KR102461893B1 - 뇌질환 판단을 위한 최소 자승법 기반의 pet 영상 중기 데이터 예측 장치 및 그 방법 - Google Patents

뇌질환 판단을 위한 최소 자승법 기반의 pet 영상 중기 데이터 예측 장치 및 그 방법 Download PDF

Info

Publication number
KR102461893B1
KR102461893B1 KR1020200182066A KR20200182066A KR102461893B1 KR 102461893 B1 KR102461893 B1 KR 102461893B1 KR 1020200182066 A KR1020200182066 A KR 1020200182066A KR 20200182066 A KR20200182066 A KR 20200182066A KR 102461893 B1 KR102461893 B1 KR 102461893B1
Authority
KR
South Korea
Prior art keywords
function
time
value
coefficient
squares method
Prior art date
Application number
KR1020200182066A
Other languages
English (en)
Other versions
KR20220090993A (ko
Inventor
정영진
강도영
김준교
윤강준
김병천
Original Assignee
동아대학교 산학협력단
부산대학교 산학협력단
기초과학연구원
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 동아대학교 산학협력단, 부산대학교 산학협력단, 기초과학연구원 filed Critical 동아대학교 산학협력단
Priority to KR1020200182066A priority Critical patent/KR102461893B1/ko
Publication of KR20220090993A publication Critical patent/KR20220090993A/ko
Application granted granted Critical
Publication of KR102461893B1 publication Critical patent/KR102461893B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/037—Emission tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/501—Clinical applications involving diagnosis of head, e.g. neuroimaging, craniography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—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

Abstract

본 발명은 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 장치 및 그 방법에 관한 것으로서, 아밀로이드 제재가 투여된 진단 대상자의 뇌를 단층 촬영하는 PET 기법에 따라 상기 아밀로이드 제재가 투여된 시점으로부터 제거되는 시점까지의 상기 진단 대상자의 체내 흡수 시간 중에서 초기 구간 및 후기 구간에 대응하는 복수 개의 단층 촬영 이미지를 획득하는 이미지 획득부와, 상기 단층 촬영 이미지에서의 복수의 픽셀들 조합에 따른 단위 영역별로의 단위 면적에 대한 방사성 물질 흡수량 값에 기초하여 상기 진단 대상자에 대한 단위시간당 흡수율값에 대응하는 검사 데이터로 변환하는 데이터 변환부와, 기저장된 복수의 환자 및 정상인 각각에 대한 단위시간당 흡수율값에 대응하는 기준 데이터에 기초하여 소정의 근사 함수의 조합에 대한 최소 자승법을 적용함에 따라 후보군을 선별하는 후보군 선별 모듈과, 상기 변환된 검사 데이터를 상기 선별된 후보군에 적용하여 상기 중기 구간에 대응하는 단위시간당 흡수율값에 대한 예측값을 계산하는 예측값 산출 모듈을 포함하는 것을 특징으로 한다.
이에 따라, 뇌질환 판단을 위한 PET 검사의 전체 검사 시간을 단축시킬 수 있어 미동 상태로 연속 촬영해야 하는 검사자의 부담을 경감시킬 수 있는 효과가 있다.

Description

뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 장치 및 그 방법{PET IMAGE MEDIUM-TERM DATA PREDICTION APPARATUS BASED ON LEAST SQUARES METHOD FOR DETERMINING BRAIN DISEASE, AND METHOD THEREOF}
본 발명은 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 장치에 관한 것으로서, 더욱 상세하게는, 아밀로이드 제재의 투여로 인한 대상자의 체내 흡수 시간 중 초기 구간 및 후기 구간에 대한 복수 개의 단층 촬영 이미지를 PET 기법에 따라 획득한 경우에 머신러닝 기반의 최소 자승법을 활용하여 중기 구간에 대한 예측 데이터를 산출하는 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 장치에 관한 것이다.
퇴행성 뇌질환 중 특히 아밀로이드 양성 반응을 보이는 퇴행성 뇌질환은, 상태가 매우 악화되고 나서야 증상이 나타나고 그 증상 또한 정확한 판별이 불가능하여 조기에 발견하는 것이 어려운 실정이다.
아밀로이드 양성 반응을 보이는 퇴행성 뇌질환은 뇌세포의 손상으로 발생하는 대표적인 뇌질환으로 주로 노년기에 많이 생기며, 뇌세포는 다른 세포와는 달리 재생되지 않으므로 예방 또는 조기에 발견하여 치료하는 것이 가장 안전하고 효율적으로 치료할 수 있는 방법으로 알려져 있다.
최근에 이르러 초음파, CT 및 MRI 등 단층 촬영 장치와 같은 영상 의학적 검사 방법이 발달함에 따라 의학 영상의 분석 및 처리 기술에 의해 인체의 질환을 진단하는 장치의 중요성이 확대되고 있으며, 이에 따라 뇌를 단층 촬영한 이미지를 통해 치매를 일관적이고 정확한 진단을 할 필요가 있다.
한편, 이러한 뇌 단층 촬영 이미지를 얻기 위한 검사법 중에서는 양전자를 방출하는 방사성 의약품을 체내에 투여하여 인체 내부의 여러 조직에서 일어나고 있는 생화학적, 생리적 대사의 활성 상태에 대한 정보를 획득하는 양전자 방출 단층(PET) 기법을 적용한 검사 방식이 현재 가장 널리 사용되고 있다.
그러나, PET 검사를 수행하기 위해선 검사자에게 투여한 방사성 의약품이 체내에 흡수되는 시간, 예컨대, 평균적으로 1시간 정도의 시간 동안 미동 상태를 유지하면서 연속 촬영해야 하는데, 대부분의 환자의 경우엔 오랜 시간 동안의 촬영 자체에 대한 부담이 커서 검사를 진행하기 어려운 문제점이 있다.
KR 10-2016-0053220 A KR 10-2170968 B1
본 발명의 목적은 상기 문제점을 해결하기 위한 것으로서, 아밀로이드 제재의 투여로 인한 대상자의 체내 흡수 시간 중 초기 구간 및 후기 구간에 대한 복수 개의 단층 촬영 이미지를 PET 기법에 따라 획득한 경우에 머신러닝 기반의 최소 자승법을 활용하여 중기 구간에 대한 예측 데이터를 산출하는 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 장치를 제공하는 것을 목적으로 한다.
상기와 같은 목적을 달성하기 위한 본 발명의 일면에 따른 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 장치는, 아밀로이드 제재가 투여된 진단 대상자의 뇌를 단층 촬영하는 PET 기법에 따라 상기 아밀로이드 제재가 투여된 시점으로부터 제거되는 시점까지의 상기 진단 대상자의 체내 흡수 시간 중에서 초기 구간 및 후기 구간에 대응하는 복수 개의 단층 촬영 이미지를 획득하는 이미지 획득부와, 상기 단층 촬영 이미지에서의 복수의 픽셀들 조합에 따른 단위 영역별로의 단위 면적에 대한 방사성 물질 흡수량 값에 기초하여 상기 진단 대상자에 대한 단위시간당 흡수율값에 대응하는 검사 데이터로 변환하는 데이터 변환부와, 기저장된 복수의 환자 및 정상인 각각에 대한 단위시간당 흡수율값에 대응하는 기준 데이터에 기초하여 소정의 근사 함수의 조합에 대한 최소 자승법을 적용함에 따라 후보군을 선별하는 후보군 선별 모듈과, 상기 변환된 검사 데이터를 상기 선별된 후보군에 적용하여 상기 중기 구간에 대응하는 단위시간당 흡수율값에 대한 예측값을 계산하는 예측값 산출 모듈을 포함하는 것을 특징으로 한다.
또한, 본 발명의 다른 일면에 따른 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 방법은, 아밀로이드 제재가 투여된 진단 대상자의 뇌를 단층 촬영하는 PET 기법에 따라 상기 아밀로이드 제재가 투여된 시점으로부터 제거되는 시점까지의 상기 진단 대상자의 체내 흡수 시간 중에서 초기 구간 및 후기 구간에 대응하는 복수 개의 단층 촬영 이미지를 획득하는 단계와, 상기 단층 촬영 이미지에서의 복수의 픽셀들 조합에 따른 단위 영역별로의 단위면적에 대한 방사성 물질 흡수량 값에 기초하여 상기 진단 대상자에 대한 단위시간당 흡수율값에 대응하는 검사 데이터로 변환하는 단계와, 기저장된 복수의 환자 및 정상인 각각에 대한 단위시간당 흡수율값에 대응하는 기준 데이터에 기초하여 소정의 근사 함수의 조합에 대한 최소 자승법을 적용함에 따른 후보군을 선별하는 단계와, 상기 변환된 검사 데이터를 상기 선별된 후보군에 적용하여 상기 중기 구간에 대응하는 단위시간당 흡수율값에 대한 예측값을 계산하는 단계를 포함하는 것을 특징으로 한다.
본 발명에 따르면, 검사자에게 투여한 방사성 의약품의 체내 흡수 시간 중에서 초기 구간 및 후기 구간 동안 PET 기법에 따른 뇌 단층 촬영을 통해 획득한 검사 데이터를 기저장된 기준 데이터에 기초한 최적 피팅 함수에 적용하여 중기 구간에 대한 예측 데이터를 산출함으로써, 전체 검사 시간을 단축시킬 수 있어 미동 상태로 연속 촬영해야 하는 검사자의 부담을 경감시킬 수 있는 효과가 있다.
또한, 본 발명에 따르면, 머신러닝에 의한 데이터 학습 시 이용되는 복수의 환자 및 정상인에 대한 PET 영상에 기초한 기준 데이터의 표본이 작은 경우에도 최소 자승법을 이용한 텐서 최적화 기법을 통해 실제 수행한 검사 데이터와 비교하여 예측 정확도 및 설명력이 높은 예측 데이터를 산출해낼 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 장치의 구성을 나타낸 블록도이고,
도 2는 도 1의 이미지 획득부에 의해 초기 구간 및 후기 구간에 대응하는 복수 개의 단층 촬영 이미지를 획득하는 과정을 설명하기 위한 도면이고,
도 3은 도 1의 기준 데이터 DB부에 기저장된 복수의 환자 및 정상인 각각에 대한 기준 데이터의 기초가 되는 PET 영상의 일례를 설명하기 위한 도면이고,
도 4는 도 1의 기준 데이터 DB부에 기저장된 소정의 환자 및 정상인 각각에 대한 기준 데이터를 나타낸 그래프 영역 상에 상기 기준 데이터에 기초하여 본 발명에 따른 제1 결합 함수에 대한 최소 자승법을 이용한 텐서 최적화 기법에 따라 도출되는 함수 그래프를 중첩하여 표시한 일례를 나타낸 도면이고,
도 5는 도 1의 기준 데이터 DB부에 기저장된 복수의 환자 및 정상인 각각에 대한 기준 데이터의 오차에 의한 밀도에 대한 환자별 히스토그램 및 정상인별 히스토그램의 일례를 나타낸 도면이고,
도 6은 본 발명의 일 실시예에 따른 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 방법을 개략적으로 나타낸 순서도이고,
도 7은 도 6의 후보군 선별 단계 및 예측값 계산 단계를 더욱 상세히 나타낸 순서도이다.
이상과 같은 본 발명에 대한 해결하려는 과제, 과제의 해결수단, 발명의 효과를 포함한 구체적인 사항들은 다음에 기재할 실시예 및 도면에 포함되어 있다. 본 발명의 이점 및 특징, 그리고 그것을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예를 참조하면 명확해질 것이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
도 1은 본 발명의 일 실시예에 따른 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 장치의 구성을 나타낸 블록도이고, 도 2는 도 1의 이미지 획득부에 의해 초기 구간 및 후기 구간에 대응하는 복수 개의 단층 촬영 이미지를 획득하는 과정을 설명하기 위한 도면이고, 도 3은 도 1의 기준 데이터 DB부에 기저장된 복수의 환자 및 정상인 각각에 대한 기준 데이터의 기초가 되는 PET 영상의 일례를 설명하기 위한 도면이고, 도 4는 도 1의 기준 데이터 DB부에 기저장된 소정의 환자 및 정상인 각각에 대한 기준 데이터를 나타낸 그래프 영역 상에 상기 기준 데이터에 기초하여 본 발명에 따른 제1 결합 함수에 대한 최소 자승법을 이용한 텐서 최적화 기법에 따라 도출되는 함수 그래프를 중첩하여 표시한 일례를 나타낸 도면이고, 도 5는 도 1의 기준 데이터 DB부에 기저장된 복수의 환자 및 정상인 각각에 대한 기준 데이터의 오차에 의한 밀도에 대한 환자별 히스토그램 및 정상인별 히스토그램의 일례를 나타낸 도면이다.
이하, 전술한 도면들을 참조하여 본 발명의 일 실시예에 따른 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 장치에 대해 설명하도록 한다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 장치는 크게 이미지 획득부(100), 데이터 변환부(200), 후보군 선별 모듈(300) 및 예측값 산출 모듈(400)을 포함하여 구성된다.
이미지 획득부(100)는 아밀로이드 제재의 투여에 따른 진단 대상자의 체내 흡수 시간 중에서 초기 구간 및 후기 구간에 대응하는 복수 개의 단층 촬영 이미지를 획득하는 역할을 한다.
여기서, 이미지 획득부(100)는 아밀로이드 제재가 투여된 진단 대상자의 뇌를 단층 촬영하는 PET(Position Emission Tomography, 양전자 방출 단층 촬영) 기법에 따라 상기 아밀로이드 제재가 투여된 시점으로부터 제거되는 시점까지의 상기 진단 대상자의 체내 흡수 시간 중에서 초기 구간 및 후기 구간에 대응하는 복수 개의 단층 촬영 이미지를 획득할 수 있다.
구체적으로, 이미지 획득부(100)는 아밀로이드 PET 방사성 추적자(Amyloid PET Radiotracer)가 포함된 방사성 화합물에 기초한 아밀로이드 제재가 투여된 진단 대상자의 뇌를 단층 촬영함에 있어서, 도 2에 도시된 바와 같이, 상기 아밀로이드 제재의 투여 시점으로부터 기설정된 제1 시점(M1)까지의 초기 구간(SE)과 기설정된 제1 시점(M1) 이후의 제2 시점(M2)으로부터 상기 아밀로이드 제재가 제거되는 기설정된 제3 시점(M3)까지의 후기 구간(SL)에 대한 검사 데이터에 대응하는 복수 개의 단층 촬영 이미지를 획득하는 것일 수 있다.
예컨대, 상기 아밀로이드 제재가 제거되는 데 필요한 시간이 1시간(60분)일 때, 만일 초기 구간(SE)은 "0" 내지 "15분"이고 후기 구간(SL)은 "45분" 내지 "60분"으로 설정되는 경우, 제1 시점(M1)은 "15분", 제2 시점(M2)은 "45분", 제3 시점(M3)은 "60분"일 수 있다.
이러한 단층 촬영 이미지는 소정의 방사성의약품이 투여된 진단 대상자의 뇌 영역에서의 시간에 따른 상기 방사성의약품의 집적 및 제거율을 통해 대사량 또는 특정 물질의 절대값을 측정하기 위한 것으로서, 일반적으로 뇌 질환 여부를 판단하기 위해선 상기 방사성의약품의 주사 직후부터 상기 방사성의약품이 제거되는 시점까지인 체내 흡수 시간에 기초하여 평균적으로 약 1시간 정도의 연속 촬영을 통한 동적 이미지(dynamic image) 형태의 PET 영상을 획득해야만 하는 전제조건이 요구된다.
이에 본 발명에서는 추후 서술할 후보군 선별 모듈(300) 및 예측값 산출 모듈(400)의 특징을 이용하여 상기 체내 흡수 시간 중 초기 구간 및 후기 구간에 촬영한 PET 영상에 대응하는 단층 촬영 이미지만으로 중기 구간에 대한 데이터를 예측하는 방안을 제시하고 있다.
데이터 변환부(200)는 이미지 획득부(100)에 의해 획득된 단층 촬영 이미지에 기초하여 상기 진단 대상자에 대한 단위시간당 흡수율값에 대응하는 검사 데이터로 변환하는 역할을 한다.
여기서, 데이터 변환부(200)는 상기 획득된 단층 촬영 이미지에서의 복수의 픽셀들 조합에 따른 단위 영역별로의 단위 면적에 대한 방사성물질 흡수량값에 기초하여 상기 진단 대상자에 대한 단위시간당 흡수율값에 대응하는 검사 데이터로 변환하는 것일 수 있다.
이때, 데이터 변환부(200)는 상기 단층 촬영 이미지에 대하여 생물학적이나 물리적인 인자에 대응하도록 기설정된 관심영역(ROI; Region of Interest)에 기초하여 표준섭취계수(SUV; Standardized uptake values)를 측정함에 따라 검사 데이터로 변환할 수 있으며, 상기 표준섭취계수(SUV)는 인체 내에 주입한 방사능의약품이 균등하게 퍼져있다는 가정하에 종양 내에 얼마나 평균보다 높게 섭취되는지를 평가하는 방법의 일종으로 예컨대, 단위시간당 흡수율값에 대한 반정량적 지표를 나타낸다.
후보군 선별 모듈(300)은 기저장된 기준 데이터에 기초하여 상기 진단 대상자의 체내 흡수 시간 중 중기 구간에 대한 예측 데이터에 대응되는 최적의 근사 함수에 기초한 소정의 후보군을 선별하는 역할을 한다.
구체적으로, 후보군 선별 모듈(300)은 기저장된 복수의 환자 및 정상인 각각에 대한 단위시간당 흡수율값에 대응하는 기준 데이터를 기저장된 복수 개의 근사 함수를 조합하여 일차 결합한 제1 결합 함수에 적용한 후 최소 자승법을 적용함에 따라 산출되는 제1 계수에 기초하여 후보군을 선별하는 것일 수 있다.
여기서, 후보군 선별 모듈(300)은 도 1에 도시된 바와 같이 근사 함수 저장부(310), 합성 함수 생성부(320), 제1 결합 함수 생성부(330), 기준 데이터 DB부(340), 제1 계수 산출부(350) 및 후보군 선별부(360)를 포함할 수 있다.
근사 함수 저장부(310)는 시간에 대한 흡수율값에 대응하는 복수 개의 근사 함수에 대한 함수 정보를 유형별로 분류하여 적어도 하나 이상의 상기 근사 함수를 포함하는 함수 집합 형태로 저장한다.
구체적으로, 근사 함수 저장부(310)는, 기설정된 기준값 이상의 거듭제곱 급수를 가지는 다항함수에 대응하는 제1 근사함수를 적어도 하나 포함하는 제1 함수 집합(P)과, 상기 기준값 미만의 거듭제곱 급수를 가지는 분수함수에 대응하는 제2 근사함수를 적어도 하나 포함하는 제2 함수 집합(R)과, 상기 제1 근사함수와 상기 제2 근사함수 중 어느 하나를 지수값으로 가지는 자연상수에 대한 지수함수에 대응하는 제3 근사함수를 적어도 하나 포함하는 제3 함수 집합(E)과, 로그 함수에 대응하는 제4 근사함수를 적어도 하나 포함하는 제4 함수 집합(L)과, 삼각 함수에 대응하는 제5 근사함수를 적어도 하나 포함하는 제5 함수 집합(T)을 저장하는 것일 수 있다.
아래의 수학식 1 내지 5는 전술한 바에 기초하여 시간(x)에 대한 흡수율값에 대한 제1 함수 집합(P), 제2 함수 집합(R), 제3 함수 집합(E), 제4 함수 집합(L) 및 제5 함수 집합(T)의 일례를 나타낸 것이다.
Figure 112020140351077-pat00001
Figure 112020140351077-pat00002
Figure 112020140351077-pat00003
Figure 112020140351077-pat00004
Figure 112020140351077-pat00005
합성 함수 생성부(320)는 적어도 하나의 유형에 대응하는 기저장된 복수 개의 근사 함수를 조합한 복수 개의 합성 함수(h(x))를 생성한다.
여기서, 합성 함수 생성부(320)는 근사 함수 저장부(310)에 기저장된 제1 함수 집합(P), 제2 함수 집합(R), 제3 함수 집합(E), 제4 함수 집합(L) 및 제5 함수 집합(T)에 각각 포함되는 복수 개의 근사 함수 중에서 집합 유형에 관계없이 적어도 두 개를 조합하여 합성한 합성 함수(h(x))를 생성할 수 있다.
예컨대, 합성 함수 생성부(320)는 제1 근사함수인 '1'과 제1 근사함수인 '1'을 합성한 제1 합성함수인 '
Figure 112020140351077-pat00006
'와, 제1 근사함수인 '1'과 제4 근사함수인 '
Figure 112020140351077-pat00007
'를 합성한 제2 합성함수인 '
Figure 112020140351077-pat00008
'와, 제4 근사함수인 '
Figure 112020140351077-pat00009
'와 제4 근사함수인 '
Figure 112020140351077-pat00010
'를 합성한 제3 합성함수인 '
Figure 112020140351077-pat00011
'와, 제1 근사함수인 '
Figure 112020140351077-pat00012
'와 제4 근사함수인 '
Figure 112020140351077-pat00013
'를 합성한 제4 합성함수인 '
Figure 112020140351077-pat00014
'와, 제1 근사함수인 '1'과 제1 근사함수인 'x'를 합성한 제5 합성함수인 '
Figure 112020140351077-pat00015
'를 생성할 수 있다.
제1 결합 함수 생성부(330)는 복수 개의 합성 함수(h(x)) 각각에 대응하는 소정 계수(c)를 적용하여 일차 결합한 제1 결합 함수(f(x))를 생성한다.
이때, 전술한 제1 결합 함수(f(x))를 수식으로 정리하면 아래의 수학식 6과 같다.
Figure 112020140351077-pat00016
여기서, f(x)는 제1 결합 함수를 나타내고, hk(x)는 k번째 합성함수를 나타내고, ck는 k번째 합성함수에 대응하는 제1 계수를 나타낸다.
기준 데이터 DB부(340)는 소정의 데이터베이스로 마련되며, 복수의 환자 및 정상인 중 어느 하나에 대한 단위시간당 흡수율값에 대응하는 기준 데이터를 저장하는 역할을 한다.
여기서, 상기 기준 데이터는 사전에 복수의 환자 및 정상인을 대상으로 하여 아밀로이드 제재의 투여에 따른 체내 흡수 시간, 즉, 상기 아밀로이드 제재가 투여된 시점으로부터 제거되는 시점까지의 시간 동안 연속 촬영하여 획득한 복수 개의 단층 촬영 이미지에서의 복수의 픽셀들 조합에 따른 단위 영역별로의 단위 면적에 대한 방사성 물질 흡수량 값에 기초하여 단위시간당 흡수율값에 대응하도록 변환된 데이터를 포함하는 것일 수 있다.
예컨대, 도 1 및 도 2를 참조하면, 기준 데이터 DB부(340)에는 이미지 획득부(100)에 의해 복수의 환자 및 정상인 각각에 대한 아밀로이드 제재의 투여 시점으로부터 상기 아밀로이드 제재가 제거되는 기설정된 제3 시점(M3)까지의 전체 구간(S) 동안 연속 촬영한 결과로써 도 3에 도시된 바와 같은 복수 개의 단층 촬영 이미지를 획득한 후, 상기 획득된 단층 촬영 이미지에 기초하여 데이터 변환부(200)에서 단위시간당 흡수율값에 대응하도록 변환한 데이터가 상기 기준 데이터로 기저장된 것일 수 있다.
이와 관련하여, 15명의 환자와 15명의 정상인을 대상으로 하여 전술한 바에 따른 상기 기준 데이터를 획득하기 위한 파이썬(Phython) 언어를 이용한 제1 데이터 가공 코드의 일례를 아래와 같이 나타낼 수 있으며, 해당 코드의 구체적인 내용에 대해 설명하면 다음과 같다.
먼저, 'time'을 'column index'로 두고 'Concat 명령어'를 사용하여 정상인끼리 그리고 환자끼리 흡수율 평균(Mean [Bq/ml]) 데이터를 병합하여 총 2개의 데이터 프레임을 생성한다.
Figure 112020140351077-pat00017
Figure 112020140351077-pat00018
Figure 112020140351077-pat00019
다음으로, 'column index'의 'time'을 기존 초 단위에서 분 단위로 변경한다.
Figure 112020140351077-pat00020
다음으로, 16번째 행부터 30번째까지의 행(총 15개)과 61번째 행부터 75번째 행(총 15개)만 추출하여 새로운 데이터프레임을 생성한다.
Figure 112020140351077-pat00021
이는 투여 직후부터 2분 30초까지의 데이터, 즉, 검사자가 'Mean'의 최대값을 가질 때까지의 데이터는 무조건 값이 급격히 증가하는 형태를 나타내므로 뇌 질환 판단 시 고려되지 않는 무의미한 데이터에 불과하여 이를 배제하기 위한 것이며, 전술한 15명의 환자와 15명의 정상인 각자가 최대값을 가지는 시간은 아래의 표 1과 같이 정리된다.
정상인 최대값 시간(초) 환자 최대값 시간(초)
Normal 1 150 Patient 1 115
Normal 2 115 Patient 2 225
Normal 3 150 Patient 3 105
Normal 4 130 Patient 4 170
Normal 5 115 Patient 5 150
Normal 6 65 Patient 6 115
Normal 7 95 Patient 7 115
Normal 8 115 Patient 7 170
Normal 9 105 Patient 8 115
Normal 10 75 Patient 9 130
Normal 11 75 Patient 10 170
Normal 12 105 Patient 11 115
Normal 13 105 Patient 12 130
Normal 14 95 Patient 13 105
Normal 15 115 Patient 14 195
제1 계수 산출부(350)는 기준 데이터 DB부(340)에 기저장된 복수의 환자 및 정상인 중 어느 하나에 대한 단위시간당 흡수율값에 대응하는 기준 데이터(xi,fi)에 기초하여 제1 결합 함수(h(x))에 대한 최소 자승법(LSM; Least Square Method)을 적용함에 따라 흡수율값(fi)과 제1 결합 함수(h(x)) 간의 오차값이 가장 작은 제1 계수(c)를 산출한다.
여기서, 제1 계수 산출부(350)는 아래의 수학식 7에 기초하여 상기 기준 데이터와 제1 결합 함수(f(x))에 대한 최소 자승법(LSM)을 적용함에 따라 제1 계수(c)를 산출할 수 있다.
Figure 112020140351077-pat00022
여기서, xi는 시간을 나타내고, fi는 시간당 흡수율값을 나타내고, f(xi)는 제1 결합 함수를 나타내고, hk(xi)는 k번째 합성함수를 나타내고, ck는 k번째 합성함수에 대응하는 제1 계수를 나타낸다.
이때, 상기 최소 자승법(LSM)은 어떤 계의 해방정식을 근사적으로 구하는 방법의 일종으로, 근사적으로 구하려는 해와 실제 해의 오차의 제곱의 합이 최소가 되는 해를 구하는 방법일 수 있다.
이와 관련하여, 기준 데이터 DB부(340)에 기저장된 복수의 환자 및 정상인에 대한 기준 데이터에 기초하여 제1 결합 함수(f(x))에 대한 머신러닝(machine learing) 기반의 최소 자승법(LSM)을 이용한 회귀 분석(Regression analysis)의 일종인 텐서 최적화(tensor optimization) 기법에 따른 컴퓨터 인공지능 연산을 수행한 결과로써 아래의 수학식 8이 도출될 수 있다.
Figure 112020140351077-pat00023
여기서, x는 시간을 나타내고, y는 시간당 흡수율값을 나타내고, f(x)는 상기 텐서 최적화 기법에 따른 인공지능 연산 결과에 대응하는 제1 결합함수를 나타낸다.
예컨대, 첫번째 정상인(Normal_1)과 첫번째 환자(Patient_1) 각각에 대한 기준데이터(xi,fi)에 대한 그래프(41,43)와 이에 대한 회귀 분석 결과로써 도출되는 상기 수학식 8에 대응하는 피팅 함수 그래프(42,44)는 도 4에 도시된 바와 같이 나타낼 수 있다.
아래의 표 2는 상기 표 1에 기재된 15명의 환자와 15명의 정상인 각각에 대한 기준데이터에 기초하여 산출된 오차의 표준편차(STD), 절대오차(AE; Absolute Error), 상대오차(RE; Relative Error) 및 정확도(Accuracy)를 표로 정리하여 나타낸 것이다.
N.E
STD		 P.E.
STD		 Normal
AE		 Patient
AE		 Normal
RE		 Patient
RE		 Normal
Accuracy		 Patient
Accuracy
1 234.985 127.962 193.488 105.350 0.021 0.021 0.979 0.990
2 226.465 493.261 184.475 583.643 0.028 0.028 0.972 0.943
3 266.191 332.706 215.877 366.112 0.033 0.033 0.967 0.933
4 148.065 105.529 118.416 143.341 0.027 0.027 0.973 0.978
5 144.317 159.300 152.140 124.590 0.022 0.022 0.978 0.983
6 199.841 204.223 226.531 176.947 0.040 0.040 0.960 0.979
7 154.016 134.678 170.565 138.644 0.026 0.026 0.974 0.982
8 134.477 154.557 112.913 129.286 0.016 0.016 0.984 0.980
9 204.542 168.610 175.578 140.410 0.025 0.025 0.975 0.982
10 168.154 132.544 146.135 164.803 0.028 0.028 0.972 0.976
11 166.355 114.681 151.054 94.610 0.029 0.029 0.971 0.982
12 76.327 158.198 75.970 220.535 0.017 0.017 0.983 0.979
13 80.447 149.480 65.698 114.413 0.017 0.017 0.983 0.989
14 96.540 116.679 83.224 115.771 0.015 0.015 0.985 0.986
15 168.040 162.718 182.923 263.311 0.030 0.030 0.970 0.973
avg 164.584 181.008 150.333 192.118 0.025 0.025 0.975 0.976
여기서, N.E STD는 각 정상인에 대한 오차의 표준편차를 나타내고, P.E STD는 각 환자에 대한 오차의 표준편차를 나타내고, Normal AE는 각 정상인에 대한 절대오차를 나타내고, Patient AE는 각 환자에 대한 절대오차를 나타내고, Normal RE는 각 정상인에 대한 상대 오차를 나타내고, Patient RE는 각 환자에 대한 상대 오차를 나타내고, Normal Accuracy는 각 정상인에 대한 정확도를 나타내고, Patient Accuracy는 각 환자에 대한 정확도를 나타내고, avg는 항목별 평균값을 나타낸다.
또한, 아래의 표 3은 환자 및 정상인 각각에 대한 기준데이터에 기초한 결정계수(Coefficient of Determination; R2)를 표로 정리하여 나타낸 것이다.
Normal Patient
1 0.9994 0.9999
2 0.9987 0.9982
3 0.9991 0.9977
4 0.9985 0.9999
5 0.9994 0.9997
6 0.9988 0.9997
7 0.9996 0.9998
8 0.9996 0.9997
9 0.9994 0.9997
10 0.9989 0.9997
11 0.9989 0.9997
12 0.9998 0.9999
13 0.9998 0.9998
14 0.9998 0.9999
15 0.9995 0.9999
mean 0.9993 0.9995
std 0.0004 0.0006
여기서, Normal은 각 정상인에 대한 결정계수를 나타내고, Patient는 각 환자에 대한 결정계수를 나타내고, mean은 정상인별 평균값 또는 환자별 평균값을 나타내고, std는 정상인별 표준편차 또는 환자별 표준편차를 나타낸다.
이때, 상기 결정계수(R2)는 상기 수학식 8에 기초하여 산출된 피팅 함수인 회귀선(Regression line)의 성능을 측정하기 위하여 상기 회귀선이 실제 데이터를 얼마나 설명할 수 있는지(설명력)를 의미하는 지표값으로서, 일반적으로 0 내지 1 사이의 값을 가지며, 1에 가까운 값을 가질수록 실제 데이터가 상기 회귀선에 매우 밀접하게 분포하여 예측되는 값의 정밀도가 높아지므로 상기 설명력이 높은 것으로 판단하게 된다.
이 경우, 상기 표 3에 기재된 15명의 환자와 15명의 정상인 각각에 대응하여 도출된 본 발명에 따른 피팅 함수에 대한 결정계수는 정상인별 평균값이 '0.9993'이고 환자별 평균값이 '0.9995'이므로 높은 설명력을 가지는 것으로 판단할 수 있다.
따라서, 이러한 본 발명에 의하면, 머신러닝에 의한 데이터 학습 시 이용되는 복수의 환자 및 정상인에 대한 PET 영상에 기초한 기준 데이터의 표본이 작은 경우에도 최소 자승법을 이용한 텐서 최적화 기법을 통해 실제 수행한 검사 데이터와 비교하여 예측 정확도 및 설명력이 높은 예측 데이터를 산출해낼 수 있게 된다.
한편, 전술한 상기 제1 데이터 가공 코드와 마찬가지로 파이썬(Phython) 언어를 이용하여 상기 수학식 8에 기초하여 각 항에 대한 제1 계수(c)인 미정계수들(c0,c1,c2,c3,c4)을 구하기 위한 제2 데이터 가공 코드의 일례를 다음과 같이 나타낼 수 있다.
Figure 112020140351077-pat00024
아래의 표 4는 도 4에 도시된 첫번째 정상인(Normal_1)과 첫번째 환자(Patient_1) 각각에 대응하는 피팅 함수에서 제1 계수 산출부(350)에 의해 산출된 제1 계수(c)를 반영하여 나타낸 것이다.
검사자 피팅 함수
Normal 1
Figure 112020140351077-pat00025
Patient 1
Figure 112020140351077-pat00026
후보군 선별부(360)는 제1 계수 산출부(350)에 의해 최소 자승법(LSM)을 적용함에 따라 도출되는 피팅 함수에 대응하는 제1 결합 함수(f(x))에서 제1 계수(c)가 기설정된 임계값 이상인 경우를 후보군(g(x))으로 선별한다.
여기서, 후보군 선별부(360)는 상기 수학식 8에 기초한 피팅 함수에 대응하는 제1 결합 함수(f(x))의 각 항을 구성하는 제1 계수(ck)와 합성 함수(hk(x))를 곱한 값에 기초하여 후보군(g(x))을 선별할 수 있다.
이때, 0 또는 0에 근접한 기설정된 최소임계값 미만을 가지는 제1 계수(ck)에 대응하는 합성 함수(hk(x))는 상기 후보군에서 제외할 수 있으며, 이 경우, 후보군 선별부(360)는 상기 피팅 함수에 대응하는 제1 결합 함수(f(x))에서 상기 제외된 후보군을 뺀 나머지 항에 기초하여 후보군(g(x))을 선별할 수 있다.
예측값 산출 모듈(400)은 데이터 변환부(200)에 의해 변환된 검사 데이터를 후보군 선별 모듈(300)에 의해 선별된 후보군(g(x))에 적용한 결과에 따라 상기 진단 대상자의 체내 흡수 시간 중 중기 구간에 대응하는 단위시간당 흡수율값에 대한 예측값을 계산하는 역할을 한다.
구체적으로, 예측값 산출 모듈(400)은 후보군 선별부(360)에 의해 선별된 후보군을 일차 결합한 제2 결합 함수(b(x))를 생성하고, 데이터 변환부(200)에 의해 변환된 검사 데이터에 기초하여 제2 결합 함수(b(x))에 대한 최소 자승법(LSM)을 적용함에 따라 제2 계수(d)를 산출한 후, 상기 제2 계수 및 상기 제2 결합 함수에 기초하여 상기 진단 대상자의 체내 흡수 시간 중 중기 구간에 대응하는 단위시간당 흡수율값에 대한 예측값을 계산할 수 있다.
여기서, 예측값 산출 모듈(400)은 도 1에 도시된 바와 같이 제2 결합 함수 생성부(410), 제2 계수 산출부(420) 및 예측값 산출부(430)를 포함할 수 있다.
제2 결합 함수 생성부(410)는 후보군 선별부(360)에 의해 선별된 상기 후보군에 대응하는 함수(g(x))에 소정 계수(d)를 적용하여 일차 결합한 제2 결합 함수(b(x))를 생성한다.
이때, 전술한 제2 결합 함수(b(x))를 수식으로 정리하면 아래의 수학식 9와 같다.
Figure 112020140351077-pat00027
여기서, b(x)는 제2 결합 함수를 나타내고, gi(x)는 i번째 후보군에 대응하는 함수를 나타내고, di는 i번째 후보군에 대한 제2 계수를 나타낸다.
제2 계수 산출부(420)는 상기 아밀로이드 제재의 투여 시점으로부터 기설정된 제1 시점(M1)까지의 초기 구간(SE)과 기설정된 제1 시점(M1) 이후의 제2 시점(M2)으로부터 상기 아밀로이드 제재가 제거되는 기설정된 제3 시점(M3)까지의 후기 구간(SL)에 대한 단위시간당 흡수율값(ti)에 대응하는 검사 데이터에 기초하여 제2 결합 함수(b(x))에 대한 최소 자승법(LSM)을 적용함에 따라, 흡수율값(ti)과 제2 결합 함수(b(xi)) 간의 오차값이 가장 작은 제2 계수(d)를 산출한다.
여기서, 제2 계수 산출부(420)는 아래의 수학식 10에 기초하여 검사 데이터(xi,ti)와 제2 결합 함수(b(xi))에 대한 최소 자승법을 적용함에 따라 제2 계수(d)를 산출할 수 있다.
Figure 112020140351077-pat00028
여기서, xi는 검사데이터에서의 시간을 나타내고, ti는 검사데이터에서의 시간당 흡수율값을 나타내고, b(xi)는 제2 결합 함수를 나타내고, M1은 제1 시점, M2는 제2 시점, M3는 제3 시점을 나타낸다.
예측값 산출부(430)는 제2 계수 산출부(420)에 의해 산출된 제2 계수(d)와 상기 최소 자승법(LSM)을 적용한 결과에 대응하는 제2 결합 함수(b(x))에 기초하여 제1 시점(M1)과 제2 시점(M2) 사이의 중기 구간(SM)에 대한 단위시간당 흡수율값에 대응하는 예측값을 산출한다.
여기서, 예측값 산출부(430)는 아래의 수학식 11에 기초하여 제2 결합함수(b(x))에 중기 구간(M1,M1+1,...,M2) 내 소정 시점(j)에 대한 값을 적용함에 따라 해당 시점에 대한 흡수율값에 대응하는 예측값(tj)을 산출할 수 있다.
Figure 112020140351077-pat00029
이 경우, 검사자에게 투여한 방사성 의약품의 체내 흡수 시간 중에서 초기 구간 및 후기 구간 동안 PET 기법에 따른 뇌 단층 촬영을 통해 획득한 검사 데이터를 기저장된 기준 데이터에 기초한 최적 피팅 함수에 적용하여 중기 구간에 대한 예측 데이터를 산출함으로써, 전체 검사 시간을 단축시킬 수 있어 미동 상태로 연속 촬영해야 하는 검사자의 부담을 경감시킬 수 있게 된다.
도 6은 본 발명의 일 실시예에 따른 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 방법을 개략적으로 나타낸 순서도이고, 도 7은 도 6의 후보군 선별 단계 및 예측값 계산 단계를 더욱 상세히 나타낸 순서도이다.
이하, 전술한 도면들과 도 6 및 도 7을 참조하여 본 발명의 일 실시예에 따른 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 방법에 대해 설명하도록 한다.
먼저, 아밀로이드 제재의 투여에 따른 진단 대상자의 체내 흡수 시간 중에서 초기 구간 및 후기 구간에 대응하는 복수 개의 단층 촬영 이미지를 획득한다(S100).
여기서, 상기 S100 단계에서는 아밀로이드 제재가 투여된 진단 대상자의 뇌를 단층 촬영하는 PET(Position Emission Tomography, 양전자 방출 단층 촬영) 기법에 따라 상기 아밀로이드 제재가 투여된 시점으로부터 제거되는 시점까지의 상기 진단 대상자의 체내 흡수 시간 중에서 초기 구간 및 후기 구간에 대응하는 복수 개의 단층 촬영 이미지를 획득할 수 있다.
구체적으로, 상기 S100 단계에서는 아밀로이드 PET 방사성 추적자(Amyloid PET Radiotracer)가 포함된 방사성 화합물에 기초한 아밀로이드 제재가 투여된 진단 대상자의 뇌를 단층 촬영함에 있어서, 도 2에 도시된 바와 같이, 상기 아밀로이드 제재의 투여 시점으로부터 기설정된 제1 시점(M1)까지의 초기 구간(SE)과 기설정된 제1 시점(M1) 이후의 제2 시점(M2)으로부터 상기 아밀로이드 제재가 제거되는 기설정된 제3 시점(M3)까지의 후기 구간(SL)에 대한 검사 데이터에 대응하는 복수 개의 단층 촬영 이미지를 획득하는 것일 수 있다.
예컨대, 상기 아밀로이드 제재가 제거되는 데 필요한 시간이 1시간(60분)일 때, 만일 초기 구간(SE)은 "0" 내지 "15분"이고 후기 구간(SL)은 "45분" 내지 "60분"으로 설정되는 경우, 제1 시점(M1)은 "15분", 제2 시점(M2)은 "45분", 제3 시점(M3)은 "60분"일 수 있다.
다음으로, 상기 S100 단계에 획득된 단층 촬영 이미지에 기초하여 상기 진단 대상자에 대한 단위시간당 흡수율값에 대응하는 검사 데이터로 변환한다(S200).
여기서, 상기 S200 단계는 상기 S100 단계에 획득된 단층 촬영 이미지에서의 복수의 픽셀들 조합에 따른 단위 영역별로의 단위 면적에 대한 방사성물질 흡수량값에 기초하여 상기 진단 대상자에 대한 단위시간당 흡수율값에 대응하는 검사 데이터로 변환하는 것일 수 있다.
이때, 상기 S200 단계에서는 상기 단층 촬영 이미지에 대하여 생물학적이나 물리적인 인자에 대응하도록 기설정된 관심영역(ROI; Region of Interest)에 기초하여 표준섭취계수(SUV; Standardized uptake values)를 측정함에 따라 검사 데이터로 변환할 수 있으며, 상기 표준섭취계수(SUV)는 인체 내에 주입한 방사능의약품이 균등하게 퍼져있다는 가정하에 종양 내에 얼마나 평균보다 높게 섭취되는지를 평가하는 방법의 일종으로 예컨대, 단위시간당 흡수율값에 대한 반정량적 지표를 나타낸다.
다음으로, 기저장된 기준 데이터에 기초하여 상기 진단 대상자의 체내 흡수 시간 중 중기 구간에 대한 예측 데이터에 대응되는 최적의 근사 함수에 기초한 소정의 후보군을 선별한다(S300).
구체적으로, 상기 S300 단계에서는 기저장된 복수의 환자 및 정상인 각각에 대한 단위시간당 흡수율값에 대응하는 기준 데이터를 기저장된 복수 개의 근사 함수를 조합하여 일차 결합한 제1 결합 함수에 적용한 후 최소 자승법을 적용함에 따라 산출되는 제1 계수에 기초하여 후보군을 선별하는 것일 수 있다.
여기서, 상기 S300 단계는 도 7에 도시된 바와 같이 근사 함수 저장 단계(S310), 합성 함수 생성 단계(S330), 제1 결합 함수 생성 단계(S350), 제1 계수 산출 단계(S370) 및 후보군 선별 단계(S390)를 포함할 수 있다.
근사 함수 저장 단계(S310)에서는 시간에 대한 흡수율값에 대응하는 복수 개의 근사 함수에 대한 함수 정보를 유형별로 분류하여 적어도 하나 이상의 상기 근사 함수를 포함하는 함수 집합 형태로 저장한다.
구체적으로, 상기 S310 단계는 기설정된 기준값 이상의 거듭제곱 급수를 가지는 다항함수에 대응하는 제1 근사함수를 적어도 하나 포함하는 제1 함수 집합(P)과, 상기 기준값 미만의 거듭제곱 급수를 가지는 분수함수에 대응하는 제2 근사함수를 적어도 하나 포함하는 제2 함수 집합(R)과, 상기 제1 근사함수와 상기 제2 근사함수 중 어느 하나를 지수값으로 가지는 자연상수에 대한 지수함수에 대응하는 제3 근사함수를 적어도 하나 포함하는 제3 함수 집합(E)과, 로그 함수에 대응하는 제4 근사함수를 적어도 하나 포함하는 제4 함수 집합(L)과, 삼각 함수에 대응하는 제5 근사함수를 적어도 하나 포함하는 제5 함수 집합(T)을 저장하는 것일 수 있다.
이때, 시간(x)에 대한 흡수율값에 대한 제1 함수 집합(P), 제2 함수 집합(R), 제3 함수 집합(E), 제4 함수 집합(L) 및 제5 함수 집합(T) 각각에 대한 일례는 전술한 상기 수학식 1 내지 수학식 5와 같이 정리할 수 있다.
합성 함수 생성 단계(S330)에서는 적어도 하나의 유형에 대응하는 기저장된 복수 개의 근사 함수를 조합한 복수 개의 합성 함수(h(x))를 생성한다.
여기서, 상기 S330 단계에서는 상기 S310 단계에 기저장된 제1 함수 집합(P), 제2 함수 집합(R), 제3 함수 집합(E), 제4 함수 집합(L) 및 제5 함수 집합(T)에 각각 포함되는 복수 개의 근사 함수 중에서 집합 유형에 관계없이 적어도 두 개를 조합하여 합성한 합성 함수(h(x))를 생성할 수 있다.
예컨대, 상기 S330 단계는 제1 근사함수인 '1'과 제1 근사함수인 '1'을 합성한 제1 합성함수인 '
Figure 112020140351077-pat00030
'와, 제1 근사함수인 '1'과 제4 근사함수인 '
Figure 112020140351077-pat00031
'를 합성한 제2 합성함수인 '
Figure 112020140351077-pat00032
'와, 제4 근사함수인 '
Figure 112020140351077-pat00033
'와 제4 근사함수인 '
Figure 112020140351077-pat00034
'를 합성한 제3 합성함수인 '
Figure 112020140351077-pat00035
'와, 제1 근사함수인 '
Figure 112020140351077-pat00036
'와 제4 근사함수인 '
Figure 112020140351077-pat00037
'를 합성한 제4 합성함수인 '
Figure 112020140351077-pat00038
'와, 제1 근사함수인 '1'과 제1 근사함수인 'x'를 합성한 제5 합성함수인 '
Figure 112020140351077-pat00039
'를 생성할 수 있다.
제1 결합 함수 생성 단계(S350)에서는 상기 S330 단계에 생성된 복수 개의 합성 함수(h(x)) 각각에 대응하는 소정 계수(c)를 적용하여 일차 결합한 제1 결합 함수(f(x))를 생성한다.
이때, 제1 결합 함수(f(x))를 수식으로 정리하면 전술한 상기 수학식 6과 같다.
제1 계수 산출 단계(S370)에서는 기저장된 복수의 환자 및 정상인 중 어느 하나에 대한 단위시간당 흡수율값에 대응하는 기준 데이터(xi,fi)에 기초하여 상기 S350 단계에 생성된 제1 결합 함수(h(x))에 대한 최소 자승법(LSM; Least Square Method)을 적용함에 따라, 흡수율값(fi)과 제1 결합 함수(h(x)) 간의 오차값이 가장 작은 제1 계수(c)를 산출한다.
여기서, 상기 S370 단계는 전술한 상기 수학식 7에 기초하여 상기 기준 데이터와 제1 결합 함수(f(x))에 대한 최소 자승법(LSM)을 적용함에 따라 제1 계수(c)를 산출할 수 있다.
이때, 상기 최소 자승법(LSM)은 어떤 계의 해방정식을 근사적으로 구하는 방법의 일종으로, 근사적으로 구하려는 해와 실제 해의 오차의 제곱의 합이 최소가 되는 해를 구하는 방법일 수 있다.
이와 관련하여, 기저장된 복수의 환자 및 정상인에 대한 기준 데이터에 기초하여 제1 결합 함수(f(x))에 대한 머신러닝 기반의 최소 자승법(LSM)을 이용한 회귀 분석(Regression analysis)의 일종인 텐서 최적화(tensor optimization) 기법에 따른 컴퓨터 인공지능 연산을 수행한 결과로써 전술한 상기 수학식 8이 도출될 수 있다.
예컨대, 첫번째 정상인(Normal_1)과 첫번째 환자(Patient_1) 각각에 대한 기준데이터(xi,fi)와 이에 대한 회귀 분석 결과로써 도출되는 상기 수학식 8에 대응하는 피팅 함수 그래프는 도 4와 같이 나타낼 수 있다.
한편, 상기 기준 데이터는 사전에 복수의 환자 및 정상인을 대상으로 하여 아밀로이드 제재의 투여에 따른 체내 흡수 시간, 즉, 상기 아밀로이드 제재가 투여된 시점으로부터 제거되는 시점까지의 시간 동안 연속 촬영하여 획득한 복수 개의 단층 촬영 이미지에서의 복수의 픽셀들 조합에 따른 단위 영역별로의 단위 면적에 대한 방사성 물질 흡수량 값에 기초하여 단위시간당 흡수율값에 대응하도록 변환된 데이터를 포함하는 것일 수 있다.
후보군 선별 단계(S390)는 상기 S370 단계에서 최소 자승법(LSM)을 적용함에 따라 도출되는 피팅 함수에 대응하는 제1 결합 함수(f(x))에서 제1 계수(c)가 기설정된 임계값 이상인 경우를 후보군(g(x))으로 선별한다.
여기서, 상기 S390 단계는 전술한 상기 수학식 8에 기초한 피팅 함수에 대응하는 제1 결합 함수(f(x))의 각 항을 구성하는 제1 계수(ck)와 합성 함수(hk(x))를 곱한 값에 기초하여 후보군(g(x))을 선별할 수 있다.
이때, 0 또는 0에 근접한 기설정된 최소임계값 미만을 가지는 제1 계수(ck)에 대응하는 합성 함수(hk(x))는 상기 후보군에서 제외할 수 있으며, 이 경우, 상기 S390 단계에서는 상기 피팅 함수에 대응하는 제1 결합 함수(f(x))에서 상기 제외된 후보군을 뺀 나머지 항에 기초하여 후보군(g(x))을 선별할 수 있다
다음으로, 상기 S200 단계에 변환된 검사 데이터를 상기 S300 단계에 선별된 후보군(g(x))에 적용한 결과에 따라 상기 진단 대상자의 체내 흡수 시간 중 중기 구간에 대응하는 단위시간당 흡수율값에 대한 예측값을 계산한다(S400).
구체적으로, 상기 S400 단계에서는 상기 S390 단계에 선별된 후보군을 일차 결합한 제2 결합 함수(b(x))를 생성하고, 상기 S200 단계에 변환된 검사 데이터에 기초하여 제2 결합 함수(b(x))에 대한 최소 자승법(LSM)을 적용함에 따라 제2 계수(d)를 산출한 후, 상기 제2 계수 및 상기 제2 결합 함수에 기초하여 상기 진단 대상자의 체내 흡수 시간 중 중기 구간에 대응하는 단위시간당 흡수율값에 대한 예측값을 계산할 수 있다.
여기서, 상기 S400 단계는 도 7에 도시된 바와 같이 제2 결합 함수 생성 단계(S410), 제2 계수 산출 단계(S430) 및 예측값 산출 단계(S450)를 포함할 수 있다.
제2 결합 함수 생성 단계(S410)에서는 상기 S390 단계에 선별된 상기 후보군에 대응하는 함수(g(x))에 소정 계수(d)를 적용하여 일차 결합한 제2 결합 함수(b(x))를 생성한다.
이때, 전술한 제2 결합 함수(b(x))를 수식으로 정리하면 전술한 상기 수학식 9와 같다.
제2 계수 산출 단계(S430)에서는 상기 아밀로이드 제재의 투여 시점으로부터 기설정된 제1 시점(M1)까지의 초기 구간(SE)과 기설정된 제1 시점(M1) 이후의 제2 시점(M2)으로부터 상기 아밀로이드 제재가 제거되는 기설정된 제3 시점(M3)까지의 후기 구간(SL)에 대한 단위시간당 흡수율값(ti)에 대응하는 검사 데이터를 제2 결합 함수(b(x))에 적용하여 최소 자승법(LSM)을 적용함에 따라, 흡수율값(ti)과 제2 결합 함수(b(xi)) 간의 오차값이 가장 작은 제2 계수(d)를 산출한다.
여기서, 상기 S430 단계는 전술한 상기 수학식 10에 기초하여 검사 데이터(xi,ti)와 제2 결합 함수(b(xi))에 대한 최소 자승법을 적용함에 따라 제2 계수(d)를 산출할 수 있다.
예측값 산출 단계(S450)에서는 상기 S430 단계에 산출된 제2 계수(d)와 상기 최소 자승법(LSM)을 적용한 결과에 대응하는 제2 결합 함수(b(x))에 기초하여 제1 시점(M1)과 제2 시점(M2) 사이의 중기 구간(SM)에 대한 단위시간당 흡수율값에 대응하는 예측값을 산출한다.
여기서, 상기 S450 단계에서는 전술한 상기 수학식 11에 기초하여 제2 결합함수(b(x))에 중기 구간(M1,M1+1,...,M2) 내 소정 시점(j)에 대한 값을 적용함에 따라 해당 시점에 대한 흡수율값에 대응하는 예측값(tj)을 산출할 수 있다.
이 경우, 검사자에게 투여한 방사성 의약품의 체내 흡수 시간 중에서 초기 구간 및 후기 구간 동안 PET 기법에 따른 뇌 단층 촬영을 통해 획득한 검사 데이터를 기저장된 기준 데이터에 기초한 최적 피팅 함수에 적용하여 중기 구간에 대한 예측 데이터를 산출함으로써, 전체 검사 시간을 단축시킬 수 있어 미동 상태로 연속 촬영해야 하는 검사자의 부담을 경감시킬 수 있게 된다.
이상, 바람직한 실시예를 통하여 본 발명에 관하여 상세히 설명하였으나, 본 발명은 이에 한정되는 것은 아니며 특허청구범위 내에서 다양하게 실시될 수 있다.
특히, 전술한 내용은 후술할 발명의 청구범위를 더욱 잘 이해할 수 있도록 본 발명의 특징과 기술적 강점을 다소 폭넓게 상술하였으므로, 상술한 본 발명의 개념과 특정 실시예는 본 발명과 유사 목적을 수행하기 위한 다른 형상의 설계나 수정의 기본으로써 즉시 사용될 수 있음이 해당 기술 분야의 숙련된 사람들에 의해 인식되어야 한다.
또한, 상기에서 기술된 실시예는 본 발명에 따른 하나의 실시예일 뿐이며, 해당 기술분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술적 사상의 범위에서 다양한 수정 및 변경된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 따라서, 개시된 실시예는 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 하고, 이러한 다양한 수정 및 변경 또한 본 발명의 기술적 사상의 범위에 속하는 것으로 전술한 본 발명의 청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
100: 이미지 획득부
200: 데이터 변환부
300: 후보군 선별 모듈
310: 근사 함수 저장부
320: 합성 함수 생성부
330: 제1 결합 함수 생성부
340: 기준 데이터 DB부
350: 제1 계수 산출부
360: 후보군 선별부
400: 예측값 산출 모듈
410: 제2 결합 함수 생성부
420: 제2 계수 산출부
430: 예측값 산출부

Claims (16)

  1. 아밀로이드 제제가 투여된 진단 대상자의 뇌를 단층 촬영하는 PET 기법에 따라 상기 아밀로이드 제제가 투여된 시점으로부터 제거되는 시점까지의 상기 진단 대상자의 체내 흡수 시간 중에서 초기 구간 및 후기 구간에 대응하는 복수 개의 단층 촬영 이미지를 획득하는 이미지 획득부;
    상기 단층 촬영 이미지에서의 복수의 픽셀들 조합에 따른 단위 영역별로의 단위 면적에 대한 방사성 물질 흡수량 값에 기초하여 상기 진단 대상자에 대한 단위시간당 흡수율값에 대응하는 검사 데이터로 변환하는 데이터 변환부;
    기저장된 복수의 환자 및 정상인 각각에 대한 단위시간당 흡수율값에 대응하는 기준 데이터에 기초하여 소정의 근사 함수의 조합에 대한 최소 자승법을 적용함에 따른 후보군을 선별하는 후보군 선별 모듈; 및
    상기 변환된 검사 데이터를 상기 선별된 후보군에 적용하여 중기 구간에 대응하는 단위시간당 흡수율값에 대한 예측값을 계산하는 예측값 산출 모듈;을 포함하는 것을 특징으로 하는 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 장치.
  2. 제1항에 있어서,
    상기 후보군 선별 모듈은,
    시간에 대한 흡수율값에 대응하는 복수 개의 근사 함수에 대한 함수 정보를 유형별로 분류하여 적어도 하나 이상의 상기 근사 함수를 포함하는 함수 집합 형태로 저장하는 근사 함수 저장부;
    적어도 하나의 유형에 대응하는 기저장된 복수 개의 근사 함수를 적어도 둘 이상 조합하여 합성한 복수 개의 합성 함수를 생성하는 합성 함수 생성부;
    상기 복수 개의 합성 함수 각각에 대응하는 소정 계수를 적용하여 일차 결합한 제1 결합 함수를 생성하는 제1 결합 함수 생성부;
    기저장된 복수의 환자 및 정상인 중 어느 하나에 대한 단위시간당 흡수율값에 대응하는 기준 데이터에 기초하여 상기 제1 결합 함수에 대한 최소 자승법을 적용함에 따라 상기 흡수율값과 상기 제1 결합 함수 간의 오차값이 가장 작은 제1 계수를 산출하는 제1 계수 산출부; 및
    상기 최소 자승법을 적용한 결과에 대응하는 상기 제1 결합 함수에서 상기 제1 계수가 기설정된 임계값 이상인 경우에 대응하는 변수를 후보군으로 선별하는 후보군 선별부;를 포함하는 것을 특징으로 하는 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 장치.
  3. 제2항에 있어서,
    상기 예측값 산출 모듈은,
    상기 후보군에 대응하는 함수에 소정 계수를 적용하여 일차 결합한 제2 결합 함수를 생성하는 제2 결합 함수 생성부;
    상기 아밀로이드 제제의 투여 시점으로부터 기설정된 제1 시점까지의 초기 구간과 기설정된 상기 제1 시점 이후의 제2 시점으로부터 상기 아밀로이드 제제가 제거되는 기설정된 제3 시점까지의 후기 구간에 대한 단위시간당 흡수율값에 대응하는 검사 데이터에 기초하여 상기 제2 결합 함수에 대한 최소 자승법을 적용함에 따라, 상기 흡수율값과 상기 제2 결합 함수 간의 오차값이 가장 작은 제2 계수를 산출하는 제2 계수 산출부; 및
    상기 산출된 제2 계수와 상기 최소 자승법을 적용한 결과에 대응하는 상기 제2 결합 함수에 기초하여 상기 제1 시점과 상기 제2 시점 사이의 중기 구간에 대한 단위시간당 흡수율값에 대응하는 예측값을 산출하는 예측값 산출부;를 포함하는 것을 특징으로 하는 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 장치.
  4. 제2항에 있어서,
    상기 근사 함수 저장부는,
    기설정된 기준값 이상의 거듭제곱 급수를 가지는 다항함수에 대응하는 제1 근사함수를 적어도 하나 포함하는 제1 함수 집합과, 상기 기준값 미만의 거듭제곱 급수를 가지는 분수함수에 대응하는 제2 근사함수를 적어도 하나 포함하는 제2 함수 집합과, 상기 제1 근사함수와 상기 제2 근사함수 중 어느 하나를 지수값으로 가지는 자연상수에 대한 지수함수에 대응하는 제3 근사함수를 적어도 하나 포함하는 제3 함수 집합과, 로그 함수에 대응하는 제4 근사함수를 적어도 하나 포함하는 제4 함수 집합과, 삼각 함수에 대응하는 제5 근사함수를 적어도 하나 포함하는 제5 함수 집합으로 저장하는 것을 특징으로 하는 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 장치.
  5. 제2항에 있어서,
    상기 제1 계수 산출부는,
    상기 기준 데이터에 기초하여 상기 제1 결합 함수에 대한 머신러닝 기반의 최소 자승법을 이용한 텐서 최적화 기법을 적용함에 따라 도출되는 피팅 함수에 대응되는 아래의 수학식 I에 기초하여 상기 제1 계수를 산출하는 것을 특징으로 하는 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 장치.
    (수학식 I)
    Figure 112020140351077-pat00040

    여기서, c0, c1, c2, c3 및 c4는 상기 제1 계수를 나타낸다.
  6. 제5항에 있어서,
    상기 후보군 선별부는,
    상기 수학식 I에 따른 피팅 함수를 구성하는 복수 개의 항 각각의 변수를 상기 후보군으로 선별하는 것을 특징으로 하는 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 장치.
  7. 제3항에 있어서,
    상기 제2 계수 산출부는,
    아래의 수학식 II에 기초하여 상기 검사 데이터와 상기 제2 결합 함수에 대한 최소 자승법을 적용함에 따라 상기 검사 데이터에서의 흡수율값과 상기 제2 결합 함수 간의 오차 제곱의 합이 최소화되도록 하는 상기 제2 계수를 산출하는 것을 특징으로 하는 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 장치.
    (수학식 II)
    Figure 112020140351077-pat00041

    여기서, (d1,d2,...,dn)은 상기 제2 계수를 나타내고, b(xi)는 상기 제2 결합 함수를 나타내고, xi는 상기 검사 데이터에서의 시간값을 나타내고, ti는 상기 검사 데이터에서의 단위시간당 흡수율값을 나타내고, M1은 상기 제1 시점을 나타내고, M2는 상기 제2 시점을 나타내고, M3는 상기 제3 시점을 나타낸다.
  8. 제7항에 있어서,
    상기 예측값 산출부는,
    아래의 수학식 III에 기초하여 상기 제2 계수가 적용된 상기 제2 결합 함수에 상기 제1 시점과 상기 제2 시점 사이의 중기 구간 내 소정 시점에 대한 흡수율값에 대응하는 예측값을 산출하는 것을 특징으로 하는 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 장치.
    (수학식 III)
    Figure 112020140351077-pat00042

    여기서, b(xj)는 상기 제2 결합 함수를 나타내고, xj는 소정 시점일때의 시간값을 나타내고, tj는 해당 시간에 대한 흡수율값에 대응하는 예측값을 나타낸다.
  9. 아밀로이드 제제가 투여된 진단 대상자의 뇌를 단층 촬영하는 PET 기법에 따라 상기 아밀로이드 제제가 투여된 시점으로부터 제거되는 시점까지의 상기 진단 대상자의 체내 흡수 시간 중에서 초기 구간 및 후기 구간에 대응하는 복수 개의 단층 촬영 이미지를 획득하는 단계;
    상기 단층 촬영 이미지에서의 복수의 픽셀들 조합에 따른 단위 영역별로의 단위면적에 대한 방사성 물질 흡수량 값에 기초하여 상기 진단 대상자에 대한 단위시간당 흡수율값에 대응하는 검사 데이터로 변환하는 단계;
    기저장된 복수의 환자 및 정상인 각각에 대한 단위시간당 흡수율값에 대응하는 기준 데이터에 기초하여 소정의 근사 함수의 조합에 대한 최소 자승법을 적용함에 따른 후보군을 선별하는 단계; 및
    상기 변환된 검사 데이터를 상기 선별된 후보군에 적용하여 중기 구간에 대응하는 단위시간당 흡수율값에 대한 예측값을 계산하는 단계;를 포함하는 것을 특징으로 하는 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 방법.
  10. 제9항에 있어서,
    상기 선별하는 단계는,
    시간에 대한 흡수율값에 대응하는 복수 개의 근사 함수에 대한 함수 정보를 유형별로 분류하여 적어도 하나 이상의 상기 근사 함수를 포함하는 함수 집합 형태로 저장하는 단계;
    적어도 하나의 유형에 대응하는 기저장된 복수 개의 근사 함수를 적어도 둘 이상 조합하여 합성한 복수 개의 합성 함수를 생성하는 단계;
    상기 복수 개의 합성 함수 각각에 대응하는 소정 계수를 적용하여 일차 결합한 제1 결합 함수를 생성하는 단계;
    기저장된 복수의 환자 및 정상인 중 어느 하나에 대한 단위시간당 흡수율값에 대응하는 기준 데이터에 기초하여 상기 제1 결합 함수에 대한 최소 자승법을 적용함에 따라 상기 흡수율값과 상기 제1 결합 함수 간의 오차값이 가장 작은 제1 계수를 산출하는 단계; 및
    상기 최소 자승법을 적용한 결과에 대응하는 상기 제1 결합 함수에서 상기 제1 계수가 기설정된 임계값 이상인 경우에 대응하는 변수를 후보군으로 선별하는 단계;를 포함하는 것을 특징으로 하는 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 방법.
  11. 제10항에 있어서,
    상기 계산하는 단계는,
    상기 후보군에 대응하는 함수에 소정 계수를 적용하여 일차 결합한 제2 결합 함수를 생성하는 단계;
    상기 아밀로이드 제제의 투여 시점으로부터 기설정된 제1 시점까지의 초기 구간과 기설정된 상기 제1 시점 이후의 제2 시점으로부터 상기 아밀로이드 제제가 제거되는 기설정된 제3 시점까지의 후기 구간에 대한 단위시간당 흡수율값에 대응하는 검사 데이터에 기초하여 상기 제2 결합 함수에 대한 최소 자승법을 적용함에 따라, 상기 흡수율값과 상기 제2 결합 함수 간의 오차값이 가장 작은 제2 계수를 산출하는 단계; 및
    상기 산출된 제2 계수와 상기 최소 자승법을 적용한 결과에 대응하는 상기 제2 결합 함수에 기초하여 상기 제1 시점과 상기 제2 시점 사이의 중기 구간에 대한 단위시간당 흡수율값에 대응하는 예측값을 산출하는 단계;를 포함하는 것을 특징으로 하는 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 방법.
  12. 제10항에 있어서,
    상기 함수 집합 형태로 저장하는 단계에서는,
    기설정된 기준값 이상의 거듭제곱 급수를 가지는 다항함수에 대응하는 제1 근사함수를 적어도 하나 포함하는 제1 함수 집합과, 상기 기준값 미만의 거듭제곱 급수를 가지는 분수함수에 대응하는 제2 근사함수를 적어도 하나 포함하는 제2 함수 집합과, 상기 제1 근사함수와 상기 제2 근사함수 중 어느 하나를 지수값으로 가지는 자연상수에 대한 지수함수에 대응하는 제3 근사함수를 적어도 하나 포함하는 제3 함수 집합과, 로그 함수에 대응하는 제4 근사함수를 적어도 하나 포함하는 제4 함수 집합과, 삼각 함수에 대응하는 제5 근사함수를 적어도 하나 포함하는 제5 함수 집합으로 저장하는 것을 특징으로 하는 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 방법.
  13. 제10항에 있어서,
    상기 제1 계수를 산출하는 단계는,
    상기 기준 데이터에 기초하여 상기 제1 결합 함수에 대한 머신러닝 기반의 최소 자승법을 이용한 텐서 최적화 기법을 적용함에 따라 도출되는 피팅 함수에 대응되는 아래의 수학식 I에 기초하여 상기 제1 계수를 산출하는 것을 특징으로 하는 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 방법.
    (수학식 I)
    Figure 112020140351077-pat00043

    여기서, c0, c1, c2, c3 및 c4는 상기 제1 계수를 나타낸다.
  14. 제13항에 있어서,
    상기 후보군으로 선별하는 단계는,
    상기 수학식 I에 따른 피팅 함수를 구성하는 복수 개의 항 각각의 변수를 상기 후보군으로 선별하는 것을 특징으로 하는 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 방법.
  15. 제11항에 있어서,
    상기 제2 계수를 산출하는 단계는,
    아래의 수학식 II에 기초하여 상기 검사 데이터와 상기 제2 결합 함수에 대한 최소 자승법을 적용함에 따라 상기 검사 데이터에서의 흡수율값과 상기 제2 결합 함수 간의 오차 제곱의 합이 최소화되도록 하는 상기 제2 계수를 산출하는 것을 특징으로 하는 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 방법.
    (수학식 II)
    Figure 112020140351077-pat00044

    여기서, (d1,d2,...,dn)은 상기 제2 계수를 나타내고, b(xi)는 상기 제2 결합 함수를 나타내고, xi는 상기 검사 데이터에서의 시간값을 나타내고, ti는 상기 검사 데이터에서의 단위시간당 흡수율값을 나타내고, M1은 상기 제1 시점을 나타내고, M2는 상기 제2 시점을 나타내고, M3는 상기 제3 시점을 나타낸다.
  16. 제15항에 있어서,
    상기 예측값을 산출하는 단계는,
    아래의 수학식 III에 기초하여 상기 제2 계수가 적용된 상기 제2 결합 함수에 상기 제1 시점과 상기 제2 시점 사이의 중기 구간 내 소정 시점에 대한 흡수율값에 대응하는 예측값을 산출하는 것을 특징으로 하는 뇌질환 판단을 위한 최소 자승법 기반의 PET 영상 중기 데이터 예측 방법.
    (수학식 III)
    Figure 112020140351077-pat00045

    여기서, b(xj)는 상기 제2 결합 함수를 나타내고, xj는 소정 시점일때의 시간값을 나타내고, tj는 해당 시간에 대한 흡수율값에 대응하는 예측값을 나타낸다.
KR1020200182066A 2020-12-23 2020-12-23 뇌질환 판단을 위한 최소 자승법 기반의 pet 영상 중기 데이터 예측 장치 및 그 방법 KR102461893B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200182066A KR102461893B1 (ko) 2020-12-23 2020-12-23 뇌질환 판단을 위한 최소 자승법 기반의 pet 영상 중기 데이터 예측 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200182066A KR102461893B1 (ko) 2020-12-23 2020-12-23 뇌질환 판단을 위한 최소 자승법 기반의 pet 영상 중기 데이터 예측 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20220090993A KR20220090993A (ko) 2022-06-30
KR102461893B1 true KR102461893B1 (ko) 2022-11-01

Family

ID=82215312

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200182066A KR102461893B1 (ko) 2020-12-23 2020-12-23 뇌질환 판단을 위한 최소 자승법 기반의 pet 영상 중기 데이터 예측 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102461893B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115545362B (zh) * 2022-12-05 2023-04-07 南方电网数字电网研究院有限公司 一种人工智能与时序分解组合的新能源中期功率预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006043674A1 (ja) 2004-10-21 2006-04-27 Japan Health Sciences Foundation Ｐｅｔ撮像による画像定量化装置及び方法
US20180146880A1 (en) 2016-11-28 2018-05-31 The Regents Of The University Of Michigan Technology for robust regional and global liver function quantification from clinical multi-phase mri

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102348139B1 (ko) 2014-10-31 2022-01-10 한국전기연구원 이중 해상도의 관심 영역 내외 투영 데이터를 이용한 체내 단층 촬영 방법 및 시스템
KR102173197B1 (ko) * 2018-05-21 2020-11-03 고려대학교 산학협력단 딥러닝을 기반으로 하는 아밀로이드 양성 또는 음성을 예측하기 위한 방법 및 장치
KR102170968B1 (ko) 2018-10-26 2020-10-28 주식회사 피도텍 머신 러닝 기반의 근사모델 구축 방법 및 시스템
KR102351283B1 (ko) * 2020-05-22 2022-01-14 동아대학교 산학협력단 딥러닝을 이용한 짧은 시간 촬영한 뇌 단층 촬영 이미지 복원 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006043674A1 (ja) 2004-10-21 2006-04-27 Japan Health Sciences Foundation Ｐｅｔ撮像による画像定量化装置及び方法
US20180146880A1 (en) 2016-11-28 2018-05-31 The Regents Of The University Of Michigan Technology for robust regional and global liver function quantification from clinical multi-phase mri

Also Published As

Publication number Publication date
KR20220090993A (ko) 2022-06-30

Similar Documents

Publication Publication Date Title
Schelbert et al. PET myocardial perfusion and glucose metabolism imaging: Part 2-Guidelines for interpretation and reporting
JP5785184B2 (ja) 画像の医療データ及び非画像の医療データの両者の連続的な記憶及び統合された分析のための診断技術
KR101902883B1 (ko) 컴퓨터 단층촬영 영상에서 플라크를 분석하기 위한 방법 및 장치
JP4767512B2 (ja) パフュージョンパラメータ画像の自動較正方法
CN105193442A (zh) 一种pet扫描时间的确定方法和装置
CN106163388A (zh) 用于处理生命体的心脏数据的处理装置和方法
Bajc et al. Ventilation/perfusion SPECT for diagnosis of pulmonary embolism and other diseases
KR20130136519A (ko) 파노라마 엑스선 사진을 이용한 진단 지원 시스템, 및 파노라마 엑스선 사진을 이용한 진단 지원 프로그램
US9247913B2 (en) Identification of potential perfusion defects
US20230277151A1 (en) System and Methods of Prediction of Ischemic Brain Tissue Fate from Multi-Phase CT-Angiography in Patients with Acute Ischemic Stroke using Machine Learning
Meier et al. Neural network–derived perfusion maps for the assessment of lesions in patients with acute ischemic stroke
CN111312373B (zh) 一种pet/ct图像融合自动标注方法
KR102461893B1 (ko) 뇌질환 판단을 위한 최소 자승법 기반의 pet 영상 중기 데이터 예측 장치 및 그 방법
JP4025524B2 (ja) 異条件下における脳機能画像の画像間差補正法
Nguyen et al. 3D Unet generative adversarial network for attenuation correction of SPECT images
CN113112476B (zh) 一种识别致痫灶和/或预测其病理分型的方法和系统
US8396266B2 (en) Characterisation of functional medical image scans
RU2633293C2 (ru) Диагностическая визуализация головного мозга
JP4879472B2 (ja) 脳血流定量解析プログラム、記録媒体および脳血流画像データ処理方法
Thiele et al. Color-encoded semiautomatic analysis of multi-slice first-pass magnetic resonance perfusion: comparison to tetrofosmin single photon emission computed tomography perfusion and X-ray angiography
KR102532851B1 (ko) 뇌질환 판단을 위한 시계열 기반의 pet 영상 분석 장치 및 그 방법
Rybak et al. Measurement of the upper respiratory tract aerated space volume using the results of computed tomography
Daviller et al. Direct comparison of Bayesian and Fermi deconvolution approaches for myocardial blood flow quantification: In silico and clinical validations
Bousnah et al. Optimization of tracer dose for scintigraphic imagery
CN115880310B (zh) 一种视网膜oct断层分割方法、装置及设备

Legal Events

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