KR102483585B1 - 초기 동적 영상데이터 기반 진단용 영상 생성방법 및 프로그램 - Google Patents
초기 동적 영상데이터 기반 진단용 영상 생성방법 및 프로그램 Download PDFInfo
- Publication number
- KR102483585B1 KR102483585B1 KR1020180051627A KR20180051627A KR102483585B1 KR 102483585 B1 KR102483585 B1 KR 102483585B1 KR 1020180051627 A KR1020180051627 A KR 1020180051627A KR 20180051627 A KR20180051627 A KR 20180051627A KR 102483585 B1 KR102483585 B1 KR 102483585B1
- Authority
- KR
- South Korea
- Prior art keywords
- image data
- learning
- initial dynamic
- dynamic image
- initial
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003745 diagnosis Methods 0.000 claims abstract description 80
- 239000003814 drug Substances 0.000 claims abstract description 38
- 229940079593 drug Drugs 0.000 claims abstract description 32
- 238000002347 injection Methods 0.000 claims abstract description 10
- 239000007924 injection Substances 0.000 claims abstract description 10
- 239000000700 radioactive tracer Substances 0.000 claims description 34
- 238000002600 positron emission tomography Methods 0.000 claims description 31
- 230000000694 effects Effects 0.000 claims description 13
- 230000017531 blood circulation Effects 0.000 claims description 11
- 230000007423 decrease Effects 0.000 claims description 11
- 230000003111 delayed effect Effects 0.000 claims description 11
- 238000003384 imaging method Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 230000005855 radiation Effects 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000002591 computed tomography Methods 0.000 description 8
- 238000002059 diagnostic imaging Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 102000018711 Facilitative Glucose Transport Proteins Human genes 0.000 description 5
- 108091052347 Glucose transporter family Proteins 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 4
- 210000005013 brain tissue Anatomy 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- VYFYYTLLBUKUHU-UHFFFAOYSA-N dopamine Chemical compound NCCC1=CC=C(O)C(O)=C1 VYFYYTLLBUKUHU-UHFFFAOYSA-N 0.000 description 4
- AOYNUTHNTBLRMT-SLPGGIOYSA-N 2-deoxy-2-fluoro-aldehydo-D-glucose Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](F)C=O AOYNUTHNTBLRMT-SLPGGIOYSA-N 0.000 description 3
- 102000005548 Hexokinase Human genes 0.000 description 3
- 108700040460 Hexokinases Proteins 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000002872 contrast media Substances 0.000 description 3
- 238000013481 data capture Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000009206 nuclear medicine Methods 0.000 description 3
- 230000002285 radioactive effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- VRYALKFFQXWPIH-PBXRRBTRSA-N (3r,4s,5r)-3,4,5,6-tetrahydroxyhexanal Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)CC=O VRYALKFFQXWPIH-PBXRRBTRSA-N 0.000 description 2
- 102000006441 Dopamine Plasma Membrane Transport Proteins Human genes 0.000 description 2
- 108010044266 Dopamine Plasma Membrane Transport Proteins Proteins 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 2
- 208000018737 Parkinson disease Diseases 0.000 description 2
- -1 Radiotracers Substances 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 229960003638 dopamine Drugs 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- 230000004153 glucose metabolism Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000001727 in vivo Methods 0.000 description 2
- 239000003446 ligand Substances 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000012217 radiopharmaceutical Substances 0.000 description 2
- 229940121896 radiopharmaceutical Drugs 0.000 description 2
- 230000002799 radiopharmaceutical effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- ZCXUVYAZINUVJD-AHXZWLDOSA-N 2-deoxy-2-((18)F)fluoro-alpha-D-glucose Chemical compound OC[C@H]1O[C@H](O)[C@H]([18F])[C@@H](O)[C@@H]1O ZCXUVYAZINUVJD-AHXZWLDOSA-N 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 229910019142 PO4 Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 210000001130 astrocyte Anatomy 0.000 description 1
- 230000008499 blood brain barrier function Effects 0.000 description 1
- 210000001218 blood-brain barrier Anatomy 0.000 description 1
- 238000007469 bone scintigraphy Methods 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 210000001638 cerebellum Anatomy 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000013872 defecation Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003291 dopaminomimetic effect Effects 0.000 description 1
- 238000001647 drug administration Methods 0.000 description 1
- 230000029142 excretion Effects 0.000 description 1
- 150000002402 hexoses Chemical class 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004066 metabolic change Effects 0.000 description 1
- 230000027939 micturition Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000000869 occipital lobe Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000003285 pharmacodynamic effect Effects 0.000 description 1
- 239000010452 phosphate Substances 0.000 description 1
- 125000002467 phosphate group Chemical group [H]OP(=O)(O[H])O[*] 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000012857 radioactive material Substances 0.000 description 1
- 239000000941 radioactive substance Substances 0.000 description 1
- 239000002287 radioligand Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 210000003556 vascular endothelial cell Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
본 발명은 초기 동적 영상데이터 기반 진단용 영상 생성방법 및 프로그램에 관한 것이다.
본 발명의 일실시예에 따른 초기 동적 영상데이터 기반 진단용 영상 생성방법은, 컴퓨팅시스템이 하나 이상의 환자에 대한 학습용 초기 동적 영상데이터와 학습용 딜레이 영상데이터를 획득하는 단계; 및 컴퓨팅시스템이 상기 학습용 초기 동적 영상데이터와 상기 학습용 딜레이 영상데이터를 학습하여 진단용 영상 예측모델을 생성하는 단계;를 포함하고, 상기 진단용 영상 예측모델은 신규 환자에 대한 진단용 초기 동적 영상데이터를 기반으로 신규 딜레이 영상데이터를 산출하는 것이며, 상기 초기 동적 영상데이터는 약품 주입 후 초기범위에서 특정한 제1시간 동안 획득되는 데이터로서, 하나 이상의 영상프레임을 포함하는 데이터이며, 상기 딜레이 영상데이터는 기준시간 후에 획득되는 것으로서, 환자 진단에 이용되는 진단용 영상이다.
본 발명의 일실시예에 따른 초기 동적 영상데이터 기반 진단용 영상 생성방법은, 컴퓨팅시스템이 하나 이상의 환자에 대한 학습용 초기 동적 영상데이터와 학습용 딜레이 영상데이터를 획득하는 단계; 및 컴퓨팅시스템이 상기 학습용 초기 동적 영상데이터와 상기 학습용 딜레이 영상데이터를 학습하여 진단용 영상 예측모델을 생성하는 단계;를 포함하고, 상기 진단용 영상 예측모델은 신규 환자에 대한 진단용 초기 동적 영상데이터를 기반으로 신규 딜레이 영상데이터를 산출하는 것이며, 상기 초기 동적 영상데이터는 약품 주입 후 초기범위에서 특정한 제1시간 동안 획득되는 데이터로서, 하나 이상의 영상프레임을 포함하는 데이터이며, 상기 딜레이 영상데이터는 기준시간 후에 획득되는 것으로서, 환자 진단에 이용되는 진단용 영상이다.
Description
본 발명은 초기 동적 영상데이터 기반 진단용 영상 생성방법 및 프로그램에 관한 것으로, 보다 자세하게는 초기의 시간범위에서 획득된 초기 동적 영상데이터를 기반으로 환자 진단 시에 이용되는 기준시간 경과 후의 진단용 영상을 예측하여 생성하는 방법 및 프로그램에 관한 것이다.
PET(Positron Emission Computed Tomography) 검사는 양전자 방출 방사성 동위원소를 투여하고, 이때 몸 밖으로 방출되는 방사선을 획득하여 인체의 대사변화 및 수용체 분포에 관련된 유용한 진단적 정보들을 얻어내는 최첨단의 핵의학영상검사법이다. 최근에는 단순한 PET영상만을 획득하는 것에서 한발 더 나아가 CT(Computed Tomography) 혹은 MRI(Magnetic Resonance Image) 장비까지 Fusion된 Hybrid Scanner로 점점 진화를 거듭하고 있다. 이에 현재의 PET 검사에서는 PET 장치와 CT 장치를 하나의 동체에 결합한 PET/CT Scanner를 기본으로 사용하면서 추가로 CT영상의 해부학적 정보를 얻게 되어 PET 영상에서 확인된 병변의 정확한 위치 및 깊이 정보까지 제공할 수 있게 되었다.
통상적으로 PET검사는 방사성 동위원소가 표지된 트레이서(Tracer)를 인체 내에 주사한 후 트레이서 특이 결합과 비특이결합이 안정상태에 도달하거나 그 차이가 최대가 되는 특정한 시간(예를 들어, 2시간 내지 3시간)이 경과된 이후에 획득되는 PET 영상을 기반으로 환자 진단을 수행한다. 즉, 혈류에 의한 영향이 배제된 PET영상을 획득(예를 들어, FP-CIT를 트레이서로 이용하는 경우)하거나 영역 간의 비율(Ratio) 차이가 크게 된 PET영상을 획득(예를 들어, FDG를 트레이서로 이용하는 경우)하기 위해 특정한 시간이 경과된 이후의 PET영상을 획득하게 된다. 구체적으로, 핵의학 영상 중 임상적으로 많이 이용되고 있는 검사들에 사용되는 방사성의약품(Radiopharmaceuticals, Radiotracer 또는 Radioligand)들의 체내 약 역학이 서로 다르나, 대부분 주사 후 1시간이 이상 지난 후 촬영을 시작하여 딜레이 영상데이터를 획득한다. Bone scan은 약 3시간, FDG PET는 약 1시간, 도파민운반체 PET은 약 3시간, 아밀로이드 PET은 약 90분이 경과된 후에 딜레이 영상데이터 획득을 위한 촬영을 수행한다. 이를 위해, 환자는 병원에 내원하여 진단용 의약품(즉, 트레이서)을 투여받은 후에 PET 영상을 촬영할 기준시점까지 대기하게 된다. 이에 따라, 항정상태(Steady State)에 도달하기까지 긴 시간동안 환자는 투여된 의약품에 의하여 다른 환자 및 보호자가 방사선에 피폭이 되지 않도록 대기실에 상주하여야 한다. 특히, FDG를 트레이서로 이용하는 경우, 대기 시간동안 뇌가 자극되거나 수의적/불수의적으로 움직이면 포도당운반체의 활성과 hexokinase의 활성이 동반 상승하여 포도당 대사가 증가하여 영상에 왜곡을 생성시키게 되므로, 환자들은 어두운 방에서 움직이지 않고 특정시간 이상 대기하여야 한다.
본 발명은, 여러 환자에 대한 초기 동적 영상데이터와 딜레이 영상데이터를 학습한 진단용 영상 예측모델을 이용하여, 의료진이 진단에 활용하기 위한 딜레이 영상데이터를 촬영할 시점까지 대기하지 않고 초기 범위의 초기 동적 영상데이터를 이용하여 진단용 딜레이 영상데이터를 예측하여 제공하는, 초기 동적 영상데이터 기반 진단용 영상 생성방법 및 프로그램을 제공하고자 한다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일실시예에 따른 초기 동적 영상데이터 기반 진단용 영상 생성방법은, 컴퓨팅시스템이 하나 이상의 환자에 대한 학습용 초기 동적 영상데이터와 학습용 딜레이 영상데이터를 획득하는 단계; 및 컴퓨팅시스템이 상기 학습용 초기 동적 영상데이터와 상기 학습용 딜레이 영상데이터를 학습하여 진단용 영상 예측모델을 생성하는 단계;를 포함하고, 상기 진단용 영상 예측모델은 신규 환자에 대한 진단용 초기 동적 영상데이터를 기반으로 신규 딜레이 영상데이터를 산출하는 것이며, 상기 초기 동적 영상데이터는 약품 주입 후 초기범위에서 특정한 제1시간 동안 획득되는 데이터로서, 하나 이상의 영상프레임을 포함하는 데이터이며, 상기 딜레이 영상데이터는 기준시간 후에 획득되는 것으로서, 환자 진단에 이용되는 진단용 영상이다.
또한, 다른 일실시예로, 상기 영상데이터는 양전자 방출 단층촬영(Positron Emission Tomography) 영상데이터이며, 상기 약품은 트레이서인 것을 특징으로 한다.
또한, 다른 일실시예로, 상기 초기 동적 영상데이터는, 요구되는 프레임의 개수에 따라 상기 제1시간 내의 영상프레임의 화질이 설정되는 것을 특징으로 한다.
또한, 다른 일실시예로, 영상데이터 촬영에 이용되는 약품이 특정한 타겟영역에 결합하는 트레이서인 경우, 상기 딜레이 영상데이터는 혈류에 의한 영향이 배제된 시점에 획득되는 것이고, 상기 초기 동적 영상데이터는 레퍼런스 영역에서 혈류에 의한 영향이 감소되기 시작하는 시점 이후 또는 상기 타겟영역과 레퍼런스영역의 선량 비율 차이값이 특정값 이상이 되거나 비율 차이값이 최대가 되는 시점 주변에서 획득되는 것을 특징으로 한다.
또한, 다른 일실시예로, 초기시간범위 동안의 초기설정용 초기 동적 영상데이터 및 초기설정용 딜레이 영상데이터를 획득하는 단계; 및 초기시간범위의 상기 초기설정용 초기 동적 영상데이터와 상기 초기설정용 딜레이 영상데이터를 학습하여, 초기시간범위에 포함된 최적의 제1시간을 산출하는 단계;를 더 포함한다.
또한, 다른 일실시예로, 상기 진단용 영상 예측모델 생성단계는, 시간 경과에 따른 상기 초기 동적 영상 데이터 내의 각 픽셀의 변화와 상기 딜레이 영상 프레임 내의 각 픽셀을 매칭하여 학습하거나, 시간 경과에 따른 초기 동적 영상데이터 내의 각 영상 프레임을 다채널 입력으로 하여 딜레이 영상 데이터를 학습하는 것을 특징으로 한다.
또한, 다른 일실시예로, 학습데이터 획득 시와 진단 시에 사용되는 약품의 양이 상이한 경우, 상기 신규 딜레이 영상데이터는, 상기 학습용 초기 동적 영상데이터와 상기 진단용 초기 동적 영상데이터의 밝기 또는 색상 차이를 반영하여 생성되는 것을 특징으로 한다.
또한, 다른 일실시예로, 학습용 초기 동적 영상 데이터와 진단용 초기 동적 영상 데이터의 밝기를 최대값 또는 평균값을 기준으로 정규화하여 신규 딜레이 영상 데이터를 생성하는 것을 특징으로 한다.
본 발명의 다른 일실시예에 따른 초기 동적 영상데이터 기반 진단용 영상 생성방법은, 컴퓨팅시스템이 하나 이상의 환자에 대한 학습용 초기 동적 영상데이터와 학습용 딜레이 영상데이터를 획득하는 단계; 컴퓨팅시스템이 상기 학습용 초기 동적 영상데이터와 상기 학습용 딜레이 영상데이터를 학습하여 진단용 영상 예측모델을 생성하는 단계; 및 상기 컴퓨팅시스템이 상기 진단용 영상 예측모델에 신규 환자에 대한 진단용 초기 동적 영상데이터를 입력하여 신규 딜레이 영상데이터를 산출하는 단계;를 포함하고, 상기 초기 동적 영상데이터는 약품 주입 후 초기범위에서 특정한 제1시간 동안 획득되는 데이터로서, 하나 이상의 영상프레임을 포함하는 데이터이며, 상기 딜레이 영상데이터는 기준시간 후에 획득되는 것으로서, 환자 진단에 이용되는 진단용 영상이다.
본 발명의 또 다른 일실시예에 따른 초기 동적 영상데이터 기반 진단용 영상 생성방법은, 컴퓨팅시스템이 진단용 영상 예측모델에 신규 환자에 대한 진단용 초기 동적 영상데이터를 수신하는 단계; 및 상기 초기 동적 영상데이터를 기반으로 신규 딜레이 영상데이터를 산출하는 단계;를 포함하고, 상기 진단용 영상 예측모델은, 하나 이상의 환자에 대한 학습용 초기 동적 영상데이터와 학습용 딜레이 영상데이터를 획득한 후 학습하여 생성되는 것이며, 상기 초기 동적 영상데이터는 약품 주입 후 초기범위에서 특정한 제1시간 동안 획득되는 데이터로서, 하나 이상의 영상프레임을 포함하는 데이터이며, 상기 딜레이 영상데이터는 기준시간 후에 획득되는 것으로서, 환자 진단에 이용되는 진단용 영상이다.
또한, 다른 일실시예로, 학습데이터 획득 시와 진단 시에 사용되는 약품의 양이 상이한 경우, 상기 신규 딜레이 영상데이터 산출단계는, 상기 학습용 초기 동적 영상데이터와 상기 진단용 초기 동적 영상데이터의 밝기 또는 색상 차이를 반영하여 상기 신규 딜레이 영상데이터를 생성하는 것을 특징으로 한다.
본 발명의 다른 일실시예에 따른 초기 동적 영상데이터 기반 진단용 영상 생성프로그램은, 하드웨어와 결합되어 상기 언급된 초기 동적 영상데이터 기반 진단용 영상 생성방법을 실행하며, 매체에 저장된다.
상기와 같은 본 발명에 따르면, 아래와 같은 다양한 효과들을 가진다.
첫째, 환자는 약품(예를 들어, 트레이서)을 투여한 후 기준시간이 경과할 때까지 대기하지 않아도 되므로, 환자들이 PET 검사를 위해 병원에서 소비하는 시간을 줄일 수 있다.
둘째, 딜레이 영상데이터를 직접 획득하기 위해 약물을 주입할 때에 비해 진단용 초기 동적 영상데이터 획득 시에 적은 양의 약물을 이용할 수 있으므로, 환자 신체에 영향을 미치는 방사선량을 줄일 수 있다.
도 1은 본 발명의 일실시예에 따른 초기 동적 영상데이터 기반 진단용 영상 생성방법이다.
도 2는 본 발명의 일실시예에 따라 FP-CIT를 투입하여 획득되는 영상데이터와 영상데이터의 변화를 나타내는 그래프이다.
도 3은 본 발명의 일실시예에 따라 FDG를 투입하여 획득되는 영상데이터와 영상데이터의 변화를 나타내는 그래프이다.
도 4은 본 발명의 일실시예에 따른 제1시간 범위 산출과정을 더 포함하는 초기 동적 영상데이터 기반 진단용 영상 생성방법이다.
도 5은 본 발명의 다른 일실시예에 따른 초기 동적 영상데이터 기반 진단용 영상 생성방법이다.
도 6는 본 발명의 또 다른 일실시예에 따른 초기 동적 영상데이터 기반 진단용 영상 생성방법의 순서도이다.
도 2는 본 발명의 일실시예에 따라 FP-CIT를 투입하여 획득되는 영상데이터와 영상데이터의 변화를 나타내는 그래프이다.
도 3은 본 발명의 일실시예에 따라 FDG를 투입하여 획득되는 영상데이터와 영상데이터의 변화를 나타내는 그래프이다.
도 4은 본 발명의 일실시예에 따른 제1시간 범위 산출과정을 더 포함하는 초기 동적 영상데이터 기반 진단용 영상 생성방법이다.
도 5은 본 발명의 다른 일실시예에 따른 초기 동적 영상데이터 기반 진단용 영상 생성방법이다.
도 6는 본 발명의 또 다른 일실시예에 따른 초기 동적 영상데이터 기반 진단용 영상 생성방법의 순서도이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.
본 명세서에서 '컴퓨팅시스템'은 연산처리를 수행하는 다양한 장치들이 모두 포함된다. '컴퓨팅시스템'은 하나 이상의 컴퓨터를 포함할 수 있다. 예를 들어, 컴퓨터는 데스크 탑 PC, 노트북(Note Book) 뿐만 아니라 스마트폰(Smart phone), 태블릿 PC, 셀룰러폰(Cellular phone), 피씨에스폰(PCS phone; Personal Communication Service phone), 동기식/비동기식 IMT-2000(International Mobile Telecommunication-2000)의 이동 단말기, 팜 PC(Palm Personal Computer), 개인용 디지털 보조기(PDA; Personal Digital Assistant) 등도 해당될 수 있다. 또한, 컴퓨터는 의료영상을 획득하거나 관찰하는 의료장비도 해당될 수 있다. 또한, 컴퓨터는 다양한 클라이언트 컴퓨터와 연결되는 서버 컴퓨터가 해당될 수 있다.
본 명세서에서 '영상데이터'는 의료영상촬영장치에 의해 획득되는 영상을 의미한다.
본 명세서에서 '의료영상촬영장치'는 의료영상 획득에 이용되는 기기를 의미한다. 예를 들어, '의료영상촬영장치'는 양전자 방출 단층촬영(Positron Emission Tomography) 영상 촬영기기, 자기공명영상(Magnetic Resonance Imaging; MRI) 촬영기기 등을 포함할 수 있다.
본 명세서에서 '딜레이(Delay) 영상데이터'는 기준시간 후에 획득되는 것으로서, 환자 진단에 이용되는 진단용 영상을 의미한다.
본 명세서에서 '기준시간'은 약품(예를 들어, 조영제 또는 트레이서)를 주입한 최초 시점으로부터 환자 상태를 진단 가능한 영상데이터를 획득 가능한 시점(즉, 기준시점)까지의 시간을 의미한다.
본 명세서에서 '약품'은 의료영상데이터 촬영 시에 신체 내부에 주입되는 것을 의미한다. 예를 들어, '약품'은 자기공명영상(Magnetic Resonance Imaging; MRI) 촬영 또는 컴퓨터 단층촬영(Computed Tomography; CT)에 이용되는 조영제, 양전자 방출 단층촬영(Positron Emission Tomography) 영상 촬영 시에 이용되는 트레이서(Tracer) 등이 해당될 수 있다.
본 명세서에서 '초기 동적 영상데이터'는 연속적인 복수의 영상프레임을 포함하는 영상데이터를 의미한다. '초기 동적 영상데이터'는 딜레이 영상데이터가 획득되는 기준시점보다 이전에 획득되는 것으로서, 초기 시간범위(예를 들어, 영상 촬영 시에 투여되는 조영제 또는 트레이서를 삽입한 후 짧은 시간 이후의 시간범위)에 획득되는 것이다.
본 명세서에서 '학습용 초기 동적 영상데이터'는 진단용 영상 예측모델의 학습에 이용되는 학습데이터에 포함되는 초기 동적 영상데이터를 의미한다.
본 명세서에서 '학습용 딜레이 영상데이터'는 진단용 영상 예측모델의 학습에 이용되는 학습데이터에 포함되는 딜레이 영상데이터를 의미한다.
본 명세서에서 '진단용 초기 동적 영상데이터'는 특정한 환자의 딜레이 영상데이터 산출을 위해 획득되는 초기 동적 영상데이터를 의미한다.
본 명세서에서 '신규 딜레이 영상데이터'는 특정한 환자 진단을 위해 진단용 영상 예측모델을 통해 산출되는 딜레이 영상데이터를 의미한다.
본 명세서에서 '제1시간'은 초기 동적 영상데이터가 획득되는 시간범위를 의미한다. 즉, '제1시간'은 초기 동적 영상데이터가 획득되기 시작되는 시점부터 마지막 영상프레임이 획득되는 시점까지의 시간범위를 의미한다.
본 명세서에서 '초기시간범위'는 학습용 초기 동적 영상데이터를 획득하는 제1시간를 추출하기 위한 시간범위를 의미한다.
본 명세서에서 '초기설정용 초기 동적 영상데이터'는 상기 초기시간범위에서 연속되는 복수의 영상프레임이 포함하는 영상데이터를 의미한다.
본 명세서에서 '초기설정용 딜레이 영상데이터'는 진단용 영상 예측모델의 학습에 적합한 제1시간을 산출하기 위해 이용되는 딜레이 영상데이터를 의미한다. '초기설정용 딜레이 영상데이터'는 학습용 딜레이 영상데이터와 동일할 수 있다.
이하, 도면을 참조하여 본 발명의 실시예들에 따른 초기 동적 영상데이터 기반 진단용 영상 생성방법 및 프로그램에 대한 상세한 설명을 기재한다.
도 1은 본 발명의 일실시예에 따른 초기 동적 영상데이터 기반 진단용 영상 생성방법이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 초기 동적 영상데이터 기반 진단용 영상 생성방법은, 컴퓨팅시스템이 하나 이상의 환자에 대한 학습용 초기 동적 영상데이터와 학습용 딜레이 영상데이터를 획득하는 단계(S400); 및 컴퓨팅시스템이 상기 학습용 초기 동적 영상데이터와 상기 학습용 딜레이 영상데이터를 학습하여 진단용 영상 예측모델을 생성하는 단계(S600);를 포함한다.
컴퓨팅시스템이 하나 이상의 환자에 대한 학습용 초기 동적 영상데이터와 학습용 딜레이 영상데이터를 획득한다(S400). 컴퓨팅시스템은 클라이언트 장치로부터 학습용 초기 동적 영상데이터와 학습용 딜레이 영상데이터를 획득하여 학습데이터를 구축한다. 예를 들어, 컴퓨팅시스템은 특정한 환자에 대해 초기 동적 영상데이터와 딜레이 영상데이터가 촬영되면 의료영상촬영장치 또는 의료영상촬영장치가 연결된 클라이언트 장치로부터 특정한 환자에 대해 초기 동적 영상데이터와 딜레이 영상데이터를 수신한다.
일실시예로, 상기 영상데이터는 양전자 방출 단층촬영(Positron Emission Tomography; 이하 PET) 영상데이터이다. 의료진은 특정한 타겟영역 또는 특정한 물질(예를 들어, 도파민운반체, 포도당운반체)에 부착 또는 반응하는 리간드를 포함하는 방사성트레이서(RadioTracer; 인체 내부 관찰에 이용되는 방사능 물질)가 투입된 후 일정시간이 경과된 후에 일반적으로 촬영하여 딜레이(Delay) 영상데이터를 PET 영상데이터로 획득하고, 이를 통해 진단을 수행한다.
양전자 방출 단층촬영(Positron Emission Tomography) 시에 사용되는 트레이서(Tracer)의 종류에 따라 컴퓨팅시스템이 획득하는 초기 동적 영상데이터의 유형이 달라질 수 있다.
일실시예로, 시간 경과에 따라 타겟영역 이외의 영역의 방사선 농도가 감소하는 트레이서(Tracer)를 이용하는 경우, 학습용 초기 동적 영상데이터는 혈류영향이 감소하기 시작하는 제1시간(즉, 약물 투입 초기시점에 가까운 시간범위)에서 획득되고, 학습용 딜레이 영상데이터는 혈류영향이 배제되어 리간드 특성에 의해 방사선 양이 확인 또는 결정되는 기준시점에 획득된다.
예를 들어, 도 2에서와 같이, 약물(즉, 트레이서)로 FP-CIT를 사용하는 경우, 약물이 투여된 초기 시간범위에서는 혈류 영향에 의해 뇌의 전체 영역에서 방사선량이 높게 나타나서 진단이 어렵다. 그러나 시간이 경과됨에 따라 약물이 소변이나 간으로 대사되어 배설된 후 혈장 내 농도가 떨어지게 되면서, 혈액 내에는 약물이 없어지기 때문에 균형을 맞추기 위해 뇌 조직에서 혈액 쪽으로 약물이 빠져나가게 된다. 컴퓨터시스템은 뇌조직 내의 방사선량이 변화하는 제1시간 범위에서 초기 동적 영상데이터를 획득한다. 그 후, FP-CIT는 도파민(Dopamine)과 결합력이 강해 파킨슨병을 감별하는데 효과적이므로, FP-CIT가 타겟부위인 도파민신경운반체에 결합되어 있음에 따라 시간이 경과되어 다른 영역은 혈류 영향이 감소하여 농도가 낮아지더라도 타겟부위는 높은 농도를 유지하게 된다. 따라서, 컴퓨팅시스템은 약물 투여 후 기준시간이 경과되어 혈류 영향이 감소된 시점에 딜레이 영상데이터을 획득한다. 딜레이 영상데이터는 기존에 의료진에 의해 타겟부위의 크기, 형태 등을 진단하는데 이용되는 영상데이터일 수 있다.
또한, 다른 일실시예로, 영상데이터 촬영에 이용되는 약품이 특정한 타겟영역에 결합하는 트레이서인 경우, 상기 초기 동적 영상데이터를 획득하는 제1시간 범위는 다양한 기준을 바탕으로 결정될 수 있다. 예를 들어, 상기 제1시간 범위는 레퍼런스 영역에서 혈류에 의한 영향이 감소되기 시작하는 시점 이후의 시간범위로 설정될 수 있다. 상기 레퍼런스 영역은, 일반적으로 트레이서가 결합하는 물질이 없거나 적어서 질병 간에 차이가 없는 뇌의 특정부위이다. 상기 레퍼런스 영역은, 트레이서 종류와 특성에 따라 달라진다. 예를 들어, 트레이서가 FP-CIT인 경우, 상기 레퍼런스 영역은, 소뇌나 후두엽 피질 등의 도파민신경운반체가 적은 부위가 된다. 또한, 다른 예로, 상기 제1시간 범위는 타겟영역과 레퍼런스영역의 선량 비율 차이값이 특정값 이상이 되거나 비율 차이값이 최대가 되는 시점 주변으로 설정될 수 있다.
다른 일실시예로, 영상데이터 촬영에 이용되는 약품이 시간경과에 따라 계속해서 타겟영역에 결합되는 양이 증가되는 트레이서(예를 들어, Fluorodeoxyglucose(이하, FDG) PET)인 경우, 피크 지점이 없이 뇌의 각 영역의 선량이 증가하므로, 컴퓨팅시스템은 방사선량의 차이가 크지 않은 초기의 제1시간 범위에서 초기 동적 영상데이터를 획득하고, 영역 간의 방사선량 차이 비율(Ratio)이 커진 기준시점에 딜레이 영상데이터를 획득한다. 즉, 기존에 의료진은 뇌조직의 각 영역 간 차이를 명확하게 파악하기 위해 방사선량 비율 차이가 크게 나는 기준시점에 획득되는 영상데이터로 환자 진단을 수행하였으므로, 컴퓨팅시스템은 기준시점에 획득된 영상데이터를 학습용 딜레이 영상데이터로 이용한다.
예를 들어, 플루오로데옥스글루코오스(Fluorodeoxyglucose; 이하, FDG)는 데옥시글루코오스(Deoxyglucose와) 생체내 화학적 특성이 같다. 데옥시글루코오스(Deoxyglucose)는 포도당처럼 뇌혈류장벽의 혈관내피세포의 포도당운반체와 뉴런과 성상세포의 포도당운반체를 통해 세포 내로 유입된 후 헥소키나아제(Hexokinase: 포도당이나 그 밖의 헥소스에 ATP로부터 인산기를 전이하여 대응하는 헥소스-6-인산의 생성반응을 촉매하는 효소)의 작용으로 데옥시글루코오스-6-인산(deoxyglucose-6-P)가 되어 머문다. FDG PET은 포도당 대사 중에 포도당운반체와 헥소키나아제(Hexokinase) 활성을 함께 반영한다. 즉, 도 3에서와 같이, 시간이 경과함에 따라 뇌세포 내로 유입된 FDG의 양이 증가하여 각 세포에서 제공되는 선량은 시간이 경과함에 따라 증가하게 된다. 따라서, 컴퓨팅시스템은 초기시점에 가까운 제1시간 범위에서 학습용 초기 동적 영상데이터를 획득하고, 충분한 시간이 경과되어 각 영역의 선량 차이가 커진 기준시점에 딜레이 영상을 획득한다.
컴퓨팅시스템은 의도적으로 제1시간 범위와 기준시점에 2회 촬영을 수행하여 학습용 초기 동적 영상데이터와 학습용 딜레이 영상데이터를 획득할 수도 있고, 환자 진단을 위해 초기 시점(Early phase)와 기준시점(즉, 지연시점(Delay phase))에 각각 영상을 획득하면서 학습용 초기 동적 영상데이터와 학습용 딜레이 영상데이터를 획득할 수도 있다. 예를 들어, 의료진은 Early FPCIT 영상(즉, Early phase에 획득된 FPCIT PET 영상)과 Delay FPCIT 영상(즉, Delay phase에 획득된 FPCIT PET 영상)을 비교하여 파킨슨 병의 원인질환을 판단하기 위해 Early FPCIT 영상과 Delay FPCIT 영상을 획득할 수 있으므로, Early FPCIT 영상을 초기 동적 영상데이터로 제1시간 범위에서 획득하면, 컴퓨팅시스템은 학습용 초기 동적 영상데이터와 학습용 딜레이 영상데이터를 획득할 수 있다.
또한, 다른 일실시예로, 상기 초기 동적 영상데이터는, 요구되는 프레임의 개수에 따라 상기 제1시간 내의 영상프레임의 화질이 설정된다. 즉, 동일한 양의 약물을 사용하면 외부로 방출되는 방사선 최대량이 제한되어 영상프레임을 생성하는데 이용되는 신호량이 제한되므로, 컴퓨팅시스템은 동일한 신호량을 기반으로 영상프레임 개수에 따라 각 영상프레임의 화질을 달리 설정할 수 있다. 예를 들어, 영상프레임 개수를 늘리면 각 영상프레임 생성에 이용되는 시간길이가 짧아지므로 하나의 영상프레임을 생성하는데 이용 가능한 신호량이 줄어들게 되고, 컴퓨팅시스템은 각 영상프레임의 화질을 낮게 생성한다.
컴퓨팅시스템이 상기 학습용 초기 동적 영상데이터와 상기 학습용 딜레이 영상데이터를 학습하여 진단용 영상 예측모델을 생성한다(S600; 진단용 영상 예측모델 생성단계). 상기 진단용 영상 예측모델은 신규 환자에 대한 진단용 초기 동적 영상데이터를 기반으로 신규 딜레이 영상데이터를 산출하는 것이다.
일실시예로, 컴퓨팅시스템은 시간 경과에 따른 상기 초기 동적 영상데이터 내의 각 픽셀의 변화와 상기 딜레이 영상프레임 내의 각 픽셀을 매칭하여 학습한다. 즉, 특정한 환자에 대한 영상데이터 조합(즉, 초기 동적 영상데이터와 딜레이 영상데이터의 조합)에서, 컴퓨팅시스템은 신체조직(예를 들어, 뇌조직)의 각 지점(즉, 픽셀)에 대해 초기 동적 영상데이터 내에서의 특성 변화 정보와 딜레이 영상데이터 내에서의 픽셀 특성정보를 매칭하여 영상데이터 조합별 데이터셋을 구축하고, 각 지점(즉, 픽셀)별로 복수의 환자에 대한 데이터셋을 학습하여 진단용 영상 예측모델을 구축한다.
일실시예로, 상기 진단용 영상 예측모델은 심층신경망(Deep Neural Network; DNN)으로 구축된다. 즉, 상기 진단용 영상 예측모델은 딥러닝 알고리즘을 적용하여 하나 이상의 환자에 대한 학습용 초기 동적 영상데이터와 학습용 딜레이 영상데이터를 학습한다.
상기 심층신경망(Deep Neural Network; DNN)은, 하나 이상의 컴퓨터 내에 하나 이상의 레이어(Layer)를 구축하여 복수의 데이터를 바탕으로 판단을 수행하는 시스템 또는 네트워크를 의미한다. 예를 들어, 심층신경망은 컨볼루션 풀링 층(Convolutional Pooling Layer), 로컬 접속 층(a locally-connected layer) 및 완전 연결 층(fully-connected layer)을 포함하는 층들의 세트로 구현될 수 있다. 컨볼루션 풀링 층 또는 로컬 접속 층은 영상 내 특징들을 추출하도록 구성 될 수 있다. 완전 연결 층은 영상의 특징 간의 상관 관계를 결정할 수 있다. 일부 실시 예에서, 심층신경망의 전체적인 구조는 컨볼루션 풀링 층에 로컬 접속 층이 이어지고, 로컬 접속 층에 완전 연결 층이 이러지는 형태로 이루어질 수 있다. 심층신경망은 다양한 판단기준(즉, 파라미터(Parameter))를 포함할 수 있고, 입력되는 영상 분석을 통해 새로운 판단기준(즉, 파라미터)를 추가할 수 있다.
일실시예로, 상기 심층신경망은, 영상분석에 적합한 콘볼루셔널 신경망이라고 부르는 구조로서, 주어진 영상 데이터들로부터 가장 분별력(Discriminative Power)가 큰 특징을 스스로 학습하는 특징 추출층(Feature Extraction Layer)와 추출된 특징을 기반으로 가장 높은 예측 성능을 내도록 예측 모델을 학습하는 예측층(Prediction Layer)이 통합된 구조로 구성될 수 있다.
특징 추출층은 영상의 각 영역에 대해 복수의 필터를 적용하여 특징 지도(Feature Map)를 만들어 내는 콘볼루션 층(Convolution Layer)과 특징 지도를 공간적으로 통합함으로써 위치나 회전의 변화에 불변하는 특징을 추출할 수 있도록 하는 통합층(Pooling Layer)을 번갈아 수 차례 반복하는 구조로 형성될 수 있다. 이를 통해, 점, 선, 면 등의 낮은 수준의 특징에서부터 복잡하고 의미 있는 높은 수준의 특징까지 다양한 수준의 특징을 추출해낼 수 있다.
콘볼루션 층은 입력 영상의 각 패치에 대하여 필 터와 국지 수용장(Local Receptive Field)의 내적에 비선형 활성 함수(Activation Function)을 취함으로 서 특징지도(Feature Map)을 구하게 되는데, 다른 네트워크 구조와 비교하여, CNN은 희소한 연결성 (Sparse Connectivity)과 공유된 가중치(Shared Weights)를 가진 필터를 사용하는 특징이 있다. 이러한 연결구조는 학습할 모수의 개수를 줄여주고, 역전파 알고리즘을 통한 학습을 효율적으로 만들어 결과적으로 예측 성능을 향상 시킨다.
통합 층(Pooling Layer 또는 Sub-sampling Layer)은 이전 콘볼루션 층에서 구해진 특징 지도의 지역 정보를 활용하여 새로운 특징 지도를 생성한다. 일반적으로 통합 층에 의해 새로 생성된 특징지도는 원래의 특징 지도보다 작은 크기로 줄어드는데, 대표적인 통합 방법으로는 특징 지도 내 해당 영역의 최대값을 선택하는 최대 통합(Max Pooling)과 특징 지도 내 해당 영역의 평균값을 구하는 평균 통합(Average Pooling) 등이 있다. 통합 층의 특징지도는 일반적으로 이전 층의 특징 지도보다 입력 영상에 존재하는 임의의 구조나 패턴의 위치에 영향을 적게 받을 수 있다. 즉, 통합층은 입력 영상 혹은 이전 특징 지도에서의 노이즈나 왜곡과 같은 지역적 변화에 보다 강인한 특징을 추출할 수 있게 되고, 이러한 특징은 분류 성능에 중요한 역할을 할 수 있다. 또 다른 통합 층의 역할은, 깊은 구조상에서 상위의 학습 층으로 올라갈수록 더 넓은 영역의 특징을 반영할 수 있게 하는 것으로서, 특징 추출 층이 쌓이면서, 하위 층에서는 지역적인 특징을 반영하고 상위 층으로 올라 갈수록 보다 추상적인 전체 영상의 특징을 반영하는 특징 생성할 수 있다.
이와 같이, 콘볼루션 층과 통합 층의 반복을 통해 최종적으로 추출된 특징은 다중 신경망(MLP: Multi-layer Perception)이나 서포트 벡터 머신(SVM: Support Vector Machine)과 같은 분류 모델이 완전 연결 층(Fully-connected Layer)의 형태로 결합되어 분류 모델 학습 및 예측에 사용될 수 있다.
다만, 본 발명의 실시예들에 따른 심층신경망의 구조는 이에 한정되지 아니하고, 다양한 구조의 신경망으로 형성될 수 있다.
일실시예로, 상기 진단용 영상 예측모델 생성단계(S600)에서, 컴퓨팅시스템이 초기 동적 영상데이터와 딜레이 영상데이터를 다양한 방식으로 심층신경망에 입력하여 진단용 영상 예측모델을 생성한다. 일 예로, 컴퓨팅시스템은 시간 경과에 따른 초기 동적 영상데이터 내의 각 픽셀의 변화와 상기 딜레이 영상프레임 내의 각 픽셀을 매칭하여 학습한다(예를 들어, Recurrent Neural Network(RNN)를 이용하는 방법). 또한, 다른 일 예로, 컴퓨팅시스템은 시간경과에 따른 초기 동적 영상데이터 내의 각 영상프레임을 다채널 입력으로 하여 딜레이 영상데이터를 학습한다(예를 들어, Multi-channel Convolutional Neural Network(CNN) 방법).또한, 도 4에서와 같이, 다른 일실시예로, 초기시간범위 동안의 초기설정용 초기 동적 영상데이터 및 초기설정용 딜레이 영상데이터를 획득하는 단계(S100); 및 초기시간범위의 상기 초기설정용 초기 동적 영상데이터와 상기 초기설정용 딜레이 영상데이터를 학습하여, 초기시간범위에 포함된 최적의 제1시간을 산출하는 단계(S200);를 더 포함한다. 컴퓨팅시스템이 진단용 영상 예측모델을 이용하여 실제 촬영되는 딜레이 영상데이터와 비슷하게 영상을 획득하기 위해서는 학습효과가 가장 좋은 제1시간 범위를 결정하여야 한다. 따라서, 컴퓨팅시스템은 학습용 영상데이터 조합을 획득하기 전에 제1시간 범위를 산출하기 위한 과정을 먼저 수행할 수 있다.
컴퓨팅시스템은 제1시간 범위보다 긴 시간 범위를 초기시간범위로 하여 초기설정용 초기 동적 영상데이터를 획득하고, 기준시점에 초기설정용 딜레이 영상데이터를 획득한다(S100). 그 후, 컴퓨팅시스템은 초기설정용 초기 동적 영상데이터와 초기설정용 딜레이 영상데이터를 학습하여 딜레이 영상데이터를 예측하기에 최적의 제1시간 범위를 초기시간범위 내에서 추출한다(S200). 그 후, 컴퓨팅시스템은 학습데이터에 포함될 새로운 환자의 학습용 초기 동적 영상데이터를 추출된 제1시간 범위에서 획득한다(S400). 또한, 컴퓨팅시스템은 초기설정용 초기 동적 영상데이터에서 제1시간 범위의 영상프레임을 추출하여 학습용 초기 동적 영상데이터로 생성하고 초기설정용 딜레이 영상데이터를 학습용 딜레이 영상데이터로 설정하여, 학습데이터를 추가할 수 있다.
또한, 다른 일실시예로, 학습데이터 획득 시와 진단 시에 사용되는 트레이서 양이 상이한 경우, 상기 신규 딜레이 영상데이터는, 상기 학습용 초기 동적 영상데이터와 상기 진단용 초기 동적 영상데이터의 밝기 또는 색상 차이를 반영하여 생성된다. 예를 들어, 상기 신규 딜레이 영상데이터는, 상기 학습용 초기 동적 영상데이터와 상기 진단용 초기 동적 영상데이터의 밝기를 최대값 또는 평균값을 기준으로 정규화(normalization)하여 생성된다. 영상데이터 촬영에 이용되는 약품이 시간경과에 따라 계속해서 타겟영역에 결합되는 양이 증가되는 트레이서(예를 들어, Fluorodeoxyglucose(이하, FDG) PET)인 경우, 약물의 투여량에 비례하여 섭취되는 PET 추적자(tracer)의 특성 때문에 레퍼런스 영역과 타겟영역의 밝기 비율은 약물 투여량에 의해 달라지지 않으므로, 컴퓨팅시스템은 학습용 초기 동적 영상데이터와 진단용 초기 동적 영상데이터의 밝기를 최대값 또는 평균값을 기준으로 정규화(normalization)하여 신규 딜레이 영상데이터를 생성한다. 영상데이터 촬영에 이용되는 약품이 특정한 타겟영역에 결합하는 트레이서인 경우(FP-CIT를 트레이서로 이용하는 경우), 레퍼런스영역을 입력으로 하고 타겟영역을 출력으로 하는 선형 추적자 동역학 모델(Tracer Kinetic Model)에서 입력과 출력이 동시에 선형적으로 증감하여도 추적자 모델의 매개변수들은 동일하기 때문에, 컴퓨팅시스템은 학습용 초기 동적 영상데이터와 진단용 초기 동적 영상데이터의 밝기를 최대값 또는 평균값을 기준으로 정규화(normalization)하여 신규 딜레이 영상데이터를 생성할 수 있다.
일반적으로 딜레이 영상데이터를 기반으로 의료진이 진단을 수행하는 경우, 의료진은 방사성 동위원소가 물리적 반감기와 배뇨/배변 등 체외배출에 의한 감소(즉, 생리학적 감소)에 따라 감소한 후에도 충분한 방사선량으로 촬영된 딜레이 영상데이터로 진단을 수행할 수 있도록 초기시점에 많은 양의 약품을 투여하게 된다. 이 때, 환자 신체에 제공되는 방사선량이 높아지게 되는 문제가 있다.
따라서, 본 발명의 일실시예를 이용하여, 진단용 동적 영상데이터를 획득할 때 충분한 방사선량이 획득될 수 있는 정도의 트레이서만을 삽입한 후에 진단용 동적 영상데이터를 획득하고, 진단용 동적 영상데이터를 예측모델에 삽입하여 최종적인 진단용 딜레이 영상데이터를 획득함에 따라, 환자에게 주입되는 방사선물질의 양을 줄여서 환자 신체에 제공되는 방사선량을 줄일 수 있다. 구체적으로, 진단용 영상 예측모델을 통해 환자의 진단용 초기 동적 영상데이터를 기반으로 신규 딜레이 영상데이터를 산출하는 경우, 컴퓨팅시스템이 진단용 초기 동적 영상데이터에서 생리학적 감소에 의한 밝기의 손해가 없이 영상을 얻을 수 있고 핵의학영상은 영상의 밝기에 따라 신호대잡음비율(SNR)이 결정(밝기의 제곱근에 근사적으로 반비례) 되므로, 의료진은 딜레이 영상데이터를 직접 획득하여 진단을 할 때에 비해 적은 약품을 사용할 수 있다. 이 때, 컴퓨팅시스템은 환자의 진단용 초기 동적 영상데이터를 기반으로 산출한 신규 딜레이 영상데이터를 학습용 딜레이 영상데이터와 같이 보정하여, 의료진은 기존에 PET 영상을 통해 환자를 진단하는 방식을 동일하게 적용할 수 있다.도 5는 본 발명의 다른 일실시예에 따른 초기 동적 영상데이터 기반 진단용 영상 생성방법의 순서도이다.
도 5를 참조하면, 본 발명의 다른 일실시예에 따른 초기 동적 영상데이터 기반 진단용 영상 생성방법은, 컴퓨팅시스템이 하나 이상의 환자에 대한 학습용 초기 동적 영상데이터와 학습용 딜레이 영상데이터를 획득하는 단계(S400); 컴퓨팅시스템이 상기 학습용 초기 동적 영상데이터와 상기 학습용 딜레이 영상데이터를 학습하여 진단용 영상 예측모델을 생성하는 단계(S600); 및 상기 컴퓨팅시스템이 상기 진단용 영상 예측모델에 신규 환자에 대한 진단용 초기 동적 영상데이터를 입력하여 신규 딜레이 영상데이터를 산출하는 단계(S800);를 포함한다. 이하, 각 단계에 대한 상세한 설명을 기재한다. 또한, 기 설명된 단계에 대한 상세한 설명은 생략한다.
또한, 다른 일실시예로, 학습데이터 획득 시와 진단 시에 사용되는 트레이서 양이 상이한 경우, 상기 신규 딜레이 영상데이터 산출단계(S800)는, 상기 학습용 초기 동적 영상데이터와 상기 진단용 초기 동적 영상데이터의 밝기 또는 색상 차이를 반영하여 상기 신규 딜레이 영상데이터를 생성하는 것을 특징으로 한다.도 6는 본 발명의 또 다른 일실시예에 따른 초기 동적 영상데이터 기반 진단용 영상 생성방법의 순서도이다.
도 6을 참조하면, 본 발명의 또 다른 일실시예에 따른 초기 동적 영상데이터 기반 진단용 영상 생성방법은, 컴퓨팅시스템이 진단용 영상 예측모델에 신규 환자에 대한 진단용 초기 동적 영상데이터를 수신하는 단계(S810); 및 상기 초기 동적 영상데이터를 기반으로 신규 딜레이 영상데이터를 산출하는 단계(S820);를 포함한다.
본 일실시예에서, 컴퓨팅시스템은 이미 영상데이터 조합(즉, 학습용 초기 동적 영상데이터 및 학습용 딜레이 영상데이터)을 학습하여 구축된 진단용 영상 예측모델을 이용하여 신규 환자에 대한 초기 동적 영상데이터를 기반으로 신규 딜레이 영상데이터를 생성할 수 있다.
컴퓨팅시스템이 진단용 영상 예측모델에 신규 환자에 대한 진단용 초기 동적 영상데이터를 수신한다(S810). 상기 진단용 초기 동적 영상데이터는 트레이서 주입 후 초기범위에서 특정한 제1시간 동안 획득되는 데이터로서, 하나 이상의 영상프레임을 포함하는 데이터이다. 예를 들어, 컴퓨팅시스템이 의료영상촬영장치 자체 또는 의료영상촬영장치에 연결된 컴퓨터인 경우, 컴퓨팅시스템은 신규환자를 촬영함에 따라 획득된 진단용 초기 동적 영상데이터를 실시간으로 획득할 수 있다.
그 후, 컴퓨팅시스템은 진단용 초기 동적 영상데이터를 진단용 영상 예측모델에 적용하여 신규 딜레이 영상데이터를 산출한다(S820). 상기 신규 딜레이 영상데이터는 기준시간 후에 획득될 것으로 예측되는 영상데이터로서, 환자 진단에 이용되는 진단용 영상이다. 상기 진단용 영상 예측모델은, 하나 이상의 환자에 대한 학습용 초기 동적 영상데이터와 학습용 딜레이 영상데이터를 획득한 후 학습하여 생성되는 것이다.
또한, 다른 일실시예로, 학습데이터 획득 시와 진단 시에 사용되는 트레이서 양이 상이한 경우, 상기 신규 딜레이 영상데이터 산출단계(S820)는, 학습용 초기 동적 영상데이터와 진단용 초기 동적 영상데이터의 밝기 또는 색상 차이를 반영하여 신규 딜레이 영상데이터를 생성한다.
이상에서 전술한 본 발명의 일 실시예에 따른 초기 동적 영상데이터 기반 진단용 영상 생성방법은, 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.
상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.
상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
Claims (12)
- 컴퓨팅시스템이 하나 이상의 환자에 대한 학습용 초기 동적 영상데이터와 학습용 딜레이 영상데이터를 획득하는 단계; 및
컴퓨팅시스템이 상기 학습용 초기 동적 영상데이터와 상기 학습용 딜레이 영상데이터를 학습하여 진단용 영상 예측모델을 생성하는 단계;를 포함하고,
상기 진단용 영상 예측모델은 신규 환자에 대한 진단용 초기 동적 영상데이터를 기반으로 신규 딜레이 영상데이터를 산출하는 것이며,
상기 초기 동적 영상데이터는 약품 주입 후 초기범위에서 특정한 제1시간 동안 획득되는 데이터로서, 하나 이상의 영상프레임을 포함하는 데이터이며,
상기 딜레이 영상데이터는 기준시간 후에 획득되는 것으로서, 환자 진단에 이용되는 진단용 영상인, 초기 동적 영상데이터 기반 진단용 영상 생성방법. - 제1항에 있어서,
상기 영상데이터는 양전자 방출 단층촬영(Positron Emission Tomography) 영상데이터이며, 상기 약품은 트레이서인 것을 특징으로 하는, 초기 동적 영상데이터 기반 진단용 영상 생성방법. - 제1항에 있어서,
상기 초기 동적 영상데이터는,
요구되는 프레임의 개수에 따라 상기 제1시간 내의 영상프레임의 화질이 설정되는 것을 특징으로 하는, 초기 동적 영상데이터 기반 진단용 영상 생성방법. - 제1항에 있어서,
영상데이터 촬영에 이용되는 상기 약품이 특정한 타겟영역에 결합하는 트레이서인 경우,
상기 딜레이 영상데이터는 혈류에 의한 영향이 배제된 시점에 획득되는 것이고,
상기 초기 동적 영상데이터는 레퍼런스 영역에서 혈류에 의한 영향이 감소되기 시작하는 시점 이후 또는 상기 타겟영역과 레퍼런스영역의 선량 비율 차이값이 특정값 이상이 되거나 비율 차이값이 최대가 되는 시점 주변에서 획득되는 것을 특징으로 하는, 초기 동적 영상데이터 기반 진단용 영상 생성방법. - 제1항에 있어서,
초기시간범위 동안의 초기설정용 초기 동적 영상데이터 및 초기설정용 딜레이 영상데이터를 획득하는 단계; 및
초기시간범위의 상기 초기설정용 초기 동적 영상데이터와 상기 초기설정용 딜레이 영상데이터를 학습하여, 초기시간범위에 포함된 최적의 제1시간을 산출하는 단계;를 더 포함하는, 초기 동적 영상데이터 기반 진단용 영상 생성방법. - 제1항에 있어서,
상기 진단용 영상 예측모델 생성단계는,
시간 경과에 따른 상기 초기 동적 영상 데이터 내의 각 픽셀의 변화와 상기 딜레이 영상 프레임 내의 각 픽셀을 매칭하여 학습하거나, 시간 경과에 따른 초기 동적 영상데이터 내의 각 영상 프레임을 다채널 입력으로 하여 딜레이 영상 데이터를 학습하는 것을 특징으로 하는, 초기 동적 영상데이터 기반 진단용 영상 생성방법. - 제1항에 있어서,
학습데이터 획득 시와 진단 시에 사용되는 약품의 양이 상이한 경우,
상기 신규 딜레이 영상데이터는,
상기 학습용 초기 동적 영상데이터와 상기 진단용 초기 동적 영상데이터의 밝기 또는 색상 차이를 반영하여 생성되는 것을 특징으로 하는, 초기 동적 영상데이터 기반 진단용 영상 생성방법. - 제7항에 있어서,
학습용 초기 동적 영상 데이터와 진단용 초기 동적 영상 데이터의 밝기를 최대값 또는 평균값을 기준으로 정규화하여 신규 딜레이 영상 데이터를 생성하는 것을 특징으로 하는, 초기 동적 영상 데이터 기반 진단용 영상 생성 방법. - 컴퓨팅시스템이 하나 이상의 환자에 대한 학습용 초기 동적 영상데이터와 학습용 딜레이 영상데이터를 획득하는 단계;
컴퓨팅시스템이 상기 학습용 초기 동적 영상데이터와 상기 학습용 딜레이 영상데이터를 학습하여 진단용 영상 예측모델을 생성하는 단계; 및
상기 컴퓨팅시스템이 상기 진단용 영상 예측모델에 신규 환자에 대한 진단용 초기 동적 영상데이터를 입력하여 신규 딜레이 영상데이터를 산출하는 단계;를 포함하고,
상기 초기 동적 영상데이터는 약품 주입 후 초기범위에서 특정한 제1시간 동안 획득되는 데이터로서, 하나 이상의 영상프레임을 포함하는 데이터이며,
상기 딜레이 영상데이터는 기준시간 후에 획득되는 것으로서, 환자 진단에 이용되는 진단용 영상인, 초기 동적 영상데이터 기반 진단용 영상 생성방법. - 컴퓨팅시스템이 진단용 영상 예측모델에 신규 환자에 대한 진단용 초기 동적 영상데이터를 수신하는 단계; 및
상기 초기 동적 영상데이터를 기반으로 신규 딜레이 영상데이터를 산출하는 단계;를 포함하고,
상기 진단용 영상 예측모델은,
하나 이상의 환자에 대한 학습용 초기 동적 영상데이터와 학습용 딜레이 영상데이터를 획득한 후 학습하여 생성되는 것이며,
상기 초기 동적 영상데이터는 약품 주입 후 초기범위에서 특정한 제1시간 동안 획득되는 데이터로서, 하나 이상의 영상프레임을 포함하는 데이터이며,
상기 딜레이 영상데이터는 기준시간 후에 획득되는 것으로서, 환자 진단에 이용되는 진단용 영상인, 초기 동적 영상데이터 기반 진단용 영상 생성방법. - 제9항 또는 제10항에 있어서,
학습데이터 획득 시와 진단 시에 사용되는 약품의 양이 상이한 경우,
상기 신규 딜레이 영상데이터 산출단계는,
상기 학습용 초기 동적 영상데이터와 상기 진단용 초기 동적 영상데이터의 밝기 또는 색상 차이를 반영하여 상기 신규 딜레이 영상데이터를 생성하는 것을 특징으로 하는, 초기 동적 영상데이터 기반 진단용 영상 생성방법. - 하드웨어인 컴퓨터와 결합되어, 제1항 내지 제10항 중 어느 한 항의 방법을 실행시키기 위하여 매체에 저장된, 초기 동적 영상데이터 기반 진단용 영상 생성프로그램.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180051627A KR102483585B1 (ko) | 2018-05-04 | 2018-05-04 | 초기 동적 영상데이터 기반 진단용 영상 생성방법 및 프로그램 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180051627A KR102483585B1 (ko) | 2018-05-04 | 2018-05-04 | 초기 동적 영상데이터 기반 진단용 영상 생성방법 및 프로그램 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190127247A KR20190127247A (ko) | 2019-11-13 |
| KR102483585B1 true KR102483585B1 (ko) | 2023-01-02 |
Family
ID=68535281
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180051627A KR102483585B1 (ko) | 2018-05-04 | 2018-05-04 | 초기 동적 영상데이터 기반 진단용 영상 생성방법 및 프로그램 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102483585B1 (ko) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102392778B1 (ko) * | 2020-01-02 | 2022-05-04 | 한국원자력의학원 | 영상 기반의 치료용 방사성의약품 치료선량 결정 시스템 및 방법 |
| KR102423697B1 (ko) * | 2020-01-02 | 2022-07-21 | 한국원자력의학원 | 딥러닝을 이용한 방사성의약품 분포영상 생성 시스템 및 방법 |
| US20230039451A1 (en) * | 2020-01-13 | 2023-02-09 | The Catholic University Of Korea Industry-Academic Cooperation Foundation | Dental medical record device and dental medical record method thereof |
| KR20230024667A (ko) | 2021-08-12 | 2023-02-21 | 연세대학교 산학협력단 | 딥러닝 모델의 동적 뇌 연결성 추출을 통한 4D fMRI 자폐증 예측 및 조기 진단 방법 및 장치 |
| KR102660268B1 (ko) * | 2021-11-18 | 2024-04-25 | 재단법인 아산사회복지재단 | 동적 영상데이터 기반 대상체 상태 예측 방법 및 이를 수행하는 컴퓨팅 장치 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106887025A (zh) | 2017-01-16 | 2017-06-23 | 浙江大学 | 一种基于栈式自编码器的混合示踪剂动态pet浓度分布图像重建的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102522539B1 (ko) | 2015-08-17 | 2023-04-18 | 삼성전자주식회사 | 의료영상 표시장치 및 의료영상 처리방법 |
-
2018
- 2018-05-04 KR KR1020180051627A patent/KR102483585B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106887025A (zh) | 2017-01-16 | 2017-06-23 | 浙江大学 | 一种基于栈式自编码器的混合示踪剂动态pet浓度分布图像重建的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20190127247A (ko) | 2019-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102483585B1 (ko) | 초기 동적 영상데이터 기반 진단용 영상 생성방법 및 프로그램 | |
| CN108257134B (zh) | 基于深度学习的鼻咽癌病灶自动分割方法和系统 | |
| US11398026B2 (en) | Systems and methods for synthetic medical image generation | |
| CN109035284B (zh) | 基于深度学习的心脏ct图像分割方法、装置、设备及介质 | |
| CN110580695A (zh) | 一种多模态三维医学影像融合方法、系统及电子设备 | |
| US7840255B2 (en) | X-ray CT apparatus and myocardial perfusion image generating system | |
| US20230342918A1 (en) | Image-driven brain atlas construction method, apparatus, device and storage medium | |
| CN110960241A (zh) | 医学影像扫描的扫描参数确定方法、装置和计算机设备 | |
| CN112419303B (zh) | 神经网络训练方法、系统、可读存储介质和设备 | |
| WO2016033458A1 (en) | Restoring image quality of reduced radiotracer dose positron emission tomography (pet) images using combined pet and magnetic resonance (mr) | |
| CN110853111A (zh) | 医学影像处理系统、模型训练方法及训练装置 | |
| US20220188978A1 (en) | Method and system for generating multi-task learning-type generative adversarial network for low-dose pet reconstruction | |
| Sanaat et al. | Deep‐TOF‐PET: Deep learning‐guided generation of time‐of‐flight from non‐TOF brain PET images in the image and projection domains | |
| Zhang et al. | Learning-based structurally-guided construction of resting-state functional correlation tensors | |
| Klein et al. | Kinetic model‐based factor analysis of dynamic sequences for 82‐rubidium cardiac positron emission tomography | |
| Marin et al. | Numerical surrogates for human observers in myocardial motion evaluation from SPECT images | |
| Badea et al. | Imaging methods for morphological and functional phenotyping of the rodent heart | |
| KR20200116278A (ko) | 치과 영상으로부터 피검체의 성별 및 연령을 판정하는 방법 및 이를 이용한 장치 | |
| CN116051545B (zh) | 一种双模态影像的脑龄预测方法 | |
| WO2023169565A1 (zh) | 一种图像配准方法和系统 | |
| Kute et al. | Machine learning–based disease diagnosis and prediction for E‐healthcare system | |
| KR101948701B1 (ko) | 피검체의 뇌 구조를 기술하는 잠재 변수에 기반하여 상기 피검체의 뇌질환을 판정하는 방법 및 이를 이용한 장치 | |
| CN115965837A (zh) | 图像重建模型训练方法、图像重建方法及相关设备 | |
| CN111626964A (zh) | 扫描图像的优化方法、优化装置和医学扫描系统 | |
| CN110852993A (zh) | 一种造影剂作用下的成像方法与设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |