ES2922073T3 - Aparato de diagnóstico de la enfermedad de Parkinson - Google Patents

Aparato de diagnóstico de la enfermedad de Parkinson Download PDF

Info

Publication number
ES2922073T3
ES2922073T3 ES19859966T ES19859966T ES2922073T3 ES 2922073 T3 ES2922073 T3 ES 2922073T3 ES 19859966 T ES19859966 T ES 19859966T ES 19859966 T ES19859966 T ES 19859966T ES 2922073 T3 ES2922073 T3 ES 2922073T3
Authority
ES
Spain
Prior art keywords
image
nigrosome
region
parkinson
disease
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
ES19859966T
Other languages
English (en)
Inventor
Dong Hoon Shin
Hwan Heo
Eung Yeop Kim
Young Hee Sung
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.)
Heuron Co Ltd
Original Assignee
Heuron 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 Heuron Co Ltd filed Critical Heuron Co Ltd
Application granted granted Critical
Publication of ES2922073T3 publication Critical patent/ES2922073T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • G01R33/50—NMR imaging systems based on the determination of relaxation times, e.g. T1 measurement by IR sequences; T2 measurement by multiple-echo sequences
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • 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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
    • G01R33/5615—Echo train techniques involving acquiring plural, differently encoded, echo signals after one RF excitation, e.g. using gradient refocusing in echo planar imaging [EPI], RF refocusing in rapid acquisition with relaxation enhancement [RARE] or using both RF and gradient refocusing in gradient and spin echo imaging [GRASE]
    • G01R33/5616—Echo train techniques involving acquiring plural, differently encoded, echo signals after one RF excitation, e.g. using gradient refocusing in echo planar imaging [EPI], RF refocusing in rapid acquisition with relaxation enhancement [RARE] or using both RF and gradient refocusing in gradient and spin echo imaging [GRASE] using gradient refocusing, e.g. EPI
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

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)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Neurology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Physiology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Neurosurgery (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Psychiatry (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Developmental Disabilities (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)

Abstract

Se divulgan el aparato y el método de diagnóstico de la enfermedad de Parkinson y una configuración que incluye una unidad de adquisición de imagen que adquiere una magnitud de eco múltiple y una imagen de fase de MRI obtenida capturando un cerebro de un paciente, una unidad de procesamiento de imágenes que solo se envía a los procesos de nigra sustancia y una región Nigrosome-1 propuesta como un biomarcador de imágenes de la enfermedad de Parkinson de la imagen adquirida a observar; Una unidad de análisis de imágenes que clasifica imágenes, incluida la región Nigrosome-1, analizando las imágenes procesadas y detecta la región Nigrosoma-1 de la imagen clasificada, y una unidad de diagnóstico que determina si la región nigrosoma-1 es normal en la imagen clasificada para diagnosticar La enfermedad de Parkinson se proporciona de modo que solo la imagen que incluye la región Nigrosome-1 se clasifica en la resonancia magnética y la región Nigrosoma-1 se analiza desde la imagen clasificada para diagnosticar la enfermedad de Parkinson. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN
Aparato de diagnóstico de la enfermedad de Parkinson
[Campo técnico]
La presente invención se refiere a un aparato de diagnóstico de la enfermedad de Parkinson y, más en particular, a un aparato de diagnóstico de la enfermedad de Parkinson que diagnostica la enfermedad de Parkinson mediante el análisis de generación de imágenes por resonancia magnética (en adelante, abreviado como 'MRI').
[Técnica antecedente]
El trastorno neurodegenerativo se refiere a una enfermedad que causa una función cerebral anormal ya que las células nerviosas mueren debido a algunas razones.
Los trastornos neurodegenerativos representativos normalmente incluyen la enfermedad de Alzheimer, enfermedad de Parkinson, raras veces la enfermedad de Lou Gehrig y similares.
Entre los trastornos neurodegenerativos, la enfermedad de Parkinson es un trastorno neurodegenerativo representativo por el cual se destruyen las células neurales y se acompaña de depresión y ansiedad junto con síntomas tal como rigidez, temblores en manos y pies y dificultad para caminar, por lo que la calidad de vida se ve muy degradada.
El trastorno neurodegenerativo se diagnostica mediante un método 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.
Hasta la actualidad, la tomografía por emisión de positrones (PET) con [18F]FP-CIT utilizando isótopos se ha utilizado como el método 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 método de prueba muy costoso y tiene un riesgo de exposición a la radiación.
Por lo tanto, se solicita desarrollar una tecnología para diagnosticar la enfermedad de Parkinson mediante la observación de una región del nigrosoma-1 utilizando MRI.
[Documento de arte relacionado]
(Documento de patente 1) Patente Coreana Registrada No. 10-1754291 (publicada el 6 de julio de 2017) (Documento de patente 2) Publicación de Solicitud de Patente Coreana no examinada No. 10-2016-0058812 (publicada el 25 de mayo de 2016)
(Documento diferente de patente 1) Sung-Min Gho, et al., "Susceptibility Map-Weighted Imaging (SMWI) for Neuroimaging", resonancia magnética en medicina 72: 337-346 (2014)
(Documento diferente de patente 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 (Documento diferente de patente 3) Christian Langkammer, et al., "Quantitative susceptibility mapping (QSM) as a means to measure brain iron? A post mortem validation study”, Neuroimage. 2012 septiembre; 62(3):1593-9. doi: 10.1016/j.neuroimage. 2012.05.049. Epub 201224 de mayo
(Documento diferente de patente 4) Sociedad Internacional de Resonancia Magnética en Medicina, ISMRM 2030 Addison Street, 7.° piso, Berkeley, CA 94704 EE. UU., No. 1249, 22 de abril de 2016
(Documento diferente de patente 5) Sociedad Internacional de Resonancia Magnética en Medicina, ISMRM 2030 Addison Street, 7.° piso, Berkeley, CA 94704 EE. UU., No. 3388, 22 de abril de 2016.
[Divulgación]
[Problema técnico]
Un objeto de la presente invención es resolver los problemas descritos anteriormente y proporcionar un aparato de diagnóstico de la enfermedad de Parkinson que diagnostique la enfermedad de Parkinson mediante el análisis de la MRI.
Otro objeto de la presente invención es proporcionar un aparato de diagnóstico de la enfermedad de Parkinson que diagnostica la enfermedad de Parkinson mediante el análisis de una región del nigrosoma-1 propuesta como un biomarcador de imagen para la enfermedad de Parkinson.
También se divulga en el presente documento un método de diagnóstico de la enfermedad de Parkinson que diagnostica la enfermedad de Parkinson mediante el análisis de una región de nigrosoma-1 propuesta como un biomarcador de imagen para la enfermedad de Parkinson.
[Solución técnica]
Para lograr los objetivos descritos anteriormente, el aparato de diagnóstico de la enfermedad de Parkinson de acuerdo con la presente invención incluye:
una unidad de adquisición de imagen que adquiere una imagen de magnitud y fase multieco a partir de una MRI obtenida mediante la captura del cerebro de un paciente;
una unidad de procesamiento de imagen que postprocesa la imagen adquirida para observar únicamente una sustancia negra y una región del nigrosoma-1 propuestas como biomarcadores de imagen de la enfermedad de Parkinson;
una unidad de análisis de imagen 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 de diagnóstico que diagnostica si el paciente tiene la enfermedad de Parkinson determinando si la región del nigrosoma-1 es normal en cada una de las imágenes clasificadas,
en donde la unidad de procesamiento de imagen aplica una máscara de mapa de susceptibilidad cuantitativa a la imagen adquirida en la unidad de adquisición de imagen basada en un algoritmo de mapeo de susceptibilidad cuantitativa para visualizar la región del nigrosoma-1, y
en donde la unidad de diagnóstico diagnostica si el paciente tiene la enfermedad de Parkinson analizando si la región del nigrosoma-1 detectada en la unidad de análisis es normal a través del aprendizaje automático.
Además, para lograr los objetivos descritos anteriormente, el aparato de diagnóstico de la enfermedad de Parkinson de acuerdo con la presente invención genera una imagen de imagen ponderada del mapa de susceptibilidad que incluye una región del nigrosoma-1 propuesta como un biomarcador de imagen de la enfermedad de Parkinson mediante la aplicación de un algoritmo de mapeo de susceptibilidad cuantitativo a una MRI capturada por un equipo de MRI y analiza la región del nigrosoma-1 de la imagen generada para diagnosticar la enfermedad de Parkinson. Los métodos de diagnóstico de la enfermedad de Parkinson no forman parte de la presente invención.
[Efectos ventajosos]
Como se ha descrito anteriormente, de acuerdo con el aparato de diagnóstico de la enfermedad de Parkinson de la presente invención, únicamente las imágenes que incluyen la región del nigrosoma-1 se clasifican de la MRI y se analiza la región del nigrosoma-1 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 mediante la aplicación de un protocolo de imágenes ponderadas por un mapa de susceptibilidad y un algoritmo de mapeo de susceptibilidad cuantitativo y la enfermedad de Parkinson se diagnostica utilizando una imagen con una estructura de sustancia negra visualizada de modo que la enfermedad de Parkinson se puede diagnosticar con mayor precisión utilizando el dispositivo de MRI comúnmente suministrado y se puede mejorar la precisión del resultado del diagnóstico.
[Descripción de los dibujos]
La FIG. 1 es una vista que ilustra una MRI que incluye una sustancia negra y una región del nigrosoma-1.
La FIG. 2 es un diagrama de bloques de un aparato de diagnóstico de la enfermedad de Parkinson de acuerdo con una realización de ejemplo de la presente invención.
La FIG. 3 es una vista para explicar el funcionamiento de una unidad de adquisición de imagen y una unidad de procesamiento de imagen.
Las FIGS. 4 y 5 son vistas para explicar el funcionamiento de una unidad de análisis de imagen.
La FIG. 6 es una vista para explicar el funcionamiento de una unidad de diagnóstico.
La FIG. 7 es una vista que ilustra un estado en el que se aplica un resultado de diagnóstico a una imagen de entrada. La FIG. 8 es un diagrama de flujo para explicar un método de diagnóstico de la enfermedad de Parkinson de acuerdo con un ejemplo paso a paso.
[Mejor modo]
A continuación, un aparato de diagnóstico de la enfermedad de Parkinson de acuerdo con una realización de ejemplo de la presente invención se describirá en detalle con referencia a los dibujos adjuntos.
En primer lugar, con referencia a la FIG. 1, se describirá un criterio de diagnóstico de la enfermedad de Parkinson mediante la observación de una región del nigrosoma-1 en una sustancia negra.
La FIG. 1 es una vista que ilustra una MRI que incluye una sustancia negra y una región del nigrosoma-1.
La FIG. 1A ilustra una placa de imagen, la FIG. 1B ilustra una imagen de una sustancia negra y una región del nigrosoma-1 de personas normales, y la FIG. 1C ilustra una imagen de una sustancia negra y una región del nigrosoma-1 de un paciente con enfermedad de Parkinson.
La región del nigrosoma-1 en la sustancia negra de las personas normales se ilustra en negro como se ilustra en la FIG. 1B y la región del nigrosoma-1 de un paciente con la enfermedad de Parkinson se ilustra relativamente grisácea como se ilustra en la FIG. 1C.
En consecuencia, de acuerdo con la presente invención, la enfermedad de Parkinson puede ser diagnosticada al observar una sombra de la región del nigrosoma-1 propuesta como un biomarcador de imagen para la enfermedad de Parkinson en la MRI.
Por ejemplo, de acuerdo con la presente invención, la visibilidad de la región del nigrosoma-1 se mejora mediante la aplicación de un protocolo de imágenes ponderadas de mapa de susceptibilidad (en adelante, abreviado como 'SMWI') y un algoritmo de mapeo de susceptibilidad cuantitativo (en adelante, abreviado como 'QSM') en el mismo 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 mesencéfalo que incluye una densa población de neuronas dopaminérgicas. Estas neuronas desaparecen progresivamente por la enfermedad de Parkinson idiopática (IPD) hasta causar discapacidad. Esta región muestra que los niveles de hierro se incrementan en el paciente con IPD en comparación con un grupo de control sano.
Recientemente, como un resultado de la visualización de una pequeña parte de la sustancia negra pars compacta conocida como el nigrosoma-1 en una imagen de contraste de susceptibilidad de alta resolución de un sujeto sano, el contraste del nigrosoma-1 y las regiones vecinas de la sustancia negra a su alrededor es causado por la diferencia en los niveles de hierro de modo que la diferencia de susceptibilidad de dos partes se reduzca significativamente en el paciente IPD.
La reducción en la susceptibilidad de dos partes, como se describió anteriormente, se ha utilizado como un biomarcador de imagen de la IPD.
Por lo tanto, la estructura del nigrosoma-1 se describió con éxito en MRI de 7T utilizando imágenes ponderadas en T2 de alta resolución (por ejemplo, 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 ponderada en T2 de alta resolución en 3D debido a una resolución espacial limitada y una relación señal/contraste a ruido (SNR/CNR) en una intensidad de campo magnético baja, tal como la MRI de 3T.
Esta limitación ha obstaculizado la fiabilidad y la aplicabilidad de la imagen del nigrosoma-1 en la MRI de 3T, a pesar de diversos estudios exitosos que demuestran la utilidad del enfoque.
Recientemente, para resolver el problema descrito anteriormente, se han propuesto nuevos métodos para proporcionar un contraste de susceptibilidad magnética mejorado.
Uno de los métodos consiste en acoplar imágenes de magnitud de eco de recuperación de gradiente multieco (en adelante, "GRE de multieco"), en lugar de utilizar una sola imagen de eco para mejorar la SNR, que tiene una precisión relativamente alta en el diagnóstico de IPD en MRI de 3T.
Una alternativa de la imagen de magnitud puede generar artefactos debido a la floración de imagen ponderada de susceptibilidad (SWI) que utiliza 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 una imagen de fase (o frecuencia) GRE y un 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 método que utiliza una máscara de ponderación de susceptibilidad derivada del QSM para la imagen de magnitud.
Este enfoque es similar al SWI, pero resuelve los artefactos de floración del SWI y mejora potencialmente 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 diferente de patente 1, se divulga una técnica SMWI de neuroimagen y en el Documento diferente de patente 2, se divulga una técnica de imagen del nigrosoma-1 en la sustancia negra utilizando SMWI multieco en MRI 3T. Además, en el Documento diferente de patente 3, se divulga una técnica QSM como medio para medir el hierro cerebral.
En el Documento diferente de patente 4, se divulga un aparato de diagnóstico de la enfermedad de Parkinson, que comprende una unidad de adquisición de imagen que adquiere una imagen de magnitud y fase multieco de una MRI obtenida mediante la captura del cerebro de un paciente; una unidad de procesamiento de imagen; una unidad de análisis de imagen que analiza la imagen procesada para clasificar una imagen, y una unidad de diagnóstico que diagnostica si el paciente tiene la enfermedad de Parkinson determinando si la región del nigrosoma-1 es normal en cada una de las imágenes clasificadas.
En el Documento diferente de patente 5, la imagen ponderada por mapa de susceptibilidad (SMWI), que es un método de imagen de susceptibilidad magnética que utiliza un mapa de susceptibilidad cuantitativo, se compara con MEDIC (una imagen GRE multieco que combina imágenes de magnitud a través de la suma de cuadrados).
Por lo tanto, de acuerdo con la presente invención, el aparato de diagnóstico de la enfermedad de Parkinson se basa 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.
La FIG. 2 es un diagrama de bloques de un aparato de diagnóstico de la enfermedad de Parkinson de acuerdo con una realización de ejemplo 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 de ejemplo de la presente invención incluye una unidad 20 de adquisición de imagen que adquiere una imagen de magnitud multieco y fase de una MRI obtenida mediante la captura de un cerebro de un paciente, una unidad 30 de procesamiento de imagen que postprocesa únicamente la sustancia negra y una región del nigrosoma-1 propuesta como biomarcadores de imagen de la enfermedad de Parkinson a partir de la imagen adquirida a ser observada, una unidad 40 de análisis de imagen que analiza la imagen procesada para clasificar una imagen que incluye el nigrosoma-1 y detecta la región del nigrosoma-1 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.
Una configuración de la unidad de adquisición de imagen y la unidad de procesamiento de imagen 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 imagen y una unidad de procesamiento de imagen. En la Fig. 3, se ilustra un proceso 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 imagen está conectada comunicativamente al equipo 21 MRI o a una base de datos (no ilustrada en el dibujo) que almacena y controla la MRI capturada por el equipo 21 MRI, como se ilustra en la FIG.
3, para adquirir una m Ri de un paciente para diagnosticar la enfermedad de Parkinson.
La unidad 30 de procesamiento de imagen, 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 imagen genera una imagen de magnitud que está acoplada al canal por una raíz cuadrada de una suma de cuadrados de la imagen de magnitud multicanal a partir 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 canales individuales (primer paso).
Además, la unidad 30 de procesamiento de imagen combina una sola imagen por una raíz cuadrada de una suma de un cuadrado de seis imágenes de magnitud de eco (segundo paso).
La unidad 30 de procesamiento de imagen 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 imagen elimina una región de fondo de una imagen de frecuencia utilizando la eliminación de fase de fondo armónico utilizando un método de operador laplaciano (cuarto paso).
Aquí, el QSM puede ser reconstruido utilizando una ecuación lineal dispersa mejorada y un método de mínimos cuadrados (iLSQR).
Por ejemplo, en el parámetro construido de iLSQR, una tolerancia es 0.01 (Tolerancia = 0.01), un valor de umbral D2 para la máscara de la región k incompleta, umbral es 0.1 (D2, umbral = 0.1).
A continuación, la unidad 30 de procesamiento de imagen procesa adicionalmente un resultado QSM para generar una máscara QSM (Smáscara) para un peso de contraste de susceptibilidad (quinto paso).
La máscara se puede generar utilizando la Ecuación 1.
Figure imgf000006_0001
Aquí, X es un valor de susceptibilidad cuantitativa (unidad ppm) calculado en el cuarto paso y Xth es un valor de umbral paramagnético. El valor del umbral puede ser determinado utilizando datos de imágenes del nigrosoma-1 para un CNR óptimo posterior.
Finalmente, la unidad 30 de procesamiento de imagen puede generar una imagen SMWI multiplicando una imagen de magnitud combinada multieco y la máscara QSM utilizando la siguiente Ecuación 2.
[Ecuación 2]
S M W l ( S m á s c a ra ) m X magnitud
Aquí, m es un número de multiplicaciones para el peso de susceptibilidad y mag es una imagen combinada de magnitud multieco del segundo paso.
A continuación, se describirá en detalle un funcionamiento de la unidad de análisis de imagen con referencia a las FIGS. 4 y 5.
Las FIGS. 4 y 5 son vistas para explicar el funcionamiento de una unidad de análisis de imagen. La FIG. 4 ilustra un proceso de clasificación de imágenes que incluyen una región del nigrosoma-1 y la FIG. 5 ilustra un proceso de detección de la región del nigrosoma-1 a partir de las imágenes clasificadas.
Como se ilustra en la FIG. 4, pueden ser adquiridas una pluralidad de imágenes SMWI por el proceso de postprocesamiento de la unidad 30 de procesamiento de imagen.
Generalmente, la MRI capturada para el diagnóstico de la enfermedad de Parkinson es de aproximadamente 40 a 70 hojas para un paciente y entre ellas, aproximadamente de 3 a 6 hojas incluyen la región del nigrosoma-1 utilizada para el diagnóstico de la enfermedad de Parkinson.
La unidad 40 de análisis de imagen analiza la imagen que incluye la región del nigrosoma-1 de la MRI completa a través del 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. 4.
Por ejemplo, la unidad 40 de análisis de imagen clasifica una región que incluye la región del nigrosoma-1 utilizando una red neuronal convolucional de región (en adelante, abreviada como 'RCNN') entre los métodos que utilizan una red neuronal de aprendizaje profundo del aprendizaje automático.
Es decir, la unidad 40 de análisis de imagen detecta un mapa de características de una imagen adquirida utilizando una red neuronal convolucional (en adelante, abreviada como 'CNN'), selecciona aproximadamente 2000 regiones de interés (Rol) en el mapa de características detectado utilizando una red de propuesta de región (en adelante, abreviada como 'RPN'), clasifica cada región de interés mediante la realización de CNN utilizando una máquina de vectores de soporte (SVM) configurada por una red neuronal para mejorar la precisión de la posición de la región de interés que se ingresará en la CNN después de cambiar el tamaño de las regiones de interés seleccionadas para que tengan el mismo tamaño, y luego procesa el resultado clasificado con una pérdida de clasificación y una pérdida de regresión de cuadro delimitador para ser finalmente minimizado únicamente a una imagen que incluya la región del nigrosoma-1.
La unidad 40 de análisis de imagen especifica una posición donde 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. 5.
A continuación, se describirá un funcionamiento de la unidad de diagnóstico con referencia a las FIGS. 6 y 7.
La FIG. 6 es una vista para explicar el funcionamiento de una unidad de diagnóstico y la FIG. 7 es una vista que ilustra un estado en el que se aplica un resultado de diagnóstico a una imagen de entrada.
La unidad 50 de diagnóstico analiza si la región del nigrosoma-1 detectada por la unidad 40 de análisis de imagen es normal a través del aprendizaje automático para diagnosticar la enfermedad de Parkinson, como se ilustra en la FIG.
6.
Por ejemplo, se puede aplicar un resultado de diagnóstico como se ilustra en las FIGS. 7E a 7H de acuerdo con un resultado de diagnosticar si se trata de una enfermedad de Parkinson a partir de la imagen de entrada de las FIGS.
7A a 7D.
A continuación, se describirá en detalle un método de diagnóstico de la enfermedad de Parkinson de acuerdo con un ejemplo con referencia a la FIG. 8.
La FIG. 8 es un diagrama de flujo para explicar un método de diagnóstico de la enfermedad de Parkinson de acuerdo con un ejemplo paso a paso.
En el paso S10 de la FIG. 8, la unidad 20 de adquisición de imagen adquiere una pluralidad de MRI de un paciente para diagnosticar la enfermedad de Parkinson a través de la comunicación con el equipo 21 de MRI o la base de datos. Aquí, la unidad 20 de adquisición de imagen 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 MRI de 3T.
En el paso S12, la unidad 30 de procesamiento de imagen 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 S41, la unidad 40 de análisis de imagen analiza la imagen que incluye la región del nigrosoma-1 de la MRI completa a través del aprendizaje automático para clasificar una imagen que incluye la región del nigrosoma-1 y una imagen que no incluye la región del nigrosoma-1.
Además, la unidad 40 de análisis de imagen especifica una posición donde se incluye la región del nigrosoma-1, de cada imagen que incluye la región del nigrosoma-1 clasificada por el aprendizaje automático y detecta la región (S16) del nigrosoma-1 especificada.
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 imagen es normal para diagnosticar la enfermedad de Parkinson.
Basándose en los procesos descritos anteriormente, la presente invención puede clasificar únicamente imágenes que incluyen la región del nigrosoma-1 de la MRI y analizar la región del nigrosoma-1 de la imagen clasificada para diagnosticar la enfermedad de Parkinson.
[Aplicabilidad industrial]
La presente invención se aplica al aparato de diagnóstico de la enfermedad de Parkinson que diagnostica la enfermedad de Parkinson clasificando únicamente una imagen que incluye una región del nigrosoma-1 en la MRI y analizando la región del nigrosoma-1 de la imagen clasificada.

Claims (3)

REIVINDICACIONES
1. Un aparato (10) de diagnóstico de la enfermedad de Parkinson, que comprende:
una unidad (20) de adquisición de imagen que adquiere una imagen de magnitud y fase multieco de una MRI obtenida mediante la captura de un cerebro de un paciente;
una unidad (30) de procesamiento de imagen que postprocesa la imagen adquirida para observar únicamente una sustancia negra y una región del nigrosoma-1 propuestas como biomarcadores de imagen de la enfermedad de Parkinson;
una unidad (40) de análisis de imagen 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 diagnostica si el paciente tiene la enfermedad de Parkinson determinando si la región del nigrosoma-1 es normal en cada una de las imágenes clasificadas,
en donde la unidad (30) de procesamiento de imagen aplica una máscara de mapa de susceptibilidad cuantitativa a la imagen adquirida en la unidad (20) de adquisición de imagen basándose en un algoritmo de mapeo de susceptibilidad cuantitativo para visualizar la región del nigrosoma-1, y
en donde la unidad (50) de diagnóstico diagnostica si el paciente tiene la enfermedad de Parkinson analizando si la región del nigrosoma-1 detectada en la unidad de análisis es normal a través del aprendizaje automático.
2. El aparato (10) de diagnóstico de la enfermedad de Parkinson de acuerdo con la reivindicación 1, en donde la unidad (30) de procesamiento de imagen genera una imagen de imagen ponderada del mapa de susceptibilidad aplicando la máscara del mapa de susceptibilidad cuantitativa a la imagen de magnitud y fase multieco en la imagen adquirida en la unidad (20) de adquisición de imagen para realizar el postprocesamiento.
3. El aparato (10) de diagnóstico de la enfermedad de Parkinson de acuerdo con la reivindicación 2, en donde se genera la máscara del mapa de susceptibilidad cuantitativa para la ponderación en comparación con la susceptibilidad.
ES19859966T 2018-09-10 2019-09-05 Aparato de diagnóstico de la enfermedad de Parkinson Active ES2922073T3 (es)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180107998A KR102131687B1 (ko) 2018-09-10 2018-09-10 파킨슨 병 진단 장치 및 방법
PCT/KR2019/011462 WO2020055039A1 (ko) 2018-09-10 2019-09-05 파킨슨 병 진단 장치 및 방법

Publications (1)

Publication Number Publication Date
ES2922073T3 true ES2922073T3 (es) 2022-09-07

Family

ID=69776641

Family Applications (1)

Application Number Title Priority Date Filing Date
ES19859966T Active ES2922073T3 (es) 2018-09-10 2019-09-05 Aparato de diagnóstico de la enfermedad de Parkinson

Country Status (7)

Country Link
US (1) US11016160B2 (es)
EP (1) EP3677170B1 (es)
JP (1) JP6840898B2 (es)
KR (1) KR102131687B1 (es)
CN (1) CN111212600B (es)
ES (1) ES2922073T3 (es)
WO (1) WO2020055039A1 (es)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11580626B1 (en) * 2019-02-19 2023-02-14 Kenneth L. Weiss Computer apparatus and methods for generating color composite images from multi-echo chemical shift-encoded MRI
KR102097738B1 (ko) * 2020-03-03 2020-04-06 주식회사 휴런 인공지능 기반 파킨슨 병 진단 장치 및 방법
KR102613530B1 (ko) * 2021-03-26 2023-12-13 울산과학기술원 흑질의 세분화된 영역을 기초로 파킨슨 병을 진단하는 방법 및 장치
KR102639267B1 (ko) 2021-12-17 2024-02-22 울산과학기술원 딥러닝을 이용한 진행성 핵상 마비를 판단하는 방법 및 장치
US20240090822A1 (en) * 2022-09-14 2024-03-21 Penny MacDonald Diagnosis,staging and prognosis of neurodegenerative disorders using mri

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19736125A1 (de) 1997-08-20 1999-02-25 Hoechst Schering Agrevo Gmbh Verfahren zur Herstellung von Glufosinate und phosphorhaltige alpha-Aminonitrile als Zwischenprodukte
US7613495B2 (en) 2000-11-30 2009-11-03 Advanced Mri Technologies, Llc MRI detection and staging of Parkinson's disease and detection of progressive supranuclear palsy
WO2010052731A1 (en) * 2008-11-07 2010-05-14 Department Of Biotechnology A ready automated screening, diagnosis & classification technique for alzheimer's disease using magnetic resonance imaging signal from ventricular zone contour of brain
JP2012521244A (ja) 2009-03-25 2012-09-13 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ Ｒ２及びｒ２＊マッピングのための細胞内及び細胞外のｓｐｉｏ試薬の定量化
US8966701B2 (en) * 2012-06-14 2015-03-03 Joseph Dellecave Sole wipe
US9285449B2 (en) * 2011-06-15 2016-03-15 Chunlei Liu Systems and methods for imaging and quantifying tissue magnetism with magnetic resonance imaging
KR20140049137A (ko) * 2012-10-12 2014-04-25 삼성전자주식회사 의료영상 분석장치 및 방법
CN105705098A (zh) 2013-09-20 2016-06-22 透壁生物技术公司 用于诊断疾病的图像分析技术
JP2015116319A (ja) * 2013-12-18 2015-06-25 パナソニックＩｐマネジメント株式会社 診断支援装置、診断支援方法、および診断支援プログラム
KR20160012758A (ko) 2014-07-25 2016-02-03 삼성전자주식회사 영상 진단 보조 장치 및 방법
JP6716196B2 (ja) 2015-01-20 2020-07-01 株式会社島津製作所 Ｘ線装置
WO2018106713A1 (en) * 2016-12-06 2018-06-14 Darmiyan, Inc. Methods and systems for identifying brain disorders
KR101754291B1 (ko) 2017-04-04 2017-07-06 이현섭 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법
CN108186133B (zh) * 2017-12-05 2020-12-01 广东省实验动物监测所 非人灵长类动物脑黑质区的定位方法
CN108229066A (zh) * 2018-02-07 2018-06-29 北京航空航天大学 一种基于多模态超连接脑网络建模的帕金森自动识别方法
EP3766042A4 (en) * 2018-03-14 2021-11-24 Emory University SYSTEMS AND METHODS FOR GENERATING BIOMARKERS BASED ON MULTIVARIATER MRI AND MULTIMODALITY CLASSIFICATORS FOR DIAGNOSING DISORDERS

Also Published As

Publication number Publication date
KR20200029313A (ko) 2020-03-18
JP2020534972A (ja) 2020-12-03
CN111212600B (zh) 2021-05-28
JP6840898B2 (ja) 2021-03-10
US20200264253A1 (en) 2020-08-20
EP3677170B1 (en) 2022-06-15
CN111212600A (zh) 2020-05-29
EP3677170A1 (en) 2020-07-08
US11016160B2 (en) 2021-05-25
KR102131687B1 (ko) 2020-07-08
WO2020055039A1 (ko) 2020-03-19
EP3677170A4 (en) 2020-11-11

Similar Documents

Publication Publication Date Title
ES2922073T3 (es) Aparato de diagnóstico de la enfermedad de Parkinson
ES2906220T3 (es) Aparato y procedimiento de diagnóstico de la enfermedad de Parkinson con base en la inteligencia artificial (IA)
Finn et al. Layer-dependent activity in human prefrontal cortex during working memory
Waehnert et al. A subject-specific framework for in vivo myeloarchitectonic analysis using high resolution quantitative MRI
Fujimoto et al. Quantitative comparison of cortical surface reconstructions from MP2RAGE and multi-echo MPRAGE data at 3 and 7 T
KR102144721B1 (ko) 파킨슨병이 존재하는 환자군을 선별하여 임상시험 성공 확률을 높이는 방법
KR102144719B1 (ko) 복수의 학습 모델에 의한 다중 예측 결과를 이용하는 인공지능 기반 파킨슨 병 진단 장치 및 방법
Mizuguchi et al. Structural connectivity prior to whole-body sensorimotor skill learning associates with changes in resting state functional connectivity
Mårtensson et al. Spatial analysis of diffusion tensor tractography statistics along the inferior fronto-occipital fasciculus with application in progressive supranuclear palsy
KR102144720B1 (ko) 기계 학습을 통해 분류된 나이그로좀 1 영역과 복수의 학습 모델에 의한 다중 예측 결과를 이용하는 인공지능 기반 파킨슨 병 진단을 위한 정보제공 방법
Massire et al. Anterior fissure, central canal, posterior septum and more: New insights into the cervical spinal cord gray and white matter regional organization using T1 mapping at 7T
KR102122073B1 (ko) 기계 학습을 통해 검출된 나이그로좀 1 영역을 기초로 파킨슨 병을 진단하는 장치 및 방법
US11439315B2 (en) MRI T1W and T2W combined features for detecting neurodegeneration
KR102144718B1 (ko) 기계 학습을 통해 분류된 나이그로좀 1 영역을 이용하는 인공지능 기반 파킨슨 병 진단 장치 및 방법
KR102097044B1 (ko) 파킨슨 병 진단을 위한 정보제공 방법
Ellingson et al. Gray and white matter delineation in the human spinal cord using diffusion tensor imaging and fuzzy logic
US11272843B2 (en) Automatic identification of subjects at risk of multiple sclerosis
KR102293945B1 (ko) 플로우 포화 펄스를 사용하여 뉴로멜라닌 콘트라스트 정보를 획득할 수 있는 장치 및 방법
Oliveira et al. Analysis of multiple sclerosis DTI images that uses tract based spatial statistics
Ontaneda et al. Magnetic Resonance Fingerprinting: A New Window into Multiple Sclerosis
Tayebi et al. Integration of diffusion tensor imaging parameters with mesh morphing for in-depth analysis of brain white matter fibre tracts
Liu et al. Three-dimensional fiber orientation mapping of the human brain at micrometer resolution
Zhang et al. Anti-motion Ultrafast T2 Mapping Technique for Quantitative Detection of the Normal-Appearing Corticospinal Tract Changes in Subacute-Chronic Stroke Patients with Distal Lesions
Łabieniec et al. Visualization of human optic nerve and tract by diffusion tensor mapping and degree of neuropathy
Wang et al. Three-dimensional fiber orientation mapping of the human brain at micrometer resolution