KR101563153B1 - 의료 영상 신호 처리 방법 및 장치 - Google Patents

의료 영상 신호 처리 방법 및 장치 Download PDF

Info

Publication number
KR101563153B1
KR101563153B1 KR1020130087609A KR20130087609A KR101563153B1 KR 101563153 B1 KR101563153 B1 KR 101563153B1 KR 1020130087609 A KR1020130087609 A KR 1020130087609A KR 20130087609 A KR20130087609 A KR 20130087609A KR 101563153 B1 KR101563153 B1 KR 101563153B1
Authority
KR
South Korea
Prior art keywords
activation patterns
spatial
temporal
patterns
brain function
Prior art date
Application number
KR1020130087609A
Other languages
English (en)
Other versions
KR20150012141A (ko
Inventor
조혁래
김용환
김희숙
이종환
Original Assignee
삼성전자주식회사
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 삼성전자주식회사, 고려대학교 산학협력단 filed Critical 삼성전자주식회사
Priority to KR1020130087609A priority Critical patent/KR101563153B1/ko
Priority to US13/974,397 priority patent/US9271679B2/en
Publication of KR20150012141A publication Critical patent/KR20150012141A/ko
Application granted granted Critical
Publication of KR101563153B1 publication Critical patent/KR101563153B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
    • A61B5/14553—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases specially adapted for cerebral tissue
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Neurology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Optics & Photonics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)

Abstract

본 발명은, 독립 성분 분석 (Independent Component Analysis, ICA) 및 이중 회귀 분석 (Dual-Regression, DR) 을 이용하여 fMRI 데이터를 해석하고, 개인의 뇌 기능 활성화 패턴들을 높은 정확도로 추정하는 방법에 관한 것이다.
이를 위해서, 본 발명의 일 실시예에 따른 의료 영상 신호 처리 방법 및 장치는, 다수의 대상체들로부터 획득된 fMRI 데이터에 대해서 시간-연쇄 독립 성분 분석 (temporal-concatenation Independent Concatenation Analysis, TC-GICA), 및 공간적 희소성 (spatial sparseness) 를 고려한 반복적인 이중 회귀 분석을 적용한다.

Description

의료 영상 신호 처리 방법 및 장치 {METHOD AND APPARATUS FOR PROCESSING MEDICAL IMAGE SIGNAL}
본 발명은, 의료 영상 신호를 처리하는 방법 및 장치에 관한 것으로서, 보다 구체적으로는, 의료 영상 장치로부터 획득된 뇌 기능 데이터로부터 개인별 뇌 기능 활성화 패턴들을 추정하는 방법 및 장치에 관한 것이다.
대표적인 뇌의 비침습 (non-invasive) 계측 방법으로서, fMRI (functional Magnetic Resonance Imaging), 양전자 단층촬영 (positron emission tomography, PET), 및 뇌자도 측정법 (magnetoencephalography, MEG) 등이 있지만, 이 중 데이터의 공간적 분해능이 가장 높고, 널리 사용되고 있는 것이 fMRI이다.
fMRI 는, 뇌의 활성 부위를 특정 가능하게 하는 각종 물리량을 측정량으로서 영상화하는 방법으로, 뇌 기능을 예측하는데 유효한 방법이다. 보다 구체적으로, fMRI 는, 뇌 속의 산소의 흐름과 같은 역동적인 상황의 촬영이 가능한 뇌 단층 촬영방법이다.
뇌의 특정 부위 (즉, 신경 세포) 에 활동이 증가하여 활성화되고 신진대사가 증가하면, 그 특정 부위의 모세혈관으로 혈류 공급이 증가되어, 혈액 내의 산소와 결합한 헤모글로빈의 비율이 증가된다. 산소와 결합한 활성화된 조직의 헤모글로빈은 산소를 빼앗긴 주변 조직의 헤모글로빈에 비하여 높은 신호강도를 가지는데, 바로 이 차이를 탐지한 신호가 혈중 산소 농도 (blood-oxygenation-level-dependent, BOLD) 신호이다.
fMRI 는, BOLD 신호를 감지하고, 감지된 신호를 2차원 영상으로 구성함으로써, 원하는 뇌 부위의 활성화 패턴들을 측정한다. 전체 뇌를 한번 측정하는데 약 1~3초의 시간이 소요되므로, 약 20~30 초가 소요되는 소정의 과제를 수행하는 한 주기동안 다수의 측정이 가능하다. 소정의 과제란, 피험자가 특정한 자극을 느끼거나, 특정한 생각을 하거나, 특정한 운동 등을 하도록 하는 과제를 포함할 수 있다.
그러므로, fMRI 장치는, MR (Magnetic Resonance) 신호의 변화를 연속적으로 측정하면서 일정한 외부 자극에 맞추어 MR 신호가 증가되는 부위를 식별함으로써, 식별된 부위를 활성화된 뇌 부위로서 추정할 수 있다. 즉, fMRI 는, 뇌가 활동할 때의 BOLD 신호를 반복 측정함으로써, 뇌가 기능적으로 활성화된 정도를 측정하는 방법이라 할 수 있다.
fMRI 는, 뇌의 구조를 이미지화하는 MRI (Magnetic Resonance Imaging) 의 원리와 동일하게, 생체 내 조직의 프로톤 (protons) 밀도나 세로 완화 시간 T1, 가로 완화 시간 T2를 반영하는 것이지만, 뇌의 활성 부위에서의 국소적인 혈류량의 증가와 이에 따른 혈중 산소농도(blood-oxygenation-level-dependent, BOLD) 를 추가로 측정한다는 점에 차이가 있다.
따라서, fMRI 를 이용하면, 피험자가 소정의 과제를 행하고 있을 때의 BOLD 신호의 변화를 근거로 하여, 해당 과제에 관련된 뇌 기능 영역 (즉, 활성화된 뇌의 영역) 을 특정할 수 있다.
한편, fMRI 에 의해 계측된 BOLD 신호의 시계열 데이터를 해석할 때의 대표적인 방법으로서는, 일반 선형 모델에 기초한 SPM (Statistical Parametric Mapping) 이나 ICA (Independent Component Analysis: 독립 성분 분석) 방법 등이 있다.
특히, ICA 는 피험자가 수행한 과제에 대한 사전 정보 없이도 뇌 기능 영역을 특정할 수 있는 데이터 기반 분석 방법이라는 것에 장점이 있다. ICA 를 fMRI 데이터에 적용함에 있어서, 높은 정확도로 BOLD 신호로부터 뇌 기능 활성화 패턴들을 추정하는 방법이 요구된다.
본 발명은, 소정 과제에 따른 뇌 기능 활성화 패턴들을 분석하는 성능을 향상시키고, 피험자의 뇌가 정상적으로 기능하는지 여부를 판단할 수 있는 의료 영상 신호 처리 방법 및 장치의 제공을 목적으로 한다.
본 발명의 일 실시예에 따른 의료 영상 신호 처리 방법은, 다수의 대상체들을 포함하는 그룹의 제 1 뇌 기능 데이터로부터 상기 그룹에 대한 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들을 추정하는 단계; 및 상기 제 1 시간적 활성화 패턴들 및 상기 제 1 공간적 활성화 패턴들을 이용하여, 목적 대상체로부터 획득된 제 2 뇌 기능 데이터로부터 상기 목적 대상체에 대한 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들을 추정하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따른 의료 영상 신호 처리 방법에 있어서, 상기 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들을 추정하는 단계는, 상기 목적 대상체에 대해서 이전에 추정된 시간적 활성화 패턴들 (Ak -1(i)) 및 공간적 활성화 패턴들 (Sk -1(i)) 을 이용하여, 상기 제 2 뇌 기능 데이터로부터 상기 목적 대상체에 대한 시간적 활성화 패턴들 (Ak(i)) 및 공간적 활성화 패턴들 (Sk(i)) 을 추정하는 단계를 반복하는 단계를 포함할 수 있다. 이 때, 상기 반복하는 단계는, 상기 제 1 시간적 활성화 패턴들 및 상기 제 1 공간적 활성화 패턴들을 각각 상기 목적 대상체에 대해서 추정된 시간적 활성화 패턴들의 초기값 (A0(i)) 및 공간적 활성화 패턴들의 초기값 (S0(i)) 으로 하여, 상기 이전에 추정된 시간적 활성화 패턴들 (Ak-1(i)) 및 공간적 활성화 패턴들 (Sk -1(i)) 과 상기 추정된 시간적 활성화 패턴들 (Ak(i)) 및 공간적 활성화 패턴들 (Sk(i)) 간의 차이 값이 미리 설정된 범위 내에 포함될 때까지 상기 추정하는 단계를 반복하는 것을 특징으로 할 수 있다.
본 발명의 일 실시예에 따른 의료 영상 신호 처리 방법에 있어서, 상기 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들을 추정하는 단계는, 상기 목적 대상체에 대해서 이전에 추정된 시간적 활성화 패턴들 (Ak -1(i)) 및 공간적 활성화 패턴들 (Sk -1(i)) 을 이용하여, 상기 제 2 뇌 기능 데이터로부터 상기 목적 대상체에 대한 시간적 활성화 패턴들 (Ak(i)) 및 공간적 활성화 패턴들 (Sk(i)) 을 추정하는 단계를 반복하는 단계를 포함할 수 있다. 이 때, 상기 반복하는 단계는, 상기 제 1 시간적 활성화 패턴들 및 상기 제 1 공간적 활성화 패턴들을 각각 상기 목적 대상체에 대해서 추정된 시간적 활성화 패턴들의 초기값 (A0(i)) 및 공간적 활성화 패턴들의 초기값 (S0(i)) 으로 하여, 미리 결정된 횟수만큼 반복하는 것을 특징으로 할 수 있다.
본 발명의 일 실시예에 따른 의료 영상 신호 처리 방법에 있어서, 상기 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들을 추정하는 단계는, 상기 제 2 뇌 기능 데이터, 상기 제 1 시간적 활성화 패턴들 및 상기 제 1 공간적 활성화 패턴들로부터 상기 제 2 시간적 활성화 패턴들을 추정하는 단계; 및 상기 제 2 뇌 기능 데이터, 및 상기 제 2 시간적 활성화 패턴들로부터 상기 제 2 공간적 활성화 패턴들을 추정하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따른 의료 영상 신호 처리 방법에 있어서, 상기 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들을 추정하는 단계는, 상기 제 2 공간적 활성화 패턴들에 포함되는 각각의 공간적 활성화 패턴의 독립성이 극대화되도록, 상기 추정된 제 2 공간적 활성화 패턴들을 보정하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따른 의료 영상 신호 처리 방법은, 상기 추정된 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들을 표시하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따른 의료 영상 신호 처리 방법에 있어서, 상기 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들을 추정하는 단계는, 시간-연쇄 독립 성분 분석 (temporal-concatenation Independent Concatenation Analysis, TC-GICA) 을 이용하여 상기 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들을 추정하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따른 의료 영상 신호 처리 방법에 있어서, 상기 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들을 추정하는 단계는, 상기 다수의 대상체들 각각으로부터 획득된 뇌 기능 데이터를 시간축 상에 나열함으로써 상기 제 1 뇌 기능 데이터를 생성하는 단계; 및 독립 성분 분석 (Independent Component Analysis, ICA) 을 이용하여 상기 제 1 뇌 기능 데이터로부터 상기 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들을 추정하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따른 의료 영상 신호 처리 방법에 있어서, 상기 제 1 뇌 기능 데이터 및 상기 제 2 뇌 기능 데이터는, 기능성 자기 공명 영상 (functional Magnetic Resonance Imaging, fMRI) 방법에 의해 얻어지는 혈중 산소 농도 (blood oxygenation level dependent, BOLD) 데이터를 포함할 수 있다.
본 발명의 일 실시예에 따른 의료 영상 신호 처리 방법에 있어서, 다수의 정상인들 그룹으로부터 획득된 공간적 활성화 패턴들을 기준 활성화 패턴들로서 획득하는 단계; 및 상기 기준 활성화 패턴들, 및 상기 목적 대상체에 대한 활성화 패턴들로서 결정된 공간적 활성화 패턴들의 유사도에 기초하여, 상기 결정된 공간적 활성화 패턴들이 정상적인지 여부를 결정하는 단계를 더 포함할 수 있다.
한편, 본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치는, 다수의 대상체들을 포함하는 그룹의 제 1 뇌 기능 데이터로부터 상기 그룹에 대한 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들을 추정하는, 그룹-수준 데이터 분석 수단; 및 상기 제 1 시간적 활성화 패턴들 및 상기 제 1 공간적 활성화 패턴들을 이용하여, 목적 대상체로부터 획득된 제 2 뇌 기능 데이터로부터 상기 목적 대상체에 대한 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들을 추정하하는, 개인-수준 데이터 분석 수단을 포함할 수 있다.
본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치에 있어서, 상기 개인-수준 데이터 분석 수단은, 상기 제 1 시간적 활성화 패턴들 및 상기 제 1 공간적 활성화 패턴들을 각각 상기 목적 대상체에 대해서 추정된 시간적 활성화 패턴들의 초기값 (A0(i)) 및 공간적 활성화 패턴들의 초기값 (S0(i)) 으로 하고, 상기 목적 대상체에 대해서 이전에 추정된 시간적 활성화 패턴들 (Ak -1(i)) 및 공간적 활성화 패턴들 (Sk -1(i)) 을 이용하여, 상기 제 2 뇌 기능 데이터로부터 상기 목적 대상체에 대한 시간적 활성화 패턴들 (Ak(i)) 및 공간적 활성화 패턴들 (Sk(i)) 을 추정하는 동작을 반복할 수 있다. 이 때, 본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치는, 상기 이전에 추정된 시간적 활성화 패턴들 (Ak -1(i)) 및 공간적 활성화 패턴들 (Sk -1(i)) 과 상기 추정된 시간적 활성화 패턴들 (Ak(i)) 및 공간적 활성화 패턴들 (Sk(i)) 간의 차이 값이 미리 설정된 범위 내에 포함될 때까지, 상기 추정하는 동작을 반복할 수 있다.
본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치에 있어서, 상기 개인-수준 데이터 분석 수단은, 상기 제 1 시간적 활성화 패턴들 및 상기 제 1 공간적 활성화 패턴들을 각각 상기 목적 대상체에 대해서 추정된 시간적 활성화 패턴들의 초기값 (A0(i)) 및 공간적 활성화 패턴들의 초기값 (S0(i)) 으로 하고,
상기 목적 대상체에 대해서 이전에 추정된 시간적 활성화 패턴들 (Ak -1(i)) 및 공간적 활성화 패턴들 (Sk -1(i)) 을 이용하여, 상기 제 2 뇌 기능 데이터로부터 상기 목적 대상체에 대한 시간적 활성화 패턴들 (Ak(i)) 및 공간적 활성화 패턴들 (Sk(i)) 을 추정하는 동작을, 미리 결정된 횟수만큼, 반복할 수 있다.본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치에 있어서, 상기 개인-수준 데이터 분석 수단은, 상기 제 2 뇌 기능 데이터, 상기 제 1 시간적 활성화 패턴들 및 상기 제 1 공간적 활성화 패턴들로부터 상기 제 2 시간적 활성화 패턴들을 추정하고, 상기 제 2 뇌 기능 데이터 및 상기 제 2 시간적 활성화 패턴들로부터 상기 제 2 공간적 활성화 패턴들을 추정할 수 있다.
본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치에 있어서, 상기 개인-수준 데이터 분석 수단은, 상기 제 2 공간적 활성화 패턴들에 포함되는 각각의 공간적 활성화 패턴의 독립성이 극대화되도록, 상기 추정된 제 2 공간적 활성화 패턴들을 보정하는 동작을 더 수행할 수 있다.
본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치는, 상기 추정된 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들을 표시하는, 분석 결과 표시 수단을 더 포함할 수 있다.
본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치에 있어서, 상기 그룹-수준 데이터 분석 수단은, 시간-연쇄 독립 성분 분석을 이용하여 상기 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들을 추정할 수 있다.
본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치에 있어서, 상기 그룹-수준 데이터 분석 수단은, 상기 다수의 대상체들 각각으로부터 획득된 뇌 기능 데이터를 시간축 상에 나열함으로써 상기 제 1 뇌 기능 데이터를 생성하고, 독립 성분 분석을 이용하여 상기 제 1 뇌 기능 데이터로부터 상기 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들을 추정하는 것을 특징으로 할 수 있다.
본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치에 있어서, 상기 제 1 뇌 기능 데이터 및 상기 제 2 뇌 기능 데이터는, 기능성 자기 공명 영상 방법에 의해 얻어지는 혈중 산소 농도 데이터를 포함할 수 있다.
본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치에 있어서, 상기 개인-수준 데이터 분석 수단은, 다수의 정상인들 그룹으로부터 획득된 공간적 활성화 패턴들을 기준 활성화 패턴들로서 획득하고, 상기 기준 활성화 패턴들, 및 상기 목적 대상체에 대한 활성화 패턴들로서 결정된 공간적 활성화 패턴들의 유사도에 기초하여, 상기 결정된 공간적 활성화 패턴들이 정상적인지 여부를 결정하는 동작을 더 수행할 수 있다.
한편, 본 발명의 일 실시예에 따른 컴퓨터로 판독 가능한 기록 매체는, 상술한 의료 영상 신호 처리 방법을 구현하기 위한 프로그램을 기록할 수 있다.
본 발명의 일 실시예에 따르면, 뇌 기능 데이터로부터 추정된 뇌 기능 활성화 패턴들의 정확도가 향상됨으로써, 소정의 과제에 대한 피험자의 뇌 기능 활성화 영역이 정확히 특정될 수 있게 되고, 나아가 피험자의 뇌 기능의 이상 여부가 정확하게 진단될 수 있게 된다.
본 발명은, 다음의 자세한 설명과 그에 수반되는 도면들의 결합으로 쉽게 이해될 수 있으며, 참조 번호(reference numerals)들은 구조적 구성요소(structural elements)를 의미한다.
도 1 은 종래의 이중 회귀 분석 방법을 적용한 뇌 기능 활성화 패턴들 추정 방법을 설명하기 위한 모식도이다.
도 2 는 본 발명의 일 실시예에 따른 의료 영상 신호 처리 방법을 설명하기 위한 흐름도이다.
도 3 은 본 발명의 일 실시예에 따른 의료 영상 신호 처리 방법에 있어서, 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들을 추정하는 단계를 설명하기 위한 구체적인 흐름도이다.
도 4 는 본 발명의 일 실시예에 따른 의료 영상 신호 처리 방법을 설명하기 위한 모식도이다.
도 5 는 본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치를 설명하기 위한 블록도이다.
도 6 은 본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치를 포함하는 뇌 기능 해석 장치를 설명하기 위한 블록도이다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
명세서 전체에서 "대상체" 란, 영상이 나타내고자 하는 생물 또는 무생물일 수 있다. 또한, 대상체는 신체의 일부를 의미할 수 있고, 대상체에는 신체의 어느 한 단면이 포함될 수 있다. 예를 들어, 대상체는 뇌를 포함할 수 있으나, 이에 한정되지 않는다.
명세서 전체에서 "사용자" 란, 의료 전문가로서 의사, 간호사, 임상병리사, 소노그래퍼(sonographer), 의료 영상 전문가 등이 될 수 있으나, 이에 한정되지 않는다.
또한, 명세서 전체에서 "뇌 기능 데이터" 는, 소정의 과제에 응답하여 활성화된 뇌 부위를 특정할 수 있는 데이터로서, 예를 들어, 혈중 산소농도(blood-oxygenation-level-dependent, BOLD) 데이터를 포함할 수 있다.
명세서 전체에서 "뇌 기능 활성화 패턴" 은, 뇌 기능 데이터로부터 획득된, 소정의 과제에 응답하여 뇌가 활성화되는 양상 (aspect) 을 의미할 수 있다.
"뇌 기능 공간적 활성화 패턴 (또는, 공간적 활성화 패턴이라고도 함)" 은, 소정의 과제에 응답하여 소정 시간에서 뇌의 적어도 일부 영역이 활성화되는 양상을 의미할 수 있다. "뇌 기능 시간적 활성화 패턴 (또는, 시간적 활성화 패턴이라고도 함)" 은, 소정의 과제에 응답하여 뇌의 소정 영역이 시간에 따라 활성화되는 양상을 의미할 수 있다.
"소정의 과제" 란, 피험자가 특정한 자극을 느끼거나, 특정한 생각을 하거나, 특정한 운동 등을 하도록 하는 것을 포함할 수 있으나 이에 한정되지 않으며, 예를 들어, 피험자가 외부의 어떠한 자극도 없는 상태에 노출되도록 하는 것을 포함할 수 있다.
본 발명의 일 실시예에 따르면, 피험자가 소정의 과제를 수행하는 동안 측정된 BOLD 데이터를 분석하는 방법에 있어서, 상기 과제와 관련된 피험자의 뇌 기능 활성화 패턴들이 보다 정확하게 분석될 수 있다.
fMRI 장치를 이용하면, 피험자가 소정의 과제를 행하고 있을 때의 BOLD 신호의 변화를 측정할 수 있다. fMRI 장치에 의해 계측된 BOLD 신호의 시계열 데이터를 해석할 때의 대표적인 방법으로서는, 일반 선형 모델에 기초한 SPM (Statistical Parametric Mapping) 이나 ICA (Independent Component Analysis: 독립 성분 분석) 방법 등이 있다.
ICA 기법을 fMRI 데이터에 적용하는 방법으로는 크게 두 가지 방법이 있다. 첫번째로, 개인별 BOLD 데이터를 이용한 ICA 를 적용하는, 개인-수준의 분석 방법인, 개인적 ICA (individual ICA) 가 있다. 두번째로, 여러 명의 BOLD 데이터를 시간축에서 나열하여 생성된 데이터를 이용한 ICA를 적용하는, 그룹-수준의 분석 방법인, 시간-연쇄 ICA (temporal-concatenation ICA, TC-GICA) 가 있다.
개인적 ICA는 뇌 기능 활성화 패턴들에 대한 개인별 분석이 가능하지만, 소정의 과제와 관련된 개인의 뇌 기능 활성화 패턴들로부터 그룹-수준의 활성화 패턴과 일치되는 패턴들을 찾기 위해서는 추가적인 후처리 (post-processing) 를 필요로 하는 단점이 있다. 또한, 추가적인 정렬 처리된 뇌 기능 활성화 패턴들은, 여전히 개인의 고유한 BOLD 노이즈를 포함하고 있기 때문에, 동일한 뇌 기능 활성화 패턴들이라 정의하기 어렵다.
따라서, TC-GICA 를 통해, 개인의 고유한 특성에 따라 발생되는 노이즈가 완화된 그룹-수준의 뇌 기능 활성화 패턴들을 추정한 후에, 추정된 그룹-수준 뇌 기능 활성화 패턴들을 이용하여 개인별 BOLD 데이터로부터 개인별 뇌 기능 활성화 패턴들을 추정하는 방법이 이용될 수 있다.
TC-GICA를 통해 추정된 그룹-수준의 뇌 기능 공간적 활성화 패턴들 (spatial patterns, SPs) 을 이용하여, 그룹-수준에서 발생한 뇌 기능 활성화 패턴들에 대한 개인별 SPs, 및 뇌 기능 시간적 활성화 패턴들 (time courses, TCs) 을 분석하는 방법으로서, 이중 회귀 분석 (Dual-Regression, DR) 방법이 이용될 수 있다.
이중 회귀 분석 방법을 이용하는 종래의 의료 영상 신호 처리 방법에 따르면, 추정된 그룹-수준의 독립 성분들 (즉, 뇌 기능 활성화 패턴들) 로부터 과제와 관련된 개인-수준의 독립 성분들을 쉽게 찾을 수 있다는 장점이 있었다. 반면에, 추정된 뇌 기능 활성화 패턴들은, 개인별 BOLD 데이터에 존재하는 노이즈로부터 영향을 크게 받게 되므로, 개인별 뇌 기능 활성화 패턴들을 추정하는 분석 성능이 낮다는 단점이 있었다.
따라서, 본 발명의 일 실시예에 따르면, 개인별 공간적 활성화 패턴들의 "공간적 희소성"을 고려하는 반복적인 이중 회귀 분석 방법을 적용함으로써, 높은 정확도로 뇌 기능 데이터로부터 뇌 기능 활성화 패턴들을 추정할 수 있고, 소정의 과제에 대한 피험자의 뇌 기능 활성화 영역을 정확히 특정할 수 있게 되고, 나아가 피험자의 뇌 기능 활성화 패턴들에 대한 이상 여부를 정확하게 진단할 수 있게 된다.
한편, 피험자가 소정의 과제를 수행하는 동안 측정된 BOLD 데이터를 분석함에 있어서, 상기 과제와 관련된 뇌 기능을 포함하는 피험자의 뇌 기능 활성화 패턴들을 미리 결정된 정규화 된 그룹-수준의 템플릿 (template) 에 근거하여 쉽게 추정할 수 있는 방법이 요구된다.
따라서, 본 발명의 일 실시예에 따르면, 동일한 과제에 대한 다수의 정상인들로부터 획득한 뇌 기능 활성화 패턴들을 템플릿으로서 결정함으로써, 피험자의 뇌 기능 활성화 패턴들의 정상 여부를 평가할 수 있다.
이하에서는 도면을 참조하여 본 발명의 실시 예 들을 상세히 설명한다.
도 1 은 종래의 이중 회귀 분석 방법을 적용한 뇌 기능 활성화 패턴들 추정 방법을 설명하기 위한 모식도이다.
도 1 의 (a) 는, 그룹-수준 뇌 기능 데이터로부터 그룹-수준 뇌 기능 활성화 패턴들을 추정할 수 있는, TC-GICA 방법을 설명하기 위한 모식도이다. 일 예로서, 도 1 의 (a) 는 M 개의 대상체들에 대해서 TC-GICA 를 적용하였다.
TC-GICA 란, 다수의 대상체들 각각으로부터 획득된 뇌 기능 데이터를 시간축 상에 나열함으로써 생성된 그룹 뇌 기능 데이터에 대해서 ICA 를 적용하는 것을 의미할 수 있다.
보다 구체적으로, 의료 영상 신호 처리 장치 (400) 는, 시간-연쇄 BOLD 데이터 행렬을 생성하고, 생성된 시간-연쇄 BOLD 데이터 행렬에 대해서 ICA 를 적용함으로써, 독립 성분들로서 그룹-수준 공간적 활성화 패턴들 및 그룹-수준 시간적 활성화 패턴들을 추정할 수 있다.
시간-연쇄 BOLD 데이터 행렬의 열 벡터 (column vector) 는, 각 대상체에 대한 뇌 영역 내의 모든 복셀에 대한 BOLD 시간-열 (time-series) 일 수 있다. 시간-연쇄 BOLD 데이터 행렬은, 각 대상체에 대한 BOLD 시간-열을 시간 축 상에 나열함으로써 생성될 수 있다. 즉, 시간-연쇄 BOLD 데이터 행렬은 (시간 X 복셀) 의 형태를 가질 수 있다.
그룹-수준 시간적 활성화 패턴들 및 그룹-수준 공간적 활성화 패턴들을 포함하는 독립 성분들은, ICA 알고리즘을 이용하여 공간적 활성화 패턴들 간의 독립성을 최대화함으로써 추정될 수 있다.
도 1 의 (a) 에 도시된 X(g) 는, 시간-연쇄 BOLD 데이터 행렬을 나타낸다. [수학식 1] 에 나타낸 바와 같이, 시간-연쇄 BOLD 데이터 행렬은, 모든 대상체에 대한 BOLD 시간-열을 시간 축 상에 나열함으로써 생성될 수 있다. [수학식 1] 에서 X(i) (i=1, 2, ... M) 는, i 번째 대상체의 BOLD 시간-열을 나타낸다.
[수학식 1] 에 나타낸 바와 같이, 시간-연쇄 BOLD 데이터 행렬 X(g) 는, 독립적인 그룹-수준 공간적 활성화 패턴들 S(g) 및 대응하는 그룹-수준 시간적 활성화 패턴들 A(g) 로 분해 (decompose) 될 수 있다.
Figure 112013067087927-pat00001
Figure 112013067087927-pat00002
따라서, 그룹-수준 공간적 활성화 패턴들 S(g) 및 그룹-수준 시간적 활성화 패턴들 A(g) 는, 그룹-수준 공간적 활성화 패턴들에 포함되는 각각의 공간적 활성화 패턴 간의 독립성을 최대화함으로써, 시간-연쇄 BOLD 데이터 행렬 X(g) 로부터 추정될 수 있다.
도 1 의 (b) 는, 회귀 변수 (regressor) 로서 그룹-수준 공간적 활성화 패턴들을 이용하여 개인-수준 시간적 활성화 패턴들을 추정하는 방법을 설명하기 위한 모식도이다.
도 1 의 (b) 에 도시된
Figure 112013067087927-pat00003
는 i 번째 대상체의 BOLD 데이터 행렬을 나타내고,
Figure 112013067087927-pat00004
는 그룹-수준 공간적 활성화 패턴들을 나타내고,
Figure 112013067087927-pat00005
는 i 번째 대상체의 개인-수준 시간적 활성화 패턴들을 나타내고,
Figure 112013067087927-pat00006
는 잔류 노이즈 (residual noise) 를 나타낸다.
[수학식 2] 에 나타낸 바와 같이, 개인-수준 시간적 활성화 패턴들
Figure 112013067087927-pat00007
는, 잔류 오차 (residual error) 를 최소화함으로써, 개인별 BOLD 데이터에 대해 그룹-수준 공간적 활성화 패턴들을 회귀 변수로서 사용하는 최소 제곱 (Least Square, LS) 방법으로부터 획득될 수 있다.
Figure 112013067087927-pat00008
도 1 의 (c) 는, 회귀 변수 (regressor) 로서 개인-수준 시간적 활성화 패턴들을 이용하여 개인-수준 공간적 활성화 패턴들을 추정하는 방법을 설명하기 위한 모식도이다.
도 1 의 (c) 에 도시된,
Figure 112013067087927-pat00009
는 [수학식 2] 로부터 추정된 개인-수준 시간적 활성화 패턴들
Figure 112013067087927-pat00010
가 0 평균 (zero-mean) 및 단위 분산 (unit-variance) 를 갖도록 정규화된 것이다.
Figure 112013067087927-pat00011
는 개인-수준 공간적 활성화 패턴들을 나타내고,
Figure 112013067087927-pat00012
는 잔류 노이즈를 나타낸다.
[수학식 3] 에 나타낸 바와 같이, 개인-수준 공간적 활성화 패턴들
Figure 112013067087927-pat00013
은, 잔류 오차 (residual error) 를 최소화함으로써, 개인별 BOLD 데이터에 대해 개인-수준 시간적 활성화 패턴들을 회귀 변수로서 사용하는 LS 방법으로부터 획득될 수 있다.
Figure 112013067087927-pat00014
도 1 을 참조하여 상술한 일반적인 이중 회귀 분석 방법에 의하면, 그룹-수준의 독립 성분들 (즉, 뇌 기능 시간적/공간적 활성화 패턴들) 에 기초하여, 개인-수준의 독립 성분들을 쉽게 찾을 수 있다는 장점이 있다. 반면에, 도 1 을 참조하여 상술한 일반적인 이중 회귀 분석 방법에 의하면, 추정된 개인-수준 뇌 기능 활성화 패턴들이 개인별 BOLD 데이터에 존재하는 노이즈에 크게 영향을 받게 되고, 개인별 뇌 기능 활성화 패턴들을 추정하는 분석 성능이 낮다는 단점이 있다.
이에 따라, 본 발명에서는 일반적인 이중 회귀 분석 방법을 개선하여 뇌 기능 활성화 패턴들의 분석 성능을 향상하고자 한다.
도 2 는 본 발명의 일 실시예에 따른 의료 영상 신호 처리 방법의 흐름도이다.
본 발명의 일 실시예에 따른 의료 영상 신호 처리 방법은, 예를 들어, 기능성 자기 공명 영상 (functional Magnetic Resonance Imaging, fMRI) 방법에 의해 얻어지는 혈중 산소 농도 (blood oxygenation level dependent, BOLD) 데이터를 처리하기 위한 방법을 포함할 수 있다.
단계 S210 에서, 본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치 (400) 는, 다수의 대상체들을 포함하는 그룹의 제 1 뇌 기능 데이터로부터 그룹에 대한 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들을 추정할 수 있다.
의료 영상 신호 처리 장치 (400) 는, TC-GICA 방법을 이용하여 그룹에 대한 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들을 추정할 수 있다.
보다 구체적으로, 의료 영상 신호 처리 장치 (400) 는, 시간-연쇄 BOLD 데이터 행렬을 생성하고, 생성된 시간-연쇄 BOLD 데이터 행렬에 대해서 ICA 를 적용함으로써, 독립 성분으로서 그룹에 대한 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들을 추정할 수 있다.
시간-연쇄 BOLD 데이터 행렬의 열 벡터 (column vector) 는, 각 대상체에 대한 뇌 영역 내의 모든 복셀에 대한 BOLD 시간-열 (time-series) 일 수 있다. 시간-연쇄 BOLD 데이터 행렬은, 각 대상체에 대한 BOLD 시간-열을 시간 축 상에 나열함으로써 생성될 수 있다. 즉, 시간-연쇄 BOLD 데이터 행렬은 시간 X 복셀의 형태를 가질 수 있다.
제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들을 포함하는 독립 성분들은, ICA 알고리즘을 이용하여 공간적 활성화 패턴들 간의 독립성을 최대화함으로써 추정될 수 있다.
단계 S210 은, 도 1 의 (a) 를 참조하여 설명한 TC-GICA 와 대응되므로, 도 1 의 (a) 에 대한 설명과 중복되는 설명은 생략한다.
단계 S220 에서, 본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치 (400) 는, 단계 S210 에서 획득된 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들을 이용하여, 목적 대상체로부터 획득된 제 2 뇌 기능 데이터로부터 목적 대상체에 대한 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들을 추정할 수 있다.
이 때, "목적 대상체" 란, 사용자가 뇌 기능 활성화 패턴들을 얻고자 하는 목적이 되는 대상체를 의미한다.
의료 영상 신호 처리 장치 (400) 는, 단계 S210 에서 획득된 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들에 대해서 이중 회귀 분석 방법을 적용함으로써, 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들을 추정할 수 있다.
먼저, 의료 영상 신호 처리 장치 (400) 는, 목적 대상체에 대한 제 2 뇌 기능 데이터, 그룹에 대한 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들로부터 목적 대상체에 대한 제 2 시간적 활성화 패턴들을 추정할 수 있다. 다음으로, 의료 영상 신호 처리 장치 (400) 는, 목적 대상체에 대한 제 2 뇌 기능 데이터, 및 목적 대상체에 대한 제 2 시간적 활성화 패턴들로부터 목적 대상체에 대한 제 2 공간적 활성화 패턴들을 추정할 수 있다.
또한, 의료 영상 신호 처리 장치 (400) 는, 추정된 제 2 공간적 활성화 패턴들의 공간적 희소성 (spatial sparsity) 즉, 활성화 패턴들이 뇌영역 전체에서 드문드문 (sparsely) 분포하는 성질이 극대화되도록, 추정된 제 2 공간적 활성화 패턴들을 보정할 수 있다.
"제 2 공간적 활성화 패턴들의 공간적 희소성 (spatial sparsity) 이 극대화되도록 추정된 제 2 공간적 활성화 패턴들을 보정하는 것"은, 제 2 공간적 활성화 패턴들에 포함되는 각각의 공간적 활성화 패턴의 독립성이 극대화되도록, 라플라스 확률 밀도 함수 (Laplacian p.d.f) 를 적용함으로써 제 2 공간적 활성화 패턴들이 희소성을 갖도록 조직화 (organization) 하는 것을 의미할 수 있다.
본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치 (400) 는 목적 대상체로부터 획득된 제 2 뇌 기능 데이터로부터 목적 대상체에 대한 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들을 추정하는 단계를 반복하여 수행할 수 있다.
일 예로서, 본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치 (400) 는, 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들을 반복적으로 추정하는 과정에서, 이전 반복에서 추정된 제 2 시간적 활성화 패턴들과 새롭게 추정된 제 2 시간적 활성화 패턴들 간의 차이값, 또는 이전 반복에서 추정된 제 2 공간적 활성화 패턴들과 새롭게 추정된 제 2 공간적 활성화 패턴들 간의 차이값이 미리 설정된 범위 내에 포함될 때까지 목적 대상체에 대한 활성화 패턴을 추정하는 동작을 반복할 수 있다.의료 영상 신호 처리 장치 (400) 는, 이전 반복에서 추정된 제 2 시간적 활성화 패턴들과 새롭게 추정된 제 2 시간적 활성화 패턴들 간의 차이값, 또는 이전 반복에서 추정된 제 2 공간적 활성화 패턴들과 새롭게 추정된 제 2 공간적 활성화 패턴들 간의 차이값이 미리 설정된 범위 내에 포함되는지 여부를 결정할 수 있다.
이 때, 미리 설정된 범위는, 사용자로부터 입력되거나, 미리 저장된 값일 수 있으며, 측정되거나 추정된 결과들 (예를 들어, 제 1 시간적/공간적 활성화 패턴들, 제 2 시간적/공간적 활성화 패턴들, 및 제 2 뇌 기능 데이터 중 적어도 하나) 에 따라 적응적으로 변경될 수 있는 값일 수 있다.
예를 들어, 미리 설정된 범위는, 이전 반복에서 추정된 활성화 패턴들과 새롭게 추정된 활성화 패턴들 간의 정규화된 차이값이 학습률 (learning rate) 보다 작거나 같은 범위를 의미할 수 있다. 학습률은 예를 들어, 0.01 일 수 있다.
이전 반복에서 추정된 활성화 패턴들과 새롭게 추정된 활성화 패턴들 간의 정규화된 차이값이 학습률보다 작아지게 되면, 이후에 추정될 활성화 패턴들의 변화 정도가 학습률보다 작아지게 된다.
상기 예에 따른 의료 영상 신호 처리 장치 (400) 는, 단계 S210 에서 획득된 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들을 각각 목적 대상체에 대해서 추정된 시간적 활성화 패턴들의 초기값 (A0(i)) 및 공간적 활성화 패턴들의 초기값 (S0(i)) 으로 결정하고, 이전에 추정된 시간적 활성화 패턴들 (Ak -1(i)) 및 공간적 활성화 패턴들 (Sk -1(i)) 과 새롭게 추정된 시간적 활성화 패턴들 (Ak(i)) 및 공간적 활성화 패턴들 (Sk(i)) 간의 차이 값이 미리 설정된 범위 내에 포함될 때까지 목적 대상체에 대한 활성화 패턴을 추정하는 동작을 반복할 수 있다.
이해를 돕기 위하여, k-1 번째 반복에서 추정된 시간적 활성화 패턴들 Ak-1(i) 과 k 번째 반복에서 추정된 시간적 활성화 패턴들 Ak(i) 간의 차이값 및/또는 k-1 번째 반복에서 추정된 공간적 활성화 패턴들 Sk -1(i) 과 k 번째 반복에서 추정된 공간적 활성화 패턴들 Sk(i) 간의 차이값 이 미리 설정된 범위 내에 포함되는지 여부를 결정하는 경우를 가정하여 설명한다.
의료 영상 신호 처리 장치 (400) 는, k-1 번째 반복에서 추정된 시간적 활성화 패턴들 Ak -1(i) 과 k 번째 반복에서 추정된 시간적 활성화 패턴들 Ak(i) 간의 차이값 및 k-1 번째 반복에서 추정된 공간적 활성화 패턴들 Sk -1(i) 과 k 번째 반복에서 추정된 공간적 활성화 패턴들 Sk(i) 간의 차이값 이 미리 설정된 범위 내에 포함되는 것으로 결정되는 경우, k 번째 반복에서 추정된 제 2 시간적 활성화 패턴들 Ak(i) 및 제 2 공간적 활성화 패턴들 Sk(i) 을 목적 대상체에 대한 활성화 패턴들로서 결정할 수 있다.
그러나, k-1 번째 반복에서 추정된 시간적 활성화 패턴들 Ak -1(i) 과 k 번째 반복에서 추정된 시간적 활성화 패턴들 Ak(i) 간의 차이값 및/또는 k-1 번째 반복에서 추정된 공간적 활성화 패턴들 Sk -1(i) 과 k 번째 반복에서 추정된 공간적 활성화 패턴들 Sk(i) 간의 차이값 이 미리 설정된 범위 내에 포함되지 않는 것으로 결정되는 경우, 의료 영상 신호 처리 장치 (400) 는, 목적 대상체에 대한 활성화 패턴을 추정하는 동작을 반복할 수 있다.
다른 예로서, 본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치 (400) 는 미리 결정된 횟수만큼 목적 대상체에 대한 활성화 패턴을 추정하는 동작을 반복할 수 있다.
추정하는 동작이 반복되는 횟수는, 사용자 혹은 환자가 대기할 수 있는 시간을 고려하여 사용자로부터 입력되거나, 미리 저장된 값일 수 있다. 또는, 추정하는 동작이 반복되는 횟수는, 반복 학습으로 얻어진 추정 결과가 학습 종료 조건을 만족하는지 여부에 따라 적응적으로 변경될 수 있는 값일 수 있다.
상기 예에 따른 의료 영상 신호 처리 장치 (400) 는, 단계 S210 에서 획득된 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들을 각각 목적 대상체에 대해서 추정된 시간적 활성화 패턴들의 초기값 (A0(i)) 및 공간적 활성화 패턴들의 초기값 (S0(i)) 으로 결정하고, 미리 결정된 횟수만큼, 목적 대상체에 대한 활성화 패턴을 추정하는 동작을 반복할 수 있다.
이해를 돕기 위하여, 추정하는 동작이 반복되도록 미리 결정된 횟수 n 인 경우를 예로 들어 설명한다.
k 번째 반복에서, k < n 인 경우, 의료 영상 신호 처리 장치 (400) 는, k-1 번째 반복에서 추정된 시간적 활성화 패턴들 Ak -1(i) 및 공간적 활성화 패턴들 Sk -1(i) 을 이용하여, 제 2 뇌 기능 데이터로부터 목적 대상체에 대한 시간적 활성화 패턴들 Ak(i) 및 공간적 활성화 패턴들 Sk(i) 을 새롭게 추정할 수 있다.
한편, k 번째 반복에서, k = n 인 경우, 의료 영상 신호 처리 장치 (400) 는, 추정된 제 2 시간적 활성화 패턴들 Ak(i) 및 제 2 공간적 활성화 패턴들 Sk(i) 을 목적 대상체에 대한 활성화 패턴들로서 결정할 수 있다.
단계 S220 과 관련하여서는, 후에 도 3 을 참조하여 보다 구체적으로 살펴보도록 한다.
도 2 의 흐름도에 도시되지는 않았으나, 본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치 (400) 는 단계 S220 에서 추정된 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들을 화면 상에 표시하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치 (400) 는, 반복적인 (iterative) 이중 회귀 분석을 이용하여 개인별 BOLD 데이터를 해석함으로써 과제와 관련된 개인별 뇌기능 활성화 패턴들을 정확하게 추정할 수 있게 된다.
또한, 도 2 의 흐름도에 도시되지는 않았으나, 본 발명의 일 실시예에 따른 의료 영상 신호 처리 방법은, 반복적인 이중 회귀 분석을 이용하여 추정된 개인-수준 공간적 활성화 패턴들이 정상적인지 여부를 결정하는 단계를 더 포함할 수 있다.
즉, 의료 영상 신호 처리 장치 (400) 는, 동일한 과제에 대해 다수의 정상인들 그룹으로부터 획득된 공간적 활성화 패턴들을 기준 활성화 패턴들로서 획득할 수 있다.
의료 영상 신호 처리 장치 (400) 는, 정상인들 그룹으로부터 획득된 기준 활성화 패턴들에 대한 신뢰 구간 (예를 들어, 오차 확률인, p-value 가 0.05 보다 낮은 수준) 에 기초하여, 개인-수준 공간적 활성화 패턴들이 정상적인지 여부를 결정할 수 있다. 즉, 의료 영상 신호 처리 장치 (400) 는, 기준 활성화 패턴들과, 목적 대상체에 대한 활성화 패턴들로서 추정된 공간적 활성화 패턴들 간의 유사도에 기초하여, 목적 대상체의 공간적 활성화 패턴들이 정상적인지 여부를 결정할 수 있다.
도 3 은 본 발명의 일 실시예에 따른 의료 영상 신호 처리 방법에 있어서, 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들을 추정하는 단계를 설명하기 위한 구체적인 흐름도이다.
다음의 [수학식 4] 내지 [수학식 6]을 참조하여, 도 3 의 흐름도를 설명한다.
[수학식 4] 및 [수학식 5] 는 반복적인 이중 회귀 분석을 제안한다.
Figure 112013067087927-pat00015
Figure 112013067087927-pat00016
상기 [수학식 4] 및 [수학식 5] 에서 k (=1, 2, ...) 는 반복 횟수를 의미할 수 있다. 예를 들어, k 는 100회, 200 회, 1000 회 등이 될 수 있으나, 이에 한정되지 않는다.
Figure 112013067087927-pat00017
는, k 번째 반복에서 추정된, i 번째 대상체에 대한 개인-수준 시간적 활성화 패턴들을 의미한다.
Figure 112013067087927-pat00018
는, k 번째 반복에서 추정된, i 번째 대상체에 대한 개인-수준 공간적 활성화 패턴들을 의미한다.
α 및 β 는, 각각 개인-수준 시간적 활성화 패턴들 및 개인-수준 공간적 활성화 패턴들의 갱신하는 양을 조절하는 파라미터이고, 반복 학습의 갱신 속도 (update speed) 를 제어하는 학습율 (learning rate) 을 의미한다. 이 학습률은 정규화된 데이터에 대해 일반적으로 좋은 성능을 보이는 값들, 예를 들어, α 및 β 는 10-2, 10-3, 10-4, 10-5 등으로 결정될 수 있으나, 이에 한정되지는 않는다.
[수학식 4] 및 [수학식 5] 에서 제안된 반복적인 이중 회귀 분석과 더불어, 공간적 활성화 패턴들을 추가적으로 보정하기 위하여 다음의 [수학식 6] 이 이용될 수 있다.
[수학식 4] 및 [수학식 5] 를 이용하여 추정된 개인-수준 공간적 활성화 패턴들은, 뇌 영역 내의 복셀들에 대한 공간적 활성화 패턴들을 나타내는 열 벡터 (row vector) 각각의 공간적 희소성을 최대화함으로써, 공간적 활성화 패턴들 간의 독립성을 유지한 채 조직화될 수 있다.
[수학식 6] 에 나타낸 바와 같이, 공간적 활성화 패턴들은, 기울기 하강 기법 (gradient descent scheme) 을 통해, 라플라스 확률 밀도 함수 (Laplacian p.d.f) (즉, sign 함수) 의 제 1 차 도함수 (the first order derivative) 를 이용하여 학습함으로써 추가적으로 보정될 수 있다.
Figure 112013067087927-pat00019
γ 는 공간적 희소성의 갱신 속도를 제어하는 학습율을 의미한다. 예를 들어, γ 는 10-2, 10-3, 10-4, 10-5 등이 될 수 있으나, 이에 한정되지 않는다.
반복 횟수 k 및 학습율 α, β, 및 γ 는 사용자에 의해 입력되거나, 미리 저장된 값일 수 있다.
의료 영상 신호 처리 장치 (400) 는, 그룹-수준 시간적 활성화 패턴들 및 그룹-수준 공간적 활성화 패턴들을 초기값으로서 사용하는 반복적 이중 회귀 분석 방법을 적용함으로써, 개인 뇌 기능 데이터에 대한 개인-수준 시간적 활성화 패턴들 및 개인-수준 공간적 활성화 패턴들을 추정할 수 있다.
도 3 의 흐름도로 돌아와서, 단계 S222 에서, 의료 영상 신호 처리 장치 (400) 는, 다수의 대상체들을 포함하는 그룹에 대한 제 1 시간적 활성화 패턴들 (즉, 그룹-수준 시간적 활성화 패턴들) 및 제 1 공간적 활성화 패턴들 (즉, 그룹-수준 공간적 활성화 패턴들) 로부터 제 2 시간적 활성화 패턴들 (즉, 개인-수준 시간적 활성화 패턴들)을 추정할 수 있다.
즉, [수학식 4] 에 있어서, k=1 일 때, 목적 대상체에 대한 제 2 시간적 활성화 패턴들의 초기값 (즉, A0(i)) 및 제 2 공간적 활성화 패턴들 (즉, 개인-수준 공간적 활성화 패턴들)의 초기값 (즉, S0(i)) 으로서, TC-GICA 결과가 이용될 수 있다. 즉, 도 2 의 단계 S110 에서 획득된 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들 A(g) 및 S(g) 는, 각각 제 2 시간적 활성화 패턴들의 초기값 및 제 2 공간적 활성화 패턴들의 초기값으로서 이용될 수 있다.
단계 S224 에서, 의료 영상 신호 처리 장치 (400) 는, 제 2 시간적 활성화 패턴들로부터 제 2 공간적 활성화 패턴들을 추정할 수 있다. 단계 S224 는, [수학식 5] 에 대응된다.
단계 S226 에서, 의료 영상 신호 처리 장치 (400) 는, 추정된 제 2 공간적 활성화 패턴들에 포함되는 각각의 공간적 활성화 패턴의 공간적 희소성이 극대화되도록, 추정된 제 2 공간적 활성화 패턴들을 보정할 수 있다. 단계 S226 은, [수학식 6] 에 대응된다.
단계 S228 에서, 본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치 (400) 는, 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들을 추정하는 단계를 반복할지 여부를 결정할 수 있다.
일 예로서, 의료 영상 신호 처리 장치 (400) 가 개인-수준 활성화 패턴들을 추정하는 단계를 반복할지 여부를 결정하는 것은, 이전 반복에서 추정된 활성화 패턴들과 새롭게 추정된 활성화 패턴들 간의 차이 값이 미리 설정된 범위 내에 포함되는지 여부에 기초하여 결정할 수 있다.
상기 예에 따른 의료 영상 신호 처리 장치 (400) 는, 이전 반복에서 추정된 제 2 시간적 활성화 패턴들과 새롭게 추정된 제 2 시간적 활성화 패턴들 간의 차이값, 및 이전 반복에서 추정된 제 2 공간적 활성화 패턴들과 새롭게 추정된 제 2 공간적 활성화 패턴들 간의 차이값이 미리 설정된 범위 내에 포함되는 경우, 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들의 추정을 반복하는 것을 종료하기로 결정할 수 있다.
다른 예로서, 의료 영상 신호 처리 장치 (400) 가 개인-수준 활성화 패턴들을 추정하는 단계를 반복할지 여부를 결정하는 것은, 미리 결정된 반복 횟수에 기초하여 결정될 수 있다.
단계 S228 에서, 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들의 추정을 반복하는 것을 종료하기로 결정된 경우, 도 3 에 도시된 의료 영상 신호 처리 동작은 종료될 수 있다.
예를 들어, 의료 영상 신호 처리 장치 (400) 가, 미리 결정된 반복 횟수 n 만큼, 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들을 추정하는 단계를 반복한 경우, 도 3 에 도시된 의료 영상 신호 처리 동작은 종료될 수 있다.
제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 의 추정을 반복하는 것을 종료하지 않기로 결정된 경우, 본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치 (400) 는, 단계 S230 에서, 이전 반복에서 추정되고 보정된 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들로부터 제 2 시간적 활성화 패턴들을 추정할 수 있다.
예를 들어, k (k-1 <n, n 은 미리 결정된 반복 횟수) 번째 반복에서, 의료 영상 신호 처리 장치 (400) 는, k-1 반복에서 추정된 Ak -1(i) 및 Sk -1(i) 을 이용하여 [수학식 4] 로부터 Ak(i) 을 추정할 수 있다.
도 3 에서 확인되는 바와 같이, 본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치 (400) 는, 단계 S232 에서 추정된 제 2 시간적 활성화 패턴들을 이용하여 제 2 공간적 활성화 패턴들을 추정하는 단계 S224 및 단계 S226 을 반복하게 된다.
예를 들어, k (k-1 <n, n 은 미리 결정된 반복 횟수) 번째 반복에서, 의료 영상 신호 처리 장치 (400) 는, 단계 S232 에서 추정된 Ak(i) 을 이용하여 [수학식 5] 및 [수학식 6] 으로부터 Sk(i) 을 추정할 수 있다.
의료 영상 신호 처리 장치 (400) 는, 반복적인 이중 회귀 분석을 통해, 갱신되는 (updated) 개인-수준 시간적 활성화 패턴들을 이용함으로써 개인-수준 공간적 활성화 패턴들을 미세 조정할 수 있다.
의료 영상 신호 처리 장치 (400) 는, 반복적인 이중 회귀 분석을 이용함으로써, 개인별 뇌 기능 데이터, 즉, 개인별 BOLD 데이터에 대해 보다 일치된 (fitted) 뇌 기능 활성화 패턴들을 추정하고, 추가로 보정 (further refine) 할 수 있게 된다.
도 4 는 본 발명의 일 실시예에 따른 의료 영상 신호 처리 방법을 설명하기 위한 모식도이다. 본 발명의 일 실시예에 따른 의료 영상 신호 처리 방법을 수행하는 의료 영상 신호 처리 장치 (400) 의 동작은, 도 4 를 참조하여 설명될 수 있다.
도 4 의 박스 310 및 박스 320 에 도시된 바와 같이, 의료 영상 신호 처리 장치 (400) 는, 획득된 뇌 기능 데이터에 대해서 그룹-수준 분석을 수행한 후에, 개인-수준 분석을 수행할 수 있다.
먼저, 박스 310 에 도시된 바와 같이, 의료 영상 신호 처리 장치 (400) 는, TC-GICA 를 이용하여, 그룹 fMRI 데이터로부터 그룹-수준 공간적 활성화 패턴들 및 그룹-수준 시간적 활성화 패턴들을 추정할 수 있다.
박스 310 에는, 그룹-수준 공간적 활성화 패턴들 및 그룹-수준 시간적 활성화 패턴들의 일 예가 도시된다.
본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치 (400) 는, 개인-수준의 뇌 기능 활성화 패턴들을 분석하기 위한 초기값으로서 그룹-수준의 공간적 활성화 패턴들과 함께 그룹-수준의 시간적 활성화 패턴들을 이용함으로써, 반복적인 이중 회귀 분석의 초기 단계에서 보다 정확하고 안정적으로 개인-수준 시간적 활성화 패턴들을 추정할 수 있게 된다.
다음으로, 박스 320 에 도시된 바와 같이, 의료 영상 신호 처리 장치 (400) 는, 공간적 희소성을 고려한 반복적인 이중 회귀 분석을 이용하여, 개인-수준 공간적 활성화 패턴들을 추정할 수 있다. 의료 영상 신호 처리 장치 (400) 는, 추정된 개인-수준 활성화 패턴들로부터 재구성된 뇌 기능 데이터가, 실제 측정된 뇌 기능 데이터와 유사해지도록 반복적인 이중 회귀 분석 방법을 이용할 수 있다.
박스 320 에는, 반복 횟수 k=1, 100, 200, 및 1000 일 때의 개인-수준 공간적 활성화 패턴들 및 개인-수준 시간적 활성화 패턴들의 일 예가 도시된다.
박스 320 에 도시된 바와 같이, 반복 횟수가 증가됨에 따라서, 개인-수준 공간적 활성화 패턴들은 노이즈가 감소하고, 시간적 활성화 패턴들 (estimated time course) 은 기준 시간적 활성화 패턴들 (reference time course) 로 수렴하게 된다.
본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치 (400) 는, 최종적으로 추정된 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들을 화면 상에 표시할 수 있다.
예를 들어, 추정 동작을 반복하도록 미리 결정된 횟수가 1000 회인 경우, 의료 영상 신호 처리 장치 (400) 는, 최종적으로 추정된 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들 (330) 을 화면 상에 표시할 수 있다.
본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치 (400) 는, 반복적인 이중 회귀 분석을 이용하여 추정된 개인별 BOLD 데이터와, 실제 측정된 개인별 BOLD 데이터에 일치시키는 (fitting) 과정을 통해 과제와 관련된 개인별 뇌 기능 활성화 패턴들을 보다 정확하게 추정할 수 있게 된다.
또한, 본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치 (400) 는, 반복적인 이중 회귀 분석 과정에 있어서, 개인별 뇌 기능 활성화 패턴들의 공간적 희소성을 고려함으로써 과제와 관련된 뇌 기능 영역의 서로 다른 뇌활성화 패턴들에 대한 독립성을 높일 수 있다.
반복적인 이중 회귀 분석은, LS 방법에 근거하여 추정된 개인별 BOLD 데이터와 실제 측정된 개인별 BOLD 데이터 간의 잔류 노이즈 (residual noise) 를 최소화 하는 분석 방법이다.
따라서, 반복적인 이중 회귀 분석을 통해서, 추정된 개인-수준 시간적/공간적 활성화 패턴들로부터 획득된 추정된 BOLD 데이터를 개인별 BOLD 데이터에 일치시켜가는 경우, ICA 에 의해 각 독립 성분의 독립성이 최대화 되었던 독립 성분들 (즉, 시간적/공간적 활성화 패턴들) 의 독립성이 줄어들게 된다.
본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치 (400) 는, 반복적인 LS 방법이 적용되는 독립 성분들간의 독립성을 보정하기 위해서, 공간적 활성화 패턴들의 공간적 희소성을 고려할 수 있다. 본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치 (400) 는, 공간적 활성화 패턴들의 공간적 희소성을 고려함으로써, 개인별 BOLD 데이터에 존재하는 노이즈에 대한 영향을 감소시킬 수 있다.
한편, 본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치 (400) 는, 그룹-수준 분석 결과를 초기값으로서 사용하기 때문에, 예를 들어, 정상인 그룹 (즉, 뇌 기능의 이상이 없는 것으로 판단된 피험자들로 이루어진 그룹) 으로부터 획득된 BOLD 데이터에 기초하여 획득된 시간적/공간적 활성화 패턴들을 템플릿 (template) 으로서 이용할 수 있다.
따라서, 의료 영상 신호 처리 장치 (400) 는, 정상인 그룹의 템플릿에 기초하여, 진단의 대상이 되는 임의의 피험자의 뇌 기능 활성화 패턴들이 정상인 그룹의 뇌 기능 활성화 패턴들과 얼마나 유사한지 판단할 수 있다.
또한, 의료 영상 신호 처리 장치 (400) 는, 피험자의 뇌 기능 활성화 패턴들이 정상인 그룹의 뇌 기능 활성화 패턴들의 유사도가 소정 범위 내에 포함되는지 여부에 따라, 피험자의 뇌 기능 이상 유무를 판단할 수 있다.
즉, 의료 영상 신호 처리 장치 (400) 는, 본 발명의 일 실시예에 따른 의료 영상 신호 처리 방법을 이용함으로써, 진단의 대상이 되는 임의의 피험자의 뇌 기능 이상 유무를 판단할 수 있는 진단 기준을 가질 수 있다.
또한, 의료 영상 신호 처리 장치 (400) 는, 본 발명의 일 실시예에 따른 의료 영상 신호 처리 방법을 이용함으로써, 소정의 과제와 관련된 개인별 뇌 기능 활성 영역을 높은 성능으로 분석할 수 있고, 뇌 기능 이상을 갖는 환자의 뇌 기능 활성 영역을 정확히 특정할 수 있으며, 진단 정확도를 높일 수 있다.
사용자는, 본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치 (400) 를 이용함으로써, 환자의 뇌의 기능 불량 영역을 적출하기 위한 수술에 있어서 정상적인 뇌 기능 영역을 적출하는 것을 예방할 수 있다.
도 5 는 본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치를 설명하기 위한 블록도이다.
본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치 (400) 의 각 구성 요소는 도 2 에 도시된 의료 영상 신호 처리 방법의 각 단계를 수행하도록 구성된다. 따라서, 이하에서 생략된 내용이라 하더라도 도 2 에 도시된 의료 영상 신호 처리 방법에 관하여 이상에서 기술된 내용은 도 5 의 의료 영상 신호 처리 장치 (400) 에도 적용됨을 알 수 있다.
도 5 의 (a) 에 도시된 바와 같이, 본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치 (400) 는, 그룹-수준 데이터 분석 수단 (410) 및 개인-수준 데이터 분석 수단 (420) 을 포함할 수 있다.
그룹-수준 데이터 분석 수단 (410) 은, 다수의 대상체들을 포함하는 그룹의 제 1 뇌 기능 데이터로부터 상기 그룹에 대한 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들을 추정할 수 있다.
개인-수준 데이터 분석 수단 (420) 은, 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들을 이용하여, 목적 대상체로부터 획득된 제 2 뇌 기능 데이터로부터 목적 대상체에 대한 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들을 추정할 수 있다.
개인-수준 데이터 분석 수단 (420) 은, 목적 대상체에 대한 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들을 추정하는 동작을 반복할 수 있다.
일 예로서, 개인-수준 데이터 분석 수단 (420) 은, 목적 대상체에 대해서 이전 반복에서 추정된 활성화 패턴들로부터 제 3 뇌 기능 데이터를 획득하고, 제 2 뇌 기능 데이터와 제 3 뇌 기능 데이터 간의 차이 값이 미리 설정된 범위 내에 포함될 때까지, 목적 대상체에 대한 활성화 패턴들을 추정하는 동작을 반복할 수 있다.
다른 예로서, 개인-수준 데이터 분석 수단 (420) 은, 미리 결정된 횟수만큼, 목적 대상체에 대한 활성화 패턴들을 추정하는 동작을 반복할 수 있다.
또한, 도 5 의 (b) 에 도시된 바와 같이, 본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치 (400) 는, 분석 결과 표시 수단 (430) 을 더 포함할 수 있다.
분석 결과 표시 수단 (430) 은, 개인-수준 데이터 분석 수단 (420) 에서 결정된 목적 대상체에 대한 활성화 패턴들을 표시할 수 있다.
분석 결과 표시 수단 (430) 은, 개인-수준 데이터 분석 수단 (420) 에서 추정된 목적 대상체에 대한 시간적 활성화 패턴들 및 공간적 활성화 패턴들에 기초하여 의료 영상을 생성하는 영상 생성 수단 (미도시) 및 생성된 영상을 표시하는 디스플레이부 (미도시) 를 포함할 수 있다.
분석 결과 표시 수단 (430) 은, 목적 대상체에 대해서 추정된 활성화 패턴들에 기초하여 생성된 의료 영상뿐만 아니라, 뇌 기능 데이터를 획득하는데 필요한 fMRI 장치의 동작과 관련된 상태 정보, 기능 설정과 관련된 UI(User Interface) 또는 GUI(Graphic User Interface) 를 표시할 수 있다.
디스플레이 패널과 터치패드가 레이어 구조를 이루어 터치 스크린으로 구성되는 경우, 분석 결과 표시 수단 (430) 은 출력 장치 이외에 입력 장치로도 사용될 수 있다.
분석 결과 표시 수단 (430) 은 액정 디스플레이(liquid crystal display), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display), 유기 발광 다이오드(organic light-emitting diode), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전기영동 디스플레이(electrophoretic display) 중에서 적어도 하나를 포함할 수 있다. 또한, 분석 결과 표시 수단 (430) 은, 잉크젯 프린터, 레이저 프린터 등의 각종 프린터 등을 포함할 수도 있다.
도 6 은 본 발명의 일 실시예에 따른 의료 영상 신호 처리 장치를 포함하는 뇌 기능 해석 장치를 설명하기 위한 블록도이다.
본 발명의 일 실시예에 따른 뇌 기능 해석 장치 (500) 는, 도 4 에 도시된 의료 영상 신호 처리 장치 (400) 와 더불어, 뇌 기능 데이터 획득 수단 (510), 데이터 전처리 수단 (520), 중앙 연산 처리 장치 (530), 및 기억 수단 (540) 을 포함할 수 있다.
도 6 에 도시된, fMRI 장치 (10) 는, 핵 자기 공명 (Nuclear Magnetic Resonance, NMR) 을 발생시키기 위해서, 주자장을 생성하는 자장 (magnetic field) 코일, 경사 자기장 (magnetic gradient field) 을 생성하는 경사 자장 코일 (gradient field coil), 및 공명 주파수의 RF 신호를 조사하여, 대상체로부터 반사되는 RF 신호를 검출하는 RF 코일을 포함할 수 있다. 또한, fMRI 장치 (10) 는 코일들을 제어하기 위한 시스템 컨트롤러를 더 포함할 수 있다.
fMRI 장치 (10) 는, 사용자의 요구에 따라 각종 fMRI 데이터 (예를 들어, 혈류량에 관련된 BOLD 데이터) 를 생성하고, 생성된 데이터를 뇌 기능 해석 장치 (500) 로 송신할 수 있다.
뇌 기능 해석 장치 (500) 는, fMRI 장치 (10) 와 분리된 별도의 장치이거나, fMRI 장치 (10) 에 포함된 장치이거나, fMRI 장치 (10) 에 연결된 장치일 수 있다.
뇌 기능 데이터 획득 수단 (510) 은, fMRI 장치 (10) 로부터 뇌 기능 데이터를 획득할 수 있다.
데이터 전처리 수단 (520) 은, 뇌 기능 데이터 획득 수단 (510) 에서 획득된 뇌 기능 데이터에 대해서 전처리를 수행할 수 있다. 예를 들어, 전처리는 뇌 기능 데이터에 대해서, 측정 중의 대상체의 움직임에 대한 보정, 및 노이즈 제거 등의 처리 동작을 수행할 수 있다.
기억 수단 (540) 은, 중앙 연산 처리 장치 (Central Processing Unit, CPU) (530) 에 의해 읽혀지고 처리될 프로그램을 저장할 수 있다.
기억 수단 (540) 은, 예를 들면 RAM(Random Access Memory)이나 ROM(Read Only Memory) 등으로 구성되어 있을 수 있다. 또한, 기억 수단 (540) 은, 주 메모리 (main memory) 와 보조 메모리 (sub-memory) 를 별도의 메모리들로서 포함할 수 있다.
기억 수단 (540) 의 주 메모리는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함될 수 있다.
도 6 에서 뇌 기능 해석 장치 (500) 는, 분석 결과 표시 수단 (430) 을 포함하는 의료 영상 신호 처리 장치 (400), 및 기억 수단 (540) 을 일체형으로 한 디스플레이 콘솔 형식으로 도시된다. 그러나, 분석 결과 표시 수단 (430), 및 기억 수단 (540) 은, 각각 독립된 표시 장치 및 독립된 기억 장치로서 의료 영상 신호 처리 장치 (400) 로부터 별도로 구성될 수 있다.
뇌 기능 해석 장치 (500) 는 컴퓨터에 의해 구현될 수 있다. 뇌 기능 해석 장치 (500) 에 포함되는 각 수단은, 중앙 연산 처리 장치 (530) 에 의해 기억 수단 (540) 으로부터 읽어낸 의료 영상 신호 처리 프로그램에 따라 제어될 수 있다.
여기서, 컴퓨터는, 구조화된 입력을 소정의 규칙에 따라 처리하고, 처리된 결과를 구조화하여 출력하는 장치를 의미하며, 예를 들면, 범용 컴퓨터, 슈퍼 컴퓨터, 메인 프레임, 워크스테이션, 마이크로 컴퓨터, 서버 등이 포함된다. 또한, 통신 네트워크(예를 들면, 인트라넷, 로컬 영역 네트워크(LAN), 와이드 영역 네트워크(WAN), 및 이들 조합으로 이루어지는 통신 네트워크)를 통하여 접속된 2개 이상의 컴퓨터 (예를 들면, 분산 컴퓨터 시스템) 를 포함할 수 있다.
본원 발명의 실시예 들과 관련된 기술 분야에서 통상의 지식을 가진 자는 상기 기재의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로, 개시된 방법들은 한정적인 관점이 아닌 설명적 관점에서 고려되어야 한다. 본 발명의 범위는 발명의 상세한 설명이 아닌 특허청구 범위에 나타나며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (21)

  1. 다수의 대상체들을 포함하는 그룹의 제 1 뇌 기능 데이터로부터 상기 그룹에 대한 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들을 추정하는 단계; 및
    상기 제 1 시간적 활성화 패턴들 및 상기 제 1 공간적 활성화 패턴들을 이용하여, 목적 대상체로부터 획득된 제 2 뇌 기능 데이터로부터 상기 목적 대상체에 대한 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들을 추정하는 단계를 포함하고,
    상기 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들을 추정하는 단계는,
    상기 목적 대상체에 대해서 이전에 추정된 시간적 활성화 패턴들 (Ak-1(i)) 및 이전에 추정된 공간적 활성화 패턴들 (Sk-1(i)) 을 이용하여, 상기 제 2 뇌 기능 데이터로부터 상기 목적 대상체에 대한 시간적 활성화 패턴들 (Ak(i)) 및 공간적 활성화 패턴들 (Sk(i)) 을 추정하는 단계; 및
    상기 공간적 활성화 패턴들 (Sk(i)) 에 포함되는 각각의 공간적 활성화 패턴의 독립성이 극대화되도록, 상기 공간적 활성화 패턴들 (Sk(i))을 보정하는 단계를 반복하는 단계를 포함하고,
    상기 반복하는 단계는,
    상기 제 1 시간적 활성화 패턴들 및 상기 제 1 공간적 활성화 패턴들을 각각 상기 목적 대상체에 대해서 추정된 시간적 활성화 패턴들의 초기값 (A0(i)) 및 공간적 활성화 패턴들의 초기값 (S0(i)) 으로 하는 것을 특징으로 하는, 의료 영상 신호 처리 방법.
  2. 제 1 항에 있어서,
    상기 반복하는 단계는,
    상기 이전에 추정된 시간적 활성화 패턴들 (Ak-1(i)) 및 이전에 추정된 공간적 활성화 패턴들 (Sk-1(i)) 과 상기 시간적 활성화 패턴들 (Ak(i)) 및 공간적 활성화 패턴들 (Sk(i)) 간의 차이 값이 미리 설정된 범위 내에 포함될 때까지 상기 추정하는 단계 및 상기 보정하는 단계를 반복하는 것을 특징으로 하는, 의료 영상 신호 처리 방법.
  3. 제 1 항에 있어서,
    상기 반복하는 단계는,
    미리 결정된 횟수만큼 상기 추정하는 단계 및 상기 보정하는 단계를 반복하는 것을 특징으로 하는, 의료 영상 신호 처리 방법.
  4. 제 1 항에 있어서,
    상기 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들을 추정하는 단계는,
    상기 제 2 뇌 기능 데이터, 상기 이전에 추정된 시간적 활성화 패턴들 (Ak-1(i)) 및 상기 이전에 추정된 공간적 활성화 패턴들 (Sk-1(i)) 로부터 상기 시간적 활성화 패턴들 (Ak(i)) 을 추정하는 단계; 및
    상기 제 2 뇌 기능 데이터 및 상기 시간적 활성화 패턴들 (Ak(i)) 로부터 상기 공간적 활성화 패턴들 (Sk(i)) 을 추정하는 단계를 포함하는 것을 특징으로 하는, 의료 영상 신호 처리 방법.
  5. 삭제
  6. 제 1 항에 있어서,
    상기 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들을 표시하는 단계를 더 포함하는, 의료 영상 신호 처리 방법.
  7. 제 1 항에 있어서,
    상기 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들을 추정하는 단계는,
    시간-연쇄 독립 성분 분석 (temporal-concatenation Independent Concatenation Analysis, TC-GICA) 을 이용하여 상기 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들을 추정하는 단계를 포함하는 것을 특징으로 하는, 의료 영상 신호 처리 방법.
  8. 제 1 항에 있어서,
    상기 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들을 추정하는 단계는,
    상기 다수의 대상체들 각각으로부터 획득된 뇌 기능 데이터를 시간축 상에 나열함으로써 상기 제 1 뇌 기능 데이터를 생성하는 단계; 및
    독립 성분 분석 (Independent Component Analysis, ICA) 을 이용하여 상기 제 1 뇌 기능 데이터로부터 상기 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들을 추정하는 단계를 포함하는 것을 특징으로 하는, 의료 영상 신호 처리 방법.
  9. 제 1 항에 있어서,
    상기 제 1 뇌 기능 데이터 및 상기 제 2 뇌 기능 데이터는,
    기능성 자기 공명 영상 (functional Magnetic Resonance Imaging, fMRI) 방법에 의해 얻어지는 혈중 산소 농도 (blood oxygenation level dependent, BOLD) 데이터를 포함하는 것을 특징으로 하는, 의료 영상 신호 처리 방법.
  10. 제 1 항에 있어서,
    다수의 정상인들 그룹으로부터 획득된 공간적 활성화 패턴들을 기준 활성화 패턴들로서 획득하는 단계; 및
    상기 기준 활성화 패턴들, 및 상기 목적 대상체에 대한 활성화 패턴들로서 결정된 공간적 활성화 패턴들 간의 유사도에 기초하여, 상기 결정된 공간적 활성화 패턴들이 정상적인지 여부를 결정하는 단계를 더 포함하는 것을 특징으로 하는, 의료 영상 신호 처리 방법.
  11. 다수의 대상체들을 포함하는 그룹의 제 1 뇌 기능 데이터로부터 상기 그룹에 대한 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들을 추정하는, 그룹-수준 데이터 분석 수단; 및
    상기 제 1 시간적 활성화 패턴들 및 상기 제 1 공간적 활성화 패턴들을 이용하여, 목적 대상체로부터 획득된 제 2 뇌 기능 데이터로부터 상기 목적 대상체에 대한 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들을 추정하는, 개인-수준 데이터 분석 수단을 포함하고,
    상기 개인-수준 데이터 분석 수단은,
    상기 제 1 시간적 활성화 패턴들 및 상기 제 1 공간적 활성화 패턴들을 각각 상기 목적 대상체에 대해서 추정된 시간적 활성화 패턴들의 초기값 (A0(i)) 및 공간적 활성화 패턴들의 초기값 (S0(i)) 으로 하고,
    상기 목적 대상체에 대해서 이전에 추정된 시간적 활성화 패턴들 (Ak-1(i)) 및 이전에 추정된 공간적 활성화 패턴들 (Sk-1(i)) 을 이용하여, 상기 제 2 뇌 기능 데이터로부터 상기 목적 대상체에 대한 시간적 활성화 패턴들 (Ak(i)) 및 공간적 활성화 패턴들 (Sk(i)) 을 추정하는 동작 및 상기 공간적 활성화 패턴들 (Sk(i)) 에 포함되는 각각의 공간적 활성화 패턴의 독립성이 극대화되도록, 상기 공간적 활성화 패턴들 (Sk(i)) 을 보정하는 동작을 반복하는 것을 특징으로 하는, 의료 영상 신호 처리 장치.
  12. 제 11 항에 있어서,
    상기 개인-수준 데이터 분석 수단은,
    상기 시간적 활성화 패턴들 (Ak(i)) 및 공간적 활성화 패턴들 (Sk(i)) 을 추정하는 동작 및 상기 공간적 활성화 패턴들 (Sk(i)) 을 보정하는 동작을, 상기 이전에 추정된 시간적 활성화 패턴들 (Ak-1(i)) 및 이전에 추정된 공간적 활성화 패턴들 (Sk-1(i)) 과 상기 시간적 활성화 패턴들 (Ak(i)) 및 공간적 활성화 패턴들 (Sk(i)) 간의 차이 값이 미리 설정된 범위 내에 포함될 때까지, 반복하는 것을 특징으로 하는, 의료 영상 신호 처리 장치.
  13. 제 11 항에 있어서,
    상기 개인-수준 데이터 분석 수단은,
    상기 시간적 활성화 패턴들 (Ak(i)) 및 공간적 활성화 패턴들 (Sk(i)) 을 추정하는 동작 및 상기 공간적 활성화 패턴들 (Sk(i)) 을 보정하는 동작을, 미리 결정된 횟수만큼, 반복하는 것을 특징으로 하는, 의료 영상 신호 처리 장치.
  14. 제 11 항에 있어서,
    상기 개인-수준 데이터 분석 수단은,
    상기 제 2 뇌 기능 데이터, 상기 이전에 추정된 시간적 활성화 패턴들 (Ak-1(i)) 및 상기 이전에 추정된 공간적 활성화 패턴들 (Sk-1(i)) 로부터 상기 시간적 활성화 패턴들 (Ak(i)) 을 추정하고, 상기 제 2 뇌 기능 데이터 및 상기 시간적 활성화 패턴들 (Ak(i)) 로부터 상기 공간적 활성화 패턴들 (Sk(i)) 을 추정하는 것을 특징으로 하는, 의료 영상 신호 처리 장치.
  15. 삭제
  16. 제 11 항에 있어서,
    상기 제 2 시간적 활성화 패턴들 및 제 2 공간적 활성화 패턴들을 표시하는, 분석 결과 표시 수단을 더 포함하는, 의료 영상 신호 처리 장치.
  17. 제 11 항에 있어서,
    상기 그룹-수준 데이터 분석 수단은,
    시간-연쇄 독립 성분 분석을 이용하여 상기 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들을 추정하는 것을 특징으로 하는, 의료 영상 신호 처리 장치.
  18. 제 11 항에 있어서,
    상기 그룹-수준 데이터 분석 수단은,
    상기 다수의 대상체들 각각으로부터 획득된 뇌 기능 데이터를 시간축 상에 나열함으로써 상기 제 1 뇌 기능 데이터를 생성하고, 독립 성분 분석을 이용하여 상기 제 1 뇌 기능 데이터로부터 상기 제 1 시간적 활성화 패턴들 및 제 1 공간적 활성화 패턴들을 추정하는 것을 특징으로 하는, 의료 영상 신호 처리 장치.
  19. 제 11 항에 있어서,
    상기 제 1 뇌 기능 데이터 및 상기 제 2 뇌 기능 데이터는,
    기능성 자기 공명 영상 방법에 의해 얻어지는 혈중 산소 농도 데이터를 포함하는 것을 특징으로 하는, 의료 영상 신호 처리 장치.
  20. 제 11 항에 있어서,
    상기 개인-수준 데이터 분석 수단은,
    다수의 정상인들 그룹으로부터 획득된 공간적 활성화 패턴들을 기준 활성화 패턴들로서 획득하고,
    상기 기준 활성화 패턴들, 및 상기 목적 대상체에 대한 활성화 패턴들로서 결정된 공간적 활성화 패턴들 간의 유사도에 기초하여, 상기 결정된 공간적 활성화 패턴들이 정상적인지 여부를 결정하는 동작을 더 수행하는 것을 특징으로 하는, 의료 영상 신호 처리 장치.
  21. 제 1 항의 의료 영상 신호 처리 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
KR1020130087609A 2013-07-24 2013-07-24 의료 영상 신호 처리 방법 및 장치 KR101563153B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020130087609A KR101563153B1 (ko) 2013-07-24 2013-07-24 의료 영상 신호 처리 방법 및 장치
US13/974,397 US9271679B2 (en) 2013-07-24 2013-08-23 Method and apparatus for processing medical image signal

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130087609A KR101563153B1 (ko) 2013-07-24 2013-07-24 의료 영상 신호 처리 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20150012141A KR20150012141A (ko) 2015-02-03
KR101563153B1 true KR101563153B1 (ko) 2015-10-26

Family

ID=52390581

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130087609A KR101563153B1 (ko) 2013-07-24 2013-07-24 의료 영상 신호 처리 방법 및 장치

Country Status (2)

Country Link
US (1) US9271679B2 (ko)
KR (1) KR101563153B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200041063A (ko) 2018-10-11 2020-04-21 주식회사 바이랩 전기적 물성 측정에 기반하여 특정 생리현상에 기인한 성분을 추출하고, 추출된 성분을 이용하여 eit 데이터를 재구성하는 장치 및 방법

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11723579B2 (en) 2017-09-19 2023-08-15 Neuroenhancement Lab, LLC Method and apparatus for neuroenhancement
JP2020503075A (ja) * 2017-11-17 2020-01-30 ヨンセム アン、 診断映像変換装置、診断映像変換モジュール生成装置、診断映像撮影装置、診断映像変換方法、診断映像変換モジュール生成方法、診断映像撮影方法、及びプログラム
US11717686B2 (en) 2017-12-04 2023-08-08 Neuroenhancement Lab, LLC Method and apparatus for neuroenhancement to facilitate learning and performance
WO2019133997A1 (en) 2017-12-31 2019-07-04 Neuroenhancement Lab, LLC System and method for neuroenhancement to enhance emotional response
US11364361B2 (en) 2018-04-20 2022-06-21 Neuroenhancement Lab, LLC System and method for inducing sleep by transplanting mental states
US11452839B2 (en) 2018-09-14 2022-09-27 Neuroenhancement Lab, LLC System and method of improving sleep
US11786694B2 (en) 2019-05-24 2023-10-17 NeuroLight, Inc. Device, method, and app for facilitating sleep
CN110265148B (zh) * 2019-06-20 2021-06-01 上海海事大学 一种fMRI脑网络机制启发的动态功能模式学习方法
KR102498776B1 (ko) * 2020-02-28 2023-02-13 동서대학교 산학협력단 뇌 기능 활성도 시각화 장치 및 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009297382A (ja) 2008-06-17 2009-12-24 Advanced Telecommunication Research Institute International 脳活動情報出力装置、脳活動情報出力方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7092748B2 (en) 2000-02-18 2006-08-15 Centro Nacional De Investigaciones Cientificas (Cnic) System and method for the tomography of the primary electric current of the brain and of the heart
US8388530B2 (en) 2000-05-30 2013-03-05 Vladimir Shusterman Personalized monitoring and healthcare information management using physiological basis functions
US8301223B2 (en) 2006-08-09 2012-10-30 Snu R&Db Foundation Neurobiological method for measuring human intelligence and system for the same
US20080241839A1 (en) 2006-10-12 2008-10-02 The Regents Of The University Of California Method for correlating differential brain images and genotypes; genes that correlate with differential brain images
KR101797501B1 (ko) 2010-11-10 2017-11-16 삼성전자주식회사 ＭＲＩ및 ｆＭＲＩ를 이용한 뇌 질환 분석 장치 및 방법
US8465531B2 (en) * 2011-03-29 2013-06-18 Valkee Oy Light therapy modality
US8861815B2 (en) * 2011-08-03 2014-10-14 International Business Machines Corporation Systems and methods for modeling and processing functional magnetic resonance image data using full-brain vector auto-regressive model

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009297382A (ja) 2008-06-17 2009-12-24 Advanced Telecommunication Research Institute International 脳活動情報出力装置、脳活動情報出力方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
M.Venu Gopala Rao et al, "Local Adaptive Bivariate Shrinkage Function for Medical Image Denoising". International Journal of Electronics Engineering, 1(1), 59p-65p, 2009.*
Xi-Nian Zuo et al, "Reliable intrinsic connectivity networks: Test-retest evaluation using ICA and dual regression approach". NeuroImage(2010) Vol.49 Issue.3 2163p-2177p, 2010.2.*

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200041063A (ko) 2018-10-11 2020-04-21 주식회사 바이랩 전기적 물성 측정에 기반하여 특정 생리현상에 기인한 성분을 추출하고, 추출된 성분을 이용하여 eit 데이터를 재구성하는 장치 및 방법

Also Published As

Publication number Publication date
US20150030220A1 (en) 2015-01-29
US9271679B2 (en) 2016-03-01
KR20150012141A (ko) 2015-02-03

Similar Documents

Publication Publication Date Title
KR101563153B1 (ko) 의료 영상 신호 처리 방법 및 장치
Jungo et al. On the effect of inter-observer variability for a reliable estimation of uncertainty of medical image segmentation
EP1946701B1 (en) Brain function analysis method and brain function analysis program
US11023785B2 (en) Sparse MRI data collection and classification using machine learning
Craddock et al. Imaging human connectomes at the macroscale
JP5643580B2 (ja) 血流動態解析装置、血流動態解析プログラム、流体解析装置及び流体解析プログラム
Greve et al. A survey of the sources of noise in fMRI
US20130266201A1 (en) System and process for estimating a quantity of interest of a dynamic artery/tissue/vein system
JP2019093008A (ja) 脳内ネットワークの活動推定システム、脳内ネットワークの活動推定方法、脳内ネットワークの活動推定プログラム、および、学習済み脳活動推定モデル
CN104217398A (zh) 图像处理装置、图像处理方法和医学图像设备
US20170238879A1 (en) Method of Analyzing the Brain Activity of a Subject
Eloyan et al. Analytic programming with fMRI data: A quick-start guide for statisticians using R
US9983287B2 (en) System and method for estimating a quantity of interest of a dynamic artery/tissue/vein system
Clarkson et al. A task-based approach to adaptive and multimodality imaging
US11408954B2 (en) Systems and methods of reducing noise and artifacts in magnetic resonance imaging
US20060265199A1 (en) Computerized method and apparatus for iterative calculation of the general linear model using only substantially orthogonal model functions
AU2016238675A1 (en) MRI system and method for estimating a physiological parameter on the basis of two other estimated pysiological parameters
Seghouane et al. A Bayesian model selection approach to fMRI activation detection
US12019133B2 (en) Systems, methods, and media for estimating a mechanical property based on a transformation of magnetic resonance elastography data using a trained artificial neural network
US20230341492A1 (en) Systems, Methods, and Media for Estimating a Mechanical Property Based on a Transformation of Magnetic Resonance Elastography Data Using a Trained Artificial Neural Network
US20220334206A1 (en) Subject-specific and hardware-specific bias removal from functional magnetic resonance imaging signals using deep learning
US11494956B2 (en) Computer-implemented method for the reconstruction of medical image data
Margaritella Parameter clustering in bayesian functional pca of neuroscientific data
US20240197262A1 (en) Methods and Systems for Intramyocardial Tissue Displacement and Motion Measurement
US20230196556A1 (en) Systems and methods of magnetic resonance image processing using neural networks having reduced dimensionality

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: 20180921

Year of fee payment: 4