KR102385708B1 - 알츠하이머병 진단을 위한 인공지능 기반의 전도도 영상 복원 장치 및 방법 - Google Patents

알츠하이머병 진단을 위한 인공지능 기반의 전도도 영상 복원 장치 및 방법 Download PDF

Info

Publication number
KR102385708B1
KR102385708B1 KR1020200089423A KR20200089423A KR102385708B1 KR 102385708 B1 KR102385708 B1 KR 102385708B1 KR 1020200089423 A KR1020200089423 A KR 1020200089423A KR 20200089423 A KR20200089423 A KR 20200089423A KR 102385708 B1 KR102385708 B1 KR 102385708B1
Authority
KR
South Korea
Prior art keywords
conductivity
map
space
value
learned
Prior art date
Application number
KR1020200089423A
Other languages
English (en)
Other versions
KR20220011242A (ko
Inventor
장건호
권오인
이문배
Original Assignee
경희대학교 산학협력단
건국대학교 산학협력단
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 경희대학교 산학협력단, 건국대학교 산학협력단 filed Critical 경희대학교 산학협력단
Priority to KR1020200089423A priority Critical patent/KR102385708B1/ko
Publication of KR20220011242A publication Critical patent/KR20220011242A/ko
Application granted granted Critical
Publication of KR102385708B1 publication Critical patent/KR102385708B1/ko

Links

Images

Classifications

    • 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
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • 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 
    • A61B5/0522—Magnetic induction tomography
    • 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 
    • A61B5/053—Measuring electrical impedance or conductance of a portion of the body
    • A61B5/0536—Impedance imaging, e.g. by tomography
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7239—Details of waveform analysis using differentiation including higher order derivatives
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4806—Functional imaging of brain activation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Neurology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Physics & Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Neurosurgery (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

본 발명은 인공지능 기반의 전도도 영상 복원 장치 및 그 방법에 관한 것으로서, 일실시예에 따른 전도도 영상 복원 장치는 대상체에 인가되는 RF 펄스에 의해 형성된 자기장(B1)에 대응되는 B1 맵 정보를 획득하는 정보 획득부와, 획득된 B1 맵 정보에 대응되는 복수의 픽셀 중 적어도 하나의 픽셀 각각에 대응되는 B1 위상 신호를 미분하여 적어도 하나의 미분 집합을 생성하는 전처리부와, 미분 집합을 입력으로 수신하는 인공지능 알고리즘에 기초한 기계학습을 통해 학습된 전도도 값을 산출하는 전도도 학습부 및 학습된 전도도 값에 기초하여 전도도 맵을 구성하는 전도도 맵 구성부를 포함한다.

Description

알츠하이머병 진단을 위한 인공지능 기반의 전도도 영상 복원 장치 및 방법{CONDUCTIVITY IMAGE RECONSTRUCTION APPARATUS AND METHOD BASED ON DEEP LEARNING FOR DIAGNOSIS OF ALZHEIMER'S DISEASES}
본 발명은 전도도 영상 복원 장치 및 그 방법에 관한 것으로, 보다 상세하게는 자기공명영상 장치를 이용하여 외부에서 인가되는 전류 없이 인공지능 기반의 기계학습을 통해 전도도 영상을 생성하는 기술적 부분과 이 영상을 이용한 알츠하이머병 진단에 관한 것이다.
뇌 세포의 전기적 특성은 전도도(conductivity)(저항의 역수) 또는 유전율(permittivity) 측정을 통해 평가될 수 있으며, 세포 전도도는 분자구성, 세포구조, 세포내외의 액체의 양, 이온의 농도 (concentration)와 이동성(mobility), 온도의 변화에 따라 변화를 하게 된다. 따라서 전도도의 측정은 뇌 세포의 구조적, 기능적, 병리학적 변화를 알 수 있게 해준다.
세포의 특성이 변화하면서 뇌 전도도 또한 변화를 하게 되는데 일반적으로 전도도 값을 얻기 위해서는 전극을 몸의 특정위치에 붙이고 전류를 인가하여 얻는 전기 임피던스 단층촬영법(electrical impedance tomography, EIT)을 사용하여 왔다.
이 방법을 응용하여 자기공명영상장치를 이용한 전도도 영상법이 개발되었고 이 방법은 MR-EIT이라 한다. 이 방법의 특징은 저주파 전도도(low frequency conductivity, 0.01 내지 1 kHz)를 영상화하여 분자 수준의 성분 평가 및 이온의 농도 및 이동도(mobility)를 평가할 수 있어 세포막(cell membrane) 특성을 평가할 수 있다.
그러나, 이 방법은 EIT 기술에서 요구하는 외부에서 전류를 주입해야 영상을 얻을 수 있어 환자의 뇌에 적용하는 것은 위험이 따르고 너무 불편하여 동물실험 외 사람의 뇌를 대상으로 하는 임상 적용하기가 현실적으로 어렵다.
외부에서 전류를 인가하지 않고 MRI를 이용하여 전기적 특성을 영상화 할 수 있는 방법이 개발되었는데 이 기술은 MR-EPT(magnetic resonance-electrical property tomography)라 한다. 이 방법은 외부에서 전류를 인가하지 않기 때문에 위험이 없고 안전하다. 순자화(net magnetization)를 플립(flip) 시키기 위하여 RF(radiofrequency)를 인가해 주게 되고 이 것이 뇌세포와 상호작용을 하게 되어, 세포의 이온과 물의 양에 따라 전기적 특성을 변화하게 되며 이 특성을 영상화 하는 것이다.
그러나, 3T-MRI를 이용하는 MR-EPT 방법은 맥스웰 방정식에 기반한 편미분 방정식의 수치적 해법에 기반하여 왔다. 기존의 방법은 영상화 하려는 영역을 모두 포함하여야 하는 단점과 잡음이 포함된 위상 영상을 두번 미분하는 과정을 포함하여 잡음에 취약하고, 심한 잡음이 포함된 영역이 주변에 영향을 미쳐 복구된 전도도 영상의 전체적인 품질을 저하시키는 단점을 가지고 있다.
따라서, 편미분 방정식에 의존하지 않는 전도도 복원 기술이 개발되면, 복원된 전도도 영상의 정확도를 높여 전도도 영상의 다양한 임상적 적용을 가능하게 할 것으로 기대되고 있다.
알츠하이머병은 전체 치매의 약 70% 이상을 차지하며 퇴행성 뇌 질환 중에서도 가장 많은 발병률을 차지하는 것으로 알려져 있다. 이러한 알츠하이머병은 뇌에 아밀로이드-베타 단백질 (amyloid-beta protein) 과 과인산화된 타우 단백질 (Hyperphosphorylated tau protein)의 비정상적인 침착으로 뇌 신경세포의 손상(neuronal loss)을 초래하여 기억력 저하를 유발하여 치매 상태로 진행되는 병이다.
현재 알츠하이머병의 진단을 위해 진행되는 검사 지표 중 현재 가장 유용하게 여겨지는 것은 뇌 척수액(CSF) 검사이다. 그러나, 이 검사는 침습적 방법의 병원에 입원을 한 상태에서 검사가 진행하게 되고 검사후 몇 시간 동안 움직임이 없이 바르게 누워 있어야 하는 한계가 있다.
현재 알츠하이머병을 진단 할 수 있는 표준 영상 법으로 아밀로이드 단백질이나 타우 단백질을 영상화 하는 방사성동위원소을 이용한 PET 영상 기술이 있다. 현재 시판되고 있는 아밀로이드 PET 영상은 아밀로이드 반(amyloid plaque)의 침착을 확인할 수 있는 방법으로 알려져 있다. 하지만 이 기술은 방사성 동위원소를 인체에 주입하기 때문에 방사선 피폭의 위험성이 있고 검사하는 비용이 비싼 것이 단점이다. 따라서 인지기능 정상노인을 대상으로 하는 반복적 건강검진을 위해서는 사용할 수가 없다.
현재 MRI를 사용한 알츠하이머병 진단 방법으로는 회백질 혹은 해마부위의 위축을 평가하는 진단법이 상용화되고 있으나, 뇌 위축은 치매가 많이 진행된 상태에서 발견되기 때문에 치매의 조기진단 기술로는 사용할 수가 없다. 따라서 전도도 영상을 이용한 알츠하이머병의 진단은 아직 임상에서 사용되지 않고 있으며 이 기술이 실제 임상에 적용하게 되면 알츠하이머병의 병리학적 이해를 하는데 큰 도움이 될 것으로 판단된다.
한국등록특허 제10-1747029호, "전류를 주입 없이 MRI를 이용한 저주파 전도도 영상 복원 장치 및 그 방법" 한국공개특허 제10-2019-0112219호, "알츠하이머 질병 검출 방법, 알츠하이머 질병 검출 시스템 및 알츠하이머 질병 검출 방법을 수행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체"
본 발명은 자기공명영상 장치를 이용하여 외부에서 인가되는 전류 없이 인공지능 알고리즘 기반의 기계학습을 통해 전도도 영상을 복원할 수 있는 전도도 영상 복원 장치 및 그 방법을 제공하고자 한다.
또한, 본 발명은 인공지능 알고리즘 기반의 기계학습을 통해 산출된 전도도 값에 기초하여 잡음이 제거된 전도도 영상을 제공하는 전도도 영상 복원 장치 및 그 방법을 제공하고자 한다.
또한, 본 발명은 복원된 전도도 영상을 제공하여 알츠하이머병을 용이하게 진단할 수 있는 전도도 영상 복원 장치 및 그 방법을 제공하고자 한다.
본 발명의 일실시예에 따른 전도도 영상 복원 장치는 대상체에 인가되는 RF 펄스에 의해 형성된 자기장(B1)에 대응되는 B1 맵 정보를 획득하는 정보 획득부와, 획득된 B1 맵 정보에 대응되는 복수의 픽셀 중 적어도 하나의 픽셀 각각에 대응되는 B1 위상 신호(phase signal)를 미분하여 적어도 하나의 미분 집합을 생성하는 전처리부와, 미분 집합을 입력으로 수신하는 인공지능 알고리즘에 기초한 기계학습을 통해 학습된 전도도 값을 산출하는 전도도 학습부 및 학습된 전도도 값에 기초하여 전도도 맵을 구성하는 전도도 맵 구성부를 포함할 수 있다.
일측에 따르면, 전처리부는 복수의 픽셀 중 적어도 하나의 타겟 픽셀을 선정하고, 타겟 픽셀 각각을 중심으로 기설정된 거리 내에 위치한 인접 픽셀들을 포함하는 적어도 하나의 로컬 윈도우(local window)를 형성하며, 형성된 로컬 윈도우에서의 B1 위상 신호의 미분을 통해 미분 집합을 생성할 수 있다.
일측에 따르면, 미분 집합은 B1 위상 신호의 1차 미분 값, B1 위상 신호의 2차 미분 값 및 1차 미분 값과 2차 미분 값의 합산 값을 포함할 수 있다.
일측에 따르면, 미분 집합은 하기 수학식3으로 표현되는 미분 값들을 포함할 수 있다.
[수학식3]
Figure 112020075135625-pat00001
여기서,
Figure 112020075135625-pat00002
은 B1 위상 신호를 의미할 수 있다.
일측에 따르면, 전도도 맵 구성부는 학습된 전도도 값에 기초하여 적어도 하나의 픽셀 각각에서의 잡음(noise)의 크기를 연산하고, 연산된 잡음의 크기에 대응되는 전도도 가중치를 설정하며, 학습된 전도도 값 각각에 대응되는 전도도 가중치를 반영하여 잡음이 제거된 전도도 값을 산출하고, 잡음이 제거된 전도도 값에 기초하여 전도도 맵을 구성할 수 있다.
일측에 따르면, 전도도 맵 구성부는 하기 수학식4를 통해 잡음이 제거된 전도도 값을 산출할 수 있다.
[수학식4]
Figure 112020075135625-pat00003
여기서, Wij는 로컬 윈도우,
Figure 112020075135625-pat00004
은 전도도 가중치,
Figure 112020075135625-pat00005
는 학습된 전도도 값을 의미할 수 있다.
일측에 따르면, 전도도 맵 구성부는 구성된 전도도 맵에서 대상체의 해마 영역(hippocampus space), 혈관주위강 영역(peri-vascular space, virchow-Robin space, a fluid-filled space surrounding certain blood vessels), 뇌실 영역(ventricle space), 기저핵 영역(basal nucleus space) 및 뇌량 영역(corpus callosum space) 중 적어도 하나의 영역을 식별하고, 식별된 영역에서의 전도도 값을 시각화할 수 있다.
일측에 따르면, 전도도 맵 구성부는 구성된 전도도 맵에서 대상체의 해마 영역(hippocampus space), 혈관주위강 영역(peri-vascular space, virchow-Robin space, a fluid-filled space surrounding certain blood vessels), 뇌실 영역(ventricle space), 기저핵 영역(basal nucleus space) 및 뇌량 영역(corpus callosum space) 중 적어도 하나의 영역을 식별하고, 식별된 영역에서의 전도도 값에 기초하여 알츠하이머병(alzheimer's disease) 여부를 판단할 수 있다.
일측에 따르면, 정보 획득부는 대상체 외부에서 전류를 인가하지 않고, 비침습적 자기 공명 영상 기술에 기초하여 B1 맵 정보를 획득할 수 있다.
본 발명의 일실시예에 따른 전도도 영상 복원 방법은 정보 획득부에서, 대상체에 인가되는 RF 펄스에 의해 형성된 자기장(B1)에 대응되는 B1 맵 정보를 획득하는 단계와, 전처리부에서, 획득된 B1 맵 정보에 대응되는 복수의 픽셀 중 적어도 하나의 픽셀 각각에 대응되는 B1 위상 신호(phase signal)를 미분하여 적어도 하나의 미분 집합을 생성하는 단계와, 전도도 학습부에서, 미분 집합을 입력으로 수신하는 인공지능 알고리즘에 기초한 기계학습을 통해 학습된 전도도 값을 산출하는 단계 및 전도도 맵 구성부에서, 학습된 전도도 값에 기초하여 전도도 맵을 구성하는 단계를 포함할 수 있다.
일측에 따르면, 미분 집합을 생성하는 단계는 복수의 픽셀 중 적어도 하나의 타겟 픽셀을 선정하고, 타겟 픽셀 각각을 중심으로 기설정된 거리 내에 위치한 인접 픽셀들을 포함하는 적어도 하나의 로컬 윈도우(local window)를 형성하며, 형성된 로컬 윈도우에서의 B1 위상 신호의 미분을 통해 미분 집합을 생성할 수 있다.
일측에 따르면, 전도도 맵을 구성하는 단계는 구성된 전도도 맵에서 대상체의 해마 영역(hippocampus space), 혈관주위강 영역(peri-vascular space, virchow-Robin space, a fluid-filled space surrounding certain blood vessels), 뇌실 영역(ventricle space), 기저핵 영역(basal nucleus space) 및 뇌량 영역(corpus callosum space) 중 적어도 하나의 영역을 식별하고, 식별된 영역에서의 전도도 값에 기초하여 알츠하이머병(alzheimer's disease) 여부를 판단할 수 있다.
일실시예에 따르면, 본 발명은 자기공명영상 장치를 이용하여 외부에서 인가되는 전류 없이 인공지능 알고리즘 기반의 기계학습을 통해 전도도 영상을 복원할 수 있다.
일실시예에 따르면, 본 발명은 인공지능 알고리즘 기반의 기계학습을 통해 산출된 전도도 값에 기초하여 잡음이 제거된 전도도 영상을 제공할 수 있다.
일실시예에 따르면, 본 발명은 복원된 전도도 영상을 사용자에게 제공하여 알츠하이머병을 용이하게 진단하도록 지원할 수 있다.
도 1은 일실시예에 따른 전도도 영상 복원 장치를 설명하기 위한 도면이다.
도 2는 일실시예에 따른 전도도 영상 복원 장치의 동작 예시를 설명하기 위한 도면이다.
도 3a 내지 도 3b는 일실시예에 따른 전도도 영상 복원 장치를 통해 전도도 영상을 복원하는 예시를 설명하기 위한 도면이다.
도 4a 내지 도 4e는 일실시예에 따른 전도도 영상 복원 장치를 통해 전도도 값을 시각화하는 예시를 설명하기 위한 도면이다.
도 5는 일실시예에 따른 전도도 영상 복원 방법을 설명하기 위한 도면이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들면 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들면 "~사이에"와 "바로~사이에" 또는 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일실시예에 따른 전도도 영상 복원 장치를 설명하기 위한 도면이다.
도 1을 참조하면, 일실시예에 따른 전도도 영상 복원 장치(100)는 자기공명영상 장치를 이용하여 외부에서 인가되는 전류 없이 인공지능 알고리즘 기반의 기계학습을 통해 전도도 영상을 복원할 수 있다.
또한, 전도도 영상 복원 장치(100)는 인공지능 알고리즘 기반의 기계학습을 통해 산출된 전도도 값에 기초하여 잡음이 제거된 전도도 영상을 제공할 수 있다.
또한, 전도도 영상 복원 장치(100)는 복원된 전도도 영상을 사용자에게 제공하여 알츠하이머병을 용이하게 진단하도록 지원할 수 있다.
일실시예에 따른 전도도 영상 복원 장치(100)는 인공지능 알고리즘 기반의 기계학습을 통해 복원된 전도도 영상을 통해 알츠하이머병을 조기 진단할 수 있는 기술을 제공하며, 이를 위해 전도도 영상 복원 장치(100)는 정보 획득부(110), 전처리부(120), 전도도 학습부(130), 전도도 맵 구성부(140)를 포함할 수 있다.
일실시예에 따른 정보 획득부(110)는 대상체에 인가되는 RF 펄스에 의해 형성된 자기장(B1)에 대응되는 B1 맵 정보를 획득할 수 있다.
일측에 따르면, 정보 획득부(110)는 대상체 외부에서 전류를 인가하지 않고, 비침습적 자기 공명 영상 기술에 기초하여 B1 맵 정보를 획득할 수 있다.
일실시예에 따른 전처리부(120)는 획득된 B1 맵 정보에 대응되는 복수의 픽셀 중 적어도 하나의 픽셀 각각에 대응되는 B1 위상 신호(phase signal)를 미분하여 적어도 하나의 미분 집합을 생성할 수 있다.
일측에 따르면, 전처리부(120)는 복수의 픽셀 중 적어도 하나의 타겟 픽셀을 선정하고, 타겟 픽셀 각각을 중심으로 기설정된 거리 내에 위치한 인접 픽셀들을 포함하는 적어도 하나의 로컬 윈도우(local window)를 형성하며, 형성된 로컬 윈도우에서의 B1 위상 신호의 미분을 통해 미분 집합을 생성할 수 있다.
일측에 따르면, 미분 집합은 B1 위상 신호의 1차 미분 값, B1 위상 신호의 2차 미분 값 및 1차 미분 값과 2차 미분 값의 합산 값을 포함할 수 있다.
일실시예에 따른 전도도 학습부(130)는 미분 집합을 입력으로 수신하는 인공지능 알고리즘에 기초한 기계학습을 통해 학습된 전도도 값을 산출할 수 있다. 다시 말해, 전도도 학습부(130)는 미분 집합을 입력으로 수신하여 전도도를 복원할 수 있다.
일실시예에 따른 전도도 맵 구성부(140)는 학습된 전도도 값에 기초하여 전도도 맵을 구성할 수 있다.
일측에 따르면, 전도도 맵 구성부(140)는 학습된 전도도 값에 기초하여 적어도 하나의 픽셀 각각에서의 잡음(noise)의 크기를 연산하고, 연산된 잡음의 크기에 대응되는 전도도 가중치를 설정하며, 학습된 전도도 값 각각에 대응되는 전도도 가중치를 반영하여 잡음이 제거된 전도도 값을 산출하고, 잡음이 제거된 전도도 값에 기초하여 전도도 맵을 구성할 수 있다.
또한, 전도도 맵 구성부(140)는 구성된 전도도 맵에서 대상체의 해마 영역(hippocampus space), 혈관주위강 영역(peri-vascular space, virchow-robin space, a fluid-filled space surrounding certain blood vessels), 뇌실 영역(ventricle space), 기저핵 영역(basal nucleus space) 및 뇌량 영역(corpus callosum space) 중 적어도 하나의 영역을 식별하고, 식별된 영역에서의 전도도 값을 시각화할 수 있다.
일측에 따르면, 전도도 맵 구성부(140)는 학습된 전도도 값에 기초하여 고주파 전도도(MR-EPT, magnetic resonance-electrical property tomography) 맵 및 저주파 전도도 맵 중 적어도 하나의 맵을 구성할 수 있다.
또한, 전도도 맵 구성부(140)는 3T MRI에서 128 MHz Larmor 주파수에 해당되는 고주파(high frequency) 전도도와 유전율(permittivity)을 영상화할 수 있다.
일측에 따르면, 전도도 맵 구성부(140)는 구성된 전도도 맵에서 대상체의 해마 영역, 혈관주위강 영역, 뇌실 영역, 기저핵 영역 및 뇌량 영역 중 적어도 하나의 영역을 식별하고, 식별된 영역에서의 전도도 값에 기초하여 알츠하이머병(alzheimer's disease) 여부를 판단할 수 있다.
예를 들면, 전도도 맵 구성부(140)는 식별된 영역에서의 전도도 값과 기설정된 기준 전도도 값을 비교하고, 비교 결과에 기초하여 알츠하이머병 여부를 판단(진단)할 수 있다.
일실시예에 따른 전도도 영상 복원 장치(100)는 이후 실시예 도 2를 통해 보다 구체적으로 설명하기로 한다.
도 2는 일실시예에 따른 전도도 영상 복원 장치의 동작 예시를 설명하기 위한 도면이다.
다시 말해, 도 2는 도 1을 통해 설명한 일실시예에 따른 전도도 영상 복원 장치에 관한 예시를 설명하는 도면으로, 이후 도 2를 통해 설명하는 내용 중 도 1을 통해 설명한 내용과 중복되는 설명은 생략하기로 한다.
도 2를 참조하면, 일실시예에 따른 전도도 영상 복원 장치는 자기공명영상 장치를 이용하여 치매 환자의 뇌의 외부에서 전류를 주입하지 않고 고주파 전도도(MR-EPT) 영상을 생성할 수 있다.
MR-EPT 방법에서 전도도를 영상화하기 위해서는 순자화(net magnetization)를 플립(flip)하기 위해 사용되는 전송 RF 펄스의 B1 맵 정보를 연산하여야 하며, B1 매핑(mapping)을 위해 다중에코 터보스핀에코(multi-echo turbo-spin-echo) 시퀀스 혹은 3차원 경사자장(gradient-echo) 시퀀스를 이용할 수 있다.
Larmor 주파수(
Figure 112020075135625-pat00006
)에서 고주파 전도도(
Figure 112020075135625-pat00007
)와 유전율(
Figure 112020075135625-pat00008
)는 하기 수학식1과 같은 시간 조화 맥스웰 방정식(time-harmonic maxwell equation)으로 표현될 수 있다.
[수학식1]
Figure 112020075135625-pat00009
여기서,
Figure 112020075135625-pat00010
은 B1 위상 신호,
Figure 112020075135625-pat00011
는 4ð x 10-7 N/A2,
Figure 112020075135625-pat00012
는
Figure 112020075135625-pat00013
을 의미할 수 있다.
또한, 송신 포지티브(positive) B1 필드(
Figure 112020075135625-pat00014
)와, l번째(여기서, l은 양의 정수) 코일에서 얻어지는 네거티브(negative) B1 필드(
Figure 112020075135625-pat00015
) 및 l번째 코일의 k번째(여기서, k는 양의 정수) 에코에서 얻어지는 MRI 신호(
Figure 112020075135625-pat00016
)는 하기 수학식2로 표현될 수 있다.
[수학식2]
Figure 112020075135625-pat00017
여기서,
Figure 112020075135625-pat00018
및
Figure 112020075135625-pat00019
은 트랜시버 위상(transceiver phase),
Figure 112020075135625-pat00020
및
Figure 112020075135625-pat00021
는 기설정된 상수 값,
Figure 112020075135625-pat00022
는 양성자 밀도와 관련된 상수 값,
Figure 112020075135625-pat00023
는 MRI에서 RF 펄스를 인가할 때 주자기장 방향과의 사이각(flip angle)을 의미할 수 있다.
수학식1에 따르면, 전도도는 측정된 위상신호의 미분과 관계가 있음을 확인할 수 있다. 이에 일실시예에 따른 전도도 영상 복원 장치는 기계학습의 입력 데이터로 위상신호를 미분한 미분 집합을 사용한다.
구체적으로, 일실시예에 따른 전도도 영상 복원 장치는 각 픽셀마다 주변의 인접 픽셀들을 포함하는 로컬 윈도우를 설정하고, 설정된 로컬 윈도우에서 위상신호를 미분한 미분 집합을 인공지능 알고리즘의 입력 데이터로 사용할 수 있다. 여기서 인공지능 알고리즘의 출력 데이터는 각 픽셀 주변의 전도도 값을 잡고 기계학습을 수행할 수 있다.
이하에서는, 도 2의 참조부호 210 내지 250을 통해, 일실시예에 따른 전도도 영상 복원 장치의 동작을 보다 구체적으로 설명하기로 한다.
참조부호 210에서 일실시예에 따른 전도도 영상 복원 장치의 정보 획득부는 대상체에 인가되는 RF 펄스에 의해 형성된 자기장(B1)에 대응되는 B1 맵 정보를 획득할 수 있다.
일측에 따르면, 정보 획득부는 대상체 외부에서 전류를 인가하지 않고, 비침습적 자기 공명 영상 기술에 기초하여 B1 맵 정보를 획득할 수 있다.
예를 들면, 대상체는 환자 또는 질환 의심자와 같은 측정 대상자의 뇌를 의미할 수 있으며, 정보 획득부는 자기공명영상 장치 또는 자기공명영상 장치와 연동된 별도의 장치를 통해 B1 맵 정보를 획득할 수 있다.
또한, 정보 획득부는 자기공명영상 장치 또는 자기공명영상 장치와 연동된 별도의 장치를 통해 복수 개의 RF 코일들 각각에 의해 형성되는 송신 RF 자기장의 위상 정보와 수신 RF 자기장의 위상정보를 포함하는 B1 정보를 획득하고, 획득된 B1 정보의 공간적 분포를 나타내는 B1 맵 정보를 생성할 수도 있다.
참조부호 220에서 일실시예에 따른 전도도 영상 복원 장치의 전처리부는 획득된 B1 맵 정보에 대응되는 복수의 픽셀 중 적어도 하나의 픽셀 각각에 대응되는 B1 위상 신호(phase signal)를 미분하여 적어도 하나의 미분 집합을 생성할 수 있다.
예를 들면, 복수의 픽셀은 B1 정보의 공간적 분포인 B1 맵 정보를 각각 구성하는 픽셀들일 수 있다.
일측에 따르면, 전처리부는 복수의 픽셀 중 적어도 하나의 타겟 픽셀을 선정하고, 타겟 픽셀 각각을 중심으로 기설정된 거리 내에 위치한 인접 픽셀들을 포함하는 적어도 하나의 로컬 윈도우를 형성하며, 형성된 로컬 윈도우에서의 B1 위상 신호의 미분을 통해 미분 집합을 생성할 수 있다.
예를 들면, 전처리부는 공간 좌표 (x, y)가 (2, 2)인 위치에 대응되는 픽셀이 타겟 픽셀로 설정되는 경우에, (1, 1), (1, 2), (1, 3), (2, 1), (2, 3), (3, 1), (3, 2) 및 (3, 3)에 위치한 인접 픽셀들을 포함하는 로컬 윈도우를 형성하고, 형성된 로컬 윈도우(타겟 픽셀 및 인접 픽셀들)에서의 B1 위상 신호의 미분을 통해 타겟 픽셀에 대응되는 미분 집합을 생성할 수 있다.
또한, 전처리부는 공간 좌표(x, y)가 (2, 3)인 위치에 대응되는 픽셀이 타겟 픽셀로 설정되는 경우에, (1, 2), (1, 3), (1, 4), (2, 2), (2, 4), (3, 2), (3, 3) 및 (3, 4)에 위치한 인접 픽셀들을 포함하는 로컬 윈도우를 형성하고, 형성된 로컬 윈도우(타겟 픽셀 및 인접 픽셀들)에서의 B1 위상 신호의 미분을 통해 타겟 픽셀에 대응되는 미분 집합을 생성할 수 있다.
즉, 미분 집합을 생성하는 픽셀이 복수 개인 경우에, 어느 하나의 타겟 픽셀은 다른 하나의 타겟 픽셀의 인접 픽셀이 될 수 있다. 또한, 타겟 픽셀에 대응되는 인접 픽셀의 개수는 기설정된 거리에 따라 변경될 수 있다.
바람직하게는, 전처리부는 B1 맵 정보에 대응되는 복수의 픽셀 전체에 대하여 미분 집합을 생성할 수 있다.
일측에 따르면, 미분 집합은 B1 위상 신호의 1차 미분 값, B1 위상 신호의 2차 미분 값 및 1차 미분 값과 2차 미분 값의 합산 값을 포함할 수 있다. 다시 말해, 미분 집합(
Figure 112020075135625-pat00024
)은 하기 수학식3과 같이 표현될 수 있다.
[수학식3]
Figure 112020075135625-pat00025
여기서,
Figure 112020075135625-pat00026
은 B1 위상 신호를 의미할 수 있다.
구체적으로, 측정된 B1 필드는 전도도와 복잡한 편미분 방정식으로 관계가 설정되는데, 편미분 방정식의 연산 과정은 국소적이 아니라 전체 영역을 포함하게 되어 국소적으로 포함된 심한 잡음(noise)이 관여하게 되며, 이로 인해 전도도 값에 대한 신뢰도가 떨어질 수 있다. 또한 측정된 B1 필드의 신호는 작고 부드러워 가공 없이는 기계학습을 통한 전도도 복원을 기대하기가 어렵다는 문제가 있다.
이에 일실시예에 따른 전도도 영상 복원 장치는 B1 필드의 복수의 픽셀 각각에 대응하여 도출된 미분 집합(
Figure 112020075135625-pat00027
)을 이용하여 내부의 전도도 물성의 특성을 두드러지게 한 다음(전처리 과정), 인공지능 알고리즘 기반의 기계학습을 수행함으로써, 전도도 복원의 정확성 및 신뢰성을 향상시킬 수 있다.
참조부호 230에서 일실시예에 따른 전도도 영상 복원 장치의 전도도 학습부는 미분 집합을 입력으로 수신하는 인공지능 알고리즘에 기초한 기계학습을 통해 학습된 전도도 값(참조부호 240)을 산출할 수 있다.
일측에 따르면, 인공지능 알고리즘은 입력된 복수의 미분 집합으로부터 각 타겟 픽셀을 중심으로 주변(인접 픽셀들)의 전도도 값들이 동시에 복원하는 알고리즘일 수 있다.
예를 들면, 인용지능 알고리즘은 복수의 미분 집합을 입력으로 수신하는 입력 레이어(input layer), 입력된 미분 집합에 대한 기계학습을 수행하는 복수의 히든 레이어(hidden layer) 및 기계 학습된 전도도 값을 출력하는 출력 레이어(output layer)로 구성될 수 있다. 여기서, 히든 레이어는 4개의 스테이지(hidden layer1 내지 4)로 구성될 수 있으나 이에 한정되는 것은 아니다.
일측에 따르면, 전도도 학습부는 인공지능 알고리즘을 통해 출력되는 학습된 전도도 값과 학습된 전도도 값에 대응되는 기대값에 기초하여, 히든 레이어의 수와 연결강도를 조절할 수도 있다.
구체적으로, 연결강도는 알고리즘의 각 레이어에 포함되는 노드들을 연결시켜주는 역할을 수행하는 것으로, 이 연결은 같은 레이어에 있는 노드를 연결할 수 없고 다른 레이어에 있는 노드를 연결할 수 있으며, 일반적으로 하나의 노드는 다음 레이어에 있는 모든 노드와 연결될 수 있다. 또한, 학습된 전도도 값에 대응되는 기대값은 전문가 또는 기저장된 정보에 의해 검증된 전도도 값일 수 있다.
다시 말해, 전도도 학습부는 출력되는 학습된 전도도 값과 기대값을 비교하고, 비교된 값들의 차이(오차)를 감소시키는 방향으로 히든 레이어간의 연결 강도를 조절할 수도 있다.
참조부호 250에서 일실시예에 따른 전도도 영상 복원 장치의 전도도 맵 구성부는 학습된 전도도 값에 기초하여 전도도 맵을 구성할 수 있다.
일측에 따르면, 전도도 맵 구성부는 학습된 전도도 값에 기초하여 적어도 하나의 픽셀 각각에서의 잡음의 크기를 연산하고, 연산된 잡음의 크기에 대응되는 전도도 가중치를 설정하며, 학습된 전도도 값 각각에 대응되는 전도도 가중치를 반영하여 잡음이 제거된 전도도 값을 산출하고, 잡음이 제거된 전도도 값에 기초하여 전도도 맵을 구성할 수 있다.
구체적으로, 일실시예에 따른 전도도 영상 복원 장치는 로컬 윈도우에서 학습된(복원된) 전도도 값들에 기초하여 로컬 윈도우에서 대표되는 가중치를 설정할 수 있다.
예를 들면, 가중치는 기계학습 또는 별도의 정보를 통해 사전에 설정된 값일 수 있으며, 로컬 윈도우 각각에 대응되는 학습된 전도도 값들의 평균 연산에 기초하여 산출될 수도 있다.
다만, 본 발명은 중복된 전도도 값들을 활용하여 복원된 전도도 영상의 품질을 개선하는 것이 주된 제안점으로, 중복된 전도도 값들을 활용하여 가중치를 산출하는 방법은 이 외에도 다양한 방법들이 적용될 수도 있다. 가중치를 산출하는 다른 예시는 이후 수학식4를 통해 보다 구체적으로 설명하기로 한다.
전도도 맵 구성부는 하기 수학식4를 통해 잡음이 제거된 전도도 값(
Figure 112020075135625-pat00028
)을 산출할 수 있다.
[수학식4]
Figure 112020075135625-pat00029
여기서, Wij는 로컬 윈도우,
Figure 112020075135625-pat00030
은 전도도 가중치,
Figure 112020075135625-pat00031
는 학습된 전도도 값, i 및 j는 양의 정수를 의미할 수 있다.
일측에 따르면, 전도도 맵 구성부는 로컬 윈도우 안에서 복원된 중복된 전도도 값들
Figure 112020075135625-pat00032
에 기반하여 잡음의 표준편차를 연산하고, 복원된 각 픽셀을 중심으로 한 로컬 윈도우들간의 상관계수 연산에 기반하여 전도도들간의 유사성 정도를 산출할 수 있으며, 연산된 잡음의 표준편차와 산출된 로컬 윈도우들간의 유사성 정도를 고려하여 최적의 가중치
Figure 112020075135625-pat00033
를 산출할 수 있다.
일측에 따르면, 전도도 맵 구성부는 구성된 전도도 맵에서 대상체의 해마 영역(hippocampus space), 혈관주위강 영역(peri-vascular space, virchow-Robin space, a fluid-filled space surrounding certain blood vessels), 뇌실 영역(ventricle space), 기저핵 영역(basal nucleus space) 및 뇌량 영역(corpus callosum space) 중 적어도 하나의 영역을 식별하고, 식별된 영역에서의 전도도 값을 시각화할 수 있으나, 이에 한정되지 않고 이 밖에 알츠하이머 병을 진단할 수 있는 영역들에 대한 전도도 값을 시각화할 수 있다.
다시 말해, 일실시예에 따른 전도도 영상 복원 장치는 대상체 영상에서 알츠하이머병을 진단할 수 있는 영역에 대한 전도도 값을 시각화하여 사용자에게 제공할 수 있으며, 이를 통해 알츠하이머병의 보다 빠르고 정확한 조기 진단을 지원할 수 있다.
또한, 전도도 맵 구성부는 보다 정확한 알츠하이머병의 진단을 위해 고주파 전도도 값 및 저주파 전도도 값 이외에도 전도도 텐서 값, 이온 농도 값, 전류 흐름도 값을 사용자에게 추가로 제공할 수도 있다.
도 3a 내지 도 3b는 일실시예에 따른 전도도 영상 복원 장치를 통해 전도도 영상을 복원하는 예시를 설명하기 위한 도면이다.
도 3a 내지 도 3b를 참조하면, 도 3a의 (a)는 일반적인 MR의 수소이온농도 영상을 도시하고, (b)는 기존의 편미분방정식을 이용한 방법으로 복원한 전도도 영상을 도시하며, (c)는 인공지능 알고리즘을 이용하여 로컬윈도우에서 복원된 전도도의 중앙값으로 정해진 영상을 도시하고, (d)는 가중치의 합으로 정해진 전도도 영상을 도시한다.
또한, 도 3b는 잡음의 영향을 좀 더 구체적으로 보여주기 위해 주변의 잡음이 심한 경우를 산정한 도면으로, 도 3b의 (a)는 기존의 방법으로 복원된 전도도 영상을 도시하고, (b)는 기계학습을 이용하여 로컬윈도우안에서 복원된 전도도들 값 중에서 중앙에 위치한 전도도 값으로 복원된 전도도 영상을 도시하며, (c)는 가중치를 이용하여 복원된 전도도 영상을 도시한다.
도 3a 내지 도 3b에 따르면, 기존 전도도 복원 영상은 전체영역에서 편미분방정식을 풀어야하는 관계로 국소적으로 심한 잡음이 주변에 영향을 끼쳐 복원된 전도도의 품질이 저하되는 문제가 있다.
반면, 일실시예에 따른 전도도 영상 복원 장치는 복수의 타겟 픽셀 각각에 대응되는 미분 집합을 생성하고, 생성된 미분 집합을 입력으로 기계학습을 수행하는 인공지능 알고리즘을 통해 각 타겟 픽셀을 중심으로 주변(인접 픽셀들)의 전도도 값들을 복원하고 잡음을 제거함으로써, 품질 저하가 최소화되어 높은 신뢰성을 갖는 전도도 영상을 획득할 수 있다.
다시 말해, 일실시예에 따른 전도도 영상 복원 장치는 높은 신뢰성을 갖는 전도도 영상을 제공함으로써, 알츠하이머병 진단의 정확성과 신뢰성을 높일 수 있다.
도 4a 내지 도 4e는 일실시예에 따른 전도도 영상 복원 장치를 통해 전도도 값을 시각화하는 예시를 설명하기 위한 도면이다.
알츠하이머병 뇌의 아밀로이드-베타 펩타이드(amyloid-beta peptides)는 구조적 불안성이 증가되어 전기적 변화에 민감하다. 즉, 알츠하이머병 환자의 전도도를 영상화 하는 것은 아밀로이드-베타의 변화와 신경세포의 변화를 평가하는 수단으로 사용될 수 있다. 또한, 아밀로이드-베타 올리고머(amyloid beta-oligomers)에 의한 세포막 전도도는 아밀로이드-베타의 농도에 의존한다고 알려져 있다. 따라서 이온 농도를 영상화하는 것 또한 치매의 조기 진단에 도움을 줄 수 있다.
정상세포에서는 세포 내 나트륨(intra-cellular sodium) 농도가 세포 외부 나트륨(extra-cellular sodium) 농도보다 10배 정도 낮은 것으로 알려져 있다. 그러나 알츠하이머병 세포에서는 아밀로이드-베타의 증가로 정상세포에 비하여 낮은 나트륨-칼륨 펌프 활동성(sodium-potassium pumps activity)을 보이기 때문에, 이온 항상성(ionic homeostasis)에 변화를 가져오게 되고(calcium homeostasis의 손실과 cell degeneration), 이로 인하여 세포의 전기적 성질이 변화하게 된다.
또한 알츠하이머병 초기에 나타나는 가용성 아밀로이드-베타 올리고머(soluble amyloid-beta oligomer)가 존재라는 경우 나트륨-칼륨 펌프 활동성의 변화를 유발하는 것으로 알려져 있다. 따라서 알츠하이머병 환자의 뇌세포에서의 전기적 특성 변화를 평가하는 것은 치매의 조기진단과 세포 특성을 파악하는데 매우 중요하다.
도 4a 내지 도 4e를 참조하면, 참조부호 410은 대상체(뇌)의 해마 영역(hippocampus space)에서의 전도도 값을 시각화하는 예시를 도시하고, 참조부호 420은 대상체의 혈관주위강 영역(peri-vascular space, virchow-Robin space, a fluid-filled space surrounding certain blood vessels)에서의 전도도 값을 시각화하는 예시를 나타내며, 참조부호 430은 대상체의 뇌실 영역(ventricle space)에서의 전도도 값을 시각화하는 예시를 나타낸다.
또한, 참조부호 440은 대상체의 기저핵 영역(basal nucleus space)에서의 전도도 값을 시각화하는 예시를 나타내고, 참조부호 450은 뇌량 영역(corpus callosum space) 에서의 전도도 값을 시각화하는 예시를 나타낸다.
즉, 일실시예에 따른 전도도 영상 복원 장치는 인공지능 알고리즘을 통해 학습된 전도도 값에 기초하여 구성된 전도도 맵에서 해마 영역, 혈관주위강 영역, 뇌실 영역, 기저핵 영역 및 뇌량 영역 중 적어도 하나의 영역을 식별하고, 식별된 영역에서의 전도도 값을 시각화할 수 있다.
다시 말해, 일실시예에 따른 전도도 영상 복원 장치는 참조부호 410 내지 450에 도시된 바와 같이, 알츠하이머병을 진단할 수 있는 영역에 대한 전도도 값을 가로-세로선 교차 영역으로 시각화하여 사용자에게 제공할 수 있으며, 사용자는 제공된 시각화 이미지를 통해 산출된 전도도 값과 기설정된 임계값을 비교하여 알츠하이머병을 조기 진단할 수 있다.
도 5는 일실시예에 따른 전도도 영상 복원 방법을 설명하기 위한 도면이다.
다시 말해, 도 5는 도 1 내지 도 4e를 통해 설명한 일실시예에 따른 전도도 영상 복원 장치를 이용한 전도도 영상 복원 방법을 설명하는 도면으로, 이후 도 5를 통해 설명하는 내용 중 도 1 내지 도 4e를 통해 설명한 내용과 중복되는 설명은 생략하기로 한다.
도 5를 참조하면, 510 단계에서 일실시예에 따른 전도도 영상 복원 방법은 정보 획득부에서, 대상체에 인가되는 RF 펄스에 의해 형성된 자기장(B1)에 대응되는 B1 맵 정보를 획득할 수 있다.
다음으로, 520 단계에서 일실시예에 따른 전도도 영상 복원 방법은 전처리부에서, 획득된 B1 맵 정보에 대응되는 복수의 픽셀 중 적어도 하나의 픽셀 각각에 대응되는 B1 위상 신호(phase signal)를 미분하여 적어도 하나의 미분 집합을 생성할 수 있다.
일측에 따르면, 520 단계에서 일실시예에 따른 전도도 영상 복원 방법은 전처리부에서, 복수의 픽셀 중 적어도 하나의 타겟 픽셀을 선정하고, 타겟 픽셀 각각을 중심으로 기설정된 거리 내에 위치한 인접 픽셀들을 포함하는 적어도 하나의 로컬 윈도우(local window)를 형성하며, 형성된 로컬 윈도우에서의 B1 위상 신호의 미분을 통해 미분 집합을 생성할 수 있다.
다음으로, 530 단계에서 일실시예에 따른 전도도 영상 복원 방법은 전도도 학습부에서, 미분 집합을 입력으로 수신하는 인공지능 알고리즘에 기초한 기계학습을 통해 학습된 전도도 값을 산출할 수 있다.
다음으로, 540 단계에서 일실시예에 따른 전도도 영상 복원 방법은 전도도 맵 구성부에서, 학습된 전도도 값에 기초하여 전도도 맵을 구성할 수 있다.
일측에 따르면, 540 단계에서 일실시예에 따른 전도도 영상 복원 방법은 구성된 전도도 맵에서 대상체의 해마 영역(hippocampus space), 혈관주위강 영역(peri-vascular space, virchow-Robin space, a fluid-filled space surrounding certain blood vessels), 뇌실 영역(ventricle space), 기저핵 영역(basal nucleus space) 및 뇌량 영역(corpus callosum space) 중 적어도 하나의 영역을 식별하고, 식별된 영역에서의 전도도 값에 기초하여 알츠하이머병(alzheimer's disease) 여부를 판단할 수 있다.
결국, 본 발명을 이용하면, 자기공명영상 장치를 이용하여 외부에서 인가되는 전류 없이 인공지능 알고리즘 기반의 기계학습을 통해 전도도 영상을 복원할 수 있다.
또한, 인공지능 알고리즘 기반의 기계학습을 통해 산출된 전도도 값에 기초하여 잡음이 제거된 전도도 영상을 제공할 수 있다.
또한, 복원된 전도도 영상을 사용자에게 제공하여 알츠하이머병을 용이하게 진단하도록 지원할 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들면, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 장치, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
100: 전도도 영상 복원 장치 110: 정보 획득부
120: 전처리부 130: 전도도 학습부
140: 전도도 맵 구성부

Claims (12)

  1. 대상체에 인가되는 RF 펄스에 의해 형성된 자기장(B1)에 대응되는 B1 맵 정보를 획득하는 정보 획득부;
    상기 획득된 B1 맵 정보에 대응되는 복수의 픽셀 중 적어도 하나의 픽셀 각각에 대응되는 B1 위상 신호(phase signal)를 미분하여 적어도 하나의 미분 집합을 생성하는 전처리부;
    상기 미분 집합을 입력으로 수신하는 인공지능 알고리즘에 기초한 기계학습을 통해 학습된 전도도 값을 산출하는 전도도 학습부 및
    상기 학습된 전도도 값에 기초하여 전도도 맵을 구성하는 전도도 맵 구성부
    를 포함하고,
    상기 미분 집합은,
    상기 B1 위상 신호의 1차 미분 값, 상기 B1 위상 신호의 2차 미분 값 및 상기 1차 미분 값과 상기 2차 미분 값의 합산 값을 포함하는
    전도도 영상 복원 장치.
  2. 제1항에 있어서,
    상기 전처리부는,
    상기 복수의 픽셀 중 적어도 하나의 타겟 픽셀을 선정하고, 상기 타겟 픽셀 각각을 중심으로 기설정된 거리 내에 위치한 인접 픽셀들을 포함하는 적어도 하나의 로컬 윈도우(local window)를 형성하며, 상기 형성된 로컬 윈도우에서의 상기 B1 위상 신호의 미분을 통해 상기 미분 집합을 생성하는
    전도도 영상 복원 장치.
  3. 삭제
  4. 대상체에 인가되는 RF 펄스에 의해 형성된 자기장(B1)에 대응되는 B1 맵 정보를 획득하는 정보 획득부;
    상기 획득된 B1 맵 정보에 대응되는 복수의 픽셀 중 적어도 하나의 픽셀 각각에 대응되는 B1 위상 신호(phase signal)를 미분하여 적어도 하나의 미분 집합을 생성하는 전처리부;
    상기 미분 집합을 입력으로 수신하는 인공지능 알고리즘에 기초한 기계학습을 통해 학습된 전도도 값을 산출하는 전도도 학습부 및
    상기 학습된 전도도 값에 기초하여 전도도 맵을 구성하는 전도도 맵 구성부
    를 포함하고,
    상기 미분 집합은,
    하기 수학식3으로 표현되는 미분 값들을 포함하는
    [수학식3]
    Figure 112022006750264-pat00049

    여기서,
    Figure 112022006750264-pat00050
    은 B1 위상 신호인
    전도도 영상 복원 장치.
  5. 제1항에 있어서,
    상기 전도도 맵 구성부는,
    상기 학습된 전도도 값에 기초하여 상기 적어도 하나의 픽셀 각각에서의 잡음(noise)의 크기를 연산하고, 상기 연산된 잡음의 크기에 대응되는 전도도 가중치를 설정하며, 상기 학습된 전도도 값 각각에 대응되는 상기 전도도 가중치를 반영하여 잡음이 제거된 전도도 값을 산출하고, 상기 잡음이 제거된 전도도 값에 기초하여 상기 전도도 맵을 구성하는
    전도도 영상 복원 장치.
  6. 대상체에 인가되는 RF 펄스에 의해 형성된 자기장(B1)에 대응되는 B1 맵 정보를 획득하는 정보 획득부;
    상기 획득된 B1 맵 정보에 대응되는 복수의 픽셀 중 적어도 하나의 픽셀 각각에 대응되는 B1 위상 신호(phase signal)를 미분하여 적어도 하나의 미분 집합을 생성하는 전처리부;
    상기 미분 집합을 입력으로 수신하는 인공지능 알고리즘에 기초한 기계학습을 통해 학습된 전도도 값을 산출하는 전도도 학습부 및
    상기 학습된 전도도 값에 기초하여 전도도 맵을 구성하는 전도도 맵 구성부
    를 포함하고,
    상기 전도도 맵 구성부는,
    상기 학습된 전도도 값에 기초하여 상기 적어도 하나의 픽셀 각각에서의 잡음(noise)의 크기를 연산하고, 상기 연산된 잡음의 크기에 대응되는 전도도 가중치를 설정하며, 상기 학습된 전도도 값 각각에 대응되는 상기 전도도 가중치를 반영하여 잡음이 제거된 전도도 값을 산출하고, 상기 잡음이 제거된 전도도 값에 기초하여 상기 전도도 맵을 구성하며, 하기 수학식4를 통해 상기 잡음이 제거된 전도도 값을 산출하는
    [수학식4]
    Figure 112022006750264-pat00051

    여기서, Wij는 로컬 윈도우,
    Figure 112022006750264-pat00052
    은 전도도 가중치,
    Figure 112022006750264-pat00053
    는 학습된 전도도 값인
    전도도 영상 복원 장치.
  7. 제1항에 있어서,
    상기 전도도 맵 구성부는,
    상기 구성된 전도도 맵에서 상기 대상체의 해마 영역(hippocampus space), 혈관주위강 영역(peri-vascular space, virchow-Robin space, a fluid-filled space surrounding certain blood vessels), 뇌실 영역(ventricle space), 기저핵 영역(basal nucleus space) 및 뇌량 영역(corpus callosum space) 중 적어도 하나의 영역을 식별하고, 상기 식별된 영역에서의 전도도 값을 시각화하는
    전도도 영상 복원 장치.
  8. 제1항에 있어서,
    상기 전도도 맵 구성부는,
    상기 구성된 전도도 맵에서 상기 대상체의 해마 영역(hippocampus space), 혈관주위강 영역(peri-vascular space, virchow-Robin space, a fluid-filled space surrounding certain blood vessels), 뇌실 영역(ventricle space), 기저핵 영역(basal nucleus space) 및 뇌량 영역(corpus callosum space) 중 적어도 하나의 영역을 식별하고, 상기 식별된 영역에서의 전도도 값에 기초하여 알츠하이머병(alzheimer's disease) 여부를 판단하는
    전도도 영상 복원 장치.
  9. 제1항에 있어서,
    상기 정보 획득부는,
    상기 대상체 외부에서 전류를 인가하지 않고, 비침습적 자기 공명 영상 기술에 기초하여 상기 B1 맵 정보를 획득하는
    전도도 영상 복원 장치.
  10. 정보 획득부, 전처리부, 전도도 학습부 및 전도도 맵 구성부를 구비하는 전도도 영상 복원 장치를 이용한 전도도 영상 복원 방법에 있어서,
    상기 정보 획득부에서, 대상체에 인가되는 RF 펄스에 의해 형성된 자기장(B1)에 대응되는 B1 맵 정보를 획득하는 단계;
    상기 전처리부에서, 상기 획득된 B1 맵 정보에 대응되는 복수의 픽셀 중 적어도 하나의 픽셀 각각에 대응되는 B1 위상 신호(phase signal)를 미분하여 적어도 하나의 미분 집합을 생성하는 단계;
    상기 전도도 학습부에서, 상기 미분 집합을 입력으로 수신하는 인공지능 알고리즘에 기초한 기계학습을 통해 학습된 전도도 값을 산출하는 단계 및
    상기 전도도 맵 구성부에서, 상기 학습된 전도도 값에 기초하여 전도도 맵을 구성하는 단계
    를 포함하고,
    상기 미분 집합은,
    상기 B1 위상 신호의 1차 미분 값, 상기 B1 위상 신호의 2차 미분 값 및 상기 1차 미분 값과 상기 2차 미분 값의 합산 값을 포함하는
    전도도 영상 복원 방법.
  11. 제10항에 있어서,
    상기 미분 집합을 생성하는 단계는,
    상기 전처리부에서, 상기 복수의 픽셀 중 적어도 하나의 타겟 픽셀을 선정하고, 상기 타겟 픽셀 각각을 중심으로 기설정된 거리 내에 위치한 인접 픽셀들을 포함하는 적어도 하나의 로컬 윈도우(local window)를 형성하며, 상기 형성된 로컬 윈도우에서의 상기 B1 위상 신호의 미분을 통해 상기 미분 집합을 생성하는
    전도도 영상 복원 방법.
  12. 제10항에 있어서,
    상기 전도도 맵을 구성하는 단계는,
    상기 전도도 맵 구성부에서, 상기 구성된 전도도 맵에서 상기 대상체의 해마 영역(hippocampus space), 혈관주위강 영역(peri-vascular space, virchow-Robin space, a fluid-filled space surrounding certain blood vessels), 뇌실 영역(ventricle space), 기저핵 영역(basal nucleus space) 및 뇌량 영역(corpus callosum space) 중 적어도 하나의 영역을 식별하고, 상기 식별된 영역에서의 전도도 값에 기초하여 알츠하이머병(alzheimer's disease) 여부를 판단하는
    전도도 영상 복원 방법.
KR1020200089423A 2020-07-20 2020-07-20 알츠하이머병 진단을 위한 인공지능 기반의 전도도 영상 복원 장치 및 방법 KR102385708B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200089423A KR102385708B1 (ko) 2020-07-20 2020-07-20 알츠하이머병 진단을 위한 인공지능 기반의 전도도 영상 복원 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200089423A KR102385708B1 (ko) 2020-07-20 2020-07-20 알츠하이머병 진단을 위한 인공지능 기반의 전도도 영상 복원 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220011242A KR20220011242A (ko) 2022-01-28
KR102385708B1 true KR102385708B1 (ko) 2022-04-13

Family

ID=80051178

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200089423A KR102385708B1 (ko) 2020-07-20 2020-07-20 알츠하이머병 진단을 위한 인공지능 기반의 전도도 영상 복원 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102385708B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102662563B1 (ko) * 2022-04-06 2024-05-03 부산대학교 산학협력단 T1 강조 영상과 자화율 강조 영상을 이용한 뇌 내 철 성분이 강조된 기저핵 마스크 생성 방법 및 장치, 이를 이용한 비정형 파킨슨 증후군 분류 시스템

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101623690B1 (ko) * 2015-06-25 2016-05-23 연세대학교 산학협력단 자기 공명 영상의 b1 맵 생성 장치 및 방법
JP2019005288A (ja) * 2017-06-26 2019-01-17 キヤノンメディカルシステムズ株式会社 磁気共鳴イメージング装置および医用画像処理装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10188851B2 (en) * 2015-10-28 2019-01-29 Novocure Limited TTField treatment with optimization of electrode positions on the head based on MRI-based conductivity measurements
KR101747029B1 (ko) 2016-04-01 2017-06-27 경희대학교 산학협력단 전류를 주입 없이 mri를 이용한 저주파 전도도 영상 복원 장치 및 그 방법
KR101995900B1 (ko) * 2017-09-11 2019-07-04 뉴로핏 주식회사 3차원 뇌지도 생성 방법 및 프로그램
KR20190112219A (ko) 2018-03-13 2019-10-04 전남대학교산학협력단 알츠하이머 질병 검출 방법, 알츠하이머 질병 검출 시스템 및 알츠하이머 질병 검출 방법을 수행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101623690B1 (ko) * 2015-06-25 2016-05-23 연세대학교 산학협력단 자기 공명 영상의 b1 맵 생성 장치 및 방법
JP2019005288A (ja) * 2017-06-26 2019-01-17 キヤノンメディカルシステムズ株式会社 磁気共鳴イメージング装置および医用画像処理装置

Also Published As

Publication number Publication date
KR20220011242A (ko) 2022-01-28

Similar Documents

Publication Publication Date Title
Denis de Senneville et al. Magnetic resonance temperature imaging
JP6679467B2 (ja) 磁気共鳴イメージング装置および酸素摂取率算出方法
US8290565B2 (en) System and method for cyclic motion encoding for enhanced visualization of slip interfaces with MRI
Nielles‐Vallespin et al. Cardiac diffusion: technique and practical applications
US8942931B2 (en) System and method for determining electrical properties using magnetic resonance imaging
US11874359B2 (en) Fast diffusion tensor MRI using deep learning
US20100261993A1 (en) Stem and method for acquiring mri data from bone and soft tissues
US20130131490A1 (en) System and Method for Determining The Presence of a Neurodegenerative Disease Using Magnetic Resonance Elastography
US20170095174A1 (en) Signal processing methods
CN111212600B (zh) 帕金森病诊断装置
US8315450B2 (en) Method and system for display of medical image data
CN116227374A (zh) 血流动力的仿真方法及装置
Khanal et al. Repeatability of arterial spin labeling MRI in measuring blood perfusion in the human eye
Chuhutin et al. Diffusion Kurtosis Imaging maps neural damage in the EAE model of multiple sclerosis
Yang et al. Multiview sequential learning and dilated residual learning for a fully automatic delineation of the left atrium and pulmonary veins from late gadolinium-enhanced cardiac MRI images
KR102385708B1 (ko) 알츠하이머병 진단을 위한 인공지능 기반의 전도도 영상 복원 장치 및 방법
Marino et al. Conductivity tensor imaging of the human brain using water mapping techniques
Dimas et al. An efficient point-matching method-of-moments for 2D and 3D electrical impedance tomography using radial basis functions
US10362961B2 (en) System and method for neutral contrast magnetic resonance imaging of calcifications
US20220179023A1 (en) System and Method for Free-Breathing Quantitative Multiparametric MRI
KR101593310B1 (ko) 자기 공명 영상 시스템에서 혈관벽 영상을 획득하는 방법
US8952693B2 (en) Method for principal frequency magnetic resonance elastography inversion
EP3613013B1 (en) System and method for medical imaging
KR20220092685A (ko) 신경망을 통한 적혈구 용적 예측 기반 ecv 맵 생성 방법 및 장치
Golub Implementation of an algorithm for estimating free-water fraction in diffusion-weighted magnetic resonance imaging

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant