JP7232245B2 - モデル及びイメージングデータに基づく冠動脈健康状態予測 - Google Patents

Description

以下は、一般に、イメージングに関し、より詳細には、モデル及びイメージングデータに基づく冠動脈健康状態予測に関し、コンピュータ断層撮影（ＣＴ）への特定用途を見いだす。

文献が示すところによれば、２０１５年に冠動脈疾患（ＣＡＤ）は、１億１０００万人に影響を及ぼし、８９０万の死亡をもたらし、世界で最も一般的な死因になっている。冠動脈の内部の滑らかで弾力のある裏層の一部が、プラーク蓄積のために、硬化し、硬直し、膨れるようになり、それが、血流への部分的な閉塞から完全な閉塞を引き起こすとき、ＣＡＤが発生する。ＣＡＤには、いくつかの明確に確定されたリスク要因がある。そのようなリスク要因の１つは高血中脂質である。血液中の脂質のレベルを低下させること及び／又は冠動脈中のプラーク形成を反転させることによって冠動脈の健康状態を改善する薬物治療が利用可能である。残念なことに、これらの薬は高価である場合があり、そして、それらの服用が、すべての患者にわたって冠動脈の健康状態を同じように改善するとは限らない。プラークの血行動態的意義を定量化するための手法には、侵襲的技法及び非侵入的技法が含まれる。イメージングベース技法は、Ｘ線血管造影法又はコンピュータ断層撮影血管造影法（ＣＣＴＡ）を利用する。しかしながら、これらの技法は、特定の薬物治療が冠動脈の健康状態を改善することになるかどうかを示さない。

本明細書に記載される態様は、先述の問題などに対処する。

１つの態様では、システムは、造影強調心臓コンピュータ断層撮影ボリュメトリック画像データと冠動脈状態に影響を与える特性がある１つ又は複数の物質の効果のモデルとからベースライン冠動脈状態及び予測冠動脈状態を決定するように構成されたプリディクタ（ｐｒｅｄｉｃｔｏｒ）を含む、コンピュータ実行可能命令を有するコンピュータ可読記憶媒体を含む。システムは、造影強調心臓コンピュータ断層撮影ボリュメトリック画像データと冠動脈状態に影響を与える特性がある物質のうちの１つ又は複数の効果のモデルとからベースライン冠動脈状態及び予測冠動脈状態を決定するためにプリディクタを実行するように構成されたプロセッサをさらに含む。システムは、ベースライン冠動脈状態及び予測冠動脈状態を表示するように構成されたディスプレイをさらに含む。

別の態様では、コンピュータ可読記憶媒体は、コンピュータ可読命令により符号化され、コンピュータ可読命令は、コンピューティングシステムのコンピュータプロセッサによって実行されたとき、コンピュータプロセッサに、造影強調心臓コンピュータ断層撮影ボリュメトリック画像データを受け取ることと、冠動脈状態に影響を与える特性がある１つ又は複数の物質の効果のモデルを得ることであって、モデルが、物質ごとにプラークの減少を示す、得ることと、造影強調心臓コンピュータ断層撮影ボリュメトリック画像データ及びモデルからベースライン冠動脈状態及び予測冠動脈状態を決定するためにプリディクタを実行することと、ベースライン冠動脈状態及び予測冠動脈状態を表示することとを行わせる。

別の態様では、方法は、造影強調心臓コンピュータ断層撮影ボリュメトリック画像データを取得するステップと、冠動脈状態に影響を与える特性がある１つ又は複数の物質の効果のモデルを選択するステップであって、モデルが、物質ごとにプラークの減少を示す、選択するステップと、造影強調心臓コンピュータ断層撮影ボリュメトリック画像データ及びモデルからベースライン冠動脈状態及び予測冠動脈状態を決定するためにプリディクタを実行するステップと、ベースライン冠動脈状態及び前記予測冠動脈状態を表示するステップとを有する。

当業者は、添付の説明を読んで理解することによって本出願のさらなる他の態様を認識するであろう。

本発明は、様々な構成要素及び構成要素の構成、並びに様々なステップ及びステップの構成の形態をとることができる。図面は、単に好ましい実施形態を例証する目的のためのものであり、本発明を限定するものとして解釈されるべきではない。

プリディクタを有するコンピューティングシステムとイメージングシステムとを含むシステムを概略的に示す図である。 プリディクタの一例を概略的に示す図である。 本明細書の一実施形態による例示の方法を示す図である。

図１は、ＣＴスキャナなどのイメージングシステム１０２を含むシステム１００を概略的に示す。イメージングシステム１０２は、全体に静止したガントリ１０４と、回転ガントリ１０６とを含み、回転ガントリ１０６は、静止したガントリ１０４によって回転可能に支持され、ｚ軸を中心に検査領域１０８のまわりを回転する。寝台などの対象者支持体１１０は、検査領域１０８内で対象物又は対象者を支持する。Ｘ線管などの放射源１１２は、回転ガントリ１０６によって回転可能に支持され、回転ガントリ１０６とともに回転し、検査領域１０８を横断する放射を放出する。

放射感応検出器アレイ１１４は、検査領域１０８を横切って放射源１１２の反対側に角度円弧（ａｎｇｕｌａｒ ａｒｃ）を定める。放射感応検出器アレイ１１４は、検査領域１０８を横断する放射を検出し、それを示す電気信号（投影データ）を生成する。再構成器１１６は、投影データを再構成して、検査領域１０８に配置された対象者又は対象物のスキャンされた部分を示すボリュメトリック画像データを生成する。例えば、再構成器１１６は、造影ＣＣＴＡスキャンにより取得されたデータからＣＣＴＡ画像データを再構成する。

コンピューティングシステム１１８は、オペレータコンソールとして働く。コンソール１１８は、モニタなどの人間可読出力デバイスと、キーボード、マウスなどのような入力デバイスとを含む。コンソール１１８に常駐するソフトウェアにより、オペレータは、グラフィカルユーザインタフェース（ＧＵＩ）を介して又は他のやり方でスキャナ１０２と対話し、及び／又はこれを操作することができる。コンソール１１８は、プロセッサ１２０（例えば、マイクロプロセッサ、コントローラ、中央処理装置など）と、コンピュータ可読記憶媒体１２２とをさらに含み、コンピュータ可読記憶媒体１２２は、非一時的媒体を除外し、物理メモリデバイスなどのような一時的媒体を含む。

コンピュータ可読記憶媒体１２２は、少なくともプリディクタ１２６のための命令１２４を含む。プロセッサ１２０は、命令１２４を実行するように構成される。プロセッサ１２０は、追加として、搬送波、信号、及び／又は他の一時的媒体によって搬送された１つ又は複数のコンピュータ可読命令を実行するように構成される。変形では、プロセッサ１２０及びコンピュータ可読記憶媒体１２２は、コンピューティングシステム１１８から分離している別のコンピューティングシステムの一部である。

プリディクタ１２６は、造影ＣＣＴＡボリュメトリック画像データを処理し、ＦＦＲ値を予測するように構成される。これは、１つの事例では、冠動脈組織の状態のシミュレートされた変化に対するＦＦＲ値の予測を含む。例えば、ある物質（例えば、医薬品など）には、体内に摂取されるか又はさもなければ導入されると、冠動脈組織に影響を与える生理的効果があり、その効果は人によって異なる。プリディクタ１２６は、特定物質の効果のモデルを使用して、特定物質による患者の冠動脈組織のシミュレートされた変化に対するＦＦＲ値を予測する。その結果として、これは、特定物質を患者に処方すべきかどうかを決定しやすくする。

非限定の例として、血液中の特定の脂質レベルを強烈に低下させ、さらに、冠動脈のプラーク蓄積を逆転させる物質が利用可能である。そのような物質の例には、アメリカ合衆国、カリフォルニア州、サウサンドオークスのＡｍｇｅｎの製品のＲｅｐａｔｈａ（登録商標）などのプロタンパク質コンバターゼサブチリシン／ケキシンタイプ９阻害剤（ＰＣＳＫ９）が含まれる。これらの物質は高価になる傾向があり、それらを摂取することがすべての患者に同じように益するとは限らない。プリディクタ１２６は、症状が軽減される可能性がある患者、及び／又は急性冠動脈症候群のリスクがそのような物質によって低下する可能性がある患者、例えば、物質が、低密度リポタンパク質（ＬＤＬ）コレステロールを低下させ、それが、心臓発作及び／又は脳卒中のリスクを低下させる、既存の狭窄などの重症度を低下させる、などの場合を識別しやすくする。

図２は、プリディクタ１２６の一例を概略的に示す。プリディクタ１２６は、入力として、造影ＣＣＴＡボリュメトリック画像データを、イメージングシステム１０２、データレポジトリ（例えば、放射線科情報システム（ＲＩＳ）、画像及びアーカイブシステム（ＰＡＣＳ）など）、及び／又は他の装置から受け取る。

冠動脈セグメンテーションモジュール２００は、造影ＣＣＴＡボリュメトリック画像データからの冠動脈樹をセグメント化するように構成される。セグメンテーションは、自動的に（例えば、機械学習に基づいて）又は半自動的に（例えば、ユーザ支援とともに）実行される。１つの事例では、セグメンテーションは、そこから冠動脈中心線及び／又は管腔形状（例えば、直径、周囲、断面積など）を識別及び／又は抽出することを含む。セグメンテーションは、ボクセル強度、対象物形状、及び／又は他の特性に基づく。冠動脈セグメンテーションモジュール２００の出力は、セグメント化された冠動脈樹及び／又は管腔形状である。

冠動脈樹を抽出するための好適な手法の例が、Ｚｈｅｎｇ等、「Ｒｏｂｕｓｔ ａｎｄ ａｃｃｕｒａｔｅ ｃｏｒｏｎａｒｙ ａｒｔｅｒｙ ｃｅｎｔｅｒｌｉｎｅ ｅｘｔｒａｃｔｉｏｎ ｉｎ ＣＴＡ ｂｙ ｃｏｍｂｉｎｉｎｇ ｍｏｄｅｌ－ｄｒｉｖｅｎ ａｎｄ ｄａｔａ－ｄｒｉｖｅｎ ａｐｐｒｏａｃｈｅｓ」、Ｍｅｄ Ｉｍａｇｅ Ｃｏｍｐｕｔ Ａｓｓｉｓｔ Ｉｎｔｅｒｖ． ２０１３年；１６（Ｐｔ ３）：７４～８１、Ｅｃａｂｅｒｔ等、「Ｓｅｇｍｅｎｔａｔｉｏｎ ｏｆ ｔｈｅ ｈｅａｒｔ ａｎｄ ｇｒｅａｔ ｖｅｓｓｅｌｓ ｉｎ ＣＴ ｉｍａｇｅｓ ｕｓｉｎｇ ａ ｍｏｄｅｌ－ｂａｓｅｄ ａｄａｐｔａｔｉｏｎ ｆｒａｍｅｗｏｒｋ」、Ｍｅｄ Ｉｍａｇｅ Ａｎａｌ． ２０１１年１２月；１５（６）：８６３～７６、及びＦｒｅｉｍａｎ等、「Ｉｍｐｒｏｖｉｎｇ ＣＣＴＡ－ｂａｓｅｄ ｌｅｓｉｏｎｓ’ ｈｅｍｏｄｙｎａｍｉｃ ｓｉｇｎｉｆｉｃａｎｃｅ ａｓｓｅｓｓｍｅｎｔ ｂｙ ａｃｃｏｕｎｔｉｎｇ ｆｏｒ ｐａｒｔｉａｌ ｖｏｌｕｍｅ ｍｏｄｅｌｉｎｇ ｉｎ ａｕｔｏｍａｔｉｃ ｃｏｒｏｎａｒｙ ｌｕｍｅｎ ｓｅｇｍｅｎｔａｔｉｏｎ」、Ｍｅｄ Ｐｈｙｓ． ２０１７年３月；４４（３）：１０４０～１０４９に論じられている。

ＦＦＲ－ＣＴプロセッサモジュール２０２は、セグメント化された冠動脈樹及び／又は管腔形状を利用して、ベースラインＦＦＲ－ＣＴ計算を実行し、ベースラインＦＦＲ－ＣＴ指標を計算し、冠動脈の狭窄の重症度を定量化する。１つの手法では、パラメータ集中型モデルが、血管網中の血流の患者固有の計算流体力学シミュレーションのために利用される。このモデルは、ある要素が流入及び流出境界条件を示し、他の要素が樹セグメント伝達関数（ｔｒｅｅ ｓｅｇｍｅｎｔ ｔｒａｎｓｆｅｒ ｆｕｎｃｔｉｏｎ）を表し、局所血管形状と液圧効果の両方を反映する一連の線形抵抗要素及び非線形抵抗要素を含む、非線形抵抗を使用する中心線表現を含む。このモデルでは、管腔形状（例えば、直径、周囲、断面積）は、非線形抵抗器によって表される。

一例が、Ｎｉｃｋｉｓｃｈ等、「Ｌｅａｒｎｉｎｇ Ｐａｔｉｅｎｔ－Ｓｐｅｃｉｆｉｃ Ｌｕｍｐｅｄ Ｍｏｄｅｌｓ ｆｏｒ Ｉｎｔｅｒａｃｔｉｖｅ Ｃｏｒｏｎａｒｙ Ｂｌｏｏｄ Ｆｌｏｗ Ｓｉｍｕｌａｔｉｏｎｓ」、Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｃｏｍｐｕｔｅｒ－Ａｓｓｉｓｔｅｄ Ｉｎｔｅｒｖｅｎｔｉｏｎ －－ ＭＩＣＣＡＩ ２０１５：１８ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ、ＬＮＣＳ、９３５０巻、２０１５年、９３５０巻、４３３～４４１頁に論じられている。境界条件を導き出す一例が、２０１４年６月３０日に出願され、「Ｅｎｈａｎｃｅｄ Ｐａｔｉｅｎｔ’ｓ Ｓｐｅｃｉｆｉｃ Ｍｏｄｅｌｌｉｎｇ Ｆｏｒ ＦＦＲ－ＣＴ」と題されたＥＰ１４１７４８９１．３に記載されており、その全体が参照により本明細書に組み込まれる。ＦＦＲ値を計算する例が、２０１３年５月１０日に出願され、「Ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ ａ ｆｒａｃｔｉｏｎａｌ ｆｌｏｗ ｒｅｓｅｒｖｅ （ＦＦＲ） ｖａｌｕｅ ｆｏｒ ａ ｓｔｅｎｏｓｉｓ ｏｆ ａ ｖｅｓｓｅｌ」と題された米国特許出願公開第２０１５／００９２９９９Ａ１号、２０１３年１０月２４日に出願され、「Ｆｒａｃｔｉｏｎａｌ ｆｌｏｗ ｒｅｓｅｒｖｅ （ＦＦＲ） ｉｎｄｅｘ」と題された米国特許出願公開第２０１５／０２８２７６５Ａ１号に記載されており、それらの全体が参照により本明細書に組み込まれる。

プラーク検出器モジュール２０４は、例えば、抽出された冠動脈中心線及び管腔に基づいて、セグメント化された冠動脈に沿ってプラークの場所を検出する。プラーク分類器モジュール２０６は、例えば、抽出された冠動脈中心線及び管腔に基づいて、検出されたプラークを分類する。検出及び／又は分類は、例えばボクセルを輪郭付けしラベル付けすることによる手動、又は例えば機械学習手法を使用した自動とすることができる。例示の分類は、脂質過多、石灰化、混合などを含む。プラーク検出器モジュール２０４の出力は場所であり、プラーク分類器モジュール２０６の出力は場所ごとのプラークのタイプである。

例示の手法には、Ｗｏｌｔｅｒｉｎｋ等、「Ａｕｔｏｍａｔｉｃ ｃｏｒｏｎａｒｙ ａｒｔｅｒｙ ｃａｌｃｉｕｍ ｓｃｏｒｉｎｇ ｉｎ ｃａｒｄｉａｃ ＣＴ ａｎｇｉｏｇｒａｐｈｙ ｕｓｉｎｇ ｐａｉｒｅｄ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ」、２０１６年１２月、３４：１２３～１３６、Ｋａｎｇ等、「Ｓｔｒｕｃｔｕｒｅｄ ｌｅａｒｎｉｎｇ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｄｅｔｅｃｔｉｏｎ ｏｆ ｎｏｎ－ｏｂｓｔｒｕｃｔｉｖｅ ａｎｄ ｏｂｓｔｒｕｃｔｉｖｅ ｃｏｒｏｎａｒｙ ｐｌａｑｕｅ ｌｅｓｉｏｎｓ ｆｒｏｍ ｃｏｒｏｎａｒｙ ＣＴ ａｎｇｉｏｇｒａｐｈｙ」、Ｊ Ｍｅｄ Ｉｍａｇｉｎｇ． ２０１５年；２（１）：０１４００３、及びＭｉｔｔａｌ等、「Ｆａｓｔ ａｕｔｏｍａｔｉｃ ｄｅｔｅｃｔｉｏｎ ｏｆ ｃａｌｃｉｆｉｅｄ ｃｏｒｏｎａｒｙ ｌｅｓｉｏｎｓ ｉｎ ３Ｄ ｃａｒｄｉａｃ ＣＴ ｉｍａｇｅｓ」、Ｉｎ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ｉｎ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ（１～９頁）、Ｓｐｒｉｎｇｅｒ Ｂｅｒｌｉｎ Ｈｅｉｄｅｌｂｅｒｇ、（２０１０年９月）が含まれる。

プラーク定量器モジュール２０８は、ラベル付けされたボクセルの数を各タイプのプラークに対して計数し、検出された広さ（ボクセル単位）及びＣＴ画像の既知の解像度を使用して各プラークのサイズを決定し、プラークのタイプに対して対応するボクセルの数とボクセルのサイズを乗算することによって各タイプのプラークを定量化する。プラーク定量器モジュール２０８の出力は、検出されたプラークのタイプごとの値であり、特定のタイプのプラークの値は、検出されたプラーク中のそのプラークの量又はボリュームを表す。

薬剤効果メモリのモデル２１０は、複数の異なる薬剤の各々のプラークへの有望な効果を記述するモデルを含む。例えば、１つの例では、モデルは、薬剤が対象にするプラークのタイプと、予測されるスキム率（ｓｋｉｍ ｒａｔｅ）とを含む。多数のプラークの分類のための多数の薬剤の一例が、以下で表１に示される。この例では、表は、事前定義の期間（例えば、１年）にわたる薬剤ごとの各タイプのプラークの減少（パーセントとして）を示す。モデルの情報は、特定の薬剤を投与されたプラークをもつ患者の履歴結果、及び／又はシミュレーションに基づく。

治療結果プリディクタ２１２は、モデルを使用して、モデル内の薬剤に対するＦＦＲ指標及び／又はプラークのボリュームを予測する。１つの事例では、治療結果プリディクタ２１２は、プラーク定量器モジュール２０８によって計算されたプラークのベースラインボリュームにモデルを適用する。例えば、表１の「薬剤Ａ」では、治療結果プリディクタ２１２は、石灰化プラークのボリュームを０％減少させる（すなわち、この事例では減少はない）、脂質過多プラークのボリュームを１０％だけ減少させる、混合プラークのボリュームを７％だけ減少させる、などである。これは、モデル内の各薬剤に対するプラークの予測ボリュームを提示する。

追加として又は代替として、治療結果プリディクタ２１２は、ＦＦＲ－ＣＴプロセッサモジュール２０２にモデル内の情報を伝達し、ＦＦＲ－ＣＴプロセッサモジュール２０２は、それに基づいて境界条件を調節し、モデル内の薬剤ごとの予測ＦＦＲ指標を計算する。例えば、境界条件抵抗が血管の直径から決定される場合、プラークの減少は直径を増加させ、それは境界条件抵抗を減少させる、すなわち、抵抗と直径とは反比例する。この場合、ＦＦＲ－ＣＴプロセッサモジュール２０２は、調節された境界条件抵抗を用いて予測ＦＦＲ指標を計算する。

変形では、プラーク定量器モジュール２０８は省略される。別の変形では、ＦＦＲ－ＣＴプロセッサモジュール２０２は省略される。

治療結果プリディクタ２１２の出力は、ベースラインＦＦＲ指標、予測ＦＦＲ指標、ベースラインプラークボリューム、予測プラークボリューム、及び／又はベースラインと予測値との間の差を含む。例えば、１つの事例では、治療結果プリディクタ２１２は、プラーク面積率の減少及び／又はＦＦＲ指標の増加へのシミュレートされた有効性に基づいて、１つの薬剤選択肢などの推奨を決定し表示する。これは、血栓が生じたときに危険にさらされる心筋領域のサイズなどを考慮に入れて、プラークキャップにおける血流／剪断応力の薬剤誘発性変化を含むように拡張される。

推奨は、さらに、薬剤の各々を服用する場合（文献から分かっている）及び服用しない場合の急性冠動脈症候群（ＡＣＳ）のリスク、予測ＦＦＲ指標に基づく心筋灌流の改善、各薬剤の金銭的コスト、及び／又は他の情報などの他の情報を示す。例えば、薬剤の結果を並べて提示し、薬剤ごとに、その有効性、コスト、副作用の可能性などをリスト化することができる。出力は、ディスプレイモニタを介して表示する、印刷する、電子的に伝達することなどが可能である。臨床医は、この情報を利用して、もしあれば薬剤のうちのどれを対象者に処方すべきかを決定することができる。

図３は、本明細書に記載された一実施形態による例示の方法を示す。

上述の動作の順序は限定的でないことが理解されるべきである。そのため、他の順序が本明細書では考えられる。加えて、１つ又は複数の動作は省略されてもよく、及び／又は１つ又は複数の追加の動作が含まれてもよい。
３０２において、対象者の心臓ＣＴデータを得る。
３０４において、心臓ＣＴデータから冠動脈樹を抽出する。
３０６において、ベースラインＦＦＲ指標、各プラークのベースラインボリューム、又は両方が、本明細書に記載されたように及び／又は他のやり方で計算される。
３０８において、予測ＦＦＲ指標、各プラークの予測ボリューム、又は両方が、各治療の効果を有するモデルに基づいて、本明細書に記載されたように及び／又は他のやり方で、１つ又は複数の治療に対して計算される。
３１０において、結果が、本明細書に記載されたように及び／又は他のやり方で表示される。

上述は、コンピュータプロセッサによって実行されたとき、記載された動作をプロセッサに行わせる、コンピュータ可読記憶媒体に符号化されたか又は埋め込まれたコンピュータ可読命令を介して実施される。追加として又は代替として、コンピュータ可読命令のうちの少なくとも１つは、コンピュータ可読記憶媒体ではない信号、搬送波、又は他の一時的媒体によって搬送される。

本発明が、図面及び前述の記載において詳細に図示され説明されたが、そのような図示及び説明は、説明的又は例示的であり、制限的でないと考えられるべきであり、本発明は、開示された実施形態に限定されない。請求される本発明を実践する際に、図面、開示、及び添付の特許請求の範囲の検討から、開示された実施形態に対する他の変形が、当業者によって理解され達成される。

特許請求の範囲において、「備えている、含んでいる」という単語は、他の要素又はステップを除外するものではなく、単数形は複数を除外するものではない。単一のプロセッサ又は他のユニットは、特許請求の範囲に列挙されているいくつかの項目の機能を果たすことができる。特定の手段が互いに異なる従属請求項に列挙されているという単なる事実は、これらの手段の組合せが有利に使用され得ないことを示していない。

コンピュータプログラムは、他のハードウェアの一部と一緒に又はその一部として供給された光記憶媒体又は固体媒体などの適切な媒体に記憶／分散されてもよいが、さらに、インターネット又は他の有線若しくは無線通信システムを介するなどの他の形態で分散されてもよい。特許請求の範囲における参照符号は、本発明の範囲を限定するものとして解釈されるべきでない。

Claims (15)

1. プリディクタによって実行される
   造影強調心臓コンピュータ断層撮影ボリュメトリック画像データからの冠動脈樹をセグメント化するステップと、
   セグメント化された前記冠動脈樹におけるプラークの場所を検出し、検出されたプラークを、検出された前記場所の各々に対するプラークのタイプとして分類するステップであって、前記プラークのタイプが、少なくとも石灰化プラーク、脂質過多プラーク、及び混合プラークを含むプラークのタイプから選択される、検出し、分類するステップと、
   前記セグメント化された冠動脈樹におけるベースライン血流予備量比指標、及び前記検出されたプラークにおける前記プラークのタイプの各々のベースラインボリュームを含む、ベースライン冠動脈状態を決定するステップと、
   前記造影強調心臓コンピュータ断層撮影ボリュメトリック画像データ、及び冠動脈状態に影響を与える特性がある複数の異なる薬剤の各々の効果のモデルから、前記複数の異なる薬剤の各々に対する予測冠動脈状態を決定するステップであって、前記モデルが、事前定義の期間にわたる前記複数の異なる薬剤の各々に対する前記プラークのタイプの各々のパーセントとしての減少を示し、前記モデルが、前記プラークのタイプの各々の予測ボリュームを決定するために、前記プラークのタイプの各々の前記ベースラインボリュームに適用され、前記複数の異なる薬剤の各々に対する前記予測冠動脈状態は、前記モデルを、予測血流予備量比指標を計算するために使用される境界条件に適用することによって計算される当該予測血流予備量比指標を含む、決定するステップと
   を実行するためのプロセッサと、
   前記複数の異なる薬剤の各々に対する前記ベースライン冠動脈状態及び前記予測冠動脈状態を表示するためのディスプレイと
   を含む、システム。
2. 前記プリディクタが、前記ベースライン冠動脈状態と前記予測冠動脈状態とに対する心筋灌流の間の差として計算される、物質の各々についての前記予測冠動脈状態に対しての心筋灌流の改善をさらに示す、請求項１に記載のシステム。
3. 前記プリディクタが、物質ごとにベースライン冠動脈状態と予測冠動脈状態とを比較し、各タイプのプラークに対するボリュームの最大減少に対応する物質を示す、請求項１に記載のシステム。
4. 前記プリディクタが、プラークキャップにおける血流及び剪断応力のうちの１つ以上についての誘発性変化をさらに決定する、請求項１から３のいずれか一項に記載のシステム。
5. 前記プリディクタは、血栓が生じたときに危険にさらされる心筋領域のサイズをさらに考慮に入れる、請求項１から３のいずれか一項に記載のシステム。
6. コンピュータ可読命令により符号化されたコンピュータ可読記憶媒体であって、コンピューティングシステムのプロセッサによって実行されたとき、前記プロセッサに、
   造影強調心臓コンピュータ断層撮影ボリュメトリック画像データからの冠動脈樹をセグメント化することと、
   セグメント化された前記冠動脈樹におけるプラークの場所を検出し、検出されたプラークを、検出された前記場所の各々に対するプラークのタイプとして分類することであって、前記プラークのタイプが、少なくとも石灰化プラーク、脂質過多プラーク、及び混合プラークを含むプラークのタイプから選択される、検出し、分類することと、
   前記セグメント化された冠動脈樹におけるベースライン血流予備量比指標、及び前記検出されたプラークにおける前記プラークのタイプの各々のベースラインボリュームを含む、ベースライン冠動脈状態を決定することと、
   前記造影強調心臓コンピュータ断層撮影ボリュメトリック画像データ、及び冠動脈状態に影響を与える特性がある複数の異なる薬剤の各々の効果のモデルから、前記複数の異なる薬剤の各々に対する予測冠動脈状態を決定することであって、前記モデルが、事前定義の期間にわたる前記複数の異なる薬剤の各々に対する前記プラークのタイプの各々のパーセントとしての減少を示し、前記モデルが、前記プラークのタイプの各々の予測ボリュームを決定するために、前記プラークのタイプの各々の前記ベースラインボリュームに適用され、前記複数の異なる薬剤の各々に対する前記予測冠動脈状態は、前記モデルを、予測血流予備量比指標を計算するために使用される境界条件に適用することによって計算される当該予測血流予備量比指標を含む、決定することと、
   前記複数の異なる薬剤の各々に対する前記ベースライン冠動脈状態及び前記予測冠動脈状態を表示することと
   を行わせる、コンピュータ可読記憶媒体。
7. 前記コンピュータ可読命令が、前記プロセッサに、
   前記ベースライン冠動脈状態と前記予測冠動脈状態とに対する心筋灌流の間の差として計算される、物質の各々についての前記予測冠動脈状態に対しての心筋灌流の改善を示すこと
   をさらに行わせる、請求項６に記載のコンピュータ可読記憶媒体。
8. 前記コンピュータ可読命令が、前記プロセッサに、
   物質ごとにベースライン冠動脈状態と予測冠動脈状態とを比較することと、
   各タイプのプラークに対するボリュームの最大減少に対応する物質を示すことと
   をさらに行わせる、請求項６に記載のコンピュータ可読記憶媒体。
9. 前記コンピュータ可読命令が、前記プロセッサに、
   プラークキャップにおける血流及び剪断応力のうちの１つ以上についての誘発性変化を決定すること
   をさらに行わせる、請求項６から８のいずれか一項に記載のコンピュータ可読記憶媒体。
10. 前記コンピュータ可読命令が、前記プロセッサに、
    血栓が生じたときに危険にさらされる心筋領域のサイズを考慮に入れること
    をさらに行わせる、請求項６から８のいずれか一項に記載のコンピュータ可読記憶媒体。
11. 複数の異なる薬剤の各々に対するベースライン冠動脈状態及び予測冠動脈状態を決定するシステムの作動方法であって、
    前記システムのプロセッサが、造影強調心臓コンピュータ断層撮影ボリュメトリック画像データからの冠動脈樹をセグメント化するステップと、
    前記プロセッサが、セグメント化された前記冠動脈樹におけるプラークの場所を検出し、検出されたプラークを、検出された前記場所の各々に対するプラークのタイプとして分類するステップであって、前記プラークのタイプが、少なくとも石灰化プラーク、脂質過多プラーク、及び混合プラークを含むプラークのタイプから選択される、検出し、分類するステップと、
    前記プロセッサが、前記セグメント化された冠動脈樹におけるベースライン血流予備量比指標、及び前記検出されたプラークにおける前記プラークのタイプの各々のベースラインボリュームを含む、ベースライン冠動脈状態を決定するステップと、
    前記プロセッサが、前記造影強調心臓コンピュータ断層撮影ボリュメトリック画像データ、及び冠動脈状態に影響を与える特性がある複数の異なる薬剤の各々の効果のモデルから、前記複数の異なる薬剤の各々に対する予測冠動脈状態を決定するステップであって、前記モデルが、事前定義の期間にわたる前記複数の異なる薬剤の各々に対する前記プラークのタイプの各々のパーセントとしての減少を示し、前記モデルが、前記プラークのタイプの各々の予測ボリュームを決定するために、前記プラークのタイプの各々の前記ベースラインボリュームに適用され、前記複数の異なる薬剤の各々に対する前記予測冠動脈状態は、前記モデルを、予測血流予備量比指標を計算するために使用される境界条件に適用することによって計算される当該予測血流予備量比指標を含む、決定するステップと
    前記プロセッサが、前記複数の異なる薬剤の各々に対する前記ベースライン冠動脈状態及び前記予測冠動脈状態を表示するステップと
    を含む、システムの作動方法。
12. 前記プロセッサが、前記ベースライン冠動脈状態と前記予測冠動脈状態とに対する心筋灌流の間の差として計算される、物質の各々についての前記予測冠動脈状態に対しての心筋灌流の改善を示すステップ
    をさらに含む、請求項１１に記載のシステムの作動方法。
13. 前記プロセッサが、物質ごとにベースライン冠動脈状態と予測冠動脈状態とを比較するステップと、
    前記プロセッサが、各タイプのプラークに対するボリュームの最大減少に対応する物質を示すステップと
    をさらに含む、請求項１１に記載のシステムの作動方法。
14. 前記プロセッサが、プラークキャップにおける血流及び剪断応力のうちの１つ以上についての誘発性変化を決定するステップ
    をさらに含む、請求項１１から１３のいずれか一項に記載のシステムの作動方法。
15. 前記プロセッサが、血栓が生じたときに危険にさらされる心筋領域のサイズを考慮に入れるステップ
    をさらに含む、請求項１１から１３のいずれか一項に記載のシステムの作動方法。

Images