KR101611367B1 - 뇌질환 진단 서비스 장치 및 방법 - Google Patents
뇌질환 진단 서비스 장치 및 방법 Download PDFInfo
- Publication number
- KR101611367B1 KR101611367B1 KR1020130139853A KR20130139853A KR101611367B1 KR 101611367 B1 KR101611367 B1 KR 101611367B1 KR 1020130139853 A KR1020130139853 A KR 1020130139853A KR 20130139853 A KR20130139853 A KR 20130139853A KR 101611367 B1 KR101611367 B1 KR 101611367B1
- Authority
- KR
- South Korea
- Prior art keywords
- brain
- image
- disorder
- lesion
- type
- Prior art date
Links
- 208000014644 Brain disease Diseases 0.000 title claims abstract description 53
- 238000003745 diagnosis Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 37
- 210000004556 brain Anatomy 0.000 claims abstract description 118
- 206010051290 Central nervous system lesion Diseases 0.000 claims abstract description 94
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 67
- 239000011159 matrix material Substances 0.000 claims abstract description 51
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000009466 transformation Effects 0.000 claims description 41
- 238000004393 prognosis Methods 0.000 claims description 29
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 19
- 230000002490 cerebral effect Effects 0.000 claims description 11
- 230000003902 lesion Effects 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000009792 diffusion process Methods 0.000 claims description 4
- 230000001427 coherent effect Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 abstract description 10
- 238000002595 magnetic resonance imaging Methods 0.000 description 27
- 238000012360 testing method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 206010047571 Visual impairment Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 206010033799 Paralysis Diseases 0.000 description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 2
- 230000009545 invasion Effects 0.000 description 2
- 208000011977 language disease Diseases 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 208000019430 Motor disease Diseases 0.000 description 1
- 208000016285 Movement disease Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 208000007542 Paresis Diseases 0.000 description 1
- 208000020764 Sensation disease Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003412 degenerative effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 206010019465 hemiparesis Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 208000027765 speech disease Diseases 0.000 description 1
- 238000007631 vascular surgery Methods 0.000 description 1
- 208000029257 vision disease Diseases 0.000 description 1
- 230000004393 visual impairment Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus, e.g. for MRI, optical tomography or impedance tomography apparatus; Arrangements of imaging apparatus in a room
- A61B5/0037—Performing a preliminary scan, e.g. a prescan for identifying a region of interest
-
- 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, 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, 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, e.g. for MRI, optical tomography or impedance tomography apparatus; Arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
- A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Neurology (AREA)
- High Energy & Nuclear Physics (AREA)
- Neurosurgery (AREA)
- Psychology (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physiology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
본 발명은 MRI 기기로부터 획득된 영상들을 이용하여 뇌병변이 추출되면 진단대상자의 영상과 표준 영상으로 추정된 변환행렬을 표준 뇌영역지도에 적용하여 생성된 진단 대상자의 개별 뇌영역지도에서 뇌영역별로 뇌병변이 차지하는 비율을 연산한 결과에 기반하여 장애 유형을 결정할 수 있도록 한 뇌질환 진단 서비스 장치 및 방법에 관한 것이다.
본 발명의 일 실시예에 따르면, MRI 기기로부터 획득된 영상을 기반으로 뇌질환 진단을 서비스하는 장치에 있어서, 상기 MRI 기기로부터 획득된 진단대상자의 영상을 수신하는 수신부; 미리 설정된 표준 영상을 상기 수신부에 의해 수신된 영상에 맞추기 위한 변환행렬을 추정하고 추정된 변환행렬을 미리 설정된 표준 뇌영역지도에 적용하여 상기 진단대상자의 개별 뇌영역지도를 생성하는 전처리부; 상기 전처리부에서 생성된 진단대상자의 개별 뇌영역지도에서 뇌영역별 뇌병변이 차지하는 비율을 연산하여 특징점을 추출하는 특징점 추출부; 및 상기 특징점 추출부에 의해 연산된 뇌영역별 뇌병변의 비율에 근거하여 장애 유형을 결정하는 장애유형 결정부를 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 장치가 제공된다.
본 발명의 일 실시예에 따르면, MRI 기기로부터 획득된 영상을 기반으로 뇌질환 진단을 서비스하는 장치에 있어서, 상기 MRI 기기로부터 획득된 진단대상자의 영상을 수신하는 수신부; 미리 설정된 표준 영상을 상기 수신부에 의해 수신된 영상에 맞추기 위한 변환행렬을 추정하고 추정된 변환행렬을 미리 설정된 표준 뇌영역지도에 적용하여 상기 진단대상자의 개별 뇌영역지도를 생성하는 전처리부; 상기 전처리부에서 생성된 진단대상자의 개별 뇌영역지도에서 뇌영역별 뇌병변이 차지하는 비율을 연산하여 특징점을 추출하는 특징점 추출부; 및 상기 특징점 추출부에 의해 연산된 뇌영역별 뇌병변의 비율에 근거하여 장애 유형을 결정하는 장애유형 결정부를 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 장치가 제공된다.
Description
본 발명은 뇌질환 진단 서비스 장치 및 방법에 관한 것으로, 더욱 상세하게는 MRI(magnetic resonance imaging) 기기로부터 획득된 영상들을 이용하여 뇌질환에 걸린 진단대상자의 장애유형을 결정할 수 있도록 한 뇌질환 진단 서비스 장치 및 방법에 관한 것이다.
사회가 발전하면서, 알츠하이머 질환(Alzheimer Diseases)과 같은 퇴행성 신경질환(Neurodegenerative Diseases)이 증가하고 있다. 퇴행성 신경질환의 경우, 뇌와 관련된 질환이기 때문에 침습하지 않고 진단하는 방법이 필요하다.
그러나, 침습하지 않고 뇌질환에 걸렸는지 판단하는 경우, 정확도가 떨어지는 문제점이 있다.
이러한 문제점을 해결하고자 삼성전자주식회사 외 1인에 의해, 뇌질환을 분석할 수 있는 뇌질환 분석 장치 및 방법이 대한민국 공개특허 제2012-50379호로 출원되어 있는 상태이다.
상기 특허를 포함하는 종래의 뇌질환 분석 장치는 뇌질환과 관련된 실험군과 대조군 각각으로부터 수집된 MRI와 FMRI(functional MRI)로부터 뇌 영역과 관련된 부피 차이, 또는 활성화도 차이에 기초한 특징 벡터를 추출하고 특징 벡터를 이용하여 진단 대상이 뇌질환에 걸렸는지 여부를 판단할 있는 것이다.
상기 종래의 뇌질환 분석 장치는 단순히 진단 대상이 뇌 질환에 걸렸는지 여부만 정확하게 판단할 수 있을 뿐, 장애 유형, 나아가서 장애의 예후예측에 대하여 MRI 영상에서 관찰되는 병변의 의미 도출에 주로 의사의 개인적 경험에 의존하였다.
따라서, 진단대상자에 대하여 뇌병변을 특정하고, 뇌영역별 뇌병변이 차지하는 비율에 근거하여 장애 유형을 결정하고 그 비율에 따라 정해진 장애의 정도에 의해 장애의 예후를 예측할 수 있는 장치가 필요한 실정이다.
본 발명의 목적은, MRI 기기로부터 획득된 영상들을 이용하여 뇌병변이 추출되면 진단대상자의 영상과 표준 영상을 이용하여 추정된 변환행렬을 표준 뇌영역지도에 적용하여 생성된 진단대상자의 개별 뇌영역지도에서 뇌영역별 뇌병변이 차지하는 비율을 연산한 결과에 기반하여 장애 유형을 결정할 수 있도록 한 뇌질환 진단 서비스 장치 및 방법을 제공함에 그 목적이 있다.
또한 본 발명의 다른 목적은 동일 장애유형에 속하는 진단자들의 치료결과를 분석하여 진단대상자의 뇌영역별 뇌병변 비율에 따른 예후를 제공할 수 있도록 한 뇌질환 진단 서비스 장치 및 방법을 제공함에도 그 목적이 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따르면, MRI 기기로부터 획득된 영상을 기반으로 뇌질환 진단을 서비스하는 장치에 있어서, 상기 MRI 기기로부터 획득된 진단대상자의 영상을 수신하는 수신부; 미리 설정된 표준 영상을 상기 수신부에 의해 수신된 영상에 맞추기 위한 변환행렬을 추정하고 추정된 변환행렬을 미리 설정된 표준 뇌영역지도에 적용하여 상기 진단대상자의 개별 뇌영역지도를 생성하는 전처리부; 상기 전처리부에서 생성된 진단대상자의 개별 뇌영역지도에서 뇌영역별 뇌병변이 차지하는 비율을 연산하여 특징점을 추출하는 특징점 추출부; 및 상기 특징점 추출부에 의해 연산된 뇌영역별 뇌병변의 비율에 근거하여 장애 유형을 결정하는 장애유형 결정부를 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 장치가 제공된다.
상기 MRI 기기로부터 획득된 진단대상자의 영상은 ADC(apparent diffusion coherent) 영상, DWI(diffusion weighted image) 영상 및 GRE(gradient-echo) 영상을 포함하는 것이 바람직하다.
상기 전처리부는 상기 ADC 영상과 상기 DWI 영상을 정합하여 뇌병변의 위치를 추출하는 것이 바람직하다.
상기 표준 영상은 표준 T2 영상을 포함하고, 상기 전처리부는 표준 T2 영상을 상기 GRE 영상에 맞추기 위한 아핀변환행렬(affine transformation matrix)을 추정하고, 추정된 아핀변환행렬에 의해 진단 대상자의 뇌형태로 변환된 표준 T2 영상을 생성하는 것이 바람직하다.
상기 장애유형 결정부는 진단자들의 장애유형과 뇌병변 비율을 이용하여 뇌영역별 뇌병변에 대한 기준치를 정하는 분류기를 만들고, 상기 분류기에서 정한 기준치를 초과하는 뇌영역의 위치 및 뇌병변이 차지하는 뇌병변 비율에 따라 장애 유형을 결정하는 것이 바람직하다.
또한 본 발명의 다른 실시예에 따르면, MRI 기기로부터 획득된 영상을 기반으로 뇌질환 진단을 서비스하는 장치에 있어서, 상기 MRI 기기로부터 획득된 진단대상자의 영상을 수신하는 수신부; 미리 설정된 표준 영상을 상기 수신부에 의해 수신된 영상에 맞추기 위한 변환행렬을 추정하고 추정된 변환행렬을 미리 설정된 표준 뇌영역지도에 적용하여 상기 진단대상자의 개별 뇌영역지도를 생성하는 전처리부; 상기 전처리부에서 생성된 진단대상자의 개별 뇌영역지도에서 뇌영역별 뇌병변이 차지하는 비율을 연산하여 특징점을 추출하는 특징점 추출부; 상기 특징점 추출부에 의해 연산된 뇌영역별 뇌병변의 비율에 근거하여 장애 유형을 결정하는 장애유형 결정부; 및 상기 장애유형 결정부에 의해 결정된 장애 유형과 동일한 장애 유형을 가지는 진단자별 뇌병변이 차지하는 뇌병변 비율을 이용하여 설정된 기준치를 기준으로 상기 진단 대상자의 뇌병변이 차지하는 비율이 가지는 장애 정도를 분류하는 장애정도 분류부를 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 장치가 제공된다.
또한 본 발명의 또 다른 실시예에 따르면, MRI 기기로부터 획득된 영상을 기반으로 뇌질환 진단을 서비스하는 장치에 있어서, 상기 MRI 기기로부터 획득된 진단대상자의 영상을 수신하는 수신부; 미리 설정된 표준 영상을 상기 수신부에 의해 수신된 영상에 맞추기 위한 변환행렬을 추정하고 추정된 변환행렬을 미리 설정된 표준 뇌영역지도에 적용하여 상기 진단대상자의 개별 뇌영역지도를 생성하는 전처리부; 상기 전처리부에서 생성된 진단대상자의 개별 뇌영역지도에서 뇌영역별 뇌병변이 차지하는 비율을 연산하여 특징점을 추출하는 특징점 추출하는 특징점 추출부; 상기 특징점 추출부에 의해 연산된 뇌영역별 뇌병변의 비율에 근거하여 장애 유형을 결정하는 장애유형 결정부; 및 상기 뇌영역별 뇌병변이 차지하는 비율에 따라 장애유형 결정부에 의해 결정된 장애유형의 예후를 예측하는 예후 예측부를 포함하는 것을 특징으로 하는 뇌질환 진단 장치가 제공된다.
상기 예후 예측부는 저장부에 저장된 진단자들의 뇌병변 위치 및 뇌병변 비율, 장애유형 및 치료결과를 참고하여 동일한 장애 유형에 속하고 뇌병변 비율이 정해진 범위 내에 있는 진단자들의 치료결과를 분석하여 예측된 예후를 제공하는 것이 바람직하다.
또한 본 발명의 또 다른 실시예에 따르면, MRI 기기로부터 획득된 영상을 기반으로 뇌질환 진단을 서비스하는 장치의 뇌질환 진단 서비스 방법으로서, 상기 MRI 기기로부터 획득된 진단대상자의 영상을 수신하는 단계; 미리 설정된 표준 영상을 상기 수신된 영상에 맞추기 위한 변환행렬을 추정하고 추정된 변환행렬을 미리 설정된 표준 뇌영역지도에 적용하여 상기 진단대상자의 개별 뇌영역지도를 생성하는 단계; 상기 생성된 진단대상자의 개별 뇌영역지도에서 뇌영역별 뇌병변이 차지하는 비율을 연산하여 특징점을 추출하는 단계; 및 상기 연산된 뇌영역별 뇌병변의 비율에 근거하여 장애 유형을 결정하는 단계를 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 방법이 제공된다.
상기 MRI 기기로부터 획득된 진단대상자의 영상은 ADC 영상, DWI 영상 및 GRE 영상을 포함하고, 상기 생성하는 단계는 상기 ADC 영상과 상기 DWI 영상을 정합하여 뇌병변의 위치를 추출하는 단계를 포함하는 것이 바람직하다.
상기 표준 영상은 표준 T2 영상을 포함하고, 상기 생성하는 단계는 상기 표준 T2 영상을 상기 GRE 영상에 맞추기 위한 아핀변환행렬을 추정하는 단계; 및 상기 추정된 아핀변환행렬에 의해 진단 대상자의 뇌형태로 변환된 표준 T2 영상을 생성하는 단계를 포함하는 것이 바람직하다.
상기 결정하는 단계는 진단자들의 장애유형과 뇌병변 비율을 이용하여 뇌영역별 뇌병변에 대한 기준치를 정하는 분류기를 만들고, 상기 분류기에서 정한 기준치를 초과하는 뇌영역의 위치 및 뇌병변이 차지하는 뇌병변 비율에 따라 장애 유형을 결정하는 것이 바람직하다.
또한 본 발명의 또 다른 실시예에 따르면, MRI 기기로부터 획득된 영상을 기반으로 뇌질환 진단을 서비스하는 장치의 뇌질환 진단 서비스 방법으로서, 상기 MRI 기기로부터 획득된 진단대상자의 영상을 수신하는 단계; 미리 설정된 표준 영상을 상기 수신된 영상에 맞추기 위한 변환행렬을 추정하고 추정된 변환행렬을 미리 설정된 표준 뇌영역지도에 적용하여 상기 진단대상자의 개별 뇌영역지도를 생성하는 단계; 상기 생성된 진단대상자의 개별 뇌영역지도에서 뇌영역별 뇌병변이 차지하는 비율을 연산하여 특징점을 추출하는 단계; 및 상기 연산된 뇌영역별 뇌병변의 비율에 근거하여 장애 유형을 결정하는 단계; 및 상기 결정된 장애 유형과 동일한 장애 유형을 가지는 진단자별 뇌병변이 차지하는 뇌병변 비율을 이용하여 설정된 기준치를 기준으로 상기 진단 대상자의 뇌병변이 차지하는 비율이 가지는 장애 정도를 분류하는 단계를 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 방법이 제공된다.
또한 본 발명의 또 다른 실시예에 따르면, MRI 기기로부터 획득된 영상을 기반으로 뇌질환 진단을 서비스하는 장치의 뇌질환 진단 서비스 방법으로서, 상기 MRI 기기로부터 획득된 진단대상자의 영상을 수신하는 단계; 미리 설정된 표준 영상을 상기 수신된 영상에 맞추기 위한 변환행렬을 추정하고 추정된 변환행렬을 미리 설정된 표준 뇌영역지도에 적용하여 상기 진단대상자의 개별 뇌영역지도를 생성하는 단계; 상기 생성된 진단대상자의 개별 뇌영역지도에서 뇌영역별 뇌병변이 차지하는 비율을 연산하여 특징점을 추출하는 단계; 및 상기 연산된 뇌영역별 뇌병변의 비율에 근거하여 장애 유형을 결정하는 단계; 및 상기 뇌영역별 뇌병변이 차지하는 비율에 따라 상기 결정된 장애유형의 예후를 예측하는 단계를 포함하는 것을 특징으로 하는 뇌질환 진단 방법이 제공된다.
상기 예측하는 단계는 저장부에 저장된 진단자들의 뇌병변 위치 및 뇌병변 비율, 장애유형 및 치료결과를 참고하여 동일한 장애 유형에 속하고 뇌병변 비율이 정해진 범위 내에 있는 진단자들의 치료결과를 분석하여 예측된 예후를 제공하는 것이 바람직하다.
본 발명의 실시예에 따르면 MRI 기기로부터 획득된 영상들을 이용하여 뇌병변이 추출되면 진단대상자의 영상과 표준 영상으로 추정된 변환행렬을 표준 뇌영역지도에 적용하여 생성된 진단 대상자의 개별 뇌영역지도에서 뇌영역별로 뇌병변이 차지하는 비율을 연산한 결과에 기반하여 장애 유형을 결정할 수 있는 효과가 있다.
또한 본 발명의 실시예에 따르면 동일 장애유형에 속하는 진단자들의 치료결과를 분석하여 진단대상자의 뇌영역별 뇌병변 비율에 따른 예후를 제공할 수 있는 효과도 있다.
그리고 본 발명의 실시예에 따르면 미리 정해진 표준 T2 영상을 진단대상자의 GRE 영상에 맞추기 위한 변환행렬을 추정하고 추정된 변환행렬을 표준 뇌영역지도에 적용하여, 진단 대상자의 개별 뇌영역지도를 생성하는 정규화과정을 거침에 따라 뇌병변의 특징점을 용이하게 추출할 수 있는 효과도 있다.
도 1은 본 발명의 실시예에 따른 뇌질환 진단 서비스 장치를 설명하기 위한 도면,
도 2는 도 1에 도시된 뇌질환 진단 서비스 장치의 구성을 상세하게 설명하기 위한 도면,
도 3은 본 발명의 실시예에 따른 뇌질환 진단 서비스 장치의 서비스 방법을 설명하기 위한 동작 흐름도,
도 4는 MRI 기기로부터 획득된 ADC 영상, DWI 영상, 그리고 ADC 영상과 DWI 영상에 근거하여 추출된 뇌병변의 영역이 표시된 영상을 도시한 화면예시도,
도 5는 표준 T2 영상, MRI 기기로부터 획득된 GRE 영상, 및 표준 T2 영상을 GRE 영상에 맞추기 위한 추정된 변환 행렬에 의해 진단 대상자의 뇌형태가 변환된 표준 T2 영상을 도시한 화면예시도,
도 6은 도 5에서 추정된 변환행렬을 표준 뇌영역지도에 적용하여 생성된 진단대상자의 개별 뇌영역지도를 도시한 화면 예시도,
도 7은 도 6에 도시된 진단대상자의 표준 뇌영역지도에서 뇌영역으로 구분된 116개의 뇌영역별 뇌병변 비율을 나타낸 도면, 그리고
도 8은 변환행렬을 추정하기 위한 4가지 변환을 도시한 도면.
도 2는 도 1에 도시된 뇌질환 진단 서비스 장치의 구성을 상세하게 설명하기 위한 도면,
도 3은 본 발명의 실시예에 따른 뇌질환 진단 서비스 장치의 서비스 방법을 설명하기 위한 동작 흐름도,
도 4는 MRI 기기로부터 획득된 ADC 영상, DWI 영상, 그리고 ADC 영상과 DWI 영상에 근거하여 추출된 뇌병변의 영역이 표시된 영상을 도시한 화면예시도,
도 5는 표준 T2 영상, MRI 기기로부터 획득된 GRE 영상, 및 표준 T2 영상을 GRE 영상에 맞추기 위한 추정된 변환 행렬에 의해 진단 대상자의 뇌형태가 변환된 표준 T2 영상을 도시한 화면예시도,
도 6은 도 5에서 추정된 변환행렬을 표준 뇌영역지도에 적용하여 생성된 진단대상자의 개별 뇌영역지도를 도시한 화면 예시도,
도 7은 도 6에 도시된 진단대상자의 표준 뇌영역지도에서 뇌영역으로 구분된 116개의 뇌영역별 뇌병변 비율을 나타낸 도면, 그리고
도 8은 변환행렬을 추정하기 위한 4가지 변환을 도시한 도면.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다.
도 1은 본 발명의 실시예에 따른 뇌질환 진단 서비스 장치를 설명하기 위한 도면을 도시하고 있고, 도 2는 도 1에 도시된 뇌질환 진단 서비스 장치의 구성을 상세하게 설명하기 위한 도면을 도시하고 있다.
도 1을 참조하면 본 발명의 실시예에 따른 뇌질환 진단 서비스 장치(20)는 MRI 기기(10)로부터 획득된 진단 대상자의 영상을 수신하고, 수신된 영상에 대하여 뇌병변의 특징점 추출(feature extraction)을 위한 전처리 과정을 수행하여 추출된 특징점의 뇌영역별 뇌병변이 차지하는 비율을 연산하여 장애유형을 결정한다.
또한 뇌질환 진단 서비스 장치(20)는 뇌병변이 차지하는 비율의 정도에 따라 결정된 장애 유형의 예후를 제공할 수 있다. 여기서, 제공되는 예후는 동일 장애 유형으로 진단받은 진단자들의 예후 중에서도 뇌병변이 차지하는 비율이 미리 정해진 기준범위 내에 있는 진단자들의 예후를 종합한 분석결과이다.
도 2를 참조하면 뇌질환 진단 서비스 장치(20)는 수신부(21), 전처리부(22), 특징점 추출부(23), 장애 유형 결정부(24), 장애 정도 분류부(25), 예후 예측부(26) 및 저장부(27)를 포함하여 구성된다.
수신부(21)는 MRI 기기(10)로부터 획득된 진단 대상자의 영상, 더 자세하게 ADC 영상, DWI 영상 및 GRE 영상을 수신한다. 이때 MRI 기기(10)와 뇌질환 진단 서비스 장치(20)는 유선 또는 무선 통신 방식을 통해 연결될 수 있다.
전처리부(22)는 수신부(21)를 통해 수신된 ADC 영상과 DWI 영상을 정합한다. 이때 ADC 영상은 뇌병변이 위치하는 영역을 검은색으로 표시하는 반면, DWI 영상은 ADC 영상과 다르게 흰색으로 표시한다. ADC 영상과 DWI 영상을 정합하여 뇌병변의 위치를 정확하게 추출할 수 있다.
또한 전처리부(22)는 이미 알려진 표준 영상(여기서는 표준 T2 강조 영상을 사용함)을 수신부(21)를 통해 수신된 GRE 영상에 맞추기 위한 아핀변환행렬(affine transformation matrix)을 추정하여 추정된 아핀변환행렬에 의해 진단대상자의 뇌형태로 변환된 표준 T2 영상을 만든다.
표준 T2 강조 영상(이하에서는 '표준 T2 영상'이라 함)은 UCLA(University of California at Los Angeles)의 Wellcome Trust Centre for Neuroimaging에서 제공하는 SPM(statistical parametric mapping) 툴박스에 포함된 공개 표준 영상이다. 표준화 작업은 ICBM(The International Consortium for Brain Mapping) 컨소시움의 152명에 대한 T2 강조영상을 MNI(Montreal Neurological Institute) 공간으로 정합하여 공간적 평균을 취하고, 8mm 반치전폭(full-width-at-half-maximum) Gaussian kernel로 공간적 평탄화를 하는 과정으로 이루어졌다.
아핀변환행렬을 추정하기 위하여는 4가지 변환기법, 도 8에 도시되어 있는 바와 같이 (a) 회전변환(rotation), (b) 이동변환(transformation), (c) 크기변환(scaling), (d) 경사변환(shearing)이 사용된다.
전처리부(22)는 상술된 표준 T2 영상을 진단 대상자의 GRE 영상에 맞추기 위한 아핀변환행렬을 추정할 수 있다. 여기서는 아핀변환행렬을 추정하는 것으로 설명하고 있지만, 아핀변환 외에도 다양한 변환기법을 이용할 수 있고 변환행렬 추정에 사용되는 영상의 종류도 다양하게 사용될 수 있다. 여기서는 변환행렬을 추정하기 위하여 표준 T2 영상과 진단대상자의 GRE영상을 사용하고 있지만, 반드시 이에 한정되는 것은 아니고 표준 T1 영상과 진단대상자의 TI 영상도 사용될 수 있다. 이와 같이 추정된 변환행렬에 의해 변환된 진단 대상자의 뇌형태로 변환된 표준 T2 영상(또는 표준 T1 영상)을 생성할 수 있다.
또한 전처리부(22)는 추정된 아핀변환행렬을 미리 설정된 표준 뇌영역지도에 적용하여 진단대상자의 개별 뇌영역지도를 생성한다. 이때 표준 뇌영역지도는 뇌영역을 116개로 구분한 AAL(Automated Anatomical Labeling)이다. 여기서는 AAL이 사용되지만, Brodmann's area 표준 뇌영역지도 또는 Harvard-Oxford 표준 뇌영역지도 등으로 대체될 수 있다.
특징점 추출부(23)는 전처리부(22)로부터 생성된 진단자의 개별 뇌영역지도에서 116개의 뇌영역에 대한 특징점을 추출한다. 여기에서 특징점 추출이란 116개 뇌영역별 뇌병변이 차지하는 비율 연산을 의미한다. 이때 뇌병역에 뇌병변이 존재하지 않으면 '0'으로 연산된다.
장애유형 결정부(24)는 특징점 추출부(23)에 의해 연산된 뇌병변 비율에 근거하여 장애 유형을 결정할 수 있다. 장애 유형은 시각장애, 운동장애, 감각장애, 언어장애 중 어느 하나에 해당될 수 있다. 장애 유형별로 뇌영역의 위치와 기준치가 미리 저장부(27)에 저장되어 있으며, 기준치는 동일 장애 유형에 속하는 진단자들의 평균을 기준치로 정해지므로, 고정된 값을 유지하지 않을 수 있다.
이와 같이 장애유형 결정부(24)는 진단자들의 장애유형과 뇌병변 비율을 이용하여 장애유형별 116개의 뇌영역별 뇌병변 비율에 대한 기준치를 정하는 분류기를 만들고, 그 분류기에서 정하는 116개의 뇌영역별 뇌병변에 대한 기준치와 특징점 추출부(23)에서 추출된 진단대상자의 116개 뇌영역별 뇌병변 비율을 비교하여 기준치를 초과하는 뇌영역을 분류할 수 있다. 따라서 장애 유형 결정부(24)는 상술된 기준치를 초과하는 뇌영역의 위치 및 뇌병변이 차지하는 뇌병변 비율에 따라 어떤 장애유형인지를 결정할 수 있다. 저장부(27)는 장애유형별로 뇌영역의 위치와 해당 위치에서의 기준치가 저장되어 있다.
장애정도 분류부(25)는 결정된 장애유형에 대하여 장애정도를 분류할 수 있다. 더 자세하게 장애정도 분류부(25)는 진단대상자의 장애정도를 분류하기 위한 분류기를 만들고, 그 분류기를 통하여 진단대상자의 장애정도를 정확하게 분류할 수 있다. 장애정도를 분류하는 분류기는 동일 장애를 가지는 복수의 진단자별 뇌병변이 차지하는 뇌병변비율과, 그 진단자가 장애를 치료받는 과정에서 수행하는 관련검사를 통하여 얻은 점수를 기반으로 뇌병변비율과 점수의 기준치를 정한다. 복수의 진단자별 뇌병변 비율 및 점수는 저장부(27)에 저장되어 있으며, 진단자별로 저장되는 정보에는 장애유형을 구분할 수 있도록 식별정보를 포함한다.
오프라인으로 진단자가 장애를 치료받는 과정에서 수행하는 관련검사는 예를 들면, 시야 장애의 경우 시야검사일 수 있고, 운동장애의 경우는 운동기능검사일 수 있고, 언어장애의 경우 언어기능검사일 수 있다. 상술된 관련검사 외에도 장애 유형별로 치료목적 또는 상태체크를 위해 필요한 검사들이 포함될 수 있다.
상술된 장애정도 분류부(25)를 거쳐서 진단대상자의 장애정도를 분류할 수 있다. 예를 들면, 시야 장애의 유형을 가지는 환자의 경우, 반측동맹(좌측 또는 우측 시야 전체가 보이지 않음), 사분맹(좌측 또는 우측 시야에서 상단 또는 하단 시야가 보이지 않음)으로 분류할 수 있고, 운동 장애의 유형을 가진 환자의 경우, 반측 팔다리 마비, 반측 다리 마비/팔 마비 등으로 분류할 수 있으며, 언어 장애의 유형을 가진 환자의 경우 언어 이해력 낮음/높음(언어 기능 평가 점수에 기반)으로 분류할 수 있다.
예후 예측부(26)는 뇌병변 비율에 따라 장애유형 결정부(24)에 결정된 장애유형의 예후를 예측할 수 있다. 즉 예후 예측부(26)는 저장부(27)에 저장되어 있는 진단자들의 뇌병변 위치 및 뇌병변 비율, 장애 유형 및 치료결과를 참고하여 동일한 장애유형에 속하고 뇌병변 비율이 정해진 범위 내에 있는 진단자들의 치료결과를 분석하여 예후를 예측할 수 있다. 치료결과는 예를 들면 완치, 몇퍼센트 개선됨, 완치되지 않음일 수 있다.
예후 예측부(26)는 저장부(27)에 저장된 치료결과 중에서도 장애 유형이 같고 뇌병변 비율이 미리 정해진 범위내 에 있는 진단대상자의 치료결과들을 평균한 결과를 제공한다. 이에 따라 결정된 장애 유형에 따른 예후 예측을 의사의 개인적인 경험에 의존하지 않고 저장부(27)에 저장되어 있는 동일 유형의 치료결과를 근거하여 예후 예측 결과를 제공할 수 있다.
도 3은 본 발명의 실시예에 따른 뇌질환 진단 서비스 장치의 서비스 방법을 설명하기 위한 동작 흐름도를 도시하고 있다.
도 3을 참조하면, 뇌질환 진단 서비스 장치(20)는 MRI기기(10)로부터 획득된 뇌질환에 걸린 진단대상자의 ADC 영상, DWI 영상 및 GRE 영상을 수신한다(S11).
뇌질환 진단 서비스 장치(20)는 수신된 ADC 영상과 DWI 영상을 기반으로 뇌병변을 추출한다(S13). 도 4를 참조하면 도 4의 (a)는 ADC 영상을 도시하고 있고 도 4의 (b)는 DWI 영상을 도시하고 있다. 도 4의 (a)와 (b)를 정합한 결과는 도 4의 (c)와 같으며, 도 4의 (c)에서 보는 바와 같이 뇌병변을 정확하게 추출할 수 있다. 도 4의 (c)에서 보듯이 빨간색으로 표시된 영역이 뇌병변이 있는 뇌영역임을 알 수 있다.
이후 뇌질환 진단 서비스 장치(20)는 뇌병변이 추출되지 않으면 후술하는 S15 단계를 수행하지 않고 프로세스를 종료하지만, 뇌병변이 추출된 경우에 한하여 후술하는 S15 단계를 수행한다.
먼저 뇌질환 진단 서비스 장치(20)는 표준 T2 영상을 진단대상자의 GRE 영상에 맞추기 위한 변환행렬을 추정한다(S15). 상술된 S13 단계에서 추출되는 뇌병변의 위치를 참고하여 변환행렬을 추정하기 위한 표준 영상을 설정할 수 있다. 여기서는 표준 T2 영상을 설정한 것으로 설명하고 있다.
도 5의 (a)에 도시된 바와 같은 표준 T2 영상을 도 5의 (b)에 도시된 바와 같은 진단대상자의 GRE 영상에 맞추기 위한 아핀변환행렬을 추정한다. 아핀변환행렬을 추정할 때, 도 8에 도시된 바와 같은 4가지의 변환기법이 사용될 수 있다. 추정된 아핀변환행렬에 의해 진단대상자의 뇌형태로 변환된 표준 T2 영상은 도 5의 (c)에 도시된 바와 같다.
뇌질환 진단 서비스 장치(20)는 상술된 S15 단계에서 추정된 변환행렬을 표준 뇌영역지도에 적용시켜 진단대상자의 개별 뇌영역지도를 생성한다(S17). 도 6의 (a)는 AAL 표준 뇌영역지도를 도시하고 있고, 도 6의 (b)는 변환행렬을 적용하여 생성된 진단대상자의 개별 뇌영역지도를 도시하고 있다.
뇌질환 진단 서비스 장치(20)는 생성된 진단대상자의 개별 뇌영역지도를 기반으로 뇌영역에 대한 특징점을 추출한다(S19). 여기서 특징점이라고 함은 특징점 추출부(23)를 통해서 연산된 진단대상자의 뇌형태로 변환된 116개 뇌영역지도에서 뇌영역별 뇌병변이 차지하는 비율을 의미한다.
뇌질환 진단 서비스 장치(20)는 특징점으로 뇌병역별로 뇌병변이 차지하는 뇌병변 비율을 연산한다(S21). 도 7은 도 6에 진단대상자의 개별 뇌영역지도에서 뇌영역으로 구분된 116개의 뇌영역별 뇌병변이 차지하는 비율을 나타낸 도면이다.
뇌질환 진단 서비스 장치(20)는 도 7에 도시된 바와 같은 뇌영역별 뇌병변 비율을 참고하여 뇌병변이 있는 뇌영역과 해당 뇌영역에서의 뇌병변 비율이 미리 설정된 기준치를 초과하는 경우 뇌병변이 있는 뇌영역에 정의되어 있는 장애유형으로 결정한다(S23). 이때 장애유형별로 뇌병변이 있는 뇌영역과 기준치가 정해져 있고, 그 기준치는 동일 장애에 속하는 진단자의 뇌병변 비율에 의해 변경될 수 있다.
상술된 S23 단계 이후에 또는 후술하는 S25 단계 이후에 결정된 장애 유형에 대하여 진단 대상자의 장애정도를 분류하는 단계를 수행할 수 있다. 장애정도를 분류하기 위하여 상술된 바와 같은 분류기를 만들고 그 분류기를 거쳐서 진단대상자의 장애정도를 분류할 수 있다.
뇌질환 진단 서비스 장치(20)는 결정된 장애유형에 대하여 뇌병변 비율의 정도에 따라 예측되는 진단대상자의 예후를 제공한다(S25). 여기서 예후는 저장부(27)에 저장된 동일 장애유형의 진단자들의 예후를 참고하여 분석한 분석결과이다.
이렇게 함으로써 진단대상자는 뇌질환에 걸린 장애 유형에 대한 예후를 의사의 개인적인 경험에 의존하지 않고 진단자들의 치료결과를 종합적으로 분석한 분석결과로 예후를 제공받을 수 있다.
이상의 본 발명은 상기에 기술된 실시예들에 의해 한정되지 않고, 당업자들에 의해 다양한 변형 및 변경을 가져올 수 있으며, 이는 첨부된 청구항에서 정의되는 본 발명의 취지와 범위에 포함된다.
10 : MRI 기기 20 : 뇌질환 진단 서비스 장치
21 : 수신부 22 : 전처리부
23 : 특징점 추출부 24 : 장애유형 결정부
25 : 장애정도 분류부 26 : 예후 예측부
27 : 저장부
21 : 수신부 22 : 전처리부
23 : 특징점 추출부 24 : 장애유형 결정부
25 : 장애정도 분류부 26 : 예후 예측부
27 : 저장부
Claims (15)
- MRI 기기로부터 획득된 영상을 기반으로 뇌질환 진단을 서비스하는 장치에 있어서,
상기 MRI 기기로부터 획득된 진단대상자의 영상을 수신하는 수신부;
미리 설정된 표준 영상을 상기 수신부에 의해 수신된 영상에 맞추기 위한 변환행렬을 추정하고 추정된 변환행렬을 미리 설정된 표준 뇌영역지도에 적용하여 상기 진단대상자의 뇌형태로 변환된 개별 뇌영역지도를 생성하는 전처리부;
상기 전처리부에서 생성된 진단대상자의 뇌형태로 변환된 개별 뇌영역지도에서 뇌영역별 뇌병변이 차지하는 비율을 연산하여 뇌영역별 특징점을 추출하는 특징점 추출부;
상기 특징점 추출부에 의해 추출된 뇌영역별 특징점의 뇌병변이 차지하는 비율에 근거하여 장애 유형을 결정하는 장애유형 결정부;
상기 장애유형 결정부에 의해 결정된 장애 유형과 동일한 장애 유형을 가지는 진단자별 뇌병변이 차지하는 뇌병변 비율을 이용하여 설정된 기준치를 기준으로 상기 진단 대상자의 뇌병변이 차지하는 비율이 가지는 장애 정도를 분류하는 장애정도 분류부; 및
상기 장애정도 분류부에 의해 분류된 장애 정도에 따라 상기 장애유형 결정부에 의해 결정된 장애유형의 예후를 예측하는 예후 예측부를 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 장치. - 청구항 1에 있어서,
상기 MRI 기기로부터 획득된 진단대상자의 영상은 ADC(apparent diffusion coherent) 영상, DWI(diffusion weighted image) 영상 및 GRE(gradient-echo) 영상을 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 장치. - 청구항 2에 있어서,
상기 전처리부는 상기 ADC 영상과 상기 DWI 영상을 정합하여 뇌병변의 위치를 추출하는 것을 특징으로 하는 뇌질환 진단 서비스 장치. - 청구항 2에 있어서,
상기 표준 영상은 표준 T2 영상을 포함하고,
상기 전처리부는 표준 T2 영상을 상기 GRE 영상에 맞추기 위한 아핀변환행렬(affine transformation matrix)을 추정하고, 추정된 아핀변환행렬에 의해 진단 대상자의 뇌형태로 변환된 표준 T2 영상을 생성하는 것을 특징으로 하는 뇌질환 진단 서비스 장치. - 청구항 1에 있어서,
상기 장애유형 결정부는 진단자들의 장애유형과 뇌병변 비율을 이용하여 뇌영역별 뇌병변에 대한 기준치를 정하는 분류기를 만들고, 상기 분류기에서 정한 기준치를 초과하는 뇌영역의 위치 및 뇌병변이 차지하는 뇌병변 비율에 따라 장애 유형을 결정하는 것을 특징으로 하는 뇌질환 진단 서비스 장치. - 삭제
- 삭제
- 청구항 1에 있어서,
상기 예후 예측부는 저장부에 저장된 진단자들의 뇌병변 위치 및 뇌병변 비율, 장애유형 및 치료결과를 참고하여 동일한 장애 유형에 속하고 뇌병변 비율이 정해진 범위 내에 있는 진단자들의 치료결과를 분석하여 예측된 예후를 제공하는 것을 특징으로 하는 뇌질환 진단 서비스 장치. - MRI 기기로부터 획득된 영상을 기반으로 뇌질환 진단을 서비스하는 장치의 뇌질환 진단 서비스 방법으로서,
상기 MRI 기기로부터 획득된 진단대상자의 영상을 수신하는 단계;
미리 설정된 표준 영상을 상기 수신된 영상에 맞추기 위한 변환행렬을 추정하고 추정된 변환행렬을 미리 설정된 표준 뇌영역지도에 적용하여 상기 진단대상자의 뇌형태로 변환된 개별 뇌영역지도를 생성하는 단계;
상기 생성된 진단대상자의 뇌형태로 변환된 개별 뇌영역지도에서 뇌영역별 뇌병변이 차지하는 비율을 연산하여 특징점을 추출하는 단계;
상기 추출된 뇌영역별 특징점의 뇌병변이 차지하는 비율에 근거하여 장애 유형을 결정하는 단계;
상기 결정된 장애 유형과 동일한 장애 유형을 가지는 진단자별 뇌병변이 차지하는 뇌병변 비율을 이용하여 설정된 기준치를 기준으로 상기 진단 대상자의 뇌병변이 차지하는 비율이 가지는 장애 정도를 분류하는 단계; 및
상기 분류된 장애 정도에 따라 상기 결정된 장애유형의 예후를 예측하는 단계를 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 방법. - 청구항 9에 있어서,
상기 MRI 기기로부터 획득된 진단대상자의 영상은 ADC 영상, DWI 영상 및 GRE 영상을 포함하고,
상기 생성하는 단계는 상기 ADC 영상과 상기 DWI 영상을 정합하여 뇌병변의 위치를 추출하는 단계를 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 방법. - 청구항 10에 있어서,
상기 표준 영상은 표준 T2 영상을 포함하고,
상기 생성하는 단계는
상기 표준 T2 영상을 상기 GRE 영상에 맞추기 위한 아핀변환행렬을 추정하는 단계; 및
상기 추정된 아핀변환행렬에 의해 진단 대상자의 뇌형태로 변환된 표준 T2 영상을 생성하는 단계를 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 방법. - 청구항 9에 있어서,
상기 결정하는 단계는 진단자들의 장애유형과 뇌병변 비율을 이용하여 뇌영역별 뇌병변에 대한 기준치를 정하는 분류기를 만들고, 상기 분류기에서 정한 기준치를 초과하는 뇌영역의 위치 및 뇌병변이 차지하는 뇌병변 비율에 따라 장애 유형을 결정하는 것을 특징으로 하는 뇌질환 진단 서비스 방법. - 삭제
- 삭제
- 청구항 9에 있어서,
상기 예측하는 단계는
저장부에 저장된 진단자들의 뇌병변 위치 및 뇌병변 비율, 장애유형 및 치료결과를 참고하여 동일한 장애 유형에 속하고 뇌병변 비율이 정해진 범위 내에 있는 진단자들의 치료결과를 분석하여 예측된 예후를 제공하는 것을 특징으로 하는 뇌질환 진단 서비스 방법.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020130139853A KR101611367B1 (ko) | 2013-11-18 | 2013-11-18 | 뇌질환 진단 서비스 장치 및 방법 |
| PCT/KR2014/011084 WO2015072818A1 (ko) | 2013-11-18 | 2014-11-18 | 뇌질환 진단 서비스 장치 및 뇌질환 진단 서비스 방법 |
| US15/037,316 US9854990B2 (en) | 2013-11-18 | 2014-11-18 | Brain disease diagnosis service apparatus and brain disease diagnosis service method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020130139853A KR101611367B1 (ko) | 2013-11-18 | 2013-11-18 | 뇌질환 진단 서비스 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20150057045A KR20150057045A (ko) | 2015-05-28 |
| KR101611367B1 true KR101611367B1 (ko) | 2016-04-12 |
Family
ID=53057682
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020130139853A KR101611367B1 (ko) | 2013-11-18 | 2013-11-18 | 뇌질환 진단 서비스 장치 및 방법 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US9854990B2 (ko) |
| KR (1) | KR101611367B1 (ko) |
| WO (1) | WO2015072818A1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102067412B1 (ko) * | 2019-08-21 | 2020-01-17 | 서울대학교병원 | 치매 평가 방법 및 이를 이용한 장치 |
| KR20240079606A (ko) | 2022-11-29 | 2024-06-05 | 인하대학교 산학협력단 | T1 강조 이미지를 기초로 하는 뇌 미세구조 그래디언트 생성 시스템 |
| KR20240079620A (ko) | 2022-11-29 | 2024-06-05 | 인하대학교 산학협력단 | 뇌 미세구조 그래디언트 생성 방법 |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101740464B1 (ko) * | 2016-10-20 | 2017-06-08 | (주)제이엘케이인스펙션 | 뇌졸중 진단 및 예후 예측 방법 및 시스템 |
| CN110097010A (zh) * | 2019-05-06 | 2019-08-06 | 北京达佳互联信息技术有限公司 | 图文检测方法、装置、服务器及存储介质 |
| CN110652307B (zh) * | 2019-09-11 | 2021-01-12 | 中国科学院自动化研究所 | 基于功能核磁影像的精神分裂症患者纹状体功能检测系统 |
| KR102247454B1 (ko) * | 2019-10-14 | 2021-04-30 | 연세대학교 산학협력단 | 다중 대조도 자기 공명 영상 생성 장치 및 이의 학습 방법 |
| KR102577161B1 (ko) * | 2021-04-12 | 2023-09-11 | 주식회사 루닛 | 엑스레이 이미지 내에서의 대상 병변의 크기 변화를 측정하는 방법 및 시스템 |
| US11694806B2 (en) * | 2021-11-19 | 2023-07-04 | Omniscient Neurotechnology Pty Limited | Systems and methods for grouping brain parcellation data |
| KR20240018144A (ko) * | 2022-08-02 | 2024-02-13 | 니어브레인(주) | 뇌질환 위험도를 예측하는 방법 및 뇌질환 위험도 분석 모델의 학습 방법 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005237441A (ja) * | 2004-02-24 | 2005-09-08 | Kokuritsu Seishin Shinkei Center | 脳疾患の診断支援方法及び装置 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07311834A (ja) * | 1994-05-19 | 1995-11-28 | Toshiba Medical Eng Co Ltd | 画像処理装置及びその補助具 |
| WO2001056466A2 (en) * | 2000-02-02 | 2001-08-09 | The General Hospital Corporation | Method for evaluating novel stroke treatments using a tissue risk map |
| US6807441B2 (en) * | 2000-05-19 | 2004-10-19 | The Mcw Research Foundation Inc. | Evaluation of tumor angiogenesis using magnetic resonance imaging |
| JP5319121B2 (ja) | 2007-01-30 | 2013-10-16 | 株式会社東芝 | 診療支援システム及び診療支援装置 |
| US8190232B2 (en) * | 2007-10-04 | 2012-05-29 | Siemens Aktiengesellschaft | Automatic alignment of magnetic resonance imaging (MRI) brain scan by anatomic landmarks |
| KR101797501B1 (ko) | 2010-11-10 | 2017-11-16 | 삼성전자주식회사 | ＭＲＩ및 ｆＭＲＩ를 이용한 뇌 질환 분석 장치 및 방법 |
| KR20130082849A (ko) | 2011-12-20 | 2013-07-22 | 삼성전자주식회사 | 진단 근거를 제공하는 의료영상 진단 장치 및 방법 |
| KR101301490B1 (ko) | 2012-06-19 | 2013-08-29 | 한국과학기술원 | 자기공명영상장치 및 확산강조영상획득방법 |
-
2013
- 2013-11-18 KR KR1020130139853A patent/KR101611367B1/ko active IP Right Grant
-
2014
- 2014-11-18 US US15/037,316 patent/US9854990B2/en active Active
- 2014-11-18 WO PCT/KR2014/011084 patent/WO2015072818A1/ko active Application Filing
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005237441A (ja) * | 2004-02-24 | 2005-09-08 | Kokuritsu Seishin Shinkei Center | 脳疾患の診断支援方法及び装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102067412B1 (ko) * | 2019-08-21 | 2020-01-17 | 서울대학교병원 | 치매 평가 방법 및 이를 이용한 장치 |
| KR20240079606A (ko) | 2022-11-29 | 2024-06-05 | 인하대학교 산학협력단 | T1 강조 이미지를 기초로 하는 뇌 미세구조 그래디언트 생성 시스템 |
| KR20240079620A (ko) | 2022-11-29 | 2024-06-05 | 인하대학교 산학협력단 | 뇌 미세구조 그래디언트 생성 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20150057045A (ko) | 2015-05-28 |
| US9854990B2 (en) | 2018-01-02 |
| US20160302689A1 (en) | 2016-10-20 |
| WO2015072818A1 (ko) | 2015-05-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101611367B1 (ko) | 뇌질환 진단 서비스 장치 및 방법 | |
| Gao et al. | Detecting emotional stress from facial expressions for driving safety | |
| JP6859445B2 (ja) | 脳卒中の診断及び予後予測方法システム及びその作動方法 | |
| Salvatore et al. | Machine learning on brain MRI data for differential diagnosis of Parkinson's disease and Progressive Supranuclear Palsy | |
| Anitha et al. | Automated detection of white matter lesions in MRI brain images using spatio-fuzzy and spatio-possibilistic clustering models | |
| US9119549B2 (en) | Method for developing test for neuropsychiatric disease | |
| KR101538916B1 (ko) | Eeg 데이터를 이용하여 사용자 특성의 변화를 예측하는 방법 | |
| Li et al. | Discriminative analysis of multivariate features from structural MRI and diffusion tensor images | |
| US20130303900A1 (en) | Method and apparatus for processing of stroke ct scans | |
| KR102503646B1 (ko) | 뇌경색 볼륨 계산 기반의 뇌경색 예측 방법 및 그를 위한 장치 | |
| Zhao et al. | Performance evaluation of a pre-computed brain response atlas in dummy head impacts | |
| Khan et al. | Dual-3DM 3 AD: mixed transformer based semantic segmentation and triplet pre-processing for early multi-class Alzheimer’s diagnosis | |
| KR102410254B1 (ko) | 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치 및 진단 관련 정보 제공 방법 | |
| EP3190542A1 (en) | Method and system for generating multiparametric nosological images | |
| Duncan et al. | Identifying preseizure state in intracranial EEG data using diffusion kernels | |
| KR102020157B1 (ko) | Flair 기반 병변 검출과 현황 파악 방법 및 시스템 | |
| CA2565646A1 (en) | Systems and methods of clinical state prediction utilizing medical image data | |
| Vupputuri et al. | MRI based objective ischemic core-penumbra quantification in adult clinical stroke | |
| Wang et al. | Enhancing YOLOv7-Based Fatigue Driving Detection through the Integration of Coordinate Attention Mechanism | |
| TW202111617A (zh) | 區域性腦年齡預測之方法、非暫時性電腦可讀媒體及設備 | |
| Ellingson et al. | Gray and white matter delineation in the human spinal cord using diffusion tensor imaging and fuzzy logic | |
| Anitha et al. | WML detection of brain images using fuzzy and possibilistic approach in feature space | |
| VIANNEY-KINANI et al. | Computer-aided diagnosis of brain tumors using image enhancement and fuzzy logic | |
| JP7270975B2 (ja) | 診断支援システム、診断支援方法およびプログラム | |
| Liu et al. | Alzheimer's disease diagnosis via interested structure selection in MRIs |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20131118 |
|
| PA0201 | Request for examination | ||
| PG1501 | Laying open of application | ||
| E902 | Notification of reason for refusal | ||
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20150816 Patent event code: PE09021S01D |
|
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20160322 |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20160405 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20160405 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration | ||
| FPAY | Annual fee payment |
Payment date: 20190401 Year of fee payment: 4 |
|
| PR1001 | Payment of annual fee |
Payment date: 20190401 Start annual number: 4 End annual number: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20200211 Year of fee payment: 5 |
|
| PR1001 | Payment of annual fee |
Payment date: 20200211 Start annual number: 5 End annual number: 5 |
|
| PR1001 | Payment of annual fee |
Payment date: 20210405 Start annual number: 6 End annual number: 6 |
|
| PR1001 | Payment of annual fee |
Payment date: 20220404 Start annual number: 7 End annual number: 7 |
|
| PR1001 | Payment of annual fee |
Payment date: 20230323 Start annual number: 8 End annual number: 8 |
|
| PR1001 | Payment of annual fee |
Payment date: 20240313 Start annual number: 9 End annual number: 9 |