CN111904449A - 基于人工智能的脑卒中诊断装置及方法 - Google Patents
基于人工智能的脑卒中诊断装置及方法 Download PDFInfo
- Publication number
- CN111904449A CN111904449A CN202010788109.1A CN202010788109A CN111904449A CN 111904449 A CN111904449 A CN 111904449A CN 202010788109 A CN202010788109 A CN 202010788109A CN 111904449 A CN111904449 A CN 111904449A
- Authority
- CN
- China
- Prior art keywords
- patient
- image
- stroke
- unit
- early
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
- 208000006011 Stroke Diseases 0.000 title claims abstract description 212
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 80
- 238000003745 diagnosis Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims description 112
- 230000000740 bleeding effect Effects 0.000 claims abstract description 86
- 210000004556 brain Anatomy 0.000 claims abstract description 54
- 238000007781 pre-processing Methods 0.000 claims abstract description 31
- 238000003325 tomography Methods 0.000 claims abstract description 26
- 230000002490 cerebral effect Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000005856 abnormality Effects 0.000 claims abstract description 13
- 238000002591 computed tomography Methods 0.000 claims description 114
- 238000013151 thrombectomy Methods 0.000 claims description 67
- 208000028867 ischemia Diseases 0.000 claims description 47
- 230000003902 lesion Effects 0.000 claims description 47
- 206010061216 Infarction Diseases 0.000 claims description 41
- 230000007574 infarction Effects 0.000 claims description 41
- 230000000302 ischemic effect Effects 0.000 claims description 36
- 238000010606 normalization Methods 0.000 claims description 28
- 210000003625 skull Anatomy 0.000 claims description 26
- 208000014644 Brain disease Diseases 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 19
- 210000003657 middle cerebral artery Anatomy 0.000 claims description 15
- 210000002551 anterior cerebral artery Anatomy 0.000 claims description 13
- 210000003388 posterior cerebral artery Anatomy 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 12
- 238000002224 dissection Methods 0.000 claims description 11
- 210000004004 carotid artery internal Anatomy 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 9
- 210000001519 tissue Anatomy 0.000 claims description 9
- 210000005013 brain tissue Anatomy 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 206010008190 Cerebrovascular accident Diseases 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000000185 intracerebroventricular administration Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 2
- 238000007428 craniotomy Methods 0.000 claims 1
- 230000036285 pathological change Effects 0.000 claims 1
- 231100000915 pathological change Toxicity 0.000 claims 1
- 230000006496 vascular abnormality Effects 0.000 claims 1
- 208000032843 Hemorrhage Diseases 0.000 description 83
- 208000034158 bleeding Diseases 0.000 description 67
- 230000008569 process Effects 0.000 description 39
- 210000004204 blood vessel Anatomy 0.000 description 19
- 238000012216 screening Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 14
- 239000003814 drug Substances 0.000 description 13
- 238000012360 testing method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 11
- 210000001627 cerebral artery Anatomy 0.000 description 11
- 238000000605 extraction Methods 0.000 description 11
- 229940079593 drug Drugs 0.000 description 10
- 230000006378 damage Effects 0.000 description 9
- 239000000284 extract Substances 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 9
- 239000008280 blood Substances 0.000 description 7
- 210000004369 blood Anatomy 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 239000002547 new drug Substances 0.000 description 7
- 210000001367 artery Anatomy 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000011084 recovery Methods 0.000 description 6
- 208000018152 Cerebral disease Diseases 0.000 description 5
- 208000032382 Ischaemic stroke Diseases 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 230000002008 hemorrhagic effect Effects 0.000 description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 238000004393 prognosis Methods 0.000 description 5
- 208000007536 Thrombosis Diseases 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 4
- 230000001154 acute effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 208000026106 cerebrovascular disease Diseases 0.000 description 4
- 230000003631 expected effect Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 208000014674 injury Diseases 0.000 description 4
- 208000023516 stroke disease Diseases 0.000 description 4
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 3
- 206010008118 cerebral infarction Diseases 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 206010051290 Central nervous system lesion Diseases 0.000 description 2
- 208000016988 Hemorrhagic Stroke Diseases 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 230000006931 brain damage Effects 0.000 description 2
- 231100000874 brain damage Toxicity 0.000 description 2
- 208000029028 brain injury Diseases 0.000 description 2
- 210000001715 carotid artery Anatomy 0.000 description 2
- 239000003576 central nervous system agent Substances 0.000 description 2
- 230000003727 cerebral blood flow Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000003527 fibrinolytic agent Substances 0.000 description 2
- 208000020658 intracerebral hemorrhage Diseases 0.000 description 2
- 238000007914 intraventricular administration Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000001151 other effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 229960000103 thrombolytic agent Drugs 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 208000003098 Ganglion Cysts Diseases 0.000 description 1
- 201000008450 Intracranial aneurysm Diseases 0.000 description 1
- 102000056548 Member 3 Solute Carrier Family 12 Human genes 0.000 description 1
- 108091006623 SLC12A3 Proteins 0.000 description 1
- 208000005400 Synovial Cyst Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000003146 anticoagulant agent Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003143 atherosclerotic effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 210000000133 brain stem Anatomy 0.000 description 1
- 210000001638 cerebellum Anatomy 0.000 description 1
- 230000003788 cerebral perfusion Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 239000004083 gastrointestinal agent Substances 0.000 description 1
- 208000031169 hemorrhagic disease Diseases 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 208000024335 physical disease Diseases 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 210000003478 temporal lobe Anatomy 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000002537 thrombolytic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 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
- A61B6/02—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
- A61B6/44—Constructional features of apparatus for radiation diagnosis
- A61B6/4411—Constructional features of apparatus for radiation diagnosis the apparatus being modular
-
- 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
- A61B6/501—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 head, e.g. neuroimaging or craniography
-
- 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
- A61B6/504—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 blood vessels, e.g. by angiography
-
- 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
- A61B6/507—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 determination of haemodynamic parameters, e.g. perfusion 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
- A61B6/52—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
-
- 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
- A61B6/5211—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
- 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
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
-
- 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
- A61B6/5294—Devices using data or image processing specially adapted for radiation diagnosis involving using additional data, e.g. patient information, image labeling, acquisition parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
- G06T3/608—Rotation of whole images or parts thereof by skew deformation, e.g. two-pass or three-pass rotation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/38—Registration of image sequences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physiology (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Pulmonology (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Vascular Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明一方式的基于人工智能的脑卒中诊断装置包括:影像获取部,用于获取与至少一名患者的大脑相关的平扫电子计算机断层扫描影像;预处理部,对上述平扫电子计算机断层扫描影像进行预处理,以预处理的上述影像为基础,判断上述至少一名患者是否处于非出血状态或出血状态;影像处理部,对预处理的上述影像进行归一化,通过利用预设的标准掩模模板划分并提取关注区域;以及判断部,通过利用划分并提取的上述关注区域来判断上述至少一名患者的脑大血管是否存在异常。
Description
技术领域
本发明涉及基于人工智能的脑卒中诊断装置及方法。更详细地,涉及利用人工智能算法的脑卒中诊断装置及方法,上述人工智能算法以平扫电子计算机断层扫描影像为基础分类脑卒中患者并筛选突发性大血管闭塞患者。
背景技术
脑部疾病,即,脑血管疾病包括脑血管破裂的脑出血、脑血管被血栓等阻塞的脑梗塞、脑血管异常膨胀的脑动脉瘤等,将脑出血和脑梗塞统称为“脑卒中”。
为了诊断如上所述的脑部疾病,使用如超声波诊断、脑部电子计算机断层扫描(CT)、脑部磁共振成像(MRI,Magnetic Resonance Imaging)的非侵入性技术。
上述超声波诊断方法可通过颈动脉超声波诊断以非侵入性方法轻松诊断颈动脉的粥样硬化病变。并且,通过经颅多普勒检查(transcranial Doppler)测定颅腔内的脑血流并应用于临床。
利用上述脑部电子计算机断层扫描的诊断方法对出血性疾病的诊断非常有用,近来,随着技术的发达,通过拍摄脑血流状态、脑血管来帮助治疗脑卒中患者。
相比于脑部电子计算机断层扫描,在利用上述脑部磁共振成像的诊断方法中,没有颅骨引起的人工阴影的影响,因此,可详细诊断脑干、小脑、颞叶部位的病灶,可以早期发现脑梗塞、微细诊断脑灌注状态,同时,可精确地诊断脑血管状态,因此,可称为诊断大脑组织的状态的最佳方法。
尤其,脑卒中(Stroke)为向大脑供血的血管被阻塞或破裂而导致脑损伤并由此导致身体障碍的疾病,为全球范围内的主要死亡原因,即使未导致死亡,也引起永久性障碍,被分类为高危疾病。
在以往,认为脑卒中主要为老年疾病,但是,近来,脑卒中经常发生在在30多岁和40多岁的人中,因此,脑卒中被认为是不仅在老年人中发生,还在青壮年中也广泛发生的非常危险的疾病。
这种脑卒中可分为向大脑供血的血管被阻塞而发生的“缺血性脑卒中(ischemicstroke)”和脑部血管破裂并出血而发生的“出血性脑卒中(cerebral hemorrhage)”2种形态。
上述缺血性脑卒中占总脑卒中的约80%,大部分缺血性脑卒中因凝固的血块——血栓(thrombosis)阻塞向大脑供给氧气和营养的血管而发生。
为了诊断脑卒中,研发了各种检查,其中,利用电子计算机断层扫描(CT,computedtomography)的方法可在较快的时间内进行检查。
由此,利用上述电子计算机断层扫描的检查方法具有可快速检查的优点,因此,被认为是适合于需要快速应对的脑卒中疾病的特性的检查方法。
并且,在出血性脑卒中的情况下,发生出血之后可立即被电子计算机断层扫描观察到,因此,为了治疗缺血性脑卒中,在使用用于溶解血栓并使血管畅通的血栓溶解剂之前,必须通过上述电子计算机断层扫描鉴别脑出血。
并且,在使用血栓溶解剂之后,上述电子计算机断层扫描还主要用于观察脑出血的进展。
另一方面,作为用于鉴别脑卒中的代表性指标,使用Alberta卒中项目早期电子计算机断层扫描评分(ASPECTS,Alberta Stroke Program Early CT Score)。
在上述Alberta卒中项目早期电子计算机断层扫描评分中,将大脑中动脉(Middlecerebral artery,MCA)区域划分为10个预定的解剖区域,并对于平扫电子计算机断层扫描评价早期梗塞标记物的存在(参照下述非专利文献1)。
这种上述Alberta卒中项目早期电子计算机断层扫描评分被证明为可诊断脑卒中患者的状态的有力预测因子。
另一方面,在以脑部平扫电子计算机断层扫描影像为基础,通过Alberta卒中项目早期电子计算机断层扫描评分等对脑梗塞的严重程度进行评分的情况下,随着临床医生的区域判断及解释发生诊断结果的差异,因此,具有难以维持诊断结果的一惯性的问题。
并且,在现有技术的脑部疾病分析装置中,在从诊断对象获取的电子计算机断层扫描或脑部磁共振成像等的医疗影像中适用仅检测脑部病变后进行归一化的方式,因此,具有如下的问题,即,从各个患者的医疗影像中提取的区域不一致,且互不相同,当对严重程度进行评分时,误差发生概率高。
因此,需要研发如下的新技术,即,在从诊断对象获取的脑部影像中特定大脑动脉易损伤的脑区域,在相应脑区域中,根据脑部病变所占的比例确定严重程度,由此,可预测脑部损伤的预后。
现有技术文献
专利文献
1.韩国专利授权号10-1992057号(2019年6月24日公告)
2.韩国专利授权号10-1754291号(2017年7月6日公告)
非专利文献
1.Barber PA,Demchuk AM,Zhang J,et al.'Validity and reliability of aquantitative computed tomography score in predicting outcome of hyperacutestroke before thrombolytic therapy:ASPECTS Study Group―Alberta StrokeProgramme Early CT Score.'Lancet 2000;355:1670-74CrossRef Medline
发明内容
另一方面,缺血性脑卒中的初始症状确定及向Alberta卒中项目早期电子计算机断层扫描评分的转换需要显著的因素间变异性(interrater variability),其在其他因素中,还受后经验的影响。
即,在上述Alberta卒中项目早期电子计算机断层扫描评分中,以0至10的分数计算患者的脑卒中进展程度并评价疾病,由此,医务人员将其用作用于确定患者的治疗方法及预测预后的主要指标。
但是,在临床医生推定Alberta卒中项目早期电子计算机断层扫描评分的过程中,由于患者的初始症状、影像的复杂性,推定值可根据临床医生的经历及经验不同。
如上所述的分数变异性(scoring variability)具有对于患者的临床结果的医生决策过程产生负面影响的问题。
因此,需要研发如下的技术,即,以影像处理及深度学习技术为基础,能够以客观化及自动化的方式推定Alberta卒中项目早期电子计算机断层扫描评分。
即,本发明用于解决如上所述的问题,其目的在于,提供如下的Alberta卒中项目早期电子计算机断层扫描评分推定系统及方法,即,在脑部平扫电子计算机断层扫描影像中,推定作为用于鉴别脑卒中疾病的因子的Alberta卒中项目早期电子计算机断层扫描评分。
本发明的再一目的在于,提供如下的Alberta卒中项目早期电子计算机断层扫描评分推定系统及方法,即,当以影像处理及深度学习技术为基础推定Alberta卒中项目早期电子计算机断层扫描评分时,可减少分数变异性。
本发明的另一目的在于,提供可提高对于所推定的Alberta卒中项目早期电子计算机断层扫描评分的可靠性的Alberta卒中项目早期电子计算机断层扫描评分推定系统及方法。
进而,本发明的目的在于,提供如下的利用模板的医疗影像处理装置及方法,即,为了在所有接受试验的人员的医疗影像中一致划分易受大脑动脉损伤的脑区域,可利用模板来执行归一化过程。
本发明的再一目的在于,提供可在归一化的医疗影像中一致划分并提取易受大脑动脉损伤的脑区域的利用模板的医疗影像处理装置及方法。
最终,根据本发明,获取与至少一名患者的大脑相关的平扫(Non-contrast)电子计算机断层扫描影像,对上述平扫电子计算机断层扫描影像进行预处理(Pre-processing),以预处理的上述影像为基础,判断上述至少一名患者是否处于非出血(Nohemorrhage)状态或出血(Hemorrhage)状态,对预处理的上述影像进行归一化,利用预设的标准掩模模板划分并提取关注区域(Region Of Interest,ROI),可利用划分并提取的上述关注区域判断上述至少一名患者的大脑是否存在大血管闭塞(Large Vessel Occlusion)的可能性。
尤其,本发明的目的在于,在至少一名患者的大脑中存在大血管闭塞的可能性的情况下,判断部利用划分并提取的关注区域来推定上述至少一名患者的Alberta卒中项目早期电子计算机断层扫描评分,仅在所推定的上述Alberta卒中项目早期电子计算机断层扫描评分为预定数值以上的情况下,将上述至少一名患者辨别为能够适用机械血栓切除术(Mechanical Thrombectomy)的患者。
并且,本发明的目的在于,提供将利用人工智能的脑卒中诊断方法用于筛选患者组及正常组来提高临床试验成功率的装置、系统及方法。
另一方面,本发明所要实现的技术目的并不局限于以上所提出的技术目的,本发明所属技术领域的普通技术人员可通过以下记载明确理解未提及的其他技术目的。
用于实现上述技术目的的本发明一方式的基于人工智能的脑卒中诊断装置包括:影像获取部,用于获取与至少一名患者的大脑相关的平扫电子计算机断层扫描影像;预处理部,对上述平扫电子计算机断层扫描影像进行预处理,以预处理的上述影像为基础,判断上述至少一名患者是否处于非出血状态或出血状态;影像处理部,对预处理的上述影像进行归一化,利用预设的标准掩模模板划分并提取关注区域(ROI);以及判断部,利用划分并提取的上述关注区域来判断上述至少一名患者的脑大血管(Cerebral Large Vessel)是否异常,在上述至少一名患者的脑大血管中存在异常的情况下,上述判断部利用划分并提取的上述关注区域来推定上述至少一名患者的Alberta卒中项目早期电子计算机断层扫描评分,仅在所推定的上述Alberta卒中项目早期电子计算机断层扫描评分为预定数值以上的情况下,可将上述至少一名患者辨别为能够适用机械血栓切除术的患者。
并且,上述预处理部可包括:噪声滤波部,从上述平扫电子计算机断层扫描影像去除噪声;配准部,执行共同配准(Co-registration),上述共同配准用于对去除噪声的上述平扫电子计算机断层扫描影像中存在的对象中或多个对象之间的多个图像进行空间对准;颅骨剥离部,执行颅骨剥离(Skull-stripping),上述颅骨剥离用于从执行共同配准的上述电子计算机断层扫描影像中去除上述至少一名患者的非大脑结构的部分;以及出血分类部,利用执行颅骨剥离的上述电子计算机断层扫描影像来判断上述至少一名患者是否处于非出血状态或出血状态。
并且,在上述平扫电子计算机断层扫描影像为机架(Gantry)倾斜拍摄的影像的情况下,上述噪声滤波部可执行倾斜校正(Tilt correction)功能,上述倾斜校正功能利用一同存储于原始的上述平扫电子计算机断层扫描影像的机架倾斜标头(Gantry Tiltheader)信息,并通过重采样动作恢复上述倾斜引起的误差。
并且,当拍摄上述平扫电子计算机断层扫描影像时,上述配准部可对通过上述至少一名患者的移动引起的倾斜及大脑形状差异中的至少一种导致的上述平扫电子计算机断层扫描影像中存在的对象中或多个对象之间的多个图像进行空间对准。
并且,上述颅骨剥离部以与大脑组织相比亨氏单位(Hounsfield unit,HU)值相对高的颅骨(Skull)为基准,可从上述电子计算机断层扫描影像中去除非大脑结构的部分。
并且,上述出血分类部以学习出血相关病例的人工智能模型为基础,利用执行颅骨剥离的上述平扫电子计算机断层扫描影像来判断上述至少一名患者是否处于非出血状态或出血状态,上述出血分类部的人工智能模型可通过使用上述至少一名患者的平扫电子计算机断层扫描数据的体素(Voxel)信息来学习。
并且,上述出血分类部可利用执行颅骨剥离的上述平扫电子计算机断层扫描影像中的实质内(Intraparenchymal)信息、脑室内(Intraventricular)信息、蛛网膜下(Subarachnoid)信息、硬膜下(Subdural)信息及硬膜外(Epidural)信息中的至少一种来使上述人工智能模型学习上述出血相关病例。
并且,上述出血分类部构成卷积神经网络(Convolutional neural network,CNN)以从上述至少一名患者的平扫电子计算机断层扫描数据中提取与各个数据切片(Slice)有关的特征图,并可在长短期记忆(Long Short-term Memory,LSTM)神经网络依次适用并合成所提取的上述多个特征图来构建上述人工智能模型。
并且,上述出血分类部在执行颅骨剥离的上述平扫电子计算机断层扫描影像中的预定区域存在异常特定因素(factor)的情况下,可与上述出血分类形态无关地判断为上述至少一名患者处于出血状态。
并且,上述影像处理部包括:模板设置部,用于预设上述标准掩模模板;影像归一化部,用于对预处理的上述影像进行归一化;以及影像处理部,在归一化的上述影像中适用预设的上述标准掩模模板来划分并提取关注区域,可仅在判断为上述至少一名患者处于非出血状态的情况下进行工作。
并且,在上述模板设置部中,收集从多名正常人和脑部疾病患者获取的多个医疗影像,以所收集的上述影像为基础生成三维归一化影像,利用作为预定的单位单元的三维体素信息从上述三维归一化影像生成以X轴、Y轴及Z轴中的一个轴为基准的二维归一化影像,以在所生成的上述二维归一化影像划分的多个关注区域为基础,可预设上述标准掩模模板。
并且,上述影像归一化部可通过改变预处理的上述影像的亨氏单位值来执行上述归一化作业。
并且,上述判断部可包括:缺血(Ischemia)分类部,利用划分并提取的上述关注区域来判断上述至少一名患者的大脑中是否存在缺血;大血管闭塞判断部,在存在上述缺血的情况下,判断上述至少一名患者的脑大血管是否存在异常;Alberta卒中项目早期电子计算机断层扫描评分判断部,在上述脑大血管存在异常的情况下,利用划分并提取的上述关注区域来推定上述至少一名患者的Alberta卒中项目早期电子计算机断层扫描评分;以及血栓切除术(Thrombectomy)判断部,仅在所推定的上述Alberta卒中项目早期电子计算机断层扫描评分为预定数值以上的情况下,将上述至少一名患者辨别为能够适用机械血栓切除术的患者。
并且,上述缺血分类部以学习划分并提取的上述关注区域的病变与否及形态分类的人工智能模型为基础,判断是否存在上述缺血,可利用陈旧性梗塞(Old infarct,OI)、近期梗塞(Recent infarct,RI)、明显低密度(Frank hypodensity,FH)及早期缺血性信号(Early ischemic sign,EIS)来执行上述关注区域的病变与否及形态分类。
并且,在划分并提取的上述关注区域中的一区域存在上述陈旧性梗塞、近期梗塞、明显低密度及早期缺血性信号中的至少一种的情况下,上述缺血分类部可判断为存在上述缺血。
并且,上述脑大血管的异常为大血管闭塞,关于划分并提取的上述关注区域,上述大血管闭塞判断部能够以在神经节下水平(Infra-ganglionic level)中是否检测到致密动脉征(Dense MCA sign)为基础,判断是否存在上述大血管闭塞。
并且,在未检测到上述致密动脉征的情况下,关于划分并提取的上述关注区域,上述大血管闭塞判断部在上述神经节下水平的连续切片(sequential slice)影像的左右半球中检测一侧半球亨氏单位值的频率(frequency),在所检测到的上述两侧半球中至少一个亨氏单位值的频率为预定的基准值以上或所检测到的上述两侧半球的亨氏单位值的频率差为预定的差值以上的情况下,可判断为在上述脑大血管中存在异常。
并且,在上述Alberta卒中项目早期电子计算机断层扫描评分判断部中,以学习划分并提取的上述关注区域的病变与否及形态分类的人工智能模型为基础,推定上述Alberta卒中项目早期电子计算机断层扫描评分,可利用陈旧性梗塞、近期梗塞、明显低密度及早期缺血性信号来执行上述关注区域的病变与否及形态分类。
并且,若检测出上述陈旧性梗塞、近期梗塞、明显低密度及早期缺血性信号中的至少一种,上述Alberta卒中项目早期电子计算机断层扫描评分判断部则将其认定为病变,可将认定为上述病变的值反映在上述Alberta卒中项目早期电子计算机断层扫描评分的推定中。
并且,若在上述陈旧性梗塞、近期梗塞、明显低密度及早期缺血性信号中检测出明显低密度及早期缺血性信号,上述Alberta卒中项目早期电子计算机断层扫描评分判断部则将其认定为病变,可将认定为上述病变的值反映在上述Alberta卒中项目早期电子计算机断层扫描评分的推定中。
并且,划分并提取的上述关注区域包括大脑中动脉(MCA,Middle cerebralartery)、大脑前动脉(ACA,Anterior cerebral artery)、大脑后动脉(PCA,Posteriorcerebral artery)及颈内动脉区域(ICA,Internal carotid artery),若在上述大脑中动脉、大脑前动脉、大脑后动脉及颈内动脉区域的上述陈旧性梗塞、近期梗塞、明显低密度及早期缺血性信号中检测出明显低密度及早期缺血性信号,上述Alberta卒中项目早期电子计算机断层扫描评分判断部则将其认定为病变,可将认定为上述病变的值反映在上述Alberta卒中项目早期电子计算机断层扫描评分的推定中。
并且,在所推定的上述Alberta卒中项目早期电子计算机断层扫描评分为预定数值以上的情况下,上述血栓切除术判断部仅在通过从上述缺血分类部获取的信息及从上述大血管闭塞判断部获取的信息判断的基准为预定的基准以上的情况下,可将上述至少一名患者辨别为能够适用机械血栓切除术的患者。
并且,上述血栓切除术判断部以检测并学习因上述脑大血管的异常而发生的病变的大小、体积(Volume)或密度(Density)的人工智能模型为基础,可判断上述至少一名患者是否为能够适用机械血栓切除术的患者。
并且,上述血栓切除术判断部利用上述脑大血管异常发生之后至平扫电子计算机断层扫描为止的绝对时间(Absolute time)、早期缺血性信号或明显低密度的体积或者密度来计算组织时钟(Tissue clock),可利用所计算的上述组织时钟来判断上述至少一名患者是否为能够适用机械血栓切除术的患者。
并且,本发明还可包括通信部,在将上述至少一名患者辨别为能够适用机械血栓切除术的患者的情况下,上述通信部向预定的外部传输与上述至少一名患者有关的信息。
向外部传输的上述信息可包含与上述至少一名患者相关的经过时间(Elapsedtime)信息、原始的(Original)平扫电子计算机断层扫描影像信息、辨别结果信息、组织时钟信息以及所推定的上述Alberta卒中项目早期电子计算机断层扫描评分信息。
根据本发明的Alberta卒中项目早期电子计算机断层扫描评分推定系统及方法,具有可利用患者的脑部电子计算机断层扫描影像来推定作为用于诊断脑卒中患者的状态的客观指标的Alberta卒中项目早期电子计算机断层扫描评分的效果。
并且,根据本发明,具有如下的效果,即,由于需要快速处方的脑卒中疾病的特性,可防止医生之间的分数变异性引起的问题,在医学领域中,可用作能够容易确定患者的治疗决策的可靠指标。
并且,根据本发明,具有可以克服评分值根据医生的经历不确定的效果,上述评分值根据医生的经历不确定是通过分析脑部电子计算机断层扫描影像的脑卒中Alberta卒中项目早期电子计算机断层扫描评分推定方式的复杂性及专业性的需求而发生的。
并且,根据本发明,具有如下的效果,即,使基于电子计算机断层扫描影像的脑卒中分析全过程自动化,可大大减少分析过程所需的人力、时间及经济费用。
并且,根据本发明,具有如下的效果,即,对如电子计算机断层扫描、磁共振成像的拍摄脑部的医疗影像进行归一化,向归一化的医疗影像适用预设的标准掩模模板来一贯地划分并提取大脑动脉易损的脑区域。
并且,根据本发明,具有如下的效果,即,通过模板对诊断对象的医疗影像进行归一化后,以归一化的图像为基础,可在所有接受试验的人员的医疗影像中一贯地划分并提取关注区域。
如上所述,根据本发明,具有如下的效果,即,通过以标准掩模模板为基础划分并提取的关注区域分析及诊断脑部疾病(脑卒中),由此,可使与诊断结果有关的精准度及准确率最大化。
最终,根据本发明,提供如下的效果,即,获取与至少一名患者的大脑相关的平扫电子计算机断层扫描影像,对上述平扫电子计算机断层扫描影像进行预处理,以预处理的上述影像为基础,判断上述至少一名患者是否处于非出血状态或出血状态,对预处理的上述影像进行归一化,利用预设的标准掩模模板划分并提取关注区域,可利用划分并提取的上述关注区域判断上述至少一名患者的大脑是否存在大血管闭塞的可能性。
尤其,在本发明中,在至少一名患者的大脑中存在大血管闭塞的可能性的情况下,判断部利用划分并提取的关注区域来推定上述至少一名患者的Alberta卒中项目早期电子计算机断层扫描评分,仅在所推定的上述Alberta卒中项目早期电子计算机断层扫描评分为预定数值以上的情况下,将上述至少一名患者辨别为能够适用机械血栓切除术的患者。
并且,通过临床试验参与人员是否达成预测的期待效果的统计学意义来判断在用于验证药物功效的临床试验的结果,在适用本发明的脑卒中诊断方法及装置的情况下,准确地仅将新药所目标的脑卒中患者包括在临床试验对象中,由此,能够尽可能提高临床试验成功率。
即,可将本发明的利用人工智能的脑卒中诊断方法用于筛选患者组及正常组,由此提高临床试验成功率。
另一方面,本发明可实现的效果并不局限于以上所提及的效果,本发明所属技术领域的普通技术人员可从以下记载明确理解未提及的其他效果。
附图说明
图1示出本发明的基于人工智能的脑卒中诊断装置的框结构图的一例。
图2示出图1中说明的预处理部的框结构图的一例。
图3示出图1中说明的影像处理部的框结构图的一例。
图4示出图1中说明的判断部的框结构图的一例。
图5示出说明本发明所提出的基于人工智能的脑卒中诊断方法的整个过程的流程图的一例。
图6为说明图5中说明的过程中的以平扫电子计算机断层扫描影像为基础进行预处理及出血分类的过程的流程图。
图7为说明图5中说明的过程中的空间归一化及分割过程的流程图。
图8为例示通过生成图7中的标准掩模模板来划分归一化的影像的过程的图。
图9为例示利用图7中的模板来归一化的医疗影像的图。
图10为说明图5中说明的过程中的分类缺血的过程的流程图。
图11为说明图5中说明的过程中的判断大血管闭塞的过程的流程图。
图12为按照步骤说明图5中说明的过程中的Alberta卒中项目早期电子计算机断层扫描评分推定方法的流程图。
图13为说明能够以图5中说明的过程中的人工智能算法为基础筛选突发性大血管闭塞患者的一实施例的流程图。
图14为说明能够以图5中说明的过程中的人工智能算法为基础筛选突发性大血管闭塞患者的再一实施例的流程图。
图15为说明能够以图5中说明的过程中的人工智能算法为基础筛选突发性大血管闭塞患者的另一实施例的流程图。
图16为说明将利用人工智能的脑卒中诊断方法用于筛选患者组及正常组来提高临床试验陈宫概率的方法的图。
具体实施方式
以下,参照附图说明本发明的优选一实施例。并且,以下所说明的实施例不会不适当地限定发明要求保护范围所记载的本发明的内容,在本实施方式中说明的整体构成并不是对本发明的解决方案必不可少的。
以下,参照附图详细说明本发明优选实施例的基于人工智能的脑卒中诊断装置及方法。
基于人工智能的脑卒中诊断装置
图1示出本发明的基于人工智能的脑卒中诊断装置的框结构图的一例。
本发明的基于人工智能的脑卒中诊断装置1可包括影像获取部10、预处理部20、影像处理部30以及判断部40。
首先,影像获取部10为拍摄所要诊断的对象的脑部来获取医疗影像的装置。
其中,影像获取部10可从拍摄脑部电子计算机断层扫描、磁共振成像等各种医疗影像的拍摄设备获取影像。
代表性地,本发明的影像获取部10可获取脑部电子计算机断层扫描影像。
之后,预处理部20提供如下的功能,即,以平扫电子计算机断层扫描影像为基础,根据人工智能算法区分非出血和出血。
并且,影像处理部30提供如下的功能,即,对从预处理部20获取的医疗影像进行归一化,利用预设的标准掩模模板来划分并提取关注区域。
并且,判断部40可通过分析划分并提取的关注区域来诊断大脑动脉损伤引起的脑部疾病。
本发明的判断部40使医务人员容易以划分并提取的关注区域的医疗影像为基础对大脑动脉损伤引起的脑部疾病的严重程度进行评分从而有助于医务人员诊断脑部疾病并预测预后。
以下,参照附图说明脑卒中诊断装置1的结构要素的预处理部20、影像处理部30及判断部40的具体技术特征。
预处理部
本发明的预处理部20提供如下的功能,即,以平扫电子计算机断层扫描影像为基础,根据人工智能算法区分非出血和出血。
图2示出图1中说明的预处理部的框结构图的一例。
参照图2,本发明的预处理部20可包括噪声滤波部21、配准部22、颅骨剥离部23以及出血分类部24。
首先,噪声滤波部21执行在从影像获取部10收集的影像中去除噪声的动作。
代表性地,噪声滤波部21执行作为与电子计算机断层扫描拍摄一起的要素的机架相关倾斜校正功能。
在一部分头部(Head)电子计算机断层扫描中,经常发生机架倾斜而倾斜拍摄图像切片的情况,在机架倾斜而拍摄的情况下,图像切片之间的体素距离不准确,尤其,可对于三维视觉化中发生问题。
因此,在机架倾斜而拍摄的影像的情况下,本发明的噪声滤波部21可利用一同存储于医学数字成像和通信(DICOM)原始影像的信息中的“机架/探测器倾斜标头(Gantry/Detector Tilt header)”信息并通过重采样回复倾斜引起的误差。
可在这种初始步骤中执行机架倾斜校正来提高分析性能。
接着,配准部22提供共同配准功能。
本发明的共同配准功能为了配准结构学结构物来配准图像,当拍摄电子计算机断层扫描时,对接受试验的人员的移动引起的倾斜或大脑形状差异等导致的个体中或个体之间的多个图像进行空间对准。
并且,颅骨剥离部23提供颅骨剥离功能,上述颅骨剥离功能用于提供在电子计算机断层扫描影像中去除非大脑结构的部分的功能。
在电子计算机断层扫描影像中,颅骨的亨氏单位值相对高于大脑组织,因此,在本发明中,通过颅骨剥离部23去除非大脑结构的部分后进行分析,由此,可提高大脑组织病变分析的容易性。
并且,出血分类部24提供以人工智能(AI)为基础学习出血形态并分类的功能。
出血分类部24的出血形态学习可使用患者平扫电子计算机断层扫描数据的体素信息。
即,出血分类部24可对于平扫电子计算机断层扫描(NCCT)个别切片构成用于特征提取(Feature extraction)的卷积神经网络,并可构建用于考虑患者整体连续切片(Serial slice)的呈合成长短期记忆神经网络的形态的人工智能模型架构来利用。
基于此,出血分类部24对于与各个患者有关的出血与否及阳性患者的出血形态分类计算输出(Output)。
作为再一方法,若在影像中的规定区域以上去读出血,则本发明的出血分类部24还可与出血形态无关地利用以此为基础分类为出血患者的的方法。
作为另一方法,为了检测电子计算机断层扫描影像中的出血推定病变并分类形态,本发明的出血分类部24可利用实质内、脑室内、蛛网膜下、硬膜下、硬膜外等。
并且,在本发明中,还可向判断部40的缺血分类人工智能模型传递出血阴性患者的识别码(ID)信息列表来单独执行出血和缺血分类步骤的预处理及数据输入(Datainput)。
之后,可根据出血分类部24的人工智能算法区分非出血状态和出血状态。
影像处理部
本发明的影像处理部30为对从预处理部20获取的医疗影像进行归一化并利用预设的标准掩模模板划分并提取关注区域的医疗影像处理装置。
图3示出图1中说明的影像处理部的框结构图的一例。
参照图3,本发明的影像处理部30可包括模板设置部31、影像归一化部32以及关注区域提取部33。
首先,模板设置部31在医疗影像设置用于划分并提取关注区域的标准掩模模板(Mask Template)。
模板设置部31从预处理部20收集从多名正常人和脑部疾病患者获取的多个医疗影像,并生成二维归一化影像和三维归一化影像,以三维归一化影像为基础,根据体素设置以特定轴为基准进行切片(Slicing)来生成二维归一化影像。
在本发明中,在诊断对象的医疗影像中划分并提取关注区域之前,在从多名正常人和脑部疾病患者获取的多个医疗影像中提取关注区域,并生成用于诊断诊断对象的脑部疾病的关注区域的标准掩模模板。
其中,模板设置部31能够以三维归一化影像的X轴、Y轴、Z轴为基准预设的单位,如mm单位设置体素并生成二维归一化影像。
并且,模板设置部31在所生成的二维归一化影像中划分关注区域,在多个归一化影像中与所划分的多个关注区域为基础生成标准掩模模板。
之后,影像归一化部32提供对诊断对象的医疗影像进行归一化的功能。
例如,影像归一化部32可通过如下的过程对影像进行归一化,即,对诊断对象的原始的医疗影像进行非均匀偏差校正(Non-uniform bias correction),通过空间对准(Spatial align)进行配准,通过适用标准立体定位空间(Standard stereotaxic space)来执行空间归一化(Spatial normalization)。
当然,本发明并不限定于此,可通过各种方式对医疗影像进行归一化。
并且,关注区域提取部33提供通过向归一化的医疗影像适用标准掩模模板来划分并提取关注区域的功能。
关注区域提取部33筛选与大脑前动脉、大脑中动脉、大脑后动相关的区域(territory)影像,在左右各个半球中划分与大脑前动脉、大脑中动脉、大脑后动脉区域相关的大脑结构,由此划分并提取关注区域。
向判断部40传递包括通过如上所述的方式划分并提取的关注区域的医疗影像。
判断部
判断部40可通过分析划分并提取的关注区域来诊断大脑动脉损伤引起的脑部疾病。即,本发明的判断部40使医务人员容易以划分并提取的关注区域的医疗影像为基础直接评分大脑动脉损伤引起的脑部疾病的严重程度,从而有助于医务人员诊断脑部疾病并预测预后。
图4示出图1中说明的判断部的框结构图的一例。
参照图4,本发明的判断部40可包括缺血分类部41、大血管闭塞判断部43、Alberta卒中项目早期电子计算机断层扫描评分判断部44以及机械血栓切除术判断部45。
首先,缺血分类部41通过向借助关注区域提取部33归一化的医疗影像适用标准掩模模板来接收划分并提取的关注区域,由此,判断非出血状态患者是否存在缺血。
本发明的缺血分类部41可使用通过利用人工智能辨别所划分的区域的病变与否并分类形态的方法。
即,关于陈旧性梗塞/近期梗塞/明显低密度/早期缺血性信号,本发明的缺血分类部41可独立执行各个划分区域的病变与否及形态分类。
之后,缺血分类部41在大脑左右各个半球的所划分的区域中,仅将明显低密度/早期缺血性信号辨别为急性(Acute)病变,若在一区域中存在急性病变,则将非出血状态患者的判断为存在缺血。
再非出血状态患者中存在缺血的情况下,大血管闭塞判断部43可辨别是否为大血管闭塞患者。
可通过在神经节下水平中是否检测到致密动脉征来辨别是否存在大血管闭塞的可能性。
另一方面,即使发生大血管闭塞,也会间歇性发生未检测到致密动脉征的病例。
因此,在本发明中,在未检测到致密动脉征的情况下,大血管闭塞判断部43从神经节下水平的连续切片影像中导出左右半球亨氏单位值的频率差异,从而可弥补上述问题。
即,在所检测到的上述两侧半球中的至少一个亨氏单位值的频率为预定的基准值以上或所检测到的上述两侧半球的亨氏单位值的频率差异为预定的差值以上的情况下,本发明的大血管闭塞判断部43可判断为存在上述大血管闭塞。
在并不是大血管闭塞患者的情况下,进行保守治疗过程,但在大血管闭塞患者的情况下,需要判断是否为能够适用机械血栓切除术的患者。
可通过Alberta卒中项目早期电子计算机断层扫描评分判断部44和机械血栓切除术判断部45判断是否为能够适用机械血栓切除术的患者。
优先地,Alberta卒中项目早期电子计算机断层扫描评分判断部44通过关注区域提取部33向归一化的医疗影像适用标准掩模模板来接收划分并提取的关注区域,由此计算Alberta卒中项目早期电子计算机断层扫描评分。
Alberta卒中项目早期电子计算机断层扫描评分判断部44可通过病变检测及形态分类计算Alberta卒中项目早期电子计算机断层扫描评分。
代表性的病变检测及形态分类可例举陈旧性梗塞/近期梗塞/明显低密度/早期缺血性信号等。
在此情况下,可适用如下的常规(Conventional)Alberta卒中项目早期电子计算机断层扫描评分计算方法,即,若通过适用人工智能算法来检测到陈旧性梗塞/近期梗塞/明显低密度/早期缺血性信号中的一种,则认定为病变。
在此情况下,可将认定为病变的值反映在Alberta卒中项目早期电子计算机断层扫描评分的推定中,由此可扣除分数。
并且,在本发明中可适用如下的改进(Modified)Alberta卒中项目早期电子计算机断层扫描评分方法,即,通过适用人工智能算法,仅检测到明显低密度/早期缺血性信号时认定为病变。
在此情况下,将认定为病变的值反映在Alberta卒中项目早期电子计算机断层扫描评分的推定中,由此可扣除分数。
并且,在本发明中,还可适用如下的扩展(Extended)Alberta卒中项目早期电子计算机断层扫描评分计算方法,即,通过适用人工智能算法来追加与大脑前动脉、大脑后动脉、颈内动脉区域相关的区域,仅检测到明显低密度/早期缺血性信号时认定为病变。
通常,在计算Alberta卒中项目早期电子计算机断层扫描评分的区域中,大脑中动脉区域(Territory)成为对象,在本发明中,将其扩展至大脑前动脉、大脑后动脉及颈内动脉区域为止,若在上述大脑中动脉、大脑前动脉、大脑后动脉及颈内动脉区域中检测出上述陈旧性梗塞、近期梗塞、明显低密度及早期缺血性信号中的明显低密度及早期缺血性信号,Alberta卒中项目早期电子计算机断层扫描评分判断部44将其认定为病变,可将认定为病变的值反映在上述Alberta卒中项目早期电子计算机断层扫描评分的推定中。
并且,机械血栓切除术判断部45可利用从上述Alberta卒中项目早期电子计算机断层扫描评分判断部44接收的Alberta卒中项目早期电子计算机断层扫描评分来判断是否为能够适用机械血栓切除术的患者。
在存在大血管闭塞可能性的患者的情况下,利用从Alberta卒中项目早期电子计算机断层扫描评分判断部44接收的Alberta卒中项目早期电子计算机断层扫描评分,若评分低于特定基准,则恢复概率极小,因此,机械血栓切除术判断部45判断为无法适用机械血栓切除术,并进行保守治疗。
但是,在即使为大血管闭塞患者的情况下,若从Alberta卒中项目早期电子计算机断层扫描评分判断部44接收的Alberta卒中项目早期电子计算机断层扫描评分为预定的数值以上,则存在恢复可能性,由此,判断为能够适用机械血栓切除术的患者。
若辨别为能够适用机械血栓切除术的患者,则可向三级综合医院传递与相应患者相关的各种信息。
虽未图示向三级综合医院传递信息,可通过通信部执行,通信部可通过近距离通信或远距离通信向预定的外部(例如,医院等)传输相应信息。
在此可利用的远距离通信技术包括无线局域网(WLAN,Wireless LAN)(Wi-Fi)、无线宽带接入(Wibro,Wireless broadband)、全球微波接入互操作性(Wimax,WorldInteroperability for Microwave Access)、高速下行链路分组接入(HSDPA,High SpeedDownlink Packet Access)等。
并且,近距离通信(short range communication)的技术可包括蓝牙(Bluetooth)、射频识别技术(RFID,Radio Frequency Identification)、红外线通信(IrDA,infrared Data Association)、超宽带(UWB,Ultra-Wideband)、紫蜂协议(ZigBee)等。
基于人工智能的脑卒中诊断及分类方法
图5示出说明本发明所提出的基于人工智能的脑卒中诊断方法的整个过程的流程图的一例。
参照图5,首先,执行影像获取部10获取平扫电子计算机断层扫描影像的步骤(步骤S10)。
之后,预处理部20执行预处理及出血分类动作(步骤S20)。
上述预处理及出血分类步骤(步骤S21)可包括噪声滤波部21去除噪声的步骤(步骤S21)、配准部22执行共同配准的步骤(步骤S22)、颅骨剥离部23执行颅骨剥离功能的步骤(步骤S23)以及出血分类部24以人工智能为基础学习出血形态并以学习模型为基础根据人工智能算法区分非出血状态(步骤S30)和出血状态(步骤S130)的步骤(步骤S24)。
参照图6后述步骤S20的具体内容。
步骤S20之后,以学习模型为基础根据人工智能算法区分非出血状态(步骤S30)和出血状态(步骤S130),在非出血状态(步骤S30)的情况下,进行空间归一化及分割(Segmentation)步骤(步骤S40)。
这种空间归一化及分割步骤(步骤S40)可通过生成三维归一化影像的步骤(步骤S41)、设置体素、生成二维归一化影像的步骤(步骤S42)、划分关注区域、生成掩模模板的步骤(步骤S43)、收集多个医疗影像及归一化步骤(步骤S44)、适用掩模模板、划分并提取关注区域的步骤(步骤S45)执行。
参照图7后述步骤S40的具体内容。
上述空间归一化及分割步骤(步骤S40)之后,进行向归一化的医疗影像适用标准掩模模板并以划分并提取的关注区域为基础分类缺血的过程(步骤S50)。
在步骤S50中,缺血分类部41通过关注区域提取部33向归一化的医疗影像适用标准掩模模板并接收划分并提取的关注区域,由此判断非出血状态患者中是否存在缺血。
参照图10后述步骤S50的具体内容。
若步骤S50中的非出血状态患者中不存在缺血,则进行保守治疗步骤(步骤S120)。
但是,若步骤S50中的非出血状态患者判断为存在缺血(步骤S70),则大血管闭塞判断部43辨别是否为大血管闭塞患者(步骤S90)。
可根据是否在神经节下水平下检测到致密动脉征来在步骤S90中辨别是否发生大血管闭塞。
另一方面,即使发生大血管闭塞,也会间歇性发生未检测到致密动脉征的病理。
因此,在本发明中,在未检测到致密动脉征的情况下,大血管闭塞判断部43从神经节下水平的连续切片影像中导出左右半球亨氏单位值的频率差异,由此可弥补上述问题。
即,在所检测到的上述两侧半球中至少一个的亨氏单位值的频率为预定的基准值以上或所检测到的上述两侧半球的亨氏单位值的频率差异为预定的差值以上的情况下,本发明的大血管闭塞判断部43可判断存在上述大血管闭塞。
参照图11后述步骤S90的具体内容。
在并不是大血管闭塞患者的情况下,进行保守治疗过程(步骤S120),但在是大血管闭塞患者的情况下,需要判断是否为能够适用机械血栓切除术的患者。
因此,为了判断是否为能够适用机械血栓切除术的患者,步骤S90之后,执行推定Alberta卒中项目早期电子计算机断层扫描评分的步骤(步骤S100)。
关于步骤S100,Alberta卒中项目早期电子计算机断层扫描评分判断部44通过关注区域提取部33向归一化的医疗影像使用标准掩模模板并接收划分并提取的关注区域,由此计算Alberta卒中项目早期电子计算机断层扫描评分。
参照图12后述步骤S100的具体内容。
步骤S110之后,机械血栓切除术判断部45利用从上述Alberta卒中项目早期电子计算机断层扫描评分判断部44接收的Alberta卒中项目早期电子计算机断层扫描评分来判断是否为能够适用机械血栓切除术的患者(步骤S110)。
在步骤S110中,在判断为大血管闭塞患者的情况下,利用从Alberta卒中项目早期电子计算机断层扫描评分判断部44接收的Alberta卒中项目早期电子计算机断层扫描评分,若评分低于特定基准,则恢复率低,因此,机械血栓切除术判断部45判断为无法适用机械血栓切除术并进行保守治疗(步骤S120)。
但是,在即使判断为大血管闭塞患者的情况下,若从Alberta卒中项目早期电子计算机断层扫描评分判断部44接收的Alberta卒中项目早期电子计算机断层扫描评分为特定基准以上,则存在恢复可能性,因此,判断为能够适用机械血栓切除术的患者,若辨别为能够适用机械血栓切除术的患者,则可向三级综合医院传递与相应患者相关的各种信息(步骤S140)。
向三级综合医院传递的信息可以为经过时间、平扫电子计算机断层扫描影像、辨别结果及组织时钟信息、常规Alberta卒中项目早期电子计算机断层扫描评分信息、改进Alberta卒中项目早期电子计算机断层扫描评分信息及扩展Alberta卒中项目早期电子计算机断层扫描评分信息中的至少一种。
以下,参照附图具体说明通过图5说明的基于人工智能的脑卒中诊断方法的整体过程的各个步骤。
预处理及出血分类过程
图6为说明图5中说明的过程中的以平扫电子计算机断层扫描影像为基础进行预处理及出血分类的过程的流程图。
参照图6,首先,获取平扫电子计算机断层扫描影像(步骤S10),以此为基础执行在预处理部20的噪声滤波部21从影像获取部10收集的影像中的噪声的动作(步骤S21)。
在步骤S21中,噪声滤波部21可执行作为电子计算机断层扫描拍摄设备的一要素的机架相关倾斜校正功能。
在头部电子计算机断层扫描中,经常发生机架倾斜而倾斜拍摄图像切片的情况,在机架倾斜拍摄的情况下,图像切片之间的体素具体不准确,尤其,可对三维视觉化中发生问题,因此,在步骤S21中,在机架倾斜拍摄的情况下,可利用一同存储于医学数字成像和通信原始影像的信息中的“机架/探测器倾斜标头”信息并通过重采样回复倾斜引起的误差。
电子计算机断层扫描影像所包含的噪声成为降低用于获取脑部主要特征的预处理步骤所包括的各个步骤的准确率的因素,因此,需要去除,在步骤S21中,可向整体影像中卷积(Convolution)适用高斯模糊(Convolution)来去除影像所包括的噪声。
通过执行这种步骤S21中的机架倾斜校正来期待提高分析性能。
之后,配准部22执行共同配准功能(步骤S22)。
在步骤S22中,配准部22对准图像以实现解剖学结构物对准,当拍摄电子计算机断层扫描,对接受试验的人员的移动引起的倾斜或大脑形状差异等导致的个体中中或个体之间的多个图像进行空间对准。
步骤S22之后,颅骨剥离部23执行颅骨剥离功能的步骤(步骤S23),上述颅骨剥离功能用于提供在电子计算机断层扫描影像中去除非大脑结构的部分的功能。
即,在电子计算机断层扫描影像中,颅骨的亨氏单位值相对大于大脑组织的亨氏单位值,因此,通过步骤S23去除非大脑结构的部分后进行分析,由此提高大脑组织病变分析的容易性
步骤S23之后,出血分类部24以人工智能为基础学习出血形态,能够以学习模型为基础根据人工智能算法区分非出血状态(步骤S30)和出血状态(步骤S130)(步骤S24)。
在步骤S24中,出血分类部24的出血形态学习构成卷积神经网络以从平扫电子计算机断层扫描对于与各个切片影像进行特征提取,可构建并利用合成用于考虑患者整体连续切片的长短期记忆神经网络的形态的人工智能模型架构,由此,出血分类部24可对于与各个患者有关的出血与否及阳性患者的出血形态分类计算输出。
作为再一方法还可利用如下的方法,即,若在影像中规定区域以上读取出血,则本发明的出血分类部24与出血形态无关地以此为基础分类为出血患者。
作为另一方法,为了检测电子计算机断层扫描影像中的出血推定病变并分类形态,本发明的出血分类部24可利用实质内、脑室内、蛛网膜下、硬膜下、硬膜外等。
空间归一化及分割过程
图7为说明图5中说明的过程中的空间归一化及分割过程的流程图。
参照图7,在判断为非出血状态(步骤S30)之后,进行空间归一化及分步骤(步骤S40)。
以图7为基础具体说明空间归一化及分割步骤(步骤S40)。
首先,模板设置部31从预处理部20收集从多名正常人和脑部疾病患者获取的多个医疗影像,并生成三维的归一化影像(步骤S41)。
之后,模板设置部31以三维归一化影像为基础设置体素来生成二维归一化影像(步骤S42)。
在步骤S42中,模板设置部31能够以三维归一化影像的X轴、Y轴、Z轴为基准并以预设的单位,例如以mm单位设置体素来生成二维归一化影像。
即,可生成根据作为预定的单位单元的三维体素设置以X轴、Y轴及Z轴中的一个轴为基准对上述三维归一化影像进行切片的二维归一化影像。
归一化影像为三维,体素也是三维,但是,若以X轴、Y轴及Z轴中的一个轴为基准轴设置并利用体素来表达归一化影像,则可利用换换位二维的归一化影像。
步骤S42之后,模板设置部31在所生成的二维归一化影像中划分关注区域,以在多个归一化影像中划分的多个关注区域为基础生成标准掩模模板(步骤S43)。
图8为例示通过生成图7中的标准掩模模板来划分归一化的影像的过程的图。
图8的(a)部分例示多个医疗影像,图8的(b)部分和(c)部分分别例示从医疗影像提取的注区域和设置的标准掩模模板,图8的(d)部分和(e)部分分别例示向医疗影像处理装置输入的归一化的医疗影像和划分并提取的关注区域。
如图8的(a)部分所示,本发明在从诊断对象的医疗影像中划分并提取关注区域之前,在从多名正常人和脑部疾病患者获取的多个医疗影像中提取关注区域(图8的(b)部分),生成用于诊断诊断对象的脑部疾病的关注区域的标准掩模模板(图8的(c)部分)。
其中,模板设置部31能够以三维归一化影像的X轴、Y轴、Z轴为基准并以预设的单位,例如mm单位设置体素来生成二维归一化影像。
并且,模板设置部31在所生成的二维归一化影像中划分关注区域,以在多个归一化影像中划分的多个关注区域为基础生成标准掩模模板。
再次参照图7,影像归一化部32对从预处理部20获取的诊断对象的医疗影像进行归一化(步骤S44)。
关于步骤S44,图9的(a)部分例示向医疗影像处理装置输入的原始的医疗影像,图9的(b)部分例示通过模板归一化的图像。
如图9的(b)部分所示,影像归一化部30可通过如下的过程对医疗影像进行归一化,即,对图9的(a)部分所示的诊断对象的原始的医疗影像中的非均匀偏差进行校正,通过空间对准进行配准,通过适用于标准立体定位空间来执行空间归一化。
步骤S44之后,关注区域提取部33向归一化的医疗影像适用标准掩模模板来仅划分并提取关注区域(步骤S45)。
即,如图8的(e)部分所示,关注区域提取部33通过向图8的(d)部分所示的归一化地医疗影像适用标准掩模模板来仅划分并提取关注区域。
在步骤S45步骤中,关注区域提取部33筛选与大脑前动脉、大脑中动脉、大脑后动脉相关的区域影像,在左右各个半球划分与大脑前动脉、大脑中动脉、大脑后动脉区域相关的大脑结构,由此可划分并提取关注区域。
包括通过如上所述的方式划分并提取的关注区域的医疗影像向脑部疾病分析装置13传递。
由此,判断部40能够以划分并提取的关注区域的医疗影像为基础精密地观察易受大脑动脉损伤的脑区域并进行分数化,由此可预测脑部疾病的严重程度及预后。
通过如上所述的空间归一化及分割步骤(步骤S40),本发明可对拍摄脑部的医疗影像进行归一化,通过向归一化的医疗影像适用预设的标准掩模模板来划分并提取与诊断脑部疾病所需的区域,即大脑动脉损伤相关的关注区域,能够以通过模板归一化的图像为基础在所有接受试验的人员的医疗影像中一贯划分关注区域,通过划分并提取的关注区域分析并诊断脑部疾病,可使精准度及准确率最大化。
上述空间归一化及分割步骤(步骤S40)之后,进行通过向归一化的医疗影像适用标准掩模模板来以划分并提取的关注区域为基础分类缺血的过程(步骤S50)。
分类缺血的过程
缺血分类部41接收通过关注区域提取部33向归一化的医疗影像适用标准掩模模板来划分并提取的关注区域,由此判断非出血状态患者中是否存在缺血。
图10为说明图5中说明的过程中的分类缺血的过程(步骤S50)的流程图。
参照图10,本发明的缺血分类部41可使用利用人工智能辨别所划分的区域的病变与否并分类形态的方法。
首先,关于陈旧性梗塞/近期梗塞/明显低密度/早期缺血性信号,本发明的缺血分类部41可独立执行各个划分区域的病变与否及形态分类(步骤S51)。
之后,缺血分类部41在大脑左右各个半球中划分的区域仅将明显低密度/早期缺血性信号辨别为急性病变(步骤S52)。
并且,缺血分类部41即使仅在一区域存在急性病变也可判断为非出血状态患者中存在缺血(步骤S53)。
在步骤S53中,若非出血状态患者中不存在缺血,则进行保守治疗步骤(步骤S120)。
判断大血管闭塞的过程
图11为说明图5中说明的过程中的判断大血管闭塞的过程的流程图。
在步骤S90中,首先,进行判断是否检测到致密动脉征的步骤(步骤S91)。
在检测到致密动脉征的情况下,视为发生大血管闭塞。
另一方面,即使发生大血管闭塞,也会间歇性发生未检测到致密动脉征的病例。
因此,在本发明中,在未检测到致密动脉征的情况下,大血管闭塞判断部43从神经节下水平的连续切片影像中导出左右半球亨氏单位值的频率差异,从而可弥补上述问题。
即,参照图11,首先,大血管闭塞判断部43检测神经节下水平的连续切片影像的左右半球中一侧半球亨氏单位值各自的频率(步骤S92)。
之后,在所检测到的上述两侧半球中至少一个的亨氏单位值的频率为预定的基准值以上或所检测到的上述两侧半球的亨氏单位值的频率差异为预定的差值以上的情况下,大血管闭塞判断部43可判断为存在上述大血管闭塞(步骤S93)。
在并不是大血管闭塞患者的情况下,进行保守治疗过程(步骤S120),但是,在是为大血管闭塞患者的情况下,需要判断是否为能够适用机械血栓切除术的患者。
为了判断是否为能够适用机械血栓切除术的患者,步骤S90之后,执行推定Alberta卒中项目早期电子计算机断层扫描评分的步骤(步骤S100)。
Alberta卒中项目早期电子计算机断层扫描评分推定过程
Alberta卒中项目早期电子计算机断层扫描评分判断部44接收通过关注区域提取部33向归一化的医疗影像适用标准掩模模板来划分并提取的关注区域,由此计算Alberta卒中项目早期电子计算机断层扫描评分。
图12为按照步骤说明图5中说明的过程中的Alberta卒中项目早期电子计算机断层扫描评分推定方法的流程图。
参照图12,首先,Alberta卒中项目早期电子计算机断层扫描评分判断部44执行如下的步骤(步骤S101),即,以向归一化的医疗影像适用标准掩模模板来划分并提取的关注区域的医疗影像为基础,利用人工智能辨别各个所划分的区域的病变与否,并分类形态。
其中,代表性病变检测及形态分类可例举陈旧性梗塞/近期梗塞/明显低密度/早期缺血性信号等。
之后,Alberta卒中项目早期电子计算机断层扫描评分判断部44执行通过适用利用病变与否及多个形态中的至少一个的多个Alberta卒中项目早期电子计算机断层扫描评分判断方式中的一个来判断Alberta卒中项目早期电子计算机断层扫描评分的步骤(步骤S102)。
在步骤S102中,Alberta卒中项目早期电子计算机断层扫描评分判断部44可通过病变检测及形态分类计算Alberta卒中项目早期电子计算机断层扫描评分。
在此情况下,可适用如下的常规Alberta卒中项目早期电子计算机断层扫描评分计算方法,即,若适用人工智能算法检测到陈旧性梗塞/近期梗塞/明显低密度/早期缺血性信号中一个,也认定为病变。
并且,在本发明中,可适用如下的改进Alberta卒中项目早期电子计算机断层扫描评分方法,即,通过适用人工智能算法来仅将明显低密度/早期缺血性信号检测认定为病变。
并且,在本发明中,还可适用如下的扩展Alberta卒中项目早期电子计算机断层扫描评分计算方法,即,通过适用人工智能算法来添加与大脑前动脉、大脑后动脉、颈内动脉区域相关的区域,仅将明显低密度/早期缺血性信号检测认定为病变。
步骤S102之后,以所判断的Alberta卒中项目早期电子计算机断层扫描评分为基础进行判断脑部疾病的严重程度的步骤(步骤S103)。
步骤S100之后,机械血栓切除术判断部45利用从上述Alberta卒中项目早期电子计算机断层扫描评分判断部44接收的Alberta卒中项目早期电子计算机断层扫描评分来判断是否为能够适用机械血栓切除术的患者(步骤S110)。
以人工智能算法为基础筛选突发性大血管闭塞患者的过程
关于步骤S110,在大血管闭塞患者的情况下,若利用从Alberta卒中项目早期电子计算机断层扫描评分判断部44接收的Alberta卒中项目早期电子计算机断层扫描评分的评分低于特定基准,则恢复概率极小,因此,机械血栓切除术判断部45判断无法适用机械血栓切除术,并进行保守治疗(步骤S120)。
但是,在大血管闭塞患者的情况下,只要从Alberta卒中项目早期电子计算机断层扫描评分判断部44接收的Alberta卒中项目早期电子计算机断层扫描评分为预定的数值以上,就存在恢复可能性,并判断为能够适用机械血栓切除术的患者,若辨别为能够适用机械血栓切除术的患者,则可向三级综合医院传递与相应患者相关的各种信息(步骤S140)。
向三级综合医院传递的信息可以为经过时间、平扫电子计算机断层扫描影像、辨别结果及组织时钟信息、常规Alberta卒中项目早期电子计算机断层扫描评分信息、改进Alberta卒中项目早期电子计算机断层扫描评分信息及扩展Alberta卒中项目早期电子计算机断层扫描评分信息中的至少一种。
以下,具体说明机械血栓切除术判断部45利用Alberta卒中项目早期电子计算机断层扫描评分判断是否能够机械血栓切除术的患者的具体方法。
第一实施例
图13为说明能够以图5中说明的过程中的人工智能算法为基础筛选突发性大血管闭塞患者的一实施例的流程图。
参照图13,机械血栓切除术判断部45执行构成以多数值数据(Multi numericdata)为基础的回归(regression)结构人工智能模型的步骤(步骤S111)。
之后,在神经节下水平中检测到致密动脉征的患者的情况下,机械血栓切除术判断部45可通过以人工智能模型为基础先进行的突发性大血管闭塞(ELVO,Emergent largevessel occlusion)步骤(步骤S90)、缺血分类步骤(步骤S70)的输出、通过步骤S100判断的Alberta卒中项目早期电子计算机断层扫描评分辨别手术与否(步骤S112)。
即,在所推定的Alberta卒中项目早期电子计算机断层扫描评分为预定的数值以上的情况下,血栓切除术判断部45仅在通过从上述缺血分类部41获取的信息及从上述大血管闭塞判断部获取的信息判断的基准为预定的基准以上的情况下,可将上述至少一名患者辨别为能够适用机械血栓切除术的患者。
第二实施例
图14为说明能够以图5中说明的过程中的人工智能算法为基础筛选突发性大血管闭塞患者的再一实施例的流程图。
参照图14,机械血栓切除术判断部45可执行通过人工智能检测突发性大血管闭塞引起的病变(早期缺血性信号、明显低密度)的体积的步骤(步骤S113)。
之后,机械血栓切除术判断部45可机器学习(Machine learning-logisticregression)所检测到的病变的体积(步骤S114)。
并且,机械血栓切除术判断部45以机器学习的模型及Alberta卒中项目早期电子计算机断层扫描评分为基础辨别是否进行机械血栓切除术(步骤S115)。
即,能够以学习通过大血管闭塞检测到的体积值的人工智能模型为基础判断上述至少一名患者是否为能够适用机械血栓切除术的患者。
第三实施例
图15为说明能够以图5中说明的过程中的人工智能算法为基础筛选突发性大血管闭塞患者的另一实施例的流程图。
参照图15,机械血栓切除术判断部45执行在发生大血管闭塞(LVO,large vesselocclusion)后收集平扫电子计算机断层扫描为止的绝对时间和早期缺血性信号、明显低密度的体积的步骤(步骤S116)。
之后,机械血栓切除术判断部45以所收集的信息为基础计算组织时钟(步骤S117)。
并且,机械血栓切除术判断部45以组织时钟和Alberta卒中项目早期电子计算机断层扫描评分为基础辨别是否进行机械血栓切除术及可用时间(步骤S118)。
如上所述,若辨别为能够适用机械血栓切除术的患者,则与相应患者相关的各种信息可向三级综合医院传递(步骤S140)。
向三级综合医院传递的信息可以为经过时间、平扫电子计算机断层扫描影像、辨别结果及组织时钟信息、常规Alberta卒中项目早期电子计算机断层扫描评分信息、改进Alberta卒中项目早期电子计算机断层扫描评分信息及扩展Alberta卒中项目早期电子计算机断层扫描评分信息中的至少一种。
将利用人工智能的脑卒中诊断方法用于筛选患者组及正常组来提高临床试验成
功率的方法
可将如上所述的本发明利用的脑卒中诊断方法及装置用于筛选患者组及正常组来提高临床试验成功率。
即,本发明可提供将利用人工智能的脑卒中诊断方法用于筛选患者组及正常组来提高临床试验成功率的装置、系统及方法。
通过临床试验参与人员是否达成预测的期待效果的统计学意义来判断在用于验证药物功效的临床试验的结果,在适用本发明的脑卒中诊断方法及装置的情况下,准确地仅将新药所目标的脑卒中患者包括在临床试验对象中,可最大限度地提高临床试验成功率。
首先,说明现有的新药临床试验的问题。
通过临床试验参与人员是否达成预测的期待效果的统计学意义来判断在用于验证药物功效的临床试验的结果。
另一方面,在脑卒中的情况下,需通过问诊的方法执行测定症状是否通过药物功效好转,这具有数据的标准不精细的问题。
因此,若验证统计学意义,需与给药前后或假药组和进行比较来使评价标准的数值在统计学上显著上升,预测上升数值越大,目标对象数减少,由此,提高统计学意义的达成可能性。
在此情况下,若预测上升数值小,那么,目标对象数也也增加,由此提高统计验证难度。
最终,脑卒中的评价标准本身很难提高,因此,产生临床试验通过可能性非常低的问题。
为了解决这种问题,本发明准确地仅将新药所目标的脑卒中患者包括在临床试验对象中,从而最大限度地提高临床试验成功率。
在中枢神经系统药物的新药研发过程中,重要的失败因素中的一个为准确地筛选对象及筛选药物反应组的难题。
在中枢神经系统药物的情况下,尤其对于胃药的反应比例高,设置可降低对象组的异质性、预测药物反应性的生物标记成为提高成功率的重要战略。
并且,需要很长的时间(约3个月)才能确诊脑卒中,因此,筛选检查困难,从而具有很难仅将新药所目标的脑卒中患者包括在临床试验对象中的问题。
因此,可将本发明所提出的利用人工智能的脑卒中诊断方法用于筛选患者组及正常组来提高临床试验成功率。
图16为说明将利用人工智能的脑卒中诊断方法用于筛选患者组及正常组来提高临床试验成功率的方法的图。
参照图16,首先,进行招募用于验证药物功效的临床试验候选组的步骤(步骤S1)。
之后,执行如下的步骤,即,影像获取部10获取平扫电子计算机断层扫描影像的步骤(步骤S10);预处理部20执行预处理及出血分类动作的步骤(步骤S20);以学习模型为基础根据人工智能算法区分非出血状态(步骤S30)和出血状态(步骤S130);在非出血状态(步骤S30)的情况下,进行空间归一化及分割步骤(步骤S40);通过向归一化的医疗影像适用标准掩模模板来以划分并提取的关注区域为基础分类缺血的过程(步骤S50);若判断为非出血状态患者中存在缺血(步骤S70),则大血管闭塞判断部43辨别是否为大血管闭塞患者的步骤(步骤S90);为了判断是否为能够适用机械血栓切除术的患者,步骤S90之后,推定Alberta卒中项目早期电子计算机断层扫描评分的步骤(步骤S100);机械血栓切除术判断部45利用从上述Alberta卒中项目早期电子计算机断层扫描评分判断部44接收的Alberta卒中项目早期电子计算机断层扫描评分判断是否为能够适用机械血栓切除术的患者的步骤(步骤S110)等。
在图5至图15中具体说明了上述步骤S10至步骤S110,为了说明书的简明,将省略重复说明。
通过步骤S110导出诊断结果之后,以诊断结果为基础,可进行将多个实验候选组分为实际脑卒中患者和正常患者组的步骤(步骤S210)。
在此情况下,可通过以仅分类为实际脑卒中患者组的对象为基础进行临床试验的步骤(步骤S220)及以临床试验结果为基础验证药物功效的步骤(步骤S230),准确地仅将新药所目标的脑卒中患者包括在临床试验对象中,从而可最大限度地提高临床试验成功率。
最终,可将本发明的利用人工智能的脑卒中诊断方法用于筛选患者组及正常组来提高临床试验成功率。
如上所述的步骤S1至步骤S230可通过脑卒中诊断装置1单独执行,或者,还能够以通过额外的服务器(未图示)或额外的中央管理装置(未图示)与脑卒中诊断装置1一同执行整体动作的方式适用。
本发明的效果
根据本发明的Alberta卒中项目早期电子计算机断层扫描评分推定系统及方法,具有可利用患者的脑部电子计算机断层扫描影像来推定作为用于诊断脑卒中患者的状态的客观指标的Alberta卒中项目早期电子计算机断层扫描评分的效果。
并且,根据本发明,可获得如下的效果,即,防止由于需要快速处方的脑卒中疾病的特性,医生之间的分数变异性引起的问题,可用作医学领域中容易确定患者的治疗决策的可靠指标。
并且,根据本发明,具有可以克服通过分析脑部电子计算机断层扫描影像的脑卒中Alberta卒中项目早期电子计算机断层扫描评分推定方式的复杂度及专业性需求而发生的医生的经历导致的评分值的不准确性的效果。
并且,根据本发明具有如下的效果,即,使基于电子计算机断层扫描影像的脑卒中分析的全过程自动化,从而可大大减少分析过程所需的人力、时间及经济费用。
并且,根据本发明,具有如下的效果,即,如电子计算机断层扫描、磁共振成像,对拍摄脑部的医疗影像进行归一化,通过对归一化的医疗影像适用预设的标准掩模模板来一贯划分并提取易受大脑动脉损伤的脑区域。
并且,根据本发明,具有如下的效果,即,通过模板对诊断对象的医疗影像进行归一化后,以归一化的图像为基础在所有接受试验的人员的医疗影像中一贯划分并提取关注区域。
如上所述,根据本发明,具有如下的效果,即,随着通过以标准掩模模板为基础划分并提取的关注区域分析并诊断脑部疾病(脑卒中),可使与诊断结果有关的精准及准确率最大化。
并且,通过临床试验参与人员是否达成预测的期待效果的统计学意义来判断在用于验证药物功效的临床试验的结果,在适用本发明的脑卒中诊断方法及装置的情况下,准确地仅将新药所目标的脑卒中患者包括在临床试验对象中,由此,最大限度地提高临床试验成功率。
即,可将本发明的利用人工智能的脑卒中诊断方法用于筛选患者组及正常组,来提高临床试验成功率。
另一方面,可通过本发明获取的效果并不局限于以上所提及的效果,本发明所属技术领域的普通技术人员可通过以下记载明确理解未提及的其他效果。
如上所述的本发明的实施例可通过各种方法实现。例如,本发明的实施例可通过硬件、固件(firmware)、软件或它们的结合等体现。
在通过硬件体现的情况下,本发明实施例的方法可通过一个或一个以上的专用集成电路(ASICs,Application Specific Integrated Circuits)、数字信号处理器(DSPs,Digital Signal Processors)、数字信号处理设备(DSPDs,Digital Signal ProcessingDevices)、可编程逻辑器件(PLDs,Programmable Logic Devices)、现场可编程门阵列(FPGAs,Field Programmable Gate Arrays)、处理器、控制器、微控制器、微处理器等体现。
在通过固件或软件体现的情况下,本发明实施例的方法能够以执行以上所说明的功能或动作等模块、步骤或函数等的形态体现。软件代码可存储于存储单元并被处理器驱动。上述存储单元位于上述处理器的内部或外部,可通过已公知的各种单元与上述处理器交换数据。
以能够使普通技术人员体现并实施本发明的方式提供与通过如上所述的方式揭示的本发明优选实施例有关的详细说明。在上述内容中,参照本发明的优选实施例来进行说明,相应技术领域的普通技术人员可在不超出本发明的领域的范围内对本发明进行各种修改及变更。例如,普通技术人员能够以将在上述实施例记载的各个结构相互组合的方式利用本发明。因此,本发明并不局限于在此示出的实施形态,而是赋予与在此揭示的原理及新特征一致的最广范围。
本发明可在超出本发明的精神及必要特征的范围内具体化为其他特定形态。因此,如上所述的详细说明在所有方面均为例示,而不是限定本发明。本发明的范围需通过发明要求保护范围的合理解释确定,本发明等价范围内的所有变更包含于本发明的范围中。本发明并不限定于在此所示的实施形态,而是赋予与在此揭示的原理及新特征一致的最广范围。并且,通过将在发明要求保护范围中没有明确引用关系的多个权利要求组合来构成实施例,或者,可通过申请后的修改将其包括在新的发明要求保护范围中。
Claims (26)
1.一种基于人工智能的脑卒中诊断装置,其特征在于,
包括:
影像获取部,用于获取与至少一名患者的大脑相关的平扫电子计算机断层扫描影像;
预处理部,对上述平扫电子计算机断层扫描影像进行预处理,以预处理的上述影像为基础,判断上述至少一名患者是否处于非出血状态或出血状态;
影像处理部,对预处理的上述影像进行归一化,通过利用预设的标准掩模模板划分并提取关注区域;以及
判断部,通过利用划分并提取的上述关注区域来判断上述至少一名患者的脑大血管是否存在异常,
在上述至少一名患者的脑大血管中存在异常的情况下,
上述判断部通过利用划分并提取的上述关注区域来推定上述至少一名患者的Alberta卒中项目早期电子计算机断层扫描评分,
仅在所推定的上述Alberta卒中项目早期电子计算机断层扫描评分为预定数值以上的情况下,将上述至少一名患者辨别为能够适用机械血栓切除术的患者。
2.根据权利要求1所述的基于人工智能的脑卒中诊断装置,其特征在于,上述预处理部包括:
噪声滤波部,从上述平扫电子计算机断层扫描影像去除噪声;
配准部,执行共同配准,上述共同配准用于对去除噪声的上述平扫电子计算机断层扫描影像中存在的对象中或多个对象之间的多个图像进行空间对准;
颅骨剥离部,执行颅骨剥离,上述颅骨剥离用于从执行共同配准的上述电子计算机断层扫描影像中去除上述至少一名患者的非大脑结构的部分;以及
出血分类部,通过利用执行颅骨剥离的上述电子计算机断层扫描影像来判断上述至少一名患者是否处于非出血状态或出血状态。
3.根据权利要求2所述的基于人工智能的脑卒中诊断装置,其特征在于,在上述平扫电子计算机断层扫描影像为机架倾斜拍摄的影像的情况下,上述噪声滤波部执行倾斜校正功能,上述倾斜校正功能利用一同存储于原始的上述平扫电子计算机断层扫描影像的机架倾斜标头信息,并通过重采样动作恢复上述倾斜引起的误差。
4.根据权利要求2所述的基于人工智能的脑卒中诊断装置,其特征在于,当拍摄上述平扫电子计算机断层扫描影像时,上述配准部对通过上述至少一名患者的移动引起的倾斜及大脑形状差异中的至少一种导致的上述平扫电子计算机断层扫描影像中存在的对象中或多个对象之间的多个图像进行空间对准。
5.根据权利要求2所述的基于人工智能的脑卒中诊断装置,其特征在于,上述颅骨剥离部以与大脑组织相比亨氏单位值相对高的颅骨为基准,从上述电子计算机断层扫描影像中去除非大脑结构的部分。
6.根据权利要求2所述的基于人工智能的脑卒中诊断装置,其特征在于,
上述出血分类部以学习出血相关病例的人工智能模型为基础,通过利用颅骨剥离的上述电子计算机断层扫描影像来判断上述至少一名患者是否处于非出血状态或出血状态,
上述出血分类部的人工智能模型通过使用上述至少一名患者的平扫电子计算机断层扫描数据来学习。
7.根据权利要求6所述的基于人工智能的脑卒中诊断装置,其特征在于,上述出血分类部利用颅骨剥离的上述电子计算机断层扫描影像中的实质内信息、脑室内信息、蛛网膜下信息、硬膜下信息及硬膜外信息中的至少一种来使上述人工智能模型学习上述出血相关病例。
8.根据权利要求6所述的基于人工智能的脑卒中诊断装置,其特征在于,上述出血分类部构成卷积神经网络以从上述至少一名患者的平扫电子计算机断层扫描数据中提取与各个数据切片有关的特征图,并在长短期记忆神经网络依次适用并合成若提取的上述多个特征图来构建上述人工智能模型。
9.根据权利要求2所述的基于人工智能的脑卒中诊断装置,其特征在于,上述出血分类部在颅骨剥离的上述电子计算机断层扫描影像中的预定区域存在异常特定因素的情况下,与上述出血分类形态无关地判断为上述至少一名患者处于出血状态。
10.根据权利要求1所述的基于人工智能的脑卒中诊断装置,其特征在于,
上述影像处理部包括:
模板设置部,用于预设上述标准掩模模板;
影像归一化部,用于对预处理的上述影像进行归一化;以及
影像处理部,在归一化的上述影像中适用预设的上述标准掩模模板来划分并提取关注区域,
仅在判断为上述至少一名患者处于非出血状态的情况下进行工作。
11.根据权利要求10所述的基于人工智能的脑卒中诊断装置,其特征在于,
在上述模板设置部中,
收集从多名正常人和脑部疾病患者获取的多个医疗影像,
以所收集的上述影像为基础生成三维归一化影像,
以作为预定的单位单元的三维体素为基础,从上述三维归一化影像生成以X轴、Y轴及Z轴中的一个轴为基准切片的二维归一化影像,
以在所生成的上述二维归一化影像划分的多个关注区域为基础,预设上述标准掩模模板。
12.根据权利要求10所述的基于人工智能的脑卒中诊断装置,其特征在于,上述影像归一化部通过改变预处理的上述影像的亨氏单位值来执行上述归一化作业。
13.根据权利要求1所述的基于人工智能的脑卒中诊断装置,其特征在于,上述判断部包括:
缺血分类部,通过利用划分并提取的上述关注区域来判断上述至少一名患者的大脑中是否存在缺血;
大血管闭塞判断部,在存在上述缺血的情况下,判断上述至少一名患者的脑大血管是否异常;
Alberta卒中项目早期电子计算机断层扫描评分判断部,在上述脑大血管存在异常的情况下,通过利用划分并提取的上述关注区域来推定上述至少一名患者的Alberta卒中项目早期电子计算机断层扫描评分;以及
血栓切除术判断部,仅在所推定的上述Alberta卒中项目早期电子计算机断层扫描评分为预定数值以上的情况下,将上述至少一名患者辨别为能够适用机械血栓切除术的患者。
14.根据权利要求13所述的基于人工智能的脑卒中诊断装置,其特征在于,
上述缺血分类部以学习划分并提取的上述关注区域的病变与否及形态分类的人工智能模型为基础,判断是否存在上述缺血,
上述关注区域的病变与否及形态分类利用陈旧性梗塞、近期梗塞、明显低密度及早期缺血性信号来执行。
15.根据权利要求14所述的基于人工智能的脑卒中诊断装置,其特征在于,在划分并提取的上述关注区域中的一区域存在上述陈旧性梗塞、近期梗塞、明显低密度及早期缺血性信号中的至少一种的情况下,上述缺血分类部判断为存在上述缺血。
16.根据权利要求13所述的基于人工智能的脑卒中诊断装置,其特征在于,
上述脑大血管的异常为大血管闭塞,
关于划分并提取的上述关注区域,上述大血管闭塞判断部以在神经节下水平中是否检测到致密动脉征为基础,判断是否存在上述大血管闭塞的可能性。
17.根据权利要求16所述的基于人工智能的脑卒中诊断装置,其特征在于,在未检测到上述致密动脉征的情况下,关于划分并提取的上述关注区域,上述大血管闭塞判断部在上述神经节下水平的连续切片影像的左右两侧半球中检测各个亨氏单位值的频率,
在所检测到的上述两侧半球中至少一个亨氏单位值的频率为预定的基准值以上或所检测到的上述两侧半球的亨氏单位值的频率差为预定的差值以上的情况下,判断为存在上述大血管闭塞。
18.根据权利要求13所述的基于人工智能的脑卒中诊断装置,其特征在于,
在上述Alberta卒中项目早期电子计算机断层扫描评分判断部中,以学习划分并提取的上述关注区域的病变与否及形态分类的人工智能模型为基础,推定上述Alberta卒中项目早期电子计算机断层扫描评分,
上述关注区域的病变与否及形态分类通过利用陈旧性梗塞、近期梗塞、明显低密度及早期缺血性信号来执行。
19.根据权利要求18所述的基于人工智能的脑卒中诊断装置,其特征在于,若检测出上述陈旧性梗塞、近期梗塞、明显低密度及早期缺血性信号中的至少一种,上述Alberta卒中项目早期电子计算机断层扫描评分判断部则将其认定为病变,将认定为上述病变的值反映在上述Alberta卒中项目早期电子计算机断层扫描评分的推定中。
20.根据权利要求18所述的基于人工智能的脑卒中诊断装置,其特征在于,若在上述陈旧性梗塞、近期梗塞、明显低密度及早期缺血性信号中检测出明显低密度及早期缺血性信号,上述Alberta卒中项目早期电子计算机断层扫描评分判断部则将其认定为病变,将认定为上述病变的值反映在上述Alberta卒中项目早期电子计算机断层扫描评分的推定中。
21.根据权利要求18所述的基于人工智能的脑卒中诊断装置,其特征在于,
划分并提取的上述关注区域包括大脑中动脉、大脑前动脉、大脑后动脉及颈内动脉区域,
若在上述大脑中动脉、大脑前动脉、大脑后动脉及颈内动脉区域的上述陈旧性梗塞、近期梗塞、明显低密度及早期缺血性信号中检测出明显低密度及早期缺血性信号,上述Alberta卒中项目早期电子计算机断层扫描评分判断部则将其认定为病变,将认定为上述病变的值反映在上述Alberta卒中项目早期电子计算机断层扫描评分的推定。
22.根据权利要求13所述的基于人工智能的脑卒中诊断装置,其特征在于,在所推定的上述Alberta卒中项目早期电子计算机断层扫描评分为预定数值以上的情况下,上述血栓切除术判断部仅在通过从上述缺血分类部获取的信息及通过上述大血管闭塞判断部获取的信息判断的基准为预定的基准以上的情况下,将上述至少一名患者辨别为能够适用机械血栓切除术的患者。
23.根据权利要求13所述的基于人工智能的脑卒中诊断装置,其特征在于,在上述血栓切除术判断部中,以学习因上述脑大血管的异常而检测到的体积值的人工智能模型为基础,判断上述至少一名患者是否为能够适用机械血栓切除术的患者。
24.根据权利要求13所述的基于人工智能的脑卒中诊断装置,其特征在于,上述血栓切除术判断部通过利用上述脑大血管异常产生之后至平扫电子计算机断层扫描为止的绝对时间、早期缺血性信号的体积及明显低密度的体积来计算组织时钟,通过利用所计算的上述组织时钟来判断上述至少一名患者是否为能够适用机械血栓切除术的患者。
25.根据权利要求1所述的基于人工智能的脑卒中诊断装置,其特征在于,还包括通信部,在将上述至少一名患者辨别为能够适用机械血栓切除术的患者的情况下,上述通信部向预定的外部传输与上述至少一名患者有关的信息。
26.根据权利要求25所述的基于人工智能的脑卒中诊断装置,其特征在于,向外部传输的上述信息包含与上述至少一名患者相关的经过时间信息、平扫电子计算机断层扫描影像信息、辨别结果信息、组织时钟信息以及所推定的上述Alberta卒中项目早期电子计算机断层扫描评分信息。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2020-0061088 | 2020-05-21 | ||
KR1020200061088A KR102165840B1 (ko) | 2020-05-21 | 2020-05-21 | 인공지능 기반 뇌졸중 진단 장치 및 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111904449A true CN111904449A (zh) | 2020-11-10 |
CN111904449B CN111904449B (zh) | 2021-07-02 |
Family
ID=71950469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010788109.1A Active CN111904449B (zh) | 2020-05-21 | 2020-08-07 | 基于人工智能的脑卒中诊断装置及方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10898152B1 (zh) |
EP (1) | EP3912558B1 (zh) |
JP (1) | JP6817488B1 (zh) |
KR (1) | KR102165840B1 (zh) |
CN (1) | CN111904449B (zh) |
ES (1) | ES2928934T3 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862022A (zh) * | 2021-04-26 | 2021-05-28 | 南京钺曦医疗科技有限公司 | 一种计算非增强ct的aspects评分方法 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126242B (zh) * | 2018-10-16 | 2023-03-21 | 腾讯科技(深圳)有限公司 | 肺部图像的语义分割方法、装置、设备及存储介质 |
US20210093278A1 (en) * | 2019-09-30 | 2021-04-01 | GE Precision Healthcare LLC | Computed tomography medical imaging intracranial hemorrhage model |
JP7451305B2 (ja) * | 2020-05-29 | 2024-03-18 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置及び医用画像処理方法 |
KR102450409B1 (ko) * | 2020-10-28 | 2022-10-05 | 주식회사 뷰노 | 의료 영상 기반의 세그먼테이션 방법 |
KR102534453B1 (ko) * | 2020-12-04 | 2023-05-22 | 주식회사 뷰노 | 의료 영상 기반의 질환 예측 방법 |
KR102289648B1 (ko) * | 2021-02-03 | 2021-08-18 | 주식회사 휴런 | 의료 영상 기반 허혈성 뇌졸중 검출 및 형태 분류 방법, 장치 및 시스템 |
WO2022182178A1 (ko) * | 2021-02-24 | 2022-09-01 | (주) 제이엘케이 | 딥러닝 기반의 뇌출혈 진단 장치 및 방법 |
KR102551204B1 (ko) | 2021-03-23 | 2023-07-05 | 서울대학교병원 | 순환 신경망 예측 모델을 활용한 급성신장손상에 대한 임상의사결정 지원 시스템 및 방법 |
KR102410254B1 (ko) * | 2021-08-09 | 2022-06-23 | 주식회사 휴런 | 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치 및 진단 관련 정보 제공 방법 |
WO2023104659A1 (en) * | 2021-12-10 | 2023-06-15 | Koninklijke Philips N.V. | System and method for processing brain scan information to automatically identify abnormalities |
KR102399792B1 (ko) * | 2022-01-27 | 2022-05-23 | 주식회사 휴런 | 인공지능 기반 Hounsfield unit (HU) 정규화 및 디노이징 (Denoising)을 통한 전처리 장치 및 방법 |
WO2023171039A1 (ja) * | 2022-03-07 | 2023-09-14 | 国立大学法人京都大学 | 情報処理装置、方法およびプログラム、学習装置、方法およびプログラム、並びに判別モデル |
WO2023171040A1 (ja) * | 2022-03-07 | 2023-09-14 | 国立大学法人京都大学 | 情報処理装置、方法およびプログラム、学習装置、方法およびプログラム、並びに判別モデル |
US11501437B1 (en) * | 2022-04-28 | 2022-11-15 | Qure.Ai Technologies Private Limited | Monitoring brain CT scan image |
US11636596B1 (en) | 2022-04-28 | 2023-04-25 | Qure.Ai Technologies Private Limited | Monitoring brain CT scan image |
CN115762812B (zh) * | 2022-11-27 | 2023-06-23 | 北京健康在线技术开发有限公司 | 一种卒中患者的数字诊疗方法、系统、设备及介质 |
KR102631389B1 (ko) * | 2023-11-13 | 2024-01-30 | 주식회사 뉴큐어엠 | Ct 영상 기반의 mri 영상 생성 방법 및 시스템 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103917164A (zh) * | 2011-08-26 | 2014-07-09 | Ebm株式会社 | 血管血流模拟的系统、其方法及计算机软件程序 |
CN107427255A (zh) * | 2015-03-12 | 2017-12-01 | 财团法人峨山社会福祉财团 | 基于脑图像而估算梗塞区域的发生时点的方法 |
CN110111296A (zh) * | 2019-01-30 | 2019-08-09 | 北京慧脑云计算有限公司 | 深度学习的新发皮层下小梗死病灶自动分割系统及其方法 |
CN110490871A (zh) * | 2019-08-26 | 2019-11-22 | 安影科技(北京)有限公司 | 一种基于磁共振脑灌注图像辅助评估缺血疾病风险的方法 |
WO2020039082A1 (en) * | 2018-08-24 | 2020-02-27 | Neuravi Limited | Apparatus for managing acute ischemic events |
CN110934606A (zh) * | 2019-10-31 | 2020-03-31 | 上海杏脉信息科技有限公司 | 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4509531B2 (ja) * | 2003-10-29 | 2010-07-21 | 株式会社東芝 | 急性脳梗塞診断治療支援装置 |
KR101540254B1 (ko) | 2013-06-24 | 2015-07-30 | 경북대학교 산학협력단 | 당을 감지하는 화학감각수용체를 발현하는 세포를 이용한 바이오 센서 및 이를 포함하는 알츠하이머 진단 기기 |
KR101702267B1 (ko) * | 2016-06-27 | 2017-02-06 | 건국대학교 글로컬산학협력단 | 다중모드 ct를 이용하여 뇌졸중의 예후를 예측하는 방법 |
US10163040B2 (en) * | 2016-07-21 | 2018-12-25 | Toshiba Medical Systems Corporation | Classification method and apparatus |
KR101850320B1 (ko) * | 2016-09-28 | 2018-04-19 | 포항공과대학교 산학협력단 | 단층 촬영 장치 및 오차 제거 방법 |
KR101860566B1 (ko) | 2016-12-06 | 2018-05-23 | 경희대학교 산학협력단 | 파킨슨병을 진단하기 위한 정보제공방법 |
KR101754291B1 (ko) * | 2017-04-04 | 2017-07-06 | 이현섭 | 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법 |
US10733730B2 (en) * | 2017-06-19 | 2020-08-04 | Viz.ai Inc. | Method and system for computer-aided triage |
CA3066644A1 (en) * | 2017-06-19 | 2018-12-27 | Viz.ai, Inc. | A method and system for computer-aided triage |
KR102068836B1 (ko) | 2018-01-29 | 2020-02-11 | 한림대학교 산학협력단 | 파킨슨병의 진단을 위한 입력 패턴 생성 장치 및 방법 |
KR102161305B1 (ko) * | 2018-07-12 | 2020-09-29 | 서울대학교병원 | 치매 조기 진단용 복합 텍스처 인덱스의 생성 방법 |
KR101992057B1 (ko) | 2018-08-17 | 2019-06-24 | (주)제이엘케이인스펙션 | 혈관 투영 영상을 이용한 뇌질환 진단 방법 및 시스템 |
KR102143465B1 (ko) * | 2018-11-29 | 2020-08-11 | 주식회사 휴런 | Aspect 스코어 추정 시스템 및 방법 |
US11373298B2 (en) * | 2019-03-28 | 2022-06-28 | Canon Medical Systems Corporation | Apparatus and method for training neural networks using small, heterogeneous cohorts of training data |
KR102058884B1 (ko) | 2019-04-11 | 2019-12-24 | 주식회사 홍복 | 치매를 진단을 하기 위해 홍채 영상을 인공지능으로 분석하는 방법 |
-
2020
- 2020-05-21 KR KR1020200061088A patent/KR102165840B1/ko active IP Right Grant
- 2020-08-05 ES ES20189543T patent/ES2928934T3/es active Active
- 2020-08-05 EP EP20189543.0A patent/EP3912558B1/en active Active
- 2020-08-05 JP JP2020133024A patent/JP6817488B1/ja active Active
- 2020-08-06 US US16/986,494 patent/US10898152B1/en active Active
- 2020-08-07 CN CN202010788109.1A patent/CN111904449B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103917164A (zh) * | 2011-08-26 | 2014-07-09 | Ebm株式会社 | 血管血流模拟的系统、其方法及计算机软件程序 |
CN107427255A (zh) * | 2015-03-12 | 2017-12-01 | 财团法人峨山社会福祉财团 | 基于脑图像而估算梗塞区域的发生时点的方法 |
WO2020039082A1 (en) * | 2018-08-24 | 2020-02-27 | Neuravi Limited | Apparatus for managing acute ischemic events |
CN110111296A (zh) * | 2019-01-30 | 2019-08-09 | 北京慧脑云计算有限公司 | 深度学习的新发皮层下小梗死病灶自动分割系统及其方法 |
CN110490871A (zh) * | 2019-08-26 | 2019-11-22 | 安影科技(北京)有限公司 | 一种基于磁共振脑灌注图像辅助评估缺血疾病风险的方法 |
CN110934606A (zh) * | 2019-10-31 | 2020-03-31 | 上海杏脉信息科技有限公司 | 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862022A (zh) * | 2021-04-26 | 2021-05-28 | 南京钺曦医疗科技有限公司 | 一种计算非增强ct的aspects评分方法 |
Also Published As
Publication number | Publication date |
---|---|
ES2928934T3 (es) | 2022-11-23 |
EP3912558A1 (en) | 2021-11-24 |
EP3912558B1 (en) | 2022-10-05 |
KR102165840B1 (ko) | 2020-10-16 |
JP6817488B1 (ja) | 2021-01-20 |
CN111904449B (zh) | 2021-07-02 |
JP2021183113A (ja) | 2021-12-02 |
US10898152B1 (en) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111904449B (zh) | 基于人工智能的脑卒中诊断装置及方法 | |
KR102189622B1 (ko) | 뇌출혈 여부 및 종류를 분류하는 인공지능 시스템 기반의 뇌졸중 진단 장치 | |
US10952613B2 (en) | Stroke diagnosis and prognosis prediction method and system | |
KR102243830B1 (ko) | 통합 의료 진단 서비스 제공 시스템 및 그 방법 | |
KR102189626B1 (ko) | 학습한 인공지능 모델을 기초로 기계적 혈전 절제술이 필요한 환자인지 여부를 판단하는 뇌졸중 진단 장치 | |
Chawla et al. | A method for automatic detection and classification of stroke from brain CT images | |
US7428323B2 (en) | Method and system for automatic diagnosis of possible brain disease | |
KR101840350B1 (ko) | 의료 영상 판독 과정에서 사용자의 시선 정보를 이용한 판독 효율 증대 방법 및 그 장치 | |
ES2971911T3 (es) | Aparato y método para proporcionar información sobre la enfermedad de parkinson mediante el uso de imágenes de neuromelanina | |
KR102189623B1 (ko) | 비 뇌출혈 상태인 경우, 뇌 대혈관의 이상 여부를 판단하는 인공지능 기반 뇌졸중 진단 장치 | |
KR102219201B1 (ko) | 뇌졸중이 존재하는 환자군을 선별하여 임상시험 성공 확률을 높이는 방법 | |
KR102189625B1 (ko) | Aspects를 산출하는 인공지능 기반 뇌졸중 진단 장치 | |
US11602322B2 (en) | Ischemic stroke detection and classification method based on medical image, apparatus and system | |
KR102410254B1 (ko) | 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치 및 진단 관련 정보 제공 방법 | |
KR102189624B1 (ko) | 뇌 대혈관폐색 환자인지 여부를 판단하는 인공지능 기반 뇌졸중 진단 장치 | |
KR102219202B1 (ko) | 인공지능 기반 뇌졸중 진단 정보를 제공하는 방법 | |
US11842491B2 (en) | Novel, quantitative framework for the diagnostic, prognostic, and therapeutic evaluation of spinal cord diseases | |
CN111481233B (zh) | 胎儿颈项透明层厚度测量方法 | |
KR102189627B1 (ko) | 환자 관련 정보의 공유가 가능한 인공지능 플랫폼 기반 뇌졸중 진단 장치 | |
Jung et al. | Evaluating a deep-learning system for automatically calculating the stroke ASPECT score | |
Archana et al. | Classification of plaque in carotid artery using intravascular ultrasound images (IVUS) by machine learning techniques | |
Ndunge Mutua et al. | Retinal Image Quality Assessment Using Morphological Operations | |
BR et al. | A Deep Evaluation of Digital Image based Bone Cancer Prediction using Modified Machine Learning Strategy | |
CN113995430A (zh) | 基于cta成像的大血管闭塞评估装置及方法 | |
Kongkham et al. | Deep Learning Approaches for Segmentation of Lung Nodules in CT Scans |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |