KR102373758B1 - 인공지능 모델을 활용한 최적의 자극 위치 산출 방법, 서버 및 컴퓨터프로그램 - Google Patents

인공지능 모델을 활용한 최적의 자극 위치 산출 방법, 서버 및 컴퓨터프로그램 Download PDF

Info

Publication number
KR102373758B1
KR102373758B1 KR1020210089050A KR20210089050A KR102373758B1 KR 102373758 B1 KR102373758 B1 KR 102373758B1 KR 1020210089050 A KR1020210089050 A KR 1020210089050A KR 20210089050 A KR20210089050 A KR 20210089050A KR 102373758 B1 KR102373758 B1 KR 102373758B1
Authority
KR
South Korea
Prior art keywords
model
coordinate data
spherical
optimal
head
Prior art date
Application number
KR1020210089050A
Other languages
English (en)
Inventor
김동현
고봉석
Original Assignee
뉴로핏 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 뉴로핏 주식회사 filed Critical 뉴로핏 주식회사
Priority to KR1020210089050A priority Critical patent/KR102373758B1/ko
Priority to PCT/KR2021/018145 priority patent/WO2023282405A1/ko
Priority to US17/677,884 priority patent/US20230009109A1/en
Application granted granted Critical
Publication of KR102373758B1 publication Critical patent/KR102373758B1/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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • 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
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/02—Details
    • A61N1/04—Electrodes
    • A61N1/0404—Electrodes for external use
    • A61N1/0408—Use-related aspects
    • A61N1/0456—Specially adapted for transcutaneous electrical nerve stimulation [TENS]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/02—Details
    • A61N1/08—Arrangements or circuits for monitoring, protecting, controlling or indicating
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/20—Applying electric currents by contact electrodes continuous direct currents
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Epidemiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Computing Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Urology & Nephrology (AREA)
  • Neurology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Quality & Reliability (AREA)
  • Human Computer Interaction (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)

Abstract

인공지능 모델을 활용한 최적의 자극 위치 산출 방법, 서버 및 컴퓨터프로그램이 제공된다. 본 발명의 다양한 실시예에 따른 인공지능 모델을 활용한 최적의 자극 위치 산출 방법은, 컴퓨팅 장치에 의해 수행되는 방법에 있어서, 사용자 진단 정보에 기초하여 두상 모델을 생성하는 단계, 상기 두상 모델에 기초하여 구면 모델을 생성하는 단계, 상기 구면 모델에 관련한 복수의 구면 좌표 데이터 각각에 대응하는 복수의 전사 좌표 데이터를 식별하는 단계 및 상기 복수의 전사 좌표 데이터를 최적 위치 결정 모델의 입력으로 처리하여 최적 자극 위치 정보를 획득하는 단계를 포함하며, 상기 복수의 전사 좌표 데이터는, 상기 두상 모델 상에 표현 가능한 직교 좌표에 관련한 데이터인 것을 특징으로 할 수 있다.

Description

인공지능 모델을 활용한 최적의 자극 위치 산출 방법, 서버 및 컴퓨터프로그램{METHOD, SERVER AND COMPUTER PROGRAM FOR CALCULATING THE OPTIMAL STIMULUS POSITION USING ARTIFICIAL INTELLIGENCE MODEL}
본 발명의 다양한 실시예는 인공지능 모델을 활용한 최적의 자극 위치 산출 방법, 서버 및 컴퓨터프로그램에 관한 것이다.
오늘날, 질환 치료를 위해 다양한 뇌자극 술이 활용되고 있으며, 특히, 뇌 안에 직접 전기신호를 가하여 질환을 치료하는 침습 두뇌자극술(invasive brain stimulation)이 많이 이용되고 있다. 예를 들어, 파킨슨 병의 손떨림과 같은 신경증상을 치료하기 위하여 심부뇌자극술(DBS: Deep Brain Stimulation)과 같은 침습 두뇌자극술이 활용되고 있다.
이러한 침습 두뇌자극술을 위해서는 전극을 뇌에 삽입하는 수술과정이 필요하므로, 이해득실을 따져 환자가 고통받는 수준이 크고 고통이 경감되는 효과가 분명하다 판단될 때 한하여 시행되는 것이 바람직하다.
한편, 비용과 위험이 큰 침습 두뇌자극술과 다르게 비용이 덜 들고 위험이 적은 비침습 두뇌자극술이 최근 들어 각광을 받고 있다.
비침습 두뇌자극술은 수술처럼 신경 조직에 상처를 내는 시술이 필요하지 않아, 향상된 안정성을 담보하며, 입원이 필요치 않다는 장점이 있다. 또한, 비침습 두뇌자극술은 비교적 짧은 시간 이루어지는 단회성 치료 시술을 수십 회 반복하여 충분한 뇌 자극을 인가하는 것이므로, 항상 지니고 다니거나 관리해야 하는 장치가 없다는 것도 큰 장점이다. 이러한 비침습 두뇌자극술로는, 대표적인 예를 들어, 경두개 자기자극술(TMS, Transcranial Magnetic Stimulation) 및 경두개 직류자극술(tDCS, Transcranial DC stimulation) 등이 있다. 이러한 비침습 두뇌자극술은 뇌신경세포의 활성도를 증진시키거나 억제시킬 수 있는 기능을 가지고 있어, 뇌졸중 등 뇌질환의 재활치료 뿐만 아니라, 우울증, 간질, 치매, 파킨슨, 틱장애, 이명, 중독증, 만성통증, 불안장애, 수면장애 등 많은 뇌 신경질환에 효과가 있는 것으로 보고되고 있다.
비침습 두뇌자극술을 통해 사용자의 뇌에 자극을 효과적으로 인가하기 위해서는, 사용자의 두피 상 정확한 위치에 전극을 위치시키는 것이 중요하다. 즉, 비침습 두뇌자극술은 뇌 속의 특정부분을 자극해야 하므로, 자극의 정확도가 중요한 요소이며, 이에 따라 정확한 자극을 위하여 전극이, 사용자의 머리의 정확한 지점에 위치될 필요가 있다. 일반적으로, 전극의 위치를 최적화하는 방법으로는, 사용자의 두피 상 다양한 영역에서 자극을 가하고, 해당 자극에 대응하는 자극영향을 측정하는 방법이 있으나, 환자 개개인 각각의 두피 각 영역에 대응하여 전극 테스트를 수행하여야 하므로, 시간 및 비용적인 측면에서 효율적이지 못하다. 이에 따라, 전극의 위치를 최적화하기 위한 시뮬레이션 방법이 존재한다. 구체적으로, 전극의 위치에 대한 최적화 시뮬레이션 방법으로는, 두피 모델을 구현하고, 해당 두피 모델 상에서 처음 시작 위치를 기준으로 위치를 조금씩 변화시켜 머리에 많은 후보위치들을 만들고, 그리고 각 후보위치에서의 테스트를 통해 최적의 위치를 선별하는 방법이 있다.
다만, 사람의 두상은 정형화되지 않은 표면이므로, 자극 위치 선별을 위해, 해당 두상에 대응하는 두상 모델 상에서 연속적으로 좌표를 변경 또는 이동시키는 것은 어려울 수 있다. 예를 들어, 전극의 위치를 조금만 옆으로 이동하여도, 해당 위치가 두피가 아닌 두개골일 수 있으므로, 전극을 배치하기 위한 적절한 위치가 아닐 수 있다.
따라서, 당 업계에는, 비침습 두뇌자극술을 수행하기 위하여 최적의 자극 위치를 결정하는 과정에서, 연속적으로 좌표를 변경 또는 이동시키더라도 항상 두피상에서 좌표가 위치하도록 하는 모델링 방법에 대한 수요가 존재할 수 있다.
대한민국 공개특허 10-2019-0066507
본 발명이 해결하고자 하는 과제는 전술한 배경기술에 대응하여 안출된 것으로, 각 사용자의 MRI 정보에 기초하여 두상 모델을 획득하고, 해당 두상 모델에 피팅되는 구형 좌표계를 획득하고, 이에 기반하여 다양한 자극 위치 별 전극 모델 부착 시뮬레이션을 수행함으로써, 각 사용자 별 최적의 자극 위치에 관한 정보를 획득할 수 있도록 인공지능 모델을 활용한 최적의 자극 위치 산출 방법, 서버 및 컴퓨터프로그램을 제공하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 인공지능 모델을 활용한 최적의 자극 위치 산출 방법은, 사용자 진단 정보에 기초하여 두상 모델을 생성하는 단계, 상기 두상 모델에 기초하여 구면 모델을 생성하는 단계, 상기 구면 모델에 관련한 복수의 구면 좌표 데이터 각각에 대응하는 복수의 전사 좌표 데이터를 식별하는 단계 및 상기 복수의 전사 좌표 데이터를 최적 위치 결정 모델의 입력으로 처리하여 최적 자극 위치 정보를 획득하는 단계를 포함하며, 상기 복수의 전사 좌표 데이터는, 상기 두상 모델 상에 표현 가능한 직교 좌표에 관련한 데이터인 것을 특징으로 할 수 있다.
다양한 실시예에서, 상기 사용자 진단 정보는, 상기 두상 모델 생성에 기반이 되는 정보로, 사용자의 뇌 또는 두상에 관한 의료 영상 정보를 포함하며, 상기 두상 모델은, 실제 사용자의 뇌 또는 두상에 관련한 3차원 뇌지도 모델이며, 상기 구면 모델은, 특정 반지름을 갖는 3차원 구 모델의 적어도 일부를 통해 구현되며, 상기 복수의 구면 좌표 데이터는, 상기 구면 모델 내에서 표현 가능한 구면 좌표에 관련한 데이터인 것을 특징으로 할 수 있다.
다양한 실시예에서, 상기 사용자 진단 정보에 기초하여 두상 모델을 생성하는 단계는, 상기 사용자 진단 정보를 이미지 영역 분류 모델의 입력으로 처리하여 하나 이상의 뇌 영역 이미지를 획득하는 단계, 상기 하나 이상의 뇌 영역 이미지에 대한 전처리를 수행하는 단계 및 상기 전처리된 하나 이상의 뇌 영역 이미지에 기초하여 상기 두상 모델을 생성하는 단계를 포함하며, 상기 이미지 영역 분류 모델은, CNN(Convolutional Neural Network) 기반의 신경망 모델로, 복수의 사용자 진단 정보에 관련한 학습 입력 데이터 및 상기 각 사용자 진단 정보에 대응하는 뇌 영역 분류 정보에 관련한 학습 출력 데이터를 포함하는 학습 데이터를 통해 학습되는 것을 특징으로 할 수 있다.
다양한 실시예에서, 상기 사용자 진단 정보에 기초하여 구면 모델을 생성하는 단계는, 상기 두상 모델의 중심점을 기준으로 하나 이상의 구를 전개시키는 단계, 상기 전개된 하나 이상의 구 중 구의 표면과 상기 두상 모델의 표면의 거리가 최소화되며, 반지름이 최대인 제1구를 식별하는 단계 및 상기 식별된 제1구에 기초하여 상기 구면 모델을 생성하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 최적 위치 결정 모델은, 상기 복수의 전사 좌표 데이터 각각에 대응하는 뇌 활성도 예측 정보를 도출하고, 도출된 뇌활성도 예측 정보 각각과 상기 복수의 전사 좌표 데이터 각각에 대응하는 기준 뇌 활성도 정보 각각과의 차이에 관련한 손실함수(loss function)가 미리 정해진 기준치 이하인 최적의 전사 좌표 데이터를 식별하고, 식별된 상기 최적의 전사 좌표 데이터에 기반하여 상기 최적 자극 위치 정보를 출력하는 것을 특징으로 할 수 있다.
다양한 실시예에서, 상기 방법은, 상기 복수의 구면 좌표 데이터 중 적어도 둘 이상의 구면 좌표 데이터가 상기 두상 모델 상의 일 지점을 중첩하여 지시하는지 여부를 판별하는 단계 및 상기 적어도 둘 이상의 구면 좌표 데이터가 상기 두상 모델 상의 일 지점을 중첩하여 지시하는 경우, 상기 적어도 둘 이상의 구면 좌표 데이터 중 일부에 대한 수정을 수행하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 적어도 둘 이상의 구면 좌표 데이터 중 일부에 대한 수정을 수행하는 단계는, 상기 두상 모델 상의 일 지점을 중첩하여 지시하는 적어도 둘 이상의 구면 좌표 데이터 중 적어도 하나의 구면 좌표 데이터를 제거하는 단계 또는, 상기 두상 모델 상의 일 지점을 중첩하여 지시하는 적어도 둘 이상의 구면 좌표 데이터 중 적어도 하나의 구면 좌표 데이터의 좌표를 보정하는 단계 중 적어도 하나의 단계를 포함할 수 있다.
다양한 실시예에서, 상기 방법은, 상기 최적 자극 위치 정보에 대응하는 제1위치에 전극 모델을 배치시키는 단계 및 상기 제1위치에 위치한 상기 전극 모델을 상기 최적 자극 위치 정보에 대응하는 위치로 점진적으로 이동시켜 상기 두상 모델에 대한 전극 부착 시뮬레이션을 수행하는 단계를 더 포함하며, 상기 제1위치는, 상기 최적 자극 위치 정보의 노멀 벡터(Normal Vector) 방향에 일 위치일 수 있다.
상술한 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 인공지능 모델을 이용한 인공지능 모델을 활용한 최적의 자극 위치 산출 서버는, 프로세서, 네트워크 인터페이스, 메모리 및 상기 메모리에 로드(load)되고, 상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 포함하되, 상기 컴퓨터 프로그램은, 사용자 진단 정보에 기초하여 두상 모델을 생성하는 인스트럭션(instruction) 및 상기 두상 모델에 기초하여 구면 모델을 생성하는 인스트럭션, 상기 구면 모델에 관련한 복수의 구면 좌표 데이터 각각에 대응하는 복수의 전사 좌표 데이터를 식별하는 인스트럭션 및 상기 복수의 전사 좌표 데이터를 최적 위치 결정 모델의 입력으로 처리하여 최적 자극 위치 정보를 획득하는 인스트럭션를 포함하며, 상기 복수의 전사 좌표 데이터는, 상기 두상 모델 상에 표현 가능한 직교 좌표에 관련한 데이터인 것을 특징으로 할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 또 다른 실시예에 따른 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터프로그램은, 컴퓨팅 장치와 결합되어, 사용자 진단 정보에 기초하여 두상 모델을 생성하는 단계, 상기 두상 모델에 기초하여 구면 모델을 생성하는 단계, 상기 구면 모델에 관련한 복수의 구면 좌표 데이터 각각에 대응하는 복수의 전사 좌표 데이터─상기 복수의 전사 좌표 데이터는, 상기 두상 모델 상에 표현 가능한 직교 좌표에 관련한 데이터인 것을 특징으로 함─를 식별하는 단계 및 상기 복수의 전사 좌표 데이터를 최적 위치 결정 모델의 입력으로 처리하여 최적 자극 위치 정보를 획득하는 단계를 실행시키기 위하여 컴퓨터로 판독가능한 기록매체에 저장될 수 있다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명의 다양한 실시예에 따르면, 사용자 각각에 대응하여 최적의 자극 위치에 대한 정보를 제공함으로써, 비침습 두뇌자극술을 통한 치료 효율을 향상시킬 수 있다.
또한, 두피 상에서 좌표를 자유롭게 이동시키도록 하는 모델을 제공함으로써, 최적의 자극 위치를 선별하는 과정에서 편의성을 제공할 수 있다.
추가적으로, 곡면이 포함된 3차원 두상 모델 상에 다양한 형상의 전극의 부착위치에 대한 시뮬레이션을 제공하여, 전극 배치에 관련한 구체적인 시각화 정보를 제공함으로써 뇌 자극 효율을 극대화시키는 효과가 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 인공지능 모델을 활용한 최적의 자극 위치 산출 시스템을 도시한 도면이다.
도 2는 본 발명의 다른 실시예에 따른 인공지능 모델을 활용한 최적의 자극 위치를 산출하기 위한 서버의 하드웨어 구성도이다.
도 3은 본 발명의 또 다른 실시예에 따른 인공지능 모델을 활용한 최적의 자극 위치 산출 방법을 예시적으로 나타낸 순서도이다.
도 4는 다양한 실시예에서, 사용자 진단 정보에 기초하여 두상 모델을 생성하는 과정을 예시적으로 나타낸 순서도이다.
도 5는 다양한 실시예에서, 최적 위치를 결정하는 과정을 예시적으로 나타낸 순서도이다.
도 6은 다양한 실시예에서, 전극 부착 시뮬레이션을 수행하는 과정을 예시적으로 나타낸 순서도이다.
도 7은 다양한 실시예에서, MRI 영상에 기반하여 구면 모델을 획득하는 과정을 예시적으로 나타낸 예시도이다.
도 8은 다양한 실시예에서, 구면 모델을 설명하기 위한 예시도를 도시한다.
도 9는 다양한 실시예에서, 전극 모델 및 구면 모델을 예시적으로 나타낸 예시도이다.
도 10은 다양한 실시예에서, 전극 배치 시뮬레이션 과정을 예시적으로 나타낸 예시도이다.
도 11은 다양한 실시예에서, 후보 전극 배치 과정을 예시적으로 나타낸 예시도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.
공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.
본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.
여기서, 본 발명의 다양한 실시예에 따른 인공지능 모델을 활용한 최적의 자극 위치 산출 방법은, 비침습 두뇌자극술을 통한 뇌 자극 치료에서 복수의 사용자 각각에 대응하여 최적의 자극 위치에 대한 정보를 제공할 수 있다. 또한, 본 발명의 인공지능 모델을 활용한 최적의 자극 위치 산출 방법은, 사용자 진단 정보에 기초하여 두상 모델을 생성하고, 해당 두상 모델에 대응하는 구면 모델을 생성하여 제공할 수 있다. 여기서 구면 모델은, 연속적인 좌표 변경 또는 이동 과정에서도 항상 사용자의 두피 상에서 좌표가 이동되도록 하는 모델일 수 있다. 즉, 각 사용자의 두상에 대응하는 구면 모델을 제공함으로써, 최적의 자극 위치를 선별하는 과정에서 편의성을 제공할 수 있다. 뿐만 아니라, 본 발명은, 곡면이 포함된 3차원 두상 모델 상에 다양한 형상의 전극의 부착 위치에 대한 시뮬레이션을 제공하여 전극 배치에 관련에 구체적인 시각화 정보를 제공함으로써, 뇌 자극 효율을 극대화시키는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 인공지능 모델을 활용한 최적의 자극 위치 산출 시스템을 도시한 도면이다. 도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 인공지능 모델을 활용한 최적의 자극 위치 산출 시스템은, 최적의 자극 위치 산출 서버(100), 사용자 단말(200) 및 외부 서버(300)를 포함할 수 있다.
여기서, 도 1에 도시된 인공지능 모델을 활용한 최적의 자극 위치 산출 시스템은 일 실시예에 따른 것이고, 그 구성 요소가 도 1에 도시된 실시예에 한정되는 것은 아니며, 필요에 따라 부가, 변경 또는 삭제될 수 있다.
일 실시예에서, 최적의 자극 위치 산출 서버(100)는 사용자 진단 정보에 기초하여 두상 모델을 생성할 수 있다. 예를 들어, 최적의 자극 위치 산출 서버(100)는 사용자의 사용자 진단 정보를 수신할 수 있다. 여기서, 사용자 진단 정보는, 두상 모델 생성에 기반이 되는 정보로, 사용자의 뇌 또는 두상에 관한 의료 영상 정보일 수 있다. 예컨대, 사용자 진단 정보는 MRI(Magnetic Resonance Imaging)에 관련한 진단 정보일 수 있다. 즉, 최적의 자극 위치 산출 서버(100)는 사용자의 MRI 영상에 기반하여 해당 사용자의 3차원 뇌지도에 관련한 두상 모델을 생성할 수 있다.
구체적으로, 최적의 자극 위치 산출 서버(100)는 사용자의 MRI 정보를 기 학습된 분류 모델의 입력으로 처리하여 하나 이상의 뇌 영역 이미지를 획득할 수 있다. 이 경우, 기 학습된 분류 모델은, 사용자의 MRI 영상을 입력으로하여 해당 MRI 영상에 포함된 하나 이상의 뇌 영역 이미지를 분류하는 이미지 영역 분류 모델일 수 있다. 다시 말해, 이미지 영역 분류 모델은, 사용자의 MRI 영상을 입력으로 하는 경우, 해당 MRI 영상에 대한 세그멘테이션을 통해 뇌의 다양한 물리적 특성 각각에 관련한 하나 이상의 뇌 영역 이미지를 획득할 수 있다.
여기서, 기 학습된 이미지 영역 분류 모델(예: 인공지능 모델)은 하나 이상의 네트워크 함수로 구성되며, 하나 이상의 네트워크 함수는 일반적으로 ‘노드’라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 ‘노드’들은 ‘뉴런(neuron)’들로 지칭될 수도 있다. 하나 이상의 네트워크 함수는 적어도 하나 이상의 노드들을 포함하여 구성된다. 하나 이상의 네트워크 함수를 구성하는 노드(또는 뉴런)들은 하나 이상의 ‘링크’에 의해 상호 연결될 수 있다.
인공지능 모델 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 인공지능 모델이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
전술한 바와 같이, 인공지능 모델은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 인공지능 모델 내에서 입력 노드 및 출력 노드 관계를 형성한다. 인공지능 모델 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 인공지능 모델의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 인공지능 모델이 존재하는 경우, 두 개의 인공지능 모델들은 서로 상이한 것으로 인식될 수 있다.
인공지능 모델을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 인공지능 모델 내에서 레이어의 차수는 전술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 인공지능 모델 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 인공지능 모델 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 인공지능 모델 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 인공지능 모델을 구성하는 노드들을 의미할 수 있다. 본 발명의 일 실시예에 따른 인공지능 모델은 입력 레이어의 노드가 출력 레이어에 가까운 히든 레이어의 노드보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 인공지능 모델일 수 있다.
인공지능 모델은 하나 이상의 히든 레이어를 포함할 수 있다. 히든 레이어의 히든 노드는 이전의 레이어의 출력과 주변 히든 노드의 출력을 입력으로 할 수 있다. 각 히든 레이어 별 히든 노드의 수는 동일할 수도 있고 상이할 수도 있다. 입력 레이어의 노드의 수는 입력 데이터의 데이터 필드의 수에 기초하여 결정될 수 있으며 히든 노드의 수와 동일할 수도 있고 상이할 수도 있다. 입력 레이어에 입력된 입력 데이터는 히든 레이어의 히든 노드에 의하여 연산될 수 있고 출력 레이어인 완전 연결 레이어(FCL: fully connected layer)에 의해 출력될 수 있다.
다양한 실시예에서, 인공지능 모델은, 복수의 사용자들에 관련한 MRI 영상과 해당 MRI 영상에 관련한 뇌 영역 분류 정보를 학습 데이터로 하여 지도학습(supervised learning)될 수 있다. 그러나, 이에 한정되지 않고, 다양한 학습 방법이 적용될 수 있다.
여기서, 지도학습은 통상적으로 특정 데이터와 특정 데이터에 연관된 정보를 라벨링하여 학습 데이터를 생성하고, 이를 이용하여 학습시키는 방법으로써, 인과 관계를 가진 두 데이터를 라벨링하여 학습 데이터를 생성하고, 생성된 학습 데이터를 통해 학습하는 방법을 의미한다.
보다 구체적으로, 최적의 자극 위치 산출 서버(100)는 라벨링된 학습 데이터를 이용하여 인공지능 모델을 구성하는 하나 이상의 네트워크 함수에 대한 학습을 수행하여 이미지 영역 분류 모델을 생성할 수 있다. 예를 들어, 최적의 자극 위치 산출 서버(100)는 학습 입력 데이터 각각을 하나 이상의 네트워크 함수에 입력시키고, 하나 이상의 네트워크 함수로 연산된 출력 데이터 각각과 학습 입력 데이터 각각의 레이블에 해당하는 학습 출력 데이터 각각을 비교하여 오차를 도출할 수 있다. 즉, 이미지 영역 분류 모델의 학습에서 학습 입력 데이터는 하나 이상의 네트워크 함수의 입력 레이어에 입력될 수 있으며, 학습 출력 데이터는 하나 이상의 네트워크 함수의 출력과 비교될 수 있다.
최적의 자극 위치 산출 서버(100)는 학습 입력 데이터에 대한 하나 이상의 네트워크 함수의 연산 결과와 학습 출력 데이터(레이블)의 오차에 기초하여 인공지능 모델을 학습시킬 수 있다.
또한, 최적의 자극 위치 산출 서버(100)는 오차에 기초하여 하나 이상의 네트워크 함수의 가중치를 역전파 방식으로 조정할 수 있다. 즉, 최적의 자극 위치 산출 서버(100)는 학습 입력 데이터에 대한 하나 이상의 네트워크 함수의 연산 결과와 학습 출력 데이터의 오차에 기초하여 하나 이상의 네트워크 함수의 출력이 학습 출력 데이터에 가까워지도록 가중치를 조정할 수 있다.
일 실시예에서, 최적의 자극 위치 산출 서버(100)는 하나 이상의 네트워크 함수의 학습이 사전 결정된 에폭 이상 수행된 경우, 검증 데이터를 이용하여 학습의 중단 여부를 결정할 수 있다. 사전 결정된 에폭은 전체 학습 목표 에폭의 일부일 수 있다.
검증 데이터는 라벨링된 학습 데이터 중 적어도 일부로 구성될 수 있다. 즉 최적의 자극 위치 산출 서버(100)는 학습 데이터를 통해 인공지능 모델의 학습을 수행하며, 인공지능 모델의 학습이 사전결정된 에폭 이상 반복된 후, 검증 데이터를 이용하여 인공지능 모델의 학습 효과가 사전 결정된 수준 이상인지 여부를 판단할 수 있다. 예를 들어, 최적의 자극 위치 산출 서버(100)는 100개의 학습 데이터를 이용하여 목표 반복 학습 횟수가 10회인 학습을 수행하는 경우, 사전결정된 에폭인 10회의 반복 학습을 수행한 후, 10개의 검증 데이터를 이용하여 3회의 반복 학습을 수행하여, 3회의 반복 학습 동안 인공지능 모델 출력의 변화가 사전결정된 수준 이하인 경우 더 이상의 학습이 무의미한 것으로 판단하고 학습을 종료할 수 있다.
즉, 검증 데이터는 인공지능 모델의 반복 학습에서 에폭별 학습의 효과가 일정 이상인지 이하인지 여부에 기초하여 학습의 완료를 결정하는 데 이용될 수 있다. 전술한 학습 데이터, 검증 데이터의 수 및 반복 횟수는 예시일 뿐이며 본 발명은 이에 제한되지 않는다.
최적의 자극 위치 산출 서버(100)는 테스트 데이터를 이용하여 하나 이상의 네트워크 함수의 성능을 테스트하여 하나 이상의 네트워크 함수의 활성화 여부를 결정함으로써, 인공지능 모델을 생성할 수 있다. 테스트 데이터는 인공지능 모델의 성능을 검증하기 위하여 사용될 수 있으며, 학습 데이터 중 적어도 일부로 구성될 수 있다. 예를 들어, 학습 데이터 중 70%는 인공지능 모델의 학습(즉, 레이블과 비슷한 결과값을 출력하도록 가중치를 조정하기 위한 학습)을 위해 활용될 수 있으며, 30%는 인공지능 모델의 성능을 검증하기 위한 테스트 데이터로써 활용될 수 있다. 최적의 자극 위치 산출 서버(100)는 학습이 완료된 인공지능 모델에 테스트 데이터를 입력하고 오차를 측정하여 사전 결정된 성능 이상인지 여부에 따라 인공지능 모델의 활성화 여부를 결정할 수 있다.
최적의 자극 위치 산출 서버(100)는 학습이 완료된 인공지능 모델에 테스트 데이터를 이용하여 학습 완료된 인공지능 모델의 성능을 검증하고 학습 완료된 인공지능 모델의 성능이 사전에 결정된 기준 이상인 경우 해당 인공지능 모델을 다른 어플리케이션에서 사용하도록 활성화할 수 있다.
또한, 최적의 자극 위치 산출 서버(100)는 학습 완료된 인공지능 모델의 성능이 사전에 결정된 기준 이하인 경우 해당 인공지능 모델을 비활성화하여 폐기할 수 있다. 예를 들어, 최적의 자극 위치 산출 서버(100)는 정확도(accuracy), 정밀도(precision), 재현율(recall) 등의 요소를 기준으로 하여 생성된 인공지능 모델 모델의 성능을 판단할 수 있다. 전술한 성능 평가 기준은 예시일 뿐이며 본 발명은 이에 제한되지 않는다. 본 발명의 일 실시예에 따라 최적의 자극 위치 산출 서버(100)는 각각의 인공지능 모델을 독립적으로 학습시켜 복수의 인공지능 모델 모델을 생성할 수 있으며, 성능을 평가하여 일정 성능 이상의 인공지능 모델만을 사용할 수 있다. 그러나, 이에 한정되지 않는다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. (이하에서는 신경망으로 통일하여 기술한다.) 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수를 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 트레이닝을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
다양한 실시예에서, 최적의 자극 위치 산출 서버(100)는 네트워크(400)를 통해 사용자 단말(200)과 연결될 수 있고, 인공지능 모델을 활용하여 MRI 영상에 대응하는 3차원 뇌 지도에 관련한 두상 모델을 생성하여 제공할 수 있으며, 뿐만 아니라, 해당 두상 모델에 기반하여, 사용자의 실제 두상에서 경두개직류자극법(tDCS) 시술을 위한 최적의 자극 위치에 대한 정보를 제공할 수 있다. 일 실시예에 따르면, 최적의 자극 위치 산출 서버(100)는 2개의 전극을 활용하는 단채널에 관련하여 뇌 자극 위치에 관한 정보를 제공하는 서버일 수 있다.
여기서, 네트워크(400)는 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미할 수 있다. 예를 들어, 네트워크(400)는 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷(WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다.
또한, 여기서, 무선 데이터 통신망은 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), 5GPP(5th Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), RF(Radio Frequency), 블루투스(Bluetooth) 네트워크, NFC(Near-Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
일 실시예에서, 사용자 단말(200)은 네트워크(400)를 통해 최적의 자극 위치 산출 서버(100)와 연결될 수 있으며, 최적의 자극 위치 산출 서버(100)로 사용자 진단 정보(예컨대, MRI 영상)를 제공할 수 있고, 제공된 사용자 진단 정보에 대한 응답으로 각종 정보(예: 3차원 뇌지도에 관련한 두상 모델 및 tDCS 시술을 위한 최적의 자극 위치에 대한 정보 등)를 제공받을 수 있다.
여기서, 사용자 단말(200)은 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smartphone), 스마트 패드(Smartpad), 타블렛PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있으나, 이에 한정되지 않는다.
일 실시예에서, 사용자 단말(200)은 서버(100)에 엑세스하여 사용자 진단 정보(예컨대, MRI 영상)를 기반으로 최적의 자극 위치를 획득하고자 하는 사용자와 관련한 단말일 수 있다. 사용자 단말(200)은 사용자 단말(200)에서 촬영하거나 또는 저장된 MRI 영상을 서버(100)로 전송할 수 있다. 이러한 사용자 단말(200)은 예컨대, MRI 정보를 기반으로 환자에게 경두개직류자극 시술을 제공하는 전문의와 관련한 단말일 수 있다. 사용자 단말(200)이 경두개직류자극 시술을 제공하는 전문의와 관련한 단말인 경우, 서버(100)로부터 수신하는 최적의 자극 위치 정보는, 명확한 자극 위치 결정을 위한 의료 보조 정보로 활용될 수 있다. 사용자 단말(200)은 디스플레이를 구비하고 있어서, 사용자의 입력을 수신하고, 사용자에게 임의의 형태의 출력을 제공할 수 있다. 일 실시예에서, 사용자 단말(200)의 사용자는 의료 전문가로서, 의사, 간호사, 임상 병리사, 의료 영상 전문가 등을 의미할 수 있으며, 의료 장치를 수리하는 기술자가 될 수 있으나, 이에 제한되지 않는다
일 실시예에서, 외부 서버(300)는 네트워크(400)를 통해 최적의 자극 위치 산출 서버(100)와 연결될 수 있으며, 서버(100)가 인공지능 모델을 활용하여 최적의 자극 위치를 산출하는 방법을 수행하는 위해 필요한 각종 정보/데이터를 제공하거나, 인공지능 모델을 활용한 최적의 자극 위치 산출 방법을 수행함에 따라 도출되는 결과 데이터를 제공받아 저장 및 관리할 수 있다. 예를 들어, 외부 서버(100)는 서버(100)의 외부에 별도로 구비되는 저장 서버일 수 있으나, 이에 한정되지 않는다. 이하 도 2를 참조하여 인공지능 모델을 활용한 최적의 자극 위치 산출 방법을 수행하는 서버(100)의 하드웨어 구성에 대해 설명하도록 한다.
도 2는 본 발명의 다른 실시예에 따른 인공지능 모델을 활용한 최적의 자극 위치 산출 서버의 하드웨어 구성도이다.
도 2를 참조하면, 본 발명의 다른 실시예에 따른 최적의 자극 위치 산출 서버(100)(이하, “서버(100)”)는 하나 이상의 프로세서(110), 프로세서(110)에 의하여 수행되는 컴퓨터 프로그램(151)을 로드(Load)하는 메모리(120), 버스(130), 통신 인터페이스(140) 및 컴퓨터 프로그램(151)을 저장하는 스토리지(150)를 포함할 수 있다. 여기서, 도 2에는 본 발명의 실시예와 관련 있는 구성요소들만 도시되어 있다. 따라서, 본 발명이 속한 기술분야의 통상의 기술자라면 도 2에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.
프로세서(110)는 서버(100)의 각 구성의 전반적인 동작을 제어한다. 프로세서(110)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다.
프로세서(110)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 발명의 일 실시예에 따른 인공지능 모델을 위한 데이터 처리를 수행할 수 있다. 본 발명의 일 실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다.
또한, 프로세서(110)는 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 발명의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 발명의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 명세서에서 네트워크 함수는 인공 신경망, 뉴럴 네트워크와 상호 교환 가능하게 사용될 수 있다. 본 명세서에서 네트워크 함수는 하나 이상의 뉴럴 네트워크를 포함할 수도 있으며, 이 경우 네트워크 함수의 출력은 하나 이상의 뉴럴 네트워크의 출력의 앙상블(ensemble)일 수 있다.
프로세서(110)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 사별의 일 실시예에 따른 이미지 영역 분류 모델을 제공할 수 있다. 본 개시의 일 실시예에 따라, 프로세서(110)는 영상 이미지를 하나 이상의 뇌 영역 이미지로 분류할 수 있다. 본 발명의 일 실시예에 따라, 프로세서(110)는 이미지 영역 분류 모델을 학습시키기 위한 계산을 수행할 수 있다.
본 발명의 일 실시예에 따르면, 프로세서(110)는 통상적으로 서버(100)의 전반적인 동작을 처리할 수 있다. 프로세서(110)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(120)에 저장된 응용 프로그램을 구동함으로써, 사용자 또는 사용자 단말에게 적정한 정보 또는, 기능을 제공하거나 처리할 수 있다.
또한, 프로세서(110)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있으며, 서버(100)는 하나 이상의 프로세서를 구비할 수 있다.
다양한 실시예에서, 프로세서(110)는 프로세서(110) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(110)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.
메모리(120)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(120)는 본 발명의 다양한 실시예에 따른 방법/동작을 실행하기 위하여 스토리지(150)로부터 컴퓨터 프로그램(151)을 로드할 수 있다. 메모리(120)에 컴퓨터 프로그램(151)이 로드되면, 프로세서(110)는 컴퓨터 프로그램(151)을 구성하는 하나 이상의 인스트럭션들을 실행함으로써 상기 방법/동작을 수행할 수 있다. 메모리(120)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.
버스(130)는 서버(100)의 구성 요소 간 통신 기능을 제공한다. 버스(130)는 주소 버스(address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.
통신 인터페이스(140)는 서버(100)의 유무선 인터넷 통신을 지원한다. 또한, 통신 인터페이스(140)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(140)는 본 발명의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다. 몇몇 실시예에서, 통신 인터페이스(140)는 생략될 수도 있다.
스토리지(150)는 컴퓨터 프로그램(151)을 비 임시적으로 저장할 수 있다. 서버(100)를 통해 인공지능 모델을 활용한 최적의 자극 위치 산출 프로세스를 수행하는 경우, 스토리지(150)는 인공지능 모델을 활용한 최적의 자극 위치 산출 프로세스를 제공하기 위하여 필요한 각종 정보를 저장할 수 있다.
스토리지(150)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.
컴퓨터 프로그램(151)은 메모리(120)에 로드될 때 프로세서(110)로 하여금 본 발명의 다양한 실시예에 따른 방법/동작을 수행하도록 하는 하나 이상의 인스트럭션들을 포함할 수 있다. 즉, 프로세서(110)는 상기 하나 이상의 인스트럭션들을 실행함으로써, 본 발명의 다양한 실시예에 따른 상기 방법/동작을 수행할 수 있다.
일 실시예에서, 컴퓨터 프로그램(151)은 사용자 진단 정보에 기초하여 두상 모델을 생성하는 단계, 두상 모델에 기초하여 구면 모델을 생성하는 단계, 구면 모델에 관련한 복수의 구면 좌표 데이터 각각에 대응하는 복수의 전사 좌표 데이터를 식별하는 단계 및 복수의 전사 좌표 데이터를 최적의 위치 결정 모델의 입력으로 처리하여 최적 자극 위치 정보를 획득하는 단계를 포함하는 인공지능 모델을 활용한 최적의 자극 위치 산출 방법을 수행하도록 하는 하나 이상의 인스트럭션을 포함할 수 있다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 이하, 도 3 내지 도 11 참조하여, 서버(100)에 의해 수행되는 인공지능 모델을 활용한 최적의 자극 위치 산출 방법에 대해 설명하도록 한다.
도 3은 본 발명의 또 다른 실시예에 따른 인공지능 모델을 활용한 최적의 자극 위치 산출 방법을 예시적으로 나타낸 순서도이다.
일 실시예에서, 서버(100)는 사용자 진단 정보를 획득할 수 있다. 여기서 사용자 진단 정보는, 두상 모델(330) 생성의 기반이 되는 정보로, 사용자의 뇌 또는 두상에 관한 의료 영상 정보를 포함할 수 있다. 예컨대, 사용자 진단 정보는 대상체의 뇌를 포함하는 머리 부분을 촬영한 자기공명영상(즉, MRI 영상)일 수 있다. 즉, 본 발명에서의 사용자 진단 정보는, 뇌뿐 아니라, 대상체의 두개골 및 두피를 포함하는 MRI 영상을 의미할 수 있다.
본 발명의 일 실시예에 따르면 사용자 진단 정보의 획득은, 메모리(120)에 저장된 사용자 진단 정보를 수신하거나, 또는 로딩(loading)하는 것일 수 있다. 또한, 사용자 진단 정보의 획득은, 유/무선 통신 수단에 기초하여 다른 저장 매체, 다른 서버, 동일한 서버 내의 별도 처리 모듈로부터 데이터를 수신하거나 또는 로딩하는 것일 수 있다.
도 3을 참초하면, S110 단계에서, 서버(100)는 사용자 진단 정보에 기초하여 두상 모델(330)을 생성할 수 있다. 여기서 두상 모델은, 실제 사용자의 뇌 또는 두상에 관련한 3차원 뇌지도 모델을 의미할 수 있다. 다시 말해, 서버(100)는 사용자의 뇌, 두개골 및 두피 등을 포함하는 MRI 영상에 기반하여, 해당 사용자의 3차원 뇌지도 모델에 관련한 두상 모델(330)을 생성할 수 있다.
도 4를 참조하여 보다 구체적으로 설명하면, S111 단계에서, 서버(100)는 사용자 진단 정보를 이미지 영역 분류 모델의 입력으로 처리하여 하나 이상의 뇌 영역 이미지(320)를 획득할 수 있다. 여기서 이미지 영역 분류 모델은 복수의 사용자 진단 정보에 관련한 학습 입력 데이터 및 각 사용자 진단 정보에 대응하는 뇌 영역 분류 정보에 관련한 학습 출력 데이터를 포함하는 학습 데이터를 통해 학습된 CNN 기반의 신경망 모델일 수 있다.
구체적인 예를 들어, 서버(100)는, MRI 영상(310)을 학습 입력 데이터로 하며, 해당 MRI 영상(310)에 포함된 하나 이상의 뇌 영역(즉, 정답) 이미지를 학습 출력 데이터로 하고, 그리고 학습 입력 데이터와 학습 출력 데이터를 라벨링함으로써, 학습 데이터를 생성할 수 있다. 서버(100)는 학습 입력 데이터를 하나 이상의 네트워크 함수의 입력으로 처리하여 학습 결과 데이터를 출력할 수 있다. 이 경우, 결과 데이터는 하나 이상의 뇌 영역 이미지에 관한 정보일 수 있다. 서버(100)는 하나 이상의 네트워크 함수로부터 출력된 학습 결과 데이터와 학습 입력 데이터에 라벨링된 학습 출력 데이터 간의 오차를 도출할 수 있다. 서버(100)는 해당 오차를 역전파하여 학습 결과 데이터가 학습 출력 데이터에 유사해지도록 신경망의 가중치를 조정함으로써, 하나 이상의 네트워크 함수에 대한 학습을 수행할 수 있다. 전술한 바와 같은 하나 이상의 네트워크 함수에 대한 학습이 완료됨에 따라 이미지 영역 분류 모델을 생성될 수 있다. 즉, 이미지 영역 분류 모델은 전술한 학습에 의해, 사용자의 MRI 영상에서 하나 이상의 뇌 영역 이미지를 분류할 수 있다. 여기서, 하나 이상의 뇌 영역 이미지 각각은, 뇌의 다양한 물리적 특성(예컨대, 백질, 회백질, 뇌척수액, 두개골, 두피 등) 각각에 관련한 것일 수 있다.
일 실시예예서, 이미지 영역 분류 모델은, 하나 이상의 배치 정규화(Batch Normalization) 레이어, 활성화(Activation) 레이어 및 컨볼루션(Convolution) 레이어를 포함할 수 있으나, 이에 제한되지 않는다.
또한, 일 실시예에서, 이미지 영역 분류 모델은 MRI 영상의 저 레벨 특성으로부터 고 레벨 특성을 추출하는 복수의 블록으로 구성된 수평 파이프라인과, 수평 파이프라인에서 추출된 특성을 모아 세그멘테이션을 수행하는 수직 파이프라인을 포함하여 상대적으로 화질이 떨어지는 MRI 영상의 세그멘테이션을 수행할 수 있도록 구성될 수도 있다.
또한, S112 단계에서, 서버(100)는 하나 이상의 뇌 영역 이미지(320)에 대한 전처리를 수행할 수 있다. 서버(100)가 수행하는 전처리는, 각 뇌 영역 이미지에서 노이즈를 제거하는 전처리를 의미할 수 있다. 일 실시예에서, 서버(100)는 최대 청크(chunk)에 기반한 노이즈 제거에 관한 전처리 및 홀 제거에 관한 전처리를 수행할 수 있다.
일 실시예에서, 서버(100)는 최대 청크에 기반한 노이즈 제거 전처리를 수행할 수 있다. 구체적으로, 서버(100)는 각 뇌 영역 이미지 내에서 가장 큰 청크(즉, 가장 크게 연결된 구성 요소)를 제외한 나머지 청크를 제거하는 전처리를 수행할 수 있다. 예컨대, 이미지 영역 분류 모델의 세그멘테이션 결과, 각 이미지 내에서 여러 구성요소가 존재하는 경우, 분류의 정확도가 낮음을 의미할 수 있다. 이러한 낮은 정확도의 분류 이미지들이, 3차원 격자(mesh) 모델인 두상 모델 생성에 기반이 되는 경우, 생성된 두상 모델의 정확도가 다소 결여될 우려가 있다. 즉, 서버(100)는 최대 청크에 기반한 노이즈 제거 전처리를 통해, 이미지 상에서 가장 큰 구성요소를 제외하고, 나머지 작은 구성요소들을 제거하는 전처리를 수행함으로써, 세그멘테이션 분류의 정확도를 향상시킬 수 있다.
또한, 서버(100)는 홀 제거에 관련한 전처리를 수행할 수 있다. 구체적으로, 서버(100)는 각 뇌 영역 이미지 내에서 홀(hole)을 제거, 즉, 홀 부분을 채우는 전처리를 수행할 수 있다. 예컨대, 각 뇌 영역 이미지 상에 존재하는 홀은, CNN 기반 세그멘테이션 과정에서 생성되는 오류일 수 있다. 이에 따라, 서버(100)는 세그멘테이션 오류의 일종인 홀(hole)을 제거하는 전처리를 수행함으로써, 세그멘테이션 분류의 정확도를 향상시킬 수 있으며, 추후 분류된 뇌 영역 이미지들을 통한 두상 모델 생성의 정확도 향상에 기여하는 효과가 있다.
또한, S113 단계에서, 서버(100)는 전처리된 하나 이상의 뇌 영역 이미지(320)에 기초하여 두상 모델(330)을 생성할 수 있다. 서버(100)는 이미지 영역 분류 모델을 통해 분류되 뇌 영역 이미지들 각각의 성질에 기초하여 3차원 뇌지도를 생성할 수 있다. 즉, 서버(100)는 각 뇌 영역 이미지에 기반하여 복수의 격자로 구성된 3차원 두상 모델(330)을 생성할 수 있다.
일 실시예에서, 서버(100)는 각 뇌 영역에 관련한 물리적 특성에 관한 정보를 획득할 수 있다. 여기서, 각 뇌 영역에 관련한 물리적 특성은, 등방성 전기전도도(isotropic) 및 비등방성 전기전도도(anisotropic) 중 적어도 하나를 포함할 수 있다. 예컨대, 등방성 전기전도도는 세그멘테이션된 각 영역에 대하여 실험을 통하여 알려진 전기전도도를 할당함으로써 획득할 수 있다.
본 발명의 다른 실시예에 따르면, 서버(100)는 3차원 뇌지도에 관련한 두상 모델(330)에 자극을 인가하기 위한 자극 인가 시뮬레이션을 수행할 수 있다. 자극 인가 시뮬레이션은, 전극 모델(430)을 사용자의 머리 일 측면에 배치하고, 해당 전극 모델(430)을 통해 전기적 자극을 사용자에게 인가하여 뇌의 특정 부분을 자극하여 치료하는 경두개직류자극술을 시뮬레이션하기 위한 것일 수 있다. 예컨대, 머리의 일 지점에 특정 전기적 자극이 가해지는 경우, 특정 전기적 자극이 대상체의 뇌에서 전파되는 상태를 시뮬레이션할 수 있다.
구체적으로, 서버(100)는 두상 모델(330) 및 해당 두상 모델(330)을 구성하는 물리적 특성을 활용하여 전기적 자극이 사용자의 뇌에서 전파되는 상태를 시뮬레이션할 수 있다. 예컨대, 사용자의 머리에 가해질 수 있는 전기적 자극은, 자기장, 전기장 및 전류 중 적어도 하나를 포함할 수 있다. 예를 들어, 사용자의 머리에 자기장이 가해지는 경우, 사용자의 뇌에는 자기장에 의하여 유도된 전류가 전파될 수 있다.
일 실시예에 따르면, 서버(100)는 사용자의 두상 모델(330)에 기반하여 전기적 자극을 가하기 위한 최적의 위치를 획득할 수 있다. 예를 들어, 서버(100)는 두상 모델(330)을 통해 사용자의 두피로부터 자극목표지점까지 전기적 자극이 전달되기 위한 여러 경로들을 파악하고, 해당 경로들 중 머리에 전기적 자극을 가할 최적의 위치를 탐색할 수 있다. 여기서, 자극을 가할 최적의 위치는, 전극 모델(430)을 통해 자극목표지점에 인가되는 전기적 자극이 최대가 되도록 하는 두피상의 일 지점일 수 있다.
서버(100)는 자극을 가할 최적의 위치를 탐색하기 위하여, 일 위치를 기준점으로 하여 좌표를 조금씩 변경하면서 자극 인가 시뮬레이션을 수행할 수 있다. 다양한 위치에서의 시뮬레이션 수행 결과, 자극목표지점에 인가되는 전기적 자극이 최대가 되는 두피상의 일 지점을 최적의 자극 위치로 결정할 수 있다.
다만, 전술한 과정을 수행하는 과정에서, 일 위치(즉, 좌표)를 기준점으로 하여 좌표를 조금씩 변경하는 경우, 두상 모델(330)이 정형화되지 않은 표면임에 따라(즉, 두상 모델에 생성에 기반이 되는 특정 사용자의 두상이 정형화되지 않은 표면임), 올바른 좌표의 연속적인 이동이 어려울 수 있다. 구체적으로, 3차원 좌표의 변수, 즉 x, y, z축을 기준으로 하는 변화를 통해서 사용자의 두상 모델의 두피 상에서 이동되도록 하기 어려울 수 있으며, 이에 따라, 좌표를 조금씩 변경하면서 자극 인가 시뮬레이션을 수행하는 과정에서 오류가 발생할 수 있다.
구체적인 예를 들어, 3차원 좌표계에서, 전극이 배치되는 위치를 변화시키기 위해, x축으로 일정 거리만큼 이동시키는 경우, 해당 위치는 두피 상의 일 영역이 아닌, 두개골 내측의 일 영역일 수 있다.
이는, 자극 인가 시뮬레이션을 통해 최적 자극 위치를 결정하는데 오류를 발생시킬 우려가 있으며, 해당 오류는 결과적으로 경두개직류자극술을 통한 뇌 질환 치료 효율을 저하시킬 수 있다.
이에 따라, 본 발명의 서버(100)는 사용자의 3차원 두상 모델(330)에 기초하여 연속적으로 좌표를 변경 또는 이동시켜도 항상 두피상에 좌표가 위치하도록 하는 구면 모델(340)을 생성할 수 있다. 즉, 서버(100)는 사용자의 두상 모델(330)에 대응하는 구면 모델(340)을 생성하고, 해당 구면 모델(340)에 표현 가능한 구면 좌표 데이터에 기반하여 테스트 위치를 순차적으로 이동시킴으로써, 자극을 가할 최적의 위치를 탐색할 수 있다. 다시 말해, 서버(100)는 구면 모델(340)의 생성을 통해 최적의 자극 위치 탐색을 위한 자극 인가 시뮬레이션 과정에서 연속적인 좌표 변환을 가능하게 할 수 있다.
보다 자세히 설명하면, S120 단계와 같이, 서버(100)는 두상 모델(330)에 기초하여 구면 모델(340)을 생성할 수 있다. 구면 모델(340)은, 특정 반지름을 갖는 3차원 구 모델의 적어도 일부를 통해 구현될 수 있다. 이러한 구면 모델(340)은, 복수의 구면 좌표 데이터를 통해 표현 가능한 모델일 수 있다. 복수의 구면 좌표 데이터는 구면 모델 내에서 표현 가능한 세타 및 파이에 관한 구면 좌표에 관련한 데이터일 수 있다.
구체적으로, 서버(100)는 두상 모델(330)의 중심점을 기준으로 하나 이상의 구를 전개시킬 수 있다. 하나 이상의 구를 전개시키는 것은, 서로 상이한 반지름을 갖는 구를 임의의 중심점을 기준으로 전개하는 것을 의미할 수 있다. 또한, 서버(100)는 전개된 하나 이상의 구 중 구의 표면과 두상 모델(330)의 표면의 거리가 최소화되며, 반지름이 최대인 제1구를 식별할 수 있다. 다시 말해, 서버(100)는, 두상 모델(330)의 임의의 중심점을 기준으로 다양한 반지름을 갖는 구를 전개시키고, 전개된 구들 중 두상 모델(330)의 표면과의 거리가 최소화되며, 반지름이 최대인 제1구를 식별할 수 있다.
일 실시예에서, 구의 표면과 두상 모델(330)의 표면 간의 거리가 최소화되는 것은, 두상 모델(330) 표면의 전체 지점과 이에 대응하는 구 표면의 전체 지점 간의 거리 차이의 평균이 최소화됨을 의미할 수 있다. 즉, 제1구는, 두상 모델(330)의 표면(예컨대, 상반구에 대응하는 지점 또는 전영역에 대응하는 지점)에 관련한 일 지점과의 평균거리의 차(RMSE, Root Mean Square Error)가 최소가 됨과 동시에, 반지름이 최대가 되는 구를 의미할 수 있다. 또한, 서버(100)는 식별된 제1구에 기초하여 구면 모델(340)을 생성할 수 있다.
추가적인 실시예에 따르면, 서버(100)는 두상 모델(330)의 제1지점을 내측으로 접하는 반지름을 갖는 구를 식별할 수 있다. 두상 모델(330) 상에서 가상의 중심점을 기준으로 반지름이 최대가 되는 지점인 것을 특징으로 할 수 있다. 서버(100)는 식별된 구에 기초하여 구면 모델(340)을 생성할 수 있다. 즉, 서버(100)는 두상 모델(330)의 표면 일부와 접함과 동시에, 반지름이 최대가 되는 구에 기반하여 구면 모델(340)을 생성할 수도 있다.
다시 말해, 서버(100)는 두상 모델(330)을 감쌀 수 있는 구를 식별하고, 해당 구의 반지름에 기반하여 연속적인 좌표 변경 또는 이동에도 항상 두피 상에서 좌표가 위치하는 구면 모델(340)을 생성할 수 있다. 즉, 서버(100)는 사용자의 두상 모델(330)에 기반하여, 사용자의 두상과 RMS 오차가 가장 작은 구를 통해 구면 모델(340)을 생성할 수 있다. 이에 따라, 구면 모델(340)은 사용자의 머리와 가장 근사하게 피팅된 구의 적어도 일부를 통해 구현될 수 있다.
다시 말해, 도 7에 도시된 바와 같이, 서버(100)는 사용자의 MRI 영상(310)을 수신하는 경우, 해당 MRI 영상(310)에 기반하여 하나 이상의 뇌 영역 이미지(320)를 획득할 수 있으며, 해당 하나 이상의 뇌 영역 이미지(320)에 기반하여 두상 모델(330)을 생성하고, 그리고 생성된 두상 모델(330)에 기반하여 구면 모델(340)을 생성할 수 있다.
즉, 전술한 과정을 통해 생성된 구면 모델(340)은, 사용자의 MRI 영상에 대응하여 생성된 3차원 두상 모델(330)에 기반하여 구현되는 것이며, 두상 모델(330)을 감싸도록 구현됨에 따라, 해당 두상 모델(330)을 활용하는 경우, 사용자의 두피 상 즉, 두상 모델(330)의 두피 상에서 이동 가능한 좌표 데이터를 식별할 수 있다.
다시 말해, 도 8에 도시된 바와 같은 구면 모델(340)이 생성됨으로써, 사용자의 두피 상에서 연속적인 좌표 변환이 가능해짐에 따라, 최적의 자극 위치 산출을 위한 시뮬레이션이 가능해질 수 있다. 또한, 구면 모델(340)을 활용하는 경우, 기존 좌표의 변수가 3개(예컨대, x, y, z)에서 2개(θ, Ф)로 변환됨에 따라, 시뮬레이션을 위해 좌표를 연속적으로 변환시키는 과정에서 편의성이 향상될 수 있다.
또한, S130 단계에서, 서버(100)는 구면 모델(340)에 관련한 복수의 구면 좌표 데이터 각각에 대응하는 복수의 전사 좌표 데이터를 식별할 수 있다. 여기서, 복수의 전사 좌표 데이터는, 복수의 구면 좌표 각각에서 전사된 실제 두상 모델(330) 상의 좌표일 수 있다. 즉, 복수의 전사 좌표 데이터는, 두상 모델(330) 상에서 표현 가능한 직교 좌표에 관련한 데이터일 수 있다. 서버(100)는 구면 모델(340)을 통해 연속적인 좌표 변환에도 사용자에 두피 상에서 이동 가능한 구면 좌표 데이터들을 식별하고, 해당 구면 좌표 데이터들에 기반하여 두상 모델(330) 상에 전사한 좌표에 관련한 전사 좌표 데이터들을 식별할 수 있다.
S140 단계에서, 서버(100)는 복수의 전사 좌표 데이터를 최적 위치 결정 모델의 입력으로 처리하여 최적 자극 위치 정보를 획득할 수 있다. 다시 말해, 서버(100)는 구면 모델(340)을 통해 연속적인 좌표 변환에도 사용자에 두피 상에서 이동 가능한 구면 좌표 데이터들을 식별하고, 식별된 구면 좌표 데이터들에 대응하는 복수의 전사 데이터에 기반하여 최적 자극 위치 정보를 획득할 수 있다. 즉, 본 발명은, 두상 모델(330)에서 연속적인 좌표 변환에 기반하여 자극 위치가 최대인 지점을 최적 자극 위치로 결정하는 것이 아닌, 두상 모델(330)에 대응하는 구면 모델(340)에서의 좌표 변환에 기반하여 최적 자극 위치를 결정하는 것을 특징으로 할 수 있다. 최적 자극 위치 정보는, 시뮬레이션 수행 결과, 사용자의 두피로부터 자극목표지점까지 전기적 자극을 가할 최적의 위치에 대한 정보일 수 있다. 예컨대, 전기적 자극을 가할 최적의 위치는, 전극 모델(430)을 통해 자극목표지점에 인가되는 전기적 자극이 최대가 되도록 하는 두피상의 일 지점일 수 있다.
즉, 서버(100)는 구면 모델(340)을 통해 식별한 복수의 구면 좌표 데이터에 대응하는 복수의 전사 좌표 데이터에 기반하여 최적 자극 위치 정보를 획득할 수 있다. 서버(100)는 복수의 전사 좌표 데이터를 최적 위치 결정 모델의 입력으로 처리하여 최적 자극 위치 정보를 획득할 수 있다.
구체적으로, 최적 위치 결정 모델은 복수의 전사 좌표 데이터들을 입력으로 하여 최적 자극 위치 정보를 출력하는 최적화 알고리즘을 수행하도록 설계된 모델일 수 있다. 본 발명의 최적 위치 결정 모델은, 복수의 전사 좌표 데이터 각각에 대응하는 뇌 활성도 예측 정보를 도출하고, 도출된 뇌 활성도 예측 정보 각각과 복수의 전사 좌표 데이터 각각에 대응하는 기준 뇌 활성도 각각과의 차이에 관련한 손실함수(loss function)가 미리 정해진 기준치 이하인 최적의 전사 좌표 데이터를 식별하고, 식별된 최적의 전사 좌표 데이터에 기반하여 최적 자극 위치 정보를 출력할 수 있다. 보다 구체적으로, 최적 위치 결정 모델이 수행하는 최적화 알고리즘은 도 5에 도시된 바와 같을 수 있다.
도 5를 참조하여 보다 구체적으로 설명하면, 최적 위치 결정 모델은, 복수의 전사 좌표 데이터들 중 적어도 하나에 기반하여 전극 위치를 결정할 수 있다(S141). 여기서, 전극 위치 결정은, 전극 모델(430)을 배치시키기 위한 두피 상의 일 영역으로, 초기 전극 위치에 관련한 것일 수 있다.
최적 위치 결정 모델은, 초기 전극 위치를 결정한 경우, 결정한 전극 위치로 시뮬레이션을 진행할 수 있다. 구체적으로, 최적 위치 결정 모델은, 결정된 초기 전극 위치에 기반하여 3차원 뇌지도에 관련한 두상 모델(330)에 자극을 인가하기 위한 자극 인가 시뮬레이션을 수행할 수 있다(S142). 예컨대, 해당 전극 위치에 전기적 자극이 가해지는 경우, 특정 전기적 자극이 뇌에서 전파되는 상태가 시뮬레이션될 수 있다.
또한, 최적 위치 결정 모델은, 전술한 시뮬레이션 결과에 따라 뇌 활성도 예측 정보를 도출할 수 있다(S143). 여기서 뇌 활성도 예측 정보는, 결정된 전극 위치로 전기적 자극을 인가하는 시뮬레이션 결과 도출되는 값으로, 예컨대, 전기장에 관련한 값을 포함할 수 있다. 즉, 뇌 활성도 예측 정보는, 결정된 전극 위치에서 전기적 자극을 인가함에 따라 뇌의 특정 지점에서 발생하는 전기장 값에 관련한 예측 정보일 수 있다. 예컨대, 전기적 자극에 대응하여 발생되는 뇌 활성도 예측 정보의 값이 클수록 최적의 자극 위치에 가까울 수 있다.
또한, 최적 위치 결정 모델은, 뇌 활성도 예측 정보와 기준 뇌 활성도 정보와의 차이에 관련한 손실함수를 계산할 수 있다. 여기서 기준 뇌 활성도 정보는, 원하는 지점의 전기장 값에 관련한 것으로 예컨대, 사용자에 의해 임의로 설정된 값을 수 있다.
또한, 최적 위치 결정 모델은, 결정된 지점에 대응하는 도출된 뇌 활성도 예측 정보와 기준 뇌 활성도 정보의 차이에 관련한 손실함수에 기반하여 종료 조건을 충족하는지 여부를 판별할 수 있다(S145). 최적 위치 결정 모델은, 손실함수가 미리 정해진 기준치 이하인지 여부에 기초하여 종료 조건을 충족하는지 여부를 판별할 수 있다.
보다 구체적으로, 손실함수가 미리 정해진 기준치를 초과하는 경우, 최적 위치 결정 모델은, 뇌 활성도 예측 정보와 기준 뇌 활성도 정보의 차이가 크게 나타남에 따라, 종료 조건을 충족하지 못한다고 판별하여 새로운 전극 위치를 탐색할 수 있다. 예를 들어, 최초 위치에 관련한 구면 좌표 데이터에 기초하여, 구면 모델(340) 상의 구면 좌표 데이터를 이동시키고, 해당 이동된 구면 좌표 데이터에 대응하는 전사 좌표 데이터를 기반으로 새로운 전극 위치가 결정될 수 있다.
또한, 손실함수가 미리 정해진 기준치 이하인 경우, 최적 위치 결정 모델은, 종료 조건을 충족하는 것으로 판단하여 해당 위치를 최적 전극 위치로 결정할 수 있다(S146).
즉, 전술한 바와 같이, 손실함수가 최소화되는 방식으로 진행되는 최적화 알고리즘이 반복하여 수행됨에 따라, 복수의 전사 좌표 데이터들 중 최적의 자극을 인가할 것으로 예상되는 위치에 관련한 최적 자극 위치 정보가 획득될 수 있다. 이에 따라, 자극 인가 시뮬레이션을 통해 향상된 정확도의 최적 자극 위치 정보를 획득할 수 있으므로, 뇌 질환 치료를 위해 경두개직류자극술을 활용하고자 하는 경우, 다양한 사용자 별 각각의 두상에 대응하는 양질의 정보 제공을 통해 의료 시술을 보조하는 등 맞춤형 가이드를 제공하는 효과를 발생시키며, 이는 결과적으로 뇌 질환 치료의 효율을 향상시킬 수 있다.
본 발명의 일 실시예에 따르면, 서버(100)는 복수의 구면 좌표 데이터 중 적어도 둘 이상의 구면 좌표 데이터가 두상 모델(330)의 일 지점을 중첩하여 지시하는지 여부를 판별할 수 있다. 예컨대, 구면 좌표 데이터는, 연속적인 좌표 변환에도, 사용자의 두상 위에서 이동할 수 있도록 두상 모델(330)에 대응하는 구면 모델(340)에서 표현 가능한 좌표 데이터일 수 있다. 즉, 구면 좌표 데이터는, 두상 모델(330)의 내측으로 감싸도록 형성되는 구면 모델(340)을 포함된 구면 좌표 데이터일 수 있으며, 구면 좌표계에 기반하여 표시될 수 있다.
이러한 복수의 구면 좌표 데이터들은, 구면 모델(340)에 기반한 것이므로, 항상 사용자의 두피 상에서만 이동할 수 있으나, 해당 구면 좌표 데이터들에 기반하여 전극을 부착시키고자 하는 경우, 사용자의 두상 상에서 각 구면 좌표 데이터들이 지시하는 일 지점은 서로 중첩될 수 있다. 다시 말해, 구면 좌표계상에서는 서로 다른 지점일 수 있으나, 두피 상에서 전사한 위치가 겹쳐질 수 있다.
구면 좌표계상에서는 서로 다른 지점이나, 두피 상에서 전사한 위치가 겹쳐지는 경우, 최적 자극 위치 탐색 과정에서 효율 저하를 야기시킬 수 있다. 구체적인 예를 들어, 제1 위치에서 손실함수에 기반하여 종료 조건의 충족 여부를 결정할 수 있으며, 종료 조건이 충족되지 않는 경우, 두상 상의 다른 일 지점(또는 위치)인 제2 위치가 탐색되고, 해당 제2 위치에서 자극 인가 시뮬레이션이 수행될 수 있다. 이 경우, 제1 위치가 제2 위치는 구면 좌표계 상에서 서로 다른 지점일 수 있으나, 두피 상에서 전사한 위치가 겹쳐질 수 있다. 이는 결과적으로 동일한 지점에 관련한 자극 인가 시뮬레이션이 재차 수행되게 하는 것이므로, 최적의 자극 위치를 획득하는 시뮬레이션의 효율을 저하시킬 수 있다.
이에 따라, 본 발명의 일 실시예에 따른 서버(100)는 복수의 좌표 데이터 중 적어도 둘 이상의 구면 좌표 데이터가 두상 모델(330)의 일 지점을 중첩하여 지시하는지 여부를 판별하고, 일 지점을 중첩하여 지시하는 것으로 판별된 구면 좌표 데이터들 중 적어도 일부를 수정할 수 있다.
보다 자세히 설명하면, 서버(100)는 복수의 전사 좌표 데이터를 기반으로 복수의 구면 좌표 데이터 중 적어도 둘 이상의 구면 좌표 데이터가 두상 모델(330)의 일 지점을 중첩하여 지시하는지 여부를 판별할 수 있다. 복수의 전사 좌표 데이터는, 복수의 구면 좌표 각각에서 전사된 실제 두상 모델(330) 상의 좌표일 수 있다. 복수의 전사 좌표 데이터는, 두상 모델(330) 상에서 표현 가능한 직교 좌표에 관련한 데이터일 수 있다. 즉, 복수의 구면 좌표 데이터 각각을 기준으로 두상 모델(330)에 전사한 복수의 전사 좌표 데이터 중 적어도 하나의 전사 좌표 데이터가 둘 이상의 구면 좌표 데이터와 매칭되는 경우, 서버(100)는 적어도 둘 이상의 구면 좌표 데이터가 두상 모델(330)의 동일한 일 지점을 지시하는 것으로 판별할 수 있다.
즉, 전술한 바와 같이, 구면 좌표계상에서는 서로 다른 지점이나, 두피 상에서 전사한 위치가 겹쳐지는 경우, 서버(100)는 적어도 둘 이상의 구면 좌표 데이터가 두상 모델(330)의 일 지점을 중첩하여 지시하는 것으로 판별할 수 있다.
본 발명의 일 실시예에 따르면, 상기 적어도 둘 이상의 구면 좌표 데이터가 두상 모델(330) 상의 일 지점을 중첩하여 지시하는 경우, 적어도 둘 이상의 구면 좌표 데이터 중 일부에 대한 수정을 수행할 수 있다.
구체적으로, 서버(100)는 두상 모델(330) 상의 일 지점을 중첩하여 지시하는 적어도 둘 이상의 구면 좌표 데이터 중 적어도 하나의 구면 좌표 데이터를 제거할 수 있다. 예를 들어, 제1 전사 좌표 데이터에 대응하는 구면 좌표 데이터가 제1 구면 좌표 데이터 및 제2 구면 좌표 데이터인 경우, 서버(100)는 제1 구면 좌표 데이터를 제거할 수 있다. 전술한 전사 좌표 데이터 및 구면 좌표 데이터에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
즉, 서버(100)는 두상 모델(330) 상의 동일한 지점에 대응하는 구면 좌표 데이터 중 적어도 하나를 제거함으로써, 최적의 자극 위치를 획득하는 시뮬레이션 과정에서, 하나의 구면 좌표 데이터에 대응하는 시뮬레이션만 수행되도록 할 수 있어, 전체적이 시뮬레이션 효율을 극대화시킬 수 있다.
다른 실시예에 따르면, 서버(100)는 두상 모델(330) 상의 일 지점을 중첩하여 지시하는 적어도 둘 이상의 구면 좌표 데이터 중 적어도 하나의 구면 좌표 데이터의 좌표를 보정할 수 있다. 예를 들어, 제1 전사 좌표 데이터에 대응하는 구면 좌표 데이터가 제1 구면 좌표 데이터 및 제2 구면 좌표 데이터인 경우, 서버(100)는 제1 구면 좌표 데이터의 세타 또는 파이를 조정하여 구면 좌표 데이터를 생성할 수 있다. 전술한 전사 좌표 데이터 및 구면 좌표 데이터에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
즉, 서버(100)는 최적의 자극 위치를 획득하는 시뮬레이션 과정에서, 겹치는 위치가 생기지 않도록 좌표를 수정하도록 두상 모델(330) 상의 동일한 지점에 대응하는 구면 좌표 데이터 중 적어도 하나의 좌표를 조정함으로써, 전체적이 시뮬레이션 효율을 극대화시킬 수 있다.
본 발명의 일 실시예에 따르면, 서버(100)는 두상 모델(330) 상에 전극 모델(430)을 부착시키는 전극 부착 시뮬레이션을 수행할 수 있다. 전극 부착 시뮬레이션은, 전극 모델(430)이 두상 모델(330)에 접촉 또는 부착되는 과정에 대한 정보를 제공하기 위한 것일 수 있다. 예컨대, 해당 전극 부착 시뮬레이션을 통해 사용자의 실제 두피 상에 전극 패치를 어떻게 부착시켜야 하는지에 관련한 시각화정보를 제공받을 수 있다.
본 발명의 전극 모델(430)은, 도 9에 도시된 바와 같이, 실제 사용자의 두피에 부착되는 전극 패치를 3차원 모델링한 것으로, 두상 모델(330)과 접촉 가능한 제1면(432) 및 해당 제1면(432)에 대응하는 제2면(431)을 포함할 수 있다. 일 실시예에서, 제1면(432) 및 제2면(431) 각각을 형성하는 좌표들은 동방향의 지향성을 갖는 것을 특징으로 할 수 있다. 즉, 시뮬레이션 과정에서 전극 모델(430)의 제1면(432)이 일 방향으로 이동되는 경우, 제2면(431) 또한, 상기 일 방향으로 이동될 수 있다.
구체적으로, 도 6에 도시된 바와 같이, S210 단계에서 서버(100)는 최적 자극 위치 정보에 대응하는 제1위치에 전극 모델을 배치시킬 수 있다. 여기서, 제1위치는 최적 자극 위치 정보의 노멀 벡터(또는 법선 벡터)(410) 방향에 일 위치일 수 있다. 즉, 서버(100)는 최적의 자극을 인가할 것으로 예측된 두피 상 일 지점으로부터 두상의 바깥 쪽 노멀 벡터(410) 방향인 제1위치에 전극 모델(430)을 배치시킬 수 있다. 다시 말해, 타겟하고자 하는 일 지점(즉 최적 자극 위치)에서 노멀 벡터 방향으로 떨어진 일 지점(즉, 제1위치)에 전극 모델(430)을 위치시킬 수 있다.
또한, 단계 S220에서 서버(100)는 제1위치에 위치한 전극 모델(430)을 최적 자극 위치 정보에 대응하는 위치로 점진적으로 이동시켜 두상 모델(330)에 대한 전극 부착 시뮬레이션을 수행할 수 있다.
보다 자세히 설명하면, 서버(100)는 전극 모델(430)의 제1면(432)과 두상 모델(330)이 접촉되는 경우, 해당 전극 모델(430)의 이동을 중지시킬 수 있다. 다시 말해, 전극 모델(430)의 제1면(432)이 두상 모델(330)의 일 지점(예컨대, 최적 자극 위치)과 접촉되는 경우, 전극 모델(430)의 이동은 중단될 수 있다.
또한, 서버(100)는 이동이 중지된 전극 모델(430)의 제1면(432)에 관련한 복수의 제1좌표 각각의 이동거리를 산출할 수 있다. 예컨대, 전극 모델(430)이 제1위치에서 두상 모델의 일 지점까지 이동됨에 따라, 해당 전극 모델(430)의 제1면(즉, 밑면)을 구성하는 복수의 제1좌표들이 변화될 수 있다. 서버(100)는 이러한 제1좌표들의 이동거리를 산출할 수 있다.
또한, 서버(100)는 복수의 제1좌표 각각의 이동 거리에 기반하여 제2면(431)에 관련한 복수의 제2좌표 각각을 이동시킬 수 있다. 예컨대, 전극 모델(430)이 제1위치에서 두상 모델(330)의 일 지점까지 이동됨에 따라, 해당 전극 모델(430)의 제1면(432)을 구성하는 복수의 제1좌표들이 일 방향으로 '3'만큼 이동되는 경우, 제2면(431)을 구성하는 복수의 제2좌표들 또한 해당 일 방향으로 '3'만큼 이동될 수 있다. 전술한 예시에서 각 면의 이동 거리에 대한 구체적인 수치적 기재는 본 개시의 이해를 돕기 위한 예시일 뿐, 본 개시는 이에 제한되지 않는다.
보다 구체적으로, 서버(100)는 복수의 제1좌표 각각과 복수의 제2좌표 각각을 매칭시킬 수 있다. 예를 들어, 제1면(432)을 구성하는 복수의 제1좌표 각각과 제2면(431)을 구성하는 복수의 제2좌표 각각은, 상대적인 위치에 기반하여 서로 매칭될 수 있다. 보다 구체적인 예를 들어, 서버(100)는 복수의 제1좌표 각각에, 각 좌표와 평행한 복수의 제2좌표 각각을 매칭시킬 수 있다. 즉, 서로 매칭된 좌표들은 직선 거리 상 최단 거리에 위치한 좌표들일 수 있다. 서버(100)는 복수의 제1좌표 각각의 이동 거리를 식별할 수 있다. 또한, 서버(100)는 복수의 제1좌표 각각의 이동 거리에 기반하여 복수의 제1좌표 각각에 매칭된 복수의 제2좌표 각각을 이동시킬 수 있다.
즉, 서버(100)는 제1면을 구성하는 복수의 제1좌표 각각의 이동 거리에 기반하여 각 제1좌표에 매칭된 제2좌표 각각을 이동시킴으로써, 제2면(431)을 이동시킬 수 있다.
이에 따라, 전극 모델(430)이 두상 모델(330)의 일 표면에 접촉하는 것에 대응하여, 제1면(432)과 제2면(431)이 동일하게 이동될 수 있다. 다시 말해, 전극 모델(430)의 제1면(432)을 구성하는 제1좌표들이 이동한 거리만큼 각 제1좌표들에 대응하는 제2좌표들이 이동함으로써, 제2면(431)이 제1면(432)이 이동된 만큼 이동하게 된다.
전술한 과정을 통해 서버(100)는 전극 모델(430)이 두상 모델(330)에 접촉 또는 부착되는 과정에 대한 전극 부착 시뮬레이션을 수행할 수 있다. 이러한, 전극 부착 시뮬레이션을 통해 사용자의 실제 두피 상 일 영역(즉, 최적의 자극 위치)에 전극 패치를 어떻게 부착시켜야 하는지에 관련한 시각화정보를 제공받을 수 있다. 즉, 사용자는 전극 부착 시뮬레이션을 통해 의료 보조에 관련한 시각화 정보를 획득할 수 있다.
본 발명의 일 실시예에 따르면, 서버(100)는 두상 모델(330)과 접촉된 전극 모델(430)을 기준으로 후보 전극 모델(430)을 부착시키는 후보 전극 부착 시뮬레이션을 수행할 수 있다. 후보 전극 모델(430)은 두상 모델(330) 상에 전극 모델(430)로부터 미리 정해진 이격 거리 이내 부착되는 것을 특징으로 할 수 있다. 예컨대, 경두개직류자극술의 경우 인가하고자 하는 자극의 크기 및 방향 등에 따라, 두피에 미리 부착된 전극 패치 이외에 추가적인 전극 패치들(즉, 후보 전극)이 배치될 수 있다. 이 경우, 추가적인 전극 패치들은 두상에 부착된 전극 패치와 제한된 반경 이내에 동일한 방향을 지향하도록 배치되어야 한다. 예컨대, 비정형한 표면인 두피 상에서 각 전극 패치를 동일한 방향으로 배치시키는 것을 어려울 수 있다. 구체적으로, x, y에 관련한 2차원 좌표의 경우, 0도를 특정 축에 평행한 방향으로 정의하기는 쉬우나, x, y, z에 관련한 3차원 좌표의 경우, 특정 축을 기준으로 0도를 정의하기 어려울 수 있다. 다시 말해, 두피 표면이 울퉁불퉁 함에 따라, 조금의 위치 변화에 따라 방향이 틀어질 수 있으므로, 두피 표면 상에 추가 전극 패치를 전극 패치와 일관된 방향으로 부착하는 것은 어려울 수 있다.
본 발명의 일 실시예에서, 서버(100)는 전극 모델(430)의 부착 위치에 기초하여 후보 전극 모델(430)을 위치시킬 수 있다. 즉, 서버(100)는 두상 모델(330) 상에서 전극 모델(430)의 부착 위치에 관련하여 후보 전극 모델(430)을 위치시킬 수 있다. 예컨대, 서버(100)는 전극 모델(430)로부터 미리 정해진 간격 이내에 후보 전극 모델(430)을 위치시킬 수 있다.
일 실시예에서, 서버(100)는 전극 모델(430)의 부착 형태에 기반하여 후보 전극 모델(430)의 부착 방향을 결정할 수 있다. 구체적인 예를 들어, 도 9에 도시된 바와 같이 전극 모델(430)은 얇은 두께를 가진 육면체로 구현될 수 있다. 서버(100)는 두상 모델(330) 상에 부착된 전극 모델(430)에서, 해당 전극 모델(430)의 가장 긴 변이 형성된 방향을 기준으로 후보 전극 모델(430)의 부착 방향을 결정할 수 있다. 다시 말해, 전극 모델(430)에서 가장 긴 변과 후보 전극 모델(430)의 긴 변이 평행에 가깝도록 후보 전극 모델(430)의 부착 방향을 결정할 수 있다. 전술한 설명에서는 제1면 및 제2면이 사각형인 경우를 특정하여 예시적으로 설명하나, 본 개시는 이에 제한되지 않는다.
즉, 서버(100)가 두상 모델(330) 상에서 전극 모델(430)의 부착 방향을 식별하고, 식별된 부착 방향을 기반으로 후보 전극 모델(430)을 부착함으로써, 후보 전극 모델이 전극 모델(430)과 균일한 방향으로 배치될 수 있다.
본 발명의 다른 일 실시예에 따르면, 서버(100)는 후보 전극 모델(430)의 orientation angle를 순차적으로 변화시키고, orientation angle의 변화에 따른 복수의 방향 벡터를 획득할 수 있다. 여기서, orientation angle은, 후보 전극 모델(430)이 두상 모델(330)의 표면에 접촉되는 경우, 후보 전극 모델(430)과 맞닿은 두상 모델(330)의 일 지점을 중심축으로 하는 회전에 관련한 것일 수 있다. 구체적인 예를 들어, 서버(100)는 도 11에 도시된 바와 같이, 후보 전극 모델(430)의 orientation angle을 변화시킬 수 있다. 예컨대, 서버(100)가 후보 전극 모델(430)의 orientation angle을 변화시킴에 따라, 도 11의 (b)에 도시된 바와 같이, 두상 모델(330)의 표면 상에서 후보전극모델이 회전(430a-1)될 수 있다.
즉, 서버(100)는 후보 전극 모델(430)의 orientation angle을 0도부터 360도까지 순차적으로 변화시킬 수 있으며, 각 각도 변화에 따른 복수의 방향 벡터 각각을 획득할 수 있다. 예컨대, 후보 전극 모델(430)의 orientation angle이 90도로 변화되는 경우, 서버(100)는 이에 관련한 방향 벡터-1을 획득할 수 있으며, 후보 전극 모델(430)의 orientation angle이 180도로 변화되는 경우, 서버(100)는 이에 관련한 방향 벡터-2를 획득할 수 있다. 이 경우, 방향 벡터-1와 방향 벡터-2는 서로 상이할 수 있다.
또한, 서버(100)는 획득된 복수의 방향 벡터와 전극 모델(430)의 제1방향 벡터의 비교에 기초하여 두상 모델(330) 상에서 후보 전극 모델(430)의 부착 방향으로 결정할 수 있다. 구체적으로, 서버(100)는 orientation angle을 0도부터 360도까지 순차적으로 변화시킬 수 있으며, 각 각도 변화에 따른 복수의 방향 벡터 각각을 획득하고, 해당 복수의 방향 벡터 중 전극 모델(430)의 제1 방향 벡터와 가장 유사한 벡터를 식별할 수 있다. 또한, 서버(100)는 전극 모델(430)의 제1 방향 벡터와 가장 유사한 벡터에 대응하는 orientation angle에 기초하여 후보 전극 모델(430)의 부착 방향을 결정할 수 있다.
즉, 서버(100)는 orientation angle 변화를 통해 후보 전극 모델(430)에 관련한 복수의 방향 벡터를 획득할 수 있으며, 해당 복수의 방향 벡터 중 전극 모델(430)의 제1 방향 벡터와 가장 유사한 방향 벡터를 가진 orientation angle 각도에 기반하여 후보 전극 모델(430)의 부착 방향을 결정할 수 있다. 이에 따라, 후보 전극 모델(430)은 전극 모델(430)과 균일한 방향으로 배치될 수 있다. 전술한 과정을 통해 서버(100)는 울퉁불퉁한 두피 표면 상에서 전극 모델(430)과 균일한 간격 및 균일한 방향으로 후보 전극 모델(430)을 배치시킬 수 있다.
본 발명의 일 실시예에 따르면, 최적 자극 위치 정보는, 하나 이상의 최적 자극 위치 서브 정보를 포함할 수 있다. 예컨대, 최적 위치 결정 모델을 통해 하나 이상의 최적 자극 위치 서브 정보를 출력될 수 있다. 즉, 실시예에 따라, 자극목표지점에 인가되는 전기적 자극이 최대가 되도록 하는 두피 상의 위치는 여러 곳 일 수 있다. 다시 말해, 하나 이상의 최적 자극 위치 서브 정보 각각에 하나 이상의 자극이 부착되어 자극을 인가하는 경우, 자극 전달의 효율이 보다 향상될 수 있다.
이를 위해, 서버(100)는 하나 이상의 최적 자극 위치 서브 정보 각각에 대응하여 두상 모델(330)에 하나 이상의 전극 부착 시뮬레이션을 수행할 수 있다. 각 전극 부착 시뮬레이션은, 각 전극 모델이 각 최적 자극 위치 서브 정보에 대응하여 두상 모델(330)에 접촉 또는 부착되는 과정에 대한 정보를 제공하기 위한 것일 수 있다. 예컨대, 각 전극 부착 시뮬레이션을 통해 사용자의 실제 두피 여러 영역 상에 각각의 전극 패치를 어떻게 부착시켜야 하는지에 관련한 시각화정보를 제공받을 수 있다.
일 실시예에 따르면, 서버(100)는 하나 이상의 전극 부착 시뮬레이션 결과 두상 모델(330) 상에서 적어도 하나의 전극 모델(430)이 중첩하는지 여부를 식별할 수 있다. 예컨대, 전극 모델 각각의 배치 크기 또는 하나 이상의 최적 자극 위치 서브 정보에 따라, 두상 모델(330) 상에서 하나 이상의 전극 모델은 중첩될 수 있다. 또한, 서버(100)는 식별된 중첩 전극 모델에 기초하여 적어도 하나의 최적 자극 위치 서브 정보를 수정할 수 있다. 일 실시예에서, 서버(100)는 식별된 중첩 전극 모델에 기초하여 적어도 하나의 전극 모델의 구비 형상을 수정할 수 있다.
다시 말해, 각 전극 모델의 배치 크기 또는 최적의 위치들 간의 거리 영향으로 인해, 하나 이상의 전극 부착 시뮬레이션 과정에서, 서로 중첩되는 전극 모델이 발생할 수 있다. 이 경우, 서버(100)는 중첩된 전극 모델 중 적어도 하나의 전극 모델이 다른 위치에 배치되도록 최적 자극 위치 서브 정보를 수정할 수 있다. 또한, 서버(100)는, 중첩된 전극 모델 중 적어도 하나의 전극 모델의 형상을 변경(예컨대, 서로 중첩되지 않도록 크기를 줄이거나 또는 형태를 변경)할 수 있다.
전술한 과정을 통해 서버(100)는 하나 이상의 전극 모델이 두상 모델(330)에 부착되는 과정에 관련한 하나 이상의 전극 부착 시뮬레이션을 수행할 수 있다. 이러한, 전극 부착 시뮬레이션을 통해 사용자의 실제 두피 상 다양한 영역(즉, 최적의 자극 위치들 각각)에 전극 패치들 각각을 어떻게 부착시켜야 하는지에 관련한 시각화정보를 제공받을 수 있다. 또한, 서버(100)는 각 전극 모델 간의 중첩 가능성을 예측하고, 중첩될 것으로 예상되는 경우, 각 전극 간의 간섭이 발생하지 않도록 상이한 최적 자극 위치에 대한 정보를 제공하거나, 전극 모델의 형상을 변경할 수 있다. 이에 따라, 사용자는 복수의 전극 패치 부착 과정에서 발생할 수 있는 간섭 상황에 대한 대응 방안에 관련한 정보를 획득할 수 있다.
전술한 인공지능 모델을 활용한 최적의 자극 위치 산출 방법은 도면에 도시된 순서도를 참조하여 설명하였다. 간단한 설명을 위해 인공지능 모델을 활용한 최적의 자극 위치 산출 방법은 일련의 블록들로 도시하여 설명하였으나, 본 발명은 상기 블록들의 순서에 한정되지 않고, 몇몇 블록들은 본 명세서에 도시되고 시술된 것과 상이한 순서로 수행되거나 또는 동시에 수행될 수 있다. 또한, 본 명세서 및 도면에 기재되지 않은 새로운 블록이 추가되거나, 일부 블록이 삭제 또는 변경된 상태로 수행될 수 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
100 : 인공지능 모델을 활용한 최적의 자극 위치 산출 서버(서버)
200 : 사용자 단말
300 : 외부 서버
400 : 네트워크

Claims (10)

  1. 컴퓨팅 장치에서 수행되는 방법에 있어서,
    사용자 진단 정보에 기초하여 두상 모델을 생성하는 단계;
    상기 두상 모델에 기초하여 구면 모델을 생성하는 단계;
    상기 구면 모델에 관련한 복수의 구면 좌표 데이터 각각에 대응하는 복수의 전사 좌표 데이터를 식별하는 단계; 및
    상기 복수의 전사 좌표 데이터를 최적 위치 결정 모델의 입력으로 처리하여 최적 자극 위치 정보를 획득하는 단계; 를 포함하며,
    상기 구면 모델을 생성하는 단계는,
    상기 두상 모델의 중심점을 기준으로 하나 이상의 구를 전개시키는 단계;
    상기 전개된 하나 이상의 구 중 두상 모델의 표면과의 평균거리의 차(RMSE, Root Mean Square Error)가 최소가 되는 제1구를 식별하는 단계; 및
    상기 식별된 제1구에 기초하여 상기 구면 모델을 생성하는 단계; 를 포함하며,
    상기 복수의 전사 좌표 데이터는,
    상기 두상 모델 상에 표현 가능한 직교 좌표에 관련한 데이터인 것을 특징으로 하는,
    인공지능 모델을 활용한 최적의 자극 위치 산출 방법.
  2. 제1항에 있어서,
    상기 사용자 진단 정보는,
    상기 두상 모델 생성에 기반이 되는 정보로, 사용자의 뇌 또는 두상에 관한 의료 영상 정보를 포함하며,
    상기 두상 모델은,
    실제 사용자의 뇌 또는 두상에 관련한 3차원 뇌지도 모델이며,
    상기 구면 모델은,
    특정 반지름을 갖는 3차원 구 모델의 적어도 일부를 통해 구현되며,
    상기 복수의 구면 좌표 데이터는,
    상기 구면 모델 내에서 표현 가능한 구면 좌표에 관련한 데이터인 것을 특징으로 하는,
    인공지능 모델을 활용한 최적의 자극 위치 산출 방법.
  3. 제1항에 있어서,
    상기 사용자 진단 정보에 기초하여 두상 모델을 생성하는 단계는,
    상기 사용자 진단 정보를 이미지 영역 분류 모델의 입력으로 처리하여 하나 이상의 뇌 영역 이미지를 획득하는 단계:
    상기 하나 이상의 뇌 영역 이미지에 대한 전처리를 수행하는 단계; 및
    상기 전처리된 하나 이상의 뇌 영역 이미지에 기초하여 상기 두상 모델을 생성하는 단계; 를 포함하며,
    상기 이미지 영역 분류 모델은,
    CNN(Convolutional Neural Network) 기반의 신경망 모델로, 복수의 사용자 진단 정보에 관련한 학습 입력 데이터 및 상기 각 사용자 진단 정보에 대응하는 뇌 영역 분류 정보에 관련한 학습 출력 데이터를 포함하는 학습 데이터를 통해 학습되는 것을 특징으로 하는,
    인공지능 모델을 활용한 최적의 자극 위치 산출 방법.
  4. 삭제
  5. 제1항에 있어서,
    상기 최적 위치 결정 모델은,
    상기 복수의 전사 좌표 데이터 각각에 대응하는 뇌 활성도 예측 정보를 도출하고, 도출된 뇌활성도 예측 정보 각각과 상기 복수의 전사 좌표 데이터 각각에 대응하는 기준 뇌 활성도 정보 각각과의 차이에 관련한 손실함수(loss function)가 미리 정해진 기준치 이하인 최적의 전사 좌표 데이터를 식별하고, 식별된 상기 최적의 전사 좌표 데이터에 기반하여 상기 최적 자극 위치 정보를 출력하는 것을 특징으로 하는,
    인공지능 모델을 활용한 최적의 자극 위치 산출 방법.
  6. 제1항에 있어서,
    상기 방법은,
    상기 복수의 구면 좌표 데이터 중 적어도 둘 이상의 구면 좌표 데이터가 상기 두상 모델 상의 일 지점을 중첩하여 지시하는지 여부를 판별하는 단계; 및
    상기 적어도 둘 이상의 구면 좌표 데이터가 상기 두상 모델 상의 일 지점을 중첩하여 지시하는 경우, 상기 적어도 둘 이상의 구면 좌표 데이터 중 일부에 대한 수정을 수행하는 단계;
    를 포함하는,
    인공지능 모델을 활용한 최적의 자극 위치 산출 방법.
  7. 제6항에 있어서,
    상기 적어도 둘 이상의 구면 좌표 데이터 중 일부에 대한 수정을 수행하는 단계는,
    상기 두상 모델 상의 일 지점을 중첩하여 지시하는 적어도 둘 이상의 구면 좌표 데이터 중 적어도 하나의 구면 좌표 데이터를 제거하는 단계; 또는,
    상기 두상 모델 상의 일 지점을 중첩하여 지시하는 적어도 둘 이상의 구면 좌표 데이터 중 적어도 하나의 구면 좌표 데이터의 좌표를 보정하는 단계;
    중 적어도 하나의 단계를 포함하는,
    인공지능 모델을 활용한 최적의 자극 위치 산출 방법.
  8. 제1항에 있어서,
    상기 방법은,
    상기 최적 자극 위치 정보에 대응하는 제1위치에 전극 모델을 배치시키는 단계; 및
    상기 제1위치에 위치한 상기 전극 모델을 상기 최적 자극 위치 정보에 대응하는 위치로 점진적으로 이동시켜 상기 두상 모델에 대한 전극 부착 시뮬레이션을 수행하는 단계; 를 더 포함하며,
    상기 제1위치는,
    상기 최적 자극 위치 정보의 노멀 벡터(Normal Vector) 방향에 일 위치인,
    인공지능 모델을 활용한 최적의 자극 위치 산출 방법.
  9. 프로세서;
    네트워크 인터페이스;
    메모리; 및
    상기 메모리에 로드(load)되고, 상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 포함하되,
    상기 컴퓨터 프로그램은,
    사용자 진단 정보에 기초하여 두상 모델을 생성하는 인스트럭션(instruction);
    상기 두상 모델에 기초하여 구면 모델을 생성하는 인스트럭션;
    상기 구면 모델에 관련한 복수의 구면 좌표 데이터 각각에 대응하는 복수의 전사 좌표 데이터를 식별하는 인스트럭션; 및
    상기 복수의 전사 좌표 데이터를 최적 위치 결정 모델의 입력으로 처리하여 최적 자극 위치 정보를 획득하는 인스트럭션; 를 포함하며,
    상기 구면 모델을 생성하는 인스트럭션은,
    상기 두상 모델의 중심점을 기준으로 하나 이상의 구를 전개시키는 인스트럭션;
    상기 전개된 하나 이상의 구 중 두상 모델의 표면과의 평균거리의 차가 최소가 되는 제1구를 식별하는 인스트럭션; 및
    상기 식별된 제1구에 기초하여 상기 구면 모델을 생성하는 인스트럭션; 을 포함하며,
    상기 복수의 전사 좌표 데이터는,
    상기 두상 모델 상에 표현 가능한 직교 좌표에 관련한 데이터인 것을 특징으로 하는,
    인공지능 모델을 활용하여 최적의 자극 위치를 산출하는 서버.
  10. 컴퓨팅 장치와 결합되어,
    사용자 진단 정보에 기초하여 두상 모델을 생성하는 단계;
    상기 두상 모델에 기초하여 구면 모델을 생성하는 단계;
    상기 구면 모델에 관련한 복수의 구면 좌표 데이터 각각에 대응하는 복수의 전사 좌표 데이터─상기 복수의 전사 좌표 데이터는, 상기 두상 모델 상에 표현 가능한 직교 좌표에 관련한 데이터인 것을 특징으로 함─를 식별하는 단계; 및
    상기 복수의 전사 좌표 데이터를 최적 위치 결정 모델의 입력으로 처리하여 최적 자극 위치 정보를 획득하는 단계; 를 실행시키기 위하여 컴퓨터로 판독가능한 기록매체에 저장되는 것을 특징으로 하며,
    상기 구면 모델을 생성하는 단계는,
    상기 두상 모델의 중심점을 기준으로 하나 이상의 구를 전개시키는 단계;
    상기 전개된 하나 이상의 구 중 두상 모델의 표면과의 평균거리의 차가 최소가 되는 제1구를 식별하는 단계; 및
    상기 식별된 제1구에 기초하여 상기 구면 모델을 생성하는 단계; 를 포함하는,
    컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터프로그램.
KR1020210089050A 2021-07-07 2021-07-07 인공지능 모델을 활용한 최적의 자극 위치 산출 방법, 서버 및 컴퓨터프로그램 KR102373758B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020210089050A KR102373758B1 (ko) 2021-07-07 2021-07-07 인공지능 모델을 활용한 최적의 자극 위치 산출 방법, 서버 및 컴퓨터프로그램
PCT/KR2021/018145 WO2023282405A1 (ko) 2021-07-07 2021-12-02 인공지능 모델을 활용한 최적의 자극 위치 산출 방법, 전극 모델 시뮬레이션 방법, 서버 및 컴퓨터프로그램
US17/677,884 US20230009109A1 (en) 2021-07-07 2022-02-22 Optimal stimulation position calculation method, server and computer program using ai model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210089050A KR102373758B1 (ko) 2021-07-07 2021-07-07 인공지능 모델을 활용한 최적의 자극 위치 산출 방법, 서버 및 컴퓨터프로그램

Publications (1)

Publication Number Publication Date
KR102373758B1 true KR102373758B1 (ko) 2022-03-15

Family

ID=80816683

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210089050A KR102373758B1 (ko) 2021-07-07 2021-07-07 인공지능 모델을 활용한 최적의 자극 위치 산출 방법, 서버 및 컴퓨터프로그램

Country Status (2)

Country Link
US (1) US20230009109A1 (ko)
KR (1) KR102373758B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012155152A (ja) * 2011-01-26 2012-08-16 Nagoya Institute Of Technology 仮想脳外科手術シミュレータ
KR20190066507A (ko) 2017-12-05 2019-06-13 권용훈 광을 이용한 뇌의 비침습적 자극장치
KR20200138111A (ko) * 2019-01-31 2020-12-09 뉴로핏 주식회사 10-20 시스템 기반의 위치 정보 제공 방법, 장치 및 프로그램

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012155152A (ja) * 2011-01-26 2012-08-16 Nagoya Institute Of Technology 仮想脳外科手術シミュレータ
KR20190066507A (ko) 2017-12-05 2019-06-13 권용훈 광을 이용한 뇌의 비침습적 자극장치
KR20200138111A (ko) * 2019-01-31 2020-12-09 뉴로핏 주식회사 10-20 시스템 기반의 위치 정보 제공 방법, 장치 및 프로그램

Also Published As

Publication number Publication date
US20230009109A1 (en) 2023-01-12

Similar Documents

Publication Publication Date Title
JP6828149B2 (ja) 電気刺激システムに対する刺激パラメータ設定の閉ループ決定のためのシステム及び方法
JP5734295B2 (ja) 組織活性の部位を推定するためのシステムおよび方法
EP3327628A1 (en) Method and apparatus for recognizing an object
US11775698B2 (en) Method, server and computer program for designing customized headgear for transcranial direct current stimulation
CN112597986B (zh) 生理电信号分类处理方法、装置、计算机设备和存储介质
KR20230008937A (ko) 인공지능 모델을 활용한 최적의 자극 위치 산출 방법, 서버 및 컴퓨터프로그램
Sarikhani et al. Automated deep brain stimulation programming with safety constraints for tremor suppression in patients with Parkinson’s disease and essential tremor
KR102373758B1 (ko) 인공지능 모델을 활용한 최적의 자극 위치 산출 방법, 서버 및 컴퓨터프로그램
KR102373759B1 (ko) 전극 모델 시뮬레이션 방법, 서버 및 컴퓨터프로그램
CN114283878A (zh) 训练匹配模型、预测氨基酸序列和设计药物的方法与装置
KR20230008938A (ko) 전극 모델 시뮬레이션 방법, 서버 및 컴퓨터프로그램
CN115985513B (zh) 一种基于多组学癌症分型的数据处理方法、装置及设备
KR102373767B1 (ko) 뇌 병변 환자의 빅데이터 기반 치료 전략 수립 방법, 서버 및 컴퓨터프로그램
WO2023282405A1 (ko) 인공지능 모델을 활용한 최적의 자극 위치 산출 방법, 전극 모델 시뮬레이션 방법, 서버 및 컴퓨터프로그램
Tolu et al. Perspective on investigation of neurodegenerative diseases with neurorobotics approaches
KR102373761B1 (ko) 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법, 서버 및 컴퓨터프로그램
KR102633843B1 (ko) 인공지능 기반 실시간 음향 시뮬레이션 방법 및 시스템
CN112150404B (zh) 基于联合显著图的全局到局部非刚性图像配准方法及装置
US20170286629A1 (en) Method for simulating brain stimulation, corresponding device and computer program
KR20220011573A (ko) 인공지능 모델 학습을 위한 표준화된 뇌파 이미지 생성방법, 장치 및 컴퓨터프로그램
US20230011442A1 (en) Optimal stimulation position combination determination method, server, and computer program using preset guide system
US11813406B2 (en) Software and methods for controlling neural responses in deep brain regions
US20230010674A1 (en) Electric stimulation simulation method, server, and computer program for determining optimal stimulation position combination
Das et al. Adaptive parameterized AdaBoost algorithm with application in EEG motor imagery classification
KR20230008941A (ko) 뇌 병변 환자의 빅데이터 기반 치료 전략 수립 방법, 서버 및 컴퓨터프로그램

Legal Events

Date Code Title Description
GRNT Written decision to grant