Search

JP-2026514560-A - 血行動態パラメータの推定のために人工深層ニューラルネットワークを学習させる方法、血行動態パラメータの推定の方法、コンピュータプログラム製品及びコンピュータシステム

JP2026514560AJP 2026514560 AJP2026514560 AJP 2026514560AJP-2026514560-A

Abstract

本発明に係る、血管樹のジオメトリのセットを取得するステップを備える、血管樹のジオメトリからの血行動態パラメータの推定のための人工深層ニューラルネットワーク（ＡＤＮＮ）を学習させる方法は、距離に基づく点のグループ化を用いた点群処理のために適合されたアーキテクチャを有するＡＤＮＮを用いて実現される。距離は、血管樹に沿った測地線距離として定義される。本発明に係る、ＡＤＮＮを用いた血管樹のジオメトリからの血行動態パラメータの推定の方法は、測地線距離に基づく点のグループ化を用いた点群処理のために適合されたＡＤＮＮを用いるステップを伴う。本発明はまた、コンピューティングシステム上で実行された場合、本発明に係る方法をそれに実現させる指示のセットを備えるコンピュータプログラム製品に関する。本発明はまた、本発明に係る方法を実現するのに適合されたコンピュータシステムに関する。 【選択図】図９

Inventors

  • トマーシュ コノプチンスキー
  • マチェイ ジエバ
  • パトリク リギェル
  • パヴェウ プルシュカ

Assignees

  • ヘモレンズ ダイアグノスティクス スプウカ ズ オグラニチョナン オドポヴィェジャルノシチョン

Dates

Publication Date
20260512
Application Date
20230929
Priority Date
20230309

Claims (11)

  1. 患者の血管樹のジオメトリからの血行動態パラメータの推定のための人工深層ニューラルネットワークを学習させるコンピュータ実施による方法であって、 血管樹のジオメトリのセットを取得するステップと、 前記セット内の前記ジオメトリに対応する血行動態パラメータの値を取得するステップと、 前記人工深層ニューラルネットワークのための学習データを準備するステップと、 前記人工深層ニューラルネットワークを学習させるステップと、 を備え、 前記人工深層ニューラルネットワークは、距離に基づく点のグループ化を用いた点群処理のために適合されたアーキテクチャを有する人工深層ニューラルネットワークであり、 前記距離は、点群及び中心線グラフとして表現された前記血管樹に沿った測地線距離として定義され、 前記人工深層ニューラルネットワークのための前記学習データを準備するステップは、前記ジオメトリを点群及び中心線グラフとして表現するステップを備える、コンピュータ実施による方法。
  2. 血管樹中心線グラフを取得するステップを備え、前記血管樹に沿った測地線距離は前記中心線グラフに沿って測定される、請求項１に記載のコンピュータ実施による方法。
  3. 血行動態パラメータの値を取得するステップは前記セット内の前記ジオメトリにおいて計算流体力学シミュレーションを用いるステップを備える、請求項１又は２に記載のコンピュータ実施による方法。
  4. 人工深層ニューラルネットワークを用いた患者の診断のための、血管樹のジオメトリからの血行動態パラメータの推定のコンピュータ実施による方法であって、点群として表現された血管樹のジオメトリを取得するステップ（１０３）と、血行動態パラメータの推定のために人工深層ニューラルネットワークを適用するステップ（１０５）と、を備え、 前記ジオメトリは、中心線グラフを有する点群として表現され、 前記人工深層ニューラルネットワークは、距離に基づく点のグループ化を用いた点群処理のために適合されたアーキテクチャを有する人工深層ニューラルネットワークであり、 前記距離は、点群及び中心線グラフとして表現された前記血管樹に沿った測地線距離として定義される、 コンピュータ実施による方法。
  5. 前記血管樹に沿った測地線距離は、前記中心線グラフに沿って測定される、請求項４に記載のコンピュータ実施による方法。
  6. 前記ジオメトリを取得するステップは、メッシュジオメトリを読み込むステップと、前記ジオメトリを点群に変換するステップと、中心線を取得するステップ（１０４）と、を備える、請求項５に記載のコンピュータ実施による方法。
  7. 前記人工深層ニューラルネットワークを用いるステップは、少なくとも１つの中心線セット－抽象化ブロックを用いて符号化するステップ（２０４）と、少なくとも１つのデコーダブロックを用いて復号化するステップ（２０５）と、共有多層パーセプトロンブロックを用いて処理するステップ（２０６）と、１次元畳み込み層を用いて後処理するステップ（７１８）と、を備える、請求項６に記載のコンピュータ実施による方法。
  8. コンピューティングシステム上で実行された場合、請求項１から３のいずれか一項に記載のコンピュータ実施による方法を該コンピューティングシステムに実現させる指示のセットを備えるコンピュータプログラム製品。
  9. コンピューティングシステム上で実行された場合、請求項４から７のいずれか一項に記載のコンピュータ実施による方法を該コンピューティングシステムに実現させる指示のセットを備えるコンピュータプログラム製品。
  10. 請求項４から７のいずれか一項に規定されるコンピュータ実施による方法を実現するように適合された、血管樹のジオメトリからの血行動態パラメータの少なくとも１つの推定の抽出のためのコンピューティングシステム。
  11. 請求項１、２又は３に規定される、学習のためのコンピュータ実施による方法を実現するようにさらに適合された請求項１０に記載のコンピューティングシステム。

Description

本発明は、血行動態パラメータを推定するために人工深層ニューラルネットワークを学習させる方法、人工深層ニューラルネットワークを用いた血行動態パラメータの推定の方法、本発明に係る方法を実現するコンピュータプログラム製品及び本発明に係る方法を実現するように適合されたコンピュータシステムに関する。 心血管疾患は、世界における主要な死因の１つである。コンピュータ断層撮影法（ＣＴ）の発展により、虚血性心疾患が疑われる患者における正確な診断のための非侵襲的アプローチが可能となった。 ＣＴスキャンは、一般的には３Ｄボリューム画像として表現される。そのような３Ｄボリューム画像は、３つの空間座標の関数として物理量を表現する。デジタルボリューム画像では、各サンプル（ボクセル）は、特定の位置で測定されたこの量を表現する。画像は、対象物を含む空間的な一連の２Ｄスライスによって構成される。通常、スライスは、画素（Ｘ座標及びＹ座標）の画像マトリクスとして表現される。スライス番号は、Ｚ座標を示す。 ＣＴ画像の解釈及び心血管疾患の診断は容易ではない作業であり、熟練の医師が必要となる。一般的な問題は、ＣＴ画像において視認可能となる投影像の解釈には高度に熟練した放射線科医が必要となること及び心血管疾患の診断には熟練した循環器科医を要することである。両分野に精通した人材は不足している。したがって、コンピュータ支援技術が求められている。 心臓病変をコンピュータの支援により診断する１つの態様は、血管の診断補助３Ｄモデルを生成することである。特に心臓病変の分野では、冠動脈の詳細な３Ｄモデルが必要となる。詳細なモデルによって、血行動態パラメータなどの患者固有の解剖学的及び機能的特徴の精密な推定が可能となる。現状の技術では、血流シミュレーションに関して計算流体力学（ＣＦＤ）を利用する多数の技術が存在する。３Ｄボリュメトリック画像中に表される血管樹のジオメトリは、３Ｄ画像のボクセルのサブセット、表面メッシュ、ボリュメトリックメッシュとして、又は点群として表現され得る。冠動脈コンピュータ断層撮影血管造影法（ＣＣＴＡ）による冠動脈の３Ｄモデルからの冠血流予備量比（ＦＦＲ）の計算に用いられるＣＦＤ技術の例は、特許文献１に開示されている。概して、ＣＦＤシミュレーションは、試験下にある患者のＦＦＲ又は他の血行動態パラメータ若しくは複数のパラメータを返すように構成される。他の例は、非特許文献１に示される。 ＣＦＤシミュレーションは、ＣＴ画像を分析する医師によって行われる手動診断法に対して、又は侵襲的測定に対してさえ優れた代替物である。ＣＦＤシミュレーションは、血管又は血管樹のジオメトリックモデルを用いて実行される。ジオメトリックモデルは、患者のボリューム画像、通常は（Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅは、医療画像情報及び関連データの通信及び管理に関する標準である）ＤＩＣＯＭ画像から抽出されることを必要とする。患者の３Ｄボリュメトリック画像からのジオメトリックモデルの自動的又は半自動的な抽出の周知の方法及びそれらを増強する方法が存在する。 特許文献２は、血行動態シミュレーションのための時間変動する流れ場の超解像再構成方法を開示している。この方法は、以下のステップ：ステップ（１）データセット生成：ＳｉｍＶａｓｃｕｌａｒソフトウェアを用いることによって血管シミュレーションを行い、時間変動する流れ場のデータセットを画像取得、ジオメトリックモデリング、グリッド生成及びシミュレーションのステップによって構成するステップ；（２）速度場特徴抽出：データセットの入力データ特徴をＰｏｉｎｔＮｅｔによって抽出し、１０２４次元の特徴ベクトルｆｖを生成するステップ；（３）時間及び抵抗値特徴抽出：入力データの時間及び抵抗値特徴ベクトルを抵抗値－時間エンコーダによって抽出し、１０２４次元の特徴ベクトルｆｒｔを生成するステップ；（４）特徴復号化を実行し、高時間解像速度場を再構成するステップ；及び（５）再構成結果を評価及び分析し、速度場の振幅及び方向損失関数を用いることによってネットワークを学習させ、再構成結果を平均絶対値長さ誤差（ａｖｅｒａｇｅ ｍｏｄｕｌｕｓ ｌｅｎｇｔｈ ｅｒｒｏｒ）及び相対誤差によって評価及び分析するステップ、を備える。特許文献２の方法は、点群によるモデル化に適した血管樹の比較的単純なセグメントである動脈のセグメントのジオメトリをモデル化することに関して実証される。点群が複数の分岐を有する複雑で細長い構造を表現する場合、当該点群の処理が困難となることは、非常に普遍的に認識された事実である。それは、少なくとも２つの別個の分岐が空間的に相互に近接している場合、特に問題を生じる。この問題は、非特許文献２、非特許文献３によって検討されている。 ＣＦＤシミュレーションの欠点は、それが実行されるのに相当な時間及び計算能力を必要とする点にある。したがって、代替物のニーズが存在する。有望な代替物は、実際のデータ若しくは人工データ又はそれらのハイブリッドについて学習済みの人工知能を用いた血管樹のジオメトリのコンピュータ解析である。実際のデータは、患者から取得した血管樹の実際のジオメトリ及び測定された血行動態パラメータを備える。人工データは、血管樹のジオメトリのコンピュータ生成モデル及びシミュレーションされた血行動態パラメータを含む。ハイブリッドデータは、血管樹の実際のジオメトリ及びシミュレーションされた血行動態パラメータを備え得る。他の種類のハイブリッドデータは、実例及び人工例を備える。 個人固有の血流特性、すなわち血行動態パラメータを人工知能支援により特定するためのシステム及び方法は、特許文献３、特許文献４及び特許文献５に開示されている。その方法は、まず、個人の血管系の少なくとも一部の、当該個人固有の、実際の又は人工の、ジオメトリックモデル及び血流特性を取得するステップ、予め定義された形式に係るジオメトリックモデルに対応する特徴ベクトルを作成するステップ、上記ジオメトリックモデル、上記特徴ベクトル及び上記血流特性を用いて人工深層ニューラルネットワークを学習させるステップ、を含む人工深層ニューラルネットワークを学習させるステップを含む。学習が完了した後、ジオメトリックモデルから特徴ベクトルを抽出するステップ及び特徴ベクトルを与えられた学習済みの人工深層ニューラルネットワークを用いて血行動態パラメータの推定を取得するステップによって、血行動態パラメータが推定可能となる。一般に、人工知能は、ジオメトリックモデルから抽出された特定の予め定義された特徴を血行動態パラメータにマッピングするのに用いられる。特徴は、ジオメトリに関し、血管の寸法、直径の変化、内腔のサイズ、狭窄部の長さなどを含むがこれらに限定されない。これらの特徴は方法の設計上の選択事項となり、それらの具体的な定義が公に共有されることは稀である。 欧州特許第３８２０３５７号明細書中国特許出願公開第１１４３９９６０８号明細書欧州特許第３２１８８７２号明細書米国特許出願公開第２０１４／０７３９７６号明細書米国特許出願公開第２０１６／１６６２０９号明細書 Ｇａｏｙａｎｇ Ｌｉ他による論文「Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ３Ｄ Ｃａｒｄｉｏｖａｓｃｕｌａｒ ｈｅｍｏｄｙｎａｍｉｃｓ ｂｅｆｏｒｅ ａｎｄ ａｆｔｅｒ ｃｏｒｏｎａｒｙ ａｒｔｅｒｙ ｂｙｐａｓｓ ｓｕｒｇｅｒｙ ｖｉａ ｄｅｅｐ ｌｅａｒｎｉｎｇ」ｄｏｉ．ｏｒｇ／１０．１０３８／５４２００３－０２０－０１６３８－１Ｐａｔｒｙｋ Ｒｙｇｉｅｌ、Ｍａｃｉｅｊ Ｚｉｅｂａ、Ｔｏｍａｓｚ Ｋｏｎｏｐｃｚｙｎｓｋｉ「Ｅｉｇｅｎｖｅｃｔｏｒ Ｇｒｏｕｐｉｎｇ ｆｏｒ Ｐｏｉｎｔ Ｃｌｏｕｄ Ｖｅｓｓｅｌ Ｌａｂｅｌｉｎｇ」、Ｆｉｒｓｔ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｇｅｏｍｅｔｒｉｃ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ ｉｎ Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ａｎａｌｙｓｉｓ議事録、ＰＭＬＲ１９４：７２－８４、２０２２年Ｈｅ，Ｊ．他（２０２０年）Ｌｅａｒｎｉｎｇ ｈｙｂｒｉｄ ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｆｏｒ ａｕｔｏｍａｔｉｃ ３Ｄ ｖｅｓｓｅｌ ｃｅｎｔｅｒｌｉｎｅ ｅｘｔｒａｃｔｉｏｎ，ａｒＸｉｖ．ｏｒｇ．入手先：ｈｔｔｐｓ：／／ａｒｘｉｖ．ｏｒｇ／ａｂｓ／２０１２．０７２６２（アクセス日：２０２３年２月１５日） 本発明が適用可能な血行動態パラメータを計算する方法の実施形態のフローチャートを示す。血行動態パラメータの推定のための人工深層ニューラルネットワークモデルのアーキテクチャを示す。本発明に係る方法の実施形態において適用されるＡＤＮＮモデルに用いられる中心線セット－抽象化（ＣＳＡ）ブロックの図を示す。本発明に係る方法の実施形態において適用されるＡＤＮＮモデルに用いられるデコーダブロックの図を示す。本発明に係る方法の実施形態において適用されるＡＤＮＮモデルに用いられる共有多層パーセプトロン（ＭＬＰ）ブロックの図を示す。本発明に係る、用いられるＰｏｉｎｔＮｅｔブロック３０５の図を示す。本発明に係る、実験のために用いられた具体的なアーキテクチャを示す。本発明に係る、学習方法の実施形態のフローチャートを示す。合成入力データの例を示す。 本発明に係る人工深層ニューラルネットワークを用いた血管樹のジオメトリからの血行動態パラメータの推定の方法の実施形態を、概略的なフローチャートを示す図１を参照して以下に説明する。 まず、ステップ１０１では、患者固有のメタデータ及び患者固有のボリューム画像データが受信される。患者固有のメタデータは、任意選択的であるが、精度を向上させ得る。患者固有のメタデータは、年齢、性別、非侵襲的血圧モニタリング、病歴などの特徴を含み得るが、これらに限定されない。患者固有のボリューム画像データは任意選択的ではなく、コンピュータ断層撮影（ＣＴ）スキャン、コンピュータ断層撮影血管造影（ＣＴＡ）スキャン、冠動脈コンピュータ断層撮影血管造影（ＣＣＴＡ）スキャン、磁気共鳴画像（ＭＲＩ）スキャンなどであり得るが、これらに限定されない。データの回収のステップ１０１は、実際の測定又は外部ソースからの単なるデータダウンロードを伴い得る。それは、例えば、外部ドライブ、画像保存通信システム（Ｐｉｃｔｕｒｅ ａｒｃｈｉｖｉｎｇ ａｎｄ ｃｏｍｍｕｎｉｃａｔｉｏｎ ｓｙｓｔｅｍ）（ＰＡＣＳ）又は他の任意の手段から回収され得る。 そして、回収されたデータは、本方法を実行するコンピューティングシステムに読み込まれる（１０２）。このシステムは、汎用コンピュータ、専用のデジタル処理マシン、分散アーキテクチャ、仮想マシン又はクラウドリソースであり得る。それは、所望の時間内に作業を完了するように選択される必要がある。本実施形態では、Ａｚｕｒｅクラウド環境が用いられる。 コンピューティングシステム内では、動脈解剖学的ジオメトリが、ステップ１０３で取得される。ジオメトリを取得するステップ１０３は、単に表面メッシュの読込みを伴う。ただし、取得するステップ１０３は、ジオメトリフォーマット変換を伴う場合もあり、又はそれをボリューム画像セグメンテーションによって取得することさえ伴う場合もある。 ジオメトリを取得するステップ１０３は、人間の専門家による手動で、コンピュータアルゴリズムによる自動で、又はコンピュータアルゴリズム及び人間の専門家による半自動で、行われ得る。入力された動脈解剖学的ジオメトリは、表面メッシュ、点群表面又は他の任意の関連データ構造として記述され得る。データ構造が点群表面とは異なる場合、動脈解剖学的ジオメトリのデータ構造は、点群表面に変換されるべき