JP2022547909A - Ｃｔ画像基盤の部位別の大脳皮質収縮率の予測方法及び装置 - Google Patents

Ｃｔ画像基盤の部位別の大脳皮質収縮率の予測方法及び装置 Download PDF

Info

Publication number
JP2022547909A
JP2022547909A JP2022514861A JP2022514861A JP2022547909A JP 2022547909 A JP2022547909 A JP 2022547909A JP 2022514861 A JP2022514861 A JP 2022514861A JP 2022514861 A JP2022514861 A JP 2022514861A JP 2022547909 A JP2022547909 A JP 2022547909A
Authority
JP
Japan
Prior art keywords
image
images
information
region
model
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
JP2022514861A
Other languages
English (en)
Other versions
JP7317306B2 (ja
Inventor
キョン ソン、チョン
ウォン ソ、サン
フン キム、チョン
キム、シヒョン
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.)
Korea University Research and Business Foundation
Original Assignee
Korea University Research and Business Foundation
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 Korea University Research and Business Foundation filed Critical Korea University Research and Business Foundation
Publication of JP2022547909A publication Critical patent/JP2022547909A/ja
Application granted granted Critical
Publication of JP7317306B2 publication Critical patent/JP7317306B2/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
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • 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
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
    • A61B6/5247—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from an ionising-radiation diagnostic technique and a non-ionising radiation diagnostic technique, e.g. X-ray and ultrasound
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Neurosurgery (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Epidemiology (AREA)
  • Physiology (AREA)
  • Primary Health Care (AREA)
  • Pulmonology (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)

Abstract

Figure 2022547909000001
本発明は、多数患者のＣＴ画像とセグメンテーション情報とを選択及び用いて、ディープラーニングネットワークにＣＴ画像とセグメンテーション情報との相関関係を学習させるディープラーニング段階；セマンティック特徴情報のそれぞれに対応する多数の部位別の大脳皮質収縮率を追加獲得した後、マシンラーニングモデルにセマンティック特徴情報と部位別の大脳皮質収縮率との相関関係を学習させるマシンラーニング段階；分析対象画像が入力されれば、ディープラーニングネットワークを通じて分析対象画像に対応するセグメンテーション情報を獲得するセグメンテーション段階；及びセグメンテーション情報に基づいて分析対象画像に対応するセマンティック特徴情報を抽出した後、マシンラーニングモデルを通じてセマンティック特徴情報に対応する部位別の大脳皮質収縮率を予測及び通報する予測段階；を含みうる。

Description

本発明は、ディープラーニング及びマシンラーニング技術を用いて、ＭＲＩ画像の代わりに、ＣＴ画像を用いて部位別の大脳皮質収縮率を予測可能にする新たな方式のＣＴ画像基盤の部位別の大脳皮質収縮率の予測装置に関する。
痴呆は、慢性及び進行性脳疾患症候群であって、脳病変の発生及び進行によって記憶力、実行能力を含んだ認知機能の障害と共に、情緒障害、行動調節障害が伴われ、日常生活を独立して行える能力に障害を招く老年期の代表的な器質性精神障害である。多様な脳損傷によって痴呆が発病するが、最も代表的な原因疾患はアルツハイマー型痴呆であって、全体痴呆類型のうち７１％を占めている。
アルツハイマー病の発病原因は、まだ正確に明らかになっていないが、βアミロイドタンパク質の生産増加と排出減少とによってβアミロイドタンパク質が沈着され、アミロイド斑を形成して、他の要因と相互作用を通じて広範囲な神経細胞の破壊を起こすと知られている。
これにより、ＰＥＴ－ＣＴ装置を通じてＰＥＴ画像を獲得し、これに基づいてβアミロイドの蓄積程度を分析及び評価して、アルツハイマー病を診断する方法が提案された。
但し、ＰＥＴ－ＣＴ装置は、ＰＥＴ画像の以外にＣＴ画像をさらに提供するが、アルツハイマー病の診断時に、ＣＴ画像を全く用いることができないという短所がある。特に、アルツハイマー病の診断時に、部位別の大脳皮質収縮率を追加確認させるが、ＣＴ画像を通じては、このような情報を提供することができず、別途のＭＲＩ装置を通じてＭＲＩイメージを獲得及び分析することにより、当該情報を獲得及び提供しなければならない煩わしさがあった。
前記問題点を解決するためのものであって、本発明は、ディープラーニング及びマシンラーニング技術を用いて、ＭＲＩ画像の代わりに、ＣＴ画像を用いて部位別の大脳皮質収縮率を予測可能にする新たな方式のＣＴ画像基盤の部位別の大脳皮質収縮率の予測装置を提供することである。
本発明の目的は、前述した目的に制限されず、言及されていないさらなる目的は、下記の記載から当業者に明確に理解されるであろう。
前記課題を解決するための手段として、本発明の一実施形態によれば、多数患者のＣＴ画像とセグメンテーション情報とを選択及び用いて、ディープラーニングネットワークにＣＴ画像とセグメンテーション情報との相関関係を学習させるディープラーニング段階；ＣＴ画像のそれぞれに対応するセマンティック特徴情報をセグメンテーション情報のそれぞれに基づいて抽出する特徴抽出段階；セマンティック特徴情報のそれぞれに対応する多数の部位別の大脳皮質収縮率を追加獲得した後、マシンラーニングモデルにセマンティック特徴情報と部位別の大脳皮質収縮率との相関関係を学習させるマシンラーニング段階；分析対象画像が入力されれば、前記ディープラーニングネットワークを通じて分析対象画像に対応するセグメンテーション情報を獲得するセグメンテーション段階；及びセグメンテーション情報に基づいて分析対象画像に対応するセマンティック特徴情報を抽出した後、前記マシンラーニングモデルを通じてセマンティック特徴情報に対応する部位別の大脳皮質収縮率を予測及び通報する予測段階；を含むＣＴ画像基盤の部位別の大脳皮質収縮率の予測方法を提供する。
前記ディープラーニングネットワークは、ユーネット（Ｕ－ｎｅｔ）モデルとして具現されることを特徴とする。
前記セグメンテーション情報は、白質領域情報、灰白質領域情報、及び脳室領域情報を含むことを特徴とする。
前記セマンティック特徴情報は、白質の３次元体積比、灰白質の３次元体積比、白質と灰白質との３次元体積比の総和、脳室の３次元体積、白質の２次元面積比、灰白質の２次元面積比、白質と灰白質との２次元面積比の総和、脳室の２次元面積を含むことを特徴とする。
前記マシンラーニングモデルは、正規化されたロジスティック回帰モデル、線形判別分析モデル、ガウスナイーブベイズモデルのうち少なくとも１つを用いて間接多数決投票モデルとして具現されることを特徴とする。
前記方法は、多数患者のＣＴ画像または分析対象画像が入力されれば、剛体変換（Ｒｉｇｉｄ Ｂｏｄｙ Ｔｒａｎｓｆｏｒｍａｔｉｏｎ）を通じて画像整合した後、頭蓋骨画像を除去する画像前処理動作を行う段階をさらに含むことを特徴とする。
前記課題を解決するための手段として、本発明の他の実施形態によれば、多数患者のＣＴ画像または分析対象画像が入力されれば、剛体変換を通じて画像整合した後、頭蓋骨画像を除去するＣＴ画像前処理部；ＣＴ画像のそれぞれに対応するセグメンテーション情報のそれぞれを追加獲得した後、ディープラーニングネットワークにＣＴ画像とセグメンテーション情報との相関関係を学習させるディープラーニング部；分析対象画像に対応するセグメンテーション情報を前記ディープラーニングネットワークを獲得及び出力するセグメンテーション部；ＣＴ画像または分析対象画像に対応するセマンティック特徴情報をセグメンテーション情報のそれぞれに基づいて抽出する特徴抽出部；ＣＴ画像のセマンティック特徴情報のそれぞれに対応する多数の部位別の大脳皮質収縮率を追加獲得した後、マシンラーニングモデルにセマンティック特徴情報と部位別の大脳皮質収縮率との相関関係を学習させるマシンラーニング部；前記マシンラーニングモデルを通じて分析対象画像のセマンティック特徴情報に対応する部位別の大脳皮質収縮率を予測及び通報する予測部；を含むＣＴ画像基盤の部位別の大脳皮質収縮率の予測装置を提供する。
前記ディープラーニングネットワークは、ユーネットモデルとして具現されることを特徴とする。
前記セグメンテーション情報は、白質領域情報、灰白質領域情報、及び脳室領域情報を含むことを特徴とする。
前記セマンティック特徴情報は、白質の３次元体積比、灰白質の３次元体積比、白質と灰白質との３次元体積比の総和、脳室の３次元体積、白質の２次元面積比、灰白質の２次元面積比、白質と灰白質との２次元面積比の総和、脳室の２次元面積を含むことを特徴とする。
前記マシンラーニングモデルは、正規化されたロジスティック回帰モデル、線形判別分析モデル、ガウスナイーブベイズモデルのうち少なくとも１つを用いて間接多数決投票モデルとして具現されることを特徴とする。
本発明は、ディープラーニングネットワークを通じてセグメンテーションされたＣＴ画像を獲得することができ、マシンラーニングモジュールを通じて部位別の大脳皮質収縮率をより迅速かつ正確に予測可能にする。
その結果、ＰＥＴ－ＣＴ装置を通じて獲得されるＰＥＴ画像とＣＴ画像いずれもをアルツハイマー病の診断に利用することができ、特に、ＭＲＩ装置を別途に利用せずとも、部位別の大脳皮質収縮率まで獲得及び提供可能にする。
本発明の一実施形態によるＣＴ画像基盤の部位別の大脳皮質収縮率の予測装置を示す図面である。 本発明の一実施形態によるＣＴ画像前処理方法を説明する図面である。 本発明の一実施形態によるディープラーニングネットワークの具現例を示す図面である。 本発明の一実施形態によるマシンラーニングモジュールの具現例を示す図面である。 本発明の一実施形態によるＣＴ画像基盤の部位別の大脳皮質収縮率の予測方法を説明する図面である。
以下の内容は、単に本発明の原理を例示する。したがって、当業者は、たとえ本明細書に明確に説明ないしは図示されていないとしても、本発明の原理を具現し、本発明の概念と範囲とに含まれた多様な装置を発明することができるものである。また、本明細書に列挙されたあらゆる条件付き用語及び実施形態は、原則的に、本発明の概念が理解されるための目的のみで明らかに意図され、このように特別に列挙された実施形態及び状態に制限的ではないと理解しなければならない。
また、本発明の原理、観点及び実施形態だけではなく、特定の実施形態を列挙するあらゆる詳細な説明は、このような事項の構造的及び機能的均等物を含むように意図されると理解しなければならない。また、このような均等物は、現在公知の均等物だけではなく、将来開発される均等物、すなわち、構造と無関係に同じ機能を行うように発明されたあらゆる素子を含むものと理解しなければならない。
したがって、例えば、本明細書のブロック図は、本発明の原理を具体化する例示的な回路の概念的な観点を示すものと理解しなければならない。同様に、あらゆるフローチャート、状態変換図、擬似コードなどは、コンピュータで読取り可能な媒体に実質的に示すことができ、コンピュータまたはプロセッサが明らかに示されているか否かを問わず、コンピュータまたはプロセッサによって行われる多様なプロセスを示すものと理解しなければならない。
プロセッサまたはこれと類似した概念として表示された機能ブロックを含む図面に示された多様な素子の機能は、専用ハードウェアだけではなく、適切なソフトウェアと関連してソフトウェアを実行する能力を有したハードウェアの使用によって提供されうる。プロセッサによって提供される時、前記機能は、単一専用プロセッサ、単一共有プロセッサまたは複数の個別的プロセッサによって提供され、これらのうち一部は共有される。
また、プロセッサ、制御またはこれと類似した概念として提示される用語の明確な使用は、ソフトウェアを実行する能力を有したハードウェアを排他的に引用して解析されてはならず、制限なしにデジタル信号プロセッサ（ＤＳＰ）ハードウェア、ソフトウェアを保存するためのＲＯＭ、ＲＡＭ及び非揮発性メモリを暗示的に含むものと理解しなければならない。周知寛容の他のハードウェアも含まれる。
本明細書の特許請求の範囲において、詳細な説明に記載の機能を行うための手段として表現された構成要素は、例えば、前記機能を行う回路素子の組み合わせまたはファームウェア／マイクロコードなどを含むあらゆる形式のソフトウェアを含む機能を行う、あらゆる方法を含むものと意図され、前記機能を行うように、前記ソフトウェアを実行するための適切な回路と結合される。このような特許請求の範囲によって定義される本発明は、多様に列挙された手段によって提供される機能が結合され、請求項が要求する方式と結合されるために、前記機能を提供することができる如何なる手段も、本明細書から把握されるものと均等なものであると理解しなければならない。
前述した目的、特徴及び長所は、添付図面と関連した次の詳細な説明を通じてより明白になり、それにより、当業者が本発明の技術的思想を容易に実施することができる。また、本発明を説明するに当って、本発明と関連した公知の技術についての具体的な説明が、本発明の要旨を不明にする恐れがあると判断される場合に、その詳細な説明を省略する。
図１は、本発明の一実施形態によるＣＴ画像基盤の部位別の大脳皮質収縮率の予測装置を示す図面である。
図１を参照すれば、本発明の部位別の大脳皮質収縮率の予測装置は、ＣＴ画像前処理部１１０、ディープラーニング部１２１、セグメンテーション部１２３、特徴抽出部１３０及びマシンラーニング部１４１、及び予測部１４３などを含む。
ＣＴ画像前処理部１１０は、既獲得されたＣＴ画像または分析対象者のＣＴ画像のそれぞれを受信及び前処理して、ディープラーニングが可能な画像形態に変換する。
すなわち、ＣＴ画像は、脳を軸方向、矢状方向、冠状方向にスキャニングした多数の断面画像であって、スキャニング方向によって断面画像のそれぞれが互いに異なる座標系を有することを考慮して、図２でのように、多数の断面画像を剛体変換を通じて整合（ｒｅｇｉｓｔｒａｔｉｏｎ）して断面画像間の相互関係を把握する。そして、ＣＴ画像に含まれた頭蓋骨画像を除去して脳組織画像のみを残す（Ｓｋｕｌｌ Ｓｔｒｉｐｐｉｎｇ）。
また、必要な場合、画像の品質向上のための密度正規化（ｉｎｔｅｎｓｉｔｙ ｎｏｒｍａｌｉｚａｔｉｏｎ）及びヒストグラム平滑化（Ｈｉｓｔｏｇｒａｍ Ｅｑｕａｌｉｚａｔｉｏｎ）をさらに行うこともできるようにする。
ディープラーニング部１２１は、前処理されたＣＴ画像と、これに対応するセグメンテーション情報を含む学習データを多数個生成し、これらを通じてディープラーニングネットワークを学習させる。
この際、ディープラーニングネットワークは、コンボリューションニューラルネットワーク（ＣＮＮ）、ユーネット（Ｕ－ｎｅｔ）などとして具現可能であり、特に、画像のセグメンテーション及びレーベリングに強みがあるユーネットとして具現されることがさらに望ましい。ユーネットは、図３でのように、Ｕ形態を有する複数個のコンボリューションレイヤからなる人工神経網であって、画像のセグメンテーション及びレーベリングに強みを有する。
そして、セグメンテーション情報は、白質領域情報、灰白質領域情報、及び脳室領域情報を含み、ＣＴイメージに対応するＭＲＩイメージをフリーサーファー（Ｆｒｅｅｓｕｒｆｅｒ）のような画像セグメンテーションプログラムを通じて分析した結果またはユーザによって手動入力されるセグメンテーション情報をディープラーニングネットワークを通じて学習及び検証することにより、獲得可能である。
セグメンテーション部１２３は、分析対象画像（すなわち、分析対象者のＣＴ画像）が入力されれば、学習完了したディープラーニングネットワークを通じて分析対象画像に対応するセグメンテーション情報を自動で獲得し、セグメンテーション情報を含むＣＴ画像、すなわち、セグメンテーションされたＣＴ画像を生成及び出力する。
特徴抽出部１３０は、セグメンテーションされたＣＴ画像からセマンティック特徴情報を抽出する。
セマンティック特徴情報は、（１）白質の３次元体積比、（２）灰白質の３次元体積比、（３）白質と灰白質との３次元体積比の総和、（４）脳室の３次元体積、（５）白質の２次元面積比、（６）灰白質の２次元面積比、（７）白質と灰白質との２次元面積比の総和、（８）脳室の２次元面積のうち少なくとも１つを含みうる。
より詳細に、特徴抽出部１３０は、ＣＴ画像を３次元ボリューム画像に変換した後、ＣＴ画像に含まれたセグメンテーション情報に基づいて３次元ボリューム画像の領域を白質領域、灰白質領域、脳室領域に分割し、これらの体積値を通じて（１）、（２）、（４）の白質、灰白質、脳室のそれぞれの３次元体積比を抽出する。
そして、３次元ボリューム画像を上から下に軸方向スキャニングしながら脳室が観察される直前のＣＴ画像を選択した後、これに基づいて（５）、（６）の白質、灰白質のそれぞれの２次元面積比を抽出する。
最後に、３次元ボリューム画像を上から下に軸方向スキャニングしながら最も大きな脳室が観察されるＣＴ画像を選択した後、これに基づいて（８）の脳室の２次元面積を抽出する。
マシンラーニング部１４１は、セマンティック特徴情報と、これに対応する部位別の大脳皮質収縮率を含む学習データを多数個生成し、これらを通じてマシンラーニングモデルを学習させる。この際、部位別の大脳皮質収縮率は、医療陣がＣＴ画像を参考にして直接測定した値であり、例えば、アルツハイマー病と関連した脳の４つの部位（前頭葉（Ｆｒｏｎｔａｌ Ｌｏｂｅ）、頭頂葉（Ｐａｒｉｅｔａｌ Ｌｏｂｅ）、中央側頭葉（Ｍｅｄｉａｌ Ｔｅｍｐｏｒａｌ Ｌｏｂｅ、左右のそれぞれ））での大脳皮質収縮率である。
本発明のマシンラーニングモデルは、図４でのように、正規化されたロジスティック回帰アルゴリズム（Ｒｅｇｕｌａｒｉｚｅｄ Ｌｏｇｉｓｔｉｃ Ｒｅｇｒｅｓｓｉｏｎ、ＲＬＲ）、線形判別分析アルゴリズム（Ｌｉｎｅａｒ Ｄｉｓｃｒｉｍｉｎａｎｔ Ａｎａｌｙｓｉｓ、ＬＤＡ）、ガウスナイーブベイズアルゴリズム（Ｇａｕｓｓｉａｎ Ｎａｉｖｅ Ｂａｙｅｓ、ＧＮＢ）のうち少なくとも１つを用いる間接多数決投票モデル（Ｓｏｆｔ Ｍａｊｏｒｉｔｙ Ｖｏｔｉｎｇ、ＳＭＶ）として具現可能である。
参考までに、ＲＬＲは、一般的な回帰アルゴリズムでモデルがアンダーフィッティングあるいはオーバーフィッティングされることを防止するために、正規化（Ｒｅｇｕｌａｒｉｚａｔｉｏｎ）を適用したアルゴリズムであって、特に、本発明では、多様な正規化の方法のうち、Ｌ２正規化を使う。
ＬＤＡは、マシンラーニングアルゴリズムのうち、確率論的生成模型で観測データが中心（平均）データまでの距離の二乗が最小である時、当該データをそのグループに分類するアルゴリズムである。
ＧＮＢは、マシンラーニングアルゴリズムのうち、特性の間の独立を仮定するベイズ整理を使用して分類器を作るナイーブベイズアルゴリズムでカーネル関数としてガウス関数を使用したアルゴリズムである。
そして、ＳＭＶは、マシンラーニングのアンサンブルモデルのうち、聚合（ａｇｇｒｅｇａｔｉｏｎ）メソッドに該当するモデルで個別分類器の条件付き確率の和を基準として加重値を与えた後、多数決投票して最終クラスを決定するアルゴリズムである。これは、単純投票する直接多数決投票モデルに比べて向上した性能を有する。
予測部１４３は、分析対象画像のセマンティック特徴情報が入力されれば、学習完了したマシンラーニングモデルを通じて分析対象画像のセマンティック特徴情報に対応する部位別の大脳皮質収縮率を自動で獲得及び出力する。
以下、図５を参考にして、本発明のＣＴ画像基盤の部位別の大脳皮質収縮率の予測方法を説明する。
図５に示したように、本発明の部位別の大脳皮質収縮率の予測方法は、大きく学習段階（ステップＳ１０）と予測段階（ステップＳ２０）とで構成される。
まず、学習データ生成段階（ステップＳ１１）では、多数患者の医療情報、医療処理結果情報、診断情報などが保存されている医療情報データベースなどに接続して多数患者のＣＴ画像（ｔｒａｉｎ）を獲得及び前処理する。
また、ＣＴ画像のそれぞれに対応するセグメンテーション情報（ｓｅｇ）をさらに獲得する。もし、医療情報データベースにＣＴ画像に対応するＭＲＩ画像のセグメンテーション情報が保存されているならば、当該セグメンテーション情報をそのまま活用するが、ＭＲＩ画像のみが保存されているならば、公知の画像セグメンテーションプログラムを通じてＭＲＩ画像から白質領域情報、灰白質領域情報、及び脳室領域情報を含むセグメンテーション情報を抽出して利用する。一方、ＭＲＩ画像、ＭＲＩ画像のセグメンテーション情報が全てなければ、ユーザから当該情報を手動で入力される。
ディープラーニングネットワーク学習段階（ステップＳ１２）では、ＣＴ画像を入力条件として有し、セグメンテーション情報を出力条件として有する学習データを多数個生成した後、これらを通じてディープラーニングネットワークにＣＴ画像とセグメンテーション情報との相関関係を学習させる。ユーネットの場合、確率的勾配降下（Ｓｔｏｃｈａｓｔｉｃ ｇｒａｄｉｅｎｔ ｄｅｓｃｅｎｔ）アルゴリズムでディープラーニングを進行し、学習早期終了（ｅａｒｌｙ ｓｔｏｐｐｉｎｇ ｍｅｔｈｏｄ）を適用して中断時点を選定する。
マシンラーニングモデル学習段階（ステップＳ１３）では、セグメンテーション情報のそれぞれに基づいてＣＴ画像のそれぞれに対応する多数のセマンティック特徴情報を抽出し、また、ＣＴ画像のそれぞれに対応する部位別の大脳皮質収縮率を獲得する。この際、部位別の大脳皮質収縮率は、医療陣がＣＴ画像を参考にして直接測定した値である。
そして、セマンティック特徴情報を入力条件として有し、部位別の大脳皮質収縮率を出力条件として有する学習データを多数個生成した後、これらを通じてマシンラーニングモデルを学習させる。
学習段階（ステップＳ１０）が完了すれば、予測段階（ステップＳ２０）を行える。
予測段階（ステップＳ２０）の分析対象画像入力段階（ステップＳ２１）では、ＰＥＴ－ＣＴ装置から提供される分析対象画像（すなわち、分析対象者のＣＴ画像）を受信及び保存する。
そして、セグメンテーション段階（ステップＳ２２）では、ディープラーニングネットワークを通じて分析対象画像に対応するセグメンテーション情報を獲得する。
そして、特徴情報抽出段階（ステップＳ２３）では、ステップＳ２２を通じて獲得されたセグメンテーション情報に基づいて分析対象画像に対応するセマンティック特徴情報を抽出する。
最後に、予測段階（ステップＳ２４）では、マシンラーニングモデルを通じてセマンティック特徴情報に対応する部位別の大脳皮質収縮率を獲得及び出力する。
前述した本発明による方法は、コンピュータで実行されるためのプログラムで製作されてコンピュータで読み取り可能な記録媒体に保存され、コンピュータで読み取り可能な記録媒体の例としては、ＲＯＭ、ＲＡＭ、ＣＤ－ＲＯＭ、磁気テープ、フロッピー（登録商標）ディスク、光データ記録装置などがあり、また、キャリアウェーブ（例えば、インターネットを介した伝送）の形態で具現されるものも含む。
コンピュータで読み取り可能な記録媒体は、ネットワークで連結されたコンピュータシステムに分散されて、分散方式でコンピュータで読み取り可能なコードとして保存されて実行可能である。そして、前記方法を具現するための機能的な（ｆｕｎｃｔｉｏｎ）プログラム、コード及びコードセグメントは、本発明が属す技術分野のプログラマーによって容易に推論されうる。
以上、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、前述した特定の実施形態に限定されず、特許請求の範囲で請求する本発明の要旨を外れずに、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いうまでもなく、このような変形実施は、本発明の技術的思想や展望から個別的に理解されてはならない。

Claims (11)

  1. 多数患者のＣＴ画像とセグメンテーション情報とを選択及び用いて、ディープラーニングネットワークにＣＴ画像とセグメンテーション情報との相関関係を学習させるディープラーニング段階と、
    ＣＴ画像のそれぞれに対応するセマンティック特徴情報をセグメンテーション情報のそれぞれに基づいて抽出する特徴抽出段階と、
    セマンティック特徴情報のそれぞれに対応する多数の部位別の大脳皮質収縮率を追加獲得した後、マシンラーニングモデルにセマンティック特徴情報と部位別の大脳皮質収縮率との相関関係を学習させるマシンラーニング段階と、
    分析対象画像が入力されれば、前記ディープラーニングネットワークを通じて分析対象画像に対応するセグメンテーション情報を獲得するセグメンテーション段階と、
    セグメンテーション情報に基づいて分析対象画像に対応するセマンティック特徴情報を抽出した後、前記マシンラーニングモデルを通じてセマンティック特徴情報に対応する部位別の大脳皮質収縮率を予測及び通報する予測段階と、
    を含む、ＣＴ画像基盤の部位別の大脳皮質収縮率の予測方法。
  2. 前記ディープラーニングネットワークは、ユーネットモデルとして具現されることを特徴とする、請求項１に記載のＣＴ画像基盤の部位別の大脳皮質収縮率の予測方法。
  3. 前記セグメンテーション情報は、ＭＲＩ画像基盤として抽出され、白質領域情報、灰白質領域情報、及び脳室領域情報を含むことを特徴とする、請求項１に記載のＣＴ画像基盤の部位別の大脳皮質収縮率の予測方法。
  4. 前記セマンティック特徴情報は、白質の３次元体積比、灰白質の３次元体積比、白質と灰白質との３次元体積比の総和、脳室の３次元体積、白質の２次元面積比、灰白質の２次元面積比、白質と灰白質との２次元面積比の総和、脳室の２次元面積を含むことを特徴とする、請求項１に記載のＣＴ画像基盤の部位別の大脳皮質収縮率の予測方法。
  5. 前記マシンラーニングモデルは、正規化されたロジスティック回帰モデル、線形判別分析モデル、ガウスナイーブベイズモデルのうち少なくとも１つを用いて間接多数決投票モデルとして具現されることを特徴とする、請求項１に記載のＣＴ画像基盤の部位別の大脳皮質収縮率の予測方法。
  6. 多数患者のＣＴ画像または分析対象画像が入力されれば、剛体変換を通じて画像整合した後、頭蓋骨画像を除去する画像前処理動作を行う段階をさらに含むことを特徴とする、請求項１に記載のＣＴ画像基盤の部位別の大脳皮質収縮率の予測方法。
  7. 多数患者のＣＴ画像または分析対象画像が入力されれば、剛体変換を通じて画像整合した後、頭蓋骨画像を除去するＣＴ画像前処理部と、
    ＣＴ画像のそれぞれに対応するセグメンテーション情報のそれぞれを追加獲得した後、ディープラーニングネットワークにＣＴ画像とセグメンテーション情報との相関関係を学習させるディープラーニング部と、
    分析対象画像に対応するセグメンテーション情報を前記ディープラーニングネットワークを獲得及び出力するセグメンテーション部と、
    ＣＴ画像または分析対象画像に対応するセマンティック特徴情報をセグメンテーション情報のそれぞれに基づいて抽出する特徴抽出部と、
    ＣＴ画像のセマンティック特徴情報のそれぞれに対応する多数の部位別の大脳皮質収縮率を追加獲得した後、マシンラーニングモデルにセマンティック特徴情報と部位別の大脳皮質収縮率との相関関係を学習させるマシンラーニング部と、
    前記マシンラーニングモデルを通じて分析対象画像のセマンティック特徴情報に対応する部位別の大脳皮質収縮率を予測及び通報する予測部と、
    を含む、ＣＴ画像基盤の部位別の大脳皮質収縮率の予測装置。
  8. 前記ディープラーニングネットワークは、ユーネットモデルとして具現されることを特徴とする、請求項７に記載のＣＴ画像基盤の部位別の大脳皮質収縮率の予測装置。
  9. 前記セグメンテーション情報は、白質領域情報、灰白質領域情報、及び脳室領域情報を含むことを特徴とする、請求項７に記載のＣＴ画像基盤の部位別の大脳皮質収縮率の予測装置。
  10. 前記セマンティック特徴情報は、白質の３次元体積比、灰白質の３次元体積比、白質と灰白質との３次元体積比の総和、脳室の３次元体積、白質の２次元面積比、灰白質の２次元面積比、白質と灰白質との２次元面積比の総和、脳室の２次元面積を含むことを特徴とする、請求項７に記載のＣＴ画像基盤の部位別の大脳皮質収縮率の予測装置。
  11. 前記マシンラーニングモデルは、正規化されたロジスティック回帰モデル、線形判別分析モデル、ガウスナイーブベイズモデルのうち少なくとも１つを用いて間接多数決投票モデルとして具現されることを特徴とする、請求項７に記載のＣＴ画像基盤の部位別の大脳皮質収縮率の予測装置。
JP2022514861A 2019-09-05 2020-09-02 Ｃｔ画像基盤の部位別の大脳皮質収縮率の予測方法及び装置 Active JP7317306B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR10-2019-0109863 2019-09-05
KR1020190109863A KR102276545B1 (ko) 2019-09-05 2019-09-05 Ct 영상 기반 부위별 대뇌 피질 수축율 예측 방법 및 장치
PCT/KR2020/011790 WO2021045507A2 (ko) 2019-09-05 2020-09-02 Ct 영상 기반 부위별 대뇌 피질 수축율 예측 방법 및 장치

Publications (2)

Publication Number Publication Date
JP2022547909A true JP2022547909A (ja) 2022-11-16
JP7317306B2 JP7317306B2 (ja) 2023-07-31

Family

ID=74852120

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022514861A Active JP7317306B2 (ja) 2019-09-05 2020-09-02 Ｃｔ画像基盤の部位別の大脳皮質収縮率の予測方法及び装置

Country Status (5)

Country Link
US (1) US20220335611A1 (ja)
EP (1) EP4026498B1 (ja)
JP (1) JP7317306B2 (ja)
KR (1) KR102276545B1 (ja)
WO (1) WO2021045507A2 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020163539A1 (en) * 2019-02-05 2020-08-13 University Of Virginia Patent Foundation System and method for fully automatic lv segmentation of myocardial first-pass perfusion images
US11640552B2 (en) * 2019-10-01 2023-05-02 International Business Machines Corporation Two stage training to obtain a best deep learning model with efficient use of computing resources
WO2023153839A1 (ko) * 2022-02-09 2023-08-17 사회복지법인 삼성생명공익재단 2차원 mri를 이용한 치매 정보 산출 방법 및 분석장치
KR102608203B1 (ko) * 2022-02-09 2023-11-30 사회복지법인 삼성생명공익재단 2차원 mri를 이용한 치매 예측 방법 및 분석장치

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007114238A1 (ja) * 2006-03-30 2007-10-11 National University Corporation Shizuoka University 脳萎縮判定装置、脳萎縮判定方法及び脳萎縮判定プログラム
WO2012032940A1 (ja) * 2010-09-07 2012-03-15 株式会社 日立メディコ 認知症診断支援装置及び認知症診断支援方法
WO2019044089A1 (ja) * 2017-08-29 2019-03-07 富士フイルム株式会社 医用情報表示装置、方法及びプログラム
KR102001398B1 (ko) * 2018-01-25 2019-07-18 재단법인 아산사회복지재단 기계학습을 통한 뇌질환 상태변화 예측방법, 장치 및 프로그램

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8066993B2 (en) 2010-04-13 2011-11-29 Norman R Relkin Use of ventricular enlargement rate in intravenous immunoglobulin treatment of Alzheimer's disease
EP2994160B1 (en) * 2013-05-06 2019-07-03 Baxalta Incorporated Treatment of alzheimer's disease subpopulations with pooled immunoglobulin g
KR101944069B1 (ko) * 2016-12-29 2019-01-30 주식회사 마이다스아이티 기계 학습을 기반으로 한 알츠하이머 병 결정 방법 및 장치
KR101916347B1 (ko) 2017-10-13 2018-11-08 주식회사 수아랩 딥러닝 기반 이미지 비교 장치, 방법 및 컴퓨터 판독가능매체에 저장된 컴퓨터 프로그램
KR102064811B1 (ko) * 2018-01-19 2020-01-13 사회복지법인 삼성생명공익재단 아밀로이드 양성 경도인지장애 환자의 치매 진행을 예측하여 분류하는 방법 및 장치
KR101936302B1 (ko) 2018-06-29 2019-01-08 이채영 딥러닝 네트워크에 기반한 퇴행성 신경질환 진단 방법 및 진단 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007114238A1 (ja) * 2006-03-30 2007-10-11 National University Corporation Shizuoka University 脳萎縮判定装置、脳萎縮判定方法及び脳萎縮判定プログラム
WO2012032940A1 (ja) * 2010-09-07 2012-03-15 株式会社 日立メディコ 認知症診断支援装置及び認知症診断支援方法
WO2019044089A1 (ja) * 2017-08-29 2019-03-07 富士フイルム株式会社 医用情報表示装置、方法及びプログラム
KR102001398B1 (ko) * 2018-01-25 2019-07-18 재단법인 아산사회복지재단 기계학습을 통한 뇌질환 상태변화 예측방법, 장치 및 프로그램

Also Published As

Publication number Publication date
EP4026498A4 (en) 2023-03-29
KR102276545B1 (ko) 2021-07-15
US20220335611A1 (en) 2022-10-20
EP4026498B1 (en) 2024-05-01
KR20210029318A (ko) 2021-03-16
EP4026498A2 (en) 2022-07-13
JP7317306B2 (ja) 2023-07-31
WO2021045507A3 (ko) 2021-04-29
WO2021045507A2 (ko) 2021-03-11

Similar Documents

Publication Publication Date Title
JP7317306B2 (ja) Ｃｔ画像基盤の部位別の大脳皮質収縮率の予測方法及び装置
Costa et al. Towards adversarial retinal image synthesis
JP6998959B2 (ja) 神経生理学的信号を使用する反復分類のためのシステムと方法
KR102058884B1 (ko) 치매를 진단을 하기 위해 홍채 영상을 인공지능으로 분석하는 방법
US20220051801A1 (en) Classifying neurological disease status using deep learning
Alghamdi et al. A comparative study of deep learning models for diagnosing glaucoma from fundus images
JP2020042598A (ja) 生体信号データからの個体特徴分離による状態予測方法および装置
Qin et al. 3D convolutional neural networks with hybrid attention mechanism for early diagnosis of Alzheimer’s disease
WO2019172181A1 (ja) 診断支援装置、プログラム、学習済みモデル、および学習装置
Shahin et al. An accurate and fast cardio-views classification system based on fused deep features and LSTM
Kakade et al. Identification of nerve in ultrasound images using U-net architecture
CN115272295A (zh) 基于时域-空域联合状态的动态脑功能网络分析方法及系统
Zhu et al. Diabetic Retinopathy Classification With Deep Learning via Fundus Images: A Short Survey
Saraswathi et al. Brain tumor segmentation and classification using self organizing map
Basu Analyzing Alzheimer's disease progression from sequential magnetic resonance imaging scans using deep convolutional neural networks
KR102521303B1 (ko) 약물의 작용 기전을 예측하는 신경망의 기계학습 방법 및 신경망을 이용한 약물의 작용 기전 예측 방법
Varghese et al. Discrimination between Alzheimer’s disease, mild cognitive impairment and normal aging using ANN based MR brain image segmentation
Paul et al. Computer-Aided Diagnosis Using Hybrid Technique for Fastened and Accurate Analysis of Tuberculosis Detection with Adaboost and Learning Vector Quantization
CN112992340A (zh) 基于行为识别的疾病预警方法、装置、设备及存储介质
Sandya et al. Deep learning based brain tumor detection with internet of things
Agrawal et al. Classification of Vitiligo using CNN Autoencoder
Raj et al. A deep approach to quantify iron accumulation in the DGM structures of the brain in degenerative Parkinsonian disorders using automated segmentation algorithm
Lin et al. Attention-based Efficient Classification for 3D MRI Image of Alzheimer's Disease
Devisri et al. Fetal growth analysis from ultrasound videos based on different biometrics using optimal segmentation and hybrid classifier
CN118152819B (zh) 一种视听刺激下的大脑编码方法、装置及介质

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220304

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230307

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230530

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: 20230627

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230707

R150 Certificate of patent or registration of utility model

Ref document number: 7317306

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150