KR101768526B1 - 혈관 구조에 기초하여 환자에 특화된 대상 장기의 모델을 생성하는 방법 및 장치 - Google Patents

혈관 구조에 기초하여 환자에 특화된 대상 장기의 모델을 생성하는 방법 및 장치 Download PDF

Info

Publication number
KR101768526B1
KR101768526B1 KR1020120082545A KR20120082545A KR101768526B1 KR 101768526 B1 KR101768526 B1 KR 101768526B1 KR 1020120082545 A KR1020120082545 A KR 1020120082545A KR 20120082545 A KR20120082545 A KR 20120082545A KR 101768526 B1 KR101768526 B1 KR 101768526B1
Authority
KR
South Korea
Prior art keywords
model
organ
blood vessel
long
generating
Prior art date
Application number
KR1020120082545A
Other languages
English (en)
Other versions
KR20140015964A (ko
Inventor
강나협
이형욱
김상욱
김지연
김경환
Original Assignee
삼성전자주식회사
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 filed Critical 삼성전자주식회사
Priority to KR1020120082545A priority Critical patent/KR101768526B1/ko
Priority to US13/897,818 priority patent/US9514280B2/en
Publication of KR20140015964A publication Critical patent/KR20140015964A/ko
Application granted granted Critical
Publication of KR101768526B1 publication Critical patent/KR101768526B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks

Abstract

일 실시예에 따르면, 환자의 대상 장기의 혈관 구조를 나타내는 혈관 트리(blood vessel tree)가 장기 형상 모델의 변형에 미치는 영향력을 기초로 장기 형상 모델의 각 영역을 구획화하고, 장기 형상 모델의 혈관 구조를 2차원 실시간 영상의 혈관 구조에 맞게 변형한 후, 변형된 혈관 구조 및 구획화된 장기 형상 모델의 각 영역을 이용하여 환자에 특화된 대상 장기의 모델을 생성하는 대상 장기의 모델을 생성하는 방법 및 장치를 제공할 수 있다.

Description

혈관 구조에 기초하여 환자에 특화된 대상 장기의 모델을 생성하는 방법 및 장치{METHOD AND APPARATUS FOR CREATING MODEL OF PATIENT SPECIFIED TARGET ORGAN BASED ON BLOOD VESSEL STRUCTURE}
아래의 실시예들은 혈관 구조에 기초하여 환자에 특화된 대상 장기의 모델을 생성하는 방법 및 장치에 관한 것이다.
인체 장기는 대부분 딱딱하지 않은(non-rigid) 변형 특성을 가진다. 특히, 간, 심장, 폐 등과 같은 흉복부 장기들은 호흡과 개복 수술시의 외부 자극 등으로 인해 형상이 변형될 수 있다. 따라서, 장기 변형을 생성 하는 것은 임상 수술에서 환자 내부 내비게이션(Navigation), 수술 전의 계획, 수술 시뮬레이션 및 실제 수술 시의 보조 등과 같은 다양한 의료 분야에서 활용될 수 있다.
장기 변형은 상황 별, 환자 별로 매우 다른 특징을 나타낼 수 있어 실제 환자에 특화(Patient Specific)된 장기 변형을 생성하는 기술은 매우 중요하다.
하지만, 실제 임상 환경에서는 실시간 의료 영상 기기들에 의해 촬영된 낮은 화질의 의료 영상에 의해 수술이 진행되므로 실시간의 장기 변형 추적이 없이는 치료 과정의 올바른 진행 및 임상의의 적절한 판단이 어렵다.
본 발명의 배경이 되는 기술은 다음 2건의 특허 문헌에 기재되어 있다.
(1) 일본 공개 특허 공보 제2003-153877호 (2003.05.27)
(2) 한국 공개 특허 공보 제1999-0030339호 (1999.04.26)
일 실시예에 따르면, 대상 장기의 모델을 생성하는 방법은 환자의 대상 장기에 대한 적어도 두 개의 3차원 영상들에 기초하여 상기 대상 장기의 혈관 구조를 포함하는 장기 형상 모델을 생성하는 단계; 상기 대상 장기의 혈관 구조를 나타내는 혈관 트리(blood vessel tree)가 상기 장기 형상 모델의 변형에 미치는 영향력을 기초로 상기 장기 형상 모델의 각 영역을 구획화하는 단계; 상기 장기 형상 모델의 혈관 구조를 2차원 실시간 영상의 혈관 구조에 맞게 변형하는 단계; 및 상기 변형된 혈관 구조 및 상기 구획화된 장기 형상 모델의 각 영역을 이용하여 상기 환자에 특화된 대상 장기의 모델을 실시간으로 생성하는 단계를 포함할 수 있다.
상기 장기 형상 모델의 각 영역을 구획화하는 단계는 상기 대상 장기의 혈관 구조를 나타내는 혈관 트리를 생성하는 단계를 더 포함할 수 있다.
상기 장기 형상 모델의 각 영역을 구획화하는 단계는 상기 대상 장기의 혈관 구조를 나타내는 혈관 트리의 각 혈관 라인이 상기 장기 형상 모델의 변형에 미치는 영향력을 계산하는 단계; 및 상기 영향력을 기초로 상기 장기 형상 모델의 각 영역을 구획화하는 단계를 포함할 수 있다.
상기 영향력을 계산하는 단계는 최소 거리 함수 또는 최대 포텐셜 함수를 이용하여 상기 혈관 트리의 각 혈관 라인이 상기 장기 형상 모델의 변형에 미치는 영향력을 계산하는 단계를 포함할 수 있다.
상기 영향력을 기초로 상기 장기 형상 모델의 각 영역을 구획화하는 단계는 상기 혈관 트리의 각 혈관 라인 중 상기 장기 형상 모델의 해당 영역의 변형에 미치는 영향력이 가장 큰 혈관 라인을 기초로 상기 장기 형상 모델의 각 영역을 구획화하는 단계를 포함할 수 있다.
상기 장기 형상 모델의 혈관 구조를 상기 2차원 실시간 영상의 혈관 구조에 맞게 변형하는 단계는 상기 장기 형상 모델의 혈관 구조에 기초한 제1 특징점들을 설정하는 단계; 상기 2차원 실시간 영상의 혈관 구조에 기초한 제2 특징점들을 추출하는 단계 및 상기 제1 특징점들 및 상기 제2 특징점들을 이용하여 상기 장기 형상 모델의 혈관 구조를 상기 2차원 실시간 영상의 혈관 구조에 맞게 변형하는 단계를 포함할 수 있다.
상기 장기 형상 모델의 혈관 구조를 상기 2차원 실시간 영상의 혈관 구조에 맞게 변형하는 단계는 상기 장기 형상 모델에서의 제1 특징점들의 위치와 상기 2차원 실시간 영상에서의 제2 특징점들의 위치를 매칭(matching)시키는 단계; 및 상기 매칭된 특징점들의 위치를 기초로 상기 장기 형상 모델의 혈관 구조를 상기 2차원 실시간 영상의 혈관 구조에 맞게 변형 하는 단계를 포함할 수 있다.
상기 대상 장기의 혈관 구조를 포함하는 장기 형상 모델을 생성하는 단계는 상기 적어도 두 개의 3차원 영상들에서 상기 대상 장기의 혈관 구조 및 종양을 포함하는 영역을 마스킹(masking)하는 단계; 및 상기 마스킹한 대상 장기의 영역을 이용하여 상기 환자의 대상 장기에 특화된 영상 페이즈 별 장기 형상 모델들을 생성하는 단계를 포함할 수 있다.
상기 영상 페이즈 별 장기 형상 모델들을 생성하는 단계는 상기 영상 페이즈 별 장기 형상 모델들 중 기준 형상 모델을 선정하는 단계; 및 상기 기준 형상 모델과 나머지 형상 모델 간의 변형 관계에 기초하여 상기 영상 페이즈 별 장기 형상 모델들을 생성하는 단계를 포함할 수 있다.
상기 기준 형상 모델과 나머지 형상 모델 간의 변형 관계는 상기 기준 형상 모델과 나머지 형상 모델 각각에 대응되는 변형 구배(deformation gradient)에 의해 계산될 수 있다.
일 실시예에 따르면, 대상 장기의 모델을 생성하는 장치는 환자의 대상 장기에 대한 적어도 두 개의 3차원 영상들에 기초하여 상기 대상 장기의 혈관 구조를 포함하는 장기 형상 모델을 생성하는 생성 모듈; 상기 대상 장기의 혈관 구조를 나타내는 혈관 트리가 상기 장기 형상 모델의 변형에 미치는 영향력을 기초로 상기 장기 형상 모델의 각 영역을 구획화하는 구획화 모듈; 상기 장기 형상 모델의 혈관 구조를 2차원 실시간 영상의 혈관 구조에 맞게 변형하는 변형 모듈; 및 상기 변형된 혈관 구조 및 상기 구획화된 장기 형상 모델의 각 영역을 이용하여 상기 환자에 특화된 대상 장기의 모델을 실시간으로 생성하는 실시간 생성 모듈을 포함할 수 있다.
상기 구획화 모듈은 상기 대상 장기의 혈관 구조를 나타내는 혈관 트리를 생성하는 트리 생성부를 더 포함할 수 있다.
상기 구획화 모듈은 상기 대상 장기의 혈관 구조를 나타내는 혈관 트리의 각 혈관 라인이 상기 장기 형상 모델의 변형에 미치는 영향력을 계산하는 계산부; 및 상기 영향력을 기초로 상기 장기 형상 모델의 각 영역을 구획화하는 구획화부를 포함할 수 있다.
상기 계산부는 최소 거리 함수 또는 최대 포텐셜 함수를 이용하여 상기 혈관 트리의 각 혈관 라인이 상기 장기 형상 모델의 변형에 미치는 영향력을 계산할 수 있다.
상기 구획화부는 상기 혈관 트리의 각 혈관 라인 중 상기 장기 형상 모델의 해당 영역의 변형에 미치는 영향력이 가장 큰 혈관 라인을 기초로 상기 장기 형상 모델의 각 영역을 구획화할 수 있다.
상기 변형 모듈은 상기 장기 형상 모델 및 상기 2차원 실시간 영상 각각의 혈관 구조에 기초한 특징점들을 이용하여 상기 장기 형상 모델의 혈관 구조를 상기 2차원 실시간 영상의 혈관 구조에 맞게 변형할 수 있다.
상기 생성 모듈은 상기 장기 형상 모델의 혈관 구조에 기초한 제1 특징점들을 설정하는 설정부를 더 포함하고, 상기 변형 모듈은 상기 2차원 실시간 영상의 혈관 구조에 기초한 제2 특징점들을 추출하는 추출부를 더 포함할 수 있다.
상기 변형 모듈은 상기 장기 형상 모델에서의 제1 특징점들의 위치와 상기 2차원 실시간 영상에서의 제2 특징점들의 위치를 매칭시키는 매칭부; 및 상기 매칭된 특징점들의 위치를 기초로 상기 장기 형상 모델의 혈관 구조를 상기 2차원 실시간 영상의 혈관 구조에 맞게 변형 하는 변형부를 포함할 수 있다.
상기 생성 모듈은 상기 적어도 두 개의 3차원 영상들에서 상기 대상 장기의 혈관 구조 및 종양을 포함하는 영역을 마스킹하는 마스킹부; 및 상기 마스킹한 대상 장기의 영역을 이용하여 상기 환자의 대상 장기에 특화된 영상 페이즈 별 장기 형상 모델들을 생성하는 생성부를 포함할 수 있다.
상기 생성부는 상기 영상 페이즈 별 장기 형상 모델들 중 기준 형상 모델을 선정하고, 상기 기준 형상 모델과 나머지 형상 모델 간의 변형 관계에 기초하여 상기 영상 페이즈 별 장기 형상 모델들을 생성할 수 있다.
상기 기준 형상 모델과 나머지 형상 모델 간의 변형 관계는 상기 기준 형상 모델과 나머지 형상 모델 각각에 대응되는 변형 구배에 의해 계산될 수 있다.
도 1은 일 실시예에 따른 대상 장기의 모델을 생성하는 방법을 나타낸 플로우 차트이다.
도 2는 다른 실시예에 따른 대상 장기의 모델을 생성하는 방법을 나타낸 플로우 차트이다.
도 3은 일 실시예에 따른 대상 장기의 모델을 생성하는 방법에 따라 대상 장기 및 혈관 영상을 분할하는 방법을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 대상 장기의 모델을 생성하는 방법에 따라 영상 페이즈 별 장기 형상 모델을 생성하는 방법을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 대상 장기의 모델을 생성하는 방법에서 영상 페이즈 별 장기 형상 모델들이 정의되는 변형 공간을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 대상 장기의 모델을 생성하는 방법에 따라 생성되는 혈관 트리를 나타낸 도면이다.
도 7은 일 실시예에 따른 대상 장기의 모델을 생성하는 방법에 따라 장기 형상 모델의 각 영역을 구획화하는 방법을 나타낸 도면이다.
도 8은 일 실시예에 따른 대상 장기의 모델을 생성하는 방법에 따라 장기 형상 모델에서 특징점을 설정하는 방법을 설명하기 위한 도면이다.
도 9는 일 실시예에 따른 대상 장기의 모델을 생성하는 방법에 따라 2차원 실시간 영상에서 특징점을 추출하는 방법을 설명하기 위한 도면이다.
도 10은 또 다른 실시예에 따른 대상 장기의 모델을 생성하는 방법을 나타낸 플로우 차트이다.
도 11은 일 실시예에 따른 대상 장기의 모델을 생성하는 장치의 블록도이다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 일 실시예에 따른 대상 장기의 모델을 생성하는 방법을 나타낸 플로우 차트이다.
도 1을 참조하면, 일 실시예에 따른 대상 장기의 모델을 생성하는 장치(이하, '생성 장치'는 환자의 대상 장기에 대한 적어도 두 개의 3차원 영상들에 기초하여 대상 장기의 혈관 구조를 포함하는 장기 형상 모델을 생성할 수 있다(110). 여기서, 적어도 두 개의 3차원 영상은 예를 들어, 최대 날숨 및 최대 들숨과 같은 극단 형상(extreme phase)의 의료 영상일 수 있다.
생성 장치는 대상 장기의 혈관 구조를 나타내는 혈관 트리(blood vessel tree)가 장기 형상 모델의 변형에 미치는 영향력을 기초로 장기 형상 모델의 각 영역을 구획화할 수 있다(120). 여기서, 110 및 120의 과정은 수술 전(Preoperative)에 수행되는 전처리 과정에 해당할 수 있다.
생성 장치는 장기 형상 모델의 혈관 구조를 2차원 실시간 영상의 혈관 구조에 맞게 변형할 수 있다(130).
생성 장치는 120에서 구획화된 장기 형상 모델의 각 영역 및 130에서 변형된 혈관 구조를 이용하여 환자에 특화된 대상 장기의 모델을 실시간으로 생성할 수 있다(140). 130 및 140의 과정은 수술 중 실행되는 실시간 과정에 해당할 수 있다.
일 실시예에서는 2D US 영상과 같은 실시간 모니터링용 의료 영상이 제공하는 매우 적은 특징(Feature), 특히 혈관(혹은 혈관 구조) 상에 나타나는 특징을 기반으로 3차원 장기 형상을 혈관을 포함하여 변형할 수 있다.
도 2는 다른 실시예에 따른 대상 장기의 모델을 생성하는 방법을 나타낸 플로우 차트이다.
도 2를 참조하면, 다른 실시예에 따른 대상 장기의 모델을 생성하는 장치(이하, '생성 장치')는 환자의 대상 장기에 대한 적어도 두 개의 3차원 영상들에 기초하여 대상 장기의 혈관 구조를 포함하는 장기 형상 모델을 생성할 수 있다(210).
이때, 생성 장치는 적어도 두 개의 3차원 영상들에서 대상 장기의 혈관 구조 및 종양을 포함하는 영역을 도 3과 같이 마스킹(masking)하여 분할(segmentation)할 수 있다. 그리고, 생성 장치는 분할한 대상 장기의 영역을 이용하여 환자의 대상 장기에 특화된 영상 페이즈 별 장기 형상 모델들을 생성할 수 있다. 환자의 대상 장기에 특화된 영상 페이즈 별 장기 형상 모델들을 생성하는 방법을 도 4를 참조하여 상세히 설명한다.
생성 장치는 대상 장기의 혈관 구조를 나타내는 혈관 트리(blood vessel tree)를 생성할 수 있다(220). 생성 장치가 혈관 트리를 생성하는 방법은 도 6을 참고하여 설명한다.
생성 장치는 대상 장기의 혈관 구조를 나타내는 혈관 트리의 각 혈관 라인이 장기 형상 모델의 변형에 미치는 영향력을 계산할 수 있다(230). 이때, 생성 장치는 최소 거리 함수 또는 최대 포텐셜 함수를 이용하여 혈관 트리의 각 혈관 라인이 장기 형상 모델의 변형에 미치는 영향력을 계산할 수 있다.
생성 장치는 혈관 트리의 각 혈관 라인이 장기 형상 모델의 변형에 미치는 영향력을 기초로 장기 형상 모델의 각 영역을 구획화할 수 있다(240). 생성 장치는 혈관 트리의 각 혈관 라인 중 장기 형상 모델의 해당 영역의 변형에 미치는 영향력이 가장 큰 혈관 라인을 기초로 장기 형상 모델의 각 영역을 구획화할 수 있다.
일 실시예에서는 이와 같이 혈관 트리가 장기 형상 모델의 변형에 미치는 영향력을 기초로 장기 형상 모델의 각 영역을 구획화 함으로써, 장기 전체의 변형이 혈관 구조에 의해 영향 받도록 하여 장기 전체의 변형에 대한 계산량을 줄일 수 있다.
생성 장치가 혈관 트리의 각 혈관 라인이 장기 형상 모델에 미치는 영향력을 계산하는 방법 및 계산한 영향력을 기초로 장기 형상 모델의 각 영역을 구획화 하는 방법은 도 7을 참고하여 설명한다.
생성 장치는 장기 형상 모델 및 2차원 실시간 영상 각각의 혈관 구조에 기초한 특징점들을 이용하여 장기 형상 모델의 혈관 구조를 2차원 실시간 영상의 혈관 구조에 맞게 변형할 수 있다. 일 실시예에서는 대상 장기의 전체 영역에 대한 다수의 특징점을 요구하지 않고, 혈관상의 주요 위치에 대한 특징점만으로도 전체 장기를 변형할 수 있다.
즉, 생성 장치는 장기 형상 모델의 혈관 구조에 기초한 제1 특징점들을 설정할 수 있다(250). 생성 장치가 제1 특징점들을 설정하는 방법은 도 8을 참고하여 설명한다. 전술한 210 내지 250의 과정은 전처리 과정에 해당할 수 있다.
또한, 생성 장치는 2차원 실시간 영상의 혈관 구조에 기초한 제2 특징점들을 추출할 수 있다(260). 생성 장치가 제2 특징점들을 추출하는 방법은 도 9를 참고하여 설명한다.
생성 장치는 장기 형상 모델에서의 제1 특징점들의 위치와 2차원 실시간 영상에서의 제2 특징점들의 위치를 매칭(matching)시킬 수 있다(270). 270과 같은 매칭 과정에서, 생성 장치는 2D US 영상 상의 제2 특징점의 위치를 이용하여 3차원 장기 형상 모델에서의 혈관 표면 메쉬(Vessel surface mesh) 혹은 혈관 중심선(center line)의 변형된 실제 위치를 확인할 수 있다.
생성 장치는 매칭된 특징점들의 위치를 기초로 장기 형상 모델의 혈관 구조를 2차원 실시간 영상의 혈관 구조에 맞게 변형할 수 있다(280). 여기서, 생성 장치는 전처리 과정에서 생성한 3차원 장기 형상 모델의 정점들의 위치가 아래의 [수학식 1]과 같이 실시간 영상(예를 들어, 2D US 영상)의 위치를 만족시키도록 최적화할 수 있다. 3차원 장기 형상 모델의 정점들의 위치는 예를 들어, 혈관 표면 메쉬의 보간된 형상이면서 특징점(즉, 제1 특징점)으로 선택된 정점들의 위치일 수 있다.
Figure 112012060386640-pat00001
여기서, F(x)는 새로운 메쉬(Mesh) 형상 x와 기존 메쉬 형상이 서로 가능한 유사하도록 하기 위해 형상 차 계산 함수로서, 정점(vertex)들 간의 거리 차의 합일 수 있다. 또한, G(x)는 새로운 메쉬 형상 x의 특징점(Feature Point)과 대응되는 기존 메쉬 형상의 정점의 위치가 일치하도록 하는 두 정점 위치(vertex positions)의 거리 차의 합을 나타낸다.
생성 장치는 전처리 과정을 통해 생성한 혈관 트리, 구획화된 장기 형상 모델의 각 영역 및 280에서 변형된 혈관 구조를 이용하여 장기 형상 모델을 변형함으로써 환자에 특화된 대상 장기의 모델을 실시간으로 생성할 수 있다(290). 260 내지 290의 과정은 실시간 과정에 해당할 수 있다.
290에서 생성 장치가 혈관 트리, 구획화된 장기 형상 모델의 각 영역 및 변형된 혈관 구조 등을 이용하여 장기 형상 모델을 변형하는 데에는 예를 들어, 해당 분야에서 일반화된 골격 부분 공간 변형(Skeletal Subspace Deformation) 방법이 이용될 수 있다. 이와 같이 생성 장치는 전처리 과정에서 생성된 장기 형상 모델, 혈관 트리 등을 2차원 실시간 영상의 혈관 상에 나타나는 특징과 매칭시킴으로써 2D US 영상이 갖는 한계를 극복하고, 실시간으로 환자에 특화된 대상 장기의 모델을 제공할 수 있다.
도 3은 일 실시예에 따른 대상 장기의 모델을 생성하는 방법에 따라 대상 장기 및 혈관 영상을 분할(segmentation)하는 방법을 설명하기 위한 도면이다.
도 3을 참조하면, 일 실시예에 따른 생성 장치는 환자의 대상 장기에 대한 3차원 영상을 취득할 수 있다. 여기서, 3차원 영상은 MRI 및 CT 영상 등과 같이 대상 장기의 전체 형태가 완전히 포함되는 3D 볼륨(Volume) 형태의 의료 영상일 수 있으며, 예를 들어, 들숨, 중간 숨, 날숨과 같은 영상 페이즈 별 영상일 수 있다.
대상 장기에 대한 페이즈 별 의료 영상은 예를 들어, 들숨 시의 간에 대한 MRI 영상과 날숨 시의 간에 대한 CT 영상과 같은 이종 영상일 수도 있고, 들숨 시의 간에 대한 MRI 영상과 날숨 시의 간에 대한 MRI 영상과 같은 동종 영상일 수도 있다.
일 실시예에 따른 대상 장기의 모델을 생성하는 방법은 모델 기반의 변형 방식을 사용하므로 동종 의료 영상뿐만 아니라 이종 의료 영상도 이용할 수 있다.
이때, 취득하는 환자 장기의 페이즈 별 의료 영상의 개수는 대상 장기의 종류에 따라 달라질 수 있다. 예를 들어, 대상 장기가 간이나 폐 등과 같이 들숨과 날숨 시의 동작에 의해 충분히 동작 특성이 파악될 수 있는 경우에는 날숨 시와 들숨 시의 영상, 즉 두 개의 영상만으로도 충분히 대상 장기의 움직임을 파악할 수 있다. 하지만, 대상 장기가 심장인 경우에는 좌, 우 심방 및 심실을 통해 혈액이 흘러가는 과정에서의 동작을 파악하기 위해 최소 네 개의 의료 영상이 필요할 수 있다. 결국, 생성 장치는 해당 대상 장기의 변형 특성(혹은 동작 특성)을 파악할 수 있는 최소 개수의 의료 영상을 취득할 수 있다.
도 3을 참조하면, 생성 장치는 주어진 적어도 두 개의 3차원 의료 영상들(예를 들어, 최대 날숨 시의 영상(310) 및 최대 들숨 시의 영상(320))에서 대상 장기의 영역을 340 및 350과 같이 마스킹(masking) 함으로써 다양한 장기들이 포함된 전체 의료 영상으로부터 대상 장기의 영상(예를 들어, '간')을 분할(segmentation)할 수 있다.
대상 장기의 영역을 마스킹 하는 것은 관심 영역(Region Of Interest; ROI)을 줄여주는 역할을 한다. 이때, 대상 장기의 영상을 분할하는 과정은 전처리 과정에 해당하며 생성 장치가 아닌 수작업(manual) 작업에 의해 수행될 수도 있다. 일 실시예에서는 분할한 대상 장기의 영역을 이용하여 환자의 대상 장기에 특화된 장기 형상 모델들을 생성할 수 있다. 이때, 대상 장기의 영역에 대한 마스킹은 주어진 의료 영상 내(內)에서 이루어질 수 있으며, 또한, 대상 장기의 영역은 대상 장기 내부의 혈관과 종양을 포함하는 고형(Solid) 형태로 마스킹될 수 있다. 종양 혹은 혈관에 대한 영상 분할 시에는 마스킹되는 영역이 반드시 대상 장기의 마스킹 영역 내에 포함되도록 하여 영상이 관통(Penetration)되는 것을 방지할 수 있다.
도 4는 일 실시예에 따른 대상 장기의 모델을 생성하는 방법에 따라 영상 페이즈 별 장기 형상 모델을 생성하는 방법을 설명하기 위한 도면이다.
도 4를 참조하면, 410은 최대 들숨에서의 대상 장기(예를 들어, 간)의 영상이고, 430은 중간 숨에서의 영상이며, 450은 최대 날숨에서의 대상 장기의 영상이다.
이와 같이 영상 페이즈(phase) 별 장기 형상 모델을 생성하는 과정은 수술 전에 수행되는 전처리 과정으로서, 마칭 큐브(Marching Cubes) 알고리즘에 의해 영상 페이즈(phase) 별 장기 형상 모델을 3차원 메쉬 모델 형태로 생성할 수 있다.
이때, 생성 장치는 환자의 대상 장기에 대한 적어도 두 개의 3차원 영상들에 기초하여 대상 장기에 대한 적어도 두 개의 형상 모델들 사이의 변형 매트릭스를 생성할 수 있다.
보다 구체적으로, 생성 장치는 환자의 대상 장기에 대한 적어도 두 개의 3차원 영상들에 기초하여 대상 장기의 형상에 기반한 형상 모델들을 생성하고, 형상 모델들을 포함하는 변형 공간(M(w))을 정의하는 변형 매트릭스(G)를 산출할 수 있다.
여기서, '변형 매트릭스(G)'는 변형 공간을 정의하는 매트릭스로서, 정점의 위치(vertex position) 관계가 주어진 경우에 변형 구배(Deformation Gradient)(f)가 얼마인지를 나타낸다. 변형 매트릭스(G)와 변형 구배(f) 간의 관계는 아래의 [수학식 2]을 통해 살펴볼 수 있다.
Figure 112012060386640-pat00002
여기서, 변형 구배(f)는 각 사면체마다 정의되는 변형 구배 매트릭스(T ij)(아래의 수학식 3 참조)의 요소들을 일렬로 늘어 세운 벡터(Vector)로서, 변형 구배 매트릭스(T ij)가 3x3 matrix이므로 (9t x 1)의 크기를 가질 수 있다.
x는 (3v)형태의 새로운 정점 위치를 나타내고, v는 정점의 개수를 나타내며, t는 사면체 메쉬 상의 사면체 개수를 나타낸다. 변형 매트릭스(G)는 예를 들어, (9t x 3v) 형태의 매트릭스일 수 있다.
일 실시예에서는 환자 개인에 특화된 장기 변형에 대한 정보를 반영하는 변형 공간을 정의함으로써 장기 변형에 대한 제한적인 정보만이 제공되더라도 환자에 특화된 변형 특성을 유지하여 개인화된 대상 장기의 모델을 생성할 수 있다.
또한, 일 실시예에서는 극분해(polar decomposition)를 통해 변형 구배 매트릭스(T ij)를 아래의 [수학식 3]와 같이 회전(rotation) 성분(Rij)과 신축(stretching) 성분(Sij)으로 분해할 수 있다.
Figure 112012060386640-pat00003
이때, 아래의 [수학식 4]과 같이 신축(stretching) 성분(S ij)은 선형 보간(linear interpolation)하고, 회전(rotation) 성분(R ij)은 행렬 지수 함수(matrix exponential) 및 로그(logarithm)를 이용하여 비선형 보간(non-linear interpolation)할 수 있다.
Figure 112012060386640-pat00004
여기서, T j(w)는 새로 생성될 사면체 메쉬의 j번째 사면체를 의미하고, wi는 을 i번째 사면체 메쉬의 가중치를 의미하며, l은 전체 사면체 메쉬의 개수를 의미한다.
[수학식 4]은 [수학식 2]의 극분해를 통해 분해된 변형 구배 매트릭스(T ij)를 보간(interpolation)하기 위한 것으로서, 회전 성분(R ij)은 올바른 보간을 위해 매트릭스 로갈리즘(matrix logarithm)을 이용한 비선형 보간을 실시하고, 신축 성분(S ij)은 선형 보간을 실시한 후 재결합하여 최종 보간된 변형 구배 매트릭스를 생성할 수 있다. 변형 공간(M(w))의 정의 및 변형 공간과 변형 매트릭스(G) 간의 관계는 후술하는 도 5를 참조하기로 한다.
도 5는 일 실시예에 따른 대상 장기의 모델을 생성하는 방법에서 영상 페이즈 별 장기 형상 모델들이 정의되는 변형 공간을 설명하기 위한 도면이다.
이하에서, 대상 장기는 '간' 인 경우를 설명하지만, 실시예는 이에 한정되지 않는다.
일반적으로 대부분의 장기들은 형상 변형 시에 장기의 부피가 일정하게 유지되는 특징을 가지며, 이러한 특징을 '부피 보존성' 이라고 한다. 부피 보존성은 세포 구성 물질의 70%가 수분으로 이루어짐에 기인한다. 따라서, 장기의 형상 변형 시에 그 모양은 들숨과 날숨 시에 서로 달라질 수 있지만 총 부피의 합은 일정하게 유지된다.
도 5를 참조하면, 들숨의 시작 지점(x0)에서의 간의 형상이 최소가 되고, 날숨의 시작 지점(x2)에서의 간의 형상이 최대가 될 수 있다. 이와 같이, 간의 형상이 최소가 되는 때의 형상 모델을 Gx0이라 하고, 간의 형상이 최대가 되는 때의 형상 모델을 Gx2라 하면, 다양한 간의 형상 변형은 Gx0 과 Gx2 사이의 변형 공간(M(w)) 내에서 이루어질 수 있다.
일 실시예에서는 이와 같이, 들숨 시와 날숨 시의 최소 두 개의 장기 형상에 기반한 형상 모델을 생성하고, 이를 통해 환자에 특화된 형상의 변형 공간(M(w))을 정의할 수 있다.
여기서, '변형 공간(M(w))'은 대상 장기에 대한 형상 모델들이 변형될 수 있는 공간을 의미하며, 변형 매트릭스(G)에 의해 정의될 수 있다. 일 실시예에서는 데이터에 기반한 형상의 변형 공간을 정의하고, 장기의 변형 결과가 변형 공간 상에 존재하도록 함으로써 환자의 특정 변형을 유지할 수 있다. 또한, 특징점의 개수가 적거나 의료 영상의 노이즈(Noise)가 문제되는 경우에도 개인화된 변형 공간이 정보의 부재 부분들에 대한 변형 정보를 보상할 수 있으므로 강건한(robust) 변형이 가능하다.
이 밖에도, 일 실시예에서는 [수학식 3]을 통해 계산된 변형 구배 매트릭스(T ij)의 신축(stretching) 성분(S)에 대한 결정 요소(determinant)를 조절함으로써 부피 보전성을 비선형 시스템에 반영할 수 있다.
즉, 선형 보간된 신축(stretching) 성분(S)에 대한 결정 요소(determinant)(D)를 계산하여
Figure 112012060386640-pat00005
일 때,
Figure 112012060386640-pat00006
로 변경하여 결정 요소(determinant)가 '1'이 되도록 변경할 수 있다.
변형 구배 매트릭스(T ij)의 결정 요소(D)는 변형 과정에서의 사면체의 부피 변화를 나타낸다. 예를 들어, D=1이면, 사면체의 부피가 보존됨을, D > 1이면 사면체의 부피가 증가함을, D<1이면 사면체의 부피가 감소함을 나타낼 수 있다.
변형 구배 매트릭스(T ij)의 경우 극분해 하면 회전 성분(R ij)은 원리상 부피 변화가 없다. 그러므로, 신축 성분(S ij)의 결정 요소를 계산하여 그 값이 1이 되도록 강제하면 사면체 별 부피 보존이 가능하고, 이는 곧 전체 부피 보존으로 이어진다. 이를 위해
Figure 112012060386640-pat00007
와 같이 신축 성분을 바꿔주면 결정 요소(D)의 값이 1이 될 수 있다.
또한, 정합 오차 등으로 인해 4 면체 메쉬 모델을 구성하는 4 면체 각각이 다른 부피를 가질 수 있다. 그러므로, 실시예에 따라서는 신축(stretching) 성분(S ij)에 대한 결정 요소(determinant)들을 먼저 계산하고, 입력된 사면체 메쉬 가중치 w를 이용한 보간값을 구한 후, 최종 신축(stretching) 성분에 대한 결정 요소를 보간값에 맞추어 재설계(rescale)하는 방법을 이용할 수도 있다.
도 6은 일 실시예에 따른 대상 장기의 모델을 생성하는 방법에 따라 생성되는 혈관 트리를 나타낸 도면이다.
도 6을 참조하면, 대상 장기의 혈관 구조(610)로부터 생성된 혈관 트리(630)를 살펴볼 수 있다. 혈관 트리(630)는 분기점들(631) 및 혈관 라인들(635)로 구성될 수 있다.
혈관 트리(630)를 생성하는 데에는 예를 들어, 분할 이미지 세선화 방법(Thinning from Segmented Image) 및 마칭 큐브 표면으로부터 골격 구조를 추출하는 방법(Skeleton Extraction from Marching cube surfaces)이 이용될 수 있다.
그 중 하나인 분할 이미지 세선화(Thinning from Segmented Image) 방법은 이상적인 선(line) 정보 추출을 위해 선도형의 굵기를 가늘게 조작하는 방법이다. 또한, 마칭 큐브 표면으로부터 골격 구조를 추출하는 방법(Skeleton Extraction from Marching cube surfaces)은 위상 구조가 중요한 객체의 형상을 분석하기 위해 3차원 골격 구조를 추출하는 방법이다. 분할 이미지 세선화 방법 및 마칭 큐브 표면으로부터 골격 구조를 추출하는 방법은 해당 분야에서 일반화된 기술로서, 이에 대한 상세한 설명은 생략하기로 한다.
일 실시예에서 혈관 트리(630)는 영상 페이즈 별로 생성될 수 있으며, 영상 페이즈 별로 생성되는 혈관 트리는 토폴로지(topology)가 동일하도록 구성될 수 있다. 즉, 혈관 트리(630)를 구성하는 노드(node)(즉, 분기점(631))의 개수, 에지(edge)(즉, 혈관 라인(635))의 개수 및 커넥티비티(connectivity)가 동일하도록 구성할 수 있다.
예를 들어, 들숨 시의 영상에 대해 생성한 혈관 트리를 구성하는 노드의 개수, 에지의 개수는 날숨 시의 영상에 대해 생성한 혈관 트리를 구성하는 노드의 개수, 에지의 개수와 동일할 수 있다. 그리고, 들숨 시의 영상에 대해 생성한 혈관 트리에서의 정점 0과 날숨 시의 영상에서 생성한 혈관 트리에서의 정점 0은 서로 대응될 수 있다. 또한, 들숨 시의 영상에서 생성한 혈관 트리에서의 정점 0이 정점 1 및 정점 3에 연결되고, 정점 1 및 정점 3은 정점 2에 서로 연결되는 연결 관계는 날숨 시의 영상에서 생성한 혈관 트리에서도 동일하게 유지된다는 의미로 이해될 수 있다.
도 7은 일 실시예에 따른 대상 장기의 모델을 생성하는 방법에 따라 장기 형상 모델의 각 영역을 구획화하는 방법을 나타낸 도면이다.
도 7을 참조하면, 일 실시예에 따른 생성 장치는 대상 장기의 혈관 구조를 나타내는 혈관 트리(blood vessel tree)의 각 혈관 라인이 장기 형상 모델의 변형에 미치는 영향력을 계산하고, 영향력을 기초로 장기 형상 모델의 각 영역을 구획화할 수 있다. 즉, 생성 장치는 대상 장기의 3차원 영상으로부터 혈관을 분할하고, 이를 기초로 혈관 트리를 생성할 수 있다. 생성 장치는 혈관 트리의 각 혈관 라인 중 장기 형상 모델의 해당 영역의 변형에 미치는 영향력이 가장 큰 혈관 라인을 기초로 장기 형상 모델의 각 영역을 구획화할 수 있다. 이때, 영향력에 대한 판단은 생성 장치를 이용하는 각 사용자의 수준에 따라 다르게 정의될 수 있다.
일 실시예에서 장기 형상 모델의 각 영역을 구획화 하는 것은 장기 형상 모델에서 혈관 트리의 각 혈관 라인에 의해 가장 변형 영향을 많이 받는 영역을 해당 혈관 라인과 짝 지워주는 과정이다. 즉, 간의 실질 조직과 혈관 조직을 짝 지워주는 과정으로 볼 수 있다.
각 혈관 라인이 장기 형상 모델의 변형에 미치는 영향력을 계산하는 데에는 예를 들어, 최소 거리 함수 또는 최대 포텐셜 함수를 이용할 수 있다.
도 7에서는 최소 거리 함수를 이용하는 경우를 예로 들어 설명한다.
최소 거리 함수를 이용하는 경우, 생성 장치는 대상 장기의 3차원 영상으로부터 710과 같이 혈관을 분할(segmentation)한 후, 730과 같이 혈관의 센터 라인(center line)을 추출하여 혈관 트리의 구조(혹은 형태)를 생성할 수 있다. 생성 장치는 해당 혈관 트리 상의 각 분기점들 혹은 혈관 라인들이 장기 형상 모델 표면(surface)의 어느 영역과 가장 가까운 지를 계산하여 750과 같이 각 혈관 라인들을 구분하여 표시할 수 있다. 이후, 생성 장치는 각 혈관 라인에 의해 가장 영향력을 많이 받는 장기 형상 모델의 각 영역을 770과 같이 구획화할 수 있다.
즉, 생성 장치는 혈관 라인 a가 장기 형상 모델 표면의 A 영역에 가장 가깝다면, 혈관 라인 a가 움직임에 따라 장기 형상 모델 표면의 A 영역이 변형되도록 구획화 할 수 있다.
또한, 최대 포텐셜 함수를 이용하는 경우, 생성 장치는 혈관 트리의 분기점마다 다른 포텐셜 값을 준 후, 그 값을 확산시키는 방법으로서, 예를 들어, 간 공간 내에서 포텐셜 값을 확산시키고, 간의 B 영역에서는 포텐셜 함수 값이 크게 나온다면 해당 B 영역과 혈관 트리의 분기점을 서로 짝 지워 주는 방법이다.
도 8은 일 실시예에 따른 대상 장기의 모델을 생성하는 방법에 따라 장기 형상 모델에서 특징점을 설정하는 방법을 설명하기 위한 도면이다.
'특징점(feature point)'은 환자의 대상 장기를 다른 사람의 장기와 구분할 수 있는 특징적인 지점(혹은 정점)을 나타내며 표면 상의 특징점과 내부 구조상의 특징점으로 구분될 수 있다.
예를 들어, 표면 상의 특징점은 대상 장기(예를 들어, 간)의 우엽과 좌엽 사이에 나타나는 주름의 위치, 혹은 해당 장기에서 주요 혈관이나 신경 등이 지나가는 정점 등을 일 예로 들 수 있다.
또한, 내부 구조상의 특징점은 대상 장기 내부에 위치하는 혈관의 극단점, 혈관의 분기점(Branching Points), 혈관에서 높은 곡률을 나타내는 부분(High Curvature Points), 혈관의 표면(Vessel Surf) 및 장기 내부의 종양의 위치 등이 해당될 수 있다.
도 8을 참조하면, 810과 같이 혈관 외부의 표면에서 높은 곡률을 나타내거나, 혈관의 표면 구조를 파악할 수 있는 지점들 및 830과 같이 혈관 분기점의 중심점에 특징점이 설정된 것을 살펴볼 수 있다.
장기 형상 모델에서 설정된 특징점들은 장기 형상 모델과 2차원 실시간 영상의 각 특징점들과의 매칭 시에 사용되거나 혹은 2차원 실시간 영상에서의 특징점 추출 시에 제약 조건으로 작용될 수 있다.
도 9는 일 실시예에 따른 대상 장기의 모델을 생성하는 방법에 따라 2차원 실시간 영상에서 특징점을 추출하는 방법을 설명하기 위한 도면이다.
2차원 실시간 영상에서는 예를 들어, 2D US에서 나타나는 종양(910)이나 2D US 영상에서 변별력을 가지는 혈관(혹은 혈관의 구조)(930)에 기초한 특징점(들)이 추출될 수 있다.
이때, 도 2의 270과 같은 매칭 과정을 수행하기 위해 장기 형상 모델에서 설정되는 특징점과 실시간 영상에서 추출되는 특징점은 토폴로지가 동일하게 존재할 수 있다.
도 10은 또 다른 실시예에 따른 대상 장기의 모델을 생성하는 방법을 나타낸 플로우 차트이다.
도 10을 참조하면, 대상 장기의 모델을 생성하는 방법은 크게 수술 전(Preoperative)에 수행되는 전처리(preprocessing) 과정(1010)과 수술 중 실시간으로 수행되는 실시간(run-time) 과정(1050)으로 구분될 수 있다.
전처리 과정(1010)에서 일 실시예에 따른 대상 장기의 모델을 생성하는 장치(이하,'생성 장치')는 환자의 장기에 대하여 CT 영상 혹은 MRI 영상 등과 같은 3차원 의료 영상을 획득하고(1011), 획득한 의료 영상을 환자의 대상 장기, 종양, 혈관 등과 같은 각 요소 별로 분할(segmentation)할 수 있다(1013).
이후, 생성 장치는 장기의 내부 요소(예를 들어, 일부 혈관, 전체 혈관, 종양, 혈관 구조와 같은 세부 조직(sub-structure)) 및 각 내부 요소들 간의 관계를 모델링할 수 있다(1015). 이때, 생성 장치는 영상 페이즈(Phase) 별로 장기, 종양, 혈관 등이 분할된 내부 요소의 형상을 생성할 수 있다.
1015의 모델링 과정에서 전술한 혈관 트리의 생성, 혈관 트리가 장기 형상 모델의 변형에 미치는 영향력에 기초한 장기 형상 모델의 각 영역의 구획화 등이 수행될 수 있다.
또한, 생성 장치는 보간된 의료 영상이 제공하는 적은 수의 특징점 만으로 전체 장기의 형상을 유추하기 위해, 특징점 후보군을 미리 선정할 수 있다(1017). 이때, 특징점 후보군들은 혈관 상의 특징점들을 포함할 수 있다.
실시간 과정(1050)에서 생성 장치는 수술 시 내시경 등에 의해 촬영되는 2D US 영상과 같은 실시간 영상을 획득하고(1051), 실시간 영상에 나타나는 두꺼운 혈관 등과 같은 특징 영역을 세그먼테이션(segmentation)할 수 있다(1053).
생성 장치는 실시간 영상으로부터 특징점(즉, 제2 특징점)을 추출하고(1055), 전처리 과정의 1017에서 선정한 특징점(즉, 제1 특징점)과 1055에서 추출한 특징점을 매칭(matching)시킬 수 있다(1057).
생성 장치는 매칭된 특징점들을 기초로 혈관 구조의 형상을 피팅(fitting)하고(1059), 피팅된 혈관 구조의 형상을 바탕으로 전체 장기 모델을 변형할 수 있다(1061). 그 결과, 생성 장치는 환자에 특화된 대상 장기의 모델을 획득할 수 있다.
일 실시예에서 생성 장치는 대상 장기의 내부 구조를 수술 전 생성하고, 이를 수술 시의 실시간 의료 영상의 특징점과 융합하여 장기를 변형할 수 있다. 이때, 내부 구조는 일부 혈관, 전체 혈관, 종양, 혈관 구조 등을 포함할 수 있다. 실시간 영상에서 나타나는 주요 특징인 굵은 혈관, 종양 등이 특징점으로 나타날 수 있지만, 이에 한정되는 것은 아니다.
이와 같이 일 실시예에서는 환자에 특화된 대상 장기의 모델을 생성함에 있어 먼저 혈관, 종양 등과 같은 특징(Feature) 영역을 변형한 뒤, 이를 이용해 대상 장기의 전체 모델을 변형하는 순차적 변형 방식을 이용할 수 있다.
또한, 장기 내 세부 조직의 구성 혹은 분류 시에, 해당 조직의 형상이 완전하지 않더라도, 도 5와 같이 영상 페이즈 별 장기 형상 모델들이 정의되는 변형 공간에 의해 일부 정점이나 에지(edge) 등으로부터 주변 영역을 추정(estimation)하여 세부 조직을 구성 혹은 분류할 수 있다.
도 11은 일 실시예에 따른 대상 장기의 모델을 생성하는 장치의 블록도이다.
도 11을 참조하면, 일 실시예에 따른 대상 장기의 모델을 생성하는 장치(이하,'생성 장치')(1100)는 생성 모듈(1110), 구획화 모듈(1130), 변형 모듈(1150) 및 실시간 생성 모듈(1170)을 포함할 수 있다.
생성 모듈(1110)은 환자의 대상 장기에 대한 적어도 두 개의 3차원 영상들에 기초하여 대상 장기의 혈관 구조를 포함하는 장기 형상 모델을 생성할 수 있다. 생성 모듈(1110)은 마스킹부(1113), 생성부(1116) 및 설정부(1119)를 포함할 수 있다.
마스킹부(1113)는 적어도 두 개의 3차원 영상들에서 대상 장기의 혈관 구조 및 종양을 포함하는 영역을 마스킹(masking)할 수 있다.
생성부(1116)는 마스킹한 대상 장기의 영역을 이용하여 환자의 대상 장기에 특화된 영상 페이즈 별 장기 형상 모델들을 생성할 수 있다.
생성부(1116)는 영상 페이즈 별 장기 형상 모델들 중 기준 형상 모델을 선정하고, 기준 형상 모델과 나머지 형상 모델 간의 변형 관계에 기초하여 영상 페이즈 별 장기 형상 모델들을 생성할 수 있다. 이때, 기준 형상 모델과 나머지 형상 모델 간의 변형 관계는 기준 형상 모델과 나머지 형상 모델 각각에 대응되는 변형 구배(deformation gradient)에 의해 계산될 수 있다.
설정부(1119)는 장기 형상 모델의 혈관 구조에 기초한 제1 특징점들을 설정할 수 있다. 이때, 제1 특징점들은 2차원 실시간 영상과의 매칭 시에 사용되거나 혹은 2차원 실시간 영상에서의 특징점 추출 시에 사용될 제약 조건으로 사용될 수 있다.
구획화 모듈(1130)은 대상 장기의 혈관 구조를 나타내는 혈관 트리가 장기 형상 모델의 변형에 미치는 영향력을 기초로 장기 형상 모델의 각 영역을 구획화할 수 있다.
구획화 모듈(1130)은 트리 생성부(1133), 계산부(1136) 및 구획화부(1139)를 포함할 수 있다.
트리 생성부(1133)는 대상 장기의 혈관 구조를 나타내는 혈관 트리를 생성할 수 있다.
계산부(1136)는 대상 장기의 혈관 구조를 나타내는 혈관 트리의 각 혈관 라인이 장기 형상 모델의 변형에 미치는 영향력을 계산할 수 있다. 이때, 계산부(1136)는 최소 거리 함수 또는 최대 포텐셜 함수를 이용하여 혈관 트리의 각 혈관 라인이 장기 형상 모델의 변형에 미치는 영향력을 계산할 수 있다.
구획화부(1139)는 영향력을 기초로 장기 형상 모델의 각 영역을 구획화할 수 있다. 구획화부(1139)는 혈관 트리의 각 혈관 라인 중 장기 형상 모델의 해당 영역의 변형에 미치는 영향력이 가장 큰 혈관 라인을 기초로 장기 형상 모델의 각 영역을 구획화할 수 있다.
변형 모듈(1150)은 장기 형상 모델의 혈관 구조를 2차원 실시간 영상의 혈관 구조에 맞게 변형할 수 있다. 변형 모듈(1150)은 장기 형상 모델 및 2차원 실시간 영상 각각의 혈관 구조에 기초한 특징점들을 이용하여 장기 형상 모델의 혈관 구조를 2차원 실시간 영상의 혈관 구조에 맞게 변형할 수 있다.
변형 모듈(1150)은 추출부(1153), 매칭부(1156) 및 변형부(1159)를 포함할 수 있다.
추출부(1153)는 2차원 실시간 영상의 혈관 구조에 기초한 제2 특징점들을 추출할 수 있다.
매칭부(1156)는 장기 형상 모델에서의 제1 특징점들의 위치와 2차원 실시간 영상에서의 제2 특징점들의 위치를 매칭(matching)시킬 수 있다.
변형부(1159)는 매칭된 특징점들의 위치를 기초로 장기 형상 모델의 혈관 구조를 2차원 실시간 영상의 혈관 구조에 맞게 변형할 수 있다. 변형부(1159)는 장기 형상 모델에서의 혈관 구조를 2차원 실시간 영상에 피팅(fitting)시켜 2차원 실시간 영상의 혈관 구조에 맞게 변형시킬 수 있다.
실시간 생성 모듈(1170)은 변형된 혈관 구조 및 구획화된 장기 형상 모델의 각 영역을 이용하여 환자에 특화된 대상 장기의 모델을 실시간으로 생성할 수 있다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
1100: 대상 장기의 모델을 생성하는 장치 1110: 생성 모듈
1113: 마스킹부 1116: 생성부
1119: 설정부 1130: 구획화 모듈
1133: 트리 생성부 1136: 계산부
1139: 구획화부 1150: 변형 모듈
1153: 추출부 1156: 매칭부
1159: 변형부 1170: 실시간 생성 모듈

Claims (22)

  1. 환자의 대상 장기에 대한 적어도 두 개의 3차원 영상들에 기초하여 상기 대상 장기의 혈관 구조를 포함하는 장기 형상 모델을 생성하는 단계;
    상기 대상 장기의 혈관 구조를 나타내는 혈관 트리(blood vessel tree)가 상기 장기 형상 모델의 변형에 미치는 영향력을 기초로 상기 장기 형상 모델의 각 영역을 구획화하는 단계;
    상기 장기 형상 모델의 혈관 구조를 2차원 실시간 영상의 혈관 구조에 맞게 변형하는 단계; 및
    상기 변형된 혈관 구조 및 상기 구획화된 장기 형상 모델의 각 영역을 이용하여 상기 환자에 특화된 대상 장기의 모델을 실시간으로 생성하는 단계
    를 포함하는 대상 장기의 모델을 생성하는 방법.
  2. 제1항에 있어서,
    상기 장기 형상 모델의 각 영역을 구획화하는 단계는
    상기 대상 장기의 혈관 구조를 나타내는 혈관 트리(blood vessel tree)를 생성하는 단계
    를 더 포함하는 대상 장기의 모델을 생성하는 방법.
  3. 제1항에 있어서,
    상기 장기 형상 모델의 각 영역을 구획화하는 단계는
    상기 대상 장기의 혈관 구조를 나타내는 혈관 트리(blood vessel tree)의 각 혈관 라인이 상기 장기 형상 모델의 변형에 미치는 영향력을 계산하는 단계; 및
    상기 영향력을 기초로 상기 장기 형상 모델의 각 영역을 구획화하는 단계
    를 포함하는 대상 장기의 모델을 생성하는 방법.
  4. 제3항에 있어서,
    상기 영향력을 계산하는 단계는
    최소 거리 함수 또는 최대 포텐셜 함수를 이용하여 상기 혈관 트리(blood vessel tree)의 각 혈관 라인이 상기 장기 형상 모델의 변형에 미치는 영향력을 계산하는 단계
    를 포함하는 대상 장기의 모델을 생성하는 방법.
  5. 제3항에 있어서,
    상기 영향력을 기초로 상기 장기 형상 모델의 각 영역을 구획화하는 단계는
    상기 혈관 트리의 각 혈관 라인 중 상기 장기 형상 모델의 해당 영역의 변형에 미치는 영향력이 가장 큰 혈관 라인을 기초로 상기 장기 형상 모델의 각 영역을 구획화하는 단계
    를 포함하는 대상 장기의 모델을 생성하는 방법.
  6. 제1항에 있어서,
    상기 장기 형상 모델의 혈관 구조를 상기 2차원 실시간 영상의 혈관 구조에 맞게 변형하는 단계는
    상기 장기 형상 모델의 혈관 구조에 기초한 제1 특징점들을 설정하는 단계;
    상기 2차원 실시간 영상의 혈관 구조에 기초한 제2 특징점들을 추출하는 단계; 및
    상기 제1 특징점들 및 상기 제2 특징점들을 이용하여 상기 장기 형상 모델의 혈관 구조를 상기 2차원 실시간 영상의 혈관 구조에 맞게 변형하는 단계
    를 포함하는 대상 장기의 모델을 생성하는 방법.
  7. 제6항에 있어서,
    상기 장기 형상 모델의 혈관 구조를 상기 2차원 실시간 영상의 혈관 구조에 맞게 변형하는 단계는
    상기 장기 형상 모델에서의 제1 특징점들의 위치와 상기 2차원 실시간 영상에서의 제2 특징점들의 위치를 매칭(matching)시키는 단계; 및
    상기 매칭된 특징점들의 위치를 기초로 상기 장기 형상 모델의 혈관 구조를 상기 2차원 실시간 영상의 혈관 구조에 맞게 변형하는 단계
    를 포함하는 대상 장기의 모델을 생성하는 방법.
  8. 제1항에 있어서,
    상기 대상 장기의 혈관 구조를 포함하는 장기 형상 모델을 생성하는 단계는
    상기 적어도 두 개의 3차원 영상들에서 상기 대상 장기의 혈관 구조 및 종양을 포함하는 영역을 마스킹(masking)하는 단계; 및
    상기 마스킹한 대상 장기의 영역을 이용하여 상기 환자의 대상 장기에 특화된 영상 페이즈 별 장기 형상 모델들을 생성하는 단계
    를 포함하는 대상 장기의 모델을 생성하는 방법.
  9. 제8항에 있어서,
    상기 영상 페이즈 별 장기 형상 모델들을 생성하는 단계는
    상기 영상 페이즈 별 장기 형상 모델들 중 기준 형상 모델을 선정하는 단계; 및
    상기 기준 형상 모델과 나머지 형상 모델 간의 변형 관계에 기초하여 상기 영상 페이즈 별 장기 형상 모델들을 생성하는 단계
    를 포함하는 대상 장기의 모델을 생성하는 방법.
  10. 제9항에 있어서,
    상기 기준 형상 모델과 나머지 형상 모델 간의 변형 관계는
    상기 기준 형상 모델과 나머지 형상 모델 각각에 대응되는 변형 구배(deformation gradient)에 의해 계산되는 대상 장기의 모델을 생성하는 방법.
  11. 삭제
  12. 환자의 대상 장기에 대한 적어도 두 개의 3차원 영상들에 기초하여 상기 대상 장기의 혈관 구조를 포함하는 장기 형상 모델을 생성하는 생성 모듈;
    상기 대상 장기의 혈관 구조를 나타내는 혈관 트리(blood vessel tree)가 상기 장기 형상 모델의 변형에 미치는 영향력을 기초로 상기 장기 형상 모델의 각 영역을 구획화하는 구획화 모듈;
    상기 장기 형상 모델의 혈관 구조를 2차원 실시간 영상의 혈관 구조에 맞게 변형하는 변형 모듈; 및
    상기 변형된 혈관 구조 및 상기 구획화된 장기 형상 모델의 각 영역을 이용하여 상기 환자에 특화된 대상 장기의 모델을 실시간으로 생성하는 실시간 생성 모듈
    을 포함하는 대상 장기의 모델을 생성하는 장치.
  13. 제12항에 있어서,
    상기 구획화 모듈은
    상기 대상 장기의 혈관 구조를 나타내는 혈관 트리(blood vessel tree)를 생성하는 트리 생성부
    를 더 포함하는 대상 장기의 모델을 생성하는 장치.
  14. 제12항에 있어서,
    상기 구획화 모듈은
    상기 대상 장기의 혈관 구조를 나타내는 혈관 트리(blood vessel tree)의 각 혈관 라인이 상기 장기 형상 모델의 변형에 미치는 영향력을 계산하는 계산부; 및
    상기 영향력을 기초로 상기 장기 형상 모델의 각 영역을 구획화하는 구획화부
    를 포함하는 대상 장기의 모델을 생성하는 장치.
  15. 제14항에 있어서,
    상기 계산부는
    최소 거리 함수 또는 최대 포텐셜 함수를 이용하여 상기 혈관 트리(blood vessel tree)의 각 혈관 라인이 상기 장기 형상 모델의 변형에 미치는 영향력을 계산하는 대상 장기의 모델을 생성하는 장치.
  16. 제14항에 있어서,
    상기 구획화부는
    상기 혈관 트리의 각 혈관 라인 중 상기 장기 형상 모델의 해당 영역의 변형에 미치는 영향력이 가장 큰 혈관 라인을 기초로 상기 장기 형상 모델의 각 영역을 구획화하는 대상 장기의 모델을 생성하는 장치.
  17. 제12항에 있어서,
    상기 변형 모듈은
    상기 장기 형상 모델 및 상기 2차원 실시간 영상 각각의 혈관 구조에 기초한 특징점들을 이용하여 상기 장기 형상 모델의 혈관 구조를 상기 2차원 실시간 영상의 혈관 구조에 맞게 변형하는 대상 장기의 모델을 생성하는 장치.
  18. 제17항에 있어서,
    상기 생성 모듈은
    상기 장기 형상 모델의 혈관 구조에 기초한 제1 특징점들을 설정하는 설정부
    를 더 포함하고,
    상기 변형 모듈은
    상기 2차원 실시간 영상의 혈관 구조에 기초한 제2 특징점들을 추출하는 추출부
    를 더 포함하는 대상 장기의 모델을 생성하는 장치.
  19. 제18항에 있어서,
    상기 변형 모듈은
    상기 장기 형상 모델에서의 제1 특징점들의 위치와 상기 2차원 실시간 영상에서의 제2 특징점들의 위치를 매칭(matching)시키는 매칭부; 및
    상기 매칭된 특징점들의 위치를 기초로 상기 장기 형상 모델의 혈관 구조를 상기 2차원 실시간 영상의 혈관 구조에 맞게 변형하는 변형부
    를 포함하는 대상 장기의 모델을 생성하는 장치.
  20. 제12항에 있어서,
    상기 생성 모듈은
    상기 적어도 두 개의 3차원 영상들에서 상기 대상 장기의 혈관 구조 및 종양을 포함하는 영역을 마스킹(masking)하는 마스킹부; 및
    상기 마스킹한 대상 장기의 영역을 이용하여 상기 환자의 대상 장기에 특화된 영상 페이즈 별 장기 형상 모델들을 생성하는 생성부
    를 포함하는 대상 장기의 모델을 생성하는 장치.
  21. 제20항에 있어서,
    상기 생성부는
    상기 영상 페이즈 별 장기 형상 모델들 중 기준 형상 모델을 선정하고, 상기 기준 형상 모델과 나머지 형상 모델 간의 변형 관계에 기초하여 상기 영상 페이즈 별 장기 형상 모델들을 생성하는 대상 장기의 모델을 생성하는 장치.
  22. 제21항에 있어서,
    상기 기준 형상 모델과 나머지 형상 모델 간의 변형 관계는
    상기 기준 형상 모델과 나머지 형상 모델 각각에 대응되는 변형 구배(deformation gradient)에 의해 계산되는 대상 장기의 모델을 생성하는 장치.
KR1020120082545A 2012-07-27 2012-07-27 혈관 구조에 기초하여 환자에 특화된 대상 장기의 모델을 생성하는 방법 및 장치 KR101768526B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020120082545A KR101768526B1 (ko) 2012-07-27 2012-07-27 혈관 구조에 기초하여 환자에 특화된 대상 장기의 모델을 생성하는 방법 및 장치
US13/897,818 US9514280B2 (en) 2012-07-27 2013-05-20 Method and apparatus for creating model of patient specified target organ based on blood vessel structure

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120082545A KR101768526B1 (ko) 2012-07-27 2012-07-27 혈관 구조에 기초하여 환자에 특화된 대상 장기의 모델을 생성하는 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20140015964A KR20140015964A (ko) 2014-02-07
KR101768526B1 true KR101768526B1 (ko) 2017-08-17

Family

ID=49995696

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120082545A KR101768526B1 (ko) 2012-07-27 2012-07-27 혈관 구조에 기초하여 환자에 특화된 대상 장기의 모델을 생성하는 방법 및 장치

Country Status (2)

Country Link
US (1) US9514280B2 (ko)
KR (1) KR101768526B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190084380A (ko) 2018-01-08 2019-07-17 숭실대학교산학협력단 2차원 x-선 조영영상의 혈관 구조 추출 방법, 이를 수행하기 위한 기록매체 및 장치

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101700847B1 (ko) * 2014-03-31 2017-01-31 이미숙 영상수술 트레이닝 제공방법 및 그 기록매체
KR20180028847A (ko) 2016-09-09 2018-03-19 삼성전자주식회사 네트워크 선택 방법 및 그 장치
US10740651B2 (en) * 2016-10-27 2020-08-11 General Electric Company Methods of systems of generating virtual multi-dimensional models using image analysis
US10952705B2 (en) 2018-01-03 2021-03-23 General Electric Company Method and system for creating and utilizing a patient-specific organ model from ultrasound image data
US11224392B2 (en) * 2018-02-01 2022-01-18 Covidien Lp Mapping disease spread
CN110956698B (zh) * 2019-11-21 2023-02-10 中国科学院深圳先进技术研究院 一种在血管数字模型中生成肿瘤的方法、系统及电子设备
KR102425857B1 (ko) * 2021-07-01 2022-07-29 주식회사 메디픽셀 혈관 분할에 기초하여 혈관 영상을 처리하는 방법 및 장치
KR102615185B1 (ko) * 2022-07-04 2023-12-19 메디컬아이피 주식회사 인체장기모델 생성방법 및 그 장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003153877A (ja) 2001-11-22 2003-05-27 Ge Medical Systems Global Technology Co Llc 画像診断支援システムおよび画像処理方法
JP2007520280A (ja) 2004-01-21 2007-07-26 シーメンス　メディカル　ソリューションズ　ユーエスエー　インコーポレイテッド 手術中の２次元画像および手術前の３次元画像をアフィン重ね合わせするための方法およびシステム
JP2011025005A (ja) 2009-07-03 2011-02-10 Fujifilm Corp 診断支援装置、診断支援プログラムおよび診断支援方法
US20110060576A1 (en) 2009-09-08 2011-03-10 Siemens Corporation Method and System for Computational Modeling of the Aorta and Heart
US20110255761A1 (en) 2007-06-26 2011-10-20 University Of Rochester Method and system for detecting lung tumors and nodules

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10127623A (ja) 1996-10-29 1998-05-19 Shimadzu Corp 複合型医用画像診断装置
KR100306341B1 (ko) 1997-09-30 2001-10-19 니시무로 타이죠 의료용화상진단장치
FR2820534B1 (fr) 2001-02-08 2003-06-27 Inst Nat Rech Inf Automat Dispositif de simulation de deformations de materiaux, notamment de tissus corporels mous
JP2003015877A (ja) 2001-06-28 2003-01-17 Kawasaki Heavy Ind Ltd 事例ベース推論方法および事例ベース推論装置
JP3878456B2 (ja) 2001-11-14 2007-02-07 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 画像診断支援システム
WO2006062958A2 (en) 2004-12-10 2006-06-15 Worcester Polytechnic Institute Image-based computational mechanical analysis and indexing for cardiovascular diseases
US7756308B2 (en) * 2005-02-07 2010-07-13 Stereotaxis, Inc. Registration of three dimensional image data to 2D-image-derived data
JP2007125179A (ja) 2005-11-02 2007-05-24 Olympus Medical Systems Corp 超音波診断装置
US9275190B2 (en) 2007-04-23 2016-03-01 Siemens Aktiengesellschaft Method and system for generating a four-chamber heart model
JP2009226043A (ja) 2008-03-24 2009-10-08 Gifu Univ 医用画像処理装置及び異常陰影検出方法
US8111892B2 (en) 2008-06-04 2012-02-07 Medison Co., Ltd. Registration of CT image onto ultrasound images
EP2131212A3 (en) 2008-06-05 2011-10-05 Medison Co., Ltd. Non-Rigid Registration Between CT Images and Ultrasound Images
EP2130497A1 (en) 2008-06-05 2009-12-09 Medison Co., Ltd. Anatomical feature extraction from an ultrasound liver image
KR101121353B1 (ko) 2009-08-03 2012-03-09 한국과학기술원 2차원 초음파 영상에 대응하는 2차원 ｃｔ 영상을 제공하는 시스템 및 방법
JP2011224275A (ja) 2010-04-23 2011-11-10 Hitachi Ltd 画像処理装置、方法およびプログラム
KR20120000722A (ko) 2010-06-28 2012-01-04 주식회사 사이버메드 이종 의료용 이미지간의 비강체 융합 방법
JP2012075702A (ja) 2010-10-01 2012-04-19 Fujifilm Corp 管状構造物内画像再構成装置、管状構造物内画像再構成方法および管状構造物内画像再構成プログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003153877A (ja) 2001-11-22 2003-05-27 Ge Medical Systems Global Technology Co Llc 画像診断支援システムおよび画像処理方法
JP2007520280A (ja) 2004-01-21 2007-07-26 シーメンス　メディカル　ソリューションズ　ユーエスエー　インコーポレイテッド 手術中の２次元画像および手術前の３次元画像をアフィン重ね合わせするための方法およびシステム
US20110255761A1 (en) 2007-06-26 2011-10-20 University Of Rochester Method and system for detecting lung tumors and nodules
JP2011025005A (ja) 2009-07-03 2011-02-10 Fujifilm Corp 診断支援装置、診断支援プログラムおよび診断支援方法
US20110060576A1 (en) 2009-09-08 2011-03-10 Siemens Corporation Method and System for Computational Modeling of the Aorta and Heart

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190084380A (ko) 2018-01-08 2019-07-17 숭실대학교산학협력단 2차원 x-선 조영영상의 혈관 구조 추출 방법, 이를 수행하기 위한 기록매체 및 장치

Also Published As

Publication number Publication date
US9514280B2 (en) 2016-12-06
US20140032197A1 (en) 2014-01-30
KR20140015964A (ko) 2014-02-07

Similar Documents

Publication Publication Date Title
KR101768526B1 (ko) 혈관 구조에 기초하여 환자에 특화된 대상 장기의 모델을 생성하는 방법 및 장치
US10842379B2 (en) Multi-modality image fusion for 3D printing of organ morphology and physiology
Pfeiffer et al. Learning soft tissue behavior of organs for surgical navigation with convolutional neural networks
US9761014B2 (en) System and method for registering pre-operative and intra-operative images using biomechanical model simulations
US8594405B2 (en) Three-dimensional template transformation method and apparatus
CN102727236B (zh) 通过使用3d模型产生身体器官的医疗图像的方法和设备
Oktay et al. Biomechanically driven registration of pre-to intra-operative 3D images for laparoscopic surgery
Prakosa et al. Generation of synthetic but visually realistic time series of cardiac images combining a biophysical model and clinical images
KR101874400B1 (ko) 환자에 특화된 대상 장기의 모델을 생성하는 방법 및 장치
US9462952B2 (en) System and method for estimating artery compliance and resistance from 4D cardiac images and pressure measurements
JP6570145B2 (ja) 画像を処理する方法、プログラム、代替的な投影を構築する方法および装置
KR20150045885A (ko) 초음파 및 ct 영상의 정합에 관한 시스템 및 작동 방법
Debarba et al. Efficient liver surgery planning in 3D based on functional segment classification and volumetric information
JP2023138979A (ja) 解剖学的構造の着目領域をモデリングすること
Wang et al. Automatic multi-organ segmentation in non-enhanced CT datasets using hierarchical shape priors
CN109003283A (zh) 一种基于主动形状模型的主动脉轮廓分割算法
Wong et al. Velocity-based cardiac contractility personalization from images using derivative-free optimization
Wu et al. Reconstruction of 4D-CT from a single free-breathing 3D-CT by spatial-temporal image registration
Schenkenfelder et al. Elastic registration of abdominal MRI scans and RGB-D images to improve surgical planning of breast reconstruction
Andrea et al. Validation of stereo vision based liver surface reconstruction for image guided surgery
US20140032180A1 (en) Method and apparatus for computing deformation of an object
JP7153261B2 (ja) 画像処理装置および画像処理装置の作動方法並びに画像処理プログラム
CN116368516A (zh) 使用联合合成、分割和配准的多模态临床图像对齐方法和设备
Mansi et al. Virtual pulmonary valve replacement interventions with a personalised cardiac electromechanical model
WO2018030015A1 (ja) 切離プロセス推定装置及び切離プロセスナビゲーションシステム

Legal Events

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