KR102373988B1

KR102373988B1 - 다중 특성 융합을 기반으로 하는 알츠하이머병 분류 방법

Info

Publication number: KR102373988B1
Application number: KR1020190048135A
Authority: KR
Inventors: 최흥국; 마두산카 누안; 소재홍
Original assignee: 인제대학교 산학협력단
Priority date: 2019-04-25
Filing date: 2019-04-25
Publication date: 2022-03-15
Also published as: KR20200124827A

Abstract

자기공명 영상이 가진 진단 바이오 마커로서의 형태학적 특성과 질감특성을 결합하고 이를 기계 학습 기법을 사용하여 알츠하이머병, 경도인지장애 및 정상인을 분류하기 위해 다중 특성 융합을 기반으로 하는 알츠하이머병 분류 방법이 개시된다. 이 분류 방법은 자기공명(MR)영상 스캔 이미지를 획득하는 MR 이미지 획득 단계와, MR 이미지에 대한 잡음 제거, 비균질성 보정과 명암 표준화 및 패치 기반의 해마 영역 세분화를 수행하는 이미지 처리 단계와, 이미지 처리 단계에서 분할된 해마 영상에 대하여 체적요소기반 형태학적 특성 추출 및 GLCM(Gray-Level Co-occurrence Matrix)과 가버필터를 사용하는 질감 특성 추출을 수행하는 특성 추출 단계와, 특성 추출 단계에서 추출되어진 형태학적 특성 및 질감 특성의 특징 벡터로부터 일정 개수의 특징 집합을 선정하고 분류하는 특성 선택 단계와, 기계학습을 이용하여 알츠하이머병, 경도인지장애 및 정상인 그룹간의 차이점을 계산하고 분류 정확도를 측정하는 결과 분석 단계를 포함한다.

Description

다중 특성 융합을 기반으로 하는 알츠하이머병 분류 방법{ALZHEIMER'S DISEASE CLASSIFICATION BASED ON MULTI-FEATURE FUSION}

본 발명은 알츠하이머병 분류 방법에 관한 것으로서, 더욱 상세하게는 MR 영상이 가진 진단 바이오 마커로서의 형태학적 특성과 질감특성을 결합하고 이를 기계 학습 기법을 사용하여 알츠하이머병, 경도인지장애 및 정상인을 분류하기 위해다중 특성 융합을 기반으로 하는 알츠하이머병 분류 방법에 관한 것이다.

지난 수십 년 동안, 자기공명이미지(MRI)을 사용하여 질환에 따른 해마의 위축을 정량화하기 위한 많은 방법들이 연구되었다. 특히 알츠하이머성 치매(AD: Alzheimer’s Disease)와 경도 인지장애(MCI: Mild Cognitive Impairment)의 조기 발견 및 예측을 위해서도 많은 노력이 있어왔다.

AD와 MCI는 기억력, 인지 능력 및 일상 업무를 수행하는 능력이 서서히 파괴되는 진행성 신경퇴행 장애이다. AD의 주요 증상으로는 기억상실, 계획 수립 및 문제 해결 장애, 시각적 인지 장애, 부적절한 사회적 행동 및 우울증이 있다. AD와 MCI는 노인들에게 가장 흔하게 발병되는 치매의 형태이며, 사회 보건 측면에서도 많은 문제를 야기하고 있다.

AD와 MCI의 다른 특징으로는 단백질로 이루어진 베타 아미로이드(β-amyloid), 타우 단백질(τ- protein)이 신경세포의 내/외부에 축적되어 뉴런을 손상시키는 것이다.

이에 뇌 MRI는 AD 및 MCI 환자의 인상 평가에 사용되는 의료 영상 기술로서, 해마 및 속내피질(Entorhinal Cortex)과 같은 영역의 변화를 관찰할 수 있어 평가단계에서 효과적으로 사용될 수 있다.

이러한 변화는 신경 퇴행성 질환의 조기 발견을 위한 바이오 마커로 사용될 수 있다. 또한, 다량의 의료 이미지를 효율적으로 진단하기 위해서도 우수한 진단 방법이 반드시 필요하다.

그러나 이전의 연구에서는 AD 분류과정에서는 시각적 및 형태학적 특징과 결합하여 사용하지는 않았다.

이를 위해 형태학 및 시각적 내용을 기반으로 하여 이미지를 효율적으로 진단하는 기술이 요구된다.

이러한 본 발명의 배경기술로서 대한민국 공개특허공보 10-2015-0057045(2015.05.28.)호에서 뇌질환 진단 서비스 장치 및 방법이 공지되어 있다.

그러나 상기 종래의 기술은 MRI 기기로부터 획득된 영상들을 이용하여 뇌병변이 추출되면 진단대상자의 영상과 표준 영상을 이용하여 추정된 변환행렬을 표준 뇌영역지도에 적용하여 생성된 진단대상자의 개별 뇌영역지도에서 뇌영역별 뇌병변이 차지하는 비율을 연산한 결과에 기반하여 장애 유형을 결정할 수 있도록 한 뇌질환 진단 서비스 장치 및 방법을 제공하는 것으로서, 본 발명에서와 같은 AD 환자의 해마에 대한 질감 특성과 형태학적 특성을 융합하여 사용하여 이를 분류하고 정확도를 측정하여 제공하는 기술과는 차이가 있다.

본 발명은 전술한 종래기술의 문제점을 해결하기 위해 도출된 것으로, 본 발명의 목적은, MRI 영상의 추출한 해마 영역에 대한 형태학적 특성과 2D와 3D에서의 질감특성을 결합하고 이를 기계 학습 기법을 사용하여 알츠하이머병(AD: Alzheimer’s Disease), 경도인지장애(MCI: Mild Cognitive Impairment) 및 정상인(NC: Normal Control)을 분류할 수 있는, 다중 특성 융합 기반 알츠하이머병 분류 방법을 제공하는 데 있다.

본 발명의 다른 목적은 영상이 가진 질감분석과 형태학적 특성에 기반하여 AD, MCI 및 NC를 분류하고 정확도를 측정할 수 있는, 다중 특성 융합 기반 알츠하이머병 분류 방법을 제공하는 데 있다.

상기 기술적 과제를 해결하기 위한 본 발명의 일 측면에 따른 알츠하이머병 분류 방법은, 자기공명영상(MRI, Magnetic Resonance Imaging) 스캔 이미지를 획득하는 MR 이미지 획득 단계; 상기 MR 이미지에 대한 잡음 제거, 비균질성 보정과 명암 표준화 및 패치 기반의 해마 영역 세분화를 수행하는 이미지 처리 단계; 분할된 해마 영상에 대하여 체적요소기반 형태학적 특성 추출과 GLCM(Gray-Level Co-occurrence Matrix)과 가버필터(Gabor Filter)를 사용하는 질감특성 추출을 수행하는 특성 추출 단계; 상기 특성 추출 단계에서 추출되어진 형태학적 특성 및 질감 특성 벡터로부터 추출된 특징 벡터로부터 일정 개수의 특징 집합을 선정하고 분류하는 특성 선택 단계; 및 기계학습(Machine Learning)을 이용하여 알츠하이머병(AD), 경도인지장애(MCI) 및 정상인(NC) 그룹간의 차이점을 훈련하고 분류 정확도를 측정하는 결과 분석 단계를 포함하여 이루어지는 것을 특징으로 할 수 있다.

또한, 본 발명의 상기 이미지 처리 단계는 MR영상의 노이즈 제거 및 쌍입체 스플라인(LEMS: Local Entropy bicubic Spline Models) 기반의 지역엔트로피(Local entropy)를 일정 수준 이하로 보정하는 강도 불균일성 보정 단계, 표준 뇌 템플릿과 정합하는 ICBM152 템플릿에 대한 선형 등록 단계 및 MR 영상의 해마 영역을 패치 기반으로 오른쪽 21개, 왼쪽 21개로 영역 세분화하는 패치 기반의 해마 영역 세분화 단계를 포함하여 이루어질 수 있다.

또한, 본 발명의 상기 특성 추출 단계는 분할된 해마 영상을 이용한 부피 및 표면에 대한 형태학적 특성 추출 단계와 GLCM(Gray-Level Co-occurrence Matrix) 방법과 가버필터(Gabor Filter) 방법을 사용하는 질감특성 추출 단계를 수행하는 포함하여 이루어지는 것을 특징으로 할 수 있다.

또한, 본 발명의 상기 특성 선택 단계는 용량(Volume), 면적(Area), 합계 평균(Sum Average), 클러스터 셰이드(Cluster Shade), 클러스터 경향(Cluster Tendency) 및 이미지의 지역 에너지(Local Energy)의 6가지 특징을 선정하는 피셔 상관 계수 분석 단계와 상기 6가지 특징에 대하여 가버 질감분석(Gabor texture analysis), 형태학적 해마(hippocampus morphometric), 2D 및 3D 회색수준 동시발생 행렬식(GLCM)의 3 가지 유형을 사용하여 MR 영상으로부터 식별된 특징을 분류하는 특징 집합 분류 단계로 이루어질 수 있다.

또한, 본 발명의 상기 결과 분석 단계는 기계학습(Machine Learning)의 일종인 지도 학습(Supervised Learning) 기반의 서포트벡터머신(SVM)을 이용하여 그룹 간의 차이점을 훈련하고, 가버 질감분석(Gabor texture analysis), 형태학적 해마(hippocampus morphometric), 2D 및 3D 회색수준 동시발생 행렬식(GLCM)의 3 가지 유형에 대하여 분류 정확도를 측정하는 과정인 것을 특징으로 할 수 있다.

상기 기술적 과제를 해결하기 위한 본 발명의 다른 측면에 따른 MR 영상 기반 알츠하이머병 분류 장치에 있어서, 자기공명영상(MRI, Magnetic Resonance Imaging) 스캔 이미지를 획득하는 MR 이미지 획득부; 상기 MR 이미지에 대한 잡음 제거, 비균질성 보정과 명암 표준화 및 패치 기반의 해마 영역 세분화를 수행하는 이미지 처리부; 분할된 해마 영상에 대하여 체적요소기반 형태학적 특성 추출과 GLCM(Gray-Level Co-occurrence Matrix)과 가버필터(Gabor Filter)를 사용하는 질감특성 추출을 수행하는 특성 추출부; 상기 특성 추출 단계에서 추출되어진 형태학적 특성 및 질감 특성 벡터로부터 추출된 특징 벡터로부터 피셔판별분석(Fisher discriminant analysis)을 통해 일정 개수의 특징 집합을 선정하는 특성 선택부; 및 서포트벡터머신(SVM)을 이용하여 알츠하이머병(AD), 경도인지장애(MCI) 및 정상인(NC) 그룹간의 분류 정확도를 측정하는 결과 분석부를 포함하여 이루어지는 것을 특징으로 할 수있다.

전술한 다중 특성 융합을 기반으로 하는 알츠하이머병 분류 방법을 사용하면, 3DGLCM에서 질감 특성과 형태학적 특성에서 독립적으로 특징을 추출하고, 이들을 조합하여 특징을 선택함으로써, 개선된 성능을 갖는 알츠하이머병 분류 방법을 제공하는 것이 가능하다.

본 발명에 의하면, 알고리즘에서 전체 뇌 데이터 대신 패치(Patch) 기반 질감분석 시스템을 추가로 사용함으로써, 패치기반 전략에 따른 해마 주변에만 초점을 맞추어 분류를 진행할 수 있고, 그에 의해 해마와 알츠하이머성 치매(AD: Alzheimer’s Disease) 및 경도 인지장애(MCI: Mild Cognitive Impairment) 사이의 그룹간 차이에 따른 서로 다른 특성치를 효과적으로 선택할 수 있는 장점이 있다.

또한, 본 발명에 의하면, MRI 영상에서 추출한 해마 영역에 대한 형태학적 특성과 2D와 3D에서의 질감특성을 결합하고 이를 기계 학습 기법을 사용하여 AD, MCI 및 정상인(NC)을 분류함에 따라 AD 진단에서 해마 검출 및 분석을 위한 과정에서 높은 정확도를 획득할 수 있는 효과가 있다.

도 1은 본 발명의 일실시예에 따른 다중 특성 융합을 기반으로 하는 알츠하이머병 분류 방법의 흐름도이고.
도 2는 본 발명의 일실시예에 따른 LEMS를 사용하여 영상의 불균일 보정을 수행한 보정된 영상을 보여주는 예시도이고,
도 3은 본 발명의 일실시예에 따른 MR 이미지에 대한 전처리 단계를 보여주는 예시도이고,
도 4는 본 발명의 일실시예에 따른 5-배 교차검증의 AD-NC 분류 성능분류 예시도,
도 5는 본 발명의 일실시예에 따른 5-배 교차검증의 MCI-NC 성능분류 예시도,
도 6은 본 발명의 일실시예에 따른 5-배 교차검증의 AD-MCI 성능분류를 보여주는 예시도이고,
도 7은 본 발명의 일실시예에 따른 다중 특성 융합을 기반으로 하는 알츠하이머병 분류 장치의 구성을 나타내는 구성도이다.

본 발명을 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 용어가 동일하더라도 표시하는 부분이 상이하면 도면 부호가 일치하지 않음을 미리 말해두는 바이다.

그리고 후술되는 용어들은 본 발명에서의 기능을 고려하여 설정된 용어들로서 이는 실험자 및 측정자와 같은 조작자의 의도 또는 관례에 따라 달라질 수 있으므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 나타낸다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 실질적으로 동일한 의미를 나타내는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

이에 본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시 예들을 상세하게 설명하면 다음과 같다.

도 1은 본 발명의 일실시예에 따른 다중 특성 융합을 기반으로 하는 알츠하이머병 분류 방법의 흐름도이다.

도 1을 참조하면, 본 발명의 알츠하이머병 분류 방법은 MR 이미지 획득 단계(S100), 이미지 처리 단계(S200), 특성 추출 단계(S300), 특성 선택 단계(S400) 및 결과 분석 단계(S500)를 포함하여 이루어질 수 있다.

MR 이미지 단계(S100)에서는, 자기공명영상(MRI, Magnetic Resonance Imaging) 스캔 이미지(이하 'MR 이미지'라고도 한다)를 획득한다. 본 단계(S100)는 별도의 스캔 장치나 데이터베이스로부터 입력되는 MR 이미지를 사용하는 경우에 MR 이미지를 수신하는 단계에 대응하거나, 생략될 수 있다.

이미지 처리 단계(S200)는, MR 이미지에 대한 잡음 제거, 비균질성 보정과 명암 표준화, 패치 기반 세분화 및 해마 영역 세분화를 수행한다.

특성 추출 단계(S300)는, 이미지 처리 단계에서 분할된 해마 영상에 대하여 체적요소기반 형태학적 특성 추출 및 GLCM(Gray-Level Co-occurrence Matrix)과 가버필터(Gabor Filter)를 사용하는 질감 특성 추출을 수행한다.

특성 선택 단계(S400)는, 특성 추출 단계에서 추출되는 형태학적 특성 및 질감 특성의 특징 벡터로부터 일정 개수의 특징 집합을 선정하고 분류한다.

결과 분석 단계(S500)는, 기계학습(Machine Learning)을 이용하여 알츠하이머병(AD), 경도인지장애(MCI) 및 정상인(NC) 그룹간의 차이점을 계산하고 분류 정확도를 측정한다.

전술환 다중 특성 융합을 기반으로 하는 알츠하이머병 분류 방법을 좀더 구체적으로 설명하면 다음과 같다.

먼저 본 발명에서 사용된 데이터는 알츠하이머병 신경영상진찰 데이터베이스 (ADNI: Alzheimer's Disease Neuroimaging Initiative Database)를 사용하였다.

모든 피험자는 인터뷰와 종합적인 인지 평가로 구성된 프로토콜을 수행하였으며, 평가에는 신체검사, MRI 뇌 스캔 및 혈액 검사가 포함되었다.

또한, 피험자 데이터베이스에서 무작위로 참가자를 선정하였다. 모든 대상자는 60세 이상이며, 신경 학자, 방사선 의사 및 정신과 의사에 의해 AD, MCI 및 NC 범주로 주관적으로 분류되었다. 최종 피험자는 ADNI-1 데이터베이스에서 150명을 선정했으며, 본 발명에서 사용된 피험자의 세부 사항은 아래의 표 1과 같다. 표 1은 본 발명에서의 피험자에 대한 정보를 나타내는 테이블이다.

	AD	MCI	NC
Sample size	50	50	50
Age(years, mean ±SD)	71.3 ± 2.9	69.5 ± 3.0	69.5 ± 3.0
Gender(Male: Female)	25:25	22:28	25/25

본 발명의 상기 MR 이미지 획득 단계(S100)는 자기공명영상(MRI, Magnetic Resonance Imaging) 스캔 이미지를 획득하는 단계이다. 이는 상기 ADNI-1 데이터베이스에서 선정한 피험자 150명에 대한 MR 스캔 이미지로서, TE/TI/TR(2.98/ 900/2300㎳)의 1.5 테슬라(Tesla)이며, T1-스캐너를 사용하여 수행되었고, 슬라이스 두께는 1.2㎜이며, 행, 열 및 슬라이스의 크기는 각각 256 × 256 × 166이다. 복셀 크기는 1.0 × 1.0 × 1.2㎣이다.

상기 이미지 처리 단계(S200)는 영상의 노이즈 제거 및 강도 불균일성 보정 단계(S210), ICBM152 템플릿 정합 단계, 패치 기반 세분화 단계(S220) 및 해마 영역 세분화 단계(S230)를 포함하여 이루어지는 MR 이미지에 대한 전처리 단계이다.

상기 노이즈 제거 및 강도 불균일성 보정 단계(S210)는 영상의 노이즈 제거 및 비균질성 불균일을 보정하는 단계로서, 모든 MR 이미지에 대하여 ICBM(The International Consortium for Brain Mapping) 152 템플릿(1×1×1 mm³)에 대한 비균질성 및 정합성을 위해 쌍입체 스플라인(Local Entropy bicubic Spline Models, LEMS) 기반의 지역엔트로피(Local entropy)를 최소화하는 전처리 과정일 수 있다.

패치 기반 세분화 단계(S220)는 MR 이미지를 기설정 패치에 기반하여 세분화한다. 그리고 해마 영역 세분화 단계(S230)는 MR 이미지 내 해마 영역을 세분화하는 단계로서, 형태학적 분석과 형태학적 특성 추출을 위한 이미지 처리 단계로서 수행될 수 있다.

이후의 단계들의 상세 구성에 대하여는 도 2 내지 도 6을 참조하여 후술하기로 한다.

도 2는 본 발명의 일실시예에 따른 상기 LEMS를 사용하여 영상의 불균일 보정을 수행한 보정된 영상을 보여주는 예시도로서, (a)는 원영상, (b)는 불균일한 영상, (c)는 불균일 보정된 영상을 보여주고 있다.

이후 MNI-ICBM152 템플릿 정합 단계는 피험자의 영상을 MNI(Montreal Neurological Institute), 국제뇌지도협회(ICBM: The International Consortium for Brain Mapping)의 152명의 표준 뇌 템플릿과 정합하는 단계이다.

추가적으로 상기 MR 영상에서 관심 대상을 분할하기 전에 다른 영상과의 명암을 표준화하는 단계를 수행할 수 있다.

이후 상기 패치 기반의 해마 영역 세분화 단계(S220)는 MR 영상에서 42개(오른쪽: 21개, 왼쪽: 21 개)의 해마 영역을 패치 기반으로 분할하는 단계이다.

본 발명에서의 패치 내의 모든 픽셀은 질감분석에 사용되며, 왼쪽 및 오른쪽 해마의 기하학적 영역은 수동으로 설정될 수 있다.

도 3은 본 발명의 일실시예에 따른 MR 이미지에 대한 전처리 단계를 보여주는 예시도로서, 해마 패치 분할에 사용되는 전처리 워크 플로우를 나타내고 있다.

본 실시예에서 특성 추출 단계(S300)는 분할된 해마 영상을 이용한 부피 및 표면에 대한 형태학적 특성 추출 단계(S310)와 GLCM(Gray-Level Co-occurrence Matrix) 방법과 가버필터(Gabor Filter) 방법을 사용하는 질감특성 추출 단계(S320)를 포함할 수 있다.

형태학적 특성 추출 단계(S310)는 패치 기반의 해마 영역 세분화단계(S230)에서 분할된 해마 영상에서의 부피 및 표면에 대한 특성치를 추출하는 단계이다. 형태학적 특성 추출 단계(S320)에서는 형태학적 분석 단계(S310)를 통해 분할된 해마 영상에 대하여 체적요소기반 형태학적측정(VBM: Voxel-Based Morphometry) 기술을 이용하여 형태학적 특성을 추출한다.

체적요소기반 형태학적측정(VBM)은 국소적인 뇌의 변형을 통계적으로 측정하여 3차원 공간에 투영하는 뇌영상 형태 측정 기술로서, 체적요소 기반의 형태학은 뇌의 의료 영상 분야에서 매우 실용적이며, 본 발명에서도 관심영역에 대한 형태학분석을 실시하여 특성 값을 획득하는데 이용된다.

이러한 관심 영역(ROI) 기반의 해마 데이터 분석을 통해 볼륨, 표면 형태 분석 및 조직 두께와 같은 구조적 특성과 같은 유용한 정보를 획득할 수 있으며, 장점으로는 각 모델에 대한 지점간 분석이 가능하다.

GLCM(Gray-Level Co-occurrence Matrix) 질감특성 분석 방법과 가버 질감분석(Gabor texture analysis)을 사용하는 질감특성 추출 단계(S340)는 질감 분석 단계(S330)에서 분석된 패치 내의 모든 픽셀에 대하여 MR 영상의 질감적 특성을 추출할 수 있다.

GLCM은 회색수준 동시발생 행렬식 또는 명암도 동시발생 행렬이라고도 하며, 상기 가버필터(Gabor Filter)와 회색수준 동시발생 행렬식은 널리 사용되는 질감특성 추출방법 중의 하나이다.

GLCM 질감특성 분석 방법을 더욱 자세히 설명하면 다음과 같다.

먼저, GLCM 질감특성 분석 방법은 회색수준의 공간적 의존성을 기반으로 하는 질감 분석 방법으로서, 픽셀 간 거리와 픽셀 간 방향을 매개변수로 사용하여, 영상에 대한 질감행렬식을 생성하는 것이다.

이때 2D 질감특성은 각 슬라이스의 모든 픽셀을 사용하여 계산된다.

한편, 3D 볼륨 데이터를 2D 슬라이스로 처리하면 슬라이스 간 정보가 무시되어 데이터 손실 가능성이 있다. 이러한 문제를 해결하기 위한 3D 질감분석을 적용하였다. 이는 기존의 행렬식 기반 알고리즘을 3D로 확장하는 단순함에도 불구하고, 이러한 접근 방식은 상당히 개선된 결과를 보일 수 있다.

2DGLCM은 데이터 집합의 각 슬라이스 픽셀의 공간 종속성을 고려하는 반면 3DGLCM은 여러 슬라이스에 걸쳐 존재하는 개체 볼륨에 대한 체적요소 데이터의 3D 공간 종속성을 정량화한다.

3DGLCM은 n×n×m으로 나타낼 수 있으며, n은 회색수준(그레이 레벨 또는 명암 레벨)이고, m은 슬라이스의 수를 나타낸다.

본 발명의 GLCM 계산에는 픽셀 간의 방향과 거리를 매개변수로 설정할 수 있다.

또한, 기존의 2DGLCM에서는 총 8개 방향을 사용하였으나, 본 발명에서는 중복을 피하기 위해 0°, 45°, 90°, 135°의 4개 방향으로 GLCM을 적용하여 획득한 질감특성을 계산하고 이를 정규화 하였다. 3DGLCM에서도 총 26개 방향을 계산할 수 있으나, 중복 계산을 방지하기 위해 13개 방향을 사용할 수 있다.

이에 각 데이터 집합에 대해 매트릭스를 계산한 다음 평균을 계산하여 새로운 행렬식을 생성할 수 있다. 이를 기반으로 하여 2DGLCM과 3DGLCM에서 각 19개의 GLCM 질감특성을 추출할 수 있다.

가버 질감분석은 1946년 가버(Gabor)에 의해 개발되었으며 가장 잘 알려진 질감분석 방법 중 하나인 가버필터(Gabor Filter)를 이용하여 질감특성을 분석하는 것을 지칭한다. 가버필터는 기본적으로 복잡한 사인파에 의해 변조된 가우스 함수이며, 이미지의 도메인이 가진 특징을 추출하는 데 사용된다. 또한, 가버필터는 여러 차원의 공간 및 주파수 영역에서 수행될 수 있다. 가버필터는 공간 및 주파수 영역에서 최적의 공동위치를 파악하는데 이용될 수 있다.

본 발명에서는 서로 다른 주파수와 방향을 가진 2D 가버 필터를 사용하여 질감특성을 추출할 수 있다. 이때, 가버필터는 이미지를 다른 비율과 방향으로 구성 요소로 분해할 수 있다. 이를 통해 본 실시예의 시스템에서는 공간 위치, 방향 선택, 공간 주파수에 따른 시각적 특징을 포착할 수 있다.

즉, 본 실시예에서 MR 영상은 여러 개의 가버필터로 필터링되며, 특징 벡터는 응답의 절댓값으로 구성될 수 있다.

이를 정리하면 주어진 이미지를 (x, y)라고 하면, 2D 가버필터 뱅크는 다음과 같이 수학식 1로 정의될 수 있다.

수학식 1에서,

는 담체(carrier)라고 불리는 복잡한 형태의 사인곡선이고,

는 엔베로프로 불리며 2-D 가우시안 형태의 함수이다. 여기서 2D 가버필터는 주파수 및 방향의 복잡한 사인파에 의해 변조된 가우스 함수로 구성되며, 다음과 같이 수학식 2로 계산될 수 있다.

수학식 2에서 ω_x0, ω_y0는 x및 y 방향의 중심 주파수로서, 필터는 이 주파수에서 가장 큰 응답을 생성하는 것(center frequency in the x and y directions. The filter produces the largest response at this frequency)이고, σ² _x 및 σ² _y는 x와 y 방향에서 가우스 함수의 표준 편차(standard deviation of the Gaussian function in the x and y directions)이고. x, y는 영상에서의 화소의 위치(position of a pixel in the image)이다.

본 발명에서는 상기 가버필터에 몇 개의 매개 변수를 정의했다. L=8로 설정하였으며, 여기서 L은 방향의 수를 말한다. 또한 회전 대역폭은

과 같이 정의할 수 있으며,

이 된다. 실험에서 사용된 θ 값은

이며 중심 주파수 i 는 다음과 같이 수학식 3으로 정의될 수 있다.

이때 입력 영상의 크기는 96×96이며, 각 데이터 집합에는 서로 다른 4개의 방향과 4개의 주파수를 적용하여 총 16개의 가버필터를 적용하였다. 마지막으로 진폭의 지역 에너지, 평균 진폭 및 분산은 각 필터에 의해 추출된 질감특성으로 계산된다. 특성치는 이미지의 지역에너지 스펙트럼의 집중 경향 및 이산적인 분포를 반영하고 있다.

이러한 상기 가버필터는 다양한 주파수 및 방향을 사용하여 영상이 가진 특징을 추출하는 것이 가능하며, 최적의 공동공간과 주파수 해상도를 사용할 수 있는 장점이 있다.

상기 특성 선택 단계(S400)는 상기 GLCM 질감특성 분석과 상기 가버필터 질감특성 분석에서 추출된 특징 벡터로부터 최적의 특징을 선택하기 위하여 피셔판별분석(Fisher discriminant analysis)을 통해 일정 개수의 특징 집합을 선정하는 단계이다.

이러한 상기 특성 선택 단계를 취하는 이유는 일반적으로 형태학적 특성과 질감 특성의 선형 조합은 분류에 있어 효과적이지 않을 수 있으며, 관련성, 중복 여부가 검증되지 않을 수 있다. 따라서 모든 특징 벡터로부터 최적의 특징을 선택하기 위한 별도의 기준이 필요하기 때문이다.

이때 상기 특성 선택 단계는 피셔 상관 계수 분석 단계(S410)와 특징 집합 분류 단계(S420)로 이루어질 수 있다.

먼저 상기 피셔 상관 계수 분석 단계(S410)는 형태학적 특성과 질감 특성의 선형 조합은 분류에 있어 데이터 복잡성을 줄이고, 관련 없는 데이터와 중복되는 데이터를 제거하기 위하여 피셔판별분석(Fisher discriminant analysis) 방법을 통해 적절한 수의 특성을 선정하는 단계이다.

그러므로 데이터의 중복과 복잡성으로 인해 모든 계산된 특성을 사용하지 않고, 다변량 분석에 널리 사용되는 피셔판별분석(Fisher discriminant analysis)을 통해 적절한 수의 특성을 선정하여 실험을 수행할 수 있는 것이다.

하기의 수학식 4는 상기 피셔판별분석(Fisher discriminant analysis) 접근 방법에 따른 피셔 계수(Fisher coefficient)를 계산하는 식으로서, 본 발명에서는 마쯔다(MaZda)의 자동화된 특성선택 방식을 기반으로 하여 피셔 계수(Fisher coefficient) 분석을 하였다.

수학식 4에서, F는 Fisher 계수, D는 클래스간 분산, V는 클래스 내부의 분산,

및

는 클래스 i 의 평균 및 분산,

는 클래스 i 의 확률을 뜻한다.

본 실시예에서는 상기의 마쯔다 프로그램을 통해 피셔 계수(Fisher coefficient)에 따른 6 가지 특징을 선택할 수 있다. 6가지 특징(Features)은 용량(Volume), 면적(Area), 합계 평균(Sum Average), 클러스터 셰이드(Cluster Shade), 클러스터 경향(Cluster Tendency) 및 이미지의 지역 에너지(Local Energy)로 분류될 수 있다.

또한, 최적 특징 집합 분류 단계(S420)는 상기 피셔 상관 계수 분석 단계(S410)를 통하여 선택된 6가지 특징에 대하여 가버 질감분석(Gabor texture analysis), 형태학적 해마(hippocampus morphometric), 2D 및 3D 회색수준 동시발생 행렬식(GLCM)의 3 가지 유형을 사용하여 MR 영상으로부터 식별된 특징을 분류하는 단계이다. GM은 가버 질감분석(Gabor texture analysis) + 형태학적 해마(hippocampus morphometric) 분석의 결합을 의미할 수 있다.

아래의 표 2는 상기 3 가지 유형의 각 범주에 대하여 상기 6가지 특징에 따른 계산된 해마 특징을 보여주는 예시도이다.

3DGLCM + Gabor + Morphometric features (3DGLCM+GM)
Features	AD	MCI	NC
Volume (cm³)	5.13 ±0.44	5.36 ±0.30	5.48 ±0.28
Area (cm²)	24.82 ±1.22	26.55 ±1.54	26.85 ±1.55
Sum Average	50.35 ±5.59	50.22 ±4.30	49.92 ±4.49
Cluster Shade	2.76×10⁵±0.53×10⁴	2.63×10⁵±0.47×10⁴	2.59×10⁵±0.43×10⁴
Cluster Tendency	5.96×10⁸±0.32×10⁸	5.45×10⁸±0.35×10⁸	5.33×10⁸±0.29×10⁸
Local Energy	5.78×10⁵±0.26×10⁵	6.19×10⁵±0.18×10⁵	6.41×10⁵±0.32×10⁵
2DGLCM + Gabor + Morphometric features (2DGLCM+GM)
Volume (cm³)	5.13 ±0.44	5.36 ±0.30	5.48 ±0.28
Area (cm²)	24.82 ±1.22	26.55 ±1.54	26.85 ±1.55
Sum Average	51.16 ±4.94	49.85 ±4.55	48.32 ±4.61
Cluster Shade	2.43×10⁵±0.49×10⁵	2.37×10⁵±0.38×10⁵	2.35×10⁵±0.37×10⁵
Cluster Tendency	5.65×10⁸±0.28×10⁸	5.25×10⁸±0.21×10⁸	5.03×10⁸±0.19×10⁸
Local Energy	4.98×10⁵±0.26×10⁵	5.55×10⁵±0.18×10⁵	6.13×10⁵±0.32×10⁵

여기서 3DGLCM은 3D 회색수준 동시발생 행렬식(3-Dimensional Gray Level Co-occurrence Matrix)이고, 2DGLCM은 2D 회색수준 동시발생 행렬식(2-Dimensional Gray Level Co-occurrence Matrix)이다.

상기 결과 분석 단계(S500)는 지도학습 기반의 분류 방법 중 하나인 서포트 벡터 머신(Support vector classification, SVM)을 이용하여 분류할 그룹 간의 차이점을 훈련하는 과정을 수행하는 단계이다.

본 발명에서는 C-SVM(서포트 벡터 머신(SVM)의 변형인 C-SVM)과 선형 및 비선형 방사형기본커널(radial basis kernel)을 사용했으며, 상기 커널은 매트랩(Matlab) 'libsvm' 툴박스(Toolbox)를 사용하여 구현될 수 있다.

또한, 본 발명은 알츠하이머병(AD: Alzheimer’s Disease), 경도인지장애(MCI: Mild Cognitive Impairment) 및 정상인(NC: Normal Control)의 피험자 분류를 위해 가버필터를 사용한 2DGLCM 및 3DGLCM을 계산하고, 형태학 특성과 결합하여 질감특성을 구성할 수 있다. 여기서, 150개의 데이터 중 75개의 데이터는 훈련 데이터로 사용되고 75개의 데이터는 검증 데이터로 사용될 수 있다.

아래의 표 3은 2DGLCM 및 GM 특징을 사용하여 AD, MCI 및 NC 그룹의 비선형 SVM 분류 행렬이고, 표 4는 3DGLCM 및 GM 특징을 이용한 AD, MCI 및 NC 그룹의 비선형 SVM 분류행렬을 보여주는 예시도이다.

	AD	MCI	NC	Total	Accuracy (%)
AD	19	4	2	25	76.00
MCI	4	17	4	25	68.00
NC	1	3	20	25	80.00
Total/Average	24	24	26	75	74.67

	AD	MCI	NC	Total	Accuracy (%)
AD	20	3	2	25	80.00
MCI	3	19	3	25	76.00
NC	2	3	20	25	80.00
Total/Average	25	25	25	75	78.67

상기 표 3과 표 4에 따르면 2DGLCM과 3DGLCM의 질감특성을 가버 및 형태학적 특성으로 결합하여 사용하였을 때 74.67 %와 78.67 %의 분류 정확도가 달성됨을 알 수 있다. 결과로는 3DGLCM 방법이 2DGLCM 방법에 비해 더 우수한 분류 정확도를 제공하는 것으로 나타났다.

또한, 이진분류를 통하여 진정 긍정(TP: True Positive), 진정 부정(TN: True Negative) 거짓 긍정(FP: False Positive) 및 거짓 부정(FN: False Negative)의 네 가지 항목을 계산할 수 있으며, 이를 통해 다음의 5가지 지표를 계산할 수 있다.

(I)

(Ⅱ)

(Ⅲ)

(Ⅳ)

(Ⅴ)

위의 5가지 지표는 정확도(Accuracy), 민감도(Sensitivity), 특성치(Specificity), 긍정적인 예측치(Positive predictive value), 부정적인 예측치(Negative predictive value)로 볼 수 있다.

아래의 표 5는 본 발명의 실시예에 따른 2DGLCM과 GM의 결합 방법 및 3DGLCM과 GM의 결합 방법의 분류에 대한 5가지 지표의 성능평가를 보여주는 예시도이다.

Methods	AD-NC (%)
Methods	ACC	SEN	SPEC	PPV	NPV
2DGLCM+GM	81.05 ± 1.34	83.33 ± 2.15	80.95 ± 1.52	78.95 ± 1.34	85.00 ± 1.42
3DGLCM+GM	86.61 ± 1.25	84.21 ± 1.42	85.00 ± 1.24	84.21 ± 2.08	85.00 ± 1.14
	MCI-NC (%)
2DGLCM+GM	76.92 ± 1.27	77.78 ± 1.31	76.19 ± 1.42	73.68 ± 1.18	80.00 ± 1.32
3DGLCM+GM	82.05 ± 1.26	83.33 ± 1.42	80.95 ± 1.36	78.94 ± 1.04	85.00 ± 1.16
	AD-MCI (%)
2DGLCM+GM	76.31 ± 2.18	75.00 ± 1.34	77.78 ± 1.26	78.95 ± 1.14	73.68 ± 1.04
3DGLCM+GM	78.95 ± 2.36	76.19 ± 1.84	82.35 ± 1.34	84.21 ± 1.62	73.68 ± 1.48

표 5를 참조하면, 5-배 교차검증을 통해 3DGLCM과 GM 방법을 함께 사용할 경우, 정확도(Accuracy) 측면에서 86.61 %의 분류 정확도를 달성했음을 알 수 있다.

본 실시예에서는 데이터 집합을 다섯 분류로 분할하여 5-배 교차검증(5-fold cross validation)을 실시하였으며, 10회 실행으로 얻은 정확도(accuracies), 민감도(sensitivities), 특수성(specificities), 긍정적인 예측(positive predictive), 부정적인 예측(negative predictive)은 도 4 내지 도 6과 같다.

도 4는 5-배 교차검증의 AD-NC 분류 성능분류, 도 5는 5-배 교차검증의 MCI-NC 성능분류 및 도 6은 5-배 교차검증의 AD-MCI 성능분류를 보여주는 예시도로서, 상기 도 4 내지 도 6은 2DGLCM+GM과 3DGLCM+GM을 활용하여 AD-NC, MCI-NC, AD-MCI의 분류하였을 때의 성능을 비교하여 보여 주고 있음을 알 수 있다.

예를 들어 도 4를 참조하며, 확인된 AD 대비 NC(Confirmed AD versus NC) 그룹은 2DGLCM+GM 교차검증 방법을 사용한 결과 83.00%에서 80.00% 사이의 정확도를 보이는 분류가 수행되었다. 또한, 83.33±2.15%의 민감도 및 80.95±1.52%의 특수성으로 획득하였으며, 81.05±1.34%의 평균 정확도를 달성했다. 3DGLCM+GM 방법에서도 동일한 데이터 집합을 사용하여 분류했다. 그 결과 AD와 NC 그룹은 교차검증 방법을 통해 88.50%에서 84.00% 사이의 범주로 올바르게 분류되었고, 86.61±1.25%의 평균 정확도, 84.21±1.42%의 민감도, 85.00±1.24%의 특수성을 달성했습니다. 3DGLCM+GM 방법은 분류 정확도 측면에서 2-GLCM+GM 방법보다 우수한 것으로 관찰됨을 알 수 있다.

도 5를 참조하면 확인된 MCI 대비 NC(Confirmed MCI versus NC) 그룹의 피험자는 각각 2DGLCM+GM 교차검증 방법으로 78.0%~73.0% 사이의 정확도로 올바르게 분류되었다. 77.78±1.31%의 민감도와 76.19±1.42%의 특수성으로 평균 정확도 76.92±1.27%를 달성했다. 3DGLCM+GM 방법을 사용하여 동일한 데이터 집합을 분류하였다. 그 결과 MCI와 NC 그룹은 교차검증 방법을 사용하여 각각 평균 80.00%와 74.00%의 추정치를 가진 적절한 진단 범주로 올바르게 분류되었다. 82.05±1.26%의 평균 정확도를 달성했고, 그에 상응하는 83.33±1.42%의 민감도와 80.95±1.36%의 특수성을 얻었다. MCI-NC 분류 결과는 3DGLCM+GM이 2DGLCM+GM 방법에 비해 방법이 우수한 것으로 관찰됨을 알 수 있다.

도 6에 따르면 확인된 AD 대비 MCI(Confirmed AD versus MCI) 그룹의 피험자는 2DGLCM+GM의 교차검증 방법을 사용에서는 76.40%에서 72.00% 사이의 정확도로 올바르게 분류되었다. 75.00±1.34%의 민감도와 77.78±1.26%의 특수성 얻었으며 76.31±2.18%의 평균 정확도를 달성했다. 3DGLCM+GM 방법을 사용하여 동일한 데이터 집합을 분류했다. 그 결과 AD와 MCI 그룹은 교차검증 방법을 통해 78.20%에서 75.60% 사이의 범주로 올바르게 분류되었다. 여기서 민감도는 76.19±1.84%이며, 특수성은 82.35±1.34%으로 나타났다. 평균 정확도는 78.95±2.36%를 달성했다. 3DGLCM+GM 방법은 MCI-AD의 분류에 있어서도2DGLCM+GM 방법이 비해 더 정확도를 획득하여 우수하다는 것이 증명됨을 알 수 있다.

본 발명에서와 같이 가버 질감분석(Gabor texture analysis), 형태학적 해마(hippocampus morphometric), 2D 및 3D 회색수준 동시발생 행렬식(GLCM)의 3 가지 유형을 사용하는 다중특성을 결합하여 사용한 접근법은 정확도면에서 종래의 기술보다 뛰어남을 알 수 있으며, 정확도는 모든 배수행의 평균값으로 계산되었고, 분류 성능은 5 배로 모두 수행되었다.

결과적으로 종래의 기술에서는 질감특성이나 형태학적 특성만을 사용하도록 제한하였지만, 본 발명에서와 같이 질감특성들과 형태학적 특성들을 결합하여 사용할 경우 더 높은 정확도를 획득할 수 있다는 것을 알 수 있다.

도 7은 본 발명의 일실시예에 따른 MR 영상 기반 알츠하이머병 분류 장치를 나타내는 구성도이다.

도 7을 참조하면 본 발명의 MR 영상 기반 알츠하이머병 분류 장치(100)는 제어부(110a) 및 저장부(110b)를 포함하고, 제어부(110a)에 탑재되는 MR 이미지 획득부(110), 이미지 처리부(120), 특성 추출부(130, 특성 선택부(140) 및 결과 분석부(150)를 구비할 수 있다. MR 이미지 획득부(110), 이미지 처리부(120), 특성 추출부(130, 특성 선택부(140) 및 결과 분석부(150)는 프로그램 또는 소프트웨어 모듈 형태로 저장부(110b)에 저장되고, 제어부(110a)에 의해 해당 모듈의 기능이 수행될 수 있다.

MR 이미지 획득부(110)는 자기공명영상 스캔 이미지를 획득하는 것으로서, ADNI-1 데이터베이스에서 선정한 피험자에 대한 MR 스캔 이미지를 수신하고 이를 저장할 수 있는 장치이다.

이미지 처리부(120)는 MR 이미지에 대한 잡음 제거, 비균질성 보정과 명암 표준화 및 패치 기반의 해마 영역 세분화를 수행하는 장치로서, 영상의 노이즈 제거 및 강도 불균일성 보정 모듈, ICBM152 템플릿 정합 모듈 및 패치 기반의 해마 영역 세분화 모듈을 포함하는 워크 플로우를 실행할 수 있다.

특성 추출부(130)는 분할된 해마 영상에 대하여 체적요소기반 형태학적 특성 추출과 GLCM(Gray-Level Co-occurrence Matrix)과 가버필터(Gabor Filter)를 사용하는 질감특성 추출을 수행하는 것으로서, 형태학적 특성 추출 모듈과 질감특성 추출 모듈을 구비할 수 있으며, 이를 상호 연동하여 계산하고 특징을 추출하는 프로그램 환경을 포함할 수 있다.

특성 선택부(140)는 상기 특성 추출부에서 추출된 형태학적 특성 및 질감 특성 벡터로부터 추출된 특징 벡터로부터 피셔 판별분석(Fisher discriminant analysis)을 통해 일정 개수의 특징 집합을 선정하는 기능을 수행한다.

결과 분석부(150)는 알츠하이머병(AD), 경도인지장애(MCI) 및 정상인(NC) 그룹간의 분류 정확도를 측정하기 위한 기능을 수행한다. 상기 결과 분석부는 지도학습 기반의 분류 방법 중 하나인 서포트벡터머신(SVM)을 이용할 수 있는데, 본 발명에서는 서포트 벡터 머신(SVM)의 변형인 C-SVM과 선형 및 비선형 방사형기본커널(radial basis kernel)을 사용했으며, 상기 커널은 매트랩(Matlab) 'libsvm' Toolbox 프로그램을 사용하여 구현될 수 있다.

또한, 본 실시예의 알츠하이머병 분류 장치(100)는 마이크로 컨트롤러 장치나 중앙처리 장치(CPU)를 갖는 컴퓨터 시스템 환경에서 본 발명을 위하여 처리되는 프로그램 및 메모리와 입출력 수단 및 디스플레이부(160)를 통하여 구현될 수 있다.

상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

이 논문은 2015년도 정보(교육부)의 재원으로 한국연구재단의 지원을 받아 수행된 기초연구사업임 (2015-059319)

Claims

알츠하이머병 분류 방법에 있어서,
자기공명영상(MRI, Magnetic Resonance Imaging) 스캔 이미지를 획득하는 MR 이미지 획득 단계;
상기 MR 이미지에 대한 잡음 제거, 비균질성 보정과 명암 표준화 및 패치 기반의 해마 영역 세분화를 수행하는 이미지 처리 단계;
상기 이미지 처리 단계에서 분할된 해마 영상에 대하여 체적요소기반 형태학적 특성 추출 및 GLCM(Gray-Level Co-occurrence Matrix)과 가버필터(Gabor Filter)를 사용하는 질감 특성 추출을 수행하는 특성 추출 단계;
상기 특성 추출 단계에서 추출되는 형태학적 특성 및 질감 특성의 특징 벡터로부터 일정 개수의 특징 집합을 선정하고 분류하는 특성 선택 단계; 및
기계학습(Machine Learning)을 이용하여 알츠하이머병(AD), 경도인지장애(MCI) 및 정상인(NC) 그룹간의 차이점을 계산하고 분류 정확도를 측정하는 결과 분석 단계;를 포함하고,
상기 특성 선택 단계는,
용량(Volume), 면적(Area), 합계 평균(Sum Average), 클러스터 셰이드(Cluster Shade), 클러스터 경향(Cluster Tendency) 및 이미지의 지역 에너지(Local Energy)의 6가지 특징을 선정하는 피셔 상관 계수 분석 단계와,
상기 6가지 특징에 대하여 가버 질감분석(Gabor texture analysis), 형태학적 해마(hippocampus morphometric), 2D 및 3D 회색수준 동시발생 행렬식(GLCM)의 3 가지 유형을 사용하여 MR 영상으로부터 식별된 특징을 분류하는 특징 집합 분류 단계를 포함하는 다중 특성 융합을 기반으로 하는 알츠하이머병 분류 방법.
청구항 1에 있어서,
상기 이미지 처리 단계는,
MR 이미지의 노이즈 제거 및 쌍입체 스플라인(LEMS: Local Entropy bicubic Spline Models) 기반의 지역엔트로피(Local entropy)를 일정 수준 이하로 보정하는 강도 불균일성 보정 단계와,
표준 뇌 템플릿과 정합하는 ICBM152 템플릿에 대한 선형 등록 단계와,
MR 이미지의 해마 영역을 패치 기반으로 오른쪽 21개, 왼쪽 21개로 영역 세분화하는 패치 기반의 해마 영역 세분화 단계를 포함하는 다중 특성 융합을 기반으로 하는 알츠하이머병 분류 방법.
청구항 1에 있어서,
상기 특성 추출 단계는, 분할된 해마 영상을 이용한 부피 및 표면에 대한 형태학적 특성 추출 단계와, GLCM(Gray-Level Co-occurrence Matrix) 방법과 가버필터를 사용하는 질감 특성 추출 단계를 포함하는 다중 특성 융합을 기반으로 하는 알츠하이머병 분류 방법.
삭제
청구항 1에 있어서,
상기 결과 분석 단계는, 기계학습(Machine Learning) 또는 지도 학습(Supervised Learning) 기반의 서포트벡터머신(SVM)을 이용하여 상기 그룹 간의 차이점을 계산하고, 가버 질감분석(Gabor texture analysis), 형태학적 해마(hippocampus morphometric), 2D 및 3D 회색수준 동시발생 행렬식(GLCM)의 3 가지 유형에 대하여 분류 정확도를 측정하는 다중 특성 융합을 기반으로 하는 알츠하이머병 분류 방법.
MR 영상 기반 알츠하이머병 분류 장치에 있어서,
자기공명영상(MRI, Magnetic Resonance Imaging) 스캔 이미지를 획득하는 MR 이미지 획득부;
상기 MR 이미지에 대한 잡음 제거, 비균질성 보정과 명암 표준화 및 패치 기반의 해마 영역 세분화를 수행하는 이미지 처리부;
분할된 해마 영상에 대하여 체적요소기반 형태학적 특성 추출과 GLCM(Gray-Level Co-occurrence Matrix)과 가버필터(Gabor Filter)를 사용하는 질감특성 추출을 수행하는 특성 추출부;
상기 특성 추출 단계에서 추출되는 형태학적 특성 및 질감 특성 벡터로부터 추출된 특징 벡터로부터 피셔판별분석(Fisher discriminant analysis)을 통해 일정 개수의 특징 집합을 선정하는 특성 선택부; 및
서포트벡터머신(SVM)을 이용하여 알츠하이머병(AD), 경도인지장애(MCI) 및 정상인(NC) 그룹간의 분류 정확도를 측정하는 결과 분석부를 포함하고,
상기 특성 선택부는,
용량(Volume), 면적(Area), 합계 평균(Sum Average), 클러스터 셰이드(Cluster Shade), 클러스터 경향(Cluster Tendency) 및 이미지의 지역 에너지(Local Energy)의 6가지 특징을 선정하고, 상기 6가지 특징에 대하여 가버 질감분석(Gabor texture analysis), 형태학적 해마(hippocampus morphometric), 2D 및 3D 회색수준 동시발생 행렬식(GLCM)의 3 가지 유형을 사용하여 MR 영상으로부터 식별된 특징을 분류하는 것을 특징으로 하는 다중 특성 융합을 기반으로 하는 알츠하이머병 분류 장치.