用于根據(jù)醫(yī)學圖像和臨床數(shù)據(jù)來估計生理學心臟測量的系統(tǒng)和方法
【專利說明】用于根據(jù)醫(yī)學圖像和臨床數(shù)據(jù)來估計生理學心臟測量的系統(tǒng) 和方法
[00011 本申請要求2013年8月28日提交的美國臨時申請No. 61/870,849和2013年9月26日 提交的美國臨時申請No. 61 /822，764的權(quán)益，所述申請的公開內(nèi)容通過引用以其全部并入 本文。
【背景技術(shù)】
[0002]本發(fā)明涉及基于醫(yī)學圖像數(shù)據(jù)和臨床測量來估計患者的生理學心臟測量，并且更 特別地涉及估計生理學心臟測量以個性化針對患者的多物理學(multi-physics)心臟模型 以用于疾病診斷和療法規(guī)劃。
[0003]心力衰竭，作為有相當大的死亡率和發(fā)病率的常見形式的心臟血管疾病是對于公 眾健康的主要威脅。其起因是多樣的并且對診斷或治療有挑戰(zhàn)性。因此，能夠模擬心臟功能 以便根據(jù)臨床數(shù)據(jù)提供更多信息、計算新的風險評分或者預測療法結(jié)果的復雜心臟模型是 合期望的。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明提供了用于根據(jù)醫(yī)學圖像和臨床數(shù)據(jù)來估計生理學心臟測量以便使多物 理學心臟模型個性化的方法和系統(tǒng)。本發(fā)明的實施例提供了用于根據(jù)日常獲取的醫(yī)學成像 和臨床數(shù)據(jù)的完全心臟機電個性化的全面框架。本發(fā)明的實施例允許快速生成心臟的可再 現(xiàn)的患者特定的計算模型。
[0005] 在本發(fā)明的一個實施例中，通過基于患者的醫(yī)學圖像數(shù)據(jù)和臨床測量而使用邊際 方法使心臟電生理學模型、心臟生物力學模型和心臟血液動力學模型的參數(shù)個性化來基于 患者特定的解剖模型生成患者特定的多物理學計算心臟模型，其中使用基于從患者的醫(yī)學 圖像數(shù)據(jù)和臨床測量提取的特征而在訓練樣本的數(shù)據(jù)庫上訓練的回歸模型來使針對心臟 電生理學模型、心臟生物力學模型或心臟血液動力學模型中的至少一個的參數(shù)個性化。使 用患者特定的多物理學計算心臟模型來計算患者的心臟功能。通過移動網(wǎng)格使心臟模型可 視化，并且估計的參數(shù)被返回給用戶。
[0006] 通過參考以下詳細描述和附圖，本發(fā)明的這些和其它優(yōu)點將是對本領域普通技術(shù) 人員明顯的。
【附圖說明】
[0007] 圖1圖示了根據(jù)本發(fā)明的實施例的計算多物理學心臟模型； 圖2圖示了根據(jù)本發(fā)明的實施例的使用患者特定的計算多物理學心臟模型來模擬心臟 功能的方法； 圖3圖示了根據(jù)本發(fā)明的實施例的用于生成左心室和右心室的患者特定的解剖模型的 方法； 圖4圖示了用于生成患者特定的解剖模型的示例性結(jié)果； 圖5圖示了根據(jù)本發(fā)明的實施例的用于使患者特定的多物理學計算模型的參數(shù)個性化 的方法； 圖6圖示了 3元Windkessel(空氣室)模型； 圖7圖示了根據(jù)本發(fā)明的實施例的用于使心臟電生理學(EP)模型個性化的算法； 圖8圖示了根據(jù)本發(fā)明的實施例的用于使心臟生物力學模型個性化的算法； 圖9圖示了在被動和主動生物力學參數(shù)上的敏感度分析的示例性結(jié)果； 圖10圖示了在使用圖5的方法在三個患者中的患者特定的多物理學模型的個性化之后 的示例性壓強和容積曲線； 圖11圖示了基于機器學習的統(tǒng)計模型； 圖12圖示了根據(jù)本發(fā)明的實施例的用于使用所訓練的統(tǒng)計模型來使計算多物理學模 型的參數(shù)個性化的方法； 圖13圖示了根據(jù)本發(fā)明的實施例的用于使多物理學心臟模型的參數(shù)個性化的邊際空 間學習流水線； 圖14圖示了用于估計心臟生物力學參數(shù)的示例性回歸模型； 圖15圖示了基于所計算的特征來估計機電(EM)模型參數(shù)的回歸樹的示例； 圖16圖示了在整個數(shù)據(jù)庫上的左心室的所模擬的壓強曲線和容積曲線的變化； 圖17圖示了來自模擬的時間序列的不同時間點處的變形的解剖體(anatomy )的示例性 3D表不；以及 圖18是能夠?qū)崿F(xiàn)本發(fā)明的計算機的高層級框圖。
【具體實施方式】
[0008] 本發(fā)明涉及根據(jù)醫(yī)學圖像和臨床數(shù)據(jù)來估計生理學心臟測量以便使針對患者的 多物理學心臟模型個性化。本發(fā)明的實施例在本文被描述成給出用于使計算多物理學心臟 模型個性化的方法的可視理解。數(shù)字圖像通常由一個或多個對象（或形狀）的數(shù)字表示組 成。對象的數(shù)字表示在本文通常在標識和操縱對象的方面來被描述。這樣的操縱是在計算 機系統(tǒng)的存儲器或其它電路/硬件中實現(xiàn)的虛擬操縱。因此，要理解的是，本發(fā)明的實施例 可以使用存儲在計算機系統(tǒng)內(nèi)的數(shù)據(jù)在計算機系統(tǒng)內(nèi)執(zhí)行。
[0009] 圖1圖示了根據(jù)本發(fā)明的實施例的計算多物理學心臟模型。多物理學心臟模型100 提供心臟機電學的完整模型。如圖1中所示，多物理學心臟模型100的主要組件包括解剖模 型102、心臟電生理學模型104、心臟生物力學模型106和心臟血液動力學模型108。一旦使心 臟電生理學模型104、心臟生物力學模型106和心臟血液動力學模型108針對患者個性化，患 者特定的多物理學心臟模型100就被用于模擬患者的心臟功能以便計算模擬的參數(shù)120,諸 如射血分數(shù)、搏出量、ECG、RV-LV延遲等。關于多物理學心臟模型的附加細節(jié)在美國公布的 專利申請No. 2013/0197881和美國公布的專利申請No. 2013/0197884中描述，所述申請的 公開內(nèi)容通過引用并入于此。
[0010] 解剖模型102是使用自動化圖像分析112從容積圖像數(shù)據(jù)110 (例如，MRI、CT、 DynaCT、3D超聲波)獲得的患者特定的心臟形態(tài)的模型。根據(jù)有利的實現(xiàn)方式，魯棒的、數(shù)據(jù) 驅(qū)動的機器學習方法被用于自動估計心內(nèi)膜和心外膜的三角測量的網(wǎng)格。隨附的兩個網(wǎng)格 產(chǎn)生兩心室心肌的閉合表面。心舒張后期結(jié)束時的閉合輪廓最終使用網(wǎng)格生成算法被變換 成四面體容積。接下來，心肌纖維被映射到患者特定的解剖模型。兩個選項可以用于將心肌 纖維映射到患者特定的解剖模型。在第一選項中，使用基于規(guī)則的系統(tǒng)在患者特定的形態(tài) 上計算纖維構(gòu)造，其中在基平面之下，纖維仰角從心外膜(-70°)到心內(nèi)膜(+70°)線性地變 化，并且網(wǎng)格上的測地距離被用于外推直到瓣膜的角度。要理解的是，以上列出的角度是示 例性的值，其可以由用戶適配。在第二選項中，對于其中彌散張量成像(DTI)可用的患者，由 DTI提供的纖維構(gòu)造被直接映射到患者特定的解剖模型。
[0011]心臟電生理學模型104計算心臟電生理學，其通過使用患者特定的解剖模型102在 整個心動周期上來計算。為了實現(xiàn)現(xiàn)實的結(jié)果和高計算性能，可以采用Mitchell-Schaeffer單域電生理學模型，并且可以使用用于電生理學的格子玻爾茲曼方法(LBM-EP) 來求解電生理學模型。根據(jù)有利的實現(xiàn)方式，電生理學模型可以與心電圖模型耦合?？梢曰?于患者的電生理學數(shù)據(jù)114 (諸如，心電圖（ECG))來針對患者使心臟電生理學模型104個性 化。應注意的是，本發(fā)明不限于特定的電生理學模型，并且在各種實現(xiàn)方式中，Mitchell-Schaeff er模型可以由電生理學的其它細胞模型代替。
[0012] 心臟生物力學模型106通過求解動力學方程財ii 4. Cii + Ku = Fs 4 & +匕來模擬 患者特定的解剖模型102的變形，其中和引入網(wǎng)格節(jié)點的加速度、速度和位移，并 且Μ、Κ和C分別是質(zhì)量矩陣、內(nèi)部彈性硬度矩陣和瑞利阻尼矩陣。Fa，匕和％分別對主動應 力、心室壓和力學邊界條件進行建模?？梢酝ㄟ^按照動作電位來表達主動柯西應力張量的 模型來計算主動力％。該模型主要由三個參數(shù)管控，即細胞所能達到的最大收縮和ATP結(jié)合 及釋放率。該模型對真實肌細胞收縮進行簡化，并且因而僅近似復雜底層生物物理現(xiàn)象的 行為。然而，這允許參數(shù)的數(shù)目相當?shù)投瑫r臨床可觀察，從而使得能夠?qū)崿F(xiàn)模型的魯棒個 性化。更先進的模型可以類似地被采用而沒有顯著的修改。被動應力％可以使用線性模型 或正交各向異性模型（諸如，正交各向異性Holzapfel-Ogden(H-O)模型[20])來計算。從心 肌組織結(jié)構(gòu)的考慮導出H-0模型，其意味著心臟組織示出不同的行為，無論它是沿纖維方 向、垂直于纖維等伸展。H-0模型包括八個材料常量，所述材料常量被包含在指數(shù)應力-應變 能量函數(shù)內(nèi)。使用乘法Jacobian能量分解(MJED)來重新公式化能量允許患者特定的組織生 物力學的高效計算。動脈和心房對心室運動的影響以及心包約束二者在生物力學模型內(nèi)被 考慮作為力學邊界條件，其計及力向量巧?？梢曰诨颊叩膭討B(tài)圖像數(shù)據(jù)116(諸如4D MRI、CT或超聲波)來使心臟生物力學模型106個性化。
[0013]心臟血液動力學模型108是心臟血液動力學的集總模型，其模仿四個心臟時相中 的血流。這通過更替心內(nèi)膜邊界條件來實現(xiàn)。在填充和噴射期間，使用來自上述動力學方程 的節(jié)點力％直接應用心房和動脈壓。在其間，即在等容收縮和等容舒張期間，使得能夠?qū)崿F(xiàn) 基于高效投影-預測方法的等容約束或懲罰約束以便保持心室容積恒定。能夠分別使用 Windkessel和彈回性(elastance)模型來計算動脈和心房壓?；颊叩膲簭姕y量118可以用于 使心臟血液動力學模型108個性化。壓強測量108可以是經(jīng)由侵入式導管過程或環(huán)帶(cuff) 壓強測量所獲取的線壓強測量。
[0014]圖2圖示了根據(jù)本發(fā)明的實施例的使用患者特定的計算多物理學心臟模型來模擬 心臟功能的方法。圖2的方法對患者的醫(yī)學圖像數(shù)據(jù)和臨床測量進行變換以生成患者特定 的計算多物理學心臟模型，并然后使用患者特定的計算多物理學心臟模型來模擬患者的心 臟功能。參考圖2,在步驟202處，接收患者的醫(yī)學圖像數(shù)據(jù)和臨床數(shù)據(jù)。醫(yī)學圖像數(shù)據(jù)可以 是包括患者的心臟區(qū)域的3D醫(yī)學圖像。醫(yī)學圖像可以是在至少一個完整的心動周期上獲取 的醫(yī)學圖像的動態(tài)序列。在本發(fā)明的有利實施例中，醫(yī)學圖像可以是MRI圖像、CT圖像、 DynaCT和/或超聲波圖像，但本發(fā)明不一定被限制于這些成像模態(tài)?？梢灾苯訌闹T如MR、CT 或超聲波掃描儀之類的醫(yī)學成像設備接收醫(yī)學圖像，或者可以通過加載患者的所存儲的醫(yī) 學圖像來接收醫(yī)學圖像。臨床數(shù)據(jù)可以包括非成像的患者特定的測量，諸如ECG、動脈和心 室壓測量等。ECG可以是從患者獲取的12導聯(lián)ECG?？梢酝ㄟ^基于導管的侵入式壓強測量或 環(huán)帶壓強測量來獲取壓強測量。
[0015] 在步驟204處，從患者的醫(yī)學圖像數(shù)據(jù)上生成心臟的患者特定的解剖模型。患者特 定的解剖模型可以包括所有心臟腔室或心臟腔室的子集。根據(jù)有利的實現(xiàn)方式，患者特定 的解剖模型可以包括左心室(LV)和右心室(RV)。圖3圖示了根據(jù)本發(fā)明的實施例的用于生 成左心室和右心室的患者特定的解剖模型的方法。圖3的方法可以用于實現(xiàn)圖2的步驟204。 在步驟302處，從醫(yī)學圖像中提取LV和RV的解剖模型。在有利的實施例中，LV和RV解剖模型 示出患者特定的心臟形態(tài)和動力學，并且根據(jù)MRI或超聲波圖像來被自動計算。可以在覆蓋 兩個心臟心室的全部的任何手術(shù)前圖像(例如，US或心臟MR)中檢測LV和RV模型?？梢酝ㄟ^ 使用基于邊際空間學習的機器學習方法對左心內(nèi)膜、右心內(nèi)膜、心外膜和左流出道及右流 出道進行分割來提取LV和RV模型。所獲得的三角測量(網(wǎng)格)根據(jù)它們表示的解剖體來被自 動加標簽以用于后續(xù)處理。
[0016] 對于LV和RV中的每一個，心臟腔室分割可以被制定為兩步驟學習問題:解剖結(jié)構(gòu) 定位和邊界描繪。在有利實施例中，邊際空間學習(MSL)可以用于將機器學習應用于3D對象 檢測。MSL的想法不是在全相似變換參數(shù)空間中直接學習單片(monolithic)分類器，而是在 邊際空間上遞增地學習分類器。特別地，每個心臟腔室的檢測可以被拆分成三個問題:定位 估計、定位-定向估計和定位-定向-尺度估計。針對這些估計問題中的每一個，基于經(jīng)注釋 的訓練數(shù)據(jù)來訓練單獨的分類器。較低維的邊際空間中的分類器被用于高效地修剪搜索空 間。該對象定位階段導致對象(例如，心臟腔室）的所估計的變換(定位、定向和尺度）。
[0017]在自動對象定位之后，對象的平均形狀模型與所估計的變換對準以得到對象形狀 的粗略估計。然后局部地使形狀變形以適合對象邊界。主動形狀模型(ASM)可以被用于在圖 像證據(jù)和形狀先驗的指導下來使非剛性形狀的初始估計變形。然而，如在常規(guī)ASM應用中使 用的非基于學習的一般邊界檢測器由于復雜的背景和弱邊緣而在心臟腔室變形中并不有 效地工作。代替地，基于學習的邊界檢測器可以用于利用更多圖像證據(jù)來實現(xiàn)魯棒的邊界 檢測。關于基于MSL的心臟腔室分割的附加細節(jié)在2011年3月29日授權(quán)的且題為"System and Method for Segmenting Chambers of a Heart in a Three Dimension