KR102319326B1 - 구조적 자기공명영상을 이용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치 - Google Patents

구조적 자기공명영상을 이용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치 Download PDF

Info

Publication number
KR102319326B1
KR102319326B1 KR1020180103804A KR20180103804A KR102319326B1 KR 102319326 B1 KR102319326 B1 KR 102319326B1 KR 1020180103804 A KR1020180103804 A KR 1020180103804A KR 20180103804 A KR20180103804 A KR 20180103804A KR 102319326 B1 KR102319326 B1 KR 102319326B1
Authority
KR
South Korea
Prior art keywords
subject
variability
subject variability
inter
intra
Prior art date
Application number
KR1020180103804A
Other languages
English (en)
Other versions
KR20200025853A (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 KR1020180103804A priority Critical patent/KR102319326B1/ko
Publication of KR20200025853A publication Critical patent/KR20200025853A/ko
Application granted granted Critical
Publication of KR102319326B1 publication Critical patent/KR102319326B1/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
    • G16H50/20—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Primary Health Care (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Evolutionary Computation (AREA)
  • Radiology & Medical Imaging (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

구조적 자기공명영상을 이용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치가 개시된다.
이 방법은 예측 모델 생성 장치가 구조적 자기공명영상(Magnetic Resonance Imaging, MRI)을 사용하여 예측 모델을 생성하는 방법이다. 먼저, 복수의 피험자별로 복수 회수의 구조적 MRI 스캔을 통해 획득되는 복수의 피험자별 복수의 스캔 데이터를 사용하여 각 피험자별로 해부학적 측정값을 획득하는 구조적 처리를 수행한다. 다음, 상기 복수의 피험자별 각각에 대해 획득되는 해부학적 측정값을 사용하여 피험자 내 변동성(intra-subject variability) 및 피험자 간 변동성(inter-subject variability)을 확인하는 분산 분석(analysis of variance, ANOVA)을 수행한다. 그 후, 상기 피험자 내 변동성 및 피험자 간 변동성에 의해 확인되는 특징 영역에 대해 예측 기계 학습 모델을 사용하여 대응되는 예측 모델을 생성한다.

Description

구조적 자기공명영상을 이용한 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 STRUCTURAL MRI}
본 발명은 구조적 자기공명영상을 이용한 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, 자기공명영상 장치 및 의학 진단 장치 등이 있다. 이 중에서 자기공명영상 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 자기공명영상 장치에서 사용되는 자기공명영상(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) MRI는 뇌를 지나는 혈액을 찍어서 뇌의 능률을 측정하는 데 사용된다.
T1 또는 T2 강조 이미지와 같은 구조적 MRI 데이터는 개인별로 수십만 개의 복셀(voxel)(3D 화소)로 구성된다. 이러한 이미지는 일반적으로 분석시 대뇌 피질의 두께, 부피 및 면적과 같이, 6 가지 측정값을 산출한다. 신경 이미지의 분야에서 심리적 및 인지적 특성의 예측 모델을 생성하는 경우 이러한 대규모 데이터세트에서 관련 기능을 선택하는 능력에 대한 강한 요구가 있다. 현재 연구원과 보건 종사자들은 많은 관련성이 없는 예측 변수를 포함하는 모델을 남겨둔다. 이로 인해 모델의 계산에 비용이 많이 들고, 속도가 느리며 이해하기가 어렵다는 문제가 있다.
Cortechs Labs은 해부학적인 MRI 이미지에서 의학적 결과를 예측하는 데 중점을 둔다. 그들은 우리와 비슷한 방식으로 해부학적 측정을 계산하지만, 결과를 해석하기 위해 의사에게 남겨둔다. 그들은 어떤 종류의 행동 모델링이나 예측도 하지 않는다.
한편, 12 시그마는 일반적으로 의료 이미징의 의료 결과를 예측하는 데 중점을 둔다. 그들의 웹 사이트는 많은 정보를 제공하지는 않지만 머신 비전 기술을 사용하기 때문에 뇌 이미징을 수행하는 것은 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, 심리적 및 인지적 특성의 예측 모델을 단순화하여 이로 인한 모델링이 훨씬 빨라지고 해석이 쉬워질 수 있는 방안이 요구된다.
본 발명이 해결하고자 하는 과제는, 복수의 피험자별 복수의 스캔을 통해 매우 신뢰할 수 있는 측정의 선택을 가능하게 하는 예측 모델 생성 방법 및 그 장치를 제공하는 것이다.
또한, 생성되는 예측 모델의 복잡성을 크게 줄이고 통계력을 향상시킬 수 있으므로, 예측 모델의 성능과 신뢰성을 증가시키는 효과를 갖는 예측 모델 생성 방법 및 그 장치를 제공하는 것이다.
본 발명의 하나의 특징에 따른 예측 모델 생성 방법은,
예측 모델 생성 장치가 구조적 자기공명영상(Magnetic Resonance Imaging, MRI)을 사용하여 예측 모델을 생성하는 방법으로서, 복수의 피험자별로 복수 회수의 구조적 MRI 스캔을 통해 획득되는 복수의 피험자별 복수의 스캔 데이터를 사용하여 각 피험자별로 해부학적 측정값을 획득하는 구조적 처리를 수행하는 단계, 상기 복수의 피험자별 각각에 대해 획득되는 해부학적 측정값을 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 변동성 및 피험자 간 변동성 중 낮은 피험자 내 변동성과 높은 피험자 간 변동성을 갖는 측정값에 대응되는 영역이며, 상기 피험자 내 변동성의 낮음은 미리 설정된 제1 임계값에 의해 결정되고, 상기 피험자 간 변동성의 높음은 미리 설정된 제2 임계값에 의해 결정된다.
또한, 상기 구조적 처리를 수행하는 단계는, 상기 복수의 피험자별 복수의 스캔 데이터를 사용하여 각 피험자별 T1 이미지 및 T2 이미지를 정렬하고, 자기장 비균질성 및 스캐닝 코일의 결함 및 조직(tissue) 경계에 있는 자기장 민감성(susceptibility)을 보정하는 왜곡 보정 단계, 왜곡 보정된 스캔 데이터를 사용하여 비-뇌 조직(non-brain tissue)을 제거하는 뇌 추출 단계, 상기 비-뇌 조직이 제거된 이미지의 강도를 표준화하고, 회색질(grey matter), 백색질(white matter) 및 뇌척수액을 분리하는 강도 표준화 단계, 강도 표준화된 이미지로부터 백색질과 회색질을 각각 해부학적 섹션(section)으로 분할하는 분할 단계, 분할된 데이터를 사용하여 회색질과 백색질 사이의 경계 및 뇌의 가장자리의 표면 모델을 생성하는 표면 모델링 단계, 그리고 상기 표면 모델을 사용하여 상기 해부학적 측정값을 계산하는 측정값 계산 단계를 포함한다.
또한, 상기 측정값 계산 단계는, 상기 표면 모델을 사용하여 내부 및 외부 피질(cortical) 경계의 표면 표현을 생성하는 단계, 뇌의 회색질을 서로 다른 섹션으로 분할하는 단계, 그리고 다양한 피질 및 피질하부(subcortical) 영역에 대한 상기 해부학적 측정값을 계산하는 단계를 포함한다.
또한, 상기 해부학적 측정값은 상기 피질 및 피질하부 영역에 대한 두께, 면적, 부피 및 수초(myelin, 미엘린) 함량을 포함한다.
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 구조적 MRI 스캔을 통해 획득되는 복수의 피험자별 복수의 스캔 데이터를 사용하여 각 피험자별로 해부학적 측정값을 획득하는 구조적 처리부, 상기 복수의 피험자별 각각에 대해 획득되는 해부학적 측정값을 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 변동성 중 미리 설정된 제1 임계값보다 낮은 피험자 내 변동성을 가지며 상기 피험자 간 변동성 중 미리 설정된 제2 임계값보다 높은 피험자 간 변동성을 갖는 측정값에 대응되는 영역을 상기 특징 영역으로 선택한다.
또한, 상기 구조적 처리부는, 상기 복수의 피험자별 복수의 스캔 데이터를 사용하여 각 피험자별 T1 이미지 및 T2 이미지를 정렬하고, 자기장 비균질성 및 스캐닝 코일의 결함 및 조직(tissue) 경계에 있는 자기장 민감성(susceptibility)을 보정하는 왜곡 보정부, 상기 왜곡 보정부에 의해 왜곡 보정된 스캔 데이터를 사용하여 비-뇌 조직(non-brain tissue)을 제거하는 뇌 추출부, 상기 뇌 추출부에 의해 상기 비-뇌 조직이 제거된 이미지의 강도를 표준화하고, 회색질(grey matter), 백색질(white matter) 및 뇌척수액을 분리하는 강도 표준화부, 상기 강도 표준화부에 의해 강도 표준화된 이미지로부터 백색질과 회색질을 각각 해부학적 섹션(section)으로 분할하는 분할부, 상기 분할부에 의해 분할된 데이터를 사용하여 회색질과 백색질 사이의 경계 및 뇌의 가장자리의 표면 모델을 생성하는 표면 모델링부, 그리고 상기 표면 모델링부에 의해 생성된 표면 모델을 사용하여 상기 해부학적 측정값을 계산하는 측정값 계산 단계를 포함한다.
또한, 상기 해부학적 측정값은 상기 피질 및 피질하부 영역에 대한 두께, 면적, 부피 및 수초(myelin) 함량을 포함한다.
본 발명의 또 다른 특징에 따른 예측 모델 생성 장치는,
구조적 자기공명영상(Magnetic Resonance Imaging, MRI)을 사용하여 예측 모델을 생성하는 예측 모델 생성 장치로서, 입력기, 메모리 및 프로세서를 포함하며, 상기 입력기는 복수의 피험자별로 복수 회수의 구조적 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 피험자별로 해부학적 측정값을 획득하는 동작, 상기 복수의 피험자별 각각에 대해 획득되는 해부학적 측정값을 사용하여 피험자 내 변동성(intra-subject variability) 및 피험자 간 변동성(inter-subject variability)을 확인하는 분산 분석을 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 해부학적 측정값을 획득하는 동작은, 상기 복수의 피험자별 복수의 스캔 데이터를 사용하여 각 피험자별 T1 이미지 및 T2 이미지를 정렬하고, 자기장 비균질성 및 스캐닝 코일의 결함 및 조직(tissue) 경계에 있는 자기장 민감성(susceptibility)을 보정하는 동작, 보정된 스캔 데이터를 사용하여 비-뇌 조직(non-brain tissue)을 제거하는 동작, 상기 비-뇌 조직이 제거된 이미지의 강도를 표준화하고, 회색질(grey matter), 백색질(white matter) 및 뇌척수액을 분리하는 동작, 강도 표준화된 이미지로부터 백색질과 회색질을 각각 해부학적 섹션(section)으로 분할하는 동작, 분할된 데이터를 사용하여 회색질과 백색질 사이의 경계 및 뇌의 가장자리의 표면 모델을 생성하는 동작, 그리고 상기 표면 모델을 사용하여 상기 해부학적 측정값을 계산하는 동작을 포함한다.
또한, 상기 특징 영역은 상기 피험자 내 변동성 중 미리 설정된 제1 임계값보다 낮은 피험자 내 변동성을 가지며 상기 피험자 간 변동성 중 미리 설정된 제2 임계값보다 높은 피험자 간 변동성을 갖는 측정값에 대응되는 영역으로 선택된다.
본 발명의 실시예에 따르면, 복수의 피험자별 복수의 스캔을 통해 매우 신뢰할 수 있는 측정의 선택을 가능하게 한다.
또한 피험자 내에서 구조가 안정적으로 측정될 수 있고 피험자 간에 크게 다를 수 있는 뇌 영역을 선택함으로써 생성되는 예측 모델의 복잡성을 크게 줄이고 통계력을 향상시킬 수 있으므로, 예측 모델의 성능과 신뢰성을 증가시키는 효과를 갖는다.
피험자 내 및 피험자 간 변동성에 대한 객관적인 분석을 통해 관련 기능을 선택하면 더 간단하고 신속하며 해석하기 쉬운 모델을 만들 수 있다. 이를 통해 모델 동작을 더 광범위하고 더 깊이 탐구할 수 있으며 더 나은 예측을 생성하는 보다 의미있는 모델을 얻을 수 있다.
도 1은 본 발명의 실시예에 따른 예측 모델 생성 장치의 개략적인 구성도이다.
도 2는 도 1에 도시된 구조적 처리부의 구체적인 구성도이다.
도 3의 (a) 및 (b)는 하나의 피험자에 대해 스캔된 T1 이미지와 T2 이미지의 예를 도시한다.
도 4는 도 2에 도시된 분할부에 의해 도 3의 (a)의 T1 이미지 상단에 피질이 흰색으로 강조된 예를 도시한 도면이다.
도 5는 도 3에 도시된 이미지를 사용하여 수초 함량이 표시된 피질을 도시한 도면이다.
도 6은 도 5의 이미지에서 피질의 수초 함량의 맨 위에 흰색으로 표시된 피질 영역이 도시되어 있다.
도 7은 본 발명의 실시예에 따른 예측 모델 생성 방법의 개략적인 흐름도이다.
도 8은 본 발명의 실시예에 따른 예측 모델 생성 개념을 개략적으로 도시한 도면이다.
도 9는 본 발명의 실시예에 따른 예측 모델 생성 방법에서 2개의 피험자를 사용한 피험자 내 변동성 및 피험자 간 변동성 예를 도시한 도면이다.
도 10은 단일 ROI에 대한 하나의 특정 부피 측정, 특히 하두정엽에 대해 2개의 다른 피험자의 6회 스캔 사이의 값을 비교한 것을 나타낸 도면이다.
도 11은 본 발명의 실시예에 따른 예측 모델 생성 방법 중 피험자별 구조체 처리 과정의 구체적인 흐름도이다.
도 12는 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.
본 발명에서, 피험자 내(intra subject) 및 피험자 간(inter subjects) 변동성(variability)의 사용으로 인해 심리적 및 인지적 특성의 모델을 생성하는 경우 MRI로부터 해부학적 처치의 선택을 알 수 있다. 구체적으로, 개인 내에서 구조가 안정적으로 측정될 수 있고 개인 간에 크게 다를 수 있는 뇌 영역을 선택함으로써 그러한 모델의 복잡성을 크게 줄이고 통계력을 향상시킬 수 있다. 즉, 간단하고 객관적인 수단에 의해 관련 특징을 선택할 수 있으므로, 더 간단한 모델을 구성할 수 있으며, 이로 인해, 해석하기 더 쉽고, 실행 속도가 더 빨라지며, 유효성이 더 높고, 신뢰성이 더 높으며, 통계력이 뛰어난 모델이 될 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), 구조적 처리부(120), 분산 분석부(130), 특징 선택부(140) 및 기계 학습 모델링부(150)를 포함한다.
본 발명의 실시예에서는 많은 서로 다른 피험자들별로 복수의 T1 및 T2 가중 MRI 스캔을 수행하여 획득되는 각 피험자별 복수의 스캔 데이터를 사용하여 예측 모델 생성을 수행하는 것이 가정된다.
입력부(110)는 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 구조적 MRI(도시되지 않음)에 직접 또는 네트워크를 통해 연결되어 구조적 MRI를 통해 각 피험자별로 스캔되는 데이터를 직접 구조적 MRI로부터 입력받거나, 또는 저장 매체 등을 통해 복수의 피험자별 스캔 데이터를 입력받을 수 있다.
구조적 처리부(120)는 입력부(110)를 통해 입력된 복수의 피험자별 복수의 스캔 데이터를 사용하여 각 피험자별로 다양한 해부학적 측정값을 획득한다. 이러한 다양한 해부학적 측정값은 다양한 피질(cortical) 및 피질하부(subcortical) 영역에 대한 두께, 면적, 부피 및 수초(myelin, 미엘린) 함량과 같은 측정값일 수 있다. 구조적 처리부(120)에 대해서는 추후 구체적으로 설명된다.
분산 분석부(130)는 구조적 처리부(120)에서 각 피험자별로 측정된 측정값을 사용하여 분산 분석(analysis of variance, ANOVA)을 수행하여 피험자별 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. 여기서, 분산 분석부(130)는 구조적 처리부(120)에서 측정되는 모든 측정값에 대해 분산 분석 테스트를 통해 복수의 피험자의 복수의 스캔을 비교한다. 즉, 분산 분석부(130)는 각 측정 및 각 영역에 대해, 단일 피험자의 스캔을 통한 측정의 변동성이 서로 다른 피험자의 스캔을 통한 측정의 변동성보다 더 큰 지의 여부를 테스트할 수 있다. 이와 같이, 분산 분석부(130)는 단일 피험자의 복수의 스캔을 통해 특성이 가변적인 영역을 식별할 수 있다.
특징 선택부(140)는 분산 분석부(130)에서의 분석 결과를 사용하여 예측 모델 생성에 사용될 특징 영역을 선택한다. 구체적으로, 특징 선택부(140)는 피험자들 내에서의 낮은 변동성과 피험자들 사이의 높은 변동성을 갖는 측정값을 선택한다. 즉, 특징 선택부(140)에 의한 피험자 내 변동성이 낮고 피험자 간 변동성이 높은 측정값의 선택은 피험자 내에서의 구조가 안정적으로 측정되고 피험자 간에 크게 다를 수 있는 뇌 영역의 선택에 해당된다. 여기서, 특징 영역으로 선택되기 위한 피험자 내 변동성의 낮음은 미리 설정된 제1 임계값에 의해 결정되고, 피험자 간 변동성의 높음은 미리 설정된 제2 임계값에 의해 결정되며, 이러한 제1 임계값 및 제2 임계값은 많은 수의 실험과 연구를 통해 결정될 수 있다.
기계 학습 모델링부(150)는 특징 선택부(140)에서 선택된 측정값에 예측 기계 학습 모델을 사용하여 대응되는 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 측정값에 대한 기계 학습을 수행하여 예측 모델을 생성하는 기술에 대해서는 이미 잘 알려져 있으므로 여기에서는 상세한 설명을 생략한다.
이와 같이, 본 발명의 실시예에 따르면, 복수의 피험자별 복수의 스캔을 통해 매우 신뢰할 수 있는 측정의 선택을 가능하게 하고, 또한 피험자 내에서 구조가 안정적으로 측정될 수 있고 피험자 간에 크게 다를 수 있는 뇌 영역을 선택함으로써 생성되는 예측 모델의 복잡성을 크게 줄이고 통계력을 향상시킬 수 있으므로, 예측 모델의 성능과 신뢰성을 증가시키는 효과를 갖는다.
도 2는 도 1에 도시된 구조적 처리부(120)의 구체적인 구성도이다.
도 2에 도시된 바와 같이, 구조적 처리부(120)는 왜곡 보정부(121), 뇌 추출부(122), 강도 표준화부(123), 분할부(124), 표면 모델링부(125) 및 측정값 계산부(126)를 포함한다.
왜곡 보정부(121)는 입력부(110)로부터 입력되는 스캔 데이터를 사용하여 각 피험자별 T1 및 T2 이미지를 정렬하고, 자기장 비균질성 및 스캐닝 코일의 결함 및 조직(tissue) 경계에 있는 자기장 민감성(susceptibility)을 보정한다. 도 3의 (a) 및 (b)는 하나의 피험자에 대해 스캔된 T1 이미지와 T2 이미지의 예를 도시한다.
뇌 추출부(122)는 왜곡 보정부(121)에 의해 왜곡 보정된 스캔 데이터를 사용하여 목, 입, 수막, 두개골과 같은 비-뇌 조직(non-brain tissue)을 제거한다.
강도 표준화부(123)는 뇌 추출부(122)에서 비-뇌 조직이 제거된 이미지의 강도를 표준화하고, 회색질(grey matter), 백색질(white matter) 및 뇌척수액을 분리한다.
분할부(124)는 강도 표준화부(123)에 의해 강도 표준화된 이미지로부터 백색질과 회색질을 각각 소정의 해부학적 섹션(section)으로 분할한다. 여기서, 백색질과 회색질의 분할에 사용되는 해부학적 섹션은 이미 잘 알려져 있으므로 여기에서는 구체적인 설명을 생략한다. 또한, 도 4는 분할부(124)에 의해 도 3의 (a)의 T1 이미지 상단에 피질이 흰색으로 강조된 예를 도시한 도면이다.
표면 모델링부(125)는 분할부(124)에 의해 분할된 결과 데이터를 사용하여 회색질과 백색질 사이의 경계 및 뇌의 가장자리(내부와 외부의 피질 경계)의 표면 모델을 생성한다.
측정값 계산부(126)는 표면 모델링부(125)에 의해 생성되는 표면 모델을 사용하여, 내부 및 외부 피질 경계의 표면 표현을 생성하고, 뇌의 회색질(피질 및 피질하부)을 서로 다른 섹션으로 분할한 후, 다양한 피질(cortical) 및 피질하부(subcortical) 영역에 대한 두께, 면적, 부피 및 수초(myelin) 함량과 같은 측정값을 계산한다.
이하, 도면을 참조하여 피험자의 스캔 이미지 중 특정 영역에 대한 수초 함량을 계산하는 예에 대해 설명한다.
먼저, 도 3에 도시된 T1 이미지의 상단에 피질이 흰색으로 강조 표시된 것이 도 4에 도시되어 있다.
도 4에 도시된 T1 이미지를 사용하여 도 5에 도시된 바와 같이 수초 함량이 표시된 피질을 나타내는 T1 이미지를 얻을 수 있다. 도 5에서 표시된 수초 함량은, T1 및 T2 이미지에서 피질만을 유지하고, 피질의 결과 T1 이미지를 피질의 결과 T2 이미지로 분할하며, 각 복셀에서 결과의 자연 로그를 계산함으로써 계산된다. 도 5에서 황색 복셀에는 수초가 많고 적색 복셀에는 적다.
도 6은 도 5의 이미지에서 피질의 수초 함량의 맨 위에 흰색으로 표시된 피질 영역이 도시되어 있다. 이러한 이미지를 통해 각 영역에서 평균 수초 함량 값이 계산될 수 있다.
이하, 도면을 참조하여 본 발명의 실시예에 따른 예측 모델 생성 방법에 대해 설명한다.
도 7은 본 발명의 실시예에 따른 예측 모델 생성 방법의 개략적인 흐름도이고, 도 8은 본 발명의 실시예에 따른 예측 모델 생성 개념을 개략적으로 도시한 도면이다. 도 7에서의 예측 모델 생성 방법은 도 1 및 도 2를 참조하여 설명한 예측 모델 생성 장치에 의해 수행될 수 있다.
도 7 및 도 8을 참조하면, 먼저, 복수의 피험자별 복수의 스캔 데이터를 입력받는다(S100). 예를 들어, 도 8에서와 같이, 복수의 피험자, 즉 피험자1, …, 피험자n별로 피험자 내 변동성에 대한 정보를 획득하기 위해 적어도 두 번의 스캔을 통해 획득되는 두 번의 스캔 데이터가 사용된다.
다음, 복수의 피험자별 복수의 스캔 데이터를 사용하여 피험자별 구조체 처리를 수행하여 각 피험자별로 다양한 해부학적 측정값이 획득된다(S110). 여기서 다양한 해부학적 측정값은 다양한 피질(cortical) 및 피질하부(subcortical) 영역에 대한 두께, 면적, 부피 및 수초 함량과 같은 측정값일 수 있다. 구조적 처리에 대해서는 추후 구체적으로 설명된다.
다음, 상기 단계(S110)의 구조적 처리가 모든 피험자에 대해 완료되었는지가 판단되고(S120), 만일 구조적 처리가 수행되지 않은 피험자가 남아 있다면 해당 피험자에 대해 상기 단계(S110)가 반복 수행된다. 즉, 모든 피험자에 대해 상기 단계(S110)의 구조적 처리가 수행되어야 한다.
그 후, 모든 피험자별로 측정된 측정값을 사용하여 분산 분석을 수행하여 피험자별로 피험자 내 변동성과 피험자 간 변동성이 확인된다(S130). 이 단계에서, 각 측정 및 각 영역에 대해, 단일 피험자의 스캔을 통한 측정의 변동성이 서로 다른 피험자의 스캔을 통한 측정의 변동성보다 더 큰 지의 여부가 확인될 수 있다. 도 8에 도시된 바와 같이, 복수의 피험자, 즉 피험자1, …, 피험자n별로 구조적 처리가 수행된 각 측정값 모두를 사용하여 분산 분석이 수행된다.
첨부된 도 9를 참조하면, 하나의 특정 부피 측정에 대해 2개의 서로 다른 피험자(subject)(4, 7)에 대해 각각 2회의 스캔(4-1, 4-2, 7-1, 7-3)이 수행된 후 상기한 바와 같은 분산 분석을 통해 확인되는 피험자 내 변동성 및 피험자 간 변동성이 도시되어 있다. 도 9에서 각 점은 일부 관심 영역(region of interest, ROI)에 대한 값을 나타낸다. 도 9를 참조하면, 동일한 피험자의 스캔 사이의 산란이 다른 피험자의 스캔의 산란보다 훨씬 낮은 것을 알 수 있다. 이것은 예측 모델링에 사용될 측정의 예가 된다.
도 10은 단일 ROI에 대한 하나의 특정 부피 측정, 특히 하두정엽(inferior-parietal) ROI의 부피)에 대해 2개의 다른 피험자(4, 7)의 6회 스캔 사이의 값을 비교한 것을 나타낸 도면이다. 도 10에서, 점들로 구성된 2개의 뚜렷한 군집은 변동성 확인 결과, 낮은 피험자 내 변동성과 높은 피험자 간 변동성을 나타냄을 알 수 있다.
다음, 상기 단계(S130)에서의 분산 분석 결과를 사용하여 예측 모델 생성에 사용될 특징 영역이 선택된다(S140). 구체적으로, 피험자들 내에서의 낮은 변동성과 피험자들 사이의 높은 변동성을 갖는 측정값이 선택된다.
마지막으로, 상기 단계(S140)에서 선택된 측정값에 예측 기계 학습 모델을 사용하여 대응되는 예측 모델이 생성된다(S150). 전술한 바와 같이, 예측 기계 학습 모델은 지원 벡터 머신, 지원 벡터 회귀 모델 등일 수 있다.
다음, 도 11은 본 발명의 실시예에 따른 예측 모델 생성 방법 중 피험자별 구조체 처리 과정의 구체적인 흐름도이다.
도 11을 참조하면, 먼저, 입력된 복수의 피험자별 복수의 스캔 데이터를 사용하여 각 피험자별 T1 및 T2 이미지를 정렬하고, 자기장 비균질성 및 스캐닝 코일의 결함 및 조직(tissue) 경계에 있는 자기장 민감성(susceptibility)을 보정하는 왜곡 보정 과정이 수행된다(S111).
다음, 왜곡 보정된 스캔 데이터를 사용하여 목, 입, 수막, 두개골과 같은 비-뇌 조직(non-brain tissue)을 제거하는 뇌 추출 과정이 수행된다(S112).
그 후, 비-뇌 조직이 제거된 이미지의 강도를 표준화하고, 회색질(grey matter), 백색질(white matter) 및 뇌척수액을 분리하는 강도 표준화 과정이 수행된다(S113).
다음, 강도 표준화된 이미지로부터 백색질과 회색질을 각각 소정의 해부학적 섹션(section)으로 분할하는 분할 과정이 수행된다(S114).
계속해서, 분할된 결과 데이터를 사용하여 회색질과 백색질 사이의 경계 및 뇌의 가장자리(내부와 외부의 피질 경계)의 표면 모델을 생성하는 표면 모델링 과정이 수행된다(S115).
마지막으로, 표면 모델을 사용하여, 내부 및 외부 피질 경계의 표면 표현을 생성하고, 뇌의 회색질(피질 및 피질하부)을 서로 다른 섹션으로 분할한 후, 다양한 피질(cortical) 및 피질하부(subcortical) 영역에 대한 두께, 면적, 부피 및 수초(myelin) 함량과 같은 측정값을 계산하는 측정값 계산 과정이 수행된다(S116).
다음, 본 발명의 다른 실시예에 따른 예측 모델 생성 장치에 대해 설명한다.
도 12는 본 발명의 다른 실시예에 따른 예측 모델 생성 장치의 개략적인 구성 블록도이다.
도 12를 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 구조적 MRI를 사용하여 서로 다른 피험자별로 복수의 T1 및 T2 가중 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 데이터를 사용하여 피험자별 구조체 처리를 수행하여 각 피험자별로 다양한 해부학적 측정값을 획득하는 동작, 복수의 피험자별로 측정된 측정값을 사용하여 분산 분석을 수행하여 피험자별로 피험자 내 변동성과 피험자 간 변동성을 확인하는 동작, 분산 분석 결과를 사용하여 예측 모델 생성에 사용될 특징 영역을 선택하는 동작, 선택된 특정 영역의 측정값에 대해 예측 기계 학습 모델링을 수행하여 대응되는 예측 모델을 생성하는 동작 등을 포함한다.
상기한 복수의 피험자별 복수의 스캔 데이터를 사용하여 피험자별 구조체 처리를 수행하여 각 피험자별로 다양한 해부학적 측정값을 획득하는 동작은, 입력된 복수의 피험자별 복수의 스캔 데이터를 사용하여 각 피험자별 T1 및 T2 이미지를 정렬하고, 자기장 비균질성 및 스캐닝 코일의 결함 및 조직(tissue) 경계에 있는 자기장 민감성(susceptibility)을 보정하는 왜곡 보정 동작, 왜곡 보정된 스캔 데이터를 사용하여 목, 입, 수막, 두개골과 같은 비-뇌 조직(non-brain tissue)을 제거하는 뇌 추출 동작, 비-뇌 조직이 제거된 이미지의 강도를 표준화하고, 회색질(grey matter), 백색질(white matter) 및 뇌척수액을 분리하는 강도 표준화 동작, 강도 표준화된 이미지로부터 백색질과 회색질을 각각 소정의 해부학적 섹션(section)으로 분할하는 분할 동작, 분할된 결과 데이터를 사용하여 회색질과 백색질 사이의 경계 및 뇌의 가장자리(내부와 외부의 피질 경계)의 표면 모델을 생성하는 표면 모델링 동작, 표면 모델을 사용하여, 내부 및 외부 피질 경계의 표면 표현을 생성하고, 뇌의 회색질(피질 및 피질하부)을 서로 다른 섹션으로 분할한 후, 다양한 피질(cortical) 및 피질하부(subcortical) 영역에 대한 두께, 면적, 부피 및 수초(myelin) 함량과 같은 측정값을 계산하는 측정값 계산 동작을 포함한다.
여기서, 상기한 특징 영역은 피험자들 내에서의 변동성이 미리 설정된 제1 임계값보다 낮고 피험자들 사이의 변동성이 미리 설정된 제2 임계값보다 높은 측정값에 해당하는 영역이다.
본 발명에서, 피험자 내 및 피험자 간 변동성에 대한 객관적인 분석을 통해 관련 기능을 선택하면 더 간단하고 신속하며 해석하기 쉬운 모델을 만들 수 있다. 이를 통해 모델 동작을 더 광범위하고 더 깊이 탐구할 수 있으며 더 나은 예측을 생성하는 보다 의미있는 모델을 얻을 수 있다.
본 발명은 많은 분야에서 응용될 수 있다. 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 진단하고 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.
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 구조적 자기공명영상(Magnetic Resonance Imaging, MRI)을 사용하여 예측 모델을 생성하는 방법으로서,
    복수의 피험자별로 복수 회수의 구조적 MRI 스캔을 통해 획득되는 복수의 피험자별 복수의 스캔 데이터를 사용하여 각 피험자별로 해부학적 측정값을 획득하는 구조적 처리를 수행하는 단계,
    상기 복수의 피험자별 각각에 대해 획득되는 해부학적 측정값을 사용하여 피험자 내 변동성(intra-subject variability) ― 상기 피험자 내 변동성은 단일 피험자에 대한 서로 다른 구조적 MRI 스캔에 따른 변동성임 ― 및 피험자 간 변동성(inter-subject variability) ― 상기 피험자 간 변동성은 서로 다른 피험자별로 서로 다른 구조적 MRI 스캔에 따른 변동성임 ―을 확인하는 분산 분석(analysis of variance, ANOVA)을 수행하는 단계, 그리고
    상기 분산 분석에 의해 확인되는 상기 피험자 내 변동성 및 피험자 간 변동성 중 낮은 피험자 내 변동성과 높은 피험자 간 변동성을 갖는 측정값에 대응되는 영역을 상기 피험자 내 변동성 및 피험자 간 변동성에 의해 확인되는 특징 영역으로 설정하는 단계 ― 상기 피험자 내 변동성의 낮음은 미리 설정된 제1 임계값에 의해 결정되고, 상기 피험자 간 변동성의 높음은 미리 설정된 제2 임계값에 의해 결정됨 ―
    를 포함하는 예측 모델 생성 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 구조적 처리를 수행하는 단계는,
    상기 복수의 피험자별 복수의 스캔 데이터를 사용하여 각 피험자별 T1 이미지 및 T2 이미지를 정렬하고, 자기장 비균질성 및 스캐닝 코일의 결함 및 조직(tissue) 경계에 있는 자기장 민감성(susceptibility)을 보정하는 왜곡 보정 단계,
    왜곡 보정된 스캔 데이터를 사용하여 비-뇌 조직(non-brain tissue)을 제거하는 뇌 추출 단계,
    상기 비-뇌 조직이 제거된 이미지의 강도를 표준화하고, 회색질(grey matter), 백색질(white matter) 및 뇌척수액을 분리하는 강도 표준화 단계,
    강도 표준화된 이미지로부터 백색질과 회색질을 각각 해부학적 섹션(section)으로 분할하는 분할 단계,
    분할된 데이터를 사용하여 회색질과 백색질 사이의 경계 및 뇌의 가장자리(내부와 외부의 피질 경계)에 대한 표면 모델을 생성하는 표면 모델링 단계, 그리고
    상기 표면 모델을 사용하여 상기 해부학적 측정값을 계산하는 측정값 계산 단계
    를 포함하는, 예측 모델 생성 방법.
  4. 제3항에 있어서,
    상기 측정값 계산 단계는,
    상기 표면 모델을 사용하여 뇌의 가장자리(내부 및 외부 피질(cortical) 경계)에 대한 표면 표현을 생성하는 단계,
    뇌의 회색질을 피질 및 피질하부 영역으로 분할하는 단계, 그리고
    분할된 피질 및 피질하부(subcortical) 영역에 대한 상기 해부학적 측정값을 계산하는 단계
    를 포함하는, 예측 모델 생성 방법.
  5. 제4항에 있어서,
    상기 해부학적 측정값은 상기 피질 및 피질하부 영역에 대한 두께, 면적, 부피 및 수초(myelin) 함량을 포함하는,
    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 구조적 MRI 스캔을 통해 획득되는 복수의 피험자별 복수의 스캔 데이터를 사용하여 각 피험자별로 해부학적 측정값을 획득하는 구조적 처리부,
    상기 복수의 피험자별 각각에 대해 획득되는 해부학적 측정값을 사용하여 피험자 내 변동성(intra-subject variability) ― 상기 피험자 내 변동성은 단일 피험자에 대한 서로 다른 구조적 MRI 스캔에 따른 변동성임 ― 및 피험자 간 변동성(inter-subject variability) ― 상기 피험자 간 변동성은 서로 다른 피험자별로 서로 다른 구조적 MRI 스캔에 따른 변동성임 ―을 확인하는 분산 분석을 수행하는 분산 분석부, 그리고
    상기 피험자 내 변동성 중 미리 설정된 제1 임계값보다 낮은 피험자 내 변동성을 가지며 상기 피험자 간 변동성 중 미리 설정된 제2 임계값보다 높은 피험자 간 변동성을 갖는 해부학적 측정값에 대응되는 영역을 상기 피험자 내 변동성 및 피험자 간 변동성에 의해 확인되는 특징 영역으로 설정하는 특징 선택부
    를 포함하는, 예측 모델 생성 장치.
  8. 삭제
  9. 제7항에 있어서,
    상기 구조적 처리부는,
    상기 복수의 피험자별 복수의 스캔 데이터를 사용하여 각 피험자별 T1 이미지 및 T2 이미지를 정렬하고, 자기장 비균질성 및 스캐닝 코일의 결함 및 조직(tissue) 경계에 있는 자기장 민감성(susceptibility)을 보정하는 왜곡 보정부,
    상기 왜곡 보정부에 의해 왜곡 보정된 스캔 데이터를 사용하여 비-뇌 조직(non-brain tissue)을 제거하는 뇌 추출부,
    상기 뇌 추출부에 의해 상기 비-뇌 조직이 제거된 이미지의 강도를 표준화하고, 회색질(grey matter), 백색질(white matter) 및 뇌척수액을 분리하는 강도 표준화부,
    상기 강도 표준화부에 의해 강도 표준화된 이미지로부터 백색질과 회색질을 각각 해부학적 섹션(section)으로 분할하는 분할부,
    상기 분할부에 의해 분할된 데이터를 사용하여 회색질과 백색질 사이의 경계 및 뇌의 가장자리(내부와 외부의 피질 경계)에 대한 표면 모델을 생성하는 표면 모델링부, 그리고
    상기 표면 모델링부에 의해 생성된 표면 모델을 사용하여 상기 해부학적 측정값을 계산하는 측정값 계산 단계
    를 포함하는, 예측 모델 생성 장치.
  10. 제7항에 있어서,
    상기 해부학적 측정값은 피질 및 피질하부 영역에 대한 두께, 면적, 부피 및 수초(myelin) 함량을 포함하는,
    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,
    입력기, 메모리 및 프로세서를 포함하며,
    상기 입력기는 복수의 피험자별로 복수 회수의 구조적 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 피험자별로 해부학적 측정값을 획득하는 동작,
    상기 복수의 피험자별 각각에 대해 획득되는 해부학적 측정값을 사용하여 피험자 내 변동성(intra-subject variability) ― 상기 피험자 내 변동성은 단일 피험자에 대한 서로 다른 구조적 MRI 스캔에 따른 변동성임 ― 및 피험자 간 변동성(inter-subject variability) ― 상기 피험자 간 변동성은 서로 다른 피험자별로 서로 다른 구조적 MRI 스캔에 따른 변동성임 -을 확인하는 분산 분석을 수행하는 동작, 그리고
    상기 피험자 내 변동성 중 미리 설정된 제1 임계값보다 낮은 피험자 내 변동성을 가지며 상기 피험자 간 변동성 중 미리 설정된 제2 임계값보다 높은 피험자 간 변동성을 갖는 해부학적 측정값에 대응되는 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 해부학적 측정값을 획득하는 동작은,
    상기 복수의 피험자별 복수의 스캔 데이터를 사용하여 각 피험자별 T1 이미지 및 T2 이미지를 정렬하고, 자기장 비균질성 및 스캐닝 코일의 결함 및 조직(tissue) 경계에 있는 자기장 민감성(susceptibility)을 보정하는 동작,
    보정된 스캔 데이터를 사용하여 비-뇌 조직(non-brain tissue)을 제거하는 동작,
    상기 비-뇌 조직이 제거된 이미지의 강도를 표준화하고, 회색질(grey matter), 백색질(white matter) 및 뇌척수액을 분리하는 동작,
    강도 표준화된 이미지로부터 백색질과 회색질을 각각 해부학적 섹션(section)으로 분할하는 동작,
    분할된 데이터를 사용하여 회색질과 백색질 사이의 경계 및 뇌의 가장자리(내부와 외부의 피질 경계)에 대한 표면 모델을 생성하는 동작, 그리고
    상기 표면 모델을 사용하여 상기 해부학적 측정값을 계산하는 동작
    을 포함하는, 예측 모델 생성 장치.
  13. 삭제
KR1020180103804A 2018-08-31 2018-08-31 구조적 자기공명영상을 이용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치 KR102319326B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180103804A KR102319326B1 (ko) 2018-08-31 2018-08-31 구조적 자기공명영상을 이용한 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
KR1020180103804A KR102319326B1 (ko) 2018-08-31 2018-08-31 구조적 자기공명영상을 이용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치

Publications (2)

Publication Number Publication Date
KR20200025853A KR20200025853A (ko) 2020-03-10
KR102319326B1 true KR102319326B1 (ko) 2021-10-29

Family

ID=69801136

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180103804A KR102319326B1 (ko) 2018-08-31 2018-08-31 구조적 자기공명영상을 이용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치

Country Status (1)

Country Link
KR (1) KR102319326B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102654738B1 (ko) 2022-05-30 2024-04-04 전북대학교병원 자기공명영상을 이용한 뇌 연령 측정 시스템 및 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150045651A1 (en) 2012-03-21 2015-02-12 The Johns Hopkins University Method of analyzing multi-sequence mri data for analysing brain abnormalities in a subject
KR101740464B1 (ko) 2016-10-20 2017-06-08 (주)제이엘케이인스펙션 뇌졸중 진단 및 예후 예측 방법 및 시스템
KR101754291B1 (ko) 2017-04-04 2017-07-06 이현섭 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101611206B1 (ko) * 2014-04-23 2016-04-26 한양대학교 산학협력단 대뇌피질의 다양한 형태적인 특성을 이용한 인간의 지능예측방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150045651A1 (en) 2012-03-21 2015-02-12 The Johns Hopkins University Method of analyzing multi-sequence mri data for analysing brain abnormalities in a subject
KR101740464B1 (ko) 2016-10-20 2017-06-08 (주)제이엘케이인스펙션 뇌졸중 진단 및 예후 예측 방법 및 시스템
KR101754291B1 (ko) 2017-04-04 2017-07-06 이현섭 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법

Also Published As

Publication number Publication date
KR20200025853A (ko) 2020-03-10

Similar Documents

Publication Publication Date Title
EP3612981B1 (en) Target detection in latent space
Lei et al. Self-calibrated brain network estimation and joint non-convex multi-task learning for identification of early Alzheimer's disease
Kazemi et al. A deep learning pipeline to classify different stages of Alzheimer's disease from fMRI data
KR102125127B1 (ko) 딥러닝 기반 뇌 질환 진단 방법
CN109997200A (zh) 脑中风诊断以及预后预测方法及系统
WO2020075737A1 (ja) 脳機能結合相関値の調整方法、脳機能結合相関値の調整システム、脳活動分類器のハーモナイズ方法、脳活動分類器のハーモナイズシステム、及び脳活動バイオマーカシステム
JP7247159B2 (ja) 脳活動分類器のハーモナイズシステム、及び脳活動分類器プログラム
WO2007023522A1 (ja) 脳疾患の診断支援方法及び装置
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
US20240127447A1 (en) Quantitative framework for the diagnostic, prognostic, and therapeutic evaluation of spinal cord diseases
JP2005230456A (ja) 脳疾患の診断支援方法及び装置
KR102317713B1 (ko) 기능적 연결성을 사용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치
KR102319326B1 (ko) 구조적 자기공명영상을 이용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치
Winzeck Methods for Data Management in Multi-Centre MRI Studies and Applications to Traumatic Brain Injury
Wang et al. Semi-automatic segmentation of the fetal brain from magnetic resonance imaging
Palraj et al. Predicting the abnormality of brain and compute the cognitive power of human using deep learning techniques using functional magnetic resonance images
CN112154515A (zh) 神经检查系统
Wang et al. Voxel-based discriminant map classification on brain ventricles for Alzheimer's disease
Shukla et al. Automated Pipeline Preprocessing Techniques for Alzhiemer Disease Detection
Martins Unsupervised brain anomaly detection in MR images
Ding et al. Medical Image Quality Assessment
Karthika et al. Using a recurrent neural network with S 2 characteristics, efficient identification of localised cortical dysplasia
Förster et al. Towards robust and generalizable super-resolution generative adversarial networks for magnetic resonance neuroimaging: a cross-population approach
Goebel Statistical Analysis and Modeling of Functional MRI Data
DiGregorio Brain Extraction of Neurological FLAIR MRI for Multicenter, Multi-Disease Datasets

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant