KR102056987B1 - 머신러닝 기반의 관류 영상에서 동맥유입함수 및 정맥유출함수 영역 선정 방법 및 시스템 - Google Patents

머신러닝 기반의 관류 영상에서 동맥유입함수 및 정맥유출함수 영역 선정 방법 및 시스템 Download PDF

Info

Publication number
KR102056987B1
KR102056987B1 KR1020180138190A KR20180138190A KR102056987B1 KR 102056987 B1 KR102056987 B1 KR 102056987B1 KR 1020180138190 A KR1020180138190 A KR 1020180138190A KR 20180138190 A KR20180138190 A KR 20180138190A KR 102056987 B1 KR102056987 B1 KR 102056987B1
Authority
KR
South Korea
Prior art keywords
function
aif
vof
perfusion
venous outflow
Prior art date
Application number
KR1020180138190A
Other languages
English (en)
Other versions
KR102056987B9 (ko
Inventor
김원태
강신욱
이명재
김동민
장진성
박종혁
Original Assignee
(주)제이엘케이인스펙션
사회복지법인 삼성생명공익재단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)제이엘케이인스펙션, 사회복지법인 삼성생명공익재단 filed Critical (주)제이엘케이인스펙션
Priority to KR1020180138190A priority Critical patent/KR102056987B1/ko
Application granted granted Critical
Publication of KR102056987B1 publication Critical patent/KR102056987B1/ko
Publication of KR102056987B9 publication Critical patent/KR102056987B9/ko

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/026—Measuring blood flow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06T5/002—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Pulmonology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Hematology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Vascular Medicine (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)

Abstract

머신러닝 기반 관류 영상의 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역 선정 방법 및 시스템이 개시된다. 상기의 방법은 영상획득부가 관류(Perfusion)영상을 획득하는 단계와, 노이즈제거부가 획득한 관류영상에서 뼈 또는 비이상적인 신호를 포함하는 복셀(Voxel)을 제거하는 단계와, 영역분류부가 기계학습을 이용하여 클러스터를 분류하는 단계와, AIF/VOF선정부가 인공지능 학습 알고리즘을 통해 상기 클러스터 중에서 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역의 위치를 선정하는 단계를 포함한다.

Description

머신러닝 기반의 관류 영상에서 동맥유입함수 및 정맥유출함수 영역 선정 방법 및 시스템{METHOD AND SYSTEM FOR SELECTING ARTERIAL INPUT FUNCTION AND VENOUS OUTPUT FUNCTION AREA FROM PERFUSION IMAGE BASED ON MACHINE LEARNING}
본 발명은 관류 영상에서 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역을 자동으로 선정하는 방법 및 시스템에 관한 것으로, 특히 지역정보를 반영한 머신러닝으로 관류영상을 분류하고, 인공지능 신경망을 통해 자동으로 동맥유입함수(AIF) 및 정맥유입함수(VOF) 영역을 선정하는 방법 및 시스템에 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.
한편, 관류영상을 분석하는 종래특허로 등록특허 제10-1744424호(MRA 영상을 이용하여 관류 특성 확인용 추가 영상을 얻기 위한 방법 및 시스템)가 있으나, 관류영상에서 자동으로 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역을 선정하는 기술에 대한 내용이 개시되어 있지 않다.
본 발명은 상술한 바와 같은 문제점을 해결하기 위하여 안출된 것으로, 지역정보를 반영한 머신러닝으로 관류영상을 분류하고, 인공지능 신경망을 이용하여 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역을 자동으로 선정하는 방법 및 시스템을 제공하는데 있다.
본 발명에 따른 머신러닝 기반의 관류 영상에서 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역의 위치를 자동으로 선정하는 방법은 영상획득부가 관류(Perfusion)영상을 획득하는 단계와, 노이즈제거부가 획득한 관류영상에서 뼈 또는 비이상적인 신호를 포함하는 복셀(Voxel)을 제거하는 단계와, 영역분류부가 지역정보가 반영된 기계학습을 이용하여 클러스터를 분류하는 단계와, AIF/VOF선정부가 인공지능 학습 알고리즘을 통해 상기 클러스터 중에서 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역의 위치를 선정하는 단계를 포함한다.
본 발명에 따른 머신러닝 기반의 관류 영상에서 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역의 위치를 자동으로 선정하는 시스템은, 입력된 관류(Perfusion)영상에서 뼈 또는 비이상적인 신호를 포함하는 복셀(Voxel)을 제거하는 노이즈제거부와, 상기 노이즈제거부로부터 노이즈가 제거된 영상을 수신하여 지역정보가 반영된 기계학습을 통해 클러스터를 분류하는 영역분류부와, 인공지능 학습 알고리즘을 통해 분류된 클러스터 중에서 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역의 위치를 선정하는 AIF/VOF영역선정부를 포함한다.
본 발명은 지역정보가 반영된 기계학습 알고리즘을 사용하여 환자의 뇌 관류 영상에서 자동으로 동맥유입함수(AIF)와 정맥유출함수(VOF)의 영역을 선정할 수 있다. 또한, 본 발명은 환자의 뇌 내 지역의 신호적, 지역적 분류방법을 제공할 수 있다.
도 1은 본 발명의 실시예에 따른 관류 영상의 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역 선정 시스템의 구성도이다.
도 2는 본 발명의 실시예에 따른 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역 선정 시스템의 데이터처리부의 구성도이다.
도 3은 본 발명의 실시예에 따른 관류 영상의 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역 선정 방법을 설명하는 순서도이다.
도 4는 본 발명의 실시예에 따른 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역 선정 방법을 설명하는 예시도이다.
도 5는 본 발명의 실시예에 따른 지역정보 유무에 따른 동맥유입함수 형태를 비교하는 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 관류 영상의 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역 선정 시스템의 구성도이다.
도 1을 참조하면, 도 1을 참조하면, 본 실시예에 따른 관류 영상의 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역 선정 시스템은 제어부(2), 저장부(4), 영상획득부(6), 표시부(8), 데이터처리부(10)로 구성된다. 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역 선정 시스템은 지역정보과 결합된 머신러닝을 통해 관류(Perfusion) 영상에서 동맥유입함수(Arterial Input Function; AIF)와 정맥유출함수(Venous Output Function; VOF) 영역을 자동으로 선정할 수 있다.
동맥유입함수(AIF)는 자기공명영상(MRI) 또는 컴퓨터 단층 촬영(CT)의 관류 영상에서 환자의 동맥 혈류속도나 조영제 도달 속도를 계산하기 위한 변수이고, 정맥유출함수(VOF)는 자기공명영상(MRI) 또는 컴퓨터 단층 촬영(CT)의 관류 영상에서 환자의 정맥 혈류속도나 조영제 도달 속도를 계산하기 위한 변수이다.
제어부(2)는 저장부(4)에 저장되는 프로그램이나 소프트웨어 모듈을 수행하여 동맥유입함수(AIF)와 정맥유출함수(VOF) 영역을 자동으로 선정하는 방법을 구현하며, 시스템의 각 구성요소를 제어할 수 있다.
저장부(4)는 동맥유입함수(AIF)와 정맥유출함수(VOF) 영역을 자동으로 선정하는 방법을 구현하기 위한 프로그램이나 소프트웨어 모듈을 저장할 수 있다. 저장부(4)는 외부 장치로부터 전송된 관류 영상을 저장할 수 있다. 또한, 저장부(4)는 관류영상에서 뼈 또는 비이상적인 신호를 포함하는 복셀을 제거한 영상을 저장할 수 있고, 분류된 클러스터를 나타낸 영상을 저장할 수 있다.
또한, 저장부(4)는 딥러닝이나 인공지능을 위한 프로그램이나 소프트웨어 모듈을 저장할 수 있다. 딥러닝이나 인공지능은 정확도를 높이기 위한 아키텍처를 구비할 수 있다. 일례로, 딥러닝이나 인공지능 아키텍처는 CNN(convolutional neural network)과 풀링(pooling) 구조, 업샘플링(upsampling)을 위한 디컨볼루션(deconvolution) 구조, 학습 효율 향상을 위한 스킵 커넥션(skip connection) 구조 등을 이용하여 구현될 수 있다.
영상획득부(6)는 외부 장치로부터 관류영상을 획득할 수 있다. 영상획득부(6)는 MRI(magnetic resonance images) 장치, MRA 장치, CT장치 등에 연결되어 환자를 촬영한 3차원 영상을 획득할 수 있다. 한편, 이하의 설명에서는 의료영상 데이터로서 CT 영상을 중심으로 설명하나, 이에 한정하는 것은 아니다.
표시부(8)는 저장부(4)에 저장된 데이터 정보, 영상획득부(6)에서 획득한 영상 정보, 데이터처리부(10)에서 처리하는 노이즈 처리 결과, 영역 분류 결과, 동맥유입함수(AIF)와 정맥유출함수(VOF) 영역 선정 결과를 시각적, 청각적 또는 이들의 혼합 방식으로 출력하도록 이루어질 수 있다. 표시부(8)는 디스플레이 장치를 포함할 수 있다.
데이터처리부(10)는 관류(Perfusion)영상을 획득하고, 획득한 관류영상에서 뼈 또는 비이상적인 신호를 포함하는 복셀(Voxel)을 제거할 수 있다.
데이터처리부(10)는 지역정보를 추가한 기계학습을 이용하여 클러스터를 분류하고, 인공지능 학습 알고리즘을 통해 상기 클러스터 중에서 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역을 자동으로 선정할 수 있다.
도 2는 본 발명의 실시예에 따른 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역 선정 시스템의 데이터처리부의 구성도이다.
도 2를 참조하면, 데이터처리부(10)는 노이즈 제거부(100), 영역분류부(200), AIF/VOF영역선정부(300)로 구성된다.
노이즈제거부(100)는 입력된 관류(Perfusion)영상에서 뼈 또는 비이상적인 신호를 포함하는 복셀(Voxel)을 제거할 수 있다. 노이즈제거부(100)는 상기 관류 영상에서 가우시안 필터링(Gaussian Filtering)을 통해 외부 잡음에 해당하는 노이즈를 제거하고, 신호를 분석하여 뼈에 해당하는 부분의 노이즈를 제거할 수 있다.
영역분류부(200)는 노이즈제거부로부터 노이즈가 제거된 영상을 수신하여 지역정보가 반영된 기계학습을 통해 각각의 복셀들을 분류할 수 있다. 영역분류부(200)는 지역정보를 반영한 K-평균 클러스터링 알고리즘을 통해 분류할 수 있으나 이에 대해 한정하는 것은 아니다. 영역분류부(200)는 아래 수학식 1에 따라 분류할 수 있다.
Figure 112018112063084-pat00001
수학식 1에서, SN(t)는 클러스터내의 대표하는 관류 신호, SV(t)는 복셀에서 관류 신호, x와 y는 관류 영상에서 위치, p,t는 상수값, N은 클러스터 집합, V는 복셀이다.
AIF/VOF영역선정부(300)는 인공지능 학습 알고리즘을 통해 분류된 클러스터 중에서 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역의 위치를 선정할 수 있다. AIF/VOF영역선정부(300)는 합성곱 신경망(Convolutional Neural Network)을 이용하여 상기 클러스터중에서 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역의 위치를 결정할 수 있다. AIF/VOF영역선정부(300)는 분류된 클러스터 중에서 가장 동맥유입함수(AIF) 및 정맥유출함수(VOF)를 잘 나타낼 수 있는 지역을 선정할 수 있다.
도 3은 본 발명의 실시예에 따른 관류 영상의 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역 선정 방법을 설명하는 순서도이다.
도 3을 참조하면, 관류 영상의 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역 선정 방법은 먼저 영상획득부가 환자의 관류(Perfusion)영상을 획득한다(S310).
이후에 노이즈제거부는 획득한 관류영상에서 뼈 또는 비이상적인 신호를 포함하는 복셀(Voxel)을 제거한다(S320). 이때, 노이즈제거부는 상기 관류 영상에서 가우시안 필터링(Gaussian Filtering)을 통해 노이즈를 제거하고, 신호를 분석하여 뼈에 해당하는 부분의 노이즈를 제거할 수 있다.
이후에, 영역분류부가 기계학습을 이용하여 클러스터를 분류한다(S330). 이때, 지역정보(local information)를 추가한 K-평균 클러스터링(K-means clustering)을 통해 분류할 수 있다. 구체적으로, 아래 수학식 2에 따라 분류할 수 있다.
Figure 112018112063084-pat00002
수학식 2에서, SN(t)는 클러스터내의 대표하는 관류 신호, SV(t)는 복셀에서 관류 신호, x와 y는 관류 영상에서 위치, p,t는 상수값, N은 클러스터 집합, V는 복셀이다.
이후에, AIF/VOF선정부가 인공지능 학습 알고리즘을 통해 상기 클러스터 중에서 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역의 위치를 선정한다(S340). 상기 인공지능 학습 알고리즘은 합성곱 신경망(Convolutional Neural Network)을 이용하여 상기 클러스터중에서 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역의 위치를 선정할 수 있으나 이에 대해 한정하는 것은 아니다.
도 4는 본 발명의 실시예에 따른 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역 선정 방법을 설명하는 예시도이다.
도 4(a)는 노이즈제거부가 CT영상의 뼈 또는 비이상적인 신호를 제거하기 전의 관류영상이고, 도 4(b)는 CT영상의 뼈 또는 비이상적인 신호를 제거한 후의 관류영상이다. 노이즈제거부는 관류 영상에서 가우시안 필터링(Gaussian Filtering)을 통해 기기 및 외부 잡음을 제거하고, 신호를 분석하여 신호의 특이성을 판단하여 뼈에 해당하는 부분을 제거할 수 있다.
도 4(c)는 영역분류부가 지역정보가 반영된 K-평균 클러스터링 기계학습을 이용하여 복셀을 분류한 동맥유입함수(AIF)를 나타낸 영상이고, 도 4(d)는 분류된 클러스터를 도시한 영상이다. AIF/VOF영역선정부(300)는 분류된 클러스터 중에서 가장 동맥유입함수(AIF) 및 정맥유출함수(VOF)를 나타낼 수 있는 지역을 선정할 수 있다.
도 5는 본 발명의 실시예에 따른 지역정보 유무에 따른 동맥유입함수 형태를 비교하는 도면이다.
도 5(a) 내지 도 5(c)를 참조하면, 도5(a)는 지역정보가 없는 K-평균 클러스터링 기계학습을 통한 동맥유입함수(AIF)를 나타내는 그래프이고, 도 5(b)는 지역정보가 있는 K-평균 클러스터링 기계학습을 통한 동맥유입함수(AIF)를 나타내는 그래프이다. 도 5(c)를 참조하면, 지역정보가 있는 K-평균 클러스터링 기계학습 결과 워시아웃(wash-out)이 좀 더 가파르게 발생하는 것을 알 수 있으며, 이는 동맥유입함수(AIF) 특성 중 하나로써 지역정보가 있는 경우 분류된 신호가 좀 더 동맥유입함수(AIF) 특성에 가깝게 나타났다고 볼 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 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.
2; 제어부 4; 저장부
6; 영상획득부 8; 표시부
10; 데이터처리부 100; 노이즈제거부
200; 영역분류부 300; AIF/VOF 영역선정부

Claims (10)

  1. 머신러닝 기반의 관류 영상에서 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역을 선정하는 방법에 있어서,
    (a) 영상획득부가 관류(Perfusion)영상을 획득하는 단계;
    (b) 노이즈제거부가 획득한 관류영상에서 뼈 또는 비이상적인 신호를 포함하는 복셀(Voxel)을 제거하는 단계;
    (c) 영역분류부가 기계학습을 이용하여 클러스터를 분류하는 단계; 및
    (d) AIF/VOF선정부가 인공지능 학습 알고리즘을 통해 상기 클러스터 중에서 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역의 위치를 선정하는 단계;
    를 포함하고,
    상기 (c) 단계는, 수학식 1에 따라 지역정보를 추가한 K-평균 클러스터링을 통해 분류하며,
    [수학식 1]
    Figure 112019081003815-pat00010

    상기 수학식 1에서, SN(t)는 클러스터내의 대표하는 관류 신호, SV(t)는 복셀에서 관류 신호, x와 y는 관류 영상에서 위치, p,t는 상수값, N은 클러스터 집합, V는 복셀인 것을 특징으로 하는 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역 선정 방법.
  2. 제1항에 있어서,
    상기 (b) 단계에서,
    상기 관류 영상에서 가우시안 필터링(Gaussian Filtering)을 통해 노이즈를 제거하고, 신호를 분석하여 뼈에 해당하는 노이즈를 제거하는 것을 특징으로 하는 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역 선정 방법.
  3. 삭제
  4. 삭제
  5. 제1항에 있어서,
    상기 (d) 단계는, 합성곱 신경망(Convolutional Neural Network)을 이용하여 상기 클러스터중에서 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역의 위치를 결정하는 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역 선정 방법.
  6. 머신러닝 기반의 관류 영상에서 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역을 자동으로 선정하는 시스템에 있어서,
    입력된 관류(Perfusion)영상에서 뼈 또는 비이상적인 신호를 포함하는 복셀(Voxel)을 제거하는 노이즈제거부;
    상기 노이즈제거부로부터 노이즈가 제거된 영상을 수신하여 지역정보가 반영된 기계학습을 통해 클러스터를 분류하는 영역분류부; 및
    인공지능 학습 알고리즘을 통해 분류된 클러스터 중에서 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역의 위치를 선정하는 AIF/VOF영역선정부;
    를 포함하고,
    상기 영역분류부는, 수학식 1에 따라 지역정보를 추가한 K-평균 클러스터링을 통해 분류하며,
    [수학식 1]
    Figure 112019081003815-pat00011

    상기 수학식 1에서, SN(t)는 클러스터내의 대표하는 관류 신호, SV(t)는 복셀에서 관류 신호, x와 y는 관류 영상에서 위치, p,t는 상수값, N은 클러스터 집합, V는 복셀인 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역 선정 시스템.
  7. 제6항에 있어서,
    상기 노이즈제거부는 상기 관류 영상에서 가우시안 필터링(Gaussian Filtering)을 통해 노이즈를 제거하고, 신호를 분석하여 뼈에 해당하는 노이즈를 제거하는 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역 선정 시스템.
  8. 삭제
  9. 삭제
  10. 제6항에 있어서,
    상기 AIF/VOF영역선정부는 합성곱 신경망(Convolutional Neural Network)을 이용하여 상기 클러스터중에서 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역의 위치를 결정하는 동맥유입함수(AIF) 및 정맥유출함수(VOF) 영역 선정 시스템.
KR1020180138190A 2018-11-12 2018-11-12 머신러닝 기반의 관류 영상에서 동맥유입함수 및 정맥유출함수 영역 선정 방법 및 시스템 KR102056987B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180138190A KR102056987B1 (ko) 2018-11-12 2018-11-12 머신러닝 기반의 관류 영상에서 동맥유입함수 및 정맥유출함수 영역 선정 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180138190A KR102056987B1 (ko) 2018-11-12 2018-11-12 머신러닝 기반의 관류 영상에서 동맥유입함수 및 정맥유출함수 영역 선정 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR102056987B1 true KR102056987B1 (ko) 2020-01-06
KR102056987B9 KR102056987B9 (ko) 2020-01-06

Family

ID=69158882

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180138190A KR102056987B1 (ko) 2018-11-12 2018-11-12 머신러닝 기반의 관류 영상에서 동맥유입함수 및 정맥유출함수 영역 선정 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102056987B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3910587A1 (en) * 2020-05-13 2021-11-17 icoMetrix NV Computer-implemented method, system and computer program product for determining a vascular function of a perfusion imaging sequence

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3910587A1 (en) * 2020-05-13 2021-11-17 icoMetrix NV Computer-implemented method, system and computer program product for determining a vascular function of a perfusion imaging sequence
WO2021228906A1 (en) * 2020-05-13 2021-11-18 Icometrix Nv Computer-implemented method, system and computer program product for determining a vascular function of a perfusion imaging sequence

Also Published As

Publication number Publication date
KR102056987B9 (ko) 2020-01-06

Similar Documents

Publication Publication Date Title
Veena et al. A novel optic disc and optic cup segmentation technique to diagnose glaucoma using deep learning convolutional neural network over retinal fundus images
Lazar et al. Retinal microaneurysm detection through local rotating cross-section profile analysis
CN109410221B (zh) 脑灌注图像分割方法、装置、服务器和存储介质
WO2008097520A2 (en) System and method for computer aided detection of pulmonary embolism in tobogganing in ct angiography
US9898824B2 (en) Method for volume evaluation of penumbra mismatch in acute ischemic stroke and system therefor
KR102001790B1 (ko) 인공지능 기반 혈류 구간 분류 방법 및 시스템
KR102021541B1 (ko) 의료 영상 기반 뇌혈전 영역 식별 및 가시화를 위한 컴퓨팅 시스템 및 방법
KR102056989B1 (ko) 머신러닝 기반의 gre 영상을 활용한 혈전 분류 방법 및 시스템
CN114511670B (zh) 基于动态灌注影像的血管重建方法、装置、设备和介质
You et al. Principal curved based retinal vessel segmentation towards diagnosis of retinal diseases
Zhao et al. Attention residual convolution neural network based on U-net (AttentionResU-Net) for retina vessel segmentation
CN113920078A (zh) 一种针对眼底图像的血管分割方法和电子设备
Kumar et al. An improved medical decision support system to identify the diabetic retinopathy using fundus images
EP2705497B1 (en) Systems and methods for automatic detection and testing of images for clinical relevance
KR102056987B1 (ko) 머신러닝 기반의 관류 영상에서 동맥유입함수 및 정맥유출함수 영역 선정 방법 및 시스템
Liu et al. Two new stenosis detection methods of coronary angiograms
Bhuvaneswari et al. Contrast enhancement of retinal images using green plan masking and whale optimization algorithm
Ocbagabir et al. A novel vessel segmentation algorithm in color images of the retina
HongQing Segmentation of blood vessels in retinal images using 2D entropies of gray level-gradient cooccurrence matrix
Lesay et al. Optic disc localization in fundus images
KR101126223B1 (ko) Ｍｒ 영상을 이용한 자동 간 분할 방법
CN115100178A (zh) 一种眼底血管形态特征评估的方法、装置、介质和设备
Patil et al. Automated macula proximity diagnosis for early finding of diabetic macular edema
Zai et al. An effective enhancement and segmentation of coronary arteries in 2d angiograms
Gao et al. Iris segmentation based on improved U-net network model

Legal Events

Date Code Title Description
GRNT Written decision to grant
G170 Re-publication after modification of scope of protection [patent]