KR102015223B1

KR102015223B1 - 3차원 자기공명영상과 다평면 혈관투영영상을 활용한 뇌질환 진단 방법 및 장치

Info

Publication number: KR102015223B1
Application number: KR1020180096370A
Authority: KR
Inventors: 김원태; 강신욱; 이명재; 김동민; 장진성
Original assignee: (주)제이엘케이인스펙션
Priority date: 2018-08-17
Filing date: 2018-08-17
Publication date: 2019-10-21

Abstract

본 발명은 3차원 자기공명영상과 혈관투영영상을 활용한 뇌질환 진단 방법에 관한 것이다. 뇌질환 진단 방법은, 영상획득부가 환자의 뇌를 촬영한 3차원 자기공명영상(MRI)과 혈관투영영상(MRA)를 획득하는 단계와, 뇌질환 병변추출부가 상기 혈관투영영상(MRA)로부터 뇌질환 병변 영역 및 병변 정보를 추출하는 단계와, 영상 맵핑부가 추출된 상기 병변 정보에 기초하여 상기 3차원 자기공명영상(MRI)에 맵핑하는 단계와, 분류부가 맵핑된 영역을 로컬라이제이션(localization)하고 질병을 분류하는 단계를 포함한다.

Description

3차원 자기공명영상과 다평면 혈관투영영상을 활용한 뇌질환 진단 방법 및 장치{METHOD AND APPARATUS FOR DIAGNOSING BRAIN DISEASES USING 3D MAGNETIC RESONANCE IMAGING AND 2D MAGNETIC RESONANCE ANGIOGRAPHY}

본 발명은 3차원 자기공명영상과 다평면 혈관투영영상을 활용한 뇌질환 진단 방법 및 장치에 관한 것으로, 특히 다평면 혈관투영영상으로부터 병변을 추출하고 3차원 자기공명영상에 맵핑하여 뇌질환을 진단하는 방법 및 장치에 관한 것이다.

컴퓨터를 이용하여 의료영상을 분석하고 진단하는 연구가 활발하게 진행되고 있으며, 특히 딥러닝을 기반으로 하는 인공지능 기술의 혁신적인 발전으로 의료영상을 통해 진단하는 기술이 발전하고 있다.

딥러닝 기반의 의료영상 분석은 영상을 분류(classification)하는 것을 시작으로 객체의 검출(Detection), 객체 경계의 추출(Segmentation), 서로 다른 영상의 정합(Registration)이 의료 영상 분석에서 중요한 이슈들이며, 영상을 입력으로 하기 때문에 영상에서 특징을 추출하는데 특화된 컨볼루션 신경망(Convolution neural networks; CNN)이 가장 많이 활용되고 있다.

등록특허 제10-1141312호(자기공명영상을 이용한 삼차원 영상 복원 장치 및 방법)는 의료 영상 융합에 대한 기술로, 영상 융합을 하는 구성이 유사할 수 있으나, 원본 혈관 영상과 가버 필터가 적용된 혈관 영상으로부터 에지를 검출한 후 신경회로망을 이용하여 혈관영상과 에지 영상을 융합하여 혈관영상의 품질을 향상시키는 기술을 개시하고 있어 차별점이 있다.

본 발명은 상술한 바와 같은 문제점을 해결하기 위하여 안출된 것으로, 인공지능 기반의 컨볼루션 신경망(CNN)과 분류기를 이용하여 다평면 혈관투영영상으로부터 뇌질환 병변을 추출하고, 추출된 병변 정보를 3차원 자기공명영상에 맵핑하여 신속하게 뇌질환을 진단하는 방법 및 장치를 제공함에 있다.

본 발명에 따른 3차원 자기공명영상과 다평면 혈관투영영상을 활용한 뇌질환 진단 방법은 영상획득부가 환자의 뇌를 촬영한 3차원 자기공명영상(MRI)과 혈관투영영상(MRA)를 획득하는 단계와, 뇌질환 병변추출부가 상기 다평면 혈관투영영상(MRA)로부터 뇌질환 병변 영역 및 병변 정보를 추출하는 단계와, 영상 맵핑부가 추출된 상기 병변 정보에 기초하여 상기 3차원 자기공명영상(MRI)에 맵핑하는 단계와, 분류부가 맵핑된 영역을 로컬라이제이션(localization)하고 질병을 분류하는 단계를 포함한다.

3차원 자기공명영상과 다평면 혈관투영영상을 활용한 뇌질환 진단 장치는 환자의 뇌를 촬영한 3차원 자기공명영상(MRI)과 다평면 혈관투영영상(MRA)를 획득하는 영상획득부와, 상기 혈관투영영상(MRA)로부터 뇌질환 병변 영역 및 병변 정보를 추출하는 뇌질환 병변추출부와, 상기 병변 정보에 기초하여 상기 3차원 자기공명영상(MRI)에 맵핑하는 영상 맵핑부와, 맵핑된 영역을 로컬라이제이션(localization)하고 질병을 분류하는 분류부를 포함한다.

본 발명은 다평면 2차원 혈관투영영상으로부터 신속하게 병변을 추출하고, 3차원 자기공명영상에 맵핑하여 병변 확률이 높은 위치에서 3차원 병변 정보를 추출하여 보다 신속하게 병변 정보를 추출할 수 있다. 또한, 뇌동맥류뿐 아니라 뇌경색 또한 동시에 진단할 수 있다.

나아가 본 발명은 2차원 영상과 3차원 영상을 맵핑한 의료 영상 데이터를 딥러닝 학습에 사용할 수 있다.

도 1은 본 발명의 실시예에 따른 뇌질환 진단 장치의 구성도이다.
도 2는 본 발명의 실시예에 따른 뇌질환 진단 방법의 흐름도이다.
도 3은 본 발명의 실시예에 따른 혈관투영영상으로부터 뇌질환 영역을 추출하는 방법을 개략적으로 도시한 도면이다.
도 4는 본 발명의 실시예에 따른 추출한 뇌 병변으로부터 획득한 병변 정보를 3차원 자기공명영상에 맵핑하는 방법을 개략적으로 도시한 도면이다.
도 5는 본 발명의 실시예에 따른 맵핑된 3차원 자기공명영상 위치를 기반으로 분류기를 이용하여 질병을 분류하는 방법을 개략적으로 도시한 도면이다.

본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시 예들에 대해서 특정한 구조적 또는 기능적 설명은 단지 본 발명의 개념에 따른 실시 예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시 예들은 다양한 형태들로 실시될 수 있으며 본 명세서에 설명된 실시 예들에 한정되지 않는다.

본 발명의 개념에 따른 실시 예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시 예들을 도면에 예시하고 본 명세서에서 상세하게 설명하고자 한다. 그러나 이는 본 발명의 개념에 따른 실시 예들을 특정한 개시 형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 또는 대체물을 포함한다.

본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로서, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 본 명세서에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

이하, 본 명세서에 첨부된 도면들을 참조하여 본 발명의 실시 예들을 상세히 설명한다.

도 1은 본 발명의 실시예에 따른 뇌질환 진단 장치의 구성도이다.

도 1을 참조하면, 뇌질환 진단 잔치(100)는 영상획득부(110), 뇌질환 병변 추출부(120), 영상 맵핑부(130), 분류부(140), 진단부(150), 제어부(160), 저장부(170), 출력부(180), 학습부(190)로 구성된다.

영상획득부(110)는 환자의 뇌를 촬영한 3차원 자기공명영상(magnetic resonance images, MRI)과 다평면 혈관투영영상(magnetic resonance angiography, MRA)를 획득할 수 있다. 혈관투영영상은 자기공명 혈관조영술에 의한 영상을 포함한다. 이때, 상기 다평면 혈관투영영상은 환자의 뇌 혈관을 촬영한 혈관투영영상을 정면, 배면, 좌면, 우면, 평면, 저면의 6 방향에서 프로젝션한 2차원 영상들이다. 상기 자기공명영상은 핵자기 공명 원리를 이용하여 획득된 대상체에 대한 3차원 영상을 의미한다.

뇌질환 병변추출부(120)는 상기 다평면 혈관투영영상(MRA)로부터 뇌질환 병변 영역 및 병변 정보를 추출할 수 있다. 상기 병변 정보는 병변 위치, 병변 크기, 병변 부피, 뇌출혈 유무 중 적어도 하나일 수 있다. 뇌질환 병변추출부(120)는 환자의 다평면 혈관투영영상(MRA)로부터 2차원 합성곱 신경망(Convolutional Neural Network; CNN), 3차원 합성곱 신경망, 가상 3차원 합성곱 신경망 중 어느 하나를 이용하여 뇌질환 병변을 추출할 수 있다. 구체적으로 상기 뇌질환 병변추출부(120)는 CNN, pooling, deconvolution, skip connection 로 구성된 딥러닝 구조를 통해 병변 영역 및 병변 정보를 추출할 수 있다.

영상 맵핑부(130)가 추출된 상기 병변 영역에 기초하여 상기 병변 정보를 상기 3차원 자기공명영상(MRI)에 맵핑할 수 있다. 구체적으로, 6-방향에서 프로젝션한 다평면 혈관투영영상으로부터 추출된 병변 크기, 병변 위치, 병변 부피를 포함하는 병변 정보에 기초하여 3차원 자기공명영상(MRI)에 병변 영역을 맵핑할 수 있다. 6-방향에 대해 한정하는 것은 아니며 병변 영역은 대략적인 확률맵으로 가시화할 수 있다.

분류부(140)가 맵핑된 영역을 로컬라이제이션(localization)하고, 분류부(140)는 해당 영역의 구조만 다시 FCN(fully connectivity network) 기법을 이용하여 영상에서 국소적인 특징을 추출할 수 있다. 이를 통해 최종 질병을 분류할 수 있다.

진단부(150)는 상기 병변 정보 중 병변 크기에 기초하여 수술 여부를 사용자에게 제안할 수 있다. 제어부(160)는 저장부(170)에 저장되는 소프트웨어 모듈이나 프로그램을 수행하여 진단 방법을 구현할 수 있고, 뇌질환 진단 장치의 각 구성을 제어할 수 있다.

저장부(170)는 진단 방법을 구현하기 위한 소프트웨어 모듈을 저장할 수 있다. 저장부(170)는 환자의 영상이 갱신될 때마다 추출된 상기 병변 정보를 저장하여 시간별로 추적이 가능할 수 있다.

출력부(180)는 진단부(140)에서 제안한 내용을 사용자에게 제공하도록 디스플레이할 수 있다. 또한, 병변 정보에 기초하여 병변 영역을 사용자에게 디스플레이할 수 있다. 즉, 병변 정보에 기초하여 3차원 자기공명영상(MRI)에 병변 영역을 맵핑하여 디스플레이할 수 있다.

학습부(190)는 복수개의 혈관투영영상으로부터 뇌질환 병변을 미리 딥러닝(Deep learning) 학습할 수 있다. 학습부(190)는 뇌질환 병변추출부(120)와 동일한 딥러닝 구조로서, CNN과 병변 정보 합을 위한 pooling 구조, upsampling을 위한 deconvolution 구조, 학습을 원할하게 하기 위한 skip connection 구조로 구성될 수 있다. 즉, 학습과 병변 추출이 동일한 딥러닝 구조를 활용할 수 있다.

도 2는 본 발명의 실시예에 따른 뇌질환 진단 방법의 흐름도이다.

도 2를 참조하면, 본 발명의 뇌질환 진단 방법은 영상획득부가 환자의 뇌를 촬영한 3차원 자기공명영상(MRI)과 다평면 혈관투영영상(MRA)를 획득한다(S210). 상기 다평면 혈관투영영상은 환자의 뇌 혈관을 촬영한 혈관투영영상을 정면, 배면, 좌면, 우면, 평면, 저면의 6 방향에서 프로젝션한 2차원 영상들이다.

뇌질환 병변추출부가 상기 혈관투영영상(MRA)로부터 뇌질환 병변 영역 및 병변 정보를 추출한다(S220). 상기 병변 정보는 병변 위치, 병변 크기, 병변 부피, 뇌출혈 유무 중 적어도 하나일 수 있다.

영상 맵핑부가 추출된 상기 병변 정보에 기초하여 상기 3차원 자기공명영상(MRI)에 맵핑한다(S230). 6-방향에서 프로젝션한 다평면 혈관투영영상으로부터 추출된 병변 크기, 병변 위치, 병변 부피를 포함하는 병변 정보에 기초하여 3차원 자기공명영상(MRI)에 병변 영역을 맵핑할 수 있다.

분류부가 맵핑된 영역을 로컬라이제이션(localization)하고 질병을 분류한다(S240). 분류부(140)는 로컬라이제이션한 해당 영역의 구조만 다시 FCN(fully connectivity network) 기법을 이용하여 국소적인 특징을 추출할 수 있으며, 이를 통해 최종 질병을 분류할 수 있다.

도 3은 본 발명의 실시예에 따른 혈관투영영상으로부터 뇌질환 영역을 추출하는 방법을 개략적으로 도시한 도면이다.

도 3을 참조하면, 뇌질환 병변추출부(120)는 혈관투영영상(310)으로부터 딥러닝 구조(320)를 활용하여 병변을 추출하여 추출된 병변 영역(330)을 추출할 수 있다. 딥러닝 구조(320)는 CNN(Convolutional Neural Network)와 병변 정보 합을 위한 pooling 구조, upsampling을 위한 deconvolution 구조, 추출을 원활하게 하기 위한 skip connection 구조로 구성된다.

일례로, 뇌질환 병변추출부(120)는 딥러닝 구조(320)를 통해 학습된 뇌혈관 질환의 병변에 기초하여 6개 이상의 2차원 투영영상들 각각의 병변 후보에 대한 학습에 기초하여 병변의 크기, 위치 및 부피를 포함한 병변 정보를 추출할 수 있다.

여기서, 딥러닝 구조(deep learning architecture)는 6개 이상의 투영영상들 각각의 병변, 병변영역 또는 병변후보에 대하여 합성곱 신경망(convolutional neural network, CNN), 디컨볼루션(deconvolution), 스킵 컨넥션(skip connection) 등을 사용하여 학습하도록 구현될 수 있다.

예를 들면, 딥러닝 아키텍처는 컨볼루션 네트워크와 디컨볼루션 네트워크 및 숏컷(shortcut)을 포함한 형태를 구비할 수 있다. 즉, 딥러닝 아키텍처는, 분석 대상 영상인 3차원 MR(magnetic resonance) TOF(time-of-flight)의 국소적인 특징을 추출하기 위하여, 3X3 크기의 컬러 컨볼루션 레이어(convolution layer)와 액티베이션 레이어(ReLU)를 쌓고 2X2 크기의 필터를 스트라이드(stride) 1로 적용하여 다음 하위 깊이 레벨로 연결되는 컨볼루션 블록의 연산을 4회 반복하여 수행하고, 그 다음에 2X2 크기의 디컨볼루션 레이어(deconvolution layer)와 액티베이션 레이어(ReLU)를 적용하여 다음 상위 깊이 레벨로 연결된 후 3X3 크기의 컬러 컨볼루션 레이어와 액티베이션 레이어를 쌓는 역컨볼루션 블록의 연산을 4회 반복하여 수행하며, 여기서 각 레벨의 컨볼루션 블록의 연산을 포함한 컨볼루션 네트워크의 각 레벨의 컨볼루션 블록의 이미지에 동일 레벨의 역컨볼루션 네트워크의 대응 레벨의 컨볼루션 결과를 갖다 붙이고(copy and contatenate) 각 블록에서 컨볼루션 연산을 각각 수행하도록 이루어질 수 있다.

컨볼루션 네트워크와 디컨볼루션 네트워크 내 컨볼루션 블록은 conv-ReLU-conv 레이어들의 조합으로 구현될 수 있다. 그리고, 딥러닝 아키텍처의 출력은 컨볼루션 네트워크이나 디컨볼루션 네트워크에 연결되는 분류기를 통해 얻어질 수 있으나, 이에 한정되지는 않는다. 분류기는 FCN(fully connectivity network) 기법을 이용하여 영상에서 국소적인 특징을 추출하는데 이용될 수 있다.

또한, 딥러닝 아키텍처는 구현에 따라서 컨볼루션 볼록 내에 인셉션 모듈(inseption module) 또는 멀티 필터 경로(multi filter pathway)를 추가로 사용하도록 구현될 수 있다. 인셉션 모듈 또는 멀티 필터 경로 내 서로 다른 필터는 1×1 필터를 포함할 수 있다.

참고로, 딥러닝 아키텍처에서 입력(input) 이미지가 가로 32, 세로 32, 그리고 RGB 채널을 가지는 경우, 입력 이미지(X)의 크기는 [32x32x3]일 수 있다. 딥러닝 아키텍처의 CNN(convloultional neural network)에서 콘볼루션(convolutional, CONV) 레이어는 입력 이미지의 일부 영역과 연결되며, 이 연결된 영역과 자신의 가중치의 내적 연산(dot product)을 계산할 수 있다.

ReLU(rectified linear unit) 레이어는 max(0,x)와 같이 각 요소에 적용되는 액티베이션 함수(activation function)이다. ReLU 레이어는 볼륨의 크기를 변화시키지 않는다.

POOLING 레이어는 (가로, 세로) 차원에 대해 다운샘플링(downsampling) 또는 서브샘블링(subsampling)을 수행하여 감소된 볼륨을 출력할 수 있다.

그리고, 전연결(fully-connected, FC) 레이어는 클래스 점수들을 계산해 예컨대 [1x1x10]의 크기를 갖는 볼륨을 출력할 수 있다. 이 경우, 10개 숫자들은 10개 카테고리에 대한 클래스 점수에 해당한다. 전연결 레이어는 이전 볼륨의 모든 요소와 연결된다.

여기서, 어떤 레이어는 모수(parameter)를 갖지만 어떤 레이어는 모수를 갖지 않을 수 있다. CONV/FC 레이어들은 액티베이션 함수로서 단순히 입력 볼륨만이 아니라 가중치(weight)와 바이어스(bias)를 포함할 수 있다. 한편, ReLU/POOLING 레이어들은 고정된 함수로서, CONV/FC 레이어의 모수들은 각 이미지에 대한 클래스 점수가 해당 이미지의 레이블과 같아지도록 그라디언트 디센트(gradient descent)로 학습될 수 있다.

도 4는 본 발명의 실시예에 따른 추출한 뇌 병변으로부터 획득한 병변 정보를 3차원 자기공명영상에 맵핑하는 방법을 개략적으로 도시한 도면이다.

도 4를 참조하면, 분류부(140)는 추출한 뇌 병변(410)으로부터 병변 정보(420)를 분류할 수 있다.

분류부(140)는 FCN(fully connectivity network) 기법을 이용하여 영상에서 국소적인 특징을 추출할 수 있다.

또한, 분류부(140)는 상기 병변 정보에 기초하여 수술 여부를 확률값으로 제시할 수 있다. 도 4에 도시된 병변정보(420)는 병변 위치(location), 병변 크기(size), 병변 부피(volume), 뇌출혈(stroke) 유무 중 어느 하나로 분류될 수 있다.

영상맵핑부(130)는 병변 위치에 기초하여 추출된 병변 정보를 3차원 자기공명 영상(430)에 맵핑할 수 있다.

도 5는 본 발명의 실시예에 따른 맵핑된 3차원 자기공명 위치를 기반으로 분류기를 이용하여 질병을 분류하는 방법을 개략적으로 도시한 도면이다.

도 5를 참조하면, 추출된 병변 정보가 맵핑된 3차원 자기공명영상(510)에 맵핑된 영역을 로컬라이제이션(localization, 520)한다. 분류부(140)는 해당 영역의 구조만 다시 FCN(fully connectivity network) 기법을 이용하여 국소적인 특징을 추출할 수 있으며, 이를 통해 최종적으로 뇌 질환(540)을 분류할 수 있다.

본 발명은 도면에 도시된 실시 예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 청구범위의 기술적 사상에 의해 정해져야 할 것이다.

100; 뇌질환 진단 장치 110; 영상획득부
120; 뇌질환 병변 추출부 130; 영상맵핑부
140; 분류부 150; 진단부
160; 제어부 170; 저장부
180; 출력부 190; 학습부

Claims

3차원 자기공명영상과 다평면 혈관투영영상을 활용한 뇌질환 진단 방법에 있어서,
(a) 영상획득부가 환자의 뇌를 촬영한 3차원 자기공명영상(MRI)과 환자의 뇌 혈관을 적어도 6 방향 이상에서 프로젝션한 2차원 영상인 다평면 혈관투영영상(MRA)를 획득하는 단계;
(b) 뇌질환 병변추출부가 머신러닝이나 인공지능을 통해 학습된 뇌질환의 병변 후보에 기초하여 상기 다평면 혈관투영영상(MRA)으로부터 병변의 크기, 위치 및 부피를 포함하는 병변 영역 및 병변 정보를 추출하는 단계;
(c) 영상 맵핑부가 상기 다평면 혈관투영영상으로부터 추출된 병변 영역에 기초하여 병변 또는 병변 영역을 상기 3차원 자기공명영상(MRI)에 맵핑하는 단계;
(d) 출력부가 상기 병변 영역이 맵핑된 3차원 자기공명영상(MRI)을 디스플레이하는 단계; 및
(e) 분류부가 맵핑된 병변 영역을 로컬라이제이션(localization)하고 상기 로컬라이제이션한 해당 병변 영역의 구조를 인공지능을 통해 국소적인 특징을 추출하여 최종 질병으로 분류하는 단계를 포함하는 3차원 자기공명영상과 다평면 혈관투영영상을 활용한 뇌질환 진단 방법.
제1항에 있어서,
상기 다평면 혈관투영영상은 환자의 뇌 혈관을 정면, 배면, 좌면, 우면, 평면, 저면의 6 방향에서 프로젝션한 2차원 영상인 3차원 자기공명영상과 다평면 혈관투영영상을 활용한 뇌질환 진단 방법.
제1항에 있어서,
상기 뇌질환 병변추출부는 CNN, pooling, deconvolution, skip connection 중 적어도 하나를 이용하여 병변 영역 및 병변 정보를 추출하는 3차원 자기공명영상과 다평면 혈관투영영상을 활용한 뇌질환 진단 방법.
제1항에 있어서,
상기 분류부는 FCN(fully connectivity network) 기법을 이용하여 영상에서 국소적인 특징을 추출하는 3차원 자기공명영상과 다평면 혈관투영영상을 활용한 뇌질환 진단 방법.
제1항에 있어서,
상기 병변 정보는 병변 위치, 병변 크기, 병변 부피, 뇌출혈 유무 중 적어도 하나를 포함하고, 상기 병변 영역은 적어도 6 방향 이상에서 프로젝션된 영역이거나 확률맵으로 가시화한 영역인, 3차원 자기공명영상과 다평면 혈관투영영상을 활용한 뇌질환 진단 방법.
제4항에 있어서,
상기 분류부는 상기 병변 정보에 기초하여 수술 여부를 확률값으로 제시하는 3차원 자기공명영상과 다평면 혈관투영영상을 활용한 뇌질환 진단 방법.
제1항에 있어서,
환자의 영상이 갱신될 때마다 추출된 상기 병변 정보를 저장하여 시간별로 추적이 가능한 저장부를 더 포함하는 3차원 자기공명영상과 다평면 혈관투영영상을 활용한 뇌질환 진단 방법.
3차원 자기공명영상과 다평면 혈관투영영상을 활용한 뇌질환 진단 장치에 있어서,
환자의 뇌를 촬영한 3차원 자기공명영상(MRI)과 환자의 뇌 혈관을 적어도 6 방향 이상에서 프로젝션한 2차원 영상인 다평면 혈관투영영상(MRA)를 획득하는 영상획득부;
상기 영상획득부에 연결되어 머신러닝이나 인공지능을 통해 학습된 뇌질환의 병변 후보에 기초하여 상기 다평면 혈관투영영상(MRA)으로부터 병변의 크기, 위치 및 부피를 포함하는 병변 영역 및 병변 정보를 추출하는 뇌질환 병변추출부;
상기 다평면 혈관투영영상으로부터 추출된 병변 정보에 기초하여 병변 또는 병변 영역을 상기 3차원 자기공명영상(MRI)에 맵핑하는 영상 맵핑부;
상기 병변 영역이 맵핑된 3차원 자기공명영상(MRI)을 디스플레이하는 출력부; 및
맵핑된 병변 영역을 로컬라이제이션(localization)하고 상기 로컬라이제이션한 해당 병변 영역의 구조를 인공지능을 통해 국조적인 특징을 추출하여 최종 질병으로 분류하는 분류부;를 포함하는 3차원 자기공명영상과 다평면 혈관투영영상을 활용한 뇌질환 진단 장치.
제8항에 있어서,
상기 다평면 혈관투영영상은 환자의 뇌 혈관을 정면, 배면, 좌면, 우면, 평면, 저면의 6 방향에서 프로젝션한 2차원 영상인 3차원 자기공명영상과 다평면 혈관투영영상을 활용한 뇌질환 진단 장치.
제8항에 있어서,
상기 뇌질환 병변추출부는 CNN, pooling, deconvolution, skip connection 중 적어도 하나를 이용하여 병변 영역 및 병변 정보를 추출하는 3차원 자기공명영상과 다평면 혈관투영영상을 활용한 뇌질환 진단 장치.
제8항에 있어서,
상기 분류부는 FCN(fully connectivity network) 기법을 이용하여 영상에서 국소적인 특징을 추출하는 3차원 자기공명영상과 다평면 혈관투영영상을 활용한 뇌질환 진단 장치.
제8항에 있어서,
상기 병변 정보는 병변 위치, 병변 크기, 병변 부피, 뇌출혈 유무 중 적어도 하나를 포함하고, 상기 병변 영역은 적어도 6 방향 이상에서 프로젝션된 영역이거나 확률맵으로 가시화한 영역인, 3차원 자기공명영상과 다평면 혈관투영영상을 활용한 뇌질환 진단 장치.