KR101874400B1 - 환자에 특화된 대상 장기의 모델을 생성하는 방법 및 장치 - Google Patents

환자에 특화된 대상 장기의 모델을 생성하는 방법 및 장치 Download PDF

Info

Publication number
KR101874400B1
KR101874400B1 KR1020120074927A KR20120074927A KR101874400B1 KR 101874400 B1 KR101874400 B1 KR 101874400B1 KR 1020120074927 A KR1020120074927 A KR 1020120074927A KR 20120074927 A KR20120074927 A KR 20120074927A KR 101874400 B1 KR101874400 B1 KR 101874400B1
Authority
KR
South Korea
Prior art keywords
target organ
model
generating
organ
shape
Prior art date
Application number
KR1020120074927A
Other languages
English (en)
Other versions
KR20140008031A (ko
Inventor
강나협
이태현
김경환
김도균
김상욱
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020120074927A priority Critical patent/KR101874400B1/ko
Priority to US13/907,072 priority patent/US9558587B2/en
Publication of KR20140008031A publication Critical patent/KR20140008031A/ko
Application granted granted Critical
Publication of KR101874400B1 publication Critical patent/KR101874400B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Processing (AREA)

Abstract

일 실시예에 따르면, 환자의 대상 장기에 대한 적어도 두 개의 3차원 영상들에 기초하여 대상 장기에 대한 적어도 두 개의 형상 모델들 사이의 변형 매트릭스를 생성하고, 대상 장기의 2차원 영상으로부터 추출된 대상 장기에 대한 제약 조건(constraints) 및 변형 매트릭스를 이용하여 환자에 특화된 대상 장기의 모델을 생성하는 대상 장기의 모델을 생성하는 방법 및 장치를 제공할 수 있다.

Description

환자에 특화된 대상 장기의 모델을 생성하는 방법 및 장치{METHOD AND APPARATUS FOR CREATING MODEL OF PATIENT SPECIFIED TARGET ORGAN}
아래의 실시예들은 환자에 특화된 대상 장기의 모델을 생성하는 방법 및 장치에 관한 것이다.
인체 장기는 대부분 딱딱하지 않은(non-rigid) 변형 특성을 가진다. 특히, 간, 심장, 폐 등과 같은 흉복부 장기들은 호흡과 개복 수술시의 외부 자극 등으로 인해 형상이 변형될 수 있다. 따라서, 장기 변형을 모델링 하는 것은 임상 수술에서 환자 내부 내비게이션(Navigation), 수술 전의 계획, 수술 시뮬레이션 및 실제 수술 시의 보조 등과 같은 다양한 의료 분야에서 활용될 수 있다.
장기 변형은 상황 별, 환자 별로 매우 다른 특징을 나타낼 수 있어 실제 환자에 특화(Patient Specific)된 장기 변형을 모델링하는 기술은 매우 중요하다.
하지만, 실제 임상 환경에서는 실시간 의료 영상 기기들에 의해 촬영된 낮은 화질의 의료 영상에 의해 수술이 진행되므로 실시간의 장기 변형 추적이 없이는 치료 과정의 올바른 진행 및 임상의의 적절한 판단이 어렵다.
일 실시예에 따르면, 대상 장기의 모델을 생성하는 방법은 환자의 대상 장기에 대한 적어도 두 개의 3차원 영상들에 기초하여 상기 대상 장기에 대한 적어도 두 개의 형상 모델들 사이의 변형 매트릭스를 생성하는 단계: 상기 대상 장기의 2차원 영상으로부터 상기 대상 장기에 대한 제약 조건(constraints)을 추출하는 단계; 및 상기 제약 조건 및 상기 변형 매트릭스를 이용하여 상기 환자에 특화된 대상 장기의 모델을 생성하는 단계를 포함할 수 있다.
상기 변형 매트릭스를 생성하는 단계는 상기 적어도 두 개의 3차원 영상들에서 상기 대상 장기의 영역을 마스킹(masking)하는 단계; 및 상기 마스킹한 대상 장기의 영역을 이용하여 상기 환자의 대상 장기에 특화된 적어도 두 개의 형상 모델들을 생성하는 단계를 포함할 수 있다.
상기 변형 매트릭스를 생성하는 단계는 상기 적어도 두 개의 형상 모델들 중 기준 형상 모델을 선정하는 단계; 및 상기 기준 형상 모델과 나머지 형상 모델 간의 변형 관계에 기초하여 상기 변형 매트릭스를 산출하는 단계를 포함할 수 있다.
상기 기준 형상 모델과 나머지 형상 모델 간의 변형 관계는 상기 기준 형상 모델과 나머지 형상 모델 각각에 대응되는 변형 구배(deformation gradient)에 의해 계산될 수 있다.
극분해(polar decomposition)를 통해 상기 변형 구배를 회전(rotation) 성분과 신축(stretching) 성분으로 분해하는 단계를 포함할 수 있다.
상기 회전(rotation) 성분을 행렬 지수 함수를 이용하여 비선형 보간하는 단계를 포함할 수 있다.
상기 적어도 두 개의 형상 모델들이 나타내는 부피의 총합을 유지하기 위해 상기 신축(stretching) 성분에 대한 결정 요소(determinant)를 조절하는 단계를 포함할 수 있다.
상기 적어도 두 개의 형상 모델들은 상기 대상 장기의 적어도 하나의 세부 조직(sub-structure)을 포함하고, 상기 적어도 하나의 세부 조직은 혈관 및 신경을 포함할 수 있다.
상기 적어도 두 개의 형상 모델들은 4 면체 메쉬(tetrahedron mesh) 모델에 포함되고, 상기 4 면체 메쉬 모델을 구성하는 4 면체 각각은 서로 다른 변형 가중치를 가질 수 있다.
상기 대상 장기에 대한 제약 조건을 추출하는 단계는 상기 대상 장기의 2차원 영상으로부터 특징점을 추출하는 단계; 및 상기 2차원 영상의 특징점과 상기 대상 장기의 3차원 영상들의 정점을 매칭시키는 단계를 포함할 수 있다.
상기 적어도 두 개의 형상 모델들 중 기준 형상 모델에서, 상기 2차원 영상의 특징점에 대응하는 정점의 번호 및 위치를 파악하는 단계; 및 상기 정점의 번호 및 위치를 이용하여 상기 2차원 영상의 특징점과 상기 대상 장기의 3차원 영상들의 정점을 매칭시키는 단계를 포함할 수 있다.
상기 환자에 특화된 대상 장기의 모델을 생성하는 단계는 상기 변형 매트릭스와 상기 제약 조건을 이용하여 상기 환자에 특화된 대상 장기의 특징점이 나타내는 변형 구배(deformation gradient)를 계산하는 단계를 더 포함할 수 있다.
상기 변형 구배(deformation gradient)를 계산하는 단계는 상기 2차원 영상의 정점들 중 상기 대상 장기의 특징점에 대응하는 정점들을 제외한 나머지 정점들에 대하여 상기 변형 구배(deformation gradient)를 계산할 수 있다.
일 실시예에 따르면, 대상 장기의 모델을 생성하는 장치는 환자의 대상 장기에 대한 적어도 두 개의 3차원 영상들에 기초하여 상기 대상 장기에 대한 적어도 두 개의 형상 모델들 사이의 변형 매트릭스를 생성하는 생성부: 상기 대상 장기의 2차원 영상으로부터 상기 대상 장기에 대한 제약 조건(constraints)을 추출하는 추출부; 및 상기 제약 조건 및 상기 변형 매트릭스를 이용하여 상기 환자에 특화된 대상 장기의 모델을 생성하는 모델링부를 포함할 수 있다.
상기 생성부는 상기 적어도 두 개의 3차원 영상들에서 상기 대상 장기의 영역을 마스킹(masking)하는 마스킹 수단; 및 상기 마스킹한 대상 장기의 영역을 이용하여 상기 환자의 대상 장기에 특화된 적어도 두 개의 형상 모델들을 생성하는 생성 수단을 포함할 수 있다.
상기 생성부는 상기 적어도 두 개의 형상 모델들 중 기준 형상 모델을 선정하는 선정 수단; 및 상기 기준 형상 모델과 나머지 형상 모델 간의 변형 관계에 기초하여 상기 변형 매트릭스를 산출하는 산출 수단을 포함할 수 있다.
상기 기준 형상 모델과 나머지 형상 모델 간의 변형 관계는 상기 기준 형상 모델과 나머지 형상 모델 각각에 대응되는 변형 구배(deformation gradient)에 의해 계산될 수 있다.
극분해(polar decomposition)를 통해 상기 변형 구배를 회전(rotation) 성분과 신축(stretching) 성분으로 분해하는 분해부를 포함할 수 있다.
상기 회전(rotation) 성분을 행렬 지수 함수를 이용하여 비선형 보간하는 보간부를 포함할 수 있다.
상기 적어도 두 개의 형상 모델들이 나타내는 부피의 총합을 유지하기 위해 상기 신축(stretching) 성분에 대한 결정 요소(determinant)를 조절하는 조절부를 포함할 수 있다.
상기 적어도 두 개의 형상 모델들은 상기 대상 장기의 적어도 하나의 세부 조직(sub-structure)을 포함하고, 상기 적어도 하나의 세부 조직은 혈관 및 신경을 포함할 수 있다.
상기 적어도 두 개의 형상 모델들은 4 면체 메쉬(tetrahedron mesh) 모델에 포함되고, 상기 4 면체 메쉬 모델을 구성하는 4 면체 각각은 서로 다른 변형 가중치를 가질 수 있다.
상기 추출부는 상기 대상 장기의 2차원 영상으로부터 특징점을 추출하는 추출 수단; 및 상기 2차원 영상의 특징점과 상기 대상 장기의 3차원 영상들의 정점을 매칭시키는 매칭 수단을 포함할 수 있다.
상기 매칭 수단은 상기 적어도 두 개의 형상 모델들 중 기준 형상 모델에서, 상기 2차원 영상의 특징점에 대응하는 정점의 번호 및 위치를 파악하고, 상기 정점의 번호 및 위치를 이용하여 상기 2차원 영상의 특징점과 상기 대상 장기의 3차원 영상들의 정점을 매칭시킬 수 있다.
상기 모델링부는 상기 변형 매트릭스와 상기 제약 조건을 이용하여 상기 환자에 특화된 대상 장기의 특징점이 나타내는 변형 구배(deformation gradient)를 계산하는 계산 수단을 포함할 수 있다.
상기 계산 수단은 상기 2차원 영상의 정점들 중 상기 대상 장기의 특징점에 대응하는 정점들을 제외한 나머지 정점들에 대하여 상기 변형 구배(deformation gradient)를 계산할 수 있다.
도 1은 일 실시예에 따른 대상 장기의 모델을 생성하는 방법에서 대상 장기의 모델을 생성하는 개념을 나타낸 도면이다.
도 2는 일 실시예에 따른 대상 장기의 모델을 생성하는 방법을 나타낸 플로우 차트이다.
도 3은 일 실시예에 따른 대상 장기의 모델을 생성하는 방법을 통해 정의되는 변형 공간을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 대상 장기의 모델을 생성하는 방법에서 전처리(Pre-processing) 과정을 설명하기 위한 도면이다.
도 5는 도 4의 전처리 과정에서 분할된 대상 장기의 영상을 나타낸 도면이다.
도 6은 일 실시예에 따른 대상 장기의 모델을 생성하는 방법에 의해 생성되는 형상 모델을 나타낸 도면이다.
도 7은 일 실시예에 따른 대상 장기의 모델을 생성하는 방법에서 형상 모델들에 포함되는 세부 조직(sub-structure)을 나타낸 도면이다.
도 8은 일 실시예에 따른 대상 장기의 모델을 생성하는 방법에서 실시간(Run-time) 처리 과정을 설명하기 위한 도면이다.
도 9는 다른 실시예에 따른 대상 장기의 모델을 생성하는 방법을 나타낸 플로우 차트이다.
도 10은 일 실시예에 따른 대상 장기의 모델을 생성하는 장치의 블록도이다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 일 실시예에 따른 대상 장기의 모델을 생성하는 방법에서 대상 장기의 모델을 생성하는 개념을 나타낸 도면이다.
도 1을 참조하면, 일 실시예에 따른 대상 장기의 모델을 생성하는 방법은 '전처리 과정(Pre-processing) 과정'과 '실시간(Run-time) 처리 과정'을 포함할 수 있다.
전처리 과정에서는 환자의 대상 장기에 대한 적어도 두 개의 3차원 영상들에 기초하여 대상 장기에 대한 적어도 두 개의 형상 모델들 사이의 변형 매트릭스를 생성할 수 있다.
보다 구체적으로, 전처리 과정에서는 환자의 대상 장기에 대한 적어도 두 개의 3차원 영상들에 기초하여 대상 장기의 형상에 기반한 형상 모델들(Gx0(120), Gx1(130), Gx2(140))을 생성하고, 형상 모델들을 포함하는 변형 공간(M(w))을 정의하는 변형 매트릭스(G)를 산출할 수 있다.
여기서, '변형 매트릭스(G)'는 변형 공간을 정의하는 매트릭스로서, 정점의 위치(vertex position) 관계가 주어진 경우에 변형 구배(Deformation Gradient)(f)가 얼마인지를 나타낸다. 변형 매트릭스(G)와 변형 구배(f) 간의 관계는 아래의 [수학식 1]을 통해 살펴볼 수 있다.
Figure 112012055002920-pat00001
여기서, 변형 구배(f)는 각 사면체마다 정의되는 변형 구배 매트릭스(T ij)(아래의 수학식 2 참조)의 요소들을 일렬로 늘어세운 벡터(Vector)로서, 형 구배 매트릭스(T ij)가 3x3 matrix이므로 (9t x 1)의 크기를 가질 수 있다.
여기서, x는 (3v)형태의 새로운 정점 위치를 나타내고, 변형 매트릭스(G)는 예를 들어, (9t x 3v) 형태의 매트릭스일 수 있다.
이때 v는 정점의 개수이며, t는 사면체 메쉬 상의 사면체 개수이다.
일 실시예에서는 환자 개인에 특화된 장기 변형에 대한 정보를 반영하는 변형 공간을 정의함으로써 장기 변형에 대한 제한적인 정보만이 제공되더라도 환자에 특화된 변형 특성을 유지하여 개인화된 대상 장기의 모델을 생성할 수 있다.
또한, 일 실시예에서는 극분해(polar decomposition)를 통해 변형 구배 매트릭스(T ij)를 아래의 [수학식 2]와 같이 회전(rotation) 성분(Rij)과 신축(stretching) 성분(Sij)으로 분해할 수 있다.
Figure 112012055002920-pat00002
이때, 아래의 [수학식 3]과 같이 신축(stretching) 성분(S ij)은 선형 보간(linear interpolation)하고, 회전(rotation) 성분(R ij)은 행렬 지수 함수(matrix exponential) 및 로그(logarithm)를 이용하여 비선형 보간(non-linear interpolation)할 수 있다.
Figure 112012055002920-pat00003
여기서, T j(w)는 새로 생성될 사면체 메쉬의 j번째 사면체를 의미하고, wi는 을 i번째 사면체 메쉬의 가중치를 의미하며, l은 전체 사면체 메쉬의 개수를 의미한다.
[수학식 3]은 [수학식 2]의 극분해를 통해 분해된 변형 구배 매트릭스(T ij)를 보간(interpolation)하기 위한 것으로서, 회전 성분(R ij)은 올바른 보간을 위해 매트릭스 logarithm을 이용한 비선형 보간을 실시하고, 신축 성분(S ij)은 선형 보간을 실시한 후 재결합하여 최종 보간된 변형 구배 매트릭스를 생성할 수 있다.
변형 공간(M(w))의 정의 및 변형 공간과 변형 매트릭스(G) 간의 관계는 후술하는 도 3을 참조하기로 한다.
일 실시예에서는 전처리 과정을 통해 형상 모델들 사이의 변형 매트릭스를 생성한 후 아래와 같은 '실시간(Run-time) 처리 과정' 을 수행할 수 있다.
환자의 대상 장기에 대한 새로운 2차원 의료 영상(110)으로부터 추출된 특징점(Pc)(115)들이 입력되면, 해당 특징점 (115)들로부터 파악되는 제약 조건(c)과 변형 공간(M(w))을 정의하는 변형 매트릭스(G)를 이용하여 환자에 특화된 대상 장기의 모델을 생성할 수 있다. 이때, 환자에 특화된 대상 장기의 모델은 대상 장기의 변형 메쉬 모델일 수 있다.
여기서, '특징점(feature point)(Pc)' (115)은 환자의 대상 장기를 다른 사람의 장기과 구분할 수 있는 특징적인 지점(혹은 정점)을 나타내며, 예를 들어, 환자의 간의 우엽과 좌엽 사이에 나타나는 주름의 위치, 혹은 해당 장기에서 주요 혈관이나 신경 등이 지나가는 정점 등이 특징점이 될 수 있다.
또한, '제약 조건(Constraints)(c)' 은 대상 장기에 대한 특징점 및 후술하는 장기의 부피 보전성 등과 같이 해당 장기가 환자에 특화된 변형 특성을 나타낼 수 있도록 하는 조건이다. 제약 조건(c)은
Figure 112012055002920-pat00004
를 만족할 수 있다.
이와 같이 전처리 과정에서 생성된 변형 매트릭스와 환자의 대상 장기에 대한 새로운 2차원 의료 영상으로부터 추출된 제약 조건을 이용하여 실시간으로 환자에 특화(Patient Specific)된 장기 변형을 모델링하는 과정을 '실시간(Run-time) 처리 과정' 이라 할 수 있다.
일 실시예에서는 MRI(Magnetic Resonance Imaging; 자기 공명 영상) 및 CT(Computed Tomography; 컴퓨터 단층 촬영) 영상 등과 같은 3차원 의료 영상 볼륨으로부터 환자의 장기 변형을 표현할 수 있는 변형 공간을 정의함으로써 저해상도의 2 차원 의료 영상에 대해 환자에 특화된 맞춤형 장기 변형을 제공하는 한편, 임상의 활용 가능성을 높일 수 있다.
도 2는 일 실시예에 따른 대상 장기의 모델을 생성하는 방법을 나타낸 플로우 차트이다.
도 2를 참조하면, 일 실시예에 따른 대상 장기의 모델을 생성하는 장치(이하, '생성 장치')는 환자의 대상 장기에 대한 적어도 두 개의 3차원 영상들에 기초하여 대상 장기에 대한 적어도 두 개의 형상 모델들 사이의 변형 매트릭스를 생성한다(210). 생성 장치는 적어도 두 개의 3차원 영상들에 기초하여 대상 장기의 형상에 기반한 형상 모델들을 생성할 수 있다. 적어도 두 개의 형상 모델들 사이의 변형 매트릭스는 형상 모델들을 포함하는 변형 공간을 정의할 수 있다.
이때, 적어도 두 개의 형상 모델들은 대상 장기의 세부 조직을 포함하지 않거나, 적어도 하나의 세부 조직을 포함할 수 있다. 이때, 적어도 하나의 세부 조직은 혈관 및 신경 등을 포함할 수 있다. 적어도 두 개의 모델들은 4 면체 메쉬(tetrahedron mesh) 모델에 포함될 수 있고, 4 면체 메쉬 모델을 구성하는 4 면체 각각은 서로 다른 변형 가중치를 가질 수 있다.
생성 장치는 대상 장기의 2차원 영상으로부터 대상 장기에 대한 제약 조건(constraints)을 추출한다(230).
생성 장치는 제약 조건 및 변형 매트릭스를 이용하여 환자에 특화된 대상 장기의 모델을 생성한다(250). 이때, 환자에 특화된 대상 장기의 모델은 아래의 [수학식 4]와 같은 비선형 시스템을 통해 생성될 수 있다.
Figure 112012055002920-pat00005
여기서, x * 는 새로운 정점들의 위치들을 나타내고, w * 는 환자 장기 모델들 간의 가중치(Weight)를 나타낸다. x는 (3v x 1)의 형태이고, w * 는 (l x 1)의 형태일 수 있다.
또한, 변형 매트릭스 Ｇ는 주어진 정점의 위치 벡터 x를 통해 변형 구배(Deformation gradient)를 추출함으로써 구할 수 있고, 변형 공간 Ｍ은 입력된 정점 w에 대한 환자 장기 모델들의 변형 구배에 대한 비선형 보간(non-linear interpolation)에 의해 구할 수 있다. 또한, 제약 조건(c)는 사용자가 입력한 제약 조건(constraints)에 의해 계산될 수 있다.
도 3은 일 실시예에 따른 대상 장기의 모델을 생성하는 방법을 통해 정의되는 변형 공간을 설명하기 위한 도면이다. 이하에서, 대상 장기는 '간'인 경우를 설명하지만, 실시예는 이에 제한되지 않는다.
일반적으로 대부분의 장기들은 형상 변형 시에 장기의 부피가 일정하게 유지되는 특징을 가지며, 이러한 특징을 '부피 보전성'이라고 한다. 부피 보존성은 세포 구성 물질의 70%가 수분으로 이루어짐에 기인한다. 따라서, 장기의 형상 변형 시에 그 모양은 들숨과 날숨 시에 서로 달라질 수 있지만 총 부피의 합은 일정하게 유지된다.
도 3을 참조하면, 들숨의 시작 지점(x0)에서의 간의 형상이 최소가 되고, 날숨의 시작 지점(x2)에서의 간의 형상이 최대가 될 수 있다. 이와 같이, 간의 형상이 최소가 되는 때의 형상 모델을 Gx0이라 하고, 간의 형상이 최대가 되는 때의 형상 모델을 Gx2라 하면, 다양한 간의 형상 변형은 Gx0 과 Gx2 사이의 변형 공간(M(w)) 내에서 이루어질 수 있다.
일 실시예에서는 이와 같이, 들숨 시와 날숨 시의 최소 두 개의 장기 형상에 기반한 형상 모델을 생성하고, 이를 통해 환자에 특화된 형상의 변형 공간(M(w))을 정의할 수 있다.
여기서, '변형 공간(M(w))'은 대상 장기에 대한 형상 모델들이 변형될 수 있는 공간을 의미하며, 변형 매트릭스(G)에 의해 정의될 수 있다. 일 실시예에서는 데이터에 기반한 형상의 변형 공간을 정의하고, 장기의 변형 결과가 변형 공간 상에 존재하도록 함으로써 환자의 특정 변형을 유지할 수 있다. 또한, 특징점의 개수가 적거나 의료 영상의 노이즈(Noise)가 문제되는 경우에도 개인화된 변형 공간이 정보의 부재 부분들에 대한 변형 정보를 보상할 수 있으므로 강건한(robust) 변형이 가능하다.
이 밖에도, 일 실시예에서는 [수학식 2]를 통해 계산된 변형 구배 매트릭스(T ij)의 신축(stretching) 성분(S)에 대한 결정 요소(determinant)를 조절함으로써 부피 보전성을 비선형 시스템에 반영할 수 있다.
즉, 선형 보간된 신축(stretching) 성분(S)에 대한 결정 요소(determinant)(D)를 계산하여
Figure 112012055002920-pat00006
일 때,
Figure 112012055002920-pat00007
로 변경하여 결정 요소(determinant)가 '1'이 되도록 변경할 수 있다.
변형 구배 매트릭스(T ij)의 결정 요소(D)는 변형 과정에서의 사면체의 부피 변화를 나타낸다. 예를 들어, D=1이면, 사면체의 부피가 보존됨을, D > 1이면 사면체의 부피가 증가함을, D<1이면 사면체의 부피가 감소함을 나타낼 수 있다.
변형 구배 매트릭스(T ij)의 경우 극분해 하면 회전 성분(R ij)은 원리상 부피 변화가 없다. 그러므로, 신축 성분(S ij)의 결정 요소를 계산하여 그 값이 1이 되도록 강제하면 사면체 별 부피 보존이 가능하고, 이는 곧 전체 부피 보존으로 이어진다. 이를 위해
Figure 112012055002920-pat00008
와 같이 신축 성분을 바꿔주면 결정 요소(D)의 값이 1이 될 수 있다.
또한, 정합 오차 등으로 인해 4 면체 메쉬 모델을 구성하는 4 면체 각각이 다른 부피를 가질 수 있다. 그러므로, 실시예에 따라서는 신축(stretching) 성분(S ij)에 대한 결정 요소(determinant)들을 먼저 계산하고, 입력된 사면체 메쉬 가중치 w를 이용한 보간값을 구한 후, 최종 신축(stretching) 성분에 대한 결정 요소를 보간값에 맞추어 재설계(rescale)하는 방법을 이용할 수도 있다.
도 4는 일 실시예에 따른 대상 장기의 모델을 생성하는 방법에서 전처리(Pre-processing) 과정을 설명하기 위한 도면이다.
도 4를 참조하면, 일 실시예에 따른 생성 장치는 환자의 대상 장기에 대한 형상 별 의료 영상을 취득할 수 있다(410). 여기서, 의료 영상은 대상 장기의 전체 형태가 완전히 포함되는 3D 볼륨(Volume) 형태의 의료 영상이며, 예를 들어, MRI 및 CT 영상 등을 포함할 수 있다.
대상 장기에 대한 형상 별 의료 영상은 예를 들어, 들숨 시의 간에 대한 MRI 영상과 날숨 시의 간에 대한 CT 영상과 같은 이종 영상일 수도 있고, 들숨 시의 간에 대한 MRI 영상과 날숨 시의 간에 대한 MRI 영상과 같은 동종 영상일 수도 있다. 일 실시예에 따른 대상 장기의 모델을 생성하는 방법은 모델 기반의 변형 방식을 사용하므로 동종 의료 영상뿐만 아니라 이종 의료 영상도 이용할 수 있다.
410에서 취득하는 환자 장기의 형상 별 의료 영상의 개수는 대상 장기의 종류에 따라 달라질 수 있다. 예를 들어, 대상 장기가 간이나 폐 등과 같이 들숨과 날숨 시의 동작에 의해 충분히 동작 특성이 파악될 수 있는 경우에는 날숨 시와 들숨 시의 영상, 즉 두 개의 영상만으로도 충분히 대상 장기의 움직임을 파악할 수 있다. 하지만, 대상 장기가 심장인 경우에는 좌, 우 심방 및 심실을 통해 혈액이 흘러가는 과정에서의 동작을 파악하기 위해 최소 네 개의 의료 영상이 필요할 수 있다. 결국, 410에서는 해당 대상 장기의 변형 특성(혹은 동작 특성)을 파악할 수 있는 최소 개수의 의료 영상을 취득할 수 있다.
생성 장치는 대상 장기 영상을 분할할 수 있다(420). 생성 장치는 주어진 적어도 두 개의 3차원 의료 영상들에서 대상 장기의 영역을 도 5와 같이 마스킹(masking) 함으로써 전체 의료 영상으로부터 대상 장기의 영상을 분할할 수 있다. 420에서 마스킹한 대상 장기의 영역을 이용하여 이후 440에서 환자의 대상 장치에 특화된 적어도 두 개의 형상 모델들을 생성할 수 있다.
생성 장치는 미리 구성된 템플릿(template) 장기의 4 면체 메쉬 모델을 이용하여 환자 장기 형상의 다양성을 반영할 수 있다(430).
이때, 템플릿(template) 장기는 해당 대상 장기의 일반적인 형상의 3차원 모델이다. 템플릿 장기는 도 6과 같은 4 면체 메쉬 모델로 구성될 수 있으며, 도 7과 같이 혈관 및 신경 등과 같은 장기 내부의 세부 구조(sub-structure)를 포함할 수 있다.
생성 장치는 환자에 특화된 장기의 형상 모델을 생성할 수 있다(440). 이때, 장기의 형상 모델은 4 면체 메쉬(Tetrahedron Mesh) 모델일 수 있다.
440은 420에서 분할된 환자의 실제 장기 영상을 430의 템플릿(template) 장기의 4 면체 메쉬 모델에 적용(pitting)하여 환자에 특화된 장기의 형상 모델을 생성하는 과정이다. 이때, 환자의 의료 영상 및 장기 분할 영상 정보를 통해 환자의 장기 형상에 꼭 맞춰진 4 면체 메쉬 모델을 생성할 수 있다. 440에서 생성 장치는 최소 두 개 이상의 장기 형상에 대한 4 면체 메쉬 모델을 생성하고, 이를 통해 환자 장기의 형상에 특화(Patient-specific)된 변형 공간(space)이 정의될 수 있다.
생성 장치는 다수의 환자 장기 형상 모델들 중 기준 형상 모델을 선정할 수 있다(450). 기준 형상 모델은 4 면체 메쉬 모델일 수 있다.
생성 장치는 기준 형상 모델과 나머지 형상 모델 간의 변형 관계에 기초하여 형상 모델 간의 변형 매트릭스를 산출할 수 있다(460).
이때, 환자 장기의 형상 모델들은 템플릿 메쉬(Template Mesh)를 변형하여 생성된 것일 수 있다. 따라서, 모든 형상 모델의 정점 커넥티비티(Vertex Connectivity) 는 동일할 수 있다. 여기서, 형상 모델의 '정점 커넥티비티(Vertex Connectivity)가 동일하다'는 의미는 형상 모델의 각 정점(vertex)들의 연결 구조(Topology Connectivity)가 동일하다는 것을 의미할 수 있다.
예를 들어, 들숨 시에 생성한 형상 모델에서의 정점 0과 날숨 시에 생성한 형상 모델에서의 정점 0은 서로 대응되며, 들숨 시의 정점 0이 정점 1 및 정점 3에 연결되고, 정점 1 및 정점 3은 정점 2에 서로 연결되는 연결 관계가 날숨 시의 형상 모델에서도 동일하게 유지된다는 의미일 수 있다. 따라서, 대상 장기에서의 정점 번호(혹은 정점 인덱스)가 4 면체 형상 모델의 번호(혹은 인덱스)와 동일하면 서로 대응되는 요소임을 파악할 수 있다.
460에서 생성 장치는 기준 형상 모델과 나머지 다른 형상 모델 간의 변형 관계를, 각 형상 모델에 대응되는 4 면체 메쉬의 변형 구배(Deformation Gradient)로 계산할 수 있다.
도 5는 도 4의 전처리 과정에서 분할된 대상 장기의 영상을 나타낸 도면이다.
도 5를 참조하면, 생성 장치는 주어진 적어도 두 개의 3차원 의료 영상들에서 대상 장기의 영역을 510과 같이 마스킹(masking) 함으로써 다양한 장기들이 포함된 전체 의료 영상으로부터 대상 장기 영상(예를 들어, '간')을 분할할 수 있다. 대상 장기 영역을 마스킹 하는 것은 관심 영역(Region Of Interest; ROI)을 줄여주는 역할을 한다. 이때, 대상 장기 영상을 분할하는 과정은 전처리 과정에 해당하며 생성 장치가 아닌 수작업(manual) 작업에 의해 수행될 수도 있다.
도 6은 일 실시예에 따른 대상 장기의 모델을 생성하는 방법에 의해 생성되는 형상 모델을 나타낸 도면이다.
도 6을 참조하면, 일 실시예에서 생성되는 형상 모델은 환자의 의료 영상 및 장기 분할 영상 정보를 통해 환자의 장기 형상에 꼭 맞춰진 4 면체 메쉬 모델이 될 수 있다. 이때, 4 면체 메쉬 모델은 혈관 및 신경 등과 같은 장기 내부의 세부 구조(sub-structure)를 포함할 수 있으며, 4 면체 메쉬 모델을 구성하는 4 면체 (610) 각각은 서로 다른 변형 가중치를 가질 수 있다.
여기서, '변형 가중치'는 일 실시예에서 생성되는 대상 장기의 모델이 실제 환자의 장기가 가지는 변형 특성을 표현할 수 있도록 4 면체 메쉬 모델을 구성하는 4 면체 각각마다에 대하여 주어지는 가중치일 수 있다. 변형 가중치는 실제 대상 장기의 강도에 비례하여 사용자가 지정하거나, 조직(tissue)의 강도(stiffness) 또는 탄성(elasticity)에 기초하여 장기 혹은 종양 등을 분류(혹은 감지)하는 탄성 초음파 영상(Elastography) 등을 통해 파악된 정보를 이용할 수 있다.
변형 가중치(L)은 다음의 [수학식 5]와 같은 형태를 가질 수 있다.
Figure 112012055002920-pat00009
또한, 전술한 [수학식 4]에 변형 가중치(L)를 반영한 비선형 시스템은 아래의 [수학식 6]과 같이 나타낼 수 있다.
Figure 112012055002920-pat00010
일 실시예에서는 변형 가중치에 의해 대상 장기의 위치나 내부 구조물에 따른 서로 다른 강도(stiffness)를 반영하여 대상 장기의 내부 변형 및 부피 변형 등을 제어할 수 있다.
도 7은 일 실시예에 따른 대상 장기의 모델을 생성하는 방법에서 형상 모델들에 포함되는 세부 조직(sub-structure)을 나타낸 도면이다.
도 7을 참조하면, 일 실시예에서는 4 면체 메쉬 모델로 구성된 템플릿 장기에 혈관 및 신경 등과 같은 장기 내부의 세부 구조(sub-structure)(710)를 포함하여 장기 형상 모델을 보다 정밀하게 표현하도록 할 수 있다.
도 8은 일 실시예에 따른 대상 장기의 모델을 생성하는 방법에서 실시간(Run-time) 처리 과정을 설명하기 위한 도면이다. 일 실시예에서는 실시간(Run-time) 처리 과정을 통해 전처리 과정에서 생성한 환자 장기의 형상 모델들이 구성하는 변형 공간과 가능한 유사하면서 사용자가 입력한 제약 조건을 만족하는 환자에 특화된 대상 장기의 모델을 생성할 수 있다.
도 8을 참조하면, 일 실시예에 따른 생성 장치는 환자의 대상 장기에 대한 2차원 의료 영상이 입력되면(810), 대상 장기의 2차원 영상으로부터 특징점을 추출할 수 있다(820).
생성 장치는 2차원 영상의 특징점과 대상 장기의 3차원 영상들의 정점을 매칭(matching)시킬 수 있다(830). 이때, 생성 장치는 적어도 두 개의 형상 모델들 중 기준 형상 모델에서, 2차원 영상의 특징점에 대응하는 정점의 번호 및 위치를 파악한 후, 파악한 정점의 번호 및 위치를 이용하여 2차원 영상의 특징점과 대상 장기의 3차원 영상들의 정점을 매칭시킬 수 있다.
생성 장치는 사용자가 입력한 정보로부터 대상 장기에 대한 제약 조건(constraints)을 추출할 수 있다(840). 이때 추출하는 제약 조건은 정점의 인덱스(혹은 번호) 및 위치일 수 있다.
생성 장치는 환자에 특화된 대상 장기의 모델을 생성하기 위한 비선형 시스템을 구성하고(850), 해당 비선형 시스템을 계산할 수 있다(860).
이때, 생성 장치는 새로운 2차원 영상에 대한 장기 형상 모델의 변형 구배(Deformation gradient)들이, 제약 조건(constraints)으로부터 계산된 변형 구배 및 전처리 과정을 통해 생성한 장기 형상 모델들이 만드는 변형 공간과 가능한 유사하도록 비선형 시스템을 구성할 수 있다.
860에서 비선형 시스템은 빠른 계산을 위해 병렬 알고리즘(Parallel Algorithm)이나 그래픽 처리 장치(Graphic Processing Unit; GPU)를 통해 계산될 수 있다. 850에서 생성 장치가 구성하는 비선형 시스템은 전술한 [수학식 4]와 같다.
860에서 생성 장치는 변형 매트릭스와 제약 조건을 이용하여 환자에 특화된 대상 장기의 특징점이 나타내는 변형 구배(deformation gradient)를 계산할 수 있다. 생성 장치는 2차원 영상의 정점들 중 대상 장기의 특징점에 대응하는 정점들을 제외한 나머지 정점들에 대하여 변형 구배(deformation gradient)를 계산할 수 있다.
이때, 2차원 영상의 정점들 중 대상 장기의 특징점으로 명확히 파악되는 정점들은 변형할 필요가 없으므로 일 실시예에서는 해당 정점(특징점으로 명확히 파악되는 정점들)들과 관련된 성분을 모두 제1 값(예를 들어, '0')으로 변경하고, 나머지 정점들의 변화만을 계산할 수 있다.
이후, 생성 장치는 비선형 시스템에 대한 계산 결과를 이용하여 환자에 특화된 대상 장기의 변형 메쉬 즉, 대상 장기의의 모델을 생성할 수 있다(870).
도 9는 다른 실시예에 따른 대상 장기의 모델을 생성하는 방법을 나타낸 플로우 차트이다.
도 9를 참조하면, 다른 실시예에 따른 생성 장치는 환자의 대상 장기에 대한 적어도 두 개의 3차원 영상들에 기초하여, 대상 장기에 대한 적어도 두 개의 형상 모델들 사이의 변형 매트릭스를 생성할 수 있다(910).
이후, 생성 장치는 대상 장기의 2차원 영상으로부터 추출된 대상 장기에 대한 제약 조건(constraints) 및 변형 매트릭스를 이용하여 환자에 특화된 대상 장기의 모델을 생성할 수 있다. 생성 장치가 환자에 특화된 대상 장기 모델을 생성하는 구체적인 과정은 다음과 같다.
생성 장치는 대상 장기의 2차원 영상으로부터 특징점을 추출할 수 있다(920).
생성 장치는 적어도 두 개의 형상 모델들 중 기준 형상 모델에서, 2차원 영상의 특징점에 대응하는 정점의 번호 및 위치를 파악할 수 있다(930).
생성 장치는 정점의 번호 및 위치를 이용하여 2차원 영상의 특징점과 대상 장기의 3차원 영상들의 정점을 매칭시킬 수 있다(940).
생성 장치는 변형 매트릭스와 제약 조건을 이용하여 환자에 특화된 대상 장기의 특징점이 나타내는 변형 구배(deformation gradient)를 계산할 수 있다(950).
생성 장치는 환자에 특화된 대상 장기의 모델을 생성할 수 있다(960).
도 10은 일 실시예에 따른 대상 장기의 모델을 생성하는 장치의 블록도이다.
도 10을 참조하면, 일 실시예에 따른 대상 장기의 모델을 생성하는 장치(이하, '생성 장치')(1000)는 생성부(1010), 추출부(1030) 및 모델링부(1050)를 포함할 수 있다.
생성부(1010)는 환자의 대상 장기에 대한 적어도 두 개의 3차원 영상들에 기초하여 대상 장기에 대한 적어도 두 개의 형상 모델들 사이의 변형 매트릭스를 생성할 수 있다. 생성부(1010)는 적어도 두 개의 3차원 영상들에 기초하여 대상 장기의 형상에 기반한 형상 모델들을 생성할 수 있다. 적어도 두 개의 형상 모델들 사이의 변형 매트릭스는 형상 모델들을 포함하는 변형 공간을 정의할 수 있다.
여기서, 적어도 두 개의 형상 모델들은 대상 장기의 적어도 하나의 세부 조직(sub-structure)을 포함하고, 적어도 하나의 세부 조직은 혈관 및 신경 등을 포함할 수 있다.
일 실시예에 따르면, 적어도 두 개의 모델들은 4 면체 메쉬(tetrahedron mesh) 모델에 포함될 수 있고, 4 면체 메쉬 모델을 구성하는 4 면체 각각은 서로 다른 변형 가중치를 가질 수 있다.
생성부(1010)는 마스킹 수단(1011), 생성 수단(1013), 설정 수단(1015) 및 선출 수단(1017)을 포함할 수 있다.
마스킹 수단(1011)은 적어도 두 개의 3차원 영상들에서 대상 장기의 영역을 마스킹(masking)할 수 있다.
생성 수단(1013)은 마스킹한 대상 장기의 영역을 이용하여 환자의 대상 장기에 특화된 적어도 두 개의 형상 모델들을 생성할 수 있다.
선정 수단(1015)은 적어도 두 개의 형상 모델들 중 기준 형상 모델을 선정할 수 있다.
산출 수단(1017)은 기준 형상 모델과 나머지 형상 모델 간의 변형 관계에 기초하여 변형 매트릭스를 산출할 수 있다. 이때, 기준 형상 모델과 나머지 형상 모델 간의 변형 관계는 기준 형상 모델과 나머지 형상 모델 각각에 대응되는 변형 구배(deformation gradient)에 의해 계산될 수 있다.
이 밖에도 생성 장치(1000)는 극분해(polar decomposition)를 통해 변형 구배를 회전(rotation) 성분과 신축(stretching) 성분으로 분해하는 분해부(미도시)를 포함할 수 있다. 이때, 회전(rotation) 성분은 행렬 지수 함수를 이용하는 보간부(미도시)에 의해 비선형 보간(non-linear interpolation)될 수 있다.
또한, 생성 장치(1000)는 적어도 두 개의 형상 모델들이 나타내는 부피의 총합을 유지하기 위해 신축(stretching) 성분에 대한 결정 요소(determinant)를 조절하는 조절부(미도시)를 더 포함할 수 있다.
추출부(1030)는 대상 장기의 2차원 영상으로부터 대상 장기에 대한 제약 조건(constraints)을 추출할 수 있다.
추출부(1030)는 추출 수단(1033) 및 매칭 수단(1036)을 포함할 수 있다.
추출 수단(1033)은 대상 장기의 2차원 영상으로부터 특징점을 추출할 수 있다.
매칭 수단(1036)은 2차원 영상의 특징점과 대상 장기의 3차원 영상들의 정점을 매칭시킬 수 있다.
매칭 수단(1036)은 적어도 두 개의 형상 모델들 중 기준 형상 모델에서, 2차원 영상의 특징점에 대응하는 정점의 번호 및 위치를 파악하고, 정점의 번호 및 위치를 이용하여 2차원 영상의 특징점과 대상 장기의 3차원 영상들의 정점을 매칭시킬 수 있다.
모델링부(1050)는 제약 조건 및 변형 매트릭스를 이용하여 환자에 특화된 대상 장기의 모델을 생성할 수 있다. 또한, 모델링부(1050)는 변형 매트릭스와 제약 조건을 이용하여 환자에 특화된 대상 장기의 특징점이 나타내는 변형 구배(deformation gradient)를 계산하는 계산 수단(1053)을 포함할 수 있다.
계산 수단(1053)은 2차원 영상의 정점들 중 대상 장기의 특징점에 대응하는 정점들을 제외한 나머지 정점들에 대하여 변형 구배(deformation gradient)를 계산할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
1010: 생성부 1011: 마스킹 수단
1013: 생성 수단 1015: 선정 수단
1017: 산출 수단 1030: 추출부
1033: 추출 수단 1036: 매칭 수단
1050: 모델링부 1053: 계산 수단

Claims (27)

  1. 환자의 대상 장기에 대한 적어도 두 개의 3차원 영상들에 기초하여 상기 대상 장기에 대한 적어도 두 개의 형상 모델들 사이의 변형 매트릭스를 생성하는 단계:
    상기 대상 장기의 2차원 영상으로부터 상기 대상 장기에 대한 제약 조건(constraints)을 추출하는 단계; 및
    상기 제약 조건 및 상기 변형 매트릭스를 이용하여 상기 환자에 특화된 대상 장기의 모델을 생성하는 단계
    를 포함하고,
    상기 대상 장기의 모델을 생성하는 단계는
    상기 제약 조건 및 상기 변형 매트릭스를 이용하여 상기 환자에 특화된 대상 장기의 특징점이 나타내는 변형 구배(deformation gradient)를 계산하는 단계
    를 포함하는 대상 장기의 모델을 생성하는 방법.
  2. 제1항에 있어서,
    상기 변형 매트릭스를 생성하는 단계는
    상기 적어도 두 개의 3차원 영상들에서 상기 대상 장기의 영역을 마스킹(masking)하는 단계; 및
    상기 마스킹한 대상 장기의 영역을 이용하여 상기 환자의 대상 장기에 특화된 적어도 두 개의 형상 모델들을 생성하는 단계
    를 포함하는 대상 장기의 모델을 생성하는 방법.
  3. 제1항에 있어서,
    상기 변형 매트릭스를 생성하는 단계는
    상기 적어도 두 개의 형상 모델들 중 기준 형상 모델을 선정하는 단계; 및
    상기 기준 형상 모델과 나머지 형상 모델 간의 변형 관계에 기초하여 상기 변형 매트릭스를 산출하는 단계
    를 포함하는 대상 장기의 모델을 생성하는 방법.
  4. 제3항에 있어서,
    상기 기준 형상 모델과 나머지 형상 모델 간의 변형 관계는
    상기 기준 형상 모델과 나머지 형상 모델 각각에 대응되는 변형 구배(deformation gradient)에 의해 계산되는 대상 장기의 모델을 생성하는 방법.
  5. 제4항에 있어서,
    극분해(polar decomposition)를 통해 상기 변형 구배를 회전(rotation) 성분과 신축(stretching) 성분으로 분해하는 단계
    를 포함하는 대상 장기의 모델을 생성하는 방법.
  6. 제5항에 있어서,
    상기 회전(rotation) 성분을 행렬 지수 함수를 이용하여 비선형 보간하는 단계
    를 포함하는 대상 장기의 모델을 생성하는 방법.
  7. 제5항에 있어서,
    상기 적어도 두 개의 형상 모델들이 나타내는 부피의 총합을 유지하기 위해 상기 신축(stretching) 성분에 대한 결정 요소(determinant)를 조절하는 단계
    를 포함하는 대상 장기의 모델을 생성하는 방법.
  8. 제1항에 있어서,
    상기 적어도 두 개의 형상 모델들은
    상기 대상 장기의 적어도 하나의 세부 조직(sub-structure)을 포함하고,
    상기 적어도 하나의 세부 조직은
    혈관 및 신경을 포함하는 대상 장기의 모델을 생성하는 방법.
  9. 제1항에 있어서,
    상기 적어도 두 개의 형상 모델들은
    4 면체 메쉬(tetrahedron mesh) 모델에 포함되고,
    상기 4 면체 메쉬 모델을 구성하는 4 면체 각각은 서로 다른 변형 가중치를 가지는 대상 장기의 모델을 생성하는 방법.
  10. 제1항에 있어서,
    상기 대상 장기에 대한 제약 조건을 추출하는 단계는
    상기 대상 장기의 2차원 영상으로부터 특징점을 추출하는 단계; 및
    상기 2차원 영상의 특징점과 상기 대상 장기의 3차원 영상들의 정점을 매칭시키는 단계
    를 포함하는 대상 장기의 모델을 생성하는 방법.
  11. 제10항에 있어서,
    상기 매칭시키는 단계는
    상기 적어도 두 개의 형상 모델들 중 기준 형상 모델에서, 상기 2차원 영상의 특징점에 대응하는 정점의 번호 및 위치를 파악하는 단계; 및
    상기 정점의 번호 및 위치를 이용하여 상기 2차원 영상의 특징점과 상기 대상 장기의 3차원 영상들의 정점을 매칭시키는 단계
    를 포함하는 대상 장기의 모델을 생성하는 방법.
  12. 삭제
  13. 제1항에 있어서,
    상기 변형 구배(deformation gradient)를 계산하는 단계는
    상기 2차원 영상의 정점들 중 상기 대상 장기의 특징점에 대응하는 정점들을 제외한 나머지 정점들에 대하여 상기 변형 구배(deformation gradient)를 계산하는 대상 장기의 모델을 생성하는 방법.
  14. 제1항 내지 제11항, 제13항 중에서 어느 하나의 항의 방법을 실행시키기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체.
  15. 환자의 대상 장기에 대한 적어도 두 개의 3차원 영상들에 기초하여 상기 대상 장기에 대한 적어도 두 개의 형상 모델들 사이의 변형 매트릭스를 생성하는 생성부:
    상기 대상 장기의 2차원 영상으로부터 상기 대상 장기에 대한 제약 조건(constraints)을 추출하는 추출부; 및
    상기 제약 조건 및 상기 변형 매트릭스를 이용하여 상기 환자에 특화된 대상 장기의 모델을 생성하는 모델링부
    를 포함하고,
    상기 모델링부는
    상기 제약 조건 및 상기 변형 매트릭스를 이용하여 상기 환자에 특화된 대상 장기의 특징점이 나타내는 변형 구배를 계산하는 계산 수단을 포함하는 대상 장기의 모델을 생성하는 장치.
  16. 제15항에 있어서,
    상기 생성부는
    상기 적어도 두 개의 3차원 영상들에서 상기 대상 장기의 영역을 마스킹(masking)하는 마스킹 수단; 및
    상기 마스킹한 대상 장기의 영역을 이용하여 상기 환자의 대상 장기에 특화된 적어도 두 개의 형상 모델들을 생성하는 생성 수단
    을 포함하는 대상 장기의 모델을 생성하는 장치.
  17. 제15항에 있어서,
    상기 생성부는
    상기 적어도 두 개의 형상 모델들 중 기준 형상 모델을 선정하는 선정 수단; 및
    상기 기준 형상 모델과 나머지 형상 모델 간의 변형 관계에 기초하여 상기 변형 매트릭스를 산출하는 산출 수단
    을 포함하는 대상 장기의 모델을 생성하는 장치.
  18. 제17항에 있어서,
    상기 기준 형상 모델과 나머지 형상 모델 간의 변형 관계는
    상기 기준 형상 모델과 나머지 형상 모델 각각에 대응되는 변형 구배(deformation gradient)에 의해 계산되는 대상 장기의 모델을 생성하는 장치.
  19. 제18항에 있어서,
    극분해(polar decomposition)를 통해 상기 변형 구배를 회전(rotation) 성분과 신축(stretching) 성분으로 분해하는 분해부
    를 포함하는 대상 장기의 모델을 생성하는 장치.
  20. 제19항에 있어서,
    상기 회전(rotation) 성분을 행렬 지수 함수를 이용하여 비선형 보간하는 보간부
    를 포함하는 대상 장기의 모델을 생성하는 장치.
  21. 제19항에 있어서,
    상기 적어도 두 개의 형상 모델들이 나타내는 부피의 총합을 유지하기 위해 상기 신축(stretching) 성분에 대한 결정 요소(determinant)를 조절하는 조절부
    를 포함하는 대상 장기의 모델을 생성하는 장치.
  22. 제15항에 있어서,
    상기 적어도 두 개의 형상 모델들은
    상기 대상 장기의 적어도 하나의 세부 조직(sub-structure)을 포함하고,
    상기 적어도 하나의 세부 조직은
    혈관 및 신경을 포함하는 대상 장기의 모델을 생성하는 장치.
  23. 제15항에 있어서,
    상기 적어도 두 개의 형상 모델들은
    4 면체 메쉬(tetrahedron mesh) 모델에 포함되고,
    상기 4 면체 메쉬 모델을 구성하는 4 면체 각각은 서로 다른 변형 가중치를 가지는 대상 장기의 모델을 생성하는 장치.
  24. 제15항에 있어서,
    상기 추출부는
    상기 대상 장기의 2차원 영상으로부터 특징점을 추출하는 추출 수단; 및
    상기 2차원 영상의 특징점과 상기 대상 장기의 3차원 영상들의 정점을 매칭시키는 매칭 수단
    을 포함하는 대상 장기의 모델을 생성하는 장치.
  25. 제24항에 있어서,
    상기 매칭 수단은
    상기 적어도 두 개의 형상 모델들 중 기준 형상 모델에서, 상기 2차원 영상의 특징점에 대응하는 정점의 번호 및 위치를 파악하고, 상기 정점의 번호 및 위치를 이용하여 상기 2차원 영상의 특징점과 상기 대상 장기의 3차원 영상들의 정점을 매칭시키는 대상 장기의 모델을 생성하는 장치.
  26. 삭제
  27. 제15항에 있어서,
    상기 계산 수단은
    상기 2차원 영상의 정점들 중 상기 대상 장기의 특징점에 대응하는 정점들을 제외한 나머지 정점들에 대하여 상기 변형 구배(deformation gradient)를 계산하는 대상 장기의 모델을 생성하는 장치.
KR1020120074927A 2012-07-10 2012-07-10 환자에 특화된 대상 장기의 모델을 생성하는 방법 및 장치 KR101874400B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020120074927A KR101874400B1 (ko) 2012-07-10 2012-07-10 환자에 특화된 대상 장기의 모델을 생성하는 방법 및 장치
US13/907,072 US9558587B2 (en) 2012-07-10 2013-05-31 Method and apparatus for creating model of patient specified target organ

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120074927A KR101874400B1 (ko) 2012-07-10 2012-07-10 환자에 특화된 대상 장기의 모델을 생성하는 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20140008031A KR20140008031A (ko) 2014-01-21
KR101874400B1 true KR101874400B1 (ko) 2018-07-04

Family

ID=49913607

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120074927A KR101874400B1 (ko) 2012-07-10 2012-07-10 환자에 특화된 대상 장기의 모델을 생성하는 방법 및 장치

Country Status (2)

Country Link
US (1) US9558587B2 (ko)
KR (1) KR101874400B1 (ko)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2811460A3 (en) * 2013-06-04 2015-11-11 Technion Research & Development Foundation Limited Creating a synthetic model with organic veracity
JP6498911B2 (ja) * 2014-11-10 2019-04-10 三菱アルミニウム株式会社 高強度・高耐食性・素材高伸びを有するアルミニウム合金ブレージングシート
EP3179450B1 (de) 2016-04-12 2020-09-09 Siemens Healthcare GmbH Verfahren zur multisensorischen darstellung eines objekts und darstellungssystem
WO2018143619A1 (en) 2017-02-03 2018-08-09 Samsung Electronics Co., Ltd. Heat exchanger and method of manufacturing the same
US10898151B2 (en) * 2018-10-31 2021-01-26 Medtronic Inc. Real-time rendering and referencing for medical procedures
KR102235196B1 (ko) 2019-04-17 2021-04-02 이진균 의료 영상 세그멘테이션 장치 및 이를 이용한 모델링 방법
KR102498706B1 (ko) * 2022-06-30 2023-02-09 김수동 장기분할 의료영상의 정확도를 향상시키기 위한 영상보정방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080262814A1 (en) * 2007-04-23 2008-10-23 Yefeng Zheng Method and system for generating a four-chamber heart model

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5947899A (en) 1996-08-23 1999-09-07 Physiome Sciences Computational system and method for modeling the heart
FR2820534B1 (fr) 2001-02-08 2003-06-27 Inst Nat Rech Inf Automat Dispositif de simulation de deformations de materiaux, notamment de tissus corporels mous
TW558689B (en) 2002-08-30 2003-10-21 Univ Taipei Medical Three-dimensional surgery simulation system and method
JP4526114B2 (ja) 2004-05-21 2010-08-18 株式会社日立メディコ 管腔臓器切除シミュレーション方法
WO2006062958A2 (en) 2004-12-10 2006-06-15 Worcester Polytechnic Institute Image-based computational mechanical analysis and indexing for cardiovascular diseases
JP2009011628A (ja) 2007-07-06 2009-01-22 Hitachi Medical Corp 画像診断支援装置
KR20090078487A (ko) 2008-01-15 2009-07-20 (주)온디맨드소프트 3/4차원 초음파 진단기술 습득용 시뮬레이터 및 그시뮬레이션 방법
EP2350999A4 (en) 2008-09-25 2017-04-05 CAE Healthcare Canada Inc. Simulation of medical imaging
US8527251B2 (en) 2009-05-01 2013-09-03 Siemens Aktiengesellschaft Method and system for multi-component heart and aorta modeling for decision support in cardiac disease
JP5527689B2 (ja) 2009-12-28 2014-06-18 独立行政法人情報通信研究機構 対象体の解剖構造解析方法及び対象体解剖構造の表示方法並びに対象体解剖構造表示装置
KR101083808B1 (ko) 2010-03-12 2011-11-18 한국과학기술원 형광투시조영술의 시뮬레이션을 위한 가상 형광투시영상의 실시간 렌더링방법
US10580325B2 (en) 2010-03-24 2020-03-03 Simbionix Ltd. System and method for performing a computerized simulation of a medical procedure

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080262814A1 (en) * 2007-04-23 2008-10-23 Yefeng Zheng Method and system for generating a four-chamber heart model

Non-Patent Citations (13)

* Cited by examiner, † Cited by third party
Title
3D/2D registration and segmentation of scoliotic vertebrae using statistical models, Comput. Med Imaging Graph.(2003) *
3D/2D registration and segmentation of scoliotic vertebrae using statistical models, Comput. Med Imaging Graph.(2003)*
Constructing a 3D individualized head model from two orthogonal views, The visual computer, Volume 12, issue 5.(1996.05.) *
Creating a high-resolution spatial/symbolic model of the inner organs based on the Visible Human, Medical Image Analysis.(2001.09.) *
Creating a high-resolution spatial/symbolic model of the inner organs based on the Visible Human, Medical Image Analysis.(2001.09.)*
Finite Element Modeling in Surgery Simulation, Proceedings of the IEEE, Vol.86, Issue 3.(1998.03.) *
Finite Element Modeling in Surgery Simulation, Proceedings of the IEEE, Vol.86, Issue 3.(1998.03.)*
논문1:2003.09 *
논문2:2001.09 *
논문3:1998.03 *
논문4:1996.05 *
장용석, et al. "3D 변형가능 형상 모델 기반 3D 얼굴 모델링." 한국콘텐츠학회논문지 8.1 (2008) *
장용석, et al. "3D 변형가능 형상 모델 기반 3D 얼굴 모델링." 한국콘텐츠학회논문지 8.1 (2008)*

Also Published As

Publication number Publication date
KR20140008031A (ko) 2014-01-21
US20140015833A1 (en) 2014-01-16
US9558587B2 (en) 2017-01-31

Similar Documents

Publication Publication Date Title
KR101874400B1 (ko) 환자에 특화된 대상 장기의 모델을 생성하는 방법 및 장치
EP3444777B1 (en) Automatic change detection in medical images
US10842379B2 (en) Multi-modality image fusion for 3D printing of organ morphology and physiology
US11263772B2 (en) Computer assisted identification of appropriate anatomical structure for medical device placement during a surgical procedure
US9514280B2 (en) Method and apparatus for creating model of patient specified target organ based on blood vessel structure
US9761014B2 (en) System and method for registering pre-operative and intra-operative images using biomechanical model simulations
CN102727236B (zh) 通过使用3d模型产生身体器官的医疗图像的方法和设备
EP2956214B1 (en) Method for simulating thoracic 4dct
US9495725B2 (en) Method and apparatus for medical image registration
US9462952B2 (en) System and method for estimating artery compliance and resistance from 4D cardiac images and pressure measurements
KR20150118484A (ko) 의료 영상 정합 방법 및 장치
JP2017512522A (ja) 対象に固有の動きモデルを生成かつ使用する装置および方法
EP2877980B1 (en) Dose deformation error calculation method and system
US9092666B2 (en) Method and apparatus for estimating organ deformation model and medical image system
Jafari et al. In-vivo lung biomechanical modeling for effective tumor motion tracking in external beam radiation therapy
US20140032180A1 (en) Method and apparatus for computing deformation of an object
Mansi et al. Virtual pulmonary valve replacement interventions with a personalised cardiac electromechanical model
US20220084206A1 (en) Information processing apparatus, information processing method, and non-transitory storage medium
Rahni et al. Development of a particle filter framework for respiratory motion correction in nuclear medicine imaging
Leonardi et al. A morphing approach for kidney dynamic modeling From 3D reconstruction to motion simulation
Rahni et al. Performance evaluation of a particle filter framework for respiratory motion estimation in nuclear medicine imaging
Werner et al. Modeling of respiratory lung motion as a contact problem of elasticity theory
Baličević et al. Atlas construction for cardiac velocity profiles segmentation using a lumped computational model of circulatory system
Kang et al. Estimating periodic organ motions based on inverse kinematics using tetrahedron mesh registration

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