KR102144719B1 - 복수의 학습 모델에 의한 다중 예측 결과를 이용하는 인공지능 기반 파킨슨 병 진단 장치 및 방법 - Google Patents
복수의 학습 모델에 의한 다중 예측 결과를 이용하는 인공지능 기반 파킨슨 병 진단 장치 및 방법 Download PDFInfo
- Publication number
- KR102144719B1 KR102144719B1 KR1020200038856A KR20200038856A KR102144719B1 KR 102144719 B1 KR102144719 B1 KR 102144719B1 KR 1020200038856 A KR1020200038856 A KR 1020200038856A KR 20200038856 A KR20200038856 A KR 20200038856A KR 102144719 B1 KR102144719 B1 KR 102144719B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- parkinson
- disease
- nigrosome
- region
- Prior art date
Links
- 208000018737 Parkinson disease Diseases 0.000 title claims abstract description 119
- 238000003745 diagnosis Methods 0.000 title claims abstract description 75
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 title claims description 89
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000010191 image analysis Methods 0.000 claims abstract description 31
- 238000003384 imaging method Methods 0.000 claims abstract description 29
- 239000000090 biomarker Substances 0.000 claims abstract description 16
- 238000012805 post-processing Methods 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 210000004556 brain Anatomy 0.000 claims abstract description 7
- 210000003523 substantia nigra Anatomy 0.000 abstract description 19
- 238000002595 magnetic resonance imaging Methods 0.000 description 30
- 230000008569 process Effects 0.000 description 24
- 210000000463 red nucleus Anatomy 0.000 description 22
- 238000010586 diagram Methods 0.000 description 18
- 238000010801 machine learning Methods 0.000 description 18
- 239000003814 drug Substances 0.000 description 10
- 229940079593 drug Drugs 0.000 description 10
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 8
- 239000002547 new drug Substances 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 7
- 239000002131 composite material Substances 0.000 description 6
- 230000004770 neurodegeneration Effects 0.000 description 6
- 208000015122 neurodegenerative disease Diseases 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000003631 expected effect Effects 0.000 description 4
- 229910052742 iron Inorganic materials 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 210000004940 nucleus Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000001151 other effect Effects 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 241001573498 Compacta Species 0.000 description 1
- 206010073306 Exposure to radiation Diseases 0.000 description 1
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 description 1
- 208000034819 Mobility Limitation Diseases 0.000 description 1
- 206010034010 Parkinsonism Diseases 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 206010002026 amyotrophic lateral sclerosis Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 239000003576 central nervous system agent Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 210000005064 dopaminergic neuron Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000001259 mesencephalon Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004400 mucous membrane Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010984 neurological examination Methods 0.000 description 1
- 230000005298 paramagnetic effect Effects 0.000 description 1
- 239000000902 placebo Substances 0.000 description 1
- 229940068196 placebo Drugs 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- 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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G06N3/0427—
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- 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
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Physics & Mathematics (AREA)
- Physiology (AREA)
- Neurology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Neurosurgery (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- High Energy & Nuclear Physics (AREA)
- Developmental Disabilities (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
본 발명의 일 양상인 인공지능 기반 파킨슨 병 진단 장치는, 환자의 뇌를 촬영한 MRI로부터, 멀티 에코(multi echo) 크기 및 위상과 관련된 제 1 영상을 획득하는 영상 획득부; 파킨슨 병의 영상 바이오 마커로 이용되는 흑질과 나이그로좀 1 영역의 관찰이 가능하도록, 상기 획득한 제 1 영상을 후처리하는 영상 처리부; 상기 후처리된 제 1 영상을 분석하여 상기 나이그로좀 1 영역이 포함된 제 2 영상을 분류하고, 상기 분류된 제 2 영상으로부터 상기 나이그로좀 1 영역을 검출하는 영상 분석부; 및 상기 검출된 나이그로좀 1 영역의 정상 여부를 분석하여, 상기 환자의 파킨슨 병 유무를 진단하는 진단부;를 포함하되, 상기 영상 처리부는, 양적 자화율 매핑 알고리즘을 기반으로, 상기 제 1 영상에 양적 자화율 맵 마스크를 적용하여, 자화율 맵 가중 이미징 영상을 생성함으로써, 상기 후처리를 수행하고, 상기 영상 처리부는, 상기 생성된 자화율 맵 가중 이미징 영상에 대해, 각도 조절, 영상 확대 및 재분할(Reslice) 중 적어도 하나의 동작을 더 수행할 수 있고, 상기 진단부는, 동일한 데이터 셋(Data Set)을 기반으로, 상기 파킨슨 병 유무를 진단하기 위한 복수의 학습 모델을 생성하고, 상기 검출된 나이그로좀 1 영역을 기반으로, 상기 복수의 학습 모델에 의한 복수의 예측 결과를 도출하며, 상기 복수의 예측 결과를 기초로 상기 환자의 파킨슨 병 유무를 진단할 수 있다.
Description
본 발명은 복수의 학습 모델에 의한 다중 예측 결과를 이용하는 인공지능을 기반으로 하는 파킨슨 병 진단 장치 및 방법에 관한 것으로, 더욱 상세하게는 자기 공명 영상(Magnetic Resonance Imaging, 이하 'MRI'라 함)을 분석하여 파킨슨 병을 진단하는 파킨슨 병 진단 장치 및 방법에 관한 것이다.
신경퇴행성 질환은 신경 세포들이 어떤 원인에 의해 소멸함에 따라, 뇌 기능의 이상을 일으키는 질병을 지칭한다.
대표적인 신경퇴행성 질환으로는 흔하게 알쯔하이머병이나 파킨슨 병, 드물게는 루게릭병 등을 예로 들 수 있다.
신경퇴행성 질환 중에서 파킨슨 병은 신경세포가 파괴되는 대표적인 신경퇴행성 질환으로, 몸이 굳어가고, 손발이 떨리며, 잘 걷지 못하는 증상과 함께 우울, 불안감이 함께 동반되어 삶의 질을 크게 떨어뜨린다.
이러한 신경퇴행성 질환을 진단하는 방법으로는 점막과의 접촉, 또는 피부 파괴, 또는 천연 또는 인공 체구 이외에 내부 체강 없이 진단하는 비침습적 방법으로 진단하고 있다.
예를 들어, 하기의 특허문헌 1 및 특허문헌 2에는 종래기술에 따른 신경퇴행성 질환을 진단하는 기술이 개시되어 있다.
1. Sung-Min Gho 외, "Susceptibility Map-Weighted Imaging (SMWI) for Neuroimaging", Magnetic Resonance in Medicine 72:337-346(2014)
2. Yoonho Nam 외, "Imaging of Nigrosome 1 in Substantia Nigra at 3T Using Multiecho Susceptibility Map-Weighted Imaging (SMWI)", J. MAGN. RESON. IMAGING 2017; 46:528-536
3. Christian Langkammer 외, "Quantitative susceptibility mapping (QSM) as a means to measure brain iron? A post mortem validation study", Neuroimage. 2012 Sep; 62(3):1593-9. doi: 10.1016/j.neuroimage. 2012.05.049. Epub 2012 May 24.
현재까지의 파킨슨 병 진단 및 약물유발성 파킨슨증의 감별 진단에는 동위 원소를 이용한 [18F]FP-CIT 양전자 방출 단층촬영(Positron emission tomography, PET)이 가장 객관적인 방법으로 사용되고 있다.
그러나 상기 [18F]FP-CIT PET는 매우 고가의 검사방법이고, 방사능 노출의 위험이 있다.
따라서 MRI를 이용하여 나이그로좀 1 영역을 관찰해서 파킨슨 병을 진단할 수 있는 기술의 개발이 요구되고 있다.
본 발명의 목적은 상기한 바와 같은 문제점을 해결하기 위한 것으로, MRI를 분석해서 파킨슨 병을 진단할 수 있는 파킨슨 병 진단 장치 및 방법을 제공하는 것이다.
본 발명의 다른 목적은 파킨슨 병의 영상 바이오 마커로 제시된 나이그로좀(nigrosome) 1 영역을 분석해서 파킨슨 병을 진단할 수 있는 파킨슨 병 진단 장치 및 방법을 제공하는 것이다.
또한, 본 발명의 목적은, SMWI 영상에 대해 각도 조절, 영상 확대, 재분할(Reslice) 등의 전처리 과정을 추가적으로 수행함으로써, 획득된 영상에서 파킨슨 병의 영상 바이오 마커로 제시된 흑질과 나이그로좀 1 영역만을 관찰 가능하도록 할 수 있는 파킨슨 병 진단 장치 및 방법을 제공하는 것이다.
또한, 본 발명의 목적은, 기계학습을 통해 주변에 검출이 더 용이한 red nucleus와 substantia nigra 를 검출하고, red nucleus와 substantia nigra 모두 존재하다가 red nucleu가 없어지는 순간의 영상을 검출함으로써, nigrosome-1 영역을 효과적으로 검출할 수 있는 파킨슨 병 진단 장치 및 방법을 제공하는 것이다.
또한, 본 발명의 목적은, 동일한 데이터 셋(SET)으로 여러 학습모델을 생성하고, 복수의 학습 모델 각각을 적용하였을 때의 예측 진단 결과를 도출하여 복수의 학습 모델 간의 진단 결과가 다를 때, 다수결의 원칙에 따라 정상 또는 파킨슨 병에 해당하는지에 대한 최종 진단을 결정할 수 있는 파킨슨 병 진단 장치 및 방법을 제공하는 것이다.
또한, 본 발명의 목적은, 인공지능을 이용한 파킨슨병 진단 방법을 통해 환자군 및 정상군 선별에 활용하여 임상시험 성공 확률을 높이는 장치, 시스템 및 방법을 제공하는 것이다.
한편, 본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기의 기술적 과제를 달성하기 위한 본 발명의 일 양상인 인공지능 기반 파킨슨 병 진단 장치는, 환자의 뇌를 촬영한 MRI로부터, 멀티 에코(multi echo) 크기 및 위상과 관련된 제 1 영상을 획득하는 영상 획득부; 파킨슨 병의 영상 바이오 마커로 이용되는 흑질과 나이그로좀 1 영역의 관찰이 가능하도록, 상기 획득한 제 1 영상을 후처리하는 영상 처리부; 상기 후처리된 제 1 영상을 분석하여 상기 나이그로좀 1 영역이 포함된 제 2 영상을 분류하고, 상기 분류된 제 2 영상으로부터 상기 나이그로좀 1 영역을 검출하는 영상 분석부; 및 상기 검출된 나이그로좀 1 영역의 정상 여부를 분석하여, 상기 환자의 파킨슨 병 유무를 진단하는 진단부;를 포함하되, 상기 영상 처리부는, 양적 자화율 매핑 알고리즘을 기반으로, 상기 제 1 영상에 양적 자화율 맵 마스크를 적용하여, 자화율 맵 가중 이미징 영상을 생성함으로써, 상기 후처리를 수행하고, 상기 영상 처리부는, 상기 생성된 자화율 맵 가중 이미징 영상에 대해, 각도 조절, 영상 확대 및 재분할(Reslice) 동작 중 적어도 하나를 더 수행할 수 있다.
또한, 상기 각도 조절은, 상기 나이그로좀 1 영역의 관찰이 용이하도록 상기 생성된 자화율 맵 가중 이미징 영상의 틀어짐을 보정하는 동작이고, 상기 영상 확대는, 상기 나이그로좀 1 영역과 관련된 영상을 확대하는 동작이며, 상기 재분할은, 나이그로좀 1 영역이 포함된 상기 제 1 영상의 생성 개수를 늘리기 위한 동작일 수 있다.
또한, 상기 영상 분석부는, 기계학습을 통해 상기 후처리된 제 1 영상 내에 존재하는 적핵(red nucleus)과 흑질(substantia nigra)를 검출하고, 상기 제 1 영상에서, 상기 검출한 적핵과 흑질 중 상기 적핵이 없어지는 시점의 제 1 이미지를 기준으로, 상기 나이그로좀 1 영역이 포함된 제 2 영상을 분류할 수 있다.
또한, 상기 영상 분석부는, 상기 제 1 영상 중, 상기 제 1 이미지를 기준으로 일정 범위 이내의 영상을 분석하여 상기 나이그로좀 1 영역이 포함된 제 2 영상을 분류할 수 있다.
또한, 상기 영상 분석부는, 기계 학습의 딥러닝 신경망(deep learnig neural network)을 이용한 방식 중 원-스테이지 디텍터(one-stage detector) 방식을 이용하여, 상기 나이그로좀 1 영역이 포함된 제 2 영상을 분류할 수 있다.
또한, 상기 영상 분석부는, 상기 후처리된 제 1 영상에, 콘볼루션 신경망(Convolutional Neural Network, CNN)을 적용하여, 완전 콘볼루션 레이어(Fully convolution layer)의 특징을 갖는 특징 맵(feature map)을 검출하고, 상기 특징 맵에, 특징 피라미드 신경망(feature pyramid network, FPN)을 적용하여 다중 스케일 연결(cross-scale connections)을 도출하며, 상기 다중 스케일 연결을 기반으로 한 분류 결과에 대해, 분류 로스(classification loss), 바운딩 박스 리그레션 로스(bounding-box regression loss) 및 초점 로스(Focal Loss)를 미리 설정된 기준에 따라 조절함으로써, 상기 나이그로좀 1 영역이 포함된 제 2 영상을 분류할 수 있다.
또한, 상기 진단부는, 동일한 데이터 셋(Data Set)을 기반으로, 상기 파킨슨 병 유무를 진단하기 위한 복수의 학습 모델을 생성하고, 상기 검출된 나이그로좀 1 영역을 기반으로, 상기 복수의 학습 모델에 의한 복수의 예측 결과를 도출하며, 상기 복수의 예측 결과를 기초로 상기 환자의 파킨슨 병 유무를 진단할 수 있다.
또한, 상기 진단부는, 상기 검출된 나이그로좀 1 영역을 기반으로, 상기 복수의 학습 모델에 의한 복수의 예측 결과에 다수결의 원칙을 적용하여, 다수인 예측 결과를 기반으로 상기 환자의 파킨슨 병 유무를 진단할 수 있다.
한편, 상기의 기술적 과제를 달성하기 위한 본 발명의 다른 일 양상인 인공지능 기반의 파킨슨 병 진단 방법은, 영상 획득부가 환자의 뇌를 촬영한 MRI로부터, 멀티 에코(multi echo) 크기 및 위상과 관련된 제 1 영상을 획득하는 제 1 단계; 파킨슨 병의 영상 바이오 마커로 이용되는 흑질과 나이그로좀 1 영역의 관찰이 가능하도록, 영상 처리부가 상기 획득한 제 1 영상을 후처리하는 제 2 단계; 영상 분석부가 상기 후처리된 제 1 영상을 분석하여 상기 나이그로좀 1 영역이 포함된 제 2 영상을 분류하는 제 3 단계; 상기 영상 분석부가 상기 분류된 제 2 영상으로부터 상기 나이그로좀 1 영역을 검출하는 제 4 단계; 및 진단부가 상기 검출된 나이그로좀 1 영역의 정상 여부를 분석하여, 상기 환자의 파킨슨 병 유무를 진단하는 제 5 단계;를 포함하되, 상기 제 2단계에서, 상기 영상 처리부는, 양적 자화율 매핑 알고리즘을 기반으로, 상기 제 1 영상에 양적 자화율 맵 마스크를 적용하여, 자화율 맵 가중 이미징 영상을 생성함으로써, 상기 후처리를 수행하고, 상기 제 2 단계와 상기 제 3 단계 사이에는, 상기 영상 처리부가 상기 생성된 자화율 맵 가중 이미징 영상에 대해, 각도 조절, 영상 확대 및 재분할(Reslice) 동작 중 적어도 하나를 더 수행하는 제 2.5 단계;를 더 포함할 수 있다.
또한, 상기 제 2.5 단계에서, 상기 각도 조절은, 상기 나이그로좀 1 영역의 관찰이 용이하도록 상기 생성된 자화율 맵 가중 이미징 영상의 틀어짐을 보정하는 동작이고, 상기 영상 확대는, 상기 나이그로좀 1 영역과 관련된 영상을 확대하는 동작이며, 상기 재분할은, 나이그로좀 1 영역이 포함된 상기 제 1 영상의 생성 개수를 늘리기 위한 동작일 수 있다.
또한, 상기 제 3 단계는, 상기 영상 분석부가, 기계학습을 통해 상기 후처리된 제 1 영상 내에 존재하는 적핵(red nucleus)과 흑질(substantia nigra)를 검출하는 제 3-1 단계; 및 상기 영상 분석부가, 상기 제 1 영상에서, 상기 검출한 적핵과 흑질 중 상기 적핵이 없어지는 시점의 제 1 이미지를 기준으로, 상기 나이그로좀 1 영역이 포함된 제 2 영상을 분류하는 제 3-2 단계;를 더 포함할 수 있다.
또한, 상기 제 3-2 단계에서, 상기 영상 분석부는, 상기 제 1 영상 중, 상기 제 1 이미지를 기준으로 일정 범위 이내의 영상을 분석하여 상기 나이그로좀 1 영역이 포함된 제 2 영상을 분류할 수 있다.
또한, 상기 제 3 단계는, 상기 영상 분석부가 기계 학습의 딥러닝 신경망(deep learnig neural network)을 이용한 방식 중 원-스테이지 디텍터(one-stage detector) 방식을 이용하여, 상기 나이그로좀 1 영역이 포함된 제 2 영상을 분류할 수 있다.
또한, 상기 제 3 단계는, 상기 영상 분석부가, 상기 후처리된 제 1 영상에 콘볼루션 신경망(Convolutional Neural Network, CNN)을 적용하여, 완전 콘볼루션 레이어(Fully convolution layer)의 특징을 갖는 특징 맵(feature map)을 검출하는 제 3-1 단계; 상기 영상 분석부가, 상기 특징 맵에 특징 피라미드 신경망(feature pyramid network, FPN)을 적용하여 다중 스케일 연결(cross-scale connections)을 도출하는 제 3-2 단계; 및 상기 영상 분석부가, 상기 다중 스케일 연결을 기반으로 한 분류 결과에 대해, 분류 로스(classification loss), 바운딩 박스 리그레션 로스(bounding-box regression loss) 및 초점 로스(Focal Loss)를 미리 설정된 기준에 따라 조절함으로써, 상기 나이그로좀 1 영역이 포함된 제 2 영상을 분류하는 제 3-3 단계;를 포함할 수 있다.
또한, 상기 제 5 단계는, 상기 진단부가, 동일한 데이터 셋(Data Set)을 기반으로, 상기 파킨슨 병 유무를 진단하기 위한 복수의 학습 모델을 생성하는 제 5-1 단계; 상기 진단부가, 상기 검출된 나이그로좀 1 영역을 기반으로, 상기 복수의 학습 모델에 의한 복수의 예측 결과를 도출하는 제 5-2 단계; 및 상기 진단부가, 상기 복수의 예측 결과를 기초로 상기 환자의 파킨슨 병 유무를 진단하는 제 5-3 단계;를 포함할 수 있다.
또한, 상기 제 5-3 단계는, 상기 검출된 나이그로좀 1 영역을 기반으로, 상기 복수의 학습 모델에 의한 복수의 예측 결과에 다수결의 원칙을 적용하여, 다수인 예측 결과를 기반으로 상기 환자의 파킨슨 병 유무를 진단할 수 있다.
상술한 바와 같이, 본 발명에 따른 복수의 학습 모델에 의한 다중 예측 결과를 이용하는 파킨슨 병 진단 장치 및 방법에 의하면, MRI에서 나이그로좀 1 영역이 포함된 영상만을 분류하고, 분류된 영상에서 나이그로좀 1 영역을 분석하여 파킨슨 병 유무를 진단할 수 있다는 효과가 얻어진다.
그리고 본 발명에 의하면, 자화율 맵 가중 이미징 프로토콜과 양적 자화율 매핑 알고리즘을 적용해서 나이그로좀 1 영역의 가시성을 향상시키고, 흑질 구조가 시각화된 영상을 이용해서 파킨슨 병을 진단함에 따라, 보편적으로 공급된 MRI 장비를 이용해서 파킨슨 병을 정밀하게 진단할 수 있고, 진단 결과의 정확도를 향상시킬 수 있다는 효과가 얻어진다.
또한, 본 발명은, SMWI 영상에 대해 각도 조절, 영상 확대, 재분할(Reslice) 등의 전처리 과정을 추가적으로 수행함으로써, 획득된 영상에서 파킨슨 병의 영상 바이오 마커로 제시된 흑질과 나이그로좀 1 영역만을 관찰 가능하도록 할 수 있다.
또한, 본 발명은, 기계학습을 통해 주변에 검출이 더 용이한 red nucleus와 substantia nigra 를 검출하고, red nucleus와 substantia nigra 모두 존재하다가 red nucleu가 없어지는 순간의 영상을 검출함으로써, nigrosome-1 영역을 효과적으로 검출할 수 있다.
또한, 본 발명은, 동일한 데이터 셋(SET)으로 여러 학습모델을 생성하고, 복수의 학습 모델 각각을 적용하였을 때의 예측 진단 결과를 도출하여 복수의 학습 모델 간의 진단 결과가 다를 때, 다수결의 원칙에 따라 정상 또는 파킨슨 병에 해당하는지에 대한 최종 진단을 결정할 수 있다.
또한, 약 효능 입증을 위한 임상시험은 미리 예측한 기대 효과를 임상시험 참여자들에 대해 달성하는지 통계적 유의성을 보임으로서 결과가 판정되는데, 본 발명에 따른 파킨슨병 진단 방법 및 장치를 적용하는 경우, 정확히 신약이 목표로 하는 파킨슨병 환자만을 임상시험 대상자로 포함시킴으로써, 최대한 임상시험 성공 확률을 높일 수 있다.
즉, 본 발명에 따른 인공지능을 이용한 파킨슨병 진단 방법을 통해, 환자군 및 정상군 선별에 활용하여 임상시험 성공 확률을 높이는데 활용할 수 있다.
한편, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명과 관련하여, 흑질과 나이그로좀 1 영역을 포함한 MRI를 예시한 도면이다.
도 2는 본 발명의 바람직한 실시 예에 따른 파킨슨 병 진단 장치의 블록 구성도를 도시한 것이다.
도 3은 본 발명에 따른 영상 획득부와 영상 처리부의 동작을 설명하는 도면이다.
도 4는 본 발명에 따른 영상 처리부가 SMWI 영상에 대해 각도 조절, 영상 확대, 재분할(Reslice) 등의 전처리 과정을 추가적으로 수행하는 동작을 설명하는 도면이다.
도 5는 도 4와 관련하여, 영상 처리부가 처리부가 SMWI 영상에 대해 각도 조절 및 영상 확대를 수행한 결과의 일례를 도시한 것이다.
도 6 및 도 7은 본 발명에 따른 영상 분석부의 동작을 설명하는 도면이다.
도 8은 본 발명에 따른 영상 분석부가 nigrosome-1 영역을 더 효과적으로 검출할 수 있는 방법을 설명하는 도면이다.
도 9는 본 발명에 따른 진단부의 동작을 설명하는 도면이다.
도 10은 본 발명과 관련하여, 입력 영상에 진단 결과를 적용한 상태를 나타낸 도면이다.
도 11은 본 발명에 따른 진단부가 다중 예측 결과를 결합하여 진단 성능을 개선할 수 있는 방법을 설명하는 도면이다.
도 12는 본 발명의 바람직한 실시 예에 따른 파킨슨 병 진단 방법을 단계별로 설명하는 공정도의 일례를 도시한 것이다.
도 13은 본 발명의 바람직한 실시 예에 따라 획득된 영상에서 파킨슨 병의 영상 바이오 마커로 제시된 흑질과 나이그로좀 1 영역만을 관찰 가능하도록 후 처리하는 과정을 설명하는 순서도이다.
도 14는 본 발명의 바람직한 실시 예에 따라 처리된 영상을 분석해서 나이그로좀 1 영역이 포함된 영상을 분류하고 분류된 영상에서 나이그로좀 1 영역을 검출하는 방법을 설명하는 순서도이다.
도 15는 분류된 각 영상에서 나이그로좀 1 영역에 대한 정상 여부를 판단해서 파킨슨 병을 진단하는 과정을 설명하는 순서도이다.
도 16은 인공지능을 이용한 파킨슨병 진단 방법을 통해 환자군 및 정상군 선별에 활용하여 임상시험 성공 확률을 높이는 방법을 설명하는 도면이다.
도 2는 본 발명의 바람직한 실시 예에 따른 파킨슨 병 진단 장치의 블록 구성도를 도시한 것이다.
도 3은 본 발명에 따른 영상 획득부와 영상 처리부의 동작을 설명하는 도면이다.
도 4는 본 발명에 따른 영상 처리부가 SMWI 영상에 대해 각도 조절, 영상 확대, 재분할(Reslice) 등의 전처리 과정을 추가적으로 수행하는 동작을 설명하는 도면이다.
도 5는 도 4와 관련하여, 영상 처리부가 처리부가 SMWI 영상에 대해 각도 조절 및 영상 확대를 수행한 결과의 일례를 도시한 것이다.
도 6 및 도 7은 본 발명에 따른 영상 분석부의 동작을 설명하는 도면이다.
도 8은 본 발명에 따른 영상 분석부가 nigrosome-1 영역을 더 효과적으로 검출할 수 있는 방법을 설명하는 도면이다.
도 9는 본 발명에 따른 진단부의 동작을 설명하는 도면이다.
도 10은 본 발명과 관련하여, 입력 영상에 진단 결과를 적용한 상태를 나타낸 도면이다.
도 11은 본 발명에 따른 진단부가 다중 예측 결과를 결합하여 진단 성능을 개선할 수 있는 방법을 설명하는 도면이다.
도 12는 본 발명의 바람직한 실시 예에 따른 파킨슨 병 진단 방법을 단계별로 설명하는 공정도의 일례를 도시한 것이다.
도 13은 본 발명의 바람직한 실시 예에 따라 획득된 영상에서 파킨슨 병의 영상 바이오 마커로 제시된 흑질과 나이그로좀 1 영역만을 관찰 가능하도록 후 처리하는 과정을 설명하는 순서도이다.
도 14는 본 발명의 바람직한 실시 예에 따라 처리된 영상을 분석해서 나이그로좀 1 영역이 포함된 영상을 분류하고 분류된 영상에서 나이그로좀 1 영역을 검출하는 방법을 설명하는 순서도이다.
도 15는 분류된 각 영상에서 나이그로좀 1 영역에 대한 정상 여부를 판단해서 파킨슨 병을 진단하는 과정을 설명하는 순서도이다.
도 16은 인공지능을 이용한 파킨슨병 진단 방법을 통해 환자군 및 정상군 선별에 활용하여 임상시험 성공 확률을 높이는 방법을 설명하는 도면이다.
이하, 도면을 참조하여 본 발명의 바람직한 일 실시례에 대해서 설명한다. 또한, 이하에 설명하는 실시례는 특허청구범위에 기재된 본 발명의 내용을 부당하게 한정하지 않으며, 본 실시 형태에서 설명되는 구성 전체가 본 발명의 해결 수단으로서 필수적이라고는 할 수 없다.
이하 본 발명의 바람직한 실시 예에 따른 파킨슨 병 진단 장치 및 방법을 첨부된 도면을 참조하여 상세하게 설명한다.
흑질 내 나이그로좀 1 영역을 관찰해서 파킨슨 병을 진단하는 기준
먼저, 도 1을 참조하여 흑질 내 나이그로좀 1 영역을 관찰해서 파킨슨 병을 진단하는 기준을 설명한다.
도 1은 흑질과 나이그로좀 1 영역을 포함한 MRI를 예시한 도면이다.
도 1의 (a)에는 이미징 슬래브(imaging slab)가 도시되어 있고, 도 1의 (b)에는 정상인의 흑질(substantia nigra)과 나이그로좀 1 영역의 영상이 도시되어 있으며, 도 1의 (c)에는 파킨슨 병 환자의 흑질과 나이그로좀 1 영역의 영상이 도시되어 있다.
정상인의 흑질 내 나이그로좀 1 영역은 도 1의 (b)에 도시된 바와 같이 검게 표시되고, 파킨슨 병 환자의 나이그로좀 1 영역은 도 1의 (c)에 도시된 바와 같이 상대적으로 회색에 가깝게 표시된다.
따라서 본 발명은 MRI에서 파킨슨 병의 영상 바이오 마커로 제시된 나이그로좀 1 영역의 음영을 관찰해서 파킨슨 병 유무를 진단할 수 있다.
예를 들어, 본 발명은 3T MRI에서 자화율 맵 가중 이미징(Susceptibility Map Weighted Imaging, 이하 'SMWI') 프로토콜 및 그 내부의 양적 자화율 매핑(Qluantitative Susceptibility Mapping, 이하 'QSM'이라 함) 알고리즘을 적용해서 나이그로좀 1 영역의 가시성을 향상시켜 나이그로좀 1 영역의 정상 여부를 분석해서 파킨슨 병을 진단한다.
흑질 치밀부(substantia nigra pars compacta)는 도파민 성 신경 세포의 고밀도 집단을 포함하는 중뇌 구조이다. 이 뉴런은 특발성 파킨슨 병(idiopathic Parkinson's disease, IPD)에서 점진적으로 소실되어 장애를 초래한다. 이 영역은 건강한 대조군과 비교했을 때 IPD 환자에서 철(iron) 농도가 증가함을 보여준다.
최근, 건강한 피검자의 고해상도 자화율 대비 이미지에서 니이그로좀 1 로 알려진 흑질 치밀부의 작은 부분을 시각화한 결과, 나이그로좀 1과 그 주변의 흑질 영역(substantia nigra regions) 사이의 대조는 철 농도의 차이에 기인한 것으로, IPD 환자에서 두 부위의 자화율 차이는 현저하게 감소하는 것으로 나타났다.
이와 같은 두 부위의 자화율 차이 감소는 IPD의 이미징 바이오 마커로 활용되고 있다.
따라서 나이그로좀 1 구조는 고해상도(예: 0.3mm 평면 분해능) T2- 가중 이미징 또는 자화율 가중 이미징(SWI)을 사용하여 7T MRI에서 성공적으로 묘사되었다.
그러나 낮은 자계 세기, 예컨대 3T MRI에서는 제한된 공간 해상도와 신호/대조 대 잡음비(SNR/CNR)로 인해, 3D 고해상도 T2- 가중 이미징에서 콘트라스트(contrast), 즉 대비가 현저히 감소된 구조가 관찰된다.
이러한 한계는 접근법의 유용성을 입증한 몇 가지 성공적인 연구에도 불구하고, 3T MRI에서 나이그로좀 1 이미징의 신뢰성과 적용 가능성을 저해하였다.
최근, 상기한 문제점을 해소하기 위해, 향상된 자기 자화율 대비를 제공하기 위한 새로운 방법이 제안되고 있다.
그 중에서 한 가지 방법은 SNR을 향상시키기 위해 단일 에코 이미지를 사용하는 대신에, 멀티 에코 그레이디언트 리콜 에코(multi-echo gradient recall echo, 이하 '멀티 에코 GRE'라 함) 크기 영상(magnitude images)를 결합하는 것으로, 3T MRI에서 IPD를 진단하는 데 비교적 높은 정확도를 나타낸다.
상기 크기 영상의 대안은 자화율 대비를 높이기 위해 가중치 마스크(mask)로 위상(phase) 정보를 사용하는 자화율 가중 이미징(susceptibility-weighted imaging, SWI)이나, 위상 이미징의 블루밍(blooming)으로 인해 아티팩트(artifacts)를 생성할 수 있다.
다른 자화율 대비와 관련된 접근법은 GRE 위상(또는 주파수) 이미지와 양적 자화율 매핑(QSM)이며, 둘 다 자화율에 대한 민감도가 우수하고 최근에 널리 적용되고 있다.
또한, 크기 영상에 대해 QSM으로부터 유도된 자화율 가중 마스크(susceptibility weighting mask)를 이용하는 새로운 방법이 제안되고 있다.
이 접근법은 SWI와 유사하나, SWI의 블루밍 아티팩트를 해결하고 잠재적으로 자화율 변화의 시각화를 향상시킬 수 있다.
QSM 마스크 가중 이미징은 나이그로좀 1 구조를 시각화하는데 유용성이 입증되어 있다.
상기 비특허문헌 1에는 신경 촬영(neroimaging)을 위한 SMWI 기술이 개시되어 있고, 상기 비특허문헌 2에는 3T MRI에서 멀티 에코 SMWI를 이용한 흑질 내 나이그로좀 1의 이미징 기술이 개시되어 있으며, 상기 비특허문헌 3에는 뇌 철분 측정을 위한 QSM 기술이 개시되어 있다.
따라서 본 발명은 뇌 철분의 농도와 자화율의 상관에 따라 파킨슨 병으로 인한 나이그로좀 1 영역의 변화에 기반해서 파킨슨 병을 진단한다.
파킨슨 병 진단 장치
도 2는 본 발명의 바람직한 실시 예에 따른 파킨슨 병 진단 장치의 블록 구성도이다.
본 발명의 바람직한 실시 예에 따른 파킨슨 병 진단 장치(10)는 도 2에 도시된 바와 같이, 환자의 뇌를 촬영한 MRI에서 멀티 에코 크기 및 위상 영상을 획득하는 영상 획득부(20), 획득된 영상에서 파킨슨 병의 영상 바이오 마커로 제시된 흑질과 나이그로좀 1 영역만을 관찰 가능하도록 후 처리하는 영상 처리부(30), 처리된 영상을 분석해서 나이그로좀 1 영역이 포함된 영상을 분류하고 분류된 영상에서 나이그로좀 1 영역을 검출하는 영상 분석부(40) 및 분류된 각 영상에서 나이그로좀 1 영역에 대한 정상 여부를 판단해서 파킨슨 병을 진단하는 진단부(50)를 포함한다.
이하에서는, 각 구성요소의 역할 및 기능에 대해 도면을 참조하여 구체적으로 설명한다.
영상획득부 및 영상 처리부의 동작
도 3을 참조하여 영상 획특부와 영상 처리부의 구성을 상세하게 설명한다.
도 3은 영상 획득부와 영상 처리부의 동작을 설명하는 도면이다. 도 3에는 멀티 에코 합성 GRE 이미지로부터 나이그로좀 1 구조에 대한 SMWI 영상을 생성하는 과정이 도시되어 있다.
영상 획득부(20)는 도 3에 도시된 바와 같이, MRI 장비(21) 또는 데이터 베이스에서 촬영된 MRI를 저장하고 관리하는 데이터베이스(도면 미도시)와 통신 가능하게 연결되어 파킨슨 병을 진단하고자 하는 환자의 MRI를 획득한다.
영상 처리부(30)는 도 3에 도시된 바와 같이, 나이그로좀 1 구조의 시각화를 위해, QSM 알고리즘을 이용해서 멀티 에코 크기 영상과 멀티 에코 위상 영상(phase image)가 복합된 멀티 에코 GRE 복합 영상에서 SMWI 영상을 생성한다.
예를 들어, 영상 처리부(30)는 멀티 채널 복합 영상으로부터 멀티 채널 크기 영상 제곱의 합의 제곱근에 의해 채널 결합된 크기 영상을 생성하고, 위상 영상은 개별 채널의 글로벌 위상 오프셋을 보정한 후 복소 평균으로 결합된다(1단계).
그리고 영상 처리부(30)는 여섯 개 에코의 크기 영상 제곱의 합의 제곱근에 의해 단일 이미지로 결합한다(2단계).
영상 처리부(30)는 라플라시안 언래핑(Laplacian unwrapping) 알고리즘을 사용하여 서로 다른 TE의 위상 영상을 계산하고, 각 복셀에서 결합된 주파수(w)를 계산한다(3단계).
영상 처리부(30)는 주파수 영상에서 라플라시안 연산자((Laplacian operator) 방법을 이용한 고조파 배경 위상 제거를 사용하여 배경 영역을 제거한다(4단계).
여기서, 상기 QSM은 향상된 희박 선형 방정식(sparse linear equation)과 최소 제곱(least-squares, iLSQR) 방법을 사용하여 재구성될 수 있다.
예를 들어, iLSQR의 재구성 파라미터에서 오차 허용=0.01, 불완전한 k- 영역 마스크에 대한 임계 값 D2, thres=0.1 이다.
이어서, 영상 처리부(30)는 결과 QSM을 추가로 처리하여 자화율 대비 가중치를 위한 QSM 마스크(Smask)를 생성한다(5단계).
상기 마스크는 수학식 1을 이용해서 생성될 수 있다.
[수학식 1]
여기서, X는 상기 4단계에서 계산된 양적 자화율 값(ppm 단위)이고, Xth는 상자성 임계값이다. 상기 임계값은 나중에 최적의 CNR에 대한 나이그로좀 1 이미징 데이터를 사용하여 결정될 수 있다.
마지막으로, 영상 처리부(30)는 아래의 수학식 2를 이용해서 멀티 에코 결합된 크기 영상에 QSM 마스크를 곱하여 SMWI 영상을 생성할 수 있다.
[수학식 2]
여기서, m은 자화율 가중치에 대한 곱셈의 수이고, mag는 상기 2단계의 멀티 에코 크기 결합 영상이다.
한편, 본 발명에서는 생헝된 SMWI 영상에 대해 각도 조절, 영상 확대, 재분할(Reslice) 등의 전처리 과정을 추가적으로 수행함으로써, 획득된 영상에서 파킨슨 병의 영상 바이오 마커로 제시된 흑질과 나이그로좀 1 영역만을 관찰 가능하도록 할 수 있다.
도 4는 본 발명에 따른 영상 처리부가 SMWI 영상에 대해 각도 조절, 영상 확대, 재분할(Reslice) 등의 전처리 과정을 추가적으로 수행하는 동작을 설명하는 도면이다.
도 4의 (a)를 참조하면, 영상 처리부(30)가 상기 수학식 2를 이용해서 멀티 에코 결합된 크기 영상에 QSM 마스크를 곱하여 생성한 SMWI 영상의 일례가 도시된다.
이후, 도 4의 (b)에 도시된 것과 같이, 영상 처리부(30)는 각도 조절 및 영상 확대의 동작을 수행할 수 있다.
먼저, 영상 처리부(30)의 각도 조절 동작은, 촬영 시 촬영자의 움직임 등에 의한 영상 틀어짐을 보정하기 위해 수행된다.
또한, 영상 처리부(30)의 영상 확대 동작은, nigrosome-1 영역 확대를 위해 수행된다.
구체적으로, 본 발명에 따른 각도 조절은, 의료영상정보(dicom->image orientation patient, image position patient, slice location, slice thickness 등)의 각 필드 값에 대한 정보를 확인하여 nigrosome-1이 잘 보이는 각도로 조절될 수 있다.
또한, 본 발명에 따른 영상 확대는, 전체 이미지를 정사각형으로 9등분하여 가운데 정사각형 영역을 가로세로 3배씩 확대함으로써, 수행될 수 있다.
도 5는 도 4와 관련하여, 영상 처리부가 처리부가 SMWI 영상에 대해 각도 조절 및 영상 확대를 수행한 결과의 일례를 도시한 것이다.
도 5의 (a)를 참조하면, 축 영상(axial image)과 빨간색 선(red line)을 코로나 평면(coronal plane)으로 나타낸 것으로, 각도 조절 동작이 수행된 결과가 도 5의 (b)에 도시되어 있다.
도 5의 (b)를 참조하면, 촬영 시 촬영자의 움직임 등에 의한 영상 틀어짐 등이 보정되고, nigrosome-1이 잘 보이는 각도로 조절되며, 이는 확대 동작을 통해 nigrosome-1 영역이 확대되어 제공될 수 있다.
다시 도 4로 복귀하여, 도 4의 (b)에서 영상 처리부(30)는 각도 조절 및 영상 확대의 동작을 수행한 후에, 도 4의 (c)에 도시된 것과 같이, MR영상의 thickness 를 더 세밀하게 조절하여 nigrosome-1 영역이 포함된 영상을 더 많게 만들기 위해 재분할(Reslice) 하는 과정이 수행될 수 있다.
이러한 재분할(Reslice) 과정은 전술한 것과 같이, MR영상의 thickness 를 기존보다 더 세밀하게 조절 및 적용하여 nigrosome-1 영역이 포함된 영상을 더 많게 만드는 것이다.
이러한 본 발명의 재분할(Reslice) 과정을 통해, 추가적으로 영상을 약 2~3장 증가시킬 수 있고, 이는 기존에 생성되는 2~3장에 추가적 영상이 2~3장 더 생성될 수 있어 결과적으로 약 2배 이상 nigrosome-1 영역이 포함된 영상을 더 많이 생성할 수 있게 된다.
대표적으로 본 발명에 따른 재분할(Reslice) 과정에서는, 입력된 mr 영상정보의 slice thickness 를 0.5 이하로 조절하여 nigrosome-1이 포함된 영역을 확대할 수 있다.
영상 분석부의 동작
다음, 도 6 및 도 7을 참조하여 영상 분석부의 동작을 상세하게 설명한다.
도 6 및 도 7은 영상 분석부의 동작을 설명하는 도면이다. 도 6에는 나이그로좀 1 영역이 포함된 영상을 분류하는 과정이 도시되어 있고, 도 7에는 분류된 영상에서 나이그로좀 1 영역을 검출하는 과정이 도시되어 있다.
영상 처리부(30)의 후 처리 과정을 통해 도 6에 도시된 바와 같이, 다수의 SWMI 영상을 획득할 수 있다.
일반적으로, 파킨슨 병 진단을 위해 촬영되는 MRI는 환자 1인당 약 40 내지 70여장 정도이고, 이 중에서 파킨슨 병 진단에 사용되는 나이그로좀 1 영역이 포함된 영상은 약 3 내지 6장 이내이다.
영상 분석부(40)는 도 6에 도시된 바와 같이, 기계 학습(machine learning)을 통해 전체 MRI 중에서 나이그로좀 1 영역이 포함된 영상을 분석해서 나이그로좀 1 영역이 포함된 영상과 미포함된 영상을 분류(classification)할 수 있다.
그리고 영상 분석부(40)는 도 7에 도시된 바와 같이, 기계 학습을 통해 분류된 나이그로좀 1 영역을 포함한 각 영상에서 나이그로좀 1 영역이 존재하는 위치를 지정하고, 지정된 나이그로좀 1 영역을 검출할 수 있다.
예를 들어, 영상 분석부(40)는 기계 학습의 딥러닝 신경망(deep learnig neural network)을 이용한 방식 중에서 one-stage detector 방식을 이용해서 나이그로좀 1 영역이 포함된 영역을 분류할 수 있다.
즉, 영상 분석부(40)는 획득된 영상을 콘볼루션 신경망(Convolutional Neural Network, 이하 'CNN'이라 함)을 이용해서 완전 콘볼루션 레이어(Fully convolution layer)의 특징을 갖는 특징 맵(feature map)을 검출하고, 특징 맵에서 특징 피라미드 신경망(feature pyramid network, 이하'FPN'이라 함)를 적용하여 다중 스케일 연결(cross-scale connections)을 구성하고, 분류 결과에 대해 분류 로스(classification loss)와 바운딩 박스 리그레션 로스(bounding-box regression loss)와 불필요한 분류를 최소화하기 위한 초점 로스(Focal Loss)를 최적화하여 최종적으로 다양한 사이즈의 영상에서 나이그로좀 1 영역이 포함된 영상만으로 최소화할 수 있다.
도 8은 본 발명에 따른 영상 분석부가 nigrosome-1 영역을 더 효과적으로 검출할 수 있는 방법을 설명하는 도면이다.
도 8을 참조하면, 본 발명에 따른 영상 분석부(40)는, 기계학습을 통해 주변에 검출이 더 용이한 red nucleus와 substantia nigra 를 검출하고, red nucleus와 substantia nigra 모두 존재하다가 red nucleu가 없어지는 순간의 영상을 검출함으로써, nigrosome-1 영역을 효과적으로 검출할 수 있다.
도 8의 (a)를 참조하면, 기계 학습(machine learning)을 통해 전체 MRI 중에서 나이그로좀 1 영역이 포함된 영상을 분석해서 나이그로좀 1 영역이 포함된 영상과 미포함된 영상을 분류(classification)할 수 있다.
다음으로, 도 8의 (b)를 참조하면, 입력 영상에서 nigrosome-1 이 포함된 영역 지정을 위해, 객체의 바운딩 박스들(Bounding boxes of object)과 등급 예측(class prediction)을 통해, 딥러닝 출력(Deep learning outputs)을 제시할 수 있다.
본 발명에서는, 입력 영상에서 substantia nigra, nigrosome-1 및 red nucleus의 위치를 검출하고 분석하기 위해, CNN 신경망을 통해 위치정보가 소실되지 않는 특징 맵을 생성하고, 특징 맵에서 FPN방식을 적용하여 분석 시 대상 크기변화에 대응하는 방법이 적용될 수 있다.
즉, 도 8의 (c)를 참조하면, nigrosome-1 과 연관된 이미지들(Images with nigrosome 1 regions)을 기초로, 전처리(preprocess)를 거친 영상은 특정 포지션(R0.7 P28.4 F5.2 mm)과 각도(C > T39.6 > S1.4)를 가지고 있다는 것을 이용할 수 있다.
즉, 전처리(preprocess)를 거친 영상은 특정 포지션(R0.7 P28.4 F5.2 mm)과 각도(C > T39.6 > S1.4)를 가지고 있다는 것을 이용하여, 파킨슨 진단을 위해 필요한 nigrosome-1 영역을 검출하기 위해 먼저 기계학습을 통해 주변에 조금 더 검출이 용이한 red nucleus와 substantia nigra 를 검출할 수 있다.
구체적으로, 도 8의 (c)에서는, Inferior 방향으로 영상을 차례로 확인하고, 적핵(red nucleus)과 흑질(substantia nigra)이 모두 존재하다가 적핵(red nucleus)가 없어지는 순간의 영상을 검출할 수 있다.
이후, 검출된 영상으로부터 약 2~3mm slice 내에 nigrosome-1 영역이 존재한다는 것을 전제로, 전체 MR 영상 중 nigrosome-1 영역이 포함된 2~3mm 두께의 영상들을 다수(예를 들면, 5~6장) 검출해낼 수 있게 된다.
이러한 nigrosome-1 영역이 포함된 2~3mm 두께의 영상들 중 적어도 하나의 이미지를 선택하여, 도 8의 (d) 및 (e)에서는, 분류된 나이그로좀 1 영역을 포함한 각 영상에서 나이그로좀 1 영역이 존재하는 위치를 지정하고, 지정된 나이그로좀 1 영역을 검출할 수 있게 된다.
진단부의 동작
다음으로, 도 9 및 도 10을 참조하여, 본 발명에 따른 진단부(50)의 동작을 설명한다.
도 9는 진단부의 동작을 설명하는 도면이도, 도 10은 입력 영상에 진단 결과를 적용한 상태를 보인 도면이다.
진단부(50)는 도 9에 도시된 바와 같이, 기계 학습을 통해 영상 분석부(40)에서 검출된 나이그로좀 1 영역에 대한 정상 여부를 분석하여 파킨슨 병 유무를 진단할 수 있다.
예를 들어, 도 10의 (a) 내지 (d)의 입력 영상에서 파킨슨 병의 유무 진단 결과에 따라 도 10의 (e) 내지 (h)에 도시된 바와 같이 진단 결과가 적용될 수 있다.
한편, 본 발명에서는 진단 성능을 개선하기 위해, 진단부(50)가 다중 예측 결과를 결합하여 판단을 내리는 방법이 적용될 수 있다.
도 11은 본 발명에 따른 진단부가 다중 예측 결과를 결합하여 진단 성능을 개선할 수 있는 방법을 설명하는 도면이다.
도 11을 참조하면, (a)에 표시된 동일한 데이터 셋(SET)을 기초로, 도 11의 (b)에 도시된 것과 같이, 여러 학습모델을 생성할 수 있다.
또한, 도 11의 (c)에 도시된 것과 같이, 복수의 학습 모델 각각을 적용하였을 때의 예측 진단 결과를 도출하고, (d)에서는 복수의 학습 모델 간의 진단 결과가 다를 때, 다수결의 원칙에 따라 정상 또는 파킨슨 병에 해당하는지에 대한 최종 진단을 결정하게 된다.
따라서 모델간의 진단 결과가 다를 때 다수결의 원칙에 따라 최종 진단을 결정함으로써, 다수의 딥러닝 모델의 예측 결과를 결합하여 최종적으로 대상자가 정상인지 환자인지 진단할 수 있어, 진단 성능을 개선할 수 있다.
파킨슨 병 진단 방법
다음으로, 도 12를 참조하여 본 발명의 바람직한 실시 예에 따른 파킨슨 병 진단 방법을 상세하게 설명한다.
도 12는 본 발명의 바람직한 실시 예에 따른 파킨슨 병 진단 방법을 단계별로 설명하는 공정도이다.
도 12의 S10단계에서 영상 획득부(20)는 MRI 장비(21) 또는 데이터베이스와의 통신을 통해 파킨슨 병을 진단하고자 하는 환자의 다수의 MRI를 획득한다.
여기서, 영상 획득부(20)는 3T MRI에서 멀티 에코 크기 영상과 멀티 에코 위상 영상(phase image)가 복합된 멀티 에코 GRE 복합 영상을 획득할 수 있다.
S12단계에서 영상 처리부(30)는 나이그로좀 1 구조의 시각화를 위해, QSM 알고리즘을 이용해서 멀티 에코 크기 영상과 멀티 에코 위상 영상(phase image)가 복합된 멀티 에코 GRE 복합 영상을 후처리하여 SMWI 영상을 생성한다.
S14단계에서 영상 분석부(40)는 기계 학습(machine learning)을 통해 전체 MRI 중에서 나이그로좀 1 영역이 포함된 영상을 분석해서 나이그로좀 1 영역이 포함된 영상과 미포함된 영상을 분류(classification)한다.
그리고 영상 분석부(40)는 기계 학습을 통해 분류된 나이그로좀 1 영역을 포함한 각 영상에서 나이그로좀 1 영역이 존재하는 위치를 지정하고, 지정된 나이그로좀 1 영역을 검출한다(S16).
마지막으로, 진단부(50)는 영상 분석부(40)에서 나이그로좀 1 영역을 포함한 영상으로 분류된 각 영상에서 검출된 나이그로좀 1 영역에 대한 정상 여부를 판단해서 파킨슨 병 유무 진단한다(S18).
이하에서는, S12, S14, S16 및 S18 단계 각각의 구체적인 과정에 대해 도면을 참조하여 상세하게 설명한다.
후처리하여 SMWI 영상을 생성하는 과정(S12)
도 13은 본 발명의 바람직한 실시 예에 따라 획득된 영상에서 파킨슨 병의 영상 바이오 마커로 제시된 흑질과 나이그로좀 1 영역만을 관찰 가능하도록 후 처리하는 과정을 설명하는 순서도이다.
도 13을 참조하면, 전술한 영상 처리부(30)가 나이그로좀 1 구조의 시각화를 위해, QSM 알고리즘을 이용해서 멀티 에코 크기 영상과 멀티 에코 위상 영상(phase image)가 복합된 멀티 에코 GRE 복합 영상을 후처리하여 SMWI 영상을 생성하는 S12 과정의 구체적인 단계가 도시된다.
가장 먼저, 멀티 채널 복합 영상으로부터 멀티 채널 크기 영상 제곱의 합의 제곱근에 의해 채널 결합된 크기 영상을 생성하고, 위상 영상은 개별 채널의 글로벌 위상 오프셋을 보정한 후 복소 평균으로 결합하는 단계(S20)가 진행된다.
이후, 여섯 개 에코의 크기 영상 제곱의 합의 제곱근에 의해 단일 이미지로 결합하는 단계(S21)가 진행된다.
S21 단계 이후에는, 라플라시안 언래핑(Laplacian unwrapping) 알고리즘을 사용하여 서로 다른 TE의 위상 영상을 계산하고, 각 복셀에서 결합된 주파수(w)를 계산하는 단계(S22)가 수행된다.
또한, 주파수 영상에서 라플라시안 연산자((Laplacian operator) 방법을 이용한 고조파 배경 위상 제거를 사용하여 배경 영역을 제거하는 단계(S23)가 진행된다.
이후, QSM을 추가로 처리하여 자화율 대비 가중치를 위한 QSM 마스크(Smask)를 생성하는 단계(S24)를 거쳐, 멀티 에코 결합된 크기 영상에 QSM 마스크를 곱하여 SMWI 영상을 생성하는 단계(S25)가 진행된다.
또한, 후 처리하여 생성된 SMWI 영상 관련, 영상 각도를 조절하고, 확대하는 단계(S26)가 수행된 이후에, MR영상의 thickness 를 더 세밀하게 조절하여 nigrosome-1 영역이 포함된 영상을 더 많게 만들기 위해 재분할(Reslice) 하는 단계(S27)가 진행됨으로써, 획득된 영상에서 파킨슨 병의 영상 바이오 마커로 제시된 흑질과 나이그로좀 1 영역만을 관찰 가능하도록 후 처리하는 과정이 수행된다.
나이그로좀 1 영역이 포함된 영상과 미포함된 영상을 분류(classification)하고(S14), 지정된 나이그로좀 1 영역을 검출(S16)하는 과정
도 14는 본 발명의 바람직한 실시 예에 따라 처리된 영상을 분석해서 나이그로좀 1 영역이 포함된 영상을 분류하고 분류된 영상에서 나이그로좀 1 영역을 검출하는 방법을 설명하는 순서도이다.
도 14를 참조하면, 나이그로좀 1 영역이 포함된 영상과 미포함된 영상을 분류(classification)하고(S14), 지정된 나이그로좀 1 영역을 검출(S16)하는 과정이 구체적으로 설명되어 있다.
가장 먼저, 기계학습을 통해 주변에 검출이 더 용이한 red nucleus와 substantia nigra 를 검출하는 단계(S31)가 진행된다.
이후, Inferior 방향으로 영상을 차례로 확인하고, red nucleus와 substantia nigra 모두 존재하다가 red nucleu가 없어지는 순간의 영상을 검출하는 단계(S32)를 수행한다.
또한, 검출한 영상부터 약 2~3mm slice 내에 nigrosome-1 영역이 존재하므로, 전체 MR 영상 중 nigrosome-1 영역이 포함된 2~3mm 두께의 영상들(5~6장)을 검출하는 단계(S33)가 진행된다.
S33 단계 이후에는, S33 단계를 통해 도출된 영상들 중 적어도 하나를 통해, nigrosome-1 영역을 검출하는 단계(S16)가 수행된다.
검출된 나이그로좀 1 영역에 대한 정상 여부를 판단해서 파킨슨 병 유무 진단하는 과정(S18)
도 15는 분류된 각 영상에서 나이그로좀 1 영역에 대한 정상 여부를 판단해서 파킨슨 병을 진단하는 과정을 설명하는 순서도이다.
도 15를 참조하면, 가장 먼저, 동일한 데이터 셋(SET)으로 여러 학습모델을 생성하는 단계(S41)를 진행하고, 복수의 학습 모델 각각을 적용하였을 때의 예측 진단 결과를 도출한다(S42).
이때, 복수의 학습 모델 간의 진단 결과가 다른 경우가 발생될 수 있고, 본 발명에서는, 다수결의 원칙에 따라 정상 또는 파킨슨 병에 해당하는지에 대한 최종 진단을 결정하게 된다(S43).
따라서 모델간의 진단 결과가 다를 때 다수결의 원칙에 따라 최종 진단을 결정함으로써, 다수의 딥러닝 모델의 예측 결과를 결합하여 최종적으로 대상자가 정상인지 환자인지 진단할 수 있어, 진단 성능을 개선할 수 있다.
인공지능을 이용한 파킨슨병 진단 방법을 통해 환자군 및 정상군 선별에 활용하여 임상시험 성공 확률을 높이는 방법
전술한 본 발명에 따른 이용한 파킨슨병 진단 방법 및 장치를, 환자군 및 정상군 선별에 활용하여 임상시험 성공 확률을 높일 수 있다.
즉, 본 발명은, 인공지능을 이용한 파킨슨병 진단 방법을 통해 환자군 및 정상군 선별에 활용하여 임상시험 성공 확률을 높이는 장치, 시스템 및 방법을 제공할 수 있다.
약 효능 입증을 위한 임상시험은 미리 예측한 기대 효과를 임상시험 참여자들에 대해 달성하는지 통계적 유의성을 보임으로서 결과가 판정되는데, 본 발명에 따른 파킨슨병 진단 방법 및 장치를 적용하는 경우, 정확히 신약이 목표로 하는 파킨슨병 환자만을 임상시험 대상자로 포함시킴으로써, 최대한 임상시험 성공 확률을 높일 수 있다.
먼저, 기존 신약 임상시험의 문제점에 대해 선결적으로 설명한다.
약 효능 입증을 위한 임상시험은 미리 예측한 기대 효과를 임상시험 참여자들에 대해 달성하는지 통계적 유의성을 보임으로서 결과가 판정된다.
한편, 파킨슨병의 경우, 약 효능에 의한 증상의 호전 여부 측정을 UPDRS 평가, 신경학적 검진, Hoehn & Yarr stage 평가(0~5단계) 등에 의존할 수밖에 없으며, 이 방법들은 문진에 의한 방법이며 데이터의 척도가 세밀하지 않다는 문제점이 있다.
따라서 통계적 유의성을 입증하려면 투약 전과 후, 또는 가짜약 군과 비교하여 평가 척도의 수치가 통계적으로 유의하게 상승되어야 하며, 예측 상승 수치가 비교적 클수록 목표 대상자수도 적어지고 통계적 유의성 달성 가능성이 상승하게 된다.
이때, 예측 상승 수치가 작다면 그만큼 목표 대상자수도 늘어나며 통계 입증 난이도가 상승하게 된다.
결국, 파킨슨병의 평가 척도 한단계 상승자체가 매우 어려우므로, 임상시험 통과 가능성이 매우 낮다는 문제점이 발생하게 된다.
본 발명에서는 이러한 문제점을 해소하기 위해, 정확히 신약이 목표로 하는 파킨슨병 환자만을 임상시험 대상자로 포함시킴으로써, 최대한 임상시험 성공 확률을 높이기 위해서는 시키고자 한다.
중추신경계 약물의 신약 개발과정에서 중요한 실패 요인 중 하나는 정확한 대상자 선별 및 약물 반응군 선별의 난점이다.
중추신경계 약물의 경우 특히 위약에 대한 반응비율이 높아, 대상자 군의 이질성을 낮추고, 약물 반응성을 예측할 수 있는 바이오마커를 설정하는 것이 성공률을 높이는데 있어 중요한 전략이 된다.
또한, 파킨슨병의 경우 확진에 오랜 기간이 소요되므로(약 3개월) 선별검사가 어려워 신약이 목표로 하는 파킨슨병 환자만을 임상시험 대상자로 포함시키기 매우 어렵다는 문제점이 있다.
따라서 본 발명이 제안하는 인공지능을 이용한 파킨슨병 진단 방법을 통해 환자군 및 정상군 선별에 활용하여 임상시험 성공 확률을 높이는데 활용할 수 있다.
도 16은 인공지능을 이용한 파킨슨병 진단 방법을 통해 환자군 및 정상군 선별에 활용하여 임상시험 성공 확률을 높이는 방법을 설명하는 도면이다.
도 16을 참조하면, 가장 먼저, 약 효능 입증을 위한 임상시험 실험 후보군을 모집하는 단계(S1)가 진행된다.
이후, 복수의 실험 후보군을 대상으로, 영상을 획득하는 단계(S10), 각각의 영상에 QSM 알고리즘을 적용하여 영상 후처리 하는 단계(S12), 기계 학습을 이용하여 나이그로좀 1 영역이 포함된 영상을 분류하는 단계(S14), 나이그로좀 1 영역를 검출하는 단계(S16) 및 나이그로좀 1 영역 정상 여부 판단을 기초로 피킨슨 병이 존재하는지 진단하는 단계(S18)가 진행된다.
상기 S10 내지 S18 단계는, 도 12 내지 도 15에서 구체적으로 설명하였는바 명세서의 간명화를 위해, 반복적 설명은 생략한다.
이후, S18 단계를 통해 진단 결과가 도출되면, 진단 결과를 기초로, 복수의 실험 후보군을 실제 파킨슨 병 환자군과 정상 환자군으로 구분하는 단계(S50)가 진행될 수 있다.
이때, 실제 파킨슨 환자군으로 분류된 대상만을 기초로, 임상시험을 진행하는 단계(S52) 및 임상 시험 결과를 기초로 약 효능을 입증하는 단계(S54)를 통해, 정확히 신약이 목표로 하는 파킨슨병 환자만을 임상시험 대상자로 포함시킴으로써, 최대한 임상시험 성공 확률을 높일 수 있다.
결국, 본 발명에 따른 인공지능을 이용한 파킨슨병 진단 방법을 통해, 환자군 및 정상군 선별에 활용하여 임상시험 성공 확률을 높이는데 활용할 수 있다.
전술한 S1 단계 내지 S54 단계는, 파킨슨 병 진단 장치(10) 독자적으로 수행될 수도 있고, 별도의 서버(미도시)를 두거나 별도의 중앙관리장치(미도시)를 두고, 파킨슨 병 진단 장치(10)와 함께 전체 동작을 수행하도록 적용될 수도 있다.
본 발명에 따른 효과
본 발명에 따른 파킨슨 병 진단 장치 및 방법에 의하면, MRI에서 나이그로좀 1 영역이 포함된 영상만을 분류하고, 분류된 영상에서 나이그로좀 1 영역을 분석하여 파킨슨 병 유무를 진단할 수 있다는 효과가 얻어진다.
그리고 본 발명에 의하면, 자화율 맵 가중 이미징 프로토콜과 양적 자화율 매핑 알고리즘을 적용해서 나이그로좀 1 영역의 가시성을 향상시키고, 흑질 구조가 시각화된 영상을 이용해서 파킨슨 병을 진단함에 따라, 보편적으로 공급된 MRI 장비를 이용해서 파킨슨 병을 정밀하게 진단할 수 있고, 진단 결과의 정확도를 향상시킬 수 있다는 효과가 얻어진다.
또한, 본 발명은, SMWI 영상에 대해 각도 조절, 영상 확대, 재분할(Reslice) 등의 전처리 과정을 추가적으로 수행함으로써, 획득된 영상에서 파킨슨 병의 영상 바이오 마커로 제시된 흑질과 나이그로좀 1 영역만을 관찰 가능하도록 할 수 있다.
또한, 본 발명은, 기계학습을 통해 주변에 검출이 더 용이한 red nucleus와 substantia nigra 를 검출하고, red nucleus와 substantia nigra 모두 존재하다가 red nucleu가 없어지는 순간의 영상을 검출함으로써, nigrosome-1 영역을 효과적으로 검출할 수 있다.
또한, 본 발명은, 동일한 데이터 셋(SET)으로 여러 학습모델을 생성하고, 복수의 학습 모델 각각을 적용하였을 때의 예측 진단 결과를 도출하여 복수의 학습 모델 간의 진단 결과가 다를 때, 다수결의 원칙에 따라 정상 또는 파킨슨 병에 해당하는지에 대한 최종 진단을 결정할 수 있다.
또한, 약 효능 입증을 위한 임상시험은 미리 예측한 기대 효과를 임상시험 참여자들에 대해 달성하는지 통계적 유의성을 보임으로서 결과가 판정되는데, 본 발명에 따른 파킨슨병 진단 방법 및 장치를 적용하는 경우, 정확히 신약이 목표로 하는 파킨슨병 환자만을 임상시험 대상자로 포함시킴으로써, 최대한 임상시험 성공 확률을 높일 수 있다.
즉, 본 발명에 따른 인공지능을 이용한 파킨슨병 진단 방법을 통해, 환자군 및 정상군 선별에 활용하여 임상시험 성공 확률을 높이는데 활용할 수 있다.
한편, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상술한 본 발명의 실시예들은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.
하드웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.
펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 상기 메모리 유닛은 상기 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 상기 프로세서와 데이터를 주고 받을 수 있다.
상술한 바와 같이 개시된 본 발명의 바람직한 실시예들에 대한 상세한 설명은 당업자가 본 발명을 구현하고 실시할 수 있도록 제공되었다. 상기에서는 본 발명의 바람직한 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 본 발명의 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 예를 들어, 당업자는 상술한 실시예들에 기재된 각 구성을 서로 조합하는 방식으로 이용할 수 있다. 따라서, 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다.
본 발명은 본 발명의 정신 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다. 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다. 또한, 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함할 수 있다.
Claims (2)
- 환자의 뇌를 촬영한 MRI로부터, 멀티 에코(multi echo) 크기 및 위상과 관련된 제 1 영상을 획득하는 영상 획득부;
파킨슨 병의 영상 바이오 마커로 이용되는 흑질과 나이그로좀 1 영역의 관찰이 가능하도록, 상기 획득한 제 1 영상을 후처리하는 영상 처리부;
상기 후처리된 제 1 영상을 분석하여 상기 나이그로좀 1 영역이 포함된 제 2 영상을 분류하고, 상기 분류된 제 2 영상으로부터 상기 나이그로좀 1 영역을 검출하는 영상 분석부; 및
상기 검출된 나이그로좀 1 영역의 정상 여부를 분석하여, 상기 환자의 파킨슨 병 유무를 진단하는 진단부;를 포함하되,
상기 영상 처리부는,
양적 자화율 매핑 알고리즘을 기반으로, 상기 제 1 영상에 양적 자화율 맵 마스크를 적용하여, 자화율 맵 가중 이미징 영상을 생성함으로써, 상기 후처리를 수행하고,
상기 영상 처리부는,
상기 생성된 자화율 맵 가중 이미징 영상에 대해, 각도 조절, 영상 확대 및 재분할(Reslice) 중 적어도 하나의 동작을 더 수행하며,
상기 진단부는,
동일한 데이터 셋(Data Set)을 기반으로, 상기 파킨슨 병 유무를 진단하기 위한 복수의 학습 모델을 생성하고,
상기 검출된 나이그로좀 1 영역을 기반으로, 상기 복수의 학습 모델에 의한 복수의 예측 결과를 도출하며,
상기 복수의 예측 결과를 기초로 상기 환자의 파킨슨 병 유무를 진단하는 것을 특징으로 하는 인공지능 기반 파킨슨 병 진단 장치.
- 제 1항에 있어서,
상기 진단부는,
상기 검출된 나이그로좀 1 영역을 기반으로, 상기 복수의 학습 모델에 의한 복수의 예측 결과에 다수결의 원칙을 적용하여, 다수인 예측 결과를 기반으로 상기 환자의 파킨슨 병 유무를 진단하는 것을 특징으로 하는 인공지능 기반 파킨슨 병 진단 장치.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200038856A KR102144719B1 (ko) | 2020-03-31 | 2020-03-31 | 복수의 학습 모델에 의한 다중 예측 결과를 이용하는 인공지능 기반 파킨슨 병 진단 장치 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200038856A KR102144719B1 (ko) | 2020-03-31 | 2020-03-31 | 복수의 학습 모델에 의한 다중 예측 결과를 이용하는 인공지능 기반 파킨슨 병 진단 장치 및 방법 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200026561A Division KR102097738B1 (ko) | 2020-03-03 | 2020-03-03 | 인공지능 기반 파킨슨 병 진단 장치 및 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102144719B1 true KR102144719B1 (ko) | 2020-08-14 |
Family
ID=72050189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200038856A KR102144719B1 (ko) | 2020-03-31 | 2020-03-31 | 복수의 학습 모델에 의한 다중 예측 결과를 이용하는 인공지능 기반 파킨슨 병 진단 장치 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102144719B1 (ko) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102221098B1 (ko) * | 2020-09-08 | 2021-02-26 | 한국과학기술정보연구원 | 기업 맞춤형 신약개발추천장치 및 그 동작 방법 |
EP4227948A1 (en) | 2022-02-09 | 2023-08-16 | Université de Genève | Machine-learning based prediction of the survival potential of cells |
WO2024101875A1 (ko) * | 2022-11-08 | 2024-05-16 | 주식회사 트라이얼인포매틱스 | 인공지능 기반의 임상시험 영상 자동 표준화 장치, 방법 및 프로그램 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160058812A (ko) | 2013-09-20 | 2016-05-25 | 트랜스뮤럴 바이오테크, 에스.엘. | 질환을 진단하기 위한 영상 분석 기법 |
KR101754291B1 (ko) | 2017-04-04 | 2017-07-06 | 이현섭 | 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법 |
US20170261584A1 (en) * | 2014-09-01 | 2017-09-14 | bioProtonics, LLC | Selective sampling for assessing structural spatial frequencies with specific contrast mechanisms |
-
2020
- 2020-03-31 KR KR1020200038856A patent/KR102144719B1/ko active IP Right Grant
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160058812A (ko) | 2013-09-20 | 2016-05-25 | 트랜스뮤럴 바이오테크, 에스.엘. | 질환을 진단하기 위한 영상 분석 기법 |
US20170261584A1 (en) * | 2014-09-01 | 2017-09-14 | bioProtonics, LLC | Selective sampling for assessing structural spatial frequencies with specific contrast mechanisms |
KR101754291B1 (ko) | 2017-04-04 | 2017-07-06 | 이현섭 | 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법 |
Non-Patent Citations (3)
Title |
---|
1. Sung-Min Gho 외, "Susceptibility Map-Weighted Imaging (SMWI) for Neuroimaging", Magnetic Resonance in Medicine 72:337-346(2014) |
2. Yoonho Nam 외, "Imaging of Nigrosome 1 in Substantia Nigra at 3T Using Multiecho Susceptibility Map-Weighted Imaging (SMWI)", J. MAGN. RESON. IMAGING 2017; 46:528-536 |
3. Christian Langkammer 외, "Quantitative susceptibility mapping (QSM) as a means to measure brain iron? A post mortem validation study", Neuroimage. 2012 Sep; 62(3):1593-9. doi: 10.1016/j.neuroimage. 2012.05.049. Epub 2012 May 24. |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102221098B1 (ko) * | 2020-09-08 | 2021-02-26 | 한국과학기술정보연구원 | 기업 맞춤형 신약개발추천장치 및 그 동작 방법 |
EP4227948A1 (en) | 2022-02-09 | 2023-08-16 | Université de Genève | Machine-learning based prediction of the survival potential of cells |
WO2024101875A1 (ko) * | 2022-11-08 | 2024-05-16 | 주식회사 트라이얼인포매틱스 | 인공지능 기반의 임상시험 영상 자동 표준화 장치, 방법 및 프로그램 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102097738B1 (ko) | 인공지능 기반 파킨슨 병 진단 장치 및 방법 | |
KR102144719B1 (ko) | 복수의 학습 모델에 의한 다중 예측 결과를 이용하는 인공지능 기반 파킨슨 병 진단 장치 및 방법 | |
US8488857B2 (en) | Automated diagnosis and alignment supplemented with positron emission tomography (PET) and magnetic resonance (MR) flow estimation | |
KR102131687B1 (ko) | 파킨슨 병 진단 장치 및 방법 | |
US11835612B2 (en) | System and method for motion correction of magnetic resonance image | |
KR102144720B1 (ko) | 기계 학습을 통해 분류된 나이그로좀 1 영역과 복수의 학습 모델에 의한 다중 예측 결과를 이용하는 인공지능 기반 파킨슨 병 진단을 위한 정보제공 방법 | |
Mirafzal et al. | 3D PSIR MRI at 3 Tesla improves detection of spinal cord lesions in multiple sclerosis | |
Bazin et al. | Sharpness in motion corrected quantitative imaging at 7T | |
KR102144718B1 (ko) | 기계 학습을 통해 분류된 나이그로좀 1 영역을 이용하는 인공지능 기반 파킨슨 병 진단 장치 및 방법 | |
KR102144721B1 (ko) | 파킨슨병이 존재하는 환자군을 선별하여 임상시험 성공 확률을 높이는 방법 | |
Ferrer et al. | Deep learning-based assessment of cerebral microbleeds in COVID-19 | |
JP2020031848A (ja) | 画像処理装置、画像処理方法、画像処理プログラム及び磁気共鳴イメージング装置 | |
KR102122073B1 (ko) | 기계 학습을 통해 검출된 나이그로좀 1 영역을 기초로 파킨슨 병을 진단하는 장치 및 방법 | |
Klein et al. | Qualitative and quantitative analysis of probabilistic and deterministic fiber tracking | |
US20240230810A1 (en) | System and Method for Quantitative Magnetic Resonance Imaging Using a Deep Learning Network | |
WO2019172968A1 (en) | Mri t1w and t2w combined features for detecting neurodegeneration | |
KR102097044B1 (ko) | 파킨슨 병 진단을 위한 정보제공 방법 | |
US11272843B2 (en) | Automatic identification of subjects at risk of multiple sclerosis | |
TW202128080A (zh) | 基於多特徵磁振造影與人工智慧之自殺意念的評估方法及評估系統 | |
Feng et al. | Microstructural Mapping of Neural Pathways in Alzheimer’s Disease using Macrostructure-Informed Normative Tractometry | |
Caeyenberghs | J. Gooijers, A. Leemans, S. Van Cauter, S. Sunaert, SP Swinnen & |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |