KR101944069B1 - Method and apparatus for deciding Alzheimer's disease based on machine learning - Google Patents
Method and apparatus for deciding Alzheimer's disease based on machine learning Download PDFInfo
- Publication number
- KR101944069B1 KR101944069B1 KR1020160182984A KR20160182984A KR101944069B1 KR 101944069 B1 KR101944069 B1 KR 101944069B1 KR 1020160182984 A KR1020160182984 A KR 1020160182984A KR 20160182984 A KR20160182984 A KR 20160182984A KR 101944069 B1 KR101944069 B1 KR 101944069B1
- Authority
- KR
- South Korea
- Prior art keywords
- alzheimer
- disease
- vertex
- sampled
- dimension
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G06F19/24—
-
- 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
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioethics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Processing (AREA)
Abstract
기계 학습을 기반으로 한 알츠하이머 병 결정 방법은, 알츠하이머 병 결정 장치가 정상인 그룹의 뇌 영상으로부터 추출된 제1 대뇌 피질 형상 및 알츠하이머 병 환자 그룹의 뇌 영상으로부터 추출된 제2 대뇌 피질 형상에 대한 영상 처리를 수행하여 정점 샘플링된 제1 대뇌 피질 형상 및 정점 샘플링된 제2 대뇌 피질 형상을 생성하는 단계; 알츠하이머 병 결정 장치가 정점 샘플링된 제1 대뇌 피질 형상 및 정점 샘플링된 제2 대뇌 피질 형상에 대한 노이즈 제거 절차를 진행하여 정점 샘플링된 제1 대뇌 피질 형상에서 제1 특징 벡터를 추출하고, 정점 샘플링된 제2 대뇌 피질 형상에서 제2 특징 벡터를 추출하는 단계; 알츠하이머 병 결정 장치가 제1 특징 벡터 및 제2 특징 벡터를 기반으로 알츠하이머 병의 결정을 위한 판단 기준을 결정하는 단계; 및 알츠하이머 병 결정 장치가 새롭게 입력된 입력 대뇌 피질 형상에 대하여 판단 기준을 기반으로 알츠하이머 병의 발병 여부를 결정하는 단계를 포함할 수 있다.The method for determining Alzheimer's disease based on machine learning is a method for determining the shape of the first cerebral cortex extracted from the brain image of a normal group of the Alzheimer's disease apparatus and the image processing of the second cerebral cortex shape extracted from the brain image of the Alzheimer's disease patient group To generate vertex-sampled first cortical features and vertex-sampled second cortical features; A first feature vector is extracted from vertex-sampled first cerebral cortical features by performing a noise removal procedure on vertex-sampled first cortical features and vertex-sampled second cortical features of an Alzheimer's disease decision device, Extracting a second feature vector from a second cerebral cortex shape; Determining an evaluation criterion for the determination of Alzheimer's disease based on the first feature vector and the second feature vector; And determining whether the Alzheimer's disease determining device is capable of detecting the onset of Alzheimer's disease based on the criteria for the newly entered input cortical shape.
Description
본 발명은 알츠하이머 병을 결정하는 방법 및 장치에 관한 것으로서, 보다 상세하게는 기계 학습을 기반으로 한 알츠하이머 병 결정 방법 및 장치에 관한 것이다.The present invention relates to a method and apparatus for determining Alzheimer's disease, and more particularly, to a method and apparatus for determining Alzheimer's disease based on machine learning.
알츠하이머 병은 치매의 가장 흔한 원인이며 치매의 약 60~80% 를 차지하고 있다. 전세계적으로 약 3390만 명이 알츠하이머 병을 갖고 있으며, 40년 후에는 기대 수명의 증가와 함께 그 유병률이 3배가 될 것으로 예상된다. 현재로서는 알츠하이머 병에 대한 뚜렷한 호전을 기대할 수 있는 약도 없으며, 발병 후엔 수십 년간 악화되는 과정을 거치기 때문에 알츠하이머 병의 예방에 대해 전세계 연구의 관심이 모아지고 있는 추세이다.Alzheimer's disease is the most common cause of dementia and accounts for about 60-80% of dementia. Approximately 33.9 million people worldwide have Alzheimer's disease, and the prevalence is expected to triple in 40 years, with an increase in life expectancy. At present, there are no drugs that can expect a definite improvement in Alzheimer's disease. After the onset of the disease, it has worsened for decades, and therefore there is a growing interest in research on prevention of Alzheimer's disease.
알츠하이머 병은 다양한 위험 인자의 복잡한 상호 작용에 의해 질환이 발생하는 것으로 알려져 있다. 유전적 위험 인자와 함께 연령, 성별, 학력과 같은 사회 인구학적 위험 인자들과 흡연, 음주, 영양 및 사회적 활동과 같은 환경적 위험 인자들도 여러가지 알려져 있다. 알츠하이머에 대한 대표적인 유전적 표지자로 APOE e4등이 있으나, 이러한 유전적 표지자는 변경되거나 수정되는 것이 아니다. 그러나 후천적 요인(예: 혈관성 위험 요소, 생활 습관)은 수정 가능한 요인들이고, 따라서 이런 수정가능한 요인들이 얼마나 치매 발현을 조절하는지를 조사하는 연구와 더불어 이런 요인들을 역으로 조절함으로써 치매의 발현을 낮추거나 치매 발현의 시기를 늦출 수 있다.Alzheimer's disease is known to be caused by complex interactions of various risk factors. Sociodemographic risk factors, such as age, sex, and education, as well as genetic risk factors, as well as environmental risk factors such as smoking, drinking, nutrition, and social activity, are known. A representative genetic marker for Alzheimer's disease is APOE e4, but these genetic markers are not altered or modified. However, in addition to studies examining how well these factors (such as vascular risk factors, lifestyle) are modifiable factors and how these modifiable factors modulate dementia expression, these factors may be reversed to lower the expression of dementia, The timing of the expression can be delayed.
수정 가능한 알츠하이머 병의 위험 인자로 현재까지 알려진 요인으로는 당뇨병, 중년기의 고혈압, 중년기의 비만, 우울증, 낮은 신체 활동량, 흡연, 낮은 학력 등이 있다.Factors currently known to be a risk factor for ameliorative Alzheimer's disease include diabetes, middle-aged hypertension, middle-aged obesity, depression, low physical activity, smoking, and low educational attainment.
본 발명의 일 측면은 기계 학습을 기반으로 한 알츠하이머 병 결정 방법을 제공한다.One aspect of the present invention provides a method for determining Alzheimer's disease based on machine learning.
본 발명의 다른 측면은 기계 학습을 기반으로 한 알츠하이머 병 결정 방법을 수행하는 장치를 제공한다.Another aspect of the present invention provides an apparatus for performing an Alzheimer's disease determination method based on machine learning.
본 발명의 일 측면에 따른 기계 학습을 기반으로 한 알츠하이머 병의 결정 방법은 알츠하이머 병 결정 장치가 정상인 그룹의 뇌 영상으로부터 추출된 제1 대뇌 피질 형상 및 알츠하이머 병 환자 그룹의 뇌 영상으로부터 추출된 제2 대뇌 피질 형상에 대한 영상 처리를 수행하여 정점 샘플링된 제1 대뇌 피질 형상 및 정점 샘플링된 제2 대뇌 피질 형상을 생성하는 단계, 상기 알츠하이머 병 결정 장치가 상기 정점 샘플링된 제1 대뇌 피질 형상 및 상기 정점 샘플링된 제2 대뇌 피질 형상에 대한 노이즈 제거 절차를 진행하여 상기 정점 샘플링된 제1 대뇌 피질 형상에서 제1 특징 벡터를 추출하고, 상기 정점 샘플링된 제2 대뇌 피질 형상에서 제2 특징 벡터를 추출하는 단계, 상기 알츠하이머 병 결정 장치가 상기 제1 특징 벡터 및 상기 제2 특징 벡터를 기반으로 상기 알츠하이머 병의 결정을 위한 판단 기준을 결정하는 단계와 상기 알츠하이머 병 결정 장치가 새롭게 입력된 입력 대뇌 피질 형상에 대하여 상기 판단 기준을 기반으로 상기 알츠하이머 병의 발병 여부를 결정하는 단계를 포함할 수 있다. The method for determining Alzheimer's disease based on machine learning according to one aspect of the present invention is characterized in that the Alzheimer's disease determination apparatus is divided into a first cerebral cortex shape extracted from a brain image of a normal group and a second cerebral cortex shape extracted from a brain image of a group of Alzheimer's disease patients Performing image processing on the cerebral cortex shape to generate vertex-sampled first cerebral cortex and apex-sampled second cerebral cortex shapes, and the Alzheimer's disease determination apparatus includes a first vertex-sampled first cerebral cortex shape and a vertex- A noise removal procedure for the sampled second cerebral cortex shape is performed to extract a first feature vector from the vertex-sampled first cortex shape, and a second feature vector from the vertex-sampled second cortex shape is extracted Determining whether the Alzheimer's disease determining device is based on the first feature vector and the second feature vector; Determining a determination criterion for the determination of the Alzheimer's disease and determining whether the Alzheimer's disease determinant determines the onset of the Alzheimer's disease based on the criterion for the newly inputted input cerebral cortex shape .
한편, 상기 영상 처리는 상기 제1 대뇌 피질 형상 및 상기 제2 대뇌 피질 형상 각각에 대한 대뇌 피질 표면 모델을 생성하고, 상기 대뇌 피질 표면 모델에 포함되는 복수의 정점을 다운샘플링할 수 있다. Meanwhile, the image processing may generate a cerebral cortical surface model for each of the first cortical shape and the second cortical shape, and may downsample a plurality of vertices contained in the cerebral cortical surface model.
또한, 상기 노이즈 제거 절차는 상기 정점 샘플링된 제1 대뇌 피질 형상 및 상기 정점 샘플링된 제2 대뇌 피질 형상을 주파수 도메인으로 변환하고, 상기 주파수 도메인 상에서 고 주파수 대역을 제거하고, 상기 고 주파수 대역은 컷-오프 차원(cut-off dimension)을 기반으로 결정되고, 상기 컷-오프 차원은 컷-오프 차원 결정 계수(G)에 의해 결정될 수 있다.The noise removal procedure may include converting the vertex-sampled first cortex shape and the vertex-sampled second cortex shape into a frequency domain, removing a high frequency band in the frequency domain, Off dimension, and the cut-off dimension may be determined by a cut-off dimension determination factor (G).
또한, 상기 컷-오프 차원 결정 계수(G)는 아래의 수학식을 기반으로 결정되고, In addition, the cut-off dimension determination coefficient G is determined based on the following equation,
<수학식>≪ Equation &
여기서, cj 는 상기 정상인 그룹 및 상기 알츠하이머 병 환자 그룹을 포함하는 트레이닝 집합에서 j번째 트레이닝 대상의 정점 샘플링된 대뇌 피질 두께 데이터이고, 는 j번째 대상의 k번째 주파수 요소이고, N은 트레이닝 대상의 개수이고, F는 대뇌 피질 두께 데이터를 위한 상기 컷-오프 차원이고, 는 상기 컷-오프 차원을 고려하여 상기 노이즈 제거 절차에 의해 노이즈 필터링된 j번째 대상의 대뇌 피질 두께 데이터이고, 상기 고 주파수 대역의 제거를 위한 상기 컷-오프 차원은 상기 G를 0.025로 설정하여 결정될 수 있다.Wherein c j is vertex-sampled cerebral cortical thickness data of the jth training subject in the training set including the normal group and the Alzheimer's disease patient group, Is the kth frequency element of the jth object, N is the number of training objects, F is the cut-off dimension for the cerebral cortical thickness data, Is the cortical thickness data of the j-th object subjected to noise filtering by the noise removal procedure in consideration of the cut-off dimension, and the cut-off dimension for elimination of the high frequency band is determined by setting G to 0.025 .
또한, 상기 판단 기준은 PCA(principal component analysis) 변환을 기반으로 상기 제1 특징 벡터 및 상기 제2 특징 벡터의 차원을 감소시키는 단계, 감소된 차원의 상기 제1 특징 벡터 및 감소된 차원의 상기 제2 특징 벡터를 기반으로 새로운 트레이닝 집합을 생성하는 단계와 LDA(linear discriminant analysis)를 사용하여 상기 새로운 트레이닝 집합을 기반으로 상기 정상인 그룹과 상기 알츠하이머 병 환자 그룹 간의 분산을 최대로 하고, 상기 정상인 그룹 내의 분산 및 상기 알츠하이머 병 환자 그룹 내의 분산을 최소로 하는 상기 판단 기준을 결정하는 단계를 기반으로 결정될 수 있다.The determination criterion may further include reducing a dimension of the first feature vector and the second feature vector based on a principal component analysis (PCA) transformation, reducing the dimension of the first feature vector of the reduced dimension and the feature vector of the reduced dimension Generating a new training set based on the two feature vectors and using linear discriminant analysis (LDA) to maximize the variance between the normal group and the Alzheimer's patient group based on the new training set, And determining the criterion that minimizes variance and dispersion within the group of Alzheimer's patients.
본 발명의 또 다른 측면에 따른 기계 학습을 기반으로 한 알츠하이머 병을 결정하는 알츠하이머 병 결정 장치는 프로세서를 포함하고, 상기 프로세서는 정상인 그룹의 뇌 영상으로부터 추출된 제1 대뇌 피질 형상 및 알츠하이머 병 환자 그룹의 뇌 영상으로부터 추출된 제2 대뇌 피질 형상에 대한 영상 처리를 수행하여 정점 샘플링된 제1 대뇌 피질 형상 및 정점 샘플링된 제2 대뇌 피질 형상을 생성하고, 상기 정점 샘플링된 제1 대뇌 피질 형상 및 상기 정점 샘플링된 제2 대뇌 피질 형상에 대한 노이즈 제거 절차를 진행하여 상기 정점 샘플링된 제1 대뇌 피질 형상에서 제1 특징 벡터를 추출하고, 상기 정점 샘플링된 제2 대뇌 피질 형상에서 제2 특징 벡터를 추출하고, 상기 제1 특징 벡터 및 상기 제2 특징 벡터를 기반으로 상기 알츠하이머 병의 결정을 위한 판단 기준을 결정하고, 새롭게 입력된 입력 대뇌 피질 형상에 대하여 상기 판단 기준을 기반으로 상기 알츠하이머 병의 발병 여부를 결정하도록 구현될 수 있다. According to another aspect of the present invention, there is provided an apparatus for determining Alzheimer's disease based on machine learning, the apparatus comprising a processor, wherein the processor comprises: a first cortical shape extracted from a brain image of a normal group, To generate vertex-sampled first cerebral cortex and vertex-sampled second cerebral cortex shapes by performing image processing on the second cerebral cortex shape extracted from the brain image of the first cerebral cortex, A noise removal procedure for a vertex-sampled second cortex shape is performed to extract a first feature vector from the vertex-sampled first cortex shape, and a second feature vector is extracted from the vertex-sampled second cortex shape And determining, based on the first feature vector and the second feature vector, the determination of the Alzheimer's disease Determining a criterion, and for the newly entered input cortical shape can be implemented to determine whether the onset of Alzheimer's disease based on the criteria.
한편, 상기 영상 처리는 상기 제1 대뇌 피질 형상 및 상기 제2 대뇌 피질 형상 각각에 대한 대뇌 피질 표면 모델을 생성하고, 상기 대뇌 피질 표면 모델에 포함되는 복수의 정점을 다운샘플링할 수 있다.Meanwhile, the image processing may generate a cerebral cortical surface model for each of the first cortical shape and the second cortical shape, and may downsample a plurality of vertices contained in the cerebral cortical surface model.
또한, 상기 노이즈 제거 절차는 상기 정점 샘플링된 제1 대뇌 피질 형상 및 상기 정점 샘플링된 제2 대뇌 피질 형상을 주파수 도메인으로 변환하고, 상기 주파수 도메인 상에서 고 주파수 대역을 제거하고, 상기 고 주파수 대역은 컷-오프 차원(cut-off dimension)을 기반으로 결정되고, 상기 컷-오프 차원은 컷-오프 차원 결정 계수(G)에 의해 결정될 수 있다.The noise removal procedure may include converting the vertex-sampled first cortex shape and the vertex-sampled second cortex shape into a frequency domain, removing a high frequency band in the frequency domain, Off dimension, and the cut-off dimension may be determined by a cut-off dimension determination factor (G).
또한, 상기 컷-오프 차원 결정 계수(G)는 아래의 수학식을 기반으로 결정되고, In addition, the cut-off dimension determination coefficient G is determined based on the following equation,
<수학식>≪ Equation &
여기서, cj 는 상기 정상인 그룹 및 상기 알츠하이머 병 환자 그룹을 포함하는 트레이닝 집합에서 j번째 트레이닝 대상의 정점 샘플링된 대뇌 피질 두께 데이터이고, 는 j번째 대상의 k번째 주파수 요소이고, N은 트레이닝 대상의 개수이고, F는 대뇌 피질 두께 데이터를 위한 상기 컷-오프 차원이고, 는 상기 컷-오프 차원을 고려하여 상기 노이즈 제거 절차에 의해 노이즈 필터링된 j번째 대상의 대뇌 피질 두께 데이터이고, 상기 고 주파수 대역의 제거를 위한 상기 컷-오프 차원은 상기 G를 0.025로 설정하여 결정될 수 있다.Wherein c j is vertex-sampled cerebral cortical thickness data of the jth training subject in the training set including the normal group and the Alzheimer's disease patient group, Is the kth frequency element of the jth object, N is the number of training objects, F is the cut-off dimension for the cerebral cortical thickness data, Is the cortical thickness data of the j-th object subjected to noise filtering by the noise removal procedure in consideration of the cut-off dimension, and the cut-off dimension for elimination of the high frequency band is determined by setting G to 0.025 .
또한, 상기 판단 기준은 PCA(principal component analysis) 변환을 기반으로 상기 제1 특징 벡터 및 상기 제2 특징 벡터의 차원을 감소시키는 단계, 감소된 차원의 상기 제1 특징 벡터 및 감소된 차원의 상기 제2 특징 벡터를 기반으로 새로운 트레이닝 집합을 생성하는 단계와 LDA(linear discriminant analysis)를 사용하여 상기 새로운 트레이닝 집합을 기반으로 상기 정상인 그룹과 상기 알츠하이머 병 환자 그룹 간의 분산을 최대로 하고, 상기 정상인 그룹 내의 분산 및 상기 알츠하이머 병 환자 그룹 내의 분산을 최소로 하는 상기 판단 기준을 생성하는 단계를 기반으로 결정될 수 있다.The determination criterion may further include reducing a dimension of the first feature vector and the second feature vector based on a principal component analysis (PCA) transformation, reducing the dimension of the first feature vector of the reduced dimension and the feature vector of the reduced dimension Generating a new training set based on the two feature vectors and using linear discriminant analysis (LDA) to maximize the variance between the normal group and the Alzheimer's patient group based on the new training set, And generating the criterion that minimizes variance and dispersion within the Alzheimer's disease patient group.
본 발명의 실시예에 따른 기계 학습을 기반으로 한 알츠하이머 병 결정 방법 및 장치는 기계 학습을 기반으로 정상인의 대뇌 피질 형상과 알츠하이머 병 환자의 대뇌 피질 형상을 판단할 수 있는 판단 기준을 생성하고, 생성된 판단 기준에 따라 알츠하이머 병에 대한 결정을 정확하게 수행할 수 있다.The method and apparatus for determining Alzheimer's disease based on machine learning according to an embodiment of the present invention generate a criterion for determining the shape of a cerebral cortex of a normal person and a cerebral cortex shape of a patient based on machine learning, The determination of Alzheimer ' s disease can be performed accurately according to the judgment criterion.
도 1은 본 발명의 실시예에 따른 알츠하이머 병의 결정 방법을 나타낸 순서도이다.
도 2는 본 발명의 실시예에 따른 영상 전처리 단계가 개시된다.
도 3은 본 발명의 실시예에 따른 특징 벡터를 생성하기 위한 방법이 개시된다.
도 4는 본 발명의 실시예에 따른 정상인 그룹과 알츠하이머 병 환자 그룹 간의 구분을 위한 판단 기준을 결정하는 방법을 나타낸 개념도이다.
도 5는 본 발명의 실시예에 따른 기계 학습을 기반으로 한 알츠하이머 병 결정 방법을 수행하는 알츠하이머 병 결정 장치를 나타낸 개념도이다.
도 6은 본 발명의 실시예에 따른 기계 학습을 기반으로 알츠하이머 병을 결정하는 방법을 나타낸 순서도이다. 1 is a flowchart illustrating a method for determining Alzheimer's disease according to an embodiment of the present invention.
Figure 2 illustrates an image preprocessing step according to an embodiment of the present invention.
3 shows a method for generating a feature vector according to an embodiment of the present invention.
4 is a conceptual diagram illustrating a method for determining a criterion for distinguishing between a normal group and an Alzheimer's disease patient group according to an embodiment of the present invention.
FIG. 5 is a conceptual diagram illustrating an apparatus for determining Alzheimer's disease that performs a method for determining Alzheimer's disease based on machine learning according to an embodiment of the present invention.
6 is a flowchart illustrating a method for determining Alzheimer's disease based on machine learning according to an embodiment of the present invention.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예와 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조 부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.The following detailed description of the invention refers to the accompanying drawings, which illustrate, by way of illustration, specific embodiments in which the invention may be practiced. These embodiments are described in sufficient detail to enable those skilled in the art to practice the invention. It should be understood that the various embodiments of the present invention are different, but need not be mutually exclusive. For example, certain features, structures, and characteristics described herein may be implemented in other embodiments without departing from the spirit and scope of the invention in connection with an embodiment. It is also to be understood that the position or arrangement of the individual components within each disclosed embodiment may be varied without departing from the spirit and scope of the invention. The following detailed description is, therefore, not to be taken in a limiting sense, and the scope of the present invention is to be limited only by the appended claims, along with the full scope of equivalents to which such claims are entitled, if properly explained. In the drawings, like reference numerals refer to the same or similar functions throughout the several views.
이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.Hereinafter, preferred embodiments of the present invention will be described in more detail with reference to the drawings.
알츠하이머 병은 장기간에 걸쳐서 진행하는 병이며 실제 임상 양상으로 나타나기 전부터 병리가 축적된다. 따라서 알츠하이머 병이 조기에 결정되는 경우 적절한 개입을 통하여 치매 발현의 시기를 늦출 수 있다.Alzheimer's disease is a long-term disease and pathology accumulates before it appears to be a clinical manifestation. Thus, if Alzheimer's disease is determined early, appropriate intervention may delay the onset of dementia.
전세계적으로도 치매의 조기 판별이 경쟁적으로 연구되고 있다. 치매를 유발시키는 알츠하이머 병의 조기 결정을 위해 경도 인지 장애(mild cognitive impairment, MCI)라는 개념이 나타났고 그 이후에는 주관적 기억장애(subjective memory impairment, SMI, or subjective memory complaint, SMC)라는 개념이 나타났다. 그 뿐 아니라 알츠하이머 병의 조기 결정은 이제 아무런 증상을 호소하지 않는 일반 정상인에게로까지 그 범위가 확대되고 있다. 최근에는 아무런 증상이 있지 않은 정상인에 대한 연구가 증가하여 정상인에서라도 유의미한 뇌변화의 지표를 찾아내려고 시도하고 있다.Early identification of dementia is being studied competitively worldwide. The concept of mild cognitive impairment (MCI) appeared for the early determination of Alzheimer's disease causing dementia and thereafter the concept of subjective memory impairment (SMI) or subjective memory complaint . In addition, the early decision of Alzheimer's disease is now expanding to a normal person who does not have any symptoms. Recently, studies on normal people who have no symptoms have been increasing, and attempts have been made to find out an indicator of significant brain changes even in normal people.
결정적 측면에서 혈액 검사, 뇌영상 검사 등의 기법을 통해 치매 증상이 나타나기 전에 치매의 조기 결정 또는 발병 전 결정이 가능하게 되면, 치매의 증상을 완화시키거나 진행을 억제하는 보존적 수준의 약물로도 치매 치료 효과를 극대화시킬 수 있을 뿐만 아니라 치매 위험 인자에 대한 보다 철저한 관리를 통해 치매 증상의 발현 시점을 최대한 지연시킬 수 있다.On the decisive point, if early diagnosis or pre-emergence of dementia is possible before the appearance of dementia through techniques such as blood tests, brain imaging, etc., it can be used as a conservative drug that alleviates the symptoms of dementia or inhibits progression It is possible not only to maximize the effect of dementia treatment but also to control the dementia risk factors more precisely, thereby delaying the onset of dementia symptoms as much as possible.
최근 분자 생물학적 발전으로 인해 알츠하이머 병의 치료제에 대한 개발이 가속화되고 있지만, 이러한 약물들을 임상 시험한 경우, 뚜렷한 임상적 진전이 없었다. 이에 대한 가장 중요한 원인으로는 이미 뇌가 많이 손상이 된 후 치료를 하는 것은 큰 의미가 없다는 지적이 많이 나오고 있다. 따라서, 알츠하이머병의 가장 초기 시점에서 이를 결정하여 발병 가능성을 예측하고 조기에 개입하는 것이 중요하다. Although recent molecular biologic advances have accelerated the development of therapeutic agents for Alzheimer's disease, there has been no significant clinical progress in clinical trials of these drugs. The most important reason for this is that there is a lot of point that it is not meaningful to treat after much damage to the brain. Therefore, it is important to determine this at the earliest point of Alzheimer ' s disease, to predict the onset and to intervene early.
이와 같은 조기 발견 조기 치료를 통해 치매의 발병이 2년 정도 지연되는 경우, 치매의 발병을 늦추지 못하는 경우보다 40년 후 치매 유병률이 80% 수준으로 낮아지게 된다. 또한 증상을 1년 늦추는 것만으로도 알츠하이머 병의 유병률을 향후 40년간 9백만명 줄일 수 있을 뿐 아니라, 치매 환자의 평균 중증도 또한 감소하게 된다고 보고되고 있다.The early detection of early detection of dementia by delaying the onset of dementia by two years, the prevalence of dementia after 40 years is 80% lower than the case of not delaying the onset of dementia. It is also reported that delaying symptoms by one year not only reduces the prevalence of Alzheimer's disease by 9 million people over the next 40 years, but also reduces the average severity of dementia patients.
현재의 위험 요인들로부터 앞으로의 발병 위험도를 예측하기 위해 여러 역학 연구가 수행되어 왔으나 대부분은 서구인을 대상으로 한 연구에서 도출된 것이었으며, 아직 동양인에서는 이러한 연구가 구체적으로 실행되지 않았다. A number of epidemiological studies have been conducted to predict future risk from current risk factors, but most of them have been derived from studies in Western populations.
이미 알려진 위험 인자들을 포함하여, 혈액 검사 및 뇌 자기 공명 영상을 통한 뇌피질 두께의 정량화 등을 통하여, 새로운 위험인자를 파악하려는 노력이 필요하다. 또한, 치매 조기 발견을 위한 알츠하이머 병 위험 지수(risk index)에 대한 개발이 필요하다. 동양인의 알츠하이머 병의 위험 인자를 확인하고, 개인별 위험(risk) 요인들을 통합적으로 평가하여 고 위험군을 가려내고 위험도의 수준에 따라 조절 가능한 위험 요인의 조정을 수행하는 것이 보다 합리적인 예방 방법일 수 있다. 질환의 발병과 진행이 장시간에 걸쳐 서서히 진행되기 때문에 다수의 환자를 대상으로 발병 이전의 건강 정보와 연결하여 위험 인자를 분석하고, MRI 뇌 영상을 통합한 위험 인덱스(risk index)의 개발이 강력히 필요한 시점으로 여겨진다.Efforts are needed to identify new risk factors, including blood tests and quantification of brain cortical thickness via brain magnetic resonance imaging, including known risk factors. It is also necessary to develop a risk index for early detection of Alzheimer's disease. It may be a more reasonable preventive measure to identify risk factors for Alzheimer's disease in Asians, to assess individual risk factors, to identify high-risk groups, and to adjust adjustable risk factors according to the level of risk. Since the onset and progression of the disease progresses slowly over a long period of time, it is necessary to develop a risk index that integrates MRI brain images in order to analyze the risk factors in connection with pre- Time.
혈액 검사를 포함한 여러 검사 및 MRI 데이터를 이용하여, 우리나라 성인에서 치매 질환의 위험 요인이 될 수 있는 위험 인자 파악 및 그 영향도를 분석하는 것이 필요하다. 이러한 위험 인자들을 종합하여 질병 발생을 조기에 예측할 수 있는 지표 발굴이 매우 절실한 시점이다.It is necessary to identify the risk factors that may be a risk factor for dementia in Korean adults and to analyze their effects by using various tests and MRI data including blood tests. Combining these risk factors, it is very urgent to find indicators to predict disease outbreaks early.
또한, 치매 조기 결정 기반으로서 개인 분석인 뇌 연령 개발이 필요하다. 현재의 연구들은 대부분 노인들을 3군(정상인, 치매 전단계인 경도 인지 장애, 치매)으로 나누어 그룹 간에 뇌 구조에 어떤 차이가 있는지를 보는 연구이다. 그러나 치매의 조기 결정의 근본 목적은 개인의 알츠하이머 병의 발병 여부를 실제 조기에 결정하는 것에 있다. 즉, 실제 한 개인이 뇌를 영상화하였을 때 그 개인의 뇌 건강이 어느 정도의 위치에 있고 치매로 갈 확률이 어느 정도인지 알려 주는 것이 필요하다.In addition, it is necessary to develop brain age, which is a personal analysis as a basis for early decision of dementia. Most of the current studies are divided into three groups (normal, dementia, mild cognitive impairment, and dementia). However, the primary purpose of early decision of dementia is to determine early on whether a person has Alzheimer's disease. In other words, it is necessary to show the degree to which the individual's brain health is at a certain position and the probability of going to dementia when an actual person images the brain.
이하, 본 발명의 실시예에서는 기계 학습을 기반으로 한 알츠하이머 병을 결정하는 방법 및 장치가 개시된다.Hereinafter, embodiments of the present invention disclose a method and apparatus for determining Alzheimer's disease based on machine learning.
알츠하이머 병에 걸린 환자는 알츠하이머 병의 발현의 수년전에 대뇌 피질에 위축이 발생하는 것으로 알려져 있다. 본 발명의 실시예에서는 기계 학습을 기반으로 한 알츠하이머 병 결정 방법 및 장치가 사용되는 경우, 영상만을 기반으로 알츠하이머 병의 유무에 대한 예측이 가능하다.Patients with Alzheimer's disease are known to experience atrophy of the cerebral cortex years before the onset of Alzheimer's disease. In the embodiment of the present invention, when the method and apparatus for determining Alzheimer's disease based on machine learning are used, prediction of the presence or absence of Alzheimer's disease based on image only is possible.
도 1은 본 발명의 실시예에 따른 알츠하이머 병의 결정 방법을 나타낸 순서도이다.1 is a flowchart illustrating a method for determining Alzheimer's disease according to an embodiment of the present invention.
도 1에서는 알츠하이머 병 환자 및 정상인(cognitive normal, CN) 집단의 뇌 영상(예를 들어, 뇌 MRI(magnaetic resonance imaging) 촬상 영상)을 기계 학습 분류기를 사용하여 학습시키기 위한 훈련용 데이터로서 사용하여 알츠하이머 병을 예측하는 방법이 개시된다.FIG. 1 shows an example of a brain image (brain magnetic resonance imaging (MRI) image) of a cognitive normal (CN) group of patients with Alzheimer's disease as training data for learning using a machine learning classifier, A method for predicting a disease is disclosed.
대뇌 피질 두께 데이터에 대한 기계 학습을 기반으로 한 알츠하이머 병 예측 방법은 일반적인 기계 학습과 마찬가지로 트레이닝 데이터를 이용한 지도 학습을 통해 알츠하이머 병 분류기를 생성하고, 알츠하이머 병 분류기를 기반으로 알츠하이머 병 유무에 대한 판별을 수행할 수 있다.Alzheimer's disease prediction based on machine learning on the cerebral cortical thickness data can be used to generate Alzheimer's disease classifier through map learning using training data as well as general machine learning and to determine the presence or absence of Alzheimer's disease based on Alzheimer's disease classifier Can be performed.
뇌 영상에 대한 영상 전처리 과정이 수행된다(단계 S100).An image preprocessing process for the brain image is performed (step S100).
알츠하이머 병 환자 그룹의 뇌 영상 및 정상인(cognitive normal, CN) 그룹의 뇌 영상에 대한 영상 전처리를 기반으로 알츠하이머 병 환자 그룹 및 정상인 그룹의 전처리된 대뇌 피질 형상을 추출할 수 있다. 전처리된 대뇌 피질 형상은 정점 샘플링(또는 리샘플링)된 형상일 수 있다. 정점 샘플링은 후술된다.Based on image preprocessing of brain images of the Alzheimer's disease patient group and brain images of the cognitive normal (CN) group, the pre-processed cerebral cortical features of the Alzheimer's disease patient group and the normal group can be extracted. The preprocessed cerebral cortex shape may be a vertex-sampled (or resampled) shape. Vertex sampling is described below.
정점 샘플링된 대뇌 피질 형상에 대한 특징 벡터가 생성된다(단계 S110).A feature vector for the vertex-sampled cerebral cortex shape is generated (step S110).
정점 샘플링된 대뇌 피질 형상에 대한 특징 벡터는 MHT(manifold harmonic transform)를 기반으로 생성될 수 있다.Feature vectors for vertex-sampled cerebral cortical features can be generated based on a manifold harmonic transform (MHT).
특징 벡터는 알츠하이머 병 환자가 대뇌 피질의 특정 영역이 질환 초기 단계에서부터 얇아지기 시작한다는 임상학적 정보를 기반으로 생성될 수 있다. 생성된 특징 벡터는 높은 분류 성능을 위해 두 그룹(정상인 그룹과 알츠하이머 병 환자 그룹)의 차이를 최대한 반영해야 한다. 하지만, 생성된 특징 벡터는 높은 분류 성능을 위해 두 그룹의 차이를 최대한 반영하는 동시에 연산의 효율성을 위해서 크기가 작을수록 유리할 수 있다.Feature vectors can be generated based on clinical information that patients with Alzheimer's disease begin to thin from a specific area of the cerebral cortex at an early stage of disease. The resulting feature vectors should reflect the differences between the two groups (normal and Alzheimer's disease groups) for maximum classification performance. However, the generated feature vector can be advantageous as it maximizes the difference between the two groups for high classification performance, while the size is small for efficiency of calculation.
본 발명의 실시예에서는 전술한 대뇌 피질 형상에 대한 정점 샘플링 절차 및 노이즈(Noise) 제거 절차를 기반으로 특징 벡터의 크기가 1/20 수준으로 감소되고, 노이즈에 포함되는 리샘플링된 대뇌 피질 형상의 개인 특징이 제거될 수 있다.In the embodiment of the present invention, on the basis of the vertex sampling procedure and the noise removal procedure for the cerebral cortical shape described above, the size of the feature vector is reduced to 1/20 level, and the resampled cerebral cortex- Features can be removed.
차원 감소 절차 및 그룹 분류 절차를 기반으로 두 그룹(정상인 그룹과 알츠하이머 병 환자 그룹) 간의 차이가 가장 극명하게 나타나는 기준에 대한 탐색이 수행된다(단계 S120).Based on the dimensional reduction procedure and the grouping procedure, a search is performed (step S120) in which the difference between the two groups (the normal group and the Alzheimer's disease group) is most apparent.
예를 들어, 차원 감소 절차는 PCA(principal component analysis)를 기반으로 단계 S110을 통해 결정된 특징 벡터의 차원을 1차원으로 감소시키는 절차일 수 있다.For example, the dimension reduction procedure may be a procedure for reducing the dimension of the feature vector determined in step S110 to one dimension based on principal component analysis (PCA).
그룹 분류 절차는 LDA(linear discriminant analysis)를 기반으로 단계 S110)을 통해 최종적으로 기계 학습에 사용된 대뇌 피질 형상이 어떤 그룹에 더 가까운지 판단하여 대뇌 피질 형상을 분류하기 위한 판단 기준으로 생성하기 위한 절차일 수 있다. LDA는 그룹 내 분산을 최소화하고 그룹 간 분산을 최대로 하는 축을 찾는 분석법으로, LDA가 사용되는 경우, 두 그룹 간의 차이가 가장 극명하게 나타나는 판단 기준이 결정될 수 있다. The group classification procedure is based on linear discriminant analysis (LDA), and is used to generate a decision criterion for classifying the cerebral cortex shape by judging whether the cortical shape used in the machine learning is closer to a group through the step S110) Procedure. LDA is an analytical method that finds the axis that minimizes intra-group variance and maximizes inter-group variability. If LDA is used, the criterion by which the difference between the two groups is most apparent can be determined.
두 그룹 간의 차이가 가장 극명하게 나타나는 판단 기준을 기반으로 이후 입력되는 대뇌 피질 형상에 대한 분류가 수행되고, 입력된 대뇌 피질 형상에 매칭되는 사용자가 정상인 그룹에 포함되는지 알츠하이머 병 환자 그룹에 포함되는지 여부가 결정될 수 있다(단계 S130). Based on the criterion that most clearly shows the difference between the two groups, classification of the input cerebral cortex shape is performed, and whether the users matching the inputted cerebral cortex shape are included in the normal group or in the Alzheimer's disease group (Step S130).
이하, 본 발명의 실시예에서는 각 단계 별 구체적인 방법이 개시된다.In the embodiment of the present invention, a specific method for each step will be described below.
도 2는 본 발명의 실시예에 따른 영상 전처리 단계가 개시된다. Figure 2 illustrates an image preprocessing step according to an embodiment of the present invention.
도 2에서는 알츠하이머 병 환자 그룹의 뇌 영상 및 정상인 그룹의 뇌 영상에서 각각 대뇌 피질 형상(대뇌 피질 이미지)을 추출하고, 대뇌 피질 형상에 대한 정점 샘플링(또는 리샘플링(resampling))을 수행하는 방법이 개시된다.FIG. 2 shows a method of extracting a cerebral cortex shape (cerebral cortical image) from a brain image of a group of Alzheimer's disease patients and a brain image of a normal group and performing vertex sampling (or resampling) on the cerebral cortex shape. do.
도 2를 참조하면, 수집된 알츠하이머병 환자 그룹 및 정상인 그룹의 뇌 영상 및/또는 대뇌 피질 형상으로부터 피질 두께가 추출될 수 있다. 뇌 영상 및/또는 대뇌 피질 형상으로부터 피질 두께를 추출하는 과정은 영상 또는 표면 모델 정합(image/surface model registration) 과정을 기반으로 수행될 수 있다.Referring to FIG. 2, the cortical thickness can be extracted from brain imaging and / or cerebral cortical shape of the collected Alzheimer's disease patient group and normal group. The process of extracting cortical thickness from the brain image and / or the cerebral cortex shape may be performed based on an image or surface model registration process.
환자 간에 상이한 대뇌 피질 형상은 대뇌 피질의 특징적인 주름을 기반으로 하위 영역으로 분할되므로 정합 과정을 거쳐 추출된 대뇌 피질 모델의 모든 정점(vertex)은 뇌의 유사한 하위 영역에 속한다고 가정될 수 있다.Since different cortical features between patients are divided into sub-regions based on characteristic wrinkles of the cortex, all vertices of the cortical model extracted through the matching process can be assumed to belong to similar sub-regions of the brain.
예를 들어, 대뇌의 좌/우 반구 각각에서 10만개 이상의 정점으로 구성된 대뇌 피질 표면 모델(200)이 생성될 수 있고, 생성된 대뇌 피질 표면 모델(200)은 좌/우 반구 각 40,962개의 정점으로 다운 샘플링되어 다운샘플링된 대뇌 피질 표면 모델(정점 샘플링된 대뇌 피질 형상, 정점 샘플링된 대뇌 피질 이미지)(220)로 생성될 수 있다. 대뇌 피질 표면 모델(200)을 구성하는 정점의 개수와 정점 샘플링된 대뇌 피질 표면 모델(220)의 정점의 개수는 예시적인 것으로서 변할 수 있다. For example, a cerebral cortical surface model (200) composed of more than 100,000 vertices in each of the left and right hemispheres of the cerebrum can be generated, and the generated cerebral cortex surface model (200) has 40,962 vertices of the left and right hemispheres (Vertex-sampled cerebral cortical shape, vertex-sampled cerebral cortical image) 220. The downsampled down-sampled down-sampled cerebral cortical surface model The number of vertices constituting the cerebral cortical surface model 200 and the number of vertices of the vertex-sampled cerebral cortical surface model 220 may be varied by way of example.
도 3은 본 발명의 실시예에 따른 특징 벡터를 생성하기 위한 방법이 개시된다. 3 shows a method for generating a feature vector according to an embodiment of the present invention.
도 3에서는 정점 샘플링된 대뇌 피질 형상에 대해 노이즈 제거 절차를 기반으로 특징 벡터를 생성하는 방법이 개시된다.FIG. 3 discloses a method for generating a feature vector based on a noise removal procedure for vertex-sampled cortical features.
전술한 바와 같이 정점 샘플링된 대뇌 피질 형상에 대한 특징 벡터는 MHT(manifold harmonic transform)를 기반으로 생성될 수 있다. 본 발명의 실시예에서는 정점 샘플링 절차 및 노이즈(noise) 제거 절차를 기반으로 특징 벡터의 크기가 1/20 수준으로 감소되고, 대뇌 피질 형상 내의 노이즈가 제거될 수 있다. 이러한 방법을 통해 정상인 그룹과 알츠하이머 병 환자 그룹 각각의 차이를 최대한 반영하면서 연산의 효율성을 높일 수 있다. As described above, the feature vectors for vertex-sampled cerebral cortex shapes can be generated based on a manifold harmonic transform (MHT). In the embodiment of the present invention, the size of the feature vector can be reduced to 1/20 level based on the vertex sampling procedure and the noise removal procedure, and the noise in the cerebral cortex shape can be removed. In this way, the efficiency of the computation can be improved while maximizing the difference between the normal group and the Alzheimer's disease group.
정점 샘플링은 영상 전처리 절차에서 수행되는 리샘플링 절차이다. 예를 들어, 최초에 생성된 표면 모델은 좌/우 반구마다 10만개 이상의 정점으로 구성될 수 있다. 리샘플링 절차를 통해 표면 모델은 총 81,924개의 정점으로 구성될 수 있다. 즉, 좌/우 반구 각기 40,962개의 정점으로 좌/우 반구마다 10만개 이상의 정점을 가진 원 모델 대비 1/3~1/4 수준일 수 있다.Vertex sampling is a resampling procedure performed in the image preprocessing procedure. For example, the initially generated surface model can consist of more than 100,000 vertices per left / right hemisphere. Through the resampling procedure, the surface model can consist of a total of 81,924 vertices. That is, it can be about 1/3 to 1/4 of the original model having more than 100,000 vertices per left / right hemisphere with 40,962 vertices in each of the left and right hemispheres.
노이즈 제거는 MHT를 기반으로 수행될 수 있다. MHT가 사용되는 경우, 표면에 대해 정의된 스칼라 함수는 주파수 도메인으로 변환 가능할 수 있다. 그리고 높은 주파수 대역 성분들은 노이즈나 높은 개인 편차를 가지는 부분을 나타낼 수 있다. 따라서 정점 샘플링 이후, 81,924개의 피질 두께값이 모두 사용되는 것이 아니라, 구분하고자 하는 표면 모델들로부터 평균 모델을 만들고, MHT를 적용하여 81,924개의 피질 두께값 중 저 주파수 대역 성분들만으로 구성하여 특징 벡터의 크기를 크게 감소시킬 수 있다.Noise removal can be performed based on MHT. When MHT is used, the scalar function defined for the surface may be convertible to the frequency domain. And high frequency band components may represent portions with noise or high individual variation. Therefore, after the vertex sampling, 81,924 cortical thickness values are not all used, but the average model is made from the surface models to be discriminated. By applying MHT, only the low frequency band components of 81,924 cortical thickness values are constructed, Can be greatly reduced.
구체적으로 대뇌 피질의 두께 데이터의 고 주파수 요소는 노이즈 및 그룹의 특징과 무관한 개인적인 특징을 나타낼 수 있다. 따라서, 결정된 컷 오프 차원(300)을 기반으로 이러한 고 주파수 요소(fi)를 제거함으로써 대뇌 피질의 두께 데이터의 차원을 감소시킬 수 있다.Specifically, the high-frequency components of the cerebral cortical thickness data can represent individual characteristics independent of noise and group characteristics. Thus, it is possible to reduce the dimension of the cerebral cortical thickness data by removing this high frequency component f i based on the determined cutoff dimension 300.
아래는 제거되는 고주파 요소를 결정하기 위한 계수 G를 산출하기 위한 수학식이다. The following is a formula for calculating the coefficient G for determining the high frequency component to be removed.
<수학식>≪ Equation &
여기서, cj 는 정상인 그룹 및 알츠하이머 병 환자 그룹을 포함하는 트레이닝 집합에서 j번째 트레이닝 대상의 오리지날 대뇌 피질 두께 데이터이고, 는 j번째 대상의 k번째 주파수 요소이고, N은 트레이닝 대상의 개수이다. F는 대뇌 피질 두께 데이터를 위한 컷-오프 차원(cut-off dimension)(300)일 수 있다. 는 컷-오프 차원(300)을 고려하여 노이즈 필터링된 j번째 대상의 대뇌 피질 두께 데이터이다. hk는 이산 LB(Laplace-Beltrami) 연산자의 k번째 아이젠 벡터(eigen vector)이다.Where c j is the original cortical thickness data of the jth training subject in a training set comprising a normal group and a group of Alzheimer's patients, Is the kth frequency element of the jth object, and N is the number of training objects. F may be a cut-off dimension 300 for cerebral cortical thickness data. Is the cerebral cortical thickness data of the noise filtered j-th object in consideration of the cut-off dimension (300). h k is the kth eigenvector of the discrete LB (Laplace-Beltrami) operator.
본 발명의 실시예에서는 G를 0.025로 설정하여 컷-오프 차원(300)을 결정할 수 있다. 그러나 G의 값은 상기 값에 한정되지 않고 적절한 값으로 결정될 수 있음은 물론이다. 결정된 컷-오프 차원(300)을 기반으로 고 주파수 대역(또는 고 주파수 요소)이 제거될 수 있다. 이러한 고 주파수 대역에 대한 제거를 기반으로 노이즈 및 그룹의 특징과 무관한 개인적인 특징이 제거될 수 있다.In the embodiment of the present invention, the cut-off dimension 300 can be determined by setting G to 0.025. However, it is needless to say that the value of G is not limited to the above value but can be determined as an appropriate value. The high frequency band (or high frequency component) may be eliminated based on the determined cut-off dimension 300. Based on the elimination of these high frequency bands, noise and individual characteristics independent of group characteristics can be eliminated.
도 4는 본 발명의 실시예에 따른 정상인 그룹과 알츠하이머 병 환자 그룹 간의 구분을 위한 판단 기준을 결정하는 방법을 나타낸 개념도이다.4 is a conceptual diagram illustrating a method for determining a criterion for distinguishing between a normal group and an Alzheimer's disease patient group according to an embodiment of the present invention.
도 4에서는 차원 감소 절차 및 그룹 분류 절차를 기반으로 두 그룹 간의 차이를 가장 극명하게 나타내는 판단 기준에 대한 결정 방법이 개시된다.In Fig. 4, a method for determining a determination criterion that most clearly indicates a difference between two groups based on a dimension reduction procedure and a group classification procedure is disclosed.
도 4를 참조하면, 영상 데이터 누적에 따라 점증적으로 분류기 갱신을 용이하게 하기 위해, 여러 통계적 방법 중 PCA(principal component analysis)(400)-LDA(linear discriminant analysis)(410) 방법이 순차적으로 적용되어 입력된 특징 벡터의 차원을 최종적으로 1차원까지 낮춤으로써 최종적인 분류가 수행될 수 있다.Referring to FIG. 4, a principal component analysis (PCA) (400) -LDA (linear discriminant analysis) 410 method among various statistical methods is sequentially applied in order to facilitate incremental classifier update according to the accumulation of image data The final classification can be performed by reducing the dimension of the input feature vector to one dimension finally.
우선 PCA(400) 변환을 기반으로 특징 벡터의 차원이 감소될 수 있다. 예를 들어, PCA(400) 변환 과정 중 선택된 고유 벡터의 수는 10-Fold 교차 검증시 분류기의 성능이 최대가 되는 값이 경험적으로 선택될 수 있다. 예를 들어, 선택된 고유 벡터의 수는 64개일 수 있다. LDA(410)는 그룹 내 분산을 최소화하고 그룹 간 분산을 최대로 하는 축을 찾는 분석법으로, 이를 이용하면 두 그룹 간의 차이가 가장 극명하게 나타나는 기준을 찾아낼 수 있다.The dimension of the feature vector may be reduced based on the
PCA(400)-LDA(410)는 아래와 같은 방법으로 수행될 수 있다. 중 하나의 그룹에 포함된 주어진 특징 벡터 , 에 대하여 그룹 분류기는 PCA(400) 및 LDA(410)를 기반으로 순차적으로 트레이닝될 수 있다. 아래의 수학식 2를 기반으로 PCA(400)를 수행하기 위해 트레이닝 데이터 집합 의 공분산 매트릭스 V가 유도될 수 있다. The PCA 400 -
<수학식 2>&Quot; (2) "
여기서, 는 모든 특징 벡터의 평균이다. 각 는 특징 벡터를 나타내고, V는 매트릭스이기 때문이다. 공분산 매트릭스 V가 일반적으로 싱귤러(singular)이기 때문에 LDA(410)를 수행함에 있어서 싱귤러리티 문제를 가지고 올 수 있다. 이러한 문제를 방지하기 위해 PCA 변환 매트릭스()를 생성하기 위해 가장 큰 k개의 0이 아닌 아이젠벨류(eigen value)와 관련된 V의 아이젠벡터가 선택될 수 있다. 선택된 아이젠벡터의 개수는 감소된 PCA 공간의 차원을 결정할 수 있다. here, Is the average of all feature vectors. bracket Is a feature vector , V represents This is because it is a matrix. Since the covariance matrix V is typically a singular, it may have a singularity problem in performing the
아래의 수학식 3과 같이 주어진 PCA 변환 매트릭스 를 기반으로 특징 벡터 x는 PCA 공간 상의 벡터 y로 전환될 수 있다. A given PCA transformation matrix < RTI ID = 0.0 > The feature vector x can be converted to a vector y on the PCA space.
<수학식 3>&Quot; (3) "
PCA(400)를 적용함으로써 X의 모든 특징 벡터에 대하여 PCA 공간 상의 새로운 트레이닝 집합 이 생성될 수 있다. By applying the
새로운 트레이닝 집합에 대해 LDA가 수행될 수 있다. LDA can be performed on the new training set.
LDA(410)는 데이터 집합의 그룹을 최대한 분리하기 위한 좌표 축을 찾을 수 있다. 다른 표현으로 LDA(410)는 각 그룹의 분산(variance)을 최소화하기 위한 좌표축을 찾을 수 있다. LDA(410)는 그룹 간의 분산을 최대화하고, 각 그룹의 분산을 최소화할 수 있다. The
본 발명의 실시예에 따르면, LDA(410)는 아래의 수학식 4의 에너지 함수를 최소화하기 위한 축 w를 찾을 수 있다. According to an embodiment of the present invention, the
<수학식 4>&Quot; (4) "
여기서, 는 축 w로 투영된 그룹 간 분산이고, 는 축 w로 투영된 그룹 내 분산일 수 있다. 그룹 간 스캐터 행렬 SB와 그룹 내 스캐터 행렬 SW는 아래의 수학식5와 같이 정의될 수 있다. here, Is the inter-group variance projected on the axis w, May be in-group variance projected on axis w. The inter-group scatter matrix S B and the intra-group scatter matrix S W can be defined as Equation (5) below.
<수학식 5>Equation (5)
여기서 는 그룹 i의 평균, 는 그룹i의 공분산 행렬, 는 그룹i의 크기일 수 있다. yik는 그룹 Gi의 k번째 특징 벡터일 수 있다. here Is the average of group i, Is the covariance matrix of group i, May be the size of group i. y ik may be the kth feature vector of group G i .
위와 같은 PCA(400)-LDA(410)를 기반으로 추출된 판단 기준으로 사용하여 이후 입력된 대뇌 피질 형상이 정상인의 대뇌 피질 형상인지 알츠하이머 병 환자의 대뇌 피질 형상인지 여부가 결정될 수 있다.It is possible to determine whether the cerebral cortex shape of the normal cerebral cortex shape or the cerebral cortex shape of the Alzheimer's disease patient is inputted after using the extracted criterion based on the PCA 400-
도 5는 본 발명의 실시예에 따른 기계 학습을 기반으로 한 알츠하이머 병 결정 방법을 수행하는 알츠하이머 병 결정 장치를 나타낸 개념도이다. FIG. 5 is a conceptual diagram illustrating an apparatus for determining Alzheimer's disease that performs a method for determining Alzheimer's disease based on machine learning according to an embodiment of the present invention.
도 5에서는 알츠하이머 병 결정 장치는 영상 입력부(500), 영상 전처리부(510), 특징 벡터 생성부(520), 판단 기준 결정부(530), 알츠하이머 병 판단부 및 프로세서(540) 중의 적어도 하나를 포함할 수 있다.5, the apparatus for determining Alzheimer's disease includes at least one of an image input unit 500, an image preprocessing unit 510, a feature vector generating unit 520, a determination criterion determining unit 530, an Alzheimer's disease determining unit, and a processor 540 .
영상 입력부(500)는 알츠하이머 병 환자 그룹의 뇌 영상 및 정상인 그룹의 뇌 영상을 입력받기 위해 구현될 수 있다.The image input unit 500 may be implemented to receive a brain image of a group of Alzheimer's disease patients and a brain image of a normal group.
영상 전처리부(510)는 수집된 알츠하이머 병 환자 그룹의 뇌 영상 및 정상인 그룹의 뇌 영상에서 대뇌 피질 두께를 추출하기 위한 전처리 절차를 수행하기 위해 구현될 수 있다. 영상 전처리부(510)는 입력된 영상을 기반으로 대뇌의 좌/우 반구 각각에서 10만개 이상의 정점으로 구성된 대뇌 피질 표면 모델을 생성할 수 있고, 생성된 대뇌 피질 표면 모델을 좌/우 반구 각 40,962개의 정점으로 정점 샘플링(또는 리샘플링)하기 위해 구현될 수 있다. 대뇌 피질 표면 모델을 구성하는 정점의 개수와 정점 샘플링되는 정점의 개수는 예시적인 것으로서 변할 수 있다.The image preprocessing unit 510 may be implemented to perform a preprocessing procedure for extracting the cerebral cortical thickness from the acquired brain image of the Alzheimer's disease patient group and the brain image of the normal group. The image preprocessing unit 510 can generate a cerebral cortical surface model composed of more than 100,000 vertices in each of the left and right hemispheres of the cerebrum based on the input image and generate the cerebral cortex surface model with the left and right hemispheres 40,962 (Or resampling) vertices to the vertices of the vertex. The number of vertices constituting the cerebral cortical surface model and the number of vertex samples to be vertex-sampled may vary as an example.
특징 벡터 생성부(520)는 정점 샘플링된 대뇌 피질 형상에 대해 노이즈를 제거하여 특징 벡터를 생성하기 위해 구현될 수 있다. 전술한 바와 같이 대뇌 피질의 두께 데이터의 고 주파수 대역 요소는 노이즈 및 그룹의 특징과 무관한 개인적인 특징을 나타낼 수 있다. 따라서, 이러한 고주파수 대역 요소를 제거함으로써 대뇌 피질의 두께 데이터의 차원이 감소될 수 있다The feature vector generation unit 520 may be implemented to generate a feature vector by removing noise from vertex-sampled cortical features. As described above, the high frequency band components of the cerebral cortical thickness data may represent individual characteristics independent of noise and group characteristics. Thus, the dimensionality of the cerebral cortical thickness data can be reduced by removing these high frequency band elements
특징 벡터 생성부(520)는 대뇌 피질의 두께 데이터를 주파수 대역으로 변환하고, 특정 주파수 대역을 제거하고 저 주파수 대역 성분들만으로 구성하여 특징 벡터의 크기를 크게 감소시키도록 구현될 수 있다. The feature vector generation unit 520 may be implemented to convert cortical thickness data into a frequency band, remove a specific frequency band, and configure only low frequency band components to greatly reduce the size of the feature vector.
판단 기준 결정부(530)는 특징 벡터의 차원을 1차원으로 감소시키고, 기계 학습을 기반으로 정상인 그룹과 알츠하이머 병 그룹을 분류하기 위한 판단 기준을 결정할 수 있다. The determination criterion determining unit 530 may reduce the dimension of the feature vector to one dimension and determine a criterion for classifying the normal group and the Alzheimer's disease group based on the machine learning.
알츠하이머 병 판단부(540)는 판단 기준 생성부에 의해 결정된 판단 기준을 기반으로 알츠하이머 병을 판단하기 위해 구현될 수 있다. The Alzheimer's disease judgment unit 540 can be implemented to judge Alzheimer's disease based on the judgment criteria determined by the judgment reference generation unit.
프로세서(550)는 영상 입력부(500), 영상 전처리부(510), 특징 벡터 생성부(520), 판단 기준 결정부(530), 알츠하이머 병 판단부(540)의 동작을 제어하기 위해 구현될 수 있다. The processor 550 may be implemented to control the operations of the image input unit 500, the image preprocessing unit 510, the feature vector generation unit 520, the determination criterion determination unit 530, and the Alzheimer's disease determination unit 540 have.
도 6은 본 발명의 실시예에 따른 기계 학습을 기반으로 알츠하이머 병을 결정하는 방법을 나타낸 순서도이다. 6 is a flowchart illustrating a method for determining Alzheimer's disease based on machine learning according to an embodiment of the present invention.
도 6을 참조하면, 알츠하이머 병 결정 장치가 정상인 그룹의 뇌 영상으로부터 제1 대뇌 피질 형상을 추출하고, 알츠하이머 병 환자 그룹의 뇌 영상으로부터 제2 대뇌 피질 형상을 추출할 수 있다(단계 S600).Referring to FIG. 6, a first cerebral cortex shape can be extracted from a brain image of a normal group of the Alzheimer's disease determination apparatus, and a second cerebral cortex shape can be extracted from a brain image of the Alzheimer's disease patient group (step S600).
알츠하이머 병 결정 장치가 제1 대뇌 피질 형상 및 제2 대뇌 피질 형상에 대한 영상 처리를 수행하여 정점 샘플링된 제1 대뇌 피질 형상 및 정점 샘플링된 제2 대뇌 피질 형상을 생성할 수 있다(단계 S610).The Alzheimer's disease apparatus can perform image processing on the first cerebral cortex shape and the second cerebral cortex shape to generate vertex-sampled first cerebral cortex and vertex-sampled second cerebral cortex shapes (step S610).
영상 처리는 제1 대뇌 피질 형상 및 제2 대뇌 피질 형상 각각에 대한 대뇌 피질 표면 모델을 생성하고, 대뇌 피질 표면 모델에 포함되는 복수의 정점을 다운샘플링할 수 있다.Image processing can generate a cerebral cortical surface model for each of the first and second cerebral cortex shapes and downsample multiple vertices contained in the cerebral cortical surface model.
알츠하이머 병 결정 장치가 정점 샘플링된 제1 대뇌 피질 형상 및 정점 샘플링된 제2 대뇌 피질 형상에 대한 노이즈 제거 절차를 진행하여 정점 샘플링된 제1 대뇌 피질 형상에서 제1 특징 벡터를 추출하고, 정점 샘플링된 제2 대뇌 피질 형상에서 제2 특징 벡터를 추출할 수 있다(단계 S620).A first feature vector is extracted from vertex-sampled first cerebral cortical features by performing a noise removal procedure on vertex-sampled first cortical features and vertex-sampled second cortical features of an Alzheimer's disease decision device, The second feature vector can be extracted from the second cerebral cortex shape (step S620).
노이즈 제거 절차는 정점 샘플링된 제1 대뇌 피질 형상 및 정점 샘플링된 제2 대뇌 피질 형상을 주파수 도메인으로 변환하고, 주파수 도메인 상에서 고 주파수 대역을 제거하되, 고 주파수 대역은 컷-오프 차원(cut-off dimension)을 기반으로 결정되고, 컷-오프 차원은 컷-오프 차원 결정 계수(G)에 의해 결정될 수 있다. The noise removal procedure transforms vertex-sampled first cortical and vertex-sampled second cerebral cortex shapes to the frequency domain and removes high frequency bands in the frequency domain, wherein the high frequency bands are cut-off dimensions dimension, and the cut-off dimension can be determined by the cut-off dimension determination coefficient G.
알츠하이머 병 결정 장치가 제1 특징 벡터 및 제2 특징 벡터를 기반으로 알츠하이머 병의 결정을 위한 판단 기준을 결정할 수 있다(단계 S630).The Alzheimer's disease determination apparatus can determine a determination criterion for the determination of Alzheimer's disease based on the first feature vector and the second feature vector (step S630).
판단 기준은 PCA 변환을 기반으로 제1 특징 벡터 및 제2 특징 벡터의 차원을 감소시키는 단계, 감소된 차원의 제1 특징 벡터 및 감소된 차원의 제2 특징 벡터를 기반으로 새로운 트레이닝 집합을 생성하는 단계와 LDA를 사용하여 새로운 트레이닝 집합을 기반으로 정상인 그룹과 알츠하이머 병 환자 그룹 간의 분산을 최대로 하고, 정상인 그룹 내의 분산 및 알츠하이머 병 환자 그룹 내의 분산을 최소로 하는 판단 기준을 결정하는 단계를 기반으로 결정될 수 있다.The decision criteria include decreasing the dimensions of the first feature vector and the second feature vector based on the PCA transformation, generating a new training set based on the first feature vector of the reduced dimension and the second feature vector of the reduced dimension Based on the steps to maximize the variance between the normal and Alzheimer's patient groups based on the new training set using the LDA and determining the criterion that minimizes dispersion within the normal group and dispersion within the Alzheimer's patient group Can be determined.
알츠하이머 병 결정 장치가 새롭게 입력된 입력 대뇌 피질 형상에 대하여 판단 기준을 기반으로 알츠하이머 병의 발병 여부를 결정할 수 있다(단계 S640).The Alzheimer's disease determination device can determine whether or not the newly input input cerebral cortex shape is onset based on the judgment criteria (step S640).
기계 학습을 기반으로 한 알츠하이머 병 결정 방법은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.The method of determining Alzheimer's disease based on machine learning can be implemented in an application or implemented in the form of program instructions that can be executed through various computer components and recorded on a computer-readable recording medium. The computer-readable recording medium may include program commands, data files, data structures, and the like, alone or in combination.
상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들일 수 있고, 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.The program instructions recorded on the computer-readable recording medium may be those specially designed and configured for the present invention and may be those known and used by those skilled in the computer software arts.
컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tape, optical recording media such as CD-ROMs and DVDs, magneto-optical media such as floptical disks, media, and hardware devices specifically configured to store and execute program instructions such as ROM, RAM, flash memory, and the like.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.Examples of program instructions include machine language code such as those generated by a compiler, as well as high-level language code that can be executed by a computer using an interpreter or the like. The hardware device may be configured to operate as one or more software modules for performing the processing according to the present invention, and vice versa.
이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it will be understood by those skilled in the art that various changes and modifications may be made therein without departing from the spirit and scope of the invention as defined in the appended claims. It will be possible.
Claims (10)
알츠하이머 병 결정 장치가, 정상인 그룹의 뇌 영상으로부터 추출된 제1 대뇌 피질 형상 및 알츠하이머 병 환자 그룹의 뇌 영상으로부터 추출된 제2 대뇌 피질 형상으로부터 피질 두께를 추출하고, 상기 제1 대뇌 피질 형상 및 상기 제2 대뇌 피질 형상에 대한 영상 처리를 수행하여 정점 샘플링된 제1 대뇌 피질 형상 및 정점 샘플링된 제2 대뇌 피질 형상을 생성하는 단계;
상기 알츠하이머 병 결정 장치가, 상기 정점 샘플링된 제1 대뇌 피질 형상 및 상기 정점 샘플링된 제2 대뇌 피질 형상을 주파수 도메인으로 변환한 후 컷 오프 차원을 기반으로 피질 두께 데이터의 고 주파수 대역 요소를 제거하는 노이즈 제거 절차를 진행하여, 피질 두께값 중 저 주파수 대역 성분들만으로 구성된 제1 특징 벡터를 상기 정점 샘플링된 제1 대뇌 피질 형상에서 추출하고, 피질 두께값 중 저 주파수 대역 성분들만으로 구성된 제2 특징 벡터를 상기 정점 샘플링된 제2 대뇌 피질 형상에서 추출하는 단계;
상기 알츠하이머 병 결정 장치가, 상기 제1 특징 벡터 및 상기 제2 특징 벡터를 기반으로 상기 알츠하이머 병의 결정을 위한 판단 기준을 결정하는 단계; 및
상기 알츠하이머 병 결정 장치가, 새롭게 입력된 입력 대뇌 피질 형상에 대하여 상기 판단 기준을 기반으로 상기 알츠하이머 병의 발병 여부를 결정하는 단계를 포함하는 방법.A method of determining Alzheimer's disease based on machine learning,
The apparatus for determining Alzheimer's disease extracts a cortical thickness from a first cerebral cortex shape extracted from a brain image of a normal group and a second cerebral cortex shape extracted from a brain image of a group of Alzheimer's disease patients, Performing image processing on the second cerebral cortex shape to generate vertex-sampled first cortical features and vertex-sampled second cortical features;
Wherein the Alzheimer's disease determining device converts the vertex-sampled first cortex shape and the vertex-sampled second cortex shape into a frequency domain, and then removes high frequency band components of the cortex thickness data based on the cutoff dimension A noise removal procedure is performed to extract a first feature vector composed of only low frequency band components from the cortex thickness values in the vertex-sampled first cortex shape, and a second feature vector composed of only low frequency band components Extracting from the vertex-sampled second cerebral cortex shape;
Determining the criteria for the determination of the Alzheimer's disease based on the first feature vector and the second feature vector; And
Wherein said Alzheimer's disease determination device comprises determining whether the newly entered input cerebral cortex shape is due to Alzheimer's disease based on said criteria.
상기 영상 처리는 상기 제1 대뇌 피질 형상 및 상기 제2 대뇌 피질 형상 각각에 대한 대뇌 피질 표면 모델을 생성하고, 상기 대뇌 피질 표면 모델에 포함되는 복수의 정점을 다운샘플링하는 것을 특징을 하는 방법.The method according to claim 1,
Wherein the image processing generates a cerebral cortical surface model for each of the first cerebral cortex shape and the second cerebral cortex shape and downsamples a plurality of vertices contained in the cerebral cortical surface model.
상기 노이즈 제거 절차는 상기 정점 샘플링된 제1 대뇌 피질 형상 및 상기 정점 샘플링된 제2 대뇌 피질 형상을 주파수 도메인으로 변환하고, 상기 주파수 도메인 상에서 고 주파수 대역을 제거하고,
상기 고 주파수 대역은 컷-오프 차원(cut-off dimension)을 기반으로 결정되고,
상기 컷-오프 차원은 컷-오프 차원 결정 계수(G)에 의해 결정되는 것을 특징으로 하는 방법.3. The method of claim 2,
The noise cancellation procedure may include transforming the vertex-sampled first cortex shape and the vertex-sampled second cortex shape into a frequency domain, removing a high frequency band in the frequency domain,
The high frequency band is determined based on a cut-off dimension,
Wherein the cut-off dimension is determined by a cut-off dimension determination coefficient (G).
상기 컷-오프 차원 결정 계수(G)는 아래의 수학식을 기반으로 결정되고,
<수학식>
여기서, cj 는 상기 정상인 그룹 및 상기 알츠하이머 병 환자 그룹을 포함하는 트레이닝 집합에서 j번째 트레이닝 대상의 정점 샘플링된 대뇌 피질 두께 데이터이고, 는 j번째 대상의 k번째 주파수 요소이고, N은 트레이닝 대상의 개수이고, F는 대뇌 피질 두께 데이터를 위한 상기 컷-오프 차원이고, 는 상기 컷-오프 차원을 고려하여 상기 노이즈 제거 절차에 의해 노이즈 필터링된 j번째 대상의 대뇌 피질 두께 데이터이고,
상기 고 주파수 대역의 제거를 위한 상기 컷-오프 차원은 상기 G를 0.025로 설정하여 결정되는 것을 특징으로 하는 방법.The method of claim 3,
The cut-off dimension determination coefficient G is determined based on the following equation,
≪ Equation &
Wherein c j is vertex-sampled cerebral cortical thickness data of the jth training subject in the training set including the normal group and the Alzheimer's disease patient group, Is the kth frequency element of the jth object, N is the number of training objects, F is the cut-off dimension for the cerebral cortical thickness data, Is cortical thickness data of the j-th object subjected to noise filtering by the noise removal procedure in consideration of the cut-off dimension,
Wherein the cut-off dimension for removal of the high frequency band is determined by setting G to 0.025.
PCA(principal component analysis) 변환을 기반으로 상기 제1 특징 벡터 및 상기 제2 특징 벡터의 차원을 감소시키는 단계;
감소된 차원의 상기 제1 특징 벡터 및 감소된 차원의 상기 제2 특징 벡터를 기반으로 새로운 트레이닝 집합을 생성하는 단계; 및
LDA(linear discriminant analysis)를 사용하여 상기 새로운 트레이닝 집합을 기반으로 상기 정상인 그룹과 상기 알츠하이머 병 환자 그룹 간의 분산을 최대로 하고, 상기 정상인 그룹 내의 분산 및 상기 알츠하이머 병 환자 그룹 내의 분산을 최소로 하는 상기 판단 기준을 생성하는 단계를 기반으로 결정되는 것을 특징으로 하는 방법.5. The method of claim 4,
Reducing a dimension of the first feature vector and the second feature vector based on a principal component analysis (PCA) transformation;
Generating a new training set based on the first feature vector of the reduced dimension and the second feature vector of the reduced dimension; And
Using linear discriminant analysis (LDA) to maximize variance between the normal group and the Alzheimer's disease patient group based on the new training set and to minimize variance within the normal group and to minimize variance within the Alzheimer's disease patient group And generating a decision criterion based on the decision criterion.
상기 알츠하이머 병 결정 장치는 프로세서를 포함하고,
상기 프로세서는,
정상인 그룹의 뇌 영상으로부터 추출된 제1 대뇌 피질 형상 및 알츠하이머 병 환자 그룹의 뇌 영상으로부터 추출된 제2 대뇌 피질 형상으로부터 피질 두께를 추출하고, 상기 제1 대뇌 피질 형상 및 상기 제2 대뇌 피질 형상에 대한 영상 처리를 수행하여 정점 샘플링된 제1 대뇌 피질 형상 및 정점 샘플링된 제2 대뇌 피질 형상을 생성하고,
상기 정점 샘플링된 제1 대뇌 피질 형상 및 상기 정점 샘플링된 제2 대뇌 피질 형상을 주파수 도메인으로 변환한 후 컷 오프 차원을 기반으로 피질 두께 데이터의 고 주파수 대역 요소를 제거하는 노이즈 제거 절차를 진행하여, 피질 두께값 중 저 주파수 대역 성분들만으로 구성된 제1 특징 벡터를 상기 정점 샘플링된 제1 대뇌 피질 형상에서 추출하고, 피질 두께값 중 저 주파수 대역 성분들만으로 구성된 제2 특징 벡터를 상기 정점 샘플링된 제2 대뇌 피질 형상에서 추출하고,
상기 제1 특징 벡터 및 상기 제2 특징 벡터를 기반으로 상기 알츠하이머 병의 결정을 위한 판단 기준을 결정하고,
새롭게 입력된 입력 대뇌 피질 형상에 대하여 상기 판단 기준을 기반으로 상기 알츠하이머 병의 발병 여부를 결정하도록 구현되는 것을 특징으로 하는 알츠하이머 병 결정 장치.An apparatus for determining Alzheimer's disease based on machine learning,
Wherein the apparatus for determining Alzheimer's disease comprises a processor,
The processor comprising:
The cortical thickness is extracted from the second cerebral cortex shape extracted from the brain image of the first cerebral cortex shape and the Alzheimer's disease patient group extracted from the brain image of the normal group, and the first cerebral cortex shape and the second cerebral cortex shape To generate vertex-sampled first cortical features and vertex-sampled second cortical features,
A noise removal procedure for removing the high frequency band components of the cortical thickness data based on the cutoff dimension after transforming the vertex-sampled first cortex shape and the vertex-sampled second cortex shape into a frequency domain, Extracting a first feature vector composed of only low frequency band components from the vertex-sampled first cortex shape, calculating a second feature vector composed of low frequency band components only from the vertex-sampled second cortex shape, Extraction from the cortical shape,
Determining a criterion for determination of the Alzheimer's disease based on the first feature vector and the second feature vector,
Wherein the controller is configured to determine whether the newly entered input cerebral cortex shape is the onset of Alzheimer's disease based on the determination criterion.
상기 영상 처리는 상기 제1 대뇌 피질 형상 및 상기 제2 대뇌 피질 형상 각각에 대한 대뇌 피질 표면 모델을 생성하고, 상기 대뇌 피질 표면 모델에 포함되는 복수의 정점을 다운샘플링하는 것을 특징을 하는 알츠하이머 병 결정 장치.The method according to claim 6,
Wherein the image processing generates a cerebral cortical surface model for each of the first cortical shape and the second cortical shape and downsamples a plurality of vertices contained in the cerebral cortical surface model, Device.
상기 노이즈 제거 절차는 상기 정점 샘플링된 제1 대뇌 피질 형상 및 상기 정점 샘플링된 제2 대뇌 피질 형상을 주파수 도메인으로 변환하고, 상기 주파수 도메인 상에서 고 주파수 대역을 제거하고,
상기 고 주파수 대역은 컷-오프 차원(cut-off dimension)을 기반으로 결정되고,
상기 컷-오프 차원은 컷-오프 차원 결정 계수(G)에 의해 결정되는 것을 특징으로 하는 알츠하이머 병 결정 장치.8. The method of claim 7,
The noise cancellation procedure may include transforming the vertex-sampled first cortex shape and the vertex-sampled second cortex shape into a frequency domain, removing a high frequency band in the frequency domain,
The high frequency band is determined based on a cut-off dimension,
Wherein the cut-off dimension is determined by a cut-off dimension determination coefficient (G).
상기 컷-오프 차원 결정 계수(G)는 아래의 수학식을 기반으로 결정되고,
<수학식>
여기서, cj 는 상기 정상인 그룹 및 상기 알츠하이머 병 환자 그룹을 포함하는 트레이닝 집합에서 j번째 트레이닝 대상의 정점 샘플링된 대뇌 피질 두께 데이터이고, 는 j번째 대상의 k번째 주파수 요소이고, N은 트레이닝 대상의 개수이고, F는 대뇌 피질 두께 데이터를 위한 상기 컷-오프 차원이고, 는 상기 컷-오프 차원을 고려하여 상기 노이즈 제거 절차에 의해 노이즈 필터링된 j번째 대상의 대뇌 피질 두께 데이터이고,
상기 고 주파수 대역의 제거를 위한 상기 컷-오프 차원은 상기 G를 0.025로 설정하여 결정되는 것을 특징으로 하는 알츠하이머 병 결정 장치.9. The method of claim 8,
The cut-off dimension determination coefficient G is determined based on the following equation,
≪ Equation &
Wherein c j is vertex-sampled cerebral cortical thickness data of the jth training subject in the training set including the normal group and the Alzheimer's disease patient group, Is the kth frequency element of the jth object, N is the number of training objects, F is the cut-off dimension for the cerebral cortical thickness data, Is cortical thickness data of the j-th object subjected to noise filtering by the noise removal procedure in consideration of the cut-off dimension,
Wherein the cut-off dimension for removal of the high frequency band is determined by setting the G to 0.025.
PCA(principal component analysis) 변환을 기반으로 상기 제1 특징 벡터 및 상기 제2 특징 벡터의 차원을 감소시키는 단계;
감소된 차원의 상기 제1 특징 벡터 및 감소된 차원의 상기 제2 특징 벡터를 기반으로 새로운 트레이닝 집합을 생성하는 단계; 및
LDA(linear discriminant analysis)를 사용하여 상기 새로운 트레이닝 집합을 기반으로 상기 정상인 그룹과 상기 알츠하이머 병 환자 그룹 간의 분산을 최대로 하고, 상기 정상인 그룹 내의 분산 및 상기 알츠하이머 병 환자 그룹 내의 분산을 최소로 하는 상기 판단 기준을 생성하는 단계를 기반으로 결정되는 것을 특징으로 하는 알츠하이머 병 결정 장치.10. The method of claim 9,
Reducing a dimension of the first feature vector and the second feature vector based on a principal component analysis (PCA) transformation;
Generating a new training set based on the first feature vector of the reduced dimension and the second feature vector of the reduced dimension; And
Using linear discriminant analysis (LDA) to maximize variance between the normal group and the Alzheimer's disease patient group based on the new training set and to minimize variance within the normal group and to minimize variance within the Alzheimer's disease patient group Wherein the determination is based on the step of generating a criterion.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020160182984A KR101944069B1 (en) | 2016-12-29 | 2016-12-29 | Method and apparatus for deciding Alzheimer's disease based on machine learning |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020160182984A KR101944069B1 (en) | 2016-12-29 | 2016-12-29 | Method and apparatus for deciding Alzheimer's disease based on machine learning |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20180078033A KR20180078033A (en) | 2018-07-09 |
KR101944069B1 true KR101944069B1 (en) | 2019-01-30 |
Family
ID=62919598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020160182984A KR101944069B1 (en) | 2016-12-29 | 2016-12-29 | Method and apparatus for deciding Alzheimer's disease based on machine learning |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR101944069B1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021045505A1 (en) * | 2019-09-03 | 2021-03-11 | 고려대학교 산학협력단 | Apparatus for hierarchically diagnosing brain atrophy disease on basis of brain thickness information |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102373988B1 (en) * | 2019-04-25 | 2022-03-15 | 인제대학교 산학협력단 | Alzheimer's disease classification based on multi-feature fusion |
KR102276545B1 (en) * | 2019-09-05 | 2021-07-15 | 고려대학교 산학협력단 | Method and apparatus for cortical neurodegeneration prediction in alzheimer's disease using CT images |
KR102670079B1 (en) * | 2022-04-21 | 2024-05-29 | 고려대학교 산학협력단 | Accurate and fast method and apparatus for quantifying neurodegeneration based on deep learning |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101797501B1 (en) * | 2010-11-10 | 2017-11-16 | 삼성전자주식회사 | Apparatus and method for analyzing brain disease using magnetic resonance imaging and functional magnetic resonance imaging |
KR102486699B1 (en) * | 2014-12-15 | 2023-01-11 | 삼성전자주식회사 | Method and apparatus for recognizing and verifying image, and method and apparatus for learning image recognizing and verifying |
KR101709855B1 (en) * | 2015-05-29 | 2017-02-24 | 조선대학교산학협력단 | Method for providing predictive information of Alzheimer's disease |
-
2016
- 2016-12-29 KR KR1020160182984A patent/KR101944069B1/en active IP Right Grant
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021045505A1 (en) * | 2019-09-03 | 2021-03-11 | 고려대학교 산학협력단 | Apparatus for hierarchically diagnosing brain atrophy disease on basis of brain thickness information |
KR20210028321A (en) * | 2019-09-03 | 2021-03-12 | 고려대학교 산학협력단 | Apparatus for cortical atrophy disease hierarchical diagnosis based on brain thickness information |
KR102328521B1 (en) * | 2019-09-03 | 2021-11-19 | 고려대학교 산학협력단 | Apparatus for cortical atrophy disease hierarchical diagnosis based on brain thickness information |
EP4026482A4 (en) * | 2019-09-03 | 2023-09-27 | Korea University Research and Business Foundation | Apparatus for hierarchically diagnosing brain atrophy disease on basis of brain thickness information |
Also Published As
Publication number | Publication date |
---|---|
KR20180078033A (en) | 2018-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6998959B2 (en) | Systems and methods for iterative classification using neurophysiological signals | |
Bhat et al. | Parkinson's disease: Cause factors, measurable indicators, and early diagnosis | |
KR101944069B1 (en) | Method and apparatus for deciding Alzheimer's disease based on machine learning | |
Ghoraani et al. | Time–frequency matrix feature extraction and classification of environmental audio signals | |
CN106725532B (en) | Depression automatic evaluation system and method based on phonetic feature and machine learning | |
Rodrigues et al. | Lacsogram: A new EEG tool to diagnose Alzheimer's disease | |
CN110353673B (en) | Electroencephalogram channel selection method based on standard mutual information | |
CN108256629A (en) | The unsupervised feature learning method of EEG signal based on convolutional network and own coding | |
CN114093501B (en) | Intelligent auxiliary analysis method for child movement epilepsy based on synchronous video and electroencephalogram | |
CN111091074A (en) | Motor imagery electroencephalogram signal classification method based on optimal region common space mode | |
Hussein et al. | Robust detection of epileptic seizures using deep neural networks | |
Zeppelzauer et al. | Acoustic detection of elephant presence in noisy environments | |
Hammami et al. | Pathological voices detection using support vector machine | |
CN115662576B (en) | Method and system for generating neurofeedback training paradigm of associated cognitive disorder conditions | |
Ijitona et al. | Automatic detection of speech disorder in dysarthria using extended speech feature extraction and neural networks classification | |
Soumaya et al. | Diagnosis of Parkinson disease using the wavelet transform and MFCC and SVM classifier | |
Su et al. | Dynamic feature selection for detecting Parkinson's disease through voice signal | |
CN106940904B (en) | Attendance checking system based on recognition of face and speech recognition | |
Al-Dhief et al. | Dysphonia detection based on voice signals using naive bayes classifier | |
KR20160087740A (en) | Method and apparatus for determining type of movement of object in video | |
US20230172526A1 (en) | Automated assessment of cognitive and speech motor impairment | |
CN112992340A (en) | Disease early warning method, device, equipment and storage medium based on behavior recognition | |
Bhan et al. | Diagnosing Parkinson’s disease in early stages using image enhancement, Roi extraction and deep learning algorithms | |
CN110880008B (en) | Structural feature extraction and classification method based on brain nuclear magnetic image data | |
CN115831352B (en) | Detection method based on dynamic texture features and time slicing weight network |
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 |