JP6945204B2 - 心筋虚血の測定、狭窄識別、位置特定、および血流予備量比推定の非侵襲性方法およびシステム - Google Patents

Description

（関連出願）
本願は、米国仮出願第６２／３５４，６７３号（２０１６年６月２４日出願）および米国仮出願第６２／４０９，１７６号（２０１６年１０月１７日出願）に対する優先権およびそれらの利益を主張し、上記出願の各々は、その全体が参照により本明細書に組み込まれる。

（発明の分野）
本開示は、概して、心血管循環を特性評価するための非侵襲性方法およびシステムに関する。より具体的には、本開示は、フィルタ処理されない広帯域心臓位相勾配データを利用して、残余サブ空間および雑音サブ空間データを生成する非侵襲性方法に関し、それらのデータは、例えば、冠動脈狭窄の予測および位置特定、血流予備量比を限定および／または推定すること、および心筋虚血を特性評価することにおいて使用される。

（背景）
血管疾患は、多くの場合、脈管のアテローム硬化性閉塞に起因して低減させられた血流によって現れる。例えば、血液を心筋に供給する冠動脈の閉塞は、心臓病の主な原因である。カテーテルを用いたバイパス外科手術およびステント設置等の動脈阻害を緩和するための侵襲性手技は、閉塞特性および閉塞された動脈を通る血流の推定に依拠する。これらの推定は、閉塞サイズおよび／または血流の測定に基づく。残念ながら、閉塞サイズおよび血流測定の現在の方法は、冠動脈血管造影等の侵襲性手技を要求し、それは、心臓カテーテル留置を要求する。この手技は、長く、細い可撓性カテーテルが、腕、鼠径部（上側大腿部）、または頸部内の血管の中に設置されることを伴う。そして、カテーテルは、心臓まで通される。カテーテルを通して、医師は、シネ血管造影または蛍光透視法を用いて、脈管の内径の視覚的評価を実施すること、および／または、ワイヤの先端上の小型センサ（一般に、変換器）を使用して、圧力、温度、および流量等のパラメータを測定し、病変の重症度ならびに血流予備量比（ＦＦＲ）を決定することができる。心臓におけるこれらの低侵襲性診断試験は、脳卒中、心臓発作、カテーテル留置された動脈／心臓への傷害、不整心律動、腎臓損傷、感染症、およびＸ線からの放射暴露のリスクを有する。これらの手技は、時間がかかり、結果の解釈に専門知識を要求し、高価である。

狭窄幾何学形状も、バルーン血管形成術、ステント留置、または薬物送達手技がその後に実施されるとき、療法段階において重要である。例えば、精密なステント設置は、再狭窄のリスクを低減させるために重要である。したがって、阻害緩和方法のいずれかを使用すべきかどうかと、どの方法が使用されるべきかの決定は、多くの場合、部分的情報に基づき、冠動脈側枝形成を考慮しない。虚血性応力は、多くの場合、冠動脈小脈管内の側枝循環の増加を誘発し、それは、時には、遠位脈管阻害を補償するであろう。さらに、療法成功の評価も、閉塞開放およびステント位置の両方が評価される必要がある場合、問題となる。今日、主に使用されている１つの種類の方法は、重症度、血流の阻害、または病変もしくは複数の病変を見出し、決定するために、時間のかかる手技を要求する。現代の技法は、心臓勾配位相−空間変化を評価し、変化を、心臓コンピュータ断層撮影（ＣＴ）、心筋潅流撮像、および心臓血管造影と互いに関係づける。表面心臓勾配は、記録される心室の電気生理学に関する詳細な情報を含む。表面心臓勾配は、融合細胞内のあらゆる心臓細胞からの個々の作用電位の総和を表すので、理論上、組織化された細胞活動電位の測定から決定され得る任意の情報は、表面内の「大域」レベルにおいて利用可能であるはずである。さらに、伝導性質に及ぼす心筋組織構造体の影響に関する情報は、表面心臓勾配に固有であるが、課題は、雑音汚染を除外しながらのこれらの長い準周期性心臓勾配信号からの関連情報の区別にある。なおもさらに、高リスク患者の識別を向上させるために利用可能な非侵襲性ツール、したがって、非侵襲性様式における試験的予防措置が、明らかに欠如している。

（要約）
本開示は、心臓の虚血性心臓病の存在を査定するために、心臓組織の広帯域位相勾配情報の評価を促進する。着目すべきこととして、本開示は、患者または対象から取得された高分解能かつ広帯域の心臓勾配を使用して、心臓の冠動脈狭窄を識別および重症度分類するための改良された効率的な方法を提供する。患者データは、１つ以上のリードを横断した心臓勾配波形から導出され、いくつかの実施形態では、複雑な非線形変動性を呈する高次元データおよび長心臓勾配記録をもたらす。時空分析は、数値ウェーブレット演算子を介して、動的および幾何学的性質を位相空間データセットから抽出することによって、位相空間データセットとして心臓勾配データの形態を研究するために使用される。数値ウェーブレット演算子は、収集された広帯域心臓勾配データセットのリアルタイムまたはほぼリアルタイム処理を促進し、残余サブ空間データセットおよび雑音サブ空間データセットを生成する。残余サブ空間データセットおよび雑音サブ空間データセットは、いくつかの実施形態では、多次元データセット（例えば、３次元）として生成され、画像およびグラフィック処理に非常に好適である。残余サブ空間データセットおよび雑音サブ空間データセットの抽出された形態は、パラメータおよび変数として、学習アルゴリズムにフィードされ、それらを研究下の心臓の異常に関連付ける。

したがって、本開示は、非侵襲性システムおよび方法を提供し、それによって、心臓勾配測定が、行われ、変換され、レンダリングされた画像を介して、心筋の構造体特徴を特性および可視化し、心臓および心血管機能における異常を特性評価することができる。さらに、本開示は、心臓の構造体特徴（例えば、反転心臓勾配問題）および異常伝導／機能心臓組織の場所を可視化するためのシステムおよび方法を提供する。さらに、本開示は、パラメータとして、療法、治療デバイス、または診断デバイスに、心臓の構造体特徴および異常伝導／機能心臓組織の場所を出力するためのシステムおよび方法を提供する。

ある側面では、哺乳類対象または患者において、心筋虚血を非侵襲的に識別および／または測定し、１つ以上の狭窄を識別し、ならびに／もしくは血流予備量比を位置特定および／または推定する方法もしくは複数の方法が、開示される。方法は、電極（例えば、１つ以上の表面電極、非接触電極、または他のタイプの生体電位感知装置）のうちの少なくとも１つを介して、複数の広帯域勾配信号を対象から同時に取得することと、複数の広帯域勾配信号に関連付けられたデータから導出される残余サブ空間データセットおよび雑音サブ空間データセットに基づいて、１つ以上のプロセッサを介して、血流予備量比推定、狭窄値、および心筋虚血推定から成る群から選択される、対象の１つ以上の冠動脈の生理学的パラメータ（例えば、および／または他の動脈流特性）を決定することとを含む。

いくつかの実施形態では、残余サブ空間データセットは、第１のウェーブレット演算（例えば、第１の位相線形ウェーブレット演算子を介して）を複数の広帯域勾配信号から導出されるデータに実施することによって、第１のウェーブレット信号データセットを生成することと、第２のウェーブレット演算（例えば、第２の位相線形ウェーブレット演算子を介して）を第１のウェーブレット信号データに実施することによって、第２のウェーブレット信号データセットを生成することと、第１のウェーブレット信号データセットの値を第２のウェーブレット信号データセットの値から減算し、残余サブ空間データセットを生成することとによって決定され、残余サブ空間データセットは、時空ドメインにおける３次元位相空間データセットを含む。

いくつかの実施形態では、方法または複数の方法はさらに、３次元位相空間データセットの第１の形態学的特徴の組を抽出することを含み、第１の抽出される形態学的特徴の組は、３次元（３Ｄ）体積値、空隙体積値、表面積値、主曲率方向値、およびベッチ数値から成る群から選択されるパラメータを含む。

いくつかの実施形態では、第１の抽出される形態学的特徴の組は、アルファ包演算子を使用して抽出される。

いくつかの実施形態では、方法または複数の方法はさらに、３次元位相空間データセットを、各々が３次元位相空間データセットのうちの非重複部分を備えている複数の区分に分割することと、複数の区分の各々の第２の形態学的特徴の組を抽出することであって、第２の抽出される形態学的特徴の組は、３Ｄ体積値、空隙体積値、表面積値、主曲率方向値、およびベッチ数値から成る群から選択されるパラメータを含む、こととを含む。

いくつかの実施形態では、第２の抽出される形態学的特徴の組は、アルファ包演算子を使用して抽出される。

いくつかの実施形態では、複数の区分は、３、４、５、６、７、８、９、１０、１１、１２、１３、１４、１５、１６、１７、１８、１９、および２０から成る群から選択される数の区分を備えている。

いくつかの実施形態では、雑音サブ空間データセットは、第１のウェーブレット演算（例えば、第１の位相線形ウェーブレット演算子）を複数の広帯域勾配信号から導出されるデータに実施することによって、第１のウェーブレット信号データセットを生成することと、第２のウェーブレット演算（例えば、第２の位相線形ウェーブレット演算子）を第１のウェーブレット信号データに実施することによって、第２のウェーブレット信号データセットを生成することであって、第２のウェーブレット信号データは、雑音サブ空間データセットを含む、こととによって決定され、雑音サブ空間データセットは、時空ドメイン内の３Ｄ位相空間データセットを含む。

いくつかの実施形態では、方法または複数の方法はさらに、３Ｄ位相空間データセットの形態学的特徴の組を抽出することを含み、抽出される形態学的特徴の組は、３Ｄ体積値、空隙体積値、表面積値、主曲率方向値、およびベッチ数値から成る群から選択されるパラメータを含む。

いくつかの実施形態では、抽出される形態学的特徴の組は、アルファ包演算子を使用して抽出される。

いくつかの実施形態では、方法または複数の方法はさらに、３次元位相空間データセットを、各々が３次元位相空間データセットのうちの非重複部分を備えている複数の区分に分割することと、第２の複数の区分の各々の第２の形態学的特徴の組を抽出することとを含み、第２の抽出される形態学的特徴の組は、３Ｄ体積値、空隙体積値、表面積値、主曲率方向値、およびベッチ数値から成る群から選択されるパラメータを含む。

いくつかの実施形態では、第２の抽出される形態学的特徴の組は、アルファ包演算子を使用して抽出される。

いくつかの実施形態では、第２の区分は、３、４、５、６、７、８、９、１０、１１、１２、１３、１４、１５、１６、１７、１８、１９、および２０から成る群から選択される数の区分を備えている。

いくつかの実施形態では、残余サブ空間データセットは、第１の雑音幾何学形状の第１の形状に関連付けられ、雑音サブ空間データセットは、確率論的雑音に対応する第２の雑音幾何学形状の第２の形状に関連付けられる。

いくつかの実施形態では、複数の広帯域勾配信号は、信号の各々間に約１０フェムト秒未満の遅延またはスキューを有するように同時に取得される。

いくつかの実施形態では、複数の広帯域勾配信号の各々は、処理に先立っておよびその間、フィルタ処理されず、残余サブ空間データセットおよび雑音サブ空間データセットを生成する。

いくつかの実施形態では、複数の広帯域勾配信号の各々は、約１ｋＨｚより高い周波数成分を有する周波数ドメイン内に心臓データを含む。

いくつかの実施形態では、複数の広帯域勾配信号の各々は、約１ｋＨｚ、約２ｋＨｚ、約３ｋＨｚ、約４ｋＨｚ、約５ｋＨｚ、約６ｋＨｚ、約７ｋＨｚ、約８ｋＨｚ、約９ｋＨｚ、および約１０ｋＨｚから成る群から選択される周波数における心臓周波数情報を含む。

いくつかの実施形態では、複数の広帯域勾配信号の各々は、約０Ｈｚ〜約５０ｋＨｚの周波数における心臓情報を含む。

いくつかの実施形態では、複数の広帯域勾配信号の各々は、約０Ｈｚ〜約５００ｋＨｚにおける心臓周波数情報を含む。

いくつかの実施形態では、方法または複数の方法はさらに、第１の機械学習演算（例えば、ニューラルネットワーク、公式学習等）を介して、抽出される第１の形態学的特徴の組を、血流予備量比推定、狭窄値、および心筋虚血推定の推定に関連付けられた複数の候補モデルに関連付けることと、複数の候補モデルのうちのある候補モデルを選択し、血流予備量比推定、狭窄値、および心筋虚血推定の推定の各々の出力を決定することとを含む。

いくつかの実施形態では、方法または複数の方法はさらに、決定された１つ以上の冠動脈生理学的パラメータを可視化することを含む。

いくつかの実施形態では、血流予備量比推定、狭窄値、および心筋虚血推定は、心臓の画像上の１つ以上の対応する冠動脈領域において提示される（例えば、心臓の標準化された１７区分モデルを介して）。

いくつかの実施形態では、方法または複数の方法はさらに、外科手術用デバイスまたは診断デバイスに、決定された１つ以上の冠動脈生理学的パラメータを出力することを含む。

いくつかの実施形態では、少なくとも１つの電極の１つ以上のものは、表面電極、心内電極、および非接触電極から成る群から選択される。

いくつかの実施形態では、方法は、１つ以上の有意な動脈狭窄を識別することを含み、識別は、検証段階において、約０．７より大きいＡＵＣ−ＲＯＣスコア（「曲線下面積」および「受信機動作特性」スコア）を有する。

別の側面では、例えば、広帯域生体電位測定装置を介して、例えば、心筋虚血を非侵襲的に識別および／または測定し、１つ以上の狭窄を識別し、ならびに／もしくは血流予備量比を位置特定および／または推定するシステムが、開示される。システムは、プロセッサと、その上に記憶される命令を有するメモリとを含み、命令の実行は、プロセッサに、複数の広帯域勾配信号を同時に１つ以上の電極（例えば、表面電極、非接触電極または他のタイプの生体電位感知装置）から取得させ、複数の広帯域勾配信号に関連付けられたデータから導出される残余サブ空間データセットおよび雑音サブ空間データセットに基づいて、血流予備量比推定、狭窄値、および心筋虚血推定から成る群から選択される１つ以上の冠動脈生理学的パラメータを決定させる。

いくつかの実施形態では、命令の実行はさらに、決定された冠動脈生理学的パラメータの可視化がディスプレイ上に提示されるようにすることをプロセッサに行わせる。

いくつかの実施形態では、命令の実行はさらに、プロセッサに、療法デバイスに、決定された１つ以上の冠動脈生理学的パラメータを出力させる。

別の側面では、その上に記憶される命令を有するコンピュータ読み取り可能な媒体が、開示され、命令の実行は、プロセッサに、少なくとも１つの表面電極から同時に取得された複数の広帯域勾配信号に関連付けられたデータから導出される残余サブ空間データセットおよび雑音サブ空間データセットに基づいて、血流予備量比推定、狭窄値、および心筋虚血推定から成る群から選択される、１つ以上の冠動脈生理学的パラメータを決定させる。

いくつかの実施形態では、命令の実行はさらに、決定された冠動脈生理学的パラメータの可視化がディスプレイ上に提示されるようにすることをプロセッサに行わせる。

いくつかの実施形態では、命令の実行は、プロセッサに、療法デバイスに、決定された１つ以上の冠動脈生理学的パラメータを出力させる。
本明細書は、例えば、以下の項目も提供する。
（項目１）
心筋虚血の程度を非侵襲的に識別および／または測定もしくは推定すること、１つ以上の狭窄を識別すること、および／または、血流予備量比を位置特定および／または推定することを行う方法であって、前記方法は、
少なくとも１つの電極を介して、複数の広帯域勾配信号を対象から同時に取得することと、
前記複数の広帯域勾配信号に関連付けられたデータから導出される残余サブ空間データセットおよび雑音サブ空間データセットに基づいて、１つ以上のプロセッサを介して、前記対象の１つ以上の冠動脈の生理学的パラメータを決定することと
を含み、
前記１つ以上の冠動脈の生理学的パラメータは、血流予備量比推定、狭窄値、および心筋虚血推定から成る群から選択される、方法。
（項目２）
前記残余サブ空間データセットは、
第１のウェーブレット演算を前記複数の広帯域勾配信号から導出されるデータに実施することによって、第１のウェーブレット信号データセットを生成することと、
第２のウェーブレット演算を前記第１のウェーブレット信号データに実施することによって、第２のウェーブレット信号データセットを生成することと、
前記第１のウェーブレット信号データセットの値を前記第２のウェーブレット信号データセットの値から減算し、前記残余サブ空間データセットを生成することと
によって決定され、
前記残余サブ空間データセットは、時空ドメインにおける３次元位相空間データセットを含む、項目１に記載の方法。
（項目３）
前記３次元位相空間データセットの第１の形態学的特徴の組を抽出することをさらに含み、前記第１の抽出される形態学的特徴の組は、３Ｄ体積値、空隙体積値、表面積値、主曲率方向値、およびベッチ数値から成る群から選択されるパラメータを含む、項目１または２に記載の方法。
（項目４）
前記第１の抽出される形態学的特徴の組は、アルファ包演算子を使用して抽出される、項目１−３のいずれか１項に記載の方法。
（項目５）
前記３次元位相空間データセットを複数の区分に分割することであって、前記複数の区分の各々は、前記３次元位相空間データセットのうちの非重複部分を備えている、ことと、
前記複数の区分の各々の第２の形態学的特徴の組を抽出することと
をさらに含み、
前記第２の抽出される形態学的特徴の組は、３Ｄ体積値、空隙体積値、表面積値、主曲率方向値、およびベッチ数値から成る群から選択されるパラメータを含む、項目１−４のいずれか１項に記載の方法。
（項目６）
前記第２の抽出される形態学的特徴の組は、アルファ包演算子を使用して抽出される、項目１−５のいずれか１項に記載の方法。
（項目７）
前記複数の区分は、３、４、５、６、７、８、９、１０、１１、１２、１３、１４、１５、１６、１７、１８、１９、および２０から成る群から選択される数の区分を備えている、項目５または６に記載の方法。
（項目８）
前記雑音サブ空間データセットは、
第１のウェーブレット演算を前記複数の広帯域勾配信号から導出されるデータに実施することによって、第１のウェーブレット信号データセットを生成することと、
第２のウェーブレット演算を前記第１のウェーブレット信号データセットに実施することによって、第２のウェーブレット信号データセットを生成することと
によって決定され、
前記第２のウェーブレット信号データセットは、前記雑音サブ空間データセットを含み、
前記雑音サブ空間データセットは、時空ドメインにおける３次元位相空間データセットを含む、項目１−７のいずれか１項に記載の方法。
（項目９）
前記３次元位相空間データセットの形態学的特徴の組を抽出することをさらに含み、前記抽出される形態学的特徴の組は、３Ｄ体積値、空隙体積値、表面積値、主曲率方向値、およびベッチ数値から成る群から選択されるパラメータを含む、項目１−８のいずれか１項に記載の方法。
（項目１０）
前記抽出される形態学的特徴の組は、アルファ包演算子を使用して抽出される、項目１−９のいずれか１項に記載の方法。
（項目１１）
前記３次元位相空間データセットを複数の区分に分割することであって、前記複数の区分の各々は、前記３次元位相空間データセットのうちの非重複部分を備えている、ことと、
前記第２の複数の区分の各々の第２の形態学的特徴の組を抽出することと
をさらに含み、
前記第２の抽出される形態学的特徴の組は、３Ｄ体積値、空隙体積値、表面積値、主曲率方向値、およびベッチ数値から成る群から選択されるパラメータを含む、項目１−１０のいずれか１項に記載の方法。
（項目１２）
前記第２の抽出される形態学的特徴の組は、アルファ包演算子を使用して抽出される、項目１−１１のいずれか１項に記載の方法。
（項目１３）
前記第２の区分は、３、４、５、６、７、８、９、１０、１１、１２、１３、１４、１５、１６、１７、１８、１９、および２０から成る群から選択される数の区分を備えている、項目１−１２のいずれか１項に記載の方法。
（項目１４）
前記残余サブ空間データセットは、第１の雑音幾何学形状の第１の形状に関連付けられており、前記雑音サブ空間データセットは、雑音に対応する第２の雑音幾何学形状の第２の形状に関連付けられている、項目１−１３のいずれか１項に記載の方法。
（項目１５）
前記複数の広帯域勾配信号は、前記信号の各々間に約１０フェムト秒未満の遅延またはスキューを有するように同時に取得される、項目１−１４のいずれか１項に記載の方法。
（項目１６）
前記複数の広帯域勾配信号の各々は、前記処理に先立っておよびその間、フィルタ処理されず、前記残余サブ空間データセットおよび前記雑音サブ空間データセットを生成する、項目１−１５のいずれか１項に記載の方法。
（項目１７）
前記複数の広帯域勾配信号の各々は、約１ｋＨｚより高い周波数成分を有する周波数ドメイン内に心臓データを含む、項目１−１６のいずれか１項に記載の方法。
（項目１８）
前記複数の広帯域勾配信号の各々は、約１ｋＨｚ、約２ｋＨｚ、約３ｋＨｚ、約４ｋＨｚ、約５ｋＨｚ、約６ｋＨｚ、約７ｋＨｚ、約８ｋＨｚ、約９ｋＨｚ、および約１０ｋＨｚから成る群から選択される周波数における心臓周波数情報を含む、項目１−１７のいずれか１項に記載の方法。
（項目１９）
前記複数の広帯域勾配信号の各々は、約０Ｈｚ〜約５０ｋＨｚの周波数における心臓周波数情報を含む、項目１−１８のいずれか１項に記載の方法。
（項目２０）
前記複数の広帯域勾配信号の各々は、約０Ｈｚ〜約５００ｋＨｚの周波数における心臓周波数情報を含む、項目１−１９のいずれか１項に記載の方法。
（項目２１）
第１の機械学習演算を介して、前記抽出される第１の形態学的特徴の組を複数の候補モデルを関連付けることであって、前記複数の候補モデルは、前記血流予備量比推定、前記狭窄値、および前記心筋虚血推定の推定に関連付けられている、ことと、
前記複数の候補モデルのうちのある候補モデルを選択し、前記血流予備量比推定、前記狭窄値、および前記心筋虚血推定の前記推定の各々の出力を決定することと
をさらに含む、項目１−２０のいずれか１項に記載の方法。
（項目２２）
前記決定された１つ以上の冠動脈生理学的パラメータを可視化することをさらに含む、項目１−２１のいずれか１項に記載の方法。
（項目２３）
前記血流予備量比推定、前記狭窄値、および前記心筋虚血推定は、心臓の画像上の１つ以上の対応する冠動脈領域において提示される、項目１−２２のいずれか１項に記載の方法。
（項目２４）
外科手術用デバイスまたは診断デバイスに前記決定された１つ以上の冠動脈生理学的パラメータを出力することをさらに含む、項目１−２３のいずれか１項に記載の方法。
（項目２５）
前記少なくとも１つの電極の１つ以上のものは、表面電極、心内、および非接触電極から成る群から選択される、項目１−２４のいずれか１項に記載の方法。
（項目２６）
１つ以上の有意な狭窄を識別するステップをさらに含み、前記識別は、検証段階において、０．７より大きいＡＵＣ−ＲＯＣスコアを有する、項目１−２５のいずれか１項に記載の方法。
（項目２７）
システムであって、前記システムは、
プロセッサと、
命令を記憶しているメモリと
を備え、
前記命令は、前記プロセッサによって実行されると、項目１−２６のいずれかに記載の方法をコンピューティングデバイスに実施させる、システム。
（項目２８）
命令を記憶している非一過性コンピュータ読み取り可能な媒体であって、
前記命令は、プロセッサによって実行されると、項目１−２６のいずれかに記載の方法を前記プロセッサに実施させる、非一過性コンピュータ読み取り可能な媒体。
（項目２９）
心筋虚血の程度を非侵襲的に識別および／または測定もしくは推定すること、１つ以上の狭窄を識別すること、および／または、血流予備量比を位置特定および／または推定することを行うためのシステムであって、前記システムは、
プロセッサと、
命令を記憶しているメモリと
を備え、
前記命令の実行は、
複数の広帯域勾配信号を少なくとも１つの電極から同時に取得することと、
前記複数の広帯域勾配信号に関連付けられたデータから導出される残余サブ空間データセットおよび雑音サブ空間データセットに基づいて、血流予備量比推定、狭窄値、および心筋虚血推定から成る群から選択される１つ以上の冠動脈生理学的パラメータを決定することと
を前記プロセッサに行わせる、システム。
（項目３０）
前記命令の実行は、前記決定された冠動脈生理学的パラメータの可視化がディスプレイ上に提示されるようにすることを前記プロセッサにさらに行わせる、項目２９に記載のシステム。
（項目３１）
前記命令の実行は、療法デバイスに前記決定された１つ以上の冠動脈生理学的パラメータを出力することを前記プロセッサにさらに行わせる、項目２９または３０に記載のシステム。
（項目３２）
命令を記憶しているコンピュータ読み取り可能な媒体であって、前記命令の実行は、
残余サブ空間データセットおよび雑音サブ空間データセットに基づいて、血流予備量比推定、狭窄値、および心筋虚血推定から成る群から選択される１つ以上の冠動脈生理学的パラメータを決定することをプロセッサにさらに行わせ、
前記残余サブ空間データセットおよび前記雑音サブ空間データセットは、少なくとも１つの表面電極から同時に取得された複数の広帯域勾配信号に関連付けられたデータから導出される、コンピュータ読み取り可能な媒体。
（項目３３）
前記命令の実行は、前記決定された冠動脈生理学的パラメータの可視化がディスプレイ上に提示されるようにすることを前記プロセッサにさらに行わせる、項目３２に記載のコンピュータ読み取り可能な媒体。
（項目３４）
前記命令の実行は、療法デバイスに前記決定された１つ以上の冠動脈生理学的パラメータを出力することを前記プロセッサにさらに行わせる、項目３２または３３に記載のコンピュータ読み取り可能な媒体。

図面中の構成要素は、必ずしも、互いに対して正確な縮尺ではなく、同様の参照番号は、いくつかの図全体を通して、対応する部分を指定する。

図１は、例証的実施形態による、広帯域心臓勾配データを使用して、心臓内の動脈流特性（例えば、心筋虚血の存在、狭窄識別、位置特定、および血流予備量比推定）を非侵襲的に決定するためのシステムの略図である。 図２は、例証的実施形態による、時系列データとして示される例示的広帯域心臓勾配信号の略図である。 図３は、例証的実施形態による、周波数ドメインに示される例示的広帯域心臓勾配信号の略図である。 図４は、例証的実施形態による、単一表面電極に関連付けられた例示的広帯域心臓勾配信号の時系列プロットである。 図５は、例証的実施形態による、３つの表面電極に関連付けられた例示的広帯域心臓勾配信号の周波数プロットである。 図６は、例証的実施形態による、３つの表面電極に関連付けられた例示的超広帯域心臓勾配信号の周波数プロットである。 図７は、例証的実施形態による、心筋虚血の程度、狭窄識別、および／または位置特定および血流予備量比推定を非侵襲的に識別および／または推定するために、広帯域心臓勾配信号を処理する方法の略図である。 図８は、例証的実施形態による、例えば、多次元残余サブ空間データセット、多次元雑音サブ空間データセット、および多次元ウェーブレットのクレンジングされたデータセットの特徴トポロジ分析を実施する方法の略図である。 図９は、例証的実施形態による、図８に関連して説明されるように、心筋虚血の程度、狭窄識別、および／または位置特定ならびに血流予備量比推定を識別および／または推定するために、非線形モデルを作成および選択するための機械学習分析を実施する方法の略図である。 図１０Ａおよび１０Ｂは、例証的実施形態による、多次元ウェーブレットのクレンジングされたデータセットを生成するために使用される例示的ウェーブレット変換の略図である。 図１１は、例証的実施形態による、ウェーブレットのクレンジングされたデータセットの例示的時系列データセットの略図である。 図１２は、例証的実施形態による、多次元残余サブ空間データセットを生成するための例示的ウェーブレットベースの演算の略図である。 図１３Ａおよび１３Ｂは、例証的実施形態による、多次元ウェーブレットのクレンジングされたデータセットを生成するために使用される例示的ウェーブレット変換の略図である。 図１４は、例証的実施形態による、例示的多次元残余サブ空間データセットの描写である。 図１５は、例証的実施形態による、例示的多次元雑音サブ空間データセットの描写である。 図１６および１７の各々は、例証的実施形態による、例示的多次元残余サブ空間データセットの描写である。図１６は、虚血を伴わない対象の例示的多次元残余サブ空間データセットを示す。図１７は、虚血を伴う対象の例示的多次元残余サブ空間データセットを示す。 図１６および１７の各々は、例証的実施形態による、例示的多次元残余サブ空間データセットの描写である。図１６は、虚血を伴わない対象の例示的多次元残余サブ空間データセットを示す。図１７は、虚血を伴う対象の例示的多次元残余サブ空間データセットを示す。 図１８および１９の各々は、例証的実施形態による、例示的多次元雑音サブ空間データセットの描写である。図１８は、虚血を伴わない対象の例示的多次元雑音サブ空間データセットを示す。図１９は、虚血を伴う対象の例示的多次元雑音サブ空間データセットを示す。 図１８および１９の各々は、例証的実施形態による、例示的多次元雑音サブ空間データセットの描写である。図１８は、虚血を伴わない対象の例示的多次元雑音サブ空間データセットを示す。図１９は、虚血を伴う対象の例示的多次元雑音サブ空間データセットを示す。 図２０は、例証的実施形態による、心臓内の決定された動脈流特性を可視化する方法の略図である。 図２１および２２は、例証的実施形態による、図１の分析を使用して行われた研究の結果を示す略図である。 図２１および２２は、例証的実施形態による、図１の分析を使用して行われた研究の結果を示す略図である。

（詳細な説明）
図面中の構成要素は、必ずしも、互いに対して正確な縮尺ではなく、同様の参照番号は、いくつかの図全体を通して、対応する部分を指定する。

図１は、例証的実施形態による、広帯域心臓勾配データを使用して心臓内の動脈流特性を非侵襲的に決定するためのシステムの略図である。図１に示されるように、システム１００は、広帯域生体電位測定機器１０２と、分析サブシステム１０４とを含む。広帯域生体電位測定機器１０２は、哺乳類対象または患者１１０の表面（例えば、動物または人の皮膚）に取り付けられる少なくとも１つの電極１０６（表面電極１０６ａ、１０６ｂ、・・・、１０６ｎとして示される）と、対応するコモンモード基準リード１０８と（全て、図１のシステムに見られる）を介して、広帯域生体電位信号１１２（１１２ａ．．ｎとして示される）（本明細書では、広帯域心臓勾配信号データ１１２とも称される）を対象または患者１１０から収集する。広帯域生体電位測定機器１０２は、信号のスペクトル成分が改変されないように、フィルタ処理されていない電気生理学的信号を捕捉するように構成される任意のデバイスであり得る。すなわち、捕捉された信号の全ては、捕捉された信号の有意な部分ではないにしても、雑音（例えば、約１ｋＨｚを上回る周波数範囲内のそれら）として従来知覚または処理される成分を含む。この目的を達成するために、広帯域生体電位測定機器１０２は、広帯域生体電位信号１１２の信号の位相線形性に影響を及ぼす任意のフィルタ処理（ハードウェア回路またはデジタル信号処理を介して）を伴わずに、収集された広帯域生体電位信号１１２を捕捉、変換、および分析する。すなわち、位相決定的演算、数値、または分析のみが、位相空間変換および分析において実施される。位相歪は、信号の周波数成分にシフトを生じさせる非決定的歪である。

例示的広帯域生体電位測定機器１０２は、第ＵＳ２０１７／０１１９２７２号として公開され、「Ｍｅｔｈｏｄ ａｎｄ Ａｐｐａｒａｔｕｓ ｆｏｒ Ｗｉｄｅ−Ｂａｎｄ Ｇｒａｄｉｅｎｔ Ｓｉｇｎａｌ Ａｃｑｕｉｓｉｔｉｏｎ」と題される米国特許出願第１５／２４８，８３８号（参照することによってその全体として本明細書に組み込まれる）に説明される。いくつかの実施形態では、広帯域生体電位測定機器１０２は、患者または対象上のいくつかの観察点（安静位置）において、２１０秒にわたって、約８ｋＨｚのレートでフィルタ処理されない生理学的信号を記録するように構成される。得られた信号記録は、次いで、クラウドベースのリポジトリにセキュアに伝送され、すると、それは、処理のために自動的に待ち行列に入れられる。いくつかの実施形態では、得られた信号記録は、クラウドベースのリポジトリにセキュアに伝送され、すると、それは、処理のために自動的に待ち行列に入れられる。処理パイプラインは、信号の多次元（時空）変換を行うことによって胸郭系の位相エネルギーを導出し、その後、これを患者の心臓の位相空間モデルに再構築する。

本発明者らは、従来の心電図（ＥＣＧ）のそれらを超え、かつランダム雑音として従来知覚または処理されたエネルギーおよび周波数成分を有する広帯域生体電位信号が、心臓生理学の測定可能データを含み、そのデータが、遺伝子アルゴリズム（および他の機械学習アルゴリズム）によって判別されることにより、例えば、狭窄に関する推定値と特定の動脈およびその分岐の虚血ならびに血流予備量比（ＦＦＲ）の識別とを含む心臓の局部流特性を査定し得ることを発見した。雑音除去（例えば、クレンジング技法をデータに適用し、雑音除去に先立ったものと同一量のデータをもたらすことによる）は、信号処理における基本ステップである。しかしながら、例示される方法およびシステムは、任意の雑音除去演算を伴わずに、取得された生体電位信号全体を処理する。広帯域データ内で望ましくない雑音として従来知覚および／または分類されたものは、多くの場合、着目信号である。実施されない雑音除去の例として、限定ではないが、処理された信号の位相線形性を変化させるように構成されるアナログベースの低域通過フィルタ、帯域通過フィルタ、高域通過フィルタ、ならびにデジタルベースのフィルタ、例えば、ＦＩＲフィルタ、バターワースフィルタ、チェビシェフフィルタ、およびメディアンフィルタ（とりわけ）が挙げられる。位相線形であるように構成されるアナログベースの低域通過フィルタ、帯域通過フィルタ、高域通過フィルタ、ならびにデジタルベースのフィルタが、使用され得ることに留意されたい。いくつかの実施形態では、信号は、高周波数広帯域データの特定の側面の分析を可能にするために、位相線形演算を介して処理され得る。

米国特許出願第１５／２４８，８３８号に説明されるように、いくつかの実施形態では、広帯域生体電位測定機器１０２は、従来の心電図および生体信号入手器具の雑音レベルまたはそれを有意に下回る分解能であるマイクロボルトまたはサブマイクロボルト分解能において、生体電位信号等の１つ以上の生体信号を捕捉するように構成される。いくつかの実施形態では、広帯域生体電位測定機器１０２は、同時に（いくつかの実施形態では、約１μｓ未満の時間的スキューまたは「遅延」を有して、他の実施形態では、約１０フェムト秒を上回らない時間的スキューまたは遅延を有して）サンプリングされる広帯域位相勾配信号（例えば、広帯域心臓位相勾配信号、広帯域大脳位相勾配信号）を入手および記録するように構成される。着目すべきこととして、例示されるシステムは、その中の情報に影響を及ぼさないように、入手された広帯域位相勾配信号における非線形歪（例えば、あるフィルタを介して導入され得るもの）を最小化する。

図１を依然として参照すると、分析システム１０４は、本明細書に後述される後の位相空間分析１１８において使用されるための位相空間マップを生成するように構成される。そして、位相空間分析の出力は、局部動脈流特性等の疾患または生理学的特性の存在に関連付けられたパラメータ１２２を査定するために、機械学習分析１２０を使用して評価される。いくつかの実施形態では、機械学習分析１２０は、取得された広帯域心臓勾配信号データ１１２の査定において、定量化されたＦＦＲ、狭窄、および虚血データのライブラリ１２４を使用し得る。そして、分析１０４を実施するプロセッサの出力１２２は、可視化のために、例えば、タッチスクリーンまたは他のモニタ等のグラフィカルユーザインターフェースに伝送される。グラフィカルユーザインターフェースは、いくつかの実施形態では、パラメータ１２２を表示するために構成されるディスプレイユニット内に含まれる。いくつかの実施形態では、グラフィカルユーザインターフェースは、生体電位信号データおよび仮想生体電位信号データの３Ｄ位相空間プロット表現等の中間パラメータを表示する。他の実施形態では、そして、プロセッサの出力は、１つ以上の非グラフィカルユーザインターフェース（例えば、印刷物、コマンドライン、またはテキスト専用ユーザインターフェース）に伝送されるか、例えば、後の読み出しおよび／または追加の分析のために直接データベースまたはメモリデバイスに伝送されるか、または、それらの組み合わせである。

本明細書で使用されるように、用語「プロセッサ」は、関数を入力に実施し、出力を作成するためのエンコードされた命令を実行する物理的ハードウェアデバイスを指す。プロセッサは、１つ以上のプロセッサを含み得、各々は、命令を実行し、データを処理し、画像をインデックス化するために、コンピュータに関連付けられた１つ以上の機能を実施するように構成される。プロセッサは、ＲＡＭ、ＲＯＭ、記憶装置、データベース、Ｉ／Ｏデバイス、およびインターフェースに通信可能に結合され得る。プロセッサは、コンピュータプログラム命令のシーケンスを実行し、種々のプロセスを実施するように構成され得る。

（例示的広帯域心臓勾配信号）

図２（図１に複製されている）は、ある実施形態による、時系列データとして示される例示的広帯域心臓勾配信号１１２の略図である。図３（同様に、図１に複製されている）は、ある実施形態による、周波数ドメインで示される図２の例示的広帯域心臓勾配信号１１２の略図である。図３に示されるように、広帯域心臓勾配信号１１２は、１ｋＨｚより高い周波数成分を有し、それは、従来の心電図測定より有意に高い。いくつかの実施形態では、広帯域心臓勾配信号１１２は、最大約４ｋＨｚ（例えば、約０Ｈｚ〜約４ｋＨｚ）の周波数成分を有する。いくつかの実施形態では、広帯域心臓勾配信号１１２は、最大約５ｋＨｚ（例えば、約０Ｈｚ〜約５ｋＨｚ）の周波数成分を有する。いくつかの実施形態では、広帯域心臓勾配信号１１２は、最大約６ｋＨｚ（例えば、約０Ｈｚ〜約６ｋＨｚ）の周波数成分を有する。いくつかの実施形態では、広帯域心臓勾配信号１１２は、最大約７ｋＨｚ（例えば、約０Ｈｚ〜約７ｋＨｚ）の周波数成分を有する。いくつかの実施形態では、広帯域心臓勾配信号１１２は、最大約８ｋＨｚ（例えば、約０Ｈｚ〜約８ｋＨｚ）の周波数成分を有する。いくつかの実施形態では、広帯域心臓勾配信号１１２は、最大約９ｋＨｚ（例えば、約０Ｈｚ〜約９ｋＨｚ）の周波数成分を有する。いくつかの実施形態では、広帯域心臓勾配信号１１２は、最大約１０ｋＨｚ（例えば、約０Ｈｚ〜約１０ｋＨｚ）の周波数成分を有する。いくつかの実施形態では、広帯域心臓勾配信号１１２は、最大５０ｋＨｚ（例えば、約０Ｈｚ〜約５０ｋＨｚ）の周波数成分を有する。

図４は、ある実施形態による、単一表面電極に関連付けられた例示的広帯域心臓勾配信号１１２の時系列プロットである。プロットは、経時的（秒単位）にｍＶ単位の信号を示す。

図５は、ある実施形態による、３つの表面電極に関連付けられた例示的広帯域心臓勾配信号１１２の周波数プロットである。示されるように、図５は、最大４ｋＨｚの広帯域心臓勾配信号１１２の周波数成分を含む。さらに示されるように、提示される広帯域心臓勾配信号１１２は、１ｋＨｚを上回る周波数において、周波数ドメイン−２０ｄＢ〜２０ｄＢ内の電力を有する。広帯域心臓勾配信号１１２のこの部分５０２は、心臓組織およびその下層構造についてのトポロジならびに機能情報を含み、それらは、局部ＦＦＲの推定、領域狭窄の推定、ならびに局部虚血の識別および／またはその程度の推定等の局部流特性を決定するために使用され得る。

広帯域心臓勾配信号（例えば、周波数約１ｋＨｚ〜約１０ｋＨｚを有する）は、非均一にサンプリングされたデータに基づく位相空間分析を促進する。いくつかの実施形態では、広帯域心臓勾配信号は、着目間隔中のより高いサンプリングレートを有し、他の間隔中のより低いサンプリングレートを有し、結果として生じるデータセットサイズの最小化を促進する。この変動するサンプリングレートは、データ記憶が限定される用途において使用され得る。多くの非線形関数（例えば、位相空間分析において使用されるそれら等）は、時間ドメインで非均一に間隔を置かれた点に関する振幅を識別するとき、より効果的に動作する。最高着目周波数のそれらと比較してはるかに高いサンプリングレート（例えば、最高着目周波数のそれらより１０倍大きい）は、信号システムの正しく特性評価された形状を促進する。これは、ローレンツ系に類似し、非常に高い周波数は、位相空間内の系の形状を正しくモデル化するために有益である。ローレンツ系の例は、Ｌｏｒｅｎｚ，Ｅｄｗａｒｄ Ｎｏｒｔｏｎ，“Ｄｅｔｅｒｍｉｎｉｓｔｉｃ ｎｏｎ−ｐｅｒｉｏｄｉｃ ｆｌｏｗ”，Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ａｔｍｏｓｐｈｅｒｉｃ Ｓｃｉｅｎｃｅｓ ２０（２），ｐａｇｅｓ １３０−１４１（１９６３）（全体が、参照することによって本明細書に組み込まれる）に説明される。

（例示的超広帯域心臓勾配信号）

いくつかの実施形態では、例示される方法およびシステムは、約５００ｋＨｚ程度の（例えば、周波数約１ｋＨｚ〜約５００ｋＨｚを有する）負のスペクトルエネルギーシグネチャを有する、超広帯域心臓勾配信号を分類するために使用される。

図６は、例証的実施形態による、例示的超広帯域心臓勾配信号の周波数プロットである。示されるように、図６は、周波数約２００ｋＨｚでサンプリングされ、最大約１００ｋＨｚの超広帯域心臓勾配信号の周波数成分を含む（ナイキストサンプリング定理に従う）。着目すべきこととして、示されるように、提示される超広帯域心臓勾配信号は、約７０〜８０ｋＨｚを上回る周波数（周波数６０２として示される）内の負のスペクトルエネルギーシグネチャを含む。負のスペクトルエネルギーシグネチャは、周波数ドメインにおいて、エネルギー約４０ｄＢ〜約５０ｄＢを有する。データは、超広帯域心電図における低エネルギーシグネチャが、身体の形態もしくは機能を撮像すること、および／または診断のために使用され得る情報を有し得ることを示唆する。

（広帯域生体電位信号データの例示的処理）

図７は、例証的実施形態による、広帯域生体電位信号データ１１２（および超広帯域生体電位信号データ）を処理する方法７００の略図である。図７に示されるように、方法７００は、広帯域勾配心臓信号データ１１２（「広帯域勾配信号のフィルタ処理されない未加工ＡＤＣデータ」１１２として示される）を収集することと、広帯域勾配心臓信号データを前処理７０２し、位相空間分析において、位相空間データセット（「残余サブ空間」データセット７０４および「雑音サブ空間」データセット７０６として示される）を生成することとを含み、それによって、位相空間データセットの特徴（７０４、７０４）が、抽出され（動作７０８）、入れ子非線形関数７１０において評価され、狭窄およびＦＦＲ推定値１２２を生成する。

広帯域勾配心臓信号データ１１２は、１つ以上の電極（例えば、表面電極、非接触電極）から収集され得る。いくつかの実施形態では、広帯域勾配心臓信号データ１１２は、１〜約２０以上の電極（例えば、１つの電極、２つの電極、３つの電極、４つの電極、５つの電極、６つの電極、７つの電極、８つの電極、９つの電極、１０の電極、１１の電極、１２の電極、１３の電極、１４の電極、１５の電極、１６の電極、１７の電極、１８の電極、１９の電極、および２０以上の電極）から同時に収集される。いくつかの実施形態では、これらの電極のサンプリングは、１０フェムト秒未満のスキューまたは「遅延」を有し得る。他の実施形態では、これらの電極のサンプリングは、１００フェムト秒未満のスキューまたは遅延を有し得る。他の実施形態では、これらの電極のサンプリングは、数ピコ秒未満のスキューまたは遅延を有し得る。いくつかの実施形態では、広帯域心臓勾配信号１１２は、最大約１０ｋＨｚ（例えば、約０Ｈｚ〜約４ｋＨｚ；約０Ｈｚ〜約５ｋＨｚ；約０Ｈｚ〜約６ｋＨｚ；約０Ｈｚ〜約７ｋＨｚ；約０Ｈｚ〜約８ｋＨｚ；約０Ｈｚ〜約９ｋＨｚ；または約０Ｈｚ〜約１０ｋＨｚ）の周波数成分を有する。いくつかの実施形態では、広帯域心臓勾配信号１１２は、最大約５０ｋＨｚ（例えば、約０Ｈｚ〜約５０ｋＨｚ）の周波数成分を有する。いくつかの実施形態では、広帯域勾配心臓信号データ１１２は、約１／２μＶ感度の電圧分解能を有する。他の実施形態では、広帯域勾配心臓信号データ１１２は、約１／２μＶを上回る感度（例えば、約１μＶ、約１０μＶ、約１００μＶ、または約１ｍＶ）の電圧分解能を有する。いくつかの実施形態では、信号データの分解能は、約２４ビットである。いくつかの実施形態では、有効分解能は、２０ビット、２１ビット、２２ビット、または２３もしくはそれを上回るビットである。いくつかの実施形態では、有効分解能は、２０ビット未満（例えば、１８ビットまたは１４ビットもしくはより少ない）である。

いくつかの実施形態では、位相空間プロット分析は、脱分極波の位相平面における任意の他の直交リードへの干渉から生じる幾何学的コントラストを使用する。無雑音サブ空間の存在は、これらの波の位相の記録を可能にする。一般に、この干渉から生じる振幅が、測定され得る。しかしながら、これらの直交リードの位相も、依然として、構造についての情報を搬送し、幾何学的コントラストを画像内に生成する。位相空間プロット分析は、例えば、心臓およびその種々のタイプの組織内の異なる生体電気構造が、異なるインピーダンスを有し、したがって、スペクトルおよび非スペクトル伝導が、遅延し、心臓を通る位相空間軌道の軌跡を異なる量だけ曲げるという事実を利用する。これらの軌跡のわずかな変化は、正規化され、心拍毎に定量化され、異常または不良なリード設置に対して補正されることができ、正規化された位相空間積分は、遺伝子アルゴリズムを使用して、幾何学的メッシュ上に可視化され、またはそこにマッピングされ、遡及的データから、心室内の１７の心筋区分を心臓の種々の断層撮像モダリティにマッピングすることができる。

図７を依然として参照すると、３つの別個の位相空間分析が、実施され、非線形関数７１０において使用されるためのメトリックおよび変数の組（７１２ａ、７１２ｂ、および７１２ｃとして示される）を生成し、局部ＦＦＲ推定値、局部狭窄値、および局部虚血値１２２を生成する。表１は、例示的出力行列１２２である。

示されるように、表１は、心臓内の主要脈管に対応する複数の区分のための血流予備量比（ＦＦＲ）パラメータ、推定された狭窄パラメータ、および推定された虚血パラメータを含む。いくつかの実施形態では、行列１２２は、左大動脈（ＬＭＡ）、左近位回旋動脈（近位ＬＣＸ）、左中央回旋動脈（中央ＬＣＸ）、左遠位回旋動脈（遠位ＬＣＸ）、左後房室（ＬＰＡＶ）、第１鈍角枝分岐（ＯＭ１）、第２鈍角枝（ＯＭ２）、第３鈍角枝分岐（ＯＭ３）、左近位前下行枝動脈（近位ＬＡＤ）、中央左前下行枝動脈（中央ＬＡＤ）、左遠位前下行枝動脈（遠位ＬＡＤ）、左前下行枝第１対角線分岐（ＬＡＤ Ｄ１）、左前下行枝第２対角線分岐（ＬＡＤ Ｄ２）、右近位冠動脈（近位ＲＣＡ）、右中央冠動脈（中央ＲＣＡ）、右遠位冠動脈（遠位ＲＣＡ）、および後下行枝動脈の右鋭角枝（ＡｃＭ Ｒ ＰＤＡ）を含む、心臓の１７の区分を有する、標準化された心筋区分マップのための血流予備量比（ＦＦＲ）パラメータ、推定された狭窄パラメータ、および推定された虚血パラメータを含む。表１では、心筋虚血推定、狭窄識別、および／または血流予備量比推定のためのパラメータは、０〜１の範囲に示される。他のスケーリングまたは範囲が、使用され得る。

（血流予備量比（ＦＦＲ）推定を生成するための例示的入れ子関数）

表２−５は、心臓内の主要脈管に対応するいくつかの区分のためのＦＦＲ推定を生成するための例示的非線形関数を示す。表２では、左大動脈のためのＦＦＲ推定（「ＦＦＲ＿ＬＥＦＴＭＡＩＮ」）を決定するための例示的関数が、提供される。

表２に示されるように、左大動脈のためのＦＦＲ推定は、雑音サブ空間７０６（「ｎｏｉｓｅｖｅｃｔｏｒＲｚ」）、アルファ包（Ａｌｐｈａｈｕｌｌ）パラメータ（「Ａｌｐｈａｒａｔｉｏｎ」）、および信号密度クラウド体積４（「ＤｅｎｓｉｔｙＶ４」）に関連付けられたＺ成分パラメータ等の抽出されるメトリックおよび変数に基づいて決定される。

表３では、右中央冠動脈のためのＦＦＲ推定（「ＦＦＲ＿ＭＩＤＲＣＡ」）を決定する例示的機能が、提供される。

表３に示されるように、右中央冠動脈のためのＦＦＲ推定は、雑音サブ空間７０６（「ｎｏｉｓｅｖｅｃｔｏｒＲｙ」）、Ａｌｐｈａｈｕｌｌパラメータ（「Ａｌｐｈａｒａｔｉｏｎ」）、および信号密度クラウド体積３（「密度Ｖ３」）に関連付けられたＹ成分パラメータ等の抽出されたメトリックおよび変数に基づいて決定される。

表４では、左中央動脈下行枝のためのＦＦＲ推定（「ＦＦＲ＿ＭＩＤＬＡＤ」）を決定するための例示的関数が、提供される。

表４に示されるように、左中央動脈下行枝のためのＦＦＲ推定は、クラウドクラスタ３（「ＡｓｐｅｃｔＲａｔｉｏ３」）およびウェーブレット残余平均ＸＹＺ（「ｒｅｓｉｄｕｅＬｅｖｅｌＭｅａｎ」）のための体積対表面積の比率等の抽出されたメトリックおよび変数に基づいて決定される。

表５では、左近位回旋動脈のためのＦＦＲ推定（「ＦＦＲ＿ＰＲＯＸＬＣＸ」）を決定するための例示的関数が、提供される。

表５に示されるように、左近位回旋動脈のためのＦＦＲ推定は、ウェーブレット残余体積ＸＹＺ（「ｒｅｓｉｄｕｅＬｅｖｅｌＶｏｌｕｍｅ」）、ベクトルクラウド６体積（「ｖｅｃｔｏｒｃｌｏｕｄ６」）、および信号密度クラウド体積４（「ＤｅｎｓｉｔｙＶ４」）等の抽出されたメトリックおよび変数に基づいて決定される。

（例示的ウェーブレットクレンジング演算子）

再び図７を参照すると、ウェーブレット演算子７１４（「ウェーブレットクレンジング」７１４として示される）は、広帯域勾配信号データ１１２（またはそれから導出されるデータ）に演算を実施することができる。他の中間位相線形処理が、ウェーブレット演算子７１４による演算に先立って、信号データ１１２に実施され得ることは、当業者に理解されるはずである。いくつかの実施形態では、ウェーブレット演算子７１４は、双直交ウェーブレット３．３変換を含む。図１０Ａおよび１０Ｂは、例証的実施形態による、多次元ウェーブレットクレンジングデータセットを生成するために使用される例示的ウェーブレット変換（すなわち、双直交ウェーブレット３．３）の略図である。図１０Ａは、分解スケーリング関数φを示す。図１０Ｂは、分解ウェーブレット関数ψを示す。図１１は、ウェーブレットクレンジング演算の例示的出力１１０２の略図である。出力１１０２は、ウェーブレットクレンジング演算への入力１１０４と併せて示される。出力は、いくつかの実施形態では、時系列データセットである。

図７を依然として参照すると、ウェーブレット演算子７１４の出力は、組み合わせられ、位相空間変換７１８を介して変換され、多次元ウェーブレックレンジングデータセット７１６を生産する。特徴トポロジ分析（また、ブロック７１８に示される）が、多次元ウェーブレックレンジングデータセット７１６に実施され、メトリックおよび変数７１２ａを抽出する。抽出されたメトリックおよび変数７１２ａは、いくつかの実施形態では、例えば、３Ｄ体積値、空隙体積値、表面積値、主曲率方向値、およびベッチ数値を含む多次元ウェーブレックレンジングデータセットの形態学的、トポロジ的、または関数特徴を含む。いくつかの実施形態では、多次元ウェーブレックレンジングデータセットは、これらのサブ領域のメトリックおよび変数が抽出されるサブ領域に区分化またはパーティション化され得る。いくつかの実施形態では、空隙体積値、表面積値、主曲率方向値、およびベッチ数値は、各サブ領域のためにも決定される。いくつかの実施形態では、生成されたサブ領域の数（区分の数とも称される）は、約２〜約２０（例えば、２、３、４、５、６、７、８、９、１０、１１、１２、１３、１４、１５、１６、１７、１８、１９、および２０）である。いくつかの実施形態では、サブ領域の数は、２０より大きい。

図８は、多次元ウェーブレックレンジングデータセットの特徴トポロジ分析を実施する方法８００の略図である。いくつかの実施形態では、方法８００は、図７に関連して説明されるように、位相空間分析の各々（例えば、残余サブ空間分析および雑音サブ空間分析）によって生成される多次元雑音サブ空間データセット７１２ｂおよび多次元ウェーブレックレンジングデータセット７１２ｃ等の他のデータセットに同様に実施され得る。図８に示されるように、形態学的、トポロジ的、または関数特徴抽出分析（「トポロジ分析」８０２として示される）は、いくつかの実施形態では、アルファ包（ａｌｐｈａ−ｈｕｌｌ）演算子８０４を使用して、時空ドメインデータセットとして、多次元ウェーブレックレンジングデータセットの少なくとも１つのサイクルのための３Ｄ体積、空隙、および表面積を算出することを含む。いくつかの実施形態では、アルファ包演算子は、静的アルファ半径を使用する。アルファ包演算子のさらなる詳細は、Ｅｄｅｌｓｂｒｕｎｎｅｒ ｅｔ ａｌ．，“Ｔｈｒｅｅ−ｄｉｍｅｎｓｉｏｎａｌ ａｌｐｈａ ｓｈａｐｅｓ，”ＡＣＭ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｒａｐｈｉｃｓ，Ｖｏｌ．１３（１）：４３−７２（１９９４）（参照することによってその全体として本明細書に組み込まれる）に説明される。例えば、限定ではないが、ドロネー三角形分割を含む他のトポロジ的または幾何学的カプセル化演算が、使用され得る。ドロネー三角形分割は、三角形分割における任意の三角形の外接円内に点が存在せず、三角形分割における各三角形内の全ての角度の最小角度が最大化されるような点の組に基づく三角形分割である。

図８を依然として参照すると、アルファ包演算子の生成された多次元の出力８０６は、主方向、曲率方向、ベッチ数、およびベッチ値を算出（演算子８０８）するためにさらに抽出され得る。加えて、時空ドメインデータセットとしてのデータセットは、（演算子８１０を介して）サブ領域にさらに区分化され、体積、表面積および縦横比が、アルファ包演算子８１２を使用して、これらのサブ領域のために算出される。示されるように、時空ドメインデータセットは、体積、表面積、および縦横比パラメータが、これらの領域の全てのうちのいくつかのために算出される５つの領域、８つの領域、および１２の領域に区分化される。いくつかの実施形態では、２５の領域を備えている３つの領域群は、各領域のための３つのパラメータを生成し、７５のメトリックまたは変数７１２ａを提供し得る。アルファ包出力の算出された体積、表面積、および縦横比と、その主方向、曲率方向、ベッチ数、およびベッチ値とを組み合わせて、８２のメトリックまたは変数７１２ａが、存在し得る。メトリックおよび変数７１２ａは、行列（「トポロジ行列」８１４として示される）として提供され得る。

他のトポロジ的特徴も、本明細書で議論されるものに加えて、またはそれらの代用として、抽出され得ることを理解されたい。これらの特徴は、エネルギー、表面変動等の性質、またはサイズ等の幾何学的特徴を含み得る。

他のメトリックおよび変数も、実施される演算の数に応じて、抽出および使用され得、本明細書に提供される実施例は、単に、例証的目的のためのものであることを理解されたい。

（例示的残余サブ空間分析およびトポロジ抽出）

再び図７を参照すると、多次元残余サブ空間データセット７０４のためのメトリックおよび変数７１２ｂを決定するために実施される、第２の位相空間分析に注意が向けられる。

図１２は、例証的実施形態による、図７に関連して説明されるような多次元残余サブ空間データセット７０４を生成するための例示的ウェーブレットベースの演算１２０２の略図である。図７および１２の両方に示されるように、多次元残余サブ空間データセット７０４は、２つのウェーブレット演算子（例えば、７１４および７２０）の残余（例えば、図１２では、減算演算子１２０２）として生成される。第１のウェーブレット演算子は、例えば、双直交ウェーブレット３．３演算子を使用するウェーブレットクレンジング７１４であり得る。第２のウェーブレット演算子は、逆双直交ウェーブレット３．７演算子７２０であり得る。図１３Ａおよび１３Ｂは、例証的実施形態による多次元残余サブ空間データセットを生成するために使用される例示的ウェーブレット変換（すなわち、逆双直交ウェーブレット３．７）の略図である。図１３Ａは、分解スケーリング関数φを示す。図１３Ｂは、分解スケーリング関数ψを示す。他の位相線形ウェーブレット演算子が使用され得ることを理解されたい。

図７を依然として参照すると、勾配信号の各々のためのウェーブレット演算子７１４およびウェーブレット演算子７２０の各残余出力は、組み合わせられ、位相空間変換を介して変換され、多次元残余サブ空間データセット７０４を生産する。特徴トポロジ分析（また、ブロック７２２に示される）が、多次元ウェーブレット残余データセットに実施され、メトリックおよび変数７１２ｂを抽出する。抽出されたメトリックおよび変数７１２ｂは、例えば、３Ｄ体積値、空隙体積値、表面積値、主曲率方向値、およびベッチ数値を含む多次元ウェーブレット残余データセットの形態学的、トポロジ的、または関数特徴を含み得る。いくつかの実施形態では、多次元ウェーブレットクレンジングデータセットは、これらのサブ領域のメトリックおよび変数が抽出される、サブ領域に区分化またはパーティション化され得る。いくつかの実施形態では、空隙体積値、表面積値、主曲率方向値、およびベッチ数値は、各サブ領域のためにも決定される。いくつかの実施形態では、生成されるサブ領域の数（区分の数とも称される）は、２〜約２０（例えば、２、３、４、５、６、７、８、９、１０、１１、１２、１３、１４、１５、１６、１７、１８、１９、および２０）である。いくつかの実施形態では、サブ領域の数は、２０より大きい。いくつかの実施形態では、図８に関連して説明されるようなものと類似または同一トポロジ抽出分析が、実施され得る。

図１４は、双直交３．３および逆双直交３．７演算を使用した減算ウェーブレットモデル（例えば、７１４および７２０）から生じる、例示的残余サブ空間７０４の描写である。残余サブ空間は、事実上、あまりに複雑かつ非線形すぎて、単一ウェーブレット関数を用いて適合する（すなわち、表される）ことができない生物学的信号の一部を表す。この残余サブ空間は、処理され、代表的特徴に変換され、心臓勾配データの動的および幾何学的性質を研究するために使用される。

図１６は、残余サブ空間によって着色された例示的動的位相空間体積オブジェクトの描写である。位相空間体積オブジェクトは、残余サブ空間の値を色強度マッピングとして入力広帯域勾配信号データ上にオーバーレイすることによって生成される。集約的着色がないことは、虚血性心筋組織がないことを示す。すなわち、図１６は、健康な人物の例示的動的位相空間体積オブジェクトである。

図１７は、虚血性患者に関連付けられた例示的動的位相空間体積オブジェクトの描写である。すなわち、動的位相空間体積オブジェクトは、虚血性心筋を患うと診断された患者の広帯域勾配信号データを使用して生成された。動的位相空間体積オブジェクトは、残余サブ空間の値を色強度マッピングとして入力広帯域勾配信号データ上にオーバーレイすることによって、残余サブ空間によって着色されている。集約的着色（矢印１７０２に対応する）は、虚血性心筋の存在を示す。

（例示的雑音サブ空間分析およびトポロジ抽出）

再び図７を参照すると、多次元雑音サブ空間データセット７０６のためのメトリックおよび変数７１２ｃを決定するために実施される、第３の位相空間分析に注意が向けられる。図７に示されるように、多次元雑音サブ空間データセット７０６は、減算演算子７２４を介して、入力広帯域勾配信号データ１１２（またはそこから導出されるデータセット）とウェーブレットのクレンジングされた信号データ７１６の出力とを減算することによって算出され得る。減算演算の出力は、組み合わせられ、位相空間変換を介して変換され、多次元残余サブ空間データセット７０６を生産する。特徴トポロジ分析（また、ブロック７２６に示される）が、多次元雑音サブ空間データセットに実施され、メトリックおよび変数７１２ｃを抽出する。抽出されたメトリックおよび変数７１２ｃは、例えば、３Ｄ体積値、空隙体積値、表面積値、主曲率方向値、およびベッチ数値を含む多次元ウェーブレット残余データセットの形態学的、トポロジ的、または関数特徴を含み得る。いくつかの実施形態では、多次元ウェーブレットクレンジングデータセットは、これらのサブ領域のメトリックおよび変数が抽出されるサブ領域に区分化またはパーティション化され得る。いくつかの実施形態では、空隙体積値、表面積値、主曲率方向値、およびベッチ数値は、各サブ領域のためにも決定される。いくつかの実施形態では、生成されたサブ領域の数（区分の数とも称される）は、２〜約２０（例えば、２、３、４、５、６、７、８、９、１０、１１、１２、１３、１４、１５、１６、１７、１８、１９、および２０）である。いくつかの実施形態では、サブ領域の数は、２０より大きい。いくつかの実施形態では、図８に関連して説明されるものと類似または同一トポロジ抽出分析が、実施され得る。

図１５は、雑音サブ空間７０６の描写であり、それは、双直交３．３ウェーブレットモデル（例えば、７１４）を入力広帯域勾配データ１１２から減算する結果である。残余サブ空間７０４と同様に、それは、複雑な動的情報を含む。具体的には、雑音サブ空間は、モデル内で事実上捕捉されることができない無秩序情報を含む。この雑音サブ空間は、処理され、代表的特徴に変換され、心臓勾配データの動的および幾何学的性質を研究するために使用される。

図１８は、雑音サブ空間によって着色されている例示的雑音サブ空間位相空間オブジェクトの描写である。位相空間オブジェクトは、雑音サブ空間の値を色強度マッピングとして入力広帯域勾配信号データ（またはその導出されるデータ）の微分変換（例えば、数値分数階微分）上にオーバーレイすることによって生成される。図１８に示されるように、集約的着色がないことは、虚血性心筋がないことを示す。すなわち、図１８は、健康な人物の例示的雑音サブ空間位相空間オブジェクトである。

図１９は、虚血性患者に関連付けられた例示的雑音サブ空間位相空間オブジェクトの描写である。位相空間オブジェクトは、雑音サブ空間の値を色強度マッピングとして入力広帯域勾配信号データ（またはその導出されるデータ）の微分変換（例えば、数値分数階微分）上にオーバーレイすることによって、雑音サブ空間によって着色されている。集約的着色（矢印１９０２に対応する）は、虚血性心筋の存在を示す。

（例示的機械学習分析）

図９は、例証的実施形態による、図８に関連して説明されるように、心筋虚血の程度を識別および／または推定すること、１つ以上の狭窄を識別すること、および／または、血流予備量比を位置特定および／または推定することを行うために、非線形モデルを作成および選択するための機械学習分析を実施する方法の略図である。図９に示されるように、血管造影データセット９０２および血流予備量比データセット９０４は、狭窄を識別し（および／またはその程度を推定する）、血流予備量比９１４を推定するための候補非線形モデルを作成（動作９０６を介して）するために使用される。例えば、心臓チャンバサイズおよび機械的機能を推定するための非線形モデルの生成の例は、例えば、米国出願第１４／２９５，６１５号「Ｎｏｎｉｎｖａｓｉｖｅ ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｐｈｉｃ ｍｅｔｈｏｄ ｆｏｒ ｅｓｔｉｍａｔｉｎｇ ｍａｍｍａｌｉａｎ ｃａｒｄｉａｃ ｃｈａｍｂｅｒ ｓｉｚｅ ａｎｄ ｍｅｃｈａｎｉｃａｌ ｆｕｎｃｔｉｏｎ」（参照することによってその全体として本明細書に組み込まれる）に説明される。

いくつかの実施形態では、機械学習アルゴリズム９０８は、そして、ある程度の狭窄および虚血を伴う患者または対象の広帯域勾配心臓信号データ９１２を使用して、候補非線形モデルから非線形モデル９１０群を選択するために使用される。いくつかの実施形態では、機械学習アルゴリズムは、回帰ランダムフォレストアルゴリズムまたはその修正される変形例に基づく。いくつかの実施形態では、機械学習アルゴリズムは、深層学習アルゴリズムに基づく。

いくつかの実施形態では、機械学習位相は、メタ遺伝子アルゴリズムを伴い、大プールから導かれる特徴のサブセットを自動的に選択する。そして、この特徴サブセットは、アダブーストアルゴリズムによって使用され、予測器を生成し、正および負の症例の両方を表す患者の母集団にわたって有意な冠動脈疾患を診断する。候補予測器の性能は、以前に観測されていない患者のプールに対する検証を通して決定される。アダブーストアルゴリズムのさらなる説明は、Ｆｒｅｕｎｄ，Ｙｏａｖ，ａｎｄ Ｒｏｂｅｒｔ Ｅ．Ｓｃｈａｐｉｒｅ，“Ａ ｄｅｃｉｓｉｏｎ−ｔｈｅｏｒｅｔｉｃ ｇｅｎｅｒａｌｉｚａｔｉｏｎ ｏｆ ｏｎ−ｌｉｎｅ ｌｅａｒｉｎｇ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ ｔｏ ｂｏｏｓｔｉｎｇ”，Ｅｕｒｏｐｅａｎ ｃｏｎｆｅｒｅｎｃｅ ｏｎ ｃｏｍｐｕｔａｔｉｏｎａｌ ｌｅａｒｎｉｎｇ ｔｈｅｏｒｙ．Ｓｐｒｉｎｇｅｒ，Ｂｅｒｌｉｎ，Ｈｅｉｄｅｌｂｅｒｇ（１９９５）（参照することによってその全体として本明細書に組み込まれる）に提供される。

いくつかの実施形態では、時空量は、１２次元空間内の複雑な位相空間差にマッピングされることができる。位相空間行列内の空間変化は、１２次元時空密度メトリックを作成する、非フーリエ積分を使用して抽出されることができる。心室に関するこれらのメトリックは、遺伝子アルゴリズムを使用してモデル化され、潅流阻害として冠動脈領域の心室の１７の区分に関する１７の非線形入れ子正弦波ガウス方程式をリンクさせる。潅流画像は、左心室の１７区分モデルおよび５点スケール（０＝正常トレーサ集積率、１＝軽度の低減、２＝中程度の低減、３＝重度の低減、４＝無集積率）を使用して視覚的にスコア化された。虚血性心筋組織（ＩＭ）の量が、８０で除算された、総和された差異スコア（総和された応力と総和された残りのスコアとの間の差異）として計算された。患者は、無虚血または不定症状（ＩＭ＜５％）、軽度虚血（５％≦ＩＭ＜１０％）および中程度／重度の虚血（ＩＭ≧１０％）として分類された。これらの方程式の出力は、虚血性心筋組織の量および場所を提供する。

いくつかの実施形態では、広帯域生体電位データ１１２は、修正マッチング追跡（ＭＭＰ）アルゴリズムを用いて演算され、大まかな数学的モデルを作成する。ＭＭＰアルゴリズムの詳細は、Ｍａｌｌａｔ ｅｔ ａｌ．，“Ｍａｔｃｈｉｎｇ Ｐｕｒｓｕｉｔｓ ｗｉｔｈ Ｔｉｍｅ−Ｆｒｅｑｕｅｎｃｙ Ｄｉｃｔｉｏｎａｒｉｅｓ”，ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，Ｖｏｌ．４１（１２），Ｐａｇｅｓ ３３９７−２４１５（１９９３）（全体が、参照することによって本明細書に組み込まれる）に提供される。

残余定量化を含むモデルの特性が、特徴セット内に含まれることができる。モデルの特性は、特徴抽出動作７０６（図７）において抽出され、モデルの幾何学的および動的性質を決定し得る。これらのサブ空間は、限定ではないが、複雑な分数調波周波数（ＣＳＦ）軌跡、準周期的および無秩序サブ空間、低／高エネルギーサブ空間、ならびに低／高エネルギーサブ空間の分数階微分を含み得る。これらのサブ空間は、異常であるか、正常であるか、系の動態を特性評価するサブ空間群の例である。

図２０は、例証的実施形態による、心臓内の推定された動脈流特性を可視化する方法の略図である。図２０に示されるように、可視化エンジン２００２は、決定された動脈流特性を受信し、特性を３Ｄ可視化出力上にレンダリングする。いくつかの実施形態では、可視化エンジン２００２は、グラフィカルユーザインターフェース（ＧＵＩ）に、動脈流特性およびその相互作用の全ての系レベルビューを提供する。いくつかの実施形態では、ＧＵＩは、下流循環に及ぼす動脈流の上流修正の連鎖影響を提示する。

（実験データ）

冠動脈疾患学習および公式の開発研究が、臨床プロトコル下で行われ、冠動脈血管造影に先立って、安静位相信号をヒト対象から収集した。収集された信号は、症状を示す成人患者または対象において、本明細書に説明される非侵襲性入手および分析方法を使用して評価され、有意な冠動脈疾患の存在を検出した。加えて、収集された信号は、評価され、左心室駆出率を査定し、有意な冠動脈疾患の場所を識別した。本明細書に説明される非侵襲性入手および分析方法の性能は、比較対合試験設計を使用して評価された。結果は、図２１および２２に示される。

この臨床プロトコルのさらなる説明は、米国仮出願第６２／３４０，４１０号「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｆｏｒ Ｃｏｌｌｅｃｔｉｎｇ Ｐｈａｓｅ Ｓｉｇｎａｌｓ ｆｏｒ Ｐｈａｓｅ Ｓｐａｃｅ Ｔｏｍｏｇｒａｐｈｙ Ａｎａｌｙｓｉｓ」（参照することによってその全体として本明細書に組み込まれる）に提供される。

図２１および２２は、例証的実施形態による、５２３名のヒト対象において行われた本研究の結果を示す略図である。提示されるデータは、前向き非無作為化試験を伴い、本明細書に説明される非侵襲性入手および分析方法を精緻化し、カテーテル留置手技中に査定された臨床転帰データと対にされた位相信号を使用して、有意な冠動脈疾患（ＣＡＤ）（すなわち、≧７０％狭窄または低減させられた血流予備量比＜０．８０のいずれか）を検出および査定する。

提示されるデータでは、４２９名の対象のデータセットが、訓練データセットとして使用され、９４名の対象のデータセットは、本明細書に説明される非侵襲性入手および分析方法の感度および特異性を査定するための検証母集団として使用される（合計５２３名）。候補予測器Ａ（図２１）に対して、研究は、ＲＯＣ曲線０．８０を提供し、血管造影結果と比較して、正の予測器値（ＰＰＶ）は、４７％であり、負の予測器値（ＮＰＶ）は、９６％である。候補予測器Ｂ（図２２）に対して、研究は、ＲＯＣ曲線０．７８を提供し、血管造影結果と比較して、正の予測器値（ＰＰＶ）は、４９％であり、負の予測器値（ＮＰＶ）は、９２％である。候補予測器ＡおよびＢは、機械訓練プロセスにおいて使用される、内部パラメータ（訓練分類子等）である。

Ｊ．Ａｍ．Ｃｏｌｌ．Ｃａｒｄｉｏｌ．８：５９（１９），１７１９−２８（Ｍａｙ ２０１２）において公開されるような閉塞性冠動脈疾患の検出のための単一光子放出コンピュータ断層撮影、心臓磁気共鳴、および陽電子放射断層撮影を使用した非侵襲性心筋潅流撮像（「ＳＰＥＣＴ」として示される）の診断性能と比較して、本明細書に説明される非侵襲性入手および分析方法（「ｃＰＳＴＡ」として示される）は、同等に優れた性能を発揮する。これらの解決策は、検証段階において、０．７より大きいＡＵＣ−ＲＯＣスコアを定期的に達成し、以前のヒト誘導方法と同等またはより良好に性能を発揮した。以下の表６は、その研究と本明細書の研究との間の診断性能を示す。

したがって、本開示のいくつかの実施形態が説明されたが、むしろ、前述の詳述される開示は、一例としてのみ提示されることが意図され、限定ではないことが、当業者に明白となるであろう。心臓内の異常の場所のための非侵襲性方法およびシステムに関する多くの利点が、本明細書で議論されている。種々の改変、改良、および修正が、本明細書に明示的に述べられていなくても、当業者に想起され、意図されるであろう。これらの改変、改良、および修正は、本明細書によって示唆されることが意図され、本開示の精神および範囲内にある。加えて、処理要素またはシーケンスの列挙される順序、もしくは数字、文字、または他の記号の使用は、したがって、請求項に規定され得るものを除き、請求されるプロセスを任意の順序に限定することを意図するものではない。故に、本開示は、以下の請求項およびその均等物によってのみ限定される。

例えば、例示される方法およびシステムと共に使用され得る位相空間処理のさらなる例は、米国仮特許出願第６２／１８４，７９６号「Ｌａｔｅｎｔ ｔｅｒａｔｏｇｅｎ−ｉｎｄｕｃｅｄ ｈｅａｒｔ ｄｅｆｉｃｉｔｓ ａｒｅ ｕｎｍａｓｋｅｄ ｐｏｓｔｎａｔａｌｌｙ ｗｉｔｈ ｍａｔｈｅｍａｔｉｃａｌ ａｎａｌｙｓｉｓ ａｎｄ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ｏｎ ＥＣＧ ｓｉｇｎａｌｓ」、米国特許出願第１５／１９２，６３９号「Ｍｅｔｈｏｄｓ ａｎｄ Ｓｙｓｔｅｍｓ Ｕｓｉｎｇ Ｍａｔｈｅｍａｔｉｃａｌ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ｔｏ Ｄｉａｇｎｏｓｅ Ｄｉｓｅａｓｅ」、米国特許出願第１４／６２０，３８８号（第ＵＳ２０１５／０２１６４２６号として公開）「Ｍｅｔｈｏｄ ａｎｄ ｓｙｓｔｅｍ ｆｏｒ ｃｈａｒａｃｔｅｒｉｚｉｎｇ ｃａｒｄｉｏｖａｓｃｕｌａｒ ｓｙｓｔｅｍｓ ｆｒｏｍ ｓｉｎｇｌｅ ｃｈａｎｎｅｌ ｄａｔａ」、米国特許出願第１４／５９６，５４１号（第ＵＳ９，５９７，０２１号として発行）「Ｎｏｎｉｎｖａｓｉｖｅ ｍｅｔｈｏｄ ｆｏｒ ｅｓｔｉｍａｔｉｎｇ ｇｌｕｃｏｓｅ，ｇｌｙｃｏｓｙｌａｔｅｄ ｈｅｍｏｇｌｏｂｉｎ ａｎｄ ｏｔｈｅｒ ｂｌｏｏｄ ｃｏｎｓｔｉｔｕｅｎｔｓ」、米国特許出願第１４／０７７，９９３号（第ＵＳ２０１５／０１３３８０３号として公開）「Ｎｏｎｉｎｖａｓｉｖｅ ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｐｈｉｃ ｍｅｔｈｏｄ ｆｏｒ ｅｓｔｉｍａｔｉｎｇ ｍａｍｍａｌｉａｎ ｃａｒｄｉａｃ ｃｈａｍｂｅｒ ｓｉｚｅ ａｎｄ ｍｅｃｈａｎｉｃａｌ ｆｕｎｃｔｉｏｎ」、米国特許出願第１４／２９５，６１５号「Ｎｏｎｉｎｖａｓｉｖｅ ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｐｈｉｃ ｍｅｔｈｏｄ ｆｏｒ ｅｓｔｉｍａｔｉｎｇ ｍａｍｍａｌｉａｎ ｃａｒｄｉａｃ ｃｈａｍｂｅｒ ｓｉｚｅ ａｎｄ ｍｅｃｈａｎｉｃａｌ ｆｕｎｃｔｉｏｎ」、米国特許出願第１３／９７０，５８２号（第ＵＳ９，４０８，５４３号として発行）「Ｎｏｎ−ｉｎｖａｓｉｖｅ ｍｅｔｈｏｄ ａｎｄ ｓｙｓｔｅｍ ｆｏｒ ｃｈａｒａｃｔｅｒｉｚｉｎｇ ｃａｒｄｉｏｖａｓｃｕｌａｒ ｓｙｓｔｅｍｓ ａｎｄ ａｌｌ−ｃａｕｓｅ ｍｏｒｔａｌｉｔｙ ａｎｄ ｓｕｄｄｅｎ ｃａｒｄｉａｃ ｄｅａｔｈ ｒｉｓｋ」、米国特許出願第１５／０６１，０９０号（第ＵＳ２０１６／０１８３８２２号として公開）「Ｎｏｎ−ｉｎｖａｓｉｖｅ ｍｅｔｈｏｄ ａｎｄ ｓｙｓｔｅｍ ｆｏｒ ｃｈａｒａｃｔｅｒｉｚｉｎｇ ｃａｒｄｉｏｖａｓｃｕｌａｒ ｓｙｓｔｅｍｓ」、米国特許出願第１３／９７０，５８０号（第ＵＳ９，２８９，１５０号として発行）「Ｎｏｎ−ｉｎｖａｓｉｖｅ ｍｅｔｈｏｄ ａｎｄ ｓｙｓｔｅｍ ｆｏｒ ｃｈａｒａｃｔｅｒｉｚｉｎｇ ｃａｒｄｉｏｖａｓｃｕｌａｒ ｓｙｓｔｅｍｓ」、米国特許出願第６２／３５４，６６８号「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｆｏｒ Ｐｈａｓｅ Ｓｐａｃｅ Ａｎａｌｙｓｉｓ ｔｏ Ｄｅｔｅｒｍｉｎｅ Ａｒｔｅｒｉａｌ Ｆｌｏｗ Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ」、および米国仮特許出願第６１／６８４，２１７号「Ｎｏｎ−ｉｎｖａｓｉｖｅ ｍｅｔｈｏｄ ａｎｄ ｓｙｓｔｅｍ ｆｏｒ ｃｈａｒａｃｔｅｒｉｚｉｎｇ ｃａｒｄｉｏｖａｓｃｕｌａｒ ｓｙｓｔｅｍｓ」（それぞれ、参照することによって全体として組み込まれる）に説明される。

方法およびシステムは、好ましい実施形態および具体的実施例に関連して説明されたが、範囲が記載される特定の実施形態に限定されることを意図するものではなく、本明細書の実施形態は、あらゆる点において、制限的ではなく、例証的であることが意図される。

例えば、例示される方法およびシステムは、ＦＦＲ／狭窄出力を使用して、術中のステントの数およびその設置を決定および／または修正するように構成される、介入システムとの使用のために、狭窄およびＦＦＲ出力を生成するために使用され得る。

別様に明示的に述べられない限り、本明細書に記載される任意の方法は、そのステップが具体的順序で実施されることを要求するものと解釈されるようにいかようにも意図されない。故に、方法請求項が、実際には、そのステップによって従われるべき順序を列挙していない、またはステップが具体的順序に限定されるべきであることが、請求項または説明に別様に具体的に述べられていない場合、任意の点において、順序が推測されるものといかようにも意図されない。これは、ステップまたは動作の流れの配列に関する論理事項、文法構成または句読点から生じる単純解釈、本明細書で説明された実施形態の数またはタイプを含めて、解釈に関する任意の考えられる黙示基準に当てはまる。

本願全体を通して、種々の刊行物が、参照される。これらの刊行物の開示は、方法およびシステムが関わる最先端技術をより完全に説明するために、その全体として、参照することによって本願に組み込まれる。

種々の修正および変形例が、当業者に明白となるであろう。

Claims (34)

1. 心筋虚血の程度を非侵襲的に識別および／または測定もしくは推定すること、１つ以上の狭窄を識別すること、および／または、血流予備量比を位置特定および／または推定することを行うためのコンピュータシステムの作動方法であって、前記コンピュータシステムは、１つ以上のプロセッサを含み、前記作動方法は、
   前記１つ以上のプロセッサが、少なくとも１つの電極を介して、複数の広帯域勾配信号を対象から同時に取得することと、
   前記１つ以上のプロセッサが、前記複数の広帯域勾配信号に関連付けられたデータから導出される残余サブ空間データセットおよび雑音サブ空間データセット内の情報に基づいて、前記対象の１つ以上の冠動脈生理学的パラメータを決定することと
   を含み、
   前記１つ以上の冠動脈生理学的パラメータは、血流予備量比推定、狭窄値、および心筋虚血推定から成る群から選択される、作動方法。
2. 前記残余サブ空間データセットは、
   第１のウェーブレット演算を前記複数の広帯域勾配信号から導出されるデータに実施することによって、第１のウェーブレット信号データセットを生成することと、
   第２のウェーブレット演算を前記第１のウェーブレット信号データに実施することによって、第２のウェーブレット信号データセットを生成することと、
   前記第１のウェーブレット信号データセットの値を前記第２のウェーブレット信号データセットの値から減算し、前記残余サブ空間データセットを生成することと
   によって決定され、
   前記残余サブ空間データセットは、時空ドメインにおける３次元位相空間データセットを含む、請求項１に記載の作動方法。
3. 前記１つ以上のプロセッサが、前記３次元位相空間データセットの第１の形態学的特徴の組を抽出することをさらに含み、前記第１の抽出される形態学的特徴の組は、３Ｄ体積値、空隙体積値、表面積値、主曲率方向値、およびベッチ数値から成る群から選択されるパラメータを含む、請求項１または２に記載の作動方法。
4. 前記第１の抽出される形態学的特徴の組は、アルファ包演算子を使用して抽出される、請求項１−３のいずれか１項に記載の作動方法。
5. 前記１つ以上のプロセッサが、前記３次元位相空間データセットを複数の区分に分割することであって、前記複数の区分の各々は、前記３次元位相空間データセットのうちの非重複部分を備えている、ことと、
   前記１つ以上のプロセッサが、前記複数の区分の各々の第２の形態学的特徴の組を抽出することと
   をさらに含み、
   前記第２の抽出される形態学的特徴の組は、３Ｄ体積値、空隙体積値、表面積値、主曲率方向値、およびベッチ数値から成る群から選択されるパラメータを含む、請求項１−４のいずれか１項に記載の作動方法。
6. 前記第２の抽出される形態学的特徴の組は、アルファ包演算子を使用して抽出される、請求項１−５のいずれか１項に記載の作動方法。
7. 前記複数の区分は、３、４、５、６、７、８、９、１０、１１、１２、１３、１４、１５、１６、１７、１８、１９、および２０から成る群から選択される数の区分を備えている、請求項５または６に記載の作動方法。
8. 前記雑音サブ空間データセットは、
   第１のウェーブレット演算を前記複数の広帯域勾配信号から導出されるデータに実施することによって、第１のウェーブレット信号データセットを生成することと、
   第２のウェーブレット演算を前記第１のウェーブレット信号データセットに実施することによって、第２のウェーブレット信号データセットを生成することと
   によって決定され、
   前記第２のウェーブレット信号データセットは、前記雑音サブ空間データセットを含み、
   前記雑音サブ空間データセットは、時空ドメインにおける３次元位相空間データセットを含む、請求項１−７のいずれか１項に記載の作動方法。
9. 前記１つ以上のプロセッサが、前記３次元位相空間データセットの形態学的特徴の組を抽出することをさらに含み、前記抽出される形態学的特徴の組は、３Ｄ体積値、空隙体積値、表面積値、主曲率方向値、およびベッチ数値から成る群から選択されるパラメータを含む、請求項１−８のいずれか１項に記載の作動方法。
10. 前記抽出される形態学的特徴の組は、アルファ包演算子を使用して抽出される、請求項１−９のいずれか１項に記載の作動方法。
11. 前記１つ以上のプロセッサが、前記３次元位相空間データセットを複数の区分に分割することであって、前記複数の区分の各々は、前記３次元位相空間データセットのうちの非重複部分を備えている、ことと、
    前記１つ以上のプロセッサが、前記第２の複数の区分の各々の第２の形態学的特徴の組を抽出することと
    をさらに含み、
    前記第２の抽出される形態学的特徴の組は、３Ｄ体積値、空隙体積値、表面積値、主曲率方向値、およびベッチ数値から成る群から選択されるパラメータを含む、請求項１−１０のいずれか１項に記載の作動方法。
12. 前記第２の抽出される形態学的特徴の組は、アルファ包演算子を使用して抽出される、請求項１−１１のいずれか１項に記載の作動方法。
13. 前記第２の区分は、３、４、５、６、７、８、９、１０、１１、１２、１３、１４、１５、１６、１７、１８、１９、および２０から成る群から選択される数の区分を備えている、請求項１−１２のいずれか１項に記載の作動方法。
14. 前記残余サブ空間データセットは、第１の雑音幾何学形状の第１の形状に関連付けられており、前記雑音サブ空間データセットは、雑音に対応する第２の雑音幾何学形状の第２の形状に関連付けられている、請求項１−１３のいずれか１項に記載の作動方法。
15. 前記複数の広帯域勾配信号は、前記信号の各々間に約１０フェムト秒未満の遅延またはスキューを有するように同時に取得される、請求項１−１４のいずれか１項に記載の作動方法。
16. 前記複数の広帯域勾配信号の各々は、前記処理に先立っておよびその間、フィルタ処理されず、前記残余サブ空間データセットおよび前記雑音サブ空間データセットを生成する、請求項１−１５のいずれか１項に記載の作動方法。
17. 前記複数の広帯域勾配信号の各々は、約１ｋＨｚより高い周波数成分を有する周波数ドメイン内に心臓データを含む、請求項１−１６のいずれか１項に記載の作動方法。
18. 前記複数の広帯域勾配信号の各々は、約１ｋＨｚ、約２ｋＨｚ、約３ｋＨｚ、約４ｋＨｚ、約５ｋＨｚ、約６ｋＨｚ、約７ｋＨｚ、約８ｋＨｚ、約９ｋＨｚ、および約１０ｋＨｚから成る群から選択される周波数における心臓周波数情報を含む、請求項１−１７のいずれか１項に記載の作動方法。
19. 前記複数の広帯域勾配信号の各々は、約０Ｈｚ〜約５０ｋＨｚの周波数における心臓周波数情報を含む、請求項１−１８のいずれか１項に記載の作動方法。
20. 前記複数の広帯域勾配信号の各々は、約０Ｈｚ〜約５００ｋＨｚの周波数における心臓周波数情報を含む、請求項１−１９のいずれか１項に記載の作動方法。
21. 前記１つ以上のプロセッサが、第１の機械学習演算を介して、前記抽出される第１の形態学的特徴の組を複数の候補モデルに関連付けることであって、前記複数の候補モデルは、前記血流予備量比推定、前記狭窄値、および前記心筋虚血推定の推定に関連付けられている、ことと、
    前記１つ以上のプロセッサが、前記複数の候補モデルのうちのある候補モデルを選択し、前記血流予備量比推定、前記狭窄値、および前記心筋虚血推定の前記推定の各々の出力を決定することと
    をさらに含む、請求項１−２０のいずれか１項に記載の作動方法。
22. 前記１つ以上のプロセッサが、前記決定された１つ以上の冠動脈生理学的パラメータを可視化することをさらに含む、請求項１−２１のいずれか１項に記載の作動方法。
23. 前記血流予備量比推定、前記狭窄値、および前記心筋虚血推定は、心臓の画像上の１つ以上の対応する冠動脈領域において提示される、請求項１−２２のいずれか１項に記載の作動方法。
24. 前記１つ以上のプロセッサが、外科手術用デバイスまたは診断デバイスに前記決定された１つ以上の冠動脈生理学的パラメータを出力することをさらに含む、請求項１−２３のいずれか１項に記載の作動方法。
25. 前記少なくとも１つの電極のうちの１つ以上は、表面電極、心内、および非接触電極から成る群から選択される、請求項１−２４のいずれか１項に記載の作動方法。
26. 前記１つ以上のプロセッサが、１つ以上の有意な狭窄を識別するステップをさらに含み、前記識別は、検証段階において、０．７より大きいＡＵＣ−ＲＯＣスコアを有する、請求項１−２５のいずれか１項に記載の作動方法。
27. システムであって、前記システムは、
    プロセッサと、
    命令を記憶しているメモリと
    を備え、
    前記命令は、前記プロセッサによって実行されると、請求項１−２６のいずれかに記載の作動方法をコンピューティングデバイスに実施させる、システム。
28. 命令を記憶している非一過性コンピュータ読み取り可能な媒体であって、
    前記命令は、プロセッサによって実行されると、請求項１−２６のいずれかに記載の作動方法を前記プロセッサに実施させる、非一過性コンピュータ読み取り可能な媒体。
29. 心筋虚血の程度を非侵襲的に識別および／または測定もしくは推定すること、１つ以上の狭窄を識別すること、および／または、血流予備量比を位置特定および／または推定することを行うためのシステムであって、前記システムは、
    プロセッサと、
    命令を記憶しているメモリと
    を備え、
    前記命令の実行は、
    複数の広帯域勾配信号を少なくとも１つの電極から同時に取得することと、
    前記複数の広帯域勾配信号に関連付けられたデータから導出される残余サブ空間データセットおよび雑音サブ空間データセット内の情報に基づいて、血流予備量比推定、狭窄値、および心筋虚血推定から成る群から選択される１つ以上の冠動脈生理学的パラメータを決定することと
    を前記プロセッサに行わせる、システム。
30. 前記命令の実行は、前記決定された冠動脈生理学的パラメータの可視化がディスプレイ上に提示されるようにすることを前記プロセッサにさらに行わせる、請求項２９に記載のシステム。
31. 前記命令の実行は、療法デバイスに前記決定された１つ以上の冠動脈生理学的パラメータを出力することを前記プロセッサにさらに行わせる、請求項２９または３０に記載のシステム。
32. 命令を記憶しているコンピュータ読み取り可能な媒体であって、前記命令の実行は、
    残余サブ空間データセットおよび雑音サブ空間データセット内の情報に基づいて、血流予備量比推定、狭窄値、および心筋虚血推定から成る群から選択される１つ以上の冠動脈生理学的パラメータを決定することをプロセッサにさらに行わせ、
    前記残余サブ空間データセットおよび前記雑音サブ空間データセットは、少なくとも１つの表面電極から同時に取得された複数の広帯域勾配信号に関連付けられたデータから導出される、コンピュータ読み取り可能な媒体。
33. 前記命令のさらなる実行は、前記決定された冠動脈生理学的パラメータの可視化がディスプレイ上に提示されるようにすることを前記プロセッサに行わせる、請求項３２に記載のコンピュータ読み取り可能な媒体。
34. 前記命令の実行は、療法デバイスに前記決定された１つ以上の冠動脈生理学的パラメータを出力することを前記プロセッサにさらに行わせる、請求項３２または３３に記載のコンピュータ読み取り可能な媒体。

Images