Estimation of the fractional flow reserve (FFR) pullback curve from invasive coronary imaging is important for the intraoperative guidance of coronary intervention. Machine/deep learning has been proven effective in FFR pullback curve estimation. However, the existing methods suffer from inadequate incorporation of intrinsic geometry associations and physics knowledge. In this paper, we propose a constraint-aware learning framework to improve the estimation of the FFR pullback curve from invasive coronary imaging. It incorporates both geometrical and physical constraints to approximate the relationships between the geometric structure and FFR values along the coronary artery centerline. Our method also leverages the power of synthetic data in model training to reduce the collection costs of clinical data. Moreover, to bridge the domain gap between synthetic and real data distributions when testing on real-world imaging data, we also employ a diffusion-driven test-time data adaptation method that preserves the knowledge learned in synthetic data. Specifically, this method learns a diffusion model of the synthetic data distribution and then projects real data to the synthetic data distribution at test time. Extensive experimental studies on a synthetic dataset and a real-world dataset of 382 patients covering three imaging modalities have shown the better performance of our method for FFR estimation of stenotic coronary arteries, compared with other machine/deep learning-based FFR estimation models and computational fluid dynamics-based model. The results also provide high agreement and correlation between the FFR predictions of our method and the invasively measured FFR values. The plausibility of FFR predictions along the coronary artery centerline is also validated.

Objective: Non-invasive computation of the index of microcirculatory resistance from coronary computed tomography angiography (CTA), referred to as IMR $_\text{CT}$ , is a promising approach for quantitative assessment of coronary microvascular dysfunction (CMD). However, the computation of IMR $_\text{CT}$ remains an important unresolved problem due to its high requirement for the accuracy of coronary blood flow. Existing CTA-based methods for estimating coronary blood flow rely on physiological assumption models to indirectly identify, which leads to inadequate personalization of total and vessel-specific flow. Methods: To overcome this challenge, we propose a vascular deformation-based flow estimation (VDFE) model to directly estimate coronary blood flow for reliable IMR $_\text{CT}$ computation. Specifically, we extract the vascular deformation of each vascular segment from multi-phase CTA. The concept of inverse problem solving is applied to implicitly derive coronary blood flow based on the physical constraint relationship between blood flow and vascular deformation. The vascular deformation constraints imposed on each segment within the vascular structure ensure sufficient individualization of coronary blood flow. Results: Experimental studies on 106 vessels collected from 89 subjects demonstrate the validity of our VDFE, achieving an IMR $_\text{CT}$ accuracy of 82.08 $\%$ . The coronary blood flow estimated by VDFE has better reliability than the other four existing methods. Conclusion: Our proposed VDFE is an effective approach to non-invasively compute IMR $_\text{CT}$ with excellent diagnostic performance. Significance: The VDFE has the potential to serve as a safe, effective, and cost-effective clinical tool for guiding CMD clinical treatment and assessing prognosis.

The use of multi-modality non-contrast images (i.e., T1FS, T2FS and DWI) for segmenting liver tumors provides a solution by eliminating the use of contrast agents and is crucial for clinical diagnosis. However, this remains a challenging task to discover the most useful information to fuse multi-modality images for accurate segmentation due to inter-modal interference. In this paper, we propose a dual-stream multi-level fusion framework (DM-FF) to, for the first time, accurately segment liver tumors from non-contrast multi-modality images directly. Our DM-FF first designs an attention-based encoder-decoder to effectively extract multi-level feature maps corresponding to a specified representation of each modality. Then, DM-FF creates two types of fusion modules, in which a module fuses learned features to obtain a shared representation across multi-modality images to exploit commonalities and improve the performance, and a module fuses the decision evidence of segment to discover differences between modalities to prevent interference caused by modality's conflict. By integrating these three components, DM-FF enables multi-modality non-contrast images to cooperate with each other and enables an accurate segmentation. Evaluation on 250 patients including different types of tumors from two MRI scanners, DM-FF achieves a Dice of 81.20%, and improves performance (Dice by at least 11%) when comparing the eight state-of-the-art segmentation architectures. The results indicate that our DM-FF significantly promotes the development and deployment of non-contrast liver tumor technology.

The common carotid artery (CCA) wall motion measurement has great clinical significance for preventing the progression of subclinical cardiovascular diseases. However, it is challenging due to the instability of local image structures, stemming from the homogeneity of the CCA wall texture and the variability of tracked speckle pattern. While state space models show promise in addressing these challenges, existing models focus solely on estimating the state of tracked tissue in successive frames. They neglect valuable information from adjacent tissues and provide an inappropriate way to model the dynamics of the entire CCA wall. In this paper, we propose a Segmentation-assisted Hierarchical Constrained State Space (HCSS) approach to overcome these challenges. HCSS considers segmented adjacent tissues as an extra state variable, addressing limitations imposed by relatively simple state transition structures. We convey appearance information across adjacent tissues to model the spatial evolution constraint between them. Meanwhile, HCSS introduces additional latent variables that model the temporal evolution of each variable over time. This facilitates the conveyance of information across temporal frames and the modeling of temporal evolution constraints between adjacent tissues. Furthermore, HCSS uses segmented CCA wall to constrain the tracked tissue position, ensuring that the tracked tissue remains within the boundaries of the CCA wall during motion tracking. Extensive experiments conducted on 280 carotid ultrasound imaging sequences showcase the superiority of HCSS against twenty-eight state-of-the-art (SOTA) methods. These results showcase the effectiveness of the proposed approach for CCA wall motion measurement.