KR102189624B1 - 뇌 대혈관폐색 환자인지 여부를 판단하는 인공지능 기반 뇌졸중 진단 장치 - Google Patents

뇌 대혈관폐색 환자인지 여부를 판단하는 인공지능 기반 뇌졸중 진단 장치 Download PDF

Info

Publication number
KR102189624B1
KR102189624B1 KR1020200128968A KR20200128968A KR102189624B1 KR 102189624 B1 KR102189624 B1 KR 102189624B1 KR 1020200128968 A KR1020200128968 A KR 1020200128968A KR 20200128968 A KR20200128968 A KR 20200128968A KR 102189624 B1 KR102189624 B1 KR 102189624B1
Authority
KR
South Korea
Prior art keywords
patient
image
large vessel
interest
aspects
Prior art date
Application number
KR1020200128968A
Other languages
English (en)
Inventor
김도현
송수화
정수민
이진수
이성준
Original Assignee
주식회사 휴런
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 주식회사 휴런 filed Critical 주식회사 휴런
Priority to KR1020200128968A priority Critical patent/KR102189624B1/ko
Application granted granted Critical
Publication of KR102189624B1 publication Critical patent/KR102189624B1/ko

Links

Images

Classifications

    • 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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices 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
    • 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
    • A61B6/501—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 the head, e.g. neuroimaging or craniography
    • 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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/30016—Brain

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Dentistry (AREA)
  • Physiology (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Pulmonology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

본 발명의 일 양상인 인공지능 기반 뇌졸중 진단 장치는, 적어도 하나의 환자의 뇌와 관련된 비-조영 (Non-contrast) CT 영상을 획득하는 영상획득부; 상기 비-조영 CT 영상을 전-처리 (Pre-processing)하고, 상기 전-처리된 영상을 기초로, 상기 적어도 하나의 환자가 비 출혈 (No hemorrhage) 상태인지 또는 출혈 (Hemorrhage) 상태인지 여부를 판단하는 전처리부; 상기 전-처리된 영상을 정규화하고, 미리 세팅된 표준 마스크 템플릿을 이용해서 관심 영역 (ROI)을 분할 및 추출하는 영상처리부; 상기 분할 및 추출된 관심 영역을 이용하여, 상기 적어도 하나의 환자의 뇌 대혈관 (Cerebral Large Vessel)의 이상 여부를 판단하는 판단부; 를 포함하되, 상기 판단부는, 상기 적어도 하나의 환자의 뇌에 허혈 (Ischemia)이 존재하는지 여부를 판단하는 Ischemia 분류부; 상기 허혈 (Ischemia)이 존재하는 경우, 상기 적어도 하나의 환자의 뇌 대혈관 (Cerebral Large Vessel)의 이상 여부를 판단하는 Large Vessel Occlusion 판단부; 상기 뇌 대혈관 (Cerebral Large Vessel)에 이상이 존재하는 경우, 상기 적어도 하나의 환자의 ASPECTS를 추정하는 ASPECTS 판단부; 및 상기 추정된 ASPECTS가 미리 지정된 수치 이상인 경우에만, 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자인 것으로 판별하는 Thrombectomy 판단부;를 포함할 수 있다.

Description

뇌 대혈관폐색 환자인지 여부를 판단하는 인공지능 기반 뇌졸중 진단 장치 {STROKE DIAGNOSIS APPARATUS BASED ON AI(Artificial Intelligence) THAT DETERMINES WHETHER A PATIENT IS IN THE CEREBRAL LARGE VESSEL VASCULAR OCCLUSION STATE}
본 발명은 뇌 대혈관폐색 환자인지 여부를 판단하는 인공지능 기반 뇌졸중 진단 장치에 관한 것이다. 더욱 상세하게는, 비조영 CT 영상을 기반으로 뇌졸중 환자를 분류하고, 응급 대혈관폐색 환자를 선별할 수 있는 인공지능 알고리즘을 이용한 뇌졸중 진단 장치 및 방법에 관한 것이다.
뇌 질환, 즉 뇌혈관 질환은 뇌혈관이 터지는 뇌출혈, 뇌혈관이 혈전 등에 의해 막히는 뇌경색, 뇌혈관이 비정상적으로 부풀어 오르는 뇌동맥류 등이 있고, 뇌출혈과 뇌경색을 아울러서 '뇌졸중'이라 한다.
이와 같은 뇌 질환을 진단하기 위해, 초음파진단, 뇌 CT, 뇌 MRI (Magnetic Resonance Imaging)와 같은 비침습적 기법들이 이용되고 있다.
상기 초음파진단 방법은 경동맥 초음파진단으로 경동맥의 죽상 동맥경화증성 병변을 비침습적으로 쉽게 진단 가능하다. 또한, 경두개 도플러 검사 (transcranial Doppler)로 두개강 내의 뇌혈류를 측정하여 임상에 응용한다.
상기 뇌 CT를 이용하는 진단 방법은 출혈성 질환 진단에 좋으며 최근에 발달된 기술로 뇌 혈류상태, 뇌혈관 촬영을 하여 뇌졸중 환자 치료에 큰 도움이 된다.
상기 뇌 MRI를 이용하는 진단 방법은 뇌 CT에 비하여 두개골에 의한 인공음영 영향이 없어서 뇌간, 소뇌, 측두엽 부위의 병소를 소상히 진단할 수 있고, 뇌경색의 조기 발견, 뇌관류 상태의 미세진단이 가능하며 아울러 뇌혈관 상태를 면밀하게 진단 가능함에 따라, 뇌조직의 상태를 진단하는 데 가장 좋은 방법이라고 할 수 있다.
특히, 뇌졸중(Stroke)은 뇌에 혈액을 공급하는 혈관이 막히거나 파열되어 뇌 손상이 오고, 이에 따른 신체장애를 발생시키는 질환으로서, 전세계적으로 가장 중요한 사망 원인이며, 사망에 이르지 않더라도 영구적 장애를 일으키는 고위험성 질환으로 분류된다.
종래에 뇌졸중은 주로 노인 질환으로 인식되었으나, 최근에는 30, 40대에서도 뇌졸중이 흔히 발병함에 따라, 노년뿐만 아니라, 청장년에게도 광범위하게 발생하는 매우 위험한 질환으로 인식되고 있다.
이러한 뇌졸중은 뇌에 혈액을 공급하는 혈관이 막혀서 발생하는 '허혈성 뇌졸중 (ischemic stroke)'과 뇌로 가는 혈관이 터지면서 출혈이 발생하는 '출혈성 뇌졸중 (cerebral hemorrhage)'의 2가지 형태로 구분될 수 있다.
상기 허혈성 뇌졸중은 전체 뇌졸중의 약 80%를 차지하고, 허혈성 뇌졸중의 대부분은 응고된 혈액 덩어리인 혈전 (thrombosis)이 뇌에 산소와 영양분을 공급하는 혈관을 막아서 발생한다.
뇌졸중을 진단하기 위해 다양한 검사들이 개발되었고, 그 중에서 CT (computed tomography)를 활용한 방법은 비교적 빠른 시간에 검사를 진행할 수 있다.
이에 따라, 상기 CT를 활용한 검사 방법은 빠르게 검사가 가능하다는 장점을 가짐에 따라, 신속한 대처가 필수적인 뇌졸중 질환의 특성에 알맞은 검사 방법으로 여겨진다.
또한, 출혈성 뇌졸중의 경우, 출혈이 발생하고 나서 곧바로 CT에 관찰되기 때문에, 상기 CT는 허혈성 뇌졸중을 치료하기 위해, 혈전을 녹여 막힌 혈관을 뚫어주는 혈전용해제 사용에 앞서 반드시 뇌출혈을 감별하는 도구로서 유용하게 사용된다.
또한, 상기 CT는 혈전용해제 사용 이후에 뇌출혈의 경과 관찰에서도 중요하게 사용된다
한편, 뇌졸중을 감별할 수 있는 대표적인 지표로서 ASPECTS (Alberta Stroke Program Early CT Score)가 사용되고 있다.
상기 ASPECTS는 Middle cerebral artery (MCA, 중대뇌동맥) 영역을 사전 정의된 10개의 해부학적 영역으로 나누고 비조영 CT에 대해 조기 경색 표지의 존재를 평가한다 (하기 비특허문헌 1 참조).
이러한 상기 ASPECTS는 뇌졸중 환자의 상태를 진단할 수 있는 강력한 예측 인자로 입증되었다.
한편, 뇌 비조영 CT 영상을 기반으로 뇌경색의 중증 정도를 ASPECTS 등을 통해 점수화할 경우, 임상 의사의 영역 판단 및 해석에 따라 진단 결과의 차이가 발생함에 따라, 진단 결과의 일관성을 유지하기 어려운 문제점이 있었다.
그리고 종래기술에 따른 뇌질환 분석장치는 진단대상자로부터 획득한 CT나 MRI 등의 의료 영상에서 뇌 병변만을 검출한 후 정규화하는 방식을 적용함에 따라, 각 환자의 의료 영상에서 추출되는 영역이 일관적이지 않고 서로 달라 중증 정도를 점수화할 때 오차 발생 확률이 높다는 문제점이 있었다.
따라서, 진단대상자로부터 획득된 뇌 영상에서 대뇌동맥 손상에 취약한 뇌 영역들을 특정하고, 해당 뇌 영역에서 뇌 병변이 차지하는 비율에 근거하여 중증 정도를 결정하고, 그에 따라 뇌 손상의 예후를 예측할 수 있는 새로운 기술의 개발이 요구되고 있다.
1. 대한민국 특허 등록번호 10-1992057호(2019년 6월 24일 공고) 2. 대한민국 특허 등록번호 10-1754291호(2017년 7월 6일 공고)
한편, 허혈성 뇌졸중의 초기 징후 결정 및 ASPECTS로의 변환은 상당한 요인 간 변동성 (interrater variability)을 가지며, 이는 다른 요인들 중에서도 후경험에 의해 영향을 받는다.
즉, 상기 ASPECTS는 사용자의 뇌졸중 진행 정도를 0 내지 10의 점수로 산정하여 질환을 평가하고, 이를 통해 의료진은 사용자의 치료 방법 결정 및 예후 예측에 활용하는 주요 지표로 사용한다.
그러나 임상 전문의가 ASPECTS를 추정하는 과정에서, 사용자의 초기 징후, 영상의 복잡성으로 인해, 임상 전문의별 경력 및 경험에 의해 추정값이 달라질 수 있다.
이와 같은 점수 변동성 (scoring variability)은 환자 임상 결과에 대한 의사 결정 프로세스에 부정적인 영향을 미치게 되는 문제점이 있었다.
따라서 영상 처리 및 딥 러닝 기술을 기반으로 ASPECTS를 객관화 및 자동화하여 추정할 수 있는 기술의 개발이 요구되고 있다.
즉, 본 발명의 목적은 상기한 바와 같은 문제점을 해결하기 위한 것으로, 뇌 비조영 CT 영상에서 뇌졸중 질병을 감별하는 인자인 ASPECTS를 추정하는 ASPECTS 추정 시스템 및 방법을 제공하는 것이다.
본 발명의 다른 목적은 영상 처리 및 딥 러닝 기술을 기반으로 ASPECTS 추정시 점수 변동성을 줄일 수 있는 ASPECTS 추정 시스템 및 방법을 제공하는 것이다.
본 발명의 또 다른 목적은 추정된 ASPECTS에 대한 신뢰도를 향상시킬 수 있는 ASPECTS 추정 시스템 및 방법을 제공하는 것이다.
더 나아가 본 발명의 목적은 모든 피험자의 의료 영상에서 대뇌동맥 손상에 취약한 뇌 영역들의 일관된 분할을 위해 템플릿을 이용하여 정규화 과정을 수행할 수 있는 템플릿을 이용한 의료 영상 처리장치 및 방법을 제공하는 것이다.
또 다른 본 발명의 다른 목적은 정규화된 의료 영상에서 대뇌동맥 손상에 취약한 뇌 영역들을 일관되게 분할 및 추출할 수 있는 템플릿을 이용한 의료 영상 처리장치 및 방법을 제공하는 것이다.
결국, 본 발명에 따르면, 적어도 하나의 환자의 뇌와 관련된 비-조영 (Non-contrast) CT 영상을 획득하고, 상기 비-조영 CT 영상을 전-처리 (Pre-processing)하고, 상기 전-처리된 영상을 기초로, 상기 적어도 하나의 환자가 비 출혈 (No hemorrhage) 상태인지 또는 출혈 (Hemorrhage) 상태인지 여부를 판단하며, 상기 전-처리된 영상을 정규화하고, 미리 세팅된 표준 마스크 템플릿을 이용해서 관심 영역 (Region Of Interest, ROI)을 분할 및 추출하고, 상기 분할 및 추출된 관심 영역을 이용하여, 상기 적어도 하나의 환자의 뇌에 대 혈관 폐색 (Large Vessel Occlusion)의 가능성이 존재하는지 여부를 판단할 수 있다.
특히, 적어도 하나의 환자의 뇌에 대 혈관 폐색 (Large Vessel Occlusion)의 가능성이 존재하는 경우, 판단부는, 분할 및 추출된 관심 영역을 이용하여, 상기 적어도 하나의 환자의 ASPECTS를 추정하고, 상기 추정된 ASPECTS가 미리 지정된 수치 이상인 경우에만, 상기 적어도 하나의 환자가 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자인 것으로 판별하는 것을 목적으로 한다.
또한, 본 발명의 목적은, 인공지능을 이용한 뇌졸중 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 뇌졸중 진단 장치는, 적어도 하나의 환자의 뇌와 관련된 비-조영 (Non-contrast) CT 영상을 획득하는 영상획득부; 상기 비-조영 CT 영상을 전-처리 (Pre-processing)하고, 상기 전-처리된 영상을 기초로, 상기 적어도 하나의 환자가 비 출혈 (No hemorrhage) 상태인지 또는 출혈 (Hemorrhage) 상태인지 여부를 판단하는 전처리부; 상기 전-처리된 영상을 정규화하고, 미리 세팅된 표준 마스크 템플릿을 이용해서 관심 영역 (ROI)을 분할 및 추출하는 영상처리부; 상기 분할 및 추출된 관심 영역을 이용하여, 상기 적어도 하나의 환자의 뇌 대혈관 (Cerebral Large Vessel)의 이상 여부를 판단하는 판단부; 를 포함하되, 상기 적어도 하나의 환자의 뇌 대혈관 (Cerebral Large Vessel)에 이상이 존재하는 경우, 상기 판단부는, 상기 분할 및 추출된 관심 영역을 이용하여, 상기 적어도 하나의 환자의 ASPECTS를 추정하고, 상기 추정된 ASPECTS가 미리 지정된 수치 이상인 경우에만, 상기 적어도 하나의 환자가 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자인 것으로 판별하며, 상기 판단부는, 상기 분할 및 추출된 관심 영역을 이용하여, 상기 적어도 하나의 환자의 뇌에 허혈 (Ischemia)이 존재하는지 여부를 판단하는 Ischemia 분류뷰; 상기 허혈 (Ischemia)이 존재하는 경우, 상기 적어도 하나의 환자의 뇌 대혈관 (Cerebral Large Vessel)의 이상이 존재하는지 여부를 판단하는 Large Vessel Occlusion 판단부; 상기 뇌 대혈관 (Cerebral Large Vessel)의 이상이 존재하는 경우, 상기 분할 및 추출된 관심 영역을 이용하여, 상기 적어도 하나의 환자의 ASPECTS를 추정하는 ASPECTS 판단부; 및 상기 추정된 ASPECTS가 미리 지정된 수치 이상인 경우에만, 상기 적어도 하나의 환자가 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자인 것으로 판별하는 Thrombectomy 판단부;를 포함할 수 있다.
또한, 상기 Ischemia 분류부는, 상기 분할 및 추출된 관심 영역의 병변 여부 및 형태 분류를 학습한 인공지능 모델을 기초로, 상기 허혈 (Ischemia)이 존재하는지 여부를 판단하고, 상기 관심 영역의 병변 여부 및 형태 분류는, Old infarct (OI), Recent infarct (RI), Frank hypodensity (FH) 및 Early ischemic sign (EIS)을 이용하여 수행될 수 있다.
또한, 상기 Ischemia 분류부는, 상기 분할 및 추출된 관심 영역 죽 어느 한 영역에, 상기 Old infarct (OI), Recent infarct (RI), Frank hypodensity (FH) 및 Early ischemic sign (EIS) 중 적어도 하나가 존재하는 경우, 상기 허혈 (Ischemia)이 존재하는 것으로 판단할 수 있다.
또한, 상기 뇌 대혈관 (Cerebral Large Vessel)에 이상은, 대 혈관 폐색 (Large Vessel Occlusion)이고, 상기 Large Vessel Occlusion 판단부는, 상기 분할 및 추출된 관심 영역과 관련하여, Infra-ganglionic level에서 Dense MCA sign이 검출되었는지 여부를 기초로 상기 대 혈관 폐색 (Large Vessel Occlusion)이 존재하는지 여부를 판단할 수 있다.
또한, 상기 Dense MCA sign이 검출되지 않은 경우, 상기 Large Vessel Occlusion 판단부는, 상기 분할 및 추출된 관심 영역과 관련하여, 상기 Infra-ganglionic level의 sequential slice 영상들의 좌우 반구 중 한 쪽 반구 Hounsfield unit (HU) 값의 빈도수 (frequency)를 검출하고, 상기 검출된 양쪽 반구 중 적어도 하나의 HU 값의 빈도수가 미리 지정된 기준값 이상이거나 상기 검출된 양쪽 반구의 HU 값의 빈도수 차이가 미리 지정된 차이값 이상인 경우, 상기 뇌 대혈관 (Cerebral Large Vessel)에 이상이 존재하는 것으로 판단할 수 있다.
본 발명에 따른 ASPECTS 추정 시스템 및 방법에 의하면, 환자의 뇌 CT 영상을 이용해서 뇌졸중 환자의 상태를 진단하기 위한 객관적 지표인 ASPECTS를 추정할 수 있다는 효과가 얻어진다.
또한, 본 발명에 의하면, 신속한 처방을 필요로 하는 뇌졸중 질환의 특성 상, 전문가 간의 점수 변동성으로 인한 문제를 방지하고, 의료 현장에서 환자의 치료 결정을 용이하게 할 수 있는 신뢰할 수 있는 지표로서 사용할 수 있다는 효과가 얻어진다.
또한, 본 발명에 의하면, 뇌 CT 영상 분석을 통한 뇌졸중 ASPECTS 추정 방식의 복잡도 및 전문성 요구로 인해 발생하는 전문의의 경력에 따른 스코어 값의 부정확성을 극복할 수 있다는 효과가 얻어진다.
또한, 본 발명에 의하면, CT 영상 기반 뇌졸중 분석의 전 과정을 자동화하여 분석과정에 필요한 인력, 시간적 및 경제적 비용을 획기적으로 감소시킬 수 있다는 효과가 얻어진다.
또한, 본 발명에 따르면, CT, MRI와 같이 뇌를 촬영한 의료 영상을 정규화하고, 정규화된 의료 영상에 미리 세팅된 표준 마스크 템플릿을 적용해서 대뇌동맥 손상에 취약한 뇌 영역을 일관되게 분할 및 추출할 수 있다는 효과가 얻어진다.
또한, 본 발명에 의하면, 진단 대상의 의료 영상을 템플릿을 통해 정규화한 후, 정규화된 이미지 기반으로 모든 피험자의 의료 영상에서 일관되게 관심 영역을 분할 및 추출할 수 있다는 효과가 얻어진다.
이와 같이, 본 발명에 의하면, 표준 마스크 템플릿을 기반으로 분할 및 추출된 관심 영역을 통해 뇌 질환 (뇌졸중)을 분석 및 진단함에 따라, 진단 결과에 대한 정밀도 및 정확도를 극대화할 수 있다는 효과가 얻어진다.
결국, 본 발명에 따르면, 적어도 하나의 환자의 뇌와 관련된 비-조영 (Non-contrast) CT 영상을 획득하고, 상기 비-조영 CT 영상을 전-처리 (Pre-processing)하고, 상기 전-처리된 영상을 기초로, 상기 적어도 하나의 환자가 비 출혈 (No hemorrhage) 상태인지 또는 출혈 (Hemorrhage) 상태인지 여부를 판단하며, 상기 전-처리된 영상을 정규화하고, 미리 세팅된 표준 마스크 템플릿을 이용해서 관심 영역 (ROI)을 분할 및 추출하고, 상기 분할 및 추출된 관심 영역을 이용하여, 상기 적어도 하나의 환자의 뇌에 대 혈관 폐색 (Large Vessel Occlusion)의 가능성이 존재하는지 여부를 판단할 수 있는 효과가 제공된다.
특히, 본 발명은 적어도 하나의 환자의 뇌에 대 혈관 폐색 (Large Vessel Occlusion)의 가능성이 존재하는 경우, 판단부는, 분할 및 추출된 관심 영역을 이용하여, 상기 적어도 하나의 환자의 ASPECTS를 추정하고, 상기 추정된 ASPECTS가 미리 지정된 수치 이상인 경우에만, 상기 적어도 하나의 환자가 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자인 것으로 판별할 수 있다.
또한, 약 효능 입증을 위한 임상시험은 미리 예측한 기대 효과를 임상시험 참여자들에 대해 달성하는지 통계적 유의성을 보임으로서 결과가 판정되는데, 본 발명에 따른 뇌졸중 진단 방법 및 장치를 적용하는 경우, 정확히 신약이 목표로 하는 뇌졸중 환자만을 임상시험 대상자로 포함시킴으로써, 최대한 임상시험 성공 확률을 높일 수 있다.
즉, 본 발명에 따른 인공지능을 이용한 뇌졸중 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, 인공지능 기반 뇌졸중 진단 장치의 블록구성도의 일례를 도시한 것이다.
도 2는 도 1에서 설명한 전처리부의 블록구성도의 일례를 도시한 것이다.
도 3은 도 1에서 설명한 영상처리부의 블록구성도의 일례를 도시한 것이다.
도 4는 도 1에서 설명한 판단부의 블록구성도의 일례를 도시한 것이다.
도 5는 본 발명이 제안하는 인공지능 기반 뇌졸중 진단 방법의 전체 과정을 설명하는 순서도의 일례를 도시한 것이다.
도 6은 도 5에서 설명한 과정 중 비-조영 CT 영상을 기반으로 전-처리 및 출혈 분류하는 과정을 설명하는 순서도이다.
도 7은 도 5에서 설명한 과정 중 공간 정규화 및 세그멘테이션 과정을 설명하는 순서도이다.
도 8은 도 7에서의 표준 마스크 템플릿을 생성해서 정규화된 영상을 분할하는 과정을 예시한 도면이다.
도 9는 도 7에서의 템플릿을 이용해서 정규화된 의료 영상을 예시한 도면이다.
도 10은 도 5에서 설명한 과정 중 Ischemia를 분류하는 과정을 설명하는 순서도이다.
도 11은 도 5에서 설명한 과정 중 Large Vessel Occlusion을 판단하는 과정을 설명하는 순서도이다.
도 12는 도 5에서 설명한 과정 중 ASPECTS 추정 방법을 단계별로 설명하는 순서도이다.
도 13은 도 5에서 설명한 과정 중 인공지능 알고리즘을 기초로 응급 대혈관폐색 환자를 선별할 수 있는 일 실시예를 설명하는 순서도이다.
도 14는 도 5에서 설명한 과정 중 인공지능 알고리즘을 기초로 응급 대혈관폐색 환자를 선별할 수 있는 다른 실시예를 설명하는 순서도이다.
도 15는 도 5에서 설명한 과정 중 인공지능 알고리즘을 기초로 응급 대혈관폐색 환자를 선별할 수 있는 또 다른 실시예를 설명하는 순서도이다.
도 16은 인공지능을 이용한 뇌졸중 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 인공지능 기반 뇌졸중 진단 장치 및 방법을 첨부된 도면을 참조하여 상세하게 설명한다.
인공지능 기반 뇌졸중 진단 장치
도 1은 본 발명과 관련하여, 인공지능 기반 뇌졸중 진단 장치의 블록구성도의 일례를 도시한 것이다.
본 발명에 따른 인공지능 기반 뇌졸중 진단 장치 (1)는 영상획득부 (10), 전처리부 (20), 영상처리부 (30) 및 판단부 (40)를 포함할 수 있다.
먼저, 영상획득부(10)는 진단하고자 하는 대상의 뇌를 촬영해서 의료 영상을 획득하는 장치이다.
여기서 영상획득부 (10)는 뇌 CT, MRI 등 다양한 의료 영상을 촬영하는 촬영장비로부터 영상을 획득할 수 있다.
대표적으로, 본 발명의 영상획득부 (10)는 뇌 CT 영상을 획득할 수 있다.
다음으로, 전처리부 (20)는 비조영 CT 영상을 기반으로, 인공지능 알고리즘에 따라 비 출혈 (No hemorrhage)과 출혈 (Hemorrhage)을 구분하는 기능을 제공한다.
또한, 영상처리부 (30)는 전처리부 (20)로부터 획득된 의료 영상을 정규화하고 미리 세팅된 표준 마스크 템플릿을 이용해서 관심 영역을 분할 및 추출하는 기능을 제공한다.
또한, 판단부 (40)는, 분할 및 추출된 관심 영역을 분석해서 대뇌동맥 손상에 따른 뇌 질환을 진단할 수 있다.
본 발명에 따른 판단부 (40)는 분할 및 추출된 관심 영역의 의료 영상을 기반으로 대뇌동맥 손상에 따른 뇌 질환의 중증 정도를 의료진이 직접 점수화하기 용이하도록 하여 의료진이 뇌 질환의 진단 및 예후 예측에 도움을 줄 수 있다.
이하에서는, 도면을 참조하여, 뇌졸중 진단 장치 (1)의 구성요소인 전처리부 (20), 영상처리부 (30) 및 판단부 (40)의 구체적인 기술적 특징에 대해 설명한다.
전처리부
본 발명에 따른 전처리부 (20)는 비조영 CT 영상을 기반으로, 인공지능 알고리즘에 따라 비 출혈 (No hemorrhage)과 출혈 (Hemorrhage)을 구분하는 기능을 제공한다.
도 2는 도 1에서 설명한 전처리부의 블록구성도의 일례를 도시한 것이다.
도 2를 참조하면, 본 발명에 따른 전처리부 (20)는, 노이즈 필터부 (21), 등록부 (22), 스컬 스트리핑부 (23) 및 출혈분류부 (24)를 포함할 수 있다.
먼저, 노이즈 필터부 (21)는 영상획득부(10)로부터 수집된 영상에서의 노이즈를 제거하는 동작을 수행한다.
대표적으로, 노이즈 필터부 (21)는 CT 촬영기기의 일 요소인 갠트리 (Gantry) 관련 Tilt correction 기능을 수행한다.
일부 Head CT 스캔에서는 갠트리 (Gantry)가 기울어져 이미지 슬라이스가 비스듬하게 촬영되는 경우가 빈번하게 발생하고, 갠트리가 기울어져 촬영될 경우, 이미지 슬라이스 간 복셀의 거리가 정확하지 않고 특히 3차원 시각화에 문제가 발생될 수 있다.
따라서 본 발명에 따른 노이즈 필터부 (21)에서는, 갠트리 (Gantry)가 기울어져 촬영된 영상의 경우, DICOM 원본 영상에 함께 저장되는 정보 중 'Gantry/Detector Tilt header' 정보를 이용하여 기울어짐에 따른 오류를 리샘플링을 통해 복원할 수 있다.
이러한 초기 단계에서의 Gantry tilt correction을 실행함으로써, 분석의 성능 향상을 기대할 수 있다.
다음으로, 등록부 (22)는 Co-registration 기능을 제공한다.
본 발명의 Co-registration 기능은 해부학적인 구조물 정렬을 위해 이미지를 정렬하는 것으로, CT 촬영시 피험자의 움직임에 의한 기울어짐이나 뇌 모양의 차이 등에 따른 개체 내 또는 개체 간의 이미지들을 공간적으로 정렬하는 것이다.
또한, 스컬 스트리핑부 (23)는 CT 영상에서 뇌 구조물이 아닌 부분을 제거하기 위한 기능을 제공하는 스컬-스티리핑 (Skull-stripping) 기능을 제공한다.
CT 영상에서 스컬 (Skull)은 뇌 조직에 비해 Hounsfield unit (HU) 값이 상대적으로 높기 때문에 본 발명에서는 스컬 스트리핑부 (23)를 통해, 뇌 구조물이 아는 부분을 제거한 후 분석을 진행함으로써, 뇌 조직 병병 분석의 용이함을 높이게 된다.
또한, 출혈분류부 (24)는 인공지능 (AI)을 기반으로 출혈 (Hemorrhage) 형태를 학습하고, 분류하는 기능을 제공한다.
출혈분류부 (24)의 출혈 (Hemorrhage) 형태 학습은, 환자 비-조영 CT 데이터의 복셀(voxel) 정보를 사용할 수 있다.
즉, 출혈분류부 (24)는 NCCT 개별 Slice에 대해 Feature extraction을 위한 Convolutional neural network (CNN) 신경망을 구성하고, 환자 전체 Serial slice를 고려하기 위한 Long Short-term Memory (LSTM) 신경망을 합성하는 형태의 AI 모델 아키텍쳐를 구축하여 이용할 수 있다.
이를 기초로, 출혈분류부 (24)는 각 환자에 대한 Hemorrhage 여부 및 양성 환자의 Hemorrhage 형태 분류에 대해 Output을 산출하게 된다.
다른 방법으로, 본 발명에 따른 출혈분류부 (24)는 출혈(Hemorrhage) 형태와 관계없이, 영상 내 일정 영역 이상 Hemorrhage이 판독되면 이를 기초로 Hemorrhage 환자로 분류하는 방법을 이용할 수도 있다.
또 다른 방법으로, 본 발명에 따른 출혈분류부(24)는 CT 영상 내 Hemorrhage 추정 병변을 검출하고 형태를 분류하기 위해, Intraparenchymal, Intraventricular, Subarachnoid, Subdural, Epidural 등을 이용할 수 있다.
또한, 본 발명에서는, Hemorrhage 음성 환자의 ID 정보 리스트를 판단부 (40)의 Ischemia 분류 AI 모델에 전달하여, Hemorrhage와 Ischemia 분류 단계의 Pre-processing 및 Data input을 독립적으로 수행할 수도 있다.
이후, 출혈분류부 (24)의 인공지능 알고리즘에 따라 비 출혈 (No hemorrhage) 상태와 출혈 (Hemorrhage) 상태가 구분될 수 있다.
영상처리부
본 발명에 따른 영상처리부 (30)는 전처리부 (20)로부터 획득된 의료 영상을 정규화하고 미리 세팅된 표준 마스크 템플릿을 이용해서 관심 영역을 분할 및 추출하는 의료 영상 처리장치를 말한다.
도 3은 도 1에서 설명한 영상처리부의 블록구성도의 일례를 도시한 것이다.
도 3을 참조하면, 본 발명에 따른 영상처리부 (30)는 템플릿 세팅부 (31), 영상 정규화부 (32) 및 관심 영역 추출부 (33)를 포함할 수 있다.
먼저, 템플릿 세팅부 (31)는 의료 영상에서 관심 영역을 분할 및 추출하기 위한 표준 마스크 템플릿 (Mask Template)을 세팅한다.
템플릿 세팅부 (31)는 전처리부 (20)로부터 복수의 정상인과 뇌질환 환자로부터 획득된 복수의 의료영상을 수집하고, 2차원과 3차원의 정규화 영상을 생성하며, 3차원 정규화 영상 기반으로 복셀 (Voxel) 설정에 따라 특정 축을 기준으로 Slicing하여 2차원 정규화 영상을 생성한다.
본 발명은 진단 대상의 의료 영상에서 관심 영역을 분할 및 추출하기에 앞서, 복수의 정상인과 뇌질환 환자로부터 획득된 복수의 의료영상에서 관심 영역을 추출하고, 진단 대상의 뇌 질환을 진단하기 위한 관심 영역의 표준 마스크 템플릿을 생성한다.
여기서, 템플릿 세팅부 (31)는 3차원 정규화 영상의 X축, Y축, Z축을 기준으로 미리 설정된 단위, 예컨대 mm 단위로 복셀을 설정하여 2차원 정규화 영상을 생성할 수 있다.
그리고 템플릿 세팅부 (31)는 생성된 2차원 정규화 영상에서 관심 영역을 분할하고, 복수의 정규화 영상에서 분할된 관심 영역들을 기반으로 표준 마스크 템플릿을 생성한다.
다음으로, 영상 정규화부 (32)는 진단 대상의 의료 영상을 정규화하는 기능을 제공한다.
예를 들어, 영상 정규화부 (32)는 진단 대상의 원본 의료 영상에 비정규 바이어스를 정정하고 (Non-uniform bias correction), 공간적 정렬 (Spatial align)을 통해 등록 (Co-registration)하며, 표준 정위 공간 (Standard stereotaxic space)을 적용하여 공간적 정규화 (Spatial normalization)를 수행하는 과정을 통해 영상을 정규화할 수 있다.
물론, 본 발명은 반드시 이에 한정되는 것은 아니며, 의료 영상을 다양한 방식으로 정규화할 수 있다.
또한, 관심 영역 추출부 (33)는 정규화된 의료 영상에 표준 마스크 템플릿을 적용하여 관심 영역을 분할 및 추출하는 기능을 제공한다.
관심 영역 추출부 (33)는 Anterior/Middle/Posterior cerebral artery (ACA, MCA, PCA) 관련 territory 영상을 선별하고, 좌우 각 반구에서 ACA, MCA, PCA territory 관련 뇌 구조물을 분할함으로써, 관심 영역을 분할 및 추출하게 된다.
이와 같이 분할 및 추출된 관심 영역을 포함한 의료 영상은 판단부 (40)로 전달된다.
판단부
판단부 (40)는, 분할 및 추출된 관심 영역을 분석해서 대뇌동맥 손상에 따른 뇌 질환을 진단할 수 있다. 즉, 본 발명에 따른 판단부 (40)는 분할 및 추출된 관심 영역의 의료 영상을 기반으로 대뇌동맥 손상에 따른 뇌 질환의 중증 정도를 의료진이 직접 점수화하기 용이하도록 하여 의료진이 뇌 질환의 진단 및 예후 예측에 도움을 줄 수 있다.
도 4는 도 1에서 설명한 판단부의 블록구성도의 일례를 도시한 것이다.
도 4를 참조하면, 본 발명에 따른 판단부 (40)는 Ischemia 분류부 (41), Large Vessel Occlusion 판단부 (43), ASPECTS 판단부 (44) 및 Mechanical Thrombectomy 판단부 (45)를 포함할 수 있다.
먼저, Ischemia 분류부 (41)는, 관심 영역 추출부 (33)에 의해, 정규화된 의료 영상에 표준 마스크 템플릿을 적용하여 분할 및 추출된 관심 영역을 전달받아 비 출혈 (No hemorrhage)인 환자가 허혈 (Ischemia)이 존재하는지 여부를 판단하게 된다.
본 발명에 따른 Ischemia 분류부 (41)는, 인공지능을 이용하여 분할된 영역의 병변 여부를 판별하고 형태를 분류하는 방법을 사용할 수 있다.
즉, 본 발명에 따른 Ischemia 분류부 (41)는, Old infarct (OI) / Recent infarct (RI) / Frank hypodensity (FH) / Early ischemic sign (EIS)과 관련하여, 각 분할 영역의 병변 여부 및 형태 분류를 독립적으로 수행할 수 있다.
이후, Ischemia 분류부 (41)는, 뇌 좌우 각 반구 분할된 영역에서 FH/EIS만을 Acute 병변으로 판별하고, 한 영역이라도 Acute 병변이 존재하면 비 출혈 (No hemorrhage)인 환자가 허혈 (Ischemia)이 존재하는 것으로 판정하게 된다.
비 출혈 (No hemorrhage)인 환자가 허혈 (Ischemia)이 존재하는 경우, Large Vessel Occlusion 판단부 (43)는, 대 혈관 폐색 (Large Vessel Occlusion) 환자인지 여부를 판별하게 된다.
대 혈관 폐색 (Large Vessel Occlusion)의 가능성이 존재하는지 여부는, Infra-ganglionic level에서 Dense MCA sign이 검출되었는지 여부로 판별이 가능하다.
한편, 대 혈관 폐색 (Large Vessel Occlusion)이 발생되었음에도 불구하고, 간헐적으로 Dense MCA sign이 검출되지 않는 케이스가 발생될 수 있다.
따라서 본 발명에서는 Dense MCA sign이 검출되지 않는 경우에도, Large Vessel Occlusion 판단부 (43)가, Infra-ganglionic level의 sequential slice 영상들에서 좌우 반구 Hounsfield unit (HU) 값의 빈도수 (frequency) 차이를 도출함으로써, 상기 문제점을 보완할 수 있다.
즉, 본 발명에 따른 Large Vessel Occlusion 판단부 (43)는, 상기 검출된 양쪽 반구 중 적어도 하나의 HU 값의 빈도수가 미리 지정된 기준값 이상이거나 상기 검출된 양쪽 반구의 HU 값의 빈도수 차이가 미리 지정된 차이값 이상인 경우, 상기 대 혈관 폐색 (Large Vessel Occlusion)이 존재하는 것으로 판단할 수 있다.
만약, 대 혈관 폐색 (Large Vessel Occlusion) 환자가 아닌 경우에는 보존적 치료 과정이 진행되나 대 혈관 폐색 (Large Vessel Occlusion) 환자인 경우에는, 기계적 혈전 절제술 (Mechanical Thrombectomy)이 적용될 수 있는 환자인지 여부의 판단이 요구된다.
기계적 혈전 절제술 (Mechanical Thrombectomy)이 적용될 수 있는 환자인지 여부의 판단은, ASPECTS 판단부 (44)와 Mechanical Thrombectomy 판단부 (45)를 통해 수행될 수 있다.
우선적으로, ASPECTS 판단부 (44)는, 관심 영역 추출부 (33)에 의해, 정규화된 의료 영상에 표준 마스크 템플릿을 적용하여 분할 및 추출된 관심 영역을 전달받아 ASPECTS를 계산한다.
ASPECTS 판단부 (44)는, 병변 검출 및 형태 분류를 통해 ASPECTS를 계산할 수 있다.
대표적인 병변 검출 및 형태 분류는, Old infarct (OI)/Recent infarct (RI)/Frank hypodensity (FH)/Early ischemic sign (EIS) 등을 들 수 있다.
이때, 인공지능(AI) 알고리즘을 적용하여, OI/RI/FH/EIS 중 하나라도 검출되면 병변으로 인정하는 Conventional ASPECTS 산출 방법이 적용될 수 있다.
이때, 병변으로 인정된 값을 ASPECTS의 추정에 반영하여 점수를 차감할 수 있다.
또한, 본 발명에서는 인공지능(AI) 알고리즘을 적용하여, FH/EIS 검출만 병변으로 인정하는 Modified ASPECTS 방법이 적용될 수 있다.
이때, 병변으로 인정된 값을 ASPECTS의 추정에 반영하여 점수를 차감할 수 있다.
또한, 본 발명에서는 인공지능(AI) 알고리즘을 적용하여, ACA, PCA, ICA관련 영역을 추가하고, FH/EIS 검출만 병변으로 인정하는 Extended ASPECTS 산출 방법이 적용될 수도 있다.
일반적으로 ASPECTS를 산출하는 영역은, MCA (Middle cerebral artery) Territory가 대상이 되는데, 본 발명에서는 이를 ACA (Anterior cerebral artery), PCA (Posterior cerebral artery) 및 ICA (Internal carotid artery) 영역까지 확장하고, ASPECTS 판단부 (44)는, 상기 MCA, ACA, PCA 및 ICA 영역 상의 상기 Old infarct (OI), Recent infarct (RI), Frank hypodensity (FH) 및 Early ischemic sign (EIS) 중 Frank hypodensity (FH) 및 Early ischemic sign (EIS)가 검출되면 이를 병변으로 인정하고, 병변으로 인정된 값을 상기 ASPECTS의 추정에 반영할 수 있다.
또한, Mechanical Thrombectomy 판단부 (45)는, 상기 ASPECTS 판단부 (44)로부터 전달된 ASPECTS를 이용하여 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자인지 여부를 판단한다.
대 혈관 폐색 (Large Vessel Occlusion)의 가능성이 존재하는 환자인 경우, ASPECTS 판단부 (44)로부터 전달된 ASPECTS를 이용하여, 스코어가 특정 기준보다 낮으면 회복 확률이 희박하므로, Mechanical Thrombectomy 판단부 (45)는, 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 없는 것으로 판단하고, 보존적 치료를 진행한다.
그러나 대 혈관 폐색 (Large Vessel Occlusion) 환자인 경우라도, ASPECTS 판단부 (44)로부터 전달된 ASPECTS가 미리 지정된 수치 이상이면, 회복 가능성이 존재하는바 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자로 판단한다.
기계적 혈전 절제술(Mechanical Thrombectomy)을 적용할 수 있는 환자로 판별되면, 해당 환자와 관련된 다양한 정보는 3차 병원으로 전달될 수 있다.
3차 병원으로의 정보 전달은 도시되지는 않았으나 통신부를 통해 수행될 수 있고, 통신부는 근거리 통신 또는 원거리 통신을 통해, 해당 정보를 미리 지정된 외부 (예를 들어, 병원 등)로 전송할 수 있다.
여기서 이용될 수 있는 원거리 통신 기술로는 WLAN (Wireless LAN)(Wi-Fi), Wibro (Wireless broadband), Wimax (World Interoperability for Microwave Access), HSDPA (High Speed Downlink Packet Access) 등이 이용될 수 있다.
또한, 근거리 통신 (short range communication)의 기술로는 블루투스 (Bluetooth), RFID (Radio Frequency Identification), 적외선 통신 (IrDA, infrared Data Association), UWB (Ultra-Wideband), ZigBee 등이 이용될 수 있다.
인공지능 기반 뇌졸중 진단 및 분류 방법
도 5는 본 발명이 제안하는 인공지능 기반 뇌졸중 진단 방법의 전체 과정을 설명하는 순서도의 일례를 도시한 것이다.
도 5를 참조하면, 가장 먼저, 영상획득부 (10)가 비-조영 (Non-contrast) CT 영상을 획득하는 단계 (S10)가 수행된다.
이후, 전처리부 (20)가 전-처리 및 출혈 분류 동작을 수행한다 (S20).
상기 전-처리 및 출혈 분류 단계 (S21)는, 노이즈 필터부 (21)가 노이즈를 제거하는 단계 (S21), 등록부 (22), Co-registration 기능을 수행하는 단계 (S22), 스컬 스트리핑부 (23)가 스컬-스트리핑 (Skull-stripping) 기능을 수행하는 단계 (S23) 및 출혈분류부 (24)가 인공지능 (AI)을 기반으로 출혈 (Hemorrhage) 형태를 학습하고, 학습 모델을 기초로 인공지능 알고리즘에 따라 비 출혈 (No hemorrhage) 상태 (S30)와 출혈 (Hemorrhage) 상태 (S130)를 구분하는 단계 (S24)를 포함할 수 있다.
S20 단계의 구체적인 내용은 도 6을 참조하여 후술한다.
S20 단계 이후, 학습 모델을 기초로 인공지능 알고리즘에 따라 비 출혈 (No hemorrhage) 상태 (S30)와 출혈 (Hemorrhage) 상태 (S130)가 구분되고, 비 출혈 (No hemorrhage) 상태 (S30)인 경우에는, 공간 정규화 (Spatial normalization) 및 세그멘테이션 (Segmentation) 단계 (S40)가 진행된다.
이러한 공간 정규화 및 세그멘테이션 단계 (S40)는, 3차원 정규화 영상 생성 단계 (S41), 복셀 설정, 2차원 정규화 영상 생성 단계 (S42), 관심영역 분할, 마스크 템플랫 생성 단계 (S43), 복수의 의료 영상 수집 및 정규화 단계 (S44), 마스크 템플릿 적용, 관심영역 분할 및 추출 단계 (S45)를 통해 수행될 수 있다.
S40 단계의 구체적인 내용은 도 7을 참조하여 후술한다.
상기 공간 정규화 및 세그멘테이션 단계 (S40) 이후, 정규화된 의료 영상에 표준 마스크 템플릿을 적용하여 분할 및 추출된 관심 영역을 기초로 Ischemia를 분류하는 과정 (S50)이 진행된다.
S50 단계에서, Ischemia 분류부 (41)는, 관심 영역 추출부 (33)에 의해, 정규화된 의료 영상에 표준 마스크 템플릿을 적용하여 분할 및 추출된 관심 영역을 전달 받아 비 출혈 (No hemorrhage)인 환자가 허혈 (Ischemia)이 존재하는지 여부를 판단하게 된다.
S50 단계의 구체적인 내용은 도 10을 참조하여 후술한다.
만약, S50 단계에서 비 출혈 (No hemorrhage)인 환자가 허혈 (Ischemia)이 존재하지 않으면 보존적 치료 단계 (S120)가 진행된다.
그러나 S50 단계에서 비 출혈 (No hemorrhage)인 환자가 허혈 (Ischemia)이 존재하는 것으로 판단 (S70)되면, Large Vessel Occlusion 판단부 (43)는, 대 혈관 폐색 (Large Vessel Occlusion) 환자인지 여부를 판별하게 된다 (S90).
S90 단계의 대 혈관 폐색 (Large Vessel Occlusion)이 발생되었는지 여부는, Infra-ganglionic level에서 Dense MCA sign이 검출되었는지 여부로 판별이 가능하다.
한편, 대 혈관 폐색 (Large Vessel Occlusion)이 발생되었음에도 불구하고, 간헐적으로 Dense MCA sign이 검출되지 않는 케이스가 발생될 수 있다.
따라서 본 발명에서는 Dense MCA sign이 검출되지 않는 경우에도, Large Vessel Occlusion 판단부 (43)가, Infra-ganglionic level의 sequential slice 영상들에서 좌우 반구 Hounsfield unit (HU) 값의 빈도수 (frequency) 차이를 도출함으로써, 상기 문제점을 보완할 수 있다.
즉, 본 발명에 따른 Large Vessel Occlusion 판단부 (43)는, 상기 검출된 양쪽 반구 중 적어도 하나의 HU 값의 빈도수가 미리 지정된 기준값 이상이거나 상기 검출된 양쪽 반구의 HU 값의 빈도수 차이가 미리 지정된 차이값 이상인 경우, 상기 대 혈관 폐색 (Large Vessel Occlusion)이 존재하는 것으로 판단할 수 있다.
S90 단계의 구체적인 내용은 도 11을 참조하여 후술한다.
만약, 대 혈관 폐색 (Large Vessel Occlusion) 환자가 아닌 경우에는 보존적 치료 과정이 진행 (S120)되나 대 혈관 폐색 (Large Vessel Occlusion) 환자인 경우에는, 기계적 혈전 절제술 (Mechanical Thrombectomy)이 적용될 수 있는 환자인지 여부의 판단이 요구된다.
따라서 기계적 혈전 절제술 (Mechanical Thrombectomy)이 적용될 수 있는 환자인지 여부의 판단을 위해, S90 단계 이후에는, ASPECTS를 추정하는 단계 (S100)가 수행된다.
S100 단계와 관련하여, ASPECTS 판단부 (44)는, 관심 영역 추출부 (33)에 의해, 정규화된 의료 영상에 표준 마스크 템플릿을 적용하여 분할 및 추출된 관심 영역을 전달받아 ASPECTS를 계산한다.
S100 단계의 구체적인 내용은 도 12를 참조하여 후술한다.
S100 단계 이후, Mechanical Thrombectomy 판단부 (45)는, 상기 ASPECTS 판단부 (44)로부터 전달된 ASPECTS를 이용하여 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자인지 여부를 판단한다 (S110).
S110 단계에서 대 혈관 폐색 (Large Vessel Occlusion) 환자인 경우, ASPECTS 판단부 (44)로부터 전달된 ASPECTS를 이용하여, 스코어가 특정 기준보다 낮으면 회복 확률이 희박하므로, Mechanical Thrombectomy 판단부 (45)는, 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 없는 것으로 판단하고, 보존적 치료를 진행한다 (S120).
그러나 대 혈관 폐색 (Large Vessel Occlusion) 환자인 경우라도, ASPECTS 판단부 (44)로부터 전달된 ASPECTS가 특정 기준 이상이면, 회복 가능성이 존재하는바 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자로 판단하고, 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자로 판별되면, 해당 환자와 관련된 다양한 정보는 3차 병원으로 전달될 수 있다 (S140).
3차 병원으로 전달되는 정보는, Elapsed time, 비-조영 CT 영상, 판별 결과 및 Tissue clock 정보, Conventional ASPECTS 정보, Modified ASPECTS 정보 및 Extended ASPECTS 정보 중 적어도 하나가 될 수 있다.
이하에서는, 도 5를 통해 설명한 인공지능 기반 뇌졸중 진단 방법의 전체 과정의 각 단계를 도면을 참조하여 구체적으로 설명한다.
전처리 및 출혈 분류 과정
도 6은 도 5에서 설명한 과정 중 비조영 CT 영상을 기반으로 전처리 및 출혈 분류하는 과정을 설명하는 순서도이다.
도 6을 참조하면, 먼저, 비조영 CT 영상을 획득하고 (S10), 이를 기초로, 전처리부 (20)의 노이즈 필터부 (21)가 영상획득부 (10)로부터 수집된 영상에서의 노이즈를 제거하는 동작이 수행된다 (S21).
S21 단계에서, 노이즈 필터부 (21)는 CT 촬영기기의 일 요소인 갠트리 (Gantry) 관련 Tilt correction 기능을 수행할 수 있다.
Head CT 스캔에서는 갠트리 (Gantry)가 기울어져 이미지 슬라이스가 비스듬하게 촬영되는 경우가 빈번하게 발생하고, 갠트리가 기울어져 촬영될 경우, 이미지 슬라이스 간 복셀의 거리가 정확하지 않고 특히 3차원 시각화에 문제가 발생될 수 있으므로, S21 단계에서는, 갠트리 (Gantry)가 기울어져 촬영된 영상의 경우, DICOM 원본 영상에 함께 저장되는 정보 중 'Gantry/Detector Tilt header' 정보를 이용하여 기울어짐에 따른 오류를 리샘플링을 통해 복원할 수 있다.
CT 영상에 포함된 노이즈는 뇌의 주요 특징을 획득하기 위한 전처리 단계에 포함된 각 단계의 정확도를 떨어트리는 요인이 되므로, 제거가 필요하고, S21 단계에서는, 영상 전체에 가우시안 블러 (Gaussian Blur)를 컨볼루션 (Convolution)해서 영상에 포함된 노이즈를 제거할 수 있다.
이러한 S21 단계에서의 Gantry tilt correction을 실행함으로써, 분석의 성능 향상을 기대할 수 있다.
다음으로, 등록부 (22)는 Co-registration 기능을 수행한다 (S22).
S22 단계에서 등록부 (22)는 해부학적인 구조물 정렬을 위해 이미지를 정렬하는 것으로, CT 촬영시 피험자의 움직임에 의한 기울어짐이나 뇌 모양의 차이 등에 따른 개체 내 또는 개체 간의 이미지들을 공간적으로 정렬한다.
S22 단계 이후, 스컬 스트리핑부 (23)는 CT 영상에서 뇌 구조물이 아닌 부분을 제거하기 위한 기능을 제공하는 스컬-스트리핑(Skull-stripping) 기능을 수행한다 (S23).
즉, CT 영상에서 스컬 (Skull)은 뇌 조직에 비해 Hounsfield unit (HU) 값이 상대적으로 높기 때문에, S23 단계를 통해, 뇌 구조물이 아는 부분을 제거한 후 분석을 진행함으로써, 뇌 조직 병변 분석의 용이함을 높이게 된다.
S23 단계 이후, 출혈분류부 (24)는 인공지능 (AI)을 기반으로 출혈 (Hemorrhage) 형태를 학습하고, 학습 모델을 기초로 인공지능 알고리즘에 따라 비 출혈 (No hemorrhage) 상태 (S30)와 출혈 (Hemorrhage) 상태 (S130)를 구분할 수 있다 (S24).
S24 단계에서, 출혈분류부(24)의 출혈 (Hemorrhage) 형태 학습은 비-조영 CT 개별 slice 영상에 대해 Feature extraction을 위한 Convolutional neural network (CNN) 신경망을 구성하고, 환자 전체 Serial slice를 고려하기 위한 Long Short-term Memory (LSTM) 신경망을 합성하는 형태의 AI 모델 아키텍쳐를 구축하여 이용할 수 있으며, 이를 기초로, 출혈분류부 (24)는 각 환자에 대한 Hemorrhage 여부 및 양성 환자의 Hemorrhage 형태 분류에 대해 Output을 산출하게 된다.
다른 방법으로, 본 발명에 따른 출혈분류부 (24)는 출혈 (Hemorrhage) 형태와 관계없이, 영상 내 일정 영역 이상 Hemorrhage이 판독되면 이를 기초로 Hemorrhage 환자로 분류하는 방법을 이용할 수도 있다.
또 다른 방법으로, 본 발명에 따른 출혈분류부 (24)는 CT 영상 내 Hemorrhage 추정 병변을 검출하고 형태를 분류하기 위해, Intraparenchymal, Intraventricular, Subarachnoid, Subdural, Epidural 등을 이용할 수 있다.
공간 정규화 및 세그멘테이션 과정
도 7은 도 5에서 설명한 과정 중 공간 정규화 및 세그멘테이션 과정을 설명하는 순서도이다.
도 7을 참조하면, 비 출혈 (No hemorrhage)로 판단 (S30) 된 이후에, 공간 정규화 (Spatial normalization) 및 세그멘테이션 (Segmentation) 단계 (S40)가 진행된다.
도 7을 기초로, 공간 정규화 및 세그멘테이션 단계 (S40)에 대해 구체적으로 설명한다.
가장 먼저, 템플릿 세팅부 (31)는 전처리부 (20)로부터 복수의 정상인과 뇌질환 환자로부터 획득된 복수의 의료 영상을 수집하고, 3차원의 정규화 영상을 생성한다 (S41).
이후, 템플릿 세팅부 (31) 3차원 정규화 영상을 기반으로 복셀 (Voxel) 설정을 통해 2차원 정규화 영상을 생성한다 (S42).
S42 단계에서, 템플릿 세팅부 (31)는 3차원 정규화 영상의 X축, Y축, Z축을 기준으로 미리 설정된 단위, 예컨대 mm 단위로 복셀을 설정하여 2차원 정규화 영상을 생성할 수 있다.
즉, 상기 3차원 정규화 영상을 미리 지정된 단위 유닛인 3차원 복셀 설정에 따라 X축, Y축 및 Z축 중 하나의 축을 기준으로 Slicing된 2차원 정규화 영상을 생성하는 것이 가능하다.
정규화 영상은 3차원이고, 복셀도 3차원이나 X축, Y축 및 Z축 중 하나의 축을 기준 축으로 설정하여 복셀을 이용하여 정규화 영상을 표현하게 되면, 2차원으로 변환된 정규화 영상이 생성될 수 있다.
S42 단계 이후, 템플릿 세팅부 (31)는 생성된 2차원 정규화 영상에서 관심 영역을 분할하고, 복수의 정규화 영상에서 분할된 관심 영역들을 기반으로 표준 마스크 템플릿을 생성한다 (S43).
도 8은 도 7에서의 표준 마스크 템플릿을 생성해서 정규화된 영상을 분할하는 과정을 예시한 도면이다.
도 8의 (a)에는 복수의 의료 영상이 예시되어 있고, 도 8의 (b)와 (c)에는 각각 의료 영상에서 추출된 관심 영역과, 세팅된 표준 마스크 템플릿이 예시되어 있으며, 도 8의 (d)와 (e)에는 각각 의료 영상 처리장치에 입력되는 정규화된 의료 영상과 분할 및 추출된 관심 영역이 예시되어 있다.
본 발명은 진단 대상의 의료 영상에서 관심 영역을 분할 및 추출하기에 앞서, 도 8의 (a)에 도시된 바와 같이 복수의 정상인과 뇌질환 환자로부터 획득된 복수의 의료영상에서 관심 영역을 추출하고 (도 8의 (b)), 진단 대상의 뇌 질환을 진단하기 위한 관심 영역의 표준 마스크 템플릿을 생성한다 (도 8의 (c)).
여기서, 템플릿 세팅부 (31)는 3차원 정규화 영상의 X축, Y축, Z축을 기준으로 미리 설정된 단위, 예컨대 mm 단위로 복셀을 설정하여 2차원 정규화 영상을 생성할 수 있다.
그리고 템플릿 세팅부 (31)는 생성된 2차원 정규화 영상에서 관심 영역을 분할하고, 복수의 정규화 영상에서 분할된 관심 영역들을 기반으로 표준 마스크 템플릿을 생성한다.
다시 도 7로 복귀하여, 영상 정규화부 (32)는 전처리부 (20)로부터 획득된 진단 대상의 의료 영상을 정규화한다 (S44).
S44 단계와 관련하여, 도 9의 (a)에는 의료 영상 처리장치에 입력되는 원본 의료 영상이 예시되어 있고, 도 9의 (b)에는 템플릿을 통해 정규화된 이미지가 예시되어 있다.
영상 정규화부 (30)는 도 9의 (a)에 도시된 진단 대상의 원본 의료 영상에 비정규 바이어스를 정정하고 (Non-uniform bias correction), 공간적 정렬 (Spatial align)을 통해 등록 (Co-registration)하고 표준 정위 공간(standard stereotaxic space)에 적용하여 공간적 정규화(spatial normalization)를 수행하는 과정을 통해 도 9의 (b)에 도시된 바와 같이, 의료 영상을 정규화할 수 있다.
S44 단계 이후, 관심 영역 추출부 (33)는 정규화된 의료 영상에 표준 마스크 템플릿을 적용해서 관심 영역만을 분할 및 추출한다 (S45).
즉, 관심 영역 추출부 (33)는 도 8의 (d)에 도시된 정규화된 의료 영상에 표준 마스크 템플릿을 적용함으로써, 도 8의 (e)와 같이, 관심 영역만을 분할 및 추출한다.
S45 단계에서, 관심 영역 추출부 (33)는 Anterior/Middle/Posterior cerebral artery (ACA, MCA, PCA) 관련 Territory 영상을 선별하고, 좌우 각 반구에서 ACA, MCA, PCA Territory 관련 뇌 구조물을 분할함으로써, 관심 영역을 분할 및 추출할 수 있다.
이와 같이 분할 및 추출된 관심 영역을 포함한 의료 영상은 뇌 질환 분석장치 (13)로 전달된다.
이에 따라, 판단부 (40)는 분할 및 추출된 관심 영역의 의료 영상을 기반으로 대뇌동맥 손상에 취약한 뇌 영역을 정밀하게 관찰 및 점수화할 수 있으며, 이를 통해 뇌 질환의 중증 정도 및 예후를 예측할 수 있다.
전술한, 공간 정규화 및 세그멘테이션 단계 (S40)를 통해, 본 발명은 뇌를 촬영한 의료 영상을 정규화하고, 정규화된 의료 영상에 미리 세팅된 표준 마스크 템플릿을 적용해서 뇌 질환 진단을 위해 필요한 영역, 즉 대뇌동맥 손상과 관련된 관심 영역을 분할 및 추출함으로써, 템플릿을 통해 정규화된 이미지 기반으로 모든 피험자의 의료 영상에서 일관되게 관심 영역을 분할할 수 있고, 분할 및 추출된 관심 영역을 통해 뇌 질환을 분석 및 진단함에 따라, 정밀도 및 정확도를 극대화할 수 있다.
상기 공간 정규화 및 세그멘테이션 단계 (S40) 이후, 정규화된 의료 영상에 표준 마스크 템플릿을 적용하여 분할 및 추출된 관심 영역을 기초로 Ischemia를 분류하는 과정 (S50)이 진행된다.
Ischemia를 분류하는 과정
Ischemia 분류부 (41)는, 관심 영역 추출부 (33)에 의해, 정규화된 의료 영상에 표준 마스크 템플릿을 적용하여 분할 및 추출된 관심 영역을 전달받아 비 출혈 (No hemorrhage)인 환자가 허혈 (Ischemia)이 존재하는지 여부를 판단하게 된다.
도 10은 도 5에서 설명한 과정 중 Ischemia를 분류하는 과정 (S50)을 설명하는 순서도이다.
도 10을 참조하면, 본 발명에 따른 Ischemia 분류부 (41)는, 인공지능을 이용하여 분할된 영역의 병변 여부를 판별하고 형태를 분류하는 방법을 사용할 수 있다.
먼저, 본 발명에 따른 Ischemia 분류부 (41)는, Old infarct (OI)/Recent infarct (RI)/Frank hypodensity (FH)/Early ischemic sign (EIS)과 관련하여, 각 분할 영역의 병변 여부 및 형태 분류를 독립적으로 수행할 수 있다 (S51).
이후, Ischemia 분류부 (41)는, 뇌 좌우 각 반구 분할된 영역에서 FH/EIS만을 Acute 병변으로 판별한다 (S52).
또한, Ischemia 분류부 (41)는, 한 영역이라도 Acute 병변이 존재하면 비 출혈 (No hemorrhage)인 환자가 허혈 (Ischemia)이 존재하는 것으로 판정하게 된다 (S53).
만약, S53 단계에서 비 출혈 (No hemorrhage)인 환자가 허혈 (Ischemia)이 존재하지 않으면 보존적 치료 단계 (S120)가 진행된다.
Large Vessel Occlusion을 판단하는 과정
도 11은 도 5에서 설명한 과정 중 Large Vessel Occlusion을 판단하는 과정을 설명하는 순서도이다.
S90 단계에서는, 가장 먼저, Dense MCA sign이 검출되었는지 여부를 판단하는 단계(S91)가 진행된다.
만약, Dense MCA sign이 검출되는 경우, 대 혈관 폐색 (Large Vessel Occlusion)이 발생된 것으로 간주한다.
한편, 대 혈관 폐색 (Large Vessel Occlusion)이 발생되었음에도 불구하고, 간헐적으로 Dense MCA sign이 검출되지 않는 케이스가 발생될 수 있다.
따라서 본 발명에서는 Dense MCA sign이 검출되지 않는 경우에도, Large Vessel Occlusion 판단부 (43)가, Infra-ganglionic level의 sequential slice 영상들에서 좌우 반구 Hounsfield unit (HU) 값의 빈도수 (frequency) 차이를 도출함으로써, 상기 문제점을 보완할 수 있다.
즉, 도 11을 참조하면, 먼저, Large Vessel Occlusion 판단부 (43)는, Infra-ganglionic level의 sequential slice 영상들의 좌우 반구 중 한 쪽 반구 Hounsfield unit (HU)값 각각의 빈도수 (frequency)를 검출한다(S92).
이후, Large Vessel Occlusion 판단부 (43)는, 상기 검출된 양쪽 반구 중 적어도 하나의 HU 값의 빈도수가 미리 지정된 기준값 이상이거나 상기 검출된 양쪽 반구의 HU 값의 빈도수 차이가 미리 지정된 차이값 이상인 경우, 상기 대 혈관 폐색 (Large Vessel Occlusion)이 존재하는 것으로 판단할 수 있다(S93).
만약, 대 혈관 폐색 (Large Vessel Occlusion) 환자가 아닌 경우에는 보존적 치료 과정이 진행 (S120)되나 대 혈관 폐색 (Large Vessel Occlusion) 환자인 경우에는, 기계적 혈전 절제술 (Mechanical Thrombectomy)이 적용될 수 있는 환자인지 여부의 판단이 요구된다.
기계적 혈전 절제술 (Mechanical Thrombectomy)이 적용될 수 있는 환자인지 여부의 판단을 위해, S90 단계 이후에는, ASPECTS를 추정하는 단계 (S100)가 수행된다.
ASPECTS 추정 과정
ASPECTS 판단부 (44)는, 관심 영역 추출부 (33)에 의해, 정규화된 의료 영상에 표준 마스크 템플릿을 적용하여 분할 및 추출된 관심 영역을 전달받아 ASPECTS를 계산한다.
도 12는 도 5에서 설명한 과정 중 ASPECTS 추정 방법을 단계별로 설명하는 순서도이다.
도 12를 참조하면, ASPECTS 판단부 (44)는 가장 먼저, 정규화된 의료 영상에 표준 마스크 템플릿을 적용하여 분할 및 추출된 관심 영역의 의료 영상을 기반으로, 인공지능을 이용하여 각 분할된 영역의 병변 여부를 판별하고, 형태를 분류하는 단계 (S101)를 수행한다.
여기서, 대표적인 병변 검출 및 형태 분류는, Old infarct (OI)/Recent infarct (RI)/Frank hypodensity (FH)/Early ischemic sign (EIS) 등을 들 수 있다.
이후, ASPECTS 판단부 (44)는, 병변 여부 및 복수의 형태 중 적어도 하나를 이용하는 복수의 ASPECTS 판단 방식 중 하나를 적용하여 ASPECTS를 판단하는 단계 (S102)를 수행한다.
S102 단계에서, ASPECTS 판단부 (44)는, 병변 검출 및 형태 분류를 통해 ASPECTS를 계산할 수 있다.
이때, 인공지능 (AI) 알고리즘을 적용하여, OI/RI/FH/EIS 중 하나라도 검출되면 병변으로 인정하는 Conventional ASPECTS 산출 방법이 적용될 수 있다.
또한, 본 발명에서는 인공지능 (AI) 알고리즘을 적용하여, FH/EIS 검출만 병변으로 인정하는 Modified ASPECTS 방법이 적용될 수 있다.
또한, 본 발명에서는 인공지능 (AI) 알고리즘을 적용하여, ACA, PCA, ICA 관련 영역을 추가하고, FH/EIS 검출만 병변으로 인정하는 Extended ASPECTS 산출 방법이 적용될 수도 있다.
S102 단계 이후, 판단된 ASPECTS를 기초로, 뇌 질환의 중증 정도를 판단하는 단계 (S103)가 진행된다.
S100 단계 이후, Mechanical Thrombectomy 판단부 (45)는, 상기 ASPECTS 판단부 (44)로부터 전달된 ASPECTS를 이용하여 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자인지 여부를 판단한다 (S110).
인공지능 알고리즘을 기초로 응급 대혈관폐색 환자를 선별하는 과정
S110 단계와 관련하여, 대 혈관 폐색 (Large Vessel Occlusion) 환자인 경우, ASPECTS 판단부 (44)로부터 전달된 ASPECTS를 이용하여, 스코어가 특정 기준보다 낮으면 회복 확률이 희박하므로, Mechanical Thrombectomy 판단부 (45)는, 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 없는 것으로 판단하고, 보존적 치료를 진행한다 (S120).
그러나 대 혈관 폐색 (Large Vessel Occlusion) 환자인 경우라도, ASPECTS 판단부 (44)로부터 전달된 ASPECTS가 미리 지정된 수치 이상이면, 회복 가능성이 존재하는바 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자로 판단하고, 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자로 판별되면, 해당 환자와 관련된 다양한 정보는 3차 병원으로 전달될 수 있다 (S140).
3차 병원으로 전달되는 정보는, Elapsed time, 비-조영 CT 영상, 판별 결과 및 Tissue clock 정보, Conventional ASPECTS 정보, Modified ASPECTS 정보 및 Extended ASPECTS 정보 중 적어도 하나가 될 수 있다.
이하에서는, Mechanical Thrombectomy 판단부 (45)가 ASPECTS를 이용하여 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자인지 여부를 판단하는 구체적인 방법에 대해 설명한다.
제 1 실시예
도 13은 도 5에서 설명한 과정 중 인공지능 알고리즘을 기초로 응급 대혈관폐색 환자를 선별할 수 있는 일 실시예를 설명하는 순서도이다.
도 13을 참조하면, Mechanical Thrombectomy 판단부 (45)는, Multi numeric data 기반의 regression 구조 AI 모델을 구성하는 단계 (S111)를 수행한다.
이후, Mechanical Thrombectomy 판단부 (45)는 Infra-ganglionic level에서 Dense MCA sign이 검출된 환자의 경우, AI 모델을 기초로, 선행된 ELVO (Emergent large vessel occlusion) 단계 (S90)와 Ischemia 분류 단계 (S70)의 Output과 S100 단계를 통해 판단된 ASPECTS를 기반으로 시술 여부를 판별할 수 있다 (S112).
즉, 추정된 ASPECTS가 미리 지정된 수치 이상인 경우에도, Thrombectomy 판단부 (45)는, 상기 Ischemia 분류부 (41)에서 획득한 정보 및 상기 Large Vessel Occlusion 판단부에서 획득한 정보를 통해 판단된 기준이 미리 지정된 기준 이상인 경우에만 상기 적어도 하나의 환자가 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자인 것으로 판별할 수 있다.
제 2 실시예
도 14는 도 5에서 설명한 과정 중 인공지능 알고리즘을 기초로 응급 대혈관폐색 환자를 선별할 수 있는 다른 실시예를 설명하는 순서도이다.
도 14를 참조하면, Mechanical Thrombectomy 판단부 (45)는, 인공지능 (AI)을 통해 Emergent large vessel occlusion(ELVO)에 따른 병변 (Early ischemic sign, Frank hypodensity)의 Volume을 검출하는 단계 (S113)를 수행할 수 있다.
이후, Mechanical Thrombectomy 판단부 (45)는, 검출된 병변의 Volume을 기계학습 (Machine learning - logistic regression)할 수 있다 (S114).
또한, Mechanical Thrombectomy 판단부 (45)는, 기계 학습된 모델 및 ASPECTS를 기반으로 Mechanical thrombectomy 시술 여부를 판별하게 된다 (S115).
즉, 대 혈관 폐색 (Large Vessel Occlusion)에 의해 검출되는 Volume 값을 학습한 인공지능 모델을 기초로, 상기 적어도 하나의 환자가 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자인지 여부를 판단할 수 있다.
제 3 실시예
도 15는 도 5에서 설명한 과정 중 인공지능 알고리즘을 기초로 응급 대혈관폐색 환자를 선별할 수 있는 또 다른 실시예를 설명하는 순서도이다.
도 15를 참조하면, Mechanical Thrombectomy 판단부 (45)는, LVO (large vessel occlusion) 발생 후 비-조영 CT 촬영까지의 Absolute time과 Early ischemic sign, Frank hypodensity의 Volume을 수집하는 단계 (S116)를 수행한다.
이후, Mechanical Thrombectomy 판단부 (45)는, 수집된 정보를 기초로 Tissue clock을 산출한다 (S117).
또한, Mechanical Thrombectomy 판단부 (45)는, Tissue clock과 ASPECTS를 기반으로 Mechanical thrombectomy 시술 여부 및 가용 시간을 판별하게 된다 (S118).
전술한 것과 같이, 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자로 판별되면, 해당 환자와 관련된 다양한 정보는 3차 병원으로 전달될 수 있다 (S140).
3차 병원으로 전달되는 정보는, Elapsed time, 비-조영 CT 영상, 판별 결과 및 Tissue clock 정보, Conventional ASPECTS 정보, Modified ASPECTS 정보 및 Extended ASPECTS 정보 중 적어도 하나가 될 수 있다.
인공지능을 이용한 뇌졸중 진단 방법을 통해 환자군 및 정상군 선별에 활용하여 임상시험 성공 확률을 높이는 방법
전술한 본 발명에 따른 이용한 뇌졸중 진단 방법 및 장치를, 환자군 및 정상군 선별에 활용하여 임상시험 성공 확률을 높일 수 있다.
즉, 본 발명은, 인공지능을 이용한 뇌졸중 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 뇌졸중 진단 방법 및 장치를 적용하는 경우, 정확히 신약이 목표로 하는 뇌졸중 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, 뇌졸중의 경우, 약 효능에 의한 증상의 호전 여부 측정을 문진에 의한 방법을 통해 수행해야 하며, 이는 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, 뇌졸중의 평가 척도 한단계 상승자체가 매우 어려우므로, 임상시험 통과 가능성이 매우 낮다는 문제점이 발생하게 된다.
본 발명에서는 이러한 문제점을 해소하기 위해, 정확히 신약이 목표로 하는 뇌졸중 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, 뇌졸중의 경우 확진에 오랜 기간이 소요되므로(약 3개월) 선별검사가 어려워 신약이 목표로 하는 뇌졸중 환자만을 임상시험 대상자로 포함시키기 매우 어렵다는 문제점이 있다.
따라서 본 발명이 제안하는 인공지능을 이용한 뇌졸중 진단 방법을 통해 환자군 및 정상군 선별에 활용하여 임상시험 성공 확률을 높이는데 활용할 수 있다.
도 16은 인공지능을 이용한 뇌졸중 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, 영상획득부 (10)가 비-조영 (Non-contrast) CT 영상을 획득하는 단계(S10), 전처리부 (20)가 전-처리 및 출혈 분류 동작을 수행하는 단계(S20), 학습 모델을 기초로 인공지능 알고리즘에 따라 비 출혈 (No hemorrhage) 상태 (S30)와 출혈 (Hemorrhage) 상태 (S130)가 구분되고, 비 출혈 (No hemorrhage) 상태 (S30)인 경우에는, 공간 정규화 (Spatial normalization) 및 세그멘테이션 (Segmentation) 단계 (S40), 정규화된 의료 영상에 표준 마스크 템플릿을 적용하여 분할 및 추출된 관심 영역을 기초로 Ischemia를 분류하는 과정 (S50), 비 출혈 (No hemorrhage)인 환자가 허혈 (Ischemia)이 존재하는 것으로 판단 (S70)되면, Large Vessel Occlusion 판단부 (43)는, 대 혈관 폐색 (Large Vessel Occlusion) 환자인지 여부를 판별하는 단계(S90), 기계적 혈전 절제술 (Mechanical Thrombectomy)이 적용될 수 있는 환자인지 여부의 판단을 위해, S90 단계 이후에는, ASPECTS를 추정하는 단계 (S100), Mechanical Thrombectomy 판단부 (45)는, 상기 ASPECTS 판단부 (44)로부터 전달된 ASPECTS를 이용하여 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자인지 여부를 판단하는 단계 (S110) 등이 수행된다.
상기 S10 내지 S110 단계는, 도 5 내지 도 15에서 구체적으로 설명하였는바 명세서의 간명화를 위해, 반복적 설명은 생략한다.
S110 단계를 통해 진단 결과가 도출된 이후, 진단 결과를 기초로, 복수의 실험 후보군을 실제 뇌졸중 환자군과 정상 환자군으로 구분하는 단계(S210)가 진행될 수 있다.
이때, 실제 뇌졸중 환자군으로 분류된 대상만을 기초로, 임상시험을 진행하는 단계(S220) 및 임상 시험 결과를 기초로 약 효능을 입증하는 단계(S230)를 통해, 정확히 신약이 목표로 하는 뇌졸중 환자만을 임상시험 대상자로 포함시킴으로써, 최대한 임상시험 성공 확률을 높일 수 있다.
결국, 본 발명에 따른 인공지능을 이용한 뇌졸중 진단 방법을 통해, 환자군 및 정상군 선별에 활용하여 임상시험 성공 확률을 높이는데 활용할 수 있다.
전술한 S1 단계 내지 S230 단계는, 뇌졸중 진단 장치(1) 독자적으로 수행될 수도 있고, 별도의 서버(미도시)를 두거나 별도의 중앙관리장치(미도시)를 두고, 뇌졸중 진단 장치(1)와 함께 전체 동작을 수행하도록 적용될 수도 있다.
본 발명에 따른 효과
본 발명에 따른 ASPECTS 추정 시스템 및 방법에 의하면, 환자의 뇌 CT 영상을 이용해서 뇌졸중 환자의 상태를 진단하기 위한 객관적 지표인 ASPECTS를 추정할 수 있다는 효과가 얻어진다.
또한, 본 발명에 의하면, 신속한 처방을 필요로 하는 뇌졸중 질환의 특성 상, 전문가 간의 점수 변동성으로 인한 문제를 방지하고, 의료 현장에서 환자의 치료 결정을 용이하게 할 수 있는 신뢰할 수 있는 지표로서 사용할 수 있다는 효과가 얻어진다.
또한, 본 발명에 의하면, 뇌 CT 영상 분석을 통한 뇌졸중 ASPECTS 추정 방식의 복잡도 및 전문성 요구로 인해 발생하는 전문의의 경력에 따른 스코어 값의 부정확성을 극복할 수 있다는 효과가 얻어진다.
또한, 본 발명에 의하면, CT 영상 기반 뇌졸중 분석의 전 과정을 자동화하여 분석과정에 필요한 인력, 시간적 및 경제적 비용을 획기적으로 감소시킬 수 있다는 효과가 얻어진다.
또한, 본 발명에 따르면, CT, MRI와 같이 뇌를 촬영한 의료 영상을 정규화하고, 정규화된 의료 영상에 미리 세팅된 표준 마스크 템플릿을 적용해서 대뇌동맥 손상에 취약한 뇌 영역을 일관되게 분할 및 추출할 수 있다는 효과가 얻어진다.
또한, 본 발명에 의하면, 진단 대상의 의료 영상을 템플릿을 통해 정규화한 후, 정규화된 이미지 기반으로 모든 피험자의 의료 영상에서 일관되게 관심 영역을 분할 및 추출할 수 있다는 효과가 얻어진다.
이와 같이, 본 발명에 의하면, 표준 마스크 템플릿을 기반으로 분할 및 추출된 관심 영역을 통해 뇌 질환 (뇌졸중)을 분석 및 진단함에 따라, 진단 결과에 대한 정밀도 및 정확도를 극대화할 수 있다는 효과가 얻어진다.
또한, 약 효능 입증을 위한 임상시험은 미리 예측한 기대 효과를 임상시험 참여자들에 대해 달성하는지 통계적 유의성을 보임으로서 결과가 판정되는데, 본 발명에 따른 뇌졸중 진단 방법 및 장치를 적용하는 경우, 정확히 신약이 목표로 하는 뇌졸중 환자만을 임상시험 대상자로 포함시킴으로써, 최대한 임상시험 성공 확률을 높일 수 있다.
즉, 본 발명에 따른 인공지능을 이용한 뇌졸중 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 (5)

  1. 적어도 하나의 환자의 뇌와 관련된 비-조영 (Non-contrast) CT 영상을 획득하는 영상획득부;
    상기 비-조영 CT 영상을 전-처리 (Pre-processing)하고, 상기 전-처리된 영상을 기초로, 상기 적어도 하나의 환자가 비 출혈 (No hemorrhage) 상태인지 또는 출혈 (Hemorrhage) 상태인지 여부를 판단하는 전처리부;
    상기 전-처리된 영상을 정규화하고, 미리 세팅된 표준 마스크 템플릿을 이용해서 관심 영역 (ROI)을 분할 및 추출하는 영상처리부;
    상기 분할 및 추출된 관심 영역을 이용하여, 상기 적어도 하나의 환자의 뇌 대혈관 (Cerebral Large Vessel)의 이상 여부를 판단하는 판단부; 를 포함하되,

    상기 적어도 하나의 환자의 뇌 대혈관 (Cerebral Large Vessel)에 이상이 존재하는 경우,
    상기 판단부는,
    상기 분할 및 추출된 관심 영역을 이용하여, 상기 적어도 하나의 환자의 ASPECTS를 추정하고,
    상기 추정된 ASPECTS가 미리 지정된 수치 이상인 경우에만, 상기 적어도 하나의 환자가 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자인 것으로 판별하며,

    상기 판단부는,
    상기 분할 및 추출된 관심 영역을 이용하여, 상기 적어도 하나의 환자의 뇌에 허혈 (Ischemia)이 존재하는지 여부를 판단하는 Ischemia 분류부;
    상기 허혈 (Ischemia)이 존재하는 경우, 상기 적어도 하나의 환자의 뇌 대혈관 (Cerebral Large Vessel)의 이상 여부를 판단하는 Large Vessel Occlusion 판단부;
    상기 뇌 대혈관 (Cerebral Large Vessel)에 이상이 존재하는 경우, 상기 분할 및 추출된 관심 영역을 이용하여, 상기 적어도 하나의 환자의 ASPECTS를 추정하는 ASPECTS 판단부; 및
    상기 추정된 ASPECTS가 미리 지정된 수치 이상인 경우에만, 상기 적어도 하나의 환자가 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자인 것으로 판별하는 Thrombectomy 판단부;를 포함하는 것을 특징으로 하는 인공지능 기반 뇌졸중 진단 장치.
  2. 제 1항에 있어서,
    상기 Ischemia 분류부는,
    상기 분할 및 추출된 관심 영역의 병변 여부 및 형태 분류를 학습한 인공지능 모델을 기초로, 상기 허혈 (Ischemia)이 존재하는지 여부를 판단하고,
    상기 관심 영역의 병변 여부 및 형태 분류는,
    Old infarct (OI), Recent infarct (RI), Frank hypodensity (FH) 및 Early ischemic sign (EIS)을 이용하여 수행되는 것을 특징으로 하는 인공지능 기반 뇌졸중 진단 장치.
  3. 제 2항에 있어서,
    상기 Ischemia 분류부는,
    상기 분할 및 추출된 관심 영역 죽 어느 한 영역에, 상기 Old infarct (OI), Recent infarct (RI), Frank hypodensity (FH) 및 Early ischemic sign (EIS) 중 적어도 하나가 존재하는 경우, 상기 허혈 (Ischemia)이 존재하는 것으로 판단하는 것을 특징으로 하는 인공지능 기반 뇌졸중 진단 장치.
  4. 제 1항에 있어서,
    상기 뇌 대혈관 (Cerebral Large Vessel)에 이상은, 대 혈관 폐색 (Large Vessel Occlusion)이고,
    상기 Large Vessel Occlusion 판단부는,
    상기 분할 및 추출된 관심 영역과 관련하여, Infra-ganglionic level에서 Dense MCA sign이 검출되었는지 여부를 기초로 상기 대 혈관 폐색 (Large Vessel Occlusion)의 가능성이 존재하는지 판단하는 것을 특징으로 하는 인공지능 기반 뇌졸중 진단 장치.
  5. 제 4항에 있어서,
    상기 Dense MCA sign이 검출되지 않은 경우,
    상기 Large Vessel Occlusion 판단부는,
    상기 분할 및 추출된 관심 영역과 관련하여, 상기 Infra-ganglionic level의 sequential slice 영상들의 좌우 양쪽 반구에서 Hounsfield unit(HU) 값 각각의 빈도수 (frequency)를 검출하고,
    상기 검출된 양쪽 반구 중 적어도 하나의 HU 값의 빈도수가 미리 지정된 기준값 이상이거나 상기 검출된 양쪽 반구의 HU 값의 빈도수 차이가 미리 지정된 차이값 이상인 경우, 상기 대 혈관 폐색 (Large Vessel Occlusion)이 존재하는 것으로 판단하는 것을 특징으로 하는 인공지능 기반 뇌졸중 진단 장치.
KR1020200128968A 2020-10-06 2020-10-06 뇌 대혈관폐색 환자인지 여부를 판단하는 인공지능 기반 뇌졸중 진단 장치 KR102189624B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200128968A KR102189624B1 (ko) 2020-10-06 2020-10-06 뇌 대혈관폐색 환자인지 여부를 판단하는 인공지능 기반 뇌졸중 진단 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200128968A KR102189624B1 (ko) 2020-10-06 2020-10-06 뇌 대혈관폐색 환자인지 여부를 판단하는 인공지능 기반 뇌졸중 진단 장치

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020200061088A Division KR102165840B1 (ko) 2020-05-21 2020-05-21 인공지능 기반 뇌졸중 진단 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102189624B1 true KR102189624B1 (ko) 2020-12-11

Family

ID=73786304

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200128968A KR102189624B1 (ko) 2020-10-06 2020-10-06 뇌 대혈관폐색 환자인지 여부를 판단하는 인공지능 기반 뇌졸중 진단 장치

Country Status (1)

Country Link
KR (1) KR102189624B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113796877A (zh) * 2021-08-17 2021-12-17 昆明同心医联科技有限公司 脑卒中预测值获取方法、装置及存储介质
KR20240123600A (ko) 2023-02-07 2024-08-14 서울대학교산학협력단 대혈관 협착 또는 폐색 탐지 장치 및 방법

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005131011A (ja) * 2003-10-29 2005-05-26 Toshiba Corp 急性脳梗塞診断治療支援装置
KR20160082950A (ko) * 2016-06-27 2016-07-11 건국대학교 글로컬산학협력단 다중모드 ct를 이용하여 뇌졸중의 예후를 예측하는 방법
KR101754291B1 (ko) 2017-04-04 2017-07-06 이현섭 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법
KR20180034818A (ko) * 2016-09-28 2018-04-05 포항공과대학교 산학협력단 단층 촬영 장치 및 오차 제거 방법
KR101992057B1 (ko) 2018-08-17 2019-06-24 (주)제이엘케이인스펙션 혈관 투영 영상을 이용한 뇌질환 진단 방법 및 시스템
KR20200007244A (ko) * 2018-07-12 2020-01-22 서울대학교병원 치매 조기 진단용 복합 텍스처 인덱스의 생성 방법
KR20200064818A (ko) * 2018-11-29 2020-06-08 주식회사 휴런 Aspect 스코어 추정 시스템 및 방법

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005131011A (ja) * 2003-10-29 2005-05-26 Toshiba Corp 急性脳梗塞診断治療支援装置
KR20160082950A (ko) * 2016-06-27 2016-07-11 건국대학교 글로컬산학협력단 다중모드 ct를 이용하여 뇌졸중의 예후를 예측하는 방법
KR20180034818A (ko) * 2016-09-28 2018-04-05 포항공과대학교 산학협력단 단층 촬영 장치 및 오차 제거 방법
KR101754291B1 (ko) 2017-04-04 2017-07-06 이현섭 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법
KR20200007244A (ko) * 2018-07-12 2020-01-22 서울대학교병원 치매 조기 진단용 복합 텍스처 인덱스의 생성 방법
KR101992057B1 (ko) 2018-08-17 2019-06-24 (주)제이엘케이인스펙션 혈관 투영 영상을 이용한 뇌질환 진단 방법 및 시스템
KR20200064818A (ko) * 2018-11-29 2020-06-08 주식회사 휴런 Aspect 스코어 추정 시스템 및 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
1. Barber PA, Demchuk AM, Zhang J, et al. 'Validity and reliability of a quantitative computed tomography score in predicting outcome of hyperacute stroke before thrombolytic therapy: ASPECTS Study Group―Alberta Stroke Programme Early CT Score.' Lancet 2000; 355:1670-74 CrossRef Medline

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113796877A (zh) * 2021-08-17 2021-12-17 昆明同心医联科技有限公司 脑卒中预测值获取方法、装置及存储介质
KR20240123600A (ko) 2023-02-07 2024-08-14 서울대학교산학협력단 대혈관 협착 또는 폐색 탐지 장치 및 방법

Similar Documents

Publication Publication Date Title
KR102165840B1 (ko) 인공지능 기반 뇌졸중 진단 장치 및 방법
KR102189622B1 (ko) 뇌출혈 여부 및 종류를 분류하는 인공지능 시스템 기반의 뇌졸중 진단 장치
KR102189625B1 (ko) Aspects를 산출하는 인공지능 기반 뇌졸중 진단 장치
KR102189626B1 (ko) 학습한 인공지능 모델을 기초로 기계적 혈전 절제술이 필요한 환자인지 여부를 판단하는 뇌졸중 진단 장치
KR102189623B1 (ko) 비 뇌출혈 상태인 경우, 뇌 대혈관의 이상 여부를 판단하는 인공지능 기반 뇌졸중 진단 장치
KR102243830B1 (ko) 통합 의료 진단 서비스 제공 시스템 및 그 방법
KR102143465B1 (ko) Aspect 스코어 추정 시스템 및 방법
KR101840350B1 (ko) 의료 영상 판독 과정에서 사용자의 시선 정보를 이용한 판독 효율 증대 방법 및 그 장치
KR102410254B1 (ko) 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치 및 진단 관련 정보 제공 방법
KR102189624B1 (ko) 뇌 대혈관폐색 환자인지 여부를 판단하는 인공지능 기반 뇌졸중 진단 장치
KR102219201B1 (ko) 뇌졸중이 존재하는 환자군을 선별하여 임상시험 성공 확률을 높이는 방법
US20230329659A1 (en) System and Methods of Prediction of Ischemic Brain Tissue Fate from Multi-Phase CT-Angiography in Patients with Acute Ischemic Stroke using Machine Learning
JP2017520305A (ja) 急性脳虚血患者における組織領域の区分法及び予測法
CN111481233B (zh) 胎儿颈项透明层厚度测量方法
ES2971911T3 (es) Aparato y método para proporcionar información sobre la enfermedad de parkinson mediante el uso de imágenes de neuromelanina
US20230000364A1 (en) Methods and systems for assessing a vasculature
US11602322B2 (en) Ischemic stroke detection and classification method based on medical image, apparatus and system
CN110279433A (zh) 一种基于卷积神经网络的胎儿头围自动精确测量方法
US20240127447A1 (en) Quantitative framework for the diagnostic, prognostic, and therapeutic evaluation of spinal cord diseases
KR102219202B1 (ko) 인공지능 기반 뇌졸중 진단 정보를 제공하는 방법
KR102189627B1 (ko) 환자 관련 정보의 공유가 가능한 인공지능 플랫폼 기반 뇌졸중 진단 장치
Nandakumar et al. A Deep Learning Framework to Localize the Epileptogenic Zone from Dynamic Functional Connectivity Using a Combined Graph Convolutional and Transformer Network
Jung et al. Evaluating a deep-learning system for automatically calculating the stroke ASPECT score
US20240281968A1 (en) System and method for retinal optical coherence tomography classification using region-of-interest aware resnet
Elkoroaristizabal et al. Multiclass Lesion Detection Using Longitudinal MRI in Multiple Sclerosis

Legal Events

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