JP6859445B2 - 脳卒中の診断及び予後予測方法システム及びその作動方法 - Google Patents
脳卒中の診断及び予後予測方法システム及びその作動方法 Download PDFInfo
- Publication number
- JP6859445B2 JP6859445B2 JP2019543150A JP2019543150A JP6859445B2 JP 6859445 B2 JP6859445 B2 JP 6859445B2 JP 2019543150 A JP2019543150 A JP 2019543150A JP 2019543150 A JP2019543150 A JP 2019543150A JP 6859445 B2 JP6859445 B2 JP 6859445B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- lesion
- stroke
- unit
- prognosis prediction
- 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
Links
- 208000006011 Stroke Diseases 0.000 title claims description 130
- 238000003745 diagnosis Methods 0.000 title claims description 78
- 238000004393 prognosis Methods 0.000 title claims description 55
- 238000000034 method Methods 0.000 title claims description 33
- 230000003902 lesion Effects 0.000 claims description 106
- 210000004556 brain Anatomy 0.000 claims description 51
- 238000013507 mapping Methods 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 6
- 238000003702 image correction Methods 0.000 claims description 5
- 238000002597 diffusion-weighted imaging Methods 0.000 claims description 4
- 239000012530 fluid Substances 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000004776 neurological deficiency Effects 0.000 description 4
- 230000000926 neurological effect Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 208000026062 Tissue disease Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 206010065558 Aortic arteriosclerosis Diseases 0.000 description 2
- 201000001962 aortic atherosclerosis Diseases 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000005713 exacerbation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000003727 cerebral blood flow Effects 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—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
- A61B5/0033—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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/7425—Displaying combinations of multiple images regardless of image source, e.g. displaying a reference anatomical image with a live image
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
- A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
- A61B5/02014—Determining aneurysm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image 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
- G06T2207/10088—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
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Neurology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Neurosurgery (AREA)
- Fuzzy Systems (AREA)
- Psychology (AREA)
Description
本発明は、脳卒中の診断及び予後予測方法に関し、より詳細には、脳卒中を正確に診断し、脳卒中患者の状態を確実に予測することができる脳卒中診断及び予後予測方法並びにシステムに関する。
脳卒中（ｓｔｒｏｋｅ ｏｒ ａｐｏｐｌｅｘｙ）とは、一般的に脳血流の異常に起因して突然引き起こされる局所的な神経学的欠損症状を指す。脳卒中という言葉は症状を伴う脳血管疾患とほぼ同義に用いられている。脳卒中は、脳梗塞（脳の血管が詰まるタイプ）と脳出血（脳の血管が破れるタイプ）とに大きく分類される。
従来の脳卒中の診断では、熟練した専門医が脳卒中の原因を判定し、その重症度を評価した。国際基準として使用される脳卒中原因の分類法としては、ＴＯＡＳＴ（Ｔｒｉａｌ ｏｆ Ｏｒｇ １０１７２ ｉｎ Ａｃｕｔｅ Ｓｔｒｏｋｅ Ｔｒｅａｔｍｅｎｔ）基準を用いている。ＴＯＡＳＴ分類法は、これまで最も一般的に使用されてきた分類法である。発生機転により、大動脈アテローム性動脈硬化（ｌａｒｇｅ ａｒｔｅｒｙ ａｔｈｅｒｏｓｃｌｅｒｏｓｉｓ）、心原性脳塞栓（ｃａｒｄｉｏｅｍｂｏｌｉｓｍ）、小動脈閉塞（ｓｍａｌｌ ａｒｔｅｒｙ ｏｃｃｌｕｓｉｏｎ）、その他の原因（ｏｔｈｅｒ ｃａｕｓｅｓ）、原因不明（ｕｎｄｅｔｅｒｍｉｎｅｄ ｃａｕｓｅ）などに分類する。
また、初期の神経学的欠損の程度（重症度）は、脳卒中の予後を決定する要因として非常に重要であると知られている。初期の神経学的欠損の程度を測定するために、いくつかの尺度を用いているが、妥当性、信頼性、測定の容易性などをすべて満足させるには不十分であるのが現状である。重症度の評価は、ＮＩＨＳＳによって行われている。
ＮＩＨＳＳ（Ｎａｔｉｏｎａｌ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｈｅａｌｔｈ Ｓｔｒｏｋｅ Ｓｃａｌｅ）は、妥当性と信頼性が高いと知られているため、韓国でも最も多く利用されている。臨床研究では、神経学的欠損の重症度を定量的に測定することが必要であるが、実際の臨床では、神経学的欠損の重症度を、定量的に測定及び分析するのではなく、記述的に測定して記録する場合がほとんどである。また、３ヶ月後ｍＲＳ基準を用いて脳卒中治療後の状態を評価する方法がある。
一方、組織疾患を評価し、病理学的疾患を診断するか、そのための技法が、従来技術として提案されている。例えば、韓国公開特許第１０−２０１６−００５８８１２号公報（２０１６年５月２５日）の「疾患を診断するための画像分析技法」、韓国公開特許第１０−２０１５−００９８１１９号公報（２０１５年８月２７日）の「医療画像中の偽陽性病変候補除去システム及び方法」、韓国公開特許第１０−２０１５−０１０８７０１号公報（２０１５年９月３０日）の「医療画像中の解剖学的要素視覚化システム及び方法」などがある。
上記韓国公開特許第１０−２０１６−００５８８１２号公報には、組織疾患を評価し、病理学的疾患を診断するか、その予後もしくはこれに対するリスクを評価するための技法が開示されている。この技法は、動物または人間の組織の少なくとも一部を含む画像を受信するように構成された画像取得モジュールと、取得された画像に分析領域を表示するように構成された境界画定モジュールと、分析区域から定量的情報を抽出するように構成された特徴抽出モジュールと、組織の疾患を評価するために抽出された情報を受信し、少なくとも一つの検出アルゴリズムを適用するように構成された機械学習モジュールと、を含む。
前述した従来の文献は、脳卒中の診断及び予後予測のためのものというよりも一般的な疾患や病変による診断を行うための技術を開示している。
一方、脳卒中の診断及び予後予測のためには、膨大なＭＲＩ画像データ及び患者の臨床情報の両方を考慮しなければならない。そのため、診断に時間がかかり、しかも、医療スタッフの熟練度によっても、その診断結果にばらつきが大きいことがある。
したがって、脳卒中を迅速に診断しながらも診断結果のばらつきを最小にした結果を提供することができ、医療スタッフの最終診断及び予後予測の精度を向上させることができ、これにより最適な医療的措置が行われるようにする方案が求められているのが現状である。
本発明は、上述のような問題点に着目して創出されたものであり、脳卒中を正確に診断し、脳卒中患者の状態を確実に予測することができる脳卒中の診断及び予後予測方法を提供することを目的とする。
本発明の他の目的は、前述した脳卒中の診断及び予後予測方法を用いる脳卒中の診断及び予後予測システムを提供することである。
上記目的を達成するための本発明の一態様に係る脳卒中の診断及び予後予測システムは、人間の脳の少なくとも一部を含む複数の画像を受信するように構成された画像取得部と；標準脳画像に基づいて前記複数の画像を位置合わせする画像位置合わせ部と；前記複数の画像からそれぞれの病変領域を検出し、前記検出された病変領域にマッピングして１つのマッピング画像を生成する病変領域検出及びマッピング部と；前記マッピング画像をスケーリングすることにより標準脳画像にマッチングさせ、前記マッピング画像に対する画像補正を行うマッチング及び補正部と；前記マッピング画像を３次元データ空間に格納することにより３次元病変画像を生成する３次元画像生成部と；前記３次元病変画像に基づいて脳卒中を診断する脳卒中診断部と；を含む。
前記病変領域検出及びマッピング部は、前記複数の画像のマッチング位置情報に基づいて、前記マッピングされた病変の位置を前記標準脳画像にマッチングさせることができる。
前記３次元画像生成部は、３次元病変画像を生成する前に、前記病変画像における病変の有無に応じて、前記病変画像の画素情報を二値化し、前記病変画像の大きさを調整することができる。
前記脳卒中診断部は、ディープニューラルネットワークを用いて前記格納された３次元病変画像の特徴を抽出し、前記抽出された３次元病変画像の特徴に基づいて脳卒中の原因を分類することにより脳卒中を診断することができる。
前記ディープニューラルネットワークは、３次元畳み込みニューラルネットワーク（ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ：ＣＮＮ）を含み得る。
前記脳卒中診断部は、前記診断された脳卒中の重症度を分類することができる。
前記脳卒中診断部は、前記病変画像から３週間以内の危篤状態を予測し、所定時間後の患者の状態を予測することができる。
前記複数の画像は、ＭＲＩ画像であり得、前記ＭＲＩ画像は、拡散強調画像（Ｄｉｆｆｕｓｉｏｎ ｗｅｉｇｈｔｅｄ ｉｍａｇｉｎｇ、ＤＷＩ）、流体減衰反転回復（Ｆｌｕｉｄ Ａｔｔｅｎｕａｔｅｄ Ｉｎｖｅｒｓｉｏｎ Ｒｅｃｏｖｅｒｙ、ＦＬＡＩＲ）画像、グラジエントエコー（Ｇｒａｄｉｅｎｔ Ｅｃｈｏ、ＧＥ）画像、およびＴ２強調画像（Ｔ２ ｗｅｉｇｈｔｅｄ ｉｍａｇｅ、Ｔ２）を含み得る。
上記目的を達成するための本発明の一態様に係る方法は、人間の脳の少なくとも一部を含む複数の画像を取得するステップと；標準脳に基づいて前記複数の画像を位置合わせするステップと；前記複数の画像からそれぞれの病変領域を検出し、前記検出された病変領域にマッピングして１つのマッピング画像を生成するステップと；前記マッピング画像をスケーリングすることにより標準脳画像にマッチングさせ、前記マッピング画像に対する画像補正を行うステップと；前記マッピング画像を３次元データ空間に格納することにより３次元病変画像を生成するステップと；前記３次元病変画像に基づいて脳卒中を診断するステップと；を含む。
一実施形態において、前記一つのマッピング画像を生成するステップでは、前記マッチング位置情報に基づいて、前記マッピングされた病変の位置を前記標準脳画像にマッチングさせることができる。
一実施形態において、脳卒中の診断および予後予測方法は、前記３次元病変画像を生成する前に、前記病変画像における病変の有無に応じて、前記病変画像の画素情報を二値化し、前記病変画像の大きさを調整するステップをさらに含むことができる。
一実施形態において、前記脳卒中を診断するステップでは、３次元畳み込みニューラルネットワーク（ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ：ＣＮＮ）を用いて前記格納された３次元病変画像情報の特徴を抽出することができる。
一実施形態において、前記脳卒中を診断するステップでは、前記診断された脳卒中の重症度を分類することができる。
一実施形態において、前記脳卒中を診断するステップでは、前記病変画像から３週間以内の危篤状態を予測し、所定時間後の患者の状態を予測することができる。
本発明の実施形態によれば、脳卒中の原因及び重症度をクラス別精度と共に可視化することにより定量的、統計的結果を提供することができ、医師の最終的な診断への参考となり、患者に対しても論証的に説明することができる。
本発明は、多様な変更を加えることで、さまざまな実施形態を有することができるが、特定の実施形態を図面に例示し、詳細な説明において詳細に説明する。本発明の効果及び特徴、そしてそれらを達成する方法は、図面と共に詳細に説明する実施形態を参照すれば、明確になるであろう。しかし、本発明は、以下で開示される実施形態に限定されるものではなく、多様な形態で実現できる。
以下、添付図面を参照して本発明の実施形態を詳細に説明するが、図面を参照して説明するに当たって、同一または対応する構成要素には同一の図面符号を付し、それに係わる重複説明は省略する。
図１は、本発明の一実施形態に係る脳卒中の診断及び予後予測システムのブロック図である。
図１を参照すると、本発明の一実施形態に係る脳卒中の診断及び予後予測システム１００は、画像取得部１１０、画像位置合わせ部１２０、病変領域検出及びマッピング部１３０、マッチング及び補正部１４０、３次元画像生成部１５０、および脳卒中診断部１６０を含む。
画像取得部１１０は、脳卒中の診断に用いられる医療用画像を取得する。具体的には、画像取得部１１０は、医療用画像機器から磁気共鳴画像（ＭＲＩ：Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）を取得する。一実施形態において、ＭＲＩ画像は、拡散強調画像（Ｄｉｆｆｕｓｉｏｎ ｗｅｉｇｈｔｅｄ ｉｍａｇｉｎｇ、ＤＷＩ）、流体減衰反転回復（Ｆｌｕｉｄ Ａｔｔｅｎｕａｔｅｄ Ｉｎｖｅｒｓｉｏｎ Ｒｅｃｏｖｅｒｙ、ＦＬＡＩＲ）画像、グラジエントエコー（Ｇｒａｄｉｅｎｔ Ｅｃｈｏ、ＧＥ）画像、およびＴ２強調画像（Ｔ２ ｗｅｉｇｈｔｅｄ ｉｍａｇｅ、Ｔ２）を含む。換言すれば、画像取得部１１０は、診断に用いるＭＲＩ画像として、拡散強調画像（ＤＷＩ）、Ｔ２強調画像、ＦＬＡＩＲ画像、Ｔ１強調画像の４つの異なるシーケンスを用いて得られたＭＲＩ画像を用いる。画像取得部１１０は、取得した医療画像を画像位置合わせ部１２０に伝達する。
画像位置合わせ部１２０は、モントリオール神経学研究所ＭＮＩ（Ｍｏｎｔｒｅａｌ Ｎｅｕｒｏｌｏｇｉｃａｌ Ｉｎｓｔｉｔｕｔｅ）標準脳画像の座標に基づいて複数の画像を標準化し、座標で表現可能な標準脳画像に基づいて、脳の位置及び方向を線形移動及び回転移動により補正する。すなわち、画像位置合わせ部１２０は、ＭＮＩテンプレート（ｔｅｍｐｌａｔｅ）に基づいて、入力されたＭＲＩ画像を標準化する。ここで、標準脳画像は、脳卒中の診断に用いられる比較画像であり、患者の脳画像を分析する際に病変の有無及び病変の重症度を判断するために用いられる。標準脳画像は、人種、性別、年齢によって異なり得る。例えば、標準脳画像は、韓国人の標準脳画像であり得る。
病変領域検出及びマッピング部１３０は、複数の画像から病変領域を検出し、マッピングを行う。具体的には、病変領域検出及びマッピング部１３０は、前記複数の画像からそれぞれの病変領域を検出し、前記検出された病変領域にマッピングして１つのマッピング画像を生成する。また、病変領域検出及びマッピング部１３０は、複数の画像のマッチング位置情報に基づいて、前記マッピングされた病変の位置を前記標準脳画像にマッチングさせる。例えば、病変領域検出及びマッピング部１３０は、病変領域を検出して、病変領域の情報をＭＮＩ空間（ｓｐａｃｅ）上にバイナリ（ｂｉｎａｒｙ）形式で出力可能にする。
マッチング及び補正部１４０は、前記マッピング画像をスケーリングすることにより標準脳画像にマッチングさせ、前記マッピング画像に対する画像補正を行う。具体的には、マッチング及び補正部１４０は、患者の脳の大きさに対する線形または非線形変形を行い、標準脳画像にマッチングさせ、この際のマッチング位置情報に基づいて、マッピングされた病変の位置を標準脳画像の座標にマッチングさせた後、画像補正を行う。画像補正は、画像に含まれるノイズを除去したり、明るさを調整したりする操作を含む。
３次元病変画像生成部１５０は、前記マッピング画像を３次元データ空間に格納することにより３次元病変画像を生成する。また、３次元病変画像生成部１５０は、標準脳の座標にマッチングした病変のマッピング画像に対して前処理を行ってもよい。具体的には、３次元病変画像生成部１５０は、マッピング画像の前処理時に病変の有無に応じて画素情報を｛１、０｝に二値化し、必要に応じて病変画像の大きさを調節してもよい。例えば、病変画像の大きさは、元の大きさの１／２または１／４に縮小されてもよい。例えば、３次元病変画像生成部１５０は、平均画像に基づいて全ての画像を位置合わせし、ＭＮＩ（Ｍｏｎｔｒｅａｌ Ｎｅｕｒｏｌｏｇｉｃａｌ Ｉｎｓｔｉｔｕｔｅ）標準脳画像の座標に基づいて患者の脳を標準化し、横、縦、高さがそれぞれ８ｍｍの正規分布カーネルを用いてデータ値を平滑化する一連のプロセスを通じて画像データを前処理する。
各シーケンスから得られたＭＲＩ画像を３次元のデータ空間に再構成し、各病変の領域を３次元の座標空間として表示することができる。さらに、前処理ステップにおける重要度に応じて、各シーケンスから得られたＭＲＩ画像に重みをつけて、ＭＲＩ画像を３次元空間内の１つの病変マップに統合する。
３次元病変画像生成部１５０は、必要な前処理が施されたマッピング画像を、それぞれの画像を取得するためのシーケンス毎に３次元データ空間を作成して格納することにより、３次元病変画像を生成する。図２は、本発明に係る３次元データ空間を模式的に示す図である。図２に示すように、標準脳にマッチングさせた後の各画像の脳の水平画素数×垂直画素数×含まれたスライスの数が、３次元データ格納空間に割り当てられている。プーリング層に保存される値は、病変情報のみを有する画像の場合には平均値であり、元のＭＲデータの場合は最大値である。
脳卒中診断部１６０は、前記３次元病変画像に基づいて脳卒中の原因を分析することにより脳卒中を診断する。
図３は、本発明の一実施形態に係る脳卒中診断部のブロック図を示す。
図３を参照すると、脳卒中診断部１６０は、３次元病変画像特徴抽出部１６１、脳卒中原因分類部１６２、重症度分類部１６３、３週間以内リスト予測部１６４及び患者状態予測部１６５を含む。
３次元病変画像特徴抽出部１６１は、３次元データ格納空間に格納された３次元病変画像の特徴を、ディープニューラルネットワークを用いて抽出することができる。図４は、ディープニューラルネットワークの一例を示す図である。図４に示すように、ディープニューラルネットワークを設計する過程では、分類及び分析内容に基づいてデータフィルタのサイズを等方化または異方化する。言い換えると、フィルタの構成を、必要に応じて、画像及び厚さ方向において、各シーケンスに対して等方的及び異方的に設計することができる。前記ディープニューラルネットワークは、3次元畳み込みニューラルネットワーク（３−Ｄｉｍｅｎｓｉｏｎａｌ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、ＣＮＮ）であってもよい。
脳卒中原因分類部１６２は、前記抽出された３次元病変画像の特徴に基づいて脳卒中の原因を分類することにより脳卒中を診断することができる。脳卒中の原因の分類には、国際基準であるＴＯＡＳＴ分類が用いられる。具体的には、脳卒中原因分類部１６２は、脳卒中の原因を、国際基準であるＴＯＡＳＴ分類に基づく分類の中から、大動脈アテローム性動脈硬化（ｌａｒｇｅ ａｒｔｅｒｙ ａｔｈｅｒｏｓｃｌｅｒｏｓｉｓ）、心原性脳塞栓（ｃａｒｄｉｏｅｍｂｏｌｉｓｍ）、および小動脈閉塞（ｓｍａｌｌ ａｒｔｅｒｙ ｏｃｃｌｕｓｉｏｎ）に主に分類する。それぞれの各分類結果、いずれか１つの分類基準に基づいて脳卒中の原因を判定することが困難である場合、脳卒中の原因は他の疾患として分類される。
重症度分類部１６３は、前記診断された脳卒中の重症度を分類することができる。重症度の分類は、国際基準であるＮＩＨＳＳ分類に基づいて行われてもよい。重症度分類部１６３は、脳卒中の重症度を分類するために国際基準のＮＩＨＳＳに基づいて分類基準を構成し、判定を簡単にするために次の４つのステップに分ける。重症度分類部１６３は、ＮＩＨＳＳ点数に基づき、０である場合を「無症状」、１〜４の範囲を「重症度低」、５〜１５の範囲を「重症度普通」、１６〜２０の範囲を「重症度危険」、２１〜４２の範囲を「重症度深刻」とそれぞれ分類する。
３週間以内リスク予測部１６４は、前記病変画像から３週間以内の危篤状態を予測する。３週間以内リスク予測部１６４は、患者の入院後３週間以内に患者の状態が悪化する可能性のあるリスクを百分率で予測し、リスク率に基づいて、９０％以上を「非常に高いリスク」、７０％〜９０％を「高いリスク」、３０％〜７０％を「通常のリスク」、３０％未満を「低いリスク」とそれぞれ分類する。
また、患者状態予測部１６５は、所定時間後の患者の状態を予測する。具体的には、患者状態予測部１６５は、国際基準であるｍＲＳ分類規定に基づいて、３ヶ月後の患者状態の分類を行う。前記脳卒中原因分類部１６２、重症度分類部１６３、および患者状態予測部１６５は、アルゴリズムの構成に基づいて各分類基準のスコアリング範囲を設定し、再構成して使用することができる。
このように、本発明の脳卒中診断及び予後予測システムによる脳卒中の分類及び分析内容は、診断書及び予後予測報告書を作成するに際して、分類のクラス別精度と共に可視化して定量的、統計的結果を提供し、医師の最終的な診断への参考となり、患者に対しても論証的に説明できるようにする。
このように、本発明では、ディープラーニングアルゴリズムにより訓練された人工知能の診断及び予測ソフトウェアを用いて脳卒中の原因及び重症度を分類し、入院後３週間以内に悪化するリスクと３ヶ月後の患者状態を予測することができるプラットフォームを提供する。
図５は、本発明の一実施形態に係る脳卒中診断及び予後予測方法のフローチャートである。まず、脳卒中の診断および予後予測システムは、ステップ２１０において、人間の脳の少なくとも一部を含む複数の画像を取得する。前記複数の画像はＭＲＩ画像であり得、ＭＲＩ画像は、拡散強調画像、流体減衰反転回復（ＦＬＡＩＲ）画像、グラジエントエコー画像、及びＴ２強調画像を含む。
次に、脳卒中の診断および予後予測システムは、ステップ２２０において、標準脳に基づいて前記複数の画像を位置合わせする。具体的には、脳卒中の診断および予後予測システムは、ＭＮＩ（Ｍｏｎｔｒｅａｌ Ｎｅｕｒｏｌｏｇｉｃａｌ Ｉｎｓｔｉｔｕｔｅ）標準脳画像の座標に基づいて前記複数の画像を標準化し、座標で表現可能な標準脳画像に基づいて、脳の位置と方向を線形移動及び回転移動により補正する。
脳卒中の診断及び予後予測システムは、ステップ２３０において、前記複数の画像からそれぞれの病変領域を検出し、前記検出された病変領域にマッピングして１つのマッピング画像を生成する。
その次、脳卒中の診断および予後予測システムは、ステップ２４０において、前記マッピング画像をスケーリングすることにより標準脳画像にマッチングさせ、前記マッピング画像に対する画像補正を行う。具体的には、脳卒中の診断および予後予測システムは、患者の脳の大きさに対する線形または非線形変形を行い、標準脳画像にマッチングさせ、この際のマッチング位置情報に基づいて、マッピングされた病変の位置を標準脳画像の座標にマッチングさせた後、画像補正を行う。
その後、脳卒中の診断および予後予測システムは、ステップ２５０において、前記マッピング画像を３次元データ空間に格納することにより３次元病変画像を生成する。また、図示していないが、脳卒中の診断および予後予測システムは、標準脳の座標にマッチングした病変のマッピング画像に対して前処理を行ってもよい。脳卒中の診断および予後予測システムは、マッピング画像の前処理時に病変の有無に応じて画素情報を｛１、０｝に二値化し、必要に応じて病変画像の大きさを調節してもよい。この場合、脳卒中の診断および予後予測システムは、前処理が施されたマッピング画像を、それぞれの画像を取得するためのシーケンス毎に３次元データ空間を作成して格納することにより、３次元病変画像を生成する。
次いで、脳卒中の診断および予後予測システムは、ステップ２６０において、前記３次元病変画像からディープニューラルネットワークに基づいて脳卒中を診断する。
図６は、本発明の一実施形態に係る脳卒中の診断方法のフローチャートを示す。
図６を参照すると、脳卒中の診断および予後予測システムは、ステップ３１０において、ディープニューラルネットワークを用いて、３次元データ格納空間に格納された３次元病変画像の特徴を抽出することができる。前記ディープニューラルネットワークは、３次元畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、ＣＮＮ）であってもよい。
脳卒中の診断及び予後予測システムは、ステップ３２０において、前記抽出された３次元病変画像の特徴に基づいて脳卒中の原因を分類する。脳卒中の原因の分類には、国際基準であるＴＯＡＳＴ分類が用いられる。また、脳卒中の診断および予後予測システムは、ステップ３３０において、前記診断された脳卒中の重症度を分類する。重症度の分類は、国際基準であるＮＩＨＳＳ分類に基づいて行われる。
脳卒中の診断及び予後予測システムは、ステップ３４０において、前記病変画像から３週間以内の危篤状態を予測する。具体的には、脳卒中の診断および予後予測システムは、ステップ３４０において、患者の入院後３週間以内に患者の状態が悪化する可能性のあるリスクを百分率で予測し、リスク率に基づいて、９０％以上を「非常に高いリスク」、７０％〜９０％を「高いリスク」、３０％〜７０％を「通常のリスク」、３０％未満を「低いリスク」とそれぞれ分類する。
また、脳卒中の診断および予後予測システムは、ステップ３５０において、所定時間後の患者の状態を予測する。具体的には、脳卒中の診断および予後予測システムは、国際基準であるｍＲＳ分類規定に基づいて３ヶ月後の患者状態の分類を行う。
本発明の一実施形態によれば、ディープラーニングアルゴリズムにより訓練された人工知能の診断及び予測ソフトウェアを用いて脳卒中の原因及び重症度を分類し、入院後３週間以内に悪化するリスクと３ヶ月後の患者状態を予測することができるプラットフォームを提供する。
したがって、本発明の実施形態によれば、脳卒中を正確に診断することができ、脳卒中患者の状態を確実に予測することができる。
一方、本発明の詳細な説明では、添付図面を参照して好ましい実施形態を中心に具体的に記述したが、本発明の範囲を逸脱しない範囲内で種々の変形が可能なことは勿論である。よって、本発明の範囲は、説明された実施形態に限定されて定められるものではなく、後述する特許請求の範囲だけでなく、この特許請求の範囲と均等なものによって定められるべきである。
Claims (15)
- 脳卒中の診断及び予後予測システムにおいて、
人間の脳の少なくとも一部を含む複数の画像を受信する画像取得部と；
標準脳画像の座標に基づいて前記複数の画像を標準化し、座標で表現可能な前記標準脳画像に基づいて、前記複数の画像内の脳の位置及び方向を線形移動及び回転移動により補正して前記複数の画像を位置合わせする画像位置合わせ部と；
前記複数の画像からそれぞれの病変領域を検出し、前記検出された病変領域に前記複数の画像をマッピングして１つのマッピング画像を生成する病変領域検出及びマッピング部と；
前記マッピング画像をスケーリングすることにより前記標準脳画像にマッチングさせ、前記マッピング画像に対する画像補正を行うマッチング及び補正部と；
前記マッピング画像を３次元データ空間に格納することにより３次元病変画像を生成する３次元画像生成部と；
前記３次元病変画像に基づいて脳卒中を診断する脳卒中診断部と；を含むことを特徴とする脳卒中の診断及び予後予測システム。 - 前記病変領域検出及びマッピング部は、前記複数の画像のマッチング位置情報に基づいて、前記マッピングされた病変の位置を前記標準脳画像にマッチングさせることを特徴とする請求項１に記載の脳卒中の診断及び予後予測システム。
- 前記３次元画像生成部は、前記３次元病変画像を生成する前に、前記病変画像における病変の有無に応じて、前記病変画像の画素情報を二値化し、前記病変画像の大きさを調整することを特徴とする請求項１に記載の脳卒中の診断及び予後予測システム。
- 前記脳卒中診断部は、ディープニューラルネットワークを用いて前記格納された３次元病変画像の特徴を抽出し、前記抽出された３次元病変画像を用いて、訓練されたディープニューラルネットワークに基づいて脳卒中を診断することを特徴とする請求項１に記載の脳卒中の診断及び予後予測システム。
- 前記ディープニューラルネットワークは、３次元畳み込みニューラルネットワーク（ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ：ＣＮＮ）を含むことを特徴とする請求項４に記載の脳卒中の診断及び予後予測システム。
- 前記脳卒中診断部は、前記診断された脳卒中の重症度を分類することを特徴とする請求項１に記載の脳卒中の診断及び予後予測システム。
- 前記脳卒中診断部は、前記病変画像から３週間以内の危篤状態を予測し、所定時間後の患者の状態を予測することを特徴とする請求項１に記載の脳卒中の診断及び予後予測システム。
- 前記複数の画像は、ＭＲＩ画像であることを特徴とする請求項１に記載の脳卒中の診断及び予後予測システム。
- 前記ＭＲＩ画像は、拡散強調画像（Ｄｉｆｆｕｓｉｏｎ ｗｅｉｇｈｔｅｄ ｉｍａｇｉｎｇ、ＤＷＩ）、流体減衰反転回復（Ｆｌｕｉｄ Ａｔｔｅｎｕａｔｅｄ Ｉｎｖｅｒｓｉｏｎ Ｒｅｃｏｖｅｒｙ、ＦＬＡＩＲ）画像、グラジエントエコー（Ｇｒａｄｉｅｎｔ Ｅｃｈｏ、ＧＥ）画像、およびＴ２強調画像（Ｔ２ ｗｅｉｇｈｔｅｄ ｉｍａｇｅ、Ｔ２）を含むことを特徴とする請求項８に記載の脳卒中の診断及び予後予測システム。
- 請求項１に記載の脳卒中の診断及び予後予測システムの作動方法において、
前記画像取得部で、人間の脳の少なくとも一部を含む複数の画像を取得するステップと；
前記画像位置合わせ部で、標準脳画像の座標に基づいて前記複数の画像を標準化し、座標で表現可能な前記標準脳画像に基づいて、脳の位置及び方向を線形移動及び回転移動により補正して位置合わせするステップと；
前記病変領域検出及びマッピング部で、前記複数の画像からそれぞれの病変領域を検出し、前記検出された病変領域にマッピングして１つのマッピング画像を生成するステップと；
前記マッチング及び補正部で、患者の脳の大きさに対する線形または非線形変形を行い、前記標準脳画像にマッチングさせ、この際のマッチング位置情報に基づいて、マッピングされた病変の位置を標準脳画像の座標にマッチングさせた後、マッピング画像に対する画像補正を行うステップと；
前記３次元画像生成部で、前記マッピング画像を３次元データ空間に格納することにより３次元病変画像を生成するステップと；
前記脳卒中診断部で、ディープニューラルネットワークを用いて前記３次元病変画像の特徴を抽出し、前記抽出された３次元病変画像を用いて、訓練されたディープニューラルネットワークに基づいて脳卒中を診断するステップと；を含むことを特徴とする脳卒中の診断及び予後予測システムの作動方法。 - 前記一つのマッピング画像を生成するステップは、前記病変領域検出及びマッピング部で、前記マッチング位置情報に基づいて、前記マッピングされた病変の位置を前記標準脳画像にマッチングさせるステップを含むことを特徴とする請求項１０に記載の脳卒中の診断及び予後予測システムの作動方法。
- 前記３次元病変画像を生成する前に、前記３次元画像生成部で、前記病変画像における病変の有無に応じて、前記病変画像の画素情報を二値化し、前記病変画像の大きさを調整するステップをさらに含むことを特徴とする請求項１０に記載の脳卒中の診断及び予後予測システムの作動方法。
- 前記脳卒中を診断するステップは、前記脳卒中診断部で、３次元畳み込みニューラルネットワーク（ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ：ＣＮＮ）を用いて前記格納された３次元病変画像情報の特徴を抽出するステップを含むことを特徴とする請求項１０に記載の脳卒中の診断及び予後予測システムの作動方法。
- 前記脳卒中を診断するステップは、前記脳卒中診断部で、前記診断された脳卒中の重症度を分類するステップを含むことを特徴とする請求項１０に記載の脳卒中の診断及び予後予測システムの作動方法。
- 前記脳卒中を診断するステップは、前記脳卒中診断部で、前記病変画像から３週間以内の危篤状態を予測し、所定時間後の患者の状態を予測するステップを含むことを特徴とする請求項１０に記載の脳卒中の診断及び予後予測システムの作動方法。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR10-2016-0136308 | 2016-10-20 | ||
| KR1020160136308A KR101740464B1 (ko) | 2016-10-20 | 2016-10-20 | 뇌졸중 진단 및 예후 예측 방법 및 시스템 |
| PCT/KR2017/010091 WO2018074739A1 (ko) | 2016-10-20 | 2017-09-14 | 뇌졸중 진단 및 예후 예측 방법 및 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020506012A JP2020506012A (ja) | 2020-02-27 |
| JP6859445B2 true JP6859445B2 (ja) | 2021-04-14 |
Family
ID=59221727
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019543150A Active JP6859445B2 (ja) | 2016-10-20 | 2017-09-14 | 脳卒中の診断及び予後予測方法システム及びその作動方法 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US10952613B2 (ja) |
| EP (1) | EP3543880B1 (ja) |
| JP (1) | JP6859445B2 (ja) |
| KR (1) | KR101740464B1 (ja) |
| CN (1) | CN109997200B (ja) |
| WO (1) | WO2018074739A1 (ja) |
Families Citing this family (42)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101938992B1 (ko) * | 2017-06-19 | 2019-01-15 | 한국과학기술원 | 진단 이유 설명이 생성되는 cad 시스템 및 그 방법 |
| CN109543139B (zh) * | 2017-09-22 | 2021-09-17 | 杭州海康威视数字技术股份有限公司 | 卷积运算方法、装置、计算机设备及计算机可读存储介质 |
| KR20190046471A (ko) * | 2017-10-26 | 2019-05-07 | 삼성전자주식회사 | 의료 영상 처리 방법 및 그에 따른 의료 영상 처리 장치 |
| KR102047237B1 (ko) | 2017-12-13 | 2019-12-02 | (주)엔텔스 | 영상 데이터를 분석하는 인공 지능을 이용한 질병 진단 방법 및 진단 시스템 |
| US11087273B1 (en) * | 2017-12-14 | 2021-08-10 | Amazon Technologies, Inc. | Item recognition system using reference images |
| KR101893557B1 (ko) * | 2017-12-29 | 2018-08-30 | (주)제이엘케이인스펙션 | 영상 처리 장치 및 방법 |
| KR101898575B1 (ko) * | 2018-01-18 | 2018-09-13 | 주식회사 뷰노 | 진행성 병변에 대한 미래 상태를 예측하는 방법 및 이를 이용한 장치 |
| KR102222816B1 (ko) * | 2018-01-18 | 2021-03-04 | 주식회사 뷰노 | 진행성 병변의 미래 영상을 생성하는 방법 및 이를 이용한 장치 |
| KR102001398B1 (ko) * | 2018-01-25 | 2019-07-18 | 재단법인 아산사회복지재단 | 기계학습을 통한 뇌질환 상태변화 예측방법, 장치 및 프로그램 |
| KR102243830B1 (ko) * | 2018-02-22 | 2021-04-23 | 고려대학교 산학협력단 | 통합 의료 진단 서비스 제공 시스템 및 그 방법 |
| KR101959438B1 (ko) * | 2018-08-06 | 2019-03-18 | 전북대학교 산학협력단 | 다중 모달리티 영상 생성 기법을 이용한 의료영상진단시스템 |
| KR101974786B1 (ko) * | 2018-08-17 | 2019-05-31 | (주)제이엘케이인스펙션 | 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 방법 및 시스템 |
| KR102319326B1 (ko) * | 2018-08-31 | 2021-10-29 | 주식회사 뉴로게이저 | 구조적 자기공명영상을 이용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치 |
| JP6933617B2 (ja) * | 2018-09-03 | 2021-09-08 | 富士フイルム株式会社 | 診療支援装置 |
| JP7129870B2 (ja) * | 2018-10-01 | 2022-09-02 | 富士フイルム株式会社 | 疾患領域を判別する判別器の学習装置、方法及びプログラム、疾患領域を判別する判別器、並びに疾患領域判別装置及びプログラム |
| US11769594B2 (en) * | 2018-10-11 | 2023-09-26 | Jlk Inc. | Deep learning model learning device and method for cancer region |
| KR101958188B1 (ko) | 2018-10-12 | 2019-03-14 | 신성대학 산학협력단 | 음성 분석을 기반으로 하는 뇌졸중 판단 시스템 및 그 방법 |
| KR102143465B1 (ko) | 2018-11-29 | 2020-08-11 | 주식회사 휴런 | Aspect 스코어 추정 시스템 및 방법 |
| KR102056989B1 (ko) * | 2018-12-24 | 2020-02-11 | (주)제이엘케이인스펙션 | 머신러닝 기반의 gre 영상을 활용한 혈전 분류 방법 및 시스템 |
| KR101996476B1 (ko) * | 2018-12-27 | 2019-07-03 | (주)제이엘케이인스펙션 | 뇌병변 정보 제공 장치 및 방법 |
| CN110070935B (zh) * | 2019-03-20 | 2021-04-30 | 中国科学院自动化研究所 | 基于对抗神经网络的医学图像合成方法、分类方法及装置 |
| KR102158713B1 (ko) * | 2019-04-03 | 2020-09-22 | 한림대학교 산학협력단 | Gba 유전자의 단일염기다형성을 포함하는 뇌동맥류 진단용 snp 마커 |
| KR102186893B1 (ko) | 2019-10-15 | 2020-12-04 | 주식회사 리드브레인 | 인공지능 기반 커리큘럼 학습 방법을 이용한 의료 영상 처리 시스템 및 지능형 의료 진단 및 진료 시스템 |
| KR102166647B1 (ko) | 2019-10-15 | 2020-11-13 | 주식회사 리드브레인 | 블록 기반 유연한 ai 모델을 이용한 지능형 의료 진단 및 진료 시스템 |
| KR102351373B1 (ko) * | 2020-02-04 | 2022-01-14 | (주)헬스허브 | 역방향 피팅을 통한 신체 사이즈 측정 장치 및 그 방법 |
| KR102097738B1 (ko) * | 2020-03-03 | 2020-04-06 | 주식회사 휴런 | 인공지능 기반 파킨슨 병 진단 장치 및 방법 |
| CN111613321A (zh) * | 2020-04-16 | 2020-09-01 | 杭州电子科技大学 | 一种基于密集卷积神经网络的心电图卒中辅助诊断方法 |
| US20210338330A1 (en) * | 2020-05-04 | 2021-11-04 | SCA Robotics | Artificial intelligence based vascular mapping and interventional procedure assisting platform based upon dynamic flow based imaging and biomarkers |
| KR102151942B1 (ko) * | 2020-06-23 | 2020-09-04 | 주식회사 휴런 | 영상 데이터세트의 특징을 정규화 및 표준화하는 전처리 과정이 적용된 aspect 스코어 추정 방법 |
| KR102151943B1 (ko) * | 2020-06-23 | 2020-09-04 | 주식회사 휴런 | 뇌졸중 관련 병변을 분리하는 과정이 적용된 aspect 스코어 추정 방법 |
| KR102177296B1 (ko) * | 2020-06-23 | 2020-11-11 | 주식회사 휴런 | 뇌졸중 환자의 영상을 기반으로 aspect 스코어를 추정하는 시스템 |
| KR102582293B1 (ko) * | 2020-09-09 | 2023-09-25 | 사회복지법인 삼성생명공익재단 | 내이기관의 내림프수종 비율 측정 방법 및 그 장치 |
| JPWO2022054858A1 (ja) * | 2020-09-11 | 2022-03-17 | ||
| TWI768483B (zh) * | 2020-09-28 | 2022-06-21 | 臺北醫學大學 | 用於識別腦白質高信號之方法及裝置 |
| KR102447400B1 (ko) * | 2020-10-06 | 2022-09-28 | 연세대학교 산학협력단 | 딥러닝 모델을 이용한 병변 영역 추출 기반의 뇌경색 예측 방법 및 그를 위한 장치 |
| KR102530010B1 (ko) * | 2020-12-16 | 2023-05-08 | 가천대학교 산학협력단 | 의료 영상 기반 질환 중증도 결정 장치 및 방법 |
| KR102289648B1 (ko) * | 2021-02-03 | 2021-08-18 | 주식회사 휴런 | 의료 영상 기반 허혈성 뇌졸중 검출 및 형태 분류 방법, 장치 및 시스템 |
| WO2022182178A1 (ko) * | 2021-02-24 | 2022-09-01 | (주) 제이엘케이 | 딥러닝 기반의 뇌출혈 진단 장치 및 방법 |
| CN113180633A (zh) * | 2021-04-28 | 2021-07-30 | 济南大学 | 基于深度学习的mr影像肝癌术后复发风险预测方法及系统 |
| WO2023068049A1 (ja) * | 2021-10-21 | 2023-04-27 | 株式会社カネカ | 予測システム、予測装置、及び、予測方法 |
| CN115019919B (zh) * | 2022-06-16 | 2023-04-07 | 江苏省人民医院（南京医科大学第一附属医院） | 基于深度学习的脑卒中早期康复后功能预测模型建立方法 |
| CN117238483B (zh) * | 2023-11-10 | 2024-02-27 | 哈尔滨海鸿基业科技发展有限公司 | 一种儿童脑瘫诊断设备 |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080292194A1 (en) * | 2005-04-27 | 2008-11-27 | Mark Schmidt | Method and System for Automatic Detection and Segmentation of Tumors and Associated Edema (Swelling) in Magnetic Resonance (Mri) Images |
| US8019142B2 (en) * | 2005-11-21 | 2011-09-13 | Agency For Science, Technology And Research | Superimposing brain atlas images and brain images with delineation of infarct and penumbra for stroke diagnosis |
| US8320647B2 (en) | 2007-11-20 | 2012-11-27 | Olea Medical | Method and system for processing multiple series of biological images obtained from a patient |
| US20090317330A2 (en) * | 2007-12-21 | 2009-12-24 | Baker Idi Heart And Diabetes Institute Holdings Limited | Diagnosis and treatment of diseases involving platelet activation |
| JP2012115658A (ja) * | 2010-11-12 | 2012-06-21 | Toshiba Corp | 画像診断装置 |
| US9646138B2 (en) * | 2011-12-30 | 2017-05-09 | The Johns Hopkins University | Bioimaging grid |
| WO2013172020A1 (ja) * | 2012-05-15 | 2013-11-21 | パナソニック株式会社 | 光音響振動計 |
| KR101388546B1 (ko) | 2012-08-29 | 2014-04-23 | 고려대학교 산학협력단 | 기능성 자기 공명 영상을 사용한 뇌기능 진단 시스템 및 방법 |
| EP2708244A1 (en) * | 2012-09-14 | 2014-03-19 | Stichting Katholieke Universiteit | Contrast agent and its use for imaging. |
| KR20150080527A (ko) * | 2012-10-26 | 2015-07-09 | 뷰레이 인코포레이티드 | 방사선 요법에 대한 생리학적 반응의 영상화를 이용한 치료의 평가 및 개선 |
| DE102012111385B4 (de) * | 2012-11-23 | 2018-05-03 | Diers Engineering Gmbh | Bestimmen der räumlichen Lage und Orientierung der Wirbelkörper der Wirbelsäule |
| JP2016531709A (ja) | 2013-09-20 | 2016-10-13 | トランスムラル・バイオテック・ソシエダ・リミターダ | 疾患を診断するための画像解析技術 |
| KR101611367B1 (ko) * | 2013-11-18 | 2016-04-12 | 재단법인 아산사회복지재단 | 뇌질환 진단 서비스 장치 및 방법 |
| KR20150094877A (ko) | 2014-02-11 | 2015-08-20 | 한국전자통신연구원 | 3d 영상 분석 및 지식 기반 병변 진단 및 예후 예측 시스템 |
| KR20150098119A (ko) | 2014-02-19 | 2015-08-27 | 삼성전자주식회사 | 의료 영상 내 거짓양성 병변후보 제거 시스템 및 방법 |
| KR20150108701A (ko) | 2014-03-18 | 2015-09-30 | 삼성전자주식회사 | 의료 영상 내 해부학적 요소 시각화 시스템 및 방법 |
-
2016
- 2016-10-20 KR KR1020160136308A patent/KR101740464B1/ko active IP Right Grant
-
2017
- 2017-09-14 US US16/343,776 patent/US10952613B2/en active Active
- 2017-09-14 CN CN201780071711.XA patent/CN109997200B/zh active Active
- 2017-09-14 WO PCT/KR2017/010091 patent/WO2018074739A1/ko unknown
- 2017-09-14 JP JP2019543150A patent/JP6859445B2/ja active Active
- 2017-09-14 EP EP17862939.0A patent/EP3543880B1/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109997200B (zh) | 2023-05-12 |
| CN109997200A (zh) | 2019-07-09 |
| US20190246904A1 (en) | 2019-08-15 |
| EP3543880C0 (en) | 2024-02-28 |
| EP3543880A1 (en) | 2019-09-25 |
| EP3543880B1 (en) | 2024-02-28 |
| US10952613B2 (en) | 2021-03-23 |
| KR101740464B1 (ko) | 2017-06-08 |
| EP3543880A4 (en) | 2020-08-12 |
| WO2018074739A1 (ko) | 2018-04-26 |
| JP2020506012A (ja) | 2020-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6859445B2 (ja) | 脳卒中の診断及び予後予測方法システム及びその作動方法 | |
| 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 | |
| US11928827B2 (en) | Grading of structures for state determination | |
| Shahzad et al. | Vessel specific coronary artery calcium scoring: an automatic system | |
| US20210369195A1 (en) | Method and system for disease analysis and interpretation | |
| CN104414636B (zh) | 基于磁共振图像的脑微出血计算机辅助检测系统 | |
| JP3928978B1 (ja) | 医用画像処理装置、医用画像処理方法及びプログラム | |
| US20110026798A1 (en) | System and method for automated segmentation, characterization, and classification of possibly malignant lesions and stratification of malignant tumors | |
| US10335106B2 (en) | Computing system and method for identifying and visualizing cerebral thrombosis based on medical images | |
| US20190287247A1 (en) | System and method for estimating synthetic quantitative health values from medical images | |
| WO2012105907A1 (en) | Method and apparatus for processing of stroke ct scans | |
| US20230245772A1 (en) | A Machine Learning System and Method for Predicting Alzheimer's Disease Based on Retinal Fundus Images | |
| JP2009226043A (ja) | 医用画像処理装置及び異常陰影検出方法 | |
| Buongiorno et al. | Uip-net: a decoder-encoder cnn for the detection and quantification of usual interstitial pneumoniae pattern in lung ct scan images | |
| KR102503646B1 (ko) | 뇌경색 볼륨 계산 기반의 뇌경색 예측 방법 및 그를 위한 장치 | |
| KR102536369B1 (ko) | 인공 지능 기반 위 내시경 영상 진단 보조 시스템 및 방법 | |
| KR102447401B1 (ko) | 뇌경색 심각도 기반의 뇌경색 예측 방법 및 그를 위한 장치 | |
| KR102447400B1 (ko) | 딥러닝 모델을 이용한 병변 영역 추출 기반의 뇌경색 예측 방법 및 그를 위한 장치 | |
| KR102360615B1 (ko) | 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법 | |
| KR102363221B1 (ko) | 뇌 영상을 이용한 특발 정상압 수두증의 진단 방법 및 시스템 | |
| JP2009522004A (ja) | 医療診断用経過観察検査方法 | |
| Orouskhani et al. | nnDetection for intracranial aneurysms detection and localization | |
| Jóźwiak et al. | Conceptual improvements in computer-aided diagnosis of acute stroke | |
| Elseid et al. | Computer-aided Glaucoma Diagnosis System | |
| Dong et al. | Improved detection of aortic dissection in non-contrast-enhanced chest CT using an attention-based deep learning model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190520 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200519 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20200817 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201019 |
|
| 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: 20210309 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210325 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6859445 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |