ES2906220T3

ES2906220T3 - Aparato y procedimiento de diagnóstico de la enfermedad de Parkinson con base en la inteligencia artificial (IA)

Info

Publication number: ES2906220T3
Application number: ES20178228T
Authority: ES
Inventors: Soo Hwa Song; Hwan Heo
Original assignee: Heuron Co Ltd
Current assignee: Heuron Co Ltd
Priority date: 2020-03-03
Filing date: 2020-06-04
Publication date: 2022-04-13
Anticipated expiration: 2040-06-04
Also published as: EP3876194A1; KR102097738B1; CN111933273B; JP2021137534A; CN111933273A; JP6746027B1; US11013452B1; EP3876194B1

Abstract

Un aparato de diagnóstico de la enfermedad de Parkinson con base en la inteligencia artificial, que comprende: una unidad (20) de adquisición de imágenes que adquiere una primera imagen relacionada con una magnitud y una fase multieco de una RMN obtenida mediante la captura de un cerebro de un paciente; una unidad (30) de procesamiento de imágenes que procesa la primera imagen adquirida para visualizar una región de la sustancia negra y del nigrosoma-1 que se utilizan como biomarcadores de imagen de la enfermedad de Parkinson; una unidad (40) de análisis de imágenes que analiza la primera imagen procesada, que incluye una pluralidad de imágenes ponderadas por mapas de susceptibilidad cuantitativa, para clasificar aquellas imágenes ponderadas por mapas de susceptibilidad cuantitativa entre la pluralidad, que incluyen la región del nigrosoma-1, como una segunda imagen de la primera imagen y detecta la región del nigrosoma-1 a partir de la segunda imagen clasificada; y una unidad (50) de diagnóstico que diagnostica si el paciente tiene la enfermedad de Parkinson analizando si la región del nigrosoma-1 detectada es normal, en la que la unidad (30) de procesamiento de imágenes genera la pluralidad de imágenes ponderadas por mapa de susceptibilidad cuantitativa aplicando una máscara de mapa de susceptibilidad cuantitativa a la primera imagen con base en un algoritmo de mapeo de susceptibilidad cuantitativa para realizar el procesamiento, y la unidad (30) de procesamiento de imágenes realiza además al menos una operación de ajuste de ángulos, ampliación de la imagen, y recortado, sobre las imágenes ponderadas por mapa de susceptibilidad cuantitativa generadas, caracterizado porque: la unidad (40) de análisis de imágenes detecta un núcleo rojo y una sustancia negra presentes en la primera imagen procesada mediante aprendizaje automático y clasifica esas imágenes ponderadas por mapa de susceptibilidad cuantitativa entre la pluralidad, que incluyen la región del nigrosoma-1 como la segunda imagen de la primera imagen con base en la comprobación secuencial de las imágenes ponderadas por mapa de susceptibilidad cuantitativa a lo largo de la dirección del polo inferior del núcleo rojo y seleccionando una imagen de las mismas como la segunda imagen en un momento en que el núcleo rojo entre el núcleo rojo detectado y la sustancia negra desaparece de la primera imagen.

Description

DESCRIPCIÓN

Aparato y procedimiento de diagnóstico de la enfermedad de Parkinson con base en la inteligencia artificial (IA) REFERENCIA CRUZADA A SOLICITUDES RELACIONADAS

La presente solicitud reivindica la prioridad de la Solicitud de Patente Coreana No. 10-2020-0026561 presentada el 3 de marzo de 2020 en la Oficina de Propiedad Intelectual de Corea.

ANTECEDENTES

Campo

La presente divulgación se refiere a un aparato y procedimiento de diagnóstico de la enfermedad de Parkinson con base en inteligencia artificial, y más particularmente, a un aparato y procedimiento de diagnóstico de la enfermedad de Parkinson que diagnostica la enfermedad de Parkinson mediante el análisis de imágenes de resonancia magnética (en lo sucesivo, abreviado como "RMN").

Descripción de la Técnica Relacionada

El trastorno neurodegenerativo se refiere a una enfermedad que provoca un funcionamiento anormal del cerebro, ya que las células nerviosas mueren debido a algunas razones.

Los trastornos neurodegenerativos representativos suelen incluir la enfermedad de Alzheimer, la enfermedad de Parkinson y, raramente, la enfermedad de Lou Gehrig.

Entre los trastornos neurodegenerativos, la enfermedad de Parkinson es un trastorno neurodegenerativo representativo por el que se destruyen las células neuronales y se acompaña de depresión y ansiedad junto con síntomas como rigidez, temblores de manos y pies, y dificultad para caminar, de modo que la calidad de vida se degrada enormemente.

El trastorno neurodegenerativo se diagnostica mediante un procedimiento no invasivo de diagnóstico sin contacto con la mucosa, la rotura de la piel y la cavidad corporal interna más allá de un orificio corporal natural o artificial.

Por ejemplo, en los siguientes Documentos de Patente 1 y 2, se divulga una tecnología de diagnóstico del trastorno neurodegenerativo de acuerdo con la técnica relacionada. El Documento de Patente 3 divulga un procedimiento de procesamiento de imágenes médicas, que incluye la adquisición de una imagen de detección que incluye una imagen de una región de la sustancia negra y/o una región del núcleo rojo, que obtiene un modelo de red neuronal de segmentación, y que realiza una operación de segmentación en la imagen de detección mediante la adopción del modelo de red neuronal de segmentación para obtener una imagen de máscara objetivo, que obtiene un modelo de red neuronal de detección, y que obtiene el resultado de detección mediante la detección de la imagen de máscara objetivo utilizando el modelo de red neuronal de detección. De este modo, se mejora la precisión de los resultados de detección de las imágenes mediante el uso del modelo de red neuronal de detección entrenado.

El Documento Sin Patente 4 divulga la adquisición de imágenes de eco recordadas por gradientes de múltiples ecos de la sustancia negra y su sometimiento a una técnica de QSM (mapeo de susceptibilidad cuantitativa) que se considera que refleja la susceptibilidad del tejido local con un contraste mucho mejor. Los volúmenes de interés se segmentan en las imágenes, o cortes, y se extrae un conjunto de características radiómicas. Se aplica un procedimiento de selección de características de aprendizaje automático para seleccionar un subconjunto de características radiómicas adecuadas para distinguir a los pacientes que sufren la enfermedad de Parkinson idiopática (EPI) de un grupo de control sano.

[Documento de la Técnica Relacionada]

[Documento de Patente]

1. Patente Registrada Coreana No. 10-1754291 (publicada el 6 de julio de 2017)

2. Publicación de Solicitud de Patente Coreana no Examinada No. 10-2016-0058812 (publicada el 25 de mayo de 2016)

3. Publicación de Solicitud de Patente China No. 109242849 A

(publicado el 18 de enero de 2019)

[Documento Sin Patente]

1. Sung-Min Gho et al., "Susceptibility Map-Weighted Imaging (SMWI) for Neuroimaging", Magnetic Resonance in Medicine 72:337-346(2014)

2. Yoonho Nam et al., "Imaging of Nigrosome 1 in Substantia Nigra at 3T Using Multiecho Susceptibility Map-Weighted Imaging (SMWI)", J. MAGN. RESON. IMAGING 2017; 46:528-536

3. Christian Langkammer et al., "Quantitative susceptibility mapping (QSM) as a means to measure brain iron? A post mortem validation study", Neuroimage. 2012 Sep; 62(3):1593-9. doi: 10.1016/j.neuroimage.

2012.05.049. Epub 201224 de mayo.

4. Zenghui Cheng et al., "Radiomic Features of the Nigrosome-1 Region of the Substantia Nigra: Using Quantitative Susceptibility Mapping to Assist the Diagnosis of Idiopathic Parkinson's Disease", Frontiers in aging Neuroscience, vol. 11, 16 julio 2019 (2019-07-16), XP055748497, CH, ISSN: 1663-4365, DOI: 10.3389/fnagi .2019.00167.

SUMARIO

Hasta ahora, la tomografía por emisión de positrones (PET) con isótopos [18F]FP-CIT se ha utilizado como el procedimiento más objetivo para el diagnóstico de la enfermedad de Parkinson y el diagnóstico diferencial del parkinsonismo inducido por fármacos.

Sin embargo, [18F]FP-CIT PET es un procedimiento de prueba muy caro y tiene un riesgo de exposición a la radiación.

Por lo tanto, se solicita el desarrollo de una tecnología de diagnóstico de la enfermedad de Parkinson mediante la observación de una región del nigrosoma-1 utilizando la RMN.

Un objeto de la presente invención es resolver los problemas descritos anteriormente y proporcionar un aparato de diagnóstico de la enfermedad de Parkinson y un procedimiento que diagnostique la enfermedad de Parkinson mediante el análisis de la resonancia magnética.

Otro objeto de la presente invención es proporcionar un aparato de diagnóstico de la enfermedad de Parkinson y un procedimiento que diagnostique la enfermedad de Parkinson mediante el análisis de una región del nigrosoma-1 propuesta como biomarcador de imágenes para la enfermedad de Parkinson.

Además, un objeto de la presente divulgación es proporcionar un aparato y un procedimiento de diagnóstico de la enfermedad de Parkinson que sean capaces de observar sólo una región de la sustancia negra y un nigrosoma-1 propuestos como biomarcadores de imagen para la enfermedad de Parkinson a partir de una imagen adquirida, realizando adicionalmente un procedimiento de preprocesamiento, tal como el ajuste del ángulo, la ampliación de la imagen y el recortado, en una imagen SMWI.

Además, un objeto de la presente divulgación es proporcionar un aparato y un procedimiento de diagnóstico de la enfermedad de Parkinson que detecte eficazmente una región del nigrosoma-1 mediante la detección de un núcleo rojo y de la sustancia negra, que son más fáciles de detectar en su entorno a través del aprendizaje automático, y la detección de una imagen en un momento en que tanto el núcleo rojo como la sustancia negra están presentes y luego el núcleo rojo desaparece.

Además, un objeto de la presente divulgación es proporcionar un aparato y un procedimiento de diagnóstico de la enfermedad de Parkinson que decida un diagnóstico final sobre si un paciente es normal o tiene la enfermedad de Parkinson de acuerdo con la regla de la mayoría cuando se genera una pluralidad de modelos de aprendizaje utilizando el mismo conjunto de datos y se deriva un resultado de diagnóstico predictivo aplicando la pluralidad de modelos de aprendizaje, respectivamente, y los resultados del diagnóstico entre la pluralidad de modelos de aprendizaje son diferentes.

Además, un objeto de la presente divulgación es proporcionar un dispositivo, un sistema y un procedimiento que aumente la probabilidad de éxito de los ensayos clínicos mediante la utilización de un procedimiento de diagnóstico de la enfermedad de Parkinson utilizando inteligencia artificial para cribar un grupo de pacientes y un grupo normal.

Entretanto, los objetos técnicos que han de lograrse en la presente invención no se limitan a los objetos técnicos mencionados, y otro objeto técnico no mencionado será obviamente comprendido por los expertos en la técnica a partir de la descripción a continuación.

Para lograr los objetos técnicos descritos anteriormente, un aparato de diagnóstico de la enfermedad de Parkinson con base en inteligencia artificial de acuerdo con la reivindicación 1, que es un aspecto de la presente divulgación, incluye una unidad de adquisición de imágenes que adquiere una primera imagen relacionada con una magnitud y fase multieco de una RMN obtenida mediante la captura de un cerebro de un paciente; una unidad de procesamiento de imágenes que procesa la primera imagen adquirida para visualizar una región de la sustancia negra y un nigrosoma 1 utilizados como biomarcadores de imágenes de la enfermedad de Parkinson; una unidad de análisis de imágenes que analiza la primera imagen procesada, que incluye una pluralidad de imágenes ponderadas por mapa de susceptibilidad cuantitativa, para clasificar aquellas imágenes ponderadas por mapa de susceptibilidad cuantitativa entre la pluralidad, que incluyen la región del nigrosoma-1, como una segunda imagen de la primera imagen y detecta la región del nigrosoma-1 a partir de la segunda imagen clasificada; y una unidad de diagnóstico que diagnostica si el paciente tiene la enfermedad de Parkinson analizando si la región del nigrosoma-1 detectada es normal, en la que la unidad de procesamiento de imágenes genera la pluralidad de imágenes ponderadas por mapa de susceptibilidad aplicando una máscara de mapa de susceptibilidad cuantitativa a la primera imagen con base en un algoritmo de mapeo de susceptibilidad cuantitativa para realizar el postprocesamiento y la unidad de procesamiento de imágenes realiza además al menos una operación de ajuste de ángulo, ampliación de la imagen y recortado, en la imagen de formación de imágenes ponderada por mapa de susceptibilidad generada.

De este modo, la unidad de análisis de imágenes detecta un núcleo rojo y una sustancia negra presentes en la primera imagen procesada a través del aprendizaje automático y clasifica aquellas imágenes ponderadas por mapa de susceptibilidad cuantitativa entre la pluralidad, que incluyen la región del nigrosoma-1, como la segunda imagen de la primera imagen, con base en la comprobación secuencial de las imágenes ponderadas por mapa de susceptibilidad cuantitativa a lo largo de una dirección y seleccionando una imagen de las mismas como la segunda imagen en un momento en que el núcleo rojo entre el núcleo rojo detectado y la sustancia negra desaparece de la primera imagen

Además, el ajuste del ángulo es una operación de corrección de una desalineación de las imágenes ponderadas por mapa de susceptibilidad cuantitativa generadas para de esta manera visualizar fácilmente la región del nigrosoma-1, la ampliación de la imagen es una operación de ampliación de una imagen relacionada con la región del nigrosoma-1, y el recortado puede ser una operación de aumento del número de primeras imágenes generadas que incluyen la región del nigrosoma-1.

La unidad de análisis de imágenes puede analizar una imagen dentro de un intervalo predeterminado de la imagen, en la primera imagen para clasificarla como una segunda imagen que incluye la región del nigrosoma-1.

La unidad de análisis de imágenes puede clasificar la segunda imagen a partir de la primera imagen que incluye la región del nigrosoma-1 utilizando un procedimiento de detector de una etapa entre los procedimientos que utilizan una red neuronal de aprendizaje profundo de aprendizaje automático.

La unidad de análisis de imágenes puede detectar un mapa de características que tenga una característica de una capa totalmente convolucional aplicando una red neuronal convolucional (CNN) a la primera imagen procesada, derivar conexiones de escala cruzada aplicando una red de pirámide de características (FPN) al mapa de características, y ajustar una pérdida de clasificación, una pérdida de regresión de caja límite y una pérdida focal para un resultado de clasificación con base en las conexiones de escala cruzada, de acuerdo con un criterio predeterminado, para clasificar la segunda imagen que incluye la región del nigrosoma-1 de la primera imagen.

Además, la unidad de diagnóstico puede generar una pluralidad de modelos de aprendizaje para diagnosticar si se trata de la enfermedad de Parkinson, con base en el mismo conjunto de datos, derivar una pluralidad de resultados predictivos por la pluralidad de modelos de aprendizaje, con base en la región del nigrosoma-1 detectada, y diagnosticar si el paciente tiene la enfermedad de Parkinson con base en la pluralidad de resultados predictivos.

La unidad de diagnóstico puede diagnosticar si el paciente tiene la enfermedad de Parkinson con base en los resultados predictivos que ocupan la mayoría, aplicando la regla de la mayoría a la pluralidad de resultados predictivos por la pluralidad de modelos de aprendizaje, con base en la región nigrosoma-1 detectada.

Para lograr los objetos técnicos descritos anteriormente, un procedimiento de diagnóstico de la enfermedad de Parkinson con base en inteligencia artificial de acuerdo con la reivindicación 8, que es otro aspecto de la presente divulgación, incluye un primer paso de adquisición de una primera imagen relacionada con una magnitud y fase de múltiples ecos de una RMN obtenida mediante la captura de un cerebro de un paciente, por una unidad de adquisición de imágenes; un segundo paso de procesamiento de la primera imagen adquirida, que incluye una pluralidad de imágenes ponderadas por mapa de susceptibilidad cuantitativa, para visualizar de esta forma una sustancia negra y una región del nigrosoma-1 utilizadas como biomarcadores de imagen de la enfermedad de Parkinson, por una unidad de procesamiento de imágenes; un tercer paso de análisis de la primera imagen postprocesada para clasificar aquellas imágenes ponderadas de mapas de susceptibilidad cuantitativa entre la pluralidad, que incluyen la región del nigrosoma-1, como una segunda imagen de la primera imagen, por una unidad de análisis de imágenes; un cuarto paso de detección de la región del nigrosoma-1 desde la segunda imagen clasificada, por una unidad de análisis de imágenes; y un quinto paso de diagnosticar si el paciente tiene la enfermedad de Parkinson analizando si la región del nigrosoma-1 detectada es normal, por una unidad de diagnóstico en la que en el segundo paso, la unidad de procesamiento de imágenes genera la pluralidad de imágenes ponderadas de mapas de susceptibilidad cuantitativa aplicando una máscara de mapa de susceptibilidad cuantitativa a la primera imagen con base en un algoritmo de mapeo de susceptibilidad cuantitativa para realizar el procesamiento y entre el segundo paso y el tercer paso, el procedimiento puede incluir además un 2.5-ésimo paso de realizar además al menos una operación de ajuste de ángulos, ampliación de la imagen, y recortado, en la imagen de formación de imágenes ponderada por mapa de susceptibilidad generada, por la unidad de procesamiento de imágenes.

Además, se proporciona un paso 3-1 de detectar un núcleo rojo y una sustancia negra presentes en la primera imagen procesada mediante aprendizaje automático, por la unidad de análisis de imágenes.

Además, se proporciona un paso 3-2 de clasificación de aquellas imágenes ponderadas por mapa de susceptibilidad cuantitativa entre la pluralidad, que incluyen la región del nigrosoma-1, como la segunda imagen de la primera imagen con base en la comprobación secuencial de las imágenes ponderadas por mapa de susceptibilidad cuantitativa a lo largo de una dirección y la selección de una imagen de las mismas como la segunda imagen en un momento en que el núcleo rojo entre el núcleo rojo detectado y la sustancia negra desaparece de la primera imagen, por la unidad de análisis de imágenes.

En el paso 2.5, el ajuste del ángulo es una operación de corrección de una desalineación de las imágenes ponderadas por mapa de susceptibilidad cuantitativa generadas para observar fácilmente la región del nigrosoma-1, la ampliación de la imagen es una operación de ampliación de una imagen relacionada con la región del nigrosoma-1, y el recortado es una operación de aumento del número de primeras imágenes generadas que incluyen la región del nigrosoma-1.

En el tercer paso, la unidad de análisis de imágenes puede clasificar la segunda imagen que incluye la región del nigrosoma-1 a partir de la primera imagen utilizando un procedimiento de detector de una etapa entre los procedimientos que utilizan una red neuronal de aprendizaje profundo de aprendizaje automático.

El tercer paso puede incluir además: un 3-1-ésimo paso de detectar un mapa de características que tiene una característica de una capa totalmente convolucional aplicando una red neuronal convolucional (CNN) a la primera imagen procesada, por la unidad de análisis de imágenes; un 3-2-ésimo paso de derivar conexiones de escala cruzada aplicando una red piramidal de características (FPN) al mapa de características, por la unidad de análisis de imágenes; y un 3-3-ésimo paso en el que se ajusta una pérdida de clasificación, una pérdida de regresión de cuadro delimitador y una pérdida focal para un resultado de clasificación con base en las conexiones de escala cruzada, de acuerdo con un criterio predeterminado, para clasificar la segunda imagen que incluye la región del nigrosoma-1, por la unidad de análisis de imágenes.

Además, el quinto paso incluye un 5-1-ésimo paso de generar una pluralidad de modelos de aprendizaje para diagnosticar si es la enfermedad de Parkinson, con base en el mismo conjunto de datos, por la unidad de diagnóstico, un 5-2-ésimo paso de derivar una pluralidad de resultados predictivos por la pluralidad de modelos de aprendizaje, con base en la región nigrosoma-1 detectada, por la unidad de diagnóstico; y un 5-3-ésimo paso de diagnosticar si el paciente tiene la enfermedad de Parkinson con base en la pluralidad de resultados predictivos, por la unidad de diagnóstico.

Además, en el 5-3-ésimo paso, se puede diagnosticar si el paciente tiene la enfermedad de Parkinson con base en los resultados predictivos que ocupan la mayoría, aplicando la regla de la mayoría a la pluralidad de resultados predictivos por la pluralidad de modelos de aprendizaje, con base en la región del nigrosoma-1 detectada.

Como se ha descrito anteriormente, de acuerdo con el aparato y el procedimiento de diagnóstico de la enfermedad de Parkinson de la presente divulgación, sólo las imágenes que incluyen la región del nigrosoma-1 se clasifican a partir de la RMN y la región del nigrosoma-1 se analiza a partir de la imagen clasificada para diagnosticar la enfermedad de Parkinson.

Además, de acuerdo con la presente divulgación, se mejora la visibilidad de la región del nigrosoma-1 aplicando un protocolo de formación de imágenes ponderadas por mapa de susceptibilidad y un algoritmo de mapeo de susceptibilidad cuantitativa, y se diagnostica la enfermedad de Parkinson utilizando una imagen con una estructura de la sustancia negra visualizada, de modo que la enfermedad de Parkinson puede ser diagnosticada con mayor precisión utilizando el dispositivo de RMN comúnmente suministrado y se puede mejorar la precisión del resultado del diagnóstico.

Además, de acuerdo con la presente divulgación, es posible observar sólo una región de la sustancia negra y una región del nigrosoma-1 propuestas como biomarcadores de formación imágenes para la enfermedad de Parkinson a partir de una imagen adquirida, realizando adicionalmente un procedimiento de preprocesamiento, tal como el ajuste de ángulo, la ampliación de la imagen y el recortado, en una imagen SMWI.

Además, de acuerdo con la presente divulgación, es posible detectar eficazmente una región del nigrosoma-1 detectando un núcleo rojo y la sustancia negra que se detectan más fácilmente en torno a ellos mediante el aprendizaje automático y detectando una imagen en un momento en que tanto el núcleo rojo como la sustancia negra están presentes y luego el núcleo rojo desaparece.

Además, de acuerdo con la presente divulgación, es posible tomar una decisión para un diagnóstico final sobre si un paciente es normal o tiene la enfermedad de Parkinson de acuerdo con la regla de la mayoría cuando se genera una pluralidad de modelos de aprendizaje utilizando el mismo conjunto de datos y se deriva un resultado de diagnóstico predictivo aplicando la pluralidad de modelos de aprendizaje, respectivamente, y los resultados del diagnóstico entre la pluralidad de modelos de aprendizaje son diferentes.

Además, un ensayo clínico para probar la eficacia del fármaco se determina mostrando una significancia estadística que indica si se logra un efecto esperado previsto para los participantes del ensayo clínico. Sin embargo, cuando se aplica el procedimiento y el aparato de diagnóstico de la enfermedad de Parkinson de acuerdo con la presente divulgación, sólo se incluyen como sujetos de ensayo clínico los pacientes de la enfermedad de Parkinson a los que se dirigen exactamente los nuevos fármacos, de modo que la probabilidad de éxito de los ensayos clínicos puede incrementarse al máximo.

Es decir, el procedimiento de diagnóstico de la enfermedad de Parkinson utilizando inteligencia artificial de acuerdo con la presente divulgación puede ser utilizado para cribar un grupo de pacientes y un grupo normal para aumentar la probabilidad de éxito de los ensayos clínicos.

Entretanto, un objeto técnico que debe alcanzarse en la presente divulgación no se limita a los efectos antes mencionados, y otros efectos no mencionados serán obviamente comprendidos por los expertos en la técnica a partir de la descripción a continuación.

BREVE DESCRIPCIÓN DE LOS DIBUJOS

Los aspectos anteriores y otros aspectos, características y otras ventajas de la presente divulgación se entenderán más claramente a partir de la siguiente descripción detallada tomada conjuntamente con los dibujos adjuntos, en los que

La FIG. 1 es una vista que ilustra una RMN que incluye una región de la sustancia negra y del nigrosoma-1, en relación con la presente divulgación;

La FIG. 2 es un diagrama de bloques de un aparato de diagnóstico de la enfermedad de Parkinson de acuerdo con una realización ejemplar preferida de la presente invención;

La FIG. 3 es una vista para explicar las operaciones de una unidad de adquisición de imágenes y una unidad de procesamiento de imágenes de acuerdo con la presente divulgación;

La FIG. 4 es una vista que ilustra una operación de realización adicional de un procedimiento de preprocesamiento, tal como el ajuste de ángulos, la ampliación de la imagen y el recortado, en una imagen SMWI por una unidad de procesamiento de imágenes de acuerdo con la presente divulgación;

La FIG. 5 es una vista de un ejemplo de un resultado obtenido ajustando un ángulo de una imagen SMWI y ampliando la imagen por la unidad de procesamiento de imágenes, con respecto a la FIG. 4;

Las FIGS. 6 y 7 son vistas para explicar el funcionamiento de una unidad de análisis de imágenes de acuerdo con la presente divulgación;

La FIG. 8 es una vista que ilustra un procedimiento para detectar más eficazmente una región del nigrosoma-1 mediante una unidad de análisis de imágenes de acuerdo con la presente divulgación;

La FIG. 9 es una vista que ilustra el funcionamiento de una unidad de diagnóstico de acuerdo con la presente divulgación;

La FIG. 10 es una vista que ilustra un estado en el que se aplica un resultado de diagnóstico a una imagen de entrada, con respecto a la presente divulgación;

La FIG. 11 es una vista que ilustra un procedimiento para mejorar el rendimiento de un diagnóstico mediante la combinación de una pluralidad de resultados de predicción por una unidad de diagnóstico de acuerdo con la presente divulgación;

La FIG. 12 es un diagrama de flujo para explicar un procedimiento de diagnóstico de la enfermedad de Parkinson de acuerdo con una realización ejemplar preferida de la presente divulgación paso a paso;

La FIG. 13 es un diagrama de flujo para explicar un procedimiento de postprocesamiento para observar una región de la sustancia negra y un nigrosoma-1 propuestos como biomarcadores de imagen de una enfermedad de Parkinson a partir de una imagen adquirida de acuerdo con una realización ejemplar preferida de la presente divulgación;

La FIG. 14 es un diagrama de flujo para explicar un procedimiento de clasificación de una imagen que incluye una región de nigrosoma-1 mediante el análisis de una imagen procesada de acuerdo con una realización ejemplar preferida de la presente divulgación y la detección de la región de nigrosoma-1 a partir de la imagen clasificada;

La FIG. 15 es un diagrama de flujo para explicar un procedimiento para determinar si la región del nigrosoma-1 es normal en la imagen clasificada para diagnosticar la enfermedad de Parkinson; y

La FIG. 16 es una visión para explicar un procedimiento para aumentar la probabilidad de éxito de los ensayos clínicos mediante la utilización de un procedimiento de diagnóstico de la enfermedad de Parkinson utilizando la inteligencia artificial para cribar un grupo de pacientes y un grupo normal.

DESCRIPCIÓN DETALLADA DE LA REALIZACIÓN PREFERIDA

En lo sucesivo, se describirá una realización ejemplar preferida de la presente divulgación con referencia a los dibujos adjuntos. Las realizaciones ejemplares que se describirán a continuación no limitan indebidamente el contenido de la presente divulgación tal y como se establece en las reivindicaciones y no puede decirse que toda la configuración descrita en la presente realización sea esencial como solución de la presente divulgación.

En lo sucesivo, un aparato y procedimiento de diagnóstico de la enfermedad de Parkinson de acuerdo con una realización ejemplar preferida de la presente invención se describirá en detalle con referencia a los dibujos adjuntos.

Criterio para diagnosticar la enfermedad de Parkinson mediante la observación de la región del niarosoma-1 en la sustancia negra

En primer lugar, en referencia a la FIG. 1, se describirá un criterio de diagnóstico de la enfermedad de Parkinson mediante la observación de una región nigrosoma-1 en la sustancia negra.

La FIG. 1 es una vista que ilustra una RNN que incluye una sustancia negra y una región del nigrosoma-1.

La FIG. 1A ilustra una plaza de imagen, la FIG. 1B ilustra una imagen de una región de una sustancia negra y un nigrosoma-1 de personas normales, y la FIG. 1C ilustra una imagen de una región de una sustancia negra y una nigrosoma-1 de un paciente con la enfermedad de Parkinson.

La región del nigrosoma-1 en la sustancia negra de las personas normales es de color negro, como se ilustra en la FIG. 1B y la región del nigrosoma-1 de un paciente con la enfermedad de Parkinson se ilustra para ser relativamente grisácea como se ilustra en la FIG. 1C.

En consecuencia, de acuerdo con la presente divulgación, la enfermedad de Parkinson puede diagnosticarse observando una sombra de la región del nigrosoma-1 propuesta como biomarcadores de imagen para la enfermedad de Parkinson en la resonancia magnética.

Por ejemplo, de acuerdo con la presente divulgación, la visibilidad de la región del nigrosoma-1 se mejora aplicando un protocolo de imágenes ponderadas por mapa de susceptibilidad (en adelante, abreviado como "SMWI") y un algoritmo de mapeo de susceptibilidad cuantitativa (en adelante, abreviado como "QSM") allí para analizar si la región del nigrosoma-1 es normal para diagnosticar la enfermedad de Parkinson.

La sustancia negra pars compacta es una estructura del cerebro medio que incluye una población altamente densa de neuronas dopaminérgicas. Estas neuronas desaparecen progresivamente por la enfermedad de Parkinson idiopática (EPI) para causar la discapacidad. Esta región muestra que los niveles de hierro están aumentados en el paciente con EPI en comparación con un grupo de control sano.

Recientemente, como resultado de la visualización de una pequeña parte de la sustancia negra pars compacta conocida como nigrosoma-1 en una imagen de contraste de susceptibilidad de alta resolución de un sujeto sano, el contraste entre el nigrosoma-1 y las regiones vecinas de la sustancia negra es causado por la diferencia en los niveles de hierro, de modo que la diferencia de susceptibilidad de dos regiones se reduce significativamente en el paciente con EPI.

La reducción de la diferencia de susceptibilidad de dos regiones, como se ha descrito anteriormente, se ha utilizado como biomarcador de imágenes de la EPI.

Por lo tanto, la estructura del nigrosoma-1 se describió con éxito en la RMN de 7T utilizando imágenes ponderadas en T2 de alta resolución (por ejemplo, una resolución de plano de 0,3 mm) o imágenes ponderadas por susceptibilidad (SWI).

Sin embargo, se observa una estructura con un contraste significativamente reducido a partir de una imagen 3D de alta resolución ponderada en T2 debido a una resolución espacial limitada y a la relación señal/contraste a ruido (SNR/CNR) en una intensidad de campo magnético baja como la RMN de 3T.

Esta limitación ha dificultado la fiabilidad y la aplicabilidad de las imágenes del nigrosoma-1 en la RMN de 3T, a pesar de varios estudios exitosos que demuestran la utilidad del enfoque.

Recientemente, para resolver el problema descrito anteriormente, se han propuesto nuevos procedimientos para proporcionar un contraste de susceptibilidad magnética mejorado.

Uno de los procedimientos consiste en acoplar imágenes de magnitud de eco recordadas por gradiente de múltiples ecos (en adelante, denominadas "GRE multieco"), en lugar de utilizar una imagen de eco único para mejorar la SNR, que tiene una precisión relativamente alta en el diagnóstico de EPI en la RMN de 3T.

Una alternativa de la imagen de magnitud puede generar artefactos debido al florecimiento de la imagen ponderada de susceptibilidad (SWI) que utiliza la información de fase como una máscara de peso para aumentar el contraste de susceptibilidad o la imagen de fase.

Otro enfoque relacionado con el contraste de susceptibilidad es la imagen de fase (o frecuencia) GRE y el mapeo de susceptibilidad cuantitativa (QSM) y ambos son altamente susceptibles a la susceptibilidad y han sido ampliamente aplicados en los últimos años.

Además, se ha propuesto un nuevo procedimiento que utiliza una máscara de ponderación de susceptibilidad derivada del QSM para la imagen de magnitud.

Este enfoque es similar al SWI, pero puede resolver los artefactos de florecimiento del SWI y potencialmente mejorar la visualización de los cambios en la susceptibilidad.

La imagen ponderada de la máscara QSM ha demostrado ser útil para visualizar la estructura del nigrosoma-1.

En el Documento Sin Patente 1, se divulga una técnica de SMWI para la neuroimágen y en el Documento Sin Patente 2, se divulga una técnica de imagen del nigrosoma-1 en una sustancia negra utilizando SMWI multieco en RMN de 3T. Además, en el Documento Sin Patente 3, se divulga una técnica de QSM como medio para medir el hierro cerebral.

Por lo tanto, de acuerdo con la presente invención, la enfermedad de Parkinson se diagnostica con base en el cambio en la región del nigrosoma-1 debido a la enfermedad de Parkinson de acuerdo con la correlación de un nivel de hierro cerebral y la susceptibilidad.

Aparato de diagnóstico de la enfermedad de Parkinson

La FIG. 2 es un diagrama de bloques de un aparato de diagnóstico de la enfermedad de Parkinson de acuerdo con una realización ejemplar preferida de la presente invención.

Como se ilustra en la FIG. 2, un aparato 10 de diagnóstico de la enfermedad de Parkinson de acuerdo con una realización ejemplar preferida de la presente invención incluye una unidad 20 de adquisición de imágenes que adquiere imágenes de magnitud y fase multieco de una RMN obtenida mediante la captura de un cerebro de un paciente, una unidad 30 de procesamiento de imágenes que procesa posteriormente sólo una sustancia negra y una región del nigrosoma-1 propuestas como biomarcadores de imagen de la enfermedad de Parkinson a partir de la imagen adquirida para ser observada, una unidad 40 de análisis de imágenes que analiza la imagen procesada para clasificar una imagen que incluye la región del nigrosoma-1 y detecta la región del nigrosoma-1 a partir de la imagen clasificada, y una unidad 50 de diagnóstico que determina si la región del nigrosoma-1 es normal en la imagen clasificada para diagnosticar la enfermedad de Parkinson.

En lo sucesivo, los roles y funciones de cada componente se describirán en detalle con referencia a los dibujos.

Funcionamiento de la unidad de adquisición de imágenes y de la unidad de procesamiento de imágenes

Una configuración de una unidad de adquisición de imágenes y una unidad de procesamiento de imágenes se describirá en detalle con referencia a la FIG. 3.

La FIG. 3 es una vista para explicar las operaciones de una unidad de adquisición de imágenes y una unidad de procesamiento de imágenes. En la FIG. 3, se ilustra un procedimiento de generación de una imagen SMWI para la estructura del nigrosoma-1 a partir de una imagen GRE compuesta multieco.

La unidad 20 de adquisición de imágenes está conectada comunicativamente al equipo 21 de RMN o a una base de datos (no ilustrada en el dibujo) que almacena y controla una RMN capturada por el equipo 21 de RMN, como se ilustra en la FIG. 3, para adquirir una resonancia magnética de un paciente para diagnosticar la enfermedad de Parkinson.

La unidad 30 de procesamiento de imágenes, como se ilustra en la FIG. 3, genera una imagen SMWI a partir de una imagen compuesta GRE multieco en la que se componen una imagen de magnitud multieco y una imagen de fase multieco, utilizando el algoritmo QSM, para visualizar la estructura del nigrosoma-1.

Por ejemplo, la unidad 30 de procesamiento de imágenes genera una imagen de magnitud que se acopla a los canales mediante una raíz cuadrada de una suma de cuadrados de las imágenes de magnitud multicanal de la imagen compuesta multicanal y la imagen de fase se acopla como un promedio complejo después de corregir un desplazamiento de fase global de los canales individuales (primer paso).

La unidad 30 de procesamiento de imágenes combina una sola imagen mediante una raíz cuadrada de una suma de cuadrados de imágenes de magnitud de seis ecos (segundo paso).

La unidad 30 de procesamiento de imágenes calcula una imagen de fase de diferentes TE utilizando un algoritmo de desenvolvimiento laplaciano y calcula una frecuencia w combinada en cada vóxel (tercer paso).

La unidad 30 de procesamiento de imágenes elimina una región de fondo de una imagen de frecuencia mediante la eliminación de la fase de fondo de la onda armónica utilizando un procedimiento de operador laplaciano (cuarto paso). Aquí, el QSM puede ser reconstruido usando una ecuación lineal dispersa mejorada y un procedimiento de mínimos cuadrados ( ílSq R).

Por ejemplo, en el parámetro reconstruido de iLSQR, una tolerancia es 0,01, un valor de umbral D², ^threspara la máscara de región k incompleta es 0,1.

A continuación, la unidad 30 de procesamiento de imágenes procesa además un resultado QSM para generar una máscara QSM (S^máscara) para un peso de contraste de susceptibilidad (quinto paso).

La máscara puede generarse utilizando la Ecuación 1.

[Ecuación 1]

Aquí, X es un valor de susceptibilidad cuantitativa (unidad ppm) calculado en el cuarto paso y Xésimo es un valor umbral paramagnético. El valor del umbral puede determinarse utilizando los datos de las imágenes del nigrosoma-1 para una CNR óptima posterior.

Finalmente, la unidad 30 de procesamiento de imágenes puede generar una imagen SMWI multiplicando una imagen de magnitud compuesta multieco por la máscara QSM utilizando la siguiente Ecuación 2.

[Ecuación 2]

Aquí, m es el número de multiplicaciones para el peso de susceptibilidad y mag es una imagen compuesta de magnitudes multieco del segundo paso.

Además, de acuerdo con la presente divulgación, es posible observar sólo una sustancia negra y una región del nigrosoma-1 propuestas como biomarcadores de imágenes para la enfermedad de Parkinson a partir de una imagen adquirida, realizando adicionalmente un preprocedimiento, tal como el ajuste de ángulo, la ampliación de la imagen y el recortado, en una imagen SMWI generada.

La FIG. 4 es una vista que ilustra una operación de realización adicional de un procedimiento de preprocesamiento, tal como un ajuste de ángulo, una ampliación de la imagen y un recortado, en una imagen SMWI por una unidad de procesamiento de imágenes de acuerdo con la presente divulgación.

Refiriéndose a la FIG. 4A, se ilustra un ejemplo de una imagen SMWI generada al multiplicar una imagen de magnitud compuesta multieco por una máscara QSM utilizando la Ecuación 2 anterior por la unidad 30 de procesamiento de imágenes.

A continuación, como se ilustra en la FIG. 4B, la unidad 30 de procesamiento de imágenes puede realizar una operación de ajuste de ángulo y una operación de ampliación de la imagen.

En primer lugar, la operación de ajuste del ángulo de la unidad 30 de procesamiento de imágenes se realiza para corregir una desalineación de la imagen debida a un movimiento de un capturador mientras se capturan las imágenes.

Además, la operación de ampliación de la imagen de la unidad 30 de procesamiento de imágenes se realiza para ampliar la región del nigrosoma-1.

Específicamente, el ángulo puede ser ajustado de acuerdo con la presente divulgación de tal manera que la información de cada valor de campo de la información de la imagen médica (dicom->orientación de la imagen paciente, posición de la imagen paciente, ubicación de la rebanada, y espesor de la rebanada) se comprueba para ver satisfactoriamente el nigrosoma-1.

Además, la ampliación de la imagen de acuerdo con la presente divulgación puede realizarse dividiendo la imagen entera en nueve cuadrados iguales y ampliando un área cuadrada central tres veces horizontal y verticalmente.

La FIG. 5 es una vista de un ejemplo de un resultado obtenido ajustando un ángulo de una imagen SMWI y ampliando la imagen por la unidad de procesamiento de imágenes, con respecto a la FIG. 4.

Refiriéndose a la FIG. 5A, se representa una imagen axial y una línea roja en un plano coronal y en la FIG. 5B se ilustra un resultado obtenido al realizar el ajuste del ángulo.

Refiriéndose a la FIG. 5B, se corrige la desalineación de la imagen debida al movimiento del capturador mientras se capturan las imágenes y se ajusta un ángulo para ver satisfactoriamente el nigrosoma-1, lo que puede proporcionarse ampliando la región del nigrosoma-1 mediante la operación de ampliación.

Refiriéndose a la FIG. 4 de nuevo, después de realizar el ajuste del ángulo y la ampliación de la imagen por la unidad 30 de procesamiento de imágenes en la FIG. 4B, como se ilustra en la FIG. 4C, la unidad de procesamiento de imágenes puede realizar un procedimiento de reajuste para crear más imágenes que incluyan la región del nigrosoma-1 ajustando más finamente el grosor de una imagen de RM.

Como se ha descrito anteriormente, el procedimiento de reajuste se lleva a cabo para crear más imágenes que incluyan la región del nigrosoma-1 ajustando y aplicando más finamente el grosor de la imagen de RMN que la técnica relacionada.

Mediante el procedimiento de reajuste de la presente divulgación, pueden aumentarse adicionalmente aproximadamente dos o tres imágenes, de modo que se generan dos o tres imágenes más, además de las dos o tres imágenes que se han generado en la técnica relacionada. Por lo tanto, se pueden generar aproximadamente dos veces o más de imágenes que incluyan las regiones del nigrosoma-1.

De forma representativa, durante el procedimiento de reajuste de acuerdo con la presente divulgación, un grosor de corte de la información de la imagen de RM de entrada se ajusta para que sea de 0,5 o menor para ampliar un área que incluya el nigrosoma-1.

Funcionamiento de la unidad de análisis de imágenes

A continuación, se describirá en detalle un funcionamiento de la unidad de análisis de imágenes con referencia a las FIGS. 6 y 7.

Las FIGS. 6 y 7 son vistas para explicar el funcionamiento de una unidad de análisis de imágenes. La FIG. 6 ilustra un procedimiento de clasificación de imágenes que incluye una región del nigrosoma-1 y la FIG. 7 ilustra un procedimiento de detección de la región del nigrosoma-1 a partir de las imágenes clasificadas.

Como se ilustra en la FIG. 6, una pluralidad de imágenes SMWI puede ser adquirida por el procedimiento de postprocesamiento de la unidad 30 de procesamiento de imágenes.

Generalmente, la RMN capturada para el diagnóstico de la enfermedad de Parkinson es de aproximadamente 40 a 70 hojas para un paciente y entre ellas, aproximadamente tres a seis hojas incluyen la región del nigrosoma-1 utilizada para el diagnóstico de la enfermedad de Parkinson.

La unidad 40 de análisis de imágenes analiza la imagen que incluye la región del nigrosoma-1 a partir de la RMN completa mediante el aprendizaje automático para clasificar una imagen que incluye la región del nigrosoma-1 y una imagen que no incluye la región del nigrosoma-1, como se ilustra en la FIG. 6.

La unidad 40 de análisis de imágenes especifica una posición en la que se incluye la región del nigrosoma-1, a partir de cada imagen que incluye la región del nigrosoma-1 clasificada por el aprendizaje automático y detecta la región del nigrosoma-1 especificada, como se ilustra en la FIG. 7.

Por ejemplo, la unidad 40 de análisis de imágenes puede clasificar áreas que incluyen la región del nigrosoma-1 utilizando un procedimiento de detector de una etapa, entre los procedimientos que utilizan una red neuronal de aprendizaje profundo de aprendizaje automático.

Es decir, la unidad 40 de análisis de imágenes detecta un mapa de características que tiene una característica de una capa totalmente convolucional de la imagen adquirida utilizando una red neuronal de convolución (en adelante, abreviada como "CNN"), configura conexiones de escala cruzada aplicando una red de pirámide de características (en adelante, abreviado como "FPN") en el mapa de características, y optimiza una pérdida de clasificación, una pérdida de regresión de cuadro delimitado y una pérdida focal para minimizar la clasificación innecesaria para un resultado de clasificación para finalmente minimizar diversos tamaños de imágenes sólo a las imágenes que incluyen la región del nigrosoma-1.

Refiriéndose a la FIG. 8, la unidad 40 de análisis de imágenes de acuerdo con la presente divulgación puede detectar eficazmente una región del nigrosoma-1 mediante la detección de un núcleo rojo y de la sustancia negra que se detectan más fácilmente a su alrededor a través del aprendizaje automático y la detección de una imagen en un momento en que tanto el núcleo rojo como la sustancia negra están presentes y luego el núcleo rojo desaparece. Refiriéndose a la FIG. 8A, la imagen que incluye la región del nigrosoma-1 se analiza a partir de toda la RMN mediante el aprendizaje automático para clasificar una imagen que incluye la región del nigrosoma-1 y una imagen que no incluye la región del nigrosoma-1.

A continuación, en referencia a la FIG. 8B, para especificar un área que incluya el nigrosoma-1 en una imagen de entrada, se pueden proponer salidas de aprendizaje profundo a través de cajas delimitadoras de objetos y predicción de clases.

De acuerdo con la presente divulgación, para detectar y analizar las posiciones de la sustancia negra, el nigrosoma-1 y el núcleo rojo en la imagen de entrada, puede aplicarse un procedimiento de generación de un mapa de características que no pierda la información de localización a través de la red neuronal CNN y aplicar el procedimiento FPN en el mapa de características para responder a un cambio de tamaño del objeto en el momento del análisis. Es decir, en referencia a la FIG. 8C, el hecho de que las imágenes preprocesadas tengan una posición específica (R0,7 P28,4 F5,2 mm) y un ángulo específico (C > T39,6 > S1,4) puede ser utilizado con base en las imágenes asociadas a las regiones del nigrosoma-1.

Es decir, para detectar una región del nigrosoma-1 que es necesaria para diagnosticar la enfermedad de Parkinson utilizando el hecho de que las imágenes preprocesadas tienen una posición específica (R0,7 P28,4 F5,2 mm) y un ángulo específico (C > T39,6 > S1,4), el núcleo rojo y la sustancia negra que se detectan más fácilmente alrededor del nigrosoma-1 pueden ser detectados primero a través del aprendizaje automático.

Específicamente, refiriéndose a la FIG. 8C, las imágenes se comprueban secuencialmente en dirección inferior y se puede detectar una imagen en el momento en que están presentes tanto el núcleo rojo como la sustancia negra y luego desaparece el núcleo rojo.

[A continuación, partiendo de la premisa de que la región del nigrosoma-1 está presente en aproximadamente 2 a 3 mm de cortes de la imagen detectada, se puede detectar un número de imágenes de 2 a 3 mm de grosor que incluyan la región del nigrosoma-1 a partir de las imágenes de RM completas (por ejemplo, de 5 a 6 hojas).

Se selecciona al menos una imagen de entre 2 y 3 mm de grosor que incluye la región del nigrosoma-1 y que se refiere a las FIGS. 8D y 8E, se especifica una ubicación donde está presente una región del nigrosoma-1 a partir de cada imagen clasificada que incluye la región del nigrosoma-1 y se puede detectar la región del nigrosoma-1 especificada.

Funcionamiento de la unidad de diagnóstico

A continuación, refiriéndose las FIGS. 9 y 10, se describirá un funcionamiento de la unidad 50 de diagnóstico de acuerdo con la presente divulgación.

La FIG. 9 es una vista para explicar el funcionamiento de una unidad de diagnóstico y la FIG. 10 es una vista que ilustra un estado en el que se aplica un resultado de diagnóstico a una imagen de entrada.

Como se ilustra en la FIG. 9, la unidad 50 de diagnóstico puede analizar si la región del nigrosoma-1 detectada por la unidad 40 de análisis de imágenes es normal mediante el aprendizaje automático para diagnosticar la enfermedad de Parkinson.

Por ejemplo, se puede aplicar un resultado de diagnóstico como se ilustra en las FIGS. 10E a 10H de acuerdo con el resultado de diagnosticar si se trata de una enfermedad de Parkinson a partir de la imagen de entrada de las FIGS.

10A a 10D.

Mientras tanto, de acuerdo con la presente divulgación, para mejorar el rendimiento del diagnóstico, puede aplicarse un procedimiento para tomar una decisión mediante la combinación de una pluralidad de resultados de predicción por parte de la unidad 50 de diagnóstico.

La FIG. 11 es una vista que ilustra un procedimiento para mejorar el rendimiento de un diagnóstico mediante la combinación de una pluralidad de resultados de predicción por una unidad de diagnóstico de acuerdo con la presente divulgación.

Refiriéndose a la FIG. 11, como se ilustra en la FIG. 11B, se puede generar una pluralidad de modelos de aprendizaje con base en el mismo conjunto de datos SET ilustrado en la FIG. 11A.

Además, como se ilustra en la FIG. 11C, se derivan los resultados del diagnóstico predictivo cuando se aplica la pluralidad de modelos de aprendizaje y en referencia a la FIG. 11D, cuando los resultados del diagnóstico de la pluralidad de modelos de aprendizaje son diferentes entre sí, se puede hacer un diagnóstico final sobre si es normal o enfermedad de Parkinson de acuerdo con la regla de la mayoría.

Por lo tanto, cuando los resultados de diagnóstico entre los modelos son diferentes, el diagnóstico final se decide de acuerdo con la regla de la mayoría, de modo que los resultados predictivos de la pluralidad de modelos de aprendizaje profundo se combinan para diagnosticar finalmente si el sujeto es normal o un paciente. Por lo tanto, se puede mejorar el rendimiento del diagnóstico.

Procedimiento de diagnóstico de la enfermedad de Parkinson

A continuación, se describirá en detalle un procedimiento de diagnóstico de la enfermedad de Parkinson de acuerdo con una realización ejemplar preferida de la presente invención, con referencia a la FIG. 12.

La FIG. 12 es un diagrama de flujo para explicar un procedimiento de diagnóstico de la enfermedad de Parkinson de acuerdo con una realización ejemplar preferida de la presente invención, paso a paso.

En el paso S10 de la FIG. 12, la unidad 20 de adquisición de imágenes adquiere una pluralidad de resonancias magnéticas de un paciente para diagnosticar la enfermedad de Parkinson a través de la comunicación con el equipo 21 de RMN o la base de datos.

Aquí, la unidad 20 de adquisición de imágenes puede adquirir una imagen compuesta GRE multieco en la que se componen una imagen de magnitud multieco y una imagen de fase multieco, a partir de una RMN de 3T.

En el paso S12, la unidad 30 de procesamiento de imágenes genera una imagen SMWI mediante el postprocesamiento de una imagen compuesta GRE multieco en la que se componen una imagen de magnitud multieco y una imagen de fase multieco, utilizando el algoritmo QSM, para visualizar la estructura del nigrosoma-1.

En el paso S14, la unidad 40 de análisis de imágenes analiza la imagen que incluye la región del nigrosoma-1 a partir de la RMN completa mediante el aprendizaje automático para clasificar una imagen que incluye la región del nigrosoma-1 y una imagen que no incluye la región del nigrosoma-1.

La unidad 40 de análisis de imágenes especifica una posición en la que se incluye la región del nigrosoma-1, a partir de cada imagen que incluye la región del nigrosoma-1 clasificada por el aprendizaje automático y detecta la región del nigrosoma-1 especificada (S16).

Finalmente, la unidad 50 de diagnóstico determina si la región del nigrosoma-1 detectada de cada imagen clasificada como una imagen que incluye la región del nigrosoma-1 en la unidad 40 de análisis de imágenes es normal para diagnosticar la enfermedad de Parkinson (S18).

En lo sucesivo, los procedimientos específicos de las etapas S12, S14, S16 y S18 se describirán en detalle con referencia a los dibujos.

Procedimiento (S12) de generación de la imagen SMWI por postprocesamiento

La FIG. 13 es un diagrama de flujo para explicar un procedimiento de postprocesamiento para observar una región de la sustancia negra y un nigrosoma-1 propuestos como biomarcadores de imagen de una enfermedad de Parkinson a partir de una imagen adquirida según una realización ejemplar preferida de la presente divulgación.

Refiriéndose a la FIG. 13, se ilustran los pasos específicos del procedimiento S12 en el que la unidad 30 de procesamiento de imágenes descrita anteriormente genera una imagen SMWI mediante el postprocesamiento de una imagen compuesta GRE multieco en la que se componen una imagen de magnitud multieco y una imagen de fase multieco, utilizando el algoritmo QSM, para visualizar la estructura del nigrosoma-1.

En primer lugar, se lleva a cabo un paso S20 de generación de una imagen de magnitud acoplada a un canal mediante una raíz cuadrada de una suma de cuadrados de la imagen de magnitud multicanal a partir de la imagen compuesta multicanal y se acopla la imagen de fase como un promedio complejo después de corregir un desplazamiento de fase global de los canales individuales.

A continuación, se realiza un paso S21 de acoplamiento como una sola imagen por una raíz cuadrada de una suma de cuadrados de imágenes de magnitud de seis ecos.

Después del paso S21, se realiza un paso S22 de cálculo de una imagen de fase de diferentes TE utilizando un algoritmo de desenvolvimiento de laplaciano y calculando una frecuencia w combinada en cada vóxel.

Además, se realiza un paso S23 de eliminación de una región de fondo de la imagen de frecuencia mediante una eliminación de la fase de fondo de la onda armónica utilizando un procedimiento de operador laplaciano.

A continuación, se realiza un paso S24 de generación de una máscara QSM Smáscara para el peso de contraste de susceptibilidad procesando adicionalmente el QSM y luego un paso S25 de generación de la imagen SMWI multiplicando la imagen de magnitud compuesta multieco por la máscara QSM.

Además, después de realizar un paso S26 de ajuste de un ángulo de imagen y ampliación de la imagen en la imagen SMWI postprocesada, se realiza un paso S27 de reajuste de imágenes para hacer más imágenes que incluyan la región del nigrosoma-1 ajustando más finamente el grosor de la imagen MR. Por lo tanto, se realiza un procedimiento de postprocesamiento de la región de la sustancia negra y del nirgrosoma-1, que se proponen como biomarcadores de imagen de la enfermedad de Parkinson para ser observados a partir de la imagen adquirida.

Preprocedimiento de clasificación de la imagen que incluye la región del nigrosoma-1 y la imagen que no incluye la región del nigrosoma-1 (S14) y detección de la región del nigrosoma-1 especificada (S16)

La FIG. 14 es un diagrama de flujo para explicar un procedimiento de clasificación de una imagen que incluye una región de nigrosoma-1 mediante el análisis de una imagen procesada de acuerdo con una realización ejemplar preferida de la presente divulgación y la detección de la región de nigrosoma-1 a partir de la imagen clasificada.

Refiriéndose a la FIG. 14, se ilustra específicamente un procedimiento de clasificación de imágenes que incluyen la región del nigrosoma-1 e imágenes que no incluyen la región del nigrosoma-1 (S14) y un procedimiento de detección de una región especificada del nigrosoma-1 (S16).

En primer lugar, se lleva a cabo un paso S31 de detección del núcleo rojo y la sustancia negra que se detectan más fácilmente en los alrededores mediante el aprendizaje automático.

A continuación, se realiza un paso S32 de comprobación secuencial de las imágenes en la dirección inferior y de detección de una imagen en un momento en el que tanto el núcleo rojo como la sustancia negra están presentes y luego el núcleo rojo desaparece.

Dado que la región del nigrosoma-1 está presente dentro de un corte de aproximadamente 2 a 3 mm de la imagen detectada, se realiza un paso S33 de detección de imágenes de 2 a 3 mm de grosor (5 a 6 hojas) que incluyen la región del nigrosoma-1 a partir de la imagen de RM completa.

Después del paso S33, se realiza un paso S16 de detección de la región del nigrosoma-1 mediante al menos una de las imágenes derivadas de la etapa S33.

Procedimiento (S18) de diagnosticar si se trata de la enfermedad de Parkinson determinando si la región del nigrosoma-1 detectada es normal

La FIG. 15 es un diagrama de flujo para explicar un procedimiento para determinar si la región del nigrosoma-1 es normal en la imagen clasificada para diagnosticar la enfermedad de Parkinson.

Refiriéndose a la FIG. 15, se realiza primero un paso S41 de generación de una pluralidad de modelos de aprendizaje con el mismo conjunto de datos SET y se deriva un resultado de diagnóstico predictivo cuando se aplica la pluralidad de modelos de aprendizaje, respectivamente (S42).

En este caso, los resultados del diagnóstico entre la pluralidad de modelos de aprendizaje pueden ser diferentes entre sí, de modo que, en la presente divulgación, el diagnóstico final sobre si un paciente es normal o tiene la enfermedad de Parkinson se decide de acuerdo con la regla de la mayoría (S43).

Procedimiento para aumentar la probabilidad de éxito de un ensayo clínico utilizando el procedimiento de diagnóstico de la enfermedad de Parkinson mediante inteligencia artificial para cribar el grupo de pacientes y el grupo normal

El procedimiento y el aparato de diagnóstico de la enfermedad de Parkinson de acuerdo con la presente divulgación se utilizan para cribar el grupo de pacientes y el grupo normal para aumentar la probabilidad de éxito de los ensayos clínicos.

Es decir, la presente divulgación puede proporcionar un dispositivo, un sistema y un procedimiento para utilizar el procedimiento de diagnóstico de la enfermedad de Parkinson utilizando inteligencia artificial para cribar un grupo de pacientes y un grupo normal para aumentar la probabilidad de éxito de los ensayos clínicos.

Un resultado de los ensayos clínicos para la demostración de la eficacia del fármaco se determina mostrando una significación estadística que indica si se logra un efecto esperado previsto para los participantes del ensayo clínico. Sin embargo, cuando se aplican el procedimiento y el aparato de diagnóstico de la enfermedad de Parkinson de acuerdo con la presente divulgación, sólo se incluyen como sujetos de ensayo clínico los pacientes de la enfermedad de Parkinson a los que se dirigen exactamente los nuevos fármacos, de modo que la probabilidad de éxito de los ensayos clínicos puede incrementarse tanto como sea posible.

En primer lugar, se describirán por adelantado los problemas de los ensayos clínicos de nuevos medicamentos existentes.

Un resultado de los ensayos clínicos para la demostración de la eficacia del fármaco se determina mostrando una significancia estadística que indica si se logra un efecto esperado previsto para los participantes del ensayo clínico.

En el caso de la enfermedad de Parkinson, es inevitable basarse en la evaluación UPDRS, el examen neurológico y la evaluación de los estadios de Hoehn & Yarr (0 a 5 estadios) para medir si los síntomas mejoran con la eficacia del medicamento. Sin embargo, estos procedimientos se basan en un cuestionario y tienen problemas en cuanto a la escala de los datos.

Por lo tanto, para demostrar la significancia estadística, un valor numérico de una escala de evaluación debe aumentar de forma estadísticamente significativa antes y después de la medicación o en comparación con un grupo de placebo. Cuanto mayor sea el valor de aumento previsto, menor será el número de sujetos objetivo y mayor será la probabilidad de alcanzar la significancia estadística.

En este caso, si el valor de aumento predicho es pequeño, el número de sujetos objetivo también aumenta, y la dificultad de la prueba estadística se incrementa.

Como resultado, es muy difícil aumentar un paso de la escala de evaluación de la enfermedad de Parkinson, por lo que hay un problema en que la posibilidad de pasar el ensayo clínico es muy baja.

En la presente divulgación, para resolver el problema descrito anteriormente, sólo los pacientes con la enfermedad de Parkinson a los que se dirige exactamente el nuevo medicamento se incluyen como sujetos de los ensayos clínicos para aumentar la probabilidad de éxito de los ensayos clínicos tanto como sea posible.

Uno de los factores de fracaso importantes en el procedimiento de desarrollo de un nuevo fármaco para el sistema nervioso central es la dificultad de cribar los sujetos correctos y el grupo de respuesta al fármaco.

Dado que la tasa de respuesta al placebo para los fármacos del sistema nervioso central es particularmente alta, una estrategia importante para aumentar la tasa de éxito es reducir la heterogeneidad del grupo de sujetos y establecer un biomarcador capaz de predecir la reactividad al fármaco.

Además, dado que se tarda mucho tiempo en confirmar la enfermedad de Parkinson (aproximadamente tres meses), es difícil realizar una prueba de cribado, por lo que existe el problema de que es muy difícil incluir sólo a los pacientes con enfermedad de Parkinson a los que se dirigen los nuevos medicamentos como sujetos de los ensayos clínicos.

Por lo tanto, el procedimiento de diagnóstico de la enfermedad de Parkinson usando inteligencia artificial propuesto por la presente divulgación puede ser utilizado para cribar un grupo de pacientes y un grupo normal para aumentar la probabilidad de éxito de los ensayos clínicos.

Refiriéndose a la FIG. 16, en primer lugar, se lleva a cabo el paso S1 de reclutamiento de un grupo de candidatos al experimento para un ensayo clínico que demuestre la eficacia de un fármaco.

A continuación, se lleva a cabo un paso S10 de adquisición de imágenes de una pluralidad de grupos de candidatos al experimento, un paso S12 de postprocesamiento de una imagen aplicando un algoritmo QSM a cada imagen, un paso S14 de clasificación de imágenes que incluyen una región del nigrosoma-1 utilizando el aprendizaje automático, un paso S16 de detección de la región del nigrosoma-1, y un paso S18 de diagnóstico de la presencia de la enfermedad de Parkinson con base en si la región del nigrosoma-1 es normal.

Los pasos S10 a S18 se han descrito anteriormente con referencia a las FIGS. 12 a 15 por lo que, para simplificar la especificación, se omitirá una descripción redundante.

A continuación, cuando se obtiene un resultado de diagnóstico a través del paso S18, se puede realizar un paso S50 de clasificación de la pluralidad de grupos de candidatos experimentales en un grupo de pacientes con enfermedad de Parkinson real y un grupo de pacientes normales con base en el resultado del diagnóstico.

En este caso, el paso S52 de realizar un ensayo clínico y el paso S54 de demostrar la eficacia de un fármaco con base en el resultado del ensayo clínico se realizan sólo en el sujeto clasificado como grupo de pacientes con la enfermedad de Parkinson real. Por lo tanto, sólo los pacientes con la enfermedad de Parkinson a los que se dirige exactamente el nuevo fármaco se incluyen como sujetos del ensayo clínico, de modo que la probabilidad de éxito del ensayo clínico puede aumentar.

Como resultado, el procedimiento de diagnóstico de la enfermedad de Parkinson usando inteligencia artificial de acuerdo con la presente divulgación puede ser utilizado para cribar un grupo de pacientes y un grupo normal para aumentar la probabilidad de éxito de los ensayos clínicos.

Los pasos S1 a S54 descritos anteriormente pueden ser realizados independientemente por el aparato 10 de diagnóstico de enfermedad de Parkinson o pueden ser aplicados proporcionando un servidor separado (no ilustrado) o un dispositivo de control central separado (no ilustrado) para realizar todas las operaciones junto con el aparato 10 de diagnóstico de enfermedad de Parkinson.

De acuerdo con el aparato y el procedimiento de diagnóstico de la enfermedad de Parkinson de la presente invención, sólo las imágenes que incluyen la región del nigrosoma-1 se clasifican a partir de la RMN y la región del nigrosoma-1 se analiza a partir de la imagen clasificada para diagnosticar la enfermedad de Parkinson.

Además, de acuerdo con la presente invención, se mejora la visibilidad de la región del nigrosoma-1 aplicando un protocolo de formación de imágenes ponderadas por mapa de susceptibilidad y un algoritmo de mapeo de susceptibilidad cuantitativa, y se diagnostica la enfermedad de Parkinson utilizando una imagen con una estructura de la sustancia negra visualizada, de modo que la enfermedad de Parkinson puede diagnosticarse con mayor precisión utilizando el equipo de RMN comúnmente suministrado y puede mejorarse la precisión del resultado del diagnóstico.

Además, de acuerdo con la presente divulgación, es posible detectar eficazmente una región del nigrosoma-1 detectando un núcleo rojo y una sustancia negra que se detectan más fácilmente en torno a ellos mediante el aprendizaje automático y detectando una imagen en un momento en que tanto el núcleo rojo como la sustancia negra están presentes y luego el núcleo rojo desaparece.

Además, de acuerdo con la presente divulgación, es posible tomar una decisión para un diagnóstico final sobre si un paciente es normal o tiene la enfermedad de Parkinson según la regla de la mayoría cuando se genera una pluralidad de modelos de aprendizaje utilizando el mismo conjunto de datos SET y se deriva un resultado de diagnóstico predictivo aplicando la pluralidad de modelos de aprendizaje y los resultados del diagnóstico entre la pluralidad de modelos de aprendizaje son diferentes.

Además, un resultado de los ensayos clínicos para la demostración de la eficacia del fármaco se determina mostrando una significancia estadística que indica si se logra un efecto esperado previsto para los participantes del ensayo clínico. Sin embargo, cuando se aplican el procedimiento y el aparato de diagnóstico de la enfermedad de Parkinson de acuerdo con la presente divulgación, sólo se incluyen como sujetos de ensayo clínico los pacientes de la enfermedad de Parkinson a los que se dirigen exactamente los nuevos fármacos, de modo que la probabilidad de éxito de los ensayos clínicos puede incrementarse tanto como sea posible.

Un objeto técnico que debe lograrse en la presente divulgación no se limita a los efectos antes mencionados, y otros efectos no mencionados serán obviamente comprendidos por los expertos en la técnica a partir de la descripción a continuación.

Las realizaciones ejemplares de la presente invención descritas anteriormente pueden implementarse a través de diversos procedimientos. Por ejemplo, las realizaciones ejemplares de la presente divulgación pueden implementarse mediante un hardware, un firmware, un software o una combinación de los mismos.

Cuando la realización ejemplar es implementada por el hardware, el procedimiento de acuerdo con la realización ejemplar de la presente divulgación puede ser implementado por uno o más de los circuitos integrados de aplicación específica (ASIC), procesadores de señales digitales (DSP), dispositivos de procesamiento de señales digitales (DSPD), dispositivos lógicos programables (PLD), matrices de compuertas programables en campo (FPGA), un procesador, un controlador, un microcontrolador, o un microprocesador.

Cuando la realización ejemplar es implementada por el firmware o el software, el procedimiento de acuerdo con la realización ejemplar de la presente divulgación puede ser implementado por un módulo, un procedimiento o una función que realiza una función u operaciones descritas anteriormente. El código de software se almacena en la unidad de memoria para ser manejado por el procesador. La unidad de memoria se encuentra dentro o fuera del procesador e intercambia datos con el procesador, mediante diversas unidades conocidas.

Como se ha descrito anteriormente, la descripción detallada de las realizaciones ejemplares preferidas de la presente invención divulgada se proporciona de forma que los expertos en la técnica implementen y lleven a cabo la presente invención. Aunque la invención se ha descrito con referencia a las realizaciones ejemplares preferidas, los expertos en la técnica entenderán que pueden realizarse diversos cambios y modificaciones de la presente invención sin apartarse del espíritu y el alcance de la misma. Por ejemplo, los expertos en la técnica pueden utilizar las configuraciones divulgadas en las realizaciones ejemplares descritas anteriormente combinándolas entre sí. Por lo tanto, la presente invención no pretende limitarse a las realizaciones ejemplares descritas anteriormente, sino asignarles el mayor alcance posible en consonancia con los principios divulgados y las características novedosas.

La presente invención puede implementarse en otra forma específica dentro del ámbito de aplicación sin apartarse de las características esenciales de la presente invención. Por lo tanto, la descripción detallada no debe analizarse de forma restrictiva en todos los aspectos y debe considerarse de forma ejemplar. El alcance de la presente invención debe determinarse mediante la interpretación racional de las reivindicaciones adjuntas y todos los cambios están incluidos en el alcance de la presente invención dentro del ámbito equivalente de la misma. La presente invención no pretende limitarse a las realizaciones ejemplares descritas anteriormente, sino asignar el mayor alcance posible de acuerdo con las reivindicaciones adjuntas.

Claims

REIVINDICACIONES

1. Un aparato de diagnóstico de la enfermedad de Parkinson con base en la inteligencia artificial, que comprende:

una unidad (20) de adquisición de imágenes que adquiere una primera imagen relacionada con una magnitud y una fase multieco de una RMN obtenida mediante la captura de un cerebro de un paciente;

una unidad (30) de procesamiento de imágenes que procesa la primera imagen adquirida para visualizar una región de la sustancia negra y del nigrosoma-1 que se utilizan como biomarcadores de imagen de la enfermedad de Parkinson;

una unidad (40) de análisis de imágenes que analiza la primera imagen procesada, que incluye una pluralidad de imágenes ponderadas por mapas de susceptibilidad cuantitativa, para clasificar aquellas imágenes ponderadas por mapas de susceptibilidad cuantitativa entre la pluralidad, que incluyen la región del nigrosoma-1, como una segunda imagen de la primera imagen y detecta la región del nigrosoma-1 a partir de la segunda imagen clasificada; y

una unidad (50) de diagnóstico que diagnostica si el paciente tiene la enfermedad de Parkinson analizando si la región del nigrosoma-1 detectada es normal,

en la que la unidad (30) de procesamiento de imágenes genera la pluralidad de imágenes ponderadas por mapa de susceptibilidad cuantitativa aplicando una máscara de mapa de susceptibilidad cuantitativa a la primera imagen con base en un algoritmo de mapeo de susceptibilidad cuantitativa para realizar el procesamiento, y

la unidad (30) de procesamiento de imágenes realiza además al menos una operación de ajuste de ángulos, ampliación de la imagen, y recortado, sobre las imágenes ponderadas por mapa de susceptibilidad cuantitativa generadas, caracterizado porque:

la unidad (40) de análisis de imágenes detecta un núcleo rojo y una sustancia negra presentes en la primera imagen procesada mediante aprendizaje automático y clasifica esas imágenes ponderadas por mapa de susceptibilidad cuantitativa entre la pluralidad, que incluyen la región del nigrosoma-1 como la segunda imagen de la primera imagen con base en la comprobación secuencial de las imágenes ponderadas por mapa de susceptibilidad cuantitativa a lo largo de la dirección del polo inferior del núcleo rojo y seleccionando una imagen de las mismas como la segunda imagen en un momento en que el núcleo rojo entre el núcleo rojo detectado y la sustancia negra desaparece de la primera imagen.

2. El aparato de diagnóstico de la enfermedad de Parkinson con base en inteligencia artificial de acuerdo con la reivindicación 1, en el que el ajuste del ángulo es una operación de corrección de una desalineación de la imagen ponderada por mapa de susceptibilidad cuantitativa generada con el fin de observar fácilmente la región del nigrosoma-1, la ampliación de la imagen es una operación de ampliación de una imagen relacionada con la región del nigrosoma-1, y el recortado es una operación de aumento del número de primeras imágenes generadas que incluyen la región del nigrosoma-1.

3. El aparato de diagnóstico de la enfermedad de Parkinson con base en inteligencia artificial de acuerdo con la reivindicación 1, en el que la unidad (40) de análisis de imágenes analiza una imagen dentro de un intervalo predeterminado de la imagen, en la primera imagen para clasificarla como la segunda imagen que incluye la región del nigrosoma-1.

4. El aparato de diagnóstico de la enfermedad de Parkinson con base en inteligencia artificial de acuerdo con la reivindicación 1, en el que la unidad (40) de análisis de imágenes clasifica la segunda imagen que incluye la región del nigrosoma-1 a partir de la primera imagen utilizando un procedimiento de detección de una etapa entre los procedimientos que utilizan una red neuronal de aprendizaje profundo de aprendizaje automático.

5. El aparato de diagnóstico de la enfermedad de Parkinson con base en inteligencia artificial de acuerdo con la reivindicación 4, en el que la unidad (40) de análisis de imágenes detecta un mapa de características que tiene una característica de una capa totalmente convolucional aplicando una red neuronal convolucional (CNN) a la primera imagen procesada, deriva conexiones entre escalas mediante la aplicación de una red de pirámide de características (FPN) al mapa de características, y ajusta una pérdida de clasificación, una pérdida de regresión de cuadro delimitador y una pérdida focal para un resultado de clasificación con base en las conexiones entre escalas, de acuerdo con un criterio predeterminado, para clasificar la segunda imagen incluyendo la región nigrosoma-1 de la primera imagen.

6. El aparato de diagnóstico de la enfermedad de Parkinson con base en inteligencia artificial de acuerdo con la reivindicación 1, en el que la unidad (50) de diagnóstico genera una pluralidad de modelos de aprendizaje para diagnosticar si se trata de la enfermedad de Parkinson, con base en el mismo conjunto de datos, deriva una pluralidad de resultados predictivos por la pluralidad de modelos de aprendizaje, con base en la región nigrosoma-1 detectada, y diagnostica si el paciente tiene la enfermedad de Parkinson con base en la pluralidad de resultados predictivos.

7. El aparato de diagnóstico de la enfermedad de Parkinson con base en inteligencia artificial de acuerdo con la reivindicación 6, en el que la unidad (50) de diagnóstico diagnostica si el paciente tiene la enfermedad de Parkinson con base en los resultados predictivos que ocupan la mayoría, aplicando la regla de la mayoría a la pluralidad de resultados predictivos por la pluralidad de modelos de aprendizaje, con base en la región del nigrosoma-1 detectada.

8. Un procedimiento que proporciona información para diagnosticar una enfermedad de Parkinson, comprendiendo el procedimiento:

un primer paso (S10) de adquisición de una primera imagen relacionada con una magnitud y una fase multieco de una RMN obtenida mediante la captura de un cerebro de un paciente, por una unidad (20) de adquisición de imágenes;

un segundo paso (S12) de procesamiento de la primera imagen adquirida, que incluye una pluralidad de imágenes ponderadas por mapas de susceptibilidad cuantitativa, para visualizar una región de una sustancia negra y un nigrosoma-1, utilizadas como biomarcadores de imagen de la enfermedad de Parkinson, por una unidad (30) de procesamiento de imágenes;

un tercer paso (S14) de análisis de la primera imagen procesada para clasificar aquellas imágenes ponderadas por mapa de susceptibilidad cuantitativa entre la pluralidad, que incluyen la región del nigrosoma-1, como una segunda imagen de la primera imagen, por una unidad (40) de análisis de imágenes;

un cuarto paso (S16) de detección de la región del nigrosoma-1 a partir de la segunda imagen clasificada, por la unidad (40) de análisis de imágenes; y

un quinto paso (S18) de proporcionar información sobre la región del nigrosoma-1 detectada a una unidad (50) de diagnóstico para diagnosticar si el paciente tiene la enfermedad de Parkinson,

en el que en el segundo paso (S12), la unidad (30) de procesamiento de imágenes genera la pluralidad de imágenes ponderadas por mapa de susceptibilidad cuantitativa aplicando una máscara de mapa de susceptibilidad cuantitativa a la primera imagen basada en un algoritmo de mapeo de susceptibilidad cuantitativa para realizar el procesamiento y

entre la segunda etapa (S12) y la tercera etapa (S14),

se proporciona además un 2,5-ésimo paso (S26, S27) de realizar además al menos una operación de ajuste de ángulo, ampliación de imagen y recortado, en la imagen de formación de imágenes ponderada por mapa de susceptibilidad generada, por la unidad (30) de procesamiento de imágenes, caracterizada por:

un 3-ésimo paso (S31) de detección de un núcleo rojo y una sustancia negra presentes en la primera imagen procesada mediante aprendizaje automático, por la unidad (40) de análisis de imágenes; y un 3-2-esimo paso (S32) que consiste en clasificar las imágenes ponderadas por mapa de susceptibilidad cuantitativa entre la pluralidad, que incluyen la región del nigrosoma-1, como la segunda imagen de la primera imagen, con base en la comprobación secuencial de las imágenes ponderadas por mapa de susceptibilidad cuantitativa a lo largo de la dirección del polo inferior del núcleo rojo y seleccionando una imagen de las mismas como la segunda imagen en un momento en que el núcleo rojo entre el núcleo rojo detectado y la sustancia negra desaparece de la primera imagen, por la unidad (40) de análisis de imágenes.

9. El procedimiento de suministro de información de acuerdo con la reivindicación 8, en el que en el 2,5-ésimo paso (S26, S27), el ajuste del ángulo es una operación de corrección de una desalineación de la imagen ponderada por mapa de susceptibilidad cuantitativa generada para observar fácilmente la región del nigrosoma-1, la ampliación de la imagen es una operación de ampliación de una imagen relacionada con la región del nigrosoma-1, y el recortado es una operación de aumento del número de primeras imágenes generadas que incluyen la región del nigrosoma-1.

10. El procedimiento de suministro de información de acuerdo con la reivindicación 8, en el que en el 3-2-ésimo paso (S32), la unidad (40) de análisis de imágenes analiza una imagen dentro de un intervalo predeterminado de la imagen, en la primera imagen para clasificar la segunda imagen incluyendo la región del nigrosoma-1.

11. El procedimiento de suministro de información de acuerdo con la reivindicación 8, en el que en el tercer paso (S14), la unidad (40) de análisis de imágenes clasifica la segunda imagen que incluye la región del nigrosoma-1 a partir de la primera imagen utilizando un procedimiento de detector de un paso entre los procedimientos que utilizan una red neuronal de aprendizaje profundo de aprendizaje automático.

12. El procedimiento de suministro de información de acuerdo con la reivindicación 11, en el que el tercer paso (S14) incluye:

un 3-1-ésimo paso de detección de un mapa de características que tiene una característica de una capa totalmente convolucional aplicando una red neuronal convolucional (CNN) a la primera imagen procesada, por la unidad (40) de análisis de imágenes;

un paso 3-2 de derivación de conexiones de escala cruzada aplicando una red de pirámide de características (FPN) al mapa de características, por la unidad (40) de análisis de imágenes; y

un 3-3-ésimo paso de ajuste de una pérdida de clasificación, una pérdida de regresión de cuadro delimitador y una pérdida focal para un resultado de clasificación con base en las conexiones de escala cruzada, de acuerdo con un criterio predeterminado, para clasificar la segunda imagen que incluye la región del nigrosoma-1, por la unidad (40) de análisis de imágenes.