JP2023134655A - 医療映像分析方法、医療映像分析装置及び医療映像分析システム - Google Patents

医療映像分析方法、医療映像分析装置及び医療映像分析システム Download PDF

Info

Publication number
JP2023134655A
JP2023134655A JP2023115372A JP2023115372A JP2023134655A JP 2023134655 A JP2023134655 A JP 2023134655A JP 2023115372 A JP2023115372 A JP 2023115372A JP 2023115372 A JP2023115372 A JP 2023115372A JP 2023134655 A JP2023134655 A JP 2023134655A
Authority
JP
Japan
Prior art keywords
target
image
morphological
medical image
brain
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.)
Pending
Application number
JP2023115372A
Other languages
English (en)
Inventor
ドンヒョン キム
Dong Hyeon Kim
ウンヨン キム
Eun Young Kim
ズンファン リュウ
Zun Hyan Rieu
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.)
Neurophet Inc
Original Assignee
Neurophet Inc
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 Neurophet Inc filed Critical Neurophet Inc
Priority to JP2023115372A priority Critical patent/JP2023134655A/ja
Publication of JP2023134655A publication Critical patent/JP2023134655A/ja
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • 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
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological 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
    • G06T2207/20084—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
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

【課題】医療映像に関連する情報を提供する医療映像分析方法を提供する。【解決手段】医療映像分析方法は、第１スキャン条件下で取得された第１医療映像から取得されてターゲット要素と関連した第１形態学的値と、第２スキャン条件下で取得された第２医療映像から取得されて前記ターゲット要素と関連した第２形態学的値との相関関係に基づいて計算された補正パラメーターを取得することと、前記第２スキャン条件下で取得されたターゲット医療映像を取得することと、前記ターゲット医療映像を、前記ターゲット要素を含む複数の要素に対応する複数の領域でセグメンテーションを実行することによって、前記ターゲット医療映像から前記ターゲット要素に関連したターゲット領域を取得することと、前記ターゲット領域に対応するボクセルデータに基づいて前記ターゲット要素と関連したターゲット形態学的値を取得すること等、を含む。【選択図】図１

Description

本出願は、医療映像を分析する医療映像分析方法、医療映像分析装置及び医療映像分析システムに関する。
イメージセグメンテーション技術の向上により、医療映像をセグメンテーションして疾患に関連した診断補助指標などを算出することが可能になって、最近の医療映像分析の分野が注目されている。
特に、認知症の診断補助指標を提供するために医療映像分析技術が多方面に利用されており、客観的な認知症診断補助情報を提供するために医療映像から特定の領域の形態学的特性をより正確に計算することが不可欠である。
しかし、従来の医療映像分析技術は、医療映像内にイメージセグメンテーションに適していないアーティファクト（Ａｒｔｉｆａｃｔ）が含まれているなどの医療映像自体にエラーが存在することによるいろいろな制約を抱いており、医療映像が取得されるスキャン条件に応じて同じ対象体に対する診断補助情報が異なる可能性があるという限界点を有している。また、従来の医療映像分析技術は、医療映像に含まれている脳を標準脳モデルに対して標準化した後にイメージセグメンテーションを実行する方式を使用して、対象体に対して完全に「個人化」された診断補助情報を提供することができないという問題点を有しており、高精度が要求される状況では、限界点を有している状況である。
そこで、イメージにノイズが含まれた場合であっても判断可能な診断情報の場合、使用者に提供できるようにするイメージ分析方法及び装置の開発が要求される。医療映像が撮影されたスキャン条件を考慮して、診断補助情報を取得し、対象体に対して個人化された診断補助情報を取得するためのイメージ分析方法及び装置の開発が要求される。
本発明の１つの課題は、医療映像に関連する情報を提供する医療映像分析方法、医療映像分析装置及び医療映像分析システムを提供することである。
本発明が解決しようとする課題は、上述した課題に制限されず、言及されない課題は本明細書及び図面から当業者にとって明確に理解されるべきである。
本出願に開示された医療映像分析方法は、第１スキャン条件下で取得された第１医療映像から取得されてターゲット要素と関連した第１形態学的値と、第２スキャン条件下で取得された第２医療映像から取得されて前記ターゲット要素と関連した第２形態学的値との相関関係（ｃｏｒｒｅｌａｔｉｏｎ）に基づいて計算された補正パラメーターを取得することと、前記第２スキャン条件下で取得されたターゲット医療映像を取得することと、前記ターゲット医療映像を、前記ターゲット要素を含む複数の要素に対応する複数の領域でセグメンテーションを実行することによって、前記ターゲット医療映像から前記ターゲット要素に関連したターゲット領域を取得することと、前記ターゲット領域に対応するボクセル（ｖｏｘｅｌ）データに基づいて前記ターゲット要素と関連したターゲット形態学的値を取得することと、前記ターゲット形態学的値及び前記補正パラメーターに基づいて補正された形態学的値を取得することと、前記補正された形態学的値に基づいて形態学的指標を出力することと、を含むことができる。
本出願に開示された医療映像分析装置は、ターゲット医療映像を取得する映像取得部と、前記ターゲット医療映像に基づいて医療映像分析情報を提供するコントローラーと、を備え、前記コントローラーは、第１スキャン条件下で取得された第１医療映像から取得されてターゲット要素と関連した第１形態学的値と第２スキャン条件下で取得された第２医療映像から取得されて前記ターゲット要素と関連した第２形態学的値との相関関係（ｃｏｒｒｅｌａｔｉｏｎ）に基づいて計算された補正パラメーターを取得し、前記第２スキャン条件下で取得されたターゲット医療映像を取得し、前記ターゲット医療映像を、前記ターゲット要素を含む複数の要素に対応する複数の領域でセグメンテーションを実行することによって、前記ターゲット医療映像から前記ターゲット要素に関連したターゲット領域を取得し、前記ターゲット領域に対応するボクセル（ｖｏｘｅｌ）データに基づいて前記ターゲット要素と関連したターゲット形態学的値を取得し、前記ターゲット形態学的値及び前記補正パラメーターに基づいて補正された形態学的値を取得し、前記補正された形態学的値に基づいて形態学的指標を出力するように構成されてもよい。
本出願に開示された医療映像分析方法は、ターゲット医療映像を取得することと、前記ターゲット医療映像に関連したターゲットスキャン条件を取得することと、前記ターゲット医療映像に含まれたターゲット要素に対応するターゲット領域のボクセルデータに基づいて前記ターゲット要素と関連したターゲット形態学的値を取得することと、前記ターゲットスキャン条件に基づいて、１つ以上の補正パラメーターのうちのターゲット補正パラメーターを決定することと、前記決定されたターゲット補正パラメーター及び前記ターゲット形態学的値に基づいて形態学的指標を出力することと、を含み、前記ターゲット補正パラメーターを決定することは、前記ターゲットスキャン条件が第１スキャン条件に対応する場合、前記ターゲット補正パラメーターは、前記第１スキャン条件下で取得されたターゲット要素と関連する第１形態学的値を補正するための第１補正パラメーターで決定され、前記ターゲットスキャン条件が第２スキャン条件に対応する場合、前記ターゲット補正パラメーターは、前記第１スキャン条件とは異なる前記第２スキャン条件下で取得された前記ターゲット要素と関連する第２形態学的値を補正するための第２補正パラメーターで決定されることを含むことができる。
本出願に開示された医療映像分析装置は、ターゲット医療映像を取得する映像取得部と、前記ターゲット医療映像に基づいて医療映像分析情報を提供するコントローラーと、を備え、前記コントローラーは、前記ターゲット医療映像に関連したターゲットスキャン条件を取得し、前記ターゲット医療映像に含まれたターゲット要素に対応するターゲット領域のボクセルデータに基づいて前記ターゲット要素と関連したターゲット形態学的値を取得し、前記ターゲットスキャン条件に基づいて１つ以上の補正パラメーターのうちのターゲット補正パラメーターを決定し、前記決定されたターゲット補正パラメーター及び前記ターゲット形態学的値に基づいて形態学的指標を出力するように構成され、前記ターゲットスキャン条件が前記第１スキャン条件に対応する場合、前記ターゲット補正パラメーターを第１スキャン条件下で取得されたターゲット要素と関連する第１形態学的値を補正するための第１補正パラメーターで決定し、前記ターゲットスキャン条件が前記第２スキャン条件に対応する場合、前記ターゲット補正パラメーターを前記第１スキャン条件とは異なる第２スキャン条件下で取得された前記ターゲット要素と関連する第２形態学的値を補正するための第２補正パラメーターで決定することによって前記ターゲット補正パラメーターを決定するように構成されてもよい。
本発明の課題を解決するための手段は、上述した解決手段に制限されるものではなく、言及されない解決手段は本明細書及び添付された図面から当業者に明確に理解されるべきである。
本出願の実施例によれば、対象医療イメージに対するクオリティ分析を実行し、その分析結果に対する情報を使用者に提供して医療イメージ分析結果に対する信頼度を高めることができる。
本出願の実施例によれば、対象体の医療イメージに基づいて形態学的指標を算出し、医療イメージが取得されるスキャン条件やターゲット要素の位置を考慮して補正パラメーターを適切に適用することによって、より正確に形態学的指標を算出することができる。
本出願の実施例によれば、対象医療イメージの分析を介して取得される様々な指標情報のうち、使用者に必要な指標情報を選択的に提供して使いやすさを増進させることができる。
本発明の効果は上述した効果に限定されるものではなく、言及されない効果は本明細書及び添付された図面から当業者に明確に理解されるべきである。
本出願の一実施例による医療イメージ分析システムに関する概略図である。 本出願の一実施例によるイメージ分析のためのイメージ分析装置２０００、学習装置２２００、補正パラメーター取得装置２４００、及び出力装置２６００の概略図である。 本出願の一実施例によるイメージ分析装置に関するブロック図である。 本出願の一実施例による出力装置のブロック図である。 イメージ分析装置２０００のイメージ整列動作の一例を示す図である。 イメージ分析装置２０００のイメージ整列動作の一例を示す図である。 本出願の一実施例によるイメージセグメンテーションのためのプロセスの流れを示す図である。 本出願の一実施例による学習装置２２００の神経網モデルの学習方法に対する順序図である。 本出願の一実施例によるイメージデータセットの例示的な構造図である。 本出願の一実施例による学習装置２２００が利用できる人工神経網モデルの一例である。 本出願の一実施例による学習装置２２００が利用できる人工神経網モデルの他の例である。 本出願の一実施例によるイメージ分析装置２０００の神経網モデルを利用したイメージセグメンテーション方法に対する順序図である。 本出願の一実施例による対象イメージの例示的な構造図である。 本出願の一実施例によるイメージ分析装置２０００のセグメンテーションプロセスによって取得された結果値に基づいて取得されるイメージの例示図である。 本出願の一実施例によるイメージセグメンテーションのためのプロセスの流れを示す図である。 本出願の一実施例によるイメージデータセットの例示的な構造図である。 本出願の一実施例によるイメージセグメンテーションのためのプロセスの流れを示す図である。 一実施例によるイメージ品質判断プロセスを説明するための図である。 イメージ品質判断プロセスを実行するイメージ分析装置を説明するための図である。 イメージ品質判断モジュールを説明するための図である。 第１イメージ品質判断プロセスを説明するための図である。 第１イメージ品質判断部を説明するための図である。 第２イメージ品質判断プロセスを説明するための図である。 第２イメージ品質判断プロセスが人工神経網モデルを利用して医療イメージ内のアーティファクト発生位置を判断することを例示的に説明するための図である。 一実施例によるアーティファクト情報を取得するための神経網モデルを説明するための図である。 第３イメージ品質判断プロセスを説明するための図である。 第３イメージ品質判断プロセスの一実施例を説明するための図である。 第４イメージ品質判断プロセスを説明するための図である。 アーティファクトが発生したイメージを例示するための図である。 他の実施例による第４イメージ品質判断プロセスでアーティファクトが関心領域と重なって発生したのか判断することを説明するための図である。 一実施例によるイメージ品質関連情報出力モジュールを説明するための図である。 第１エラー情報画面を例示的に説明するための図である。 第２エラー情報画面を例示的に説明するための図である。 第３エラー情報画面を例示的に説明するための図である。 第４エラー情報画面を例示的に説明するための図である。 イメージ品質関連情報出力モジュール３９００が出力する選択ウィンドウを例示的に説明するための図である。 イメージ品質関連情報出力モジュール３９００が出力する選択ウィンドウを例示的に説明するための図である。 第１～第３品質判断プロセスを説明するための図である。 第４品質判断プロセスを説明するための図である。 第５品質判断プロセスを説明するための図である。 本出願の一実施例によるイメージ分析装置２０００により実現されるイメージ分析方法の１つの動作を示した流れ図である。 本出願の一実施例によるイメージ分析装置２０００により実現されるイメージ整列方法の例示的な図である。 本出願の一実施例によるイメージ分析方法の流れ図である。 本出願の一実施例による頭蓋骨の第１内部領域の第１バウンダリーを修正する方法の一例を示した図である。 本出願の一実施例による頭蓋骨の第１内部領域の第１バウンダリーを修正する方法により取得された第２内部領域の一例を示した図である。 本出願の一実施例による頭蓋骨の第１内部領域の第１バウンダリーを修正する方法の他の例を示した図である。 本出願の一実施例により出力される形態学的指標と関連する情報を示した例示的な図である。 本出願の一実施例によるイメージ分析装置２０００により実現される形態学的数値の補正方法の１つの動作を示した流れ図である。 本出願の一実施例によるイメージ分析方法の流れ図である。 本出願の一実施例による補正パラメーター取得装置２４００により実現される補正パラメーターの取得方法の１つの動作を示した流れ図である。 本出願の一実施例による複数のイメージデータセットが含む情報を説明するための例示的な図である。 本出願の一実施例による補正パラメーター取得装置２４００の補正パラメーターを取得するための相関関係分析の一例を示したグラフである。 本出願の一実施例による補正パラメーター取得装置２４００の補正パラメーターを取得するための相関関係分析の他の例を示したグラフである。 本出願の一実施例による複数のイメージデータセットが含む情報を説明するための例示的な図である。 本出願の一実施例によるターゲット要素が頭蓋骨内に分布する位置に応じた形態学的値の間の相関関係分析の例示的な図である。 本出願の一実施例によるイメージ分析方法の流れ図である。 本出願の一実施例によるユーザーインターフェースを概略化した図である。 一実施例による医療情報出力プロセスを説明するための図である。 一実施例によるイメージ分析装置を説明するための図である。 医療データ取得モジュールを説明するための図である。 医療情報取得モジュールを説明するための図である。 診断補助情報取得モジュールを説明するための図である。 診断補助情報出力モジュールを説明するための図である。 いくつかの対象病気に対して、関連する指標を例示するための図である。 一実施例による医療情報出力画面を説明するための図である。 他の実施例による医療情報出力プロセスを説明するための図である。 他の実施例によるイメージ分析装置を説明するための図である。 選別情報取得モジュールを説明するための図である。 選別情報出力モジュールを説明するための図である。 選別情報出力画面を説明するための図である。
本出願の一実施例による医療イメージ分析方法において、前記方法は、少なくとも１つのアーティファクトを含む対象医療イメージを取得するステップと、前記対象医療イメージに基づいて、前記アーティファクトと関連したアーティファクト情報を取得するステップであって、前記アーティファクト情報は前記アーティファクトが分布する領域を示すアーティファクト領域を含むステップと、第１神経網モデルを利用して、前記対象医療イメージに基づいて、解剖学的に区分される１つ以上の要素にそれぞれ対応する複数の領域を取得するステップであって、前記第１神経網モデルは、医療イメージに基づいて前記複数の領域を取得するように学習され、前記複数の領域は第１要素に対応する第１領域、第２要素に対応する第２領域、及び第３要素に対応する第３領域を含むステップと、前記アーティファクト領域と関心領域の重複程度を取得するステップであって、前記関心領域は前記第１領域の少なくとも一部を含むステップと、前記重複程度に基づいて前記対象医療イメージの品質判断を実行する第１品質判断ステップと、前記第１品質判断に基づいて、前記対象医療イメージの品質関連情報を出力するステップと、を含むことができる。
前記第１要素は頭蓋骨であり、前記第１領域は前記頭蓋骨に対応する領域を含み、前記関心領域は前記頭蓋骨領域又は頭蓋骨の内部領域であり得る。
前記第２要素は対象病気の診断に関連した要素であり、前記関心領域は前記第２領域の少なくとも一部を含んでもよい。
前記アーティファクト領域は、前記医療イメージにアーティファクトが存在するか否かを判断するように学習された第２神経網モデルを利用して取得され、前記アーティファクト領域は、前記第２神経網モデルから取得され、前記対象医療イメージに存在する対象アーティファクトと関連した特徴マップに基づいて、前記特徴マップ上で前記対象アーティファクトとの関連性が基準値以上である領域であり得る。
前記アーティファクト領域は、第１領域及び前記第１領域内に位置される第２領域を含み、前記第１領域は前記特徴マップ上で前記対象アーティファクトとの関連性が第１基準値以上である領域であり、前記第２領域は前記特徴マップ上で前記対象アーティファクトとの関連性が前記第１基準値より大きい第２基準値以上である領域であり得る。
前記アーティファクト領域は、前記医療イメージに含まれる前記アーティファクトに対応する領域をセグメンテーションするように学習された第２神経網モデルを利用して取得することができる。
前記重複程度を判断するステップは、前記対象医療イメージ上で、前記アーティファクト領域の外郭線及び前記関心領域の外郭線を取得し、前記アーティファクト領域の外郭線と前記関心領域の外郭線が前記医療イメージ上で重なるかどうかに基づいて、前記アーティファクトと前記関心領域が重なるかどうかを判断することを含んでもよい。
前記第１品質判断ステップは、前記アーティファクト領域の外郭線と前記関心領域の外郭線が前記対象医療イメージ上で重なる交差点が２個未満の場合、前記対象医療イメージの品質が正常であると判断し、前記交差点が２個以上である場合、前記対象医療イメージの品質が異常であると判断することを含んでもよい。
前記重複程度を判断するステップは、前記対象医療イメージ上で、前記アーティファクト領域及び前記関心領域に全部含まれる共通ピクセルの数を取得するステップと、前記共通ピクセルの数を利用して前記アーティファクトと前記関心領域の重複程度を判断するステップと、を含んでもよい。
前記第１品質判断ステップは、前記共通ピクセルの数が予め定められた基準値を超える場合、前記対象医療イメージの品質が異常であると判断し、前記共通ピクセルの数が予め定められた基準値以下である場合、前記対象医療イメージの品質が正常であると判断することを含んでもよい。
前記第３領域に基づいて前記対象医療イメージの品質判断を実行する第２品質判断ステップをさらに含み、前記第２品質判断ステップは、前記第３領域に基づいて形態学的指標を取得するステップ及び前記形態学的指標が定量的な基準を満たしているかどうかを判断するステップを含むことができる。
前記形態学的指標は、前記第１領域及び前記第３領域に基づいて取得されてもよい。
前記形態学的指標は、前記第１領域の体積と前記第３領域の体積の比率に基づいて取得されてもよい。
前記第３領域は、前記対象医療イメージの最も下段に位置する要素に対応する領域であり得る。
前記第３領域は、対象病気の診断に関連した要素に対応する領域であり得る。
前記医療イメージの品質関連情報を出力するステップは、前記第１品質判断に基づいて生成されたエラー情報及び前記エラー情報と関連した選択ウィンドウを表示することを含み、前記エラー情報は、前記アーティファクト情報及び前記複数の領域に関する情報を含むことができる。
前記選択ウィンドウは第１オブジェクトを含み、前記医療イメージ分析方法は、前記第１オブジェクトに対する使用者の選択に応じて後続の動作を進めることを含み、前記後続の動作は、前記対象医療イメージ分析動作、前記対象医療イメージを補正する動作、又は前記対象医療イメージを再撮影する動作のいずれかを含むことができる。
本出願の他の実施例による医療イメージ分析装置は、医療イメージを取得する取得部と、前記医療イメージに基づいてイメージ品質情報を取得する処理部と、前記イメージ品質情報を出力する出力部と、を含み、前記処理部は、前記取得部を介してアーティファクトを含む対象医療イメージを取得し、前記対象医療イメージに基づいて前記アーティファクトと関連したアーティファクト情報を取得し、前記アーティファクト情報は、前記アーティファクトが分布する領域を示すアーティファクト領域を含み、第１神経網モデルを利用して、前記対象医療イメージに基づいて、解剖学的に区分される１つ以上の要素にそれぞれ対応する複数の領域を取得し、前記第１神経網モデルは、前記医療イメージに基づいて前記複数の領域を取得するように学習され、前記複数の領域は、第１要素に対応する第１領域、第２要素に対応する第２領域、及び第３要素に対応する第３領域を含み、前記アーティファクト領域と関心領域の重複程度を取得し、前記関心領域は、前記第１領域の少なくとも一部を含み、前記重複程度に基づいて前記対象医療イメージの第１品質判断を実行し、前記出力部は前記第１品質判断に基づいて前記対象医療イメージの品質関連情報を出力することができる。
前記第１要素は頭蓋骨であり、前記第１領域は前記頭蓋骨に対応する領域を含み、前記関心領域は前記頭蓋骨領域又は頭蓋骨の内部領域であり得る。
前記第２要素は、対象病気の診断に関連した要素であり、前記関心領域は、前記第２領域の少なくとも一部を含むことができる。
前記アーティファクト領域は、前記医療イメージにアーティファクトが存在するか否かを判断するように学習された第２神経網モデルを利用して取得され、前記アーティファクト領域は、前記第２神経網モデルから取得されて前記対象医療イメージに存在する対象アーティファクトと関連した特徴マップに基づいて、前記特徴マップ上で前記対象アーティファクトとの関連性が基準値以上である領域であり得る。
前記アーティファクト領域は、第１領域及び前記第１領域内に位置される第２領域を含み、前記第１領域は前記特徴マップ上で前記対象アーティファクトとの関連性が第１基準値以上である領域であり、前記第２領域は前記特徴マップ上で前記対象アーティファクトとの関連性が前記第１基準値より大きい第２基準値以上である領域であり得る。
前記アーティファクト領域は、前記医療イメージに含まれる前記アーティファクトに対応する領域をセグメンテーションするように学習された第２神経網モデルを利用して取得されてもよい。
前記処理部は、前記対象医療イメージ上で、前記アーティファクト領域の外郭線及び前記関心領域の外郭線を取得し、前記アーティファクト領域の外郭線と前記関心領域の外郭線が前記医療イメージ上で重なるかどうかに基づいて、前記アーティファクトと前記関心領域が重なるかどうかを判断することができる。
前記処理部は、前記アーティファクト領域の外郭線と前記関心領域の外郭線が前記対象医療イメージ上で重なる交差点が２個未満の場合、前記対象医療イメージの品質が正常であると判断し、前記交差点が２個以上である場合、前記対象医療イメージの品質が異常であると判断することができる。
前記処理部は、前記対象医療イメージ上で、前記アーティファクト領域及び前記関心領域に全部含まれる共通ピクセルの数を取得し、前記共通ピクセルの数を利用して前記アーティファクトと前記関心領域の重複程度を判断することができる。
前記処理部は、前記共通ピクセルの数が予め定められた基準値を超える場合、前記対象医療イメージの品質が異常であると判断し、前記共通ピクセルの数が予め定められた基準値以下である場合、前記対象医療イメージの品質が正常であると判断することができる。
前記処理部は、前記第３領域に基づいて形態学的指標を取得し、前記形態学的指標が定量的な基準を満たしているかどうかに基づいて第２品質判断を実行してもよい。
前記形態学的指標は、前記第１領域及び前記第３領域に基づいて取得されてもよい。
前記形態学的指標は、前記第１領域の体積と前記第３領域の体積の比率に基づいて取得されてもよい。
前記第３領域は、前記対象医療イメージの最も下段に位置する要素に対応する領域であり得る。
前記第３領域は、対象病気の診断に関連した要素に対応する領域であり得る。
本出願に開示された脳映像分析方法によれば、ボクセルデータを含む脳映像を取得することと、前記脳映像を頭蓋骨領域及びリファレンス領域を含む複数の領域にセグメンテーションを実行することによって、前記頭蓋骨領域の内部である第１内部領域を定義する第１バウンダリー及び前記リファレンス領域を取得することと、前記リファレンス領域に基づいて前記第１内部領域に関連した前記第１バウンダリーの少なくとも一部を修正することによって第２バウンダリーを有する第２内部領域を取得することであって、前記第２内部領域の一部は前記第１内部領域に含まれて前記ターゲット要素を含むことと、前記ターゲット要素に対応するボクセルデータに基づいて前記ターゲット要素と関連した第１体積値を取得することと、前記第２バウンダリーに含まれたボクセルデータに基づいて前記第２内部領域に関連した第２体積値を取得することと、前記第１体積値及び前記第２体積値に基づいて前記ターゲット要素の体積指標を計算することと、を含むことができる。
本出願に開示された脳映像分析方法によれば、前記第２内部領域を取得するために前記脳映像を整列することをさらに含むことができる。
本出願に開示された脳映像分析方法によれば、前記脳映像を整列することは、前記脳映像から第１特徴領域及び第２特徴領域を取得することと、前記第１特徴領域から第１特徴点を算出し、前記第２特徴領域から第２特徴点を算出することと、前記第１特徴点及び前記第２特徴点に基づいて前記脳映像の撮影方向を取得することと、前記撮影方向が基準方向と平行するように前記脳映像を整列することと、を含むことができる。
本出願に開示された脳映像分析方法によれば、前記第１特徴領域は前交連（ａｎｔｅｒｉｏｒ ｃｏｍｍｉｓｓｕｒｅ）に対応する領域であり、前記第２特徴領域は後交連（ｐｏｓｔｅｒｉｏｒ ｃｏｍｍｉｓｓｕｒｅ）に対応する領域であり、前記第１特徴点は前記前交連に対応する領域を定義するバウンダリーに含まれ、前記第２特徴点は前記後交連に対応する領域を定義するバウンダリーに含まれてもよい。
本出願に開示された脳映像分析方法によれば、前記脳映像を整列することは、前記脳映像に含まれた前記脳映像の方向に関連したデータを取得することと、前記脳映像の方向に関連したデータに基づいて前記脳映像の撮影方向を取得することと、前記撮影方向が基準方向に対応するように前記脳映像を整列することと、を含むことができる。
本出願に開示された脳映像分析方法によれば、前記第２内部領域を取得することは、前記脳映像から前記リファレンス領域に隣接する基準面を取得することと、前記基準面に基づいて前記第１内部領域の前記第１バウンダリーの一部を修正して前記第２バウンダリーを有する前記第２内部領域を取得することと、を含むことができる。
本出願に開示された脳映像分析方法によれば、前記基準面は前記脳映像の横断面（ｔｒａｎｓｖｅｒｓｅ ｐｌａｎｅ）と平行な平面であり、前記第２内部領域を取得することは、前記基準面の上側（ｕｐｐｅｒ ｓｉｄｅ）に位置する前記第１内部領域に基づいて前記第１バウンダリーの前記基準面の下側に位置する部分を修正することと、前記修正された第１バウンダリーに基づいて前記第２バウンダリーを有する前記第２内部領域を取得することと、を含むことができる。
本出願に開示された脳映像分析方法によれば、前記リファレンス領域は小脳に対応する領域であり、前記基準面は前記小脳の対応する領域を定義するバウンダリーの下部端（ｉｎｆｅｒｉｏｒ ｅｄｇｅ）に隣接することができる。
本出願に開示された脳映像分析方法によれば、前記リファレンス領域は小脳に対応する領域であり、前記基準面は前記小脳の対応する領域を定義するバウンダリーの下部端（ｉｎｆｅｒｉｏｒ ｅｄｇｅ）に隣接することができる。
本出願に開示された脳映像分析方法によれば、前記第２内部領域を取得することは、前記脳映像から第１特徴領域及び第２特徴領域を取得することと、前記第１特徴領域から第１特徴点を算出し、前記第２特徴領域から第２特徴点を算出することと、前記第１特徴点及び前記第２特徴点に基づいて前記第１特徴点及び前記第２特徴点を連結する基準方向を取得することと、前記基準方向に対して平行な基準面を取得することと、前記基準面に基づいて前記第１内部領域の前記第１バウンダリーの一部を修正して前記第２バウンダリーを有する前記第２内部領域を取得することと、を含むことができる。
本出願に開示された脳映像分析方法によれば、前記リファレンス領域は首の骨に対応する領域であり、前記基準面は、前記首の骨に対応する領域に隣接して矢状面（ｓａｇｉｔｔａｌ ｐｌａｎｅ）と垂直であり得る。
本出願に開示された脳映像分析方法によれば、前記第２内部領域を取得することは、前記基準面の上側（ｕｐｐｅｒ ｓｉｄｅ）に位置する前記第１内部領域に基づいて前記第１バウンダリーの前記基準面の下側に位置する部分を修正することと、既に修正された第１バウンダリーに基づいて前記第２バウンダリーを有する前記第２内部領域を取得することと、を含むことができる。
本出願に開示された脳映像分析方法によれば、前記体積指標は前記第２体積値に対する前記第１体積値の比率として定義されてもよい。
本出願に開示された脳映像分析方法によれば、前記ターゲット要素の前記体積指標を計算することは、前記第１体積値を補正するための第１補正パラメーターを取得することであって、前記第１補正パラメーターは前記脳映像が取得されるスキャン条件又は前記ターゲット要素の位置に基づいて取得されること、及び前記第１補正パラメーター及び前記第１体積値に基づいて前記第１体積補正値を計算することを含む第１体積補正値を取得することと、前記第２体積値を補正するための第２補正パラメーターを取得することであって、前記第２補正パラメーターは前記脳映像が取得されるスキャン条件又は前記ターゲット要素の位置に基づいて取得されること、及び前記第２補正パラメーター及び前記第２体積値に基づいて前記第２体積補正値を計算することを含む第２体積補正値を取得することと、前記第１体積補正値及び前記第２体積補正値に基づいて前記体積指標を計算することと、をさらに含むことができる。
本出願に開示された脳映像分析方法によれば、前記脳映像が取得されるスキャン条件は、脳映像取得装置の脳映像の解像度と関連する磁場強度、前記脳映像取得装置のメーカー及び前記脳映像取得装置の生成される磁場の形態と関連した設定パラメーターのうち少なくとも１つと関連することができる。
本出願に開示された脳映像分析装置によれば、脳映像を取得する映像取得部と、前記脳映像に基づいて脳映像分析情報を提供するコントローラーと、を備え、前記コントローラーは、ボクセルデータを含む脳映像を取得し、前記脳映像を頭蓋骨領域及びリファレンス領域を含む複数の領域にセグメンテーションを実行することによって、前記頭蓋骨領域の内部である第１内部領域を定義する第１バウンダリー及び前記リファレンス領域を取得し、前記リファレンス領域に基づいて前記第１内部領域に関連した前記第１バウンダリーの少なくとも一部を修正することによって第２バウンダリーを有する第２内部領域を取得し、前記第２内部領域の一部は前記第１内部領域に含まれて前記ターゲット要素を含み、前記ターゲット要素に対応するボクセルデータに基づいて前記ターゲット要素と関連した第１体積値を取得し、前記第２バウンダリーに含まれたボクセルデータに基づいて前記第２内部領域に関連した第２体積値を取得し、前記第１体積値及び前記第２体積値に基づいて前記ターゲット要素の体積指標を計算するように構成されてもよい。
本出願に開示された脳映像分析装置によれば、前記コントローラーは、前記第２内部領域を取得するために前記脳映像を整列するように構成されてもよい。
本出願に開示された脳映像分析装置によれば、前記コントローラーは、前記脳映像から第１特徴領域及び第２特徴領域を取得し、前記第１特徴領域から第１特徴点を算出し、前記第２特徴領域から第２特徴点を算出し、前記第１特徴点及び前記第２特徴点に基づいて前記脳映像の撮影方向を取得し、前記撮影方向が基準方向と平行するように前記脳映像を整列して前記脳映像を整列するように構成されてもよい。
本出願に開示された脳映像分析装置によれば、前記第１特徴領域は前交連（ａｎｔｅｒｉｏｒ ｃｏｍｍｉｓｓｕｒｅ）に対応する領域であり、前記第２特徴領域は後交連（ｐｏｓｔｅｒｉｏｒ ｃｏｍｍｉｓｓｕｒｅ）に対応する領域であり、前記第１特徴点は前記前交連に対応する領域を定義するバウンダリーに含まれ、前記第２特徴点は前記後交連に対応する領域を定義するバウンダリーに含まれてもよい。
本出願に開示された脳映像分析装置によれば、前記コントローラーは、前記脳映像に含まれた前記脳映像の方向に関連したデータを取得し、前記脳映像の方向に関連したデータに基づいて前記脳映像の撮影方向を取得し、前記撮影方向が基準方向に対応するように前記脳映像を整列して前記脳映像を整列するように構成されてもよい。
本出願に開示された脳映像分析装置によれば、前記コントローラーは、前記脳映像から前記リファレンス領域に隣接する基準面を取得し、前記基準面に基づいて前記第１内部領域の前記第１バウンダリーの一部を修正して前記第２バウンダリーを有する前記第２内部領域を取得することによって、前記第２内部領域を取得するように構成されてもよい。
本出願に開示された脳映像分析装置によれば、前記基準面は前記脳映像の横断面（ｔｒａｎｓｖｅｒｓｅ ｐｌａｎｅ）と平行な平面であり、前記コントローラーは、前記基準面の上側（ｕｐｐｅｒ ｓｉｄｅ）に位置する前記第１内部領域に基づいて前記第１バウンダリーの前記基準面の下側に位置する部分を修正し、前記修正された第１バウンダリーに基づいて前記第２バウンダリーを有する前記第２内部領域を取得することによって、前記第２内部領域を取得するように構成されてもよい。
本出願に開示された脳映像分析装置によれば、前記リファレンス領域は小脳に対応する領域であり、前記基準面は前記小脳の対応する領域を定義するバウンダリーの下部端（ｉｎｆｅｒｉｏｒ ｅｄｇｅ）に隣接することができる。
本出願に開示された脳映像分析装置によれば、前記コントローラーは、前記脳映像から第１特徴領域及び第２特徴領域を取得し、前記第１特徴領域から第１特徴点を算出し、前記第２特徴領域から第２特徴点を算出し、前記第１特徴点及び前記第２特徴点に基づいて前記第１特徴点及び前記第２特徴点を連結する基準方向を取得し、前記基準方向に対して平行な基準面を取得し、前記基準面に基づいて前記第１内部領域の前記第１バウンダリーの一部を修正して前記第２バウンダリーを有する前記第２内部領域を取得することによって、前記第２内部領域を取得するように構成されてもよい。
本出願に開示された脳映像分析装置によれば、前記リファレンス領域は首の骨に対応する領域であり、前記基準面は、前記首の骨に対応する領域に隣接し、矢状面（ｓａｇｉｔｔａｌ ｐｌａｎｅ）と垂直であり得る。
本出願に開示された脳映像分析装置によれば、前記コントローラーは、前記基準面の上側（ｕｐｐｅｒ ｓｉｄｅ）に位置する前記第１内部領域に基づいて前記第１バウンダリーの前記基準面の下側に位置する部分を修正し、前記修正された第１バウンダリーに基づいて前記第２バウンダリーを有する前記第２内部領域を取得するように構成されてもよい。
本出願に開示された脳映像分析装置によれば、前記コントローラーは、前記第２体積値に対する前記第１体積値の比率で前記体積指標を定義するように構成されてもよい。
本出願に開示された脳映像分析装置によれば、前記コントローラーは、前記第１体積値を補正するための第１補正パラメーターを取得し、前記第１補正パラメーターは前記脳映像が取得されるスキャン条件又は前記ターゲット要素の位置に基づいて取得され、前記第１補正パラメーター及び前記第１体積値に基づいて前記第１体積補正値を計算して前記第１体積補正値を取得し、前記第２体積値を補正するための第２補正パラメーターを取得し、前記第２補正パラメーターは前記脳映像が取得されるスキャン条件又は前記ターゲット要素の位置に基づいて取得され、前記第２補正パラメーター及び前記第２体積値に基づいて前記第２体積補正値を計算して前記第２体積補正値を取得し、前記第１体積補正値及び前記第２体積補正値に基づいて前記体積指標を計算することによって、前記ターゲット要素の前記体積指標を計算するように構成されてもよい。
本出願に開示された脳映像分析装置によれば、前記脳映像が取得されるスキャン条件は、脳映像取得装置の脳映像の解像度と関連する磁場強度、前記脳映像取得装置のメーカー、及び前記脳映像取得装置の生成される磁場の形態と関連した設定パラメーターのうち少なくとも１つと関連することができる。
本出願に開示された医療映像分析方法によれば、第１スキャン条件下で取得された第１医療映像から取得されてターゲット要素と関連した第１形態学的値と、第２スキャン条件下で取得された第２医療映像から取得されて前記ターゲット要素と関連した第２形態学的値との相関関係（ｃｏｒｒｅｌａｔｉｏｎ）に基づいて計算された補正パラメーターを取得することと、前記第２スキャン条件下で取得されたターゲット医療映像を取得することと、前記ターゲット医療映像を、前記ターゲット要素を含む複数の要素に対応する複数の領域にセグメンテーションを実行することによって、前記ターゲット医療映像から前記ターゲット要素に関連したターゲット領域を取得することと、前記ターゲット領域に対応するボクセル（ｖｏｘｅｌ）データに基づいて前記ターゲット要素と関連したターゲット形態学的値を取得することと、前記ターゲット形態学的値及び前記補正パラメーターに基づいて補正された形態学的値を取得することと、前記補正された形態学的値に基づいて形態学的指標を出力することと、を含むことができる。
本出願に開示された医療映像分析方法によれば、前記補正パラメーターは前記第２形態学的値に基づいて前記第１形態学的値を計算するためのパラメーターを含み、前記補正された形態学的値を取得することは、前記ターゲット形態学的値及び前記補正パラメーターに基づいて、前記第１スキャン条件下での前記ターゲット要素の形態学的推定値である前記補正された形態学的値を取得することを含むことができる。
本出願に開示された医療映像分析方法によれば、前記補正パラメーターは、前記第２形態学的値に基づいて前記第１形態学的値を計算するための線形関数と関連したパラメーターを含み、前記補正された形態学的値を取得することは、前記ターゲット形態学的値及び前記パラメーターを含む前記線形関数に基づいて、前記補正された形態学的値を取得することを含むことができる。
本出願に開示された医療映像分析方法によれば、前記第１スキャン条件及び前記第２スキャン条件は、医療映像取得装置の医療映像の解像度と関連する磁場強度、前記医療映像取得装置のメーカー、及び前記医療映像取得装置の生成される磁場の形態と関連した設定パラメーターのうち少なくとも１つと関連することができる。
本出願に開示された医療映像分析方法によれば、前記ターゲット医療映像は、第１特性を有する第１対象体から取得され、前記補正パラメーターは、前記第１特性を有する第２対象体から取得された前記第１医療映像及び前記第２医療映像から取得され、前記第１特性は、対象体の年齢や性別に関連することができる。
本出願に開示された医療映像分析方法によれば、前記セグメンテーションは、前記ターゲット医療映像に基づいて複数の要素に対応する複数の領域を取得するように提供される神経網を使用して実行されてもよい。
本出願に開示された医療映像分析方法によれば、前記第２スキャン条件下で取得された前記ターゲット医療映像を前記第１スキャン条件下で取得された映像に対応する医療映像に変換することをさらに含み、前記セグメンテーションは前記変換された医療映像に基づいて実行されてもよい。
本出願に開示された医療映像分析方法によれば、前記第１スキャン条件及び前記第２スキャン条件が磁場強度と関連する場合、前記補正パラメーターは第２磁場強度の下で取得された前記第２医療映像から取得され、ターゲット要素と関連した前記第２形態学的値を、第１磁場強度の下で取得された前記第１医療映像から取得され、ターゲット要素と関連した前記第１形態学的値に変換するためのパラメーターセットを含み、前記ターゲット医療映像が前記第２磁場強度の下で取得された場合、前記補正された形態学的値は、前記ターゲット形態学的値及び前記パラメーターセットに基づいて取得されてもよい。
本出願に開示された医療映像分析装置によれば、ターゲット医療映像を取得する映像取得部と、前記ターゲット医療映像に基づいて医療映像分析情報を提供するコントローラーと、を備え、前記コントローラーは、第１スキャン条件下で取得された第１医療映像から取得されてターゲット要素と関連した第１形態学的値と、第２スキャン条件下で取得された第２医療映像から取得されて前記ターゲット要素と関連した第２形態学的値との相関関係（ｃｏｒｒｅｌａｔｉｏｎ）に基づいて計算された補正パラメーターを取得し、前記第２スキャン条件下で取得されたターゲット医療映像を取得し、前記ターゲット医療映像を前記ターゲット要素を含む複数の要素に対応する複数の領域にセグメンテーションを実行することによって、前記ターゲット医療映像から前記ターゲット要素に関連したターゲット領域を取得し、前記ターゲット領域に対応するボクセル（ｖｏｘｅｌ）データに基づいて前記ターゲット要素と関連したターゲット形態学的値を取得し、前記ターゲット形態学的値及び前記補正パラメーターに基づいて補正された形態学的値を取得し、前記補正された形態学的値に基づいて形態学的指標を出力するように構成されてもよい。
本出願に開示された医療映像分析装置によれば、前記補正パラメーターは、前記第２形態学的値に基づいて前記第１形態学的値を計算するためのパラメーターを含み、前記コントローラーは、前記ターゲット形態学的値及び前記補正パラメーターに基づいて、前記第１スキャン条件下での前記ターゲット要素の形態学的推定値である前記補正された形態学的値を取得することができる。
本出願に開示された医療映像分析装置によれば、前記補正パラメーターは、前記第２形態学的値に基づいて前記第１形態学的値を計算するための線形関数と関連したパラメーターを含み、前記コントローラーは、前記ターゲット形態学的値及び前記パラメーターを含む前記線形関数に基づいて、前記補正された形態学的値を取得するように構成されてもよい。
本出願に開示された医療映像分析装置によれば、前記第１スキャン条件及び前記第２スキャン条件は、医療映像取得装置の医療映像の解像度と関連する磁場強度、前記医療映像取得装置のメーカー、及び前記医療映像取得装置の生成される磁場の形態と関連した設定パラメーターのうち少なくとも１つと関連することができる。
本出願に開示された医療映像分析装置によれば、前記ターゲット医療映像は、第１特性を有する第１対象体から取得され、前記補正パラメーターは、前記第１特性を有する第２対象体から取得された前記第１医療映像及び前記第２医療映像から取得され、前記第１特性は、対象体の年齢や性別に関連することができる。
本出願に開示された医療映像分析装置によれば、前記セグメンテーションは、前記ターゲット医療映像に基づいて複数の要素に対応する複数の領域を取得するように提供される神経網を使用して実行されてもよい。
本出願に開示された医療映像分析装置によれば、前記コントローラーは、前記第２スキャン条件下で取得された前記ターゲット医療映像を前記第１スキャン条件下で取得された映像に対応する医療映像に変換し、前記セグメンテーションは前記変換された医療映像に基づいて実行されるように構成されてもよい。
本出願に開示された医療映像分析装置によれば、前記形態学的指標及び形態学的指標データベースに基づいて取得した形態学的情報を出力する出力モジュールをさらに備え、前記形態学的情報は、前記形態学的指標データベース及び前記形態学的指標に基づいて、前記ターゲット医療映像の対象体と関連した前記形態学的指標の前記形態学的指標データベースに対する百分位情報を含み、前記出力モジュールは、前記百分位情報を反映する前記形態学的情報を出力するように構成されてもよい。
本出願に開示された医療映像分析装置によれば、前記第１スキャン条件及び前記第２スキャン条件が磁場強度と関連する場合、前記補正パラメーターは、第２磁場強度の下で取得された前記第２医療映像から取得されてターゲット要素と関連した前記第２形態学的値を、第１磁場強度の下で取得された前記第１医療映像から取得されてターゲット要素と関連した前記第１形態学的値に変換するためのパラメーターセットを含み、前記ターゲット医療映像が前記第２磁場強度の下で取得された場合、前記補正された形態学的値は、前記ターゲット形態学的値及び前記パラメーターセットに基づいて取得されてもよい。
本出願に開示された医療映像分析方法によれば、ターゲット医療映像を取得することと、前記ターゲット医療映像に関連したターゲットスキャン条件を取得することと、前記ターゲット医療映像に含まれたターゲット要素に対応するターゲット領域のボクセルデータに基づいて前記ターゲット要素と関連したターゲット形態学的値を取得することと、前記ターゲットスキャン条件に基づいて、１つ以上の補正パラメーターのうちターゲット補正パラメーターを決定することと、前記決定されたターゲット補正パラメーター及び前記ターゲット形態学的値に基づいて形態学的指標を出力することと、を含み、前記ターゲット補正パラメーターを決定することは、前記ターゲットスキャン条件が前記第１スキャン条件に対応する場合、前記ターゲット補正パラメーターは第１スキャン条件下で取得されたターゲット要素と関連した第１形態学的値を補正するための第１補正パラメーターで決定され、前記ターゲットスキャン条件が前記第２スキャン条件に対応する場合、前記ターゲット補正パラメーターは、前記第１スキャン条件とは異なる第２スキャン条件下で取得された前記ターゲット要素と関連した第２形態学的値を補正するための第２補正パラメーターで決定されることを含むことができる。
本出願に開示された医療映像分析方法によれば、前記形態学的指標を出力することは、前記ターゲットスキャン条件が前記第１スキャン条件に対応する場合、前記ターゲット形態学的値及び前記第１補正パラメーターに基づいて前記第１補正された形態学的指標を計算し、前記ターゲットスキャン条件が前記第２スキャン条件に対応する場合、前記ターゲット形態学的値及び前記第２補正パラメーターに基づいて前記第１補正された形態学的指標とは異なる前記第２補正された形態学的指標を計算することと、前記ターゲットスキャン条件が前記第１スキャン条件に対応する場合、前記第１補正された形態学的指標を出力し、前記ターゲットスキャン条件が前記第２スキャン条件に対応する場合、前記第２補正された形態学的指標を出力することと、を含むことができる。
本出願に開示された医療映像分析方法によれば、前記ターゲット補正パラメーターを決定するための基準となるリファレンススキャン条件を取得することをさらに含むことができる。
本出願に開示された医療映像分析方法によれば、前記第１補正パラメーターは、前記第１スキャン条件下で取得された形態学的値を第３スキャン条件下での形態学的推定値に計算するためのパラメーターを含み、前記第２補正パラメーターは、前記第２スキャン条件下で取得された形態学的値を第３スキャン条件下での形態学的推定値に計算するためのパラメーターを含み、前記第１補正された形態学的指標を計算することは、前記ターゲット形態学的値及び前記第１補正パラメーターに基づいて、前記第２スキャン条件下での前記ターゲット要素の形態学的推定値である前記第１補正された形態学的値を取得することを含み、前記第２補正された形態学的指標を計算することは、前記ターゲット形態学的値及び前記第２補正パラメーターに基づいて、前記第３スキャン条件下での前記ターゲット要素の形態学的推定値である前記第２補正された形態学的値を取得することを含むことができる。
本出願に開示された医療映像分析方法によれば、前記第１補正パラメーターは、前記第１スキャン条件下で取得された形態学的値を第３スキャン条件下での形態学的推定値に計算するための第１線形関数と関連した第１パラメーターセットを含み、前記第２補正パラメーターは、前記第２スキャン条件下で取得された形態学的値を第３スキャン条件下での形態学的推定値に計算するための第２線形関数と関連した第２パラメーターセットを含み、前記第１補正された形態学的指標を計算することは、前記ターゲット形態学的値及び前記第１パラメーターセットを含む前記第１線形関数に基づいて、前記第１補正された形態学的値を取得することを含み、前記第２補正された形態学的指標を計算することは、前記ターゲット形態学的値及び前記第２パラメーターセットを含む前記第２線形関数に基づいて、前記第２補正された形態学的値を取得することを含むことができる。
本出願に開示された医療映像分析方法によれば、前記第１スキャン条件、前記第２スキャン条件、及び前記ターゲットスキャン条件は、医療映像取得装置の医療映像の解像度と関連する磁場強度、前記医療映像取得装置のメーカー、及び前記医療映像取得装置の生成される磁場の形態と関連した設定パラメーターのうち少なくとも１つと関連することができる。
本出願に開示された医療映像分析方法によれば、前記ターゲット医療映像は、第１特性を有する対象体から取得され、前記第１補正パラメーター又は前記第２補正パラメーターは、前記第１特性を有する対象体から取得された前記第１医療映像及び前記第２医療映像から取得され、前記第１特性は、対象体の年齢や性別に関連することができる。
本出願に開示された医療映像分析方法によれば、前記ターゲット形態学的値を取得することは、前記ターゲット医療映像を少なくとも前記ターゲット要素を含む複数の要素に対応する複数の領域にセグメンテーションを実行することによって、前記ターゲット医療映像から前記ターゲット要素に関連したターゲット領域を取得することと、前記ターゲット領域に対応するボクセルデータに基づいて前記ターゲット形態学的値を取得することと、を含み、前記セグメンテーションは、前記ターゲット医療映像に基づいて複数の要素に対応する複数の領域を取得するように提供される神経網を使用して実行されてもよい。
本出願に開示された医療映像分析方法によれば、前記ターゲットスキャン条件下で取得された前記ターゲット医療映像を前記ターゲットスキャン条件以外のスキャン条件下で撮影された映像に対応する医療映像に変換することをさらに含み、前記セグメンテーションは、前記変換された医療映像に基づいて実行されてもよい。
本出願に開示された医療映像分析方法によれば、前記第１スキャン条件、前記第２スキャン条件、及び前記ターゲットスキャン条件が磁場強度と関連する場合、前記第１補正パラメーターは、第１磁場強度の下で取得された前記ターゲット要素と関連した前記第１形態学的値を補正するための第１パラメーターセットを含み、前記第２補正パラメーターは、第２磁場強度の下で取得された前記ターゲット要素と関連した前記第２形態学的値を補正するための第２パラメーターセットを含み、前記ターゲット補正パラメーターを決定することは、前記ターゲットスキャン条件が前記第１磁場強度に対応する場合、前記ターゲット補正パラメーターは前記第１パラメーターセットに決定され、前記ターゲットスキャン条件が前記第２磁場強度に対応する場合、前記ターゲット補正パラメーターは第２パラメーターセットに決定されることを含むことができる。
本出願に開示された医療映像分析装置によれば、ターゲット医療映像を取得する映像取得部と、前記ターゲット医療映像に基づいて医療映像分析情報を提供するコントローラーと、を備え、前記コントローラーは、前記ターゲット医療映像に関連したターゲットスキャン条件を取得し、前記ターゲット医療映像に含まれたターゲット要素に対応するターゲット領域のボクセルデータに基づいて前記ターゲット要素と関連したターゲット形態学的値を取得し、前記ターゲットスキャン条件に基づいて１つ以上の補正パラメーターのうちターゲット補正パラメーターを決定し、前記決定されたターゲット補正パラメーター及び前記ターゲット形態学的値に基づいて形態学的指標を出力するように構成され、前記ターゲットスキャン条件が前記第１スキャン条件に対応する場合、前記ターゲット補正パラメーターを第１スキャン条件下で取得されたターゲット要素と関連した第１形態学的値を補正するための第１補正パラメーターで決定し、前記ターゲットスキャン条件が前記第２スキャン条件に対応する場合、前記ターゲット補正パラメーターを前記第１スキャン条件とは異なる第２スキャン条件下で取得された前記ターゲット要素と関連した第２形態学的値を補正するための第２補正パラメーターで決定することによって、前記ターゲット補正パラメーターを決定するように構成されてもよい。
本出願に開示された医療映像分析装置によれば、前記コントローラーは、前記ターゲットスキャン条件が前記第１スキャン条件に対応する場合、前記ターゲット形態学的値及び前記第１補正パラメーターに基づいて前記第１補正された形態学的指標を計算し、前記ターゲットスキャン条件が前記第２スキャン条件に対応する場合、前記ターゲット形態学的値及び前記第２補正パラメーターに基づいて前記第１補正された形態学的指標とは異なる前記第２補正された形態学的指標を計算し、前記ターゲットスキャン条件が前記第１スキャン条件に対応する場合、前記第１補正された形態学的指標を出力し、前記ターゲットスキャン条件が前記第２スキャン条件に対応する場合、前記第２補正された形態学的指標を出力することによって前記形態学的指標を出力するように構成されてもよい。
本出願に開示された医療映像分析装置によれば、前記第１補正パラメーターは、前記第１スキャン条件下で取得された形態学的値を第３スキャン条件下での形態学的推定値に計算するためのパラメーターを含み、前記第２補正パラメーターは、前記第２スキャン条件下で取得された形態学的値を第３スキャン条件下での形態学的推定値に計算するためのパラメーターを含み、前記コントローラーは、前記ターゲット形態学的値及び前記第１補正パラメーターに基づいて、前記第２スキャン条件下での前記ターゲット要素の形態学的推定値である前記第１補正された形態学的値を取得して前記第１補正された形態学的指標を計算し、前記ターゲット形態学的値及び前記第２補正パラメーターに基づいて、前記第３スキャン条件下での前記ターゲット要素の形態学的推定値である前記第２補正された形態学的値を取得して前記第２補正された形態学的指標を計算するように構成されてもよい。
本出願に開示された医療映像分析装置によれば、前記第１補正パラメーターは、前記第１スキャン条件下で取得された形態学的値を第３スキャン条件下での形態学的推定値に計算するための第１線形関数と関連した第１パラメーターセットを含み、前記第２補正パラメーターは、前記第２スキャン条件下で取得された形態学的値を第３スキャン条件下での形態学的推定値に計算するための第２線形関数と関連した第２パラメーターセットを含み、前記コントローラーは、前記ターゲット形態学的値及び前記第１パラメーターセットを含む前記第１線形関数に基づいて、前記第１補正された形態学的値を取得して前記第１補正された形態学的指標を計算し、前記ターゲット形態学的値及び前記第２パラメーターセットを含む前記第２線形関数に基づいて、前記第２補正された形態学的値を取得して前記第２補正された形態学的指標を計算するように構成されてもよい。
本出願に開示された医療映像分析装置によれば、前記第１スキャン条件及び前記第２スキャン条件は、医療映像取得装置の医療映像の解像度と関連する磁場強度、前記医療映像取得装置のメーカー、及び前記医療映像取得装置の生成される磁場の形態と関連した設定パラメーターのうち少なくとも１つと関連することができる。
本出願に開示された医療映像分析装置によれば、前記ターゲット医療映像は、第１特性を有する対象体から取得され、前記第１補正パラメーター及び前記第２補正パラメーターのうち少なくとも１つを含む前記ターゲット補正パラメーターは、前記第１特性を有する対象体から取得された前記第１医療映像及び前記第２医療映像から取得され、前記第１特性は、対象体の年齢や性別に関連することができる。
本出願に開示された医療映像分析装置によれば、前記コントローラーは、前記ターゲット医療映像を少なくとも前記ターゲット要素を含む複数の要素に対応する複数の領域にセグメンテーションを実行することによって、前記ターゲット医療映像から前記ターゲット要素に関連したターゲット領域を取得し、前記ターゲット領域に対応するボクセルデータに基づいて前記ターゲット形態学的値を取得するように構成され、前記セグメンテーションは、前記ターゲット医療映像に基づいて複数の要素に対応する複数の領域を取得するように提供される神経網を使用して実行されてもよい。
本出願に開示された医療映像分析装置によれば、前記コントローラーは、前記ターゲットスキャン条件下で取得された前記ターゲット医療映像を前記ターゲットスキャン条件以外のスキャン条件下で撮影された映像に対応する医療映像に変換し、前記変換された医療映像に基づいて前記セグメンテーションを実行するように構成されてもよい。
本出願に開示された医療映像分析装置によれば、前記第１スキャン条件、前記第２スキャン条件、及び前記ターゲットスキャン条件が磁場強度と関連する場合、前記第１補正パラメーターは、第１磁場強度の下で取得された前記ターゲット要素と関連した前記第１形態学的値を補正するための第１パラメーターセットを含み、前記第２補正パラメーターは、第２磁場強度の下で取得された前記ターゲット要素と関連した前記第２形態学的値を補正するための第２パラメーターセットを含み、前記コントローラーは、前記ターゲットスキャン条件が前記第１磁場強度に対応する場合、前記ターゲット補正パラメーターは前記第１パラメーターセットに決定され、前記ターゲットスキャン条件が前記第２磁場強度に対応する場合、前記ターゲット補正パラメーターは、第２パラメーターセットに決定されることによって、前記ターゲット補正パラメーターを決定するように構成されてもよい。
本出願に開示された脳映像分析方法によれば、第１脳要素と関連した第１形態学的値を補正するための第１補正パラメーターを取得することと、第１脳要素と異なる第２脳要素と関連した第２形態学的値を補正するための第２補正パラメーターを取得することと、ターゲット脳映像を取得することと、前記ターゲット脳映像を前記第１脳要素に対応する第１領域、前記第２脳要素に対応する第２領域、及び頭蓋骨領域を含む複数の脳領域にセグメンテーションを実行することによって、前記第１領域、前記第２領域、及び前記頭蓋骨領域の内部領域に関連した第３領域を取得することと、前記第１領域に対応するボクセルデータ、前記第３領域に対応するボクセルデータ、及び前記第１補正パラメーターに基づいて前記第１脳要素と関連した第１脳形態学的指標を取得することと、前記第２領域に対応するボクセルデータ、前記第３領域に対応するボクセルデータ、及び前記第２補正パラメーターに基づいて前記第２脳要素と関連した第２脳形態学的指標を取得することと、を含むことができる。
本出願に開示された脳映像分析方法によれば、前記第３領域に対応するボクセルデータに基づいて前記内部領域に関連した基準形態学的値を取得することをさらに含み、前記第１脳形態学的指標を取得することは、前記第１領域に対応するボクセルデータに基づいて前記第１脳要素と関連した第１ターゲット形態学的値を取得することと、前記第１ターゲット形態学的値と前記第１補正パラメーターに基づいて第１脳要素と関連した第１補正された形態学的値を計算することと、前記第１補正された形態学的値及び前記基準形態学的値に基づいて前記第１脳形態学的指標を計算することと、を含み、前記第２脳形態学的指標を取得することは、前記第２領域に対応するボクセルデータに基づいて前記第２脳要素と関連した第２ターゲット形態学的値を取得することと、前記第２ターゲット形態学的値と前記第２補正パラメーターに基づいて第２脳要素と関連した第２補正された形態学的値を計算することと、前記第２補正された形態学的値及び前記基準形態学的値に基づいて前記第２脳形態学的指標を計算することと、を含むことができる。
本出願に開示された脳映像分析方法によれば、前記第１形態学的値及び前記第２形態学的値は、第１スキャン条件下で取得された値であり、前記ターゲット脳映像は、前記第１スキャン条件下で取得され、前記第１補正パラメーターは、前記第１形態学的値に基づいて前記第１スキャン条件とは異なる第２スキャン条件下で取得された前記第１脳要素と関連した第３形態学的値を計算するための第１パラメーターを含み、前記第２補正パラメーターは、前記第２形態学的値に基づいて前記第２スキャン条件下で取得された前記第２脳要素と関連した第４形態学的値を計算するための第２パラメーターを含み、前記第１補正された形態学的値を計算することは、前記第１ターゲット形態学的値及び前記第１補正パラメーターに基づいて、前記第２スキャン条件下での前記第１脳要素の形態学的推定値である前記第１補正された形態学的値を取得することを含み、前記第２補正された形態学的値を計算することは、前記第２ターゲット形態学的値及び前記第２補正パラメーターに基づいて、前記第２スキャン条件下での前記第２脳要素の形態学的推定値である前記第２補正された形態学的値を取得することを含むことができる。
本出願に開示された脳映像分析方法によれば、前記第１補正パラメーターは、前記第１形態学的値に基づいて前記第３形態学的値を計算するための第１線形関数と関連した第１パラメーターセットを含み、前記第２補正パラメーターは、前記第２形態学的値に基づいて前記第４形態学的値を計算するための第２線形関数と関連した第２パラメーターセットを含み、前記第１補正された形態学的値を計算することは、前記第１ターゲット形態学的値及び前記第１線形関数と関連した第１パラメーターセットに基づいて前記第１補正された形態学的値を取得することを含み、前記第２補正された形態学的値を計算することは、前記第２ターゲット形態学的値及び前記第２線形関数と関連した第２パラメーターセットに基づいて前記第２補正された形態学的値を取得することを含むことができる。
本出願に開示された脳映像分析方法によれば、前記第１脳要素に対応する前記第１領域は、前記第２脳要素に対応する前記第２領域と比較して、前記頭蓋骨領域に隣接して位置することができる。
本出願に開示された脳映像分析方法によれば、前記第１脳要素は、第１脳機能を実行する要素と関連し、前記第２脳要素は、前記第１脳機能とは異なる第２脳機能を実行する要素と関連することができる。
本出願に開示された脳映像分析方法によれば、前記第１スキャン条件及び前記第２スキャン条件は、脳映像取得装置の脳映像の解像度と関連する磁場強度、前記脳映像取得装置のメーカー、及び前記脳映像取得装置の生成される磁場の形態と関連した設定パラメーターのうち少なくとも１つと関連することができる。
本出願に開示された脳映像分析方法によれば、前記ターゲット脳映像は、第１特性を有する第１対象体から取得され、前記第１補正パラメーター及び前記第２補正パラメーターは、前記第１特性を有する第２対象体から取得された第１脳映像及び第２脳映像から取得され、前記第１特性は、対象体の年齢や性別に関連することができる。
本出願に開示された脳映像分析方法によれば、前記セグメンテーションは、前記ターゲット脳映像に基づいて前記第１脳要素、前記第２脳要素、及び前記頭蓋骨を含む複数の脳要素に対応する複数の脳領域を取得するように提供される神経網を使用して実行されてもよい。
本出願に開示された脳映像分析方法によれば、前記ターゲット脳映像を前処理することをさらに含み、前記ターゲット脳映像を前処理することは、前記第１領域に対して第１方法で前処理を実行し、前記第２領域に対して第１方法とは異なる第２方法の前処理を実行することを含み、前記セグメンテーションは、前記前処理された前記ターゲット脳映像に基づいて実行されてもよい。
本出願に開示された脳映像分析方法によれば、前記第１補正された形態学的値は、前記ターゲット脳映像で取得された前記第１脳要素と関連した体積値であり、前記第２ターゲット形態学的値は、前記ターゲット脳映像で取得された前記第２脳要素と関連した体積値であり、前記第１脳形態学的指標は、前記基準形態学的値に対する前記第１補正された形態学的値で計算され、前記第２脳形態学的指標は、前記基準形態学的値に対する前記第２補正された形態学的値で計算されてもよい。
本出願に開示された脳映像分析装置によれば、ターゲット脳映像を取得する映像取得部と、前記ターゲット脳映像に基づいて脳映像分析情報を提供するコントローラーと、を備え、前記コントローラーは、第１脳要素と関連した第１形態学的値を補正するための第１補正パラメーターを取得し、第１脳要素と異なる第２脳要素と関連した第２形態学的値を補正するための第２補正パラメーターを取得し、ターゲット脳映像を取得し、前記ターゲット脳映像を前記第１脳要素に対応する第１領域、前記第２脳要素に対応する第２領域、及び頭蓋骨領域を含む複数の脳領域にセグメンテーションを実行することによって、前記第１領域、前記第２領域、及び前記頭蓋骨領域の内部領域に関連した第３領域を取得し、前記第１領域に対応するボクセルデータ、前記第３領域に対応するボクセルデータ、及び前記第１補正パラメーターに基づいて前記第１脳要素と関連した第１脳形態学的指標を取得し、前記第２領域に対応するボクセルデータ、前記第３領域に対応するボクセルデータ、及び前記第２補正パラメーターに基づいて前記第２脳要素と関連した第２脳形態学的指標を取得するように構成されてもよい。
本出願に開示された脳映像分析装置によれば、前記コントローラーは、前記第３領域に対応するボクセルデータに基づいて前記内部領域に関連した基準形態学的値を取得するように構成され、前記第１領域に対応するボクセルデータに基づいて前記第１脳要素と関連した第１ターゲット形態学的値を取得し、前記第１ターゲット形態学的値と前記第１補正パラメーターに基づいて第１脳要素と関連した第１補正された形態学的値を計算し、前記第１補正された形態学的値及び前記基準形態学的値に基づいて前記第１脳形態学的指標を計算して前記第１脳形態学的指標を取得し、前記第２領域に対応するボクセルデータに基づいて前記第２脳要素と関連した第２ターゲット形態学的値を取得し、前記第２ターゲット形態学的値と前記第２補正パラメーターに基づいて第２脳要素と関連した第２補正された形態学的値を計算し、前記第２補正された形態学的値及び前記基準形態学的値に基づいて前記第２脳形態学的指標を計算して前記第２脳形態学的指標を取得するように構成されてもよい。
本出願に開示された脳映像分析装置によれば、前記第１形態学的値及び前記第２形態学的値は、第１スキャン条件下で取得された値であり、前記ターゲット脳映像は、前記第１スキャン条件下で取得され、前記第１補正パラメーターは、前記第１形態学的値に基づいて前記第１スキャン条件とは異なる第２スキャン条件下で取得された前記第１脳要素と関連した第３形態学的値を計算するための第１パラメーターを含み、前記第２補正パラメーターは、前記第２形態学的値に基づいて前記第２スキャン条件下で取得された前記第２脳要素と関連した第４形態学的値を計算するための第２パラメーターを含み、前記コントローラーは、前記第１ターゲット形態学的値及び前記第１補正パラメーターに基づいて前記第２スキャン条件下での前記第１脳要素の形態学的推定値である前記第１補正された形態学的値を計算し、前記第２ターゲット形態学的値及び前記第２補正パラメーターに基づいて前記第２スキャン条件下での前記第２脳要素の形態学的推定値である前記第２補正された形態学的値を計算するように構成されてもよい。
本出願に開示された脳映像分析装置によれば、前記第１補正パラメーターは、前記第１形態学的値に基づいて前記第３形態学的値を計算するための第１線形関数と関連した第１パラメーターセットを含み、前記第２補正パラメーターは、前記第２形態学的値に基づいて前記第４形態学的値を計算するための第２線形関数と関連した第２パラメーターセットを含み、前記第１補正された形態学的値を計算することは、前記第１ターゲット形態学的値及び前記第１線形関数と関連した第１パラメーターセットに基づいて前記第１補正された形態学的値を取得することを含み、前記コントローラーは、前記第１ターゲット形態学的値及び前記第１線形関数と関連した第１パラメーターセットに基づいて前記第１補正された形態学的値を計算し、前記第２ターゲット形態学的値及び前記第２線形関数と関連した第２パラメーターセットに基づいて前記第２補正された形態学的値を計算するように構成されてもよい。
本出願に開示された脳映像分析装置によれば、前記第１脳要素に対応する前記第１領域は、前記第２脳要素に対応する前記第２領域と比較して、前記頭蓋骨領域に隣接して位置することができる。
本出願に開示された脳映像分析装置によれば、前記第１脳要素は、第１脳機能を実行する要素と関連し、前記第２脳要素は、前記第１脳機能とは異なる第２脳機能を実行する要素と関連することができる。
本出願に開示された脳映像分析装置によれば、前記第１スキャン条件及び前記第２スキャン条件は、脳映像取得装置の脳映像の解像度と関連する磁場強度、前記脳映像取得装置のメーカー、及び前記脳映像取得装置の生成される磁場の形態と関連した設定パラメーターのうち少なくとも１つと関連することができる。
本出願に開示された脳映像分析装置によれば、前記コントローラーは、前記ターゲット脳映像は、第１特性を有する第１対象体から取得され、前記第１補正パラメーター及び前記第２補正パラメーターは、前記第１特性を有する第２対象体から取得された第１脳映像及び第２脳映像から取得され、前記第１特性は、対象体の年齢や性別に関連することができる。
本出願に開示された脳映像分析装置によれば、前記セグメンテーションは、前記ターゲット脳映像に基づいて前記第１脳要素、前記第２脳要素、及び前記頭蓋骨を含む複数の脳要素に対応する複数の脳領域を取得するように提供される神経網を使用して実行されてもよい。
本出願に開示された脳映像分析装置によれば、前記コントローラーは、前記ターゲット脳映像を前処理し、前記セグメンテーションは、前記前処理された前記ターゲット脳映像に基づいて実行され、前記第１領域に対して第１方法で前処理を実行し、前記第２領域に対して第１方法とは異なる前処理を実行するように構成されてもよい。
本出願に開示された脳映像分析装置によれば、前記第１補正された形態学的値は、前記ターゲット脳映像で取得された前記第１脳要素と関連した体積値であり、前記第２ターゲット形態学的値は、前記ターゲット脳映像で取得された前記第２脳要素と関連した体積値であり、前記第１脳形態学的指標は、前記基準形態学的値に対する前記第１補正された形態学的値で計算され、前記第２脳形態学的指標は、前記基準形態学的値に対する前記第２補正された形態学的値で計算されてもよい。
本出願の上述した目的、特徴及び長所は添付された図面に関連する次の詳細な説明を介してさらに明らかになる。ただし、本出願は様々な変更を加えることができ、いろんな実施例を有することができ、以下では特定の実施例を図面に例示して本発明を詳細に説明する。
明細書全体にかけて同じ参照番号は原則的に同じ構成要素を示す。また、各実施例の図面に示される同じ思想の範囲内の機能が同じ構成要素は同じ参照符号を使用して説明し、これに対する重複説明は省略する。
本出願に関連した公知機能又は構成に対する具体的説明は本出願の要旨を不必要としたと判断される場合、その詳細な説明を省略する。また、本明細書の説明過程で利用される数字（例えば、第１、第２等）は１つの構成要素を他の構成要素と区分するための識別記号に過ぎない。
また、以下の実施例で使用される構成要素に対する接尾辞「モジュール」及び「部」は明細書を容易に作成するために考慮して、付与されるか又は混用されるものであり、その自体で互いに区別される意味又は役割を有するものではない。
以下の実施例で、単数の表現は文脈上で明らかに異なるように意味しない限り、複数の表現も含む。
以下の実施例で、含み、又は、有するなどの用語は明細書上に記載された特徴、又は、構成要素が存在することを意味し、１つ以上の他の特徴又は構成要素が付加される可能性を予め排除するものではない。
図面では説明を容易にするために構成要素において、その大きさが拡張又は縮小されることができる。例えば、図面に示される各構成の大きさ及び厚さは説明の便宜のために任意に示し、本発明は必ずしも図示されたことに限定されない。
ある実施例が別に実現可能な場合、特定のプロセスの順序は説明される順序と異なって実行されてもよい。例えば、連続して説明される２つのプロセスが実質的に同時に実行されてもよく、説明される順序と逆の順序で行ってもよい。
以下の実施例で、構成要素などが連結された場合、構成要素が直接連結された場合だけでなく、構成要素の間に構成要素が介在して間接的に連結された場合も含む。
例えば、本明細書での構成要素などが電気的に接続された場合、構成要素などが直接電気的に接続された場合だけでなく、その間に構成要素などが介在して間接的に電気的に接続される場合も含む。
以下では、本出願の脳映像分析装置、脳映像分析システム及び脳映像分析方法について説明する。ここで、脳映像分析は、脳映像に対してセグメンテーションを実行することによって複数の脳領域を取得した後、脳と関連した形態学的指標を計算し、これを使用者に出力することによって実行されてもよい。
本出願では、このような脳映像分析の精度と信頼度を改善するために、脳映像のクオリティをチェックして脳映像分析結果に対する信頼度を改善したり、取得された特定の脳領域の形態学的値や形態学的指標を補正して脳映像分析結果の精度を改善したり、分析される脳映像自体から特定の脳領域の形態学的値や形態学的指標を計算して個人オーダーメード型の分析結果を提供したり、使用者に選別的な情報のみを提供してユーザーフレンドリーなレポートを提供するなど、様々な技法を開示する。
以下では、本出願の一実施例による医療イメージ分析方法及び医療イメージ分析装置、並びに医療イメージ分析システムについて説明する。
図１は、本出願の一実施例による医療イメージ分析システムに関する概略図である。図１を参照すると、本出願の一実施例による医療イメージ分析システムはイメージ取得装置１０００及びイメージ分析装置２０００を備えることができる。
イメージ取得装置１０００は、イメージを取得してネットワークを介してイメージ分析装置２０００に送信することができる。
一例として、イメージ取得装置１０００は、磁気共鳴映像（ＭＲＩ，Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）を取得するための装置であり得る。この時、イメージ取得装置１０００に取得された磁気共鳴映像は、ネットワークを介してイメージ分析装置２０００に伝えられることができる。
他の例として、イメージ取得装置１０００は、コンピュータ断層撮影（ＣＴ，Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）映像を取得するための装置であり得る。この時、イメージ取得装置１０００に取得されたコンピュータ断層撮影映像は、ネットワークを介してイメージ分析装置２０００に伝えられることができる。
また、他の例として、イメージ取得装置１０００は、放射線撮影（Ｒａｄｉｏｇｒａｐｈｙ）によって取得された映像を取得するための装置であり得る。この時、イメージ取得装置１０００に取得された放射線撮影映像は、ネットワークを介してイメージ分析装置２０００に伝えられることができる。
また、他の例として、イメージ取得装置１０００は、陽電子放射断層撮影法（ｐｏｓｉｔｒｏｎ ｅｍｉｓｓｉｏｎ ｔｏｍｏｇｒａｐｈｙ，ＰＥＴ）によって取得された映像を取得するための装置であり得る。
ただし、上述したイメージ取得装置１０００は、例示に過ぎず、これに限定されない。医学撮影（ｍｅｄｉｃａｌ ｉｍａｇｉｎｇ）に活用される任意の適切な装置やシステムを含む意味で解釈されるべきである。
イメージ取得装置１０００により取得されたイメージは、２次元形態のイメージであり得る。この時、イメージは、ピクセルの座標、色、強度などに関連したピクセル情報を含むことができる。
イメージ取得装置１０００により取得されたイメージは、３次元形態のイメージであり得る。この時、イメージは、ボクセルの座標、色、強度と関連したピクセル情報を含むことができる。
イメージ取得装置１０００により取得されたイメージは、イメージの整列に関連した情報を含むことができる。例えば、イメージ取得装置１０００は、対象体１００の基準座標軸の方向（ＲＡＳ）を考慮して、撮影されたイメージの方向に関連したデータ（ｉｊｋ）を共に取得することができる。具体的に、イメージ取得装置は、イメージ取得装置の座標軸に対する情報（ｘｙｚ）及び対象体１００の基準座標軸に対する情報（ＲＡＳ）を考慮して撮影されたイメージの方向に関連したデータ（ｉｊｋ）を取得することができる。
イメージ取得装置１０００は、イメージの磁場強度と関連したデータ、イメージ装置のメーカーと関連したデータ、イメージ装置の設定パラメーターと関連したデータ、イメージの対象体と関連したデータなどを取得することができる。
磁場強度と関連したデータとは、磁場を利用して医療イメージを取得する場合（例、ＭＲＩ）において、対象体に対して印加される磁場の強度と関連したデータを含む意味であり得る。例えば、対象イメージが１．５Ｔ（Ｔｅｓｌａ）の磁場強度条件下で取得された場合には、「１．５Ｔ」に対応するデータが磁場強度と関連したデータに該当することができる。ただし、１．５Ｔに制限されず、３Ｔ、７Ｔ、８Ｔなどの医療映像を取得するために一般的に使用される磁場強度に対応するデータが磁場強度と関連したデータに該当することができる。
イメージ装置の設定パラメーターとは、医療映像を取得するためにイメージ装置で調節したり制御したりすることができるパラメーターを含む意味であり得る。例えば、イメージ装置の設定パラメーターは、同じスライスに適用された連続パルスシーケンス間の時間を意味する繰り返し時間（ＴＲ，Ｒｅｐｅｔｉｔｉｏｎ Ｔｉｍｅ）、ＲＦパルスの伝達とエコー信号の受信との間の時間（ＴＥ，Ｔｉｍｅ ｔｏ Ｅｃｈｏ）、励起されたプロトンが平衡状態に戻る速度と関連した時定数（Ｔ１）、励起されたプロトンが平衡に達するか、お互いの位相から外れる速度と関連した時定数（Ｔ２）、プロトン密度（ＰＤ，Ｐｒｏｔｏｎ ｄｅｎｓｉｔｙ）、あるいはこれらの任意の組み合わせを含む意味であり得る。
ただし、上述した例示に制限されず、磁場特性に関連した任意のパラメーターを含む意味で解釈されるべきである。また、磁場を利用して対象イメージを取得することに制限されず、ＣＴ方式あるいは放射線（例、Ｘ－ｒａｙ）調査方式を利用するイメージ装置と関連した任意のパラメーターを含む意味として解釈されるべきである。
この時、上述したデータは、取得されたイメージ内にメタデータとして処理され、イメージ分析装置２０００に送信されるか、又はイメージとは別にイメージ分析装置２０００に伝えられることができる。
イメージ取得装置１０００は、ＭＲＩ、ＣＴ、及びＸ－ｒａｙなどの医療用イメージを取得する装置であり得る。
イメージ取得装置１０００は、様々なスキャン条件下でイメージを取得することができる。
例えば、イメージ装置がＭＲＩである場合には、磁場強度が１．５ Ｔｅｓｌａ（以下Ｔ）のスキャン条件下でイメージが取得されることができる。また、磁場強度が３Ｔであるスキャン条件下でイメージが取得されることができる。また、磁場強度が７Ｔあるいは８Ｔであるスキャン条件下でイメージが取得されることができる。
別の例では、イメージ取得装置１０００がＭＲＩである場合には、上述したように、イメージ取得装置１０００のＴＲ（Ｒｅｐｅｔｉｔｉｏｎ Ｔｉｍｅ）、ＴＥ（Ｔｉｍｅ ｔｏ Ｅｃｈｏ）、プロトン密度（ＰＤ）、あるいは励起されたプロトンが平衡状態に戻る速度と関連した時定数（Ｔ１）、励起されたプロトンが平衡に達するか、お互いの位相から外れる速度と関連した時定数（Ｔ２）、あるいはこれらの任意の組み合わせで構成される設定パラメーターのスキャン条件下でイメージが取得されることができる。
また、別の例では、イメージ取得装置１０００は、ＣＴと関連した装置であってもよい。この時、ＣＴ装置に設定できる電圧（ｖｏｌｔａｇｅ）、電流（Ｃｕｒｒｅｎｔ）、露出時間（Ｅｘｐｏｓｕｒｅ ｔｉｍｅ）、スキャニングタイム（Ｓｃａｎｎｉｎｇ ｔｉｍｅ）、プロジェクション（ｐｒｏｊｅｃｔｉｏｎ）、及びこれらの任意の組み合わせらと関連した設定パラメーターのスキャン条件下でイメージが取得されることができる。
また、別の例では、イメージ取得装置１０００は、Ｘ－ｒａｙと関連した装置であってもよい。この時、Ｘ－ｒａｙイメージ装置に設定できる管電圧、管電流、撮影時間、Ｘ線管装置とディテクターとの間の距離（ＳＩＤ）、Ｘ線管支持装置の角度、及びこれらの任意の組み合わせに関連した設定パラメーターのスキャン条件下でイメージが取得されることができる。
また、放射線を照射する施術者（ａｐｐｌｉｃａｔｏｒ）の性向に応じて、イメージが異なるように取得される可能性がある。この時、施術者の性向に対する情報がパラメーター化されることができる。また、施術者の性向に対するパラメーターは、後述するスキャン条件を考慮して形態学的値や形態学的指標を補正することと関連して１つの考慮要素として利用されてもよい。換言すれば、施術者の性向に応じて形態学的値や形態学的指標を補正することができる。より具体的に、一実施例によるイメージ分析装置２０００は、スキャン条件に関連して、施術者の識別情報を取得することができる。また、イメージ分析装置２０００は、施術者の識別情報に基づいて形態学的値や形態学的指標を補正するための補正パラメーターを取得するように実現されてもよい。例えば、イメージ分析装置２０００は、第１施術者によって撮影された第１イメージから計算された第１形態学的値と第２施術者によって撮影された第２イメージから計算された第２形態学的値との相関関係に基づいて、第１施術者から取得された対象イメージから計算された形態学的値を第２施術者と関連した形態学的値に推定するための補正パラメーター（又は、第２施術者から取得された対象イメージから計算された形態学的値を第１施術者と関連した形態学的値に推定するための補正パラメーター）を取得することができる。
また、別の例では、イメージ取得装置１０００は、陽電子放射断層撮影法（ｐｏｓｉｔｒｏｎ ｅｍｉｓｓｉｏｎ ｔｏｍｏｇｒａｐｈｙ，ＰＥＴ）を使用するＭＲＩ装置又はＣＴ装置であり得る。ＰＥＴ撮影法を利用する場合、放射性医薬品に関連した薬品が利用されることができる。例えば、アミロイドベータ（ａｍｙｌｏｉｄ ｂｅｔａ）を測定するために、１８Ｆ－ｆｌｏｒｂｅｔａｐｉｒ、１８Ｆ－ｆｌｏｒｂｅｔａｂｅｎ、１８Ｆ－ｆｌｕｔｅｍｅｔａｍｏｌ、１８Ｆ－Ｆｌｏｒａｐｒｏｎｏｌなどのような薬品（あるいはトレーサー（ｔｒａｃｅｒ））が使用されることができる。タウ（ｔａｕ）蛋白質を測定するために、１８Ｆ－ｆｌｏｒｔａｕｃｉｐｉｒなどのような薬品（あるいはトレーサー（ｔｒａｃｅｒ））が使用されることができる。使用される薬品は、イメージ取得装置のメーカーにより異なるように使用されることができる。この時、使用される薬品に対する情報がパラメーター化されることができる。イメージ取得装置に対して、使用される薬品に対するパラメーターはスキャン条件として使用されることができ、後述するスキャン条件を考慮して形態学的値や形態学的指標を補正することと関連して１つの考慮要素として利用されてもよい。換言すれば、イメージ取得装置のメーカー及び使用される薬品に基づいて形態学的値や形態学的指標を補正することができる。より具体的に、イメージ分析装置２０００は、イメージ取得装置のメーカー及び使用される薬品の情報を取得することができ、イメージ取得装置のメーカー及び使用される薬品の情報に基づいて形態学的値や形態学的指標を補正するための補正パラメーターを取得するように実現されることができる。例えば、イメージ分析装置２０００は、第１薬品（例えば、１８Ｆ－ｆｌｏｒｂｅｔａｐｉｒ）を使用して撮影された第１イメージから計算された第１形態学的値と第２薬品（例えば、１８Ｆ－ｆｌｏｒｂｅｔａｂｅｎ）を使用して撮影された第２イメージから計算された第２形態学的値との相関関係に基づいて、第１薬品を使用して取得された対象イメージから計算された形態学的値を、第２薬品を使用して取得された形態学的値に推定するための第１補正パラメーター（又は、第２薬品を使用して取得された対象イメージから計算された形態学的値を、第１薬品を使用して取得された形態学的値に推定するための補正パラメーター）を取得することができる。また、イメージ分析装置２０００は、第２薬品を使用して撮影された第２イメージから計算された第２形態学的値と第３薬品を使用して撮影された第３イメージから計算された第３形態学的値との相関関係に基づいて、第２薬品を使用して取得された対象イメージから計算された形態学的値を、第３薬品（例えば、１８Ｆ－ｆｌｕｔｅｍｅｔａｍｏｌ）を使用して取得された形態学的値に推定するための第２補正パラメーター（又は、第３薬品を使用して取得された対象イメージから計算された形態学的値を、第２薬品を使用して取得された形態学的値に推定するための補正パラメーター）を取得することができる。この時、第１補正パラメーターは第２補正パラメーターと異なってもよい。
また、イメージ取得装置１０００は、少なくとも１つ以上の設定パラメーターを含むスキャン条件下でイメージが取得されることができる。換言すれば、上述した設定パラメーターの様々な組み合わせに基づくスキャン条件下でイメージが取得されてもよい。
例えば、設定パラメーターが第１組み合わせである第１スキャン条件下でイメージが取得されてもよい。また、設定パラメーターが第２組み合わせであり、磁場強度が第１強度である第２スキャン条件下でイメージが取得されてもよい。これに限定されず、イメージ取得装置１０００により取得されるイメージは、設定パラメーターの様々な組み合わせによる様々なスキャン条件下で取得されたイメージであり得る。
また、イメージ取得装置１０００は、複数個のイメージ取得装置１０００で構成されてもよい。
この時、複数のイメージ取得装置１０００は、異なるメーカーによって製造された装置であり得る。異なるメーカーの製造した装置によって取得されたイメージは、スキャン条件と設定パラメーターが同一でも、明るさ、強度など、いくつかの特性が異なることができる。したがって、同じ対象体に対して医療イメージを取得してもメーカー装置に応じて、医療イメージに基づく形態学的指標が異なることができる。
したがって、後述する本出願の一実施例による補正パラメーター取得装置２４００によってスキャン条件と設定パラメーター、あるいはイメージ装置のメーカーによる変数を制御するための補正パラメーター取得動作が要求される。
イメージ取得装置１０００により取得されたイメージは、身体の特定部位の解剖学的構造と関連する情報を含むことができる。また、身体の特定部位は、医学撮影（ｍｅｄｉｃａｌ ｉｍａｇｉｎｇ）が活用されることができるすべての部位に対応することができる。説明の便宜上、後述する図面と明細書では脳（ｂｒａｉｎ）と関連したイメージを中心に述べるが、これは例示に過ぎず、本出願に開示された様々な実施例は、脳以外の任意の適切な身体の部位（例えば、肺、乳房、心臓、関節、血管など）に対しても適用されることができる。
一方、本出願の一実施例によるイメージ取得装置１０００は、サーバーの形態で実現されることができる。この時、サーバーは、医療イメージ及び医療イメージと関連する情報を格納するように構成されてもよい。また、サーバーは、医療イメージ及び医療イメージと関連する情報を修正したり加工（ｐｒｏｃｅｓｓｉｎｇ）したりするように実現されてもよい。
また、医療イメージは、イメージ分析装置２０００のメモリーあるいはサーバーに格納されて補正パラメーターを計算したり、クオリティコントロールを実行したり、分析結果を出力したりするために活用されてもよい。これに関連しては、以下で詳しく後述する。
以下では、図２を参照して、本出願の一実施例によるイメージ分析のためのイメージ分析装置２０００、学習装置２２００、補正パラメーター取得装置２４００、及び出力装置２６００を説明する。図２は、本出願の一実施例による医療イメージ分析のためのイメージ分析装置２０００、学習装置２２００、補正パラメーター取得装置２４００、及び出力装置２６００の概略図である。
イメージ分析装置２０００は、イメージ取得装置１０００から取得されたイメージを学習装置２２００により学習された人工神経網を利用してセグメンテーションしたり、イメージ内に含まれたターゲット要素の形態学的指標を計算したりする動作を実行することができる。
学習装置２２００は、複数のイメージデータセットを利用して、イメージのセグメンテーションのための神経網モデル、あるいはイメージのクオリティコントロールのための神経網モデルなどを学習させる動作を実行することができる。
補正パラメーター取得装置２４００は、複数のイメージデータセットとスキャン条件に関するデータを利用して、イメージ分析装置２０００で取得したターゲットイメージ（あるいは対象イメージ）のターゲット要素と関連した形態学的値や形態学的指標を補正するための補正パラメーターを計算する動作を実行することができる。
図２に示されたイメージ分析装置２０００、学習装置２２００、及び補正パラメーター取得装置２４００は、任意の通信方式を利用して互いにデータを送受信するように実現されてもよい。
例えば、イメージ分析装置２０００、学習装置２２００、及び補正パラメーター取得装置２４００は、サーバーを共有するように実現されてもよい。
図２に示すように、イメージ分析装置２０００、学習装置２２００、及び補正パラメーター取得装置２４００が別個の装置として提供されることを示したが、これは例示に過ぎず、イメージ分析装置２０００、学習装置２２００、及び／又は補正パラメーター取得装置２４００は、単一の装置で実現されることもできるだろう。あるいは、イメージ分析装置２０００、学習装置２２００、及び補正パラメーター取得装置２４００のうち一部は別個の装置として提供し、残りの装置は単一の装置で実現されてもよい。
以下では、図３を参照して、本出願の一実施例によるイメージ分析装置２０００の構成を説明する。図３は、本出願の一実施例によるイメージ分析装置２０００に関するブロック図である。
本出願の一実施例によるイメージ分析装置２０００は、第１通信モジュール２０１０、第１メモリー２０２０、第１コントローラー２０３０を含むことができる。
第１通信モジュール２０１０は、イメージ取得装置１０００、学習装置２２００、補正パラメーター取得装置２４００、及び後述する出力装置２６００を含んだ任意の外部機器と通信を実行することができる。換言すれば、イメージ分析装置２０００は、第１通信モジュール２０１０を介して、イメージ取得装置１０００からイメージを送受信するか、又は学習装置２２００、パラメーター取得装置２４００、及び後述する出力装置２６００、中継機、及びサーバーなどを含んだ外部機器とデータの送受信を行うことができる。
例えば、イメージ分析装置２０００は、第１通信モジュール２０１０を介して、イメージ取得装置１０００から取得されたイメージ、学習装置２２００から学習された神経網モデルに関する情報、補正パラメーター取得装置２４００から計算された補正パラメーターと関連する情報を受信することができる。また、別の例では、イメージ分析装置２０００は、第１通信モジュール２０１０を介して、イメージのスキャン条件に関連する情報を補正パラメーター取得装置２４００に送信するか、又は分析結果と関連する情報を出力装置２６００に送信することができる。また、他の例として、イメージ分析装置２０００は、第１通信モジュール２０１０を介してインターネットに接続し、イメージと関連した各種データ、スキャン条件に関連する情報、分析結果と関連する情報をアップロードすることができる。
第１通信モジュール２０１０は、大きく有線タイプと無線タイプに分かれる。有線タイプと無線タイプはそれぞれの長短所を有するので、場合によってはイメージ分析装置２０００には有線タイプと無線タイプが同時に設けられることもできる。
ここで、有線タイプの場合、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、又はＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）通信が代表的な例であり、その以外の他の方式も可能である。
また、ここで、無線タイプの場合、主にブルートゥース（登録商標）（Ｂｌｕｅｔｏｏｔｈ）やジクビー（Ｚｉｇｂｅｅ）のようなＷＰＡＮ（Ｗｉｒｅｌｅｓｓ Ｐｅｒｓｏｎａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）シリーズの通信方式を利用することができる。しかし、無線通信プロトコルはこれにより制限されず、無線タイプの通信モジュールは、ワイファイ（Ｗｉ－Ｆｉ）のようなＷＬＡＮ（Ｗｉｒｅｌｅｓｓ Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）シリーズの通信方式又は他の公知の他の通信方式を利用することも可能である。
第１メモリー２０２０は、各種情報を格納することができる。第１メモリー２０２０には、各種データが一時的又は半永久的に格納されることができる。第１メモリー２０２０の例として、ハードディスク（ＨＤＤ：Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、フラッシュメモリー（ｆｌａｓｈ ｍｅｍｏｒｙ）、ロム（ＲＯＭ：Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）、ラム（ＲＡＭ：Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等があり得る。
第１メモリー２０２０は、イメージ分析装置２０００に内蔵される形態や着脱可能な形態で提供されることができる。第１メモリー２０２０には、イメージ分析装置２０００を駆動するための運用プログラム（ＯＳ：Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）やイメージ分析装置２０００の各構成を動作させるためのプログラムをはじめとしてイメージ分析装置２０００の動作に必要な各種データが格納されることができる。例えば、第１メモリー２０２０には、イメージと関連した各種データ、スキャン条件に関連する情報、分析結果と関連する情報が格納されることができる。
第１コントローラー２０３０は、イメージ分析装置２０００の全般的な動作を制御することができる。例えば、第１コントローラー２０３０は、第１メモリー２０２０からイメージ分析装置２０００の動作のためのプログラムをロードして実行することができる。
第１コントローラー２０３０は、ハードウェアやソフトウェア、又はこれらの組み合わせによりＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やこれと類似する装置で実現されることができる。ハードウェア的には、電気信号を処理して制御機能を実行する電子回路形態で提供されることができ、ソフトウェア的には、ハードウェア的回路を駆動させるプログラムやコード形態で提供されることができる。
一方、図３を再び参照すると、本出願の一実施例によるイメージ分析装置２０００は、入力モジュール２０４０と出力モジュール２０５０を含むことができる。
この時、イメージ分析装置２０００は、入力モジュール２０４０及び出力モジュール２０５０を利用して、使用者の入力を取得し、使用者の入力に対応する情報を出力することができる。例えば、イメージ分析装置２０００は、入力モジュール２０４０を利用してデータ取得を要求する使用者入力、前処理を指示する使用者入力、イメージセグメンテーションに関連する使用者入力、及び形態学的指標の計算に関連するリファレンススキャン条件に対する使用者入力を取得して、対応する情報を出力モジュール２０５０を介して出力することができる。
一例として、使用者は、入力モジュール２０４０を介してイメージ分析装置２０００の分析に関連する条件や設定を入力することができる。
例えば、使用者は、入力モジュール２０４０を介してターゲットイメージから取得された形態学的値や形態学的指標を補正するための補正パラメーターと関連したリファレンススキャン条件を設定することができる。この時、イメージ分析装置２０００は、入力モジュール２０４０から受信されたリファレンススキャン条件に基づいて形態学的値や形態学的指標の補正を実行することができる。
入力モジュール２０４０は、マウス、キーボード、タッチパッドなどの様々な形態で実現されることができる。
出力モジュール２０５０は、イメージ分析装置２０００のイメージ分析動作上での知らせやイメージ分析結果などを出力するように提供されることができる。
例えば、イメージ分析装置２０００がイメージのクオリティをチェックする動作を実行する場合、ターゲットイメージにアーティファクトが存在するという通知ウィンドウが出力モジュール２０５０を介して提供されることができる。
他の例によれば、イメージ分析装置２０００がイメージのクオリティをチェックする動作を実行する場合、ターゲットイメージに深刻なアーティファクトが存在してイメージ分析するかどうかを選択するように通知ウィンドウが出力モジュール２０５０を介して提供されることができる。
また、別の例では、イメージ分析装置２０００がターゲットイメージのセグメンテーション動作を実行する場合、セグメンテーションの結果が出力モジュール２０５０を介して提供されることができる。
また、別の例では、イメージ分析装置２０００がターゲットイメージの分析が完了した場合、ターゲットイメージの分析結果が出力モジュール２０５０を介して提供されることができる。
出力モジュール２０５０は、ディスプレイなどの様々な形態で実現されることができる。
また、イメージ分析装置２０００は、入力モジュール２０４０を介して使用者の入力を取得し、出力モジュール２０５０を介して使用者の入力に対応する情報を出力するためのユーザーインターフェースをさらに含むことができる。
図３では、本出願の一実施例によるイメージ分析装置２０００が入力モジュール２０４０及び出力モジュール２０５０を含むことを示したが、これは例示に過ぎず、入力モジュール２０４０及び出力モジュール２０５０が省略されたイメージ分析装置２０００が提供されることができる。
一方、本出願の一実施例によるイメージ分析装置２０００は、サーバーの形態で実現されることができる。この時、サーバーは、イメージ取得装置１０００から送信された医療イメージ及び医療イメージと関連する情報を格納するように構成されてもよい。また、サーバーは、イメージ取得装置１０００から送信された医療イメージ及び医療イメージと関連する情報を修正したり加工（ｐｒｏｃｅｓｓｉｎｇ）したりするように実現されることができる。
また、イメージ分析装置２０００のサーバーは、イメージ取得装置１０００のサーバーと別個として実現されてもよいが、これに限定されず、イメージ取得装置１０００のサーバーとイメージ分析装置２０００のサーバーは、単一の形態で実現されてもよい。換言すれば、イメージ取得装置１０００とイメージ分析装置２０００は、共通のサーバーを有する形態で実現されることができる。
一方、再び図２を参照すると、本出願の一実施例によるイメージ分析装置２０００は、出力装置２６００と通信を実行するように実現されてもよい。
本出願の一実施例による出力装置２６００は、イメージ分析装置２０００の分析結果を受信して、使用者にイメージ分析結果を視覚的な形態で出力するように実現されてもよい。
一実施例として、本出願の一実施例による出力装置２６００は、イメージ分析装置２０００からイメージのクオリティと関連する情報を受信して使用者に出力するように実現されてもよい。例えば、出力装置２６００は、イメージのクオリティと関連した指標やイメージのクオリティと関連したイメージ分析結果の信頼度と関連したコメントを出力するように実現されてもよい。
一実施例として、本出願の一実施例による出力装置２６００は、イメージ分析装置２０００から形態学的指標と関連した分析結果を受信して使用者に出力するように実現されてもよい。
例えば、出力装置２６００は、対象体の形態学的指標と関連した分析結果を比較対象体集団の統計資料と比較分析した結果を使用者に出力するように実現されてもよい。この時、比較対象体集団の統計資料と比較分析した結果は、任意の適切なグラフのような形態の統計的な情報で加工されて出力されることができる。また、出力装置２６００は、対象体の複数の部位の形態学的指標と関連した分析結果を共に提供するように実現されてもよい。
他の例によれば、出力装置２６００は、対象体の形態学的指標と関連した分析結果を出力しつつ、形態学的指標と関連した身体部位がどこに該当するかに関連した情報を視覚的な形態で出力するように提供されることができる。
一実施例として、本出願の一実施例による出力装置２６００は、イメージ分析装置２０００からイメージのセグメンテーション結果を受信して使用者に出力されるように実現されてもよい。例えば、イメージ分析装置２０００のセグメンテーション結果は、イメージ内のラベリングされた結果であり得る。この時、イメージ分析装置２０００あるいは出力装置２６００は、ラベリングされた結果に基づいて身体の解剖学的構造により視覚的にイメージを加工することができ、出力装置２６００は、身体の解剖学的構造を視覚的に区分したイメージを使用者に出力するように実現されてもよい。
一実施例として、本出願の一実施例による出力装置２６００は、イメージ分析装置２０００からレポートを受信して使用者に出力されるように実現されてもよい。
以下では、図４を参照して、本出願の一実施例による出力装置２６００の構成と動作について説明する。図４は、本出願の一実施例による出力装置のブロック図である。
本出願の一実施例による出力装置２６００は、第２通信モジュール２６１０、第２メモリー２６２０、第２コントローラー２６３０を含むことができる。
第２通信モジュール２６１０は、イメージ取得装置１０００、イメージ分析装置２０００を含む任意の外部機器と通信を実行することができる。換言すれば、出力装置２６００は、第２通信モジュール２６１０を介して、イメージ取得装置１０００からイメージを送受信したり、イメージ分析装置２０００からイメージ分析結果を送受信したりすることができる。また、出力装置２６００は、第２通信モジュール２６１０を介して、中継機などを含む任意の外部機器とデータの送受信を行うことができる。
例えば、出力装置２６００は、第２通信モジュール２６１０を介して、イメージ取得装置１０００から取得されたイメージ、イメージ分析装置２０００から取得されたイメージのクオリティと関連する分析結果の信頼度に関連したデータ、イメージのセグメンテーション結果に対するデータ、形態学的指標のようなデータなどを受信することができる。また、別の例では、出力装置２６００は、第２通信モジュール２６１０を介して、後述する入力モジュール２６４０から受信された使用者の入力に関連したデータをイメージ分析装置２０００に送信するか、又は出力装置２６００で加工されたデータをイメージ分析装置２０００に送信することができる。また、他の例として、出力装置２６００は、第２通信モジュール２６１０を介してインターネットに接続して使用者の入力に関連したデータ、出力装置２６００上で加工されたデータをアップロードすることができる。
第２通信モジュール２６１０は、大きく有線タイプと無線タイプに分かれる。有線タイプと無線タイプはそれぞれの長短所を有するので、場合によってはイメージ分析装置２０００には有線タイプと無線タイプが同時に設けられることもできる。
ここで、有線タイプの場合、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、又はＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）通信が代表的な例であり、その以外の他の方式も可能である。
また、ここで、無線タイプの場合、主にブルートゥース（登録商標）（Ｂｌｕｅｔｏｏｔｈ）やジクビー（Ｚｉｇｂｅｅ）のようなＷＰＡＮ（Ｗｉｒｅｌｅｓｓ Ｐｅｒｓｏｎａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）シリーズの通信方式を利用することができる。しかし、無線通信プロトコルはこれにより制限されず、無線タイプの通信モジュールは、ワイファイ（Ｗｉ－Ｆｉ）のようなＷＬＡＮ（Ｗｉｒｅｌｅｓｓ Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）シリーズの通信方式又は他の公知の他の通信方式を利用することも可能である。
第２メモリー２６２０は、各種情報を格納することができる。第２メモリー２６２０には、各種データが一時的又は半永久的に格納されることができる。第２メモリー２６２０の例として、ハードディスク（ＨＤＤ：Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、フラッシュメモリー（ｆｌａｓｈ ｍｅｍｏｒｙ）、ロム（ＲＯＭ：Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）、ラム（ＲＡＭ：Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等があり得る。
第２メモリー２６２０は、出力装置２６００に内蔵される形態や着脱可能な形態で提供されてもよい。第２メモリー２６２０には、出力装置２６００を駆動するための運用プログラム（ＯＳ：Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）や出力装置２６００の各構成を動作させるためのプログラムをはじめとして出力装置２６００の動作に必要な各種データが格納されてもよい。例えば、第２メモリー２６２０には、イメージと関連した各種データ、分析結果と関連する情報、及び使用者の入力データが格納されてもよい。
第２コントローラー２６３０は、出力装置２６００の全般的な動作を制御することができる。例えば、第２コントローラー２６３０は、第２メモリー２６２０から出力装置２６００の動作のためのプログラムをロードして実行することができる。
第２コントローラー２６３０は、ハードウェアやソフトウェア、又はこれらの組み合わせによりＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やこれと類似する装置で実現されることができる。ハードウェア的には、電気信号を処理して制御機能を実行する電子回路形態で提供されることができ、ソフトウェア的には、ハードウェア的回路を駆動させるプログラムやコード形態で提供されることができる。
一方、図４を再び参照すると、本出願の一実施例による出力装置２６００は、入力モジュール２６４０及び出力モジュール２６５０を含むことができる。
この時、出力装置２６００は、入力モジュール２６４０及び出力モジュール２６５０を利用して使用者の入力を取得し、使用者の入力に対応する情報を出力することができる。
例えば、出力装置２６００は、入力モジュール２６４０を利用してデータ取得を要求する使用者入力、前処理を指示する使用者入力、イメージセグメンテーションに関連した使用者入力、及び形態学的指標の計算に関連するリファレンススキャン条件に関連した使用者入力を取得して、対応する情報を出力モジュール２６５０を介して出力することができる。
この時、出力装置２６００は、入力モジュール２６４０を介して使用者の入力を取得し、出力モジュール２６５０を介して使用者の入力に対応する情報を出力するためのユーザーインターフェースをさらに含むことができる。
一実施例として、使用者は、入力モジュール２６４０を介して出力装置２６００の出力に関連した条件や設定を入力するか、又は出力された複数のデータのうち一部を選択することができる。
一例として、使用者は、入力モジュール２６４０を介してターゲットイメージから取得された形態学的値や形態学的指標を補正するための補正パラメーターと関連したリファレンススキャン条件を設定することができる。この時、出力装置２６００は、入力モジュール２６４０から受信されたリファレンススキャン条件（例えば、磁場強度、メーカー、イメージ装置の設定パラメーターなど）に基づいて補正された形態学的値や補正された形態学的指標に対応する分析結果を出力するように実現されてもよい。
例えば、使用者が磁場強度を変化させ、変化した磁場強度に応じたイメージ分析結果を提供されようとする場合、磁場強度に対するスキャン条件を入力モジュール２６４０を介して入力することができる。この時、出力装置２６００は、使用者によって入力された磁場強度に対するスキャン条件に基づいて補正されたイメージ分析結果を出力するように実現されることができる。この時、出力装置２６００は、使用者によって入力された磁場強度に対するスキャン条件に関連した入力データをイメージ分析装置２０００に送信することができ、イメージ分析装置２０００は、受信された使用者の入力に基づいて取得した補正パラメーターに基づいて、イメージ分析結果を修正して出力装置２６００に伝達することができる。もちろん、出力装置２６００がイメージ分析装置２０００から補正パラメーターを受信し、イメージ分析結果を修正して出力するように実現されることができる。
これに関連して、図６６及び図６７と関連して、より具体的に後述する。
ただし、上述した内容は、例示に過ぎず、これに限定されない。使用者が提供されようとする任意の形態の情報を出力するために出力装置２６００が入力モジュール２６４０を介して使用者の入力を受信するように実現されることができる。
入力モジュール２６４０は、マウス、キーボード、タッチパッドなどの様々な形態で実現されてもよい。
出力モジュール２６５０は、イメージ分析装置２０００から受信されたイメージ分析結果などを出力するように提供されてもよい。
例えば、出力装置２６００は、出力モジュール２６５０を介して、イメージ分析装置２０００から受信したターゲットイメージにアーティファクトが存在するかどうか、それによる分析結果の信頼度に対する情報をテキストや任意の適切な視覚的な形態で出力することができる。
他の例によれば、出力装置２６００は、出力モジュール２６５０を介して、イメージ分析装置２０００から受信したターゲットイメージのセグメンテーションの結果を出力することができる。この時、セグメンテーション結果は、視覚的なグラフィック形態で身体の解剖学的構造を分けて出力するように実現されてもよい。
また、別の例では、出力装置２６００は、出力モジュール２６５０を介して、イメージ分析装置２０００から受信したターゲットイメージの分析結果を出力することができる。この時、ターゲットイメージの分析結果は、レポートの形式で出力されてもよい。また、ターゲットイメージの分析結果に含まれた解剖学的構造の形態学的値や形態学的指標がグラフのような統計的な技法を利用して出力されるように実現されてもよい。また、ターゲットイメージの分析結果に含まれた解剖学的構造の形態学的値や形態学的指標は、比較対象体集団の統計資料と比較して、グラフのような統計的な技法を利用して出力されるように実現されてもよい。
出力モジュール２６５０は、ディスプレイなどの様々な形態で実現されてもよい。
上述したことによれば、イメージ分析装置２０００と出力装置２６００は分離した装置として説明した。ただし、これは例示に過ぎず、イメージ分析装置２０００と出力装置２６００は単一の装置で実現されてもよい。
イメージ分析装置２０００は、イメージ取得装置１０００から伝えられる医療イメージを受信して、医療イメージの整列、医療イメージの明るさ、あるいは強度（ｉｎｔｅｎｓｉｔｙ）等の正規化、ノイズ除去などの前処理（ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を実行することができる。
また、イメージ分析装置２０００は、イメージ取得装置１０００から伝えられる医療イメージを受信して、医療イメージのセグメンテーションを実行することができる。この時、本出願の一実施例による医療イメージのセグメンテーションは学習された神経網モデルを利用して実行されてもよい。
本出願の一実施例によるイメージ分析装置２０００は、医療イメージのクオリティをコントロールする動作を実行することができる。したがって、本出願の一実施例のイメージ分析装置２０００によれば、医療イメージ分析結果に対する信頼度を高めることができる。
本出願の一実施例によるイメージ分析装置２０００は、対象体から取得される医療イメージに基づいて形態学的指標を計算する動作を実行することができる。したがって、本出願の一実施例のイメージ分析装置２０００によれば、対象体の身体の解剖学的構造と関連して正確な形態学的指標が計算されることができる。これをより、対象体の疾患に対する正確で客観的な指標を提供できるという有利な効果が存在する。特に、対象体と関連した脳イメージを標準脳モデルに整合せず、イメージセグメンテーションして形態学的指標を計算できるので、個人化された脳疾患に関連する診断補助指標を提供することができる。
本出願の一実施例によるイメージ分析装置２０００は、医療イメージが取得されるスキャン条件あるいは身体部位を考慮して、形態学的値や形態学的指標を補正する動作を実行することができる。したがって、本出願の一実施例のイメージ分析装置２０００によれば、対象体の身体の解剖学的構造と関連して正確な形態学的指標が計算されることができる。換言すれば、スキャン条件や身体部位によって計算された形態学的値に若干の誤差が存在することができるが、本出願の一実施例によるイメージ分析装置２０００は、スキャン条件や身体部位を考慮して、１次的に計算された形態学的値や形態学的指標を補正することができる。これにより、対象体の疾患に対する正確で客観的な指標を提供できるという有利な効果が存在する。
本出願の一実施例によるイメージ分析装置２０００は、様々なイメージ分析結果に対して、対象体の状態あるいは診断分野により優先順位を付与し、優先順位に基づいて選別されたイメージ分析結果を出力する動作を実行することができる。したがって、本出願の一実施例のイメージ分析装置２０００によれば、対象医療イメージの分析を介して取得される様々な指標情報のうち使用者に必要な指標情報を選択的に提供して使いやすさを増進させることができる。
以下では、イメージ分析装置２０００の一実施例によって実行されるいくつかの動作についてより具体的に説明する。
以下では、説明の便宜上、脳（ｂｒａｉｎ）と関連したイメージを分析する実施例を中心に説明する。ただし、脳に限定されず、本出願に開示された様々な実施例は脳以外の任意の適切な身体の部位に対する医療イメージに対しても適用することができる。
また、以下では、医療イメージ、脳イメージ、対象イメージ（あるいはターゲットイメージ）等を混用して使用するが、これは説明の便宜のためのものだけであり、医療イメージ、脳イメージ、対象イメージ（あるいはターゲットイメージ）は両方のイメージ分析装置（２０００，３０００，４０００）により分析されるイメージを指すものと解釈されるべきである。
また、以下での内容は、本出願の一実施例によるイメージ分析装置（２０００，３０００，４０００）により実行されてもよい。イメージ分析装置を指す符号は、説明の便宜上、単純にイメージ分析装置の動作を区別して説明するために区分したことに過ぎず、符号によってイメージ分析装置が制限されない。
本出願の一実施例によるイメージ分析装置２０００は、脳イメージ及び脳イメージと関連する情報を取得することができる。
具体的に、イメージ分析装置２０００は、イメージ取得装置１０００から脳イメージを取得することができる。また、イメージ分析装置２０００は、イメージ取得装置１０００あるいは任意の外部装置（例、サーバー）から脳イメージと関連する情報を取得することができる。
より具体的に、イメージ分析装置２０００は、第１通信モジュール２０１０を介してイメージ取得装置１０００から脳イメージと、脳イメージに関連するデータを取得することができる。
この時、脳イメージの形式は様々な医療イメージの形式であり得る。例えば、脳イメージはＤＩＣＯＭ，Ｎｉｆｔｉ（Ｎｅｕｒｏｉｍａｇｉｎｇ Ｉｎｇｏｒｍａｔｉｃｓ Ｔｅｃｈｎｏｌｏｇｙ Ｉｎｉｔｉａｔｉｖｅ）、あるいは任意の適切なフォーマットであり得る。
脳イメージと関連するデータは、脳イメージに含まれているデータ、脳イメージが取得されるスキャン条件に関連するデータ、脳イメージの対象体に対するデータを含む意味であり得る。
この時、脳イメージに含まれるデータは、脳イメージ内に含まれたピクセルあるいはボクセルに関連したデータ、脳イメージの方向（ｏｒｉｅｎｔａｔｉｏｎ）と関連したデータ及び脳イメージに対して構造化された任意のメタデータ（ｍｅｔａｄａｔａ）であり得る。
特に、後述する脳イメージが取得されるスキャン条件に関連したデータあるいは脳イメージの対象体に対するデータがメタデータとして脳イメージについて構造化されてもよい。
一方、脳イメージが取得されるスキャン条件に関連したデータは、脳イメージが取得されるイメージ取得装置１０００の磁場強度、イメージ取得装置１０００のイメージ装置の設定パラメーター、あるいはイメージ装置のメーカーと関連したデータであり得る。
スキャン条件により脳イメージから取得された形態学的数値が影響を受けられるため、本出願の一実施例によるイメージ分析装置２０００は、スキャン条件に関連したデータを取得して形態学的数値に対する補正を実行することができる。これに関連して、図５８ないし図６７と関連して詳しく後述する。
脳イメージの対象体に対するデータは、イメージ分析装置２０００により分析されるターゲットイメージの対象体の関する人的情報や医療情報であり得る。例えば、脳イメージの対象体に対するデータは、対象体の性別、年齢などに関連した人的情報及び脳疾患（例えば、認知症、アルツハイマー病、うつ病、脳卒中など）と関連したアンケート調査情報、あるいは基底疾患に関連する情報などに関連した各種医療情報を含むことができる。
特に、性別と年齢は脳疾患において重要な変数であるため、対象体の性別と年齢に関連するデータは、イメージ分析装置２０００が補正パラメーターを決定したり、取得したりするために基礎となることができる。例えば、分析する対象イメージが性別及び年齢と関連した第１特性を有する第１対象体から取得された場合、イメージ分析装置２０００は、対象イメージから取得された形態学的値や形態学的指標を補正するための補正パラメーターを、第１特性を有する第２対象体から取得された第１脳映像及び第２脳映像から取得された補正パラメーターで決定することができる。例えば、イメージ分析装置２０００は、対象イメージの第１対象体と類似する年齢及び同じ性別を有する第２対象体から取得された補正パラメーターを、対象イメージから取得された形態学的値や形態学的指標を補正するための補正パラメーターで決定することができる。
又は、対象体の性別と年齢に関連するデータは、性別や年齢に応じた対象体の形態学的指標の相対的な百分位を、統計学的技法を活用して出力する場合に考慮することができる。
また、本出願の一実施例によるイメージ分析装置２０００は、脳イメージ分析に関連した動作に関連する情報を取得することができる。
具体的に、イメージ分析装置２０００は、脳イメージを前処理したり整列したりするための脳と関連したテンプレート（Ｔｅｍｐｌａｔｅ）と関連する情報を任意の外部装置から取得することができる。これに関して、図５、図６及び図４８と関連して詳しく後述する。
また、イメージ分析装置２０００は、任意の外部装置から脳イメージをセグメンテーションするための基準となる脳アトラスと関連する情報を取得することができる。
一例として、脳アトラスと関連する情報は、脳の構造と関連したアトラスと関連する情報であり得る。例えば、脳の構造と関連したアトラスは、Ａｕｔｏｍａｔｅｄ Ａｎａｔｏｍｉｃａｌ Ｌａｂｅｌｉｎｇ （Ｔｚｏｕｒｉｏ－Ｍａｚｏｙｅｒ ２００２），Ｄｅｓｉｋａｎ－Ｋｉｌｌｉａｎｙ Ａｔｌａｓ （Ｄｅｓｉｋａｎ ２００６），Ｄｅｓｔｒｉｅｕｘ Ａｔｌａｓ （Ｄｅｓｔｒｉｅｕｘ ２０１０），Ｈａｒｖａｒｄ－Ｏｘｆｏｒｄ ｃｏｒｔｉｃａｌ／ｓｕｂｃｏｒｔｉｃａｌ ａｔｌａｓｅｓ （Ｍａｋｒｉｓ ２００６），ＭＩＣＣＡＩ ２０１２ Ｍｕｌｔｉ－Ａｔｌａｓ Ｌａｂｅｌｉｎｇ Ｗｏｒｋｓｈｏｐ ａｎｄ Ｃｈａｌｌｅｎｇｅ （Ｎｅｕｒｏｍｏｒｐｈｏｍｅｔｒｉｃｓ），Ｈａｍｍｅｒｓｍｉｔｈ ａｔｌａｓ （Ｈａｍｍｅｒｓ ２００３，Ｇｏｕｓｉａｓ ２００８，Ｆａｉｌｌｅｎｏｔ ２０１７），ＨＣＰ ＭＭＰ １．０ （Ｇｌａｓｓｅｒ ２０１６），ＪｕＢｒａｉｎ／Ｊｕｅｌｉｃｈ ｈｉｓｔｏｌｏｇｉｃａｌ ａｔｌａｓ （Ｅｉｃｋｈｏｆｆ ２００５）、あるいはＭａｒｓＡｔｌａｓ （Ａｕｚｉａｓ ２０１６）であり得る。
別の例として、脳アトラスと関連する情報は、脳の機能に関連したアトラスと関連する情報であり得る。例えば、脳の機能に関連したアトラスは、Ｍｉｎｄｂｏｇｇｌｅ １０１ （Ｋｌｅｉｎ ２０１２），Ｃｏｒｔｉｃａｌ Ａｒｅａ Ｐａｒｃｅｌｌａｔｉｏｎ ｆｒｏｍ Ｒｅｓｔｉｎｇ－Ｓｔａｔｅ Ｃｏｒｒｅｌａｔｉｏｎｓ （Ｇｏｒｄｏｎ ２０１６），Ｃｏｎｓｅｎｓｕａｌ Ａｔｌａｓ ｏｆ ＲＥｓｔｉｎｇ－ｓｔａｔｅ Ｎｅｔｗｏｒｋ （ＣＡＲＥＮ，Ｄｏｕｃｅｔ ２０１９），Ｂｒａｉｎｎｅｔｏｍｅ Ａｔｌａｓ ｐａｒｃｅｌｌａｔｉｏｎ （Ｆａｎ ２０１６），Ｌｏｃａｌ－Ｇｌｏｂａｌ Ｐａｒｃｅｌｌａｔｉｏｎ ｏｆ ｔｈｅ Ｈｕｍａｎ Ｃｅｒｅｂｒａｌ Ｃｏｒｔｅｘ （Ｓｃｈａｅｆｅｒ ２０１８），Ｈｕｍａｎ Ｍｏｔｏｒ Ａｒｅａ Ｔｅｍｐｌａｔｅ （Ｍａｙｋａ ２００５），Ｓｅｎｓｏｒｉｍｏｔｏｒ Ａｒｅａ Ｔｒａｃｔ Ｔｅｍｐｌａｔｅ （Ａｒｃｈｅｒ ２０１７），ＡＩＣＨＡ：Ａｎ ａｔｌａｓ ｏｆ ｉｎｔｒｉｎｓｉｃ ｃｏｎｎｅｃｔｉｖｉｔｙ ｏｆ ｈｏｍｏｔｏｐｉｃ ａｒｅａｓ （Ｊｏｌｉｏｔ ２０１５），Ｙｅｏ ２０１１ ｆｕｎｃｔｉｏｎａｌ ｐａｒｃｅｌｌａｔｉｏｎｓ （Ｙｅｏ ２０１１），ＰｒＡＧＭＡＴｉＣ （Ｈｕｔｈ ２０１６），ｆＭＲＩ－ｂａｓｅｄ ｒａｎｄｏｍ ｐａｒｃｅｌｌａｔｉｏｎｓ （Ｃｒａｄｄｏｃｋ ２０１１），Ｖｏｘｅｌｗｉｓｅ ｐａｒｃｅｌｌａｔｉｏｎｓ （Ｌｅａｄ－ＤＢＳ），ＳＵＩＴ Ｃｅｒｅｂｅｌｌａｒ ｐａｒｃｅｌｌａｔｉｏｎ （Ｄｉｅｄｒｉｃｈｓｅｎ ２００６）、あるいはＢｕｃｋｎｅｒ ｆｕｎｃｔｉｏｎａｌ ｃｅｒｅｂｅｌｌａｒ ｐａｒｃｅｌｌａｔｉｏｎ （Ｂｕｃｋｎｅｒ ２０１１）であり得る。
イメージ分析装置２０００は、上述した脳と関連した脳アトラスに対する情報を学習装置２２００に送信することができ、学習装置２２００は、脳アトラスに対する情報を基に、脳イメージのセグメンテーションのための神経網モデルを学習するように実現されてもよい。
ただし、上述した脳の構造と関連したアトラスあるいは脳の機能に関連したアトラスに対する情報は、例示に過ぎず、イメージ分析装置２０００は、任意の適切な脳と関連したアトラス情報を取得して学習装置２２００のイメージセグメンテーションのための人工神経網モデルを学習させるために基礎となるように実現されてもよい。
イメージ分析装置２０００は、イメージ分析装置２０００の入力モジュール２０４０あるいは出力装置２６００の入力モジュール２６４０から使用者の入力を受信することができる。
イメージ分析装置２０００は、診断対象病気に関連した使用者入力を取得することができる。例えば、イメージ分析装置２０００は、対象イメージと関連した診断対象病気に対応する脳疾患（例えば、認知症、うつ病、脳卒中など）と関連した使用者入力を取得することができる。
イメージ分析装置２０００は、患者と関連した使用者入力を取得することができる。例えば、イメージ分析装置２０００は、対象イメージと関連した患者の性別、年齢、名前などに関連した使用者の入力を取得することができる。
イメージ分析装置２０００は、イメージ分析に関連した使用者入力を取得することができる。
一例として、イメージ分析装置２０００は、イメージの前処理と関連した使用者入力を取得することができる。例えば、イメージ分析装置２０００は、対象イメージのインテンシティを補正したり、ノイズを除去したりするなど、イメージを処理（ｐｒｏｃｅｓｓｉｎｇ）することに関連した使用者入力を取得することができる。
一例として、イメージ分析装置２０００は、セグメンテーションに関連した使用者入力を取得することができる。例えば、イメージ分析装置２０００は、セグメンテーションに考慮される脳アトラス、神経網モデルから出力されるラベルデータを修正するための使用者入力を取得することができる。
一例として、イメージ分析装置２０００は、対象イメージが撮影されたスキャン条件に対する使用者入力を、入力モジュールを介して受信することができる。対象イメージが撮影されたスキャン条件に対する情報は、対象イメージのメタデータで含まれて取得されるが、使用者入力でも取得することができる。
一例として、イメージ分析装置２０００は、セグメンテーション結果に基づいて計算された脳と関連する形態学的値や形態学的指標を補正するための補正パラメーターの基準に関連したリファレンススキャン条件に対する使用者入力を、入力モジュールを介して受信することができる。この時、イメージ分析装置２０００は、リファレンススキャン条件などに対する使用者入力に基づいて補正パラメーターを取得し、脳と関連した形態学的値や形態学的指標を補正することができる。これに関して、図６６及び図６７と関連して詳しく後述する。
別の例では、イメージ分析装置２０００は、イメージ分析結果を出力する場合、出力する結果のうち一部を選択するか、優先順位を付与するための使用者入力を、入力モジュールを介して受信することができる。この時、イメージ分析装置２０００は、使用者入力に基づいて出力される分析結果の情報を選別的に出力したり、使用者の優先順位を反映した分析結果を出力するように実現されてもよい。これに関して、図６８ないし図８１で詳しく後述する。
イメージ分析装置２０００が取得されたデータは、イメージ分析装置２０００の第１メモリー２０２０、あるいはイメージ分析装置２０００の任意の外部装置（例えば、サーバー）に格納されてもよい。また、イメージ分析装置２０００が取得されたデータは、学習装置２２００、あるいは補正パラメーター取得装置２４００に送信されてもよい。又は、イメージ分析装置２０００が取得されたデータは、出力装置２６００に送信されるか、任意の外部装置（例、サーバー）に送信されてもよい。
本出願の一実施例によるイメージ分析装置２０００は、イメージの前処理を実行することができる。イメージ分析装置２０００は、イメージ分析の精度を向上させるための前処理を実行することができる。イメージ分析装置２０００は、イメージを、セグメンテーションの動作を実行する前に、より正確なセグメンテーション結果を導出するためのイメージの前処理を実行するように提供されてもよい。
一例として、イメージ分析装置２０００は、イメージ取得装置１０００から取得されたイメージの形式の変換を実行するように提供されてもよい。具体的に、分析するイメージの形式を統一することによって神経網モデルをより安定的で正確に学習させることができる。より具体的に、神経網モデルの学習に利用されるイメージと同じ形式を有するイメージを利用してイメージ分析を実行することがより安定的で正確である。したがって、本出願の一実施例によるイメージ分析装置２０００は、イメージ取得装置１０００から取得されたイメージの形式の変換を実行するように提供されてもよい。
一例として、本出願の一実施例によるイメージ分析装置２０００は、イメージ取得装置１０００から取得された第１形式のイメージを第２形式であるイメージに変換する動作を実行することができる。例えば、イメージ取得装置１０００から取得されたイメージの形式は、医療イメージで一般的に使用されるＤＩＣＯＭ形式であり得る。この時、ＤＩＣＯＭ形式のイメージを基に、イメージのセグメンテーションや形態学的指標を計算することもできる。
ただし、脳イメージを分析するに当たり、脳映像分析系統ではＮｉｆｔｉ形式の脳イメージを利用してイメージを分析したり、人工神経網を学習させることが相対的に容易である。したがって、本出願の一実施例によるイメージ分析装置２０００は、イメージ取得装置１０００から取得されたイメージの形式をＮｉｆｔｉ形式に変換する動作を実行するように提供されてもよい。
ただし、上述した形式は、例示に過ぎず、イメージ分析装置２０００は、必要に応じてＮｉｆｔｉ形式以外の任意の適切な形式への変換動作を実行するように提供されることがある。また、イメージ取得装置１０００から取得されたイメージの形式がＤＩＣＯＭ形式以外の任意の形式の医療イメージであることもあり、この場合にも、イメージ分析装置２０００は、任意の適切な形式への変換動作を実行するように提供されるであろう。
一例として、イメージ分析装置２０００は、イメージ取得装置１０００から取得されたイメージに存在できるノイズ（ｎｏｉｓｅ）を除去したり、アーティファクト（ａｒｔｉｆａｃｔ）の補正を実行するように提供されてもよい。例えば、ノイズを除去するためにボケ（ｂｌｕｒｒｉｎｇ）技法及びメディアンフィルター（Ｍｅｄｉａｎ ｆｉｌｔｅｒ）を利用した技法が用いることができる。イメージ分析装置２０００は、ノイズを除去し、アーティファクトの補正を実行することによって、より正確なイメージのセグメンテーション結果を導出することができ、精度が改善されたセグメンテーション結果に基づいて形態学的指標を計算できるので、高い信頼度で脳に関連する疾患に対して客観的な診断補助指標を提供することができる。
一例として、イメージ分析装置２０００は、イメージ取得装置１０００から取得されたイメージのインテンシティ（ｉｎｔｅｎｓｉｔｙ）を補正する動作を実行するように提供されてもよい。インテンシティ（ｉｎｔｅｎｓｉｔｙ）を適切に補正することによって、イメージに存在できるノイズ（ｎｏｉｓｅ）を除去することができ、分析しようとする脳の解剖学構造に特化したイメージを取得することができる。
一例として、イメージ分析装置２０００は、イメージ取得装置１０００から取得されたイメージを平滑化処理する動作を実行するように提供されてもよい。例えば、イメージを平滑化処理する方法として、ボケ（ＲＰｕｒｒｉｎｇ）、ガウシアンフィルター（Ｇａｕｓｓｉａｎ ｆｉｌｔｅｒ）を利用した技法が利用されてもよい。
一例として、イメージ分析装置２０００は、イメージ取得装置１０００から取得されたイメージの比率を調節したり、イメージを切る動作を実行するように提供されてもよい。例えば、イメージ分析装置２０００は、イメージを切るために任意の適切なクロップ（ｃｒｏｐ）技法を活用するように実現されてもよい。あるいは、イメージ分析装置２０００は、イメージの比率を調節するためにオンデマンドイメージリサイジング（Ｏｎｄｅｍａｎｄ ｉｍａｇｅ ｒｅｓｉｚｉｎｇ）ラムダイメージリサイジング（Ｌａｍｂｄａ ｉｍａｇｅ ｒｅｓｉｚｉｎｇ）、ＣＩＬａｎｃｚｏｓＳｃａｌｅＴｒａｎｓｆｏｒｍフィルターを利用したリサイジング方法、ＣＩＦｉｌｔｅｒを利用したリサイジング方法などの任意の適切なイメージリサイジング技法を活用するように実現されてもよい。
一例として、イメージ分析装置２０００は、イメージ取得装置１０００から取得されたイメージをイメージが撮影されたスキャン条件と異なるスキャン条件下で撮影されたイメージに変換する動作を実行することができる。例えば、イメージ分析装置２０００は、ＭＲＩ装置の第１スキャン条件下で撮影されたイメージをＭＲＩ装置の第２スキャン条件下で撮影されたことと同じ推定イメージに変換する動作を実行するように提供されてもよい。このようなイメージ変換動作は、ＭＲコンバート技術あるいは人工知能モデルを利用して実行されてもよい。ただし、これに限定されず、イメージ分析装置２０００は、任意の適切なソフトウェアやイメージプロセッシング技術を利用して、スキャン条件を考慮して、イメージの変換を実行するように提供されてもよい。
一例として、イメージ分析装置２０００は、後述する学習装置２２００でのイメージに対する前処理動作に対応する前処理動作を実行するように実現されてもよい。例えば、学習装置２２００でイメージを、第１前処理技法を使用して神経網モデルを学習させた場合には、イメージ分析装置２０００は、第１前処理技法に対応する前処理技法で対象イメージを前処理するように実現されてもよい。これにより、神経網モデルを利用するイメージセグメンテーションがより安定的に正確に実現されることができる。
以下では、図５ないし図６を参照して、本出願の一実施例によるイメージ分析装置２０００のイメージ整列関連動作について説明する。
図５は、イメージ分析装置２０００のイメージ整列動作の一例を示す図である。
図６は、イメージ分析装置２０００のイメージ整列動作の一例を示す図である。
イメージ分析装置２０００は、脳イメージに含まれる脳イメージの方向（ｏｒｉｅｎｔａｔｉｏｎ）と関連したデータに基づいて、脳イメージを整列させる動作を実行するように実現されてもよい。
一例として、イメージ分析装置２０００は、イメージのセグメンテーション動作を実行する前に、脳イメージを整列させる動作を実行するように実現されてもよい。
例えば、図５を参照すると、イメージ取得装置１０００は、対象体１００の基準座標軸の方向（Ｒ－Ａ－Ｓ）を考慮して、撮影されたイメージの方向に関連したデータ（ｉ，ｊ，ｋ）を共に取得することができる。具体的に、イメージ取得装置１０００は、イメージ取得装置１０００の座標軸に対する情報（ｘ，ｙ，ｚ）及び対象体１００の基準座標軸に対する情報（Ｒ－Ａ－Ｓ）を考慮して撮影されたイメージの方向に関連したデータ（ｉ，ｊ，ｋ）を取得することができる。
イメージの方向に関連したデータは、イメージに対してメタデータで構造化されることができる。あるいは、イメージとは別にイメージ分析装置２０００に伝えられることができる。
イメージ分析装置２０００は、イメージ方向に関連したデータ（ｉ－ｊ－ｋ）を基に、対象体１００のＲＡＳ方向（Ｒｉｇｈｔ－Ａｎｔｅｒｉｏｒ－Ｓｕｐｅｒｉｏｒ方向）に対応するようにイメージを整列するように実現されてもよい。
上述したイメージ分析装置２０００のイメージ整列動作によれば、セグメンテーション動作を実行する前に、セグメンテーションの基礎となる脳イメージを共通した方向に整列させることができるので、不正確なセグメンテーション結果を未然に防止し、神経網のセグメンテーション動作の安定性を確保することができる。
イメージ分析装置２０００は、脳イメージの空間正規化を実行するように実現されてもよい。
具体的に、脳イメージのセグメンテーションなどのための人工神経網モデルは、「学習データ」として利用された学習イメージの空間的分布に対応する脳イメージに対して安定的に駆動することができる。換言すれば、脳イメージが学習イメージの空間的分布と異なる場合、学習された人工神経網が安定的に駆動されない可能性が存在する。
したがって、イメージ分析装置２０００は、脳イメージの空間的不確実性を減らすために、脳イメージの空間正規化を実行するように実現されてもよい。
一例として、本出願の一実施例によるイメージ分析装置２０００は、脳テンプレートに基づいて脳イメージの空間正規化を実行するように実現されてもよい。具体的に、イメージ分析装置２０００は、脳イメージを脳テンプレートに整合することによって、脳イメージの空間的分布を人工神経網モデルに対して最適の状態になるように、脳イメージの座標を変換することができる。
例えば、脳イメージを整合させるための脳テンプレートは、ＭＮＩテンプレート、Ｔａｌａｉｒａｃｈテンプレートなどであり得る。
上述したことによると、イメージ分析装置２０００が脳イメージを脳テンプレートに整合させる動作を実行すると説明した。この時、「整合」とは、脳イメージの脳の内部要素を脳テンプレートの脳の内部要素に対応する動作ではなく、単純に脳イメージの位置的な空間を整合する意味であり得る。
上述したイメージ分析装置２０００の空間正規化動作によれば、イメージに対する空間的不確実性を除去できて神経網を利用したセグメンテーション動作の安定性を確保することができ、精度が向上したセグメンテーション結果を取得することができる。
また、脳イメージが脳テンプレートに対して整合なことによって、変換された座標と関連したデータが生成されることができる。変換された座標と関連したデータは、後述するセグメンテーションが完了した後、脳イメージの本来の座標に変換するために利用することができる。換言すれば、イメージ分析装置２０００は、変換された座標と関連したデータを利用して脳テンプレートの空間的分布に基づいて取得されたセグメンテーション結果を元脳イメージに対応するように変換する動作を実行するように実現されてもよい。
このようなイメージ分析装置２０００の動作を介して、使用者は、本来の座標に対する脳イメージについて分析結果を提供されることができるようになる。
例えば、脳イメージと関連した形態学的指標を、出力モジュールを介して出力する場合には、補正パラメーターを利用して補正した形態学的指標などで出力されることができる。それに反して、脳の視覚的な情報（例えば、図５７に示されたｉｎｆｏ．１３、あるいはセグメンテーション結果など）を、出力モジュールを介して出力する場合には、上述した変換された座標に基づいて、逆変換されたイメージ、すなわち、元脳イメージに基づいて脳と関連した視覚的な情報が出力されることができる。
以下では、図７ないし図１７を参照して、本出願の一実施例による学習装置２２００及びイメージ分析装置２０００のイメージセグメンテーションに関連した動作について説明する。
本出願の一実施例によれば、イメージセグメンテーション動作は、学習された神経網モデルを利用して実行されてもよい。ただし、神経網モデルを利用しなくても、任意の適切な方法を利用して本出願の一実施例によるイメージセグメンテーション動作が実現されてもよい。
以下では、イメージセグメンテーションのための神経網モデルを学習させる動作と学習された神経網モデルを利用してイメージセグメンテーションを実行する内容を中心に説明する。
図７を参考にする。図７は、本出願の一実施例によるイメージセグメンテーションのためのプロセスの流れを示す図である。
図７を参照すると、本出願の一実施例によるイメージセグメンテーションのためのプロセスは、イメージセグメンテーションのための人工神経網モデルの学習プロセスＰ１０００と、学習された人工神経網モデルを利用した対象イメージのセグメンテーションプロセスＰ２０００と、を含むことができる。
この時、学習プロセスＰ１０００は、本出願の一実施例による学習装置２２００により実現されることができる。
また、セグメンテーションプロセスＰ２０００は、本出願の一実施例によるイメージ分析装置２０００により実現されることができる。
この時、学習装置２２００で実現される学習プロセスＰ１０００により取得された神経網モデルのパラメーターは、任意の適切な通信モジュールを介してイメージ分析装置２０００に送信されることができる。
この時、イメージ分析装置２０００は、学習プロセスＰ１０００により取得された神経網モデルのパラメーターに基づいて対象イメージのセグメンテーションを実行するように実現されてもよい。
本出願の一実施例による学習プロセスＰ１０００は、イメージデータセットを取得するプロセスＰ１１００、神経網モデルを学習させるプロセスＰ１２００、神経網モデルを検証するプロセスＰ１３００、及び神経網モデルのパラメーターを取得するプロセスＰ１４００を含むことができる。
以下で図８を参照して、本出願の一実施例による学習装置２２００の神経網モデルの学習方法を説明する。図８は、本出願の一実施例による学習装置２２００の神経網モデルの学習方法に対する順序図である。
図８を参照すると、本出願の一実施例による学習装置２２００の神経網モデルの学習方法は、イメージデータセットを取得するステップＳ１１００と、イメージデータセットをスクリーニングするステップＳ１２００と、イメージデータセットの前処理及び整列Ｓ１３００と、神経網モデルの学習及び検証ステップＳ１４００と、神経網モデルパラメーターを取得するステップＳ１５００と、を含むことができる。
イメージデータセットを取得するステップＳ１１００では、本出願の一実施例による学習装置２２００は、イメージ取得装置１０００、あるいは任意の外部装置からイメージデータセットを取得することができる。
図９を参考にする。図９は、本出願の一実施例によるイメージデータセットの例示的な構造図である。
学習装置２２００が取得するイメージデータセットＤＳは、少なくとも１つ以上のイメージデータを含むことができる。換言すれば、学習装置２２００が取得するイメージデータセットＤＳは、第１イメージデータＩＤ１、第２イメージデータＩＤ２、及び第ｎイメージデータＩＤｎ等、少なくとも１つ以上のイメージデータを含むことができる。
この時、学習装置２２００が取得するイメージデータセットＤＳに含まれるイメージデータは、イメージ及びラベルに関連するデータを含むことができる。
例えば、図９を参照すると、イメージデータセットＤＳに含まれる第１イメージデータＩＤ１は、第１イメージＩ１及び第１ラベルＬ１と関連するデータを含むことができる。
具体的に、第１ラベルＬ１は、脳疾患を診断できる臨床医から手動で第１イメージＩ１をラベリングして取得することができる。あるいは、第１ラベルＬ１は、任意の適切なイメージセグメンテーション技法を利用して自動でラベリングされて取得することができる。
イメージデータに含まれるイメージ及びラベルに関連したデータは、本出願の一実施例による学習方法と関連して人工神経網モデルを学習させ、人工神経網モデルを検証するために基礎となることができる。
一方、イメージデータセットＤＳに含まれるイメージデータは、スキャン条件に関連したデータを含むことができる。この時、スキャン条件に関連したデータは、上述したように、磁場強度と関連したデータ、イメージ装置の設定パラメーター、及び／又はイメージ装置のメーカーと関連したデータであり得る。また、スキャン条件に関連したデータは、イメージデータに対してメタデータで構造化されることができる。
一例として、図９を参照すると、第１イメージデータＩＤ１は、第１イメージデータＩＤ１が撮影されたスキャン条件に関連した第１スキャン条件（ＳＣ１）と関連するデータを含むことができる。例えば、第１イメージデータＩＤ１が３Ｔの磁場強度の下で撮影された場合、３Ｔに対応する磁場強度と関連する情報が第１イメージデータＩＤ１に対してメタデータで構造化されてデータセット取得ステップＳ１１００を介して学習装置２２００で取得することができる。
イメージデータに含まれたスキャン条件に関連するデータは、後述する対象イメージから取得されたターゲット要素に対応する形態学的値あるいは形態学的指標を補正するための補正パラメーターを取得するために考慮されることがある。
図９では第１イメージデータＩＤ１に含まれるデータのみを示したが、これは例示に過ぎず、第２イメージデータＩＤ２あるいは第ｎイメージデータＩＤｎ等を含むイメージデータセットのイメージデータは、イメージ、ラベル、及びスキャン条件に関連するデータを含むことができる。
さらに、学習装置２２００は、脳イメージと関連したセグメンテーションのために脳構造あるいは脳機能に関連した脳アトラス（ａｔｌａｓ）と関連する情報を取得するように実現されてもよい。
具体的に、学習装置２２００は、上述した脳の構造あるいは脳の機能に関連した脳アトラスと関連する情報をイメージ分析装置２０００あるいは任意の外部装置から取得することができる。
この時、学習装置２２００は、脳アトラスと関連する情報を考慮して後述する人工神経網モデルを学習させたり、人工神経網モデルを検証するように実現されてもよい。
イメージデータセットをスクリーニングするステップＳ１２００では、本出願の一実施例による学習装置２２００は、イメージデータセットを取得するステップＳ１１００で取得されたイメージデータセットをスクリーニングしたり、イメージデータセットに含まれたイメージデータの中から、一部のイメージデータだけを選別する動作を実行するように実現されてもよい。
一例として、取得されたイメージデータセットのうち、一部のイメージデータは、セグメンテーションのための人工神経網モデルを学習するために適切でないこともある。例えば、一部のイメージデータは、深刻なアーティファクト（Ａｒｔｉｆａｃｔ）や深刻なノイズを含むことができる。このようなイメージデータは、人工神経網モデルを学習させるために適切でないこともある。
したがって、学習装置２２００は、取得されたイメージデータセットに含まれるイメージデータをスクリーニングしたり、人工神経網モデルを学習させるために有効なイメージデータを選別するように実現されてもよい。
イメージデータセットの前処理及び整列するステップＳ１３００では、本出願の一実施例による学習装置２２００は、イメージデータセットに含まれたイメージのノイズやアーティファクトを除去するか、イメージのインテンシティを補正する前処理動作を実行するように実現されてもよい。
また、本出願の一実施例による学習装置２２００は、イメージの方向に関連したデータに基づいてイメージを整列するか、イメージを脳テンプレートに整合して、空間正規化をしてイメージを整列する動作を実行するように実現されてもよい。
これに関して、上述したイメージ分析装置２０００の前処理動作と、図５ないし図６と関連して上述したイメージの整列動作が同じく学習装置で実現されるように提供されてもよい。あるいは、学習装置２２００とイメージ分析装置２０００との間のデータ送受信を介してイメージ分析装置２０００でイメージの前処理及び整列動作を実行した後、学習装置２２００に伝達するように実現すればよい。
神経網モデルの学習及び検証ステップＳ１４００では、本出願の一実施例によるイメージセグメンテーションのための学習装置２２００は、イメージセグメンテーションのための人工神経網モデルを学習させることができる。
具体的に、人工神経網モデルは、イメージデータの入力を受けるための入力レイヤー、セグメンテーション結果であるラベリング結果を出力するための出力レイヤー、及び少なくとも１つ以上のノードを含む隠しレイヤーを含むことができる。
この時、学習装置２２００は、入力レイヤーを介して、取得されたイメージデータセットに含まれるイメージデータの入力を受け、出力レイヤーを介して、神経網モデルによって取得されたイメージデータに対するラベリング結果を取得するように実現されてもよい。
例えば、学習装置２２００は、第１イメージデータＩＤ１を入力とし、出力レイヤーを介して第１’ラベル（Ｌ１’）を出力するように構成された人工神経網を学習するように実現されてもよい。また、学習装置２２００は、第２イメージデータＩＤ２を入力レイヤーで入力し、出力レイヤーを介して出力された第２’ラベル（Ｌ２’）を取得することができる。
また、本出願の一実施例による学習装置２２００は、上述した脳の構造と関連する脳のアトラスや脳の機能に関連する脳のアトラスを考慮して、人工神経網を学習させることができる。
一実施例による学習装置は、予め定められた脳アトラスに基づいて脳イメージを分割するように神経網モデルを学習することができる。脳アトラスは、第１脳領域及び第２脳領域を含む複数の脳領域を含むことができる。学習装置は、第１脳領域に対応する第１領域及び第２脳領域に対応する第２領域がラベリングされたイメージを利用して、イメージを入力とし、第１領域及び第２領域を取得するように神経網モデルを学習することができる。
例えば、本出願の一実施例による学習装置２２００は、Ｄｅｓｉｋａｎ－Ｋｉｌｌｉａｎｙ Ａｔｌａｓ （Ｄｅｓｉｋａｎ ２００６）を基に、イメージデータセットに含まれたイメージデータのセグメンテーションのための人工神経網モデルを学習させるように実現されてもよい。Ｄｅｓｉｋａｎ－Ｋｉｌｌｉａｎｙ Ａｔｌａｓ （Ｄｅｓｉｋａｎ ２００６）は、第１脳領域及び第２脳領域を含む複数の脳領域を含む皮質（ｃｅｒｅｂｒａｌ ｃｏｒｔｅｘ）を、複数の脳領域に対応する領域を取得するように利用されるアトラスである。
この時、学習装置２４００は、Ｄｅｓｉｋａｎ－Ｋｉｌｌｉａｎｙ Ａｔｌａｓ （Ｄｅｓｉｋａｎ ２００６）を考慮して、第１脳領域に対応する第１領域及び第２脳領域に対応する第２領域がラベリングされたイメージデータを利用して、脳の皮質領域をセグメンテーションするための神経網モデルを学習させることができる。
ただし、上述した脳アトラスは、例示に過ぎず、イメージデータのセグメンテーションの目的や関心領域に応じて、任意の適切な脳アトラスが考慮されることがある。
また、本出願の一実施例による学習装置２２００は、イメージデータが撮影されたスキャン条件によって神経網モデルを学習させるように実現されてもよい。
例えば、学習装置２２００は、第１スキャン条件で取得された第１イメージは第１イメージから複数の領域をセグメンテーションするように第１神経網モデルを利用するように実現されてもよい。それに反して、学習装置２２００は、第２スキャン条件で取得された第２イメージは、第２イメージから複数の領域をセグメンテーションするように第２神経網モデルを利用するように実現されてもよい。換言すれば、学習装置２２００は、イメージが撮影されたスキャン条件に基づいて神経網モデルを異なるように学習させることができる。
また、セグメンテーションプロセスＰ２０００では、本出願の一実施例によるイメージ分析装置２０００は、第１スキャン条件下で取得されたターゲットイメージは学習された第１神経網モデルを利用してセグメンテーションし、第２スキャン条件下で取得されたターゲットイメージは学習された第２神経網モデルを利用してセグメンテーションするように実現されてもよい。
これにより、本出願の一実施例によるイメージ分析装置２０００は、スキャン条件別に最適な神経網モデルを利用してターゲットイメージのセグメンテーションを実行できるので、複数の領域をより安定的で正確に取得することができる。
以下では、図１０ないし図１１を参照して、本出願の一実施例による学習装置２２００が利用できる人工神経網モデルの例示について説明する。
図１０は、本出願の一実施例による学習装置２２００が利用できる人工神経網モデルの一例である。
図１１は、本出願の一実施例による学習装置２２００が利用できる人工神経網モデルの他の例である。
図１０を参照すると、本出願の一実施例による学習装置２２００は、イメージセグメンテーションのための人工神経網でＵ－ｎｅｔを活用することができる。
イメージセグメンテーションに活用されるＵ－ｎｅｔは、収縮経路（Ｃｏｎｔｒａｃｔｉｏｎ ｐａｔｈ）及び拡張経路（Ｅｘｐａｎｓｉｏｎ Ｐａｔｈ）を含むアーキテクチャーで構成されてもよい。
具体的に、Ｕ－ｎｅｔの収縮経路は、２回の畳み込み（ｃｏｎｖｏｌｕｔｉｏｎ）及びマックスプーリング（ｍａｘ ｐｏｏｌｉｎｇ）が連続的に実行されるように構成されてもよい。この時、Ｕ－ｎｅｔの収縮経路ではイメージと関連した特性が抽出されることができる。
しかし、収縮経路では、特性マップの大きさもまた減るので、Ｕ－ｎｅｔは、拡張経路を追加的に含んで特性マップの大きさを回復するように構成されてもよい。
Ｕ－ｎｅｔの拡張経路は、アップ－畳み込み（Ｕｐ－ｃｏｎｖｏｌｕｔｉｏｎ）及び２回の畳み込み（ｃｏｎｖｏｌｕｔｉｏｎ）が連続的に実行されるように構成されてもよい。この時、Ｕ－ｎｅｔの拡張経路では、イメージと特性マップの大きさが抽出されることができる。
さらに、Ｕ－ｎｅｔは、同じレベルの特性マップをコンカテネーション（ｃｏｎｃａｔｅｎａｔｉｏｎ）するようにアーキテクチャーが構成されて収縮経路から拡張経路に特性と関連した位置情報を提供することができる。
この時、入力イメージ（Ｉｎｐｕｔ Ｉｍａｇｅ）のラベルと出力セグメンテーションマップのラベルとの差に基づいて、入力イメージのラベルと出力セグメンテーションマップのラベルとの差が最小になるように、Ｕ－ｎｅｔの含まれているレイヤーの少なくとも１つのノードのパラメーターあるいは重みが調節されることができる。
また、図１１を参照すると、本出願の一実施例による学習装置２２００は、イメージセグメンテーションのための人工神経網でＵ－ｎｅｔ＋＋を活用することができる。Ｕ－ｎｅｔ＋＋は、Ｕ－ｎｅｔの性能を向上させるためにＤｅｎｓｅＮｅｔの高密度ブロックアイディアを使用した人工神経網モデルとして、スキップ経路に畳み込みレイヤーが存在してエンコーダー及びデコーダーの特性マップの間のセマンティックギャップを接続し、スキップ経路にデンス（ｄｅｎｓｅ）スキップ接続が存在してグラジエントの流れを向上させる点でＵ－ｎｅｔとの差異点が存在する。
具体的に、学習装置２２００は、Ｕ－ｎｅｔ＋＋神経網モデルの入力レイヤーに対して入力イメージを入力し、出力レイヤーを介して出力されたラベル情報を取得するように実現されてもよい。この時、学習装置２２００は、入力イメージに含まれたラベル情報と神経網モデルから出力されるラベル情報の差に基づいて、Ｕｎｅｔ＋＋の含まれた隠しレイヤーの少なくとも１つのノードのパラメーターあるいは重みを調節することができる。
具体的に、学習装置２２００は、上述した少なくとも１つのノードのパラメーターあるいは重みを調節する動作を繰り返し実行するように実現され、入力イメージに含まれたラベル情報と神経網モデルから出力されるラベル情報の差が最小化されるノードのパラメーターあるいは重みを取得することができる。
上述したように、本出願の一実施例による学習装置２２００は、出力されたラベル結果に基づいて人工神経網モデルを学習させる動作を実行することができる。
具体的に、人工神経網モデルを学習するステップＳ１４００では、イメージデータセットを取得するステップＳ１１００から取得されたイメージデータに含まれるラベルに関連するデータを取得することができる。
この時、学習装置２２００は、イメージデータ及び神経網モデルの出力レイヤーを介して出力されるラベルデータに基づいて人工神経網モデルを学習させるように実現されてもよい。
より具体的に、学習装置２２００は、イメージデータに含まれるラベルデータと神経網モデルの出力レイヤーを介して出力されるラベルデータの差に基づいて、神経網モデルの隠しレイヤーに含まれる少なくとも１つのノードの重みやパラメーターを調節することによって神経網モデルを学習させるように実現されてもよい。
一例として、学習装置２２００は、第１イメージデータＩＤ１を人工神経網の入力レイヤーで入力して第１ＡラベルＬ１Ａに対応するラベルデータを取得することができる。この時、学習装置は、第１イメージデータＩＤ１に含まれる第１ラベルＬ１に対応するラベルデータ及び第１ＡラベルＬ１Ａに関連するラベルデータに基づいて神経網モデルを学習させることができる。例えば、学習装置２２００は、第１ラベルＬ１と第１ＡラベルＬ１Ａの差に基づいて、神経網モデルの隠しレイヤーに含まれる少なくとも１つのノードの重みやパラメーターを調節させることによって神経網モデルを学習させるように実現されてもよい。
他の例として、学習装置２２００は、第ｉイメージデータＩＤｉを人工神経網の入力レイヤーで入力して第ｉＡラベルＬｉＡに対応するラベルデータを取得することができる。この時、学習装置は、第ｉイメージデータＩＤｉに含まれる第ｉラベルＬｉに対応するラベルデータ及び第ｉＡラベルＬｉＡに関連するラベルデータに基づいて神経網モデルを学習させることができる。例えば、学習装置２２００は、第ｉラベルＬｉと第ｉＡラベルＬｉＡの差に基づいて、神経網モデルの隠しレイヤーに含まれる少なくとも１つのノードの重みやパラメーターを調節させることによって神経網モデルを学習させるように実現されてもよい。ここで、ｉは任意の数であり得る。
人工神経網モデルを検証するステップＳ１４００では、本出願の一実施例による学習装置２２００は、人工神経網モデルを検証することができる。
一例として、本出願の一実施例による学習装置２２００は、イメージデータセットＤＳに含まれる少なくとも１つのイメージデータに基づいて、学習された神経網モデルを介して出力されるラベルデータを取得することができる。この時、学習装置２２００は、少なくとも１つのイメージデータと関連するラベルデータ及び学習された神経網モデルを介して出力されるラベルデータに基づいて、学習された神経網モデルを検証することができる。
例えば、学習装置２２００は、少なくとも１つのイメージデータと関連したラベルデータ及び学習された神経網モデルを介して出力されるラベルデータの類似度を比較することによって、学習された神経網モデルの隠しレイヤーのノードのパラメーターあるいは重みが適切かどうかを検証することができる。
人工神経網モデルを取得するステップＳ１５００では、本出願の一実施例による学習装置２２００は、イメージデータセットに含まれるイメージデータに対して人工神経網モデルを学習させ、人工神経網モデルを検証する動作を繰り返し実行することによって、イメージデータに含まれるラベルに関連するデータと人工神経網の出力されるラベルに関連するデータとの間の差が最小化される重みやパラメーターを有する少なくとも１つのノードを含む神経網モデルを取得することができる。
取得されたノードのパラメーターや重みは、セグメンテーションプロセスＰ２０００のイメージセグメンテーションのための人工神経網モデルに利用されることができる。
上述したことによれば、人工神経網を利用したセグメンテーションを中心に説明したが、本出願に開示されたイメージ分析装置２０００は、人工神経網を利用したイメージセグメンテーションを含んで様々なイメージセグメンテーションアルゴリズムを利用することができる。
一例として、イメージセグメンテーションアルゴリズムは、機械学習モデルとして提供されてもよい。機械学習モデルの代表的な例としては、人工神経網（Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）があり得る。具体的に、人工神経網の代表的な例としては、データの入力を受ける入力レイヤー、結果を出力する出力レイヤー、及び入力レイヤーと出力レイヤーとの間でデータを処理する隠しレイヤー（ｈｉｄｄｅｎ ｌａｙｅｒ）を含むディープラーニングシリーズの人工神経網がある。人工神経網の詳細な例示としては、畳み込み人工神経網（Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、回帰型神経網（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、深層神経網（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、敵対的生成神経網（Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ）等があり、本明細書で人工神経網は、上述された人工神経網、その他の様々な形態の人工神経網、及びこれらの組み合わせた形態の人工神経網を含む包括的な意味で解釈されるべきであり、必ずしもディープラーニングシリーズであるとは限らない。
それだけでなく、機械学習モデルが必ず人工神経網モデル形態のみであることではなく、他にも最も近い接隣アルゴリズム（ＫＮＮ）、ランダムフォレスト（ＲａｎｄｏｍＦｏｒｅｓｔ）、サポートベクターマシン（ＳＶＭ）、主成分分析法（ＰＣＡ）等を含んでもよく、以上で言及された技法はアンサンブルされた形態や他に様々な方式で組み合わされた形態の全てを含むことができる。一方、人工神経網を中心に言及される実施例において、特に言及されない限り、人工神経網が他の機械学習モデルで代替される可能性もある。
さらに、本明細書において、イメージセグメンテーションアルゴリズムが必ず機械学習モデルに限定されるものではない。すなわち、イメージセグメンテーションアルゴリズムは、機械学習モデルでない様々な判断・決定アルゴリズムが含まれることもある。
したがって、本明細書において、イメージセグメンテーションアルゴリズムは、イメージデータを利用してセグメンテーションを実行するすべての形態のアルゴリズムを全て含む包括的な意味で理解されるべきである。
再び図７を参照すると、本出願の一実施例によるセグメンテーションプロセスＰ２０００は、データ取得プロセスＰ２１００及び学習された神経網モデルを利用するセグメンテーションプロセスＰ２２００を含むことができる。
セグメンテーションプロセスＰ２０００は、本出願の一実施例によるイメージ分析装置２０００により実現されてもよい。
以下では、図１２を参照して、本出願の一実施例によるイメージ分析装置２０００の神経網モデルを利用したイメージセグメンテーション動作を説明する。図１２は、本出願の一実施例によるイメージ分析装置２０００の神経網モデルを利用したイメージセグメンテーション方法の順序図である。
図１２を参照すると、本出願の一実施例によるイメージ分析装置２０００の神経網モデルを利用したイメージセグメンテーション方法は、対象イメージデータを取得するステップＳ２１００、学習された神経網を利用してセグメンテーション情報を取得するステップＳ２２００、及びセグメンテーション情報を出力するステップＳ２３００を含むことができる。
具体的に、対象イメージデータを取得するステップＳ２０００において、イメージ分析装置２０００は、イメージ取得装置１０００から対象イメージを取得することができる。また、イメージ分析装置２０００は、イメージ取得装置１０００あるいは任意の外部装置から対象イメージと関連する対象オブジェクト情報あるいは対象イメージが撮影されたスキャン条件に関連する情報を取得することができる。
この時、対象イメージと関連する対象オブジェクト情報あるいは対象イメージが撮影されたスキャン条件に関連する情報は、後述する補正パラメーターを取得することに考慮される場合がある。これに関して、図５８ないし図６７に関連して詳しく説明する。
図１３を参考にする。図１３は、本出願の一実施例による対象イメージの例示的な構造図である。
一例として、本出願の一実施例によりイメージ分析装置２０００が取得する対象イメージデータは、対象イメージＴＩに対する情報を含むことができる。例えば、対象イメージＴＩに対する情報は、ピクセルの座標、強度、色などに関連する情報を含むことができる。
他の例として、対象イメージデータは、対象オブジェクト情報ＴＯを含むことができる。例えば、対象オブジェクト情報ＴＯに対する情報は、対象イメージＴＩと関連する対象体（例えば、脳疾患検査患者）の個人情報に対する情報であり得る。例えば、対象オブジェクト情報ＴＯに対する情報は、対象体（例えば、脳疾患検査患者）の名前、年齢、性別などに関連する情報であり得る。この時、イメージ分析装置２０００は、任意の外部装置から対象オブジェクト情報ＴＯに対する情報を取得することができる。あるいは、イメージ分析装置２０００は、対象イメージデータに対して構造化されたメタデータを認識することによって対象オブジェクト情報ＴＯに対する情報を取得することができる。
他の例として、対象イメージデータは、対象スキャン条件ＴＳＣに対する情報を含むことができる。例えば、対象スキャン条件ＴＳＣに対する情報は、対象イメージＴＩが撮影されたスキャン条件に関連する情報であり得る。例えば、対象スキャン条件ＴＳＣに対する情報は、対象イメージＴＩが撮影された磁場強度、対象イメージＴＩが撮影されたイメージ装置の設定パラメーター、あるいは対象イメージＴＩが撮影されたイメージ装置のメーカーと関連する情報であり得る。この時、イメージ分析装置２０００は、任意の外部装置から対象スキャン条件ＴＳＣに対する情報を取得することができる。あるいは、イメージ分析装置２０００は、対象イメージデータに対して構造化されたメタデータを取得することによって対象スキャン条件ＴＳＣに対する情報を取得することができる。
再び図７を参照すると、イメージ分析装置２０００は、データ取得プロセスＰ２１００で取得された対象イメージデータを学習された神経網モデルの入力レイヤーで入力するように実現されてもよい。
この時、イメージ分析装置２０００は、上述した学習装置２２００で実現される学習プロセスＰ１０００に基づいて取得された人工神経網モデルのノードの重み及び／又はノードのパラメーターを、対象イメージデータをセグメンテーションするための人工神経網モデルに活用するように実現されてもよい。
再び、図１２を参照すると、学習された神経網モデルを利用してセグメンテーション情報を取得するステップＳ２２００において、学習装置２２００から取得されたノードの重み及び／又はノードのパラメーターに基づいた学習された神経網モデルは、入力レイヤーを介して対象イメージデータの入力を受け、対象イメージＴＩをセグメンテーションした結果として、出力レイヤーを介して対象イメージＴＩをラベリングした結果を出力するように提供されてもよい。この時、イメージ分析装置２０００は、学習された神経網モデルの出力レイヤーを介して対象イメージのラベリングに関連したセグメンテーション情報を取得することができる。
この時、人工神経網モデルの出力レイヤーを介して出力される結果は、対象イメージデータの対象イメージから取得された複数の対象領域を含むことができる。
神経網モデルの出力レイヤーを介して出力される結果は、対象イメージから取得される複数の対象領域に対応するラベリング形態であり得る。例えば、神経網モデルの出力レイヤーを介して出力される結果は、対象イメージから取得される第１領域を定義する第１ラベル、第２領域を定義する第２ラベルを含むラベルデータの形態であり得る。
この時、神経網モデルの出力レイヤーを介して出力される結果は、第１ラベルに基づいて対象イメージの第１領域に第１色をオーバーレイし、対象イメージの第２領域に第２色をオーバーレイした形態であり得る。これにより、第１領域と第２領域がより容易に区別されることができる。ただし、上述した内容は、例示に過ぎず、第１領域と第２領域を区別するための任意の形態として出力結果を構成することができる。
また、神経網モデルの出力レイヤーを介して出力されるセグメンテーション情報は、予め定められた脳アトラスに基づいて対象イメージを複数の領域に区切られた形態であり得る。例えば、上述したように、学習装置は、予め定められた脳アトラスに基づいて学習イメージを第１脳領域に対応する第１領域及び第２脳領域に対応する第２領域に分割するように神経網モデルを学習することができる。この時、予め定められた脳アトラスに基づいて学習された神経網モデルを利用するので、神経網モデルの出力レイヤーを介して出力されるセグメンテーション情報は、対象イメージの第１脳領域に対応する第１領域及び第２脳領域に第２領域を含む複数の領域に区切られた形態で出力されてもよい。
イメージ分析装置２０００は、出力レイヤーを介して出力されるセグメンテーション情報に基づいて、特定領域に対応する形態学的数値を計算する動作を実行することができる。
一例として、イメージ分析装置２０００は、出力レイヤーを介して出力される第１領域に関連するセグメンテーション情報に基づいて第１脳領域に関連する形態学的特性（ｍｏｒｐｈｏｌｏｇｉｃａｌ ｃｈａｒａｃｔｅｒ）を示す形態学的数値を計算するように実現されてもよい。例えば、形態学的特性（ｍｏｒｐｈｏｌｏｇｉｃａｌ ｃｈａｒａｃｔｅｒ）は、体積、厚さ、長さ、あるいは形態などに関連することができる。
セグメンテーション情報を出力するステップＳ２３００において、イメージ分析装置２０００は、出力レイヤーを介して出力されるセグメンテーション情報に基づいて、複数の脳領域に対して視覚的なグラフィックをオーバーレイして出力装置２６００の出力モジュール２６５０、あるいはイメージ分析装置２０００の出力モジュール２０５０を介して使用者に表示するように実現されてもよい。
図１４を参考にする。図１４は、本出願の一実施例によるイメージ分析装置２０００のセグメンテーションプロセスによって取得されたセグメンテーション情報に基づいて取得されるイメージの例示である。
具体的に、図１４の上側に示された図面は、Ｔ１－ＭＲＩから取得されたイメージに対するセグメンテーション結果に基づいて出力されるイメージの例示である。図１４の下側に示された図面は、Ｔ２－Ｆｌａｉｒ ＭＲＩから取得されたイメージに対するセグメンテーション結果に基づいて出力されるイメージの例示である。
例えば、本出願の一実施例によるイメージ分析装置２０００は、Ｔ１－ＭＲＩから取得されたイメージに対するセグメンテーションプロセスによって、前頭葉、側頭葉、頭頂葉、後頭葉、側脳室、扁桃体、海馬領域などに対応するセグメンテーション情報を取得することができる。
例えば、本出願の一実施例によるイメージ分析装置２０００は、Ｔ２－Ｆｌａｉｒ ＭＲＩから取得されたイメージに対するセグメンテーションプロセスによって、白質、灰白質、脳室、ＷＭＨ（ｗｈｉｔｅ ｍａｔｔｅｒ ｈｙｐｅｒｉｎｔｅｎｓｉｔｙ）領域などに対応するセグメンテーション情報を取得することができる。
上述したイメージ分析装置２０００のイメージセグメンテーション動作によれば、使用者はセグメンテーション結果を視覚的に確認できて容易にセグメンテーション結果を確認することができる。また、使用者の脳疾患診断の補助指標に対する理解度を向上させることができるという有利な効果が提供される。
一方、図７で使用される人工神経網モデルは、少なくとも１つの人工神経網モデルで実現されてもよい。
以下では、図１５ないし図１７を参照して、少なくとも１つの人工神経網モデルを利用する本出願の一実施例によるイメージセグメンテーションのためのプロセスの流れ図を説明する。具体的に、図７の人工神経網モデルを学習させるプロセスＰ１２００と関連して複数の人工神経網モデルを利用する場合の特徴的な内容を中心に説明する。図７ないし図１４と関連して説明した内容は、図１５ないし図１７と関連して後述する実施例にも類推適用することができる。
図１５は、本実施例によるイメージセグメンテーションのためのプロセスの流れを示す図である。
一例として、図１５を参照すると、図７の学習プロセスＰ１０００の神経網モデル学習プロセスＰ１２００は、第１神経網モデルを学習させるプロセスＰ１２１０及び第２神経網モデルを学習させるプロセスＰ１２２０で構成されてもよい。
一例として、第１神経網モデルは、第１脳領域に対応する第１領域及び第２脳領域に対応する第２領域を取得するように学習されてもよい。この時、第２神経網モデルは、第１神経網モデルから取得されることができる第１領域に含まれた第３領域及び第４領域を取得するように学習されてもよい。換言すれば、第１神経網モデルは、脳の巨視的な構造に対応する領域（例えば、頭蓋骨領域、脳脊髄液ＣＳＦ領域、皮質領域、髄質領域）を取得するように学習されてもよく、第２神経網モデルは、脳の詳細的な構造に対応する領域（例えば、皮質内に位置する脳要素に対応する領域、髄質内に位置する脳要素に対応する領域）を取得するように学習されてもよい。
他の例として、第１神経網モデルは、第１脳アトラスに対応する脳領域に対応する領域を取得するように学習されてもよい。それに反して、第２神経網モデルは、第２脳アトラスに対応する脳領域に対応する領域を取得するように学習されてもよい。
また、他の例として、第１神経網モデルは、脳の巨視的な構造に対応する領域（例えば、頭蓋骨領域、脳脊髄液ＣＳＦ領域、皮質領域、髄質領域）を取得するように学習されてもよい。それに反して、第２神経網モデルは、脳アトラスに対応する脳領域に対応する領域を取得するように学習されてもよい。例えば、第２神経網モデルは、Ｄｅｓｉｋａｎ－Ｋｉｌｌｉａｎｙ Ａｔｌａｓ （Ｄｅｓｉｋａｎ ２００６）に基づいて複数の脳領域に対応する領域を取得するように学習されてもよく、Ｄｅｓｉｋａｎ－Ｋｉｌｌｉａｎｙ Ａｔｌａｓ （Ｄｅｓｉｋａｎ ２００６）に基づいて学習された第２神経網モデルは、前頭葉、側頭葉、頭頂葉、後頭葉、側脳室、扁桃体及び海馬を含む領域を取得するように学習されてもよい。
第１神経網モデルを学習させるプロセスＰ１２１０と第２神経網モデルを学習させるプロセスＰ１２２０は、独立的に実行されてもよい。
具体的に、第１神経網モデルを学習させるプロセスＰ１２１０と第２神経網モデルを学習させるプロセスＰ１２２０に活用されるデータセットは、独立的であり得る。
図１６を参考にする。図１６は本出願の一実施例によるイメージデータセットの例示的な構造図である。具体的に、図１６の左側に示されたイメージデータセットは、第１神経網モデルを学習させるためのイメージデータセットであり得る。それに反して、図１６の右側に示されたイメージデータセットは、第２神経網モデルを学習させるためのイメージデータセットであり得る。
例えば、第１神経網モデルを学習させるためのイメージデータセットＤＳは、第１イメージＩ１及び第１領域と関連した第１ａラベルＬ１Ａと関連する情報を含む第１イメージデータを含むことができる。それに反して、第２神経網モデルを学習させるためのイメージデータセットＤＳは、第１イメージＩ１及び第２領域と関連した第１ｂラベルＬ１ｂと関連する情報を含む第１イメージデータを含むことができる。
この時、学習装置は、第１神経網モデルを利用して、第１イメージデータＩＤ１を人工神経網の入力レイヤーで入力して第１領域と関連した第１ａラベルＬ１ａ’に対応する出力ラベルデータを取得することができる。この時、学習装置は、第１イメージデータＩＤ１に含まれた第１領域と関連したラベルＬ１Ａに対応するラベルデータ及び第１領域に関連した第１ａ’ラベルＬ１ａ’に関連する出力ラベルデータに基づいて人工神経網モデルを学習させることができる。例えば、学習装置２２００は、第１ａラベルＬ１Ａと第１ａ’ラベルＬ１ａ’の差に基づいて神経網モデルの隠しレイヤーに含まれた少なくとも１つのノードの重みやパラメーターを調節するように実現されてもよい。また、上述した第１神経網モデルを学習させるプロセスを繰り返し実行することによって、第１領域に関連した第１神経網モデルに関連するパラメーターを取得することができる。
それに反して、学習装置は、第２神経網モデルを利用して、第１イメージデータを人工神経網の入力レイヤーで入力して第２領域と関連した第１ｂ’ラベルＬ１ｂ’に対応する出力ラベルデータを取得することができる。この時、学習装置は、第１イメージデータＩＤ１に含まれた第２領域と関連した第１ｂラベルＬ１ｂに対応するラベルデータ及び第２領域に関連した第１ｂラベルＬ１ｂ’に関連する出力ラベルデータに基づいて人工神経網モデルを学習させることができる。例えば、学習装置２２００は、第１ｂラベルＬ１ｂと第１ｂ’ラベルＬ１ｂ’の差に基づいて神経網モデルの隠しレイヤーに含まれた少なくとも１つのノードの重みやパラメーターを調節するように実現されてもよい。また、上述した第２神経網モデルを学習させるプロセスを繰り返し実行することによって、第２領域に関連した第２神経網モデルに関連するパラメーターを取得することができる。
また、学習プロセスＰ１０００で取得された第１神経網モデルに関連したパラメーターは、セグメンテーションプロセスＰ２０００の第１領域に対応するイメージセグメンテーションのための第１神経網モデルに利用されることができ（Ｐ２２１０）、学習プロセスＰ１０００で取得された第２神経網モデルに関連したパラメーターは、セグメンテーションプロセスＰ２０００の第２領域に対応するイメージセグメンテーションのための第２神経網モデルに利用される（Ｐ２２２０）ように実現されてもよい。
ただし、図１６によれば、第１神経網モデルに関連するイメージデータに含まれた第１ａラベルは、第１領域に関連したラベルであり、第２神経網モデルに関連するイメージデータに含まれた第１ｂラベルは、第２領域に関連したラベルであると図示されたが、これは例示に過ぎず、これに限定されない。例えば、第１及び２神経網モデルのイメージデータは、第１領域及び第２領域に関連したラベル情報を含むことができ、第１神経網モデルを学習させる場合には、第１領域に関連したラベル情報のみを利用し、第２神経網モデルを学習させる場合には、第２領域に関連したラベル情報のみを利用するように実現されてもよい。
また、上述したことによれば、第１神経網モデルと第２神経網モデルが独立的なもので説明されたが、これに限定されず、第１神経網モデルと第２神経網モデルは少なくとも一部のレイヤーを共有することができる。換言すれば、第１神経網モデルと第２神経網モデルは共通するレイヤーを少なくとも１つ含むことができる。
一方、第１神経網モデルを学習させるプロセスと第２神経網モデルを学習させるプロセスは、独立的であってもよいが、互いに関連するように学習させてもよい。ここで、互いに関連するように学習させることは、２つのうち１つの神経網モデルから出力されるデータを他の神経網モデルの入力データで使用することを含み、２つのうち１つの神経網モデルで生成された任意のデータを他の神経網モデルで利用するすべての形態を含むことを意味することができる。
図１７を参考にする。図１７は、本出願の実施例によるイメージセグメンテーションのためのプロセスの流れを示す図である。
一実施例として、本出願の一実施例による学習プロセスＰ１０００の神経網モデルを学習させるプロセスＰ１２００は、第１神経網モデルを学習させるプロセス（Ｐ１２１１）及び第２神経網モデルを学習させるプロセス（Ｐ１２２１）を含み、第１神経網モデルから出力される結果と関連したデータが第２神経網モデルに入力データとして入力されるように実現されてもよい。
一例として、学習装置２２００は、第２神経網モデルが第１領域に関連したラベルデータの入力を受けるように構成することができる。この時、第１領域に関連したラベルデータは、イメージデータに対して第１脳領域に対応する第１領域を手動でラベリングされることによって取得されるか、任意の自動ラベリングソフトウェアを利用して取得されることができる。
例えば、第１領域に関連したラベルデータは、第１神経網モデルに入力されるイメージデータに対して臨床医によって手動でラベリングされたデータであり得る。
別の例では、第１神経網モデルは、第１領域に関連したラベルデータを出力するように学習されることができ、この時、第２神経網モデルに入力される第１領域に関連したラベルデータは、第１神経網モデルから出力されるラベルデータであり得る。
この時、第２神経網モデルは、第１領域に関連したラベルデータ及びイメージデータに基づいて第２領域に関連したラベルデータを出力するように学習されることができる。
したがって、本出願の一実施例による学習装置２２００は、第１神経網モデルを介して第１領域に関連したラベルデータを取得でき、第２神経網モデルを介して第２領域に関連したラベルデータを取得するように実現されてもよい。したがって、学習装置２２００は、第１領域及び第２領域に関連したラベルデータを取得するように第１神経網モデル及び第２神経網モデルを学習させることができる。
また、学習装置２２００は、第１領域及び第２領域に関連するラベルに関連したラベルデータ及びイメージデータセットの第１領域及び第２領域に関連したラベルデータの差に基づいて、第１神経網モデルの少なくとも１つのノードの重みやパラメーターを調節したり、第２神経網モデルの少なくとも１つのノードの重みやパラメーターを調節したりするように提供されてもよい。
また、学習プロセスＰ１０００で取得された第１神経網モデル及び第２神経網モデルに関連したパラメーターは、セグメンテーションプロセスＰ２０００の第１領域及び第２領域に対応するイメージセグメンテーションのための第１神経網モデル及び第２神経網モデルに利用されてもよい。
この時、第１領域又は第２領域は、脳の解剖学的構造と関連する領域であってもよく、上述した脳アトラスに基づいて区切られた領域の中の１つであってもよい。また、第１領域又は第２領域は、脳疾患に関連した有意味な関連性を示す領域であり得る。
ただし、上述した神経網モデルの学習プロセスは、例示に過ぎず、任意の適切な形態、類型、パラメーターを有する少なくとも１つ以上の神経網モデルの様々な組み合わせや連結関係を利用してイメージセグメンテーション動作を学習させ、神経網モデルを検証して、神経網モデルのパラメーターを取得できるであろう。
一方、本出願の一実施例によるイメージ分析装置２０００は、セグメンテーションプロセスＰ２０００において、学習された人工神経網モデルを更新するか、アップデートするように実現されてもよい。
一例として、イメージ分析装置２０００は、学習された神経網モデルを利用したセグメンテーションプロセスＰ２２００により対象イメージをセグメンテーションして取得されたセグメンテーション情報を手動で、又は任意のソフトウェアを利用して修正できるように実現されてもよい。この時、イメージ分析装置２０００は、修正されたセグメンテーション情報に基づいて、学習された神経網モデルの少なくとも１つ以上のノードの重みや、少なくとも１つ以上のノードのパラメーターを修正することによって、人工神経網モデルを更新するか、アップデートするように実現されてもよい。
一実施例によるイメージ分析装置は、イメージの品質を判断する機能を実行することができる。イメージ分析装置は、イメージの品質を判断するための品質基準を持って、入力されるイメージが品質基準を満足するか否かを判断することができる。
より具体的に、イメージ品質判断は、イメージ取得装置によって取得された医療イメージが一定水準以上の品質を備えているかどうかを判断することを意味することができる。換言すれば、イメージ品質判断は、イメージ取得装置によって取得された医療イメージから一定水準以上の信頼度を有する医療情報の取得が可能かどうかを判断することを意味することができる。
イメージ品質判断は、イメージ分析動作を構成する細部動作と共に実行されてもよい。例えば、イメージ品質判断動作は、本明細書で説明するイメージ取得動作、イメージ前処理動作、イメージセグメンテーション動作、及び／又は医療情報出力動作と共に実行されてもよい。
イメージ品質判断動作は、少なくとも１つの細部動作の実行前に、又は実行後に実行されてもよい。イメージ品質判断動作は、細部動作の実行結果から得られる情報に基づいて実行されてもよい。イメージ品質判断動作は、細部動作を実行するための基準を満たしているかどうかを判断するために実行されてもよい。
イメージ品質判断は、イメージデータに基づいて実行されてもよい。イメージ品質判断は、イメージ生データ（ｒａｗ ｄａｔａ）を基に実行されてもよい。イメージ品質判断は、前処理が実行された医療イメージを基に実行されてもよい。他の例として、イメージ品質判断は、医療イメージをセグメンテーション（ｓｅｇｍｅｎｔａｔｉｏｎ）した結果を基に実行されてもよい。また、他の例として、イメージ品質判断は、医療イメージを分析した結果を基に実行されてもよい。
イメージ品質判断は、イメージデータと関連した非イメージデータに基づいて実行されてもよい。イメージ品質判断は、医療イメージに関するメタデータ（ｍｅｔａｄａｔａ）情報、医療イメージに含まれているアーティファクト情報、又は医療イメージセグメンテーション（ｓｅｇｍｅｎｔａｔｉｏｎ）を介して確保された関心領域情報のうち少なくといずれか１つを基に実行されてもよい。
一実施例によれば、イメージ品質判断は、対応する細部動作別で別に実行されてもよい。
例えば、第１品質判断は、前処理動作前に生データに基づいて実行されてもよい。この時、第１品質基準を満足するイメージに対し前処理動作が実行されてもよい。また、例えば、第２品質判断は、セグメンテーション動作前に生データ又は前処理されたイメージに基づいて実行されてもよい。この時、第２品質基準を満足するイメージに対してセグメンテーション動作が実行されてもよい。また、例えば、第３品質判断は、イメージ分析前に、生データ、前処理されたイメージ、又はイメージセグメンテーション結果に基づいて実行されてもよい。第３品質基準を満足するイメージに対してイメージ分析が実行されてもよい。第１ないし第３品質基準はそれぞれ異なることができる。
イメージ品質判断を介して取得された情報は出力されることができる。イメージ品質判断を介して取得された情報は、イメージ品質判断の根拠となる情報を含むことができる。イメージ品質判断の根拠となる情報は、イメージに欠陥が存在するかどうか、イメージの形式情報、イメージの取得条件などを含むことができる。イメージ品質判断を介して取得された情報は、後続の動作を実行するかどうかに関連する情報の生成又は提供に利用されることができる。
イメージ品質判断の具体的な実施例については、後述するようにする。
本出願の一実施例によるイメージ分析装置２０００は、対象イメージのセグメンテーション結果に基づいて対象体の脳形態学的指標を計算する動作を実行するように提供されてもよい。
具体的に、イメージ分析装置２０００は、セグメンテーション結果に基づいて頭蓋骨の内部領域とターゲット要素に対応する領域を取得することができる。また、イメージ分析装置２０００は、ターゲット要素の形態学的指標を計算するために頭蓋骨の内部領域に対応するバウンダリーを修正する動作を追加的に実行できる。
また、イメージ分析装置２０００は、頭蓋骨の内部領域のバウンダリーを修正するために脳イメージを整列する動作を追加的に実行できる。
本出願の一実施例によるイメージ分析装置２０００の対象体の脳形態学的指標を計算する動作は、図４８ないし図５７に関連して詳しく後述するようにする。
本出願の一実施例によるイメージ分析装置２０００は、対象イメージのセグメンテーション結果に基づいて計算された脳の形態学的値あるいは形態学的指標を補正する動作を実行するように提供されてもよい。
具体的に、イメージ分析装置２０００は、セグメンテーション結果に基づいてターゲット要素に対応する領域とターゲット要素に対応するピクセルやボクセルデータを取得することができる。この時、イメージ分析装置２０００は、ターゲット要素に対応するピクセルやボクセルデータに基づいてターゲット要素の形態学的値を取得することができる。
また、イメージ分析装置２０００は、より正確な形態学的指標を出力するように、対象イメージが取得されるスキャン条件や対象イメージ内のターゲット要素の位置を考慮してターゲット要素の形態学的値を補正する動作を実行することができる。
この時、イメージ分析装置２０００は、ターゲット要素の形態学的値を補正するために補正パラメーター取得装置２４００からスキャン条件やターゲット要素の位置を考慮した補正パラメーターを取得でき、補正パラメーター及びターゲット要素の形態学的値に基づいてターゲット要素の形態学的指標を出力する動作を実行するように提供されてもよい。
本出願の一実施例によるイメージ分析装置２０００の脳の形態学的値あるいは形態学的指標を補正する動作は、図５８ないし図６７に関連して詳しく後述するようにする。
一実施例によるイメージ出力装置は、イメージ分析を介して取得される様々な医療情報を基に診断補助情報を使用者に提供することができる。ここで、診断補助情報は、医療イメージから取得される様々な医療情報の加工を介して取得される情報を含むことができる。例えば、診断補助情報は、医療情報を加工して取得された情報、例えば、医療情報に基づいた診断情報、分析情報、処方情報などを含むことができる。
診断補助情報提供動作は、イメージ出力動作を構成する細部動作と共に実行されてもよい。例えば、診断補助情報提供動作は、本明細書で説明するイメージ取得動作、イメージから医療情報を取得する動作、取得された情報のうち診断補助情報を取得する動作、診断補助情報を出力する動作、及び／又は診断補助情報に基づいてコメントを提供する動作と共に実行されてもよい。上述したそれぞれの動作に関する詳しい説明は後述するようにする。
他の実施例によるイメージ出力装置は、イメージ分析を介して取得される様々な医療情報のうち使用者に必要な指標情報を選択的に提供することができる。ここで、選択的情報提供は、イメージ分析装置を介して取得できる様々な医療情報のうち使用者に必要な医療情報のみを選択的に提供することを含むことができる。
選択的情報提供動作は、イメージ出力動作を構成する細部動作と共に実行されてもよい。例えば、選択的情報提供動作は、本明細書で説明するイメージ取得動作、イメージから医療情報を取得する動作、取得された情報のうち選択的情報を取得する動作、選択的情報を出力する動作、及び／又は選択的情報に基づいてコメントを提供する動作と共に実行されてもよい。上述したそれぞれの動作に関する詳しい説明は後述するようにする。
以上では、本出願の一実施例によるイメージ分析装置２０００の構成と動作について説明した。以下では、本実施例におけるイメージ分析方法について、より具体的に説明する。
以下の説明では、本出願の一実施例によるイメージ分析方法が、上述したイメージ分析装置２０００、学習装置２２００、補正パラメーター取得装置２４００、あるいは出力装置２６００により実行されるものと説明する。ただし、これは説明の便宜のためのものに過ぎないので、本出願の一実施例によるイメージ分析方法が、上述したイメージ分析装置２０００、学習装置２２００、補正パラメーター取得装置２４００、あるいは出力装置２６００に限定されるものではない。すなわち、後述されるイメージ分析方法が必ずイメージ分析装置２０００、学習装置２２００、補正パラメーター取得装置２４００、あるいは出力装置２６００にのみ実行されるものではなく、上述したイメージ分析装置２０００、学習装置２２００、補正パラメーター取得装置２４００、あるいは出力装置２６００と類似の機能を有する他のシステムや装置などによって実行されることも可能である。
患者の健康状態を判断するために医療イメージから様々な情報が取得されるが、正確な情報を取得するためには、一定水準以上の品質を有し、必要条件を満足する医療イメージを基に分析されなければならない。
より具体的には、イメージ取得装置によって取得された医療イメージは、イメージ分析が行われるのに適していない品質（又は、性質）を持つことができる。例えば、イメージは、医療データ取得に不適切な形式的又は実質的欠陥を有することができる。例えば、イメージの明るさ、イメージの解像度、撮影が行われた部位、撮影が行われた方向、撮影が行われた角度、又はその他の撮影中に発生しうる問題によってイメージ内に発生した様々な欠陥などにより、医療イメージは、一定水準以上の品質を備えていないこともある。又は、イメージファイルの形式、大きさなどのイメージの形式が必要条件を満足しないこともある。
上記のような一定水準以上の品質を持たない医療イメージを基に分析が行われる場合、その分析結果もまた一定水準以上の信頼度を備えていないこともある。これにより、より高い水準の信頼度を持つことができる分析結果の導出のためには、イメージ取得装置によって取得されたイメージが一定水準以上の品質を持っているかどうかに関するイメージ品質判断が行われなければならない。
従来は、撮影装置を介して取得した医療イメージに不良な部分があるかどうか判断するために、検収者が直接いちいち判断した。ただし、検収者の観点、検収者の経験、検収者の体調により判断結果が一定でないこともあって、一定水準の精度の高い品質判断が難しいという限界点が存在した。
一実施例によれば、上述した限界点を克服して、撮影された医療イメージの向上した品質判断のために、人工知能が活用されることができる。すなわち、一実施例によるイメージ分析装置は、人工知能を活用して高い水準の医療イメージ品質判断を実行することができる。
図１８は、一実施例によるイメージ品質判断プロセスを説明するための図である。
図１８を参照すると、一実施例によるイメージ品質判断プロセスは、医療イメージ取得ステップＳ３０００と、医療イメージ品質判断ステップＳ３３００と、医療イメージ品質関連情報出力ステップＳ３５００と、を含むことができる。この場合、医療イメージ品質関連情報出力ステップＳ３５００は省略してもよい。一方、イメージ品質判断プロセスは、医療イメージを前処理するステップ及び／又は医療イメージをセグメンテーションするステップをさらに含むことができる。
図１９は、イメージ品質判断プロセスを実行するイメージ分析装置３０００を説明するための図である。
図１９を参照すると、イメージ分析装置３０００はイメージ品質判断プロセスを実行することができる。イメージ分析装置３０００は、イメージ品質判断を実行するための１つ以上のモジュールを含むことができる。例えば、イメージ分析装置３０００は、前処理実行モジュール３３００、イメージセグメンテーションモジュール３５００又はイメージ品質判断モジュール３７００、イメージ品質関連情報出力モジュール３９００のうち少なくともいずれか１つを含むことができる。
以下では、イメージ品質判断プロセスの各ステップについて、より具体的な例を挙げて説明する。以下で説明するイメージ品質判断プロセスは前述したイメージ分析装置３０００又は本明細書全体で説明する装置又はシステムによって実行されてもよい。
一実施例によるイメージ取得装置は、医療イメージを取得することができる。例示的に、医療イメージは、ＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）、ＭＲＩ（Ｍａｇｎｅｔｉｃ ｒｅｓｏｎａｎｃｅ ｍａｇｉｎｇ）、Ｘ－ｒａｙなどのイメージを含めるが、これに限定されるものではない。この場合、ＭＲＩイメージは、ＭＲＩ撮影装置によって撮影されることができる様々な種類の映像、例えば、Ｔ１強調映像、Ｔ２強調映像やＦＬＡＩＲ映像などを含むことができる。また、ＭＲＩイメージは、ＭＲＩ撮影装置によって撮影される様々な種類の平面、例えば、Ａｘｉａｌ、Ｓａｇｉｔｔａｌ又はＣｏｒｏｎａｌ平面で撮影されたイメージを含むことができる。
一実施例によるイメージ取得装置は、少なくとも一部が完全に撮影されなかった医療イメージを取得することができる。例えば、イメージ取得装置は、対象領域のうち少なくとも一部が漏れ落ちたり、不適切に撮影されたりした医療イメージを取得することができる。
例えば、イメージ取得装置は、一定水準以下の品質を有する医療イメージを取得することができる。イメージ取得装置は、一定水準以上の信頼度を有する医療情報の抽出を期待しにくい医療イメージを取得することができる。別の例として、イメージ取得装置は、ファイル構造が異常であるか、患者情報が漏れ落ちている医療イメージを取得することができる。また、他の例として、イメージ取得装置は、少なくとも１つのノイズを含んでいる医療イメージを取得することができる。ここで、ノイズは、イメージに基づいた情報取得に影響を及ぼす様々な種類の欠陥ないし状態を意味することになる。
一実施例によるイメージ品質判断プロセスは、医療イメージを前処理するステップを含むことができる。例えば、一実施例によるイメージ品質判断プロセスは、イメージ品質判断が実行されるのに適合するようにイメージ取得装置によって取得された医療イメージを前処理するステップを含むことができる。
例示的に、イメージ前処理ステップは、医療イメージ内に含まれているアーティファクトの検出がより円滑に行われるようにイメージの明るさ、大きさ、比率、方向、又は解像度を補正するなどの様々な前処理過程を実行することを含むことができる。別の例として、イメージ前処理ステップは、医療イメージ内に含まれている解剖学的構造に関する情報の取得がより円滑に行われるようにイメージの明るさ、大きさ、比率、方向、又は解像度を補正するなどの様々な前処理過程を実行することを含むことができる。
その他にも、イメージ前処理ステップは、イメージ品質判断のための様々な前処理過程を実行することを含むことができ、これに関する詳細については、上述したことがあるので重複する内容は省略するようにする。
一実施例によるイメージ品質判断プロセスは、医療イメージをセグメンテーション（ｓｅｇｍｅｎｔａｔｉｏｎ）するステップを含むことができる。例えば、一実施例によるイメージ品質判断プロセスは、イメージ品質判断のためにイメージ取得装置によって取得された医療イメージをセグメンテーションするステップを含むことができる。
例示的に、イメージセグメンテーションステップは、医療イメージ内に含まれているアーティファクトと関連する情報を取得するために、医療イメージセグメンテーションを実行することを含むことができる。より具体的な例として、イメージセグメンテーションステップは、医療イメージ内に含まれているアーティファクトと対応する領域のセグメンテーションを実行することを含むことができる。
アーティファクトに対応する領域のセグメンテーションは、医療イメージに含まれたアーティファクトに対応する領域を取得するように学習された神経網モデルを利用して実行されてもよい。アーティファクト領域をセグメンテーションすることは、アーティファクト領域がラベリングされた１つ以上の医療イメージを含む学習データを利用して学習された神経網モデルを利用して実行されてもよい。
他の例として、イメージセグメンテーションステップは、医療イメージ内に含まれている人体の領域のうち少なくとも一部に基づいてイメージ品質判断が行われるように医療イメージをセグメンテーションすることを含むことができる。より具体的な例として、イメージセグメンテーションステップは、イメージ品質判断の基礎となることができる人体の解剖学的又は機能的構造に関する情報を得るために医療イメージをセグメンテーションすることを含むことができる。イメージセグメンテーションステップは、医療イメージ内に含まれている人体の構造と対応する領域をセグメンテーションすることを含むことができる。イメージセグメンテーションステップは、イメージ品質判断に利用される構造に対応する領域を取得することを含むことができる。
人体の構造に対応する領域のセグメンテーションは、神経網モデルを利用して実行されてもよい。構造に対応する領域のセグメンテーションは、医療イメージに含まれた領域をセグメンテーションするように学習された神経網モデルを利用して実行されてもよい。イメージセグメンテーションステップは、事前に学習された神経網モデルを利用して医療イメージのセグメンテーションを実行して少なくとも１つのセグメンテーションされた領域を取得することを含むことができる。この場合、少なくとも１つのセグメンテーションされた領域は、それぞれ他の解剖学的又は機能的構造に対応することができる。また、少なくとも１つのセグメンテーションされた領域は、品質判断に利用される人体構造に対応する領域を含むことができる。解剖学的又は機能的構造に対応する領域のセグメンテーションは、本明細書全体で説明されるイメージのセグメンテーションに関連した内容が同様に適用されることができる。
図２０は、イメージ品質判断モジュール３７００を説明するための図である。
図２０を参照すると、イメージ品質判断モジュール３７００は、第１イメージ品質判断部３７１０、第２イメージ品質判断部３７３０、第３イメージ品質判断部３７５０又は第４イメージ品質判断部３７７０のうち少なくともいずれか１つを含むことができる。
例示的に、第１イメージ品質判断部３７１０は、メタデータ情報に基づいてイメージの品質を判断することができ、第２イメージ品質判断部３７３０は、ノイズ情報に基づいてイメージの品質を判断することができ、第３イメージ品質判断部３７５０は、解剖学的にセグメンテーションされたセグメンテーション情報に基づいてイメージの品質を判断することができ、第４イメージ品質判断部３７７０は、複合情報、例えば、ノイズ情報と解剖学的にセグメンテーションされたセグメンテーション情報との関係に基づいてイメージの品質を判断することができる。第１イメージ品質判断部３７１０ないし第４イメージ品質判断部３７７０に関する詳しい内容は後述するようにする。
一実施例によるイメージ品質判断を実行する神経網モデルは、イメージ取得装置によって取得される医療イメージの種類によって異なるように学習及び実行されてもよい。例示的に、イメージ取得装置によって取得される医療イメージの種類がＣＴイメージである場合、イメージ分析装置３０００のイメージ品質判断モデルは、ＣＴイメージに基づいて学習され、実行されるモデルであり得る。他の例として、イメージ取得装置によって取得される医療イメージの種類がＭＲＩである場合、イメージ分析装置３０００のイメージ品質判断モデルは、ＭＲＩイメージに基づいて学習され、実行されるモデルであり得る。
一実施例による第１イメージ品質判断部３７１０は、イメージ分析が正常に行われるかどうかを判断するためにメタデータ情報に基づいて実行されてもよい。この時、メタデータ情報は、イメージ取得装置から取得した医療イメージに関する情報を含むことができる。より具体的に、メタデータ情報は、医療イメージのファイル構造情報又は医療イメージに入力されている患者情報のうち少なくともいずれか１つを含むことができる。
図２１は、第１イメージ品質判断プロセスを説明するための図である。
図２１を参照すると、第１イメージ品質判断プロセスは、医療イメージ取得ステップＳ３７１１と、非イメージ情報取得ステップＳ３７１３と、非イメージ情報正常可否判断ステップＳ３７１５と、非イメージ関連情報出力ステップＳ３７１７と、を含むことができる。
非イメージ情報取得ステップＳ３７１３は、医療イメージから医療イメージ情報を取得することを含むことができる。非イメージ情報取得ステップＳ３７１３は、医療イメージから非イメージ情報を取得することを含むことができる。ここで、非イメージ情報は、医療イメージのファイル構造情報又は医療イメージに入力されている患者情報を含むことができる。
この時、医療イメージのファイル構造情報は、医療イメージのファイル形式、医療イメージのフォーマット、又はファイルの大きさに関する情報を含むことができるが、これに限定されるものではない。また、患者情報は、患者の氏名や年齢などの個人情報に関連する情報、患者の医療イメージを撮影した時点に関連する情報、又は患者の健康状態に関する情報などを含むことができるが、これに限定されるものではない。
非イメージ情報正常可否判断ステップＳ３７１５は、医療イメージから抽出した非イメージ情報に基づいてイメージ品質判断を実行することを含むことができる。非イメージ情報正常可否判断ステップＳ３７１５は、医療イメージからファイル構造情報又は患者情報のうち少なくともいずれか１つに基づいてイメージ品質判断を実行することを含むことができる。
一実施例によれば、非イメージ情報正常可否判断ステップＳ３７１５は、医療イメージのファイル構造が異常であるかどうかを判断することができる。ここで、医療イメージのファイル構造は、医療イメージのファイル形式、医療イメージのフォーマット、又はファイルの大きさを意味することができるが、これに限定されるものではない。
例えば、医療イメージのファイル形式又はフォーマットは、イメージ分析装置３０００によりイメージ分析が実行されるに適合したファイル形式又はフォーマットである必要があるため、非イメージ情報正常可否判断ステップＳ３７１５は、医療イメージのファイル形式又はフォーマットがイメージ分析装置３０００によりイメージ分析が実行されるに適合したファイル形式又はフォーマットであるかどうかを判断することを含むことができる。これにより、非イメージ情報正常可否判断ステップＳ３７１５は、医療イメージのファイル構造情報に基づいてイメージ分析が正常に行われるかどうかについての情報を取得することを含むことができる。
他の実施例によれば、非イメージ情報正常可否判断ステップＳ３７１５は、イメージ取得装置から取得した医療イメージに患者情報が漏れ落ちているかどうかを判断することを含むことができる。ここで、患者情報は、患者の氏名や年齢などの個人情報、又は患者の健康状態に関する情報を含むことができるが、これに限定されるものではない。
例えば、医療イメージに患者情報が含まれていない場合、イメージ分析装置３０００によるイメージ分析結果がどの患者に関することなのか分からないので、非イメージ情報正常可否判断ステップＳ３７１５は、医療イメージに患者情報が含まれているかどうかを判断することを含むことができる。これにより、非イメージ情報正常可否判断ステップＳ３７１５は、医療イメージに患者情報が入力されているかどうかに関する情報を取得することを含むことができる。
図２２は、第１イメージ品質判断部３７１０を説明するための図である。
図２２を参照すると、第１イメージ品質判断部３７１０は、非イメージ情報取得部３７１１又は非イメージ情報正常可否判断部３７１７のうち少なくとも１つを含むことができる。
非イメージ情報取得部３７１１は、ファイル構造情報取得部３７１３又は患者情報取得部３７１５を含むことができる。非イメージ情報取得部３７１１は、取得された医療イメージに基づいて非イメージ情報を取得することができる。この場合、取得された医療イメージは、前処理動作前の戦意生データ又は前処理動作が実行されたイメージを含むことができる。
非イメージ情報正常可否判断部３７１７は、非イメージ情報取得部３７１１で取得した非イメージ情報に基づいて非イメージ情報が正常であるかどうかを判断することができる。非イメージ情報正常可否判断部３７１７は、非イメージ情報が正常であるかどうかを判断した結果に関する情報を出力することができる。例示的に、非イメージ情報正常可否判断部３７１７は、医療イメージのファイル構造情報に基づいてイメージ分析が正常に行われるかどうかに関する情報又は医療イメージに患者情報が入力されているのかどうかに関する情報を出力することができる。
一実施例による第２イメージ品質判断部３７３０は、イメージ内に含まれているノイズ情報を抽出する機能を実行することができる。ここで、ノイズ情報は、イメージに基づいた情報取得に影響を及ぼす様々な種類の欠陥ないし状態を意味することができる。例えば、ノイズ情報は、イメージの解像度と関連する情報、イメージの明るさと関連する情報、又はイメージに発生したアーティファクト情報を含むことができ、この他に不適切な映像サンプリングの結果として作成される様々な画像の欠陥を意味することもある。
図２３は、第２イメージ品質判断プロセスを説明するための図である。
図２３を参照すると、第２イメージ品質判断プロセスは、医療イメージ取得ステップＳ３７３１と、医療イメージ内アーティファクト発生の有無判断ステップＳ３７３３と、医療イメージからアーティファクト情報を取得するステップＳ３７３５と、アーティファクト情報出力ステップＳ３７３７と、を含むことができる。
医療イメージ内アーティファクト発生の有無判断ステップＳ３７３３は、医療イメージ内にアーティファクトが含まれているかどうかを判断することを含むことができる。ここで、アーティファクトは、医療イメージで解剖学的構造を忠実に示さないピクセルに関連するノイズを含むことができる。例示的に、アーティファクトは、Ｍｏｔｉｏｎ ａｒｔｉｆａｃｔ、Ｂｉａｓ ａｒｔｉｆａｃｔ、Ｚｉｐｐｅｒ ａｒｔｉｆａｃｔ、Ｇｈｏｓｔ ａｒｔｉｆａｃｔ、Ｓｐｉｋｅ ａｒｔｉｆａｃｔなどの種類を含むことができるが、これに限定されるものではなく、既に公知されている様々な種類のアーティファクトを含むことができる。
医療イメージからアーティファクト情報を取得するステップＳ３７３５は、医療イメージ内に発生したアーティファクトに関する情報を取得することを含むことができる。ここで、アーティファクト情報は、アーティファクトと関連する情報、例えば、アーティファクトの発生の有無に関する情報、アーティファクト発生位置に関する情報、発生したアーティファクトの種類に関する情報、アーティファクトの発生程度に関する情報などを含むことができる。
一実施例によれば、医療イメージ内アーティファクト発生の有無判断ステップＳ３７３３又は医療イメージからアーティファクト情報を取得するステップＳ３７３５は、学習された神経網モデルを利用して実行することを含むことができる。医療イメージ内アーティファクト発生の有無判断ステップＳ３７３３は、学習された神経網モデルを利用して医療イメージ内にアーティファクトが発生したかどうかを判断することを含むことができる。図面では、医療イメージ内アーティファクト発生の有無判断ステップＳ３７３３と医療イメージからアーティファクト情報を取得するステップＳ３７３５を区分して表現したが、各ステップは、１つの神経網モデルを利用してアーティファクト発生の有無及びアーティファクトと関連する情報を取得することを含むことができる。
神経網モデルは、医療イメージに基づいてアーティファクト発生の有無を取得することができる。神経網モデルは、入力された医療イメージに基づいて、取得された医療イメージの特定領域内にアーティファクトが存在するかどうかを取得することができる。
また、神経網モデルは、医療イメージに基づいてアーティファクト情報を取得することができる。神経網モデルは、入力された医療イメージに基づいてアーティファクトの発生の有無に関する情報、アーティファクト発生位置に関する情報、発生したアーティファクトの種類に関する情報、アーティファクトの発生程度に関する情報を取得することができる。
アーティファクト情報は、イメージ取得装置によって取得された医療イメージに基づいて取得されることができる。例示的に、アーティファクト情報は、医療イメージに基づいてアーティファクト情報を取得するように学習された神経網モデルを利用して取得することができる。
アーティファクト情報を取得するために、入力イメージを１つ以上のラベルについて分類又は予測するソーターアルゴリズムを利用することができる。分類又は予測のために、様々な形態のアルゴリズムが利用され得る。例えば、Ｋ最近傍法（ｋ－ｎｅａｒｅｓｔ ｎｅｉｇｈｂｏｒ）、サポートベクターマシン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）、人工神経網（Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｒｗｏｒｋ）、意思決定木（Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ）、自己組織化マップ（Ｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇ ｍａｐ）、論理的回帰（Ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ）等を利用することができる。
人工神経網は、ソーター、ハイブリッド型ソーター（Ｈｙｂｒｉｄ ｃｌａｓｓｉｆｉｅｒｓ）、アンサンブル型ソーター（Ｅｎｓｅｍｂｌｅ ｃｌａｓｓｉｆｉｅｒｓ）、線形回帰（Ｌｉｎｅａｒ Ｒｅｇｒｅｓｓｉｏｎ）神経網などであり得る。人工神経網は、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を含むことができる。人工神経網は、教師あり学習、教師なし学習、又は強化学習されたモデルであり得る。
図２５は、一実施例によるアーティファクト情報取得のための神経網モデルを説明するための図である。図２５を参照すると、一実施例による神経網モデルは、ソーター形態で用意されてもよい。一実施例によると、神経網モデルは、入力レイヤー（ＩＬ）、プーリングレイヤー（ＰＬ）、畳み込み神経網レイヤー（ＣＬ）、全結合レイヤー（ＦＣＬ）、隠しレイヤー（ＨＬ）、及び出力レイヤー（ＯＬ）等を含み、入力イメージに基づいて特徴ベクターを取得することができる。神経網モデルは、入力イメージを１つ以上のラベルに分類するソーター形態で用意されてもよい。又は、神経網モデルは、回帰モデル形態で用意されてもよい。神経網モデルは、入力にイメージに基づいて、特定のアーティファクト情報に対する線形出力値を取得する回帰モデルで用意されてもよい。
神経網モデルは、人体の特定領域を撮影して取得された医療イメージを入力にして、出力情報を取得することができる。出力情報は、入力されたイメージが対象オブジェクトを含むかどうかを示すことができる。例えば、神経網モデルの出力レイヤーは、確率関数が付与された出力ノードを含むことができる。神経網モデルの出力レイヤーは、対象イメージが対象オブジェクトを含むかどうかを示す確率関数が付与された出力ノードを含むことができる。出力レイヤーは、１つ以上の対象オブジェクトに対して、入力イメージがそれぞれの対象オブジェクトを含むかどうかを示す１つ以上の確率関数が付与された出力ノードを含むことができる。
神経網モデルは、アーティファクト情報を取得するように学習されることができる。神経網モデルは、アーティファクト情報がラベリングされた医療イメージを１つ以上含む学習データに基づいて、アーティファクト情報を取得するように学習されることができる。神経網モデルは、アーティファクト領域がラベリングされた医療イメージを１つ以上含む学習データに基づいて、アーティファクト領域を取得するように学習されることができる。
アーティファクト学習データは、複数の医療イメージを含むことができる。アーティファクト学習データは、様々な方式で撮影される医療イメージ、例えば、ＣＴ、ＭＲＩ又はＸ－ｒａｙイメージを含むことができる。アーティファクト学習データは、様々な種類、範囲、大きさ、形、又は位置のアーティファクトが含まれている複数の医療イメージを含むことができる。
アーティファクト学習データは、アーティファクト発生の有無を示すアーティファクト ラベルが付与された医療イメージを含むことができる。アーティファクト学習データは、人体の様々な部位を撮影して取得され、アーティファクト発生の有無を示すアーティファクトラベルが付与された医療イメージを含むことができる。ここで、アーティファクトラベルは、アーティファクトの発生位置、アーティファクトの発生程度、アーティファクトの発生形態、又はアーティファクトの種類などにより異なるように付与されることができる。
アーティファクト学習データは、アーティファクト発生領域にマスキングされた医療イメージを含むことができる。アーティファクト学習データは、１つ以上のアーティファクト発生領域に対してマスキング（又は、ラベリング）された医療イメージを含むことができる。アーティファクト学習データは、複数の種類のアーティファクト発生領域に対して互いに異なるようにマスキング（又は、ラベリング）された医療イメージを含むことができる。例えば、アーティファクト学習データは、第１種類のアーティファクトの発生に対して第１色で表示され、第２種類のアーティファクトの発生に対して第２色で表示された医療イメージを含むことができる。
神経網モデルは、上述したアーティファクト学習データを利用して学習されることができる。神経網モデルは、アーティファクト学習データを利用して、医療イメージに基づいてアーティファクト情報を取得するように、教師あり、教師なし、又は強化学習されることができる。神経網モデルは、誤差逆伝播法を利用して学習されることができる。
神経網モデルは、医療イメージをアーティファクト発生の有無がラベリングされた医療イメージを含むアーティファクト学習データを利用してアーティファクトを含むかどうかにより分類するように学習されることができる。神経網モデルは、医療イメージを医療イメージに含まれたアーティファクトの種類によって分類するように学習されることができる。神経網モデルは、複数の種類のアーティファクトの有無に対してラベリングされた医療イメージを含むアーティファクト学習データを介して、複数のアーティファクトに対して、対象イメージが各種類のアーティファクトを含むかどうかを取得するように学習されることができる。
神経網モデルは、アーティファクト学習データを介してアーティファクト領域情報を取得するように学習されることができる。神経網モデルは、１つ以上の種類のアーティファクトに対してアーティファクト発生部位にマスキングされた医療イメージを含むアーティファクト学習データを利用して対象イメージからアーティファクト発生領域を検出するように学習されることができる。神経網モデルは、複数の種類のアーティファクト発生領域に対してラベリングされた医療イメージを含むアーティファクト学習データを介して、医療イメージに含まれた複数のアーティファクトそれぞれに対して、各アーティファクトが分布する領域及び／又は種類に対するアーティファクト領域情報を取得するように学習されることができる。
神経網モデルは、複数のアーティファクト学習データを利用して学習されることもできる。神経網モデルは、第１種類のアーティファクトを有する医療イメージを含む第１アーティファクト学習データ及び第２種類のアーティファクトを有する医療イメージを含む第２アーティファクト学習データを利用して学習されることができる。
一方、複数の神経網モデルが学習及び利用されてもよい。第１神経網モデルは、第１アーティファクト学習データに基づいて学習され、第２神経網モデルは、第２アーティファクト学習データに基づいて学習されることができる。第２アーティファクト学習データは、第１アーティファクト学習データと少なくとも一部異なることがある。
図２４は、第２イメージ品質判断プロセスが人工神経網モデルを利用して医療イメージ内のアーティファクト発生位置を判断することを例示的に説明するための図である。図２４を参照すると、神経網モデルは、イメージ取得装置を介して取得された医療イメージを入力にしてアーティファクト発生位置に関するアーティファクト領域情報を取得することができる。
図２４を参照すると、医療イメージからアーティファクト情報を取得するステップＳ３７３５は、医療イメージ内のアーティファクト領域情報を取得することを含むことができる。
アーティファクト領域情報は、医療イメージ内でアーティファクトが位置する可能性が高い領域を示すための表示、例えば、ヒートマップ形態の顕著性マップ形態で備わることができる。アーティファクト領域情報は、アーティファクトの有無を判断する神経網モデル又はアーティファクト情報を取得する神経網モデルから取得された特徴マップであり得る。
アーティファクト領域は、学習された神経網モデルから取得され、対象医療イメージに存在する対象アーティファクトと関連した特徴マップに基づいて特徴マップ上で対象アーティファクトとの関連性が基準値以上である領域であり得る。アーティファクト領域は、第１領域及び前記第１領域内に位置される第２領域を含むことができる。第１領域は、特徴マップ上で対象アーティファクトとの関連性が第１基準値以上である領域であり得る。第２領域は、特徴マップ上で対象アーティファクトとの関連性が第１基準値より大きい第２基準値以上である領域であり得る。
図２４の（ａ）ないし（ｃ）を参照すると、医療イメージからアーティファクト情報を取得するステップＳ３７３５は、アーティファクトが含まれた第１元イメージ（ａ）、第２元イメージ（ｂ）、第３元イメージ（ｃ）を取得することを含むことができる。この場合、第１元イメージ（ａ）ないし第３元イメージ（ｃ）は、それぞれ異なる平面で撮影されたイメージであり得る。第１元イメージ（ａ）ないし第３元イメージ（ｃ）は、同じ被検者に対して同じ時点で撮影されたイメージであり得る。
図２４の（ｄ）ないし（ｆ）を参照すると、医療イメージからアーティファクト情報を取得するステップＳ３７３５は、アーティファクトの位置が表現された第１アーティファクトイメージ（ｄ）、第２アーティファクトイメージ（ｅ）、第３アーティファクトイメージ（ｆ）を取得することを含むことができる。ここで、第１アーティファクトイメージ（ｄ）は、第１元イメージ（ａ）に基づいて取得されたアーティファクト領域情報が第１元イメージ（ａ）に表示されたイメージであり得る。第２アーティファクトイメージ（ｅ）は、第２元イメージ（ｂ）に基づいて取得されたアーティファクト領域情報が第２元イメージ（ｂ）に表示されたイメージであり得る。第３アーティファクトイメージ（ｆ）は、第３元イメージ（ｃ）に基づいて取得されたアーティファクト領域情報が第３元イメージ（ｃ）に表示されたイメージであり得る。
また、図２４の（ｄ）ないし（ｆ）を参照すると、第１ないし第３アーティファクトイメージは、医療イメージ内でアーティファクトが位置する可能性が高い順に、第１領域Ａ１ないし第４領域Ａ４が表示されたイメージであり得る。ここで、第１領域Ａ１ないし第４領域Ａ４は、イメージ内アーティファクトが位置する領域と対応する領域であり得る。第１領域Ａ１ないし第４領域Ａ４は、イメージ内アーティファクトが位置する領域の少なくとも一部を含む領域であり得る。第１領域Ａ１は、第２領域Ａ２に含まれる領域であり得る。第２領域Ａ２は、第３領域Ａ３に含まれる領域であり得る。第３領域Ａ３は、第４領域Ａ４に含まれる領域であり得る。
図面には示されていなかったが、アーティファクト領域情報は、医療イメージ内でアーティファクトが位置する領域を表示するためのバウンディングボックスを含むことができる。アーティファクト領域情報は、医療イメージ内でアーティファクトが位置する座標情報、ピクセル情報などを含むことができる。例示的に、第２イメージ品質判断部３７３０は、アーティファクト発生位置情報を取得するために、ＢＢＭｓ（Ｂａｃｋｐｒｏｐａｇａｔｉｏｎ Ｂａｓｅｄ Ｍｅｔｈｏｄ）、ＡＢＭｓ（Ａｃｔｉｖａｔｉｏｎ Ｂａｓｅｄ Ｍｅｔｈｏｄ）、ＰＢＭｓ（Ｐｅｒｔｕｂａｔｉｏｎ Ｂａｓｅｄ Ｍｅｔｈｏｄ）等の人工神経網モデルを利用することができる。ここで、ＢＢＭｓ方法として、ＬＲＰ（Ｌａｙｅｒ－ｗｉｓｅ Ｒｅｌｅｖａｎｃｅ Ｐｒｏｐａｇａｔｉｏｎ）、ＤｅｅｐＬＩＦＴ、ＳｍｏｏｔｈＧｒａｄ、ＶａｒＧｒａｄなどがあり得、ＡＢＭｓ方法として、ＣＡＭ（Ｃｌａｓｓ Ａｃｔｉｖａｔｉｏｎ Ｍａｐ）、Ｇｒａｄ－ＣＡＭ（Ｇｒａｄｉｅｎｔ－Ｃｌａｓｓ Ａｃｔｉｖａｔｉｏｎ Ｍａｐ）等があり得、ＰＢＭｓ方法として、ＬＩＭＥ（Ｌｏｃａｌ Ｉｎｔｅｒｐｒｅｔａｂｌｅ Ｍｏｄｅｌ－Ａｇｎｏｓｔｉｃ Ｅｘｐｌａｎａｔｉｏｎ）等があり得る。
一実施例による第３イメージ品質判断部３７５０は、イメージ取得装置から取得した医療イメージを解剖学的にセグメンテーションしたセグメンテーション情報に基づいて、セグメンテーション情報が定量的な基準を満足するかを考慮して品質判断を実行することができる。より具体的な例として、第３イメージ品質判断部３７５０は、医療イメージが含んでいる解剖学的構造のうち少なくとも一部が予め定められた定量的な基準を満足するかを判断することができる。
第３イメージ品質判断部３７５０は、イメージ内に含まれて人体の１つの部位に対応する所定の領域に関連した値が基準を満足するか否かを判断することができる。第３イメージ品質判断部３７５０は、イメージ撮影装置を介して撮影された人体の解剖学的構造のうち少なくとも一部が完全に撮影されたかどうかを判断することができる。
例えば、人体の特定部位をイメージ撮影装置を介して撮影した後、これを分析する場合、撮影された人体の領域のうち少なくとも一部の形態学的指標によって病気を判断できる。この時、人体の各領域の撮影が完全に行われなかった場合、病気判断の結果は一定水準以上の信頼度を有することはできない。したがって、人体の各領域は完全に撮影されるべきであるため、第３イメージ品質判断部３７５０は、医療イメージが含んでいる人体の解剖学的領域に基づいた形態学的指標が一般的に要求される基準値を満足するかを考慮して人体の各領域の撮影が完全に行われたか否かを判断する機能を実行することができる。
より具体的な例として、イメージ分析装置３０００が脳に関するＭＲＩイメージを分析する場合、脳の各解剖学的領域に関する体積値の比率を計算して病気を判断できる。この時、撮影された脳の特定領域の体積値が一般的に要求される基準値を満足しない場合、病気判断結果は一定水準以上の信頼度を有することはできない。この時、脳の特定領域が完全に撮影されなかった場合、該当領域の体積値を基に病気判断が行われると、病気判断の結果が不正確になる可能性がある。これにより、第３イメージ品質判断部３７５０は、ＭＲＩイメージが含んでいる脳の各領域に関する形態学的指標が一般的に要求される基準値を満足するかを考慮して脳の各領域の撮影が完全に行われたか否かを判断する機能を実行することができる。
図２６は、第３イメージ品質判断プロセスを説明するための図である。
図２６を参照すると、第３イメージ品質判断プロセスは、イメージセグメンテーション情報取得ステップＳ３７５１と、品質判断対象領域取得ステップＳ３７５３と、対象領域の形態学的指標取得ステップＳ３７５５と、対象領域の形態学的指標を基準値と比較するステップＳ３７５７と、を含むことができる。
イメージセグメンテーション情報取得ステップＳ３７５１は、イメージセグメンテーションモジュール３５００によりセグメンテーションされた医療イメージに基づいて取得されたセグメンテーション情報を取得することを含むことができる。
セグメンテーション情報は、医療イメージをセグメンテーションして得られる人体の解剖学的構造に関する情報を含むことができる。セグメンテーション情報は、医療イメージをセグメンテーションして得られる人体の解剖学的構造のうち少なくとも一部領域の形態学的指標を含むことができる。また、セグメンテーション情報は、医療イメージをセグメンテーションして得られる人体の解剖学的構造のうち少なくとも一部領域の形態学的値を含むことができる。
形態学的指標は、形態学的値に基づいて取得されることができる。形態学的指標は、複数の形態学的値、例えば、第１形態学的値と第２形態学的値に基づいて取得されることができる。例えば、形態学的指標は、第１形態学的値と第２形態学的値の比率に基づいて取得されることができる。この場合、第１形態学的値は、小脳であり得、第２形態学的値は、頭蓋骨内の解剖学的領域であり得、第１形態学的値と第２形態学的値の比率によって取得された形態学的指標はＩＣＶ値を意味することができる。形態学的値は、人体の解剖学的構造のうち少なくとも一部領域の面積、体積、位置、又は形などに関する情報であり得る。
品質判断対象領域取得ステップＳ３７５３は、セグメンテーション情報に基づいて第３イメージ品質判断を実行する対象領域を特定することを含むことができる。ここで、対象領域は、医療イメージセグメンテーションを介して取得した人体の解剖学的構造のうち少なくとも一部領域を含むことができる。また、対象領域は、人体の解剖学的構造のうち病気判断結果の信頼度に影響を与えることができる、少なくとも一部領域を含むことができる。
例示的に、対象領域は、医療イメージセグメンテーションを介して取得した人体の解剖学的構造のうち医療イメージの中心で最も外側に位置した領域を含むことができる。対象領域は、医療イメージセグメンテーションを介して取得した人体の解剖学的構造のうち病気診断の根拠となる領域を含むことができる。対象領域は、医療イメージセグメンテーションを介して取得した人体の解剖学的構造のうち最も左側、右側、上側、又は下側に位置した領域のうちいずれか１つを含むことができる。対象領域は脳に関する医療イメージを基にイメージ品質判断が実行される場合、対象領域は医療イメージセグメンテーションを介して取得した脳の頭蓋骨内部領域のうち少なくとも一部を含むことができる。
対象領域の形態学的指標取得ステップＳ３７５５は、特定された対象領域に関する形態学的指標を取得するステップを含むことができる。例示的に、対象領域の形態学的指標取得ステップＳ３７５５は、イメージ取得装置によって確保された複数の医療イメージのうち少なくとも一部に基づいて対象領域の形態学的指標を取得することを含むことができる。対象領域の形態学的指標取得ステップＳ３７５５は、イメージ取得装置によって確保された複数の医療イメージのうち少なくとも一部に基づいて対象領域の形態学的値を取得することを含むことができる。
対象領域の形態学的指標を基準値と比較するステップＳ３７５７は、対象領域の形態学的指標又は形態学的値を予め定められた基準値と比較することを含むことができる。ここで、予め定められた基準値とは、多数の一般人を対象に対象領域の形態学的値の平均値を意味することになる。予め定められた基準値とは、対象領域の形態学的指標を基に、病気の判断時に一定水準以上の信頼度を有する医療情報の取得が可能な時の対象領域に関連する指標又は測定値を意味することができる。
図２７は、第３イメージ品質判断プロセスの一実施例を説明するための図である。
図２７の（ａ）ないし（ｃ）を参照すると、一実施例による第３イメージ品質判断プロセスは、脳に関する医療イメージを基に品質判断を実行することを含むことができる。一実施例によると、第３イメージ品質判断プロセスは、脳に関する医療イメージを解剖学的にセグメンテーションしたセグメンテーション情報に基づいて、セグメンテーション情報が定量的な基準を満たしているかどうかに関する品質判断を実行することを含むことができる。
イメージセグメンテーション情報取得ステップＳ３７５１は、脳を撮影したＭＲＩイメージを解剖学的にセグメンテーションしたセグメンテーション情報を受信することを含むことができる。品質判断対象領域取得ステップＳ３７５３は、解剖学的にセグメンテーションされた脳の各領域のうち品質判断対象領域、例えば、解剖学的にセグメンテーションされた脳の各領域のうち小脳に対応する所定の領域を特定することを含むことができる。
例示的に、品質判断対象領域が小脳に対応する所定の領域である場合、イメージセグメンテーション情報取得ステップＳ３７５１で受信されるセグメンテーション情報は、脳の１つの部位に対応する所定の領域が完全に撮影されなかったＭＲＩイメージに基づいて取得された情報であり得る。ここで、小脳が完全に撮影されたかどうかに関する基準は、本明細書のＩＣＶを説明するパーツで小脳の形態学的値に基づいて頭蓋骨内部領域を定義する基準と同じ基準として適用されることができる。
図２７の（ａ）を参照すると、イメージセグメンテーション情報取得ステップＳ３７５１は、脳の各領域のうち小脳に対応する所定の領域の少なくとも一部が撮影されなかった第１対象領域イメージに基づいて取得されたセグメンテーション情報を受信することを含むことができる。
図２７の（ｂ）を参照すると、イメージセグメンテーション情報取得ステップＳ３７５１は、脳の各領域のうち小脳に対応する所定の領域が全て撮影された第２対象領域イメージに基づいて取得されるセグメンテーション情報を受信することを含むことができる。
図２７の（ｃ）を参照すると、イメージセグメンテーション情報取得ステップＳ３７５１は、脳の各領域のうち小脳に対応する所定の領域が皆撮影されたが、小脳以外の他の解剖学的構造に対応する領域のうち少なくとも一部が完全に撮影されなかった第３対象領域イメージに基づいて取得されるセグメンテーション情報を受信することを含むことができる。
対象領域の形態学的指標取得ステップＳ３７５５は、品質判断対象領域の形態学的指標、例えば、品質判断対象領域で特定された小脳の体積値を取得することを含むことができる。対象領域の形態学的指標取得ステップＳ３７５５は、対象領域の形態学的指標を基準値と比較することを含むことができる。対象領域の形態学的指標取得ステップＳ３７５５は、対象領域で特定された小脳の体積値を予め定められた基準値と比較して定量的な基準を満足するか否かを判断することを含むことができる。
例示的に、予め定められた基準値は、図２７の（ｂ）のように小脳に対応する所定の領域が完全に撮影された第２対象領域イメージに基づいて取得される小脳の形態学的指標を意味することになる。予め定められた基準値は、小脳に対応する所定の領域が完全に撮影された複数のイメージに基づいて取得される小脳の形態学的指標に基づいて取得することができる。予め定められた基準値は、複数のイメージに基づいて取得される小脳の体積値の平均値であり得る。
この場合、対象領域の形態学的指標を基準値と比較するステップＳ３７５７は、図２７の（ａ）のように小脳に対応する所定の領域の少なくとも一部が撮影されなかった第１対象領域イメージに基づいて取得される小脳の形態学的指標を、図２７の（ｂ）の第２対象領域イメージに基づいて取得される小脳の形態学的指標、すなわち、予め定められた基準値と比較して定量的な基準を満足するか否かを判断することを含むことができる。対象領域の形態学的指標を基準値と比較するステップＳ３７５７は、図２７の（ａ）の第１対象領域イメージに基づいて取得される小脳の体積値が予め定められた基準値より一定範囲以上の差を示すかどうかに基づいてイメージ品質判断を実行することを含むことができる。
図２７の（ｃ）を参照すると、対象領域に特定された小脳に対応する領域は、完全に撮影されたが、小脳以外の他の解剖学的構造に対応する領域のうち少なくとも一部が完全に撮影されなかった第３対象領域イメージの場合、第３イメージ品質判断プロセスは、品質判断対象領域を再び特定した後、イメージ品質判断を実行することを含むことができる。
図２７の（ｃ）を参照すると、小脳に対応する領域を基準としてイメージ品質判断を実行する場合、イメージ下方（Ｉｎｆｅｒｉｏｒ）の漏れ落ちに対して判断が可能であるが、イメージ上方（Ｓｕｐｅｒｉｏｒ）の漏れ落ちに対しては判断が難しいこともある。このような問題点を回避するために、小脳に対応する領域以外に他の指標をイメージ品質判断の指標として活用することができる。例えば、頭蓋骨ないし大脳に対応する領域の体積（又はＩＣＶ）を品質判断の指標として活用することができる。
又は、小脳に対応する領域に基づいて取得される形態学的指標（例えば、小脳のＩＣＶ値）が基準値以上である場合、小脳を除いた他の領域の撮影が不完全に行われたと判断することもできる。
一実施例による第４イメージ品質判断部３７７０は、イメージ取得装置から取得した医療イメージを解剖学的にセグメンテーションしたセグメンテーション情報と、イメージ取得装置から取得した医療イメージから抽出したアーティファクト情報との関係に基づいてイメージ品質判断を実行することができる。例示的に、第４イメージ品質判断部３７７０は、医療イメージ内に発生したアーティファクトが医療イメージに含まれている解剖学的構造のうち少なくとも一部と重なるかどうかを判断することができる。
例えば、イメージ分析装置３０００が人体の特定部位をイメージ撮影装置を介して撮影した後、これを分析する場合、人体の各領域を解剖学的にセグメンテーションしたセグメンテーション情報に基づいて病気を判断できる。この時、病気判断の根拠となることができるセグメンテーション情報にアーティファクトが発生している場合、該当医療イメージに基づいた病気判断の結果は一定水準以上の信頼度を有することができない。逆に、医療イメージ内にアーティファクトが発生していてもアーティファクトが病気判断の根拠となることができるセグメンテーション情報に影響を与えない場合、例えば、アーティファクトがセグメンテーション情報と重ならない領域に発生した場合には、該当医療イメージに基づいた病気判断の結果は一定水準を満足する信頼度を有することができる。したがって、第４イメージ品質判断部３７７０は、医療イメージ内にアーティファクトが発生した場合にも、病気判断の根拠となることができるセグメンテーション情報にアーティファクトが影響を与えるかどうかを考慮して、正常に医療イメージの分析が行われることができるかどうかを判断する機能を実行することができる。
より具体的な例として、イメージ分析装置３０００が脳に関するＭＲＩイメージを分析する場合、脳の各領域を解剖学的にセグメンテーションしたセグメンテーション情報に基づいて病気を判断できる。この時、病気判断の根拠となることができるセグメンテーションされた脳の解剖学的領域のうち少なくとも一部にアーティファクトが発生している場合、該当医療イメージに基づいた病気判断の結果は一定水準以上の信頼度を有することができない。これにより、第４イメージ品質判断部３７７０は、ＭＲＩイメージが含んでいる脳の各領域の解剖学的構造のうち少なくとも一部にアーティファクトが発生したか否かを考慮して、正常に医療イメージの分析が行われることができるかどうかを判断する機能を実行することができる。
図２８は、第４イメージ品質判断プロセスを説明するための図である。
図２８を参照すると、第４イメージ品質判断プロセスは、アーティファクト発生位置情報取得ステップＳ３７７１と、イメージセグメンテーション情報取得ステップＳ３７７３と、関心領域（Ｒｅｇｉｏｎ ｏｆ ｉｎｔｅｒｅｓｔ）取得ステップＳ３７７５と、アーティファクト発生位置と関心領域の関係判断ステップＳ３７７７と、を含むことができる。
アーティファクト発生位置情報取得ステップＳ３７７１は、アーティファクト発生位置情報を取得することを含むことができる。この時、アーティファクト発生位置情報は、イメージ分析装置３０００から取得されることができる。アーティファクト発生位置情報は、アーティファクト発生位置に関するアーティファクト領域情報、例えば、医療イメージ内でアーティファクトが位置する可能性が高い領域を示すヒートマップ形態の顕著性マップ、医療イメージ内でアーティファクトが位置する領域を表示するためのバウンディングボックス、医療イメージ内でアーティファクトが位置する座標情報、又はピクセル情報などを含むことができ、これに関する説明は、第２イメージ品質判断部３７３０と関連して上述したので、詳細な説明は省略する。
以下で説明するアーティファクトは、ノイズ、例えば、イメージに基づいた情報取得に影響を与える様々な種類の欠陥ないし状態を含むことができる。また、アーティファクトは、イメージの解像度、イメージの明るさ、この以外に不適切な映像サンプリングの結果として作成される様々な画像の欠陥を含むことができる。
イメージセグメンテーション情報取得ステップＳ３７７３は、イメージセグメンテーションモジュール３５００によりセグメンテーションされた医療イメージに基づいて取得されるセグメンテーション情報を取得することを含むことができる。ここで、イメージセグメンテーション情報は、医療イメージを解剖学的にセグメンテーションして取得した情報を含むことができる。イメージセグメンテーション情報は、脳を撮影したＭＲＩイメージを解剖学的にセグメンテーションして取得したセグメンテーション情報を含むことができ、これに関する説明は、第３イメージ品質判断部３７５０と関連して上述したので、詳細な説明は省略する。
関心領域取得ステップＳ３７７５は、医療イメージを解剖学的にセグメンテーションしたセグメンテーション情報に基づいて関心領域に関連した情報を取得することを含むことができる。関心領域取得ステップＳ３７７５は、医療イメージを解剖学的にセグメンテーションしたセグメンテーション情報のうちから関心領域に関連した情報を取得することを含むことができる。関心領域取得ステップＳ３７７５は、医療イメージをセグメンテーションして１つ以上である領域を取得し、関心領域に対応する領域を取得することができる。
関心領域は、医療イメージセグメンテーションを介して取得した人体の解剖学的構造のうち少なくとも一部領域を含むことができる。関心領域は、医療イメージ上の特定解剖学的（又は、機能的）要素に対応する領域として事前に定義されることができる。関心領域は、医療イメージセグメンテーションを介して取得した人体の解剖学的構造のうち医療イメージの中心から最も外側に位置する領域を含むことができる。関心領域は、医療イメージセグメンテーションを介して取得した人体の解剖学的構造のうち病気診断の根拠となる領域を含むことができる。関心領域は、脳に関するＭＲＩイメージを基にイメージ品質判断が実行される場合、医療イメージセグメンテーションを介して取得した脳の頭蓋骨領域及び頭蓋骨内部領域のうち少なくとも一部を含むことができる。関心領域は、対象病気の診断に関連した要素であり得る。
アーティファクト発生位置と関心領域の関係判断ステップＳ３７７７は、アーティファクト発生位置と関心領域の関係を判断することを含むことができる。アーティファクト発生位置と関心領域の関係判断ステップＳ３７７７は、医療イメージ内に含まれているアーティファクトの情報と医療イメージをセグメンテーションして得られる人体の解剖学的構造のうち関心領域に関する情報を基に品質判断を実行することを含むことができる。アーティファクト発生位置と関心領域の関係判断ステップＳ３７７７は、医療イメージ内に発生したアーティファクトと関心領域の重複程度が病気の判断結果の信頼度に一定水準以下に影響を与えるかどうかに基づいてイメージ品質判断を実行することができる。
アーティファクト発生位置と関心領域の関係判断ステップＳ３７７７は、医療イメージ内に発生したアーティファクトのうち少なくとも一部が関心領域上に位置したか、又は医療イメージ内に発生したアーティファクトのうち少なくとも一部が関心領域と重なるかどうかに基づいて品質判断を実行することを含むことができる。
アーティファクト発生位置と関心領域の関係判断ステップＳ３７７７は、アーティファクトの位置と関連した基準線（ａｒｔｉｆａｃｔ ｂｏｕｎｄａｒｙ）と関心領域の関係に基づいて、アーティファクト発生位置と関心領域の関係を判断することを含むことができる。ここで、アーティファクト基準線（ａｒｔｉｆａｃｔ ｂｏｕｎｄａｒｙ）はアーティファクト領域の外郭線であり得る。アーティファクト基準線（ａｒｔｉｆａｃｔ ｂｏｕｎｄａｒｙ）は、アーティファクト有無を判断する神経網モデルから取得され、アーティファクトの位置推定に関連した顕著性マップ（例えば、ＣＡＭ）に基づいて取得されることができる。
アーティファクト発生位置と関心領域の関係判断ステップＳ３７７７は、医療イメージ上でアーティファクト領域の外郭線及び関心領域の外郭線を取得し、アーティファクト領域の外郭線と関心領域の外郭線が医療イメージ上で重なるかどうかに基づいて、アーティファクトと関心領域が重なるかどうかを判断することを含むことができる。この場合、イメージ分析装置３０００は、アーティファクト領域の外郭線と関心領域の外郭線が医療イメージ上で重なる交差点が２つ未満の場合、医療イメージの品質が正常であると判断することができる。又は、イメージ分析装置３０００は、交差点が２つ以上である場合、前記対象医療イメージの品質が異常であると判断することができる。
アーティファクト発生位置と関心領域の関係判断ステップＳ３７７７は、医療イメージ上で、アーティファクト領域及び関心領域の両方に含まれる共通ピクセルの数を取得し、共通ピクセルの数を利用してアーティファクトと前記関心領域の重複程度を判断することを含むことができる。この場合、イメージ分析装置３０００は、共通ピクセルの数が予め定められた基準値を超える場合、医療イメージの品質が異常であると判断することができる。又は、イメージ分析装置３０００は、共通ピクセルの数が予め定められた基準値以下である場合、医療イメージの品質が正常であると判断することができる。
アーティファクト発生位置と関心領域の関係判断ステップＳ３７７７は、関心領域、例えば、頭蓋骨領域又は頭蓋骨内部領域のうち少なくとも一部にアーティファクトが発生したかどうかに関する判断を実行することを含むことができる。アーティファクト発生位置と関心領域の関係判断ステップＳ３７７７は、関心領域、例えば、頭蓋骨領域及び頭蓋骨内部領域のうち少なくとも一部にアーティファクトが重なっているかどうかに関する判断を実行することを含むことができる。
図２９は、アーティファクトが発生したイメージを例示するための図である。以下では、図２８及び図２９を参照して、アーティファクトの発生範囲に沿った、イメージ品質判断プロセスについて説明する。
図２９の（ａ）を参照すると、頭蓋骨領域及び頭蓋骨の内部領域と重なるアーティファクトを含むイメージが取得されることができる。図２９の（ｂ）を参照すると、頭蓋骨領域の一部と重なるアーティファクトを含むイメージが取得されることができる。図２９の（ａ）及び（ｂ）を参照すると、関心領域は、頭蓋骨内部領域又は頭蓋骨に対応する領域であり得る。
図２９の（ａ）を参照すると、対象医療イメージが頭蓋骨領域及び頭蓋骨の内部領域と重なるアーティファクトを含み、関心領域が頭蓋骨内部領域又は頭蓋骨領域である場合、アーティファクト発生位置と関心領域の関係を判断する（Ｓ３７７７）ことは、関心領域とアーティファクト発生位置が重なると判断することを含むことができる。
図２９の（ｂ）を参照すると、対象医療イメージが頭蓋骨領域と重なるアーティファクトを含み、関心領域が頭蓋骨内部領域である場合、アーティファクト発生位置と関心領域の関係を判断する（Ｓ３７７７）ことは、関心領域とアーティファクト発生位置が重ならないと判断することを含むことができる。
図２９の（ｂ）を参照すると、対象医療イメージが頭蓋骨領域と重なるアーティファクトを含み、関心領域が頭蓋骨領域である場合、アーティファクト発生位置と関心領域の関係を判断する（Ｓ３７７７）ことは、関心領域とアーティファクト発生位置が重なると判断することを含むことができる。
図２９に例示したアーティファクトは、アーティファクト領域と判断された領域を意味することになる。アーティファクト領域と判断された領域は、アーティファクト領域を取得するセグメンテーション神経網モデル又はアーティファクト情報を取得するソーターモデルを介して取得することができ、関連内容は、以下でより詳しく説明する。
第４イメージ品質判断は、アーティファクトと関連した複数の基準領域を取得し、各基準領域と関心領域の重複に基づいてイメージの品質を判断することを含むことができる。
一実施例によるアーティファクト発生位置と関心領域の関係判断ステップＳ３７７７は、アーティファクトの位置と関連したアーティファクト情報と、関心領域が分布する領域に基づいてイメージ品質判断を実行することを含むことができる。アーティファクト発生位置と関心領域の関係判断ステップＳ３７７７は、医療イメージ内の特定領域にアーティファクトが位置する確率に関する情報と関心領域情報に基づいてイメージ品質判断を実行することを含むことができる。アーティファクト発生位置と関心領域の関係判断ステップＳ３７７７は、医療イメージ内に発生したアーティファクトと関心領域の重複程度が予め定められた基準値を超えるかを判断することを含むことができる。
医療イメージ内の特定領域にアーティファクトが位置する確率に関する情報は、アーティファクト領域情報を含むことができる。ここで、アーティファクト領域情報は、医療イメージ内でアーティファクトが位置する可能性が高い順に、第１アーティファクト領域ないし第ｎアーティファクト領域を含むことができる。アーティファクト領域は、第２イメージ品質判断プロセスで上述したように第１領域及び前記第１領域内に位置される第２領域を含むことができ、第１領域は、特徴マップ上で対象アーティファクトとの関連性が第１基準値以上である領域であり得、第２領域は、特徴マップ上で対象アーティファクトとの関連性が第１基準値より大きい第２基準値以上である領域であり得る。
図３０は、他の実施例による第４イメージ品質判断プロセスでアーティファクトが関心領域と重なって発生されたか判断することを説明するための図である。
図３０の（ｂ）を参照すると、アーティファクト領域は、医療イメージ内でアーティファクトが位置する可能性が高い順に、第１アーティファクト領域ＡＲ１、第２アーティファクト領域ＡＲ２、第３アーティファクト領域ＡＲ３、又は第４アーティファクト領域ＡＲ４を含むことができる。第１アーティファクト領域ＡＲ１ないし第４アーティファクト領域ＡＲ４は、イメージ内アーティファクトが位置する領域の少なくとも一部を含むことができる。アーティファクト領域は、アーティファクトと高い関連性を示す順に、第１アーティファクト領域ＡＲ１、第２アーティファクト領域ＡＲ２、第３アーティファクト領域ＡＲ３、及び第４アーティファクト領域ＡＲ４であり得る。
又は、アーティファクト領域は、特徴マップ上で対象アーティファクトとの関連性が第１基準値以上である領域（例えば、第３アーティファクト領域ＡＲ３及び第４アーティファクト領域ＡＲ４）を含むことができる。アーティファクト領域は、特徴マップ上で対象アーティファクトとの関連性が第１基準値より大きい第２基準値以上である領域（例えば、第１アーティファクト領域ＡＲ１及び第２アーティファクト領域ＡＲ２）を含むことができる。
図３０の（ｂ）を参照すると、アーティファクト領域及び関心領域の両方に含まれる共通ピクセルの数を利用してアーティファクトと関心領域の重複程度を判断することができる。例えば、第３アーティファクト領域Ａ３及び第４アーティファクト領域Ａ４と関心領域の両方に含まれる共通ピクセルの数が予め定められた基準値を超える場合、イメージ分析装置３０００は、医療イメージの品質が異常であると判断することができる。別の例として、第１アーティファクト領域Ａ１及び第２アーティファクト領域Ａ２と関心領域の両方に含まれる共通ピクセルの数が予め定められた基準値以下である場合、イメージ分析装置３０００は、医療イメージの品質が正常であると判断することができる。
図３０の（ｃ）を参照すると、アーティファクト領域の外郭線がアーティファクト基準線（ａｒｔｉｆａｃｔ ｂｏｕｎｄａｒｙ）で利用されることができる。アーティファクト基準線（ａｒｔｉｆａｃｔ ｂｏｕｎｄａｒｙ）は、図３０の（ａ）のようなアーティファクト領域に関連した特徴マップに基づいて決定されることができる。アーティファクト基準線（ａｒｔｉｆａｃｔ ｂｏｕｎｄａｒｙ）は、図３０の（ｂ）のような第１アーティファクト領域ＡＲ１ないし第４アーティファクト領域ＡＲ４のいずれか１つのバウンダリーで決定することができる。アーティファクト基準線（ａｒｔｉｆａｃｔ ｂｏｕｎｄａｒｙ）は、第１アーティファクト領域ＡＲ１ないし第４アーティファクト領域ＡＲ４のバウンダリーの平均で決定することができる。
アーティファクト基準線（ａｒｔｉｆａｃｔ ｂｏｕｎｄａｒｙ）は、第１領域（例えば、特徴マップ上で対象アーティファクトとの関連性が第１基準値以上である領域）の外郭線であり得る。アーティファクト基準線（ａｒｔｉｆａｃｔ ｂｏｕｎｄａｒｙ）は、第２領域（例えば、特徴マップ上で対象アーティファクトとの関連性が第１基準値より大きい第２基準値以上である領域）の外郭線であり得る。
アーティファクト基準線（ａｒｔｉｆａｃｔ ｂｏｕｎｄａｒｙ）と関心領域の関係に基づいて、アーティファクト発生位置と関心領域の関係を判断することは、アーティファクト基準線（ａｒｔｉｆａｃｔ ｂｏｕｎｄａｒｙ）と関心領域の重複の有無に基づいて品質判断を実行することを含むことができる。
図３０の（ｃ）のようにアーティファクト基準線（ａｒｔｉｆａｃｔ ｂｏｕｎｄａｒｙ）と関心領域の外郭線が医療イメージ上で重なる交差点が２つ以上である場合、イメージ分析装置３０００は、対象医療イメージの品質が異常であると判断することができる。
対象イメージ内に複数のアーティファクトが存在する場合、アーティファクト発生位置と関心領域の関係判断ステップＳ３７７７は、複数のアーティファクトのうちいずれか１つと関心領域の重複の有無又は重複程度に基づいて品質判断を実行することを含むことができる。
イメージ出力装置は、イメージ品質関連情報出力モジュール３９００を含むことができる。イメージ品質関連情報出力モジュール３９００は、イメージ分析装置３０００のイメージ品質判断モジュール３７００が実行したイメージ品質判断結果を出力することができる。また、イメージ品質関連情報出力モジュール３９００は、イメージ分析装置３０００のイメージ品質判断モジュール３７００が実行したイメージ品質判断結果に基づいて生成された情報を出力することができる。
イメージ出力装置又はイメージ分析装置は、選択ウィンドウの出力に応答して、追加的な動作を指示する使用者入力を取得することができる。
図３１は、一実施例によるイメージ品質関連情報出力モジュールを説明するための図である。
図３１を参照すると、イメージ品質関連情報出力モジュール３９００は、エラー情報出力部３９１０又は選択ウィンドウ出力部３９３０のうち少なくともいずれか１つを含むことができる。この場合、エラー情報出力部３９１０は、イメージ品質判断結果を基に取得した情報に関するエラー情報を出力することができる。選択ウィンドウ出力部３９３０は、イメージ品質判断結果を基に取得した情報に関する選択ウィンドウを出力することができる。
エラー情報出力部３９１０と選択ウィンドウ出力部３９３０は、それぞれ独立したイメージ品質判断結果に基づいて決定された情報を出力することができる。例えば、エラー情報出力部３９１０は、第１品質判断結果に基づいて決定されたエラー情報を出力し、選択ウィンドウ出力部３９３０は、第２品質判断結果に基づいて決定された選択ウィンドウを出力することができる。
又は、エラー情報出力部３９１０と選択ウィンドウ出力部３９３０は、同じイメージ品質判断結果に基づいて決定された情報を出力することができる。エラー情報出力部３９１０は、第１品質判断結果に基づいて決定されたエラー情報を出力し、選択ウィンドウ出力部３９３０は、第１品質判断結果に基づいて決定された選択ウィンドウを出力することができる。
図３１では、エラー情報出力部３９１０と選択ウィンドウ出力部３９３０が区別されることで例示したが、これは例示に過ぎず、エラー情報出力部３９１０と選択ウィンドウ出力部３９３０は、１つの物理的又は論理的構成で用意されてもよい。例えば、イメージ品質関連情報出力モジュール３９００は、品質判断結果に基づいて生成されたエラー情報及びエラー情報に対応する選択ウィンドウを出力することもできる。
選択ウィンドウ出力部３９３０は、品質判断結果に基づいて、追加的に実行可能な動作と関連した使用者指示を取得するための選択ウィンドウを出力することができる。
イメージ品質関連情報出力モジュール３９００は、エラー情報又は選択ウィンドウのうち少なくともいずれか１つをテキスト又はイメージ形式で出力することができる。
イメージ品質関連情報出力モジュール３９００は、エラー情報を出力することができる。この場合、エラー情報は、イメージ品質判断モジュール３７００が実行したイメージ品質判断結果を基に取得された情報を含むことができる。また、エラー情報は、第１イメージ品質判断結果と関連した第１エラー情報、第２イメージ品質判断結果と関連した第２エラー情報、第３イメージ品質判断結果と関連した第３エラー情報、及び第４イメージ品質判断結果と関連した第４エラー情報のうち少なくともいずれか１つを含むことができる。
イメージ品質関連情報出力モジュール３９００は、第１エラー情報画面を出力することができる。第１エラー情報は、第１イメージ品質判断結果を基に取得した情報を含むことができる。第１エラー情報は、医療イメージのメタデータ情報に基づいて取得した情報を含むことができる。
一実施例によれば、イメージ品質関連情報出力モジュール３９００は、イメージ取得装置から取得した医療イメージのファイル構造情報、例えば、医療イメージのファイル形式、医療イメージのフォーマット、又はファイルの大きさに異常がある場合、第１エラー情報画面を出力することができる。この場合、第１エラー情報画面は、医療イメージのファイル構造情報に異常があるという第１通知ウィンドウ又は医療イメージのファイル構造に関する情報を含むことができる。
他の実施例によれば、イメージ品質関連情報出力モジュール３９００は、イメージ取得装置から取得した医療イメージに患者情報、例えば、患者の氏名、年齢などの個人情報に関連した情報、医療イメージを撮影した時点に関連した情報、又は患者の健康状態に関する情報などが漏れ落ちている場合、第１エラー情報画面を出力することができる。この場合、第１エラー情報は、医療イメージに患者情報が漏れ落ちているという第１通知ウィンドウ又は医療イメージに漏れ落ち又は含まれている患者情報を含むことができる。
図３２は、第１エラー情報画面を例示的に説明するための図である。
図３２の（ａ）を参照すると、第１エラー情報画面は、第１イメージ品質判断に基づいた医療イメージＭＩ、医療イメージのファイル構造情報ＤＩ、又は医療イメージに入力されている患者情報ＰＩのうち少なくともいずれか１つを含むことができる。
この場合、医療イメージＭＩは、第１イメージ品質判断に使用された医療イメージが表示されたイメージであり得る。医療イメージのファイル構造情報ＤＩは、医療イメージの形式に関する第１ファイル構造情報、医療イメージのフォーマットに関する第２ファイル構造情報、又は医療イメージの大きさに関する第３ファイル構造情報を含むことができる。この場合、図面には示されていないが、第１エラー情報画面は詳細情報オブジェクトを含み、出力画面は詳細情報オブジェクトに対する使用者選択により、医療イメージＭＩ又はファイル構造情報ＤＩに関するより詳細な内容（例えば、患者の生年月日、患者の住所、撮影時点、撮影場所、撮影装置など）を追加的に表示することができる。
図３２の（ｂ）を参照すると、第１エラー情報画面は、第１イメージ品質判断結果医療イメージが異常という第１情報を含む第１通知ウィンドウＣＯを含むことができる。例示的に、第１通知ウィンドウＣＯは、医療イメージのファイル構造に異常があるか、医療イメージに患者情報が漏れ落ちたというエラーコードを含むことができる。この場合、第１エラー情報画面は、詳細情報オブジェクトを含み、出力画面は、詳細情報オブジェクトに対する使用者選択により第１情報に関する詳細な内容（例えば、エラーコードに関する説明、エラーメッセージの発生原因、エラーメッセージに対応できるマニュアルなど）を追加的に表示することができる。
イメージ品質関連情報出力モジュール３９００は、第２エラー情報画面を出力することができる。第２エラー情報は、第２イメージ品質判断結果を基に取得した情報を含むことができる。第２エラー情報は、ノイズ情報に基づいて取得した情報を含むことができる。第２エラー情報は、イメージに基づいた情報取得に影響を与える様々な種類の欠陥ないし状態を基に取得した情報を含むことができる。
一実施例によれば、イメージ品質関連情報出力モジュール３９００は、イメージ取得装置から取得した医療イメージにノイズが含まれている場合、第２エラー情報画面を出力することができる。イメージ品質関連情報出力モジュール３９００は、第２エラー情報をテキスト又はイメージ形式で出力することができる。
例示的に、イメージ品質関連情報出力モジュール３９００は、イメージ取得装置から取得した医療イメージにアーティファクトが含まれている場合、第２エラー情報画面を出力することができる。第２エラー情報画面は、医療イメージ内にアーティファクトが含まれていることを教えるエラーメッセージを含むことができる。また、第２エラー情報は、医療イメージ内にアーティファクトが発生した位置に関する情報、アーティファクトの発生程度に関する情報、アーティファクトの発生範囲に関する情報、又はアーティファクトの種類に関する情報のうちいずれか１つを含むことができる。
第２エラー情報画面は、テキスト又はイメージを含むことができる。例えば、第２エラー情報画面は、医療イメージ内でアーティファクトが位置する可能性が高い領域を示すための表示、例えば、ヒートマップ形態のイメージを含むことができる。別の例として、第２エラー情報画面は、医療イメージ内でアーティファクトの位置を示すバウンディングボックスを表すイメージを含むことができる。また、他の例として、第２エラー情報画面は、医療イメージ内の解剖学的セグメンテーション情報を示すためのイメージを含むことができる。
図３３及び図３４は、第２エラー情報画面を例示的に説明するための図である。
図３３の（ａ）を参照すると、第２エラー情報画面は、第２イメージ品質判断と関連する医療イメージＭＩ表示領域を含むことができる。第２エラー情報画面は、アーティファクト情報ＡＦ出力領域を含むことができる。
医療イメージＭＩは、第２イメージ品質判断に基づいて医療イメージ内にアーティファクトが位置する可能性が高い領域が強調されたイメージであり得る。医療イメージＭＩは、アーティファクトと関連が高いと判断される領域がヒートマップ形態に強調されたイメージであり得る。医療イメージＭＩは、使用者操作により、アーティファクトの種類、発生範囲、形態などをより詳しく確認できるように拡大又は縮小することができる。
アーティファクト情報ＡＦは、アーティファクトの種類に関する情報、アーティファクトが位置する可能性が高い領域に関する情報、又はアーティファクトの発生程度に関する情報のうち少なくともいずれか１つを含むことができる。第２エラー情報画面は、詳細情報オブジェクトを含み、出力画面は、詳細情報オブジェクトに対する使用者の選択により、医療イメージＭＩ又はアーティファクト情報ＡＦに関するより詳細な内容（例えば、イメージ内の特定領域にアーティファクトが位置する確率に関する情報、アーティファクトの発生範囲に関するヒートマップ情報、又はバウンダリー情報など）を追加的に表示することができる。
図３３の（ｂ）を参照すると、第２エラー情報画面は、医療イメージ内に含まれたアーティファクトに関する第２情報を含む第２通知ウィンドウＣＯを含むことができる。例示的に、第２通知ウィンドウＣＯは、医療イメージ内にアーティファクトが発生したというエラーコードが表示されたメッセージを含むことができる。この場合、第２エラー情報画面は、詳細情報オブジェクトを含み、出力画面は、詳細情報オブジェクトに対する使用者の選択により第２情報に関する詳細な内容（例えば、エラーコードに関する説明、エラーメッセージの発生原因、エラーメッセージに対応できるマニュアルなど）を追加的に表示することができる。
図３４を参照すると、アーティファクト情報ＡＦは、アーティファクトの種類に関する情報を含む第１アーティファクト情報ＡＦ１、アーティファクトが位置する可能性が高い領域に関する情報を含む第２アーティファクト情報ＡＦ２、又はアーティファクトの発生程度に関する情報を含む第３アーティファクト情報ＡＦ３を含むことができる。
第１アーティファクト情報ＡＦ１は、アーティファクトの種類に関する情報、アーティファクトが発生したイメージの補正可否に関する情報などを含むことができる。この場合、アーティファクトが発生したイメージの補正可否に関する情報は、アーティファクトの種類、発生位置、発生範囲、又は発生程度のうちいずれか１つに基づいて取得される情報を含むことができる。
第２アーティファクト情報ＡＦ２は、医療イメージ内でアーティファクトが位置する可能性が高い領域に関する情報、医療イメージ内の解剖学的構造に対応する領域のうち分析可能領域などに関する情報を含むことができる。この場合、分析可能領域に関する情報は、解剖学的セグメンテーション情報とアーティファクト発生位置情報に基づいて取得することができる。例示的に、診断領域に関する情報は、医療イメージ内の解剖学的構造に対応する領域のうちアーティファクトと重ならない領域に関する情報、又は医療イメージ内の解剖学的構造に対応する領域のうちアーティファクトと重複程度が低い領域に関する情報などを含むことができる。この時、分析可能領域により診断可能病気は異なることもある。
第３アーティファクト情報ＡＦ３は、アーティファクトの発生程度、レベル、範囲などに関する情報を含むことができる。この場合、イメージ分析装置は、第３アーティファクト情報ＡＦ３に基づいてイメージ分析進行可否に関する判断を実行することができる。例えば、イメージ分析装置は、医療イメージ内にアーティファクトが発生した場合にも、第３アーティファクト情報ＡＦ３に基づいてアーティファクトの発生程度が予め定められた基準値より低いと判断される場合、イメージ分析進行を実行できると判断することができる。
イメージ品質関連情報出力モジュール３９００は、第３エラー情報画面を出力することができる。第３エラー情報は、第３イメージ品質判断結果を基に取得した情報を含むことができる。また、第３エラー情報は、イメージ取得装置から取得した医療イメージを解剖学的にセグメンテーションしたセグメンテーション情報に基づいて取得した情報を含むことができる。
一実施例によれば、イメージ品質関連情報出力モジュール３９００は、イメージ取得装置から取得した医療イメージが含んでいる解剖学的構造のうち少なくとも一部が予め定められた定量的な基準を満足しない場合、第３エラー情報画面を出力することができる。例えば、イメージ品質関連情報出力モジュール３９００は、医療イメージ内に含まれ、人体の１つの部位に対応する所定の領域に関連した値が基準を満足しない場合、第３エラー情報画面を出力することができる。より具体的な例として、イメージ品質関連情報出力モジュール３９００は、脳に関するＭＲＩイメージに含まれている脳の１つの部位に対応する所定の領域の体積値が予め定められた基準値を満足しない場合、第３エラー情報画面を出力することができる。また、イメージ品質関連情報出力モジュール３９００は、第３エラー情報画面をテキスト又はイメージ形式で出力することができる。
第３エラー情報は、医療イメージ内の解剖学的構造のうち少なくとも一部に異常があるというエラーメッセージ又は異常がある解剖学的構造に関する情報を含むことができる。より具体的な例として、第３エラー情報は、イメージセグメンテーション結果を基に品質判断を実行する対象領域に関連した情報を含むことができる。第３エラー情報は、イメージセグメンテーションを介して取得した人体の解剖学的構造のうち病気判断結果の信頼度に影響を与えることができる、少なくとも一部領域に関連した情報を含むことができる。
第３エラー情報は、医療イメージをセグメンテーションして得られる人体の解剖学的構造のうち少なくとも一部領域の形態学的指標又は形態学的値、例えば、面積、体積、位置又は形などに関する情報を含むことができる。
第３エラー情報は、対象領域の形態学的指標又は形態学的値と予め定められた基準値の比較結果に関する情報を含むことができる。より具体的な例として、第３エラー情報は、医療イメージが含んでいる解剖学的構造のうち少なくとも一部が予め定められた定量的な基準を満たしているかどうかに関する情報を含むことができる。
第３エラー情報画面は、テキスト又はイメージを含むことができる。第３エラー情報画面は、医療イメージをセグメンテーションして得られる人体の解剖学的構造のうち少なくとも一部領域の形態学的指標又は形態学的値を数値で示したテキストを含むことができる。第３エラー情報画面は、品質判断の基準となる解剖学的構造に対応する対象領域が元医療イメージ上に表示されたイメージを含むことができる。
図３５及び図３６は、第３エラー情報画面を例示的に説明するための図である。
図３５の（ａ）を参照すると、第３エラー情報画面は、第３イメージ品質判断と関連する医療イメージＭＩ又は領域情報ＲＩを含むことができる。
この場合、医療イメージＭＩは、イメージセグメンテーション結果を基に第３イメージ品質判断に利用される対象領域に関連した情報を含むことができる。例えば、医療イメージの下側が完全に撮影されたかどうかを判断する場合、医療イメージは、品質判断を実行する対象領域、例えば、小脳と関連する情報が表現されたイメージを含むことができる。第３エラー情報画面は、医療イメージ内の解剖学的構造に対応する領域に関する情報をより詳しく確認するために、医療イメージＭＩを拡大又は縮小できるボタンを含むことができる。また、領域情報ＲＩは、イメージ品質判断を実行する対象領域に関連した情報、医療イメージで完全に撮影されなかった部分に関する情報、又は対象領域が予め定められた定量的な基準を満たしているかどうかに関する情報のうちいずれか１つを含むことができる。この時、第３エラー情報画面は、詳細情報オブジェクトを含み、出力画面は、詳細情報オブジェクトに対する使用者の選択により、医療イメージＭＩ又は領域情報ＲＩに関するより詳細な内容（例えば、品質判断の対象となった人体の領域情報、品質判断の対象となったイメージ領域に関する情報など）を追加的に表示することができる。
図３５の（ｂ）を参照すると、第３エラー情報画面は、医療イメージ内の解剖学的構造に対応する領域に関する第３情報を含む第３通知ウィンドウＣＯを含むことができる。例示的に、第３通知ウィンドウＣＯは、医療イメージ内の解剖学的構造に対応する領域に関するエラー情報、例えば、セグメンテーション情報が予め定められた定量的な基準を満たしていなかったというエラーコードが表示されたメッセージを含むことができる。この場合、第３エラー情報画面は、詳細情報オブジェクトを含み、出力画面は、詳細情報オブジェクトに対する使用者の選択により、第３情報に関する詳細な内容（例えば、エラーコードに関する説明、エラーメッセージの発生原因、エラーメッセージに対応できるマニュアルなど）を追加的に表示することができる。
図３６を参照すると、領域情報ＲＩは、医療イメージの第１部分に含まれた第１対象領域及び第１対象領域が予め定められた定量的な基準を満たしているかどうかに関する情報を含む第１領域情報ＲＩ１、医療イメージの第２部分に含まれた第２対象領域及び第２対象領域が予め定められた定量的な基準を満たしているかどうかに関する情報を含む第２領域情報ＲＩ２、又は医療イメージ内の解剖学的構造の配置に関する情報及び補正可否に関する情報を含む第３領域情報ＲＩ３を含むことができる。
例示的に、第１領域情報ＲＩ１は、医療イメージの上部に位置する対象領域、例えば、前頭葉に関する形態学的指標又は形態学的値が予め定められた定量的な基準を満たしているかどうかに関する情報を含むことができる。
第２領域情報ＲＩ２は、医療イメージの下部に位置する対象領域、例えば、小脳に関する形態学的指標又は形態学的値が予め定められた定量的な基準を満たしているかどうかに関する情報を含むことができる。
第３領域情報ＲＩ３は、医療イメージ内の解剖学的構造の配置に関する情報、例えば、医療イメージ内の解剖学的構造が傾いて撮影されたかどうかに関する情報及びこれに基づいて医療イメージを補正できるかどうかに関する判断情報を含むことができる。
イメージ品質関連情報出力モジュール３９００は、第４エラー情報画面を出力することができる。第４エラー情報は、第４イメージ品質判断結果を基に取得した情報を含むことができる。
一実施例によれば、イメージ品質関連情報出力モジュール３９００は、医療イメージ内に発生したアーティファクトが医療イメージに含まれている解剖学的構造のうち少なくとも一部と重なる場合、第４エラー情報画面を出力することができる。
第４エラー情報は、イメージ取得装置から取得した医療イメージを解剖学的にセグメンテーションしたセグメンテーション情報と、イメージ取得装置から取得した医療イメージから抽出したアーティファクト情報との関係を基に取得した情報を含むことができる。例示的に、第４エラー情報は、ＭＲＩイメージが含んでいる脳の各領域の解剖学的構造のうち少なくとも一部にアーティファクトが発生したかどうかに関する情報を含むことができる。
第４エラー情報は、医療イメージ内に発生したアーティファクトが医療イメージに含まれている解剖学的構造のうち少なくとも一部と重なるかどうかに関する情報を含むことができる。また、第４エラー情報は、医療イメージ内に発生したアーティファクトと医療イメージ内に含まれている解剖学的構造のうち少なくとも一部の重複程度に関する情報を含むことができる。また、第４エラー情報は、医療イメージ内に発生したアーティファクトと医療イメージ内に含まれている解剖学的構造のうち少なくとも一部の重複程度に基づいて医療イメージの分析による病気判断結果の信頼度に関する情報を含むことができる。
第４エラー情報は、医療イメージ内の特定領域にアーティファクトが位置する確率と関心領域との関係に関する情報を含むことができる。また、第４エラー情報は、医療イメージ内でアーティファクトが位置する可能性が高い領域である第１アーティファクト領域、医療イメージ内でアーティファクトが位置する可能性が普通である領域である第２アーティファクト領域、又は医療イメージ内でアーティファクトが位置する可能性が低い領域である第３アーティファクト領域に関する情報のうち少なくともいずれか１つを含むことができる。第１ないし第３アーティファクト領域は、元医療イメージ上に視覚的に強調されることができる。第１ないし第３アーティファクト領域は、ヒートマップ形態で、元医療イメージ上に重なって表示されることができる。
第４エラー情報画面は、テキスト又はイメージを含むことができる。例えば、第４エラー情報画面は、医療イメージをセグメンテーションして得られる人体の解剖学的構造上にアーティファクト領域情報、例えば、医療イメージ内でアーティファクトが位置する可能性が高い領域を示すヒートマップ形態の顕著性マップ、医療イメージ内でアーティファクトが位置する領域を表示するためのバウンディングボックス、医療イメージ内でアーティファクトが位置する座標情報、又はピクセル情報などを表示したイメージを含むことができる。
図３７及び図３８は、第４エラー情報画面を例示的に説明するための図である。
図３７の（ａ）を参照すると、第４エラー情報画面は、第４イメージ品質判断と関連する医療イメージＭＩ又はアーティファクトと関心領域との関係に関する情報ＱＩのうち少なくともいずれか１つを含むことができる。
医療イメージＭＩは、イメージ内に関心領域が表示されたイメージであり得る。医療イメージＭＩは、イメージ内の特定領域にアーティファクトが位置する可能性が高い領域が表示されたイメージであり得る。
医療イメージＭＩは、アーティファクトの位置情報に基づいて取得された関心領域とアーティファクトの重複程度を表示することができる。例えば、医療イメージＭＩは、関心領域とアーティファクトが重なった領域に関連する情報、例えば、重なった領域の面積、形、ピクセルの数等を表示することができる。医療イメージＭＩは、関心領域と関心領域のうちアーティファクトと重なる領域の比率を表示することができる。
医療イメージＭＩは、医療イメージ内の特定領域にアーティファクトが位置する確率と関心領域間の関係が表示されたイメージであり得る。
例えば、医療イメージＭＩは、対象医療イメージ上にアーティファクトに対応する領域が視覚的に強調されるように表示されたイメージであり得る。医療イメージＭＩは、対象医療イメージ上にアーティファクトに対応する領域がヒートマップ形式に表示されたり、アーティファクトに対応する領域の境界線、例えば、外郭線が表示されたイメージであり得る。
又は、医療イメージＭＩは、アーティファクトと関心領域が重なる部分が視覚的に強調されるように表示されたイメージであり得る。医療イメージＭＩは、対象医療イメージ上にアーティファクトに対応する領域が表示されたイメージであり得る。医療イメージＭＩは、対象医療イメージ上にアーティファクトに対応する領域の境界線、例えば、外郭線が表示されたイメージであり得る。医療イメージＭＩは、対象医療イメージ上にアーティファクトに対応する領域がヒートマップ形式に表示されたイメージであり得る。
アーティファクトと関心領域との関係に関する情報ＱＩは、関心領域の種類に関する情報、関心領域とアーティファクトの重複情報、又は重複情報に基づいた品質判断結果情報などを含むことができるが、これに限定されるものではない。
この場合、第４エラー情報画面は、詳細情報オブジェクトを含み、出力画面は、詳細情報オブジェクトに対する使用者の選択により、医療イメージＭＩ又はアーティファクトと関心領域との関係に関する情報ＱＩに関するより詳細な内容（例えば、関心領域とアーティファクトが重なる程度をより細分化したステップに分けて表現した情報、関心領域とアーティファクトが重なる程度を数値で示した情報、関心領域のうちアーティファクトと重なる部分に関する詳細情報など）を追加的に表示することができる。
図３７の（ｂ）を参照すると、第４エラー情報画面は、医療イメージ内の関心領域に関する第４情報を含む第４通知ウィンドウＣＯを含むことができる。
第４通知ウィンドウＣＯは、関心領域のうち少なくとも一部とアーティファクトが重なっているという情報が含まれたエラーコードが表示されたメッセージを含むことができる。この場合、第４エラー情報画面は、詳細情報オブジェクトを含み、出力画面は、詳細情報オブジェクトに対する使用者の選択により第４情報に関する詳細な内容（例えば、エラーコードに関する説明、エラーメッセージの発生原因、エラーメッセージに対応できるマニュアルなど）を追加的に表示することができる。
第４通知ウィンドウＣＯは、関心領域のうち少なくとも一部とアーティファクトが重なっている場合、継続してイメージ分析を進めるかどうかを選択できるオブジェクトを含み、イメージ分析装置３９００は、イメージ分析進行オブジェクトに対する使用者の選択に応じて、継続してイメージ分析を進めることができる。
第４通知ウィンドウＣＯは、関心領域のうち少なくとも一部とアーティファクトが重なっている場合、イメージ分析を中断するオブジェクトを含み、イメージ分析装置３９００は、イメージ分析中断オブジェクトに対する使用者の選択に応じて、イメージ分析を中断することができる。
図３８を参照すると、アーティファクトと関心領域との関係に関する情報ＱＩは、医療イメージ内に発生したアーティファクト情報ＱＩ１、医療イメージ内の解剖学的構造に対応する領域に関する関心領域情報ＱＩ２、又はアーティファクトと解剖学的構造に対応する領域の重複程度に関する情報ＱＩ３のうち少なくとも１つを含むことができる。例示的に、第４エラー情報は、関心領域が頭蓋骨で特定された場合、頭蓋骨に対応する所定の領域にアーティファクトが発生しているかどうかに関する情報、頭蓋骨に対応する所定の領域とアーティファクトの重複程度に関する情報などを含むことができる。
図３９及び図４０は、イメージ品質関連情報出力モジュール３９００が出力する選択ウィンドウを例示的に説明するための図である。
上述したように取得された医療データに不適切な形式的又は実質的欠陥が存在する場合、前記医療データに基づくイメージ分析の結果は一定水準以上の信頼度を持ちにくいこともある。
ただし、医療データに形式的又は実質的欠陥が存在しても、一定の基準、例えば、医療データに存在する欠陥の種類又は程度に関する基準を満足する場合、イメージ分析が継続して実行されてもよい。これにより、医療データに一定の欠陥が存在する場合にも、一律的にイメージ分析の進行を中断するのではなく、一定の基準によりイメージ分析の進行可否を決めたり、医療イメージを補正又は再撮影したりした後、イメージ分析を再び進めるようにすることによって、時間及び費用の側面で経済的で効率的にイメージ分析を実行することができる。
本発明のイメージ品質判断プロセスは、医療データに一定の欠陥が発生した場合、前記欠陥にもかかわらず、イメージ分析装置がイメージ分析を継続して実行できるかどうかを判断できる基準を提供することを含むことができる。また、イメージ品質判断プロセスは、医療データの品質に関連した情報を使用者に提供し、使用者の選択によりイメージ分析の進行可否が決定されたり、医療イメージを補正又は再撮影したりした後、イメージ分析の再実行が決定されるようにする手段を提供することができる。
図３９を参照すると、イメージ品質関連情報出力モジュール３９００は、イメージ品質判断結果に基づいて選択ウィンドウを出力することができる。イメージ品質関連情報出力モジュール３９００は、イメージ品質判断を介してイメージの品質が正常でないと判断される場合、選択ウィンドウを出力することができる。イメージ品質関連情報出力モジュール３９００は、イメージ品質判断を介してイメージの品質が正常であると判断される場合、イメージ分析を進めた後、イメージ品質関連情報を出力することができる。
選択ウィンドウは、イメージ品質判断に基づいて生成されたメッセージを含むことができる。選択ウィンドウは、イメージ品質判断に基づいて医療イメージの品質がイメージ分析進行の実行に適していないことを示すメッセージを含むことができる。
図４０を参照すると、イメージ品質関連情報出力モジュール３９００は、イメージ品質判断結果に基づいて選択ウィンドウを出力することができる。イメージ品質関連情報出力モジュール３９００は、イメージ品質判断を介してイメージ品質が正常でないと判断される場合、イメージ分析進行と関連した使用者指示を取得するための選択ウィンドウを出力することができる。これにより、イメージ分析装置は、医療データに欠陥が発生した場合にも、一定の基準に基づく使用者の選択に応じて、イメージ分析を継続して進めることができる。イメージ分析装置は、医療データに欠陥が発生した場合にも、使用者の選択に応じて、医療イメージを補正又は再撮影した後、イメージ分析を再び進めることができる。
選択ウィンドウは、イメージ品質判断モジュール３７００が実行したイメージ品質判断結果に基づいて生成されたメッセージを含むことができる。選択ウィンドウは、第１イメージ品質判断部３７１０ないし第４イメージ品質判断部３７７０が実行した結果に基づいて生成されたメッセージを含むことができる。選択ウィンドウは、イメージ品質判断に基づいて生成されたメッセージを含むことができる。選択ウィンドウは、イメージ品質判断に基づいて医療イメージの品質が一定水準を満たしていないことを示すメッセージを含むことができる。選択ウィンドウは、イメージ品質判断に基づいて医療イメージの品質がイメージ分析進行の実行に適していないことを示すメッセージを含むことができる。
選択ウィンドウは、上述したメッセージに対する使用者の同意の有無を取得するための第１ボタン及び第２ボタンを含むことができる。イメージ分析装置は、使用者の第１ボタンの選択によりイメージ分析進行の有無を選択できる追加的なメッセージを出力することができる。イメージ分析装置は、使用者の第２ボタンの選択により前記メッセージに関するより詳細な内容を出力することができる。
選択ウィンドウは、イメージ分析装置によるイメージ分析進行と関連した使用者指示を取得するための第１選択ウィンドウを含むことができる。すなわち、イメージ品質関連情報出力モジュール３９００は、イメージ品質判断モジュール３７００が実行した結果に基づいてイメージ分析装置によるイメージ分析を継続して進めるかどうかに関する使用者指示を取得するための第１選択ウィンドウを出力することができる。
選択ウィンドウは、イメージ品質判断プロセスを再び実行する動作と関連した使用者の指示を取得するための第２選択ウィンドウを含むことができる。すなわち、イメージ品質関連情報出力モジュール３９００は、イメージ品質判断モジュール３７００が実行した結果に基づいてイメージ品質判断プロセスを再び進めるかどうかに関する使用者の指示を取得するための第２選択ウィンドウを出力することができる。
一実施例によれば、第２イメージ品質判断部３７３０による品質判断結果医療イメージ内にアーティファクトが含まれていると判断される場合、イメージ品質関連情報出力モジュール３９００は第１選択ウィンドウを出力することができる。
第１選択ウィンドウは、医療イメージ内に含まれているアーティファクト情報、例えば、アーティファクト発生の有無、アーティファクト発生位置、アーティファクト発生程度、アーティファクト発生範囲、又はアーティファクトの種類などに関する第１メッセージを出力することができる。
第２イメージ品質判断部３７３０による品質判断結果医療イメージ内にアーティファクトが含まれていると判断される場合、イメージ品質関連情報出力モジュール３９００は、イメージ品質判断プロセスの再実行と関連した使用者の指示を取得できる第２選択ウィンドウを出力することができる。
第２選択ウィンドウは、医療イメージ内に含まれているアーティファクトを補正した後、再びイメージ品質判断プロセスを進めるかどうかに関する使用者の指示を要求する第２メッセージを出力することができる。第２選択ウィンドウは、医療イメージを再撮影した後、再びイメージ品質判断プロセスを進めるかどうかに関する使用者の指示を要求する第２メッセージを出力することができる。
他の実施例によれば、第３イメージ品質判断部３７５０による品質判断結果医療イメージを解剖学的にセグメンテーションしたセグメンテーション情報に基づいてセグメンテーション情報が定量的な基準を満足しないと判断される場合、イメージ品質関連情報出力モジュール３９００は第１選択ウィンドウを出力することができる。
第１選択ウィンドウは、医療イメージセグメンテーションを介して取得した領域のうち少なくとも一部領域に関する形態学的指標又は形態学的値、例えば、該当領域の面積、体積、位置又は形などに関する第１メッセージを含むことができる。
第３イメージ品質判断部３７５０による品質判断結果医療イメージを解剖学的にセグメンテーションしたセグメンテーション情報に基づいてセグメンテーション情報が定量的な基準を満足しないと判断される場合、イメージ品質関連情報出力モジュール３９００は、イメージ品質判断プロセスの再実行動作と関連した使用者の指示を取得できる第２選択ウィンドウを出力することができる。
第２選択ウィンドウは、医療イメージ内の解剖学的セグメンテーション情報を補正した後、再びイメージ品質判断プロセスを進めるかどうかに関する使用者指示を要求する第２メッセージを出力することができる。第２選択ウィンドウは、医療イメージを再撮影した後、再びイメージ品質判断プロセスを進めるかどうかに関する使用者の指示を要求する第２メッセージを出力することができる。
一実施例によれば、第４イメージ品質判断部３７７０による品質判断結果医療イメージ内に発生したアーティファクトが医療イメージに含まれている解剖学的構造のうち少なくとも一部と重なる場合、イメージ品質関連情報出力モジュール３９００は第１選択ウィンドウを出力することができる。
第１選択ウィンドウは、医療イメージ内に含まれているアーティファクトと関心領域の関係情報、例えば、アーティファクトと関心領域の重複程度、関心領域内に存在するアーティファクトの位置情報などに関する第１メッセージを出力することができる。
第４イメージ品質判断部３７７０による品質判断結果医療イメージ内に発生したアーティファクトが医療イメージに含まれている解剖学的構造のうち少なくとも一部と重なる場合、イメージ品質関連情報出力モジュール３９００は、使用者がイメージ品質判断プロセスの再実行と関連した使用者の指示を取得できる第２選択ウィンドウを出力することができる。
第２選択ウィンドウは、医療イメージ内に含まれている解剖学的構造のうち少なくとも一部を補正した後、再びイメージ品質判断プロセスを進めるかどうかに関する使用者の指示を要求する第２メッセージを出力することができる。第２選択窓は、医療イメージを再撮影した後、再びイメージ品質判断プロセスを進めるかどうかに関する使用者の指示を要求する第２メッセージを出力することができる。
以下では、様々な実施例による品質判断プロセスを説明する。特別な説明がない限り、各ステップの内容は本明細書で前述した内容と同様に適用されることができる。
図４１ないし図４３は、第１ないし第３品質判断プロセスを説明するための図である。第１ないし第４品質判断プロセスは、品質判断の基準となるデータ、品質判断の基準となる品質基準、出力される品質情報などが異なることができる。
図４１ないし図４３を参照すると、第１ないし第３品質判断プロセスは、医療イメージ取得ステップＳ３０００、医療イメージ品質判断ステップＳ３３００、医療イメージ前処理ステップＳ３２００、医療イメージセグメンテーションステップＳ３４００、又は医療イメージ品質関連情報出力ステップＳ３５００を含むことができる。
図４１を参照すると、第１品質判断プロセスは、医療イメージ取得ステップＳ３０００、医療イメージ品質判断ステップＳ３３００、医療イメージ前処理ステップＳ３２００、医療イメージセグメンテーションステップＳ３４００、及び医療イメージ品質関連情報出力ステップＳ３５００の順に実行されることができる。この場合、医療イメージ品質判断ステップＳ３３００は、前処理動作前に生データに基づいてイメージ品質判断を実行することを含むことができる。医療イメージ前処理ステップＳ３２００は、医療イメージ品質判断が実行されたイメージに対して前処理を実行することを含むことができる。
図４２を参照すると、第２品質判断プロセスは、医療イメージ取得ステップＳ３０００、医療イメージ前処理ステップＳ３２００、医療イメージ品質判断ステップＳ３３００、医療イメージセグメンテーションステップＳ３４００、及び医療イメージ品質関連情報出力ステップＳ３５００の順に実行されることができる。この場合、医療イメージ品質判断ステップＳ３３００は、前処理が実行されたイメージを基にイメージ品質判断を実行することを含むことができる。医療イメージセグメンテーションステップＳ３４００は、医療イメージ品質判断が実行されたイメージに対してセグメンテーションを実行することを含むことができる。
図４３を参照すると、第３品質判断プロセスは、医療イメージ取得ステップＳ３０００、医療イメージ前処理ステップＳ３２００、医療イメージセグメンテーションステップＳ３４００、医療イメージ品質判断ステップＳ３３００、及び医療イメージ品質関連情報出力ステップＳ３５００の順に実行されることができる。この場合、医療イメージ品質判断ステップＳ３３００は、前処理動作及びセグメンテーション動作が実行されたイメージに基づいてイメージ品質判断を実行することを含むことができる。
図４４及び図４５は、第４品質判断プロセスを説明するための図である。
図４４を参照すると、第４品質判断プロセスは、医療イメージ取得ステップＳ３０００、第１イメージ品質判断ステップＳ３３１０、医療イメージ前処理ステップＳ３２００、医療イメージセグメンテーションステップＳ３４００、第２イメージ品質判断ステップＳ３３２０、第３イメージ品質判断ステップＳ３３３０、第４イメージ品質判断ステップＳ３３４０、及び医療イメージ品質関連情報出力ステップＳ３５００を含むことができる。
第１イメージ品質判断ステップＳ３３１０は、前処理動作前に生データに基づいて第１イメージ品質判断を実行することを含むことができる。第２ないし第４イメージ品質判断ステップは、前処理動作及びセグメンテーション動作が実行されたイメージに基づいて第２イメージ品質判断を実行することを含むことができる。この時、第２ないし第４イメージ品質判断ステップの順序は、本明細書で説明する発明の内容を限定するものではなく、各ステップの順序は変更されることができる。
例えば、前処理動作及びセグメンテーション動作が実行されたイメージに基づいて第３イメージ品質判断ステップＳ３３３０が実行された後、第２イメージ品質判断ステップＳ３３２０が実行されてもよい。又は、前処理動作及びセグメンテーション動作が実行されたイメージに基づいて、第２イメージ品質判断ステップＳ３３２０と第３イメージ品質判断ステップＳ３３３０は並列的に実行されてもよい。
図４５を参照すると、イメージ分析装置３０００は、イメージ取得装置から医療イメージを取得（Ｓ３９１０）することができる。イメージ分析装置３０００は、取得された医療イメージに基づいて１回イメージ品質判断を実行（Ｓ３９１１）することができる。ここで、１回イメージ品質判断は、医療イメージセグメンテーション動作前に実行される一連の品質判断を含むことができる。例えば、１回イメージ品質判断は、医療イメージのメタデータに基づいて実行される品質判断を含むことができる。
この時、１回イメージ品質判断の結果、イメージ品質が一定の条件を満足しないと判断される場合、イメージ分析装置３０００は、イメージ分析の進行を中断して医療イメージ品質関連情報を出力（Ｓ３９１８）することができる。
１回イメージ品質判断の結果、イメージ品質が一定の条件を満足すると判断される場合、イメージ分析装置３０００は、医療イメージセグメンテーションを実行（Ｓ３９１３）することができる。また、イメージ分析装置３０００は、セグメンテーション動作が実行された医療イメージに基づいて２回イメージ品質判断を実行（Ｓ３９１４）することができる。
２回イメージ品質判断の結果、医療イメージ内の関心領域にアーティファクトが発生しなかったと判断される場合、イメージ分析装置３０００は、医療イメージ分析を継続して実行（Ｓ３９１７）した後、医療イメージ品質関連情報を出力（Ｓ３９１８）することができる。
２回イメージ品質判断の結果、医療イメージ内の関心領域にアーティファクトが発生したと判断される場合、イメージ分析装置３０００は、イメージ分析の進行を中断することができる。この場合、イメージ分析装置３０００は、イメージ分析の進行を中断した後、医療イメージ品質関連情報を出力（Ｓ３９１８）することができる。例示的に、２回イメージ品質判断の結果、医療イメージ内の関心領域にアーティファクトが発生したと判断される場合、イメージ分析装置３０００は、イメージ分析の進行を中断した後、医療イメージを補正し、その後、イメージ品質判断プロセスを再び実行することができる。他の例として、イメージ分析装置３０００は、イメージ分析の進行を中断した後、医療イメージを再撮影し、その後、イメージ品質判断プロセスを再び実行することができる。
２回イメージ品質判断の結果、医療イメージ内の関心領域にアーティファクトが発生しなかったと判断される場合、イメージ分析装置３０００は、イメージ分析を継続して実行（Ｓ３９１７）した後、医療イメージ品質関連情報を出力（Ｓ３９１８）することができる。
図４６及び図４７は、第５品質判断プロセスを説明するための図である。
図４６を参照すると、第５品質判断プロセスは、医療イメージ取得ステップＳ３０００、第１イメージ品質判断ステップＳ３３１０、医療イメージ前処理ステップＳ３２００、第２イメージ品質判断ステップＳ３３２０、医療イメージセグメンテーションステップＳ３４００、第３イメージ品質判断ステップＳ３３３０、第４イメージ品質判断ステップＳ３３４０、及び医療イメージ品質関連情報出力ステップＳ３５００を含むことができる。
第１イメージ品質判断ステップＳ３３１０は、前処理動作前に生データに基づいて第１イメージ品質判断を実行することを含むことができる。第２イメージ品質判断ステップＳ３３２０は、前処理動作が実行されたイメージに基づいて品質判断を実行することを含むことができる。第３イメージ品質判断ステップＳ３３３０及び第４イメージ品質判断ステップＳ３３４０は、セグメンテーション動作が実行されたイメージに基づいて品質判断を実行することを含むことができる。
第３イメージ品質判断ステップＳ３３３０及び第４イメージ品質判断ステップＳ３３４０の順序は、本明細書で説明する発明の内容を限定するものではなく、各ステップの順序は変更されることができる。例えば、前処理動作及びセグメンテーション動作が実行されたイメージに基づいて、第３イメージ品質判断ステップＳ３３３０と第４イメージ品質判断ステップＳ３３４０は並列的に実行されてもよい。
図４７を参照すると、イメージ分析装置３０００は、イメージ取得装置から医療イメージを取得（Ｓ３９２０）することができる。イメージ分析装置３０００は、取得された医療イメージに基づいて１回イメージ品質判断を実行（Ｓ３９２１）することができる。
１回イメージ品質判断の結果、イメージ品質が一定の条件を満足しないと判断される場合、イメージ分析装置３０００は、イメージ分析の進行を中断して医療イメージ品質関連情報を出力（Ｓ３９２９）することができる。
１回イメージ品質判断の結果、イメージ品質が一定の条件を満足すると判断される場合、イメージ分析装置３０００は、２回イメージ品質判断を実行（Ｓ３９２３）することができる。ここで、２回イメージ品質判断は、イメージセグメンテーション動作前に実行される一連の品質判断を含むことができる。
イメージ分析装置３０００は、２回イメージ品質判断が実行された医療イメージに基づいて医療イメージセグメンテーションを実行（Ｓ３９２４）することができる。また、イメージ分析装置３０００は、医療イメージセグメンテーションが実行されたセグメンテーション情報に基づいて３回イメージ品質判断を実行（３９２５）することができる。ここで、３回イメージ品質判断は、イメージセグメンテーション動作後に実行される一連の品質判断を含むことができる。
３回イメージ品質判断の結果、医療イメージ内の関心領域にアーティファクトが発生しなかったと判断される場合、イメージ分析装置３０００は、医療イメージ分析を継続して実行した後、医療イメージ品質関連情報を出力（Ｓ３９２９）することができる。
３回イメージ品質判断の結果、医療イメージ内の関心領域にアーティファクトが発生したと判断される場合、イメージ分析装置３０００は、イメージ分析の進行を中断し、医療イメージ品質関連情報を出力（Ｓ３９２９）することができる。ここで、医療イメージ品質関連情報とは、１回ないし３回イメージ品質判断に基づいた情報を含むことができる。
３回イメージ品質判断の結果、医療イメージ内の関心領域にアーティファクトが発生しなかったと判断される場合、イメージ分析装置３０００は、イメージ分析を継続して実行した後、医療イメージ品質関連情報を出力（Ｓ３９２９）することができる。ここで、医療イメージ品質関連情報とは、１回ないし３回イメージ品質判断に基づいた情報を含むことができる。
本明細書におけるイメージ品質判断プロセスは、図４４ないし図４７に説明された順序以外の他の順序にも実現されることができる。
脳と関連した疾患、特に、認知症と関連して、脳の収縮程度が指標化されて認知症診断の補助指標として使用されている。脳の収縮程度と関連して様々な指標があって、その指標を取得するための一例として頭蓋骨内部体積分析（Ｉｎｔｒａｃｒａｎｉａｌ Ｖｏｌｕｍｅ Ａｎａｌｙｓｉｓ，ＩＣＶ Ａｎａｌｙｓｉｓ）が認知症診断に関連した補助指標を提供するのに使用されている。ただし、従来の頭蓋骨内部体積分析は、対象体の対象イメージを標準脳モデルに整合させる方法を使用した。ただし、標準脳モデルに対象体の対象イメージを整合する方式は、人種間の標準脳モデルの差が存在して人種を考慮した体積分析がまともに反映されなくて不正確になるという問題が存在した。また、個人別頭脳構造を標準脳モデルに整合させるにつれ、個人の頭脳に対する特性を反映する体積分析には限界が存在するという問題が存在した。
本出願の一実施例によるイメージ分析装置２０００は、対象体の対象イメージを標準脳モデルに整合させず、対象イメージのセグメンテーションを実行して対象体の頭蓋骨とその内部領域を取得することができ、これに基づく頭蓋骨内部体積分析の精度が改善できるという有利な効果を提供することができる。
以下では、図４８ないし図５７を参照して、本出願の一実施例によるイメージ分析装置２０００により実現される体積分析方法を具体的に説明する。
図４８を参考にする。図４８は、本出願の一実施例によるイメージ分析装置２０００により実現されるイメージ分析方法の１つの動作を示した流れ図である。具体的に、図４８は、本出願の一実施例によるイメージ分析装置２０００により実現される脳の形態学的指標を取得する動作を示した流れ図である。
本出願の一実施例によるイメージ分析方法は、イメージを取得するステップＳ４１００と、イメージの前処理ステップ及びイメージ整列ステップＳ４２００と、イメージセグメンテーションステップＳ４３００と、形態学的指標を取得するステップＳ４４００と、を含むことができる。
イメージを取得するステップＳ４１００において、イメージ分析装置２０００は、イメージ取得装置１０００から対象イメージを取得することができる。
イメージの前処理及びイメージの整列ステップＳ４２００では、上述したイメージの前処理動作が実行されてもよい。例えば、イメージの前処理及びイメージの整列ステップＳ４２００において、イメージ分析装置２０００は、対象イメージの形式の変換、イメージのノイズ除去、あるいはイメージのインテンシティ（ｉｎｔｅｎｓｉｔｙ）補正と同じ対象イメージの前処理動作を実行するように実現されてもよい。
また、イメージの前処理及びイメージの整列ステップＳ４２００では、図５ないし図６と関連して上述したイメージの整列動作が実行されてもよい。対象イメージを整列することによって、本出願の一実施例によるイメージ分析装置２０００は、神経網モデルの学習データのイメージの方向と対応する方向を有する対象イメージを神経網モデルに入力でき、統一された基準下に分析結果を導き出すことができる。
一例として、イメージ分析装置２０００は、対象イメージに対してメタデータ（ｍｅｔａｄａｔａ）として構造化された脳イメージの方向（ｏｒｉｅｎｔａｔｉｏｎ）と関連したデータに基づいてイメージの方向を整列する動作を実行するように実現されてもよい。例えば、イメージ分析装置２０００は、対象イメージのメタデータを利用して、撮影された脳イメージを対象体の左右（ｌｅｆｔ，ｒｉｇｈｔ）、前後（ａｎｔｅｒｉｏｒ，ｐｏｓｔｅｒｉｏｒ）、上下（ｓｕｐｅｒｉａｌ，ｉｎｆｅｒｉｏｒ）に対して一致させるイメージ整列動作を実行することができる。
他の例として、イメージ分析装置２０００は、イメージの整列動作の１つの方法として、対象イメージの空間正規化を実行するように実現されてもよい。具体的に、イメージ分析装置２０００は、脳テンプレートに基づいて対象イメージの空間正規化を実行するように実現されてもよい。より具体的に、イメージ分析装置２０００は、対象イメージを脳テンプレートに整合することによって対象イメージの空間的分布を人工神経網モデルに対して最適な状態になるべく対象イメージの座標を変換して、対象イメージを整列することができる。
一例として、イメージ分析装置２０００は、対象イメージ内の特徴領域を基にして対象イメージを整列する動作を実行するように実現されてもよい。
図４９を参考にする。図４９は、本出願の一実施例によるイメージ分析装置２０００により実現されるイメージ整列方法の例示的な図である。
例えば、図４９を参照すると、脳イメージには前交連（ａｎｔｅｒｉｏｒ ｃｏｍｍｉｓｓｕｒｅ，ＡＣ）と後交連（ｐｏｓｔｅｒｉｏｒ ｃｏｍｍｉｓｓｕｒｅ、ＰＣ）に対応する特徴領域が存在することができる。この時、イメージ分析装置２０００は、前交連ＡＣと後交連ＰＣを連結するＡＣ－ＰＣラインを基準として対象イメージの空間整列（ｓｐａｔｉａｌ ａｌｉｇｎｍｅｎｔ）動作を実行するように実現されてもよい。
例えば、第１イメージは第１方向で撮影されており、第２イメージは第２方向で撮影されており、第３イメージは第３方向で撮影されている。ランダムな方向で撮影されたため、イメージ取得装置１０００から取得されたイメージは空間的に整列されていない状態であり得る。この時、イメージ分析装置２０００は、各イメージを空間的に整列することによってイメージの方向を統一させることができる。
例えば、第１イメージは、前交連ＡＣ１と後交連ＰＣ１を連結するＡＣ－ＰＣラインＬ１が第１方向へ向かう状態で取得され、第２イメージは、前交連ＡＣ２と後交連ＰＣ２を連結するＡＣ－ＰＣラインＬ２が第２方向へ向かう状態で取得され、第３イメージは、前交連ＡＣ３と後交連ＰＣ３を連結するＡＣ－ＰＣラインＬ３が第３方向へ向かう状態で取得されることができる。
この時、イメージ分析装置２０００は、各イメージのＡＣ－ＰＣラインＬ１，Ｌ２，Ｌ３が空間的に同じ基準方向に向かうようにイメージを整列するように実現されてもよい。
例えば、イメージ分析装置２０００は、第１イメージが取得されたＡＣ－ＰＣラインＬ１を基準方向にして、第２イメージと第３イメージを整列させることができる。
別の例では、イメージ分析装置２０００は、使用者から基準方向に対する入力を取得することができ、使用者の入力に基づいて第１イメージ、第２イメージ、及び第３イメージを整列することができる。
ただし、上述した内容は、例示に過ぎず、イメージ分析装置２０００が分析する対象イメージの方向を統一させるように任意の基準方向に対して対象イメージを整列させることができる。
また、上述したことによれば、イメージ内の特徴領域を前交連、後交連で説明したが、これは例示に過ぎず、対象イメージの空間整列を実行するための任意の適切な特徴領域が活用されることができる。例えば、２つの眼球の中心と２つの眼球の中心を連結したラインが同じ方向に向かうようにイメージを整列するようにイメージ分析装置２０００が実現されてもよい。
また、本出願の一実施例によるイメージ分析装置２０００は、上述したＡＣ－ＰＣライン（あるいは平面）に基づいて生成されたテンプレートに対して、対象イメージを整合することによって対象イメージを整列するように実現されてもよい。換言すれば、図４９と関連して対象イメージに含まれたイメージのＡＣ－ＰＣラインが同じ方向になるべく対象イメージを整列する方式で説明したが、これに限定されず、ＡＣ－ＰＣラインに対する情報が含まれた標準テンプレートが生成されることができ、対象イメージを標準テンプレートに整合させることによって対象イメージを整列することもできる。
本出願の一実施例によるイメージ分析装置２０００は、対象イメージの空間整列を実行することによって、人工神経網を利用する対象イメージのセグメンテーション精度を向上させることができる。
また、頭蓋骨内部体積分析（Ｉｎｔｒａｃｒａｎｉａｌ Ｖｏｌｕｍｅ Ａｎａｌｙｓｉｓ，ＩＣＶ Ａｎａｌｙｓｉｓ）と同じ体積分析時、体積値を計算する内部領域を定義すべきである。一実施例によるイメージ分析装置２０００は、共通した基準によって整列した対象イメージに対して内部領域を定義するように実現されることができるため、体積分析の再現性や精度を高めることができる。
イメージセグメンテーションステップＳ４３００において、イメージ分析装置２０００は、図７ないし図１７と関連して上述したイメージセグメンテーション動作によって、対象イメージのセグメンテーションを実行することができる。
本出願の一実施例によるイメージ分析装置２０００は、後述する形態学的指標の一例として、（ターゲット要素に対応する形態学的値／第２内部領域に対応する形態学的体積値）を取得するように実現されてもよい。この時、形態学的指標を計算するために、イメージ分析装置２０００は、対象イメージから少なくともターゲット要素に対応する領域と第２内部領域に対応する領域を取得すべきである。
この時、第２内部領域は、頭蓋骨の内部領域に含まれた領域であり得る。したがって、イメージ分析装置２０００は、対象イメージから少なくとも頭蓋骨に対応する領域と頭蓋骨の内部領域を取得するように実現されてもよい。
また、イメージ分析装置２０００は、対象イメージから取得された頭蓋骨の内部領域に関連したバウンダリーを修正することによって第２内部領域を取得することができる。この時、頭蓋骨の内部領域に関連したバウンダリーを修正するためにリファレンス領域が基礎になることができる。したがって、イメージ分析装置２０００は、対象イメージからリファレンス領域に対応する領域を取得するように実現されてもよい。
したがって、イメージ分析装置２０００のセグメンテーション動作によって対象イメージは少なくとも頭蓋骨領域及びターゲット要素に対応する領域を含む複数の領域に区切られることができる。また、イメージ分析装置２０００のセグメンテーション動作によって後述する頭蓋骨の内部領域のバウンダリーを修正するために、基準となるリファレンス領域が追加的に取得されることができる。
一例として、頭蓋骨の内部領域のバウンダリーを修正するために、基準となるリファレンス領域は、小脳に対応する領域あるいは首の骨（ｃｅｒｖｉｃａｌ ｖｅｒｔｅｂｒａｅ）に対応する領域であり得る。ただし、これは例示に過ぎず、頭蓋骨の内部領域を定義するために、必要に応じて任意の脳要素に対応する領域をリファレンス領域として取得できることは自明である。
本出願の一実施例によるイメージ分析装置２０００は、セグメンテーションによって取得される頭蓋骨領域に基づいて頭蓋骨の内部領域を取得することができる。
本出願の一実施例によるイメージ分析方法によれば、イメージ分析装置２０００は、形態学的指標を計算（Ｓ４４００）することができる。この時、形態学的指標は、イメージから取得され得る定量的な情報又は定性的な情報を含む情報と解釈されることができる。
一例として、本出願の一実施例によるイメージ分析方法によれば、形態学的指標として脳の体積に関連した形態学的指標を取得されることができる。
脳の体積に関連した形態学的指標の形態は様々なものがある。
例えば、形態学的指標は、ＮＢＶ（Ｎｏｒｍａｌｉｚｅｄ ｂｒａｉｎ ｐａｒｅｎｃｈｙｍａｌ ｖｏｌｕｍｅ）、ＲＢＰＶ（Ｒｅｇｉｏｎａｌ Ｂｒａｉｎ Ｐａｒｅｎｃｈｙｍａｌ ｖｏｌｕｍｅ）等を含むことができる。
別の例では、本出願の一実施例によるイメージ分析方法によれば、ＩＣＶと関連した形態学的指標を計算するように実現されてもよい。この時、ＩＣＶと関連した形態学的指標は、（ターゲット要素に対応する形態学的値／第２内部領域に対応する形態学的体積値）で定義されることができ、ＩＣＶと関連した形態学的指標は、脳疾患（例、うつ病、認知症）診断の補助指標として使用されることができる。
以下では、精度が改善されて個人化されたＩＣＶと関連する形態学的指標を計算するための本出願の一実施例によるイメージ分析方法を中心に説明する。
形態学的指標を計算するステップＳ４４００では、イメージ分析装置２０００は、頭蓋骨の内部領域のバウンダリーを修正し、修正されたバウンダリーに基づいて形態学的指標を計算する動作を実行するように実現されてもよい。
以下では、図５０を参照して、形態学的指標を計算するステップＳ４４００について、より具体的に説明する。図５０は、本出願の一実施例によるイメージ分析方法の流れ図を示した図であり、具体的に、図４８の前記ステップＳ４４００を細分化した図である。
図５０を参照すると、本出願の一実施例による形態学的指標を計算するステップＳ４４００は、頭蓋骨の第１内部領域の第１バウンダリーを取得するステップＳ４４１０と、第１バウンダリーを修正して第２バウンダリーを有する第２内部領域を取得するステップＳ４４２０と、第２内部領域の形態学的体積値を取得するステップＳ４４３０と、ターゲット要素に対応する領域の形態学的体積値を取得するステップＳ４４４０と、形態学的体積指標を計算するステップＳ４４５０と、をさらに含むことができる。
具体的に、形態学的指標を計算するステップＳ４４００において、イメージ分析装置２０００は、イメージセグメンテーションステップＳ４３００で取得された頭蓋骨領域に基づいて頭蓋骨の第１内部領域及び頭蓋骨の第１内部領域に対応する第１バウンダリーを取得することができる。
図５１を参考にする。図５１は、本出願の一実施例による頭蓋骨の第１内部領域の第１バウンダリーを修正する方法の一例を示した図である。
図５１を参照すると、イメージ分析装置２０００は、イメージセグメンテーションステップＳ４３００で取得された頭蓋骨領域ＳＲに基づいて頭蓋骨の第１内部領域ＩＲ１を取得することができる。また、イメージ分析装置２０００は、取得した頭蓋骨の第１内部領域ＩＲ１に基づいて頭蓋骨の第１内部領域ＩＲ１に対応する第１バウンダリーＢＤ１を取得することができる。
一例として、イメージ分析装置２０００は、イメージセグメンテーションステップＳ４３００で脳脊髄液ＣＳＦに対応する領域を取得することができ、脳脊髄液ＣＳＦに対応する領域に基づいて頭蓋骨領域を取得することができる。例えば、イメージ分析装置２０００は、脳脊髄液ＣＳＦに対応する領域の外部バウンダリーを頭蓋骨領域の内部バウンダリーにして頭蓋骨領域を取得することができる。
この時、イメージ分析装置２０００は、脳脊髄液ＣＳＦに対応する領域の外部バウンダリーを第１バウンダリーＢＤ１として取得することができる。
あるいは、イメージ分析装置２０００は、脳脊髄液ＣＳＦに対応する領域の内部バウンダリーを第１バウンダリーＢＤ１として取得することができる。
ただし、上述した第１バウンダリーは、例示に過ぎず、イメージ分析装置２０００は、脳脊髄液ＣＳＦに対応する領域の外部バウンダリーと内部バウンダリーとの間の任意の領域で構成された第１バウンダリーＢＤ１として取得することができる。
本出願の一実施例によるイメージ分析装置２０００は、取得された頭蓋骨の内部領域（例、第１内部領域あるいは後述する第２内部領域）に対応するバウンダリーを平滑化したり、補正することができる。具体的に、取得された頭蓋骨の内部領域に対応するバウンダリーが不鮮明か、誤差が存在する可能性が存在することができる。したがって、イメージ分析装置２０００は、取得された頭蓋骨の内部領域に対応するバウンダリーに対応するバウンダリーを平滑化したり、バウンダリーに関連する誤差を補正したりすることができる。
例えば、バウンダリーが不鮮明である場合に、イメージ分析装置２０００は、上述したイメージ前処理技法などのように任意の適切なイメージのインテンシティ補正方法及び平滑化方法を使用するように実現されてもよい。
例えば、取得されたバウンダリーに誤差が存在する場合には、イメージ分析装置２０００は、入力モジュールを介してバウンダリーを修正する使用者入力を取得することができ、使用者入力に基づいてバウンダリーを修正するように実現されてもよい。あるいは、イメージ分析装置２０００は、上述したイメージ前処理技法などのように任意の適切なノイズ除去方法などを使用するように実現されてもよい。
本出願の一実施例によるイメージ分析装置２０００は、イメージセグメンテーションステップＳ４３００で取得されたリファレンス領域ＲＲに基づいて頭蓋骨の第１内部領域ＩＲ１と関連した第１バウンダリーＢＤ１の一部を修正する動作を実行することができる。
対象イメージごとにイメージの撮影方式により取得されたイメージ内に含まれた脳に対応する領域の位置や大きさなどが異なることができる。
例えば、第１撮影方式によって取得された頭蓋骨の第１内部領域が含む脳領域と第２撮影方式によって取得された頭蓋骨の第１内部領域が含む脳領域が異なってもよい。
したがって、病気診断補助に関係がある情報を提供するのに必要な領域を含みながらも、イメージの撮影方式に影響を受けないバウンダリーの定義方式が必要である。
本出願の一実施例によるイメージ分析装置２０００は、頭蓋骨の第１内部領域に対応する第１バウンダリーの一部を修正することができ、対象イメージに対して「共通基準」に基づいて、第１バウンダリーの一部を修正する動作を実行することができるので、病気診断補助に意味のある情報を取得でき、対象イメージごとに共通した基準に基づいて病気診断補助指標を取得することができる。
以下では、図５１及び図５２を参照して、本出願の一実施例による頭蓋骨の第１内部領域の第１バウンダリーを修正する方法の一例を説明する。図５２は、本出願の一実施例による頭蓋骨の第１内部領域の第１バウンダリーを修正する方法によって取得される第２内部領域の一例を示した図である。
上述したイメージセグメンテーションステップＳ４３００で取得された第１バウンダリーＢＤ１は、３Ｄのバウンダリーであり得る。
この時、イメージ分析装置２０００は、病気診断補助に意味のある情報を提供するための必要領域を取得するために、３Ｄである第１バウンダリーを修正するために、修正の基準となる基準面（あるいは２Ｄイメージスライス、ＲＰ）を取得することができる。また、基準面ＲＰを取得するために、イメージ分析装置２０００は、図５１及び図５２に示すように、矢状面（Ｓａｇｇｉｔａｌ ｐｌａｎｅ）イメージに含まれる特徴領域を利用することができる。
例えば、イメージ分析装置２０００は、リファレンス領域ＲＲと関連した基準面ＲＰを取得することができる。イメージ分析装置２０００は、対象イメージからリファレンス領域ＲＲに隣接する基準面ＲＰを取得することができる。例えば、イメージ分析装置２０００は、リファレンス領域ＲＲを定義するバウンダリーの下部端（ｉｎｆｅｒｉｏｒ ｅｄｇｅ）に隣接する平面を基準面ＲＰとして取得することができる。基準面ＲＰは、ターゲットイメージの横断面（ｔｒａｎｓｖｅｒｓｅ ｐｌａｎｅ）と平行して、矢状面（Ｓａｇｇｉｔａｌ ｐｌａｎｅ）に垂直な平面であり得る。この時、リファレンス領域ＲＲは、小脳に対応する領域であり得る。
イメージ分析装置２０００は、取得した基準面ＲＰに基づいて第１内部領域の第１バウンダリーの一部を修正して第２バウンダリーＢＤ２を取得することができる。例えば、イメージ分析装置２０００は、基準面ＲＰの下側（ｂｏｔｔｏｍ ｓｉｄｅ）に位置する第１バウンダリーＢＤ１の部分を修正して基準面ＲＰの上側（ｕｐｐｅｒ ｓｉｄｅ）に位置する第１バウンダリーＢＤ１に基づいて第２バウンダリーＢＤ２を取得することができる。
より具体的に、イメージ分析装置２０００は、基準面ＲＰの下側に位置する第１バウンダリーの部分を前記基準面ＲＰに含まれた基準線や基準面に変えることによって、第１バウンダリーを修正するように実現されることができる。
イメージ分析装置２０００は、第１バウンダリーを修正して第２バウンダリーを取得することができ、第２バウンダリーを有する頭蓋骨の第２内部領域を取得することができる。
本出願の一実施例によるイメージ分析装置２０００は、基準面ＲＰに基づいて第１バウンダリーＢＤ１の一部を修正することによって、病気診断補助に関係がある情報を提供するのに必要な領域である第２内部領域ＢＤ２を取得することができ、対象イメージに対して共通した基準に従って取得された第２内部領域ＢＤ２に基づいて形態学的指標を計算できるので、病気診断補助に意味のある情報が取得されることができる。
図５２を参照すると、イメージ分析装置２０００は、リファレンス領域ＲＲに隣接する基準面（ＲＰ、例えば、リファレンス領域ＲＲの下部端（ｉｎｆｅｒｉｏｒ ｅｄｇｅ）を含む基準面）を基準として第１バウンダリーＢＤ１の一部を修正し、第２バウンダリーＢＤ２を有する頭蓋骨の第２内部領域ＩＲ２を取得することができる。この時、図５１と比較すると、基準面ＲＰの下側にある第１バウンダリーＢＤ１の部分が基準面ＲＰの基準面に代替されることによって、第１バウンダリーＢＤ１が修正されたことを確認することができる。また、第１バウンダリーＢＤ１を修正することによって、第２バウンダリーＢＤを有する第２内部領域ＩＲ２が取得されることができる。
図５１及び５２では、脳イメージ中の矢状面（ｓａｇｉｔｔａｌ ｐｌａｎｅ）と関連した脳イメージに対してのみ頭蓋骨の第１内部領域ＩＲの第１バウンダリーＢＤ１の一部を修正する例を示したが、イメージ分析装置２０００は、脳イメージ中の冠状面（ｃｏｒｏｎａｌ ｐｌａｎｅ）及び横断面（ｔｒａｎｓｖｅｒｓｅ ｐｌａｎｅ）に関連する脳イメージに対しても対応するバウンダリー修正動作を実行することができる。
以下では、図５３を参照して、本出願の一実施例による頭蓋骨の第１内部領域の第１バウンダリーを修正する方法の他の例を説明する。図５３は、本出願の一実施例による頭蓋骨の第１内部領域の第１バウンダリーを修正する方法の他の例を示した図である。
図５３を参照すると、本出願の一実施例によるイメージ分析装置２０００は、首の骨（ｃｅｒｖｉｃａｌ ｖｅｒｔｅｂｒａｅ）に対応する領域をリファレンス領域ＲＲとして頭蓋骨の第１内部領域ＩＲ１の第１バウンダリーＢＤ１の一部を修正するように実現されてもよい。
一例として、イメージ分析装置２０００は、首の骨と関連したＣ１領域を取得することができる。この時、イメージ分析装置２０００は、首の骨（ｃｅｒｖｉｃａｌ ｖｅｒｔｅｂｒａｅ）と関連したＣ１領域に基づいて頭蓋骨の第１内部領域ＩＲ１の第１バウンダリーＢＤ１の一部を修正することができる。
イメージ分析装置２０００は、対象イメージから第１特徴領域及び第２特徴領域を取得することができる。例えば、第１特徴領域は、前交連ＡＣに対応する領域であり得、第２特徴領域は、後交連ＰＣに対応する領域であり得る。
イメージ分析装置２０００は、第１特徴領域から第１特徴点を算出し、第２特徴領域から第２特徴点を算出するように実現されてもよい。
例えば、イメージ分析装置２０００は、第１特徴領域でもある前交連ＡＣに対応する領域の中心点や前交連ＡＣに対応する領域を定義するバウンダリーに含まれた上部端（Ｓｕｐｅｒｉｏｒ ｅｄｇｅ）、下部端（ｉｎｆｅｒｉｏｒ ｅｄｇｅ）等に対応する領域に基づいて第１特徴点を算出することができる。また、イメージ分析装置２０００は、第２特徴領域でもある後交連ＰＣに対応する領域の中心点あるいは後交連ＰＣに対応する領域を定義するバウンダリーに含まれた上部端（Ｓｕｐｅｒｉｏｒ ｅｄｇｅ）、下部端（ｉｎｆｅｒｉｏｒ ｅｄｇｅ）等に対応する領域に基づいて第２特徴点を算出することができる。
また、イメージ分析装置２０００は、算出された第１特徴点及び第２特徴点に基づいて基準面を取得することができる。
例えば、イメージ分析装置２０００は、矢状面（Ｓａｇｇｉｔａｌ）上で前交連ＡＣの中心点と後交連ＰＣの中心点に基づいて基準方向を取得することができる。例えば、イメージ分析装置２０００は、前交連ＡＣの中心点と後交連ＰＣの中心点を連結する基準方向を取得することができる。この時、イメージ分析装置２０００は、リファレンス領域ＲＲに隣接して基準方向と平行した基準面Ｐ２を取得することができる。
別の例では、イメージ分析装置２０００は、前交連ＡＣの中心点と後交連ＰＣの中心点を含み、矢状面（Ｓａｇｇｉｔａｌ）に垂直な第１平面Ｐ１を取得することができる。この時、イメージ分析装置２０００は、リファレンス領域ＲＲに隣接して第１平面Ｐ１と平行した基準面Ｐ２を取得することができる。
イメージ分析装置２０００は、基準面Ｐ２に基づいて第１内部領域の第１バウンダリーＢ１の一部を修正して第２バウンダリーＢＤ２を取得することができる。例えば、イメージ分析装置２０００は、基準面Ｐ２の下側（ｂｏｔｔｏｍ ｓｉｄｅ）に位置する第１バウンダリーＢＤ１の部分を修正して基準面Ｐ２の上側（ｕｐｐｅｒ ｓｉｄｅ）に位置する第１バウンダリーＢＤ１に基づいて第２バウンダリーＢＤ２を取得することができる。
より具体的に、イメージ分析装置２０００は、基準面Ｐ２の下側に位置する第１バウンダリーＢＤ１の部分を前記基準面Ｐ２に含まれた基準線や基準面に変えることによって、第１バウンダリーＢＤ１を修正するように実現されてもよい。
イメージ分析装置２０００は、修正された第１バウンダリーに基づいて第２バウンダリーＢＤ２を取得することができ、第２バウンダリーＢＤ２を有する頭蓋骨の第２内部領域ＩＲ２を取得することができる。
図５３では、脳イメージ中の矢状面（ｓａｇｉｔｔａｌ ｐｌａｎｅ）と関連した脳イメージに対してのみ頭蓋骨の第１内部領域ＩＲの第１バウンダリーＢＤ１の一部を修正する例を示したが、イメージ分析装置２０００は、脳イメージ中の冠状面（ｃｏｒｏｎａｌ ｐｌａｎｅ）及び横断面（ｔｒａｎｓｖｅｒｓｅ ｐｌａｎｅ）と関連した脳イメージに対しても対応するバウンダリー修正動作を実行することができる。
また、図５３では、首の骨（ｃｅｒｖｉｃａｌ ｖｅｒｔｅｂｒａｅ）のＣ１領域に基づいて頭蓋骨の第１内部領域ＩＲ１の第１バウンダリーＢＤ１の一部を修正することで説明したが、必ず首の骨（ｃｅｒｖｉｃａｌ ｖｅｒｔｅｂｒａｅ）のＣ１領域に基づいて第１バウンダリーＢＤ１を修正することに制限されない。例えば、首の骨（ｃｅｒｖｉｃａｌ ｖｅｒｔｅｂｒａｅ）の他の領域に基づいて第１バウンダリーＢＤ１を修正することもでき、脳イメージ内に目立つ特徴を有する領域に基づいて第１バウンダリーＢＤ１を修正するようにイメージ分析装置２０００が実現されてもよい。
また、図５３では、基準面Ｐ２を前交連ＡＣ及び後交連ＰＣに基づいて取得された第１平面Ｐ１に平行な平面に例示したが、これは例示に過ぎず、イメージ分析装置２０００は、対象イメージの横断面（ｔｒａｎｓｖｅｒｓｅ ｐｌａｎｅ）と平行してＣ１領域を含む平面を基準面Ｐ２で取得することができ、基準面Ｐ２に基づいて第１バウンダリーＢＤ１を修正するように実現されてもよい。
また、図５１ないし図５３によれば、二次元イメージに対してバウンダリーを修正することで示されたが、これは説明の便宜のためのもので、３次元イメージに対してバウンダリーを修正して内部領域を取得すると解釈されるべきである。
再び図５０を参照すると、本出願の一実施例によるイメージ分析方法は、第２内部領域の形態学的体積値を取得するステップＳ４４３０を含むことができる。
具体的に、第２内部領域の形態学的体積値を取得するステップＳ４４３０において、イメージ分析装置２０００は、取得した第２内部領域に基づいて形態学的体積値を計算することができる。具体的に、イメージ分析装置２０００は、第２内部領域に対応するボクセルデータに基づいて第２内部領域に対応する形態学的体積値を取得することができる。
また、本出願の一実施例によるイメージ分析方法は、ターゲット要素の形態学的体積値を取得するステップＳ４４４０を含むことができる。
具体的に、ターゲット要素の形態学的体積値を取得するステップＳ４４４０において、イメージ分析装置２０００は、イメージセグメンテーションステップＳ４３００で取得したターゲット要素に対応する領域に基づいて、ターゲット要素と関連した形態学的体積値を計算することができる。具体的に、イメージ分析装置２０００は、ターゲット要素に対応するボクセルデータに基づいてターゲット要素に対応する形態学的体積値を取得するように提供されてもよい。
また、本出願の一実施例によるイメージ分析方法は、形態学的指標を計算するステップＳ４４５０を含むことができる。具体的に、形態学的指標を計算するステップＳ４４５０において、イメージ分析装置２０００は、前記ステップＳ４４３０で取得された第２内部領域に対応する形態学的体積値と前記ステップＳ４４５０で取得されたターゲット要素に対応する形態学的体積値に基づいて形態学的指標を計算することができる。
一例として、形態学的指標は、第２内部領域に対応する形態学的体積値に対するターゲット要素に対応する形態学的体積値の比率で定義される指標であり得る。
例えば、形態学的指標＝（ターゲット要素に対応する形態学的値／第２内部領域に対応する形態学的体積値）であり得る。
また、計算された形態学的指標は、認知症、うつ病、脳卒中などに関連する脳疾患に関連した診断補助指標として意味のある情報を提供することができる。
図４８及び図５０には、図示されていないが、前記ステップＳ４４３０で取得された第２内部領域に対応する形態学的体積値と前記ステップＳ４４４０で取得されたターゲット要素に対応する形態学的体積値それぞれは、スキャン条件に関連した補正パラメーターあるいはターゲット要素の位置と関連した補正パラメーターに基づいて補正されてもよい。この時、イメージ分析装置２０００は、第２内部領域に対応する形態学的補正体積値とターゲット要素に対応する形態学的補正体積値に基づいて形態学的指標を最終的に計算するように実現されてもよい。これに関して、図５８ないし図６７と関連して詳しく後述する。
以下では、図５４ないし図５７を参照して、本出願の一実施例によって出力される形態学的指標と関連する情報の例示及びその情報を出力するためのイメージ分析装置２０００の動作を説明する。図５４ないし図５７は、本出願の一実施例によって出力される形態学的指標と関連する情報を示した例示的な図である。
後述する出力される形態学的指標と関連する情報は、本出願の一実施例によるイメージ分析装置２０００の出力モジュール２０５０あるいは出力装置２６００を介して出力されることができる。
図５４を参照すると、本出願の一実施例によるイメージ分析装置２０００から出力される形態学的指標と関連する情報は全体頭蓋骨内容積（ＩＣＶ，Ｉｎｆｏ．１）を含むことができる。
例えば、全体頭蓋骨内容積（ＩＣＶ，Ｉｎｆｏ．１）は、本出願の一実施例によるイメージ分析装置２０００が対象イメージの頭蓋骨の内部領域に対応するボクセルデータに基づいて取得した体積値であり得る。
この時、上述したように、イメージ分析装置２０００は、頭蓋骨の内部領域を定義するために、対象イメージのセグメンテーション結果に基づいて取得された頭蓋骨の第１内部領域の第１バウンダリーの一部を修正して、第２バウンダリーを有する第２内部領域を取得することができる。この時、望ましい実施例によれば、全体頭蓋内容積（ＩＣＶ，Ｉｎｆｏ．１）は、第２内部領域に対応する対象イメージのボクセルデータに基づいて取得された値であり得る。
図５４を再び参照すると、本出願の一実施例によるイメージ分析装置２０００から出力される形態学的指標と関連する情報は、ターゲット要素の体積（Ｉｎｆｏ．２）、形態学的指標（Ｉｎｆｏ．３）、及び形態学的指標の百分位情報（Ｉｎｆｏ．４）を含むことができる。換言すれば、本出願の一実施例によるイメージ分析装置２０００は、ターゲット要素の体積（Ｉｎｆｏ．２）、形態学的指標（Ｉｎｆｏ．３）、及び形態学的指標の百分位（Ｉｎｆｏ．４）を含んだ形態学的指標と関連する情報を出力することができる。
本出願の一実施例によるイメージ分析装置２０００から出力される情報では、ターゲット要素は脳に位置する様々な領域に関連した情報であり得る。この時、ターゲット要素は、脳疾患と有意に関連した領域であり得る。例えば、ターゲット要素は、認知症のような脳疾患に関連した海馬、側脳室、前頭葉、側頭葉、頭頂葉、後頭葉、扁桃体と関連した領域であり得る。
本出願の一実施例によるイメージ分析装置２０００は、対象イメージを、上述した領域を含む複数の脳領域にセグメンテーションした後、それぞれの領域に対応するボクセルデータに基づいてターゲット要素のそれぞれの体積値を取得して出力するように提供されてもよい。
また、本出願の一実施例によるイメージ分析装置２０００は、取得されたターゲット要素の体積値を取得し、対象イメージが撮影されたスキャン条件やターゲット要素の位置などを考慮して、ターゲット要素の体積値を補正することができる。
この時、図５４のターゲット要素の体積（Ｉｎｆｏ．２）は補正された体積値であり得る。
本出願の一実施例によるイメージ分析装置２０００から出力される形態学的指標（Ｉｎｆｏ．３）は、頭蓋骨の内部領域に対応する体積とターゲット要素に対応する領域の体積の比率であり得る。例えば、図５４を参照すると、イメージ分析装置２０００から出力される形態学的指標（Ｉｎｆｏ．３）は、全体頭蓋内容積（ＩＣＶ，Ｉｎｆｏ．１）に対するターゲット要素の体積値（あるいは体積値、Ｉｎｆｏ．２）の比率であり得る。
ただし、これは例示に過ぎず、体積に制限されなく、任意の適切な脳疾患に関連した形状、長さ、厚さなどに関連する形態学的指標を取得して出力するようにイメージ分析装置２０００が提供されてもよい。
本出願の一実施例によるイメージ分析装置２０００は、形態学的指標データベースを取得し、これに基づいて対象体の形態学的指標の百分位（Ｉｎｆｏ．４）を取得することができる。イメージ分析装置２０００から出力される形態学的指標の百分位（Ｉｎｆｏ．４）は、比較対象群の形態学的指標で位置する対象体の形態学的指標（Ｉｎｆｏ．３）の百分位と関連する情報であり得る。この時、比較対象群は、対象イメージの対象体の性別や年齢を考慮して取得された対象群であり得る。
具体的に、イメージ分析装置２０００は、比較対象の脳イメージに基づいて取得された形態学的指標を１つ以上含む形態学的指標データベースを利用して、対象体の形態学的指標の百分位情報を取得することができる。
例えば、イメージ分析装置２０００は、形態学的指標データベースから取得されたＩＣＶと関連する形態学的値や形態学的指標を１つ以上含むＩＣＶデータを取得し、対象体の対象イメージに基づいて取得されたＩＣＶと関連する形態学的値や形態学的指標のＩＣＶデータ上での百分位を取得することができる。
一例として、イメージ分析装置２０００は、対象イメージの対象体の性別や年齢と関連する対象体の情報を取得し、対象体の情報に基づいて形態学的指標データベースを取得することができる。形態学的指標データベースは、対象体の情報と類似の特性（性別、年齢など）を有する比較対象群の脳イメージに基づいて取得された１つ以上の形態学的指標を含むことができる。
イメージ分析装置２０００は、取得された形態学的指標データベースを利用して、対象体の形態学的指標の百分位情報を取得することができる。
例えば、イメージ分析装置２０００は、６０代の男性の脳イメージに基づいて取得されたＩＣＶと関連する形態学的値や形態学的指標を１つ以上含むＩＣＶデータを取得し、６０代の男性である対象体の脳イメージに基づいて取得されたＩＣＶ値に関連する形態学的値や形態学的指標のＩＣＶデータ上での百分位を取得することができる。
他の例として、本出願の一実施例によるイメージ分析装置２０００は、対象イメージと関連する対象体の情報（例えば、年齢や性別）を取得し、データベースあるいはメモリー２０２０に格納された複数の脳イメージ中から対象体の情報を考慮して比較対象群の脳イメージを選別することができる。
イメージ分析装置２０００は選別された比較対象群の脳イメージから、対象イメージから形態学的指標を取得した動作と類似の動作を介して、ターゲット要素に対応するＩＣＶと関連した形態学的値や形態学的指標を１つ以上含むＩＣＶデータを取得することができる。
イメージ分析装置２０００は、対象イメージから取得されたＩＣＶ値に関連する形態学的値や形態学的指標と比較対象群の脳イメージから取得されたＩＣＶデータを比較して、対象イメージから取得されたＩＣＶ値に関連する形態学的値や形態学的指標のＩＣＶデータ上での百分位を計算することができる。
本出願の一実施例によるイメージ分析装置２０００から出力されるターゲット要素の体積（Ｉｎｆｏ．２）、形態学的指標（Ｉｎｆｏ．３）及び形態学的指標の百分位（Ｉｎｆｏ．４）と関連する情報は、左半球と右半球に対して個別にそれぞれ取得されて出力されることができる。
ただし、図５４に示された形態学的指標と関連する情報は、例示に過ぎず、任意の適切な情報が、イメージ分析装置２０００から追加的に取得されて出力されてもよいことは、もちろんである。
本出願の一実施例によるイメージ分析装置２０００から出力されるターゲット要素の体積（Ｉｎｆｏ．２）、形態学的指標（Ｉｎｆｏ．３）、あるいは形態学的指標の百分位（Ｉｎｆｏ．４）と関連する情報は、任意の適切なグラフを活用した統計学的技法で形態学的指標と関連する情報が加工（ｐｒｏｃｅｓｓｉｎｇ）なって出力されることができる。
以下では、図５５ないし図５７を参照して、本出願の一実施例によるイメージ分析装置２０００により、形態学的指標と関連する情報が加工されて出力される例示的な内容を説明する。
図５５を参照すると、出願の一実施例によるイメージ分析装置２０００から出力される形態学的指標と関連する情報は、形態学的指標の百分位（Ｉｎｆｏ．５）、形態学的指標の百分位に対するグラフ（Ｉｎｆｏ．６，７）、及び脳疾患に関連したリスク（Ｉｎｆｏ．８）と関連する情報を含むことができる。
本出願の一実施例によるイメージ分析装置２０００から出力される形態学的指標の百分位（Ｉｎｆｏ．５）は、左半球に位置するターゲット要素と右半球に位置するターゲット要素に対して取得された数値であり得る。
例えば、図５５を参照すると、前頭葉、側頭葉、頭頂葉、後頭葉、帯状回、海馬、及び視床に対して取得された形態学的指標の百分位値が視覚的に出力されることができる。この時、左半球に位置する前頭葉などに対する形態学的指標の百分位と右半球に位置する前頭葉などに対する形態学的指標の百分位が共に視覚的に出力されることができる。
本出願の一実施例によるイメージ分析装置２０００から出力される形態学的指標の百分位に対するグラフ（Ｉｎｆｏ．６，７）は、図５４と関連して説明した、対象体の形態学的指標（Ｉｎｆｏ．３）と比較対象群の脳イメージから取得された形態学的指標を比較して計算された対象体の形態学的指標の百分位に基づいて生成されることができる。
この時、グラフは、形態学的指標の百分位を視覚的に表示するように提供されてもよく、対象体の形態学的指標の百分位がどこに分布するかを示す百分位と関連したルーラー（Ｉｎｆｏ．７）を含んでもよい。
また、グラフは、左半球に対する形態学的指標の百分位と右半球に対する形態学的指標の百分位を区別できるように表示して提供されてもよい。
本出願の一実施例によるイメージ分析装置２０００から出力される脳疾患に関連したリスク（Ｉｎｆｏ．８）と関連する情報は、対象体の形態学的指標の百分位に基づいてリスクが計算されてもよく、リスクによって視覚的に異なるように出力されるように提供されてもよい。
具体的に、イメージ分析装置２０００は、脳疾患に関連したリスク（Ｉｎｆｏ．８）と関連して、形態学的指標の百分位に対して予め決定された臨界値が設定されるように提供されてもよい。この時、予め決定された臨界値は、リスクの程度（例えば、注意、危険、正常）によって異なるように予め設定されることができる。
この時、イメージ分析装置２０００は、対象体の形態学的指標の百分位が予め決定された第１臨界値より小さい場合には、対象体が脳疾患の存在することがあり危険である情報を視覚的に出力するように実現されてもよい。例えば、図５５を参照すると、イメージ分析装置２０００は、対象体の左半球、右半球に位置する海馬の形態学的指標の百分位が予め決定された第１臨界値より小さくて危険だと判断することができ、危険だという判断結果に基づいて海馬と関連した形態学的指標の百分位を第１色（例えば、赤）で出力するように実現されてもよい。
また、イメージ分析装置２０００は、対象体の形態学的指標の百分位が予め決定された第１臨界値より大きく、予め決定された第２臨界値より小さい場合には、対象体が脳疾患の存在する一定の可能性が存在して注意が必要である情報を視覚的に出力するように実現されてもよい。例えば、イメージ分析装置２０００は、対象体の左半球、右半球に位置する特定のターゲット要素の形態学的指標の百分位が予め決定された第１臨界値より大きく、予め決定された第２臨界値より小さい場合には、注意が必要だと判断するように実現されてもよく、注意が必要だという判断に基づいて特定のターゲット要素の形態学的指標の百分位を第２色（例えば、オレンジ）で出力するように実現されてもよい。
ただし、上述したリスクにより異なる色で出力することは、例示に過ぎず、これに限定されなく、任意の適切な方法を活用して脳疾患に関連したリスクと関連する情報を提供するようにイメージ分析装置２０００が実現されてもよいことは、もちろんである。
本出願の一実施例によるイメージ分析装置２０００は、対象イメージから取得された対象体の形態学的指標と、比較対象群の脳イメージから取得された形態学的指標と関連する情報を提供するように実現されてもよい。
具体的に、図５５と関連して上述したように、イメージ分析装置２０００は、対象イメージの対象体の年齢や性別を含む対象体の情報に基づいて、形態学的指標データベースから比較対象群の形態学的指標を取得することができる。
この時、本出願の一実施例によるイメージ分析装置２０００は、対象体の情報により対象体の形態学的指標と比較対象群の形態学的指標を視覚的グラフの形態で出力するように実現されてもよい。この時、対象体の情報における比較対象群の形態学的指標は、比較対象群の形態学的指標の平均値及び脳疾患に対するリスクと関連して予め決定された臨界値に対応する比較対象群の形態学的指標を反映して出力されるように実現されてもよい。
図５６を参考にする。図５６は、本出願の一実施例によるイメージ分析装置２０００により出力される形態学的指標と関連する情報の例示を示したグラフである。
一例として、本出願の一実施例によるイメージ分析装置２０００により出力される形態学的指標は、対象イメージと関連した対象体の情報（例、年齢や性別）における対象体の形態学的指標（Ｉｎｆｏ．９）として出力されてもよい。
この時、本出願の一実施例によるイメージ分析装置２０００は、対象体の脳疾患に関連した情報を提供するために対象体の形態学的指標（Ｉｎｆｏ．９）とともに比較対象群の形態学的指標（Ｉｎｆｏ．１０，Ｉｎｆｏ．１１）を追加的に出力するように実現されてもよい。
例えば、イメージ分析装置２０００は、上述したように、対象体の年齢（例えば、図５６の７９歳）を考慮して、形態学的指標データベースから７０代と８０代の比較対象群の形態学的指標情報を取得することができる。この時、イメージ分析装置２０００は、年齢を考慮して取得された比較対象群の形態学的指標情報の平均値（Ｉｎｆｏ．１０）を取得して出力するように実現されてもよい。
別の例では、イメージ分析装置２０００は、上述したように、脳疾患に関連したリスクに対する情報を提供するように比較対象群の形態学的指標と関連する臨界値が設定されてもよい。例えば、対象体の形態学的指標の百分位が５％未満に該当する場合には、危険であると判断をするようにイメージ分析装置２０００は、臨界値が予め設定されるように実現されてもよい。あるいは、対象体の形態学的指標の百分位が５％以上１０％未満に該当する場合には、注意が必要であると判断をするようにイメージ分析装置２０００は、臨界値が予め設定されるように実現されてもよい。
この時、本出願の一実施例によるイメージ分析装置２０００は、脳疾患に対するリスクと関連して予め設定された臨界値に対応する比較対象群の形態学的指標（Ｉｎｆｏ．１１）を出力するように実現されてもよい。この時、比較対象群の形態学的指標（Ｉｎｆｏ．１１）は、対象体の年齢のような対象体の情報により出力されてもよい。
本出願の一実施例によるイメージ分析装置２０００は、対象体の形態学的指標の百分位と脳疾患に対するリスクと関連して予め設定された臨界値に基づいて、脳疾患に対するリスクと関連する情報（Ｉｎｆｏ．１２）を出力するように提供されてもよい。
例えば、対象体の形態学的指標の百分位が５％未満に該当する場合には、危険であると判断をするようにイメージ分析装置２０００は、臨界値が予め設定されるように実現されてもよい。この時、対象体の形態学的指標の百分位が５％未満に該当する場合には、イメージ分析装置２０００は、対象体が特定の脳疾患に対して危険な状態であることもあるという情報を視覚的に出力するように実現されてもよい。例えば、図５６を参照すると、対象体の形態学的指標（Ｉｎｆｏ．９）が第１色（例えば、赤）で表示されて出力されるようにイメージ分析装置２０００が実現されてもよい。
あるいは、対象体の形態学的指標の百分位が５％以上１０％未満に該当する場合には、注意が必要だという判断をするようにイメージ分析装置２０００は、臨界値が予め設定されるように実現されてもよい。この時、対象体の形態学的指標の百分位が５％以上及び１０％未満に該当する場合には、イメージ分析装置２０００は、対象体が特定の脳疾患に対して注意が必要な状態であることもあるという情報を視覚的に出力するように実現されてもよい。例えば、対象体の形態学的指標（Ｉｎｆｏ．９）が第２色（例えば、オレンジ）で表示されて出力されるようにイメージ分析装置２０００が実現されてもよい。
ただし、上述した内容は、例示に過ぎず、これに限定されない。すなわち、イメージ分析装置２０００は、任意の適切な方式を利用して対象体の脳疾患に対するリスクと関連する情報を出力するように実現されてもよい。
本出願の一実施例によるイメージ分析装置２０００は、ターゲット要素の３次元構造あるいはターゲット要素が脳内部のどこに位置するかに対する情報を提供するために３次元脳情報と関連する情報を視覚的に出力するように提供されてもよい。以下では、図５７を参照して、本出願の一実施例により出力される形態学的指標と関連する情報の例示及びその情報を出力するためのイメージ取得装置２０００の動作を説明する。
例えば、イメージ分析装置２０００は、３次元脳テンプレートと関連するデータを追加的に取得することができ、対象イメージに対するセグメンテーションによって取得されたターゲット要素と対応する領域及び３次元脳テンプレートに関連したデータに基づいて、ターゲット要素の３次元構造、あるいはターゲット要素が脳内部のどこに位置するかに対する情報を視覚的なグラフィック形態（Ｉｎｆｏ．１３）で出力することができる。
また、本出願の一実施例によるイメージ分析装置２０００は、３次元脳テンプレートと関連したデータ及び上述したことにより計算されたターゲット要素と関連する形態学的指標の百分位に基づいて、ターゲット要素と関連する形態学的指標の百分位に対する情報を３次元脳テンプレートにオーバーレイ（Ｉｎｆｏ．１４）させ出力するように実現されてもよい。例えば、本出願の一実施例によるイメージ分析装置２０００は、ターゲット要素と関連する形態学的指標の百分位により異なる色を３次元脳テンプレートにオーバーレイさせ、ターゲット要素の体積萎縮度と関連する情報を提供するように実現されてもよい。
また、本出願の一実施例によるイメージ分析装置２０００は、使用者から入力モジュールを介して細部的な形態学的指標と関連する情報を出力するための入力を受信し、使用者の入力に対応する出力を、出力モジュールを介して使用者に出力するように実現されてもよい。例えば、図５７に示された３次元脳テンプレートの特定の脳領域に対する使用者の入力が取得されれば、イメージ分析装置２０００は、取得された入力に対応する特定の脳領域に対する形態学的指標と関連する情報（例えば、図５４ないし図５６に示された情報など）を出力するように提供されてもよい。
ただし、図５７に示された形態学的指標と関連する情報は、例示に過ぎず、本出願の一実施例によるイメージ分析装置２０００は、任意の適切な方法でターゲット要素と関連した形態学的指標の百分位に対する情報を３次元的に提供するように実現されてもよい。
また、本出願の一実施例によるイメージ分析装置２０００は、対象体と関連した形態学的指標と関連する情報を時間的な変数に従って出力するように実現されてもよい。例えば、イメージ分析装置２０００は、第１時点での対象体から取得された形態学的指標と関連する情報（例えば、図５４ないし図５７に示された情報）と第２時点での対象体から取得された形態学的指標と関連する情報（例えば、図５４ないし図５７に示された情報）を出力するように実現されてもよい。特に、脳疾患に関連して比較対象群との形態学的指標を比較することも重要であるが、対象体の形態学的指標を時間的変数に従って分析することも重要なことである。
本出願の一実施例によるイメージ分析装置２０００は、第１時点での対象体から取得された脳イメージから、上述したイメージ分析動作を介して第１時点での形態学的指標と関連する情報を取得することができ、第１時点とは異なる第２時点での対象体から取得された脳イメージから、上述したイメージ分析動作を介して第２時点での形態学的指標と関連する情報を取得することができる。この時、イメージ分析装置２０００は、第１時点での形態学的指標と関連する情報と第２時点での形態学的指標と関連する情報は、様々な統計技法を介して使用者に出力するように実現されてもよい。
ただし、図５４ないし図５７と関連して上述した形態学的指標と関連する情報は、例示に過ぎず、任意の適切な形態の脳疾患に関連した情報が任意の適切な方法で使用者に出力されるはずだ。
脳と関連した疾患、特に、認知症と関連して脳の収縮程度を数値化した指標が認知症診断の補助指標として使用されている。この時、脳の収縮程度と関連した数値は、脳イメージが撮影されたスキャン条件やターゲット要素の位置により異なるように測定されることができる。ここで、ターゲット要素の位置とは、ターゲット要素が頭蓋骨内部に分布する位置を意味することになる。
例えば、同じ対象体に対して取得された形態学的指標、すなわち脳の収縮程度と関連した数値は、脳イメージが撮影されたイメージ取得装置の磁場の強度、イメージ取得装置のメーカー、あるいはイメージ取得装置の設定パラメーターを含むスキャン条件に依存することができる。具体的な例として、同じ対象体に対して取得された形態学的指標が磁場の強度という変数により異なるように測定されることができる。
別の例では、同じ対象体に対して取得された形態学的指標、すなわちターゲット要素の収縮程度と関連した数値は、ターゲット要素の頭蓋骨内での位置により異なるように測定されることができる。
したがって、形態学的指標を脳イメージが撮影されたスキャン条件やターゲット要素の位置により補正することが要求される。
本出願の一実施例によるイメージ分析装置２０００は、脳イメージが撮影されたスキャン条件やターゲット要素の位置を考慮して、ターゲット要素の形態学的値や形態学的指標を補正する動作を実行するように実現されてもよい。
したがって、本出願の一実施例によるイメージ分析装置２０００は、脳疾患に関連した脳の収縮程度と関連した形態学的指標をより正確に取得することができ、より客観的な形態学的指標を脳疾患に関連した診断補助情報として使用者に提供することができるという有利な効果を提供することができる。
以下では、図５８ないし図６７を参照して、本出願の一実施例によるイメージ分析装置２０００により実現される形態学的数値の補正方法を具体的に説明する。以下では、体積に関連した形態学的数値を中心に説明するが、これに限定されず、体積以外の脳疾患の指標となることができる対象部位の形態、厚さ、長さなどの任意の適切な形態学的特性についても同様に補正方法が適用されてもよい。
図５８を参考にする。図５８は、本出願の一実施例によるイメージ分析装置２０００により実現される形態学的数値の補正方法の１つの動作を示した流れ図である。具体的に、図５８は、本出願の一実施例によるイメージ分析装置２０００により実現される脳と関連した形態学的値や脳と関連した形態学的指標を補正する動作を示した流れ図である。
本出願の一実施例による形態学的数値の補正方法は、ターゲットイメージ及びターゲットイメージのスキャン条件を取得するステップＳ５１００と、ターゲットイメージのセグメンテーションステップＳ５２００と、脳形態学的指標を補正するステップＳ５３００と、を含むことができる。
ターゲットイメージ及びターゲットイメージのスキャン条件を取得するステップＳ５１００において、イメージ分析装置２０００は、イメージ取得装置１０００からターゲットイメージを取得することができる。ターゲットイメージは、イメージ分析装置２０００から分析される脳イメージを含む意味であり得る。換言すれば、ターゲットイメージは、イメージ分析装置２０００からターゲット要素の形態学的値や形態学的指標が計算される対象脳イメージを含むことができる。
また、ターゲットイメージ及びターゲットイメージのスキャン条件を取得するステップＳ５１００において、イメージ分析装置２０００は、イメージ取得装置１０００からターゲットイメージが撮影されたスキャン条件に関連する情報を取得することができる。ターゲットイメージが撮影されたスキャン条件に関連する情報は、上述したように、ターゲットイメージに対してメタデータとして構造化されて、ターゲットイメージをイメージ取得装置１０００から取得することによって一緒に取得することができる。あるいは、ターゲットイメージが撮影されたスキャン条件に関連する情報は、ターゲットイメージとは別に、任意の外部装置から取得することができる。
ターゲットイメージのセグメンテーションステップＳ５２００において、イメージ分析装置２０００は、図７ないし図１７と関連して上述したイメージセグメンテーション動作により、ターゲットイメージのセグメンテーションを実行することができる。
一例によると、イメージ分析装置２０００のセグメンテーション動作を介して、ターゲットイメージに含まれる少なくとも１つのターゲット要素を取得することができる。
また、イメージ分析装置２０００のセグメンテーション動作によって、後述する頭蓋骨の内部領域を取得することができる。頭蓋骨の内部領域を取得するために、イメージ分析装置２０００は、図４８及び図５７と関連して、上述した頭蓋骨の第１内部領域の第１バウンダリーの一部を修正して第２バウンダリーを有する頭蓋骨の第２内部領域を取得する動作を実行するように実現されてもよい。
また、イメージ分析装置２０００に提供される神経網モデルは、スキャン条件に従って脳イメージを、セグメンテーションを実行するように学習されてもよい。例えば、第１スキャン条件下で取得された脳イメージを含む学習データから学習された第１神経網モデルが第１スキャン条件下で取得されたターゲットイメージをセグメンテーションするように提供されてもよい。別の例では、第２スキャン条件下で取得された脳イメージを含む学習データから学習された第２神経網モデルが第２スキャン条件下で取得されたターゲットイメージをセグメンテーションするように提供されてもよい。
図５８によれば、ターゲットイメージの前処理及びターゲットイメージの整列ステップは示されていないが、図４８と関連して説明したイメージの前処理及びイメージの整列ステップＳ４２００でのイメージ分析装置２０００の動作が同様に適用されることができる。
以下では、図５９を参照して脳形態学的指標を補正するステップＳ５３００の一実施例について、より具体的に説明する。図５９は、本出願の一実施例によるイメージ分析方法の流れ図を示した図であり、具体的に、図５８の前記ステップＳ５２６００を細分化した図である。
図５９を参照すると、本出願の一実施例による脳形態学的指標を補正するステップＳ５３００は、セグメンテーション結果に基づいてターゲット要素の形態学的値を取得するステップＳ５３１０と、補正パラメーターを取得するステップＳ５３２０と、形態学的値及び補正パラメーターに基づいて形態学的補正値を取得するステップＳ５３３０と、形態学的補正値を基に脳形態学的指標を取得及び出力するステップＳ５３４０と、をさらに含むことができる。
セグメンテーション結果に基づいてターゲット要素の形態学的値を取得するステップＳ５３１０において、イメージ分析装置２０００は、セグメンテーション動作によって取得されたターゲット要素に対応する領域に関連するターゲットイメージのボクセルデータに基づいて、ターゲット要素と関連する形態学的値を取得することができる。あるいは、イメージ分析装置２０００は、セグメンテーション動作によって取得された頭蓋骨の内部領域に関連するターゲットイメージのボクセルデータに基づいて、頭蓋骨の内部領域に関連した形態学的値を取得することができる。
また、セグメンテーション結果に基づいてターゲット要素の形態学的値を取得するステップＳ５３１０において、イメージ分析装置２０００は、ターゲット要素と関連した形態学的値と頭蓋骨の内部領域に関連した形態学的値に基づいて、ターゲット要素と関連した形態学的指標を取得することができる。
この時、ターゲット要素の形態学的値や脳形態学的指標は、ターゲット要素の体積、厚さ、長さ、及び形態などを含む形態学的特性（ｍｏｒｐｈｏｌｏｇｉｃａｌ ｃｈａｒａｃｔｅｒ）と関連した数値であり得る。
補正パラメーターを取得するステップＳ５３２０において、イメージ分析装置２０００は、パラメーター取得装置２４００から補正パラメーターを取得してターゲット要素と関連した形態学的値あるいは頭蓋骨の内部領域に関連した形態学的値を補正する動作を実行するように実現されてもよい。
又は、補正パラメーターを取得するステップＳ５３２０において、イメージ分析装置２０００は、パラメーター取得装置２４００から補正パラメーターを取得してターゲット要素と関連した形態学的指標を補正する動作を実行するように実現されてもよい。すなわち、図５９によれば、ターゲット要素の形態学的値に対して補正パラメーターを適用して補正することで示したが、これは例示に過ぎず、これに限定されなく、ターゲット要素の形態学的値及び頭蓋骨の内部領域に関連した形態学的値に基づいて計算された脳形態学的指標に対して補正パラメーターを適用して出力するようにイメージ分析装置２０００が実現されてもよい。
この時、パラメーター取得装置２４００は、スキャン条件やターゲット要素の位置における形態学的値に関連した相関関係の分析を介して補正パラメーターを取得することができる。補正パラメーターを取得するステップＳ５３２０と関連した補正パラメーター取得装置２４００の動作については、図６０ないし図６５と関連して詳しく後述する。
形態学的値及び補正パラメーターに基づいて形態学的補正値を取得するステップＳ５３３０において、イメージ分析装置２０００は、ターゲット要素に対応する形態学的値と補正パラメーター取得装置２４００から取得した補正パラメーターに基づいて、ターゲット要素と関連した形態学的補正値を取得する動作を実行するように実現されてもよい。
補正パラメーターは、第１スキャン条件下で取得されたターゲット要素と関連する形態学的値を第２スキャン条件下で取得された形態学的値で近似したり、推定するためのパラメーターであり得る。
例えば、イメージ分析装置２０００は、ターゲット要素に対応する形態学的値及び補正パラメーター取得装置２４００から取得された変換関数に含まれた補正パラメーターに基づいて、ターゲット要素と関連した形態学的補正値を取得することができる。
この時、変換関数は、任意のｎ次関数であってもよく、補正パラメーターは、変換関数に含まれた係数を意味することができる。
例えば、補正パラメーターは、第１スキャン条件下で取得されたターゲット要素と関連する第１形態学的値と第２スキャン条件下で取得されたターゲット要素と関連する第２形態学的値との相関関係の分析を介して取得された変換関数から取得することができる。例えば、第１形態学的値と第２形態学的値との相関関係の分析を介して取得された１次関数がｙ＝ａ＊ｘ＋ｂであれば、ａとｂが第１スキャン条件下で取得されたターゲット要素の形態学的値を第２スキャン条件下で取得された形態学的値で近似したり、推定するための補正パラメーターであり得る。イメージ分析装置２０００は、第１スキャン条件下で取得されたターゲットイメージから取得されたターゲット要素と関連する形態学的値に補正パラメーター（ａ）をかけて、補正パラメーター（ｂ）を加えることによって、第２スキャン条件下で取得された形態学的値で近似したり、推定することができる。
一方、ターゲットイメージから取得されたターゲット要素の位置によりターゲット要素の形態学的測定値と形態学的真の値（あるいは形態学的基準値）に対する差が異なることがあり得る。本出願の一実施例によるイメージ分析装置２０００は、ターゲット要素の位置を考慮して、ターゲット要素の形態学的測定値を補正することができる。
例えば、イメージ分析装置２０００は、第１脳要素の形態学的測定値を第１脳要素の形態学的真の値（あるいは形態学的基準値）で近似させるために、補正パラメーター取得装置２４００から第１補正パラメーターを取得することができる。
それに反して、イメージ分析装置２０００は、第２脳要素の形態学的測定値を第２脳要素の形態学的真の値（あるいは形態学的基準値）で近似させるために、補正パラメーター取得装置２４００から第２補正パラメーターを取得することができる。
また、本出願の一実施例によるイメージ分析装置２０００は、スキャン条件及びターゲット要素の位置と関連する変数を全て考慮して補正パラメーターを取得することができる。
例えば、イメージ分析装置２０００は、第１スキャン条件下で取得されたターゲットイメージの第１脳要素に関連した形態学的値に対して、第１補正パラメーターを利用して第２スキャン条件下で取得された形態学的値で近似することができる。それに反して、イメージ分析装置２０００は、第１スキャン条件下で取得されたターゲットイメージの第２脳要素に関連した形態学的値に対して、第２補正パラメーターを利用して第２スキャン条件下で取得された形態学的値で近似することができる。
例えば、第１脳要素と関連して第１形態学的値と第２形態学的値との相関関係の分析を介して取得された１次関数がｙ＝ａ１＊ｘ＋ｂ１であれば、ａ１とｂ１が第１スキャン条件下で取得された第１脳要素の形態学的値を第２スキャン条件下で取得された形態学的値で近似するための補正パラメーターであり得る。それに反して、第２脳要素と関連して第１形態学的値と第２形態学的値との相関関係の分析を介して取得された１次関数がｙ＝ａ２＊ｘ＋ｂ２であれば、ａ２とｂ２が第１スキャン条件下で取得された第２脳要素の形態学的値を第２スキャン条件下で取得された形態学的値で近似するための補正パラメーターであり得る。
イメージ分析装置２０００は、第１スキャン条件下で取得されたターゲットイメージから取得された第１脳要素と関連した形態学的値に補正パラメーターａ１をかけて、補正パラメーターｂ１を加えることによって、第２スキャン条件下で取得された形態学的値で近似することができる。それに反して、第１スキャン条件下で取得されたターゲットイメージと関連した第２脳要素に対して、イメージ分析装置２０００は、第２脳要素と関連した形態学的値に補正パラメーターａ２をかけて、補正パラメーターｂ２を加えることによって、第２スキャン条件下で取得された形態学的値で近似することができる。
ただし、上述した変換関数は、例示に過ぎず、任意の適切な関数を取得することによってスキャン条件を考慮した形態学的値の補正が実行されてもよい。
本出願の一実施例によるイメージ分析装置２０００は、様々なスキャン条件下で取得された値に基づいて一貫したスキャン条件下で取得された値で形態学的値を近似することができ、これによって、一貫性のある脳疾患に関連した診断補助指標を提供することができる。
また、本出願の一実施例によるイメージ分析装置２０００は、ターゲット要素の位置を考慮して、補正パラメーターを異なるように取得して補正を実行できるので、より正確な脳疾患に関連した診断補助指標を提供することができる。
形態学的補正値を基に脳形態学的指標を取得及び出力するステップＳ５３４０において、イメージ分析装置２０００は、ターゲット要素と関連した第１形態学的補正値と頭蓋骨の内部領域に関連した第２形態学的補正値に基づいて脳形態学的指標を計算して出力するように実現されてもよい。
一例として、脳形態学的指標は、第２形態学的補正値に対する第１形態学的補正値で定義されることができる。ただし、これは例示に過ぎず、脳疾患に関連した任意の適切な診断補助指標で脳形態学的指標が定義されてもよい。
一方、ターゲット要素が複数個であり得る。換言すれば、ターゲット要素が第１脳要素及び第２脳要素を含むことができる。
この時、イメージ分析装置２０００は、ターゲットイメージをセグメンテーションして第１脳要素に対応する第１領域、第２脳要素に対応する第２領域、及び頭蓋骨領域を取得することができる。また、イメージ分析装置２０００は、頭蓋骨領域に基づいて頭蓋骨の内部領域を取得することができる。
この時、イメージ分析装置２０００は、上述したように補正パラメーター及び第１領域のボクセルデータに基づいて第１脳要素と第１補正された形態学的値を計算することができ、補正パラメーター及び第２領域のボクセルデータに基づいて第２脳要素と第２補正された形態学的値を計算することができる。また、イメージ分析装置２０００は、頭蓋骨の内部領域に対応するボクセルデータに基づいて頭蓋骨の内部領域に関連した基準形態学的値を取得することができ、この値は脳形態学的指標を計算するための基準となり得る。この時、第１脳要素と関連した補正パラメーターと第２脳要素と関連した補正パラメーターは異なることができる。これに関して、図６４と関連して後述する。
イメージ分析装置２０００は、第１補正された形態学的値及び基準形態学的値に基づいて第１脳要素と関連した第１脳形態学的指標を計算することができる。また、イメージ分析装置２０００は、第２補正された形態学的値及び基準形態学的値に基づいて第２脳要素と関連した第２脳形態学的指標を計算することができる。
本出願の一実施例によるイメージ分析装置２０００は、ターゲットイメージの対象体の年齢及び性別などを含んだ特性を考慮して、ターゲットイメージから取得された形態学的値を補正するための補正パラメーターを決定することができる。
例えば、ターゲットイメージが性別及び年齢と関連した第１特性を有する第１対象体から取得された場合、イメージ分析装置２０００は、ターゲットイメージから取得された形態学的値を補正するための補正パラメーターを、第１特性を有する第２対象体から取得された第１脳映像及び第２脳映像から取得された補正パラメーターで決定することができる。例えば、イメージ分析装置２０００は、ターゲットイメージの第１対象体と類似の年齢及び同じ性別を有する第２対象体から取得された補正パラメーターをターゲットイメージから取得された形態学的値や形態学的指標を補正するための補正パラメーターで決定することができる。
形態学的補正値を基に脳形態学的指標を取得及び出力するステップＳ５３４０において、イメージ分析装置２０００は、取得された脳形態学的指標と関連する情報を出力モジュール２０５０や出力装置２６００に含まれた出力モジュール２６５０を介して出力することができる。具体的に、イメージ分析装置２０００は、図５４ないし図５７に関連した情報を同様に視覚的に出力するように実現されてもよい。
一方、図５９によれば、ターゲット要素と関連した形態学的値に対して補正をした後、ターゲット要素と関連した脳形態学的指標を出力することで図示したが、ターゲット要素と関連した形態学的値に基づいて脳形態学的指標を計算した後、補正パラメーターを考慮して、脳形態学的指標を補正して出力する方式でもイメージ分析装置２０００とパラメーター取得装置２４００が実現されることもある。
本実施例によれば、イメージ分析装置２０００は、第１スキャン条件下で撮影されたターゲットイメージのターゲット要素と関連した領域に対応するターゲット形態学的値を、第１スキャン条件以外の第２スキャン条件あるいは第３スキャン条件下でのターゲット要素の形態学的推定値で計算することができる。
したがって、本実施例におけるイメージ分析装置２０００は、ターゲット形態学的値を精度がより高いスキャン条件に対応する形態学的推定値で自由に補正することができ、精度が改善された別の形態学的指標情報を出力することができる。
以下では、図６０ないし図６５を参照して、本出願の一実施例による補正パラメーター取得装置２４００が補正パラメーターを取得する動作について、具体的に説明する。
図６０は、本出願の一実施例による補正パラメーター取得装置２４００により実現される補正パラメーターの取得方法の１つの動作を示した流れ図である。後述する補正パラメーターは、本出願の一実施例による補正パラメーター取得装置２４００により取得されることができる。換言すれば、図６０に開示された補正パラメーターを取得する動作は、補正パラメーター取得装置２４００により実現されてもよい。
図６０を参照すると、本出願の一実施例による補正パラメーターの取得方法は、複数の脳イメージデータセットを取得するステップＳ６１００と、少なくとも１つ以上のデータセットのスキャン条件による形態学的値の相関関係を分析するステップＳ６２００と、相関関係の分析結果に基づいて補正パラメーターを取得するステップＳ６３００と、を含むことができる。
複数の脳イメージデータセットを取得するステップＳ６１００において、本出願の一実施例による補正パラメーター取得装置２４００は、複数の脳イメージデータセットを取得することができる。この時、補正パラメーター取得装置２４００は、複数の脳イメージデータセットをイメージ取得装置１０００あるいは任意の外部装置から取得することができる。
図６１を参考にする。図６１は、本出願の一実施例による複数の脳イメージデータセットが含む情報を説明するための例示的な図である。
複数の脳イメージデータセットは、脳イメージと関連したターゲット要素に対応する領域の形態学的数値あるいは形態学的指標に関する情報を含むことができる。
また、複数の脳イメージデータセットは、脳イメージが取得されるスキャン条件やターゲット要素の位置に対する情報とそのスキャン条件やターゲット要素の位置と関連して取得された形態学的数値あるいは形態学的指標に関する情報を含むことができる。
一例として、第１データセットは、第１スキャン条件下で取得された第１脳イメージＩＭ１から計算された第１形態学的数値（あるいは、第１形態学的指標、Ｖ１）と関連する情報及び第２スキャン条件下で取得された第２脳イメージＩＭ２から計算された第２形態学的数値（あるいは、第２形態学的指標、Ｖ２）と関連する情報を含むことができる。また、第１データセットは、第３スキャン条件下で取得された第３脳イメージＩＭ３から計算された第３形態学的数値（あるいは、第３形態学的指標、Ｖ３）と関連する情報をさらに含むことができる。
また、複数の脳イメージデータセットは、第１データセットとその形態が類似の様々な脳データをさらに含むことができる。例えば、第ｎデータセットは、第１スキャン条件下で取得された第１脳イメージＩＭ１ｎから計算された第１形態学的数値（あるいは、第１形態学的指標、Ｖ１ｎ）と関連する情報及び第２スキャン条件下で取得された第２脳イメージＩＭ２ｎから計算された第２形態学的数値（あるいは、第２形態学的指標、Ｖ２ｎ）と関連する情報を含むことができる。また、第ｎデータセットは、第３スキャン条件下で取得された第３脳イメージＩＭ３ｎから計算された第３形態学的数値（あるいは、第３形態学的指標、Ｖ３ｎ）と関連する情報をさらに含むことができる。
好ましくは、複数の脳イメージデータセットは、同じ対象体に対して取得された脳イメージのスキャン条件による形態学的数値（あるいは、形態学的指標）含むことができる。例えば、図６１を参照すると、第１データセットに含まれた第１脳イメージＩＭ１、第２脳イメージＩＭ２、及び第３脳イメージＩＭ３は、第１対象体から取得された脳イメージであり得る。また、第ｎデータセットに含まれた第１脳イメージＩＭ１ｎ、第２脳イメージＩＭ２ｎ、及び第３脳イメージＩＭ３ｎは、第ｎ対象体から取得された脳イメージであり得る。
この時、第１スキャン条件ないし第３スキャン条件は、イメージ取得装置のイメージの解像度と関連する磁場の強度（又は、磁場の強さ）、イメージ取得装置に設定されることができる、生成される磁場の形態と関連した設定パラメーター、イメージ取得装置のメーカーの種類、あるいはこれらの組み合わせに関連した条件であり得る。
一方、本出願の一実施例による補正パラメーター取得装置２４００は、対象体の特性を考慮したデータセットを利用して補正パラメーターを取得することができる。補正パラメーター取得装置２４００は、１つ以上の同じ特性（例えば、年齢や性別）を有する対象体から取得されたデータセットを利用して補正パラメーターを取得することができる。補正パラメーター取得装置２４００は、ターゲットイメージに対応する対象体の特性と対応する特性を有するデータセットに基づいて取得された補正パラメーターがターゲットイメージの分析に利用されるように、１つ以上の補正パラメーターをイメージ分析装置２０００に伝達することができる。
再び図６０を参照すると、本出願の一実施例による補正パラメーターの取得方法は、少なくとも１つのデータセットのスキャン条件と形態学的値の相関関係を分析するステップＳ６２００を含むことができる。
少なくとも１つのデータセットのスキャン条件と形態学的値の相関関係を分析するステップＳ６２００において、本出願の一実施例による補正パラメーター取得装置２４００は、複数の脳イメージデータセットのうち少なくとも１つ以上のデータセットに含まれたスキャン条件による形態学的数値（あるいは、形態学的指標）間の相関関係を分析するように実現されてもよい。この時、本出願の一実施例による補正パラメーター取得装置２４００により実現される相関関係の分析は、線形分析、非線形分析、及び回帰分析など様々な統計技法を活用して実現されてもよい。
本出願の一実施例による補正パラメーターの取得方法は、相関関係の分析結果に基づいて補正パラメーターを取得するステップＳ６３００を含むことができる。
具体的に、補正パラメーター取得装置２４００は、複数の脳イメージデータセットのうち少なくとも１つ以上のデータセットに含まれた第ｉデータセットから、第１スキャン条件で取得された第１形態学的数値Ｖ１ｉ、第２スキャン条件で取得された第２形態学的数値Ｖ２ｉ、及び第３スキャン条件で取得された第３形態学的数値Ｖ３ｉを取得することができる。
また、補正パラメーター取得装置２４００は、第ｉデータセットだけでなく、任意の第ｊデータセットから、第１スキャン条件で取得された第１形態学的数値Ｖ１ｊ、第２スキャン条件で取得された第２形態学的数値Ｖ２ｊ、及び第３スキャン条件で取得された第３形態学的数値Ｖ３ｊを取得することができる。
この時、本出願の一実施例による補正パラメーター取得装置２４００は、第ｉ、ｊデータセットから取得された第１形態学的数値及び第２形態学的数値間の相関関係を分析することができ、相関関係の分析結果に基づいて第１スキャン条件下で取得された形態学的数値と第２スキャン条件下で取得された形態学的数値の間の補正パラメーターを取得することができる。
また、補正パラメーター取得装置２４００は、第ｉ、ｊデータセットから取得された第２形態学的数値及び第３形態学的数値間の相関関係を分析することができ、相関関係の分析結果に基づいて第２スキャン条件下で取得された形態学的数値と第３スキャン条件下で取得された形態学的数値の間の補正パラメーターを取得することができる。
また、補正パラメーター取得装置２４００は、第ｉ、ｊデータセットから取得された第１形態学的数値及び第３形態学的数値間の相関関係を分析することができ、相関関係の分析結果に基づいて第１スキャン条件下で取得された形態学的数値と第３スキャン条件下で取得された形態学的数値の間の補正パラメーターを取得することができる。
例えば、補正パラメーター取得装置２４００は、第１スキャン条件下で取得された第１形態学的数値と第２スキャン条件下で取得された第２形態学的数値に基づく相関関係の分析を介して第１スキャン条件下で取得された形態学的数値を第２スキャン条件下で測定された形態学的数値に変換する補正パラメーターを取得することができる。あるいは、第２スキャン条件下で取得された形態学的数値を第１スキャン条件下で測定された形態学的数値に変換する補正パラメーターを取得することができる。
例えば、補正パラメーターは、第１スキャン条件下で取得されたターゲット要素に関連する第１形態学的値と第２スキャン条件下で取得されたターゲット要素に関連する第２形態学的値との相関関係の分析を介して取得された変換関数から取得することができる。例えば、第１形態学的値と第２形態学的値間の相関関係の分析を介して取得された１次関数がｙ＝ａ＊ｘ＋ｂであれば、ａとｂが第１スキャン条件下で取得されたターゲット要素の形態学的値を第２スキャン条件下で取得された形態学的値で近似するための補正パラメーターであり得る。
また、補正パラメーター取得装置２４００は、上述したことと同様に相関関係の分析を介して、第２スキャン条件下で取得されたターゲット要素の形態学的値を第３スキャン条件下で取得されたターゲット要素の形態学的値で近似するための補正パラメーター、第１スキャン条件下で取得されたターゲット要素の形態学的値を第３スキャン条件下で取得されたターゲット要素の形態学的値で近似するための補正パラメーター、第２スキャン条件下で取得されたターゲット要素の形態学的値を第１スキャン条件下で取得されたターゲット要素の形態学的値で近似するための補正パラメーター、又は第３スキャン条件下で取得されたターゲット要素の形態学的値を第１スキャン条件下で取得されたターゲット要素の形態学的値で近似するための補正パラメーターを取得することができる。
図６２及び図６３を参考にする。
図６２は、本出願の一実施例による補正パラメーター取得装置２４００の補正パラメーターを取得するための相関関係の分析の一例を示すグラフである。
図６３は、本出願の一実施例による補正パラメーター取得装置２４００の補正パラメーターを取得するための相関関係の分析の他の例を示すグラフである。
図６２を参照すると、補正パラメーター取得装置２４００は、第ｉデータセットから、第１磁場強度（例えば、１．５Ｔ）下で取得された形態学的数値（例えば、ターゲット要素の体積）と第２磁場強度（例えば、３Ｔあるいは８Ｔ）下で取得された形態学的数値（例えば、ターゲット要素の体積）を取得することができる。この時、補正パラメーター取得装置２４００は、図６２に示された線形分析のような任意の適切な統計学的技法を活用した相関関係分析法によって第１磁場強度（例えば、１．５Ｔ）下で取得された形態学的数値と第２磁場強度（例えば、３Ｔあるいは８Ｔ）下で取得された形態学的数値の間の補正パラメーターを取得することができる。補正パラメーター取得装置２４００は、第１磁場強度の下で取得された形態学的数値を第２磁場強度の下で取得された形態学的数値に補正するための補正パラメーターを取得することができる。
図６３を参照すると、補正パラメーター取得装置２４００は、第ｊデータセットから、第１メーカーのイメージ装置から取得された形態学的数値（例えば、ターゲット要素の体積）と第２メーカーのイメージ装置から取得された形態学的数値（例えば、ターゲット要素の体積）を取得することができる。この時、補正パラメーター取得装置２４００は、図６３に示された線形分析のような任意の適切な統計学的技法を活用した相関関係分析法によって第１メーカーのイメージ装置から取得された形態学的数値と第２メーカーのイメージ装置から取得された形態学的数値の間の補正パラメーターを取得することができる。補正パラメーター取得装置２４００は、第１メーカーのイメージ装置から取得される脳イメージから取得された形態学的数値を第２メーカーのイメージ装置から取得される脳イメージから取得された形態学的数値に補正するための補正パラメーターを取得することができる。
ただし、図６３及び図６４で説明された相関関係の分析は、例示に過ぎず、非線形分析あるいは回帰分析などの任意の適切な統計学的技法を活用してスキャン条件による形態学的数値間の補正パラメーターを取得することができる。
また、図６３及び図６４は、スキャン条件としてそれぞれ磁場強度とメーカーの変数を考慮した形態学的数値間の補正パラメーターを取得する方法について例示したが、同様の方式でイメージ装置の設定パラメーターと関連したスキャン条件を考慮して補正パラメーターを取得できることは、自明である。
また、磁場強度と関連したスキャン条件、メーカーと関連したスキャン条件、及びイメージ装置の設定パラメーターと関連したスキャン条件のうち少なくとも２以上のスキャン条件を考慮して、スキャン条件による形態学的数値間の補正パラメーターを取得できることは、もちろんである。
再び図６０を参考にする。本出願の一実施例による補正パラメーターの取得方法は、少なくとも１つ以上のデータセットのスキャン条件による形態学的値の相関関係を分析するステップＳ６２００を含むことができる。この時、補正パラメーター取得装置２４００は、スキャン条件以外のターゲット要素の位置と関連する情報を考慮して、相関関係の分析を実行して補正パラメーターを取得するように実現されてもよい。
換言すれば、スキャン条件が同じでもターゲット要素の位置によって形態学的指標を補正するためのパラメーターが異なり、本出願の一実施例による補正パラメーター取得装置２４００は、ターゲット要素の位置を考慮して、形態学的指標を補正するための補正パラメーターを取得するように実現されてもよい。
具体的に、ターゲットイメージから取得されたターゲット要素の位置によってターゲット要素の形態学的測定値と形態学的真の値（あるいは、形態学的基準値）に対する差が異なることがある。本出願の一実施例によるイメージ分析装置２０００は、ターゲット要素の位置を考慮して、ターゲット要素の形態学的測定値を補正することができる。
例えば、イメージ分析装置２０００は、第１脳要素の形態学的測定値を第１脳要素の形態学的真の値（あるいは、形態学的基準値）で近似させるために、補正パラメーター取得装置２４００から第１補正パラメーターを取得することができる。それに反して、イメージ分析装置２０００は、第２脳要素の形態学的測定値を第２脳要素の形態学的真の値（あるいは、形態学的基準値）で近似させるために、補正パラメーター取得装置２４００から第２補正パラメーターを取得することができる。
別の例では、イメージ分析装置２０００は、第１脳要素の形態学的測定値を第１脳要素の形態学的真の値（あるいは、形態学的基準値）で近似させるために、補正パラメーター取得装置２４００から第１補正パラメーターを取得することができる。それに反して、イメージ分析装置２０００は、第２脳要素の形態学的測定値が第２脳要素の形態学的真の値（あるいは、形態学的基準値）と実質的に同一であると判断することができ、補正パラメーター取得装置２４００から第２補正パラメーターを取得しないように実現されてもよい。
換言すれば、イメージ分析装置２０００は、ターゲット要素の位置によって形態学的測定値の補正の有無を別の方法で実行するように実現されることができる。
この時、脳要素の形態学的測定値と脳要素の形態学的真の値が実質的に同一かどうかを判断するための任意の形態の臨界値が設定されてもよい。
以下では、スキャン条件以外のターゲット要素の位置と関連する情報をさらに考慮するに応じて、本出願の一実施例による補正パラメーターの取得方法について変更又は追加される内容を中心に説明する。
複数の脳イメージデータセットを取得するステップＳ６１００において、本出願の一実施例による補正パラメーター取得装置２４００は、イメージ取得装置１０００あるいは任意の外部装置から複数の脳イメージデータセットを取得することができる。この時、補正パラメーター取得装置２４００は、データベースあるいは任意の外部装置から複数の脳イメージデータセットを取得することができる。
図６４を参考にする。図６４は、本出願の一実施例による複数の脳イメージデータセットが含む情報を説明するための例示的な図である。
複数の脳イメージデータセットは、脳イメージが取得されるスキャン条件及びターゲット要素の位置による形態学的数値あるいは形態学的指標に関する情報を含むことができる。
一例として、第１データセットは、第１スキャン条件下で取得された第１脳イメージＩＭ１の第１部位に対応する領域から計算された形態学的数値（あるいは、形態学的指標、Ｖ１）と関連する情報及び第１スキャン条件下で取得された第１脳イメージＩＭ１の第２部位に対応する領域から計算された形態学的数値（あるいは、形態学的指標、Ｖ２）と関連する情報を含むことができる。また、第１データセットは、第２スキャン条件下で取得された第２脳イメージＩＭ２の第１部位に対応する領域から計算された形態学的数値（あるいは、形態学的指標、Ｖ１’）と関連する情報及び第２スキャン条件下で取得された第２脳イメージＩＭ２の第２部位に対応する領域から計算された形態学的数値（あるいは、形態学的指標、Ｖ２’）と関連する情報を含むことができる。
また、複数の脳イメージデータは、第１データセットと同様の様々な脳データをさらに含むことができる。例えば、第ｎデータセットは、第１スキャン条件下で取得された第ｎ脳イメージＩＭｎの第１部位に対応する領域から計算された形態学的数値（あるいは、形態学的指標、Ｖ１ｎ）と関連する情報及び第１スキャン条件下で取得された第１脳イメージＩＭ１ｎの第２部位に対応する領域から計算された形態学的数値（あるいは、形態学的指標、Ｖ２ｎ）と関連する情報を含むことができる。また、第ｎデータセットは、第２スキャン条件下で取得された第２脳イメージＩＭ２ｎの第１部位に対応する領域から計算された形態学的数値（あるいは、形態学的指標、Ｖ１ｎ’）と関連する情報及び第２スキャン条件下で取得された第２脳イメージＩＭ２ｎの第２部位に対応する領域から計算された形態学的数値（あるいは、形態学的指標、Ｖ２ｎ’）と関連する情報を含むことができる。
この時、第２部位は、第１部位と比較して頭蓋骨に隣接して位置することができる。すなわち、第１部位と第２部位は、頭蓋骨内で互いに異なる位置に存在する脳要素であり得る。
また、第１部位と第２部位は、解剖学的に区別されてもよい。
又は、第１部位と第２部位は、互いに異なる機能を実行することができる。換言すれば、第１部位は、第１脳機能を実行する脳要素であり、それに反して、第２部位は、第２脳機能を実行する脳要素であり得る。
再び図６０を参照すると、本出願の一実施例による補正パラメーターの取得方法は、少なくとも１つのデータセットのスキャン条件による形態学的値の相関関係を分析するステップＳ６２００及び相関関係の分析結果に基づいて補正パラメーターを取得するステップＳ６３００を含むことができる。
この時、本出願の一実施例による補正パラメーターの取得方法は、少なくとも１つ以上のデータセットのスキャン条件及び「ターゲット要素が分布する位置」による形態学的値に基づいて相関関係の分析を実行することができる。
図６５を参考にする。図６５は、本出願の一実施例によるターゲット要素の位置における形態学的値の間の相関関係の分析の例示的な図である。この時、ｘ軸は、第１スキャン条件で取得された形態学的数値であり、ｙ軸は、第２スキャン条件で取得された形態学的数値であり得る。
一例として、図６５を参照すると、補正パラメーター取得装置２４００は、任意の第ｉデータセットに含まれた第１部位（例えば、ｆｒｏｎｔａｌ ｌｏｂｅ領域）に関連して、第１スキャン条件下（例えば、１．５Ｔ）で撮影された第ｉ脳イメージＩＭ１ｉから取得される形態学的数値Ｖ１ｉ及び第２スキャン条件下（例えば、３Ｔあるいは８Ｔ）で撮影された第ｉ脳イメージＩＭ２ｉから取得された形態学的数値Ｖ１ｉ’に基づいて第１部位に対する第１補正パラメーターを取得することができる。
他の例として、図６５を参照すると、補正パラメーター取得装置２４００は、任意の第ｊデータセットに含まれた第２部位（例えば、ｃｅｒｅｂｅｌｌｕｍ領域）に関連して、第１スキャン条件下（例えば、１．５Ｔ）で撮影された第ｊ脳イメージＩＭ１ｊから取得された形態学的数値Ｖ２ｊ、及び第２スキャン条件下（例えば、３Ｔあるいは８Ｔ）で撮影された第ｊ脳イメージＩＭ２ｊから取得された形態学的数値Ｖ２ｊ’に基づいて第２部位に対する第２補正パラメーターを取得することができる。
この時、第１部位に対する第１補正パラメーターと第２部位に対する第２補正パラメーターは異なることができる。
例えば、第１補正パラメーターは、第１スキャン条件下で取得された第１部位と関連する形態学的数値を第２スキャン条件下で測定された第１部位と関連する形態学的数値で近似するパラメーターを含むことができる。あるいは、第１補正パラメーターは、第２スキャン条件下で取得された第１部位と関連する形態学的数値を第１スキャン条件下で測定された第１部位と関連する形態学的数値で近似するパラメーターを含むことができる。
例えば、第１補正パラメーターは、第１スキャン条件下で取得された第１部位と関連する形態学的値と第２スキャン条件下で取得された第１部位と関連する形態学的値との相関関係の分析を介して取得された変換関数から取得することができる。例えば、第１形態学的値と第２形態学的値の間の相関関係の分析を介して取得された１次関数がｙ＝ａ１＊ｘ＋ｂ１であれば、ａ１とｂ１が第１スキャン条件下で取得された第１部位の形態学的値を第２スキャン条件下で取得された第１部位の形態学的値で近似するためのパラメーターであり得る。
それに反して、第２補正パラメーターは、第１スキャン条件下で取得された「第２部位」と関連する形態学的数値と第２スキャン条件下で取得された「第２部位」に関連する形態学的数値に基づく相関関係の分析を介して、第１スキャン条件下で取得された第２部位と関連する形態学的数値を第２スキャン条件下で測定された第２部位と関連する形態学的数値で近似するパラメーターを含むことができる。あるいは、第２補正パラメーターは、第２スキャン条件下で取得された第２部位と関連する形態学的数値を第２スキャン条件下で測定された第２部位と関連する形態学的数値で近似するパラメーターを含むことができる。
例えば、第２補正パラメーターは、第１スキャン条件下で取得された第２部位と関連する形態学的値と第２スキャン条件下で取得された第２部位と関連する形態学的値との相関関係の分析を介して取得された変換関数から取得することができる。例えば、第１形態学的値と第２形態学的値との相関関係の分析を介して取得された１次関数がｙ＝ａ２＊ｘ＋ｂ２であれば、ａ２とｂ２が第１スキャン条件下で取得された第２部位の形態学的値を第２スキャン条件下で取得された第２部位の形態学的値で近似するための補正パラメーターであり得る。
また、補正パラメーター取得装置２４００は、上述したことと同様に相関関係の分析を介して、第２スキャン条件下で取得された第１部位の形態学的値を第３スキャン条件下で取得された第１部位の形態学的値で近似するための補正パラメーター、第２スキャン条件下で取得された第２部位の形態学的値を第３スキャン条件下で取得された第２部位の形態学的値で近似するための補正パラメーターを取得することができる。
また、補正パラメーター取得装置２４００は、上述したことと同様に相関関係の分析を介して、第１スキャン条件下で取得された第１部位の形態学的値を第３スキャン条件下で取得された第１部位の形態学的値で近似するための補正パラメーター、第１スキャン条件下で取得された第２部位の形態学的値を第３スキャン条件下で取得された第２部位の形態学的値で近似するための補正パラメーターを取得することができる。
本出願の一実施例による補正パラメーター取得装置２４００は、ターゲット要素の位置に対する変数を考慮して、補正パラメーターを部位別により正確に取得することができ、部位別にスキャン条件によって影響を受ける形態学的数値や指標を補償することができるという有利な効果が存在する。
したがって、本出願の一実施例によるイメージ分析装置２０００は、より正確で客観的な脳疾患に関連する形態学的指標及び脳疾患診断補助指標を使用者に提供できるという長所が存在する。
さらに、本出願の一実施例による補正パラメーター取得装置２４００は、脳の左半球、右半球の両方に存在するターゲット要素（例えば、第１脳要素及び第２脳要素）に対して上述した補正パラメーター取得動作をそれぞれ実行するように実現されてもよい。
例えば、図６５と関連した一例として、補正パラメーター取得装置２４００は、左半球に位置する第１部位（例えば、Ｆｒｏｎｔａｌ ｌｏｂｅ）に対して相関関係の分析を実行して補正パラメーターを取得することができる。
また、補正パラメーター取得装置２４００は、右半球に位置する第１部位（例えば、Ｆｒｏｎｔａｌ ｌｏｂｅ）に対しても相関関係の分析を実行して補正パラメーターを取得するように実現され、第１部位に対して取得された補正パラメーターは、左半球と右半球に応じて異なることができる。
一方、イメージ分析装置２０００から出力されるターゲット要素と関連する形態学的値やターゲット要素と関連する形態学的指標を、イメージ分析装置２０００の使用者が目指すスキャン条件に対応する形態学的値や形態学的指標に修正する必要性が存在することもある。例えば、出力されるターゲット要素と関連する形態学的値などが第１スキャン条件下で取得された形態学的値に基づいて取得された値である場合、使用者は第１スキャン条件ではない第２スキャン条件下で取得された形態学的値に対応する結果でターゲット要素と関連した形態学的情報の出力を受けることを望むことができる。
本出願の一実施例によるイメージ分析装置２０００は、入力モジュールを介して使用者からリファレンススキャン条件に関連した入力を取得することができ、使用者入力に対応するターゲット要素と関連した形態学的情報を出力するように実現されてもよい。
以下では、図６６を参照して、リファレンススキャン条件に関連した使用者の入力に基づいて脳形態学的指標を補正する他の実施例について、より具体的に説明する。図６６は、本出願の一実施例によるイメージ分析方法の流れ図を示す図であり、具体的に、図５８の前記ステップＳ５３００を細分化した図である。
図６６を参照すると、本出願の一実施例による脳形態学的指標を補正するステップＳ５３００は、セグメンテーション結果に基づいてターゲット要素のターゲット形態学的値を取得するステップＳ５４１０と、リファレンススキャン条件を取得するステップＳ５４２０と、ターゲットイメージのスキャン条件とリファレンススキャン条件が対応するか否かを判断するステップＳ５４３０と、を含むことができる。
この時、ターゲットイメージのスキャン条件とリファレンススキャン条件が対応すると、本出願の一実施例による脳形態学的指標を補正するステップＳ５３００は、ターゲット形態学的値を基に脳形態学的指標を出力するステップＳ５４４０を含むことができる。
一方、ターゲットイメージのスキャン条件とリファレンススキャン条件が対応しないと、本出願の一実施例による脳形態学的指標を補正するステップＳ５３００は、補正パラメーターを取得するステップＳ５４５０と、ターゲット形態学的値及び補正パラメーターに基づいてターゲット形態学的補正値を取得するステップＳ５４６０と、ターゲット形態学的補正値を基に脳形態学的指標を出力するステップＳ５４７０と、を含むことができる。
セグメンテーション結果に基づいてターゲット要素のターゲット形態学的値を取得するステップＳ５４１０において、イメージ分析装置２０００は、セグメンテーション動作によって取得されたターゲット要素に対応する領域に関連するターゲットイメージのボクセルデータに基づいてターゲット要素と関連するターゲット形態学的値を取得することができる。
あるいは、イメージ分析装置２０００は、セグメンテーション動作によって取得された頭蓋骨の内部領域に関連するターゲットイメージのボクセルデータに基づいて頭蓋骨の内部領域に関連する形態学的値を取得することができる。
また、セグメンテーション結果に基づいてターゲット要素のターゲット形態学的値を取得するステップＳ５４１０において、イメージ分析装置２０００は、ターゲット要素と関連する形態学的値と頭蓋骨の内部領域に関連する形態学的値に基づいてターゲット要素と関連するターゲット要素の脳形態学的指標を取得することができる。
この時、ターゲット形態学的値や脳形態学的指標は、体積、厚さ、長さ、及び形態などを含む形態学的特性（ｍｏｒｐｈｏｌｏｇｉｃａｌ ｃｈａｒａｃｔｅｒ）と関連した数値であり得る。
リファレンススキャン条件を取得するステップＳ５４２０において、イメージ分析装置２０００は、イメージ分析装置２０００に含まれた入力モジュール２０４０を介して使用者のリファレンススキャン条件に関連した入力を取得することができる。あるいは、イメージ分析装置２０００は、出力装置２６００の入力モジュール２６４０を介して使用者のリファレンススキャン条件に関連した入力を取得することができる。
あるいは、リファレンススキャン条件は、予め設定されていることができる。イメージ分析装置２０００は、予め設定されたリファレンススキャン条件に関連する情報を取得することができる。
この時、リファレンススキャン条件は、磁場強度、イメージ装置の設定パラメーター、あるいはイメージ装置のメーカーと関連したスキャン条件であり得る。又は、リファレンススキャン条件は、形態学的指標を取得しようとするターゲット要素の位置を追加的に考慮したスキャン条件であり得る。
イメージ分析装置２０００は、リファレンススキャン条件を取得することによって、リファレンススキャン条件に対応するターゲット要素の形態学的値や脳形態学的指標を出力したり補正したりすることができる。例えば、使用者はリファレンススキャン条件を入力することによって、リファレンススキャン条件下で測定された値と推定されるターゲット要素と関連した形態学的値や脳形態学的指標を提供されてもよい。
ターゲットイメージのスキャン条件とリファレンススキャン条件が対応するか否かを判断するステップＳ５４３０において、イメージ分析装置２０００は、取得されたリファレンススキャン条件とターゲットイメージが撮影されたスキャン条件が対応するか否かを判断することができる。
具体的に、イメージ分析装置２０００は、イメージ取得装置１０００あるいは任意の外部装置（例えば、サーバー）からターゲットイメージが撮影されたスキャン条件に関連する情報を取得することができる。
例えば、上述したように、ターゲットイメージが撮影されたスキャン条件がターゲットイメージに対してメタデータとして構造化されることができ、イメージ分析装置２０００は、ターゲットイメージが撮影されたスキャン条件に関連したメタデータを認識することによって、ターゲットイメージが撮影されたスキャン条件に関連する情報を取得することができる。
別の例では、イメージ分析装置２０００は、ターゲットイメージが撮影されたスキャン条件を、入力モジュールを介して使用者からの入力を受けてターゲットイメージが撮影されたスキャン条件を取得することができる。
別の例では、上述したように、ターゲットイメージが撮影されたスキャン条件に関連する情報は、任意の外部装置から取得されることができる。
この時、イメージ分析装置２０００は、取得したターゲットイメージが撮影されたスキャン条件とリファレンススキャン条件が対応するか否かを判断することができる。
例えば、ターゲットイメージが１．５Ｔの磁場強度で撮影され、使用者からリファレンススキャン条件として磁場強度３Ｔに関連する情報が取得されると、イメージ分析装置２０００は、ターゲットイメージのスキャン条件とリファレンススキャン条件が対応しないと判断することができる。
それに反して、ターゲットイメージが３Ｔの磁場強度で撮影され、磁場強度３Ｔに関連するリファレンススキャン条件が取得されると、イメージ分析装置２０００は、ターゲットイメージのスキャン条件とリファレンススキャン条件が対応すると判断することができる。
別の例では、ターゲットイメージが第１メーカーによって製造されたイメージ装置で撮影され、第２メーカーと関連するリファレンススキャン条件が取得されると、イメージ分析装置２０００は、ターゲットイメージのスキャン条件とリファレンススキャン条件が対応しないと判断することができる。
それに反して、ターゲットイメージが第１メーカーによって製造されたイメージ装置で撮影され、第１メーカーと関連するリファレンススキャン条件が取得されると、イメージ分析装置２０００は、ターゲットイメージのスキャン条件とリファレンススキャン条件が対応すると判断することができる。
ターゲットイメージのスキャン条件とリファレンススキャン条件が対応するか否かを判断するステップＳ５４３０において、イメージ分析装置２０００がターゲットイメージのスキャン条件とリファレンススキャン条件が対応すると判断すると、イメージ分析装置２０００は、セグメンテーション結果に基づいて取得したターゲット要素のターゲット形態学的値を基に脳形態学的指標を出力するように実現されてもよい（Ｓ５４４０）。
換言すれば、ターゲットイメージのスキャン条件とリファレンススキャン条件が対応すると、使用者が提供を受けようとするスキャン条件での補正が実行されなくても構わないので、イメージ分析装置２０００は、セグメンテーション結果に基づいて取得したターゲット要素のターゲット形態学的値を基に脳形態学的指標を出力するように実現されてもよい。
それに反して、ターゲットイメージのスキャン条件とリファレンススキャン条件が対応するか否かを判断するステップＳ５４３０において、イメージ分析装置２０００がターゲットイメージのスキャン条件とリファレンススキャン条件が対応しないと判断すると、イメージ分析装置２０００は、補正パラメーター取得装置２４００からターゲットイメージのスキャン条件とリファレンススキャン条件に対応する相関関係の分析に基づいて取得された補正パラメーターを取得するように実現されてもよい（Ｓ５４５０）。
例えば、ターゲットイメージが１．５Ｔの磁場強度で撮影され、磁場強度３Ｔに関連するリファレンススキャン条件が取得されると、イメージ分析装置２０００は、補正パラメーター取得装置２４００から、磁場強度１．５Ｔで撮影された第１イメージから取得される第１形態学的値を磁場強度３Ｔで撮影された第２イメージから取得される第２形態学的値に変換したり近似したりする補正パラメーターを取得するように実現されてもよい。又は、イメージ分析装置２０００は、補正パラメーター取得装置２４００から取得された補正パラメタデータベースから、磁場強度１．５Ｔで撮影された第１イメージから取得される第１形態学的値を磁場強度３Ｔで撮影された第２イメージから取得される第２形態学的値に変換したり近似したりするパラメーターを補正パラメーターで決定することができる。
別の例では、ターゲットイメージが第１メーカーによって製造されたイメージ装置で撮影され、第２メーカーと関連したリファレンススキャン条件が取得されると、イメージ分析装置２０００は、補正パラメーター取得装置２４００から、第１メーカーのイメージ装置で撮影された第１イメージから取得される第１形態学的値と第２メーカーのイメージ装置で撮影された第２イメージから取得される第２形態学的値に変換したり近似したりする補正パラメーターを取得するように実現されてもよい。又は、イメージ分析装置２０００は、補正パラメーター取得装置２４００から取得された補正パラメタデータベースから、第１メーカーのイメージ装置で撮影された第１イメージから取得される第１形態学的値と第２メーカーのイメージ装置で撮影された第２イメージから取得される第２形態学的値に変換したり近似したりするパラメーターを補正パラメーターで決定するように実現されてもよい。
ターゲット形態学的値及び補正パラメーターに基づいてターゲット形態学的補正値を取得するステップＳ５４６０において、イメージ分析装置２０００は、取得した補正パラメーター及びセグメンテーション結果に基づいて取得したターゲット要素のターゲット形態学的値に基づいて、ターゲット形態学的補正値（あるいは、補正されたターゲット形態学的値）を取得することができる。
例えば、ターゲットイメージが磁場強度１．５Ｔで撮影され、磁場強度３Ｔに関連したリファレンススキャン条件が取得されると、イメージ分析装置２０００は、１．５Ｔで撮影された脳イメージから取得したターゲット要素と関連する形態学的値（あるいは、形態学的指標）を３Ｔで取得されたことに対応することができる形態学的値（あるいは、形態学的指標）で補正できる第１補正パラメーターを取得することができる。この時、イメージ分析装置２０００は、ターゲットイメージのセグメンテーション結果に基づいて取得したターゲット要素と関連するターゲット形態学的値（あるいは、ターゲット形態学的指標）に第１補正パラメーターを適用することによって、ターゲット形態学的補正値を取得することができる。
別の例では、ターゲットイメージが第１メーカーによって製造されたイメージ装置で撮影され、第２メーカーと関連したリファレンススキャン条件が取得されると、イメージ分析装置２０００は、第１メーカーのイメージ装置で撮影された脳イメージから取得したターゲット要素と関連する形態学的値（あるいは、形態学的指標）を第２メーカーのイメージ装置から取得されたことに対応することができる形態学的値（あるいは、形態学的指標）で補正できる第２補正パラメーターを取得することができる。この時、イメージ分析装置２０００は、ターゲットイメージのセグメンテーション結果に基づいて取得したターゲット要素と関連するターゲット形態学的値（あるいは、ターゲット形態学的指標）に第２補正パラメーターを適用することによって、ターゲット形態学的補正値を取得することができる。
ターゲット形態学的補正値を基に脳形態学的指標を出力するステップＳ５４７０において、イメージ分析装置２０００は、ターゲット形態学的補正値を基にターゲット要素と関連する脳形態学的指標を出力することができる。
例えば、イメージ分析装置２０００は、ターゲットイメージのセグメンテーション結果によって取得される頭蓋骨の内部領域に対応する形態学的値とターゲット形態学的補正値を基にターゲット要素と関連する脳形態学的指標を計算して出力するように実現されてもよい。より具体的に、頭蓋骨の内部領域に対応する形態学的値に対するターゲット形態学的補正値の比率をターゲット要素と関連した脳形態学的指標で計算して出力するようにイメージ分析装置２０００が実現されてもよい。
この時、頭蓋骨の内部領域に対応する形態学的値は、上述したように使用者のリファレンススキャン条件の入力によって補正パラメーターを取得して補正された値であり得る。
上述したことによると、スキャン条件として磁場強度とイメージ装置のメーカーと関連した内容を中心に説明したが、これに限定されず、イメージ装置と関連した設定パラメーターに対するスキャン条件に対しても同様に適用されることができる。
また、図６６によると、イメージ分析装置２０００がターゲットイメージのスキャン条件とリファレンススキャン条件が対応するか否かを判断し、判断した結果に応じて補正パラメーターを取得したり決定したりすることで説明したが、これに限定されず、イメージ分析装置２０００がターゲットイメージのスキャン条件とリファレンススキャン条件が対応するか否かを判断する過程が省略されてもよい。例えば、イメージ分析装置２０００は、リファレンススキャン条件及びターゲットイメージのスキャン条件を取得し、リファレンススキャン条件及びターゲットイメージのスキャン条件に基づいて決定された補正パラメーターに基づいてターゲット形態学的補正値や脳形態学的指標を取得するように実現されてもよい。
以下では、図６７を参照して、本出願の一実施例により出力される形態学的指標と関連する情報の例示及び使用者のリファレンススキャン条件に関連した入力を受信するユーザーインターフェースを説明する。図６７は、本出願の一実施例によるユーザーインターフェースを概略化した図である。
図６７を参照すると、本出願の一実施例によるユーザーインターフェースは、入力モジュール（２０４０あるいは２６４０）を介してリファレンススキャン条件に関連する使用者の入力を取得し、出力モジュール（２０５０あるいは２６５０）を介してリファレンススキャン条件に関連する使用者の入力に対応する情報を出力するように提供されてもよい。この時、出力モジュール（２０５０あるいは２６５０）は、スマートフォンのディスプレイ、モニターのディスプレイなどの任意の適切な形態として実現されてもよい。
一例として、イメージ分析装置２０００は、イメージ分析装置２０００の出力モジュール２０５０あるいは出力装置２６００の出力モジュール２６５０を介して、形態学的指標と関連する情報を出力することができる。
この時、イメージ分析装置２０００は、現在のスキャン条件に対する情報Ｏ１を出力するように実現されてもよい。具体的に、イメージ分析装置２０００は、出力される形態学的指標と関連する情報がどのようなスキャン条件に対応して出力されるのかに関連する情報Ｏ１を出力するように実現されてもよい。例えば、図６７を再び参照すると、現在の出力される形態学的指標と関連する情報は、ターゲットイメージが第１メーカーによって製造されたイメージ装置で１．５Ｔの磁場強度に対応するスキャン条件下で取得されたことを示す情報を含むことができる。
本出願の一実施例によるユーザーインターフェースは、使用者のリファレンススキャン条件に対する入力を取得するためのチェックボックスを含んだリファレンススキャン条件に対する情報Ｏ２を出力するように実現されてもよい。
具体的に、使用者が入力モジュールを介して磁場強度に関連したリファレンススキャン条件に対応するチェックボックスを選択するようにユーザーインターフェースが実現されてもよい。イメージ分析装置２０００は、ユーザーインターフェースを介して磁場強度と関連したリファレンススキャン条件を取得することができる。
また、使用者が入力モジュールを介してメーカーと関連したリファレンススキャン条件に対応するチェックボックスを選択するようにユーザーインターフェースが実現され、イメージ分析装置２０００は、ユーザーインターフェースを介してメーカーと関連したリファレンススキャン条件を取得してもよい。リファレンススキャン条件に対する情報Ｏ２は、チェックボックス以外の他の形態の入力インターフェースを介して入力されてもよい。
例えば、図６７を参照すると、使用者は、入力モジュールを介して、現在の出力される形態学的指標と関連する情報（例えば、第１メーカーによって製造されたイメージ装置で１．５Ｔの磁場強度に対応するスキャン条件下で計算された情報（Ｆ１，Ｇ１，Ｔ１））を第１メーカーによって製造されたイメージ装置で３Ｔの磁場強度に対応するスキャン条件下で取得されたものと同じ形態学的指標と関連する情報に変換するための入力データを入力することができる。
この時、イメージ分析装置２０００は、図６７に関連して上述した取得されたリファレンススキャン条件に基づいて対応する補正パラメーターを取得し、形態学的値（あるいは、形態学的指標）を補正して出力する動作を実行するように実現されてもよい。
この時、イメージ分析装置２０００は、補正された形態学的値あるいは補正された形態学的指標に基づいて、既に出力された形態学的指標と関連する情報を変更して出力するように実現されてもよい。
例えば、使用者から取得されたリファレンススキャン条件に従って計算された形態学的値や形態学的指標が変更されてもよく、これに基づいて脳体積百分位グラフＧ１が修正されて出力モジュール２０５０を介して出力されるように実現されてもよい。
別の例では、使用者から取得されたリファレンススキャン条件に従って計算された形態学的値や形態学的指標が変更されてもよく、これに基づいて脳体積詳細分析表Ｔ１に含まれた形態学的値や形態学的指標と関連した百分位のような数値が修正されて出力モジュール２０５０を介して出力されるように実現されてもよい。
また、別の例では、使用者から取得されたリファレンススキャン条件に従って計算された形態学的値や形態学的指標が変更されてもよく、これに基づいて脳体積萎縮度Ｆ１に含まれた形態学的指標と関連した百分位による色が修正されて出力モジュール２０５０を介して出力されるように実現されてもよい。
ただし、図６７に示されたユーザーインターフェースは、例示に過ぎず、ユーザーインターフェースは、任意の適切な方法を介して使用者の任意の適切な入力を取得し、使用者入力に基づいて変更されるイメージ分析装置の分析結果を任意の適切な方法で出力するように実現されてもよい。
本実施例によれば、イメージ分析装置２０００は、第１スキャン条件下で撮影されたターゲットイメージのターゲット要素と関連する領域に対応するターゲット形態学的値を、使用者の入力に基づいて第１スキャン条件以外の第２スキャン条件又は第３スキャン条件下でのターゲット要素の形態学的推定値で計算することができる。
したがって、本実施例におけるイメージ分析装置２０００は、ターゲット形態学的値をユーザーの望むスキャン条件に対応する形態学的推定値で自由に補正できてユーザーの望むスキャン条件による形態学的指標情報を使用者に提供することができるという有利な効果が存在する。
一方、本出願の一実施例による形態学的数値を補正するための一例は、図５８のセグメンテーションステップＳ５２００の前に実行されてもよい。換言すれば、形態学的数値をより正確に取得するために、イメージ分析装置２０００は、セグメンテーションステップＳ５２００の前に補正動作を実行するように実現されてもよい。
この時、本出願の一実施例によれば、ターゲットイメージが取得されるスキャン条件別にターゲットイメージと関連した補正が異なるように実現されてもよい。
一例として、イメージ分析装置２０００は、ターゲットイメージのインテンシティ（ｉｎｔｅｎｔｓｉｔｙ）の正規化（Ｒｅｇｕｌａｒｉｚａｔｉｏｎ）と同じ動作を実行するように提供されることができる。この時、ターゲットイメージが取得されるスキャン条件別にインテンシティ（ｉｎｔｅｎｔｓｉｔｙ）の正規化（Ｒｅｇｕｌａｒｉｚａｔｉｏｎ）の補正方法が異なるように実現されてもよい。
他の例として、イメージ分析装置２０００は、ターゲットイメージを目標にする磁場強度あるいは設定パラメーターと関連したスキャン条件に対応する脳イメージに変換する動作を実行するように実現されてもよい。例えば、イメージ分析装置２０００は、ＭＲシミュレーター（ＭＲ ｓｉｍｕｌａｔｏｒ）等のような任意の適切なソフトウェア、イメージ変換技法あるいは学習された人工神経網を利用して、ターゲットイメージを目標とするスキャン条件に対応する脳イメージに変換することができる。この時、ターゲットイメージが取得されるスキャン条件別に、特にターゲットイメージが取得された設定パラメーター（例えば、ＴＲ、ＴＥなど）を考慮して、ＭＲシミュレーター（ＭＲ ｓｉｍｕｌａｔｏｒ）等のイメージ変換パラメーターを異なるように提供することによって、ターゲットイメージの補正が実行されてもよい。この時、イメージ分析装置２０００は、スキャン条件を考慮してターゲットイメージを目標とするスキャン条件に対応する脳イメージに変換するための変換パラメーターを取得したり、計算するように実現されてもよい。
又は、ターゲット要素の位置ごとにターゲットイメージと関連する補正が異なるように提供されてもよい。
一例として、イメージ分析装置２０００は、第１脳要素に対応する第１領域に対して第１方法で前処理を実行するものの、第２脳要素に対応する第２領域に対して第１方法とは異なる第２方法の前処理を実行するように実現されてもよい。
例えば、第１脳要素に対応する第１領域は、第２脳要素に対応する第２領域と比較して、頭蓋骨領域に隣接して位置することができる。この時、ターゲットイメージの解像度や鮮明度と関連して、第１領域は、第２領域に比べて相対的に鮮明でないこともある。この時、イメージ分析装置２０００は、第１領域に対して第１方法を利用して第１領域の鮮明度を改善する前処理を実行するように実現され、第２領域に対して任意の適切な第２方法を利用してイメージ分析の精度を改善するための前処理を実行するように実現されてもよい。
上述したことによれば、本出願の一実施例によるイメージ分析装置２０００は、セグメンテーション結果に基づいて取得された形態学的数値（例えば、形態学的値や形態学的指標）に対する補正だけでなく、セグメンテーションの前にスキャン条件などを考慮して、追加的な補正を実行することができるので、より正確な形態学的数値を取得することができるという有利な効果が存在することができる。
したがって、本出願の一実施例によるイメージ分析装置２０００は、客観的な脳疾患に関連した診断補助指標を使用者に提供できるという長所が存在することができる。
医療イメージの分析を介して様々な指標情報を取得することができ、前記指標情報から導出することができる医療情報も多様であり得る。例えば、前記指標情報から導出することができる医療情報は、前記指標情報の分析を介して取得される診断情報、分析情報、又は処方情報に関するものであり得る。
この場合、取得される様々な指標情報のうち、使用者に必要な情報は、使用者ごとにそれぞれ異なることができる。これにより、医療イメージが含んでいる様々な指標情報のうち、使用者に必要な指標情報が選別的に提供されるべき必要性が存在する。又は、医療イメージが含んでいる様々な指標情報のうち、使用者の関心に応じて選択された指標情報が選別的に提供されるべき必要性も存在する。すなわち、使用者に必要な情報を、患者情報又は使用者情報などに応じて異なるように提供することによって、医療イメージから導出した指標情報を一律的に提供することに比べて、使用者の情報取得がより容易になりえる。
一実施例によれば、イメージ出力装置は、撮影された医療イメージの分析を介して取得される様々な指標情報のうち、使用者に必要な指標情報を選択的に提供することができる。
図６８は、一実施例による医療情報出力プロセスを説明するための図である。
図６８を参照すると、一実施例による医療情報出力プロセスは、医療データ取得ステップＳ４１００と、医療情報取得ステップＳ４２００と、診断補助情報取得ステップＳ４３００と、診断補助情報出力ステップＳ４４００と、を含むことができる。
図６９は、一実施例によるイメージ分析装置を説明するための図である。
図６９を参照すると、一実施例によるイメージ分析装置４０００は、医療情報を出力することができる。イメージ分析装置４０００は、医療データ取得モジュール４１００と、医療情報取得モジュール４２００と、診断補助情報取得モジュール４３００と、診断補助情報出力モジュール４４００と、を含むことができる。
図面では、医療データがイメージ分析装置を介して取得されることで表示されているが、医療データはイメージ取得装置によって取得されてもよい。
図７０は、医療データ取得モジュールを説明するための図である。
図７０を参照すると、医療データ取得モジュール４１００は、イメージデータ取得部４１１０又は非イメージデータ取得部４１３０のいずれかを含むことができる。医療データは、イメージデータ又は非イメージデータのいずれかを含むことができる。
イメージデータ取得部４１１０は、イメージデータを取得することができる。ここで、イメージデータは、様々な種類の医療イメージ又は医療映像を含むことができる。イメージデータは、複数の医療イメージ又は医療映像を含むことができる。
非イメージデータ取得部４１３０は、非イメージデータを取得することができる。ここで、非イメージデータは、健康に関連する問診票データを含むことができる。非イメージデータは、イメージデータに基づいて取得された非イメージ情報を含むことができる。
図７１は、医療情報取得モジュール４２００を説明するための図である。
医療情報取得モジュール４２００は、医療データに基づいて医療情報を取得することができる。医療情報は、対象体の健康状態と関連した様々な情報を含むことができる。医療情報は、対象体と関連した様々な指標情報、例えば、人体の１つの領域に関する面積、体積、位置、又は形などを含むことができる。
図７１を参照すると、医療情報取得モジュール４２００は、第１医療情報取得部４２１０又は第２医療情報取得部４２３０のいずれかを含むことができる。
第１医療情報取得部４２１０は、第１医療情報を取得することができる。第２医療情報取得部４２３０は、第２医療情報を取得することができる。この場合、第１医療情報又は第２医療情報は、学習された神経網を利用して医療データを基に取得された情報を含むことができる。第１医療情報又は第２医療情報は、医療データと生データを含むことができる。第１医療情報又は第２医療情報は、医療データを基に取得される形態学的指標又は形態学的値を含むことができる。
第１医療情報取得部４２１０及び第２医療情報取得部４２３０は、それぞれ独立した医療データに基づいて医療情報を取得することができる。第１医療情報取得部４２１０は、第１医療データに基づいて医療情報を取得し、第２医療情報取得部４２３０は、第２医療データに基づいて医療情報を取得することができる。例示的に、第１医療情報取得部４２１０は、イメージデータに基づいて医療情報を取得し、第２医療情報取得部４２３０は、非イメージデータに基づいて医療情報を取得することができる。
又は、第１医療情報取得部４２１０及び第２医療情報取得部４２３０は、共通する医療データに基づいて医療情報を取得することができる。第１医療情報取得部４２１０及び第２医療情報取得部４２３０は、第１医療データに基づいて医療情報を取得することができる。例示的に、第１医療情報取得部４２１０及び第２医療情報取得部４２３０は、イメージデータ又は非イメージデータに基づいて医療情報を取得することができる。
図７１では、第１医療情報取得部４２１０と第２医療情報取得部４２３０が区別されることで例示したが、これは例示に過ぎず、第１医療情報取得部４２１０と第２医療情報取得部４２３０は、１つの物理的又は論理的構成で用意されてもよい。
図７２は、診断補助情報取得モジュール４３００を説明するための図である。
診断補助情報取得モジュール４３００は、診断補助情報を取得することができる。診断補助情報は、学習された神経網を利用して医療情報を基に取得された情報であり得る。診断補助情報は、医療情報を加工して取得された情報であり得る。例えば、診断補助情報は、医療情報に基づいた病気診断情報、医療情報分析情報、処方情報などを含むことができる。診断補助情報は、イメージ形態又はテキスト形態であり得る。
また、診断補助情報は、本明細書で例示されたイメージ分析に関連する情報、例えば、イメージ品質関連情報、ＩＣＶ関連情報、Ｃａｌｉｂｒａｔｉｏｎ関連情報、又はセグメンテーション（ｓｅｇｍｅｎｔａｔｉｏｎ）関連情報を含むことができる。
図７２を参照すると、診断補助情報取得モジュール４３００は、第１診断補助情報取得部４３１０又は第２診断補助情報取得部４３３０のいずれかを含むことができる。
第１診断補助情報取得部４３１０は、第１診断補助情報を取得することができる。第２診断補助情報取得部４３３０は、第２診断補助情報を取得することができる。
第１診断補助情報取得部４３１０及び第２診断補助情報取得部４３３０は、それぞれ独立した医療情報に基づいて診断補助情報を取得することができる。第１診断補助情報取得部４３１０は、第１医療情報に基づいて診断補助情報を取得し、第２診断補助情報取得部４３３０は、第２医療情報に基づいて診断補助情報を取得することができる。例示的に、第１診断補助情報取得部４３１０は、イメージデータに基づいて診断補助情報を取得し、第２診断補助情報取得部７３１３は、非イメージデータに基づいて診断補助情報を取得することができる。
又は、第１診断補助情報取得部４３１０及び第２診断補助情報取得部４３３０は、共通する医療情報に基づいて診断補助情報を取得することができる。第１診断補助情報取得部４３１０及び第２診断補助情報取得部４３３０は、第１医療情報に基づいて診断補助情報を取得することができる。例示的に、第１医療情報は、イメージデータ又は非イメージデータであり得る。
図７２では、第１診断補助情報取得部４３１０と第２診断補助情報取得部４３３０が区別されることで例示したが、これは例示に過ぎず、第１診断補助情報取得部４３１０と第２診断補助情報取得部４３３０は、１つの物理的又は論理的構成で用意されてもよい。
図７３は、診断補助情報出力モジュール４４００を説明するための図である。
図７３を参照すると、診断補助情報出力モジュール４４００は、診断補助情報出力部４４１０、コメント生成部４４２０、又はコメント出力部４４３０を含むことができる。
診断補助情報出力部４４１０は、診断補助情報を出力することができる。診断補助情報出力部４４１０は、複数の診断補助情報（例えば、処方情報及び対象病気関連指標情報）を出力することができる。例えば、診断補助情報出力部４４１０は、第１診断補助情報と第２診断補助情報に基づく情報を出力することができる。診断補助情報出力部４４１０は、診断補助情報をイメージ又は非イメージの形態に加工した情報を出力することができる。
コメント生成部４４２０は、診断補助情報に基づいて決定されたコメントを生成することができる。コメント生成部４４２０は、複数の診断補助情報に基づいて決定されたコメントを生成することができる。例えば、コメント生成部４４２０は、第１病気に関連する第１診断補助情報と第２病気に関連する第２診断補助情報に基づいて第１コメントを生成することができる。この場合、第１コメントは、第１病気に関連する情報及び／又は第１病気に対する処方ないし医療的処置と関連する情報を含むことができる。
認知症と関連した第１補助情報、例えば、海馬の収縮程度に関する情報と認知症と関連した第２補助情報、例えば、海馬の形と関連する情報に基づいて第１コメントを生成することができる。
第１コメントは、対象体の認知症リスクが００％で認知症初期段階に該当してもよいというメッセージを示すことができる。また、第１コメントは、対象体が認知症初期段階に該当するので、認知能力が低下する恐れがあるというメッセージを示すことができる。
一方、診断補助情報出力モジュールは、複数の予め定められた条件に基づいて、取得した医療情報が満足する条件に応じて、いろいろな診断補助情報又はコメントを出力することができる。
例えば、複数の予め定められた条件は、１つ以上の医療情報に対する基準値を含む第１条件と、１つ以上の医療情報に対する基準値を含む、第１条件と少なくとも一部異なる第２条件と、を含み、診断補助情報出力モジュールは、取得した複数の医療情報が第１条件を満足する場合、第１診断補助情報（又は、第１コメント）を出力し、取得した複数の医療情報が第２条件を満足する場合、第２診断補助情報（又は、第２コメント）を出力することができる。
第１条件は、第１病気と関連し、第１医療情報に対する第１条件及び第２医療情報に対する第２条件を含むことができる。第１医療情報に対する第１条件は、第１医療情報が第１基準値を超えることを含み、第２医療情報に対する第２条件は、第２医療情報が第２基準値を超えることを含むことができる。第２条件は、第２病気と関連し、第１条件と同様に実現されることができる。
以下では、診断補助情報及び／又はコメント生成に基礎となる予め定められた条件に対し、いくつかの実施例を挙げて説明する。
図７４は、いくつかの対象病気に対して、関連した指標を例示するための図である。
図７４を参照すると、アルツハイマー性認知症の場合、側頭葉萎縮指標、頭頂葉萎縮指標、及び海馬萎縮指標と関連することができる。血管性認知症の場合、側頭葉萎縮指標、頭頂葉萎縮指標、海馬萎縮指標、白質病変萎縮指標、及び帯状回萎縮指標と関連することができる。前頭側頭葉（ＦＴＬＤ）認知症の場合、前頭葉萎縮指標、側頭葉萎縮指標、及び海馬萎縮指標と関連することができる。
各病気と指標との相関関係は異なることがある。例えば、海馬萎縮指標が側頭葉萎縮指標及び頭頂葉萎縮指標よりアルツハイマー性認知症と高い関連性を有することができる。白質病変指標が海馬萎縮指標より血管性認知症と高い関連性を有し、海馬萎縮指標が前頭葉萎縮指標、側頭葉萎縮指標、及び頭頂葉萎縮指標より血管性認知症と高い関連性を有することができる。前頭葉萎縮指標及び側頭葉萎縮指標が海馬萎縮指標より前頭側頭葉認知症と高い関連性を有することができる。
診断補助情報出力モジュール４４００は、図７４に例示したような指標（医療情報）と病気との関連関係に基づいて生成された診断補助情報を出力することができる。
例えば、図７４を参照すると、医療情報によると前頭葉指標、側頭葉指標、及び海馬指標がそれぞれ臨界値以上である場合、診断補助情報出力モジュール４４００は、対象体がＦＴＬＤに対して危険群に属することを示す診断補助情報を出力することができる。又は、海馬指標、側頭葉指標、及び頭頂葉指標がそれぞれ臨界値以上である場合、診断補助情報出力モジュール４４００は、対象体がＡＤ（Ａｌｚｈｅｉｍｅｒ’ｓ ｄｉｓｅａｓｅ）に対して危険群に属することを示す診断補助情報を出力することができる。
図７５は、一実施例による医療情報出力画面を説明するための図である。
図７５を参照すると、医療情報出力画面は、患者情報ＰＩ、イメージ情報ＲＩ、指標情報ＦＩ、診断情報ＤＩ、又はコメントＣＭＴを含むことができる。
イメージ情報ＲＩは、診断補助情報と関連した医療イメージが表示されたイメージを含むことができる。指標情報ＦＩは、医療データから取得された医療情報と関連する情報を含むことができる。診断情報ＤＩは、医療情報から取得された診断補助情報、例えば、病気診断情報、医療情報分析情報、処方情報などを含むことができる。
コメントＣＭＴは、診断補助情報に基づいて生成されたコメントを含むことができる。図７４を共に参照すると、前頭葉指標、側頭葉指標、及び海馬指標がそれぞれ臨界値以上である場合、「前頭葉及び側頭葉の萎縮程度が正常であるに比べて高い数値を示し、海馬の萎縮程度が危険水準であるため、ＦＴＬＤ（Ｆｒｏｎｔａｌ－ｔｅｍｐｏｒａｌ ｌｏｂｅ ｄｅｍｅｎｔｉａ）病気の発生が疑われる状況」であることを示すコメントを提供することができる。
又は、海馬指標、側頭葉指標、及び頭頂葉指標がそれぞれ臨界値以上の場合、「海馬の萎縮程度が正常であるに比べて高い数値を示し、側頭葉及び頭頂葉の萎縮程度が危険水準に該当するため、ＡＤ（Ａｌｚｈｅｉｍｅｒ’ｓ ｄｉｓｅａｓｅ）病気が疑われる状況」であることを示すコメントを提供することができる。
コメントＣＭＴは、診断補助情報に基づいて生成される処方情報を含むことができる。図７４を共に参照すると、側頭葉指標、頭頂葉指標、及び海馬指標がそれぞれ臨界値以上である場合、「アルツハイマー侵害が疑われる状況なので、第１処方情報、例えば、アスピリンなどの血小板凝集阻害剤、ワルファリンなどの抗凝固剤、血流循環改善制、アセチルコリン分解酵素阻害剤の処方が要求される」ことを示すコメントを提供することができる。
又は、前頭葉指標、側頭葉指標、及び海馬指標がそれぞれ臨界値以上である場合、「前頭側頭葉認知症が疑われる状況なので、第２処方、例えば、抗精神病薬、抗うつ剤、抗不安剤、睡眠薬などの精神科的薬品に関する処方が要求される」ことを示すコメントを提供することができる。
医療イメージの分析を介して様々な指標情報が取得されるが、前記様々な指標情報を使用者に一律的に表示又は提供する場合、使用者（例えば、臨床医）が必要に応じて情報を選別的に取得しなければならない不便さが存在する。これにより、使用者の便宜を増進するために、使用者情報ないし患者情報によって異なる医療情報を提供すべき必要性がある。
一実施例によるイメージ装置は、医療データを取得し、医療データに基づいて複数の医療情報（例えば、ＩＣＶの他の形態学的指標）を取得し、医療情報を再構成した後、再構成された情報を提供することができる。
再構成された情報は、使用者情報又は患者情報に基づいて再構成された情報であり得る。ここで、使用者情報は、診療科目、カテゴリー、普段好む指標に対する使用者の選択などを含み、患者情報は、患者個人情報、患者の健康状態に関する情報、患者の医療データを分析して得た情報、患者の過去診療履歴などを含むことができる。
又は、再構成された情報は、上述した使用者情報ないし患者情報に基づいて取得された複数の医療情報に関する優先順位又は整列順序が決定された情報を含むことができる。
又は、再構成された情報は、取得された複数の医療情報のうち上述した使用者情報ないし患者情報に基づいて優先的に選別された一部の医療情報を含むことができる。
診断補助情報出力モジュール４４００が再構成された情報を提供することは、使用者情報ないし患者情報に基づいて優先順位が高い医療情報が上段に表示されるように提供することを含むことができる。又は、診断補助情報出力モジュール４４００が再構成された情報を提供することは、上述した使用者情報ないし患者情報に基づいて選別された医療情報を提供することを含むことができる。
以下では、医療情報を選別的に提供する装置及び方法について、より具体的に説明する。
図７６は、他の実施例による医療情報出力プロセスを説明するための図である。
図７６を参照すると、他の実施例による医療情報出力プロセスは、医療データ取得ステップＳ４１００と、医療情報取得ステップＳ４２００と、選別情報取得ステップＳ４７００と、選別情報出力ステップＳ４９００を含むことができる。
図７７は、他の実施例によるイメージ分析装置を説明するための図である。
図７７を参照すると、他の実施例によるイメージ分析装置４０００は、医療情報を出力することができる。イメージ分析装置４０００は、医療データ取得モジュール４１００と、医療情報取得モジュール４２００と、選別情報取得モジュール４７００と、選別情報出力モジュール４９００と、を含むことができる。図面では、医療データがイメージ分析装置を介して取得されることで表示されているが、医療データは、イメージ取得装置によって取得されてもよい。
選別情報取得モジュール４７００は、選別情報を取得することができる。
選別情報は、医療情報を基に取得された情報であり得る。選別情報は、学習された神経網モデルを利用して医療情報を基に取得された情報であり得る。選別情報は、医療情報のうち、病気判断の根拠となる情報であり得る。選別情報は、医療情報のうち学習された神経網モデルを利用して選択された情報を意味することがある。
選別情報は、医療情報のうち予め定められた選別基準によって選択された情報を意味することがある。
一実施例によれば、選別基準は患者情報を基に決定されることができる。選別基準は、イメージデータに基づいて取得された医療情報のうち患者の状態と関連する情報をイメージデータ又は非イメージデータに基づいて取得された医療情報から選択するように決まることができる。
選別基準は、イメージデータに基づいて取得された医療情報のうち患者の状態と関連する情報が選別されるように決まることができる。
選別基準は、基準医療情報によって予め定められた医療情報セットが選別されるように決まることができる。具体的な例として、基準医療情報が海馬の収縮程度である場合、選別基準は、海馬の収縮程度が基準値以上の場合、予め定められた１つ以上の医療情報が出力されるように決まることができる。この時、選別される１つ以上の医療情報は海馬の収縮に関連した医療情報であり得る。例えば、海馬の収縮は、血管性認知症と高い関連性を有し、選別される１つ以上の医療情報は、血管性認知症の診断に利用される側頭葉萎縮情報及び頭頂葉萎縮情報を含むことができる。
選別基準は、使用者の選択によって予め定められた医療情報セットが選別されるように決まることができる。具体的な例として、使用者が第１診療科（例えば、映像医学科）に属している場合、選別基準は、使用者が第１診療科（例えば、映像医学科）である場合、予め定められた１つ以上の医療情報が出力されるように決まることができる。選別情報出力モジュール４９００は、複数の診療科（又は、項目）のいずれかを選択する使用者入力に基づいて、選択された診療科に対応する医療情報を選別的に提供することができる。この時、選別される１つ以上の医療情報は、第１診療科（例えば、映像医学科）で扱われる医療情報であり得る。例えば、使用者が第１診療科に属している場合、選別情報出力モジュール４９００は、第１診療科を選択する使用者入力に応答して、第１指標を含む医療情報を出力することができる。第１指標は、第１診療科に対応するように予め決まることができる。第１診療科（例えば、映像医学科）は、第１指標（例えば、白質病変など）と高い関連性を有することができる。
選別基準は、医師の関心対象病気によって予め定められた医療情報セットが選別されるように決まることができる。具体的な例として、医師が第１病気（例えば、認知症）を関心対象とする場合、選別基準は、医師が第１病気（例えば、認知症）である場合、予め定められた１つ以上の医療情報が出力されるように決まることができる。選別情報出力モジュール４９００は、複数の関心対象の病気のうちいずれか１つを選択する使用者入力に基づいて、選択された病気に対応する医療情報を選別的に提供することができる。この時、選別される１つ以上の医療情報は、第１病気（例えば、認知症）と高い関連性を有する医療情報であり得る。
図７８は、選別情報取得モジュールを説明するための図である。
図７８を参照すると、選別情報取得モジュール４７００は、第１選別情報取得部４７１０又は第２選別情報取得部４７３０を含むことができる。
第１選別情報取得部４７１０は、医療情報のうち第１選別基準に従って選択された第１選別情報を取得することができる。
第２選別情報取得部４７３０は、医療情報のうち第２選別基準に従って選択された第２選別情報を取得することができる。
第１選別基準は、使用者情報又は患者情報に関連する基準のうちいずれか１つであり得る。第２選別基準は、使用者情報又は患者情報に関連する基準のうち第１選別基準と異なるいずれか１つであり得る。一例として、第１選別基準は、使用者情報（例えば、医師の診療科の種類、医師の関心対象）に基づく基準であり得、第２選別基準は、患者情報（例えば、患者個人情報、患者の医療データを分析して得た情報、患者の過去診療履歴）に基づく基準であり得る。
図７９は、選別情報出力モジュール４９００を説明するための図である。
図７９を参照すると、選別情報出力モジュール４９００は、選別情報整列部４９１０と、選別情報出力部４９２０と、コメント生成部４９３０と、コメント出力部４９４０と、を含むことができる。
選別情報整列部４９１０は、選別情報取得モジュール４７００を介して取得された選別情報を予め定められた整列基準に従って整列することができる。整列基準は、選別情報が上述した選別基準に最も合致する順序で整列するように決まれた基準を含むことができる。
選別情報整列部４９１０は、選別情報が選別情報の類型別に整列するように決まった基準に基づいて選別情報を整列することができる。例えば、選別情報整列部４９１０は、第１病気に関連する選別情報、第２病気に関連する選別情報を分類して整列するように決まった基準を含むことができる。選別情報整列部４９１０は省略されることができる。
選別情報出力部４９２０は、選別情報を出力することができる。選別情報出力部４９２０は、選別情報に含まれる複数の医療情報のうち一部を出力することができる。選別情報出力部４９２０は、選別情報に含まれる複数の医療情報のうち選別基準に合致する程度が高い一部の情報を出力することができる。
コメント生成部４９３０は、選別情報に基づいてコメントを生成することができる。コメント生成部４９３０は、複数の選別情報に基づいてコメントを生成することができる。例えば、コメント生成部４９３０は、第１病気に関連する第１選別情報と第１病気に関連する第２選別情報に基づいて第１コメントを生成することができる。この場合、第１コメントは、第１病気に関連する情報及び／又は第１病気に対する処方ないし医療的処置と関連する情報を含むことができる。
例示的に、認知症と関連した第１選別情報、例えば、海馬の収縮程度に関する情報と、認知症と関連した第２選別情報、例えば、海馬の形状と関連する情報に基づいて第１コメントを生成することができる。この場合、第１コメントは、対象体の認知症リスクが００％で認知症初期段階に該当可能であるというメッセージを示すことができる。また、第１コメントは、対象体が認知症初期段階に該当するので、認知能力が低下する恐れがあるというメッセージを示すことができる。また、第１コメントは、対象体の認知症進行程度に基づく処方情報を示すことができる。
図８０及び図８１は、選別情報出力画面を説明するための図である。
図８０を参照すると、一実施例による選別情報出力画面は、医療情報のうち患者情報と関連する情報を選択するように決まった選別基準に従って選択された情報に基づく出力画面であり得る。
一実施例による選別情報出力画面は、患者情報ＰＩ、イメージ情報ＭＩ、病気情報ＤＩ、選別情報ＳＩ、分析情報ＡＮ、又はコメントＣＭＴを含むことができる。
イメージ情報ＭＩは、選別基準（例えば、患者情報による選別基準）に従って選択された選別情報と関連した医療イメージを含むことができる。
病気情報ＤＩは、第１選別基準に従って選択された選別情報に基づいて取得された病気情報を含むことができる。この場合、病気情報ＤＩは、対象体に発生する可能性がある少なくとも１つ以上の病気情報及び対象体に該当病気が発生する確率に関する情報を含むことができる。病気情報ＤＩは、対象体に発生する可能性がある複数の病気情報が一定の基準に従って整列した情報を含むことができる。
選別情報ＳＩは、医療情報に含まれている解剖学的指標のうち患者情報と関連する解剖学的指標を含むことができる。選別情報ＳＩは、病気情報ＤＩと関連性のある解剖学的指標を含むことができる。例えば、使用者が複数の病気情報のうち第１病気情報を選択する場合、選別情報出力画面は、第１病気と関連する解剖学的指標に関する第１選別情報を提供することができる。使用者が複数の病気情報のうち第１病気情報及び第２病気情報を選択する場合、選別情報出力画面は、第１病気情報及び第２病気情報と関連する解剖学的指標に関する第２選別情報を提供することができる。
分析情報ＡＮは、対象体に関する医療データに基づいて取得された総合分析結果、例えば、レポート形式の総合分析結果を含むことができる。
コメントＣＭＴは、選別情報に基づいて生成されたコメントを含むことができる。コメントに関連しては、本明細書で上述した内容が適用され得る。コメントは、医療情報のうち第１病気を基に取得した選別情報に基づいて第１病気と関連するコメントを生成することができる。例えば、図８０を参照すると、コメントは、アルツハイマーと関連した第１選別情報（例えば、海馬萎縮程度）、第２選別情報（例えば、前頭葉萎縮程度）、及び対象体のアルツハイマー危険程度と関連する情報を含むことができる。
コメントは、複数の病気情報のいずれかを選択する使用者入力に応答して変更することができる。例えば、図８０において、使用者が血管性認知症病気情報オブジェクトを選択することにより、コメントは対象体の血管性認知症危険程度及び対象体の血管性認知症に関連した選別情報を含むものに変更され得る。
図８１を参照すると、他の実施例による選別情報出力画面は、医療情報のうち診療科に応じて関連する情報を選択するように決まった選別基準に従って選択された情報に基づく出力画面であり得る。
他の実施例による選別情報出力画面は、患者情報ＰＩ、イメージ情報ＭＩ、診療科情報ＣＡＴ、選別情報ＳＩ、分析情報ＡＮ、又はコメントＣＭＴを含むことができる。
イメージ情報ＭＩは、選別基準（例えば、診療科目による選別基準）に従って選択された選別情報と関連する医療イメージを含むことができる。
診療科情報ＣＡＴは、第２選別基準に従って選択された選別情報に基づいて取得された病気情報を含むことができる。この場合、診療科情報ＣＡＴは、対象体と関連した医療データを分析する診療科リストを含むことができる。診療科リストは、対象体と関連した医療データの分析を要する少なくとも１つ以上の診療科を含むことができる。
選別情報ＳＩは、医療情報に含まれている解剖学的指標のうち選択された診療科情報ＣＡＴと関連した解剖学的指標を含むことができる。選別情報ＳＩは、選択された診療科情報ＣＡＴと関連性のある解剖学的指標を含むことができる。例えば、使用者が複数の診療科のうち第１診療科を選択する場合、選別情報出力画面は、第１診療科と関連する解剖学的指標に関する第３選別情報を提供することができる。使用者が複数の診療科のうち第１診療科及び第２診療科を選択する場合、選別情報出力画面は、第１診療科及び第２診療科と関連する解剖学的指標に関する第４選別情報を提供することができる。
分析情報ＡＮは、対象体に関する医療データに基づいて取得された総合分析結果、例えば、レポート形式の総合分析結果を含むことができる。
コメントＣＭＴは、選別情報に基づいて生成されたコメントを含むことができる。コメントと関連しては、本明細書で上述した内容が適用されてもよい。コメントは、第１診療科と関連して取得された選別情報に基づいて、第１診療科と関連したコメントを生成することができる。例えば、図８１を参照すると、コメントは、神経科と関連した第１選別情報及び第２選別情報と関連する情報を含むことができる。
コメントは、複数の診療科のうちいずれかを選択する使用者の入力に応答して変更され得る。例えば、図８１において、使用者が映像学とオブジェクトを選択することによって、コメントは映像学科で必要とされる選別情報を含むことに変更され得る。
上述したイメージ分析装置２０００のイメージ分析方法は、イメージ分析装置２０００の第１メモリー２０２０に格納されることができ、イメージ分析装置２０００の第１コントローラー２０３０は、第１メモリー２０２０に格納されたイメージ分析方法を実行するように提供されてもよい。
本出願に開示された脳映像分析方法、脳映像分析装置、及び脳映像分析システムは、脳映像を分析するために利用することができる。
特に、本出願に開示された脳映像分析方法、脳映像分析装置、及び脳映像分析システムは、精度と信頼度が高い脳疾患と関連する情報を提供する全ての分野に適用されることができる。例えば、脳疾患を診断する補助指標を計算したり、脳疾患と関連する補助指標を提供する健康検診分野などに活用されてもよい。
ただし、本出願に開示された脳映像分析方法、脳映像分析装置、及び脳映像分析システムは、脳映像だけでなく、すべての医療イメージに対しても適用されてもよい。したがって、脳疾患を診断する補助指標だけでなく、様々な疾患を診断することを補助するための特定部位の長さ、形状、体積、厚さなどに関連した形態学的指標を取得し、提供するための全ての分野に対して適用されてもよい。
以上で実施形態に説明された特徴、構造、効果などは、本発明の少なくとも１つの実施形態に含まれており、必ずしも１つの実施形態のみに限定されるものではない。さらに、各実施形態で例示された特徴、構造、効果などは、実施形態が属する分野の通常の知識を有する者によって他の実施形態に対しても組み合わせ又は変形して実施可能である。したがって、このような組み合わせと変形に関係した内容は、本発明の範囲に含まれると解釈されるべきである。
また、以上では実施形態を中心に説明したが、これは単に例示のみであり、本発明を限定するものではなく、本発明が属する分野の通常の知識を有する者は本実施形態の本質的特性から逸脱しない範囲で、以上に例示されなかったいろんな変形と応用が可能であることが分かるはずである。すなわち、実施形態により具体的に示された各構成要素は変形して実施できる。そして、このような変形と応用に関する差異点は、特許請求の範囲により規定される本発明の範囲に含まれるものと解釈されるべきである。

Claims (19)

  1. 医療映像を取得し、前記医療映像に基づいて形態学的分析を実行する装置が医療映像を分析する方法において、
    ターゲット医療映像を取得することと、
    前記ターゲット医療映像に関連したターゲットスキャン条件を取得することと、
    前記ターゲット医療映像に含まれたターゲット要素に対応するターゲット領域のボクセルデータに基づいて前記ターゲット要素と関連したターゲット形態学的値を取得することと、
    前記ターゲットスキャン条件に基づいて、１つ以上の補正パラメーターのうちのターゲット補正パラメーターを決定することと、
    前記決定されたターゲット補正パラメーター及び前記ターゲット形態学的値に基づいて形態学的指標を出力することと、を含み、
    前記ターゲット補正パラメーターを決定することは、
    前記ターゲットスキャン条件が第１スキャン条件に対応する場合、前記ターゲット補正パラメーターは、前記第１スキャン条件下で取得された前記ターゲット要素と関連する第１形態学的値を補正するための第１補正パラメーターで決定され、
    前記ターゲットスキャン条件が第２スキャン条件に対応する場合、前記ターゲット補正パラメーターは、前記第１スキャン条件とは異なる前記第２スキャン条件下で取得された前記ターゲット要素と関連する第２形態学的値を補正するための第２補正パラメーターで決定されることを含む、
    医療映像分析方法。
  2. 前記形態学的指標を出力することは、
    前記ターゲットスキャン条件が前記第１スキャン条件に対応する場合、前記ターゲット形態学的値及び前記第１補正パラメーターに基づいて第１補正された形態学的指標を計算し、前記ターゲットスキャン条件が前記第２スキャン条件に対応する場合、前記ターゲット形態学的値及び第２補正パラメーターに基づいて前記第１補正された形態学的指標とは異なる第２補正された形態学的指標を計算することと、
    前記ターゲットスキャン条件が前記第１スキャン条件に対応する場合、前記第１補正された形態学的指標を出力し、前記ターゲットスキャン条件が前記第２スキャン条件に対応する場合、前記第２補正された形態学的指標を出力することと、を含む、
    請求項１に記載の医療映像分析方法。
  3. 前記ターゲット補正パラメーターを決定するための基準となるリファレンススキャン条件を取得することをさらに含む、
    請求項２に記載の医療映像分析方法。
  4. 前記第１補正パラメーターは、前記第１スキャン条件下で取得された形態学的値を第３スキャン条件下での形態学的推定値で計算するためのパラメーターを含み、前記第２補正パラメーターは、前記第２スキャン条件下で取得された形態学的値を第３スキャン条件下での形態学的推定値で計算するためのパラメーターを含み、
    前記第１補正された形態学的指標を計算することは、前記ターゲット形態学的値及び前記第１補正パラメーターに基づいて、前記第２スキャン条件下での前記ターゲット要素の形態学的推定値である前記第１補正された形態学的値を取得することを含み、
    前記第２補正された形態学的指標を計算することは、前記ターゲット形態学的値及び前記第２補正パラメーターに基づいて、前記第３スキャン条件下での前記ターゲット要素の形態学的推定値である前記第２補正された形態学的値を取得することを含む、
    請求項３に記載の医療映像分析方法。
  5. 前記第１補正パラメーターは、前記第１スキャン条件下で取得された形態学的値を第３スキャン条件下での形態学的推定値で計算するための第１線形関数と関連する第１パラメーターセットを含み、前記第２補正パラメーターは、前記第２スキャン条件下で取得された形態学的値を第３スキャン条件下での形態学的推定値で計算するための第２線形関数と関連する第２パラメーターセットを含み、
    前記第１補正された形態学的指標を計算することは、前記ターゲット形態学的値及び前記第１パラメーターセットを含む前記第１線形関数に基づいて、前記第１補正された形態学的値を取得することを含み、
    前記第２補正された形態学的指標を計算することは、前記ターゲット形態学的値及び前記第２パラメーターセットを含む前記第２線形関数に基づいて、前記第２補正された形態学的値を取得することを含む、
    請求項２に記載の医療映像分析方法。
  6. 前記第１スキャン条件、前記第２スキャン条件、及び前記ターゲットスキャン条件は、医療映像取得装置の医療映像の解像度と関連する磁場強度、前記医療映像取得装置のメーカー、及び前記医療映像取得装置の生成される磁場の形態と関連した設定パラメーターのうち少なくとも１つと関連する、
    請求項１に記載の医療映像分析方法。
  7. 前記ターゲット医療映像は、第１特性を有する対象体から取得され、
    前記第１補正パラメーター又は前記第２補正パラメーターは、前記第１特性を有する対象体から取得された第１医療映像及び第２医療映像から取得され、
    前記第１特性は、対象体の年齢や性別に関連する、
    請求項１に記載の医療映像分析方法。
  8. 前記ターゲット形態学的値を取得することは、
    前記ターゲット医療映像を少なくとも前記ターゲット要素を含む複数の要素に対応する複数の領域にセグメンテーションを実行することによって、前記ターゲット医療映像から前記ターゲット要素に関連するターゲット領域を取得することと、
    前記ターゲット領域に対応するボクセルデータに基づいて前記ターゲット形態学的値を取得することと、を含み、
    前記セグメンテーションは、前記ターゲット医療映像に基づいて複数の要素に対応する複数の領域を取得するように提供される神経網を使用して実行される、
    請求項１に記載の医療映像分析方法。
  9. 前記ターゲットスキャン条件下で取得された前記ターゲット医療映像を前記ターゲットスキャン条件以外のスキャン条件下で撮影された映像に対応する医療映像に変換することをさらに含み、
    セグメンテーションは、前記変換された医療映像に基づいて実行される、
    請求項７に記載の医療映像分析方法。
  10. 前記第１スキャン条件、前記第２スキャン条件、及び前記ターゲットスキャン条件が磁場強度と関連する場合、前記第１補正パラメーターは、第１磁場強度の下で取得された前記ターゲット要素と関連する前記第１形態学的値を補正するための第１パラメーターセットを含み、前記第２補正パラメーターは、第２磁場強度の下で取得された前記ターゲット要素と関連する前記第２形態学的値を補正するための第２パラメーターセットを含み、
    前記ターゲット補正パラメーターを決定することは、
    前記ターゲットスキャン条件が前記第１磁場強度に対応する場合、前記ターゲット補正パラメーターは、前記第１パラメーターセットで決定し、
    前記ターゲットスキャン条件が前記第２磁場強度に対応する場合、前記ターゲット補正パラメーターは、第２パラメーターセットで決定することを含む、
    請求項１に記載の医療映像分析方法。
  11. 医療映像を分析する装置であって、
    ターゲット医療映像を取得する映像取得部と、
    前記ターゲット医療映像に基づいて医療映像分析情報を提供するコントローラーと、を備え、
    前記コントローラーは、前記ターゲット医療映像に関連したターゲットスキャン条件を取得し、前記ターゲット医療映像に含まれたターゲット要素に対応するターゲット領域のボクセルデータに基づいて前記ターゲット要素と関連したターゲット形態学的値を取得し、前記ターゲットスキャン条件に基づいて１つ以上の補正パラメーターのうちのターゲット補正パラメーターを決定し、前記決定されたターゲット補正パラメーター及び前記ターゲット形態学的値に基づいて形態学的指標を出力するように構成され、
    前記ターゲットスキャン条件が第１スキャン条件に対応する場合、前記ターゲット補正パラメーターを前記第１スキャン条件下で取得された前記ターゲット要素と関連する第１形態学的値を補正するための第１補正パラメーターで決定し、
    前記ターゲットスキャン条件が第２スキャン条件に対応する場合、前記ターゲット補正パラメーターを前記第１スキャン条件とは異なる前記第２スキャン条件下で取得された前記ターゲット要素と関連する第２形態学的値を補正するための第２補正パラメーターで決定することによって前記ターゲット補正パラメーターを決定するように構成される、
    医療映像分析装置。
  12. 前記コントローラーは、前記ターゲットスキャン条件が前記第１スキャン条件に対応する場合、前記ターゲット形態学的値及び前記第１補正パラメーターに基づいて第１補正された形態学的指標を計算し、前記ターゲットスキャン条件が前記第２スキャン条件に対応する場合、前記ターゲット形態学的値及び前記第２補正パラメーターに基づいて前記第１補正された形態学的指標とは異なる第２補正された形態学的指標を計算し、前記ターゲットスキャン条件が前記第１スキャン条件に対応する場合、前記第１補正された形態学的指標を出力し、前記ターゲットスキャン条件が前記第２スキャン条件に対応する場合、前記第２補正された形態学的指標を出力することによって前記形態学的指標を出力するように構成される、
    請求項１１に記載の医療映像分析装置。
  13. 前記第１補正パラメーターは、前記第１スキャン条件下で取得された形態学的値を第３スキャン条件下での形態学的推定値で計算するためのパラメーターを含み、前記第２補正パラメーターは、前記第２スキャン条件下で取得された形態学的値を第３スキャン条件下での形態学的推定値で計算するためのパラメーターを含み、
    前記コントローラーは、
    前記ターゲット形態学的値及び前記第１補正パラメーターに基づいて、前記第２スキャン条件下での前記ターゲット要素の形態学的推定値である前記第１補正された形態学的値を取得して前記第１補正された形態学的指標を計算し、
    前記ターゲット形態学的値及び前記第２補正パラメーターに基づいて、前記第３スキャン条件下での前記ターゲット要素の形態学的推定値である前記第２補正された形態学的値を取得して前記第２補正された形態学的指標を計算するように構成される、
    請求項１２に記載の医療映像分析装置。
  14. 前記第１補正パラメーターは、前記第１スキャン条件下で取得された形態学的値を第３スキャン条件下での形態学的推定値で計算するための第１線形関数と関連する第１パラメーターセットを含み、前記第２補正パラメーターは、前記第２スキャン条件下で取得された形態学的値を第３スキャン条件下での形態学的推定値で計算するための第２線形関数と関連する第２パラメーターセットを含み、
    前記コントローラーは、
    前記ターゲット形態学的値及び前記第１パラメーターセットを含む前記第１線形関数に基づいて、前記第１補正された形態学的値を取得して前記第１補正された形態学的指標を計算し、
    前記ターゲット形態学的値及び前記第２パラメーターセットを含む前記第２線形関数に基づいて、前記第２補正された形態学的値を取得して前記第２補正された形態学的指標を計算するように構成される、
    請求項１３に記載の医療映像分析装置。
  15. 前記第１スキャン条件及び前記第２スキャン条件は、医療映像取得装置の医療映像の解像度と関連する磁場強度、前記医療映像取得装置のメーカー、及び前記医療映像取得装置の生成される磁場の形態と関連した設定パラメーターのうち少なくとも１つと関連する、
    請求項１１に記載の医療映像分析装置。
  16. 前記ターゲット医療映像は、第１特性を有する対象体から取得され、
    前記第１補正パラメーター及び前記第２補正パラメーターのうち少なくとも１つを含む前記ターゲット補正パラメーターは、前記第１特性を有する対象体から取得された第１医療映像及び第２医療映像から取得され、
    前記第１特性は、対象体の年齢や性別に関連する、
    請求項１１に記載の医療映像分析装置。
  17. 前記コントローラーは、前記ターゲット医療映像を少なくとも前記ターゲット要素を含む複数の要素に対応する複数の領域にセグメンテーションを実行することによって、前記ターゲット医療映像から前記ターゲット要素に関連するターゲット領域を取得し、前記ターゲット領域に対応するボクセルデータに基づいて前記ターゲット形態学的値を取得するように構成され、
    前記セグメンテーションは、前記ターゲット医療映像に基づいて複数の要素に対応する複数の領域を取得するように提供される神経網を使用して実行される、
    請求項１１に記載の医療映像分析装置。
  18. 前記コントローラーは、前記ターゲットスキャン条件下で取得された前記ターゲット医療映像を前記ターゲットスキャン条件以外のスキャン条件下で撮影された映像に対応する医療映像に変換し、前記変換された医療映像に基づいて前記セグメンテーションを実行するように構成される、
    請求項１７に記載の医療映像分析装置。
  19. 前記第１スキャン条件、前記第２スキャン条件、及び前記ターゲットスキャン条件が磁場強度と関連する場合、前記第１補正パラメーターは、第１磁場強度の下で取得された前記ターゲット要素と関連する前記第１形態学的値を補正するための第１パラメーターセットを含み、前記第２補正パラメーターは、第２磁場強度の下で取得された前記ターゲット要素と関連する前記第２形態学的値を補正するための第２パラメーターセットを含み、
    前記コントローラーは、
    前記ターゲットスキャン条件が前記第１磁場強度に対応する場合、前記ターゲット補正パラメーターは前記第１パラメーターセットで決定し、
    前記ターゲットスキャン条件が前記第２磁場強度に対応する場合、前記ターゲット補正パラメーターは、第２パラメーターセットで決定することによって、前記ターゲット補正パラメーターを決定するように構成される、
    請求項１１に記載の医療映像分析装置。
JP2023115372A 2020-12-30 2023-07-13 医療映像分析方法、医療映像分析装置及び医療映像分析システム Pending JP2023134655A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2023115372A JP2023134655A (ja) 2020-12-30 2023-07-13 医療映像分析方法、医療映像分析装置及び医療映像分析システム

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
PCT/KR2020/019412 WO2022145537A1 (ko) 2020-12-30 2020-12-30 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템
JP2021565122A JP7319723B2 (ja) 2020-12-30 2020-12-30 医療映像分析方法、医療映像分析装置及び医療映像分析システム
JP2023115372A JP2023134655A (ja) 2020-12-30 2023-07-13 医療映像分析方法、医療映像分析装置及び医療映像分析システム

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
JP2021565122A Division JP7319723B2 (ja) 2020-12-30 2020-12-30 医療映像分析方法、医療映像分析装置及び医療映像分析システム

Publications (1)

Publication Number Publication Date
JP2023134655A true JP2023134655A (ja) 2023-09-27

Family

ID=82118880

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2021565122A Active JP7319723B2 (ja) 2020-12-30 2020-12-30 医療映像分析方法、医療映像分析装置及び医療映像分析システム
JP2023115372A Pending JP2023134655A (ja) 2020-12-30 2023-07-13 医療映像分析方法、医療映像分析装置及び医療映像分析システム

Family Applications Before (1)

Application Number Title Priority Date Filing Date
JP2021565122A Active JP7319723B2 (ja) 2020-12-30 2020-12-30 医療映像分析方法、医療映像分析装置及び医療映像分析システム

Country Status (4)

Country Link
US (1) US20220207722A1 (ja)
EP (1) EP4272636A1 (ja)
JP (2) JP7319723B2 (ja)
WO (1) WO2022145537A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7358120B2 (ja) * 2019-08-30 2023-10-10 キヤノン株式会社 情報処理装置、断層撮影装置、情報処理方法およびプログラム

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7471758B2 (en) * 2005-04-07 2008-12-30 Kabushiki Kaisha Toshiba X-ray CT apparatus
JP5010167B2 (ja) * 2005-04-07 2012-08-29 株式会社東芝 Ｘ線ｃｔ装置
WO2013103791A1 (en) * 2012-01-06 2013-07-11 Cincinnati Children's Hospital Medical Center Correlation imaging for multi-scan mri with multi-channel data acquisition
WO2014167935A1 (ja) * 2013-04-08 2014-10-16 株式会社 日立メディコ Ｘ線ｃｔ装置、再構成演算装置、及び再構成演算方法
US10175325B2 (en) * 2014-04-25 2019-01-08 New York University System, method, and computer-accessible medium for determining at least one characteristic of at least one tissue or at least one MRI measurement condition of the at least one tissue using active contrast encoding magnetic resonance imaging procedure(s)
JP7123595B2 (ja) * 2017-03-29 2022-08-23 キヤノンメディカルシステムズ株式会社 磁気共鳴イメージング装置および医用処理装置
KR102099415B1 (ko) * 2018-02-23 2020-04-09 서울대학교산학협력단 Ct 데이터와 광학 데이터의 정합성능 향상 방법 및 그 장치
JP7027353B2 (ja) * 2018-03-28 2022-03-01 旭化成エレクトロニクス株式会社 心磁計測装置、較正方法、および較正プログラム
US10818386B2 (en) * 2018-11-21 2020-10-27 Enlitic, Inc. Multi-label heat map generating system

Also Published As

Publication number Publication date
EP4272636A1 (en) 2023-11-08
JP7319723B2 (ja) 2023-08-02
WO2022145537A1 (ko) 2022-07-07
JP2023512367A (ja) 2023-03-27
US20220207722A1 (en) 2022-06-30

Similar Documents

Publication Publication Date Title
KR102243830B1 (ko) 통합 의료 진단 서비스 제공 시스템 및 그 방법
KR102313652B1 (ko) 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템
US8634616B2 (en) Method, apparatus, and computer program product for acquiring medical image data
EP3355273B1 (en) Coarse orientation detection in image data
JP7357927B2 (ja) 診断支援システムおよび方法
US11402453B2 (en) Method and system for determining sufficiency of measurement data for post-processing process
US20140143710A1 (en) Systems and methods to capture and save criteria for changing a display configuration
US11257211B2 (en) Medical image processing apparatus, medical image processing system, and medical image processing method
US20150260819A1 (en) Transfer of validated cad training data to amended mr contrast levels
US20200090328A1 (en) Medical image processing apparatus, medical image processing method, and medical image processing program
JP2006314778A (ja) 医用画像処理装置及び医用画像処理方法
US11544844B2 (en) Medical image processing method and apparatus
KR102313662B1 (ko) 이미지 품질 판단 장치 및 방법
KR102313658B1 (ko) 뇌 영상 분석 방법, 뇌 영상 분석 장치 및 뇌 영상 분석 시스템
JP7097877B2 (ja) 医用画像データセットの品質評価のための装置及び方法
US20190125306A1 (en) Method of transmitting a medical image, and a medical imaging apparatus performing the method
JP2023134655A (ja) 医療映像分析方法、医療映像分析装置及び医療映像分析システム
WO2009050676A1 (en) Pathology-related magnetic resonance imaging
Liu et al. Robust cortical thickness morphometry of neonatal brain and systematic evaluation using multi-site MRI datasets
KR102313656B1 (ko) 뇌 영상 분석 방법, 뇌 영상 분석 장치 및 뇌 영상 분석 시스템
US11923069B2 (en) Medical document creation support apparatus, method and program, learned model, and learning apparatus, method and program
US20190019304A1 (en) Medical image processing apparatus, method, and program
US11551351B2 (en) Priority judgement device, method, and program
JP2006158791A (ja) 頭蓋内容積および局所脳構造物解析プログラム、記録媒体および頭蓋内容積および局所脳構造物解析方法
KR102300226B1 (ko) 진단보조정보를 제공하는 방법 및 이를 수행하는 장치

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230713

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240214

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240220

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20240520