医学成像中的血管内植入物决定支持的制作方法

背景技术：

本实施例涉及血管内植入物规划。临床医生在治疗血管内病症时面临着越来越多的选择，并且必须整合多种信息来源来规划手术。例如，对于患有动脉瘤的患者，选择可能是卷绕动脉瘤或放置具有多种可能的植入构造的血流导向装置的不同模型中的任何一个。临床医生会确定植入比如血流导向装置或支架之类的血管内装置是否对患者有益，并且如果有益的话，则对装置类型及其参数（例如直径、长度、孔隙度、金属覆盖面积、材料机械性能等）进行最佳选择。对于患有动脉瘤的患者，许多患者经常最终需要多个血流导向装置（例如，重叠或延伸到不同的出口分支中）。因此，决策还必须考虑患者是否可能需要多个装置以及它们的最佳放置。

已经对虚拟支架和血流导向装置的部署进行了建模。基于图形的方法将支架的几何结构映射到圆柱体以作为纹理贴图，并使纹理贴图与圆柱体变形一起变形。其他方法将支架建模为单纯形（simplex），并使用外部变形力来得到支架植入物。这些方法放弃施加来自血管的边界条件或者使用特别的外力和内应力，这可能与支架的机械性能不对应。类似的自动快速但纯几何方法是基于hermite样条拟合（fit）实现的。交互式弯曲法使用商业软件rhinoceros4.0。网格和有限元分析方法的完整显式表示在计算上非常昂贵。开环模型驱动的几何方法仅适用于编织支架。

技术实现要素：

作为介绍，以下描述的优选实施例包括用于使用医学成像系统来进行血管植入物决策支持的方法、系统、指令和非暂时性计算机可读介质。血管内植入物的基于物理学的模型被用于基于医学成像来模拟患者的血管模型中的部署。部署的植入物的孔隙度（porosity）和模拟被用于确定一个或多个血液动力学参数中的每一个的值，以支持对血管内治疗的决策。机器学习网络使用特定于患者的信息来选择血管内植入物、放置和/或用于模拟部署和/或从针对患者的部署来预测成果的其他植入物构造。临床医生可以使用决策支持来在用于植入的选项之中进行选择和/或确认计划的充分性。这些方法中的各种方法可以单独使用或组合使用。

在第一方面，提供了一种用于使用医学成像系统进行血管植入物决策支持的方法。医学成像系统扫描患者，从而提供表示患者的血管的数据。模拟规则网格中的连接节点的晶格（lattice）对正如以数据表示的血管的拟合。节点已被指定质量和约束，并且质量和约束来自于晶格对血管植入物的拟合。基于由模拟产生的晶格来确定血管植入物在患者的血管中的孔隙度。根据孔隙度和由模拟产生的血管植入物对正如以数据表示的血管的拟合来计算血液动力学量。机器学习网络基于血液动力学量并基于血管植入物对血管的拟合来预测对患者的成果。

在第二方面，提供了一种使用医学成像系统来进行血管植入物决策支持的方法。医学成像系统扫描患者，从而提供表示患者的血管的数据。机器学习网络基于表示患者的血管的数据来选择血管植入物和血管植入物的放置。模拟所选的血管植入物在血管中的部署。根据来自于所述模拟的正如在患者的血管中所部署的血管植入物的模型来计算血流动力学量。显示该血液动力学量。

在第三方面，提供了一种用于使用医学成像系统来进行血管植入物决策支持的方法。医学成像系统扫描患者，从而提供表示患者的血管的数据。基于物理学来对血管内装置在血管内的部署进行建模。确定由所建模的部署产生的血液动力学参数的值。显示该值。

本发明由下面的权利要求书限定，并且本节中的任何内容均不应被视为对那些权利要求书的限制。下面结合优选实施例讨论本发明的其他方面和优点，并且以后可以独立地或组合地要求保护本发明的其他方面和优点。

附图说明

组件和附图不一定按比例绘制，而是将重点放在说明本发明的原理上。此外，在附图中，贯穿不同的视图，相似的附图标记指代对应的部分。

图1示出了用于血管内植入物临床决策支持的方法的一个实施例的流程图；

图2是用于血管内植入物临床决策支持的方法的另一实施例的流程图；

图3示出了用于不同血管内植入物的基于物理学的表示的示例质量弹簧模型；

图4示出了质量弹簧模型对特定血管内植入物的示例拟合；

图5示出了模拟质量弹簧模型在血管的特定于患者的网格中的部署的第一个示例；

图6示出了模拟质量弹簧模型在血管的特定于患者的网格中的部署的第二个示例；

图7示出了在不同血管布置中的示例部署；

图8示出了由部署而产生的示例孔隙度变化；

图9是从建模的部署生成的示例血管造影；

图10示出了基于部署的模拟的关于植入的示例决策支持；以及

图11是用于血管内植入物临床决策支持的系统的一个实施例。

具体实施方式

提供了用于血管内手术规划的决策支持系统。该决策支持提供决策的自动优化和/或指导，例如测试所选的植入计划的成果（例如流量）和/或协助选择植入计划。

临床实践中的动脉瘤治疗规划取决于获取描述病理性血管区域的合适医学图像。基于结合患者人口统计资料（年龄、性别、体重、体重指数等）的成像数据、既往病史（糖尿病、当前药物清单、之前的中风等）和/或血液生物标记（例如，血细胞计数、凝血因子、红细胞比容、血液粘度、血糖水平等），建立并执行患者个性化的治疗策略。针对治疗规划过程的决策支持基于对上述因素的系统分析以及使用血流导向支架的虚拟植入而模拟的对患者动脉瘤的治疗。在治疗规划之前获取的数据（医学图像、血液生物标记、患者病史和人口统计资料）仅被用于进一步处理。该模型还可以利用使用机器学习或基于物理学的模拟器（诸如计算流体动力学模型）而模拟的成果。对于这样的模拟，可以使用手动、半自动或自动分割算法来提取解剖模型。虚拟部署系统被集成到决策支持中。

图1示出了用于血管内手术规划的决策支持的一个实施例的流程图或概述。该概述示出了一个工作流程，其包括装置建模（使装置特性拟合到物理模型）、装置模型在患者血管的表示中的部署、以及基于部署的成果预测。

在阶段10中，对患者进行成像。成像被用于形成患者血管的模型，例如分割边界网格或拟合血管模型。在阶段12中，从患者电子病历、用户输入和/或对实验室数据库的访问中收集其他特定于患者的数据（例如，人口统计资料、患者病史和血液生物标记）。

在阶段14中，对植入进行模拟。对于所选的植入物，模拟对植入物的基于物理学的模型在患者血管的模型中的部署进行建模。部署模拟追踪植入物和血管的变形。根据使用情况，治疗模拟模型可以是相对较快的机器学习模型或降阶模型，或者可以是更全面的高保真模拟。对于这两种情况，模拟可以在本地计算，或者可以在联网的机器或集群上进行计算并通过网络传递结果。

植入物的基于物理的模型和模拟的部署可以计及（accountfor）不同治疗选项的内在参数。例如，对于血流导向装置或支架部署，植入物的基于物理学的模型可能结合复杂的几何形式和支柱连接，而不仅是编织装置。此外，如果需要，可以包括不同的材料性质（例如，镍钛诺的应力-应变关系、热性质等）。对于降阶方案，模型可以包括适当均质的材料描述。例如，血流导向装置和支架可以被表示为空间可变或具有均匀孔隙度的连续片，而不是对每个金属丝（wire）和支柱进行建模。

在阶段16中，机器学习网络基于模拟的部署、成像数据（例如分割的血管）和/或其他特定于患者的信息来预测成果。机器学习网络可以被用于输出用于阶段14中的模拟的植入物信息（例如，类型、大小、放置、装置的数量、装置的构造等）。可替代地或附加地，机器学习网络可以被用于预测模拟的部署的成果或预后。如果可获得，则可以在成果数据上训练决策支持系统，以便不仅预测短期的生理反应，而且还预测长期的成果和/或成本。成果或预后可以被用于比较或选择植入物信息，或者网络直接输出选择。

在阶段18中，将模拟的部署、预测的成果和/或基于部署而计算的血液动力学特性提供给临床医生。该信息可以被用于支持用于规划血管内植入的决策。

图2是使用医学成像系统的用于血管植入物决策支持的方法的一个实施例的流程图。临床决策支持基于无创医学成像数据、来自机器学习的知识和/或其他特定于患者的数据。来自模拟的部署的血液动力学结果、植入物信息的选择和/或成果预测被提供给用户，以支持用于规划血管内植入的决策。图2表示图1的概述的实现。

以所示顺序（例如，从顶到底或按数字表示的）或其他顺序来执行动作。例如，在动作20之前执行动作21或者作为动作25的一部分来执行动作21。作为另一个示例，重复动作21-25以测试不同的植入物和/或部署。

可以提供附加的、不同的或更少的动作。例如，在没有动作23、24、25和/或26的情况下执行该方法。作为另一示例，提供了用于配置医疗扫描仪的动作。

这些动作是由图11的系统或另一个系统执行的。例如，动作20由医疗扫描仪或成像系统来执行。动作21-25由与用户接口和/或存储器交互的决策支持处理器来执行。在一个示例中，医学成像系统执行所有动作。在又一示例中，工作站、计算机、便携式或手持式设备（例如，平板电脑或智能电话）、服务器或其组合执行这些动作中的一个或多个。决策支持系统可以被部署为工作站或其他本地计算设备上的独立应用程序，或者被部署为网络（云）体系结构（例如，通过网络连接到客户端计算机的服务器）上部署的服务。

在动作20中，医学成像系统扫描患者。可以使用用于扫描患者内部的任何医学成像系统，诸如计算机断层摄影术、磁共振、x射线或超声扫描仪。

获取一个或多个医学图像或数据集。医学图像是表示患者的数据帧。数据可以处于任何格式。尽管使用术语“图像”和“成像”，但是图像或成像数据可以处于在实际显示图像之前的格式。例如，医学图像可以是以与显示格式（即，扫描或体素数据）不同的笛卡尔或极坐标格式表示不同位置的多个标量值。作为另一示例，医学图像可以是输出到显示器以便以显示格式生成图像的多个红色、绿色、蓝色（例如，rgb）值。医学图像可能还不是显示的图像，可能是当前显示的图像，或者可能是以显示器或其他格式先前显示的图像。图像或成像是可以被用于解剖成像的数据集，诸如表示患者的解剖结构（例如冠状动脉）的空间分布的扫描数据。

通过从存储器加载和/或经由计算机网络传输来获得医学图像。例如，从存储器或数据库访问先前获取的扫描数据。作为另一示例，在来自于对患者进行扫描的获取之后，通过网络传送扫描数据。在其他实施例中，医学图像或扫描数据是通过扫描患者直接获得的。

数据表示患者的血管。该血管可能包括分支或者可能不包括分支。心脏或心脏的一部分可以被表示。基于接收到的所检测的强度来生成患者的血管的三维表示。获得表示包括患者血管的内部区域的数据。数据的帧表示患者的三维区域。为在三个维度上分布的多个位置（例如，体素）中的每个位置提供值。

血管可以被分割，或者其他组织可以被掩盖。分割提供了血管的位置。可替代地，边界或另一血管检测被应用以标识血管的内部和/或外部表面。可以通过将诸如解剖或统计形状模型之类的模型拟合到扫描数据来标识血管。机器学习网络可以从扫描数据中检测血管或血管位置。

血管可以用网格来表示。通过拟合到分割的或识别的血管的表面或划分该表面来为患者个性化地设计网格。除网格之外的其他表示也可以被用于血管，例如所标识的表面位置。

网格可能被指定特性以对血管进行建模。例如，网格具有指定为表示血管组织对施加的力的响应的线性弹性。作为另一个示例，包括拟合到扫描数据的组织特性的血管模型提供了用于对部署进行建模的特性。该特性可以是默认值，例如专家提供的估计值、经验确定的值、来自测量代表性组织的值和/或机器学习的值。比如网格的特性可以是为患者个性化的，诸如基于患者的年龄、体重和/或血液生物标记来指定血管组织的弹性特性。

可以获取其他特定于患者的数据。其他特定于患者的信息可以包括遗传信息、人口统计资料信息、患者病史和/或血液生物标记。决策支持处理器或其他处理器从计算机化的病历数据库或其他存储器中获取其他患者数据。通过在网络上查找、挖掘、搜索和/或接收来访问针对特定患者而存储的信息。可以使用其他医疗设备（例如听诊器、血压计和/或实验室诊断设备（例如，血压、心率、ecg信号））来提供患者数据。

在动作21中，决策支持处理器接收血管内装置的选择。所述选择是一种类型的血管内装置，例如血流导向装置。在下面的示例中，在脑动脉瘤中使用血流导向装置植入。其他血管内装置包括用于血管阻塞和外周动脉疾病（pad）的支架、动脉瘤的卷绕、以及用于在血管中植入的任何其他装置。可以治疗除动脉瘤以外的其他血管疾病。

选择可以包括装置的各种特性。可以选择针对装置的半径、长度、孔隙度、使用的材料、制造商、设计（例如，支柱之间的连接类型和支柱的曲率）、柔韧性和/或其他物理选项。可以获得许多不同的装置，每个装置都以某种方式具有不同的结构（例如，较粗的支柱、不同的连接、不同的长度、不同的曲率等）。在给定的患者中可以使用多于一个装置，因此选择可能是许多装置。

可以选择所述装置相对于血管的放置。选择所述装置在血管中的开始位置和结束位置。可以选择用于填塞（packing）的区域。可以选择多个装置相对于彼此的放置。

用户可以选择血管内装置和/或放置。用户从下拉菜单中选择，输入码，输入特性，或使用用户接口以其他方式进行选择。对于放置，用户可以在血管或血管模型的图像（例如，渲染为2d显示图像的3d网格）上指示起点和终点。可能会指示出填塞的任何位置以增加孔隙度。可以使用装置和/或放置的其他用户输入，例如针对多个装置的构造。可替代地，可以使用默认选择。

在其他实施例中，决策支持处理器进行选择。可以使用选择功能，例如将一个或多个不同的特定于患者的特性与可用装置的特性或特定特性相关。在一实施例中，机器学习网络选择血管植入物和/或血管植入物的放置。机器学习网络可以使用任何输入，诸如使选择基于表示患者血管的数据（例如，扫描数据和/或个性化血管模型）、患者的一种或多种血液生物标记、患者病史和/或患者的一个或多个人口统计指标。机器学习网络被训练以从一组可用的血管内装置中选择血管内装置，选择在血管内的放置、血管中的一个或多个装置的构造、多个血管内装置和/或其他装置特性（例如，半径、长度和/或孔隙度限制（最小和/或最大））。任何输入信息都可以被用在针对选择的训练中。

机器学习使用标记的训练数据或具有用于学习的基本事实的训练数据来预测临床决策。训练数据被用作以往案例的知识，以训练网络将患者分类为决策组或选项。训练将输入向量的特征与临床决策相关联。对于选择，训练将输入信息与选择相关联。

决策支持使用任何不同的机器学习模型来使用解剖学和/或生理学知识。为了进行训练，使用了许多具有已知基本事实（例如选择）的样本。对于样本，机器学习的模型输入可以是真实的（来自患者、或实验室规模的测量值），虚拟的（合成的或不代表给定患者或物理学的实验室布置）或两者的组合。对于患者数据，输入样本可以包含患者图像、血液生物标记、人口统计资料、测量值和/或遗传数据。对于基本事实，输入数据包括为患者选择的疗法。可以替代地或附加地使用其他基本事实，诸如在不同时间点（例如30天、90天等）记录的成果和/或不良事件的发生或不发生。对于模拟或合成样本，使用计算工具来产生可能的患者几何结构、病理状况和装置部署的多种实现（例如，针对每种可能的几何结构和/或状况的专家选择的部署或通过计算优化的部署）。在合成几何体上执行部署和疗法的物理过程。然后使用机器学习模型来学习在合成几何结构的参数与输出选择之间的对应性。可以使用在线学习或其他机器学习方法来连续更新初始训练的模型。

可以使用任何机器学习或训练。可以使用概率提升树、支持向量机、神经网络、稀疏自动编码分类器、贝叶斯网络或其他现在已知或以后开发的机器学习。可以使用任何半监督、监督或无监督的学习。可以使用层次化方法或其他方法。在一个实施例中，通过机器学习分类器进行分类，该机器学习分类器是通过深度学习而学习的。作为标识区分不同成果的特征的一部分，分类器也是机器学习的。可以使用任何深度学习方法或体系结构。例如，使用卷积神经网络。该网络可以包括卷积、子采样（例如，最大池化）、完全连接的层和/或其他类型的层。通过使用卷积来限制要被测试的可能特征的数量。在最大池化之后，完全连接的层操作用来完全连接如由卷积层限制的特征。可以将其他特征（诸如非成像或临床信息）添加到完全连接的层中。可以提供层的任何组合。采用层次结构以用于学习特征或表示，或者用于分类或回归。基于计算机的决策支持系统采用机器学习算法来进行自动决策。

利用深度或不利用深度学习的机器学习预测器被训练以将分类标签（选择的输出临床决策）与一个或多个特征的提取值相关联。机器学习使用训练数据和基本事实来学习以基于输入向量进行选择。所得到的机器学习网络是针对输入、权重、卷积核和/或组合的矩阵以输出临床决策。使用学习到的网络，处理器输入针对特征的提取值并输出选择。

机器学习网络被训练以输出选择、成果、风险、部署或其他临床支持信息。从模型中提取的信息可能包括不同疗法选择下的预测成果和风险。该信息可以选择疗法配置，诸如（i）血流导向装置的开始位置和结束位置，（ii）部署的血流导向装置的数量，（iii）配置（使不同分支重叠或部署到不同分支中），（iv）使用的血流导向装置的参考半径，（v）颈部/非血管区的平均孔隙度和最大孔隙度，等等。由机器学习网络输出的信息可能包括相似患者的标识以及为从患者数据库中标识的相似患者而作出的疗法选择及其成果。可以提供其他输出。

动作21的选择可以是选择单个或单套血管内装置、单一构造、和单一放置。可替代地，选择两个或更多个血管内装置、多构造和/或两个或更多个放置。将对给定患者的单个部署或多个部署进行建模。可以针对不同的选择重复建模，以进行比较或进一步决策支持。

在动作22中，决策支持处理器基于物理学对所选血管内装置在血管内的部署进行建模。建模使用所选的装置和血管模型，例如具有指定弹性的网格。由可变形网格表示的血管和所选血管内装置的模型被用于对装置在血管中的部署进行建模。血管由于植入物和/或干预而变形。估计此变形作为部署的一部分。类似地，该装置是可变形的，因此变形被估计为部署的一部分。

使用物理学对部署进行建模，但是可以使用机器学习网络来估计部署的变形或空间结果。对于机器学习网络，将术后成像产生的变形用作训练中的基本事实。在真实或合成的几何结构的大型数据库上执行的模拟可以被用于训练数据。

对于物理学，使用所选装置和血管的基于物理学的模型。对于血管，可以使用具有指定弹性的网格或其他表示。对于所选的装置，使用特定结构的模型，例如对各种支柱、材料、连接和布置进行建模。可以使用适合于装置的简化模型，而不是对每个装置进行不同的建模。例如，使用质量弹簧模型。针对每个装置都使用相同的质量弹簧模型，但具有基于对特定结构的拟合的值。

可以使用具有任意级别的物理保真度的多种表示中的一个来对血流导向装置或其他植入物装置进行建模，从对极快的模型计算有益的简单的几何模型或质量弹簧模型到包括详细的材料特性和高阶（例如有限元）计算的多物理学模型。质量弹簧模型被用作示例，但将晶格或通用模型拟合到特定装置的方法可能会使用其他类型的基于物理学的建模。

在一个实施例中，通过规则网格中的连接节点的晶格对装置进行建模。节点已被指定了质量和约束。在质量弹簧方法中，约束是针对将弹簧建模为节点之间的边缘。可以使用粘弹性或其他弹簧表示。血管内装置被建模为质量弹簧系统，该系统取决于封闭的表面（拓扑上为圆柱体）并由晶格构成，该晶格的顶点支撑质量并且该晶格的边缘是粘弹性弹簧。弹簧具有规定的刚度常数和阻尼系数。例如，存在三种类型的弹簧：对平面外运动的阻力进行建模的结构约束弹簧，对剪切的阻力进行建模的剪切约束弹簧，和对弯曲的阻力进行建模的弯曲约束弹簧。图3示出了节点的晶格和针对一个质量（即节点）的示例约束。可以使用其他布置。通过例如在晶格方向之一上强制执行信息的周期性来实现装置的圆柱形拓扑。

装置模型被拟合到所选的血管内装置。执行质量弹簧或其他物理模型的几何以及功能拟合。在未部署的配置中，可以将晶格展开为在一个方向上呈周期性的扁平矩形，并且设置初始质量、刚度和阻尼特性（在每个地方都是恒定的）。如图4所示，血流导向装置或其他所选装置的“展开”版本的图像或表示与晶格重叠。为了个性化，与所选装置的金属支柱之一“相交”的每个晶格顶点被标记。每个晶格顶点在节点周围都有一个关联的矩形“控制框”，并且如果装置的金属支柱与控制框相交，则会检测到交点。对于每个这样标记的顶点，质量会根据控制框中的支柱的长度、厚度和/或其他特性而改变，并且连接到该顶点的弹簧的弹性常数被定义为与金属支柱形成的角度的函数。这种类型的几何拟合即使对于复杂的几何结构也允许快速初始化真实的机械模拟系统。相同的方法可以被用于各种几何结构的装置。晶格的拟合是所选装置的光栅化，以使得任何所选装置都可以由具有基于给定装置而指定的质量和约束的相同的规则网格来表示。

为了功能拟合，使用实际血流导向装置的物理质量来初始化质量弹簧系统，该血流导向装置的物理质量被散布成晶格点质量。如果装置材料的刚度信息可用，则将刚度用于初始化刚度常数。可以使用默认的刚度常数。刚度常数可以通过优化来完善，该优化使依赖于模拟的部署的输出与实际装置部署的输出之间的拟合优度特征的能量函数最小化。可以使用任何拟合优度度量，诸如几何误差度量或专家评分（例如，临床医生对与实际部署的优良匹配或差匹配的评估）。拟合优度度量可以是定性度量或定量度量（例如，装置与血管壁之间的距离图）。大量这样的模拟可以被用来训练机器学习系统以学习这些参数，因此，在给定所选装置的输入特性的情况下，机器学习网络输出要被用于不同节点的质量和/或约束。

装置模型被用于模拟部署。来自晶格对血管植入物的拟合的质量、弹簧和约束与血管模型一起使用，以模拟规则网格中的连接节点的晶格对以扫描数据表示的血管的拟合。血管植入物的晶格或其他物理模型以及血管的3d可变形网格模型被用于模拟部署。部署导致装置和血管的变形，因此作为建模部署的一部分，晶格和3d网格也会变形。

可以使用任何基于物理学的模拟，诸如有限元。质量粒子上的任何力（内部粘弹性或似气球的外部压接力或弯曲力）都将变为加速度，并使用例如verlet积分对时间步明确地积分，以找到新的粒子位置。对于快速碰撞处理，可以使用水平集，以使血管壁位于零水平。碰撞检测基于使用插值对粒子的水平集值的快速计算。可以使用摩擦力模型或其他模拟来执行碰撞处理。

对部署的模拟是从装置在部署放置处的初始位置到要被锚定在血管中的装置的展开。在一个实施例中，血管内腔中的在植入物的横截面开始位置和横截面结束位置之间延伸的中心线被标识。该中心线被用作装置的部署前指导。在一种方法中，临床手术被用于模拟。图5示出了血管被表示的顺序，然后是沿着中心线的初始部署（即，从中心线形状或曲率初始化装置网格或晶格）、装置的部分扩展、以及然后扩展后的装置的最终锚定。扩展被建模为通过气球力膨胀以扩展并填充内腔。图6示出了使用记忆形状扩展表示模拟的另一顺序。在第一阶段，将植入物模型（晶格）从3-5mm压接或压缩到小于0.5mm的直径。在第二阶段，将植入物模型弯曲以遵循血管中心线的曲率。在最后阶段，模拟了压接的释放，所以植入物模型扩展并填充内腔。可以使用其他基于非临床的模拟，诸如基于扫描数据、血管模型、特定于患者的信息和/或装置模型的输入，从机器学习网络输出部署和对应的变形。

该模拟通过质量弹簧或其他模型的晶格的拟合而适应于各种血管内装置。该模拟基于特定于患者的扫描数据而适应于各种血管模型。图7示出了血管曲率和结构的变化的三个示例。基于物理学的模拟处理晶格的标准网格的变化，从而简化计算。

在动作23中，决策支持处理器从部署计算血管内装置的孔隙度。对于血流导向装置或其他植入物，孔隙度部分地控制流量。原位植入可能会产生装置的金属覆盖率（mcr）和孔隙度的变化，尤其是在动脉瘤和邻近区域中。因此，血流动力学会受这些区域的影响，所以在执行植入时应考虑孔隙度。通过模拟部署，可以确定总体上或按位置产生的孔隙度，以估计成果。在一个实施例中，作为模拟的一部分，将孔隙度确定为连续可微场。孔隙度是从如所部署的装置的晶格或模型确定的，或者是从模拟得出的。

在一个实施例中，对血流导向装置或其他植入物的可变孔隙度进行了建模。质量弹簧模型部署方法实现了已部署的装置表面上的可变孔隙度分量的计算。导向装置的孔隙度可以被建模为装置表面上的连续可微场。使用孔隙度公式f=1-mcr（金属覆盖率）来将未部署的导向装置的孔隙度初始化为默认制造商规格。在部署的任何时间步处计算一个点处的孔隙度值的变化，以作为表面积的局部变化，这是由晶格的变形场的雅可比行列式给出的。计算每个多边形“单元”（晶格的表面网格三角形）的变形，以作为固定到可允许的百分比区间（即，最小值和最大值）的三角形面积的百分比变化，该百分比区间可以被设置为[0，1]的子区间。在其他实施例中使用节点的局部密度。取决于孔隙度图的后续用途的需要，通过插值将孔隙度值映射到装置的顶点上（即，将晶格模型转换回实际装置的模型）。

图8示出了部署的晶格模型在血管模型中的示例渲染。晶格的灰度级被映射到孔隙度，以使得较浅的阴影对应于较高的孔隙度。在装置部署之后，孔隙度可能会从默认值或原始值发生很大变化。

在动作24中，决策支持处理器为一个或多个血液动力学参数中的每一个确定一个值。血管的血液动力学会因部署而改变。该部署的模拟被用于计算一个或多个血液动力学量。

该量基于变形的血管的形状。该量可以基于模拟的血管内装置的孔隙度和/或孔隙度的变化。根据模拟，从血管的模型和部署在患者血管中的血管植入物的模型计算出血液动力学量。该计算基于来自于模拟的变形。使用孔隙度和血管植入物对利用由模拟产生的数据表示的血管的拟合。装置的表面可以被建模为提供流动的阻力的薄多孔片。可以使用以线性和二次阻力系数表征的达西流动模型来对多孔区域进行建模。

血液动力学计算使用计算流体动力学。输入和/或输出流量和压力可以是默认值或基于特定于患者的信息的值。集总的或其他简化的模型可以被用于表示针对血管的输入和输出的血液动力学。在替代实施例中，机器学习网络基于部署和孔隙度来输出血液动力学量。

来自计算流体动态模拟的输出可以包括遍及血管的许多位置的流量、压力、壁面剪切应力和/或其他信息。为了简化分析并使临床医生能够开发和测试临床假设，从可用的血液动力学信息中导出一个或多个血液动力学指标作为血液动力学量。例如，确定动脉瘤处的流量、压力和/或剪切。下面的表1-3给出了其他示例血液动力学量：

表1：关于血管表面而定义的量

。

表2：关于动脉瘤而定义的量

。

表3：关于用户选择的平面而定义的量

。

可以使用附加的、不同的或更少的血液动力学量。

在可选动作中，决策支持处理器或图形处理单元生成血管造影图像。由于医生或放射线医生使用血管造影术来查看成果和/或判断植入的成功，因此通过模拟植入而产生的血管造影图像可以帮助决定植入计划是否将具有期望的成果。为了易于比较治疗前和治疗后的血流动力学，实施了虚拟血管造影术。va模型将计算流体动力学求解器产生的速度场作为输入，并就造影剂的动力学来求解对流扩散方程。单独的造影剂分布（即，没有组织）可以被用作血管造影术。图9示出了作为血管造影术的造影剂分布的示例。

血管造影图像可以包括组织信息。通过基于来自扫描数据的图像中的变形场进行空间移位来创建正如所变形的血管的视图。可替代地，使用x射线系统的模型和扫描数据或变形的血管网格来仿真组织的血管造影。造影剂信息被添加到组织的图像，从而提供虚拟血管造影。可替代地，x射线系统的模型使用扫描数据或网格和造影剂分布来生成血管造影。

在动作25中，决策支持处理器确定成果。成果可能是临床决策。例如，成果可以是接受所选的血管内装置或放置。成果可能是风险，例如破裂风险。成果可能是预后，诸如恢复的预测。预后可以是给定时间段内再次发生的概率或估计。通过提供基于模拟的预后，可以在植入之前提供估计且无需在植入之后等待数月。成果可能是血液动力学量，诸如流向每个血管分支的按百分比记的流量。

可以在实际植入之后更新成果。再次扫描患者。扫描被用于为患者提供血液动力学信息，该信息被用于更新成果（例如，更新预后）。

可以从血液动力学量、孔隙度和/或模拟的部署确定成果。如果治疗将要被使用，则模拟的治疗或从该模拟的治疗中得出的信息被用来确定成果。其他特定于患者的信息（诸如扫描数据、患者病史、人口统计资料、血液生物标记和/或遗传信息）可以被用于确定成果。

使用查找表、关系表或函数来确定成果。在一个实施例中，成果由机器学习网络确定。机器学习网络基于输入信息（例如血液动力学量、患者的一种或多种血液生物标记、患者的人口统计资料信息、患者病史信息以及根据部署的模拟的拟合）来预测患者的成果。例如，机器学习网络输出所选血管植入物的风险或预后。基于其他患者样本和/或合成数据的成果来训练机器学习网络。

机器学习网络可以与被用于选择的网络相同或不同。训练数据可以与作为被预测的成果的基本事实相同或不同。

该成果被用于辅助针对患者的治疗的决策支持。其他信息可以被用于辅助决策支持，例如血液动力学量、模拟的部署结果的图像、生成的虚拟血管造影和/或孔隙度信息。

在动作26中，决策支持处理器生成图像，并且显示屏显示该图像。输出（例如，成果、血液动力学量、孔隙度、部署的视觉描绘或部署的最终结果、或其组合）被传送到显示器。该输出可以被传送到诸如患者记录的数据库之类的存储器，或诸如计算机网络之类的网络。输出可以被用于准备自动的结构化报告和/或添加到pacs系统。输出可以是到更高级别的机器学习系统或机器学习网络中的输入，以进行患者风险评估和评分、成果评估、后续安排等。

所显示的血流动力学量（例如，多个血流动力学参数的值）、示出了从模拟中得到的相对于血管所部署的脉管植入物的放置的图像、和/或成果为医生决策提供了信息。临床决策支持提供初始或开始推荐，该推荐可能会被主治医生批准或不批准。医生从诸如患者记录的存储器和/或从显示器访问推荐的治疗。

在一个实施例中，将临床决策以文本方式或以图形方式（例如覆盖在医学图像上）可视化，并呈现给临床医生。可以输出决策支持信息，例如治疗、风险、指导或其他信息。例如基于指导或研究的针对治疗的诊断规则可以作为决策支持而输出。

可以使用一个或多个决策的任何显示。在一个实施例中，决策树示出了临床决策、其他可能的决策、以及由该临床决策产生的进一步的治疗选项。除了基于基本文本的显示之外，另一选项是不仅按层次结构显示当前选择的临床决策，而且还可能显示随后的临床决策。

来自部署模拟的所显示的图像可以被用于在视觉上指导一个或多个装置的放置。例如，在手术过程中的成像可以利用输出来叠加血流导向装置的开始位置和结束位置的平面，以帮助装置放置。此外，在植入期间的实时成像数据可以被用于建议是否需要以更高的密度来填塞血流导向装置，或者是否可能需要附加的导向装置。可以在植入期间执行模拟，以指导随着植入的发生而进行的对决策的修改。

图10示出了从部署的模拟生成的示例图像。该模拟使用用于规划的扫描数据和/或来自部署期间的扫描数据。该模拟可以被用于确定孔隙度，该孔隙度可以被用于确定血液动力学量。可以确定在给定位置希望有较小的孔隙度，因此指示对该位置进行填塞。医生可以部署血管内装置，以便在给定区域提供较小的孔隙度。提供了交互式临床支持，例如在动脉瘤颈部区域中发现孔隙度值过高（左图）。额外的填塞消息会被转发给临床医生。可能会显示修复的结果（右图）。

术中图像信息可以被用于使模型计算适应以获得更准确、实时的预测。在植入过程中，更新的扫描数据会示出部署和/或血管的当前状态。该信息可以被用于完善模拟，更新血液动力学量，更新孔隙度和/或更新成果。该更新的输出可能是有用的，诸如计及（accountfor）自术前成像以来患者状态的任何变化和/或提供更准确的决策支持输出（例如，基于来自血管造影的更高分辨率的扫描数据或术中图像质量）。

可以重复动作22-25。该重复可以是针对要被用于患者的其他血管植入物的。多于一个血管内装置被选择，因此关于在晶格到不同装置的不同拟合来重复部署模拟。对于在同一血管模型中模拟的不同装置，最终的孔隙度变化可能会有所不同。由于不同的孔隙度和/或装置到血管的拟合，血液动力学量可能会有所不同。对于不同的装置，预测的成果可能会有所不同。可以显示不同的成果或其他输出以进行比较。医生基于对输出的比较（例如，对成果的比较）来做出决策。

图11示出了用于血管内植入物决策支持的系统。系统实现了图1的概述、图2的方法或输出推荐的临床决策的另一方法。预测的成果、选择、放置、血液动力学量、模拟的部署和/或孔隙度被输出，以帮助医生决定要将哪种植入物用于给定患者、在哪里放置植入物、植入物的数量和/或植入物的构造。

该系统包括扫描仪110、决策支持处理器112、存储器114和显示器116。可以提供附加的、不同的或更少的组件。例如，提供了网络或网络连接，例如以用于与医学成像网络或数据档案系统联网或在扫描仪110和/或决策支持处理器112之间联网。在另一示例中，提供了用户输入和对应的图形用户界面，例如以用于选择装置和/或放置。作为另一示例，提供了服务器，以实施远离扫描仪110放置的决策支持处理器112和/或机器学习分类器113。

决策支持处理器112、存储器114、显示器116和/或机器学习分类器113是扫描仪110的一部分。可替代地，决策支持处理器112、存储器114、显示器116和/或机器学习分类器113是与扫描仪110分开的档案和/或图像处理系统（例如与病历数据库工作站或服务器相关联）的一部分。在其他实施例中，决策支持处理器112、存储器114、显示器116和/或机器学习分类器113是个人计算机，例如台式机或笔记本、工作站、服务器、网络或其组合。

扫描仪110是医学诊断成像ct系统。机架支撑在患者检查空间的相对侧上的x射线源和检测器。机架围绕患者移动所述源和检测器，以执行冠状动脉ct血管造影扫描。检测器从相对于患者的不同位置获取各种x射线投影。计算机断层摄影解决了来自投影的响应的二维或三维分布。可以另外使用超声、x射线、血管造影、荧光检查、正电子发射断层摄影、单光子发射计算机断层摄影和/或磁共振扫描仪。

存储器114可以是图形处理存储器、视频随机存取存储器、随机存取存储器、系统存储器、高速缓冲存储器、硬盘驱动器、光学介质、磁性介质、闪存驱动器、缓冲器、数据库、其组合，或其他现在已知或以后开发的用于存储数据的存储器设备。存储器114是扫描仪110的一部分、与决策支持处理器112相关联的计算机的一部分、数据库的一部分、另一系统的一部分、图片档案存储器或独立设备。

存储器114存储患者数据，例如存储在计算机化的患者记录中。可以存储本文讨论的任何患者数据，例如扫描数据、拟合模型、来自拟合模型的参数、测量值、临床数据、人口统计资料信息、患者病史、遗传信息、血液生物标记信息、无创测试结果以及/或生化测量结果。存储器114可替代地或附加地存储机器学习分类器113。存储器114可以在处理期间可替代地或附加地存储数据，诸如存储本文中所讨论的信息或到其的链接。

存储器114或其他存储器可替代地或附加地是非暂时性计算机可读存储介质，其存储表示可由实现临床决策支持和/或机器学习分类器113的编程决策支持处理器112或处理器执行的指令的数据。在非暂时性计算机可读存储介质或存储器（例如，高速缓存、缓冲器、ram、可移动介质、硬盘驱动器或其他计算机可读存储介质）上提供了用于实现本文所讨论的过程、方法和/或技术的指令。非暂时性计算机可读存储介质包括各种类型的易失性和非易失性存储介质。响应于存储在计算机可读存储介质中或计算机可读存储介质上的一组或多组指令，执行在附图中示出或在此描述的功能、动作或任务。该功能、动作或任务独立于特定类型的指令集、存储介质、处理器或处理策略，并且可以由软件、硬件、集成电路、固件、微代码等单独地操作或组合地执行。同样，处理策略可以包括多处理、多任务、并行处理等。

在一个实施例中，指令被存储在可移动介质设备上，以供本地系统或远程系统读取。在其他实施例中，指令被存储在远程位置，以通过计算机网络或通过电话线传输。在其他实施例中，指令被存储在给定的计算机、cpu、gpu或系统内。

决策支持处理器112是通用处理器、中央处理单元、控制处理器、图形处理器、数字信号处理器、三维渲染处理器、专用集成电路、现场可编程门阵列、人工智能处理器、数字电路、模拟电路、其组合、或其他目前已知或以后开发的用于应用针对血管内装置的临床决策支持的设备。决策支持处理器112是单个设备或串行、并行或单独操作的多个设备。决策支持处理器112可以是诸如膝上型计算机或台式计算机之类的计算机的主处理器，或者可以是用于处理较大系统中（诸如在扫描仪110中）的某些任务的处理器。决策支持处理器112通过指令、设计、硬件和/或软件被配置为执行本文讨论的动作。

决策支持处理器112被配置为选择一个或多个血管内装置，选择在血管中的放置，对一个或多个装置在患者血管中的部署进行模型化，计算由部署产生的孔隙度的变化，确定一个或多个血液动力学量的值，并预测成果。决策支持处理器112被配置为提供用于规划血管内植入的决策支持，因此可以生成各种输出以辅助为给定患者进行规划。可以应用一个或多个机器学习分类器113来执行动作中的任何一个或多个。决策支持处理器112可以实现基于物理学的建模、计算流动力学或其他建模。

在存储器114中提供一个或多个机器学习分类器113或由处理器112来实施一个或多个机器学习分类器113。例如，提供一个机器学习分类器113以选择用于植入到患者体内的一个或多个装置。作为另一示例，提供了另一机器学习分类器113来确定血流动力学值，指示由于部署引起的变形，确定孔隙度，预测成果和/或其他动作。可以使用级联、并行或多分类的分类器。在一个实施例中，为单个决策提供单个分类器（例如一个分类器113），以预测成果或风险。

使用机器学习分类器113的决策支持处理器112被配置为响应于输入特征向量的应用来为患者输出临床决策。临床决策的输出可以在医生将治疗输入到计算机化的患者记录中之前进行。所推荐的决策有助于指导主治医生，因此在输入针对患者的订单之前将所推荐的决策提供给主治医生。可替代地，，将输出决策用作没有介入医生的订单。可以提供其他定时。

显示器116是监视器、lcd、投影仪、等离子显示器、crt、打印机或其他现在已知或以后开发的用于输出视觉信息的设备。显示器116从决策支持处理器112、存储器114、扫描仪110或机器学习分类器113接收图形、文本、量、解剖结构或功能的空间分布、或其他信息的图像。

显示一个或多个图像。图像可以包括或可以不包括解剖学表示或成像，例如来自扫描数据、血管模型和/或装置模型的血管的解剖图像。该图像包括一个或多个推荐的决策，例如患者报告的图像上或显示中的注释。概率的指示可以被包括在图像中。图像包括患者分类或决策成果的指示，例如文本、图形或颜色。该显示可以被用于一个特定的决策。在其他实施例中，显示器向用户呈现前n个（例如3个）可能的决策，基于他们对应的置信度对其进行排名。然后，用户可以选择最终决策。

临床决策支持系统是完全自动化的。推荐的决策一旦被激活就会输出，除了激活之外没有更多的输入。可以使用其他输入，例如选择信息（例如，选择植入物的放置）或对系统进行配置。在替代实施例中，用户或临床医生进行干预，导致作出半自动决策。例如，临床医生可以从一组可能的决策中选择可行的或看起来合适的决策子集。因此，决策支持系统从可用决策的子集中输出决策。可以针对可能决策的不同子集来训练多个机器学习分类器113，或者采用相同的机器学习分类器，而不管所选的可行决策如何。可以建议从所选的可用决策集中获得具有最高概率的决策。临床医生可以通过选择丢弃一些被视为不相关的输入信息或特征来干预工作流程。

尽管上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下可以做出许多改变和修改。因此，旨在将前面的详细描述视为说明性的而不是限制性的，并且应当理解，下面的权利要求（包括其所有等同物）旨在限定本发明的精神和范围。