KR101978317B1 - Ct image database-based cardiac image segmentation method and an apparatus thereof - Google Patents
Ct image database-based cardiac image segmentation method and an apparatus thereof Download PDFInfo
- Publication number
- KR101978317B1 KR101978317B1 KR1020170026147A KR20170026147A KR101978317B1 KR 101978317 B1 KR101978317 B1 KR 101978317B1 KR 1020170026147 A KR1020170026147 A KR 1020170026147A KR 20170026147 A KR20170026147 A KR 20170026147A KR 101978317 B1 KR101978317 B1 KR 101978317B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- heart
- database
- prediction model
- images
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000003709 image segmentation Methods 0.000 title claims abstract description 47
- 230000000747 cardiac effect Effects 0.000 title claims description 73
- 238000002591 computed tomography Methods 0.000 claims abstract description 66
- 230000000737 periodic effect Effects 0.000 claims abstract description 35
- 238000010801 machine learning Methods 0.000 claims abstract description 24
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 35
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 9
- 230000006403 short-term memory Effects 0.000 claims description 7
- 239000002131 composite material Substances 0.000 claims description 6
- 230000003205 diastolic effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 12
- 238000003384 imaging method Methods 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 5
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000013170 computed tomography imaging Methods 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000005240 left ventricle Anatomy 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000010009 beating Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000002064 heart cell Anatomy 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 206010020871 hypertrophic cardiomyopathy Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000005246 left atrium Anatomy 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 210000005245 right atrium Anatomy 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/503—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the heart
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5288—Devices using data or image processing specially adapted for radiation diagnosis involving retrospective matching to a physiological signal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Theoretical Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Dentistry (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Pulmonology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
컴퓨터 단층촬영(CT; computed tomography) 영상 데이터베이스에 기반하여 심장 영상을 영역화하기 위한 방법이 제시된다. 상기 방법은, 후향적 동조화(retrospective gating) 기법으로 촬영된 심장의 전체 주기 영상의 데이터베이스(database)를 구축하는 단계; 상기 구축된 데이터베이스를 딥 러닝(deep learning) 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하는 단계; 및 전향적 동조화(prospective gating) 기법으로 촬영된 심장 영상에 상기 심장 영상 영역화 예측 모델을 적용함으로써 심장의 전체 주기 영상을 획득하는 단계를 포함할 수 있다.A method for segmenting a heart image based on a computed tomography (CT) image database is presented. The method includes constructing a database of whole periodic images of a heart photographed by a retrospective gating technique; Generating a heart image segmentation prediction model by deep learning-based machine learning of the constructed database; And obtaining the whole periodic image of the heart by applying the heart image segmentation prediction model to the heart image photographed by the prospective gating technique.
Description
본 발명은 CT 영상 데이터베이스 기반의 심장 영역 영역화 방법 및 그 장치에 관한 발명으로서, 보다 구체적으로는 후향적 동조화 기법으로 촬영된 심장의 전체 주기 영상으로 데이터베이스를 구축하고 이를 기계 학습시킴으로써 예측 모델을 생성하여 생성된 예측 모델에 전향적 동조화 기법으로 촬영된 심장의 영상을 적용함으로써 심장의 전체 주기 영상을 획득하는 CT 영상 데이터베이스 기반의 심장 영역 영역화 방법 및 그 장치에 관한 발명이다.The present invention relates to a method of forming a heart area region based on a CT image database and an apparatus therefor, and more particularly, to construct a database with a whole periodic image of a heart photographed by a retrospective coherence technique, The present invention relates to a CT region database based heart area segmentation method and apparatus for acquiring a whole periodic image of a heart by applying an image of a heart taken by a forward convergence technique to a predictive model generated by a CT image database.
인간의 심장은 혈액을 효과적으로 방출하기 위해서 심근을 일정한 순서에 따라 작동시키는 명령 체계가 갖추어져 있다. 심장은 일정한 순서에 따라 수축과 이완을 반복하면서 동맥에 혈액을 공급하는 기능을 한다. 만약 심장이 정해진 순서에 따라 움직이지 않게 되면, 심장은 효율적으로 동맥에 혈액을 공급할 수 없게 된다. 참고로, 이와 같은 심장의 박동은 심장 세포 내의 세포 전압의 규칙적인 변화에 따라 심근 세포가 수축/이완함으로써 이루어진다.The human heart is equipped with a command system that operates the myocardium in a certain order to effectively release blood. The heart functions to supply blood to arteries by repeating contraction and relaxation in a certain order. If the heart does not move in the prescribed order, the heart will not be able to efficiently supply blood to the arteries. For reference, such a heartbeat is made by contraction / relaxation of myocardial cells according to a regular change of cell voltage within the cardiac cell.
이와 같이 심장은 인체에서 가장 중요한 기관 중 하나인데, 이러한 심장의 질환을 검사하기 위한 다양한 방법들이 의학계에서 시행되고 있다. 컴퓨터 단층촬영(computed tomography; CT)은 인체의 많은 기관들을 실물 모양대로 촬영함으로써 의료 현장에서의 진료에 많은 도움을 주고 있는 촬영 기법이다. As such, the heart is one of the most important organs in the human body, and various methods for examining these heart diseases are being performed in the medical community. Computed tomography (CT) is a photographic technique that helps in the medical field by taking many organs of the human body in a real shape.
하지만, 심장은 분당 60회 내지 100회로 비교적 빠르게 박동하기 때문에 과거의 컴퓨터 단층촬영 장비로는 심장 영상을 제대로 획득하지 못하였다. 최근에 들어서는 컴퓨터 단층촬영 기술이 급격하게 발전함에 따라 끊임없이 박동하고 있는 심장도 정밀하게 촬영하는 것이 가능하게 되고, 특히 심장 검사에 많이 사용되고 있는 64채널 다검출기 컴퓨터 단층촬영(64 channel MDCT)은 음성 예측율이 높다는 장점이 있다. However, since the heart is relatively rapidly beating 60 to 100 times per minute, the computerized tomography apparatus of the past has not acquired the heart image properly. Recently, 64-channel multi-detector CT (64-channel MDCT), which is widely used for cardiac examinations, is capable of accurately measuring the heart rate, Is high.
이와 관련하여, 인체의 다른 기관과 비교하여 심장은 지속적으로 움직이는 구조를 가지기 때문에, 일반적으로 CT 촬영시에 ECG(electrocardiogram; 심전도) 동조화 방식을 통해 심장의 움직임이 가장 적은 순간을 예측하여 해당 시점에서 심장을 촬영함으로써 심장 영상을 획득하는 방식을 취하고 있다.In this regard, as compared with other organs of the human body, since the heart has a continuously moving structure, it is generally required to predict the moment when the movement of the heart is least through the ECG (electrocardiogram) And taking a heart image by capturing the heart.
도 1은 이러한 일반적인 심장의 주기, 및 이러한 심장 주기에 따른 영상 획득의 예를 도시한다.Fig. 1 shows this general cardiac cycle, and an example of image acquisition according to this cardiac cycle.
심장의 주기는 크게 수축기(systole) 및 이완기(diastole)로 이루어지고, 도 1에 도시된 바와 같이 심장은 분당 60회 내지 100회의 심박수로 수축기와 이완기를 반복하게 된다.The cycle of the heart consists largely of a systole and a diastole, and the heart repeats systolic and diastolic cycles at 60 to 100 heart beats per minute as shown in Fig.
심실의 구출분획(驅出分劃; ejection fraction)을 평가하기 위해서는 이완기 말기의 볼륨(volume)(예컨대, 도 1의 (a)) 및 수축기 말기의 볼륨(예컨대, 도 1의 (b))을 획득해야만 하고, 획득된 심장 수축기/이완기 볼륨의 비교를 통해서 예컨대 비대성 심근증(hypertrophic cardiomypathy) 등을 판단할 수 있다.In order to evaluate the ejection fraction of the ventricle, the volume of the late phase of diastole (e.g., Fig. 1 (a)) and the volume of the late phase of systole (e.g., Fig. 1 (b) For example, hypertrophic cardiomyopathy or the like through comparison of acquired heart systolic / diastolic volumes.
이러한 심장의 수축기와 이완기를 판단하는 척도로서 심장 R-R 주기를 측정하는 심전도 동조화(ECG gating) 장비를 사용하는데, 이 심전도 동조화 장비를 이용하여 획득된 주기 정보를 이용하여 수축기 말기 및 이완기 말기의 심장 촬영을 수행하는 방식이 전향적 동조화(prosepctive gating) 기법이다.We used ECG gating equipment to measure the cardiac RR cycle as a measure of systolic and diastolic time of the heart. Using this periodic information obtained by using this ECG equipment, we measured heart rate at the end of systole and at the end of diastole Is a prosepctive gating technique.
상기 전향적 동조화 기법의 경우, 환자의 방사선 피폭량이 적다는 장점이 있으나 촬영시 적절한 타이밍을 맞추지 못한다면 심장을 재촬영해야 한다는 문제점이 있다.In the case of the forward convergence technique, there is a merit that the amount of radiation exposure of the patient is small, but if the proper timing is not met at the time of photographing, there is a problem that the heart needs to be retaken.
심장의 다른 촬영 방식으로서 후향적 동조화(retrospective gating) 기법이 있는데, 이는 환자 심장 주기에 무관하게 환자의 심장을 연속적으로 촬영한 후에 저장된 심전도를 이용하여 R-R 주기를 소정의 개수로(예컨대, 10번) 분할하여 촬영하는 방식이다. Another method of imaging the heart is retrospective gating, which takes a patient's heart continuously, regardless of the patient's cardiac cycle, and then uses the stored electrocardiogram to record the RR cycle in a predetermined number (e.g., 10 times ).
이 방식은 심장의 전체 주기에서 복수 회 촬영을 수행하므로 재촬영의 문제가 발생하지는 않지만, 촬영의 횟수가 증가함에 따라 환자의 방사선 피폭량이 매우 증가한다는 치명적인 단점이 있다. 이러한 문제를 해결하기 위해서 수축기 말기와 이완기 말기 때에만 높은 선량을 통해 고화질의 영상을 획득하고 나머지 부분에서는 낮은 선량을 통해 전체 주기의 영상을 확보하는 방법도 사용되고 있으나, 전향적 동조화 기법보다 더 높은 방사선의 피폭량의 문제 그리고 낮은 선량으로 인한 저화질 영상의 문제가 여전히 존재한다.This method does not cause a problem of re-imaging because the imaging is performed a plurality of times in the entire cycle of the heart, but there is a fatal disadvantage that the radiation dose of the patient is greatly increased as the number of imaging is increased. In order to solve this problem, a method of acquiring a high-quality image through a high dose only at the end of the systole and at the end of the diastole and securing an image of a whole cycle through a low dose is also used in the remaining portion, There is still a problem of low-quality images due to low dose and a problem of exposure dose of a low dose.
그러므로, 본 발명은 상기한 문제점들을 해결하고자 안출된 것으로서, 본 발명은 CT 촬영을 위한 방사선 피폭량을 최소한으로 유지하면서도 동시에 고화질의 심장 주기 전체 영상을 확보할 수 있는 CT 영상 데이터베이스 기반 심장 영상의 영역화 방법 및 그 장치를 제공하는 것을 목적으로 한다.Therefore, the present invention has been made to solve the above-mentioned problems, and it is an object of the present invention to provide a CT image database-based cardiac image segmentation capable of securing a high-quality heart cycle full image while maintaining a minimum dose of radiation for CT imaging And to provide a method and apparatus therefor.
상기한 기술적 과제를 해결하기 위한 본 발명의 일 실시예에 따른 컴퓨터 단층촬영(CT; computed tomography) 영상 데이터베이스에 기반하여 심장 영상을 영역화하기 위한 방법은, 후향적 동조화(retrospective gating) 기법으로 촬영된 심장의 전체 주기 영상의 데이터베이스(database)를 구축하는 단계; 상기 구축된 데이터베이스를 딥 러닝(deep learning) 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하는 단계; 및 전향적 동조화(prospective gating) 기법으로 촬영된 심장 영상에 상기 심장 영상 영역화 예측 모델을 적용함으로써 심장의 전체 주기 영상을 획득하는 단계를 포함할 수 있다.According to an aspect of the present invention, there is provided a method for segmenting a cardiac image based on a computed tomography (CT) image database, the method including retrospective gating, Constructing a database of whole periodic images of the heart; Generating a heart image segmentation prediction model by deep learning-based machine learning of the constructed database; And obtaining the whole periodic image of the heart by applying the heart image segmentation prediction model to the heart image photographed by the prospective gating technique.
또한, 본 발명의 다른 실시예에 따른 CT 영상 데이터베이스에 기반하여 심장 영상을 영역화하기 위한 방법은, 후향적 동조화 기법으로 촬영된 심장의 전체 주기 영상의 데이터베이스를 구축하는 단계; 상기 구축된 데이터베이스를 딥 러닝 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하는 단계; 및 상기 후향적 동조화 기법으로 촬영되고, 제1 CT 선량을 갖는 영상 및 상기 제1 CT 선량보다 적은 제2 CT 선량을 갖는 저화질의 영상이 혼합된 심장 영상에 상기 심장 영상 영역화 예측 모델을 적용함으로써 고화질의 심장의 전체 주기 영상을 획득하는 단계를 포함할 수 있다.According to another aspect of the present invention, there is provided a method for segmenting a heart image based on a CT image database, comprising: constructing a database of a whole periodic image of a heart photographed by a retrospective coherence technique; Generating a heart image segmentation prediction model by performing deep learning based machine learning on the constructed database; And applying the heart image segmentation prediction model to a cardiac image photographed by the retrospective technique and mixed with an image having a first CT dose and a low-quality image having a second CT dose smaller than the first CT dose, And acquiring a full-period image of a high-quality heart.
여기서, 상기 구축된 데이터베이스를 딥 러닝 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하는 단계는, 복수의 상기 심장의 전체 주기 영상 각각으로부터 합성곱 신경망(CNN)을 이용하여 심장 영상을 추출하는 단계; 상기 추출된 심장 영상 각각을 순환 신경망(RNN)을 이용하여 기계 학습(machine training)시키는 단계; 및 상기 기계 학습된 심장 영상들에 기초하여 상기 심장 영상 영역화 예측 모델을 구축하는 단계를 포함할 수 있다.Here, the step of generating a cardiac image segmentation prediction model by performing the deep learning-based machine learning on the constructed database may include extracting a cardiac image from each of the plurality of whole heart periodic images of the heart using a composite neural network (CNN) ; Machine training each of the extracted heart images using a circular neural network (RNN); And constructing the heart image segmentation prediction model based on the machine-learned heart images.
여기서, 상기 추출된 심장 영상 각각을 순환 신경망(RNN)을 이용하여 기계 학습(machine training)시키는 단계는, 상기 추출된 심장 영상 각각에 대해 LSTM(Long Short Term Memory)을 적용하는 단계; 및 상기 LSTM이 적용된 심장 영상 각각에 예측 가중치(predicted weight)를 부여하는 단계를 포함할 수 있다.The step of machine training each of the extracted cardiac images using a circular neural network (RNN) comprises: applying a long short term memory (LSTM) to each of the extracted cardiac images; And applying a predicted weight to each of the heart images to which the LSTM is applied.
여기서, 상기 전향적 동조화 기법으로 촬영된 심장 영상은, 심장의 수축기 말기의 영상 및 상기 심장의 이완기 말기의 영상 중 적어도 하나를 포함할 수 있다.Here, the cardiac image photographed by the prospective cointegration technique may include at least one of an image at the end of systole of the heart and an image of the end-diastolic phase of the heart.
또한, 본 발명의 일 실시예에 따른 영상 처리 장치는, 심장의 CT 영상을 수신하도록 구성되는 영상 수신부와, 상기 영상 수신부에서 수신된 심장 CT 영상을 처리하도록 구성되는 영상 처리부와, 상기 영상 처리부에서 영상 처리된 심장 영상을 디스플레이하도록 구성되는 디스플레이부와, 그리고 상기 영상 수신부, 상기 영상 처리부 및 상기 디스플레이부를 제어하도록 구성되는 제어부를 포함하고, 상기 영상 처리부는, 후향적 동조화 기법으로 촬영된 심장의 전체 주기 영상의 데이터베이스를 구축하도록 구성되는 데이터베이스 구축유닛; 상기 구축된 데이터베이스를 딥 러닝 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하도록 구성되는 예측모델 생성유닛; 및 전향적 동조화 기법으로 촬영된 심장 영상에 상기 심장 영상 영역화 예측 모델을 적용함으로써 심장의 전체 주기 영상을 획득하도록 구성되는 영상획득유닛을 포함할 수 있다.According to another aspect of the present invention, there is provided an image processing apparatus including an image receiving unit configured to receive a CT image of a heart, an image processing unit configured to process a cardiac CT image received by the image receiving unit, And a control unit configured to control the image receiving unit, the image processing unit, and the display unit, wherein the image processing unit is configured to control the whole of the heart taken by the retrospective co- A database building unit configured to build a database of periodic images; A prediction model generation unit configured to generate a heart image segmentation prediction model by performing deep learning-based machine learning on the constructed database; And an image acquisition unit configured to acquire the whole periodic image of the heart by applying the heart image segmentation prediction model to the heart image photographed by the forward convergence technique.
또한, 본 발명의 다른 실시예에 따른 영상 처리 장치는, 심장의 CT 영상을 수신하도록 구성되는 영상 수신부와, 상기 영상 수신부에서 수신된 심장 CT 영상을 처리하도록 구성되는 영상 처리부와, 상기 영상 처리부에서 영상 처리된 심장 영상을 디스플레이하도록 구성되는 디스플레이부와, 그리고 상기 영상 수신부, 상기 영상 처리부 및 상기 디스플레이부를 제어하도록 구성되는 제어부를 포함하고, 상기 영상 처리부는, 후향적 동조화 기법으로 촬영된 심장의 전체 주기 영상의 데이터베이스를 구축하도록 구성되는 데이터베이스 구축유닛; 상기 구축된 데이터베이스를 딥 러닝 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하도록 구성되는 예측모델 생성유닛; 및 상기 후향적 동조화 기법으로 촬영되고, 제1 CT 선량을 갖는 영상 및 상기 제1 CT 선량보다 적은 제2 CT 선량을 갖는 영상이 저화질의 혼합된 심장 영상에 상기 심장 영상 영역화 예측 모델을 적용함으로써 고화질의 심장의 전체 주기 영상을 획득하도록 구성되는 영상획득유닛을 포함할 수 있다.According to another aspect of the present invention, there is provided an image processing apparatus including an image receiving unit configured to receive a CT image of a heart, an image processing unit configured to process a cardiac CT image received by the image receiving unit, And a control unit configured to control the image receiving unit, the image processing unit, and the display unit, wherein the image processing unit is configured to control the whole of the heart taken by the retrospective co- A database building unit configured to build a database of periodic images; A prediction model generation unit configured to generate a heart image segmentation prediction model by performing deep learning-based machine learning on the constructed database; And applying the heart image segmentation prediction model to a mixed heart image of a low-quality image, which is photographed by the retrospective co-incidence technique and has an image having a first CT dose and an image having a second CT dose smaller than the first CT dose, And an image acquisition unit configured to acquire a full-period image of a high-quality heart.
여기서, 상기 예측모델 생성유닛은, 복수의 상기 심장의 전체 주기 영상 각각으로부터 합성곱 신경망(CNN)을 이용하여 심장 영상을 추출하도록 구성되는 심장영상 추출유닛; 상기 추출된 심장 영상 각각을 순환 신경망(RNN)을 이용하여 기계 학습(machine training)시키도록 구성되는 기계학습유닛; 및 상기 기계 학습된 심장 영상들에 기초하여 상기 심장 영상 영역화 예측 모델을 구축하도록 구성되는 예측모델 구축유닛을 포함할 수 있다.Here, the predictive model generating unit may include a cardiac image extracting unit configured to extract a cardiac image from each of a plurality of whole periodic images of the heart using a composite neural network (CNN); A machine learning unit configured to machine-train each of the extracted cardiac images using a circular neural network (RNN); And a prediction model building unit configured to build the heart image segmentation prediction model based on the machine-learned heart images.
여기서, 상기 기계학습유닛은, 상기 추출된 심장 영상 각각에 대해 LSTM(Long Short Term Memory)을 적용하고, 그리고 상기 LSTM이 적용된 심장 영상 각각에 예측 가중치를 부여하도록 구성될 수 있다.Here, the machine learning unit may be configured to apply an LSTM (Long Short Term Memory) to each of the extracted heart images, and to assign a predictive weight to each of the heart images to which the LSTM is applied.
여기서, 상기 전향적 동조화 기법으로 촬영된 심장 영상은, 심장의 수축기 말기의 영상 및 상기 심장의 이완기 말기의 영상 중 적어도 하나를 포함할 수 있다.Here, the cardiac image photographed by the prospective cointegration technique may include at least one of an image at the end of systole of the heart and an image of the end-diastolic phase of the heart.
본 발명의 일 실시예에 따른 CT 영상 데이터베이스 기반 심장 영상의 영역화 방법 및 그 장치에 의하면, CT 촬영을 위한 방사선 피폭량을 최소한으로 유지하면서도 동시에 고화질의 심장 주기 전체 영상을 확보하는 것이 가능하다. According to the method and apparatus for segmenting a cardiac image based on a CT image database according to an embodiment of the present invention, it is possible to secure a high-quality cardiac cycle full image while minimizing a dose of radiation for CT imaging.
도 1은 일반적인 심장의 박동 주기 및 이완기/수축기의 영상을 예시적으로 도시한다.
도 2는 본 발명의 일 실시예에 따른 CT 영상 데이터베이스에 기반한 심장 영상 영역화 예측 모델의 생성을 설명하기 위한 개략도이다.
도 3a 내지 도 3c는 도 2에서 생성된 예측 모델을 이용하여 고화질의 심장 전체 주기 영상을 획득하는 과정을 설명하기 위한 개략도이다.
도 4a 및 도 4b는 본 발명의 일 실시예에 따른 CT 영상 데이터베이스 기반 심장 영상의 영역화 방법을 설명하는 순서도이다.
도 5는 도 4의 예측모델 생성단계(S420)의 세부 순서도이다.
도 6a는 본 발명의 일 실시예에 따른 CT 영상 데이터베이스 기반 심장 영상의 영역화 방법을 수행하도록 구성되는 영상 처리 장치의 블록도이고, 도 6b는 도 6a의 예측모델 생성유닛(632)의 세부적인 블록도이다.FIG. 1 is an illustration of a typical heart beat cycle and diastolic / systolic images.
2 is a schematic diagram for explaining generation of a cardiac image segmentation prediction model based on a CT image database according to an embodiment of the present invention.
3A to 3C are schematic views for explaining a process of acquiring a high-quality cardiac cycle image using the prediction model generated in FIG.
4A and 4B are flowcharts illustrating a method of segmenting a heart image based on a CT image database according to an embodiment of the present invention.
5 is a detailed flowchart of the predictive model generation step (S420) of FIG.
6A is a block diagram of an image processing apparatus configured to perform a method of segmenting a cardiac image based on a CT image database according to an embodiment of the present invention. FIG. 6B is a detailed block diagram of the predictive
이하 본 발명의 바람직한 실시예들의 상세한 설명이 첨부된 도면들을 참조하여 설명될 것이다. 도면들 중 동일한 구성들은 가능한 한 어느 곳에서든지 동일한 부호들을 나타내고 있음을 유의하여야 한다. 이하의 설명에서 구체적인 특정 사항들이 나타나고 있는데, 이는 본 발명의 보다 전반적인 이해를 돕기 위해 제공된 것이다. 그리고 본 발명을 설명함에 있어, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명은 생략한다. DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, a detailed description of preferred embodiments of the present invention will be given with reference to the accompanying drawings. It should be noted that the same configurations of the drawings denote the same reference numerals as possible whenever possible. In the following description, specific details are set forth to provide a better understanding of the present invention. In the following description of the present invention, detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear.
본 명세서에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 본 발명이 속하는 기술 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 본 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 명세서에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 명세서의 전반에 걸친 내용을 토대로 정의되어야 한다.While the present invention has been described in connection with what is presently considered to be the most practical and preferred embodiment, it is to be understood that the invention is not limited to the disclosed embodiments, but, on the contrary, have. In addition, in certain cases, there may be a term selected arbitrarily by the applicant, in which case the meaning thereof will be described in detail in the description of the present invention. Therefore, the terms used in the present specification should be defined based on the meaning of the terms, not on the names of simple terms, and on the contents throughout the specification.
본 명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. When an element is referred to as " including " an element throughout the specification, it is to be understood that the element may include other elements, without departing from the scope of the present invention. Also, the terms " part, " " module, " and the like described in the specification mean units for processing at least one function or operation, which may be implemented in hardware or software or a combination of hardware and software .
도 2는 본 발명의 일 실시예에 따른 CT 영상 데이터베이스에 기반한 심장 영상 영역화 예측 모델의 생성을 설명하기 위한 개략도이고, 도 3a 내지 도 3c는 도 2에서 생성된 예측 모델을 이용하여 고화질의 심장 전체 주기 영상을 획득하는 과정을 설명하기 위한 개략도이며, 도 4a 및 도 4b는 본 발명의 일 실시예에 따른 CT 영상 데이터베이스 기반 심장 영상의 영역화 방법을 설명하기 위한 순서도를 도시한다.FIG. 2 is a schematic diagram for explaining generation of a cardiac image segmentation prediction model based on a CT image database according to an embodiment of the present invention. FIGS. 3A to 3C are diagrams for explaining the generation of a high- 4A and 4B are flowcharts for explaining a method of segmenting a heart image based on a CT image database according to an embodiment of the present invention.
도 2 내지 도 4를 참조하면, 먼저 본 발명의 일 실시예에 따른 CT 영상 데이터베이스 기반 심장 영상의 영역화 방법은, 후향적 동조화 기법으로 촬영된 심장의 전체 주기 영상의 데이터베이스를 구축하는 단계(S410); 상기 구축된 데이터베이스를 딥 러닝 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하는 단계(S420); 및 전향적 동조화 기법으로 촬영된 심장 영상에 상기 심장 영상 영역화 예측 모델을 적용함으로써 심장의 전체 주기 영상을 획득하는 단계(S430)를 포함할 수 있다.Referring to FIGS. 2 to 4, a method for segmenting a heart image based on a CT image database according to an embodiment of the present invention includes: constructing a database of a whole periodic image of a heart photographed by a retrospective co- ); Generating a heart image segmentation prediction model by performing deep learning based machine learning on the constructed database (S420); And acquiring the whole periodic image of the heart by applying the cardiac image segmentation prediction model to the heart image photographed by the prospective synchronization technique (S430).
참고로, 이하의 설명에서는 본 발명의 용이한 이해를 위해서 심장의 좌심실(left ventricle) 영상을 일 예로서 설명하지만, 본 발명에서 기술하는 영상 처리 방법의 일련의 단계들이 심장의 우심실(right ventricle), 좌심방(left atrium), 우심방(right atrium) 등의 다른 심장 영역의 영상들에도 동일하게 적용될 수 있음은 명백할 것이다.In the following description, a left ventricle image of the heart is described as an example for the sake of easy understanding of the present invention, but a series of steps of the image processing method described in the present invention is applied to the right ventricle of the heart. , The left atrium, the right atrium, and the like.
또한, 이하의 설명에서는 본 발명의 용이한 이해를 위해 컴퓨터 단층촬영(CT) 영상을 일 예로서 기술하지만, X-선(X-ray) 영상, 초음파(ultrasonic wave) 영상, 자기공명영상(MRI; magnetic resonance imaging) 등 다른 촬영 기법에 의한 영상들에도 본 발명에 따른 실시예들이 동등하게 적용될 수 있음은 명백할 것이다.In the following description, a computer tomography (CT) image is described as an example for easy understanding of the present invention, but an X-ray image, an ultrasonic wave image, a magnetic resonance imaging it should be apparent that the embodiments according to the present invention may be equally applied to images by other imaging techniques such as magnetic resonance imaging.
본 발명의 일 실시예에 따른 영상 영역화 방법을 구체적으로 기술하면, 먼저, 후향적 동조화 기법으로 촬영된 심장의 전체 주기 영상의 데이터베이스를 구축하는 단계(S410)가 수행될 수 있다. 여기서, 상기 후향적 동조화(retrospective gating) 기법은 환자 심장 주기에 무관하게 환자의 심장을 연속적으로 촬영한 후에 저장된 심전도를 이용하여 R-R 주기를 소정의 개수(예컨대, 10개)로 분할하여 촬영하는 방식을 의미한다. A method of image segmentation according to an embodiment of the present invention will be described in detail. First, a step S410 of constructing a database of a whole periodic image of a heart photographed by a retrospective co-ordination technique may be performed. Herein, the retrospective gating technique is a method of photographing a patient's heart continuously, irrespective of a patient's cardiac cycle, and then dividing the RR cycle into a predetermined number (for example, 10) using a stored electrocardiogram .
도 2에 예시적으로 도시된 입력(10)은 이러한 후향적 동조화 기법으로 촬영된 심장의 전체 주기 영상을 포함하는데, 이하에서는 본 발명의 용이한 이해를 위해 '10개 영상'을 예시적으로 기술하지만 심장 전체 주기 내의 영상 분할의 개수는 다양한 실시예들에 따라 가변될 수 있음은 명백할 것이다.The
또한, 본 발명에 따른 실시예들의 용이한 이해를 위해, 10개의 촬영 영상들 각각에 대해서 "0% x1", "10% x2", "20% x3", "30% x4", "40% x5", "50% x6", "60% x7", "70% x8", "80% x9" 및 "90% x10"을 각각 표시하였다. Further, for easy understanding of the embodiments according to the present invention, "0% x 1 ", "10% x 2 ", "20% x 3 ", "30% x 4 " , "40% x 5 ", "50% x 6 ", "60% x 7 ", "70% x 8 ", "80% x 9 " and "90% x 10 "
본 발명의 일 실시예에 따른 데이터베이스(DB)는 계층형 데이터베이스, 네트워크형 데이터베이스, 관계형 데이터베이스, NoSQL 데이터베이스 등 임의의 타입의 데이터베이스를 포함할 수 있다. A database (DB) according to an embodiment of the present invention may include any type of database such as a hierarchical database, a networked database, a relational database, and a NoSQL database.
또한, 이러한 후향적 동조화 기법에 의해 촬영된 심장 전체 주기 영상의 데이터베이스화는 후술할 심장 영상 영역화 예측 모델 생성의 기초가 되며, 따라서 심장 전체 주기 영상의 데이터베이스화는 본 발명의 일 실시예에 따른 영상 영역화 방법을 구현함에 있어서 중요한 토대가 된다. 참고로, 이러한 심장 영상의 데이터베이스(DB) 구축은 개인별로, 연령별로, 성별로, 지역별로, 등 다양한 실시예들에 따라 다양한 방식으로 수행될 수 있다.In addition, the database of the whole periodic images photographed by this retrospective coherence technique is a basis for generating a heart image segmentation prediction model, which will be described later, This is an important foundation for implementing the image segmentation method. For reference, the database construction of the heart images can be performed in various ways according to various embodiments such as individual, age, sex, region, and the like.
후향적 동조화 기법으로 촬영된 심장의 전체 주기 영상의 데이터베이스가 구축되면(S410), 그 구축된 데이터베이스를 딥 러닝(deep learning) 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하는 단계(S420)가 수행될 수 있다.When a database of the whole periodic images of the heart photographed by the retrospective coincidence technique is constructed (S410), a step S420 of generating a heart image segmentation prediction model by deep learning based machine learning is performed .
보다 구체적으로, 심장 영상 영역화 예측 모델을 생성하는 단계(S420)는, 복수의 심장의 전체 주기 영상 각각으로부터 합성곱 신경망(CNN)을 이용하여 심장 영상을 추출하는 단계(S421); 상기 추출된 심장 영상 각각을 순환 신경망(RNN)을 이용하여 기계 학습시키는 단계(S422); 및 상기 기계 학습된 심장 영상들에 기초하여 상기 심장 영상 영역화 예측 모델을 구축하는 단계(S423)를 포함할 수 있다. More specifically, the step S420 of generating a cardiac image segmentation prediction model includes a step S421 of extracting a heart image from each of the whole periodic images of a plurality of hearts using the composite neural network CNN; (S422) machine-learn each of the extracted cardiac images using a circular neural network (RNN); And constructing the heart image segmentation prediction model based on the machine-learned heart images (S423).
추가적으로, 상기 추출된 심장 영상 각각을 순환 신경망(RNN)을 이용하여 기계 학습시키는 단계(S422)는, 상기 추출된 심장 영상 각각에 대해 LSTM(Long Short Term Memory)을 적용하는 단계; 및 상기 LSTM이 적용된 심장 영상 각각에 예측 가중치를 부여하는 단계를 더 포함할 수 있다. In addition, the step (S422) of mechanically learning each of the extracted cardiac images using a circular neural network (RNN) comprises applying LSTM (Long Short Term Memory) to each of the extracted heart images; And applying a prediction weight to each of the heart images to which the LSTM is applied.
여기서, 합성곱 신경망(CNN; Convolutional Neural Network)(20)은 하나 또는 여러 개의 합성곱 레이어와 그 위에 올려진 일반적인 인공 신경망 레이어들로 이루어져 합성곱 레이어에서 전처리를 수행하는 구조를 갖는 신경망에 해당하며, 적용 예에 따라 컨볼루션 신경망, 회선 신경망, 뇌회로망 등으로 지칭될 수도 있다. Here, a CNN (Convolutional Neural Network) 20 corresponds to a neural network having a structure for performing preprocessing in a composite product layer composed of one or a plurality of synthetic product layers and general artificial neural network layers placed thereon , A convolutional neural network, a line neural network, a neural network, and the like, depending on an application example.
구축된 데이터베이스에 포함된 복수의 심장 전체 주기 영상들(예컨대, 도 2에서는 "10개"의 영상을 예시함) 각각에 대해서 합성곱 신경망(CNN)(20)의 딥 러닝 기술을 이용하여 기계 학습을 수행하면, 심장 영상들 각각으로부터 심장의 심장 영상만이 추출될 수 있다(S421). 참고로, 본 발명의 실시예들에는 합성곱 신경망(CNN)의 특징이 실질상 그대로 적용되므로, 본 단락에서는 합성곱 신경망(CNN)의 보다 상세한 설명은 생략하기로 한다.(CNN) 20 for each of a plurality of cardiac cycle images (for example, " 10 " images in FIG. 2) included in the constructed database, , Only the cardiac images of the heart can be extracted from each of the heart images (S421). For reference, in the embodiments of the present invention, since the features of the CNN are substantially applied as they are, detailed description of the CNN will be omitted in this section.
복수의 심장 전체 주기 영상들로부터 합성곱 신경망(CNN)을 이용하여 심장 영상이 추출되면, 추출된 심장 영상 각각을 순환 신경망(RNN)(30)을 이용하여 기계 학습시키는 단계(S422)가 수행될 수 있다. 예컨대, 도 2에 도시된 바와 같이, 순환 신경망(RNN)을 이용한 기계 학습은, 추출된 심장 영상 각각에 대해 LSTM(Long Short Term Memory)(31)을 적용하는 단계와, 상기 LSTM이 적용된 심장 영상 각각에 예측 가중치(PW; predicted weight)(32)를 부여하는 단계를 포함할 수 있다. When a cardiac image is extracted from a plurality of cardiac cycle images using the CNN, a step S422 of performing machine learning using each of the extracted cardiac images using a circular neural network (RNN) 30 is performed . For example, as shown in FIG. 2, machine learning using a circular neural network (RNN) includes applying LSTM (Long Short Term Memory) 31 to each extracted heart image, And assigning a predicted weight (PW) 32 to each of them.
참고로, 순환 신경망(RNN; Recurrent Neural Network)은 현재의 데이터와 과거의 데이터를 동시에 고려하는 딥 러닝 기법으로서, 순환 신경망(RNN)은 인공 신경망을 구성하는 유닛 사이의 연결이 방향성 사이클(directed cycle)을 구성하는 신경망을 나타낸다.Recurrent Neural Network (RNN) is a deep learning method that considers current data and past data at the same time. Circular neural network (RNN) ).
또한, 순환 신경망(RNN)은 임의의 입력을 처리하기 위해서 신경망 내부의 메모리를 활용할 수 있고, 이러한 특징에 의해 순환 신경망(RNN)은 필기체 인식 등의 분야에서 활용되며 높은 인식률을 갖는 장점이 있다. In addition, a circular neural network (RNN) can utilize a memory inside a neural network to process an arbitrary input, and the circular neural network (RNN) is utilized in fields such as handwriting recognition and has a high recognition rate.
참고로, 순환 신경망(RNN)을 구성할 수 있는 구조에는 다양한 방식이 사용될 수 있는데, 예컨대 완전순환망(Fully Recurrent Network), 홉필드망(Hopfield Network), 엘만망(Elman Network), ESN(Echo state network), LSTM(Long short term memory network), 양방향(Bi-directional) RNN, CTRNN(Continuous-time RNN), 계층적 RNN, 2차 RNN 등이 대표적인 예이다. 또한, 순환 신경망(RNN)을 학습시키기 위한 방법으로서, 경사 하강법, Hessian Free Optimization, Global Optimization Method 등의 방식이 사용될 수 있다.For example, various structures can be used for the structure of the RNN, such as a Fully Recurrent Network, a Hopfield Network, an Elman Network, an ESN state network, LSTM, Bi-directional RNN, Continuous-time RNN, Hierarchical RNN, and Secondary RNN. As a method for learning the RNN, a method such as a descending method, Hessian Free Optimization, or Global Optimization Method can be used.
도 2에 도시된 바와 같이, 본 발명의 실시예에 따른 기계 학습은 여러 순환 신경망(RNN) 방식들 중에서 LSTM(장단기 기억)(31)에 의해 구현됨을 예시한다. LSTM의 경우 장기 의존성(long-term dependencies)을 학습할 수 있는 특별한 종류의 순환 신경망(RNN)에 해당하며, LSTM(31)이 적용된 각각의 심장 영상에 예측 가중치(PW, 32)가 부여될 수 있다.As shown in FIG. 2, the machine learning according to the embodiment of the present invention is exemplified by LSTM (short and long term memory) 31 among various types of circular neural network (RNN) schemes. The LSTM corresponds to a special kind of circular neural network (RNN) capable of learning long-term dependencies, and a predicted weight (PW, 32) can be assigned to each heart image to which the
그러므로, 특정 시간(예컨대, t)의 영상은 순환 신경망(RNN)(30) 기반의 합성곱 신경망(CNN)(20)을 이용하여 기계 학습됨으로써, 상기 특정 시간 전(예컨대, t-1)/후(예컨대, t+1) 시간의 영상에 대한 정보를 예측 가중치의 비율만큼 또한 포함할 수 있다. Therefore, the image of a specific time (e.g., t) is machine-learned using the
이와 같이, 순환 신경망(RNN)(30) 기반의 합성곱 신경망(CNN)(20)을 이용하여 기계 학습을 수행하는 결과로서 고화질의 출력(40)이 획득될 수 있고, 이렇게 획득된 심장 영상의 출력(40) 영상을 이용하여 심장 전체 주기의 영상을 예측할 수 있는 모델의 구축이 가능하게 된다. In this way, a high-
도 3a 및 도 3b는 도 2에서 생성된 예측 모델을 이용하여 고화질의 심장 전체 주기 영상을 획득하는 과정을 설명하기 위한 개략도이다. FIGS. 3A and 3B are schematic diagrams for explaining a process of acquiring a high-quality cardiac cycle image using the prediction model generated in FIG.
도 2에서 CT 영상 데이터베이스에 기반하여 심장 영상 영역화 예측 모델이 구축된 이후에, 도 3은 구축된 심장 영상 영역화 예측 모델(50)을 이용하여 심장의 전체 주기 영상을 획득하는 과정을 나타내는 예시도를 도시한다.FIG. 3 shows an example of a process of acquiring the whole periodic image of the heart using the constructed heart image
보다 구체적으로, 도 3a는 전향적 동조화 기법으로 촬영된 심장 영상(예컨대, 70% x8)에 심장 영상 영역화 예측 모델(50)을 적용함으로써 심장의 전체 주기 영상을 획득하는 실시예를 도시한다. 참고로, 이 경우에는 입력 영상의 형태와 주변 조직과의 명암도(intensity)를 고려하여 전체 주기의 심장 영상을 생성하게 된다.More specifically, FIG. 3A illustrates an embodiment of acquiring a full periodic image of the heart by applying a cardiac imaging
또한, 도 3b는 후향적 동조화 기법으로 촬영되되 제1 CT 선량을 갖는 영상과 상기 제1 CT 선량보다 적은 제2 CT 선량을 갖는 영상이 혼합된 심장 영상(즉, 선량이 구별되는 복수의 심장 영상)에 상기 심장 영상 영역화 예측 모델(50)을 적용함으로써 심장의 전체 주기 영상을 획득(예컨대, 도 4b의 S430')하는 실시예를 예시적으로 도시한다. 참고로, 이 경우에는 입력 영상의 대략적인 형태를 고려한 예측모델링을 통해 고화질의 전체 주기 영상을 생성하게 된다.FIG. 3B is a graph showing a relationship between an image having a first CT dose and an image having a second CT dose smaller than the first CT dose (FIG. 3B) (For example, S430 'in FIG. 4B) by applying the cardiac image
참고로, 도 3a에서는 전향적 동조화 기법으로 촬영된 단일의 심장 영상을 예시로 도시하였지만, 본 발명의 추가의 실시예에 따르면 상기 심장 영상 영역화 예측 모델(50)에 입력되는 영상은, 전향적 동조화 기법으로 촬영된 심장의 수축기 말기의 영상 및 상기 심장의 이완기 말기의 영상 중 적어도 하나를 포함할 수 있다.3A, a single heart image imaged by the forward convergence technique is shown as an example. However, according to a further embodiment of the present invention, the image input to the heart image
그러므로, 본 발명의 일 실시예에 따른 CT 영상 데이터베이스 기반 심장 영상의 영역화 방법에 따르면, 도 3a에 도시된 바와 같이 전향적 동조화 기법으로 획득한 영상을 이용하여 고화질의 심장의 전체 주기 영상을 확보하는 것이 가능하고, 또한 도 3b에 도시된 바와 같이 후향적 동조화 기법으로 획득되되 높은 선량과 낮은 선량이 구별되는 영상들을 이용하여 고화질의 심장의 전체 주기 영상을 확보하는 것이 가능하게 된다.Therefore, according to the CT image database-based cardiac segmentation method according to the embodiment of the present invention, as shown in FIG. 3A, by using the image obtained by the forward convergence technique, And it is also possible to acquire a full-period image of a high-quality heart using images obtained by a retrospective coherence technique, as shown in FIG. 3B, in which a high dose and a low dose are distinguished.
다시 말하면, 본 발명의 일 실시예에 따른 CT 영상 데이터베이스 기반 심장 영상의 영역화 방법 및 장치에 의하면, 종래의 방식과 비교하여, 낮은 선폭량으로 촬영된 영상에 기초하여 고화질의 심장 전체 주기 영상을 획득하는 것이 가능하게 된다.In other words, according to the method and apparatus for segmenting a cardiac image based on a CT image database according to an exemplary embodiment of the present invention, a high-quality cardiac cycle image can be obtained on the basis of an image photographed with a low- .
추가하여, 도 3b에 도시된 심장영상 영역화 예측모델(50)이 영상 대 영상의 화질개선의 측면에서 응용될 수 있고, 이를 도 3c에 개략적으로 도시한다.In addition, the cardiac image
도 3c에 도시된 바와 같이, 도 3b의 심장영상 영역화 예측모델(50)은 심장영역 화질개선모델(50')로서 응용될 수 있고, 후향적 동조화 기법으로 획득되되 높은 선량과 낮은 선량이 구별되는 영상들을 입력할 경우 고화질의 영상 출력이 가능하게 된다.As shown in FIG. 3C, the cardiac
도 6a는 본 발명의 일 실시예에 따른 CT 영상 데이터베이스 기반 심장 영상의 영역화 방법을 수행하도록 구성되는 영상 처리 장치의 블록도이고, 도 6b는 도 6a의 예측모델 생성유닛(632)의 세부적인 블록도이다.6A is a block diagram of an image processing apparatus configured to perform a method of segmenting a cardiac image based on a CT image database according to an embodiment of the present invention. FIG. 6B is a detailed block diagram of the predictive
참고로, 도 4a, 도 4b 및 도 5에 도시된 본 발명의 일 실시예에 따른 CT 영상 데이터베이스 기반 심장 영상의 영역화 방법을 구성하는 일련의 단계들(S410 내지 S430/S430')은 컴퓨터에서 실행될 수 있는 프로그램으로서 작성가능하고, 예컨대 컴퓨터는 영상 처리 장치로서 구현될 수 있으며, 컴퓨터 판독가능한 기록매체를 이용해 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있으며, 도 6a는 본 발명의 일 실시예에 따른 CT 영상 데이터베이스 기반 심장 영상의 영역화 방법을 수행하도록 구성되는 영상 처리 장치(600)의 블록도를 도시한다.For reference, a series of steps (S410 to S430 / S430 ') constituting a CT image database-based cardiac segmentation method according to an embodiment of the present invention shown in FIGS. 4A, 4B, For example, the computer may be embodied as an image processing apparatus, and may be embodied in a general-purpose digital computer that operates a program using a computer-readable recording medium, and FIG. 6A is a block diagram of an embodiment of the present invention FIG. 6 shows a block diagram of an image processing apparatus 600 configured to perform a method of segmenting a heart image based on a CT image database according to FIG.
도 6a에 도시된 바와 같이, 본 발명의 일 실시예에 따른 영상 처리 장치(600)는 제어부(610)와, 영상수신부(620)와, 영상처리부(630)와, 그리고 디스플레이부(640)를 포함할 수 있다.6A, an image processing apparatus 600 according to an exemplary embodiment of the present invention includes a
참고로, 도 6a에 도시된 블록도의 영상 처리 장치(600)의 각 엘리먼트들은 본 발명의 용이한 이해를 위한 일 예에 불과할 뿐, 도 6a에 도시된 엘리먼트 이외의 엘리먼트가 영상 처리 장치(600)에 추가적으로 포함될 수 있음은 명백할 것이다.6A is merely an example for ease of understanding of the present invention, and elements other than the elements shown in FIG. 6A are not illustrated in the image processing apparatus 600 As will be apparent to those skilled in the art.
영상수신부(620)는 심장 CT 영상을 수신하도록 구성될 수 있다. 예컨대, ㄷ도 4의 S410에서 후향적 동조화 기법으로 촬영된 심장 CT 영상의 데이터베이스를 구축하기 위해서는 이러한 영상을 수신해야 하는데, 상기 영상수신부(620)를 통해서 후향적 동조화 기법으로 촬영된 심장 CT 영상을 수신하는 것이 가능하다.The
영상처리부(630)는 영상수신부(620)를 통해 수신된 심장 영상을 처리하도록 구성될 수 있다. 보다 구체적으로, 도 6a에 도시된 바와 같이, 본 발명의 일 실시예에 따른 영상처리부(630)는 데이터베이스 구축유닛(631), 예측모델 생성유닛(632), 및 영상획득유닛(633)을 포함할 수 있다.The
상기 데이터베이스 구축유닛(631)은 후향적 동조화 기법으로 촬영된 심장의 전체 주기 영상의 데이터베이스를 구축하도록 구성될 수 있다. 또한, 상기 예측모델 생성유닛(632)은 상기 구축된 데이터베이스를 딥 러닝 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하도록 구성될 수 있다. 또한, 상기 영상획득유닛(633)은 전향적 동조화 기법으로 촬영된 심장 영상에 상기 심장 영상 영역화 예측 모델을 적용함으로써 심장의 전체 주기 영상을 획득하도록 구성될 수 있거나, 또는 상기 후향적 동조화 기법으로 촬영되되, 제1 CT 선량을 갖는 영상 및 상기 제1 CT 선량보다 적은 제2 CT 선량을 갖는 영상이 혼합된 심장 영상을 상기 심장 영상 영역화 예측 모델을 적용함으로써 심장의 전체 주기 영상을 획득하도록 구성될 수 있다.The
이와 관련하여, 상기 예측모델 생성유닛(632)은, 도 6b에 도시된 바와 같이, 복수의 상기 심장의 전체 주기 영상 각각으로부터 합성곱 신경망(CNN)을 이용하여 심장 영상을 추출하도록 구성되는 심장영상 추출유닛(632a); 상기 추출된 심장 영상 각각을 순환 신경망(RNN)을 이용하여 기계 학습시키도록 구성되는 기계학습유닛(632b); 및 상기 기계 학습된 심장 영상들에 기초하여 상기 심장 영상 영역화 예측 모델을 구축하도록 구성되는 예측모델 구축유닛(632c)으로 구성될 수 있다.6B, the predictive
영상처리부(630)의 각각의 유닛들(631, 632, 633, 634)의 구체적인 동작 및 설명은 도 2 내지 도 5와 관련하여 설명한 바와 실질상 동일하므로 본 단락에서는 중복적인 설명은 생략하도록 한다.Specific operations and descriptions of the
여기서, 상기 영상획득유닛(633)에 의해 고화질의 심장 전체 주기의 영상이 획득되면, 획득된 심장 전체 주기 영상이 디스플레이부(640)로 전달되어 상기 디스플레이부(640)에 의해서 해당 심장 영상이 디스플레이될 수 있다. 즉, 상기 디스플레이부(640)는 영상처리부(630)에서 처리된 심장 CT 영상을 출력하도록 구성될 수 있다.When the image of the full-period heart cycle is acquired by the
또한, 상기 제어부(610)는 영상수신부(620), 영상처리부(630) 및 디스플레이부(640)를 총괄적으로 제어하도록 구성될 수 있다. 예컨대, 상기 제어부(610)는 단일의 제어기(controller)로서 구현될 수 있거나, 또는 복수의 마이크로제어기(micro-controller)로서 구현될 수도 있다.The
그러므로, 본 발명의 일 실시예에 따른 CT 영상 데이터베이스 기반 심장 영상의 영역화 방법 및 그 장치에 의하면, CT 촬영을 위한 방사선 피폭량을 최소한으로 유지하면서도 동시에 고화질의 심장 주기 전체 영상을 확보하는 것이 가능하다.Therefore, according to the method and apparatus for segmenting a heart image based on a CT image database according to an embodiment of the present invention, it is possible to secure a high-quality heart cycle full image while maintaining a minimum amount of radiation exposure for CT imaging .
상술한 본 발명의 일 실시 예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 컴퓨터로 판독 가능한 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다.The above-described embodiments of the present invention can be embodied in a general-purpose digital computer that can be created as a program that can be executed by a computer and operates the program using a computer-readable recording medium.
컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.Computer readable media can be any available media that can be accessed by a computer and includes both volatile and nonvolatile media, removable and non-removable media. In addition, the computer-readable medium may include both computer storage media and communication media. Computer storage media includes both volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data. Communication media typically includes any information delivery media, including computer readable instructions, data structures, program modules, or other data in a modulated data signal such as a carrier wave, or other transport mechanism.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.It will be understood by those skilled in the art that the foregoing description of the present invention is for illustrative purposes only and that those of ordinary skill in the art can readily understand that various changes and modifications may be made without departing from the spirit or essential characteristics of the present invention. will be. It is therefore to be understood that the above-described embodiments are illustrative in all aspects and not restrictive. For example, each component described as a single entity may be distributed and implemented, and components described as being distributed may also be implemented in a combined form.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.The scope of the present invention is defined by the appended claims rather than the detailed description and all changes or modifications derived from the meaning and scope of the claims and their equivalents are to be construed as being included within the scope of the present invention something to do.
50: 심장 영상 영역화 예측 모델
600: 영상 처리 장치 610: 제어부
620: 영상 수신부 630: 영상 처리부
631: 데이터베이스 구축유닛 632: 예측모델 생성유닛
632a: 심장영상 추출유닛 632b: 기계학습유닛
632c: 예측모델 구축유닛 633: 영상획득유닛
640: 디스플레이부50: Cardiac segmentation prediction model
600: image processing apparatus 610:
620: image receiving unit 630: image processing unit
631: Database building unit 632: Predictive model generating unit
632a: heart
632c: predictive model building unit 633: image acquisition unit
640:
Claims (10)
후향적 동조화(retrospective gating) 기법으로 촬영된 심장의 전체 주기 영상의 데이터베이스(database)를 구축하는 단계;
상기 구축된 데이터베이스를 딥 러닝(deep learning) 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하는 단계; 및
전향적 동조화(prospective gating) 기법으로 촬영된 심장 영상에 상기 심장 영상 영역화 예측 모델을 적용함으로써 심장의 전체 주기 영상을 획득하는 단계
를 포함하는,
CT 영상 데이터베이스에 기반하여 심장 영상을 영역화하기 위한 방법.A method for segmenting a heart image based on a computed tomography (CT) image database performed in an image processing apparatus ,
Constructing a database of whole periodic images of the heart photographed by a retrospective gating technique;
Generating a heart image segmentation prediction model by deep learning-based machine learning of the constructed database; And
Obtaining a whole periodic image of the heart by applying the heart image segmentation prediction model to a heart image photographed by a prospective gating technique
/ RTI >
A method for segmenting a heart image based on a CT image database.
후향적 동조화 기법으로 촬영된 심장의 전체 주기 영상의 데이터베이스를 구축하는 단계;
상기 구축된 데이터베이스를 딥 러닝 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하는 단계; 및
상기 후향적 동조화 기법으로 촬영되고, 제1 CT 선량을 갖는 영상 및 상기 제1 CT 선량보다 적은 제2 CT 선량을 갖는 저화질의 영상이 혼합된 심장 영상에 상기 심장 영상 영역화 예측 모델을 적용함으로써 고화질의 심장의 전체 주기 영상을 획득하는 단계
를 포함하는,
CT 영상 데이터베이스에 기반하여 심장 영상을 영역화하기 위한 방법.A method for segmenting a heart image based on a CT image database performed in an image processing apparatus ,
Constructing a database of whole periodic images of the heart photographed by a retrospective coherence technique;
Generating a heart image segmentation prediction model by performing deep learning based machine learning on the constructed database; And
The heart image segmentation prediction model is applied to a heart image which is photographed by the retrospective technique and is mixed with an image having a first CT dose and a low-quality image having a second CT dose smaller than the first CT dose, Acquiring the whole periodic image of the heart of the heart
/ RTI >
A method for segmenting a heart image based on a CT image database.
상기 구축된 데이터베이스를 딥 러닝 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하는 단계는,
복수의 상기 심장의 전체 주기 영상 각각으로부터 합성곱 신경망(CNN)을 이용하여 심장 영상을 추출하는 단계;
상기 추출된 심장 영상 각각을 순환 신경망(RNN)을 이용하여 기계 학습(machine training)시키는 단계; 및
상기 기계 학습된 심장 영상들에 기초하여 상기 심장 영상 영역화 예측 모델을 구축하는 단계
를 포함하는,
CT 영상 데이터베이스에 기반하여 심장 영상을 영역화하기 위한 방법.The method according to claim 1 or 2,
The step of generating a heart image segmentation prediction model by performing deep learning-based machine learning on the constructed database comprises:
Extracting a heart image from each of a plurality of whole periodic images of the heart using a composite neural network (CNN);
Machine training each of the extracted heart images using a circular neural network (RNN); And
Constructing the heart image segmentation prediction model based on the machine-learned heart images
/ RTI >
A method for segmenting a heart image based on a CT image database.
상기 추출된 심장 영상 각각을 순환 신경망(RNN)을 이용하여 기계 학습(machine training)시키는 단계는,
상기 추출된 심장 영상 각각에 대해 LSTM(Long Short Term Memory)을 적용하는 단계; 및
상기 LSTM이 적용된 심장 영상 각각에 예측 가중치(predicted weight)를 부여하는 단계
를 포함하는,
CT 영상 데이터베이스에 기반하여 심장 영상을 영역화하기 위한 방법.The method of claim 3,
The step of machine training each of the extracted cardiac images using a circular neural network (RNN)
Applying an LSTM (Long Short Term Memory) to each of the extracted heart images; And
A step of assigning a predicted weight to each of the heart images to which the LSTM is applied
/ RTI >
A method for segmenting a heart image based on a CT image database.
상기 전향적 동조화 기법으로 촬영된 심장 영상은, 심장의 수축기 말기의 영상 및 상기 심장의 이완기 말기의 영상 중 적어도 하나를 포함하는,
CT 영상 데이터베이스에 기반하여 심장 영상을 영역화하기 위한 방법. The method according to claim 1,
Wherein the cardiac image photographed by the prospective cointegration technique includes at least one of an image of a terminal systolic phase of the heart and an image of a terminal phase of the diastolic phase of the heart,
A method for segmenting a heart image based on a CT image database.
심장의 CT 영상을 수신하도록 구성되는 영상 수신부와,
상기 영상 수신부에서 수신된 심장 CT 영상을 처리하도록 구성되는 영상 처리부와,
상기 영상 처리부에서 영상 처리된 심장 영상을 디스플레이하도록 구성되는 디스플레이부와, 그리고
상기 영상 수신부, 상기 영상 처리부 및 상기 디스플레이부를 제어하도록 구성되는 제어부
를 포함하고,
상기 영상 처리부는,
후향적 동조화 기법으로 촬영된 심장의 전체 주기 영상의 데이터베이스를 구축하도록 구성되는 데이터베이스 구축유닛;
상기 구축된 데이터베이스를 딥 러닝 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하도록 구성되는 예측모델 생성유닛; 및
전향적 동조화 기법으로 촬영된 심장 영상에 상기 심장 영상 영역화 예측 모델을 적용함으로써 심장의 전체 주기 영상을 획득하도록 구성되는 영상획득유닛
을 포함하는,
영상 처리 장치.An image processing apparatus configured to perform the method according to claim 1 or 2,
An image receiving unit configured to receive a CT image of the heart;
An image processor configured to process a cardiac CT image received by the image receiver;
A display unit configured to display a heart image imaged by the image processor;
A control unit configured to control the image receiving unit, the image processing unit,
Lt; / RTI >
Wherein the image processing unit comprises:
A database building unit configured to build a database of whole periodic images of the heart photographed by a retrospective coherence technique;
A prediction model generation unit configured to generate a heart image segmentation prediction model by performing deep learning-based machine learning on the constructed database; And
An image acquisition unit configured to acquire a full periodic image of a heart by applying the heart image segmentation prediction model to a heart image captured with a prospective co-
/ RTI >
Image processing apparatus.
심장의 CT 영상을 수신하도록 구성되는 영상 수신부와,
상기 영상 수신부에서 수신된 심장 CT 영상을 처리하도록 구성되는 영상 처리부와,
상기 영상 처리부에서 영상 처리된 심장 영상을 디스플레이하도록 구성되는 디스플레이부와, 그리고
상기 영상 수신부, 상기 영상 처리부 및 상기 디스플레이부를 제어하도록 구성되는 제어부
를 포함하고,
상기 영상 처리부는,
후향적 동조화 기법으로 촬영된 심장의 전체 주기 영상의 데이터베이스를 구축하도록 구성되는 데이터베이스 구축유닛;
상기 구축된 데이터베이스를 딥 러닝 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하도록 구성되는 예측모델 생성유닛; 및
상기 후향적 동조화 기법으로 촬영되고, 제1 CT 선량을 갖는 영상 및 상기 제1 CT 선량보다 적은 제2 CT 선량을 갖는 저화질의 영상이 혼합된 심장 영상에 상기 심장 영상 영역화 예측 모델을 적용함으로써 고화질의 심장의 전체 주기 영상을 획득하도록 구성되는 영상획득유닛
을 포함하는,
영상 처리 장치.An image processing apparatus configured to perform the method according to claim 1 or 2,
An image receiving unit configured to receive a CT image of the heart;
An image processor configured to process a cardiac CT image received by the image receiver;
A display unit configured to display a heart image imaged by the image processor;
A control unit configured to control the image receiving unit, the image processing unit,
Lt; / RTI >
Wherein the image processing unit comprises:
A database building unit configured to build a database of whole periodic images of the heart photographed by a retrospective coherence technique;
A prediction model generation unit configured to generate a heart image segmentation prediction model by performing deep learning-based machine learning on the constructed database; And
The heart image segmentation prediction model is applied to a heart image which is photographed by the retrospective technique and is mixed with an image having a first CT dose and a low-quality image having a second CT dose smaller than the first CT dose, An image acquisition unit configured to acquire an entire periodic image of the heart of the heart,
/ RTI >
Image processing apparatus.
상기 예측모델 생성유닛은,
복수의 상기 심장의 전체 주기 영상 각각으로부터 합성곱 신경망(CNN)을 이용하여 심장 영상을 추출하도록 구성되는 심장영상 추출유닛;
상기 추출된 심장 영상 각각을 순환 신경망(RNN)을 이용하여 기계 학습(machine training)시키도록 구성되는 기계학습유닛; 및
상기 기계 학습된 심장 영상들에 기초하여 상기 심장 영상 영역화 예측 모델을 구축하도록 구성되는 예측모델 구축유닛
을 포함하는,
영상 처리 장치.The method according to claim 6,
Wherein the prediction model generation unit comprises:
A cardiac image extraction unit configured to extract a cardiac image from each of a plurality of the whole periodic images of the heart using a composite neural network (CNN);
A machine learning unit configured to machine-train each of the extracted cardiac images using a circular neural network (RNN); And
A predictive model building unit configured to construct the heart image segmentation prediction model based on the machine-
/ RTI >
Image processing apparatus.
상기 기계학습유닛은,
상기 추출된 심장 영상 각각에 대해 LSTM(Long Short Term Memory)을 적용하고, 그리고 상기 LSTM이 적용된 심장 영상 각각에 예측 가중치를 부여하도록 구성되는,
영상 처리 장치.9. The method of claim 8,
The machine learning unit comprises:
Applying a LSTM (Long Short Term Memory) to each of the extracted heart images, and applying a predictive weight to each of the heart images to which the LSTM is applied,
Image processing apparatus.
상기 전향적 동조화 기법으로 촬영된 심장 영상은, 심장의 수축기 말기의 영상 및 상기 심장의 이완기 말기의 영상 중 적어도 하나를 포함하는,
영상 처리 장치.The method according to claim 6,
Wherein the cardiac image photographed by the prospective cointegration technique includes at least one of an image of a terminal systolic phase of the heart and an image of a terminal phase of the diastolic phase of the heart,
Image processing apparatus.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170026147A KR101978317B1 (en) | 2017-02-28 | 2017-02-28 | Ct image database-based cardiac image segmentation method and an apparatus thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170026147A KR101978317B1 (en) | 2017-02-28 | 2017-02-28 | Ct image database-based cardiac image segmentation method and an apparatus thereof |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20180099119A KR20180099119A (en) | 2018-09-05 |
| KR101978317B1 true KR101978317B1 (en) | 2019-05-14 |
Family
ID=63594359
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170026147A KR101978317B1 (en) | 2017-02-28 | 2017-02-28 | Ct image database-based cardiac image segmentation method and an apparatus thereof |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101978317B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023075480A1 (en) * | 2021-10-28 | 2023-05-04 | 주식회사 온택트헬스 | Method and apparatus for providing clinical parameter for predicted target region in medical image, and method and apparatus for screening medical image for labeling |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102157867B1 (en) * | 2018-11-13 | 2020-09-18 | 서강대학교산학협력단 | Apparatus and method for ultra-fast acquiring positron emission tomographic image based on deep learning |
| KR102039146B1 (en) | 2019-03-21 | 2019-10-31 | 주식회사 루닛 | Method for performing multi-domain ensemble learning and apparatus thereof |
| KR102267219B1 (en) * | 2019-06-27 | 2021-06-21 | 에이아이메딕(주) | Method for Blood Vessel Segmentation |
| KR102166835B1 (en) | 2019-10-28 | 2020-10-16 | 주식회사 루닛 | Method for Training Neural Network and Device Thereof |
| CN110755104A (en) * | 2019-11-05 | 2020-02-07 | 四川大学华西医院 | Liver cirrhosis portal hypertension noninvasive evaluation method based on 3D multichannel convolutional neural network |
| CN111062948B (en) * | 2019-11-18 | 2022-09-13 | 北京航空航天大学合肥创新研究院 | Multi-tissue segmentation method based on fetal four-chamber cardiac section image |
| KR20230071493A (en) * | 2021-11-16 | 2023-05-23 | 대구대학교 산학협력단 | Arrhythmia Classification Method Using Neural Network and Method Thereof |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040264627A1 (en) | 2003-06-25 | 2004-12-30 | Besson Guy M. | Dynamic multi-spectral X-ray projection imaging |
| JP2007526016A (en) | 2003-06-25 | 2007-09-13 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | System and method for automatic local myocardial assessment of cardiac imaging |
| JP2007527743A (en) | 2004-02-03 | 2007-10-04 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | System and method for automatic diagnosis and decision support for heart related diseases and conditions |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7809426B2 (en) * | 2004-04-29 | 2010-10-05 | The Cleveland Clinic Foundation | Acquiring contrast-enhanced, T1 weighted, cine magnetic resonance images |
| KR101664432B1 (en) * | 2014-02-12 | 2016-10-10 | 삼성전자주식회사 | Computer tomography apparatus and method for displaying a computer tomography image thereof |
| KR101619802B1 (en) | 2014-06-18 | 2016-05-11 | 기초과학연구원 | Method for generating cardiac left ventricular three dimensional image and apparatus thereof |
-
2017
- 2017-02-28 KR KR1020170026147A patent/KR101978317B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040264627A1 (en) | 2003-06-25 | 2004-12-30 | Besson Guy M. | Dynamic multi-spectral X-ray projection imaging |
| JP2007526016A (en) | 2003-06-25 | 2007-09-13 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | System and method for automatic local myocardial assessment of cardiac imaging |
| JP2007527743A (en) | 2004-02-03 | 2007-10-04 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | System and method for automatic diagnosis and decision support for heart related diseases and conditions |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023075480A1 (en) * | 2021-10-28 | 2023-05-04 | 주식회사 온택트헬스 | Method and apparatus for providing clinical parameter for predicted target region in medical image, and method and apparatus for screening medical image for labeling |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20180099119A (en) | 2018-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101978317B1 (en) | Ct image database-based cardiac image segmentation method and an apparatus thereof | |
| JP6101871B2 (en) | System and method for identifying medical image acquisition parameters | |
| US9672651B2 (en) | Four-dimensional reconstruction of regions exhibiting multiple phases of periodic motion | |
| US11723722B2 (en) | Methods and systems for guidance in cardiac resynchronization therapy | |
| CN110312475B (en) | Method and system for modeling a human heart and atrium | |
| US11269036B2 (en) | System and method for phase unwrapping for automatic cine DENSE strain analysis using phase predictions and region growing | |
| US10238355B2 (en) | Tomography apparatus and method of reconstructing tomography image thereof | |
| Juergens et al. | Automated threshold-based 3D segmentation versus short-axis planimetry for assessment of global left ventricular function with dual-source MDCT | |
| KR101929412B1 (en) | Image database-based real-time registration method of 2d x-ray image and 3d ct image, and an apparatus thereof | |
| JP2006075601A (en) | Segmentation method of anatomical structure | |
| US11160523B2 (en) | Systems and methods for cardiac imaging | |
| CN102727233B (en) | For obtaining the methods, devices and systems of the four-dimensional image data group checking object | |
| WO2019162874A1 (en) | Mapping binned medical data | |
| EP2220618B1 (en) | Apparatus for determining a parameter of a moving object | |
| JP2001148005A (en) | Method for reconstructing three-dimensional image of moving object | |
| CN109345606B (en) | Cardiac image reconstruction method, cardiac image reconstruction device, computer equipment and readable storage medium | |
| Dogan et al. | Effects of heart rate, filling and slice thickness on the accuracy of left ventricular volume measurements in a dynamic cardiac phantom using ECG-gated MDCT | |
| Perperidis | Spatio-temporal registration and modelling of the heart using cardiovascular MR imaging | |
| JP7298018B2 (en) | Gating medical image data | |
| Müller et al. | Catheter artifact reduction (CAR) in dynamic cardiac chamber imaging with interventional C-arm CT | |
| Manohar et al. | Prediction of CRT Response Using a Lead Placement Score Derived from 4DCT | |
| Müller | 3-D Imaging of the Heart Chambers with C-arm CT | |
| Lakshmi | Anatomical photo representations for cardiac imaging training | |
| KR20230033125A (en) | Heart failure diagnosis method by measuring ventricular ejection fraction | |
| CN117731312A (en) | Medical image scanning method and system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |