JP2022120755A - ニューロメラニン画像を用いたパーキンソン病情報提供装置及び方法 - Google Patents

ニューロメラニン画像を用いたパーキンソン病情報提供装置及び方法 Download PDF

Info

Publication number
JP2022120755A
JP2022120755A JP2021063383A JP2021063383A JP2022120755A JP 2022120755 A JP2022120755 A JP 2022120755A JP 2021063383 A JP2021063383 A JP 2021063383A JP 2021063383 A JP2021063383 A JP 2021063383A JP 2022120755 A JP2022120755 A JP 2022120755A
Authority
JP
Japan
Prior art keywords
image
neuromelanin
region
parkinson
disease
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2021063383A
Other languages
English (en)
Other versions
JP6942278B1 (ja
Inventor
パク，ソンボム
Seongbeom Park
ファ ソン，スー
Soo Hwa Song
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 JP6942278B1 publication Critical patent/JP6942278B1/ja
Publication of JP2022120755A publication Critical patent/JP2022120755A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4806—Functional imaging of brain activation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G06T2207/10096—Dynamic contrast-enhanced magnetic resonance imaging [DCE-MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20128—Atlas-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

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

Abstract

【課題】人工知能（ＡＩ）を基盤とするニューロメラニン関連の磁気共鳴画像（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ、以下「ＭＲＩ」という）を解析し、パーキンソン病と関連するカスタマイズされた情報提供装置及び方法を提供する。【解決手段】本発明の一態様であるニューロメラニン画像を用いたパーキンソン病情報提供装置は、患者の脳を撮影したＭＲＩ画像を取得する画像受信部と、パーキンソン病の画像バイオマーカーとして用いられるニューロメラニン領域の観察が可能であるように、前記取得したＭＲＩ画像を前処理する画像前処理部と、前記前処理されたＭＲＩ画像を解析し、前記ニューロメラニン領域が含まれた第１の画像を分類し、前記分類された第１の画像から前記ニューロメラニン領域を検出する画像処理部と、及び前記検出されたニューロメラニン領域が正常であるか否かを解析し、前記患者がパーキンソン病であるか否かを診断する画像解析部と、を含むことができる。【選択図】図１

Description

本発明は、ニューロメラニン画像を用いたパーキンソン病情報提供装置及び方法（Ａｐｐａｒａｔｕｓ ａｎｄ ｍｅｔｈｏｄ ｆｏｒ ｐｒｏｖｉｄｉｎｇ ｉｎｆｏｒｍａｔｉｏｎ ｏｎ Ｐａｒｋｉｎｓｏｎ’ｓ ｄｉｓｅａｓｅ ｕｓｉｎｇ ｎｅｕｒｏｍｅｌａｎｉｎ ｉｍａｇｅ）に関するものであって、より詳しくは、人工知能（ＡＩ）を基盤とするニューロメラニン関連の磁気共鳴画像（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ、以下「ＭＲＩ」という）を解析し、パーキンソン病と関連するカスタマイズされた情報提供装置及び方法に関する。
神経変性疾患は、神経細胞が何らかの原因で消滅してしまい、脳機能に異常を引き起こす疾病を指す。
代表的な神経変性疾患としては、その多くがアルツハイマー病やパーキンソン病であり、稀にルー・ゲーリック病などが挙げられる。
神経変性疾患のうち、パーキンソン病は、神経細胞が破壊される代表的な神経変性疾患であって、筋固縮、揺戦、小刻み歩行症状と共に鬱や不安感が伴い、生活の質が大幅に下がる。
これらの神経変性疾患を診断する方法としては、粘膜との接触、皮膚破壊、自然開口部または人工開口部以外に、内部体腔への挿入なしに診断する非侵襲的な方法がある。
大韓民国特許登録第１０－１７５４２９１号（２０１７年７月６日公告） 大韓民国特許公開第１０－２０１６－００５８８１２号（２０１６年５月２５日公開）
今までのパーキンソン病診断及び薬物誘発性パーキンソン症の鑑別診断には、同位元素を用いた［１８Ｆ］ＦＰ－ＣＩＴ陽電子放出断層撮影（Ｐｏｓｉｔｒｏｎ ｅｍｉｓｓｉｏｎ ｔｏｍｏｇｒａｐｈｙ、ＰＥＴ）が最も客観的な方法として用いられている。
しかし、前記［１８Ｆ］ＦＰ－ＣＩＴ ＰＥＴは、非常に高額な検査方法であり、被曝のリスクがある。
したがって、ＭＲＩを用いてニューロメラニン領域を観察し、パーキンソン病を早期に診断することができる技術の開発が求められている。
本発明の目的は、前記のような問題点を解決するためのものであり、ＭＲＩを解析して、年齢別にパーキンソン病リスクを予測し、パーキンソン病の早期診断を手助ける装置及び方法を提供する。
本発明のもう一つの目的は、パーキンソン病の画像バイオマーカーとして提示されたニューロメラニン領域を解析し、パーキンソン病と関連するカスタマイズされた情報を出力する装置及び方法を提供する。
また、本発明の目的は、ニューロメラニン領域の観察が可能であるように、取得したＭＲＩ画像を前処理し、前処理されたＭＲＩ画像を解析し、ニューロメラニン領域が含まれた画像を分類し、分類された画像からニューロメラニン領域を検出し、検出されたニューロメラニンと臨床情報を通して患者の年齢別にパーキンソン病リスクを予測する装置及び方法を提供する。
また、本発明の目的は、頭蓋骨領域が除去された画像をもとに、角度調節、画像の拡大と再分割（Ｒｅｓｌｉｃｅ）のうち少なくとも一つの動作を行い、ディープニューラルネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）モデルを用いて、ニューロメラニンが含まれた領域を検出し、テンプレート（ｔｅｍｐｌａｔｅ）画像を用いて、空間的正規化（ｓｐａｔｉａｌ ｎｏｒｍａｌｉｚａｔｉｏｎ）を行い、画像の各ボクセル（ｖｏｘｅｌ）に前記コントラスト比（Ｃｏｎｔｒａｓｔ Ｒａｔｉｏ、ＣＲ）値がマッピング（ｍａｐｐｉｎｇ）されたＣＲ画像を生成し、パーキンソン病リスクを予測することができる装置及び方法を提供する。
また、本発明の目的は、生成されたＣＲ画像をもとに、予め指定された脆弱領域（Ｖｕｌｎｅｒａｂｌｅ ｒｅｇｉｏｎ）を分割し、分割された脆弱領域内の平均ＣＲを計算することで、画像に対する前処理を行うことができる装置及び方法を提供する。
また、本発明の目的は、同一客体を基準に、入力されるＭＲＩ画像が複数の場合（同一人が、別の時点に撮影した複数個のＭＲＩ画像を解析する場合）、複数のＭＲＩ画像に含まれたニューロメラニン領域データを用いて、ｗｉｔｈｉｎ－ｓｕｂｊｅｃｔ ｔｅｍｐｌａｔｅを生成し、空間的正規化を行うことにより、追跡検査（ｌｏｎｇｉｔｕｄｉｎａｌ ｓｔｕｄｙ）機能を提供する装置及び方法を提供する。
また、本発明の目的は、患者のニューロメラニン領域のボリュームを算出し、算出されたニューロメラニン領域のボリューム及び取得された臨床情報を一緒に用いて、ニューロメラニン萎縮度を算出し、算出されたニューロメラニン萎縮度を基に、患者のパーキンソン病リスクを予測する装置及び方法を提供する。
また、本発明の目的は、同一人が、別の時点に取得された複数のニューロメラニン萎縮度を用いて、患者のニューロメラニン萎縮率を計算し、患者のニューロメラニン萎縮率を様々な形で表示し、提供する装置及び方法を提供する。
また、本発明の目的は、人工知能を用いたパーキンソン病リスク予測を通して臨床試験の成功確率を高める装置、システムおよび方法を提供する。
なお、本発明にて解決しようとする技術的課題は、上述した技術的課題に限られず、言及していないもう一つの技術的課題は、以下の記載から、本発明が属する技術分野における通常の知識を有する者に明確に理解されるであろう。
前記の技術的課題を達成するために、本発明の一様態であるニューロメラニン画像を用いたパーキンソン病リスク予測装置は、患者の脳を撮影したＭＲＩ画像を取得する画像受信部と、パーキンソン病の画像バイオマーカーとして用いられるニューロメラニン領域の観察が可能であるように、前記取得したＭＲＩ画像を前処理する画像前処理部と、該前処理されたＭＲＩ画像を解析し、前記ニューロメラニン領域が含まれた第１の画像を分類し、前記分類された第１の画像から前記ニューロメラニン領域を検出する画像処理部と、前記検出されたニューロメラニン領域ボリュームを臨床情報と共に標準化し、前記患者の年齢別パーキンソン病リスクを予測する画像解析部とを含むことができる。
また、前記画像前処理部は、前記取得したＭＲＩ画像をもとに、コントラスト比（Ｃｏｎｔｒａｓｔ Ｒａｔｉｏ、ＣＲ）画像を生成することができる。
また、前記画像前処理部は、前記取得したＭＲＩ画像内において頭蓋骨領域を除去する頭蓋骨除去部と、前記頭蓋骨領域が除去された画像をもとに、角度調節、画像の拡大と再分割（Ｒｅｓｌｉｃｅ）のうち少なくとも一つの動作を行う画像再分割部と、前記画像再分割部から伝達された画像をもとに、ディープニューラルネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）モデルを用いて前記ニューロメラニンが含まれた第１の領域を検出するニューロメラニン領域分類部と、前記第１の領域が検出された画像をもとに、テンプレート（ｔｅｍｐｌａｔｅ）画像を用いて、空間的正規化（ｓｐａｔｉａｌ ｎｏｒｍａｌｉｚａｔｉｏｎ）を行う空間的正規化部と、前記空間的正規化された画像をもとに、画像の各ボクセル（ｖｏｘｅｌ）に前記コントラスト比（Ｃｏｎｔｒａｓｔ Ｒａｔｉｏ、ＣＲ）値がマッピング（ｍａｐｐｉｎｇ）されたＣＲ画像を生成するＣＲ画像生成部と、前記生成されたＣＲ画像をもとに、予め指定された脆弱領域（Ｖｕｌｎｅｒａｂｌｅ ｒｅｇｉｏｎ）を分割し、前記分割された脆弱領域内に平均ＣＲを計算する計算部とを含むことができる。
また、前記ニューロメラニン領域分類部は、前記第１の領域の境界が区分されるように表示し、前記第１の領域の画像をクロップ（ｃｒｏｐ）することができる。
また、前記空間的正規化部は、健常者のニューロメラニンＭＲＩ画像から生成された第１のテンプレート（ｔｅｍｐｌａｔｅ）画像とＴ１－ｗｅｉｇｈｔｅｄ ＭＲＩを基盤とする解剖学的画像から生成された第２のテンプレート（ｔｅｍｐｌａｔｅ）画像のうち少なくとも一つを用いて、前記空間的正規化を行うことができる。
また、前記空間的正規化された画像をもとに、Ａｔｌａｓ－ｂａｓｅｄ ｓｅｇｍｅｎｔａｔｉｏｎ方法を用いて参照領域を分割し、前記分割された参照領域内の平均値を算出する参照領域分割部をさらに含み、前記ＣＲ画像生成部は、前記算出された平均値を用いて前記コントラスト比値を算出することができる。
また、前記コントラスト比値は、以下の数式１により算出することができる。
Figure 2022120755000002
前記数式１において、ＣＲνは、前記コントラスト比値であり、ＳＩνは、前記各ボクセルの信号強度（ｓｉｇｎａｌ ｉｎｔｅｎｓｉｔｙ）であり、ｍｅａｎＳＩＲｅｆは、前記平均値を意味する。
また、前記分割された参照領域は、大脳脚（Ｃｅｒｅｂｒａｌ ｐｅｄｕｎｃｌｅｓ）領域であることができる。
また、前記予め指定された脆弱領域は、健常群のニューロメラニン領域と患者群のニューロメラニン領域とを比較したとき、予め指定された基準以上に有意差のある領域であることができる。
また、前記予め指定された脆弱領域は、ｎｉｇｒｏｓｏｍｅ１領域とｎｉｇｒｏｓｏｍｅ２領域とを含むことができる。
また、同一客体を基準に、前記入力されるＭＲＩ画像が複数の場合（同一人が、別の時点に撮影した複数個のＭＲＩ画像）、前記複数のＭＲＩ画像に含まれたニューロメラニン領域のデータを用いて、ｗｉｔｈｉｎ－ｓｕｂｊｅｃｔ ｔｅｍｐｌａｔｅを生成するテンプレート生成部をさらに含み、前記空間的正規化部は、前記ｗｉｔｈｉｎ－ｓｕｂｊｅｃｔ ｔｅｍｐｌａｔｅを用いて、前記空間的正規化を行い、前記ｗｉｔｈｉｎ－ｓｕｂｊｅｃｔ ｔｅｍｐｌａｔｅは、前記と同一客体に対する追跡検査（ｌｏｎｇｉｔｕｄｉｎａｌ ｓｔｕｄｙ）に用いられることができる。
また、前記画像処理部は、前記第１の画像をもとに、前記ニューロメラニン領域のボリュームを算出し、前記画像解析部は、前記算出されたニューロメラニン領域のボリュームと臨床情報を用い、前記患者のパーキンソン病リスクを予測することができる。
また、前記画像処理部は、前記第１の画像に関連するボクセル数及びボクセルサイズを用いて前記ニューロメラニン領域のボリュームを算出することができる。
また、前記画像処理部は、前記ニューロメラニン領域が含まれる確率の高いボクセルからなる前景（ｆｏｒｅｇｒｏｕｎｄ）画像と、前記前景画像をもとに生成された背景（ｂａｃｋｇｒｏｕｎｄ）画像を用いるグラフカット（ｇｒａｐｈ－ｃｕｔ）アルゴリズムをもとに、前記第１の画像を分類することができる。
また、前記画像処理部は、脳画像とニューロメラニン領域画像がラベル付け（ｌａｂｅｌｉｎｇ）されたデータで学習されたディープニューラルネットワークをもとに、前記第１の画像を分類することができる。
また、前記画像処理部は、予め指定された信号強度（ｓｉｇｎａｌ ｉｎｔｅｎｓｉｔｙ）値以上のファクター（ｆａｃｔｏｒ）を抽出し、前記抽出されたファクターを用いて前記第１の画像を分類することができる。
また、前記画像処理部は、前記第１の画像をもとに、前記ニューロメラニン領域のボリュームを算出し、臨床情報を取得する臨床情報受信部をさらに含み、前記画像解析部は、前記算出されたニューロメラニン領域のボリューム及び前記取得された臨床情報を共に用いて、ニューロメラニン萎縮度を算出し、前記算出されたニューロメラニン萎縮度をもとに、前記患者の年齢別パーキンソン病リスクを予測することができる。
また、前記ニューロメラニン萎縮度は、健常者集団の画像から抽出されたニューロメラニン領域のボリュームと、前記患者のニューロメラニン領域のボリュームとを比較して算出することができる。
また、前記画像解析部は、前記算出されたニューロメラニン萎縮度を年齢別百分位情報に変換することができる。
また、前記画像解析部は、同一人が、別の時点に取得された複数のニューロメラニン萎縮度を用いて、前記患者のニューロメラニン萎縮率を計算し、前記患者のニューロメラニン萎縮率を表示する診断情報出力部をさらに含むことができる。
一方、前記の技術的課題を達成するために、本発明の他の一態様である画像受信部、画像前処理部、画像処理部および画像解析部を含むパーキンソン病リスク予測装置と、中央管理部および／または前記パーキンソン病情報提供装置と通信するサーバを用いて、パーキンソン病リスクが高い患者群を選別することにより、臨床試験の成功確率を高めるシステムにおいて、前記画像受信部は、薬効能を実証するための臨床試験における実験候補群である複数の患者の脳を撮影したＭＲＩ画像を取得し、前記画像前処理部は、パーキンソン病の画像バイオマーカーとして用いられるニューロメラニン領域の観察が可能であるように、前記取得したＭＲＩ画像を前処理し、前記画像処理部は、前記前処理されたＭＲＩ画像を解析し、前記ニューロメラニン領域が含まれた第１の画像を分類し、前記分類された第１の画像から前記ニューロメラニン領域を検出し、前記画像解析部は、前記検出されたニューロメラニン領域が正常であるか否かを解析し、前記複数の患者のうち、パーキンソン病が存在する少なくとも一つの第１の患者に対する情報を、前記中央管理部および／または前記サーバに伝達し、前記中央管理部および／または前記サーバは、前記第１の患者に対する臨床試験の結果を、前記薬効能の実証に用いられることができる。
上述したように、本発明に係るパーキンソン病情報提供装置及び方法によれば、ＭＲＩにおいてニューロメラニン領域が含まれた画像のみを分類し、分類された画像においてニューロメラニン領域を解析し、年齢別パーキンソン病リスクを予測することができるという効果が得られる。
また、本発明によれば、画像を用いてパーキンソン病を診断することによって、一般に供給されたＭＲＩ装置を用いて、パーキンソン病を精密に診断することができ、診断結果の精度を向上させることができるという効果が得られる。
また、本発明によれば、ニューロメラニン領域のみを観察が可能であるようにすることができる。
具体的には、本発明は、ニューロメラニン領域の観察が可能であるように、取得したＭＲＩ画像を前処理し、前処理されたＭＲＩ画像を解析し、ニューロメラニン領域が含まれた画像を分類し、分類された画像からニューロメラニン領域を検出し、検出されたニューロメラニン領域が正常であるか否かを解析し、患者がパーキンソン病であるか否かを診断することができる。
また、本発明によれば、機械学習を介してニューロメラニン領域を効果的に検出することができる。
具体的には、本発明は、頭蓋骨領域が除去された画像をもとに、角度調節、画像の拡大及び再分割（Ｒｅｓｌｉｃｅ）のうち少なくとも一つの動作を行い、ディープニューラルネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）モデルを用いて、ニューロメラニンが含まれた領域を検出し、テンプレート（ｔｅｍｐｌａｔｅ）画像を用いて、空間的正規化（ｓｐａｔｉａｌ ｎｏｒｍａｌｉｚａｔｉｏｎ）を行い、画像の各ボクセル（ｖｏｘｅｌ）に前記コントラスト比（Ｃｏｎｔｒａｓｔ Ｒａｔｉｏ、ＣＲ）値がマッピング（ｍａｐｐｉｎｇ）されたＣＲ画像を生成し、パーキンソン病を診断することができる。
また、本発明は、生成されたＣＲ画像をもとに、予め指定された脆弱領域（Ｖｕｌｎｅｒａｂｌｅ ｒｅｇｉｏｎ）を分割し、分割された脆弱領域内の平均ＣＲを計算することで、画像に対する前処理を行うことができる装置及び方法を提供することができる。
また、本発明は、同一客体を基準に、入力されるＭＲＩ画像が複数の場合、複数のＭＲＩ画像に含まれたニューロメラニン領域のデータを用いて、ｗｉｔｈｉｎ－ｓｕｂｊｅｃｔ ｔｅｍｐｌａｔｅを生成し、空間的正規化を行うことにより、追跡検査（ｌｏｎｇｉｔｕｄｉｎａｌ ｓｔｕｄｙ）機能を提供することができる。
また、本発明は、患者のニューロメラニン領域のボリュームを算出し、算出されたニューロメラニン領域のボリューム及び取得された臨床情報を共に用いて、ニューロメラニン萎縮度を算出し、算出されたニューロメラニン萎縮度をもとに、患者がパーキンソン病であるか否かを診断することができる。
また、本発明は、予め指定された周期で取得された複数のニューロメラニン萎縮度を用いて、患者のニューロメラニン萎縮率を計算し、患者のニューロメラニン萎縮率を様々な形で表示し、提供することができる。
また、本発明における薬効能を実証するための臨床試験は、予め予測された期待効果が、臨床試験の参加者に対して達成されるのか、統計的有意性を示すかで結果が判定されるが、本発明に係るパーキンソン病診断方法及び装置を適用した場合、正確に新薬が目標とするパーキンソン病患者のみを臨床試験の対象者に含ませることで、臨床試験の成功確率を最大限に高めることができる。
すなわち、本発明に係る人工知能を用いたパーキンソン病診断方法を通じて、患者群と健常群の選別に活用し、臨床試験の成功確率を高めることに活用することができる。
なお、本発明にて得られる効果は、以上で述べた効果に限定されず、言及されいないもう一つの効果は、以下の記載から、本発明が属する技術分野における通常の知識を有する者に明確に理解されるであろう。
本発明に関連して、パーキンソン病情報提供装置のブロック構成図を示すものである。 本発明に関連して、画像前処理部のブロック構成図の一例を示すものである。 本発明に関連して、ニューロメラニンＭＲＩから頭蓋骨などの鼻脳組織を除去する一例を示すものである。 本発明に関連して、画像の空間（ｓｐａｃｉｎｇ）、方向余弦（ｄｉｒｅｃｔｉｏｎ ｃｏｓｉｎｅｓ）を一定にし、正の方向に再分配する画像前処理部の動作の一例を示すものである。 本発明に関連して、ニューロメラニン領域を分類する一例を示すものである。 本発明に関連して、入力されたニューロメラニンＭＲＩをテンプレート（ｔｅｍｐｌａｔｅ）画像に空間的正規化（ｓｐａｔｉａｌ ｎｏｒｍａｌｉｚａｔｉｏｎ）させる一例を示すものである。 本発明に関連して、参照領域を分割し、演算する一例を示すものである。 本発明に関連して、各ｖｏｘｅｌのＣＲ（Ｃｏｎｔｒａｓｔ Ｒａｔｉｏ）値をマッピング（ｍａｐｐｉｎｇ）して生成されたＣＲ画像の一例を示すものである。 図８にて生成されたＣＲ（Ｃｏｎｔｒａｓｔ Ｒａｔｉｏ）画像をもとに、Ｖｕｌｎｅｒａｂｌｅ ｒｅｇｉｏｎを分割し、平均ＣＲを計算した一例を示すものである。 図８にて生成されたＣＲ（Ｃｏｎｔｒａｓｔ Ｒａｔｉｏ）画像をもとに、Ｖｕｌｎｅｒａｂｌｅ ｒｅｇｉｏｎを分割し、平均ＣＲを計算した一例を示すものである。 本発明に関連して、入力されるニューロメラニンＭＲＩ画像が複数の場合、ｗｉｔｈｉｎ－ｓｕｂｊｅｃｔ ｔｅｍｐｌａｔｅを生成して用いる一例を示すものである。 本発明に関連して、入力されるニューロメラニンＭＲＩ画像が複数の場合、ｗｉｔｈｉｎ－ｓｕｂｊｅｃｔ ｔｅｍｐｌａｔｅを生成して用いる一例を示すものである。 本発明に関連して、ニューロメラニン領域を分割し、ｖｏｌｕｍｅを計算する画像処理部の構成を説明する図である。 本発明の画像処理部の動作に関連して、Ｇｒａｐｈ－ｃｕｔを用いる方法を説明するための図である。 本発明の画像処理部の動作に関連して、Ｄｅｅｐ ｌｅａｒｎｉｎｇを用いる方法を説明するための図である。 本発明の画像解析部がニューロメラニンｖｏｌｕｍｅ及び臨床情報を用いて、年齢別ニューロメラニン萎縮度情報などを取得する一例を示すものである。 本発明に関連して、診断情報出力部が年齢別百分位情報などを視覚的に表示する一例を示すものである。
以下、図面を参照にして、本発明の好適な一実施形態について説明する。また、以下に説明する実施形態は、特許請求の範囲に記載された本発明の内容を不当に限定することなく、本実施形態にて説明される構成全体が、本発明の解決手段として、不可欠であるとは言えない。
以下、本発明の好ましい実施形態によるパーキンソン病情報提供装置及び方法を添付された図面を参照にして、詳細に説明する。
なお、本発明に基づいて適用される「診断」の意味は、パーキンソン病であるか否かを判断することの外に、パーキンソン病と関連した情報を判断するすべての意味を含む。
たとえば、「診断」の意味は、パーキンソン病が存在しない場合でも、パーキンソン病と関連する年齢別脳萎縮度予測情報、年齢別脳百分位情報、脳リスク情報など判断することを全て含めることができる。
ニューロメラニンとパーキンソン病
ニューロメラニン（Ｎｅｕｒｏｍｅｌａｎｉｎ）は、メラニン、タンパク質、脂質、金属イオンからなる不溶性の濃い色素である。
ニューロメラニンを含むニューロンは、ヒトの中枢神経系の特定の脳領域に存在するが、ｓｕｂｓｔａｎｔｉａ ｎｉｇｒａ（ＳＮ）のドーパミン性ニューロンとｌｏｃｕｓ ｃｏｅｒｕｌｅｕｓ（ＬＣ）のノルアドレナリン性ニューロンにおいて濃度が非常に高く測定される。
ニューロメラニンは、ドーパミン、ノルエピネフリンと細胞質に存在するカテコールアミンが鉄に依存する酸化作用をすることによって合成される。
初めは、細胞質にある間、ニューロメラニンはマクロオートファジー（ｍａｃｒｏａｕｔｏｐｈａｇｙ）を介して細胞器官内に蓄積され、この小包（ｖａｃｕｏｌｅｓ）はリソソーム（ｌｙｓｏｓｏｍｅ）とタンパク質成分を含む自己貪食空胞（ａｕｔｏｐｈａｇｉｃ ｖａｃｕｏｌｅｓ）と結合され、最終的にニューロメラニンを含む細胞器官を形成する。
ニューロメラニンを含有する細胞器官は、２～３歳頃に初めてでき、年齢に伴い段階的に蓄積される。約６０歳までニューロンが増加し、それ以降は減少するとして知られている。
パーキンソン病（Ｐａｒｋｉｎｓｏｎ’ｓ ｄｉｓｅａｓｅ、ＰＤ）は、中脳のＳＮに鉄成分が沈着して発生するものとして知られている。
鉄は、脳組織にストレスを誘発し、細胞を壊死させる。
ＳＮに存在するニューロメラニンが外部から流入された鉄成分を捉える役割をするが、ニューロメラニンが収容することができる限界よりも多くの鉄が沈着すると、組織にストレスを誘発し、パーキンソン病へとつながりうる。
この鉄成分は、ニューロメラニンと鉄複合体の常磁性特性を利用して、非侵襲的にＮｅｕｒｏｍｅｌａｎｉｎ－ｓｅｎｓｉｔｉｖｅ ＭＲＩ（ＮＭ－ＭＲＩ）を介して画像化することができる。
ＮＭ－ＭＲＩは、ニューロメラニン複合体を高強度（ｈｙｐｅｒｉｎｔｅｎｓｉｔｙ）信号を生成する。
ＮＭ－ＭＲＩは、ＳＮのドーパミン性ニューロンの損失を測定して検証されており、いくつかの研究を通じて、ＮＭ－ＭＲＩは、パーキンソン病患者のＳＮにおいてニューロメラニンが含まれたニューロンの損失を観察することができることが証明された。
最終的には、ＮＭ－ＭＲＩにおいてニューロメラニンの程度を定量化すれば、パーキンソン病を早期に診断して予防したり、治療計画を立てたりすることができる。
しかし、年齢別にニューロメラニンの程度は異なるため、個人の状態を知るのは難しい。
したがって、年齢といくつかの臨床情報を活用し、機械学習モデルを通し、年齢別ニューロメラニン萎縮情報を提供し、追跡検査を通して予後の予測が可能な装置、システム及び方法に対するニーズが高まっているのが実情である。
ニューロメラニン画像を用いたパーキンソン病情報提供装置
図１は、本発明に関連して、パーキンソン病情報提供装置のブロック構成図を示すものである。
本発明の好ましい実施形態によるパーキンソン病情報提供装置１は、図１に示すように、画像受信部２０、画像前処理部２５、画像処理部３０、画像解析部４０、診断情報出力部５０を含むことができる。
まず、画像受信部２０は、患者の脳を撮影したＭＲＩ画像を取得することができる。
画像受信部２０は、ＭＲＩ以外にも、患者の脳に関連するＰＥＴ画像などをさらに取得することができる。
次に、画像前処理部２５は、パーキンソン病の画像バイオマーカーとして用いられるニューロメラニン領域の観察が可能であるように、前記取得したＭＲＩ画像を前処理する機能を提供する。
画像前処理部２５の最も重要な機能として、画像前処理部２５は、取得したＭＲＩ画像をもとに、コントラスト比（Ｃｏｎｔｒａｓｔ Ｒａｔｉｏ、ＣＲ）画像を生成することができる。
また、画像処理部３０は、前処理されたＭＲＩ画像を解析し、ニューロメラニン領域が含まれた第１の画像を分類し、分類された第１の画像からニューロメラニン領域を検出する機能を提供する。
画像処理部３０は、第１の画像をもとにニューロメラニン領域のボリュームを算出することができ、ここで算出されたニューロメラニン領域のボリュームをもとに、画像解析部４０は、患者がパーキンソン病であるか否かを診断することが可能である。
画像処理部３０は、第１の画像と関連するボクセル数及びボクセルサイズを利用して、ニューロメラニン領域のボリュームを算出することができる。
また、画像解析部４０は、検出されたニューロメラニン領域が正常であるか否かを解析し、患者がパーキンソン病であるか否かを診断することができる。
また、画像解析部４０は、算出されたニューロメラニン領域のボリューム及び取得された臨床情報を共に用いて、ニューロメラニン萎縮度を算出し、算出されたニューロメラニン萎縮度をもとに、前記患者がパーキンソン病であるか否かを診断することができる。
また、画像解析部４０は、算出されたニューロメラニン萎縮度を年齢別百分位情報に変換することもできる。
画像解析部４０が、予め指定された周期で取得された複数のニューロメラニン萎縮度を用いて、前記患者のニューロメラニン萎縮率を計算する場合、診断情報出力部５０は、患者のニューロメラニン萎縮率を様々な形で表示する機能を提供することができる。
以下では、各構成要素の役割と機能について図面を参照にして、具体的に説明する。
画像前処理部の構成と動作
図２は、本発明に関連して、画像前処理部のブロック構成図の一例を示したものである。
画像前処理部２５は、取得したＭＲＩ画像をもとに、コントラスト比（Ｃｏｎｔｒａｓｔ Ｒａｔｉｏ、ＣＲ）画像を生成することを目的とする。
図２を参照すれば、画像前処理部２５は、頭蓋骨除去部１００、画像再分割部１１０、ニューロメラニン領域分類部１２０、空間的正規化部１３０、参照領域分割及び演算部１４０、ＣＲ画像生成部１５０、ＣＲ計算部１６０を含むことができる。
まず、頭蓋骨除去部１００は、取得したＭＲＩ画像内において頭蓋骨領域を除去する機能を提供する。
図３は、本発明に関連して、ニューロメラニンＭＲＩにおいて頭蓋骨などの鼻脳組織を除去する一例を示すものである。
図３の（ａ）は、入力されたニューロメラニンＭＲＩ（ＮＭ－ＭＲＩ）画像の一例を示すものであり、図３の（ｂ）は、ＮＭ－ＭＲＩにおいて鼻脳組織が除去された一例が示されている。
次に、画像再分割部１１０は、頭蓋骨領域が除去された画像をもとに、角度調節、画像の拡大と再分割（Ｒｅｓｌｉｃｅ）のうち少なくとも一つの動作を行う機能を提供する。
図４は、本発明に関連して、画像の空間（ｓｐａｃｉｎｇ）、方向余弦（ｄｉｒｅｃｔｉｏｎ ｃｏｓｉｎｅｓ）を一定にして、正の方向に再分配する画像前処理部の動作例を示すものである。
図４の（ａ）は、再分割される以前の画像の一例を示すものであり、図４の（ｂ）は、画像の空間（ｓｐａｃｉｎｇ）、方向余弦（ｄｉｒｅｃｔｉｏｎ ｃｏｓｉｎｅｓ）を一定にして、正の方向に再分配した結果物の一例が示されたものである。
また、ニューロメラニン領域分類部１２０は、画像再分割部から伝達された画像をもとに、ディープニューラルネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）モデルを用いて、前記ニューロメラニンが含まれた第１の領域を検出する機能を提供する。
このとき、ニューロメラニン領域分類部１２０は、第１の領域の境界が区分されるように表示し、第１の領域の画像をクロップ（ｃｒｏｐ）することができる。
図５は、本発明に関連して、ニューロメラニン領域を分類する一例を示すものである。
図５を参照すれば、（ａ）に示された画像再分割部１１０から伝達された画像は、（ｂ）に示されたディープニューラルネットワークモデルを通じて全ＮＭ－ＭＲＩの中、ニューロメラニンが含まれた領域が検出された一例が（ｃ）に表示される。
また、図５の（ｄ）に示すように、周囲に境界が表示され、それから画像をクロップ（ｃｒｏｐ）することができる。
また、空間的正規化部１３０は、第１の領域が検出された画像をもとに、テンプレート（ｔｅｍｐｌａｔｅ）画像を用いて、空間的正規化（ｓｐａｔｉａｌ ｎｏｒｍａｌｉｚａｔｉｏｎ）を行う機能を提供する。
このとき、空間的正規化部１３０は、健常者のニューロメラニンＭＲＩ画像から生成された第１のテンプレート（ｔｅｍｐｌａｔｅ）画像及びＴ１－ｗｅｉｇｈｔｅｄ ＭＲＩを基盤とする解剖学的画像から生成された第２のテンプレート（ｔｅｍｐｌａｔｅ）画像のうちの少なくとも一つを用いて、前記空間的正規化を行うことができる。
また、前記空間的正規化部１３０は、第２のテンプレート画像を用いて整合した後、前記第１のテンプレート画像を整合することにより、前記空間的正規化を行うこともできる。
空間的正規化は、入力されたＮＭ－ＭＲＩは、テンプレート（ｔｅｍｐｌａｔｅ）画像に空間的正規化（ｓｐａｔｉａｌ ｎｏｒｍａｌｉｚａｔｉｏｎ）されることを意味し、本発明によれば、空間的正規化は、二つの方法のいずれかを用いることができる。
第一方法は、ＮＭ－ＭＲＩ ｔｅｍｐｌａｔｅに空間的正規化される方法であって、ここで、ＮＭ－ＭＲＩ ｔｅｍｐｌａｔｅは、何人かの正常なＮＭ－ＭＲＩにより生成されたｔｅｍｐｌａｔｅを意味する。
第二方法は、Ｔ１－ｗｅｉｇｈｔｅｄ ＭＲＩのような解剖学的画像を活用する方法である。
図６は、本発明に関連して、入力されたニューロメラニンＭＲＩをテンプレート（ｔｅｍｐｌａｔｅ）画像に空間的正規化（ｓｐａｔｉａｌ ｎｏｒｍａｌｉｚａｔｉｏｎ）させる一例を示すものである。
図６の（ａ）ないし（ｃ）に示すように、前記２つの方法は、混合して使用することもできるが、個人の高解像度Ｔ１－ｗｅｉｇｈｔｅｄ ＭＲＩ画像を先にＴ１ ｔｅｍｐｌａｔｅに整合した後、個人のＮＭ－ＭＲＩを空間的正規化する方法で適用することができる。
また、参照領域分割及び演算部１４０は、空間的正規化された画像をもとに、Ａｔｌａｓ－ｂａｓｅｄ ｓｅｇｍｅｎｔａｔｉｏｎ方法を用いて参照領域を分割し、前記分割された参照領域内の平均値を算出する機能を提供する。
前記分割された参照領域は、大脳脚（Ｃｅｒｅｂｒａｌ ｐｅｄｕｎｃｌｅｓ）領域になることができる。
すなわち、予め定義されたアトラス（ａｔｌａｓ）を適用したＡｔｌａｓ－ｂａｓｅｄ ｓｅｇｍｅｎｔａｔｉｏｎ方法を通じて、参照領域を分割し、ＮＭ－ＭＲＩにおいて参照領域内の平均を算出することができる。
本過程では、Ｐｒｉｏｒ ｋｎｏｗｌｅｄｇｅ（事前情報）を利用する方法と、専門家によってｔｅｍｐｌａｔｅ空間に定義された参照画像（ａｔｌａｓ）を用いて分割（ｓｅｇｍｅｎｔａｔｉｏｎ）する方法などが活用されることができる。
図７は、本発明に関連して、参照領域を分割し、演算する一例を示したものである。
図７を参照すれば、参照領域（Ｒｅｄ）として第１の参照領域１４１と第２の参照領域１４２が表示される。
また、ＣＲ画像生成部１５０は、空間的正規化された画像をもとに、画像の各ボクセル（ｖｏｘｅｌ）に前記コントラスト比（Ｃｏｎｔｒａｓｔ Ｒａｔｉｏ、ＣＲ）値がマッピング（ｍａｐｐｉｎｇ）されたＣＲ画像を生成する機能を提供する。
図８は、本発明に関連して、各ｖｏｘｅｌにＣＲ（Ｃｏｎｔｒａｓｔ Ｒａｔｉｏ）値がマッピング（ｍａｐｐｉｎｇ）されて生成されたＣＲ画像の一例を示したものである。
一方、ＣＲ画像生成部１５０は、参照領域分割及び演算１４０で算出された平均値を用いて、コントラスト比値を算出することができる。
コントラスト比値は、以下の数式１により算出することができる。
Figure 2022120755000003
前記数式１において、ＣＲνは前記コントラスト比値であり、ＳＩνは前記各ボクセルの信号強度（ｓｉｇｎａｌ ｉｎｔｅｎｓｉｔｙ）であり、ｍｅａｎＳＩＲｅｆは前記平均値を意味する。
また、ＣＲ計算部１６０は、生成されたＣＲ画像をもとに、予め指定された脆弱領域（Ｖｕｌｎｅｒａｂｌｅ ｒｅｇｉｏｎ）を分割し、分割された脆弱領域内の平均ＣＲを計算する機能を提供する。
ここで、予め指定された脆弱領域は、健常群のニューロメラニン領域と患者群のニューロメラニン領域を比較したとき、予め指定された基準以上に有意差のある領域であることができる。
代表的には、予め指定された脆弱領域は、ｎｉｇｒｏｓｏｍｅ１領域とｎｉｇｒｏｓｏｍｅ２領域を含むことができる。
図９ａ及び図９ｂは、図８にて生成されたＣＲ（Ｃｏｎｔｒａｓｔ Ｒａｔｉｏ）画像をもとに、Ｖｕｌｎｅｒａｂｌｅ ｒｅｇｉｏｎを分割し、平均ＣＲを計算した一例を示したものである。
Ｖｕｌｎｅｒａｂｌｅ ｒｅｇｉｏｎは、健常群と患者群のニューロメラニン領域内で統計的に有意差のある領域であって、図９ａの（ａ）及び（ｂ）と図９ｂの（ａ）ないし（ｄ）は、ニューロメラニン領域内で統計的有意差がある領域（健常者５０名、ＩＰＤ５０名）を表示したものである。
図９ａの（ａ）及び（ｂ）と図９ｂの（ａ）ないし（ｄ）の領域は、Ｓｕｓｃｅｐｔｉｂｉｌｉｔｙ ｍａｐ－ｗｅｉｇｈｔｅｄ ｉｍａｇｉｎｇ（ＳＭＷＩ）ｔｅｍｐｌａｔｅに重ねて見たとき、ｎｉｇｒｏｓｏｍｅ１とｎｉｇｒｏｓｏｍｅ２領域に該当することができる。
ここで、ｎｉｇｒｏｓｏｍｅ１とｎｉｇｒｏｓｏｍｅ２は、パーキンソン病の初期に影響を受ける領域である。
また、ｖｕｌｎｅｒａｂｌｅ ｒｅｇｉｏｎの平均ＣＲ計算は、ｎｉｇｒｏｓｏｍｅ１、２領域それぞれまたは左、右領域の組み合わせで計算することができる。
ここで計算された平均ＣＲは、画像解析部４０で活用することができる。
一方、本発明の他の実施形態によれば、追跡検査にｗｉｔｈｉｎ－ｓｕｂｊｅｃｔ ｔｅｍｐｌａｔｅを生成し、活用する方法が提供されることができる。
図１０及び図１１は、本発明に関連して、入力されるニューロメラニンＭＲＩ画像が複数の場合、ｗｉｔｈｉｎ－ｓｕｂｊｅｃｔ ｔｅｍｐｌａｔｅが生成され、用いられる一例を示すものである。
図１０を参照すれば、同一客体を基準に、前記入力されるＭＲＩ画像が複数の場合、複数のＭＲＩ画像に含まれたニューロメラニン領域データを用いて、ｗｉｔｈｉｎ－ｓｕｂｊｅｃｔ ｔｅｍｐｌａｔｅを生成するテンプレート生成部２００をさらに含むことができる。
このとき、空間的正規化部１３０は、前記ｗｉｔｈｉｎ－ｓｕｂｊｅｃｔ ｔｅｍｐｌａｔｅを用いて、前記空間的正規化を行い、ｗｉｔｈｉｎ－ｓｕｂｊｅｃｔ ｔｅｍｐｌａｔｅは、前記と同一客体の追跡検査（ｌｏｎｇｉｔｕｄｉｎａｌ ｓｔｕｄｙ）に用いられることができる。
このように、追跡検査（ｌｏｎｇｉｔｕｄｉｎａｌ ｓｔｕｄｙ）の際、ｗｉｔｈｉｎ－ｓｕｂｊｅｃｔ ｔｅｍｐｌａｔｅ生成過程が追加される場合、図１１の（ａ）及び（ｂ）のように、Ｗｉｔｈｉｎ－ｓｕｂｊｅｃｔ ｔｅｍｐｌａｔｅは、入力されたＮＭ－ＭＲＩ画像（２つ以上）を用いて、図１１の（ｃ）のようにｗｉｔｈｉｎ－ｓｕｂｊｅｃｔ ｔｅｍｐｌａｔｅが生成されることができる。
同一人がそれぞれ別の時点に撮影されたデータの変化量を観察するためにｗｉｔｈｉｎ－ｓｕｂｊｅｃｔ ｔｅｍｐｌａｔｅを生成し、Ｗｉｔｈｉｎ－ｓｕｂｊｅｃｔ ｔｅｍｐｌａｔｅは、それぞれ別の時点に撮影された画像の時間経過に伴う変動性を最小限に抑えることができる。
すなわち、Ｗｉｔｈｉｎ－ｓｕｂｊｅｃｔ ｔｅｍｐｌａｔｅは、時間の経過に応じて平均化された画像（ｔｅｍｐｌａｔｅ）と見ることができる。
画像処理部の構成と動作
画像処理部３０は、ニューロメラニン領域分類領域を分割し、ｖｏｌｕｍｅを計算する機能を提供する。
図１２は、本発明に関連して、ニューロメラニン領域を分割し、ｖｏｌｕｍｅを計算する画像処理部の構成を説明する図である。
図１２を参照すれば、画像処理部３０は、前処理されたＭＲＩ画像を解析し、前記ニューロメラニン領域が含まれた第１の画像を分類する分割部３１及び分類された第１の画像からニューロメラニン領域を検出し、ニューロメラニン領域のボリュームを算出するボリューム計算部３２を含むことができる。
ボリューム計算部３２は、第１の画像と関連するボクセル数とボクセルサイズを用いて前記ニューロメラニン領域のボリュームを算出することができる。
一方、分割部３１が、前処理されたＭＲＩ画像を解析し、前記ニューロメラニン領域が含まれた第１の画像を分類する方法としては、次の３つの方法のいずれかが使用されることができる。
（１）Ｇｒａｐｈ－ｃｕｔを用いた方法
（２）Ｄｅｅｐ ｌｅａｒｎｉｎｇを用いた方法
（３）Ｓｐｅｃｉｆｉｃ ｔｈｒｅｓｈｏｌｄｉｎｇを用いた方法
まず、分割部３１は、ニューロメラニン領域が含まれる確率の高いボクセルからなる前景（ｆｏｒｅｇｒｏｕｎｄ）画像と、前記前景画像をもとに生成された背景（ｂａｃｋｇｒｏｕｎｄ）画像を用いるグラフカット（ｇｒａｐｈ－ｃｕｔ）アルゴリズムをもとに、第１の画像を分類することができる。
図１３は、本発明の画像処理部の動作に関連して、Ｇｒａｐｈ－ｃｕｔを用いる方法を説明するための図である。
図１３の（ａ）ないし（ｃ）を参照すれば、グラフカット（ｇｒａｐｈ－ｃｕｔ）アルゴリズムを用いて、ニューロメラニン領域分類領域を分割する方法であって、前景（ｆｏｒｅｇｒｏｕｎｄ）画像と背景（ｂａｃｋｇｒｏｕｎｄ）画像を用いて分割する一例が示されている。
ここで、前景画像は、ニューロメラニン領域である確率の高いボクセル（等）からなる画像であり、背景画像は、前景画像を基に生成された画像である。
次に、分割部３１は、Ｄｅｅｐ ｌｅａｒｎｉｎｇを用いた方法に関連して、脳画像及びニューロメラニン領域画像がラベル付け（ｌａｂｅｌｉｎｇ）されたデータで学習されたディープニューラルネットワークをもとに、前記第１の画像を分類することができる。
図１４は、本発明の画像処理部の動作に関連して、Ｄｅｅｐ ｌｅａｒｎｉｎｇを用いる方法を説明するための図である。
図１４の（ａ）ないし（ｃ）を参照すれば、脳画像とニューロメラニン領域がラベル付け（ｌａｂｅｌｉｎｇ）されたデータで学習されたディープニューラルネットワークモジュールを用いて、ニューロメラニン領域を分割する一例が示されている。
最後に、分割部３１は、ｓｐｅｃｉｆｉｃ ｔｈｒｅｓｈｏｌｄｉｎｇを用いる方法に関連する、予め指定された信号強度（ｓｉｇｎａｌ ｉｎｔｅｎｓｉｔｙ）値以上のファクター（ｆａｃｔｏｒ）を抽出し、前記抽出されたファクターを用いて前記第１の画像を分類することができる。
これは、閾値よりも高いｓｉｇｎａｌ ｉｎｔｅｎｓｉｔｙのみ用いて分割する方法であって、しきい値の決定は、以下のように算出することができる。
閾値を用いてニューロメラニンｖｏｌｕｍｅを求める過程で、ｓｉｇｎａｌ ｉｎｔｅｎｓｉｔｙとｃｏｎｔｒａｓｔ ｖａｒｉａｔｉｏｎを計算するため、ｏｐｔｉｍｉｚｅｄ ｃａｌｉｂｒａｔｉｏｎ ｆａｃｔｏｒを選択する過程が必要なことがある。
また、Ｓｐｅｃｉｆｉｃ ｃａｌｉｂｒａｔｉｏｎ ｆａｃｔｏｒは、ＳＤ値を０．２５ずつ増加することができ、他の値Ｔｈｒｅｓｈｏｌｄは、以下の数式２に基づいて計算することができる。
Figure 2022120755000004
最終的には、前記数式２をもとに、ｔｈｒｅｓｈｏｌｄよりも高い値だけを残し、ｓｅｇｍｅｎｔａｔｉｏｎすることにより、ニューロメラニン領域の分割作業が行われることができる。
画像解析部及び診断情報出力部の構成と動作
前述のように、画像処理部３０は、第１の画像をもとに、前記ニューロメラニン領域のボリュームを算出することができ、本発明の実施形態によれば、臨床情報を取得する臨床情報受信部６０がより活用されることができる。
このとき、画像解析部４０は、算出されたニューロメラニン領域のボリューム及び取得された臨床情報を一緒に用いて、ニューロメラニン萎縮度を算出することができる。
また、画像解析部４０は、前記算出されたニューロメラニン萎縮度をもとに、前記患者がパーキンソン病であるか否かを診断することができる。
ここで、ニューロメラニン萎縮度は、健常者集団の画像から抽出されたニューロメラニン領域のボリュームと、前記患者のニューロメラニン領域のボリュームを比較して計算することができる。
また、画像解析部４０は、算出されたニューロメラニン萎縮度を年齢別百分位情報に変換することもできる。
また、画像解析部４０は、予め指定された周期で取得された複数のニューロメラニン萎縮度を用いて前記患者のニューロメラニン萎縮率を計算することができる。
以後、診断情報出力部５０を介して、前記画像解析部４０が導出した患者のニューロメラニン萎縮率を様々な形で表示し、提供することができる。
図１５は、本発明の画像解析部がニューロメラニンｖｏｌｕｍｅと臨床情報を用いて、年齢別ニューロメラニン萎縮度情報などを取得する一例を示したものである。
図１５の（ａ）ないし（ｃ）を参照すれば、画像解析部４０は、算出されたニューロメラニン領域のボリューム及び取得された臨床情報を一緒に用いて、ニューロメラニン萎縮度を算出し、算出されたニューロメラニン萎縮度をもとに、前記患者がパーキンソン病であるか否かを診断し、算出されたニューロメラニン萎縮度を年齢別百分位情報に変換することができる。
具体的には、画像解析部４０は、ニューロメラニンｖｏｌｕｍｅと臨床情報を用いて、年齢別ニューロメラニン萎縮度を取得することができ、ここで、萎縮指数は、入力された個人のニューロメラニンｖｏｌｕｍｅを年齢別健常者集団の画像から抽出されたニューロメラニンｖｏｌｕｍｅによって計算された標準点数を基準に変換した値を意味する。
次の数式３は、基本的に標準点数を取得することができる数式を示したものであって、代表的にｚ－ｓｃｏｒｅとｔ－ｓｃｏｒｅがある。
Figure 2022120755000005
数式３において、νｉｎｄは、個人の抽出されたニューロメラニンｖｏｌｕｍｅ、μＮＣは、ＮＣ母集団の平均ニューロメラニンｖｏｌｕｍｅ、σＮＣＮＣ母集団のニューロメラニンｖｏｌｕｍｅ標準偏差を意味する。
標準点数を計算する方法は、入力された臨床情報に基づいて、さまざまな方法で計算することができる。
代表的に、下記の数式４は、Ａｇｅが補正された標準点数（Ｗ－ｓｃｏｒｅ）を算出する方法を提示したものである。
Figure 2022120755000006
数式４において、νｉｎｄは、個人の抽出されたニューロメラニンｖｏｌｕｍｅ、ＸはＡｇｅが補正された期待値、σＮＣは、ＮＣ母集団のニューロメラニンｖｏｌｕｍｅ標準偏差を意味する。
本発明に適用可能な機械学習モデルは、健常者のニューロメラニンｖｏｌｕｍｅ、臨床情報、及び萎縮度が学習されているモジュールになることができる。
また、本発明によれば、個人のニューロメラニンｖｏｌｕｍｅと臨床情報を入力すれば、個人別、年齢別に萎縮指数が出力されることができ、この萎縮指数は、年齢別百分位情報に変換されて出力されることもできる。
図１６は、本発明に関連して、診断情報出力部が年齢別百分位情報などを視覚的に表示する一例を示したものである。
図１６を参照すれば、５２歳の男性の萎縮度０．８３と百分位７２のスコアを示し、それに応じて、個人カスタマイズ管理及び治療が行われることができる。
また、本発明によれば、周期的な診断により、追跡検査を行うこともできる。
追跡検査は、同一人が一定期間を置いて撮影したＮＭ－ＭＲＩを用いて萎縮率を計算する方法で行うことができる。
ここで、萎縮率はｂａｓｅｌｉｎｅデータニューロメラニンｖｏｌｕｍとｆｏｌｌｏｗ－ｕｐデータニューロメラニンｖｏｌｕｍｅの変化程度を指し、様々な形で診断情報出力部５０を介して提供されることができる。
たとえば、「６５歳の男性１．３１年間、ニューロメラニンのボリュームが約８．５％減少しました。」との情報が提供されることができる。
他の例を挙げると、「６３歳の女性１．２３年間ニューロメラニンのボリュームが約２ｍｌ減少しました。」との情報が提供されることもできる。
パーキンソン病の診断方法
前述した本発明の構成をもとに、パーキンソン病を診断する方法について説明する。
まず、画像受信部２０が患者の脳を撮影したＭＲＩ画像を取得する段階（Ｓ１０）が行われる。
このとき、画像受信部２０は、ＭＲＩ以外にも、患者の脳に関連するＰＥＴ画像などを追加で取得することもできる。
以後、画像前処理部２５は、パーキンソン病の画像バイオマーカーとして用いられるニューロメラニン領域の観察が可能であるように、取得したＭＲＩ画像を前処理する段階（Ｓ２０）を行う。
ここで、画像前処理部２５の最も重要な機能であって、画像前処理部２５は、取得したＭＲＩ画像をもとに、コントラスト比（Ｃｏｎｔｒａｓｔ Ｒａｔｉｏ、ＣＲ）画像を生成することができる。
また、画像処理部３０は、前処理されたＭＲＩ画像を解析し、ニューロメラニン領域が含まれた第１の画像を分類するようになる（Ｓ３０）。
その後、画像処理部３０は、分類された第１の画像からニューロメラニン領域を検出する動作を行う（Ｓ４０）。
画像処理部３０は、第１の画像をもとにニューロメラニン領域のボリュームを算出することができ、ここで算出されたニューロメラニン領域のボリュームをもとに、画像解析部４０は、患者がパーキンソン病であるか否かを診断することが可能である。
画像処理部３０は、第１の画像と関連するボクセル数とボクセルサイズを用いて、ニューロメラニン領域のボリュームを算出することができる。
Ｓ４０段階以降、画像解析部４０は、検出されたニューロメラニン領域が正常であるか否かを解析し、患者がパーキンソン病であるか否かを診断することができる（Ｓ５０）。
Ｓ５０段階において、画像解析部４０は、算出されたニューロメラニン領域のボリューム及び取得された臨床情報を一緒に用いて、ニューロメラニン萎縮度を算出し、算出されたニューロメラニン萎縮度をもとに、前記患者がパーキンソン病であるか否かを診断することができる。
また、画像解析部４０は、算出されたニューロメラニン萎縮度を年齢別百分位情報に変換することもできる。
その後、画像解析部４０が、予め指定された周期で取得された複数のニューロメラニン萎縮度を用いて前記患者のニューロメラニン萎縮率を計算することができ（Ｓ６０）、診断情報出力部５０は、患者のニューロメラニン萎縮率を様々な形で表示する機能を提供することができる（Ｓ７０）。
人工知能を用いたパーキンソン病診断方法を通して患者群及び健常群の選別に活用して臨床試験の成功確率を高める方法
前述した本発明に係るパーキンソン病の診断方法および装置を、患者群及び健常群の選別に活用して臨床試験の成功確率を高めることができる。
すなわち、本発明は、人工知能を用いたパーキンソン病の診断方法を通して患者群及び健常群の選別に活用し、臨床試験の成功確率を高める装置、システムおよび方法を提供することができる。
薬効能を実証するための臨床試験は、予め予測した期待効果を臨床試験の参加者が達成するのか、統計的有意性を示すかで結果が判定されるが、本発明に係るパーキンソン病診断方法及び装置を適用した場合、正確に新薬が目標とするパーキンソン病患者のみを臨床試験の対象者に含ませることで、可能な限り臨床試験の成功確率を高めることができる。
まず、従来の新薬臨床試験の問題点について先決的に説明する。
薬効能を実証するための臨床試験は、予め予測した期待効果を臨床試験の参加者に対して達成するのか、統計的有意性を示すかで結果が判定される。
一方、パーキンソン病の場合、薬効能による症状が好転するか否かを測定するＵＰＤＲＳ評価、神経学的検診、Ｈｏｅｈｎ ＆ Ｙａｒｒ ｓｔａｇｅ評価（０～５段階）などに依存するしかなく、これらの方法は、問診による方法であり、データの尺度が細密でないという問題点がある。
したがって、統計的有意性が実証されるためには、投薬の前後または偽の薬群と比較して評価尺度の数値が統計的に有意に上昇すべきであり、予測上昇数値が比較的大きいほど目標対象者数も少なくなり、統計的有意性を達成する可能性が上昇するようになる。
このとき、予測上昇数値が小さい場合、その分だけ目標対象も増え、統計実証の難易度が上昇するようになる。
結局、パーキンソン病の評価尺度が一段階上昇すること自体が非常に難しいので、臨床試験合格の可能性が非常に低いという問題点が発生するようになる。
本発明では、このような問題点を解消するために正確に新薬が目標とするパーキンソン病の患者のみを臨床試験の対象者に含ませることで、可能な限り臨床試験の成功確率を高めるようにする。
中枢神経系薬物の新薬開発の過程で重要な失敗要因の一つは、正確な対象者を選別し、薬物反応群の選別に難点である。
中枢神経系薬物の場合、特にプラセボに対する反応比率が高いので、対象者群の異質性を下げ、薬物反応性を予測することができるバイオマーカーを設定することが成功率を高めるに当たって重要な戦略となる。
また、パーキンソン病の場合、診断確定までに時間がかかるので（約３ヶ月）スクリーニング検査が難しく、新薬が目標とするパーキンソン病患者のみを臨床試験の対象者に含ませるのが非常に難しいという問題がある。
したがって、本発明が提供する人工知能を用いたパーキンソン病の診断方法により患者群と健常群の選別に活用し、臨床試験の成功確率を高めるのに活用することができる。
本発明の一実施形態によれば、一番最初に、薬効能を実証するための臨床試験の実験候補群を募集する段階（Ｓ１００）が行われる。
それから、複数の実験候補群を対象に、画像を取得する段階（Ｓ１１０）、パーキンソン病の画像バイオマーカーとして用いられるニューロメラニン領域の観察が可能であるように、取得したＭＲＩ画像を前処理する段階（Ｓ１２０）、前処理されたＭＲＩ画像を解析し、前記ニューロメラニン領域が含まれた第１の画像を分類する段階（Ｓ１３０）、分類された第１の画像からニューロメラニン領域を検出する段階（Ｓ１４０）、検出されたニューロメラニン領域が正常であるか否かを解析し、患者がパーキンソン病であるか否かを診断する段階（Ｓ１５０）が行われる。
前記Ｓ１１０ないしＳ１５０の段階は、前述したＳ１０ないしＳ５０の段階にそれぞれ対応するので、明細書の記載を簡明にするため、説明の繰り返しは省略する。
その後、Ｓ１５０の段階を通して診断結果が導き出されると、診断結果をもとに、複数の実験候補群を実際のパーキンソン病患者と正常群と区分する段階（Ｓ１６０）が行われることができる。
このとき、実際のパーキンソン患者群に分類された対象のみをもとに、臨床試験を進める段階（Ｓ１７０）及び臨床試験の結果をもとに、薬効能を実証する段階（Ｓ１８０）を通して正確に新薬が目標とするパーキンソン病患者のみを臨床試験の対象者に含ませることで、臨床試験の成功確率を最大限に高めることができる。
結局、本発明に係る人工知能を用いたパーキンソン病の診断方法を通じ、患者群と健常群の選別に活用し、臨床試験の成功確率を高めることに活用することができる。
前述したＳ１００段階ないしＳ１８０段階は、パーキンソン病情報提供装置１が独自に実行されることもでき、別途のサーバを設けるか、または別途の中央管理装置を設け、パーキンソン病情報提供装置１と共に全体の動作を行うように適用することもできる。
さらに前記では、パーキンソン病であるか否かに基づいて、新薬開発の効率を向上させる方法について説明したが、これのみならず、パーキンソン病の重症度を示す各ステージ（ｓｔａｇｅ）を区別し、新薬の有効性を実証することにも使用することができる。
例えば、本発明が提案する技術をもとに、複数の患者の状態をＮ段階に区分し、各段階に該当する患者群だけを選別し、臨床試験を進めすることにより、精密な段階での新薬効能及び臨床成功確率を高めることに活用することができる。
本発明による効果
本発明によるパーキンソン病情報提供装置及び方法によれば、ＭＲＩでニューロメラニン領域が含まれた画像のみを分類し、分類された画像においてニューロメラニン領域を解析し、パーキンソン病であるか否かを診断することができるという効果が得られる。
また、本発明によれば、画像を用いてパーキンソン病を診断することによって、一般に供給されたＭＲＩ装置を用いて、パーキンソン病を精密に診断することができ、診断結果の精度を向上させることができるという効果が得られる。
また、本発明によれば、ニューロメラニン領域のみ観察可能であるようにすることができる。
具体的には、本発明は、ニューロメラニン領域の観察が可能であるように、取得したＭＲＩ画像を前処理し、前処理されたＭＲＩ画像を解析し、ニューロメラニン領域が含まれた画像を分類し、分類された画像からニューロメラニン領域を検出し、検出されたニューロメラニン領域が正常であるか否かを解析し、患者がパーキンソン病であるか否かを診断することができる。
また、本発明によれば、機械学習を介してニューロメラニン領域を効果的に検出することができる。
具体的には、本発明は、頭蓋骨領域が除去された画像をもとに、角度調節、画像の拡大と再分割（Ｒｅｓｌｉｃｅ）のうち少なくとも一つの動作を行い、ディープニューラルネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）モデルを用いて、ニューロメラニンが含まれた領域を検出し、テンプレート（ｔｅｍｐｌａｔｅ）画像を用いて、空間的正規化（ｓｐａｔｉａｌ ｎｏｒｍａｌｉｚａｔｉｏｎ）を行い、画像の各ボクセル（ｖｏｘｅｌ）に前記コントラスト比（Ｃｏｎｔｒａｓｔ Ｒａｔｉｏ、ＣＲ）値がマッピング（ｍａｐｐｉｎｇ）されたＣＲ画像を生成し、パーキンソン病を診断することができる。
また、本発明は、生成されたＣＲ画像をもとに、予め指定された脆弱領域（Ｖｕｌｎｅｒａｂｌｅ ｒｅｇｉｏｎ）を分割し、分割された脆弱領域内の平均ＣＲを計算することで、画像の前処理を行うことができる装置及び方法を提供することができる。
また、本発明は、同一客体を基準に、入力されるＭＲＩ画像が複数の場合、複数のＭＲＩ画像に含まれたニューロメラニン領域のデータを用いて、ｗｉｔｈｉｎ－ｓｕｂｊｅｃｔ ｔｅｍｐｌａｔｅを生成し、空間的正規化を行うことにより、追跡検査（ｌｏｎｇｉｔｕｄｉｎａｌ ｓｔｕｄｙ）機能を提供することができる。
また、本発明は、患者のニューロメラニン領域のボリュームを算出し、算出されたニューロメラニン領域のボリューム及び取得された臨床情報を一緒に用いて、ニューロメラニン萎縮度を算出し、算出されたニューロメラニン萎縮度をもとに、患者がパーキンソン病であるか否かを診断することができる。
また、本発明は、予め指定された周期で取得された複数のニューロメラニン萎縮度を用いて、患者のニューロメラニン萎縮率を計算し、患者のニューロメラニン萎縮率を様々な形で表示し、提供することができる。
また、本発明は、薬効能を実証するための臨床試験は、予め予測された期待効果を臨床試験の参加者に対して達成されるのか、統計的有意性を示すかで結果が判定されるが、本発明に係るパーキンソン病診断方法及び装置を適用する場合、正確に新薬が目標とするパーキンソン病の患者のみを臨床試験の対象者に含ませることで、臨床試験の成功確率を最大限に高めることができる。
すなわち、本発明による人工知能を用いたパーキンソン病の診断方法を通して、患者群及び健常群の選別に活用し、臨床試験の成功確率を高めることに活用することができる。
一方、本発明から得られる効果は、以上で述べた効果に限定されず、言及していないもう一つの効果は以下の記載から、本発明が属する技術分野における通常の知識を有する者に明確に理解されるであろう。
上述した本発明の実施形態は、様々な手段を介して具現されることができる。例えば、本発明の実施形態は、ハードウェア、ファームウェア（ｆｉｒｍｗａｒｅ）、ソフトウェアまたはそれらの組み合わせなどにより具現されることができる。
ハードウェアによる具現の場合、本発明の実施形態に係る方法は、一つまたはそれ以上のＡＳＩＣｓ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔｓ）、ＤＳＰｓ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒｓ）、ＤＳＰＤｓ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｄｅｖｉｃｅｓ）、ＰＬＤｓ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅｓ）、ＦＰＧＡｓ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙｓ）、プロセッサ、コントローラ、マイクロコントローラ、マイクロプロセッサなどにより具現されることができる。
ファームウェアやソフトウェアによる具現の場合、本発明の実施形態に係る方法は、以上で説明した機能や動作を行うモジュール、手続きまたは関数などの形態で具現されることができる。ソフトウェアコードは、メモリユニットに保存され、プロセッサによって駆動されることができる。前記メモリユニットは、前記プロセッサの内部または外部に位置し、既に公知された多様な手段により、前記プロセッサとデータを送受信することができる。
上述したように、開示された本発明の好ましい実施形態についての詳細な説明は、当業者が本発明を具現し、実施できるように提供された。前記では、本発明の好ましい実施形態を参照にして説明したが、当該技術分野の熟練した当業者は、本発明の範囲から逸脱しない範囲内で、本発明を多様に修正及び変更させることができることを理解できるであろう。例えば、当業者は、上述した実施形態に記載された各構成を相互に組み合わせる方式で用いることができる。したがって、本発明は、ここに示された実施形態に制限されるものではなく、ここに開示された原理及び新規な特徴と一致する最大の広範囲を付与するものである。
本発明は、本発明の精神と必須の特徴を逸脱しない範囲で他の特定の形態で具体化されることができる。したがって、前記の詳細な説明は、あやゆる面で制限的に解釈されてはならず、例示的なものとみなされるべきである。本発明の範囲は、添付された請求項の合理的な解釈によって決定されるべきであり、本発明の等価的範囲内でのすべての変更は、本発明の範囲に含まれる。本発明は、ここに示された実施形態に制限されるものではなく、ここで開示された原理と新規な特徴と一致する最大の広範囲を付与するものである。また、特許請求の範囲で明示的な引用関係にない請求項を組み合わせて、実施形態を構成したり、出願後の補正により新しい請求項として含めることができる。

Claims (22)

  1. 患者の脳を撮影したＭＲＩ画像を取得する画像受信部と、
    パーキンソン病の画像バイオマーカーとして用いられるニューロメラニン領域の観察が可能であるように、前記取得したＭＲＩ画像を前処理する画像前処理部と、
    前記前処理されたＭＲＩ画像を解析し、前記ニューロメラニン領域が含まれた第１の画像を分類し、前記分類された第１の画像から前記ニューロメラニン領域を検出する画像処理部と、
    前記検出されたニューロメラニン領域を解析し、パーキンソン病と関連する前記患者の情報を判断する画像解析部と、を含む、ニューロメラニン画像を用いたパーキンソン病情報提供装置。
  2. 前記画像前処理部は、
    前記取得したＭＲＩ画像をもとに、コントラスト比（Ｃｏｎｔｒａｓｔ Ｒａｔｉｏ、ＣＲ）画像を生成することを特徴とする、請求項１に記載のニューロメラニン画像を用いたパーキンソン病情報提供装置。
  3. 前記画像前処理部は、
    前記取得したＭＲＩ画像内で頭蓋骨領域を除去する頭蓋骨除去部と、
    前記頭蓋骨領域が除去された画像をもとに、角度調節、画像の拡大と再分割（Ｒｅｓｌｉｃｅ）のうち少なくとも一つの動作を行う画像再分割部と、
    前記画像再分割部から伝達された画像をもとに、ディープニューラルネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）モデルを用いて、前記ニューロメラニンが含まれた第１の領域を検出するニューロメラニン領域分類部と、
    前記第１の領域が検出された画像をもとに、テンプレート（ｔｅｍｐｌａｔｅ）画像を用いて、空間的正規化（ｓｐａｔｉａｌ ｎｏｒｍａｌｉｚａｔｉｏｎ）を行う空間的正規化部と、
    前記空間的正規化された画像をもとに、画像の各ボクセル（ｖｏｘｅｌ）に前記コントラスト比（Ｃｏｎｔｒａｓｔ Ｒａｔｉｏ、ＣＲ）値がマッピング（ｍａｐｐｉｎｇ）されたＣＲ画像を生成するＣＲ画像生成部と、
    前記生成されたＣＲ画像をもとに、予め指定された脆弱領域（Ｖｕｌｎｅｒａｂｌｅ ｒｅｇｉｏｎ）を分割し、前記分割された脆弱領域内の平均ＣＲを計算する計算部と、を含むことを特徴とする、請求項２に記載のニューロメラニン画像を用いたパーキンソン病情報提供装置。
  4. 前記ニューロメラニン領域分類部は、
    前記第１の領域の境界が区分されるように表示し、前記第１の領域の画像をクロップ（ｃｒｏｐ）することを特徴とする、請求項３に記載のニューロメラニン画像を用いたパーキンソン病情報提供装置。
  5. 前記空間的正規化部は、
    健常者ニューロメラニンＭＲＩ画像から生成された第１のテンプレート（ｔｅｍｐｌａｔｅ）画像とＴ１－ｗｅｉｇｈｔｅｄ ＭＲＩを基盤とする解剖学的画像から生成された第２のテンプレート（ｔｅｍｐｌａｔｅ）画像のうち少なくとも一つを用いて、前記空間的正規化を行うことを特徴とする、請求項３に記載のニューロメラニン画像を用いたパーキンソン病情報提供装置。
  6. 前記空間的正規化部は、
    前記第２のテンプレート画像を用いて整合した後、前記第１のテンプレート画像を整合することにより、前記空間的正規化を行うことを特徴とする、請求項５に記載のニューロメラニン画像を用いたパーキンソン病情報提供装置。
  7. 前記空間的正規化された画像をもとに、テンプレート空間上に定義された参照画像であるアトラス（Ａｔｌａｓ）を用いるＡｔｌａｓ－ｂａｓｅｄ ｓｅｇｍｅｎｔａｔｉｏｎ方法をもとに、参照領域を分割し、前記分割された参照領域内の平均値を算出する参照領域分割部をさらに含み、
    前記ＣＲ画像生成部は、前記算出された平均値を用いて前記コントラスト比値を算出することを特徴とする、請求項３に記載のニューロメラニン画像を用いたパーキンソン病情報提供装置。
  8. 前記コントラスト比値は、下記の数式１により算出されることを特徴とする請求項７に記載のニューロメラニン画像を用いたパーキンソン病情報提供装置。
    Figure 2022120755000007
    前記式１において、ＣＲνは、前記コントラスト比の値であり、ＳＩνは、前記各ボクセルの信号強度（ｓｉｇｎａｌ ｉｎｔｅｎｓｉｔｙ）であり、ｍｅａｎＳＩＲｅｆは、前記平均値を意味する。
  9. 前記分割された参照領域は、大脳脚（Ｃｅｒｅｂｒａｌ ｐｅｄｕｎｃｌｅｓ）領域であることを特徴とする、請求項７に記載のニューロメラニン画像を用いたパーキンソン病情報提供装置。
  10. 前記予め指定された脆弱領域は、
    健常群のニューロメラニン領域と患者群のニューロメラニン領域とを比較したとき、予め指定された基準以上に有意差のある領域であることを特徴とする、請求項３に記載のニューロメラニン画像を用いたパーキンソン病情報提供装置。
  11. 前記予め指定された脆弱領域は、ニグロソーム１（ｎｉｇｒｏｓｏｍｅ１）領域とニグロソーム２（ｎｉｇｒｏｓｏｍｅ２）領域を含むことを特徴とする、請求項１０に記載のニューロメラニン画像を用いたパーキンソン病情報提供装置。
  12. 同一客体を基準に、前記入力されるＭＲＩ画像が複数の場合、
    前記複数のＭＲＩ画像に含まれたニューロメラニン領域のデータを用いて、時間の経過により平均化した画像であるｗｉｔｈｉｎ－ｓｕｂｊｅｃｔ ｔｅｍｐｌａｔｅを生成するテンプレート生成部をさらに含み、
    前記空間的正規化部は、前記ｗｉｔｈｉｎ－ｓｕｂｊｅｃｔ ｔｅｍｐｌａｔｅを用いて、前記空間的正規化を行い、
    前記ｗｉｔｈｉｎ－ｓｕｂｊｅｃｔ ｔｅｍｐｌａｔｅは、前記と同一客体に対する追跡検査（ｌｏｎｇｉｔｕｄｉｎａｌ ｓｔｕｄｙ）に用いられることを特徴とする、請求項３に記載のニューロメラニン画像を用いたパーキンソン病情報提供装置。
  13. 前記画像処理部は、
    前記第１の画像をもとに、前記ニューロメラニン領域のボリュームを算出し、
    前記画像解析部は、
    前記算出されたニューロメラニン領域のボリュームを用いて、前記パーキンソン病と関連する前記患者の情報を判断することを特徴とする、請求項１に記載のニューロメラニン画像を用いたパーキンソン病情報提供装置。
  14. 前記画像処理部は、
    前記第１の画像に関連するボクセル数とボクセルサイズを用いて、前記ニューロメラニン領域のボリュームを算出することを特徴とする、請求項１３に記載のニューロメラニン画像を用いたパーキンソン病情報提供装置。
  15. 前記画像処理部は、
    前記ニューロメラニン領域が含まれる確率が高いボクセルからなる前景（ｆｏｒｅｇｒｏｕｎｄ）画像と前記前景画像をもとに生成された背景（ｂａｃｋｇｒｏｕｎｄ）画像を用いるグラフカット（ｇｒａｐｈ－ｃｕｔ）アルゴリズムをもとに、前記第１の画像を分類することを特徴とする、請求項１３に記載のニューロメラニン画像を用いたパーキンソン病情報提供装置。
  16. 前記画像処理部は、
    脳画像及びニューロメラニン領域画像がラベル付け（ｌａｂｅｌｉｎｇ）されたデータで学習されたディープニューラルネットワークをもとに、前記第１の画像を分類することを特徴とする、請求項１３に記載のニューロメラニン画像を用いたパーキンソン病情報提供装置。
  17. 前記画像処理部は、
    予め指定された信号強度（ｓｉｇｎａｌ ｉｎｔｅｎｓｉｔｙ）値以上のファクター（ｆａｃｔｏｒ）を抽出し、
    前記抽出されたファクターを用いて前記第１の画像を分類することを特徴とする、請求項１３に記載のニューロメラニン画像を用いたパーキンソン病情報提供装置。
  18. 前記画像処理部は、
    前記第１の画像をもとに、前記ニューロメラニン領域のボリュームを算出し、
    臨床情報を取得する臨床情報受信部をさらに含み、
    前記画像解析部は、
    前記算出されたニューロメラニン領域のボリューム及び前記取得された臨床情報を共に用いて、ニューロメラニン萎縮度を算出し、
    前記算出されたニューロメラニン萎縮度をもとに、前記パーキンソン病と関連する前記患者の情報を判断することを特徴とする、請求項１に記載のニューロメラニン画像を用いたパーキンソン病情報提供装置。
  19. 前記ニューロメラニン萎縮度は、
    健常者集団の画像から抽出されたニューロメラニン領域のボリュームと、前記患者のニューロメラニン領域のボリュームを比較して算出することを特徴とする、請求項１８に記載のニューロメラニン画像を用いたパーキンソン病情報提供装置。
  20. 前記画像解析部は、
    前記算出されたニューロメラニン萎縮度を年齢別百分位情報に変換することを特徴とする、請求項１８に記載のニューロメラニン画像を用いたパーキンソン病情報提供装置。
  21. 前記画像解析部は、
    予め指定された周期で取得された複数のニューロメラニン萎縮度を用いて前記患者のニューロメラニン萎縮率を計算し、
    前記患者のニューロメラニン萎縮率を表示する診断情報出力部をさらに含むことを特徴とする、請求項１８に記載のニューロメラニン画像を用いたパーキンソン病情報提供装置。
  22. 画像受信部、画像前処理部、画像処理部および画像解析部を含む、パーキンソン病情報提供装置と、中央管理部および／または前記パーキンソン病情報提供装置と通信するサーバを用いて、パーキンソン病が存在する患者群を選別することにより、臨床試験の成功確率を高めるシステムにおいて、
    前記画像受信部は、薬効能を実証するための臨床試験の実験候補群である複数の患者の脳を撮影したＭＲＩ画像を取得し、
    前記画像前処理部は、パーキンソン病の画像バイオマーカーとして用いられるニューロメラニン領域の観察が可能であるように、前記取得したＭＲＩ画像を前処理し、
    前記画像処理部は、前記前処理されたＭＲＩ画像を解析し、前記ニューロメラニン領域が含まれた第１の画像を分類し、前記分類された第１の画像から前記ニューロメラニン領域を検出し、
    前記画像解析部は、前記検出されたニューロメラニン領域を解析し、パーキンソン病と関連する前記患者の情報を判断し、前記患者の情報をもとに前記複数の患者のうち、第１条件を満たす少なくも一つの第１患者に関する情報を、前記中央管理部および／または前記サーバに伝達し、
    前記中央管理部および／または前記サーバは、前記第１患者に関する臨床試験の結果を、前記薬効能を実証することを特徴とするパーキンソン病が存在する患者を選別し、臨床試験の成功確率を高めるシステム。
JP2021063383A 2021-02-05 2021-04-02 ニューロメラニン画像を用いたパーキンソン病情報提供装置及び方法 Active JP6942278B1 (ja)

Applications Claiming Priority (2)

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

Publications (2)

Publication Number Publication Date
JP6942278B1 JP6942278B1 (ja) 2021-09-29
JP2022120755A true JP2022120755A (ja) 2022-08-18

Family

ID=75362445

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021063383A Active JP6942278B1 (ja) 2021-02-05 2021-04-02 ニューロメラニン画像を用いたパーキンソン病情報提供装置及び方法

Country Status (5)

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

Families Citing this family (4)

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

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8160676B2 (en) * 2006-09-08 2012-04-17 Medtronic, Inc. Method for planning a surgical procedure
EP2158574B1 (en) * 2007-06-21 2018-12-12 Koninklijke Philips N.V. Model-based differential diagnosis of dementia and interactive setting of level of significance
US9600881B2 (en) * 2012-05-04 2017-03-21 Emory University Methods, systems and computer readable storage media storing instructions for imaging and determining information associated with regions of the brain
WO2013165573A1 (en) * 2012-05-04 2013-11-07 Emory University Methods, systems and computer readable storage media storing instructions for imaging and determining information associated with regions of the brain
KR101540254B1 (ko) 2013-06-24 2015-07-30 경북대학교 산학협력단 당을 감지하는 화학감각수용체를 발현하는 세포를 이용한 바이오 센서 및 이를 포함하는 알츠하이머 진단 기기
AU2013400936B2 (en) 2013-09-20 2017-08-03 Transmural Biotech, S. L. Image analysis techniques for diagnosing diseases
CN104899884A (zh) * 2015-06-03 2015-09-09 浙江工业大学 一种用于早期帕金森症预测的综合分析方法
KR101860566B1 (ko) 2016-12-06 2018-05-23 경희대학교 산학협력단 파킨슨병을 진단하기 위한 정보제공방법
KR101908126B1 (ko) 2017-03-21 2018-12-18 한국원자력의학원 다중 의료영상 분석 시스템 및 방법
KR101754291B1 (ko) 2017-04-04 2017-07-06 이현섭 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법
KR102068836B1 (ko) 2018-01-29 2020-02-11 한림대학교 산학협력단 파킨슨병의 진단을 위한 입력 패턴 생성 장치 및 방법
JP2022508684A (ja) * 2018-10-10 2022-01-19 ザ トラスティーズ オブ コロンビア ユニバーシティ イン ザ シティ オブ ニューヨーク ヒトの脳におけるドーパミン機能の非侵襲的代理測定としての神経メラニン感受性磁気共鳴画像法のためのシステム、方法及びコンピュータアクセス可能媒体
JP2022527629A (ja) * 2019-04-05 2022-06-02 アーリー・インコーポレイテッド 合成バイオマーカーのための改良された方法及び組成物
KR102058884B1 (ko) 2019-04-11 2019-12-24 주식회사 홍복 치매를 진단을 하기 위해 홍채 영상을 인공지능으로 분석하는 방법
CN110232679A (zh) * 2019-05-24 2019-09-13 潘丹 一种阿尔茨海默症遗传生物标志物确定方法及系统
KR102097738B1 (ko) * 2020-03-03 2020-04-06 주식회사 휴런 인공지능 기반 파킨슨 병 진단 장치 및 방법
CN111681184B (zh) * 2020-06-09 2023-02-24 复旦大学附属华山医院 一种神经黑色素图像重建方法、装置、设备和存储介质

Also Published As

Publication number Publication date
KR102256345B1 (ko) 2021-05-28
CN113077448A (zh) 2021-07-06
KR102288077B1 (ko) 2021-08-11
KR102288078B1 (ko) 2021-08-11
CN113077448B (zh) 2022-04-26
KR102278011B1 (ko) 2021-07-15
JP6942278B1 (ja) 2021-09-29
EP4039186A1 (en) 2022-08-10
EP4039186B1 (en) 2023-12-27
KR102278010B1 (ko) 2021-07-15
US11207019B1 (en) 2021-12-28

Similar Documents

Publication Publication Date Title
KR102288077B1 (ko) 뉴로멜라닌 영역의 볼륨을 이용한 파킨슨 병 진단을 위한 정보제공 방법
US11263749B1 (en) Predictive prognosis based on multimodal analysis
US20230329659A1 (en) System and Methods of Prediction of Ischemic Brain Tissue Fate from Multi-Phase CT-Angiography in Patients with Acute Ischemic Stroke using Machine Learning
EP3488413A1 (en) System and method for estimating synthetic quantitative health values from medical images
Bigham et al. Features of the superficial white matter as biomarkers for the detection of Alzheimer's disease and mild cognitive impairment: A diffusion tensor imaging study
KR102605720B1 (ko) 뇌 질환 예측 장치 및 방법, 뇌 질환을 예측하기 위한 학습 장치
Dai et al. A novel meibomian gland morphology analytic system based on a convolutional neural network
Senthilkumar et al. Primitive detection of Alzheimer’s disease using neuroimaging: A progression model for Alzheimer’s disease: Their applications, benefits, and drawbacks
Çelebi et al. Leveraging Deep Learning for Enhanced Detection of Alzheimer's Disease Through Morphometric Analysis of Brain Images.
Daza et al. Classification of alzheimer's disease in mri using visual saliency information
Jain et al. A review of deep learning-based disease detection in Alzheimer's patients
KR20190068254A (ko) 병변 발생 시점 추정 방법, 장치 및 프로그램
Fenske et al. Sensitivity of functional connectivity to periaqueductal gray localization, with implications for identifying disease-related changes in chronic visceral pain: a MAPP research network neuroimaging study
Morello et al. Ocular biometric measurements to diagnose neurological disorders due to wilson disease
Peter et al. CNN based Model for Severity Analysis of Diabetic Retinopathy to aid Medical Treatment with Ayurvedic Perspective
Memon et al. Image pre-processing for differential diagnosis of multiple sclerosis using brain MRI
KR102293945B1 (ko) 플로우 포화 펄스를 사용하여 뉴로멜라닌 콘트라스트 정보를 획득할 수 있는 장치 및 방법
Temtam et al. Opioid use disorder prediction using machine learning of fMRI data
CN111278364A (zh) 信息输出装置、方法及程序
Simozo et al. Brain Tissue Classification to Detect Focal Cortical Dysplasia in Magnetic Resonance Imaging
Moreno A Retrospective Chart Review on Young Adult Temporal Lobe Epileptic Patients with and without Mesial Temporal Sclerosis Using Radiomic Feature Analysis
EP4374300A1 (en) Methods and systems for early detection of ocular and/or neurological conditions
Mohapatra et al. Meta-Analysis of Transfer Learning for Segmentation of Brain Lesions
Gao et al. Adversarial learning-based domain adaptation algorithm for intracranial artery stenosis detection on multi-source datasets
Kaur et al. Analysis of Diabetic Retinopathy (DR) Based on the Deep Learning-A Review

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210402

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210616

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20210616

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210730

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210817

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20210827

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210907

R150 Certificate of patent or registration of utility model

Ref document number: 6942278

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150