KR101388546B1 - System and method for assessing brain dyfunction using functional magnetic resonance imaging - Google Patents

System and method for assessing brain dyfunction using functional magnetic resonance imaging Download PDF

Info

Publication number
KR101388546B1
KR101388546B1 KR1020120095023A KR20120095023A KR101388546B1 KR 101388546 B1 KR101388546 B1 KR 101388546B1 KR 1020120095023 A KR1020120095023 A KR 1020120095023A KR 20120095023 A KR20120095023 A KR 20120095023A KR 101388546 B1 KR101388546 B1 KR 101388546B1
Authority
KR
South Korea
Prior art keywords
group
subject
brain function
pattern
brain
Prior art date
Application number
KR1020120095023A
Other languages
Korean (ko)
Other versions
KR20140028534A (en
Inventor
이종환
김용환
Original Assignee
고려대학교 산학협력단
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 고려대학교 산학협력단 filed Critical 고려대학교 산학협력단
Priority to KR1020120095023A priority Critical patent/KR101388546B1/en
Publication of KR20140028534A publication Critical patent/KR20140028534A/en
Application granted granted Critical
Publication of KR101388546B1 publication Critical patent/KR101388546B1/en

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

본 발명은 fMRI(functional magnetic resonance imaging: 기능성 자기 공명 영상)를 이용한 뇌기능 진단 시스템에 있어서, 뇌 기능이 정상인 표본 피검사자들의 fMRI 측정 결과로부터 도출한 뇌기능 활성화 패턴이 저장되는 정상 그룹 뇌활성화 패턴 DB; 뇌 기능에 이상이 있는 표본 피검사자들의 fMRI 측정 결과로부터 도출한 뇌기능 활성화 패턴이 저장되는 이상 그룹 뇌활성화 패턴 DB; 휴식 상태에 있는 피검사자에 대해 혈중 산소 농도치(BOLD: blood-oxygenated-level-dependent)에 기반한 fMRI 신호를 측정하는 신호 측정부; 상기 신호 측정부로부터 수신한 표본 피검사자 그룹의 fMRI 측정 데이터에 기초하여 상기 표본 피검사자 그룹의 휴식 상태에서의 뇌기능 활성화 패턴을 도출하고, 상기 도출한 표본 피검사자 그룹 뇌기능 활성화 패턴을 상기 정상 그룹 뇌활성화 패턴 DB 또는 상기 이상 그룹 뇌활성화 패턴 DB에 저장하는 패턴 구축부; 및 상기 신호 측정부로부터 수신한 특정 피검사자의 fMRI 측정 데이터와 상기 정상 그룹 뇌활성화 패턴 DB 및 상기 이상 그룹 뇌활성화 패턴 DB에 기초하여 상기 특정 피검사자의 뇌기능 이상 여부를 진단하는 진단부;를 포함하되, 상기 패턴 구축부는 상기 표본 피검사자 그룹의 fMRI 측정 데이터에 대한 독립 성분 분석(ICA: independent component analysis) 및 이중 회귀 분석(DR: dual regression)을 통해 개인 수준의 뇌기능 활성화 패턴을 추정하고, 상기 표본 피검사자 그룹의 각 피검사자별 상기 추정된 개인 수준의 뇌기능 활성화 패턴과 상기 fMRI 측정 데이터간의 잔차(residual)인 개인내 변이성(intra-subject variability)을 상기 표본 피검사자 그룹의 개인간 변이성(inter-subject variability)과 함께 고려하는 혼합 효과 통계 분석(MFX: mixed-effects model)을 통해 상기 표본 피검사자 그룹의 휴식 상태에서의 뇌기능 활성화 패턴을 도출하는 뇌기능 진단 시스템을 제공한다.The present invention relates to a normal group brain activation pattern DB in which a brain function activation pattern derived from the fMRI measurement results of normal brain function test subjects in the brain function diagnosis system using fMRI (functional magnetic resonance imaging) is stored. ; An abnormal group brain activation pattern DB in which brain function activation patterns derived from the fMRI measurement results of sample subjects with abnormal brain function are stored; A signal measuring unit configured to measure an fMRI signal based on blood-oxygenated-level-dependent (BOLD) value for a test subject at rest; Based on the fMRI measurement data of the sample subject group received from the signal measuring unit, a brain function activation pattern of the sample subject group in the resting state is derived, and the derived sample subject group brain function activation pattern is derived from the normal group brain activation. A pattern builder for storing a pattern DB or the abnormal group brain activation pattern DB; And a diagnosis unit for diagnosing brain function abnormality of the specific test subject based on the fMRI measurement data of the specific test subject received from the signal measuring unit, the normal group brain activation pattern DB, and the abnormal group brain activation pattern DB. The pattern builder estimates an individual-level brain function activation pattern through independent component analysis (ICA) and dual regression (DR) on the fMRI measurement data of the sample test subject group. Intra-subject variability, which is the residual between the estimated individual level brain function activation pattern and the fMRI measurement data for each subject in the test subject group, was determined as the inter-subject variability of the test subject group. The mixed subject statistical analysis (MFX) Of brain function provides diagnostic system for deriving a brain activation pattern at rest state.

Description

기능성 자기 공명 영상을 사용한 뇌기능 진단 시스템 및 방법{SYSTEM AND METHOD FOR ASSESSING BRAIN DYFUNCTION USING FUNCTIONAL MAGNETIC RESONANCE IMAGING}System and method for diagnosing brain function using functional magnetic resonance imaging {SYSTEM AND METHOD FOR ASSESSING BRAIN DYFUNCTION USING FUNCTIONAL MAGNETIC RESONANCE IMAGING}

본 발명은 뇌기능 진단 시스템 및 방법에 관한 것으로, 좀더 자세하게는 fMRI를 사용한 뇌기능 진단 시스템 및 방법에 관한 것이다.The present invention relates to a system and method for diagnosing brain function, and more particularly, to a system and method for diagnosing brain function using fMRI.

최근 뇌기능 진단 분야에서는 기능성 자기 공명 영상(fMRI: functional magnetic resonance imaging) 기술에 대한 관심이 높다. fMRI는 PET, MEG 등보다 데이터의 공간적 분해능이 가장 높고, 비침습적(non-invasiveness)으로 반복 측정이 가능하다는 장점이 있다. 이에 따라 fMRI는 연구 및 진단에 가장 널리 활용되고 있는 대표적인 뇌기능 계측 방법이 되었다.Recently, there is a great interest in functional magnetic resonance imaging (fMRI) technology in the field of brain function diagnosis. fMRI has the highest spatial resolution of data than PET, MEG, etc., and has the advantage of repeatable measurement with non-invasiveness. As a result, fMRI has become one of the most widely used methods for measuring brain function.

fMRI는 뇌의 어떤 영역이 활성화될 때 해당 영역의 혈중 산소 농도(BOLD: blood-oxygenated-level-dependent)가 증가하는 것을 이용하여 MRI 장비를 통해 자기장 변화를 측정함으로써 뇌의 활성화 부위를 영상으로 나타내는 뇌기능 영상화 방법이다. 즉, 뇌의 활성 부위의 국소적인 혈류량 증가로 인한 BOLD 증가를 측정함으로써 뇌기능의 활성화 패턴을 영상화한다. 이러한 뇌기능 활성화 패턴 도출에는 다양한 분석 기법 및 통계 기법이 사용된다.fMRI uses an increase in the blood-oxygenated-level-dependent (BOLD) area of an area of the brain to measure magnetic field changes through an MRI device to image the brain's active site. Brain function imaging method. That is, the activation pattern of brain function is imaged by measuring the increase in BOLD due to the local increase in blood flow in the active part of the brain. Various analytical and statistical techniques are used to derive such brain function activation patterns.

일반 선형 모델(GLM: general linear model)이 뇌기능 분석에 사용되어온 대표적인 분석 기법이지만, 이는 피검사자에게 검사를 위한 특정 과제를 수행하도록 하면서 측정한 fMRI 데이터에만 적용할 수 있는 방법이기 때문에 뇌기능이 저하된 피검사자의 뇌기능 진단에는 한계가 있는 분석 기법이다. 뇌기능 손상 환자의 경우 과제 수행 자체에 어려움을 겪을 수 있기 때문이다.The general linear model (GLM) has been used for brain function analysis, but the brain function deteriorates because it can be applied only to the fMRI data measured while having the test subject perform a specific task. The diagnostic function of the brain of the test subjects is limited. This is because patients with brain dysfunction may have difficulty performing the task itself.

따라서 최근 특정 과제에 대한 사전 정보 없이도 시계열 및 뇌기능 활성화 영역을 해석할 수 있고, 피검사자에게 특정 과제가 주어지지 않는 휴식 상태(resting-state)에서 계측된 fMRI 데이터에 대한 분석도 가능하다는 장점이 있는 독립 성분 분석(ICA: independent component analysis) 기법의 활용이 늘고 있다.Therefore, it is possible to analyze the time series and brain function activation areas without prior information on a specific task, and also to analyze the fMRI data measured in the resting-state in which the subject is not given a specific task. The use of independent component analysis (ICA) techniques is increasing.

이에 따라, 휴식 상태에서 발생하는 기본 뇌기능 활성화 네트워크 (default-mode network; DMN)에 대한 관심이 높아지고 있으며, 치매와 같은 노인성 뇌질환에서부터 조울병 등의 정신 질환에 이르는 다양한 질병에 대한 특징적 뇌기능 활성화 패턴의 차이에 대한 연구와 이를 이용한 진단 장치의 개발을 위한 연구가 활발히 진행되고 있다.Accordingly, there is a growing interest in the default-mode network (DMN), which occurs in the resting state, and activation of characteristic brain functions for various diseases ranging from senile brain diseases such as dementia to mental disorders such as manic illness. Research on the difference between patterns and the development of a diagnostic device using the same are being actively conducted.

한편, 추정된 개인별 뇌기능 활성화 패턴을 이용하여 표본 그룹을 대표하는 뇌기능 활성화 패턴을 추정하는 통계 기법으로는 랜덤 효과 통계 분석(RFX: random-effects model)과 혼합 효과 통계 분석(MFX: mixed-effects model)이 있는데, 뇌기능 활성화 패턴의 개인간 변이성(inter-subject variability)만을 고려하는 랜덤 효과 통계 분석보다 개인내 변이성(intra-subject variability)을 함께 고려하는 혼합 효과 통계 분석 기법이 높은 재현성 및 일관성을 가지며 추정된 그룹 수준의 뇌기능 활성화 패턴에 대한 신뢰도가 높다.On the other hand, as a statistical technique for estimating the brain function activation pattern representing a sample group using the estimated individual brain function activation patterns, random effect effects analysis (RFX) and mixed effect statistics analysis (MFX) effects model), and mixed effect statistical analysis that considers intra-subject variability is higher reproducibility and consistency than random effect statistical analysis that considers only inter-subject variability of brain function activation pattern. And confidence in the estimated group-level brain function activation pattern.

그러나 종래 기술에서 혼합 효과 통계 분석 기법을 적용하려면 fMRI 데이터를 획득하는 과정에서 반드시 특정 과제를 수행하는 것이 필요하다는 제약이 있다. 따라서 특정 과제 없이 휴식 상태에서의 뇌기능 활성화 패턴을 도출하기 위해서는 랜덤 효과 통계 분석 기법만이 적용 가능하기 때문에, 종래 기술은 추정된 그룹 수준의 뇌기능 활성화 패턴에 대한 재현성 및 일관성이 표본 그룹에 따라 많은 차이를 보이는 등의 문제를 갖고 있다.However, in order to apply the mixed effect statistical analysis technique in the prior art, it is necessary to perform a specific task in the process of acquiring the fMRI data. Therefore, since only random effect statistical analysis technique is applicable to derive brain function activation pattern in the resting state without any specific task, the prior art has reproducibility and consistency for the estimated group level brain function activation pattern according to the sample group. There is a problem such as showing a lot of difference.

이와 관련하여 한국공개특허 제10-2012-0050379호("MRI 및 fMRI를 이용한 뇌 질환 분석 장치 및 방법")에는 fMRI를 사용하여 뇌기능을 진단하는 구성이 개시되어 있다.In this regard, Korean Laid-Open Patent Publication No. 10-2012-0050379 ("Brain disease analysis apparatus and method using MRI and fMRI") discloses a configuration for diagnosing brain function using fMRI.

또한, 한국등록특허 제10-0971936호("뇌 기능 해석 장치, 뇌 기능 해석 방법 및 뇌 기능 해석 프로그램")에도 fMRI를 사용하여 뇌기능을 진단하는 구성이 개시되어 있다.In addition, Korean Patent No. 10-0971936 ("Brain function analysis device, brain function analysis method and brain function analysis program") also discloses a configuration for diagnosing brain function using fMRI.

본 발명은 전술한 문제를 해결하기 위한 것으로서, 그 목적은 fMRI를 사용한 뇌기능 진단 시스템 및 방법에 있어서 뇌기능 활성화 패턴 분석 성능 및 효율이 향상된 뇌기능 진단 시스템 및 방법을 제공하는 것이다.SUMMARY OF THE INVENTION The present invention has been made to solve the above problems, and an object thereof is to provide a brain function diagnosis system and method with improved brain function activation pattern analysis performance and efficiency in a brain function diagnosis system and method using fMRI.

상기와 같은 목적을 달성하기 위한 본 발명의 제 1 측면에 따른 fMRI(functional magnetic resonance imaging: 기능성 자기 공명 영상)를 이용한 뇌기능 진단 시스템은 뇌 기능이 정상인 표본 피검사자들의 fMRI 측정 결과로부터 도출한 뇌기능 활성화 패턴이 저장되는 정상 그룹 뇌활성화 패턴 DB; 뇌 기능에 이상이 있는 표본 피검사자들의 fMRI 측정 결과로부터 도출한 뇌기능 활성화 패턴이 저장되는 이상 그룹 뇌활성화 패턴 DB; 휴식 상태에 있는 피검사자에 대해 혈중 산소 농도치(BOLD: blood-oxygenated-level-dependent)에 기반한 fMRI 신호를 측정하는 신호 측정부; 상기 신호 측정부로부터 수신한 표본 피검사자 그룹의 fMRI 측정 데이터에 기초하여 상기 표본 피검사자 그룹의 휴식 상태에서의 뇌기능 활성화 패턴을 도출하고, 상기 도출한 표본 피검사자 그룹 뇌기능 활성화 패턴을 상기 정상 그룹 뇌활성화 패턴 DB 또는 상기 이상 그룹 뇌활성화 패턴 DB에 저장하는 패턴 구축부; 및 상기 신호 측정부로부터 수신한 특정 피검사자의 fMRI 측정 데이터와 상기 정상 그룹 뇌활성화 패턴 DB 및 상기 이상 그룹 뇌활성화 패턴 DB에 기초하여 상기 특정 피검사자의 뇌기능 이상 여부를 진단하는 진단부;를 포함하되, 상기 패턴 구축부는 상기 표본 피검사자 그룹의 fMRI 측정 데이터에 대한 독립 성분 분석(ICA: independent component analysis) 및 이중 회귀 분석(DR: dual regression)을 통해 개인 수준의 뇌기능 활성화 패턴을 추정하고, 상기 표본 피검사자 그룹의 각 피검사자별 상기 추정된 개인 수준의 뇌기능 활성화 패턴과 상기 fMRI 측정 데이터간의 잔차(residual)인 개인내 변이성(intra-subject variability)을 상기 표본 피검사자 그룹의 개인간 변이성(inter-subject variability)과 함께 고려하는 혼합 효과 통계 분석(MFX: mixed-effects model)을 통해 상기 표본 피검사자 그룹의 휴식 상태에서의 뇌기능 활성화 패턴을 도출하는 것을 특징으로 한다.Brain function diagnosis system using functional magnetic resonance imaging (fMRI) according to the first aspect of the present invention for achieving the above object is a brain function derived from the fMRI measurement results of the normal subjects A normal group brain activation pattern DB in which an activation pattern is stored; An abnormal group brain activation pattern DB in which brain function activation patterns derived from the fMRI measurement results of sample subjects with abnormal brain function are stored; A signal measuring unit configured to measure an fMRI signal based on blood-oxygenated-level-dependent (BOLD) value for a test subject at rest; Based on the fMRI measurement data of the sample subject group received from the signal measuring unit, a brain function activation pattern of the sample subject group in the resting state is derived, and the derived sample subject group brain function activation pattern is derived from the normal group brain activation. A pattern builder for storing a pattern DB or the abnormal group brain activation pattern DB; And a diagnosis unit for diagnosing brain function abnormality of the specific test subject based on the fMRI measurement data of the specific test subject received from the signal measuring unit, the normal group brain activation pattern DB, and the abnormal group brain activation pattern DB. The pattern builder estimates an individual-level brain function activation pattern through independent component analysis (ICA) and dual regression (DR) on the fMRI measurement data of the sample test subject group. Intra-subject variability, which is the residual between the estimated individual level brain function activation pattern and the fMRI measurement data for each subject in the test subject group, was determined as the inter-subject variability of the test subject group. The mixed subject statistical analysis (MFX) Characterized in that the derivation of the brain activation pattern at rest.

상기와 같은 목적을 달성하기 위한 본 발명의 제 2 측면에 따른 fMRI(functional magnetic resonance imaging: 기능성 자기 공명 영상)를 이용한 뇌기능 진단 방법은 (a) 휴식 상태에 있는 표본 피검사자 그룹의 fMRI 측정 결과로부터 상기 표본 피검사자 그룹의 휴식 상태에서의 뇌기능 활성화 패턴을 도출하는 단계; 및 (b) 휴식 상태에 있는 특정 피검사자의 fMRI 측정 결과와 상기 (a) 단계에서 도출된 뇌 기능이 정상인 표본 피검사자들의 뇌기능 활성화 패턴 및 뇌 기능에 이상이 있는 표본 피검사자들의 뇌기능 활성화 패턴에 기초하여 상기 특정 피검사자의 뇌기능을 진단하는 단계;를 포함하되, 상기 (a) 단계는 (a1) 상기 표본 피검사자 그룹의 각 피검사자에 대해 혈중 산소 농도치(BOLD: blood-oxygenated-level-dependent)에 기반한 fMRI 신호를 측정하는 단계; (a2) 상기 (a1) 단계에서 생성된 상기 표본 피검사자 그룹의 fMRI 측정 데이터에 대해 독립 성분 분석(ICA: independent component analysis) 및 이중 회귀 분석(DR: dual regression)을 통해 개인 수준의 뇌기능 활성화 패턴을 추정하는 단계; 및 (a3) 상기 (a2) 단계에서 산출된 상기 개인 수준의 뇌기능 활성화 패턴에 대해 상기 표본 피검사자 그룹의 개인간 변이성(inter-subject variability) 및 개인내 변이성(intra-subject variability)을 고려한 혼합 효과 통계 분석(MFX: mixed-effects model)을 수행하는 단계;를 포함하되, 상기 개인내 변이성은 상기 표본 피검사자 그룹의 각 피검사자별 상기 추정된 개인 수준의 뇌기능 활성화 패턴과 상기 fMRI 측정 데이터간의 잔차(residual)인 것을 특징으로 한다.In order to achieve the above object, a brain function diagnosis method using functional magnetic resonance imaging (fMRI) according to the second aspect of the present invention includes (a) fMRI measurement results of a group of test subjects in a resting state. Deriving a brain function activation pattern in the resting state of the sample test subject group; And (b) based on the fMRI measurement results of a specific subject in a resting state and the brain function activation patterns of sample subjects with normal brain function derived from step (a) and brain function activation patterns of sample subjects with abnormal brain function. Diagnosing the brain function of the specific subject, wherein the step (a) is based on blood-oxygenated-level-dependent (BOLD) for each subject in the sample subject group. measuring the fMRI signal; (a2) Individual level brain function activation pattern through independent component analysis (ICA) and dual regression (DR) on the fMRI measurement data of the sample test subject group generated in step (a1) Estimating; And (a3) mixed effect statistics considering inter-subject variability and intra-subject variability of the sample subject group with respect to the individual level brain function activation pattern calculated in step (a2). Performing a mixed-effects model (MFX), wherein the individual variability is a residual between the estimated individual level brain function activation pattern and the fMRI measurement data for each subject in the sample subject group. It is characterized by the).

본 발명은 기능성 자기 공명 영상을 사용한 뇌기능 진단 시스템 및 뇌기능 진단 방법에 있어, 휴식 상태에서의 뇌기능 활성화 패턴 분석의 성능 및 효율이 향상되는 효과를 얻는다.The present invention provides an effect of improving the performance and efficiency of brain function activation pattern analysis in a resting state in the brain function diagnosis system and brain function diagnosis method using functional magnetic resonance imaging.

우선, 개인 수준 및 그룹 수준에서 모두, 뇌기능 활성화 패턴 분석의 신뢰도가 높다.First, at the individual and group level, the reliability of brain function activation pattern analysis is high.

구체적으로, 휴식 상태에서의 뇌기능 활성화 패턴 분석에 개인간 변이성(inter-subject variability)과 함께 개인내 변이성(intra-subject variability)을 함께 고려하여 분석하므로, 추정 결과의 재현성 및 일관성이 높으며, 표본 그룹에 따른 변이성이 적다. 따라서, 적은 수의 피검사자 데이터를 사용하여도 높은 수준의 신뢰도를 보일 수 있으므로, 뇌기능 활성화 패턴 분석에 필요한 피검사자 수를 줄일 수 있다. 또한, 개인별 변이성을 추정하기 위해 여러 번의 fMRI 측정이 필요하지 않으므로, 피검사자별 데이터량이 줄어든다. 그러므로, 고가의 MRI 장비 사용료 및 많은 수의 피검사자를 모집 및 실험하는 데 드는 임상 실험 비용을 줄일 수 있다.Specifically, the analysis of brain function activation patterns in the resting state takes into account the inter-subject variability and the intra-subject variability, so that the estimation results are highly reproducible and consistent, and the sample group is high. Less variability due to Therefore, even when using a small number of subject data can show a high level of reliability, it is possible to reduce the number of subjects required for brain function activation pattern analysis. In addition, multiple fMRI measurements are not required to estimate individual variability, thereby reducing the amount of data per subject. Therefore, it is possible to reduce the cost of using expensive MRI equipment and clinical trials for recruiting and testing a large number of test subjects.

게다가, 피검사자가 검사 도중에 특정 과제를 수행할 필요가 없으므로 종래 기술에 비해 환자 친화적이며 뇌손상 환자에게도 적용할 수 있다는 장점이 있다.In addition, there is an advantage that the examinee does not need to perform a specific task during the test, it is patient-friendly compared to the prior art and can be applied to patients with brain injury.

도 1은 본 발명의 일실시예에 따른 뇌기능 진단 시스템의 구조를 도시함.
도 2는 본 발명의 일실시예에 따른 뇌기능 진단 시스템의 패턴 구축부를 도시함.
도 3은 본 발명에 따른 fMRI 측정 데이터의 실시예를 도시함.
도 4는 독립 성분 분석부가 처리하는 데이터의 실시예를 도시함.
도 5는 이중 회귀부가 처리하는 데이터의 실시예를 도시함.
도 6은 그룹 통계부 중 혼합 효과 모델부가 처리하는 데이터의 실시예를 도시함.
도 7은 그룹 통계부 중 랜덤 효과 모델부가 처리하는 데이터의 실시예를 도시함.
도 8은 본 발명의 일실시예에 따른 뇌기능 진단 방법의 흐름을 도시함.
도 9는 본 발명의 일실시예에 따른 뇌기능 진단 방법의 패턴 구축 단계의 흐름을 도시함.
도 10은 본 발명의 일실시예에 따른 패턴 구축부가 패턴 추출을 실시한 실시예를 도시함.1 shows the structure of a brain function diagnosis system according to an embodiment of the present invention.
Figure 2 illustrates a pattern building unit of the brain function diagnosis system according to an embodiment of the present invention.
3 illustrates an embodiment of fMRI measurement data in accordance with the present invention.
4 illustrates an embodiment of data processed by an independent component analyzer.
5 illustrates an embodiment of data processed by a double regression unit.
6 illustrates an embodiment of data processed by the mixed effect model unit of the group statistics unit.
7 illustrates an embodiment of data processed by a random effect model unit of a group statistics unit.
Figure 8 shows the flow of a brain function diagnostic method according to an embodiment of the present invention.
Figure 9 shows the flow of the pattern building step of the brain function diagnostic method according to an embodiment of the present invention.
10 illustrates an embodiment in which the pattern building unit extracts a pattern according to an embodiment of the present invention.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings, which will be readily apparent to those skilled in the art. The present invention may, however, be embodied in many different forms and should not be construed as limited to the embodiments set forth herein. In order to clearly illustrate the present invention, parts not related to the description are omitted, and similar parts are denoted by like reference characters throughout the specification.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.Throughout the specification, when a part is referred to as being "connected" to another part, it includes not only "directly connected" but also "electrically connected" with another part in between . Also, when an element is referred to as "comprising ", it means that it can include other elements as well, without departing from the other elements unless specifically stated otherwise.

도 1은 본 발명의 일실시예에 따른 뇌기능 진단 시스템(10)의 구조를 도시하고 있다.1 illustrates the structure of a brain function diagnosis system 10 according to an embodiment of the present invention.

뇌기능 진단 시스템(10)은 피검사자의 fMRI 신호를 측정하는 신호 측정부(100), 특정 피검사자의 뇌기능 이상 여부를 진단하는 진단부(200), 진단부(200)에 의해 사용될 기준 뇌기능 활성화 패턴 정보를 구축하는 패턴 구축부(300), 및 기준 뇌기능 활성화 패턴 정보를 포함하는 정상 그룹 뇌활성화 패턴 DB와 이상 그룹 뇌활성화 패턴 DB(각각 400 및 500)를 포함한다.Brain function diagnosis system 10 is a signal measuring unit 100 for measuring the fMRI signal of the examinee, the diagnosis unit 200 for diagnosing the brain function abnormality of a particular subject, activation of the reference brain function to be used by the diagnosis unit 200 A pattern building unit 300 for constructing pattern information, and a normal group brain activation pattern DB including reference brain function activation pattern information and an abnormal group brain activation pattern DB (400 and 500, respectively).

각 요소에 대해 구체적으로 살펴보면, 우선 뇌기능 진단 시스템(10)은 뇌 기능이 정상인 표본 피검사자들의 fMRI 측정 결과로부터 도출한 뇌기능 활성화 패턴이 저장되는 정상 그룹 뇌활성화 패턴 DB(400) 및 뇌 기능에 이상이 있는 표본 피검사자들의 fMRI 측정 결과로부터 도출한 뇌기능 활성화 패턴이 저장되는 이상 그룹 뇌활성화 패턴 DB(500)를 포함한다.Specifically, the brain function diagnosis system 10 is based on the normal group brain activation pattern DB 400 and the brain function in which the brain function activation pattern derived from the fMRI measurement results of the sample subjects with normal brain function is stored. It includes an abnormal group brain activation pattern DB (500) that stores the brain function activation pattern derived from the fMRI measurement results of the abnormal sample subjects.

이들 뇌기능 활성화 패턴 DB(400, 500)는 특정 피검사자(예: 뇌손상 환자)의 뇌기능 이상 여부를 진단하는 진단부(300)에 의해 활용된다. 진단부(300)는 신호 측정부(100)로부터 수신한 특정 피검사자의 fMRI 측정 데이터를 이들 뇌기능 활성화 패턴 DB(400, 500)에 구축되어 있는 기준 뇌활성화 패턴 데이터와 비교함으로써 피검사자의 뇌기능에 이상이 있는지 여부를 진단한다.These brain function activation pattern DB (400, 500) is utilized by the diagnostic unit 300 for diagnosing brain function abnormalities of a particular subject (for example, a brain injury patient). The diagnosis unit 300 compares the fMRI measurement data of a specific subject received from the signal measuring unit 100 with reference brain activation pattern data constructed in these brain function activation patterns DB (400, 500) to determine the brain function of the subject. Diagnose whether there is an abnormality.

신호 측정부(100)는 MRI 장비를 제어하여, 피검사자에 대해 혈중 산소 농도치(BOLD: blood-oxygenated-level-dependent)에 기반한 fMRI(functional magnetic resonance imaging: 기능성 자기 공명 영상) 신호를 측정한다. 전술한 바와 같이 fMRI 측정 데이터는 뇌 기능이 활성화되는 뇌 영역의 혈액 대사 및 혈중 산소 농도가 변화하는 특성을 활용하여 측정한 데이터이다.The signal measuring unit 100 controls the MRI equipment to measure a functional magnetic resonance imaging (fMRI) signal based on blood-oxygenated-level-dependent (BOLD) level for the subject. As described above, the fMRI measurement data is measured by utilizing the characteristics of blood metabolism and blood oxygen concentration of the brain region where brain function is activated.

이때, 본 발명의 일실시예에 따른 뇌기능 진단 시스템(10)이 관심을 두는 것은 전술한 바와 같이 휴식 상태에서의 뇌기능 활성화 패턴, 즉, 기본 뇌기능 활성화 네트워크(DMN: default-mode network) 패턴이다. 여기에서 휴식 상태라 함은 피검사자가 fMRI 검사를 위한 과제(task)를 수행하지 않는 상태를 말한다. 전술한 바와 같이 과제를 수행할 필요가 없으므로, 본 발명의 일실시예에 따른 뇌기능 진단 시스템(10)은 뇌손상 등의 이유로 인하여 과제 수행에 어려움을 겪을 수 있는 피검사자에게도 적용할 수 있다는 장점이 있다.At this time, the brain function diagnosis system 10 according to an embodiment of the present invention is interested in the brain function activation pattern in the resting state, that is, as described above, that is, the basic brain function activation network (DMN: default-mode network) Pattern. Here, the resting state refers to a state in which the examinee does not perform a task for fMRI test. Since there is no need to perform the task as described above, the brain function diagnosis system 10 according to an embodiment of the present invention has the advantage that it can be applied to the subjects who may have difficulty in performing the task due to reasons such as brain damage have.

본 발명에 따른 fMRI 측정 데이터의 실시예를 도시하고 있는 도 3에 보이는 바와 같이, 본 발명의 일실시예에 따른 뇌기능 진단 시스템(10)에서 fMRI 측정 데이터는 시간에 따른 복셀(voxel) 정보를 갖는 2차원 행렬로 표현될 수 있다. 복셀이란 3차원 공간의 한 점을 뜻하는 용어로, MRI 장비를 통해 측정한 뇌의 각 점에서의 신호 세기를 나타낸다. 일실시예에서 패턴 추출의 정확성을 높이기 위해 각 피검사자에 대해 여러 세션에 걸쳐 fMRI 데이터를 측정할 수 있다.As shown in FIG. 3 showing an embodiment of fMRI measurement data according to the present invention, fMRI measurement data in the brain function diagnosis system 10 according to an embodiment of the present invention is a voxel (voxel) information over time It can be represented by a two-dimensional matrix having. A voxel is a term that refers to a point in three-dimensional space and represents the signal strength at each point in the brain measured by MRI equipment. In one embodiment, fMRI data can be measured over multiple sessions for each subject to increase the accuracy of pattern extraction.

정상 그룹 뇌활성화 패턴 DB(400) 및 이상 그룹 뇌활성화 패턴 DB(500)가 포함하는 뇌기능 활성화 패턴 정보는 여러 명의 피검사자로 이루어진 표본 그룹에 대한 휴식 상태에서의 뇌기능 활성화 패턴 데이터를 도출하는 패턴 구축부(200)에 의해 구축될 수 있다. 패턴 구축부(200)는 신호 측정부(100)로부터 표본 피검사자 그룹의 fMRI 측정 데이터를 수신할 수 있다. 또는 일실시예에서 패턴 구축부(200)는 기존에 생성되어 있는 fMRI 측정 데이터를 사용할 수 있다. The brain function activation pattern information included in the normal group brain activation pattern DB 400 and the abnormal group brain activation pattern DB 500 is a pattern for deriving brain function activation pattern data in a resting state for a sample group composed of several subjects. It may be built by the building unit 200. The pattern building unit 200 may receive the fMRI measurement data of the sample subject group from the signal measuring unit 100. Alternatively, in one embodiment, the pattern building unit 200 may use the fMRI measurement data generated previously.

즉, 본 발명의 일실시예에 따른 뇌기능 진단 시스템(10)은 기준 표본 그룹(뇌기능이 정상인 그룹 및/또는 뇌기능에 이상이 있는 그룹)에 대한 사전에 구축된 뇌기능 활성화 패턴 정보를 특정 피검사자의 뇌기능 이상 여부 진단에 활용한다.That is, the brain function diagnosis system 10 according to an embodiment of the present invention may pre-establish brain function activation pattern information about a reference sample group (a group in which the brain function is normal and / or a group in which the brain function is abnormal). It is used for diagnosing brain abnormality of a specific subject.

따라서 진단부(300)의 진단 정확성을 높이기 위해서는 기준이 되는 뇌활성화 패턴 DB(400, 500)를 잘 구축하는 것이 중요하다. 이에 따라 본 발명은 기준 표본 피검사자 그룹의 휴식 상태에서의 뇌기능 활성화 패턴을 도출하는 패턴 구축부(200)의 성능 및 효율을 향상시키는 데에 초점을 맞추고 있다.Therefore, in order to increase the diagnosis accuracy of the diagnosis unit 300, it is important to build a brain activation pattern DB (400, 500) as a reference well. Accordingly, the present invention focuses on improving the performance and efficiency of the pattern building unit 200 which derives the brain function activation pattern in the resting state of the reference sample subject group.

패턴 구축부(200)는 피검사자별 뇌기능 활성화 패턴을 추정한 후 그룹 수준의 뇌기능 활성화 패턴을 추정함으로써, 해당 표본 그룹의 기본 뇌기능 활성화 네트워크 패턴을 도출한다. 바람직한 실시예에서 피검사자별 뇌기능 활성화 패턴 추정에는 fMRI 측정 데이터에 대한 독립 성분 분석(ICA: independent component analysis) 및 이중 회귀 분석(DR: dual regression)이 사용되고, 그룹 수준의 뇌기능 활성화 패턴 통계에는 개인내 변이성(intra-subject variability)과 개인간 변이성(inter-subject variability)을 함께 고려하는 혼합 효과 통계 분석(MFX: mixed-effects model)이 사용된다.The pattern building unit 200 derives a basic brain function activation network pattern of the sample group by estimating the brain function activation pattern of the group level after estimating the brain function activation pattern for each subject. In a preferred embodiment, independent component analysis (ICA) and dual regression (DR) for fMRI measurement data are used for estimating brain function activation patterns for each subject, and individual group statistics are calculated for group function of brain function activation patterns. Mixed-effects model (MFX) is used, which takes into account both intra-subject variability and inter-subject variability.

전술한 바와 같이 혼합 효과 통계 분석은 개인간 변이성만을 고려하는 랜덤 효과 통계 분석(RFX: random-effects model)보다 높은 신뢰도를 제공한다. 종래 기술에서는 이를 휴식 상태의 뇌기능 활성화 패턴을 도출하는 데 적용할 수 없었으나, 본 발명의 일실시예에 따른 뇌기능 진단 시스템(10)은 표본 그룹의 각 피검사자에 대해 추정된 피검사자별 뇌기능 활성화 패턴과 해당 피검사자에 대한 fMRI 측정 데이터간의 잔차(residual)를 개인내 변이성으로 활용함으로써 이 문제를 해결하였다.As described above, the mixed effect statistical analysis provides higher reliability than the random-effects model (RFX), which considers only the interpersonal variability. In the prior art, this could not be applied to deriving the brain function activation pattern of the resting state, but the brain function diagnosis system 10 according to an embodiment of the present invention is estimated brain function for each subject in each group of specimens estimated. This problem was solved by utilizing the residual between the activation pattern and the fMRI measurement data for the subject as intrapersonal variability.

도 2는 본 발명의 일실시예에 따른 뇌기능 진단 시스템(10)의 패턴 구축부(200)를 도시하고 있다.2 illustrates a pattern building unit 200 of a brain function diagnosis system 10 according to an embodiment of the present invention.

패턴 구축부(200)는 피검사자별로 개인 수준의 뇌기능 활성화 패턴을 추정하는 독립 성분 분석부(220)와 이중 회귀부(230) 및 그룹 수준의 뇌기능 활성화 패턴을 추정하는 그룹 통계부(240)를 포함한다. 그룹 통계부(240)는 전술한 혼합 효과 통계 분석을 수행하는 혼합 효과 모델부(242)를 포함하며, 전술한 랜덤 효과 통계 분석을 수행하는 랜덤 효과 모델부(244)를 더 포함할 수 있다.The pattern building unit 200 includes an independent component analyzer 220 for estimating an individual level of brain function activation pattern for each subject, a double regression unit 230, and a group statistics unit 240 for estimating a group level brain function activation pattern. It includes. The group statistics unit 240 may include a mixed effect model unit 242 that performs the above-described mixed effect statistical analysis, and may further include a random effect model unit 244 that performs the above-described random effect statistical analysis.

또한 패턴 구축부(200)는 신호 측정부(100)로부터 수신한 데이터에 대해 측정 과정에서 발생하는 여러 노이즈에 대한 다양한 보정 및 정규화 등의 전처리(pre-processing)를 수행하는 전처리부(210)를 더 포함할 수 있다. 이러한 전처리부(210)가 수행하는 전처리 과정은 통상적으로 알려진 기술에 해당하므로 이에 대한 자세한 설명을 생략한다.In addition, the pattern building unit 200 may include a preprocessor 210 that performs pre-processing such as various corrections and normalizations of various noises generated in the measurement process on the data received from the signal measuring unit 100. It may further include. Since the pretreatment performed by the preprocessor 210 corresponds to a conventionally known technology, a detailed description thereof will be omitted.

또한 패턴 구축부(200)는 패턴 구축 과정에서의 연산을 용이하게 하기 위한 추가적인 보정 또는 정규화를 수행하는 보정부(미도시)를 더 포함할 수 있다. 보정부는 패턴 구축부(200)의 전처리부(210), 독립 성분 분석부(220), 이중 회귀부(230), 또는 그룹 통계부(240)에 의해 활용될 수 있다.In addition, the pattern building unit 200 may further include a correction unit (not shown) that performs additional correction or normalization to facilitate the calculation in the pattern building process. The correction unit may be utilized by the preprocessor 210, the independent component analyzer 220, the dual regression unit 230, or the group statistics unit 240 of the pattern construction unit 200.

피검사자별 뇌기능 활성화 패턴을 추정하기 위해 먼저 독립 성분 분석부(220)가 휴식 상태에서 활성화되는 뇌 영역에 대한 그룹 수준의 공간적 패턴(spatial pattern)을 추정한다. 독립 성분 분석은 전술한 바와 같이, 시계열에 대한 사전 정보 없이도 휴식 상태에서 계측된 fMRI 데이터에 적용하여 공간적 패턴을 추출해낼 수 있는 기법이다.In order to estimate the brain function activation pattern for each subject, the independent component analyzer 220 first estimates a spatial level of a group level of a brain region that is activated in a resting state. As described above, independent component analysis is a technique of extracting spatial patterns by applying to fMRI data measured in a resting state without prior information on time series.

이중 회귀부(230)는 독립 성분 분석부(220)가 추출해낸 그룹 수준의 공간적 패턴으로부터 피검사자별 시간적 패턴(timecourse)을 추정하고 이 피검사자별 시간적 패턴으로부터 피검사자별 공간적 패턴을 추정하는 이중 회귀를 수행한다.The double regression unit 230 performs a double regression that estimates a time course for each subject from a group-level spatial pattern extracted by the independent component analyzer 220, and estimates a spatial pattern for each subject from the temporal pattern for each subject. do.

이렇게 하여 도출된 피검사자별 공간적 패턴 정보는 그룹 통계부(240)에 의해 그룹 수준의 뇌기능 활성화 패턴을 추정하는 데 사용된다. 이때, 전술한 바와 같이 본 발명은 이렇게 도출된 각 개인별 공간적 패턴과 측정된 원시 fMRI 데이터 사이의 차이인 잔차를 개인내 변이성으로 사용한다. The spatial pattern information for each subject derived in this way is used by the group statistics unit 240 to estimate the brain function activation pattern at the group level. At this time, as described above, the present invention uses the residual, which is the difference between the spatial patterns of each individual and the measured raw fMRI data, as the intra-person variability.

이하 도 3에서 도 7을 통해 패턴 구축부(200)의 각 요소의 동작을 구체적으로 설명한다.Hereinafter, operations of the elements of the pattern building unit 200 will be described in detail with reference to FIGS. 3 to 7.

앞에서 도 3을 참고하여, 각 피검사자의 fMRI 측정 데이터는 (복셀 x 시간) 또는 (시간 x 복셀)의 2차원 행렬로 표현할 수 있음을 살펴보았다.Referring to FIG. 3, it has been seen that the fMRI measurement data of each examinee may be represented by a two-dimensional matrix of (voxel x time) or (time x voxel).

도 4는 독립 성분 분석부(220)가 처리하는 데이터의 실시예를 도시하고 있다.4 illustrates an embodiment of data processed by the independent component analyzer 220.

본 발명의 일실시예에 따른 뇌기능 진단 시스템(10)은 도 3에 도시되어 있는 각 피검사자별 fMRI 측정 데이터(X(i))를 그룹 수준으로 통합하는 방법으로 단순히 각 피검사자들의 fMRI 측정 데이터를 시간축에 대해 이어붙인(concatenated) 데이터를 사용한다. Brain function diagnosis system 10 according to an embodiment of the present invention is a method of integrating the fMRI measurement data (X (i) ) for each subject shown in FIG. Use concatenated data for the time base.

독립 성분 분석부(220)가 처리하는 데이터의 실시예를 도시하고 있는 도 4에 도시되어 있는 바와 같이, 이렇게 각 개인별 fMRI 측정 데이터(X(i))를 단순히 시간축에 대해 이어붙인 데이터는 여전히 (복셀 x 시간)의 2차원 행렬이 된다. 이렇게 여러 명의 BOLD 데이터를 시간 축에 대해 이어 붙여 독립 성분 분석을 적용하는 기법을 그룹 수준의 독립 성분 분석(TC-GICA: temporal-concatenation group ICA)이라고 부르기도 한다.As shown in FIG. 4, which shows an embodiment of the data processed by the independent component analysis unit 220, the data simply connecting the individual fMRI measurement data X (i ) to the time axis is still ( Voxel x time). The technique of applying independent component analysis by connecting several BOLD data along the time axis is sometimes called temporal-concatenation group ICA (TC-GICA).

이러한 방법은 휴식 상태에서 측정한 fMRI 데이터와 같이 피검사자간 또는 세션간 시계열 정보가 일치하지 않는 데이터를 처리할 때 유용한 방법이다. 추가적인 정렬 처리가 필요하지 않으며, 각 개인별 fMRI 측정 데이터마다 갖고 있는 각자 다른 특성의 노이즈를 고려하지 않아도 되기 때문에, 연산 과정이 훨씬 단순해진다.This method is useful when processing data whose time series information does not match between subjects or sessions, such as fMRI data measured at rest. The computation process is much simpler because no additional alignment is required and the individual noise of each fMRI measurement data does not have to be taken into account.

도 4에 도시되어 있는 바와 같이, 독립 성분 분석부(220)가 이렇게 각 개인별 fMRI 측정 데이터를 시간축에 대해 이어붙인 2차원 행렬 데이터(X(i))를 사용하여 그룹 수준의 공간적 패턴(S)을 추정할 수 있는 근거는 행렬의 곱이다. 개인별 fMRI 측정 데이터를 시간축에 대해 이어붙인 행렬(X(i))은 그룹 수준의 타임 코스(timecourse) 행렬(A)과 그룹 수준의 공간 패턴 행렬(S)의 곱으로 나타낼 수 있다. 예를 들어, 도시되어 있는 실시예에서는 (시간 x 복셀)= (시간 x 성분) x (성분 x 복셀)과 같은 2차원 행렬의 곱이 사용되었다. 이때, 도면에는 생략되어 있지만 잔여 오류(residual)를 나타내는 E를 고려할 수 있다.As shown in FIG. 4, the independent component analysis unit 220 uses the two-dimensional matrix data X (i) , which is obtained by concatenating individual individual fMRI measurement data with respect to the time axis. The basis for estimating is the product of the matrix. The matrix X (i) connecting individual fMRI measurement data on the time axis may be expressed as a product of a group level timecourse matrix A and a group level spatial pattern matrix S. For example, in the illustrated embodiment, a product of a two-dimensional matrix such as (time x voxel) = (time x component) x (component x voxel) was used. In this case, although E is omitted in the drawing, E representing a residual error may be considered.

따라서,X(i)=AxS+E가 되므로(S: 공간적 패턴, A: 시간적 패턴, E: 잔여 오류), 여기에서 S를 도시되어 있는 수식을 이용하여 도출해낼 수 있다. 수식에서 T는 전치 행렬(transpose matrix)을 나타낸다. 또한, g는 그룹 수준의 데이터, i는 개인별 색인을 나타낸다.Therefore, X (i) = AxS + E (S: spatial pattern, A: temporal pattern, E: residual error), where S can be derived using the equation shown. In the formula, T represents a transpose matrix. In addition, g represents group level data and i represents an individual index.

도 5는 이중 회귀부(230)가 처리하는 데이터의 실시예를 도시하고 있다.5 illustrates an embodiment of the data processed by the double regression unit 230.

전술한 바와 같이, 독립 성분 분석부(220)가 추출한 그룹 수준의 공간 패턴 정보는 이중 회귀부(230)가 개인 수준의 공간 패턴 정보를 추출하는 데 사용된다.As described above, the group level spatial pattern information extracted by the independent component analyzer 220 is used by the double regression unit 230 to extract the spatial pattern information of the individual level.

도 4와 마찬가지로 도 5도 이러한 연산에 대한 근거로 행렬의 곱을 도시하고 있다(편의상 전치 행렬을 사용함). 도 4와 유사하므로, 도 5에 대한 자세한 설명은 생략하겠다. (a) 도면이 도시하고 있는 근거를 통해, 독립 성분 분석부(220)로부터 수신한 그룹 수준의 공간 패턴 정보(S)로부터 개인별 타임 코스(A)를 도출하고, (b) 도면이 도시하고 있는 근거를 통해, (a) 과정에서 도출된 개인별 타임 코스(A)로부터 개인수준의 공간 패턴(S)을 도출한다. 이때 도 4에서와 마찬가지로 잔여 오류(E)를 고려할 수 있다.Like FIG. 4, FIG. 5 also shows the product of the matrix on the basis of this operation (for convenience, we use a transpose matrix). Since it is similar to FIG. 4, a detailed description of FIG. 5 will be omitted. (a) The individual time course (A) is derived from the group-level spatial pattern information (S) received from the independent component analysis unit 220 based on the ground shown in the drawing, and (b) the drawing is shown. Based on the evidence, an individual level spatial pattern S is derived from the individual time course A derived in the process (a). In this case, as in FIG. 4, the residual error E may be considered.

따라서 각 과정에 도시되어 있는 수식이 사용될 수 있다. 이때 (b) 도면 수식의 시간적 패턴(A) 위에 있는 꺽쇠 기호(hat이라 불림)는 정규화된 행렬임을 나타내는 것으로, 전술한 바와 같이 연산을 용이하게 하기 위해 이러한 정규화가 수행될 수 있으며, 보정부가 이러한 정규화를 수행할 수 있다.Therefore, the formula shown in each process can be used. (B) The angle symbol (called hat) on the temporal pattern (A) of the drawing equation indicates that it is a normalized matrix. Such normalization may be performed to facilitate the calculation as described above. Normalization can be performed.

도 6은 그룹 통계부(240) 중 혼합 효과 모델부(242)가 처리하는 데이터의 실시예를 도시하고 있다.6 illustrates an embodiment of data processed by the mixed effect model unit 242 of the group statistics unit 240.

전술한 바와 같이, 본 발명의 일실시예에 따른 뇌기능 진단 시스템(10)은 개인간 변이성과 함께 개인내 변이성을 고려하는 혼합 효과 모델 통계 분석을 사용하며, 이때의 개인내 변이성은 각 피검사자에 대해, 도 4 및 도 5의 과정을 통해 산출된 개인 수준의 공간 패턴(S)과 도 3의 개인별 fMRI 측정 데이터(X(i))의 차이(잔차)를 뜻한다. 이 개인내 변이성은 정규화(z-scoring)될 수 있으며, 보정부가 이러한 정규화를 수행할 수 있다. 이렇게 정규화된 개인내 변이성은 복셀에 대한 변이성과 잔여 노이즈에 대한 변이성으로 구분될 수 있으며, 도 6에 도시되어 있는 수식을 통해 혼합 효과 모델 통계 분석에 활용된다.As described above, the brain function diagnosis system 10 according to an embodiment of the present invention uses a mixed effect model statistical analysis considering intrapersonal variability along with interpersonal variability, wherein the intrapersonal variability is determined for each subject. , The difference (residual) between the individual-level spatial pattern (S) calculated through the process of FIGS. 4 and 5 and the individual fMRI measurement data (X (i) ) of FIG. 3. This intrapersonal variability can be z-scoring and the correction can perform this normalization. The normalized intrapersonal variability can be classified into variability for voxels and variability for residual noise, and is utilized for statistical analysis of mixed effect models through the equation shown in FIG. 6.

수식에서 i는 개인별 색인, v는 복셀별 색인을 나타내며, N은 표본 그룹의 크기(즉, 피검사자 수)를 나타낸다. z는 전술한 다변량의 z 변환값이며,

Figure 112012069711124-pat00001
는 잔여 노이즈로, 이들의 변이성이 표준 편차(
Figure 112012069711124-pat00002
)를 통해 수식에 적용되어 있다.In the formula, i denotes an individual index, v denotes a voxel index, and N denotes the size of a sample group (that is, the number of examinees). z is the z transform value of the multivariate described above,
Figure 112012069711124-pat00001
Is the residual noise, and their variability is the standard deviation (
Figure 112012069711124-pat00002
) Is applied to the formula.

도 7은 그룹 통계부(240) 중 랜덤 효과 모델부(244)가 처리하는 데이터의 실시예를 도시하고 있다.FIG. 7 illustrates an embodiment of data processed by the random effect model unit 244 of the group statistics unit 240.

전술한 바와 같이, 본 발명의 일실시예에 따른 뇌기능 진단 시스템(10)은 랜덤 효과 모델 통계 분석을 더 수행할 수 있다. 도 7의 랜덤 효과 모델 통계 분석 수식을 도 6의 혼합 효과 모델 통계 분석 수식과 비교하면, 전술한 바와 같이, 랜덤 효과 모델 통계 분석은 개인간 변이성만을 고려하고 있음을 알 수 있다.As described above, the brain function diagnosis system 10 according to an embodiment of the present invention may further perform random effect model statistical analysis. Comparing the random effect model statistical analysis formula of FIG. 7 with the mixed effect model statistical analysis formula of FIG. 6, it can be seen that, as described above, the random effect model statistical analysis considers only individual variation.

도 8은 본 발명의 일실시예에 따른 뇌기능 진단 방법의 흐름을 도시하고 있다.8 is a flowchart illustrating a method for diagnosing brain function according to an embodiment of the present invention.

우선, 기준이 되는 표본 그룹의 뇌기능 활성화 패턴을 구축한다(S310).First, the brain function activation pattern of the reference sample group is constructed (S310).

특정 피검사자에 대한 뇌기능 이상 여부 진단이 필요하면(S320), 상기 단계(S310)에서 구축한 뇌기능 활성화 패턴을 활용하여 피검사자의 뇌기능 이상 여부를 진단한다(S330).If it is necessary to diagnose whether the brain function abnormality for a particular subject (S320), using the brain function activation pattern established in the step (S310) to diagnose the brain function abnormality of the subject (S330).

도 9는 본 발명의 일실시예에 따른 뇌기능 진단 방법의 패턴 구축 단계(S310)의 흐름을 도시하고 있다.9 illustrates the flow of the pattern building step (S310) of the brain function diagnosis method according to an embodiment of the present invention.

표본 그룹에 속한 각 피검사자의 휴식 상태에서의 fMRI 신호를 측정한다(S410). 전술한 바와 같이, 여러 세션에 걸쳐 측정을 실시할 수 있다.The fMRI signal in the resting state of each subject belonging to the sample group is measured (S410). As noted above, measurements can be made over several sessions.

fMRI 측정 데이터에 대해 신호 보정 및 정규화 등의 전처리 과정을 거친다(S420).The fMRI measurement data is subjected to preprocessing such as signal correction and normalization (S420).

독립 성분 분석으로 그룹 수준의 정보를 산출한 후(S430) 이중 회귀로 개인 수준의 정보를 산출하여(S440) 개인 수준의 공간 패턴을 추출한다.After calculating the group level information by independent component analysis (S430), the individual level information is calculated by double regression (S440), and the spatial pattern of the individual level is extracted.

상기 단계(S430, S440)에서 개인 수준의 공간 패턴 추출 과정에서 산출된 개인내 다변량을 개인간 다변량과 함께 고려한 그룹 통계로 표본 그룹의 휴식 상태에서의 뇌기능 활성화 패턴을 도출한다(S450).The brain function activation pattern in the resting state of the sample group is derived by group statistics considering the intra-person multivariate calculated in the process of extracting the individual-level spatial pattern in the steps S430 and S440 (S450).

도 10은 본 발명의 일실시예에 따른 패턴 구축부(200)가 패턴 추출을 실시한 실시예를 도시하고 있다.10 illustrates an embodiment in which the pattern construction unit 200 performs pattern extraction according to an embodiment of the present invention.

표본 그룹의 크기(N)를 8, 16, 24명으로 늘리면서 3개의 세션을 통해 fMRI 측정 데이터를 생성하고 이를 랜덤 효과 모델 통계 분석과 혼합 효과 모델 통계 분석을 사용하여 분석한 fMRI 영상이 도시되어 있다. p는 오경보확률(false positive rate)이며, 이 수준에 따라 fMRI 영상의 색이 달라진다.The fMRI image is shown by generating the fMRI measurement data through three sessions, increasing the size (N) of the sample group to 8, 16, and 24, and analyzing it using random effect model statistical analysis and mixed effect model statistical analysis. . p is the false positive rate, and the color of the fMRI image varies according to this level.

(a), (b), c)는 각각 뇌의 aDMN(전두부: anterior cingulate cortex 및 middle/medial prefrontal cortices), pDMN_PCC(후두부: posterior cingulate cortex 및 precuneus), pDMN_IPL(측두부: lateral parietal lobe의 inferior parietal lobule 및 angular gyri) 영역 기본 뇌기능 활성화 네트워크를 의미한다.(a), (b), and c) are the aDMN of the brain (frontal: anterior cingulate cortex and middle / medial prefrontal cortices), pDMN_PCC (posterior cingulate cortex and precuneus), and pDMN_IPL (inferior parietal lobe of the lateral parietal lobe), respectively. lobule and angular gyri) region refers to the basic brain function activation network.

혼합 효과 모델 통계 분석을 사용한 영상이 랜덤 효과 모델 통계 분석을 활용한 영상보다 각 기본 뇌기능 활성화 네트워크를 좀더 명확하게 나타내고 있음을 알 수 있다.It can be seen that the image using the mixed effect model statistical analysis more clearly represents each basic brain function activation network than the image using the random effect model statistical analysis.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.The foregoing description of the present invention is intended for illustration, and it will be understood by those skilled in the art that the present invention may be easily modified in other specific forms without changing the technical spirit or essential features of the present invention. will be. It is therefore to be understood that the above-described embodiments are illustrative in all aspects and not restrictive. For example, each component described as a single entity may be distributed and implemented, and components described as being distributed may also be implemented in a combined form.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.The scope of the present invention is defined by the appended claims rather than the detailed description and all changes or modifications derived from the meaning and scope of the claims and their equivalents are to be construed as being included within the scope of the present invention do.

10: 뇌기능 진단 시스템
100: 신호 측정부
200: 패턴 구축부
300: 진단부
400: 정상 그룹 뇌활성화 패턴 DB
500: 이상 그룹 뇌활성화 패턴 DB10: Brain function diagnosis system
100: signal measuring unit
200: pattern construction unit
300:
400: normal group brain activation pattern DB
500: abnormal group brain activation pattern DB

Claims (7)

fMRI(functional magnetic resonance imaging: 기능성 자기 공명 영상)를 이용한 뇌기능 진단 시스템에 있어서,
뇌 기능이 정상인 표본 피검사자들의 fMRI 측정 결과로부터 도출한 뇌기능 활성화 패턴이 저장되는 정상 그룹 뇌활성화 패턴 DB;
뇌 기능에 이상이 있는 표본 피검사자들의 fMRI 측정 결과로부터 도출한 뇌기능 활성화 패턴이 저장되는 이상 그룹 뇌활성화 패턴 DB;
휴식 상태에 있는 피검사자에 대해 혈중 산소 농도치(BOLD: blood-oxygenated-level-dependent)에 기반한 fMRI 신호를 측정하는 신호 측정부;
상기 신호 측정부로부터 수신한 표본 피검사자 그룹의 fMRI 측정 데이터에 기초하여 상기 표본 피검사자 그룹의 휴식 상태에서의 뇌기능 활성화 패턴을 도출하고, 상기 도출한 표본 피검사자 그룹 뇌기능 활성화 패턴을 상기 정상 그룹 뇌활성화 패턴 DB 또는 상기 이상 그룹 뇌활성화 패턴 DB에 저장하는 패턴 구축부; 및
상기 신호 측정부로부터 수신한 특정 피검사자의 fMRI 측정 데이터의 상기 정상 그룹 뇌활성화 패턴 DB에 저장되어 있는 뇌기능 활성화 패턴 및 상기 이상 그룹 뇌활성화 패턴 DB에 저장되어 있는 뇌기능 활성화 패턴과의 유사도 및 상이도에 기초하여 상기 특정 피검사자의 뇌기능 이상 여부를 진단하는 진단부;를 포함하되,
상기 패턴 구축부는
상기 표본 피검사자 그룹의 fMRI 측정 데이터에 대한 독립 성분 분석(ICA: independent component analysis) 및 이중 회귀 분석(DR: dual regression)을 통해 개인 수준의 뇌기능 활성화 패턴을 추정하고,
상기 표본 피검사자 그룹의 각 피검사자별 상기 추정된 개인 수준의 뇌기능 활성화 패턴과 상기 fMRI 측정 데이터간의 잔차(residual)인 개인내 변이성(intra-subject variability)을 상기 표본 피검사자 그룹의 개인간 변이성(inter-subject variability)과 함께 고려하는 혼합 효과 통계 분석(MFX: mixed-effects model)을 통해 상기 표본 피검사자 그룹의 휴식 상태에서의 뇌기능 활성화 패턴을 도출하는 뇌기능 진단 시스템.In the brain functional diagnosis system using fMRI (functional magnetic resonance imaging),
Normal group brain activation pattern DB that stores the brain function activation pattern derived from the fMRI measurement results of normal brain function test subjects;
An abnormal group brain activation pattern DB in which brain function activation patterns derived from the fMRI measurement results of sample subjects with abnormal brain function are stored;
A signal measuring unit configured to measure an fMRI signal based on blood-oxygenated-level-dependent (BOLD) value for a test subject at rest;
Based on the fMRI measurement data of the sample subject group received from the signal measuring unit, a brain function activation pattern of the sample subject group in the resting state is derived, and the derived sample subject group brain function activation pattern is derived from the normal group brain activation. A pattern builder for storing a pattern DB or the abnormal group brain activation pattern DB; And
Similarity and difference between the brain function activation pattern stored in the normal group brain activation pattern DB and the brain function activation pattern stored in the abnormal group brain activation pattern DB of the fMRI measurement data of a specific subject received from the signal measuring unit It includes; a diagnostic unit for diagnosing whether or not the brain function abnormality of the specific testee based on the figure;
The pattern construction unit
Independent individual component analysis (ICA) and dual regression (DR) on the fMRI measurement data of the sample group of test subjects to estimate individual-level brain function activation pattern,
Intra-subject variability, which is a residual between the estimated individual-level brain function activation pattern and the fMRI measurement data, for each subject in the sample subject group, was determined as inter-subject in the individual subjects of the sample subject group. Brain function diagnosis system for deriving brain function activation patterns in the resting state of the group of sample subjects through mixed-effects statistical analysis (MFX) considered in conjunction with variability. 제 1 항에 있어서,
상기 휴식 상태는 상기 피검사자가 fMRI 검사를 위한 과제를 수행하지 않는 상태인 뇌기능 진단 시스템.The method according to claim 1,
The resting state is a brain function diagnosis system is a state in which the subject does not perform a task for fMRI test. 제 1 항에 있어서,
상기 패턴 구축부는
상기 표본 피검사자들의 fMRI 측정 데이터를 시간축에 대해 이어붙인 데이터에 대해 독립 성분 분석을 적용하는 그룹 수준의 독립 성분 분석(TC-GICA: temporal-concatenation group ICA)을 수행하여, 휴식 상태에서 활성화되는 뇌 영역에 대한 그룹 수준의 공간적 패턴(spatial pattern)을 추정하는 독립 성분 분석부;
상기 독립 성분 분석부가 추출한 그룹 수준의 공간적 패턴에 기초한 이중 회귀 분석을 수행하여, 상기 그룹 수준의 공간적 패턴으로부터 피검사자별 시간적 패턴(timecourse)을 추정하고 상기 피검사자별 시간적 패턴으로부터 상기 피검사자별 공간적 패턴을 추정하는 이중 회귀부;
상기 이중 회귀부가 추출한 피검사자별 공간적 패턴에 기초한 그룹 통계를 수행하여, 상기 표본 피검사자 그룹의 뇌기능 활성화 패턴을 도출하는 그룹 통계부;를 포함하되,
상기 그룹 통계부는
상기 개인간 변이성과 상기 개인내 변이성을 고려하는 혼합 효과 통계 분석을 수행하는 혼합 효과 모델부;를 포함하는 뇌기능 진단 시스템.The method according to claim 1,
The pattern construction unit
Brain area that is activated at rest by performing group-level independent component analysis (TC-GICA), which applies independent component analysis on the data that is connected to the fMRI measurement data of the sample subjects on the time base An independent component analyzer for estimating a spatial pattern at a group level with respect to the;
Performing a double regression analysis based on the group-level spatial pattern extracted by the independent component analysis unit, to estimate the time course for each subject from the spatial pattern of the group level and to estimate the spatial pattern for each subject from the temporal pattern for each subject Double regression;
A group statistics unit for deriving a brain function activation pattern of the sample test subject group by performing group statistics based on the spatial pattern of each test subject extracted by the double regression unit;
The group statistics unit
And a mixed effect model unit configured to perform a mixed effect statistical analysis considering the interpersonal variability and the intrapersonal variability. 제 3 항에 있어서,
상기 그룹 통계부는 상기 개인간 변이성을 고려하는 랜덤 효과 통계 분석(RFX: random-effects model)을 수행하는 랜덤 효과 모델부;를 더 포함하는 뇌기능 진단 시스템.The method of claim 3, wherein
The group statistical unit brain function diagnosis system further comprises; a random effect model for performing a random effect statistical analysis (RFX: considering the inter-person variability). fMRI(functional magnetic resonance imaging: 기능성 자기 공명 영상)를 이용한 뇌기능 진단 시스템의 운용 방법에 있어서,
(a) 휴식 상태에 있는 표본 피검사자 그룹의 fMRI 측정 데이터를 수신하는 단계; 및
(b) 상기 fMRI 측정 데이터로부터 상기 표본 피검사자 그룹의 휴식 상태에서의 뇌기능 활성화 패턴을 도출하는 단계;
를 포함하되,
상기 (a) 단계는
상기 표본 피검사자 그룹의 각 피검사자에 대해 혈중 산소 농도치(BOLD: blood-oxygenated-level-dependent)에 기반하여 측정한 fMRI 데이터를 수신하고
상기 (b) 단계는
(b1) 상기 (a) 단계에서 생성된 상기 표본 피검사자 그룹의 fMRI 측정 데이터에 대해 독립 성분 분석(ICA: independent component analysis) 및 이중 회귀 분석(DR: dual regression)을 통해 개인 수준의 뇌기능 활성화 패턴을 추정하는 단계; 및
(b2) 상기 (b1) 단계에서 산출된 상기 개인 수준의 뇌기능 활성화 패턴에 대해 상기 표본 피검사자 그룹의 개인간 변이성(inter-subject variability) 및 개인내 변이성(intra-subject variability)을 고려한 혼합 효과 통계 분석(MFX: mixed-effects model)을 수행하는 단계;를 포함하되,
상기 개인내 변이성은 상기 표본 피검사자 그룹의 각 피검사자별 상기 추정된 개인 수준의 뇌기능 활성화 패턴과 상기 fMRI 측정 데이터간의 잔차(residual)인 뇌기능 진단 시스템의 운용 방법.In the operation method of the brain functional diagnostic system using fMRI (functional magnetic resonance imaging),
(a) receiving fMRI measurement data of a group of sample subjects at rest; And
(b) deriving a brain function activation pattern in the resting state of the sample subject group from the fMRI measurement data;
, ≪ / RTI &
The step (a)
Receive fMRI data measured on the basis of blood-oxygenated-level-dependent (BOLD) for each subject in the sample subject group.
The step (b)
(b1) Individual level brain function activation pattern through independent component analysis (ICA) and dual regression (DR) on the fMRI measurement data of the sample subject group generated in step (a) Estimating; And
(b2) Mixed effect statistical analysis considering inter-subject variability and intra-subject variability of the sample subject group with respect to the individual level brain function activation pattern calculated in step (b1) (MFX) performing a mixed-effects model;
And said intrapersonal variability is a residual between said estimated individual level brain function activation pattern and said fMRI measurement data for each subject in said sample subject group. 제 5 항에 있어서,
상기 휴식 상태는 상기 피검사자가 fMRI 검사를 위한 과제를 수행하지 않는 상태인 뇌기능 진단 시스템의 운용 방법.6. The method of claim 5,
The resting state is a method of operating a brain function diagnosis system is a state in which the subject does not perform a task for fMRI test. 제 5 항에 있어서,
상기 (b1) 단계는
상기 표본 피검사자들의 fMRI 측정 데이터를 시간축에 대해 이어붙인 데이터로부터 휴식 상태에서 활성화되는 뇌 영역에 대한 그룹 수준의 공간적 패턴(spatial pattern)을 추정하는 그룹 수준의 독립 성분 분석(TC-GICA: temporal-concatenation group ICA) 단계; 및
상기 독립 성분 분석 단계에서 추정된 그룹 수준의 공간적 패턴으로부터 피검사자별 시간적 패턴(timecourse)을 추정하고 상기 피검사자별 시간적 패턴으로부터 상기 피검사자별 공간적 패턴을 추정하는 이중 회귀 분석 단계;를 포함하는 뇌기능 진단 시스템의 운용 방법.6. The method of claim 5,
The step (b1)
Group-level independent component analysis (TC-GICA: temporal-concatenation) for estimating group-level spatial patterns for brain regions activated in the resting state from data concatenated to the fMRI measurement data of the sample subjects. group ICA) step; And
A double regression analysis step of estimating the time course for each subject from the spatial pattern of the group level estimated in the independent component analysis step and estimating the spatial pattern for each subject from the temporal pattern for each subject; How to operate.
KR1020120095023A 2012-08-29 2012-08-29 System and method for assessing brain dyfunction using functional magnetic resonance imaging KR101388546B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020120095023A KR101388546B1 (en) 2012-08-29 2012-08-29 System and method for assessing brain dyfunction using functional magnetic resonance imaging

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120095023A KR101388546B1 (en) 2012-08-29 2012-08-29 System and method for assessing brain dyfunction using functional magnetic resonance imaging

Publications (2)

Publication Number Publication Date
KR20140028534A KR20140028534A (en) 2014-03-10
KR101388546B1 true KR101388546B1 (en) 2014-04-23

Family

ID=50641933

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120095023A KR101388546B1 (en) 2012-08-29 2012-08-29 System and method for assessing brain dyfunction using functional magnetic resonance imaging

Country Status (1)

Country Link
KR (1) KR101388546B1 (en)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015199255A1 (en) * 2014-06-25 2015-12-30 삼성전자 주식회사 Apparatus and method for supporting computer-aided diagnosis
KR101674326B1 (en) * 2015-12-14 2016-11-09 (의료)길의료재단 Functional magnetic resonance imaging method without baseline epochs information by mapping true T2* change with multi-echo EPI signal similarity analysis
KR101740464B1 (en) * 2016-10-20 2017-06-08 (주)제이엘케이인스펙션 Method and system for diagnosis and prognosis of stroke and systme therefor
KR101754291B1 (en) * 2017-04-04 2017-07-06 이현섭 Medical image processing system and method for personalized brain disease diagnosis and status determination
KR102096357B1 (en) * 2018-07-06 2020-04-02 고려대학교 산학협력단 Device and method for estimating task-related spatial patterns using task-negative default-mode networks and recording medium for performing the method
CN113470037A (en) 2020-03-31 2021-10-01 阿里巴巴集团控股有限公司 Data processing method, device and system

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004173887A (en) * 2002-11-27 2004-06-24 Communication Research Laboratory Cerebral function measuring device and cerebral function measuring method
JP2005000528A (en) * 2003-06-13 2005-01-06 National Institute Of Information & Communication Technology Cerebral function measuring device and cerebral function measuring program
JP2005192637A (en) * 2003-12-26 2005-07-21 Advanced Inst Of Wearable Environmental Information Networks Brain function measuring method and system
JP2011031025A (en) * 2009-07-10 2011-02-17 Toshiba Corp Magnetic resonance imaging device, image processor, and image processing method

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004173887A (en) * 2002-11-27 2004-06-24 Communication Research Laboratory Cerebral function measuring device and cerebral function measuring method
JP2005000528A (en) * 2003-06-13 2005-01-06 National Institute Of Information & Communication Technology Cerebral function measuring device and cerebral function measuring program
JP2005192637A (en) * 2003-12-26 2005-07-21 Advanced Inst Of Wearable Environmental Information Networks Brain function measuring method and system
JP2011031025A (en) * 2009-07-10 2011-02-17 Toshiba Corp Magnetic resonance imaging device, image processor, and image processing method

Also Published As

Publication number Publication date
KR20140028534A (en) 2014-03-10

Similar Documents

Publication Publication Date Title
Martin et al. Translating state-of-the-art spinal cord MRI techniques to clinical use: A systematic review of clinical studies utilizing DTI, MT, MWF, MRS, and fMRI
KR101388546B1 (en) System and method for assessing brain dyfunction using functional magnetic resonance imaging
EP3448253B1 (en) Rapid quantitative evaluations of heart function with strain measurements from mri
CN111753833A (en) Parkinson auxiliary identification method for building brain network modeling based on fMRI and DTI
Mueller et al. Diffusion MRI and its role in neuropsychology
US10898143B2 (en) Quantitative mapping of cerebrovascular reactivity using resting-state functional magnetic resonance imaging
Linke et al. Dynamic time warping outperforms Pearson correlation in detecting atypical functional connectivity in autism spectrum disorders
US20140275960A1 (en) Functional magnetic resonance imaging biomarker of neural abnormality
JP6840898B2 (en) Parkinson's disease diagnostic device and method
US10912470B2 (en) System and method for tracking cerebral blood flow in fMRI
EP3979898B1 (en) Mri-derived strain-based measurements and related image data acquisitions, image data processing, patient evaluations and monitoring methods and systems
US20140002075A1 (en) Method for assessing repetitive head injuries with two-dimensional magnetic resonance spectroscopy
Shaw et al. Evaluating subject specific preprocessing choices in multisubject fMRI data sets using data-driven performance metrics
KR102472540B1 (en) Method, Device and Computer Program for Predicting Distribution of Brain Tissue Lesion
Zhang et al. Learning-based structurally-guided construction of resting-state functional correlation tensors
US10846861B2 (en) Image processor, image processing method, program for image processing, and magnetic resonance imaging apparatus
Cao et al. Effects of respiratory cycle and body position on quantitative pulmonary perfusion by MRI
Aramendía‐Vidaurreta et al. Optimal repetition time for free breathing myocardial arterial spin labeling
CN107427255B (en) Method for estimating the time point of occurrence of an infarct region based on brain images
KR102146810B1 (en) Apparatus and method for brain network analysis using magnetic resonance spectroscopy
Gulban et al. Mesoscopic quantification of cortical architecture in the living human brain
KR20200005303A (en) Device and method for estimating task-related spatial patterns using task-negative default-mode networks and recording medium for performing the method
Ou et al. Sources of variability in MEG
US20230181117A1 (en) Quality control in medical imaging
US20230316716A1 (en) Systems and methods for automated lesion detection using magnetic resonance fingerprinting data

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20170328

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20180406

Year of fee payment: 5