KR102475390B1 - 3d 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법 - Google Patents

3d 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법 Download PDF

Info

Publication number
KR102475390B1
KR102475390B1 KR1020210120026A KR20210120026A KR102475390B1 KR 102475390 B1 KR102475390 B1 KR 102475390B1 KR 1020210120026 A KR1020210120026 A KR 1020210120026A KR 20210120026 A KR20210120026 A KR 20210120026A KR 102475390 B1 KR102475390 B1 KR 102475390B1
Authority
KR
South Korea
Prior art keywords
magnetic resonance
image
blood vessel
mask
vessel image
Prior art date
Application number
KR1020210120026A
Other languages
English (en)
Inventor
이진구
윤재연
Original Assignee
주식회사 에어스메디컬
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 에어스메디컬 filed Critical 주식회사 에어스메디컬
Priority to KR1020210120026A priority Critical patent/KR102475390B1/ko
Application granted granted Critical
Publication of KR102475390B1 publication Critical patent/KR102475390B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T3/0093—
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Vascular Medicine (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Artificial Intelligence (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용된 자기 공명 영상 처리 방법에 있어서, 자기 공명 혈관 영상 및 상기 자기 공명 혈관 영상으로부터 획득되는 초기 최대 강도 투영 영상 중 적어도 하나를 인풋으로 하고, 학습용 마스크를 라벨로 하여 학습된 제2 인공 신경망 모델에, 제1 자기 공명 혈관 영상 및 상기 제1 자기 공명 혈관영상으로부터 획득되는 초기 최대 강도 투영 영상 중 적어도 하나를 입력하는 단계; 및 상기 제2 인공 신경망 모델로부터 제1 마스크를 출력하는 단계를 포함하는, 자기 공명 영상 처리 방법을 제공하고자 한다.

Description

3D 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법{MAGNETIC RESONANCE IMAGE PROCESSING APPARATUS AND METHOD TO WHICH 3D MASK AUTOMATIC GENERATION TECHNIQUE IS APPLIED}
본 발명은 3D(3-Dimensions) 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법에 관한 것으로서, 구체적으로 자기 공명 영상 처리에 3D 마스크 자동 생성 기법을 적용하여 자기 공명 영상 획득 시간을 단축하고, 자기 공명 영상의 신호 대 잡음비를 향상시키는 자기 공명 영상 처리 장치 및 그 방법에 관한 것이다.
일반적으로 의료용 영상 장치는 환자의 신체 정보를 획득하여 영상을 제공하는 장치이다. 의료용 영상 장치는 X선 촬영 장치, 초음파 진단 장치, 컴퓨터 단층 촬영 장치, 자기 공명 영상(Magnetic Resonance Imaging, MRI) 촬영 장치 등이 있다.
자기 공명 영상은 인체에 해가 없는 자장과 비전리 방사선을 이용하여 체내의 수소 원자핵에 핵자기 공명 현상을 일으켜 원자핵의 밀도 및 물리/화학적 특성을 영상화한 것이다. 자기 공명 영상 촬영 장치는 영상 촬영 조건이 상대적으로 자유롭고, 연부 조직에서의 다양한 진단 정보를 포함하고 우수한 대조도를 가지는 영상을 제공해주기 때문에 의료용 영상을 이용한 진단 분야에서 중요한 위치를 차지하고 있다.
한편, 자기 공명 영상 촬영 장치에 의한 촬영은 촬영 부위와 MR 영상의 종류 등에 따라 짧게는 20여분에서 길게는 1시간 이상이 소요될 수 있다. 즉, 자기 공명 영상 촬영 장치의 촬영 시간은 다른 의료용 영상 촬영 장치에 비해 상대적으로 길다는 단점이 있다. 이러한 단점은 환자에게 촬영 부담을 줄 수 있으며, 특히 폐쇄공포증이 있는 환자에게는 시행 자체를 곤란하게 한다. 따라서, 촬영 시간을 단축하려는 기술들이 최근까지 개발되고 있으며, 더불어 영상의 질적인 면에서도 개선이 요구되고 있는 실정이다.
대한민국 등록특허공보 제10-2210457호(2021.01.26.)
본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법은 인공 신경망 모델을 이용하여 자기 공명 혈관 영상으로부터 최종 최대 강도 투영 영상을 빠른 속도로 출력하도록 하고자 한다.
본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법은 제1 인공 신경망 모델을 이용하여 가속화 촬영된 자기 공명 혈관 영상으로부터 신호 대 잡음비가 향상된 자기 공명 혈관 영상을 출력하도록 하고자 한다.
본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법은 제2 인공 신경망 모델을 이용하여 자기 공명 혈관 영상 또는 초기 최대 강도 투영 영상으로부터 3D 마스크를 출력하도록 하고자 한다.
본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법은 자기 공명 혈관 영상 또는 초기 최대 강도 투영 영상과 마스크로부터 자동으로 최종 최대 강도 투영 영상을 출력하도록 하고자 한다.
본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용된 자기 공명 영상 처리 방법에 있어서, 자기 공명 혈관 영상 및 상기 자기 공명 혈관 영상으로부터 획득되는 초기 최대 강도 투영 영상 중 적어도 하나를 인풋으로 하고, 학습용 마스크를 라벨로 하여 학습된 제2 인공 신경망 모델에, 제1 자기 공명 혈관 영상 및 상기 제1자기 공명 혈관영상으로부터 획득되는 초기 최대 강도 투영 영상 중 적어도 하나를 입력하는 단계; 및 상기 제2 인공 신경망 모델로부터 제1마스크를 출력하는 단계를 포함하는, 자기 공명 영상 처리 방법을 제공하고자 한다.
본 실시예에 있어서, 상기 제1마스크를 제1 자기 공명 혈관 영상에 적용하여 제2자기 공명 혈관 영상을 획득하는 단계를 포함하는, 자기 공명 영상 처리 방법을 제공하고자 한다.
본 실시예에 있어서, 상기 제2 자기 공명 혈관 영상으로부터 최종 최대 강도 투영 영상을 획득하는 단계를 포함하는, 자기 공명 영상 처리 방법을 제공하고자 한다.
본 실시예에 있어서, 상기 제1마스크는 복수개의 픽셀값이 각각 0 또는 1로 설정된 2차원 이미지를 포함하는, 자기 공명 영상 처리 방법을 제공하고자 한다.
본 실시예에 있어서, 상기 제1마스크를 상기 제1자기 공명 혈관 영상에 적용하는 것은, 상기 제1마스크의 픽셀값을 상기 제1마스크의 픽셀들과 각각 대응되는 상기 제1자기 공명 혈관 영상을 구성하는 2차원 이미지의 픽셀들의 픽셀값에 곱하는 것을 포함하는, 자기 공명 영상 처리 방법을 제공하고자 한다.
본 실시예에 있어서, 제2 자기 공명 혈관 영상으로부터 최종 최대 강도 투영 영상을 획득하는 것은, 3차원의 상기 제2 자기 공명 혈관 영상을 구성하는2차원 이미지의 픽셀들 각각의 픽셀값 중 최대 값을 가지는 픽셀값을 x축, y축 및 z축 중 어느 하나의 축을 따라 2차원 평면에 사영시켜 최대 강도 투영 영상을 획득하는 것을 포함하는, 자기 공명 영상 처리 방법을 제공하고자 한다.
본 실시예에 있어서, 상기 제1 자기 공명 혈관 영상은 가속화 촬영된 자기 공명 혈관 영상을 인풋으로 하고, 일반 촬영된 자기 공명 혈관 영상을 라벨로 하여 학습된 제1 인공 신경망 모델을 통하여 획득되는 것인, 자기 공명 영상 처리 방법을 제공하고자 한다.
본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용된 자기 공명 영상 처리 장치에 있어서, 자기 공명 영상 처리 프로그램이 저장된 메모리; 및 상기 프로그램을 실행하는 프로세서를 포함하고, 상기 프로세서는 상기 프로그램의 실행에 따라, 자기 공명 혈관 영상 및 상기 자기 공명 혈관 영상으로부터 획득되는 초기 최대 강도 투영 영상 중 적어도 하나를 인풋으로 하고, 학습용 마스크를 라벨로 하여 학습된 제2 인공 신경망 모델에, 제1 자기 공명 혈관 영상 및 상기 제1자기 공명 혈관 영상으로부터 획득되는 초기 최대 강도 투영 영상 중 적어도 하나를 입력하고, 상기 제2 인공 신경망 모델로부터 제1 마스크를 출력하는, 자기 공명 영상 처리 장치를 제공하고자 한다.
본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법은 인공 신경망 모델을 이용하여 자기 공명 혈관 영상으로부터 최종 최대 강도 투영 영상을 빠른 속도로 출력할 수 있다.
본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법은 제1 인공 신경망 모델을 이용하여 가속화 촬영된 자기 공명 혈관 영상으로부터 신호 대 잡음비가 향상된 자기 공명 혈관 영상을 출력할 수 있다.
본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법은 제2 인공 신경망 모델을 이용하여 자기 공명 혈관 영상 또는 초기 최대 강도 투영 영상으로부터 3D 마스크를 출력할 수 있다.
본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법은 자기 공명 혈관 영상 또는 초기 최대 강도 투영 영상과 마스크로부터 자동으로 최종 최대 강도 투영 영상을 출력할 수 있다.
도 1은 본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치의 구성을 설명하기 위한 구성도이다.
도 2는 본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 방법의 순서를 보여주는 순서도이다.
도 3은 본 발명의 일 실시예에 따른 풀 샘플링과 서브 샘플링의 차이점을 설명하기 위한 개략도이다.
도 4는 본 발명의 일 실시예에 따른 제1 인공 신경망 모델의 데이터 처리를 보여주는 도면이다.
도 5는 본 발명의 일 실시예에 따른 자기 공명 혈관 영상을 보여주는 도면이다.
도 6은 본 발명의 일 실시예에 따른 마스크를 보여주는 도면이다.
도 7은 본 발명의 일 실시예에 따른 제2 인공 신경망 모델의 데이터 처리를 보여주는 도면이다.
도 8은 본 발명의 일 실시예에 따른 초기 최대 강도 투영 영상을 보여주는 도면이다.
도 9는 본 발명의 일 실시예에 따른 최대 강도 투영 영상 획득 방법을 설명하기 위한 도면이다.
도 10은 본 발명의 일 실시예에 따른 마스크를 자기 공명 혈관 영상에 적용하는 방법을 설명하기 위한 도면이다.
도 11은 본 발명의 일 실시예에 따른 최종 최대 강도 투영 영상을 보여주는 도면이다.
아래에서는 첨부한 도면을 참조하여, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나, 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고, 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 명세서에서, '서버' 와 '시스템'은 하나 이상의 메모리들(미도시), 하나 이상의 컴퓨터 프로세서들(one or more Computor processors)(미도시), 및 하나 이상의 프로그램들(one or more programs)(미 도시)을 포함하도록 구성된 컴퓨터를 의미하며, 여기서, 하나 이상의 프로그램들(이하, '전 처리용 프로그램들')은 메모리에 저장되어 하나 이상의 프로세서들에 의해 실행되도록(executed) 구성되며, 하나 이상의 메모리, 하나 이상의 컴퓨터 프로세서들, 하나 이상의 프로그램들은 물리적으로 동일한 장치에 위치되어 직접 연결되거나 또는 통신망에 의해 연결되어 있을 수 있다.
본 명세서에서 '영상'은 이산적인 이미지 요소들(예를 들어, 2차원 이미지에 있어서의 픽셀들 및 3차원 이미지에 있어서의 복셀들)로 구성된 다차원(multi-dimensional) 데이터를 의미할 수 있다. 예를 들어, 영상은 자기 공명 영상 촬영 장치, 컴퓨터 단층 촬영(CT) 장치, 초음파 촬영 장치, 또는 엑스레이 촬영 장치 등의 의료 영상 장치에 의해 획득된 의료 영상을 포함할 수 있다.
본 명세서에서 '대상체(object)'는 촬영의 대상이 되는 것으로서, 사람, 동물, 또는 그 일부를 포함할 수 있다. 예를 들어, 대상체는 신체의 일부(장기 또는 기관 등; organ) 또는 팬텀(phantom) 등을 포함할 수 있다. 팬텀은 생물의 밀도와 실효 원자 번호에 아주 근사한 부피를 갖는 물질을 의미하는 것으로, 신체와 유사한 성질을 갖는 구형(sphere)의 팬텀을 포함할 수 있다.
자기 공명 영상(Magnetic Resonance Image, MRI) 시스템은 특정 세기의 자기장에서 발생하는 RF(Radio Frequency) 신호에 대한 자기 공명(Magnetic Resonance, MR) 신호의 세기를 명암 대비로 표현하여 대상체의 단층 부위에 대한 이미지를 획득하는 시스템이다.
MRI 시스템은 주자석이 정자장(static magnetic field)을 형성하도록 하고, 정자장 속에 위치한 대상체의 특정 원자핵의 자기 쌍극자 모멘트 방향을 정자장 방향으로 정렬시킨다. 경사자장 코일은 정자장에 경사 신호를 인가하여, 경사자장을 형성시켜, 대상체의 부위 별로 공명 주파수를 다르게 유도할 수 있다. RF 코일은 영상 획득을 원하는 부위의 공명 주파수에 맞추어 자기 공명 신호를 조사할 수 있다. 또한, RF 코일은 경사자장이 형성됨에 따라, 대상체의 여러 부위로부터 방사되는 서로 다른 공명 주파수의 자기 공명 신호들을 수신할 수 있다. MRI 시스템은 이러한 단계를 통해 수신된 자기 공명 신호들에 영상 복원 기법을 적용하여 영상을 획득한다. 또한, MRI 시스템은 다채널 RF 코일에 의해 수신되는 복수의 자기 공명 신호에 대하여 직렬적 또는 병렬적 신호 처리를 수행하여 복수의 자기 공명 신호를 영상 데이터로 재구성할 수도 있다.
이하에서는, 본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치(100)에 대하여 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치의 구성을 설명하기 위한 구성도이다.
도 1을 참조하면, 자기 공명 영상 처리 장치는 자체적으로 자기 공명 신호를 감지하여 자기 공명 영상을 획득할 수 있는 MRI 시스템뿐만 아니라, 외부에서 획득된 영상을 처리하는 영상 처리 장치, 자기 공명 영상에 대한 프로세싱 기능을 구비한 스마트폰, 태블릿 PC, PC, 스마트 TV, 마이크로 서버, 클라우드 서버, 기타 가전 기기 및 기타 모바일 또는 비 모바일 컴퓨팅 장치일 수 있으나 이에 제한되지 않는다. 또한, 자기 공명 영상 처리 장치는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 디바이스일 수 있다.
또한, 본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치(100)는 의료기관에서 이용하는 의료 영상 저장 전송 시스템(PACS: Picture Archiving and Communication System) 또는 자기 공명 영상 처리 장치와 통신하여 의료 영상 데이터를 송수신하고, 인공신공망 모델을 활용하여 자기 공명 영상 데이터를 복원하는 자기 공명 영상 처리 장치에 관한 것일 수 있다.
그리고, 본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치(100)는 클라우드 컴퓨팅 시스템(Cloud Computing System)의 형태로 구현될 수 있다. 클라우드 컴퓨팅은 인터넷상의 서버를 통하여 데이터 저장, 네트워크, 콘텐츠 사용 등IT 관련 서비스를 종합적으로 사용할 수 있는 컴퓨팅 환경이다. 이와 다르게, 자기 공명 영상 처리 장치는 서버 컴퓨팅, 엣지 컴퓨팅, 서버리스 컴퓨팅 등의 자기 공명 영상 처리 방법을 수행할 수 있는 다양한 형태의 컴퓨팅 시스템으로 구현될 수도 있다.
구체적으로, 본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치(100)는 각각 통신 모듈(110), 메모리(120), 프로세서(130) 및 데이터베이스(140)를 포함할 수 있다.
통신 모듈(110)은 통신망과 연동하여 자기 공명 영상 처리 장치(100)에 통신 인터페이스를 제공하는데, 자기 공명 영상 처리 장치(100)는 통신 모듈(110)을 이용하여 후술할 클라이언트 단말, PACS 단말 및 PACS 서버와 데이터를 송수신할 수 있다. 여기서, 통신 모듈(110)은 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.
예를 들어, 통신 모듈(110)은 랜(LAN), WCDMA(Wideband Code Division Multiple Access), LTE(Long Term Evolution), WiBro(Wireless Broadband Internet), 5세대 이동통신(5G), 초광역대 무선 통신(Ultra Wide-Band), 지그비(ZigBee), RF(Radio Frequency)통신, 무선랜(Wireless LAN), 와이파이(Wireless Fidelity), NFC(Near Field Communication), 블루투스, 적외선 통신 등을 통해 통신할 수 있다. 다만, 이는 예시적인 것으로서, 본 발명이 적용되는 실시예에 따라 당해 기술분야에서 적용 가능한 다양한 유무선 통신 기술이 이용될 수 있다.
한편, 본 발명에서 ‘단말’은 휴대성 및 이동성이 보장된 무선 통신 장치일 수 있으며, 예를 들어 스마트폰, 태블릿 PC 또는 노트북 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치일 수 있다. 또한 ‘단말’은 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드, 및 반지 등의 웨어러블 기기일 수도 있다. 또한, ‘단말’은 네트워크를 통해 다른 단말 또는 서버 등에 접속할 수 있는 PC 등의 유선 통신 장치인 것도 가능하다.
의료기관에는 일반적으로 의료 영상 촬영 기기와 연동되어 촬영 기기를 제어하거나 의료 영상 데이터 전송을 관리하는 클라이언트 단말과 의료진이 의료 영상 데이터를 보거나 가공 및 관리할 수 있는 PACS 프로그램이 설치된 PACS 단말이 배치될 수 있다. 클라이언트 단말은 사용자 로그인, 워크리스트 및 영상 처리 내역을 출력하기 위한 사용자 인터페이스(UI)를 제공하는 프로그램이 설치된 단말일 수 있다. PACS 단말은 PACS 서버에 저장된 의료 영상 데이터, 개인 정보 데이터를 자기 공명 영상 처리 장치(100)로 전송하고, 인공신경망 모델을 통해 복원된 의료 영상 데이터를 수신하여 PACS서버에 저장하거나, 디스플레이에 출력하기 위한 사용자 인터페이스를 제공하는 프로그램이 설치된 단말일 수 있다.
메모리(120)는 자기 공명 영상 처리 장치(100)에서 수행되는 프로그램이 기록된 저장 매체일 수 있다. 또한, 메모리(120)는 프로세서(130)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행할 수 있다. 여기서, 메모리(120)는 휘발성 저장 매체(volatile storage media) 또는 비휘발성 저장 매체(non-volatile storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
프로세서(130)는 자기 공명 영상 처리 장치(100)에서 수행되는 프로그램의 전체 과정을 제어할 수 있다. 여기서, 프로세서(130)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로서, 마이크로프로세서(microprocessor), 중앙처리장치(CPU: central processing unit), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array), 그래픽 처리 장치(GPU: graphics processing unit)등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
데이터베이스(140)는 자기 공명 영상 처리 장치(100)가 프로그램을 실행하기 위해 필요한 각종 데이터가 저장된 것일 수 있다. 예를 들어, 데이터베이스(140)는 사용자 리스트, 워크리스트 및 영상 처리 정보와 프로토콜 규칙, 의료 영상 데이터, 인공신경망 모델 및 학습 데이터가 저장된 것일 수 있다.
이하에서는, 본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치(100)에서 수행되는, 3D 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 방법에 대하여 설명하기로 한다.
도 2는 본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치에서 수행되는 3D 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 방법의 순서를 보여주는 순서도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용된 자기 공명 영상 처리 방법에 있어서, 가속화 촬영된 자기 공명 혈관 영상을 인풋으로 하고, 일반 촬영된 자기 공명 혈관 영상을 라벨로 하여 학습된 제1 인공 신경망 모델을 통하여 제1 자기 공명 혈관 영상을 획득하는 단계(S210)가 수행될 수 있다.
여기서 인풋이란 인공 신경망 모델을 학습시키기 위해 입력되는 데이터이고, 라벨이란 인풋 데이터에 라벨링된 데이터이며, 인공 신경망 모델은 인풋 데이터를 입력받으면 라벨 데이터에 가까운 아웃풋 데이터를 출력하도록 학습될 수 있다. 예를 들어 특정 대상체에 대해 촬영된 해상도가 낮은 자기 공명 영상이 인풋이 되고, 동일한 대상체에 대해 촬영된 해상도가 높아진 자기 공명 영상이 라벨이 될 수 있다.
그리고, 가속화 촬영이란 일반 촬영과 대비하여 획득하는 자기 공명 신호가 감소된 촬영을 의미할 수 있다. 예를 들어 일반 촬영은 풀 샘플링된 자기 공명 신호를 획득하는 것일 수 있고, 가속화 촬영은 서브 샘플링된 자기 공명 신호를 획득하는 것을 의미할 수 있다. 예를 들어 일반 촬영이란 100%의 자기 공명 신호를 획득하기 위해 1시간이 소요되는 촬영일 수 있고, 가속화 촬영이란 50%의 자기 공명 신호를 획득하기 위해 30분이 소요되는 촬영일 수 있다.
도 3은 본 발명의 일 실시예에 따른 풀 샘플링과 서브 샘플링의 차이점을 설명하기 위한 개략도이다.
도 3을 참조하면, 서브 샘플링된 자기 공명 신호는 나이키스트 샘플링 레이트보다 낮은 샘플링 레이트로 샘플링된 자기 공명 신호일 수 있다. 또한, 서브 샘플링된 자기 공명 영상은 나이키스트 샘플링 레이트보다 낮은 샘플링 레이트로 자기 공명 신호(310)를 샘플링하여 획득된 영상이다. 서브 샘플링된 자기 공명 영상은 엘리어싱 아티팩트(aliasing artifact)를 포함하는 영상일 수 있다. 엘리어싱 아티팩트는 스캔한 대상체가 FOV(field of view)보다 클 때 자기 공명 영상에 발생하는 인공적인 이미지일 수 있다. 한편, 풀 샘플링된 자기 공명 영상은 나이키스트 샘플링 레이트 이상의 샘플링 레이트로 k-space 데이터를 샘플링하여 획득된 영상일 수 있다.
예를 들어, 풀 샘플링된 자기 공명 신호(310)의 라인(line) 수가 n개이고 서브 샘플링된 자기 공명 신호(310)의 라인(line) 수가 n/2개일 수 있다. 여기서 샘플링 라인의 감소된 정도가 1/2 배수이면 자기 공명 영상 촬영의 가속화 지수가 2라고 할 수 있다. 샘플링 라인의 감소된 정도가 1/3 배수, 1/4 배수이면 가속화 지수는 각각 3, 4라고 할 수 있다.
그리고, 서브 샘플링 방법은 균일 서브 샘플링과 비균일 서브 샘플링으로 나뉠 수 있다. 균일 서브 샘플링은 샘플링되는 라인의 간격을 일정하게 유지하여 샘플링을 수행하는 것일 수 있다. 반면, 비균일 서브 샘플링은 일반적으로 샘플링 데이터의 중앙 부분으로 갈수록 샘플링되는 라인의 간격을 좁혀 샘플링을 많이 하고, 중앙 부분에서 멀어질수록 샘플링되는 라인의 간격을 넓히면서 샘플링을 적게 하는 것을 의미할 수 있다.
한편, 자기 공명 영상 처리 장치(100)는 MRI 시스템에 포함되어, RF 코일로부터 수신한 자기 공명 신호에 기초하여, 서브 샘플링된 자기 공명 신호에 대응되는 입력 데이터를 획득할 수 있다. 또한, 자기 공명 영상 처리 장치(100)는 외부의 자기 공명 영상 촬영 장치, 외부 서버 및 데이터 베이스 중 적어도 어느 하나로부터 서브 샘플링된 자기 공명 신호(310)에 대응되는 입력 데이터를 획득할 수도 있다.
그리고, 자기 공명 영상을 얻기 위하여 서브 샘플링된 자기 공명 신호로부터 병렬 영상 기법을 이용하여 k-space 데이터가 획득되고, 이 k-space 데이터를 역 퓨리에 연산하여 자기 공명 영상이 획득될 수 있다.
여기서, 병렬 영상 기법은 서브 샘플링된 자기 공명 신호 및/또는 k-space 데이터로부터 풀 샘플링된 k-space 데이터 및/또는 자기 공명 영상과 같이 정확도 높은 k-space 데이터 및/또는 자기 공명 영상을 획득하기 위한 일종의 영상 복원 기법이다.
병렬 영상 기법에 따른 영상 복원의 수행에 있어, 공지 기술인 SPACE RIP(Sensitivity Profiles From an Array of Coils for Encoding and Reconstruction in Parallel), SMASH(Simultaneous acquisition of spatial harmonics), PILS(Partially Parallel Imaging With Localized Sensitivitie), GRAPPA(Generalized Autocalibrating Partially Parallel Acquisitions) SPIRiT(iterative Self-consistent Parallel Imaging Reconstruction)등의 병렬 영상 기법에 적용될 수 있는 것이라면 제한 없이 적용이 가능하다.
도 4는 본 발명의 일 실시예에 따른 제1 인공 신경망 모델의 데이터 처리를 보여주는 도면이다.
도 4를 참조하면, 제1 인공 신경망 모델은 통계적 기계 학습 결과를 이용하여, 적어도 하나의 서브 샘플링된 자기 공명 영상과 적어도 하나의 풀 샘플링된 자기 공명 영상 간의 상관 관계를 학습하는 알고리즘의 집합일 수 있다. 제1 인공 신경망 모델(500)은 적어도 하나의 뉴럴 네트워크를 포함할 수 있다. 뉴럴 네트워크는 DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)과 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.
예를 들어, 제1 인공 신경망 모델은 뉴럴 네트워크를 이용하여 적어도 하나의 서브 샘플링된 자기 공명 영상 및 적어도 하나의 풀 샘플링된 자기 공명 영상 간의 상관 관계를 위상 인코딩 방향(Ky)에 따라 스택되는 적어도 하나의 샘플링 라인의 픽셀들을 단위로 학습하여 구축된 모델일 수 있다.
또한, 제1 인공 신경망 모델은 서브 샘플링된 자기 공명 영상 및 풀 샘플링된 자기 공명 영상 이외에도 다양한 추가 데이터를 이용하여 구축될 수 있다. 예를 들어, 추가 데이터로서 제1 자기 공명 영상에 대응되는 k-space 데이터, 실수 영상 데이터, 허수 영상 데이터, 크기 영상 데이터, 위상 영상 데이터 및 멀티 채널 RF 코일의 감도 데이터, 노이즈 패턴 영상 데이터 중 적어도 어느 하나가 이용될 수 있다.
도 5는 본 발명의 일 실시예에 따른 자기 공명 혈관 영상을 보여주는 도면이다.
도 5를 참조하면, 자기 공명 혈관 영상(MRA: Magnetic Resonance Angiography)이란 자기 공명 영상에서 혈관이 잘 보이도록 촬영된 것일 수 있다. 구체적으로, 자기 공명 혈관 영상이란 자기 공명 영상 기술을 이용하여 혈관내의 혈액의 흐름을 촬영한 영상일 수 있다. 대표적인 촬영 방법으로 ToF(Time-of-Flight)가 있다. TOF로 촬영된 자기 공명 혈관 영상은 유입 강화 효과(Inflow-enhancement Effect)를 이용한 것으로서 영상 내에서 혈관이 밝게 표시되는 영상을 의미할 수 있다. 또한 자기 공명 혈관 영상은 3차원 영상일 수 있다.
그 다음으로, 가속화 촬영된 자기 공명 혈관 영상 및 일반 촬영된 자기 공명 혈관 영상 중 적어도 어느 하나로부터 학습용 마스크를 획득하는 단계가 수행될 수 있다. 학습용 마스크를 획득하는 것은 사람이 자기 공명 혈관 영상을 육안으로 인식하여 관심 영역에 대하여 마스크로 쓰일 수 있는 부분을 표시하는 것으로서 획득될 수 있다. 또한 미리 설정된 프로그램을 이용하여 자동으로 학습용 마스크가 획득되도록 할 수도 있다.
도 6은 본 발명의 일 실시예에 따른 마스크를 보여주는 도면이다.
도 6을 참조하면, 마스크란 복수 개의 픽셀로 구성되는 이미지이며, 그 픽셀값이 0 또는 1로 설정된 이진 이미지를 의미할 수 있다. 또한 마스크란 이를 적용하고자 하는 이미지에 픽셀별 곱셈을 하기 위한 이미지로서, 특정 이미지에서 관심 영역만을 추출하기 위한 용도로 사용하기 위한 것일 수 있다.
그 다음으로, 자기 공명 혈관 영상 및 상기 자기 공명 혈관 영상으로부터 획득되는 초기 최대 강도 투영 영상 중 적어도 하나를 인풋으로 하고, 학습용 마스크를 라벨로 하여 학습된 제2 인공 신경망 모델에, 제1 자기 공명 혈관 영상 및 제1자기 공명 혈관영상으로부터 획득되는 초기 최대 강도 투영 영상 중 적어도 하나를 입력하는 단계(S220)가 수행될 수 있다.
도 7은 본 발명의 일 실시예에 따른 제2 인공 신경망 모델의 데이터 처리를 보여주는 도면이다.
도 7을 참조하면, 제2 인공 신경망 모델은 통계적 기계 학습 결과를 이용하여, 적어도 하나의 자기 공명 혈관 영상 또는 초기 최대 강도 투영 영상과 적어도 하나의 학습용 마스크 간의 상관 관계를 학습하는 알고리즘의 집합일 수 있다. 제2 인공 신경망 모델은 적어도 하나의 뉴럴 네트워크를 포함할 수 있다. 뉴럴 네트워크는 DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)과 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.
도 8은 본 발명의 일 실시예에 따른 초기 최대 강도 투영 영상을 보여주는 도면이다. 도 9는 본 발명의 일 실시예에 따른 최대 강도 투영 영상 획득 방법을 설명하기 위한 도면이다.
도 8 및 도 9를 참조하면, 최대 강도 투영 영상(MIP: Maximum Intensity Projection)이란 3차원 볼륨 영상을 2차원 영상으로 사영시키는 것으로서 생성되는 영상이다. 예를 들어, 3차원 볼륨 영상을 xy평면, yz평면, xz평면 중 어느 한 평면에 사영시켜 초기 최대 강도 투영 영상을 획득할 수 있다.
도 9를 참조하면, xy평면에 사영시키는 경우, xy평면의 각 좌표에 대해 z축을 따라 3차원 볼륨 영상을 구성하는 복수개의 이미지들의 각 픽셀값들 중 최대값을 가지는 픽셀값을 최대 강도 투영 영상의 대응되는 좌표의 픽셀값으로 설정되도록 할 수 있다. 예를 들어, 3차원 볼륨 영상을 구성하는 복수개의 이미지들에 대해 xy평면 기준 픽셀 좌표를 설정하면, z축을 따라 나열 배치되는 경우 앞에 배치되는 이미지(910)의 (1,1,1)좌표 픽셀과, 중간에 배치되는 이미지(920)의 (1,1,2)좌표 픽셀과, 뒤에 배치되는 이미지(930)의 (1,1,3)좌표 픽셀이 각각 대응될 수 있고, 각각 7, 5, 2의 픽셀값을 가질 수 있다. 이를 xy평면에 대해 사영시키면, 최대 강도 투영 영상(940)은 상기 이미지들의 각 좌표의 픽셀에 설정된 픽셀값 중 최대값인 7이 (1,1)좌표 픽셀의 픽셀값으로 설정된 이미지를 획득할 수 있는 것이다.
또한 위와 같은 방법으로 yz평면 및 xz평면을 기준으로 사영된 최대 강도 투영 영상을 획득할 수 있다. 그리고, 초기 최대 강도 투영 영상은 최대 강도 투영 영상에 마스크가 적용되지 않은 것을 의미할 수 있다.
그 다음으로, 제2 인공 신경망 모델로부터 제1 마스크를 출력하는 단계(S230)가 수행될 수 있다.
그 다음으로, 제1 마스크를 제1 자기 공명 혈관 영상에 적용하여 제2자기 공명 혈관 영상을 획득하는 단계(S240)가 수행될 수 있다.
도 10은 본 발명의 일 실시예에 따른 마스크를 자기 공명 혈관 영상에 적용하는 방법을 설명하기 위한 도면이다.
도 10을 참조하면, 제1마스크를 제1자기 공명 혈관 영상에 적용하는 것은, 제1마스크의 픽셀값을 제1마스크의 픽셀들과 각각 대응되는 제1자기 공명 혈관 영상을 구성하는 2차원 이미지들의 픽셀들의 픽셀값에 곱하는 것을 포함할 수 있다. 예를 들어 3x3픽셀로 구성된 제1마스크(1100)의 픽셀값을 3x3픽셀로 구성된 제1 자기 공명 혈관 영상의 2차원 이미지(1200)의 픽셀들의 픽셀값에 곱하여 제2 자기 공명 혈관 영상(1300)을 획득할 수 있다.
그 다음으로 제2자기 공명 혈관 영상(1200)으로부터 최종 최대 강도 투영 영상(1300)을 획득하는 단계(S250)가 수행될 수 있다.
도 11은 본 발명의 일 실시예에 따른 최종 최대 강도 투영 영상을 보여주는 도면이다.
도 11을 참조하면, 제2 자기 공명 혈관 영상으로부터 최종 최대 강도 투영 영상을 획득하는 것은, 3차원의 제2 자기 공명 혈관 영상을 구성하는 이차원 이미지들 픽셀들 각각의 픽셀값 중 최대 값을 가지는 픽셀값을 x축, y축 및 z축 중 어느 하나의 축을 따라 2차원 평면에 사영시켜 최대 강도 투영 영상을 획득하는 것을 포함할 수 있다. 최종 최대 강도 투영 영상이란 최대 강도 투영 영상 중 마스크가 적용된 최대 강도 투영 영상을 의미할 수 있다.
이상으로 설명한, 본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법은 인공 신경망 모델을 이용하여 자기 공명 혈관 영상으로부터 최종 최대 강도 투영 영상을 빠른 속도로 출력할 수 있다.
본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법은 제1 인공 신경망 모델을 이용하여 가속화 촬영된 자기 공명 혈관 영상으로부터 신호 대 잡음비가 향상된 자기 공명 혈관 영상을 출력할 수 있다.
본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법은 제2 인공 신경망 모델을 이용하여 자기 공명 혈관 영상 또는 초기 최대 강도 투영 영상으로부터 마스크를 출력할 수 있다.
본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법은 자기 공명 혈관 영상 또는 초기 최대 강도 투영 영상과 마스크로부터 자동으로 최종 최대 강도 투영 영상을 출력할 수 있다.
한편, 본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 방법은 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.
이상의 설명은 본 발명의 기술적 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예는 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술적 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 3D 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치
110: 통신 모듈
120: 메모리
130: 프로세서
140: 데이터베이스

Claims (8)

  1. 3D 마스크 자동 생성 기법이 적용된 자기 공명 영상 처리 방법에 있어서,
    자기 공명 혈관 영상으로부터 획득되는 초기 최대 강도 투영 영상을 인풋으로 하고, 학습용 마스크를 라벨로 하여 학습된 제2 인공 신경망 모델에, 제1 자기 공명 혈관 영상으로부터 획득되는 초기 최대 강도 투영 영상을 입력하는 단계;
    상기 제2 인공 신경망 모델로부터 제1 마스크를 출력하는 단계;
    상기 제1 마스크를 상기 제1 자기 공명 혈관 영상에 적용하여 제2 자기 공명 혈관 영상을 획득하는 단계; 및
    상기 제2 자기 공명 혈관 영상으로부터 최종 최대 강도 투영 영상을 획득하는 단계를 포함하고,
    상기 제1 자기 공명 혈관 영상은 가속화 촬영된 자기 공명 혈관 영상을 인풋으로 하고, 일반 촬영된 자기 공명 혈관 영상을 라벨로 하여 학습된 제1 인공 신경망 모델에 가속화 촬영된 자기 공명 혈관 영상을 입력한 것의 출력으로서 획득되는 것이고,
    상기 제1 마스크는 복수개의 픽셀값이 각각 0 또는 1로 설정된 2차원 이미지인, 자기 공명 영상 처리 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 제1항에 있어서,
    상기 제1 마스크를 상기 제1 자기 공명 혈관 영상에 적용하는 것은, 상기 제1 마스크의 픽셀값을 상기 제1 마스크의 픽셀들과 각각 대응되는 상기 제1 자기 공명 혈관 영상을 구성하는 2차원 이미지의 픽셀들의 픽셀값에 곱하는 것을 포함하는, 자기 공명 영상 처리 방법.
  6. 제1항에 있어서,
    제2 자기 공명 혈관 영상으로부터 최종 최대 강도 투영 영상을 획득하는 것은,
    3차원의 상기 제2 자기 공명 혈관 영상을 구성하는 2차원 이미지의 픽셀들 각각의 픽셀값 중 최대 값을 가지는 픽셀값을 x축, y축 및 z축 중 어느 하나의 축을 따라 2차원 평면에 사영시켜 최대 강도 투영 영상을 획득하는 것을 포함하는, 자기 공명 영상 처리 방법.
  7. 삭제
  8. 3D 마스크 자동 생성 기법이 적용된 자기 공명 영상 처리 장치에 있어서,
    자기 공명 영상 처리 프로그램이 저장된 메모리; 및
    상기 프로그램을 실행하는 프로세서를 포함하고,
    상기 프로세서는 상기 프로그램의 실행에 따라, 자기 공명 혈관 영상으로부터 획득되는 초기 최대 강도 투영 영상을 인풋으로 하고, 학습용 마스크를 라벨로 하여 학습된 제2 인공 신경망 모델에, 제1 자기 공명 혈관 영상으로부터 획득되는 초기 최대 강도 투영 영상을 입력하고, 상기 제2 인공 신경망 모델로부터 제1 마스크를 출력하고, 상기 제1 마스크를 상기 제1 자기 공명 혈관 영상에 적용하여 제2 자기 공명 혈관 영상을 획득하고, 상기 제2 자기 공명 혈관 영상으로부터 최종 최대 강도 투영 영상을 획득하며,
    상기 제1 자기 공명 혈관 영상은 가속화 촬영된 자기 공명 혈관 영상을 인풋으로 하고, 일반 촬영된 자기 공명 혈관 영상을 라벨로 하여 학습된 제1 인공 신경망 모델에 가속화 촬영된 자기 공명 혈관 영상을 입력한 것의 출력으로서 획득되는 것이고,
    상기 제1 마스크는 복수개의 픽셀값이 각각 0 또는 1로 설정된 2차원 이미지인, 자기 공명 영상 처리 장치.
KR1020210120026A 2021-09-08 2021-09-08 3d 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법 KR102475390B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210120026A KR102475390B1 (ko) 2021-09-08 2021-09-08 3d 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210120026A KR102475390B1 (ko) 2021-09-08 2021-09-08 3d 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR102475390B1 true KR102475390B1 (ko) 2022-12-07

Family

ID=84441375

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210120026A KR102475390B1 (ko) 2021-09-08 2021-09-08 3d 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102475390B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102210457B1 (ko) 2017-09-29 2021-02-01 연세대학교 산학협력단 학습을 이용한 자기공명영상 복원을 위한 언더샘플링 장치 및 방법과 학습을 이용한 자기공명영상 복원 장치 및 방법, 그리고 이에 대한 기록 매체
US20210118205A1 (en) * 2019-10-17 2021-04-22 Rutgers, The State University Of New Jersey Systems and Methods for Joint Reconstruction and Segmentation of Organs From Magnetic Resonance Imaging Data

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102210457B1 (ko) 2017-09-29 2021-02-01 연세대학교 산학협력단 학습을 이용한 자기공명영상 복원을 위한 언더샘플링 장치 및 방법과 학습을 이용한 자기공명영상 복원 장치 및 방법, 그리고 이에 대한 기록 매체
US20210118205A1 (en) * 2019-10-17 2021-04-22 Rutgers, The State University Of New Jersey Systems and Methods for Joint Reconstruction and Segmentation of Organs From Magnetic Resonance Imaging Data

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
Christoph Angermann et al, Random 2.5D U-net for Fully 3D Segmentation, arXiv, 2019.10.23., pp.1-10.* *
Christoph Angermann 외, Random 2.5D U-net for Fully 3D Segmentation, arXiv, 2019.10.23., pp.1-10.*
Daiju Ueda et al, Deep Learning-based Angiogram Generation Model for Cerebral Angiography without Misregistration Artifacts, Radiology, 2021.03.30., Vol.299, No.3, pp.1-7. *
Daiju Ueda 외, Deep Learning-based Angiogram Generation Model for Cerebral Angiography without Misregistration Artifacts, Radiology, 2021.03.30., Vol.299, No.3, pp.1-7.
Eunju Cha et al, k-Space Deep Learning for Parallel MRI: Application to Time-Resolved MR Angiography, arXiv, 2018.06.10., pp.1-11.* *
Eunju Cha 외, k-Space Deep Learning for Parallel MRI: Application to Time-Resolved MR Angiography, arXiv, 2018.06.10., pp.1-11.*
Fujita et al, Deep Learning Approach for Generating MRA Images From 3D Quantitative Synthetic MRI Without Additional Scans, Investigative Radiology, 2020.04.30., Vol.55, No.4, pp.249-256. *
Fujita 외, Deep Learning Approach for Generating MRA Images From 3D Quantitative Synthetic MRI Without Additional Scans, Investigative Radiology, 2020.04.30., Vol.55, No.4, pp.249-256.
Michal Klimont et al, Deep learning for cerebral angiography segmentation from non-contrast computed tomography, PLOS ONE, Vol.15, No.7, 2020.07.31., pp.1-15. *
Michal Klimont 외, Deep learning for cerebral angiography segmentation from non-contrast computed tomography, PLOS ONE, Vol.15, No.7, 2020.07.31., pp.1-15.

Similar Documents

Publication Publication Date Title
US10803631B2 (en) Systems and methods for magnetic resonance imaging
US20200294282A1 (en) Deep learning techniques for alignment of magnetic resonance images
US10198799B2 (en) Method and apparatus for processing magnetic resonance image
KR102588863B1 (ko) 자기 공명 영상 처리 장치 및 그 방법
US11120585B2 (en) Systems and methods for image reconstruction
US8897515B2 (en) Method for compressed sensing image reconstruction using a priori knowledge of spatial support
US20220268866A1 (en) System and method for magnetic resonance imaging acceleration
US11506735B2 (en) Systems and methods for magnetic resonance imaging
KR102428725B1 (ko) 영상 개선 방법 및 이를 수행하는 컴퓨터 프로그램
US20190285713A1 (en) Noise suppression for wave-caipi
KR102584166B1 (ko) 리스케일링과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법
CN111685766A (zh) 成像系统和方法
US11880915B2 (en) Systems and methods for magnetic resonance imaging
KR102475390B1 (ko) 3d 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법
KR102467249B1 (ko) 멀티 시퀀스 복원 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법
KR102472546B1 (ko) 노이즈 투 노이즈 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법
KR102429284B1 (ko) 컴바인이 적용되는 자기 공명 영상 처리 장치 및 그 방법
KR102475397B1 (ko) 슬라이스 레졸루션 향상이 적용된 자기 공명 영상 처리 장치 및 그 방법
US20240127498A1 (en) Magnetic resonance image processing method and apparatus using scan parameters
WO2022124473A1 (ko) K-space 도메인에 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법
KR102572311B1 (ko) 보조맵과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법
KR102467290B1 (ko) 페이즈 레졸루션 향상이 적용된 자기 공명 영상 처리 장치 및 그 방법
US20220351499A1 (en) Medical image acquisition apparatus and method
CN115201731A (zh) 磁共振成像方法及磁共振成像系统

Legal Events

Date Code Title Description
AMND Amendment
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant