KR102451108B1 - 치매 진단에 필요한 정보 제공 방법 및 장치 - Google Patents
치매 진단에 필요한 정보 제공 방법 및 장치 Download PDFInfo
- Publication number
- KR102451108B1 KR102451108B1 KR1020220023102A KR20220023102A KR102451108B1 KR 102451108 B1 KR102451108 B1 KR 102451108B1 KR 1020220023102 A KR1020220023102 A KR 1020220023102A KR 20220023102 A KR20220023102 A KR 20220023102A KR 102451108 B1 KR102451108 B1 KR 102451108B1
- Authority
- KR
- South Korea
- Prior art keywords
- standard
- dementia
- coefficient rate
- information necessary
- average value
- Prior art date
Links
- 206010012289 Dementia Diseases 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003745 diagnosis Methods 0.000 title claims abstract description 55
- 210000004556 brain Anatomy 0.000 claims abstract description 89
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 208000024827 Alzheimer disease Diseases 0.000 abstract description 12
- 238000002600 positron emission tomography Methods 0.000 description 43
- 238000013500 data storage Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 102000013455 Amyloid beta-Peptides Human genes 0.000 description 3
- 108010090849 Amyloid beta-Peptides Proteins 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003941 amyloidogenesis Effects 0.000 description 2
- 230000003920 cognitive function Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000002610 neuroimaging Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009885 systemic effect Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 101100381860 Bacillus subtilis (strain 168) bmr gene Proteins 0.000 description 1
- 101100400867 Candida albicans (strain SC5314 / ATCC MYA-2876) MDR1 gene Proteins 0.000 description 1
- 208000031124 Dementia Alzheimer type Diseases 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 206010039966 Senile dementia Diseases 0.000 description 1
- 201000004810 Vascular dementia Diseases 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 208000035850 clinical syndrome Diseases 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000011977 language disease Diseases 0.000 description 1
- 230000006984 memory degeneration Effects 0.000 description 1
- 208000023060 memory loss Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009747 swallowing Effects 0.000 description 1
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
- 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
-
- 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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/0035—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for acquisition of images from more than one imaging mode, e.g. combining MRI and optical tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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]
- A61B6/037—Emission tomography
-
- 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
- A61B6/52—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
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5247—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from an ionising-radiation diagnostic technique and a non-ionising radiation diagnostic technique, e.g. X-ray and ultrasound
-
- 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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Radiology & Medical Imaging (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Neurology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Neurosurgery (AREA)
- Child & Adolescent Psychology (AREA)
- Signal Processing (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Psychology (AREA)
- Nuclear Medicine (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
Abstract
본 발명의 바람직한 실시예는 치매 진단에 필요한 정보 제공 장치 및 방법을 제공한다. 본 발명의 바람직한 실시예에 따른 치매 진단에 필요한 정보 제공 장치 및 방법은, 진단 대상자의 MRI 뇌 영상과 PET 뇌 영상을 입력받고, MRI 뇌 영상을 복수의 영역으로 분할한 후, PET 뇌 영상과 정합한다. 그리고, 정합 영상에서 각 분할 영역의 표준섭취계수율을 구하고, 각 분할 영역별로 진단 대상자의 표준섭취계수율과 사전에 저장된 알츠하이머 피험자 그룹의 표준섭취계수율 평균값 및 정상인 그룹의 표준섭취계수율 평균값과의 근접도를 나타내는 표준값을 구한다. 그 후, 각 분할 영역별로 진단 대상자의 표준섭취계수율과 표준값을 승산한 가중 표준섭취계수율을 제공하고, 사전에 학습된 머신 러닝 알고리즘에 적용하여 치매 진단을 수행함으로써, 단순히 절대적 수치의 표준섭취계수율만을 제공하는 종래 기술에 비해, 치매 진단에 필요한 다양한 정보를 제공할 수 있고, 치매 진단의 정확성을 향상시킬 수 있다.
Description
본 발명은 치매 진단에 필요한 정보 제공 방법 및 장치에 관한 것으로서, 보다 구체적으로는 진단 대상자의 뇌 영상에 대해서 표준섭취계수율율을 획득하여 치매 진단에 필요한 정보를 제공하는 장치 및 방법에 관한 것이다.
치매는 후천적으로 기억, 언어, 판단력 등의 여러 영역의 인지 기능이 감소하여 일상생활을 제대로 수행하지 못하는 임상 증후군을 의미한다. 치매에는 알츠하이머병이라 불리는 노인성 치매, 중풍 등으로 인해 생기는 혈관성 치매가 대표적이고, 이 밖에도 다양한 원인에 의한 치매가 있으나, 현재 치매 환자의 50% ~ 70%는 알츠하이머병으로 인한 치매에 해당한다.
알츠하이머병은 20년 전부터 발병하지만 증상이 나타나기 전까지 뇌에 생기는 변화를 쉽게 알아차릴 수 없다. 기억력 상실, 언어장애같이 눈에 띄는 증상이 겉으로 드러나는 시기는 이미 뇌의 변화가 어느 정도 일어난 후이다. 이러한 증상은 사고, 학습, 기억(인지 기능)에 관련되어 있는 뇌의 신경세포가 손상되거나 파괴되었기 때문이다. 질병이 진행될수록 뇌의 다른 뉴런들까지 손상되고 파괴되어 결국 걷기, 음식물 삼킴과 같은 기본적인 신체 활동에 영향을 주게 된다. 따라서, 알츠하이머병의 신속하고 정확한 진단은 매우 중요하다.
이러한 알츠하이머병 및 이로 인한 알츠하이머 치매를 진단하기 위한 방법으로 아밀로이드 페트(PET) 영상을 통한 진단 방법이 있다. 페트(PET)는 양전자방출단층촬영으로서, 환자에게 방사선을 방출하는 검사약을 주사하고 그 약이 방출하는 방사선을 외부에서 검출해 몸속을 촬영하는 방법이다. 검사약으로는 아밀로이드 베타에 달라 붙기 쉬운 화합물을 사용해 투여함으로써 아밀로이드 베타에만 표지를 붙일 수 있다. 그 결과, 뇌의 어느 부위에 얼마만큼의 아밀로이드 베타가 쌓여 있는지를 영상으로 확인할 수 있고, 축척 부위와 양을 분석하여 알츠하이머병 환자를 감별하는 데 활용하고 있다.
아밀로이드 페트(PET) 영상을 통한 진단 방법은 아밀로이드 표준섭취계수율(SUVR)을 이용하는 방식이 대표적이다. 아밀로이드 표준섭취계수율(SUVR)은 동일한 아밀로이드 페트 영상(타겟 및 기준 영역) 내의 2개의 상이한 영역으로부터의 아밀로이드 침착 정도(SUV: Standardized uptake value)의 비율을 나타내며, 아밀로이드 침착 정도(SUV)는 주입된 방사능의 전신 농도 대비 이미지 방사능 농도의 비율을 나타낼 수 있다.
이러한 아밀로이드 표준섭취계수율(SUVR)은 알츠하이머 병의 진행을 판단하기 위한 주요한 자료로서 이용되고 있다. 예를 들어 페트(PET) 이미지, 인지 검사, 등과 같은 데이터를 수집하고 검증 및 활용하여 연구하는 단체인 ADNI(Alzheimer Disease Neuroimaging Initiative)는 베타 아밀로이드 양성 및 음성을 정량적으로 분류하기 위한 기준으로서, florbetapir 추적자를 기준으로 하여 SUVR 값 약 1.10을 제안하고 있다. 이때, 1.10이라는 값은 55세 미만의 21명의 통제군으로부터 얻은 아밀로이드 표준섭취계수율(SUVR) 분포의 상위 5%에 대한 신뢰 한계값을 나타낸다. 즉, ADNI는 아밀로이드 페트 영상의 분석을 통해 아밀로이드 섭취계수율(SUVR) 1.10을 기준으로 아밀로이드 양성 또는 음성 여부를 판별할 것을 제안한다.
그러나, 종래의 아밀로이드 페트 영상을 이용한 진단 결과로는 아밀로이드 양성 또는 음성 여부만을 파악할 수 있으며, 치매 양성 및 음성을 판정하기 위한 추가적인 정보를 제공하지 못하는 한계가 있다. 또한, 아밀로이드 양성 또는 음성 판단의 경계값 주변에 표준섭취계수율이 분포하는 경우에, 치매 진단을 수행하는 의사들에게 보다 유용한 정보를 제공하지 못하는 한계가 있다.
[선행기술문헌]
[비특허문헌]
1. Tanveer, Muhammad, et al. "Machine learning techniques for the diagnosis of Alzheimer's disease: A review." ACM Transactions on Multimedia Computing, Communications, and Applications (TOMM) 16.1s (2020): 1-35.
2. Jongkreangkrai, C., et al. "Computer-aided classification of Alzheimer's disease based on support vector machine with combination of cerebral image features in MRI." Journal of physics: conference series. Vol. 694. No. 1. IOP Publishing, 2016.
[선행기술문헌]
[비특허문헌]
1. Tanveer, Muhammad, et al. "Machine learning techniques for the diagnosis of Alzheimer's disease: A review." ACM Transactions on Multimedia Computing, Communications, and Applications (TOMM) 16.1s (2020): 1-35.
2. Jongkreangkrai, C., et al. "Computer-aided classification of Alzheimer's disease based on support vector machine with combination of cerebral image features in MRI." Journal of physics: conference series. Vol. 694. No. 1. IOP Publishing, 2016.
본 발명이 해결하고자 하는 과제는 PET 영상을 이용하여 치매 진단을 수행함에 있어서, 단순히 표준섭취계수율(SUVR)을 제공하는 것에 그치지 않고, 진단 대상의 표준섭취계수율(SUVR)이 정상인 그룹의 평균값 및 알츠하이머 피험자 그룹의 평균값에 근접한 정도를 함께 나타내는 가중 표준섭취계수율을 함께 제공함으로써 치매 진단에 필요한 다양한 정보를 제공하는 치매 진단에 필요한 정보 제공 장치 및 방법을 제공하는 것이다.
상술한 과제를 해결하기 위한 본 발명의 바람직한 일 실시예에 따른, 프로세서 및 소정의 명령어들을 저장하는 메모리를 포함하는 치매 진단에 필요한 정보 제공 장치에서 수행되는 치매 진단에 필요한 정보 제공 방법은, (a) 진단 대상자 뇌 영상의 뇌 영역을 사전에 정의된 복수개로 분할한 영역(분할 영역) 각각에 대해서 표준섭취계수율(SUVR)을 계산하는 단계; (b) 상기 각 분할 영역의 표준섭취계수율을 각 분할 영역마다 사전에 정의된 표준 구간에 매핑하여 표준값을 구하는 단계; (c) 상기 표준값과 상기 표준섭취계수율을 이용하여 각 분할 영역에 대한 가중 표준섭취계수율(weighted SUVR)을 구하는 단계; 및 (d) 상기 각 분할 영역들의 상기 가중 표준섭취계수율을 사전에 학습된 머신 러닝 알고리즘에 적용하여 치매 진단을 수행하는 단계를 포함한다.
또한, 본 발명의 바람직한 다른 일 실시예에 따른 치매 진단에 필요한 정보 제공 방법에서, 상기 (a) 단계는, (a1) 진단 대상자의 MRI 영상에 포함된 뇌 영역을 사전에 정의된 복수개의 분할 영역으로 분할하고, 상기 진단 대상자의 PET 영상과 정합하는 단계; 및 (a2) 상기 정합된 영상중 상기 분할된 영역 각각에 대해서 표준섭취계수율(SUVR)을 계산하는 단계를 포함할 수 있다.
또한, 본 발명의 바람직한 다른 일 실시예에 따른 치매 진단에 필요한 정보 제공 방법에서, 상기 표준값은 상기 표준섭취계수율이 알츠하이머 피험자 그룹의 표준섭취계수율 평균값 및 정상인 그룹의 표준섭취계수율 평균값과의 근접 정도를 나타낼 수 있다.
또한, 본 발명의 바람직한 다른 일 실시예에 따른 치매 진단에 필요한 정보 제공 방법에서, 상기 표준 구간은 상기 복수의 분할 영역들 각각에 대응되는 영역들에 대한 알츠하이머 피험자 그룹의 표준섭취계수율 평균값과 정상인 그룹의 표준섭취계수율 평균값을, 일정한 간격의 양단으로 설정한 것일 수 있다.
또한, 본 발명의 바람직한 다른 일 실시예에 따른 치매 진단에 필요한 정보 제공 방법에서, 상기 표준 구간은, 정상인 그룹의 표준섭취계수율 평균값을 상기 변환식에 따라서 0에 대응되도록 변환하고, 알츠하이머 피험자 그룹의 표준섭취계수율 평균값을 소정의 변환식에 따라서 0보다 큰 소정수에 대응되도록 변환하여 생성된 구간이고, 상기 표준값은 상기 표준섭취계수율을 상기 변환식에 따라서 변환하여 구하는 것일 수 있다.
또한, 본 발명의 바람직한 다른 일 실시예에 따른 치매 진단에 필요한 정보 제공 방법에서, 상기 변환식은 
로 정의되고, 상기 A 는 알츠하이머 피험자 그룹의 표준섭취계수율 평균값을 나타내고, 상기 B 는 정상인 그룹의 표준섭취계수율 평균값을 나타내며, x는 변환 대상 파라미터를 나타낼 수 있다.
또한, 본 발명의 바람직한 다른 일 실시예에 따른 치매 진단에 필요한 정보 제공 방법에서, 상기 (c) 단계는, 각 분할 영역에 대해서, 상기 표준값과 상기 표준섭취계수율을 승산하여 각 분할 영역에 대한 가중 표준섭취계수율(weighted SUVR)을 구할 수 있다.
또한, 본 발명의 바람직한 다른 일 실시예에 따른 치매 진단에 필요한 정보 제공 방법에서, 상기 (d) 단계는, 치매 여부 및 치매 진단 확률 중 적어도 하나를 치매 진단 결과로서 출력할 수 있다.
한편, 상술한 기술적 과제를 해결하기 위한 본 발명의 바람직한 실시예에 따른 컴퓨터 프로그램은, 비일시적 저장매체에 저장되고, 프로세서를 포함하는 컴퓨터에서 실행되어, 상기한 치매 진단에 필요한 정보 제공 방법을 수행한다.
한편, 상술한 과제를 해결하기 위한 본 발명의 바람직한 실시예에 따른 치매 진단에 필요한 정보 제공 장치는, 프로세서 및 소정의 명령어들을 저장하는 메모리를 포함하는 치매 진단에 필요한 정보 제공 장치로서, 상기 메모리에 저장된 명령어들을 실행한 상기 프로세서는, (a) 진단 대상자 뇌 영상의 뇌 영역을 사전에 정의된 복수개의 분할 영역으로 분할한 분할 영역 각각에 대해서 표준섭취계수율(SUVR)을 계산하는 단계; (b) 상기 각 분할 영역의 표준섭취계수율을 각 분할 영역마다 사전에 정의된 표준 구간에 매핑하여 표준값을 구하는 단계; (c) 상기 표준값과 상기 표준섭취계수율을 이용하여 각 분할 영역에 대한 가중 표준섭취계수율(weighted SUVR)을 구하는 단계; 및 (d) 상기 각 분할 영역들의 상기 가중 표준섭취계수율을 사전에 학습된 머신 러닝 알고리즘에 적용하여 치매 진단을 수행하는 단계;를 수행한다.
또한, 본 발명의 바람직한 다른 실시예에 따른 치매 진단에 필요한 정보 제공 장치가 수행하는 상기 (a) 단계는, (a1) 진단 대상자의 MRI 영상에 포함된 뇌 영역을 사전에 정의된 복수개의 분할 영역으로 분할하고, 상기 진단 대상자의 PET 영상과 정합하는 단계; 및 (a2) 상기 정합된 영상중 상기 분할된 영역 각각에 대해서 표준섭취계수율(SUVR)을 계산하는 단계를 포함한다.
또한, 본 발명의 바람직한 다른 실시예에 따른 치매 진단에 필요한 정보 제공 장치에서, 상기 표준값은 상기 표준섭취계수율이 알츠하이머 피험자 그룹의 표준섭취계수율 평균값 및 정상인 그룹의 표준섭취계수율 평균값과의 근접 정도를 나타낼 수 있다.
또한, 본 발명의 바람직한 다른 실시예에 따른 치매 진단에 필요한 정보 제공 장치에서, 상기 표준 구간은 상기 복수의 분할 영역들 각각에 대응되는 영역들에 대한 알츠하이머 피험자 그룹의 표준섭취계수율 평균값과 정상인 그룹의 표준섭취계수율 평균값을, 일정한 간격의 양단으로 설정한 것일 수 있다.
또한, 본 발명의 바람직한 다른 실시예에 따른 치매 진단에 필요한 정보 제공 장치에서, 상기 표준 구간은, 정상인 그룹의 표준섭취계수율 평균값을 상기 변환식에 따라서 0에 대응되도록 변환하고, 알츠하이머 피험자 그룹의 표준섭취계수율 평균값을 소정의 변환식에 따라서 0보다 큰 소정수에 대응되도록 변환하여 생성된 구간이고, 상기 표준값은 상기 표준섭취계수율을 상기 변환식에 따라서 변환하여 구할 수 있다.
또한, 본 발명의 바람직한 다른 실시예에 따른 치매 진단에 필요한 정보 제공 장치에서, 상기 변환식은 
로 정의되고, 상기 A 는 알츠하이머 피험자 그룹의 표준섭취계수율 평균값을 나타내고, 상기 B 는 정상인 그룹의 표준섭취계수율 평균값을 나타내며, x는 변환 대상 파라미터를 나타내는 것일 수 있다.
또한, 본 발명의 바람직한 다른 실시예에 따른 치매 진단에 필요한 정보 제공 장치가 수행하는 상기 (c) 단계는, 각 분할 영역에 대해서, 상기 표준값과 상기 표준섭취계수율을 승산하여 각 분할 영역에 대한 가중 표준섭취계수율(weighted SUVR)을 구할 수 있다.
또한, 본 발명의 바람직한 다른 실시예에 따른 치매 진단에 필요한 정보 제공 장치가 수행하는 상기 (d) 단계는, 치매 여부 및 치매 진단 확률 중 적어도 하나를 치매 진단 결과로서 출력할 수 있다.
본 발명의 바람직한 실시예에 따른 치매 진단에 필요한 정보 제공 장치 및 방법은, 진단 대상자의 MRI 뇌 영상과 PET 뇌 영상을 입력받고, MRI 뇌 영상을 복수의 영역으로 분할한 후, PET 뇌 영상과 정합한다. 그리고, 정합 영상에서 각 분할 영역의 표준섭취계수율을 구하고, 각 분할 영역별로 진단 대상자의 표준섭취계수율과 사전에 저장된 알츠하이머 피험자 그룹의 표준섭취계수율 평균값 및 정상인 그룹의 표준섭취계수율 평균값과의 근접도를 나타내는 표준값을 구한다. 그 후, 각 분할 영역별로 진단 대상자의 표준섭취계수율과 표준값을 승산한 가중 표준섭취계수율을 제공하고, 사전에 학습된 머신 러닝 알고리즘에 적용하여 치매 진단을 수행함으로써, 단순히 절대적 수치의 표준섭취계수율만을 제공하는 종래 기술에 비해, 치매 진단에 필요한 다양한 정보를 제공할 수 있고, 치매 진단의 정확성을 향상시킬 수 있다.
도 1은 본 발명의 바람직한 실시예에 따른 치매 진단에 필요한 정보 제공 장치를 도시하는 도면이다.
도 2는 본 발명의 메모리에 저장되는 알츠하이머 그룹 데이터 및 정상인 그룹 데이터의 일 예를 표로 도시한 도면이다.
도 3은 본 발명의 바람직한 실시예에 따른 치매 진단에 필요한 정보 제공 방법을 설명하는 흐름도이다.
도 4는 치매 진단에 필요한 정보 제공 장치로 입력되는 MRI 뇌 영상 및 PET 뇌 영상의 일 예를 도시하는 도면이다.
도 5는 본 발명의 바람직한 실시예에 따른 뇌 영상의 분할 영역의 일 예를 도시하는 도면이다.
도 6은 본 발명의 바람직한 실시예에 따른 정합 영상의 일 예?? 도시하는 도면이다.
도 7은 본 발명의 바람직한 실시예에 따라서 알츠하이머 피험자 그룹과 정상인 그룹의 각 영역별 표준섭취계수율 평균값로부터 구해진 표준 구간과 이에 따라서 맵핑된 진단 대상자의 영역별 표준값을 설명하는 도면이다.
도 8은 본 발명의 바람직한 실시예에 따라서 알츠하이머 그룹 및 정상인 그룹의 각 분할 영역별 SUVR 평균값을 구하여 메모리에 저장하는 과정을 설명하는 흐름도이다.
도 2는 본 발명의 메모리에 저장되는 알츠하이머 그룹 데이터 및 정상인 그룹 데이터의 일 예를 표로 도시한 도면이다.
도 3은 본 발명의 바람직한 실시예에 따른 치매 진단에 필요한 정보 제공 방법을 설명하는 흐름도이다.
도 4는 치매 진단에 필요한 정보 제공 장치로 입력되는 MRI 뇌 영상 및 PET 뇌 영상의 일 예를 도시하는 도면이다.
도 5는 본 발명의 바람직한 실시예에 따른 뇌 영상의 분할 영역의 일 예를 도시하는 도면이다.
도 6은 본 발명의 바람직한 실시예에 따른 정합 영상의 일 예?? 도시하는 도면이다.
도 7은 본 발명의 바람직한 실시예에 따라서 알츠하이머 피험자 그룹과 정상인 그룹의 각 영역별 표준섭취계수율 평균값로부터 구해진 표준 구간과 이에 따라서 맵핑된 진단 대상자의 영역별 표준값을 설명하는 도면이다.
도 8은 본 발명의 바람직한 실시예에 따라서 알츠하이머 그룹 및 정상인 그룹의 각 분할 영역별 SUVR 평균값을 구하여 메모리에 저장하는 과정을 설명하는 흐름도이다.
이하, 도면을 참고하여 본 발명의 바람직한 실시예를 설명한다.
여기서, 본 발명의 상술한 목적, 특징들 및 장점은 첨부된 도면과 관련된 다 음의 상세한 설명을 통해 보다 분명해질 것이다. 다만, 본 발명은 다양한 변경을 가할 수 있고 여러가지 실시예들을 가질 수 있는 바, 이하에서는 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다.
명세서 전체에 걸쳐서 동일한 참조번호들은 원칙적으로 동일한 구성요소들을 나타낸다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
본 발명과 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제 1, 제 2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.
도 1은 본 발명의 바람직한 실시예에 따른 치매 진단에 필요한 정보 제공 장치(200)를 도시하는 도면이다.
도 1을 참고하면, 본 발명의 일 실시예에 따른 치매 진단에 필요한 정보 제공 장치(200)는 제 1 영상 획득 장치(110) 및 제 2 영상 획득 장치(120)와 유선 또는 무선 통신망을 통해서 연결되고, 제 1 영상 획득 장치(110) 및 제 2 영상 획득 장치(120)로부터 각각 MRI 영상 및 PET 영상을 수신한다.
본 발명의 바람직한 실시예에서, 제 1 영상 획득 장치(110)는 진단 대상자의 뇌 영역을 촬영하여 MRI 뇌 영상을 출력하는 MRI 영상 촬영 장치로 구현되고, 제 2 영상 획득 장치(120)는 진단 대상자의 뇌 영역을 촬영하여 PET 뇌 영상을 출력하는 PET 영상 촬영 장치로 구현되며, 치매 진단에 필요한 정보 제공 장치(200)는 MRI 뇌 영상과 PET 뇌 영상을 촬영과 동시에 실시간으로 수신할 수 있다.
또한, 제 1 영상 획득 장치(110) 및 제 2 영상 획득 장치(120)는 MRI 뇌 영상과 PET 뇌 영상을 촬영하여 내부에 저장하고, 치매 진단에 필요한 정보 제공 장치(200)가 진단 대상자의 MRI 뇌 영상 및 PET 뇌 영상을 각각 요청하면, 제 1 영상 획득 장치(110) 및 제 2 영상 획득 장치(120)가 치매 진단에 필요한 정보 제공 장치(200)로 진단 대상자의 MRI 뇌 영상 및 PET 뇌 영상을 제공할 수도 있다.
또한, 제 1 영상 획득 장치(110) 및 제 2 영상 획득 장치(120)는 사전에 생성된 다수의 진단 대상자의 MRI 뇌 영상과 PET 뇌 영상을 저장하는 데이터 베이스 서버 등으로 구현될 수도 있다.
여기서, MRI 뇌 영상은 T1 weighted MRI 영상인 것이 바람직하지만 이에 한정되는 것은 아니고, PET 뇌 영상은 아밀로이드 PET 영상일 수도 있고, 타우(Tau) PET 영상일 수도 있다.
또한, 본 발명의 바람직한 실시예에 따른 치매 진단에 필요한 정보 제공 장치(200)는 프로세서(240), 메모리(230), 입력부(210) 및 출력부(220)를 포함한다.
한편, 본 발명의 바람직한 실시예에 따른 메모리(230)는 프로세서(240)에 의해 실행 가능한 명령어들, 및 프로세서(240)에 의해 실행되는 프로그램들을 저장할 수 있고, 입/출력되는 데이터들을 저장할 수도 있다. 메모리(230)는 인터넷(internet)상에서 저장 매체의 기능을 수행하는 웹 스토리지(web storage) 또는 클라우드 서버로 대체 운영될 수도 있다.
본 발명의 메모리(230)를 그 내부에 저장되는 데이터에 따라서 개념적으로 구획하면, 메모리(230)는 프로그램 저장부(233), 알츠하이머 그룹 데이터 저장부(231), 정상인 그룹 데이터 저장부(232), 영역 분할 알고리즘(234), 치매 진단 알고리즘(235) 및 연산데이터 저장부(236)를 포함한다.
프로그램 저장부(233)는 프로세서(240)에 로딩되어, 도 3을 참조하여 후술하는 치매 진단에 필요한 정보 제공 방법을 수행하는 명령어들을 포함하는 프로그램을 저장한다.
알츠하이머 그룹 데이터 저장부(231)는 사전에 준비된 알츠하이머 그룹에 속하는 구성원들의 MRI 뇌 영상 및 PET 뇌 영상을 정합한 정합 영상을 저장하고, 정합 영상을 사전에 정의된 수의 영역들로 분할한 영상과 각 분할 영역에 대해서 생성된 SUVR 데이터를 저장할 수 있다. 또한, 알츠하이머 그룹 데이터 저장부(231)는 상기 분할된 각 뇌 영역별로, 알츠하이머 피험자 그룹 전체 구성원의 해당 영역의 SUVR의 평균값을 계산하여 저장할 수 있다.
도 2는 본 발명의 메모리(230)에 저장되는 알츠하이머 그룹 데이터 및 정상인 그룹 데이터의 일 예를 표로 도시한 도면이다.
도 2에 도시된 바와 같이, 알츠하이머 그룹에 M명(A1~AM)의 데이터가 저장되고, 각 구성원에 대해서, N개로 분할된 구성원의 뇌 영상 영역(R1~RN)에 대한 N 개의 SUVR 값(VA1R1~VA1RN,,,,VAMR1~VAMRN)이 저장되어 있다. 또한, 각 영역별로 각 구성원들의 해당 영역의 SUVR 평균값(AVAR1~AVARN)이 저장되어 있다. 따라서, 알츠하이머 그룹 데이터 저장부(231)에는 분할 영역 수에 해당하는, N개의 각 영역별 SUVR 평균값(AVAR1~AVARN)이 저장되어 있다.
본 발명의 바람직한 실시예에서는, 사전에 정의된 브레인 맵에 따라서 뇌 영상 영역이 97개의 영역들로 분할되고, 알츠하이머 그룹 데이터 저장부(231)에는 97개의 각 영역의 SUVR 평균값이 저장되어 있으나, 영역의 개수가 97개에 한정되는 것은 아니다.
또한, 본 발명의 치매 진단 과정에서는 각 영역별 SUVR 평균값만이 이용되므로, 알츠하이머 그룹 데이터 저장부(231)는 알츠하이머 구성원들의 뇌 영상들은 저장하지 않고, 사전에 정의된 수의 분할 영역들의 SUVR 평균값들(AVAR1~AVARN)만 저장할 수도 있다.
한편, 정상인 그룹 데이터 저장부(232)는 알츠하이머 그룹 데이터와 동일한 방식으로, 도 2에 도시된 바와 같이, 정상인 그룹에 속한 구성원들의 MRI 뇌 영상 및 PET 뇌 영상을 정합한 정합 영상 및 정합 영상을 사전에 정의된 수의 영역들로 분할한 영상을 저장할 수 있다. 또한, 정상인 그룹 데이터 저장부(232)는 전체 정상인 구성원(B1~BM)의 각 분할 영역(R1~RN)에 대해서 계산된 SUVR값(VB1R1~VB1RN,,,,VBMR1~VBMRN)을 저장할 수 있고, 분할된 각 뇌 영역별로, 정상인 그룹 전체 구성원의 해당 영역의 SUVR의 평균값(AVBR1~AVBRN)을 저장할 수 있다.
본 발명의 바람직한 실시예에서, 알츠하이머 그룹과 마찬가지로, 정상인 그룹에 대해서도, 사전에 정의된 브레인 맵에 따라서 뇌 영상 영역이 97개의 영역들로 분할되고, 97개의 각 영역의 SUVR 평균값이 저장되어 있으나, 분할 영역의 수가 97개에 한정되는 것은 아니다. 또한, 정상인 그룹 데이터 저장부(232)는 정상인 구성원들의 뇌 영상들은 저장하지 않고, 사전에 정의된 수의 분할 영역들의 SUVR 평균값들(AVBR1~AVBRN)만 저장할 수도 있다.
영역 분할 알고리즘(234)은 딥러닝 방식으로 학습되어, MRI 뇌 영상을 사전에 정의된 개수의 분할 영역들로 분할하도록 학습된 알고리즘으로서 저장된다.
치매 진단 알고리즘(235)은 머신러닝 방식으로 학습되어, 후술하는 각 영역별 가중 SUVR 값이 입력되면 이를 이용하여 치매 확률을 출력하도록 학습된 알고리즘으로서 저장된다.
한편, 치매 진단에 필요한 정보 제공 장치(200)의 입력부(210)는 마우스 및 키보드와 같은 전형적인 입력 수단으로 구현되어, 사용자로부터 설정 정보 및 선택 정보 등을 입력받아 프로세서(240)로 출력할 수 있다. 또한, 입력부(210)는 통신 모듈(미도시 됨)을 내부에 구비하여, 제 1 영상 획득 장치(110) 및 제 2 영상 획득 장치(120)로부터 유무선 통신망을 통해서 MRI 뇌 영상 및 PET 뇌 영상을 수신하여 메모리(220)에 저장할 수 있다.
출력부(220)는 모니터 및 프린터와 같은 전형적인 출력수단으로 구현되어 프로세서(240)에서 생성한 데이터를 사용자에게 표시할 수 있다.
본 발명의 바람직한 실시예에 따른 프로세서(240)는 메모리(230)에 저장된 명령어들을 실행함으로써, 도 3을 참조하여 후술하는 치매 진단에 필요한 정보 제공 방법의 각 단계를 수행한다.
도 3은 본 발명의 바람직한 실시예에 따른 치매 진단에 필요한 정보 제공 방법을 설명하는 흐름도이다. 도 3을 더 참조하여, 본 발명 프로세서(240)의 처리 동작과, 본 발명의 바람직한 실시예에 따라서 프로세서(240)의 의해서 수행되는 치매 진단에 필요한 정보 제공 방법을 설명한다.
먼저, 본 발명의 메모리(230)에는 상술한 바와 같이, 알츠하이머 그룹 및 정상인 그룹의 뇌 영역별 SUVR 데이터가 저장되어 있다(S310). 메모리(230)에 저장된 알츠하이머 그룹 및 정상인 그룹의 뇌 영역별 SUVR 데이터의 일 예는, 도 2를 참조하여 상술한 바와 같다.
그 후, 치매 진단에 필요한 정보 제공 장치(200)의 프로세서(240)는 치매 진단 대상자의 MRI 뇌 영상 및 PET 뇌 영상을 입력받아, 뇌 영상의 뇌 영역을 사전에 정의된 복수개의 영역으로 분할하고, 분할 영역 각각에 대해서 SUVR을 생성한다(S320).
제 S320 단계를 보다 구체적으로 설명하면, 도 4의 (a) 및 (b)에 도시된 바와 같이, 프로세서(240)는 제 1 영상 획득 장치(110)로부터 진단 대상자의 MRI 뇌 영상을 입력받고, 제 2 영상 획득 장치(120)로부터 진단 대상자의 PET 뇌 영상을 입력받는다(S321). 이 때, MRI 뇌 영상은 T1 weighted MRI 뇌 영상인 것이 바람직하고, PET 뇌 영상은 필요에 따라서 아밀로이드 PET 영상일 수도 있고, 타우 PET 영상일 수도 있다.
프로세서(240)는 메모리(230)에 저장된 딥러닝 기반의 영역 분할 알고리즘을 이용하여, MRI 뇌 영상을 사전에 정의된 복수의 영역(도 5 참조)으로 분할한다(S323). 상술한 바와 같이, 본 발명의 바람직한 실시예에서, 프로세서(240)는 MRI 뇌 영상을 브레인 맵에 따라서 97개의 관심 영역으로 분할하였으나, 분할 방식과 분할 영역의 개수가 이에 한정되는 것은 아니다.
그 후, 프로세서(240)는 MRI 뇌 영상과 PET 뇌 영상을 강체 변환(Rigid transform)을 통하여, 두 영상이 같은 공간에 위치하도록 영상 정합을 수행한다(S325). 도 6은 MRI 뇌 영상과 PET 뇌 영상이 정합된 영상의 일 예를 도시한다. 도 6에 도시된 바와 같이, 프로세서(240)는, 정합된 영상에서, MRI 뇌 영상의 분할 영역을 통해서, PET 뇌 영상에서 분할 영역에 대응되는 영역들을 확인할 수 있다.
프로세서(240)는 각 분할 영역별로 표준섭취계수율(Standardized Uptake Value Ratio, SUVR)을 생성한다(S327).
표준섭취계수율(SUVR)은 동일한 아밀로이드(또는 타우) PET 영상(타겟 및 기준 영역) 내의 2개의 상이한 영역으로부터의 아밀로이드(또는 타우) 침착 정도(SUV: Standardized uptake value)의 비율을 나타내며, 아밀로이드(또는 타우) 침착 정도(SUV)는 주입된 방사능의 전신 농도 대비 이미지 방사능 농도의 비율을 나타낼 수 있다. 표준섭취계수율(SUVR)을 구하는 방식은 본 발명의 기술 분야에 공지된 기술이므로 구체적인 설명은 생략한다.
제 S327 단계에서, 각 분할 영역(R1~RN)별로 진단 대상자(Subject)의 표준 섭취 계수율(SUVR)이 구해지면, 분할 영역(R1~RN)별 표준 섭취 계수율(VSR1~VSRN)은 메모리(230)에 저장된다.
다음으로, 프로세서(240)는 진단 대상자의 각 분할 영역별 표준 섭취 계수율(VSR1~VSRN)을 각 분할 영역별 표준 구간에 매핑하여 표준값을 생성한다(S330).
여기서, 표준값은 진단 대상자의 각 분할 영역별 표준섭취계수율이 알츠하이머 피험자 그룹의 표준섭취계수율 평균값 및 정상인 그룹의 표준섭취계수율 평균값과의 근접 정도를 나타내는 것이다.
또한, 진단 대상자의 각 영역별 표준섭취계수율이 맵핑될 표준 구간은, 복수의 분할 영역들 각각에 대한 알츠하이머 피험자 그룹의 표준섭취계수율 평균값과 정상인 그룹의 표준섭취계수율 평균값을, 일정한 간격의 양단으로 설정한 것이다.
본 발명의 바람직한 실시예에서, 표준 구간은 알츠하이머 피험자 그룹의 표준섭취계수율 평균값을 소정의 변환식에 따라서 100에 대응되도록 변환하고, 정상인 그룹의 표준섭취계수율 평균값을 상기 변환식에 따라서 0에 대응되도록 변환하여 생성된 구간이고, 진단 대상자의 각 영역별 표준섭취계수율의 표준값은 동일한 변환식에 따라서 변환하여 구해진 값이다. 이 때, 변환식은 아래의 수학식 1과 같이 정의될 수 있다.
상기 수학식 1에서, A 는 알츠하이머 피험자 그룹의 표준섭취계수율 평균값을 나타내고, B 는 정상인 그룹의 표준섭취계수율 평균값을 나타내며, x는 변환 대상 파라미터인 진단 대상자의 SUVR을 나타낸다.
도 7은 본 발명의 바람직한 실시예에 따라서 알츠하이머 피험자 그룹과 정상인 그룹의 각 영역별 표준섭취계수율 평균값로부터 구해진 표준 구간과 이에 따라서 맵핑된 진단 대상자의 영역별 표준값을 설명하는 도면이다.
도 7을 참조하면, 제 1 분할 영역(R1)의 알츠하이머 피험자 그룹의 평균값(AVAR1)은 2.0이고, 정상인 그룹의 평균값(AVBR1)은 0.6이며, 진단 대상자의 SUVR은 1.1이라고 가정하면, 분할 영역 R1 의 표준 구간에서, 정상인 그룹의 평균값(AVBR1) 0.6이 0에 대응되고, 알츠하이머 피험자 그룹의 평균값(AVAR1) 2.0이 100에 대응되며, 진단 대상자의 SUVR 1.1이 상기한 수학식 1에 따라서 35.7로 대응된다.
상기한 예에서, 진단 대상자의 분할 영역 R1 의 SUVR은 1.1로 PET 양성 및 음성을 판단하는 경계선에 있으나, 표준 구간으로 변환하면, 표준값이 50을 넘지 않아, 정상인 그룹에 더 가까우므로, PET 양성 및 음성을 판단함에 있어서 유용한 정보를 제공할 수 있게된다.
동일한 방식으로, 프로세서(240)는 나머지 분할 영역들(R2~RN) 각각에 대해서도 정상인 그룹의 평균값을 0으로 변환하고, 알츠하이머 피험자 그룹의 평균값을 100으로 변환하여 표준 구간을 생성하고, 치매 진단 대상자의 SUVR을 동일한 방식으로 변환하여 표준 구간에 맵핑되는 표준값을 생성한다.
그 후, 프로세서(240)는 각 영역별로, 진단 대상자의 표준값과 제 S327 단계에서 생성된 표준섭취계수율(SUVR)을 승산하여 가중 SUVR을 생성한다(S340).
가중 SUVR(Weighted SUVR)은 각 영역별로 구해진 SUVR과, 해당 영역의 SUVR이 알츠하이머 피험자 그룹의 SUVR 평균값과 정상인 그룹의 SUVR 평균값 중 어디어 더 가까운지 여부를 수치적으로 종합적으로 표현함으로써, 치매 진단에 있어서 보다 유용한 정보를 제공한다.
한편, 프로세서(240)는 각 영역별로 구해진 가중 SUVR들을, 사전에 학습된 치매 진단 머신러닝 알고리즘에 적용하여 치매 진단 결과를 생성하여 출력한다(S350).
제 S350 단계에서, 프로세서(240)는 각 영역별로 SUVR, 가중 SUVR, 치매 진단 결과를 함께 출력함으로써, 치매 진단을 수행하는 사용자에게 진단에 이용될 수 있는 다양한 정보를 제공할 수 있다.
한편, 상기한 예에서, 표준 구간을 0~100으로 설정하였으나, 실시예에 따라서는, 상기한 수학식 1을 변형하여, 알츠하이머 그룹의 SUVR 평균값을 1로 변환하도록 함으로써, 표준 구간을 0~1로 설정할 수도 있다.
도 8은 본 발명의 바람직한 실시예에 따라서 알츠하이머 그룹 및 정상인 그룹의 각 분할 영역별 SUVR 평균값을 구하여 메모리(230)에 저장하는 과정을 설명하는 흐름도이다.
알츠하이머 그룹 및 정상인 그룹의 각 분할 영역별 SUVR 평균값을 구하는 과정은, 대상이 알츠하이머 피험자 그룹에 속하는 구성원들과 정상인 그룹에 속하는 구성원들이라는 점을 제외하면, 상술한 제 S320 단계와 동일하다.
따라서, 도 8을 참조하여 전체적인 흐름만 간략하게 설명하면, 프로세서(240)는 제 1 영상 획득 장치(110)로부터 알츠하이머 피험자들 및 정상인들의 MRI 뇌 영상을 각각 입력받고, 제 2 영상 획득 장치(120)로부터 알츠하이머 피험자들 및 정상인들의 PET 뇌 영상을 입력받는다(S311). 이 때, MRI 뇌 영상은 T1 weighted MRI 뇌 영상인 것이 바람직하고, PET 뇌 영상은 필요에 따라서 아밀로이드 PET 영상일 수도 있고, 타우 PET 영상일 수도 있다.
프로세서(240)는 메모리(230)에 저장된 딥러닝 기반의 영역 분할 알고리즘을 이용하여, 도 5에 도시된 바와 같이, MRI 뇌 영상을 사전에 정의된 복수의 영역으로 분할한다(S313). 상술한 바와 같이, 본 발명의 바람직한 실시예에서, 프로세서(240)는 MRI 뇌 영상을 브레인 맵에 따라서 97개의 관심 영역으로 분할하였으나, 분할 방식과 분할 영역의 개수가 이에 한정되는 것은 아니다.
그 후, 프로세서(240)는 MRI 뇌 영상과 PET 뇌 영상을 강체 변환(Rigid transform)을 통하여, 두 영상이 같은 공간에 위치하도록 영상 정합을 수행한다(S315).
프로세서(240)는 각 분할 영역별로 알츠하이머 피험자들 및 정상인들의 표준섭취계수율(Standardized Uptake Value Ratio, SUVR)을 생성한다(S317).
그 후, 프로세서(240)는 각 분할 영역(R1~RN)별로, 알츠하이머 피험자 그룹 및 정상인 그룹의 표준 섭취 계수율의 평균값(AVAR1~AVARN 및 AVBR1~AVBRN)을 계산하여 메모리(230)에 저장한다(S319).
지금까지 설명한 본 발명의 바람직한 실시예에 따른, 치매 진단에 필요한 정보 제공 방법은, 컴퓨터에서 실행가능한 명령어로 구현되어 비일시적 저장매체에 저장된 컴퓨터 프로그램으로 구현될 수 있다.
저장매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 저장매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광데이터 저장장치 등이 있다. 또한 컴퓨터가 읽을 수 있는 저장매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
110 : 제 1 영상 획득 장치 120 : 제 2 영상 획득 장치
200 : 치매 진단에 필요한 정보 제공 장치 210 : 입력부
220 : 출력부 230 : 메모리
240 : 프로세서
200 : 치매 진단에 필요한 정보 제공 장치 210 : 입력부
220 : 출력부 230 : 메모리
240 : 프로세서
Claims (17)
- 프로세서 및 소정의 명령어들을 저장하는 메모리를 포함하는 치매 진단에 필요한 정보 제공 장치에서 수행되는 치매 진단에 필요한 정보 제공 방법으로서,
(a) 진단 대상자 뇌 영상의 뇌 영역을 사전에 정의된 복수개로 분할한 영역(분할 영역) 각각에 대해서 표준섭취계수율(SUVR)을 계산하는 단계;
(b) 상기 각 분할 영역의 표준섭취계수율을 각 분할 영역마다 사전에 정의된 표준 구간에 매핑하여 표준값을 구하는 단계;
(c) 상기 표준값과 상기 표준섭취계수율을 이용하여 각 분할 영역에 대한 가중 표준섭취계수율(weighted SUVR)을 구하는 단계; 및
(d) 상기 각 분할 영역들의 상기 가중 표준섭취계수율을 사전에 학습된 머신 러닝 알고리즘에 적용하여 치매 진단을 수행하는 단계를 포함하고,
상기 (c) 단계는
각 분할 영역에 대해서, 상기 표준값과 상기 표준섭취계수율을 승산하여 각 분할 영역에 대한 가중 표준섭취계수율(weighted SUVR)을 구하는 것을 특징으로 하는 치매 진단에 필요한 정보 제공 방법.
- 제 1 항에 있어서, 상기 (a) 단계는
(a1) 진단 대상자의 MRI 영상에 포함된 뇌 영역을 사전에 정의된 복수개의 분할 영역으로 분할하고, 상기 진단 대상자의 PET 영상과 정합하는 단계; 및
(a2) 상기 정합된 영상중 상기 분할된 영역 각각에 대해서 표준섭취계수율(SUVR)을 계산하는 단계를 포함하는 것을 특징으로 하는 치매 진단에 필요한 정보 제공 방법.
- 제 1 항에 있어서,
상기 표준값은 상기 표준섭취계수율이 알츠하이머 피험자 그룹의 표준섭취계수율 평균값 및 정상인 그룹의 표준섭취계수율 평균값과의 근접 정도를 나타내는 것을 특징으로 하는 치매 진단에 필요한 정보 제공 방법.
- 제 1 항에 있어서,
상기 표준 구간은 상기 복수의 분할 영역들 각각에 대응되는 영역들에 대한 알츠하이머 피험자 그룹의 표준섭취계수율 평균값과 정상인 그룹의 표준섭취계수율 평균값을, 일정한 간격의 양단으로 설정한 것인 것을 특징으로 하는 치매 진단에 필요한 정보 제공 방법.
- 제 4 항에 있어서, 상기 표준 구간은
정상인 그룹의 표준섭취계수율 평균값을 사전에 정의된 변환식에 따라서 0에 대응되도록 변환하고, 알츠하이머 피험자 그룹의 표준섭취계수율 평균값을 상기 변환식에 따라서 0보다 큰 소정수에 대응되도록 변환하여 생성된 구간이고,
상기 표준값은 상기 표준섭취계수율을 상기 변환식에 따라서 변환하여 구하는 것을 특징으로 하는 치매 진단에 필요한 정보 제공 방법.
- 제 5 항에 있어서,
상기 변환식은로 정의되고,
상기 A 는 알츠하이머 피험자 그룹의 표준섭취계수율 평균값을 나타내고, 상기 B 는 정상인 그룹의 표준섭취계수율 평균값을 나타내며, x는 변환 대상 파라미터를 나타내는 것을 특징으로 하는 치매 진단에 필요한 정보 제공 방법.
- 삭제
- 제 1 항에 있어서, 상기 (d) 단계는
치매 여부 및 치매 진단 확률 중 적어도 하나를 치매 진단 결과로서 출력하는 것을 특징으로 하는 치매 진단에 필요한 정보 제공 방법.
- 비일시적 저장매체에 저장되고, 프로세서를 포함하는 컴퓨터에서 실행되어, 상기 제 1 항 내지 제 6 항 및 제 8 항 중 어느 한 항의 치매 진단에 필요한 정보 제공 방법을 수행하는 컴퓨터 프로그램.
- 프로세서 및 소정의 명령어들을 저장하는 메모리를 포함하는 치매 진단에 필요한 정보 제공 장치로서,
상기 메모리에 저장된 명령어들을 실행한 상기 프로세서는
(a) 진단 대상자 뇌 영상의 뇌 영역을 사전 에 정의된 복수개의 분할 영역으로 분할한 분할 영역 각각에 대해서 표준섭취계수율(SUVR)을 계산하는 단계;
(b) 상기 각 분할 영역의 표준섭취계수율을 각 분할 영역마다 사전에 정의된 표준 구간에 매핑하여 표준값을 구하는 단계;
(c) 상기 표준값과 상기 표준섭취계수율을 이용하여 각 분할 영역에 대한 가 중 표준섭취계수율(weighted SUVR)을 구하는 단계; 및
(d) 상기 각 분할 영역들의 상기 가중 표준섭취계 수율을 사전에 학습된 머신 러닝 알고리즘에 적용하여 치매 진단을 수행하는 단계;를 수행하고,
상기 (c) 단계는
각 분할 영역에 대해서, 상기 표준값과 상기 표준섭취계수율을 승산하여 각 분할 영역에 대한 가중 표준섭취계수율(weighted SUVR)을 구하는 것을 특징으로 하는 치매 진단에 필요한 정보 제공 장치.
- 제 10 항에 있어서, 상기 (a) 단계는
(a1) 진단 대상자의 MRI 영상에 포함된 뇌 영역을 사전에 정의된 복수개의 분할 영역으로 분할하고, 상기 진단 대상자의 PET 영상과 정합하는 단계; 및
(a2) 상기 정합된 영상중 상기 분할된 영역 각각에 대해서 표준섭취계수율(SUVR)을 계산하는 단계를 포함하는 것을 특징으로 하는 치매 진단에 필요한 정보 제공 장치.
- 제 10 항에 있어서,
상기 표준값은 상기 표준섭취계수율이 알츠하이머 피험자 그룹의 표준섭취계수율 평균값 및 정상인 그룹의 표준섭취계수율 평균값과의 근접 정도를 나타내는 것을 특징으로 하는 치매 진단에 필요한 정보 제공 장치.
- 제 10 항에 있어서,
상기 표준 구간은 상기 복수의 분할 영역들 각각에 대응되는 영역들에 대한 알츠하이머 피험자 그룹의 표준섭취계수율 평균값과 정상인 그룹의 표준섭취계수율 평균값을, 일정한 간격의 양단으로 설정한 것인 것을 특징으로 하는 치매 진단에 필요한 정보 제공 장치.
- 제 13 항에 있어서, 상기 표준 구간은
정상인 그룹의 표준섭취계수율 평균값을 사전에 정의된 변환식에 따라서 0에 대응되도록 변환하고, 알츠하이머 피험자 그룹의 표준섭취계수율 평균값을 상기 변환식에 따라서 0보다 큰 소정수에 대응되도록 변환하여 생성된 구간이고,
상기 표준값은 상기 표준섭취계수율을 상기 변환식에 따라서 변환하여 구하는 것을 특징으로 하는 치매 진단에 필요한 정보 제공 장치.
- 제 14 항에 있어서,
상기 변환식은로 정의되고,
상기 A 는 알츠하이머 피험자 그룹의 표준섭취계수율 평균값을 나타내고, 상기 B 는 정상인 그룹의 표준섭취계수율 평균값을 나타내며, x는 변환 대상 파라미터를 나타내는 것을 특징으로 하는 치매 진단에 필요한 정보 제공 장치.
- 삭제
- 제 10 항에 있어서, 상기 (d) 단계는
치매 여부 및 치매 진단 확률 중 적어도 하나를 치매 진단 결과로서 출력하는 것을 특징으로 하는 치매 진단에 필요한 정보 제공 장치.
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220023102A KR102451108B1 (ko) | 2022-02-22 | 2022-02-22 | 치매 진단에 필요한 정보 제공 방법 및 장치 |
| PCT/KR2022/013163 WO2023163302A1 (ko) | 2022-02-22 | 2022-09-02 | 치매 진단 보조 정보 제공 장치 및 방법 |
| JP2022177312A JP7492769B2 (ja) | 2022-02-22 | 2022-11-04 | 認知症診断に必要な情報の提供方法及び装置 |
| US18/054,068 US11832955B2 (en) | 2022-02-22 | 2022-11-09 | Method and apparatus for providing information needed for dementia diagnosis |
| EP22206526.0A EP4231311A1 (en) | 2022-02-22 | 2022-11-10 | Method and apparatus for providing information needed for dementia diagnosis |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220023102A KR102451108B1 (ko) | 2022-02-22 | 2022-02-22 | 치매 진단에 필요한 정보 제공 방법 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR102451108B1 true KR102451108B1 (ko) | 2022-10-06 |
| KR102451108B9 KR102451108B9 (ko) | 2022-12-05 |
Family
ID=83597350
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220023102A KR102451108B1 (ko) | 2022-02-22 | 2022-02-22 | 치매 진단에 필요한 정보 제공 방법 및 장치 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11832955B2 (ko) |
| EP (1) | EP4231311A1 (ko) |
| JP (1) | JP7492769B2 (ko) |
| KR (1) | KR102451108B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102644343B1 (ko) * | 2023-07-10 | 2024-03-06 | 주식회사 뉴큐어엠 | 기계학습 모델 기반 파킨슨병 진단을 위한 정보 제공 방법 및 시스템 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230148945A1 (en) * | 2019-05-04 | 2023-05-18 | Intraneuron, Llc | Dynamic neuropsychological assessment tool |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190041136A (ko) * | 2017-10-12 | 2019-04-22 | 전남대학교산학협력단 | Pet 뇌 영상 아밀로이드 측정을 위한 부피 기반 정량지표 분석 방법 및 컴퓨터 프로그램 |
| KR102321601B1 (ko) * | 2020-11-19 | 2021-11-05 | 주식회사 휴런 | 뇌 영상을 이용한 알츠하이머병의 생물학적 분류 장치 및 방법 |
| KR20220016570A (ko) * | 2020-08-03 | 2022-02-10 | 사회복지법인 삼성생명공익재단 | Pet-ct 영상을 이용하는 알츠하이머 질환의 진단 방법 및 이의 장치 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9492114B2 (en) | 2004-06-18 | 2016-11-15 | Banner Health Systems, Inc. | Accelerated evaluation of treatments to prevent clinical onset of alzheimer's disease |
| US10751019B2 (en) | 2015-09-16 | 2020-08-25 | Adm Diagnostics, Inc. | Determining a brain condition using early time frame PET image analysis |
| KR102173197B1 (ko) * | 2018-05-21 | 2020-11-03 | 고려대학교 산학협력단 | 딥러닝을 기반으로 하는 아밀로이드 양성 또는 음성을 예측하기 위한 방법 및 장치 |
| EP3851036A4 (en) | 2018-09-12 | 2022-06-15 | Splink, Inc. | SYSTEM AND METHOD OF DIAGNOSTIC ASSISTANCE |
| JPWO2020218460A1 (ko) * | 2019-04-26 | 2020-10-29 |
-
2022
- 2022-02-22 KR KR1020220023102A patent/KR102451108B1/ko active IP Right Grant
- 2022-11-04 JP JP2022177312A patent/JP7492769B2/ja active Active
- 2022-11-09 US US18/054,068 patent/US11832955B2/en active Active
- 2022-11-10 EP EP22206526.0A patent/EP4231311A1/en active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190041136A (ko) * | 2017-10-12 | 2019-04-22 | 전남대학교산학협력단 | Pet 뇌 영상 아밀로이드 측정을 위한 부피 기반 정량지표 분석 방법 및 컴퓨터 프로그램 |
| KR20220016570A (ko) * | 2020-08-03 | 2022-02-10 | 사회복지법인 삼성생명공익재단 | Pet-ct 영상을 이용하는 알츠하이머 질환의 진단 방법 및 이의 장치 |
| KR102321601B1 (ko) * | 2020-11-19 | 2021-11-05 | 주식회사 휴런 | 뇌 영상을 이용한 알츠하이머병의 생물학적 분류 장치 및 방법 |
Non-Patent Citations (1)
| Title |
|---|
| Jo Taeho 외. "Deep Learning in Alzheimer's Disease: Diagnostic Classification and Prognostic Prediction Using Neuroimaging Data" Frontiers in Aging Neuroscience. vol.11. 2019. 2019년 8월 20일.* * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102644343B1 (ko) * | 2023-07-10 | 2024-03-06 | 주식회사 뉴큐어엠 | 기계학습 모델 기반 파킨슨병 진단을 위한 정보 제공 방법 및 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11832955B2 (en) | 2023-12-05 |
| US20230263457A1 (en) | 2023-08-24 |
| EP4231311A1 (en) | 2023-08-23 |
| KR102451108B9 (ko) | 2022-12-05 |
| JP2023122528A (ja) | 2023-09-01 |
| JP7492769B2 (ja) | 2024-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tanveer et al. | Deep learning for brain age estimation: A systematic review | |
| US11210781B2 (en) | Methods and devices for reducing dimension of eigenvectors and diagnosing medical images | |
| CN108784655B (zh) | 针对医疗患者的快速评估和后果分析 | |
| JP7357927B2 (ja) | 診断支援システムおよび方法 | |
| KR102451108B1 (ko) | 치매 진단에 필요한 정보 제공 방법 및 장치 | |
| CN110619945B (zh) | 针对机器学习网络的输入的训练的量的表征 | |
| US11636378B2 (en) | Information processing apparatus, information processing method, and information processing system | |
| US20170052241A1 (en) | Tractography Framework With Magnetic Resonance Imaging For Brain Connectivity Analysis | |
| KR20190105452A (ko) | 딥러닝 기반 뇌 질환 진단 방법 | |
| US20050209519A1 (en) | Hierarchical modeling in medical abnormality detection | |
| Roy et al. | QuickNAT: segmenting MRI neuroanatomy in 20 seconds | |
| CN110840468A (zh) | 自闭症风险评估方法及装置、终端设备、存储介质 | |
| CN113366499A (zh) | 将群体描述符与经训练模型相关联 | |
| Camarasa et al. | A quantitative comparison of epistemic uncertainty maps applied to multi-class segmentation | |
| Combès et al. | A clinically-compatible workflow for computer-aided assessment of brain disease activity in multiple sclerosis patients | |
| JP7477906B2 (ja) | 認知症診断支援情報の提供装置及びその方法 | |
| Peterson et al. | Deep net detection and onset prediction of electrographic seizure patterns in responsive neurostimulation | |
| US20230309940A1 (en) | Explainable deep learning camera-agnostic diagnosis of obstructive coronary artery disease | |
| KR20230128210A (ko) | 치매 진단을 위한 의료 영상 회귀분석 장치 및 방법 | |
| US10282836B2 (en) | System and method of data analysis for detecting gross head motion from pet images | |
| JP6998760B2 (ja) | 脳画像解析装置、脳画像解析方法、及び脳画像解析プログラム | |
| CN114299046A (zh) | 一种医学图像配准方法、装置、设备及存储介质 | |
| Yildirim et al. | DeepMSWeb: a web-based decision support system via deep learning for automatic detection of MS lesions | |
| US12029575B2 (en) | Mesial temporal lobe epilepsy classifier based on volume and shape of subcortical brain regions | |
| EP4312229A1 (en) | Information processing apparatus, information processing method, program, trained model, and learning model generation method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| G170 | Re-publication after modification of scope of protection [patent] |