KR20210102100A - 칼슘 스코어를 예측하는 방법 - Google Patents

칼슘 스코어를 예측하는 방법 Download PDF

Info

Publication number
KR20210102100A
KR20210102100A KR1020210019182A KR20210019182A KR20210102100A KR 20210102100 A KR20210102100 A KR 20210102100A KR 1020210019182 A KR1020210019182 A KR 1020210019182A KR 20210019182 A KR20210019182 A KR 20210019182A KR 20210102100 A KR20210102100 A KR 20210102100A
Authority
KR
South Korea
Prior art keywords
ray image
region
calcium score
calcium
image
Prior art date
Application number
KR1020210019182A
Other languages
English (en)
Inventor
권준명
Original Assignee
주식회사 바디프랜드
주식회사 메디컬에이아이
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 바디프랜드, 주식회사 메디컬에이아이 filed Critical 주식회사 바디프랜드
Publication of KR20210102100A publication Critical patent/KR20210102100A/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/503—Clinical applications involving diagnosis of heart
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5294—Devices using data or image processing specially adapted for radiation diagnosis involving using additional data, e.g. patient information, image labeling, acquisition parameters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G06N3/0427—
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Optics & Photonics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

본 개시는 칼슘 스코어를 예측하는 방법에 관한 것으로, 본 개시의 일 실시예에 따른 칼슘 스코어 예측 방법은 객체에 대한 엑스선 이미지(X-ray image), 상기 엑스선 이미지의 촬영 시점 및 상기 객체의 식별 정보를 획득하는 단계와, 상기 촬영 시점 및 상기 식별 정보에 기초하여 복수의 객체들의 칼슘 스코어들 중에서 어느 하나의 칼슘 스코어를 상기 객체의 칼슘 스코어(coronary artery calcium score; CACS)로 획득하는 단계와, 상기 엑스선 이미지 및 상기 객체의 칼슘 스코어를 매칭하여 학습 데이터 셋을 생성하는 단계와, 상기 학습 데이터 셋에 기초하여 칼슘 스코어를 예측하는 예측 모델을 학습하는 단계를 포함할 수 있다.

Description

칼슘 스코어를 예측하는 방법{METHOD FOR PREDICTING CORONARY ARTERY CALCIUM SCORE}
본 발명은 칼슘 스코어를 예측하는 방법에 관한 것이다.
칼슘 스코어(Coronary Artery Calcium Score; CACS)는 관상 동맥(Coronary Artery)의 석회화 지수로, 관상 동맥에 침착된 칼슘의 양을 측정해 수치화한 지수를 의미한다. 관상 동맥은 심장 근육에 산소와 영양분을 공급하는 동맥 혈관으로, 관상 동맥의 내벽에 노폐물이나 칼슘이 쌓여 딱딱해지는 석회화 현상이 발생하는 경우, 혈류의 흐름이 원활하지 않아 심장 근육에 산소와 영양분을 제대로 공급하지 못하여 심장 동맥병, 심근경색, 협심증, 허혈성 심장질환 등 다양한 심혈관 질환의 원인이 될 수 있으므로, 칼슘 스코어는 심혈관 질환의 예측 인자로서 이용되고 있다.
일반적으로, 칼슘 스코어는 환자의 심장 영역에 대하여 촬영한 CT 이미지(또는 CT 영상, computerized tomography(CT) image)를 분석하여 획득되는데, CT 촬영의 경우 환자의 방사선 피폭량이 많고, 조영제를 사용하여 알레르기 반응이나 신장 독성이 나타나는 등의 문제점이 있었다.
본 발명은 객체에 대한 엑스선 이미지(또는 엑스선 영상, 엑스레이 이미지, 엑스선 이미지, X-ray image)에 기초하여 객체의 칼슘 스코어를 예측하는 칼슘 스코어 예측 모델을 제공하고자 한다.
또한, 본 발명은 객체에 대한 엑스선 이미지에 기초하여 객체의 질환(또는 심혈관 질환)을 예측하는 심혈관 질환 예측 모델을 제공하고자 한다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 기술적 과제를 달성하기 위한 본 개시의 일 실시예에 따른 칼슘 스코어 예측 방법은 객체에 대한 엑스선 이미지(X-ray image), 상기 엑스선 이미지의 촬영 시점 및 상기 객체의 식별 정보를 획득하는 단계와, 상기 촬영 시점 및 상기 식별 정보에 기초하여 복수의 객체들의 칼슘 스코어들 중에서 어느 하나의 칼슘 스코어를 상기 객체의 칼슘 스코어(coronary artery calcium score; CACS)로 획득하는 단계와, 상기 엑스선 이미지 및 상기 객체의 칼슘 스코어를 매칭하여 학습 데이터 셋을 생성하는 단계와, 상기 학습 데이터 셋에 기초하여 칼슘 스코어를 예측하는 예측 모델을 학습하는 단계를 포함할 수 있다.
본 발명의 또 다른 일실시예에 따른 엑스선 이미지를 활용한 딥러닝 기반의 칼슘 스코어 또는 심혈관 질환 예측 프로그램은, 하드웨어와 결합되어 상기 언급된 칼슘 스코어 또는 심혈관 질환 예측 방법을 실행하며, 매체에 저장된다.
상기 본 발명에 의하면, 객체에 대한 CT 이미지가 아닌 객체에 대한 적외선 이미지를 통해 객체의 칼슘 스코어 및 질환 중에서 적어도 하나를 예측하기에, 객체에 대한 CT 이미지를 분석하는 시간 및 CT 이미지를 통해 적어도 하나를 예측하는 예측 시간을 단축 시키고, 예측시 사용되는 예측 비용을 절감할 수 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 질환 예측 시스템을 나타낸다.
도 2는 본 발명의 일 실시예에 따른 질환 예측 장치를 설명하기 위한 블록도를 나타낸다.
도 3은 본 발명의 일 실시예에 따른 프로세서의 학습 동작을 설명하기 위한 일 예를 나타낸다.
도 4는 도 3에 도시된 프로세서의 학습 데이터 셋 생성 동작을 설명하기 위한 순서도를 나타낸다.
도 5a는 도 4에 도시된 프로세서의 밝기값 결정 동작을 설명하기 위한 일 예를 나타낸다.
도 5b는 도 4에 도시된 프로세서의 밝기값 결정 동작을 설명하기 위한 다른 예를 나타낸다.
도 6은 본 개시의 일 실시예를 통해 프로세서의 칼슘 스코어 예측 동작을 설명하기 위한 일 예를 나타낸다.
도 7은 본 발명의 일 실시예에 따른 프로세서의 학습 동작을 설명하기 위한 다른 예를 나타낸다.
도 8은 본 개시의 일 실시예를 통해 프로세서의 질환 예측 동작을 설명하기 위한 일 예를 나타낸다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 질환 예측 시스템을 나타낸다.
질환 예측 시스템(10)은 정보 제공 장치(100), 이미지 제공 장치(300) 및 질환 예측 장치(500)를 포함한다.
정보 제공 장치(100)는 객체에 대한 복수의 엑스선 이미지들, 복수의 엑스선 이미지들 각각의 촬영 시점, 객체에 대한 복수의 CT 이미지들, 복수의 CT 이미지들 각각의 촬영 시점 및 객체의 식별 정보를 정보 제공 장치(100)의 데이터 베이스(data base; DB)에 저장할 수 있다. 이때, 객체는 건강 검진을 수행한 객체(또는 기존 환자)일 수 있다. 객체의 식별 정보는 각 객체의 이름 및/또는 ID(identification) 등 각 객체를 식별할 수 있는 다양한 정보일 수 있다.
예를 들어, 정보 제공 장치(100)는 각 엑스선 이미지, 각 엑스선 이미지의 촬영 시점 및 객체에 대한 식별 정보를 매칭하여 데이터 베이스에 저장할 수 있다. 각 엑스선 이미지는 객체의 흉부에 대한 흉부 엑스선 이미지일 수 있다. 각 엑스선 이미지의 촬영 시점은 각 엑스선 이미지를 생성하기 위해서 객체의 흉부를 촬영한 시점일 수 있다. 엑스선 이미지들의 촬영 시점들은 서로 상이한 시점으로 서로 상이한 날짜일 수 있다.
정보 제공 장치(100)는 각 CT 이미지, 각 CT 이미지의 촬영 시점, 객체에 대한 식별 정보를 매칭하여 데이터 베이스에 저장할 수 있다. 각 CT 이미지는 객체의 흉부에 대한 흉부 CT 이미지일 수 있다. 각 CT 이미지의 촬영 시점은 각 CT 이미지를 생성하기 위해서 객체의 흉부를 촬영한 시점일 수 있다. CT 이미지들의 촬영 시점들은 서로 상이한 시점으로 서로 상이한 날짜일 수 있다.
정보 제공 장치(100)에 저장된 복수의 CT 이미지들 각각은 복수의 엑스선 이미지들 중에서 어느 하나의 엑스선 이미지의 촬영 시점과 동일하거나 유사한 시점에 촬영되어 생성된 CT 이미지일 수 있다. 유사한 시점은 어느 하나의 엑스선 이미지의 촬영 시점과 동일한 날짜일 수 있다.
또한, 정보 제공 장치(100)는 각 CT 이미지의 칼슘 스코어를 데이터 베이스에 저장할 수 있다. 이때, 각 CT 이미지의 칼슘 스코어는 각 CT 이미지에 대응하는 칼슘 스코어로 각 CT 이미지를 분석하여 산출된 칼슘 스코어일 수 있다. 각 CT 이미지의 칼슘 스코어는 각 CT 이미지의 촬영 시점(또는 각 CT 이미지에 대응하는 엑스선 이미지의 촬영 시점)과 동일하거나 유사한 시점에 객체의 심혈관(예를 들어, 관상 동맥)에 침착된 칼슘의 양을 나타낼 수 있다.
예를 들어, 정보 제공 장치(100)는 각 CT 이미지의 전체 영역 중에서 객체의 관상 동맥에 대응하는 관상 동맥 영역의 밝기값에 기초하여 각 CT 이미지를 분석할 수 있다. 정보 제공 장치(100)는 분석 결과에 기초하여 각 CT 이미지에 대응하는 칼슘 스코어를 산출할 수 있다.
정보 제공 장치(100)는 각 CT 이미지 및 각 CT 이미지의 칼슘 스코어를 매칭하여 데이터 베이스에 저장할 수 있다. 다시 말하자면, 각 CT 이미지, 각 CT 이미지의 촬영 시점, 각 CT 이미지의 칼슘 스코어 및 객체의 식별 정보는 서로 매칭되어 데이터 베이스에 저장될 수 있다.
또한, 정보 제공 장치(100)는 기준 칼슘 스코어들을 데이터 베이스에 저장할 수 있다. 이때, 기준 칼슘 스코어들은 관상 동맥에 침착 가능한 칼슘이 양으로 다양하게 기 설정될 수 있다. 예를 들어, 기준 칼슘 스코어들은 복수의 객체들에 대한 CT 이미지들을 분석하여 산출된 칼슘 스코어들일 수 있다.
정보 제공 장치(100)는 각 기준 칼슘 스코어 및 각 기준 칼슘 스코어를 분석하여 진단된 질환 정보를 매칭하여 데이터 베이스에 저장할 수 있다.
예를 들어, 사람(예를 들어, 의사) 및/또는 질환 진단 장치는 각 기준 칼슘 스코어를 분석하여 관상 동맥에 각 기준 칼슘 스코어에 대응하는 칼슘이 침착된 임의의 객체가 보유하거나(또는 보유하고) 임의의 객체에 발병될 질환을 진단할 수 있다. 따라서, 각 질환 정보는 각 기준 칼슘 스코어에 기초하여 진단된 질환에 대한 정보일 수 있다. 예를 들어, 각 질환 정보는 각 기준 칼슘 스코어의 높고 낮음에 따라 상이하게 결정될 수 있다.
다시 말하자면, 각 질환 정보는 매칭된 기준 칼슘 스코어에 따라 임의의 객체가 보유하거나 임의의 객체에 발병될 질환에 대한 정보일 수 있다. 예를 들어, 각 질환 정보는 임의의 객체가 질환을 보유하고 있는지 여부에 대한 정보, 임의의 객체가 보유한 질환에 대한 정보 및 임의의 객체에 질환이 발병될 확률에 대한 정보 중에서 적어도 하나의 정보를 포함할 수 있다. 임의의 객체가 보유한 질환에 대한 정보는 질환의 명칭 및/또는 질환의 경중도 등 다양할 수 있다. 임의의 객체에 발병될 질환에 대한 정보는 발병될 질환의 명칭 및/또는 질환이 발병될 확률 등 다양할 수 있다. 질환은 칼슘 스코어와 관련도가 높은 심혈관 질환으로 협심증, 심근경색증과 같은 관상동맥 질환, 판막질환, 심부전증, 심낭 질환, 고혈압, 동맥경화증 및/또는 심근증 등 다양한 심혈관 질환일 수 있다.
정보 제공 장치(100)는 데이터 베이스에 저장된 이미지(예를 들어, 엑스선 이미지 및 CT 이미지) 및 정보(예를 들어, 식별 정보, 촬영 시점, 칼슘 스코어 및 질환 정보)를 질환 예측 장치(500)에 제공할 수 있다.
상술한 객체는 복수의 객체들일 수 있다. 이에, 정보 제공 장치(100)는 복수의 객체들 각각에 대한 엑스선 이미지들, 각 엑스선 이미지의 촬영 시점, 복수의 객체들 각각에 대한 CT 이미지들, 각 CT 이미지의 촬영 시점, 각 CT 이미지의 칼슘 스코어를 데이터 베이스에 저장할 수 있다.
이미지 제공 장치(300)는 타겟 객체에 대한 타겟 엑스선 이미지를 생성하여 타겟 엑스선 이미지 및 타겟 엑스선 이미지의 촬영 시점을 질환 예측 장치(500)에 제공할 수 있다. 이때, 타겟 객체는 칼슘 스코어 및 질환 중에서 적어도 하나를 예측하기 위한 대상(또는 신규 환자)으로 단일의 객체일 수 있다. 타겟 객체는 복수의 객체들 중에서 어느 하나의 객체이거나 복수의 객체들과 상이한 객체일 수 있다. 타겟 엑스선 이미지는 타겟 객체의 흉부에 대한 엑스선 이미지로 흉부 엑스선 이미지일 수 있다. 타겟 엑스선 이미지의 촬영 시점은 타겟 엑스선 이미지를 생성하기 위해서 타겟 객체의 흉부를 촬영한 시점일 수 있다.
질환 예측 장치(500)는 정보 제공 장치(100)로부터 획득된 엑스선 이미지, 칼슘 스코어 및 질환 정보 중에서 적어도 하나에 기초하여 질환 예측 장치(500)의 예측 모델을 학습할 수 있다. 이때, 질환 예측 장치(500)는 각 엑스선 이미지, 각 엑스선 이미지에 대응하는 칼슘 스코어, 각 엑스선 이미지에 대응하는 질환 정보 중에서 적어도 하나를 이용하여 예측 모델을 반복 학습할 수 있다.
질환 예측 장치(500)는 타겟 엑스선 이미지와 학습된 예측 모델에 기초하여 타겟 객체의 칼슘 스코어 및 질환 중에서 적어도 하나를 예측(또는 진단)할 수 있다.
이에, 질환 예측 장치(500)는 타겟 객체에 대한 CT 이미지(또는 타겟 객체의 흉부에 대한 CT 이미지)를 분석하지 않고, 타겟 객체의 칼슘 스코어 및 질환 중에서 적어도 하나를 예측할 수 있다.
이를 통해, 질환 예측 장치(500)는 칼슘 스코어 및 질환 중에서 적어도 하나 예측시 CT 이미지를 촬영 및 생성하는 시간, CT 이미지를 분석하는 시간, CT 이미지를 통해 적어도 하나를 예측하는 시간인 예측 시간을 단축시키고, 예측시 사용되는 예측 비용을 절감시킬 수 있다.
또한, 질환 예측 장치(500)는 타겟 객체의 흉부에 대한 엑스선 이미지만으로 타겟 객체 및/또는 타겟 객체를 관리하는 관리자가 타겟 객체의 심혈관을 건강하게 관리하게 하여 심혈관 건강 관리의 접근성 및 편의성을 높이고, 심혈관 건강 관리 비용을 절감하게 할 수 있다.
상술한 바와 같이 칼슘 스코어 산출 동작 및 질환 정보 결정 동작은 정보 제공 장치(100)에 의해 수행되지만, 이에 한정되지 않는다. 예를 들어, 질환 예측 장치(500)는 정보 제공 장치(100)의 데이터 베이스를 이용하여 칼슘 스코어 산출 동작 및 질환 정보 결정 동작을 수행할 수 있다.
이하에서는 질환 예측 장치(500)의 학습 동작 및 예측 동작에 대해 상세하게 설명하도록 한다.
도 2는 본 발명의 일 실시예에 따른 질환 예측 장치를 설명하기 위한 블록도를 나타낸다.
질환 예측 장치(500)는 전자 장치로 구현될 수 있다. 예를 들어, 전자 장치는 PC(personal computer), 서버, 모듈, 또는 휴대용 전자 장치(또는 개인용 전자 장치, 사용자 장치) 등 다양한 장치일 수 있다. 휴대용 전자 장치는 랩탑(laptop) 컴퓨터, 이동 전화기, 스마트 폰(smart phone), 태블릿(tablet) PC, 모바일 인터넷 디바이스(mobile internet device(MID)), PDA(personal digital assistant), EDA(enterprise digital assistant), 디지털 스틸 카메라(digital still camera), 디지털 비디오 카메라(digital video camera), PMP(portable multimedia player), PND(personal navigation device 또는 portable navigation device), 휴대용 게임 콘솔(handheld game console), e-북(e-book), 스마트 디바이스(smart device)으로 구현될 수 있다. 이때, 스마트 디바이스는 스마트 워치(smart watch) 또는 스마트 밴드(smart band)로 구현될 수 있다. 바람 직한 예로, 질환 예측 장치(300)는 서버로 구현될 수 있다.
질환 예측 장치(500)는 메모리(510) 및 프로세서(530)를 포함할 수 있다.
메모리(510)는 프로세서(530)에 의해 실행가능한 인스트럭션들(또는 프로그램)을 저장할 수 있다. 예를 들어, 인스트럭션들은 질환 예측 장치(500)의 동작 및/또는 질환 예측 장치(500)의 각 구성의 동작을 실행하기 위한 인스트럭션들을 포함할 수 있다.
프로세서(530)는 메모리(510)에 저장된 데이터를 처리할 수 있다. 프로세서(530)는 메모리(510)에 저장된 컴퓨터로 읽을 수 있는 코드(예를 들어, 소프트웨어) 및 프로세서에 의해 유발된 인스트럭션(instruction)들을 실행할 수 있다. 프로세서(530)는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 데이터 처리 장치일 수 있다. 예를 들어, 목적하는 동작들은 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다. 예를 들어, 하드웨어로 구현된 데이터 처리 장치는 마이크로프로세서(microprocessor), 중앙 처리 장치(central processing unit), 프로세서 코어(processor core), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array)를 포함할 수 있다.
프로세서(530)는 각 객체에 대한 엑스선 이미지(X-ray image)들 각각에 기초하여 예측 모델을 반복 학습할 수 있다. 이하에서는 설명의 편의를 위해서, 프로세서(530)가 단일의 엑스선 이미지에 기초하여 예측 모델을 학습하는 동작을 설명하도록 한다. 후술되는 동작은 각 객체 및 각 엑스선 이미지에 기초하여 예측 모델을 반복 학습하는 동작에 적용될 수 있다.
도 3은 본 발명의 일 실시예에 따른 프로세서의 학습 동작을 설명하기 위한 일 예를 나타내고, 도 4는 도 3에 도시된 프로세서의 학습 데이터 셋 생성 동작을 설명하기 위한 순서도를 나타낸다.
프로세서(530)는 엑스선 이미지에 기초하여 칼슘 스코어를 예측하는 예측 모델을 학습할 수 있다.
도 3을 참조하면, 프로세서(530)는 정보 제공 장치(100)를 통해 객체에 대한 엑스선 이미지(X-ray image), 엑스선 이미지의 촬영 시점 및 객체의 식별 정보를 획득할 수 있다(S310). 이때, 객체는 복수의 객체들 중에서 어느 하나의 객체일 수 있다. 엑스선 이미지는 어느 하나의 객체에 대한 복수의 엑스선 이미지들 중에서 어느 하나의 엑스선 이미지일 수 있다. 어느 하나의 엑스선 이미지는 어느 하나의 객체의 흉부에 대한 흉부 엑스선 이미지일 수 있다. 엑스선 이미지의 촬영 시점은 어느 하나의 엑스선 이미지를 생성하기 위해서 어느 하나의 객체의 흉부를 촬영한 시점일 수 있다.
프로세서(530)는 엑스선 이미지의 촬영 시점 및 객체의 식별 정보에 기초하여 예측 모델을 학습할 수 있다(S330). 이때, 예측 모델은 엑스선 이미지를 통해 칼슘 스코어를 예측하는 칼슘 스코어 예측 모델일 수 있다.
프로세서(530)는 엑스선 이미지의 촬영 시점 및 객체의 식별 정보에 기초하여 정보 제공 장치(100)에 저장된 복수의 객체들의 칼슘 스코어들 중에서 어느 하나의 칼슘 스코어를 객체의 칼슘 스코어로 획득할 수 있다(S331). 이때, 칼슘 스코어들 각각은 각 객체에 대한 CT 이미지들 각각을 분석하여 산출된 칼슘 스코어일 수 있다. 어느 하나의 칼슘 스코어는 복수의 객체들의 칼슘 스코어들 중에서 객체에 대한 엑스선 이미지의 촬영 시점 및 객체의 식별 정보에 대응하는 칼슘 스코어일 수 있다. 객체의 칼슘 스코어는 엑스선 이미지의 촬영 시점과 동일하거나 유사한 시점에 객체의 심혈관(예를 들어, 관상 동맥)에 침착된 칼슘의 양을 나타낼 수 있다. 유사한 시점은 촬영 시점과 동일한 날짜(또는 동일자)일 수 있다.
예를 들어, 프로세서(530)는 복수의 객체들의 식별 정보들 및 복수의 객체들에 대한 CT 이미지들의 촬영 시점에 기초하여 복수의 객체들에 대한 CT 이미지들 중에서 객체에 대한 엑스선 이미지의 촬영 시점 및 객체의 식별 정보에 대응하는 어느 하나의 CT 이미지를 획득할 수 있다. 이때, CT 이미지들은 복수의 객체들의 흉부에 대한 흉부 CT 이미지일 수 있다. CT 이미지들의 촬영 시점들 각각은 각 CT 이미지를 생성하기 위해서 각 객체의 흉부를 촬영한 시점일 수 있다.
구체적으로, 프로세서(503)는 복수의 객체들의 식별 정보들에 기초하여 복수의 객체들에 대한 CT 이미지들 중에서 객체의 식별 정보에 대응하는 CT 이미지들을 객체에 대한 CT 이미지들로 획득할 수 있다.
프로세서(530)는 객체에 대한 CT 이미지들의 촬영 시점들에 기초하여 객체에 대한 CT 이미지들 중에서 엑스선 이미지의 촬영 시점에 대응하는 어느 하나의 CT 이미지를 획득할 수 있다. 어느 하나의 CT 이미지의 촬영 시점은 엑스선 이미지의 촬영 시점과 동일하거나 유사한 시점일 수 있다.
프로세서(530)는 어느 하나의 CT 이미지의 칼슘 스코어를 객체의 칼슘 스코어로 결정할 수 있다. 어느 하나의 CT 이미지의 칼슘 스코어는 어느 하나의 CT 이미지에 기초하여 산출된 칼슘 스코어일 수 있다. 어느 하나의 CT 이미지의 칼슘 스코어는 어느 하나의 CT 이미지의 촬영 시점과 동일하거나 유사한 시점에 객체의 심혈관(또는 관상 동맥)에 침착된 칼슘의 양을 나타낼 수 있다.
프로세서(530)는 엑스선 이미지 및 객체의 칼슘 스코어를 매칭하여 학습 데이터 셋을 생성할 수 있다(S333).
예를 들어, 프로세서(530)는 엑스선 이미지의 전체 영역 중에서 객체의 심장에 대응하는 심장 영역의 밝기값, 및 심장 영역 중에서 심장의 관상 동맥에 대응하는 관상 동맥 영역의 밝기값 중에서 어느 하나의 밝기값을 객체에 대한 엑스선 이미지의 특징값으로 결정할 수 있다.
전체 영역 중에서 심장 영역 및 관상 동맥 영역 중에서 적어도 하나의 영역의 밝기값은 객체의 관상 동맥에 침착된 칼슘의 침착 정도에 따라 상이할 수 있다. 따라서, 프로세서(530)는 심장 영역의 밝기값 및 관상 동맥 영역의 밝기값 중에서 어느 하나의 밝기값을 객체에 대한 엑스선 이미지의 특징값으로 결정할 수 있다.
도 4를 참조하면, 프로세서(530)는 엑스선 이미지의 전체 영역 중에서 객체의 심장에 대응하는 심장 영역의 밝기값, 및 심장 영역 중에서 심장의 관상 동맥에 대응하는 관상 동맥 영역의 밝기값을 결정할 수 있다(S333a).
프로세서(530)는 심장 영역의 밝기값 및 관상 동맥 영역의 밝기값 중에서 어느 하나의 밝기값을 객체에 대한 엑스선 이미지의 특징값(feature)으로 결정할 수 있다(S333b).
프로세서(530)는 객체에 대한 엑스선 이미지, 객체에 대한 엑스선 이미지의 특징값 및 객체의 칼슘 스코어를 매칭하여 학습 데이터 셋을 생성할 수 있다(S333c).
다시 도 3을 참조하면, 마지막으로, 프로세서(530)는 학습 데이터 셋에 기초하여 예측 모델을 학습할 수 있다(S335). 이때, 예측 모델은 칼슘 스코어를 예측하는 딥러닝 알고리즘으로 모델링(또는 구축)될 수 있지만, 이에 한정되지 않는다. 예를 들어, 예측 모델은 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine), 머신 러닝 기법 및/또는 신경망 등 다양한 기법을 통해 모델링될 수 있다.
또한, 예측 모델은 RNN(recurrent neural network)을 통해 모델링(또는 구축)될 수 있다. 또한, 예측 모델은 MLP(multilayer Perceptron), CNN(Convolutional Neural Network) 등을 통해 모델링(또는 구축)될 수 있다.
또한, 본 개시의 일 실시예에서 이벤트의 길이가 길어짐에 따라 발생할 수 있는 장기 기억 문제(long range dependency vanishing gradient)에 의한 성능 하락을 방지할 수 있도록 LSTM(long short-term memory)이 적용될 수 있다. 또한, 본 개시의 일 실시예에서 예측 모델의 최적화 기법으로 확률적 경사하강법(SGD), 모멘텀(Momentum), Adam, AdaGrad, RMSprop 등을 사용할 수 있다. 또한, 학습 데이터 D를 한 번만 학습할 수도 있으면 여러 번 반복적인 에폭(epoch)을 통하여 오차함수를 최소화시킨 파라미터들을 구할 수도 있으며, 충분한 최적화가 이루어졌는지 검사한 후에 학습 단계를 마칠지 여부를 결정할 수 있다.
RNN은 일반적인 피드포워드 신경망과 달리 히든 레이어의 출력이 다시 같은 히든 레이어의 입력이 될 수 있다. RNN은 현재 입력된 입력 데이터와 과거에 입력 받았던 데이터를 동시에 고려하여 연산하며, 피드백 구조를 가짐으로써 기억 능력을 가지는 신경망이다. 따라서, RNN은 데이터에서 이전 데이터의 의미에 따라 현재 데이터를 해석할 수 있도록 훈련될 수 있다. RNN 중 하나인 LSTM은 장기 기억 네트워크(long short term memory network)라고도 불리며 장기 의존성을 학습할 수 있다. 본 개시의 일 실시예에서 예측 모델은 RNN 중 하나인 LSTM 뿐 아니라, 심 게이트 순환 신경망(depth gated RNN), 시계 장치 순환 신경망(clockwork RNN) 등과 같이 데이터를 처리할 수 있는 임의의 신경망을 통해 모델링(또는 구축)될 수 있다.
도 5a는 도 4에 도시된 프로세서의 밝기값 결정 동작을 설명하기 위한 일 예를 나타낸다.
프로세서(530)는 객체에 대한 엑스선 이미지의 심장 영역의 밝기값을 결정할 수 있다.
예를 들어, 프로세서(530) 엑스선 이미지의 전체 영역 중에서 심장 영역에 대응하지 않는 영역, 및 심장 영역 중에서 어느 하나의 영역을 관심 영역(Region of Interest; ROI)으로 결정할 수 있다(S333a-1). 이때, 심장 영역에 대응하지 않는 영역은 전체 영역 중에서 심장을 제외한 장기(예를 들어, 폐, 기도, 기관지 등) 및 골절편(예를 들어, 갈비뼈)에 대응하는 영역일 수 있다.
프로세서(530)는 관심 영역에 기초하여 엑스선 이미지를 전처리함으로써, 엑스선 이미지에서 심장 영역에 대응하는 심장 엑스선 이미지를 추출할 수 있다(S333a-2). 다시 말하자면, 전처리된 엑스선 이미지인 심장 엑스선 이미지는 객체에 대한 엑스선 이미지의 심장 영역만으로 가공된 엑스선 이미지일 수 있다.
관심 영역이 심장 영역인 경우, 프로세서(530)는 엑스선 이미지에서 심장 영역에 대응하는 이미지를 추출할 수 있다. 프로세서(530)는 추출된 이미지를 심장 엑스선 이미지로 결정할 수 있다.
관심 영역이 심장 영역에 대응하지 않는 영역인 경우, 프로세서(530)는 엑스선 이미지에서 심장 영역에 대응하지 않는 영역에 대응하는 이미지를 제거할 수 있다. 이때, 프로세서(530)는 심장 영역에 대응하지 않는 영역을 한번에 모두 제거할 수 있지만, 이에 한정되지 않는다. 예를 들어, 프로세서(530)는 전체 영역 중에서 심장 영역을 제외한 장기(예를 들어, 폐, 기도, 기관지 등) 및 골절편(예를 들어, 갈비뼈) 영역을 각각 관심 영역으로 설정하고, 이를 순차적으로 추출하여 제거할 수 있다. 프로세서(530)는 엑스선 이미지에서 심장 영역에 대응하지 않는 영역이 제외된 이미지를 심장 엑스선 이미지로 결정할 수 있다.
프로세서(530)는 심장 엑스선 이미지의 밝기값을 심장 영역의 밝기값으로 결정할 수 있다(S333a-3). 예를 들어, 프로세서(530)는 심장 엑스선 이미지에 포함된 픽셀들 각각의 밝기값을 획득하여 획득된 밝기값들의 평균값을 심장 영역의 밝기값으로 결정할 수 있다. 다시 말하자면, 심장 영역의 밝기값은 심장 엑스선 이미지에 포함된 픽셀들에 대한 평균 밝기값일 수 있다.
도 5b는 도 4에 도시된 프로세서의 밝기값 결정 동작을 설명하기 위한 다른 예를 나타낸다.
프로세서(530)는 관상 동맥 영역의 밝기값을 결정할 수 있다. 이때, 프로세서(530)는 도 5a에 설명한 바와 같이 S333a-1 및 S333a-2 단계를 수행한 뒤, S333a-3 단계를 수행하지 않고, 관상 동맥 영역의 밝기값을 결정하는 동작을 수행할 수 있다.
예를 들어, 프로세서(530)는 심장 영역 중에서 관상 동맥 영역에 대응하지 않는 영역, 및 관상 동맥 영역 중에서 어느 하나의 영역을 관심 영역으로 재결정할 수 있다(S333a-4). 이때, 관상 동맥 영역에 대응하지 않는 영역은 심장 영역 중에서 관상 동맥을 제외한 심장 부위에 대응하는 영역일 수 있다.
프로세서(530)는 재결정된 관심 영역에 기초하여 심장 엑스선 이미지를 전처리함으로써, 심장 엑스선 이미지에서 관상 동맥 영역에 대응하는 관상 동맥 엑스선 이미지를 추출할 수 있다(S333a-5). 다시 말하자면, 전처리된 심장 엑스선 이미지인 관상 동맥 엑스선 이미지는 심장 엑스선 이미지의 관상 동맥 영역만으로 가공된 엑스선 이미지일 수 있다.
관심 영역이 관상 동맥 영역인 경우, 프로세서(530)는 심장 엑스선 이미지에서 관상 동맥 영역에 대응하는 이미지를 추출할 수 있다. 프로세서(530)는 추출된 이미지를 관상 동맥 엑스선 이미지로 결정할 수 있다.
관심 영역이 관상 동맥 영역에 대응하지 않는 영역인 경우, 프로세서(530)는 심장 엑스선 이미지에서 관상 동맥 영역에 대응하지 않는 영역에 대응하는 이미지를 제거할 수 있다. 이때, 프로세서(530)는 관상 동맥 영역에 대응하지 않는 영역을 한번에 모두 제거할 수 있지만, 이에 한정되지 않는다. 예를 들어, 프로세서(530)는 심장 영역 중에서 관상 동맥 영역에 대응하지 않는 영역들을 각각 관심 영역으로 설정하고, 이를 순차적으로 추출하여 제거할 수 있다. 프로세서(530)는 심장 엑스선 이미지에서 관상 동맥 영역에 대응하지 않는 영역이 제외된 이미지를 관상 동맥 엑스선 이미지로 결정할 수 있다.
프로세서(530)는 관상 동맥 엑스선 이미지의 밝기값을 관상 동맥 영역의 밝기값으로 결정할 수 있다. 예를 들어, 프로세서(530)는 관상 동맥 엑스선 이미지에 포함된 픽셀들 각각의 밝기값을 획득하여 획득된 밝기값들의 평균값을 관상 동맥 영역의 밝기값으로 결정할 수 있다. 다시 말하자면, 관상 동맥 영역의 밝기값은 관상 동맥 엑스선 이미지에 포함된 픽셀들에 대한 평균 밝기값일 수 있다.
도 5a 및 도 5b에서 설명한 바와 같이 프로세서(530)가 전처리 과정을 수행하지만, 이에 한정되지 않는다. 예를 들어, 정보 제공 장치(100)는 프로세서(530)의 전치라 과정을 수행하여 객체에 대한 엑스선 이미지, 심장 엑스선 이미지 관상 동맥 엑스선 이미지 중에서 적어도 하나의 엑스선 이미지를 프로세서(530)에 제공할 수 있다.
도 6은 본 개시의 일 실시예를 통해 프로세서의 칼슘 스코어 예측 동작을 설명하기 위한 일 예를 나타낸다.
프로세서(530)는 타겟 객체에 대한 타겟 엑스선 이미지를 학습된 예측 모델에 입력하여 타겟 객체의 칼슘 스코어를 예측(또는 진단)할 수 있다. 이때, 학습된 예측 모델은 칼슘 스코어 예측 모델일 수 있다.
예를 들어, 프로세서(530)는 타겟 객체에 대한 타겟 엑스선 이미지를 획득할 수 있다(S610). 이때, 타겟 엑스선 이미지는 타겟 객체의 흉부에 대한 흉부 엑스선 이미지로 타겟 엑스선 이미지의 촬영 시점에 타겟 객체의 흉부를 촬영하여 생성한 흉부 엑스선 이미지일 수 있다. 타겟 엑스선 이미지의 촬영 시점은 타겟 엑스선 이미지를 생성하기 위해서 타겟 객체의 흉부를 촬영한 시점일 수 있다.
프로세서(530)는 타겟 엑스선 이미지를 학습된 예측 모델에 입력하여(S630) 타겟 객체의 칼슘 스코어를 예측할 수 있다(S650). 이때, 타겟 객체의 칼슘 스코어는 학습된 예측 모델이 타겟 엑스선 이미지로부터 추정한 칼슘 스코어일 수 있다. 타겟 객체의 칼슘 스코어는 타겟 엑스선 이미지의 촬영 시점과 동일하거나 유사한 시점에 타겟 객체의 심혈관(또는 관상 동맥)에 침착된 칼슘의 양을 나타낼 수 있다.
예를 들어, 프로세서(530)는 타겟 엑스선 이미지를 전처리하여 타겟 엑스선 이미지의 심장 영역 및 관상 동맥 영역 중에서 적어도 하나의 영역을 추출할 수 있다.
프로세서(530)는 적어도 하나의 영역의 밝기값을 결정할 수 있다. 밝기값 결정 동작은 상술한 바와 동일할 수 있다.
프로세서(530)는 타겟 엑스선 이미지 및 적어도 하나의 밝기값을 학습된 예측 모델에 입력하여 타겟 객체의 칼슘 스코어를 예측할 수 있다.
상술한 바와 같이 프로세서(530)는 타겟 엑스선 이미지와 적어도 하나의 밝기값을 학습된 예측 모델에 입력하지만, 이에 한정되지 않는다. 예를 들어, 프로세서(530)는 타겟 엑스선 이미지를 학습된 예측 모델에 입력할 수 있다. 프로세서(530)는 학습된 예측 모델이 타겟 엑스선 이미지를 분석하여 적어도 하나의 밝기값을 결정하게 한 뒤, 적어도 하나의 밝기값에 기초하여 타겟 객체의 칼슘 스코어를 예측하게 할 수 있다.
도 7은 본 발명의 일 실시예에 따른 프로세서의 학습 동작을 설명하기 위한 다른 예를 나타낸다.
프로세서(530)는 엑스선 이미지에 기초하여 질환을 예측하는 예측 모델을 학습할 수 있다.
예를 들어, 프로세서(530)는 도 3에 도시된 바와 같이 S310단계 및 S310단계와 동일한 S710단계 및 S731단계를 수행할 수 있다. S710단계는 S310단계와 동일하고, S731단계는 S331단계와 동일하기에 상세한 설명은 생략하도록 한다.
프로세서(530)는 S333단계를 수행하지 않고, S733단계를 수행할 수 있다.
프로세서(530)는 객체의 칼슘 스코어에 기초하여 객체의 질환 정보를 획득할 수 있다(S733).
예를 들어, 프로세서(530)는 정보 제공 장치(100)에 저장된 기준 칼슘 스코어들 중에서 객체의 칼슘 스코어에 대응하는 기준 칼슘 스코어를 획득할 수 있다. 이때, 기준 칼슘 스코어들은 관상 동맥에 침착 가능한 칼슘이 양으로 다양하게 기 설정될 수 있다. 예를 들어, 기준 칼슘 스코어들은 복수의 객체들에 대한 CT 이미지들을 분석하여 산출된 칼슘 스코어들일 수 있다. 객체의 칼슘 스코어와 객체의 칼슘 스코어에 대응하는 기준 칼슘 스코어는 서로 동일한 칼슘 스코어일 수 있다.
프로세서(530)는 획득된 기준 칼슘 스코어에 매칭된 질환 정보를 객체의 질환 정보로 획득할 수 있다. 객체의 질환 정보는 객체에 대한 엑스선 이미지의 촬영 시점과 동일하거나 유사한 시점에 객체가 보유하거나(또는 보유하고) 객체에 발병될 질환에 대한 정보일 수 있다.
상술한 바와 같이 프로세서(530)가 객체의 칼슘 스코어에 기초하여 객체의 질환 정보를 획득하지만, 이에 한정되지 않는다. 예를 들어, 프로세서(530)는 객체의 칼슘 스코어뿐만 아니라 객체에 대한 엑스선 이미지의 촬영 시점과 동일하거나 유사한 시점에 수행된 객체에 대한 심혈관 검사에 기초하여 객체의 질환 정보를 획득할 수 있다. 심혈관 검사는 객체에 대한 엑스선 이미지의 촬영 시점과 동일한 날짜에 수행된 검사로 심전도 검사, 운동부하 검사, 심장 초음파 검사 중에서 적어도 하나의 검사를 포함할 수 있다.
프로세서(530)는 엑스선 이미지 및 객체의 질환 정보를 매칭하여 학습 데이터 셋을 생성할 수 있다(S735).
예를 들어, 프로세서(530)는 S333a단계 및 S33b단계를 수행하여 엑스선 이미지의 심장 영역의 밝기값 및 관상 동맥 영역의 밝기값 중에서 어느 하나의 밝기값을 엑스선 이미지의 특징값으로 결정할 수 있다.
프로세서(530)는 엑스선 이미지, 엑스선 이미지의 특징값 및 객체의 질환 정보를 매칭하여 학습 데이터 셋을 생성할 수 있다.
프로세서(530)는 학습 데이터 셋에 기초하여 예측 모델을 학습할 수 있다(S335). 이때, 예측 모델은 질환을 예측하는 딥러닝 알고리즘으로 모델링(또는 구축)될 수 있지만, 이에 한정되지 않는다. 예를 들어, 예측 모델은 상술한 다양한 기법을 통해 모델링될 수 있다.
도 8은 본 개시의 일 실시예를 통해 프로세서의 질환 예측 동작을 설명하기 위한 일 예를 나타낸다.
프로세서(530)는 타겟 객체에 대한 타겟 엑스선 이미지를 학습된 예측 모델에 입력하여 타겟 객체의 질환을 예측(또는 진단)할 수 있다. 이때, 학습된 예측 모델은 질환 예측 모델일 수 있다.
프로세서(530)는 타겟 객체에 대한 타겟 엑스선 이미지를 획득할 수 있다(S810).
프로세서(830)는 타겟 엑스선 이미지를 질환 예측 모델에 입력하여(S830) 타겟 객체의 질환을 예측할 수 있다(S850). 이때, 타겟 객체의 질환은 학습된 예측 모델이 타겟 엑스선 이미지로부터 추정한 질환일 수 있다.
예를 들어, 프로세서(530)는 타겟 엑스선 이미지가 입력된 예측 모델을 통해 타겟 엑스선 이미지의 촬영 시점과 동일하거나 유사한 시점에 타겟 객체가 질환(또는 심혈관 질환)을 보유했는지 여부, 타겟 객체가 보유한 질환 및 동일하거나 유사한 시점 이후에 타겟 객체에 발병할 질환 중에서 적어도 하나를 예측할 수 있다.
구체적으로, 프로세서(530)는 타겟 엑스선 이미지를 전처리하여 타겟 엑스선 이미지의 심장 영역 및 관상 동맥 영역 중에서 적어도 하나의 영역을 추출할 수 있다.
프로세서(530)는 적어도 하나의 영역의 밝기값을 결정할 수 있다. 밝기값 결정 동작은 상술한 바와 동일할 수 있다.
프로세서(530)는 타겟 엑스선 이미지 및 적어도 하나의 밝기값을 학습된 예측 모델에 입력하여 타겟 객체의 질환을 예측(또는 결정)할 수 있다.
상술한 바와 같이 프로세서(530)는 타겟 엑스선 이미지와 적어도 하나의 밝기값을 학습된 예측 모델에 입력하지만, 이에 한정되지 않는다. 예를 들어, 프로세서(530)는 타겟 엑스선 이미지를 학습된 예측 모델에 입력할 수 있다. 프로세서(530)는 학습된 예측 모델이 타겟 엑스선 이미지를 분석하여 적어도 하나의 밝기값을 결정하게 한 뒤, 적어도 하나의 밝기값에 기초하여 타겟 객체의 질환을 예측하게 할 수 있다.
상술한 바와 같이 학습된 예측 모델이 칼슘 스코어 또는 질환을 예측하지만, 이에 한정되는 것은 아니다. 예를 들어, 프로세서(530)는 객체에 대한 엑스선 이미지, 엑스선 이미지의 특징값, 객체의 칼슘 스코어 및 객체의 질환 정보를 매칭하여 학습 데이터 셋을 생성할 수 있다. 프로세서(530)는 학습 데이터 셋에 기초하여 칼슘 스코어 및 질환을 예측할 예측 모델을 학습할 수 있다. 이때, 예측 모델은 칼슘 스코어 및 질환을 예측하는 딥러닝 알고리즘으로 모델링(또는 구축)될 수 있지만, 이에 한정되지 않는다. 예를 들어, 예측 모델은 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine), 머신 러닝 기법 및/또는 신경망 등 다양한 기법을 통해 모델링될 수 있다.
프로세서(530)는 타겟 객체에 대한 타겟 엑스선 이미지를 학습된 예측 모델에 입력하여 타겟 객체의 칼슘 스코어 및 질환을 예측할 수 있다. 이때, 학습된 예측 모델은 칼슘 스코어 및 질환 예측 모델일 수 있다. 예를 들어, 프로세서(530)는 타겟 엑스선 이미지가 입력된 예측 모델을 통해 타겟 엑스선 이미지의 촬영 시점과 동일하거나 유사한 시점에 타겟 객체의 칼슘 스코어와 질환을 예측할 수 있다. 예측 동작은 상술한 칼슘 스코어 예측 동작 및 질환 예측 동작이 적용될 수 있으므로, 상세한 설명은 생략하도록 한다.
또한, 전술한 본 발명의 일 실시예에 흉부 엑스선 이미지를 통해 딥러닝 기반의 칼슘 스코어 및/또는 질환을 예측하는 방법은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.
상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.
상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버(10) 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

Claims (8)

  1. 객체에 대한 엑스선 이미지(X-ray image), 상기 엑스선 이미지의 촬영 시점 및 상기 객체의 식별 정보를 획득하는 단계;
    상기 촬영 시점 및 상기 식별 정보에 기초하여 복수의 객체들의 칼슘 스코어들 중에서 어느 하나의 칼슘 스코어를 상기 객체의 칼슘 스코어(coronary artery calcium score; CACS)로 획득하는 단계;
    상기 엑스선 이미지 및 상기 객체의 칼슘 스코어를 매칭하여 학습 데이터 셋을 생성하는 단계; 및
    상기 학습 데이터 셋에 기초하여 칼슘 스코어를 예측하는 예측 모델을 학습하는 단계;
    를 포함하는,
    칼슘 스코어 예측 방법.
  2. 제1항에 있어서,
    상기 촬영 시점은 상기 어느 하나의 엑스선 이미지를 생성하기 위하여 상기 어느 하나의 객체의 흉부를 촬영한 시간이고,
    상기 칼슘 스코어들 각각은 각 객체에 대한 CT 이미지들 각각을 분석하여 산출된 칼슘 스코어이고,
    상기 어느 하나의 칼슘 스코어는 상기 복수의 칼슘 스코어들 중에서 상기 촬영 시점 및 상기 식별 정보에 대응하는 칼슘 스코어이고,
    상기 객체의 칼슘 스코어는 상기 촬영 시점과 동일하거나 유사한 시점에 상기 객체의 심혈관에 침착된 칼슘의 양을 나타내는,
    칼슘 스코어 예측 방법.
  3. 제2항에 있어서,
    상기 객체의 칼슘 스코어로 획득하는 단계는:
    상기 복수의 객체들의 식별 정보들 및 상기 복수의 객체들에 대한 CT 이미지들의 촬영 시점들에 기초하여 상기 CT 이미지들 중에서 상기 촬영 시점 및 식별 정보에 대응하는 어느 하나의 CT 이미지를 획득하는 단계; 및
    상기 어느 하나의 CT 이미지의 칼슘 스코어를 상기 객체의 칼슘 스코어로 결정하는 단계;
    를 포함하고,
    상기 촬영 시점들은 각 CT 이미지를 생성하기 위해서 각 객체의 흉부를 촬영한 시점이고,
    상기 어느 하나의 CT 이미지의 칼슘 스코어는 상기 어느 하나의 CT 이미지의 촬영 시점과 동일하거나 유사한 시점에 상기 객체의 심혈관에 침착된 칼슘의 양을 나타내는,
    칼슘 스코어 예측 방법.
  4. 제3항에 있어서,
    상기 어느 하나의 CT 이미지를 획득하는 단계는:
    상기 식별 정보들에 기초하여 상기 CT 이미지들 중에서 상기 식별 정보에 대응하는 CT 이미지들을 상기 객체에 대한 CT 이미지들로 획득하는 단계; 및
    상기 객체에 대한 CT 이미지들의 촬영 시점들에 기초하여 상기 객체에 대한 CT 이미지들 중에서 상기 촬영 시점에 대응하는 상기 어느 하나의 CT 이미지를 획득하는 단계;
    를 포함하고,
    상기 어느 하나의 CT 이미지의 촬영 시점은 상기 엑스선 이미지의 촬영 시점과 동일하거나 유사한 시점인,
    칼슘 스코어 예측 방법.
  5. 제2항에 있어서,
    상기 생성하는 단계는:
    상기 엑스선 이미지의 전체 영역 중에서 상기 객체의 심장에 대응하는 심장 영역의 밝기값, 및 상기 심장 영역 중에서 상기 심장의 관상 동맥에 대응하는 관상 동맥 영역의 밝기값 중에서 어느 하나의 밝기값을 상기 엑스선 이미지의 특징값으로 결정하는 단계; 및
    상기 엑스선 이미지, 상기 특징값 및 상기 객체의 칼슘 데이터를 매칭하여 상기 학습 데이터 셋을 생성하는 단계;
    를 포함하는,
    칼슘 스코어 예측 방법.
  6. 제5항에 있어서,
    상기 결정하는 단계는:
    상기 전체 영역 중에서 상기 심장 영역에 대응하지 않는 영역, 및 상기 심장 영역 중에서 어느 하나의 영역을 관심 영역으로 결정하는 단계;
    상기 관심 영역에 기초하여 상기 엑스선 이미지를 전처리함으로써, 상기 엑스선 이미지에서 상기 심장 영역에 대응하는 심장 엑스선 이미지를 추출하는 단계; 및
    상기 심장 엑스선 이미지의 밝기값을 상기 심장 영역의 밝기값으로 결정하는 단계;
    를 포함하는,
    칼슘 스코어 예측 방법.
  7. 제6항에 있어서,
    상기 어느 하나의 밝기값을 상기 엑스선 이미지의 특징값으로 결정하는 단계는:
    상기 심장 영역 중에서 상기 관상 동맥 영역에 대응하지 않는 영역, 및 상기 관상 동맥 영역 중에서 어느 하나의 영역을 상기 관심 영역으로 재결정하는 단계;
    상기 재결정된 관심 영역에 기초하여 상기 심장 엑스선 이미지를 전처리함으로써, 상기 관상 동맥 영역에 대응하는 관상 동맥 엑스선 이미지를 추출하는 단계; 및
    상기 관상 동맥 엑스선 이미지의 밝기값을 상기 관상 동맥 영역의 밝기값으로 결정하는 단계;
    를 포함하는,
    칼슘 스코어 예측 방법.
  8. 제2항에 있어서,
    상기 타겟 객체에 대한 타겟 엑스선 이미지를 학습된 예측 모델에 입력하여 상기 타겟 객체의 칼슘 스코어를 예측하는 단계;
    를 더 포함하고,
    상기 타겟 객체의 칼슘 스코어는 상기 타겟 엑스선 이미지를 생성하기 위해서 상기 타겟 객체의 흉부를 촬영한 시점과 동일하거나 유사한 시점에 상기 타겟 객체의 심혈관에 침착된 칼슘의 양을 나타내는,
    칼슘 스코어 예측 방법.
KR1020210019182A 2020-02-10 2021-02-10 칼슘 스코어를 예측하는 방법 KR20210102100A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200015340 2020-02-10
KR20200015340 2020-02-10

Publications (1)

Publication Number Publication Date
KR20210102100A true KR20210102100A (ko) 2021-08-19

Family

ID=77291579

Family Applications (3)

Application Number Title Priority Date Filing Date
KR1020210019190A KR20210102101A (ko) 2020-02-10 2021-02-10 질환을 예측하는 방법
KR1020210019121A KR20210102098A (ko) 2020-02-10 2021-02-10 칼슘 스코어 및 질환을 예측하는 방법
KR1020210019182A KR20210102100A (ko) 2020-02-10 2021-02-10 칼슘 스코어를 예측하는 방법

Family Applications Before (2)

Application Number Title Priority Date Filing Date
KR1020210019190A KR20210102101A (ko) 2020-02-10 2021-02-10 질환을 예측하는 방법
KR1020210019121A KR20210102098A (ko) 2020-02-10 2021-02-10 칼슘 스코어 및 질환을 예측하는 방법

Country Status (2)

Country Link
KR (3) KR20210102101A (ko)
WO (1) WO2021162490A2 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116491938B (zh) * 2023-06-27 2023-10-03 亿慧云智能科技（深圳）股份有限公司 一种ecg无创血糖测量方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9351698B2 (en) * 2013-03-12 2016-05-31 Lightlab Imaging, Inc. Vascular data processing and image registration systems, methods, and apparatuses
US9547894B2 (en) * 2013-10-08 2017-01-17 Toshiba Medical Systems Corporation Apparatus for, and method of, processing volumetric medical image data
US10445462B2 (en) * 2016-10-12 2019-10-15 Terarecon, Inc. System and method for medical image interpretation
US10452813B2 (en) * 2016-11-17 2019-10-22 Terarecon, Inc. Medical image identification and interpretation
KR102032611B1 (ko) * 2017-08-23 2019-10-15 주식회사 메디웨일 Ct 영상을 이용하여 심혈관 병변을 판단하는 방법 및 애플리케이션
WO2019125026A1 (ko) * 2017-12-20 2019-06-27 주식회사 메디웨일 심혈관 질병 진단 보조 방법 및 장치

Also Published As

Publication number Publication date
KR20210102098A (ko) 2021-08-19
WO2021162490A2 (ko) 2021-08-19
KR20210102101A (ko) 2021-08-19
WO2021162490A3 (ko) 2021-09-30

Similar Documents

Publication Publication Date Title
US11864944B2 (en) Systems and methods for a deep neural network to enhance prediction of patient endpoints using videos of the heart
US11538161B2 (en) Systems and methods for determining blood vessel conditions
US8554580B2 (en) Automated management of medical data using expert knowledge and applied complexity science for risk assessment and diagnoses
US20200258627A1 (en) Systems, devices, software, and methods for a platform architecture
US20200202523A1 (en) Medical image diagnosis assistant apparatus and method for generating evaluation scores for plurality of medical image diagnosis algorithms
CN109192305B (zh) 一种基于深度循环神经网络的心功能自动分析方法
Muscogiuri et al. Artificial intelligence in coronary computed tomography angiography: from anatomy to prognosis
EP3786972A1 (en) Improving performance of machine learning models for automatic quantification of coronary artery disease
EP2399236A2 (en) A point-of-care enactive medical system and method
US20220378378A1 (en) Apparatus and method for predicting cardiovascular risk factor
Kueper Primer for artificial intelligence in primary care
KR20210102100A (ko) 칼슘 스코어를 예측하는 방법
Barakat et al. An HPC-driven data science platform to speed-up time series data analysis of patients with the acute respiratory distress syndrome
Suzuki et al. Determination of multidirectional myocardial deformations in cats with hypertrophic cardiomyopathy by using two-dimensional speckle-tracking echocardiography
Badano et al. Artificial intelligence and cardiovascular imaging: A win-win combination.
Archana et al. Automated cardioailment identification and prevention by hybrid machine learning models
CN109147927B (zh) 一种人机交互方法、装置、设备及介质
US11030490B2 (en) Performance of machine learning models for automatic quantification of coronary artery disease
US20210319900A1 (en) Cardiovascular assessment of patients suspected of having covid-19
CN108986889A (zh) 一种病变识别模型训练方法、装置及存储设备
KR20210102102A (ko) 질환을 예측하는 방법 및 이를 수행하는 장치
Yu et al. Work-in-progress: On the feasibility of lightweight scheme of real-time atrial fibrillation detection using deep learning
CN110120266B (zh) 骨骼年龄评估方法
WO2022096867A1 (en) Image processing of intravascular ultrasound images
JP2021189093A (ja) 自己免疫性水疱症の診断装置

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application