を示している。端部Ａは、流入境界３２２に位置し、端部ａ〜ｍ及びＢは、流出境界に位置する。
集中パラメータ心臓モデル３４０を使用して、ソリッドモデル３２０の流入境界３２２の端部Ａにおける境界条件を決定することができる。集中パラメータ心臓モデル３４０を用いて、充血条件下での心臓からの血流を表すことができる。集中パラメータ心臓モデル３４０は、様々なパラメータ（例えば、ＰＬＡ、ＲＡＶ、ＬＡＶ、ＲＶ−Ａｒｔ、ＬＶ−Ａｒｔ、及びＥ（ｔ））を含み、これらは、患者に関する既知の情報、例えば、大動脈圧、患者の収縮期及び拡張期血圧（例えば、ステップ１００で決定される）、患者の心拍出量（例えば、ステップ１００で決定される患者の一回拍出量及び心拍数に基づいて算出される、心臓からの血液量）、及び／または実験的に決定された定数に基づいて決定することができる。
集中パラメータ冠動脈モデル３５０を使用して、主冠状動脈及び／またはそこから延びる分枝の下流端に位置する、ソリッドモデル３２０の流出境界３２４の端部ａ〜ｍにおける境界条件を決定することができる。集中パラメータ冠動脈モデル３５０を使用して、充血条件下で、モデリングされた血管から端部ａ〜ｍを通って流出する血流を表すことができる。集中パラメータ冠動脈モデル３５０は、様々なパラメータ（例えば、Ｒａ、Ｃａ、Ｒａ−ｍｉｃｒｏ、Ｃｉｍ、及びＲＶ）を含み、これらは、患者に関する既知の情報、例えば、算出された心筋質量（例えば、ステップ２４０で決定される）、及び端部ａ〜ｍにおける終端インピーダンス（例えば、ステップ３０４で決定される端部ａ〜ｍにおける血管の断面積）に基づいて決定することができる。
例えば、算出された心筋質量を用いて、複数の流出境界３２４を通るベースライン（安静時）の平均冠血流を推定することができる。この関係は、Ｑ∝Ｑ０Ｍα（式中、αは既定のスケーリング指数であり、Ｑ０は既定の定数である）として平均冠血流Ｑを心筋質量Ｍ（例えば、ステップ２４０で決定される）と相関させる、実験的に導かれた生理学的法則（例えば、図１Ａの生理学的法則２０）に基づいてもよい。次いで、ベースライン（安静時）条件下での流出境界３２４における全冠血流Ｑ、及び患者の血圧（例えば、ステップ１００で決定される）を使用して、既定の実験的に導かれた方程式に基づいて、流出境界３２４における全抵抗Ｒを決定することができる。
全抵抗Ｒは、端部ａ〜ｍのそれぞれの断面積（例えば、ステップ３０４で決定される）に基づいて、端部ａ〜ｍに分布してもよい。この関係は、Ｒｉ∝Ｒｉ，０ｄｉβ（Ｒｉは、ｉ番目の流出口における流動抵抗であり、Ｒｉ，０は既定の定数であり、ｄｉはその流出口の直径であり、βは既定のベキ乗指数、例えば、−３〜−２、冠血流では−２．７、脳血流では−２．９などである）として端部ａ〜ｍのそれぞれの抵抗を相関させる、実験的に導かれた生理学的法則（例えば、図１の生理学的法則２０）に基づいてもよい。個々の端部ａ〜ｍを通る冠血流及び個々の端部ａ〜ｍにおける平均圧（例えば、ステップ３０４で決定される血管の端部ａ〜ｍの個々の断面積に基づいて決定される）を用いて、対応する端部ａ〜ｍにおける集中パラメータ冠動脈モデル３５０の抵抗の合計を決定することができる（例えば、Ｒａ＋Ｒａ−ｍｉｃｒｏ＋ＲＶ）。他のパラメータ（例えば、Ｒａ／Ｒａ−ｍｉｃｒｏ、Ｃａ、Ｃｉｍ）は、実験的に決定された定数であってもよい。
Ｗｉｎｄｋｅｓｓｅｌモデル３６０を用いて、大動脈弓に向かう大動脈の下流端に位置する、ソリッドモデル３２０の流出境界３２４の端部Ｂにおける境界条件を決定することができる。Ｗｉｎｄｋｅｓｓｅｌモデル３６０を用いて、充血条件下で、モデリングされた大動脈から端部Ｂを通って流出する血流を表すことができる。Ｗｉｎｄｋｅｓｓｅｌモデル３６０は、様々なパラメータ（例えば、Ｒｐ、Ｒｄ、及びＣ）を含み、これらは、患者に関する既知の情報、例えば、集中パラメータ心臓モデル３４０に関連して上記で説明した患者の心拍出量、集中パラメータ冠動脈モデル３５０に関連して上記で説明したベースライン平均冠血流、大動脈圧（例えば、ステップ３０４で決定される端部Ｂにおける大動脈の断面積に基づいて決定される）、及び／または実験的に決定された定数に基づいて決定することができる。
境界条件、例えば、集中パラメータモデル３４０、３５０、３６０（または、これらに含まれるあらゆる定数）、あるいは他の次数低減モデルは、他の因子に基づいて調整することができる。例えば、生理的ストレス下で比較的減少した血管を拡張する能力により、患者が低い血流対血管サイズ比を有する場合、抵抗値を調整（例えば増加）することができる。また、抵抗値は、患者が糖尿病を有する、薬物治療を受けている、過去に心イベントを経験した場合などにも調整することができる。
代替的な集中パラメータまたは分散一次元ネットワークモデルを用いて、ソリッドモデル３２０の下流の冠状血管を表してもよい。ＭＲＩ、ＣＴ、ＰＥＴ、またはＳＰＥＣＴを用いた心筋灌流の画像化を用いて、かかるモデルのパラメータを指定することができる。また、代替的な画像化源、例えば、磁気共鳴血管造影（ＭＲＡ）、レトロスペクティブシネゲーティングまたはプロスペクティブシネゲーティングコンピュータ断層血管造影（ＣＴＡ）などを用いて、かかるモデルのパラメータを指定することもできる。レトロスペクティブシネゲーティングを画像処理方法と併用して、心周期にわたる心室の体積変化を取得し、集中パラメータ心臓モデルのパラメータを指定してもよい。
集中パラメータモデル３４０、３５０、３６０、または他の次数低減一次元または二次元モデルを用いた患者の解剖学的形態の一部の単純化は、特に、未治療状態（例えば、図２及び図３のステップ４００）の他に、可能な治療選択肢を評価するとき（例えば、図２のステップ５００）など、コンピュータ分析を複数回実施する場合に、コンピュータ分析（例えば、後述の図３のステップ４０２）をより迅速に実施できるようにしながら、最終結果を高精度に維持する。
例示的実施形態において、境界条件の決定は、ユーザの入力、例えば、ステップ１００で取得した患者固有の生理学的データに基づいて、コンピュータシステムによって実施することができる。
Ｃ．三次元メッシュの作成
再び図３を参照すると、ステップ３０６で生成されたソリッドモデル３２０に基づいて、三次元メッシュを生成することができる（ステップ３１２）。図１７〜１９は、ステップ３０６で生成されたソリッドモデル３２０に基づいて作製された三次元メッシュ３８０の例を示している。メッシュ３８０は、ソリッドモデル３２０の表面に沿って、及びソリッドモデル３２０の内部全体に複数の節点３８２（メッシュ点または格子点）を含む。メッシュ３８０は、図１８及び図１９に示すように、４面体要素を用いて作成してもよい（節点３８２を形成する点を有する）。あるいは、他の形状を有する要素、例えば、６面体要素または他の多面体要素、曲線要素などを用いてもよい。例示的実施形態において、節点３８２の数は、百万個単位、例えば、５百万個〜５千万個であってもよい。節点３８２の数は、メッシュ３８０が微細になるに伴って増加する。節点３８２の数が多くなるにつれ、モデル３２０内のより多くの点で情報を提供することができるが、節点３８２の数が増加すると、解くべき方程式（例えば、図１Ａに示す方程式３０）の数が増えるため、コンピュータ分析の実行により時間がかかる可能性がある。例示的実施形態において、メッシュ３８０の生成は、ユーザの入力（例えば、節点３８２の数、要素の形状などを指定する）を伴って、またはユーザの入力を伴わずに、コンピュータシステムによって実施することができる。
再び図３を参照すると、ステップ３０６で生成されたソリッドモデル３２０に基づいて、三次元メッシュを生成することができる（ステップ３１２）。図１７〜１９は、ステップ３０６で生成されたソリッドモデル３２０に基づいて作製された三次元メッシュ３８０の例を示している。メッシュ３８０は、ソリッドモデル３２０の表面に沿って、及びソリッドモデル３２０の内部全体に複数の節点３８２（メッシュ点または格子点）を含む。メッシュ３８０は、図１８及び図１９に示すように、４面体要素を用いて作成してもよい（節点３８２を形成する点を有する）。あるいは、他の形状を有する要素、例えば、６面体要素または他の多面体要素、曲線要素などを用いてもよい。例示的実施形態において、節点３８２の数は、百万個単位、例えば、５百万個〜５千万個であってもよい。節点３８２の数は、メッシュ３８０が微細になるに伴って増加する。節点３８２の数が多くなるにつれ、モデル３２０内のより多くの点で情報を提供することができるが、節点３８２の数が増加すると、解くべき方程式（例えば、図１Ａに示す方程式３０）の数が増えるため、コンピュータ分析の実行により時間がかかる可能性がある。例示的実施形態において、メッシュ３８０の生成は、ユーザの入力（例えば、節点３８２の数、要素の形状などを指定する）を伴って、またはユーザの入力を伴わずに、コンピュータシステムによって実施することができる。
再び図３を参照すると、メッシュ３８０及び決定された境界条件を検証することができる（ステップ３１４）。この検証は、ユーザ及び／またはコンピュータシステムが実施してもよい。例えば、ユーザ及び／またはコンピュータシステムは、例えば、メッシュ３８０が変形している、または十分な空間分解能を有さない場合、境界条件がコンピュータ分析を実施するのに十分でない場合、ステップ３１０で決定した抵抗が不正確であると思われる場合など、メッシュ３８０及び／または境界条件の再構成を必要とし得る、メッシュ３８０及び／または境界条件の特定のエラーを特定することができ得る。その場合、メッシュ３８０及び／または境界条件は、許容不可であると決定することができ、ステップ３０４〜３１４のうちの１つまたは複数を繰り返してもよい。メッシュ３８０及び／または境界条件が許容可能であると決定された場合、本方法は、後述のステップ４０２に進んでもよい。
さらに、ユーザは、取得した患者固有の情報、または他の測定されたパラメータ、例えば、心拍出量、血圧、身長、体重、ステップ２４０で算出した心筋質量が正しく入力され、及び／または正しく計算されていることを確認することができる。
したがって、図３に示す上述のステップ３０４〜３１４は、図２のステップ３００のサブステップとみなすことができる。
Ｖ．コンピュータ分析の実施及び結果の出力
図２に示すステップ４００に関連して上記のように、例示的方法としては、コンピュータ分析の実行及び結果の出力を挙げることができる。例示的実施形態において、ステップ４００には以下のステップを含めてもよい。
図２に示すステップ４００に関連して上記のように、例示的方法としては、コンピュータ分析の実行及び結果の出力を挙げることができる。例示的実施形態において、ステップ４００には以下のステップを含めてもよい。
Ａ．コンピュータ分析の実施
図３を参照すると、コンピュータ分析は、コンピュータシステム（ステップ４０２）によって実施してもよい。例示的実施形態では、ステップ４０２は、例えば、メッシュ３８０内の接点３８２の数に応じて、数分から数時間持続してもよい（図１７〜１９）。
図３を参照すると、コンピュータ分析は、コンピュータシステム（ステップ４０２）によって実施してもよい。例示的実施形態では、ステップ４０２は、例えば、メッシュ３８０内の接点３８２の数に応じて、数分から数時間持続してもよい（図１７〜１９）。
この分析には、メッシュ３８０が発生したモデル３２０における血流を示す一連の式を作成することが含まれる。上述のように、例示的実施形態において、所望の情報は、充血条件下のモデル３２０を通る血流のシミュレーションに関連する。
また、分析は、数値法を用いて、コンピュータシステムを使用して血流の三次元方程式を解くことを含む。例えば、数値法は、既知の方法（例えば、有限差分法、有限体積法、スペクトル法、格子ボルツマン法、粒子ベース法、レベルセット法、等幾何学法、または有限要素法、あるいは他の計算流体力学（ＣＦＤ）数値手法）であってよい。
これらの数値法を用いて、血液をニュートン流体、非ニュートン流体、または多相流体としてモデリングすることができる。患者のヘマトクリット値またはステップ１００で測定した他の因子を用いて、分析に取り込むための血液粘度を特定してもよい。血管壁は、剛性または柔軟であると仮定することができる。後者の場合、血管壁力学の方程式、例えば弾性力学方程式を血流の方程式と一緒に解いてもよい。ステップ１００で取得した時変三次元画像データを入力として用いて、心周期にわたる血管形状の変化をモデリングすることができる。コンピュータ分析を実施するための例示的な一連の方程式及びステップは、例えば、「Ｍｅｔｈｏｄ ｆｏｒ Ｐｒｅｄｉｃｔｉｖｅ Ｍｏｄｅｌｉｎｇ ｆｏｒ Ｐｌａｎｎｉｎｇ Ｍｅｄｉｃａｌ Ｉｎｔｅｒｖｅｎｔｉｏｎｓ ａｎｄ Ｓｉｍｕｌａｔｉｎｇ Ｐｈｙｓｉｏｌｏｇｉｃａｌ Ｃｏｎｄｉｔｉｏｎｓ」と題される米国特許第６，２３６，８７８号、ならびにともに「Ｐａｔｉｅｎｔ−Ｓｐｅｃｉｆｉｃ Ｈｅｍｏｄｙｎａｍｉｃｓ ｏｆ ｔｈｅ Ｃａｒｄｉｏｖａｓｃｕｌａｒ Ｓｙｓｔｅｍ」と題される米国特許出願公開第２０１０／０２４１４０４号及び米国仮出願第６１／２１０，４０１号に、より詳細に開示されており、これら全ては参照によりその全体が本明細書に援用される。
作製したモデル及び境界条件を使用するコンピュータ分析は、三次元ソリッドモデル３２０を表すメッシュ３８０のそれぞれの節点３８２における血流及び圧力を測定することができる。例えば、コンピュータ分析結果としては、後述のように、節点３８２それぞれでのさまざまなパラメータの値、例えば、以下に限定されないが、さまざまな血流の特徴またはパラメータ（例えば、血流速度、圧力、流量またはコンピュータで算出されたパラメータ（例えばｃＦＦＲなど）を挙げることもできる。パラメータは、更に、三次元ソリッドモデル３２０に内挿してもよい。その結果、コンピュータ分析結果は、典型的には、侵襲的に明らかにされ得る情報をユーザに提供し得る。
ここで図３を参照すると、コンピュータ分析結果を検証し得る（ステップ４０４）。検証は、ユーザ及び／またはコンピュータシステムによって実施してもよい。例えば、ユーザ及び／またはコンピュータシステムは、例えば、節点３８２の数が不十分なため情報が不十分な場合、過剰な数の節点３８２により、分析に時間がかかりすぎる場合など、メッシュ３８０及び／または境界条件の再構成または改定を必要とする、結果の特定のエラーを特定することができる。
ステップ４０４で、コンピュータ分析の結果が許容不可であると判定された場合、ユーザ及び／またはコンピュータシステムは、例えば、ステップ３０６で生成されたソリッドモデル３２０及び／またはステップ３１２で生成されたメッシュ３８０を改定または改良するかどうか、またどのように改定または改良するか、ステップ３１０で明らかにされた境界条件を改定するかどうか、またどのように改定するか、あるいはコンピュータ分析のための入力のうちのいずれかに他の改定を行うかどうかを明らかにすることができる。次いで、上述の１つ以上のステップ、例えば、ステップ３０６〜３１４、４０２、及び４０４を、決定した改定または改良に基づいて繰り返してもよい。
Ｂ．血圧、血流、及びｃＦＦＲの結果の表示
再び図３を参照すると、コンピュータ分析の結果がステップ４０４で許容可能であると決定された場合、コンピュータシステムは、コンピュータ分析の特定の結果を出力してもよい。例えば、コンピュータシステムは、コンピュータ分析の結果に基づいて生成された画像（例えば図１に関連して上記で説明した画像、例えば模擬の血圧モデル５０、模擬の血流モデル５２、及び／またはｃＦＦＲモデル５４）を表示してもよい。上述のように、これらの画像は、例えば、ステップ３１０で明らかにされた境界条件が充血条件に対して特定されたことから、模擬の充血条件下の模擬の血圧、血流、及びｃＦＦＲを示す。
再び図３を参照すると、コンピュータ分析の結果がステップ４０４で許容可能であると決定された場合、コンピュータシステムは、コンピュータ分析の特定の結果を出力してもよい。例えば、コンピュータシステムは、コンピュータ分析の結果に基づいて生成された画像（例えば図１に関連して上記で説明した画像、例えば模擬の血圧モデル５０、模擬の血流モデル５２、及び／またはｃＦＦＲモデル５４）を表示してもよい。上述のように、これらの画像は、例えば、ステップ３１０で明らかにされた境界条件が充血条件に対して特定されたことから、模擬の充血条件下の模擬の血圧、血流、及びｃＦＦＲを示す。
模擬血圧モデル５０（図１Ａ）は、模擬の充血条件下の図１７〜１９のメッシュ３８０によって表される患者の解剖学的形態全体の局所血圧を（例えば、水銀柱ミリメートルまたはｍｍＨｇで）示している。コンピュータ分析は、メッシュ３８０の各節点３８２の局所血圧を測定することができ、模擬の血圧モデル５０は、それぞれの圧力に対応する色、陰影、または他の視覚的指標を指定してもよく、それにより模擬の血圧モデル５０は、モデル５０全体の圧力の変動を視覚的に示すことができ、各節点３８２の個々の値を指定する必要がない。例えば、図１Ａに示す模擬の血圧モデル５０は、この特定の患者に関して、模擬の充血条件下で、圧力が概して均一であり、大動脈がより高い（より暗い陰影によって示される）場合があること、また血流が主冠状動脈内へ、そして分枝内へと下流に流れるにつれて、圧力が徐々に、かつ連続的に減少している（分枝の下流端に向かって陰影が徐々に、かつ連続的に明るくなっていくことにより示される）ことを示している。模擬の血圧モデル５０は、図１Ａに示すように、血圧の具体的な数値を示す目盛りを伴ってもよい。
例示的実施形態において、模擬の血圧モデル５０は、カラーで提供してもよく、カラースペクトルを用いて、モデル５０全体の圧力の変動を示してもよい。このカラースペクトルは、最高圧から最低圧まで順番に、赤、橙、黄、緑、青、藍、及び紫を含んでもよい。例えば、上限（赤）は、およそ１１０ｍｍＨｇ以上（または８０ｍｍＨｇ、９０ｍｍＨｇ、１００ｍｍＨｇなど）を示してもよく、下限（紫）は、およそ５０ｍｍＨｇ以下（または２０ｍｍＨｇ、３０ｍｍＨｇ、４０ｍｍＨｇなど）を示してもよく、このとき緑は、およそ８０ｍｍＨｇ（または上限と下限とのほぼ中間の他の値）を示す。したがって、患者のなかには、模擬血圧モデル５０は、大動脈の大部分または全てを赤またはスペクトルの上端に向かう他の色として示してもよく、色は、例えば、冠状動脈及びそこから延びる分枝の遠位端に向かって、（例えば、スペクトルの下端に向かって（紫まで））スペクトルによって徐々に変化してもよい。特定の患者の冠状動脈の遠位端は、それぞれの遠位端について測定された局所血圧に応じて、様々な色、例えば赤から紫までのいずれかを有し得る。
模擬の血流モデル５２（図１Ａ）は、模擬の充血条件下の図１７〜１９のメッシュ３８０によって表される患者の解剖学的形態全体の局所血液速度を（例えば、センチメートル毎秒またはｃｍ／秒で）示している。コンピュータ分析は、メッシュ３８０の各節点３８２の局所血液速度を測定することができ、模擬の血流モデル５２は、それぞれの速度に対応する色、陰影、または他の視覚的指標を指定してもよく、それにより模擬の血流モデル５２は、モデル５２の速度の変動を視覚的に示すことができ、各節点３８２の個々の値を指定する必要がない。例えば、図１Ａに示す模擬の血流モデル５２は、この特定の患者に関して、模擬の充血条件下で、主冠状動脈及び分枝の特定の部分において速度が概して高い（図１Ａの部分５３のより暗い陰影によって示される）ことを示している。模擬の血流モデル５２は、図１Ａに示すように、血液速度の具体的な数値を示す目盛りを伴ってもよい。
例示的実施形態において、模擬の血流モデル５２は、カラーで提供してもよく、カラースペクトルを用いて、モデル５２全体の速度の変動を示してもよい。このカラースペクトルは、最高速度から最低速度まで順番に、赤、橙、黄、緑、青、藍、及び紫を含んでもよい。例えば、上限（赤）は、およそ１００（または１５０）ｃｍ／秒以上を示してもよく、下限（紫）は、およそ０ｃｍ／秒を示してもよく、このとき緑は、およそ５０ｃｍ／秒（または上限と下限とのほぼ中間の他の値）を示す。したがって、患者のなかには、模擬の血流モデル５２は、大動脈の大部分または全てをスペクトルの下端に向かう色の混合として示してもよく（例えば、緑から紫）、色は、測定された血液速度が増加する特定の位置において、スペクトルを通して徐々に変化してもよい（例えば、スペクトルの上端に向かって（赤まで））。
ｃＦＦＲモデル５４（図１Ａ）は、模擬の充血条件下の図１７〜図１９のメッシュ３８０によって表される患者の解剖学的形態全体の局所ｃＦＦＲを示している。上述のように、ｃＦＦＲは、特定の節点３８２におけるコンピュータ分析によって明らかにされた局所血圧（例えば、模擬の血圧モデル５０に示される）を例えば流入境界３２２（図８）における大動脈の血圧で除した比として算出することができる。追加の実施形態は、圧力の変わりに、流速比としてのｃＦＦＲの計算について記述する。コンピュータ分析は、メッシュ３８０の各節点３８２のｃＦＦＲを明らかにすることができ、ｃＦＦＲモデル５４は、それぞれのｃＦＦＲに対応する色、陰影、または他の視覚的指標を指定してもよく、それによりｃＦＦＲモデル５４は、モデル５４全体のｃＦＦＲの変動を視覚的に示すことができ、各節点３８２の個々の値を指定する必要がない。例えば、図１Ａに示すｃＦＦＲモデル５４は、この特定の患者に関して、模擬の充血条件下で、ｃＦＦＲが概して均一であり、大動脈でおよそ１．０である場合があること、血流が主冠状動脈内へ、そして分枝内へと下流に流れるにつれて、ｃＦＦＲが徐々に、かつ連続的に減少していることを示している。また、ｃＦＦＲモデル５４は、図１Ａに示すように、ｃＦＦＲモデル５４全体の特定の地点のｃＦＦＲ値も示すことができる。ｃＦＦＲモデル５４は、図１Ａに示すように、ｃＦＦＲの具体的な数値を示す目盛りを伴ってもよい。
例示的実施形態において、ｃＦＦＲモデル５４は、カラーで提供してもよく、カラースペクトルを用いて、モデル５４全体の圧力の変動を示してもよい。このカラースペクトルは、最低ｃＦＦＲ（機能的に重要な病変を示す）から最高ｃＦＦＲまで順番に、赤、橙、黄、緑、青、藍、及び紫を含んでもよい。例えば、上限（紫）は、１．０のｃＦＦＲを示してもよく、下限（赤）は、およそ０．７（または０．７５もしくは０．８）以下を示してもよく、このとき緑は、およそ０．８５（または上限と下限とのほぼ中間の他の値）を示す。例えば、下限は、ｃＦＦＲ測定が機能的に重要な病変、またはインターベンションを必要とし得る他の特徴を示すかどうかを明らかにするために使用する下限（例えば、０．７、０．７５、または０．８）に基づいて明らかにすることができる。したがって、患者の中には、ｃＦＦＲモデル５４は、大動脈の大部分または全てを紫またはスペクトルの上端に向かう他の色として示してもよく、色は、冠状動脈及びそこから延びる分枝の遠位端に向かって、スペクトルを通して徐々に変化してもよい（例えば、赤から紫までのいずれか）。特定の患者の冠状動脈の遠位端は、それぞれの遠位端について測定されたｃＦＦＲの局所値に応じて、様々な色、例えば赤から紫までのいずれかを有してもよい。
ｃＦＦＲが、機能的に重要な病変、またはインターベンションを必要とし得る他の特徴の存在を明らかにするために使用される下限未満に低下したことを特定した後、動脈または分枝を評価して、機能的に重要な病変（複数可）の位置を特定することができる。コンピュータシステムまたはユーザは、動脈または分枝の形状に基づいて（例えば、ｃＦＦＲモデル５４を用いて）、機能的に重要な病変（複数可）の位置を特定することができる。例えば、機能的に重要な病変（複数可）は、局所の最低ｃＦＦＲ値を有するｃＦＦＲモデル５４の位置の近傍（例えば、上流）に位置する狭小化または狭窄を発見することによって、位置を特定することができる。コンピュータシステムは、ユーザに対して、機能的に重要な病変（複数可）を含むｃＦＦＲモデル５４（または他のモデル）の部分（複数可）を示してもよく、または表示してもよい。
また、コンピュータ分析の結果に基づいて、他の画像を生成することもできる。例えば、コンピュータシステムは（例えば、図２０〜２２に示すように）特定の主冠状動脈に関する追加情報を提供し得る。冠状動脈は、例えば、その特定の冠状動脈が最低ｃＦＦＲを含む場合、コンピュータシステムによって選択することができる。あるいは、ユーザが、特定の冠状動脈を選択してもよい。
図２０は、コンピュータ分析の結果を含む、患者の解剖学的形態のモデルを示し、このモデル上の特定の地点は、個々の参照ラベル（例えば、ＬＭ、ＬＡＤ１、ＬＡＤ２、ＬＡＤ３など）で特定される。図２１に示される例示的実施形態において、ＬＡＤ動脈における地点が提供されるが、これは模擬の充血条件下でこの特定の患者の最低ｃＦＦＲを有する主冠状動脈である。
図２１及び図２２は、これらの地点（例えば、ＬＭ、ＬＡＤ１、ＬＡＤ２、ＬＡＤ３など）のうちの一部もしくは全てにおける、及び／またはこのモデル上の特定の他の位置（例えば、大動脈中など）における、特定の経時的な変数のグラフを示す。図２１は、図２０に示される大動脈ならびに地点ＬＡＤ１、ＬＡＤ２、及びＬＡＤ３における経時的な圧力（例えば、水銀柱ミリメートルまたはｍｍＨｇ）のグラフである。グラフ上の一番上のプロットは、大動脈中の圧力を示し、上から２番目のプロットは、地点ＬＡＤ１の圧力を示し、上から３番目のプロットは、地点ＬＡＤ２の圧力を示し、一番下のプロットは、地点ＬＡＤ３の圧力を示す。図２２は、図２０に示される地点ＬＭ、ＬＡＤ１、ＬＡＤ２、及びＬＡＤ３における経時的な流量（例えば、立方センチメートル毎秒またはｃｃ／秒）のグラフである。さらに、他のグラフ（例えば、これらの地点の一部もしくは全て及び／または他の地点における、経時的なせん断応力のグラフ）を提供することもできる。グラフ上の一番上のプロットは、地点ＬＭの流量を示し、上から２番目のプロットは、地点ＬＡＤ１の流量を示し、上から３番目のプロットは、地点ＬＡＤ２の流量を示し、一番下のプロットは、地点ＬＡＤ３の流量を示す。また、特定の主冠状動脈及び／またはそこから延びる分枝の全長に沿って、これらの変数（例えば、血圧、血流、速度、またはｃＦＦＲ）の変化を示すグラフを提供することもできる。
場合によっては、上述の様々なグラフ及び他の結果をレポートにまとめることもできる（ステップ４０６）。例えば、上述の画像または他の情報を規定のテンプレートを有する文書に挿入してもよい。このテンプレートは、複数の患者に対して事前設定され、包括的なものであってもよく、またコンピュータ分析の結果を医師及び／または患者に報告するために使用することもできる。この文書またはレポートは、コンピュータ分析の完了後、コンピュータシステムによって自動的に完了されてもよい。
例えば、最終レポートは、図２３に示す情報を含んでもよい。図２３は、図１ＡのｃＦＦＲモデル５４を含み、また要約情報（例えば、主冠状動脈及びそこから延びる分枝それぞれにおける最低ｃＦＦＲ値）も含む。例えば、図２３は、ＬＡＤ動脈の最低ｃＦＦＲ値が０．６６であり、ＬＣＸ動脈の最低ｃＦＦＲ値が０．７２であり、ＲＣＡ動脈の最低ｃＦＦＲ値が０．８０であることを示す。他の要約情報には、患者の名前、患者の年齢、患者の血圧（ＢＰ）（例えば、ステップ１００で取得される）、患者の心拍数（ＨＲ）（例えば、ステップ１００で取得される）などを含み得る。また、最終レポートは、医師または他のユーザが更なる情報を明らかにするためにアクセスすることができる、上述のように生成された画像及び他の情報のバージョンも含んでよい。コンピュータシステムによって生成された画像は、医師または他のユーザが任意の地点にカーソルを置いて、その地点における上述の変数（例えば、血圧、速度、流量、ｃＦＦＲなど）を特定できるようにフォーマットされていてもよい。
最終レポートは、医師及び／または患者に送信することもできる。最終レポートは、任意の既知の通信方法（例えば、無線もしくは有線ネットワーク、郵便など）を用いて送信することができる。あるいは、医師及び／または患者は、最終レポートがダウンロードまたは受け取り可能であることを通知されてもよい。次いで、医師及び／または患者は、ウェブベースのサービスにログインして、安全な通信回線を介して最終レポートをダウンロードすることができる。
Ｃ．結果の検証
再び図３を参照すると、コンピュータ分析の結果を個別に検証することができる（ステップ４０８）。例えば、ユーザ及び／またはコンピュータシステムは、コンピュータ分析の結果、例えばステップ４０６で生成された画像及び他の情報の上述のステップのうちのいずれかの再実施を要求する特定のエラーを特定することができる。そのようなエラーが特定された場合、そのコンピュータ分析の結果は許容不可であると決定してもよく、特定のステップ、例えば、ステップ１００、２００、３００、４００、サブステップ１０２、２０２〜２０８、２４０〜２６０、３０４〜３１４、及び４０２〜４０８などを繰り返してもよい。
再び図３を参照すると、コンピュータ分析の結果を個別に検証することができる（ステップ４０８）。例えば、ユーザ及び／またはコンピュータシステムは、コンピュータ分析の結果、例えばステップ４０６で生成された画像及び他の情報の上述のステップのうちのいずれかの再実施を要求する特定のエラーを特定することができる。そのようなエラーが特定された場合、そのコンピュータ分析の結果は許容不可であると決定してもよく、特定のステップ、例えば、ステップ１００、２００、３００、４００、サブステップ１０２、２０２〜２０８、２４０〜２６０、３０４〜３１４、及び４０２〜４０８などを繰り返してもよい。
したがって、図３及び上述に示すステップ４０２〜４０８は、図２のステップ４００のサブステップとみなすことができる。
コンピュータ分析の結果を検証するための別の方法は、結果に含まれるいずれかの変数（例えば、血圧、速度、流量、ｃＦＦＲなど）を患者から別の方法を用いて測定することを含んでもよい。例示的実施形態において、変数を測定して（例えば、侵襲的に）、次いでコンピュータ分析によって明らかにされた結果と比較してもよい。例えば、ＦＦＲは、ソリッドモデル３２０及びメッシュ３８０によって表される患者の解剖学的形態内の１つ以上の地点において、例えば上述のように患者に挿入したプレッシャーワイヤーを用いて明らかにすることができる。ある位置で測定したＦＦＲを同じ位置のｃＦＦＲと比較してもよく、この比較は複数の位置で実施してもよい。任意により、その比較に基づいて、コンピュータ分析及び／または境界条件を調整してもよい。
Ｄ．冠状動脈血流情報を提供するシステム及び方法の別の実施形態
特定の患者における冠状動脈血流に関連する様々な情報を提供する方法６００の別の実施形態を図２４Ａに示す。方法６００は、上述のコンピュータシステム、例えば、上述及び図３に示されるステップのうちの１つ以上を実施するために使用するコンピュータシステムで実施することができる。方法６００は、１つ以上の入力６１０を用いて実施してもよく、また入力６１０に基づいて１つ以上のモデル６２０を生成することと、入力６１０及び／またはモデル６２０に基づいて１つ以上の条件６３０を指定することと、モデル６２０及び条件６３０に基づいて１つ以上の解６４０を導くことを含んでもよい。
特定の患者における冠状動脈血流に関連する様々な情報を提供する方法６００の別の実施形態を図２４Ａに示す。方法６００は、上述のコンピュータシステム、例えば、上述及び図３に示されるステップのうちの１つ以上を実施するために使用するコンピュータシステムで実施することができる。方法６００は、１つ以上の入力６１０を用いて実施してもよく、また入力６１０に基づいて１つ以上のモデル６２０を生成することと、入力６１０及び／またはモデル６２０に基づいて１つ以上の条件６３０を指定することと、モデル６２０及び条件６３０に基づいて１つ以上の解６４０を導くことを含んでもよい。
入力６１０は、患者の大動脈、冠状動脈（及びそこから延びる分枝）、ならびに心臓の医療画像データ６１１、例えばＣＣＴＡデータ（例えば、図２のステップ１００で取得される）を含んでもよい。また、入力６１０は、患者の上腕の血圧の測定値６１２及び／または他の測定値（例えば、図２のステップ１００で取得される）も含んでよい。測定値６１２は、非侵襲的に取得してもよい。入力６１０を用いて、モデル（複数可）６２０を生成してもよく、及び／または後述の条件（複数可）６３０を特定してもよい。
上記のように、１つ以上のモデル６２０は、入力６１０に基づいて生成することができる。例えば、方法６００は、画像データ６１１に基づいて、患者の解剖学的形態（例えば、大動脈、冠状動脈、及びそこから延びる分枝）の１つ以上の患者固有の三次元幾何学モデルを生成すること（ステップ６２１）を含んでもよい。例えば、幾何学モデルは、図３のステップ３０６で生成される図８のソリッドモデル３２０、及び／または図３のステップ３１２で生成される図１７〜１９のメッシュ３８０であってもよい。
再び図２４Ａを参照すると、方法６００は、１つ以上の物理学に基づく血流モデルを生成すること（ステップ６２２）も含んでよい。この血流モデルは、ステップ６２１で生成された患者固有の幾何学モデルを通る血流、心臓及び大動脈の循環、遠位冠循環などに関連するモデルを含んでもよい。血流モデルは、患者のモデリングされた解剖学的形態に関連する少なくとも１つの血流の特徴、例えば血流速度、圧力、流量、ＦＦＲなどに関連してもよい。血流モデルは、三次元幾何学モデルの流入及び流出境界３２２、３２４における境界条件として指定してもよい。血流モデルは、次数低減モデル、または図３のステップ３１０に関連して上記で説明した他の境界条件、例えば集中パラメータ心臓モデル３４０、集中パラメータ冠状動脈モデル３５０、Ｗｉｎｄｋｅｓｓｅｌモデル３６０などを含んでもよい。
上述のように、１つ以上の条件６３０は、入力６１０及び／またはモデル６２０に基づいて明らかにすることができる。条件６３０は、ステップ６２２（及び図３のステップ３１０）で特定された境界条件について算出されたパラメータを含む。例えば、方法６００は、画像データ６１１（例えば、図３のステップ２４０で明らかにされる）に基づいて、患者固有の心室または心筋質量を算出することによって、条件を明らかにすること（ステップ６３１）を含んでもよい。
方法６００は、ステップ６３１で算出した心室または心筋質量を用いて、関係Ｑ＝ＱｏＭα（式中、αは既定のスケーリング指数であり、Ｍは心室または心筋質量であり、Ｑ０は既定の定数である）に基づいて、安静時の冠血流を算出することによって条件を明らかにすること（例えば、図３のステップ３１０で集中パラメータモデルを明らかにすることに関連して上述したように）（ステップ６３２）を含んでもよい。あるいは、この関係は、図３のステップ３１０で集中パラメータモデルを明らかにすることに関連して上述したように、Ｑ∝ＱｏＭαの形式を有してもよい。
また、方法６００は、ステップ６３２で算出して得られた冠血流及び患者の測定された血圧６１２を用いて、安静時の全冠状動脈抵抗を算出することによって条件を明らかにすること（例えば、図３のステップ３１０で集中パラメータモデルを明らかにすることに関連して上述したように）（ステップ６３３）も含んでよい。
また、方法６００は、ステップ６３３で算出した安静時の全冠状動脈抵抗及びモデル６２０を用いて、個々の冠状動脈（及びそこから延びる分枝）の個々の抵抗を算出することによって条件を明らかにすること（ステップ６３４）も含んでよい。例えば、図３のステップ３１０に関連して上述したように、ステップ６３３で算出された安静時の全冠状動脈抵抗は、個々の冠状動脈及び分枝の遠位端のサイズ（例えば、ステップ６２１で生成された幾何学モデルから特定される）に基づいて、また関係Ｒ＝Ｒ０ｄβ（式中、Ｒは特定の遠位端における流動抵抗であり、Ｒ０は既定の定数であり、ｄはサイズ（例えば、その遠位端の直径）であり、βは既定のベキ乗指数である）に基づいて、図３のステップ３１０で集中パラメータモデルを明らかにすることに関連して上述したように、個々の冠状動脈及び分枝に分布してもよい。
再び図２４Ａを参照すると、方法６００は、患者の１つ以上の身体的条件に基づいて、境界条件を調整すること（ステップ６３５）を含んでもよい。例えば、ステップ６３１〜６３４で特定されたパラメータは、解６４０が、安静、様々なレベルの充血、様々なレベルの運動または労作、異なる薬物治療などを模擬することを意図しているかどうかに基づいて修正してもよい。入力６１０、モデル６２０、及び条件６３０に基づいて、例えば、図３のステップ４０２に関連して上述するように、コンピュータ分析を実施して、ステップ６３５で選択した身体的条件下の患者の冠状動脈血流に関する情報を含む解６４０を明らかにすることができる（ステップ６４１）。解６４０から提供され得る情報の例を次に記載する。
この複合された患者固有の解剖学的（幾何学的）及び生理学的（物理学に基づく）モデルを用いて、冠状動脈血流に対する、心拍数、一回拍出量、血圧、または冠微小循環機能が変化する、異なる薬物治療または生活様式の変化（例えば、喫煙の中止、食事の変化、または身体活動の増加）の効果を明らかにすることができる。このような情報は、薬物療法を最適化するため、または薬物治療の危険な影響の可能性を回避するために使用することができる。また、この複合モデルを用いて、代替的な形態及び／または様々なレベルの身体活動または潜在的な外部力への暴露の危険性（例えば、サッカーのプレイ時、宇宙飛行中、スキューバダイビング時、航空機飛行中など）の冠状動脈血流に対する影響を明らかにしてもよい。このような情報を用いて、特定の患者に対して安全かつ効果的であり得る身体活動のタイプ及びレベルを特定することができる。 また、この複合モデルを用いて、最適なインターベンション戦略を選択するために、冠状動脈血流に対する経皮冠状動脈インターベンションの潜在的利益を予測し、及び／または最適な手術戦略を選択するために、冠状動脈血流に対する冠状動脈バイパス術の潜在的利益を予測することもできる。
また、この複合モデルを用いて、冠状動脈血流に対する冠状動脈疾患の負担の増加の潜在的な有害効果を例証し、機械論的もしくは現象論的な疾患進行モデルまたは経験データを用いて、進行中の疾患が心筋への血流にいつ障害を引き起こし得るかを予測することもできる。このような情報は、初期に非侵襲的な画像化を用いて血行動態的に重要な疾患を有さないと観察された患者が、薬物療法、インターベンション療法、または手術療法を要すると見込まれないであろう「保証期間」、あるいは有害因子が継続した場合に進行が発生し得る速度の特定を可能にし得る。
また、この複合モデルを用いて、冠状動脈血流に対する動脈疾患の負担の増加の潜在的な有害効果を例証し、機械論的もしくは現象論的な疾患進行モデルまたは経験データを用いて、疾患の退行がいつ冠状動脈を通る心筋への血流の増加を引き起こし得るかを予測することもできる。このような情報を用いて、以下に限定されないが、食事の変更、身体活動の増加、スタチンまたは他の薬物治療の処方などの医学的管理プログラムの指針とすることができる。
Ｅ．流量比を基づくなどの圧力比以外でＦＦＲ測定をするシステム及び方法の別の実施形態
前述のとおり、ＦＦＲを定義する別の方法は、冠状動脈内の特定位置での血流を、疾患による近位上流狭小部を切除することを仮定、模擬またはモデリングする同じ位置での血流で除した血流の比率である。シミュレーションにより、近位狭小部の切除条件下での血流を測定することができる。
前述のとおり、ＦＦＲを定義する別の方法は、冠状動脈内の特定位置での血流を、疾患による近位上流狭小部を切除することを仮定、模擬またはモデリングする同じ位置での血流で除した血流の比率である。シミュレーションにより、近位狭小部の切除条件下での血流を測定することができる。
圧力比を用いずにＦＦＲを提供する方法１３００の一実施形態を図２４Ｂに示す。方法１３００としては、例えば、患者の心臓など、患者の解剖学的構造体の形状に関する患者固有データを受けとるためのコンピュータシステムを使用すること、及び少なくとも１つのコンピュータシステム、モデル（例えば三次元モデル）などを使用して作製すること、「オリジナルモデル」と称される患者固有のデータに基づいた解剖学的構造体の少なくとも一部分を表すこと（ステップ１３０１）、が挙げられる。本方法は更に、３Ｄモデル内の血流を算出するために、少なくとも１つのコンピュータシステム、患者の冠状動脈の血流の特徴に関する物理学に基づくモデルを使用して、作製することを含む（ステップ１３０２）。この方法は、冠状動脈の少なくとも１つの点で第１の血流を測定することを更に含む（例えば、図２４Ｃの点（Ａ））。引続き図２４Ｃを参照すると、平均血流量Ｑは、モデル内の定義された各点（Ａ）で、算出することができる（図２４Ｂのステップ１３０３）。定義された各点（Ａ）については、コンピュータシステムによりモデルを修正してもよい。非限定的実施例としては、コンピュータは、モデルを修正して、その点（Ｂ）の近位の血管中において解剖学的構造体を再生して、疾患によって引き起こされた１つ以上の狭小部を切除することができる（図２４Ｂのステップ１３０５）。その結果は、狭小部がほとんどない「改定モデル」である（図２４Ｃ中の点（Ｄ））。表面モデルにおいて例えば狭小部を検出し、拡大する、血管サイズ対位置の関数のフィルタリングによる血管に沿った標準サイズの測定などの方法、または他の通常予測される血管サイズを回復させる他のいかなる技術が使用されてもよい。
「改定モデル」の作製後、物理学に基づくモデルを使用して血流を測定する。平均血流量ＱＮは、改定モデル内で対象となる点で求める（図２４Ｃ点（Ｃ）、図２４Ｂステップ１３０６）。次に、ｃＦＦＲは、改定モデル内で流れるように、モデル内の比率によって求める。すなわちＱ／ＱＮ（図２４Ｂのステップ１３０７）。本方法は、ユーザに選択された時点またはコンピュータシステムによって自動選択された時点で、対象の１つ以上の点で実施してもよい。あるいは、例えば、血管の長さが５ｍｍ短くなるごとの点など、複数の点をあらかじめ選択してもよい。次に、このシステムにより、再生解剖学的構造を有する改定モデルファミリーを算出し、それぞれの点の１つが、モデル全体で任意のセットのｃＦＦＲ値となる。
追加の実施形態では、本開示中に記載の次数低減システム及び方法を利用する（図２４Ｂの任意のステップ１３０４）。次数低減モデルにより、ユーザが選択するとき、任意の点でのｃＦＦＲの迅速な計算が可能であり、コンピュータ化コストが低く、多くの点の算出が可能になる、及び解剖学的構造の回復に必須の複雑性が低下するといった利点が提供され得る。この方法としては、例えば、患者の心臓など、患者の解剖学的構造体の形状に関する患者固有データを受けとるためのコンピュータシステムを使用すること、及び少なくとも１つのコンピュータシステム、モデル（例えば三次元モデル）を使用して作製すること、「オリジナルモデル」と称される患者固有のデータ（図２４Ｂのステップ１３０１）に基づいて解剖学的構造体の少なくとも一部分を表すこと、が挙げられる。本方法は、少なくとも１つのコンピュータシステム、患者の冠状動脈の血流の特徴に関する物理学に基づくモデルを使用して、作製することを含む（図２４Ｂのステップ１３０２）。本方法は、３Ｄモデルを次数低減モデルまたは抵抗に離散化することを（図２４Ｂのステップ１３０４）更に含む。本方法は、冠状動脈の少なくとも１つの点で第１の血流を測定することを更に含む（例えば、図２４Ｃの点（Ａ）。引続き図２４Ｃを参照すると、平均血流量Ｑは、モデル内の定義された各点（Ａ）で、算出することができる（図２４Ｂのステップ１３０３）。定義された各点（Ａ）については、コンピュータシステムにより次数低減モデルを修正してもよい。非限定的実施例としては、疾患による狭小部の影響を取り除くようにコンピュータシステムにより、次数低減モデルを修正して、定義された点（Ａ）に近位の各セグメントの抵抗を設定してもよい。（図２４Ｂのステップ１３０５）。例えば、抵抗は、所定の低値、標準チューブを介する分析による推定流量値に基づく値に設定してもよい。少なくとも１つの改定モデルを次数低減モデルの修正により作製した後、平均血流量ＱＮは、対象となる各点で求める（図２４Ｂのステップ１３０６）。次に、ｃＦＦＲは、モデルでの流量と新規次数低減モデルでの流量との比率によって、対象となる各点で求める。すなわちＱ／ＱＮ（図２４Ｂのステップ１３０７）。
Ｆ．機械学習を使用したシステム及び方法の実施形態
さらに、少なくとも１つの例示的実施形態では、個人特有の解剖学的データと複数の個人から得られる血流特性の機能的推定値との関係は、モデルの対象となる少なくとも１つの点で、患者の解剖学的構造内の第１の血流量とモデル内の少なくとも１つの対象点に相当する改定モデルの点での第２の血流量を双方とも測定するために使用され得る。これらの関係は、例えば、実施された機械学習アルゴリズム及び参照表の少なくとも１つを用いて得ることができる。参照表は、例えば、複数の個人から得られる個人特有の解剖学的データ及び複数の個人に関して、対応する血流の特徴を含んでもよい。このため、第１及び第２の血流量は、少なくとも１つの対象の点で、参照表に記載されている個人特有の解剖学的データに対する患者固有の解剖学的なデータに関連させること、及びその中に記載されている対応する血流の特徴を明かにすることによって求めることができる。
さらに、少なくとも１つの例示的実施形態では、個人特有の解剖学的データと複数の個人から得られる血流特性の機能的推定値との関係は、モデルの対象となる少なくとも１つの点で、患者の解剖学的構造内の第１の血流量とモデル内の少なくとも１つの対象点に相当する改定モデルの点での第２の血流量を双方とも測定するために使用され得る。これらの関係は、例えば、実施された機械学習アルゴリズム及び参照表の少なくとも１つを用いて得ることができる。参照表は、例えば、複数の個人から得られる個人特有の解剖学的データ及び複数の個人に関して、対応する血流の特徴を含んでもよい。このため、第１及び第２の血流量は、少なくとも１つの対象の点で、参照表に記載されている個人特有の解剖学的データに対する患者固有の解剖学的なデータに関連させること、及びその中に記載されている対応する血流の特徴を明かにすることによって求めることができる。
次に、機械学習アルゴリズムは、患者の幾何学モデル及び血流の特徴で実施して、ｃＦＦＲを測定してもよい。こうした機械学習アルゴリズムの例は、米国特許仮出願番号６１／７００，２１３号及び第６１／７９３，６７３号及び米国特許公開番号２０１４−００７３９７６号及び同２０１４−００７３９７７号に記述され、その内容は、それらの全体が本明細書に援用される。
特に、特定の原理及び実施形態により、血流の物理学に基づく模擬での利点を提供し、患者固有の血流の特徴及び対象とする臨床的に意味のある量を算出することができる。すなわち、本明細書に開示するシステム及び方法は、機械学習技術を導入して、物理学に基づく模擬の結果を予測し得る。例えば、本発明の開示は、例示的な、より少ない加工集中技術について記載し、患者の脈管断面積、病変長さ及び境界条件の関数として、冠血流予備量比（ＦＦＲ）のモデリングを伴ってもよい。断面積は、特に、内腔セグメント及びプラークセグメントに基づいて算出してもよい。病変長さは、特に、プラークセグメント及び狭窄位置に基づいて算出してもよい。境界条件は、患者固有の生理学（冠血流量（心筋塊の推定値）、出口区域及び充血の仮定など）を反映して、異なる患者は、形状及び生理的応答を有することを示してもよい。
一実施形態では、患者の境界条件（ｆ（ＢＣ））、及び患者の血管形状（ｇ（ａｒｅａＲｅｄｕｃｔｉｏｎ））の関数として、冠血流予備量比をモデル化してもよい。患者の形状は、「ａｒｅａＲｅｄｕｃｔｉｏｎ」の関数として記述されてもよいが、この用語は、患者の脈管断面積の変化のみを意味するものではなく、患者の血流に影響を及ぼすあらゆる物理的または幾何学的特徴を示すことを理解されたい。一実施形態では、推定値ＦＦＲ（ＦＦＲＣＴ＿ＳｃａｌｉｎｇＬａｗ）と測定値ＦＦＲ（ｍＦＦＲ）との差が最小となるように、関数「ｆ」及び「ｇ」を最適化することによって、ＦＦＲを予測することができる。換言すれば、機械学習技術を使用して、推定値ＦＦＲを測定値ＦＦＲに近似させることができる関数を解くことができる。一実施形態では、測定ＦＦＲは、従来のカテーテル法または現代の計算流体力学（ＣＦＤ）技術により算出されてもよい。一実施形態では、ＦＦＲ推定値を測定ＦＦＲ値に確実に近似させることができるように、１つ以上の機械学習アルゴリズムを使用して、何千もの患者の境界条件と患者の形状の関数を最適化することができる。したがって、ＣＦＤ技術によって算出されたＦＦＲ値は、機械学習アルゴリズムのトレーニングに有用であり得る。
ここで図を参照すると、図２４Ｄは、血管形状及び生理学的情報から患者固有の血流の特徴を推測するための例示的なシステム及びネットワークのブロック図を示す。具体的には、図２４Ｄは、複数の医師２１０２及び第三者プロバイダー２１０４を示し、いずれかが、１つ以上のコンピュータ、サーバ及び／または携帯モバイルデバイスを介して例えばインターネットなどの電子ネットワーク１００に接続されていてもよい。医師２１０２及び／または第三者プロバイダー２１０４は、１つ以上の患者の心臓系及び／または脈管系の画像を作製するか、または別の方法で画像を取得してもよい。また、医師２１０２及び／または第三者プロバイダー２１０４は、患者固有の情報（例えば、年齢、病歴、血圧、血液粘性度など）のあらゆる任意の組み合わせを取得してもよい。医師２１０２及び／または第三者プロバイダー２１０４は、電子ネットワーク２１００上で、心臓／脈管画像及び／または患者固有の情報をサーバシステム１０６に送信してもよい。サーバシステム２１０６としては、医師２１０２及び／または第三者プロバイダー２１０４から受信した画像及びデータを記憶する記憶装置を挙げることもできる。サーバシステム２１０６としては、更に、記憶装置内に記憶された画像及びデータを加工するプロセスデバイスも挙げられる。
図２４Ｅは、本開示の例示的実施形態によって、血管形状及び生理学的情報から患者固有の血流の特徴を推定する例示的方法のブロック図である。図２４Ｅの方法は、電子ネットワーク１００上で医師２１０２及び／または第三者プロバイダー２１０４から受信した情報に基づいて、サーバシステム２１０６によって実施し得る。
一実施形態では、図２４Ｅの方法は、多数の患者の血流の特徴推定値に基づいて１つ以上の機械学習アルゴリズムをトレーニングするためのトレーニング方法３２０２及び機械学習アルゴリズムの結果を使用して、特定の患者の血流の特徴を予測する作製方法３２０４を含めてもよい。
一実施形態では、数多くの患者に関して、ＣＦＤ法を用いて求めたＦＦＲ推定値に基づいてトレーニング方法３２０２を実施してもよい。トレーニング方法３２０２は、複数の個人それぞれに関して、（ａ）患者固有の幾何学モデル、（ｂ）１つ以上の測定されたまたは推定された生理学的パラメータ及び（ｃ）血流の特徴値を、例えば、デジタル形式で得ることを伴ってよい。次いで、トレーニング方法３２０２は、各患者のモデルにおいて１つ以上の点を含めてもよく、患者の生理学的パラメータの特徴ベクトルを作製し、特徴ベクトルを血流の特徴値に関連付けさせる。例えば、トレーニング方法３２０２は、患者の幾何学モデルにおいて、各点を有する推定値ＦＦＲと関連してもよい。次に、トレーニング方法３２０２は、機械学習アルゴリズムをトレーニングして（例えば、サーバシステム２１０６のプロセスデバイスを使用して）、特徴ベクトル及び血流の特徴に基づき、幾何学モデルの各点で、血流の特徴を予測してもよい。次に、トレーニング方法３２０２により、サーバシステム２１０６の記憶装置に機械学習アルゴリズムの結果（特徴重みなど）を記憶させてもよい。記憶した特徴重みにより、患者の特徴あるいは形状から特定の血流の特徴を予測する範囲を画定してもよい。
一実施形態では、作製方法３２０４は、トレーニング方法３２０２の実施結果に基づいて、特定の患者のＦＦＲ値を推定することを伴ってもよい。一実施形態では、作製方法３２０４は、（ａ）患者固有の幾何学モデル及び（ｂ）１つ以上の測定されたまたは推定された生理学的パラメータを、例えば、デジタル形式で得ることを伴ってよい。患者の幾何学モデルにおける複数の点に関しては、作製方法３２０４は、トレーニングモードにて使用される生理学的なパラメータの特徴ベクトルを作製することを伴ってもよい。次に、作製方法３２０４は、記憶された機械学習アルゴリズムの結果を使用して、患者固有の幾何学モデルの各点について、患者の血流の特徴の推定値を求めてもよい。最終的には、作製方法３２０４は、サーバシステム２１０６の記憶装置に機械学習アルゴリズムの結果（血流の特徴の予測値など）を記憶することを含めてもよい。
以下に記述することは、例えば、電子ネットワーク１００上で医師２１０２及び／または第三者プロバイダー２１０４から受信した画像及びデータに基づいて、サーバシステム２１０６を用いるなど、患者固有の血流の特徴を予測するために機械学習のトレーニングモード及び作製モードを実施するための一般的かつ特定の例示的実施形態である。
一般的機械学習実施形態
一般的実施形態において、電子ネットワーク２１００上で医師２１０２及び／または第三者プロバイダー２１０４から受信した画像及びデータに基づいて、サーバシステム２１０６は、トレーニングモードを実施し得る。具体的には、１以上の患者において、サーバシステム２１０６は、次のアイテムのデジタル表現を得ることができる（例えば、コンピュータ、ラップトップ、ＤＳＰ、サーバなどのコンピュータデバイスのメモリまたはデジタルストレージ［例えば、ハードドライブ、ネットワークドライブ］）。すなわち、（ａ）１以上の患者の患者固有の血管幾何学モデル、（ｂ）患者の１つ以上の測定されるか、または推定される生理学的パラメータまたは表現型パラメータの一覧表、及び／または（ｃ）予測の標的とされる血流のすべての特徴の測定値、推定値または模擬値。一実施形態では、患者固有の幾何学モデルは、間隙間の点の一覧表で表されてもよく（可能であれば、各点の近隣の一覧表と共に）、その間隙は、各点の間隙単位（例えば、ミリメートル）にマッピングされてもよい。一実施形態では、患者の１つ以上の測定されるか、または推定される生理学的パラメータまたは表現型パラメータの一覧としては、血圧、血液粘性度、患者の年齢、患者の性別、供給組織の質量などが挙げられる場合もある。これらの患者固有のパラメータは、全身（例えば、血圧）または局所（例えば、特定の位置での血管壁の推定密度）であってもよい。
一般的実施形態において、電子ネットワーク２１００上で医師２１０２及び／または第三者プロバイダー２１０４から受信した画像及びデータに基づいて、サーバシステム２１０６は、トレーニングモードを実施し得る。具体的には、１以上の患者において、サーバシステム２１０６は、次のアイテムのデジタル表現を得ることができる（例えば、コンピュータ、ラップトップ、ＤＳＰ、サーバなどのコンピュータデバイスのメモリまたはデジタルストレージ［例えば、ハードドライブ、ネットワークドライブ］）。すなわち、（ａ）１以上の患者の患者固有の血管幾何学モデル、（ｂ）患者の１つ以上の測定されるか、または推定される生理学的パラメータまたは表現型パラメータの一覧表、及び／または（ｃ）予測の標的とされる血流のすべての特徴の測定値、推定値または模擬値。一実施形態では、患者固有の幾何学モデルは、間隙間の点の一覧表で表されてもよく（可能であれば、各点の近隣の一覧表と共に）、その間隙は、各点の間隙単位（例えば、ミリメートル）にマッピングされてもよい。一実施形態では、患者の１つ以上の測定されるか、または推定される生理学的パラメータまたは表現型パラメータの一覧としては、血圧、血液粘性度、患者の年齢、患者の性別、供給組織の質量などが挙げられる場合もある。これらの患者固有のパラメータは、全身（例えば、血圧）または局所（例えば、特定の位置での血管壁の推定密度）であってもよい。
血流の特徴の測定された、推定されたまたは模擬の値がある患者固有の幾何学モデルの各点については、サーバシステム２１０６により、各点の特徴ベクトルが作製されてもよい。特徴ベクトルは、任意の点での患者固有の形状の数値による記述であってもよく、また患者の生理学的または表現型パラメータの推定値であってもよい。特徴ベクトルは、全身及び局所的生理学的パラメータまたは表現型パラメータをいずれも含めることができる。すなわち、全身パラメータでは、いずれの点も同じ数値を有し、局所パラメータでは、特徴ベクトル中の値（複数可）は異なる点で変化し得る。サーバシステム２１０６により、この特徴ベクトルとこの点での血流の特徴のみの測定値、推定値または模擬値とが関連していてもよい。
次に、サーバシステム２１０６は、機械学習アルゴリズムをトレーニングして、その点での特徴ベクトルからその時点の血流の特徴を予測してもよい。このタスクを実施することができる機械学習アルゴリズムの例としては、サポートベクターマシン（ＳＶＭ）、多層パーセプトロン（ＭＬＰ）及び多変数回帰（ＭＶＲ）（例えば、重付け直線回帰またはロジスティック回帰）である。次に、サーバシステム２１０６により、デジタル表現（例えば、コンピュータ、ラップトップ、ＤＳＰ、サーバなどのコンピュータデバイスのメモリまたはデジタルストレージ［例えば、ハードドライブ、ネットワークドライブ］）に機械学習アルゴリズムの結果（特徴重みなど）を記憶してもよい。
また、一般的実施形態において、電子ネットワーク２１００上で医師２１０２及び／または第三者プロバイダー２１０４から受信した画像及びデータに基づいて、サーバシステム２１０６は、作製モードを実施し得る。血流分析を行う患者にとっては、サーバシステム２１０６は、次のデジタル表現を得ることができる（例えば、コンピュータ、ラップトップ、ＤＳＰ、サーバなどのコンピュータデバイスのメモリまたはデジタルストレージ［例えば、ハードドライブ、ネットワークドライブ］）。すなわち、（ａ）１以上の患者の患者固有の血管幾何学モデル、（ｂ）患者の生理学的パラメータまたは表現型パラメータの１つ以上の推定値の一覧表。一実施形態では、１以上の患者の血管形状の患者固有モデルは、間隙間の点の一覧表として表されてもよく（可能であれば、各点の近隣の一覧表と共に）、その間隙は、各点の間隙単位（例えば、ミリメートル）にマッピングされてもよい。患者の生理学的パラメータまたは表現型パラメータの１つ以上の推定値の一覧としては、血圧、血液粘性度、患者の年齢、患者の性別、供給組織の質量などを挙げることもできる。これらのパラメータは、全身（例えば、血圧）または局所（例えば、任意の位置での血管壁の推定密度）であってもよい。このパラメータ一覧表は、トレーニングモードで使用される一覧表と必ず同じものとする。
患者固有の幾何学モデルの各点については、サーバシステム２１０６は、形状の数値による記述及び患者の生理学的または表現型パラメータの推定値から構成される特徴ベクトルを作製してもよい。すべての点の特徴ベクトル内で全身の生理学的または表現型パラメータを使用することができ、局所的生理学的または表現型パラメータは、異なる点での特徴ベクトルが変化し得る。これらの特徴ベクトルは、トレーニングモードに使用される同じパラメータを表してもよい。次に、サーバシステム２１０６は、トレーニングモード（例えば、特徴重み）で求めた記憶された機械学習アルゴリズムの結果を使用して、患者固有の幾何学モデルの各点での血流の特徴の推定値を求めてもよい。これらの推定値は、トレーニングモードで使用されているものと同一の機械学習アルゴリズム技術を使用して求めてもよい（例えば、ＳＶＭ法、ＭＬＰ法、ＭＶＲ法）。サーバシステム２１０６は、デジタル表現（例えば、コンピュータ、ラップトップ、ＤＳＰ、サーバなどのコンピュータデバイスのメモリまたはデジタルストレージ［例えば、ハードドライブ、ネットワークドライブ］）に対して、各点の予測された血流の特徴を記憶してもよい。
例示的機械学習実施形態
一例示的実施形態において、電子ネットワーク２２１００上で医師２１０２及び／または第三者プロバイダー２１０４から受信した画像及びデータに基づいて、サーバシステム２１０６は、トレーニングモードを実施し得る。具体的には、１以上の患者において、サーバシステム２１０６は、次のデジタル表現を得ることができる（例えば、コンピュータ、ラップトップ、ＤＳＰ、サーバなどのコンピュータデバイスのメモリまたはデジタルストレージ［例えば、ハードドライブ、ネットワークドライブ］）。すなわち、（ａ）患者の上行大動脈及び冠状動脈枝の患者固有の幾何学モデル、（ｂ）患者の測定されるか、または推定される生理学的パラメータまたは表現型パラメータの一覧表、及び（ｃ）利用可能な場合、ＦＦＲ測定値。
一例示的実施形態において、電子ネットワーク２２１００上で医師２１０２及び／または第三者プロバイダー２１０４から受信した画像及びデータに基づいて、サーバシステム２１０６は、トレーニングモードを実施し得る。具体的には、１以上の患者において、サーバシステム２１０６は、次のデジタル表現を得ることができる（例えば、コンピュータ、ラップトップ、ＤＳＰ、サーバなどのコンピュータデバイスのメモリまたはデジタルストレージ［例えば、ハードドライブ、ネットワークドライブ］）。すなわち、（ａ）患者の上行大動脈及び冠状動脈枝の患者固有の幾何学モデル、（ｂ）患者の測定されるか、または推定される生理学的パラメータまたは表現型パラメータの一覧表、及び（ｃ）利用可能な場合、ＦＦＲ測定値。
一実施形態では、患者の上行大動脈枝及び冠状動脈枝の患者固有の幾何学モデルは、（可能であれば、各点の近隣の一覧表と共に）間隙間の点の一覧表として表されてもよく、その間隙は、各点の間隙単位（例えば、ミリメートル）にマッピングされてもよい。このモデルは、心周期の拡張末期中、患者の心臓ＣＴ画像法を実施することによって誘導されてもよい。次に得られたＣＴ画像を手動または自動でセグメント化し、大動脈及び冠状動脈内腔に属するボクセルを特定する。一旦関連するボクセルをすべて特定すると、幾何学モデルを誘導することができる（例えば、マーチングキューブを使用して）。
一実施形態では、患者の測定されたまたは推定された生理学的あるいは表現型パラメータの一覧表を得てもよく、また次を含めてもよい。（ｉ）収縮期血圧及び拡張期血圧（ｉｉ）心拍数（ｉｉｉ）ヘマトクリット値（ｉｖ）患者の年齢、性別、身長、体重、全身の健康状態（糖尿病の有無、現在の薬物治療）（ｖ）生活様式特性、喫煙者／非喫煙者及び／または（ｖｉ）心筋質量（ＣＴ画像法間に得られ、画像内で体積を算出した心筋のセグメント化により誘導されてもよい）。次に、質量は、算出された体積及び心筋質量の推定密度（１．０５ｇ／ｍＬ）を用いて算出する。
一実施形態では、利用可能な場合にはＦＦＲ測定値を得てもよい。患者固有幾何学モデルにおいて所与の空間位置で測定されたＦＦＲ値が得られない場合には、その点でのＦＦＲの数値による算出値を使用してもよい。上記に掲載した生理学的及び表現型パラメータから誘導される同一幾何学モデル及び患者固有の境界条件を使用したこれまでのＣＦＤシミュレーションから数値による算出値を得てもよい。
血流の特徴の測定された、推定されたまたは模擬の値がある患者固有の幾何学モデルの各点については、サーバシステム２１０６は、患者の生理学的または表現型パラメータの数値による記述及び局所形状の記述を含む点について特徴ベクトルを作製してもよい。具体的には、特徴ベクトルは、次を含めてもよい。（ｉ）収縮期血圧及び拡張期血圧（ｉｉ）心拍数（ｉｉｉ）次の血液性状：血漿、赤血細胞（赤血球）、ヘマトクリット、白血球細胞（白血球）及び血小板（血小板（ｔｈｒｏｍｂｏｃｙｔｅｓ））、粘性、降伏応力（ｉｖ）患者の年齢、性別、身長、体重など（ｖ）疾患：糖尿病の有無、心筋梗塞、悪性及びリウマチ性状態、末梢性脈管状態など（ｖｉ）生活様式特性：現在の薬物治療／薬剤の有無、喫煙者／非喫煙者（ｖｉｉ）大動脈形状特性（大動脈入口及び出口の断面積、大動脈の表面積及び体積、最小及び最大、平均断面積など）（ｖｉｉｉ）冠状動脈分枝形状の特性、及び（ｉｘ）１以上の特徴セット。
一実施形態では、冠状動脈分枝形状の特性としては次を含めてもよい。（ｉ）分枝点の大動脈上流／下流の体積（ｉｉ）冠状動脈／大動脈分岐点の断面積（すなわち、冠状動脈分岐入口）（ｉｉｉ）血管分岐総数及び上流／下流血管分岐数（ｉｖ）平均、最小及び最大上流／下流断面積（ｖ）（血管中心線に沿った）最小及び最大上流／下流断面積の中心線までの距離（ｖｉ）最も近い上流／下流血管分岐の断面積及び距離（血管中央線に沿った）（ｖｉｉ）（血管中央線に沿った）最も近い冠状動脈出口及び大動脈入口／出口の断面積及び距離（ｖｉｉｉ）（血管中央線に沿った）断面積及び最小／最大断面積を有する下流冠状動脈出口までの距離（ｉｘ）冠状血管の上流／下流体積、及び（ｘ）ユーザ固有の許容値未満の断面積を有する冠状血管の上流／下流体積分画。
一実施形態では、第１の特徴セットにより、例えば次の断面積の特徴を画定してもよい。例えば、冠状動脈中心線に沿った断面内腔区域、電動断面内腔区域、内腔断面積対主心門の比率（ＬＭ、ＲＣＡ）、内腔断面積対主心門の電動比率、中心線に沿った断面の内腔区域の先細度、狭窄病変の位置、狭窄病変の長さ、５０％、７５％、９０％区域の減少に相当する病変の位置及び数、狭窄病変から主心門までの距離、及び／または断面の内腔境界の不規則性（または真円度）など。
一実施形態では、冠状動脈中心線に沿った断面の内腔区域は、構築された形状からの中心線を抽出し、必要に応じて中心線を平滑化し、各中心線点での断面積を算出し、対応する表面及び体積メッシュ点にマッピングすることによって、算出してもよい。一実施形態では、電動断面の内腔区域は、さまざまなソースのスケーリング則から求めることができる。一実施形態では、内腔断面積対主心門の比率（ＬＭ、ＲＣＡ）は、次によって計算することができる。ＬＭ小孔で断面積を測定すること、ＬＭ小孔区域によって、左冠状動脈の断面積を正規化すること、ＲＣＡ小孔で断面積を測定すること、ＲＣＡ小孔区域によって、右冠状動脈の断面積を正規化すること。一実施形態では、内腔断面積対主心門の電動比率は、さまざまなソースのスケーリング則から求めることができる。一実施形態では、中心線に沿って断面の内腔区域での先細度は、特定の間隔（例えば、血管径の２倍）内で中心線点をサンプリングすることにより、算出することができ、及び直線的にフィッティングさせた断面積のスロープを算出する。一実施形態では、狭窄病変位置は、最小の断面積曲線を検出すること、断面積曲線の一次導関数がゼロであり、二次導関数は陽性である位置を検出すること、及び主要小孔からの距離（中心線の子宮傍組織の弧長）を計算することにより、算出することができる。一実施形態では、狭窄病変の長さは、断面積が回復した狭窄病変からの近位及び遠位位置を計算することによって算出することができる。
一実施形態では、他の特徴セットは、例えば、中心線に沿った強度変化（線形フィッティングされた強度変化の傾き）を定義する強度特徴を含んでもよい。一実施形態では、別の特徴セットは、例えば、形状の３次元表面曲率（ガウシアン、最大、最小、平均）を定義する表面特徴を含んでもよい。一実施形態では、別の特徴セットは、例えば、心筋体積と比較した総冠状動脈体積の比率を定義する体積特徴を含んでもよい。一実施形態では、別の特徴セットは、例えば、以下のフレネの曲率を算出することなどによって、または中心点に沿った外接円の半径の逆数を算出することによって冠状動脈中心線の曲率（曲げ）を定義する中心線特徴を含んでもよい。
冠状動脈中心線の曲率（曲げ）はまた、例えば、以下のフレネのねじれを算出することによって冠状動脈中心線のねじれ（非平面性）に基づいて算出することができる。
一実施形態では、別の特徴セットは、例えば、大動脈入口病変の存在、大動脈から冠状動脈の起点に位置する病変の検出、及び／または、優占度（左または右）を含む構文スコアリング特徴を含んでもよい。
一実施形態では、別の特徴セットは、例えば、ハーゲン・ポアズイユ流れの仮定から導出される血流予備量比値（Ｒｅｓｉｓｔａｎｃｅ〜Ａｒｅａ−２）を含む簡略化された物理的特徴を含んでもよい。例えば、一実施形態では、サーバシステム１０６は、大動脈圧
を有する大動脈
からの冠状動脈の起点（ＬＭ心門またはＲＣＡ心門）の断面積を算出し、サンプリングされた各区間
における冠状動脈血管
の断面積を算出し、充血仮定
の下での抵抗境界条件を使用して血管の各セグメントにおける冠血流の量を判定し、以下に基づいてサンプリングされた各位置
における抵抗を推定してもよい。
公称値
サーバシステム１０６により圧力低下
と推定することができ、各サンプリング位置で、
としてＦＦＲを算出することができる。サンプリング位置として、断面積の最小位置または血管半径より小さい間隔の位置を使用してもよい。サーバシステム２１０６は、
を使用して中心線に沿ってＦＦＲを補間し、ＦＦＲ値を３次元表面メッシュ接点に投影し、
を変え、パラメータを乱すために上記定義された特徴セットを使用することなどによってトレーニングのために必要に応じてＦＦＲ推定値の新たなセットを得てもよく、ここで、
は、疾患の長さ、狭窄の程度、及び、先細りした血管を構成する先細り比率の関数とすることができ、
は、抵抗境界条件
と同じスケーリング則に基づいて各出口の分散流れを合計することによって求めることができる。しかし、新たなスケーリング則及び充血仮定を採用することができ、この特徴ベクトルは、その点におけるＦＦＲの値を測定と関連付けるかまたはシミュレートする場合がある。サーバシステム２１０６はまた、その点における特徴ベクトルからその点における血流特性を予測するために線形ＳＶＭをトレーニングし、デジタル表現（例えば、コンピュータ、ラップトップ、ＤＳＰ、サーバなどの計算装置のメモリまたはデジタル記憶装置［例えば、ハードドライブ、ネットワークドライブ］）としてＳＶＭの結果を記憶してもよい。
例示的な生成モードにおいて、サーバシステム２１０６は、対象患者について、（ａ）患者の上行大動脈及び冠状動脈枝の患者固有の幾何学モデル、及び、（ｂ）トレーニングモード中に取得された患者の生理学的及び表現型パラメータのリストをデジタル表現（例えば、コンピュータ、ラップトップ、ＤＳＰ、サーバなどの計算装置のメモリまたはデジタル記憶装置［例えば、ハードドライブ、ネットワークドライブ］）で取得することができる。一実施形態では、患者の上行大動脈及び冠状動脈枝の患者固有の幾何学モデルは、間隙を点と点との間の間隙単位（例えば、ミリメートル）にマッピングすることができる（おそらく各点についての近傍のリストにより）間隙間の点のリストとして表される場合がある。このモデルは、心臓周期の拡張末期段階において患者の心臓のＣＴイメージングを実行することによって導出されてもよい。次いで、この画像は、大動脈及び冠状動脈の内腔に属するボクセルを識別するために手動でまたは自動的にセグメント化されてもよい。ボクセルが識別されると、幾何学モデルを、（例えば、マーチングキューブを使用して）導出することができる。患者固有の幾何学モデルを生成するプロセスは、トレーニングモードと同じであってもよい。患者固有の幾何学モデルにおける全ての点について、サーバシステム２１０６は、その点における形状の数値的記述及び患者の生理学的または表現型のパラメータの推定値から構成されるその点についての特徴ベクトルを作成する場合がある。これらの特徴は、トレーニングモードで使用される量と同じであってもよい。次いで、サーバシステム２１０６は、トレーニングモードで生成された機械学習アルゴリズムの記憶された結果（例えば、特徴重み）を使用し、患者固有の幾何学モデルの各点におけるＦＦＲの推定値を生成する場合がある。これらの推定値は、トレーニングモードで使用されるのと同じ線形ＳＶＭ技術を使用して生成される場合がある。サーバシステム２１０６は、デジタル表現（例えば、コンピュータ、ラップトップ、ＤＳＰ、サーバなどの計算装置のメモリまたはデジタル記憶装置［例えば、ハードドライブ、ネットワークドライブ］）に、各点についての予測したＦＦＲ値を記憶する場合がある。
一実施形態では、上記要因（ｉ）から（ｖｉｉｉ）（「収縮期及び拡張期血圧」から「冠状動脈枝形状の特性」）は、所与の患者の幾何学モデル内の全ての点に適用可能な、考慮される全体的な特徴とされる場合がある。また、項目（ｉｘ）から（ｘｖ）（「特徴セットＩ：断面積特徴」から「特徴セットＶＩＩ：簡略化された物理的特徴」）は、所与の患者の幾何学モデル内の特定点に対して局所的な考慮される特徴とされる場合がある。さらに、特徴（ｉ）から（ｖｉ）は、境界条件の関数ｆ（ＢＣ）内の考慮される変数とされる場合がある一方で、特徴（ｖｉｉ）から（ｘｖ）は、そのページにおける形状の関数ｇ（ａｒｅａＲｅｄｕｃｔｉｏｎ）内の考慮される変数とされる場合がある。任意の所望の重み付け方式によって修正されたこれらの特徴の任意の組み合わせが、開示された実施形態に従って実行される機械学習アルゴリズムに組み込まれてもよいことが理解されるであろう。
別の実施形態において、例えば、虚血、血流、または患者固有の解剖学及び特性のＦＦＲなど、生理的測定の推定値が取得されるためのシステム及び方法が記載される。システムは、病院の現場または医師が患者固有のデータをロードするまたは転送する現場外のいずれかにおいて、コンピュータ及びソフトウェアから構成されていてもよい。解剖学的データは、画像処理データ（すなわち、ＣＴ）または測定値及びすでに画像処理データから取得した解剖学的表現（定量的アンジオグラフィ、第三者ソフトウェアからの血管セグメント化、血管直径など）から構成されていてよい。他の患者特性は、心拍数、血圧、人口統計データ（例えば、年齢または性別、薬物治療、糖尿病及び緊張亢進症、心筋梗塞前段階（ｐｒｉｏｒ ＭＩ）などの病態）から構成されてもよい。
関連データは、システムによって受信された後、ソフトウェア開発の自動化、このシステムを使用した医師、システムを使用した第三の技術者または分析者、または任意の組み合わせにより加工してもよい。データは、虚血及び血流の機能性推定値に対する患者の解剖学及び特性に関してアルゴリズムを用いて加工してもよい。アルゴリズムは、実験的に誘導したモデル、機械学習モデル、または血流を解剖学と関連付ける分析モデルを用いてもよい。血管内の特定の位置に関する虚血（血流、ＦＦＲなど）の推定値は、血管または全血管系（冠状動脈など）の全推定値として、求めることができる。数値的出力（ＦＦＲ値など）を生成することができるか、または臨床的基準値に基づく単純な陽性／陰性／未確定の指示を提供してもよい（すなわち、ＦＦＲ＞または＜０．８０である）。出力と共に、信頼度を提供してもよい。分析結果は、画像、レンダリング、数値表、または報告書など、様々な媒体で表示されるか、または記憶されてもよく、かつ、システムを介して、または他の電子もしくは物理的送達方法を介して、医師に返送されてもよい。
一実施形態では、患者の解剖学からＦＦＲを推定するためのアルゴリズムは、例えば、分析的流体力学式及び形態計測スケーリング則など、生理学及び物理学の原理に基づく分析モデルを誘導することから構成される。次の冠状動脈解剖学に関する情報としては、以下に限定されないが、画像処理データ（すなわちＣＴ）から誘導される以下の特徴が挙げられ、入力の役割を担う。
血管サイズ
心門の血管サイズ
遠位分枝での血管サイズ
プラークの標準及び最低血管サイズ
小孔からプラークまでの距離
プラーク長さ及び最小血管サイズの長さ
心筋体積
測定位置に対して近位／遠位の分枝
プラークに対して近位／遠位の分枝
測定位置
一部またはすべての上記情報を用いて、流れ抵抗ネットワークを構築してもよい。ポワズーユの式、エネルギー損失モデルなど、さまざまな分析モデルのいずれかを使用して、血流量を血流への抵抗に関連付けることによって、圧力低下を推定してもよい。一つの実施的形態例は、以下の通りである。
ＦＦＲ＝（Ｐ−ΔＰ）／Ｐ（式中、Ｐは大動脈圧であって、ΔＰは大動脈から着目位置への圧力の変化である。）
ΔＰ＝ＱＲ、式中Ｑは流量であって、Ｒは抵抗である。
流量は、例えば
（式中、Ｍは、心筋量であり、ｋは指数であり、多くの場合、約０．７５である）の形態計測式により推定されてもよい。各血管では、形態計測式
（式中、Ｄは、血管径であり、ｋは指数であり、多くの場合、２〜３の間である）に基づいて流量をスケール化してもよい。
例示的一実施形態では、血管を介する抵抗は、以下のポワズーユ方程式により推定してもよい。
形態計測ツリーの作成または１３／０１４，８０９及び８／１５７，７４２に記載の他の方法を介して、下流または微小血管の抵抗性を推定できる。ＦＦＲは、冠循環内に血管分布を表すネットワーク内の全抵抗と流量の推定値を関連付けることによって推定することができ、圧力を解析することができる。
別の実施形態では、回帰または機械学習を使用して、抵抗及び流れの生成、及び以下に限定されないが、次に示す更なる解剖学的特性及び患者の特性が挙げられる前述の特徴を用いて、アルゴリズムをトレーニングすることができる。
年齢、性別及び他の人口統計データ
心拍数、血圧及び他の生理的手段
疾病状態（例えば緊張亢進症、糖尿病、これまでの心性イベント）。
血管優位度
プラークタイプ
プラーク形状
これまでのシミュレーション結果（ＦＦＲの全３Ｄシミュレーションなど）
解剖学的特性及び患者の特性のライブラリまたはデータベースは、ＦＦＲ、虚血試験結果、これまでのシミュレーション結果、画像処理データまたは他の測定法と共に編集することができる。ＦＦＲの推定が必要な対象の各点について、特徴セットを生成することができる。回帰または機械学習法（例えば線形回帰または決定ツリー）を使用して、特徴が、ＦＦＲの推定に最大の影響を有していることを定義し、かつさまざまな特徴を重み付けするアルゴリズムを作成することができる。例示的実施形態では、ＦＦＲを数値により推定すること、血管を虚血陽性もしくは陰性に分類すること、患者を虚血陽性または陰性として分類することが可能である。
一旦アルゴリズムが作成されると、医師がシステムに提供した新規データ上で実行されてもよい。前述のとおり、いくつかの方法を使用して、必要とされ、一旦取得された解剖学的情報、定義された特徴、実行されたアルゴリズム及び報告された結果を生成することができる。数値的結果または分類結果と共に、機械学習アルゴリズムからの信頼度が提供され得る。１つの例示的実施形態では、患者の特定の血管は、虚血が陽性または陰性である、特別な信頼率（％）を有することが報告されている。すなわち、左前下行枝は陽性であり、８５％信頼性を有する。 時間の経過により、追加の患者データがライブラリまたはデータベースに加えられる場合、アルゴリズムが改善されるか、または更新されてもよい。
１つの追加の実施形態は、前述のパラメータ、生理的推定値または物理的推定値いずれかを実験的に誘導することである。機械学習法または分析法と一体化し、さまざまな形状の流れ及び圧力の実験的試験を使用して、アルゴリズムを伝える。
ＶＩ．患者固有の治療プランの提供
図２に示すステップ５００に関連して上述したように、例示的方法は、患者固有の治療計画を提供することを含んでもよい。例示的実施形態において、ステップ５００は、以下のステップを含んでもよい。図３には以下のステップを示さないが、図３に示すステップと併せて、例えばステップ４０６または４０８の後に、これらのステップを実施してもよいことは理解される。
図２に示すステップ５００に関連して上述したように、例示的方法は、患者固有の治療計画を提供することを含んでもよい。例示的実施形態において、ステップ５００は、以下のステップを含んでもよい。図３には以下のステップを示さないが、図３に示すステップと併せて、例えばステップ４０６または４０８の後に、これらのステップを実施してもよいことは理解される。
上述のように、図１及び図２３に示すｃＦＦＲモデル５４は、未治療状態及び模擬の充血条件下の図１７〜１９のメッシュ３８０によって表される患者の解剖学的形態全体のｃＦＦＲ値を示している。この情報を用いて、医師は、患者に、運動の増加、食事の変更、薬物治療の処方、モデリングされた解剖学的形態の任意の部分または心臓の他の部分の手術（例えば、冠状動脈バイパス術、１つ以上の冠状動脈ステントの挿入など）など、治療を処方することができる。
どの治療（複数可）を処方するかを明らかにする目的で、コンピュータシステムを用いて、そのような治療（複数可）によって、コンピュータ分析から明らかにされた情報がどのように変化するかを予測することができる。例えば、ステント（複数可）の挿入または他の手術などの特定の治療は、モデリングされた解剖学的形態の形状に変化をもたらし得る。したがって、例示的実施形態において、ステップ３０６で生成されたソリッドモデル３２０を改定して、ステントが挿入されている１つ以上の内腔の拡大を示すことができる。
例えば、図１及び図２３に示すｃＦＦＲモデル５４は、ＬＡＤ動脈の最低ｃＦＦＲ値が０．６６であり、ＬＣＸ動脈の最低ｃＦＦＲ値が０．７２であり、ＲＣＡ動脈の最低ｃＦＦＲ値が０．８０であることを示す。ｃＦＦＲ値が、例えば０．７５未満である場合に、治療を提案してもよい。したがって、コンピュータシステムは、ソリッドモデル３２０を改定するユーザに、ＬＡＤ動脈及びＬＣＸ動脈の拡大を示して、これらの冠状動脈へのステントの挿入を模擬するよう提案してもよい。ユーザは、模擬ステントの位置及びサイズに対応する、拡大の位置及び量（例えば、長さ及び直径）を選択するよう指示される。あるいは、拡大の位置及び量は、様々な因子、例えば０．７５未満のｃＦＦＲ値を有する節点（複数可）の位置、重大な血管狭窄の位置、従来のステントのサイズなどに基づいて、コンピュータシステムが自動的に決定してもよい。
図２５は、位置５１２の一部のＬＡＤ動脈及び位置５１４の一部のＬＣＸ動脈を拡大することによって作成されたソリッドモデルに基づいて明らかにされた、修正ｃＦＦＲモデル５１０の例を示している。例示的実施形態において、上述の任意のステップ、例えばステップ３１０〜３１４及び４０２〜４０８を修正ソリッドモデルを用いて繰り返してもよい。ステップ４０６では、最終報告には、図２３に示す情報など、（例えば、ステントを使用しない）未治療患者に関する情報、図２５及び図２６に示す情報など、患者の模擬治療に関する情報を含めてもよい。
図２５としては、提案された治療と関連した修正ソリッドモデルに関して、主冠状動脈及びそこから延在する分枝の最低ｃＦＦＲ値など、修正ｃＦＦＲモデル５１０及び概要情報が含まれる。例えば、図２５は、ＬＡＤ動脈（及びその下流分枝）の最低ｃＦＦＲ値が０．７８であり、ＬＣＸ動脈（その下流分枝）の最低ｃＦＦＲ値が０．７８であり、ＲＣＡ動脈（その下流分枝）の最低ｃＦＦＲ値が０．７９である。したがって、未治療患者のｃＦＦＲモデル５４（ステントを使用しない）と提案された治療のｃＦＦＲモデル５１０（ステントの挿入を伴う）との比較により、提案された療法により、ＬＡＤ動脈において最低ｃＦＦＲが０．６６〜０．７８に上昇し、ＬＣＸ動脈において最低ｃＦＦＲが０．７２〜０．７６に上昇し、ＲＣＡ動脈における最低ｃＦＦＲが０．８０〜０．７９への最小の減少となることが示されている。
図２６には、上記のように、位置５１２のＬＡＤ動脈及び位置５１４のＬＣＸ動脈の部分を拡大した後決定された修正模擬の血流モデル５２０の例を示す。図２６としては、提案された治療と関連した修正ソリッドモデルに関して、例えば、主冠状動脈及びそこから延在する分枝内のさまざまな位置での血流値などの概要情報も含まれる。例えば、図２６は、未治療患者（ステントを使用しない）及び治療患者（ステント挿入済み）のＬＡＤ動脈内の４つの位置ＬＡＤ１、ＬＡＤ２、ＬＡＤ３及びＬＡＤ４、及びＬＣＸ動脈内の２つの位置ＬＣＸ１及びＬＣＸ２での血流値を示す。また、図２６は、未治療状態と治療状態との間の血流値の変化率も示す。したがって、未治療患者の模擬の血流モデル５２と提案された治療の模擬の血流モデル５２０との比較から、提案された処置により、ＬＡＤ１〜ＬＡＤ４、ＬＣＸ１及びＬＣＸ２のすべての位置で、位置に応じて９％〜１９％、ＬＡＤ動脈及びＬＣＸ動脈を通る流量が増加し得ることが示される。
また、例えば、冠状動脈血圧など、未治療状態と治療状態との他の情報を比較してもよい。この情報に基づいて、医師は、提案された治療の選択肢に進めるか否かを患者と検討することができる。
他の療法の選択肢には、異なる方法でソリッドモデル３２０を修正することを含めてもよい。例えば、冠状動脈バイパス移植には、ソリッドモデル３２０に内腔または経路を作製することを伴ってもよく、また、病変を切除することには、内腔または経路を拡大することを含めてもよい。他の療法の選択肢には、ソリッドモデル３２０を修正することを含めなくてもよい。例えば、運動または労作の増加、食事法の変更または他の生活様式の変化、薬物治療の処方などには、ステップ３１０で明らかにした境界条件の変更（例えば、血管収縮、拡張、心拍数の減少などによる）を伴ってもよい。例えば、患者の心拍数、心拍出量、一回拍出量、血圧、冠状動脈微小循環機能、集中パラメータモデルの形状などは、定められた薬物治療、適用される運動の種類及び頻度（または他の労作）、適用された生活様式変化の種類（例えば、喫煙の中止、食事法の変更など）に依存する可能性があり、それによって、異なる方法でステップ３１０において決定される境界条件に影響を及ぼす。
例示的実施形態において、多くの患者のデータを使用して修正された境界条件を実験により決定してもよく、また、類似の処置の選択肢には、類似した方法で境界条件を変更する必要がある場合もある。経験モデルは、大集団の患者固有のデータから開発し、将来の分析で類似する患者に適用することができる特定の治療選択肢に対応する、境界条件のライブラリまたは境界条件を算出するための関数を作成することができる。
境界条件の修正後、上述のステップ、例えば、ステップ３１２、３１４、及び４０２〜４０８を修正された境界条件を用いて繰り返してもよく、またステップ４０６において、最終レポートは、未治療の患者に関連する情報、例えば図２３に示す情報、ならびに患者の模擬治療に関する情報、例えば図２５及び図２６に示す情報を含んでもよい。
あるいは、医師、患者、または他のユーザに、三次元モデル（例えば、図８のソリッドモデル３２０）との対話を可能にするユーザインターフェースを提供してもよい。モデル３２０は、１つ以上の治療選択肢を反映するためにユーザが編集することができる、ユーザが選択可能なセグメントに分割してもよい。例えば、ユーザは、狭窄（または閉塞、例えば、急性閉塞）を含むセグメントを選択し、そのセグメントを調整して狭窄を切除してもよく、ユーザは、モデル３２０に、バイパスとするためのセグメントを追加してもよい。また、ユーザは、上記で明らかにされた境界条件を変更し得る他の治療選択肢及び／または生理的パラメータ、例えば、心拍出量、心拍数、一回拍出量、血圧、運動または労作レベル、充血レベル、薬物治療などの変化を指定するように指示されてもよい。代替的実施形態では、コンピュータシステムが治療選択肢を決定するか、または提案してもよい。
ユーザインターフェースは、三次元モデル３２０との対話を可能にして、ユーザが狭窄（または閉塞、例えば、急性閉塞）を模擬することを可能にし得る。例えば、ユーザは、狭窄を含めるセグメントを選択してもよく、コンピュータシステムを用いて、狭窄の追加によって、コンピュータ分析から決定された情報がどのように変化するかを予測することができる。したがって、本明細書に記載する方法は、動脈を閉塞させることの影響を予測するために使用することができる。
また、ユーザインターフェースは、三次元モデル３２０との対話により、癌性腫瘍の除去時など、例えば、特定の外科手術で発生し得る損傷した動脈または動脈の切除を模擬することを可能にし得る。また、このモデルは特定の動脈を通る血流を妨げることの影響を模擬するように修正して、患者に十分な血流を供給するための側副路の可能性を予測することもできる。
Ａ．様々な治療選択肢を比較するための次数低減モデルの使用
例示的実施形態において、コンピュータシステムは、ユーザが、三次元ソリッドモデル３２０またはメッシュ３８０を次数低減モデルに置き換えることによって、より迅速に様々な治療選択肢を模擬することを可能にし得る。図２７は、例示的実施形態による、次数低減モデルを用いて様々な治療選択肢を模擬するための方法７００に関連する概略図を示している。方法７００は、上述のコンピュータシステムで実施してもよい。
例示的実施形態において、コンピュータシステムは、ユーザが、三次元ソリッドモデル３２０またはメッシュ３８０を次数低減モデルに置き換えることによって、より迅速に様々な治療選択肢を模擬することを可能にし得る。図２７は、例示的実施形態による、次数低減モデルを用いて様々な治療選択肢を模擬するための方法７００に関連する概略図を示している。方法７００は、上述のコンピュータシステムで実施してもよい。
血流または他のパラメータを表す１つ以上の患者固有の模擬の血流モデルは、上述のコンピュータ分析からの出力であってもよい（ステップ７０１）。例えば、模擬の血流モデルは、図１Ａの模擬の血圧モデル５０、図１Ａの模擬の血流モデル５２、図１ＡのｃＦＦＲモデル５４などを含んでもよいが、上述及び図２及び図３に示す方法を用いる。上述のように、模擬の血流モデルは、患者の解剖学的形態の三次元幾何学モデルを含んでもよい。
次数低減モデルの条件を指定するために、機能情報を模擬の血流モデルから抽出することができる（ステップ７０２）。例えば、機能情報には、上述のコンピュータ分析を用いて明らかにした、血圧、流量、または速度の情報を含んでよい。
次数低減（例えば、０次元または一次元）モデルを提供して、ステップ７０１で生成した患者固有の模擬の血流モデルを生成するために使用した三次元ソリッドモデル３２０を置き換えてもよく、この次数低減モデルを用いて、患者の冠状動脈血流に関する情報を明らかにしてもよい（ステップ７０３）。例えば、次数低減モデルは、図３のステップ３１０に関連して上述したように生成された集中パラメータモデルであってもよい。したがって、この集中パラメータモデルは、患者の解剖学的形態の単純化モデルであり、図１７〜１９のメッシュ３８０に関連するより複雑な連立方程式を解く必要なく、患者の冠状動脈血流に関する情報を明らかにするために使用することができる。
ステップ７０３で次数低減モデルを解くことから明らかにされた情報は、次いで、患者の解剖学的形態の三次元ソリッドモデル（例えば、ソリッドモデル３２０）にマッピングまたは外挿してもよく（ステップ７０４）、ユーザは、要望に応じて次数低減モデルに変更を加えて、ユーザが選択してもよい様々な治療選択肢及び／または患者の生理的パラメータの変更を模擬することができる（ステップ７０５）。選択可能な生理的パラメータには、心拍出量、運動または労作レベル、充血のレベル、薬物治療の種類などを含み得る。選択可能な治療選択肢には、狭窄の切除、バイパスの追加などを含み得る。
次いで、ユーザが選択した治療選択肢及び／または生理的パラメータに基づいて次数低減モデルを修正してもよく、その修正された次数低減モデルを用いて、選択した治療選択肢及び／または生理的パラメータに関連する、患者の冠状動脈血流に関する情報を明らかにすることができる（ステップ７０３）。ステップ７０３で次数低減モデルを解くことから明らかにされた情報を、次いで患者の解剖学的形態の三次元ソリッドモデル３２０にマッピングまたは外挿して、患者の解剖学的形態の冠状動脈血流に対する、選択した治療選択肢及び／または生理的パラメータの効果を予測することができる（ステップ７０４）。
ステップ７０３〜７０５は、様々な異なる治療選択肢及び／または生理的パラメータについて繰り返して、様々な治療選択肢の予測される効果を互いに、また未治療の患者の冠状動脈血流に関する情報と比較してもよい。その結果、三次元メッシュ３８０を用いたより複雑な分析を再び実行する必要なく、様々な治療選択肢及び／または生理的パラメータについての予測される結果を互いに、また未治療の患者に関する情報と比較して評価することができる。代替的に、次数低減モデルを用いてもよく、これはユーザが、異なる治療選択肢及び／または生理的パラメータをより簡単かつ迅速に分析及び比較することを可能にし得る。
図２８は、例示的実施形態による、次数低減モデルを用いて様々な治療選択肢を模擬するための例示的方法の更なる態様を示している。方法７００は、上述のコンピュータシステムで実施してもよい。
図３のステップ３０６に関連して上述したように、患者の画像データに基づいて、患者固有の幾何学モデルを生成することができる（ステップ７１１）。例えば、画像データには、図２のステップ１００で取得されるＣＣＴＡデータを含んでもよく、幾何学モデルは、図３のステップ３０６で生成される図８のソリッドモデル３２０、及び／または図３のステップ３１２で生成される図１７〜１９のメッシュ３８０であってもよい。
この患者固有の三次元幾何学モデルを用いて、例えば図３のステップ４０２に関連して上述したように、コンピュータ分析を実施して、患者の冠状動脈血流に関する情報を明らかにしてもよい（ステップ７１２）。このコンピュータ分析は、血流または他のパラメータを表す１つ以上の三次元の患者固有の模擬の血流モデル、例えば、図１Ａの模擬の血圧モデル５０、図１Ａの模擬の血流モデル５２、図１ＡのｃＦＦＲモデル５４などを出力してもよい。
模擬の血流モデルは、モデルの解剖学的特徴に基づいて、セグメント化してもよい（例えば、図１４に関連して上述したように）（ステップ７１３）。例えば、主冠状動脈から延びる分枝は、別個のセグメントとして提供してもよく（ステップ７１４）、狭窄または疾患部を含む部分は別個のセグメントとして提供してもよく（ステップ７１６）、分枝と狭窄または疾患部を含む部分との間の部分は、別個のセグメントとして提供してもよい（ステップ７１５）。模擬の血流モデルをセグメント化する際に、様々な程度の分解能を提供してもよく、それにより各血管は、複数の短い分離したセグメント、または例えば血管全体を含むより長いセグメントを含んでもよい。また、模擬の血流モデルをセグメント化するための様々な技法を提供してもよく、これには中央線を生成し、生成された中央線に基づいて区切ること、または分枝点を検出し、検出された分枝点に基づいて区切ることが含まれる。疾患部分及び狭窄は、例えば、中央線の全長に沿って断面積を測定し、局所的に最小の断面積を算出することによって特定することができる。ステップ７１１〜７１６は、図２７のステップ７０１のサブステップとみなすことができる。
セグメントは、図１５に関連して上述したように、集中パラメータモデルの要素（例えば抵抗器、コンデンサ、インダクタなど）で置き換えることができる。抵抗、キャパシタンス、インダクタンス、及び集中パラメータモデルに使用される他の電気要素に関連する他の変数の個々の値は、ステップ７１２で提供される模擬の血流モデルから導くことができる。例えば、分枝及び分枝と狭窄または疾患部を含む部分との間の部分に関して、模擬の血流モデルから導かれた情報を用いて、対応するセグメントに線形抵抗を指定してもよい（ステップ７１７）。狭窄または疾患部など、複雑な形状を有する部分の場合、抵抗は流量によって異なり得る。したがって、図１５に関連して上述したように、複数のコンピュータ分析を用いて、様々な流量及び圧力条件で模擬の血流モデルを取得して、これらの複雑な形状に対する患者固有、血管固有、及び病変固有の抵抗関数を導くことができる。したがって、狭窄または疾患部を含む部分について、これらの複数のコンピュータ分析から導かれた情報、または以前のデータから導かれたモデルを用いて、対応するセグメントに非線形の流量依存的な抵抗を指定してもよい（ステップ７１８）。ステップ７１７及び７１８は、図２７のステップ７０２のサブステップとみなすことができる。
ステップ７１７及び７１８で測定された抵抗を用いて、次数低減（例えば、０次元または一次元）モデルを生成することができる（ステップ７１９）。例えば、次数低減モデルは、図３のステップ３１０に関連して上述したように生成された集中パラメータモデルであってもよい。したがって、この集中パラメータモデルは、患者の解剖学的形態の単純化モデルであり、図１７〜１９のメッシュ３８０に関連するより複雑な連立方程式を解く必要なく、患者の冠状動脈血流に関する情報を明らかにするために使用することができる。
ユーザがステップ７１９で作成された次数低減モデルと対話することを可能にするユーザインターフェースを提供してもよい（ステップ７２０）。例えば、ユーザは、次数低減モデルの異なるセグメントを選択及び編集して、異なる治療選択肢を模擬してもよく、及び／または様々な生理的パラメータを編集してもよい。例えば、疾患領域の修復のためのステントの挿入などのインターベンションは、ステントが挿入されるセグメントの抵抗を減少させることによってモデリングすることができる。バイパスの形成は、疾患セグメントと平行して低い抵抗を有するセグメントを追加することによってモデリングすることができる。
修正された次数低減モデルを解いて、ステップ７２０で選択された治療及び／または生理的パラメータの変化の下の患者の冠状動脈血流に関する情報を明らかにすることができる（ステップ７２１）。次いで、ステップ７２１で明らかにされた各セグメントにおける流量及び圧力の解の値は、ステップ７１２で明らかにされた三次元解と比較してもよく、それらのセグメントの抵抗関数（例えば、ステップ７１７及び７１８で明らかにされるように）を調整し、解が一致するまで次数低減モデルを解く（例えば、ステップ７２１）ことによって、いずれの差も最小化することができる。結果として、次数低減モデルを作成し、次いで比較的迅速な計算（例えば、完全三次元モデルと比較して）を可能にする単純化した１組の方程式を用いて解いてもよく、これを使用して、完全三次元計算解の結果と極めて近似し得る流量及び圧力を求めることができる。次数低減モデルは、様々な異なる治療選択肢をモデリングするための比較的迅速な反復を可能にする。
次いで、ステップ７２１で次数低減モデルを解くことから明らかにされる情報は、患者の解剖学的形態の三次元ソリッドモデル（例えば、ソリッドモデル３２０）にマッピングまたは外挿してもよい（ステップ７２２）。ステップ７１９〜７２２は、図２７のステップ７０３〜７０５と類似していてもよく、ユーザの所望に応じて繰り返して、治療選択肢及び／または生理的パラメータの様々な組み合わせを模擬してもよい。
あるいは、三次元モデルからセグメントに沿った抵抗を算出する（例えば、ステップ７１７及び７１８について上述したように）よりもむしろ、中央線に沿って間隔を置いた流量及び圧力を集中パラメータまたは一次元モデルに規定してもよい。実効抵抗または損失係数は、境界条件ならびに規定された流量及び圧力の制約下で求めることができる。
また、個々のセグメントの流量及び圧力の勾配を用いて、次数低減モデルから導かれた解（例えば、ステップ７２１について上述したように）を使用して心外膜冠状動脈の抵抗を計算することができる。心外膜冠状動脈の抵抗は、心外膜冠状動脈（医療用画像データから再構成された患者固有のモデルに含まれる冠状動脈及びそこから延びる分枝の部分）の等価抵抗として算出することができる。これは、冠状動脈にびまん性アテローム性動脈硬化症を有する患者が、なぜ虚血（血液供給の制約）の症状を示し得るのかを説明する際に、臨床的意義を有し得る。また、模擬された薬理学的に誘導した充血または様々な運動強度条件下の心筋組織体積（または質量）単位当たりの流量及び／または心仕事量単位当たりの流量は、次数低減モデルからのデータから算出することができる。
結果として、三次元血流モデリングの精度を一次元及び集中パラメータモデリング技術が本来備える計算の簡易性及び相対速度と兼ね備えることができる。三次元計算法は、正常セグメント、狭窄、分岐点、及び他の解剖学的特徴の圧力損失の数値的に導かれた経験モデルを組込む、患者固有の一次元モデルまたは集中パラメータモデルを数値的に導くために使用することができる。心臓血管疾患を有する患者の改善された診断を提供することができ、薬物治療、インターベンション治療、及び外科治療の計画をより迅速に実施することができる。
また、三次元計算流体力学技術の精度は血流の集中パラメータ及び一次元モデルの計算の簡易性及び実効能力と組み合わせることができる。三次元幾何学的・生理学的モデルは、次数低減一次元モデルまたは集中パラメータモデルに自動的に分解することができる。三次元モデルは、正常セグメント、狭窄、及び／または分枝を通る血流の線形もしくは非線形の血行動態効果を計算するため、及び経験モデルのパラメータを設定するために使用することができる。一次元モデルまたは集中パラメータモデルは、患者固有モデルの血流及び圧力をより効率的かつ迅速に求め、集中パラメータまたは一次元解の結果を表示することができる。
患者固有の解剖学的・生理学的次数低減モデルは、心拍数、一回拍出量、血圧、または冠微小循環機能を変更する異なる薬物治療または生活様式の変化（例えば、喫煙の中止、食事の変化、または身体活動の増加）の冠状動脈血流に対する影響を明らかにするために使用することができる。このような情報は、薬物療法を最適化するため、または薬物治療の危険な影響の可能性を回避するために使用することができる。また、次数低減モデルを用いて、代替的な形態及び／または様々なレベルの身体活動または潜在的な外部力への暴露の危険性（例えば、サッカーのプレイ時、宇宙飛行中、スキューバダイビング時、航空機飛行中など）の冠状動脈血流に対する影響を明らかにしてもよい。このような情報を用いて、特定の患者に対して安全かつ効果的であり得る身体活動のタイプ及びレベルを特定することができる。また、この次数低減モデルを用いて、最適なインターベンション戦略を選択するために、冠状動脈血流に対する経皮冠状動脈インターベンションの潜在的利益を予測し、及び／または最適な手術戦略を選択するために、冠状動脈血流に対する冠状動脈バイパス術の潜在的利益を予測することもできる。
また、この次数低減モデルを用いて、冠状動脈血流に対する動脈疾患の負担の増加の潜在的な有害効果を例証し、機械論的もしくは現象論的な疾患進行モデルまたは経験データを用いて、進行中の疾患が心筋への血流にいつ障害を引き起こし得るかを予測することもできる。このような情報は、初期に非侵襲的な画像化を用いて血行動態的に重要な疾患を有さないと観察された患者が、薬物療法、インターベンション療法、または手術療法を要すると見込まれないであろう「保証期間」、あるいは有害因子が継続した場合に進行が発生し得る速度の特定を可能にし得る。
また、この次数低減モデルを用いて、冠動脈疾患の負担の減少が引き起こす、冠状動脈血流に対する潜在的な有害効果を例証し、機械論的もしくは現象論的な疾患進行モデルまたは経験データを用いて、疾患の退行がいつ冠状動脈を通る心筋への血流の増加を引き起こし得るかを予測することもできる。このような情報を用いて、以下に限定されないが、食事の変更、身体活動の増加、スタチンまたは他の薬物治療の処方などの医学的管理プログラムの指針とすることができる。
また、次数低減モデルを血管造影システムに組込んで、医師が心臓カテーテル検査室で患者を診察している間に、治療選択肢の実況での計算を可能にすることもできる。このモデルは、血管造影表示と同じ配向で位置合わせして、冠状動脈の実況での血管造影像と模擬血流の解との並列または重複での結果を可能にしてもよい。医師は、処置中に観察がなされるため、治療計画を計画する及び変更することができ、医療上の決定がなされる前に、比較的迅速なフィードバックを可能にする。医師は、侵襲的に圧力、ＦＦＲ、または血流を測定してもよく、その測定値を使用して、予測シミュレーションを実施する前に、モデルをさらに改良してもよい。
また、次数低減モデルは、医療画像化システムまたはワークステーションに組込んでもよい。以前の患者固有のシミュレーション結果のライブラリから導かれた場合、その次数低減モデルを幾何学的セグメンテーションアルゴリズムと併用して、画像スキャン完了後に血流情報を比較的迅速に解くことができる。
また、次数低減モデルを用いて、新しい薬物療法の有効性、または治療選択肢の費用／利益を大集団の患者でモデリングすることもできる。複数の患者固有の集中パラメータモデル（例えば、数百、数千、またはそれ以上）のデータベースは、比較的短時間で解くためのモデルを提供することができる。比較的迅速な反復及び最適化が、薬物、療法、または臨床試験のシミュレーションまたはデザインのために提供される。治療、患者の薬物反応、または外科的インターベンションを表すようにモデルを適合させることにより、高い費用がかかる可能性があり、かつ危険を伴う可能性がある大規模な臨床試験を実施する必要なく、有効性の予測を得ることができる。
ＶＩＩ．他の結果
Ａ．心筋灌流の評価
他の結果を算出することもできる。例えば、コンピュータ分析は、心筋灌流（心筋を通る血流）を定量化する結果を提供することができる。心筋灌流の定量化は、例えば虚血（血液供給の制約）、瘢痕化、または他の心臓障害に起因する心筋血流の減少範囲を特定するのに役立ち得る。
Ａ．心筋灌流の評価
他の結果を算出することもできる。例えば、コンピュータ分析は、心筋灌流（心筋を通る血流）を定量化する結果を提供することができる。心筋灌流の定量化は、例えば虚血（血液供給の制約）、瘢痕化、または他の心臓障害に起因する心筋血流の減少範囲を特定するのに役立ち得る。
図２９は、例示的実施形態による、特定の患者における心筋灌流に関連する様々な情報を提供する方法８００に関連する概略図を示す。方法８００は、上述のコンピュータシステム、例えば、上述及び図３に示すステップのうちの１つ以上を実施するために使用されるコンピュータシステムで実施してもよい。
方法８００は、１つ以上の入力８０２を用いて実施してもよい。入力８０２は、患者の大動脈、冠状動脈（及びそこから延びる分枝）、ならびに心臓の医療画像データ８０３、例えばＣＣＴＡデータ（例えば、図２のステップ１００で取得される）を含んでもよい。また、入力８０２は、患者から測定された追加の生理学的データ８０４、例えば、患者の上腕の血圧、心拍数、及び／または他の測定値（例えば、図２のステップ１００で取得される）も含んでよい。追加の生理学的データ８０４は、非侵襲的に取得してもよい。入力８０２を用いて、後述のステップを実施することができる。
患者の心筋組織の三次元幾何学モデルを画像データ８０３に基づいて作成してもよく（ステップ８１０）、この幾何学モデルをセグメントまたは体積に分割してもよい（ステップ８１２）。例えば、図３１は、セグメント８４２に分割した患者の心筋組織の三次元幾何学モデル８３８を含む三次元幾何学モデル８４６を示している。個々のセグメント８４２のサイズ及び位置は、冠状動脈（及びそこから延びる分枝）の流出境界３２４（図８）の位置、それぞれのセグメント８４２の中、またはそれぞれのセグメント８４２に連結する血管（例えば、隣接血管）のサイズなどに基づいて明らかにすることができる。幾何心筋モデル８３８のセグメント８４２への分割は、様々な既知の方法（例えば高速マーチング法、一般化高速マーチング法、レベルセット法、拡散方程式、多孔質媒体中の流れを支配する方程式など）を用いて実施することができる。
また、三次元幾何学モデルは、患者の一部の大動脈及び冠状動脈（及びそこから延びる分枝）も含んでよく、これは画像データ８０３に基づいてモデリングすることができる（ステップ８１４）。例えば、図３１の三次元幾何学モデル８４６は、患者の大動脈及び冠状動脈（及びそこから延びる分枝）の三次元幾何学モデル８３７と、ステップ８１０で作成される患者の心筋組織の三次元幾何学モデル８３８とを含む。
図２９を再び参照すると、例えば図３のステップ４０２に関連して上述したように、コンピュータ分析を実施して、ユーザによって明らかにされる身体的条件下で、患者の冠状動脈血流に関する情報を含む解を明らかにすることができる（ステップ８１６）。例えば、身体的条件は、安静、選択されたレベルの充血、選択されたレベルの運動もしくは労作、または他の条件を含んでもよい。この解は、ステップ８１４でモデリングされた患者の解剖学的形態中の様々な位置において、特定の身体的条件下で、血流及び圧力などの情報を提供することができる。コンピュータ分析は、集中パラメータモデルまたは一次元モデルから導かれる流出境界３２４（図８）の境界条件を用いて実施してもよい。図３０に関連して後述するように、一次元モデルを作成して、セグメント８４２を埋めてもよい。
ステップ８１６で明らかにされた血流情報に基づいて、ステップ８１２で作成される心筋のそれぞれのセグメント８４２に入る血流の灌流を算出することができる（ステップ８１８）。例えば、この灌流は、流出境界３２４（図８）の各流出口からの流量をその流出口が灌流するセグメント化された心筋の体積で除するによって算出することができる。
ステップ８１８で明らかにされる心筋のそれぞれのセグメントの灌流は、ステップ８１０または８１２で生成される心筋の幾何学モデル（例えば、図３１に示す患者の心筋組織の三次元幾何学モデル８３８）上に表示することができる（ステップ８２０）。例えば、図３１は、幾何学モデル８３８の心筋のセグメント８４２を異なる陰影または色で図示して、それぞれのセグメント８４２に入る血流の灌流を示し得ることを示している。
図３０は、例示的実施形態による、特定の患者における心筋灌流に関連する様々な情報を提供する方法８２０に関連する別の概略図を示している。方法８２０は、上述のコンピュータシステム、例えば、上述及び図３に示すステップのうちの１つ以上を実施するために使用されるコンピュータシステムで実施してもよい。
方法８２０は、１つ以上の入力８３２を用いて実施してもよく、これは、患者の大動脈、冠状動脈（及びそこから延びる分枝）、ならびに心臓の医療用画像データ８３３、例えばＣＣＴＡデータ（例えば、図２のステップ１００で取得される）を含んでもよい。入力８３２を用いて、後述のステップを実施することができる。
患者の心筋組織の三次元幾何学モデルは、画像データ８３３に基づいて作成することができる（ステップ８３５）。また、モデルは、患者の一部の大動脈及び冠状動脈（及びそこから延びる分枝）も含んでよく、これは画像データ８０３に基づいて作成してもよい。例えば、上述のように、図３１は、患者の大動脈及び冠状動脈（及びそこから延びる分枝）の幾何学モデル８３７と、患者の心筋組織の幾何学モデル８３８を含む三次元幾何学モデル８３６を示している。ステップ８３５は、上述の図２９のステップ８１０及び８１４を含んでもよい。
図３０を再び参照すると、幾何心筋モデル８３８は、体積またはセグメント８４２に分割することができる（ステップ８４０）。ステップ８４０は、上述の図２９のステップ８１２を含んでもよい。上述のように、図３１は、セグメント８４２に分割された患者の心筋組織の幾何学モデル８３８を含む三次元幾何学モデル８４６を示している。
図３０を再び参照すると、幾何学モデル８４６を修正して、冠状動脈ツリーに次世代の分枝８５７を含めるようにしてもよい（ステップ８５５）。分枝８５７（図３１に点線で示される）の位置及びサイズは、冠状動脈（及びそこから延びる分枝）の中央線に基づいて明らかにすることができる。この中央線は、例えば画像データ８３３に基づいて明らかにすることができる（ステップ８４５）。また、アルゴリズムを用いて、形態計測モデル（流出境界３２４（図８）の既知の流出口の下流の血管の位置及びサイズを予測するために使用されるモデル）及び／または血管サイズに関連する生理学的分枝の法則に基づいて、分枝８５７の位置及びサイズを特定してもよい（ステップ８５０）。この形態計測モデルは、幾何学モデル８３７に含まれる冠状動脈（及びそこから延びる分枝）の下流端まで拡大し、心外膜面（心臓組織の外層）上に提供しても、または心筋壁の幾何学モデル８３８内に含めてもよい。
心筋は、ステップ８５５で作成された分枝８５７に基づいて、さらにセグメント化してもよい（ステップ８６０）。例えば、図３１は、セグメント８４２が、サブ体積またはサブセグメント８６２に分割できることを示している。
サブセグメント８６２中に追加の分枝８５７を作成してもよく、このサブセグメント８６２は、より小さいセグメント８６７にさらにセグメント化してもよい（ステップ８６５）。分枝を作成し、体積をサブセグメント化するステップは、所望の体積サイズ及び／または分枝サイズの分解能が得られるまで繰り返してもよい。次いで、ステップ８５５及び８６５で新しい分枝８５７を含むように拡大されたモデル８４６は、サブセグメント（例えばステップ８６５で生成されるサブセグメント８６７）に入る冠状動脈血流及び心筋灌流を計算するために使用することができる。
したがって、拡大モデルを用いて、上述のコンピュータ分析を実施することができる。コンピュータ分析の結果は、患者固有の冠状動脈モデル、例えば図３１のモデル８３７から、ステップ８６５で生成された各灌流サブセグメント８６７内にまで延長してもよい、生成された形態計測モデル（ステップ８５５及び８６５で生成された分枝８５７を含む）に入る血流に関連する情報を提供することができる。コンピュータ分析は、静的な心筋灌流体積または結合した心臓力学モデルからのデータを組込んだ動的モデルを用いて実施することができる。
図３２は、例示的実施形態による、特定の患者における心筋灌流に関連する様々な情報を提供する方法８７０に関連する別の概略図を示している。方法８７０は、上述のコンピュータシステム、例えば、上述及び図３に示すステップのうちの１つ以上を実施するために使用されるコンピュータシステムで実施してもよい。
方法８７０は、１つ以上の入力８７２を用いて実施してもよい。入力８７２は、患者の大動脈、冠状動脈（及びそこから延びる分枝）、ならびに心臓の医療画像データ８７３、例えばＣＣＴＡデータ（例えば、図２のステップ１００で取得される）を含んでもよい。また、入力８７２は、患者から測定された追加の生理学的データ８７４、例えば、患者の上腕の血圧、心拍数、及び／または他の測定値（例えば、図２のステップ１００で取得される）も含んでよい。追加の生理学的データ８７４は、非侵襲的に取得してもよい。入力８７２は、患者から（例えば、ＣＴ、ＰＥＴ、ＳＰＥＣＴなどを用いて）測定された心灌流データ８７５を更に含んでもよい。入力８７２を用いて、後述のステップを実施することができる。
患者の大動脈及び冠状動脈（及びそこから延びる分枝）の三次元幾何学モデルは、画像データ８７３に基づいて作成することができる（ステップ８８０）。例えば、図３１は、患者の大動脈及び冠状動脈（及びそこから延びる分枝）の三次元幾何学モデル８３７を示している。ステップ８８０は、上述の図２９のステップ８１４と類似していてもよい。
例えば図３のステップ４０２に関連して上述したように、コンピュータ分析を実施して、ユーザによって明らかにされる身体的条件下で、患者の冠状動脈血流に関する情報を含む解を明らかにすることができる（ステップ８８２）。例えば、身体的条件は、安静、選択されたレベルの充血、選択されたレベルの運動もしくは労作、または他の条件を含んでもよい。この解は、ステップ８８０でモデリングされた患者の解剖学的形態中の様々な位置において、特定の身体的条件下で、血流及び圧力などの情報を提供することができる。ステップ８８２は、上述の図２９のステップ８１６と類似していてもよい。
また、患者の心筋組織の三次元幾何学モデルは、画像データ８７３に基づいて作成することができる（ステップ８８４）。例えば、上述のように、図３１は、患者の心筋組織の三次元幾何学モデル８３８（例えば、ステップ８８４で作成されるような）と、患者の大動脈及び冠状動脈（及びそこから延びる分枝）の三次元幾何学モデル８３７（例えば、ステップ８８０で作成されるような）とを含む三次元幾何学モデル８３６を示している。ステップ８８４は、上述の図２９のステップ８１０と類似していてもよい。
この幾何学モデルは、セグメントまたはサブ体積に分割してもよい（ステップ８８６）。例えば、図３１は、セグメント８４２に分割された患者の心筋組織のモデル８３８を含む幾何学モデル８４６を示している。ステップ８８６は、上述の図２９のステップ８１２と類似していてもよい。
ステップ８８２で明らかにされた血流情報に基づいて、ステップ８８６で作成される心筋のそれぞれのセグメント８４２に入る血流の灌流を算出することができる（ステップ８８８）。ステップ８８８は、上述の図２９のステップ８１８と類似していてもよい。
心筋のそれぞれのセグメントの算出された灌流は、ステップ８８４または８８６で生成される心筋の幾何学モデル（例えば、図３１に示す患者の心筋組織の三次元幾何学モデル８３８）上に表示することができる（ステップ８９０）。例えば、図３１は、幾何学モデル８３８の心筋のセグメント８４２を異なる陰影または色で図示して、それぞれのセグメント８４２に入る血流の灌流を示し得ることを示している。ステップ８９０は、上述の図２９のステップ８２０と類似していてもよい。
ステップ８９０で心筋の三次元幾何学モデル上にマッピングされた模擬灌流データは、測定された心灌流データ８７５と比較することができる（ステップ８９２）。この比較は、例えば、有限要素メッシュなど、例えば、心筋のボクセルに基づく表示または心筋の異なる離散的表示上で実施することができる。この比較は、心筋の三次元表示上に様々な色及び／または陰影を用いて、模擬の灌流データと測定された灌流データとの差を示すことができる。
ステップ８８０で作成される三次元幾何学モデルの流出口における境界条件を調整して、模擬の灌流データと測定された灌流データとの間の誤差を減少し得る（ステップ８９４）。例えば、誤差を減少させるために、模擬の灌流が測定された灌流よりも低い領域（例えば、セグメント８４２、８６２、または８６７）に供給する血管の規定の流動抵抗を減少させるように、境界条件を調整することができる。境界条件の他のパラメータを調整してもよい。あるいは、モデルの分枝構造を修正してもよい。例えば、ステップ８８０で作成される幾何学モデルは、図３０及び３１に関連して上述したように拡大して、形態計測モデルを作成することができる。境界条件及び／または形態計測モデルのパラメータは、パラメータ推定法またはデータ同化法、例えば、米国特許出願公開第２０１０／００１７１７１号に記載される、「Ｍｅｔｈｏｄ ｆｏｒ Ｔｕｎｉｎｇ Ｐａｔｉｅｎｔ−Ｓｐｅｃｉｆｉｃ Ｃａｒｄｉｏｖａｓｃｕｌａｒ Ｓｉｍｕｌａｔｉｏｎｓ」と題される方法、または他の方法を用いて、経験的または系統的に調整してもよい。
図３２のステップ８８２、８８８、８９０、８９２、８９４、及び／または他のステップは、例えば、模擬の灌流データと測定された灌流データとの誤差が、既定の閾値を下回るまで繰り返してもよい。その結果、解剖学的情報、冠状動脈血流の情報、及び心筋灌流の情報を関連付けるモデルを用いて、コンピュータ分析を実施することができる。かかるモデルは、診断目的で、または薬物療法、インターベンション療法、または手術療法の利益を予測するために有用となり得る。
結果として、三次元医療用画像データから構築した患者固有の幾何学モデルにおいて、安静及び／またはストレス条件下の冠状動脈血流及び心筋灌流を模擬することができる。測定された心筋灌流データを模擬の心筋灌流結果と組み合わせて使用して、模擬の心筋灌流結果が測定された心筋灌流データと所定の許容差内で一致するまで（例えば、図３２に関連して上述したように）、境界条件を調整してもよい。より正確な患者固有の冠状動脈血流計算を提供してもよく、心臓専門医が、最大運動または労作、模擬治療、または他の条件下の患者を模擬する場合など、測定データが入手できないかもしれない状況で、冠状動脈血流及び心筋灌流を予測できるようにしてもよい。
左室及び／または右室心筋の患者固有三次元モデルは、灌流セグメントまたはサブ体積に分割してもよい。また、医療用画像データから明らかにされた冠状動脈の患者固有の三次元幾何学モデルは、灌流サブ体積によって表される心外膜面上あるいは左室及び／または右室心筋壁に包含される一部の残りの冠状動脈ツリーの形態計測モデルと組み合わせて、拡大モデルを形成することができる。拡大モデルにおける所定の位置、例えば罹患位置の下流の全心筋体積の百分率を算出することができる。また、拡大モデルにおける所定の位置（例えば罹患位置）の全心筋血流の百分率を算出することもできる。拡大モデルを用いて、冠状動脈血流及び心筋灌流を計算することができる。また、冠状動脈血流モデルは、模擬の灌流が、測定された灌流データと規定の許容差内で一致するまで修正してもよい。
Ｂ．プラーク脆弱性の評価
また、コンピュータ分析は、患者の大動脈及び冠状動脈（及びそこから延びる分枝）中に蓄積し得るプラーク、例えば冠状動脈のアテローム硬化性プラークに作用する患者固有の生体力学的力を定量化する結果を提供することができる。生体力学的力は、拍動性圧力、流動、及び心臓運動によって生じ得る。
また、コンピュータ分析は、患者の大動脈及び冠状動脈（及びそこから延びる分枝）中に蓄積し得るプラーク、例えば冠状動脈のアテローム硬化性プラークに作用する患者固有の生体力学的力を定量化する結果を提供することができる。生体力学的力は、拍動性圧力、流動、及び心臓運動によって生じ得る。
図３３は、血管壁９０２、例えば主冠状動脈のうちの１つまたはそこから延びる分枝のうちの１つの壁に沿って蓄積したプラーク９００の例を示している。プラークの上流端と下流端との間の圧力及び／または表面積の差は、例えば血管を貫流する血液に起因する、少なくとも血流の方向に沿ってプラーク９００に作用する力９０４を生成し得る。別の力９０６は、少なくとも血管壁９０２に向かい、血管壁９０２に垂直な方向に沿って、プラーク９００の表面に作用し得る。力９０６は、血管を貫流する血液の血圧に起因し得る。さらに別の力９０８は、少なくとも血流の方向に沿ってプラーク９００の表面に作用し得、またこれは、安静時、運動時などの血流力に起因し得る。
また、この結果は、プラーク破裂（例えば、血管壁に蓄積したプラークが、不安定になって破れるまたは裂ける）のリスク及びそのような破裂の影響を受け得る心筋体積も評価する。この結果は、安静時、運動時など様々な模擬生理学的条件下で評価し得る。プラーク破裂のリスクは、模擬のプラーク応力のＣＣＴＡまたはＭＲＩから導かれた材料組成データ（例えば、図２のステップ１００で明らかにされる）を用いて推定されたプラーク強度に対する比として定義することができる。
例えば、図３４は、コンピュータ分析が出力することができる結果の例を示している。この結果には、図３１の三次元幾何学モデル８４６を含み得、これには患者の大動脈及び冠状動脈（及びそこから延びる分枝）の三次元幾何学モデル８３７、ならびにセグメント８４２に分割された患者の心筋組織の三次元幾何学モデル８３８を含み得る。また、この結果は、冠状動脈（またはそこから延びる分枝）のうちの１つにおける、プラークが脆弱であることを明らかとする可能性がある位置９１０も示すことができ、この位置９１０は、より詳細に後述するようにプラーク破裂のリスクの評価に基づいて、及び／またはユーザからの入力に基づいて特定することができる。また、図３４に示すように、心筋のセグメント９１２（複数のセグメント８４２のうちの）は、位置９１０で特定されたプラークの破裂に起因する低灌流の確率が高いと特定することができる。
図３５及び３６は、例示的実施形態により、特定の患者におけるプラーク脆弱性、心筋体積リスク、及び心筋灌流リスクの評価に関連する様々な情報を提供する方法９２０の態様を示す概略図である。方法９２０は、上述のコンピュータシステム、例えば、上述及び図３に示すステップのうちの１つ以上を実施するために使用されるコンピュータシステムで実施してもよい。方法９２０は、１つ以上の入力９２２を用いて実施することができ、またこの方法は、入力９２２に基づいて１つ以上のモデル９３０を生成することと、モデル９３０のうちの１つ以上に基づいて１つ以上の生体力学的分析９４０を実施することと、モデル９３０及び生体力学的分析９４０に基づいて様々な結果を提供することとを含み得る。
入力９２２は、患者の大動脈、冠状動脈（及びそこから延びる分枝）、ならびに心臓の医療画像データ９２３、例えばＣＣＴＡデータ（例えば、図２のステップ１００で取得される）を含んでもよい。また、入力９２２は、患者から測定された追加の生理学的データ９２４、例えば、患者の上腕の血圧、心拍数、及び／または他の測定値（例えば、図２のステップ１００で取得される）も含んでよい。追加の生理学的データ９２４は、非侵襲的に取得してもよい。入力９２２は、モデル９３０を生成するため、及び／または後述の生体力学的分析９４０を実施するために使用することもできる。
上記のように、１つ以上のモデル９３０は、入力９２２に基づいて生成することができる。例えば、方法９２０は、患者の解剖学的形態の三次元幾何学モデル全体の様々な位置における計算された血流及び圧力の情報を含む血行動態モデル９３２を生成することを含み得る。この患者の解剖学的形態のモデルは、医療用画像データ９２３（例えば、図３のステップ３０６で生成される図８のソリッドモデル３２０、及び／または図３のステップ３１２で生成される図１７〜１９のメッシュ３８０）を用いて作成することができ、また、例示的実施形態において、血行動態モデル９３２は、模擬の血圧モデル５０（図１Ａ）、模擬の血流モデル５２（図１Ａ）、ｃＦＦＲモデル５４（図１Ａ）、または例えば図３のステップ４０２に関連して上述したようにコンピュータ分析の実施後に生成される他のシミュレーションであってよい。流体構造体の相互作用モデルを含むソリッド力学モデルは、既知の数値法を用いてコンピュータ分析により解いてもよい。プラーク及び血管の特性は、線形または非線形、等方性または異方性としてモデリングすることができる。この解は、プラーク及びプラークと血管との間の界面の、応力及びひずみを提供し得る。図３６に示す例示的実施形態において、血行動態モデル９３２はｃＦＦＲモデル５４である。
方法９２０は、様々な生理学的状態、例えば安静時や様々なレベルの運動または労作時などに、血流力によってプラーク内腔表面に作用する圧力９０６（図３３）及びせん断応力９０８（図３３）を計算することによって、血行動態モデル９３２を用いて生体力学的分析９４０を実施すること（ステップ９４２）を含んでもよい。圧力９０６及びせん断応力９０８は、血行動態モデル９３２からの情報、例えば血圧及び血流に基づいて算出することができる。
任意により、方法９２０は、四次元画像データ、例えば、心周期の複数の相で、例えば収縮期及び拡張期に取得した画像データから、血管の変形を定量化するための幾何学的分析モデル９３４を生成することも含んでよい。画像データは、様々な既知の画像化方法を用いて取得することができる。幾何学的分析モデル９３４は、例えば心臓運動に起因する、心周期の異なる相の血管の位置、変形、配向、及びサイズに関する情報を含んでもよい。例えば、患者の大動脈、冠状動脈（及びそこから延びる分枝）、及びプラークの様々なタイプの変形（長手方向の延長（伸長）または短縮、ねじれ（捻転）、半径方向の拡張または圧縮、及び屈曲等）は、幾何学的分析モデル９３４によって模擬することができる。
方法９２０は、心臓による拍動性圧力に起因する、患者の大動脈、冠状動脈（及びそこから延びる分枝）、及びプラークの様々な変形の特徴、例えば長手方向の延長（伸長）または短縮、ねじれ（捻転）、半径方向の拡張または圧縮、及び屈曲などを計算することによって、幾何学的分析モデル９３４を用いて生体力学的分析９４０を実施すること（ステップ９４４）を含んでもよい。このような変形の特徴は、幾何学的分析モデル９３４からの情報（例えば、心周期の複数の相にわたる血管の位置、配向、及びサイズの変化）に基づいて算出することができる。
変形の特徴の算出は、モデリングされた形状（例えば、患者の大動脈、冠状動脈（及びそこから延びる分枝）、プラークなどの幾何学的形状）の中央線または表面メッシュを明らかにすることによって簡易化することができる。異なる相間のモデリングされた形状の変化を明らかにするために、分枝口、石灰化病変、及びソフトプラークを目印として使用することができる。目印のない領域では、モデリングされた形状の全長に沿った断面積の輪郭を用いて、２つの画像フレーム間の対応する位置を特定する（２つの画像フレームの「位置合わせ」をする）ことができる。未加工画像データに基づく変形可能な位置合わせアルゴリズムを用いて、三次元の変形場を抽出することができる。次いで、算出された三次元の変形場をモデリングされた形状（例えば、血管全長）と位置を合わせた曲線軸に投影して、変形場の接線成分及び法線成分を計算することができる。モデリングされた形状（例えば、血管の長さ）、分枝分離の角度、及び曲率の収縮期と拡張期との間の得られる差を用いて、血管に生じるひずみを明らかにすることができる。
また、方法９２０は、医療用画像データ９２３からプラークの組成及び特性を明らかにするためのプラークモデル９３６を生成することも含んでよい。例えば、プラークモデル９３６は、プラークの密度及び他の材料特性に関する情報を含んでもよい。
また、方法９２０は、プラーク、血管壁、及び／またはプラークと血管壁との間の界面に関する情報を計算するための血管壁モデル９３８を生成することも含んでよい。例えば、血管壁モデル９３８は、応力及びひずみに関する情報を含んでいてもよく、これはプラークモデル９３６に含まれるプラークの組成及び特性、ステップ９４２で算出される圧力９０６及びせん断応力９０８、及び／またはステップ９４４で算出される変形の特徴に基づいて算出することができる。
方法９２０は、血流力によるプラークに対する応力（例えば、急激または累積的な応力）及び心臓運動によって誘発されるひずみを計算することによって、血管壁モデル９３８を用いて生体力学的分析９４０を実施すること（ステップ９４６）を含んでもよい。例えば、プラークに作用する流動によって誘発される力９０４（図３３）を計算することができる。血流力によるプラークに対する応力または力、及び心臓運動によって誘発されるひずみは、血管壁モデル９３８からの情報、例えばプラークに対する応力及びひずみに基づいて算出することができる。
方法９２０は、モデル９３０のうちの１つ以上の、及び上述の生体力学的分析９４０のうちの１つ以上に基づいて、更なる情報を明らかにすることを含んでもよい。
プラーク破裂の脆弱性指標を算出してもよい（ステップ９５０）。プラーク破裂の脆弱性指標は、例えば、全血行力学的応力、応力頻度、応力方向、及び／またはプラーク強度、または他の特性に基づいて算出することができる。例えば、対象となるプラーク周辺の領域は、プラークの三次元モデル９３０、例えばプラークモデル９３６から分離してもよい。プラークの強度は、プラークモデル９３６に提供される材料特性から明らかにすることができる。拍動性圧力、流動、及び心臓運動に起因する当該プラークに対する血行力学的応力及び組織応力は、ステップ９４６で既に計算された血行力学的応力及び運動によって誘発されるひずみを用いて、模擬ベースライン及び運動（または労作）条件下で算出することができる。プラークの脆弱性は、プラーク応力のプラーク強度に対する比に基づいて評価することができる。
また、心筋体積リスク指標（ＭＶＲＩ）も算出することもできる（ステップ９５２）。ＭＶＲＩは、動脈ツリーにおける所定の位置の血管のプラーク破裂及び閉塞（閉鎖または遮断）の影響を受ける全心筋体積の百分率として定義することができる。ＭＶＲＩは、所定のプラークの下流の血管によって供給を受ける心筋の部分に基づいて算出することができ、これは下流血管のサイズに対するプラークのサイズ、及び三次元血行動態の解に基づくそのプラークが異なる血管に流入する確率を考慮に入れることができる。
心筋をモデリングし、血行動態シミュレーションにおいて各血管によって供給を受けるセグメント８４２に分割することができる（例えば、図３０のステップ８３５及び８４０に関連して記載したように）。幾何学モデルを修正して、冠状動脈ツリーに次世代の分枝８５７を含めるようにしてもよく（例えば、図３０のステップ８５５に関連して記載するように）、心筋をさらにセグメント化してもよい（例えば、図３０のステップ８６０に関連して記載するように）。サブセグメント８６２中に追加の分枝８５７を作成してもよく、このサブセグメント８６２は、より小さいセグメント８６７にさらにセグメント化してもよい（例えば、図３０のステップ８６５に関連して記載するように）。前述のような生理学的関係を用いて、血管サイズと供給を受ける心筋の比例量とを関連付けることができる。
破裂したプラークがたどる潜在的経路を明らかにすることができる。血行動態の解を用いて、プラーク断片または塞栓が異なる下流血管に流入する確率を明らかにすることができる。
破裂したプラークのサイズを下流血管のサイズと比較して、そのプラークが、最終的に血流への障害を生じ得るかどうかを明らかにすることができる。この情報を脆弱性指標と組み合わせて、破裂したプラークの影響を受ける可能性がある心筋の体積の確率分布図を提供することができる。ＭＶＲＩは、影響を受ける可能性のある各セグメントに割り当てることができる。図３４は、遠位血管中の位置９１０における脆弱なプラークが、小面積の心筋に影響を与える高い確率を有するセグメント９１２の例を示している。
また、心筋灌流リスク指標（ＭＰＲＩ）も算出することができる（ステップ９５４）。ＭＰＲＩは、動脈ツリーにおける所定の位置の血管のプラーク破裂及び閉塞の影響を受ける全心筋血流の百分率として定義することができる。例えば、ＬＡＤ動脈の遠位部におけるプラークの破裂は、ＬＡＤ動脈の近位部におけるプラークの破裂よりも低いＭＶＲＩ及び低いＭＰＲＩとなるであろう。しかし、これらの指標は、栄養血管中の脆弱なプラークの影響を受ける一部の心筋の体積に生存能力がない（例えば、心筋梗塞後に形成し得る瘢痕組織により）場合には、異なる可能性がある。したがって、ＭＰＲＩは、ＭＶＲＩによって示されるような影響を受ける体積よりもむしろ、その心筋セグメントへの灌流の潜在的な損失を示す。図３１の各セグメント８４２、８６２、または８６７への灌流速度を算出することができ、脆弱性指標、血行動態の解、ならびにプラーク及び血管のサイズに基づいて、灌流の損失を算出することができる。
その結果、拍動性血圧、拍動性血流、拍動性血液せん断応力、及び／または拍動性心臓運動によるプラーク応力を算出することができ、医療用画像データに基づいてプラーク強度を推定することができ、プラーク脆弱性、心筋体積リスク、及び心筋灌流リスクに関連する指標を定量化することができる。
ＶＩＩＩ．他の用途
上述の実施形態は、患者における冠状動脈血流に関する情報を評価することに関連する。 あるいは、これらの実施形態は、頸動脈、末梢動脈、腹部動脈、腎動脈、大腿動脈、膝窩動脈、及び大脳動脈などであるがこれらに限定されない身体の他の部分における血流に適応してもよい。
上述の実施形態は、患者における冠状動脈血流に関する情報を評価することに関連する。 あるいは、これらの実施形態は、頸動脈、末梢動脈、腹部動脈、腎動脈、大腿動脈、膝窩動脈、及び大脳動脈などであるがこれらに限定されない身体の他の部分における血流に適応してもよい。
Ａ．頭蓋内血流及び頭蓋外血流のモデリング
次に大脳動脈に関する実施形態を説明する。数々の疾患が、頭蓋外動脈または頭蓋内動脈の血流及び血圧に影響を与える、あるいは、それらの影響を受ける可能性がある。頭蓋外動脈、例えば頸動脈及び椎骨動脈のアテローム性動脈硬化症は、脳への血流を制限する可能性がある。重症のアテローム性動脈硬化症は、一過性脳虚血発作または虚血性脳卒中につながる恐れがある。頭蓋内動脈または頭蓋外動脈における動脈瘤疾患は、虚血性脳卒中につながる塞栓形成または出血性脳卒中につながる動脈瘤破裂のリスクをもたらし得る。他の状態、例えば頭部外傷、高血圧、頭部及び頸部の癌、動静脈奇形、起立不耐症なども脳血流に影響を与え得る。さらに、脳血流の減少は、失神などの症状を誘発する、あるいはアルツハイマー病またはパーキンソン病に続発する認知症などの慢性神経疾患に影響を及ぼす恐れがある。
次に大脳動脈に関する実施形態を説明する。数々の疾患が、頭蓋外動脈または頭蓋内動脈の血流及び血圧に影響を与える、あるいは、それらの影響を受ける可能性がある。頭蓋外動脈、例えば頸動脈及び椎骨動脈のアテローム性動脈硬化症は、脳への血流を制限する可能性がある。重症のアテローム性動脈硬化症は、一過性脳虚血発作または虚血性脳卒中につながる恐れがある。頭蓋内動脈または頭蓋外動脈における動脈瘤疾患は、虚血性脳卒中につながる塞栓形成または出血性脳卒中につながる動脈瘤破裂のリスクをもたらし得る。他の状態、例えば頭部外傷、高血圧、頭部及び頸部の癌、動静脈奇形、起立不耐症なども脳血流に影響を与え得る。さらに、脳血流の減少は、失神などの症状を誘発する、あるいはアルツハイマー病またはパーキンソン病に続発する認知症などの慢性神経疾患に影響を及ぼす恐れがある。
頭蓋外または頭蓋内の動脈疾患が既知または疑われる患者は、通常は、非侵襲的診断試験であるＵＳ、ＭＲＩ、ＣＴ、ＰＥＴのうち１つ以上を受けることがある。しかしながら、これらの試験は、ほとんどの患者の頭蓋外動脈及び頭蓋内動脈の解剖学的データ及び生理学的データを効率的に提供することができない場合がある。
図３７は、頭蓋内（頭蓋の内部）及び頭蓋外（頭蓋の外部）の動脈を含む大脳動脈の略図である。患者固有の頭蓋内及び頭蓋外血流に関する情報を明らかにするための方法は、上述の患者固有の冠状動脈血流に関する情報を明らかにするための方法と概して類似していてよい。
図３８は、特定の患者における頭蓋内及び頭蓋外血流に関連する様々な情報を提供する方法１０００の態様を示す概略図である。方法１０００は、例えば上述及び図３に示されるステップのうちの１つ以上を実行するために使用するコンピュータシステムに類似するコンピュータシステムで実行することができる。方法１０００は、１つ以上の入力１０１０を用いて実施してもよく、入力１０１０に基づいて１つ以上のモデル１０２０を生成することと、入力１０１０及び／またはモデル１０２０に基づいて１つ以上の条件１０３０を指定することと、モデル１０２０及び条件１０３０に基づいて１つ以上の解１０４０を導くこととを含んでもよい。
入力１０１０は、患者の頭蓋内動脈及び頭蓋外動脈、例えば、患者の大動脈、頸動脈（図３７に示す）、椎骨動脈（図３７に示す）、及び脳の医療用画像データ１０１１、例えばＣＣＴＡデータ（例えば、図２のステップ１００に関連して上述したものと類似する方式で取得される）を含んでもよい。また、入力１０１０は、患者の上腕血圧、頸動脈血圧（例えば、圧力測定法を用いて）、及び／または他の測定値（例えば、図２のステップ１００に関連して上述したものと類似する方式で取得される）の測定値１０１２も含んでよい。測定値１０１２は、非侵襲的に取得してもよい。入力１０１０を用いて、モデル（複数可）１０２０を生成してもよく、及び／または後述の条件（複数可）１０３０を特定してもよい。
上記のように、１つ以上のモデル１０２０は、入力１０１０に基づいて生成することができる。例えば、方法１０００は、画像データ１０１１に基づいて、患者の頭蓋内動脈及び頭蓋外動脈の１つ以上の患者固有の三次元幾何学モデルを生成することを含んでもよい（ステップ１０２１）。三次元幾何モデル１０２１は、図８のソリッドモデル３２０及び図１７〜図１９のメッシュ３８０を生成するための上述の方法に類似する方法を用いて生成してもよい。例えば、図３のステップ３０６及び３１２に類似するステップを用いて、患者の頭蓋内動脈及び頭蓋外動脈を表す三次元ソリッドモデル及びメッシュを生成してもよい。
再び図３８を参照すると、方法１０００は、１つ以上の物理学に基づく血流モデルを生成することも含んでよい（ステップ１０２２）。例えば、この血流モデルは、ステップ１０２１で生成される患者固有の幾何学モデルを通る流れ、心臓及び動脈循環、遠位頭蓋内及び頭蓋外循環などを表すモデルであってもよい。血流モデルは、図３のステップ３１０に関連して上述したような次数低減モデル、例えば、三次元幾何学モデル１０２１の流入境界及び／または流出境界の集中パラメータモデルまたは分散（一次元波動伝播）モデルなどを含んでもよい。あるいは、流入境界及び／または流出境界は、速度、流量、圧力、または他の特性などに対するそれぞれ規定の値またはフィールドを指定してもよい。あるいは、流入境界を例えば大動脈弓を含む心臓モデルと結合させてもよい。流入及び／または流出境界のパラメータは、心拍出量及び血圧を含むがこれらに限定されない、測定または選択された生理学的状態と一致するように調整してもよい。
上述のように、１つ以上の条件１０３０は、入力１０１０及び／またはモデル１０２０に基づいて明らかにすることができる。条件１０３０は、ステップ１０２２（及び図３のステップ３１０）で明らかにされる境界条件について算出されたパラメータを含む。例えば、方法１０００は、画像データ１０１１（例えば、図３のステップ２４０に関連して上述したものと類似する形で取得される）に基づいて、患者固有の脳または頭部の体積を算出することによって、条件を明らかにすることを含んでもよい（ステップ１０３１）。
方法１０００は、ステップ１０３１で算出された脳または頭部の体積を用いて、関係Ｑ＝Ｑ０Ｍα（式中、αは既定のスケーリング指数であり、Ｍは脳または頭部の体積から測定された脳質量であり、Ｑ０は、既定の定数である）（例えば、図３のステップ３１０で集中パラメータモデルを明らかにすることに関連して上述した生理学的関係と類似する）に基づく安静時脳血流Ｑを算出することによって、条件を明らかにすることを含んでもよい（ステップ１０３２）。あるいは、この関係は、図３のステップ３１０で集中パラメータモデルを明らかにすることに関連して上述したように、ＱαＱｏＭαの形式を有してもよい。
また、方法１０００は、ステップ１０３２で算出された結果の冠血流及び患者の測定された血圧１０１２を用いて、全安静時脳抵抗を算出することによって、条件を明らかにすることも含んでよい（例えば、図３のステップ３１０で集中パラメータモデルを明らかにすることに関連して上述した方法と類似する）（ステップ１０３３）。例えば、ステップ１０３２で特定される三次元幾何学モデル１０２１の流出境界におけるベースライン（安静）条件下の全脳血流Ｑ及び測定された血圧１０１２を用いて、既定の実験的に導かれた方程式に基づいて、流出境界における全抵抗Ｒを明らかにすることができる。抵抗、キャパシタンス、インダクタンス、及び集中パラメータモデルに使用される様々な電気要素に関連する他の変数を境界条件に組込んでもよい（例えば、図３のステップ３１０で集中パラメータモデルを明らかにすることに関連して上述したように）。
また、方法１０００は、ステップ１０３３で算出される全安静時脳抵抗及びモデル１０２０を用いて、個々の頭蓋内動脈及び頭蓋外動脈の個々の抵抗を算出することによって、条件を明らかにすることも含んでよい（ステップ１０３４）。例えば、図３のステップ３１０に関連して上述した方法と同様に、ステップ１０３３で算出される全安静時脳抵抗Ｒは、その個々の頭蓋内動脈及び頭蓋外動脈の遠位端のサイズ（例えば、ステップ１０２１で生成される幾何学モデルから明らかにされる）に基づいて、及び関係Ｒ＝Ｒ０ｄβ（式中、Ｒは特定の遠位端における流動抵抗であり、Ｒ０は既定の定数であり、ｄはサイズ（例えば、遠位端の直径）であり、βは既定のベキ乗指数である）に基づいて、図３のステップ３１０で集中パラメータモデルを明らかにすることに関連して上述したように、個々の頭蓋内動脈及び頭蓋外動脈に分布してもよい。
再び図３８を参照すると、方法１０００は、患者の１つ以上の身体的条件に基づいて、境界条件を調整すること（ステップ１０３５）を含んでもよい。例えば、ステップ１０３１〜１０３４で特定されるパラメータは、解１０４０が、安静、様々なレベルのストレス、様々なレベルの圧受容器反応もしくは他の自律神経フィードバック制御、様々なレベルの充血、様々なレベルの運動、労作、高血圧もしくは低血圧、様々な薬物治療、姿勢の変化、及び／または他の条件を模擬することを意図しているかどうかに基づいて修正してもよい。また、パラメータ（例えば、流出境界の境界条件に関連するパラメータ）は、例えば微小血管機能障害または内皮の健康状態に起因する、頭蓋内動脈及び頭蓋外動脈の血管拡張能（血管が拡大する能力）に基づいて調整してもよい。
入力１０１０、モデル１０２０、及び条件１０３０に基づいて、例えば図３のステップ４０２に関連して上述したようにコンピュータ分析を実施して、ステップ１０３５で選択される身体的条件下で、患者の冠状動脈血流に関する情報を含む解１０４０を明らかにすることができる（ステップ１０４１）。解１０４０から提供することができる情報の例は、図１及び図２１〜図２４に関連して上記に示した例と類似していてよく、例えば、模擬の血圧モデル、模擬の血流モデルなどである。また、この結果は、例えば、流量、全脳血流、血管壁せん断応力、血管壁またはアテローム硬化性プラークまたは動脈瘤に作用するけん引力またはせん断力、粒子／血液滞留時間、血管壁の運動、血液せん断速度などを明らかにするためにも使用することができる。また、これらの結果を用いて、血管系における特定の領域から離れる塞栓が、血液循環によってどこを移動する可能性が最も高いかを分析することができる。
コンピュータシステムは、ユーザが、形状の様々な変化を模擬することを可能にし得る。例えば、モデル１０２０、例えば、ステップ１０２１で生成される患者固有の幾何学モデルは、動脈を閉塞させること（例えば、急性閉塞）の影響を予測するために修正してもよい。癌性腫瘍の除去時など、外科手術のなかには、１つ以上の頭蓋外動脈が損傷を受ける、または切除される可能性がある。したがって、ステップ１０２１で生成される患者固有の幾何学モデルは、頭蓋外動脈のうちの１つ以上への血流を妨げることの影響を模擬するように修正して、患者に十分な血流を供給するための側副路の可能性を予測することもできる。
コンピュータシステムは、ユーザが様々な治療選択肢、例えば急性閉塞の例えばインターベンション修復または外科的修復の結果を模擬することを可能にし得る。このシミュレーションは、上述のような頭蓋内動脈及び頭蓋外動脈を表す三次元ソリッドモデルまたはメッシュを、図２７及び図２８に関連して上述したような次数低減モデルに置き換えることによって、より迅速に実施することができる。結果として、次数低減モデル、例えば一次元モデルまたは集中パラメータモデルは、より効率的かつ迅速に、患者固有のモデルの血流及び血圧の値を求め、その解の結果を表示することができる。
特定の患者による血管拡張剤／刺激に対する応答は、安静時の患者の血行動態情報に基づいて、または異なる病状の集団に基づくデータに基づいて予測することができる。例えば、ベースライン（安静時）では、シミュレーションは、ベキ乗則及び脳質量に基づいて指定される流量分布（例えば、ステップ１０３２に関連して上述したように）を用いて実行される（例えば、ステップ１０４１に関連して上述したように）。抵抗値（例えば、ステップ１０３３及び１０３４で決定される）は、十分な灌流を可能にするように調整してもよい。あるいは、糖尿病、薬物治療、及び過去の心イベントなどの因子を有する患者集団からのデータを使用して、異なる抵抗を指定する。安静条件下の抵抗の調整は、単独で、または血行動態情報（例えば、血管壁せん断応力、または流量と血管サイズとの関係）と組み合わせて、遠位大脳血管が拡張する残存能力を明らかにするために使用することができる。安静時の流量要件を満たすために抵抗の減少が必要な患者、または流量の血管サイズに対する比が高い患者は、生理的ストレス下でその血管をさらに拡張する能力が低下している可能性がある。
大脳動脈の個々のセグメントにわたる流量及び圧力の勾配（例えば、ステップ１０４１で特定される）を用いて、大脳動脈抵抗を計算することができる。 大脳抵抗は、医療用画像データから生成される患者固有の幾何学モデル（例えば、ステップ１０２１で生成される）に含まれる頭蓋外動脈及び頭蓋内動脈の一部の等価抵抗として算出することができる。大脳抵抗は、頭蓋外動脈及び／または頭蓋内動脈にびまん性アテローム性動脈硬化症を有する患者が、なぜ失神（一時的な意識消失または姿勢喪失、例えば気絶）または虚血（血液供給の制約）の症状を示し得るのかを説明する際に、臨床的意義を有し得る。
また、ベースラインまたは変更した生理学条件下の脳組織体積（または質量）単位当たりの流量は、例えばステップ１０４１で明らかにされる流量情報、及びステップ１０３１で算出される脳組織の体積または質量に基づいて算出することができる。この計算は、血流減少の慢性神経障害に対する影響を理解する際に有用となり得る。また、この計算は、薬物療法、例えば降圧剤の投与量を選択または改良する際にも有用となり得る。追加的な結果には、外傷、脳震盪、外的生理ストレス、過剰重力、無重力状態、宇宙飛行、深海減圧（例えば、潜水病）などの影響の定量化を含み得る。
この複合された患者固有の解剖学的（幾何学的）及び生理学的（物理学に基づく）モデルを用いて、大脳動脈血流に対する、心拍数、一回拍出量、血圧、または大脳動脈微小循環機能を変更する、様々な薬物治療または生活様式の変化（例えば、喫煙の中止、食事の変化、または身体活動の増加）の効果を明らかにすることができる。また、この複合モデルを用いて、代替的な形態及び／または様々なレベルの身体活動または潜在的な外部力への暴露の危険性（例えば、サッカーのプレイ時、宇宙飛行中、スキューバダイビング時、航空機飛行中など）の大脳動脈血流に対する影響を明らかにしてもよい。このような情報を用いて、特定の患者に対して安全かつ効果的であり得る身体活動のタイプ及びレベルを特定することができる。また、この複合モデルを用いて、大脳動脈血流に対する経皮インターベンションの潜在的利益を予測して、最適なインターベンション戦略を選択する、及び／または大脳動脈血流に対する頸動脈血管内膜切除術または外頸動脈から内頸動脈へのバイパス術の潜在的利益を予測して、最適な手術戦略を選択することもできる。
また、この複合モデルを用いて、大脳動脈血流に対する動脈疾患の負担の増加の潜在的な有害効果を例証し、機械論的もしくは現象論的な疾患進行モデルまたは経験データを用いて、進行中の疾患が脳への血流にいつ障害を引き起こし得るかを予測することもできる。このような情報は、初期に非侵襲的な画像化を用いて血行動態的に重要な疾患を有さないと観察された患者が、薬物療法、インターベンション療法、または手術療法を要すると見込まれないであろう「保証期間」、あるいは有害因子が継続した場合に進行が発生し得る速度の特定を可能にし得る。
また、この複合モデルを用いて、疾患の負担の減少から生じる大脳動脈血流に対する潜在的な有益効果を例証し、機械論的もしくは現象論的な疾患進行モデルまたは経験データを用いて、疾患の退行が、疾患の退行がいつ脳への血流の増加を引き起こし得るかを予測することもできる。このような情報を用いて、以下に限定されないが、食事の変更、身体活動の増加、スタチンまたは他の薬物治療の処方などの医学的管理プログラムの指針とすることができる。
また、この複合モデルは、動脈を閉塞させることの影響を予測するために使用することもできる。癌性腫瘍の除去など、一部の外科手術において、一部の頭蓋外動脈が損傷を受ける、または切除される可能性がある。頭蓋外動脈のうちの１つへの血流を妨げることの影響を模擬することは、特定の患者に十分な血流を供給するための側副路の可能性の予測を可能とし得る。
ｉ．脳灌流の評価
他の結果を算出することもできる。例えば、コンピュータ分析は、脳灌流（大脳を通る血流）を定量化する結果を提供することができる。脳灌流の定量化は、減少した脳血流の領域を特定するのに役立ち得る。
他の結果を算出することもできる。例えば、コンピュータ分析は、脳灌流（大脳を通る血流）を定量化する結果を提供することができる。脳灌流の定量化は、減少した脳血流の領域を特定するのに役立ち得る。
図３９は、例示的実施形態による、特定の患者における脳灌流に関連する様々な情報を提供する方法１０５０に関連する概略図を示す。方法１０５０は、例えば上述及び図３に示すステップのうちの１つ以上を実施するために使用されるコンピュータシステムと類似する、上述のコンピュータシステムで実施してもよい。
方法１０５０は、１つ以上の入力１０５２を用いて実施してもよい。入力１０５２は、患者の頭蓋内動脈及び頭蓋外動脈、例えば、患者の大動脈、頸動脈（図３７に示す）、椎骨動脈（図３７に示す）、及び脳の医療用画像データ１０５３、例えばＣＣＴＡデータ（例えば、図２のステップ１００に関連して上述したものと類似する方式で取得される）を含んでもよい。また、入力１０５２は、患者から測定された追加の生理学的データ１０５４、例えば患者の上腕血圧、心拍数、及び／または他の測定値（例えば、図２のステップ１００に関連して上述したものと類似する方式で取得される）も含んでよい。追加の生理学的データ１０５４は、非侵襲的に取得してもよい。入力１０５２を用いて、後述のステップを実施することができる。
患者の脳組織の三次元幾何学モデルを画像データ１０５３に基づいて作成してもよく（ステップ１０６０）、この幾何学モデルをセグメントまたは体積に分割してもよい（ステップ１０６２）（例えば、図２９〜３２に関連して上述するものと類似する方式で）。個々のセグメントのサイズ及び位置は、頭蓋内動脈及び頭蓋外動脈の流出境界の位置、それぞれのセグメント内の血管またはそれぞれのセグメントに連結する血管（例えば、隣接血管）のサイズなどに基づいて明らかにすることができる。幾何学モデルのセグメントへの分割は、様々な既知の方法、例えば高速マーチング法、一般化高速マーチング法、レベルセット法、拡散方程式、多孔質媒体中の流れを支配する方程式などを用いて実施することができる。
また、三次元幾何学モデルは、患者の頭蓋内動脈及び頭蓋外動脈の一部も含んでよく、これは画像データ１０５３に基づいてモデリングすることができる（ステップ１０６４）。例えば、ステップ１０６２及び１０６４において、脳組織ならびに頭蓋内動脈及び頭蓋外動脈を含む三次元幾何学モデルを作成してもよい。
コンピュータ分析は、例えば図３のステップ４０２に関連して上述したように実施して、ユーザによって明らかにされる身体的条件下で、患者の大脳動脈血流に関する情報を含む解を明らかにするこができる（ステップ１０６６）。例えば、身体的条件は、安静、様々なレベルのストレス、様々なレベルの圧受容器反応または他の自律神経フィードバック制御、様々なレベルの充血、様々なレベルの運動または労作、異なる薬物治療、姿勢の変化、及び／または他の条件を含んでもよい。この解は、ステップ１０６４でモデリングされた患者の解剖学的形態中の様々な位置において、特定の身体的条件下で、血流及び圧力などの情報を提供することができる。コンピュータ分析は、集中パラメータモデルまたは一次元モデルから導かれる流出境界の境界条件を用いて実施してもよい。図４０に関連して後述するように、一次元モデルを作成して、脳組織のセグメントを埋めてもよい。
ステップ１０６６で明らかにされる血流情報に基づいて、ステップ１０６２で作成される脳のそれぞれのセグメントに入る血流の灌流を算出することができる（ステップ１０６８）。例えば、この灌流は、流出境界の各流出口からの流量をその流出口が灌流するセグメント化された脳の体積で除するによって算出することができる。
ステップ１０６８で明らかにされる脳のそれぞれのセグメントの灌流は、ステップ１０６０または１０６２で生成される脳の幾何学モデル上に表示することができる（ステップ１０７０）。例えば、ステップ１０６０で作成された幾何学モデル中に示される脳のセグメントを異なる陰影または色で図示して、それぞれのセグメントに入る血液の灌流を示すことができる。
図４０は、例示的実施形態による、特定の患者における脳灌流に関連する様々な情報を提供する方法１１００に関連する別の概略図を示している。方法１１００は、例えば上述及び図３に示すステップのうちの１つ以上を実施するために使用されるコンピュータシステムと類似する、上述のコンピュータシステムで実施してもよい。
方法１１００は、１つ以上の入力１１０２を用いて実施することができ、この入力には患者の大動脈、頸動脈（図３７に示す）、椎骨動脈（図３７に示す）、及び脳の医療用画像データ１１０３、例えばＣＣＴＡデータ（例えば、図２のステップ１００に関連して上述したものと類似する方式で取得される）を含んでもよい。入力１１０２を用いて、後述のステップを実施することができる。
患者の脳組織の三次元幾何学モデルは、画像データ１１０３に基づいて作成することができる（ステップ１１１０）。また、モデルは、患者の大動脈、頸動脈（図３７に示す）、及び椎骨動脈（図３７に示す）の一部も含んでよく、これは画像データ１１０３に基づいて作成してもよい。例えば、上述のように、脳組織ならびに頭蓋内動脈及び頭蓋外動脈を含む三次元幾何学モデルを作成することができる。ステップ１１１０は、上述の図３９のステップ１０６０及び１０６４を含んでもよい。
ステップ１１１０で作成される幾何脳組織モデルは、体積またはセグメントに分割することができる（ステップ１１１２）。ステップ１１１２は、上述の図３９のステップ１０６２を含んでもよい。また、幾何脳組織モデルをさらに修正して、脳のツリーに次世代の分枝を含めてもよい（ステップ１１１８）（例えば、図２９〜３２に関連して上述するものと類似する方式で）。分枝の位置及びサイズは、頭蓋内動脈及び頭蓋外動脈の中央線に基づいて明らかにすることができる。この中央線は、例えば画像データ１１０３に基づいて明らかにすることができる（ステップ１１１４）。また、アルゴリズムを用いて、形態計測モデル（流出境界の既知の流出口の下流の血管の位置及びサイズを予測するために使用されるモデル）及び／または血管サイズに関連する生理学的分枝の法則に基づいて、分枝の位置及びサイズを特定してもよい（ステップ１１１６）。この形態計測モデルは、幾何学モデルに含まれる頭蓋内動脈及び頭蓋外動脈の下流端まで拡大し、脳組織の外層上に提供しても、または脳組織の幾何学モデル内に含めてもよい。
ステップ１１１８で作成される分枝に基づいて、脳をさらにセグメント化してもよい（ステップ１１２０）（例えば、図２９〜３２に関連して上述したものと類似する方式で）。サブセグメント中に追加分枝を作成してもよく、このサブセグメントは、より小さいセグメントにさらにセグメント化してもよい（ステップ１１２２）（例えば、図２９〜３２に関連して上述したものと類似する方式で）。分枝を作成し、体積をサブセグメント化するステップは、所望の体積サイズ及び／または分枝サイズの分解能が得られるまで繰り返してもよい。次いで、ステップ１１１８及び１１２２で新しい分枝を含むように拡大された幾何学モデルは、サブセグメント、例えばステップ１１２２で生成されるサブセグメントに入る脳血流及び脳灌流を計算するために使用することができる。
したがって、拡大モデルを用いて、上述のコンピュータ分析を実施することができる。コンピュータ分析の結果は、患者固有の大脳動脈モデルから、ステップ１１２２で生成された各灌流サブセグメント内にまで延長してもよい、生成された形態計測モデル（ステップ１１１８及び１１２２で生成される分枝を含む）に入る血流に関連する情報を提供することができる。
図４１は、例示的実施形態による、特定の患者における脳灌流に関連する様々な情報を提供する方法１１５０に関連する別の概略図を示している。方法１１５０は、上述のコンピュータシステム、例えば、上述及び図３に示すステップのうちの１つ以上を実施するために使用されるコンピュータシステムで実施してもよい。
方法１１５０は、１つ以上の入力１１５２を用いて実施することができる。入力１１５２には患者の大動脈、頸動脈（図３７に示す）、椎骨動脈（図３７に示す）、及び脳の医療用画像データ１１５３、例えばＣＣＴＡデータ（例えば、図２のステップ１００に関連して上述したものと類似する方式で取得される）を含んでもよい。また、入力１１５２は、患者から測定された追加の生理学的データ１１５４、例えば、患者の上腕の血圧、心拍数、及び／または他の測定値（例えば、図２のステップ１００で取得される）も含んでよい。追加の生理学的データ１１５４は、非侵襲的に取得してもよい。入力１１５２は、患者から（例えば、ＣＴ、ＰＥＴ、ＳＰＥＣＴ、ＭＲＩなどを用いて）測定された脳灌流データ１１５５を更に含んでもよい。入力１１５２を用いて、後述のステップを実施することができる。
患者の頭蓋内動脈及び頭蓋外動脈の三次元幾何学モデルは、画像データ１１５３に基づいて作成することができる（ステップ１１６０）。ステップ１１６０は、上述の図３９のステップ１０６４と類似していてもよい。
コンピュータ分析は、例えば図３のステップ４０２に関連して上述したように実施して、ユーザによって明らかにされる身体的条件下で、患者の大脳動脈血流に関する情報を含む解を明らかにするこができる（ステップ１１６２）。例えば、身体的条件は、安静、様々なレベルのストレス、様々なレベルの圧受容器反応または他の自律神経フィードバック制御、様々なレベルの充血、様々なレベルの運動または労作、異なる薬物治療、姿勢の変化、及び／または他の条件を含んでもよい。この解は、ステップ１１６０でモデリングされた患者の解剖学的形態中の様々な位置において、特定の身体的条件下で、血流及び圧力などの情報を提供することができる。ステップ１１６２は、上述の図３９のステップ１０６６と類似していてもよい。
また、患者の脳組織の三次元幾何学モデルは、画像データ１１５３に基づいて作成することができる（ステップ１１６４）。例えば、ステップ１１６０及び１１６４において、脳組織ならびに頭蓋内動脈及び頭蓋外動脈を含む三次元幾何学モデルを作成してもよい。ステップ１１６４は、上述の図３９のステップ１０６０と類似していてもよい。
この幾何学モデルは、セグメントまたはサブ体積に分割してもよい（ステップ１１６６）。ステップ１１６６は、上述の図３９のステップ１０６２と類似していてもよい。
ステップ１１６２で明らかにされる血流情報に基づいて、ステップ１１６６で作成される脳組織のそれぞれのセグメントに入る血流の灌流を算出することができる（ステップ１１６８）。ステップ１１６８は、上述の図３９のステップ１０６８と類似していてもよい。
算出される脳組織のそれぞれのセグメントの灌流は、ステップ１１６４または１１６６で生成される脳組織の幾何学モデル上に表示することができる（ステップ１１７０）。ステップ１１７０は、上述の図３９のステップ１０７０と類似していてもよい。
ステップ１１７０で脳組織の三次元幾何学モデル上にマッピングされた模擬の灌流データは、測定された脳灌流データ１１５５と比較することができる（ステップ１１７２）。この比較は、脳組織の三次元表示上に様々な色及び／または陰影を用いて、模擬の灌流データと測定された灌流データとの差を示すことができる。
ステップ１１６０で作成される三次元幾何学モデルの流出口における境界条件を調整して、模擬の灌流データと測定された灌流データとの間の誤差を減少させてもよい（ステップ１１７４）。例えば、誤差を減少させるために、模擬の灌流が測定された灌流よりも低い領域（例えば、ステップ１１１６で作製されたセグメント）に供給する血管の規定の流動抵抗を減少させるように、境界条件を調整することができる。境界条件の他のパラメータを調整してもよい。あるいは、モデルの分枝構造を修正してもよい。例えば、ステップ１１６０で作成される幾何学モデルは、図４０に関連して上述したように拡大して、形態計測モデルを作成することができる。境界条件及び／または形態計測モデルのパラメータは、パラメータ推定法またはデータ同化法、例えば、米国特許出願公開第２０１０／００１７１７１号に記載される、「Ｍｅｔｈｏｄ ｆｏｒ Ｔｕｎｉｎｇ Ｐａｔｉｅｎｔ−Ｓｐｅｃｉｆｉｃ Ｃａｒｄｉｏｖａｓｃｕｌａｒ Ｓｉｍｕｌａｔｉｏｎｓ」と題される方法、または他の方法を用いて、経験的または系統的に調整してもよい。
図４１のステップ１１６２、１１６８、１１７０、１１７２、１１７４、及び／または他のステップは、例えば、模擬の灌流データと測定された灌流データとの誤差が、既定の閾値を下回るまで繰り返してもよい。その結果、解剖学的情報、脳血流情報、及び脳灌流情報を関連付けるモデルを用いて、コンピュータ分析を実施することができる。かかるモデルは、診断目的で、または薬物療法、インターベンション療法、または手術療法の利益を予測するために有用となり得る。
その結果、ベースライン条件または変更した生理的状態の下での頭蓋外及び頭蓋内の動脈血流及び脳灌流を計算することができる。脳灌流データを模擬の脳灌流結果と組み合わせて使用して、模擬の脳灌流結果が測定された脳灌流データと所定の許容差内で一致するまで、頭蓋内動脈血流計算の境界条件を調整してもよい。したがって、より正確な患者固有の頭蓋外及び頭蓋内動脈血流計算を提供してもよく、医師は、特定の身体的条件、例えば、運動、労作、姿勢の変化、または模擬の治療時など、測定データが入手できないかもしれないときに、大脳動脈の血流及び脳灌流を予測することができる。患者固有の脳の三次元モデルは、灌流セグメントまたはサブ体積に分割してもよく、患者が脳の様々な領域への十分な最低限の灌流を受けているかどうかを明らかにしてもよい。
患者固有の頭蓋内動脈の三次元幾何学モデルを医療用画像データから生成して、灌流セグメントまたはサブ体積によって表される残りの頭蓋内動脈ツリーの一部の形態計測モデル（例えば、図４０に関連して上述するような）と組み合わせて、拡大モデルを形成することができる。拡大モデルにおける所定の位置、例えば罹患位置の下流の全脳体積（または質量）の百分率を算出することができる。また、拡大モデルにおける所定の位置、例えば罹患位置の全脳血流の百分率を算出することもできる。さらに、機能的な画像化研究（例えば、機能的な磁気共鳴画像化（ｆＭＲＩ））、灌流ＣＴまたはＭＲＩで認められる欠陥から、栄養血管障害、解剖学的変異、自動調節機構障害、低血圧、または他の病態を突き止めることができ、これは虚血性脳卒中、失神、起立不耐症、外傷、または慢性神経疾患を有する患者に有用となり得る。
ｉｉ．プラーク脆弱性の評価
また、コンピュータ分析は、患者の頭蓋内動脈及び頭蓋外動中に蓄積し得るプラーク、例えば頸動脈アテローム硬化性プラークに作用する患者固有の生体力学的力を定量化する結果を提供することができる。生体力学的力は、拍動性圧力、流動、及び頸部動作によって生じ得る。
また、コンピュータ分析は、患者の頭蓋内動脈及び頭蓋外動中に蓄積し得るプラーク、例えば頸動脈アテローム硬化性プラークに作用する患者固有の生体力学的力を定量化する結果を提供することができる。生体力学的力は、拍動性圧力、流動、及び頸部動作によって生じ得る。
図４２は、例示的実施形態による、特定の患者におけるプラーク脆弱性、脳体積リスク、脳灌流リスクの評価に関連する様々な情報を提供する方法１２００の態様を示す概略図である。方法１２００は、例えば上述及び図３に示すステップのうちの１つ以上を実施するために使用されるコンピュータシステムと類似する、上述のコンピュータシステムで実施してもよい。方法１２００は、１つ以上の入力１２０２を用いて実施することができ、またこの方法は、入力１２１０に基づいて１つ以上のモデル１２０２を生成することと、モデル１２１０のうちの１つ以上に基づいて１つ以上の生体力学的分析１２２０を実施することと、モデル１２１０及び生体力学的分析１２２０に基づいて様々な結果を提供することを含み得る。
入力１２０２は、患者の頭蓋内動脈及び頭蓋外動脈、例えば、患者の大動脈、頸動脈（図３７に示す）、椎骨動脈（図３７に示す）、及び脳の医療画像データ１２０３、例えばＣＣＴＡデータ（例えば、図２のステップ１００に関連して上述したものと類似する方式で取得される）を含んでもよい。また、入力１２０２は、患者から測定された追加の生理学的データ１２０４、例えば患者の上腕血圧、心拍数、及び／または他の測定値（例えば、図２のステップ１００に関連して上述したものと類似する方式で取得される）も含んでよい。追加の生理学的データ１２０４は、非侵襲的に取得してもよい。入力１２０２は、モデル１２１０を生成するため、及び／または後述の生体力学的分析１２２０を実施するために使用することもできる。
上記のように、１つ以上のモデル１２１０は、入力１２０２に基づいて生成することができる。例えば、方法１２００は、患者の解剖学的形態の三次元幾何学モデル全体の様々な位置における計算された血流及び圧力の情報を含む血行動態モデル１２１２を生成することを含み得る。患者の解剖学的形態のモデルは、医療用画像データ１２０３を用いて作成することができ、また例示的実施形態において、血行動態モデル１２１２は、模擬の血圧モデル、模擬の血流モデル、または例えば図３のステップ４０２に関連して上述したようにコンピュータ分析の実施後に生成される他のシミュレーションであってよい。 流体構造体の相互作用モデルを含むソリッド力学モデルは、既知の数値法を用いてコンピュータ分析により解いてもよい。プラーク及び血管の特性は、線形または非線形、等方性または異方性としてモデリングすることができる。この解は、プラーク及びプラークと血管との間の界面の、応力及びひずみを提供し得る。血行動態モデル１２１２を生成するためのステップは、上述の図３５の血行動態モデル９３２を生成するためのステップと類似していてもよい。
方法１２００は、様々な生理学的状態、例えば安静時や様々なレベルの運動または労作時などに、血流力によってプラーク内腔表面に作用する圧力及びせん断応力を計算することによって、血行動態モデル１２１２を用いて生体力学的分析１２２０を実施すること（ステップ１２２２）を含んでもよい。圧力及びせん断応力は、血行動態モデル１２１２からの情報、例えば血圧及び血流に基づいて算出することができる。ステップ１２２２は、上述の図３５のステップ９４２と類似していてもよい。
任意により、方法１２００は、図３５の幾何学的分析モデル９３４について上述したものと類似する方式で、四次元画像データ、例えば、心周期の複数の相で、例えば収縮期及び拡張期に取得した画像データから、血管の変形を定量化するための幾何学的分析モデルを生成することも含んでよい。また、方法１２００は、図３５のステップ９４４について上述したものと類似する方式で、心臓による拍動性圧力に起因する、患者の頭蓋内動脈及び頭蓋外動脈ならびにプラークの様々な変形の特徴、例えば長手方向の延長（伸長）または短縮、ねじれ（捻転）、半径方向の拡張または圧縮、及び屈曲など計算することによって、幾何学的分析モデルを用いて生体力学的分析１２２０を実施することも含んでよい。
また、方法１２００は、医療用画像データ１２０３からプラークの組成及び特性を明らかにするためのプラークモデル１２１４を生成することも含んでよい。例えば、プラークモデル１２１４は、プラークの密度及び他の材料特性に関する情報を含んでもよい。
また、方法１２００は、プラーク、血管壁、及び／またはプラークと血管壁との間の界面に関する情報を計算するための血管壁モデル１２１６を生成することも含んでよい。例えば、血管壁モデル１２１６は、応力及びひずみに関する情報を含んでもよく、これはプラークモデル１２１４に含まれるプラークの組成及び特性、ならびにステップ１２２０で算出される圧力及びせん断応力に基づいて算出することができる。任意により、応力及びひずみは、上述のように、算出された変形の特徴を用いて算出してもよい。プラークモデル１２１４及び／または血管壁モデル１２１６を生成するためのステップは、上述の図３５のプラークモデル９３６及び／または血管壁モデル９３８を生成するためのステップと類似していてもよい。
方法１２００は、血流力によるプラークに対する応力及び頸部動作によって誘発されるひずみを計算することによって、血管壁モデル１２１６を用いて生体力学的分析１２２０を実施すること（ステップ１２２４）を含んでもよい。例えば、プラークに作用する流動によって誘発される力９０４（図３３）を計算することができる。血流力によるプラークに対する応力または力、及び頸部動作によって誘発されるひずみは、血管壁モデル１２１６からの情報、例えばプラークに対する応力及びひずみに基づいて算出することができる。ステップ１２２４は、上述の図３５のステップ９４６と類似していてもよい。
方法１２００は、モデル１２１０のうちの１つ以上の、及び上述の生体力学的分析１２２０のうちの１つ以上に基づいて、更なる情報を明らかにすることを含んでもよい。
プラーク破裂の脆弱性指標を算出してもよい（ステップ１２３０）。プラーク破裂の脆弱性指標は、例えば、血行力学的応力、応力頻度、応力方向、及び／またはプラーク強度、または他の特性に基づいて算出することができる。例えば、対象となるプラーク周辺の領域は、プラークの三次元モデル１２１０、例えばプラークモデル１２１４から分離してもよい。プラークの強度は、プラークモデル１２１４に提供される材料特性から明らかにすることができる。拍動性圧力、流動、及び頸部動作に起因する当該プラークに対する血行力学的応力及び組織応力は、ステップ１２２４で既に計算された血行力学的応力及び運動によって誘発されるひずみを用いて、模擬ベースライン及び運動（または労作）条件下で算出することができる。プラークの脆弱性は、プラーク応力のプラーク強度に対する比に基づいて評価することができる。ステップ１２３０は、上述の図３５のステップ９５０と類似していてもよい。例えば、脳卒中の評価のために、頭蓋外動脈内に位置するプラークのプラーク破裂の脆弱性指標を算出することができる。
また、脳体積リスク指標（ＣＶＲＩ）も算出することができる（ステップ１２３２）。ＣＶＲＩは、動脈ツリーにおける所定の位置の血管のプラーク破裂または塞栓形成及び閉塞（閉鎖または遮断）の影響を受ける全脳体積の百分率として定義することができる。ＣＶＲＩは、所定のプラークの下流の血管によって供給を受ける脳の部分に基づいて算出することができ、これは下流血管のサイズに対するプラークのサイズ、及び三次元血行動態の解に基づく、そのプラークが異なる血管に流入する確率を考慮に入れることができる。ＣＶＲＩは、疾患状態、またはインターベンションの前もしくは後に評価することができる。ステップ１２３２は、上述の図３５のステップ９５２と類似していてもよい。
脳組織をモデリングし、血行動態シミュレーションにおいて各血管によって供給を受けるセグメントに分割することができる（例えば、図４０のステップ１１１０及び１１１２に関連して記載したように）。幾何学モデルを修正して、脳のツリーに次世代の分枝を含めるようにしてもよく（例えば、図４０のステップ１１１８に関連して記載するように）、脳組織をさらにセグメント化してもよい（例えば、図４０のステップ１１２０に関連して記載するように）。サブセグメント中に追加分枝を作成してもよく、このサブセグメントは、より小さいセグメントにさらにセグメント化してもよい（例えば、図４０のステップ１１２２に関連して記載するように）。前述のような生理学的関係を用いて、血管サイズと供給を受ける脳組織の比例量と関連付けることができる。
破裂したプラークがたどる潜在的経路を明らかにすることができる。血行動態の解を用いて、プラーク断片または塞栓が異なる下流血管に流入する確率を明らかにすることができる。
破裂したプラークのサイズを下流血管のサイズと比較して、そのプラークが、最終的に血流への障害を生じ得るかどうかを明らかにすることができる。この情報を脆弱性指標と組み合わせて、破裂したプラークの影響を受ける可能性がある脳組織の体積の確率分布図を提供することができる。ＣＶＲＩは、影響を受ける可能性のある各セグメントに割り当てることができる。
また、脳灌流リスク指標（ＣＰＲＩ）も算出することができる（ステップ１２３４）。ＣＰＲＩは、動脈ツリーにおける所定の位置の血管のプラーク破裂及び閉塞の影響を受ける全脳血流の百分率として定義することができる。ＣＰＲＩは、ＣＶＲＩによって示されるような影響を受ける体積よりもむしろ、その脳組織セグメントへの灌流の潜在的な損失を示す。例えば、頸動脈プラークの破裂または塞栓の影響は、患者のウィリス輪（図３７に示す）の形状に応じて異なり得、このような解剖学的形態の違いによって、異なるＣＶＲＩ値及びＣＰＲＩ値をもたらし得る。脳組織の各セグメントへの灌流速度を算出することができ、脆弱性指標、血行動態の解、ならびにプラーク及び血管のサイズに基づいて、灌流の損失を算出することができる。ＣＰＲＩは、疾患状態、またはインターベンションの前もしくは後に評価することができる。ステップ１２３４は、上述の図３５のステップ９５４と類似していてもよい。
その結果、拍動性圧力、拍動性血流、及び／または場合によっては頸部動作に起因する、頸動脈アテローム硬化性プラークに作用する生体力学的力を評価することができる。拍動性圧力、拍動性血流、及び／または場合によっては頸部動作に起因する、プラークが受ける全応力は、定量化することもできる。この解は、プラークまたはプラークと血管壁との間の界面に作用する患者固有の血行力学的応力の複数の原因を考慮に入れることができる。また、プラーク強度は、医療用画像データに基づいて推定することができ、また、プラーク脆弱性、脳体積リスク、及び脳灌流リスクに関連する指標を定量化することができる。
後述のように頭蓋外動脈及び頭蓋内動脈の解剖学的データ及び生理学的データを明らかにすることによって、様々な身体的条件の特定の患者について、動脈レベルまたは器官レベルで血流の変化を予測することができる。さらに、他の情報、例えば、一過性脳虚血発作、虚血性脳卒中、または動脈瘤破裂のリスク、アテローム硬化性プラークまたは動脈瘤に作用する力、頭蓋内または頭蓋外の血流、血圧、血管壁応力、または脳灌流に対する、薬物療法、インターベンション療法、または手術療法の予想される影響を提供してもよい。頭蓋内動脈または頭蓋外動脈中の血流、血圧、及び血管壁応力、ならびに全脳灌流及び局所脳灌流を定量化することもでき、疾患の機能的重要性を明らかにすることもできる。
画像データから構築された三次元幾何学モデルにおいて血流を定量化すること（例えば、ステップ１２１２で上述したように）に加え、このモデルを修正して、疾患の進行もしくは退行、または医学的、経皮的、もしくは外科的インターベンションの影響を模擬することもできる。例示的実施形態において、アテローム性動脈硬化症の進行は、経時的に解を反復するによって、例えば、せん断応力または粒子滞留時間の値を求め、血行動態因子及び／または患者固有の生化学的測定値に基づいて、幾何学モデルをアテローム硬化性プラークの発達を進行させるように適合させることによってモデリングすることができる。さらに、頭蓋外及び／または頭蓋内の動脈血流または脳灌流に対する、血流、心拍数、血圧、及び他の生理学的変数の変化の影響を境界条件の変更によってモデリングし、経時的なこれらの変数の累積的影響を算出するために使用してもよい。
いかなる実施形態に記載されるいかなる態様も、本明細書に記載される他のいかなる実施形態で使用してもよい。本明細書に記載されるあらゆる装置及び器具は、いかなる好適な医療手順において使用してもよく、好適な身体内腔及び体腔によって前進させてもよく、またいかなる好適な身体部分を画像化するために使用してもよい。
本開示の範囲から逸脱することなく、開示されるシステム及びプロセスに様々な修正及び変更を行うことが可能であることは、当業者には明らかであろう。本明細書を考慮し、本明細書の開示を実施することにより、他の実施形態が当業者に明らかとなるであろう。本明細書及び実施例は、例示のみとしてみなされるよう意図され、本開示の実際の範囲及び趣旨は、以下の特許請求の範囲によって示される。
Claims (30)
- 患者の心血管情報を決定するためのシステムであって、前記システムが、
受信した患者固有のデータを用いて患者の解剖学的形態の内腔における少なくとも１つの着目位置を表す第１の幾何学モデルを取得することと、
前記第１の幾何学モデルの前記内腔における前記着目位置で前記患者の解剖学的形態内の第１の血流量を決定することと、
前記第１の幾何学モデルの前記内腔の内腔幾何学的形状の変化を受信することと、
前記第１の幾何学モデルの前記内腔幾何学的形状の変化を組み込むことによって前記第１の幾何学モデルを修正することと、
前記第１の幾何学モデルの前記着目位置と同等な前記修正された幾何学モデルの位置で第２の血流量を決定することと、
前記修正された幾何学モデルから算出された前記第２の血流量の前記第１の幾何学モデルから算出された前記第１の血流量に対する比を計算することによって前記患者の血流の特徴を決定することと
を実行するように構成された少なくとも１つのコンピュータシステムを含む、システム。 - 前記第１の幾何学モデルが、三次元モデルである、請求項１に記載のシステム。
- 前記第１の幾何学モデルを修正することが、前記第１の幾何学モデルの前記着目位置の近位にある１つまたは複数の解剖学的制限を除去することを含む、請求項１に記載のシステム。
- 前記第１の幾何学モデルが、大動脈の少なくとも一部と、前記大動脈の一部から生じる複数の冠状動脈の少なくとも一部とを含む、請求項１に記載のシステム。
- 前記少なくとも１つのコンピュータシステムが、前記複数の冠状動脈における複数の位置で前記決定された血流の特徴を決定するように構成されている、請求項４に記載のシステム。
- 前記患者固有のデータが、画像データを含み、前記少なくとも１つのコンピュータシステムが、前記画像データを用いて前記患者の心臓の冠状動脈の内腔の境界を配置することで、前記画像データに基づいて前記第１の幾何学モデルを作成するように構成されている、請求項１に記載のシステム。
- 前記少なくとも１つのコンピュータシステムがさらに、
前記患者の解剖学的形態内の血流の特徴に関する物理学に基づくモデルを決定することと、
前記物理学に基づくモデルに基づいて、前記第１の幾何学モデルの前記着目位置で前記患者の解剖学的形態内の前記第１の血流量を決定することと
を実行するように構成されている、請求項１に記載のシステム。 - 前記少なくとも１つのコンピュータシステムが、充血レベル、運動レベル、または薬物治療の少なくとも１つに関連するパラメータを用いて、前記着目位置で前記第１の血流量を決定するように構成されている、請求項１に記載のシステム。
- 前記少なくとも１つのコンピュータシステムが、前記充血レベルに関連するパラメータを用いて、前記第１の幾何学モデルの前記着目位置で前記第１の血流量を決定するように構成されており、前記パラメータが、前記患者の冠動脈抵抗、前記患者の大動脈血圧、または前記患者の心拍数に関する、請求項８に記載のシステム。
- 少なくとも１つのコンピュータシステムを用いて患者固有の心血管情報を決定するための方法であって、前記方法が、
前記少なくとも１つのコンピュータシステムを用いて、受信した患者固有のデータを用いて患者の解剖学的形態の内腔における少なくとも１つの着目位置を表す第１の幾何学モデルを取得することと、
前記第１の幾何学モデルの前記内腔における前記着目位置で前記患者の解剖学的形態内の第１の血流量を決定することと、
前記第１の幾何学モデルの前記内腔の内腔幾何学的形状の変化を受信することと、
前記第１の幾何学モデルの前記内腔幾何学的形状の変化を組み込むことによって前記第１の幾何学モデルを修正することと、
前記第１の幾何学モデルの前記着目位置と同等な前記修正された幾何学モデルの位置で第２の血流量を決定することと、
前記少なくとも１つのコンピュータシステムを用いて、前記修正された幾何学モデルから算出された前記第２の血流量の前記第１の幾何学モデルから算出された前記第１の血流量に対する比を計算することによって前記患者の血流の特徴を決定することと
を含む、方法。 - 前記第１の幾何学モデルが、三次元モデルである、請求項１０に記載の方法。
- 前記第１の幾何学モデルを修正することが、前記第１の幾何学モデルの前記着目位置の近位にある１つまたは複数の解剖学的制限を除去することを含む、請求項１０に記載の方法。
- 前記決定された血流の特徴に基づいて、前記患者の心臓の冠状動脈において機能的に著しく狭窄している位置を決定することをさらに含む、請求項１０に記載の方法。
- 前記第１の幾何学モデルが、大動脈の少なくとも一部と、前記大動脈の一部から生じる複数の冠状動脈の少なくとも一部とを含む、請求項１０に記載の方法。
- 前記決定された血流の特徴が、前記複数の冠状動脈における複数の位置で決定される、請求項１４に記載の方法。
- 前記第１の幾何学モデルにおける前記着目位置で前記第１の血流量を決定することが、充血レベル、運動レベル、または薬物治療の少なくとも１つに関連するパラメータを用いることを含む、請求項１０に記載の方法。
- 前記第１の幾何学モデルの前記着目位置で前記第１の血流量を決定することが、前記充血レベルに関連するパラメータを用いることを含み、前記パラメータが、前記患者の冠動脈抵抗、前記患者の大動脈血圧、または前記患者の心拍数に関する、請求項１６に記載の方法。
- 患者固有の心血管情報を決定するための方法を実施するためのコンピュータ実行可能なプログラミング命令を含む少なくとも１つのコンピュータシステム上で使用される非一時的なコンピュータ可読媒体であって、前記方法が、
受信した患者固有のデータを用いて患者の解剖学的形態の内腔における少なくとも１つの着目位置を表す第１の幾何学モデルを取得することと、
前記第１の幾何学モデルの前記内腔における前記着目位置で前記患者の解剖学的形態内の第１の血流量を決定することと、
前記第１の幾何学モデルの前記内腔の内腔幾何学的形状の変化を受信することと、
前記第１の幾何学モデルの前記内腔幾何学的形状の変化を組み込むことによって前記第１の幾何学モデルを修正することと、
前記第１の幾何学モデルの前記着目位置と同等な前記修正された幾何学モデルの位置で第２の血流量を決定することと、
前記修正された幾何学モデルから算出された前記第２の血流量の前記第１の幾何学モデルから算出された前記第１の血流量に対する比を計算することによって前記患者の血流の特徴を決定することと
を含む、非一時的なコンピュータ可読媒体。 - 前記第１の幾何学モデルが、三次元モデルである、請求項１８に記載の非一時的なコンピュータ可読媒体。
- 前記第１の幾何学モデルを修正することが、前記第１の幾何学モデルの前記着目位置の近位にある１つまたは複数の解剖学的制限を除去することを含む、請求項１８に記載の非一時的なコンピュータ可読媒体。
- 前記方法が、三次元に沿った前記患者の心臓の冠状動脈における複数の位置で前記決定された血流の特徴を示す前記心臓の三次元シミュレーションを作製することをさらに含む、請求項１９に記載の非一時的なコンピュータ可読媒体。
- 前記患者の解剖学的形態の少なくとも一部を表す前記モデルが、大動脈の少なくとも一部と、前記大動脈の一部から生じる複数の冠状動脈の少なくとも一部とを含み、前記三次元シミュレーションが、前記冠状動脈における複数の位置で前記決定された血流の特徴を示す、請求項２１に記載の非一時的なコンピュータ可読媒体。
- 少なくとも１つのコンピュータシステムを用いて患者固有の心血管情報を決定するための方法であって、前記方法が、
前記少なくとも１つのコンピュータシステムを用いて、受信した患者固有のデータを用いて患者の解剖学的形態の内腔における少なくとも１つの着目位置を表す幾何学モデルを取得することと、
前記少なくとも１つのコンピュータシステムを用いて、前記患者の解剖学的形態内の血流の特徴に関する第１の物理学に基づくモデルを決定することと、
前記第１の物理学に基づくモデルに基づいて、前記幾何学モデルにおける前記着目位置で第１の血流量を決定することと、
前記幾何学モデルの前記内腔の内腔幾何学的形状の変化を受信することと、
前記受信した内腔幾何学的形状の変化を組み込むことによって前記第１の物理学に基づくモデルを修正することと、
前記第１の物理学に基づくモデルの前記着目位置と同等な前記修正された物理学に基づくモデルにおける位置で第２の血流量を決定することと、
前記少なくとも１つのコンピュータシステムを用いて、前記修正された物理学に基づくモデルから算出された前記第２の血流量の前記第１の物理学に基づくモデルから算出された前記第１の血流量に対する比を計算することによって前記患者の血流の特徴を決定することと
を含む、方法。 - 前記幾何学モデルが、三次元モデルである、請求項２３に記載の方法。
- 前記第１の物理学に基づくモデルを修正することが、前記幾何学モデルの前記着目位置の近位にある１つまたは複数の解剖学的制限の除去をモデリングすることを含む、請求項２３に記載の方法。
- 前記決定された血流の特徴に基づいて、前記患者の心臓の冠状動脈において機能的に著しく狭窄している位置を決定することをさらに含む、請求項２３に記載の方法。
- 前記幾何学モデルが、大動脈の少なくとも一部と、前記大動脈の一部から生じる複数の冠状動脈の少なくとも一部とを含む、請求項２３に記載の方法。
- 前記複数の冠状動脈における複数の位置で前記決定された血流の特徴を決定することをさらに含む、請求項２７に記載の方法。
- 前記着目位置で前記第１の血流量を決定することが、充血レベル、運動レベル、または薬物治療の少なくとも１つに関連するパラメータを用いることを含む、請求項２３に記載の方法。
- 前記着目位置で前記第１の血流量を決定することが、前記充血レベルに関連するパラメータを用いることを含み、前記パラメータが、前記患者の冠動脈抵抗、前記患者の大動脈血圧、または前記患者の心拍数に関する、請求項２９に記載の方法。
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201461973091P | 2014-03-31 | 2014-03-31 | |
| US61/973,091 | 2014-03-31 | ||
| US14/323,634 US9087147B1 (en) | 2014-03-31 | 2014-07-03 | Systems and methods for determining blood flow characteristics using flow ratio |
| US14/323,634 | 2014-07-03 | ||
| PCT/US2015/023080 WO2015153362A1 (en) | 2014-03-31 | 2015-03-27 | Systems and methods for determining blood flow characteristics using flow ratio |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018141433A Division JP6634123B2 (ja) | 2014-03-31 | 2018-07-27 | 流量比を用いて血流の特徴を決定するシステム及び方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2017512577A JP2017512577A (ja) | 2017-05-25 |
| JP6378779B2 true JP6378779B2 (ja) | 2018-08-22 |
Family
ID=53540160
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2016559441A Active JP6378779B2 (ja) | 2014-03-31 | 2015-03-27 | 流量比を用いて血流の特徴を決定するシステム及び方法 |
| JP2018141433A Active JP6634123B2 (ja) | 2014-03-31 | 2018-07-27 | 流量比を用いて血流の特徴を決定するシステム及び方法 |
| JP2019225138A Active JP6905574B2 (ja) | 2014-03-31 | 2019-12-13 | 流量比を用いて血流の特徴を決定するシステム及び方法 |
Family Applications After (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018141433A Active JP6634123B2 (ja) | 2014-03-31 | 2018-07-27 | 流量比を用いて血流の特徴を決定するシステム及び方法 |
| JP2019225138A Active JP6905574B2 (ja) | 2014-03-31 | 2019-12-13 | 流量比を用いて血流の特徴を決定するシステム及び方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (7) | US9087147B1 (ja) |
| EP (1) | EP3127026B1 (ja) |
| JP (3) | JP6378779B2 (ja) |
| WO (1) | WO2015153362A1 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017525497A (ja) * | 2014-08-29 | 2017-09-07 | ハートフロー， インコーポレイテッド | 血流特性及び病理を心筋血液供給のモデリングを介して決定するためのシステム及び方法 |
Families Citing this family (158)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US9405886B2 (en) | 2009-03-17 | 2016-08-02 | The Board Of Trustees Of The Leland Stanford Junior University | Method for determining cardiovascular information |
| US8315812B2 (en) | 2010-08-12 | 2012-11-20 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
| GB201121307D0 (en) * | 2011-12-12 | 2012-01-25 | Univ Stavanger | Probability mapping for visualisation of biomedical images |
| US10398386B2 (en) | 2012-09-12 | 2019-09-03 | Heartflow, Inc. | Systems and methods for estimating blood flow characteristics from vessel geometry and physiology |
| US10433740B2 (en) | 2012-09-12 | 2019-10-08 | Heartflow, Inc. | Systems and methods for estimating ischemia and blood flow characteristics from vessel geometry and physiology |
| US10210956B2 (en) | 2012-10-24 | 2019-02-19 | Cathworks Ltd. | Diagnostically useful results in real time |
| WO2014105743A1 (en) | 2012-12-28 | 2014-07-03 | Cyberheart, Inc. | Blood-tissue surface based radiosurgical renal treatment planning |
| US9135381B2 (en) | 2013-05-10 | 2015-09-15 | Stenomics, Inc. | Modeling and simulation system for optimizing prosthetic heart valve treatment |
| US9092743B2 (en) | 2013-10-23 | 2015-07-28 | Stenomics, Inc. | Machine learning system for assessing heart valves and surrounding cardiovascular tracts |
| US10134129B2 (en) * | 2014-04-22 | 2018-11-20 | Siemens Healthcare Gmbh | Method and system for hemodynamic computation in coronary arteries |
| CN106659399B (zh) * | 2014-05-05 | 2020-06-16 | 西门子保健有限责任公司 | 使用患病和假想正常解剖学模型中的流计算的冠状动脉狭窄的非侵入功能评价的方法和系统 |
| US10849511B2 (en) | 2014-07-14 | 2020-12-01 | Philips Image Guided Therapy Corporation | Devices, systems, and methods for assessment of vessels |
| JP6377856B2 (ja) * | 2014-08-29 | 2018-08-22 | ケーエヌユー−インダストリー コーポレーション ファウンデーション | 患者別の心血管情報を決定する方法 |
| US20170245768A1 (en) * | 2014-09-05 | 2017-08-31 | Lakeland Ventures Development LLC | Method and apparatus for the continous estimation of human blood pressure using video images |
| US9349178B1 (en) | 2014-11-24 | 2016-05-24 | Siemens Aktiengesellschaft | Synthetic data-driven hemodynamic determination in medical imaging |
| EP3229721B1 (en) * | 2014-12-08 | 2021-09-22 | Koninklijke Philips N.V. | Interactive cardiac test data systems |
| EP3062248A1 (en) * | 2015-02-27 | 2016-08-31 | Pie Medical Imaging BV | Method and apparatus for quantitative flow analysis |
| US10262101B2 (en) * | 2015-04-02 | 2019-04-16 | Heartflow, Inc. | Systems and methods for predicting perfusion deficits from physiological, anatomical, and patient characteristics |
| US9785748B2 (en) | 2015-07-14 | 2017-10-10 | Heartflow, Inc. | Systems and methods for estimating hemodynamic forces acting on plaque and monitoring patient risk |
| US11676359B2 (en) | 2015-08-14 | 2023-06-13 | Elucid Bioimaging Inc. | Non-invasive quantitative imaging biomarkers of atherosclerotic plaque biology |
| US10176408B2 (en) | 2015-08-14 | 2019-01-08 | Elucid Bioimaging Inc. | Systems and methods for analyzing pathologies utilizing quantitative imaging |
| US12026868B2 (en) | 2015-08-14 | 2024-07-02 | Elucid Bioimaging Inc. | Quantitative imaging for detecting histopathologically defined plaque erosion non-invasively |
| US12008751B2 (en) | 2015-08-14 | 2024-06-11 | Elucid Bioimaging Inc. | Quantitative imaging for detecting histopathologically defined plaque fissure non-invasively |
| US11087459B2 (en) | 2015-08-14 | 2021-08-10 | Elucid Bioimaging Inc. | Quantitative imaging for fractional flow reserve (FFR) |
| US11071501B2 (en) | 2015-08-14 | 2021-07-27 | Elucid Bioiwaging Inc. | Quantitative imaging for determining time to adverse event (TTE) |
| US11094058B2 (en) | 2015-08-14 | 2021-08-17 | Elucid Bioimaging Inc. | Systems and method for computer-aided phenotyping (CAP) using radiologic images |
| US11113812B2 (en) | 2015-08-14 | 2021-09-07 | Elucid Bioimaging Inc. | Quantitative imaging for detecting vulnerable plaque |
| US10517678B2 (en) | 2015-10-02 | 2019-12-31 | Heartflow, Inc. | System and method for diagnosis and assessment of cardiovascular disease by comparing arterial supply capacity to end-organ demand |
| CN108471994B (zh) * | 2015-10-07 | 2021-10-29 | 皇家飞利浦有限公司 | 移动ffr模拟 |
| WO2017076620A1 (en) * | 2015-11-05 | 2017-05-11 | Koninklijke Philips N.V. | Collateral flow modelling for non-invasive fractional flow reserve (ffr) |
| US10492754B2 (en) | 2015-11-20 | 2019-12-03 | International Business Machines Corporation | Real-time cloud-based virtual fractional flow reserve estimation |
| CN105326486B (zh) * | 2015-12-08 | 2017-08-25 | 博动医学影像科技（上海）有限公司 | 血管压力差与血流储备分数的计算方法及系统 |
| US10893832B2 (en) * | 2016-01-13 | 2021-01-19 | Tufts Medical Center, Inc. | Predictive instrument to identify patients for use of pharmacological cardiac metabolic support |
| US10278662B2 (en) | 2016-02-05 | 2019-05-07 | Toshiba Medical Systems Corporation | Image processing apparatus and medical image diagnostic apparatus |
| DE102016203860A1 (de) * | 2016-03-09 | 2017-09-14 | Siemens Healthcare Gmbh | Vorrichtung und Verfahren zum Ermitteln zumindest eines individuellen fluiddynamischen Kennwerts einer Stenose in einem mehrere serielle Stenosen aufweisenden Gefäßsegment |
| CN113440112B (zh) * | 2016-03-16 | 2024-11-08 | 哈特弗罗公司 | 用于估计在冠状动脉中的健康管腔直径和狭窄定量的系统和方法 |
| JP6651402B2 (ja) * | 2016-04-12 | 2020-02-19 | 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、医用画像診断装置およびプログラム |
| EP4241694A3 (en) | 2016-05-16 | 2023-12-20 | Cathworks Ltd. | Selection of vascular paths from images |
| JP7036742B2 (ja) | 2016-05-16 | 2022-03-15 | キャスワークス リミテッド | 血管評価システム |
| WO2018050806A1 (en) * | 2016-09-16 | 2018-03-22 | Koninklijke Philips N.V. | Apparatus and method for determining a fractional flow reserve |
| US11504019B2 (en) * | 2016-09-20 | 2022-11-22 | Heartflow, Inc. | Systems and methods for monitoring and updating blood flow calculations with user-specific anatomic and physiologic sensor data |
| JP7100627B2 (ja) * | 2016-09-20 | 2022-07-13 | ハートフロー， インコーポレイテッド | 次数低減モデル及び／または機械学習を使用して血流特性を推定するためのシステム及び方法 |
| CN106503302B (zh) * | 2016-09-28 | 2019-08-23 | 深圳先进技术研究院 | 一种建立血液电磁仿真模型的方法及装置 |
| US10779786B2 (en) * | 2016-10-04 | 2020-09-22 | Canon Medical Systems Corporation | Medical information processing apparatus, X-ray CT apparatus, and medical information processing method |
| JP6923411B2 (ja) * | 2016-10-04 | 2021-08-18 | キヤノンメディカルシステムズ株式会社 | 医用情報処理装置及び医用情報処理プログラム |
| US11138790B2 (en) | 2016-10-14 | 2021-10-05 | Axial Medical Printing Limited | Method for generating a 3D physical model of a patient specific anatomic feature from 2D medical images |
| GB201617507D0 (en) | 2016-10-14 | 2016-11-30 | Axial3D Limited | Axial3D UK |
| DE102016222102A1 (de) | 2016-11-10 | 2018-05-17 | Siemens Healthcare Gmbh | Behandlungsplanung für eine Stenose in einem Gefäßsegment anhand einer virtuellen hämodynamischen Analyse |
| JP6975235B2 (ja) | 2016-11-22 | 2021-12-01 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 生物物理的シミュレーション用の血管樹標準化及び／又はプルーニングされた部分用の拡張シミュレーション |
| ES2836104T3 (es) * | 2016-12-15 | 2021-06-24 | Sintef Tto As | Método y proceso para proporcionar un modelo computacional específico de un sujeto utilizado para apoyar la decisión y hacer el diagnóstico de enfermedades cardiovasculares |
| AU2018210980A1 (en) * | 2017-01-23 | 2019-08-08 | Hdl Therapeutics, Inc. | Methods for treating cholesterol-related diseases |
| US11538591B2 (en) * | 2017-03-10 | 2022-12-27 | Altair Engineering, Inc. | Training and refining fluid models using disparate and aggregated machine data |
| US10867085B2 (en) | 2017-03-10 | 2020-12-15 | General Electric Company | Systems and methods for overlaying and integrating computer aided design (CAD) drawings with fluid models |
| US10977397B2 (en) | 2017-03-10 | 2021-04-13 | Altair Engineering, Inc. | Optimization of prototype and machine design within a 3D fluid modeling environment |
| CN110494893B (zh) * | 2017-03-31 | 2024-01-23 | 皇家飞利浦有限公司 | 基于ffr的对非侵入性成像的交互监测 |
| WO2018185298A1 (en) * | 2017-04-06 | 2018-10-11 | Koninklijke Philips N.V. | Fractional flow reserve simulation parameter customization, calibration and/or training |
| US10980427B2 (en) * | 2017-06-22 | 2021-04-20 | Dextera Medical | Method and apparatus for full-system, cardiovascular simulation and prediction |
| WO2019060298A1 (en) | 2017-09-19 | 2019-03-28 | Neuroenhancement Lab, LLC | METHOD AND APPARATUS FOR NEURO-ACTIVATION |
| AU2018345850B2 (en) | 2017-10-06 | 2024-04-11 | Emory University | Methods and systems for determining hemodynamic information for one or more arterial segments |
| EP3489893B1 (en) * | 2017-11-22 | 2020-06-24 | Siemens Healthcare GmbH | Method and system for assessing a haemodynamic parameter |
| US11717686B2 (en) | 2017-12-04 | 2023-08-08 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement to facilitate learning and performance |
| US11871995B2 (en) | 2017-12-18 | 2024-01-16 | Hemolens Diagnostics Sp. Z O.O. | Patient-specific modeling of hemodynamic parameters in coronary arteries |
| JP7386440B2 (ja) * | 2017-12-19 | 2023-11-27 | パナソニックＩｐマネジメント株式会社 | 生体計測装置、生体計測装置の作動方法、及び判定装置 |
| US10991465B2 (en) * | 2017-12-20 | 2021-04-27 | Heartflow, Inc. | Systems and methods for performing computer-simulated evaluation of treatments on a target population |
| KR102232202B1 (ko) * | 2017-12-21 | 2021-03-26 | 사회복지법인 삼성생명공익재단 | 심근 허혈 진단 시스템 및 이의 작동 방법 |
| US11478603B2 (en) | 2017-12-31 | 2022-10-25 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement to enhance emotional response |
| US12280219B2 (en) | 2017-12-31 | 2025-04-22 | NeuroLight, Inc. | Method and apparatus for neuroenhancement to enhance emotional response |
| US20190243933A1 (en) * | 2018-02-07 | 2019-08-08 | Incucomm, Inc. | System and method that characterizes an object employing virtual representations thereof |
| CN108403093B (zh) * | 2018-02-27 | 2021-12-14 | 京东方科技集团股份有限公司 | 用于确定血管的位置的装置及其方法 |
| US11725958B2 (en) | 2018-03-22 | 2023-08-15 | Jennifer Hendrix | Route guidance and proximity awareness system |
| US11364361B2 (en) | 2018-04-20 | 2022-06-21 | Neuroenhancement Lab, LLC | System and method for inducing sleep by transplanting mental states |
| US11389130B2 (en) | 2018-05-02 | 2022-07-19 | Siemens Healthcare Gmbh | System and methods for fast computation of computed tomography based fractional flow reserve |
| EP3564963B1 (en) * | 2018-05-02 | 2024-10-23 | Siemens Healthineers AG | System and methods for fast computation of computed tomography based fractional flow reserve |
| EP3564961A1 (en) | 2018-05-03 | 2019-11-06 | Koninklijke Philips N.V. | Interactive coronary labeling using interventional x-ray images and deep learning |
| CN109065170B (zh) * | 2018-06-20 | 2021-11-19 | 博动医学影像科技（上海）有限公司 | 获取血管压力差的方法及装置 |
| CN109087352B (zh) * | 2018-08-16 | 2021-07-13 | 数坤(北京)网络科技股份有限公司 | 一种心脏冠脉优势型自动判别方法 |
| KR102138227B1 (ko) * | 2018-08-21 | 2020-07-27 | 두산중공업 주식회사 | 유동 해석을 최적화하기 위한 장치 및 이를 위한 방법 |
| KR102189311B1 (ko) * | 2018-08-21 | 2020-12-09 | 두산중공업 주식회사 | 학습된 모델을 이용한 해석 장치 및 이를 위한 방법 |
| US11452839B2 (en) | 2018-09-14 | 2022-09-27 | Neuroenhancement Lab, LLC | System and method of improving sleep |
| CN112740334A (zh) * | 2018-09-25 | 2021-04-30 | 西门子医疗有限公司 | 医学成像中的血管内植入物决定支持 |
| CN111227821B (zh) * | 2018-11-28 | 2022-02-11 | 苏州润迈德医疗科技有限公司 | 基于心肌血流量和ct图像的微循环阻力指数计算方法 |
| CN111209645B (zh) * | 2018-11-06 | 2024-03-29 | 百度在线网络技术（北京）有限公司 | 眩晕体感建模数据采集装置和方法、终端和存储介质 |
| CN111166315B (zh) * | 2018-11-13 | 2023-03-28 | 苏州润迈德医疗科技有限公司 | 基于造影图像计算瞬时无波型比率和静息态舒张期压力比率的方法 |
| CN111227822B (zh) * | 2018-11-28 | 2022-02-11 | 苏州润迈德医疗科技有限公司 | 基于心肌血流量和ct图像的冠状动脉血流储备分数计算方法 |
| JP7246907B2 (ja) * | 2018-12-12 | 2023-03-28 | 日本メジフィジックス株式会社 | 心筋核医学画像データのスコアリング |
| US20220101520A1 (en) * | 2019-01-06 | 2022-03-31 | Covanos, Inc. | Virtual Stress Test Based on Electronic Patient Data |
| CN113423330B (zh) * | 2019-01-06 | 2025-07-15 | 科瓦诺斯股份有限公司 | 静息状态舒张血液动力学信息的非侵入性确定 |
| GB201900437D0 (en) | 2019-01-11 | 2019-02-27 | Axial Medical Printing Ltd | Axial3d big book 2 |
| US10813612B2 (en) | 2019-01-25 | 2020-10-27 | Cleerly, Inc. | Systems and method of characterizing high risk plaques |
| US20220125324A1 (en) | 2019-02-11 | 2022-04-28 | University Of Louisville Research Foundation, Inc. | System and method for determining a blood flow characteristic |
| CN109846500B (zh) * | 2019-03-15 | 2025-01-24 | 杭州晟视科技有限公司 | 一种确定冠状动脉血流储备分数的方法和装置 |
| JP7532402B2 (ja) | 2019-04-01 | 2024-08-13 | キャスワークス リミテッド | 血管造影画像選択のための方法および装置 |
| CN110368087B (zh) * | 2019-06-06 | 2021-01-08 | 中国人民解放军北部战区总医院 | 一种信息处理方法和装置、及可读存储介质 |
| CN121707942A (zh) | 2019-08-05 | 2026-03-20 | 易鲁希德生物成像公司 | 形态学和血管周疾病标志物的联合评估 |
| US11113881B2 (en) | 2019-09-06 | 2021-09-07 | St Jude Medical, Cardiology Division, Inc. | Systems and methods for generating a three-dimensional surface from a segmented volume |
| JP7093584B2 (ja) * | 2019-09-09 | 2022-06-30 | スーチョウ レインメド メディカル テクノロジー カンパニー リミテッド | イメージ及び圧力センサに基づき微小循環指標を計算する方法、装置及びシステム |
| US11887737B2 (en) * | 2019-09-20 | 2024-01-30 | Ansys, Inc. | System and method of modeling vasculature in near real-time |
| EP4033964B1 (en) | 2019-09-23 | 2025-04-09 | Cathworks Ltd. | Methods, apparatus, and system for synchronization between a three-dimensional vascular model and an imaging device |
| CA3156005A1 (en) | 2019-09-25 | 2021-04-01 | Materialise N.V. | System and method of evaluating fluid and air flow |
| US12150788B2 (en) * | 2019-09-27 | 2024-11-26 | ViTAA Medical Solutions | Method and system for determining regional rupture potential of blood vessel |
| CN110786840B (zh) * | 2019-11-04 | 2021-06-08 | 苏州润迈德医疗科技有限公司 | 基于生理参数获取血管评定参数的方法、装置及存储介质 |
| US11200669B2 (en) * | 2019-11-19 | 2021-12-14 | Uih America, Inc. | Systems and methods for determining plasma input function used in positron emission tomography imaging |
| 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 |
| 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 |
| 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 |
| DE102020200750A1 (de) * | 2020-01-22 | 2021-07-22 | Siemens Healthcare Gmbh | Bereitstellen eines Blutflussparametersatzes einer Gefäßmalformation |
| US11531887B1 (en) * | 2020-01-23 | 2022-12-20 | Amazon Technologies, Inc. | Disruptive prediction with ordered treatment candidate bins |
| US20230103319A1 (en) * | 2020-01-31 | 2023-04-06 | See-Mode Technologies Pte Ltd | Methods and systems for risk assessment of ischemic cerebrovascular events |
| JP7462925B2 (ja) * | 2020-02-28 | 2024-04-08 | 国立大学法人東北大学 | 血流場推定装置、学習装置、血流場推定方法及びプログラム |
| US12048575B2 (en) | 2020-03-10 | 2024-07-30 | GE Precision Healthcare LLC | Systems and methods for registration of angiographic projections with computed tomographic data |
| KR102190431B1 (ko) * | 2020-03-18 | 2020-12-11 | 연세대학교 산학협력단 | 혈관 질환을 판단하는 방법 및 그를 위한 장치 |
| JP7551370B2 (ja) * | 2020-07-15 | 2024-09-17 | キヤノンメディカルシステムズ株式会社 | 医用データ処理装置及び方法 |
| CN216135922U (zh) | 2020-09-08 | 2022-03-29 | 巴德阿克塞斯系统股份有限公司 | 动态调整超声成像系统 |
| KR20230065289A (ko) * | 2020-09-09 | 2023-05-11 | 하메드 유세피로샨 | 개인 맞춤형 뇌 치료를 위한 시뮬레이션 방법 및 시스템 |
| CN114159098B (zh) | 2020-09-10 | 2026-01-02 | 巴德阿克塞斯系统股份有限公司 | 具有压力测量能力的超声探测器 |
| CA3096285A1 (en) | 2020-10-16 | 2022-04-16 | Pulsemedica Corp. | Opthalmological imaging and laser delivery device, system and methods |
| EP4247267A1 (en) | 2020-11-24 | 2023-09-27 | Bard Access Systems, Inc. | Ultrasound system with target and medical instrument awareness |
| WO2022136688A1 (en) * | 2020-12-23 | 2022-06-30 | Flowreserve Labs S.L. | Non-invasive method for determining a vessel damage indicator |
| US12444506B2 (en) | 2021-02-11 | 2025-10-14 | Axial Medical Printing Limited | Systems and methods for automated segmentation of patient specific anatomies for pathology specific measurements |
| GB202101908D0 (en) | 2021-02-11 | 2021-03-31 | Axial Medical Printing Ltd | Axial3D pathology |
| KR102460948B1 (ko) * | 2021-03-19 | 2022-10-28 | 제주대학교 산학협력단 | 관상동맥 협착의 중증도 평가에 필요한 정보를 제공하는 방법 |
| LT6955B (lt) * | 2021-04-07 | 2022-10-25 | PRANEVIČIUS Osvaldas | Aparatas intrakranijinės perfuzijos diagnostikai ir gydymui |
| CN217960146U (zh) | 2021-04-15 | 2022-12-06 | 巴德阿克塞斯系统股份有限公司 | 超声成像系统 |
| EP4075446B1 (en) * | 2021-04-18 | 2025-09-03 | Kardiolytics Inc. | Method and system for modelling blood vessels and blood flow under high-intensity physical exercise conditions |
| CN113539516B (zh) * | 2021-07-07 | 2024-06-14 | 深圳睿心智能医疗科技有限公司 | 治疗方案的应用后效果的获取方法及装置 |
| CN113744246B (zh) * | 2021-09-03 | 2023-07-18 | 乐普（北京）医疗器械股份有限公司 | 根据血管断层扫描图像预测血流储备分数的方法和装置 |
| US12315076B1 (en) | 2021-09-22 | 2025-05-27 | Cathworks Ltd. | Four-dimensional motion analysis of a patient's coronary arteries and myocardial wall |
| EP4156112A1 (en) * | 2021-09-27 | 2023-03-29 | Siemens Healthcare GmbH | Computer-implemented method for performing and displaying at least one measurement using medical imaging, data processing device, computer program and electronically readable storage medium |
| WO2023068049A1 (ja) * | 2021-10-21 | 2023-04-27 | 株式会社カネカ | 予測システム、予測装置、及び、予測方法 |
| US12376817B2 (en) | 2021-11-03 | 2025-08-05 | Bard Access Systems, Inc. | Optimized functionality through interoperation of doppler and image based vessel differentiation |
| WO2023086266A1 (en) * | 2021-11-09 | 2023-05-19 | The Johns Hopkins University | Deep learning estimation of vascular flow and properties |
| US12376814B2 (en) * | 2021-11-24 | 2025-08-05 | Cedars-Sinai Medical Center | Quantification of noncalcific and calcific valve tissue from coronary CT angiography |
| CN115482212A (zh) * | 2021-12-17 | 2022-12-16 | 深圳市阅影科技有限公司 | 基于血流模型确定血管功能学指标的方法及装置 |
| EP4223218A1 (en) * | 2022-02-04 | 2023-08-09 | Koninklijke Philips N.V. | Intravascular imaging diagnostics |
| KR20240148399A (ko) | 2022-02-10 | 2024-10-11 | 캐스웍스 엘티디. | 기계 학습 기반 센서 분석 및 혈관 트리 분할을 위한 시스템 및 방법 |
| US12514532B2 (en) | 2022-03-01 | 2026-01-06 | Bard Access Systems, Inc. | Ultrasound imaging system |
| US12514533B2 (en) * | 2022-03-01 | 2026-01-06 | Bard Access Systems, Inc. | Ultrasound imaging system |
| US20250143657A1 (en) | 2022-03-10 | 2025-05-08 | Cleerly, Inc. | Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination |
| US20250217981A1 (en) | 2022-03-10 | 2025-07-03 | Cleerly, Inc. | Systems, methods, and devices for image-based plaque analysis and risk determination |
| US12440180B2 (en) | 2022-03-10 | 2025-10-14 | Cleerly, Inc. | Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination |
| US12406365B2 (en) | 2022-03-10 | 2025-09-02 | Cleerly, Inc. | Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination |
| EP4489661B1 (en) * | 2022-03-16 | 2025-10-29 | Bard Access Systems, Inc. | Ultrasound imaging system |
| AU2023236365A1 (en) * | 2022-03-17 | 2024-09-26 | Delbeat, Inc. | Artificial intelligence physics-based modeling of cardiac parameters |
| JP2023180852A (ja) | 2022-06-10 | 2023-12-21 | キヤノンメディカルシステムズ株式会社 | 医用情報処理装置、医用情報処理方法、およびプログラム |
| EP4394694A1 (en) * | 2022-12-30 | 2024-07-03 | Siemens Healthineers AG | Determination of hemodynamic indices |
| CN120752708A (zh) * | 2023-02-13 | 2025-10-03 | 皇家飞利浦有限公司 | 用于侵入性诊断规划的系统和方法 |
| US12437399B2 (en) * | 2023-04-14 | 2025-10-07 | GE Precision Healthcare LLC | System and method for location insensitive reporting of fractional flow reserve-computed tomography for a given stenosis |
| CN116616819B (zh) * | 2023-07-25 | 2023-09-22 | 南京科进实业有限公司 | 一种超声经颅多普勒血流分析系统、方法及存储介质 |
| CN121942048A (zh) | 2023-08-09 | 2026-04-28 | 凯思沃克斯有限公司 | 针对血管指数测量的增强用户界面和串扰分析 |
| IL326432A (en) | 2023-08-09 | 2026-04-01 | Cathworks Ltd | Coronary artery assessment after PCI |
| WO2025053243A1 (ja) * | 2023-09-07 | 2025-03-13 | 武田薬品工業株式会社 | ３次元画像予測装置、３次元画像学習装置、３次元画像予測方法、３次元画像学習方法、３次元画像予測プログラム及び３次元画像学習プログラム |
| EP4530975A1 (en) * | 2023-09-26 | 2025-04-02 | Siemens Healthineers AG | Determination of hemodynamic indices |
| EP4530976B1 (en) * | 2023-09-26 | 2026-04-22 | Siemens Healthineers AG | Coronary artery lumen contour adjustment based on segmentation uncertainty |
| US12154273B1 (en) * | 2023-10-04 | 2024-11-26 | Anumana, Inc. | Apparatus and methods for generating a three-dimensional (3D) model of cardiac anatomy via machine-learning |
| US20250221670A1 (en) * | 2024-01-09 | 2025-07-10 | GE Precision Healthcare LLC | Method and system to compute hemodynamic parameters |
| GB202402507D0 (en) * | 2024-02-22 | 2024-04-10 | Univ Court Univ Of Glasgow | Method,computer,and storage medium |
| US12512196B2 (en) | 2024-06-12 | 2025-12-30 | Cathworks Ltd. | Systems and methods for secure sharing of cardiac assessments using QR codes |
Family Cites Families (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6236878B1 (en) | 1998-05-22 | 2001-05-22 | Charles A. Taylor | Method for predictive modeling for planning medical interventions and simulating physiological conditions |
| US20090299349A1 (en) * | 2005-10-18 | 2009-12-03 | Terumo Kabushiki Kaisha | Light irradiating device |
| 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 |
| US9405886B2 (en) | 2009-03-17 | 2016-08-02 | The Board Of Trustees Of The Leland Stanford Junior University | Method for determining cardiovascular information |
| US8315812B2 (en) * | 2010-08-12 | 2012-11-20 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
| US8157742B2 (en) | 2010-08-12 | 2012-04-17 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
| US9119540B2 (en) | 2010-09-16 | 2015-09-01 | Siemens Aktiengesellschaft | Method and system for non-invasive assessment of coronary artery disease |
| US10186056B2 (en) * | 2011-03-21 | 2019-01-22 | General Electric Company | System and method for estimating vascular flow using CT imaging |
| US10162932B2 (en) * | 2011-11-10 | 2018-12-25 | Siemens Healthcare Gmbh | Method and system for multi-scale anatomical and functional modeling of coronary circulation |
| US10373700B2 (en) | 2012-03-13 | 2019-08-06 | Siemens Healthcare Gmbh | Non-invasive functional assessment of coronary artery stenosis including simulation of hyperemia by changing resting microvascular resistance |
| EP2873011A1 (en) * | 2012-05-16 | 2015-05-20 | Feops BVBA | Pre -operative simulation of trans - catheter valve implantation |
| KR101939778B1 (ko) | 2012-07-27 | 2019-01-18 | 삼성전자주식회사 | 필요 혈류량 결정 방법 및 장치, 혈류 영상 생성 방법 및 장치, 심근 관류 영상 처리 방법 및 장치 |
| US10433740B2 (en) | 2012-09-12 | 2019-10-08 | Heartflow, Inc. | Systems and methods for estimating ischemia and blood flow characteristics from vessel geometry and physiology |
| US10398386B2 (en) | 2012-09-12 | 2019-09-03 | Heartflow, Inc. | Systems and methods for estimating blood flow characteristics from vessel geometry and physiology |
| US9858387B2 (en) * | 2013-01-15 | 2018-01-02 | CathWorks, LTD. | Vascular flow assessment |
| WO2014072861A2 (en) * | 2012-11-06 | 2014-05-15 | Koninklijke Philips N.V. | Fractional flow reserve (ffr) index |
| US9805463B2 (en) * | 2013-08-27 | 2017-10-31 | Heartflow, Inc. | Systems and methods for predicting location, onset, and/or change of coronary lesions |
| US9700219B2 (en) * | 2013-10-17 | 2017-07-11 | Siemens Healthcare Gmbh | Method and system for machine learning based assessment of fractional flow reserve |
-
2014
- 2014-07-03 US US14/323,634 patent/US9087147B1/en active Active
- 2014-07-03 US US14/323,646 patent/US9785746B2/en active Active
-
2015
- 2015-03-27 JP JP2016559441A patent/JP6378779B2/ja active Active
- 2015-03-27 WO PCT/US2015/023080 patent/WO2015153362A1/en not_active Ceased
- 2015-03-27 EP EP15724801.4A patent/EP3127026B1/en active Active
- 2015-07-20 US US14/803,722 patent/US9339200B2/en active Active
-
2016
- 2016-02-26 US US15/055,081 patent/US9613186B2/en active Active
-
2017
- 2017-02-09 US US15/428,344 patent/US11328824B2/en active Active
- 2017-07-31 US US15/664,533 patent/US11424036B2/en active Active
-
2018
- 2018-07-27 JP JP2018141433A patent/JP6634123B2/ja active Active
-
2019
- 2019-12-13 JP JP2019225138A patent/JP6905574B2/ja active Active
-
2022
- 2022-07-14 US US17/864,559 patent/US20220406470A1/en active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017525497A (ja) * | 2014-08-29 | 2017-09-07 | ハートフロー， インコーポレイテッド | 血流特性及び病理を心筋血液供給のモデリングを介して決定するためのシステム及び方法 |
| JP2020044357A (ja) * | 2014-08-29 | 2020-03-26 | ハートフロー， インコーポレイテッド | 血流特性及び病理を心筋血液供給のモデリングを介して決定するためのシステム及び方法 |
| JP7039544B2 (ja) | 2014-08-29 | 2022-03-22 | ハートフロー， インコーポレイテッド | 血流特性及び病理を心筋血液供給のモデリングを介して決定するためのシステム及び方法 |
| US12178557B2 (en) | 2014-08-29 | 2024-12-31 | Heartflow, Inc. | Systems and methods for determination of blood flow characteristics and pathologies through modeling of myocardial blood supply |
Also Published As
| Publication number | Publication date |
|---|---|
| US20160180055A1 (en) | 2016-06-23 |
| US9613186B2 (en) | 2017-04-04 |
| JP6634123B2 (ja) | 2020-01-22 |
| US11328824B2 (en) | 2022-05-10 |
| JP2018196742A (ja) | 2018-12-13 |
| US20170220760A1 (en) | 2017-08-03 |
| US20170329930A1 (en) | 2017-11-16 |
| JP2020044375A (ja) | 2020-03-26 |
| US9339200B2 (en) | 2016-05-17 |
| US9785746B2 (en) | 2017-10-10 |
| EP3127026A1 (en) | 2017-02-08 |
| US20220406470A1 (en) | 2022-12-22 |
| JP6905574B2 (ja) | 2021-07-21 |
| US20150324545A1 (en) | 2015-11-12 |
| WO2015153362A1 (en) | 2015-10-08 |
| US9087147B1 (en) | 2015-07-21 |
| EP3127026B1 (en) | 2023-10-04 |
| US20150272448A1 (en) | 2015-10-01 |
| WO2015153362A9 (en) | 2015-11-26 |
| JP2017512577A (ja) | 2017-05-25 |
| US11424036B2 (en) | 2022-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6634123B2 (ja) | 流量比を用いて血流の特徴を決定するシステム及び方法 | |
| JP6221000B2 (ja) | 患者の心血管情報を決定するためのシステムおよびシステムの作動方法 | |
| JP6215469B2 (ja) | 最適化された診断能のための境界条件を用いて血流をモデル化するための方法及びシステム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170322 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170322 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180109 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180105 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180214 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20180703 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180727 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6378779 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |