KR101856200B1 - 두개골의 이형 상태 분류방법 - Google Patents

두개골의 이형 상태 분류방법 Download PDF

Info

Publication number
KR101856200B1
KR101856200B1 KR1020160135431A KR20160135431A KR101856200B1 KR 101856200 B1 KR101856200 B1 KR 101856200B1 KR 1020160135431 A KR1020160135431 A KR 1020160135431A KR 20160135431 A KR20160135431 A KR 20160135431A KR 101856200 B1 KR101856200 B1 KR 101856200B1
Authority
KR
South Korea
Prior art keywords
skull
value
dimensional
cmp
characteristic
Prior art date
Application number
KR1020160135431A
Other languages
English (en)
Other versions
KR20180042898A (ko
Inventor
홍헬렌
이민진
김용욱
심규원
Original Assignee
서울여자대학교 산학협력단
연세대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 서울여자대학교 산학협력단, 연세대학교 산학협력단 filed Critical 서울여자대학교 산학협력단
Priority to KR1020160135431A priority Critical patent/KR101856200B1/ko
Publication of KR20180042898A publication Critical patent/KR20180042898A/ko
Application granted granted Critical
Publication of KR101856200B1 publication Critical patent/KR101856200B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • 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 or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N99/005—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Optics & Photonics (AREA)
  • Pulmonology (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

두개골의 이형 상태 분류방법은 2차원 형태 특성에 대한 CMP(class membership probability)값을 도출하는 단계, 3차원 형태 특성에 대한 CMP값을 도출하는 단계, 3차원 위상 특성에 대한 CMP값을 도출하는 단계, 상기 2차원 형태 특성에 대한 CMP값, 상기 3차원 형태 특성에 대한 CMP값 및 상기 3차원 위상 특성에 대한 CMP값을 비교하여 두개골 이형의 상태를 분류하는 단계, 및 상기 두개골 이형의 상태에 따라, 상기 3차원 형태 특성에 대한 CMP값 및 상기 3차원 위상 특성에 대한 CMP값을 비교하여 두개골 이형의 상태를 추가로 분류하는 단계를 포함한다.

Description

두개골의 이형 상태 분류방법{METHOD FOR CLASSIFYING A SKULL FEATURE}
본 발명은 두개골 이형 상태 분류방법에 관한 것으로, 더욱 상세하게는 환자의 두개골에 대한 2차원 및 3차원 형태 특성 결과 및 3차원 위상 특성 결과를 바탕으로 두개골의 이형 상태를 자동으로 분류할 수 있는 두개골의 이형 상태 분류방법에 관한 것이다.
두개골의 이형은 그 상태에 따라 이중 관상(bicoronal), 단일 관상(unicoronal), 단일 상봉합(unilambdoid), 시상봉합(sagittal) 등으로 분류될 수 있는데, 이러한 두개골의 이형은 그 상태에 따라 서로 다른 치료방법 등이 적용되므로 적절한 진단 및 빠른 치료가 필요하다.
그러나, 이러한 두개골 이형에 대한 판단은 대부분 두개골에 대한 CT 촬영 등을 통해 숙련된 의사에 의해 수행될 수밖에 없으므로 조기 진단이 어려운 문제가 있어 왔다.
한편, 이러한 두개골 이형의 진단과 관련하여, 미국 등록특허 US 9370318호는 두개골의 양적평가에 관한 기술로 CT이미지로부터 두개골유합증의 연산을 해석하기 위한 기술을 개시하고 있으나, 본 기술을 통해서는 실제 측정된 모델과 형상 모델 사이의 차이를 연산하여 비정상적인 대상을 진단하는 단순한 기술을 개시하고 있을 뿐이며, 이에 따라 두개골 이형 상태의 진단의 정확성이 높지 않은 문제가 있다.
나아가, 두개골 이형 상태에 대한 진단기술로서 현재까지 제안된 기술들의 경우, 진단 방법에 따라 서로 다른 진단 결과가 도출되는 등의 문제가 있으며, 서로 다른 진단 방법으로 진단된 결과를 동시에 검토하거나 고려하는 기술은 전혀 개시되고 있지 않은바 객관적이며 정확한 두개골 이형 상태에 대한 진단 및 분류 기술에 대한 필요성이 대두되고 있다.
1. 미국 등록특허 US 9370318호
이에, 본 발명의 기술적 과제는 이러한 점에서 착안된 것으로 본 발명의 목적은 두개골 이형 상태에 대하여 보다 정확하고 효과적인 분류가 가능한 두개골의 이형 상태 분류방법에 관한 것이다.
상기한 본 발명의 목적을 실현하기 위한 일 실시예에 따른 두개골의 이형 상태 분류방법은 2차원 형태 특성에 대한 CMP(class membership probability)값을 도출하는 단계, 3차원 형태 특성에 대한 CMP값을 도출하는 단계, 3차원 위상 특성에 대한 CMP값을 도출하는 단계, 상기 2차원 형태 특성에 대한 CMP값, 상기 3차원 형태 특성에 대한 CMP값 및 상기 3차원 위상 특성에 대한 CMP값을 비교하여 두개골 이형의 상태를 분류하는 단계, 및 상기 두개골 이형의 상태에 따라, 상기 3차원 형태 특성에 대한 CMP값 및 상기 3차원 위상 특성에 대한 CMP값을 비교하여 두개골 이형의 상태를 추가로 분류하는 단계를 포함한다.
일 실시예에서, 상기 2차원 형태 특성에 대한 CMP값, 상기 3차원 형태 특성에 대한 CMP값, 및 상기 3차원 위상 특성에 대한 CMP값들 각각은, 정상(normal), 시상봉합(sagittal), 이중 관상(bicoronal), 단일 관상(unicoronal) 및 단일 상봉합(unilambdoid)으로 분류된 두개골 이형 상태에 대한 분류들 각각에, 해당 환자의 두개골이 속할 확률값일 수 있다.
일 실시예에서, 상기 2차원 형태 특성에 대한 CMP값을 도출하는 단계는, 2차원 형태 특성을 수치화하는 단계, 및 상기 수치화된 2차원 형태 특성에 대하여 SVM(support vector machine) 분류자(classifier)를 이용하여 CMP값을 도출하는 단계를 포함할 수 있다.
일 실시예에서, 상기 2차원 형태 특성을 수치화하는 단계는, 환자의 실제 두개골 2차원 영상을 획득하는 단계, 상기 획득 영상에서 두개골 경계점들의 정보를 획득하는 단계, 및 상기 획득된 정보를 바탕으로 2차원 형태 특성을 수치화하는 단계를 포함할 수 있다.
일 실시예에서, 상기 3차원 형태 특성에 대한 CMP값을 도출하는 단계는, 3차원 형태 특성을 수치화하는 단계, 및 상기 수치화된 3차원 형태 특성에 대하여 SVM(support vector machine) 분류자(classifier)를 이용하여 CMP값을 도출하는 단계를 포함할 수 있다.
일 실시예에서, 상기 3차원 형태 특성을 수치화하는 단계는, 환자의 실제 두개골 영상을 획득하는 단계, 평균 두개골 모델을 생성하는 단계, 기준점들을 이용하여 상기 평균 두개골 모델을 변형하여 상기 실제 두개골 영상에 정합하여 실제 변형을 계산하는 단계, 및 상기 평균 두개골 모델의 변형된 양을 바탕으로 환자의 두개골의 2차원 형태 특성 또는 3차원 형태 특성을 수치화하는 단계를 포함할 수 있다.
일 실시예에서, 상기 3차원 위상 특성에 대한 CMP값을 도출하는 단계는, 3차원 위상 특성을 수치화하는 단계, 및 상기 수치화된 3차원 위상 특성에 대하여 SVM(support vector machine) 분류자(classifier)를 이용하여 CMP값을 도출하는 단계를 포함할 수 있다.
일 실시예에서, 상기 3차원 위상 특성을 수치화하는 단계는, 환자의 실제 두개골 영상을 획득하는 단계, 평균 두개골 모델을 생성하는 단계, 기준점들을 이용하여 상기 평균 두개골 모델을 변형하여 상기 실제 두개골 영상에 정합하여 실제 변형을 계산하는 단계, 상기 평균 두개골 모델 및 상기 실제 두개골 영상으로부터 두개골 뼈를 분할하여 추출하는 단계, 및 상기 평균 두개골 모델에서 추출된 두개골 뼈의 면적과 상기 실제 두개골 영상에서 추출된 두개골 뼈의 면적을 비교하여 환자 두개골의 3차원 위상 특성을 수치화하는 단계를 포함할 수 있다.
일 실시예에서, 상기 두개골 이형의 상태를 분류하는 단계는, 상기 3차원 형태 특성에 대한 CMP값에 제1 가중치를 인가하는 단계, 상기 3차원 위상 특성에 대한 CMP값에 제2 가중치를 인가하는 단계, 상기 2차원 형태 특성에 대한 CMP값과 상기 제1 가중치가 인가된 3차원 형태 특성에 대한 CMP값을 비교하는 단계, 상기 2차원 형태 특성에 대한 CMP값과 상기 제1 가중치가 인가된 3차원 형태 특성에 대한 CMP값 중 큰 값과, 상기 제2 가중치가 인가된 3차원 위상 특성에 대한 CMP값을 비교하는 단계, 및 환자의 두개골 이형을 1차적으로 분류하는 단계를 포함할 수 있다.
일 실시예에서, 상기 환자의 두개골 이형을 1차적으로 분류하는 단계에서, 환자의 두개골 이형은 정상(normal), 시상봉합(sagittal) 및 기타(others) 중 어느 하나로 분류될 수 있다.
일 실시예에서, 상기 두개골 이형의 상태를 추가로 분류하는 단계는, 상기 분류된 두개골 이형의 결과가 기타(others)에 해당되는 경우, 상기 3차원 형태 특성에 대한 CMP값과 상기 3차원 위상 특성에 대한 CMP값을 추가로 비교하는 단계, 및 환자의 두개골 이형을 2차적으로 분류하는 단계를 포함할 수 있다.
일 실시예에서, 상기 환자의 두개골 이형을 2차적으로 분류하는 단계에서, 환자의 두개골 이형은 이중 관상(bicoronal), 단일 관상(unicoronal) 및 단일 상봉합(unilambdoid) 중 어느 하나로 분류될 수 있다.
본 발명의 실시예들에 의하면, 단순히 형태 특성에 대한 결과값이나 위상 특성에 대한 결과값만으로 환자의 두개골 이형의 상태를 분류하는 것이 아닌, 형태 특성에 대한 결과값과 위상 특성에 대한 결과값을 서로 비교하여 환자의 두개골 이형의 상태를 분류하므로, 보다 정확한 분류가 가능할 수 있다.
이 경우, 형태 특성 및 위상 특성에 대한 결과값을 CMP값으로 도출함으로써 각각의 결과값을 바탕으로 두개골 이형으로 분류된 각각의 상태에 해당할 확률을 연산하고, 상기 연산된 확률값들 중 큰 값을 바탕으로 해당 두개골의 이형을 판단하게 되므로, 보다 정확한 분류 및 판단이 가능하게 된다.
또한, 형태 특성을 수치화하는 단계 및 위상 특성을 수치화하는 단계에서 정상인들의 평균 두개골 모델을 이용하여 평균 두개골 모델과 실제 두개골 영상과의 차이점을 바탕으로 형태 및 위상 특성을 수치화하므로, 판단지표를 보다 정확하게 정의할 수 있어 수치화된 결과값의 정확성이 향상된다.
특히, 형태 특성은 2차원 및 3차원으로 구별하여 수치화를 수행하고, 단일 관상 및 단일상봉합에 대하여는 3차원 CMP값에서 더 정확한 값으로 판단되므로 3차원 CMP값에 대하여 가중치를 인가함으로써, 최종 도출되는 결과의 정확성을 향상시킬 수 있다.
또한, 형태 특성 및 위상 특성의 방법을 서로 다르게 수행함으로써, 본 실시예에 의한 두개골 이형 상태의 분류 결과가 서로 다른 두개골 특성 기술자를 이용한 결과를 모두 고려한 것으로, 그 정확성을 향상시킬 수 있다.
나아가, 두개골 이형 상태의 분류시, 도출된 3가지 CMP값을 모두 비교하여 결과를 도출한 후, 기타(others)에 해당되는 경우는 보다 정확한 진단이 필요하므로, 3차원 위상 특성 CMP값과 3차원 형태 특성 CMP값을 재차 비교하여 보다 정확한 분류를 수행할 수 있다.
도 1은 본 발명의 일 실시예에 의한 두개골의 이형 상태 분류방법을 도시한 흐름도이다.
도 2는 도 1의 2차원 형태 특성을 수치화하는 단계를 도시한 흐름도이다.
도 3은 도 1의 3차원 형태 특성을 수치화하는 단계를 도시한 흐름도이다.
도 4는 도 1의 3차원 위상 특성을 수치화하는 단계를 도시한 흐름도이다.
도 5는 도 1의 두개골 이형의 상태를 분류하는 단계(단계 S40)를 도시한 흐름도이다.
도 6은 도 1의 두개골 이형의 상태를 추가로 분류하는 단계(단계 S50)를 도시한 흐름도이다.
도 7a 내지 도 7d는 도 1의 두개골의 이형 상태 분류방법에 의해 분류된 두개골 상태의 예를 도시한 모식도들이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 실시예들을 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다.
상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함하다" 또는 "이루어진다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다.
도 1은 본 발명의 일 실시예에 의한 두개골의 이형 상태 분류방법을 도시한 흐름도이다. 도 2는 도 1의 2차원 형태 특성을 수치화하는 단계를 도시한 흐름도이다. 도 3은 도 1의 3차원 형태 특성을 수치화하는 단계를 도시한 흐름도이다. 도 4는 도 1의 3차원 위상 특성을 수치화하는 단계를 도시한 흐름도이다. 도 5는 도 1의 두개골 이형의 상태를 분류하는 단계(단계 S40)를 도시한 흐름도이다. 도 6은 도 1의 두개골 이형의 상태를 추가로 분류하는 단계(단계 S50)를 도시한 흐름도이다.
도 1 내지 도 6을 참조하면, 본 실시예에 의한 두개골 이형 상태 분류방법에서는, 우선, 2차원 형태 특성에 대한 CMP(class membership probability)값을 도출한다(단계 S10).
보다 구체적으로, 2차원 형태 특성을 수치화한다(단계 S11).
이 경우, 상기 2차원 형태 특성을 수치화하는 단계에 대하여는 후술되는 3차원 형태 특성을 수치화하는 단계와 함께 후술한다.
후술되는 수치화 단계를 통해, 2차원 형태 특성을 수치화하게 되면, 환자의 두개골의 상태를 판단할 수 있는 소정의 값이 수치로 도출된다.
이 후, 상기 수치화된 2차원 형태 특성에 대하여 SVM(support vector machine) 분류자(classifier)를 이용하여 CMP값을 도출한다(단계 S12).
이 경우, SVM 분류자란 데이터 분류에 사용되는 방법으로, 분류가 필요한 데이터들에 대하여 마진(margin)이 최대가 되도록 분류하는 방법을 의미한다.
이에 따라, 상기 SVM 분류자를 이용하게 되면 상기 2차원 형태 특성에 대한 수치값들이, 환자의 두개골의 이형의 분류 기준인 정상(normal), 시상봉합(sagittal), 이중 관상(bicoronal), 단일 관상(unicoronal) 및 단일 상봉합(unilambdoid)의 각각의 분류에 속하는 확률로 계산되며, 이렇게 각각의 분류에 속하는 확률로 계산된 값이 CMP값에 해당된다.
다만, 본 실시예에서는 2차원 형태 특성의 경우 단일 관상이나 단일 상봉합을 분류할 특성을 포함하지 않으므로, 상기 분류들 중 이중 관상(bicoronal), 단일 관상(unicoronal) 및 단일 상봉합(unilambdoid)을 기타(others)로 할당하여, 분류 기준을 정상(normal), 시상봉합(sagittal) 및 기타(others)로 분류하여 각각의 분류에 속하는 확률로 CMP값을 도출한다.
이 후, 3차원 형태 특성에 대한 CMP값을 도출한다(단계 S20).
보다 구체적으로, 3차원 형태 특성을 수치화한다(단계 S21). 이러한 3차원 형태 특성의 수치화를 통해, 환자의 두개골 상태를 판단할 수 있는 소정의 값이 수치로 도출된다.
이 후, 상기 수치화된 3차원 형태 특성에 대하여 SVM 분류자를 이용하여 CMP값을 도출한다(단계 S22).
이에 따라, 상기 SVM 분류자를 이용하게 되면, 상기 3차원 형태 특성에 대한 수치값들이, 환자의 두개골의 이형의 분류 기준인 정상(normal), 시상봉합(sagittal), 이중 관상(bicoronal), 단일 관상(unicoronal) 및 단일 상봉합(unilambdoid)의 각각의 분류에 속하는 확률로 계산되며, 이렇게 각각의 분류에 속하는 확률로 계산된 값이 CMP값에 해당된다.
한편, 상기 2차원 형태 특성을 수치화하는 단계(단계 S11) 및 상기 3차원 형태 특성을 수치화하는 단계(단계 S21)를 도 2 및 도 3을 각각 참조하여 구체적으로 설명한다.
도 2를 참조하면, 상기 2차원 형태 특성을 수치화하는 단계에서, 우선, 환자의 실제 두개골 영상을 획득한다(단계 S110).
이 경우, 상기 두개골 영상은 CT(computerized tomographic) 또는 MRI 영상으로 촬영될 수 있으며, 이는 3차원 영상일 수 있다.
이 후, 상기 획득된 3차원 영상에서 두개골 경계점들의 정보를 획득한다(단계 S120).
구체적으로, 상기 획득된 3차원 영상으로부터 상기 두개골의 특정 단면의 경계점들의 좌표 등의 정보를 획득한다. 이러한 경계점들의 좌표 등의 정보는 획득된 모든 두개골의 단면 영상에 대하여 수행된다.
즉, 상기 특정 단면의 경계점들의 좌표 등의 정보는 상기 획득된 3차원 영상에서 형태 특성이 잘 나타나는 특정 2차원 단면 영상에 대하여 수행된다.
이 후, 상기 획득된 경계점들의 정보를 바탕으로, 2차원 형태 특성을 수치화한다(단계 S130).
즉, 상기 단면상의 두개골의 경계점들에 대한 정보를 수치화하여 상기 두개골 영상에 대한 형태 특성을 생성하게 된다.
그리하여, 상기 2차원 영상으로부터 환자의 두개골의 2차원 형태 특성을 수치화할 수 있다(단계 S11).
도 3을 참조하면, 상기 3차원 형태 특성을 수치화하는 단계에서, 우선, 환자의 실제 두개골 영상을 획득한다(단계 S210).
이 경우, 상기 두개골 영상은 CT(computerized tomographic) 또는 MRI 영상으로 촬영될 수 있으며, 이는 3차원 영상일 수 있다.
이 후, 평균 두개골 모델을 생성한다(단계 S120).
이 경우, 평균 두개골 모델이란 정상인의 두개골 형상의 평균값을 모델화한 것으로, 상기 평균 두개골 모델은 연령별로 두개골의 형태가 바뀌는 것을 고려하여 환자가 속하는 연령대에 따라 해당 연령에서의 평균 두개골 모델을 사용하게 된다.
또한, 3차원 형태 특성의 수치화를 위해서는 3차원 평균 두개골 모델을 사용한다.
이 후, 기준점들을 이용하여 평균 두개골 모델을 변형하여 실제 두개골 영상에 정합한다(단계 S130).
이 경우, 상기 기준점들은 평균 두개골 모델 및 실제 두개골 영상에 대하여 특정 위치(예를 들어, Nasion, Basion, Opisthion 및 양 측의 Porion 등)에 설정할 수 있으며, 상기 설정된 기준점들을 이용하여 상기 평균 두개골 모델을 이동, 회전, 확대 또는 축소시키면서 상기 실제 두개골 영상으로 정합한다.
이 후, 상기와 같이 정합을 수행한 후, 상기 평균 두개골 모델과 실제 두개골 사이의 국소 변형을 통해, 상기 실제 두개골의 실제 변형된 양을 계산한다.
이 후, 상기 평균 두개골 모델의 변형된 양을 바탕으로 상기 환자의 두개골의 3차원 형태 특성을 수치화한다(단계 S140).
즉, 상기 기준점들을 이용하여 상기 평균 두개골 모델을 상기 실제 두개골 영상으로 정합을 진행하면, 상기 평균 두개골 모델의 변형되는 양을 도출할 수 있으며, 이렇게 평균 두개골 모델의 변형되는 양은 3차원 평균 두개골 모델에 대하여 도출될 수 있다.
그리하여, 상기 3차원 평균 두개골 모델의 변형된 양을 바탕으로 환자의 두개골의 3차원 형태 특성을 수치화할 수 있다(단계 S21).
이 후, 두개골 이형 상태 분류방법에서, 3차원 위상 특성에 대한 CMP값을 도출한다(단계 S30).
보다 구체적으로, 3차원 위상 특성을 수치화한다(단계 S31).
이 경우, 3차원 위상 특성의 수치화 단계를 도 4를 참조하여 설명하면, 상기 3차원 위상 특성의 수치화에서는 우선, 환자의 실제 두개골 영상을 획득한다(단계 S310).
이 경우, 상기 두개골 영상은 CT(computerized tomographic) 또는 MRI 영상으로 촬영될 수 있으며, 이는 3차원 영상일 수 있다.
이 후, 평균 두개골 모델을 생성한다(단계 S320).
이 경우, 평균 두개골 모델이란 정상인의 두개골 형상의 평균값을 모델화한 것으로, 상기 평균 두개골 모델은 연령별로 두개골의 형태가 바뀌는 것을 고려하여 환자가 속하는 연령대에 따라 해당 연령에서의 평균 두개골 모델을 사용하게 된다.
이 후, 기준점들을 이용하여 상기 평균 두개골 모델을 변형하여 실제 두개골 영상에 정합한다(단계 S330).
이 경우, 상기 기준점들은 평균 두개골 모델 및 실제 두개골 영상에 대하여 특정 위치(예를 들어, Nasion, Basion, Opisthion 및 양 측의 Porion 등)에 설정할 수 있으며, 상기 설정된 기준점들을 이용하여 상기 평균 두개골 모델을 이동, 회전, 확대 또는 축소시키면서 상기 실제 두개골 영상으로 정합한다.
이 후, 상기와 같이 정합을 수행한 후, 상기 평균 두개골 모델과 실제 두개골 사이의 국소 변형을 통해, 상기 실제 두개골의 실제 변형된 양을 계산한다.
이 후, 상기 평균 두개골 모델 및 상기 실제 두개골 영상으로부터 두개골 뼈를 분할하여 추출한다(단계 S340).
이 경우, 상기 평균 두개골 모델 및 상기 실제 두개골 영상 각각으로부터 예를 들어, 5개의 패치 영역으로 뼈를 분할하고 분할되는 뼈를 각 영역별로 추출한다.
다만, 평균 두개골 모델은 정상적인 두개골 모델이므로 5개의 패치 영역을 일정하게 분할할 수 있으나, 실제 두개골 영상의 경우 환자의 상태에 따라 패치 영역의 개수가 5개 미만일 수 있다.
이 후, 각각의 패치 영역에 대하여, 상기 평균 두개골 모델에서 추출된 두개골 뼈의 면적과 상기 실제 두개골 영상에서 추출된 두개골 뼈의 면적을 서로 비교하여, 두개골 3차원 위상 특성을 수치화한다(단계 S350).
이 경우, 실제 두개골 영상에서 분할된 패치 영역이 5개로 평균 두개골 모델의 분할된 패치 영역의 개수와 같은 경우, 동일한 영역에 대하여 면적을 비교하면 충분하지만, 실제 두개골 영상에서 분할된 패치 영역의 개수가 상기 평균 두개골 모델에서의 패치 영역 5개와 다르다면, 상기 평균 두개골 모델에서의 패치 영역에 매칭되는 실제 두개골 영상에서의 분할된 패치 영역에 대하여 면적을 비교한다.
이상과 같이, 3차원 위상 특성에 대한 수치화를 완료한다.
이 후, 상기 수치화된 3차원 위상 특성에 대하여 SVM 분류자를 이용하여 CMP값을 도출한다(단계 S32).
이에 따라, 상기 SVM 분류자를 이용하게 되면 상기 3차원 위상 특성에 대한 수치값들이, 환자의 두개골의 이형의 분류 기준인 정상(normal), 시상봉합(sagittal), 이중 관상(bicoronal), 단일 관상(unicoronal) 및 단일 상봉합(unilambdoid)의 각각의 분류에 속하는 확률로 계산되며, 이렇게 각각의 분류에 속하는 확률로 계산된 값이 CMP값에 해당된다.
이 후, 상기 2차원 형태 특성에 대한 CMP값, 상기 3차원 형태 특성에 대한 CMP값, 및 상기 3차원 위상 특성에 대한 CMP값을 비교하여 두개골 이형의 상태를 분류한다(단계 S40).
보다 구체적으로, 도 5를 참조하면, 상기 두개골 이형의 상태를 분류하는 단계(단계 S40)에서, 우선, 상기 3차원 형태 특성 CMP값에 제1 가중치를 인가한다(단계 S41).
이 경우, 상기 3차원 형태 특성 CMP값은, 앞서 설명한 바와 같이, 환자의 두개골의 이형의 분류 기준인 정상(normal), 시상봉합(sagittal), 이중 관상(bicoronal), 단일 관상(unicoronal) 및 단일 상봉합(unilambdoid)의 각각의 분류에 속하는 확률로 계산되는데, 상기 기타(others)로 할당된 이중 관상(bicoronal), 단일 관상(unicoronal) 및 단일 상봉합(unilambdoid)의 분류에 해당되는 경우 상기 3차원 형태 특성 CMP값에 제1 가중치를 인가한다.
이는 상기 3차원 형태 특성 CMP값의 경우, 기타(others) 분류에 해당되는 경우 그 값의 정확성 내지 중요성이 높다고 볼 수 있기 때문이며, 상기 제1 가중치는 예를 들어, 1.1일 수 있다.
이 후, 상기 3차원 위상 특성 CMP값에 제2 가중치를 인가한다(단계 S42).
이 경우, 상기 3차원 위상 특성 CMP값 역시, 앞서 설명한 바와 같이, 환자의 두개골의 이형의 분류 기준인 정상(normal), 시상봉합(sagittal), 이중 관상(bicoronal), 단일 관상(unicoronal) 및 단일 상봉합(unilambdoid)의 각각의 분류에 속하는 확률로 계산되며, 상기 정상(normal)을 제외한 각각의 확률값들에 제2 가중치를 인가한다.
즉, 상기 3차원 위상 특성 CMP값의 경우 정상을 제외하고, 기타(others) 분류를 포함한 모든 분류에 대하여 제2 가중치가 인가되는 것으로, 상기 3차원 형태 특성 CMP값에 대한 제1 가중치의 인가 방법과는 차이가 있다.
이는, 상기 3차원 위상 특성 CMP값의 경우, 정상을 제외한 모든 분류에 해당되는 경우 그 값의 정확성 내지 중요성이 높다고 볼 수 있기 때문이며, 상기 제2 가중치도 예를 들어, 1.1일 수 있다.
이 후, 상기 2차원 형태 특성 CMP값과 상기 제1 가중치가 인가된 3차원 형태특성 CMP값을 비교한다(단계 S43).
이 경우, 상기 비교된 두 값들 중 가장 큰 값이 결과로 선택되게 된다. 즉, 가장 큰 값이 속하는 분류가 해당 환자의 두개골 이형 상태가 속하는 분류라고 판단된다.
이 후, 상기 2차원 형태 특성 CMP값과 상기 제1 가중치가 인가된 3차원 형태특성 CMP값 중 큰 값과, 상기 제2 가중치가 인가된 3차원 위상특성 CMP값을 비교한다(단계 S44).
마찬가지로, 상기 비교된 두 값들 중 가장 큰 값이 결과로 선택되며, 상기 가장 큰 값이 속하는 분류가 해당 환자의 두개골 이형 상태가 속하는 분류라고 판단된다.
이상과 같은 비교의 결과로, 최종적으로 CMP값이 큰 값이 도출되어 상기 도출된 값이 해당되는 분류가 선택되며, 이를 통해 환자의 두개골 이형을 1차적으로 분류한다(단계 S45).
다만, 이상과 같은 두개골의 이형 상태를 분류하는 단계(단계 S40)에서는, 상기 2차원 형태 특성 CMP값이 비교의 요소로 포함되므로, 두개골의 이형 상태에 대한 분류 기준을 정상(normal), 시상봉합(sagittal) 및 기타(others)의 3가지로 정해야 하며, 이에 따라 상기 두개골의 이형 상태를 1차적으로 분류한 결과도 정상(normal), 시상봉합(sagittal) 및 기타(others) 중 어느 하나에 속하는 것으로 도출된다.
따라서, 상기 1차적인 분류 결과, 정상(normal) 또는 시상봉합(sagittal)에 속하는 경우라면, 추가적인 분류는 불필요하여, 두개골 이형 상태의 분류를 종료한다.
그러나, 상기 1차적인 분류 결과, 기타(others)에 속하는 경우라면, 상기 기타 분류들 중 어느 분류에 속하는지에 대한 추가적인 분류가 필요하다.
이에 따라, 상기 두개골 이형의 상태에 따라, 상기 3차원 형태 특성 CMP값 및 상기 3차원 위상 특성 CMP값을 비교하여 환자의 두개골 이형의 상태를 추가로 분류한다(단계 S50).
보다 구체적으로, 도 6을 참조하면, 상기 두개골 이형 상태에 대한 1차 분류 결과, 기타(others)에 해당되는 경우, 상기 3차원 형태 특성 CMP값과 상기 3차원 위상 특성 CMP값을 추가로 비교한다(단계 S51).
이 경우, 3차원 형태 특성 CMP값 및 3차원 위상 특성 CMP값 모두 3차원 특성에 대한 확률값이므로 별도의 가중치를 인가하지 않은 상태에서, 서로 그 값을 비교하여, 큰 값을 선택한다.
그리하여, 환자의 두개골의 이형을 2차적으로 분류한다(단계 S52).
이 경우, 분류된 결과는 결국, 환자의 두개골의 이형 상태가 이중 관상(bicoronal), 단일 관상(unicoronal) 및 단일 상봉합(unilambdoid) 중 어느 분류에 속하는 지로 도출된다.
이상과 같이, 본 실시예에 의한 두개골 이형 상태 분류방법을 통해 환자의 두개골의 이형의 종류를 보다 정확하게 파악할 수 있다.
도 7a 내지 도 7d는 도 1의 두개골의 이형 상태 분류방법에 의해 분류된 두개골 상태의 예를 도시한 모식도들이다.
도 7a 내지 도 7d에는 각각의 두개골 이형 상태를 가진 환자에 대하여, 2차원 형태 특성의 CMP값(단계 S10), 3차원 형태 특성의 CMP값(단계 S20), 및 3차원 위상 특성의 CMP값(단계 S30)의 도출 결과가 도시되었다.
이하에서는 각각의 두개골 상태에 대하여, 두개골 이형 상태의 분류 단계(단계 S40 및 단계 S50)에 대하여 설명한다.
도 7a를 참조하면, 2차원 형태 특성 CMP값들 중 가장 큰 값인 정상(normal) 분류에 해당되는 값(0.806)과 3차원 형태 특성 CMP값들 중 가장 큰 값인 정상(normal) 분류에 해당되는 값(0.546)을 비교하여 0.806을 선택하고(단계 S43), 상기 2차원 형태 특성 CMP값으로 선택된 값(0.806)과 3차원 위상 특성 CMP값들 중 가장 큰 값인 정상(normal) 분류에 해당되는 값(0.759)을 비교하여 0.806을 선택한다(단계 S44).
그리하여, 도 7a와 같은 환자의 두개골 이형 상태에 대하여는 정상(normal)으로 분류하게 된다.
이 경우, 상기 3차원 형태 특성 CMP값 및 상기 3차원 위상 특성 CMP값들 모두가 정상(normal)에 속하는 값이 가장 크므로, 별도의 가중치를 인가하지 않으며, 나아가, 두개골 이형의 상태에 대하여 추가로 분류하는 단계(단계 S50)는 생략된다.
도 7b를 참조하면, 2차원 형태 특성 CMP값들 중 가장 큰 값인 정상(normal) 분류에 해당되는 값(0.792)과 3차원 형태 특성 CMP값들 중 가장 큰 값인 정상(normal) 분류에 해당되는 값(0.932)을 비교하여 0.932를 선택하고(단계 S43), 상기 3차원 형태 특성 CMP값으로 선택된 값(0.932)과 제2 가중치가 인가된 3차원 위상 특성 CMP값들 중 가장 큰 값인 시상봉합(sagittal) 분류에 해당되는 값(0.987)을 비교하여 0.987을 선택한다(단계 S44).
이 경우, 상기 3차원 위상 특성 CMP값은 시상봉합(sagittal) 분류에 해당되므로 제2 가중치(1.1)를 인가하여 비교한다.
그리하여, 도 7b와 같은 환자의 두개골 이형 상태에 대하여는 시상봉합(sagittal)으로 분류하게 된다.
나아가, 1차적인 분류의 결과 시상봉합(sagittal)으로 판독되었으므로, 두개골 이형의 상태에 대하여 추가로 분류하는 단계(단계 S50)는 생략된다.
도 7c를 참조하면, 2차원 형태 특성 CMP값들 중 가장 큰 값인 정상(normal) 분류에 해당되는 값(0.788)과 제1 가중치가 인가된 3차원 형태 특성 CMP값들 중 가장 큰 값인 기타(others) 분류에 해당되는 값(0.849)을 비교하여 0.849를 선택하고(단계 S43), 상기 제1 가중치가 인가된 3차원 형태 특성 CMP값으로 선택된 값(0.849)과 제2 가중치가 인가된 3차원 위상 특성 CMP값들 중 가장 큰 값인 기타(others) 분류에 해당되는 값(0.780)을 비교하여 0.849를 선택한다(단계 S44).
이 경우, 상기 3차원 형태 특성 CMP값은 기타(others) 분류에 해당되므로 제1 가중치(1.1)를 인가하여 비교하며, 상기 3차원 위상 특성 CMP값도 기타(others) 분류에 해당되므로 제2 가중치(1.1)를 인가하여 비교한다.
한편, 상기와 같이 두개골 이형 상태를 1차적으로 분류한 결과 기타(others) 분류에 속하는 것으로 판단되었으므로, 두개골 이형의 상태를 추가로 분류한다(단계 S50).
이러한 추가 분류에서는, 상기 3차원 형태 특성 CMP값과 상기 3차원 위상 특성 CMP값을 비교하여, 더 큰 값이 속하는 분류에 대하여 환자의 두개골 이형 상태가 속하는 것으로 판단한다(단계 S50).
다만, 도 7c에는 도시하지는 않았으나, 기타(others)에 포함된 분류들인 이중 관상(bicoronal), 단일 관상(unicoronal) 및 단일 상봉합(unilambdoid) 중에서, 상기 3차원 형태 특성 CPM값은 단일 관상(unicoronal)에 대한 CMP값이 가장 큰 상태이므로, 결과적으로 환자의 두개골 이형 상태는 단일 관상(unicoronal)에 속하는 것을 판단된다.
상기와 같은 추가적인 분류에 대한 예로서 도 7d를 참조하면, 2차원 형태 특성 CMP값들 중 가장 큰 값인 기타(others) 분류에 해당되는 값(0.708)과 제1 가중치가 인가된 3차원 형태 특성 CMP값들 중 가장 큰 값인 기타(others) 분류에 해당되는 값(1.053)을 비교하여 1.053을 선택하고(단계 S43), 상기 제1 가중치가 인가된 3차원 형태 특성 CMP값으로 선택된 값(1.053)과 제2 가중치가 인가된 3차원 위상 특성 CMP값들 중 가장 큰 값인 기타(others) 분류에 해당되는 값(0.979)을 비교하여 1.053을 선택한다(단계 S44).
이 경우, 상기 3차원 형태 특성 CMP값은 기타(others) 분류에 해당되므로 제1 가중치(1.1)를 인가하여 비교하며, 상기 3차원 위상 특성 CMP값도 기타(others) 분류에 해당되므로 제2 가중치(1.1)를 인가하여 비교한다.
한편, 상기와 같이 두개골 이형 상태를 1차적으로 분류한 결과 기타(others) 분류에 속하는 것으로 판단되었으므로, 두개골 이형의 상태를 추가로 분류한다(단계 S50).
이러한 추가 분류에서는, 상기 3차원 형태 특성 CMP값과 상기 3차원 위상 특성 CMP값을 비교한다.
즉, 도 7d에서와 같이, 상기 기타(others) 분류에 속하는 이중 관상(bicoronal), 단일 관상(unicoronal) 및 단일 상봉합(unilambdoid) 각각에 대한 3차원 형태 특성 CMP값 및 3차원 위상 특성 CMP값이 도출되었으므로, 상기 3차원 형태 특성 CMP값들 중 최대값(0.812)과 상기 3차원 위상 특성 CMP값들 중 최대값(0.736)을 비교하여, 더 큰 값인 상기 3차원 형태 특성 CMP값(0.812)을 선택한다(단계 S50).
그리하여, 상기 3차원 형태 특성 CMP값이 속하는 분류인 이중 관상(bicoronal)으로 환자의 두개골 이형 상태를 판단한다.
이상에서와 같이 평균 두개골 모델을 이용하여 실제 환자의 두개골 영상에 대하여, 2차원 또는 3차원 형태 특성을 수치화하고, 3차원 위상 특성을 수치화한 후, 이를 각각 SVM 분류자를 이용하여 CMP값을 각 분류별로 도출한 후, 도출된 값들을 비교하여 1차 또는 선택적으로 2차의 분류단계를 통해 실제 환자의 두개골 이형 상태가 속하는 분류를 판단할 수 있다.
본 발명의 실시예들에 의하면, 단순히 형태 특성에 대한 결과값이나 위상 특성에 대한 결과값만으로 환자의 두개골 이형의 상태를 분류하는 것이 아닌, 형태 특성에 대한 결과값과 위상 특성에 대한 결과값을 서로 비교하여 환자의 두개골 이형의 상태를 분류하므로, 보다 정확한 분류가 가능할 수 있다.
이 경우, 형태 특성 및 위상 특성에 대한 결과값을 CMP값으로 도출함으로써 각각의 결과값을 바탕으로 두개골 이형으로 분류된 각각의 상태에 해당할 확률을 연산하고, 상기 연산된 확률값들 중 큰 값을 바탕으로 해당 두개골의 이형을 판단하게 되므로, 보다 정확한 분류 및 판단이 가능하게 된다.
또한, 형태 특성을 수치화하는 단계 및 위상 특성을 수치화하는 단계에서 정상인들의 평균 두개골 모델을 이용하여 평균 두개골 모델과 실제 두개골 영상과의 차이점을 바탕으로 형태 및 위상 특성을 수치화하므로, 판단지표를 보다 정확하게 정의할 수 있어 수치화된 결과값의 정확성이 향상된다.
특히, 형태 특성은 2차원 및 3차원으로 구별하여 수치화를 수행하고, 단일 관상 및 단일상봉합에 대하여는 3차원 CMP값에서 더 정확한 값으로 판단되므로 3차원 CMP값에 대하여 가중치를 인가함으로써, 최종 도출되는 결과의 정확성을 향상시킬 수 있다.
또한, 형태 특성 및 위상 특성의 방법을 서로 다르게 수행함으로써, 본 실시예에 의한 두개골 이형 상태의 분류 결과가 서로 다른 두개골 특성 기술자를 이용한 결과를 모두 고려한 것으로, 그 정확성을 향상시킬 수 있다.
나아가, 두개골 이형 상태의 분류시, 도출된 3가지 CMP값을 모두 비교하여 결과를 도출한 후, 기타(others)에 해당되는 경우는 보다 정확한 진단이 필요하므로, 3차원 위상 특성 CMP값과 3차원 형태 특성 CMP값을 재차 비교하여 보다 정확한 분류를 수행할 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
본 발명에 따른 두개골의 이형 상태 분류방법은 두개골유합증을 포함한 두개골의 이형 상태 판단에 사용될 수 있는 산업상 이용 가능성을 갖는다.

Claims (12)

  1. 환자의 두개골의 2차원 형태 특성에 대한 CMP(class membership probability)값을 도출하는 단계;
    환자의 두개골의 3차원 형태 특성에 대한 CMP값을 도출하는 단계;
    환자의 두개골의 3차원 위상 특성에 대한 CMP값을 도출하는 단계;
    상기 2차원 형태 특성에 대한 CMP값, 상기 3차원 형태 특성에 대한 CMP값 및 상기 3차원 위상 특성에 대한 CMP값을 비교하여 두개골 이형의 상태를 분류하는 단계; 및
    상기 두개골 이형의 상태에 따라, 상기 3차원 형태 특성에 대한 CMP값 및 상기 3차원 위상 특성에 대한 CMP값을 비교하여 두개골 이형의 상태를 추가로 분류하는 단계를 포함하는 두개골의 이형 상태 분류방법.
  2. 제1항에 있어서, 상기 2차원 형태 특성에 대한 CMP값, 상기 3차원 형태 특성에 대한 CMP값, 및 상기 3차원 위상 특성에 대한 CMP값들 각각은,
    정상(normal), 시상봉합(sagittal), 이중 관상(bicoronal), 단일 관상(unicoronal) 및 단일 상봉합(unilambdoid)으로 분류된 두개골 이형 상태에 대한 분류들 각각에, 해당 환자의 두개골이 속할 확률값인 것을 특징으로 하는 두개골 이형 상태 분류방법.
  3. 제1항에 있어서, 상기 2차원 형태 특성에 대한 CMP값을 도출하는 단계는,
    2차원 형태 특성을 수치화하는 단계; 및
    상기 수치화된 2차원 형태 특성에 대하여 SVM(support vector machine) 분류자(classifier)를 이용하여 CMP값을 도출하는 단계를 포함하는 것을 특징으로 하는 두개골 이형 상태 분류방법.
  4. 제3항에 있어서, 상기 2차원 형태 특성을 수치화하는 단계는,
    환자의 실제 두개골 2차원 영상을 획득하는 단계;
    상기 획득 영상에서 두개골 경계점들의 정보를 획득하는 단계; 및
    상기 획득된 정보를 바탕으로 2차원 형태 특성을 수치화하는 단계를 포함하는 것을 특징으로 하는 두개골 이형 상태 분류방법.
  5. 제1항에 있어서, 상기 3차원 형태 특성에 대한 CMP값을 도출하는 단계는,
    3차원 형태 특성을 수치화하는 단계; 및
    상기 수치화된 3차원 형태 특성에 대하여 SVM(support vector machine) 분류자(classifier)를 이용하여 CMP값을 도출하는 단계를 포함하는 것을 특징으로 하는 두개골 이형 상태 분류방법.
  6. 제5항에 있어서, 상기 3차원 형태 특성을 수치화하는 단계는,
    환자의 실제 두개골 영상을 획득하는 단계;
    평균 두개골 모델을 생성하는 단계;
    기준점들을 이용하여 상기 평균 두개골 모델을 변형하여 상기 실제 두개골 영상에 정합하여 실제 변형을 계산하는 단계; 및
    상기 평균 두개골 모델의 변형된 양을 바탕으로 환자의 두개골의 2차원 형태 특성 또는 3차원 형태 특성을 수치화하는 단계를 포함하는 것을 특징으로 하는 두개골 이형 상태 분류방법.
  7. 제1항에 있어서, 상기 3차원 위상 특성에 대한 CMP값을 도출하는 단계는,
    3차원 위상 특성을 수치화하는 단계; 및
    상기 수치화된 3차원 위상 특성에 대하여 SVM(support vector machine) 분류자(classifier)를 이용하여 CMP값을 도출하는 단계를 포함하는 것을 특징으로 하는 두개골 이형 상태 분류방법.
  8. 제7항에 있어서, 상기 3차원 위상 특성을 수치화하는 단계는,
    환자의 실제 두개골 영상을 획득하는 단계;
    평균 두개골 모델을 생성하는 단계;
    기준점들을 이용하여 상기 평균 두개골 모델을 변형하여 상기 실제 두개골 영상에 정합하여 실제 변형을 계산하는 단계;
    상기 평균 두개골 모델 및 상기 실제 두개골 영상으로부터 두개골 뼈를 분할하여 추출하는 단계; 및
    상기 평균 두개골 모델에서 추출된 두개골 뼈의 면적과 상기 실제 두개골 영상에서 추출된 두개골 뼈의 면적을 비교하여 환자 두개골의 3차원 위상 특성을 수치화하는 단계를 포함하는 것을 특징으로 하는 두개골 이형 상태 분류방법.
  9. 제1항에 있어서, 상기 두개골 이형의 상태를 분류하는 단계는,
    상기 3차원 형태 특성에 대한 CMP값에 제1 가중치를 인가하는 단계;
    상기 3차원 위상 특성에 대한 CMP값에 제2 가중치를 인가하는 단계;
    상기 2차원 형태 특성에 대한 CMP값과 상기 제1 가중치가 인가된 3차원 형태 특성에 대한 CMP값을 비교하는 단계;
    상기 2차원 형태 특성에 대한 CMP값과 상기 제1 가중치가 인가된 3차원 형태 특성에 대한 CMP값 중 큰 값과, 상기 제2 가중치가 인가된 3차원 위상 특성에 대한 CMP값을 비교하는 단계; 및
    환자의 두개골 이형을 1차적으로 분류하는 단계를 포함하는 것을 특징으로 하는 두개골 이형 상태 분류방법.
  10. 제9항에 있어서, 상기 환자의 두개골 이형을 1차적으로 분류하는 단계에서,
    환자의 두개골 이형은 정상(normal), 시상봉합(sagittal) 및 기타(others) 중 어느 하나로 분류되는 것을 특징으로 하는 두개골 이형 상태 분류방법.
  11. 제10항에 있어서, 상기 두개골 이형의 상태를 추가로 분류하는 단계는,
    상기 분류된 두개골 이형의 결과가 기타(others)에 해당되는 경우, 상기 3차원 형태 특성에 대한 CMP값과 상기 3차원 위상 특성에 대한 CMP값을 추가로 비교하는 단계; 및
    환자의 두개골 이형을 2차적으로 분류하는 단계를 포함하는 것을 특징으로 하는 두개골 이형 상태 분류방법.
  12. 제11항에 있어서, 상기 환자의 두개골 이형을 2차적으로 분류하는 단계에서,
    환자의 두개골 이형은 이중 관상(bicoronal), 단일 관상(unicoronal) 및 단일 상봉합(unilambdoid) 중 어느 하나로 분류되는 것을 특징으로 하는 두개골 이형 상태 분류방법.
KR1020160135431A 2016-10-19 2016-10-19 두개골의 이형 상태 분류방법 KR101856200B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160135431A KR101856200B1 (ko) 2016-10-19 2016-10-19 두개골의 이형 상태 분류방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160135431A KR101856200B1 (ko) 2016-10-19 2016-10-19 두개골의 이형 상태 분류방법

Publications (2)

Publication Number Publication Date
KR20180042898A KR20180042898A (ko) 2018-04-27
KR101856200B1 true KR101856200B1 (ko) 2018-05-09

Family

ID=62081552

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160135431A KR101856200B1 (ko) 2016-10-19 2016-10-19 두개골의 이형 상태 분류방법

Country Status (1)

Country Link
KR (1) KR101856200B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102539069B1 (ko) * 2022-01-27 2023-05-31 연세대학교 산학협력단 인체 두부의 3d 표준모델 모형 및 영상 처리 평가 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005118510A (ja) 2003-10-15 2005-05-12 Lexi:Kk 脳の出血部位、腫瘍、挫傷等の計測および観察用プログラム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005118510A (ja) 2003-10-15 2005-05-12 Lexi:Kk 脳の出血部位、腫瘍、挫傷等の計測および観察用プログラム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MR 뇌 영상의 자동화된 물질 분류 및 가시화 방법
한국인 성인 안면두개골의 형태적 분류와특징: 두부방사선 계측학적 연구

Also Published As

Publication number Publication date
KR20180042898A (ko) 2018-04-27

Similar Documents

Publication Publication Date Title
JP6859445B2 (ja) 脳卒中の診断及び予後予測方法システム及びその作動方法
CN107480677B (zh) 一种识别三维ct图像中感兴趣区域的方法及装置
US10249042B2 (en) Method and apparatus for providing medical information service on basis of disease model
Namburete et al. Learning-based prediction of gestational age from ultrasound images of the fetal brain
US9349176B2 (en) Computer-aided detection (CAD) of intracranial aneurysms
JP5603859B2 (ja) 対象脊椎の側面図のデジタル化された画像を自動的に解析する解析システムの制御方法
RU2477524C2 (ru) Способы выбора признаков, использующие основанные на группе классификаторов генетические алгоритмы
JP2010527647A (ja) 半自動式輪郭検出方法
US20080097942A1 (en) System and Method for Automated Suspicious Object Boundary Determination
Giordano et al. Modeling skeletal bone development with hidden Markov models
JP2022509155A (ja) 脳画像内の領域を特定するための装置
WO2010088763A1 (en) Methods and apparatuses for quantitatively determining the likelihood of a disease
CN1989524A (zh) 用于自动确定可疑的物体边界的系统和方法
Sindhwani et al. Semi‐automatic outlining of levator hiatus
JP5640280B2 (ja) 骨粗鬆症診断支援装置及び骨粗鬆症診断支援プログラム
Nagaraj et al. The role of pattern recognition in computer-aided diagnosis and computer-aided detection in medical imaging: a clinical validation
KR101856200B1 (ko) 두개골의 이형 상태 분류방법
KR101801376B1 (ko) 3차원 위상 기술자를 이용한 두개골 이형 자동판단시스템 및 이를 이용한 두개골 이형 자동판단방법
CN113243914A (zh) 基于脑影像的评估方法及神经精神疾病评估系统
Sohail et al. A modified U-net based framework for automated segmentation of Hippocampus region in brain MRI
KR101796111B1 (ko) 3차원 형태 기술자를 이용한 두개골 이형 자동판단시스템 및 이를 이용한 두개골 이형 자동판단방법
Ren et al. A knowledge-based automatic cephalometric analysis method
Kiran et al. AI-Powered Radiology: Enhancing Efficiency and Accuracy in Knee Osteoarthritis Diagnosis through Automated Bone Segmentation
Jacob et al. Tibia bone segmentation in X-ray images-a comparative analysis
US20240268699A1 (en) Automated quantitative joint and tissue analysis and diagnosis

Legal Events

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