KR102410254B1 - 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치 및 진단 관련 정보 제공 방법 - Google Patents
인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치 및 진단 관련 정보 제공 방법 Download PDFInfo
- Publication number
- KR102410254B1 KR102410254B1 KR1020220037274A KR20220037274A KR102410254B1 KR 102410254 B1 KR102410254 B1 KR 102410254B1 KR 1020220037274 A KR1020220037274 A KR 1020220037274A KR 20220037274 A KR20220037274 A KR 20220037274A KR 102410254 B1 KR102410254 B1 KR 102410254B1
- Authority
- KR
- South Korea
- Prior art keywords
- hemisphere
- information
- probability
- image
- eic
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims description 110
- 238000003745 diagnosis Methods 0.000 title claims description 66
- 210000004720 cerebrum Anatomy 0.000 title 1
- 210000004556 brain Anatomy 0.000 claims abstract description 322
- 230000000302 ischemic effect Effects 0.000 claims abstract description 62
- 230000008859 change Effects 0.000 claims abstract description 58
- 238000007781 pre-processing Methods 0.000 claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 33
- 208000006011 Stroke Diseases 0.000 claims description 90
- 210000004204 blood vessel Anatomy 0.000 claims description 74
- 238000002591 computed tomography Methods 0.000 claims description 70
- 238000013136 deep learning model Methods 0.000 claims description 33
- 238000013151 thrombectomy Methods 0.000 claims description 22
- 239000003814 drug Substances 0.000 claims description 15
- 229940079593 drug Drugs 0.000 claims description 15
- 238000012935 Averaging Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims 4
- 102000056548 Member 3 Solute Carrier Family 12 Human genes 0.000 claims 1
- 108091006623 SLC12A3 Proteins 0.000 claims 1
- 210000003657 middle cerebral artery Anatomy 0.000 description 51
- 208000032843 Hemorrhage Diseases 0.000 description 35
- 230000008569 process Effects 0.000 description 34
- 230000006870 function Effects 0.000 description 18
- 208000028867 ischemia Diseases 0.000 description 16
- 230000003902 lesion Effects 0.000 description 15
- 201000010099 disease Diseases 0.000 description 14
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 14
- 208000014644 Brain disease Diseases 0.000 description 13
- 230000000694 effects Effects 0.000 description 10
- 230000000740 bleeding effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 206010061216 Infarction Diseases 0.000 description 7
- 210000001627 cerebral artery Anatomy 0.000 description 7
- 230000006378 damage Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 230000007574 infarction Effects 0.000 description 7
- 238000002595 magnetic resonance imaging Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- 210000003388 posterior cerebral artery Anatomy 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 210000002551 anterior cerebral artery Anatomy 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 5
- 239000002547 new drug Substances 0.000 description 5
- 210000003625 skull Anatomy 0.000 description 5
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 4
- 208000032382 Ischaemic stroke Diseases 0.000 description 4
- 210000004004 carotid artery internal Anatomy 0.000 description 4
- 230000003631 expected effect Effects 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000002604 ultrasonography Methods 0.000 description 4
- 210000005013 brain tissue Anatomy 0.000 description 3
- 208000026106 cerebrovascular disease Diseases 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 208000023516 stroke disease Diseases 0.000 description 3
- 208000007536 Thrombosis Diseases 0.000 description 2
- 206010053648 Vascular occlusion Diseases 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003576 central nervous system agent Substances 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 206010008118 cerebral infarction Diseases 0.000 description 2
- 239000002872 contrast media Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000003527 fibrinolytic agent Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001151 other effect Effects 0.000 description 2
- 239000000902 placebo Substances 0.000 description 2
- 229940068196 placebo Drugs 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000021331 vascular occlusion disease Diseases 0.000 description 2
- 208000018152 Cerebral disease Diseases 0.000 description 1
- 208000016988 Hemorrhagic Stroke Diseases 0.000 description 1
- 201000008450 Intracranial aneurysm Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003143 atherosclerotic effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000006931 brain damage Effects 0.000 description 1
- 231100000874 brain damage Toxicity 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 210000000133 brain stem Anatomy 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 210000001638 cerebellum Anatomy 0.000 description 1
- 238000002585 cerebral angiography Methods 0.000 description 1
- 230000003727 cerebral blood flow Effects 0.000 description 1
- 230000003788 cerebral perfusion Effects 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 208000031169 hemorrhagic disease Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000020658 intracerebral hemorrhage Diseases 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 238000007914 intraventricular administration Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000003478 temporal lobe Anatomy 0.000 description 1
- 229960000103 thrombolytic agent Drugs 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Veterinary Medicine (AREA)
- Optics & Photonics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Dentistry (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Quality & Reliability (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Physiology (AREA)
- Vascular Medicine (AREA)
- Pulmonology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
본 발명의 일 양상인 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치는, 적어도 하나의 환자의 뇌와 관련된 비-조영 (Non-contrast) CT 영상을 획득하는 영상획득부; 상기 뇌의 좌뇌 반구 영상과 우뇌 반구 영상을 분할하기 위해, 상기 비-조영 CT 영상을 전-처리 (Pre-processing)하는 전처리부; 상기 전-처리된 영상의 관심 영역 (ROI)인 상기 좌뇌 반구 영상과 우뇌 반구 영상을 분할하는 영상처리부; 상기 분할된 상기 좌뇌 반구 영상과 우뇌 반구 영상 중 적어도 하나를 이용하여, 상기 적어도 하나의 환자의 대혈관폐색 (Large Vessel Occlusion)의 존재 여부를 판단하는 판단부; 를 포함하되, 상기 판단부는, 제 1 정보 및 제 2 정보 중 적어도 하나를 이용하여 상기 대혈관폐색의 존재 여부를 판단하고, 상기 제 1 정보는, 상기 좌뇌 반구 영상의 제 1 EIC (Early Ischemic Change) 정보 및 제 1 DMS (Dense MCA Sign) 정보를 포함하며, 상기 제 2 정보는, 상기 우뇌 반구 영상의 제 2 EIC (Early Ischemic Change) 정보 및 제 2 DMS (Dense MCA Sign) 정보를 포함할 수 있다.
Description
본 발명은 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치 및 방법에 관한 것이다. 더욱 상세하게는, 비조영 CT의 좌뇌 또는 우뇌 반구 영상을 기반으로, 대혈관폐색 (Large Vessel Occlusion)이 발생한 의심 반구를 검출하고, 응급 대혈관폐색 환자를 선별할 수 있는 인공지능 알고리즘을 이용한 뇌졸중 진단 장치 및 방법에 관한 것이다.
뇌 질환, 즉 뇌혈관 질환은 뇌혈관이 터지는 뇌출혈, 뇌혈관이 혈전 등에 의해 막히는 뇌경색, 뇌혈관이 비정상적으로 부풀어 오르는 뇌동맥류 등이 있고, 뇌출혈과 뇌경색을 아울러서 '뇌졸중'이라 한다.
이와 같은 뇌 질환을 진단하기 위해, 초음파진단, 뇌 CT, 뇌 MRI (Magnetic Resonance Imaging)와 같은 비침습적 기법들이 이용되고 있다.
상기 초음파진단 방법은 경동맥 초음파진단으로 경동맥의 죽상 동맥경화증성 병변을 비침습적으로 쉽게 진단 가능하다. 또한, 경두개 도플러 검사 (transcranial Doppler)로 두개강 내의 뇌혈류를 측정하여 임상에 응용한다.
단, 상기 종래의 초음파진단 방법은 급성 뇌졸중에는 사용하기는 어려운 문제점이 있다.
한편, 뇌 CT를 이용하는 진단 방법은 출혈성 질환 진단에 좋으며 최근에 발달된 기술로 뇌 혈류상태, 뇌혈관 촬영을 하여 뇌졸중 환자 치료에 큰 도움이 된다. 다만 주로는 조영제를 이용해야 하기 때문에 여러 상황에서 제약을 받는 경우가 많다.
상기 뇌 MRI를 이용하는 진단 방법은 뇌 CT에 비하여 두개골에 의한 인공음영 영향이 없어서 뇌간, 소뇌, 측두엽 부위의 병소를 소상히 진단할 수 있고, 뇌경색의 조기 발견, 뇌관류 상태의 미세진단이 가능하며 아울러 뇌혈관 상태를 면밀하게 진단 가능함에 따라, 뇌조직의 상태를 진단하는 데 가장 좋은 방법이라고 할 수 있다. 그렇지만 검사하는데 상당한 시간이 소요되어 뇌졸중 치료까지의 시간을 지연시킬 수 있는 단점이 있다.
뇌졸중(Stroke)은 뇌에 혈액을 공급하는 혈관이 막히거나 파열되어 뇌 손상이 오고, 이에 따른 신체장애를 발생시키는 질환으로서, 전세계적으로 가장 중요한 사망 원인이며, 사망에 이르지 않더라도 영구적 장애를 일으키는 고위험성 질환으로 분류된다.
종래에 뇌졸중은 주로 노인 질환으로 인식되었으나, 최근에는 30, 40대에서도 뇌졸중이 흔히 발병함에 따라, 노년뿐만 아니라, 청장년에게도 광범위하게 발생하는 매우 위험한 질환으로 인식되고 있다.
이러한 뇌졸중은 뇌에 혈액을 공급하는 혈관이 막혀서 발생하는 '허혈성 뇌졸중 (ischemic stroke)'과 뇌로 가는 혈관이 터지면서 출혈이 발생하는 '출혈성 뇌졸중 (cerebral hemorrhage)'의 2가지 형태로 구분될 수 있다.
상기 허혈성 뇌졸중은 전체 뇌졸중의 약 80%를 차지하고, 허혈성 뇌졸중의 대부분은 응고된 혈액 덩어리인 혈전 (thrombosis)이 뇌에 산소와 영양분을 공급하는 혈관을 막아서 발생한다.
뇌졸중을 진단하기 위해 다양한 검사들이 개발되었고, 그 중에서 CT (computed tomography)를 활용한 방법은 비교적 빠른 시간에 검사를 진행할 수 있다.
이에 따라, 상기 CT를 활용한 검사 방법은 빠르게 검사가 가능하다는 장점을 가짐에 따라, 신속한 대처가 필수적인 뇌졸중 질환의 특성에 알맞은 검사 방법으로 여겨진다.
또한, 출혈성 뇌졸중의 경우, 출혈이 발생하고 나서 곧바로 CT에 관찰되기 때문에, 상기 CT는 허혈성 뇌졸중을 치료하기 위해, 혈전을 녹여 막힌 혈관을 뚫어주는 혈전용해제 사용에 앞서 반드시 뇌출혈을 감별하는 도구로서 유용하게 사용된다.
또한, 상기 CT는 혈전용해제 사용 이후에 뇌출혈의 경과 관찰에서도 중요하게 사용된다
한편, 뇌졸중을 감별할 수 있는 대표적인 지표로서 ASPECT 스코어 (Alberta Stroke Program Early CT Score)가 사용되고 있다.
상기 ASPECT 스코어는 Middle cerebral artery (MCA, 중대뇌동맥) 영역을 사전 정의된 10개의 해부학적 영역으로 나누고 비조영 CT에 대해 조기 경색 표지의 존재를 평가한다.
이러한 상기 ASPECT 스코어는 뇌졸중 환자의 상태를 진단할 수 있는 강력한 예측 인자로 입증되었다.
그렇지만 현재까지 개발된 비조영 CT에서 ASPECT 스코어를 예측하는 시스템에서 해당 반구를 비조영 CT에서 바로 예측하여 자동으로 측정하는 방법이 아니라 조영제를 사용한 CT 관류 영상에서 허혈 반구를 확인한 후 다시 비조영 CT에서 ASPECT 스코어를 계산해내는 방법으로 순전히 비조영 CT만으로 예측하지는 못하였다.
혹은 조영 증강 CT 혈관영상을 확인한 후 혈관 폐색을 찾아낸 뒤 해당 반구의 ASPECT 스코어를 계산함으로 인해, 순수하게 비조영 CT 만으로 예측시스템을 갖추지 못한 상황이다.
따라서 종래의 문제점을 해소하기 위한 새로운 기술의 개발이 요구되고 있다.
본 명세서에서 발명자가 제안하고자 하는 기술은, 순수하게 비조영 CT만을 이용하여 허혈이 발생한 뇌 반구를 자동 검출하여, 뒤 이어 예측해야 할 ASPECT 스코어 등을 자동으로 계측함으로써, 전술한 종래의 문제점을 해소할 수 있는 매우 중요한 기술이다.
본 발명의 목적은 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치 및 방법을 사용자에 제공하는 것이다.
구체적으로, 본 발명은 비조영 CT의 좌뇌 또는 우뇌 반구 영상을 기반으로, 대혈관폐색 (Large Vessel Occlusion)이 발생한 의심 반구를 검출하고, 응급 대혈관폐색 환자를 선별할 수 있는 인공지능 알고리즘을 이용한 뇌졸중 진단 장치 및 방법를 사용자에게 제공하고자 한다.
또한, 본 발명은 적어도 하나의 환자의 뇌에 대 혈관 폐색 (Large Vessel Occlusion)의 가능성이 존재하는 경우, 판단부는, 분할 및 추출된 관심 영역을 이용하여, 상기 적어도 하나의 환자의 ASPECTS 스코어를 추정하고, 상기 추정된 ASPECTS 스코어가 미리 지정된 수치 이상인 경우에만, 상기 적어도 하나의 환자가 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자인 것으로 판별하는 것을 목적으로 한다.
또한, 본 발명의 목적은, 인공지능을 이용한 뇌졸중 진단 방법을 통해 환자군 및 정상군 선별에 활용하여 임상시험 성공 확률을 높이는 장치, 시스템 및 방법을 제공하는 것이다.
한편, 본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기의 기술적 과제를 달성하기 위한 본 발명의 일 양상인 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치는, 적어도 하나의 환자의 뇌와 관련된 비-조영 (Non-contrast) CT 영상을 획득하는 영상획득부; 상기 뇌의 좌뇌 반구 영상과 우뇌 반구 영상을 분할하기 위해, 상기 비-조영 CT 영상을 전-처리 (Pre-processing)하는 전처리부; 관심 영역 (ROI)인 상기 좌뇌 반구 영상과 우뇌 반구 영상을 분할하는 영상처리부; 상기 분할된 상기 좌뇌 반구 영상과 우뇌 반구 영상 중 적어도 하나를 이용하여, 상기 적어도 하나의 환자의 대혈관폐색 (Large Vessel Occlusion)의 존재 여부를 판단하는 판단부; 를 포함하되, 상기 판단부는, 제 1 정보 및 제 2 정보 중 적어도 하나를 이용하여 상기 대혈관폐색의 존재 여부를 판단하고, 상기 제 1 정보는, 상기 좌뇌 반구 영상의 제 1 EIC (Early Ischemic Change) 정보 및 제 1 DMS (Dense MCA Sign) 정보를 포함하며, 상기 제 2 정보는, 상기 우뇌 반구 영상의 제 2 EIC (Early Ischemic Change) 정보 및 제 2 DMS (Dense MCA Sign) 정보를 포함할 수 있다.
또한, 상기 비-조영 CT 영상은, NCCT 멀티 슬라이스 (Non-contrast computed tomography multi slice)의 데이터 셋(data set)이고, 상기 전-처리된 영상을 좌뇌 반구 영상과 우뇌 반구 영상이 분할될 수 있다.
또한, 상기 제 1 EIC 정보는, 상기 좌뇌 반구 상에 상기 EIC가 존재할 확률이고, 상기 제 2 EIC 정보는, 상기 우뇌 반구 상에 상기 EIC가 존재할 확률이며, 상기 제 1 DMS 정보는, 상기 좌뇌 반구 상에 상기 DMS가 존재할 확률이고, 상기 제 2 DMS 정보는, 상기 우뇌 반구 상에 상기 DMS가 존재할 확률일 수 있다.
또한, 상기 제 1 EIC 정보 및 상기 제 2 EIC 정보는, 상기 좌뇌 또는 우뇌 반구 내 상기 EIC가 존재하는지 여부를 분류하는 제 1 딥러닝(Deep Learning) 모델을 기초로 획득되고, 상기 제 1 DMS 정보 및 상기 제 2 DMS 정보는, 상기 좌뇌 또는 우뇌 반구 내 상기 DMS 가 존재하는지 여부를 분류하는 제 2 딥러닝(Deep Learning) 모델을 기초로 획득될 수 있다.
또한, 상기 판단부는, 상기 좌뇌 반구 상에 상기 EIC가 존재할 확률과 상기 좌뇌 반구 상에 상기 DMS가 존재할 확률을 함께 이용하여 상기 좌뇌 상의 상기 대혈관폐색이 존재할 제 1 확률을 도출하고, 상기 우뇌 반구 상에 상기 EIC가 존재할 확률과 상기 우뇌 반구 상에 상기 DMS가 존재할 확률을 함께 이용하여 상기 우뇌 상의 상기 대혈관폐색이 존재할 제 2 확률을 도출할 수 있다.
또한, 상기 판단부는, 환자의 연속된 CT 영상을 고려하여, 환자의 대혈관폐색 확률 단일값을 도출하기 위해서 딥러닝(Deep Learning) 방식 중 artificial recurrent neural network (RNN) 방식이 적용되는 Long short-term memory (LSTM) 신경망을 기반으로, 상기 제1 확률 및/ 상기 제2 확률을 도출할 수 있다.또한, 상기 판단부는, 상기 좌뇌 반구 상에 상기 EIC가 존재할 확률 및 상기 좌뇌 반구 상에 상기 DMS가 존재할 확률에 대해 서로 다른 가중치 (weight)를 적용하고, 상기 가중치가 적용된 값의 평균값 (averaging)으로 상기 제 1 확률을 도출하고, 상기 우뇌 반구 상에 상기 EIC가 존재할 확률 및 상기 우뇌 반구 상에 상기 DMS가 존재할 확률에 대해 서로 다른 가중치 (weight)를 적용하고, 상기 가중치가 적용된 값의 평균값 (averaging)으로 상기 제 2 확률을 도출할 수 있다.
또한, 상기 좌뇌 반구 및/또는 상기 우뇌 반구 상에 상기 EIC가 존재할 확률보다 상기 DMS가 존재할 확률에 대해 더 큰 가중치가 적용될 수 있다.
또한, 상기 판단부는, 미리 지정된 제 1 기준 확률과 상기 도출된 제 1 확률을 비교하여 상기 좌뇌 반구 상에 상기 대혈관폐색이 존재하는지 여부를 판단하고, 미리 지정된 제 2 기준 확률과 상기 도출된 제 2 확률을 비교하여 상기 우뇌 반구 상에 상기 대혈관폐색이 존재하는지 여부를 판단할 수 있다.
또한, 상기 좌뇌 반구 상에 대혈관폐색이 존재하고, 상기 우뇌 반구 상에 대혈관폐색이 존재하는 경우, 상기 판단부는, 양쪽 반구 대혈관폐색 (bilateral LVO)으로 판단할 수 있다.
또한, 상기 판단부는, 상기 도출된 제 1 확률과 상기 도출된 제 2 확률을 비교하고, 상기 제 1 확률이 더 큰 경우, 상기 좌뇌 반구 상에 대혈관폐색이 존재하는 것으로 판단하며, 상기 제 2 확률이 더 큰 경우, 상기 우뇌 반구 상에 대혈관폐색이 존재하는 것으로 판단할 수 있다.
또한, 상기 좌뇌 반구 및 상기 우뇌 반구 중 적어도 하나에 상기 대혈관폐색이 존재하는 경우, 상기 판단부는, 상기 좌뇌 반구 영상과 우뇌 반구 영상을 이용하여, 상기 적어도 하나의 환자의 ASPECTS 스코어를 추정하고, 상기 추정된 ASPECTS 스코어가 미리 지정된 수치 이상인 경우에만, 상기 적어도 하나의 환자가 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자인 것으로 판별할 수 있다.
또한, 상기 전처리부는, 상기 비-조영 CT 영상에서 노이즈를 제거하는 노이즈 필터부; 상기 노이즈가 제거된 비-조영 CT 영상 내에 존재하는 객체 내 또는 복수의 객체 간의 이미지들을 공간적으로 정렬하는 코-레지스트레이션(Co-registration)을 수행하는 등록부; 및 상기 코-레지스트레이션이 수행된 CT 영상에서 상기 적어도 하나의 환자의 뇌 구조물이 아닌 부분을 제거하는 스컬-스트리핑(Skull-stripping)을 수행하는
한편, 상기의 기술적 과제를 달성하기 위한 본 발명의 다른 일 양상인 영상획득부가 적어도 하나의 환자의 뇌와 관련된 비-조영 (Non-contrast) CT 영상을 획득하는제 1 단계; 전처리부가 상기 뇌의 좌뇌 반구 영상과 우뇌 반구 영상을 분할하기 위해, 상기 비-조영 CT 영상을 전-처리 (Pre-processing)하는 제 2 단계; 영상처리부가 상기 전-처리된 영상을 정규화하고, 관심 영역 (ROI)인 상기 좌뇌 반구 영상과 우뇌 반구 영상을 분할하는 제 3 단계; 및 판단부가 상기 분할된 상기 좌뇌 반구 영상과 우뇌 반구 영상 중 적어도 하나를 이용하여, 상기 적어도 하나의 환자의 대혈관폐색 (Large Vessel Occlusion)의 존재 여부를 판단하는 제 4 단계; 를 포함하되, 상기 제 4 단계에서, 상기 판단부는 제 1 정보 및 제 2 정보 중 적어도 하나를 이용하여 상기 대혈관폐색의 존재 여부를 판단하고, 상기 제 1 정보는, 상기 좌뇌 반구 영상의 제 1 EIC (Early Ischemic Change) 정보 및 제 1 DMS (Dense MCA Sign) 정보를 포함하며, 상기 제 2 정보는, 상기 우뇌 반구 영상의 제 2 EIC (Early Ischemic Change) 정보 및 제 2 DMS (Dense MCA Sign) 정보를 포함할 수 있다.
한편, 상기의 기술적 과제를 달성하기 위한 본 발명의 또 다른 일 양상인 영상획득부, 전처리부, 영상처리부, 판단부 및 중앙관리부를 포함하는 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치를 이용하여, 뇌졸중이 존재하는 환자군을 선별함으로써 임상시험 성공 확률을 높이는 방법에 있어서, 상기 영상획득부가 약 효능 입증을 위한 임상시험 실험 후보군인 복수의 환자의 뇌를 촬영한 비-조영 (Non-contrast) CT 영상을 획득하는 제 1 단계; 상기 전처리부가 상기 뇌의 좌뇌 반구 영상과 우뇌 반구 영상을 분할하기 위해, 상기 비-조영 CT 영상을 전-처리 (Pre-processing)하는 제 2 단계; 상기 영상처리부가 상기 전-처리된 영상의 관심 영역 (ROI)인 상기 좌뇌 반구 영상과 우뇌 반구 영상을 분할하는 제 3 단계; 상기 판단부가 상기 분할된 상기 좌뇌 반구 영상과 우뇌 반구 영상 중 적어도 하나를 이용하여, 상기 복수의 환자의 대혈관폐색 (Large Vessel Occlusion)의 존재 여부를 판단하는 제 4 단계; 및 상기 중앙관리부가 상기 복수의 환자의 대혈관폐색의 존재 여부를 이용하여 환자군을 선별하고, 상기 선별한 환자군에 대한 임상시험을 기초로 상기 약 효능을 입증하는 제 5 단계; 를 포함하되, 상기 제 4 단계에서, 상기 판단부는 제 1 정보 및 제 2 정보 중 적어도 하나를 이용하여 상기 대혈관폐색의 존재 여부를 판단하고, 상기 제 1 정보는, 상기 좌뇌 반구 영상의 제 1 EIC (Early Ischemic Change) 정보 및 제 1 DMS (Dense MCA Sign) 정보를 포함하며, 상기 제 2 정보는, 상기 우뇌 반구 영상의 제 2 EIC (Early Ischemic Change) 정보 및 제 2 DMS (Dense MCA Sign) 정보를 포함할 수 있다.
한편, 상기의 기술적 과제를 달성하기 위한 본 발명의 또 다른 일 양상인 영상획득부, 전처리부, 영상처리부 및 판단부를 포함하는 인공지능 기반 뇌졸중 진단 장치; 및 상기 인공지능 기반 뇌졸중 진단 장치와 통신하는 서버;를 이용하여, 뇌졸중이 존재하는 환자군을 선별함으로써 임상시험 성공 확률을 높이는 방법에 있어서, 상기 영상획득부가 약 효능 입증을 위한 임상시험 실험 후보군인 복수의 환자의 뇌를 촬영한 비-조영 (Non-contrast) CT 영상을 획득하는 제 1 단계; 상기 전처리부가 상기 뇌의 좌뇌 반구 영상과 우뇌 반구 영상을 분할하기 위해, 상기 비-조영 CT 영상을 전-처리 (Pre-processing)하는 제 2 단계; 상기 영상처리부가 상기 전-처리된 영상의 관심 영역 (ROI)인 상기 좌뇌 반구 영상과 우뇌 반구 영상을 분할하는 제 3 단계; 상기 판단부가 상기 분할된 상기 좌뇌 반구 영상과 우뇌 반구 영상 중 적어도 하나를 이용하여, 상기 복수의 환자의 대혈관폐색 (Large Vessel Occlusion)의 존재 여부를 판단하는 제 4 단계; 및 상기 서버가 상기 복수의 환자의 대혈관폐색의 존재 여부를 이용하여 환자군을 선별하고, 상기 선별한 환자군에 대한 임상시험을 기초로 상기 약 효능을 입증하는 제 5 단계; 를 포함하되, 상기 제 4 단계에서, 상기 판단부는 제 1 정보 및 제 2 정보 중 적어도 하나를 이용하여 상기 대혈관폐색의 존재 여부를 판단하고, 상기 제 1 정보는, 상기 좌뇌 반구 영상의 제 1 EIC (Early Ischemic Change) 정보 및 제 1 DMS (Dense MCA Sign) 정보를 포함하며, 상기 제 2 정보는, 상기 우뇌 반구 영상의 제 2 EIC (Early Ischemic Change) 정보 및 제 2 DMS (Dense MCA Sign) 정보를 포함할 수 있다.
본 발명에 의하면, 신속한 처방을 필요로 하는 뇌졸중 질환의 특성 상, 전문가 간의 점수 변동성으로 인한 문제를 방지하고, 의료 현장에서 환자의 치료 결정을 용이하게 할 수 있는 신뢰할 수 있는 지표로서 사용할 수 있다는 효과가 얻어진다.
*또한, 본 발명에 의하면, CT 영상 기반 뇌졸중 분석의 전 과정을 조영제를 사용하지 않고도 자동화하여 분석과정에 필요한 인력, 시간적 및 경제적 비용을 획기적으로 감소시킬 수 있다는 효과가 얻어진다.
또한, 본 발명에 따르면, CT, MRI와 같이 뇌를 촬영한 의료 영상을 정규화하고, 정규화된 의료 영상에 미리 세팅된 표준 마스크 템플릿을 적용해서 대뇌동맥 손상에 취약한 뇌 영역을 일관되게 분할 및 추출할 수 있다는 효과가 얻어진다.
또한, 본 발명에 의하면, 진단 대상의 의료 영상을 템플릿을 통해 정규화한 후, 정규화된 이미지 기반으로 모든 피험자의 의료 영상에서 일관되게 관심 영역을 분할 및 추출할 수 있다는 효과가 얻어진다.
이와 같이, 본 발명에 의하면, 표준 마스크 템플릿을 기반으로 분할 및 추출된 관심 영역을 통해 뇌 질환 (뇌졸중)을 분석 및 진단함에 따라, 진단 결과에 대한 정밀도 및 정확도를 극대화할 수 있다는 효과가 얻어진다.
결국, 본 발명에 따르면, 적어도 하나의 환자의 뇌와 관련된 비-조영 (Non-contrast) CT 영상을 획득하고, 상기 비-조영 CT 영상을 전-처리 (Pre-processing)하고, 상기 전-처리된 영상을 기초로 정규화하고, 미리 세팅된 표준 마스크 템플릿을 이용해서 관심 영역 (Region Of Interest, ROI)인 좌뇌 반구 영상과 우뇌 반구 영상을 분할 및 추출하고, 상기 분할 및 추출된 관심 영역을 이용하여, 상기 적어도 하나의 환자의 뇌에 대 혈관 폐색 (Large Vessel Occlusion)의 가능성이 존재하는지 여부를 판단할 수 있는 효과가 제공된다.
특히, 본 발명은 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치 및 방법을 사용자에 제공할 수 있다.
구체적으로, 본 발명은 비조영 CT의 좌뇌 또는 우뇌 반구 영상을 기반으로, 대혈관폐색 (Large Vessel Occlusion)이 발생한 의심 반구를 검출하고, 응급 대혈관폐색 환자를 선별할 수 있는 인공지능 알고리즘을 이용한 뇌졸중 진단 장치 및 방법를 사용자에게 제공할 수 있다.
또한, 본 발명은 적어도 하나의 환자의 뇌에 대 혈관 폐색 (Large Vessel Occlusion)의 가능성이 존재하는 경우, 판단부는, 분할 및 추출된 관심 영역을 이용하여, 상기 적어도 하나의 환자의 ASPECT 스코어를 추정하고, 상기 추정된 ASPECT 스코어가 미리 지정된 수치 이상인 경우에만, 상기 적어도 하나의 환자가 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자인 것으로 판별할 수 있다.
또한, 약 효능 입증을 위한 임상시험은 미리 예측한 기대 효과를 임상시험 참여자들에 대해 달성하는지 통계적 유의성을 보임으로서 결과가 판정되는데, 본 발명에 따른 뇌졸중 진단 방법 및 장치를 적용하는 경우, 정확히 신약이 목표로 하는 뇌졸중 환자만을 임상시험 대상자로 포함시킴으로써, 최대한 임상시험 성공 확률을 높일 수 있다.
즉, 본 발명에 따른 인공지능을 이용한 뇌졸중 진단 방법을 통해, 환자군 및 정상군 선별에 활용하여 임상시험 성공 확률을 높이는데 활용할 수 있다.
한편, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명과 관련하여, 인공지능 기반 뇌졸중 진단 장치의 블록구성도의 일례를 도시한 것이다.
도 2는 도 1에서 설명한 전처리부의 블록구성도의 일례를 도시한 것이다.
도 3은 도 1에서 설명한 영상처리부의 블록구성도의 일례를 도시한 것이다.
도 4는 도 1에서 설명한 판단부의 블록구성도의 일례를 도시한 것이다.
도 5는 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단을 위한 영상획득부 및 전처리부의 동작을 설명하는 순서도이다.
도 6은 도 5에서 설명한 과정 중 비-조영 CT 영상을 기반으로 전-처리를 수행하는 과정을 설명하는 순서도이다.
도 7은 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단을 위한 영상처리부의 동작을 설명하는 순서도이다.
도 8은 도 7에서 설명한 과정 중 공간 정규화 및 세그멘테이션 과정을 설명하는 순서도이다.
도 9a 내지 도 9d는 본 발명과 관련하여, 좌우 반구 분할 영상의 일례를 도시한 것이다.
도 10은 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단을 위한 판단부의 동작을 설명하는 순서도이다.
도 11a 내지 도 11d는 본 발명과 관련하여, Dense MCA Sign (DMS) 결과 영상의 일례를 도시한 것이다.
도 12a 내지 도 12d는 본 발명과 관련하여, Early Ischemic Change (EIC) 결과 영상의 일례를 도시한 것이다.
도 13a 내지 도 13c는 본 발명과 관련하여, Bileteral LVO 결과 영상의 일례를 도시한 것이다.
도 14a 내지 도 14d는 본 발명과 관련하여, 단일 반구 LVO 결과 영상의 일례를 도시한 것이다.
도 15는 본 발명과 관련하여, Early Ischemic Sign(EIC) D/L 모델 학습의 일례를 도시한 것이다.
도 2는 도 1에서 설명한 전처리부의 블록구성도의 일례를 도시한 것이다.
도 3은 도 1에서 설명한 영상처리부의 블록구성도의 일례를 도시한 것이다.
도 4는 도 1에서 설명한 판단부의 블록구성도의 일례를 도시한 것이다.
도 5는 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단을 위한 영상획득부 및 전처리부의 동작을 설명하는 순서도이다.
도 6은 도 5에서 설명한 과정 중 비-조영 CT 영상을 기반으로 전-처리를 수행하는 과정을 설명하는 순서도이다.
도 7은 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단을 위한 영상처리부의 동작을 설명하는 순서도이다.
도 8은 도 7에서 설명한 과정 중 공간 정규화 및 세그멘테이션 과정을 설명하는 순서도이다.
도 9a 내지 도 9d는 본 발명과 관련하여, 좌우 반구 분할 영상의 일례를 도시한 것이다.
도 10은 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단을 위한 판단부의 동작을 설명하는 순서도이다.
도 11a 내지 도 11d는 본 발명과 관련하여, Dense MCA Sign (DMS) 결과 영상의 일례를 도시한 것이다.
도 12a 내지 도 12d는 본 발명과 관련하여, Early Ischemic Change (EIC) 결과 영상의 일례를 도시한 것이다.
도 13a 내지 도 13c는 본 발명과 관련하여, Bileteral LVO 결과 영상의 일례를 도시한 것이다.
도 14a 내지 도 14d는 본 발명과 관련하여, 단일 반구 LVO 결과 영상의 일례를 도시한 것이다.
도 15는 본 발명과 관련하여, Early Ischemic Sign(EIC) D/L 모델 학습의 일례를 도시한 것이다.
이하, 도면을 참조하여 본 발명의 바람직한 일 실시예에 대해서 설명한다. 또한, 이하에 설명하는 실시예는 특허청구범위에 기재된 본 발명의 내용을 부당하게 한정하지 않으며, 본 실시 형태에서 설명되는 구성 전체가 본 발명의 해결 수단으로서 필수적이라고는 할 수 없다.
이하 본 발명의 바람직한 실시 예에 따른 인공지능 기반 뇌졸중 진단 장치 및 방법을 첨부된 도면을 참조하여 상세하게 설명한다.
인공지능 기반 뇌졸중 진단 장치
*도 1은 본 발명과 관련하여, 인공지능 기반 뇌졸중 진단 장치의 블록구성도의 일례를 도시한 것이다.
본 발명에 따른 인공지능 기반 뇌졸중 진단 장치 (1)는 영상획득부 (10), 전처리부 (20), 영상처리부 (30) 및 판단부 (40)를 포함할 수 있다.
먼저, 영상획득부(10)는 진단하고자 하는 대상의 뇌를 촬영해서 의료 영상을 획득하는 장치이다.
여기서 영상획득부 (10)는 뇌 CT, MRI 등 다양한 의료 영상을 촬영하는 촬영장비로부터 영상을 획득할 수 있다.
대표적으로, 본 발명의 영상획득부 (10)는 뇌 CT 영상을 획득할 수 있다. 여기서 CT 영상은 NCCT (noncontrast computed tomography) 영상이 될 수 있다.
또한, 데이터 세트 인풋 (data set input)으로 영상이 입력될 수 있고, 이 경우, NCCT (noncontrast computed tomography) 멀티 슬라이스(multi slice) 영상 정보가 입력될 수 있다.
다음으로, 전처리부 (20)는 비조영 CT 영상을 기반으로, 인공지능 알고리즘에 따라 비 출혈 (No hemorrhage)과 출혈 (Hemorrhage)을 구분하고, 좌-우 반구 영상 분할을 위해 전처리 과정을 수행하는 기능을 제공한다.
대표적으로, 전처리부 (20)는 레지스트레이션 (registration), 윈도윙 (windowing) 등의 기능을 제공하고 이러한 구체적 과정은 도 5 및 도 6을 참조하여 후술한다.
또한, 영상처리부 (30)는 전처리부 (20)로부터 획득된 의료 영상을 정규화하고 미리 세팅된 표준 마스크 템플릿을 이용해서 관심 영역을 분할 및 추출하는 기능을 제공한다.
특히, 영상 처리부 (30)는 좌뇌 영상과 우뇌 영상을 분할하고 추출하는 기능을 제공한다.
단, 본 발명에서는, 의료 영상을 정규화하는 과정 및/또는 미리 세팅된 표준 마스크 템플릿을 이용해서 관심 영역을 분할 및 추출하는 과정 없이 좌뇌 영상과 우뇌 영상을 분할하고 추출할 수 있다.
즉, 본 발명에서는 필요한 경우에만 의료 영상을 정규화하는 과정 및/또는 미리 세팅된 표준 마스크 템플릿을 이용해서 관심 영역을 분할 및 추출하는 과정을 채용하거나 아예 채용하지 않고 구현하는 것이 가능하다.
또한, 판단부 (40)는, 분할 및 추출된 관심 영역을 분석해서 대뇌동맥 손상에 따른 뇌 질환을 진단할 수 있다.
본 발명에서는, 좌뇌 영상과 우뇌 영상을 관심 영역으로 하여, Early Ischemic Change (EIC) 와, Dense MCA Sign (DMS) 을 기초로, 대혈관폐색 (Large Vessel Occlusion) 질환의 발생여부를 판단할 수 있다.
이때, 판단부 (40)는, Early Ischemic Change (EIC) 분류 Deep Learning 모델과 Dense MCA Sign (DMS) 분류 Deep Learning 모델을 활용할 수 있다.
또한, Early Ischemic Change (EIC) 와, Dense MCA Sign (DMS)의 판단에 있어, 확률(Probability) 정보를 활용할 수 있고, 확률(Probability) 기반의 LVO 분류 정보를 제공할 수 있다.
또한, 판단부는, 상기 Early Ischemic Change(EIC)와 Dense MCA Sign(DMS) 확률(Probability) 정보 및 특징(Feature) 정보를 조합하고 Long shot-term memory 신경망 네트워크에 삽입하여 환자의 대혈관폐색(Large Vessel Occlusion) 존재 확률(Probability) 정보를 도출할 수 있다.또한, 본 발명에 따른 판단부 (40)는 분할 및 추출된 관심 영역의 의료 영상을 기반으로 대뇌동맥 손상에 따른 뇌 질환의 중증 정도를 의료진이 직접 점수화하기 용이하도록 하여 의료진이 뇌 질환의 진단 및 예후 예측에 도움을 줄 수 있다.
이하에서는, 도면을 참조하여, 뇌졸중 진단 장치 (1)의 구성요소인 전처리부 (20), 영상처리부 (30) 및 판단부 (40)의 구체적인 기술적 특징에 대해 설명한다.
전처리부
먼저, 영상획득부 (10)는 뇌 CT 영상을 획득할 수 있고, 여기서 CT 영상은 NCCT (noncontrast computed tomography) 영상이 될 수 있다. 또한, 데이터 세트 인풋 (data set input)으로 영상이 입력될 수 있고, 이 경우, NCCT (noncontrast computed tomography) 멀티 슬라이스(multi slice) 영상 정보가 입력될 수 있다.
본 발명에 따른 전처리부 (20)는 비조영 CT 영상을 기반으로, 인공지능 알고리즘에 따라 비 출혈 (No hemorrhage)과 출혈 (Hemorrhage)을 구분하고, 좌-우 반구 영상 분할을 위해 전처리 과정을 수행하는 기능을 제공한다.
도 2는 도 1에서 설명한 전처리부의 블록구성도의 일례를 도시한 것이다.
도 2를 참조하면, 본 발명에 따른 전처리부 (20)는, 노이즈 필터부 (21), 등록부 (22), 스컬 스트리핑부 (23) 및 출혈분류부 (24)를 포함할 수 있다.
먼저, 노이즈 필터부 (21)는 영상획득부(10)로부터 수집된 영상에서의 노이즈를 제거하는 동작을 수행한다.
대표적으로, 노이즈 필터부 (21)는 CT 촬영기기의 일 요소인 갠트리 (Gantry) 관련 Tilt correction 기능을 수행한다.
일부 Head CT 스캔에서는 갠트리 (Gantry)가 기울어져 이미지 슬라이스가 비스듬하게 촬영되는 경우가 빈번하게 발생하고, 갠트리가 기울어져 촬영될 경우, 이미지 슬라이스 간 복셀의 거리가 정확하지 않고 특히 3차원 시각화에 문제가 발생될 수 있다.
따라서 본 발명에 따른 노이즈 필터부 (21)에서는, 갠트리 (Gantry)가 기울어져 촬영된 영상의 경우, DICOM 원본 영상에 함께 저장되는 정보 중 'Gantry/Detector Tilt header' 정보를 이용하여 기울어짐에 따른 오류를 리샘플링을 통해 복원할 수 있다.
이러한 초기 단계에서의 Gantry tilt correction을 실행함으로써, 분석의 성능 향상을 기대할 수 있다.
다음으로, 등록부 (22)는 Co-registration 기능을 제공한다.
본 발명의 Co-registration 기능은 해부학적인 구조물 정렬을 위해 이미지를 정렬하는 것으로, CT 촬영시 피험자의 움직임에 의한 기울어짐이나 뇌 모양의 차이 등에 따른 개체 내 또는 개체 간의 이미지들을 공간적으로 정렬하는 것이다.
또한, 스컬 스트리핑부 (23)는 CT 영상에서 뇌 구조물이 아닌 부분을 제거하기 위한 기능을 제공하는 스컬-스티리핑 (Skull-stripping) 기능을 제공한다.
CT 영상에서 스컬 (Skull)은 뇌 조직에 비해 Hounsfield unit (HU) 값이 상대적으로 높기 때문에 본 발명에서는 스컬 스트리핑부 (23)를 통해, 뇌 구조물이 아는 부분을 제거한 후 분석을 진행함으로써, 뇌 조직 병병 분석의 용이함을 높이게 된다.
또한, 출혈분류부 (24)는 인공지능 (AI)을 기반으로 출혈 (Hemorrhage) 형태를 학습하고, 분류하는 기능을 제공한다.
출혈분류부 (24)의 출혈 (Hemorrhage) 형태 학습은, 환자 비-조영 CT 데이터의 복셀(voxel) 정보를 사용할 수 있다.
즉, 출혈분류부 (24)는 NCCT 개별 Slice에 대해 Feature extraction을 위한 Convolutional neural network (CNN) 신경망을 구성하고, 환자 전체 Serial slice를 고려하기 위한 Long Short-term Memory (LSTM) 신경망을 합성하는 형태의 AI 모델 아키텍쳐를 구축하여 이용할 수 있다.
이를 기초로, 출혈분류부 (24)는 각 환자에 대한 Hemorrhage 여부 및 양성 환자의 Hemorrhage 형태 분류에 대해 Output을 산출하게 된다.
다른 방법으로, 본 발명에 따른 출혈분류부 (24)는 출혈(Hemorrhage) 형태와 관계없이, 영상 내 일정 영역 이상 Hemorrhage이 판독되면 이를 기초로 Hemorrhage 환자로 분류하는 방법을 이용할 수도 있다.
또 다른 방법으로, 본 발명에 따른 출혈분류부(24)는 CT 영상 내 Hemorrhage 추정 병변을 검출하고 형태를 분류하기 위해, Intraparenchymal, Intraventricular, Subarachnoid, Subdural, Epidural 등을 이용할 수 있다.
또한, 본 발명에서는, Hemorrhage 음성 환자의 ID 정보 리스트를 판단부 (40)의 Ischemia 분류 AI 모델에 전달하여, Hemorrhage와 Ischemia 분류 단계의 Pre-processing 및 Data input을 독립적으로 수행할 수도 있다.
이후, 출혈분류부 (24)의 인공지능 알고리즘에 따라 비 출혈 (No hemorrhage) 상태와 출혈 (Hemorrhage) 상태가 구분되고, 좌-우 반구 영상 분할을 위해 전처리 과정이 수행될 수 있다.
영상처리부
본 발명에 따른 영상처리부 (30)는 전처리부 (20)로부터 획득된 의료 영상을 정규화하고 미리 세팅된 표준 마스크 템플릿을 이용해서 관심 영역을 분할 및 추출하는 의료 영상 처리장치를 말한다.
특히, 본 발명에 따른 영상 처리부 (30)는 좌뇌 영상과 우뇌 영상을 분할하고 추출하는 기능을 제공한다.
단, 본 발명에서는, 의료 영상을 정규화하는 과정 및/또는 미리 세팅된 표준 마스크 템플릿을 이용해서 관심 영역을 분할 및 추출하는 과정 없이 좌뇌 영상과 우뇌 영상을 분할하고 추출할 수 있다.
즉, 본 발명에서는 필요한 경우에만 의료 영상을 정규화하는 과정 및/또는 미리 세팅된 표준 마스크 템플릿을 이용해서 관심 영역을 분할 및 추출하는 과정을 채용하거나 아예 채용하지 않고 구현하는 것이 가능하다.
도 3은 도 1에서 설명한 영상처리부의 블록구성도의 일례를 도시한 것이다.
도 3을 참조하면, 본 발명에 따른 영상처리부 (30)는 템플릿 세팅부 (31), 영상 정규화부 (32) 및 관심 영역 추출부 (33)를 포함할 수 있다.
먼저, 템플릿 세팅부 (31)는 의료 영상에서 관심 영역을 분할 및 추출하기 위한 표준 마스크 템플릿 (Mask Template)을 세팅한다.
템플릿 세팅부 (31)는 전처리부 (20)로부터 복수의 정상인과 뇌질환 환자로부터 획득된 복수의 의료영상을 수집하고, 2차원과 3차원의 정규화 영상을 생성하며, 3차원 정규화 영상 기반으로 복셀 (Voxel) 설정에 따라 특정 축을 기준으로 Slicing하여 2차원 정규화 영상을 생성한다.
본 발명은 진단 대상의 의료 영상에서 관심 영역을 분할 및 추출하기에 앞서, 복수의 정상인과 뇌질환 환자로부터 획득된 복수의 의료영상에서 관심 영역을 추출하고, 진단 대상의 뇌 질환을 진단하기 위한 관심 영역의 표준 마스크 템플릿을 생성한다.
여기서, 템플릿 세팅부 (31)는 3차원 정규화 영상의 X축, Y축, Z축을 기준으로 미리 설정된 단위, 예컨대 mm 단위로 복셀을 설정하여 2차원 정규화 영상을 생성할 수 있다.
그리고 템플릿 세팅부 (31)는 생성된 2차원 정규화 영상에서 관심 영역을 분할하고, 복수의 정규화 영상에서 분할된 관심 영역들을 기반으로 표준 마스크 템플릿을 생성한다.
다음으로, 영상 정규화부 (32)는 진단 대상의 의료 영상을 정규화하는 기능을 제공한다.
예를 들어, 영상 정규화부 (32)는 진단 대상의 원본 의료 영상에 비정규 바이어스를 정정하고 (Non-uniform bias correction), 공간적 정렬 (Spatial align)을 통해 등록 (Co-registration)하며, 표준 정위 공간 (Standard stereotaxic space)을 적용하여 공간적 정규화 (Spatial normalization)를 수행하는 과정을 통해 영상을 정규화할 수 있다.
물론, 본 발명은 반드시 이에 한정되는 것은 아니며, 의료 영상을 다양한 방식으로 정규화할 수 있다.
또한, 관심 영역 추출부 (33)는 정규화된 의료 영상에 표준 마스크 템플릿을 적용하여 관심 영역을 분할 및 추출하는 기능을 제공한다.
관심 영역 추출부 (33)는 Anterior/Middle/Posterior cerebral artery (ACA, MCA, PCA) 관련 territory 영상을 선별하고, 좌우 각 반구에서 ACA, MCA, PCA territory 관련 뇌 구조물을 분할함으로써, 관심 영역을 분할 및 추출하게 된다.
이와 같이 분할 및 추출된 관심 영역을 포함한 의료 영상은 판단부 (40)로 전달된다.
여기서 분할 및 추출되는 관심 영역은 좌뇌 영상과 우뇌 영상이 될 수 있다.
판단부
판단부 (40)는, 분할 및 추출된 관심 영역을 분석해서 대뇌동맥 손상에 따른 뇌 질환을 진단할 수 있다. 즉, 본 발명에 따른 판단부 (40)는 분할 및 추출된 관심 영역의 의료 영상을 기반으로 대뇌동맥 손상에 따른 뇌 질환의 중증 정도를 의료진이 직접 점수화하기 용이하도록 하여 의료진이 뇌 질환의 진단 및 예후 예측에 도움을 줄 수 있다.
여기서, 판단부 (40)는, 분할 및 추출된 관심 영역을 분석해서 대뇌동맥 손상에 따른 뇌 질환을 진단할 수 있다.
본 발명에 따른 판단부 (40)는 좌뇌 영상과 우뇌 영상을 관심 영역으로 하여, Early Ischemic Change (EIC) 와, Dense MCA Sign (DMS) 을 기초로, 대혈관폐색 (Large Vessel Occlusion) 질환의 발생여부를 판단할 수 있다.
또한, 판단부 (40)는, Early Ischemic Change (EIC) 분류 Deep Learning 모델과 Dense MCA Sign (DMS) 분류 Deep Learning 모델을 활용할 수 있다.
또한, Early Ischemic Change (EIC) 와, Dense MCA Sign (DMS)의 판단에 있어, 확률(Probability) 정보를 활용할 수 있고, 확률(Probability) 기반의 LVO 분류 정보를 제공할 수 있다.
도 4는 도 1에서 설명한 판단부의 블록구성도의 일례를 도시한 것이다.
도 4를 참조하면, 본 발명에 따른 판단부 (40)는 Ischemia 분류부 (41), Large Vessel Occlusion 판단부 (43), ASPECTS 판단부 (44) 및 Mechanical Thrombectomy 판단부 (45)를 포함할 수 있다.
먼저, Ischemia 분류부 (41)는, 관심 영역 추출부 (33)에 의해, 정규화된 의료 영상에 표준 마스크 템플릿을 적용하여 분할 및 추출된 관심 영역을 전달받아 비 출혈 (No hemorrhage)인 환자가 허혈 (Ischemia)이 존재하는지 여부를 판단하게 된다.
본 발명에 따른 Ischemia 분류부 (41)는, 인공지능을 이용하여 분할된 영역의 병변 여부를 판별하고 형태를 분류하는 방법을 사용할 수 있다.
즉, 본 발명에 따른 Ischemia 분류부 (41)는, Old infarct (OI) / Recent infarct (RI) / Frank hypodensity (FH) / Early Ischemic Change (EIC)과 관련하여, 각 분할 영역의 병변 여부 및 형태 분류를 독립적으로 수행할 수 있다.
이후, Ischemia 분류부 (41)는, 뇌 좌우 각 반구 분할된 영역에서 FH/EIS만을 Acute 병변으로 판별하고, 한 영역이라도 Acute 병변이 존재하면 비 출혈 (No hemorrhage)인 환자가 허혈 (Ischemia)이 존재하는 것으로 판정하게 된다.
비 출혈 (No hemorrhage)인 환자가 허혈 (Ischemia)이 존재하는 경우, Large Vessel Occlusion 판단부 (43)는, 대 혈관 폐색 (Large Vessel Occlusion) 환자인지 여부를 판별하게 된다.
대 혈관 폐색 (Large Vessel Occlusion)의 가능성이 존재하는지 여부는, Infra-ganglionic level에서 Dense MCA sign이 검출되었는지 여부로 판별이 가능하다.
한편, 대 혈관 폐색 (Large Vessel Occlusion)이 발생되었음에도 불구하고, 간헐적으로 Dense MCA sign이 검출되지 않는 케이스가 발생될 수 있다.
따라서 본 발명에서는 Dense MCA sign이 검출되지 않는 경우에도, Large Vessel Occlusion 판단부 (43)가, Infra-ganglionic level의 sequential slice 영상들에서 좌우 반구 Hounsfield unit (HU) 값의 빈도수 (frequency) 차이를 도출함으로써, 상기 문제점을 보완할 수 있다.
즉, 본 발명에 따른 Large Vessel Occlusion 판단부 (43)는, 상기 검출된 양쪽 반구 중 적어도 하나의 HU 값의 빈도수가 미리 지정된 기준값 이상이거나 상기 검출된 양쪽 반구의 HU 값의 빈도수 차이가 미리 지정된 차이값 이상인 경우, 상기 대 혈관 폐색 (Large Vessel Occlusion)이 존재하는 것으로 판단할 수 있다.
특히, Large Vessel Occlusion 판단부 (43)는, Early Ischemic Change (EIC) 와, Dense MCA Sign (DMS) 을 기초로, 대혈관폐색 (Large Vessel Occlusion) 질환의 발생여부를 판단할 수 있다.
Large Vessel Occlusion 판단부 (43)는, Early Ischemic Change (EIC) 분류 Deep Learning 모델과 Dense MCA Sign (DMS) 분류 Deep Learning 모델을 활용할 수 있다.
또한, Large Vessel Occlusion 판단부 (43)는 Early Ischemic Change (EIC) 와, Dense MCA Sign (DMS)의 판단에 있어, 확률(Probability) 정보를 활용할 수 있고, 확률(Probability) 기반의 LVO 분류 정보를 제공할 수 있다.
만약, 대 혈관 폐색 (Large Vessel Occlusion) 환자가 아닌 경우에는 보존적 치료 과정이 진행되나 대 혈관 폐색 (Large Vessel Occlusion) 환자인 경우에는, 기계적 혈전 절제술 (Mechanical Thrombectomy)이 적용될 수 있는 환자인지 여부의 판단이 요구된다.
또한, 기계적 혈전 절제술 (Mechanical Thrombectomy)이 적용될 수 있는 환자인지 여부의 판단은, ASPECTS 판단부 (44)와 Mechanical Thrombectomy 판단부 (45)를 통해 수행될 수 있다.
우선적으로, ASPECTS 판단부 (44)는, 관심 영역 추출부 (33)에 의해, 정규화된 의료 영상에 표준 마스크 템플릿을 적용하여 분할 및 추출된 관심 영역을 전달받아 ASPECT 스코어를 계산한다.
ASPECTS 판단부 (44)는, 병변 검출 및 형태 분류를 통해 ASPECT 스코어를 계산할 수 있다.
대표적인 병변 검출 및 형태 분류는, Old infarct (OI)/Recent infarct (RI)/Frank hypodensity (FH)/Early Ischemic Change (EIC) 등을 들 수 있다.
이때, 인공지능(AI) 알고리즘을 적용하여, OI/RI/FH/EIS 중 하나라도 검출되면 병변으로 인정하는 Conventional ASPECTS 산출 방법이 적용될 수 있다.
이때, 병변으로 인정된 값을 ASPECT 스코어의 추정에 반영하여 점수를 차감할 수 있다.
또한, 본 발명에서는 인공지능(AI) 알고리즘을 적용하여, FH/EIS 검출만 병변으로 인정하는 Modified ASPECTS 방법이 적용될 수 있다.
이때, 병변으로 인정된 값을 ASPECT 스코어의 추정에 반영하여 점수를 차감할 수 있다.
또한, 본 발명에서는 인공지능(AI) 알고리즘을 적용하여, ACA, PCA, ICA관련 영역을 추가하고, FH/EIS 검출만 병변으로 인정하는 Extended ASPECTS 산출 방법이 적용될 수도 있다.
일반적으로 ASPECTS를 산출하는 영역은, MCA (Middle cerebral artery) Territory가 대상이 되는데, 본 발명에서는 이를 ACA (Anterior cerebral artery), PCA (Posterior cerebral artery) 및 ICA (Internal carotid artery) 영역까지 확장하고, ASPECTS 판단부 (44)는, 상기 MCA, ACA, PCA 및 ICA 영역 상의 상기 Old infarct (OI), Recent infarct (RI), Frank hypodensity (FH) 및 Early Ischemic Change (EIC) 중 Frank hypodensity (FH) 및 Early Ischemic Change (EIC)가 검출되면 이를 병변으로 인정하고, 병변으로 인정된 값을 상기 ASPECTS 스코어의 추정에 반영할 수 있다.
또한, Mechanical Thrombectomy 판단부 (45)는, 상기 ASPECTS 판단부 (44)로부터 전달된 ASPECT 스코어를 이용하여 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자인지 여부를 판단한다.
대 혈관 폐색 (Large Vessel Occlusion)의 가능성이 존재하는 환자인 경우, ASPECTS 판단부 (44)로부터 전달된 ASPECTS 스코어를 이용하여, 스코어가 특정 기준보다 낮으면 회복 확률이 희박하므로, Mechanical Thrombectomy 판단부 (45)는, 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 없는 것으로 판단하고, 보존적 치료를 진행한다.
그러나 대 혈관 폐색 (Large Vessel Occlusion) 환자인 경우라도, ASPECTS 판단부 (44)로부터 전달된 ASPECT 스코어가 미리 지정된 수치 이상이면, 회복 가능성이 존재하는바 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자로 판단한다.
기계적 혈전 절제술(Mechanical Thrombectomy)을 적용할 수 있는 환자로 판별되면, 해당 환자와 관련된 다양한 정보는 3차 병원으로 전달될 수 있다.
3차 병원으로의 정보 전달은 도시되지는 않았으나 통신부를 통해 수행될 수 있고, 통신부는 근거리 통신 또는 원거리 통신을 통해, 해당 정보를 미리 지정된 외부 (예를 들어, 병원 등)로 전송할 수 있다.
여기서 이용될 수 있는 원거리 통신 기술로는 WLAN (Wireless LAN)(Wi-Fi), Wibro (Wireless broadband), Wimax (World Interoperability for Microwave Access), HSDPA (High Speed Downlink Packet Access) 등이 이용될 수 있다.
또한, 근거리 통신 (short range communication)의 기술로는 블루투스 (Bluetooth), RFID (Radio Frequency Identification), 적외선 통신 (IrDA, infrared Data Association), UWB (Ultra-Wideband), ZigBee 등이 이용될 수 있다.
본 발명에 따른 판단부 (40)가 Dense MCA Sign (DMS)과 Early Ischemic Sign (EIC) 분류 딥러닝 모델을 어떻게 구현하여 사용하는지와 DMS, EIC 분류 딥러닝 모델의 학습 방식 및 동작 방식에 대한 알고리즘에 대해 보다 상세하게 설명한다.
도 15는 본 발명과 관련하여, Early Ischemic Sign(EIC) D/L 모델 학습의 일례를 도시한 것이다.
도 15를 참조하여 먼저, Deep learning (D/L) 분류 모델의 입-출력에 대해 설명한다.
입력으로서 단일 환자의 연속된 Brain Non-Contrast CT (Axial cut) DICOM 영상이 이용된다.
또한, Dense MCA Sign (DMS)과 Early Ischemic Sign (EIC) 각 모델 별 Feature가 출력될 수 있다.
이때, 출력되는 Feature는 학습된 모델 network에 입력 데이터를 삽입 시 영상의 특성을 저차원의 실수 값을 가지는 vector로 변환한 embedding 형태가 될 수 있다.
다음으로, 도 15를 참조하여 Deep learning 분류 모델 학습 방법 및 알고리즘에 대해 설명한다.
Brain Non-Contrast CT 데이터의 각 Slice에 대응되는 DMS 또는 EIC의 발현 여부 (정답, Ground Truth)를 Binary 형태로 입력할 수 있다.
이후, Deep learning 분류 모델의 출력 (예측값)과 정답 (Ground Truth) 간의 오차를 기반으로 Deep learning 모델의 weight 학습 및 최적화를 수행한다.
또한, Backbone network는 EfficientNet를 사용하며, Brain Non-Contrast CT 데이터로 pre-train 된 모델에 대해 transfer learning 사용하여 DMS 및 EIC 특성에 대해 모델 학습을 수행한다.
이후, DMS 및 EIC 분류의 각 모델은 동일한 Deep learning 구조를 사용하며 독립적 모델 형태로 학습될 수 있다.
대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 방법
전술한 구성을 기초로, 본 발명은 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 방법을 제공할 수 있다.
이하에서는, 전술한 구성을 기초로, 비조영 CT의 좌뇌 또는 우뇌 반구 영상을 기반으로, 대혈관폐색 (Large Vessel Occlusion)이 발생한 의심 반구를 검출하고, 응급 대혈관폐색 환자를 선별할 수 있는 인공지능 알고리즘을 이용한 뇌졸중 진단 방법에 대해 도면을 참조하여 구체적으로 설명한다.
도 5는 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단을 위한 영상획득부 및 전처리부의 동작을 설명하는 순서도이다.
도 5를 참조하면, 가장 먼저, 영상획득부 (10)는 뇌 관련 NCCT (noncontrast computed tomography) 영상을 획득하고, 이때 영상은 NCCT 멀티 슬라이스(multi slice)의 데이터 세트 인풋 (data set input)으로 입력될 수 있다(S1).
S1 단계 이후, 전처리부 (20)는 비조영 CT 영상을 기반으로, 인공지능 알고리즘에 따라 비 출혈 (No hemorrhage)과 출혈 (Hemorrhage)을 구분하고, 좌-우 반구 영상 분할을 위해 전처리 과정을 수행한다(S2).
도 6은 도 5에서 설명한 과정 중 비-조영 CT 영상을 기반으로 전-처리를 수행하는 과정을 설명하는 순서도이다.
도 6을 참조하면, S2 단계와 관련하여, 전처리부 (20)가 좌-우 반구 영상 분할을 위한 전-처리 및 출혈 분류 동작을 수행한다(S2).
상기 전-처리 및 출혈 분류 단계 (S2)에서는, 노이즈 필터부 (21)가 노이즈를 제거하는 단계 (S21), 등록부 (22), Co-registration 기능을 수행하는 단계 (S22) 및 스컬 스트리핑부 (23)가 스컬-스트리핑 (Skull-stripping) 기능을 수행하는 단계 (S23)를 통해, 좌-우 반구 영상 분할을 위한 전-처리 과정이 수행된다.
S2 단계 이후에는, 좌뇌 영상과 우뇌 영상을 분할하고 추출하는 단계(S3)가 진행된다.
도 7은 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단을 위한 영상처리부의 동작을 설명하는 순서도이다.
도 7을 참조하면, 영상처리부 (30)가 전처리부 (20)로부터 획득된 의료 영상을 정규화하고 미리 세팅된 표준 마스크 템플릿을 이용해서 관심 영역을 분할 및 추출함으로써, 좌뇌 영상과 우뇌 영상을 분할하고 추출하는 단계(S3a, S3b, S3c)가 진행된다.
또한, 도 8은 도 7에서 설명한 과정 중 공간 정규화 및 세그멘테이션 과정을 설명하는 순서도이다.
도 8을 참조하면, 상기 공간 정규화 및 세그멘테이션 단계 (S3)는, 3차원 정규화 영상 생성 단계 (S31), 복셀 설정, 2차원 정규화 영상 생성 단계 (S32), 관심영역 분할, 마스크 템플릿 생성 단계 (S33), 복수의 의료 영상 수집 및 정규화 단계 (S34)을 통해, 마스크 템플릿 적용, 관심영역인 좌뇌 영상과 우뇌 영상의 분할 및 추출 과정이 수행될 수 있다.
한편, 도 9a 내지 도 9d는 본 발명과 관련하여, 좌우 반구 분할 영상의 일례를 도시한 것이다.
도 9a는 제 1 케이스로서, 좌우 반구가 분할된 영상의 일례들 도시하였다.
또한, 도 9b는 제 2 케이스로서, 좌우 반구가 분할된 영상의 일례들 도시하였다.
또한, 도 9c는 제 3 케이스로서, 좌우 반구가 분할된 영상의 일례들 도시하였다.
또한, 도 9d는 제 4 케이스로서, 좌우 반구가 분할된 영상의 일례들 도시하였다.
S3 단계 이후, 정규화된 의료 영상에 표준 마스크 템플릿을 적용하여 분할 및 추출된 관심 영역을 기초로 Ischemia를 분류하고, 판단부 (40)가 Early Ischemic Change (EIC) 와, Dense MCA Sign (DMS)을 기초로, 대혈관폐색 (Large Vessel Occlusion) 질환의 발생여부를 판단할 수 있다(S4).
S4 단계에서, Ischemia 분류부 (41)는, 관심 영역 추출부 (33)에 의해, 정규화된 의료 영상에 표준 마스크 템플릿을 적용하여 분할 및 추출된 관심 영역을 전달 받아 비 출혈 (No hemorrhage)인 환자가 허혈 (Ischemia)이 존재하는지 여부를 판단하게 된다.
만약, S50 단계에서 비 출혈 (No hemorrhage)인 환자가 허혈 (Ischemia)이 존재하지 않으면 보존적 치료 단계가 진행된다.
그러나 비 출혈 (No hemorrhage)인 환자가 허혈 (Ischemia)이 존재하는 것으로 판단되면, Large Vessel Occlusion 판단부 (43)는, 대 혈관 폐색 (Large Vessel Occlusion) 환자인지 여부를 판별하게 된다.
대 혈관 폐색 (Large Vessel Occlusion)이 발생되었는지 여부의 판단은, Early Ischemic Change (EIC) 분류 Deep Learning 모델과 Dense MCA Sign (DMS) 분류 Deep Learning 모델을 활용하고, Early Ischemic Change (EIC) 와, Dense MCA Sign (DMS)의 판단에 있어, 확률(Probability) 정보가 활용될 수 있다.
이때, 대 혈관 폐색 (Large Vessel Occlusion)이 발생되었음에도 불구하고, 간헐적으로 Dense MCA sign이 검출되지 않는 케이스가 발생될 수 있다.
따라서 본 발명에서는 Dense MCA sign이 검출되지 않는 경우에도, Large Vessel Occlusion 판단부 (43)가, Infra-ganglionic level의 sequential slice 영상들에서 좌우 반구 Hounsfield unit (HU) 값의 빈도수 (frequency) 차이를 도출함으로써, 상기 문제점을 보완할 수 있다.
즉, 본 발명에 따른 Large Vessel Occlusion 판단부 (43)는, 상기 검출된 양쪽 반구 중 적어도 하나의 HU 값의 빈도수가 미리 지정된 기준값 이상이거나 상기 검출된 양쪽 반구의 HU 값의 빈도수 차이가 미리 지정된 차이값 이상인 경우, 상기 대 혈관 폐색 (Large Vessel Occlusion)이 존재하는 것으로 판단할 수 있다.
만약, 대 혈관 폐색 (Large Vessel Occlusion) 환자가 아닌 경우에는 보존적 치료 과정이 진행되나 대 혈관 폐색 (Large Vessel Occlusion) 환자인 경우에는, 기계적 혈전 절제술 (Mechanical Thrombectomy)이 적용될 수 있는 환자인지 여부의 판단이 요구된다.
따라서 기계적 혈전 절제술 (Mechanical Thrombectomy)이 적용될 수 있는 환자인지 여부의 판단을 위해, 이후에는, ASPECT 스코어를 추정하는 단계가 수행된다.
이때, ASPECTS 판단부 (44)는, 관심 영역 추출부 (33)에 의해, 정규화된 의료 영상에 표준 마스크 템플릿을 적용하여 분할 및 추출된 관심 영역을 전달받아 ASPECT 스코어를 계산한다.
또한, Mechanical Thrombectomy 판단부 (45)는, 상기 ASPECTS 판단부 (44)로부터 전달된 ASPECTS 스코어를 이용하여 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자인지 여부를 판단할 수 있다.
만약, 대 혈관 폐색 (Large Vessel Occlusion) 환자인 경우, ASPECTS 판단부 (44)로부터 전달된 ASPECT 스코어를 이용하여, 스코어가 특정 기준보다 낮으면 회복 확률이 희박하므로, Mechanical Thrombectomy 판단부 (45)는, 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 없는 것으로 판단하고, 보존적 치료를 진행할 수 있다.
그러나 대 혈관 폐색 (Large Vessel Occlusion) 환자인 경우라도, ASPECTS 판단부 (44)로부터 전달된 ASPECT 스코어가 특정 기준 이상이면, 회복 가능성이 존재하는바 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자로 판단하고, 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자로 판별되면, 해당 환자와 관련된 다양한 정보는 3차 병원으로 전달될 수 있다.
이때, 3차 병원으로 전달되는 정보는, Elapsed time, 비-조영 CT 영상, 판별 결과 및 Tissue clock 정보, Conventional ASPECTS 정보, Modified ASPECTS 정보 및 Extended ASPECTS 정보 중 적어도 하나가 될 수 있다.
특히, 이하에서는 도 10을 기초로, 판단부(40)가 인공지능 기반으로, 의심 반구 검출을 통해 대혈관폐색 질환을 판단하는 과정에 대해 보다 구체적으로 설명한다.
의심 반구 검출을 통해 대혈관폐색 질환을 판단하는 과정
도 10은 S4 단계와 관련하여, 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단을 위한 판단부의 동작을 설명하는 순서도이다.
도 10을 참조하면, 좌뇌 영상의 구분(S3a)과 우뇌 영상의 구분(S3b)가 완료되는 경우, 좌뇌 영상과 우뇌 영상 각각에 대해 Early Ischemic Change (EIC) 와, Dense MCA Sign (DMS) 관련 확률 및 특징(Feature) 정보를 도출하고, 도출된 확률 및 특징(Feature) 정보를 기초로, 대혈관폐색 (Large Vessel Occlusion) 질환의 발생여부를 판단하게 된다.
좌뇌 관련 NCCT(axial cut) 반구 영상 및 우뇌 관련 NCCT(axial cut) 반구 영상을 기준으로, 판단부(40)는, 반구 내 Early Ischemic Change (EIC) 존재 여부를 분류하는 Deep Learning 모델을 적용(S41a)하여, 좌뇌 Early Ischemic Change (EIC) 확률(S42a)과 우뇌 Early Ischemic Change (EIC) 확률(S42b)를 도출하게 된다.
이때, EIC 확률은, 0~1 사이의 값으로, 1인 경우, 반구 이미지가 100% 확률로 Early Ischemic Change (EIC)인 상태를 의미한다.
0의 경우에는, Early Ischemic Change (EIC)가 전혀 존재하지 않는 것을 의미한다.
또한, 판단부(40)는, 좌뇌 관련 NCCT(axial cut) 반구 영상 및 우뇌 관련 NCCT(axial cut) 반구 영상을 기준으로, 반구 내 Dense MCA Sign (DMS) 존재 여부를 분류하는 Deep Learning 모델을 적용(S41b)하여, 좌뇌 Dense MCA Sign (DMS) 확률(S43a)과 우뇌 Dense MCA Sign (DMS) 확률(S43b)를 도출하게 된다.
이때, DMS 확률은, 0~1 사이의 값으로, 1인 경우, 반구 이미지가 100% 확률로 Dense MCA Sign (DMS)이 존재하는 상태를 의미한다.
0의 경우에는, Dense MCA Sign (DMS)이 전혀 존재하지 않는 것을 의미한다.
도 11a 내지 도 11d는 본 발명과 관련하여, Dense MCA Sign (DMS) 결과 영상의 일례를 도시한 것이다.
도 11a는 제 1 케이스로서, Dense MCA Sign (DMS) 결과 영상의 일례를 도시한 것이다.
또한, 도 11b는 제 2 케이스로서, Dense MCA Sign (DMS) 결과 영상의 일례를 도시한 것이다.
또한, 도 11c는 제 3 케이스로서, Dense MCA Sign (DMS) 결과 영상의 일례를 도시한 것이다.
또한, 도 11d는 제 4 케이스로서, Dense MCA Sign (DMS) 결과 영상의 일례를 도시한 것이다.
또한, 도 12a 내지 도 12d는 본 발명과 관련하여, Early Ischemic Change (EIC) 결과 영상의 일례를 도시한 것이다.
도 13a는 제 1 케이스로서, Early Ischemic Change (EIC) 결과 영상의 일례를 도시한 것이다.
또한, 도 13b는 제 2 케이스로서, Early Ischemic Change (EIC) 결과 영상의 일례를 도시한 것이다.
또한, 도 13c는 제 3 케이스로서, Early Ischemic Change (EIC) 결과 영상의 일례를 도시한 것이다.
또한, 도 13d는 제 4 케이스로서, Early Ischemic Change (EIC) 결과 영상의 일례를 도시한 것이다.
이후, 판단부(40)는, 좌뇌 EIC 확률 값과 좌뇌 DMS 확률 값을 함께 이용하여 좌뇌의 대혈관폐색 (LVO) 존재 확률을 도출한다(S44a).
좌뇌 EIC 확률 값과 좌뇌 DMS 확률 값을 함께 이용하는 과정에서 각 요소에 서로 다른 가중치(weight)가 적용될 수 있고, 각 요소의 평균값(averaging)을 적용하여 좌뇌 대혈관폐색 (LVO) 존재 확률을 도출할 수도 있다.
또한, 판단부(40)는, 우뇌 EIC 확률 값과 우뇌 DMS 확률 값을 함께 이용하여 우뇌의 대혈관폐색 (LVO) 존재 확률을 도출한다(S44b).
우뇌 EIC 확률 값과 우뇌 DMS 확률 값을 함께 이용하는 과정에서 각 요소에 서로 다른 가중치(weight)가 적용될 수 있고, 각 요소의 평균값(averaging)을 적용하여 우뇌 대혈관폐색 (LVO) 존재 확률을 도출할 수도 있다.
S44a 단계 및 S44b 단계에서 적용되는 가중치(weight)는 옵티멀(optimal) 값을 찾아낸 다음 고정해서 사용될 수 있고, 배치되는 장소에 따라 튜닝을 새롭게 적용할 수도 있다.
또한, 가중치(weight)를 부여함에 있어, EIC 확률 값 보다 DMS 확률 값에 더 큰 가중치가 부여될 수 있으나 본 발명의 내용이 이에 한정되는 것은 아니다.
한편, 판단부(40)는, 좌뇌 또는 우뇌의 대혈관폐색 (LVO) 존재 여부를 판단하는 기준을 위해, 좌뇌 대혈관폐색 (LVO) 기준값 α(S45a)과 우뇌 대혈관폐색 (LVO) 기준값 α(S45b) 정보를 제공받을 수 있다.
이후, 판단부(40)는, 좌뇌 대혈관폐색 (LVO) 기준값 α와 S44a 단계에서 획득된 좌뇌의 대혈관폐색 (LVO) 존재 확률을 서로 비교하고(S46a), S44a 단계에서 획득된 좌뇌의 대혈관폐색 (LVO) 존재 확률이 기준값 α 보다 큰 경우는 죄뇌에 대혈관폐색 (LVO)이 존재하는 것으로 판단하고(S47a), 작은 경우에는 존재하지 않는 것으로 판단한다(S48a).
또한, 판단부(40)는, 우뇌 대혈관폐색 (LVO) 기준값 α와 S44b 단계에서 획득된 우뇌의 대혈관폐색 (LVO) 존재 확률을 서로 비교하고(S46b), S44b 단계에서 획득된 우뇌의 대혈관폐색 (LVO) 존재 확률이 기준값 α 보다 큰 경우는 우뇌에 대혈관폐색 (LVO)이 존재하는 것으로 판단하고(S47b), 작은 경우에는 존재하지 않는 것으로 판단한다(S48b).
이후, 판단부(40)는 S47a, S47b, S48a 및 S48b의 결과를 취합하고(S49), 모두 네가티브(negative, 대혈관폐색 (LVO)이 존재하지 않는 것)의 결과가 나오게 되면, 정상으로 판단한다(S51).
만약, 모두 포지티브(positive, 대혈관폐색 (LVO)이 존재하는 것)의 결과가 나오게 되면, 양쪽 반구 대혈관폐색 예상(suspected bilateral LVO)으로 판단한다(S52).
도 13a 내지 도 13c는 본 발명과 관련하여, Bileteral LVO 결과 영상의 일례를 도시한 것이다.
도 13a는 제 1 케이스로서, Bileteral LVO 결과 영상의 일례를 도시한 것이다.
또한, 도 13b는 제 2 케이스로서, Bileteral LVO 결과 영상의 일례를 도시한 것이다.
또한, 도 13c는 제 3 케이스로서, Bileteral LVO 결과 영상의 일례를 도시한 것이다.
또한, 도 13d는 제 4 케이스로서, Bileteral LVO 결과 영상의 일례를 도시한 것이다.
만약, 모두 네가티브(negative) 또는 포지티브(positive)가 아닌 경우에는, S44a 단계에서 획득된 좌뇌의 대혈관폐색 (LVO) 존재 확률과 S44b 단계에서 획득된 우뇌의 대혈관폐색 (LVO) 존재 확률의 크기를 비교할 수 있다(S53).
LVO 질환 발생 시, 보통 좌-우뇌 중 한쪽 반구에 발생하게 되고, 양쪽 반구에 발생하는 케이스는 매우 드물게 발생된다.
따라서 S44a 단계에서 획득된 좌뇌의 대혈관폐색 (LVO) 존재 확률과 S44b 단계에서 획득된 우뇌의 대혈관폐색 (LVO) 존재 확률의 크기를 비교하여, 크기가 큰 반구 측에 대혈관폐색 (LVO)이 존재하는 것으로 결정할 수 있다.
만약, 좌뇌의 대혈관폐색 (LVO) 존재 확률이 큰 경우에는 좌뇌 대혈관폐색 예상(suspected LVO - Left Brain)으로 판단한다(S54).
또한, 만약, 좌뇌의 대혈관폐색 (LVO) 존재 확률이 작 경우에는 우뇌 대혈관폐색 예상(suspected LVO - Right Brain)으로 판단한다(S54).
도 14a 내지 도 14d는 본 발명과 관련하여, 단일 반구 LVO 결과 영상의 일례를 도시한 것이다.
도 14a는 제 1 케이스로서, 단일 반구 LVO 결과 영상의 일례를 도시한 것이다.
또한, 도 14b는 제 2 케이스로서, 단일 반구 LVO 결과 영상의 일례를 도시한 것이다.
또한, 도 14c는 제 3 케이스로서, 단일 반구 LVO 결과 영상의 일례를 도시한 것이다.
또한, 도 14d는 제 4 케이스로서, 단일 반구 LVO 결과 영상의 일례를 도시한 것이다.
따라서 판단부(40)는, 좌뇌 영상과 우뇌 영상을 관심 영역으로 하여, Early Ischemic Change (EIC) 와, Dense MCA Sign (DMS) 을 기초로, 대혈관폐색 (Large Vessel Occlusion) 질환의 발생여부를 판단할 수 있다.
판단부 (40)는, Early Ischemic Change (EIC) 분류 Deep Learning 모델과 Dense MCA Sign (DMS) 분류 Deep Learning 모델을 활용할 수 있고, Early Ischemic Change (EIC) 와, Dense MCA Sign (DMS)의 판단에 있어, 확률(Probability) 정보를 활용할 수 있으며, 확률(Probability) 기반의 LVO 분류 정보를 제공할 수 있다.
인공지능을 이용한 뇌졸중 진단 방법을 통해 환자군 및 정상군 선별에 활용하여 임상시험 성공 확률을 높이는 방법
전술한 본 발명에 따른 이용한 뇌졸중 진단 방법 및 장치를, 환자군 및 정상군 선별에 활용하여 임상시험 성공 확률을 높일 수 있다.
즉, 본 발명은, 인공지능을 이용한 뇌졸중 진단 방법을 통해 환자군 및 정상군 선별에 활용하여 임상시험 성공 확률을 높이는 장치, 시스템 및 방법을 제공할 수 있다.
약 효능 입증을 위한 임상시험은 미리 예측한 기대 효과를 임상시험 참여자들에 대해 달성하는지 통계적 유의성을 보임으로서 결과가 판정되는데, 본 발명에 따른 뇌졸중 진단 방법 및 장치를 적용하는 경우, 정확히 신약이 목표로 하는 뇌졸중 환자만을 임상시험 대상자로 포함시킴으로써, 최대한 임상시험 성공 확률을 높일 수 있다.
먼저, 기존 신약 임상시험의 문제점에 대해 선결적으로 설명한다.
*약 효능 입증을 위한 임상시험은 미리 예측한 기대 효과를 임상시험 참여자들에 대해 달성하는지 통계적 유의성을 보임으로서 결과가 판정된다.
한편, 뇌졸중의 경우, 약 효능에 의한 증상의 호전 여부 측정을 문진에 의한 방법을 통해 수행해야 하며, 이는 데이터의 척도가 세밀하지 않다는 문제점이 있다.
따라서 통계적 유의성을 입증하려면 투약 전과 후, 또는 가짜약 군과 비교하여 평가 척도의 수치가 통계적으로 유의하게 상승되어야 하며, 예측 상승 수치가 비교적 클수록 목표 대상자수도 적어지고 통계적 유의성 달성 가능성이 상승하게 된다.
이때, 예측 상승 수치가 작다면 그만큼 목표 대상자수도 늘어나며 통계 입증 난이도가 상승하게 된다.
결국, 뇌졸중의 평가 척도 한단계 상승자체가 매우 어려우므로, 임상시험 통과 가능성이 매우 낮다는 문제점이 발생하게 된다.
본 발명에서는 이러한 문제점을 해소하기 위해, 정확히 신약이 목표로 하는 뇌졸중 환자만을 임상시험 대상자로 포함시킴으로써, 최대한 임상시험 성공 확률을 높이기 위한 방법으로서도 개발 시키고자 한다.
중추신경계 약물의 신약 개발과정에서 중요한 실패 요인 중 하나는 정확한 대상자 선별 및 약물 반응군 선별의 난점이다.
중추신경계 약물의 경우 특히 위약에 대한 반응비율이 높아, 대상자 군의 이질성을 낮추고, 약물 반응성을 예측할 수 있는 바이오마커를 설정하는 것이 성공률을 높이는데 있어 중요한 전략이 된다.
*또한, 뇌졸중의 경우 MRI를 시행하기 전까지는 확진이 어려워 신약이 목표로 하는 뇌졸중 환자만을 임상시험 대상자로 포함시키기 매우 어렵다는 문제점이 있다.
따라서 본 발명이 제안하는 인공지능을 이용한 뇌졸중 진단 방법을 통해 환자군 및 정상군 선별에 활용하여 임상시험 성공 확률을 높이는데 활용할 수 있다.
구체적으로, 도 5 내지 도 14d에서 설명한 단계를 통해 진단 결과가 도출된 이후, 진단 결과를 기초로, 복수의 실험 후보군을 실제 뇌졸중 환자군과 정상 환자군으로 구분하는 단계가 진행될 수 있다.
이때, 실제 뇌졸중 환자군으로 분류된 대상만을 기초로, 임상시험을 진행하는 단계 및 임상 시험 결과를 기초로 약 효능을 입증하는 단계를 통해, 정확히 신약이 목표로 하는 뇌졸중 환자만을 임상시험 대상자로 포함시킴으로써, 최대한 임상시험 성공 확률을 높일 수 있다.
결국, 본 발명에 따른 인공지능을 이용한 뇌졸중 진단 방법을 통해, 환자군 및 정상군 선별에 활용하여 임상시험 성공 확률을 높이는데 활용할 수 있다.
이러한 임상시험 성공 확률을 높이는 방법, 뇌졸중 진단 장치(1) 독자적으로 수행될 수도 있고, 별도의 서버(미도시)를 두거나 별도의 중앙관리장치(미도시)를 두고, 뇌졸중 진단 장치(1)와 함께 전체 동작을 수행하도록 적용될 수도 있다.
본 발명에 따른 효과
본 발명에 의하면, 신속한 처방을 필요로 하는 뇌졸중 질환의 특성 상, 전문가 간의 점수 변동성으로 인한 문제를 방지하고, 의료 현장에서 환자의 치료 결정을 용이하게 할 수 있는 신뢰할 수 있는 지표로서 사용할 수 있다는 효과가 얻어진다.
또한, 본 발명에 의하면, CT 영상 기반 뇌졸중 분석의 전 과정을 자동화하여 분석과정에 필요한 인력, 시간적 및 경제적 비용을 획기적으로 감소시킬 수 있다는 효과가 얻어진다.
또한, 본 발명에 따르면, CT, MRI와 같이 뇌를 촬영한 의료 영상을 정규화하고, 정규화된 의료 영상에 미리 세팅된 표준 마스크 템플릿을 적용해서 대뇌동맥 손상에 취약한 뇌 영역을 일관되게 분할 및 추출할 수 있다는 효과가 얻어진다.
또한, 본 발명에 의하면, 진단 대상의 의료 영상을 템플릿을 통해 정규화한 후, 정규화된 이미지 기반으로 모든 피험자의 의료 영상에서 일관되게 관심 영역을 분할 및 추출할 수 있다는 효과가 얻어진다.
이와 같이, 본 발명에 의하면, 표준 마스크 템플릿을 기반으로 분할 및 추출된 관심 영역을 통해 뇌 질환 (뇌졸중)을 분석 및 진단함에 따라, 진단 결과에 대한 정밀도 및 정확도를 극대화할 수 있다는 효과가 얻어진다.
결국, 본 발명에 따르면, 적어도 하나의 환자의 뇌와 관련된 비-조영 (Non-contrast) CT 영상을 획득하고, 상기 비-조영 CT 영상을 전-처리 (Pre-processing)하고, 상기 전-처리된 영상을 기초로 정규화하고, 미리 세팅된 표준 마스크 템플릿을 이용해서 관심 영역 (Region Of Interest, ROI)인 좌뇌 반구 영상과 우뇌 반구 영상을 분할 및 추출하고, 상기 분할 및 추출된 관심 영역을 이용하여, 상기 적어도 하나의 환자의 뇌에 대 혈관 폐색 (Large Vessel Occlusion)의 가능성이 존재하는지 여부를 판단할 수 있는 효과가 제공된다.
특히, 본 발명은 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치 및 방법을 사용자에 제공할 수 있다.
구체적으로, 본 발명은 비조영 CT의 좌뇌 또는 우뇌 반구 영상을 기반으로, 대혈관폐색 (Large Vessel Occlusion)이 발생한 의심 반구를 검출하고, 응급 대혈관폐색 환자를 선별할 수 있는 인공지능 알고리즘을 이용한 뇌졸중 진단 장치 및 방법를 사용자에게 제공할 수 있다.
또한, 본 발명은 적어도 하나의 환자의 뇌에 대 혈관 폐색 (Large Vessel Occlusion)의 가능성이 존재하는 경우, 판단부는, 분할 및 추출된 관심 영역을 이용하여, 상기 적어도 하나의 환자의 ASPECT 스코어를 추정하고, 상기 추정된 ASPECT 스코어가 미리 지정된 수치 이상인 경우에만, 상기 적어도 하나의 환자가 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자인 것으로 판별할 수 있다.
또한, 약 효능 입증을 위한 임상시험은 미리 예측한 기대 효과를 임상시험 참여자들에 대해 달성하는지 통계적 유의성을 보임으로서 결과가 판정되는데, 본 발명에 따른 뇌졸중 진단 방법 및 장치를 적용하는 경우, 정확히 신약이 목표로 하는 뇌졸중 환자만을 임상시험 대상자로 포함시킴으로써, 최대한 임상시험 성공 확률을 높일 수 있다.
즉, 본 발명에 따른 인공지능을 이용한 뇌졸중 진단 방법을 통해, 환자군 및 정상군 선별에 활용하여 임상시험 성공 확률을 높이는데 활용할 수 있다.
한편, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상술한 본 발명의 실시예들은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하드웨어, 펌웨어 (firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.
하드웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 하나 또는 그 이상의 ASICs (Application Specific Integrated Circuits), DSPs (Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs (Programmable Logic Devices), FPGAs (Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.
펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 상기 메모리 유닛은 상기 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 상기 프로세서와 데이터를 주고 받을 수 있다.
상술한 바와 같이 개시된 본 발명의 바람직한 실시예들에 대한 상세한 설명은 당업자가 본 발명을 구현하고 실시할 수 있도록 제공되었다. 상기에서는 본 발명의 바람직한 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 본 발명의 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 예를 들어, 당업자는 상술한 실시예들에 기재된 각 구성을 서로 조합하는 방식으로 이용할 수 있다. 따라서, 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다.
본 발명은 본 발명의 정신 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다. 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다. 또한, 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함할 수 있다.
Claims (15)
- 적어도 하나의 환자의 뇌와 관련된 비-조영 (Non-contrast) CT 영상을 획득하는 영상획득부;
상기 뇌의 좌뇌 반구 영상과 우뇌 반구 영상을 분할하기 위해, 상기 비-조영 CT 영상을 전-처리 (Pre-processing)하는 전처리부;
상기 전-처리된 영상에서 관심 영역 (ROI)인 상기 좌뇌 반구 영상과 우뇌 반구 영상을 분할하는 영상처리부;
상기 분할된 상기 좌뇌 반구 영상과 우뇌 반구 영상 중 적어도 하나를 이용하여, 상기 적어도 하나의 환자의 대혈관폐색 (Large Vessel Occlusion)의 존재 여부를 판단하는 판단부; 를 포함하되,
상기 판단부는, 제 1 정보 및 제 2 정보 중 적어도 하나를 이용하여 상기 대혈관폐색의 존재 여부를 판단하고,
상기 제 1 정보는, 상기 좌뇌 반구 영상의 제 1 EIC (Early Ischemic Change) 정보 및 제 1 DMS (Dense MCA Sign) 정보를 포함하며,
상기 제 2 정보는, 상기 우뇌 반구 영상의 제 2 EIC (Early Ischemic Change) 정보 및 제 2 DMS (Dense MCA Sign) 정보를 포함하고,
상기 제 1 EIC 정보는, 상기 좌뇌 반구 상에 상기 EIC가 존재할 확률(Probability)과 특징(Feature) 정보이고,
상기 제 2 EIC 정보는, 상기 우뇌 반구 상에 상기 EIC가 존재할 확률(Probability)과 특징(Feature) 정보이며,
상기 제 1 DMS 정보는, 상기 좌뇌 반구 상에 상기 DMS가 존재할 확률(Probability)과 특징(Feature) 정보이고,
상기 제 2 DMS 정보는, 상기 우뇌 반구 상에 상기 DMS가 존재할 확률(Probability)과 특징(Feature) 정보이며,
상기 제 1 EIC 정보 및 상기 제 2 EIC 정보는, 상기 좌뇌 또는 우뇌 반구 내 상기 EIC가 존재하는지 여부를 분류하는 제 1 딥러닝(Deep Learning) 모델을 기초로 획득되고,
상기 제 1 DMS 정보 및 상기 제 2 DMS 정보는, 상기 좌뇌 또는 우뇌 반구 내 상기 DMS 가 존재하는지 여부를 분류하는 제 2 딥러닝(Deep Learning) 모델을 기초로 획득되며,
상기 판단부는,
상기 좌뇌 반구 상에 상기 EIC가 존재할 확률 및 특징(Feature) 정보와 상기 좌뇌 반구 상에 상기 DMS가 존재할 확률 및 특징(Feature)을 함께 이용하여 상기 좌뇌 상의 상기 대혈관폐색이 존재할 제 1 확률을 도출하고,
상기 우뇌 반구 상에 상기 EIC가 존재할 확률 및 특징(Feature) 정보와 상기 우뇌 반구 상에 상기 DMS가 존재할 확률 및 특징(Feature)을 함께 이용하여 상기 우뇌 상의 상기 대혈관폐색이 존재할 제 2 확률을 도출하며,
상기 판단부는,
딥러닝(Deep Learning) 방식 중 artificial recurrent neural network (RNN) 방식이 적용되는 Long shot-term memory (LSTM) 기술 또는 3D convolutional neural network (CNN) 기술을 기반으로, 상기 제1 확률 및/또는 상기 제 2 확률을 도출하는 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치. - 적어도 하나의 환자의 뇌와 관련된 비-조영 (Non-contrast) CT 영상을 획득하는 영상획득부;
상기 뇌의 좌뇌 반구 영상과 우뇌 반구 영상을 분할하기 위해, 상기 비-조영 CT 영상을 전-처리 (Pre-processing)하는 전처리부;
상기 전-처리된 영상에서 관심 영역 (ROI)인 상기 좌뇌 반구 영상과 우뇌 반구 영상을 분할하는 영상처리부;
상기 분할된 상기 좌뇌 반구 영상과 우뇌 반구 영상 중 적어도 하나를 이용하여, 상기 적어도 하나의 환자의 대혈관폐색 (Large Vessel Occlusion)의 존재 여부를 판단하는 판단부; 를 포함하되,
상기 판단부는, 제 1 정보 및 제 2 정보 중 적어도 하나를 이용하여 상기 대혈관폐색의 존재 여부를 판단하고,
상기 제 1 정보는, 상기 좌뇌 반구 영상의 제 1 EIC (Early Ischemic Change) 정보 및 제 1 DMS (Dense MCA Sign) 정보를 포함하며,
상기 제 2 정보는, 상기 우뇌 반구 영상의 제 2 EIC (Early Ischemic Change) 정보 및 제 2 DMS (Dense MCA Sign) 정보를 포함하고,
상기 제 1 EIC 정보는, 상기 좌뇌 반구 상에 상기 EIC가 존재할 확률(Probability)과 특징(Feature) 정보이고,
상기 제 2 EIC 정보는, 상기 우뇌 반구 상에 상기 EIC가 존재할 확률(Probability)과 특징(Feature) 정보이며,
상기 제 1 DMS 정보는, 상기 좌뇌 반구 상에 상기 DMS가 존재할 확률(Probability)과 특징(Feature) 정보이고,
상기 제 2 DMS 정보는, 상기 우뇌 반구 상에 상기 DMS가 존재할 확률(Probability)과 특징(Feature) 정보이며,
상기 제 1 EIC 정보 및 상기 제 2 EIC 정보는, 상기 좌뇌 또는 우뇌 반구 내 상기 EIC가 존재하는지 여부를 분류하는 제 1 딥러닝(Deep Learning) 모델을 기초로 획득되고,
상기 제 1 DMS 정보 및 상기 제 2 DMS 정보는, 상기 좌뇌 또는 우뇌 반구 내 상기 DMS 가 존재하는지 여부를 분류하는 제 2 딥러닝(Deep Learning) 모델을 기초로 획득되며,
상기 판단부는,
상기 좌뇌 반구 상에 상기 EIC가 존재할 확률 및 특징(Feature) 정보와 상기 좌뇌 반구 상에 상기 DMS가 존재할 확률 및 특징(Feature)을 함께 이용하여 상기 좌뇌 상의 상기 대혈관폐색이 존재할 제 1 확률을 도출하고,
상기 우뇌 반구 상에 상기 EIC가 존재할 확률 및 특징(Feature) 정보와 상기 우뇌 반구 상에 상기 DMS가 존재할 확률 및 특징(Feature)을 함께 이용하여 상기 우뇌 상의 상기 대혈관폐색이 존재할 제 2 확률을 도출하며,
상기 판단부는,
상기 좌뇌 반구 상에 상기 EIC가 존재할 확률 및 상기 좌뇌 반구 상에 상기 DMS가 존재할 확률에 대해 서로 다른 가중치 (weight)를 적용하고, 상기 가중치가 적용된 값의 평균값 (averaging)으로 상기 제 1 확률을 도출하고,
상기 우뇌 반구 상에 상기 EIC가 존재할 확률 및 상기 우뇌 반구 상에 상기 DMS가 존재할 확률에 대해 서로 다른 가중치 (weight)를 적용하고, 상기 가중치가 적용된 값의 평균값 (averaging)으로 상기 제 2 확률을 도출하는 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치. - 제 2항에 있어서,
상기 좌뇌 반구 및/또는 상기 우뇌 반구 상에 상기 EIC가 존재할 확률보다 상기 DMS가 존재할 확률에 대해 더 큰 가중치가 적용되는 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치. - 제 1항 또는 제 2항에 있어서,
상기 판단부는,
미리 지정된 제 1 기준 확률과 상기 도출된 제 1 확률을 비교하여 상기 좌뇌 반구 상에 상기 대혈관폐색이 존재하는지 여부를 판단하고,
미리 지정된 제 2 기준 확률과 상기 도출된 제 2 확률을 비교하여 상기 우뇌 반구 상에 상기 대혈관폐색이 존재하는지 여부를 판단하는 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치. - 제 4항에 있어서,
상기 좌뇌 반구 상에 대혈관폐색이 존재하고, 상기 우뇌 반구 상에 대혈관폐색이 존재하는 경우,
상기 판단부는, 양쪽 반구 대혈관폐색 (bilateral LVO)으로 판단하는 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치. - 제 1항 또는 제 2항에 있어서,
상기 판단부는,
상기 도출된 제 1 확률과 상기 도출된 제 2 확률을 비교하고,
상기 제 1 확률이 더 큰 경우, 상기 좌뇌 반구 상에만 대혈관폐색이 존재하는 것으로 판단하며,
상기 제 2 확률이 더 큰 경우, 상기 우뇌 반구 상에만 대혈관폐색이 존재하는 것으로 판단하는 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치. - 제 1항 또는 제 2항에 있어서,
상기 비-조영 CT 영상은
NCCT 멀티 슬라이스 (Non-contrast computed tomography multi slice)의 데이터 셋(data set)이고,
상기 전-처리된 영상을 좌뇌 반구 영상과 우뇌 반구 영상이 분할되는 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치. - 제 1항 또는 제 2항에 있어서,
상기 좌뇌 반구 및 상기 우뇌 반구 중 적어도 하나에 상기 대혈관폐색이 존재하는 경우,
상기 판단부는,
상기 좌뇌 반구 영상과 우뇌 반구 영상을 이용하여, 상기 적어도 하나의 환자의 ASPECTS 스코어를 추정하고,
상기 추정된 ASPECTS 스코어가 미리 지정된 수치 이상인 경우에만, 상기 적어도 하나의 환자가 기계적 혈전 절제술 (Mechanical Thrombectomy)을 적용할 수 있는 환자인 것으로 판별하는 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치. - 제 8항에 있어서,
상기 전처리부는,
상기 비-조영 CT 영상에서 노이즈를 제거하는 노이즈 필터부;
상기 노이즈가 제거된 비-조영 CT 영상 내에 존재하는 객체 내 또는 복수의 객체 간의 이미지들을 공간적으로 정렬하는 코-레지스트레이션(Co-registration)을 수행하는 등록부; 및
상기 코-레지스트레이션이 수행된 CT 영상에서 상기 적어도 하나의 환자의 뇌 구조물이 아닌 부분을 제거하는 스컬-스트리핑(Skull-stripping)을 수행하는 스컬 스트리핑부;를 포함하는 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치. - 영상획득부가 적어도 하나의 환자의 뇌와 관련된 비-조영 (Non-contrast) CT 영상을 획득하는제 1 단계;
전처리부가 상기 뇌의 좌뇌 반구 영상과 우뇌 반구 영상을 분할하기 위해, 상기 비-조영 CT 영상을 전-처리 (Pre-processing)하는 제 2 단계;
영상처리부가 상기 전-처리된 영상의 관심 영역 (ROI)인 상기 좌뇌 반구 영상과 우뇌 반구 영상을 분할하는 제 3 단계; 및
판단부가 상기 분할된 상기 좌뇌 반구 영상과 우뇌 반구 영상 중 적어도 하나를 이용하여, 상기 적어도 하나의 환자의 대혈관폐색 (Large Vessel Occlusion)의 존재 여부를 판단하는 제 4 단계; 를 포함하되,
상기 제 4 단계에서, 상기 판단부는 제 1 정보 및 제 2 정보 중 적어도 하나를 이용하여 상기 대혈관폐색의 존재 여부를 판단하고,
상기 제 1 정보는, 상기 좌뇌 반구 영상의 제 1 EIC (Early Ischemic Change) 정보 및 제 1 DMS (Dense MCA Sign) 정보를 포함하며,
상기 제 2 정보는, 상기 우뇌 반구 영상의 제 2 EIC (Early Ischemic Change) 정보 및 제 2 DMS (Dense MCA Sign) 정보를 포함하고,
상기 제 1 EIC 정보는, 상기 좌뇌 반구 상에 상기 EIC가 존재할 확률(Probability)과 특징(Feature) 정보이고,
상기 제 2 EIC 정보는, 상기 우뇌 반구 상에 상기 EIC가 존재할 확률(Probability)과 특징(Feature) 정보이며,
상기 제 1 DMS 정보는, 상기 좌뇌 반구 상에 상기 DMS가 존재할 확률(Probability)과 특징(Feature) 정보이고,
상기 제 2 DMS 정보는, 상기 우뇌 반구 상에 상기 DMS가 존재할 확률(Probability)과 특징(Feature) 정보이며,
상기 제 1 EIC 정보 및 상기 제 2 EIC 정보는, 상기 좌뇌 또는 우뇌 반구 내 상기 EIC가 존재하는지 여부를 분류하는 제 1 딥러닝(Deep Learning) 모델을 기초로 획득되고,
상기 제 1 DMS 정보 및 상기 제 2 DMS 정보는, 상기 좌뇌 또는 우뇌 반구 내 상기 DMS 가 존재하는지 여부를 분류하는 제 2 딥러닝(Deep Learning) 모델을 기초로 획득되며,
상기 제 4 단계에서, 상기 판단부는,
상기 좌뇌 반구 상에 상기 EIC가 존재할 확률 및 특징(Feature) 정보와 상기 좌뇌 반구 상에 상기 DMS가 존재할 확률 및 특징(Feature)을 함께 이용하여 상기 좌뇌 상의 상기 대혈관폐색이 존재할 제 1 확률을 도출하고,
상기 우뇌 반구 상에 상기 EIC가 존재할 확률 및 특징(Feature) 정보와 상기 우뇌 반구 상에 상기 DMS가 존재할 확률 및 특징(Feature)을 함께 이용하여 상기 우뇌 상의 상기 대혈관폐색이 존재할 제 2 확률을 도출하며,
상기 제 4 단계에서, 상기 판단부는,
딥러닝(Deep Learning) 방식 중 artificial recurrent neural network (RNN) 방식이 적용되는 Long shot-term memory (LSTM) 기술 또는 3D convolutional neural network (CNN) 기술을 기반으로, 상기 제1 확률 및/또는 상기 제 2 확률을 도출하는 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 관련 정보를 제공하는 방법. - 영상획득부가 적어도 하나의 환자의 뇌와 관련된 비-조영 (Non-contrast) CT 영상을 획득하는제 1 단계;
전처리부가 상기 뇌의 좌뇌 반구 영상과 우뇌 반구 영상을 분할하기 위해, 상기 비-조영 CT 영상을 전-처리 (Pre-processing)하는 제 2 단계;
영상처리부가 상기 전-처리된 영상의 관심 영역 (ROI)인 상기 좌뇌 반구 영상과 우뇌 반구 영상을 분할하는 제 3 단계; 및
판단부가 상기 분할된 상기 좌뇌 반구 영상과 우뇌 반구 영상 중 적어도 하나를 이용하여, 상기 적어도 하나의 환자의 대혈관폐색 (Large Vessel Occlusion)의 존재 여부를 판단하는 제 4 단계; 를 포함하되,
상기 제 4 단계에서, 상기 판단부는 제 1 정보 및 제 2 정보 중 적어도 하나를 이용하여 상기 대혈관폐색의 존재 여부를 판단하고,
상기 제 1 정보는, 상기 좌뇌 반구 영상의 제 1 EIC (Early Ischemic Change) 정보 및 제 1 DMS (Dense MCA Sign) 정보를 포함하며,
상기 제 2 정보는, 상기 우뇌 반구 영상의 제 2 EIC (Early Ischemic Change) 정보 및 제 2 DMS (Dense MCA Sign) 정보를 포함하고,
상기 제 1 EIC 정보는, 상기 좌뇌 반구 상에 상기 EIC가 존재할 확률(Probability)과 특징(Feature) 정보이고,
상기 제 2 EIC 정보는, 상기 우뇌 반구 상에 상기 EIC가 존재할 확률(Probability)과 특징(Feature) 정보이며,
상기 제 1 DMS 정보는, 상기 좌뇌 반구 상에 상기 DMS가 존재할 확률(Probability)과 특징(Feature) 정보이고,
상기 제 2 DMS 정보는, 상기 우뇌 반구 상에 상기 DMS가 존재할 확률(Probability)과 특징(Feature) 정보이며,
상기 제 1 EIC 정보 및 상기 제 2 EIC 정보는, 상기 좌뇌 또는 우뇌 반구 내 상기 EIC가 존재하는지 여부를 분류하는 제 1 딥러닝(Deep Learning) 모델을 기초로 획득되고,
상기 제 1 DMS 정보 및 상기 제 2 DMS 정보는, 상기 좌뇌 또는 우뇌 반구 내 상기 DMS 가 존재하는지 여부를 분류하는 제 2 딥러닝(Deep Learning) 모델을 기초로 획득되며,
상기 제 4 단계에서, 상기 판단부는,
상기 좌뇌 반구 상에 상기 EIC가 존재할 확률 및 특징(Feature) 정보와 상기 좌뇌 반구 상에 상기 DMS가 존재할 확률 및 특징(Feature)을 함께 이용하여 상기 좌뇌 상의 상기 대혈관폐색이 존재할 제 1 확률을 도출하고,
상기 우뇌 반구 상에 상기 EIC가 존재할 확률 및 특징(Feature) 정보와 상기 우뇌 반구 상에 상기 DMS가 존재할 확률 및 특징(Feature)을 함께 이용하여 상기 우뇌 상의 상기 대혈관폐색이 존재할 제 2 확률을 도출하며,
상기 제 4 단계에서, 상기 판단부는,
상기 좌뇌 반구 상에 상기 EIC가 존재할 확률 및 상기 좌뇌 반구 상에 상기 DMS가 존재할 확률에 대해 서로 다른 가중치 (weight)를 적용하고, 상기 가중치가 적용된 값의 평균값 (averaging)으로 상기 제 1 확률을 도출하고,
상기 우뇌 반구 상에 상기 EIC가 존재할 확률 및 상기 우뇌 반구 상에 상기 DMS가 존재할 확률에 대해 서로 다른 가중치 (weight)를 적용하고, 상기 가중치가 적용된 값의 평균값 (averaging)으로 상기 제 2 확률을 도출하는 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 관련 정보를 제공하는 방법. - 영상획득부, 전처리부, 영상처리부, 판단부 및 중앙관리부를 포함하는 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치를 이용하여, 임상시험 성공확률을 높이기 위해 뇌졸중이 존재하는 환자군을 선별하는 방법에 있어서,
상기 영상획득부가 약 효능 입증을 위한 임상시험 실험 후보군인 복수의 환자의 뇌를 촬영한 비-조영 (Non-contrast) CT 영상을 획득하는 제 1 단계;
상기 전처리부가 상기 뇌의 좌뇌 반구 영상과 우뇌 반구 영상을 분할하기 위해, 상기 비-조영 CT 영상을 전-처리 (Pre-processing)하는 제 2 단계;
상기 영상처리부가 상기 전-처리된 영상의 관심 영역 (ROI)인 상기 좌뇌 반구 영상과 우뇌 반구 영상을 분할하는 제 3 단계;
상기 판단부가 상기 분할된 상기 좌뇌 반구 영상과 우뇌 반구 영상 중 적어도 하나를 이용하여, 상기 복수의 환자의 대혈관폐색 (Large Vessel Occlusion)의 존재 여부를 판단하는 제 4 단계; 및
상기 중앙관리부가 상기 복수의 환자의 대혈관폐색의 존재 여부를 이용하여 환자군을 선별하는 제 5 단계; 를 포함하되,
상기 제 4 단계에서, 상기 판단부는 제 1 정보 및 제 2 정보 중 적어도 하나를 이용하여 상기 대혈관폐색의 존재 여부를 판단하고,
상기 제 1 정보는, 상기 좌뇌 반구 영상의 제 1 EIC (Early Ischemic Change) 정보 및 제 1 DMS (Dense MCA Sign) 정보를 포함하며,
상기 제 2 정보는, 상기 우뇌 반구 영상의 제 2 EIC (Early Ischemic Change) 정보 및 제 2 DMS (Dense MCA Sign) 정보를 포함하고,
상기 제 1 EIC 정보는, 상기 좌뇌 반구 상에 상기 EIC가 존재할 확률(Probability)과 특징(Feature) 정보이고,
상기 제 2 EIC 정보는, 상기 우뇌 반구 상에 상기 EIC가 존재할 확률(Probability)과 특징(Feature) 정보이며,
상기 제 1 DMS 정보는, 상기 좌뇌 반구 상에 상기 DMS가 존재할 확률(Probability)과 특징(Feature) 정보이고,
상기 제 2 DMS 정보는, 상기 우뇌 반구 상에 상기 DMS가 존재할 확률(Probability)과 특징(Feature) 정보이며,
상기 제 1 EIC 정보 및 상기 제 2 EIC 정보는, 상기 좌뇌 또는 우뇌 반구 내 상기 EIC가 존재하는지 여부를 분류하는 제 1 딥러닝(Deep Learning) 모델을 기초로 획득되고,
상기 제 1 DMS 정보 및 상기 제 2 DMS 정보는, 상기 좌뇌 또는 우뇌 반구 내 상기 DMS 가 존재하는지 여부를 분류하는 제 2 딥러닝(Deep Learning) 모델을 기초로 획득되며,
상기 제 4 단계에서, 상기 판단부는,
상기 좌뇌 반구 상에 상기 EIC가 존재할 확률 및 특징(Feature) 정보와 상기 좌뇌 반구 상에 상기 DMS가 존재할 확률 및 특징(Feature)을 함께 이용하여 상기 좌뇌 상의 상기 대혈관폐색이 존재할 제 1 확률을 도출하고,
상기 우뇌 반구 상에 상기 EIC가 존재할 확률 및 특징(Feature) 정보와 상기 우뇌 반구 상에 상기 DMS가 존재할 확률 및 특징(Feature)을 함께 이용하여 상기 우뇌 상의 상기 대혈관폐색이 존재할 제 2 확률을 도출하며,
상기 제 4 단계에서, 상기 판단부는,
딥러닝(Deep Learning) 방식 중 artificial recurrent neural network (RNN) 방식이 적용되는 Long shot-term memory (LSTM) 기술 또는 3D convolutional neural network (CNN) 기술을 기반으로, 상기 제1 확률 및/또는 상기 제 2 확률을 도출하는 뇌졸중이 존재하는 환자군을 선별하는 방법. - 영상획득부, 전처리부, 영상처리부, 판단부 및 중앙관리부를 포함하는 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치를 이용하여, 임상시험 성공확률을 높이기 위해 뇌졸중이 존재하는 환자군을 선별하는 방법에 있어서,
상기 영상획득부가 약 효능 입증을 위한 임상시험 실험 후보군인 복수의 환자의 뇌를 촬영한 비-조영 (Non-contrast) CT 영상을 획득하는 제 1 단계;
상기 전처리부가 상기 뇌의 좌뇌 반구 영상과 우뇌 반구 영상을 분할하기 위해, 상기 비-조영 CT 영상을 전-처리 (Pre-processing)하는 제 2 단계;
상기 영상처리부가 상기 전-처리된 영상의 관심 영역 (ROI)인 상기 좌뇌 반구 영상과 우뇌 반구 영상을 분할하는 제 3 단계;
상기 판단부가 상기 분할된 상기 좌뇌 반구 영상과 우뇌 반구 영상 중 적어도 하나를 이용하여, 상기 복수의 환자의 대혈관폐색 (Large Vessel Occlusion)의 존재 여부를 판단하는 제 4 단계; 및
상기 중앙관리부가 상기 복수의 환자의 대혈관폐색의 존재 여부를 이용하여 환자군을 선별하는 제 5 단계; 를 포함하되,
상기 제 4 단계에서, 상기 판단부는 제 1 정보 및 제 2 정보 중 적어도 하나를 이용하여 상기 대혈관폐색의 존재 여부를 판단하고,
상기 제 1 정보는, 상기 좌뇌 반구 영상의 제 1 EIC (Early Ischemic Change) 정보 및 제 1 DMS (Dense MCA Sign) 정보를 포함하며,
상기 제 2 정보는, 상기 우뇌 반구 영상의 제 2 EIC (Early Ischemic Change) 정보 및 제 2 DMS (Dense MCA Sign) 정보를 포함하고,
상기 제 1 EIC 정보는, 상기 좌뇌 반구 상에 상기 EIC가 존재할 확률(Probability)과 특징(Feature) 정보이고,
상기 제 2 EIC 정보는, 상기 우뇌 반구 상에 상기 EIC가 존재할 확률(Probability)과 특징(Feature) 정보이며,
상기 제 1 DMS 정보는, 상기 좌뇌 반구 상에 상기 DMS가 존재할 확률(Probability)과 특징(Feature) 정보이고,
상기 제 2 DMS 정보는, 상기 우뇌 반구 상에 상기 DMS가 존재할 확률(Probability)과 특징(Feature) 정보이며,
상기 제 1 EIC 정보 및 상기 제 2 EIC 정보는, 상기 좌뇌 또는 우뇌 반구 내 상기 EIC가 존재하는지 여부를 분류하는 제 1 딥러닝(Deep Learning) 모델을 기초로 획득되고,
상기 제 1 DMS 정보 및 상기 제 2 DMS 정보는, 상기 좌뇌 또는 우뇌 반구 내 상기 DMS 가 존재하는지 여부를 분류하는 제 2 딥러닝(Deep Learning) 모델을 기초로 획득되며,
상기 제 4 단계에서, 상기 판단부는,
상기 좌뇌 반구 상에 상기 EIC가 존재할 확률 및 특징(Feature) 정보와 상기 좌뇌 반구 상에 상기 DMS가 존재할 확률 및 특징(Feature)을 함께 이용하여 상기 좌뇌 상의 상기 대혈관폐색이 존재할 제 1 확률을 도출하고,
상기 우뇌 반구 상에 상기 EIC가 존재할 확률 및 특징(Feature) 정보와 상기 우뇌 반구 상에 상기 DMS가 존재할 확률 및 특징(Feature)을 함께 이용하여 상기 우뇌 상의 상기 대혈관폐색이 존재할 제 2 확률을 도출하며,
상기 제 4 단계에서, 상기 판단부는,
상기 좌뇌 반구 상에 상기 EIC가 존재할 확률 및 상기 좌뇌 반구 상에 상기 DMS가 존재할 확률에 대해 서로 다른 가중치 (weight)를 적용하고, 상기 가중치가 적용된 값의 평균값 (averaging)으로 상기 제 1 확률을 도출하고,
상기 우뇌 반구 상에 상기 EIC가 존재할 확률 및 상기 우뇌 반구 상에 상기 DMS가 존재할 확률에 대해 서로 다른 가중치 (weight)를 적용하고, 상기 가중치가 적용된 값의 평균값 (averaging)으로 상기 제 2 확률을 도출하는 뇌졸중이 존재하는 환자군을 선별하는 방법. - 영상획득부, 전처리부, 영상처리부 및 판단부를 포함하는 인공지능 기반 뇌졸중 진단 장치; 및 상기 인공지능 기반 뇌졸중 진단 장치와 통신하는 서버;를 이용하여, 임상시험 성공확률을 높이기 위해 뇌졸중이 존재하는 환자군을 선별하는 방법에 있어서,
상기 영상획득부가 약 효능 입증을 위한 임상시험 실험 후보군인 복수의 환자의 뇌를 촬영한 비-조영 (Non-contrast) CT 영상을 획득하는 제 1 단계;
상기 전처리부가 상기 뇌의 좌뇌 반구 영상과 우뇌 반구 영상을 분할하기 위해, 상기 비-조영 CT 영상을 전-처리 (Pre-processing)하는 제 2 단계;
상기 영상처리부가 상기 전-처리된 영상의 관심 영역 (ROI)인 상기 좌뇌 반구 영상과 우뇌 반구 영상을 분할하는 제 3 단계;
상기 판단부가 상기 분할된 상기 좌뇌 반구 영상과 우뇌 반구 영상 중 적어도 하나를 이용하여, 상기 복수의 환자의 대혈관폐색 (Large Vessel Occlusion)의 존재 여부를 판단하는 제 4 단계; 및
상기 서버가 상기 복수의 환자의 대혈관폐색의 존재 여부를 이용하여 환자군을 선별하는 제 5 단계; 를 포함하되,
상기 제 4 단계에서, 상기 판단부는 제 1 정보 및 제 2 정보 중 적어도 하나를 이용하여 상기 대혈관폐색의 존재 여부를 판단하고,
상기 제 1 정보는, 상기 좌뇌 반구 영상의 제 1 EIC (Early Ischemic Change) 정보 및 제 1 DMS (Dense MCA Sign) 정보를 포함하며,
상기 제 2 정보는, 상기 우뇌 반구 영상의 제 2 EIC (Early Ischemic Change) 정보 및 제 2 DMS (Dense MCA Sign) 정보를 포함하고,
상기 제 1 EIC 정보는, 상기 좌뇌 반구 상에 상기 EIC가 존재할 확률(Probability)과 특징(Feature) 정보이고,
상기 제 2 EIC 정보는, 상기 우뇌 반구 상에 상기 EIC가 존재할 확률(Probability)과 특징(Feature) 정보이며,
상기 제 1 DMS 정보는, 상기 좌뇌 반구 상에 상기 DMS가 존재할 확률(Probability)과 특징(Feature) 정보이고,
상기 제 2 DMS 정보는, 상기 우뇌 반구 상에 상기 DMS가 존재할 확률(Probability)과 특징(Feature) 정보이며,
상기 제 1 EIC 정보 및 상기 제 2 EIC 정보는, 상기 좌뇌 또는 우뇌 반구 내 상기 EIC가 존재하는지 여부를 분류하는 제 1 딥러닝(Deep Learning) 모델을 기초로 획득되고,
상기 제 1 DMS 정보 및 상기 제 2 DMS 정보는, 상기 좌뇌 또는 우뇌 반구 내 상기 DMS 가 존재하는지 여부를 분류하는 제 2 딥러닝(Deep Learning) 모델을 기초로 획득되며,
상기 제 4 단계에서, 상기 판단부는,
상기 좌뇌 반구 상에 상기 EIC가 존재할 확률 및 특징(Feature) 정보와 상기 좌뇌 반구 상에 상기 DMS가 존재할 확률 및 특징(Feature)을 함께 이용하여 상기 좌뇌 상의 상기 대혈관폐색이 존재할 제 1 확률을 도출하고,
상기 우뇌 반구 상에 상기 EIC가 존재할 확률 및 특징(Feature) 정보와 상기 우뇌 반구 상에 상기 DMS가 존재할 확률 및 특징(Feature)을 함께 이용하여 상기 우뇌 상의 상기 대혈관폐색이 존재할 제 2 확률을 도출하며,
상기 제 4 단계에서, 상기 판단부는,
딥러닝(Deep Learning) 방식 중 artificial recurrent neural network (RNN) 방식이 적용되는 Long shot-term memory (LSTM) 기술 또는 3D convolutional neural network (CNN) 기술을 기반으로, 상기 제1 확률 및/또는 상기 제 2 확률을 도출하는 뇌졸중이 존재하는 환자군을 선별하는 방법. - 영상획득부, 전처리부, 영상처리부 및 판단부를 포함하는 인공지능 기반 뇌졸중 진단 장치; 및 상기 인공지능 기반 뇌졸중 진단 장치와 통신하는 서버;를 이용하여, 임상시험 성공확률을 높이기 위해 뇌졸중이 존재하는 환자군을 선별하는 방법에 있어서,
상기 영상획득부가 약 효능 입증을 위한 임상시험 실험 후보군인 복수의 환자의 뇌를 촬영한 비-조영 (Non-contrast) CT 영상을 획득하는 제 1 단계;
상기 전처리부가 상기 뇌의 좌뇌 반구 영상과 우뇌 반구 영상을 분할하기 위해, 상기 비-조영 CT 영상을 전-처리 (Pre-processing)하는 제 2 단계;
상기 영상처리부가 상기 전-처리된 영상의 관심 영역 (ROI)인 상기 좌뇌 반구 영상과 우뇌 반구 영상을 분할하는 제 3 단계;
상기 판단부가 상기 분할된 상기 좌뇌 반구 영상과 우뇌 반구 영상 중 적어도 하나를 이용하여, 상기 복수의 환자의 대혈관폐색 (Large Vessel Occlusion)의 존재 여부를 판단하는 제 4 단계; 및
상기 서버가 상기 복수의 환자의 대혈관폐색의 존재 여부를 이용하여 환자군을 선별하는 제 5 단계; 를 포함하되,
상기 제 4 단계에서, 상기 판단부는 제 1 정보 및 제 2 정보 중 적어도 하나를 이용하여 상기 대혈관폐색의 존재 여부를 판단하고,
상기 제 1 정보는, 상기 좌뇌 반구 영상의 제 1 EIC (Early Ischemic Change) 정보 및 제 1 DMS (Dense MCA Sign) 정보를 포함하며,
상기 제 2 정보는, 상기 우뇌 반구 영상의 제 2 EIC (Early Ischemic Change) 정보 및 제 2 DMS (Dense MCA Sign) 정보를 포함하고,
상기 제 1 EIC 정보는, 상기 좌뇌 반구 상에 상기 EIC가 존재할 확률(Probability)과 특징(Feature) 정보이고,
상기 제 2 EIC 정보는, 상기 우뇌 반구 상에 상기 EIC가 존재할 확률(Probability)과 특징(Feature) 정보이며,
상기 제 1 DMS 정보는, 상기 좌뇌 반구 상에 상기 DMS가 존재할 확률(Probability)과 특징(Feature) 정보이고,
상기 제 2 DMS 정보는, 상기 우뇌 반구 상에 상기 DMS가 존재할 확률(Probability)과 특징(Feature) 정보이며,
상기 제 1 EIC 정보 및 상기 제 2 EIC 정보는, 상기 좌뇌 또는 우뇌 반구 내 상기 EIC가 존재하는지 여부를 분류하는 제 1 딥러닝(Deep Learning) 모델을 기초로 획득되고,
상기 제 1 DMS 정보 및 상기 제 2 DMS 정보는, 상기 좌뇌 또는 우뇌 반구 내 상기 DMS 가 존재하는지 여부를 분류하는 제 2 딥러닝(Deep Learning) 모델을 기초로 획득되며,
상기 제 4 단계에서, 상기 판단부는,
상기 좌뇌 반구 상에 상기 EIC가 존재할 확률 및 특징(Feature) 정보와 상기 좌뇌 반구 상에 상기 DMS가 존재할 확률 및 특징(Feature)을 함께 이용하여 상기 좌뇌 상의 상기 대혈관폐색이 존재할 제 1 확률을 도출하고,
상기 우뇌 반구 상에 상기 EIC가 존재할 확률 및 특징(Feature) 정보와 상기 우뇌 반구 상에 상기 DMS가 존재할 확률 및 특징(Feature)을 함께 이용하여 상기 우뇌 상의 상기 대혈관폐색이 존재할 제 2 확률을 도출하며,
상기 제 4 단계에서, 상기 판단부는,
상기 좌뇌 반구 상에 상기 EIC가 존재할 확률 및 상기 좌뇌 반구 상에 상기 DMS가 존재할 확률에 대해 서로 다른 가중치 (weight)를 적용하고, 상기 가중치가 적용된 값의 평균값 (averaging)으로 상기 제 1 확률을 도출하고,
상기 우뇌 반구 상에 상기 EIC가 존재할 확률 및 상기 우뇌 반구 상에 상기 DMS가 존재할 확률에 대해 서로 다른 가중치 (weight)를 적용하고, 상기 가중치가 적용된 값의 평균값 (averaging)으로 상기 제 2 확률을 도출하는 뇌졸중이 존재하는 환자군을 선별하는 방법.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210104296 | 2021-08-09 | ||
KR20210104296 | 2021-08-09 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102410254B1 true KR102410254B1 (ko) | 2022-06-23 |
Family
ID=82221919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220037274A KR102410254B1 (ko) | 2021-08-09 | 2022-03-25 | 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치 및 진단 관련 정보 제공 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102410254B1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102652603B1 (ko) * | 2023-10-11 | 2024-03-29 | 주식회사 휴런 | 양안의 편향을 이용한 급성 대혈관폐색 검사 장치 및 방법 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005131011A (ja) * | 2003-10-29 | 2005-05-26 | Toshiba Corp | 急性脳梗塞診断治療支援装置 |
KR101754291B1 (ko) | 2017-04-04 | 2017-07-06 | 이현섭 | 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법 |
KR101992057B1 (ko) | 2018-08-17 | 2019-06-24 | (주)제이엘케이인스펙션 | 혈관 투영 영상을 이용한 뇌질환 진단 방법 및 시스템 |
KR102165840B1 (ko) * | 2020-05-21 | 2020-10-16 | 주식회사 휴런 | 인공지능 기반 뇌졸중 진단 장치 및 방법 |
KR102189625B1 (ko) * | 2020-10-06 | 2020-12-11 | 주식회사 휴런 | Aspects를 산출하는 인공지능 기반 뇌졸중 진단 장치 |
KR102219201B1 (ko) * | 2020-10-06 | 2021-02-23 | 주식회사 휴런 | 뇌졸중이 존재하는 환자군을 선별하여 임상시험 성공 확률을 높이는 방법 |
-
2022
- 2022-03-25 KR KR1020220037274A patent/KR102410254B1/ko active IP Right Grant
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005131011A (ja) * | 2003-10-29 | 2005-05-26 | Toshiba Corp | 急性脳梗塞診断治療支援装置 |
KR101754291B1 (ko) | 2017-04-04 | 2017-07-06 | 이현섭 | 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법 |
KR101992057B1 (ko) | 2018-08-17 | 2019-06-24 | (주)제이엘케이인스펙션 | 혈관 투영 영상을 이용한 뇌질환 진단 방법 및 시스템 |
KR102165840B1 (ko) * | 2020-05-21 | 2020-10-16 | 주식회사 휴런 | 인공지능 기반 뇌졸중 진단 장치 및 방법 |
KR102189625B1 (ko) * | 2020-10-06 | 2020-12-11 | 주식회사 휴런 | Aspects를 산출하는 인공지능 기반 뇌졸중 진단 장치 |
KR102219201B1 (ko) * | 2020-10-06 | 2021-02-23 | 주식회사 휴런 | 뇌졸중이 존재하는 환자군을 선별하여 임상시험 성공 확률을 높이는 방법 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102652603B1 (ko) * | 2023-10-11 | 2024-03-29 | 주식회사 휴런 | 양안의 편향을 이용한 급성 대혈관폐색 검사 장치 및 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102165840B1 (ko) | 인공지능 기반 뇌졸중 진단 장치 및 방법 | |
US10950337B1 (en) | Aspect score estimating system and method | |
US10952613B2 (en) | Stroke diagnosis and prognosis prediction method and system | |
KR102189622B1 (ko) | 뇌출혈 여부 및 종류를 분류하는 인공지능 시스템 기반의 뇌졸중 진단 장치 | |
KR102189626B1 (ko) | 학습한 인공지능 모델을 기초로 기계적 혈전 절제술이 필요한 환자인지 여부를 판단하는 뇌졸중 진단 장치 | |
KR102189623B1 (ko) | 비 뇌출혈 상태인 경우, 뇌 대혈관의 이상 여부를 판단하는 인공지능 기반 뇌졸중 진단 장치 | |
KR101840350B1 (ko) | 의료 영상 판독 과정에서 사용자의 시선 정보를 이용한 판독 효율 증대 방법 및 그 장치 | |
JP2017520305A (ja) | 急性脳虚血患者における組織領域の区分法及び予測法 | |
CN111415321B (zh) | 动脉瘤破裂风险检测装置及设备 | |
KR102021541B1 (ko) | 의료 영상 기반 뇌혈전 영역 식별 및 가시화를 위한 컴퓨팅 시스템 및 방법 | |
WO2012105907A1 (en) | Method and apparatus for processing of stroke ct scans | |
KR102219201B1 (ko) | 뇌졸중이 존재하는 환자군을 선별하여 임상시험 성공 확률을 높이는 방법 | |
KR102189625B1 (ko) | Aspects를 산출하는 인공지능 기반 뇌졸중 진단 장치 | |
KR102151942B1 (ko) | 영상 데이터세트의 특징을 정규화 및 표준화하는 전처리 과정이 적용된 aspect 스코어 추정 방법 | |
KR102151943B1 (ko) | 뇌졸중 관련 병변을 분리하는 과정이 적용된 aspect 스코어 추정 방법 | |
KR102410254B1 (ko) | 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치 및 진단 관련 정보 제공 방법 | |
CN115605961A (zh) | 利用机器学习从急性缺血性脑卒中患者的多期ct血管造影预测缺血性脑组织转归的系统及方法 | |
US11602322B2 (en) | Ischemic stroke detection and classification method based on medical image, apparatus and system | |
KR102219202B1 (ko) | 인공지능 기반 뇌졸중 진단 정보를 제공하는 방법 | |
KR102189624B1 (ko) | 뇌 대혈관폐색 환자인지 여부를 판단하는 인공지능 기반 뇌졸중 진단 장치 | |
CN111481233B (zh) | 胎儿颈项透明层厚度测量方法 | |
Jung et al. | Evaluating a deep-learning system for automatically calculating the stroke ASPECT score | |
KR102189627B1 (ko) | 환자 관련 정보의 공유가 가능한 인공지능 플랫폼 기반 뇌졸중 진단 장치 | |
KR20190068254A (ko) | 병변 발생 시점 추정 방법, 장치 및 프로그램 | |
SATHYAKALA et al. | Unsupervised Classification for predicting Malignant Tumor cells in Brain using FCM Method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |