KR102317713B1 - 기능적 연결성을 사용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치 - Google Patents

기능적 연결성을 사용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치 Download PDF

Info

Publication number
KR102317713B1
KR102317713B1 KR1020180103803A KR20180103803A KR102317713B1 KR 102317713 B1 KR102317713 B1 KR 102317713B1 KR 1020180103803 A KR1020180103803 A KR 1020180103803A KR 20180103803 A KR20180103803 A KR 20180103803A KR 102317713 B1 KR102317713 B1 KR 102317713B1
Authority
KR
South Korea
Prior art keywords
subject
variability
connectivity
subject variability
inter
Prior art date
Application number
KR1020180103803A
Other languages
English (en)
Other versions
KR20200025852A (ko
Inventor
이흥열
Original Assignee
주식회사 뉴로게이저
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 뉴로게이저 filed Critical 주식회사 뉴로게이저
Priority to KR1020180103803A priority Critical patent/KR102317713B1/ko
Publication of KR20200025852A publication Critical patent/KR20200025852A/ko
Application granted granted Critical
Publication of KR102317713B1 publication Critical patent/KR102317713B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Radiology & Medical Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Veterinary Medicine (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

기능적 연결성을 사용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치가 개시된다.
이 방법은 예측 모델 생성 장치가 기능적 자기 공명 영상(Magnetic Resonance Imaging, MRI)을 사용하여 예측 모델을 생성하는 방법이다. 먼저, 복수의 피험자별로 복수 회수의 기능적 MRI 스캔을 통해 획득되는 복수의 피험자별 복수의 스캔 데이터를 사용하여 각 피험자별 이미지의 결함을 정정하는 전처리가 수행된다. 다음, 상기 전처리가 수행된 상기 복수의 피험자별 이미지별로 복수의 관심 영역으로 분할하고, 분할된 관심 영역의 모든 쌍별로 연결성이 측정된다. 그 후, 상기 피험자별 연결성의 측정 결과를 사용하여 피험자 내 변동성(intra-subject variability) 및 피험자 간 변동성(inter-subject variability)을 확인하는 분산 분석(analysis of variance, ANOVA)이 수행된다. 마지막으로, 상기 피험자 내 변동성 및 피험자 간 변동성에 의해 확인되는 특징 영역에 대해 예측 기계 학습 모델을 사용하여 대응되는 예측 모델이 생성된다.

Description

기능적 연결성을 사용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치 {METHOD FOR GENERATING PREDICTIVE MODEL BASED ON INTRA-SUBJECT AND INTER-SUBJECT VARIABILITY USING FUNCTIONAL CONNECTIVITY}
본 발명은 기능적 연결성을 사용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치에 관한 것이다.
일반적으로 의료용 영상 장치는 환자의 생물학적 정보를 획득하여 영상을 제공하는 장치이다. 의료용 영상 장치는 초음파 진단 장치, X선 단층 촬영 장치, 자기 공명 영상 장치 및 의학 진단 장치 등이 있다. 이 중에서 자기 공명 영상 장치는 영상 촬영 조건이 상대적으로 자유롭고, 연부 조직에서의 우수한 대조도와 다양한 진단 정보 영상을 제공해주기 때문에 의료용 영상을 이용한 진단 분야에서 중요한 위치를 차지하고 있다.
상기한 자기 공명 영상 장치에서 사용되는 자기 공명 영상(Magnetic Resonance Imaging, MRI)은 인체에 해가 없는 자기장과 비전리 방사선인 라디오파를 이용하여 체내의 수소 원자핵에 핵자기 공명 현상을 일으켜 원자핵의 밀도 및 물리 화학적 특성을 영상화한 것이다. MRI 중 구조적(structural) MRI는 뇌 피질의 두께를 측정하는 데 사용되고, 기능적(functional) MRI(fMRI)는 뇌를 지나는 혈액을 찍어서 뇌의 활동을 측정하는 데 사용된다.
그런데, 기능적 MRI 데이터는 수십만 개의 복셀(voxel)(3D 화소)을 포함하며, 각 복셀은 수십 분에 걸쳐 전형적으로 수집되는 수백 개의 데이터 포인트를 가지고 있다. 심리적 및 인지적 특성의 예측 모델을 생성할 때 이러한 대규모 데이터세트에서 관련 기능을 선택할 수 있는 능력이 강하게 요구된다. 현재 연구원과 보건 종사자는 많은 관련성이 없는 예측 변수가 있는 모델을 남겨 둔다. 이로 인해 모델의 계산에 비용이 많이 들고, 속도가 느리며 이해하기가 어렵다는 문제가 있다.
한편, 12 시그마는 일반적으로 의료 이미징의 의료 결과를 예측하는 데 중점을 둔다. 그들의 웹 사이트는 많은 정보를 제공하지는 않지만 머신 비전 기술을 사용하며, 머신 비전 기술은 아직 일반적으로 뇌 이미징에 사용되지 않으므로 뇌 이미징을 수행하는 것은 현재로는 거의 불가능하다.
최첨단 기계 학습 기술을 사용하는 최첨단 신경 영상 문서에 따르면, 예를 들어 MRI 데이터만을 기반으로 하여 정상인과 자폐증 환자를 구별하려는 경우와 같이, 유효성 확인 데이터세트에 대한 예측 정확도가 기껏해야 대략 70%라고 한다. 이러한 결과는 의료 표준을 위해 개선되어야 한다. 대규모 데이터세트와 함께 복잡한 기술을 사용하면 이러한 기술이 느려지고 해석하기가 어려워진다.
따라서, 기능적 MRI를 통해 스캔된 데이터를 사용하여 생성되는 심리적 및 인지적 특성의 예측 모델을 단순화하여 이로 인한 모델링이 훨씬 빨라지고 해석이 쉬워질 수 있는 방안이 요구된다.
본 발명이 해결하고자 하는 과제는 피험자 내 및 피험자 간 변동성의 분석을 통한 특징 영역의 선택으로 인해 보다 간단하고 효율적인 예측 모델의 생성이 가능한 예측 모델 생성 방법 및 그 장치를 제공하는 것이다.
또한, 모델 동작을 더 광범위하고 더 깊이 탐구할 수 있으며, 더 나은 예측을 생성하는 모델 예측 생성 방법 및 그 장치를 제공하는 것이다.
본 발명의 하나의 특징에 따른 예측 모델 생성 방법은,
예측 모델 생성 장치가 기능적 자기 공명 영상(Magnetic Resonance Imaging, MRI)을 사용하여 예측 모델을 생성하는 방법으로서, 복수의 피험자별로 복수 회수의 기능적 MRI 스캔을 통해 획득되는 복수의 피험자별 복수의 스캔 데이터를 사용하여 각 피험자별 이미지의 결함을 정정하는 전처리를 수행하는 단계, 상기 전처리가 수행된 상기 복수의 피험자별 이미지별로 복수의 관심 영역으로 분할하고, 분할된 관심 영역의 모든 쌍별로 연결성을 측정하는 단계, 상기 피험자별 연결성의 측정 결과를 사용하여 피험자 내 변동성(intra-subject variability) 및 피험자 간 변동성(inter-subject variability)을 확인하는 분산 분석(analysis of variance, ANOVA)을 수행하는 단계, 그리고 상기 피험자 내 변동성 및 피험자 간 변동성에 의해 확인되는 특징 영역에 대해 예측 기계 학습 모델을 사용하여 대응되는 예측 모델을 생성하는 단계를 포함한다.
여기서, 상기 특징 영역은 상기 분산 분석에 의해 확인되는 상기 피험자 내 변동성이 상기 피험자 간 변동성보다 작은 경우의 연결성에 대응되는 영역이며, 상기 피험자 내 변동성이 상기 피험자 간 변동성보다 작은 것은 상기 연결성이 미리 설정된 임계값 이하인 경우에 해당한다.
또한, 상기 전처리를 수행하는 단계는, 상기 복수의 피험자별 복수의 스캔 데이터에 대응되는 각 이미지의 세기를 정규화하고, 자기장의 비균질성을 보정하며, 피험자의 움직임을 보정하는 보정 단계, 보정된 후의 이미지에서 비-뇌 조직(non-brain tissue)을 제거하는 뇌 추출 단계, 뇌 추출이 수행된 이미지에서 저주파 특징을 제거하는 고역 필터링 단계, 그리고 고역 필터링이 수행된 이미지를 구성요소로 분해한 후 실제 신호 또는 노이즈로 분류한 다음, 분류된 노이즈를 제거하는 노이즈 제거 단계를 포함한다.
또한, 상기 연결성을 측정하는 단계에서, 상기 관심 영역의 쌍에 대한 평균 혈류 산소 수준(Blood Oxygen Level Dependent, BOLD) 신호 사이의 상관 계수를 계산하여 각 피험자별 연결성을 측정하며, 상기 연결성의 측정 결과는 상기 피험자별 복수의 연결성 매트릭스로 생성되고, 상기 연결성 매트릭스 내의 각 엔트리는 한 쌍의 관심 영역 간 연결 강도를 나타낸다.
또한, 상기 연결성 매트릭스 내의 엔트리가 상기 미리 설정된 임계값 이하인 경우 해당 엔트리에 대응되는 피험자 내 변동성이 피험자 간 변동성보다 작은 것으로 판단한다.
또한, 상기 예측 기계 학습 모델은 지원 벡터 머신(support-vector machine) 및 지원 벡터 회귀 모델(support-vector regression model)을 포함한다.
본 발명의 다른 특징에 따른 예측 모델 생성 장치는,
복수의 피험자별로 복수 회수의 기능적 MRI 스캔을 통해 획득되는 복수의 피험자별 복수의 스캔 데이터를 사용하여 각 피험자별 이미지의 결함을 정정하는 전처리부, 상기 전처리부에 의해 결함이 정정된 상기 피험자별 이미지별로 복수의 관심 영역으로 분할하고, 분할된 관심 영역의 모든 쌍별로 연결성을 측정하는 연결성 측정부, 상기 연결성 측정부에 의한 연결성 측정 결과를 사용하여 피험자 내 변동성(intra-subject variability) 및 피험자 간 변동성(inter-subject variability)을 확인하는 분산 분석을 수행하는 분산 분석부, 그리고 상기 피험자 내 변동성 및 피험자 간 변동성에 의해 확인되는 특징 영역에 대해 예측 기계 학습 모델을 사용하여 대응되는 예측 모델을 생성하는 기계 학습 모델링부를 포함한다.
여기서, 상기 분산 분석부에서의 분석 결과를 사용하여 상기 예측 모델의 생성에 사용될 상기 특징 영역을 선택하여 상기 기계 학습 모델링부로 전달하는 특징 선택부를 더 포함하며, 상기 특징 선택부는 상기 피험자 내 변동성이 상기 피험자 간 변동성보다 작은 것을 나타내는 연결성에 대응되는 영역이며, 상기 피험자 내 변동성이 상기 피험자 간 변동성보다 작은 것은 상기 연결성이 미리 설정된 임계값 이하인 경우에 해당한다.
또한, 상기 전처리부는, 상기 복수의 피험자별 복수의 스캔 데이터에 대응되는 각 이미지의 세기를 정규화하고, 자기장의 비균질성을 보정하며, 피험자의 움직임을 보정하는 보정부, 상기 보정부에 의해 보정된 후의 이미지에서 비-뇌 조직(non-brain tissue)을 제거하는 뇌 추출부, 상기 뇌 추출부에 의해 뇌 추출이 수행된 이미지에서 저주파 특징을 제거하는 고역 필터링부, 그리고 상기 고역 필터링부에 의해 고역 필터링이 수행된 이미지를 구성요소로 분해한 후 실제 신호 또는 노이즈로 분류한 다음, 분류된 노이즈를 제거하는 노이즈 제거부를 포함한다.
또한, 상기 연결성 측정부는, 상기 관심 영역의 쌍에 대한 평균 혈류 산소 수준(Blood Oxygen Level Dependent, BOLD) 신호 사이의 상관 계수를 계산하여 각 피험자별 연결성을 측정하고, 상기 연결성의 측정 결과는 상기 피험자별 복수의 연결성 매트릭스로 생성되며, 상기 연결성 매트릭스 내의 각 엔트리는 한 쌍의 관심 영역 간 연결 강도를 나타낸다.
본 발명의 또 다른 특징에 따른 예측 모델 생성 장치는,
기능적 자기 공명 영상(Magnetic Resonance Imaging, MRI)을 사용하여 예측 모델을 생성하는 예측 모델 생성 장치로서, 입력기, 메모리 및 프로세서를 포함하며, 상기 입력기는 복수의 피험자별로 복수 회수의 기능적 MRI 스캔을 통해 획득되는 복수의 피험자별 복수의 스캔 데이터를 입력받고, 상기 메모리는 코드의 집합을 저장하도록 구성되며, 상기 코드는, 상기 입력기를 통해 입력되는 복수의 피험자별 복수의 스캔 데이터를 사용하여 각 피험자별 이미지의 결함을 정정하는 동작, 상기 결함이 정정된 상기 복수의 피험자별 이미지별로 복수의 관심 영역으로 분할하고, 분할된 관심 영역의 모든 쌍별로 연결성을 측정하는 동작, 상기 피험자별 연결성의 측정 결과를 사용하여 피험자 내 변동성(intra-subject variability) 및 피험자 간 변동성(inter-subject variability)을 확인하는 분산 분석(analysis of variance, ANOVA)을 수행하는 동작, 그리고 상기 피험자 내 변동성 및 피험자 간 변동성에 의해 확인되는 특징 영역에 대해 예측 기계 학습 모델을 사용하여 대응되는 예측 모델을 생성하는 동작을 실행하도록 상기 프로세서를 제어하는 데 사용된다.
여기서, 상기 이미지의 결함을 정정하는 동작은, 상기 복수의 피험자별 복수의 스캔 데이터에 대응되는 각 이미지의 세기를 정규화하고, 자기장의 비균질성을 보정하며, 피험자의 움직임을 보정하는 동작, 보정된 후의 이미지에서 비-뇌 조직(non-brain tissue)을 제거하는 동작, 비-뇌 조직이 제거된 이미지에서 저주파 특징을 제거하는 동작, 그리고 저주파 특징이 제거된 이미지를 구성요소로 분해한 후 실제 신호 또는 노이즈로 분류한 다음, 분류된 노이즈를 제거하는 동작을 포함한다.
또한, 상기 특징 영역은 상기 분산 분석에 의해 확인되는 상기 피험자 내 변동성이 상기 피험자 간 변동성보다 작은 경우의 연결성에 대응되는 영역이며, 상기 피험자 내 변동성이 상기 피험자 간 변동성보다 작은 것은 상기 연결성이 미리 설정된 임계값 이하인 경우에 해당한다.
본 발명의 실시예에 따르면, 피험자 내 및 피험자 간 변동성의 분석을 통한 특징 영역의 선택으로 인해 보다 간단하고 효율적인 예측 모델의 생성이 가능하다.
이를 통해 모델 동작을 더 광범위하고 더 깊이 탐구할 수 있으며, 더 나은 예측을 생성하는 보다 의미있는 모델을 얻을 수 있다.
또한, 간단하고 객관적인 수단에 의해 관련 특징을 선택할 수 있으므로 더 간단한 모델을 구성할 수 있다. 이로 인해, 해석하기 더 쉽고, 실행 속도가 더 빨라지며, 유효성이 더 높고, 신뢰성이 더 높으며, 통계력이 뛰어난 모델이 될 수 있다.
도 1은 본 발명의 실시예에 따른 예측 모델 생성 장치의 개략적인 구성도이다.
도 2는 도 1에 도시된 전처리부의 구체적인 구성도이다.
도 3은 도 2에 도시된 보정부의 구체적인 구성도이다.
도 4는 도 1에 도시된 전처리부에 의해 처리되는 기능적 MRI 스캔 이미지의 예를 도시한 도면으로, (a)는 원시 이미지이고, (b)는 뇌 추출후의 이미지이며, (c)는 고역 필터링 후의 이미지이고, (d)는 노이즈 제거 후의 이미지이다.
도 5는 도 4에 도시된 이미지를 사용하여 관심 영역간 연결성 측정에 따라 연결성의 표면 표현 이미지를 도시한 도면이다.
도 6은 연결성 측정부에 의해 생성되는 연결성 매트릭스의 예를 도시한 도면이다.
도 7은 본 발명의 실시예에 따라 피험자를 통한 연결성 측정의 변동성을 분석하기 위한 통계 테스트의 출력을 나타낸다.
도 8은 도 7의 피어슨 상관계수 매트릭스에서 분산 분석을 통과하지 못한 관심 영역이 제거된 후의 피어슨 상관계수 매트릭스를 나타낸다.
도 9는 본 발명의 실시예에 따른 예측 모델 생성 방법의 개략적인 흐름도이다.
도 10은 본 발명의 실시예에 따른 예측 모델 생성 방법 중 피험자별 전처리 과정의 구체적인 흐름도이다.
도 11은 본 발명의 다른 실시예에 따른 예측 모델 생성 장치의 개략적인 구성 블록도이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
이하, 도면을 참고하여 본 발명의 실시예에 따른 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 장치에 대해 설명한다.
도 1은 본 발명의 실시예에 따른 예측 모델 생성 장치의 개략적인 구성도이다.
도 1에 도시된 바와 같이, 본 발명의 실시예에 따른 예측 모델 생성 장치(100)는 입력부(110), 전처리부(120), 연결성 측정부(130), 분산 분석부(140), 특징 선택부(150) 및 기계 학습 모델링부(160)를 포함한다.
본 발명의 실시예에서는 많은 서로 다른 피험자들별로 복수 회수의 기능적 MRI 스캔을 수행하여 획득되는 각 피험자별 복수의 스캔 데이터를 사용하여 예측 모델 생성을 수행하는 것이 가정된다.
입력부(110)는 기능적 MRI에 의해 스캐닝된 복수의 피험자별 복수의 스캔 데이터를 입력받는다. 예를 들어, 각 피험자별로 피험자 내 변동성에 대한 정보를 획득하기 위해 적어도 두 번의 스캔을 통해 획득되는 두 번의 스캔 데이터가 사용된다. 따라서, 입력부(110)는 피험자별로 2회의 스캔 데이터를 입력받는다. 예를 들어, 10명의 피험자의 경우, 10명의 각 피험자별로 2회분의 스캔 데이터의 경우 총 10회의 스캔 데이터가 입력된다.
입력부(110)는 기능적 MRI(도시되지 않음)에 직접 또는 네트워크를 통해 연결되어 기능적 MRI를 통해 각 피험자별로 스캔되는 데이터를 직접 기능적 MRI로부터 입력받거나, 또는 저장 매체 등을 통해 복수의 피험자별 스캔 데이터를 입력받을 수 있다.
전처리부(120)는 입력부(110)를 통해 입력된 복수의 피험자별 복수의 스캔 데이터에 대응되는 이미지의 결함을 정정하는 전처리 과정을 수행한다. 전처리부(120)의 구체적인 구성에 대해서는 추후 설명된다.
연결성 측정부(130)는 전처리부(120)에 의해 결함이 정정된 각 피험자별 복수의 이미지를 해부학적 특징에 기초하여 복수 개의 관심 영역으로 분할하고, 가능한 모든 관심 영역 쌍에 대한 평균 혈류 산소 수준(Blood Oxygen Level Dependent, BOLD) 신호 사이의 상관 계수를 계산하여 각 피험자별 연결성을 측정한다. 여기서 연결성의 측정 결과는 각 피험자별 복수의 연결성 매트릭스로서 생성되고, 연결성 매트릭스 내의 각 엔트리는 한 쌍의 관심 영역 간 연결 강도를 나타내며, 구체적으로는 피험자 내 변동성과 피험자 간 변동성의 크기 비교를 나타낸다. 예를 들어, 엔트리의 값이 높은 경우에는 피험자 간 변동성이 피험자 내 변동성보다 큰 것을 나타내고, 그 반대로 엔트리의 값이 낮은 경우에는 피험자 간 변동성이 피험자 내 변동성보자 작은 것을 나타낸다. 여기서, 피험자 내 변동성과 피험자 간 변동성의 크기 비교에 사용되는 임계값은 각 엔트리를 나타내는 방식에 따라 다를 수 있다.
또한, 혈류 산소 수준은 뇌가 기능적으로 활성화된 정도를 측정하는 데 사용되는 신호이다. 또한, 상기한 관심 영역은 프리서퍼(FreeSurfer)를 사용하여 분할되며, 예를 들 피험자별 뇌 이미지가 프리서퍼를 사용하여 약 100개의 관심 영역으로 분할될 수 있다. 여기서, 프리서퍼는 구조적 및 기능적 이미징 바이오마커 분석에 가장 널리 사용되는 소프트웨어로서, 대뇌피질 표면의 백질과 회백질의 묘사, 연뇌막 표면의 표현, 뇌의 다른 부분들로부터 백질부의 구분, 두개골 스트리핑, B1 바이어스 필드의 보정, 개체의 대뇌피질 표면에 뇌정위 지도로 입체 정위의 비선형 등록, 피질 표면 부위의 라벨링, 그룹 형태학적 차이의 통계적 분석, 피질하부 뇌구조물의 라벨링 등에 사용되는 완전 자동화된 뇌이미징툴 파이프라인이다. 이러한 프리서퍼에 대해서는 이미 잘 알려져 있으므로 여기에서는 구체적인 설명을 생략한다.
분산 분석부(140)는 연결성 측정부(130)에서 각 피험자별로 측정된 연결성 측정 결과, 즉 연결성 매트릭스를 사용하여 분산 분석(analysis of variance, ANOVA)을 수행하여 피험자 내 변동성과 피험자 간 변동성을 확인한다. 이 때, 분산 분석은 측정 데이터가 몇 개의 그룹으로 구분된 경우 그룹 평균 간 차이를 그룹 내 변동에 비교하여 살펴보는 데이터 분석 방법을 말한다.
분산 분석부(140)에 의한 분산 분석은 복수 피험자의 복수 연결성 매트릭스의 각 엔트리에 대해 수행되며, 연결성 기반으로 피험자 내 변동성과 피험자 간 변동성의 크기를 비교할 수 있는 결과를 제공한다. 즉, 분산 분석부(140)는 단일 피험자의 서로 다른 스캔을 통한 변동성이 다른 피험자의 스캔을 통한 변동성보다 큰지 여부를 테스트할 수 있도록 한다.
특징 선택부(150)는 분산 분석부(140)에서의 분석 결과를 사용하여 예측 모델 생성에 사용될 특징 영역을 선택한다. 구체적으로, 특징 선택부(150)는 피험자 내에서의 변동성이 다른 피험자를 통한 변동성보다 작은 영역을 선택한다. 이렇게 선택되는 영역은 명백하게 신뢰할 수 있는 기능적 특성을 가진 영역에 해당한다. 여기서, 특징 영역으로 선택되기 위한 피험자 내 변동성이 피험자 간 변동성보다 작은 것을 나타내는 연결성 측정값의 임계값은 미리 설정될 수 있으며, 이것은 많은 수의 실험과 연구를 통해 결정될 수 있다.
한편, 특징 선택부(150)에서의 선택 결과는 분산 분석부(140)에서 특징 선택부(150)로 전달되는 연결성 매트릭스에서 특징 영역에 해당되지 않는 엔트리가 제거된 후의 매트릭스에 해당된다.
기계 학습 모델링부(160)는 특징 선택부(150)에서 선택된 특징 영역에 예측 기계 학습 모델을 사용하여 대응되는 심리적 및 인지적 특성 기반의 예측 모델을 생성한다. 여기서 예측 기계 학습 모델로는 지원 벡터 머신(support-vector machine), 지원 벡터 회귀 모델(support-vector regression model) 등이 사용될 수 있다. 예측 기계 학습 모델을 사용하여 특징 영역에 대한 기계 학습을 수행하여 예측 모델을 생성하는 기술에 대해서는 이미 잘 알려져 있으므로 여기에서는 상세한 설명을 생략한다.
이와 같이, 본 발명의 실시예에 따르면, 명백하게 신뢰할 수 있는 기능성 특징을 선택함으로써 생성되는 예측 모델의 복잡성을 크게 줄일 수 있다. 또한, 이렇게 함으로써 계산상의 복잡성과 해석의 어려움을 줄일 수 있다. 이로 인해, 업계에서 더 많은 준비가 가능하고, 학교와 병원은 훨씬 적은 비용으로 그것들을 적용하고 해석할 수 있으며 유용한 정보를 훨씬 쉽게 얻을 수 있다.
도 2는 도 1에 도시된 전처리부(120)의 구체적인 구성도이다.
도 2에 도시된 바와 같이, 전처리부(120)는 보정부(121), 뇌 추출부(122), 고역 필터링부(123) 및 노이즈 제거부(124)를 포함한다.
보정부(121)는 입력부(110)로부터 입력되는 스캔 데이터에 대응되는 각 이미지의 세기를 정규화하고, MRI 스캐너 자기장의 비균질성을 보정하며, MRI 스캐너 내의 피험자의 움직임을 보정한다. 이러한 보정부(121)는, 도 3에 도시된 바와 같이, 구체적으로, 입력부(110)로부터 입력되는 스캔 데이터에 대응되는 각 이미지의 세기를 정규화하는 바이어스 필드 보정부(1211), MRI 스캐너 자기장의 비균질성을 보정하는 왜곡 보정부(1212) 및 MRI 스캐너 내의 피험자의 움직임을 보정하는 움직임 보정부(1213)를 포함한다.
뇌 추출부(122)는 보정부(121)에 의해 보정된 후의 이미지에서 목, 입, 수막, 두개골과 같은 비-뇌 조직(non-brain tissue)을 제거한다.
고역 필터링부(123)는 혈류 산소 수준(BOLD) 신호에 있는 저주파 특징을 제거한다.
노이즈 제거부(124)는 고역 필터링부(123)에 의해 고역 필터링이 수행된 이미지를 구성요소로 분해한 후 실제 신호 또는 노이즈로 분류한 다음, 분류된 노이즈를 제거한다. 이러한 노이즈 제거에는 다변량의 신호를 통계적으로 독립적인 하부 성분으로 분리하는 분석 방법인 독립 성분 분석(Independent Component Analysis, ICA)에 기반하는 노이즈 제거가 사용될 수 있다. 노이즈 제거부(124)는 노이즈 제거 후 실제 신호, 즉 실제 BOLD 신호로 레이블된 구성요소로만 재구성되는 시계열(time series)을 생성할 수 있다.
따라서, 연결성 측정부(130)는 노이즈 제거부(124)에 의해 생성되는 시계열을 사용하여 관심 영역 별 평균 시계열을 계산하고, 각 영역의 평균 시계열을 모든 다른 영역의 평균 시계열과 상관시킴으로써 연결성 매트릭스를 생성할 수 있다.
이하, 도면을 참조하여 예측 모델 생성의 대상이 되는 특징 영역을 선택하는 예에 대해 설명한다.
먼저, 도 4는 도 1에 도시된 전처리부(120)에 의해 처리되는 기능적 MRI 스캔 이미지의 예를 도시한 도면으로, (a)는 원시 이미지이고, (b)는 뇌 추출후의 이미지이며, (c)는 고역 필터링 후의 이미지이고, (d)는 노이즈 제거 후의 이미지이다.
연결성 측정부(130)는 도 4에 도시된 이미지를 사용하여 관심 영역간 연결성 측정을 수행하여 도 5에 도시된 바와 같은 연결성의 표면 표현 이미지를 제공할 수 있다. 도 5를 참조하면, 후두엽의 밝은 부분은 강한 상관 관계를 나타내는 반면, 어두운 부분은 상대적으로 약한 상관 관계를 나타낸다.
또한, 연결성 측정부(130)는 연결성 측정 결과로서 연결성 매트릭스를 생성한다. 도 6은 연결성 측정부(130)에 의해 생성되는 연결성 매트릭스의 예가 도시된다.
도 6에 도시된 연결성 매트릭스는 피어슨(Pearson) 상관 계수의 매트릭스이며, 여기서 행 및 열은 해부학적 관심 영역의 부집합에 대응된다. 관심 영역의 자신과의 상관 관계(매트릭스의 대각선으로, 사선으로 표시됨)는 정의에 의해 1과 같다. 또한, 관심 영역은 피질 하부 영역은 물론 피질의 좌측 및 우측 반구를 모두 포함한다. 피어슨 상관 계수 외에도 Ledoit-Wolf 상관 관계 및 Fisher 변환 상관 계수와 같은 다른 연결성 측정이 계산될 수도 있다.
다음, 분산 분석부(140)에 의해 피험자 내 및 피험자 간의 변동성을 분석하는 과정은 연결성 측정부(130)에서 생성된 연결성 매트릭스를 분석함으로써 수행된다.
도 7은 본 발명의 실시예에 따라 피험자를 통한 연결성 측정의 변동성을 분석하기 위한 통계 테스트의 출력을 나타낸다. 이 테스트는 F-통계량을 계산하며, 이 F-통계량은 서로 다른 피험자와 단일 피험자의 복수의 스캔을 통한 연결성 측정의 분산 비율이다. 여기서, 높은 F-통계량은 피험자 간 변동성이 피험자 내 변동성보다 큰 것을 나타내고, 반대로 낮은 F-통계량은 피험자 간 변동성이 피험자 내 변동성보다 작은 것을 나타낸다.
한편, F-통계는 연관된 확률 또는 p-값을 갖는다. 이 p-값과 미리 설정된 임계값의 비교는 피험자 간 변동성이 피험자 내 변동성에 비해 더 큰지 아닌지를 결정하는 데 사용될 수 있다. 예를 들면, p-값의 표에서 0.05의 임계값을 초과하는 p-값이 노란색으로 강조 표시된다. 이와 같이, 임계값을 초과하는 p-값은 연결성 측정의 피험자 간 변동성이 피험자 내 변동성보다 커서 피험자 간 변동성과 피험자 내 변동성이 구별될 수 없음을 나타내므로, 이들 엔트리는 추후의 처리에서 제외된다. 결과적으로, 추후의 기계 학습 모델링부(160)에서 사용될 영역, 즉 트징 영역은 임계값을 초과하지 않는 영역, 즉 피험자 내 변동성이 피험자 간 변동성보다 작은 영역이 될 것이다.
도 8은 도 7의 피어슨 매트릭스에서 분산 분석을 통과하지 못한 관심 영역이 제거된 후의 피어슨 상관계수 매트릭스를 나타낸다. 여기서, 분산 분석을 통과한 영역은 피험자 내에서의 연결성 측정의 변동성이 다른 피험자를 통한 것보다 작은 영역이다. 이와 같이, 분산 분석을 통해 특징 영역을 선택함으로써 피험자를 명확히 구별할 수 있다.
다음, 도면을 참조하여 본 발명의 실시예에 따른 예측 모델 생성 방법에 대해 설명한다.
도 9는 본 발명의 실시예에 따른 예측 모델 생성 방법의 개략적인 흐름도이다.
도 9를 참조하면, 먼저, 기능적 MRI에 의해 스캔된 복수의 피험자별 복수의 스캔 데이터를 입력받는다(S100).
다음, 복수의 피험자별 복수의 스캔 데이터에 대응되는 이미지의 결함을 정정하는 전처리 과정을 수행한다(S110). 이러한 전처리 과정에 대해서는 추후 구체적으로 설명된다.
다음, 상기 단계(S110)에서의 전처리에 의해 결함이 정정된 각 피험자별 복수의 이미지를 해부학적 특징에 기초하여 복수 개의 관심 영역으로 분할하고, 가능한 모든 관심 영역 쌍에 대한 평균 BOLD 신호 사이의 상관 계수를 계산하여 각 피험자별 연결성을 측정한다(S120). 전술한 바와 같이, 연결성의 측정 결과는 각 피험자별 복수의 연결성 매트릭스로서 생성되고, 연결성 매트릭스 내의 각 엔트리는 한 쌍의 관심 영역 간 연결 강도를 나타내며, 구체적으로는 피험자 내 변동성과 피험자 간 변동성의 크기 비교를 나타낸다.
그 후, 연결성 측정 결과, 즉 연결성 매트릭스를 사용하여 분산 분석을 수행하여 피험자 내 변동성과 피험자 간 변동성을 확인한다(S130). 마찬가지로, 분산 분석은 복수 피험자의 복수 연결성 매트릭스의 각 엔트리에 대해 수행되며, 연결성 기반으로 피험자 내 변동성과 피험자 간 변동성의 크기를 비교할 수 있는 결과를 제공한다.
다음, 상기 단계(S130)에서의 분산 분석 결과를 사용하여 예측 모델 생성에 사용될 특징 영역이 선택된다(S140). 구체적으로, 피험자 내에서의 변동성이 다른 피험자를 통한 변동성보다 작은 영역이 선택된다.
마지막으로, 상기 단계(S140)에서 선택된 특징 영역에 예측 기계 학습 모델을 사용하여 대응되는 심리적 및 인지적 특성 기반의 예측 모델을 생성한다(S150). 전술한 바와 같이, 예측 기계 학습 모델은 지원 벡터 머신, 지원 벡터 회귀 모델 등일 수 있다.
다음, 도 10은 본 발명의 실시예에 따른 예측 모델 생성 방법 중 피험자별 전처리 과정의 구체적인 흐름도이다.
도 10을 참조하면, 먼저, 입력된 복수의 피험자별 복수의 스캔 데이터에 대응되는 각 이미지의 세기를 정규화하고, MRI 스캐너 자기장의 비균질성을 보정하며, MRI 스캐너 내의 피험자의 움직임을 보정하는 보정 과정이 수행된다(S111).
다음, 상기 단계(S111)에서 보정된 후의 이미지에서 목, 입, 수막, 두개골과 같은 비-뇌 조직(non-brain tissue)을 제거하는 뇌 추출 과정이 수행된다(S112).
그 후, 상기 단계(S112)에서 뇌 추출이 수행된 이미지에서 BOLD 신호에 있는 저주파 특징을 제거하는 고역 필터링 과정이 수행된다(S113).
마지막으로, 고역 필터링이 수행된 이미지를 구성요소로 분해한 후 실제 신호 또는 노이즈로 분류한 다음, 분류된 노이즈를 제거한다(S114). 이러한 노이즈 제거에는 다변량의 신호를 통계적으로 독립적인 하부 성분으로 분리하는 분석 방법인 독립 성분 분석에 기반하는 노이즈 제거가 사용될 수 있다.
다음, 본 발명의 다른 실시예에 따른 예측 모델 생성 장치에 대해 설명한다.
도 11은 본 발명의 다른 실시예에 따른 예측 모델 생성 장치의 개략적인 구성 블록도이다.
도 11을 참조하면, 본 발명의 다른 실시예에 따른 예측 모델 생성 장치(200)는 입력기(210), 메모리(220), 프로세서(230) 및 버스(240)를 포함한다.
입력기(210)는 기능적 MRI를 사용하여 서로 다른 피험자별로 복수의 기능적 MRI 스캔을 수행하여 획득되는 각 피험자별 복수의 스캔 데이터를 입력받는다.
메모리(220)는 코드의 집합을 저장하도록 구성되고, 그 코드는 다음과 같은 동작을 실행하기 위해 프로세서(230)를 제어하는 데 사용된다. 이러한 동작은, 입력부(210)를 통해 복수의 피험자별 복수의 스캔 데이터를 입력받는 동작, 복수의 피험자별 복수의 스캔 데이터에 대응되는 이미지의 결함을 정정하는 전처리 과정을 수행하는 동작, 전처리에 의해 결함이 정정된 각 피험자별 복수의 이미지를 해부학적 특징에 기초하여 복수 개의 관심 영역으로 분할하고, 가능한 모든 관심 영역 쌍에 대한 평균 BOLD 신호 사이의 상관 계수를 계산하여 각 피험자별 연결성을 측정하는 동작, 연결성 측정 결과를 사용하여 분산 분석을 수행하여 피험자 내 변동성과 피험자 간 변동성을 확인하는 동작, 분산 분석 결과를 사용하여 예측 모델 생성에 사용될 특징 영역을 선택하는 동작, 특징 영역에 예측 기계 학습 모델을 사용하여 대응되는 심리적 및 인지적 특성 기반의 예측 모델을 생성하는 동작 등을 포함한다.
상기한 전처리 과정을 수행하는 동작은, 입력된 복수의 피험자별 복수의 스캔 데이터에 대응되는 각 이미지의 세기를 정규화하고, MRI 스캐너 자기장의 비균질성을 보정하며, MRI 스캐너 내의 피험자의 움직임을 보정하는 보정 과정을 수행하는 동작, 보정된 후의 이미지에서 목, 입, 수막, 두개골과 같은 비-뇌 조직을 제거하는 뇌 추출 동작, 뇌 추출이 수행된 이미지에서 BOLD 신호에 있는 저주파 특징을 제거하는 고역 필터링 동작, 고역 필터링이 수행된 이미지를 구성요소로 분해한 후 실제 신호 또는 노이즈로 분류한 다음, 분류된 노이즈를 제거하는 동작을 포함한다.
여기서, 상기한 특징 영역은 피험자들 내에서의 변동성이 다른 피험자를 통한 변동성보다 작은 영역, 즉 피험자 내 변동성이 피험자 간 변동성보다 작은 영역이며, 구체적으로는 연결 매트릭스의 엔트리가 미리 미리 설정된 임계값 이하의 값을 갖는 영역이 해당된다.
본 발명에서, 피험자 내 및 피험자 간 변동성의 사용은 기능적 연결성 측정의 선택을 알릴 수 있으며, 이것은 심리적 및 인지적 특징의 예측 모델을 생성함에 있어서, 뇌의 다른 부분에서의 활성화가 BOLD 이미징을 통해 시간 경과에 따라 어떻게 유사하게 행동하는지를 특성화한다.
또한, 기능적 연결성이 개인 내에서 신뢰성 있게 측정될 수 있고, 개인 간에 크게 다를 수 있는 뇌 영역을 선택함으로써 예측 모델의 복잡성을 크게 줄이고 통계력을 증가시킬 수 있다.
본 발명에서의 기술적 해결수단은 질병 치료 결과를 예측하고 학업 성공을 예측하는 뇌 연결성 측정을 선택하기 위해 의학 및 교육 분야에 각각 적용될 수 있다.
본 발명은 많은 분야에서 응용된다. 무엇보다도 더, 어린이 및 청소년을 위한 교육 분야에서 유용할 것이다. 학생이 미래에 어떤 행동 경향을 가질 것인지를 알면 교사와 학부모에게 그 학생에게 정보를 전달하고 교육 프로그램을 계획하는 최선의 방법을 더 잘 알려줄 수 있다. 또한, 정신과 및 신경학 분야의 특정 응용과 함께 의학 분야에서 유용할 것이며 의사와 심리학자에게 환자를 가장 잘 치료할 수 있는 방법을 알려줄 것이다. 형사 사법 시스템에서의 사용, 정부 기관에서의 사용 및 다른 회사에서의 사용과 같이, 잠재적으로 훨씬 더 광범위한 응용을 가지고 있다.
본 발명에 따른 기능적 MRI 스캔에서 피험자 내 및 피험자 간 변동성을 확인하는 방법은 광범위한 응용을 갖는다. 이러한 응용 중 하나는, 예를 들어 IQ 점수와 같은 개인의 적성과 능력에 대한 예측이다. 어린이의 경우, 뇌 성장, 발달 상태 및 학습 준비 상태에 대한 분석을 수행할 수 있다. 이 방법은 완전히 발달된 성인의 관리를 위해 활용될 수 있다. 예를 들어, 만성 스트레스로 인해 부담을 느끼는 사람들은 이러한 방법의 적용으로 이익을 얻을 수 있다. 노인에서는 뇌의 노화와 진행을 평가하기 위해 분석이 수행될 수 있다. 예를 들어, 조기에 기억 상실이 감지되어 고객이 예방 조치를 취할 수 있다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims (13)

  1. 피험자 내 변동성 및 피험자 간 변동성에 의해 확인되는 특징 영역에 대해 예측 기계 학습 모델을 사용하여 뇌에 대한 심리적 및 인지적 특성의 예측 모델을 생성하는 장치가 기능적 자기 공명 영상(Magnetic Resonance Imaging, MRI)을 사용하여 예측 모델을 생성하는 방법으로서,
    복수의 피험자별로 복수 회수의 기능적 MRI 스캔을 통해 획득되는 복수의 피험자별 복수의 스캔 데이터를 사용하여 각 피험자별 이미지의 결함을 정정하는 전처리를 수행하는 단계,
    상기 전처리가 수행된 상기 복수의 피험자 이미지를 복수의 관심 영역으로 분할하고, 분할된 관심 영역의 모든 쌍별로 각 피험자별 연결성을 측정하는 단계,
    상기 피험자별 연결성의 측정 결과를 사용하여 피험자 내 변동성(intra-subject variability) ― 상기 피험자 내 변동성은 단일 피험자에 대한 서로 다른 기능적 MRI 스캔에 따른 변동성임 ― 및 피험자 간 변동성(inter-subject variability) ― 상기 피험자 간 변동성은 서로 다른 피험자별로 서로 다른 기능적 MRI 스캔에 따른 변동성임 ― 을 확인하는 분산 분석(analysis of variance, ANOVA)을 수행하는 단계, 그리고
    상기 분산 분석에 의해 확인되는 상기 피험자 내 변동성이 상기 피험자 간 변동성보다 작은 영역을 상기 피험자 내 변동성 및 피험자 간 변동성에 의해 확인되는 특징 영역으로 설정하는 단계
    를 포함하는 예측 모델 생성 방법.
  2. 제1항에 있어서,
    상기 피험자 내 변동성이 상기 피험자 간 변동성보다 작은 것은 상기 연결성이 미리 설정된 임계값 이하인 경우에 해당하는,
    예측 모델 생성 방법.
  3. 제2항에 있어서,
    상기 전처리를 수행하는 단계는,
    상기 복수의 피험자별 복수의 스캔 데이터에 대응되는 각 이미지의 세기를 정규화하고, 자기장의 비균질성을 보정하며, 피험자의 움직임을 보정하는 보정 단계,
    보정된 후의 이미지에서 비-뇌 조직(non-brain tissue)을 제거하는 뇌 추출 단계,
    뇌 추출이 수행된 이미지에서 혈류 산소 수준 신호에 있는 저주파 특징을 제거하기 위해 고역 필터링을 수행하는 고역 필터링 단계, 그리고
    고역 필터링이 수행된 이미지를 구성요소로 분해한 후 실제 신호 또는 노이즈로 분류한 다음, 분류된 노이즈를 제거하는 노이즈 제거 단계
    를 포함하는, 예측 모델 생성 방법.
  4. 제2항에 있어서,
    상기 각 피험자별 연결성을 측정하는 단계에서,
    상기 관심 영역의 쌍에 대한 평균 혈류 산소 수준(Blood Oxygen Level Dependent, BOLD) 신호 사이의 상관 계수를 계산하여 각 피험자별 연결성을 측정하며,
    상기 연결성의 측정 결과는 상기 피험자별 복수의 연결성 매트릭스로 생성되고,
    상기 연결성 매트릭스 내의 각 엔트리는 한 쌍의 관심 영역 간 연결 강도를 나타내는,
    예측 모델 생성 방법.
  5. 제4항에 있어서,
    상기 연결성 매트릭스 내의 엔트리가 상기 미리 설정된 임계값 이하인 경우 해당 엔트리에 대응되는 피험자 내 변동성이 피험자 간 변동성보다 작은 것으로 판단하는,
    예측 모델 생성 방법.
  6. 제1항에 있어서,
    상기 예측 기계 학습 모델은 지원 벡터 머신(support-vector machine) 및 지원 벡터 회귀 모델(support-vector regression model)을 포함하는,
    예측 모델 생성 방법.
  7. 피험자 내 변동성 및 피험자 간 변동성에 의해 확인되는 특징 영역에 대해 예측 기계 학습 모델을 사용하여 뇌에 대한 심리적 및 인지적 특성의 예측 모델을 생성하는 장치로서,
    복수의 피험자별로 복수 회수의 기능적 MRI 스캔을 통해 획득되는 복수의 피험자별 복수의 스캔 데이터를 사용하여 각 피험자별 이미지의 결함을 정정하는 전처리부,
    상기 전처리부에 의해 결함이 정정된 상기 피험자별 이미지를 복수의 관심 영역으로 분할하고, 분할된 관심 영역의 모든 쌍별로 각 피험자별 연결성을 측정하는 연결성 측정부,
    상기 연결성 측정부에 의한 연결성 측정 결과를 사용하여 피험자 내 변동성(intra-subject variability) ― 상기 피험자 내 변동성은 단일 피험자에 대한 서로 다른 기능적 MRI 스캔에 따른 변동성임 ― 및 피험자 간 변동성(inter-subject variability) ― 상기 피험자 간 변동성은 서로 다른 피험자별로 서로 다른 기능적 MRI 스캔에 따른 변동성임 ― 을 확인하는 분산 분석을 수행하는 분산 분석부, 그리고
    상기 피험자 내 변동성이 상기 피험자 간 변동성보다 작은 영역을 상기 피험자 내 변동성 및 피험자 간 변동성에 의해 확인되는 특징 영역으로 설정하는 특징 선택부
    를 포함하는, 예측 모델 생성 장치.
  8. 제7항에 있어서,
    상기 특징 선택부는 상기 분산 분석부에서의 분석 결과를 사용하여 상기 예측 모델의 생성에 사용될 상기 특징 영역을 선택하며,
    상기 피험자 내 변동성이 상기 피험자 간 변동성보다 작은 것은 상기 연결성이 미리 설정된 임계값 이하인 경우에 해당하는,
    예측 모델 생성 장치.
  9. 제8항에 있어서,
    상기 전처리부는,
    상기 복수의 피험자별 복수의 스캔 데이터에 대응되는 각 이미지의 세기를 정규화하고, 자기장의 비균질성을 보정하며, 피험자의 움직임을 보정하는 보정부,
    상기 보정부에 의해 보정된 후의 이미지에서 비-뇌 조직(non-brain tissue)을 제거하는 뇌 추출부,
    상기 뇌 추출부에 의해 뇌 추출이 수행된 이미지에서 혈류 산소 수준 신호에 있는 저주파 특징을 제거하기 위해 고역 필터링을 수행하는 고역 필터링부, 그리고
    상기 고역 필터링부에 의해 고역 필터링이 수행된 이미지를 구성요소로 분해한 후 실제 신호 또는 노이즈로 분류한 다음, 분류된 노이즈를 제거하는 노이즈 제거부
    를 포함하는, 예측 모델 생성 장치.
  10. 제7항에 있어서,
    상기 연결성 측정부는,
    상기 관심 영역의 쌍에 대한 평균 혈류 산소 수준(Blood Oxygen Level Dependent, BOLD) 신호 사이의 상관 계수를 계산하여 각 피험자별 연결성을 측정하고,
    상기 연결성의 측정 결과는 상기 피험자별 복수의 연결성 매트릭스로 생성되며,
    상기 연결성 매트릭스 내의 각 엔트리는 한 쌍의 관심 영역 간 연결 강도를 나타내는,
    예측 모델 생성 장치.
  11. 피험자 내 변동성 및 피험자 간 변동성에 의해 확인되는 특징 영역에 대해 예측 기계 학습 모델을 사용하여 뇌에 대한 심리적 및 인지적 특성의 예측 모델을 생성하는 장치로서,
    기능적 자기 공명 영상(Magnetic Resonance Imaging, MRI)을 사용하여 뇌에 대한 심리적 및 인지적 특성의 예측 모델을 생성하는 예측 모델 생성 장치로서,
    입력기, 메모리 및 프로세서를 포함하며,
    상기 입력기는 복수의 피험자별로 복수 회수의 기능적 MRI 스캔을 통해 획득되는 복수의 피험자별 복수의 스캔 데이터를 입력받고,
    상기 메모리는 코드의 집합을 저장하도록 구성되며,
    상기 코드는,
    상기 입력기를 통해 입력되는 복수의 피험자별 복수의 스캔 데이터를 사용하여 각 피험자별 이미지의 결함을 정정하는 동작,
    상기 결함이 정정된 상기 복수의 피험자별 이미지를 복수의 관심 영역으로 분할하고, 분할된 관심 영역의 모든 쌍별로 각 피험자별 연결성을 측정하는 동작,
    상기 피험자별 연결성의 측정 결과를 사용하여 피험자 내 변동성(intra-subject variability) ― 상기 피험자 내 변동성은 단일 피험자에 대한 서로 다른 기능적 MRI 스캔에 따른 변동성임 ― 및 피험자 간 변동성(inter-subject variability) ― 상기 피험자 간 변동성은 서로 다른 피험자별로 서로 다른 기능적 MRI 스캔에 따른 변동성임 ―을 확인하는 분산 분석(analysis of variance, ANOVA)을 수행하는 동작, 그리고
    상기 피험자 내 변동성이 상기 피험자 간 변동성보다 작은 영역을 상기 피험자 내 변동성 및 피험자 간 변동성에 의해 확인되는 특징 영역으로 설정하는 동작
    을 실행하도록 상기 프로세서를 제어하는 데 사용되는,
    예측 모델 생성 장치.
  12. 제11항에 있어서,
    상기 이미지의 결함을 정정하는 동작은,
    상기 복수의 피험자별 복수의 스캔 데이터에 대응되는 각 이미지의 세기를 정규화하고, 자기장의 비균질성을 보정하며, 피험자의 움직임을 보정하는 동작,
    보정된 후의 이미지에서 비-뇌 조직(non-brain tissue)을 제거하는 동작,
    비-뇌 조직이 제거된 이미지에서 혈류 산소 수준 신호에 있는 저주파 특징을 제거하기 위해 고역 필터링을 수행하는 동작, 그리고
    저주파 특징이 제거된 이미지를 구성요소로 분해한 후 실제 신호 또는 노이즈로 분류한 다음, 분류된 노이즈를 제거하는 동작
    을 포함하는, 예측 모델 생성 장치.
  13. 제11항에 있어서,
    상기 특징 영역은 상기 분산 분석에 의해 확인되는 상기 피험자 내 변동성이 상기 피험자 간 변동성보다 작은 경우의 연결성에 대응되는 영역이며,
    상기 피험자 내 변동성이 상기 피험자 간 변동성보다 작은 것은 상기 연결성이 미리 설정된 임계값 이하인 경우에 해당하는,
    예측 모델 생성 장치.
KR1020180103803A 2018-08-31 2018-08-31 기능적 연결성을 사용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치 KR102317713B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180103803A KR102317713B1 (ko) 2018-08-31 2018-08-31 기능적 연결성을 사용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180103803A KR102317713B1 (ko) 2018-08-31 2018-08-31 기능적 연결성을 사용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치

Publications (2)

Publication Number Publication Date
KR20200025852A KR20200025852A (ko) 2020-03-10
KR102317713B1 true KR102317713B1 (ko) 2021-10-27

Family

ID=69801126

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180103803A KR102317713B1 (ko) 2018-08-31 2018-08-31 기능적 연결성을 사용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치

Country Status (1)

Country Link
KR (1) KR102317713B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113261940B (zh) * 2021-02-23 2024-03-15 上海市医疗器械检验研究院 一种磁共振图像质量的检测方法及装置
KR102373760B1 (ko) * 2021-07-07 2022-03-15 뉴로핏 주식회사 익명화된 데이터 기반 외부 서버를 이용한 기 설정된 가이드 시스템에 따른 뇌 자극 시뮬레이션 시스템 및 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130231552A1 (en) 2012-03-05 2013-09-05 Siemens Corporation Method and System for Diagnosis of Attention Deficit Hyperactivity Disorder from Magnetic Resonance Images
KR101323318B1 (ko) 2012-09-06 2013-10-29 고려대학교 산학협력단 뇌 기능 훈련을 위한 기능성 자기공명영상 데이터 처리 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100900258B1 (ko) * 2006-08-09 2009-05-29 재단법인서울대학교산학협력재단 사람 지능측정을 위한 신경생물학적 방법
KR101611206B1 (ko) * 2014-04-23 2016-04-26 한양대학교 산학협력단 대뇌피질의 다양한 형태적인 특성을 이용한 인간의 지능예측방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130231552A1 (en) 2012-03-05 2013-09-05 Siemens Corporation Method and System for Diagnosis of Attention Deficit Hyperactivity Disorder from Magnetic Resonance Images
KR101323318B1 (ko) 2012-09-06 2013-10-29 고려대학교 산학협력단 뇌 기능 훈련을 위한 기능성 자기공명영상 데이터 처리 방법

Also Published As

Publication number Publication date
KR20200025852A (ko) 2020-03-10

Similar Documents

Publication Publication Date Title
US9020586B2 (en) Brain activity measuring apparatus, brain activity measuring method, brain activity deducing apparatus, brain activity deducing method, and brain-machine interface apparatus
EP4289351A1 (en) Target determination method and apparatus, electronic device, storage medium, and neuro regulation device
WO2023280086A1 (zh) 靶点确定方法、装置、电子设备、存储介质及神经调控设备
US20240057888A1 (en) Method And System For Determining Brain-State Dependent Functional Areas Of Unitary Pooled Activity And Associated Dynamic Networks With Functional Magnetic Resonance Imaging
CN112839577A (zh) 脑功能连接相关值的调整方法、脑功能连接相关值的调整系统、脑活动分类器的协调方法、脑活动分类器的协调系统以及脑活动生物标记物系统
US20170238879A1 (en) Method of Analyzing the Brain Activity of a Subject
CN110236544B (zh) 基于相关系数的中风灌注成像病变区域检测系统及方法
KR102317713B1 (ko) 기능적 연결성을 사용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치
CN111568412A (zh) 一种利用脑电信号重建视觉图像的方法及装置
CN112561848A (zh) 区域性脑年龄预测的方法、非暂时性电脑可读介质及设备
US11842491B2 (en) Novel, quantitative framework for the diagnostic, prognostic, and therapeutic evaluation of spinal cord diseases
Abreu et al. Optimizing EEG source reconstruction with concurrent fMRI-derived spatial priors
Haweel et al. A review on autism spectrum disorder diagnosis using task-based functional mri
KR102319326B1 (ko) 구조적 자기공명영상을 이용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치
CN111938671A (zh) 一种基于多维度内感知特征的焦虑特质量化方法
CN115337000B (zh) 基于脑结构影像评估疾病引起大脑衰老的机器学习方法
CN112154515A (zh) 神经检查系统
Cai et al. Functional connectome fingerprinting: Identifying individuals and predicting cognitive function via deep learning
Palraj et al. Predicting the abnormality of brain and compute the cognitive power of human using deep learning techniques using functional magnetic resonance images
Nasser et al. fMRI and Artifact computation and Analysis
Zhao et al. Machine learning approaches in comparative studies for Alzheimer’s diagnosis using 2D MRI slices
Shukla et al. Automated Pipeline Preprocessing Techniques for Alzhiemer Disease Detection
Gómez et al. Joint reconstruction of multi-contrast MRI for multiple sclerosis lesion segmentation
Bowring On the reproducibility and interpretability of group-level task-fMRI results
Wu et al. MRGazer: decoding eye gaze points from functional magnetic resonance imaging in individual space

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant