KR101858382B1

KR101858382B1 - 제지방 조직 부피 정량화

Info

Publication number: KR101858382B1
Application number: KR1020167032572A
Authority: KR
Inventors: 올로프 돌크비스트 라인하르트; 마그너스 보르가; 토비아스 로무
Original assignee: 어드밴스드 엠알 애널리틱스 에이비
Priority date: 2014-04-25
Filing date: 2015-04-21
Publication date: 2018-05-15
Also published as: KR20160145800A; CN106233332B; CA2946330C; EP3133993B1; US20170046837A1; JP6490794B2; CN106233332A; ES2948673T3; CA2946330A1; US9996926B2; EP3133993C0; ES2914613T3; EP2937039B1; EP2937039A1; AU2015250942B2; AU2015250942A1; JP2017513676A; WO2015162120A1; EP3133993A1

Abstract

본 발명은 수분-지방 분리 자기 공명 이미지로서 획득된 이미지를 획득하는 단계(10) -상기 획득된 이미지는 수분 이미지 및 지방 이미지를 포함함-, 보정된 지방 이미지(F)를 제공하는 단계(20), 상기 획득된 이미지에서 연조직의 영역들을 정의하는 연조직 마스크(STM)을 제공하는 단계(30), 및 상기 획득된 이미지의 관심 영역(ROI)을 정의하는 단계(40)를 포함하는 제지방 조직 부피를 정량화하는 방법에 관한 것이다. 상기 방법은 상기 관심 영역 내의 각 부피 요소에 대해, 상기 연조직 마스크와 각 부피 요소의 부피(V_vox) 및 1에서 상기 보정된 이미지를 뺀 결과를 곱하고, 상기 관심 영역 내의 모든 부피 요소들에 대해 상기 곱들의 결과들을 합(summarizing)함으로써 제지방 조직 부피(LTV)를 계산하는 단계(50)를 더 포함한다.

Description

제지방 조직 부피 정량화{Lean tissue volume quantification}

본 발명은 제지방 조직 부피의 정량화를 위한 방법, 및 특히 자기 공명 이미징(Magnetic Resonance Imaging; MRI)으로부터 지방-수분 분리 이미지를 사용하는 제지방 근육 조직 부피의 정량화를 위한 방법에 관하여 개시한다.

골격 근육계(skeletal muscular system)의 기능은 안전성을 제공하고, 인체의 움직임을 가능하게 하는 것이다. 그러므로 근육 부피의 정확하고 정밀한 측정들은 다른 질병들, 증후군들, 및 근육 위축증들(muscular dystrophis), 스포츠 부상들(sport injuries), 염증성 근병증들(inflammatory myopathies), 척수외상(spinal cord injury) 또는 근육 감소증(sarcopenia)(노화로 인한 근육 손실)과 같은 장애들을 더 잘 이해하는데 있어서 중요하다. 근육 감소증을 진단할 때, 근육 부피 측정들과 결합된 근육 강도 테스트들이 필요하다. 노화 및 근육 감소증의 진행과 관련하여, 근육의 구성 또한 변하고, 증가된 지방 침투가 발생한다. 하지만, 근육 내 더 높은 지방 함량의 영향은 아직 완전하게 이해되지 않았다. 근육 감소증의 유병률, 발병 및 진행의 향상된 이해를 위해, 근육 부피를 측정하기 위한 정밀한 기법을 포함하는 새로운 방법들이 필요하다. 근육 부피 및 근육 구성의 상세하고 정확한 지식이 중요한 또 다른 예시는 편타성 손상 장애(whiplash-associated disorders; WAD)에 관한 것이다. 목 근육들에서의 더 높은 지방 침투는, 건강한 대조군에 비해 WAD를 가진 사람들에게서 발견되었다. 섬유근육통(fibromyalgia syndrome)과 연관된 대퇴사두근(quadriceps muscle)에서의 더 높은 지방 침투 또한 최근 발견되었다.

인체 근육 질량 또는 부피를 측정하기 위한 다양한 접근방법들이 존재한다. 비-이미징(Non imaging) 방법들은 일반적으로 젊은 건강한 성인들에 대해 보정되기 때문에 주로 매우 가변적이다. 근육 질량 및 그것의 분포의 측정을 위한 현재의 표준 이미징 방법은, 빠르고 쉽게 이용할 수 있는 이중에너지 X선 흡수계측법(dual energy x-ray absorptiometry; DXA)이 있다. 하지만, DXA는 전리 방사선(ionizing radiation)을 사용하고, 신체의 2-차원 투영의 분석만이 가능하다. 그러므로, DXA를 사용하여 획득될 수 있는, 근육 그룹 분리, 또는 근육 조직 내 지방 함유량의 정량은 상세하지 않다.

단층 촬영 방법들, 다시 말해 CT 및 MRI를 사용하여 정확한 분석이 이루어질 수 있다. 딕슨 이미징 기법들(Dixon imaging techniques)에 기반한, 수분-지방 분리 MRI는 근육 부피들 및 지방 침투의 상세한 측정들을 제공하는 높은 연조직 대비(high soft tissue contrast)를 가능하게 한다. MR 이미징의 단점들은 그것의 가용성과 비용이다. 현재 기법들로, 신체 구성 분석에 대한 충분한 해상도로 전신을 스캔하는 것이 10분 안에 달성될 수 있다. 하지만, 전신 내의 근육 조직을 수동적으로 분할하는 것의 작업량은 아주 작은 연구들에서만 가능할 정도로 실현하기에는 너무 많다. 최적화된 반-자동 방법들을 사용하는 경우에도, 전신 근육계의 단일 분할(single segmentation)은 완료하는데 몇 일이 걸릴 수 있다. 그러므로 MRI를 대규모 연구들에서 근육 조직 부피를 연구하기 위한 매력적인 대안으로 만들기 위해 근육 조직의 로버스트 자동 분할(robust automatic segmentation)의 발전이 필요하다.

해부학적 지식은 아틀라스들(atlases), 다시 말해 상응하는 수동으로 정의된 해부학적 레이블들을 갖는 실제 또는 합성 이미지에 의한 분할 방법으로 통합될 수 있다. 이러한 해부학적 지식, 다시 말해 분할된 아틀라스들은 이후 대상의 이미지들 상의 아틀라스의 비-강체 정합(non-rigid registration)에 의한 새로운 피험자(subject)(대상(target))로 전송될 수 있다. 하지만, 피험자들 사이에 큰 해부학적 변화와 스캐닝하는 동안의 팔들 및 다리들의 배치와 같은 기술적 어려움들 때문에, 단일 정합(single registration)은 어디에도 정확하게 수렴하지 않을 수 있다. 그러므로, 대부분의 아틀라스-기반 기법들은, 그것의 해부학적 구조들의 형태 및 위치에서 상대적으로 제한된 변화를 보여주는 뇌와 같이 제한된 신체의 부분들을 다룬다.

비-강체 정합 방법들은 다른 이미지들 사이에 유사성을 최대화한다. 결과는 유사성 측정에 의존하여 변한다. 두 개의 공통 측정들은 이미지 강도 및 로컬 위상 정보이다. 강도-기반 측정의 일 예는 데몬스 알고리즘(Demons algorithm)이다. 위상-기반 유사성 측정을 가능하게 하는 또 다른 예시는 모르폰 방법(morphon method)이다. 위상-기반 방법들은, B₀ 및 RF 비균질성으로 인한 MR 이미지들에서 공통인 점진적인 강도(intensity) 변화들에 둔감하다. 모르폰의 추가적인 특징은 다른 스케일들에서 다른 정도의 정규화로 프로토타입들을 변형시키는 능력이고, 전신 정합을 위한 중요한 특징이다.

둘 모두 대규모의 근육 조직 부피를 정량화하고, 근육 조직을 다른 근육 그룹들로 분리하는 인간의 골격 근육계의 포괄적이고 정확한 설명을 제공할 수 있는 방법은 현재 존재하지 않는다. 해결방안은 근위축증(muscular atrophy) 발달, 근육 내 지방 침투와 같은 현상과 근육 감소증(sarcopenia) 및 근위축증을 포함하는 광범위한 조건들에서의 질병 진행 간에 상호작용을 위한 연구에 중요한 도구가 될 것이다.

본 발명의 목적은 종래 장치들의 언급된 단점들을 완화시키는 개선된 해결방안을 제공하는 것이다. 또한, 자기 공명 이미지에 기반하여 제지방 조직 부피의 정량화를 위한 방법을 제공하고자 한다.

본 발명의 일 양상에 따르면, 이것은 수분-지방 분리 자기 공명 이미지(water-fat separated magnetic resonance image)로서 이미지를 획득하는 단계 상기 획득된 이미지는 각각이 복수의 부피 요소들을 포함하는 수분 이미지 및 지방 이미지를 포함함-, 보정된(calibrated) 지방 이미지를 제공하는 단계, 상기 획득된 이미지에서 연조직의 영역들을 정의하는 연조직 마스크(soft tissue mask; STM)를 제공하는 단계, 및 상기 획득된 이미지에서 연조직의 영역들을 정의하는 연조직 마스크(soft tissue mask; STM)를 제공하는 단계를 포함하는 제지방 조직 부피를 정량화하는 방법에 의해 제공된다. 상기 방법은 상기 관심 영역 내의 각 부피 요소에 대해, 상기 연조직 마스크와 각 부피 요소의 부피 및 1에서 상기 보정된 이미지를 뺀 결과를 곱하고, 상기 관심 영역 내의 모든 부피 요소들에 대해 상기 곱들의 결과들을 합(summarizing)함으로써 제지방 조직 부피를 계산하는 단계를 더 포함한다.

제지방 조직 부피의 정량은 관심 영역 내의 무 지방 조직(fat free tissue) 부피 및/또는 무게를 수치로(in numbers) 결정하는 것을 목적으로 할 수 있다. 본 발명은 관심 영역 내에 존재하는 부피 요소들(복셀들(voxels))의 수분 레벨로부터 지방 신호 레벨을 뺌으로써 정량에서의 증가된 정확도를 제공할 수 있다. 관심 영역은 근육, 근육 그룹 또는 흉부와 같은 특정 기관 (organ)일 수 있다. 또한 기관 부피에서의 확산 지방 침투(diffuse fat infiltration)는 정량화로부터 제거될 수 있다. 또한, 복셀에서의 실제 지방 침투 레벨만 정량으로부터 제거될 수 있고, 예를 들어 근육 조직을 정의하는 해당 수분 레벨은 제거되지 않을 수 있다.

획득된 이미지는 2차원 또는 3차원 자기 공명 이미지 일 수 있다. 본원에서 제지방 조직 부피는 무 지방 조직 부피를 의미할 수 있다. 수분-지방 분리 자기 공명 이지미인 획득된 이미지는 수분 이미지 및 지방 이미지를 이미지 쌍으로서 포함할 수 있다.

보정된 지방 이미지는 복수의 알려진 방법들로 제공될 수 있다. 예를 들어, Reeder, S. B., Hu, H. H. 및 Sirlin, C. B. (2012), 양성자 밀도 지방 분획(Proton density fat-fraction): 조직 지방 농도의 표준화된 mr-기반 생물지표. J. Magn. Reson. 이미징, 36:　1011014. doi:　10.1002/jmri.23741 에 개시된 것과 같이 양성자 밀도 지방 분류(Proton Density Fat Fraction; PDFF)의 방법에 기초하거나, 또는 유럽 특허 EP09732976.7에 개시된 것과 같은 방법에 기초한다.

연조직 마스크는 획득된 이미지에서 연조직의 영역들을 정의하는 마스크로서 정의된다. 연조직 마스크는 복수의 알려진 방법들로 제공될 수 있다. 예를 들어, Nobuyuki Otsu (1979). "그레이-레벨 히스토그램으로부터 임계값 선택 방법(A threshold selection method from gray-level histograms)".　IEEE Trans. Sys., Man., Cyber.　9　(1): 62-66.　doi:10.1109/TSMC.1979.4310076; 및

Diana Wald ; Birgit Teucher ; Julien Dinkel ; Rudolf Kaaks ; Stefan Delorme ; Hans-Peter Meinzer ; Tobias Heimann의, 역학 연구를 위한 전신 MRI 데이터에서 에서 지방질 및 골격 근육 조직의 자동화된 정량화(Automated quantification of adipose and skeletal muscle tissue in whole-body MRI data for epidemiological studies), Proc. SPIE 8315, 의료 이미징(Medical Imaging) 2012: 컴퓨터-지원 진단(Computer-Aided Diagnosis), 831519 (February 23, 2012); doi:10.1117/12.911290.에 개시된 것과 같이 Otsu의 방법을 따른다.

연조직 마스크는, 연조직이 존재하지 않기 때문에 관심 영역 내에서 획득된 이미지에서의 배경들이 제거되는 것을 제공할 수 있다. 또한, 연조직 마스크는, 뼈가 자기 공명 가시적(magnetic resonance visible)이지 않기 때문에 관심 영역 내에서 획득된 이미지에서의 뼈가 제거되는 것을 제공할 수 있다.

제지방 조직 부피를 계산하는 단계는 다음과 같이 설명될 수 있다.

여기에서, LTV는 계산된 제지방 조직 부피이고, ROI는 관심 영역에서의 부피 요소들이고, F는 보정된 지방 이미지이고, STM은 연조직 마스크이고, V_vox 는 각 복셀의 부피이다.

또한, 관심 영역의 조직 부피 부분의 경계들에서 부피 요소를 분류하기 위한 임계값은 낮아질 수 있다. 경계들에서, 조직 부피의 외부 방향으로 수분 레벨(조직을 나타내는)은 감소하고, 지방 레벨은 증가한다. 경계는 점진적인 전환을 제공하면서 확산된다.

정량화는 관심 영역의 각 부피 요소 부분에 대해 이루어질 수 있다. 각 부피 요소에 대해, 효과적인, 제지방, 전체 지방 침투의 조직 부피, 확산 및 순수 지방 침투 둘 모두를 결정함으로써, 정확한 조직 부피 정량화가 제공될 수 있다.

상술된 방법과 같은 방법에서 제지방 조직 부피를 계산하기 위한 단계들이 반드시 제시된 순서대로 수행될 필요는 없다.

일 실시예에서, 방법은 보정된 수분 이미지를 제공하는 단계 및 획득된 이미지 내의 각 부피 요소에 대해, 연조직 마스크와 보정된 수분 이미지를 곱하고, 상기 관심 영역 내의 모든 부피 요소들에 대한 상기 곱들의 결과들의 합을 결정하고, 상기 합을 상기 계산된 제지방 조직 부피로 나눔으로써 제지방 조직 수분 농도(lean tissue water concentration)를 계산하는 단계를 더 포함할 수 있다. 계산된 제지방 조직 부피에 기반한 추가적인 계산은 관심 영역에서의 유효 수분 농도 레벨을 상기 영역에서의 총 수분 및 지방의 비율로 제공할 수 있다. 유효 수분 농도는 수분을 자기 공명 이미지에서의 수분 신호들로 가시적으로 통합할 수 있지만, 수분 또는 다른 조직은 자기 공명 이미지에서 가시적이지 않다. 제지방 조직 수분 농도의 계산은 다음과 같이 설명될 수 있다.

,

여기에서, LTWC는 계산된 제지방 조직 수분 농도이고, ROI는 관심 영역 내의 부피 요소들이고, W는 계산된 수분 이미지이고, STM은 연조직 마스크이고, V_vox 은 각 복셀의 부피이고, LTV는 위에 제시된 것과 같이 계산된 제지방 조직 부피이다. 계산된 수분 이미지는 지방 이미지의 보정을 위한 바이어스 필드(EP09732976.7 참조)와 같은 유사한 방법으로 결정된 바이어스 필드(bias field)로 정규화된 수분 이미지일 수 있다. 대안적으로, 예를 들어 수분/(수분 + 지방) > 0.9, 또는 유사한 임계값으로 계산된, 무 지방 및 수분이 풍부한 조직의 높은 함류량(high probability of containing)을 갖고, 수분 및 지방 신호들에서의 노이즈 신호 레벨보다 충분히 더 높은 수분 + 지방의 합을 갖는 수분 이미지에서의 복셀들로부터 결정된 바이어스 필드로 정규화된 수분 이미지일 수 있다. 보정된 수분 이미지는 Yu H, McKenzie CA, Shimakawa A, Vu AT, Brau AC, Beatty PJ, Pineda AR, Brittain JH, Reeder SB의, 동시 수분-지방 분해 및 T2* 추정을 위한 멀티에코 재구성(Multiecho reconstruction for simultaneous water-fat decomposition and T2* estimation), 자기 공명 이미지 저널(Journal of magnetic resonance imaging) : JMRI 2007;26(4):1153-1161와 같이, 복수의 알려진 방법들을 사용하여 보정되는 수분 이미지로부터 결정될 수 있다.

상술된 방법에서 제지방 조직 수분 농도를 계산하기 위한 단계들이 반드시 제시된 순서대로 수행될 필요는 없다.

일 실시예에서, 연조직 마스크를 제공하는 단계는 자기 공명 가시 조직을 포함하지 않는 부피 요소들을 제거하는 단계를 포함할 수 있다. 자기 공명 가시 조직을 포함하지 않는 획득된 이미지에서의 부피 요소들은 분할되고 분류된 근육 그룹들 주위에 노이즈를 감소시키도록 제거될 수 있다. 자기 공명 가시 조직을 포함하지 않는 부피 요소들을 제거하는 단계는 보정된 수분 이미지를 제공하는 단계, 임계값을 보정된 지방 이미지와 보정된 수분 이미지의 합에 적용하는 단계 여기에서, 상기 임계값을 초과하는 부피 요소들은 이진 조직 마스크(Binary Tissue Mask; BTM)를 형성함-, 및 정규화된 수분 및 지방 이미지들의 합과 동일한 상기 이진 조직 마스크의 경계들로부터 하나의 부피 요소 내에 부피 요소들을 설정함으로써 퍼지(fuzzy) 연조직 마스크를 형성하는 단계를 포함할 수 있다. 상기 임계값은 대략 0.5일 수 있다. 배경 부피 요소들이 제거될 때, 정량을 방해할 수 있는 분류되지 않은 부피 요소들이 제거될 수 있다. 그러므로, 더욱 정확한 연조직 마스크가 제공될 수 있고, 더욱 정확한 제지방 조직 정량화를 제공할 수 있다.

일 실시예에서, 보정된 지방 이미지를 제공하는 단계는 일정한 강도 비균질성 보정(consistent intensity inhomogeneity correction) 단계를 포함할 수 있다. 이러한 단계는 EP09732976.7; Dahlqvist Leinhard O, Johansson A, Rydell J 외의, MRI를 이용한 정략적인 복부 지방 추정(Quantitative abdominal fat estimation using MRI), 제19회 패턴 인식에 관한 국제 학술회의의 학회지(ICPR'08), 2008, Tampa, Florida, USA. p 1-4(In: Proceedings of the 19th International Conference on Pattern Recognition (ICPR'08)); 또는 Romu T, Borga M, Dahlqvist O. MANA의, 멀티 스케일의 적응적인 정규화된 평균화(Multi scale adaptive normalized averaging), 2011 생체의학 이미징에 관한 IEEE 국제 심포지엄의 학회지: 나노에서 마이크로까지, 2011. p 361-364(In: Proceedings of the 2011 IEEE International Symposium on Biomedical Imaging: From Nano to Macro)에서 개시될 수 있다.

또한 이러한 단계는 수분 및 지방 이미지들을 포함하는 획득된 이미지를 재구성하는 단계 상기 재구성은 위상 감지(phase sensitive)이고, 그 결과 수분 이미지에 지방 이미지를 더한 것을 포함하는 동-위상 이미지 구성(in-phase image component; IP) 및 수분 이미지에서 지방 이미지를 뺀 것을 포함하는 역-위상 이미지 구성(out-of-phase image component; OP)이 됨-; 테스트 기준에 따른 부피 요소들이 순수 지방 조직을 나타냄으로써 순수-지방 이미지를 생성하는 재구성된 이미지로 부피 요소들을 식별하는 단계; 비-조직 이미지 데이터로부터 자유로운 분할된 이미지를 생성하기 위해 순수-지방 이미지를 분할하는 단계; 및 분할된 이미지에 나타낸 부피 요소들을 사용하여 지방 이미지(F)를 보간함으로써 강도 보정 필드(intensity correction field)를 생성하는 단계 상기 지방 이미지는 동-위상 이미지 구성(IP) 및 역-위상 이미지 구성(OP)에 기반하여 계산됨-를 포함할 수 있다. 예를 들어, 보정된 지방 이미지가 PDFF에 기반하여 보정될 경우, 획득된 이미지에서 지방 및 수분 사이의 인터페이스들에 정의되지 않은 부분들이 존재할 수 있고, 이것은 부분적 부피 효과들을 갖는 제지방 조직 정량에 부정적인 영향을 미칠 수 있다. 보정된 지방 이미지를 제공하기 위한 위 단계들을 사용함으로써, 이러한 단점들은 감소될 수 있다. 또한, 세로축 T1 이완 신호 포화(longitudinal T1 relaxation signal saturation)로 인한 보정된 지방 이미지들 상의 영향들은 다음에서 설명된 것과 같이 위 단계들을 사용함으로써 효율적으로 피할 수 있다:

Peterson, P.의 자기 공명 이미징을 이용한 지방 함량 및 지방산 조성의 정량화, Lund 대학 박사 학위 논문(Quantification of Fat Content and Fatty Acid Composition Using Magnetic Resonance Imaging. Lund University Doctoral Dissertation), 2013, ISBN: 978-91-87651-99-1.

또 다른 실시예에서, 관심 영역을 정의하는 단계는 획득된 이미지를 분할하기 위해 획득된 이미지에 대해 적어도 하나의 아틀라스를 비-강체 정합하는 단계를 포함할 수 있다. 여기에서 아틀라스는 근육 그룹들의 분류를 위해 상응하는 해부학적 정보를 갖는 수분 및 지방 이미지 쌍으로서 정의될 수 있다. 아틀라스는 획득된 이미지에서 신체 및 신체 부분을 근육 그룹들과 같이 기관들의 그룹들로 분할하기 위해 사용될 수 있다. 비-강체 정합은 자동화된 과정들로 이루어질 수 있고, 관심 영역의 자동화된 정의를 제공할 수 있다.

일 실시예에서, 비-강체 정합하는 단계는 아틀라스의 다중-스케일(multi-scaled) 및 위상-기반 정합(phase-based registration)하는 단계를 포함할 수 있다. 다중-스케일(multi-scaled) 및 위상-기반 정합(phase-based registration)을 사용함으로써, 아트라스는 획득된 이미지를 갖는 형태에 상응하도록 수정될 수 있다. 아틀라스는 특정 형태, 또는 획득된 이미지에 상응하는 근육 그룹(들)의 그룹으로 정합될 수 있다. 아틀라스는 조직 그룹의 분류의 성공 확률을 증가시키도록 수정될 수 있다.

또 다른 실시예에서, 상기 아틀라스는 획득된 이미지로 전달될 수 있는 해부학적 정보를 포함할 수 있다. 해부학적 정보는 특정 조직 그룹을 식별하는 레이블들의 형태로 제공될 수 있다. 레이블들은 아틀라스 내에서의 조직 그룹의 선택된 부피 요소들로 제공될 수 있다. 레이블들은 레이블을 갖는 획득된 이미지에서 선택된 부피 요소들을 제공하도록 획득된 이미지로 전달될 수 있다. 조직 부피에서 부피 요소들을 분류하는 단계는 획득된 이미지에서의 조직 부피에서 선택된 부피 요소들을 위해 레이블들을 전달하는 단계를 포함할 수 있다. 관심 영역을 정의 하기 위해, 근육 부피 또는 흉부 부피와 같이, 조직 부피를 분류하기 위한 자동화된 과정들이 제공될 수 있다.

추가적인 실시예에서, 비-강체 정합 단계는 아틀라스들을 획득된 이미지에 대해 개별적으로 정합하는 단계를 포함할 수 있다. 다중 아틀라스들을 획득된 이미지 상에 정합함으로써, 획득된 이미지의 더욱 로버스트(robust)한 분할이 제공된다. 그러므로, 복수의 해부학적 변화들을 나타내는 다른 기관 구성을 갖는 아틀라스들이 동시에 사용될 수 있다. 그러므로, 분할의 결과가 개선될 수 있다.

일 실시예에서, 다중 아틀라스들을 사용하는 분할의 결과들은 획득된 이미지에 대해 맵을 형성하도록 추가될 수 있고, 상기 맵은 획득된 이미지 내의 부피 요소가 조직을 나타내는 확률을 정의하는 확률 맵을 형성하도록 정규화될 수 있다. 추가적인 실시예에서, 정규화는 획득된 이미지 내의 부피 요소들을 위해 0에서 1사이의 값을 제공할 수 있고, 여기에서 1의 값은 다중 아틀라스들 전부가 근육 조직으로서의 부피 요소를 정의하는 것을 나타내고, 0의 값은 다중 아틀라스들 중 어느 것도 근육 조직으로서의 부피 요소를 정의하지 않는 것을 나타낸다. 각 부피 요소를 위해, 특정 조직 그룹에 속하는 상기 부피 요소의 확률을 정의하는 확률 값이 제공될 수 있다.

추가적인 실시예에서, 부피 요소들을 분류하는 단계는 획득된 이미지 내의 부피 요소들을 확률 맵에 기반하여 조직 그룹에 대해 레이블링하는 단계 포함할 수 있다. 그러므로, 조직 그룹에 속하도록 확률 맵에 기반하여 정의된 부피 요소들은 그 조직 그룹에 대해 레이블링될 수 있다. 그러면, 이러한 부피 요소들의 분류는 조직 그룹의 제지방 조직 부피의 정량화를 위한 기초가 될 수 있다.

또 다른 실시예에서, 부피 요소들을 레이블링하는 단계는 특정 부피 요소를 조직 그룹에 대해 레이블링하기 위해, 해당 부피 요소를 조직 그룹으로 분류함에 있어서 필요한 아틀라스들의 수의 임계값을 적용하는 단계를 포함할 수 있다. 그러므로, 임계값을 초과하는 많은 아틀라스-기반 분할들이 조직 그룹에 속하는 것으로 볼륨 요소를 정의하는 경우, 부피 요소는 상응하는 레이블로 제공될 수 있다. 임계값은 일 실시예에서, 아틀라스들의 50%가 될 수 있다.

아틀라스들의 수의 임계값은, 제2 조직 그룹을 위해 선택된 임계 값과는 다른(defers from) 제1 조직 그룹을 위해 선택된다. 너무 높은 임계값은 근육 조직 부피의 과소평가(underestimation)를 야기하고, 너무 낮은 임계값은 근육 조직 부피의 과대평가(overestimation)를 야기한다. 최적의 임계값은 다른 조직 그룹들에 따라 다를 수 있다. 따라서, 다른 임계값들이 다른 조직 그룹들을 위해 사용될 수 있다.

또 다른 실시예에서, 비-강체 정합 단계는, 아틀라스들의 그룹으로부터, 획득된 이미지(12)에 가장 유사한 기관 조직 부피를 포함하는 하나 이상의 아틀라스들을 선택하는 단계를 포함할 수 있다. 다중 아틀라스들을 사용할 때, 선택 동작이 수행될 수 있고, 여기에서 아틀라스들은 획득된 이미지와 비교되고, 신체 근육 부피에서 특정 정도의 유사성(certain amount of similarity)를 갖는 아틀라스들의 수가 선택된다. 각 아틀라스들은 그것의 획득된 이미지와 유사성을 나타내는 값이 주어질 수 있다. 임계값을 초과하는 이러한 값을 갖는 아틀라스들이 선택될 수 있다.

추가적인 실시예에서, 하나 이상의 아틀라스들을 선택하는 단계는 반복 과정(iterative process)으로 반복되고, 제1 선택 과정에서 선택된 아틀라스들은 제2 선택 과정에서의 선택의 기초로서 사용될 수 있다. 그러므로, 제1 선택 과정에서 선택된 아틀라스들은 다시 평가될 수 있다. 아틀라스들의 수는 제2 선택 과정에서 더 감소될 수 있고, 그러므로 가장 잘 일치하는 아틀라스들만을 선택할 수 있다. 그러므로, 획득된 이미지의 분할의 성능은 더 개선될 수 있다.

추가적인 실시예에서, 근육 조직 부피를 정량화하는 단계는 근육 조직 부피에서의 부피 요소들에 대해 정규화된 수분 부피에서 정규화된 지방 부피를 뺀 것으로부터 유도된 계산을 포함할 수 있다.

추가적인 실시예에서, 보정된 지방 이미지, 연조직 마스크 및 관심 영역이 모두 공통 값 범위에 걸쳐 정의될 수 있다. 보정된 지방 이미지, 연조직 마스크 및 관심 영역에서 각 부피 요소는 공통 값 범위에서 값들을 각각 가질 수 있다. 보정된 지방 이미지에 대해, 상기 범위는 무지방을 나타내는 끝 지점(end point)에서부터 순수 지방을 나타내는 끝 지점까지 확장할 수 있다. 유사하게, 연조직 마스크에 대한 범위는 무 연조직(soft tissue)을 나타내는 끝 지점에서부터 순수 연조직(pure soft tissue)을 나타내는 끝 지점까지 확장할 수 있다. 또한, 관심 영역에 대한 범위는 제외될 부피 요소를 나타내는 끝 지점에서부터 포함될 부피 요소를 나타내는 끝 지점까지 확장할 수 있다. 유사하게, 보정된 수분 이미지는 공통 값 범위에 걸쳐 정의될 수 있다. 보정된 수분 이미지에 대해, 상기 범위는 수분이 없는 것을 나타내는 끝 지점으로부터 순수 수분을 나타내는 끝 지점까지 확장할 수 있다.

이러한 공통 값 범위는 일 실시예에서 0에서 1 사이, [0, 1]가 될 수 있다. 공통 값 범위는 제지방 조직 부피 정량이 보정 문제들 없이 계산되는 것을 제공한다.

본 발명은 아래에서 첨부된 도면들을 참조하여 더욱 상세히 설명된다, 여기에서:
도 1은 본 발명의 일 실시예에 따른 방법의 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 방법 단계들의 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 정량화 방법의 흐름도이다.
도 4a 및 도 4b는 근육 조직 부피의 이차원 차트 표현들이다.
도 5는 본 발명의 일 실시예에 따른 방법의 흐름도이다.

이하, 본 발명의 바람직한 실시예들이 도시된 첨부된 도면들을 참조하여 본 발명을 더욱 상세히 설명한다. 하지만, 이러한 발명은 다양한 다른 형태들로 실시될 수 있고, 여기에 설명된 실시예들로 한정되는 것으로 해석되어서는 안 되고; 오히려 이러한 실시예들은 본 개시가 충분하고 완전하게 될 수 있도록 제공되고, 당업자에게 본 발명의 범위를 충분히 전달할 것이다. 도면들에서 동일한 참조번호들은 동일한 요소들을 나타낸다.

도 1에 나타낸 것과 같이, 본 발명의 실시예에 따른 제지방 조직 부피를 정량화하는 방법은 5개의 메인 단계들을 포함한다.

a) 수분-지방 분리 이미지의 획득(10),

b) 보정된 지방 이미지 제공(20)

c) 연조직 마스크 제공(30),

d) 획득된 영역에서의 관심 영역 정의(40),

e) 제지방 조직 부피 계산(50),

도 1에 나타낸 방법은 다음과 같이 설명될 수 있다.

,

여기에서, LTV는 제지방 조직 부피이고, F는 보정된 지방 이미지이고, STM은 연조직 마스크이고, V_vox 는 각 복셀의 부피이고, ROI는 관심 영역에서의 복셀들이다. 관심 영역의 정의는 수동으로 또는 자동으로 이루어질 수 있다.

상기 방법의 단계들 a)-d)은 도 2를 추가로 참조하여 아래에서 더욱 상세히 설명된다.

상기 방법은 정량적인 지방 정보를 갖는 수분-지방 분리 이미지들을 필요로 한다. 본 실시예를 위해, 10개의 수분-지방 분리 이미지들을 획득하기 위한 위상-감지 재구성(phase-sensitive reconstruction)을 갖는 두 개 또는 다 지점 딕슨 이미징(multiple point Dixon imaging)이 사용된다. 하지만, 사용될 수 있는 몇몇 다른 분리 방법들이 존재할 수 있다. 보정된 지방 이미지를 제공하기 위해 사용되는 지방 이미지들을 제공하는 이러한 다른 방법들이 다음에서 개시된다:

- Berglund J, Ahlstrom H, Johansson L, Kullberg J., 유연한 에코 시간을 갖는 두-지점 딕슨 방법(Two-point Dixon method with flexible echo times), 의학분야의 자기 공명: 의학분야의 자기 공명 학회의 공식 저널/의학분야의 자기 공명 학회(Magnetic resonance in medicine : official journal of the Society of Magnetic Resonance in Medicine / Society of Magnetic Resonance in Medicine) 2011;65(4):994-1004.

- Berglund J, Kullberg J., 전체-이미지 최적화에 기반한 3-차원 수분/지방 분리 및 T2* 추정1.5T에서 호흡 정지 간 이미징의 응용, 의학분야의 자기 공명 : 의학분야의 자기 공명 학회의 공식 저널/의학분야의 자기 공명 학회(Three-dimensional water/fat separation and T2* estimation based on whole-image optimization--application in breathhold liver imaging at 1.5 T. Magnetic resonance in medicine : official journal of the Society of Magnetic Resonance in Medicine / Society of Magnetic Resonance in Medicine) 2012;67(6):1684-1693.

- Hernando D, Haldar JP, Sutton BP, Ma J, Kellman P, Liang ZP., 수분/지방 이미지들 및 필드 불균일 맵의 공동 추정, 의학분야의 자기 공명 : 의학분야의 자기 공명 학회의 공식 저널/의학분야의 자기 공명 학회(Joint estimation of water/fat images and field inhomogeneity map. Magnetic resonance in medicine : official journal of the Society of Magnetic Resonance in Medicine / Society of Magnetic Resonance in Medicine) 2008;59(3):571-580.

- Ma J,. 수분 및 지방 이미징을 위한 딕슨 기법, 자기 공명 이미징의 저널(Dixon techniques for water and fat imaging. Journal of magnetic resonance imaging) : JMRI 2008;28(3):543-558.

- Reeder SB, Pineda AR, Wen Z, Shimakawa A, Yu H, Brittain JH, Gold GE, Beaulieu CH, Pelc NJ., IDEAL: 급속 반향-에코 이미징의 응용, 의학분야의 자기 공명 : 의학분야의 자기 공명 학회의 공식 저널/의학분야의 자기 공명 학회(Iterative decomposition of water and fat with echo asymmetry and least-squares estimation (IDEAL): application with fast spin-echo imaging. Magnetic resonance in medicine : official journal of the Society of Magnetic Resonance in Medicine / Society of Magnetic Resonance in Medicine) 2005;54(3):636-644.

- Yu H, McKenzie CA, Shimakawa A, Vu AT, Brau AC, Beatty PJ, Pineda AR, Brittain JH, Reeder SB., 동시 수분-지방 분해 및 T2* 추정을 위한 다중에코 재구성, 자기 공명 이미징의 저널(Multiecho reconstruction for simultaneous water-fat decomposition and T2* estimation. Journal of magnetic resonance imaging) : JMRI 2007;26(4):1153-1161.

획득된 이미지는 수분 이미지 및 지방 이미지를 포함한다. 다시 말해 주어진 지방 이미지 복셀, 다시 말해 부피 요소에서 내부 강도 참조, 다시 말해 신호 강도 레벨로서 순수 지방질 조직(pure adipose tissue)에 기반하여 지방 이미지를 보정하기 위한 방법은, 100% 지방질 조직에 상응하는 1의 값으로 주어진 순수 지방질 조직에서의 강도에 관련된다. 보정된 지방 이미지를 생성하는 것뿐만 아니라, 상기 방법 또한 본래의 수분 이미지에서의 몇몇 비균질성을 제거한다.

본 발명의 일 실시예에 따른 방법은 관심 영역을 정의하기 위해 아틀라스-기반 정합 및 분할을 사용한다. 대안적으로, 관심 영역은 수동으로 정의되거나, 또 다른 방법으로 자동으로 정의될 수 있다.

아틀라스-기반 분할 방법의 위한 시작 지점은 아틀라스(21)의 생성이다. 여기에서, 아틀라스(21)는 다른 조직 그룹들을 정의하는 상응하는 레이블들(21a)을 갖는 수분 및 지방 이미지의 쌍으로서 정의된다. 그러면 아틀라스(21)는 획득된(대상) 이미지(12) 상에 정합된다. 정합의 목적은 아틀라스(21)가 획득된 이미지(12)와 가능한 유사해지게 것이다. 이러한 작업을 위해, 수분 이미지(it)는 최소한의 해부학적 변화를 디스플레이하고 조직 부피 형태에 관한 최대의 정보를 포함하기 때문에, 아틀라스(21)의 수분 이미지가 사용된다. 모르폰 방법과 같이, 다중-스케일 및 위상-기반 방법이 비-강체 정합(20)을 위해 사용된다. 모르폰 정합은 지향성 직교 필터들(directional quadrature filters)을 아틀라스(21) 및 획득된 이미지(12)에 적용함으로써 변위 필드(displacement field)(22)를 반복적으로 추정하고, 변위 필드를 업데이트하여 필터 반응들 간에 위상 차이들을 최소화 한다. 모르폰의 수렴 이후, 변위 필드(22)의 결과는 정보 맵으로 구성되고, 근육 그룹들을 정의하는 레이블들(21a)과 같은 추가적인 정보는 아틀라스(21)로부터 획득된 이미지(12)로 전달(23)될 수 있다.

아틀라스-기반 분할의 견고성(robustness)은 다중 아틀라스들(21)을 획득된 이미지(12)에 대해 정합함으로써 개선된다. 다중 아틀라스 정합은, 복수의 해부학적 변화들을 나타내는 다른 신체 구성을 갖는 아틀라스들(21)의 동시 사용을 허용하고, 이것은 분할 동작을 개선할 수 있다. 그러므로, 정합은 각 아틀라스에 대해 이루어지고, 제안된 레이블들은 맵을 형성하는 각각의 다른 대상에 추가된다. 맵은 확률 맵(24)으로서 정규화되고 사용된다. 복셀에 대해 1과 동일한 값은 모든 아틀라스들이 조직으로서 복셀을 분류하는 것을 제공하고, 0과 동일한 값은 아틀라스들 중 어느 것도 조직으로서 복셀을 분류하지 않는 것을 제공한다.

상기 방법의 제3 단계는 다중 아틀라스 정합으로부터 확률 맵(24)의 결과에 기반하여 각 복셀의 레이블을 분류하는 것이다. 임계값(31)은 특정 근육으로서 복셀을 분류하는 것에 동의하는 많은 아틀라스들(21)을 결정하는 방법에 적용된다. 너무 높은 임계값은 근육 조직 부피의 과소평가(underestimation)를 야기하고, 너무 낮은 임계값은 근육 조직 부피의 과대평가(overestimation)를 야기한다. 다른 조직 그룹들은 다른 환경들을 갖고, 따라서 각 그룹에 대한 최적의 임계값들이 사용될 수 있다.

각 분할된 조직 그룹에 대한 최적의 임계값들(31)은, 유사성 식별자(Similarity Index; SI), 또는 알려진 다이스 계수(Dice coefficient)에 기반하여, 지상 실측 정보 분할(ground truth segmentation)과 자동 분할 간에 유사성을 최대화하는 임계값을 찾음으로써 계산될 수 있다. 가장 높은 평균 SI(모든 아틀라스들에 대해 하용된)이 제공된 임계값이 최적의 임계값으로서 사용된다.

우수한 정합 결과의 달성 가능성은 아틀라스(21) 및 대상 이미지(12)가 유사한 경우 더 높다. 유사한 조직 분포를 갖는 아틀라스들을 찾는 것의 자동화된 선택은 일 실시예에서 분할 결과를 개선하도록 사용될 수 있다. 이것은 반복과정으로 개선된다. 아틀라스의 랜덤 또는 일반적인 부분집합이 사용되는 제1 반복 이후, 가장 유사한 조직 부피를 갖는 아틀라스들(21)만이 제1 반복으로부터의 결과와 비교되고 제2 라운드의 투표(voting)를 위해 사용되는 제2 반복(33)이 수행된다. 가장 유사한 전신 근육의 기준 대신에, 피시험자들을 나타내는 또 다른 특징이 사용될 수 있다.

조직 분류 이후, 조직 그룹 레이블들(32)을 갖는 획득된 이미지(35)가 제공된다.

조직 부피를 획득하기 위한 마지막 단계는 조직 분할로부터의 결과와 분할 단계들을 획득된 이미지 내의 조직 부피에 존재하는 이미지 정보로 결합하는 것이다. 이것은 도 3을 참조하여 아래에서 설명된다.

제지방 조직 부피 계산의 일 단계는 획득된 이미지(35) 내의 신체에 속하지 않는 복셀들의 제거, 다시 말해 배경 제거로 구성된다. 배경에서의 복셀들로부터 노이즈를 제거하기 위해 퍼지(fuzzy) 연조직 마스크(STM) 내부 복셀들만이 포함된다. 우선, 이진 조직 마스크(BTM)는, 보정된 지방 조직 부피(Fn)를 제공하는 지방 조직 부피에 대해 위에 설명된 것과 유사하게, 수분 조직 부피(Wn)를 보정함으로써 생성된다. 수분 이미지의 보정은 내부 강도 기준(internal intensity reference)으로서의 순수 수분에 기반한다. 다시 말해, 주어진 수분 이미지 복셀에서의 신호 강도 레벨은, 100% 수분 조직에 상응하는 1의 값으로 주어진 순수 수분 조직에서의 강도와 관련된다. 수분이 없는 강도를 갖는 수분 이미지 복셀들은 0의 값으로 주어진다.

정규화된 수분 조직 부피와 지방 조직 부피의 합(Fn+Wn)은 정규화된 동-위상 신호(IPn)을 제공한다. 임계값은 정규화된 동-위상 신호에 적용된다. 임계값은 0.5 레벨에 있다. 퍼지 조직 마스크는 정규화된 수분 및 지방 이미지들의 합과 동일한 이진 신체 마스크의 경계들로부터 하나의 복셀 내에 복셀들을 설정함으로써 생성된다. 이러한 동작을 경계 이완(border relaxation)이라고 한다. 퍼지 연조직 마스크를 사용함으로써, 부피 측정 상에 부분적인 부피 영향들이 최소화된다.

분할된 조직 마스크의 부피는 다음으로써 계산된다:

M _AUT 는 자동 조직 분할이고, STM은 연조직 마스크이고, V _vox 은 각 복셀의 부피이고, ROI는 관심 영역 내의 복셀들이다. 이것은 분류된 부피에서의 조직의 정량을 제공하고, 또한 연조직 부피(STV)으로서 설명된다. 동일한 퍼지 연조직 마스크 및 보정된 지방 조직 부피에 기반하여, 지방 조직 부피의 정량화, 또는 지방질 조직 부피(ATV)가 제공된다.

제지방 조직 부피의 정량화 단계는 M _AUT 에서의 지방 침투에 대해 보정한다.

이것은 제지방 조직 부피, LTV의 계산(50)에 의해 수행된다:

여기에서 F는 계산된 지방 이미지이고, M _AUT 는 자동 조직 분할이고, STM은 연조직 마스크이고, V _vox 은 각 복셀의 부피이고, ROI 는 관심영역에서의 복셀들이다.

보정된 지방 이미지는 연속적인 지방 이미지를 제공한다. 예를 들어, 근육 조직으로서 분리된 각 복셀에서의 지방 신호 레벨은 최종 조직 부피 계산으로부터 뺀다. LTV는 순수 지방질 조직, 다시 말해 지방 선조(fatty streaks) 및 피하 조직(subcutaneous tissue)을 포함하는 영역들을 제거한다. 또한, 확산 지방 침투의 존재에서, LTV는 근육 조직의 부피에 확산 지방 침투를 더하기보다 근육 조직의 양을 정량화한다. 이것은 제지방 조직 부피(LTV)의 정량화를 제공한다.

이것은 근육 조직 부피(100)(y축)의 2-차원 표현을 나타내는 도 4a 및 도 4b에서 더 설명된다. X축 상의 복셀에서 근육 조직의 낮은 표현은 지방의 상응하는 레벨을 제공한다. 도 4a는 임계값(110)이 설정된 근육 조직을 정량화하는 알려진 단계를 나타낸다. 임계값(110) 미만의 근육 조직 신호 레벨, 다시 말해 임계값(110)을 초과하는 지방 신호 레벨을 갖는 복셀들은 정량화된 근육 조직 부피(140)로부터 제거된다. 근육 조직 부피(100)의 외부 경계들 내의 복셀들의 부분(120)은, 순수 지방 침투로서의 분류 때문에 정량(140)으로부터 제거될 것이다. 하지만, 이러한 복셀들 내의 근육 조직(122)은 또한 제거될 것이고, 그러므로 근육 조직 부피의 정량(140)으로부터 이러한 조직(122)을 제거할 것이다. 또한, 확산 지방 침투(130)는 낮은 지방의 양 때문에 근육 조직으로서 정량화될 것이다.

도 4b는 본 발명에 따른 정량화 단계를 나타내고, 여기에서 근육 조직 부피(100)의 정량은 근육 조직 부피(100) 내의 분류된 복셀들에서의 지방 레벨(131, 132)을 상응하는 근육 조직 신호 레벨(수분 신호 레벨)로부터 뺌으로써 결정된다. 그러므로, 임계값(110)은 더 낮게 설정될 수 있고, 또는 더 정확한 근육 조직 부피의 정량을 제공하도록 무효화될(nullified) 수도 있다. 경계들에서 (높은) 지방 레벨들(132)은 아무래도 빼기 연산에 의해 제거될 것이다. 큰 지방 침투(131)는, 더 낮은 임계값(100)으로도 정량으로부터 더 제거될 것이다. 동시에, 큰 지방 침투를 갖는 복셀들(120)에서의 근육 조직 존재는 또한 근육 조직 정량(141)의 부분일 수 있다.

도 5에 도시된 실시예에 따르면, 본 발명의 방법(1)은 보정된 수분 이미지를 제공하는 단계(60) 및 제지방 조직 수분 농도(LTWC)를 계산하는 단계(70)를 더 포함할 수 있다. 제지방 조직 수분 농도의 계산은 다음과 같이 설명될 수 있다:

,

여기에서, W는 보정된 수분 이미지이고, STM은 연조직 마스크이고, LTV는 계산된 제지방 조직 부피이고, V_vox 는 각 복셀의 부피이고, ROI는 관심 영역에서의 복셀들이다. 제지방 조직 수분 농도는 관심 영역에서의 총 수분 및 지방의 비율로서 유효 수분 농도를 제공한다. 제지방 조직 수분 농도는 획득된 이미지의 관심 영역에서 측정된 수분 신호 레벨을 포함하고, 관심 영역 내에서 수분 또는 자기 공명 가시적이지 않은 다른 조직은 포함하지 않는다.

도면 및 상세한 설명에서, 본 발명의 바람직한 실시예들 및 예시들이 개시되었고, 특정 용어들이 사용되더라도, 이것들은 제한의 목적이 아닌 일반적이고 기술적인 의미로만 사용되며, 본 발명의 범위는 다음의 청구 범위에서 설명된다.

Claims

제지방 조직 부피(lean tissue volume)(100)를 정량화하는 방법(1)에 있어서,
수분-지방 분리 자기 공명 이미지(water-fat separated magnetic resonance image)로서 이미지(12)를 획득하는 단계(10) 상기 획득된 이미지는 각각이 복수의 부피 요소들을 포함하는 수분 이미지 및 지방 이미지를 포함함-,
보정된(calibrated) 지방 이미지(F)를 제공하는 단계(20),
상기 획득된 이미지에서 연조직의 영역들을 정의하는 연조직 마스크(soft tissue mask; STM)를 제공하는 단계(30), 및
획득된 이미지의 관심 영역을 정의하는 단계(40)
를 포함하고,
상기 방법은,
상기 관심 영역 내의 각 부피 요소에 대해, 상기 연조직 마스크와 각 부피 요소의 부피(V_vox) 및 1에서 상기 보정된 이미지를 뺀 결과를 곱하고, 상기 관심 영역 내의 모든 부피 요소들에 대해 상기 곱들의 결과들을 합(summarizing)함으로써 제지방 조직 부피를 계산하는 단계(50)
를 더 포함하는 것을 특징으로 하는
제지방 조직 부피를 정량화하는 방법.
제1항에 있어서,
보정된 수분 이미지(W)를 제공하는 단계(60) 및 상기 획득된 이미지 내의 각 부피 요소에 대해, 상기 연조직 마스크와 상기 보정된 수분 이미지 및 각 부피 요소의 부피(V_vox)를 곱하고, 상기 관심 영역 내의 모든 부피 요소들에 대한 상기 곱들의 결과들의 합을 결정하고, 상기 합을 상기 계산된 제지방 조직 부피로 나눔으로써 제지방 조직 수분 농도(lean tissue water concentration)를 계산하는 단계(70)
를 더 포함하는 제지방 조직 부피를 정량화하는 방법.
제1항에 있어서,
상기 연조직 마스크(STM)를 제공하는 단계(30)는 자기 공명 가시 조직(magnetic resonance visible tissue)을 포함하지 않는 부피 요소들을 제거하는 단계를 포함하고, 상기 부피 요소들을 제거하는 단계는,
보정된 수분 이미지(W)를 제공하는 단계,
상기 보정된 지방 이미지와 상기 보정된 수분 이미지의 합에 임계값을 적용하는 단계 상기 임계값을 초과하는 부피 요소들은 이진 조직 마스크(Binary Tissue Mask; BTM)를 형성함-, 및
정규화된 수분 및 지방 이미지들의 합과 동일한 상기 이진 조직 마스크의 경계들로부터 하나의 부피 요소 내에 부피 요소들을 설정함으로써 퍼지(fuzzy) 연조직 마스크(STM)를 형성하는 단계
를 포함하는 제지방 조직 부피를 정량화하는 방법.
제1항 내지 제3항 중 어느 한 항에 있어서,
상기 관심 영역을 정의하는 단계는 상기 획득된 이미지를 분할하기(segment) 위해 상기 획득된 이미지(12)에 대해 적어도 하나의 아틀라스(atlas)(21)를 비-강체 정합(non-rigid registration)하는 단계
를 포함하는 제지방 조직 부피를 정량화하는 방법.
제4항에 있어서,
상기 비-강체 정합 단계는 모르폰 정합(morphon registration)과 같이, 상기 아틀라스를 다중-스케일(multi-scaled) 및 위상-기반 정합(phase-based registration)하는 단계
를 포함하는 제지방 조직 부피를 정량화하는 방법.
제4항에 있어서,
상기 아틀라스(21)는 상기 획득된 이미지(12)로 전달되는 해부학적 정보(anatomical information)(21a)를 포함하는
제지방 조직 부피를 정량화하는 방법.
제4항에 있어서,
상기 비-강체 정합 단계는 다중 아틀라스들(21)을 상기 획득된 이미지에 개별적으로 정합하는 단계
를 포함하는 제지방 조직 부피를 정량화하는 방법.
제7항에 있어서,
상기 다중 아틀라스들의 정합의 결과들은 맵을 형성하도록 상기 획득된 이미지(12)에 추가 되고, 상기 맵은 상기 획득된 이미지 내의 부피 요소가 근육 조직을 나타낼 확률을 정의하는 확률 맵(24)을 형성하도록 정규화되고, 상기 정규화는 상기 획득된 이미지(12) 내의 부피 요소들에 대해 0에서 1 사이의 값을 제공하고, 상기 1의 값은 다중 아틀라스들(21)의 전부가 근육 조직으로서의 부피 요소를 정의하는 것을 나타내고, 0의 값은 다중 아틀라스들(21) 중 어느 것도 근육 조직으로서의 부피 요소를 정의하지 않는 것을 나타내는
제지방 조직 부피를 정량화하는 방법.
제8항에 있어서,
상기 방법은 수분 이미지 내의 부피 요소들을 상기 적어도 하나의 아틀라스에 기반하여 조직 그룹으로서 분류하는 단계
를 더 포함하고,
상기 분류하는 단계는 상기 획득된 이미지(12) 내의 부피 요소들을 상기 확률 맵(24)에 기반하여 조직 그룹에 대해 레이블링하는 단계(32)
를 포함하는 제지방 조직 부피를 정량화하는 방법.
제9항에 있어서,
상기 부피 요소들을 레이블링하는 단계(32)는 특정 부피 요소를 상기 조직 그룹에 대해 레이블링하기 위해, 해당 부피 요소를 조직 그룹으로 분류함에 있어서 필요한 아틀라스들의 수의 임계값을 적용하는 단계
를 포함하는 제지방 조직 부피를 정량화하는 방법.
제10항에 있어서,
상기 아틀라스들의 수의 임계값은, 제1 조직 그룹을 위해 선택되고, 제2 조직 그룹을 위해 선택된 임계 값과는 다른(defers from)
제지방 조직 부피를 정량화하는 방법.
제4항에 있어서,
상기 비-강체 정합 단계는 아틀라스들의 그룹으로부터, 상기 획득된 이미지(12)에 가장 유사한 조직 부피를 포함하는 하나 이상의 아틀라스들을 선택하는 단계
를 포함하고,
상기 하나 이상의 아틀라스들을 선택하는 단계는 반복 과정(iterative process)으로 반복되고, 제1 선택 과정에서 선택된 아틀라스들은 제2 선택 과정에서의 선택의 기초로서 사용되는
제지방 조직 부피를 정량화하는 방법.
제1항에 있어서,
상기 보정된 지방 이미지, 상기 연조직 마스크, 및 상기 관심 영역 모두는 공통 값 범위(common value range)에 걸쳐 정의되는
제지방 조직 부피를 정량화하는 방법.
제13항에 있어서,
상기 공통 값 범위는 0에서 1까지 확장하는
제지방 조직 부피를 정량화하는 방법.