KR101670986B1 - 뇌의 3차원 영상들의 뷰의 자동 플래닝을 위한 시스템 및 방법 - Google Patents

Abstract

본 발명은 의료 기기 분야에 관한 발명으로서, 특히 두뇌의 3차원 영상의 뷰의 자동 플래닝에 대한 것이다.
두뇌의 3차원 영상의 뷰의 자동 플래닝 방법은, 상기 3차원 영상의 선택된 단면에서 계산된 기준선들의 세트에 기초하여 두뇌의 정중시상(mid-sagittal) 평면의 형성, 즉 3차원 스카우트-영상을 획득하는 단계; 상기 정중시상면에서 검출된 랜드마크들을 기초로 세로 기준선을 형성하는 단계; 상기 정중시상면 및 세로 기준선을 기초로 방향성을 갖는 스캔을 플래닝하는 단계 ― 상기 스캔의 플래닝에서, 상기 정중시상면의 형성을 위한 기준선들은, 상기 3차원 영상의 분석에 의해 선택된 단면들의 대응하는 두 세트의 형태로 자동으로 미리 정의된 3차원 영상의 축상 및 관상 단면에 따라 계산되고, 상기 영상의 픽셀의 분석에 의해 계산된 수치 기준을 이용하여 실행된, 상기 단면에서 뇌의 세로 갈라짐 흔적의 검출에 기초하여 계산되고, 여분의 축상 및 관상 라인들의 세트에서, 상기 단면에서 뇌의 세로 갈라짐 흔적의 검출에 기초하여 계산된 기준선들이 수집됨 ―; 대응 세트의 모든 라인의 방향의 일반화된 벡터의 방향과 양립 불가능한 라인들의 지정된 세트로부터 예외가 되는 라인들의 세트를 여과하는 단계; 및 정중시상면에서 재형성된 영상 및 이 영상에서 검출된 랜드마크들에 기초하여 세로 기준선을 형성하는 단계를 포함한다.

Description

뇌의 3차원 영상들의 뷰의 자동 플래닝을 위한 시스템 및 방법{SYSTEM AND METHOD FOR AUTOMATIC PLANNING OF VIEWS IN 3D IMAGES OF BRAIN}

본원발명은 의료 기기에 관한 것이며, 특히, 뇌의 3차원 영상들의 뷰(view)의 자동 플래닝에 관한 것이다. 예를 들어, 자기 공명 단층 촬영에서 획득한 의료 영상들은 현대 진단 연구에서 널리 사용되며, 특히 인간 두뇌 연구에 사용된다. 또한 스캔 플래닝으로 알려진 뷰의 질적 플래닝은 대상체에 대한 영상의 전체적인 시각화 및 올바른 설정 진단을 위해서도 높은 중요성을 가지고 있다

뷰의 플래닝은 해부학적 구조를 고려해야 하는데, 즉, 플래닝된 뷰는 해부학적 기준에 따라 초점이 맞추어져야 한다(기존의 기준선, 축 및 대칭 평면들). 특히, 뇌 연구에서 표준 포지션들은 시상 뷰 및 다양한 표준 축상(axial or transverse) 뷰를 위해 두 개의 반구를 분할하는 평면(세로 갈라짐으로도 이름 붙여진, 전체 뇌를 대칭적으로 나누는 세로 축 단면)에서 사용되며, 이는 대칭의 세로 평면으로서 사용되는 규정된 랜드마크들(이러한 형성의 예는 Talayrah의 공간의 방향이다)에서 형성된다.

뷰의 플래닝 절차는 수동으로 실행되는 경우 많은 시간을 차지한다. 여기서, 뷰의 플래닝은 3차원 스카우트 영상에서 소정 단면의 영상을 생성하는 것을 의미한다. 더욱이, 수동에서는 높은 자격을 가진 의료 인력의 시간과 작업이 이런 루틴한 작업에 소요된다. 3차원 스카우트 영상들의 분석에 기초한, 뷰의 자동 플래닝 절차를 적용하여, 뇌 스캔의 효율성을 향상시킬 수 있다. 이하 스카우트 영상은 관심 분야의 한정을 위한 목적인 예비적 3차원 사진으로서 이해된다.

표준 랜드마크들, 기준선들 및 대칭 평면들을 사용한 의료 영상들의 뷰의 플래닝에 대한 요구는 아주 명백하다.

따라서, 뷰의 자동 플래닝 방법을 형성하는 문제가 제기되고, 그 방법은 낮은 해상도의 스카우트 영상들의 사용에서도 충분히 빠르고 안정적(강력)이어야 하는데, 그러한 영상들은 주로 프로세스 가속화의 뷰와 함께 예비 단계에서 종종 얻어질 수 있기 때문이다. 이 문제의 해결을 위한 많은 연구들이 존재한다. 일반적으로는, 정중시상면(MSP: mid-sagittal plane)은 대칭인 자연적 평면으로서, 그리고 길이 기준 축 ―이 평면에서의 일부 랜드마크들 ―의 형성을 위해 사용된다. 이러한 관점에서 대부분의 방법들은 서로 비슷하고, 차이점은 이러한 기준선들 및 평면들의 검색 방법에 있다.

때로 뷰의 플래닝의 일반적 작업이 본 발명의 주요 대상으로 선택된다. 예를 들어, 미국 특허 7,450,983 [1]은 뇌의 그러한 해부 구조들의 결정을 정중시상면들의 전후 연결로서 설명한다. 미국 특허 7,986,823 [2]는 정중시상면(MSP)의 결정을 분리된 작업으로서 설명한다. 미국 특허 8,002,019 [3], 미국 특허 8,190,232 [4] 및 미국 특허 8,270,698 [5] 는 또한 정중시상면의 형성 및 그 내부의 랜드마크들의 탐색을 설명한다.

특허 [1] 및 [3]은 정중시상면의 형성을 위한 기준선 검색을 위해 빠르고 경제적인 방법을 사용한다: 영상의 오직 두 단면(절단면) ― 하나의 관상 및 하나의 축상 단면이 프로세싱되고, 이 단면들에서 검출된 두 개의 기준선들이 정중시상면의 형성에 사용된다. 이러한 접근은 단면들의 여분의 세트를 처리하지 않으므로 큰 안전성을 가지지는 않는다. 낮은 해상도의 스카우트-영상들의 경우 사용된 데이터의 통계적 불안전성 때문에 정중시상면의 불안한 형성으로 이어질 수 있다.

정중시상면 형성을 위한 축상 단면들의 여분의 세트는 특허[5]에서 처리되어 확실하게 방법의 안정성을 증가시킨다. 그러나 이 방법은 오직 시상 단면을 사용할 뿐 관상 단면을 고려하지는 않는다. 따라서, 유용한 추가 정보가 사용되지 않는다. 이 특허의 작업 단면들의 선택은 뇌의 해부학적 특징들을 이용하지 않고 이루어진다 ―작업 단면들의 세트는 하단 부분에서 상단 부분으로 전체 영상의 간단하고 균일한 “자르기(chopping)”에 의해 얻어진다. 작업 단면들의 능률적 선택을 위한 프로세스의 어떠한 예비적 단계도 제공되지 않는다. 그러한 접근의 안정성은 축상단면에 따른 관상 단면들의 프로세싱을 제공하고, 그리고 또한 작업 단면들의 예비적 선택을 구현하는 특정 절차가 뇌의 해부학적 특징을 고려하는 경우 증가될 수 있다. 오직 두 작업 단면만을 사용하는 위의 특허[2]에서 단면들의 사전 선택은 없다: 제 1 단면(축상 컷)이 단순히 전체 3차원 스카우트-영상의 평균 층으로서 간단히 선택된다.

특허 [1] 및 [5]에서 대강의 타원이 형성되고 그 대칭 속성들이 그들 내의 <<중간 라인>>의 검출을 위한 단면들의 프로세싱에서 사용된다. 특허 [5]에서 단면의 타원형 마스크는 뇌의 영상에서 예비적으로 선택된 윤곽에 의해 형성된다. 이 방법은, 단면의 뇌의 컷(잘라짐)의 실제 형태를 덮는 마스크가 윤곽을 둘러싸는 타원 대신 사용될 수 있어, 더욱 신뢰될 수 있다 ― 이러한 평면 형상의 주요 축들은 윤곽을 둘러싸는 타원의 축들과 다를 수 있다. 게다가, 스카우트-영상의 낮은 해상도에서, 단면을 덮고 있는 평면 형상의 형성은 이 단면의 윤곽의 선택 및 윤곽에서의 타원의 형성보다 통계적으로 더 신뢰할 수 있다.

특허 [3] 및 [4]에서 단면들의 중간 라인의 검출이 향상된다: 대략적인 타원의 대칭 라인들은 오직 초기 접근으로서 사용되고, 그런 다음 대뇌 반구를 나누는 어두운 라인의 위치가 검출되는 구체적인 단계가 적용된다. 그라데이션 마스크는 어두운 픽셀의 검출에 사용된다. 그러나 필요한 라인이 다소 복잡한 특성을 가질 수 있기 때문에 실제로 검출은 복잡해질 수 있다. 복잡도는 전체 뇌의 해부구조에 대해 선택된 단면의 위치와 스카우트-영상의 품질에 따라 달라진다. 예를 들어, 검출된 라인은 비연속적일 수 있고, 픽셀의 세기에 의해 비-균일 할 수 있고, 분산된 특징을 가질수 있다 ―분산된 경우 로컬 그래디언트 마스크의 검출이 집중되는 경우보다 복잡한 특성을 더 많이 가질 수 있다.

단면의 설정 영역에서 뇌의 세로의 갈라짐(fissure)의 흔적을 검출하는 특별한 수치기준의 사용이 더 효과적인 것으로 표시된다. 특정한 경우, 대뇌 반구를 나누는 라인은 어두울 수 있다; 그러나 그러한 라인을 만드는 픽셀들의 세기의 다른 변형도 가능하다. 그것은 영상의 수신에서 사용되는 방법(프로토콜)에 의존한다.

특허 [1], [3], [4]에서, 정중시상면의 형성을 위한 두 기준선만이 사용되므로, 신뢰할 수 없는(유지할 수 없는) 데이터의 여과를 위하여 어떠한 후-처리도 수행되지 않는다. 특허 [5]에서는 여분의 데이터가 사용되고, 결과로서 정중시상면은 퇴행적 방법에 의해 형성된다(보조 기준점들이 수신된 기준선들에 기초하여 형성되고, 그런 다음 이 점들의 세트 상에 필요한 평면이 형성된다). 이러한 접근은 방법의 안정성을 증가시키지만, 그럼에도 불구하고 통계적으로 신뢰할 수 없는 기준선들의 여과를 위한 어떠한 후-처리도 이 특허에 적용되지 않는다.

통계적으로 신뢰할 수 없는 기준선들이 여과된 경우, 결과의 신뢰성이 더 높은 것으로 나타난다: 예를 들어, 방향성의 벡터가 기준선들의 모든 세트의 일반화된 방향으로부터 근본적으로 다른 라인들을 지우는 것이 가능하다.

청구된 발명의 해결책은 고해상도 및 저해상도 모두의 영상 처리에서 개선된 방법의 개발로 구성된다. 여기에서 청구된 방법은 주로 획득된 결과의 신뢰성(안전성)을 중심으로 이루어진다.

뇌의 3차원 영상들의 뷰 자동 플래닝 방법의 개발로 인한 기술적 결과는, 다음의 단계들로 구성된다:

3차원 스카우트-영상을 획득하는 단계

상기 3차원 스카우트 영상 내의 선택된 단면들에서 계산된 기준선들의 세트들에 기초하여 뇌의 정중시상면을 형성하는 단계

상기 정중시상면에서 검출된 랜드마크들에 기초하여 적어도 하나의 제1 기준선을 형성하는 단계

상기 정중시상면 및 제1 기준선에 기초한 방향으로의 스캔들을 플래닝하는 단계 ― 정중시상면의 형성을 위한 상기 적어도 하나의 기준선들은, 3차원 영상의 분석에 의해 선택된, 두 대응하는 단면의 세트들의 형태로 자동으로 미리정의된 3차원 영상의 축상 및 관상 단면들에 기초하여 계산되고, 상기 단면들 내에서 영상의 픽셀들의 분석에 의해 계산된 수학적 기준을 사용하여 수행된 뇌의 세로 갈라짐 흔적들의 검출에 기초하여 계산됨 ―

따라서, 시상 및 관상면에 존재하는 여분의 라인들의 세트들 내에서 상기 단면들의 뇌의 세로 갈라짐 흔적들의 검출에 기초하여 계산된 기준선들을 수집함,

대응 세트의 모든 라인들의 방향의 일반화된 벡터를 갖는 방향과 양립 불가능한 라인들을 제외시킴으로써 상기 기준선들의 세트를 여과함;

정중시상면으로 재형성된 영상 및 이 영상에서 검출된 랜드마크들에 기초하여 제1 기준선을 형성하는 단계.

“저하된” 영상의 해부학적 구조의 인식은 복잡한 작업이기 때문에, 낮은 해상도의 영상을 처리하는 청구된 방법의 특징은 본 발명의 중요한 장점이다. 동시에, 스카우트 영상의 해상도는 실제적으로 영상의 수신에 소요되는 시간을 줄이기 위해 종종 고의적으로 낮게 만들어지기 때문에 이러한 장점은 중요하다(낮은 해상도의 영상은 프로세스 가속을 위한 예비적 단계에서 종종 획득된다). 따라서, 뇌의 뷰의 플래닝에 관해 설명된 방법은, 낮은 해상도의 스카우트-영상이 적용된 경우라도 결과의 안정성을 증가시킬 수 있는 알고리즘을 기반으로 한다. 뷰 플래닝을 위한 청구된 방법은 이 루틴한 작업에 소요되는 시간을 줄일 수 있고, 결과로서 의료 검사의 전과정의 효율성을 증가시킨다.

청구된 방법의 구별되는 특징들을 나열하면, 다음과 같다.

청구된 방법은 작업 단면들의 여분의 세트를 사용한다 ―축상 및 관상면 모두에서, 정중시상면 의 형성을 위한 기준선들의 여분의 세트가 결정되어, 결과로서 정중시상면의 형성의 정확성을 증가시킨다.

기준선들의 형성에 사용되는 작업 단면들의 세트는 조사된 영상의 뇌의 해부학적 특징 등을 고려하는 세트 알고리즘에 의해 선택된다. 게다가, 이러한 단면들의 영상들의 해부학적 특징들을 고려하는 프로세싱의 다양한 알고리즘들이 작업 단면들의 다양한 서브셋들을 위해 추가로 사용된다.

단면들에서 검출된 기준선들의 후-여과가 사용된다: 방향성 벡터가 기준선들(축상 또는 관상)의 모든 세트의 일반적 방향과 본질적으로 상이한 방향성의 벡터가 제거된다.

정중시상면의 모든 형성은 검출된 기준선들(축상 및 관상)의 여분(redundancy) 때문에 증가된 안정성 및 통계적 신뢰성을 가지는 차이가 있다.

단면들의 뇌의 세로 갈라짐(fissure)의 흔적들의 검출을 위해 혁신적 알고리즘이 적용되고, 세트 수학적 기준을 사용하여, 정중시상면을 위한 기준선의 더 안정한 형성을 제공하는 긴 라인들(연속적 또는 대쉬)을 검출한다.

본 발명은 해부학적 특징에 따른 뇌의 3차원 영상의 뷰의 자동 플래닝을 위한 방법 및 시스템을 포함한다. 이 발명의 실시예들은 3차원 스카우트 영상의 프로세싱에 기초하여 진단 뷰의 형성을 위한 플래닝을 계산한다.

특히, 본발명의 실시예는 예비적인 초안의 3차원 영상의 분석에 기초하여 단층 촬영기의 뷰들(스캔들)의 자동 플래닝을 위한 방법 및 시스템을 포함하는데, 결과적으로 진단 영상의 획득을 위한 스캔에서 최초의 기준 방향을 결정하게 된다. 상기 최초의 기준방향에 기초하여 획득된 뷰의 플래닝은 해부학적 기준에 따라 포커싱된 고품질 진단용 이차원 영상들의 수신에 직접적으로 또는 간접적으로 사용될 수 있다.

진단 영상의 뷰의 방향은 해부학적 및 자연적인 대칭 속성에 기초하여 기준선들 및 평면들의 계산에 의해 결정된다. 특히, 표준 기준평면은 뇌의 세로 갈라짐 (뇌의 두 반구를 분할하는 갈라짐)에 기초하여 형성된 정중시상면(MSP)이다. 이 평면에서 적절한 랜드마크들 중 둘 이상은 (예를 들어, Talayrah에 의해 뇌의 표준 방향을 결정하는 랜드마크들일 수 있다) 세로 기준 축의 형성을 위해 사용될 수 있다. 뇌의 표준 방향은 도2에서 설명된다.

대응하는 랜드마크들 또는 대칭인 자연 평면들의 선택은 본 발명의 주제가 아닌데, 그러한 해부학적 접근은 명백하고 실질적으로 표준이기 때문이다. 본 발명의 대상은 3차원 영상의 이러한 특성들의 안전적인 결정의 방법이다.

본발명의 일 실시예는 뇌의 3차원 영상의 뷰를 자동 플래닝하는 방법으로서,3차원 스카우트 영상을 획득하는 단계, 상기 3차원 스카우트 영상에서 축상 및 관상 작업 단면들을 선택하는 단계, 상기 선택된 단면들에서 획득된 기준선들의 축상 및 관상 세트들에 기초하여 뇌의 적어도 하나의 정중시상면(mid-sagittal plane)을 형성하는 단계, 상기 정중시상면에서 해부학적 포인트인 적어도 하나의 랜드마크를 검출하는 단계, 상기 정중시상면에서 검출된 적어도 하나의 랜드마크에 기초하여 제1 기준선을 형성하는 단계, 상기 정중시상면 및 제1 기준선에 기초한 방향으로 스캔을 플래닝하여 상기 뇌의 3차원 영상을 생성하는 단계를 포함한다.

3차원 스카우트 영상을 이용하여 정중시상면의 정확한 위치를 빠르게 형성할 수 있는데, 이를 위해서 상기 스카우트 영상에서 축상 및 관상 작업 단면들을 선택하고, 상기 단면들에서 각각 축상 및 관상 기준선들을 획득하고, 이들에 기초하여 뇌의 정중시상면을 형성하고, 상기 정중시상면에서 적어도 하나의 랜드마크를 검출한다. 이어 상기 랜드마크에서 세로 기준선을 검출하고,상기 정중시상면 및 세로 기준선에 기초하여 스캔을 플래닝한다. 이에 의하여 뇌의 3차원 영상의 뷰를 자동 플래닝할 수 있다.

고려된 실시예에 따라, 방법은 다음의 단계들을 포함한다(도 1).

3차원 스카우트 영상이 수신된다(101 단계). 3차원 스카우트-영상은 의료 기기로부터의 입력 데이터에 의해 얻어진다. 특정한 경우 (이러한 경우가 오히려 광범위함), 스카우트 영상의 해상도는 획득 시간을 줄이기 위해서 낮아질 수 있다 .

따라서, 시상 및 관상 단면들에서 형성되는 두 그룹으로부터 작업 단면들을 선택한다. 작업 단면들의 선택은 조사된 뇌의 기하구조적 및 해부 속성들을 고려하여 수행된다(102 단계)

(이차원 그레이 영상들을 나타내는) 선택된 시상 및 관상 단면들이 프로세싱된다. 프로세싱의 결과로서, 뇌의 세로 균열(갈라짐)의 흔적들이 이들 단면들에서 검출된다; (흔적은 고려된 작업 단면에서의 이 갈라짐의 표현이다); 검출은 이 명세서의 후반부에서 상세히 서술될 방법에 의해 수행될 수 있다. 방법의 일 실시예는 픽셀들의 세기의 분석에 기초하는 수학적 기준을 사용한다. (103 단계)

단면들에서 기준선들을 형성한다; 단면들에서 뇌의 세로 갈라짐의 검출된 흔적들의 가운데 축들이 기준선들로서 선택된다. 따라서 기준선들은 두 세트로 나눠지는데, 시상 및 관상이다. 라인들의 총 수는 정중시상면(MSP)의 계산에 필요한 최소 수(둘)을 초과하기 때문에 이들 라인들의 세트들은 많다.(104 단계)

상기 기준선들의 세트는 풍부하므로, 이들 세트들의 여과가 수행되는데, 방향 벡터가 모든 대응 라인들의 세트의 방향의 일반화된 벡터로부터 본질적으로 다른 라인들을 제외하기 위한 목적이다. (105)

정중시상면(MSP)은 상기 기준선들의 세트를 기초로 형성된다. 이 단계는 본 명세서에서 후술될 여러 방법에 의해 구현될 수 있다. 예를 들어, 정중시상면은 기준선들 각각에 재형성된 포인트들의 세트에 회귀 평면으로서 구성될 수 있다. 다른 접근은 기준선들의 방향들의 일반화 및 정중시상면이 이에 기초하여 형성되는 두 벡터의 형성을 사용한다. (106)

이차원 영상은 형성된 정중시상면에 기초한 특정 평면에 의한 3차원 스카우트-영상의 단면 내에서 재구성된다; 정중시상면의 단면에 가장 가까이 위치한 3차원 스카우트 영상으로부터의 픽셀들은 이러한 재구성에 사용될 수 있다. (107)

정중시상면에서 재형성된 영상은 그 영상 내에서 세로 기준 축을 그리기 위한 대응 랜드마크들을 찾기 위해 사용된다(108). 수용가능한 임의의 랜드마크들 및 그들을 검색하는 임의의 방법이 이 단계에서 사용될 수 있다. 여기서, 랜드 마크는 정중시상면에 존재하는 해부 포인트가 될 수 있다.

세로 기준선은 상기 랜드마크들에 기초하여 계산된다(109).

정중시상면의 검출된 파라미터들 및 세로 기준선은 뷰의 플래닝 디바이스로 전달된다; 특정된 파라미터들은 뷰의 플래닝에 필요한 정보의 모든 세트를 나타낸다(110)

청구된 발명의 본질은 다음의 도면들과 함께 추가로 설명된다.
도 1. 청구된 발명의 일 실시예의 흐름도
도 2. 3차원 스카우트-영상 내의 뇌 방향
도 3. 여러 높이에서 축상 단면에 의한 큰 뇌의 세로 갈라짐 (갈라짐)과 교차의 흔적
도 4. 작업 축상 단면들의 선택
도 5. 작업 관상 단면들의 선택
도 6. 일부 단면에서 큰 뇌의 세로 갈라짐 흔적의 검출 프로세스의 흐름도
도 7. 일부 단면에서 큰 뇌의 세로 균열(갈라짐)의 흔적; 주어진 예에서 갈라짐의 픽셀들은 뇌의 하얀 물질에 속한 주변의 픽셀들보다 더 어둡다.
도 8. 픽셀들의 분석을 제한하는 띠의 형태로 나타나고 규정된 수량적 기준이 계산되는 큰 뇌의 세로 갈라짐의 검출(예를 들어, 사이트의 상대적 블랙아웃의 값)
도 9. 큰 뇌의 세로 갈라짐의 검출의 불연속 형태; 이러한 형태는 조사된 단면에서 보여준 뇌의 해부학적 특징들에 의한 것이다.
도 10. 일부 단면에서 바이너리 마스크의 형성 및 마스크의 메인 축들의 계산
도 11. 미리정의된 작업 영역에서의 조사에서 검출부의 파라미터들의 변화의 범위의 추정
도 12. 방해된 형태를 갖는 뇌의 세로 갈라짐의 검출: 그 중심 부분은 배제의 대상이고, 배제된 부분의 크기는 조사된 단면의 특성들에 의존한다.
도 13. 평행 지향된 시컨트(directed secants)의 다발(bundle)을 나타내는 뇌의 세로 갈라짐의 평행 검출
도 14. 관상 단면에서 뇌의 세로 갈라짐의 검출을 위한 작업 영역의 형성
도 15. 관상 단면의 작업 영역에서 뇌의 세로 갈라짐의 검출. 검출부의 중앙 축은 단면의 기준선의 형성을 위해 추가로 사용된다.
도 16. 미리정의된 단면들의 뇌의 세로 갈라짐의 검출된 위치들(7개의 축상 단면과 8개의 관상 단면)이 정중시상면의 추가적인 계산을 위한 기준선들로서 취해짐.
도 17. 축상 및 관상 단면들을 위해 형성된 기준선들의 두 세트들(벡터들)
도 18. 축상 단면들의 세트 내의 뇌의 세로 갈라짐의 신뢰할 수 없는(잘못 검출된) 라인들이며, 12개 중 3개의 벡터들이 부정확한 방향을 가진다는 것이 보인다.
도 19. 통계적으로 무효인 방향들의 검출 목적을 위한 후-처리 절차 내에서 방향들의 일반화된 벡터의 사용
도 20. 각각의 기준선 상에 형성된 포인트들의 여분의 세트 상에 형성된 회귀 평면으로서 정중시상면의 계산
도 21. 축상 기준선들에 기초하여 계산된 두 개의 일반화된 방향성(directing) 벡터들에 기초하여 정중시상면의 계산
도 22. 뇌의 3차원 영상의 뷰의 자동 플래닝 시스템
도 23. 큰 뇌의 세로 갈라짐의 검출 및 일부 단면에서 기준선의 형성 시스템

여기에 기재된 본발명의 실시예는 의료 영상들의 영역에 관한 것이고, 특히 뇌의 자기 공명 단층촬영에 관한 것이다. 3차원 영상은 복셀(voxel)이라 이름불리는 공간 픽셀들로 이루어진다. 각각의 복셀은 공간의 대응 포인트 내의 영상 신호 값의 세기를 결정한다. 뷰의 플래닝의 프로세스의 제1 단계는 소위 스카우트-영상이라 불리는 예비 영상의 획득이다(블록-스킴 도 1의 101)

낮은 해상도의 영상의 처리는 본 방법의 중요한 이점인데, 그러한 “저감된” 영상의 해부 구조들의 인지는 복잡한 작업이기 때문이다. 동시에, 실제로 스카우트-영상의 해상도는 영상의 획득에 걸리는 시간을 감소시키기 위해 의도적으로 감소되었기 때문에 낮은 해상도의 영상의 처리가 필요하다. 앞서 언급한 관점에서 기재된 방법은 주로 획득된 결과들의 신뢰성 (안정성)에 의도되어 있다.

도 2는 뷰의 플래닝 작업의 정의를 도시한다 ― 3차원 스카우트-영상의 랜덤 방향(오리엔테이션)이 도시된다. 도시 상의 큐브(201)는 3차원 영상을 의미하고, 축상 단면(202)은 뇌 방향이 불규칙하나는 것을 보여준다; 뇌의 대칭 평면(203)은 영상 볼륨으로 지향되어 있어 단면에서 그 흔적은 스카우트 영상의 대응 좌표 축의 방향과 일치하지 않는다. 형상(204)은 대칭 평면(203)에 따라 획득된 뇌의 추정 정중시상 단면을 보여준다. 초기 오리엔테이션에서 진단 뷰들을 획득하기 위해 스카우트-영상 프로세싱에 의해 대응하는 기준선들 및 평면들을 계산하는 것이 필요하다.

스카우트 영상 기하구조는 단면들의(2차원 영상들) 프로세싱에 의해 조사된다. 작업 단면들의 자동 선택 단계(후속 프로세싱을 위한 목적으로)는 도 1의 흐름도의 엘리먼트(102)에 따라 제안된 방법에 의해 제공된다. 작업 단면들은 축상 및 관상 평면들에서 선택된다. 그러한 예비 선택은 필요한데, 대뇌 반구를 분할하는 갈라짐의 단면으로부터의 흔적이 단면의 위치에 따라 다양한 단면들에 대해 다르게 보이기 때문이다. 이 사실은 도 3에 도시되는데 301은 축상 단면들의 레벨들을 나타내고, 302는 이 단면에서 획득된 영상들이다. 나아가 모든 단면들이 필요한 결과들을 획득하는데 적합하지는 않다. 결과적으로 뇌 영상의 예비 분석을 위한 접근 및 적절한 작업 단면들의 선택이 제안된다.

축상 작업 단면들의 선택은 도 4에 도시되는데, 이 프로세스의 주요한 단계들은:

직사각형의 평행 육면체 (바운딩 박스)는 머리 영상 주위의 볼륨으로서 기재된다. 도 4(1)은 스카우트 영상의 중간에서 취해진 시상 단면에서 고유한 평행 육면체(401)가 어떻게 보이는지 보여준다;

머리의 영상의 최고 레벨의 좌표(402)가 결정되고, 그런 다음 단면들의 레벨들(403)이 최고 레벨로부터 계산된 미리 정의된 거리들의 평균(mean)들에 의해 결정되고, 단면들의 선택을 위한 작업 영역들은 그들에 기초하여 결정된다. 레벨들(403)에 대한 거리들은 영상들의 학습(leaning) 샘플의 통계적 분석에 기초하여 선행하여 결정된다. 상기 단면들의 레벨들 및 작업 영역들은 도 4 (2), (3)에 도시된다.

축상 단면들의 세트(수직 좌표에 의한 일부 고정된 단계)는 상기 작업 영역들의 각각에서 선택되고, 그들은 404, 405로서 지정된다. 이러한 단면들의 세트는 도 4 (3)에 도시된다.

그런 다음 세트의 관상 작업 영역들은 도 5에 나타난 것처럼 선택된다. 전에 선택된 축상 단면들 중 하나(501)(예를 들어, 평균)는 이 목적들을 위해 사용된다. 작업 영역(502)은 선택된 단면(501) 안에서 결정되고, 관상 단면들의 세트는 세로 축 상의 고정된 간격으로 선택된 단면(501) 안에서 획득된다.

상기 작업 영역들의 위치, 단면들의 선택을 위한 거리 및 지리적 비율들은 뇌의 해부학 및 스카우트 영상의 속성들(스카우트 볼륨의 조사된 머리의 크기, 위치, 상대적 크기 등)에 의존한다. 이러한 파라미터들은 스카우트 영상의 학습 그룹의 예비 통계적 분석에 의해 결정된다.

따라서, 작업 단면들의 두 세트(축상 및 관상)를 획득하는 단계는 위에 기재된 대로 수행된다.

라인들 ―큰 뇌의 세로 갈라짐의 단면의 흔적들은 103 단계에 기재된 방법에 후속하는 단계에서 선택된 작업 단면들로부터 검출된다. 단면 영상의 분석을 수행하는 검출의 향상된 방법은 아래 기재된 대로 이 목적을 위해 개발되었다.

도 6은 선택된 단면에서 큰 뇌의 세로 갈라짐 흔적의 검출 방법의 흐름도를 도시한다. 프로세스의 주요단계는 이하와 같다.

검출부의 특정 위치에서 수치적 기준의 계산을 위해 사용되는, 픽셀들의 세트를 커버하는 띠로서 검출부 형성(601 단계);

연속적 이진 마스크의 형성 ―영상의 작업 단면 내에서 뇌의 영역을 커버하는 평면 형상(602 단계);

평면 형상의 관성(inertia)의 축들로서 상기 바이너리 마스크의 메인 축들의 계산(603 단계);

조사된 단면에서 뇌의 세로 갈라짐의 검출을 위한 작업 영역의 선택 (바이너리 마스크의 기하구조에 위치함), 작업 영역에서 검출부의 위치의 변화를 위한 파라미터들의 조정 ―즉, 중심 좌표들 및 회전각의 변화의 비율들을 조절함(604 단계); 여기서, 검출부는 작업 영역으로 검출되는 부위를 의미함.

수치 기준의 최적화에 의해 미리정의된 작업 영역에서 검출부의 최적 위치의 탐색, 605;

검출된 최적 위치에서의 검출부의 중심 축으로서 주어진 단면에서 요구되는 기준선의 계산;

나열된 단계들의 상세한 기술은 아래와 같다.

조사된 단면에서 대뇌 반구(갈라짐)를 분할하는 라인의 검출의 주요 아이디어는 셋 브라이트니스 속성을 갖는 가장 긴거리의 라인 (연속 또는 대쉬)의 검색으로 구성된다. 기재된 실시예에서 그러한 라인은 그것을 둘러싸는 뇌의 하얀 물질의 배경에 비하여 어둡다. 이 라인의 다른 외관들도 (예를 들어, 일부 프로토콜들에서 그것은 밝게 보일 수 있거나 특정한 밝기 범위의 픽셀들에 의해 형성될 수 있다) 영상을 획득하는 다른 프로토콜들(모드들)에 대해 가능할 수 있다; 이러한 상황에서 고려되는 검출 방법은 검출된 라인의 밝기 특성들에 따라 변화되어야 한다. 일부 단면에서 뇌의 세로 갈라짐 흔적의 검출의 예는 도 7에 도시된다(라인은 이 예에서 어두워 보인다). 제1 단면에서 요구되는 라인은 연속적 구조(701)를 형성하고, 제2 단면에서 끊어진 라인(702)이 도시된다.

서술된 방법의 기초는 일부 단면에서 뇌의 세로 갈라짐 흔적의 수량적 검출이다. 검출부는 세기의 분석 능력을 갖는 픽셀들의 세트를 커버하는 띠로서 그리고 조사된 영역에서 요구되는 라인의 존재 가능성을 평가하는 수치적 기준의 계산으로서 결정된다. 특별히, 기재된 실시예에서 사이트의 블랙아웃의 표준화된 평가는 요구되는 라인이 어둡다는 기준으로서 제공된다. 표준화는 이 영역의 픽셀들의 총 수에서 검출부로 커버된 영역에서 대응하는 밝기 통계의 분할로서 이해된다. 상기 검출의 아이디어는 도 8에 도시된다. 뇌의 단면(801)에 대해서 검출부는 띠(802)로서 형성되고, 이 예의 요구되는 라인(갈라짐)은 곡선인 어두운 구조물(803)로서 도시된다. 픽셀들의 세기(804)는 끊어지는 지점의 기준 계산을 위해 사용된다.

영상의 평면 단면의 조사에서 검출부는 직선 이동 및 회전할 수 있는 능력을 가진다. 그것의 길이는 작업 영역의 경계들에 따라 적응된다. 검출부는 해부구조에 의해 요구되는 제한들에 따라 요구되는 경우 불연속일 수 있다(즉, 갭을 가진다). 예를 들어, 특정 단면에서 검출된 라인이 불연속이라면, 검출부의 띠의 대응 부분은 계산들에서 제외된다. 도 9는 계산들로부터 제외된 이 띠의 중심 영역(902) 및 검출부의 띠의 주변부(901)을 도시한다. 검출부의 이러한 적응적 행동은 단면들의 영상의 해부학적 특징들에 따라 미리정의될 수 있고, 미리 학습될 수 있으며, 이러한 특성들은 선택된 단면의 위치에 의존한다.

작업 영역의 결정을 위해 바이너리 마스크는 단면 내부에서 형성된다. 마스크는 뇌 영상을 단면으로 커버하는 연속적 평면 형상으로서 만들어진다. 서술된 실시예에서 어두운 배경 상의 최대(영역에 의한) 연속 광 오브젝트는 마스크 형성을 위해 검출된다. 영상에서 연속적 오브젝트들의 필링(filling) 및 선택 동작은 마스크 검색을 위해 사용된다. 회색 영상 내의 뇌 단면은 도 10의 라벨 101에 의해 지정되고, 102는 연속적 바이너리 마스크를 도시한다. 평면 형상에 의한 오브젝트의 최대 커버링에 기초한 이러한 접근은 오브젝트의 선택된 페리미터(perimeter)에 의한 타원 형성보다 더 신뢰할 수 있다. 마스크(102)의 메인 축들(103)은 평면 형상의 관성의 축으로서 형성된다; 그런 다음 이러한 축들은 상대적 사이즈가 영상들의 러닝 샘플들의 예비적 통계 분석에 기초하여 미리 정의된 외부 필드들(104)의 제외에 의해 단면에서 작업 영역의 결정을 위해 사용된다. 제외된 필드들은 도 10의 106 및 105에 의해 작업 영역으로 지정된다.

위에 서술된 검출부는 작업 영역 내부에서 적용된다. 검출부의 폭은 영상의 해부학적 특징에 의해 선택된다. 검출된 라인의 예상되는 폭 이상이어야 한다. 이 파라미터는 고정된 프로토콜 (스캐닝 장비의 모드)에서 획득된 영상들의 예비 통계적 프로세싱에 기초하여 선택된다. 검출부의 길이는 작업 영역 내에서 그 위치에 기초하여 적응적으로 변화한다. (도 10의 105). 검출부가 작업 영역에서의 모든 허용되는 위치들에서 체크되어야 하므로, 위치의 파라미터들의 변화의 범위 ―직선 이동 및 회전 ―및 또한 이 파라미터들의 변화의 단계들이 그것을 위해 설정된다. 도 11은 직선 배치 세트 및 회전의 각도를 설정하기 위한 검출부의 가능한 위치들을 도시한다. 검출부(1102)는 작업 영역(1101)의 랜덤한 위치에 도시된다. 검출부의 직선 이동의 범위는 1103과 같은 형상으로 지정되고, 일부 직선 배치된 위치의 검출부의 위치는 1104과 같이 도시된다. 검출부의 각도 포지션의 변화의 범위는 1105와 같이 도시된다.

수치 기준의 값은 검출부의 각각 체크된 위치에 대해 계산된다(검출부로 커버된 형태 내부의 픽셀들의 세기의 분석에 의해). 기재된 실시예에서 기준은 사이트에서 블랙아웃의 표준화된 평가로서 계산되고, 기준의 더 상세한 설명은 텍스트에서 추가로 주어진다. 따라서, 블랙아웃의 기준(주어진 예에서 사용된)이 최대 값을 취하는 위치인, 검출부의 최적 위치의 탐색을 위한 프로세스를 최적화하는 것이 수행된다. 검출부의 검출된 최적 위치는 (그것의 중심 축) 주어진 단면에서 대뇌 반구를 분할하는 필요한 라인으로서 취해진다. 초기 케이스에서 최적화는 기준 검사와 함께 검출부의 모든 가능한 포지션들의 광범위한 탐색으로서 구현될 수 있다.

기재된 실시예에서 아래에 나열된 수치적 기준의 종류가 검출부를 위해 사용된다:

설정된 임계값보다 낮은 세기를 갖는 픽셀들의(검출부로 커버되는 것들 중) 상대적인 부분으로서 계산되는 기준;

픽셀들의 세기의 정규화된 가중 합(weighed)으로서 계산되는 기준;

설정된 범위를 만족시키는 세기를 갖는 픽셀들을 가정하는 픽셀들의 세기의 표준 가중화된 합으로서 계산되는 기준이 선택된다.

연속 직사각형 띠보다 더 복잡한 형태를 갖는 기준은 기재된 실시예에서 사용된다. 구체적으로, 도 9에 도시된 불연속 형태의(갭들을 가진) 검출부들이 사용된다. 도 12는 더 상세한 그림을 도시한다. 두뇌의 라벨 1201, 1202 에 지정된 축상 단면들의 예에서, 대응하는 검출부들의 외곽(perimeter)들, 1203 은 계산으로부터 제외된 서브영역으로 지정된다. 이 예시에서 중앙부분은 검출부에서 제외되고, 제외된 부분의 크기는 상이한 단면에 대하여 서로 다르다. 제외된 부분의 크기는 단면의 속성들에 기초하고, 주어진 예에서 이 영역은 하부 단면들에 대해 크고 상부에 대하여 작다. 감지기의 형성의 그러한 규칙은 이 단면들의 뇌의 해부학적 특징들에 대응한다. 하부 단면들에서 반구를 분할하는 요구되는 라인은 중앙 근처에서 불연속이고, 위쪽 단면들에서 이러한 갭은 점점 사라진다. 검출부에서 제외된 하위영역의 기하구조(형상) 및 단면의 높이 사이의 상호관계는 영상의 학습 샘플에 대한 예비 통계 분석에 의해 결정된다.

결과로서 위에 기술된 검출 프로세스가 선택된 모든 축 단면에 대해 수행된다. 따라서 조사된 단면에서 검출된 최적 위치에 위치한 검출부의 중앙 축은 대뇌 반구를 분할하는 라인으로서 받아들여진다. 이러한 라인들은 그들의 후속적 사용인, 정중시상면 형성을 위해 그룹지어진다. 만약 검출 프로세스가 임의의 단면에서 실패한다면, 이 사실은 정중시상면 형성에서 크게 반영되지는 않을 것이다: 결과의 안전성은 여분의 단면들의 세트로 인하여 달성된다.

각 포지션에서 검출부의 가능한 모든 포지션들의 탐색에 의해 최적화되어 형성된 기준선들의 검출 프로세스(도 11에 도시된 바와 같은)는 수행시간을 매우 증가시킨다. 그러므로 빠른 검출 알고리즘인 다른 실시예, 즉 병렬 검출로 이름 붙여진 실시예가 주어진 발명에서 제시된다. 그러한 접근에서 검출부는 도 13에 도시된 바와 같이 몇몇 평행 시컨트(secant)의 묶음으로서 만들어진다. 동일선상의 라인들의 세트(도 13, 1301)는 검출부의 방향의 각각 체크된 각도에 대해 형성된다. 이러한 라인들은 그들이 작업 영역 내의 모든 픽셀들을 가로지를 때 시컨트들에 의해 명명된다; 여기에서 라인들에 의해 교차된 픽셀들의 세기의 통계는(갈라짐의 검출의 기준 계산) 각 라인을 따라 수집된다. 병렬 시컨트들 간의 거리는 적용된 검출부의 폭보다 더 작게 선택되고, 그러므로 검출부는 몇몇 시컨트들로부터 수집된 번들로서 예상하는 것이 가능하다(도 13, 1302). 기준은 각각의 시컨트를 따라 번들에서 수집된 몇몇 시컨트의 대응하는 통계의 조합으로서 픽셀들의 세기의 통계에 기초하여 계산된다. 따라서, 병렬 검출의 모든 프로세스는 다음 단계들에 의해 제시된다:

작업 영역은 조사된 단면에서 선택되고, 검출부의 이동 및 회전의 범위는 이 영역에서 선택된다.

검출부의 폭이 선택되고, 시컨트 간의 거리는 설정된다:

미리 정해진 모든 범위에서 각도들이 테스트된, 기준에 대한 최적화 프로세스가 추가로 수행된다. 여기에서 다음의 절차들이 각 테스트된 각도에 대해 실행된다:

병렬 시컨트들의 세트는 작업 영역 내에서 만들어진다(시컨트들은 테스트된 검출부 회적 각도에 따라 지향된다);

픽셀 세기의 필요한 통계는 각 시컨트에 대해 계산된다;

검출부는 라인들의 세트에서 모든 가능한 번들에 대한 시컨트의 번들로서 재형성된다. 모든 가능한 번들의 탐색은 한 라인으로부터 다른 라인으로 검출부의 선형 이동에 대응한다. 기준값은 검출부의 선형 이동된 위치 각각에(그러한 방식으로 재형성된) 대해 계산된다. 결과로서 고정된 각도에서 검출부의 몇몇 최적 선형 이동에 대응하는 기준의 최적 값이 검출된다;

미리정의된 범위에서 테스트된 각각의 각도에 대한 위에 기술된 방법에 의해 검출된 기준의 최적 값은 글로벌한 최적의 탐색 목적을 위해 서로 각각 비교된다.

기준의 글로벌 최적값 및 이에 대응하는 검출부의 위치는 결과로서 결정된다. 처리된 단면에서, 검출된 최적 위치의 검출부의 중앙 축은 대뇌 반구를 분할하는 요구되는 기준선으로서 받아들여진다.

위에 기재된 방법에 의해 검출된 검출부는 검출부의 모든 포지션들에 대한 직접적 탐색보다 빠른데, 각 시컨트에 대한 픽셀들의 한번 계산된 밝기 통계를 효율적으로 사용하고 검출부의 새로운 각각의 직선 이동에 대한 픽셀들의 반복된 분석을 요구하지 않기 때문이다. 게다가, 검출부의 띠의 직접적 형성 및 작업 영역의 경계들과의 교차가 그러한 접근을 요구하지 않는데, 그러한 교차들이 시컨트의 형성에서 이미 실행되었고 각각 시컨트에 의해 교차된 픽셀들의 통계를 수집함에 있어서 암묵적으로 고려되었기 때문이다.

따라서, 축상 단면들에서 대뇌 반구를 분할하는 라인들의 검출 절차는 위에 기재된 것과 같이 수행된다.

관상 단면에서 대뇌 반구를 분할하는 라인(갈라짐)의 검출은 위에 기술된 축상 단면에 대한 프로세스에 유사하게 수행된다. 차이점은 검출을 위한 작업 영역의 형성에 있는데, 영상의 구조가 관상 및 축상 단면에서 다르기 때문이다.

도 14는 관상 단면의 작업 영역의 형성의 예를 도시한다. 따라서, 기재된 실시예에 따른 주요 단계들은:

관상 단면이 선택된다(도 14.1의 14001)

주어진 단면에서 뇌의 영상을 커버하는 연속적 바이너리 마스크(1402)가 형성된다. 바이너리 마스크(1402)는 주어진 단면에서 가장 크고 연속적인 밝은 영역으로서 결정된다(도 14.2)

형성된 마스크의 주요 축들(1403)은 연속적 평면 형상(도 14.3)의 관성의 축들로서 계산된다.

작업 영역의 중심(1405)은 수직 축 상에서 결정되고, 마스크의 상부 경계로부터 센터까지의 거리(1404)는 영상의 학습 샘플에서 관상 단면들의 예비적으로 실행된 통계 분석에 기초하여 선택된다.(도 14.4)

작업 영역(1406)은 위에 기재된 방법에 의해 결정된 중심을 갖는 원의 형태로 선택된다; 이 원의 반경은 영상에서 머리의 크기에 기초하고, 대응하는 비율은 영상의 학습 샘플의 통계적 분석의 단계에서 예비적으로 결정되어야 한다. 작업 영역의 형성은 도 14.5 및 도 14.6에 도시된다.

도 14.6은 관상 단면의 회색 영상 상에 형성된 작업 영역의 부위를 도시한다.

위에 기술된 방법에 의해 결정된 관상 단면의 작업 영역에 대해 반구를 분할하는 라인의 검출 단계는 축상 단면들에 대해 전에 기술된 것들과 유사하게 수행된다. 도 15는 관상 단면의 검출 결과를 도시한다: 1501 - 작업 영역, 1502 -검출된 최적 위치의 검출부의 중심 축.

대응하는 기준선들은 모든 축상 및 관상 단면의 검출부에 의한 프로세싱 후에 만들어진다. 그들은 검출된 최적 포지션의 검출부의 중심 축으로서 결정된다(그것이 갈라지는 단면의 중심 축에 대응한다는 것이 가정된다. 즉 고려된 단면에서 대뇌 반구를 분할하는 라인들의 중심 축). 기준선들은 3차원 뷰에서 결과로서 제시된다: 제3 좌표는 조사된 평면 단면의 대응하는 좌표이다(즉, 그것은 3차원 스카우트 영상에서 조사된 계층의 대응하는 좌표이다). 도 16은 축상 및 관상 단면의 선택된 세트에 대한 반구를 분할하는 라인들의 검출의 예시-결과를 도시하는데(1601-축상, 1602-관상), 이러한 라인들은 정중시상면의 후속 형성에 대한 기준선들이다. 도 17은 단면들의 프로세싱의 결과를 도시한다 ―기준선들의 두 세트의 형성: 축상 기준선들의 세트(1702)는 축상 단면(1701) 상에서 형성되고, 관상 기준선들의 세트(1704)는 관상 단면(1703)상에서 형성된다.

검출의 어떠한 프로세스도 갈라짐을 검출하지 못한다면, 대응하는 단면은 추가 분석으로부터 제외된다. 이러한 상황에서 획득된 기준선들의 수는 감소하나, 정중시상면의 형성 프로세스는 멈추지 않는데, 작업 단면의 세트들 및 기준선들의 이에 따른 세트들이 의도적으로 풍부하게 만들어지기 때문이다. 더욱이, 명세서에서 추가로 기술된 바와 같이 부정확하게 결정된 기준선들을 제거하는 결과의 여과절차의 적용은 여분 때문에 가능하다.

계산된 기준선들 모두가 정중시상면의 후속적 형성을 위해 적합하지는 않으므로, 결과들 중 일부는 신뢰하기 어려울 수 있다. 이러한 상황의 예는 도 18에 도시되는데, 성공적으로 검출된 기준선들(1801) 및 신뢰할 수 없는 기준선들(1802)를 보여준다. 도 18에 도시된 예에서 12개의 기준선들 중 세 개의 기준선들이(축상 단면에서) 다른 기준선들과 비교하여 신뢰할 수 없는 것으로 여겨질 수 있고, 이러한 사실은 이러한 라인들의 방향성의 벡터에 의해 시각적으로 인식가능하다. 수집된 기준선들의 여과는 그러한 신뢰할 수 없는 결과들의 예외에 대해 수행가능하다.

여과의 주요 아이디어는 도 19에 도시된다. 도 19.1은 신뢰할 수 있는 방향 벡터를 갖는 라인들(1901)과 신뢰할 수 없는 방향 벡터를 갖는 라인들(1902)을 포함하는 라인들의 세트를 도시한다. 도 19.2는 기준선들의 모든 세트를 위해 형성된 표준화된 방향 벡터(1903)을 도시한다. 이러한 벡터의 결정은 어느 하나의 벡터를 다른 벡터 상에서 투영한 곳에서 나타나는 직교 벡터-나머지(vector-remainder)의 표준화된 길이를 나타내는 결핍의 사용에 기초한다. 그러한 직교 벡터 나머지는 비교되는 벡터의 noncollinearity의 자연 측정이다. 기준선들의 방향들의 모든 세트의 투영에서 나타나는 직교 리메인더들의 길이의 합인 그러한 벡터는, 일반화된 방향 벡터로 고려된다. 따라서, 형성된 방향은 최소 총 결핍의 센스에서 기준선들의 모든 세트에 의한 동일 선상으로서 여겨질 수 있고, 이는 이 벡터 상의 상기 라인들의 투영으로부터의 직교 리메인더들에 의해 수집된다. 이 결정에서, 모든 벡터는 표준화된다고, 즉 유닛 길이로 deduce된다고 가정되고, 총 결핍은 벡터들의 수에 분할에 의해 표준화된다.

기준선들의 세트의 여과는 다음과 같이 추가로 수행된다. 각 라인들의 방향 벡터는 일반화된 방향 벡터 상에 투영되어, 결핍이 계산된다. 여기서, 결핍은 직교 벡터의 길이로 프로젝트에서 일어나는 리메인더가 될 수 있다. 결핍의 값이 용인될 수 있는 임계치 세트를 초과하면, 테스트된 기준선의 방향은 일반화된 벡터의 방향과 본질적으로 다른 것으로 여겨지고, 그러한 라인은 세트로부터 제외된다(도 19.2) 그러한 여과의 결과로서 기준선들의 드문드문한 세트(도 19.3)가 존재하고 모든 해의 신뢰성은 증가한다.

위에 기술된 여과는 검출된 기준선들의 축상 및 관상 세트 모두에 대해 수행된다.

뇌의 정중시상면은 단면들에서 수집된 기준선들에 기초하여 형성된다. 기재된 실시예에서 정중시상면의 형성에 대한 세가지 접근들이 사용된다:

기준선들의 세그먼트들 상에 복구된 포인트들의 세트 상에 회귀 평면의 형성;

축상 기준선들의 세트에 기초하여 형성된 두 일반화된 방향 벡터들에 의한 정중시상면의 형성;

축상 및 관상 기준선들의 세트에 기초하여 형성된 두 일반화된 방향 벡터들의 형성.

제1 접근은 도 20에 도시된다: 기준선들은 2001부터 2002까지 지정된다 ― 포인트들은 기준선들 상에 형성된다(2003). ― 정중시상면은 이 포인트들 상에 기초하여 형성된다.

제2 접근은 도 21에 의해 도시된다. 그 주요 단계들은:

위에 결과된 결정에 따른 모든 축상 기준선들(도 21.1)의 일반화된 방향으로서 벡터 V1의 계산;

대응하는 축상 단면에서 바이너리 마스크들의 경계들과 특정 라인들의 교차하는 지점들로서 모든 축상 기준선의 경계점들의 계산;

상기 경계점들의 평균 좌표로서 결정된 좌표를 갖는 중앙 포인트 P1의 계산;

상기 벡터 V1에 직교하고 상기 중앙 포인트 P1을 통과하는 평면 PL1의 형성 (도 21.2);

교차점들의 세트를 획득하는, 형성된 평면 PL1과 상기 축상 세트로부터의 기준선들의 교차점 (도 21.3);

상기 교차점들의 세트를 통과하는 회귀 직선 라인으로서 기준선 V2의 형성 (도21.4);

법선 벡터가 상기 벡터들 V1, V2에 직교하고 미리 검출된 포인트 P1을 통과하는 평면으로서 정중시상면의 형성 (도 21.5 및 도 21.6);

제3 접근은 제2 접근에 유사하다; 참조 벡터들 중 하나의 정정이 마지막 단계에서 수행된다는 점에서만 상이하다: 가중합 V2로서 획득되고 관상 기준선들의 방향의 일반화된 벡터 V_COR인 벡터 V3가 상기 벡터 V2대신에 사용된다. 가중합의 비율은 실험적으로 특정된다; 동일한 가중치 곱들이 기재된 실시예에서 특정 벡터들에 대해 사용되었다.

따라서, 정중시상면은 위에 기재된 바와 같이 전에 획득된 기준선들에 기초하여 형성된다.

상기 평면에 의해 스카우트-볼륨의 단면에 대응하는 특정 시상 영상(이 영상의 픽셀들은 정중시상면에 가장 근접한 볼륨의 픽셀들로서 받아들여진다)는 형성된 정중시상면에 기초하여 재형성된다.

타입이 미리 규정된 랜드마크들의 쌍은(또는 그 이상은) 재형성된 시상 영상 내에서 검출된다. 검출의 방법은 임의의 것이며, 기재된 실시예에 규정되지 않았다. 랜드마크들의 선택도 기재된 실시예에 규정되지 않았다(예를 들어, 이러한 포인트들은 Talayah의 아틀라스(atlas)에 따라 선택될 수 있다). 직선 기준선은 검출된 랜드마크들에 기초하여 정중시상 단면에서 추가로 형성된다. 특정 두 포인트가 있다면, 직선 라인은 결과적으로 이러한 두 개의 포인트들을 통과하는 것으로 만들어진다. 필요하다면 더 큰 수의 랜드마크들이 사용될 수 있고, 이 경우 직선 기준선은 더 복잡한 방법들에 의해 그 포인트들을 통과하여 그려진다.

결과로서 형성된 정중시상면 및 세로 기준 직선 라인 (정중시상면 내의 검출된 랜드마크들에 의해 형성된)은 뇌의 뷰들(단면들)의 플래닝을 위해 필요한 정보의 모든 세트를 도시하는데, 이는 뷰의 준비의 기재된 방법의 출력 파라미터들이다.

통상의 설계에 의해 연결되는 해결책들의 청구된 그룹은 뇌의 3차원 영상의 뷰들(스캔들)의 자동 준비를 위한 시스템을 또한 포함한다. 시스템은 위에 기재된 방법을 구현하고, 그것의 목적은 정중시상면의 계산 및 대응 기준선들이다. 시스템은 아래 나열된 모듈들을 포함한다. (도 22 참조)

의료 영상의 데이터를 수집하는 뇌의 3차원 스카우트 영상의 형성 블록(도 22의 2201)은 그들로부터 3차원 스카우트-영상을 형성하고 그것을 작업 단면의 선택 블록 및 뇌의 정중시상 영상의 재형성 블록으로 전달한다.

따라서, 상기 스카우트 영상을 분석하는 작업 단면의 선택 블록(2202)은 축상 및 관상 작업 단면을 선택하고, 그들로부터 두 개의 대응하는 세트를 형성하고 이들 두 세트를 축상 및 관상 단면에 대해 각각 단면들에 대한 기준선들의 계산 블록으로 전달한다.

축상 단면들을 분석하는 축상 단면들에서 기준선들의 계산 블록(2203)은 뇌의 세로 갈라짐 흔적들을 그들에서 검출하고, 기준선들을 상기 검출된 흔적들의 축상 중앙 라인들로서 계산하고 이 기준선들을 축상 기준선들의 여과 블록으로 전달한다.

관상 단면들을 분석하는 관상 단면들의 기준선들의 계산 블록(2204)은 그들에서 뇌의 세로 갈라짐 흔적을 검출하고, 기준선들을 상기 검출된 흔적들의 축상 중앙 라인들로서 계산하고 이 기준선들을 관상 기준선들의 여과 블록으로 전달한다.

축상 기준선들의 획득된 세트를 분석하는 축상 기준선들의 여과 블록(2205)은 방향 벡터가 라인들의 모든 세트의 방향의 일반화된 벡터로부터 본질적으로 다른 세트로부터의 그 라인들을 제외시키고 ―세트의 일부분인 ―그러한 방식으로 수가 줄어든(thinned) 기준선들의 세트를 정중시상면의 계산 블록으로 전달한다.

세트의 부분인, 관상 기준선들의 획득된 세트를 분석하는 관상 기준선들의 여과 블록은(2206) 방향의 벡터가 라인들의 모든 세트의 방향의 일반화된 벡터로부터 본질적으로 상이한 세트로부터 그 라인들을 제외시키고, 이러한 방식으로 얇아진 기준선들의 세트를 정중시상면의 계산 블록으로 전달한다.

상기 축상 및 관상 기준선들의 세트들을 수신하는 정중시상면의 계산 블록(2207)은 그들의 기초를 평면에 형성하고 이 평면의 파라미터들을 뇌의 정중시상 영상의 재형성 블록 및 뷰의 플래닝 출력 인터페이스 블록으로 전달한다.

상기 정중시상면 및 3차원 스카우트-영상의 파라미터들을 수신하는 뇌의 정중시상 영상의 재형성 블록(2208)은 상기 정중시상면의 스카우트-영상의 단면에 기초하여 뇌의 정중시상 영상을 형성하고 이 영상을 랜드마크들의 검출 블록으로 전달한다.

상기 뇌의 정중시상 영상을 수신하는 랜드마크들의 검출 블록(2209)은 그것을 분석하고, 규정된 타입의 랜드마크들의 쌍을(또는 이상을) 검출하고 이 포인트들의 좌표를 세로 기준선의 형성 블록으로 전달한다.

세로 기준선(2210)의 형성 블록 - 상기 랜드마크들의 좌표들을 수신하고 이러한 포인트들에 기초하여 세로 기준선을 계산하고 계산된 기준선의 파라미터들을 뷰의 플래닝의 출력 인터페이스 블록으로 전달한다.

뷰 플래닝의 출력 인터페이스 블록 - 상기 정중시상면 및 세로 기준선을 수신하고 그 파라미터들을 의료 스캐너의 제어 시스템으로 전달한다.

뇌의 세로 갈라짐 흔적의 검출 및 축상 또는 관상 뇌 단면에서 대응하는 기준선의 형성을 위한 시스템이 애플리케이션에서 공개된다. 시스템은 상술된 검출 방법을 구현한다. 시스템은 아래 나열된 모듈들을 포함한다(도 23)

작업 단면에서 뇌의 바이너리 마스크의 형성 블록(도 23의 2301) ―작업 단면의 회색 2차원 영상을 수신하고, 작업 단면의 뇌의 영상을 커버하는 연속적 바이너리 마스크를 계산하고 바이너리 마스크의 영상을 바이너리 마스크의 메인 축들의 결정 블록으로 전달한다.

바이너리 마스크의 메인 축들의 결정 블록(2302) ―상기 바이너리 마스크의 영상을 수신하고, 이 바이너리 마스크의 메인 축들을 계산하고, 이 축들의 파라미터들을 작업 영역의 결정 블록으로 전달한다.

작업 영역의 결정 블록(2303) ― 상기 바이너리 마스크 및 그 메인 축들을 분석하고, 단면에서 뇌의 세로 갈라짐 흔적의 검출 작업을 위한 작업 영역을 결정하고, 상기 검출부의 테스트 포지션을 위한 회전 각도 및 수평 이동의 범위를 결정하고, 이 파라미터들을 작업 단면의 뇌의 세로 갈라짐 흔적의 검출 블록으로 전달한다.

작업 단면에서 뇌의 세로 갈라짐 흔적의 검출 블록(2304) ―상기 작업 영역의 파라미터들을 수신하고 상기 검출부의 포지셔닝의 범위를 계산하고, 미리정의된 범위에서 모든 가능한 포지션들의 검출부를 테스트하고, 테스트된 포지션들 각각에서 검출부에 의해 커버된 픽셀들의 분석에 의해 수량적 기준을 계산하고, 검출부의 모든 조사된 포지션들에 대한 기준의 계산된 값들을 비교하고, 기준의 최적 값에 대응하는 포지션을 검출하고, 검출부의 검출된 최적 포지션의 기하구조적 파라미터들을 기준선의 계산 블록으로 전달한다.

기준선의 계산 블록(2305) ― 검출부의 상기 최적 위치의 기하구조적 파라미터들을 수신하고 작업 단면에서 최적 포지션에 위치한 검출부의 중앙 축으로서의 기준선을 계산한다.

제안된 방법은 예비적으로 획득된 드래프트 3차원 영상 ― 스카우트 영상, 특히 자기 공명 단층촬영, x-ray 단층촬영 등 - 의 분석에 기초하여 의료 영상들의 뷰의 플래닝을 위해 적용가능하다.

제안된 방법은 뇌의 영상들을 획득하는 모든 프로세스를 향상시키는데, 뷰의 자동 플래닝으로 인한 진단 주사(diagnostic scans)의 획득을 위해 요구되는 총 시간을 줄여주기 때문이다. 게다가 뷰의 자동 플래닝은 자격있는 의료 인력을 이 절차를 위해 필요한 진부한 수동 작업으로부터 해방시킨다.

제안된 방법에서 사용되는 접근법은 프로세스의 안전성의 증가에 주로 집중된다. 결과적으로 상기 방법은 높은 해상도 및 낮은 해상도의 스카우트 영상에 모두 적용가능하다(낮은 해상도는 스카우트 영상의 획득 시간 단축을 위해 종종 사용된다.)

Claims (14)

1. 뇌의 3차원 영상의 뷰를 자동 플래닝하는 방법으로서,
   3차원 스카우트 영상을 획득하는 단계;
   상기 3차원 스카우트 영상에서 축상 및 관상 작업 단면들을 선택하는 단계;
   상기 선택된 단면들에서 획득된 기준선들의 축상 및 관상 세트들에 기초하여 뇌의 적어도 하나의 정중시상면(mid-sagittal plane)을 형성하는 단계;
   상기 정중시상면에서 해부학적 포인트인 적어도 하나의 랜드마크를 검출하는 단계;
   상기 정중시상면에서 검출된 적어도 하나의 랜드마크에 기초하여 제1 기준선을 형성하는 단계;
   상기 정중시상면 및 제1 기준선에 기초한 방향으로 스캔을 플래닝하는 단계를 포함하고,
   상기 기준선들의 축상 및 관상 세트들에 기초한 정중시상면의 형성 단계는,
   상기 기준선들의 축상 세트들의 선택된 축상 기준선들의 방향에 대한 V1 벡터를 계산하는 단계;
   상기 축상 기준선들에 대응하는 축상 작업 단면들에서 그 축상 작업 단면들의 바이너리 마스크들의 경계(border)를 제공하는 라인들의 교차점들에 기초하여 상기 축상 기준선들의 경계점들을 계산하는 단계;
   상기 경계점들의 평균 좌표로서 결정되는 좌표들의 중심점 P1을 계산하는 단계;
   상기 벡터 V1에 수직이고 상기 중심점 P1을 통과하는 평면 PL1을 형성하는 단계;
   상기 평면 PL1과 상기 축상 기준선들의 교차점들을 결정하고, 교차점들의 세트를 형성하는 단계;
   상기 교차점들의 세트를 관통하는 회귀 직선으로서의 기준선 V2의 형성을 수행하는 단계;
   법선 벡터가 상기 V1, V2에 직교하고, 상기 P1을 관통하는 평면인 정중시상면의 형성을 수행하는 단계를 포함하는,
   뇌의 3차원 영상의 뷰를 자동 플래닝하는 방법
2. 제 1항에 있어서,
   상기 정중시상면의 형성을 위한 상기 축상 및 관상 기준선들은 상기 3차원 스카우트 영상의 분석에 의해 선택된 축상 및 관상 단면들에서 픽셀들의 분석에 의해 계산된 수치 기준의 사용 및 상기 작업 단면들의 뇌의 세로 갈라짐 흔적의 검출에 기초하여 획득되고,
   그 후에 상기 기준선들의 세트들에서 상기 기준선들의 선택된 방향에 대한 벡터 방향과 양립 불가능한 라인들의 세트를 필터링함으로써 형성되는 것을 특징으로 하는,
   뇌의 3차원 영상의 뷰를 자동 플래닝하는 방법
3. 제 2항에 있어서, 상기 제1 기준선을 형성하는 단계는
   검출부의 특정 위치의 설정된 수치 기준의 계산에 사용되는, 픽셀들의 세트를 둘러싸는 띠인 뇌의 세로 갈라짐의 검출부를 형성하는 단계;
   상기 작업 단면에서 뇌의 영역을 커버하는 평면 형상인 연속적 바이너리 마스크를 생성하는 단계;
   상기 바이너리 마스크의 주요 축들을 계산하는 단계;
   상기 바이너리 마스크의 기하학적 구조에 기초하여 상기 작업 단면에서 상기 뇌의 세로 갈라짐의 검출을 위한 작업 영역을 선택하고, 상기 작업 영역에서 상기 검출부의 위치를 변화시키기 위한 파라미터들인 좌표들의 변화의 범위들 및 회전의 각도를 설정하는 단계;
   상기 수치 기준에 기초하여 상기 작업 영역에서 상기 검출부의 제1 위치를 결정하는 단계; 및
   상기 작업 영역에서 검출된 상기 제1 위치에서 검출을 위한 중앙 축인 상기 제1 기준선을 계산하는 단계를 포함하는,
   뇌의 3차원 영상의 뷰를 자동 플래닝하는 방법
4. 제 3항에 있어서, 상기 뇌의 세로 갈라짐의 검출부를 형성하는 단계는
   제외된 영역 및 크기들을 갖는 비연속 띠(band)의 형태를 갖는 상기 뇌의 세로 갈라짐을 검출하는 단계를 포함하는 것을 특징으로 하는 뇌의 3차원 영상의 뷰를 자동 플래닝하는 방법
5. 제 2항에 있어서,
   상기 수치 기준은,
   상기 작업 단면에서 어두운 영역으로, 픽셀 값이 미리 결정된 임계값보다는 작은 세기(intensity)를 갖는 픽셀들에 대응되는 것을 특징으로 하는,
   뇌의 3차원 영상의 뷰를 자동 플래닝하는 방법
6. 제 2항에 있어서,
   상기 뇌의 세로 갈라짐 흔적의 검출 동안 계산된 상기 수치 기준은,
   상기 픽셀들의 세기의 표준화된 가중합(weighted sum)으로서 나타내지는,
   뇌의 3차원 영상의 뷰를 자동 플래닝하는 방법
7. 제 2항에 있어서,
   상기 뇌의 세로 갈라짐 흔적의 검출 동안 계산된 상기 수치 기준은,
   세기가 미리 정해진 범위 내에 있는 픽셀들의 세기의 표준화된 가중합의 형태로서 나타내지는,
   뇌의 3차원 영상의 뷰를 자동 플래닝하는 방법
8. 제 3항에 있어서, 상기 검출부를 형성하는 단계는
   미리 정해진 위치에서 뇌의 세로 갈라짐의 검출 프로세스에 의해서 상기 검출부를 검출하는 단계를 포함하는
   뇌의 3차원 영상의 뷰를 자동 플래닝하는 방법
9. 제 3항에 있어서,
   상기 검출부는 동일하게 지향된 시컨트(secant)들의 세트로부터 취해진 여러 라인들의 다발(bundle)로서 형성되는,
   뇌의 3차원 영상의 뷰를 자동 플래닝하는 방법
10. 삭제
11. 제 1항에 있어서, 상기 방법은
    모든 관상 기준선의 방향 중 선택된 방향에 대한 벡터로서 벡터 V_COR의 계산을 수행하는 단계;
    모든 관상 기준선의 방향 중 선택된 방향에 대한 벡터로서 벡터 V_COR 및 상기 기준선 V2의 가중된 합으로서 V3의 방향 벡터의 계산을 수행하는 단계;
    법선 벡터가 상기 V1, V2에 직교하고, 미리 검출된 P1을 관통하는 평면으로서 정중시상면의 형성을 수행하는 단계를 포함하는,
    뇌의 3차원 영상의 뷰를 자동 플래닝하는 방법
12. 삭제
13. 뇌의 3차원 영상의 뷰의 자동 플래닝 장치로서,
    3차원 스카우트 영상을 획득하는 뇌의 3차원 스카우트 영상의 형성 블록;
    상기 3차원 스카우트 영상에서 축상 및 관상 작업 단면들을 선택하기 위한 작업 단면들의 선택 블록;
    상기 선택된 단면들에서 획득된 기준선들의 축상 및 관상 세트들에 기초하여 뇌의 적어도 하나의 정중시상면(mid-sagittal plane)을 형성하는 정중시상면의 계산 블록;
    상기 정중시상면에서 해부학적 포인트인 적어도 하나의 랜드마크를 검출하는 랜드마크들의 검출 블록;
    상기 정중시상면에서 검출된 적어도 하나의 랜드마크에 기초하여 제1 기준선을 형성하는 기준선의 형성 블록;
    상기 정중시상면 및 제1 기준선에 기초한 방향으로 스캔을 플래닝하는 출력 인터페이스 블록을 포함하고,
    상기 정중시상면의 계산 블록은, 또한,
    상기 기준선들의 축상 세트들의선택된 축상 기준선들의 방향에 대한 V1 벡터를 계산하고;
    상기 축상 기준선에 대응하는 축상 작업 단면들에서 그 축상 작업 단면들의 바이너리 마스크들의 경계(border)를 제공하는 라인들의 교차점들에 기초하여 상기 축상 기준선들의 경계점들을 계산하고;
    상기 경계점들의 평균 좌표로서 결정되는 좌표들의 중심점 P1을 계산하고;
    상기 벡터 V1에 수직이고 상기 중심점 P1을 통과하는 평면 PL1을 형성하고;
    상기 평면 PL1과 상기 축상 기준선들의 교차점들을 결정하고, 교차점들의 세트를 형성하고;
    상기 교차점들의 세트를 관통하는 회귀 직선으로서의 기준선 V2의 형성을 수행하며;
    법선 벡터가 상기 V1, V2에 직교하고, 상기 P1을 관통하는 평면인 정중시상면의 형성을 수행하도록 구성되는,
    뇌의 3차원 영상의 뷰의 자동 플래닝 장치.
14. 삭제

Images