KR101957811B1

KR101957811B1 - 의료 영상에 기반하여 피검체의 치매에 대한 중증도를 산출하는 방법 및 이를 이용한 장치

Info

Publication number: KR101957811B1
Application number: KR1020180091902A
Authority: KR
Inventors: 박세진; 정원모; 김원진; 김기웅; 배종빈; 이수빈
Original assignee: 주식회사 뷰노; 서울대학교병원
Priority date: 2018-08-07
Filing date: 2018-08-07
Publication date: 2019-03-13

Abstract

본 발명은 의료 영상에 기반하여 피검체의 치매에 대한 중증도를 산출하는 방법 및 이를 이용한 장치에 관한 것이다. 구체적으로, 본 발명에 따른 방법에 의하면, 컴퓨팅 장치가, 상기 피검체의 뇌 영상을 획득하고, 상기 치매에 관련된 것으로 미리 지정된 다수의 뇌 영역을 상기 뇌 영상으로부터 영역분류(parcellation)하며, 상기 영역분류의 결과 및 상기 피검체의 속성 정보에 기초하여 상기 피검체를 치매 유병 또는 정상으로 분류한 분류 정보를 생성한다.

Description

의료 영상에 기반하여 피검체의 치매에 대한 중증도를 산출하는 방법 및 이를 이용한 장치{METHOD FOR COMPUTING SEVERITY WITH RESPECT TO DEMENTIA OF SUBJECT BASED ON MEDICAL IMAGE AND APPARATUS USING THE SAME}

치매 질환, 예컨대, 알츠하이머병에 의한 치매는 그 중증도의 판정에 관하여, 퇴행성 뇌질환의 원인 중 하나인 뇌위축(brain atrophy) 현상이 관찰되는지 여부를 확인하는 것이 통상적이다. 그런데, 이를 위한 종래의 컴퓨팅 기술들, 예컨대, 종래의 소프트웨어인 NeuroQuant, Freesurfer 등이 있으나, Freesurfer는 환자마다 10시간, NeuroQuant는 환자마다 10분의 처리 시간이 소요되어 그 결과를 신속하게 알기가 매우 어려웠다.

이와 같은 기술들은 통계에 기반하여 나이, 성별, 부피, 수제 특징 정보를 분석하는 데 머물렀기 때문에 정확도가 낮고, 직접 뇌 영상을 활용하는 경우에도 그 영상에 드러나는 수제 특징 정보를 분석하기 위하여 공정합(co-registration) 등과 같은 복잡하고 많은 시간을 소모하는 전처리 및 정규화 작업을 거쳐야 했기 때문에 신속성이 부족했다.

그와 같은 종래의 통계 기반 방법들의 한계를 극복하기 위하여, 본 발명자는, MRI와 같은 3차원 뇌 영상의 영상 특징을 기계학습에 의하여 추출하고, 이를 질환 분류 및 예측에 활용함으로써 단순히 심층신경망을 적용함으로써 얻어질 수 있을 것으로 예상되는 효과를 넘어서는 신속성과 정확도를 제공하여 성능의 개선을 도모하는 방안을 제안하고자 한다.

본 발명은 종래의 통계 기반{예컨대, 나이, 성별, 부피 정보, 수제 특징(handcrafted feature)을 이용한 통계 분석 등}의 질환 예측의 한계를 극복하여 3차원 의료 영상의 영상 특징(형태, 질감, 전역적 위치, 구조적 특징 등)을 기계 학습으로 추출하고 질환 분리 및 예측에 활용하여 치매 진단의 정확도 및 효율을 증진하는 것으로 목적으로 한다.

구체적으로, 본 발명은 기계 학습을 통하여 뇌 영상을 자동으로 분석함으로써, 사람이 미처 보지 못하거나 판별이 어려운 사례에 대한 기계 학습 기반의 진단 보조를 통하여 판정 오류를 감소시키는 등, 의료진의 진단 품질 및 속도를 향상시키는 데 조력하는 것을 목적으로 한다.

상기한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 효과를 실현하기 위한 본 발명의 특징적인 구성은 하기와 같다.

본 발명의 일 태양(aspect)에 따르면, 의료 영상에 기반하여 피검체의 치매에 대한 중증도를 산출하는 방법이 제공되는바, 그 방법은, (a) 컴퓨팅 장치가, 상기 피검체의 뇌 영상을 획득하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 상기 뇌 영상을 획득하도록 지원하는 단계; (b) 상기 컴퓨팅 장치가, 상기 치매에 관련된 것으로 미리 지정된 다수의 뇌 영역을 상기 뇌 영상으로부터 영역분류(parcellation)하거나 상기 타 장치로 하여금 영역분류하도록 지원하는 단계; 및 (c) 상기 컴퓨팅 장치가, 상기 영역분류의 결과 및 상기 피검체의 속성 정보에 기초하여 상기 피검체를 치매 유병 또는 정상으로 분류한 분류 정보를 생성하거나 상기 타 장치로 하여금 생성하도록 지원하는 단계를 포함한다.

본 발명의 다른 태양에 따르면, 본 발명에 따른 방법을 수행하도록 구현된 명령어(instructions)를 포함하는, 기계 판독 가능한 비일시적 기록 매체에 저장된, 컴퓨터 프로그램도 제공된다.

본 발명의 또 다른 태양에 따르면, 의료 영상에 기반하여 피검체의 치매에 대한 중증도를 산출하는 컴퓨팅 장치가 제공되는바, 그 장치는, 상기 피검체의 뇌 영상을 획득하는 통신부; 및 (i) 상기 치매에 관련된 것으로 미리 지정된 다수의 뇌 영역을 상기 뇌 영상으로부터 영역분류(parcellation)하는 프로세스, 및 (ii) 상기 영역분류의 결과 및 상기 피검체의 속성 정보에 기초하여 상기 피검체를 치매 유병 또는 정상으로 분류한 분류 정보를 생성하는 프로세스를 수행하거나 상기 통신부를 통하여 연동되는 타 장치로 하여금 수행하도록 지원하는 프로세서를 포함한다.

본 발명에 의하면, 종래의 통계 기반의 질환 예측의 한계를 극복하여 3차원 의료 영상의 영상 특징을 기계 학습으로 추출하고 질환 분리 및 예측에 활용할 수 있는 효과가 있다.

무엇보다도, 본 발명에 의하면, 기계 학습에 기반하여 공정합(co-registration)과 같은 정규화 작업을 생략하고 단대단(end-to-end) 연산을 수행할 수 있어, NeuroQuant, Freesurfer와 같은 종래의 프로그램에 비하여 현저히 고속으로 뇌 영역을 영역분류할 수 있는 효과가 있다.

결과적으로 본 발명에 따르면, 오랜 경험을 보유한 의료진에 필적하는 수준의 신속 정확한 진단 능력을 확보할 수 있어 오진 발생 가능성을 낮출 수 있는 효과가 있다.

본 발명은, 다양한 형식(modality)의 3차원 영상들에 적용될 수 있으며, 특히 종래에 병원에서 이용하고 있는 초음파 영상, CT 영상, MRI 영상 등의 시스템에도 그대로 활용될 수 있는바, 본 발명의 방법이 특정 형식의 영상이나 플랫폼에 종속되지 않음은 물론이다.

본 발명의 실시 예의 설명에 이용되기 위하여 첨부된 아래 도면들은 본 발명의 실시 예들 중 단지 일부일 뿐이며, 본 발명이 속한 기술분야에서 통상의 지식을 가진 사람(이하 "통상의 기술자"라 함)에게 있어서는 발명적 작업이 이루어짐 없이 이 도면들에 기초하여 다른 도면들이 얻어질 수 있다.
도 1은 본 발명에 따라 의료 영상에 기반하여 피검체의 치매에 대한 중증도를 산출하는 방법(이하 "치매 중증도 산출 방법"이라 함)을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.
도 2a는 본 발명의 치매 중증도 산출 방법을 수행하는 컴퓨팅 장치의 하드웨어 또는 소프트웨어 구성요소를 도시한 예시적 블록도이고, 도 2b는 본 발명의 치매 중증도 산출 방법에 이용될 수 있는 기계 학습 모델을 훈련하여 적용하는 과정을 개략적으로 도시한 모식도이다.
도 3은 본 발명의 치매 중증도 산출 방법을 예시적으로 나타낸 흐름도이다.
도 4는 본 발명의 치매 중증도 산출 방법에서 영역분류에 이용될 수 있는 제1 심층 신경망 모델의 일 예시를 도시한 개념도이다.
도 5는 본 발명의 치매 중증도 산출 방법에서 피검체를 치매 유병 또는 정상으로 분류하는 데 이용될 수 있는 제2 심층 신경망 모델의 일 예시를 도시한 개념도이다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명의 목적들, 기술적 해법들 및 장점들을 분명하게 하기 위하여 본 발명이 실시될 수 있는 특정 실시 예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시 예는 통상의 기술자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다.

본 발명의 상세한 설명 및 청구항들에 걸쳐 이용된 "영상" 또는 "영상 데이터"라는 용어는 이산적 영상 요소들(예컨대, 2차원 영상에 있어서는 픽셀)로 구성된 다차원 데이터를 지칭하며, 달리 말하자면, (예컨대, 비디오 화면에 표시된) 눈으로 볼 수 있는 대상 또는 (예컨대, CT, MRI 검출기 등의 픽셀 출력에 대응되는 파일과 같은) 그 대상의 디지털 표현물을 지칭하는 용어이다.

예를 들어 "이미지" 또는 "영상"은 전산화 단층 촬영(CT; computed tomography), 자기 공명 영상(MRI; magnetic resonance imaging), 초음파 또는 본 발명의 기술분야에서 공지된 임의의 다른 의료 영상 시스템의 의하여 수집된 피검체(subject)의 의료 영상일 수 있다. 영상이 반드시 의료적 맥락에서 제공되어야 하는 것은 아니고 비의료적 맥락에서 제공될 수도 있는바, 예를 들어 보안 검색용 X선 촬영 등이 있을 수 있다.

설명의 편의를 위하여 제시된 도면에서는 MRI 영상 데이터가 예시적 영상 형식(modality)인 것으로 도시되었다. 그러나 통상의 기술자는 본 발명의 다양한 실시 예에서 이용되는 영상 형식들이 CT, PET(positron emission tomography), PET-CT, SPECT, SPECT-CT, MR-PET, 3D 초음파 영상 등의 3차원 영상을 포함하나 이와 같이 예시적으로 열거된 형식에 한정되지 않는다는 점을 이해할 수 있을 것이다.

본 발명의 상세한 설명 및 청구항들에 걸쳐 'DICOM(Digital Imaging and Communications in Medicine; 의료용 디지털 영상 및 통신)' 표준은 의료용 기기에서 디지털 영상 표현과 통신에 이용되는 여러 가지 표준을 총칭하는 용어인바, DICOM 표준은 미국 방사선 의학회(ACR)와 미국 전기 공업회(NEMA)에서 구성한 연합 위원회에서 발표한다.

또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐 '의료영상 저장 전송 시스템(PACS; Picture Archiving and Communication System)'은 DICOM 표준에 맞게 저장, 가공, 전송하는 시스템을 지칭하는 용어이며, X선, CT, MRI와 같은 디지털 의료영상 장비를 이용하여 획득된 의료영상 이미지는 DICOM 형식으로 저장되고 네트워크를 통하여 병원 내외의 단말로 전송이 가능하며, 이에는 판독 결과 및 진료 기록이 추가될 수 있다.

그리고 본 발명의 상세한 설명 및 청구항들에 걸쳐 '학습' 혹은 '러닝'은 절차에 따른 컴퓨팅(computing)을 통하여 기계 학습(machine learning)을 수행함을 일컫는 용어인바, 인간의 교육 활동과 같은 정신적 작용을 지칭하도록 의도된 것이 아니며, 훈련(training)은 기계 학습에 관하여 일반적으로 받아들여지는 의미로 쓰인 것이다.

또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐, '포함하다'라는 단어 및 그 변형은 다른 기술적 특징들, 부가물들, 구성요소들 또는 단계들을 제외하는 것으로 의도된 것이 아니다. 또한, '하나' 또는 '한'은 하나 이상의 의미로 쓰인 것이며, '또 다른'은 적어도 두 번째 이상으로 한정된다.

통상의 기술자에게 본 발명의 다른 목적들, 장점들 및 특성들이 일부는 본 설명서로부터, 그리고 일부는 본 발명의 실시로부터 드러날 것이다. 아래의 예시 및 도면은 실례로서 제공되며, 본 발명을 한정하는 것으로 의도된 것이 아니다. 따라서, 특정 구조나 기능에 관하여 본 명세서에 개시된 상세 사항들은 한정하는 의미로 해석되어서는 아니되고, 단지 통상의 기술자가 실질적으로 적합한 임의의 상세 구조들로써 본 발명을 다양하게 실시하도록 지침을 제공하는 대표적인 기초 자료로 해석되어야 할 것이다.

더욱이 본 발명은 본 명세서에 표시된 실시 예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시 예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시 예에 관련하여 본 발명의 사상 및 범위를 벗어나지 않으면서 다른 실시 예로 구현될 수 있다. 또한, 각각의 개시된 실시 예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 사상 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 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.

본 명세서에서 달리 표시되거나 분명히 문맥에 모순되지 않는 한, 단수로 지칭된 항목은, 그 문맥에서 달리 요구되지 않는 한, 복수의 것을 아우른다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

이하, 통상의 기술자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시 예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.

도 1은 본 발명에 따른 치매 중증도 산출 방법을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.

도 1을 참조하면, 본 발명의 일 실시 예에 따른 컴퓨팅 장치(100)는, 통신부(110) 및 프로세서(120)를 포함하며, 상기 통신부(110)를 통하여 외부 컴퓨팅 장치(미도시)와 직간접적으로 통신할 수 있다.

구체적으로, 상기 컴퓨팅 장치(100)는, 전형적인 컴퓨터 하드웨어(예컨대, 컴퓨터 프로세서, 메모리, 스토리지, 입력 장치 및 출력 장치, 기타 기존의 컴퓨팅 장치의 구성요소들을 포함할 수 있는 장치; 라우터, 스위치 등과 같은 전자 통신 장치; 네트워크 부착 스토리지(NAS; network-attached storage) 및 스토리지 영역 네트워크(SAN; storage area network)와 같은 전자 정보 스토리지 시스템)와 컴퓨터 소프트웨어(즉, 컴퓨팅 장치로 하여금 특정의 방식으로 기능하게 하는 명령어들)의 조합을 이용하여 원하는 시스템 성능을 달성하는 것일 수 있다.

이와 같은 컴퓨팅 장치의 통신부(110)는 연동되는 타 컴퓨팅 장치와 요청과 응답을 송수신할 수 있는바, 일 예시로서 그러한 요청과 응답은 동일한 TCP(transmission control protocol) 세션(session)에 의하여 이루어질 수 있지만, 이에 한정되지는 않는바, 예컨대 UDP(user datagram protocol) 데이터그램(datagram)으로서 송수신될 수도 있을 것이다. 덧붙여, 넓은 의미에서 상기 통신부(110)는 명령어 또는 지시 등을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치, 프린터, 디스플레이, 기타 외부 출력장치를 포함할 수 있다.

또한, 컴퓨팅 장치의 프로세서(120)는 MPU(micro processing unit), CPU(central processing unit), GPU(graphics processing unit), NPU(neural processing unit) 또는 TPU(tensor processing unit), 캐시 메모리(cache memory), 데이터 버스(data bus) 등의 하드웨어 구성을 포함할 수 있다. 또한, 운영체제, 특정 목적을 수행하는 애플리케이션의 소프트웨어 구성을 더 포함할 수도 있다.

도 2a는 본 발명의 치매 중증도 산출 방법을 수행하는 컴퓨팅 장치의 하드웨어 또는 소프트웨어 구성요소를 도시한 예시적 블록도이고, 도 2b는 본 발명의 치매 중증도 산출 방법에 이용될 수 있는 기계 학습 모델을 훈련하여 적용하는 과정을 개략적으로 도시한 모식도이다.

먼저, 도 2a를 참조하여 본 발명에 따른 방법 및 장치의 구성을 간략히 개관하면, 컴퓨팅 장치(100)는 그 구성요소로서 영상 획득 모듈(210)을 포함할 수 있다. 이 영상 획득 모듈(210)은 본 발명에 따른 방법이 적용되는 뇌 영상의 데이터를 획득하도록 구성되는바, 도 2a에 도시된 개별 모듈들은, 예컨대, 컴퓨팅 장치(100)에 포함된 통신부(110)나 프로세서(120), 또는 상기 통신부(110) 및 프로세서(120)의 연동에 의하여 구현될 수 있음은 통상의 기술자가 이해할 수 있을 것이다.

뇌 영상은, 예를 들어, 통신부(110)를 통하여 연동되는 촬영 기기 또는 의료영상 저장 전송 시스템(PACS)과 같은 외부 영상 저장 시스템으로부터 획득되는 것일 수 있으나 이에 한정되지는 않는다. 예를 들어, 뇌 영상(1)은 (의료) 영상 촬영 기기에 의하여 촬영된 영상이 DICOM 표준에 따라 PACS에 전송된 후 컴퓨팅 장치(100)의 영상 획득 모듈(210)에 의하여 획득된 것일 수 있다. 바람직하게는 뇌 영상이 3차원 영상일 수 있다. 예를 들어 뇌 영상이 MRI 영상일 수 있다.

다음으로, 그 획득된 뇌 영상(1)은 심층신경망 모듈(220; 222, 224)에 전달될 수 있는데, 구체적으로 심층신경망 모듈(220)은 제1 심층신경망 모듈(222) 및 제2 심층신경망 모듈(224)을 포함하는 것으로 구성될 수 있다. 제1 심층신경망 모듈(222)은, 치매, 예를 들어 알츠하이머병에 의한 치매에 관련된 것으로 미리 지정된 다수의 뇌 영역을 뇌 영상(1)으로부터 영역분류(parcellation)하도록 구성된다.

영역분류가 완료되면, 제2 심층신경망 모듈(224)은 그 영역분류의 결과 및 피검체의 속성 정보에 기초하여 피검체를 치매 유병 또는 정상으로 분류하도록 구성된다.

그러면, 출력 모듈(230)은 그 분류의 정보를 외부 엔티티(external entity)에 제공할 수 있다. 여기에서 외부 엔티티라고 함은, 본 발명에 따른 방법을 수행하는 컴퓨팅 장치(100)의 사용자, 관리자, 상기 피검체를 담당하는 담당 의료 전문가 등을 포함하나, 이 이외에도 뇌 영상의 정보, 치매 유병 여부의 정보를 필요로 하는 주체라면 어느 주체라도 포함되는 것으로 이해되어야 할 것이다. 외부 엔티티가 인간인 때에는 상기 출력 모듈(230)은 소정의 출력 장치, 예컨대 디스플레이에 표시된 사용자 인터페이스를 통하여 분류 정보를 외부 엔티티에 제공할 수 있다.

다음으로, 도 2b를 참조하면, 본 발명의 일 실시 예에 따른 컴퓨팅 장치("인식 시스템"으로 도시됨)의 심층신경망 모듈(220)에서 이용되는 심층신경망 모델(220b)은, 뇌 영상 및 뇌 영상의 각 영역을 레이블링한 데이터를 훈련용 데이터로 하여 심층신경망 모델(220a)을 훈련시키는 별도의 학습 시스템으로부터 전달 혹은 배포된 것일 수 있다. 환언하면, 본 발명의 일 실시예에 따른 컴퓨팅 장치에서 이용되는 심층신경망 모델(220b)은 별도의 학습 시스템에 의하여 미리 훈련된 것(220a)일 수 있다.

도 2a 및 도 2b를 참조하여 개략적으로 설명된 각각의 구성요소들의 구체적인 기능 및 효과에 관하여는 도 3 내지 도 5를 참조하여 상세히 후술하기로 한다. 도 2a에 나타난 구성요소들은 설명의 편의상 하나의 컴퓨팅 장치에서 실현되는 것으로 예시되었으나, 본 발명의 방법을 수행하는 컴퓨팅 장치(100)는 복수개의 장치들이 서로 연동된 것으로 구성될 수도 있다는 점이 이해될 것이다.

도 3은 본 발명의 치매 중증도 산출 방법을 예시적으로 나타낸 흐름도이다.

도 3을 참조하면, 본 발명에 따른 치매 중증도 산출 방법은, 우선, 컴퓨팅 장치(100)에 의하여 구현되는 영상 획득 모듈(210)이, 피검체의 뇌 영상(1)을 획득하거나 컴퓨팅 장치(100)의 통신부(110)를 통하여 연동되는 타 장치로 하여금 뇌 영상(1)을 획득하도록 지원하는 단계(S100)를 포함한다. 본 발명이 도면들에 예시(illustration)적으로 첨부된 MRI 영상의 형식(modality)에 한정되지 않고 일반적으로 다양한 영상 형식에 대하여 적용될 수 있다는 점이 이해될 것이다.

다음으로, 본 발명에 따른 치매 중증도 산출 방법은, 컴퓨팅 장치(100)에 의하여 구현되는 제1 심층신경망 모듈이, 상기 치매에 관련된 것으로 미리 지정된 다수의 뇌 영역을 상기 뇌 영상으로부터 영역분류(parcellation)하거나 상기 타 장치로 하여금 영역분류하도록 지원하는 단계(S200)를 더 포함한다. 여기에서, 미리 지정된 다수의 뇌 영역은 4 이상 130 이하 개수의 뇌 영역일 수 있다.

구체적으로, 단계(S200)에서, 상기 영역분류는 제1 심층신경망 모델에 의하여 수행될 수 있고, 그 제1 심층신경망 모델은, (i) 다수의 치매 환자의 뇌 영상; 및 (ii) 다수의 인지적 정상(cognitively normal; CN)인 사람의 뇌 영상 및 다수의 경도성인지장애(mild cognitive impairment; MCI)인 사람의 뇌 영상 중 적어도 1가지 이상을 이용하여 훈련될 것일 수 있다. 여기에서 가능한 3가지 조합은 (i) 치매, 인지적 정상, 경도성인지장애의 데이터 세트, (ii) 치매, 인지적 정상의 데이터 세트, 또는 (iii) 치매, 경도성인지장애의 데이터 세트이다. 훈련을 위한 데이터 세트에 치매, 인지적 정상, 경도성인지장애 외에 다양한 클래스(class)가 추가될 수도 있음은 물론이다.

도 4는 본 발명의 치매 중증도 산출 방법에서 영역분류에 이용될 수 있는 제1 심층 신경망 모델의 일 예시를 도시한 개념도이다.

도 4를 참조하면, 영역분류를 위한 제1 심층 신경망 모델은 입력 부피 영상(input volumes)으로부터 복셀-수준 분할 결과(voxel-level segmentations)를 산출하기 위한 다수의 블록들로 이루어지는데, 그 블록 각각 내에는 다수의 층들이 포함된다.

심층 신경망은 다층의 인공 신경망으로 이루어진 구조에서 다량의 데이터를 학습시킴으로써 각각의 영상의 특징을 자동으로 학습하고, 이를 통해 목적 함수, 즉 분류 정확도의 에러(error)를 최소화시키는 방식으로 학습을 진행하는 기계 학습 모델이며, 점, 선, 면 등의 저수준의 특징에서부터 복잡하고 의미 있는 고수준의 특징까지 다양한 수준의 특징을 추출하고 분류할 수 있어 각광받고 있다.

본 발명의 일 실시 예에 따른 제1 심층 신경망 모델에 포함된 블록들(Block A, Block B, Block C, Block D 및 Residual)은 아래 표 1과 같을 수 있다. Layer #는 순번을, input는 각각의 블록에 입력되는 값의 순번을 지칭한다.

layer	Layer #	input
Block A	1	0
Block A	2	1
Block A	3	2
Block A	4	3
Residual	5	2+4
Block B	6	5
Block B	7	6
Block B	8	7
Block B	9	8
Block B	10	9
Block B	11	10
Residual	12	5+11
Block C	13	12
Block C	14	13
Block C	15	14
Block C	16	15
Block C	17	16
Block C	18	17
Residual	19	12+18
Block D	20	19
Block D	21	20
Block D	22	21
Block D	23	22
Block D	24	23
Block D	25	24

그리고 그 블록들 각각에 포함된 층들은 아래 표 2 내지 표 5와 같을 수 있다.

Layer	Layer #	input
Conv	1	0
Relu	2	1
Bn	3	2
Conv	4	3
Relu	5	4
Bn	6	5
Residual	7	0+6

layer	Layer #	input
Atrous conv (rate 2)	1	0
relu	2	1
bn	3	2
Atrous conv (rate 2)	4	3
relu	5	4
bn	6	5
residual	7	0+6

layer	Layer #	input
Atrous conv (rate 4)	1	0
relu	2	1
bn	3	2
Atrous conv (rate 4)	4	3
relu	5	4
bn	6	5
residual	7	0+6

Block D

layer	Layer #	input
Atrous conv (rate 8)	1	0
relu	2	1
bn	3	2
Atrous conv (rate 8)	4	3
relu	5	4
bn	6	5
residual	7	0+6

이와 같이 구성된 제1 심층신경망 모델은 입력된 뇌 영상의 형태, 질감, 전역적 위치 및 구조적 특징을 포함하는 영상 특징을 추출함으로써 영역분류가 수행될 수 있다. 다만, 통상의 기술자는 표 1 및 표 2에 예시된 구조 외에 본 발명이 달성하고자 하는 효과를 발휘하는 다양한 변형례를 상정할 수 있을 것이다.본 발명에 따른 제1 심층신경망 모델을 이용할 때의 장점은, 종래의 픽셀 기반 영상 처리 기법에서, 공정합(co-registration)이 현재 10분 내외의 분단위의 처리 시간을 소비하고, 정교한 영역분할 알고리즘이 (예컨대, Freesurfer의 경우) 시단위의 처리 시간을 소비하는 등 막대한 연산량을 소비함 없이 곧바로 단대단(end-to-end)로 수행될 수 있어, 적게는 수십 분에서 많게는 수 시간에 걸리던 치매 중증도 산출이 1분 정도의 비교적 짧은 시간 안에 수행될 수 있을 정도로 신속해졌다는 점이다.

다음으로, 본 발명에 따른 치매 중증도 산출 방법은, 컴퓨팅 장치(100)에 의하여 구현되는 제2 심층신경망 모듈(224)이, 상기 영역분류의 결과 및 상기 피검체의 속성 정보에 기초하여 상기 피검체를 치매 유병 또는 정상으로 분류한 분류 정보를 생성하거나 상기 타 장치로 하여금 생성하도록 지원하는 단계(S300)를 더 포함한다. 여기에서 속성 정보는 나이, 성별, 타 질환 유병 중 적어도 하나에 관한 정보를 포함할 수 있다.

바람직하게는, 단계(S300)에서, 상기 치매 유병의 위험도가 상기 분류 정보와 함께 산출될 수 있다.

도 5는 본 발명의 치매 중증도 산출 방법에서 피검체를 치매 유병 또는 정상으로 분류하는 데 이용될 수 있는 제2 심층 신경망 모델의 일 예시를 도시한 개념도이다.

유리하게, 단계(S300)는, 상기 영역분류의 결과인 상기 뇌 영상의 뇌 영역 간의 상호 연결 상태를 판정하도록 훈련된 제2 심층 신경망 모델에 의하여 수행될 수 있다. 예를 들어, 이 제2 심층 신경망 모델은 그래프 합성곱 신경망(graph convolutional network; GCN)일 수 있다.

도 5를 참조하면, 제2 심층 신경망 모델의 입력층(input layer)의 값으로부터 출력층(output layer)의 값이 산출되는데, 그 사이에 개재된 은닉층들(hidden layers)에서의 활성(hidden layer activation)은 뇌 영역 간의 상호 연결 상태에 따라 은닉층에서의 특징값들이 어떠한 분포를 띠고 있는지가 예시되어 있다. 이러한 모델의 장점은, 앞선 영역분류의 결과인 상기 뇌 영상(1)의 뇌 영역 각각의 상호 연결성, 결합 작용 상태, 부피 분포(volume distribution) 등이 치매 유병의 분류에 반영될 수 있다는 점이다.

분류 정보가 생성되면, 궁극적으로(ultimately), 본 발명에 따른 치매 중증도 산출 방법은, 컴퓨팅 장치(100)에 의하여 구현되는 출력 모듈(230)이, 상기 분류 정보를 외부 엔티티에 제공하거나 상기 타 장치로 하여금 제공하도록 지원하는 단계(S400; 미도시)를 더 포함할 수 있다.

지금까지 설명된 바와 같이 본 발명은 그 모든 실시 예 및 변형례에 걸쳐, 치매, 특히 알츠하이머병에 대한 진단의 신속성과 정확도를 향상시킬 수 있는 효과가 있다.

위 실시 예의 설명에 기초하여 해당 기술분야의 통상의 기술자는, 본 발명의 방법 및/또는 프로세스들, 그리고 그 단계들이 하드웨어, 소프트웨어 또는 특정 용례에 적합한 하드웨어 및 소프트웨어의 임의의 조합으로 실현될 수 있다는 점을 명확하게 이해할 수 있다. 상기 하드웨어는 범용 컴퓨터 및/또는 전용 컴퓨팅 장치 또는 특정 컴퓨팅 장치 또는 특정 컴퓨팅 장치의 특별한 모습 또는 구성요소를 포함할 수 있다. 상기 프로세스들은 내부 및/또는 외부 메모리를 가지는, 하나 이상의 마이크로프로세서, 마이크로컨트롤러, 임베디드 마이크로컨트롤러, 프로그래머블 디지털 신호 프로세서 또는 기타 프로그래머블 장치에 의하여 실현될 수 있다. 게다가, 혹은 대안으로서, 상기 프로세스들은 주문형 집적회로(application specific integrated circuit; ASIC), 프로그래머블 게이트 어레이(programmable gate array), 프로그래머블 어레이 로직(Programmable Array Logic; PAL) 또는 전자 신호들을 처리하기 위해 구성될 수 있는 임의의 다른 장치 또는 장치들의 조합으로 실시될 수 있다. 더욱이 본 발명의 기술적 해법의 대상물 또는 선행 기술들에 기여하는 부분들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 기계 판독 가능한 기록 매체에 기록될 수 있다. 상기 기계 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 기계 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다. 기계 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD, Blu-ray와 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. 프로그램 명령어의 예에는, 전술한 장치들 중 어느 하나뿐만 아니라 프로세서, 프로세서 아키텍처 또는 상이한 하드웨어 및 소프트웨어의 조합들의 이종 조합, 또는 다른 어떤 프로그램 명령어들을 실행할 수 있는 기계 상에서 실행되기 위하여 저장 및 컴파일 또는 인터프리트될 수 있는, C와 같은 구조적 프로그래밍 언어, C++ 같은 객체지향적 프로그래밍 언어 또는 고급 또는 저급 프로그래밍 언어(어셈블리어, 하드웨어 기술 언어들 및 데이터베이스 프로그래밍 언어 및 기술들)를 사용하여 만들어질 수 있는바, 기계어 코드, 바이트코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 이에 포함된다.

따라서 본 발명에 따른 일 태양에서는, 앞서 설명된 방법 및 그 조합들이 하나 이상의 컴퓨팅 장치들에 의하여 수행될 때, 그 방법 및 방법의 조합들이 각 단계들을 수행하는 실행 가능한 코드로서 실시될 수 있다. 다른 일 태양에서는, 상기 방법은 상기 단계들을 수행하는 시스템들로서 실시될 수 있고, 방법들은 장치들에 걸쳐 여러 가지 방법으로 분산되거나 모든 기능들이 하나의 전용, 독립형 장치 또는 다른 하드웨어에 통합될 수 있다. 또 다른 일 태양에서는, 위에서 설명한 프로세스들과 연관된 단계들을 수행하는 수단들은 앞서 설명한 임의의 하드웨어 및/또는 소프트웨어를 포함할 수 있다. 그러한 모든 순차 결합 및 조합들은 본 개시서의 범위 내에 속하도록 의도된 것이다.

예를 들어, 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다. 상기 하드웨어 장치는, 프로그램 명령어를 저장하기 위한 ROM/RAM 등과 같은 메모리와 결합되고 상기 메모리에 저장된 명령어들을 실행하도록 구성되는 MPU, CPU, GPU, TPU와 같은 프로세서를 포함할 수 있으며, 외부 장치와 신호를 주고받을 수 있는 통신부를 포함할 수 있다. 덧붙여, 상기 하드웨어 장치는 개발자들에 의하여 작성된 명령어들을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치를 포함할 수 있다.

이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시 예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시 예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 사람이라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.

따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.

그와 같이 균등하게 또는 등가적으로 변형된 것에는, 예컨대 본 발명에 따른 방법을 실시한 것과 동일한 결과를 낼 수 있는, 논리적으로 동치(logically equivalent)인 방법이 포함될 것인바, 본 발명의 진의 및 범위는 전술한 예시들에 의하여 제한되어서는 아니되며, 법률에 의하여 허용 가능한 가장 넓은 의미로 이해되어야 한다.

Claims

의료 영상에 기반하여 피검체의 치매에 대한 중증도를 산출하는 방법에 있어서,
(a) 컴퓨팅 장치의 통신부에 의하여 구현되는 영상 획득 모듈이, 상기 피검체의 뇌 영상을 획득하거나 상기 컴퓨팅 장치의 통신부를 통하여 연동되는 타 장치로 하여금 상기 뇌 영상을 획득하도록 지원하는 단계;
(b) 상기 컴퓨팅 장치의 프로세서에 의하여 구현되는 심층 신경망 모듈이, 제1 심층 신경망 모델을 통하여 상기 치매에 관련된 것으로 미리 지정된 다수의 뇌 영역을 상기 뇌 영상으로부터 영역분류(parcellation)하거나 상기 타 장치로 하여금 영역분류하도록 지원하는 단계로서, 상기 다수의 뇌 영역은 4 이상 130 이하 개수의 뇌 영역이고, 상기 영역분류는 공정합(co-registration) 없이 단대단(end-to-end)으로 수행되는, 단계; 및
(c) 상기 컴퓨팅 장치의 프로세서에 의하여 구현되는 상기 심층 신경망 모듈이, 제2 심층 신경망 모델을 통하여 상기 영역분류의 결과 및 상기 피검체의 속성 정보에 기초하여 상기 피검체를 치매 유병 또는 정상으로 분류한 분류 정보를 생성하거나 상기 타 장치로 하여금 생성하도록 지원하는 단계로서, 상기 분류 정보는 상기 치매 유병의 위험도를 포함하는, 단계;
를 포함하되,
상기 제2 심층 신경망 모델은,
상기 영역분류의 결과인 상기 뇌 영상의 뇌 영역 간의 상호 연결 상태를 판정하도록 훈련된 것을 특징으로 하는 치매 중증도 산출 방법.
제1항에 있어서,
상기 제1 심층 신경망 모델은,
(i) 다수의 치매 환자의 뇌 영상; 및
(ii) 다수의 인지적 정상(cognitively normal; CN)인 사람의 뇌 영상 및 다수의 경도성인지장애(mild cognitive impairment; MCI)인 사람의 뇌 영상 중 적어도 1가지 이상
을 이용하여 훈련된 것임을 특징으로 하는 치매 중증도 산출 방법.
제2항에 있어서,
상기 제1 심층 신경망 모델은 입력되는 뇌 영상의 형태, 질감, 전역적 위치 및 구조적 특징을 포함하는 영상 특징을 추출함으로써 상기 영역분류가 수행되는 것을 특징으로 하는 치매 중증도 산출 방법.
삭제
삭제
제1항에 있어서,
상기 (c) 단계는,
상기 영역분류의 결과인 상기 뇌 영상의 뇌 영역 각각에 대한 부피 분포(volume distribution)가 반영되는 것을 특징으로 하는 치매 중증도 산출 방법.
제1항에 있어서,
(d) 상기 컴퓨팅 장치의 통신부에 의하여 구현되는 출력 모듈이, 상기 분류 정보를 외부 엔티티에 제공하거나 상기 타 장치로 하여금 제공하도록 지원하는 단계
를 더 포함하는 치매 중증도 산출 방법.
컴퓨팅 장치로 하여금, 제1항 내지 제3항, 제6항 및 제7항 중 어느 한 항의 방법을 수행하도록 구현된 명령어(instructions)를 포함하는, 기계 판독 가능한 비일시적 기록 매체에 저장된, 컴퓨터 프로그램.
의료 영상에 기반하여 피검체의 치매에 대한 중증도를 산출하는 컴퓨팅 장치에 있어서,
상기 피검체의 뇌 영상을 획득하는 통신부; 및
(i) 제1 심층 신경망 모델을 통하여, 상기 치매에 관련된 것으로 미리 지정된 다수의 뇌 영역을 상기 뇌 영상으로부터 영역분류(parcellation)하는 프로세스로서, 상기 다수의 뇌 영역은 4 이상 130 이하 개수의 뇌 영역이고, 상기 영역분류는 공정합(co-registration) 없이 단대단(end-to-end)으로 수행되는, 프로세스, 및 (ii) 제2 심층 신경망 모델을 통하여, 상기 영역분류의 결과 및 상기 피검체의 속성 정보에 기초하여 상기 피검체를 치매 유병 또는 정상으로 분류한 분류 정보를 생성하는 프로세스로서, 상기 분류 정보는 상기 치매 유병의 위험도를 포함하는, 프로세스를 수행하거나 상기 통신부를 통하여 연동되는 타 장치로 하여금 수행하도록 지원하는 프로세서
를 포함하되,
상기 제2 심층 신경망 모델은,
상기 영역분류의 결과인 상기 뇌 영상의 뇌 영역 간의 상호 연결 상태를 판정하도록 훈련된 것을 특징으로 하는 치매 중증도 산출 장치.