用于根据脂肪组织来评估心血管疾病和治疗效果的系统和方法

摘要

公开了用于基于脂肪组织来评估心血管疾病和治疗效果的系统和方法。一种方法包括：识别患者的脉管系统中的感兴趣的血管床；接收患者的识别的感兴趣的血管床的医学图像；识别接收的医学图像中的脂肪组织；接收包括患者的识别的感兴趣的血管床的表示的几何血管模型；以及使用识别的脂肪组织来计算与几何血管模型相关联的炎症指数。

说明书

相关申请

本申请要求2018年10月17日提交的美国临时申请No.62/746,972的优先权，所述申请的全部公开通过引用以其整体特此并入。

技术领域

本公开的各种实施例一般涉及心血管疾病评估和相关方法。更具体地，本公开的特定实施例涉及用于根据脂肪组织来评估心血管疾病和治疗效果的系统和方法。

背景技术

心血管疾病是全世界的主要死亡原因。当患者患有血管疾病时，对疾病严重性和该疾病对各种治疗的反应性的理解可能得以发展。可以根据计算断层摄影图像（FFRct）推算诸如流量储备分数（FFR）之类的诊断度量。这些诊断度量可以提供可以用于评估病变的严重性的功能信息。尽管用于血管疾病评估和治疗的技术有所进步，但仍然存在一些空白。例如，根据CT图像推算的FFRct可能与来自患者的以侵入性方式测量的FFR不匹配。此外，不同的患者的疾病可能以不同的速率进展（有时导致斑块破裂）。患者还可能对医学疗法和侵入性疗法作出不同的响应。

最近研究的一个领域集中于理解心外膜脂肪组织（EAT）与各种临床变量之间的关系。因此，存在使用脂肪组织的知识来填补心血管疾病评估和治疗中的现有空白的期望。

发明内容

根据本公开的某些方面，公开了用于基于脂肪组织来评估心血管疾病和治疗效果的系统和方法。一种基于脂肪组织来评估心血管疾病和治疗效果的方法包括：识别患者的脉管系统中的感兴趣的血管床；接收患者的识别的感兴趣的血管床的医学图像；识别接收的医学图像中的脂肪组织；接收包括患者的识别的感兴趣的血管床的表示的几何血管模型；以及使用识别的脂肪组织来计算与几何血管模型相关联的炎症指数。

根据另一实施例，公开了一种用于基于脂肪组织来评估心血管疾病和治疗效果的系统。该系统包括：数据存储设备，其存储用于基于脂肪组织来评估心血管疾病和治疗效果的指令；以及处理器，其被配置成执行指令以执行包括以下步骤的方法：识别患者的脉管系统中的感兴趣的血管床；接收患者的识别的感兴趣的血管床的医学图像；识别接收的医学图像中的脂肪组织；接收包括患者的识别的感兴趣的血管床的表示的几何血管模型；以及使用识别的脂肪组织来计算与几何血管模型相关联的炎症指数。

根据又一实施例，一种供在计算机系统上使用的非暂时性计算机可读介质，其包含计算机可执行编程指令，该计算机可执行编程指令用于执行基于脂肪组织来评估心血管疾病和治疗效果的方法。该方法包括：识别患者的脉管系统中的感兴趣的血管床；接收患者的识别的感兴趣的血管床的医学图像；识别接收的医学图像中的脂肪组织；接收包括患者的识别的感兴趣的血管床的表示的几何血管模型；以及使用识别的脂肪组织来计算与几何血管模型相关联的炎症指数。

所公开的实施例的附加目的和优点将在下面的描述中部分地阐述，并且部分地从该描述中将是显而易见的，或者可以通过所公开的实施例的实践来学习。所公开的实施例的目的和优点将借助于在所附权利要求中特别指出的元件和组合来实现和获得。

如所要求保护的，应当理解，前面的一般描述和下面的详细描述两者都仅是示例性和说明性的，而不是对所公开的实施例的限制。

附图说明

结合在本说明书中并构成本说明书的一部分的附图示出了各种示例性实施例，并且与说明书一起用于解释所公开的实施例的原理。

图1是根据本公开的实施例的用于基于脂肪组织来评估心血管疾病和治疗效果的示例性系统和网络的框图。

图2是根据本公开的实施例的用于计算患者的炎症指数的示例性方法。

图3是根据本公开的实施例的用于基于脂肪组织来评估心血管疾病和治疗效果的示例性方法。

图4描绘了根据本公开的实施例的提供血流模型的边界条件的基础的示例性血管模型。

具体实施方式

现在将详细参考本公开的示例性实施例，其示例在附图中示出。只要有可能，在整个附图中将使用相同的附图标记来指代相同或相似的部分。如本文所使用的，术语“示例性”以“示例”的意义而不是“理想”的意义使用。

心血管疾病是全世界的主要死亡原因。可以根据CT图像（例如，计算断层摄影血管造影（CTA）图像）推算心血管疾病的诊断度量（例如，FFRct）。患者图像（例如，CTA）还可以揭示关于患者的疾病的大量信息，包括狭窄程度、与该狭窄相关联的斑块组成以及存在于局部血管床中的脂肪组织的量和组成。本公开旨在利用关于患者的脂肪组织的信息，以改善心血管疾病评估和治疗。本实施例描述了用于使用关于患者的脂肪组织的信息来改善血流度量准确性（例如，FFRct推算准确性）的系统和方法，使得推算的FFRct可以更好地匹配以侵入性方式获得的FFR。本实施例还包括用于使用关于患者的脂肪组织的信息以更好地预测患者疾病进展和对疗法的反应的系统和方法。

特别地，本系统和方法描述了计算患者特定的炎症指数，其可以用作患者的脂肪组织体积、位置、组成和与其它临床变量的关系的表示。每个患者的炎症指数可以帮助评估患者的疾病，预测患者的对（一个或多个）治疗的反应性，并且提高患者的FFRct计算的准确性。

现在参考附图，图1描绘了用于基于脂肪组织来评估心血管疾病和治疗效果的示例性系统和网络的框图。具体地，图1描绘了多个医师102和第三方提供者104，他们中的任一可以通过一个或多个计算机、服务器和/或手持移动设备连接到诸如互联网之类的电子网络100。医师102和/或第三方提供者104可以创建或以其它方式获得一个或多个患者的心脏系统和/或血管系统的图像。医师102和/或第三方提供者104还可以获得患者特定的信息（诸如年龄、病史、血压、血液粘度等）的任何组合。医师102和/或第三方提供者104可以通过电子网络100将心脏/血管图像和/或患者特定的信息传输到服务器系统106。服务器系统106可以包括用于存储从医师102和/或第三方提供者104接收的图像和数据的存储设备。服务器系统106还可以包括用于处理存储在存储设备中的图像和数据的处理设备。替代地或另外地，本公开（或本公开的系统和方法的部分）可以在没有外部服务器或网络的本地处理设备（例如，膝上型计算机）上执行。

图2和图3描绘了计算和应用患者的炎症指数的流程图。特别地，图2是基于医学图像数据和患者的解剖结构的血管模型来计算患者的炎症指数的示例性方法200的流程图。图3是用于使用计算的炎症指数来评估患者的疾病或对治疗的反应性的示例性方法300的流程图。图2和图3的方法可以由服务器系统106基于通过电子网络100从医师102和/或第三方提供者104接收的信息、图像和数据来执行。

图2是根据本公开的实施例的用于计算炎症指数的示例性方法。在一个实施例中，步骤201可以包括使用电子存储介质接收患者的感兴趣的血管床的医学图像。例如，步骤201可以包括识别患者和在患者的脉管系统中的感兴趣的血管床。然后，可以接收感兴趣的血管床的医学图像。接收的医学图像可以包括一个或多个心脏相（cardiac phase）和一个或多个图像重建中的冠状动脉计算断层摄影血管造影（CTA）图像、一个或多个心脏相和一个或多个图像重建中的非对比心脏计算机断层摄影（CT）图像、具有或不具有对比的双能量（或多能量、光谱）心脏CT、一个或多个心脏相和一个或多个成像记录中的心脏磁共振图像（MRI）等。还可以接收其它血管床（诸如头部、颈部、胸部、腹部、骨盆或腿）的类似CT、CTA或MRI图像作为患者的感兴趣的血管床的医学图像。

示例性步骤203可以包括识别在接收的医学图像中的脂肪组织。该识别可以通过以下方法来执行，例如，将接收的图像阈值化在已知的脂肪图像强度范围内，将脂肪/水分离系统应用于MRI接收的图像以识别MRI内的脂肪组织的位置，训练机器学习分类器以识别接收的图像内的脂肪组织的位置等。将图像阈值化在已知的脂肪强度范围内可以包括例如以亨斯菲尔德（Hounsfield）单位（HU）的形式基于信号强度记录在接收的医学图像内的脂肪组织。在一些形式的成像中，脂肪组织可以由负HU密度值来表示，而非脂肪组织结构可以在正HU范围内。在步骤203的示例性实施例中，提示负范围的显示阈值（例如，-190和-30HU）可以示出CT扫描切片中脂肪组织的估计。

替代地或另外地，识别用于步骤203的脂肪组织可以包括将分离系统应用于接收的图像。分离系统可以包括脂肪/水分离系统，例如，脂肪分数图。示例性脂肪分数可以包括基于MR信号强度因子的质子密度脂肪分数图，例如，来自脂肪的氢质子的密度、与移动脂肪相关联的质子信号、来自各种质子种类的氢质子密度等。其它形式的脂肪组织分割可以采用自动或半自动算法和机器学习技术来检测在接收的图像内的脂肪组织。偏磁场校正、聚类、阈值化、分类、边缘检测和掩蔽步骤/算法可以用于可以采用机器学习的自动脂肪组织分割中。

在一个实施例中，步骤203可以包括识别接收的医学图像的感兴趣的区（ROI）中的脂肪组织。感兴趣的区可以包括整个接收的医学图像。在一些情况下，如果用户或其它默认设置没有输入特定的ROI，则整个医学图像可以被设置为默认ROI。另一示例性ROI可以包括感兴趣的血管床，诸如心内膜的内部、心包的内部、外血管壁、其它肌肉（例如，腿部肌肉、手臂肌肉等）或其它器官（例如，脑、肾、肝脏、肠、脾脏等）。又一ROI可以包括由用户识别/输入的接收的医学图像的区域或子部分、自动机器学习算法、第三方软件包、默认设置等。除了识别脂肪组织之外，步骤203可以包括识别和存储在ROI中的脂肪组织的位置。例如，步骤203可以包括将接收的医学图像或ROI与网格或坐标系相关联，并且记录脂肪组织相对于接收的医学图像的网格/坐标系的位置。

步骤205可以包括使用电子存储介质接收与接收的医学图像内的位置相关联的参数化几何血管模型。几何血管模型可以包括患者的识别的感兴趣的血管床的表示。血管模型可以包括表示感兴趣的血管/血管床的任何组分（诸如管腔、内部/外部弹性层、（一个或多个）斑块沉积物或外壁）的血管模型。一个示例性参数化可以包括由血管中心线位置坐标参数化的血管模型，其中每个中心线位置另外由血管半径参数化。另一示例性参数化可以包括由识别与血管相关联的接收的医学图像内的体素（voxel）参数化的血管模型。

步骤207可以包括使用识别的脂肪组织来推算或计算与几何血管模型相关联的炎症指数。例如，步骤207可以包括使用关于在（例如，步骤203的）接收的医学图像中的脂肪组织的信息推算与在（例如，步骤205的）几何血管模型（或血管中心线）中的一个或多个位置相关联的（或对应的）炎症指数。炎症指数可以说明EAT的组成，包括说明EAT肥大和EAT炎症两者。从CT图像提取的EAT体积可以用于测量EAT肥大，并且EAT的图像强度可以提供关于EAT炎症状态的信息。在一种情况下，炎症指数可以基于提取的EAT体积/肥大而增加，并且基于EAT炎症状态而使炎症指数增加另一因子。作为一个示例性情况，患者可以具有大的但相对不发炎的体积或小的发炎的体积。在这样的场景中，患者的炎症指数可以增加以反映大的EAT体积，但是由于该体积是相对不发炎的而不使炎症指数增加第二因子。如果EAT体积也已经发炎，则可以使炎症指数增加第二因子以反映炎症。普通技术人员中的一个可以认识到，其它实施例可以包括限定炎症指数使得EAT体积/肥大或EAT炎症状态可能引起炎症指数的降低。

因为对于患者来说，炎症组织的分布可以是异种的，所以患者的炎症指数可以取决于接收的图像中的感兴趣的区、感兴趣的血管床、在感兴趣的血管床中的指定/选择的血管位置或血管以及识别的脂肪组织的区域而变化。患者可以具有针对其身体的不同区域和位置的不同的炎症指数。

该炎症指数可以以多种方式推算。一种方法可以包括在感兴趣的血管床中接收选择的血管、接收距血管的限定的距离、（基于接收的医学图像）检测距血管限定的距离内的脂肪组织、以及量化检测到的脂肪组织。

接收的限定的距离可以包括距所选择的血管的距离，可以根据该距离测量脂肪组织。例如，限定的距离可以包括距所选择的血管的中心线的半径，可以根据该半径测量脂肪。因为脂肪组织可以不直接与血管相邻，或者受限在血管的范围内，所以该限定的距离可以例如由血管壁限定。相反，心外膜脂肪组织可以在患者的心脏的心外膜表面和患者的心包的内脏表面之间、由患者的心包囊完全包围、围绕冠状动脉、靠近患者的心脏或在患者的纵隔中，或其组合。本文中的实施例可以将心外膜脂肪组织称为包括任何心包脂肪沉积物，并且可以延伸以包括心外膜、胸内、纵隔脂肪和在外膜层附近或血管外部的任何其它脂肪组织沉积物。因此，距离范围可以用于将一区域限定为影响所选择的血管或感兴趣的血管床，在该区域内可以观察到脂肪组织。限定的距离可以表征一区域，在该区域内可以观察到脂肪组织。限定的距离可以由用户输入或自动提供。限定的距离可以取决于期望的炎症指数而变化。例如，用于估计给定的治疗的血管模型中的特定位置的炎症指数可以包括短的限定的距离。用于估计整个血管床的炎症指数可以包括相对于用于估计给定的治疗的限定的距离的长的限定的距离。

步骤207可以包括量化指定距离内的脂肪组织的量。替代地或另外地，步骤207可以包括量化在限定的距离内的脂肪组织的加权量，其中每个脂肪位置的对百分比的贡献由其到所选择的血管的距离来加权。例如，紧密接近于所选择的血管的脂肪组织可以由因子5来进行加权并且在提取的或识别的EAT体积的界限或边界处的脂肪组织可以由因子1来进行加权。“紧密接近”可以由预设的、自动确定的或用户输入距离范围来限定。可以基于量化的检测到的脂肪组织来计算炎症指数。

步骤207的另一实施例可以包括量化在包含脂肪组织的限定的距离内的体素的百分比和/或量化在包含脂肪组织的限定的距离内的体素的加权百分比，其中对体素的百分比的每个体素的贡献由到血管的距离来进行加权。例如，步骤207可以包括根据医学图像确定包含在距血管限定的距离内的脂肪组织的表示的体素的百分比。然后，可以基于确定的体素的百分比为该步骤207量化检测到的脂肪组织。步骤207可以包括基于量化的检测到的脂肪组织来计算炎症指数。

步骤207还可以包括使用所选择的血管的血管中心线来推算从血管中心线法线（例如，垂直线）到脂肪组织的距离。使用该血管法线，可以计算在法线方向上的脂肪组织的距离加权的或距离非加权的百分比或绝对量。例如，步骤207可以包括检测或接收所选择的血管的中心线，并且基于垂直于所选择的血管的中心线的限定的距离来检测脂肪组织。方法200可以包括推算感兴趣的血管床中的一个或多个血管位置的炎症指数。可以使用任何用于推算炎症的方法、使用任何限定的距离来计算炎症指数。

图3是根据本公开的示例性实施例的用于基于脂肪组织来评估心血管疾病和治疗效果的示例性方法300的流程图。方法200讨论了计算炎症指数作为患者中的脂肪组织的指标。方法300涉及基于这些计算的炎症指数来改善血流计算。方法300还需要使用改进的血流计算来评估患者疾病和治疗。

在一个实施例中，步骤301可以包括接收血流模型，其包括与患者的感兴趣的血管床具体相关联的基于物理学的计算流体动力学模型。例如，血流模型可以基于（例如，来自步骤205的）参数化几何血管模型。在这样的场景中，血流模型可以是患者特定的，这意味着血流模型可以直接与例如来自几何血管模型的患者的解剖结构相关联。因为血流模型可以由患者的独特解剖结构指示，所以每个患者可以具有不同的血流模型。例如，在2012年11月20日发布的标题为“Method and System for Patient-Specific Modeling of BloodFlow”的美国专利No. 8,315,812中公开了血流模型的各种实施例，该专利通过引用以其整体并入。

步骤301的血流模型可以包括边界条件。边界条件可以提供关于在其边界（例如，流入边界422（图4）、流出边界424（图4）、血管壁边界426（图4）等）处的血流模型的信息。流入边界422可以包括边界，通过该边界将流引导到几何血管模型400（诸如在主动脉根附近的主动脉的端部处）的解剖结构中。通过将心脏模型和/或集总参数模型耦合到边界等，每个流入边界422可以被分配有例如速度、流速、压力或其它特性的规定值或字段。流出边界424可以包括边界，通过该边界将流从三维模型的解剖结构向外引导，该解剖结构诸如在主动脉弓附近的主动脉的端部处以及主要冠状动脉的下游端部处以及从其延伸出的分支处。可以例如通过耦合集总参数或分布式（例如，一维波传播）模型来分配每个流出边界。流入和/或流出边界条件的规定值可以通过以非侵入性方式测量患者的生理特性来确定，诸如但不限于，心输血量（来自心脏的血流的体积）、血压、心肌质量等。血管壁边界可以包括几何血管模型400的主动脉、主要冠状动脉和/或其它冠状动脉或血管的物理边界。

步骤303可以包括基于（例如，步骤207的）计算的炎症指数来修改血流计算。在一个实施例中，血流模型的一个或多个边界条件可以被修改以反映充血期间减小的微血管反应。然后，对于步骤303，可以基于血管中的平均（中值、最大）炎症指数来减小微血管阻力的边界条件，以表示由于化学诱导的充血或运动引起的扩张。微血管阻力还可以基于炎症指数而增加以表示血管中的变窄、堵塞或狭窄。

具有基于患者的炎症指数而修改的（一个或多个）边界条件的血流模型可以用于计算血流度量，例如，流量储备分数（包括FFRct）。替代地或另外地，步骤303可以包括使用修改的边界条件来重新计算血流度量，例如FFRct值。可以估计重新计算的血流度量以确定包含炎症指数是否提高了诊断准确性。例如，可以将重新计算的FFR与以侵入性方式测量的FFR进行比较。如果在使用基于患者的炎症指数修改的（一个或多个）边界条件的情况下重新计算的FFR与在没有基于炎症指数修改的边界条件的情况下计算的FFR更紧密地匹配，则可以得出一个结论，即，可以使用炎症指数来提高非侵入性FFR计算的准确性。可以针对除FFR之外的血流度量进行这样的估计以确定炎症指数是否可以改善血流度量（例如，血管壁剪切应力、轴向力、血压、血压梯度、经腔衰减梯度、斑块破裂风险、栓塞风险等）的非侵入性、模拟的或预测的计算。机器学习方法可以用于调节生理边界条件中的炎症指数参数。例如，机器学习技术可以用于针对测量的血流度量来优化计算的血流度量的预期准确性，例如，针对（以侵入性方式）测量的FFR数据来优化计算的FFR的预期准确性。

步骤305可以包括基于计算的炎症指数执行血流计算。例如，步骤305可以包括执行步骤303的修改的血流计算。步骤307可以包括使用炎症指数来评估患者的心血管疾病和对治疗的反应的多种方式。例如，步骤307可以包括基于（例如，根据方法200计算的）炎症指数确定患者疾病评估或治疗效果的度量。步骤307还可以包括将确定的患者疾病评估或治疗效果的度量输出到显示器或电子存储设备。电子存储设备可以由例如由图1的各方中的一个或多个（包括服务器系统106、（一个或多个）第三方提供者104和/或医师102）访问。以下包括步骤307的一些实例或用于评估患者疾病或治疗的计算的炎症指数的使用。这些步骤中的任一个可以与方法200的示例性步骤结合使用。

在一个实施例中，方法200和/或300可以包括修改血流模型的边界条件以反映充血期间减小的微血管反应。具体地，血管中的平均（中值、最大）炎症指数可以用于增加或减小包括所选择的血管中的微血管阻力的值的边界条件，以反映由于化学诱导的充血或运动引起的扩张。例如，脂肪组织的类型、体积或组成可以与在静止条件下的收缩的（一个或多个）血管或不随着增加的血流而舒张的（一个或多个）血管相关联。较大的血管可以在静止条件下从脂肪组织中血管收缩。作为反应，微血管阻力可以降低以补偿大的血管的压缩。然后，在充血或运动期间，因为微血管阻力已经低于典型或健康患者的静止状态中的微血管阻力，所以微血管阻力降低（从静止状态微血管阻力到充血/运动状态）小于在非发炎或低脂肪组织区域/患者中微血管阻力降低。因为计算的炎症指数反映了患者的脂肪组织，所以所选择的血管中的微血管阻力可以基于患者的计算的炎症指数被调节以对应于血管的收缩功能。然后，可以使用具有修改的边界条件的血流模型来执行血流计算。在一些实施例中，血流计算可以包括FFRct推算。在这种情况下，疾病评估的度量将是修改的结果FFRct分数。

在另一个实施例中，步骤307可以包括基于计算的炎症指数来修改诊断血流度量的解释或阈值。因为心外膜脂肪组织（由炎症指数指示、量化或测量的）可能与冠状动脉疾病相联系，所以患者的计算的炎症指数可能影响其其它的诊断血流度量如何被解释。

例如，对于FFRct的诊断血流度量而言，低于0.75或0.8的FFRct分数通常被认为是患者缺血的指标，其中缺血处于可以推荐侵入性或干预性测量的严重程度。侵入性测量可以包括血管成形术或支架植入术。FFRct分数高于0.8可以被认为是指示健康患者，或者至少是血管阻塞不足够严重到批准侵入性干预。在步骤307的一些实施例中，计算的炎症指数可以用于“校准”常规的血流度量阈值。例如，如果0.8是常用的FFRct阈值，则一种场景可以涉及根据患者的计算的炎症指数将FFRct阈值分数调节到0.83。

换句话说，对于该特定患者，与FFRct的当前使用（其中可以仅针对具有0.8或更低的FFRct分数的患者建议侵入性治疗）相比，0.83（或更低）的FFRct分数可以提示对于侵入性治疗的推荐。一个特定实施例可以包括例如基于针对用户/患者群体推算的炎症指数来确定阈值炎症指数，其中阈值炎症指数可以表示“高”炎症指数与“低”炎症指数之间的客观划分。高炎症指数可以指示脂肪组织的数量或位置，其中患者的心外膜脂肪组织正在增加其冠状动脉疾病的发展，而低炎症指数可以指示脂肪组织的数量或位置，其中患者的心外膜脂肪组织对其冠状动脉健康没有负面影响。在该实施例中，如果用户的计算的炎症指数超过确定的阈值炎症指数，则其FFRct阈值分数也可以从常规阈值0.8进行调节。例如，如果患者的炎症指数超过阈值炎症指数，则调节的FFRct阈值分数可以是0.83（而不是0.8）。

在一些情况下，诊断度量调节可能需要将炎症指数的函数增加到诊断度量（例如，在确定了炎症指数的血管中的推算的FFRct）或减去炎症指数的函数。在步骤307的这种情况下，患者的疾病评估的度量可以包括相对于修改的诊断度量阈值分数（例如，调节的FFRct阈值）的患者的血流度量（例如，计算的FFRct）。

步骤307的另一实施例可以包括使用机器学习来理解血管中的炎症指数如何对应于心脏病。例如，步骤307可以包括使用机器学习和血管中的计算的炎症指数来预测患者的所选择的血管中斑块的局部进展或退化。一种用于训练机器学习技术的方法可以包括：如果局部炎症指数高于第一炎症指数阈值，则预测斑块进展，并且如果局部炎症指数低于第二炎症指数阈值，则预测斑块退化。第一炎症指数阈值和第二炎症指数阈值可以被预设、由用户输入、从机器学习过程中学习、由群体数据验证或其组合。在这种情况下，指示治疗效果的度量的示例性输出可以包括在患者未经治疗的情况下对斑块进展/退化的预测。

步骤307的又一实施例可以包括使用炎症指数来评估斑块破裂的可能性（斑块易损性）。可以通过使用对斑块局部的炎症指数的机器学习来执行该评估，以预测破裂。替代地或另外地，该评估可以包括计算或推算相比于斑块壁强度的斑块应力（轴向、壁剪切等）。在这样的场景中，在患者具有高炎症指数的情况下，斑块壁强度可以在计算上被视为降低的。如前所述，“高炎症指数”可以是患者的计算的炎症指数超过预定的“高”炎症指数阈值的情况。在一些情况下，当识别出高炎症指数时，可以将斑块壁强度降低预设量。在其它计算中，斑块壁强度可以降低一定量，该量对应于患者的炎症指数超过高炎症指数阈值的程度。

简而言之，步骤307可以包含基于计算的炎症指数来生成患者疾病评估或治疗估计。炎症指数、患者疾病评估或治疗估计的精确使用可以采取许多形式，包括上面详述的形式。

总的来说，患者的心外膜脂肪组织可能影响其心血管疾病的风险。心外膜脂肪组织也可以影响患者的对治疗的反应性。所公开的系统和方法通过计及患者的心外膜脂肪组织的影响来在过去的心血管疾病评估和治疗上加以提高。特别地，所公开的实施例描述了计算每个患者的炎症指数，以表示患者的心外膜脂肪组织。本公开还描述了使用计算的炎症指数来改善心血管诊断、预测和治疗推荐的方式。

根据对本文所公开的本发明的说明书和实践的考虑，本发明的其它实施例对于本领域技术人员将是显而易见的。说明书和示例旨在仅被认为是示例性的，其中本发明的真实范围和精神由以下权利要求指示。