KR101835873B1 - 의료 이미지들의 분할 불확실성의 계산 및 시각화를 위한 시스템들 및 방법들 - Google Patents

의료 이미지들의 분할 불확실성의 계산 및 시각화를 위한 시스템들 및 방법들 Download PDF

Info

Publication number
KR101835873B1
KR101835873B1 KR1020160028406A KR20160028406A KR101835873B1 KR 101835873 B1 KR101835873 B1 KR 101835873B1 KR 1020160028406 A KR1020160028406 A KR 1020160028406A KR 20160028406 A KR20160028406 A KR 20160028406A KR 101835873 B1 KR101835873 B1 KR 101835873B1
Authority
KR
South Korea
Prior art keywords
uncertainty
target anatomical
vertices
anatomical object
surface model
Prior art date
Application number
KR1020160028406A
Other languages
English (en)
Other versions
KR20160110194A (ko
Inventor
도린 커마니시우
찰리스 헨리 플로린
보그단 조르제스쿠
사사 글빅
톰마소 만시
잉마르 포크트
Original Assignee
지멘스 악티엔게젤샤프트
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 지멘스 악티엔게젤샤프트 filed Critical 지멘스 악티엔게젤샤프트
Publication of KR20160110194A publication Critical patent/KR20160110194A/ko
Application granted granted Critical
Publication of KR101835873B1 publication Critical patent/KR101835873B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G06F19/321—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30048—Heart; Cardiac
    • 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
    • G06T2207/30056—Liver; Hepatic
    • 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
    • G06T2207/30061—Lung
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Graphics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Primary Health Care (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)

Abstract

불확실성을 계산하기 위한 시스템들 및 방법들은 환자의 의료 이미징 데이터로부터 목표 해부학적 대상물의 표면 모델을 생성하는 것을 포함한다. 표면 모델의 복수의 꼭짓점들 각각에서 불확실성이 추정된다. 복수의 꼭짓점들 각각에서 추정된 불확실성은 표면 모델 상에 시각화된다.

Description

의료 이미지들의 분할 불확실성의 계산 및 시각화를 위한 시스템들 및 방법들{SYSTEMS AND METHODS FOR COMPUTATION AND VISUALIZATION OF SEGMENTATION UNCERTAINTY IN MEDICAL IMAGES}
[0001] 본 발명은 일반적으로, 의료 이미지(medical image)들의 불확실성(uncertainty)에 관한 것으로, 더 구체적으로는 의료 이미지들의 분할 불확실성의 계산 및 시각화(visualization)에 관한 것이다.
[0002] 많은 임상 애플리케이션(clinical application)들은 오늘날, 생리(physiology) 및 기능의 정량화를 위해 기하학적 모델(geometrical model)들에 의존한다. 표준 설정에서, 이러한 모델들은 2차원(2D; two-dimension), 3차원(3D; three-dimensional), 및 3D 플러스 시간(3D+t; 3D plus time) 의료 이미지들로부터 생성된다. 추정된 모델들에 기초하여, 임상적으로 관련된 측정치들이 계산되어, 진단 및 중재 계획(intervention planning)을 위해 이용된다. 예컨대, 경-도관 대동맥 판막 치환술(TAVI; transcatheter aortic valve implantation) 계획 동안, 3D 컴퓨터 단층촬영(CT; computed tomography) 또는 경식도 심장초음파(TEE; transesophageal echocardiogram) 이미지가 포착된다. 3D 이미지에 기초하여, 대동맥 판막의 환자 특정 표면 모델이 추출될 수 있고, 임플란트 사이징(implant sizing)을 위한 거리 측정치들이 유도된다. 그러나, 유사한 이미징 응답(imaging response)을 가진 이웃 조직들에 의해 야기되는 이미지 잡음 및 불분명한 경계들로 인해, 모델 경계의 부분들은 잡음이 있거나, 흐릿하거나, 또는 신호 드롭아웃(signal dropout)을 가질 수 있다. 이러한 상황들에서 해부학적 구조(anatomy)의 경계를 정확하게 묘사하는 것은 종종 까다롭다. 따라서, 단지 기하학적 모델로부터만 유도되는 측정치들은 모델 그 자체의 불확실성으로부터 이어져서, 잠재적으로 차선의 진단 및 계획 데이터(data)를 초래한다. TAVI의 예에서, 대동맥 판막 환형(aortic valve annulus)의 이미지가 흐릿하거나 또는 신호 드롭아웃을 갖는 경우, 표면 모델만이 이용된다면 임플란트의 사이징은 차선책일 수 있다.
[0003] 실시예에 따르면, 불확실성을 계산하기 위한 시스템(system)들 및 방법들은, 환자의 의료 이미징 데이터(medical imaging data)로부터 목표 해부학적 대상물(target anatomical object)의 표면 모델(surface model)을 생성하는 것을 포함한다. 불확실성은 표면 모델의 복수의 정점(vertex)들 각각에서 추정된다. 복수의 정점들 각각에서 추정된 불확실성은 표면 모델 상에 시각화된다.
[0004] 일 실시예에서, 표면 모델의 복수의 정점들 각각에서 불확실성을 추정하는 것은, 복수의 정점들 각각에 대한 표면 법선을 따라 포인트(point)들의 범위를 추정하는 것, 및 불확실성 분포를 복수의 정점들 각각에 대해 추정된 포인트들의 범위에 피팅(fitting)하는 것을 포함한다. 포인트들의 범위는, 포인트들의 범위의 각각의 포인트가 이미지 경계(image boundary)를 정확하게 식별할 확률을 표시하는 확률 분포에 대응할 수 있다. 복수의 정점들 각각에 대한 표면 법선을 따라 포인트들의 범위를 추정하는 것은, 포인트들의 범위를 검출하기 위해 트레이닝된 분류자(trained classifier)를 이용하는 것 및 포인트들의 범위를 정의하는 것 중 적어도 하나를 포함할 수 있다. 불확실성 분포는 가우스 분포(Gaussian distribution)일 수 있다.
[0005] 일 실시예에서, 불확실성은 복수의 정점들 중 적어도 하나의 정점에 대한 포인트들의 범위에 대해 최소치 및 최대치를 정의함으로써 정교화된다.
[0006] 일 실시예에서, 목표 해부학적 대상물의 표면 모델을 생성하는 것은 마지널 공간 학습 기반 분할(marginal space learning based segmentation)을 이용하여 목표 해부학적 대상물을 분할하는 것을 포함한다. 마지널 공간 학습 기반 분할을 이용하여 목표 해부학적 대상물을 분할하는 것은, 마지널 공간 학습을 이용하여 의료 이미징 데이터에 목표 해부학적 대상물을 캡슐화(encapsulating)하는 바운딩 박스(bounding box)를 검출하는 것, 바운딩 박스 내의 목표 해부학적 대상물의 해부학적 랜드마크(anatomical landmark)들을 검출하는 것, 및 목표 해부학적 대상물의 표면 모델을 검출된 해부학적 랜드마크들에 피팅하는 것을 포함할 수 있다.
[0007] 일 실시예에서, 복수의 정점들 각각에서 추정된 불확실성을 표면 모델 상에 시각화하는 것은, 복수의 정점들 각각에 대해 색에 기초하여 불확실성의 레벨(level)을 표현하는 것을 포함할 수 있고, 불확실성의 레벨은 불확실성 분포의 표준 편차에 기초한다.
[0008] 일 실시예에서, 환자의 측정치는 표면 모델 및 불확실성에 기초하여 계산된다. 측정치는 연관된 신뢰 구간을 통한 평균 값 및 표준 편차 값과, 표면 모델 및 불확실성에 기초하는 측정치의 범위 중 적어도 하나로서 표현될 수 있다.
[0009] 본 발명의 이들 및 다른 이점들은 다음의 상세한 설명 및 첨부 도면들을 참조하여 당업자들에게 명백해질 것이다.
[0010] 도 1은 일 실시예에 따라 분할 불확실성을 계산하기 위한 고레벨 프레임워크(high-level framework)를 도시하고;
[0011] 도 2는 일 실시예에 따라 의료 이미징 데이터(medical imaging data)의 불확실성을 계산하기 위한 시스템을 도시하고;
[0012] 도 3은 일 실시예에 따라 목표 해부학적 대상물의 표면 모델을 생성하기 위한 다중 공간 학습 기반 프레임워크의 개요를 도시하고;
[0013] 도 4는 일 실시예에 따라 이미징 데이터로부터 생성된 대동맥 판막의 예시적 표면 모델을 예시하고;
[0014] 도 5는 일 실시예에 따라 불확실성을 계산하기 위해 이용되는 분류자 출력의 예시적 시각화들을 예시하고;
[0015] 도 6은 일 실시예에 따라 불확실성을 정량화하는 개요를 도시하고;
[0016] 도 7은 일 실시예에 따라 위에 놓인 불확실성들을 가진 예시적 표면 모델을 예시하고;
[0017] 도 8은 일 실시예에 따른, 불확실성에 기초하는 대동맥 판막 환형의 직경의 예시적 계산을 예시하고;
[0018] 도 9는 일 실시예에 따라 의료 이미징 데이터의 불확실성을 계산하기 위한 방법을 도시하고; 그리고
[0019] 도 10은 일 실시예에 따라 의료 이미지 데이터의 불확실성을 계산하기 위한 컴퓨터(computer)의 고레벨 블록도(high-level block diagram)를 도시한다.
[0020] 본 발명은 일반적으로, 의료 이미지들의 분할 불확실성의 계산 및 시각화에 관한 것이다. 본 발명의 실시예들은 본원에서, 의료 이미지들의 분할 불확실성을 계산 및 시각화하기 위한 방법들의 시각적 이해를 제공하기 위해 설명된다. 디지털 이미지(digital image)는 종종 하나 또는 그 초과의 대상물들(또는 형상들)의 디지털 표현들로 이루어진다. 대상물의 디지털 표현은 종종 본원에서 대상물들을 식별 및 조작하는 관점에서 설명된다. 이러한 조작들은 컴퓨터 시스템(computer system)의 메모리(memory) 또는 다른 회로/하드웨어(hardware)에서 달성되는 가상의 조작들이다. 따라서, 본 발명의 실시예들이 컴퓨터 시스템 내에 저장된 데이터를 이용하여 컴퓨터 시스템 내에서 수행될 수 있음이 이해될 것이다.
[0021] 도 1은 하나 또는 그 초과의 실시예들에 따라 분할 불확실성을 계산하기 위한 고레벨 프레임워크(100)를 도시한다. 프레임워크(100)는 의료 이미징 데이터를 이용하여 연관된 불확실성을 가진 환자의 해부학적 관심 영역의 표면 모델을 생성한다. 본원에서 논의되는 실시예들이 의료 이미징 데이터의 불확실성을 계산하는 것에 대해 논의될 수 있지만, 본 발명의 원리들은 그와 같이 제한되지 않음이 이해되어야 한다. 본 발명의 실시예들은 임의의 이미징 데이터에 대한 불확실성을 계산하기 위해 이용될 수 있다.
[0022] 도 1을 참조하면, 대상(subject)(예컨대, 환자)의 관심 영역의 이미징 데이터(102)가 수신된다. 이미징 데이터는 예컨대, 컴퓨터 단층촬영(CT; computed tomography), 초음파(US; ultrasound), 자기 공명 이미징(MRI; magnetic resonance imaging) 등과 같은 임의의 방식의 이미징 디바이스(imaging device)로부터 비롯될 수 있다. 관심 영역은 환자의 목표 해부학적 대상물일 수 있다.
[0023] 목표 해부학적 대상물의 표면 모델(104)은 이미징 데이터(102)를 이용하여 생성된다. 표면 모델(104)은 목표 해부학적 대상물의 3D 표면 모델일 수 있다. 표면 모델(104)은 임의의 분할 알고리즘(segmentation algorithm)을 이용하여 생성될 수 있다. 일 실시예에서, 표면 모델(104)은 마지널 공간 학습(MSL; marginal space learning) 기반 분할을 이용하여 생성된다.
[0024] 표면 모델(104)에 대한 불확실성(106)이 추정된다. 일 실시예에서, 예컨대, 이미지 피쳐(image feature)들을 이용하여 트레이닝된 확률적 부스팅 트리 분류자(probabilistic boosting tree classifier)와 같은 임의의 기계 학습 기반 알고리즘을 이용하여 허용가능 경계 포인트들의 범위를 계산하기 위해 표면 모델(104)의 각각의 정점에 대해 불확실성이 추정된다. 허용가능 경계 포인트들의 범위는, 허용가능 경계 포인트들의 범위의 각각의 포인트가 이미지 경계를 정확하게 식별할 확률을 표시하는 확률 분포에 대응한다. 불확실성(106)은, 불확실성 분포(예컨대, 가우스 분포)를 허용가능 경계 포인트들의 범위에 피팅함으로써 정량화된다.
[0025] 표면 모델(104) 상에 놓인 불확실성(106)을 가진 시각화(108)가 제공된다. 각각의 복셀(voxel)에 대한 불확실성의 레벨은 표면 모델(104) 상에 시각적으로 표현될 수 있다. 예컨대, 일 실시예에서, 상이한 색들이 불확실성의 상이한 레벨들을 표현할 수 있다.
[0026] 목표 해부학적 대상물의 임상 측정치들(110)은 표면 모델(104) 및 불확실성(106)을 이용하여 계산될 수 있다. 임상 측정치들(110)은 직경, 면적, 거리, 또는 임의의 다른 측정치를 포함할 수 있다. 예컨대, 임상 측정치들(110)은 단일의 값보다는 불확실성(106)에 기초하는 값들의 범위를 포함할 수 있다.
[0027] 유리하게, 프레임워크(100)가 정량화, 진단, 치료 계획, 및 중재적 안내(interventional guidance)를 위해 이용될 수 있다. 프레임워크(100)는 사용자(예컨대, 의사)가 환자의 해부학적 목표 대상물의 표면 모델의 각각의 포인트에서 불확실성을 시각화(visualize)하는 것을 가능하게 한다.
[0028] 도 2는 하나 또는 그 초과의 실시예들에 따라 의료 이미징 데이터의 불확실성을 계산하기 위한 시스템(200)의 상세도를 도시한다. 시스템(200)은 하나 또는 그 초과의 프로세서(processor)들(204)과 상호작용하는 데이터 저장 디바이스(202)를 포함한다. 시스템(200)이 예컨대, 입력/출력 인터페이스(interface), 통신 인터페이스 등과 같은 추가의 엘리먼트(element)들을 또한 포함할 수 있음이 이해되어야 한다.
[0029] 시스템(200)은 이미지 포착 디바이스(206)로부터 대상의 목표 대상물의 이미징 데이터(208)를 입력으로서 수신한다. 이미징 데이터(208)는 바람직하게, 환자의 관심 목표 해부학적 대상물의 의료 이미징 데이터이다. 이미지 포착 디바이스(206)는 예컨대, CT, US, MRI 등과 같은 임의의 이미징 방식으로 이루어질 수 있다. 이미징 데이터(208)는 2차원(2D; two-dimensional) 이미징 데이터, 3D 이미징 데이터, 3D 플러스 시간(3D+t; 3D plus time) 이미징 데이터, 또는 임의의 다른 적절한 이미징 데이터를 포함할 수 있다. 일 실시예에서, 이미징 데이터(208)는 환자를 이미징(imaging)하는 이미지 포착 디바이스(206)로부터 직접적으로 시스템(200)에 의해 수신된다. 다른 실시예에서, 이미징 데이터(208)는 이미지 포착 디바이스(206)를 이용하여 포착된 환자의 이전에 저장된 이미징 데이터를 로딩(loading)함으로써 수신된다.
[0030] 모델 생성 모듈(model generation module)(210)은 이미징 데이터(208)로부터 목표 해부학적 대상물의 표면 모델을 생성하도록 구성된다. 생성된 표면 모델은 3D 표면 모델일 수 있다. 모델 생성 모듈(210)은 표면 모델을 생성하기 위해 임의의 분할 알고리즘을 적용할 수 있다. 예컨대, 마지널 공간 학습(MSL; marginal space learning) 기반 프레임워크가 표면 모델을 생성하기 위해 이용될 수 있다. 해부학적 복잡성을 효율적으로 관리하기 위해, 표면 모델은, 목표 해부학적 대상물을 이미징 데이터(208)에 캡슐화(encapsulating)하는 바운딩 박스를 검출하고, 목표 해부학적 대상물 상의 중요 해부학적 랜드마크(key anatomical landmark)들을 식별하고, 그리고 환자 특정 표면 모델을 생성하기 위해 상세 표면 메시(detailed surface mesh)를 포함하는 전체 표면 모델을 해부학적 랜드마크들에 피팅함으로써 계층적으로 구성될 수 있다.
[0031] 도 3은 하나 또는 그 초과의 실시예들에 따라 기계 학습 기반 알고리즘들을 이용하여 목표 해부학적 대상물의 표면 모델을 생성하기 위한 MSL 기반 프레임워크의 개요를 도시한다. 도 3에 도시된 목표 해부학적 대상물은 대동맥 판막이지만, 목표 해부학적 대상물은 임의의 관심 대상물(예컨대, 간, 좌심실 등)일 수 있음이 이해되어야 한다.
[0032] 대동맥 판막의 초기 포즈(initial pose)를 정의하는 바운딩 박스(302)가 먼저, MSL 기반 3D 대상물 검출을 이용하여 이미징 데이터(208)로부터 검출된다. MSL은, 증가되는 차원성(dimensionality)의 부분공간(subspace)들에서 연산함으로써 고속 온라인 탐색(fast online searching) 및 고차원 모델들을 학습하기 위한 효율적인 기법을 제공한다. 따라서, MSL의 개념은 일련의 마지널 공간들에서 분류자들을 증분적으로 학습하는 것이다. 차원성이 증가됨에 따라, 유효 공간 구역은 이전의 마지널 공간 분류자들에 의해 더 제한적이게 된다. 3D 대상물 검출(전역적 위치 추정)은 3개의 단계들: 대상물 포지션(position) 추정, 포지션-배향 추정, 및 포지션-배향-스케일(scale) 추정으로 분할된다. 이러한 단계들 각각에 대해 (예컨대, 오프라인(offline) 단계에서) 주석첨부된 트레이닝 데이터(annotated training data)에 기초하여 개별 분류자가 트레이닝된다. 각각의 분류자는, 주석첨부된 트레이닝 데이터의 세트(set)에 기초하여 하(Haar) 및/또는 조종가능(steerable) 피쳐들과 함께 확률적 부스팅 트리(PBT; probabilistic boosting tree)를 이용하여 트레이닝될 수 있다. 이는, 이미징 데이터(208)의 대동맥 판막 모델의 전역적 위치의 코스 표현(course representation)으로서 바운딩 박스를 정의하는 추정된 아핀 변환(affine transformation)(포지션, 배향, 및 스케일)을 초래한다. 예컨대, 딥 학습 방법(deep learning method)들과 같은 임의의 기계 학습 기반 알고리즘이 이용될 수 있음이 이해되어야 한다.
[0033] 일단 이미징 데이터(208)에서 바운딩 박스(302)가 검출되면, 바운딩 박스(302) 내의 이미징 데이터(208)로부터 해부학적 랜드마크들(304)이 검출된다. 해부학적 랜드마크들(304)은 해부학적 의미를 가진 대동맥 판막 상의 포인트들이다. 예컨대, 해부학적 랜드마크들(304)은 대동맥 판막 교련(aortic valve commissure)들, 대동맥 판막 힌지(aortic valve hinge)들, 대동맥 기부(aortic root) 등을 포함할 수 있다. 해부학적 랜드마크들(304)은 랜드마크들(I1, ..., I6)을 포함하고, 이들은 각각의 트레이닝된 랜드마크 검출기들을 이용하여 이미징 데이터(208)에서 검출된다. 해부학적 랜드마크들(304)은 예컨대, 5 내지 15개의 해부학적 랜드마크들과 같은 임의의 수의 해부학적 랜드마크들을 포함할 수 있다. 독립적인 랜드마크 검출기가 해부학적 랜드마크들 각각에 대해 트레이닝된다. 일 실시예에서, 각각의 랜드마크 검출기는 주석첨부된 트레이닝 데이터에 기초하여 하 피쳐(Haar feature)들을 이용하여 PBT 분류자로서 트레이닝된다. 트레이닝된 랜드마크 검출기들은 이미징 데이터(208)의 전체 이미지 공간보다는 바운딩 박스(302)의 더 작은 부분공간의 각각의 랜드마크들을 탐색한다. 따라서, 랜드마크 검출은 전역적 로컬리제이션(global localization)보다는 더 미세한 해상도로 수행될 수 있다.
[0034] 대동맥 판막의 표면 모델(306)이 환자 특정 표면 모델을 제공하기 위해 해부학적 랜드마크들(304)에 피팅된다(fit). 표면 모델(306)은 임의의 수의 표면 포인트들을 가진 대동맥 판막의 상세한 표면 메시 표현을 포함할 수 있다. 예컨대, 표면 모델(306)은 예컨대, 수백 내지 수천 개의 표면 포인트들을 포함할 수 있다(도시하지 않음). 해부학적 랜드마크들(304)에 피팅된 표면 모델(306)은 환자 특정 대동맥 판막 모델을 제공한다. 각각의 해부학적 랜드마크(205) 및 각각의 표면 포인트는 환자 특정 대동맥 판막 모델 상의 정점이다.
[0035] 일 실시예에서, "Method and System for Intervention Planning for Transcatheter Aortic Valve Implantation from 3D Computed Tomography Data"라는 명칭의 미국 특허 번호 제 8,934,693호에서 설명되는 방법을 이용하여, 이러한 MSL 기반 프레임워크가 활용될 수 있으며, 그 미국 특허는 인용에 의해 그 전체가 본원에 포함된다.
[0036] 도 4는 하나 또는 그 초과의 실시예들에 따라 이미징 데이터(208)로부터 생성된 대동맥 판막의 예시적 표면 모델(400)을 예시한다. 대동맥 판막의 표면 모델(400)은 대동맥 판막 기부 및 3개의 리플릿(leaflet)들과 함께 도시된다. 대동맥 판막의 표면 모델(400)은 3D CT 이미징 데이터로부터 생성된다. 도 4는 대동맥 판막의 표면 모델(400)의 상면도(402), 저면도(404), 및 측면도(406)를 포함한다.
[0037] 도 2를 다시 참조하면, 불확실성 결정 모듈(212)은, 불확실성 모델을 제공하기 위해 표면 모델의 각각의 정점에서 불확실성을 추정하도록 구성된다. 예컨대, 표면 모델의 불확실성은 (예컨대, 경식도 심장초음파에서의 신호 드롭아웃으로부터) 불분명하게 묘사되거나 또는 존재하지 않는 이미지 경계로 인한 것일 수 있거나, 또는 특정 범위에서 다수의 응답들을 가진 이미지 경계로 인한 것일 수 있다.
[0038] 불확실성 결정 모듈(212)은 각각의 정점에 대한 표면 법선을 따라 허용가능 경계 포인트들의 범위를 결정한다. 일 실시예에서, 주석첨부된 트레이닝 데이터의 세트로부터 추출된 이미지 피쳐들을 이용하여 트레이닝된 분류자, 이를테면, 예컨대, PBT 분류자가 각각의 정점에 대한 허용가능 경계 포인트들의 범위를 결정하기 위해 이용된다. 각각의 정점은 분할된 표면의 경계 상의 포인트에 대응한다. 트레이닝된 분류자는 각각의 포인트에서 표면 법선을 따라 포인트들에 대한 확률을 검출한다. 허용가능 경계 포인트들의 범위는 (예컨대, 임계치와 비교되는 바와 같이) 분류자에 의해 결정된 확률 값들에 기초하여 정의된다. 허용가능 경계 포인트들의 범위는 허용가능 경계 포인트들의 범위의 각각의 포인트가 이미지 경계를 정확하게 식별할 확률을 표시하는 확률 분포에 대응할 수 있다. 일부 실시예들에서, 사용자가 허용가능 경계 포인트들의 범위를 정의할 수 있다.
[0039] 도 5는 하나 또는 그 초과의 실시예들에 따라 불확실성을 계산하기 위해 이용되는 분류자 출력의 예시적 시각화들(500)을 예시한다. 시각화들(500)은 대동맥 판막 환형의 예들(502, 504, 및 506)을 포함한다. 열(508)은 대동맥 판막 환형 윤곽(514)에 대한 CT 이미지들을 도시한다. 열(510)은 (예컨대, 분류자에 의한 출력된 바와 같은) 확률 분포에 대응하는 대동맥 판막 경계 위치들의 강조된 부분들(516)을 포함하는 확률 맵(probability map)을 도시한다. 열(512)은 확률 맵과 CT 이미지의 융합된 이미지를 도시한다.
[0040] 불확실성 결정 모듈(212)은 각각의 불확실성 분포를 각각의 정점에 대해 결정된 허용가능 경계 포인트들의 범위에 피팅함으로써 불확실성을 정량화한다. 구체적으로, 각각의 정점에 대한 불확실성 분포는 그 정점에 대한 허용가능 경계 포인트들의 범위와 연관된 확률 분포에 피팅된다. 일 실시예에서, 불확실성 분포는 가우스 분포일 수 있다. 다른 분포들이 또한 이용될 수 있다.
[0041] 도 6은 하나 또는 그 초과의 실시예들에 따라 불확실성을 정량화하는 개요(600)를 도시한다. 앞서 논의된 바와 같이, 분류자는, 대동맥 판막의 표면 모델(602)의 특정 정점(pn)에 대한 표면 법선을 따라 포인트들의 범위에 대응하는 확률 분포(606)를 결정한다. 확률 분포(606)는 정점(pn)의 표면 법선을 따르는 포인트들의 범위의 각각의 포인트가 이미지 경계를 식별할 확률들에 대응한다. 표면 모델(602)의, 위에서 아래로 내려다본 도면(top down view)(604)에서 정점(pn)으로부터 연장되는 화살표들에 의해 도시되는 바와 같이, 정점(pn)의 표면 법선을 따르는 포인트들의 범위는 정점(pn)으로부터 판막 내측 또는 판막 외측일 수 있다. 가우스 분포(608)가 정점(pn)에 대한 허용가능 경계 포인트들의 범위의 확률 분포(606)에 피팅된다. 평균(μ) 및 표준 편차(σ)가 가우스 분포(608)로부터 추출될 수 있다. 따라서, 정점(pn)에 대한 불확실성을 나타내는 값은 아래의 방정식(1)과 같이 계산될 수 있다.
Figure 112016034122812-pat00001
[0042] 일 실시예에서, 사용자는, 각각의 정점에 대한 표면 법선을 따라 허용가능 경계 포인트들의 범위에 대한 최소치 및 최대치를 정의함으로써 불확실성 모델을 추가로 정교화할 수 있다. 1차원(1D; one-dimensional) 가우스 분포는 각각의 정점에 대해 정의된 최소 허용가능 경계 포인트(
Figure 112016034122812-pat00002
) 및 최대 허용가능 경계 포인트(
Figure 112016034122812-pat00003
)에 기초하여 허용가능 경계 포인트들의 범위에 피팅될 수 있다. 가우스 분포의 평균은 경계 포인트(즉, 정점)에 로케이팅되고(located), 표준 편차는 신뢰 구간을 정의한다. 표면 모델의 불확실성을 표현하는 값은 사용자가 정의한 허용가능 경계 포인트들의 범위에 기초하여 아래의 방정식(2)에서와 같이 계산될 수 있다.
Figure 112016034122812-pat00004
[0043] 일 실시예에서, 불확실성 모델은 이미징 데이터의 대상물을 분할하기 위해 이용되는 기계-학습 기반 분류자들을 트레이닝하기 위한 분할 알고리즘에 피드백될(fed back) 수 있다. 예컨대, 높은 확실성을 가진 구역들은 트레이닝을 위해 선택될 수 있지만, 불확실한 구역들은 차별적인 학습 파이프라인(discriminative learning pipeline)에서 포지티브(positive)들로서 선택되지 않을 수 있다.
[0044] 도 2를 다시 참조하면, 시각화 모듈(214)은 표면 모델 상의 불확실성의 시각화를 발생시키도록 구성된다. 예컨대, 각각의 정점에 대한 불확실성이 표면 모델 위에 놓일 수 있다. 각각의 정점에 대한 불확실성의 레벨들이 표면 모델 상에서 시각적으로 구별될 수 있다. 불확실성의 레벨들은 가우스 분포의 분산 또는 표준 편차에 기초할 수 있다. 일 실시예에서, 불확실성은 불확실성의 상이한 레벨들에 대응하는 상이한 색들을 이용하여 표면 모델 상에 표현될 수 있다. 불확실성의 레벨들을 표현하기 위해 본 발명의 원리들의 맥락 내에서 임의의 다른 시각적 구별이 또한 이용될 수 있음이 이해되어야 한다.
[0045] 도 7은 하나 또는 그 초과의 실시예들에 따라 위에 놓인 불확실성을 가진 예시적 표면 모델(700)을 예시한다. 표면 모델(700)은 상면도(702), 저면도(704), 및 측면도(706)를 포함한다. 불확실성들은 예컨대, 색 또는 음영에 의해 표면 모델(700) 상에 시각적으로 표현된다. 예컨대, 도 7의 표면 모델(700)이 흑백으로 도시되지만, 표면 모델(700)은 경계 윤곽 불확실성들의 상이한 레벨들을 표현하는 지정된 색들 또는 음영들을 포함할 수 있다. 예컨대, 표면 모델(700)은 높은 경계 윤곽 불확실성을 표시하는 적색 부분들 및 신뢰적 경계 위치들을 표시하는 청색 부분들을 이용하여 시각화될 수 있다.
[0046] 일 실시예에서, 시각화 모듈(214)은 가능한 분할 솔루션(segmentation solution)들의 시각화를 가능하게 하기 위해 불확실성을 따라 메시를 애니메이팅할(animate) 수 있다. 예컨대, 중재 동안, 사용자는 중재 동안 획득된 추가의 정보(예컨대, 콘트라스트(contrast), 새로운 이미지들 등)에 기초하여 하나의 모델을 선택하고, 그에 따라, 추가로 불확실성을 감소시키고 결정 프로세스(decision process)를 개선할 수 있다.
[0047] 측정치 계산 모듈(216)은 불확실성에 기초하여 표면 모델 상의 대상물들의 측정치들을 계산하도록 구성된다. 예컨대, 표면 모델 상의 대상물들의 직경, 면적, 거리, 또는 임의의 다른 측정치는 불확실성을 고려하여 계산될 수 있다. 불확실성에 기초하여 계산된 파라미터(parameter)는 값들의 범위로서 표현될 수 있다. 일부 실시예들에서, 파라미터는 퍼센트 신뢰 구간(percent confidence interval)을 통한 평균 값 ± 표준 편차로서 표현될 수 있다.
[0048] 일 실시예에서, 표면 모델 상의 대상물의 측정치들은 불확실성에 기초하는 최소 값과 최대 값 사이의 값들의 범위로서 표현된다. 다른 실시예들에서, 표면 모델 상의 대상물의 측정치들은 확률적으로 계산될 수 있다. 예컨대, 최소 및 최대 거리는 불확실성에 기초하는 주어진 신뢰 구간(예컨대, 95% 신뢰)에 대해 추정될 수 있다. 다른 실시예에서, 불확실성 표면 모델에 기초하여 포인트 구성들이 도출될 수 있는 경우, 추계적(stochastic) 방법들이 적용될 수 있다. 불확실성에 기초하여 표면 모델 상의 대상물들의 파라미터들을 계산하기 위한 다른 접근방식들이 또한 이용될 수 있다.
[0049] 도 8은 하나 또는 그 초과의 실시예들에 따른, 불확실성에 기초한 대동맥 판막 환형의 직경의 예시적 계산(800)을 예시한다. 불확실성 표면 모델(802)은 대동맥 판막 환형에 대한 직경 범위를 계산하기 위해 이용된다. 도면(804)에서 도시된 대동맥 판막 환형의 최소 직경(d1)(도 8에서 점선으로 도시됨) 및 최대 직경(d2)(도 8에서 실선으로 도시됨)은 불확실성에 기초하여 추정된다. 대동맥 판막의 직경 범위(806)는 최소 직경(d1)부터 최대 직경(d2)까지의 값들의 범위(예컨대, 8 mm 내지 12 mm)로서 제공된다.
[0050] 유리하게, 시스템(200)은 표면 모델의 각각의 정점과 연관된 불확실성을 결정한다. 추정된 불확실성에 기초하여, 사용자(예컨대, 의사)는 정량화 및 중재 계획을 위해 정규 작업흐름(regular workflow)을 변경할 수 있다. 예컨대, TAVI에 대한 임플란트 사이징의 경우에서, 불확실성이 0.5 mm 미만이라면, 의사는 사이징을 위해 현재의 측정치로 계속할 수 있다(디바이스들이 3 mm 범위들로 관여되기 때문임). 그러나, 불확실성이 2 mm보다 더 큰다면, 의사는 (예컨대, 상이한 방식을 이용하여) 목표 해부학적 대상물을 재-이미징(re-image)하는 것을 결정할 수 있다.
[0051] 도 9는 하나 또는 그 초과의 실시예에 따라 의료 이미징 데이터의 불확실성을 계산하기 위한 방법(900)을 도시한다. 단계(902)에서, 환자의 목표 해부학적 대상물의 의료 이미징 데이터가 수신된다. 의료 이미징 데이터는 예컨대, CT, US, MRI 등과 같은 임의의 방식으로 이루어 질 수 있다. 의료 이미징 데이터는 바람직하게 3D 이미징 데이터를 포함하지만, 임의의 적절한 이미징 데이터를 포함할 수 있다. 의료 이미징 데이터는 이미지 포착 디바이스로부터 직접적으로 수신될 수 있거나 또는 이미 저장된 의료 이미징 데이터를 로딩함으로써 수신될 수 있다.
[0052] 단계(904)에서, 의료 이미징 데이터로부터 목표 해부학적 대상물의 표면 모델이 생성된다. 표면 모델은 목표 해부학적 대상물의 3D 표면 모델일 수 있다. 표면 모델은 예컨대, 도 3과 관련하여 앞서 설명된 MSL 기반 프레임워크와 같은 임의의 분할 알고리즘을 이용하여 생성될 수 있다. 예컨대, 표면 모델은 먼저, MSL 및 임의의 트레이닝된 기계 학습 기반 알고리즘, 이를테면, 예컨대, PBT를 이용하여 목표 해부학적 대상물의 코스 표현으로서 바운딩 박스를 검출함으로써 생성될 수 있다. 그 다음으로, 트레이닝된 랜드마크 검출기들을 이용하여 의료 이미징 데이터의 바운딩 박스 내의 목표 해부학적 대상물의 해부학적 랜드마크들이 식별될 수 있다. 그 다음으로, 환자 특정 표면 모델을 제공하기 위해 목표 해부학적 대상물의 표면 모델이 해부학적 랜드마크들에 피팅된다. 표면 모델은 표면 포인트들을 포함하는 표면 메시를 포함한다. 해부학적 랜드마크들 및 표면 포인트들은 표면 모델의 정점들이다.
[0053] 단계(906)에서, 표면 모델의 복수의 정점들 각각에서 불확실성이 추정된다. 일 실시예에서, 트레이닝된 분류자(예컨대, PBT 분류자)는 각각의 정점의 표면 법선을 따라 허용가능 경계 포인트들의 범위를 결정한다. 허용가능 경계 포인트들의 범위는, 트레이닝된 분류기에 의해 계산되는, 허용가능 경계 포인트들의 범위의 각각의 포인트가 이미지 경계를 정확하게 식별할 확률을 표시하는 확률 분포에 대응할 수 있다. 불확실성은, 각각의 불확실성 분포(예컨대, 가우스 분포)를 각각의 정점에 대해 결정된 허용가능 경계 포인트들의 범위의 확률 분포에 피팅함으로써 정량화된다. 일 실시예에서, 하나 또는 그 초과의 정점들에 대한 허용가능 경계 포인트들의 범위에 대해 최대치 및 최소치를 정의함으로써, 불확실성이 정교화된다.
[0054] 단계(908)에서, 복수의 정점들 각각에서 추정된 불확실성은 표면 모델 상에 시각화된다. 각각의 정점에서의 불확실성의 레벨이 시각적으로 구별될 수 있다. 예컨대, 불확실성의 상이한 레벨들을 표현하기 위해 상이한 색들이 이용될 수 있다. 불확실성의 레벨들은 가우스 분포의 표준 편차(또는 분산)에 기초할 수 있다.
[0055] 단계(910)에서, 표면 모델 및 불확실성에 기초하여 목표 해부학적 대상물의 임상 측정치들이 계산된다. 임상 측정치들은 직경, 면적, 거리, 또는 임의의 다른 측정치를 포함할 수 있다. 임상 측정치들은 퍼센트 신뢰 구간을 통한 평균 값 ± 표준 편차로서 또는 값들의 범위로서 표현될 수 있다.
[0056] 본원에서 설명되는 시스템들, 장치들, 및 방법들은 디지털 회로를 이용하여, 또는 잘-알려진 컴퓨터 프로세서들, 메모리 유닛(memory unit)들, 저장 디바이스들, 컴퓨터 소프트웨어(computer software), 및 다른 컴포넌트(component)들을 이용하는 하나 또는 그 초과의 컴퓨터들을 이용하여 구현될 수 있다. 통상적으로, 컴퓨터는 명령들을 실행하기 위한 프로세서, 및 명령들 및 데이터를 저장하기 위한 하나 또는 그 초과의 메모리들을 포함한다. 컴퓨터는 또한, 하나 또는 그 초과의 대용량 저장 디바이스들, 이를테면, 하나 또는 그 초과의 자기 디스크(magnetic disk)들, 내부 하드 디스크(internal hard disk)들 및 착탈식 디스크들, 광자기 디스크들, 광학 디스크들 등을 포함하거나 또는 그에 커플링될(coupled) 수 있다.
[0057] 본원에서 설명되는 시스템들, 장치, 및 방법들은 클라이언트-서버 관계(client-server relationship)로 동작하는 컴퓨터들을 이용하여 구현될 수 있다. 통상적으로, 이러한 시스템에서, 클라이언트 컴퓨터들은 서버 컴퓨터로부터 원거리에 로케이팅되고 그리고 네트워크(network)를 통해 상호작용한다. 클라이언트-서버 관계는 각각의 클라이언트 및 서버 컴퓨터들 상에서 실행되는 컴퓨터 프로그램(computer program)들에 의해 정의 및 제어될 수 있다.
[0058] 본원에서 설명되는 시스템들, 장치, 및 방법들은 네트워크-기반 클라우드 컴퓨팅 시스템(network-based cloud computing system) 내에 구현될 수 있다. 이러한 네트워크-기반 클라우드 컴퓨팅 시스템에서, 네트워크에 연결되는 서버 또는 다른 프로세서는 네트워크를 통해 하나 또는 그 초과의 클라이언트 컴퓨터들과 통신한다. 클라이언트 컴퓨터는 예컨대, 클라이언트 컴퓨터 상에 상주하면서 동작하는 네트워크 브라우저 애플리케이션(network browser application)을 통해 서버와 통신할 수 있다. 클라이언트 컴퓨터는 서버 상에 데이터를 저장하고 그리고 네트워크를 통해 데이터에 액세스(access)할 수 있다. 클라이언트 컴퓨터는 데이터에 대한 요청들 또는 온라인 서비스(online service)들에 대한 요청들을 네트워크를 통해 서버에 송신할 수 있다. 서버는 요청된 서비스들을 수행하고 그리고 데이터를 클라이언트 컴퓨터(들)에 제공할 수 있다. 서버는 또한, 클라이언트 컴퓨터로 하여금 지정된 기능을 수행하게, 예컨대, 계산을 수행하게, 지정된 데이터를 스크린(screen) 상에 디스플레잉(display)하게 하는 등등을 위해 적응된 데이터를 송신할 수 있다. 예컨대, 서버는, 클라이언트 컴퓨터로 하여금, 도 9의 단계들 중 하나 또는 그 초과를 비롯하여 본원에서 설명된 방법 단계들 중 하나 또는 그 초과를 수행하게 하도록 적응된 요청을 송신할 수 있다. 도 9의 단계들 중 하나 또는 그 초과를 비롯하여 본원에서 설명된 방법들의 특정 단계들은 네트워크-기반 클라우드-컴퓨팅 시스템의 서버에 의해 또는 다른 프로세서에 의해 수행될 수 있다. 도 9의 단계들 중 하나 또는 그 초과를 비롯하여 본원에서 설명된 방법들의 특정 단계들은 네트워크-기반 클라우드 컴퓨팅 시스템의 클라이언트 컴퓨터에 의해 수행될 수 있다. 도 9의 단계들 중 하나 또는 그 초과를 비롯하여 본원에서 설명된 방법들의 단계들은 임의의 결합으로, 네트워크-기반 클라우드 컴퓨팅 시스템의 서버에 의해 그리고/또는 클라이언트 컴퓨터에 의해 수행될 수 있다.
[0059] 본원에서 설명되는 시스템들, 장치, 및 방법들은, 프로그램가능 프로세서(programmable processor)에 의한 실행을 위해 정보 캐리어(information carrier), 예컨대, 비-일시적 기계-판독가능 저장 디바이스에 유형적으로(tangibly) 구현된 컴퓨터 프로그램 물건을 이용하여 구현될 수 있고; 그리고 도 9의 단계들 중 하나 또는 그 초과를 비롯하여 본원에서 설명된 방법 단계들은 이러한 프로세서에 의해 실행가능한 하나 또는 그 초과의 컴퓨터 프로그램들을 이용하여 구현될 수 있다. 컴퓨터 프로그램은 특정 활동을 수행하기 위해 또는 특정 결과를 초래하기 위해 컴퓨터에서 직접적으로 또는 간접적으로 이용될 수 있는 컴퓨터 프로그램 명령들의 세트이다. 컴퓨터 프로그램은 컴파일링되거나(compiled) 또는 인터프리팅되는(interpreted) 언어들을 비롯한 임의의 형태의 프로그래밍 언어(programming language)로 기록될 수 있고, 그리고 독립형 프로그램으로서 또는 모듈, 컴포넌트, 서브루틴(subroutine), 또는 컴퓨팅 환경에서 사용하기에 적절한 다른 유닛으로서를 비롯하여 임의의 형태로 배치될 수 있다.
[0060] 본원에서 설명되는 시스템들, 장치, 및 방법들을 구현하기 위해 이용될 수 있는 예시적 컴퓨터의 고레벨 블록도(1000)가 도 10에 도시된다. 컴퓨터(1002)는 데이터 저장 디바이스(1012) 및 메모리(1010)에 동작가능하게 커플링된 프로세서(1004)를 포함한다. 프로세서(1004)는 컴퓨터(1002)의 전체적인 동작을, 이러한 동작들을 정의하는 컴퓨터 프로그램 명령들을 실행시킴으로써 제어한다. 컴퓨터 프로그램 명령들은 데이터 저장 디바이스(1012) 또는 다른 컴퓨터 판독가능 매체에 저장되어, 컴퓨터 프로그램 명령의 실행이 요구되는 경우 메모리(1010)에 로딩될(loaded) 수 있다. 따라서, 도 9의 방법 단계들은 메모리(1010) 및/또는 데이터 저장 디바이스(1012)에 저장되는 컴퓨터 프로그램 명령들에 의해 정의되고 그리고 컴퓨터 프로그램 명령들을 실행시키는 프로세서(1004)에 의해 제어될 수 있다. 예컨대, 컴퓨터 프로그램 명령들은 도 2의 모듈들 및 도 1 및 도 9의 방법 단계들을 수행하기 위해 당업자에 의해 프로그래밍되는(programmed) 컴퓨터 실행가능 코드(computer executable code)로서 구현될 수 있다. 따라서, 컴퓨터 프로그램 명령들을 실행시킴으로써, 프로세서(1004)는 도 1 및 도 9의 방법 단계들 및 도 2의 모듈들을 실행시킨다. 컴퓨터(1002)는 또한, 네트워크를 통해 다른 디바이스들과 통신하기 위한 하나 또는 그 초과의 네트워크 인터페이스들(1006)을 포함할 수 있다. 컴퓨터(1002)는 또한, 컴퓨터(1002)와의 사용자 상호작용을 가능하게 하는 하나 또는 그 초과의 입력/출력 디바이스들(1008)(예컨대, 디스플레이(display), 키보드(keyboard), 마우스(mouse), 스피커(speaker)들, 버튼(button)들 등)을 포함할 수 있다.
[0061] 프로세서(1004)는 범용 및 특수 목적 마이크로프로세서(microprocessor)들 양쪽 모두를 포함할 수 있고, 그리고 컴퓨터(1002)의 다수의 프로세서들 중 하나의 프로세서 또는 단독 프로세서일 수 있다. 프로세서(1004)는 예컨대, 하나 또는 그 초과의 중앙 프로세싱 유닛(CPU; central processing unit)들을 포함할 수 있다. 프로세서(1004), 데이터 저장 디바이스(1012), 및/또는 메모리(1010)는, 하나 또는 그 초과의 주문형 집적 회로(ASIC; application-specific integrated circuit)들 및/또는 하나 또는 그 초과의 필드 프로그램가능 게이트 어레이(FPGA; field programmable gate array)들을 포함하거나, 이들에 의해 보완되거나, 또는 이들에 포함될 수 있다.
[0062] 데이터 저장 디바이스(1012) 및 메모리(1010) 각각은 유형적인 비-일시적 컴퓨터 판독가능 저장 매체를 포함한다. 데이터 저장 디바이스(1012) 및 메모리(1010) 각각은 고속 랜덤 액세스 메모리(high-speed random access memory), 이를테면, 동적 랜덤 액세스 메모리(DRAM; dynamic random access memory), 정적 랜덤 액세스 메모리(SRAM; static random access memory), 더블 데이터 레이트 동기식 동적 랜덤 액세스 메모리(DDR RAM; double data rate synchronous dynamic random access memory), 또는 다른 랜덤 액세스 고체 상태 메모리 디바이스들을 포함할 수 있고, 그리고 비-휘발성 메모리, 이를테면, 하나 또는 그 초과의 자기 디스크 저장 디바이스들, 이를테면, 내부 하드 디스크들 및 착탈식 디스크들, 광자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스(flash memory device)들, 반도체 메모리 디바이스들, 이를테면, 소거가능 프로그램가능 판독-전용 메모리(EPROM; erasable programmable read-only memory), 전기적 소거가능 프로그램가능 판독-전용 메모리(EEPROM; electrically erasable programmable read-only memory), 컴팩트 디스크 판독-전용 메모리(CD-ROM; compact disc read-only memory), 디지털 다기능 디스크 판독-전용 메모리(DVD-ROM; digital versatile disc read-only memory) 디스크들, 또는 다른 비-휘발성 고체 상태 저장 디바이스들을 포함할 수 있다.
[0063] 입력/출력 디바이스들(1008)은 프린터(printer), 스캐너(scanner), 디스플레이 스크린(display screen) 등과 같은 주변기기들을 포함할 수 있다. 예컨대, 입력/출력 디바이스들(1008)은 정보를 사용자에게 디스플레잉하기 위한 음극선관(CRT; cathode ray tube) 또는 액정 디스플레이(LCD; liquid crystal display) 모니터(monitor)와 같은 디스플레이 디바이스, 키보드, 및 포인팅 디바이스(pointing device), 이를테면, 마우스 또는 트랙볼(trackball)을 포함할 수 있고, 이들에 의해 사용자가 입력을 컴퓨터(1002)에 제공할 수 있다.
[0064] 도 2의 시스템(200)의 엘리먼트들을 비롯하여 본원에서 논의되는 시스템들 및 장치 중 임의의 또는 모든 시스템들 및 장치는 컴퓨터(1002)와 같은 하나 또는 그 초과의 컴퓨터들을 이용하여 구현될 수 있다.
[0065] 당업자는, 실제 컴퓨터 또는 컴퓨터 시스템의 구현이 다른 구조들을 가질 수 있고 그리고 다른 컴포넌트들을 포함할 수 있을 수 있다는 것뿐만 아니라, 도 10이 예시적 목적들을 위해 이러한 컴퓨터의 컴포넌트들 중 일부의 고레벨 표현이라는 것을 인식할 것이다.
[0066] 전술한 상세한 설명은 모든 점에서 제한적이 아니라 예증적이고 예시적인 것으로서 이해될 것이며, 본원에 개시되는 본 발명의 범위는 상세한 설명으로부터 결정되는 것이 아니라, 오히려 특허법들에 의해 허용되는 전체 범위에 따라 해석되는 바와 같이 청구항들로부터 결정된다는 것이 이해될 것이다. 본원에서 도시되고 설명되는 실시예들은 단지 본 발명의 원리들을 예시하는 것이고 그리고 본 발명의 범위 및 사상으로부터 벗어남이 없이 당업자들에 의해 다양한 수정들이 구현될 수 있다는 것이 이해될 것이다. 당업자들은 본 발명의 범위 및 사상으로부터 벗어남이 없이 다양한 다른 특징 결합들을 구현할 수 있다.

Claims (32)

  1. 환자의 목표 해부학적 대상물(target anatomical object)의 임상 측정치를 계산하기 위한 방법으로서,
    환자의 의료 이미징 데이터(medical imaging data)로부터 목표 해부학적 대상물의 표면 모델(surface model)을 생성하는 단계;
    상기 표면 모델의 복수의 정점(vertex)들의 각각에 대한 표면 법선을 따른 복수의 포인트(point)들의 각각이 이미지 경계(image boundary)를 정확하게 식별할 확률을 결정하는 단계;
    각각의 정점에 대한 표면 법선을 따른 상기 복수의 포인트들에 대해 결정된 확률들에 기초하여, 상기 표면 모델의 복수의 정점들의 각각의 정점에서 불확실성을 추정하는 단계;
    상기 복수의 정점들의 각각에서 추정된 상기 불확실성을 상기 표면 모델 상에 시각화(visualizing)하는 단계; 및
    상기 표면 모델 및 상기 불확실성에 기초하여 상기 목표 해부학적 대상물의 임상 측정치를 계산하는 단계
    를 포함하는,
    환자의 목표 해부학적 대상물의 임상 측정값을 계산하기 위한 방법.
  2. 제 1 항에 있어서,
    상기 표면 모델의 복수의 정점들의 각각의 정점에서 불확실성을 추정하는 단계는,
    각각의 정점에 대한 표면 법선을 따른 복수의 포인트들에 대해 결정된 확률들에 기초하여, 상기 각각의 정점에 대한 표면 법선을 따른 복수의 포인트들로부터 허용가능 포인트들의 범위를 추정하는 단계; 및
    상기 복수의 정점들의 각각에 대해 추정된 상기 허용가능 포인트들의 범위에 각각의 불확실성 분포를 피팅(fitting)하는 단계
    를 더 포함하는,
    환자의 목표 해부학적 대상물의 임상 측정값을 계산하기 위한 방법.
  3. 제 2 항에 있어서,
    상기 허용가능 포인트들의 범위는, 상기 허용가능 포인트들의 범위의 각각의 포인트가 상기 이미지 경계를 정확하게 식별할 상기 확률을 표시하는 확률 분포에 대응하는,
    환자의 목표 해부학적 대상물의 임상 측정값을 계산하기 위한 방법.
  4. 제 2 항에 있어서,
    상기 표면 모델의 복수의 정점들의 각각에 대한 표면 법선을 따른 복수의 포인트들의 각각이 이미지 경계를 정확하게 식별할 확률을 결정하는 단계는, 트레이닝된 분류자(trained classifier)를 이용하여 상기 표면 모델의 복수의 정점들의 각각에 대한 표면 법선을 따른 복수의 포인트들의 각각이 상기 이미지 경계를 정확하게 식별할 확률을 검출하는 단계를 포함하고,
    상기 각각의 정점에 대한 표면 법선을 따른 복수의 포인트들로부터 허용가능 포인트들의 범위를 추정하는 단계는, 상기 각각의 정점에 대한 표면 법선을 따른 복수의 포인트들에 대해 결정된 확률들과 임계값의 비교에 기초하여 상기 각각의 정점에 대한 표면 법선을 따른 복수의 포인트들로부터 허용가능 포인트들의 범위를 추정하는 단계를 포함하는,
    환자의 목표 해부학적 대상물의 임상 측정값을 계산하기 위한 방법.
  5. 제 2 항에 있어서,
    상기 복수의 정점들의 각각에 대해 추정된 상기 허용가능 포인트들의 범위에 각각의 불확실성 분포를 피팅하는 단계는, 상기 복수의 정점들의 각각에 대해 추정된 상기 허용가능 포인트들의 범위에 각각의 가우스 분포(Gaussian distribution)를 피팅하는 단계를 포함하는,
    환자의 목표 해부학적 대상물의 임상 측정값을 계산하기 위한 방법.
  6. 제 5 항에 있어서,
    상기 각각의 가우스 분포의 평균은 상기 정점에 있고, 그리고
    표준 편차는 상기 정점에 대한 신뢰 구간(confidence interval)을 정의하는,
    환자의 목표 해부학적 대상물의 임상 측정값을 계산하기 위한 방법.
  7. 제 2 항에 있어서,
    상기 복수의 정점들 중 적어도 하나의 정점에 대한 상기 허용가능 포인트들의 범위에 대해 최소치 및 최대치를 정의함으로써 상기 불확실성을 정교화하는 단계
    를 더 포함하는,
    환자의 목표 해부학적 대상물의 임상 측정값을 계산하기 위한 방법.
  8. 제 1 항에 있어서,
    상기 목표 해부학적 대상물의 표면 모델을 생성하는 단계는, 마지널 공간 학습 기반 분할(marginal space learning based segmentation)을 이용하여 상기 목표 해부학적 대상물을 분할하는 단계
    를 더 포함하는,
    환자의 목표 해부학적 대상물의 임상 측정값을 계산하기 위한 방법.
  9. 제 8 항에 있어서,
    상기 마지널 공간 학습 기반 분할을 이용하여 상기 목표 해부학적 대상물을 분할하는 단계는,
    마지널 공간 학습을 이용하여 상기 의료 이미징 데이터에 상기 목표 해부학적 대상물을 캡슐화(encapsulating)하는 바운딩 박스(bounding box)를 검출하는 단계,
    상기 바운딩 박스 내의 상기 목표 해부학적 대상물의 해부학적 랜드마크(anatomical landmark)들을 검출하는 단계, 및
    상기 목표 해부학적 대상물의 표면 모델을 검출된 해부학적 랜드마크들에 피팅하는 단계
    를 더 포함하는,
    환자의 목표 해부학적 대상물의 임상 측정값을 계산하기 위한 방법.
  10. 제 1 항에 있어서,
    상기 복수의 정점들의 각각에서 추정된 상기 불확실성을 상기 표면 모델 상에 시각화하는 단계는, 상기 복수의 정점들의 각각에 대한 불확실성의 레벨(level)을 표현하는 색으로 상기 표면 모델의 시각화(visualization)를 디스플레잉(displaying)하는 단계를 더 포함하고,
    상기 복수의 정점들의 각각에 대한 불확실성의 레벨은 상기 복수의 정점들의 각각에 대해 추정된 각각의 불확실성 분포의 표준 편차에 기초하는,
    환자의 목표 해부학적 대상물의 임상 측정값을 계산하기 위한 방법.
  11. 삭제
  12. 제 1 항에 있어서,
    상기 표면 모델 및 상기 불확실성에 기초하여 상기 목표 해부학적 대상물의 임상 측정치를 계산하는 단계는;
    상기 표면 모델 및 상기 불확실성에 기초하여 상기 임상 측정치의 범위를 계산하는 단계, 및
    상기 표면 모델 및 상기 불확실성에 기초하여 연관된 신뢰 구간을 통해 상기 임상 측정치에 대한 평균 값 및 표준 편차 값을 계산하는 단계
    중 적어도 하나를 포함하는,
    환자의 목표 해부학적 대상물의 임상 측정값을 계산하기 위한 방법.
  13. 환자의 목표 해부학적 대상물의 임상 측정치를 계산하기 위한 장치로서,
    환자의 의료 이미징 데이터로부터 목표 해부학적 대상물의 표면 모델을 생성하기 위한 수단;
    상기 표면 모델의 복수의 정점들의 각각에 대한 표면 법선을 따른 복수의 포인트들의 각각이 이미지 경계를 정확하게 식별할 확률을 결정하기 위한 수단;
    각각의 정점에 대한 표면 법선을 따른 상기 복수의 포인트들에 대해 결정된 확률들에 기초하여, 상기 표면 모델의 복수의 정점들의 각각의 정점에서 불확실성을 추정하기 위한 수단;
    상기 복수의 정점들의 각각에서 추정된 상기 불확실성을 상기 표면 모델 상에 시각화하기 위한 수단; 및
    상기 표면 모델 및 상기 불확실성에 기초하여 상기 목표 해부학적 대상물의 임상 측정치를 계산하기 위한 수단
    을 포함하는,
    환자의 목표 해부학적 대상물의 임상 측정치를 계산하기 위한 장치
  14. 제 13 항에 있어서,
    상기 표면 모델의 복수의 정점들의 각각의 정점에서 불확실성을 추정하기 위한 수단은,
    각각의 정점에 대한 표면 법선을 따른 복수의 포인트들에 대해 결정된 확률들에 기초하여, 상기 각각의 정점에 대한 표면 법선을 따른 복수의 포인트들로부터 허용가능 포인트들의 범위를 추정하기 위한 수단; 및
    상기 복수의 정점들의 각각에 대해 추정된 상기 허용가능 포인트들의 범위에 각각의 불확실성 분포를 피팅하기 위한 수단
    를 더 포함하는,
    환자의 목표 해부학적 대상물의 임상 측정치를 계산하기 위한 장치
  15. 제 14 항에 있어서,
    상기 허용가능 포인트들의 범위는, 상기 허용가능 포인트들의 범위의 각각의 포인트가 상기 이미지 경계를 정확하게 식별할 상기 확률을 표시하는 확률 분포에 대응하는,
    환자의 목표 해부학적 대상물의 임상 측정치를 계산하기 위한 장치
  16. 제 14 항에 있어서,
    상기 표면 모델의 복수의 정점들의 각각에 대한 표면 법선을 따른 복수의 포인트들의 각각이 이미지 경계를 정확하게 식별할 확률을 결정하기 위한 수단은, 트레이닝된 분류자를 이용하여 상기 표면 모델의 복수의 정점들의 각각에 대한 표면 법선을 따른 복수의 포인트들의 각각이 상기 이미지 경계를 정확하게 식별할 확률을 검출하기 위한 수단을 포함하고,
    상기 각각의 정점에 대한 표면 법선을 따른 복수의 포인트들로부터 허용가능 포인트들의 범위를 추정하기 위한 수단은, 상기 각각의 정점에 대한 표면 법선을 따른 복수의 포인트들에 대해 결정된 확률들과 임계값의 비교에 기초하여 상기 각각의 정점에 대한 표면 법선을 따른 복수의 포인트들로부터 허용가능 포인트들의 범위를 추정하기 위한 수단을 포함하는,
    환자의 목표 해부학적 대상물의 임상 측정치를 계산하기 위한 장치
  17. 제 14 항에 있어서,
    상기 복수의 정점들의 각각에 대해 추정된 상기 허용가능 포인트들의 범위에 각각의 불확실성 분포를 피팅하기 위한 수단은, 상기 복수의 정점들의 각각에 대해 추정된 상기 허용가능 포인트들의 범위에 각각의 가우스 분포를 피팅하기 위한 수단을 포함하는,
    환자의 목표 해부학적 대상물의 임상 측정치를 계산하기 위한 장치
  18. 제 14 항에 있어서,
    상기 복수의 정점들 중 적어도 하나의 정점에 대한 상기 허용가능 포인트들의 범위에 대해 최소치 및 최대치를 정의함으로써 상기 불확실성을 정교화하기 위한 수단
    을 더 포함하는,
    환자의 목표 해부학적 대상물의 임상 측정치를 계산하기 위한 장치
  19. 제 13 항에 있어서,
    상기 목표 해부학적 대상물의 표면 모델을 생성하기 위한 수단은, 마지널 공간 학습 기반 분할을 이용하여 상기 목표 해부학적 대상물을 분할하기 위한 수단을 더 포함하는,
    환자의 목표 해부학적 대상물의 임상 측정치를 계산하기 위한 장치
  20. 제 19 항에 있어서,
    상기 마지널 공간 학습 기반 분할을 이용하여 상기 목표 해부학적 대상물을 분할하기 위한 수단은,
    마지널 공간 학습을 이용하여 상기 의료 이미징 데이터에 상기 목표 해부학적 대상물을 캡슐화하는 바운딩 박스를 검출하기 위한 수단,
    상기 바운딩 박스 내의 상기 목표 해부학적 대상물의 해부학적 랜드마크들을 검출하기 위한 수단, 및
    상기 목표 해부학적 대상물의 표면 모델을 검출된 해부학적 랜드마크들에 피팅하기 위한 수단
    을 더 포함하는,
    환자의 목표 해부학적 대상물의 임상 측정치를 계산하기 위한 장치
  21. 제 13 항에 있어서,
    상기 복수의 정점들의 각각에서 추정된 상기 불확실성을 상기 표면 모델 상에 시각화하기 위한 수단은, 상기 복수의 정점들의 각각에 대한 불확실성의 레벨을 표현하는 색으로 상기 표면 모델의 시각화를 디스플레잉하기 위한 수단을 더 포함하고,
    상기 복수의 정점들의 각각에 대한 불확실성의 레벨은 상기 복수의 정점들의 각각에 대해 추정된 각각의 불확실성 분포의 표준 편차에 기초하는,
    환자의 목표 해부학적 대상물의 임상 측정치를 계산하기 위한 장치.
  22. 삭제
  23. 제 13 항에 있어서,
    상기 표면 모델 및 상기 불확실성에 기초하여 상기 목표 해부학적 대상물의 임상 측정치를 계산하기 위한 수단은,
    상기 표면 모델 및 상기 불확실성에 기초하여 상기 임상 측정치의 범위를 계산하기 위한 수단, 및
    상기 표면 모델 및 상기 불확실성에 기초하여 연관된 신뢰 구간을 통해 상기 임상 측정치에 대한 평균 값 및 표준 편차 값을 계산하기 위한 수단
    중 적어도 하나를 포함하는,
    환자의 목표 해부학적 대상물의 임상 측정치를 계산하기 위한 장치
  24. 환자의 목표 해부학적 대상물의 임상 측정치를 계산하기 위한 컴퓨터 프로그램 명령(computer program instruction)들을 저장하는 비-일시적 컴퓨터 판독가능 매체(computer readable medium)로서,
    상기 컴퓨터 프로그램 명령들은 프로세서(processor)에 의해 실행될 때, 상기 프로세서로 하여금,
    환자의 의료 이미징 데이터로부터 목표 해부학적 대상물의 표면 모델을 생성하는 동작;
    상기 표면 모델의 복수의 정점들의 각각에 대한 표면 법선을 따른 복수의 포인트들의 각각이 이미지 경계를 정확하게 식별할 확률을 결정하는 동작;
    각각의 정점에 대한 표면 법선을 따른 상기 복수의 포인트들에 대해 결정된 확률들에 기초하여, 상기 표면 모델의 복수의 정점들의 각각의 정점에서 불확실성을 추정하는 동작;
    상기 복수의 정점들의 각각에서 추정된 상기 불확실성을 상기 표면 모델 상에 시각화하는 동작; 및
    상기 표면 모델 및 상기 불확실성에 기초하여 상기 목표 해부학적 대상물의 임상 측정치를 계산하는 동작
    을 포함하는 동작들을 수행하게 하는,
    비-일시적 컴퓨터 판독가능 매체.
  25. 제 24 항에 있어서,
    상기 표면 모델의 복수의 정점들의 각각의 정점에서 불확실성을 추정하는 동작은,
    각각의 정점에 대한 표면 법선을 따른 복수의 포인트들에 대해 결정된 확률들에 기초하여, 상기 각각의 정점에 대한 표면 법선을 따른 복수의 포인트들로부터 허용가능 포인트들의 범위를 추정하는 동작; 및
    상기 복수의 정점들의 각각에 대해 추정된 상기 허용가능 포인트들의 범위에 각각의 불확실성 분포를 피팅하는 동작
    을 더 포함하는,
    비-일시적 컴퓨터 판독가능 매체.
  26. 제 25 항에 있어서,
    상기 허용가능 포인트들의 범위는, 상기 허용가능 포인트들의 범위의 각각의 포인트가 상기 이미지 경계를 정확하게 식별할 상기 확률을 표시하는 확률 분포에 대응하는,
    비-일시적 컴퓨터 판독가능 매체.
  27. 제 25 항에 있어서,
    상기 동작들은, 상기 복수의 정점들 중 적어도 하나의 정점에 대한 상기 허용가능 포인트들의 범위에 대해 최소치 및 최대치를 정의함으로써 상기 불확실성을 정교화하는 동작을 더 포함하는,
    비-일시적 컴퓨터 판독가능 매체.
  28. 제 24 항에 있어서,
    상기 목표 해부학적 대상물의 표면 모델을 생성하는 동작은, 마지널 공간 학습 기반 분할을 이용하여 상기 목표 해부학적 대상물을 분할하는 동작을 더 포함하는,
    비-일시적 컴퓨터 판독가능 매체.
  29. 제 28 항에 있어서,
    상기 마지널 공간 학습 기반 분할을 이용하여 상기 목표 해부학적 대상물을 분할하는 동작은,
    마지널 공간 학습을 이용하여 상기 의료 이미징 데이터에 상기 목표 해부학적 대상물을 캡슐화하는 바운딩 박스를 검출하는 동작,
    상기 바운딩 박스 내의 상기 목표 해부학적 대상물의 해부학적 랜드마크들을 검출하는 동작, 및
    상기 목표 해부학적 대상물의 표면 모델을 검출된 해부학적 랜드마크들에 피팅하는 동작
    을 더 포함하는,
    비-일시적 컴퓨터 판독가능 매체.
  30. 제 24 항에 있어서,
    상기 복수의 정점들의 각각에서 추정된 상기 불확실성을 상기 표면 모델 상에 시각화하는 동작은, 상기 복수의 정점들의 각각에 대한 불확실성의 레벨을 표현하는 색으로 상기 표면 모델의 시각화를 디스플레잉하는 동작을 더 포함하고,
    상기 복수의 정점들의 각각에 대한 불확실성의 레벨은 상기 복수의 정점들의 각각에 대해 추정된 각각의 불확실성 분포의 표준 편차에 기초하는,
    비-일시적 컴퓨터 판독가능 매체.
  31. 삭제
  32. 제 24 항에 있어서,
    상기 표면 모델 및 상기 불확실성에 기초하여 상기 목표 해부학적 대상물의 임상 측정치를 계산하는 동작은
    상기 표면 모델 및 상기 불확실성에 기초하여 상기 임상 측정치의 범위를 계산하는 동작, 및
    상기 표면 모델 및 상기 불확실성에 기초하여 연관된 신뢰 구간을 통해 상기 임상 측정치에 대한 평균 값 및 표준 편차 값을 계산하는 동작
    중 적어도 하나를 포함하는,
    비-일시적 컴퓨터 판독가능 매체.
KR1020160028406A 2015-03-10 2016-03-09 의료 이미지들의 분할 불확실성의 계산 및 시각화를 위한 시스템들 및 방법들 KR101835873B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US14/642,914 US9704256B2 (en) 2015-03-10 2015-03-10 Systems and method for computation and visualization of segmentation uncertainty in medical images
US14/642,914 2015-03-10

Publications (2)

Publication Number Publication Date
KR20160110194A KR20160110194A (ko) 2016-09-21
KR101835873B1 true KR101835873B1 (ko) 2018-03-08

Family

ID=56886756

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160028406A KR101835873B1 (ko) 2015-03-10 2016-03-09 의료 이미지들의 분할 불확실성의 계산 및 시각화를 위한 시스템들 및 방법들

Country Status (3)

Country Link
US (1) US9704256B2 (ko)
KR (1) KR101835873B1 (ko)
CN (1) CN106157295B (ko)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10600181B2 (en) 2016-12-23 2020-03-24 Heartflow, Inc. Systems and methods for probabilistic segmentation in anatomical image processing
US11478212B2 (en) 2017-02-16 2022-10-25 Siemens Healthcare Gmbh Method for controlling scanner by estimating patient internal anatomical structures from surface data using body-surface and organ-surface latent variables
US10600185B2 (en) * 2017-03-08 2020-03-24 Siemens Healthcare Gmbh Automatic liver segmentation using adversarial image-to-image network
DE102017114811A1 (de) * 2017-07-03 2019-01-03 Volume Graphics Gmbh Verfahren zur Bestimmung von Unsicherheiten in Messdaten aus einer Messung eines Objekts
CN108230301A (zh) * 2017-12-12 2018-06-29 哈尔滨理工大学 一种基于主动轮廓模型的脊柱ct图像自动定位分割方法
JP6708695B2 (ja) * 2018-04-20 2020-06-10 ファナック株式会社 検査装置
US11769309B2 (en) * 2018-04-30 2023-09-26 Mathew Powers Method and system of rendering a 3D image for automated facial morphing with a learned generic head model
US11024034B2 (en) * 2019-07-02 2021-06-01 Acist Medical Systems, Inc. Image segmentation confidence determination
CN112454010A (zh) * 2019-09-09 2021-03-09 北京精雕科技集团有限公司 一种在机测量结果可视化方法
US11562203B2 (en) 2019-12-30 2023-01-24 Servicenow Canada Inc. Method of and server for training a machine learning algorithm for estimating uncertainty of a sequence of models
US20220293247A1 (en) * 2021-03-12 2022-09-15 Siemens Healthcare Gmbh Machine learning for automatic detection of intracranial hemorrhages with uncertainty measures from ct images
WO2023062093A1 (en) * 2021-10-14 2023-04-20 Feops Nv Systems and methods for automatically detecting anatomical features for preoperative cardiac implant simulations

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010042068A1 (en) * 2000-01-13 2001-11-15 Nikon Corporation Methods and apparatus for data classification, signal processing, position detection, image processing, and exposure

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009027889A2 (en) 2007-08-31 2009-03-05 Koninklijke Philips Electronics N.V. Uncertainty maps for segmentation in the presence of metal artifacts
EP2216752A1 (en) 2009-02-09 2010-08-11 EADS Deutschland GmbH Method of visualizing geometric uncertainties
US8774523B2 (en) 2009-07-28 2014-07-08 Schlumberger Technology Corporation Precise boundary segment intersection for boundary representation modeling
US9292917B2 (en) * 2011-11-23 2016-03-22 Siemens Aktiengesellschaft Method and system for model-based fusion of computed tomography and non-contrasted C-arm computed tomography
US9424395B2 (en) 2013-03-04 2016-08-23 Heartflow, Inc. Method and system for sensitivity analysis in modeling blood flow characteristics

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010042068A1 (en) * 2000-01-13 2001-11-15 Nikon Corporation Methods and apparatus for data classification, signal processing, position detection, image processing, and exposure

Also Published As

Publication number Publication date
US9704256B2 (en) 2017-07-11
CN106157295A (zh) 2016-11-23
US20160267673A1 (en) 2016-09-15
KR20160110194A (ko) 2016-09-21
CN106157295B (zh) 2019-07-09

Similar Documents

Publication Publication Date Title
KR101835873B1 (ko) 의료 이미지들의 분할 불확실성의 계산 및 시각화를 위한 시스템들 및 방법들
JP7134962B2 (ja) 解剖学的画像処理における確率的セグメンテーションのためのシステム及び方法
JP6993334B2 (ja) 自動化された心臓ボリュームセグメンテーション
US11514571B2 (en) Hierarchical analysis of medical images for identifying and assessing lymph nodes
US9155470B2 (en) Method and system for model based fusion on pre-operative computed tomography and intra-operative fluoroscopy using transesophageal echocardiography
CN111210401B (zh) 根据医学图像的主动脉自动检测和量化
US9576356B2 (en) Region clustering forest for analyzing medical imaging data
Gao et al. Automatic segmentation of coronary tree in CT angiography images
US10867423B2 (en) Deformation field calculation apparatus, method, and computer readable storage medium
US10949698B2 (en) Image processing apparatus, image processing system, image processing method, and storage medium
CN110546685B (zh) 图像分割和分割预测
US10748282B2 (en) Image processing system, apparatus, method and storage medium
US9547906B2 (en) System and method for data driven editing of rib unfolding
JP6400725B2 (ja) 関心領域を区分化するための画像処理機器及び方法
CN113362272A (zh) 具有不确定性估计的医学图像分割
CN110648358A (zh) 用于3d医学图像中的对象定位的形状参数的自适应非线性优化
RU2721078C2 (ru) Сегментация анатомической структуры на основе модели
JP2019518288A (ja) 医療画像における変化検出
CN111563496A (zh) 用于图像采集的自动视图规划的连续学习
JP2021069793A (ja) 画像処理装置、画像処理方法およびプログラム
CN112950648A (zh) 确定磁共振图像中的正中矢状平面的方法和设备
US20220398718A1 (en) System and methods for medical image quality assessment using deep neural networks
US20230119535A1 (en) Systems and methods for automatically detecting anatomical features for preoperative cardiac implant simulations

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal