KR102456338B1 - 아밀로이드 베타 축적 예측 장치 및 방법 - Google Patents

아밀로이드 베타 축적 예측 장치 및 방법 Download PDF

Info

Publication number
KR102456338B1
KR102456338B1 KR1020210101714A KR20210101714A KR102456338B1 KR 102456338 B1 KR102456338 B1 KR 102456338B1 KR 1020210101714 A KR1020210101714 A KR 1020210101714A KR 20210101714 A KR20210101714 A KR 20210101714A KR 102456338 B1 KR102456338 B1 KR 102456338B1
Authority
KR
South Korea
Prior art keywords
pet
predicting
positivity
brain mri
mri images
Prior art date
Application number
KR1020210101714A
Other languages
English (en)
Inventor
박준영
박종성
Original Assignee
주식회사 뉴로젠
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 주식회사 뉴로젠 filed Critical 주식회사 뉴로젠
Priority to KR1020210101714A priority Critical patent/KR102456338B1/ko
Priority to PCT/KR2022/011042 priority patent/WO2023013959A1/ko
Application granted granted Critical
Publication of KR102456338B1 publication Critical patent/KR102456338B1/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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—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
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • 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
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Psychology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Technology (AREA)
  • Social Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Bioethics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Hospice & Palliative Care (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)

Abstract

PET 양성률 예측 장치 및 방법이 개시된다. 일 양상에 따른 PET 양성률 예측 장치는, 환자의 MRI 영상들 및 환자 정보를 획득하는 데이터 획득부; 및 상기 획득된 MRI 영상 및 상기 획득된 환자 정보를 기반으로 상기 환자의 PET 양성률을 예측하는 프로세서; 를 포함한다.

Description

아밀로이드 베타 축적 예측 장치 및 방법{APPARATUS AND METHOD FOR PREDICTING AMYLOID BETA DEPOSITION}
PET 양성률 예측 장치 및 방법에 관한 것이다.
경도인지장애(mild cognitive impairment, MCI)는 알츠하이머 병(alzheimer's disease, AD)의 전조 단계로 생각되고 있다. 일반적으로 경도인지장애를 판단하기 위해서는 아밀로이드 양전자 단층촬영(PET) 검사를 이용한다.
그러나 PET 검사는 경제적 요인(비용), 사회적 요인(가용성), 환자 또는 간병인의 태도(예컨대, 안전, 환자 및 간병인의 부담 및 방사선 노출 등) 등과 같은 비의학적 요인들에 의해 의료 실무상 임상적 유용성은 제한적이다.
따라서, PET 검사를 하지 않고, PET 양성률을 예측하는 기술이 필요하다.
공개특허공보 제10-2020-0073156호 (2020.06.23.)
PET 양성률 예측 장치 및 방법을 제공하는 것을 목적으로 한다.
일 양상에 따른 PET 양성률 예측 장치는, 환자의 MRI 영상들 및 환자 정보를 획득하는 데이터 획득부; 및 상기 획득된 MRI 영상 및 상기 획득된 환자 정보를 기반으로 상기 환자의 PET 양성률을 예측하는 프로세서; 를 포함할 수 있다.
상기 MRI 영상들은 2개의 타입의 MRI 영상들을 포함할 수 있다.
상기 MRI 영상들은 T1 영상들 및 FLAIR 영상들을 포함할 수 있다.
상기 환자 정보는 성별, 나이 및 교육수준을 포함할 수 있다.
상기 환자 정보는 신경심리검사 점수 및 APOE 유전자 검사 결과 중 적어도 하나를 더 포함할 수 있다.
상기 신경심리검사는 K-MMSE(Korean-Mini Mental State Examination), CDR(Clinical Dementia Rating), SVLT(Seoul Verbal Leaning Test), RCFT(Ray Complex Figure Test), K-CWST(Korean-Color Word Stroop Test), COWAT(Controlled Oral Word Association Test), K-BNT(Korean-Boston Naming Test), GDS(Geriatric Depression Scale), Barthel-ADL(Activities of Daily Living) 중 하나일 수 있다.
상기 프로세서는, 상기 획득된 뇌 MRI 영상들을 해부학적 부위별로 분할하는 영상 분할부; 상기 뇌 MRI 영상들 중에서 특정 해부학적 부위를 가장 많이 포함하는 뇌 MRI 영상을 선택하는 영상 선택부; 해부학적 부위별로 두께 및 부피를 산출하는 정량화부; 및 상기 선택된 뇌 MRI 영상, 해부학적 부위별 두께 및 부피, 상기 환자 정보를 기반으로 상기 환자의 PET 양성률을 예측하는 PET 양성률 예측부; 를 포함할 수 있다.
상기 특정 해부학적 부위는 해마일 수 있다.
상기 MRI 영상들은 2개의 타입의 MRI 영상들을 포함하고, 상기 영상 선택부는 각 타입별로 특정 해부학적 부위를 가장 많이 포함하는 뇌 MRI 영상을 선택할 수 있다.
상기 PET 양성률 예측부는 다수 환자의 뇌 MRI 영상, 각 해부학적 부위의 두께와 부피 및 환자 정보와, 이들에 대응하는 뇌 PET 검사 결과를 기반으로 학습된 PET 양성률 예측 모델을 이용하여, 상기 환자의 PET 양성률을 예측할 수 있다.
다른 양상에 따른 PET 양성률 예측 방법은, 환자의 MRI 영상들 및 환자 정보를 획득하는 단계; 및 상기 획득된 MRI 영상 및 상기 획득된 환자 정보를 기반으로 상기 환자의 PET 양성률을 예측하는 단계; 를 포함할 수 있다.
상기 MRI 영상들은 2개의 타입의 MRI 영상들을 포함할 수 있다.
상기 MRI 영상들은 T1 영상들 및 FLAIR 영상들을 포함할 수 있다.
상기 환자 정보는 성별, 나이 및 교육수준을 포함할 수 있다.
상기 환자 정보는 신경심리검사 점수 및 APOE 유전자 검사 결과 중 적어도 하나를 더 포함할 수 있다.
상기 신경심리검사는 K-MMSE(Korean-Mini Mental State Examination), CDR(Clinical Dementia Rating), SVLT(Seoul Verbal Leaning Test), RCFT(Ray Complex Figure Test), K-CWST(Korean-Color Word Stroop Test), COWAT(Controlled Oral Word Association Test), K-BNT(Korean-Boston Naming Test), GDS(Geriatric Depression Scale), Barthel-ADL(Activities of Daily Living) 중 하나일 수 있다.
상기 환자의 PET 양성률을 예측하는 단계는, 상기 획득된 뇌 MRI 영상들을 해부학적 부위별로 분할하는 단계; 상기 뇌 MRI 영상들 중에서 특정 해부학적 부위를 가장 많이 포함하는 뇌 MRI 영상을 선택하는 단계; 해부학적 부위별로 두께 및 부피를 산출하는 단계; 및 상기 선택된 뇌 MRI 영상, 해부학적 부위별 두께 및 부피, 상기 환자 정보를 기반으로 상기 환자의 PET 양성률을 예측하는 단계; 를 포함할 수 있다.
상기 특정 해부학적 부위는 해마일 수 있다.
상기 MRI 영상들은 2개의 타입의 MRI 영상들을 포함하고, 상기 뇌 MRI 영상을 선택하는 단계는 각 타입별로 특정 해부학적 부위를 가장 많이 포함하는 뇌 MRI 영상을 선택할 수 있다.
상기 환자의 PET 양성률을 예측하는 단계는 다수 환자의 뇌 MRI 영상, 각 해부학적 부위의 두께와 부피 및 환자 정보와, 이들에 대응하는 뇌 PET 검사 결과를 기반으로 학습된 PET 양성률 예측 모델을 이용하여, 상기 환자의 PET 양성률을 예측할 수 있다.
PET 검사를 하지 않고, MRI 영상들 및 환자 정보를 이용하여 간단하게 높은 정확도로 PET 양성률을 예측할 수 있다.
도 1은 예시적 실시예에 따른 PET 양성률 예측 장치를 도시한 도면이다.
도 2는 예시적 실시예에 따른 PET 양성률 예측 장치를 도시한 도면이다.
도 3은 예시적 실시예에 다른 PET 양성률 예측 방법을 도시한 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 일 실시예를 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
한편, 각 단계들에 있어, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않은 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 수행될 수 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하고, '포함하다' 또는 '가지다' 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주 기능별로 구분한 것에 불과하다. 즉, 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있다. 각 구성부는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
도 1은 예시적 실시예에 따른 PET 양성률 예측 장치를 도시한 도면이다.
예시적 실시예에 따른 PET 양성률 예측 장치는 PET(Positron Emission Tomography) 검사를 하지 않고, 환자의 뇌 MRI 영상들로부터 뇌 PET 검사 시 양성이 나올 가능성을 예측할 수 있는 장치로, 전자 장치에 탑재되거나 하우징으로 감싸져 별개의 장치로 형성될 수 있다. 전자 장치는 의료용 영상 장치, 전자의료기기, 데스크탑 컴퓨터, 노트북, 휴대폰, 스마트폰, 태블릿, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션 장치, MP3 플레이어, 디지털 카메라, 웨어러블 디바이스 등을 포함할 수 있으나 이에 한정되는 것은 아니다.
도 1을 참조하면, 예시적 실시예에 따른 PET 양성률 예측 장치(100)는 데이터 획득부(110) 및 프로세서(120)를 포함할 수 있다.
데이터 획득부(110)는 환자의 뇌 MRI 영상들 및 환자 정보를 획득할 수 있다. 여기서 MRI 영상들은 상이한 2개의 타입의 MRI 영상들, 예컨대, T1 영상들 및 FLAIR 영상들을 포함하고, 환자 정보는 성별, 나이, 교육수준, APOE 유전자 검사 결과, 신경심리검사 점수 등을 포함할 수 있다. 신경심리검사는 K-MMSE(Korean-Mini Mental State Examination), CDR(Clinical Dementia Rating), SVLT(Seoul Verbal Leaning Test), RCFT(Ray Complex Figure Test), K-CWST(Korean-Color Word Stroop Test), COWAT(Controlled Oral Word Association Test), K-BNT(Korean-Boston Naming Test), GDS(Geriatric Depression Scale), Barthel-ADL(Activities of Daily Living) 등을 포함하며, 바람직하게는 RCFT일 수 있다.
일 실시예에 따르면, 데이터 획득부(110)는 MRI 장치를 포함하며, MRI 장치를 이용하여 환자의 뇌 MRI 영상들을 촬영함으로써, 환자의 뇌 MRI 영상들을 획득할 수 있다.
다른 실시예에 따르면, 데이터 획득부(110)는 환자의 MRI 영상들을 촬영 및/또는 저장하는 외부 장치로부터 환자의 뇌 MRI 영상들을 수신함으로써, 환자의 뇌 MRI 영상들을 획득할 수 있다. 이때, 데이터 획득부(110)는 유무선 통신 기술을 이용할 수 있다. 여기서 무선 통신 기술은 블루투스(bluetooth) 통신, BLE(Bluetooth Low Energy) 통신, 근거리 무선 통신(Near Field Communication, NFC), WLAN 통신, 지그비(Zigbee) 통신, 적외선(Infrared Data Association, IrDA) 통신, WFD(Wi-Fi Direct) 통신, UWB(ultra-wideband) 통신, Ant+ 통신, WIFI 통신, RFID(Radio Frequency Identification) 통신, 3G 통신, 4G 통신 및 5G 통신 등을 포함할 수 있으나 이에 한정되는 것은 아니다.
또 다른 실시예에 따르면, 데이터 획득부(110)는 환자 정보를 저장하는 외부 장치로부터 환자 정보를 수신하거나, 소정의 입력 수단을 통하여 사용자로부터 환자 정보를 입력받음으로써, 환자 정보를 획득할 수 있다.
프로세서(120)는 PET 양성률 예측 장치(100)의 전반적인 동작을 제어할 수 있다.
프로세서(120)는 획득된 뇌 MRI 영상들 및 환자 정보를 기반으로 뇌 PET 검사 시 양성이 나올 가능성(이하, PET 양성률)을 예측할 수 있다. 이를 위해 프로세서(120)는 영상 전처리부(121), 영상 분할부(122), 영상 선택부(123), 정량화부(124) 및 PET 양성률 예측부(125)를 포함할 수 있다.
영상 전처리부(121)는 획득된 뇌 MRI 영상들을 전처리할 수 있다. 예를 들면, 영상 전처리부(121)는 영상 간 이질성에 따른 영향을 제거하고 정규화할 수 있는 다양한 영상 정규화 알고리즘을 이용하여 획득된 뇌 MRI 영상들을 전처리할 수 있다.
영상 분할부(122)는 획득된 뇌 MRI 영상들을 해부학적 부위별로 분할(segmentation)할 수 있다. 예시적 실시예에 따르면, 영상 분할부(122)는 영상 분할 모델을 이용하여 각 뇌 MRI 영상을 해부학적 부위별로 분할할 수 있다. 여기서 영상 분할 모델은 각 해부학적 부위로 분할된 학습용 뇌 MRI 영상들을 기반으로 학습을 통해 미리 생성될 수 있다. 영상 분할 모델은 머신러닝 모델 또는 딥러닝 모델 예를 들어, FCN(Fully Convolutional Network), DeepLab, U-Net, Attention U-Net, ReSeg, CRF(Conditional Random Field) 등을 포함할 수 있으나 이에 한정되는 것은 아니다.
영상 선택부(123)는 뇌 MRI 영상들 중에서 특정 해부학적 부위를 가장 많이 포함하는 뇌 MRI 영상을 선택할 수 있다. 여기서 특정 해부학적 부위는 해마일 수 있다.
일 실시예에 따르면, 영상 선택부(123)는 MRI 영상 타입별로 특정 해부학적 부위를 가장 많이 포함하는 뇌 MRI 영상을 선택할 수 있다. 예를 들어, 데이터 획득부(110)가 2가지 타입의 영상들 예컨대, T1 영상들 및 FLAIR 영상들을 획득한 경우, 영상 선택부(123)는 T1 영상들 중에서 특정 해부학적 부위를 가장 많이 포함하는 T1 영상을 선택하고, FLAIR 영상들 중에서 특정 해부학적 부위를 가장 많이 포함하는 FLAIR 영상을 선택할 수 있다.
정량화부(124)는 해부학적 부위별로 분할된 뇌 MRI 영상들을 분석하여 해부학적 부위별로 두께 및 부피를 산출할 수 있다. 예를 들어, 정량화부(124)는 각 해부학적 부위의 픽셀 개수, 픽셀 간격 및 영상 단면 두께 등을 이용하여 해부학적 부위별로 두께 및 부피를 산출할 수 있다.
PET 양성률 예측부(125)는 선택된 뇌 MRI 영상, 각 해부학적 부위의 두께와 부피, 및 환자 정보를 기반으로 환자의 PET 양성률을 예측할 수 있다. 예시적 실시예에 따르면, PET 양성률 예측부(125)는 PET 양성률 예측 모델을 이용하여 환자의 PET 양성률을 예측할 수 있다. 여기서 PET 양성률 예측 모델은 다수 환자의 뇌 MRI 영상, 각 해부학적 부위의 두께와 부피, 및 환자 정보와, 이들에 대응하는 뇌 PET 검사 결과(양성 또는 음성)를 기반으로 학습을 통해 미리 구축되어 내부 또는 외부 데이터베이스에 저장될 수 있다. PET 양성률 예측 모델은 머신러닝 모델 또는 딥러닝 모델, 예를 들어, 합성곱 신경망(Convolutional Neural Network, CNN), 심층 신경망(Deep Neural Network, DNN), 순환 신경망(Recurrent Neural Network, RNN) 등을 포함할 수 있으나 이에 한정되는 것은 아니다.
도 2는 예시적 실시예에 따른 PET 양성률 예측 장치를 도시한 도면이다.
도 2를 참조하면, 예시적 실시예에 따른 PET 양성률 예측 장치(200)는 데이터 획득부(110), 프로세서(120), 입력부(210), 저장부(220), 통신부(230) 및 출력부(240)를 포함할 수 있다. 여기서, 영상 획득부(110) 및 프로세서(120)는 도 1을 참조하여 전술한 바와 같으므로 그 상세한 설명은 생략하기로 한다.
입력부(210)는 사용자로부터 다양한 조작신호 및 정보를 입력 받을 수 있다. 일 실시예에 따르면, 입력부(210)는 키 패드(key pad), 돔 스위치(dome switch), 터치 패드(touch pad), 조그 휠(Jog wheel), 조그 스위치(Jog switch), 하드웨어/소프트웨어 버튼 등을 포함할 수 있다. 특히, 터치 패드가 디스플레이와 상호 레이어 구조를 이룰 경우, 이를 터치 스크린이라 부를 수 있다.
저장부(420)는 PET 양성률 예측 장치(200)의 동작을 위한 프로그램 또는 명령들을 저장할 수 있고, PET 양성률 예측 장치(200)에 입력되는 데이터 및 처리된 데이터를 저장할 수 있다. 또한, 저장부(220)는 영상 분할 모델 및 PET 양성률 예측 모델 등을 저장할 수 있다.
저장부(220)는 플래시 메모리 타입(flash memory type), 하드 디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예컨대, SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read Only Memory), PROM(Programmable Read Only Memory), 자기 메모리, 자기 디스크, 광디스크 등 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, PET 양성률 예측 장치(200)는 인터넷 상에서 저장부(220)의 저장 기능을 수행하는 웹 스토리지(web storage) 등 외부 저장 매체를 운영할 수도 있다.
통신부(230)는 외부 장치와 통신을 수행할 수 있다. 예컨대, 통신부(230)는 PET 양성률 예측 장치(200)에 입력된 데이터, 저장된 데이터, 처리된 데이터 등을 외부 장치로 전송하거나, 외부 장치로부터 PET 양성률을 예측하기 위한 다양한 데이터를 수신할 수 있다.
이때, 외부 장치는 PET 양성률 예측 장치(200)에 입력된 데이터, 저장된 데이터, 처리된 데이터 등을 사용하는 의료 장비, 결과물을 출력하기 위한 프린트 또는 디스플레이 장치일 수도 있다. 이외에도 외부 장치는 디지털 TV, 데스크탑 컴퓨터, 휴대폰, 스마트 폰, 태블릿, 노트북, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션 장치, MP3 플레이어, 디지털 카메라, 웨어러블 디바이스 등일 수 있으나, 이에 제한되지 않는다.
통신부(230)는 유무선 통신 기술을 이용하여 외부 장치와 통신할 수 있다. 이때 무선 통신 기술은 블루투스(bluetooth) 통신, BLE(Bluetooth Low Energy) 통신, 근거리 무선 통신(Near Field Communication, NFC), WLAN 통신, 지그비(Zigbee) 통신, 적외선(Infrared Data Association, IrDA) 통신, WFD(Wi-Fi Direct) 통신, UWB(ultra-wideband) 통신, Ant+ 통신, WIFI 통신, RFID(Radio Frequency Identification) 통신, 3G 통신, 4G 통신 및 5G 통신 등을 포함할 수 있으나 이는 일 예에 불과할 뿐이며, 이에 한정되는 것은 아니다.
출력부(240)는 PET 양성률 예측 장치(200)에 입력된 데이터, 저장된 데이터, 처리된 데이터 등을 출력할 수 있다. 일 실시예에 따르면, 출력부(240)는 획득된 뇌 MRI 영상들 및 환자 정보와, PET 양성률 예측 결과 등을 청각적 방법, 시각적 방법 및 촉각적 방법 중 적어도 하나의 방법으로 출력할 수 있다. 이를 위해 출력부(240)는 디스플레이, 스피커, 진동기 등을 포함할 수 있다.
도 3은 예시적 실시예에 다른 PET 양성률 예측 방법을 도시한 도면이다.
도 3의 PET 양성률 예측 방법은 도 1 또는 도 2의 PET 양성률 예측 장치(100, 200)에 의해 수행될 수 있다.
도 3을 참조하면, PET 양성률 예측 장치는 환자의 뇌 MRI 영상들 및 환자 정보를 획득할 수 있다(310). 여기서 MRI 영상들은 상이한 2개의 타입의 MRI 영상들, 예컨대, T1 영상들 및 FLAIR 영상들을 포함하고, 환자 정보는 성별, 나이, 교육수준, APOE 유전자 검사결과, 신경심리검사 점수 등을 포함할 수 있다.
예를 들면, PET 양성률 예측 장치는 MRI 장치를 포함하며, MRI 장치를 이용하여 환자의 뇌 MRI 영상들을 촬영함으로써, 환자의 뇌 MRI 영상들을 획득할 수 있다. 다른 예를 들면, PET 양성률 예측 장치는 환자의 MRI 영상들을 촬영 및/또는 저장하는 외부 장치로부터 환자의 뇌 MRI 영상들을 수신함으로써, 환자의 뇌 MRI 영상들을 획득할 수 있다. 또 다른 예를 들면, PET 양성률 예측 장치는 환자 정보를 저장하는 외부 장치로부터 환자 정보를 수신하거나, 소정의 입력 수단을 통하여 사용자로부터 환자 정보를 입력받음으로써, 환자 정보를 획득할 수 있다.
PET 양성률 예측 장치는 획득된 뇌 MRI 영상들 및 환자 정보를 기반으로 PET 양성률을 예측할 수 있다(320).
구체적으로 PET 양성률 예측 장치는 획득된 뇌 MRI 영상들을 전처리할 수 있다(321). 예를 들면, PET 양성률 예측 장치는 다양한 영상 정규화 알고리즘을 이용하여 획득된 뇌 MRI 영상들을 전처리할 수 있다.
PET 양성률 예측 장치는 획득된 뇌 MRI 영상들을 해부학적 부위별로 분할(segmentation)할 수 있다(322). 예를 들어, PET 양성률 예측 장치는 영상 분할 모델을 이용하여 각 뇌 MRI 영상을 해부학적 부위별로 분할할 수 있다. 여기서 영상 분할 모델은 각 해부학적 부위로 분할된 학습용 뇌 MRI 영상들을 기반으로 학습을 통해 미리 생성될 수 있다.
PET 양성률 예측 장치는 뇌 MRI 영상들 중에서 특정 해부학적 부위를 가장 많이 포함하는 뇌 MRI 영상을 선택할 수 있다(323). 여기서 특정 해부학적 부위는 해마일 수 있다.
일 실시예에 따르면, PET 양성률 예측 장치는 MRI 영상 타입별로 특정 해부학적 부위를 가장 많이 포함하는 뇌 MRI 영상을 선택할 수 있다. 예를 들어, PET 양성률 예측 장치가 2가지 타입의 영상들 예컨대, T1 영상들 및 FLAIR 영상들을 획득한 경우, PET 양성률 예측 장치는 T1 영상들 중에서 특정 해부학적 부위를 가장 많이 포함하는 T1 영상을 선택하고, FLAIR 영상들 중에서 특정 해부학적 부위를 가장 많이 포함하는 FLAIR 영상을 선택할 수 있다.
PET 양성률 예측 장치는 해부학적 부위별로 분할된 뇌 MRI 영상들을 분석하여 해부학적 부위별로 두께 및 부피를 산출할 수 있다(324). 예를 들어, PET 양성률 예측 장치는 각 해부학적 부위의 픽셀 개수, 픽셀 간격 및 영상 단면 두께 등을 이용하여 해부학적 부위별로 두께 및 부피를 산출할 수 있다.
PET 양성률 예측 장치는 선택된 뇌 MRI 영상, 각 해부학적 부위의 두께와 부피, 및 환자 정보를 기반으로 환자의 PET 양성률을 예측할 수 있다(325). 예를 들어, PET 양성률 예측 장치는 PET 양성률 예측 모델을 이용하여 환자의 PET 양성률을 예측할 수 있다. 여기서 PET 양성률 예측 모델은 다수 환자의 뇌 MRI 영상, 각 해부학적 부위의 두께와 부피, 및 환자 정보와, 이들에 대응하는 뇌 PET 검사 결과(양성 또는 음성)를 기반으로 학습을 통해 미리 구축되어 내부 또는 외부 데이터베이스에 저장될 수 있다.
상술한 실시예들은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함할 수 있다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 디스크 등을 포함할 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드로 작성되고 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. 따라서, 본 발명의 범위는 전술한 실시예에 한정되지 않고 특허청구범위에 기재된 내용과 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.
100, 200: PET 양성률 예측 장치
110: 데이터 획득부
120: 프로세서
121: 영상 전처리부
122: 영상 분할부
123: 영상 선택부
124: 정량화부
125: PET 양성률 예측부
210: 입력부
220: 저장부
230: 통신부
240: 출력부

Claims (20)

  1. 환자의 뇌 MRI 영상들 및 환자 정보를 획득하는 데이터 획득부; 및
    상기 획득된 뇌 MRI 영상들 및 상기 획득된 환자 정보를 기반으로 상기 환자의 PET 양성률을 예측하는 프로세서; 를 포함하고,
    상기 프로세서는,
    상기 획득된 뇌 MRI 영상들을 해부학적 부위별로 분할하는 영상 분할부;
    상기 뇌 MRI 영상들 중에서 특정 해부학적 부위를 가장 많이 포함하는 뇌 MRI 영상을 선택하는 영상 선택부 - 상기 특정 해부학적 부위는 해마임 -;
    해부학적 부위별로 두께 및 부피를 산출하는 정량화부; 및
    상기 선택된 뇌 MRI 영상, 해부학적 부위별 두께 및 부피, 상기 환자 정보를 기반으로 상기 환자의 PET 양성률을 예측하는 PET 양성률 예측부; 를 포함하는,
    PET 양성률 예측 장치.
  2. 제1항에 있어서,
    상기 뇌 MRI 영상들은 2개의 타입의 MRI 영상들을 포함하는,
    PET 양성률 예측 장치.
  3. 제2항에 있어서,
    상기 뇌 MRI 영상들은 T1 영상들 및 FLAIR 영상들을 포함하는,
    PET 양성률 예측 장치.
  4. 제1항에 있어서,
    상기 환자 정보는 성별, 나이 및 교육수준을 포함하는,
    PET 양성률 예측 장치.
  5. 제4항에 있어서,
    상기 환자 정보는 신경심리검사 점수 및 APOE 유전자 검사결과 중 적어도 하나를 더 포함하는,
    PET 양성률 예측 장치.
  6. 제5항에 있어서,
    상기 신경심리검사는 K-MMSE(Korean-Mini Mental State Examination), CDR(Clinical Dementia Rating), SVLT(Seoul Verbal Leaning Test), RCFT(Ray Complex Figure Test), K-CWST(Korean-Color Word Stroop Test), COWAT(Controlled Oral Word Association Test), K-BNT(Korean-Boston Naming Test), GDS(Geriatric Depression Scale), Barthel-ADL(Activities of Daily Living) 중 하나인,
    PET 양성률 예측 장치.
  7. 삭제
  8. 삭제
  9. 삭제
  10. 제1항에 있어서,
    상기 PET 양성률 예측부는 다수 환자의 뇌 MRI 영상, 각 해부학적 부위의 두께와 부피 및 환자 정보와, 이들에 대응하는 뇌 PET 검사 결과를 기반으로 학습된 PET 양성률 예측 모델을 이용하여, 상기 환자의 PET 양성률을 예측하는,
    PET 양성률 예측 장치.
  11. 환자의 뇌 MRI 영상들 및 환자 정보를 획득하는 단계; 및
    상기 획득된 뇌 MRI 영상들 및 상기 획득된 환자 정보를 기반으로 상기 환자의 PET 양성률을 예측하는 단계; 를 포함하고,
    상기 환자의 PET 양성률을 예측하는 단계는,
    상기 획득된 뇌 MRI 영상들을 해부학적 부위별로 분할하는 단계;
    상기 뇌 MRI 영상들 중에서 특정 해부학적 부위를 가장 많이 포함하는 뇌 MRI 영상을 선택하는 단계 - 상기 특정 해부학적 부위는 해마임 -;
    해부학적 부위별로 두께 및 부피를 산출하는 단계; 및
    상기 선택된 뇌 MRI 영상, 해부학적 부위별 두께 및 부피, 상기 환자 정보를 기반으로 상기 환자의 PET 양성률을 예측하는 단계; 를 포함하는,
    PET 양성률 예측 방법.
  12. 제11항에 있어서,
    상기 뇌 MRI 영상들은 2개의 타입의 MRI 영상들을 포함하는,
    PET 양성률 예측 방법.
  13. 제12항에 있어서,
    상기 뇌 MRI 영상들은 T1 영상들 및 FLAIR 영상들을 포함하는,
    PET 양성률 예측 방법.
  14. 제11항에 있어서,
    상기 환자 정보는 성별, 나이 및 교육수준을 포함하는,
    PET 양성률 예측 방법.
  15. 제14항에 있어서,
    상기 환자 정보는 신경심리검사 점수 및 APOE 유전자 검사결과 중 적어도 하나를 더 포함하는,
    PET 양성률 예측 방법.
  16. 제15항에 있어서,
    상기 신경심리검사는 K-MMSE(Korean-Mini Mental State Examination), CDR(Clinical Dementia Rating), SVLT(Seoul Verbal Leaning Test), RCFT(Ray Complex Figure Test), K-CWST(Korean-Color Word Stroop Test), COWAT(Controlled Oral Word Association Test), K-BNT(Korean-Boston Naming Test), GDS(Geriatric Depression Scale), Barthel-ADL(Activities of Daily Living) 중 하나인,
    PET 양성률 예측 방법.
  17. 삭제
  18. 삭제
  19. 삭제
  20. 제11항에 있어서,
    상기 환자의 PET 양성률을 예측하는 단계는 다수 환자의 뇌 MRI 영상, 각 해부학적 부위의 두께와 부피 및 환자 정보와, 이들에 대응하는 뇌 PET 검사 결과를 기반으로 학습된 PET 양성률 예측 모델을 이용하여, 상기 환자의 PET 양성률을 예측하는,
    PET 양성률 예측 방법.
KR1020210101714A 2021-08-03 2021-08-03 아밀로이드 베타 축적 예측 장치 및 방법 KR102456338B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210101714A KR102456338B1 (ko) 2021-08-03 2021-08-03 아밀로이드 베타 축적 예측 장치 및 방법
PCT/KR2022/011042 WO2023013959A1 (ko) 2021-08-03 2022-07-27 아밀로이드 베타 축적 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210101714A KR102456338B1 (ko) 2021-08-03 2021-08-03 아밀로이드 베타 축적 예측 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102456338B1 true KR102456338B1 (ko) 2022-10-20

Family

ID=83804929

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210101714A KR102456338B1 (ko) 2021-08-03 2021-08-03 아밀로이드 베타 축적 예측 장치 및 방법

Country Status (2)

Country Link
KR (1) KR102456338B1 (ko)
WO (1) WO2023013959A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102615492B1 (ko) * 2022-10-28 2023-12-19 사회복지법인 삼성생명공익재단 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법 및 분석장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180097214A (ko) * 2017-02-23 2018-08-31 고려대학교 산학협력단 딥러닝을 사용하여 재발 부위를 예측하고, pet 이미지를 생성하는 방법과 장치
KR20190135908A (ko) * 2019-02-01 2019-12-09 (주)제이엘케이인스펙션 인공지능 기반 치매 진단 방법 및 장치
KR20200073156A (ko) 2018-12-13 2020-06-23 서울대학교산학협력단 머신러닝 기반의 아밀로이드 베타 축적을 예측하는 방법 및 장치

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090024808A (ko) * 2006-06-21 2009-03-09 렉시코어 메디컬 테크놀로지 엘엘씨 치매 및 치매성 장애의 평가
KR101989695B1 (ko) * 2017-11-29 2019-06-14 서울대학교산학협력단 뇌 아밀로이드 축적 양성 예측 모델 및 이를 이용한 예측 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180097214A (ko) * 2017-02-23 2018-08-31 고려대학교 산학협력단 딥러닝을 사용하여 재발 부위를 예측하고, pet 이미지를 생성하는 방법과 장치
KR20200073156A (ko) 2018-12-13 2020-06-23 서울대학교산학협력단 머신러닝 기반의 아밀로이드 베타 축적을 예측하는 방법 및 장치
KR20190135908A (ko) * 2019-02-01 2019-12-09 (주)제이엘케이인스펙션 인공지능 기반 치매 진단 방법 및 장치

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102615492B1 (ko) * 2022-10-28 2023-12-19 사회복지법인 삼성생명공익재단 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법 및 분석장치
WO2024090677A1 (ko) * 2022-10-28 2024-05-02 사회복지법인 삼성생명공익재단 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법 및 분석장치

Also Published As

Publication number Publication date
WO2023013959A1 (ko) 2023-02-09

Similar Documents

Publication Publication Date Title
Harari et al. Using smartphones to collect behavioral data in psychological science: Opportunities, practical considerations, and challenges
Wang et al. Should health care demand interpretable artificial intelligence or accept “black box” medicine?
Andrejevic et al. Defining the sensor society
Balachandran et al. Comparison of population aging in Europe and Asia using a time-consistent and comparative aging measure
Duong et al. Automated caries detection with smartphone color photography using machine learning
AU2017251705B2 (en) Device-based participant matching
Banos et al. Mining minds: an innovative framework for personalized health and wellness support
US11900266B2 (en) Database systems and interactive user interfaces for dynamic conversational interactions
Baig et al. Clinical decision support systems in hospital care using ubiquitous devices: Current issues and challenges
US11355224B2 (en) Facilitating privacy preserving joint medical research
US11841923B2 (en) Processing method, model training method, means, and storage medium for spinal images
Roski et al. How artificial intelligence is changing health and healthcare
KR102456338B1 (ko) 아밀로이드 베타 축적 예측 장치 및 방법
US11816750B2 (en) System and method for enhanced curation of health applications
Botta et al. Measuring the size of a crowd using Instagram
US11606336B2 (en) Determining permissions in privacy firewalls
JP7044113B2 (ja) 提示方法、提示システム、及びプログラム
US20210133351A1 (en) Ownership Determination in Privacy Firewalls
Lamo et al. Towards adaptive technology in routine mental health care
US20180102186A1 (en) Method and system for managing electronic informed consent process in clinical trials
WO2016110500A1 (en) Scheduling interaction with a subject
CN105765567B (zh) 基于视觉选择的通信请求的生成
CN110942033B (zh) 用于推送信息的方法、装置、电子设备和计算机介质
CN111489260A (zh) 项目分类方法及装置、电子设备和存储介质
US20190295698A1 (en) Patient care integration system and methods

Legal Events

Date Code Title Description
AMND Amendment
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant