KR102142207B1 - 치매 진단을 위한 pet 영상 분석 방법 - Google Patents

치매 진단을 위한 pet 영상 분석 방법 Download PDF

Info

Publication number
KR102142207B1
KR102142207B1 KR1020190012230A KR20190012230A KR102142207B1 KR 102142207 B1 KR102142207 B1 KR 102142207B1 KR 1020190012230 A KR1020190012230 A KR 1020190012230A KR 20190012230 A KR20190012230 A KR 20190012230A KR 102142207 B1 KR102142207 B1 KR 102142207B1
Authority
KR
South Korea
Prior art keywords
dementia
image
plane
coronal
sagittal
Prior art date
Application number
KR1020190012230A
Other languages
English (en)
Inventor
박장식
강도영
송종관
윤병우
Original Assignee
경성대학교 산학협력단
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 경성대학교 산학협력단 filed Critical 경성대학교 산학협력단
Priority to KR1020190012230A priority Critical patent/KR102142207B1/ko
Application granted granted Critical
Publication of KR102142207B1 publication Critical patent/KR102142207B1/ko

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/40Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03Computed tomography [CT]
    • A61B6/037Emission tomography
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50Apparatus 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
    • A61B6/501Apparatus 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 the head, e.g. neuroimaging or craniography
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Neurology (AREA)
  • Biophysics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Physiology (AREA)
  • Neurosurgery (AREA)
  • Hospice & Palliative Care (AREA)
  • Developmental Disabilities (AREA)
  • Child & Adolescent Psychology (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Nuclear Medicine (AREA)

Abstract

본 발명은 치매 진단을 위한 PET(양전자방출단층촬영)영상 분석 방법에 관한 것으로, 보다 구체적으로는 뇌의 축상면을 단층으로 촬영한 PET영상으로 구한 축상면 영상으로부터 시상면(sagittal plane)과 관상면(coronal plane) 영상을 자동으로 생성한 후, 이들 3 가지 단면 영상에 인공지능 학습 결과를 활용하여 치매에 대하여 정상, 초기, 중기, 말기 또는 정상, 치매 초기, 치매 단계를 자동으로 분류하여 분석할 수 있는 치매 진단을 위한 PET 영상 분석 방법에 관한 것이다.
본 발명은 뇌의 축상면을 단층으로 촬영하여 복수개의 축상면 영상을 생성한 후, 복수개의 상기 축상면 영상에 대하여 영상 내삽(image interpolation)을 수행하여 3차원 모델을 생성하고, 상기 3차원 모델의 시상면과 관상면에 대하여 일정한 편 간격으로 표본화(sampling)하여 복수개의 시상면 영상과 복수개의 관상면 영상을 생성하고 기계학습 방법을 이용하여 학습을 수행하고, 학습의 결과를 이용하여 치매의 정도를 추론하는 과정을 수행하는 치매 진단을 수행하는 추론기를 구비하는 PET영상 분석 방법으로서,
복수개로 이루어진 소정의 축상면 영상을 제공하는 단계;
3차원 모델 생성기를 이용하여 상기 소정의 축상면 영상을 기초로 복수개로 이루어진 소정의 시상면 영상 및 관상면 영상을 각각 생성하는 단계;
상기 소정의 축상면 영상, 상기 소정의 시상면 영상, 및 상기 소정의 관상면 영상을 축상면 추론기, 시상면 추론기, 관상면 추론기에 제공하고 상기 축상면 추론기, 시상면 추론기, 및 관상면 추론기의 결과를 선택기에 입력하여 치매 진단을 수행하는 단계를 구비하며,

상기 축상면 영상에 대하여 정상, 초기, 치매 출력값을
Figure 112019011178169-pat00090
,
Figure 112019011178169-pat00091
,
Figure 112019011178169-pat00092
으로 각각 정의하고,
상기 시상면 영상에 대하여 정상, 초기, 치매 출력값을
Figure 112019011178169-pat00093
,
Figure 112019011178169-pat00094
,
Figure 112019011178169-pat00095
로 각각 정의하고,
상기 관상면 영상에 대하여 정상, 초기, 치매 출력값을
Figure 112019011178169-pat00096
,
Figure 112019011178169-pat00097
,
Figure 112019011178169-pat00098
로 각각 정의하는 경우,
상기 축상면 영상, 상기 시상면 영상, 및 상기 관상면 영상 각각의 출력값에 대하여 평균값을 아래의 식 (1), (2), (3) 같이 계산하고,
Figure 112019011178169-pat00099
(1)
Figure 112019011178169-pat00100
(2)
Figure 112019011178169-pat00101
(3)
아래의 식 (4)와 같은 기준으로 진단 결과를 산출하며,
Figure 112019011178169-pat00102
(4)
여기서,
Figure 112019011178169-pat00103
는 최종 진단결과로써 0 이면 정상, 1 이면 초기, 2 이면 치매로 분류된다. max()는 원소 중에서 최대값인 것을 특징으로 한다.
본 발명에 따른 치매 진단을 위한 PET 영상 분석 방법을 실시하는 경우 단순히 뇌의 특정 영상만에 기초한 종래의 진단 방법과 대비하여 보다 입체적이고 정밀한 치매 진단이 가능하다는 이점이 있다.

Description

치매 진단을 위한 PET 영상 분석 방법{PET image analysis method for diagnosis of dementia}
본 발명은 치매 진단을 위한 PET(양전자방출단층촬영)영상 분석 방법에 관한 것으로, 보다 구체적으로는 뇌의 축상면을 단층으로 촬영한 PET영상으로 구한 축상면 영상으로부터 시상면(sagittal plane)과 관상면(coronal plane) 영상을 자동으로 생성한 후, 이들 3 가지 단면 영상에 인공지능 학습 결과를 활용하여 치매에 대하여 정상, 초기, 중기, 말기 또는 정상, 치매 초기, 치매 단계를 자동으로 분류하여 분석할 수 있는 치매 진단을 위한 PET 영상 분석 방법에 관한 것이다.
치매는 현대 생명과학, 의학 분야에서 가장 큰 난제다.
미국 통계에 따르면 암이나 심혈관 질환 등 주요한 질환에 의한 사망률은 치료법 개선으로 꾸준히 낮아지고 있지만, 오히려 사망률이 높아지고 있는 단 하나의 질병이 바로 치매라고 보고되고 있다.
실제로 미국알츠하이머협회에 따르면 2000∼2014년 치매에 따른 사망률은 89% 급증했다. 고령화와 함께 치매 발생률도 높아지고 있는 데다 아직 뚜렷한 원인이 밝혀지지 않아 대책 마련이 어렵기 때문이다.
한국보건산업진흥원이 2015년 발표한 ‘치매 분야 국가연구개발 조사분석보고서’에 따르면 치매 환자 수는 2015년 100만 명당 46.8명에서 2050년 131.5명으로 세 배로 증가할 것으로 예상된다.
치매 원인과 관련해서는 몇 가지 단서만 그림자처럼 알려져 있다.
치매 환자의 뇌세포 주변에 아밀로이드 베타라는 단백질이 엉긴 덩어리(플라크)가 일종의 노폐물로 관찰된다는 사실이 대표적이다.
이 노폐물이 신경세포의 괴사를 일으키는 것으로 추정된다. 이 현상이 알려지며 최근 20년 사이에 플라크의 원인 물질인 아밀로이드 베타를 제거하는 치료제 연구가 급물살을 탔다.
문제는 이런 연구에도 불구하고 아직까지 마땅한 치매 해결책을 아무도 찾지 못하고 있다는 점이다. 최 연구부장은 “아밀로이드 베타 플라크를 제거하는 약을 써도 인지적 능력이 개선되지 않는 경우도 많고, 반대로 플라크가 많이 쌓여 있는데도 치매에 걸리지 않는 경우도 있다”고 말했다.
자연히 약 개발도 더디다. 미국 식품의약국(FDA)의 승인을 받은 약이 4종(칵테일 약 포함 5종) 있지만, 아직은 뇌 신호전달물질을 보충해 전반적인 뇌 활성을 돕는 증상완화제일 뿐 근본적인 치료제는 아니다.
성과가 더뎌 약 개발 포기가 속출하기도 했다.
묵인희 서울대 의대 교수도 2017년 12월 8일 한국과학기술한림원 주최 토론회 ‘치매국가책임제, 과학기술이 어떻게 기여할 것인가’에서 “알츠하이머병 약물 개발 순위가 2015년 6위에서 현재 8위까지 밀려났다”고 언급한 바 있다.
최근에는 아밀로이드 베타 단백질만 파고드는 대신, 치매 원인을 다각도로 모색하는 분위기다.
신희섭 기초과학연구원 인지및사회성연구단장은 “아밀로이드 베타 연구가 성과가 없자 지금은 많은 연구자가 또 다른 노폐물인 ‘타우 단백질’ 분야로 관심을 돌리고 있다”고 말했다.
타우 단백질은 아밀로이드 베타 단백질 이후에 주목받은 대상 물질이다.
원래는 신경세포 내 미세섬유를 구성하는 재료지만, 아밀로이드 베타에 의해 변형되면 노폐물이 되어 뭉친다. 아밀로이드 베타가 신경세포 바깥에 쌓여 문제를 일으킨다면, 타우 단백질은 신경세포 안에 쌓인다. 그렇다 보니 약물로 뚫기 어렵고, 아밀로이드보다 제거하기 어렵다.
한편, 치매는 유전자와도 관련이 깊다고도 알려져 있다.
치매와 관련이 있는 것으로 추정되는 트렘2(TREM2) 유전자를 없앤 쥐는 뇌 속에 문제가 생겼을 때 활동하는 면역세포가 많지만(흰색이 면역세포·왼쪽 사진), 유전자가 있는 쥐는 상대적으로 활동이 떨어졌다.
완전히 관점을 바꾼 연구도 등장하고도 있다.
면역학과 결합해 염증의 관점에서 이해하려는 시도가 대표적이다.
아밀로이드 등 노폐물 단백질이 신장 등 다른 기관에서 혈액을 타고 뇌로 이동하여 마치 좀비처럼 정상 단백질을 공격해 감염시키는 사례가 발견되면서 이 과정을 규명하기 위한 연구도 진행 중이다.
뇌 속을 지키는 경찰 역할을 하는 면역세포도 이 과정에서 변성되는 것으로 알려져 있다.
또 치매와 연관된 유전자도 게놈 해독 연구를 밝히는 있는 중이다.
현재 트렘2(TREM2) 등 3개 정도의 유전자가 주목 받고 있다.
한편, 장내 세균과의 연관성도 논의되고 있다.
아직 치매와 장내세균 사이의 직접 관련성은 밝혀지지 않았지만, 자폐증 등 다른 뇌 질환과의 연관성이 밝혀지면서 주목받고 있다.
따라서, 노년의 삶의 질을 개선시키기 위한 치매 예방 및 치료는 매우 시습한 과제 중의 하나라고 할 수 있다.
질병관리본부가 발간한 ‘치매 조기진단 연구’ 관련 보고서에 따르면, 빠른 인구 고령화로 치매 유병률이 급증하고 있어 의료비 등이 크게 늘고 있다고 한다.
65세 이상 노인의 치매 유병률은 2017년 10.18%(72만명)로 집계됐다.
이후 2020년 10.39%(84만명), 2050년 15.06%(217만명)로 늘어날 것으로 예상됐다.
또한 치매는 상당한 장기요양비와 의료비가 발생하는 질환이어서 치매 관리 비용도 증가일로다.
국회예산정책처에 따르면 2013년 국가치매관리 비용은 약 11조7000억원으로,GDP(국내총생산)의 1%에 이르렀고, 2050년엔 43조2000억원으로 4배 폭증해 GDP의 1.5% 가량 달할 것으로 추산된다.
이런 가운데 현재 치매를 완치할 수 있는 치료제는 없지만, 약물치료(증상완화제)를 하면 치매 발병을 지연시킬 수 있어 조기 발견이 중요해지고 있다.
치매 초기 단계부터 약물치료시 5년 뒤 요양시설 입원율이 55% 줄어드는 것으로 보고되고 있다.
질병관리본부 관계자는 “치매는 발병 10∼20년 전에 점차 인지기능 저하가 진행되기 때문에 새로운 조기진단 방법이 요구되고 있다”고 말했다.
이어 “경도인지장애 환자의 치매 발생 지연 및 예방을 위한 검사법이 개발돼야 한다”며 “아울러 치매 관련 인체 자원,임상 정보, 뇌 영상 정보<PET도 1 참조>를 활용한 새로운 기술의 등장과 함께 완치 가능한 신약의 개발도 필요하다”고 강조했다.
또한, 치매 조기 진단시 약물 치료를 하면 3조원 가량의 경제ㆍ사회적 비용을 절감시킬 수 있다는 분석도 나와 있다.
따라서 치매의 조기 진단은 현실적으로 매우 중요하다고 볼 수 있다.
치매 조기 진단과 관련하여 업계에서 널리 사용되고 있는 방법 중의 하나는 PET 영상을 이용하는 것이다.
그런데, PET영상을 이용한 종래의 영상분석은 전문가(의사 또는 의료영상 분석가)가 다수의 PET 영상 중에서 5장 정도의 영상을 선택하여 분석하고 치매를 수동으로 진단하고 있다.
즉, 치매 진단을 위하여 한 사람에 대하여 축상면(axial plane)을 단층으로 평균 110장의 PET 영상을 촬영하는데, 단층 촬영된 110장의 PET 영상 중에서 중간 층(예: 55 번째 층)의 영상 1장과 중간 층에서 가까운 상하 층(예: 45, 50, 60, 65 번째 층)의 영상 각 2장을 치매 분석하는데 이용하고 있는 실정이다.
이 때문에 종래의 PET 영상을 이용한 치매 사전 진단 결과는 신뢰성이 많이 부족한 편이다.
1. 특허출원번호; 1020160066266 , 발명의 명칭 : 13C 자기공명분광영상을 이용한 조기 치매 진단 방법
1. F. Li, L. Tran, K.-H. Thung, S. Ji, D. Shen, and J. Li, "A robust deep model for improved classification of AD/MCI patients," IEEE J. Biomed. Health Inform.,vol. 19, no. 5, pp. 1610-1616, 2015. 2. A. Payan and G. Montana, "Predicting alzheimer’'s disease: a neuroimaging study with 3D convolutional neural networks," arXiv:1502.02506 [cs.CV], 2015. 3. E. Bron, M. Smits,W. van der Flier et al., "Standardized evaluation of algorithms for computer-aided diagnosis of dementia based on structural MRI: The CADDementia challenge," NeuroImage, 2015. 4. S. Plis, D. Hjelm, R. Salakhutdinov, E. Allen, H. Bockholt, J. Long, H. Johnson, J. Paulsen, J. Turner, and V. Calhoun, "Deep learning for neuroimaging: a validation study," Frontiers in Neuroscience, vol. 8, 2014.
1. 본 발명은 이러한 종래의 문제점을 해결하기 위하여 제안된 것으로 PET 영상 전부를 이용함은 물론이고 축상면을 기초로 시상면 및 관상면 영상을 자동 생성한 후 이들 영상 전부를 기초로 하여 뇌의 상태를 입체적으로 분석함으로써 치매의 진척도를 자동으로 진단할 수 있는 방법을 제안하고자 한다.
2. 3D PET 영상에 대한 딥러닝 분석을 통한 치매 진단 정확도 확보
치매 진단을 위한 이용자 1명 당 약 100 슬라이스의 영상을 확보할 수 있으나, 약 100 슬라이스 전체 PET 영상을 의사가(사람이) 모두 확인하고 치매 진단하기 어렵기 때문에 현재는 5 슬라이스만을 활용하여 치매 진단을 하고 있으나, 딥러닝을 적용한 3D PET 영상 분석 즉, 영상 분할과 슬라이스 간의 상관 관계 분석을 수행함으로써 보다 정확한 치매 진단하고자 한다.
3. 의료 영상 분할 및 분석에 주로 사용되고 있는 U-Net 등의 인코더-디코더 계열 네트워크에서 컨벌루션 창의 크기, 레이어 수 등의 파라메터를 경험적(trial and error)으로 선정하고 있어, 딥러닝 학습 과정에서 GA 알고리즘 등의 최적화 알고리즘을 적용함으로써 체계적(systematically) 으로 딥러닝 파라메터를 선정하여 치매를 진단하는 방법을 제안하고자 한다.
제 1 실시예
본 발명은 뇌의 축상면을 단층으로 촬영하여 복수개의 축상면 영상을 생성한 후, 복수개의 상기 축상면 영상에 대하여 영상 내삽(image interpolation)을 수행하여 3차원 모델을 생성하고, 상기 3차원 모델의 시상면과 관상면에 대하여 일정한 편 간격으로 표본화(sampling)하여 복수개의 시상면 영상과 복수개의 관상면 영상을 생성하고 기계학습 방법을 이용하여 학습을 수행하고, 학습의 결과를 이용하여 치매의 정도를 추론하는 과정을 수행하는 치매 진단을 수행하는 추론기를 구비하는 PET영상 분석 방법으로서,
복수개로 이루어진 소정의 축상면 영상을 제공하는 단계;
3차원 모델 생성기를 이용하여 상기 소정의 축상면 영상을 기초로 복수개로 이루어진 소정의 시상면 영상 및 관상면 영상을 각각 생성하는 단계;
상기 소정의 축상면 영상, 상기 소정의 시상면 영상, 및 상기 소정의 관상면 영상을 축상면 추론기, 시상면 추론기, 관상면 추론기에 제공하고 상기 축상면 추론기, 시상면 추론기, 및 관상면 추론기의 결과를 선택기에 입력하여 치매 진단을 수행하는 단계를 구비하며,
상기 축상면 영상에 대하여 상기 축상면 추론기에서 출력되는 정상, 초기, 치매 출력값을
Figure 112019011178169-pat00001
,
Figure 112019011178169-pat00002
,
Figure 112019011178169-pat00003
으로 각각 정의하고,
상기 시상면 영상에 대하여 상기 시상면 추론기에서 출력되는 정상, 초기, 치매 출력값을
Figure 112019011178169-pat00004
,
Figure 112019011178169-pat00005
,
Figure 112019011178169-pat00006
로 각각 정의하고,
상기 관상면 영상에 대하여 상기 관상면 추론기에서 출력되는 정상, 초기, 치매 출력값을
Figure 112019011178169-pat00007
,
Figure 112019011178169-pat00008
,
Figure 112019011178169-pat00009
로 각각 정의하는 경우,
상기 선택기는 상기 축상면 영상, 상기 시상면 영상, 및 상기 관상면 영상 각각의 출력값에 대하여 평균값을 아래의 식 (1), (2), (3) 같이 계산하고,
Figure 112019011178169-pat00010
(1)
Figure 112019011178169-pat00011
(2)
Figure 112019011178169-pat00012
(3)
아래의 식 (4)와 같은 기준으로 진단 결과를 산출하며,
Figure 112019011178169-pat00013
(4)
여기서,
Figure 112019011178169-pat00014
는 최종 진단결과로써 0 이면 정상, 1 이면 초기, 2 이면 치매로 분류된다. max()는 원소 중에서 최대값인 것을 특징으로 한다.
실시예2
본 발명은 뇌의 축상면을 단층으로 촬영하여 복수개의 축상면 영상을 생성한 후, 복수개의 상기 축상면 영상에 대하여 영상 내삽(image interpolation)을 수행하여 3차원 모델을 생성하고, 상기 3차원 모델의 시상면과 관상면에 대하여 일정한 편 간격으로 표본화(sampling)하여 복수개의 시상면 영상과 복수개의 관상면 영상을 생성하고 기계학습 방법을 이용하여 학습을 수행하고, 학습의 결과를 이용하여 치매의 정도를 추론하는 과정을 수행하는 치매 진단을 수행하는 추론기를 구비하는 PET영상 분석 방법으로서,
복수개로 이루어진 소정의 축상면 영상을 제공하는 단계;
3차원 모델 생성기를 이용하여 상기 소정의 축상면 영상을 기초로 복수개로 이루어진 소정의 시상면 영상 및 관상면 영상을 각각 생성하는 단계;
상기 소정의 축상면 영상, 상기 소정의 시상면 영상, 및 상기 소정의 관상면 영상을 축상면 추론기, 시상면 추론기, 관상면 추론기에 제공하고 상기 축상면 추론기, 시상면 추론기, 및 관상면 추론기의 결과를 선택기에 입력하여 치매 진단을 수행하는 단계를 구비하며,
상기 축상면 영상에 대하여 상기 축상면 추론기에서 출력되는 정상, 초기, 치매 출력값을
Figure 112019011178169-pat00015
,
Figure 112019011178169-pat00016
,
Figure 112019011178169-pat00017
으로 각각 정의하고,
상기 시상면 영상에 대하여 상기 시상면 추론기에서 출력되는 정상, 초기, 치매 출력값을
Figure 112019011178169-pat00018
,
Figure 112019011178169-pat00019
,
Figure 112019011178169-pat00020
로 각각 정의하고,
상기 관상면 영상에 대하여 상기 관상면 추론기에서 출력되는 정상, 초기, 치매 출력값을
Figure 112019011178169-pat00021
,
Figure 112019011178169-pat00022
,
Figure 112019011178169-pat00023
로 각각 정의하는 경우,
상기 선택기는 상기 축상면 영상과 시상면 영상과 관상면 영상에 대하여 식 (5)- 식(7)과 같이 계산 평균값을 계산하고,
Figure 112019011178169-pat00024
(5)
Figure 112019011178169-pat00025
(6)
Figure 112019011178169-pat00026
(7)
아래의 식 (8)과 같은 진단 결과를 출력하되,
Figure 112019011178169-pat00027
(8)
여기서,
Figure 112019011178169-pat00028
는 최종 진단결과로써 0 이면 정상, 1 이면 초기, 2 이면 치매로 분류하는 것을 특징으로 한다.
실시예 3
본 발명은 뇌의 축상면을 단층으로 촬영하여 복수개의 축상면 영상을 생성한 후, 복수개의 상기 축상면 영상에 대하여 영상 내삽(image interpolation)을 수행하여 3차원 모델을 생성하고, 상기 3차원 모델의 시상면과 관상면에 대하여 일정한 편 간격으로 표본화(sampling)하여 복수개의 시상면 영상과 복수개의 관상면 영상을 생성하고 기계학습 방법을 이용하여 학습을 수행하고, 학습의 결과를 이용하여 치매의 정도를 추론하는 과정을 수행하는 치매 진단을 수행하는 추론기를 구비하는 PET영상 분석 방법으로서,
복수개로 이루어진 소정의 축상면 영상을 제공하는 단계;
3차원 모델 생성기를 이용하여 상기 소정의 축상면 영상을 기초로 복수개로 이루어진 소정의 시상면 영상 및 관상면 영상을 각각 생성하는 단계;
상기 소정의 축상면 영상, 상기 소정의 시상면 영상, 및 상기 소정의 관상면 영상을 축상면 추론기, 시상면 추론기, 관상면 추론기에 제공하고 상기 축상면 추론기, 시상면 추론기, 및 관상면 추론기의 결과를 선택기에 입력하여 치매 진단을 수행하는 단계를 구비하며,
상기 축상면 영상에 대하여 상기 축상면 추론기에서 출력되는 정상, 초기, 치매 출력값을
Figure 112019011178169-pat00029
,
Figure 112019011178169-pat00030
,
Figure 112019011178169-pat00031
으로 각각 정의하고,
상기 시상면 영상에 대하여 상기 시상면 추론기에서 출력되는 정상, 초기, 치매 출력값을
Figure 112019011178169-pat00032
,
Figure 112019011178169-pat00033
,
Figure 112019011178169-pat00034
로 각각 정의하고,
상기 관상면 영상에 대하여 상기 관상면 추론기에서 출력되는 정상, 초기, 치매 출력값을
Figure 112019011178169-pat00035
,
Figure 112019011178169-pat00036
,
Figure 112019011178169-pat00037
로 각각 정의하는 경우,
상기 선택기는 상기 축상면, 시상면 그리고 관상면 영상의 출력값 중에서 최대값을 기초로 치매 여부를 진단하는 것을 특징으로 한다.
본 발명에 따른 치매 진단을 위한 PET 영상 분석 방법을 실시하는 경우 단순히 뇌의 특정 영상만에 기초한 종래의 진단 방법과 대비하여 보다 입체적이고 정밀한 치매 진단이 가능하다는 이점이 있다.
도 1은 축상면 영상으로부터 시상면과 관상면 영상을 확득하는 과정을 설명하는 도면이다.
도 2는 각 단면별 영상에 대한 학습과 추론을 하는 프로세스를 설명하는 도면이다.
도 3은 특정 검진자의 축상면 영상이 제공되는 경우 본 발명에 따라 치매 정도를 진단하는 프로세스를 설명하는 도면이다.
이하, 도면 등을 참조하여 본 발명에서 제안하는 치매 진단을 위한 PET영상 분석 방법을 설명하기로 한다.
본 발명은 뇌의 축상면을 단층으로 촬영한 PET영상으로부터 시상면(sagittal plane)과 관상면(coronal plane) 영상을 자동으로 생성하고, 3 가지 단면 영상에 인공지능 학습 결과를 활용하여 치매에 대하여 정상, 초기, 중기, 말기 또는 정상, 치매 초기, 치매 단계를 자동으로 분류하는 방법을 제안하다.
1. 시상면과 관상면 영상 획득 과정
먼저, 뇌의 수평 횡단면을 단층 촬영한 축상면(axial plane) PET영상으로부터 시상면 영상과 뇌의 종단면 영상인 관상면 영상을 생성하는 과정은 도 1과 같다.
축상면 PET영상은 일정한 편(slice) 간격으로 촬영이 되고, 촬영 영상은 의료 영상 표준인 디지털 의료 영상 전송 표준인 DICOM(digital imaging and communication in medicine)으로 저장된다.
DICOM 표준을 따르는 축상면 PET 영상에는 편 간격 정보가 포함되어 있다.
본 발명에서는 축상면 PET영상에 대하여 영상 내삽(image interpolation)을 수행하여 3차원 모델을 생성하고, 해당 3차원 모델의 시상면과 관상면에 대하여 일정한 편 간격으로 표본화(sampling)하여 시상면과 관상면 영상을 획득한다.
영상 내삽 방법은 이중선형 보간법(bilinear interpolation) 또는 3차 만곡 보간법(cubic spline)을 적용할 수 있다.
2. 자동 분류를 위한 영상학습 방법
촬영된 PET 축상면 및 이를 기초로 생성한 시상면과 관상면 영상에 대하여 학습하고, 학습 또는 훈련 결과를 이용하여 추론하는 과정은 도 2와 같다.
축상면, 시상면 그리고 관상면 영상에 대하여 각각 기계학습 방법을 이용하여 학습을 수행하고, 학습의 결과를 이용하여 추론을 수행한다.
기계학습(machine learning) 방법은 Adaboost(adaptive boosting), SVM(support vector machine), 랜덤 포리스트(random forest) 그리고 심층학습(deep learning) 기법을 적용할 수 있다.
한편, 각 추론기에는 훈련 결과에 따른 가중치가 세팅되어 고정될 것이다.
본 발명에서는 단면 촬영된 110장의 영상으로 대부분 사용함으로써 종래의 전문가가 5장의 영상으로 진단하는 것보다 정확한 분류를 할 수 있도록 한다.
각 추론기에서는 치매 증상에 따라 n 단계(예를 들어 3 단계; 정상 초기 치매)로 구분할 수 있도록 한다.
3. 자동분류 추론
도 2에 따라 기계학습된 결과를 이용하여 치매를 진단하는 과정은 [도 3]과 같다.
도시된 바와 같이, 소정의 입력 영상에 대하여 축상면, 시상면, 및 관상면 추론기를 통과하면, 각각의 추론기에서는 정상, 초기, 말기 또는 정상, 초기, 치매 단계 등으로 구분되는 소정의 값을 출력하게 된다.
각 추론기의 수치는 선택기로 입력되고, 선택기에서는 이들 중에서 가장 적합한 결과를 도출하게 된다
이에 대하여 보다 구체적으로 설명하기로 한다.
진단 대상자에 대하여 축상면으로 PET 영상으로부터 3차원 모델 생성기를 통하여 시상면과 관상면 영상을 생성하고 이를 학습과 동일한 모델로 구성된 추론기에 입력하여 정상, 초기, 중기, 말기 또는 정상(normal), 초기(MCI), 치매(AD) 단계(클래스, class)로 분류한다.
심층학습의 경우는 각 클래스에 대하여 확률을 0에서 1사이 값으로 출력된다.
예를 들면, 각 단면에 대하여 정상일 확률 0.9, 초기일 확률 0.06, 치매일 확률 0.04의 값을 출력한다.
본 발명에서는 각 단면 영상에 대한 추론 출력값에 대하여 도 3의 선택기로 최종 진단 결과를 결정한다.
축상면, 시상면, 관상면에 대하여 정상, 초기, 치매 클래스의 평균값을 각각
Figure 112019011178169-pat00038
,
Figure 112019011178169-pat00039
그리고
Figure 112019011178169-pat00040
로 정의한다.
축상면 영상에 대하여 정상, 초기, 치매 각각의 추론기 출력값을
Figure 112019011178169-pat00041
,
Figure 112019011178169-pat00042
,
Figure 112019011178169-pat00043
으로 정의하고,
시상면 영상에 대하여 정상, 초기, 치매 각각의 추론기 출력값을
Figure 112019011178169-pat00044
,
Figure 112019011178169-pat00045
,
Figure 112019011178169-pat00046
, 로 정의하고,
관상면 영상에 대하여 정상, 초기, 치매 각각의 추론기 출력값을
Figure 112019011178169-pat00047
,
Figure 112019011178169-pat00048
,
Figure 112019011178169-pat00049
, 로 설정하여 선택기에서 진단 결과(클래스)를 결정하는 방법은 다음과 같은 방법을 적용할 수 있다.
(1) 각 단면 영상 추론 결과값을 평균하여 높은 값을 갖는 클래스로 결정하는 방법
선택기는 각 단면에 대한 출력값에 대하여 평균값을 식 (1), (2), (3) 같이 계산하고, 식 (4)와 같은 기준으로 진단 결과를 산출한다.
Figure 112019011178169-pat00050
(1)
Figure 112019011178169-pat00051
(2)
Figure 112019011178169-pat00052
(3)
Figure 112019011178169-pat00053
(4)
여기서,
Figure 112019011178169-pat00054
는 최종 진단결과로써 0 이면 정상, 1 이면 초기, 2 이면 치매로 분류된다. max()는 원소 중에서 최대값을 추출한다.
(2) 축상면과 시상면과 관상면의 평균으로 높은 값을 갖는 클래스로 결정하는 방법
선택기는 축상면과 시상면과 관상면에 대하여 식 (5)- 식(7)과 같이 계산 평균값을 계산하고, 식(8)과 같이 결정한다.
Figure 112019011178169-pat00055
(5)
Figure 112019011178169-pat00056
(6)
Figure 112019011178169-pat00057
(7)
Figure 112019011178169-pat00058
(8)
여기서,
Figure 112019011178169-pat00059
는 최종 진단결과로써 0 이면 정상, 1 이면 초기, 2 이면 치매로 분류된다.
(3) 각 단면 영상 추론 결과값 중에서 최대값으로 결정하는 방법
선택기는 축상면, 시상면 그리고 관상면의 출력 중에서 최대값 즉, 정상, 초기, 치매 3단계의 분류 중에서 최대 확률을 갖는 출력값을 가진 클래스를 최종 진단 결과로 결정한다. 예를 들어 다음과 같은 경우에는 정상으로 설정한다.
Figure 112019011178169-pat00060
(9)
식 (9)에서
Figure 112019011178169-pat00061
즉 시상면의 정상 결과가 가장 높은 값을 가지고 있기 때문에 최종 진단 결과를 정상으로 결정한 결과이다.
이상에서 설명한 바와 같이, 본 발명은 축상면을 기초로 시상면 및 관상면 영상을 자동 생성한 후 이들 영상 전부를 기초로 하여 뇌의 상태를 입체적으로 분석함으로써 치매의 진척도를 자동으로 진단하고자 하였다.
전술한 본 발명에 따른 치매 진단을 위한 PET 영상 분석 방법을 실시하는 경우 단순히 뇌의 특정 영상만에 기초한 종래의 진단 방법과 대비하여 보다 입체적이고 정밀한 치매 진단이 가능하다는 이점이 있다.

Claims (2)

  1. 뇌의 축상면을 단층으로 촬영하여 복수개의 축상면 영상을 생성한 후, 복수개의 상기 축상면 영상에 대하여 영상 내삽(image interpolation)을 수행하여 3차원 모델을 생성하고, 상기 3차원 모델의 시상면과 관상면에 대하여 일정한 편 간격으로 표본화(sampling)하여 복수개의 시상면 영상과 복수개의 관상면 영상을 생성하고 기계학습 방법을 이용하여 학습을 수행하고, 학습의 결과를 이용하여 치매의 정도를 추론하는 과정을 수행하는 치매 진단을 수행하는 추론기를 구비하는 PET영상 분석 방법으로서,
    복수개로 이루어진 소정의 축상면 영상을 제공하는 단계;
    3차원 모델 생성기를 이용하여 상기 소정의 축상면 영상을 기초로 복수개로 이루어진 소정의 시상면 영상 및 관상면 영상을 각각 생성하는 단계;
    상기 소정의 축상면 영상, 상기 소정의 시상면 영상, 및 상기 소정의 관상면 영상을 축상면 추론기, 시상면 추론기, 관상면 추론기에 제공하고 상기 축상면 추론기, 시상면 추론기, 및 관상면 추론기의 결과를 선택기에 입력하여 치매 진단을 수행하는 단계를 구비하며,

    상기 축상면 영상에 대하여 상기 축상면 추론기에서 출력되는 정상, 초기, 치매 출력값을
    Figure 112019011178169-pat00062
    ,
    Figure 112019011178169-pat00063
    ,
    Figure 112019011178169-pat00064
    으로 각각 정의하고,
    상기 시상면 영상에 대하여 상기 시상면 추론기에서 출력되는 정상, 초기, 치매 출력값을
    Figure 112019011178169-pat00065
    ,
    Figure 112019011178169-pat00066
    ,
    Figure 112019011178169-pat00067
    로 각각 정의하고,
    상기 관상면 영상에 대하여 상기 관상면 추론기에서 출력되는 정상, 초기, 치매 출력값을
    Figure 112019011178169-pat00068
    ,
    Figure 112019011178169-pat00069
    ,
    Figure 112019011178169-pat00070
    로 각각 정의하는 경우,
    상기 선택기는 상기 축상면 영상, 상기 시상면 영상, 및 상기 관상면 영상 각각의 출력값에 대하여 평균값을 아래의 식 (1), (2), (3) 같이 계산하고,
    Figure 112019011178169-pat00071
    (1)
    Figure 112019011178169-pat00072
    (2)
    Figure 112019011178169-pat00073
    (3)

    아래의 식 (4)와 같은 기준으로 진단 결과를 산출하며,
    Figure 112019011178169-pat00074
    (4)

    여기서,
    Figure 112019011178169-pat00075
    는 최종 진단결과로써 0 이면 정상, 1 이면 초기, 2 이면 치매로 분류된다. max()는 원소 중에서 최대값인 것을 특징으로 하는 치매 진단을 위한 PET 영상 분석 방법.
  2. 뇌의 축상면을 단층으로 촬영하여 복수개의 축상면 영상을 생성한 후, 복수개의 상기 축상면 영상에 대하여 영상 내삽(image interpolation)을 수행하여 3차원 모델을 생성하고, 상기 3차원 모델의 시상면과 관상면에 대하여 일정한 편 간격으로 표본화(sampling)하여 복수개의 시상면 영상과 복수개의 관상면 영상을 생성하고 기계학습 방법을 이용하여 학습을 수행하고, 학습의 결과를 이용하여 치매의 정도를 추론하는 과정을 수행하는 치매 진단을 수행하는 추론기를 구비하는 PET영상 분석 방법으로서,
    복수개로 이루어진 소정의 축상면 영상을 제공하는 단계;
    3차원 모델 생성기를 이용하여 상기 소정의 축상면 영상을 기초로 복수개로 이루어진 소정의 시상면 영상 및 관상면 영상을 각각 생성하는 단계;
    상기 소정의 축상면 영상, 상기 소정의 시상면 영상, 및 상기 소정의 관상면 영상을 축상면 추론기, 시상면 추론기, 관상면 추론기에 제공하고 상기 축상면 추론기, 시상면 추론기, 및 관상면 추론기의 결과를 선택기에 입력하여 치매 진단을 수행하는 단계를 구비하며,

    상기 축상면 영상에 대하여 상기 축상면 추론기에서 출력되는 정상, 초기, 치매 출력값을
    Figure 112019011178169-pat00076
    ,
    Figure 112019011178169-pat00077
    ,
    Figure 112019011178169-pat00078
    으로 각각 정의하고,
    상기 시상면 영상에 대하여 상기 시상면 추론기에서 출력되는 정상, 초기, 치매 출력값을
    Figure 112019011178169-pat00079
    ,
    Figure 112019011178169-pat00080
    ,
    Figure 112019011178169-pat00081
    로 각각 정의하고,
    상기 관상면 영상에 대하여 상기 관상면 추론기에서 출력되는 정상, 초기, 치매 출력값을
    Figure 112019011178169-pat00082
    ,
    Figure 112019011178169-pat00083
    ,
    Figure 112019011178169-pat00084
    로 각각 정의하는 경우,

    상기 선택기는 상기 축상면 영상과 시상면 영상과 관상면 영상에 대하여 식 (5)- 식(7)과 같이 계산 평균값을 계산하고,
    Figure 112019011178169-pat00085
    (5)
    Figure 112019011178169-pat00086
    (6)
    Figure 112019011178169-pat00087
    (7)
    아래의 식 (8)과 같은 진단 결과를 출력하되,
    Figure 112019011178169-pat00088
    (8)

    여기서,
    Figure 112019011178169-pat00089
    는 최종 진단결과로써 0 이면 정상, 1 이면 초기, 2 이면 치매로 분류하는 것을 특징으로 하는 치매 진단을 위한 PET 영상 분석 방법.
KR1020190012230A 2019-01-30 2019-01-30 치매 진단을 위한 pet 영상 분석 방법 KR102142207B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190012230A KR102142207B1 (ko) 2019-01-30 2019-01-30 치매 진단을 위한 pet 영상 분석 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190012230A KR102142207B1 (ko) 2019-01-30 2019-01-30 치매 진단을 위한 pet 영상 분석 방법

Publications (1)

Publication Number Publication Date
KR102142207B1 true KR102142207B1 (ko) 2020-08-06

Family

ID=72040157

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190012230A KR102142207B1 (ko) 2019-01-30 2019-01-30 치매 진단을 위한 pet 영상 분석 방법

Country Status (1)

Country Link
KR (1) KR102142207B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100766622B1 (ko) * 2006-02-15 2007-10-15 재단법인 아산사회복지재단 다양한 의료 이미지를 제공하는 의료 영상 저장 전송시스템 및 방법
KR20160066266A (ko) 2014-12-02 2016-06-10 엘지디스플레이 주식회사 유기 발광 소자

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100766622B1 (ko) * 2006-02-15 2007-10-15 재단법인 아산사회복지재단 다양한 의료 이미지를 제공하는 의료 영상 저장 전송시스템 및 방법
KR20160066266A (ko) 2014-12-02 2016-06-10 엘지디스플레이 주식회사 유기 발광 소자

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
1. F. Li, L. Tran, K.-H. Thung, S. Ji, D. Shen, and J. Li, "A robust deep model for improved classification of AD/MCI patients," IEEE J. Biomed. Health Inform.,vol. 19, no. 5, pp. 1610-1616, 2015.
2. A. Payan and G. Montana, "Predicting alzheimer’'s disease: a neuroimaging study with 3D convolutional neural networks," arXiv:1502.02506 [cs.CV], 2015.
3. E. Bron, M. Smits,W. van der Flier et al., "Standardized evaluation of algorithms for computer-aided diagnosis of dementia based on structural MRI: The CADDementia challenge," NeuroImage, 2015.
4. S. Plis, D. Hjelm, R. Salakhutdinov, E. Allen, H. Bockholt, J. Long, H. Johnson, J. Paulsen, J. Turner, and V. Calhoun, "Deep learning for neuroimaging: a validation study," Frontiers in Neuroscience, vol. 8, 2014.

Similar Documents

Publication Publication Date Title
Sedeño et al. Brain network organization and social executive performance in frontotemporal dementia
Singh et al. Shallow 3D CNN for detecting acute brain hemorrhage from medical imaging sensors
KR101977645B1 (ko) 안구영상 분석방법
JP6764205B2 (ja) トレンド分析を利用した痛みの判別、機械学習、経済的判別モデルおよびIoTを応用した医療装置、テイラーメイド機械学習、および新規疼痛判別用脳波特徴量
Miraglia et al. Searching for signs of aging and dementia in EEG through network analysis
Guo et al. One-year test–retest reliability of intrinsic connectivity network fMRI in older adults
KR20200086316A (ko) 개별 환자 데이터 및 치료적 뇌 네트워크 맵을 사용한 효능 및/또는 치료적 파라미터 추천
Li et al. Abnormal resting state effective connectivity within the default mode network in major depressive disorder: a spectral dynamic causal modeling study
Barany et al. Feature interactions enable decoding of sensorimotor transformations for goal-directed movement
Dimililer et al. Effect of image enhancement on MRI brain images with neural networks
Lin et al. Alternative diagnosis of epilepsy in children without epileptiform discharges using deep convolutional neural networks
Hasan et al. A Computationally Efficient Method for Hybrid EEG‐fNIRS BCI Based on the Pearson Correlation
Libon et al. Deficits in concept formation in amyotrophic lateral sclerosis.
KR101848322B1 (ko) 피검체에 대한 안저 영상의 소견 및 진단 정보의 생성을 위하여 판독을 지원하는 방법 및 이를 이용한 장치
McKenna et al. Comparison of ApoE-related brain connectivity differences in early MCI and normal aging populations: an fMRI study
Liu et al. Attention deficit/hyperactivity disorder classification based on deep spatio-temporal features of functional magnetic resonance imaging
Islam et al. Understanding 3D CNN behavior for Alzheimer's disease diagnosis from brain PET scan
WO2019172181A1 (ja) 診断支援装置、プログラム、学習済みモデル、および学習装置
CN111883252A (zh) 一种婴儿自闭症辅助诊断方法、装置、设备和存储介质
Arbabshirani et al. Functional network connectivity during rest and task: comparison of healthy controls and schizophrenic patients
KR102164091B1 (ko) 치매 진단 및 예측을 위한 심층학습 기반 pet 영상 분석 방법
Devika et al. A machine learning approach for diagnosing neurological disorders using longitudinal resting-state fMRI
Maiti et al. Automatic detection and segmentation of optic disc using a modified convolution network
Kute et al. Machine learning–based disease diagnosis and prediction for E‐healthcare system
Marcos et al. Dilated convolution ResNet with boosting attention modules and combined loss functions for LDCT image denoising

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant