CN111933273A - 基于人工智能的帕金森病诊断装置及方法 - Google Patents

基于人工智能的帕金森病诊断装置及方法 Download PDF

Info

Publication number
CN111933273A
CN111933273A CN202010497187.6A CN202010497187A CN111933273A CN 111933273 A CN111933273 A CN 111933273A CN 202010497187 A CN202010497187 A CN 202010497187A CN 111933273 A CN111933273 A CN 111933273A
Authority
CN
China
Prior art keywords
image
melanosome
region
parkinson
disease
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
Application number
CN202010497187.6A
Other languages
English (en)
Other versions
CN111933273B (zh
Inventor
宋洙和
许焕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Herrengongzhineng Technology Co ltd
Heuron Co Ltd
Original Assignee
Herrengongzhineng Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Herrengongzhineng Technology Co ltd filed Critical Herrengongzhineng Technology Co ltd
Publication of CN111933273A publication Critical patent/CN111933273A/zh
Application granted granted Critical
Publication of CN111933273B publication Critical patent/CN111933273B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • 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
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • 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
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Neurology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Neurosurgery (AREA)
  • Psychiatry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Developmental Disabilities (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Databases & Information Systems (AREA)
  • Fuzzy Systems (AREA)
  • Quality & Reliability (AREA)

Abstract

本发明涉及基于人工智能的帕金森病诊断装置及方法。上述装置可包括：影像获取部，从拍摄患者脑部的核磁共振成像获取与多回波大小及相位有关的第一影像；影像处理部，对所获取的第一影像进行后处理，以能够观察到用作帕金森病的影像生物标志的黑质和黑质小体‑1区域；影像分析部，通过分析后处理的第一影像来分类包括黑质小体‑1区域的第二影像，从所分类的第二影像检测黑质小体‑1区域；以及诊断部，通过分析所检测的黑质小体‑1区域是否正常，来诊断患者是否患上帕金森病。

Description

基于人工智能的帕金森病诊断装置及方法
技术领域
本发明涉及基于人工智能的帕金森病诊断装置及方法，更详细地，涉及通过分析核磁共振成像(Magnetic Resonance Imaging，MRI)来诊断帕金森病的帕金森病诊断装置及方法。
背景技术
神经退行性疾病是指神经细胞因某种原因而被杀死后引起脑部功能异常的疾病。
代表性的神经退行性疾病通常有阿尔茨海默氏症或帕金森病，罕见的有肌肉萎缩症等。
在神经退行性疾病中，帕金森病属于破坏神经细胞的代表性神经退行性疾病，会引发身体僵硬、手脚颤抖、无法正常行走，并伴有抑郁、不安，非常降低生活质量。
诊断这种神经退行性疾病的方法除了有接触黏膜、破坏皮肤、天然或人工体孔方式之外，有以不进入内部体腔的方式进行诊断的非侵袭性方法。
例如，在以下的专利文献1及专利文献2中公开了基于现有技术的诊断神经退行性疾病的技术。
现有技术文献
专利文献
1.韩国专利授权号第10-1754291号(2017年7月6日公告)
2.韩国专利公开号第10-2016-0058812号(2016年5月25日)
非专利文献
1.Sung-Min Gho等，″Susceptibility Map-Weighted Imaging (SMWI)forNeuroimaging″，Magnetic Resonance in Medicine 72：337-346(2014)
2.Yoonho Nam等，″Imaging of黑质小体-1 in Substantia Nigra at 3T UsingMultiecho Susceptibility Map-Weighted Imaging (SMWI)″，J.MAGN.RESON.IMAGING2017；46：528-536
3.Christian Langkammer等，″Quantitative susceptibility mapping(QSM)asa means to measure brain iron？A post mortem validation study″，Neuroimage.2012Sep；62(3)：1593-9.doi： 10.1016/j.neuroimage.2012.05.049.Epub 2012 May 24.
发明内容
目前为止，在帕金森病的诊断及药物引发性帕金森症的鉴别诊断中，最客观的方法为利用同位素的[18F]FP-CIT正电子发射计算机断层扫描(Positron emissiontomography，PET)。
但是，上述[18F]FP-CIT正电子发射计算机断层扫描是价格非常高昂的检查方法，存在暴露在放射能的危险。
因此，研发利用核磁共振成像观察黑质小体-1区域来诊断帕金森病的技术成为一种需求。
本发明的一目的在于解决如上所述的问题，即提供可通过分析核磁共振成像来诊断帕金森病的帕金森病诊断装置及方法。
本发明的再一目的在于，提供可通过对作为帕金森病的影像生物标志的黑质小体-1区域进行分析来诊断帕金森病的帕金森病诊断装置及方法。
并且，本发明的另一目的在于提供可通过对磁化率图加权成像 (SMWI)影像追加执行角度调节、影像放大、切片重组(Reslice)等的预处理步骤来在所获取的影像中仅观察作为帕金森病的影像生物标志的黑质和黑质小体-1区域的帕金森病诊断装置及方法。
并且，本发明的还有一目的在于提供通过机器学习来对周边更容易检测的红核(red nucleus)和黑质(substantia nigra)进行检测，可通过对红核和黑质都存在后红核消失的瞬间的影像进行检测来有效地检测nigrosome-1区域的帕金森病诊断装置及方法。
并且，本发明的又一目的在于提供如下的帕金森病诊断装置及方法，即，通过相同的数据集(SET)生成多个学习模型，导出分别适用多个学习模型时的预测诊断结果，当多个学习模型之间的诊断结果不同时，可根据少数服从多数原则决定正常或患上帕金森病等的最终诊断。
并且，本发明的又一目的在于提供通过将基于人工智能的帕金森病诊断方法应用到患者组及正常组的筛选来提高临床实验成功率的装置、系统及方法。
另一方面，本发明的目的并不限定于以上所提及的目的，未提及的其他目的可从以下的记载来由本发明所属技术领域的普通技术人员明确理解。
用于实现上述目的的本发明一实施方式的基于人工智能的帕金森病诊断装置可包括：影像获取部，从拍摄患者脑部的核磁共振成像 (MRI)获取与多回波(multi echo)大小及相位有关的第一影像；影像处理部，对所获取的上述第一影像进行后处理，以能够观察到用作帕金森病的影像生物标志的黑质和黑质小体-1区域；影像分析部，通过分析后处理的上述第一影像来分类包括上述黑质小体-1区域的第二影像，从所分类的上述第二影像检测上述黑质小体-1区域；以及诊断部，通过分析所检测的上述黑质小体-1区域是否正常，来诊断上述患者是否患上帕金森病，上述影像处理部以量化磁化率映射算法为基础，向上述第一影像适用量化磁化率图掩模来生成磁化率图加权成像影像，从而执行上述后处理，上述影像处理部还对所生成的上述磁化率图加权成像影像执行角度调节、影像放大以及切片重组中的至少一个操作。
并且，上述角度调节可以为以便于观察上述黑质小体-1区域的方式对所生成的上述磁化率图加权成像影像的扭曲进行校正的操作，上述影像放大可以为对与上述黑质小体-1区域有关的影像进行放大的操作，上述切片重组可以为用于增加包括上述黑质小体-1区域的上述第一影像的生成数量的操作。
并且，上述影像分析部可通过机器学习来检测后处理的上述第一影像内的红核和黑质，在上述第一影像中，能够以上述红核在所检测的上述红核和黑质中消失的时间点的第一图像为基准，分类包括上述黑质小体-1区域的第二影像。
并且，上述影像分析部可通过在上述第一影像中以上述第一图像为基准来分析规定范围内的影像，来分类包括上述黑质小体-1区域的第二影像。
并且，上述影像分析部利用将机器学习的深度学习神经网络(deep learnigneural network)用在其中的方式中的单级检测器(one-stage detectot)方式，来分类包括上述黑质小体-1区域的第二影像。
并且，上述影像分析部可通过向后处理的上述第一影像适用卷积神经网络(Convolutional Neural Network，CNN)来检测具有全卷积层(Fully convolution layer)特征的特征图(feature map)，可通过向上述特征图适用特征金字塔网络(featurepyramid network，FPN) 来导出跨尺度连接(cross-scale connections)，根据预设的基准来对以上述跨尺度连接为基础进行的分类结果调整分类损失 (classification loss)、边框回归损失(bounding-box regtession loss)及焦点损失(Focal Loss)，从而分类包括上述黑质小体-1区域的第二影像。
并且，上述诊断部可基于相同的数据集(Data Set)来生成用于诊断是否患上上述帕金森病的多个学习模型，可基于所检测的上述黑质小体-1区域来导出通过上述多个学习模型产生的多个预测结果，可基于上述多个预测结果来诊断上述患者是否患上帕金森病。
并且，上述诊断部可基于所检测的上述黑质小体-1区域来对通过上述多个学习模型产生的多个预测结果适用少数服从多数原则，可基于属于多数的预测结果来诊断上述患者是否患上帕金森病。
另一方面，用于实现上述目的的本发明另一实施方式的基于人工智能的帕金森病诊断方法可包括：第1步骤，影像获取部从拍摄患者脑部的核磁共振成像获取与多回波大小及相位有关的第一影像；第2 步骤，影像处理部对所获取的上述第一影像进行后处理，以能够观察到用作帕金森病的影像生物标志的黑质和黑质小体-1区域；第3步骤，影像分析部通过分析后处理的上述第一影像来分类包括上述黑质小体 -1区域的第二影像；第4步骤，上述影像分析部从所分类的上述第二影像检测上述黑质小体-1区域；以及第5步骤，诊断部通过分析所检测的上述黑质小体-1区域是否正常来诊断上述患者是否患上帕金森病，在上述第2步骤中，上述影像处理部以量化磁化率映射算法为基础，向上述第一影像适用量化磁化率图掩模来生成磁化率图加权成像影像，从而执行上述后处理，在上述第2步骤与上述第3步骤之间还包括第2.5步骤，在上述第2.5步骤中，上述影像处理部还对所生成的上述磁化率图加权成像影像执行角度调节、影像放大及切片重组中的至少一个操作。
并且，在上述第2.5步骤中，上述角度调节可以为以便于观察上述黑质小体-1区域的方式对所生成的上述磁化率图加权成像影像的扭曲进行校正的操作，上述影像放大可以为对与上述黑质小体-1区域有关的影像进行放大的操作，上述切片重组可以为用于增加包括上述黑质小体-1区域的上述第一影像的生成数量的操作。
并且，上述第3步骤还可包括：第3-1步骤，上述影像分析部通过机器学习来检测后处理的上述第一影像内的红核和黑质；以及第3-2 步骤，在上述第一影像中，上述影像分析部以上述红核在所检测的上述红核和黑质中消失的时间点的第一图像为基准，分类包括上述黑质小体-1区域的第二影像。
并且，在上述第3-2步骤中，上述影像分析部通过在上述第一影像中以上述第一图像为基准来分析规定范围内的影像，来分类包括上述黑质小体-1区域的第二影像。
并且，在上述第3步骤中，上述影像分析部利用将机器学习的深度学习神经网络用在其中的方式中的单级检测器方式，来分类包括上述黑质小体-1区域的第二影像。
并且，上述第3步骤可包括：第3-1步骤，上述影像分析部通过向后处理的上述第一影像适用卷积神经网络来检测具有全卷积层特征的特征图；第3-2步骤，上述影像分析部通过向上述特征图适用特征金字塔网络来导出跨尺度连接；以及第3-3步骤，上述影像分析部根据预设的基准来对以上述跨尺度连接为基础进行的分类结果调整分类损失、边框回归损失及焦点损失，从而分类包括上述黑质小体-1区域的第二影像。
并且，上述第5步骤可包括：第5-1步骤，上述诊断部基于相同的数据集来生成用于诊断是否患上上述帕金森病的多个学习模型；第 5-2步骤，上述诊断部基于所检测的上述黑质小体-1区域来导出通过上述多个学习模型产生的多个预测结果；第5-3步骤，上述诊断部基于上述多个预测结果来诊断上述患者是否患上帕金森病。
并且，在上述第5-3步骤中，可基于所检测的上述黑质小体-1区域来对通过上述多个学习模型产生的多个预测结果适用少数服从多数原则，可基于属于多数的预测结果来诊断上述患者是否患上帕金森病。
如上所述，根据本发明的帕金森病诊断装置及方法，具有如下的效果，即，可在核磁共振成像中仅分类包括黑质小体-1区域的影像并在所分类的影像中分析黑质小体-1区域来诊断是否患上帕金森病。
而且，本发明具有如下的效果，即，通过适用磁化率图加权成像协议和量化磁化率映射算法来提高黑质小体-1区域的可视性，利用黑质结构被可视化的影像来诊断帕金森病，从而可利用普遍提供的核磁共振成像设备来精密诊断帕金森病，可提高诊断结果的准确度。
并且，本发明具有如下的效果，即，通过对磁化率图加权成像影像追加执行角度调节、影像放大、切片重组等的预处理步骤，来可在所获取的影像中仅观察作为帕金森病的影像生物标志的黑质和黑质小体-1区域。
并且，本发明具有如下的效果，即，可通过机器学习来对周边更容易检测的红核和黑质进行检测，可通过对红核和黑质都存在后红核消失的瞬间的影像进行检测来有效地检测nigrosome-1区域。
并且，本发明具有如下的效果，即，可通过相同的数据集生成多个学习模型，导出分别适用多个学习模型时的预测诊断结果，当多个学习模型之间的诊断结果不同时，可根据少数服从多数原则决定正常或患上帕金森病等的最终诊断。
并且，在为了证明药效而做的临床实验中，通过使得临床实验对象在是否达到预计的效果方面呈现出统计显著性来判定结果，在适用本发明的帕金森病诊断方法及装置的情况下，可准确地仅将新药所指向的帕金森病患者作为临床实验对象，从而可最大限度提高临床实验成功率。
即，可通过将本发明的利用人工智能的帕金森病诊断方法应用到患者组及正常组的筛选来提高临床实验成功率。
另一方面，可通过本发明得到的效果并不限定于以上所提及的效果，未提及的其他效果可通过以下记载来被本发明所属技术领域的普通技术人员明确理解。
附图说明
图1为例示性地示出本发明的包括黑质和黑质小体-1区域的核磁共振成像的图。
图2示出本发明优选实施例的帕金森病诊断装置的框状结构图。
图3为用于说明本发明的影像获取部和影像处理部的操作的图。
图4为用于对本发明的影像处理部对磁化率图加权成像影像追加执行角度调节、影像放大、切片重组等的预处理步骤的操作进行说明的图。
图5以与图4相关的方式示出影像处理部对磁化率图加权成像影像执行角度调节及影像放大的结果的一例。
图6及图7为用于说明本发明的影像分析部的操作的图。
图8为用于说明本发明的影像分析部可更有效地检测 nigrosome-1区域的方法的图。
图9为用于说明本发明的诊断部的操作的图。
图10为示出在本发明中将诊断结果适用于输入影像的状态的图。
图11为用于说明本发明的诊断部能够通过结合多重预测结果来提高诊断性能的方法的图。
图12示出按步骤说明本发明优选实施例的帕金森病诊断方法的工序图的一例。
图13为对以在根据本发明的优选实施例获取的影像中仅能够观察作为帕金森病的影像生物标志的黑质和黑质小体-1区域的方式进行后处理的步骤进行说明的流程图。
图14为对通过对根据本发明的优选实施例处理的影像进行分析来分类包括黑质小体-1区域的影像并在所分类的影像中检测黑质小体 -1区域的方法进行说明的流程图。
图15为对通过在所分类的各个影像中判断黑质小体-1区域是否正常来诊断帕金森病的步骤进行说明的流程图。
图16为对通过将基于人工智能的帕金森病诊断方法应用到患者组及正常组的筛选来提高临床实验成功率的方法进行说明的图。
具体实施方式
以下，参照附图，对本发明优选一实施例进行说明。并且，以下说明的实施例并不限定发明要求保护范围中所记载的本发明的内容，本实施方式中所说明的全部结构不一定都是本发明的技术方案的必要部分。
以下，参照附图，详细说明本发明优选实施例的帕金森病诊断装置及方法。
观察黑质内的黑质小体-1区域来诊断帕金森病的基准
首先，参照图1，对通过观察黑质内的黑质小体-1区域来诊断帕金森病的基准进行说明。
图1为例示性地示出包括黑质和黑质小体-1区域的核磁共振成像的图。
图1的(a)部分示出成像板(imaging slab)，图1的(b)部分示出正常人的黑质和黑质小体-1区域的影像，图1的(c)部分示出帕金森病患者的黑质和黑质小体-1区域的影像。
如图1的(b)部分所示，正常人的黑质内的黑质小体-1区域呈黑色，如图1的(c)部分所示，帕金森病患者的黑质小体-1区域相对接近灰色。
因此，本发明可通过在核磁共振成像中对作为帕金森病的影像生物标志的黑质小体-1区域的阴影进行观察来诊断是否患上帕金森病。
例如，本发明通过对3T核磁共振成像适用磁化率图加权成像 (SusceptibilityMap Weighted Imaging，SMWI)协议及其内部的量化磁化率映射(QluantitativeSusceptibility Mapping，QSM)算法来提高黑质小体-1区域的可视性，从而分析黑质小体-1区域是否正常并诊断帕金森病。
黑质致密部(substantia nigra pars compacta)为包括多巴胺能神经细胞的高密度团的中脑结构。该神经元将在特发性帕金森病 (idiopathic Parkinson’s disease，IPD)中逐渐消失并引起障碍。当与健康的对照组进行比较时，在特发性帕金森病患者中，该区域呈现出铁(iron)的浓度增加。
近来，在健康的检查对象的高分辨率磁化率对比图像中，在对作为黑质小体-1的黑质致密部的很小部分进行可视化的结果，黑质小体 -1与其周边黑质区域(substantianigra regions)之间的对照因铁浓度的差而引起，在特发性帕金森病患者中，呈现出两个部位的磁化率差明显减少。
如上所述的两个部位的磁化率差的减少可用作特发性帕金森病的影像生物标志。
因此，黑质小体-1结构通过使用高分辨率(例如，0.3mm平面分解能)T2-加权成像或磁化率加权成像(SWI)来在7T核磁共振成像中成功被描绘。
但是，因低磁场强度，例如在3T核磁共振成像中因有限的空间分辨率和信噪比/载噪比(SNR/CNR)而在3D高分辨率T2-加权成像中使对照(contrast)明显下降的结构，即对比明显下降。
即使有接近法的有效性得到验证的几种成功的研究，这种局限性在3T核磁共振成像中阻碍了黑质小体-1成像的可靠性和可适用性。
近来，为了解决如上所述的问题，提出了用于提供更高的磁化率对比的新方法。
其中的一个方法为，为了提高信噪比而使多回波梯度回波成像 (multi-echogradient recall echo，multi-echo GRE)大小的影像(magnitude images)结合，以代替使用单一回波图像，在3T核磁共振成像中诊断特发性帕金森病的过程中，呈现出较高的准确度。
上述大小影像的应对方案有为了提高磁化率对比而将相位 (phase)信息用作加权值掩模(mask)的磁化率加权成像 (Susceptibility-weighted imaging，SWI)，或可因相位图像的光晕(blooming)而生成伪影(artifacts)。
其他与磁化率对比相关的接近法为梯度回波相位(或频率)图像和量化磁化率映射(QSM)，两者都对磁化率具有优秀的敏感度，近来被广泛利用。
并且，提出了对大小影像使用从量化磁化率映射引导的磁化率加权掩模(susceptibility weighting mask)的新方法。
该接近法与磁化率加权成像相似，但可解决磁化率加权成像的光晕伪影并可潜在提高磁化率变化的可视性。
量化磁化率映射掩模加权成像已在黑质小体-1结构可视化方面被验证了有效性。
在上述非专利文献1中，公开了用于神经成像(neroimaging)的磁化率图加权成像技术，在上述非专利文献2中，公开了在3T核磁共振成像中利用多回波磁化率图加权成像的黑质内黑质小体-1的成像技术，在上述非专利文献3中，公开了用于测定脑部铁粉的量化磁化率映射技术。
因此，本发明能够根据脑部铁分浓度与磁化率的相关关系并基于因帕金森病而造成的黑质小体-1区域的变化来诊断帕金森病。
帕金森病诊断装置
图2示出本发明优选实施例的帕金森病诊断装置的框状结构图。
如图2所示，本发明优选实施例的帕金森病诊断装置10包括：影像获取部20，从拍摄患者脑部的核磁共振成像获取与多回波大小及相位有关的影像；影像处理部30，对所获取的影像进行后处理，以能够仅观察到用作帕金森病的影像生物标志的黑质和黑质小体-1区域；影像分析部40，通过分析处理后的影像来分类包括黑质小体-1区域的影像，从所分类的影像检测黑质小体-1区域；以及诊断部50，通过在所分类的各个影像中判断黑质小体-1区域是否正常，来诊断帕金森病。
以下，参照附图，对各个结构要素的作用及功能进行具体说明。
影像获取部及影像处理部的操作
参照图3，详细说明影像获取部和影像处理部的结构。
图3为用于说明影像获取部和影像处理部的操作的图。图3示出从多回波合成梯度回波图像生成对于黑质小体-1结构的磁化率图加权成像影像的步骤。
如图3所示，影像获取部20通过以可进行通信的方式与核磁共振成像装置21或在数据库中对所拍摄的核磁共振成像进行存储并管理的数据库(未图示)相连接来获取所要诊断帕金森病的患者的核磁共振成像。
如图3所示，为使黑质小体-1的结构可视化，影像处理部30利用量化磁化率映射算法来从合成多回波大小影像和多回波相位影像 (phase image)的多回波梯度回波复合影像生成磁化率图加权成像影像。
例如，影像处理部30通过多通道大小影像平方之和的平方根来从多通道合成影像生成通道结合的大小影像，在对个别通道的整体相位偏移进行校正之后，以复数平均结合相位影像(第1步骤)。
而且，影像处理部30将通过六个回波的大小影像平方之和的平方根来结合成单一图像(第2步骤)。
影像处理部30利用拉普拉斯展开(Laplac ian unwrapping)算法来计算互不相同的TE的相位影像，并计算在各个体积元素中结合的频率w(第3步骤)。
影像处理部30在频率影像中使用将拉普拉斯算子(Laplacian operator)方法用在其中的谐波背景相位去除来去除背景区域(第4 步骤)。
其中，上述量化磁化率映射可通过使用提升的稀疏线性方程 (sparse linearequation)和最小二乘法(least-squares，iLSQR) 来重组。
例如，在最小二乘法的重组参数中，误差范围＝0.01、对于不完全的k-区域掩模的阈值D2，thres＝0.1。
接着，影像处理部30通过对结果量化磁化率映射进行追加处理来生成用于磁化率对比加权值的量化磁化率映射掩模Smask(第5步骤)。
上述掩模可利用数学式1来生成。
[数学式1]
Figure DEST_PATH_GDA0002723584470000121
其中，X为在上述第4步骤中计算的量化磁化率值(ppm单位)， X伯为顺磁性阈值。上述阈值可之后使用对于最佳载噪比的黑质小体-1 成像数据来决定。
最后，影像处理部30可通过在利用以下数学式2来多回波结合的大小影像乘上量化磁化率映射掩模来生成磁化率图加权成像影像。
[数学式2]
SMWI＝(Smask)m×mag
其中，m为对于磁化率加权值的指数，mag为上述第2步骤的多回波大小结合影像。
另一方面，在本发明中，通过对所生成的磁化率图加权成像影像追加执行角度调节、影像放大、切片重组等的预处理步骤，来达到在所获取的影像中仅能够观察作为帕金森病的影像生物标志的黑质和黑质小体-1区域。
图4为用于对本发明的影像处理部对磁化率图加权成像影像追加执行角度调节、影像放大、切片重组等的预处理步骤的操作进行说明的图。
参照图4的(a)部分，示出了影像处理部30利用上述数学式2 来在多回波结合大小影像乘上量化磁化率映射掩模而生成的磁化率图加权成像影像的一例。
之后，如图4的(b)部分所示，影像处理部30可执行角度调节及影像放大等的操作。
首先，影像处理部30的角度调节操作可为了对拍摄时因拍摄者的移动等而产生的影像扭曲进行校正而执行。
并且，影像处理部30的影像放大操作可为了放大nigrosome-1区域而执行。
具体地，本发明的角度调节可通过确认对于医疗影像信息(dicom →imageorientation patient、image position patient、slice location、slice thi ckness等)的各个域值的信息来按能够很好地看到nigrosome-1的角度进行调节。
并且，在本发明中，可通过以正方形9等分整个图像并沿着横向及纵向分别将中间的正方形区域放大3倍，从而执行影像放大。
图5以与图4相关的方式示出影像处理部对磁化率图加权成像影像执行角度调节及影像放大的结果的一例。
参照图5的(a)部分，将轴影像(axial image)和红线(red line) 呈现为冠状面(coronal plane)，执行角度调节操作的结果显示在图5的(b)部分。
参照图5的(b)部分，当拍摄时，将对因拍摄者的移动等而产生的影像扭曲等进行校正，由此按能够很好地看到nigrosome-1的角度被调节，这将通过放大操作来放大nigrosome-1区域而提供。
重新回到图4，在图4的(b)部分中，影像处理部30在执行角度调节及影像放大操作之后，如图4的(c)部分所示，为了更精密地调节混合现实技术(MR)影像的厚度(thickness)来制作更多的包括 nigrosome-1区域的影像，可执行切片重组步骤。
如上所述，这种切片重组步骤为比之前更精密地调节及适用混合现实技术影像的厚度来制作更多的包括nigrosome-1区域的影像。
通过这种本发明的切片重组步骤，可追加增加约2～3张的影像，这比之前生成的2～3张影像增加生成2～3张，最终可生成更多的包括具有约2被以上的nigrosome-1区域的影像。
代表性地，在本发明的切片重组步骤中，可将所输入的混合现实技术影像信息的切片厚度(slice thickness)调节为0.5以下，来放大包括nigrosome-1的区域。
影像分析部的操作
接着，参照图6及图7来详细说明影像分析部的操作。
图6及图7为用于说明本发明的影像分析部的操作的图。图6示出了分类包括黑质小体-1区域的影像的步骤，图7示出了在所分类的影像中检测黑质小体-1区域的步骤。
如图6所示，可通过影像处理部30的后处理步骤，来获取多个 SMWI影像。
通常，每个患者的为了诊断帕金森病而拍摄的核磁共振成像为约 40张至70多张，其中，在帕金森病诊断中用到的包括黑质小体-1区域的影像为约3张至6张。
如图6所示，影像分析部40可通过机器学习(machine learning) 来在整个核磁共振成像中分析包括黑质小体-1区域的影像来分类 (classifi cation)出包括黑质小体-1区域的影像和不包括黑质小体 -1区域的影像。
而且，如图7所示，影像分析部40可在通过机器学习分类的包括黑质小体-1区域的各个影像中指定存在黑质小体-1区域的位置，可检测所指定的黑质小体-1区域。
例如，影像分析部40可利用将机器学习的深度学习神经网络用在其中的方式中的单级检测器方式，来分类包括黑质小体-1区域的区域。
即，影像分析部40可利用卷积神经网络来对所获取的影像检测具有全卷积层特征的特征图，可通过向特征图适用特征金字塔网络来构成跨尺度连接，在分类结果中使分类损失、边框回归损失、用于使不必要的分类最小化的焦点损失达到最佳化，来最终从多种大小的影像最小化成仅有包括黑质小体-1区域的影像。
图8为用于说明本发明的影像分析部可更有效地检测 nigrosome-1区域的方法的图。
参照图8，本发明的影像分析部40可通过机器学习来对周边更容易检测的红核和黑质进行检测，可通过对红核和黑质都存在后红核消失的瞬间的影像进行检测来有效地检测nigrosome-1区域。
参照图8的(a)部分，可通过机器学习(machine learning)来在整体核磁共振成像中分析包括黑质小体-1区域的影像来分类 (classification)包括黑质小体-1区域的影像和不包括黑质小体-1 区域的影像。
接着，参照图8的(b)部分，为了在输入影像中指定包括 nigrosome-1的区域，可通过对象的多个边框(Bounding boxes of object)和分类预测(class prediction)来提示深度学习输出(Deep learning outputs)。
在本发明中，在输入影像中，为了检测并分析黑质、nigrosome-1 及红核的位置，可通过卷积神经网络来生成位置信息未消失的特征图，可通过向特征图适用特征金字塔网络来适用分析时应对大小变化的方法。
即，参照图8的(c)部分，基于与nigrosome-1相关的多个图像 (Images with黑质小体-1regions)，经过预处理(preprocess) 的影像可利用具有特定位置(R0.7 P28.4F5.2mm)和角度(C＞T39.6 ＞S1.4)这一点。
即，经过预处理的影像可通过利用具有特定位置(R0.7 P28.4 F5.2 mm)和角度(C＞T39.6＞S1.4)这点，来为了检测诊断帕金森病所需的nigrosome-1区域而先通过机器学习检测周边更容易检测的红核和黑质。
具体地，在图8的(c)部分中，朝向下部(Inferior)方向依次确认影像，可对红核和黑质都存在后红核消失的瞬间的影像进行检测。
之后，以在与所检测的影像相距约2～3mm slice内的范围存在 nigrosome-1区域作为前提，可在整体混合现实技术影像中检测包括 nigrosome-1区域的厚度为2～3mm的多个影像(例如，5张～6张)。
在这种包括nigrosome-1区域的厚度为2～3mm的多个影像中选择一个图像，如图8的(d)部分及(e)部分所示，在所分类的包括黑质小体-1区域的各个影像中指定存在黑质小体-1区域的位置，可检测指定的黑质小体-1区域。
诊断部的操作
接着，参照图9及图10，对本发明的诊断部50的操作进行说明。
图9为用于说明诊断部的操作的图，图10为示出将诊断结果适用于输入影像的状态的图。
如图9所示，诊断部50可通过机器学习来对由影像分析部40检测的黑质小体-1区域是否正常进行分析来诊断是否患上帕金森病。
例如，可根据对图10的(a)部分至(d)部分所示的输入影像进行是否患上帕金森病方面的诊断的结果来以如图10的(e)部分至(h) 部分所示的方式适用诊断结果。
另一方面，为了改善诊断性能，本发明适用了诊断部50结合多重预测结果来进行判断的方法。
图11为用于说明本发明的诊断部能够通过结合多重预测结果来提高诊断性能的方法的图。
参照图11，能够以(a)部分所示的相同的数据集为基础来生成如图11的(b)部分所示的多个学习模型。
并且，如图11的(c)部分所示，导出当分别适用多个学习模型时的预测诊断结果，在图11的(d)部分中，在多个学习模型之间的诊断结果不同时根据少数服从多数原则决定正常或患上帕金森病等的最终诊断。
因此，当模型之间的诊断结果不同时，可根据少数服从多数原则决定最终诊断，可通过结合多个深度学习模型的预测结果，来最终诊断诊断对象正常或属于患者，从而可改善诊断性能。
帕金森病诊断方法
接着，参照图12来详细说明本发明优选实施例的帕金森病诊断方法。
图12示出按步骤说明本发明优选实施例的帕金森病诊断方法的工序图。
在图12中的步骤S10中，影像获取部20通过与核磁共振成像设备21或数据库之间的通信来获取所要诊断帕金森病的患者的多个核磁共振成像。
其中，影像获取部20可在3T核磁共振成像中获取合成多回波大小影像和多回波相位影像的多回波梯度回波合成影像。
在步骤S12中，为使黑质小体-1的结构可视化，上述影像处理部 30利用量化磁化率映射算法来对合成多回波大小影像和多回波相位影像的多回波梯度回波复合影像进行后处理，从而生成磁化率图加权成像影像。
在步骤S14中，影像分析部40可通过机器学习来在整个核磁共振成像中分析包括黑质小体-1区域的影像来分类出包括黑质小体-1区域的影像和不包括黑质小体-1区域的影像。
而且，影像分析部40在通过机器学习分类的包括黑质小体-1区域的各个影像中指定存在黑质小体-1区域的位置，并对所执行的黑质小体-1区域进行检测(步骤S16)。
最后，诊断部50通过对在由影像分析部40分类为包括黑质小体 -1区域的影像的各个影像中所检测的黑质小体-1区域判断是否正常来诊断是否患上帕金森病(步骤S18)。
以下，将参照附图来详细说明步骤S12、步骤S14、步骤S16及步骤S18的各个具体步骤。
通过后处理来生成磁化率图加权成像影像的步骤(步骤S12)
图13为对以在根据本发明的优选实施例获取的影像中仅能够观察作为帕金森病的影像生物标志的黑质和黑质小体-1区域的方式进行后处理的步骤进行说明的流程图。
参照图1二3，详细示出了步骤S12，即，为使黑质小体-1的结构可视化，上述影像处理部30利用量化磁化率映射算法来对合成多回波大小影像和多回波相位影像的多回波梯度回波复合影像进行后处理，从而生成磁化率图加权成像影像。
首先，将进行步骤S20，即，通过多通道大小影像平方之和的平方根来从多通道合成影像生成通道结合的大小影像，在对个别通道的整体相位偏移进行校正之后，以复数平均结合相位影像。
之后，将进行通过六个回波的大小影像平方之和的平方根来结合成单一图像的步骤(步骤S21)。
在步骤S21之后，将执行使用拉普拉斯展开算法来计算互不相同的TE的相位影像并计算在各个体积元素中结合的频率w的步骤(步骤 S22)。
并且，将进行在频率影像中使用将拉普拉斯算子方法用在其中的谐波背景相位去除来去除背景区域的步骤(步骤S23)。
之后，经过对量化磁化率映射进行追加处理来生成用于磁化率对比加权值的量化磁化率映射掩模的步骤(步骤S24)之后，进行在多回波结合的大小影像乘上量化磁化率映射掩模来生成磁化率图加权成像影像的步骤(步骤S25)。
并且，在执行以与通过后处理生成的磁化率图加权成像影像相关的方式调节影像角度并放大的步骤(步骤S26)之后，将进行为了通过更精密地调节混合现实技术影像的厚度来制作更多的包括 nigrosome-1区域的影像而进行切片重组的步骤(步骤S27)，执行以可在所获取的影像中仅观察作为帕金森病的影像生物标志的黑质和黑质小体-1区域的方式进行后处理的步骤。
分类包括黑质小体-1区域的影像和不包括黑质小体-1区域的影像(步骤S14)以及 检测指定的黑质小体-1区域的步骤(步骤S16)
图14为对通过对根据本发明的优选实施例处理的影像进行分析来分类包括黑质小体-1区域的影像并在所分类的影像中检测黑质小体 -1区域的方法进行说明的流程图。
参照图14，具体说明了分类包括黑质小体-1区域的影像和不包括黑质小体-1区域的影像(步骤S14)以及检测指定的黑质小体-1区域的步骤(步骤S16)。
首先，将进行通过机器学习来对周边更容易检测的红核和黑质进行检测的步骤(步骤S31)。
之后，将进行朝向下部方向依次确认影像并对红核和黑质都存在后红核消失的瞬间的影像进行检测的步骤(步骤S32)。
并且，由于与所检测的影像相距约2～3mm slice内的范围存在 nigrosome-1区域，因而执行在整体混合现实技术影像中检测包括 nigrosome-1区域的厚度在2～3mm的多个影像(5张～6张)的步骤(步骤S33)。
在步骤S33之后，将执行通过经步骤S33导出的多个影像中的至少一个来检测nigrosome-1区域的步骤(步骤S16)。
通过判断所检测的黑质小体-1区域是否正常来诊断是否患上帕金森病的步骤(步 骤S18)
图15为对通过在所分类的各个影像中判断黑质小体-1区域是否正常来诊断帕金森病的步骤进行说明的流程图。
参照图15，首先进行通过相同的数据集来生成多个学习模型的步骤(步骤S41)，导出分别适用多个学习模型时的预测诊断结果(步骤 S42)。
在此情况下，可发生多个学习模型之间的诊断结果不同的情况，在本发明中，将根据少数服从多数原则决定正常或患上帕金森病等的最终诊断(步骤S43)
因此，可在多个模型之间的诊断结果不同时根据少数服从多数原则决定最终诊断，由此可与多个深度学习模型的预测结果相结合来最终诊断诊断对象正常或属于患者，从而可改善诊断性能。
将利用人工智能的帕金森病诊断方法应用到患者组及正常组的筛选来提高临床 实验成功率的方法
可通过将如上所述的本发明的利用人工智能的帕金森病诊断方法及装置应用到患者组及正常组的筛选来提高临床实验成功率。
即，本发明可提供将利用人工智能的帕金森病诊断方法应用到患者组及正常组的筛选来提高临床实验成功率的装置、系统及方法。
在为了证明药效而做的临床实验中，通过使得临床实验对象在是否达到预计的效果方面呈现出统计显著性来判定结果，在适用本发明的帕金森病诊断方法及装置的情况下，可准确地仅将新药所指向的帕金森病患者作为临床实验对象，从而可最大限度提高临床实验成功率。
首先，先对现有新药临床实验的问题进行说明。
在为了证明药效而做的临床实验中，通过使得临床实验对象在是否达到预计的效果方面呈现出统计显著性来判定结果。
另一方面，对于帕金森病而言，对是否通过药效来使症状好转进行的测定仅依靠UPDRS评价、神经学检查、Hoehn&Yarr stage评价 (0步骤～5步骤)，这些方法属于通过门诊实现的方法，存在数据的尺度不精密的问题。
因此，若要验证统计显著性，需对投药前和投药后进行比较或与假药组进行比较来使评价尺度的数值在统计方面明显上升，预测上升数值越大，目标对象数量将变少，实现统计显著性的可能性将上升。
在此情况下，若预测上升数值小，则目标对象数量将增加，导致统计验证难度上升。
最终，将帕金森病的评价尺度提升一个层次本身变得非常困难，将发生通过临床实验的可能性变得非常低的问题。
为了解决这种问题，本发明将通过准确地仅将新药所指向的帕金森病患者作为临床实验对象，来最大限度提高临床实验成功率。
在中枢神经类药物的新药开发过程中，最重要的失败原因之一为难以筛选准确的对象及难以筛选准确的药物反应组。
对于中枢神经类药物而言，尤其对胃药的反应比例高，降低对象组的异质性、设定可预测药物反应性的生物标志成为提高成功率的重要战略。
并且，对于帕金森病而言，确诊帕金森病需要很长时间(约3个月)，因而很难进行筛选检查，存在很难仅将新药所指向的帕金森病患者作为临床实验对象的问题。
因此，可通过将本发明的利用人工智能的帕金森病诊断方法应用到患者组及正常组的筛选来提高临床实验成功率。
图16为对通过将基于人工智能的帕金森病诊断方法应用到患者组及正常组的筛选来提高临床实验成功率的方法进行说明的图。
参照图16，最先进行招募用于验证药效的临床实验实验对象的步骤(步骤S1)。
之后，将多个实验组作为对象，进行获取影像的步骤(步骤S10)、向各个影像适用量化磁化率映射算法来进行影像后处理的步骤(步骤 S12)、利用机器学习来分类包括黑质小体-1区域的影像的步骤(步骤 S14)、检测黑质小体-1区域的步骤(步骤S16)以及通过判断黑质小体-1区域是否正常来诊断是否患上帕金森病的步骤(步骤S18)。
已参照图12至图15来已经具体说明上述步骤S10至步骤S18，为了简化说明书，将省略重复说明。
之后，若通过步骤S18来导出诊断结果，则可进行基于诊断结果来将多个实验对象组分为实际帕金森病患者组和正常患者组的步骤 (步骤S50)。
在此情况下，可通过仅基于分类为实际帕金森患者组的对象来进行临床实验的步骤(步骤S52)及基于临床实验结果来验证药效的步骤 (步骤S54)，来准确地仅将新药所指向的帕金森病患者作为临床实验对象来包括在内，从而可最大限度提高临床实验成功率。
最终，可通过将本发明的利用人工智能的帕金森病诊断方法应用到患者组及正常组的筛选来提高临床实验成功率。
如上所述的步骤S1至步骤S54还可由帕金森病诊断装置10独立执行，或还可设置单独的服务器(未图示)或单独的中央管理装置(未图示)来与帕金森病诊断装置10一同执行整体操作。
本发明的效果
根据本发明的帕金森病诊断装置及方法，具有如下的效果，即，可在核磁共振成像中仅分类包括黑质小体-1区域的影像并在所分类的影像中分析黑质小体-1区域来诊断是否患上帕金森病。
而且，本发明具有如下的效果，即，通过适用磁化率图加权成像协议和量化磁化率映射算法来提高黑质小体-1区域的可视性，利用黑质结构被可视化的影像来诊断帕金森病，从而可利用普遍提供的核磁共振成像设备来精密诊断帕金森病，可提高诊断结果的准确度。
并且，本发明具有如下的效果，即，通过对磁化率图加权成像影像追加执行角度调节、影像放大、切片重组等的预处理步骤，来可在所获取的影像中仅观察作为帕金森病的影像生物标志的黑质和黑质小体-1区域。
并且，本发明具有如下的效果，即，可通过机器学习来对周边更容易检测的红核和黑质进行检测，可通过对红核和黑质都存在后红核消失的瞬间的影像进行检测来有效地检测nigrosome-1区域。
并且，本发明具有如下的效果，即，可通过相同的数据集生成多个学习模型，导出分别适用多个学习模型时的预测诊断结果，当多个学习模型之间的诊断结果不同时，可根据少数服从多数原则决定正常或患上帕金森病等的最终诊断。
并且，在为了证明药效而做的临床实验中，通过使得临床实验对象在是否达到预计的效果方面呈现出统计显著性来判定结果，在适用本发明的帕金森病诊断方法及装置的情况下，可准确地仅将新药所指向的帕金森病患者作为临床实验对象，从而可最大限度提高临床实验成功率。
即，可通过将本发明的利用人工智能的帕金森病诊断方法应用到患者组及正常组的筛选来提高临床实验成功率。
另一方面，可通过本发明得到的效果并不限定于以上所提及的效果，未提及的其他效果可通过本说明书中的记载来被本发明所属技术领域的普通技术人员明确理解。
如上所述的本发明的实施例可通过多种机构实现。例如，可通过硬件、固件(firmware)、软件或它们的结合等来实现本发明的实施例。
在通过硬件实现的情况下，本发明实施例的方法可通过一个或一个以上的ASICs(Application Specific Integrated Circuits)、DSPs (Digital Signal Processors)、DSPDs(Digital Signal Processing Devices)、PLDs(Programmable Logic Devices)、FPGAs(Field Programmable Gate Arrays)、处理器、控制器、微控制器、微处理器等来实现。
在通过固件或软件实现的情况下，本发明实施例的方法可通过执行以上说明的功能或操作的模块、步骤或函数等的形态来实现。软件代码可通过存储于存储单元的处理器来驱动。上述存储单元位于上述处理器内部或外部，来通过已公知的多种机构来与上述处理器收发数据。
以可使本发明所属技术领域的普通技术人员实现并实施本发明的方式提供了对于以如上所述的方式公开的本发明的优选实施例的详细说明。在上述内容中，参照本发明的优选实施例来进行了说明，但本发明所属技术领域的熟练的技术人员可以理解，可在不脱离本发明的领域的范围内对本发明进行多种修改及变更。例如，本发明所属技术领域的普通技术人员能够以互相组合的方式利用记载于上述实施例的各个结构。因此，本发明并不限定于在本说明书中说明的多个实施方式，而是赋予与在此公开的多个原理及新特征相一致的最广的范围。
在不脱离本发明的思想及必要特征的范围内，能够以其他特定实施方式具体实现本发明。因此，以上的详细说明在所有方面不应以限定性地进行解释，应考虑是例示性的。本发明的范围应根据所附的发明要求保护范围的合理解释来决定，在本发明的等价范围内，所有变更包括在本发明的范围。本发明并不限定于在此出现的实施方式，而是赋予与在此公开的原理及新特征相同的最广的范围。并且，可通过结合没有在发明要求保护范围中明示的引用关系的多个权利要求范围中的内容来构成实施例或可通过在申请后进行校正来包括新的权利要求范围。

Claims (14)

1.一种基于人工智能的帕金森病诊断装置，其特征在于，
包括：
影像获取部，从拍摄患者脑部的核磁共振成像获取与多回波大小及相位有关的第一影像；
影像处理部，对所获取的上述第一影像进行后处理，以能够观察到用作帕金森病的影像生物标志的黑质和黑质小体-1区域；
影像分析部，通过分析后处理的上述第一影像来分类包括上述黑质小体-1区域的第二影像，从所分类的上述第二影像检测上述黑质小体-1区域；以及
诊断部，通过分析所检测的上述黑质小体-1区域是否正常，来诊断上述患者是否患上帕金森病，
上述影像处理部以量化磁化率映射算法为基础，向上述第一影像适用量化磁化率图掩模来生成磁化率图加权成像影像，从而执行上述后处理，
上述影像处理部还对所生成的上述磁化率图加权成像影像执行角度调节、影像放大以及切片重组中的至少一个操作。
2.根据权利要求1所述的基于人工智能的帕金森病诊断装置，其特征在于，
上述角度调节为以便于观察上述黑质小体-1区域的方式对所生成的上述磁化率图加权成像影像的扭曲进行校正的操作，
上述影像放大为对与上述黑质小体一1区域有关的影像进行放大的操作，
上述切片重组为用于增加包括上述黑质小体-1区域的上述第一影像的生成数量的操作。
3.根据权利要求1所述的基于人工智能的帕金森病诊断装置，其特征在于，
上述影像分析部通过机器学习来检测后处理的上述第一影像内的红核和黑质，
在上述第一影像中，以上述红核在所检测的上述红核和黑质中消失的时间点的第一图像为基准，分类包括上述黑质小体-1区域的第二影像。
4.根据权利要求3所述的基于人工智能的帕金森病诊断装置，其特征在于，上述影像分析部通过在上述第一影像中以上述第一图像为基准来分析规定范围内的影像，来分类包括上述黑质小体-1区域的第二影像。
5.根据权利要求1所述的基于人工智能的帕金森病诊断装置，其特征在于，上述影像分析部利用将机器学习的深度学习神经网络用在其中的方式中的单级检测器方式，来分类包括上述黑质小体-1区域的第二影像。
6.根据权利要求5所述的基于人工智能的帕金森病诊断装置，其特征在于，
上述影像分析部通过向后处理的上述第一影像适用卷积神经网络来检测具有全卷积层特征的特征图，
通过向上述特征图适用特征金字塔网络来导出跨尺度连接，
根据预设的基准来对以上述跨尺度连接为基础进行的分类结果调整分类损失、边框回归损失及焦点损失，从而分类包括上述黑质小体-1区域的第二影像。
7.根据权利要求1所述的基于人工智能的帕金森病诊断装置，其特征在于，
上述诊断部基于相同的数据集来生成用于诊断是否患上上述帕金森病的多个学习模型，
基于所检测的上述黑质小体-1区域来导出通过上述多个学习模型产生的多个预测结果，
基于上述多个预测结果来诊断上述患者是否患上帕金森病。
8.根据权利要求7所述的基于人工智能的帕金森病诊断装置，其特征在于，上述诊断部基于所检测的上述黑质小体-1区域来对通过上述多个学习模型产生的多个预测结果适用少数服从多数原则，基于属于多数的预测结果来诊断上述患者是否患上帕金森病。
9.一种用于诊断帕金森病的信息提供方法，其特征在于，
包括：
第1步骤，影像获取部从拍摄患者脑部的核磁共振成像获取与多回波大小及相位有关的第一影像；
第2步骤，影像处理部对所获取的上述第一影像进行后处理，以能够观察到用作帕金森病的影像生物标志的黑质和黑质小体-1区域；
第3步骤，影像分析部通过分析后处理的上述第一影像来分类包括上述黑质小体-1区域的第二影像；
第4步骤，上述影像分析部从所分类的上述第二影像检测上述黑质小体-1区域；以及
第5步骤，为了诊断上述患者是否患上帕金森病，向诊断部提供与所检测的上述黑质小体-1区域有关的信息，
在上述第2步骤中，上述影像处理部以量化磁化率映射算法为基础，向上述第一影像适用量化磁化率图掩模来生成磁化率图加权成像影像，从而执行上述后处理，
在上述第2步骤与上述第3步骤之间还包括第2.5步骤，在上述第2.5步骤中，上述影像处理部还对所生成的上述磁化率图加权成像影像执行角度调节、影像放大及切片重组中的至少一个操作。
10.根据权利要求9所述的用于诊断帕金森病的信息提供方法，其特征在于，在上述第2.5步骤中，
上述角度调节为以便于观察上述黑质小体-1区域的方式对所生成的上述磁化率图加权成像影像的扭曲进行校正的操作，
上述影像放大为对与上述黑质小体-1区域有关的影像进行放大的操作，
上述切片重组为用于增加包括上述黑质小体-1区域的上述第一影像的生成数量的操作。
11.根据权利要求9所述的用于诊断帕金森病的信息提供方法，其特征在于，上述第3步骤还包括：
第3-1步骤，上述影像分析部通过机器学习来检测后处理的上述第一影像内的红核和黑质；以及
第3-2步骤，在上述第一影像中，上述影像分析部以上述红核在所检测的上述红核和黑质中消失的时间点的第一图像为基准，分类包括上述黑质小体-1区域的第二影像。
12.根据权利要求11所述的用于诊断帕金森病的信息提供方法，其特征在于，在上述第3-2步骤中，上述影像分析部通过在上述第一影像中以上述第一图像为基准来分析规定范围内的影像，来分类包括上述黑质小体-1区域的第二影像。
13.根据权利要求9所述的用于诊断帕金森病的信息提供方法，其特征在于，在上述第3步骤中，上述影像分析部利用将机器学习的深度学习神经网络用在其中的方式中的单级检测器方式，来分类包括上述黑质小体-1区域的第二影像。
14.根据权利要求13所述的用于诊断帕金森病的信息提供方法，其特征在于，上述第3步骤包括：
第3-1步骤，上述影像分析部通过向后处理的上述第一影像适用卷积神经网络来检测具有全卷积层特征的特征图；
第3-2步骤，上述影像分析部通过向上述特征图适用特征金字塔网络来导出跨尺度连接；以及
第3-3步骤，上述影像分析部根据预设的基准来对以上述跨尺度连接为基础进行的分类结果调整分类损失、边框回归损失及焦点损失，从而分类包括上述黑质小体-1区域的第二影像。
CN202010497187.6A 2020-03-03 2020-06-03 基于人工智能的帕金森病诊断装置及方法 Active CN111933273B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200026561A KR102097738B1 (ko) 2020-03-03 2020-03-03 인공지능 기반 파킨슨 병 진단 장치 및 방법
KR10-2020-0026561 2020-03-03

Publications (2)

Publication Number Publication Date
CN111933273A true CN111933273A (zh) 2020-11-13
CN111933273B CN111933273B (zh) 2021-08-27

Family

ID=70282070

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010497187.6A Active CN111933273B (zh) 2020-03-03 2020-06-03 基于人工智能的帕金森病诊断装置及方法

Country Status (6)

Country Link
US (1) US11013452B1 (zh)
EP (1) EP3876194B1 (zh)
JP (1) JP6746027B1 (zh)
KR (1) KR102097738B1 (zh)
CN (1) CN111933273B (zh)
ES (1) ES2906220T3 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113077448A (zh) * 2021-02-05 2021-07-06 和人人工知能科技有限公司 利用神经黑色素影像提供帕金森病信息的装置及方法
CN114224296A (zh) * 2022-01-13 2022-03-25 福州大学 基于可穿戴式传感装置的帕金森运动症状量化评估方法
CN118072946A (zh) * 2024-04-16 2024-05-24 首都医科大学附属北京友谊医院 用于评估帕金森脑铁沉积位置的装置、电子设备和存储介质

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111681184B (zh) * 2020-06-09 2023-02-24 复旦大学附属华山医院 一种神经黑色素图像重建方法、装置、设备和存储介质
US20220013231A1 (en) * 2020-07-13 2022-01-13 Corsmed Ab Method for ai applications in mri simulation
KR102336058B1 (ko) 2020-07-14 2021-12-07 주식회사 휴런 자기공명영상을 이용한 대뇌 미세출혈 탐지 장치 및 방법
US11734837B2 (en) * 2020-09-30 2023-08-22 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for motion estimation
KR102613530B1 (ko) * 2021-03-26 2023-12-13 울산과학기술원 흑질의 세분화된 영역을 기초로 파킨슨 병을 진단하는 방법 및 장치
CN113538333B (zh) * 2021-06-08 2022-06-17 中南民族大学 基于脑部块特征加权表达的阿尔茨海默症诊断方法
TWI788939B (zh) * 2021-08-03 2023-01-01 崑山科技大學 輔助檢測帕金森氏症之方法及系統
WO2024055129A1 (en) * 2022-09-14 2024-03-21 Macdonald Penny Diagnosis, staging and prognosis of neurodegenerative disorders using mri
KR102618522B1 (ko) * 2022-10-25 2023-12-28 주식회사 틸더 심전도 신호를 이용한 파킨슨병 분석 장치 및 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130172727A1 (en) * 2010-04-30 2013-07-04 The Johns Hopkins University Intelligent Atlas for Automatic Image Analysis of Magnetic Resonance Imaging
CN107067395A (zh) * 2017-04-26 2017-08-18 中国人民解放军总医院 一种基于卷积神经网络的核磁共振图像处理装置与方法
US20170261584A1 (en) * 2014-09-01 2017-09-14 bioProtonics, LLC Selective sampling for assessing structural spatial frequencies with specific contrast mechanisms
CN109997200A (zh) * 2016-10-20 2019-07-09 株式会社Jlk英思陪胜 脑中风诊断以及预后预测方法及系统

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9008462B2 (en) * 2011-02-17 2015-04-14 The Johns Hopkins University Methods and systems for registration of radiological images
WO2012174177A2 (en) * 2011-06-15 2012-12-20 Chunlei Liu Systems and methods for imaging and quantifying tissue magnetism with magnetic resonance imaging
US9213076B2 (en) * 2012-02-27 2015-12-15 Medimagemetric LLC System, process and computer-accessible medium for providing quantitative susceptibility mapping
EP3017400B1 (en) * 2013-07-02 2019-05-15 Surgical Information Sciences Inc. Method and system for a brain image pipeline and brain image region location and shape prediction
ES2704858T3 (es) 2013-09-20 2019-03-20 Transmural Biotech S L Técnicas de análisis de imágenes para diagnosis de enfermedades
US20160054410A1 (en) * 2014-08-19 2016-02-25 General Electric Company System and method for locating and quantifying a biomarker for neurological disease
JP6679467B2 (ja) * 2016-11-07 2020-04-15 株式会社日立製作所 磁気共鳴イメージング装置および酸素摂取率算出方法
CN106898000B (zh) * 2017-02-15 2020-02-18 华东师范大学 一种磁共振成像大脑灰质核团的自动分割方法
KR101754291B1 (ko) 2017-04-04 2017-07-06 이현섭 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법
US10890641B2 (en) * 2017-04-07 2021-01-12 Cornell University System and method of robust quantitative susceptibility mapping
WO2019178336A1 (en) * 2018-03-14 2019-09-19 Emory University Systems and methods for generating biomarkers based on multivariate mri and multimodality classifiers for disorder diagnosis
KR102131687B1 (ko) * 2018-09-10 2020-07-08 주식회사 휴런 파킨슨 병 진단 장치 및 방법
CN109242849A (zh) * 2018-09-26 2019-01-18 上海联影智能医疗科技有限公司 医学图像处理方法、装置、系统和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130172727A1 (en) * 2010-04-30 2013-07-04 The Johns Hopkins University Intelligent Atlas for Automatic Image Analysis of Magnetic Resonance Imaging
US20170261584A1 (en) * 2014-09-01 2017-09-14 bioProtonics, LLC Selective sampling for assessing structural spatial frequencies with specific contrast mechanisms
CN109997200A (zh) * 2016-10-20 2019-07-09 株式会社Jlk英思陪胜 脑中风诊断以及预后预测方法及系统
CN107067395A (zh) * 2017-04-26 2017-08-18 中国人民解放军总医院 一种基于卷积神经网络的核磁共振图像处理装置与方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113077448A (zh) * 2021-02-05 2021-07-06 和人人工知能科技有限公司 利用神经黑色素影像提供帕金森病信息的装置及方法
CN114224296A (zh) * 2022-01-13 2022-03-25 福州大学 基于可穿戴式传感装置的帕金森运动症状量化评估方法
CN114224296B (zh) * 2022-01-13 2023-07-21 福州大学 基于可穿戴式传感装置的帕金森运动症状量化评估系统
CN118072946A (zh) * 2024-04-16 2024-05-24 首都医科大学附属北京友谊医院 用于评估帕金森脑铁沉积位置的装置、电子设备和存储介质

Also Published As

Publication number Publication date
EP3876194A1 (en) 2021-09-08
KR102097738B1 (ko) 2020-04-06
CN111933273B (zh) 2021-08-27
JP2021137534A (ja) 2021-09-16
ES2906220T3 (es) 2022-04-13
JP6746027B1 (ja) 2020-08-26
US11013452B1 (en) 2021-05-25
EP3876194B1 (en) 2021-12-22

Similar Documents

Publication Publication Date Title
CN111933273B (zh) 基于人工智能的帕金森病诊断装置及方法
US9339239B2 (en) Methods and devices for optimization of magnetic resonance imaging protocols
US20170156630A1 (en) System and method for adaptive and patient-specific magnetic resonance imaging
CN111212600B (zh) 帕金森病诊断装置
US12000918B2 (en) Systems and methods of reconstructing magnetic resonance images using deep learning
KR102144719B1 (ko) 복수의 학습 모델에 의한 다중 예측 결과를 이용하는 인공지능 기반 파킨슨 병 진단 장치 및 방법
WO2011115956A1 (en) Systems and methods for detection and prediction of brain disorders based on neural network interaction
US11835612B2 (en) System and method for motion correction of magnetic resonance image
JP5591687B2 (ja) 画像処理方法
US11219402B2 (en) Systems and methods for producing imaging biomarkers indicative of a neurological disease state using gray matter suppressions via double inversion-recovery magnetic resonance imaging
Gooijers et al. White matter organization in relation to upper limb motor control in healthy subjects: exploring the added value of diffusion kurtosis imaging
KR102144720B1 (ko) 기계 학습을 통해 분류된 나이그로좀 1 영역과 복수의 학습 모델에 의한 다중 예측 결과를 이용하는 인공지능 기반 파킨슨 병 진단을 위한 정보제공 방법
KR102144718B1 (ko) 기계 학습을 통해 분류된 나이그로좀 1 영역을 이용하는 인공지능 기반 파킨슨 병 진단 장치 및 방법
KR102144721B1 (ko) 파킨슨병이 존재하는 환자군을 선별하여 임상시험 성공 확률을 높이는 방법
KR102122073B1 (ko) 기계 학습을 통해 검출된 나이그로좀 1 영역을 기초로 파킨슨 병을 진단하는 장치 및 방법
WO2022217157A1 (en) System and method for quantitative magnetic resonance imaging using a deep learning network
KR20240027714A (ko) 예측 연령 차이를 이용한 동반 임상 치매 등급과 그 미래의 결과를 평가하는 방법 및 그 프로그램
Winzeck Methods for Data Management in Multi-Centre MRI Studies and Applications to Traumatic Brain Injury
KR102097044B1 (ko) 파킨슨 병 진단을 위한 정보제공 방법
Farzinfar et al. Entropy based DTI quality control via regional orientation distribution
US20240138697A1 (en) System and method for improved metal detection in magnetic resonance imaging
Tsepas Diffusion kurtosis imaging of the auditory nerve in unilateral and bilateral deaf patients: An automated processing and analysis pipeline
Gedamu Guidelines for developing automated quality control procedures for brain magnetic resonance images acquired in multi-centre clinical trials
CN114847918A (zh) 用于量化参数映射图的验证医学图像的运动校正的系统和方法
US20170269179A1 (en) System and method for controlling undesired magnetic field effects in magnetic resonance imaging

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