KR102556432B1 - 딥러닝 기반의 심장의 해부학적 분할을 위한 기준점 생성 및 분할 방법 - Google Patents

딥러닝 기반의 심장의 해부학적 분할을 위한 기준점 생성 및 분할 방법 Download PDF

Info

Publication number
KR102556432B1
KR102556432B1 KR1020200182868A KR20200182868A KR102556432B1 KR 102556432 B1 KR102556432 B1 KR 102556432B1 KR 1020200182868 A KR1020200182868 A KR 1020200182868A KR 20200182868 A KR20200182868 A KR 20200182868A KR 102556432 B1 KR102556432 B1 KR 102556432B1
Authority
KR
South Korea
Prior art keywords
heart
reference point
region
image
segmentation
Prior art date
Application number
KR1020200182868A
Other languages
English (en)
Other versions
KR20220092679A (ko
Inventor
이송이
권기욱
박지용
이규형
Original Assignee
주식회사 팬토믹스
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 팬토믹스 filed Critical 주식회사 팬토믹스
Priority to KR1020200182868A priority Critical patent/KR102556432B1/ko
Publication of KR20220092679A publication Critical patent/KR20220092679A/ko
Priority to KR1020230090474A priority patent/KR102620021B1/ko
Application granted granted Critical
Publication of KR102556432B1 publication Critical patent/KR102556432B1/ko
Priority to KR1020230192568A priority patent/KR20240005653A/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0044—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the heart
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G06T3/0093—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/18—Image warping, e.g. rearranging pixels individually
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Physiology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Cardiology (AREA)
  • Optics & Photonics (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Signal Processing (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 심장의 해부학적 분할을 위한 기준점 생성과 분할 방법에 관한 것으로, 본 발명에 따른 딥러닝 기반의 심장의 해부학적 분할을 위한 기준점 생성 및 분할 방법은 학습된 신경망을 이용하여 획득된 심장 이미지를 직교 좌표상의 미리 결정된 기준에 따른 복수의 영역으로 분할(segmentation)하는 단계, 상기 분할된 영역 중 좌심실 영역의 중심점을 결정하는 단계, 상기 결정된 중심점을 이용하여 상기 심장 이미지를 극 좌표계로 변환하는 단계, 상기 극 좌표계로 변환된 심장 이미지에서 상기 좌심실 영역의 재 분할을 위한 기준점을 결정하는 단계를 포함할 수 있다. 본 발명에 따르면 심장 이미지에 대하여 통일된 기준에 따라 보다 신속하고 정확한 분할 결과를 생성하고, 진단을 수행할 수 있다.

Description

딥러닝 기반의 심장의 해부학적 분할을 위한 기준점 생성 및 분할 방법{Method of Reference point creation and segmentation for anatomical segmentation of the heart based on Deep-Learning}
본 발명은 심장의 해부학적 분할을 위한 기준점 생성과 분할 방법에 관한 것이다.
본 발명은 중소벤처기업부 창업사업화 지원사업[B0080910000624,　종합적 심장 자기공명영상(MRI)　분석을 통한 심장 질병 진단 자동화 모델 개발]의 일환으로 수행한 연구로부터 도출된 것이다.
다양한 분자영상기술(molecular imaging techniques) 중에서 자기공명영상(magnetic resonance imaging; MRI)은 조직 주변(lattice)을 둘러싸고 있는 분자들과 수소원자(proton) 간의 상호작용(interaction)에 기반하여 매우 우수한 해부학적 영상을 제공해 줄 수 있기 때문에 가장 강력하고 비-침습적인 진단 수단중의 하나로 여겨지고 있다.
최근의 자기공명영상은 기존의 해부학적 단층 영상뿐 아니라 생체 물리량을 정량적으로 측정할 수 있도록 영상기술들이 개발되고 있다. MRI에서 측정할 수 있는 생체 물리량은 인체 조직에서의 고주파 펄스에 따른 수소 원자의 자기회복 시간, 혈류속도, 확산, 관류 등이 대표적이며 비침습적으로 안전하고 정확하게 측정이 가능하다.
이 중 자기회복의 성분 별 특징 통해 조직간의 대조도를 만들 수 있는데 이러한 회복 시간의 차이는 분자수준에서 조직의 질병을 정량적으로 평가할 수 있는 생체 물리형으로써 적극 활용되고 있다.
또한, 이때의 물리량의 차이에 추가적인 특징을 반영하여 다양화함으로써 각 질병에 특화된 영상을 생성하는 것도 가능하다.
예를 들어, 심장에 대하여 심장 자기공명영상(cardiac magnetic resonance imaging) 촬영을 통해 심장 수축기와 이완기의 움직임을 볼 수 있으며, 전체적인 심장의 기능뿐만 아니라 국소적인 심장의 기능을 평가할 수 있다.
구체적으로 좌우 구분된 심장의 운동을 평가하기 위해서는 우심실(RV, Right Ventrile)의 내막(endocardium)과 좌심실(LV, Left Ventricle)이 연결된 지점을 기준점으로 심장을 해부학적으로 분할하고, 심장의 세그먼트(Segment) 별 움직임을 관찰할 필요가 있다.
보다 정확하고 통일된 진단을 위해서 미국 심장 협회(AHA, American Heart Association)는 표준화된 심장 분할 기준을 마련하고 있으며 각 세부 영역에 대한 임상적 판단을 통해 심장 관련 질환을 진단하도록 한다.
하지만 심장의 위치나 형태는 개개인 마다 다양한 특징을 가질 수 있으며 촬영 장치나 촬영 각도에 따라 영상으로 표시되는 심장은 다양한 형상을 가질 수 있으므로 해부학적 분할을 위한 기준점을 정확하게 결정하는 것이 중요하다.
하지만, 수기로 직접 분할하는 경우 작업자의 숙련도나 집중도에 따라 기준점이 달라지게 되며 따라서 진단 결과에 영향을 주게 되는 문제가 발생할 수 있다.
본 발명은 심장의 해부학적 분할을 위한 기준점 생성하는 방법을 제안하는 것을 목적으로 한다.
본 발명은 신경망과 규칙 기반(Rule-based)의 분할 방법을 모두 포괄하는 분할 방법을 제안하는 것을 목적으로 한다.
또한, 본 발명은 통일된 기준점을 이용하여 심장을 분할하고, 보다 정확한 진단 결과를 제공하는 것을 목적으로 한다.
상술한 목적을 달성하기 위한 본 발명의 일 실시 예에 따른 딥러닝 기반의 심장의 해부학적 분할을 위한 기준점 생성 및 분할 방법은 학습된 신경망을 이용하여 획득된 심장 이미지를 직교 좌표상의 미리 결정된 기준에 따른 복수의 영역으로 분할(segmentation)하는 단계, 상기 분할된 영역 중 좌심실 영역의 중심점을 결정하는 단계, 상기 결정된 중심점을 이용하여 상기 심장 이미지를 극 좌표계로 변환하는 단계, 상기 극 좌표계로 변환된 심장 이미지에서 상기 좌심실 영역의 재 분할을 위한 기준점을 결정하는 단계를 포함할 수 있다.
또한, 상기 기준점을 기초로 상기 심장 이미지를 재 분할하는 단계를 더 포함할 수 있다.
또한, 상기 복수의 영역은 우심실 심내막(endocardium), 좌심실 심내막 및 좌심실 심근(myocardium)으로 구분되는 영역일 수 있다.
또한, 상기 심장 이미지는 높이 방향으로 미리 결정된 기준 높이에 따른 하단(base), 중단(mid) 및 상단(apex)의 심장 이미지를 포함할 수 있다.
또한, 상기 중심점을 결정하는 단계는 좌심실 심내막 영역의 상기 직교 좌표상의 중심을 중심점으로 결정할 수 있다.
또한, 상기 신경망은 상기 심장 이미지를 우심실 심내막, 좌심실 심내막, 좌심실 심근 영역으로 분할하도록 학습될 수 있다.
또한, 상기 기준점을 결정하는 단계는 상기 극 좌표계로 변환된 이미지 상 우심실 심내막 영역의 Y축 최소/최대 값 및 좌심실 심내막 영역의 X축의 중간값을 이용하여 기준점을 결정할 수 있다.
또한, 상기 기준점을 결정하는 단계는 상기 극 좌표계로 변환된 이미지 상의 기준점을 예측하도록 학습된 제2 신경망을 이용하여 상기 기준점을 결정할 수 있다.
한편, 심장 이미지의 해부학적 분할 장치는 학습된 신경망을 이용하여 획득된 심장 이미지를 직교 좌표상의 미리 결정된 기준에 따른 복수의 영역으로 분할(segmentation)하는 영역 분할부, 상기 분할된 영역 중 좌심실 영역의 중심점을 결정하는 중심점 결정부, 상기 결정된 중심점을 이용하여 상기 심장 이미지를 극 좌표계로 변환하는 이미지 변환부, 상기 극 좌표계로 변환된 심장 이미지에서 상기 좌심실 영역의 재 분할을 위한 기준점을 결정하는 기준점 결정부를 포함할 수 있다.
한편, 상술한 목적을 달성하기 위한 본 발명의 일 실시 예에 따른 컴퓨터가 판독 가능한 기록 매체에 기록된 프로그램에는 상술한 기준점 생성 및 분할 방법을 실행하기 위한 프로그램 코드가 기록될 수 있다.
본 발명에 따르면, 심장 영상을 판독하는 작업자의 숙련도와 무관하게 통일된 심장의 기준점을 생성할 수 있다.
또한, 신경망과 규칙 기반의 분할 방법의 장점을 모두 포괄함으로써 보다 신속하고 정확한 분할 결과를 생성할 수 있다.
또한, 신경망을 통해 일정하게 기준점을 생성하고 기준점을 통해 심장의 영역을 분할함으로써 심장 진단 결과의 신뢰도를 높일 수 있다.
도 1은 본 발명의 일 실시예에 따른 딥러닝 기반의 심장의 해부학적 분할을 위한 기준점 생성 및 분할 방법을 나타낸 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 심장 이미지의 분할 예를 나타낸 예시도이다.
도 3은 본 발명의 일 실시예에 따른 신경망을 나타낸 예시도이다.
도 4는 본 발명의 일 실시예에 따른 심장 이미지의 재 분할 예를 나타낸 예시도이다.
도 5 및 도 6은 본 발명의 일 실시예에 따른 기준점 생성 방법을 나타낸 예시도이다.
도 7은 본 발명의 일 실시예에서 표준화된 기준에 따라 분할된 심장 이미지를 나타낸 예시도이다.
도 8은 본 발명의 일 실시예에 따른 심장 이미지 분할 장치의 구성을 나타낸 블록도이다.
이하의 내용은 단지 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시 되지 않았지만 발명의 원리를 구현하고 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시 예들은 원칙적으로, 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이외같이 특별히 열거된 실시 예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.
상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.
또한, 발명을 설명함에 있어서 발명과 관련된 공지 기술에 대한 구체적인 설명이 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다. 이하에는 첨부한 도면을 참조하여 본 발명의 바람직한 실시 예에 대해 상세하게 설명한다.
먼저 MRI는 자기장에 의해 종축자화된 원자를 반전회복 RF 펄스를 사용하여 반전시킨 이후 지수곡선 형태로 회복되는 회복 과정상의 성분을 구분하여 성분에 따른 회복 시간을 산출할 수 있다. 피검체로부터 발생되는 신호를 k 공간(k - space)에서 스캔하여 MRI 신호를 획득하고, 위 획득한 MRI 신호를 변환하여 MRI 영상을 획득한다.
구체적으로 자기회복의 성분 별 특징을, 가해지는 RF(Radio Frequency) 펄스에 대한 변수로 예를 들어 TR(Time to repetition), TE(Time to echo))를 조절하는 것을 통해 강조할 수 있다.
이때, TR은 RF 펄스의 반복 시간을 말한다. TR은 공명 신호를 얻기 위해 사용되는 RF 펄스를 생성하는 시간 간격을 말하고, 주로 종축 완화(longitudinal relaxation, 스핀-격자(Spin-Lattice))량을 결정한다.
TE는 신호 발생 시간으로 RF 펄스를 출력한 뒤 에코 신호를 얻기까지의 시간을 말한다. TE는 횡축 평면 상으로 회복되는 스핀의 분산(탈위상)의 정도(스핀-스핀(Spin-Spin))를 결정한다.
이때, T1은 RF 펄스가 주입된 후 반전된 이후 처음 상태의 63%의 평균자화가 종축 방향으로 형성될 때까지의 시간을 T1이완 시간으로 정의된다.
T2는 횡축 평면의 평균자화가 탈위상(Dephasing)에 의해 처음의 37%까지 감소하는데 걸리는 시간으로 정의된다.
즉, 이상의 시간을 RF 펄스의 TR과 TE를 다양하게 하여 측정함으로써 T1 강조(Weighted) 이미지 또는 T2 강조 이미지를 생성할 수 있다.
구체적으로 본 발명에서는 심장 관련 질환을 진단하기 위하여 심장 이미지를 이용하되, 심장 이미지 내 심장을 구성하는 조직들을 해부학적으로 분할하는 방법을 제안한다.
이하, 도 1을 참조하여 보다 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 기준점 생성 및 분할 방법을 나타낸 흐름도이다. 즉, 도 1은 심장 이미지의 해부학적 분할 방법으로, 심장 이미지 분할 장치(100)의 기준점 생성과 이를 통한 심장 이미지 분할 프로세스를 도시한다.
도 1을 참조하면, 심장 이미지 분할 장치(100)는 판단 대상이 되는 대상자의 심장 이미지를 획득할 수 있다(S100). 여기서, 심장 이미지는 컴퓨터 단층촬영(CT) X-선(X-ray) 영상, 초음파(ultrasonic wave) 영상, 자기공명영상(MRI; magnetic resonance imaging)과 같은 촬영 기법에 의해 심장을 촬영한 이미지를 의미하며, 심장 이미지 분할 장치(100)는 심장 이미지를 직접 획득하거나 외부 장치로부터 획득할 수 있다.
이하의 설명에서는 본 발명의 용이한 이해를 위해 일 예로서 자기공명영상(MRI; magnetic resonance imaging)으로 촬영된 심장 이미지를 기준으로 서술한다.
본 실시예에서 심장 이미지는 높이 방향으로 미리 결정된 기준 높이에 따라 분할된 복수의 부분 심장 이미지를 포함할 수 있다. 이와 관련하여 도 2를 참조하여 설명한다.
도 2는 본 발명의 일 실시예에 따른 심장 이미지의 분할 방법을 나타내는 예시도이다.
도 2를 참조하면, 심장 이미지는 심장의 높이 방향으로 미리 결정된 기준 높이 간격으로 하단(base), 중단(mid) 및 상단(apex)으로 나눠질 수 있으며, 심장 이미지는 나눠진 해당 위치에서 심장 단면의 각 이미지를 의미한다.
즉, 심장 이미지는 심장의 길이 방향과 수직하는 심장의 단면에 대한 이미지들을 의미할 수 있다. 여기서, 미리 결정된 기준 높이는 대상자의 성별이나 심장의 크기, 위치 등에 의해 결정될 수 있다.
다시, 도 1을 참조하면, 심장 이미지 분할 장치(100)는 학습된 신경망을 이용하여 획득된 심장 이미지를 직교 좌표상의 미리 결정된 기준에 따른 복수의 영역으로 분할(segmentation)할 수 있다(S200). 여기서, 복수의 영역은 심장의 우심실 심내막(endocardium), 좌심실 심내막 및 좌심실 심근(myocardium)으로 구분되는 영역을 의미한다.
또한, 상술한 신경망은 심장 이미지에서 복수의 영역을 구분하여 분할하도록 학습된 것으로, 신경망은 복수의 합성곱 연산을 수행하는 레이어로 구성된 CNN(Convolution Neural Network) 모델로 구성될 수 있다. 이와 관련하여 도 3을 추가로 참조하여 설명한다.
도 3은 본 발명의 일 실시예에 따른 신경망을 나타낸 예시도이다.
도 3을 참조하면, 심장 이미지를 우심실 심내막, 좌심실 심내막, 좌심실 심근 영역으로 분할하도록 학습된 신경망(30)에 심장 이미지(31)가 입력되면, 신경망(30) 내부의 레이어들을 거치면서 특징 값들은 합성곱을 통해 강조될 수 있다.
그리고, 다양한 특징 값들은 각각의 합성곱 레이어(Convolution layer) 별로 결정된 필터와의 연산을 통해 새로운 특징 맵의 형태로 출력되며, 레이어 별 반복 연산을 통해 생성된 최종 특징 맵은 다시 업 샘플링 과정을 통해 입력 심장 이미지(31)의 크기에 따른 픽셀 단위의 객체 위치 정보를 출력함으로써 복수의 영역으로 분할된 심장 이미지(33)를 출력할 수 있다.
구체적으로 본 실시예에서 신경망(30)은 분할 결과를 보다 높은 해상도로 출력하기 위하여 컨볼루션을 수행하는 제1 네트워크와 업 샘플링을 수행하는 제2 네트워크로 구성하되 각 네트워크의 단계를 상호 대칭 구조로 구성할 수 있다.
신경망(30)의 제1 네트워크는 입력된 심장 이미지(31)에 대하여 심근 영역의 특성이 컨볼루션 연산을 통해 강조된 특징 맵을 단계적으로 출력한다. 또한, 특징 맵은 맥스 풀링(Max-pooling)에 의해 크기가 축소될 수 있으며 채널의 수는 연산되는 필터에 따라 확장될 수 있다.
최종적으로 제1 네트워크에서 생성된 특징맵은 상호 대칭 구조를 갖는 제2 네트워크를 통해서 다시 재 확장될 수 있다.
제2 네트워크는 채널의 수를 축소시키는 대신에 영상의 크기를 디(업)컨볼루션을 통하여 확장시킬 수 있다.
이때 제2 네트워크의 각 단계는 디컨볼루션을 통해 확장된 크기의 영상과 제1 네트워크의 대응되는 단계의 출력값을 이용하여, 컨볼루션 연산을 수행하고 단계별 특징 맵을 생성한다.
즉, 제2 네트워크는 디컨볼루션 결과값과 대응되는 상기 제1 네트워크의 컨볼루션 단계의 출력값을 합성(concatenate)하고, 합성된 영상에 대해 컨볼루션 연산을 수행하여 특징맵을 생성한다.
이상의 과정 역시, 제1 네트워크에 대응되는 단계 마다 반복 수행될 수 있으며 바람직하게는 입력 심장 이미지(31)의 크기와 제2 네트워크에서 출력되는 특징맵의 크기가 동일해질 때까지 수행될 수 있다. 제2 네트워크를 통해 복수의 영역으로 분할된 심장 이미지(33)는 좌심실 심내막 영역(33a), 좌심실 심근 영역(33b) 및 우심실 심내막 영역(33c)로 구성될 수 있으며, 각 영역은 서로 구분될 수 있도록 고유색으로 해당 영역이 채색 되거나 경계선으로 구분되어 출력될 수 있다.
다시, 도 1을 참조하면, 심장 이미지 분할 장치(100)는 분할된 영역 중 좌심실 영역의 중심점을 결정할 수 있다(S300). 이와 관련하여 도 4를 추가로 참조하여 설명한다.
도 4는 본 발명의 일 실시예에 따른 심장 이미지(43)를 나타낸 예시도이다.
구체적으로, 심장 이미지 분할 장치(100)는 심장 이미지(43)에서 분할된 좌심실 심내막 영역(43a), 좌심실 심근 영역(43b) 및 우심실 심내막 영역(43c) 중에서 좌심실 영역(43a, 43b) 내 좌표 값들의 직교 좌표 평면 상 평균을 통해 중심 이 되는 지점 또는, 좌심실 영역(43a, 43b)의 면적을 기준으로 무게 중심을 중심점(43d)으로 결정할 수 있다. 즉, 심장 이미지 분할 장치(100)는 이상의 심장 이미지(43) 내 구분된 영역을 통해 좌심실 블러드 풀(blood pool)의 중심점을 결정할 수 있다.
다음, 심장 이미지 분할 장치(100)는 결정된 중심점을 이용하여 심장 이미지를 극 좌표계로 변환한다(S400). 이와 관련하여 도 5를 참조하여 설명한다.
도 5(a)는 직교 좌표상의 심장 이미지를 나타낸 것이고 도 5(b)는 극 좌표상의 심장 이미지를 나타낸 것이다.
구체적으로, 심장 이미지 분할 장치(100)는 결정된 좌심실 영역의 중심점(51)을 극 좌표계의 원점으로, 도 5(a)의 직교 좌표상에 심장 이미지를 도 5(b)의 극 좌표상의 심장 이미지로 변환할 수 있다.
다음, 심장 이미지 분할 장치(100)는 극 좌표계로 변환된 심장 이미지에서 좌심실 영역의 재 분할을 위한 기준점을 결정할 수 있다(S500). 구체적으로, 심장 이미지 분할 장치(100)는 극 좌표계로 변환된 심장 이미지의 우심실 심내막 영역의 Y축 최소/최대 값 및 좌심실 심내막 영역의 X축의 중간값을 이용하여 2개의 기준점을 결정할 수 있다. 이와 관련하여 도 6을 추가로 참조하여 설명한다.
도 6(a)를 참조하면, 심장 이미지 분할 장치(100)는 극 좌표계로 변환된 심장 이미지 중에서 우심실 심내막 영역(63)의 Y축 상 최소값이 되는 Y축 좌표값과, 좌심실 심내막 영역(61)의 X축 상 중간값을 X축 좌표값으로 가지는 지점(65)을 제1 기준점으로 결정할 수 있다.
또한, 심장 이미지 분할 장치(100)는 극 좌표계로 변환된 심장 이미지 중에서, 우심실 심내막 영역(63)의 Y축 상 최대값이 되는 Y축 좌표값과, 이에 대응되는 좌심실 심내막 영역(61)의 X축 상 중간값을 X축 좌표값으로 가지는 지점(67)을 제2 기준점으로 결정할 수 있다.
즉, 심장 이미지 분할 장치(100)는 극 좌표계로 변환된 심장 이미지에서 우심실 심내막 영역(63)의 Y축 상 최소값과 최대값에 대응되는 Y축 좌표값을 기준으로 좌심실 심내막 영역(61)의 X축 상 중간값의 X좌표를 가지는 두 개의 지점(65, 67)을 각각 기준점으로 결정할 수 있다.
이상의 기준점의 결정 방법은 입력된 심장 이미지 내의 픽셀 값들을 기초로 수행될 수 있으며 해당 방법은 규칙(Rule)으로 정의되어 보다 간소화된 처리를 통해 출력될 수 있다.
다만, 추가적인 학습을 통해 심장 이미지 분할 장치(100)는 별도의 제2 신경망을 이용하여 극 좌표계로 변환된 심장 이미지 상의 기준점을 결정하는 것도 가능하며, 제2 신경망은 극 좌표계로 변환된 심장 이미지 상의 기준점을 보다 정확히 예측하도록 학습될 수 있다.
다음, 도 6(b)를 참조하면 극 좌표계에서 결정된 제1 및 제2 기준점(65, 67)은 다시 직교 좌표계에 따른 값으로 매핑될 수 있으며, 영상 진단에 이용되는 심장 이미지 상의 일 지점으로 결정될 수 있다.
이어서, 심장 이미지 분할 장치(100)는 기준점을 기초로 심장 이미지를 재 분할한다. 구체적으로, 심장 이미지 분할 장치(100)는 생성된 기준점을 이용하여 미국 심장 협회(AHA, American Heart Association)의 표준화된 심장 분할 기준에 따라 심장 이미지 내 세부 영역들을 분할할 수 있다. 이와 관련하여 도 7을 참조하여 설명한다.
미국 심장 협회는 보다 표준화된 심장의 진단을 위해, 심장 내 각 조직들을 미리 결정된 수(16, 17, 18 - Segment Model)의 분할 방법을 정의하고 있다. 도 7은 이 중 18 분할 모델(18-Segment Model)에 따라 하단(base), 중단(mid) 및 상단(apex)의 심장 이미지를 6개의 세그먼트로 각각 분할한 것을 나타낸 것이다.
구체적으로, 심장 이미지 분할 장치(100)는 기준점을 기초로 분할되는 영역의 두 지점으로 이용하여 분할할 수 있다.
예를 들어, 도 7(a)과 같이 하단의 심장 이미지 내 기준점으로 구분된 심근을 우심실과 접하는 부분을 'basal anteroseptal' 영역(72a), 'basal inferoseptal' 영역(73a)로 구분하고 반대 부분을 'basal anterior' 영역(71a), , 'basal inferior' 영역(74a), 'basal inferolateral' 영역(75a) 및 'basal anterolateral' 영역(76a)으로 분할할 수 있다.
또한, 심장 이미지 분할 장치(100)는 도 7(b)과 같이 중단의 심장 이미지를 'mid anterior' 영역(71b), 'mid anteroseptal' 영역(72b), 'mid inferoseptal' 영역(73b),'mid inferior' 영역(74b), 'mid inferolateral' 영역(75b) 및 'mid anterolateral' 영역(76b)으로 분할할 수 있다.
또한, 심장 이미지 분할 장치(100)는 도 7(c)과 같이 상단의 심장 이미지를 'apical anterior' 영역(71c), 'apical anteroseptal' 영역(72c), 'apical inferoseptal' 영역(73c), 'apical inferior' 영역(74c), 'apical inferolateral' 영역(75c) 및 'apical anterolateral' 영역(76c)으로 분할할 수 있다.
한편, 상술한 심장 이미지의 분할은 하나의 예시이며, 결정된 기준점을 이용하여 17 분할 모델(17-Segment Model)이나 16 분할 모델(16-Segment Model)로 심장 이미지를 분할할 수 있다.
이하, 도 8을 참조하여 본 실시예에 따른 기준점 생성 및 분할 방법을 수행하는 장치에 대하여 설명한다.
도 8은 본 발명의 일 실시예에 따른 심장 이미지 분할 장치(100)의 구성을 나타낸 블록도이다.
심장 이미지 분할 장치(100)는 이미지 획득부(110), 영역 분할부(120), 중심점 결정부(130), 이미지 변환부(140) 및 기준점 결정부(150)로 구성될 수 있다.
이미지 획득부(110)는 판단 대상이 되는 대상자의 심장 이미지를 획득할 수 있다. 구체적으로, 이미지 획득부(110)는 컴퓨터 단층촬영(CT) X-선(X-ray) 영상, 초음파(ultrasonic wave) 영상, 자기공명영상(MRI; magnetic resonance imaging) 등과 같은 촬영 기법으로 심장 이미지를 직접 획득할 수 있다.
또한, 이미지 획득부(110)는 외부 촬영 장치(예를 들어 MRI 장치)로부터 촬영된 심장 이미지를 수신함으로써 획득할 수 있다.
영역 분할부(120)는 먼저, 심장 이미지를 복수의 세부 영역으로 분할할 수 있다.
구체적으로, 영역 분할부(120)는 학습된 신경망을 이용하여 직교 좌표 상의 심장 이미지를 미리 결정된 기준에 따른 복수의 영역으로 분할할 수 있다. 여기서, 복수의 영역은 우심실 심내막, 좌심실 심내막, 좌심실 심근 영역일 수 있다.
중심점 결정부(130)는 심장 이미지에서 분할된 영역 중 좌심실 영역의 중심점을 결정할 수 있다. 구체적으로, 중심점 결정부(130)는 심장 이미지에서 좌심실 영역의 직교 좌표상 중심이 되는 지점이나 좌심실 영역의 면적을 기준으로 중심이 되는 지점을 중심점으로 결정할 수 있다.
이미지 변환부(140)는 중심부 결정부(130)에서 결정된 중심점을 이용하여 심장 이미지를 극 좌표계로 변환할 수 있다. 이미지 변환부(140)는 좌심실 영역의 중심점이 극 좌표계의 원점이 되도록 직교 좌표상의 심장 이미지를 변환할 수 있다.
다음, 기준점 결정부(150)는 극 좌표계로 변환된 심장 이미지에서 상기 좌심실 영역의 재 분할을 위한 기준점을 결정할 수 있다.
구체적으로, 기준점 결정부(150)는 극 좌표계로 변환된 심장 이미지의 우심실 심내막 영역의 Y축 최소/최대 값 및 좌심실 심내막 영역의 X축의 중간값을 이용하여 2개의 기준점을 결정할 수 있다.
즉, 기준점 결정부(150)는 극 좌표계로 변환된 심장 이미지에서 좌심실 심내막 영역의 X축 상 중간값의 좌표들 중에서 우심실 심내막 영역의 Y축 상 최소값과 최대값에 대응되는 Y축 좌표값을 가지는 두개의 지점을 각각 기준점으로 결정할 수 있다.
이상의 기준점이 결정되면, 상술한 영역 분할부(120)는 기준점 결정부(150)에 의해 결정된 기준점을 기초로 세부 영역을 미국 심장 협회의 심장 분할 모델에 대응되도록 보다 세분화하여 분할할 수 있다.
예를 들어, 영역 분할부(120)는 도 7과 같이 하단(base), 중단(mid) 및 상단(apex)의 심장 이미지에서 좌심실 영역이 각각 6개의 세부 영역이 되도록 분할할 수 있다.
또한 도시하지 않았으나, 심장 이미지 분할 장치(100)는 진단부(미도시)를 더 포함할 수 있으며, 진단부는 분할된 심근 영역의 특징을 이용하여 심근 관련 질환을 판단할 수 있다. 또한 진단부는 별도의 신경망을 이용하여 분할된 이미지를 입력으로 심근 영역의 특징이나 변화를 파악함으로 써 진단 결과를 출력할 수 있으며, 또는 상술한 신경망에 추가적인 네트워크 형태로 완전 연결 네트워크 및 소프트 맥스 함수를 통해 각 세부 영역의 특징에 따른 진단 분류(Classification) 결과를 출력하도록 구성되는 것도 가능하다.
이상 본 발명에 따르면, 심장 영상을 판독하는 작업자의 숙련도와 무관하게 통일된 심장의 기준점을 생성할 수 있다.
또한, 일정하게 기준점을 생성하고, 기준점을 통해 심장의 영역을 분할함으로써, 심장 진단의 신뢰도를 높일 수 있다.
한편, 명세서 및 청구범위에서 "제 1", "제 2", "제 3" 및 "제 4" 등의 용어는, 만약 있는 경우, 유사한 구성요소 사이의 구분을 위해 사용되며, 반드시 그렇지는 않지만 특정 순차 또는 발생 순서를 기술하기 위해 사용된다.
또한 명세서 및 청구범위의 "좌", "우", "상", "하", "전", "후" 등의 용어는, 설명을 위해 사용되는 것이며, 반드시 불변의 상대적 위치를 기술하기 위한 것은 아니다.
나아가, 여기에 설명되는 다양한 실시예는 예를 들어, 소프트웨어, 하드웨어 또는 이들의 조합된 것을 이용하여 컴퓨터 또는 이와 유사한 장치로 읽을 수 있는 기록매체 내에서 구현될 수 있다.
하드웨어적인 구현에 의하면, 여기에 설명되는 실시예는 ASICs (application specific integrated circuits), DSPs (digital signal processors), DSPDs (digital signal processing devices), PLDs (programmable logic devices), FPGAs (field programmable gate arrays, 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛 중 적어도 하나를 이용하여 구현될 수 있다. 일부의 경우에 본 명세서에서 설명되는 실시예들이 제어 모듈 자체로 구현될 수 있다.
소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다. 적절한 프로그램 언어로 씌여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 상기 소프트웨어 코드는 메모리 모듈에 저장되고, 제어모듈에 의해 실행될 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다.
따라서, 본 발명에 개시된 실시 예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구 범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.
100 : 심장 이미지 분할 장치 110 : 이미지 획득부
120 : 영역 분할부 130 : 중심점 결정부
140 : 이미지 변환부 150 : 기준점 결정부

Claims (10)

  1. 심장 이미지의 해부학적 분할 방법에 있어서,
    학습된 신경망을 이용하여 획득된 심장 이미지를 직교 좌표상의 미리 결정된 기준에 따른 복수의 영역으로 분할(segmentation)하는 단계;
    상기 분할된 영역 중 좌심실 영역의 중심점을 결정하는 단계;
    상기 결정된 중심점을 이용하여 상기 심장 이미지를 극 좌표계로 변환하는 단계; 및
    상기 극 좌표계로 변환된 심장 이미지에서 상기 좌심실 영역의 재 분할을 위한 기준점을 결정하는 단계를 포함하고,
    상기 복수의 영역은 우심실 심내막(endocardium), 좌심실 심내막 및 좌심실 심근(myocardium)으로 구분되는 영역이며,
    상기 기준점을 결정하는 단계는 상기 극 좌표계로 변환된 이미지 상 우심실 심내막 영역의 Y축 최소/최대 값 및 좌심실 심내막 영역의 X축의 중간값을 이용하여 기준점을 결정하는 것을 특징으로 하는 신경망을 이용한 영상 내 심장의 기준점 설정을 통한 영역 분할 방법.
  2. 제 1 항에 있어서,
    상기 결정된 기준점을 이용하여 상기 좌심실 영역을 미리 결정된 수의 세부 영역으로 재분할하는 단계를 더 포함하는 것을 특징으로 하는 신경망을 이용한 영상 내 심장의 기준점 설정을 통한 영역 분할 방법.
  3. 삭제
  4. 제 1 항에 있어서,
    상기 심장 이미지는 심장의 길이 방향 축을 기준으로 미리 결정된 기준 높이에 따른 하단(base), 중단(mid) 및 상단(apex)의 부분 심장 이미지를 포함하는 것을 특징으로 하는 신경망을 이용한 영상 내 심장의 기준점 설정을 통한 영역 분할 방법.
  5. 제 1 항에 있어서,
    상기 중심점을 결정하는 단계는 좌심실 심내막 영역의 상기 직교 좌표 평면 상의 중심을 중심점으로 결정하는 것을 특징으로 하는 신경망을 이용한 영상 내 심장의 기준점 설정을 통한 영역 분할 방법.
  6. 제 1 항에 있어서,
    상기 신경망은 상기 심장 이미지를 우심실 심내막, 좌심실 심내막, 좌심실 심근 영역으로 분할하도록 학습된 것을 특징으로 하는 신경망을 이용한 영상 내 심장의 기준점 설정을 통한 영역 분할 방법.
  7. 삭제
  8. 제 1 항에 있어서,
    상기 기준점을 결정하는 단계는 상기 극 좌표계로 변환된 이미지 상의 기준점을 예측하도록 학습된 제2 신경망을 이용하여 상기 기준점을 결정하는 것을 특징으로 하는 신경망을 이용한 영상 내 심장의 기준점 설정을 통한 영역 분할 방법.
  9. 심장 이미지의 해부학적 분할 장치에 있어서,
    학습된 신경망을 이용하여 획득된 심장 이미지를 직교 좌표상의 미리 결정된 기준에 따른 복수의 영역으로 분할(segmentation)하는 영역 분할부;
    상기 분할된 영역 중 좌심실 영역의 중심점을 결정하는 중심점 결정부;
    상기 결정된 중심점을 이용하여 상기 심장 이미지를 극 좌표계로 변환하는 이미지 변환부; 및
    상기 극 좌표계로 변환된 심장 이미지에서 상기 좌심실 영역의 재 분할을 위한 기준점을 결정하는 기준점 결정부를 포함하고,
    상기 영역 분할부는 결정된 기준점을 이용하여 상기 좌심실 영역을 미리 결정된 수의 세부 영역으로 재분할하고,
    상기 복수의 영역은 우심실 심내막(endocardium), 좌심실 심내막 및 좌심실 심근(myocardium)으로 구분되는 영역이며,
    상기 기준점 결정부는 상기 극 좌표계로 변환된 이미지 상 우심실 심내막 영역의 Y축 최소/최대 값 및 좌심실 심내막 영역의 X축의 중간값을 이용하여 기준점을 결정하는 것을 특징으로 하는 신경망을 이용한 영상 내 심장의 기준점 설정을 통한 영역 분할 장치.
  10. 제 1 항, 제 2 항, 제 4 항 내지 제 6 항 및 제 8 항 중 어느 한 항에 기재된 기준점 생성 및 분할 방법을 실행하기 위한 프로그램이 저장된 컴퓨터가 판독 가능한 기록 매체.
KR1020200182868A 2020-12-24 2020-12-24 딥러닝 기반의 심장의 해부학적 분할을 위한 기준점 생성 및 분할 방법 KR102556432B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020200182868A KR102556432B1 (ko) 2020-12-24 2020-12-24 딥러닝 기반의 심장의 해부학적 분할을 위한 기준점 생성 및 분할 방법
KR1020230090474A KR102620021B1 (ko) 2020-12-24 2023-07-12 딥러닝 기반의 심장 이미지의 해부학적 분할을 통한심근 질환 분류 방법 및 이를 수행하는 컴퓨터 장치
KR1020230192568A KR20240005653A (ko) 2020-12-24 2023-12-27 분할 모델에 따른 심장 세그멘테이션 방법 및 이를 수행하는 컴퓨터 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200182868A KR102556432B1 (ko) 2020-12-24 2020-12-24 딥러닝 기반의 심장의 해부학적 분할을 위한 기준점 생성 및 분할 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020230090474A Division KR102620021B1 (ko) 2020-12-24 2023-07-12 딥러닝 기반의 심장 이미지의 해부학적 분할을 통한심근 질환 분류 방법 및 이를 수행하는 컴퓨터 장치

Publications (2)

Publication Number Publication Date
KR20220092679A KR20220092679A (ko) 2022-07-04
KR102556432B1 true KR102556432B1 (ko) 2023-07-19

Family

ID=82399077

Family Applications (3)

Application Number Title Priority Date Filing Date
KR1020200182868A KR102556432B1 (ko) 2020-12-24 2020-12-24 딥러닝 기반의 심장의 해부학적 분할을 위한 기준점 생성 및 분할 방법
KR1020230090474A KR102620021B1 (ko) 2020-12-24 2023-07-12 딥러닝 기반의 심장 이미지의 해부학적 분할을 통한심근 질환 분류 방법 및 이를 수행하는 컴퓨터 장치
KR1020230192568A KR20240005653A (ko) 2020-12-24 2023-12-27 분할 모델에 따른 심장 세그멘테이션 방법 및 이를 수행하는 컴퓨터 장치

Family Applications After (2)

Application Number Title Priority Date Filing Date
KR1020230090474A KR102620021B1 (ko) 2020-12-24 2023-07-12 딥러닝 기반의 심장 이미지의 해부학적 분할을 통한심근 질환 분류 방법 및 이를 수행하는 컴퓨터 장치
KR1020230192568A KR20240005653A (ko) 2020-12-24 2023-12-27 분할 모델에 따른 심장 세그멘테이션 방법 및 이를 수행하는 컴퓨터 장치

Country Status (1)

Country Link
KR (3) KR102556432B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10290109B2 (en) * 2015-12-22 2019-05-14 Shanghai United Imaging Healthcare Co., Ltd. Method and system for cardiac image segmentation

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9949643B2 (en) * 2014-10-18 2018-04-24 International Business Machines Corporation Automatic visualization of regional functional parameters of left ventricle from cardiac imaging

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10290109B2 (en) * 2015-12-22 2019-05-14 Shanghai United Imaging Healthcare Co., Ltd. Method and system for cardiac image segmentation

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Sulaiman Vesal, "Automated Multi-sequence Cardiac MRI Segmentation Using Supervised Domain Adaptation", STACOM 2019 pp 300-308 (2020.01.23.)*

Also Published As

Publication number Publication date
KR20220092679A (ko) 2022-07-04
KR102620021B1 (ko) 2024-01-03
KR20230110692A (ko) 2023-07-25
KR20240005653A (ko) 2024-01-12

Similar Documents

Publication Publication Date Title
US11501485B2 (en) System and method for image-based object modeling using multiple image acquisitions or reconstructions
CN111192316B (zh) 用于动脉分析和评估的深度学习
US9514530B2 (en) Systems and methods for image-based object modeling using multiple image acquisitions or reconstructions
CN109377481B (zh) 图像质量评价方法、装置、计算机设备和存储介质
CN109389653B (zh) 心脏图像重建方法、装置、计算机设备和可读存储介质
WO2020033566A1 (en) Neural networks for volumetric segmentation and parcellated surface representations
Yang et al. Multiview sequential learning and dilated residual learning for a fully automatic delineation of the left atrium and pulmonary veins from late gadolinium-enhanced cardiac MRI images
Marin et al. Numerical surrogates for human observers in myocardial motion evaluation from SPECT images
KR102556432B1 (ko) 딥러닝 기반의 심장의 해부학적 분할을 위한 기준점 생성 및 분할 방법
CN109345606B (zh) 心脏图像重建方法、装置、计算机设备和可读存储介质
CN109345526A (zh) 图像重建方法、装置、计算机设备和存储介质
KR102542008B1 (ko) 신경망을 통한 적혈구 용적 예측 기반 ecv 맵 생성 방법 및 장치
Amirrajab et al. A framework for simulating cardiac MR images with varying anatomy and contrast
KR102660758B1 (ko) 심장 이미지 기준점의 추세선을 이용한 심장의 해부학적 분할을 위한 기준점 결정 방법
KR20220092687A (ko) 인공지능을 이용한 심근 영역 자동 분할 방법
Barbaroux et al. Check for updates Generating Short-Axis DENSE Images from 4D XCAT Phantoms: A Proof-of-Concept Study
CN115705654A (zh) 多模态医学影像处理方法、装置、计算机设备和存储介质
CN115708124A (zh) 血管成像中反转时间确定方法、磁共振成像方法及装置
Barbaroux et al. Generating Short-Axis DENSE Images from 4D XCAT Phantoms: A Proof-of-Concept Study
JP2022171345A (ja) 医用画像処理装置、医用画像処理方法及びプログラム
CN113643285A (zh) 基于人工神经网络的心肌靶心图分析方法、系统和介质
CN117954056A (zh) 用于提供虚拟非对比图像数据组的方法
Pednekar Cardiac image analysis: Morphology, function, and dynamics

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant