JP6746027B1 - 人工知能基盤のパーキンソン病診断装置及び方法 - Google Patents

人工知能基盤のパーキンソン病診断装置及び方法 Download PDF

Info

Publication number
JP6746027B1
JP6746027B1 JP2020095248A JP2020095248A JP6746027B1 JP 6746027 B1 JP6746027 B1 JP 6746027B1 JP 2020095248 A JP2020095248 A JP 2020095248A JP 2020095248 A JP2020095248 A JP 2020095248A JP 6746027 B1 JP6746027 B1 JP 6746027B1
Authority
JP
Japan
Prior art keywords
image
region
nigrosome
parkinson
disease
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2020095248A
Other languages
English (en)
Other versions
JP2021137534A (ja
Inventor
ファ ソン，スー
ファ ソン，スー
ホ，ファン
Original Assignee
ヒューロン カンパニー，リミテッド
ヒューロン カンパニー，リミテッド
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 ヒューロン カンパニー，リミテッド, ヒューロン カンパニー，リミテッド filed Critical ヒューロン カンパニー，リミテッド
Application granted granted Critical
Publication of JP6746027B1 publication Critical patent/JP6746027B1/ja
Publication of JP2021137534A publication Critical patent/JP2021137534A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Landscapes

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

Abstract

【課題】本発明は、人工知能を基盤とするパーキンソン病診断装置及び方法に関する。【解決手段】本発明の一態様である人工知能基盤のパーキンソン病診断装置は、患者の脳を撮影したＭＲＩから、マルチエコー（ｍｕｌｔｉ ｅｃｈｏ）の大きさ及び位相と関連した第１画像を獲得する画像獲得部；パーキンソン病の画像バイオマーカーとして利用される黒質とニグロソーム１領域の観察が可能であるように、前記獲得した第１画像を後処理する画像処理部；前記後処理された第１画像を分析して前記ニグロソーム１領域が含まれた第２画像を分類し、前記分類された第２画像から前記ニグロソーム１領域を検出する画像分析部；及び、前記検出されたニグロソーム１領域が正常であるか否かを分析して、前記患者のパーキンソン病の有無を診断する診断部；を含み、前記画像処理部は、量的磁化率マッピングアルゴリズムを基盤に、前記第１画像に量的磁化率マップマスクを適用して、磁化率マップ加重イメージング画像を生成することで、前記後処理を遂行し、前記画像処理部は、前記生成された磁化率マップ加重イメージング画像に対して、角度調節、画像拡大及び再分割（Ｒｅｓｌｉｃｅ）の少なくとも一つの動作をさらに遂行することができる。【選択図】図２

Description

本発明は、人工知能を基盤とするパーキンソン病診断装置及び方法に関し、さらに詳細には、核磁気共鳴画像（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ、以下「ＭＲＩ」という）を分析してパーキンソン病を診断するパーキンソン病診断装置及び方法に関する。
神経変性疾患は、神経細胞が何らかの原因により消滅することで、脳機能の異常を起こす疾病を指す。
代表的な神経変性疾患としては、多くはアルツハイマー病やパーキンソン病、まれには筋萎縮性側索硬化症等が例に挙げられる。
神経変性疾患の中で、パーキンソン病は、神経細胞が破壊される代表的な神経変性疾患であって、体が固まり、手足が震え、よく歩けない症状と共にうつ病、不安感が伴って生活の質を大きく落とす。
このような神経変性疾患を診断する方法としては、粘膜との接触、または皮膚破壊、または天然あるいは人工体口以外に内部体腔なしに診断する非浸湿的方法で診断している。
例えば、下記の特許文献１及び特許文献２には、従来の技術による神経変性疾患を診断する技術が開示されている。
大韓民国特許登録番号第１０−１７５４２９１号（２０１７年７月６日公告） 大韓民国特許公開番号第１０−２０１６−００５８８１２号（２０１６年５月２５日公開）
Ｓｕｎｇ−Ｍｉｎ Ｇｈｏ等、「Ｓｕｓｃｅｐｔｉｂｉｌｉｔｙ Ｍａｐ−Ｗｅｉｇｈｔｅｄ Ｉｍａｇｉｎｇ（ＳＭＷＩ） ｆｏｒ Ｎｅｕｒｏｉｍａｇｉｎｇ」、Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ ｉｎ Ｍｅｄｉｃｉｎｅ ７２：３３７−３４６（２０１４） Ｙｏｏｎｈｏ Ｎａｍ等、「Ｉｍａｇｉｎｇ ｏｆ Ｎｉｇｒｏｓｏｍｅ １ ｉｎ Ｓｕｂｓｔａｎｔｉａ Ｎｉｇｒａ ａｔ ３Ｔ Ｕｓｉｎｇ Ｍｕｌｔｉｅｃｈｏ Ｓｕｓｃｅｐｔｉｂｉｌｉｔｙ Ｍａｐ−Ｗｅｉｇｈｔｅｄ Ｉｍａｇｉｎｇ（ＳＭＷＩ）」、Ｊ．ＭＡＧＮ．ＲＥＳＯＮ．ＩＭＡＧＩＮＧ ２０１７；４６：５２８−５３６ Ｃｈｒｉｓｔｉａｎ Ｌａｎｇｋａｍｍｅｒ等、「Ｑｕａｎｔｉｔａｔｉｖｅ ｓｕｓｃｅｐｔｉｂｉｌｉｔｙ ｍａｐｐｉｎｇ（ＱＳＭ） ａｓ ａ ｍｅａｎｓ ｔｏ ｍｅａｓｕｒｅ ｂｒａｉｎ ｉｒｏｎ？ Ａ ｐｏｓｔ ｍｏｒｔｅｍ ｖａｌｉｄａｔｉｏｎ ｓｔｕｄｙ」、Ｎｅｕｒｏｉｍａｇｅ．２０１２ Ｓｅｐ；６２（３）：１５９３−９．ｄｏｉ：１０．１０１６／ｊ．ｎｅｕｒｏｉｍａｇｅ．２０１２．０５．０４９．Ｅｐｕｂ ２０１２ Ｍａｙ ２４．
現在までのパーキンソン病診断及び薬剤性パーキンソニズムの鑑別診断には、同位元素を利用した［１８Ｆ］ＦＰ−ＣＩＴ陽電子放出断層撮影（Ｐｏｓｉｔｒｏｎ ｅｍｉｓｓｉｏｎ ｔｏｍｏｇｒａｐｈｙ、ＰＥＴ）が最も客観的な方法として用いられている。
しかし、前記［１８Ｆ］ＦＰ−ＣＩＴ ＰＥＴは、非常に高価な検査方法であり、放射能露出の危険がある。
従って、ＭＲＩを利用してニグロソーム１領域を観察し、パーキンソン病を診断できる技術の開発が要求されている。
本発明の目的は、上述したような問題点を解決するためのものであり、ＭＲＩを分析してパーキンソン病を診断できるパーキンソン病診断装置及び方法を提供することである。
本発明の他の目的は、パーキンソン病の画像バイオマーカーとして提示されたニグロソーム（ｎｉｇｒｏｓｏｍｅ）１領域を分析してパーキンソン病を診断できるパーキンソン病診断装置及び方法を提供することである。
また、本発明の目的は、ＳＭＷＩ画像に対して角度調節、画像拡大、再分割（Ｒｅｓｌｉｃｅ）等の前処理過程をさらに遂行することで、獲得された画像でパーキンソン病の画像バイオマーカーとして提示された黒質とニグロソーム１領域だけを観察可能にすることができるパーキンソン病診断装置及び方法を提供することである。
また、本発明の目的は、機械学習を通して周辺に検出がさらに容易なｒｅｄ ｎｕｃｌｅｕｓとｓｕｂｓｔａｎｔｉａ ｎｉｇｒａを検出し、ｒｅｄ ｎｕｃｌｅｕｓとｓｕｂｓｔａｎｔｉａ ｎｉｇｒａがいずれも存在していてｒｅｄ ｎｕｃｌｅｕがなくなる瞬間の画像を検出することで、ｎｉｇｒｏｓｏｍｅ−１領域を効果的に検出できるパーキンソン病診断装置及び方法を提供することである。
また、本発明の目的は、同じデータセット（ＳＥＴ）で様々な学習モデルを生成し、複数の学習モデルそれぞれを適用した時の予測診断結果を導出して複数の学習モデル間の診断結果が異なるとき、多数決の原則によって正常またはパーキンソン病に該当するかに対する最終診断を決定できるパーキンソン病診断装置及び方法を提供することである。
また、本発明の目的は、人工知能を利用したパーキンソン病診断方法を通して患者群及び正常群の選別に活用して臨床試験の成功確率を高める装置、システム及び方法を提供することである。
一方、本発明において解決しようとする技術的課題は、以上において言及した技術的課題に制限されず、言及していないまた他の技術的課題は、下記の記載から本発明の属する技術の分野における通常の知識を有する者に明確に理解され得るだろう。
前記の技術的課題を達成するための本発明の一態様である人工知能基盤のパーキンソン病診断装置は、患者の脳を撮影したＭＲＩから、マルチエコー（ｍｕｌｔｉ ｅｃｈｏ）の大きさ及び位相と関連した第１画像を獲得する画像獲得部；パーキンソン病の画像バイオマーカーとして利用される黒質とニグロソーム１領域の観察が可能であるように、前記獲得した第１画像を後処理する画像処理部；前記後処理された第１画像を分析して前記ニグロソーム１領域が含まれた第２画像を分類し、前記分類された第２画像から前記ニグロソーム１領域を検出する画像分析部；及び、前記検出されたニグロソーム１領域が正常であるか否かを分析して、前記患者のパーキンソン病の有無を診断する診断部；を含み、前記画像処理部は、量的磁化率マッピングアルゴリズムを基盤に、前記第１画像に量的磁化率マップマスクを適用して、磁化率マップ加重イメージング画像を生成することで、前記後処理を遂行し、前記画像処理部は、前記生成された磁化率マップ加重イメージング画像に対して、角度調節、画像拡大及び再分割（Ｒｅｓｌｉｃｅ）動作の少なくとも一つをさらに遂行することができる。
また、前記角度調節は、前記ニグロソーム１領域の観察が容易であるように前記生成された磁化率マップ加重イメージング画像のずれを補正する動作であり、前記画像拡大は、前記ニグロソーム１領域と関連した画像を拡大する動作であり、前記再分割は、ニグロソーム１領域が含まれた前記第１画像の生成個数を増やすための動作であってよい。
また、前記画像分析部は、機械学習を通して前記後処理された第１画像内に存在する赤核（ｒｅｄ ｎｕｃｌｅｕｓ）と黒質（ｓｕｂｓｔａｎｔｉａ ｎｉｇｒａ）を検出し、前記第１画像で、前記検出した赤核と黒質のうち前記赤核がなくなる時点の第１イメージを基準に、前記ニグロソーム１領域が含まれた第２画像を分類できる。
また、前記画像分析部は、前記第１画像のうち、前記第１イメージを基準に一定範囲以内の画像を分析して前記ニグロソーム１領域が含まれた第２画像を分類できる。
また、前記画像分析部は、機械学習のディープラーニング神経網（ｄｅｅｐ ｌｅａｒｎｉｇ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）を利用した方式のうちワン−ステージディテクター（ｏｎｅ−ｓｔａｇｅ ｄｅｔｅｃｔｏｒ）方式を利用して、前記ニグロソーム１領域が含まれた第２画像を分類できる。
また、前記画像分析部は、前記後処理された第１画像に、コンボリューション神経網（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、ＣＮＮ）を適用して、完全コンボリューションレイヤー（Ｆｕｌｌｙ ｃｏｎｖｏｌｕｔｉｏｎ ｌａｙｅｒ）の特徴を有する特徴マップ（ｆｅａｔｕｒｅ ｍａｐ）を検出し、前記特徴マップに、特徴ピラミッド神経網（ｆｅａｔｕｒｅ ｐｙｒａｍｉｄ ｎｅｔｗｏｒｋ、ＦＰＮ）を適用して多重スケール連結（ｃｒｏｓｓ−ｓｃａｌｅ ｃｏｎｎｅｃｔｉｏｎｓ）を導出し、前記多重スケール連結を基盤とした分類結果に対して、分類ロス（ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｌｏｓｓ）、バウンディングボックスリグレッションロス（ｂｏｕｎｄｉｎｇ−ｂｏｘ ｒｅｇｒｅｓｓｉｏｎ ｌｏｓｓ）及び焦点ロス（Ｆｏｃａｌ Ｌｏｓｓ）を予め設定された基準によって調節することで、前記ニグロソーム１領域が含まれた第２画像を分類できる。
また、前記診断部は、同じデータセット（Ｄａｔａ Ｓｅｔ）を基盤に、前記パーキンソン病の有無を診断するための複数の学習モデルを生成し、前記検出されたニグロソーム１領域を基盤に、前記複数の学習モデルによる複数の予測結果を導出し、前記複数の予測結果に基づいて前記患者のパーキンソン病の有無を診断できる。
また、前記診断部は、前記検出されたニグロソーム１領域を基盤に、前記複数の学習モデルによる複数の予測結果に多数決の原則を適用して、多数である予測結果を基盤に前記患者のパーキンソン病の有無を診断できる。
一方、前記の技術的課題を達成するための本発明の他の一態様である人工知能基盤のパーキンソン病診断方法は、画像獲得部が患者の脳を撮影したＭＲＩから、マルチエコー（ｍｕｌｔｉ ｅｃｈｏ）の大きさ及び位相と関連した第１画像を獲得する第１ステップ；パーキンソン病の画像バイオマーカーとして利用される黒質とニグロソーム１領域の観察が可能であるように、画像処理部が前記獲得した第１画像を後処理する第２ステップ；画像分析部が前記後処理された第１画像を分析して前記ニグロソーム１領域が含まれた第２画像を分類する第３ステップ；前記画像分析部が前記分類された第２画像から前記ニグロソーム１領域を検出する第４ステップ；及び、診断部が前記検出されたニグロソーム１領域が正常であるか否かを分析して、前記患者のパーキンソン病の有無を診断する第５ステップ；を含み、前記第２ステップで、前記画像処理部は、量的磁化率マッピングアルゴリズムを基盤に、前記第１画像に量的磁化率マップマスクを適用して、磁化率マップ加重イメージング画像を生成することで、前記後処理を遂行し、前記第２ステップと前記第３ステップとの間には、前記画像処理部が前記生成された磁化率マップ加重イメージング画像に対して、角度調節、画像拡大及び再分割（Ｒｅｓｌｉｃｅ）動作の少なくとも一つをさらに遂行する第２．５ステップ；をさらに含むことができる。
また、前記第２．５ステップで、前記角度調節は、前記ニグロソーム１領域の観察が容易であるように前記生成された磁化率マップ加重イメージング画像のずれを補正する動作であり、前記画像拡大は、前記ニグロソーム１領域と関連した画像を拡大する動作であり、前記再分割は、ニグロソーム１領域が含まれた前記第１画像の生成個数を増やすための動作であってよい。
また、前記第３ステップは、前記画像分析部が、機械学習を通して前記後処理された第１画像内に存在する赤核（ｒｅｄ ｎｕｃｌｅｕｓ）と黒質（ｓｕｂｓｔａｎｔｉａ ｎｉｇｒａ）を検出する第３−１ステップ；及び、前記画像分析部が、前記第１画像で、前記検出した赤核と黒質のうち前記赤核がなくなる時点の第１イメージを基準に、前記ニグロソーム１領域が含まれた第２画像を分類する第３−２ステップ；をさらに含むことができる。
また、前記第３−２ステップで、前記画像分析部は、前記第１画像のうち、前記第１イメージを基準に一定範囲以内の画像を分析して前記ニグロソーム１領域が含まれた第２画像を分類できる。
また、前記第３ステップは、前記画像分析部が機械学習のディープラーニング神経網（ｄｅｅｐ ｌｅａｒｎｉｇ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）を利用した方式のうちワン−ステージディテクター（ｏｎｅ−ｓｔａｇｅ ｄｅｔｅｃｔｏｒ）方式を利用して、前記ニグロソーム１領域が含まれた第２画像を分類できる。
また、前記第３ステップは、前記画像分析部が、前記後処理された第１画像にコンボリューション神経網（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、ＣＮＮ）を適用して、完全コンボリューションレイヤー（Ｆｕｌｌｙ ｃｏｎｖｏｌｕｔｉｏｎ ｌａｙｅｒ）の特徴を有する特徴マップ（ｆｅａｔｕｒｅ ｍａｐ）を検出する第３−１ステップ；前記画像分析部が、前記特徴マップに特徴ピラミッド神経網（ｆｅａｔｕｒｅ ｐｙｒａｍｉｄ ｎｅｔｗｏｒｋ、ＦＰＮ）を適用して多重スケール連結（ｃｒｏｓｓ−ｓｃａｌｅ ｃｏｎｎｅｃｔｉｏｎｓ）を導出する第３−２ステップ；及び、前記画像分析部が、前記多重スケール連結を基盤とした分類結果に対して、分類ロス（ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｌｏｓｓ）、バウンディングボックスリグレッションロス（ｂｏｕｎｄｉｎｇ−ｂｏｘ ｒｅｇｒｅｓｓｉｏｎ ｌｏｓｓ）及び焦点ロス（Ｆｏｃａｌ Ｌｏｓｓ）を予め設定された基準によって調節することで、前記ニグロソーム１領域が含まれた第２画像を分類する第３−３ステップ；を含むことができる。
また、前記第５ステップは、前記診断部が、同じデータセット（Ｄａｔａ Ｓｅｔ）を基盤に、前記パーキンソン病の有無を診断するための複数の学習モデルを生成する第５−１ステップ；前記診断部が、前記検出されたニグロソーム１領域を基盤に、前記複数の学習モデルによる複数の予測結果を導出する第５−２ステップ；及び、前記診断部が、前記複数の予測結果に基づいて前記患者のパーキンソン病の有無を診断する第５−３ステップ；を含むことができる。
また、前記第５−３ステップは、前記検出されたニグロソーム１領域を基盤に、前記複数の学習モデルによる複数の予測結果に多数決の原則を適用して、多数である予測結果を基盤に前記患者のパーキンソン病の有無を診断できる。
上述したように、本発明に係るパーキンソン病診断装置及び方法によれば、ＭＲＩでニグロソーム１領域が含まれた画像だけを分類し、分類された画像でニグロソーム１領域を分析してパーキンソン病の有無を診断できるという効果が得られる。
そして、本発明によれば、磁化率マップ加重イメージングプロトコルと量的磁化率マッピングアルゴリズムを適用してニグロソーム１領域の可視性を向上させ、黒質構造が視覚化された画像を利用してパーキンソン病を診断することで、普遍的に供給されたＭＲＩ装備を利用してパーキンソン病を精密に診断でき、診断結果の正確度を向上させることができるという効果が得られる。
また、本発明は、ＳＭＷＩ画像に対して角度調節、画像拡大、再分割（Ｒｅｓｌｉｃｅ）等の前処理過程をさらに遂行することで、獲得された画像でパーキンソン病の画像バイオマーカーとして提示された黒質とニグロソーム１領域だけを観察可能にすることができる。
また、本発明は、機械学習を通して周辺に検出がさらに容易なｒｅｄ ｎｕｃｌｅｕｓとｓｕｂｓｔａｎｔｉａ ｎｉｇｒａを検出し、ｒｅｄ ｎｕｃｌｅｕｓとｓｕｂｓｔａｎｔｉａ ｎｉｇｒａがいずれも存在していてｒｅｄ ｎｕｃｌｅｕがなくなる瞬間の画像を検出することで、ｎｉｇｒｏｓｏｍｅ−１領域を効果的に検出できる。
また、本発明は、同じデータセット（ＳＥＴ）で様々な学習モデルを生成し、複数の学習モデルそれぞれを適用した時の予測診断結果を導出して複数の学習モデル間の診断結果が異なるとき、多数決の原則によって正常またはパーキンソン病に該当するかに対する最終診断を決定できる。
また、薬の効能立証のための臨床試験は、予め予測した期待効果を臨床試験の参加者に対して達成するかを統計的有意性を示すことで結果が判定されるが、本発明に係るパーキンソン病診断方法及び装置を適用する場合、正確に新薬が目標とするパーキンソン病患者だけを臨床試験の対象者に含ませることで、最大限に臨床試験の成功確率を高めることができる。
即ち、本発明に係る人工知能を利用したパーキンソン病診断方法を通して、患者群及び正常群の選別に活用して臨床試験の成功確率を高めるのに活用できる。
一方、本発明において得られる効果は、以上において言及した効果に制限されず、言及していないまた他の効果は、下記の記載から本発明の属する技術の分野における通常の知識を有する者に明確に理解され得るだろう。
本発明と関連して、黒質とニグロソーム１領域を含むＭＲＩを例示した図である。 本発明の好ましい実施例に係るパーキンソン病診断装置のブロック構成図を示したものである。 本発明に係る画像獲得部と画像処理部の動作を説明する図である。 本発明に係る画像処理部がＳＭＷＩ画像に対して角度調節、画像拡大、再分割（Ｒｅｓｌｉｃｅ）等の前処理過程をさらに遂行する動作を説明する図である。 図４と関連して、画像処理部がＳＭＷＩ画像に対して角度調節及び画像拡大を遂行した結果の一例を示したものである。 本発明に係る画像分析部の動作を説明する図である。 本発明に係る画像分析部の動作を説明する図である。 本発明に係る画像分析部がｎｉｇｒｏｓｏｍｅ−１領域をさらに効果的に検出できる方法を説明する図である。 本発明に係る診断部の動作を説明する図である。 本発明と関連して、入力画像に診断結果を適用した状態を示した図である。 本発明に係る診断部が多重予測結果を結合して診断性能を改善できる方法を説明する図である。 本発明の好ましい実施例に係るパーキンソン病診断方法をステップ別に説明する工程図の一例を示したものである。 本発明の好ましい実施例によって獲得された画像でパーキンソン病の画像バイオマーカーとして提示された黒質とニグロソーム１領域だけを観察可能であるように後処理する過程を説明するフローチャートである。 本発明の好ましい実施例によって処理された画像を分析してニグロソーム１領域が含まれた画像を分類し、分類された画像でニグロソーム１領域を検出する方法を説明するフローチャートである。 分類された各画像でニグロソーム１領域に対して正常であるか否かを判断してパーキンソン病を診断する過程を説明するフローチャートである。 人工知能を利用したパーキンソン病診断方法を通して患者群及び正常群の選別に活用して臨床試験の成功確率を高める方法を説明する図である。
以下、図面を参照して、本発明の好ましい一実施例について説明する。また、以下に説明する実施例は、特許請求の範囲に記載された本発明の内容を不当に限定せず、本実施形態で説明される構成全体が本発明の解決手段として必須とはいえない。
以下、本発明の好ましい実施例に係るパーキンソン病診断装置及び方法を添付の図面を参照して詳細に説明する。
黒質内ニグロソーム１領域を観察してパーキンソン病を診断する基準
まず、図１を参照して、黒質内ニグロソーム１領域を観察してパーキンソン病を診断する基準を説明する。
図１は、黒質とニグロソーム１領域を含むＭＲＩを例示した図である。
図１の（ａ）には、イメージングスラブ（ｉｍａｇｉｎｇ ｓｌａｂ）が示されており、図１の（ｂ）には、健常人の黒質（ｓｕｂｓｔａｎｔｉａ ｎｉｇｒａ）とニグロソーム１領域の画像が示されており、図１の（ｃ）には、パーキンソン病患者の黒質とニグロソーム１領域の画像が示されている。
健常人の黒質内ニグロソーム１領域は、図１の（ｂ）に示されたように黒く表示され、パーキンソン病患者のニグロソーム１領域は、図１の（ｃ）に示されたように相対的に灰色に近く表示される。
従って、本発明は、ＭＲＩでパーキンソン病の画像バイオマーカーとして提示されたニグロソーム１領域の陰影を観察してパーキンソン病の有無を診断できる。
例えば、本発明は、３Ｔ ＭＲＩで磁化率マップ加重イメージング（Ｓｕｓｃｅｐｔｉｂｉｌｉｔｙ Ｍａｐ Ｗｅｉｇｈｔｅｄ Ｉｍａｇｉｎｇ、以下「ＳＭＷＩ」）プロトコル及びその内部の量的磁化率マッピング（Ｑｌｕａｎｔｉｔａｔｉｖｅ Ｓｕｓｃｅｐｔｉｂｉｌｉｔｙ Ｍａｐｐｉｎｇ、以下「ＱＳＭ」という）アルゴリズムを適用してニグロソーム１領域の可視性を向上させ、ニグロソーム１領域が正常であるか否かを分析してパーキンソン病を診断する。
黒質緻密部（ｓｕｂｓｔａｎｔｉａ ｎｉｇｒａ ｐａｒｓ ｃｏｍｐａｃｔａ）は、ドーパミン性神経細胞の高密度集団を含む中脳構造である。このニューロンは、特発性パーキンソン病（ｉｄｉｏｐａｔｈｉｃ Ｐａｒｋｉｎｓｏｎ’ｓ ｄｉｓｅａｓｅ、ＩＰＤ）で漸進的に消失されて障害を招く。この領域は、健常な対照群と比較したとき、ＩＰＤ患者で鉄（ｉｒｏｎ）の濃度が増加することを示す。
近年、健常な被検者の高解像度磁化率対比イメージでニグロソーム１と知られた黒質緻密部の小さな部分を視覚化した結果、ニグロソーム１とその周辺の黒質領域（ｓｕｂｓｔａｎｔｉａ ｎｉｇｒａ ｒｅｇｉｏｎｓ）の間の対照は、鉄濃度の差に起因したものであり、ＩＰＤ患者で二つの部位の磁化率差は顕著に減少するものと示された。
このような二つの部位の磁化率差の減少は、ＩＰＤのイメージングバイオマーカーとして活用されている。
従って、ニグロソーム１構造は、高解像度（例：０．３ｍｍ平面分解能）Ｔ２−加重イメージングまたは磁化率加重イメージング（ＳＷＩ）を使用して７Ｔ ＭＲＩで成功的に描写された。
しかし、低い磁界強度、例えば、３Ｔ ＭＲＩでは、制限された空間解像度と信号／対照対雑音比（ＳＮＲ／ＣＮＲ）により、３Ｄ高解像度Ｔ２−加重イメージングでコントラスト（ｃｏｎｔｒａｓｔ）、即ち、対比が顕著に減少した構造が観察される。
このような限界は、接近法の有用性を立証したいくつかの成功的な研究にもかかわらず、３Ｔ ＭＲＩでニグロソーム１イメージングの信頼性と適用可能性を阻害した。
近年、上述の問題点を解消するために、向上した磁気磁化率対比を提供するための新たな方法が提案されている。
そのうち一つの方法は、ＳＮＲを向上させるために単一エコーイメージを使用する代わりに、マルチエコーグラジエントリコールエコー（ｍｕｌｔｉ−ｅｃｈｏ ｇｒａｄｉｅｎｔ ｒｅｃａｌｌ ｅｃｈｏ、以下「マルチエコーＧＲＥ」という）大きさ画像（ｍａｇｎｉｔｕｄｅ ｉｍａｇｅｓ）を結合することであり、３Ｔ ＭＲＩでＩＰＤを診断するのに比較的に高い正確度を示す。
前記大きさ画像の代案は、磁化率対比を高めるために加重値マスク（ｍａｓｋ）として位相（ｐｈａｓｅ）情報を使用する磁化率加重イメージング（ｓｕｓｃｅｐｔｉｂｉｌｉｔｙ−ｗｅｉｇｈｔｅｄ ｉｍａｇｉｎｇ、ＳＷＩ）であるが、位相イメージングのブルーミング（ｂｌｏｏｍｉｎｇ）によりアーティファクト（ａｒｔｉｆａｃｔｓ）を生成し得る。
他の磁化率対比と関連した接近法は、ＧＲＥ位相（または周波数）イメージと量的磁化率マッピング（ＱＳＭ）であり、両方とも磁化率に対する敏感度に優れ、近年、広く適用されている。
また、大きさ画像に対してＱＳＭから誘導された磁化率加重マスク（ｓｕｓｃｅｐｔｉｂｉｌｉｔｙ ｗｅｉｇｈｔｉｎｇ ｍａｓｋ）を利用する新たな方法が提案されている。
この接近法は、ＳＷＩと類似するが、ＳＷＩのブルーミングアーティファクトを解決し、潜在的に磁化率変化の視覚化を向上させることができる。
ＱＳＭマスク加重イメージングは、ニグロソーム１構造を視覚化するのに有用性が立証されている。
前記非特許文献１には、神経撮影（ｎｅｒｏｉｍａｇｉｎｇ）のためのＳＭＷＩ技術が開示されており、前記非特許文献２には、３Ｔ ＭＲＩでマルチエコーＳＭＷＩを利用した黒質内ニグロソーム１のイメージング技術が開示されており、前記非特許文献３には、脳鉄分測定のためのＱＳＭ技術が開示されている。
従って、本発明は、脳鉄分の濃度と磁化率の相関によってパーキンソン病によるニグロソーム１領域の変化に基づいてパーキンソン病を診断する。
パーキンソン病診断装置
図２は、本発明の好ましい実施例に係るパーキンソン病診断装置のブロック構成図である。
本発明の好ましい実施例に係るパーキンソン病診断装置１０は、図２に示されたように、患者の脳を撮影したＭＲＩでマルチエコー大きさ及び位相画像を獲得する画像獲得部２０、獲得された画像でパーキンソン病の画像バイオマーカーとして提示された黒質とニグロソーム１領域だけを観察可能であるように後処理する画像処理部３０、処理された画像を分析してニグロソーム１領域が含まれた画像を分類し、分類された画像でニグロソーム１領域を検出する画像分析部４０、及び分類された各画像でニグロソーム１領域に対して正常であるか否かを判断してパーキンソン病を診断する診断部５０を含む。
以下においては、各構成要素の役割及び機能について図面を参照して具体的に説明する。
画像獲得部及び画像処理部の動作
図３を参照して、画像獲得部と画像処理部の構成を詳細に説明する。
図３は、画像獲得部と画像処理部の動作を説明する図である。図３には、マルチエコー合成ＧＲＥイメージからニグロソーム１構造に対するＳＭＷＩ画像を生成する過程が示されている。
画像獲得部２０は、図３に示されたように、ＭＲＩ装備２１またはデータベースで撮影されたＭＲＩを格納して管理するデータベース（図示しない）と通信可能に連結され、パーキンソン病を診断しようとする患者のＭＲＩを獲得する。
画像処理部３０は、図３に示されたように、ニグロソーム１構造の視覚化のために、ＱＳＭアルゴリズムを利用してマルチエコー大きさ画像とマルチエコー位相画像（ｐｈａｓｅ ｉｍａｇｅ）が複合されたマルチエコーＧＲＥ複合画像でＳＭＷＩ画像を生成する。
例えば、画像処理部３０は、マルチチャネル複合画像からマルチチャネル大きさ画像の二乗和の平方根によりチャネル結合された大きさ画像を生成し、位相画像は、個別チャネルのグローバル位相オフセットを補正した後、複素平均で結合される（ステップ１）。
そして、画像処理部３０は、６個のエコーの大きさ画像の二乗和の平方根により単一イメージで結合する（ステップ２）。
画像処理部３０は、ラプラシアンアンラッピング（Ｌａｐｌａｃｉａｎ ｕｎｗｒａｐｐｉｎｇ）アルゴリズムを使用して互いに異なるＴＥの位相画像を計算し、各ボクセルで結合された周波数（ｗ）を計算する（ステップ３）。
画像処理部３０は、周波数画像でラプラシアン演算子（Ｌａｐｌａｃｉａｎ ｏｐｅｒａｔｏｒ）方法を利用した高調波背景位相除去を使用して背景領域を除去する（ステップ４）。
ここで、前記ＱＳＭは、向上した希薄線型方程式（ｓｐａｒｓｅ ｌｉｎｅａｒ ｅｑｕａｔｉｏｎ）と最小二乗（ｌｅａｓｔ−ｓｑｕａｒｅｓ、ｉＬＳＱＲ）方法を使用して再構成され得る。
例えば、ｉＬＳＱＲの再構成パラメータで誤差許容＝０．０１、不完全なｋ−領域マスクに対する閾値Ｄ２，ｔｈｒｅｓ＝０．１である。
次いで、画像処理部３０は、結果ＱＳＭをさらに処理して磁化率対比加重値のためのＱＳＭマスク（Ｓｍａｓｋ）を生成する（ステップ５）。
前記マスクは、数１を利用して生成され得る。

ここで、Ｘは、前記ステップ４で計算された量的磁化率値（ｐｐｍ単位）であり、Ｘｔｈは、常磁性閾値である。前記閾値は、後で最適なＣＮＲに対するニグロソーム１イメージングデータを使用して決定され得る。
最後に、画像処理部３０は、下記の数２を利用してマルチエコー結合された大きさ画像にＱＳＭマスクを掛けてＳＭＷＩ画像を生成できる。

ここで、ｍは、磁化率加重値に対する掛け算の数であり、ｍａｇは、前記ステップ２のマルチエコー大きさ結合画像である。
一方、本発明においては、生成されたＳＭＷＩ画像に対して角度調節、画像拡大、再分割（Ｒｅｓｌｉｃｅ）等の前処理過程をさらに遂行することで、獲得された画像でパーキンソン病の画像バイオマーカーとして提示された黒質とニグロソーム１領域だけを観察可能にすることができる。
図４は、本発明に係る画像処理部がＳＭＷＩ画像に対して角度調節、画像拡大、再分割（Ｒｅｓｌｉｃｅ）等の前処理過程をさらに遂行する動作を説明する図である。
図４の（ａ）を参照すると、画像処理部３０が前記数２を利用してマルチエコー結合された大きさ画像にＱＳＭマスクを掛けて生成したＳＭＷＩ画像の一例が示される。
以後、図４の（ｂ）に示されたように、画像処理部３０は、角度調節及び画像拡大の動作を遂行することができる。
まず、画像処理部３０の角度調節動作は、撮影の際、撮影者の動き等による画像ずれを補正するために遂行される。
また、画像処理部３０の画像拡大動作は、ｎｉｇｒｏｓｏｍｅ−１領域の拡大のために遂行される。
具体的に、本発明に係る角度調節は、医療画像情報（ｄｉｃｏｍ→ｉｍａｇｅ ｏｒｉｅｎｔａｔｉｏｎ ｐａｔｉｅｎｔ、ｉｍａｇｅ ｐｏｓｉｔｉｏｎ ｐａｔｉｅｎｔ、ｓｌｉｃｅ ｌｏｃａｔｉｏｎ、ｓｌｉｃｅ ｔｈｉｃｋｎｅｓｓ等）の各フィールド値に対する情報を確認してｎｉｇｒｏｓｏｍｅ−１がよく見える角度に調節され得る。
また、本発明に係る画像拡大は、全体イメージを正方形に９等分して中央の正方形領域を縦横３倍ずつ拡大することで、遂行され得る。
図５は、図４と関連して、画像処理部がＳＭＷＩ画像に対して角度調節及び画像拡大を遂行した結果の一例を示したものである。
図５の（ａ）を参照すると、軸画像（ａｘｉａｌ ｉｍａｇｅ）と赤色線（ｒｅｄ ｌｉｎｅ）をコロナ平面（ｃｏｒｏｎａｌ ｐｌａｎｅ）で示したものであり、角度調節動作が遂行された結果が図５の（ｂ）に示されている。
図５の（ｂ）を参照すると、撮影の際、撮影者の動き等による画像ずれ等が補正され、ｎｉｇｒｏｓｏｍｅ−１がよく見える角度に調節され、これは拡大動作を通してｎｉｇｒｏｓｏｍｅ−１領域が拡大されて提供され得る。
また図４に戻り、図４の（ｂ）において、画像処理部３０は、角度調節及び画像拡大の動作を遂行した後に、図４の（ｃ）に示されたように、ＭＲ画像のｔｈｉｃｋｎｅｓｓをさらに細かく調節してｎｉｇｒｏｓｏｍｅ−１領域が含まれた画像をさらに多くするために再分割（Ｒｅｓｌｉｃｅ）する過程が遂行され得る。
このような再分割（Ｒｅｓｌｉｃｅ）過程は、前述したように、ＭＲ画像のｔｈｉｃｋｎｅｓｓを既存よりさらに細かく調節及び適用してｎｉｇｒｏｓｏｍｅ−１領域が含まれた画像をさらに多くするものである。
このような本発明の再分割（Ｒｅｓｌｉｃｅ）過程を通して、さらに画像を約２〜３枚増加させることができ、これは既存に生成される２〜３枚にさらなる画像が２〜３枚さらに生成され得、結果として約２倍以上ｎｉｇｒｏｓｏｍｅ−１領域が含まれた画像をさらに多く生成できるようになる。
代表的に本発明に係る再分割（Ｒｅｓｌｉｃｅ）過程では、入力されたｍｒ画像情報のｓｌｉｃｅ ｔｈｉｃｋｎｅｓｓを０．５以下に調節してｎｉｇｒｏｓｏｍｅ−１が含まれた領域を拡大できる。
画像分析部の動作
次に、図６及び図７を参照して、画像分析部の動作を詳細に説明する。
図６及び図７は、画像分析部の動作を説明する図である。図６には、ニグロソーム１領域が含まれた画像を分類する過程が示されており、図７には、分類された画像でニグロソーム１領域を検出する過程が示されている。
画像処理部３０の後処理過程を通して、図６に示されたように、多数のＳＭＷＩ画像を獲得できる。
一般に、パーキンソン病診断のために撮影されるＭＲＩは、患者１人当たり約４０〜７０枚余り程度であり、この中でパーキンソン病診断に使用されるニグロソーム１領域が含まれた画像は、約３〜６枚以内である。
画像分析部４０は、図６に示されたように、機械学習（ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ）を通して全体ＭＲＩの中でニグロソーム１領域が含まれた画像を分析してニグロソーム１領域が含まれた画像と含まれていない画像を分類（ｃｌａｓｓｉｆｉｃａｔｉｏｎ）できる。
そして、画像分析部４０は、図７に示されたように、機械学習を通して分類されたニグロソーム１領域を含む各画像でニグロソーム１領域が存在する位置を指定し、指定されたニグロソーム１領域を検出できる。
例えば、画像分析部４０は、機械学習のディープラーニング神経網（ｄｅｅｐ ｌｅａｒｎｉｇ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）を利用した方式のうちｏｎｅ−ｓｔａｇｅ ｄｅｔｅｃｔｏｒ方式を利用してニグロソーム１領域が含まれた領域を分類できる。
即ち、画像分析部４０は、獲得された画像をコンボリューション神経網（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、以下「ＣＮＮ」という）を利用して完全コンボリューションレイヤー（Ｆｕｌｌｙ ｃｏｎｖｏｌｕｔｉｏｎ ｌａｙｅｒ）の特徴を有する特徴マップ（ｆｅａｔｕｒｅ ｍａｐ）を検出し、特徴マップで特徴ピラミッド神経網（ｆｅａｔｕｒｅ ｐｙｒａｍｉｄ ｎｅｔｗｏｒｋ、以下「ＦＰＮ」という）を適用して多重スケール連結（ｃｒｏｓｓ−ｓｃａｌｅ ｃｏｎｎｅｃｔｉｏｎｓ）を構成し、分類結果に対して分類ロス（ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｌｏｓｓ）とバウンディングボックスリグレッションロス（ｂｏｕｎｄｉｎｇ−ｂｏｘ ｒｅｇｒｅｓｓｉｏｎ ｌｏｓｓ）と不要な分類を最小化するための焦点ロス（Ｆｏｃａｌ Ｌｏｓｓ）を最適化して最終的に多様なサイズの画像でニグロソーム１領域が含まれた画像だけに最小化できる。
図８は、本発明に係る画像分析部がｎｉｇｒｏｓｏｍｅ−１領域をさらに効果的に検出できる方法を説明する図である。
図８を参照すると、本発明に係る画像分析部４０は、機械学習を通して周辺に検出がさらに容易なｒｅｄ ｎｕｃｌｅｕｓとｓｕｂｓｔａｎｔｉａ ｎｉｇｒａを検出し、ｒｅｄ ｎｕｃｌｅｕｓとｓｕｂｓｔａｎｔｉａ ｎｉｇｒａがいずれも存在していてｒｅｄ ｎｕｃｌｅｕがなくなる瞬間の画像を検出することで、ｎｉｇｒｏｓｏｍｅ−１領域を効果的に検出できる。
図８の（ａ）を参照すると、機械学習（ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ）を通して全体ＭＲＩの中でニグロソーム１領域が含まれた画像を分析してニグロソーム１領域が含まれた画像と含まれていない画像を分類（ｃｌａｓｓｉｆｉｃａｔｉｏｎ）できる。
次に、図８の（ｂ）を参照すると、入力画像でｎｉｇｒｏｓｏｍｅ−１が含まれた領域の指定のために、客体のバウンディングボックス（Ｂｏｕｎｄｉｎｇ ｂｏｘｅｓ ｏｆ ｏｂｊｅｃｔ）と等級予測（ｃｌａｓｓ ｐｒｅｄｉｃｔｉｏｎ）を通して、ディープラーニング出力（Ｄｅｅｐ ｌｅａｒｎｉｎｇ ｏｕｔｐｕｔｓ）を提示できる。
本発明においては、入力画像でｓｕｂｓｔａｎｔｉａ ｎｉｇｒａ、ｎｉｇｒｏｓｏｍｅ−１及びｒｅｄ ｎｕｃｌｅｕｓの位置を検出して分析するために、ＣＮＮ神経網を通して位置情報が消失されない特徴マップを生成し、特徴マップでＦＰＮ方式を適用して分析時に対象の大きさ変化に対応する方法が適用され得る。
即ち、図８の（ｃ）を参照すると、ｎｉｇｒｏｓｏｍｅ−１と関連したイメージ（Ｉｍａｇｅｓ ｗｉｔｈ ｎｉｇｒｏｓｏｍｅ １ ｒｅｇｉｏｎｓ）に基づいて、前処理（ｐｒｅｐｒｏｃｅｓｓ）を経た画像は、特定のポジション（Ｒ０．７ Ｐ２８．４ Ｆ５．２ｍｍ）と角度（Ｃ＞Ｔ３９．６＞Ｓ１．４）を有しているということを利用できる。
即ち、前処理（ｐｒｅｐｒｏｃｅｓｓ）を経た画像は、特定のポジション（Ｒ０．７ Ｐ２８．４ Ｆ５．２ｍｍ）と角度（Ｃ＞Ｔ３９．６＞Ｓ１．４）を有しているということを利用して、パーキンソン診断のために必要なｎｉｇｒｏｓｏｍｅ−１領域を検出するために、先に機械学習を通して周辺にもう少し検出が容易なｒｅｄ ｎｕｃｌｅｕｓとｓｕｂｓｔａｎｔｉａ ｎｉｇｒａを検出できる。
具体的に、図８の（ｃ）においては、Ｉｎｆｅｒｉｏｒ方向に画像を順に確認し、赤核（ｒｅｄ ｎｕｃｌｅｕｓ）と黒質（ｓｕｂｓｔａｎｔｉａ ｎｉｇｒａ）がいずれも存在していて赤核（ｒｅｄ ｎｕｃｌｅｕｓ）がなくなる瞬間の画像を検出できる。
以後、検出された画像から約２〜３ｍｍ ｓｌｉｃｅ内にｎｉｇｒｏｓｏｍｅ−１領域が存在するということを前提に、全体ＭＲ画像のうちｎｉｇｒｏｓｏｍｅ−１領域が含まれた２〜３ｍｍの厚さの画像を多数（例えば、５〜６枚）検出できるようになる。
このようなｎｉｇｒｏｓｏｍｅ−１領域が含まれた２〜３ｍｍの厚さの画像の少なくとも一つのイメージを選択して、図８の（ｄ）及び（ｅ）においては、分類されたニグロソーム１領域を含む各画像でニグロソーム１領域が存在する位置を指定し、指定されたニグロソーム１領域を検出できるようになる。
診断部の動作
次に、図９及び図１０を参照して、本発明に係る診断部５０の動作を説明する。
図９は、診断部の動作を説明する図であり、図１０は、入力画像に診断結果を適用した状態を示した図である。
診断部５０は、図９に示されたように、機械学習を通して画像分析部４０で検出されたニグロソーム１領域に対して正常であるか否かを分析してパーキンソン病の有無を診断できる。
例えば、図１０の（ａ）乃至（ｄ）の入力画像でパーキンソン病の有無の診断結果によって図１０の（ｅ）乃至（ｈ）に示されたように診断結果が適用され得る。
一方、本発明においては、診断性能を改善するために、診断部５０が多重予測結果を結合して判断を下す方法が適用され得る。
図１１は、本発明に係る診断部が多重予測結果を結合して診断性能を改善できる方法を説明する図である。
図１１を参照すると、（ａ）に表示された同じデータセット（ＳＥＴ）に基づいて、図１１の（ｂ）に示されたように、様々な学習モデルを生成できる。
また、図１１の（ｃ）に示されたように、複数の学習モデルそれぞれを適用した時の予測診断結果を導出し、（ｄ）においては、複数の学習モデル間の診断結果が異なるとき、多数決の原則によって正常またはパーキンソン病に該当するかに対する最終診断を決定するようになる。
従って、モデル間の診断結果が異なるとき、多数決の原則によって最終診断を決定することで、多数のディープラーニングモデルの予測結果を結合して最終的に対象者が正常か患者であるかが診断でき、診断性能を改善できる。
パーキンソン病診断方法
次に、図１２を参照して、本発明の好ましい実施例に係るパーキンソン病診断方法を詳細に説明する。
図１２は、本発明の好ましい実施例に係るパーキンソン病診断方法をステップ別に説明する工程図である。
図１２のステップＳ１０で、画像獲得部２０は、ＭＲＩ装備２１またはデータベースとの通信を通してパーキンソン病を診断しようとする患者の多数のＭＲＩを獲得する。
ここで、画像獲得部２０は、３Ｔ ＭＲＩでマルチエコー大きさ画像とマルチエコー位相画像（ｐｈａｓｅ ｉｍａｇｅ）が複合されたマルチエコーＧＲＥ複合画像を獲得できる。
ステップＳ１２で、画像処理部３０は、ニグロソーム１構造の視覚化のために、ＱＳＭアルゴリズムを利用してマルチエコー大きさ画像とマルチエコー位相画像（ｐｈａｓｅ ｉｍａｇｅ）が複合されたマルチエコーＧＲＥ複合画像を後処理してＳＭＷＩ画像を生成する。
ステップＳ１４で、画像分析部４０は、機械学習（ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ）を通して全体ＭＲＩの中でニグロソーム１領域が含まれた画像を分析してニグロソーム１領域が含まれた画像と含まれていない画像を分類（ｃｌａｓｓｉｆｉｃａｔｉｏｎ）する。
そして、画像分析部４０は、機械学習を通して分類されたニグロソーム１領域を含む各画像でニグロソーム１領域が存在する位置を指定し、指定されたニグロソーム１領域を検出する（Ｓ１６）。
最後に、診断部５０は、画像分析部４０でニグロソーム１領域を含む画像と分類された各画像で検出されたニグロソーム１領域に対して正常であるか否かを判断してパーキンソン病の有無を診断する（Ｓ１８）。
以下においては、ステップＳ１２、Ｓ１４、Ｓ１６及びＳ１８それぞれの具体的な過程について図面を参照して詳細に説明する。
後処理してＳＭＷＩ画像を生成する過程（Ｓ１２）
図１３は、本発明の好ましい実施例によって獲得された画像でパーキンソン病の画像バイオマーカーとして提示された黒質とニグロソーム１領域だけを観察可能であるように後処理する過程を説明するフローチャートである。
図１３を参照すると、前述した画像処理部３０がニグロソーム１構造の視覚化のために、ＱＳＭアルゴリズムを利用してマルチエコー大きさ画像とマルチエコー位相画像（ｐｈａｓｅ ｉｍａｇｅ）が複合されたマルチエコーＧＲＥ複合画像を後処理してＳＭＷＩ画像を生成する過程Ｓ１２の具体的なステップが示される。
最初に、マルチチャネル複合画像からマルチチャネル大きさ画像の二乗和の平方根によりチャネル結合された大きさ画像を生成し、位相画像は、個別チャネルのグローバル位相オフセットを補正した後、複素平均で結合するステップ（Ｓ２０）が進行される。
以後、６個のエコーの大きさ画像の二乗和の平方根により単一イメージで結合するステップ（Ｓ２１）が進行される。
ステップＳ２１以後には、ラプラシアンアンラッピング（Ｌａｐｌａｃｉａｎ ｕｎｗｒａｐｐｉｎｇ）アルゴリズムを使用して互いに異なるＴＥの位相画像を計算し、各ボクセルで結合された周波数（ｗ）を計算するステップ（Ｓ２２）が遂行される。
また、周波数画像でラプラシアン演算子（Ｌａｐｌａｃｉａｎ ｏｐｅｒａｔｏｒ）方法を利用した高調波背景位相除去を使用して背景領域を除去するステップ（Ｓ２３）が進行される。
以後、ＱＳＭをさらに処理して磁化率対比加重値のためのＱＳＭマスク（Ｓｍａｓｋ）を生成するステップ（Ｓ２４）を経て、マルチエコー結合された大きさ画像にＱＳＭマスクを掛けてＳＭＷＩ画像を生成するステップ（Ｓ２５）が進行される。
また、後処理して生成されたＳＭＷＩ画像関連、画像角度を調節し、拡大するステップ（Ｓ２６）が遂行された以後に、ＭＲ画像のｔｈｉｃｋｎｅｓｓをさらに細かく調節してｎｉｇｒｏｓｏｍｅ−１領域が含まれた画像をさらに多くするために再分割（Ｒｅｓｌｉｃｅ）するステップ（Ｓ２７）が進行されることで、獲得された画像でパーキンソン病の画像バイオマーカーとして提示された黒質とニグロソーム１領域だけを観察可能であるように後処理する過程が遂行される。
ニグロソーム１領域が含まれた画像と含まれていない画像を分類（ｃｌａｓｓｉｆｉｃａｔｉｏｎ）し（Ｓ１４）、指定されたニグロソーム１領域を検出（Ｓ１６）する過程
図１４は、本発明の好ましい実施例によって処理された画像を分析してニグロソーム１領域が含まれた画像を分類し、分類された画像でニグロソーム１領域を検出する方法を説明するフローチャートである。
図１４を参照すると、ニグロソーム１領域が含まれた画像と含まれていない画像を分類（ｃｌａｓｓｉｆｉｃａｔｉｏｎ）し（Ｓ１４）、指定されたニグロソーム１領域を検出（Ｓ１６）する過程が具体的に説明されている。
最初に、機械学習を通して周辺に検出がさらに容易なｒｅｄ ｎｕｃｌｅｕｓとｓｕｂｓｔａｎｔｉａ ｎｉｇｒａを検出するステップ（Ｓ３１）が進行される。
以後、Ｉｎｆｅｒｉｏｒ方向に画像を順に確認し、ｒｅｄ ｎｕｃｌｅｕｓとｓｕｂｓｔａｎｔｉａ ｎｉｇｒａがいずれも存在していてｒｅｄ ｎｕｃｌｅｕがなくなる瞬間の画像を検出するステップ（Ｓ３２）を遂行する。
また、検出した画像から約２〜３ｍｍ ｓｌｉｃｅ内にｎｉｇｒｏｓｏｍｅ−１領域が存在するので、全体ＭＲ画像のうちｎｉｇｒｏｓｏｍｅ−１領域が含まれた２〜３ｍｍの厚さの画像（５〜６枚）を検出するステップ（Ｓ３３）が進行される。
ステップＳ３３以後には、ステップＳ３３を通して導出された画像の少なくとも一つを通して、ｎｉｇｒｏｓｏｍｅ−１領域を検出するステップ（Ｓ１６）が遂行される。
検出されたニグロソーム１領域に対して正常であるか否かを判断してパーキンソン病の有無を診断する過程（Ｓ１８）
図１５は、分類された各画像でニグロソーム１領域に対して正常であるか否かを判断してパーキンソン病を診断する過程を説明するフローチャートである。
図１５を参照すると、最初に、同じデータセット（ＳＥＴ）で様々な学習モデルを生成するステップ（Ｓ４１）を進行し、複数の学習モデルそれぞれを適用した時の予測診断結果を導出する（Ｓ４２）。
このとき、複数の学習モデル間の診断結果が異なる場合が発生し得、本発明においては、多数決の原則によって正常またはパーキンソン病に該当するかに対する最終診断を決定するようになる（Ｓ４３）。
従って、モデル間の診断結果が異なるとき、多数決の原則によって最終診断を決定することで、多数のディープラーニングモデルの予測結果を結合して最終的に対象者が正常か患者であるかが診断でき、診断性能を改善できる。
人工知能を利用したパーキンソン病診断方法を通して患者群及び正常群の選別に活用して臨床試験の成功確率を高める方法
前述した本発明に係る人工知能を利用したパーキンソン病診断方法及び装置を、患者群及び正常群の選別に活用して臨床試験の成功確率を高めることができる。
即ち、本発明は、人工知能を利用したパーキンソン病診断方法を通して患者群及び正常群の選別に活用して臨床試験の成功確率を高める装置、システム及び方法を提供できる。
薬の効能立証のための臨床試験は、予め予測した期待効果を臨床試験の参加者に対して達成するかを統計的有意性を示すことで結果が判定されるが、本発明に係るパーキンソン病診断方法及び装置を適用する場合、正確に新薬が目標とするパーキンソン病患者だけを臨床試験の対象者に含ませることで、最大限に臨床試験の成功確率を高めることができる。
まず、既存の新薬臨床試験の問題点について先決的に説明する。
薬の効能立証のための臨床試験は、予め予測した期待効果を臨床試験の参加者に対して達成するかを統計的有意性を示すことで結果が判定される。
一方、パーキンソン病の場合、薬の効能によって症状が好転したか否かの測定をＵＰＤＲＳ評価、神経学的検診、Ｈｏｅｈｎ ＆ Ｙａｒｒ ｓｔａｇｅ評価（０〜５段階）等に依存せざるを得ず、この方法は、問診による方法であり、データの尺度が細かくないという問題点がある。
従って、統計的有意性を立証するためには、投薬前と後、または偽薬群と比較して評価尺度の数値が統計的に有意に上昇しなければならず、予測上昇数値が比較的に大きいほど目標対象者数も少なくなり、統計的有意性の達成可能性が上昇するようになる。
このとき、予測上昇数値が小さければそれだけ目標対象者数も増え、統計立証難易度が上昇するようになる。
結局、パーキンソン病の評価尺度の一段階の上昇自体が非常に難しいので、臨床試験通過可能性が非常に低いという問題点が発生するようになる。
本発明においては、このような問題点を解消するために、正確に新薬が目標とするパーキンソン病患者だけを臨床試験の対象者に含ませることで、最大限に臨床試験の成功確率を高めようとする。
中枢神経系薬物の新薬開発過程で重要な失敗要因の一つは、正確な対象者選別及び薬物反応群選別の難点である。
中枢神経系薬物の場合、特に偽薬に対する反応比率が高く、対象者群の異質性を低め、薬物反応性を予測できるバイオマーカーを設定することが成功率を高める上で重要な戦略となる。
また、パーキンソン病の場合、確診に長期間が必要となるので（約３ヶ月）、選別検査が難しく、新薬が目標とするパーキンソン病患者だけを臨床試験の対象者に含ませることが非常に難しいという問題点がある。
従って、本発明が提案する人工知能を利用したパーキンソン病診断方法を通して患者群及び正常群の選別に活用して臨床試験の成功確率を高めるのに活用できる。
図１６は、人工知能を利用したパーキンソン病診断方法を通して患者群及び正常群の選別に活用して臨床試験の成功確率を高める方法を説明する図である。
図１６を参照すると、最初に、薬の効能立証のための臨床試験実験候補群を募集するステップ（Ｓ１）が進行される。
以後、複数の実験候補群を対象に、画像を獲得するステップ（Ｓ１０）、それぞれの画像にＱＳＭアルゴリズムを適用して画像後処理するステップ（Ｓ１２）、機械学習を利用してニグロソーム１領域が含まれた画像を分類するステップ（Ｓ１４）、ニグロソーム１領域を検出するステップ（Ｓ１６）、及びニグロソーム１領域が正常であるか否かの判断に基づいてパーキンソン病が存在するかを診断するステップ（Ｓ１８）が進行される。
前記ステップＳ１０乃至Ｓ１８は、図１２乃至図１５において具体的に説明しており、明細書の簡明化のために、繰り返した説明は省略する。
以後、ステップＳ１８を通して診断結果が導出されると、診断結果に基づいて、複数の実験候補群を実際のパーキンソン病患者群と正常患者群とに区分するステップ（Ｓ５０）が進行され得る。
このとき、実際のパーキンソン患者群に分類された対象だけに基づいて、臨床試験を進行するステップ（Ｓ５２）及び臨床試験結果に基づいて薬の効能を立証するステップ（Ｓ５４）を通して、正確に新薬が目標とするパーキンソン病患者だけを臨床試験の対象者に含ませることで、最大限に臨床試験の成功確率を高めることができる。
結局、本発明に係る人工知能を利用したパーキンソン病診断方法を通して、患者群及び正常群の選別に活用して臨床試験の成功確率を高めるのに活用できる。
前述したステップＳ１乃至ステップＳ５４は、パーキンソン病診断装置１０独自に遂行されてもよく、別途のサーバ（図示しない）を置くか別途の中央管理装置（図示しない）を置き、パーキンソン病診断装置１０と共に全体動作を遂行するように適用されてもよい。
本発明に係る効果
本発明に係るパーキンソン病診断装置及び方法によれば、ＭＲＩでニグロソーム１領域が含まれた画像だけを分類し、分類された画像でニグロソーム１領域を分析してパーキンソン病の有無を診断できるという効果が得られる。
そして、本発明によれば、磁化率マップ加重イメージングプロトコルと量的磁化率マッピングアルゴリズムを適用してニグロソーム１領域の可視性を向上させ、黒質構造が視覚化された画像を利用してパーキンソン病を診断することで、普遍的に供給されたＭＲＩ装備を利用してパーキンソン病を精密に診断でき、診断結果の正確度を向上させることができるという効果が得られる。
また、本発明は、ＳＭＷＩ画像に対して角度調節、画像拡大、再分割（Ｒｅｓｌｉｃｅ）等の前処理過程をさらに遂行することで、獲得された画像でパーキンソン病の画像バイオマーカーとして提示された黒質とニグロソーム１領域だけを観察可能にすることができる。
また、本発明は、機械学習を通して周辺に検出がさらに容易なｒｅｄ ｎｕｃｌｅｕｓとｓｕｂｓｔａｎｔｉａ ｎｉｇｒａを検出し、ｒｅｄ ｎｕｃｌｅｕｓとｓｕｂｓｔａｎｔｉａ ｎｉｇｒａがいずれも存在していてｒｅｄ ｎｕｃｌｅｕがなくなる瞬間の画像を検出することで、ｎｉｇｒｏｓｏｍｅ−１領域を効果的に検出できる。
また、本発明は、同じデータセット（ＳＥＴ）で様々な学習モデルを生成し、複数の学習モデルそれぞれを適用した時の予測診断結果を導出して複数の学習モデル間の診断結果が異なるとき、多数決の原則によって正常またはパーキンソン病に該当するかに対する最終診断を決定できる。
また、薬の効能立証のための臨床試験は、予め予測した期待効果を臨床試験の参加者に対して達成するかを統計的有意性を示すことで結果が判定されるが、本発明に係るパーキンソン病診断方法及び装置を適用する場合、正確に新薬が目標とするパーキンソン病患者だけを臨床試験の対象者に含ませることで、最大限に臨床試験の成功確率を高めることができる。
即ち、本発明に係る人工知能を利用したパーキンソン病診断方法を通して、患者群及び正常群の選別に活用して臨床試験の成功確率を高めるのに活用できる。
一方、本発明において得られる効果は、以上において言及した効果に制限されず、言及していないまた他の効果は、下記の記載から本発明の属する技術の分野における通常の知識を有する者に明確に理解され得るだろう。
上述した本発明の実施例は、多様な手段を通して具現され得る。例えば、本発明の実施例は、ハードウェア、ファームウェア（ｆｉｒｍｗａｒｅ）、ソフトウェア、またはそれらの結合等により具現され得る。
ハードウェアによる具現の場合、本発明の実施例に係る方法は、一つまたはそれ以上のＡＳＩＣｓ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔｓ）、ＤＳＰｓ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒｓ）、ＤＳＰＤｓ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｄｅｖｉｃｅｓ）、ＰＬＤｓ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅｓ）、ＦＰＧＡｓ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙｓ）、プロセッサ、コントローラ、マイクロコントローラ、マイクロプロセッサ等により具現され得る。
ファームウェアやソフトウェアによる具現の場合、本発明の実施例に係る方法は、以上において説明された機能または動作を遂行するモジュール、手順または関数等の形態で具現され得る。ソフトウェアコードは、メモリユニットに格納されてプロセッサにより駆動され得る。前記メモリユニットは、前記プロセッサの内部または外部に位置して、既に公知になった多様な手段により前記プロセッサとデータをやり取りすることができる。
上述したように開示された本発明の好ましい実施例についての詳細な説明は、当業者が本発明を具現し、実施できるように提供された。前記では本発明の好ましい実施例を参照して説明したが、該当技術の分野における熟練した当業者は、本発明の領域から外れない範囲内で本発明を多様に修正及び変更させ得ることが理解できるだろう。例えば、当業者は、上述した実施例に記載の各構成を互いに組み合わせる方式で利用できる。従って、本発明は、ここに示された実施形態に制限されるためのものではなく、ここで開示された原理及び新規な特徴と一致する最も広い範囲を付与するためのものである。
本発明は、本発明の精神及び必須特徴を外れない範囲で他の特定の形態に具体化され得る。従って、前記の詳細な説明は、全ての面で制限的に解釈されてはならず、例示的なものと考慮されるべきである。本発明の範囲は、添付の請求項の合理的解釈により決定されるべきであり、本発明の等価的範囲内での全ての変更は、本発明の範囲に含まれる。本発明は、ここに示された実施形態に制限されるためのものではなく、ここで開示された原理及び新規な特徴と一致する最も広い範囲を付与するためのものである。また、特許請求の範囲で明示的な引用関係がない請求項を結合して実施例を構成するか出願後の補正により新たな請求項として含むことができる。

Claims (14)

  1. 患者の脳を撮影したＭＲＩから、マルチエコー（ｍｕｌｔｉ ｅｃｈｏ）の大きさ及び位相と関連した第１画像を獲得する画像獲得部；
    パーキンソン病の画像バイオマーカーとして利用される黒質とニグロソーム１領域の観察が可能であるように、前記獲得した第１画像を後処理する画像処理部；
    前記後処理された第１画像を分析して前記ニグロソーム１領域が含まれた第２画像を分類し、前記分類された第２画像から前記ニグロソーム１領域を検出する画像分析部；及び
    前記検出されたニグロソーム１領域が正常であるか否かを分析して、前記患者のパーキンソン病の有無を診断する診断部；を含み、
    前記画像処理部は、
    量的磁化率マッピングアルゴリズムを基盤に、前記第１画像に量的磁化率マップマスクを適用して、磁化率マップ加重イメージング画像を生成することで、前記後処理を遂行し、
    前記画像処理部は、
    前記生成された磁化率マップ加重イメージング画像に対して、角度調節、画像拡大及び再分割（Ｒｅｓｌｉｃｅ）の少なくとも一つの動作をさらに遂行することを特徴とする、人工知能基盤のパーキンソン病診断装置。
  2. 前記角度調節は、前記ニグロソーム１領域の観察が容易であるように前記生成された磁化率マップ加重イメージング画像のずれを補正する動作であり、
    前記画像拡大は、前記ニグロソーム１領域と関連した画像を拡大する動作であり、
    前記再分割は、前記ニグロソーム１領域が含まれた前記第１画像の生成個数を増やすための動作であることを特徴とする、請求項１に記載の人工知能基盤のパーキンソン病診断装置。
  3. 前記画像分析部は、
    機械学習を通して前記後処理された第１画像内に存在する赤核（ｒｅｄ ｎｕｃｌｅｕｓ）と黒質（ｓｕｂｓｔａｎｔｉａ ｎｉｇｒａ）を検出し、
    前記第１画像で、前記検出した赤核と黒質のうち前記赤核がなくなる時点の第１イメージを基準に、前記ニグロソーム１領域が含まれた第２画像を分類することを特徴とする、請求項１に記載の人工知能基盤のパーキンソン病診断装置。
  4. 前記画像分析部は、
    前記第１画像のうち、前記第１イメージを基準に一定範囲以内の画像を分析して前記ニグロソーム１領域が含まれた第２画像を分類することを特徴とする、請求項３に記載の人工知能基盤のパーキンソン病診断装置。
  5. 前記画像分析部は、
    機械学習のディープラーニング神経網（ｄｅｅｐ ｌｅａｒｎｉｇ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）を利用した方式のうちワン−ステージディテクター（ｏｎｅ−ｓｔａｇｅ ｄｅｔｅｃｔｏｒ）方式を利用して、前記ニグロソーム１領域が含まれた第２画像を分類することを特徴とする、請求項１に記載の人工知能基盤のパーキンソン病診断装置。
  6. 前記画像分析部は、
    前記後処理された第１画像に、コンボリューション神経網（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、ＣＮＮ）を適用して、完全コンボリューションレイヤー（Ｆｕｌｌｙ ｃｏｎｖｏｌｕｔｉｏｎ ｌａｙｅｒ）の特徴を有する特徴マップ（ｆｅａｔｕｒｅ ｍａｐ）を検出し、
    前記特徴マップに、特徴ピラミッド神経網（ｆｅａｔｕｒｅ ｐｙｒａｍｉｄ ｎｅｔｗｏｒｋ、ＦＰＮ）を適用して多重スケール連結（ｃｒｏｓｓ−ｓｃａｌｅ ｃｏｎｎｅｃｔｉｏｎｓ）を導出し、
    前記多重スケール連結を基盤とした分類結果に対して、分類ロス（ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｌｏｓｓ）、バウンディングボックスリグレッションロス（ｂｏｕｎｄｉｎｇ−ｂｏｘ ｒｅｇｒｅｓｓｉｏｎ ｌｏｓｓ）及び焦点ロス（Ｆｏｃａｌ Ｌｏｓｓ）を予め設定された基準によって調節することで、前記ニグロソーム１領域が含まれた第２画像を分類することを特徴とする、請求項５に記載の人工知能基盤のパーキンソン病診断装置。
  7. 前記診断部は、
    同じデータセット（Ｄａｔａ Ｓｅｔ）を基盤に、前記パーキンソン病の有無を診断するための複数の学習モデルを生成し、
    前記検出されたニグロソーム１領域を基盤に、前記複数の学習モデルによる複数の予測結果を導出し、
    前記複数の予測結果に基づいて前記患者のパーキンソン病の有無を診断することを特徴とする、請求項１に記載の人工知能基盤のパーキンソン病診断装置。
  8. 前記診断部は、
    前記検出されたニグロソーム１領域を基盤に、前記複数の学習モデルによる複数の予測結果に多数決の原則を適用して、多数である予測結果を基盤に前記患者のパーキンソン病の有無を診断することを特徴とする、請求項７に記載の人工知能基盤のパーキンソン病診断装置。
  9. 画像獲得部が患者の脳を撮影したＭＲＩから、マルチエコー（ｍｕｌｔｉ ｅｃｈｏ）の大きさ及び位相と関連した第１画像を獲得する第１ステップ；
    パーキンソン病の画像バイオマーカーとして利用される黒質とニグロソーム１領域の観察が可能であるように、画像処理部が前記獲得した第１画像を後処理する第２ステップ；
    画像分析部が前記後処理された第１画像を分析して前記ニグロソーム１領域が含まれた第２画像を分類する第３ステップ；
    前記画像分析部が前記分類された第２画像から前記ニグロソーム１領域を検出する第４ステップ；及び
    前記患者のパーキンソン病の有無を診断するために、前記検出されたニグロソーム１領域に対する情報を診断部に提供する第５ステップ；を含み、
    前記第２ステップで、
    前記画像処理部は、量的磁化率マッピングアルゴリズムを基盤に、前記第１画像に量的磁化率マップマスクを適用して、磁化率マップ加重イメージング画像を生成することで、前記後処理を遂行し、
    前記第２ステップと前記第３ステップとの間には、
    前記画像処理部が前記生成された磁化率マップ加重イメージング画像に対して、角度調節、画像拡大及び再分割（Ｒｅｓｌｉｃｅ）の少なくとも一つの動作をさらに遂行する第２．５ステップ；をさらに含むことを特徴とする、パーキンソン病診断のための情報提供方法。
  10. 前記第２．５ステップで、
    前記角度調節は、前記ニグロソーム１領域の観察が容易であるように前記生成された磁化率マップ加重イメージング画像のずれを補正する動作であり、
    前記画像拡大は、前記ニグロソーム１領域と関連した画像を拡大する動作であり、
    前記再分割は、前記ニグロソーム１領域が含まれた前記第１画像の生成個数を増やすための動作であることを特徴とする、請求項９に記載のパーキンソン病診断のための情報提供方法。
  11. 前記第３ステップは、
    前記画像分析部が、機械学習を通して前記後処理された第１画像内に存在する赤核（ｒｅｄ ｎｕｃｌｅｕｓ）と黒質（ｓｕｂｓｔａｎｔｉａ ｎｉｇｒａ）を検出する第３−１ステップ；及び
    前記画像分析部が、前記第１画像で、前記検出した赤核と黒質のうち前記赤核がなくなる時点の第１イメージを基準に、前記ニグロソーム１領域が含まれた第２画像を分類する第３−２ステップ；をさらに含むことを特徴とする、請求項９に記載のパーキンソン病診断のための情報提供方法。
  12. 前記第３−２ステップで、
    前記画像分析部は、前記第１画像のうち、前記第１イメージを基準に一定範囲以内の画像を分析して前記ニグロソーム１領域が含まれた第２画像を分類することを特徴とする、請求項１１に記載のパーキンソン病診断のための情報提供方法。
  13. 前記第３ステップは、
    前記画像分析部が機械学習のディープラーニング神経網（ｄｅｅｐ ｌｅａｒｎｉｇ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）を利用した方式のうちワン−ステージディテクター（ｏｎｅ−ｓｔａｇｅ ｄｅｔｅｃｔｏｒ）方式を利用して、前記ニグロソーム１領域が含まれた第２画像を分類することを特徴とする、請求項９に記載のパーキンソン病診断のための情報提供方法。
  14. 前記第３ステップは、
    前記画像分析部が、前記後処理された第１画像にコンボリューション神経網（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、ＣＮＮ）を適用して、完全コンボリューションレイヤー（Ｆｕｌｌｙ ｃｏｎｖｏｌｕｔｉｏｎ ｌａｙｅｒ）の特徴を有する特徴マップ（ｆｅａｔｕｒｅ ｍａｐ）を検出する第３−１ステップ；
    前記画像分析部が、前記特徴マップに特徴ピラミッド神経網（ｆｅａｔｕｒｅ ｐｙｒａｍｉｄ ｎｅｔｗｏｒｋ、ＦＰＮ）を適用して多重スケール連結（ｃｒｏｓｓ−ｓｃａｌｅ ｃｏｎｎｅｃｔｉｏｎｓ）を導出する第３−２ステップ；及び
    前記画像分析部が、前記多重スケール連結を基盤とした分類結果に対して、分類ロス（ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｌｏｓｓ）、バウンディングボックスリグレッションロス（ｂｏｕｎｄｉｎｇ−ｂｏｘ ｒｅｇｒｅｓｓｉｏｎ ｌｏｓｓ）及び焦点ロス（Ｆｏｃａｌ Ｌｏｓｓ）を予め設定された基準によって調節することで、前記ニグロソーム１領域が含まれた第２画像を分類する第３−３ステップ；を含むことを特徴とする、請求項１３に記載のパーキンソン病診断のための情報提供方法。
JP2020095248A 2020-03-03 2020-06-01 人工知能基盤のパーキンソン病診断装置及び方法 Active JP6746027B1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200026561A KR102097738B1 (ko) 2020-03-03 2020-03-03 인공지능 기반 파킨슨 병 진단 장치 및 방법
KR10-2020-0026561 2020-03-03

Publications (2)

Publication Number Publication Date
JP6746027B1 true JP6746027B1 (ja) 2020-08-26
JP2021137534A JP2021137534A (ja) 2021-09-16

Family

ID=70282070

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020095248A Active JP6746027B1 (ja) 2020-03-03 2020-06-01 人工知能基盤のパーキンソン病診断装置及び方法

Country Status (6)

Country Link
US (1) US11013452B1 (ja)
EP (1) EP3876194B1 (ja)
JP (1) JP6746027B1 (ja)
KR (1) KR102097738B1 (ja)
CN (1) CN111933273B (ja)
ES (1) ES2906220T3 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022018097A (ja) * 2020-07-14 2022-01-26 ヒューロン カンパニー，リミテッド 磁気共鳴画像を用いた微小脳出血検出装置及び方法｛Ｄｅｖｉｃｅ ａｎｄ Ｍｅｔｈｏｄｆｏｒ Ｄｅｔｅｃｔｉｎｇ Ｃｅｒｅｂｒａｌ Ｍｉｃｒｏｂｌｅｅｄｓ Ｕｓｉｎｇ Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｅｓ｝
WO2022203333A1 (ko) * 2021-03-26 2022-09-29 울산과학기술원 흑질의 세분화된 영역을 기초로 파킨슨 병을 진단하는 방법 및 장치
US11734837B2 (en) * 2020-09-30 2023-08-22 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for motion estimation

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111681184B (zh) * 2020-06-09 2023-02-24 复旦大学附属华山医院 一种神经黑色素图像重建方法、装置、设备和存储介质
US20220013231A1 (en) * 2020-07-13 2022-01-13 Corsmed Ab Method for ai applications in mri simulation
KR102256345B1 (ko) * 2021-02-05 2021-05-28 주식회사 휴런 뉴로멜라닌 영상을 이용한 파킨슨병 정보 제공 장치 및 방법
CN113538333B (zh) * 2021-06-08 2022-06-17 中南民族大学 基于脑部块特征加权表达的阿尔茨海默症诊断方法
TWI788939B (zh) * 2021-08-03 2023-01-01 崑山科技大學 輔助檢測帕金森氏症之方法及系統
CN114224296B (zh) * 2022-01-13 2023-07-21 福州大学 基于可穿戴式传感装置的帕金森运动症状量化评估系统
WO2024055129A1 (en) * 2022-09-14 2024-03-21 Macdonald Penny Diagnosis, staging and prognosis of neurodegenerative disorders using mri
KR102618522B1 (ko) * 2022-10-25 2023-12-28 주식회사 틸더 심전도 신호를 이용한 파킨슨병 분석 장치 및 방법

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130172727A1 (en) * 2010-04-30 2013-07-04 The Johns Hopkins University Intelligent Atlas for Automatic Image Analysis of Magnetic Resonance Imaging
US9008462B2 (en) * 2011-02-17 2015-04-14 The Johns Hopkins University Methods and systems for registration of radiological images
WO2012174177A2 (en) * 2011-06-15 2012-12-20 Chunlei Liu Systems and methods for imaging and quantifying tissue magnetism with magnetic resonance imaging
US9600778B2 (en) * 2013-07-02 2017-03-21 Surgical Information Sciences, Inc. Method for a brain region location and shape prediction
CN105705098A (zh) 2013-09-20 2016-06-22 透壁生物技术公司 用于诊断疾病的图像分析技术
US20160054410A1 (en) * 2014-08-19 2016-02-25 General Electric Company System and method for locating and quantifying a biomarker for neurological disease
US10061003B2 (en) * 2014-09-01 2018-08-28 bioProtonics, L.L.C. Selective sampling for assessing structural spatial frequencies with specific contrast mechanisms
KR101740464B1 (ko) * 2016-10-20 2017-06-08 (주)제이엘케이인스펙션 뇌졸중 진단 및 예후 예측 방법 및 시스템
JP6679467B2 (ja) * 2016-11-07 2020-04-15 株式会社日立製作所 磁気共鳴イメージング装置および酸素摂取率算出方法
CN106898000B (zh) * 2017-02-15 2020-02-18 华东师范大学 一种磁共振成像大脑灰质核团的自动分割方法
KR101754291B1 (ko) 2017-04-04 2017-07-06 이현섭 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법
CN107067395B (zh) * 2017-04-26 2022-01-25 中国人民解放军总医院 一种基于卷积神经网络的核磁共振图像处理装置与方法
WO2019178336A1 (en) * 2018-03-14 2019-09-19 Emory University Systems and methods for generating biomarkers based on multivariate mri and multimodality classifiers for disorder diagnosis
KR102131687B1 (ko) * 2018-09-10 2020-07-08 주식회사 휴런 파킨슨 병 진단 장치 및 방법
CN109242849A (zh) * 2018-09-26 2019-01-18 上海联影智能医疗科技有限公司 医学图像处理方法、装置、系统和存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022018097A (ja) * 2020-07-14 2022-01-26 ヒューロン カンパニー，リミテッド 磁気共鳴画像を用いた微小脳出血検出装置及び方法｛Ｄｅｖｉｃｅ ａｎｄ Ｍｅｔｈｏｄｆｏｒ Ｄｅｔｅｃｔｉｎｇ Ｃｅｒｅｂｒａｌ Ｍｉｃｒｏｂｌｅｅｄｓ Ｕｓｉｎｇ Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｅｓ｝
JP7111871B2 (ja) 2020-07-14 2022-08-02 ヒューロン カンパニー，リミテッド 磁気共鳴画像を用いた微小脳出血検出装置及び方法｛Ｄｅｖｉｃｅ ａｎｄ Ｍｅｔｈｏｄｆｏｒ Ｄｅｔｅｃｔｉｎｇ Ｃｅｒｅｂｒａｌ Ｍｉｃｒｏｂｌｅｅｄｓ Ｕｓｉｎｇ Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｅｓ｝
US11481902B2 (en) 2020-07-14 2022-10-25 Heuron Co., Ltd. Device and method for detecting cerebral microbleeds using magnetic resonance images
US11734837B2 (en) * 2020-09-30 2023-08-22 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for motion estimation
WO2022203333A1 (ko) * 2021-03-26 2022-09-29 울산과학기술원 흑질의 세분화된 영역을 기초로 파킨슨 병을 진단하는 방법 및 장치

Also Published As

Publication number Publication date
ES2906220T3 (es) 2022-04-13
KR102097738B1 (ko) 2020-04-06
CN111933273B (zh) 2021-08-27
CN111933273A (zh) 2020-11-13
JP2021137534A (ja) 2021-09-16
EP3876194B1 (en) 2021-12-22
US11013452B1 (en) 2021-05-25
EP3876194A1 (en) 2021-09-08

Similar Documents

Publication Publication Date Title
JP6746027B1 (ja) 人工知能基盤のパーキンソン病診断装置及び方法
JP5424902B2 (ja) Ｐｅｔ／ｍｒフロー推定を用いて補われる自動診断及び自動整列
US11016160B2 (en) Parkinson's disease diagnosing apparatus and method
US9361686B2 (en) Method and apparatus for the assessment of medical images
JP5699936B2 (ja) 医用画像処理装置の作動方法、装置およびプログラム
KR102144719B1 (ko) 복수의 학습 모델에 의한 다중 예측 결과를 이용하는 인공지능 기반 파킨슨 병 진단 장치 및 방법
KR102144720B1 (ko) 기계 학습을 통해 분류된 나이그로좀 1 영역과 복수의 학습 모델에 의한 다중 예측 결과를 이용하는 인공지능 기반 파킨슨 병 진단을 위한 정보제공 방법
US11835612B2 (en) System and method for motion correction of magnetic resonance image
US20160220168A1 (en) Systems and methods for producing imaging biomarkers indicative of a neurological disease state using gray matter suppressions via double inversion-recovery magnetic resonance imaging
KR102144718B1 (ko) 기계 학습을 통해 분류된 나이그로좀 1 영역을 이용하는 인공지능 기반 파킨슨 병 진단 장치 및 방법
KR102144721B1 (ko) 파킨슨병이 존재하는 환자군을 선별하여 임상시험 성공 확률을 높이는 방법
KR102122073B1 (ko) 기계 학습을 통해 검출된 나이그로좀 1 영역을 기초로 파킨슨 병을 진단하는 장치 및 방법
WO2019172968A1 (en) Mri t1w and t2w combined features for detecting neurodegeneration
WO2023277980A9 (en) Method of evaluating concomitant clinical dementia rating and its future outcome using predicted age difference and program thereof
KR102097044B1 (ko) 파킨슨 병 진단을 위한 정보제공 방법
KR20210127546A (ko) 뇌 영상을 이용한 특발 정상압 수두증의 진단 방법 및 시스템
Xu et al. Assessment of Cerebral White Matter Involvement in Amyotrophic Lateral Sclerosis Patients With Disease Progression and Cognitive Impairment by Fixel‐Based Analysis and Neurite Orientation Dispersion and Density Imaging

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200602

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20200602

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20200720

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

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20200731

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200804

R150 Certificate of patent or registration of utility model

Ref document number: 6746027

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250