CN113077448A - 利用神经黑色素影像提供帕金森病信息的装置及方法 - Google Patents

利用神经黑色素影像提供帕金森病信息的装置及方法 Download PDF

Info

Publication number
CN113077448A
CN113077448A CN202110368053.9A CN202110368053A CN113077448A CN 113077448 A CN113077448 A CN 113077448A CN 202110368053 A CN202110368053 A CN 202110368053A CN 113077448 A CN113077448 A CN 113077448A
Authority
CN
China
Prior art keywords
image
neuromelanin
parkinson
region
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
CN202110368053.9A
Other languages
English (en)
Other versions
CN113077448B (zh
Inventor
朴成范
宋洙和
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
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 CN113077448A publication Critical patent/CN113077448A/zh
Application granted granted Critical
Publication of CN113077448B publication Critical patent/CN113077448B/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
    • A61B5/72—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
    • A61B5/0033—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
    • A61B5/48—Other medical applications
    • A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
    • 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
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • 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
    • 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
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4806—Functional imaging of brain activation
    • 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
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background 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
    • 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
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G06T2207/10096—Dynamic contrast-enhanced magnetic resonance imaging [DCE-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
    • G06T2207/20081—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20128—Atlas-based segmentation
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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

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

Abstract

根据本发明的一实施方式，本发明的利用神经黑色素影像提供帕金森病信息的装置可包括：影像接收部，用于获得拍摄患者脑部的磁共振成像影像；影像预处理部，以能够观察用作帕金森病的影像生物标志物的神经黑色素区域的方式预处理已获得的上述磁共振成像影像；影像处理部，通过分析预处理的上述磁共振成像影像来对包含上述神经黑色素区域的第一影像进行分类，从已分类的上述第一影像检测上述神经黑色素区域；以及影像分析部，通过分析已检测的上述神经黑色素区域是否正常来诊断上述患者是否患有帕金森病。

Description

利用神经黑色素影像提供帕金森病信息的装置及方法
技术领域
本发明涉及利用神经黑色素影像提供帕金森病信息的装置及方法，更详细地，涉及如下的帕金森病相关专用装置及方法，即，基于人工智能(AI)分析与神经黑色素相关的磁共振成像影像(Magnetic Resonance Imaging，以下称为MRI)来提供与帕金森病相关的专用信息。
背景技术
神经退行性疾病是指随着神经细胞因某种原因消失而导致脑部功能产生异常的疾病。
例如，作为代表性的神经退行性疾病，常见的有阿尔茨海默病或帕金森病，罕见的有肌肉萎缩症。
在神经退行性疾病中，帕金森病作为破坏神经细胞的代表性神经退行性疾病，不仅有身体僵硬、手脚颤抖、行走困难等症状，还伴有抑郁、不安感，因此，生活质量将大幅下降。
作为诊断这种神经退行性疾病的方法，通过接触粘膜、破坏皮肤、除自然躯体或人工躯体外以无需内部体腔的方式进行诊断的非侵袭性方法进行诊断。
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日公开)
发明内容
技术问题
当前，在帕金森病诊断及药物诱发性帕金森病的鉴别诊断中，利用同位素的[18F]FP-CIT正电子放射计算机断层扫描(PET，Positron emission tomography)被视为最客观的方法。
但是，上述[18F]FP-CIT正电子放射计算机断层扫描为非常高价的检查方法并具有放射能泄漏危险。
因此，需要开发可通过利用磁共振成像影像观察神经黑色素区域来早期诊断出帕金森病的技术。
为了解决如上所述的问题，本发明的目的在于，提供如下的装置及方法，即，可通过分析磁共振成像影像来预测所处年龄的帕金森病危险度并由此帮助早期诊断帕金森病。
本发明的再一目的在于，提供如下的装置及方法，即，通过分析标识为帕金森病的影像生物标志物的神经黑色素区域来输出与帕金森病相关的专用信息。
并且，本发明的另一目的在于，提供如下的装置及方法，即，以可观察神经黑色素区域的方式预处理已获得的磁共振成像影像并通过分析预处理的磁共振成像影像来对包含神经黑色素区域的影像进行分类，从已分类的影像检测神经黑色素区域，通过已检测的神经黑色素和临床信息预测患者的所处年龄的帕金森病危险度。
并且，本发明的又一目的在于，提供如下的装置及方法，即，基于消除头盖骨区域的影像执行角度调节、影像放大及再分割(Reslice)中的至少一种工作，利用深度神经网络(Deep Neural Network)模型检测包含神经黑色素的区域，利用模板(template)图像执行空间标准化(spatial normalization)，可通过生成在图像的各个体素(voxel)映射(mapping)上述对比度(CR，Contrast Ratio)的值的对比度图像来预测帕金森病危险度。
并且，本发明的又一目的在于，提供如下的装置及方法，即，基于已生成的对比度图像分割预先指定的脆弱区域(Vulnerable region)，可通过计算已分割的脆弱区域内的平均对比度来执行影像的预处理。
并且，本发明的又一目的在于，提供如下的装置及方法，即，以同一对象为基准，当所输入的磁共振成像影像为多个时(当分析同一人在不同时间点拍摄的多个磁共振成像影像时)，利用多个磁共振成像影像所包含的神经黑色素区域数据生成被试内模板(within-subject template)并执行空间标准化来提供纵向追踪研究(longitudinal study)功能。
并且，本发明的又一目的在于，提供如下的装置及方法，即，计算患者的神经黑色素区域的体积且一并利用已计算的神经黑色素区域的体积及已获得的临床信息来计算神经黑色素萎缩度，基于已计算的神经黑色素萎缩度预测患者的帕金森病危险度。
并且，本发明的又一目的在于，提供如下的装置及方法，即，利用同一人在不同时间点获得的多个神经黑色素萎缩度计算患者的神经黑色素萎缩率，并以多种形态显示及提供患者的神经黑色素萎缩率。
并且，本发明的又一目的在于，提供如下的装置、系统及方法，即，通过人工智能预测帕金森病危险度来提高临床实验成功概率。
另一方面，本发明所要实现的技术目的并不限定于以上提及的技术目的，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。
技术方案
为了实现上述技术目的，本发明一实施方式的利用神经黑色素影像预测帕金森病危险度的装置可包括：影像接收部，用于获得拍摄患者脑部的磁共振成像影像；影像预处理部，以能够观察用作帕金森病的影像生物标志物的神经黑色素区域的方式预处理已获得的上述磁共振成像影像；影像处理部，通过分析预处理的上述磁共振成像影像来对包含上述神经黑色素区域的第一影像进行分类，从已分类的上述第一影像检测上述神经黑色素区域；以及影像分析部，将已检测的上述神经黑色素区域体积与临床信息一同标准化来预测上述患者的所处年龄的帕金森病危险度。
并且，上述影像预处理部可基于已获得的上述磁共振成像影像生成对比度(CR，Contrast Ratio)图像。
并且，上述影像预处理部可包括：头盖骨消除部，用于在已获得的上述磁共振成像影像内消除头盖骨区域；影像再分割部，基于消除上述头盖骨区域的影像执行角度调节、影像放大及再分割中的至少一种工作；神经黑色素区域分类部，基于从上述影像再分割部传递的影像利用深度神经网络(Deep Neural Network)模型检测包含上述神经黑色素的第一区域；空间标准化部，基于已检测上述第一区域的影像并利用模板(template)图像执行空间标准化(spatial normalization)；对比度图像生成部，基于执行上述空间标准化的影像生成在图像的各个体素(voxel)映射(mapping)上述对比度的值(CR，Contrast Ratio)的对比度图像；以及计算部，基于已生成的上述对比度图像分割预先指定的脆弱区域(Vulnerable region)，计算已分割的上述脆弱区域内的平均对比度。
并且，上述神经黑色素区域分类部能够以区分上述第一区域的边界的方式进行显示并裁切(crop)上述第一区域的图像。
并且，上述空间标准化部可利用从正常人神经黑色素磁共振成像影像生成的第一模板(template)图像及从基于T1加权磁共振成像影像(T1-weighted MRI)的解剖影像生成的第二模板图像中的至少一个来执行上述空间标准化。
并且，本发明还可包括参照区域分割部，基于执行上述空间标准化的影像以及利用基于图谱的医学图像分割方法(Atlas-based segmentation)分割参照区域，计算已分割的上述参照区域内的平均值，上述对比度图像生成部可利用已计算的上述平均值来计算上述对比度的值。
并且，可通过以下数学式1计算上述对比度的值。
数学式1
Figure BDA0003008208800000041
在上述数学式1中，CRv是指上述对比度的值，SUv是指各个上述体素的信号强度(signal intensity)，meanSIRef是指上述平均值。
并且，已分割的上述参照区域可以为大脑脚(Cerebral peduncles)区域。
并且，当比较正常组的神经黑色素区域和患者组的神经黑色素区域时，上述预先指定的脆弱区域可以为差距达到预先指定的基准以上的区域。
并且，上述预先指定的脆弱区域可包括黑质体1(nigrosome1)区域及黑质体2(nigrosome2)区域。
并且，本发明还包括模板生成部，以同一对象为基准，当所输入的上述磁共振成像影像为多个时(同一人在不同时间点拍摄的多个磁共振成像影像)，利用多个上述磁共振成像影像所包含的神经黑色素区域数据生成被试内模板(within-subject template)，上述空间标准化部利用上述被试内模板执行上述空间标准化，上述被试内模板可用于对上述同一对象的纵向追踪研究(longitudinal study)。
并且，上述影像处理部基于上述第一影像计算上述神经黑色素区域的体积，上述影像分析部可利用已计算的上述神经黑色素区域的体积来判断与上述帕金森病相关的上述患者的帕金森病危险度。
并且，上述影像处理部可利用与上述第一影像相关的体素数量及体素尺寸来计算上述神经黑色素区域的体积。
并且，上述影像处理部可基于图割(graph-cut)算法分类上述第一影像，上述图割算法利用由包含神经黑色素区域的概率较高的多个体素组成的前景(foreground)图像和基于上述前景图像生成的背景(background)图像。
并且，上述影像处理部可基于深度神经网络分类上述第一影像，上述深度神经网络通过标记(labeling)脑部影像及神经黑色素区域影像的数据进行学习。
并且，上述影像处理部抽取达到预先指定的信号强度(signal intensity)值以上的因子(factor)，可利用已抽取的上述因子分类上述第一影像。
并且，上述影像处理部还包括临床信息接收部，基于上述第一影像计算上述神经黑色素区域的体积并获得临床信息，上述影像分析部通过一并利用已计算的上述神经黑色素区域的体积及已获得的上述临床信息来计算神经黑色素萎缩度，可基于已计算的上述神经黑色素萎缩度判断与上述帕金森病相关的上述患者的所处年龄的帕金森病危险度。
并且，可通过比较从正常组的影像抽取的神经黑色素区域的体积与上述患者的神经黑色素区域的体积来计算上述神经黑色素萎缩度。
并且，上述影像分析部可将已计算的上述神经黑色素萎缩度转换为按年龄划分的百分位信息。
并且，上述影像分析部还可包括诊断信息输出部，利用同一人在不同时间点获得的多个神经黑色素萎缩度计算上述患者的神经黑色素萎缩率并显示上述患者的神经黑色素萎缩率。
另一方面，为了实现上述技术目的，本发明另一实施方式的系统通过筛选患帕金森病的危险度高的患者组来提高临床实验成功概率，包括：帕金森病危险度预测装置，包括影像接收部、影像预处理部、影像处理部及影像分析部；以及服务器，用于与中央管理部和/或上述提供帕金森病信息的装置进行通信，在本发明的系统中，上述影像接收部用于获得拍摄多名患者脑部的磁共振成像影像，上述多名患者为用于证明药物功效而进行临床实验的实验候选组，上述影像预处理部以能够观察用作帕金森病的影像生物标志物的神经黑色素区域的方式预处理已获得的上述磁共振成像影像，上述影像处理部通过分析预处理的上述磁共振成像影像来对包含上述神经黑色素区域的第一影像进行分类，从已分类的上述第一影像检测上述神经黑色素区域，上述影像分析部通过分析已检测的上述神经黑色素区域是否正常来将在上述多名患者中患有帕金森病的至少一个第一患者的信息传递到上述中央管理部和/或上述服务器，上述中央管理部和/或上述服务器可将上述第一患者的临床实验结果用于证明上述药物功效。
发明的效果
如上所述，本发明的提供帕金森病信息的装置及方法具有如下效果，即，在磁共振成像影像中仅对包含神经黑色素区域的影像进行分类，可通过在已分类的影像中分析神经黑色素区域来预测所处年龄的帕金森病危险度。
而且，本发明还具有如下效果，即，可通过利用影像诊断帕金森病，来利用普遍提供的磁共振成像影像装置精密地诊断帕金森病，从而可提高诊断结果的准确度。
并且，根据本发明，可仅观察神经黑色素区域。
具体地，本发明可执行如下工作：以能够观察神经黑色素区域的方式预处理已获得的磁共振成像影像；通过分析预处理的磁共振成像影像来对包含神经黑色素区域的影像进行分类；从已分类的影像检测神经黑色素区域；以及通过分析已检测的神经黑色素区域是否正常来诊断患者是否患有帕金森病。
并且，根据本发明，可通过机械学习有效检测神经黑色素区域。
具体地，本发明可执行如下工作；基于消除头盖骨区域的影像执行角度调节、影像放大及再分割中的至少一种工作；利用深度神经网络模型检测包含神经黑色素的区域；利用模板图像执行空间标准化；以及通过生成在图像的各个体素映射上述对比度的值的对比度图像来诊断帕金森病危险度。
并且，本发明可提供如下的装置及方法，即，基于已生成的对比度图像分割预先指定的脆弱区域，可通过计算已分割的脆弱区域内的平均对比度来执行影像的预处理。
并且，以同一对象为基准，当所输入的磁共振成像影像为多个时，本发明可通过利用多个磁共振成像影像所包含的神经黑色素区域数据生成被试内模板并执行空间标准化来提供纵向追踪研究功能。
并且，本发明可执行如下的工作：计算患者的神经黑色素区域的体积；通过一并利用已计算的神经黑色素区域的体积及已获得的临床信息来计算神经黑色素萎缩度；以及基于已计算的神经黑色素萎缩度来诊断患者是否患有帕金森病。
并且，本发明可利用按照预先指定的周期获得的多个神经黑色素萎缩度计算患者的神经黑色素萎缩率，并以多种形态显示及提供患者的神经黑色素萎缩率。
并且，根据本发明，可通过多个临床实验参与人员是否达到预先预测的预期效果方面的数值在统计中是否呈现出显著性来判断用于证明药物功效的临床实验的结果，而当采用本发明的诊断帕金森病的方法及装置时，可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人员，来最大限度地提高临床实验成功概率。
即，可通过本发明的利用人工智能的诊断帕金森病的方法，来应用到患者组和正常组的筛选，从而可应用到提高临床实验成功概率。
另一方面，本发明的效果并不限定于以上提及的效果，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。
附图说明
图1为示出本发明的提供帕金森病信息的装置的结构框图。
图2为例示性示出本发明的影像预处理部的结构框图。
图3为示出本发明的从神经黑色素磁共振成像影像消除头盖骨等非脑部组织的例示图。
图4为示出本发明的用于规定图像的空间(spacing)、方向余弦(directioncosines)并沿着正方向重新分配的影像预处理部的工作的例示图。
图5为示出本发明的分类神经黑色素区域的例示图。
图6为示出本发明的在模板图像中对所输入的神经黑色素磁共振成像影像进行空间标准化(spatial normalization)的例示图。
图7为示出本发明的分割及运算参照区域的例示图。
图8为示出本发明的通过在各个体素映射对比度的值来生成对比度图像的例示图。
图9a及图9b为示出基于图8中的所生成的对比度图像分割脆弱区域并计算平均对比度的例示图。
图10及图11为示出本发明的在所输入的神经黑色素磁共振成像影像为多个的情况下生成并利用被试内模板的例示图。
图12为说明本发明的用于分割神经黑色素区域并计算体积(volume)的影像处理部的结构图。
图13为用于说明本发明的影像处理部利用图割方法进行工作的图。
图14为用于说明本发明的影像处理部利用深度学习(Deep learning)方法进行工作的图。
图15为示出本发明的影像分析部利用神经黑色素体积及临床信息来获得各个年龄段的神经黑色素萎缩度信息等的例示图。
图16为示出本发明的诊断信息输出部视觉性地显示按年龄划分的百分位信息等的例示图。
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，以下说明的实施例并不限定发明要求保护范围所记载的本发明的内容，在本发明的实施方式中所说明的结构整体作为本发明的解决方法并非必不可少。
以下，参照附图详细说明本发明优选实施例的提供帕金森病信息的装置及方法。
另一方面，在本发明的说明中，除判断是否患有帕金森病外，所使用的“诊断”一词包含判断与帕金森病相关的信息的所有含义。
例如，当未患有帕金森病时，“诊断”可包含判断与帕金森病相关的所处年龄的脑部萎缩度预测信息、按年龄划分的百分位信息、脑部危险度信息等所有含义。
神经黑色素和帕金森病
神经黑色素(Neuromelanin)为由黑色素、蛋白质、脂质、金属离子组成的非溶性深色素。
包含神经黑色素的神经元存在于人体中枢神经系的特定脑部区域，从黑质(SN，substantia nigra)的多巴胺性神经元和蓝核(LC，locus coeruleus)的去甲肾上腺素性神经元中测定的浓度非常高。
神经黑色素是由存在于多巴胺、去甲肾上腺素和细胞质中的儿茶酚胺通过依赖铁的氧化作用合成的。
首先，在存在于细胞质期间，神经黑色素通过大自噬(macroautophagy)积累在细胞器官内，囊泡(vacuoles)通过与包含溶酶体(lysosome)和蛋白质成分的自噬囊泡(autophagic vacuoles)相结合来最终形成包含神经黑色素的细胞器官。
在2岁～3岁之间首次出现后，含有神经黑色素的细胞器官随着年龄逐渐积累。众所周知，神经元增加至大约60岁为止，随后将会减少。
众所周知，帕金森病(PD，Parkinsons disease)是因铁成分沉积在中脑的黑质产生的。
铁成分可诱发脑部组织的压力并导致细胞坏死。
存在于黑质的神经黑色素起到固定从外部流入的铁成分的作用，若铁的沉积大于可收容限制，则神经黑色素可在组织诱发压力并继而引发帕金森病。
利用神经黑色素与铁复合物的顺磁性特性，可通过非侵袭性的神经性黑色素敏感磁共振成像影像(NM-MRI)对这种铁成分进行影像化。
神经性黑色素敏感磁共振成像影像从神经黑色素复合物生成高信号(hyperintensity)。
神经性黑色素敏感磁共振成像影像通过测定黑质的多巴胺性神经元的损失来得到验证，通过多种研究可证明神经性黑色素敏感磁共振成像影像在帕金森病患者的黑质中观察到包含神经黑色素的神经元的损失。
结果，随着在神经性黑色素敏感磁共振成像影像中定量化神经黑色素的程度，可早期诊断或预防帕金森病并提出治疗计划。
但是，因年龄段的神经黑色素的程度均有不同而难以知道个人的状态。
因此，对于如下所述的设备、系统及方法的需求正逐渐增加，即，可利用年龄及多种临床信息并通过机械学习模型提供所处年龄的神经黑色素萎缩信息并通过纵向追踪研究进行预后预测。
利用神经黑色素影像提供帕金森病信息的装置
图1为示出本发明的提供帕金森病信息的装置的结构框图。
如图1所示，本发明优选实施例的提供帕金森病信息的装置1可包括影像接收部20、影像预处理部25、影像处理部30、影像分析部40及诊断信息输出部50。
首先，影像接收部20可获得拍摄患者脑部的磁共振成像影像。
除磁共振成像影像外，影像接收部20可额外获得与患者脑部相关的正电子放射计算机断层扫描(PET)影像等。
接着，影像预处理部25以能够观察用作帕金森病的影像生物标志物的神经黑色素区域的方式预处理已获得的上述磁共振成像影像。
作为影像预处理部25的最重要的功能，影像预处理部25可基于已获得的磁共振成像影像生成对比度(CR，Contrast Ratio)图像。
并且，影像处理部30通过分析预处理的磁共振成像影像来对包含神经黑色素区域的第一影像进行分类，从已分类的第一影像检测神经黑色素区域。
影像处理部30可基于第一影像计算神经黑色素区域的体积，其中，影像分析部40可基于已计算的神经黑色素区域的体积来诊断患者是否患有帕金森病。
影像处理部30可利用与第一影像相关的体素数量及体素尺寸来计算神经黑色素区域的体积。
并且，影像分析部40可通过分析已检测的神经黑色素区域是否正常来诊断患者是否患有帕金森病。
并且，影像分析部40通过一并利用已计算的神经黑色素区域的体积及已获得的临床信息来计算神经黑色素萎缩度，可基于已计算的神经黑色素萎缩度判断上述患者是否患有帕金森病。
并且，影像分析部40可将已计算的神经黑色素萎缩度转换为按年龄划分的百分位信息。
当影像分析部40利用按照预先指定的周期获得的多个神经黑色素萎缩度计算上述患者的神经黑色素萎缩率时，诊断信息输出部50能够以多种形态显示患者的神经黑色素收缩率。
以下，参照附图具体说明各个结构要素的作用及功能。
影像预处理部的结构及工作
图2为例示性示出本发明的影像预处理部的结构框图。
影像预处理部25的目的在于，基于已获得的磁共振成像影像生成对比度(CR，Contrast Ratio)图像。
参照图2，影像预处理部25可包括头盖骨消除部100、影像再分割部110、神经黑色素区域分类部120、空间标准化部130、参照区域分割及运算部140、对比度图像生成部150及对比度计算部160。
首先，头盖骨消除部100用于在已获得的磁共振成像影像内消除头盖骨区域。
图3为示出本发明的从神经黑色素磁共振成像影像消除头盖骨等非脑部组织的例示图。
图3的(a)部分为示出所输入的神经黑色素磁共振成像影像(神经性黑色素敏感磁共振成像影像)的例示图，图3的(b)部分为示出从神经性黑色素敏感磁共振成像影像中消除非脑部组织的例示图。
接着，影像再分割部110基于消除头盖骨区域的影像执行角度调节、影像放大及再分割中的至少一种工作。
图4为示出本发明的用于规定图像的空间(spacing)、方向余弦(directioncosines)并沿着正方向重新分配的影像预处理部的工作的例示图。
图4的(a)部分为示出在再分割之前的影像的例示图，图4的(b)部分为示出规定图像的空间、方向余弦并沿着正方向重新分配的结果物的例示图，
并且，神经黑色素区域分类部120基于从影像再分割部传递的影像并利用深度神经网络模型检测包含上述神经黑色素的第一区域。
在此情况下，神经黑色素区域分类部120以区分上述第一区域的边界的方式进行显示并裁切第一区域的图像。
图5为示出本发明的分类神经黑色素区域的例示图。
参照图5，图5的(a)部分示出了从影像再分割部110传递的影像，图5的(b)部分示出了深度神经网络，图5的(c)部分示出了从影像再分割部110传递的影像通过深度神经网络模型从整体神经性黑色素敏感磁共振成像影像中检测到包含神经黑色素的区域。
并且，如图5的(d)部分所示，在周围显示边界后，可裁切图像。
并且，空间标准化部130基于已检测第一区域的影像并利用模板图像执行空间标准化。
在此情况下，空间标准化部130可利用从正常人神经黑色素磁共振成像影像生成的第一模板图像及从基于T1加权磁共振成像影像的解剖影像生成的第二模板图像中的至少一个来执行上述空间标准化。
并且，上述空间标准化部130利用第二模板图像进行整合后，通过整合上述第一模板图像来执行上述空间标准化。
空间标准化具有已输入的神经性黑色素敏感磁共振成像影像被模板图像空间标准化的含义，根据本发明，空间标准化可使用两种方法中的一种。
第一种方法为被神经性黑色素敏感磁共振成像影像模板空间标准化的方法，其中，神经性黑色素敏感磁共振成像影像模板是指从多名正常组神经性黑色素敏感磁共振成像影像生成的模板。
第二种方法为利用T1加权磁共振成像影像的解剖影像的方法。
图6为示出本发明的在模板图像中对所输入的神经黑色素磁共振成像影像进行空间标准化的例示图。
如图6的(a)部分、图6的(b)部分、图6的(c)部分所示，虽然可混合使用以上说明的两种方法，但是，首先将个人的高分辨率T1加权磁共振成像影像整合在T1模板后，可适用对个人的神经性黑色素敏感磁共振成像影像进行空间标准化的方法。
并且，参照区域分割及运算部140基于空间标准化的影像并利用基于图谱的医学图像分割方法分割参照区域，计算已分割的上述参照区域内的平均值。
已分割的上述参照区域可以为大脑脚区域。
即，通过适用预先定义的图谱(atlas)的基于图谱的医学图像分割方法分割参照区域，可在神经性黑色素敏感磁共振成像影像中计算参照区域内的平均。
在此过程中，可使用利用先验信息(Prior knowledge)的方法和利用根据专家定义在模板空间的参照图像图谱进行分割(segmentation)的方法等。
图7为示出本发明的分割及运算参照区域的例示图。
参照图7，参照区域(红色)表示第一参照区域141及第二参照区域142。
并且，对比度图像生成部150基于执行空间标准化的影像生成在图像的各个体素映射上述对比度的值的对比度图像。
图8为示出本发明的通过在各个体素映射对比度的值来生成对比度图像的例示图。
另一方面，对比度图像生成部150可利用从参照区域分割及运算部140计算的平均值来计算对比度的值。
可通过以下数学式1计算对比度的值。
数学式1
Figure BDA0003008208800000131
在上述数学式1中，CRv是指上述对比度的值，SIv是指各个上述体素的信号强度，meanSIRef是指上述平均值。
并且，对比度计算部160基于已生成的对比度图像分割预先指定的脆弱区域，计算已分割的脆弱区域内的平均对比度。
其中，当比较正常组的神经黑色素区域和患者组的神经黑色素区域时，预先指定的脆弱区域可以为差距达到预先指定的基准以上的区域。
代表性地，预先指定的脆弱区域可包括黑质体1区域及黑质体2区域。
图9a及图9b为示出基于图8中的所生成的对比度图像分割脆弱区域并计算平均对比度的例示图。
脆弱区域作为在正常人和患者组的神经黑色素区域内存在统计中的显著差异的区域，图9a的(a)部分及(b)部分和图9b的(a)部分、(b)部分、(c)部分、(d)部分表示在神经黑色素区域内存在统计中的显著差异的区域(正常人50名，患者组(IPD)50名)。
当重叠在磁敏感加权成像(SMWI，Susceptibility map-weighted imaging)模板时，图9a的(a)部分及(b)部分和图9b的(a)部分、(b)部分、(c)部分、(d)部分可相当于黑质体1区域和黑质体2区域。
其中，黑质体1和黑质体2为受早期帕金森病影响的区域。
并且，脆弱区域的平均对比度可通过分别组合黑质体1区域、黑质体2区域或组合左侧区域、右侧区域计算。
其中，已计算的平均对比度可用于影像分析部40。
另一方面，根据本发明的另一实施例，可提供对纵向追踪研究生成被试内模板的方法。
图10及图11为示出本发明的在所输入的神经黑色素磁共振成像影像为多个的情况下生成并利用被试内模板的例示图。
参照图10，本发明还可包括模板生成部200，以同一对象为基准，当所输入的上述磁共振成像影像为多个时，上述模板生成部200利用多个磁共振成像影像所包含的神经黑色素区域数据生成被试内模板。
在此情况下，空间标准化部130利用上述被试内模板执行上述空间标准化，被试内模板可用于对上述同一对象的纵向追踪研究。
如上所述，在进行纵向追踪研究的情况下，当添加被试内模板生成过程时，如图11的(a)部分、(b)部分所示的被试内模板可利用所输入的神经性黑色素敏感磁共振成像影像(2个以上)生成如图11的(c)部分所示的被试内模板。
为了观察同一人在各个不同时间点拍摄的数据的变化量而生成被试内模板，被试内模板可最大限度地减少在各个不同时间点拍摄的影像随时间变化的变动性。
即，被试内模板可被视为随时间平均化的模板。
影像处理部的结构及工作
影像处理部30用于分割神经黑色素区域分类区域并计算体积。
图12为说明本发明的用于分割神经黑色素区域并计算体积的影像处理部的结构图。
参照图12，影像处理部30可包括：分割部31，通过分析预处理的磁共振成像影像来对包含上述神经黑色素区域的第一影像进行分类；以及体积计算部32，从已分类的第一影像检测神经黑色素区域并计算神经黑色素区域的体积。
体积计算部32可利用与第一影像相关的体素数量及体素尺寸来计算上述神经黑色素区域的体积。
另一方面，通过分析由分割部31进行预处理的磁共振成像影像来对包含上述神经黑色素区域的第一影像进行分类的方法可利用以下3种方法中的任一种。
(1)利用图割的方法
(2)利用深度学习的方法
(3)利用特性阈值(Specific thresholding)的方法
首先，说明利用图割的方法，分割部31可基于图割算法分类上述第一影像，上述图割算法利用由包含神经黑色素区域的概率较高的多个体素组成的前景图像和基于上述前景图像生成的背景图像。
图13为用于说明本发明的影像处理部利用图割方法进行工作的图。
参照图13的(a)部分、(b)部分、(c)部分，作为利用图割算法分割神经黑色素区域分类区域的方法，示出了利用前景图像和背景图像分割的一例。
其中，前景图像为由作为神经黑色素区域的概率较高的体素组成的图像，背景图像为基于前景图像生成的图像。
接着，说明利用深度学习的方法，分割部31可基于深度神经网络分类上述第一影像，上述深度神经网络通过标记脑部影像及神经黑色素区域影像的数据进行学习。
图14为用于说明本发明的影像处理部利用深度学习方法进行工作的图。
参照图14(a)部分、(b)部分、(c)部分，示出了利用深度神经网络模块分割神经黑色素区域的一例，上述深度神经网络通过标记脑部影像和神经黑色素区域的数据进行学习。
最后，说明利用特定阈值的方法，分割部31可抽取预先指定的信号强度值以上的因子，利用已抽取的上述因子分类上述第一影像。
这种方法作为仅利用高于阈值的多个信号强度进行分割的方法，可通过以下方式计算并确定阈值。
为了计算信号强度和对比度变换(contrast variation)，在利用阈值计算神经黑色素体积的过程中，有可能需要选择优化校准因子(optimized calibration factor)的过程。
并且，特定校准因子(Specific calibration factor)可将SD值每次增加0.25，可通过以下数学式2计算其他阈值(Threshold)。
数学式2
SIthre＝SIBGmean+(Calopt×SDBG)
最终，基于上述数学式2仅得出高于阈值(threshold)的值并分割(segmentation)，从而可执行神经黑色素区域的分割工作。
影像分析部及诊断信息输出部的结构及工作
如上述说明，影像处理部30可基于第一影像计算上述神经黑色素区域的体积，根据本发明实施例，还可利用用于获得临床信息的临床信息接收部60。
在此情况下，影像分析部40可通过一并利用已计算的神经黑色素区域的体积及已获得的临床信息来计算神经黑色素萎缩度。
并且，影像分析部40可基于已计算的上述神经黑色素萎缩度来判断上述患者时候患有帕金森病。
其中，可通过比较从正常组影像中抽取的神经黑色素区域的体积与上述患者的神经黑色素区域的体积来计算神经黑色素萎缩度。
并且，影像分析部40可将已计算的神经黑色素萎缩度转换为按年龄划分的百分位信息。
并且，影像分析部40可利用按照预先指定的周期获得的多个神经黑色素萎缩度计算上述患者的神经黑色素萎缩率。
随后，可通过诊断信息输出部50来以多种形态显示及提供上述影像分析部40导出的患者的神经黑色素萎缩率。
图15为示出本发明的影像分析部利用神经黑色素体积及临床信息来获得各个年龄段的神经黑色素萎缩度信息等的例示图。
参照图15的(a)部分、(b)部分、(c)部分，影像分析部40通过一并利用已计算的神经黑色素区域的体积及已获得的临川信息来计算神经黑色素萎缩度，基于已计算的神经黑色素萎缩度来诊断上述患者是否患有帕金森病，可将已计算的神经黑色素萎缩度转换为按年龄划分的百分位信息。
具体地，影像分析部40可利用神经黑色素体积及临床信息来获得各个年龄段的神经黑色素萎缩度，其中，萎缩指数是指基于标准分数转换已输入的个人神经黑色素体积的值，上述标准分数通过按年龄段从正常组的影像中抽取的神经黑色素体积计算。
以下，数学式3基本表示可获得标准分数的数学式，代表性地，有z-score和t-score。
数学式3
Figure BDA0003008208800000171
在数学式3中，vind是指从个人抽取的神经黑色素体积，μNC是指NC组的平均神经黑色素体积，σNC是指NC组的神经黑色素体积标准偏差。
计算标准分数的方法可基于所输入的临床信息来通过多种方式计算。
代表性地，以下数学式4为计算校正年龄(Age)的标准分数(W-score)的方法。
数学式4
Figure BDA0003008208800000181
在数学式4中，vind是指从个人抽取的神经黑色素体积，X是指校正年龄的期待值，σNC是指NC组的神经黑色素体积标准偏差。
可适用于本发明的机械学习模型可以为学习有正常人的神经黑色素体积、临床信息及萎缩度的模块。
并且，根据本发明，当输入个人的神经黑色素体积和临床信息时，可按个人及按年龄段输出萎缩指数，上述萎缩指数也可变化为按年龄划分的百分位信息。
图16为示出本发明的诊断信息输出部视觉性地显示按年龄划分的百分位信息等的例示图。
参照图16，52岁男性的分数呈现出0.83的萎缩度及百分位72，由此，可执行适合个人的管理及治疗。
并且，根据本发明，可通过周期性诊断执行纵向追踪研究。
纵向追踪研究可以以利用同一人在不同时间点拍摄的神经性黑色素敏感磁共振成像影像计算萎缩率的方式执行。
其中，萎缩率是指基线(baseline)数据神经黑色素体积和随访(follow-up)数据神经黑色素体积的变化程度，能够以多种形态来通过诊断信息输出部50提供。
例如，可提供如下信息，即，“在1.31年期间，65岁男性的神经黑色素的体积减少约8.5％”。
作为另一例，还可提供如下信息，即，“在1.23年期间，63岁女性的神经黑色素的体积减少约2ml”。
诊断帕金森病的方法
基于如上所述的本发明的结构，说明诊断帕金森病的方法。
首先，执行步骤S10，即，影像接收部20获得拍摄脑部的磁共振成像影像。
在此情况下，除磁共振成像影像外，影像接收部20可额外获得与患者脑部相关的正电子放射计算机断层扫描(PET)影像等。
接着，执行步骤S20，即，影像预处理部25以能够观察用作帕金森病的影像生物标志物的神经黑色素区域的方式预处理已获得的磁共振成像影像。
其中，作为影像预处理部25的最重要的功能，影像预处理部25可基于已获得的磁共振成像影像生成对比度图像。
并且，执行步骤S30，即，影像处理部30通过分析预处理的磁共振成像影像来对包含神经黑色素去的第一影像进行分类。
随后，执行步骤S40，即，影像处理部30从已分类的第一影像检测神经黑色素区域。
影像处理部30可基于第一影像计算神经黑色素区域的体积，由此，影像分析部40可基于已计算的神经黑色素区域的体积来诊断患者是否患有帕金森病。
影像处理部30可利用与第一影像相关的体素数量及体素尺寸来计算神经黑色素区域的体积。
执行步骤S40后，执行步骤S50，即，影像分析部40可通过分析已检测的神经黑色素区域是否正常来诊断患者是否患有帕金森病。
在步骤S50中，影像分析部40通过一并利用已计算的神经黑色素区域的体积及已获得的临床信息来计算神经黑色素萎缩度，可基于已计算的神经黑色素萎缩度来诊断上述患者是否患有帕金森病。
并且，影像分析部40也可将已计算的神经黑色素萎缩度转换为按年龄划分的百分位信息。
然后，执行步骤S60，即，影像分析部40可利用按照预先指定的周期获得的多个神经黑色素萎缩度计算上述患者的神经黑色素萎缩率，最后执行步骤S70，即，诊断信息输出部50能够以多种形态显示及提供患者的神经黑色素萎缩率。
通过将利用人工智能诊断帕金森病的方法适用于筛选患者组及正常组来提高临床实验成功概率的方法
可通过将如上所述的本发明的利用人工智能诊断帕金森病的方法及装置用于筛选患者组及正常组来提高临床实验成功概率。
即，本发明可提供如下的装置、系统及方法，通过将利用人工智能诊断帕金森病的方法用于筛选患者组及正常组来提供临床实验成功概率。
可通过多个临床实验参与人员是否达到预先预测的预期效果方面的数值在统计中是否呈现出显著性来判断用于证明药物功效的临床实验的结果，而当采用本发明的诊断帕金森病的方法及装置时，可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人员，来最大限度地提高临床实验成功概率。
首先，说明新药临床实验的现有问题。
可通过多个临床实验参与人员是否达到预先预测的预期效果方面的数值在统计中是否呈现出显著性来判断用于证明药物功效的临床实验的结果。
另一方面，对于帕金森病而言，对药物功效是否引起症状改善进行的测定只能依赖UPDRS评价、神经学上的检查、Hoehn&Yarr stage评价(0～5阶段)等，但是，上述方法属于问诊的方法，存在数据尺度不缜密的问题。
因此，若要证明统计中的显著性，则需要比较给药前和给药后，或者，通过与假药组进行比较来使得评价尺度的数值在统计中显著上升，预测上升数值越大，目标对象数量也越少，在统计中呈现显著性的可能性便越大。
在此情况下，若上升数值小，则相应的目标对象数量将增加，统计证明难度将上升。
最终，将产生如下问题，即，非常难以进一步提高帕金森病的评价尺度，因而通过临床实验的可能性将非常低。
为了消除这种问题，本发明可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人员，来最大限度地提高临床实验成功概率。
在中枢神经类药物的新药开发过程中，重要的失败要素之一为在准确筛选对象人员及药物反应组方面存在困难。
对于中枢神经类药物而言，由于对胃药的反应率尤为高，因此，在提高成功率方面，降低对象人员组的异质性并设定可预测药物反应性的生物标志物尤为重要。
并且，由于确诊帕金森病需消耗较长的时间(约3个月)，因此难以筛选检查，因而存在如下问题，即，难以仅将以新药所指向的帕金森病患者作为临床实验对象人员。
因此，可通过将本发明的利用人工智能诊断帕金森病的方法用于筛选患者组及正常组来提高临床实验成功概率。
根据本发明的一实施例，最先执行步骤S100，即，招募用于证明药物功效的临床实验实验候选组。
随后，以多个实验候选组为对象执行如下步骤：步骤S110，获得影像；步骤S120，以能够观察用作帕金森病的影像生物标志物的神经黑色素区域的方式预处理已获得的磁共振成像影像；步骤S130，通过分析预处理的磁共振成像影像来对包含上述神经黑色素区域的第一影像进行分类；步骤S140，从已分类的第一影像检测神经黑色素区域；以及步骤S150，通过分析已检测的神经黑色素区域是否正常来诊断患者是否患有帕金森病。
上述步骤S110至步骤S150分别与上述步骤S10至步骤S50相对应，为了简化说明书，以下省略重复的说明。
接着，当通过步骤S150导出诊断结果时，可执行步骤S160，即，基于诊断结果将多个实验候选组区分为实际帕金森病患者组和正常组。
在此情况下，可执行步骤S170，即，通过仅基于分类为实际帕金森患者组的对象执行临床实验，之后可执行步骤S180，即，基于临床实验结果证明药物功效，由此，可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人员，来最大限度地提高临床实验成功概率。
最终，可通过将本发明的利用人工智能诊断帕金森病的方法用于筛选患者组及正常组来提高临床实验成功概率。
上述步骤S100至步骤S180可在提供帕金森病信息的装置1中独立执行，或者，以设置有额外的服务器或额外的中央管理装置的方式与提供帕金森病信息的装置1共同执行全部工作。
以上，虽然基于是否患有帕金森病说明了提高新药开发效率的方法，但不仅如此，也可通过区分表示帕金森病严重程度的每个阶段(stage)来证明新药的功效。
例如，基于本发明的公开技术，将多名患者的状态区分为N个阶段，仅筛选与各个阶段相对应的患者组来执行临床实验，从而可提高精密阶段中的新药功效及临床实验成功概率。
本发明的效果
本发明的提供帕金森病信息的装置及方法可具有如下效果，即，在磁共振成像影像中仅对包含神经黑色素区域的影像进行分类，可通过在已分类的影像中分析神经黑色素区域来诊断是否患有帕金森病。
而且，本发明还具有如下效果，即，可通过利用影像诊断帕金森病，来利用普遍提供的磁共振成像影像装置精密地诊断帕金森病，从而可提高诊断结果的准确度。
并且，根据本发明，可仅观察神经黑色素区域。
具体地，本发明可执行如下工作：以能够观察神经黑色素区域的方式预处理已获得的磁共振成像影像；通过分析预处理的磁共振成像影像来对包含神经黑色素区域的影像进行分类；从已分类的影像检测神经黑色素区域；以及通过分析已检测的神经黑色素区域是否正常来诊断患者是否患有帕金森病。
并且，根据本发明，可通过机械学习有效检测神经黑色素区域。
具体地，本发明可执行如下工作；基于消除头盖骨区域的影像执行角度调节、影像放大及再分割中的至少一种工作；利用深度神经网络模型检测包含神经黑色素的区域；利用模板图像执行空间标准化；以及通过生成在图像的各个体素映射上述对比度的值的对比度图像来诊断帕金森病。
并且，本发明可提供如下的装置及方法，即，基于已生成的对比度图像分割预先指定的脆弱区域，可通过计算已分割的脆弱区域内的平均对比度来执行影像的预处理。
并且，以同一对象为基准，当所输入的磁共振成像影像为多个时，本发明可通过利用多个磁共振成像影像所包含的神经黑色素区域数据生成被试内模板并执行空间标准化来提供纵向追踪研究功能。
并且，本发明可执行如下的工作：计算患者的神经黑色素区域的体积；通过一并利用已计算的神经黑色素区域的体积及已获得的临床信息来计算神经黑色素萎缩度；以及基于已计算的神经黑色素萎缩度来诊断患者是否患有帕金森病。
并且，本发明可利用按照预先指定的周期获得的多个神经黑色素萎缩度计算患者的神经黑色素萎缩率，并以多种形态显示及提供患者的神经黑色素萎缩率。
并且，根据本发明，可通过多个临床实验参与人员是否达到预先预测的预期效果方面的数值在统计中是否呈现出显著性来判断用于证明药物功效的临床实验的结果，而当采用本发明的诊断帕金森病的方法及装置时，可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人员，来最大限度地提高临床实验成功概率。
即，可通过本发明的利用人工智能的诊断帕金森病的方法，来应用到患者组和正常组的筛选，从而可应用到提高临床实验成功概率。
另一方面，本发明的效果并不限定于以上提及的效果，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多种实施方式实现。例如，本发明的实施例可通过硬件、固件(firmware)、软件或它们的组合等实现。
当通过硬件实现时，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，DigitalSignal Processors)、数字信号处理装置(DSPDs，Digital Signal Processing Devices)、可编程逻辑装置(PLDs，Programmable Logic Devices)、现场可编程门阵列(FPGAs，FieldProgrammable Gate Arrays)、处理器、控制器、微控制器、微处理器等实现。
当通过固件或软件实现时，本发明实施例的方法可通过执行以上说明的功能或工作的模块、步骤或函数等形态实现。软件代码存储在存储器单元，可通过处理器驱动。上述存储器单元位于上述处理器的内部或外部，可通过已公知的多种方法与上述处理器收发数据。
以上，以普通技术人员能够实现并实施本发明的方式公开了对于本发明优选实施例的详细说明。以上，虽然参照本发明优选实施例进行了说明，但应当理解的是，在不脱离本发明领域的范畴内，本发明所属技术领域的普通技术人员可对本发明进行多种修改及变更。例如，普通技术人员能够以相互组合方式利用上述实施例中所记载的各个结构。因此，本发明并不限定于在此说明的实施方式，应赋予与在此公开的原理及新特征相同的最广的范围。
在不脱离本发明的思想及必要特征的范围内，本发明可通过其他特定实施方式实现。因此，上述详细说明仅属于示例，在所有层面上不应以限制性含义加以解释。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确定，在本发明的等同范围内的所有变更均属于本发明的范围。本发明并不限定于在此说明的实施方式，应赋予与在此公开的原理及新特征相同的最广范围。并且，发明要求保护范围可包括通过未具有明确引用关系的发明要求保护范围构成的实施例或申请后通过修改形成的新的发明要求保护范围。

Claims (22)

1.一种利用神经黑色素影像提供帕金森病信息的装置，其特征在于，包括：
影像接收部，用于获得拍摄患者脑部的磁共振成像影像；
影像预处理部，以能够观察用作帕金森病的影像生物标志物的神经黑色素区域的方式预处理已获得的上述磁共振成像影像；
影像处理部，通过分析预处理的上述磁共振成像影像来对包含上述神经黑色素区域的第一影像进行分类，从已分类的上述第一影像检测上述神经黑色素区域；以及
影像分析部，通过分析已检测的上述神经黑色素区域来判断与帕金森病相关的上述患者的信息。
2.根据权利要求1所述的利用神经黑色素影像提供帕金森病信息的装置，其特征在于，上述影像预处理部基于已获得的上述磁共振成像影像生成对比度图像。
3.根据权利要求2所述的利用神经黑色素影像提供帕金森病信息的装置，其特征在于，上述影像预处理部包括：
头盖骨消除部，用于在已获得的上述磁共振成像影像内消除头盖骨区域；
影像再分割部，基于消除上述头盖骨区域的影像执行角度调节、影像放大及再分割中的至少一种工作；
神经黑色素区域分类部，基于从上述影像再分割部传递的影像利用深度神经网络模型检测包含上述神经黑色素的第一区域；
空间标准化部，基于已检测上述第一区域的影像并利用模板图像执行空间标准化；
对比度图像生成部，基于执行上述空间标准化的影像生成在图像的各个体素映射上述对比度的值的对比度图像；以及
计算部，基于已生成的上述对比度图像分割预先指定的脆弱区域，计算已分割的上述脆弱区域内的平均对比度。
4.根据权利要求3所述的利用神经黑色素影像提供帕金森病信息的装置，其特征在于，上述神经黑色素区域分类部以区分上述第一区域的边界的方式进行显示并裁切上述第一区域的图像。
5.根据权利要求3所述的利用神经黑色素影像提供帕金森病信息的装置，其特征在于，上述空间标准化部利用从正常人神经黑色素磁共振成像影像生成的第一模板图像及从基于T1加权磁共振成像影像的解剖影像生成的第二模板图像中的至少一个来执行上述空间标准化。
6.根据权利要求5所述的利用神经黑色素影像提供帕金森病信息的装置，其特征在于，上述空间标准化部在利用上述第二模板图像进行整合后，通过整合上述第一模板图像来执行上述空间标准化。
7.根据权利要求3所述的利用神经黑色素影像提供帕金森病信息的装置，其特征在于，
还包括参照区域分割部，基于执行上述空间标准化的影像以及将在模板空间上定义为参照图像的图谱利用到其中的基于图谱的医学图像分割方法分割参照区域，计算已分割的上述参照区域内的平均值，
上述对比度图像生成部利用已计算的上述平均值来计算上述对比度的值。
8.根据权利要求7所述的利用神经黑色素影像提供帕金森病信息的装置，其特征在于，通过以下数学式1计算上述对比度的值，
数学式1
Figure FDA0003008208790000021
在上述数学式1中，CRv是指上述对比度的值，SIv是指各个上述体素的信号强度，meanSIRef是指上述平均值。
9.根据权利要求7所述的利用神经黑色素影像提供帕金森病信息的装置，其特征在于，已分割的上述参照区域为大脑脚区域。
10.根据权利要求3所述的利用神经黑色素影像提供帕金森病信息的装置，其特征在于，当比较正常组的神经黑色素区域和患者组的神经黑色素区域时，上述预先指定的脆弱区域为差距达到预先指定的基准以上的区域。
11.根据权利要求10所述的利用神经黑色素影像提供帕金森病信息的装置，其特征在于，上述预先指定的脆弱区域包括黑质体1区域及黑质体2区域。
12.根据权利要求3所述的利用神经黑色素影像提供帕金森病信息的装置，其特征在于，
还包括模板生成部，以同一对象为基准，当所输入的上述磁共振成像影像为多个时，利用多个上述磁共振成像影像所包含的神经黑色素区域数据生成被试内模板，上述被试内模板为随着时间平均化的图像，
上述空间标准化部利用上述被试内模板执行上述空间标准化，
上述被试内模板用于对上述同一对象的纵向追踪研究。
13.根据权利要求1所述的利用神经黑色素影像提供帕金森病信息的装置，其特征在于，上述影像处理部基于上述第一影像计算上述神经黑色素区域的体积，上述影像分析部利用已计算的上述神经黑色素区域的体积来判断与上述帕金森病相关的上述患者的信息。
14.根据权利要求13所述的利用神经黑色素影像提供帕金森病信息的装置，其特征在于，上述影像处理部利用与上述第一影像相关的体素数量及体素尺寸来计算上述神经黑色素区域的体积。
15.根据权利要求13所述的利用神经黑色素影像提供帕金森病信息的装置，其特征在于，上述影像处理部基于图割算法分类上述第一影像，上述图割算法利用由包含上述神经黑色素区域的概率较高的多个体素组成的前景图像和基于上述前景图像生成的背景图像。
16.根据权利要求13所述的利用神经黑色素影像提供帕金森病信息的装置，其特征在于，上述影像处理部基于深度神经网络分类上述第一影像，上述深度神经网络通过标记脑部影像及神经黑色素区域影像的数据进行学习。
17.根据权利要求13所述的利用神经黑色素影像提供帕金森病信息的装置，其特征在于，上述影像处理部抽取达到预先指定的信号强度值以上的因子，利用已抽取的上述因子分类上述第一影像。
18.根据权利要求1所述的利用神经黑色素影像提供帕金森病信息的装置，其特征在于，
上述影像处理部还包括临床信息接收部，基于上述第一影像计算上述神经黑色素区域的体积并获得临床信息，
上述影像分析部通过一并利用已计算的上述神经黑色素区域的体积及已获得的上述临床信息来计算神经黑色素萎缩度，
基于已计算的上述神经黑色素萎缩度判断与上述帕金森病相关的上述患者的信息。
19.根据权利要求18所述的利用神经黑色素影像提供帕金森病信息的装置，其特征在于，通过比较从正常组的影像抽取的神经黑色素区域的体积与上述患者的神经黑色素区域的体积来计算上述神经黑色素萎缩度。
20.根据权利要求18所述的利用神经黑色素影像提供帕金森病信息的装置，其特征在于，上述影像分析部将已计算的上述神经黑色素萎缩度转换为按年龄划分的百分位信息。
21.根据权利要求18所述的利用神经黑色素影像提供帕金森病信息的装置，其特征在于，上述影像分析部还包括诊断信息输出部，利用按照预先指定的周期获得的多个神经黑色素萎缩度计算上述患者的神经黑色素萎缩率并显示上述患者的神经黑色素萎缩率。
22.一种系统，通过筛选患有帕金森病的患者组来提高临床实验成功概率，包括：提供帕金森病信息的装置，包括影像接收部、影像预处理部、影像处理部及影像分析部；以及服务器，用于与中央管理部和/或上述提供帕金森病信息的装置进行通信，
上述系统的特征在于，
上述影像接收部用于获得拍摄多名患者脑部的磁共振成像影像，上述多名患者为用于证明药物功效而进行临床实验的实验候选组，
上述影像预处理部以能够观察用作帕金森病的影像生物标志物的神经黑色素区域的方式预处理已获得的上述磁共振成像影像，
上述影像处理部通过分析预处理的上述磁共振成像影像来对包含上述神经黑色素区域的第一影像进行分类，从已分类的上述第一影像检测上述神经黑色素区域，
上述影像分析部通过分析已检测的上述神经黑色素区域来判断与帕金森病相关的上述患者的信息，基于上述患者的信息来将在上述多名患者中满足第一条件的至少一名第一患者的信息传递到上述中央管理部和/或上述服务器，
上述中央管理部和/或上述服务器将上述第一患者的临床实验结果用于证明上述药物功效。
CN202110368053.9A 2021-02-05 2021-04-06 利用神经黑色素影像提供帕金森病信息的装置及系统 Active CN113077448B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2021-0016667 2021-02-05
KR1020210016667A KR102256345B1 (ko) 2021-02-05 2021-02-05 뉴로멜라닌 영상을 이용한 파킨슨병 정보 제공 장치 및 방법

Publications (2)

Publication Number Publication Date
CN113077448A true CN113077448A (zh) 2021-07-06
CN113077448B CN113077448B (zh) 2022-04-26

Family

ID=75362445

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110368053.9A Active CN113077448B (zh) 2021-02-05 2021-04-06 利用神经黑色素影像提供帕金森病信息的装置及系统

Country Status (5)

Country Link
US (1) US11207019B1 (zh)
EP (1) EP4039186B1 (zh)
JP (1) JP6942278B1 (zh)
KR (5) KR102256345B1 (zh)
CN (1) CN113077448B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230123786A (ko) 2022-02-17 2023-08-24 충남대학교산학협력단 섬유기반 스트레인 센서가 적용된 파킨슨병 진단장치
WO2023235766A2 (en) * 2022-05-31 2023-12-07 University Of Ottawa Institute Of Mental Health Research Methods for acquiring and analyzing neuromelanin-sensitive mri
KR102582731B1 (ko) * 2022-09-30 2023-09-25 주식회사 브라이토닉스이미징 뇌영상 분석 방법 및 시스템
KR102600668B1 (ko) * 2022-10-18 2023-11-10 메디컬아이피 주식회사 질병예측방법 및 그 장치

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101681515A (zh) * 2007-06-21 2010-03-24 皇家飞利浦电子股份有限公司 基于模型的痴呆的辨别诊断和显著性水平的交互设置
WO2013165573A1 (en) * 2012-05-04 2013-11-07 Emory University Methods, systems and computer readable storage media storing instructions for imaging and determining information associated with regions of the brain
US20150125057A1 (en) * 2012-05-04 2015-05-07 Emory University Methods, systems and computer readable storage media storing instructions for imaging and determining information associated with regions of the brain
CN104899884A (zh) * 2015-06-03 2015-09-09 浙江工业大学 一种用于早期帕金森症预测的综合分析方法
CN110232679A (zh) * 2019-05-24 2019-09-13 潘丹 一种阿尔茨海默症遗传生物标志物确定方法及系统
CN111681184A (zh) * 2020-06-09 2020-09-18 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
WO2020206385A1 (en) * 2019-04-05 2020-10-08 Earli Inc. Improved methods and compositions for synthetic biomarkers
CN111933273A (zh) * 2020-03-03 2020-11-13 和人人工知能科技有限公司 基于人工智能的帕金森病诊断装置及方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8160676B2 (en) * 2006-09-08 2012-04-17 Medtronic, Inc. Method for planning a surgical procedure
KR101540254B1 (ko) 2013-06-24 2015-07-30 경북대학교 산학협력단 당을 감지하는 화학감각수용체를 발현하는 세포를 이용한 바이오 센서 및 이를 포함하는 알츠하이머 진단 기기
AU2013400936B2 (en) 2013-09-20 2017-08-03 Transmural Biotech, S. L. Image analysis techniques for diagnosing diseases
KR101860566B1 (ko) 2016-12-06 2018-05-23 경희대학교 산학협력단 파킨슨병을 진단하기 위한 정보제공방법
KR101908126B1 (ko) 2017-03-21 2018-12-18 한국원자력의학원 다중 의료영상 분석 시스템 및 방법
KR101754291B1 (ko) 2017-04-04 2017-07-06 이현섭 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법
KR102068836B1 (ko) 2018-01-29 2020-02-11 한림대학교 산학협력단 파킨슨병의 진단을 위한 입력 패턴 생성 장치 및 방법
JP2022508684A (ja) * 2018-10-10 2022-01-19 ザ トラスティーズ オブ コロンビア ユニバーシティ イン ザ シティ オブ ニューヨーク ヒトの脳におけるドーパミン機能の非侵襲的代理測定としての神経メラニン感受性磁気共鳴画像法のためのシステム、方法及びコンピュータアクセス可能媒体
KR102058884B1 (ko) 2019-04-11 2019-12-24 주식회사 홍복 치매를 진단을 하기 위해 홍채 영상을 인공지능으로 분석하는 방법

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101681515A (zh) * 2007-06-21 2010-03-24 皇家飞利浦电子股份有限公司 基于模型的痴呆的辨别诊断和显著性水平的交互设置
WO2013165573A1 (en) * 2012-05-04 2013-11-07 Emory University Methods, systems and computer readable storage media storing instructions for imaging and determining information associated with regions of the brain
US20150125057A1 (en) * 2012-05-04 2015-05-07 Emory University Methods, systems and computer readable storage media storing instructions for imaging and determining information associated with regions of the brain
CN104899884A (zh) * 2015-06-03 2015-09-09 浙江工业大学 一种用于早期帕金森症预测的综合分析方法
WO2020206385A1 (en) * 2019-04-05 2020-10-08 Earli Inc. Improved methods and compositions for synthetic biomarkers
CN110232679A (zh) * 2019-05-24 2019-09-13 潘丹 一种阿尔茨海默症遗传生物标志物确定方法及系统
CN111933273A (zh) * 2020-03-03 2020-11-13 和人人工知能科技有限公司 基于人工智能的帕金森病诊断装置及方法
CN111681184A (zh) * 2020-06-09 2020-09-18 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SUMEET SHINDE， SHWETA PRASAD， SHWETA PRASAD ET AL.: "《Predictive markers for Parkinson"s disease using deep neural nets on neuromelanin sensitive MRI》", 《NEUROIMAGE: CLINICAL》 *
金莉蓉，黄振: "《帕金森病磁共振成像研究进展》", 《重庆医科大学学报》 *

Also Published As

Publication number Publication date
KR102256345B1 (ko) 2021-05-28
KR102288077B1 (ko) 2021-08-11
KR102288078B1 (ko) 2021-08-11
CN113077448B (zh) 2022-04-26
JP2022120755A (ja) 2022-08-18
KR102278011B1 (ko) 2021-07-15
JP6942278B1 (ja) 2021-09-29
EP4039186A1 (en) 2022-08-10
EP4039186B1 (en) 2023-12-27
KR102278010B1 (ko) 2021-07-15
US11207019B1 (en) 2021-12-28

Similar Documents

Publication Publication Date Title
CN113077448B (zh) 利用神经黑色素影像提供帕金森病信息的装置及系统
Falahati et al. Multivariate data analysis and machine learning in Alzheimer's disease with a focus on structural magnetic resonance imaging
WO2018074739A1 (ko) 뇌졸중 진단 및 예후 예측 방법 및 시스템
US10891444B2 (en) Automated generation of sentence-based descriptors from imaging data
WO2019170711A1 (en) Method for early prediction of neurodegenerative decline
Stoeckel et al. Automatic classification of SPECT images of Alzheimer’s disease patients and control subjects
US20220151539A1 (en) Biological classification device and method for alzheimer's disease using multimodal brain image
WO2013037070A1 (en) Simultaneous segmentation and grading of structures for state determination
CN114999629A (zh) 一种基于多特征融合的ad早期预测方法、系统、装置
WO2019074172A1 (ko) Pet 뇌 영상 아밀로이드 측정을 위한 부피 기반 정량지표 분석 방법 및 컴퓨터 프로그램
Rahim et al. Transmodal learning of functional networks for Alzheimer's disease prediction
KR20170140127A (ko) Kpca, lda, 및 다중커널학습 svm을 이용한 뇌 이미지 분석방법
KR102605720B1 (ko) 뇌 질환 예측 장치 및 방법, 뇌 질환을 예측하기 위한 학습 장치
Tan et al. Automated detection of congenital heart disease in fetal ultrasound screening
Kruthika et al. Classification of alzheimer and MCI phenotypes on MRI data using SVM
Bordin et al. Explainable AI points to white matter hyperintensities for Alzheimer's disease identification: A preliminary study
Çelebi et al. Leveraging Deep Learning for Enhanced Detection of Alzheimer's Disease Through Morphometric Analysis of Brain Images.
Supriyanti et al. Coronal slice segmentation using a watershed method for early identification of people with Alzheimer's
Solal et al. Leveraging healthy population variability in deep learning unsupervised anomaly detection in brain FDG PET
Morello et al. Ocular biometric measurements to diagnose neurological disorders due to wilson disease
Ripart et al. Automated and Interpretable Detection of Hippocampal Sclerosis in temporal lobe epilepsy: AID-HS
Kumari et al. Analysis of Biomedical Image for Alzheimer's Disease Detection
Wang et al. Brain metabolic connectome classify mild cognitive impairment into Alzheimer’s dementia
CN111278364A (zh) 信息输出装置、方法及程序
KR20230128210A (ko) 치매 진단을 위한 의료 영상 회귀분석 장치 및 방법

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