JP2022002073A - 脳組織病変分布予測方法、その装置及びそのコンピュータプログラム - Google Patents

Abstract

【課題】脳組織病変分布予測方法、その装置及びそのコンピュータプログラムを提供する。【解決手段】複数の既患者の脳映像データを利用し、対象者の脳組織病変分布を予測する予測モデルを学習させるモデル学習段階と、対象者の脳映像データから入力データを獲得する入力獲得段階と、入力データを、予測モデルに入力する入力段階と、予測モデルを利用し、対象者に対する再開通治療後の病変分布に係わる情報を含む出力映像データを生成する出力段階と、を含み、該予測モデルは、複数の既患者のうち、再開通治療に成功した患者の脳映像データを利用して学習される成功予測モデル、及び複数の既患者のうち、再開通治療に失敗した患者の脳映像データを利用して学習される失敗予測モデルを含む脳組織病変分布予測方法である。【選択図】図５

Description

本発明は、脳梗塞患者の脳組織病変の分布を予測する方法、その装置及びそのコンピュータプログラムに関する。

脳梗塞は、脳の血管が詰まり、脳の一部細胞が死滅する疾病である。脳梗塞は、脳血管の動脈硬化のような血管疾患または心房細動（ａｔｒｉａｌ ｆｉｂｒｉｌｌａｔｉｏｎ）などにより、心臓で発生した血栓（ｃａｒｄｉｏｅｍｂｏｌｉｃ ｃｌｏｔ）が脳に移動して脳血管が詰まって発生する。脳血管が詰まりながら、脳組織に送られる血液の供給が遮断されて詰まった血管によって血液を供給された脳組織に貫流（ｐｅｒｆｕｓｉｏｎ）障害が生じ、該部位は、経時的に梗塞され、意識障害や身体マヒのような神経学的症状が示される。

脳梗塞が発病した場合、詰まった血管を早期に再開通させ、脳組織が完全に梗塞に陥る前に脳血流を回復させる方式の治療がなされる。貫流障害が発生した部位に再開通（ｒｅｃａｎａｌｉｚａｔｉｏｎ）を行うか否かということが、予後に最大の影響を及ぼす要素である。しかしながら、全ての脳梗塞患者において貫流障害が観察されるものではなく、貫流障害の程度と位置とにより、再開通後、脳梗塞患者の予後に違いが出る。脳梗塞後、再開通を行う場合、脳卒中後、予後を好転させるが（非特許文献１）、再開通時の好転いかんは、ＰＷＩ（ｐｅｒｆｕｓｉｏｎ ｗｅｉｇｈｔｅｄ ｉｍａｇｅ）病変及びＤＷＩ（ｄｉｆｆｕｓｉｏｎ ｗｅｉｇｈｔｅｄ ｉｍａｇｅ）病変のパターンによって違いがあると知られている（非特許文献２）。すなわち、貫流強調映像（ＰＷＩ）において、広範囲な貫流障害を示す一方、拡散強調映像（ＤＷＩ）において、小さい脳梗塞が観察されるとき、再開通に対する治療効果が大きく、そのような脳梗塞が起きていない貫流障害部位、すなわち、辺縁部位（ｐｅｎｕｍｂｒａ ｚｏｎｅ）の体積を測定し、治療効果を予測する試みがあった。実際、そのような辺縁部位は、再開通治療の標的になる映像所見である。

しかしながら、これまで、分析方法は、単純な映像分析を介した主観的な分析法であるか、あるいは手動分析により、寸時を争う急性期脳卒中患者の診療環境においては、活用度が低いという限界を有している。従って、迅速であって容易でありながらも、病変部位の特性（位置や侵犯程度）を、同時に客観的に測定して提示することができる新たな技法の開発が必要である。

Ｃｈｅｎ ｅｔ ａｌ．， Ｓｔｒｏｋｅ ２０１７； ４８： ２７３９−４５ Ｌａｎｓｂｅｒｇ ｅｔ ａｌ．， Ｌａｎｃｅｔ Ｎｅｕｒｏｌ ２０１２； １１： ８６０−７

本発明が解決しようとする課題は、脳梗塞患者に対し、再開通治療の成功時及び失敗時の脳組織損傷度を、機械学習モデルを利用して予測及び映像化することにより、最終脳組織損傷分布を比較予測し、それに基づいた治療方針を選択することができる予後予測装置、その方法及びそのコンピュータプログラムを提供することである。

本発明の一実施形態による脳組織病変分布予測方法は、複数の既患者の脳映像データを利用し、対象者の脳組織病変分布を予測する予測モデルを学習させるモデル学習段階と、前記対象者の脳映像データから入力データを獲得する入力獲得段階と、前記入力データを、前記予測モデルに入力する入力段階と、前記予測モデルを利用し、前記対象者に対する再開通治療後の前記病変分布に係わる情報を含む出力映像データを生成する出力段階と、を含み、前記予測モデルは、複数の既患者のうち、再開通治療に成功した患者らの脳映像データを利用して学習される成功予測モデル、及び前記複数の既患者のうち、再開通治療に失敗した患者らの脳映像データを利用して学習される失敗予測モデルを含む。

前記モデル学習段階は、複数の既患者それぞれの互いに異なる種類の脳映像データを整合する映像整合段階と、前記脳映像データから変形データを計算し、前記病変部位に対応する関心領域を選択する段階と、前記関心領域に対し、ボクセル別に病変該当いかんにより、既設定の値にラベリングする段階と、前記関心領域に対し、ボクセル別に、前記変形データを抽出し、学習用入力データを獲得する学習用入力獲得段階と、を含んでもよい。

前記映像整合段階で整合される脳映像データは、治療前に獲得された第１拡散強調映像（ＤＷＩ）データ、治療前の貫流強調映像（ＰＷＩ）データ、及び治療後に獲得された第２拡散強調映像（ＤＷＩ）データを含んでもよい。

前記計算して選択する段階は、前記第１拡散強調映像（ＤＷＩ）データから、見掛け拡散係数（ＡＤＣ：ａｐｐａｒｅｎｔ ｄｉｆｆｕｓｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔ）を計算する段階と、前記治療前の貫流強調映像（ＰＷＩ）データから、ｒＴＴＰ（ｒｅｌａｔｉｖｅ ｔｉｍｅ ｔｏ ｐｅａｋ）を計算し、ｒＴＴＰマップを獲得する段階と、前記第１拡散強調映像（ＤＷＩ）データ、前記治療前の貫流強調映像（ＰＷＩ）データ及び前記第２拡散強調映像（ＤＷＩ）データから、関心領域を選択する段階と、を含んでもよい。

前記モデル学習段階は、前記脳映像データから、正常部位に対応する対称領域を選択する段階と、前記対称領域に対し、ボクセル別に、前記変形データを抽出し、学習用入力データを獲得する段階と、をさらに含み、前記対称領域は、第１拡散強調映像（ＤＷＩ）データ、治療前の貫流強調映像（ＰＷＩ）データについても選択される。

前記出力段階は、前記入力データを、前記失敗予測モデルに入力し、前記対象者に対する再開通治療失敗後の病変分布に係わる情報を含む第１出力映像データを生成する第１出力段階と、前記入力データを、前記成功予測モデルに入力し、前記対象者に対する再開通治療成功後の病変分布に係わる情報を含む第２出力映像データを生成する第２出力段階と、を含んでもよい。

前記出力段階は、前記第１出力映像データ及び前記第２出力映像データを比較し、再開通治療いかんを決定する段階をさらに含んでもよい。

本発明の一実施形態による対象者の治療後の脳組織病変分布を予測する装置において、前記装置は、制御部及び出力部を含み、前記制御部は、複数の既患者の脳映像データを利用し、対象者の脳組織病変分布を予測する予測モデルを学習させて、期対象者の脳映像データから入力データを獲得し、前記入力データを、前記予測モデルに入力し、前記出力部は、前記予測モデルを利用し、前記対象者に対する再開通治療後の前記病変分布に係わる情報を含む出力映像データを生成し、前記予測モデルは、複数の既患者のうち、再開通治療に成功した患者らの脳映像データを利用して学習される成功予測モデル、及び前記複数の既患者のうち、再開通治療に失敗した患者らの脳映像データを利用して学習される失敗予測モデルを含む。

前記制御部は、複数の既患者それぞれの互いに異なる種類の脳映像データを整合し、前記脳映像データから変形データを計算し、前記病変部位に対応する関心領域を選択し、前記関心領域に対し、ボクセル別に病変該当いかんにより、既設定の値にラベリングし、前記関心領域に対し、ボクセル別に、前記変形データを抽出し、学習用入力データを獲得することができる。

整合される前記脳映像データは、治療前に獲得された第１拡散強調映像（ＤＷＩ）データ、治療前の貫流強調映像（ＰＷＩ）データ、及び治療後に獲得された第２拡散強調映像（ＤＷＩ）データを含んでもよい。

前記制御部は、前記第１拡散強調映像（ＤＷＩ）データから、見掛け拡散係数（ＡＤＣ）を計算し、前記治療前の貫流強調映像（ＰＷＩ）データから、ｒＴＴＰを計算し、ｒＴＴＰマップを獲得し、前記第１拡散強調映像（ＤＷＩ）データ、前記治療前の貫流強調映像（ＰＷＩ）データ及び前記第２拡散強調映像（ＤＷＩ）データから、関心領域を選択することができる。

前記制御部は、前記脳映像データから、正常部位に対応する対称領域を選択し、前記対称領域に対し、ボクセル別に、前記変形データを抽出し、学習用入力データを獲得し、前記対称領域は、第１拡散強調映像（ＤＷＩ）データ、治療前の貫流強調映像（ＰＷＩ）データについても選択される。

前記出力部は、前記失敗予測モデルに入力された前記入力データに基づき、前記対象者に対する再開通治療失敗後の病変分布に係わる情報を含む第１出力映像データを生成し、前記成功予測モデルに入力された前記入力データに基づき、前記対象者に対する再開通治療成功後の病変分布に係わる情報を含む第２出力映像データを生成することができる。

前記出力部は、前記第１出力映像データ及び前記第２出力映像データを比較し、前記対象者に対する再開通治療いかんを決定することができる。

前述の本開示の病変分布予測方法は、コンピュータを利用して実行されるように、コンピュータプログラムとして媒体にも保存される。

［発明の効果］
本発明の実施形態によれば、治療前後の脳映像データを基に、成功予測モデル及び失敗予測モデルを別個に学習させ、２つの予測モデルを利用し、対象者の治療前データから、治療に成功したり失敗したりした場合、病変分布及びその容量を比較予測することにより、治療方針を決定する基準を提供することができる。
それにより、対象者に対する脳梗塞治療の成功率及び安全性を高めることができる。
また、実際治療成功／失敗事例データで学習された予測モデルを介し、映像データだけでも、正確であって直観的な病変分布及びその容量に係わる予測情報を提供することができる。対象者（患者）または保護者に、治療方針決定について視覚的な情報／根拠を介して診断することができるという利点がある。

本発明の一実施形態による病変分布予測装置の構成を概略的に図示したブロック図である。 本発明の一実施形態による制御部の構成を図示したブロック図である。 本発明の一実施形態による病変分布予測方法を示したフローチャートである。 本発明の一実施形態による病変分布予測方法の一段階をさらに具体的に示したフローチャートである。 本発明の一実施形態による病変分布予測方法の入出力段階について説明するための概念図である。 本発明の一実施形態によるｒＴＴＰマップを生成する方法について説明するための概念図である。 本発明の一実施形態によるデータ前処理段階について説明するための概念図である。 本発明の一実施形態による予測モデルを利用した複数の対象者の病変分布予測結果について説明するための図面である。 本発明の一実施形態による病変分布予測方法の統計的有意性について説明するためのグラフである。 本発明の一実施形態による、成功予測モデル及び失敗予測モデルの予測特性について説明するためのグラフである。 本発明の一実施形態による病変分布予測方法による臨床的予後スコア結果分布について説明するための図面である。

本発明は、多様な変換を加えることができ、さまざまな実施形態を有することができるが、特定実施形態を図面に例示し、詳細な説明によって詳細に説明する。本発明の効果、特徴、及びそれらを達成する方法は、図面と共に詳細に後述されている実施形態を参照すれば、明確になるであろう。しかし、本発明は、以下で開示される実施形態に限定されるものではなく、多様な形態にも具現される。

本開示の一部実施形態は、機能的なブロック構成、及び多様な処理段階によっても示される。そのような機能ブロックの一部または全部は、特定機能を遂行する多様な個数のハードウェア構成及び／またはソフトウェア構成によっても具現される。例えば、本開示の機能ブロックは、１以上のマイクロプロセッサによって具現されるか、あるいは所定機能のための回路構成によっても具現される。また、例えば、本開示の機能ブロックは、多様なプログラミング言語またはスクリプティング言語によっても具現される。該機能ブロックは、１以上のプロセッサで実行されるアルゴリズムによってお具現される。また、本開示は、電子的な環境設定、信号処理及び／またはデータ処理などのために、従来技術を採用することができる。「メカニズム」、「要素」、「手段」及び「構成」のような用語は、汎用され、機械的であって物理的な構成として限定されるものではない。

また、図面に図示された構成要素間の連結線または連結部材は、機能的な連結、及び／または物理的または回路的な連結を例示的に示したものであるのみである。実際装置においては、代替可能であったり追加されたりする多様な機能的連結、物理的連結または回路的連結により、構成要素間の連結が示されうる。

以下の実施形態において、第１、第２のような用語は、限定的な意味ではなく、１つの構成要素を他の構成要素と区別する目的に使用された。以下の実施形態において、単数の表現は、文脈上明白に異なって意味しない限り、複数の表現を含む。以下の実施形態において、「含む」または「有する」というような用語は、明細書上に記載された特徴または構成要素が存在するということを意味するものであり、１以上の他の特徴または構成要素が付加される可能性をあらかじめ排除するものではない。
ある実施形態が異なって具現可能である場合、特定段階は、説明される順序と異なるようにも遂行される。例えば、連続して説明される２つの段階は、実質的に同時にお遂行され、説明される順序と反対の順序にも遂行される。

本明細書において用語「脳映像」は、直間接的な方法を介し、脳の内部構造及び／または機能を視覚化させた映像を意味し、磁気共鳴映像（ＭＲＩ：ｍａｇｎｅｔｉｃ ｒｅｓｏｎａｎｃｅ ｉｍａｇｅ）、電算化断層撮影（ＣＴ：ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ）映像、陽電子断層撮影（ＰＥＴ：ｐｏｓｉｔｒｏｎ ｅｍｉｓｓｉｏｎ ｔｏｍｏｇｒａｐｈｙ）映像、単一光子断層撮影（ＳＰＥＣＴ：ｓｉｎｇｌｅ ｐｈｏｔｏｎ ｅｍｉｓｓｉｏｎ ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ）映像などを含んでもよい。本明細書において用語「磁気共鳴映像（ＭＲＩ）」は、磁場を使用し、体内構造物の映像または写真を生成する診断技術、及びそれを介して得られた映像を意味する。

本明細書において「拡散強調映像（ＤＷＩ）」とは、組織内水陽子の不規則な運動、すなわち、拡散速度を測定する技法を介して得られた映像データであり、一般的に、脳血管閉塞による脳梗塞または病変（ｌｅｓｉｏｎ）を早期に測定することができる映像処理方式である。そのような信号変化の検出を介し、脳組織損傷部位、損傷体積のような多様な虚血性脳組織損傷を映像化することができる。このとき、拡散速度は、傾斜磁場の強度を示すｂ値（ｂ−ｖａｌｕｅ）によって定められる。

本明細書において「貫流強調映像（ＰＷＩ）」とは、造影剤の初回通過間、１〜２秒の時間解像度で、１〜２分間連続して脳映像のさまざまなフレームを得る技法で獲得された映像を意味する。該貫流強調映像は、主に、信号低減方法を利用した血流映像である躍動的磁化率造影映像（ＤＳＣ：ｄｙｎａｍｉｃ ｓｕｓｃｅｐｔｉｂｉｌｉｔｙ ｃｏｎｔｒａｓｔ）技法が使われる。該ＤＳＣ映像は、造影剤が周辺の磁化率の差を大きくし、Ｔ２、Ｔ２＊を変化させるので、Ｔ２，Ｔ２＊強調映像として得る方式である。脳血管が詰まり、虚血がある脳組織の場合、造影剤が組織に供給が良好になされず、初回通過時、正常脳組織よりＭＲＩ映像が明るく、磁気共鳴映像信号が最小化される時点が、正常脳組織より遅延される特性がある。

本明細書において用語「ボクセル（ｖｏｘｅｌ）」は、三次元空間の正規格子単位を意味し、二次元平面の映像においては、ピクセル（ｐｉｘｅｌ）を意味する。
以下、添付された図面を参照し、本発明の実施形態について詳細に説明するが、図面を参照して説明するとき、同一であるか、あるいは対応する構成要素は、同一図面符号を付し、それに係わる重複説明は、省略する。

図１は、本発明の一実施形態による病変分布予測装置１０の構成を概略的に図示したブロック図であり、図２は、本発明の一実施形態による制御部の構成を図示したブロック図である。

本開示の病変分布予測装置１０（以下、「予測装置１０」ともする）は、対象者の治療前脳映像データを受信されてそれを加工し、対象者の脳組織病変治療後の分布を予測して出力する装置である。このとき、予測装置１０は、予測モデルを利用し、前述の出力段階を遂行することもできる。

予測装置１０は、制御部１００及び出力部２００を含んでもよい。予測装置１０は、図１に図示された構成要素以外に、他の汎用的な構成要素をさらに含んでもよい。

制御部１００は、プロセッサのようにデータを処理することができる全ての種類の装置を含んでもよい。制御部１００は、プロセッサを利用し、予測装置１０を全般的に制御する動作を遂行することができる。ここで、「プロセッサ」は、例えば、プログラム内に含まれたコードまたは命令によって表現された機能を遂行するために、物理的に構造化された回路を有する、ハードウェアに内蔵されたデータ処理装置を意味する。そのように、ハードウェアに内蔵されたデータ処理装置の一例として、マイクロプロセッサ（ｍｉｃｒｏｐｒｏｃｅｓｓｏｒ）、中央処理装置（ＣＰＵ：ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、プロセッサコア（ｐｒｏｃｅｓｓｏｒ ｃｏｒｅ）、マルチプロセッサ（ｍｕｌｔｉｐｒｏｃｅｓｓｏｒ）、ＡＳＩＣ（ａｐｐｌｉｃａｔｉｏｎ−ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）、ＦＰＧＡ（ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）のような処理装置を網羅することができるが、本発明の範囲は、それらに限定されるものではない。

図２を参照すれば、制御部１００は、データ学習部１１０及びデータ認識部１２０を含んでもよい。

データ学習部１１０は、複数の既患者の脳映像データを利用し、対象者の脳組織病変分布を予測する基準を学習することができる。データ学習部１１０を介し、本開示の予測モデルを学習させることができる。既患者とは、脳梗塞患者、脳卒中患者であり、予測モデルに学習用入力データを提供するデータ提供者を意味する。対象者は、既患者と同様に、脳血管の動脈硬化症による血栓、及び心臓に由来する塞栓による脳血管の閉塞による脳梗塞患者でもあるが、対象者は、必ずしもそれに限定されるものではない。該対象者は、本開示の病変分布予測装置１０または方法を介し、脳組織病変分布予測情報を提供されるテスト患者を意味する。

本開示の予測モデルは、複数の既患者のうち、再開通（ｒｅｃａｎａｌｉｚａｔｉｏｎ）治療に成功した患者の脳映像データを利用して学習される成功予測モデル（ＳＲ：ｓｕｃｃｅｓｓｆｕｌ ｒｅｃａｎａｌｉｚａｔｉｏｎ）、及び複数の既患者のうち、再開通治療に失敗した患者の脳映像データを利用して学習される失敗予測モデル（ＵＲ：ｕｎｓｕｃｃｅｓｓｆｕｌ ｒｅｃａｎａｌｉｚａｔｉｏｎ）を含む。２つの予測モデル（ＳＲ，ＵＲ）を利用した病変分布予測方法については、後述する図５において、さらに詳細に説明する。

該予測モデルは、多種の機械学習（ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ）技法によって生成されたものでもある。該予測モデルは、人工神経網（ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）を基盤とするモデルでもあるが、該人工神経網のネットワーク構造は、本発明を限定するものではない。

データ学習部１１０は、データ入力部１１１、データ前処理部１１２、学習データ選択部１１３、モデル学習部１１４及びモデル評価部１１５を含んでもよい。

データ入力部１１１は、外部の脳映像撮影装置、または既保存の医療データベース（ＤＢ）から、脳映像データ、例えば、磁気共鳴映像（ＭＲＩ）データを受信することができる。本開示において、該脳映像データは、拡散強調映像（ＤＷＩ）、貫流強調映像（ＰＷＩ）を含んでもよい。

データ前処理部１１２は、対象者の脳組織病変分布を予測するための学習／トレーニングに入力されたデータが利用されうるように、入力されたデータを前処理（ｐｒｅ−ｐｒｏｃｅｓｓｉｎｇ）することができる。データ前処理部１１２は、後述するモデル学習部１１４が、病変分布を予測するための学習のために入力されたデータを利用するように、入力されたデータを既設定のフォーマットに加工することができる。データ前処理部１１２は、入力された脳映像から、学習用入力データを選択／生成する作業を遂行することができる。

さらに具体的には、データ前処理部１１２（以下、「前処理部１１２」ともする）は、後述する動作を遂行することができる。

前処理部１１２は、複数の既患者それぞれの互いに異なる種類の脳映像データを整合（ｃｏ−ｒｅｇｉｓｔｅｒ）することができる。該脳映像データは、磁気共鳴映像（ＭＲＩ）データを含んでもよい。該磁気共鳴映像データは、拡散強調映像（ＤＷＩ）データ、貫流強調映像（ＰＷＩ）データ、液体減衰逆転回復（ＦＬＡＩＲ：ｆｌｕｉｄ ａｔｔｅｎｕａｔｅｄ ｉｎｖｅｒｓｉｏｎ ｒｅｃｏｖｅｒｙ）映像データ、磁化率強調映像（ＳＷＩ：ｓｕｓｃｅｐｔｉｂｉｌｉｔｙ ｗｅｉｇｈｔｅｄ ｉｍａｇｉｎｇ）データ、Ｔ１強調（Ｔ１−ｗｅｉｇｈｔｅｄ）映像データ、Ｔ２強調（Ｔ２−ｗｅｉｇｈｔｅｄ）映像データを含んでもよいが、該磁気共鳴映像データの種類は、それらに制限されるものではない。

本開示において、整合される前記脳映像データは、治療前に獲得された第１拡散強調映像（ＤＷＩ）、治療前の貫流強調映像（ＰＷＩ）、及び治療後に獲得された第２拡散強調映像（ＤＷＩ）を含んでもよい。

予測装置１０は、外部の磁気共鳴映像装置、または既保存の医療データベース（ＤＢ）から、磁気共鳴映像データを受信することができるが、本発明は、それに制限されるものではない。

前処理部１１２は、脳映像データから変形データを計算することができる。前記変形データは、ＤＷＩデータを加工して得られた見掛け拡散係数（ＡＤＣ：ａｐｐａｒｅｎｔ ｄｉｆｆｕｓｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔ）、ＰＷＩデータを加工して得られたＴＴＰ（ｔｉｍｅ ｔｏ ｐｅａｋ）及びｒＴＴＰ（ｒｅｌａｔｉｖｅ ｔｉｍｅ ｔｏ ｐｅａｋ）を含んでもよいが、それらに限定されるものではない。該変形データについては、後述する図６においてさらに詳細に説明する。

さらに具体的には、前処理部１１２は、第１拡散強調映像（ＤＷＩ）データからＡＤＣを計算し、治療前の貫流強調映像（ＰＷＩ）データから、ｒＴＴＰを計算し、ｒＴＴＰマップを獲得することができる。前処理部１１２は、第２拡散強調映像（ＤＷＩ）データから、関心領域ＬＳ（図７）を選択することができる。該関心領域ＬＳは、データ提供者または対象者脳の病変に対応する領域でもある。

前処理部１１２は、データ提供者または対象者脳の病変部位に対応する関心領域ＬＳ（図７）、及び正常部位に対応する対称領域Ｃ＿ＬＳ（図７）を選択することができる。このとき、関心領域ＬＳは、第１中心ボクセル、及び前記第１中心ボクセル周辺の第１周辺ボクセルを含み、対称領域Ｃ＿ＬＳは、第２中心ボクセル、及び前記第２中心ボクセル周辺の第２周辺ボクセルを含んでもよい。

関心領域ＬＳ内及び対称領域Ｃ＿ＬＳ内で分割されるボクセルそれぞれにつき、最終的に病変に該当するか否かということが決定されうる。すなわち、関心領域ＬＳ内においても、病変非該当に決定されるボクセルもあり、対称領域Ｃ＿ＬＳ内においても、病変該当に決定されるボクセルもある。

前処理部１１２は、関心領域に対し、ボクセルｖ別に、病変該当いかんにより、既設定の値にラベリングすることができる。前処理部１１２は、関心領域及び対称領域に対し、ボクセル別に前述の変形データを抽出し、学習用入力データを獲得することができる。前処理部１１２の動作については、後述する図７において、さらに詳細に説明する。

学習データ選択部１１３は、前処理された学習用入力データのうち、学習に必要なデータを選択することができる。選択されたデータは、モデル学習部１１４にも提供される。学習データ選択部１１３は、既設定基準により、前処理されたデータのうち、学習に必要なデータを選択することができる。学習データ選択部１１３は、後述するモデル学習部１１４による学習により、既設定基準により、データを選択することもできる。

モデル学習部１１４は、前述の「予測モデル」に対応しうる構成要素として、学習データに基づき、対象者の病変分布をいかに予測するかということに係わる基準を学習することができる。特に、本開示において、該予測モデルは、成功予測モデル及び失敗予測モデルを含むので、モデル学習部１１４は、成功／失敗予測モデルそれぞれに係わる基準を学習することができる。また、モデル学習部１１４は、病変分布を予測するために、いかなる学習データを利用しなければならないか、すなわち、学習用入力データ選択に係わる基準を学習することもできる。

また、モデル学習部１１４は、病変分布を予測するのに利用されるデータ認識モデルを、学習データを利用して学習させることができる。この場合、該データ認識モデルは、あらかじめ構築されたモデルでもある。該データ認識モデルが学習されれば、モデル学習部１１４は、学習されたデータ認識モデルを、データ認識部１２０を含む電子装置のメモリに保存することができる。または、モデル学習部１１４は、学習されたデータ認識モデルを、電子装置と有線ネットワークまたは無線ネットワークで連結されるサーバのメモリに保存することもできる。

モデル評価部１１５は、データ認識モデルに評価データを入力し、評価データから出力される認識結果が所定基準を満足することができない場合、モデル学習部１１４にさらに学習させることができる。その場合、該評価データは、データ認識モデルを評価するための既設定データでもある。

データ認識部１２０は、対象者の入力データに基づき、対象者の脳組織病変分布を予測することができる。データ認識部１２０は、学習された予測モデルを利用し、対象者の治療前病変分布に係わる情報を含む脳映像データから、治療後病変分布を予測することができる。データ認識部１２０は、学習による既設定基準により、入力データを獲得し、それを予測モデルに入力し、病変分布を予測することができる。前記「既設定基準」とは、データ学習部１１０において、複数の既患者の脳映像データに対して遂行するデータ処理に係わるアルゴリズムでもある。すなわち、病変分布を予測する対象者の脳映像データについても、予測モデルの学習に利用された複数の既患者の脳映像データに対するデータの選択段階、生成段階または前処理段階が同一であったり、類似したりして適用されうる。また、データ認識部１２０を介して獲得されたデータを入力値にし、データ認識モデルによって出力された結果値は、データ認識モデルの更新にも利用される。

データ認識部１２０は、データ入力部１２１、データ前処理部１２２、認識データ選択部１２３、出力提供部１２４及びモデル更新部１２５を含んでもよい。

データ入力部１２１には、病変分布予測に必要なデータとして、対象者の治療前脳映像データが入力されうる。前処理部１２２は、入力されたデータが利用されるように受信したデータを前処理することができる。前処理部１２２は、後述する出力提供部１２４が病変分布を予測するために入力されたデータを利用するように、入力されたデータを、既設定のフォーマットに加工することができる。

前処理部１２２は、前述のデータ学習部１１０の前処理部１１２と同一アルゴリズムでもって、対象者の脳映像データを前処理することができる。前処理部１２２は、対象者の脳映像データに対し、後述する段階を遂行し、具体的な内容は、前述のデータ学習部１１０の前処理部１１２に係わる説明を参照することができる。

前処理部１２２は、対象者の互いに異なる種類の脳映像データを整合し、前記脳映像データは、第１ ＤＷＩデータ、治療前ＰＷＩデータ、及び治療後（例えば、治療後７日経過時）データである第２ ＤＷＩデータを含んでもよい。前処理部１２２は、前記脳映像データから変形データを計算し、病変領域に該当する関心領域を選択することができる。前処理部１２２は、前記関心領域に対し、ボクセル別に、病変該当いかんにより、既設定の値にラベリングし、前記関心領域及び前記対称領域に対し、ボクセル別に、変形データを抽出し、学習用入力データを獲得することができる。

前述の前処理部１２２の動作については、後述する図６ないし図８において、さらに詳細に説明する。

認識データ選択部１２３は、前処理されたデータのうち、病変分布予測に必要なデータを選択することができる。選択されたデータは、出力提供部１２４にも提供される。認識データ選択部１２３は、病変分布予測のための既設定基準により、前処理されたデータのうち、一部または全部を選択することができる。また、認識データ選択部１２３は、モデル学習部１１４による学習によって既設定の基準により、データを選択することもできる。

出力提供部１２４は、選択されたデータを、データ認識モデルに適用し、対象者の治療後病変分布を予測することができる。出力提供部１２４は、データの認識目的による認識結果を提供することができる。出力提供部１２４は、認識データ選択部１２３によって選択されたデータを、入力値として利用することにより、選択されたデータを、データ認識モデルに適用することができる。また、認識結果は、データ認識モデルによっても決定される。

モデル更新部１２５は、出力提供部１２４によって提供される認識結果に係わる評価に基づき、データ認識モデルが更新されるようにする。例えば、モデル更新部１２５は、出力提供部１２４によって提供される認識結果を、モデル学習部１１４に提供することにより、モデル学習部１１４がデータ認識モデルを更新するようにする。

データ学習部１１０及びデータ認識部１２０のうち少なくとも一つは、少なくとも１つのハードウェアチップ状に作製され、電子装置に搭載されうる。例えば、データ学習部１１０及びデータ認識部１２０のうち少なくとも一つは、人工知能（ＡＩ：ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ）のための専用ハードウェアチップ状にも作製され、または、既存の汎用プロセッサ（例：ＣＰＵまたはＡＰ（ａｐｐｌｉｃａｔｉｏｎ ｐｒｏｃｅｓｓｏｒ））またはグラフィック専用プロセッサ（例：ＧＰＵ）の一部に作製され、前述の各種電子装置にも搭載される。

一方、データ認識部１２０内のデータ入力部１２１、前処理部１２２、認識データ選択部１２３、出力提供部１２４及びモデル更新部１２５のうち少なくとも一つは、少なくとも１つのハードウェアチップ状に作製され、電子装置にも搭載される。例えば、データ入力部１２１、前処理部１２２、認識データ選択部１２３、出力提供部１２４及びモデル更新部１２５のうち少なくとも一つは、人工知能（ＡＩ）のための専用ハードウェアチップ状にも作製され、または既存の汎用プロセッサ（例：ＣＰＵまたはＡＰ）またはグラフィック専用プロセッサ（例：ＧＰＵ）の一部にも作製され、前述の各種電子装置にも搭載される。

その場合、データ学習部１１０及びデータ認識部１２０は、１つの電子装置にも搭載され、または別個の電子装置にもそれぞれ搭載される。例えば、データ学習部１１０及びデータ認識部１２０のうち一つは、電子装置に含まれ、残り一つは、サーバにも含まれる。また、データ学習部１１０及びデータ認識部１２０は、有線または無線を介し、データ学習部１１０が構築したモデル情報を、データ認識部１２０に提供することもで、データ認識部１２０に入力されたデータが、追加学習データとして、データ学習部１１０にも提供される。

出力部２００は、予測装置１０で処理される情報を表示または出力することができる。出力部２００は、脳映像データを入力されるためのユーザインターフェース、及び病変分布予測結果（出力映像データ）などをディスプレイするディスプレイ部を含んでもよい。ユーザは、出力部２００に示された病変分布予測結果を参照し、対象者に対する再開通治療いかんなどの治療法を決定することができる。

具体的には、出力部２００は、予測モデルを利用し、対象者に対する再開通治療後の病変分布に係わる情報を含む出力映像データを生成することができる。前記出力映像データは、データ認識部１２０の出力提供部１２４によって生成されたものであり、出力部２００は、出力提供部１２４からデータを受信して出力することができる。

出力部２００は、成功予測モデルを介し、第１出力映像データを生成し、失敗予測モデルを介し、第２出力映像データを生成することができる。前記第１出力映像データは、対象者に対する再開通治療成功後の病変分布に係わる情報を含み、前記第２出力映像データは、対象者に対する再開通治療失敗後の病変分布に係わる情報を含んでもよい。

出力部２００は、前記第１出力映像及び前記第２出力映像データを相互比較し、対象者に対する再開通治療いかんなどの治療方針を決定することができる。

図３は、本発明の一実施形態による病変分布予測方法を示したフローチャートである。一実施形態による病変分布予測方法（以下、「予測方法」ともする）は、モデル学習段階（Ｓ１００）、入力獲得段階（Ｓ２００）、入力段階（Ｓ３００）及び出力段階（Ｓ４００）を含む。

複数の既患者の脳映像データを利用し、対象者の脳組織病変分布を予測する予測モデルを学習させるモデル学習段階（Ｓ１００）が遂行されうる。Ｓ１００段階は、予測装置１０の制御部１００、そのうちでも、データ学習部１１０によっても遂行される。本開示の予測モデルは、データ提供者または対象者に対する再開通治療の成功いかんによって区分される成功予測モデルＳＲ及び失敗予測モデルＵＲを含んでもよい。前記２つの予測モデル（ＳＲ，ＵＲ）については、後述する図５ないし図８において、さらに詳細に説明する。

Ｓ１００段階については、後述する図４において、さらに詳細に説明する。

前記対象者の脳映像データから、入力データを獲得する入力獲得段階（Ｓ２００）が遂行されうる。Ｓ２００段階は、制御部１００のデータ認識部１２０によっても遂行される。具体的には、Ｓ２００段階は、データ認識部１２０のデータ入力部１２１、前処理部１２２及び認識データ選択部１２３のうち少なくとも一つによっても遂行される。

入力データを予測モデルに入力する入力段階（Ｓ３００）が遂行されうる。このとき、予測モデルに入力される入力データは、データ入力部１２１が受信した対象者の治療前脳映像データに対し、前処理部１２２がデータ前処理を行い、認識データ選択部１２３が最終的に選択したデータでもある。該入力データについては、前述の「学習用入力データ」に係わるデータ処理アルゴリズムが同一にも適用される。前記予測モデルは、データ学習部１１０のモデル学習部１１４に対応する構成要素でもある。

該予測モデルを利用し、対象者に対する治療後の病変分布に係わる情報を含む出力映像データを生成する出力段階（Ｓ４００）が遂行されうる。前記治療は、再開通治療でもある。Ｓ４００段階は、制御部１００及び出力部２００によっても遂行される。具体的には、モデル学習部１１４によって学習された予測モデルを利用し、データ認識部１２０の出力提供部１２４を介し、前記出力映像データが生成され、出力部２００を介し、前記出力映像データがディスプレイされうる。

Ｓ４００段階は、入力データを成功予測モデルに入力し、対象者に対する再開通治療成功後の病変分布に係わる情報を含む第１出力映像データを生成する第１出力段階、及び前記入力データを失敗予測モデルに入力し、対象者に対する再開通治療失敗後の病変分布に係わる情報を含む第２出力映像データを生成する第２出力段階を含んでもよい。

Ｓ４００段階は、前記第１出力映像データ及び前記第２出力映像データを相互比較し、対象者に対する再開通治療いかんのような治療方針を決定する段階をさらに含んでもよい。

図４は、本発明の一実施形態による病変分布予測方法のモデル学習段階（Ｓ１００）をさらに具体的に示したフローチャートである。Ｓ１００段階は、後述する段階を含んでもよい。

複数の既患者それぞれの互いに異なる種類の脳映像データを整合する映像整合段階（Ｓ１１０）が遂行されうる。前記映像整合段階で整合される互いに異なる種類の脳映像データは、治療前に獲得された第１拡散強調映像（ＤＷＩ）データ、治療前の貫流強調映像（ＰＷＩ）データ、及び治療後に獲得された第２拡散強調映像（ＤＷＩ）データを含んでもよい。

その後、前記脳映像データから変形データを計算し、関心領域を選択する段階（Ｓ１２０）が遂行されうる。脳映像データの種類別に計算される変形データは、異なり、具体的には、治療前ＤＷＩデータからは、ＡＤＣを計算し、ＰＷＩデータからは、ＴＴＰまたはｒＴＴＰを計算することができる。治療前ＤＷＩデータ、治療前ＰＷＩデータからは、関心領域及び対称領域を選択し、治療後ＤＷＩデータについては、関心領域を選択することができる。

その後、前記関心領域に対し、ボクセル別に、病変該当いかんにより、既設定の値（例えば、０または１）にラベリングするラベリング段階（Ｓ１３０）が遂行されうる。前記ラベリング段階は、第２ ＤＷＩデータについても遂行される。

その後、前記関心領域及び前記対称領域に対し、ボクセル別に、前記変形データを出し、学習用入力データを獲得する学習用入力獲得段階（Ｓ１４０）が遂行されうる。

前述のＳ１１０，Ｓ１２０，Ｓ１３０，Ｓ１４０段階は、データ認識部１１０で遂行され、さらに具体的には、データ前処理部１１２においても遂行される。一実施形態により、映像整合段階（Ｓ１１０）は、データ入力部１１１においても遂行される。

図５は、本発明の一実施形態による病変分布予測方法の入出力段階について説明するための概念図である。

本開示の予測モデルは、成功予測モデルＳＲ及び失敗予測モデルＵＲを含む。複数の既患者の治療前及び治療後の脳映像データを利用しても、予測モデル（ＳＲ，ＵＲ）それぞれを学習させることができる。各予測モデル（ＵＲ，ＳＲ）ブロックにおいて、左側が治療前脳映像データであり、右側が治療後脳映像データである。本開示の病変分布予測方法のモデル学習段階（Ｓ１００）は、失敗予測モデルＵＲを学習させる段階（Ｓ１００−１）、及び成功予測モデルＳＲを学習させる段階（Ｓ１００−２）を含んでもよい。
血管再開通いかんを決定するための尺度として使用される指標として、ｍＴＩＣＩ（ｍｏｄｉｆｉｅｄ ｔｒｅａｔｍｅｎｔ ｉｎ ｃｅｒｅｂｒａｌ ｉｎｆａｒｃｔｉｏｎ）指標がある。ｍＴＩＣＩ指標は、順次に、０、１、２ａ、２ｂ、３の値を有することができる。本開示の成功予測モデルＳＲは、ｍＴＩＣＩ指標が、２ｂ、３（ｍＴＩＣＩ≧２ｂ）である既患者のデータを基に学習され、失敗予測モデルＵＲは、ｍＴＩＣＩ指標が、０、１、２ａ（ｍＴＩＣＩ≦２ａ）である既患者のデータを基にも学習されうる。

本開示の予測装置１０の制御部１００は、病変分布を予測する対象者の治療前脳映像データを受信することができる。該治療前脳映像データにつき、前述の予測モデルを利用した病変分布予測にも活用されるようにデータ前処理され、入力データが獲得される段階（Ｓ２００）が遂行されうる。

前記加工された入力データは、成功／失敗予測モデル（ＳＲ，ＵＲ）それぞれに入力され（Ｓ３００−１，Ｓ３００−２，Ｓ３００段階）、入力された各モデルを介し、対象者の病変分布を予測することができる。

予測装置１０の出力部２００を介し、出力映像データＯ１，Ｏ２が出力され、対象者の脳組織病変分布を予測することができる。このとき、実際治療成功／失敗ケースを基に、機械学習された予測モデルを利用し、出力を、映像データ形態で出力することにより、ユーザ（対象者または検査者など）に、正確であって直観的な予測情報を提供することができる利点がある。

出力部２００は、対象者の入力データが失敗予測モデルＵＲに入力された場合、対象者に対する再開通治療の失敗時に予測される病変分布に係わる情報を含む第１出力映像データＯ１を出力することができる。出力部２００は、対象者の入力データが成功予測モデルＳＲに入力された場合、再開通治療の成功時に予測される病変分布に係わる情報を含む第２出力映像データＯ２を出力することができる。出力映像データＯ１，Ｏ２を介し、梗塞成長（Ｉｎｆａｒｃｔ ｇｒｏｗｔｈ）程度位及びその結果を予測することができる。

図６は、本発明の一実施形態によるｒＴＴＰマップを生成する方法について説明するための概念図である。

図６の左上端には、データ提供者の治療前ＰＷＩ映像データの各フレームが図示されている。まず、図６（ａ）グラフのように、ＰＷＩ映像データの各フレーム（時間別フレームでもある）ごとの各ボクセルｖに対し、磁気共鳴映像信号強度（ＭＲ信号強度（ＭＲ ｓｉｇｎａｌ ｉｎｔｅｎｓｉｔｙ））を求める。その後、図６（ｂ）グラフのように、ＭＲ信号強度を造影剤濃度（ｃｏｎｔｒａｓｔ ａｇｅｎｔ ｃｏｎｃｅｎｔｒａｔｉｏｎ）に変換し、図６（ｂ）の濃度グラフ上において、各ボクセルｖ別にＴＴＰを計算し、ＴＴＰマップを獲得することができる。該ＴＴＰは、造影剤の濃度が最大になる時間を意味する。このとき、ＭＲ信号強度を造影剤濃度に変換する公式は、以下［数式１］の通りである。
［数１］
Ｃ（ｔ）＝−１／（ｒ_２・ＴＥ）・ｌｏｇ（Ｓ（ｔ）／Ｓ_０）

前記数式１で、Ｃ（ｔ）は、造影剤濃度、ｒ_２は、Ｔ２ ｒｅｌａｘｉｖｉｔｙ、ＴＥは、エコー時間、Ｓ（ｔ）は、磁気共鳴映像信号強度、Ｓ-_０は、磁気共鳴映像信号強度の初期値を意味する。左辺の造影剤濃度Ｃ（ｔ）が最大になる時点において、ＴＴＰ値が決定されうる。

その後、ＴＴＰマップから、病変ではない正常部位（図６においては、右脳領域）（ｃｏｎｔｒａｌａｔｅｒａｌ ｒｅｇｉｏｎ）に対し、各ボクセル別に、ＴＴＰ値の中央値（ｍｅｄｉａｎ）を計算した後、前記中央値を病変部位のＴＴＰ値から差し引けば、ｒＴＴＰマップを獲得することができる。ｒＴＴＰ（相対的最大到達時間）とは、ＰＷＩ映像において、造影剤濃度が最大になる、すなわち、磁気共鳴映像信号が最小になる時間を意味するデータであり、正常部位対比で、病変部位での造影剤の最大到達時間の相対的差を提示することができる。（ｘ，ｙ）座標値を有するボクセルに対し、前述のｒＴＴＰを求める過程を数式で表現すれば、以下の［数式２］の通りである。
［数２］
ｒＴＴＰ（ｘ，ｙ）＝ＴＴＰ（ｘ，ｙ）−ｍｅｄｉａｎ（正常部位のＴＴＰ）

図７は、本発明の一実施形態によるデータ前処理段階であり、予測モデルを機械学習させるための入力データを獲得する方法について説明するための概念図である。
図７を参照すれば、本開示の病変分布予測に使用される脳映像データとして、第１ ＤＷＩデータ（治療前ＤＷＩデータ）、治療前ＰＷＩデータ及び第２ ＤＷＩデータ（治療後ＤＷＩデータ）が図示されている。

図７の中央に図示された治療前ＰＷＩデータから、ｒＴＴＰを計算する方法については、図６に係わる部分で説明した。

第１ ＤＷＩデータからＡＤＣが計算されうる。該ＡＤＣは、脳組織において、病変または細胞死による水分子拡散程度、すなわち、水分子拡散の制限程度を判別しうる指標である。該ＡＤＣは、互いに異なるｂ値を有するＤＷＩ映像の信号強度変化を示す。

まず、第１ ＤＷＩデータに対し、病変部位に対応する関心領域ＬＳ、及び正常部位に対応する対称領域Ｃ＿ＬＳが選択されうる。このとき、関心領域ＬＳ内のボクセルは、第１中心ボクセルｖ１及び第１周辺ボクセルｖ１＿ｎを含んでもよい。第１周辺ボクセルｖ１＿ｎは、第１中心ボクセルｖ１を基準に、５×５×３領域内においても選択されるが、それに限定されるものではない。同様に、対称領域Ｃ＿ＬＳ内のボクセルは、第２中心ボクセルｖ２及び第２周辺ボクセルｖ２＿ｎを含んでもよい。第２周辺ボクセルｖ２＿ｎは、第２中心ボクセルｖ２を基準に、５×５×３領域内においても選択されるが、それに限定されるものではない。

関心領域ＬＳ及び対称領域Ｃ＿ＬＳの各ボクセル別に、ＡＤＣ値及びｒＴＴＰ値を計算し、各値の統計的情報を抽出（ｖｏｘｅｌ−ｗｉｓｅ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ）することができる。

第２ ＤＷＩデータからは、関心領域ＬＳ内の当該ボクセルが、最終脳損傷病変に該当するか否かということを判断することができる。すなわち、ボクセル別に、病変該当いかんにより、既設定の値にもラベリングされる。前記既設定の値は、０または１でもあり、例えば、当該ボクセルが病変に該当すれば（ｉｎｆａｒｃｔ）、１、病変に該当しなければ（ｎｏ ｉｎｆａｒｃｔ）、０の値にラベリングすることができる。このとき、関心領域ＬＳ内においても、病変非該当に決定され、０の値にラベリングされるボクセルもあり、対称領域Ｃ＿ＬＳ内においても、病変該当に決定され、１の値にラベリングされるボクセルもある。ただし、初級性脳梗塞患者の場合、一側の脳にだけ病変の発生する確率が高いので、大体関心領域ＬＳ内において、１にラベリングされるボクセルが存在し、対称領域Ｃ＿ＬＳ内には、請求項に記載の１にラベリングされるボクセルが存在する可能性が低いのである。

他の位置にあるボクセル、及び他のスライス映像データに係わるボクセルについても、前述のアルゴリズムを適用し、本開示の予測モデルを学習／トレーニングさせるための入力データ（トレーニングデータ）を獲得することができる。

下記［表１］は、前述のところに基づいて獲得された前記入力データ形式の一例示でもある。左側列の番号は、ボクセルに付与された識別番号を示し、病変領域（Ｌｅｓｉｏｎ）及び対称領域（Ｃｏｎｔｒａ）のＡＤＣ値またはｒＴＴＰ値それぞれの最小値（ｍｉｎ）、最大値（ｍａｘ）及び平均値（ｍｅａｎ）に係わる統計的数値が、下記［表１］の形態に抽出され、そのような［表１］が、機械学習に入力ベクトル（ｆｅａｔｕｒｅ ｖｅｃｔｏｒ）としても活用される。

下記［表１］において、…で表示された他の変形データは、標準偏差（ｓｔａｎｄａｒｄ ｄｅｖｉａｔｉｏｎ）、尖度（ｋｕｒｔｏｓｉｓ）、歪曲度（ｓｋｅｗ）、１０百分位数（１０ ｐｅｒｃｅｎｔｉｌｅ）、２５百分位数（２５ ｐｅｒｃｅｎｔｉｌｅ）、７５百分位数（７５ ｐｅｒｃｅｎｔｉｌｅ）及び９０百分位数（９０ ｐｅｒｃｅｎｔｉｌｅ）のうちから選択されたいずれか一つでもあるが、それらに限定されるものではない。

そのように、複数の既患者それぞれの脳映像データから抽出された入力データを獲得した後、本開示の成功／失敗予測モデルを学習させて最終訓練された予測モデルを算出することができる。

図８は、本発明の一実施形態による予測モデルを利用した複数の対象者の病変分布予測結果について説明するための図面である。

図８を参照すれば、４人の対象者に対する成功／失敗予測モデルを適用し、病変分布を予測した結果が比較図示されている。図８の左側に表記された事例Ａ，Ｃは、再開通治療に失敗した患者ケースであり、事例Ｂ，Ｄは、再開通治療に成功した患者ケースを示す。各列に図示された映像データは、図８の上側に表記されているように、左側列から順次に、第１ ＤＷＩデータ、ＡＤＣ、ｒＴＴＰ、失敗予測モデルＵＲを利用した予測結果（ＵＲ ｐｒｅｄｉｃｔｉｏｎ）、成功予測モデルＳＲを利用した予測結果（ＳＲ ｐｒｅｄｉｃｔｉｏｎ）、及び第２ ＤＷＩデータを示す。このとき、第２ ＤＷＩデータは、再開通治療７日後のＤＷＩデータを示すことができる。本開示において、第２ ＤＷＩデータを、７日後データでもって例示に入れた理由は、７日後の病変分布が、病変分布の長期的予後と相関性（ｃｏｒｒｅｌａｔｉｏｎ）が高いためでもある。ＡＤＣは、第１ ＤＷＩデータから抽出されたデータでもあり、ｒＴＴＰは、前述の治療前ＰＷＩデータから抽出されたデータでもある。予測モデル（ＵＲ，ＳＲ）は、ＡＤＣ、ｒＴＴＰ及び第２ ＤＷＩデータを基にも機械学習される。各映像データ右側下端に表記された数字は、脳組織病変部位の容量を示す。
まず、事例Ａ（失敗、梗塞成長も大きい場合）について説明する。事例Ａの治療前後のＤＷＩデータを比較説明すれば、第１ ＤＷＩデータにおいて、治療前病変容量は、４ｍｌであり、第２ ＤＷＩデータにおいて、治療後病変容量は、２４３ｍｌであり、梗塞成長（または、病変成長）（ｉｎｆａｒｃｔ ｇｒｏｗｔｈ）が約２４０ｍｌと、大きい場合に該当する。

ここで、失敗予測モデルＵＲを利用し、事例Ａ患者の治療前データ（ＡＤＣ，ｒＴＴＰ）から病変分布を予測した結果、病変容量が約１１６ｍｌ、すなわち、梗塞成長は、約１１２ｍｌ（ＵＲ ｐｒｅｄｉｃｔｉｏｎの病変容量から、治療前病変容量を差し引いた値）と高く予測されることを確認することができる。一方、成功予測モデルＳＲを利用して予測する場合、病変容量が約１１ｍｌと予測された。

次に、事例Ｂ（成功、梗塞成長も小さい場合）について説明する。事例Ｂの治療前後のＤＷＩデータを比較説明すれば、第１ ＤＷＩデータにおいて、治療前病変容量は、１ｍｌであり、第２ ＤＷＩデータにおいて、治療後病変容量は、４ｍｌであり、梗塞成長が約３ｍｌと小さい場合に該当する。

ここで、成功予測モデルＳＲを利用し、事例Ｂ患者の治療前データ（ＡＤＣ，ｒＴＴＰ）から病変分布を予測した結果、病変容量が約７ｍｌ、すなわち、梗塞成長は、約６ｍｌ（ＳＲ ｐｒｅｄｉｃｔｉｏｎの病変容量から、治療前病変容量を差し引いた値）と低く予測されることを確認することができる。一方、失敗予測モデルＵＲを利用して予測する場合、病変容量が約１０１ｍｌと予測された。

次に、事例Ｃ（失敗、梗塞成長も小さい場合）について説明する。事例Ｃの治療前後のＤＷＩデータを比較説明すれば、第１ ＤＷＩデータにおいて、治療前病変容量は、４ｍｌであり、第２ ＤＷＩデータにおいて、治療後病変容量は、３２ｍｌであり、梗塞成長が約２８ｍｌと小さい場合に該当する。

ここで、失敗予測モデルＵＲを利用し、事例Ｃ患者の治療前データ（ＡＤＣ，ｒＴＴＰ）から病変分布を予測した結果、病変容量が約２８ｍｌ、すなわち、梗塞成長は、約２２ｍｌと低く予測されることを確認することができる。一方、成功予測モデルＳＲを利用して予測する場合、病変容量が約８ｍｌと予測された。

次に、事例Ｄ（成功、梗塞成長も大きい場合）について説明する。事例Ｄの治療前後のＤＷＩデータを比較説明すれば、第１ ＤＷＩデータにおいて、治療前病変容量は、１７ｍｌであり、第２ ＤＷＩデータにおいて、治療後病変容量は、８６ｍｌであり、梗塞成長が約６９ｍｌと大きい場合に該当する。

ここで、成功予測モデルＳＲを利用し、事例Ｄ患者の治療前データ（ＡＤＣ，ｒＴＴＰ）から病変分布を予測した結果、病変容量が約５５ｍｌ、すなわち、梗塞成長は、約３８ｍｌと高く予測されることを確認することができる。一方、失敗予測モデルＵＲを利用して予測する場合、病変容量が約８９ｍｌと予測された。

再開通治療に失敗した事例であるＡ及びＣについて述べれば、失敗時、梗塞成長が大きくて小さいそれぞれの場合につき、本開示の失敗予測モデルＵＲを介し、その傾向性を比較的正確に予測したことを確認することができる。同様に、再開通治療に成功した事例であるＢ及びＤについて述べれば、成功時、梗塞成長が小さくて大きいそれぞれの場合につき、本開示の成功予測モデルＳＲを介し、その傾向性を比較的正確に予測したことを確認することができる。

そのように、本発明の一実施形態による病変分布予測方法によれば、データ提供者または対象者の治療成功時及び治療失敗時、脳映像データを利用し、別個に機械学習させた成功予測モデル及び失敗予測モデルを介し、対象者の治療前データから、治療後、成功時または失敗時の病変分布に係わる正確であって直観的な予測が可能であるという利点がある。それにより、対象者に対する脳梗塞治療の成功率及び安全性を高めることができる。

さらに詳細には、予測に使用される脳映像データとして、ＤＷＩデータ及びＰＷＩデータが使用され、前記脳映像データから抽出される変形データとしてＡ、ＤＣ、ＴＴＰ及びｒＴＴＰが活用されることにより、各対象者に対し、再開通治療の成功時及び／または失敗時、病変分布の予測の正確度を高めることができる。

また、実際治療の成功／失敗事例データで学習された予測モデルを介し、映像データだけでも、正確であって直観的な病変分布及びその容量に係わる予測情報を提供することができる。対象者（患者）または保護者に、治療方針決定について視覚的な情報／根拠を介して診断しうる利点がある。

図９は、本発明の一実施形態による病変分布予測方法の統計的有意性について説明するためのグラフである。図９は、治療成功ケースの対象者に対し、成功予測モデルＳＲで病変分布を予測したケースを、実際梗塞成長容量（ｍｌ）によってグルーピングしたグラフである。図９（ａ）は、ターゲット不一致方式（ｔａｒｇｅｔ ｍｉｓｍａｔｃｈ）で対象者を分類したグラフ（Ｐ＝０．０２である場合）であり、図９（ｂ）は、本開示の予測モデルを利用して予測した梗塞成長容量（ｉｎｆａｒｃｔ ｇｒｏｗｔｈ ｖｏｌｕｍｅ）を基準に対象者を分類したグラフ（Ｐ＝０．０１である場合）を示す。各グラフの縦軸は、実際梗塞成長容量（ｍｌ）を示す。

以下、Ｐ値は（ａ）、（ｂ）の各方式でグルーピングしたグループ間の患者分布図の差を示す尺度でもある。一例として、Ｐ値が約０．０５以下である場合、統計的有意味性を有すると言うことができる。一方、各グラフに図示された点は、患者数を示し、以下「ｎ」で表記することができる。ターゲット不一致方式とは、ＤＷＩデータ及びＰＷＩデータそれぞれの病変領域、及びそれら間の病変領域の不一致程度を算出する方式を意味する。このとき、算出されたターゲット不一致程度が大きいほど、再開通成功時、好転程度が良好であると解釈することができる。

まず、図９（ａ）を参照すれば、既存のターゲット不一致方式を利用し、グループ化した場合、不一致不在（ｍｉｓｍａｔｃｈ ａｂｓｅｎｃｅ）グループが縦軸に対し、不均一な分布（ｈｅｔｅｒｏｇｅｎｅｏｕｓ ｄｉｓｔｒｉｂｕｔｉｏｎ）を示すが、点で表記された患者の数が不一致を示すグループ（ｍｉｓｍａｔｃｈ ｐｒｅｓｅｎｃｅ）に比べ、はるかに小さい（ｎ＝６）。従って、不一致不在（ｍｉｓｍａｔｃｈ ａｂｓｅｎｃｅ）グループが不一致を示すグループ（ｍｉｓｍａｔｃｈ ｐｒｅｓｅｎｃｅ）と比較するとき、統計的に梗、塞成長において有意味な差があると断定し難いということを確認することができる。

一方、図９（ｂ）を参照すれば、梗塞成長容量が低いグループ（ｌｏｗ）、中間グループ（ｉｎｔｅｒｍｅｄｉａｔｅ）、高いグループ（ｈｉｇｈ）に分類し、各ケースに対応する梗塞成長容量によってグルーピングされている。このとき、低いグループ（ｎ＝８）、及び高いグループ（ｎ＝９）が統計的有意味性を有するということを確認することができる。高いグループ（ｈｉｇｈ）（ＳＲ−ｐｒｅｄｉｃｔｅｄ ｉｎｆａｒｃｔ ｇｒｏｗｔｈ≧３５ｍＬ）は、縦軸に対し、不均一な分布を示す一方、低いグループ（ｌｏｗ）（ＳＲ−ｐｒｅｄｉｃｔｅｄ ｉｎｆａｒｃｔ ｇｒｏｗｔｈ＜１５ｍＬ）は、密集された（ｎａｒｒｏｗ）分布を示すということを確認することができる。

そのように、本開示による予測モデルを利用した病変分布及びその容量の予測時、再開通治療の成功時または失敗時の病変分布及びその容量の多様な程度に係わる傾向性を把握することができる。

図１０は、本発明の一実施形態による、成功予測モデルＳＲ及び失敗予測モデルＵＲの予測特性について説明するためのグラフである。図１０（ａ）及び図１０（ｂ）の横軸は、第２ ＤＷＩデータ（ｄａｙ−７ ＤＷＩデータ）上において、病変領域を分割した後、手作業で測定した最終梗塞容量（ｍＬ）を示し、縦軸は、本発明の予測モデルで予測した最終梗塞容量（ｍＬ）を示す。図１０（ａ）は、失敗予測モデルＵＲに係わる結果であり、図１０（ｂ）は、成功予測モデルＳＲに係わる結果である。

前述の横軸の値をレファレンス（ｒｅｆｅｒｅｎｃｅ）値にし、級内相関係数（ＩＣＣ：ｉｎｔｒａｃｌａｓｓ ｃｏｒｒｅｌａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔ）値を計算した結果、図１０（ａ）の場合、ＩＣＣ＝０．７３（９５％信頼区間は、０．３１ないし０．９１、Ｐ＜０．０１）、図１０（ｂ）の場合、ＩＣＣ＝０．８７（９５％信頼区間は、０．７３ないし０．９４、Ｐ＜０．００１）と計算された。図１０のグラフ上の分布、及びＩＣＣ値を介し、第２ ＤＷＩデータから直接算出した梗塞領域と、本開示の予測モデル（ＳＲ，ＵＲ）を利用して予測された梗塞領域との相関度が高いということを確認することができる。

以下、図１０の横軸、縦軸をバイナリマスク（ｂｉｎａｒｙ ｍａｓｋ）の形態で示した病変分布の一致性を、ＤＳＣ（ｄｉｃｅ ｓｉｍｉｌａｒｉｔｙ ｃｏｅｆｆｉｃｉｅｎｔ）を利用して測定した結果について説明する。

全体患者サンプルに係わる外部検証（ｅｘｔｅｒｎａｌ ｖａｌｉｄａｔｉｏｎ）の場合、中間ＤＳＣ（ｍｅｄｉａｎ ＤＳＣ）点数は、約０．４９（四分位範囲（ＩＱＲ：ｉｎｔｅｒｑｕａｒｔｉｌｅ ｒａｎｇｅ）は、約０．３７ないし約０．５９である）と算出された。失敗予測モデルＵＲによる外部検証の場合、約０．５８（ＩＱＲは、約０．５５ないし約０．６７である）、成功予測モデルＳＲによる外部検証の場合、約０．４３（ＩＱＲは約０．２０約０．５２）と算出され、再開通治療に成功したケースのＤＳＣ値がさらに小さいということを確認することができる。最終梗塞体積が小さい場合、ＤＳＣ数値も小さくなる傾向を示し、前述のように、両モデル（ＵＲ，ＳＲ）を別途に計算した値によって確認することができる。

図１１は、本発明の一実施形態による病変分布予測方法による臨床的予後のスコア結果分布について説明するための図面である。図１１（ａ）及び図１１（ｂ）は、再開通治療に成功した患者群に係わる図面であり、図１１（ｃ）及び図１１（ｄ）は、治療に失敗した患者群に係わる図面である。図１１（ａ）及び図１１（ｃ）は、ターゲットミスマッチ方式に係わるグルーピング結果分布を示した図面である。図１１（ｂ）及び図１１（ｄ）は、本開示による予測方法による予測梗塞成長容量程度により、３つのグループにグルーピングした後、各グループに対する臨床的予後のスコア結果分布を示した図面である。

一般的に、予後測定において、症状発現９０日後のｍＲＳ（ｍｏｄｉｆｉｅｄ ｒａｎｋｉｎ ｓｃａｌｅ）数値を使用することができ、ｍＲＳ数値が高いほど、予後が良好ではないと解釈することができる。図１１（ｂ）及び図１１（ｄ）を参照すれば、梗塞成長が小さく予測されたグループ（ｌｏｗ）の場合、大きく予測されたグループ（ｈｉｇｈ）に比べ、予後が良好であるという傾向があることを確認することができる。一例として、ｍＲＳ数値が２以下が、予後が良好であると仮定する。図１１（ｂ）を参照すれば、予後が良好である患者数が低いグループ（ｌｏｗ）の場合、約８０％であり、高いグループ（ｈｉｇｈ）の場合、約５０％であるということを確認することができる。

以上で説明された本発明による実施形態は、コンピュータ上で多様な構成要素を介しても実行されるコンピュータプログラムの形態に具現され、そのようなコンピュータプログラムは、コンピュータで読み取り可能な媒体に記録されうる。このとき、該媒体は、コンピュータで実行可能なプログラムを保存するものでもある。該媒体の例示としては、ハードディスク、フロッピィーディスク及び磁気のテープのような磁気媒体；ＣＤ−ＲＯＭ（ｃｏｍｐａｃｔ ｄｉｓｃ ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ）及びＤＶＤ（ｄｉｇｉｔａｌ ｖｅｒｓａｔｉｌｅ ｄｉｓｃ）のような光記録媒体、フロプティカルディスク（ｆｌｏｐｔｉｃａｌ ｄｉｓｋ）のような磁気・光媒体（ｍａｇｎｅｔｏ−ｏｐｔｉｃａｌ ｍｅｄｉｕｍ）；及びＲＯＭ（ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ）、ＲＡＭ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）、フラッシュメモリなどを含み、プログラム命令語が保存されるように構成されたものあり得る。

一方、前記コンピュータプログラムは、本発明のために特別に設計されて構成されたものでもあり、コンピュータソフトウェア分野の当業者に公知されて使用可能なものでもある。コンピュータプログラムの例には、コンパイラによって作われるような機械語コードだけではなく、インタープリタなどを使用し、コンピュータによって実行されうる高級言語コードも含まれうる。

また、以上では、本発明の望ましい実施形態について図示して説明したが、本発明は、前述の特定実施形態に限定されるものではなく、特許請求の範囲で請求する本発明の要旨を外れることなしに、当該発明が属する技術分野で当業者によって多様な変形実施が可能であるということは、言うまでもなく、そのような変形実施は、本発明の技術的な思想や展望から、個別的に理解されるものではない。

従って、本発明の思想は、前述の実施形態に局限して定められるものではなく、特許請求の範囲だけではなく、該特許請求の範囲と均等であったり、それらから等価的に変更されたりする全ての範囲が、本発明の思想の範疇に属するものである。

１０ 病変分布予測装置
１００ 制御部
１１０ データ学習部
１２０ データ認識部
２００ 出力部
Ｃ＿ＬＳ 対称領域
ＬＳ 関心領域
ＳＲ 成功予測モデル
ＵＲ 失敗予測モデル

Claims (15)

1. 複数の既患者の脳映像データを利用し、対象者の脳組織病変分布を予測する予測モデルを学習させるモデル学習段階と、
   前記対象者の脳映像データから入力データを獲得する入力獲得段階と、
   前記入力データを、前記予測モデルに入力する入力段階と、
   前記予測モデルを利用し、前記対象者に対する再開通治療後の前記病変分布に係わる情報を含む出力映像データを生成する出力段階と、を含み、
   前記予測モデルは、
   複数の既患者のうち、再開通治療に成功した患者の脳映像データを利用して学習される成功予測モデル、及び前記複数の既患者のうち、再開通治療に失敗した患者の脳映像データを利用して学習される失敗予測モデルを含む、脳組織病変分布予測方法。
2. 前記モデル学習段階は、
   複数の既患者それぞれの互いに異なる種類の脳映像データを整合する映像整合段階と、
   前記脳映像データから変形データを計算し、前記病変部位に対応する関心領域を選択する段階と、
   前記関心領域に対し、ボクセル別に、病変該当いかんにより、既設定の値にラベリングする段階と、
   前記関心領域に対し、ボクセル別に、前記変形データを抽出し、学習用入力データを獲得する学習用入力獲得段階と、を含む、請求項１に記載の脳組織病変分布予測方法。
3. 前記映像整合段階で整合される脳映像データは、
   治療前に獲得された第１拡散強調映像（ＤＷＩ）データ、治療前の貫流強調映像（ＰＷＩ）データ、及び治療後に獲得された第２拡散強調映像（ＤＷＩ）データを含む、請求項２に記載の脳組織病変分布予測方法。
4. 前記計算して選択する段階は、
   前記第１拡散強調映像（ＤＷＩ）データから、見掛け拡散係数（ＡＤＣ）を計算する段階と、
   前記治療前の貫流強調映像（ＰＷＩ）データから、ｒＴＴＰ（ｒｅｌａｔｉｖｅ ｔｉｍｅ ｔｏ ｐｅａｋ）を計算し、ｒＴＴＰマップを獲得する段階と、
   前記第１拡散強調映像（ＤＷＩ）データ、前記治療前の貫流強調映像（ＰＷＩ）データ及び前記第２拡散強調映像（ＤＷＩ）データから、関心領域を選択する段階と、を含む、請求項３に記載の脳組織病変分布予測方法。
5. 前記モデル学習段階は、
   前記脳映像データから、正常部位に対応する対称領域を選択する段階と、
   前記対称領域に対し、ボクセル別に、前記変形データを抽出し、学習用入力データを獲得する段階と、をさらに含み、
   前記対称領域は、第１拡散強調映像（ＤＷＩ）データ、治療前の貫流強調映像（ＰＷＩ）データについて選択される、請求項３に記載の脳組織病変分布予測方法。
6. 前記出力段階は、
   前記入力データを、前記失敗予測モデルに入力し、前記対象者に対する再開通治療失敗後の病変分布に係わる情報を含む第１出力映像データを生成する第１出力段階と、
   前記入力データを、前記成功予測モデルに入力し、前記対象者に対する再開通治療成功後の病変分布に係わる情報を含む第２出力映像データを生成する第２出力段階と、を含む、請求項１に記載の脳組織病変分布予測方法。
7. 前記出力段階は、
   前記第１出力映像データ及び前記第２出力映像データを比較し、再開通治療いかんを決定する段階をさらに含む、請求項６に記載の脳組織病変分布予測方法。
8. 対象者の治療後の脳組織病変分布を予測する装置において、前記装置は、制御部及び出力部を含み、
   前記制御部は、
   複数の既患者の脳映像データを利用し、対象者の脳組織病変分布を予測する予測モデルを学習させ、
   前記対象者の脳映像データから入力データを獲得し、
   前記入力データを、前記予測モデルに入力し、
   前記出力部は、前記予測モデルを利用し、前記対象者に対する再開通治療後の前記病変分布に係わる情報を含む出力映像データを生成し、
   前記予測モデルは、
   複数の既患者のうち、再開通治療に成功した患者の脳映像データを利用して学習される成功予測モデル、及び前記複数の既患者のうち、再開通治療に失敗した患者の脳映像データを利用して学習される失敗予測モデルを含む、脳組織病変分布予測装置。
9. 前記制御部は、
   複数の既患者それぞれの互いに異なる種類の脳映像データを整合し、
   前記脳映像データから変形データを計算し、前記病変部位に対応する関心領域を選択し、
   前記関心領域に対し、ボクセル別に、病変該当いかんにより、既設定の値にラベリングし、
   前記関心領域に対し、ボクセル別に、前記変形データを抽出し、学習用入力データを獲得する、請求項８に記載の脳組織病変分布予測装置。
10. 整合される前記脳映像データは、
    治療前に獲得された第１拡散強調映像（ＤＷＩ）データ、治療前の貫流強調映像（ＰＷＩ）データ、及び治療後に獲得された第２拡散強調映像（ＤＷＩ）データを含む、請求項９に記載の脳組織病変分布予測装置。
11. 前記制御部は、
    前記第１拡散強調映像（ＤＷＩ）データから、見掛け拡散係数（ＡＤＣ）を計算し、
    前記治療前の貫流強調映像（ＰＷＩ）データから、ｒＴＴＰ（ｒｅｌａｔｉｖｅ ｔｉｍｅ ｔｏ ｐｅａｋ）を計算し、ｒＴＴＰマップを獲得し、
    前記第１拡散強調映像（ＤＷＩ）データ、前記治療前の貫流強調映像（ＰＷＩ）データ及び前記第２拡散強調映像（ＤＷＩ）データから、関心領域を選択する、請求項１０に記載の脳組織病変分布予測装置。
12. 前記制御部は、
    前記脳映像データから、正常部位に対応する対称領域を選択し、
    前記対称領域に対し、ボクセル別に、前記変形データを抽出し、学習用入力データを獲得し、
    前記対称領域は、第１拡散強調映像（ＤＷＩ）データ、治療前の貫流強調映像（ＰＷＩ）データについて選択される、請求項１０に記載の脳組織病変分布予測装置。
13. 前記出力部は、
    前記失敗予測モデルに入力された前記入力データに基づき、前記対象者に対する再開通治療失敗後の病変分布に係わる情報を含む第１出力映像データを生成し、
    前記成功予測モデルに入力された前記入力データに基づき、前記対象者に対する再開通治療成功後の病変分布に係わる情報を含む第２出力映像データを生成する、請求項８に記載の脳組織病変分布予測装置。
14. 前記出力部は、
    前記第１出力映像データ及び前記第２出力映像データを比較し、前記対象者に対する再開通治療いかんを決定する、請求項１３に記載の脳組織病変分布予測装置。
15. コンピュータを利用し、請求項８ないし１４のうちいずれか１項に記載の方法を実行するために媒体に保存されたコンピュータプログラム。
    

Images