KR20210121062A

KR20210121062A - 형태학적 및 혈관주위 질환 표지자의 조합 평가

Info

Publication number: KR20210121062A
Application number: KR1020217024349A
Authority: KR
Inventors: 앤드류 제이 버클러
Original assignee: 엘루시드 바이오이미징 아이엔씨.
Priority date: 2019-08-05
Filing date: 2020-08-04
Publication date: 2021-10-07
Also published as: WO2021026125A1; CN113439287A; EP3899864A1; EP3899864A4; US20220392070A1; JP2023093605A; JP2022543330A; US20210042918A1; US20230386026A1; US11508063B2

Abstract

의료 영상화 데이터를 이용하여 생물학적 속성의 세트를 식별하고 정량화하기 위해 제1 세트의 머신 러닝 알고리즘을 이용할 수 있는 계층적 분석 프레임워크를 포함하는 시스템이 제공된다. 시스템은 혈관주위 지방 조직의 존재를 묘사하기 위해 정량화된 생물학적 속성에 기초하여 의료 영상화 데이터를 분할할 수 있다. 또한, 시스템은 루멘 경계를 결정하고 및/또는 루멘 경계와 LRNC 영역 사이의 최소 거리에 기초하여 cap 두께를 결정하기 위해 정량화된 생물학적 속성에 기초하여 의료 영상화 데이터를 분할할 수 있다.

Description

형태학적 및 혈관주위 질환 표지자의 조합 평가

관련 출원의 교차 참조

본 출원은 그 전체 내용이 온전히 참조로서 본원에 포함되며 본 출원의 양수인이 소유하고 있는 2019년 8월 5일자로 출원된 미국 가특허 출원 번호 62/882,881의 이익 및 우선권을 청구한다.

정부 권리

본 과제는 NIH 투자 ID HL 126224에 의해 부분적으로 지원되었다. 정부는 본 발명의 일정한 권리를 가질 수 있다.

본 발명은 컴퓨터 영상 분석 및/또는 데이터 융합 알고리즘을 환자 데이터에 적용하는 것을 포함할 수 있는 질환의 CAP(computer-aided phenotyping)에 관한 것이다. 특히, 본 발명은 아테롬성동맥경화증의 질환 과정을 해명하기 위한 정량적 영상화 및 분석(quantitative imaging and analytics)에 관한 것으로서, 혈관주위 지방 조직을 묘사(delineating)하고 및/또는 혈관의 루멘과 LRNC(lipid-rich necrotic core) 사이의 조직의 두께("cap 두께")를 결정하는 것을 포함한다.

아테롬성동맥경화증은 특히 노령 인구에서 그러나 비교적 젊은 사람들 사이에서도 생명을 위협할 수 있다. 아테롬성동맥경화증의 진단, 예를 들어, 혈액 표지자(예를 들어, 콜레스테롤 수준)의 사용 및/또는 루멘이 협소화된 정도(협착)를 결정하기 위한 현재의 방법은 제한적이기 때문에, 차선의 치료 결정(예를 들어, 수술을 수행할 것인지 또는 수행하지 않을 것인지, 또는 집중적 의료 요법을 처방할 것인지)을 초래할 수 있다. 예를 들어, 많은 혈관 수술은 환자에게 유익하지 않고, 수술이 필요한 일부는 수술을 받지 못하고, 많은 이들은 약물로 효과적으로 치료될 수 있지만, 처방을 받지 못할 수 있다.

현재의 툴은 혈관 루멘을 분석할 수 있지만, 이는 아테롬성동맥경화증이 혈액 또는 혈액이 유동하는 채널보다는 혈관 벽의 질환이기 때문에 아테롬성동맥경화증을 제대로 진단하기에 불충분할 수 있다. 오분류되는 위험 수준의 높은 비율, 약물 요법에 대한 적절한 반응 평가 불가 및/또는 약물에 대한 반응 측정 불가가 발생할 수 있다.

현재, 방사선 영상화가 질병원을 찾기 위한 비침습적이고 안전한 방법으로서 사용될 수 있다. 현재의 의료적 영상화 툴은 컴퓨터 단층촬영(CT, 단일 에너지, 다중-에너지 또는 스펙트럼 CT 포함), 자기 공명 영상화(MR, MRA, DCE-MRI 또는 다중-조영 MRI), 초음파(b-모드 또는 혈관내 US) 및 다양한 영상화 기법을 갖는 타깃 조영제 접근법을 포함할 수 있다.

향상된 영상화 기술은 의료 영상화를 환자 간호의 필수 구성요소로 만들었다. 영상화는 비침습적 또는 최소 침습적 방법을 사용하여 공간적 및 시간적으로 국소화된 해부학 및/또는 기능성 정보를 제공할 수 있기 때문에 유용할 수 있다. 그러나, 통상적으로는 인간의 눈으로 쉽게 평가하지 못하는 데이터 내의 패턴 및/또는 특징(signature)을 활용할 뿐만 아니라, 예를 들어, 대규모의 데이터를 임상 워크플로우에 효율적으로 통합하기 위해 대규모의 데이터를 관리하기 위해서도 증가하는 해상도를 다루는 기술이 요구될 수 있다. 더 새로운 고해상도 영상화 기술의 경우, 보조를 받지 않는 방사선 전문의는 데이터에 "압도"될 수 있다. 따라서, 예를 들어, 개별 환자 관리를 위한 정량적인 영상화를 통합하기 위해, 기존의 툴 작업 흐름 및/또는 배상 제약(reimbursement constraint)의 현실 내에서 영상화 성능을 추가적으로 활용할 수 있게 하기 위해, 결정 지원 정보처리학 툴의 클래스를 제공하는 것이 바람직할 수 있다.

현재, 아테롬성동맥경화증의 영상화는 카테터 삽입을 통해 침습적으로 그리고 초음파, CT, MR 및 핵 의학 기술을 사용하여 상용적으로 수행된다. 가장 전형적인 평가는 관강내 협착이다. 최근에 이루어진 진전은 분획 혈류 예비력(fractional flow reserve)의 결정에 있었다.

아테롬성동맥경화증의 현재의 영상화에 있어서의 하나의 어려움은 사용되는 방법에서의 강건성의 결여를 포함할 수 있다. 예를 들어, 현재의 방법은 전형적으로 혈관 외부 벽과 혈관주위 조직 사이에 낮은 수준의 대비(contrast)만을 제공하여, 이들 둘을 구별하기 어렵게 만든다. 일부 현재의 방법은 단순히 외부 벽 경계를 구체적으로 결정하지 않고 루멘 주위에 환형 링을 채용한다. 또한, 혈관의 테이퍼링, 분기 혈관, 인근 조직 등도 문제가 될 수 있다.

아테롬성동맥경화증의 현재의 영상화에 있어서의 다른 어려움은 제한된 여기를 사용하여 조직을 조사하는 특정 영상화 장치에 기인할 수 있고, 한편으로는 다중-조영 MR 또는 다른 한편으로는 다중-에너지 CT의 유용성에도 불구하고, 그 결과는 생성된 신호 내의 비특정적 반응의 정도일 수 있다.

최근의 진전으로 인한 현재의 어려움은, 단순한 임계설정 연산자(thresholding operator)를 이용하여 미가공 픽셀 재구조 선명도 값(raw pixel reconstructed intensity value)을 해석하는데 있어서의 어려움을 포함할 수 있다. 이러한 것의 하나의 양태는, 예를 들어, 주어진 포인트가 영상화의 유한한 물리적 특성에 따라서 실제로 확산되거나 블러링(blurring)된다는 사실로 인해서, 물리적 영상화 기법이, 픽셀 값이 영상화되고 있는 객체의 정확한 징후(manifestation)인 정도를 본질적으로 제한한다는 것이다. 예를 들어, 이러한 분석의 1 밀리미터 미만의 스케일에서, 스캐너 블러(예를 들어, "칼슘 블루밍"과 같은 징후)가 정량적인 정확도에서 우세한 역할을 하고, 그에 따라 영상화 시스템 포인트 스프레드 함수를 보상하였다. 추가적으로, 혈관 벽 내부 및 외부의 모두의 조직의 불균질성은 효과적으로 처리되지 않으면 분류 및 측정에 문제를 일으킨다.

일 양태에서, 본 발명은 프로세서 및 계층적 분석 프레임워크를 포함하는 분석기 모듈을 구현하는 프로세서 실행 가능 명령어를 포함하는 비일시적 저장 매체를 포함하는 시스템을 포함한다. 계층적 분석 프레임워크는 혈관주위 지방 조직의 존재를 묘사하기 위해 정량화된 생물학적 속성(quantified biological properties)에 기초한 의료 영상화 데이터의 의료 영상화 데이터 분할(medical imaging data segment)을 이용하여 생물학적 속성의 세트를 식별 및 정량화하기 위해 제1 세트의 머신 러닝 알고리즘을 이용하도록 구성될 수 있다.

일부 실시예에서, 의료 영상화 데이터를 분할하는 것은 의료 영상화 데이터를 적어도 루멘 경계와 외부 벽 경계로 분할하는 것을 더 포함한다. 일부 실시예에서, 분석기 모듈은 분할된 루멘 경계 및 외부 벽 경계에 기초하여 루멘 및 외부 벽을 하나 이상의 혈관 경계로 구획하도록 구성된다.

일부 실시예에서, 생물학적 속성은 석회화 영역, LRNC 영역, 플라크내(intra-plaque) 영역, 매트릭스 영역, 또는 이들의 임의의 조합을 포함한다. 일부 실시예에서, 혈관주위 지방 조직을 묘사하는 것은 외부 벽 경계를 미리 결정된 거리만큼 확장시킴으로써 평가 영역을 생성하고, 평가 영역이 혈관주위 지방 조직을 포함하는지를 식별하기 위해 제2 세트의 머신 러닝 알고리즘을 이용하는 것을 더 포함한다.

일부 실시예에서, 분석기 모듈은 혈관주위 지방 조직의 단면적의 최대, 최소, 평균 또는 이의 임의의 조합을 결정하도록 구성된다. 일부 실시예에서, 분석기 모듈은, 각각의 구획에 대해, 상기 하나 이상의 혈관 경계의 각각의 단면적의 최대, 최소, 평균 또는 이의 임의의 조합을 결정하도록 구성된다.

일부 실시예에서, 분석기 모듈은, 각각의 구획에 대해, 상기 하나 이상의 혈관 경계의 각각의 체적을 결정하도록 구성된다. 일부 실시예에서, 분석기 모듈은 타깃에 대한 단면적의 최대, 최소, 평균 또는 이의 임의의 조합을 결정하도록 구성된다.

일부 실시예에서, 의료 영상화 데이터를 분할하는 것은 의료 영상화 데이터를 3차원(3D) 객체로 분할하는 것을 더 포함한다.

다른 양태에서, 본 발명은 프로세서 및 계층적 분석 프레임워크를 포함하는 분석기 모듈을 구현하는 프로세서 실행 가능 명령어를 포함하는 비일시적 저장 매체를 포함하는 시스템을 포함한다. 계층적 분석 프레임워크는 의료 영상화 데이터를 이용하여 생물학적 속성의 세트를 식별 및 정량화하기 위해 제1 세트의 머신 러닝 알고리즘을 이용하도록 구성될 수 있으며, 생물학적 속성은 혈관의 LRNC 영역을 포함하고 정량화된 생물학적 속성에 기초하여 의료 영상화 데이터를 분할하여, 루멘 경계를 결정하고 루멘 경계와 LRNC 영역 사이의 최소 거리에 기초하여 cap 두께를 결정한다.

일부 실시예에서, 의료 영상화 데이터를 분할하는 것은 의료 영상화 데이터를 외부 벽 경계로 분할하는 것을 더 포함한다. 일부 실시예에서, 분석기 모듈은 분할된 루멘 경계 및 외부 벽 경계에 기초하여 루멘 및 외부 벽을 하나 이상의 혈관 경계로 구획하도록 구성된다. 일부 실시예에서, 생물학적 속성은 석회화 영역, LRNC 영역, 플라크내(intra-plaque) 영역, 매트릭스 영역, 또는 이들의 임의의 조합을 포함한다.

본 개시내용의 실시예의 비제한 예시가 본 문단에 후속하여 나열되는 첨부 도면을 참조하여 아래에서 설명될 것이다. 도면에 도시된 특징부의 치수는 표현의 편의성 및 명료성을 위해 선택되고, 반드시 실척으로 도시되지는 않는다.

이하의 상세한 설명에서, 다수의 특정 세부 사항이 본 발명의 완벽한 이해를 제공하도록 설명된다. 그러나, 본 발명은 그 목적, 특징 및 이점과 함께 동작의 조직 및 방법 모두에 관하여 첨부된 도면과 함께 읽을 때 다음의 상세한 설명을 참조하여 이해될 수 있다. 본 발명의 실시예는 유사한 도면 부호가 대응하거나, 닮거나 또는 유사한 요소를 나타내는 첨부 도면의 도면에 제한이 아니라 예로서 도시되어 있다.

도 1은, 본 발명의 일부 실시예에 따른, 계층적 분석 프레임워크를 구현함으로써 의학적 상태를 결정 및 특징화하기 위한 시스템의 도면이다.
도 2는, 본 발명의 일부 실시예에 따른, 리샘플링 기반의 모델 구축 방법에 대한 흐름도이다.
도 3은 본 발명의 일부 실시예에 따른, 혈관주위 지방 조직의 존재를 묘사하고 환자의 의료 영상화 데이터에 기초하여 cap 두께를 결정하기 위한 방법의 흐름도이다.
도 4는 본 발명의 일부 실시예에 따른, 복원 및 분할을 위한 방법에 대한 흐름도이다.
도 5는 본 발명의 일부 실시예에 따른, 반복 최적화 알고리즘의 방법에 대한 흐름도이다.
도 6은 종래 기술에 따른, 블러링을 포함하는 취득된 이미지의 일 예이다.
도 7a 및 도 7b는 본 발명의 일부 실시예에 따른, 복원 이전 및 이후의 취득된 이미지의 예를 각각 도시한다.
도 8a 및 도 8b는 본 발명의 일부 실시예에 따른, 복원 이전 및 이후의 취득된 이미지의 예를 각각 도시한다.
도 9는 본 발명의 일부 실시예에 따른 증강된 복원/디블러링된 이미지의 일 예를 도시한다.

예시를 단순하고 명확하게 하기 위해, 도면에 도시된 요소들은 반드시 정확하게 또는 실척에 따라 도시되지 않았다는 것이 이해될 것이다. 예를 들어, 요소 중 일부의 치수는 명확하게 하기 위해 다른 요소에 비해 과장될 수 있거나, 또는 여러 물리적 구성요소가 하나의 기능 블록 또는 요소에 포함될 수 있다.

도 1은, 본 발명의 일부 실시예에 따른, 계층적 분석 프레임워크를 구현함으로써 의학적 상태를 결정 및 특징화하기 위한 시스템의 도면이다. 시스템(100)은 트레이너 모듈(110), 분석기 모듈(120) 및 코호트 툴 모듈(120)을 포함할 수 있다.

분석기 모듈(120)은 의료 영상화 데이터(예를 들어, 환자의 의료 영상화 데이터)에 기초하여 생물학적 속성/분석물(123)을 식별 및/또는 정량화할 수 있는 계층적 분석 프레임워크를 포함할 수 있다. 의료 영상화 데이터는 (i) 환자(50)의 하나 이상의 취득된 이미지(121A)로부터의 영상화 특징(122) 및/또는 (ii) 환자(50)에 대한 비영상화 입력 데이터(121B)를 포함할 수 있다. 분석기 모듈(120)은 정량화된 생물학적 속성/분석물(123)에 기초하여 하나 이상의 병리상태(예를 들어, 예후 표현형)(124)을 식별 및/또는 특징화할 수 있다. 분석기 모듈(120)은 추정 결과를 도시하기 위해 하나 이상의 사전 훈련된 알고리즘, 예를 들어, 머신 러닝 알고리즘을 구현함으로써 기초 사실(ground truth) 및/또는 검증 기준과 독립적으로 동작할 수 있다.

일부 실시예에서, 분석기 모듈(120)은 환자(50)의 취득된 이미지(121A)로부터 영상화 특징(122)을 계산하기 위한 알고리즘을 포함한다. 다양한 실시예에서, 이미지 특징(122)은 복셀당(per-voxel) 기반, 관심 영역 기반, 또는 이들의 임의의 조합에서 컴퓨팅된다. 일부 실시예에서, 영상화 특징(122)을 계산하는데 이용될 수 있는 비영상화 입력(121B)이 실험실 시스템, 환자-보고 증상, 환자 이력, 또는 그 임의 조합으로부터의 데이터를 포함한다.

이미지 특징(122) 및/또는 비영상화 입력(121B)은 생물학적 속성/분석물(123)을 계산하기 위해 분석기 모듈(120)에 의해 이용될 수 있다. 생물학적 속성/분석물은 전형적으로, 예를 들어 표지자(예를 들어 화학 물질)의 존재 및 정도 또는 다른 측정치, 예를 들어 관심 영역의 구조, 크기 또는 해부학적 특성을 표현할 수 있는 정량적이고 객관적인 속성(예를 들어, 흔적(impression) 또는 외관(appearances)으로서 언급되기보다는 객관적으로 검증 가능한 속성)이다. 다양한 실시예에서, 정량화된 생물학적 속성/분석물(123)은 분석기 모듈(120)에 의한 추가 처리에 추가하여 또는 그와 독립적으로 사용자, 예를 들어 임상의에 의한 직접적인 소비를 위해 디스플레이 및/또는 엑스포트된다.

코호트 툴 모듈(130)은 예를 들어, 해당 코호트 연구에 관련된 선택된 기준 세트를 기초로 하여 환자의 그룹 분석을 위한 환자의 코호트를 규정할 수 있다. 예시적인 코호트 분석은 임상 시험에 등록된 환자의 그룹에 대한 것일 수 있는데, 예를 들어, 환자는 치료 대 대조군(treatment vs. control arm)과 같이 임상 시험의 하나 이상의 군에 기초하여 추가로 그룹화된다. 다른 유형의 코호트 분석은 기초 사실 또는 기준이 존재하는 대상의 세트에 대한 것일 수 있고, 이 유형의 코호트는 훈련 세트 또는 "개발" 세트 및 테스트 또는 "홀드아웃" 세트로 추가로 세분될 수 있다. 개발 세트는 분석기 모듈(120) 내의 알고리즘 및 모델을 훈련(112)시키기 위해 지원될 수 있고, 홀드아웃 세트는 분석기 모듈(120) 내의 알고리즘 또는 모델의 성능을 평가/검증(113)하도록 지원될 수 있다.

트레이너 모듈(110)은 분석기 모듈(120) 내의 알고리즘 및 모델을 훈련(112)하는데 이용될 수 있다. 트레이너 모듈(110)은 예를 들어 확립된 머신 러닝 패러다임에 따라 또는 알고리즘 개발자에게 정보를 제공함으로써 가중치 및/또는 모델을 도출하기 위해 기초 사실(111) 및/또는 기준 주석(reference annotation)(114)에 의존할 수 있다. 일부 실시예에서, 트레이너 모듈(110)은 분류 및/또는 회귀 모델을 채용한다. 분류 및/또는 회귀 모듈들은 적응성이 매우 뛰어날 수 있으며, 예를 들어 예측인자(predictor)와 반응 사이의 복잡한 관계를 노출(uncovering)시킬 수 있다. 그러나, 기존 데이터 내의 기저 구조에 적응하는 그들의 능력은 모델이 대상의 다른 샘플에 대해 재현 가능하지 않은 패턴을 발견하는 것을 가능하게 할 수 있다. 기존 데이터 내에서 재현불가능한 구조에 대한 적응은 통상적으로 모델 오버-피팅(model over-fitting)으로 알려져 있다. 오버-피트 모델(over-fit model)을 구축하는 것을 피하기 위해, 모델이 의사 구조(spurious structure)를 발견하는 것을 방지하고, 최종 사용자로 하여금, 모델이 그로부터 평가된 데이터의 세트에 대해 최종 모델이 유사한 정확도로 새로운 샘플을 예측할 것이라는 신뢰를 갖게 할 수 있는 시스템적 접근법이 적용될 수 있다.

연속적인 훈련 세트는 최적의 조정 파라미터(tuning parameter)(들)를 결정하는데 이용될 수 있고, 테스트 세트는 알고리즘 또는 모델의 예측 성능을 추정하는데 이용될 수 있다. 훈련 세트는 무작위 교차 검증을 통해 분류자 각각을 훈련하는 데 사용될 수 있다. 데이터세트는 훈련 및 테스트 세트로 반복적으로 분리될 수 있고, 분류 성능 및 모델 파라미터를 결정하는데 사용될 수 있다. 데이터세트를 훈련 및 테스트 세트로 분리(splitting)하는 것은 층화 및/또는 최대 비유사도 접근법을 사용하여 발생할 수 있다. 일부 실시예에서, (i) 최적의 파라미터 추정치 및/또는 (ii) 모델의 예측 성능에 대한 신뢰 구간을 획득하기 위해 훈련 세트 내에서 리샘플링 접근법(예를 들어, 부트스트래핑)이 이용된다.

일부 실시예에서, 분류 모델은 예를 들어, 가능한 세포 신호전달 경로 또는 타당해 보이는 생물학적 동기 표현(biologically-motivated presentation)을 표현하기 위해, 예를 들어 편미분 방정식과 같은 다중 스케일 모델링 기술을 적용함으로써 전체적으로 또는 부분적으로 훈련될 수 있다.

일부 실시예에서, 분류 모델은 본원에 그 전체가 참조로써 합체되어 있는 2018년 11월 28일 출원된 미국 특허 번호 16/203,418에 개시된 바와 같이 훈련될 수 있다. 일부 실시예에서, 환자 보고서가 예를 들어 대응하는 설명과 함께 미국 특허 출원 번호 16/203,418의 도 3에 도시된 바와 같이 생성된다. 다양한 실시예에서, 혈관 좌표(vessel coordinates) 및/또는 토폴로지는 대응하는 설명과 함께 미국 특허 출원 번호 16/203,418의 도 7, 도 9, 도 23, 도 26에 도시된 바와 같이 결정된다. 다양한 실시예에서, 다양한 분석, 모델 및/또는 분석물이 대응하는 설명과 함께 미국 특허 번호 16/203,418의 도 10, 12, 18, 31, 34 및 39에 도시된 바와 같이 결정된다. 다양한 실시예에서, 시스템 아키텍처는 대응하는 설명과 함께 미국 특허 번호 16/203,418의 도 32, 33에 도시되어 있다.

도 2는, 본 발명의 일부 실시예에 따른, 시스템(예를 들어, 도 1과 관련하여 전술한 바와 같은 시스템(100))에 의해 이용될 수 있는 리샘플링 기반의 모델 구축 방법(200)에 대한 흐름도이다. 단계(210)에서, 조정 파라미터 세트가 규정될 수 있다. 단계(220)에서, 각각의 조정 파라미터 세트에 대해, 데이터(예를 들어, 도 1에서 전술된 바와 같은 의료 데이터)가 리샘플링되고, 모델이 피팅되고, 홀드-아웃 샘플이 예측될 수 있다. 단계(230)에서, 리샘플링 추정은 성능 프로파일로 조합될 수 있다. 단계(240)에서, 최종 조정 파라미터가 결정될 수 있다. 단계(250)에서, 전체 훈련 세트는 최종 조정 파라미터로 리피팅(re-fitting)될 수 있다. 각각의 모델이 훈련 세트로부터 조정된 후에, 각각의 모델은 테스트 세트에 대한 예측 성능에 대해 평가될 수 있다. 테스트 세트 평가는, 예를 들어, 모델 구축 프로세스가 테스트 세트를 오버-피트하지 않도록 보장하기 위해 각각의 모델에 대해 한번 발생할 수 있다. 구조화된 각 모델에 대하여, 최적의 조정 파라미터 추정, 리샘플링된 훈련 세트 성능 및/또는 테스트 세트 성능이 보고될 수 있다(예를 들어, 디스플레이에 송신될 수 있고 및/또는 보고서에 포함될 파일에 기록될 수 있다). 무작위화된 분리에 대한 모델 파라미터의 실제 값은 훈련 데이터에 대한 강건성 및/또는 모델 안정성을 평가하기 위해 비교될 수 있다.

일부 실시예에서, 하나 이상의 모델이 기초 사실 맵(ground truth map)(예를 들어, 전술된 바와 같은 기초 사실(111))에 표현된 생물학적 속성/분석물(예를 들어, 조직 유형)의 각각에 대해 조정된다. 모델 반응(예를 들어, 전술한 바와 같은 모델로부터의 반응)은, 예를 들어 공분산 기반 기술, 비공분산(non-covariance) 기반 기술 및 트리 기반 모델을 포함할 수 있다. 그들의 구조에 따라, 엔드포인트(endpoint)는 연속적 반응 및 범주형 반응을 가질 수 있으며; 상기 범주 내 기술 일부는 범주형 반응 및 연속형 반응 모두에 사용되고, 나머지는 범주형 반응 또는 연속형 반응 중 하나에 특정된다. 최적의 조정 파라미터 추정, 리샘플링된 훈련 세트 성능 및 테스트 세트 성능은 각 모델에 대해 보고될 수 있다.

모델 복잡성이 증가함에 따라(예를 들어, 컴퓨터 계산량, 은폐 계층(hidden layer), 최적화의 스테이지 및/또는 초평면의 차원성), 예측 성능이 향상될 수 있다. 성능 향상은 모델 해석성을 희생하여 달성될 수 있다. 예를 들어, 다중 선형 회귀 모델로부터의 파라미터 계수는 각각의 예측인자를 반응에 직관적으로 연결한다. 동일한 종류의 해석은 통상적으로 신경망, 서포트 벡터 기계 또는 관련 기술 분야에 공지된 다수의 다른 모델에서 노출되지 않을 수 있다. 그러나, 이러한 모델들은, 특히 예측인자와 반응 사이의 기저 관계가 비선형인 경우, 훨씬 더 양호한 예측 능력을 제공할 수 있다. 일부 실시예에서, 해석 정보의 적어도 일 부분을 추출하기 위해, 변수 중요도 계산이 수행된다. 변수 중요도 투영 방법(variable importance projection method)은 각각의 개별 특징이 저차원 데이터 표현에 기여하는 정도에 기초하여 개별 특징에 가중치를 제공할 수 있다. 예를 들어, 특징의 수가 훈련 인스턴스의 수 이상인 문제에 대해, 분류자 모델은 "차원의 저주(curse of dimensionality)" 문제의 대상이 될 수 있다.

일부 실시예에서, 분석기 모듈(120)은 아래의 표 1에 설명된 바와 같은 기능성을 제공한다:

필드 묘사	필드에 걸친 다중 데이터 스트림 등록
	장기, 혈관, 병변, 및 다른 용도별 객체 분할
	특정 분석을 위한 해부조직 리포맷
타깃 묘사	로케일에서의 다중 데이터 스트림 등록
	미립 세그멘테이션
	크기 및/또는 다른 관련 해부학적 구조 측정
	전체-타깃 특징 추출
서브-타깃 영역 묘사	용례에 따른 서브-타깃들로 타깃 분리
서브-타깃 영역 묘사	서브-타깃 특정 계산
구성요소 묘사	구성요소 (재)분할
	판독치 계산
	확률 맵 시각화
질환 중증도 결정	표현형 결정
질환 중증도 결정	결과 예측
다중 시점 비교	다중 시점의 (선택적) 비교
다초점 질환 평가	폭넓은 스캔 필드에 걸쳐 타깃 병변에 걸친 집계
환자 보고서 생성	환자 보고서 생성

표 1에 도시된 바와 같이, 분석기 모듈(120)은 예를 들어, 필드에 걸친 다중 데이터 스트림을 등록하기 위해; 장기, 혈관, 병변 및 다른 용도별 객체를 분할하기 위해; 및/또는 특정 분석을 위해 해부조직(anatomy)을 리포맷/재구성하기 위해 필드를 묘사할 수 있다.

일부 실시예에서, 혈관을 분할하는 것은 식별 및 정량화된 생물학적 속성에 기초하여 루멘 경계, 외부 벽 경계 및/또는 하나 이상의 혈관 경계를 포함하는 혈관의 하나 이상의 부분으로 의료 영상화 데이터를 분할하는 것을 포함한다. 생물학적 속성은 석회화 영역, LRNC 영역, 플라크내 영역, 매트릭스 영역, 또는 이의 임의의 조합을 포함할 수 있다.

미국 특허 번호 16/203,418의 도 4는 대응하는 설명과 함께 본 개시내용에 따른 다중 스케일 혈관 벽 분석물 맵에 대한 예시적인 세그멘테이션 레벨(segmentation level)을 도시한다.

분석기 모듈(120)은 묘사된 필드에서, 타깃, 예를 들어 병변을 묘사할 수 있다. 타깃을 묘사하는 것은, 예를 들어, 로케일에서 다중 데이터 스트림을 등록하는 것; 미립 세그멘테이션(fine-grained segmentation)을 수행하는 것; 관련 해부학적 구조의 크기 및/또는 다른 특성을 측정하는 것; 및/또는 전체-타깃 특징(예를 들어, 전체 타깃 영역의 생물학적 속성/분석물 특성)을 추출하는 것을 포함할 수 있다.

일부 실시예에서, 하나 이상의 서브-타깃 영역이 묘사된다. 예를 들어, 타깃 영역은 서브-타깃 특정 계산(예를 들어, 서브-타깃 영역의 생물학적 속성/분석물 특성)으로 특정 용도에 따라 서브-타깃 영역으로 분리될 수 있다. 분석기 모듈(120)은 예를 들어, 특정 필드, 타깃 또는 서브-타깃 영역에서 구성요소 및/또는 관련 특징(예를 들어, 조성)를 묘사할 수 있다.

이는 구성요소/특징을 분할 또는 재분할하는 것, 분할된 구성요소/특징(예를 들어, 구성요소/특징의 생물학적 속성/분석물 특성)에 대한 값을 계산하는 것, 및 판독치(readings)에 확률 맵을 할당하는 것을 포함할 수 있다. 병리상태는 생물학적 정량화된 속성/분석물에 기초하여 결정될 수 있고, 예를 들어 병리상태에 대한 표현형 및/또는 예측 결과를 결정함으로써 특징화될 수 있다.

일부 실시예에서, 분석기 모듈(120)은 다중 시점에 걸쳐 데이터를 비교하는데, 예를 들어 생물학적 구성요소/분석물 중 하나 이상은 시간 기반 정량화를 수반할 수 있다. 추가적인 실시예에서, 예를 들어, 묘사된 필드 내의 복수의 타깃에 걸친 생물학적 속성/분석물의 집계 정량화를 기초로, 다-초점 병리상태(multi-focal pathologies)를 평가하기 위해, 광범위한 스캔 필드가 이용될 수 있다. 마지막으로, 전술한 분석에 기초하여, 분석기 모듈(120)은 환자 보고서를 생성하도록 구성될 수 있다.

도 3은 본 발명의 일부 실시예에 따른, 혈관주위 지방 조직의 존재를 묘사하고 환자의 의료 영상화 데이터에 기초하여 cap 두께를 결정하기 위한 방법의 흐름도이다. 의료 영상화 데이터는 방사선 데이터 및 비방사선 데이터를 포함할 수 있다. 예를 들어, 의료 영상화 데이터는 MRI 이미지 정보, 환자 인구통계학적 정보 및/또는 MRI 장치 정보를 포함할 수 있다.

방법은 의료 영상화 데이터에 기초하여 루멘 경계를 분할하는 단계(단계(305))를 포함할 수 있다. 또한, 방법은 의료 영상화 데이터에 기초하여 외부 벽 경계를 분할하는 단계(단계(310))를 포함할 수 있다. 의료 영상화 데이터를 분할하는 단계는 (예를 들어, 파일로부터, 사용자로부터, 다른 컴퓨터로부터, 그리고/또는 클라우드로부터)의료 영상화 데이터를 수신하는 단계를 포함할 수 있다. 의료 영상화 데이터는 MRI, CT, 및/또는 초음파 장치를 거쳐 획득되는 데이터를 포함할 수 있다. 의료 영상화 데이터는 하나 이상의 생물학적 속성을 식별 및/또는 정량화하기 위해 (예를 들어, 도 1에서 전술한 바와 같이 분석기 모듈(120)을 통해) 분석될 수 있다. 일부 실시예에서, 의료 영상화 데이터는 더 상세히 후술된 바와 같이 복원 및/또는 복원/디블러링될 수 있다.

의료 영상화 데이터는 표현형이 될 생리학적 타깃을 포함하는 관심 영역을 나타내는 사용자로부터의 입력을 포함할 수 있다.

상기 하나 이상의 생물학적 속성을 식별 및/또는 정량화하는 것은 하나 이상의 머신 러닝 알고리즘을 이용하는 것을 포함할 수 있다. 머신 러닝 알고리즘은 파일로부터 검색되거나, 사용자에 의해 입력되거나, 클라우드로부터 검색되거나, 또는 이들의 임의의 조합일 수 있다. 머신 러닝 알고리즘은 CNN(convolutional neural network)인 AlexNet를 사용하여 훈련된 알고리즘일 수 있다. 일부 실시예에서, 머신 러닝 알고리즘은 비-이미지 중간 데이터에 추가로 기초한다. 예를 들어, 유전체학, 단백질체학, 및/또는 전사체학 데이터.

상기 하나 이상의 생물학적 속성 및 의료 영상화 데이터 자체는 2차원(2D) 또는 3차원(3D) 객체로의 분할(segmenting)을 위해 사용될 수 있다. 예를 들어, 루멘 경계를 분할할 때, 혈관의 루멘이 3D로 시각화될 수 있다. 마찬가지로, 외부 벽 경계를 분할할 때, 외부 벽이 3D로 시각화될 수 있다.

일부 실시예에서, 분할 이전에, 혈관의 체적 렌더링을 관찰하는 사용자가 초기 혈관 중심선(vessel centerline)을 규정한다. 루멘의 분할은 최적의 국소 오츠 임계(local Otsu threshold)를 사용하여 임계설정 레벨 세트 진화(thresholding level set evolution)에 의해 수행될 수 있다. 외부 벽의 분할은 루멘 세그멘테이션 및 초기 중심선으로 초기화된 측지 능동 윤곽 레벨 세트 진화(geodesic active contour level set evolution)를 사용하여 수행될 수 있다. 일부 실시예에서, 루멘 및/또는 외부 벽이, 예를 들어, 사용자 입력 장치를 통해서, 사용자에 의해 수동으로 편집될 수 있다.

일부 실시예에서, 중심선 경로는 패스트 마칭 알고리즘을 위한 속력 함수를 규정함으로써 결정된다. 루멘 내부에서, 속력 함수는 루멘의 외측의 그리고 루멘 경계로부터의 거리의 선형 함수일 수 있다. 작지만 0이 아닌 값이, 예를 들어, 완전한 협착에 걸친 경로 탐색을 허용하기 위해 사용될 수 있다. 경사 하강이 초기 중심선을 규정하는데 사용될 수 있는데, 이는 루멘 경계로부터의 단조의 등간격 및 거리(monotonic equal spacing and distance)를 최적화하는 볼-앤드-스프링 모델에 의해 추가로 집중화될 수 있다.

방법은 혈관 경계를 구획(예를 들어, 분기)하는 단계(단계(315))를 포함할 수 있다. 혈관 경계를 구획하는 것은 하나 이상의 혈관 경계로의 분할된 루멘 경계 및 외부 벽 경계에 기초할 수 있다. 상기 하나 이상의 혈관 경계는 2D 또는 3D 객체로 구획될 수 있다.

일부 실시예에서, 혈관 경계를 구획하는 것은, 예로서, MR(Mattes mutual information), CT(mean square error) 메트릭, 강성 버서 변환(rigid versor transform), 및/또는 LBFGSB 최적화기를 이용하여 이미지 등록을 적용하는 것을 포함한다. 초기 루멘 세그멘테이션은 루멘을 구별하기 위해 신뢰 연결 필터(confidence connected filter)(예를 들어, 관상 동맥, 경동맥, 척추부 및/또는 대퇴부)를 이용할 수 있다. 루멘 세그멘테이션은, 혈관도 기능(vessel-ness function)을 규정하기 위해, MR 영상화(예를 들어, 노멀라이징된, 예를 들어 어두운 조영(dark contrast)를 위해 반전된, 이미지들의 조합) 또는 CT 영상화(예를 들어, 등록된 조영전, 조영후 CT 및 2D 가우스 분포의 사용)를 이용할 수 있다. 인근에 있지만 반드시 연결될 필요는 없는 다양한 구성요소들이 그들을 연결하기 위해 확장될 수 있는데, 예를 들어 임계설정을 분석하고 적용함으로써 적용될 수 있다.

일부 실시예에서, 혈관을 구획하는 것은 외부 벽 세그멘테이션(예를 들어, 루멘 불규칙을 고려하기 위한 최소 곡률(k2) 유동의 이용)을 포함한다. 일부 실시예에서, 에지 포텐셜 맵(edge potential map)이 조영 및 비조영 모두에서 외향-하향 경사(gradient)로서 계산된다. 일부 실시예에서, 외부 벽 세그멘테이션은 임의의 다른 에지 정보의 부재 시에 중간 두께를 허용하기 위해 속력 함수에서 누적 분포 함수(예를 들어, 1 내지 2개의 인접한 레벨로부터 벽 두께의 이전의 분포를 포함함)를 이용한다. 일부 실시예에서, 페릿 직경이 혈관 특징화를 위해 채용된다. 일부 실시예에서, 벽 두께는 루멘까지의 거리와 외부 벽까지의 거리의 합으로서 계산된다. 일부 실시예에서, 루멘 및/또는 벽 분할은, 예를 들어, CNN을 사용한 의미론적 세그멘테이션(semantic segmentation)을 사용하여 수행된다. 루멘 및 벽 세그멘테이션은 3개의 분할의 모든 경로 포인트로부터 그리디 패스트 마칭 경쟁(greedy fast marching competition)을 사용하여 경로 분할에 따라 구획될 수 있어, 각각의 세그멘테이션의 3개의 상호 배타적인 구획을 초래한다.

방법은 (예를 들어, 세그멘테이션이 정량화된 생물학적 속성에 기초하기 때문에) 세그멘테이션에 기초하여 석회화 영역, LRNC 영역, 플라크내 출혈 영역, 매트릭스 영역 중 하나 이상을 결정하는 단계(단계(320))를 포함할 수 있다.

방법은 혈관주위 지방 조직을 묘사하는 단계를 포함할 수 있으며, 혈관주위 지방 조직을 묘사하는 단계는, 외부 벽 경계를 미리 결정된 거리만큼 확장시키고, 평가 영역이 혈관주위 지방 조직을 포함하는 지의 여부를 식별하기 위해 제2 세트의 머신 러닝 알고리즘을 이용함으로써 평가 영역을 생성하는 단계(단계(325))를 포함할 수 있다. 미리 결정된 거리는 사용자에 의해 입력되거나, 파일로부터 검색되거나, 정량화된 생물학적 속성에 기초할 수 있다.

일부 실시예에서, 외부 벽 경계는 3D 객체로서 확장된다. 이들 실시예에서, 외부 벽 경계는 미리 결정된 체적만큼 확장된다. 미리 결정된 체적이 사용자에 의해 입력되거나, 파일로부터 검색되거나, 정량화된 생물학적 성질을 기초로 할 수 있다.

일부 실시예에서, 평가 영역이 혈관주위 지방 조직을 포함하는 지의 여부를 식별하는 것은 혈관 및 혈관주위 구조를 평가하기 위한 하나 이상의 알고리즘을 채용하는 것을 포함한다. 시스템(예를 들어, 도 1에서 전술된 시스템(100))은 영상화된 혈관의 기저 구조를 분할하기 위한 타깃/혈관 분할/단면 모델을 채용할 수 있다. 일부 실시예에서, 관강내 불규칙 및/또는 플라크 구조(예를 들어, 리모델링)가 평가된다. 일부 실시예에서는, 혈관주위 지방 조직의 단면적의 최대, 최소, 평균 또는 그의 어떠한 조합이 결정된다.

일부 실시예에서, 상기 하나 이상의 혈관 경계 각각의 단면적의 최대, 최소, 평균 또는 그의 임의의 조합이 결정된다. 일부 실시예에서, 상기 하나 이상의 혈관 경계 각각의 체적이 결정된다.

일부 실시예에서, 혈관 및 혈관주위 조성(벽 내에서, 예를 들어, LRNC(lipid-rich necrotic core)의 단면적 및 체적, 그리고 그것이 루멘에 얼마나 가까운지(예를 들어, cap 두께)), 및/또는 혈관주위 조직 특성, 예를 들어, PVAT(perivascular adipose tissue)를 평가하는 것은 은폐 분석물 카테고리 노드의 국소 이웃(local neighborhood)에 의해 영향을 받고 있는 픽셀 또는 복셀에서의 관찰된 이미지 선명도를 고려하여 부분 체적 및 스캐너 PSF(point spread function)를 고려하는 모델을 포함할 수 있다.

예를 들어, 미국 특허 출원 번호 16/203,418의 도 4는 벽-레벨 세그멘테이션(410)(예를 들어, 혈관의 단면 슬라이스), 블롭- 레벨(blob-level) 세그멘테이션 및 픽셀-레벨 세그멘테이션(430)(예를 들어, 개별 이미지 픽셀에 기초함)을 포함하는 다중 스케일 혈관 벽 분석물 맵을 도시한다.

또한, 방법은 루멘 경계와 LRNC 영역 사이의 최소 거리에 기초하여 cap 두께(예를 들어, cap으로 설명될 수 있는 조직의 층)를 결정하는 단계(단계(330))를 포함할 수 있다. 루멘 경계와 LRNC 영역 사이의 최소 거리는, 루멘 내의 복셀과 LNRC 내의 복셀 사이에 제1 벡터를 생성하고, 이 벡터의 거리를 결정하고, 루멘 내의 상이한 복셀 포인트와 LNRC 내의 상이한 복셀 사이에 제2 벡터를 생성하고, 거리를 결정하여 제1 결정 거리에 대해 비교하고, 이 두 거리 중 최단 거리를 유지함으로써, 결정될 수 있다. 최단 복셀을 찾고 이를 cap 두께로서 할당하기 위해 추가의 루멘 및 LNRC 복셀에 대해 이러한 단계를 수행.

일부 실시예에서, 조직의 단면에 관련된 파라미터가 결정 및/또는 출력된다. 예를 들어, 각각의 위치 및 배향된 슬래브(slab) 내의 단면, 벽 내(예를 들어, 외부 벽 경계 내) 및/또는 혈관주위에서의 조직 특성의 최대, 평균, 최소, 및/또는 영역.

일부 실시예에서, 하나 이상의 혈관에 관련된 파라미터가 결정되고 그리고/또는 출력된다. 예를 들어, 전술한 바와 같은 각각의 구획부 내에서, 각각의 개별적인 혈관 내에 포함된 모든 단면에 걸친 최대, 평균, 및/또는 최소 단면 측정치가 결정 및/또는 출력될 수 있다. 각각의 구획부 내에서, (예를 들어, 3D 객체에 대해) 체적 및/또는 체적 비율이 결정 및/또는 출력될 수 있다. 일부 실시예에서, 파라미터는 타깃(예를 들어, 혈관의 그룹)과 관련된다. 일부 실시예에서, 타깃과 관련된 파라미터를 결정하는 것은, 혈관 레벨(vessel level)과 같이 유사한 기능을 수행하지만, 타깃에 대해서 전체적으로 수행하는 것을 포함한다.

일부 실시예에서, 판독치는 ML에 대해(예를 들어, 훈련 세트로 및/또는 환자별 추정에서) 마샬링될 수 있다. 일부 실시예에서, 판독치는 단독으로 또는 비영상화 데이터, 예를 들어, 큐레이팅된 조직 수집물 내의 혈액학(bloodwork) 및/또는 전사체학 데이터와 함께 ML에 대해 마샬링될 수 있다.

일부 실시예에서, 각각의 단면에 대해, 이미지는 DL에 대해(예를 들어, 훈련 세트로 및/또는 환자별 추정에서) 저장된다(예를 들어, 선택적으로 강화된다). 일부 실시예에서, 이미지는 DL에 대해 단독으로 또는 비영상화 데이터, 예를 들어, 큐레이팅된 조직 수집물 내의 혈액학 및/또는 전사체학 데이터와 함께 저장된다.

도 3a에서, 복원된/디블러링된 이미지는 전술한 방법(예를 들어, 도 4 및 도 5)에 따른 복원이 적용된 후 원본 소스 CT 스캔에 대한 선명도 프로파일(intensity profile)을 갖는 관상 동맥을 통한 단면을 도시한다. 원본 이미지에 비교한 변화는 +/-30 HU 정도일 수 있다.

일부 시나리오에서, 더 희박한(subtle) 조직 특성은 도 3a에 예시된 바와 같이 소스 CT 이미지로부터의 초기 추정에 대해 블러링 아티팩트(artifacts)에 너무 취약하다. 도 3a는 모델 기반 복원 후 그리고 원본 소스 CT에 대한 선명도 프로파일을 갖는 관상 동맥을 통한 단면인, 조직의 정확한 정량화에 영향을 미칠 수 있는 복원 효과를 도시하는 도면이다. PVAT의 경우, 그 전체 지방 조직이 -100 HU이고 염증으로 인한 수분(water)은 0 HU여서, 얼마나 많은 물이 해당 조직에 진입하는지에 따라서 일부 염증을 갖는 지방 조직은 -100 HU와 0 HU 사이의 어딘가에 있게 된다고 가정할 수 있다. 예를 들어, 조직이 50% 지방 조직 및 염증으로부터의 50% 수분이라면, 50 HU의 변화가 달성될 수 있고, 이는 CT 블러에 대한 비보정에 의해 무효화될 수 있어서, 잠재적으로 양호한 바이오표지자를 비효과적으로 만든다.

전술한 바와 같이, 일부 실시예에서, 의료 영상화 데이터는 복원 및/또는 복원/디블러링될 수 있다. 예를 들어, 미국 특허 출원 번호 16/203,418의 도 21은, 예를 들어, 표현형을 예측하게 하는 특성을 결정하는 능력을 감소시킬 수 있는 이미지 형성 프로세스로부터 초래될 수 있는 아티팩트 및/또는 이미지 제한을 완화시키기 위해 환자별 포인트 스프레드 결정 알고리즘(point spread determination algorithm)을 사용하는 복원의 사전 프로세싱 단계의 일 예를 도시한다. 이 도면은 CT로부터의 플라크의 방사선 분석 적용 분석의 일부를 나타낼 수 있다. 도면에 도시된 바와 같이, 복원된/디블러링된 또는 복원된 이미지는 이미지의 상이한 영역의 진정한 잠재 밀도(true latent density)에 대한 가정을 정규화(regularizing)하여 스캐너 포인트 스프레드 함수의 물리적 모델을 반복적으로 피팅한 결과이다.

일부 실시예에서, 이미지의 복원은 다음과 같이 수행될 수 있다: 영상화 장치(예를 들어, MRI 또는 CT 장치)가 측정된 이미지를 취득하는데 사용될 수 있다. 조직 특성 이미지 모델이 진정한 기저 이미지를 표현하는 측정된 이미지에 대해 초기화될 수 있다. 조직 특성 모델이 생물학적 분석물을 표현하는 이미지 내의 표면 및 형상의 수치적 분석을 위한 개념적 프레임워크로서 LSM(level-set method)을 적용할 수 있다. 조직 특성 모델은 특성 방정식 세트를 통해 이미지 데이터에 대해 레벨 세트를 맵핑할 수 있으며, 따라서 특정 생물학적 분석물을 표현할 수 있다. 특성 방정식은 조직 특성 모델을 위한 최적의 변환 파라미터를 결정하기 위해 최적화 문제를 해결하기 위해 이용될 수 있고, 이에 의해 분석되고 있는 특정 생물학적 분석물의 세그멘테이션을 위한 복원을 최적화할 수 있다. 조직 특성 모델 및/또는 최적화 파라미터는 유리하게는, 예를 들어, 분석물에 대한 생물학적 모델에 기초한, 시스템의 기저 생물학의 지식 기반을 고려/사용할 수 있다. 최적화 문제는 베이지안 프레임워크 내의 상이한 분석물의 외관에 관한 영상화 물리학(imaging physics)을 모델링하는 에너지 함수를 최소화하기 위해 조직 특성 이미지 모델을 반복적으로 조절하는 반복 프로세스를 사용하여 해결될 수 있다(예를 들어, 에너지는 이미지 위에 통합된 베이지안 프레임워크에 대한 확률의 음의 로그일 수 있다). 복원/디블러링된 이미지는 최적화 문제로부터 결정된 변환 파라미터에 기초하여 출력될 수 있다. 복원된/디블러링된 이미지는 생물학적 분석물의 세그멘테이션 및/또는 정량 분석을 위해 최적화될 수 있는 복원을 포함할 수 있다. 이는 분석되는 시스템의 기저 생물학을 고려하지 못한 일반화된 복원 기술에 비해 상당한 개선을 나타낼 수 있다.

다양한 이점 및 개선 사항이, 복원, 예를 들어 매우 어두운 신호 뿐만 아니라 매우 밝은 신호로부터 도출되는 블러의 제거에 의해 제공될 수 있다. 종래의 기술과는 달리, 이는 스캐너에서의 기술적 이미지 형성 프로세스 뿐만 아니라 영상화되고 있는 특정 생물학 모두를 유리하게 고려할 수 있다. 추가의 이점은 이미지에 기초하여 스캐너 블러를 추론하는 것과, 예를 들어 조직병리상태과 같은 진정한 소스(truth source)로부터 도출된 조직 특성의 이전 추정의 상세한 통계학적 모델을 통합하는 것을 포함할 수 있다.

일부 실시예에서, 사용된 사전 추정치는 관찰된 이미지 데이터에 대해 가장 타당해 보이는 설명을 제공하도록 분류 프로세스에 정보를 제공한다. 추가의 이점은, 예를 들어, 상이한 유형의 조직에 대한 단면적, 체적, 및 공간적 위치를 포함하는 생물학적 분석물의 판독치의 증가된 정확도를 포함할 수 있다.

도 4는 본 발명의 일부 실시예에 따른, 복원 및 분할을 위한 방법에 대한 흐름도이다. 방법은 영상화 장치를 통해서 측정된 이미지를 취득하는 단계(단계(401))를 포함할 수 있다. 또한, 방법은 진정한 기저 이미지를 표현하는 측정된 이미지에 대한 조직 특성 이미지 모델을 초기화하는 단계(단계(402))를 포함할 수 있다. 일부 실시예에서, 조직 특성 이미지 모델을 초기화하는 단계는 φi 레벨 세트 함수 및

i 특성 함수를 초기화하는 단계와, 일정한 선명도로 마스킹된 배경 영역으로 초기화하는 단계(g)를 포함할 수 있다.

또한, 방법은 상이한 분석물의 외관에 관련된 영상화 물리학을 모델링하는 에너지 함수를 최소화하기 위해 조직 특성 이미지 모델을 반복적으로 조절할 수 있는 반복 프로세스를 사용하여 최적화 알고리즘을 해결하는 단계(단계(403))를 포함할 수 있다. 일부 실시예에서, 최적화 알고리즘은:

중지 기준까지

a. 특성 함수

I 계산,

b. 블러링된 특성 함수 h*

I 계산,

c. 상수 ci 계산,

d. dφi/dt 레벨 세트 함수 업데이트 계산,

i. 에지에서 부분 체적 효과를 갖는 이미지 f 생성

ii. 이미지 h*f 생성;

체적 분율은 특성 함수로부터 컴퓨팅된다.

일부 실시예에서, 반복에 대한 정지 기준은 하나 이상의 사용자-규정 반복 횟수에 기초할 수 있다.

최적화 알고리즘은 도 5에서 아래에 도시된 바와 같은 반복 프로세스를 사용할 수 있다.

또한, 방법은 최적화 알고리즘으로부터 결정된 변환 파라미터에 기초하여 복원된/디블러링된 이미지를 출력하는 단계(단계(404))를 포함할 수 있다. 일부 실시예에서, 복원된/디블러링된 이미지를 출력하는 단계는, I_{복원된/디블러링된} = g - (h*f - f)로 제공되는 복원된/디블러링된 이미지를 출력하는 단계를 포함한다.

도 5는, 분석물 이미지 영역이 각각의 조직 특성 유형에 대한 레벨 세트 함수의 함수로서 특성 함수에 의해 규정되는 다중 다위상 레벨 세트의 맥락에서 적용되는 바와 같은 반복적 최적화 알고리즘 단계(예를 들어, 도 4의 단계(403))의 방법에 대한 흐름도이다. 방법은 예를 들어 현재 레벨 세트에 기초하여 현재 반복에 대한 레벨 세트 함수로부터 특성 함수를 계산하는 단계(단계(501))를 포함할 수 있다. 또한, 방법은 예를 들어, 영상화 장치를 위한 PSF(point spread function)가 주어지면 IIR 가우스 블러링에 기초하여 특성 함수로부터 계산된 블러링된 특성 함수를 계산하는 단계(단계(502))를 포함할 수 있다. 또한, 방법은, 블러링된 특성 함수에 대한 이미지 선명도 상수를 계산하는 단계(단계(503))를 포함할 수 있다. 또한, 방법은, 예를 들어, 에너지 함수를 최소화하기 위한 경사 하강 접근법(gradient decent approach)을 기초로, 레벨 세트 업데이트를 계산하는 단계(단계(504))를 포함할 수 있다. 반복 프로세스는 (예를 들어, 단계(501 내지 504)를 반복하기 전에) 모든 반복에서 레벨 세트 및 특성 방정식을 재초기화한다. 따라서, 레벨 세트 함수의 부호화된 거리 속성(signed distance property)은 반복 이후 재초기화까지 각 반복 동안 완화된다.

도 6, 도 7a 내지 도 7b, 및 도 8a 내지 도 8b는 전술된 바와 같은 복원/세그멘테이션의 유효성을 예시할 수 있다. 특히, 도 6은 블러링을 포함하는 취득된 이미지의 일 예이다. 도 7a는 블러링을 포함하는 취득된 이미지의 일 예를 도시하고, 도 7b는 본원에 적용된 본 발명의 실시예에 따른 복원 및 분할이 적용된 이후의 도 7a의 동일한 취득된 이미지를 도시한다. 도 8의 a는 블러링을 포함하는 다른 취득된 이미지의 다른 예를 도시하고, 도 8의 b는 본원에 적용된 본 발명의 실시예에 따른 복원 및 분할이 적용된 이후의 도 8a의 동일한 취득된 이미지를 도시한다. 도 7a 내지 7b 및 도 8a 내지 도 8b에 도시된 바와 같이, 본 발명의 복원 및/또는 세그멘테이션 방법은 유리하게는 생물학적 분석물의 개선된 인식을 제공할 수 있다. 일부 실시예에서, 복원된/디블러링된 이미지는 생물학적 분석물을 표현하는 분할된 영역을 분할된 영역에 대한 오버레이 맵(예를 들어, 색 코드화 오버레이 맵)으로 대체함으로써 증강된다.

도 9는 본 발명의 일부 실시예에 따른 증강된 복원/디블러링된 이미지의 일 예를 도시한다.

증강된 복원된/디블러링된 이미지는 식별된 분석물 영역과 연계된 정량적 측정치 뿐만 아니라 구조 및/또는 조성의 하나 이상의 그래픽 특징화를 나타낼 수 있다. 그에 따라, 증강된 복원된/디블러링된 이미지는 유리하게는 임상의가 환자의 병리상태를 평가하기 위한 개선된 툴을 제공할 수 있다.

상기 벽의 기하구조가 상당히 비원형일 수 있기 때문에, 반경방향 거리는 내부 관강내 표면까지의 최단 거리 및 외부의 외막 표면까지의 최단 거리에 기초하여 규정될 수 있다. 조직학 이미지의 전문적 주석은 루멘 및 혈관을 형성하는 영역(루멘과 혈관 벽의 결합부로서 규정됨)을 포함한다.

부호화된 거리 함수가 개별적으로 이들 L(x) 및 V(x) 각각에 대해 생성될 수 있다. 통상적으로는, 이 영역의 내부는, 벽 내에서 L이 양이고 V가 음이도록, 음이다. 상대적 반경방향 거리는 r(x) = L(x)/(L(x)-V(x))로서 컴퓨팅된다. 이는 관강내 표면에서 0의 값을 갖고 외막 표면에서 1의 값을 갖는다. r-축의 방향은 에 ∇r(x)의해 결정된다.

일부 실시예에서는, 분할된 루멘(L)으로 초기화된 전체 혈관 루멘에 대해 하나의 레벨 세트가 사용될 수 있다. 각각의 별개의 연속적인 밝은 영역은 그 자체의 레벨 세트로서 초기화될 수 있고 이하와 같이 계산될 수 있다: 후보 밝은 영역은 (밝은 피크를 캐치먼트 베이신(catchment basin)으로 전환하기 위해) 반전된 이미지에 적용되는 형태학적 워터쉐드(morphological watershed)를 사용하여 컴퓨팅된다.

일부 실시예에서, 에너지 함수는, 영상화 물리학과 생물학 사이의 모델링을 통합하는 접근법을 표현할 수 있다. 영상화 물리학 부분은 스캐너의 PSF 및 이미지 선명도를 고려할 수 있는 한편, 모델의 생물학적 부분은 아테롬성동맥경화성 플라크의 구조 및 성장 패턴의 조직학-기반 지식을 포함한다. 모델은 가장 가능한 구성을 향해 그리고 물리적으로 및 생물학적으로 비현실적인 해결책으로부터 벗어나서 모델에 우선적으로 가중치를 부여한다. 모델은 확률론적 용어로 제공될 수 있고 에너지는 이미지에 통합된 확률의 음의 로그이다. 분석적 취급성(analytic tractability)을 제공하는 것에 더하여, 로그는 확률 해결책 감소에 대항하여 초-선형적으로(super-linearly) 가중된다.

일부 실시예에서, 나이브 베이즈 [10] 도메인 독립 가정(

[10] domain independence assumption)은 영상화 물리학과 생물학 사이에서 이루어지며, 예를 들어, 블러링된 모델과 블러링된 취득된 이미지 사이의 잔차 가능성은 서로 인접한 조직 특성 영역의 구성의 생물학적 가능성에 의존하지 않는다.

알고리즘 전체에 걸쳐 진화될 수 있는 다양한 모델 파라미터는 이미지에 걸쳐 맵핑된 레벨 세트 함수, 상이한 생물학적 조직 특성의 진정한(예를 들어, 복원된/디블러링된) 이미지 선명도, 및 스캐너 PSF의 폭을 포함한다. 사전 학습된 모델 파라미터는 플라크를 갖는 조직 특성의 공간적 분포의 의존성의 모델을 포함할 수 있다.

일부 실시예에서, 초기화 후에, 모델은 경사 하강 궤적을 통한 에너지 함수를 최소화하기 위해 반복적으로 조절된다. 경사 하강 접근법은, 에너지를 최소화하기 위해, 각각의 레벨 세트 φ와 같은 모델 파라미터의 직접적인 조절을 허용할 수 있다.

에너지 함수 내의 영상화 물리학 항은 블러링되어 이상화된 불연속적인 불변 이미지(piecewise constant image)와 취득된 이미지 사이의 차이의 L2 노름을 표현할 수 있다. 계수는 곡률 전개(curvature evolution) 평활화의 효과와 모드-대-이미지 잔차의 최소화 사이의 균형을 허용할 수 있다. 증거 변수는 블러링된 이미지(g)에 의해 표현된 취득된 이미지 픽셀 선명도일 수 있다. 각각의 반복 내에서, 하위-단계의 순서는 변수를 통한 정보의 흐름을 따를 수 있다.

특성 함수는 매개 역할을 할 수 있으며, 오일러-라그랑주 방정식은 레벨 세트 함수에 관하여 결정될 수 있다. 에너지 함수는, 동시에 그리고 독립적으로 공간 내의 모든 포인트에서 E의 국소 최소치를 향해 각각의 φ를 이동하시키는 경사 하강 접근법을 사용하여 최소화될 수 있다. 각각의 반복 내에서, 레벨 세트 함수의 부호화된 거리 속성은 반복 이후 재초기화 및 이에 따른 적산이 사라질 때까지 완화될 수 있다.

본 발명의 하나의 이점은 이미지에 대한 보정들(h*f - f)을 포함할 수 있으며, 이러한 보정들은 그들이 단순히 가우시안에 의해 블러링된 단차 에지(step edge)일 수 있어 고주파 노이즈의 잘못된 증폭을 방지할 수 있다는 점에서 저주파일 수 있는데, 이러한 잘못된 증폭은 증폭하는 진정한 이미지 구조를 증폭하는 이미지 노이즈로부터 완전히 분리할 수 있는 종래의 디컨볼루션 기술에서 종종 발생될 수 있다. 사실, 이 개선된 디컨볼루션 프로세스의 에러는 오로지(또는 실질적으로 오로지) 영역 이미지 선명도 상수, 에지의 위치 및/또는 영상화 시스템 블러의 정확도에만 영향을 받을 수 있는데, 이들 모두는 매우 직관적일 수 있고, 최종 사용자에 의해 쉽게 시각적으로 확인될 수 있다.

비록 본 발명의 실시예가 이와 관련하여 제한되지는 않으나, 예를 들어 "처리(processing)", "컴퓨팅(computing)", "계산(calculating)", "결정(determining)", "확립(establishing)", "분석(analyzing)", "확인(checking)" 등과 같은 용어를 이용한 논의는 컴퓨터, 컴퓨팅 플랫폼, 컴퓨팅 시스템 또는 컴퓨터의 레지스터 및/또는 메모리 내의 물리(예를 들어, 전자)량으로 표현되는 데이터를 컴퓨터의 레지스터 및/또는 메모리 내의 물리량으로 유사하게 표현되는 다른 데이터 또는 동작 및/또는 프로세스를 수행하기 위한 명령어를 저장할 수 있는 다른 정보 비일시적 저장 매체로 조작 및/또는 변환하는 다른 전자 연산 장치의 동작(들) 및/또는 프로세스(들)를 나타낼 수 있다.

비록 본 발명의 실시예가 이에 한정되지는 않으나, 본원에서 사용된 용어 "복수"는 예를 들어 "다수" 또는 "둘 이상"을 포함할 수 있다. 용어 "복수"는 명세서 전반에 걸쳐 둘 이상의 구성요소, 장치, 요소, 유닛, 파라미터 등을 설명하는데 사용될 수 있다. 본원에서 사용될 때 용어 세트는 하나 이상의 아이템을 포함할 수 있다. 명시적으로 기술되지 않는 한, 본원에서 설명된 방법 실시예는 특정한 순서 또는 시퀀스로 제약되지 않는다. 추가적으로, 설명된 방법 실시예 또는 그 요소 중 일부는 동시에, 동일한 시점에, 또는 동시 발생적으로 발생되거나 수행될 수 있다.

컴퓨터 프로그램은, 컴파일링되거나 해석된 언어를 포함하는 임의의 형태의 프로그래밍 언어로 기입될 수 있으며, 컴퓨터 프로그램은 독립 프로그램 또는 서브루틴으로서 컴퓨팅 환경에서 사용하기에 적합한 요소 및/또는 다른 유닛을 포함하는 임의의 적절한 형태로 배포될 수 있다. 컴퓨터 프로그램은 하나의 컴퓨터 상에서 또는 한 장소의 다수의 컴퓨터 상에서 실행되도록 전개될 수 있다.

방법 단계는 입력 데이터를 연산하고 출력을 생성함으로써 본 발명의 기능을 수행하기 위해 컴퓨터 프로그램을 실행하는 하나 이상의 프로그램 가능 프로세서에 의해 수행될 수 있다. 또한, 방법 단계는 기기에 의해 수행될 수 있고 특수 목적 논리 회로로 구현될 수 있다. 회로는 예를 들어 FPGA(field programmable gate array) 및/또는 ASIC(application-specific integrated circuit)일 수 있다. 모듈, 서브루틴, 및 소프트웨어 에이전트는 그 기능성을 구현하는 컴퓨터 프로그램, 프로세서, 특수 회로, 소프트웨어, 및/또는 하드웨어의 부분을 지칭할 수 있다.

컴퓨터 프로그램의 실행에 적합한 프로세서는, 예로서 일반적인 목적 및 특수 목적 모두의 마이크로프로세서, 및 임의의 종류의 디지털 컴퓨터의 어느 하나 이상의 프로세서를 포함한다. 대체로, 프로세서는 판독-전용 메모리 또는 랜덤 액세스 메모리 또는 양자 모두로부터 명령어 및 데이터를 수신할 것이다. 컴퓨터의 필수 요소는 명령어를 실행하기 위한 프로세서와, 명령어 및 데이터를 저장하기 위한 하나 이상의 메모리 장치이다. 대체로, 컴퓨터는 데이터를 저장하기 위한 하나 이상의 대용량 저장 장치(예를 들어, 자기 디스크, 광자기 디스크, 또는 광 디스크)에 대해 데이터를 수신 및/또는 송신하도록 동작식으로 결합될 수 있다.

또한, 데이터 송신 및 명령어는 통신 네트워크를 통해 발생할 수 있다. 컴퓨터 프로그램 명령어 및 데이터를 구현하기에 적합한 정보 캐리어는, 예로서 반도체 메모리 장치를 포함하는, 모든 형태의 비-휘발성 메모리를 포함한다. 정보 캐리어는, 예를 들어, EPROM, EEPROM, 플래시 메모리 장치, 자기 디스크, 내장 하드 디스크, 분리형 디스크, 광자기 디스크, CD-ROM, 및/또는 DVD-ROM 디스크일 수 있다. 프로세서와 메모리는 특수 목적 논리 회로 내에 통합되거나, 특수 목적 논리 회로에 의해 보충될 수 있다.

사용자와의 상호작용을 제공하기 위해, 전술된 기술은 디스플레이 장치, 송신 장치, 및/또는 컴퓨팅 장치를 갖는 컴퓨터 상에서 구현될 수 있다. 디스플레이 장치는 예를 들어, 음극선관(CRT) 및/또는 액정 디스플레이(LCD) 모니터일 수 있다. 사용자와의 상호작용은 예를 들어, 사용자에 대한 정보의 디스플레이 및 사용자가 컴퓨터에 입력을 제공할 수 있게 하는 (예를 들어, 사용자 인터페이스 요소와 상호작용하는) 키보드 및 포인팅 장치(예를 들어, 마우스 또는 트랙볼)일 수 있다. 다른 종류의 장치가 사용자와의 상호 작용을 제공하는데 사용될 수 있다. 다른 장치는, 예를 들어, 임의의 형태의 감각적 피드백(예를 들어, 시각적 피드백, 청각적 피드백, 또는 촉각적 피드백)으로 사용자에게 제공되는 피드백일 수 있다. 사용자로부터의 입력은 예를 들어, 음향, 음성 및/또는 촉각 입력을 포함하는 임의의 형태로 수신될 수 있다.

컴퓨팅 장치는, 예를 들어, 컴퓨터, 브라우저 장치를 가지는 컴퓨터, 전화기, IP 폰, 모바일 장치(예를 들어, 셀룰러 폰, PDA(personal digital assistant) 장치, 랩톱 컴퓨터, 전자 메일 장치), 및/또는 다른 통신 장치를 포함할 수 있다. 컴퓨팅 장치는, 예를 들어, 하나 이상의 컴퓨터 서버일 수 있다. 컴퓨터 서버는 예를 들어 서버 팜의 일부일 수 있다. 브라우저 장치는, 예를 들어, 월드 와이드 웹 브라우저(예를 들어, Microsoft Corporation으로부터 입수할 수 있는 Microsoft® Internet Explorer®, Google로부터 입수할 수 있는 Chrome, Mozilla Corporation으로부터 입수할 수 있는 Mozilla® Firefox, Apple로부터 입수할 수 있는 Safari)를 구비한 컴퓨터(예를 들어, 데스크톱 컴퓨터, 랩톱 컴퓨터, 및 태블릿)를 포함한다. 모바일 컴퓨팅 장치는, 예를 들어, PDA(personal digital assistant)를 포함한다.

웹사이트 및/또는 웹 페이지는 예를 들어, 웹 서버를 사용하는 네트워크(예를 들어, 인터넷)를 통해 제공될 수 있다. 웹 서버는 예를 들어, 서버 모듈(예를 들어, Microsoft Corporation으로부터 입수 가능한 Microsoft® Internet Information Services, Apache Software Foundation으로부터 입수 가능한 Apache Web Server, Apache Software Foundation으로부터 입수 가능한 Apache Tomcat Web Server)을 갖는 컴퓨터일 수 있다.

저장 모듈은 예를 들어, RAM(random access memory) 모듈, ROM(read only memory) 모듈, 컴퓨터 하드 드라이브, 메모리 카드(예를 들어, USB(universal serial bus) 플래시 드라이브, SD(secure digital) 플래시 카드), 플로피 디스크, 및/또는 임의의 다른 데이터 저장 장치일 수 있다. 저장 모듈에 저장된 정보는 예를 들어, 데이터베이스(예를 들어, 관계형 데이터베이스 시스템, 플랫 데이터베이스 시스템) 및/또는 임의의 다른 논리 정보 저장 메커니즘 내에 유지될 수 있다.

전술한 기술은 백-엔드 컴포넌트를 포함하는 분산형 컴퓨팅 시스템에서 구현될 수 있다. 백-엔드 컴포넌트는 예를 들어 데이터 서버, 미들웨어 컴포넌트 및/또는 애플리케이션 서버일 수 있다. 전술한 기술은 프론트-엔드 컴포넌트를 포함하는 분산형 컴퓨팅 시스템에서 구현될 수 있다. 프론트-엔드 컴포넌트는, 예를 들어, 그래픽 사용자 인터페이스, 사용자가 예시적인 구현예와 상호 작용할 수 있는 웹 브라우저 및/또는 송신 장치를 위한 다른 그래픽 사용자 인터페이스를 구비한 클라이언트 컴퓨터일 수 있다. 시스템의 구성요소는 임의의 형태 또는 매체의 디지털 데이터 통신(예를 들어, 통신 네트워크)에 의해 상호연결될 수 있다. 통신 네트워크의 예는 LAN(local area network), WAN(wide area network), 인터넷, 유선 네트워크, 및/또는 무선 네트워크를 포함한다.

시스템은 클라이언트 및 서버를 포함할 수 있다. 클라이언트 및 서버는 대체로 서로 원격에 위치되고 통상적으로 통신 네트워크를 통해 상호작용한다. 클라이언트와 서버의 관계는 각각의 컴퓨터 상에서 실행되고 서로에 대해서 클라이언트-서버 관계를 갖는 컴퓨터 프로그램에 의해 발생한다.

전술한 네트워크는 패킷-기반 네트워크, 회로-기반 네트워크, 및/또는 패킷-기반 네트워크와 회로-기반 네트워크의 조합으로 구현될 수 있다. 패킷-기반 네트워크는 예를 들어, 인터넷, 캐리어 IP(internet protocol) 네트워크(예를 들어, LAN(local area network), WAN(wide area network), CAN(campus area network), MAN(metropolitan area network), HAN(home area network), 개인 IP 네트워크, IP IPBX(private branch exchange), 무선 네트워크(예를 들어, RAN(radio access network), 802.11 네트워크, 802.16 네트워크, GPRS(general packet radio service) 네트워크, HiperLAN), 및/또는 다른 패킷-기반 네트워크를 포함할 수 있다. 회로 기반 네트워크는, 예를 들어, PSTN(public switched telephone network), PBX(private branch exchange), 무선 네트워크(예컨대, RAN, Bluetooth®, CDMA(code-division multiple access) 네트워크, TDMA(time division multiple access) 네트워크, GSM(global system for mobile communications) 네트워크), 및/또는 다른 회로 기반 네트워크들을 포함할 수 있다.

본 발명의 일부 실시예는 시스템, 방법 또는 컴퓨터 프로그램 제품의 형태로 구현될 수 있다. 유사하게, 일부 실시예는 하드웨어, 소프트웨어 또는 양자의 조합으로 구현될 수 있다. 일부 실시예는 구현된 컴퓨터 판독 가능 프로그램 코드의 형태로 하나 이상의 비일시적 컴퓨터 판독 가능 매체(또는 매체들)에 저장되는 컴퓨터 프로그램 제품으로서 구현될 수 있다. 그러한 비일시적 컴퓨터 판독 가능 매체는, 실행될 때 프로세서가 실시예에 따른 방법 단계를 실행하게 하는 명령어를 포함할 수 있다. 일부 실시예에서, 컴퓨터 판독 가능 매체 상의 명령어 저장은 설치된 애플리케이션의 형태 및 설치 패키지의 형태일 수 있다.

이러한 명령어는 예를 들어, 하나 이상의 프로세서에 의해 로딩되고 실행될 수 있다. 예를 들어, 컴퓨터 판독 가능 매체는 비일시적 컴퓨터 판독 가능 저장 매체일 수 있다. 비일시적 컴퓨터 판독 가능 저장 매체는, 예를 들어, 전자, 광학, 자기, 전자기, 적외선, 또는 반도체 시스템, 기기, 또는 장치, 또는 이들의 임의 조합일 수 있다.

컴퓨터 프로그램 코드는 임의의 적절한 프로그래밍 언어로 기입될 수 있다. 프로그램 코드는 단일 컴퓨터 시스템 또는 복수의 컴퓨터 시스템에서 실행될 수 있다.

관련 기술분야의 기술자라면 본 발명의 범주 또는 본질적인 특징 내에서 본 발명이 다른 특정 형태로 구현될 수 있다는 것을 알 수 있다. 따라서 전술한 실시예는 본원에 설명된 본 발명을 한정하는 것이 아니라 전적으로 예시적인 것으로 간주되어야 한다. 따라서 본 발명의 범주는 전술한 서술 내용에 의해서가 아니라 첨부되는 특허청구범위에 의해 표현되며, 그러므로 그 취지와 특허청구범위의 균등예의 범위에 속하는 일체의 변경이 본 발명의 범위 내에 포함되도록 의도되었다.

전술한 상세한 설명에서, 다양한 구체적 세부 사항은 본 발명의 이해를 제공하기 위해 설명되었다. 그러나, 관련 기술분야의 기술자라면 본 발명이 구체적 세부 사항 없이도 실시될 수 있다는 것을 이해할 것이다. 다시 말해서, 공지된 방법, 절차, 구성요소, 모듈, 유닛 및/또는 회로는 본 발명을 불명료하게 하지 않도록 구체적으로 기술되지 않았다. 일 실시예와 관련하여 기술된 일부 특징 또는 요소는 다른 실시예와 관련하여 기술된 특징 또는 요소와 조합될 수 있다.

Claims

프로세서 및 계층적 분석 프레임워크를 포함하는 분석기 모듈을 구현하는 프로세서 실행 가능 명령어를 포함하는 비일시적 저장 매체를 포함하는 시스템이며, 상기 계층적 분석 프레임워크는:
의료 영상화 데이터를 이용하여 생물학적 속성의 세트를 식별 및 정량화하기 위해 제1 세트의 머신 러닝 알고리즘을 이용하고;
혈관주위 지방 조직의 존재를 묘사하기 위해 정량화된 생물학적 속성에 기초하여 의료 영상화 데이터를 분할하도록 구성되는, 시스템.
제1항에 있어서, 의료 영상화 데이터를 분할하는 것은 의료 영상화 데이터를 적어도 루멘 경계와 외부 벽 경계로 분할하는 것을 더 포함하는, 시스템.
제2항에 있어서, 추가로 분석기 모듈은 분할된 루멘 경계 및 외부 벽 경계에 기초하여 루멘 및 외부 벽을 하나 이상의 혈관 경계로 구획하도록 구성되는, 시스템.
제2항에 있어서, 생물학적 속성이 석회화 영역, LRNC 영역, 플라크내 영역, 매트릭스 영역, 또는 이들의 임의의 조합을 포함하는, 시스템.
제2항에 있어서, 혈관주위 지방 조직을 묘사하는 것은:
외부 벽 경계를 미리 결정된 거리만큼 확장시킴으로써 평가 영역을 생성하는 것; 및
평가 영역이 혈관주위 지방 조직을 포함하는지 여부를 식별하기 위해 제2 세트의 머신 러닝 알고리즘을 이용하는 것을 더 포함하는, 시스템.
제1항에 있어서, 분석기 모듈은 혈관주위 지방 조직의 단면적의 최대, 최소, 평균 또는 이들의 임의의 조합을 결정하도록 구성되는, 시스템.
제3항에 있어서, 분석기 모듈은, 각각의 구획에 대해, 상기 하나 이상의 혈관 경계의 각각의 단면적의 최대, 최소, 평균 또는 이들의 임의의 조합을 결정하도록 구성되는, 시스템.
제3항에 있어서, 분석기 모듈은, 각각의 구획에 대해, 상기 하나 이상의 혈관 경계의 각각의 체적을 결정하도록 구성되는, 시스템.
제3항에 있어서, 분석기 모듈은 타깃에 대한 단면적의 최대, 최소, 평균 또는 이들의 임의의 조합을 결정하도록 구성되는, 시스템.
제1항에 있어서, 의료 영상화 데이터를 분할하는 것은 의료 영상화 데이터를 3차원(3D) 객체로 분할하는 것을 더 포함하는 시스템.
프로세서 및 계층적 분석 프레임워크를 포함하는 분석기 모듈을 구현하는 프로세서 실행 가능 명령어를 포함하는 비일시적 저장 매체를 포함하는 시스템이며, 상기 계층적 분석 프레임워크는:
의료 영상화 데이터를 이용하여 생물학적 속성의 세트를 식별 및 정량화하기 위해 제1 세트의 머신 러닝 알고리즘을 이용하고 - 여기서 생물학적 속성은 혈관의 LRNC 영역을 포함하고 -;
루멘 경계를 결정하기 위해 정량화된 생물학적 속성에 기초하여 의료 영상화 데이터를 분할하고;
루멘 경계와 LRNC 영역 사이의 최소 거리에 기초하여 cap 두께를 결정하도록 구성되는, 시스템.
제11항에 있어서, 의료 영상화 데이터를 분할하는 것은 의료 영상화 데이터를 외부 벽 경계로 분할하는 것을 더 포함하는 시스템.
제12항에 있어서, 추가로 분석기 모듈은 분할된 루멘 경계 및 외부 벽 경계에 기초하여 루멘 및 외부 벽을 하나 이상의 혈관 경계로 구획하도록 구성되는, 시스템.
제13항에 있어서, 생물학적 속성이 석회화 영역, LRNC 영역, 플라크내 영역, 매트릭스 영역, 또는 이들의 임의의 조합을 포함하는, 시스템.