KR102210341B1 - 영상처리 및 시뮬레이션을 이용한 신경관 자동 검출방법 및 그 장치 - Google Patents

영상처리 및 시뮬레이션을 이용한 신경관 자동 검출방법 및 그 장치 Download PDF

Info

Publication number
KR102210341B1
KR102210341B1 KR1020190022304A KR20190022304A KR102210341B1 KR 102210341 B1 KR102210341 B1 KR 102210341B1 KR 1020190022304 A KR1020190022304 A KR 1020190022304A KR 20190022304 A KR20190022304 A KR 20190022304A KR 102210341 B1 KR102210341 B1 KR 102210341B1
Authority
KR
South Korea
Prior art keywords
neural tube
start position
neural
tube
corrected
Prior art date
Application number
KR1020190022304A
Other languages
English (en)
Other versions
KR20200104004A (ko
Inventor
이응준
Original Assignee
오스템임플란트 주식회사
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 오스템임플란트 주식회사 filed Critical 오스템임플란트 주식회사
Priority to KR1020190022304A priority Critical patent/KR102210341B1/ko
Publication of KR20200104004A publication Critical patent/KR20200104004A/ko
Application granted granted Critical
Publication of KR102210341B1 publication Critical patent/KR102210341B1/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
    • A61B6/50—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
    • A61B6/506—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 nerves
    • 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]
    • A61B6/14—
    • 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
    • A61B6/51—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 dentistry
    • 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
    • G06T5/002—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection

Landscapes

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

Abstract

일 실시 예에 따른 신경관 자동 검출방법은, 의료영상에서 사용자 조작신호를 통해 신경관의 시작위치를 선택 입력받는 단계와, 선택 입력된 시작위치를 포함하는 관심영역을 검출하고 검출된 관심영역 내에서 신경관 중심위치를 검색하여 검색된 신경관 중심위치로 신경관 시작위치를 보정하는 단계와, 보정된 신경관 시작위치를 시작으로 하는 신경관 라인을 자동 생성하는 단계를 포함한다.

Description

영상처리 및 시뮬레이션을 이용한 신경관 자동 검출방법 및 그 장치 {Neural tube line detecting method using medical image processing and simulation and apparatus thereof}
본 발명은 의료영상 처리 및 시뮬레이션 기술에 관한 것이다.
영상 시뮬레이션 프로그램에서는 영상에서 신경관을 검출할 수 있다. 예를 들어, 임플란트 시뮬레이션 프로그램에서 가상의 임플란트 구조물을 식립하기 이전에 하악의 신경관을 검출하고 검출된 신경관과의 충돌을 피해 임플란트 구조물을 식립해야 한다. 신경관의 경우, 영상 데이터에 가상의 신경관 모델을 삽입한다.
도 1은 의료영상에서 수동으로 신경관을 검출하는 예를 도시한 도면이다.
도 1을 참조하면, 수동 신경관 검출방법은 영상 데이터에서 수동으로 사용자가 직접 특징점들(100)을 입력하면 각 특징점들을 라인으로 연결한다. 사용자에 의한 수동 신경관 검출 방법은 사용자가 영상에서 적절한 특징점들을 일일이 찾아 입력해야 하므로 시간이 많이 소요되고, 마우스 등의 조작수단을 핸들링하는 것에 서투른 사용자에게는 의도치 않은 특징점들을 선택하는 시행착오가 발생할 수 있다. 나아가, 사용자가 영상에서 적절한 특징점들을 일일이 찾는 조작 동작이 반복되어야 하기 때문에 비효율적이다.
도 2는 의료영상에서 자동으로 신경관을 검출하는 예를 도시한 도면이다.
도 2를 참조하면, 자동 신경관 검출방법은 사용자가 영상 데이터에 신경관 시작위치(200)를 선택하면, 선택된 신경관 시작위치(200)를 시작으로 자동으로 신경관을 검출하는 방법이다. 이 경우, 사용자가 신경관 시작위치의 특징점(200)을 선택해 주어야 하는데, 신경관 시작위치의 특징점(200)을 정확히 선택해 주어야 신경관이 생성된다. 즉, 도 2에 도시된 바와 같이 사용자가 신경관 시작위치(200)를 정확히 선택하지 않으면 자동 신경관 검출에 실패 확률이 높다.
일 실시 예에 따라, 의료영상에서 신경관을 자동으로 검출함에 따라 사용자 조작을 최소화할 수 있고, 자동 신경관 검출 시에 신경관 시작위치를 사용자가 정확히 선택하지 않은 경우에도 자동으로 신경관 검출이 가능한 신경관 자동 검출방법 및 그 장치를 제안한다.
일 실시 예에 따른 신경관 자동 검출방법은, 의료영상에서 사용자 조작신호를 통해 신경관의 시작위치를 선택 입력받는 단계와, 선택 입력된 시작위치를 포함하는 관심영역을 검출하고 검출된 관심영역 내에서 신경관 중심위치를 검색하여 검색된 신경관 중심위치로 신경관 시작위치를 보정하는 단계와, 보정된 신경관 시작위치를 시작으로 하는 신경관 라인을 자동 생성하는 단계를 포함한다.
신경관 시작위치를 보정하는 단계는, 선택 입력된 신경관 시작위치를 포함하는 신경관 에지 검출 영역을 검색하는 단계와, 검색된 신경관 에지 검출 영역 내에서 신경관 단면 에지 영역을 검색하는 단계와, 선택 입력된 신경관 시작위치에서 신경관 단면 에지 영역의 중심점으로 신경관 시작위치를 변경하는 단계를 포함할 수 있다.
신경관 자동 검출방법은, 보정된 신경관 시작위치에 대한 정보를 이용하여 다음 신경관 위치를 예측하고, 신경관 종료 지점까지 이전 신경관 위치에 대한 정보를 이용한 다음 신경관 위치 예측 단계를 반복 수행하는 단계와, 보정된 신경관 시작위치의 특징점 및 예측된 다음 신경관 위치의 특징점들을 연결함에 따라 신경관 라인을 자동 생성하는 단계를 더 포함할 수 있다.
다음 신경관 위치 예측 단계를 반복 수행하는 단계는, 보정된 신경관 시작위치에서 파노라믹 영상의 커브 곡선을 기준으로 직선 방향으로 이동하여 두 번째 신경관 위치를 예측하는 단계와, 두 번째 신경관 위치 이후로는 데드 레커닝 연산식을 이용하여 다음 이동 방향을 결정하는 방법으로 다음 신경관 위치를 예측하는 단계를 포함하며, 데드 레커닝 연산식은 이전 신경관의 위치 값과 속도 및 가속도를 이용하여 다음 신경관 위치를 구하는 것일 수 있다.
다른 실시 예에 따른 신경관 자동 검출장치는, 의료영상에서 사용자로부터 선택 입력된 신경관 시작위치를 보정하되, 선택 입력된 신경관 시작위치를 포함하는 관심영역을 검출하고 검출된 관심영역 내에서 신경관 중심위치를 검색하여 검색된 신경관 중심위치로 신경관 시작위치를 보정하는 시작위치 보정부와, 보정된 신경관 시작위치 값을 시작으로 하는 신경관 라인을 자동 생성하는 라인 생성부와, 생성된 신경관 라인을 포함한 영상 데이터를 화면에 표시하는 출력부를 포함한다.
시작위치 보정부는, 선택 입력된 신경관 시작위치를 포함하는 신경관 에지 검출 영역을 검색하고, 검색된 신경관 에지 검출 영역 내에서 신경관 단면 에지 영역을 검색하며, 선택 입력된 신경관 시작위치에서 신경관 단면 에지 영역의 중심점으로 신경관 시작위치를 변경할 수 있다.
시작위치 보정부는 스무딩 필터(smoothing filter)를 이용하여 신경관 에지 검출 영역을 획득할 수 있다. 시작위치 보정부는 신경관 에지 검출 영역 내에서 밀도 값(Hounsfield Unit: HU)이 미리 설정된 임계값을 가지는 경계영역을 신경관 단면 에지 영역으로 결정할 수 있다.
신경관 자동 검출장치는, 보정된 신경관 시작위치에 대한 정보를 이용하여 다음 신경관 위치를 예측하고, 신경관 종료 지점까지 이전 신경관 위치에 대한 정보를 이용한 다음 신경관 위치 예측 단계를 반복 수행하는 신경관 위치 예측부를 더 포함하며, 라인 생성부는 보정된 신경관 시작위치의 특징점 및 예측된 다음 신경관 위치의 특징점들을 연결함에 따라 신경관 라인을 자동 생성할 수 있다.
신경관 위치 예측부는, 보정된 신경관 시작위치에서 파노라믹 영상의 커브 곡선을 기준으로 직선 방향으로 이동하여 두 번째 신경관 위치를 예측하고, 두 번째 신경관 위치 이후로는 데드 레커닝 연산식을 이용하여 다음 이동 방향을 결정하는 방법으로 다음 신경관 위치를 예측하며, 데드 레커닝 연산식은 이전 신경관의 위치 값과 속도 및 가속도를 이용하여 다음 신경관 위치를 구할 수 있다.
일 실시 예에 따른 신경관 자동 검출방법 및 그 장치에 따르면, 의료영상에서 신경관 생성 시에 사용자에 의한 영상 데이터 수동 조작을 최소화함으로써 사용자의 클릭 수 감소와 사용자의 편의성을 증대시킬 수 있다.
나아가, 신경관 자동 생성 시에 신경관 시작위치를 사용자가 정확히 선택하지 않은 경우에도 신경관 시작위치를 보정해 줌에 따라 정확하지 않은 신경관 시작위치를 선택했을 때 신경관이 생성되지 않는 오류를 최소화할 수 있다.
또한 이전 신경관 위치의 정보를 이용하여 다음 신경관 위치를 예측하는 방법을 사용하여 신경관을 검출함에 따라 신경관 검출을 위해 모든 프레임이 필요하지 않고 몇몇 프레임 없이도 일부 프레임만을 사용할 수 있으므로 신경관 영상이 다소 부족하더라도 신경관 위치를 검출할 수 있다.
도 1은 의료영상에서 수동으로 신경관을 검출하는 예를 도시한 도면,
도 2는 의료영상에서 자동으로 신경관을 검출하는 예를 도시한 도면,
도 3은 본 발명의 일 실시 예에 따른 의료영상 시뮬레이션 장치의 구성을 도시한 도면,
도 4는 본 발명의 일 실시 예에 따른 도 3의 제어부의 세부 구성을 도시한 도면,
도 5는 본 발명의 일 실시 예에 따른 에지 검출 방법을 이용하여 사용자가 선택한 신경관 시작위치를 보정하는 예를 보여주는 CT 단면 영상을 도시한 도면,
도 6은 본 발명의 일 실시 예에 따른 다음 신경관 위치를 검출하기 위해 사용되는 데드 레커닝 방법을 설명하기 위한 도면,
도 7은 본 발명의 일 실시 예에 따른 데드 레커닝 방법으로 검색된 신경관 위치의 특징점들을 도시한 도면,
도 8은 본 발명의 일 실시 예에 따른 신경관 자동 검출방법의 흐름을 도시한 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
본 발명의 실시 예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이며, 후술되는 용어들은 본 발명의 실시 예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램인스트럭션들(실행 엔진)에 의해 수행될 수도 있으며, 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장치의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장치의 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다.
이들 컴퓨터 프로그램 인스트럭션들은 특정 방법으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장치를 지향할 수 있는 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다.
그리고 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장치 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장치 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장치를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명되는 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록 또는 각 단계는 특정된 논리적 기능들을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있으며, 몇 가지 대체 실시 예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하며, 또한 그 블록들 또는 단계들이 필요에 따라 해당하는 기능의 역순으로 수행되는 것도 가능하다.
이하, 첨부 도면을 참조하여 본 발명의 실시 예를 상세하게 설명한다. 그러나 다음에 예시하는 본 발명의 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 다음에 상술하는 실시 예에 한정되는 것은 아니다. 본 발명의 실시 예는 이 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위하여 제공된다.
도 3은 본 발명의 일 실시 예에 따른 의료영상 시뮬레이션 장치의 구성을 도시한 도면이다.
의료영상 시뮬레이션 장치(1)는 의료영상을 이용한 시뮬레이션 프로그램을 실행 가능한 전자장치이다. 전자장치는 컴퓨터, 노트북 컴퓨터, 랩탑 컴퓨터, 태블릿(Tablet) PC, 스마트폰, 휴대폰, PMP(Personal Media Player), PDA(Personal Digital Assistants) 등이 있다. 시뮬레이션 프로그램은 수술용 가이드 디자인 프로그램, 스캔 프로그램, CAD 프로그램 등이 있다. 또한, 치과 임플란트 수술용뿐만 아니라 일반적인 의료용 프로그램에 적용될 수 있다.
이하, 시뮬레이션 프로그램 중 치과 임플란트 시뮬레이션 프로그램을 위주로 설명하고자 하나, 치과 임플란트에 한정되는 것은 아니다. 치과 임플란트 수술 가이드 과정의 경우, 수술 환자 등록, 등록된 환자의 CT 데이터 및 구강 모델 데이터 획득, CT 데이터 및 구강 모델 데이터의 정합, 정합된 영상 데이터에서 악궁 라인 생성 및 악궁 라인을 이용한 파노라믹 영상(panoramic image) 생성, 파노라믹 영상에서 크라운 모델 위치 및 크기 결정, 픽스쳐를 포함한 임플란트 구조물 위치 결정, 가이드 형상 디자인, 최종 가이드 출력을 포함한 과정으로 구성된다. 본 발명은 위 과정 중에서 하악 치아 영역에 픽스쳐(fixture)를 포함한 임플란트 구조물을 식립하는 경우 CT 데이터를 이용하여 생성된 2D 영상에서 신경관을 자동으로 검출하여 제공하도록 구성된다. 이때, 사용자가 2D 영상과 3D 영상에서 신경관을 확인하여 이를 고려한 수술 계획을 수립하도록 한다. 그러나 본 발명은 의료 영상에서 신경관을 자동으로 검출하는 기술이면, 치과용을 포함한 다른 의료용에 확대 적용 가능하며, 신경관 이외에 식도, 뼈 등을 검출하는 것도 가능하다.
도 1을 참조하면, 일 실시 예에 따른 의료영상 시뮬레이션 장치(1)는 데이터 획득부(10), 저장부(12), 제어부(14), 입력부(16) 및 출력부(18)를 포함한다.
데이터 획득부(10)는 환자로부터 영상 데이터를 획득한다. 신경관 검출을 위해 필요한 영상 데이터는 CT 데이터, 구강 모델 데이터 등이 있다. 데이터 획득부(10)는 CT 데이터와 구강 모델 데이터를 프로그램에서 실행하거나 웹 페이지 및 서버에 저장된 데이터를 로딩할 수 있다. CT 데이터는 DICOM 포맷을 가지며, 구강 모델 데이터는 STL 포맷을 가질 수 있다.
구강 모델 데이터는 손상된 치아를 포함한 실제 치아들의 정보를 가진 데이터이다. 구강 모델 데이터는 환자의 구강을 본떠 생성한 석고 모형을 3D 스캐너(3D Scanner)로 스캐닝하여 획득될 수 있다. 다른 예로서, 구강 내 3D 스캐너(3D Intra-oral scanner)를 이용하여 환자의 구강 내부를 스캐닝하여 획득될 수 있다. 획득된 구강 모델 데이터는 저장부(12)에 저장될 수 있다.
CT 데이터는 CT(computed tomography, 컴퓨터 단층 촬영)를 사용하여 환자의 두부 단층 이미지들을 생성하고, 각각의 단층 이미지에서 치아 부분의 경계를 구분(Segmentation)한 후 하나로 취합함에 따라 획득될 수 있다. 이러한 구강 모델 데이터와 CT 데이터는 환자가 입을 벌린 상태에서 상악 치아 아래에서 상악 치아를 촬영하여 얻은 영상, 입을 벌린 상태에서 하악 치아 위에서 하악 치아를 촬영하여 얻은 영상, 입을 다문 상태에서 국소부위를 촬영하여 얻은 영상, 구강 방사선 사진 등을 포함한다. 획득된 CT 데이터는 저장부(12)에 저장될 수 있다.
저장부(12)에는 의료영상 시뮬레이션 장치(1)의 동작 수행을 위해 필요한 정보와 동작 수행에 따라 생성되는 정보 등의 각종 데이터가 저장된다. 일 실시 예에 따른 저장부(12)에는 개별 환자의 구강 모델 데이터와 CT 데이터가 저장되고, 치과 치료 시뮬레이션 시 전체 구강 모델 데이터들 및 CT 데이터들 중에서 특정 환자의 구강 모델 데이터 및 CT 데이터를 사용자 요청에 따라 제어부(14)에 제공할 수 있다. 이때, 저장부(12)에는 개별 환자의 상측 치열의 영상 및 하측 치열의 영상이 저장되어 있고, 특정 환자의 구강 모델 데이터 및 CT 데이터에 매칭되는 상측 치열의 영상 및 하측 치열의 영상을 사용자 요청에 따라 제어부(14)에 제공할 수 있다.
제어부(14)는 컴퓨터 프로그램에 의한 제어를 통하여 임플란트 식립 계획을 수립하면서 각 구성요소를 제어한다. 제어부(14)는 출력부(18)를 통해 화면에 보이는 화면정보를 관리하고, 치과 영상에 가상의 픽스쳐 객체를 식립하는 시뮬레이션을 수행한다. 가상의 픽스쳐 객체가 식립되는 치과 영상은 임플란트 시술 계획 수립을 위해 생성된 환자의 치아 배열이 나타난 2차원, 3차원 등의 다차원 영상을 의미한다. 임플란트 시술 계획에는 X-ray, CT, MRI, 파노라믹 영상, 구강 스캔 영상, 재구성을 통해 생성된 영상, 복수의 영상을 정합한 영상 등 다양한 종류의 영상이 활용될 수 있다.
일 실시 예에 따른 제어부(14)는 의료영상에서 신경관을 검출하여 가상의 신경관 라인을 자동으로 생성한다. 제어부(14)가 의료영상에서 신경관을 자동으로 검출하면, 사용자가 수동으로 찾을 때의 시간을 절약하고 프로그램 사용의 간편화가 가능하다. 임플란트 구조물 식립 설계 시에 신경관과의 충돌을 피해서 임플란트 구조물의 식립을 설계하게 된다. 의료영상 데이터는 데이터 획득부(10)를 통해 획득된 기초 영상 데이터(예를 들어, CT 데이터, 구강 모델 데이터) 또는 재구성된 영상 데이터(예를 들어, 파노라믹 영상, CT 2D 영상)일 수 있다. 신경관은 3D 볼륨 렌더링 영상에서도 확인이 가능하지만, 정확한 신경관을 검출하기 위해서는 일반적으로 2D 영상이 요구된다. 예를 들어, 환자의 CT 데이터 또는 구강 모델 데이터로부터 파노라믹 영상(panoramic image)을 생성한다. 다른 예로, CT 데이터로부터 CT 2D 영상을 생성한다. 파노라믹 영상 또는 CT 2D 영상이 신경관 라인 생성을 위한 재구성 영상이 된다. CT 2D 영상은 단면(cross-section) 영상으로 표현될 수 있다.
일 실시 예에 따른 제어부(14)는 자동 방법으로 신경관 라인을 생성한다. 예를 들어, 사용자가 의료영상에서 임의의 최초 신경관 시작위치를 선택하면, 에지 검출(edge detection) 기법을 이용하여 정확한 신경관 시작위치를 검색하여 보정한다. 그리고 데드 레커닝(dead reckoning) 기법을 이용하여 이전 신경관 시작위치에 대한 정보로부터 다음 신경관 위치를 예측한다. 보정된 신경관 시작위치의 특징점과 예측된 신경관 위치의 특징점들을 연결함에 따라 가상의 신경관 라인이 생성된다. 에지(edge)는 윤곽선을 의미하며, 영상 안에서의 영역의 경계(boundary)를 나타내는 특징이다. 에지 검출 방법은 영상 밝기의 불연속점으로 에지에 해당하는 픽셀을 구하는 방법이다. 데드 레커닝 기법은 신호를 받지 못하고 있는 상태(dead)에서 다음 상태를 추산(reckoning)하여 상태정보를 갱신(update)하는 것을 말한다. 제어부(14)의 세부 구성은 도 4를 참조로 하여 후술한다.
입력부(16)는 사용자 조작신호를 입력받는다. 예를 들어, 출력부(18)를 통해 화면에 표시되는 재구성 영상에 대하여 신경관 라인 형성을 위한 최초 시작위치를 사용자로부터 선택받는다. 사용자 조작신호는 클릭, 더블 클릭 등의 마우스 조작이 있을 수 있다. 출력부(18)는 화면을 표시하는데, 예를 들어, 의료영상을 화면에 표시한다. 의료영상은 기초 영상, 재구성 영상, 기초 영상 또는 재구성 영상에 가상의 임플란트 구조물이 식립된 식립 영상 데이터를 포함한다. 출력부(18)는 의료영상에 자동으로 생성된 신경관 라인을 표시할 수 있다.
도 4는 본 발명의 일 실시 예에 따른 도 3의 제어부의 세부 구성을 도시한 도면이다.
도 3 및 도 4를 참조하면, 제어부(14)는 데이터 재구성부(140), 식립 설계부(142) 및 신경관 검출부(144)를 포함한다.
데이터 재구성부(140)는 기초 영상에서 신경관 검출을 위한 재구성 영상을 생성한다. 예를 들어, 환자의 CT 데이터 또는 구강 모델 데이터로부터 파노라믹 영상을 생성하거나, CT 데이터로부터 CT 2D 영상을 생성한다.
식립 설계부(142)는 의료영상을 대상으로 임플란트 구조물에 대한 식립 계획을 설계한다. 이를 통해, 임플란트 구조물의 식립 위치가 결정된다. 의료영상은 기초 영상(예를 들어, CT 영상)일 수 있고, 데이터 재구성부(140)를 통해 기초 영상을 재구성한 영상(예를 들어, 파노라믹 영상, 2D CT 영상)일 수 있다. 임플란트 구조물은 픽스쳐, 어버트먼트, 임플란트 등일 수 있다.
신경관 검출부(144)는 의료영상을 대상으로 가상의 신경관 라인을 자동으로 생성한다. 신경관 검출부(144)가 일 실시 예에 따른 신경관 자동 검출장치가 될 수 있다. 의료영상은 기초 영상(예를 들어, CT 영상)일 수 있고, 데이터 재구성부(140)를 통해 기초 영상을 재구성한 영상(예를 들어, 파노라믹 영상, 2D CT 영상)일 수 있다. 일 실시 예에 따른 신경관 생성부(144)는 시작위치 설정부(1440), 시작위치 보정부(1442), 신경관 위치 예측부(1444) 및 라인 생성부(1446)를 포함한다.
시작위치 설정부(1440)는 최초의 신경관 시작위치를 설정한다. 신경관 시작위치는 사용자에 의한 선택신호를 수신하여 설정되는데, 사용자에 의해 대략적인(Rough) 위치가 선정된다.
시작위치 보정부(1442)는 사용자가 대략적으로 선택한 신경관 시작위치를 정확한 시작위치로 보정한다. 이를 위해, 영상처리 방법 중 하나인 에지 검출 방법을 사용한다. 에지 검출 방법에 따르면, 관심영역(ROI)인 신경관 단면 에지 영역을 검출한 후 신경관 단면 에지 영역의 신경관 중심점을 검색하여, 사용자에 의해 선택된 신경관 시작위치에서 검색된 신경관 중심점으로 신경관 시작위치를 변경한다.
이를 위해, 시작위치 보정부(1442)는 사용자가 선택한 신경관 시작위치를 포함하는 신경관 에지 검출 영역을 검색하고, 검색된 신경관 에지 검출 영역 내에서 신경관 단면 에지 영역을 검색한다. 그리고 검색된 신경관 단면 에지 영역의 중심 점으로 신경관 시작위치가 보정된다. 신경관 에지 검출 영역 생성은 스무딩 필터(smoothing filter)를 이용할 수 있다. 스무딩 필터는 영상을 흐리게(blurring) 하기 위한 것이다. 신경관 단면 에지 영역 생성은 임계값을 이용할 수 있는데, 예를 들어, 신경관 에지 검출 영역 내에서 밀도 값(Hounsfield Unit: HU)이 미리 설정된 임계값을 가지는 경계영역을 신경관 단면 에지 영역으로 결정할 수 있다. 임계값에 따라 신경관 단면 에지 영역의 형태가 변할 수 있다. 에지 검출 방법을 통한 신경관 시작위치 보정의 실시 예는 도 5를 참조로 하여 후술한다.
신경관 위치 예측부(1444)는 시뮬레이션(simulation) 환경에서 데드 레커닝 기법을 이용하여 다음 신경관 위치를 예측한다. 데드 레커닝 기법은 이전의 위치에 대한 정보를 이용하여 다음 위치를 예측하는 방법이다. 일 실시 예에 따른 신경관 위치 예측부(1444)는 보정된 신경관 시작위치에 대한 정보를 이용하여 두 번째 신경관 위치를 예측한다. 신경관 종료 지점까지 이전 신경관 위치에 대한 정보를 이용한 다음 신경관 위치 예측 단계를 반복 수행한다. 일 실시 예에 따른 신경관 위치 예측부(1444)는 신경관 시작위치에서 파노라믹 영상의 커브 곡선을 기준으로 직선 방향으로 두 번째 신경관 위치를 예측한다. 그리고 그 이후로는 데드 레커닝 연산식을 이용하여 신경관 위치를 예측한다. 데드 레커닝 기법에 대해서는 도 6 및 도 7을 참조로 하여 후술한다.
라인 생성부(1446)는 시작위치 보정부(1442)에 의해 보정된 신경관 시작위치의 특징점 및 신경관 위치 예측부(1444)를 통해 예측된 다음 신경관 위치의 특징점들을 연결함에 따라 하나의 신경관 라인을 자동 생성한다.
도 5는 본 발명의 일 실시 예에 따른 에지 검출 방법을 이용하여 사용자가 선택한 신경관 시작위치를 보정하는 예를 보여주는 CT 단면 영상을 도시한 도면이다.
도 5를 참조하면, 본 발명은 사용자가 정확하지 않은 신경관 시작위치를 선택하는 경우에도 영상처리 방법 중 하나인 에지 검출 방법을 통해 신경관의 시작위치를 정확히 찾을 수 있다. 에지 검출 방법에 의하면, 사용자 선택한 신경관 시작위치의 밀도 값(Hounsfield Unit: HU)이 아닌 선택지점 주변의 경계(Boundary) 영역 내에서 신경관의 중심점을 찾아 신경관을 찾아가므로 사용자가 시작위치를 정확하게 선택할 필요가 없다.
일 실시 예에 따른 신경관 자동 검출장치는 의료 영상, 예를 들어 2D CT 단면 영상에서 사용자가 선택한 신경관 시작위치(500)를 포함하는 신경관 에지 검출 영역(510)을 검색한다. 스무딩 필터(smoothing filter)를 이용하여 신경관 에지 검출 영역(510)을 검색할 수 있다. 스무딩 필터는 영상을 흐리게(blurring) 하기 위한 것이다. 이를 위해 현재 위치의 픽셀 값과 이웃 픽셀 값들의 평균으로 결과 영상의 현재 위치 값을 결정하는 방법을 사용할 수 있다. 이 경우, 선명도가 떨어지는 대신 에지 영역을 검출할 수 있다.
이어서, 신경관 자동 검출장치는 검색된 신경관 에지 검출 영역(510) 내에서 관심영역인 신경관 단면 에지 영역(520)을 검색한다. 신경관 에지 검출 영역(510) 내에서 밀도 값(Hounsfield Unit: HU)이 미리 설정된 임계값을 가지는 경계영역을 신경관 단면 에지 영역(520)으로 결정할 수 있다. 임계값에 따라 신경관 에지 검출 영역(510)의 모양이 변경된다.
이어서, 신경관 자동 검출장치는 검색된 신경관 단면 에지 영역(520)의 중심에 위치한 신경관 중심점(530)을 검색한다. 이에 따라, 사용자가 선택한 신경관 시작위치(500)에서 신경관 중심점(530)으로 신경관 시작위치를 변경된다.
사용자가 선택한 신경관 위치(50)의 밀도 값(Hounsfield Unit: HU)을 가지고 이와 동일한 밀도 값을 가지는 신경관을 찾아 가게 될 경우, 사용자가 정확한 신경관 위치를 선택해야만 한다. 그러나 본 발명에 따르면, 사용자가 정확한 위치가 아닌 인접 위치를 선택하게 되도 그 주위의 경계 영역(Boundary Range)을 검색하여 신경관 외관 및 중심점을 탐색하므로 정확한 위치를 선택할 필요가 없다.
도 6은 본 발명의 일 실시 예에 따른 다음 신경관 위치를 검출하기 위해 사용되는 데드 레커닝 방법을 설명하기 위한 도면이다.
도 6을 참조하면, 신경관 자동 검출장치는 신경관 시작지점을 검출한 이후, 데드 레커닝 방법을 사용하여 다음 신경관 위치들을 검색한다. 데드(Dead)는 신호를 받지 못하고 있는 상태를 의미하고, 레커닝(Reckoning)은 추산한다는 의미로 신호가 없는 동안에는 예측하여 상태정보를 갱신(update)한다는 의미이다. 이 경우, 모든 프레임이 필요하지 않고 몇몇 프레임 없이도 일부 프레임만을 사용할 수 있으므로 신경관 영상이 다소 부족하더라도 신경관 위치를 검출할 수 있다. 신호가 없는 상태에서 프레임 처리를 위해 데드 레커닝이 사용된다. 신호가 없는 동안의 다음 위치를 예측할 수 있다. 다음 신호가 오면 해당 위치로 이동한다. 신호가 오지 않을 경우 현재 위치와 다음 위치를 조합하여 이동 처리한다.
우선, 신경관 자동 검출장치는 보정된 신경관 시작위치에서 파노라믹 영상의 커브 곡선을 기준으로 직선 방향으로 이동하여 두 번째 신경관 위치를 예측한다.
이어서, 두 번째 신경관 위치 이후로는 데드 레커닝 연산식을 이용하여 다음 이동 방향을 결정하는 방법으로 다음 신경관 위치를 예측한다. 데드 레커닝 연산식은 이전 신경관의 위치 값과 속도 및 가속도를 이용하여 다음 신경관 위치를 구하는 것이다.
등속인 경우 데드 레커닝 연산식은 수학식 1과 같다.
Postiont1 = Positiont0 + v(t1-t0) ... (수학식 1)
수학식 1에서 Positiont1은 다음 위치, Positiont0은 이전 위치, v는 이전 위치에서의 속도, t1-t0는 이전 위치에서 다음 위치까지의 이동 시간이다.
가속도가 있는 경우 데드 레커닝 연산식은 수학식 2와 같다.
Postiont1 = Positiont0 + v(t1-t0) + 1/2 ×a × (t1-t0)2 ... (수학식 2)
수학식 2에서 Postiont1은 다음 위치, Positiont0은 이전 위치, v는 이전 위치에서의 속도, t1-t0는 이전 위치에서 다음 위치까지의 이동 시간, a는 이전 위치에서의 가속도이다. 이동될 때마다 일정한 값이 증가한다.
데드 레커닝 연산식을 적용한 예는 도 6에 도시된 바와 같다. 이전 위치(t0)에서 데드 레커닝 경로(DR Path)의 t1 위치로 이동하고 t1 위치에서 실제 경로(True Path)의 다음 위치(t1')로 이동하게 된다.
도 7은 본 발명의 일 실시 예에 따른 데드 레커닝 방법으로 검색된 신경관 위치의 특징점들을 도시한 도면이다.
도 7을 참조하면, 도 6을 참조로 하여 전술한 바와 같이 신경관 자동 검출장치는 이어진 CT 단면 영상 슬라이스에서 데드 레커닝 방법으로 신경관 위치를 검색한 후, 검색된 신경관 위치의 특징점들(control points)(701~706)을 생성한다. 이때, 생성된 특징점들(701~706)을 연결하면 하나의 신경관 라인이 생성된다. 데드 레커닝 방법으로 이전 히스토리(history), 즉, 이전 신경관 위치에 대한 정보를 근거로 다음 신경관 위치를 결정하기 때문에, 신경관 영상의 수가 다소 부족하더라도 다음 신경관 위치를 검출할 수 있다. 첫 번째 신경관 시작위치 결정 시에만 영상처리(예를 들어, 에지 검출 방법)를 수행하고, 두 번째 신경관 위치부터는 전부 데드 레커닝 방법을 사용하여 신경관 위치들을 검출하므로 검출 속도가 크게 향상된다.
도 8은 본 발명의 일 실시 예에 따른 신경관 자동 검출방법의 흐름을 도시한 도면이다.
도 8을 참조하면, 신경관 자동 검출장치는 의료영상에서 사용자 조작신호를 통해 신경관의 시작위치를 선택 입력받는다(S810). 사용자 조작신호는 클릭, 더블 클릭 등의 마우스 조작이 있을 수 있다.
이어서, 신경관 자동 검출장치는 선택 입력된 시작위치를 보정한다(S820). 예를 들어, 선택 입력된 시작위치를 포함하는 관심영역을 검출하고 검출된 관심영역 내에서 신경관 중심위치를 검색하여 검색된 신경관 중심위치로 신경관 시작위치를 보정한다. 보다 구체적으로, 선택 입력된 신경관 시작위치를 포함하는 신경관 에지 검출 영역을 검색하고, 검색된 신경관 에지 검출 영역 내에서 신경관 단면 에지 영역을 검색한다. 이어서, 선택 입력된 신경관 시작위치에서 신경관 단면 에지 영역의 중심점으로 신경관 시작위치를 변경한다. 신경관 에지 검출 영역 검색은 스무딩 필터를 이용할 수 있다. 신경관 에지 검출 영역 내에서 밀도 값(Hounsfield Unit: HU)이 미리 설정된 임계값을 가지는 경계영역을 신경관 단면 에지 영역으로 결정할 수 있다.
이어서, 신경관 자동 검출장치는 보정된 신경관 시작위치에 대한 정보를 이용하여 다음 신경관 위치를 예측한다(S830). 이때, 신경관 종료 지점까지 이전 신경관 위치에 대한 정보를 이용한 다음 신경관 위치 예측 단계를 반복 수행한다. 이때, 보정된 신경관 시작위치에서 파노라믹 영상의 커브 곡선을 기준으로 직선 방향으로 이동하여 두 번째 신경관 위치를 예측할 수 있다. 두 번째 신경관 위치 이후로는 데드 레커닝 연산식을 이용하여 다음 이동 방향을 결정하는 방법으로 다음 신경관 위치를 예측할 수 있다. 데드 레커닝 연산식은 이전 신경관의 위치 값과 속도 및 가속도를 이용하여 다음 신경관 위치를 구하는 것이다.
이어서, 신경관 자동 검출장치는 보정된 신경관 시작위치의 특징점 및 예측된 다음 신경관 위치의 특징점들을 연결함에 따라 신경관 라인을 자동 생성한다(S840).
이제까지 본 발명에 대하여 그 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

Claims (12)

  1. 신경관 자동 검출장치를 이용한 신경관 자동 검출방법에 있어서, 신경관 자동 검출장치가:
    의료영상의 제1 단면 영상 슬라이스에서 사용자 조작신호를 통해 신경관의 시작위치를 선택 입력받는 단계;
    제1 단면 영상 슬라이스에서 선택 입력된 시작위치를 포함하는 관심영역을 검출하고 검출된 관심영역 내에서 신경관 중심위치를 검색하여 검색된 신경관 중심위치로 신경관 시작위치를 보정하는 단계; 및
    제1 단면 영상 슬라이스의 보정된 신경관 시작위치 정보를 이용하여 제2 단면 영상 슬라이스에서 다음 신경관 위치를 예측한 후 보정된 신경관 시작위치를 시작으로 예측된 다음 신경관 위치를 포함하여 연결하는 신경관 라인을 자동 생성하는 단계;
    를 포함하는 것을 특징으로 하는 신경관 자동 검출방법.
  2. 신경관 자동 검출장치를 이용한 신경관 자동 검출방법에 있어서, 신경관 자동 검출장치가:
    의료영상에서 사용자 조작신호를 통해 신경관의 시작위치를 선택 입력받는 단계;
    선택 입력된 시작위치를 포함하는 관심영역을 검출하고 검출된 관심영역 내에서 신경관 중심위치를 검색하여 검색된 신경관 중심위치로 신경관 시작위치를 보정하는 단계; 및
    보정된 신경관 시작위치를 시작으로 하는 신경관 라인을 자동 생성하는 단계; 를 포함하며,
    신경관 시작위치를 보정하는 단계는
    선택 입력된 신경관 시작위치를 포함하는 신경관 에지 검출 영역을 검색하는 단계;
    검색된 신경관 에지 검출 영역 내에서 신경관 단면 에지 영역을 검색하는 단계; 및
    선택 입력된 신경관 시작위치에서 신경관 단면 에지 영역의 중심점으로 신경관 시작위치를 변경하는 단계;
    를 포함하는 것을 특징으로 하는 신경관 자동 검출방법.
  3. 제 2 항에 있어서, 신경관 에지 검출 영역을 검색하는 단계는
    스무딩 필터(smoothing filter)를 이용하여 신경관 에지 검출 영역을 획득하는 것을 특징으로 하는 신경관 자동 검출방법.
  4. 제 2 항에 있어서, 신경관 단면 에지 영역을 검색하는 단계는
    신경관 에지 검출 영역 내에서 밀도 값(Hounsfield Unit: HU)이 미리 설정된 임계값을 가지는 경계영역을 신경관 단면 에지 영역으로 결정하는 것을 특징으로 하는 신경관 자동 검출방법.
  5. 제 1 항에 있어서, 신경관 라인을 자동 생성하는 단계는
    보정된 신경관 시작위치에 대한 정보를 이용하여 다음 신경관 위치를 예측하고, 신경관 종료 지점까지 이전 신경관 위치에 대한 정보를 이용한 다음 신경관 위치 예측 단계를 반복 수행하는 단계; 및
    보정된 신경관 시작위치의 특징점 및 예측된 다음 신경관 위치의 특징점들을 연결함에 따라 신경관 라인을 자동 생성하는 단계;
    를 포함하는 것을 특징으로 하는 신경관 자동 검출방법.
  6. 신경관 자동 검출장치를 이용한 신경관 자동 검출방법에 있어서, 신경관 자동 검출장치가:
    의료영상에서 사용자 조작신호를 통해 신경관의 시작위치를 선택 입력받는 단계;
    선택 입력된 시작위치를 포함하는 관심영역을 검출하고 검출된 관심영역 내에서 신경관 중심위치를 검색하여 검색된 신경관 중심위치로 신경관 시작위치를 보정하는 단계;
    보정된 신경관 시작위치를 시작으로 하는 신경관 라인을 자동 생성하는 단계;
    보정된 신경관 시작위치에 대한 정보를 이용하여 다음 신경관 위치를 예측하고, 신경관 종료 지점까지 이전 신경관 위치에 대한 정보를 이용한 다음 신경관 위치 예측 단계를 반복 수행하는 단계; 및
    보정된 신경관 시작위치의 특징점 및 예측된 다음 신경관 위치의 특징점들을 연결함에 따라 신경관 라인을 자동 생성하는 단계; 를 포함하며,
    다음 신경관 위치 예측 단계를 반복 수행하는 단계는
    보정된 신경관 시작위치에서 파노라믹 영상의 커브 곡선을 기준으로 직선 방향으로 이동하여 두 번째 신경관 위치를 예측하는 단계; 및
    두 번째 신경관 위치 이후로는 데드 레커닝 연산식을 이용하여 다음 이동 방향을 결정하는 방법으로 다음 신경관 위치를 예측하는 단계; 를 포함하며,
    데드 레커닝 연산식은 이전 신경관의 위치 값과 속도 및 가속도를 이용하여 다음 신경관 위치를 구하는 것을 특징으로 하는 신경관 자동 검출방법.
  7. 의료영상의 제1 단면 영상 슬라이스에서 사용자로부터 선택 입력된 신경관 시작위치를 보정하되, 제1 단면 영상 슬라이스에서 선택 입력된 신경관 시작위치를 포함하는 관심영역을 검출하고 검출된 관심영역 내에서 신경관 중심위치를 검색하여 검색된 신경관 중심위치로 신경관 시작위치를 보정하는 시작위치 보정부;
    제1 단면 영상 슬라이스의 보정된 신경관 시작위치 정보를 이용하여 제2 단면 영상 슬라이스에서 다음 신경관 위치를 예측하는 신경관 위치 예측부;
    보정된 신경관 시작위치 값을 시작으로 예측된 다음 신경관 위치를 포함하여 연결하는 신경관 라인을 자동 생성하는 라인 생성부; 및
    생성된 신경관 라인을 포함한 영상 데이터를 화면에 표시하는 출력부;
    를 포함하는 것을 특징으로 하는 신경관 자동 검출장치.
  8. 의료영상에서 사용자로부터 선택 입력된 신경관 시작위치를 보정하되, 선택 입력된 신경관 시작위치를 포함하는 관심영역을 검출하고 검출된 관심영역 내에서 신경관 중심위치를 검색하여 검색된 신경관 중심위치로 신경관 시작위치를 보정하는 시작위치 보정부;
    보정된 신경관 시작위치 값을 시작으로 하는 신경관 라인을 자동 생성하는 라인 생성부; 및
    생성된 신경관 라인을 포함한 영상 데이터를 화면에 표시하는 출력부; 를 포함하며,
    시작위치 보정부는
    선택 입력된 신경관 시작위치를 포함하는 신경관 에지 검출 영역을 검색하고, 검색된 신경관 에지 검출 영역 내에서 신경관 단면 에지 영역을 검색하며, 선택 입력된 신경관 시작위치에서 신경관 단면 에지 영역의 중심점으로 신경관 시작위치를 변경하는 것을 특징으로 하는 신경관 자동 검출장치.
  9. 제 8 항에 있어서, 시작위치 보정부는
    스무딩 필터(smoothing filter)를 이용하여 신경관 에지 검출 영역을 획득하는 것을 특징으로 하는 신경관 자동 검출장치.
  10. 제 8 항에 있어서, 시작위치 보정부는
    신경관 에지 검출 영역 내에서 밀도 값(Hounsfield Unit: HU)이 미리 설정된 임계값을 가지는 경계영역을 신경관 단면 에지 영역으로 결정하는 것을 특징으로 하는 신경관 자동 검출장치.
  11. 제 7 항에 있어서, 신경관 위치 예측부는
    보정된 신경관 시작위치에 대한 정보를 이용하여 다음 신경관 위치를 예측하고, 신경관 종료 지점까지 이전 신경관 위치에 대한 정보를 이용한 다음 신경관 위치 예측 단계를 반복 수행하며,
    라인 생성부는
    보정된 신경관 시작위치의 특징점 및 예측된 다음 신경관 위치의 특징점들을 연결함에 따라 신경관 라인을 자동 생성하는 것을 특징으로 하는 신경관 자동 검출장치.
  12. 의료영상에서 사용자로부터 선택 입력된 신경관 시작위치를 보정하되, 선택 입력된 신경관 시작위치를 포함하는 관심영역을 검출하고 검출된 관심영역 내에서 신경관 중심위치를 검색하여 검색된 신경관 중심위치로 신경관 시작위치를 보정하는 시작위치 보정부;
    보정된 신경관 시작위치 값을 시작으로 하는 신경관 라인을 자동 생성하는 라인 생성부;
    생성된 신경관 라인을 포함한 영상 데이터를 화면에 표시하는 출력부; 및
    보정된 신경관 시작위치에 대한 정보를 이용하여 다음 신경관 위치를 예측하고, 신경관 종료 지점까지 이전 신경관 위치에 대한 정보를 이용한 다음 신경관 위치 예측 단계를 반복 수행하는 신경관 위치 예측부; 를 포함하며,
    라인 생성부는
    보정된 신경관 시작위치의 특징점 및 예측된 다음 신경관 위치의 특징점들을 연결함에 따라 신경관 라인을 자동 생성하고,
    신경관 위치 예측부는
    보정된 신경관 시작위치에서 파노라믹 영상의 커브 곡선을 기준으로 직선 방향으로 이동하여 두 번째 신경관 위치를 예측하고,
    두 번째 신경관 위치 이후로는 데드 레커닝 연산식을 이용하여 다음 이동 방향을 결정하는 방법으로 다음 신경관 위치를 예측하며,
    데드 레커닝 연산식은 이전 신경관의 위치 값과 속도 및 가속도를 이용하여 다음 신경관 위치를 구하는 것을 특징으로 하는 신경관 자동 검출장치.
KR1020190022304A 2019-02-26 2019-02-26 영상처리 및 시뮬레이션을 이용한 신경관 자동 검출방법 및 그 장치 KR102210341B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190022304A KR102210341B1 (ko) 2019-02-26 2019-02-26 영상처리 및 시뮬레이션을 이용한 신경관 자동 검출방법 및 그 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190022304A KR102210341B1 (ko) 2019-02-26 2019-02-26 영상처리 및 시뮬레이션을 이용한 신경관 자동 검출방법 및 그 장치

Publications (2)

Publication Number Publication Date
KR20200104004A KR20200104004A (ko) 2020-09-03
KR102210341B1 true KR102210341B1 (ko) 2021-02-01

Family

ID=72450265

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190022304A KR102210341B1 (ko) 2019-02-26 2019-02-26 영상처리 및 시뮬레이션을 이용한 신경관 자동 검출방법 및 그 장치

Country Status (1)

Country Link
KR (1) KR102210341B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023239077A1 (ko) * 2022-06-08 2023-12-14 오스템임플란트 주식회사 신경관 표시 방법, 컴퓨팅 장치 및 이를 위한 컴퓨터 판독 가능한 기록 매체

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100338975B1 (ko) * 1999-09-14 2002-05-31 최은백, 이찬경 턱뼈의 치조신경 검출방법
KR20080000055A (ko) * 2006-06-26 2008-01-02 (주)풀쓰리디소프트 하악단면영상을 이용한 하악신경관 추출 장치 및 방법
KR101669178B1 (ko) * 2014-12-31 2016-10-27 오스템임플란트 주식회사 치아 파노라마 영상 생성방법, 이를 위한 장치 및 이를 기록한 기록매체
KR101831514B1 (ko) * 2016-03-29 2018-02-26 사회복지법인 삼성생명공익재단 환자의 악골의 움직임 추정이 반영된 증강현실 시스템 및 증강현실 제공방법
KR101887198B1 (ko) * 2016-06-20 2018-09-06 주식회사 디오코 치아 교정 및 얼굴 성형 시뮬레이션 장치에서의 시뮬레이션 방법 및 이를 저장하는 컴퓨터로 판독 가능한 기록 매체

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023239077A1 (ko) * 2022-06-08 2023-12-14 오스템임플란트 주식회사 신경관 표시 방법, 컴퓨팅 장치 및 이를 위한 컴퓨터 판독 가능한 기록 매체

Also Published As

Publication number Publication date
KR20200104004A (ko) 2020-09-03

Similar Documents

Publication Publication Date Title
JP2019103831A (ja) 口腔内画像の選択及びロック
KR102248604B1 (ko) 최적화된 어버트먼트 및 보철물 수복 유형 설계를 위한 임플란트 식립 설계장치 및 그 방법
KR102236359B1 (ko) 파노라믹 영상을 이용한 치아번호 선택방법 및 이를 위한 의료영상 처리장치
KR102314890B1 (ko) 의료영상 정합 방법 및 그 장치
CN106663327B (zh) 3-d表面的自动重新拼接
KR20210008220A (ko) 임플란트 시술 계획 수립을 위한 다중 골밀도 표시방법 및 그 영상 처리장치
KR102339827B1 (ko) 신경관 라인 생성방법 및 이를 위한 치과 임플란트 수술계획 수립장치
KR20220126665A (ko) 안면 이미지 매칭 기반의 시뮬레이션 장치 및 방법
KR102239358B1 (ko) 임플란트 중심선을 이용한 임플란트 식립 계획 수립 방법 및 이를 위한 치과영상 처리장치
KR102210341B1 (ko) 영상처리 및 시뮬레이션을 이용한 신경관 자동 검출방법 및 그 장치
KR102566541B1 (ko) 치과 교정치료 계획 수립방법 및 그 장치
US20220246269A1 (en) Implant surgery planning method using automatic placement of implant structure, user interface providing method therefor, and teeth image processing device therefor
KR102223475B1 (ko) 다중 파노라믹 영상 표시방법 및 이를 위한 영상 표시장치
KR102269027B1 (ko) Ct 장비 별 hu 정보를 이용한 임플란트 수술 계획 수립 방법 및 이를 위한 의료영상 처리장치
KR20210099835A (ko) 파노라믹 영상 생성 방법 및 이를 위한 영상 처리장치
KR102231215B1 (ko) 신경관 라인 자동 생성방법 및 이를 위한 의료영상 처리장치
KR102237711B1 (ko) 신경관 라인 생성 방법 및 이를 위한 의료영상 처리장치
KR102350098B1 (ko) 악궁라인 생성 방법 및 이를 위한 치과영상 처리장치
KR102292874B1 (ko) 임플란트 수술용 가이드 영역 미세조정 방법 및 그 가이드 디자인 장치
KR102234425B1 (ko) 의료영상 정합 방법 및 그 장치
KR102456703B1 (ko) 신경관 라인 생성방법 및 치과 임플란트 수술계획 수립장치
KR20200118327A (ko) 드릴링 시뮬레이션을 이용한 임플란트 수술용 가이드 디자인 방법 및 그 장치
KR102474298B1 (ko) 보철물 모델 설계 방법 및 그 장치
KR102378382B1 (ko) 의료영상 정합 방법 및 그 장치
KR102418810B1 (ko) 마진라인 포인트 선택 방법 및 이를 위한 덴탈 캐드 장치

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant