KR102423697B1 - 딥러닝을 이용한 방사성의약품 분포영상 생성 시스템 및 방법 - Google Patents

딥러닝을 이용한 방사성의약품 분포영상 생성 시스템 및 방법 Download PDF

Info

Publication number
KR102423697B1
KR102423697B1 KR1020200000523A KR20200000523A KR102423697B1 KR 102423697 B1 KR102423697 B1 KR 102423697B1 KR 1020200000523 A KR1020200000523 A KR 1020200000523A KR 20200000523 A KR20200000523 A KR 20200000523A KR 102423697 B1 KR102423697 B1 KR 102423697B1
Authority
KR
South Korea
Prior art keywords
medical image
image
time
radiopharmaceutical
deep learning
Prior art date
Application number
KR1020200000523A
Other languages
English (en)
Other versions
KR20210087369A (ko
Inventor
우상근
임상무
김욱
이교철
Original Assignee
한국원자력의학원
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 한국원자력의학원 filed Critical 한국원자력의학원
Priority to KR1020200000523A priority Critical patent/KR102423697B1/ko
Priority to CN202080091507.6A priority patent/CN114945991A/zh
Priority to EP20910482.7A priority patent/EP4086918A4/en
Priority to US17/787,845 priority patent/US20230029695A1/en
Priority to PCT/KR2020/008658 priority patent/WO2021137371A1/ko
Publication of KR20210087369A publication Critical patent/KR20210087369A/ko
Application granted granted Critical
Publication of KR102423697B1 publication Critical patent/KR102423697B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/269—Analysis of motion using gradient-based methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Abstract

본 발명은 딥러닝을 이용한 방사성의약품 분포영상 생성 시스템 및 방법에 관한 것으로서, 더욱 상세하게는, 다수의 환자로부터 수집된 동적의료영상과 각 장기별 시간-방사선량 분포곡선을 딥러닝 네트워크를 통해 학습하고, 특정 환자로부터 획득된 정적의료영상에서 방사성의약품의 공간분포영상을 생성할 수 있는 딥러닝을 이용한 방사성의약품 분포영상 생성 시스템 및 방법에 관한 것이다.
본 발명에 의하면, 방사성의약품을 환자에게 주입한 후 특정 시간 동안만 의료영상을 획득한 경우에도 딥러닝 네트워크를 이용하여 모든 시간에 대한 방사성의약품의 공간분포영상을 획득할 수 있으며, 이를 바탕으로 시간-방사선량 분포곡선을 산출하여 방사성의약품의 정량 분석을 수행할 수 있다.

Description

딥러닝을 이용한 방사성의약품 분포영상 생성 시스템 및 방법{System and Method of Generating Spatial Distibution Images of Radiopharmaceuticals using Deep-Learing}
본 발명은 딥러닝을 이용한 방사성의약품 분포영상 생성 시스템 및 방법에 관한 것으로서, 더욱 상세하게는, 다수의 환자로부터 수집된 동적의료영상과 각 장기별 시간-방사선량 분포곡선을 딥러닝 네트워크를 통해 학습하고, 특정 환자로부터 획득된 정적의료영상에서 방사성의약품의 공간분포영상을 생성할 수 있는 딥러닝을 이용한 방사성의약품 분포영상 생성 시스템 및 방법에 관한 것이다.
PET(Positron Emission Tomography) 및 SPECT(Single-photon Emission Computed Tomography) 영상은 표지된 방사성 핵종이 붕괴하면서 방출하는 에너지를 검출하는 의료영상 기기로 환자의 진단 및 치료 반응 평가에 유용한 의료 영상화 도구이다. 특히, 영상의 강도를 이용하여 정량 분석이 가능하다는 큰 장점을 갖고 있다.
PET 및 SPECT를 이용한 영상의 정량분석 연구는 진단용 또는 치료용 방사성의약품을 주입하고 일부 특정 시간에서의 섭취량을 분석하는 정적의료영상 분석과 방사성 의약품을 주입한 후 전체 시간에 따른 방사성의약품의 흡수율의 변화를 정량 분석하는 동적의료영상 분석으로 나눌 수 있다.
동적의료영상 분석은 의료영상의 획득 이전에 방사성의약품을 환자의 체내에 투여한 후 방사성의약품이 표적 부위에 충분히 섭취되도록 기다리면서 영상을 계속적으로 획득하고 획득된 단일 의료영상을 바탕으로 정량분석을 하는 과정을 거친다. 대표적으로 18F-FDG를 이용한 분석이 이에 속한다. 18F-FDG PET 영상은 환자의 체내에 18F-FDG를 정맥 주입한 다음 1시간 이후에 20분 정도 영상을 획득하는 방식으로 진행된다.
동적의료영상을 이용한 정량분석 방법은 방사성의약품을 주입함과 동시에 영상을 획득하여 일정 시간 동안 계속해서 영상을 획득하므로, 정적의료영상에서 제공하지 못하는 시간에 따른 방사성의약품의 흡수율 변화 정보를 제공할 수 있다. 그러나, 정적의료영상을 획득하는 것과는 달리 동적의료영상 획득을 하기 위해 오랜 시간 동안 계속해서 영상 장비 위에 누워있어야 하기 때문에 환자로 하여금 많은 불편함을 유발시킨다.
결과적으로 정적의료영상 분석의 경우 짧은 시간 동안 의료영상을 획득하기 때문에 의료영상을 획득하는데 있어 환자의 불편함을 최소로 할 수 있다. 그러나, 방사성의약품의 시간에 따른 흡수율 변화 정보를 반영하지 못한다는 단점이 존재한다.
동적의료영상 분석의 경우 시간에 따른 방사성의약품의 표적 부위에서의 흡수율 변화정보를 정확히 평가할 수 있지만 시간에 따른 의료영상을 모두 획득해야 하기 때문에 환자에게 부담이 되는 문제가 있다.
한국등록특허 10-1908126
본 발명이 해결하고자 하는 과제는, 다수의 환자로부터 수집된 동적의료영상과 각 장기별 시간-방사선량 분포곡선을 딥러닝 네트워크를 통해 학습하고, 특정 환자로부터 획득된 정적의료영상에서 방사성의약품의 공간분포영상을 생성할 수 있는 딥러닝을 이용한 방사성의약품 분포영상 생성 시스템 및 방법을 제공하는 데 있다.
상기한 과제를 해결하기 위해 본 발명은, 방사성의약품의 주입과 동시에 환자의 의료영상을 계속 수집하여 동적의료영상을 획득하는 동적의료영상 획득부; 상기 동적의료영상으로부터 인체의 각 장기 별로 시간에 대한 방사선량을 나타내는 시간-방사선량 분포곡선을 획득하는 분포곡선 획득부; 방사성의약품을 주입한 후 특정 시간 동안의 정적의료영상을 획득하는 정적의료영상 획득부; 다수의 환자에 대한 상기 동적의료영상 및 그에 대한 시간-방사선량 분포곡선을 수집하고 학습하여 상기 정적의료영상의 전후 시간의 의료영상을 예측하여 생성하는 딥러닝 네트워크; 및 상기 정적의료영상 및 생성된 의료영상으로부터 방사성의약품의 공간분포영 상을 획득하는 공간분포영상 획득부를 포함하는, 딥러닝을 이용한 방사성의약품 분포영상 생성 시스템을 제공하는 것을 특징으로 한다.
바람직하게는, 상기 딥러닝 네트워크는, 다수의 환자에 대한 상기 동적의료영상 및 그에 대한 시간-방사선량 분포곡선을 수집하고 학습하는 딥러닝 학습부; 및 상기 정적의료영상이 촬영된 시간의 전후 시간의 의료영상을 예측하여 생성하는 영상 생성부를 포함할 수 있다.
바람직하게는, 상기 딥러닝 네트워크는, 상기 동적의료영상 및 그에 대한 시간-방사선량 분포곡선에 따라 GAN(generative adversrial network)를 이용하여 의료영상을 생성할 수 있다.
바람직하게는, 상기 시스템은, 상기 공간분포영상으로부터 시간 변화에 따른 각 영역 위치와 방사선량을 획득하여 시간-방사선량 분포곡선을 획득하는 분포곡선 예측부를 더 포함할 수 있다.
또한, 상기한 목적을 달성하기 위해서 본 발명은, 방사성의약품 분포영상 생성 시스템에 의해 수행되는 방법으로서, (a) 방사성의약품의 주입과 동시에 환자의 의료영상을 계속 수집하여 동적의료영상을 획득하는 단계; (b) 상기 동적의료영상으로부터 인체의 각 장기 별로 시간에 대한 방사선량을 나타내는 시간-방사선량 분포곡선을 획득하는 단계; (c) 다수의 환자에 대한 상기 동적의료영상 및 그에 대한 시간-방사선량 분포곡선을 수집하여 딥러닝 네트워크를 통해 학습하는 단계; (d) 방사성의약품을 주입한 후 특정 시간 동안의 정적의료영상을 획득하는 단계; (e) 딥러닝 네트워크를 이용하여 상기 정적의료영상의 전후 시간의 의료영상을 예측하여 생성하는 단계; 및 (f) 상기 정적의료영상 및 생성된 의료영상으로부터 방사성의약품의 공간분포영상을 획득하는 단계를 포함하는, 딥러닝을 이용한 방사성의약품 분포영상 생성 방법을 제공하는 것을 특징으로 한다.
본 발명에 의하면, 방사성의약품을 환자에게 주입한 후 특정 시간 동안만 의료영상을 획득한 경우에도 딥러닝 네트워크를 이용하여 모든 시간에 대한 방사성의약품의 공간분포영상을 획득할 수 있으며, 이를 바탕으로 시간-방사선량 분포곡선을 산출하여 방사성의약품의 정량 분석을 수행할 수 있다.
도 1은 본 발명에 따른 딥러닝을 이용한 방사성의약품 분포영상 생성 시스템을 나타낸 블록도이다.
도 2는 본 발명에 따른 딥러닝을 이용한 방사성의약품 분포영상 생성 방법을 나타낸 흐름도이다.
도 3은 시간-방사선량 분포곡선을 예시한 그래프이다.
도 4는 정적의료영상에서 각 시간에 대한 영상을 생성하고 시간-방사선량 분포곡선을 추출하는 것을 예시한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
본 출원에서 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 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 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 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하에서 첨부된 도면을 참조하여, 본 발명의 바람직한 실시예를 상세히 설명한다. 각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다.
도 1은 본 발명에 따른 딥러닝을 이용한 방사성의약품 분포영상 생성 시스템을 나타낸 블록도이고, 도 2는 본 발명에 따른 딥러닝을 이용한 방사성의약품 분포영상 생성 방법을 나타낸 흐름도이다.
본 발명에 따른 딥러닝을 이용한 방사성의약품 분포영상 생성 방법은 본 발명에 따른 딥러닝을 이용한 방사성의약품 분포영상 생성 시스템에 의해 수행되는 방법으로서, 본질적으로 동일하므로 이하에서 함께 설명하도록 한다.
도 1을 참조하면, 본 발명에 따른 딥러닝을 이용한 방사성의약품 분포영상 생성 시스템(100)은 동적의료영상 획득부(110), 분포곡선 획득부(120), 딥러닝 네트워크(130), 정적의료영상 획득부(140), 및 공간분포영상 획득부(150)를 포함하며, 추가로 분포곡선 예측부(160)를 더 포함할 수 있다.
우선, 동적의료영상 획득부(110)는 방사성의약품의 주입과 동시에 환자의 의료영상을 계속 수집하여 동적의료영상을 획득한다(S100). 진단의료영상은 공간 분석을 위하여 PET-CT(Positron emission tomography-computed tomography) 스캐너가 이용될 수 있다. PET-CT 스캐너를 이용하여 획득된 진단의료영상은 PET 영상 및 CT 영상을 포함하며, 두가지 영상이 분석에 함께 이용될 수 있다.
분포곡선 획득부(120)는 동적의료영상으로부터 인체의 각 장기 별로 시간에 대한 방사선량을 나타내는 시간-방사선량 분포곡선을 획득한다(S200).
분포곡선 획득부(120)는 미리 정의된 방식으로 CT 영상을 이용하여 진단의료영상을 분할하고, CT 영상을 통해 얻은 해부학적 정보를 이용하여 장기 및 관심 영역의 경계를 설정하고, 시간 변화에 따른 PET 영상을 이용하여 분할된 각 영역별 위치와 방사성 동위원소의 방사선량을 획득할 수 있다.
도 3은 시간-방사선량 분포곡선을 예시한 그래프이다.
도 3을 참조하면, 시간-방사선량 분포곡선은 특정 장기나 특정 영역에서의 시간 변화에 따라 측정된 방사선량을 그래프로 나타낸다. 시간-방사선량 분포곡선에서 x축은 시간의 변화를, y축은 측정된 방사선량을 의미한다.
다시 도 1 및 2로 되돌아가 설명하도록 한다.
결국, 분포곡선 획득부(120)는 방사성의약품이 환자에게 주입된 후 획득된 동적의료영상으로부터 인체의 각 장기 영역별로 시간-방사선량 분포에 대한 진단분포곡선을 획득한다.
동적의료영상 획득부(110) 및 분포곡선 획득부(120)는 다양한 환자에 대하여 동적의료영상 및 각 장기별 시간-방사선량 분포곡선을 획득하고, 획득된 동적의료영상 및 장기별 시간-방사선량 분포곡선은 딥러닝 학습을 위해 후술할 딥러닝 네트워크(130)로 전달된다.
딥러닝 네트워크(130)는 딥러닝 학습부(131) 및 영상 생성부(132)를 포함한다.
여기서, 딥러닝(deep learning, 심층학습)은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstractions)를 시도하는 기계학습(machine learning) 알고리즘의 집합으로 정의되며, 큰 틀에서 사람의 사고방식을 컴퓨터에게 가르치는 기계학습의 한 분야이다. 컴퓨터가 여러 데이터를 이용해 마치 사람처럼 스스로 학습할 수 있게 하기 위해 인공 신경망(ANN: artificial neural network)을 기반으로 구축한 한 기계 학습 기술이다. 딥러닝은 인간의 두뇌가 수많은 데이터 속에서 패턴을 발견한 뒤 사물을 구분하는 정보처리 방식을 모방해 컴퓨터가 사물을 분별하고 분류하도록 기계를 학습시킬 수 있다. 딥러닝 기술을 적용하면 사람이 모든 판단 기준을 정해주지 않아도 컴퓨터가 스스로 인지, 추론, 판단할 수 있으며, 영상을 인식하여 이를 분석하고 분류하는 등 광범위하게 활용될 수 있다.
본 발명에서는 다양한 환자로부터 수집된 동적의료영상을 학습한 후, 정적의료영상이 촬영된 시간 외의 의료영상을 생성하기 위해 GAN(generative adversarial network, 생성적 적대 신경망) 알고리즘이 이용될 수 있다. GAN은 진짜같은 가짜를 생성하는 모델과 이에 대한 진위를 판별하는 모델의 경쟁을 통해 정적의료영상이 촬영된 시간 외의 시간에 대해 최적의 의료영상을 생성할 수 있다. GAN 알고리즘을 통한 딥러닝 학습 시, 동적의료영상에 대한 학습과 동시에 동적의료영상과 연관된 각 장기별 시간-방사선량 분포곡선을 함께 학습함으로써 시간-방사선량 분포곡선이 고려된 최적의 의료영상이 생성될 수 있다.
결국, GAN 알고리즘을 이용하면 마치 동적의료영상을 촬영한 것처럼 정적의료영상으로부터 모든 시간에 대한 의료영상이 획득될 수 있다.
이를 위해, 딥러닝 네트워크(130)의 딥러닝 학습부(131)는 다수의 환자에 대하여 수집된 동적의료영상 및 그에 대한 시간-방사선량 분포곡선을 딥러닝 네트워크를 통해 심층 학습한다(S300). 이때, 전술한 것처럼, 동적의료영상 및 그에 대한 시간-방사선량 분포곡선에 따라 GAN(generative adversrial network)를 이용하여 의료영상이 생성될 수 있다.
한편, 정적의료영상 획득부(140)는 특정 환자에게 방사성의약품을 주입한 후 특정 시간 동안의 정적의료영상을 획득한다(S400). 획득된 정적의료영상은 딥러닝 네트워크(130)로 전달된다.
딥러닝 네트워크(130)의 영상 생성부(132)는 정적의료영상이 촬영된 시간의 전후 시간의 의료영상을 예측하여 생성한다(S500). 딥러닝 네트워크(130)의 영상 생성부(132)는 정적의료영상이 촬영되지 않은 시간에 대해 의료영상을 예측하여 생성할 수 있으므로, 결국 마치 동적의료영상을 획득한 것처럼 모든 시간에 대해 의료영상을 생성한다.
공간분포영상 획득부(150)는 정적의료영상 및 딥러닝 네트워크(130)를 통해 생성된 의료영상으로부터 방사성의약품의 공간분포영상을 획득한다(S600).
마지막으로, 분포곡선 예측부(160)는 획득된 공간분포영상으로부터 시간 변화에 따른 각 영역의 위치와 방사선량을 획득하여 시간-방사선량 분포곡선을 획득한다(S700). S200 단계에서 획득된 시간-방사선량 분포곡선은 동적의료영상으로부터 획득된 분포곡선이며, S700 단계에서 획득되는 시간-방사선량 분포곡선은 정적의료영상으로부터 딥러닝을 통해 촬영되지 않은 시간의 의료영상을 생성하고, 그 생성된 의료영상으로부터 획득된 분포곡선이란 점에서 차이가 있다.
도 4는 정적의료영상에서 각 시간에 대한 영상을 생성하고 시간-방사선량 분포곡선을 추출하는 것을 예시한 도면이다.
도 4를 참조하면, 첫번째 열은 모든 관심 시간 동안 촬영된 동적의료영상이고, 나머지 아래의 세열은 특정 시간동안만 촬영된 정적의료영상을 의미한다.
첫번째 열의 동적의료영상의 경우, CT 영상을 통해 얻은 해부학적 정보를 이용하여 장기 및 관심 영역의 경계를 설정하고, 시간 변화에 따른 PET 영상을 이용하여 분할된 각 영역별 위치와 방사성 동위원소의 방사선량을 획득하여, 최종적으로 시간-방사선량 분포곡선을 용이하게 획득할 수 있다.
그러나, 두번째 내지 네번째 열의 정적의료영상의 경우, 일부 시간 동안에만 의료영상이 존재하므로 전체 시간에 대한 시간-방사선량 분포곡선을 획득할 수 없다.
이러한 경우, 딥러닝 네트워크(130)를 이용하여 획득 영상의 전후 모든 시점에 대해 의료영상을 생성하면, 생성된 의료영상 및 미리 획득된 정적의료영상을 분석하여 시간-방사선량 분포곡선을 예측할 수 있다.
본 발명은 방법, 장치, 시스템 등으로서 실행될 수 있다. 본 발명의 상기 방법은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 프로그램, 코드, 애플리케이션, 소프트웨어 등으로서 구현하는 것이 가능하다. 소프트웨어나 애플리케이션으로 구현되어 실행될 때, 본 발명의 구성 수단들은 필연적으로 필요한 작업을 실행하는 프로그램이나 코드 세그먼트들이다. 프로그램 또는 코드 세그먼트들은 컴퓨터로 읽을 수 있는 기록매체에 저장될 수 있으며 또는 전송 매체 또는 통신망에서 반송파와 결합된 컴퓨터 데이터 신호에 의하여 전송될 수 있다.
컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
이상에서는 도면에 도시된 구체적인 실시예를 참고하여 본 발명을 설명하였으나 이는 예시적인 것에 불과하므로, 본 발명이 속하는 기술 분야에서 통상의 기술을 가진 자라면 이로부터 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명의 보호 범위는 후술하는 특허청구범위에 의하여 해석되어야 하고, 그와 동등 및 균등한 범위 내에 있는 모든 기술적 사상은 본 발명의 보호 범위에 포함되는 것으로 해석되어야 할 것이다.
100: 방사성의약품 분포영상 생성 시스템
110: 동적의료영상 획득부
120: 분포곡선 획득부
130: 네트워크
132: 영상 생성부
140: 정적의료영상 획득부
150: 공간분포영상 획득부
160: 분포곡선 예측부

Claims (7)

  1. 방사성의약품의 주입과 동시에 환자의 의료영상을 계속 수집하여 동적의료영상을 획득하는 동적의료영상 획득부;
    상기 동적의료영상으로부터 인체의 각 장기 별로 시간에 대한 방사선량을 나타내는 시간-방사선량 분포곡선을 획득하는 분포곡선 획득부;
    방사성의약품을 주입한 후 특정 시간 동안의 정적의료영상을 획득하는 정적의료영상 획득부;
    다수의 환자에 대한 상기 동적의료영상 및 그에 대한 시간-방사선량 분포곡선을 수집하고 학습하되, 상기 정적의료영상이 촬영된 시간의 전후 시간의 의료영상을 예측하여 생성하는 딥러닝 네트워크;
    상기 정적의료영상 및 생성된 의료영상으로부터 방사성의약품의 공간분포영 상을 획득하는 공간분포영상 획득부; 및
    상기 공간분포영상으로부터 시간 변화에 따른 각 영역 위치와 방사선량을 획득하여 시간-방사선량 분포곡선을 획득하는 분포곡선 예측부를 포함하는, 딥러닝을 이용한 방사성의약품 분포영상 생성 시스템.
  2. 제1항에 있어서, 상기 딥러닝 네트워크는,
    다수의 환자에 대한 상기 동적의료영상 및 그에 대한 시간-방사선량 분포곡선을 수집하고 학습하는 딥러닝 학습부; 및
    상기 정적의료영상이 촬영된 시간의 전후 시간의 의료영상을 예측하여 생성하는 영상 생성부를 포함하는, 딥러닝을 이용한 방사성의약품 분포영상 생성 시스템.
  3. 제2항에 있어서, 상기 딥러닝 네트워크는,
    상기 동적의료영상 및 그에 대한 시간-방사선량 분포곡선에 따라 GAN(generative adversrial network)를 이용하여 의료영상을 생성하는 것을 특징으로 하는, 딥러닝을 이용한 방사성의약품 분포영상 생성 시스템.
  4. 삭제
  5. 방사성의약품 분포영상 생성 시스템에 의해 수행되는 방법으로서,
    (a) 방사성의약품의 주입과 동시에 환자의 의료영상을 계속 수집하여 동적의료영상을 획득하는 단계;
    (b) 상기 동적의료영상으로부터 인체의 각 장기 별로 시간에 대한 방사선량을 나타내는 시간-방사선량 분포곡선을 획득하는 단계;
    (c) 다수의 환자에 대한 상기 동적의료영상 및 그에 대한 시간-방사선량 분포곡선을 수집하여 딥러닝 네트워크를 통해 학습하는 단계;
    (d) 방사성의약품을 주입한 후 특정 시간 동안의 정적의료영상을 획득하는 단계;
    (e) 딥러닝 네트워크를 이용하여 상기 정적의료영상의 전후 시간의 의료영상을 예측하여 생성하는 단계;
    (f) 상기 정적의료영상 및 생성된 의료영상으로부터 방사성의약품의 공간분포영상을 획득하는 단계; 및
    (g) 상기 공간분포영상으로부터 시간 변화에 따른 각 영역 위치와 방사선량을 획득하여 시간-방사선량 분포곡선을 획득하는 단계를 포함하는, 딥러닝을 이용한 방사성의약품 분포영상 생성 방법.
  6. 제5항에 있어서, 상기 딥러닝 네트워크는,
    상기 동적의료영상 및 그에 대한 시간-방사선량 분포곡선에 따라 GAN(generative adversrial network)를 이용하여 의료영상을 생성하는 것을 특징으로 하는, 딥러닝을 이용한 방사성의약품 분포영상 생성 방법.
  7. 삭제
KR1020200000523A 2020-01-02 2020-01-02 딥러닝을 이용한 방사성의약품 분포영상 생성 시스템 및 방법 KR102423697B1 (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020200000523A KR102423697B1 (ko) 2020-01-02 2020-01-02 딥러닝을 이용한 방사성의약품 분포영상 생성 시스템 및 방법
CN202080091507.6A CN114945991A (zh) 2020-01-02 2020-07-02 使用深度学习的放射性药物分布图像生成系统和方法
EP20910482.7A EP4086918A4 (en) 2020-01-02 2020-07-02 SYSTEM AND METHOD FOR RADIOPHARMACEUTICAL DELIVERY IMAGE GENERATION USING DEEP LEARNING
US17/787,845 US20230029695A1 (en) 2020-01-02 2020-07-02 Radiopharmaceutical distribution image generation system and method using deep learning
PCT/KR2020/008658 WO2021137371A1 (ko) 2020-01-02 2020-07-02 딥러닝을 이용한 방사성의약품 분포영상 생성 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200000523A KR102423697B1 (ko) 2020-01-02 2020-01-02 딥러닝을 이용한 방사성의약품 분포영상 생성 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20210087369A KR20210087369A (ko) 2021-07-12
KR102423697B1 true KR102423697B1 (ko) 2022-07-21

Family

ID=76686791

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200000523A KR102423697B1 (ko) 2020-01-02 2020-01-02 딥러닝을 이용한 방사성의약품 분포영상 생성 시스템 및 방법

Country Status (5)

Country Link
US (1) US20230029695A1 (ko)
EP (1) EP4086918A4 (ko)
KR (1) KR102423697B1 (ko)
CN (1) CN114945991A (ko)
WO (1) WO2021137371A1 (ko)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3509697B1 (en) * 2016-09-07 2024-04-17 Elekta, Inc. System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions
KR101908126B1 (ko) 2017-03-21 2018-12-18 한국원자력의학원 다중 의료영상 분석 시스템 및 방법
KR20190046471A (ko) * 2017-10-26 2019-05-07 삼성전자주식회사 의료 영상 처리 방법 및 그에 따른 의료 영상 처리 장치
KR102219890B1 (ko) * 2018-02-28 2021-02-24 서울대학교산학협력단 딥러닝을 이용한 의료영상의 공간 정규화 장치 및 그 방법
KR102483585B1 (ko) * 2018-05-04 2023-01-02 재단법인 아산사회복지재단 초기 동적 영상데이터 기반 진단용 영상 생성방법 및 프로그램
JP6530128B1 (ja) * 2018-08-27 2019-06-12 日本メジフィジックス株式会社 被ばく線量管理装置、被ばく線量管理方法、およびプログラム

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Kuang Gong 외, 15th International Meeting on Fully Three-Dimensional Image Reconstruction in Radiology and Nuclear Medicine, 2019.05.28. Vol.11072, pp.110720R1-110720R5.
Kuang Gong 외, 15th International Meeting on Fully Three-Dimensional Image Reconstruction in Radiology and Nuclear Medicine, 2019.05.28., pp1-5.*
Zhaoheng Xie 외, 15th International Meeting on Fully Three-Dimensional Image Reconstruction in Radiology and Nuclear Medicine, 2019.05.28. Vol.11072, pp.110720P1-110720P5.
Zhaoheng Xie 외, 15th International Meeting on Fully Three-Dimensional Image Reconstruction in Radiology and Nuclear Medicine, 2019.05.28., pp1-5.*

Also Published As

Publication number Publication date
EP4086918A4 (en) 2024-02-14
KR20210087369A (ko) 2021-07-12
US20230029695A1 (en) 2023-02-02
EP4086918A1 (en) 2022-11-09
CN114945991A (zh) 2022-08-26
WO2021137371A1 (ko) 2021-07-08

Similar Documents

Publication Publication Date Title
CN109697741B (zh) 一种pet图像重建方法、装置、设备及介质
RU2529381C2 (ru) Формирование модели усовершенствованного изображения
Schreibmann et al. MR‐based attenuation correction for hybrid PET‐MR brain imaging systems using deformable image registration
WO2018119766A1 (zh) 多模态图像处理系统及方法
CN102473302B (zh) 用于感兴趣肿瘤区域定义的解剖结构建模
US10929976B2 (en) Method and apparatus for assessing image registration
WO2018120550A1 (zh) 医学图像数据处理系统及方法
KR102157867B1 (ko) 딥러닝에 기반한 고속 양전자단층촬영 영상 획득 장치 및 방법
EP3796842B1 (en) Patient-adaptive nuclear imaging
US20210201546A1 (en) Medical image conversion
CN103080977B (zh) 在发射图像中的心脏定位及验证
KR102283934B1 (ko) Pet 영상에 기반한 가상 ct 영상 및 감쇠보정 pet 영상 생성 방법 및 시스템
KR102423697B1 (ko) 딥러닝을 이용한 방사성의약품 분포영상 생성 시스템 및 방법
EP4150569A1 (en) Functional imaging features from computed tomography images
Wang et al. Deep learning-augmented head and neck organs at risk segmentation from CT volumes
Giaccone et al. PET images atlas-based segmentation performed in native and in template space: a radiomics repeatability study in mouse models
Yang et al. Two-stream regression network for dental implant position prediction
Kot et al. U-Net and active contour methods for brain tumour segmentation and visualization
KR102388204B1 (ko) 인공 신경망을 이용하여 관심 부피 영역을 추출하는 방법 및 상기 방법을 수행하는 관심 부피 영역 추출 장치
Brahmi et al. Automatic tooth instance segmentation and identification from panoramic X-Ray images using deep CNN
Jha et al. Emerging role of artificial intelligence in nuclear medicine
Abbas et al. Limbs detection and tracking of head-fixed mice for behavioral phenotyping using motion tubes and deep learning
CN117238484B (zh) 智能化诊疗装置、电子设备及存储介质
KR102559805B1 (ko) 범용성이 향상된 인공지능에 의한 의료영상 변환방법 및 그 장치
US20230197249A1 (en) Synthetic ct using mri

Legal Events

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