KR102608203B1 - 2차원 mri를 이용한 치매 예측 방법 및 분석장치 - Google Patents
2차원 mri를 이용한 치매 예측 방법 및 분석장치 Download PDFInfo
- Publication number
- KR102608203B1 KR102608203B1 KR1020220141115A KR20220141115A KR102608203B1 KR 102608203 B1 KR102608203 B1 KR 102608203B1 KR 1020220141115 A KR1020220141115 A KR 1020220141115A KR 20220141115 A KR20220141115 A KR 20220141115A KR 102608203 B1 KR102608203 B1 KR 102608203B1
- Authority
- KR
- South Korea
- Prior art keywords
- interest
- regions
- subject
- cerebral cortex
- region
- Prior art date
Links
- 206010012289 Dementia Diseases 0.000 title claims abstract description 67
- 238000004458 analytical method Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000002595 magnetic resonance imaging Methods 0.000 title claims description 86
- 210000003710 cerebral cortex Anatomy 0.000 claims abstract description 71
- 230000011218 segmentation Effects 0.000 claims abstract description 38
- 210000004556 brain Anatomy 0.000 claims description 87
- 210000004884 grey matter Anatomy 0.000 claims description 41
- 210000003140 lateral ventricle Anatomy 0.000 claims description 32
- 210000001320 hippocampus Anatomy 0.000 claims description 27
- 230000001936 parietal effect Effects 0.000 claims description 24
- 230000002123 temporal effect Effects 0.000 claims description 22
- 239000000284 extract Substances 0.000 claims description 13
- 230000001054 cortical effect Effects 0.000 description 23
- 238000005516 engineering process Methods 0.000 description 16
- 230000002490 cerebral effect Effects 0.000 description 12
- 230000015654 memory Effects 0.000 description 7
- 238000002610 neuroimaging Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013145 classification model Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 208000024827 Alzheimer disease Diseases 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 3
- 230000000971 hippocampal effect Effects 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 210000004885 white matter Anatomy 0.000 description 3
- 208000024806 Brain atrophy Diseases 0.000 description 2
- 241000282375 Herpestidae Species 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- DNKPFCQEGBJJTE-UHFFFAOYSA-N diiodohydroxypropane Chemical compound ICC(O)CI DNKPFCQEGBJJTE-UHFFFAOYSA-N 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- 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
- A61B5/0042—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 brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Abstract
2차원 MRI를 이용한 치매 예측 방법은 분석장치가 대상자의 2D MRI 슬라이스들을 입력받는 단계, 상기 분석장치가 상기 2D MRI 슬라이스들을 세그멘테이션 모델에 입력하여 관심 영역들을 추출하는 단계, 상기 분석장치가 상기 관심 영역들의 픽셀 합산 개수를 산출하는 단계, 상기 분석장치가 상기 관심 영역들을 사전에 학습된 제1 학습모델들에 입력하여 상기 관심 영역들 중 일부 영역들의 대뇌 피질 두께 및 상기 관심 영역들 중 일부 영역들의 부피를 예측하는 단계 및 상기 분석장치가 상기 일부 영역들의 대뇌 피질 두께 및 상기 일부 영역들의 부피를 사전에 학습된 제2 학습 모델에 입력하여 상기 대상자의 치매 여부를 분류하는 단계를 포함한다.
Description
이하 설명하는 기술은 2차원 MRI를 이용하여 치매 여부를 예측하는 기법이다.
치매(dementia)는 기억, 언어, 판단력 등 인지 기능 장래를 초래하는 증후군을 말한다. 치매는 다양한 유형이 있는데 알츠하이머(Alzheimer's disease)가 치매의 가장 흔한 형태이다.
치매 진단은 MRI(Magnetic Resonance Imaging), PET(positron emission tomography) 등의 뇌 영상이 사용되고 있다. 대표적으로 대뇌 피질 두께(Cortical thickness)가 치매와 연관된 인자로 활용되고 있다.
종래 치매 조기 진단은 3D(dimension) MRI, PET-CT 등의 뇌영상이 사용되었다. 그러나 3D MRI는 고사양의 MRI 장비가 필요하며 시간 및 비용이 높게 소요된다. 나아가, 일반적인 건강 검진 센터나 일차 병원에서 사용하는 2D MRI 스캐너는 약 20개 이미지들을 생성하여 정확한 진단이 어렵다.
이하 설명하는 기술은 소수의 2D MRI 이미지들을 이용하여 치매 진단 내지 예측하는 기법을 제공하고자 한다.
2차원 MRI를 이용한 치매 예측 방법은 분석장치가 대상자의 2D MRI 슬라이스들을 입력받는 단계, 상기 분석장치가 상기 2D MRI 슬라이스들을 세그멘테이션 모델에 입력하여 관심 영역들을 추출하는 단계, 상기 분석장치가 상기 관심 영역들의 픽셀 합산 개수를 산출하는 단계, 상기 분석장치가 상기 관심 영역들의 픽셀 합산 개수를 사전에 학습된 제1 학습모델들에 입력하여 상기 관심 영역들 중 일부 영역들의 대뇌 피질 두께 및 상기 관심 영역들 중 일부 영역들의 부피를 예측하는 단계 및 상기 분석장치가 상기 일부 영역들의 대뇌 피질 두께 및 상기 일부 영역들의 부피를 사전에 학습된 제2 학습 모델에 입력하여 상기 대상자의 치매 여부를 분류하는 단계를 포함한다.
2차원 MRI를 이용하여 치매를 예측하는 분석장치는 대상자의 2D MRI 슬라이스들을 입력받는 인터페이스 장치, 2D MRI 슬라이스에서 관심 영역을 추출하는 세그멘테이션 모델, 관심 영역 정보를 입력받아 대뇌 피질 두께 및 부피를 예측하는 제1 학습모델들 및 대뇌 피질 두께 및 부피를 입력받아 치매 여부를 분류하는 제2 학습모델을 저장하는 저장장치 및 상기 입력받은 2D MRI 슬라이스들을 상기 세그멘테이션 모델에 입력하여 관심 영역들을 추출하고, 상기 추출한 관심 영역들의 픽셀 합산 개수를 상기 제1 학습모델들에 입력하여 상기 관심 영역들 중 일부 영역들의 대뇌 피질 두께 및 상기 관심 영역들 중 일부 영역들의 부피를 예측하고, 상기 일부 영역들의 대뇌 피질 두께 및 상기 일부 영역들의 부피를 상기 제2 학습 모델에 입력하여 상기 대상자의 치매 여부를 분류하는 연산장치를 포함한다. 상기 관심 영역들은 전두부 회백질, 측두부 회백질, 두정부 회백질, 후두부 회백질, 측뇌실 및 해마체를 포함한다.
이하 설명하는 기술은 소수의 2D MRI 이미지들을 분석하는 학습모델을 이용하여 치매 여부를 정확하게 예측한다. 이하 설명하는 기술은 저사양의 2D MRI 스캐너가 산출하는 뇌 MRI를 기준으로 치매 진단에 유용한 정보를 제공할 수 있다.
도 1은 뇌 영상을 이용하여 대상자의 치매 여부를 예측하는 전체 과정에 대한 예이다.
도 2는 뇌 영상에서 관심 영역을 추출하는 세그멘테이션 모델을 학습하는 과정의 예이다.
도 3은 관심 영역들을 기준으로 대뇌 피질 두께 및 뇌 영역 부피를 예측하는 학습모델의 학습 과정의 예이다.
도 4는 대뇌 피질 두께 및 뇌 영역 부피를 기준으로 치매 여부를 예측하는 학습모델의 학습 과정의 예이다.
도 5는 뇌 영상을 이용하여 대상자의 치매 여부를 예측하는 분석장치에 대한 예이다.
도 2는 뇌 영상에서 관심 영역을 추출하는 세그멘테이션 모델을 학습하는 과정의 예이다.
도 3은 관심 영역들을 기준으로 대뇌 피질 두께 및 뇌 영역 부피를 예측하는 학습모델의 학습 과정의 예이다.
도 4는 대뇌 피질 두께 및 뇌 영역 부피를 기준으로 치매 여부를 예측하는 학습모델의 학습 과정의 예이다.
도 5는 뇌 영상을 이용하여 대상자의 치매 여부를 예측하는 분석장치에 대한 예이다.
이하 설명하는 기술은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 이하 설명하는 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 이하 설명하는 기술의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 해당 구성요소들은 상기 용어들에 의해 한정되지는 않으며, 단지 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 이하 설명하는 기술의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
본 명세서에서 사용되는 용어에서 단수의 표현은 문맥상 명백하게 다르게 해석되지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함한다" 등의 용어는 설명된 특징, 개수, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 의미하는 것이지, 하나 또는 그 이상의 다른 특징들이나 개수, 단계 동작 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하지 않는 것으로 이해되어야 한다.
도면에 대한 상세한 설명을 하기에 앞서, 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다.
또, 방법 또는 동작 방법을 수행함에 있어서, 상기 방법을 이루는 각 과정들은 문맥상 명백하게 특정 순서를 기재하지 않은 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 과정들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
이하 설명하는 기술은 치매를 진단 내지 예측하는 기술이다. 이하 치매는 알츠하이머성 치매를 포함한다.
이하 설명하는 기술은 뇌 MRI를 이용하여 뇌 위축 정도를 산출하는 기술이다. 대표적으로 뇌 위축 정도는 대뇌 피질 두께 내지 부피를 기준으로 산출할 수 있다.
이하 뇌 영상을 분석하여 대상자에 대한 치매 여부를 예측하는 장치를 분석장치라고 명명한다. 분석장치는 PC와 같은 컴퓨터 장치, 스마트 기기, 네트워크의 서버, 데이터 처리 전용 칩셋 등의 형태를 가질 수 있다.
분석장치는 다수의 학습모델을 이용하여 뇌 영상을 기준으로 치매 여부를 예측할 수 있다. 학습모델은 기계학습 모델이다. 따라서, 분류 모델은 다양한 유형의 모델 중 어느 하나일 수 있다. 예컨대, 학습 모델은 결정 트리, RF(random forest), KNN(K-nearest neighbor), 나이브 베이즈(Naive Bayes), SVM(support vector machine), DNN(deep neural network), 회귀모델 등 중 어느 하나의 방식으로 구현된 모델일 수 있다. DNN은 다양한 유형의 모델이 존재한다. 예컨대, DNN은 영상에서 관심 영역을 추출하는 세그멘테이션(segmentation) 모델, 영상의 특징을 기준으로 분류를 수행하는 분류 모델 등이 있다.
도 1은 뇌 영상을 이용하여 대상자의 치매 여부를 예측하는 전체 과정(100)에 대한 예이다.
분석장치는 소수의 2D MRI 슬라이스들을 기준으로 대상자의 치매 여부를 예측할 수 있다. 이때 2D MRI 슬라이스들의 개수는 일반적으로 2D MRI 스캐너가 산출하는 개수이다. 연구자는 20장의 2D MRI 슬라이스들을 이용하여 학습모델을 구축하였다. 따라서, 이하 설명의 편의를 위하여 2D MRI 슬라이스들의 개수는 20이라고 가정한다. 즉, 2D MRI 스캐너가 대상자의 2D MRI 슬라이스들 생성한 상태라고 전제한다.
분석장치는 대상자의 뇌 MRI를 입력받는다(110). 예컨대, 분석장치는 대상자의 2D MRI 슬라이스들 20장을 입력받을 수 있다.
분석장치는 입력받은 2D MRI 슬라이스들에서 관심 영역(Region of Interest, ROI)들을 추출한다(120). 분석장치는 사전에 학습된 세그멘테이션 모델을 이용하여 설정된 다수의 관심 영역들을 추출할 수 있다. 관심 영역들은 대뇌 피질 두께를 산출하기 위한 기준 영역들을 포함할 수 있다. 또한, 관심 영역들은 뇌 부피를 산출하기 위한 영역들을 포함할 수도 있다. 예컨대, 관심 영역들은 전두부(frontal)의 회백질(gray matter), 측두부(temporal)의 회백질, 두정부(parietal)의 회백질, 후두부(occipital)의 회백질, 측뇌실(lateral ventricle) 및 해마체(hippocampus)를 포함할 수 있다.
분석장치는 추출한 관심 영역들을 이용하여 일정한 뇌 영상 지표를 산출할 수 있다(130). 여기서 뇌 영상 지표는 추출한 관심 영역의 픽셀들의 개수를 포함할 수 있다. 따라서, 사전에 관심 영역은 2D MRI 슬라이스 또는 관심 영역은 사전에 설정된 크기로 정규화될 수 있다. 또한, 뇌 영상 지표는 뇌 영상의 영역들 크기로 산출가능한 전체 뇌 크기(brain size)를 포함할 수 있다. 뇌 크기는 대뇌외 뇌척수액 영역(extracerebral cerebrospinal fluid), 전술한 6개의 관심 영역들 및 관심 영역들의 백질(white matter)의 크기를 합산하여 연산될 수 있다. 따라서, 분석장치는 뇌 MRI에서 뇌 크기 산출을 위한 관심 영역을 별도로 추출할 수 있다. 분석장치는 뇌 크기 산출에 기준이 되는 관심 영역들을 산출하는 별도의 세그멘테이션 모델을 이용할 수도 있다. 한편, 뇌 크기 결정을 위한 다양한 방법론이 연구되었기에, 분석장치는 다양한 영상처리기술 중 하나를 이용하여 대상자의 뇌 크기를 산출할 수도 있다.
분석장치는 사전에 학습된 학습 모델을 이용하여 대뇌 피질 두께 및 뇌 영역의 부피를 추정할 수 있다(140). 분석장치는 학습 모델에 뇌 영상 지표를 입력하여 대뇌 피질 두께를 예측할 수 있다. 분석장치는 다수의 학습 모델을 이용하여 각 관심 영역들에서의 대뇌 피질 두께를 예측할 수 있다. 예컨대, 분석장치는 전두부, 측두부, 두정부 및 후두부에 대한 개별적인 학습모델을 이용하여 각 영역의 대뇌 피질 두께를 산출할 수 있다. 또한, 분석장치는 별도의 학습 모델을 이용하여 뇌 영역의 부피를 예측할 수 있다. 예컨대, 분석장치는 측뇌실에 대한 학습 모델 및 해마체에 대한 학습 모델을 개별적으로 이용하여 각 영역의 부피를 산출할 수 있다.
한편, 분석장치는 뇌 영상 외에 대상자의 임상 정보(성별, 나이 등)를 추가로 더 이용하여 대뇌 피질 두께 또는 뇌 영역 부피를 산출할 수 있다. 이 경우, 각 학습모델은 뇌 MRI 외에 임상 정보를 이용하여 대뇌 피질 두께 또는 뇌 영역 부피를 산출하도록 사전에 학습되어야 한다.
분석장치는 최종적으로 관심 영역들의 대뇌 피질 두께 및 뇌 영역 부피를 기준으로 대상자의 치매 여부를 예측할 수 있다(150). 분석장치는 관심 영역들의 대뇌 피질 두께 및 뇌 영역 부피를 입력받는 별도의 학습모델을 이용하여 대상자의 치매 여부를 예측할 수 있다.
도 1의 치매 예측 과정은 대상자의 치매를 예측하기 위하여 다수의 학습 모델들을 사용한다. 연구자는 전술한 과정을 위한 다수의 학습 모델들을 구축하였고, 개별적인 모델의 성능 및 치매 예측 성능을 검증하였다. 이하, 연구자가 대상자의 치매 예측을 위하여 사용한 학습모델들의 구축 과정을 설명한다.
연구자는 소속된 의료 기관(삼성서울병원)에 내원한 모집단의 데이터를 수집하였다. 모집단은 일정 기한 내에 MRI와 PET를 모두 촬영한 대상자로 선정하였다. 아래 표 1은 모집단에 대한 정보를 나타낸다. 연구자는 전체 1,120명의 데이터를 사용하였다. 모집단은 529명의 치매 환자(Alzheimer's disease dementia, ADD)들과 591명의 정상인(normal control, NC)들로 구성되었다. 표 1은 모집단 구성에 대한 임상 정보 및 관심 영역별 대뇌 피질의 두께 및 뇌 영역 부피를 나타낸다. 임상 정보는 성별, 나이 및 교육 수준을 포함한다. 대뇌 피질의 두께는 전두부, 측두부, 두정부 및 후두부 영역의 두께를 포함한다. 뇌 영역 부피는 측뇌실 및 해마체의 부피를 포함한다.
| 전체 모집단 | ADD(치매환자) | NC(정상) | ||||
| 평균 | 표준편차(%) | 평균 | 표준편차(%) | 평균 | 표준편차(%) | |
| Subjects (명) | 1,120 | (100.0%) | 529 | (47.2%) | 591 | (52.8%) |
| Female (명) | 659 | (58.8%) | 306 | (57.8%) | 353 | (59.7%) |
| Age (years) | 69.0 | 10.9 | 69.9 | 10.2 | 68.2 | 11.5 |
| Education (years) | 11.7 | 4.8 | 11.3 | 4.9 | 12.1 | 4.7 |
| Frontal cortical thickness (mm) | 3.087 | 0.152 | 3.007 | 0.154 | 3.158 | 0.108 |
| Parietal cortical thickness (mm) | 2.984 | 0.192 | 2.877 | 0.200 | 3.080 | 0.120 |
| Temporal cortical thickness (mm) | 3.186 | 0.189 | 3.068 | 0.185 | 3.291 | 0.117 |
| Occipital cortical thickness (mm) | 2.897 | 0.204 | 2.793 | 0.186 | 2.991 | 0.171 |
| Lateral ventricle volume (mm3) | 18,063 | 10,107 | 22,318 | 10,493 | 14,254 | 8,028 |
| Hippocampus volume (mm3) | 2,627 | 632 | 2,177 | 523 | 3,031 | 411 |
연구자는 모집단의 데이터 중 980명의 데이터를 이용하여 세그멘테이션 모델을 구축하였다. 908명의 데이터는 3.0 T MRI 스캐너(Philips 3.0T Achieva)를 사용하여 생성한 3D MRI 데이터이다.
연구자는 CIVET 파이프라인의 3D 세그멘테이션 마스크를 이용하여 구조적 영상 분석을 하였다. CIVET에서 대뇌 피질 두께는 대뇌 피질의 안쪽과 바깥쪽 표면 사이의 유클리디언 거리로 연산한다. 관심 영역들은 (i) 전두부, 측두부, 두정부 및 후두부의 회백질, (ii) 측뇌실 및 (iii) 해마체를 포함한다. 연구자는 980명의 데이터에서 추출한 상기 관심 영역들을 세그멘테이션 모델 학습을 위한 정답(ground truth)으로 이용하였다.
도 2는 뇌 영상에서 관심 영역을 추출하는 세그멘테이션 모델을 학습하는 과정(200)의 예이다. 이하 모델의 학습 과정은 학습장치가 수행한다고 설명한다. 학습장치는 영상 데이터 처리 및 기계학습모델의 학습 과정 수행이 가능한 컴퓨터 장치를 의미한다.
학습장치는 다수 대상자들의 MRI 영상을 이용하여 세그멘테이션 모델을 학습한다. 다만, 도 2는 대상자 한명의 MRI를 이용하여 세그멘테이션 모델을 학습하는 과정을 예로 설명한다.
학습장치는 전술한 모집단에 속한 특정 대상자의 3D MRI를 입력받는다(210).
학습장치는 학습 데이터 세트를 마련한다(220). 학습 데이터 세트는 다수의 슬라이스별로 입력 슬라이스(원본 슬라이스) 및 해당 슬라이스에 대한 정답 영상으로 구성된다. 학습장치는 3D MRI의 480개의 슬라이스들에서 20개의 슬라이스들을 선택한다. 학습장치는 480개의 슬라이스들 중 2D MRI 스캐너로부터 획득한 20개의 슬라이스들에 매칭되는 슬라이스들을 선별할 수 있다. 또한, 학습장치는 선택한 20개의 슬라이스들에 대한 정답 영상을 입력받는다. 정답 영상은 입력 슬라이스에 대하여 관심 영역들을 구분한 영상이다. 정답 영상은 의료 영상의 전문가가 관심 영역을 구분하여 표시한(주석한) 영상을 이용할 수 있다.
학습장치는 학습 데이터를 이용하여 세그멘테이션 모델의 학습을 수행한다(230). 학습장치는 20개의 슬라이스에 대한 입력 슬라이스 및 정답 영상을 이용하여 세그멘테이션 모델을 학습할 수 있다. 세그멘테이션 모델은 입력 슬라이스를 입력받아 정답 영상의 관심 영역들을 추출(구분)하도록 학습된다.
세그멘테이션 모델은 시멘틱 세그멘테이션 모델일 수 있다. 예컨대, 세그멘테이션 모델은 U-net과 같은 FCN(Fully convolutional network) 기반의 모델일 수 있다. 연구자는 U-net 구조의 세그멘테이션 모델을 이용하여 2D MRI 슬라이스에서 관심 영역을 추출하였다.
세그멘테이션 모델은 다수의 관심 영역들을 추출한다. 연구자는 특징이 서로 다른 다양한 관심 영역들을 정확하게 추출하기 위하여 커리큘럼 학습(curriculum learning)을 수행하였다. 커리큘럼 학습은 인간이 학습하는 프로세스를 모방하여 쉬운 난이도의 데이터를 먼저 학습하고, 점차 어려운 데이터를 학습하는 학습 전략이다.
연구자는 아래 5개의 학습 순서에 따라 세그멘테이션 모델을 구축하고 성능을 검증하였다.
| 순번 | 학습 순서 |
| 1 | 전체 관심 영역들(All ROIs) |
| 2 | 해마체(Hippocampus)→해마체 및 측뇌실(Hippocampus and LV)→전체 관심 영역들 |
| 3 | 해마체 및 측뇌실→전체 관심 영역들 |
| 4 | 측뇌실→해마체 및 측뇌실→전체 관심 영역들 |
| 5 | 측뇌실→전체 관심 영역들 |
세그멘테이션 모델의 성능은 정답과 세그멘테이션 모델이 추출한 관심 영역을 기준으로 산출되는 IoU(intersection over union) 및 DSC(dice similarity coefficient)로 측정되었다. IoU 및 DSC는 각각 아래 수학식 1 및 수학식 2로 표현될 수 있다.
상기 수학식에서 AGT는 정답인 관심 영역, Apred는 세그멘테이션 모델이 구분한 관심 영역(예측 영역), Aoverlap는 AGT와 Apred의 중복 영역이다.
세그멘테이션 모델은 6개의 관심 영역들에 대하여 아래 표 3과 같은 IoU 및 DSC를 나타냈다. 세그멘테이션 모델은 측뇌실 추출에서 가장 높은 성능을 보였다.
| 관심영역 | IoU | DSC |
| 전두부 | 0.701 | 0.741 |
| 측두부 | 0.660 | 0.702 |
| 두정부 | 0.644 | 0.651 |
| 후두부 | 0.560 | 0.626 |
| 측뇌실 | 0.848 | 0.884 |
| 해마체 | 0.691 | 0.734 |
| 평균 | 0.689 | 0.728 |
아래 표 4는 표 2의 학습 순서에 대한 성능을 분석한 결과이다. 측뇌실을 먼저 학습하는 순서의 학습 방법이 다른 순서의 학습 방법에 비하여 다소 높은 성능을 보였다. 따라서, 관심 영역을 구분하여 커리큘럼 학습을 수행하는 기법이 세그멘테이션 모델의 성능에 유의하다는 것을 알 수 있다.
| 순번 | 학습 순서 | IoU |
| 1 | 전체 관심 영역들(All ROIs) | 0.653 |
| 2 | 해마체(Hippocampus)→해마체 및 측뇌실(Hippocampus and LV)→전체 관심 영역들 | 0.565 |
| 3 | 해마체 및 측뇌실→전체 관심 영역들 | 0.665 |
| 4 | 측뇌실→해마체 및 측뇌실→전체 관심 영역들 | 0.683 |
| 5 | 측뇌실→전체 관심 영역들 | 0.689 |
도 3은 관심 영역들을 기준으로 대뇌 피질 두께 및 뇌 영역 부피를 예측하는 학습모델의 학습 과정(300)의 예이다. 도 3에서 학습 모델은 전술한 관심 영역을 기준으로 대뇌 피질 두께 및 뇌 영역 부피를 예측한다.
도 3의 학습은 모집단에 속한 대상자의 뇌 MRI에서 전술한 관심 영역을 추출한 상태를 전제로 한다. 즉, 학습장치는 도 2의 세그멘테이션 모델을 이용하여 산출한 관심 영역을 이용할 수 있다.
학습장치는 뇌 MRI에서 추출한 관심 영역들을 기준으로 입력 데이터를 추출한다(310). 입력 데이터는 세그멘테이션 모델이 추출하는 관심 영역들로부터 추출되는 뇌 영상 지표 및 임상 정보를 포함할 수 있다.
뇌 영상 지표는 6개의 관심 영역들(전두부 회백질, 측두부 회백질, 두정부 회백질, 후두부 회백질, 측뇌실 및 해마체)에 대한 크기 정보를 포함한다. 6개의 관심 영역들의 크기는 관심 영역 영상에서의 픽셀 개수로 결정될 수 있다. 즉, 관심 영역의 크기는 해당 영역에 속한 전체 픽셀들의 합산 개수일 수 있다. 또한, 뇌 영상 지표는 뇌 크기를 더 포함할 수 있다. 뇌 크기는 대뇌외 뇌척수액 영역, 전술한 6개의 관심 영역들 및 관심 영역들의 백질(white matter)의 크기를 합산하여 연산될 수 있다.
특정 관심 영역의 픽셀 합산 개수는 20개의 슬라이스들 각각에 대하여 해당 관심 영역의 픽셀들의 개수를 모두 합산한 개수일 수 있다. 예컨대, 전두부 회백질의 픽셀 합산 개수는 20개의 슬라이스들 각각에서 전두부 회백질 영역에 속한 픽셀들을 전체 합산한 값일 수 있다. 20개의 슬라이스들의 인덱스가 0 ~ 19번이라고 가정한다. 전두부 회백질의 픽셀 합산 개수는 0번 슬라이스의 전두부 회백질 영역에 속한 픽셀들 개수, 1번 슬라이스의 전두부 회백질 영역에 속한 픽셀들 개수, ..., 19번 슬라이스의 전두부 회백질 영역에 속한 픽셀들 개수를 모두 합산한 값일 수 있다.
임상 정보는 대상자의 나이 및 성별을 포함할 수 있다.
연구자는 6개의 관심 영역들의 픽셀 합산 개수, 뇌 크기 및 임상 정보를 모두 입력 데이터로 이용하였다.
학습장치는 추출한 입력 데이터를 활용하여 학습 모델을 학습하는 과정을 수행한다(320). 학습장치는 다수의 대상자의 뇌 MRI에서 추출한 입력 데이터를 이용하여 학습 모델의 학습 과정을 반복한다.
학습장치는 추출한 입력 데이터를 학습 모델에 입력하여 학습 모델이 출력하는 값(예측하는 값)과 정답을 비교하면서 학습을 수행한다. 학습 모델은 대뇌 피질 두께 및 특정 뇌 영역의 부피를 예측하도록 학습된다. 정답은 모집단에 속한 대상자들의 MRI 및 PET-CT로 산출된 정보(표 1 참고)이다.
학습 모델은 예측하고자 하는 정보에 따라 개별적인 모델로 구축될 수 있다. 학습 모델은 기계학습모델이며 다양한 유형의 모델 중 하나로 구현될 수 있다. 연구자는 회귀모델(regression model)을 이용하였다. 연구자는 전부두의 대뇌 피질 두께를 예측하는 모델(전부두 모델), 측두부의 대뇌 피질 두께를 예측하는 모델(측두부 모델), 두정부의 대뇌 피질 두께를 예측하는 모델(두정부 모델), 후두부의 대뇌 피질 두께를 예측하는 모델(후두부 모델), 측뇌실의 부피를 예측하는 모델(측뇌실 모델) 및 해마체의 부피를 예측하는 모델(해마체 모델)을 개별적으로 구축하였다.
예컨대, 전두부 모델은 전두부 회백질의 픽셀 합산 개수 및 임상 정보를 입력받아 전두부 영역의 대뇌 피질 두께를 예측할 수 있다. 또한, 전두부 모델은 전두부 회백질의 픽셀 합산 개수, 뇌 크기 및 임상 정보를 입력받아 전두부 영역의 대뇌 피질 두께를 예측할 수 있다.
연구자는 뇌 크기를 입력데이터로 이용하는 모델과 이용하지 않는 모델을 구축하여 해당 모델의 성능을 검증하였다. 아래 표 5는 연구자가 구축한 학습 모델의 성능을 평가한 모델이다. 성능 지표는 피어슨 상관 계수(Pearson Correlation Coefficient)이다. 표 5에서 모델 1은 뇌 크기를 이용하지 않는 모델이고, 모델 2는 뇌 크기까지 이용하는 모델이다. 관심 영역에 따라 모델 1 또는 모델 2의 성능이 조금 더 높은 것을 확인할 수 있다. 따라서, 대뇌 피질 두께 및 뇌 영역 부피를 예측하는 모델은 관심 영역에 따라서 선별적으로 모델 1 또는 모델 2를 활용할 수 있다. 다만, 성능에서 모델 1과 모델 2가 큰 차이를 보이지는 않았다.
| ROI | 모델 1 | 모델 2 |
| 전두부 회백질 | 0.774 | 0.779 |
| 측두부 회백질 | 0.786 | 0.788 |
| 두정부 회백질 | 0.801 | 0.799 |
| 후두부 회백질 | 0.649 | 0.638 |
| 측뇌실 | 0.880 | 0.869 |
| 해마체 | 0.663 | 0.667 |
도 4는 대뇌 피질 두께 및 뇌 영역 부피를 기준으로 치매 여부를 예측하는 학습모델의 학습 과정(400)의 예이다. 최종적으로 치매 여부를 예측하는 학습 모델은 다양한 기계학습모델 유형 중 어느 하나로 구현될 수 있다. 연구자는 딥러닝 모델로 치매 예측 모델을 구현하였다.
도 4의 학습은 모집단에 속한 대상자에 대한 대뇌 피질 두께, 특정 뇌 영역 부피 및 임상정보를 획득한 상태를 전제로 한다. 예컨대, 학습장치는 도 3의 학습모델을 이용하여 산출한 대상자의 영역별 대뇌 피질 두께 및 특정 뇌 영역 부피를 이용할 수 있다.
학습장치는 모집단에 속한 대상자들의 뇌 MRI에서 추출한 대뇌 피질 두께 및 특정 뇌 영역의 부피를 추출한다. 대뇌 피질 두께는 전두부, 측두부, 두정부 및 후두부의 대뇌 피질 두께를 포함할 수 있다. 특정 뇌 영역의 부피는 측뇌실 및 해마체 영역의 부피를 포함할 수 있다. 또한, 학습장치는 대상자들의 임상 정보를 획득한다. 임상 정보는 나이, 성별 및 교육 수준을 포함할 수 있다. 학습 데이터는 도 3의 학습 모델을 이용하여 산출한 대뇌 피질 두께 및 특정 뇌 영역의 부피를 포함할 수 있다. 또는 학습 데이터는 실제 대상자들의 뇌 영상으로부터 산출한 대뇌 피질 두께 및 특정 뇌 영역의 부피를 포함할 수도 있다. 연구자는 실제 대상자의 3D MRI 분석 결과에서 산출한 대뇌 피질 두께 및 특정 뇌 영역의 부피를 학습 데이터로 이용하였다.
학습장치는 추출한 입력 데이터를 활용하여 학습 모델을 학습하는 과정을 수행한다(420). 학습장치는 다수의 대상자에서 추출한 입력 데이터를 이용하여 학습 모델의 학습 과정을 반복한다.
학습장치는 추출한 입력 데이터를 학습 모델에 입력하여 학습 모델이 출력하는 값(예측하는 값)과 정답을 비교하면서 학습을 수행한다. 학습 모델은 대상자의 치매 여부를 예측하도록 학습된다. 학습 모델은 대상자의 치매 여부에 대한 이진 분류 결과를 출력한다. 정답은 모집단에 속한 대상자들의 치매 여부에 대한 정보(표 1 참고)이다.
연구자는 서로 다른 입력 데이터 세트를 이용하여 3개의 학습 모델을 구축하였다. 연구자는 모집단의 데이터 중 924명(80%)의 데이터를 학습 데이터로 이용하였고, 196명(20%)의 데이터를 검증 데이터로 이용하였다. 3개의 학습 모델의 구축에 이용한 입력데이터는 아래 표 6과 같다.
| 모델 종류 | 학습 데이터(입력 데이터) |
| 학습 모델 1 | (i) 전두부의 대뇌 피질 두께, 측두부의 대뇌 피질 두께, 두정부의 대뇌 피질 두께, 후두부의 대뇌 피질 두께, 측뇌실의 부피 및 해마체의 부피 |
| 학습 모델 2 | (i)+ (ii) 임상 정보(나이, 성별) |
| 학습 모델 3 | (i)+ (ii) 임상 정보(나이, 성별)+(iii) 임상 정보(교육 수준) |
연구자는 구축한 학습 모델을 검증하였다. 한편, 검증 과정에서 연구자는 도 3의 학습모델이 예측한 대뇌 피질 두께 및 뇌 영역 부피를 도 4의 학습 모델의 입력 데이터로 이용하였다. 연구자는 10-폴드 교차 검증을 수행하였다. 검증 결과는 아래 표 7과 같다. 검증은 학습 모델이 예측한 결과와 정답을 비교하였다. 성능 지표는 AUC(area under the receiver operating characteristic curve) 및 AUPRC(area under the precision-recall curve)를 이용하였다.
연구자는 종래 3D MRI 기반의 분류 모델과 전술한 2D MRI 기반의 학습 모델의 성능을 비교하였다. 종래 3D MRI 기반의 분류 모델은 종래 연구된 모델을 이용하였다(Rebsamen, M., et al., Direct cortical thickness estimation using deep learning-based anatomy segmentation and cortex parcellation. Human Brain Mapping, 2020. 41(17): p. 4804-4814.).
2D MRI 기반의 학습 모델에서 학습 모델 2가 가장 높은 성능을 보였다. 나아가, 3D MRI 기반의 모델(AUC: 0.936)과 2D MRI 기반의 모델(AUC:0.922)의 성능 차이가 크지 않았다. 따라서, 연구자가 개발한 2D MRI 기반의 모델도 치매 예측에 충분히 유의하다고 할 수 있다.
| 모델 종류 | 종래 3D MRI 기반 학습 모델 | 2D MRI 기반 학습 모델 | ||
| AUC | AUPRC | AUC | AUPRC | |
| 학습 모델 1 | 0.938 | 0.933 | 0.913 | 0.883 |
| 학습 모델 2 | 0.936 | 0.935 | 0.922 | 0.900 |
| 학습 모델 3 | 0.936 | 0.942 | 0.917 | 0.890 |
도 5는 뇌 영상을 이용하여 대상자의 치매 여부를 예측하는 분석장치(500)에 대한 예이다. 분석장치(500)는 물리적으로 다양한 형태로 구현될 수 있다. 예컨대, 분석장치(500)는 PC와 같은 컴퓨터 장치, 스마트기기, 네트워크의 서버, 데이터 처리 전용 칩셋 등의 형태를 가질 수 있다. 한편, 분석장치(500)는 뇌 영상 장비에 연결되거나 일체형의 장치일 수도 있다.
분석장치(500)는 저장장치(510), 메모리(520), 연산장치(530), 인터페이스 장치(540), 통신장치(550) 및 출력장치(560)를 포함할 수 있다.
저장장치(510)는 의료 영상 장비에서 생성된 대상자의 2D MRI를 저장할 수 있다.
저장장치(510)는 대상자의 임상 정보를 저장할 수 있다. 임상 정보는 나이, 성별 및 학력 수준 중 적어도 하나를 포함할 수 있다.
저장장치(510)는 뇌 영상(2D MRI 슬라이스)에서 ROI를 추출하기 위한 세그멘테이션 모델을 저장할 수 있다. 세그멘테이션 모델은 사전에 학습된 모델이다.
저장장치(510)는 관심 영역의 정보 및 임상 정보(나이, 성별)를 기준으로 대뇌 피질 두께 및 특정 뇌 영역의 부피를 예측하는 학습모델을 저장할 수 있다. 대뇌 피질 두께 및 특정 뇌 영역의 부피를 예측하는 학습모델을 제1 학습모델이라고 명명한다. 전술한 바와 같이 제1 학습모델은 관심 영역(전두부 회백질, 측두부 회백질, 두정부 회백질, 후두부 회백질, 측뇌실 및 해마체)의 픽셀 합산 개수 및 임상 정보를 입력 데이터로 이용한다. 나아가, 제1 학습모델은 뇌 크기를 입력 데이터로 더 이용할 수도 있다. 따라서, 제1 학습 모델은 뇌 크기를 이용하지 않는 모델 및 뇌 크기까지 이용하는 모델로 구분되어 사전에 마련될 수 있다. 또한, 제1 학습 모델은 관심 영역별로 사전에 마련될 수 있다.
저장장치(510)는 대뇌 피질 두께 및 특정 뇌 영역의 부피를 기준으로 치매를 예측하는 학습모델을 저장할 수 있다. 최종적으로 치매를 예측하는 학습모델을 제2 학습모델이라고 명명한다. 제2 학습모델은 전술한 바와 같이 입력 데이터의 종류에 따라 다양한 모델로 구현될 수 있다. 제2 학습 모델은 (i) 대뇌 피질 두께 및 특정 뇌 영역의 부피만을 입력 데이터로 이용하는 모델, (ii) 대뇌 피질 두께 및 특정 뇌 영역의 부피, 임상 정보(나이 및 성별)를 입력 데이터로 이용하는 모델 및 (iii) 대뇌 피질 두께 및 특정 뇌 영역의 부피, 임상 정보(나이, 성별 및 학력 수준)입력 데이터로 이용하는 모델로 구분될 수 있다.
뇌 영상에서 치매 예측을 위한 코드 내지 프로그램을 저장할 수 있다.
메모리(520)는 분석장치(500)가 뇌 영상에서 치매 여부를 예측하는 과정에서 생성되는 데이터 및 정보 등을 저장할 수 있다.
인터페이스 장치(540)는 외부로부터 일정한 명령 및 데이터를 입력받는 장치이다. 인터페이스 장치(540)는 물리적으로 연결된 입력 장치 또는 외부 저장장치로부터 대상자의 2D MRI 및 임상 정보를 입력받을 수 있다. 입력되는 2D MRI 슬라이스들은 20개 이내의 개수이다. 인터페이스 장치(540)는 2D MRI를 기준으로 예측한 치매 정보를 외부 객체에 전달할 수도 있다.
통신장치(550)는 유선 또는 무선 네트워크를 통해 일정한 정보를 수신하고 전송하는 구성을 의미한다. 통신장치(550)는 외부 객체로부터 대상자의 2D MRI 및 임상 정보를 수신할 수 있다. 2D MRI 슬라이스들은 20개 이내의 개수이다. 통신장치(550)는 2D MRI를 기준으로 예측한 치매 정보를 사용자 단말과 같은 외부 객체에 송신할 수도 있다.
인터페이스 장치(540)는 통신장치(550)에서 수신하는 데이터를 내부적으로 전달받는 장치일 수 있다.
출력장치(560)는 일정한 정보를 출력하는 장치이다. 출력장치(560)는 데이터 처리 과정에 필요한 인터페이스, 뇌 영상, 뇌 영상에서 분할한 관심 영역, 관심 영역 기준 산출한 치매 관련 지표, 치매 예측 결과 등을 출력할 수 있다.
연산 장치(530)는 대상자의 뇌 영상(2D MRI)을 일정하게 전처리할 수 있다. 연산 장치(530)는 데이터 전처리 과정을 통하여 뇌 영역 전체를 분할하기 위한 마스크를 생성할 수 있다. 연산 장치(530)는 뇌 영역 전체에 대한 마스크를 이용하여 뇌 영상에서 전체 뇌 영역을 분할할 수 있다.
연산 장치(530)는 대상자의 2D MRI의 크기 내지 해상도를 일정하게 정규화할 수 있다.
연산 장치(530)는 대상자의 2D MRI 슬라이스를 학습된 세그멘테이션 모델에 입력하여 관심 영역을 추출할 수 있다. 관심 영역들은 전두부 회백질, 측두부 회백질, 두정부 회백질, 후두부 회백질, 측뇌실 및 해마체을 포함한다.
연산 장치(530)는 관심 영역들에 대한 크기 정보를 추출할 수 있다. 연산 장치(530)는 관심 영역들 각각에 대한 픽셀 합산 개수를 산출할 수 있다. 연산 장치(530)는 관심 영역(예컨대, 전두부)별로 전체 2D 슬라이스에서 확인한 픽셀 개수를 합산하여 픽셀 합산 개수를 산출할 수 있다.
연산 장치(530)는 뇌 MRI에서 관심 영역 및 다른 영역의 크기를 기준으로 전체 뇌 크기를 산출할 수 있다. 뇌 크기는 대뇌외 뇌척수액 영역, 전술한 6개의 관심 영역들 및 관심 영역들의 백질의 크기를 합산하여 결정될 수 있다.
연산 장치(530)는 관심 영역의 픽셀 합산 개수 및 임상 정보(나이 및 성별)를 제1 학습모델에 입력하여 해당 관심 영역의 대뇌 피질 두께 내지 부피를 예측할 수 있다. 연산 장치(530)는 관심 영역별로 픽셀 합산 개수 및 임상 정보(나이 및 성별)를 개별적인 학습모델에 입력하여 해당 관심 영역의 대뇌 피질 두께 내지 부피를 예측할 수 있다.
또한, 연산 장치(530)는 관심 영역의 픽셀 합산 개수, 뇌크기 및 임상 정보(나이 및 성별)를 제1 학습모델에 입력하여 해당 관심 영역의 대뇌 피질 두께 내지 부피를 예측할 수도 있다. 연산 장치(530)는 관심 영역별로 픽셀 합산 개수, 뇌크기 및 임상 정보(나이 및 성별)를 개별적인 학습모델에 입력하여 해당 관심 영역의 대뇌 피질 두께 내지 부피를 예측할 수도 있다.
연산 장치(530)는 제1 학습모델에 예측한 대뇌 피질 두께 내지 부피를 제2 학습모델에 입력하여 대상자의 치매 여부를 예측할 수 있다.
연산 장치(530)는 전두부의 대뇌 피질 두께, 측두부의 대뇌 피질 두께, 두정부의 대뇌 피질 두께, 후두부의 대뇌 피질 두께, 측뇌실의 부피 및 해마체의 부피를 제2 학습모델에 입력하여 대상자의 치매 여부를 예측할 수 있다.
또는, 연산 장치(530)는 (i) 전두부의 대뇌 피질 두께, 측두부의 대뇌 피질 두께, 두정부의 대뇌 피질 두께, 후두부의 대뇌 피질 두께, 측뇌실의 부피 및 해마체의 부피 및 (ii) 임상 정보(나이 및 성별)를 제2 학습모델에 입력하여 대상자의 치매 여부를 예측할 수 있다.
또는, 연산 장치(530)는 (i) 전두부의 대뇌 피질 두께, 측두부의 대뇌 피질 두께, 두정부의 대뇌 피질 두께, 후두부의 대뇌 피질 두께, 측뇌실의 부피 및 해마체의 부피 및 (ii) 임상 정보(나이, 성별 및 교육 수준)를 제2 학습모델에 입력하여 대상자의 치매 여부를 예측할 수 있다.
연산 장치(530)는 데이터를 처리하고, 일정한 연산을 처리하는 프로세서, AP, 프로그램이 임베디드된 칩과 같은 장치일 수 있다.
또한, 상술한 바와 같은 뇌 영상 분석 방법 내지 2D MRI 기반의 치매 예측 방법은 컴퓨터에서 실행될 수 있는 실행가능한 알고리즘을 포함하는 프로그램(또는 어플리케이션)으로 구현될 수 있다. 상기 프로그램은 일시적 또는 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장되어 제공될 수 있다.
비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM (read-only memory), PROM (programmable read only memory), EPROM(Erasable PROM, EPROM) 또는 EEPROM(Electrically EPROM) 또는 플래시 메모리 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.
일시적 판독 가능 매체는 스태틱 램(Static RAM，SRAM), 다이내믹 램(Dynamic RAM，DRAM), 싱크로너스 디램 (Synchronous DRAM，SDRAM), 2배속 SDRAM(Double Data Rate SDRAM，DDR SDRAM), 증강형 SDRAM(Enhanced SDRAM，ESDRAM), 동기화 DRAM(Synclink DRAM，SLDRAM) 및 직접 램버스 램(Direct Rambus RAM，DRRAM) 과 같은 다양한 RAM을 의미한다.
본 실시예 및 본 명세서에 첨부된 도면은 전술한 기술에 포함되는 기술적 사상의 일부를 명확하게 나타내고 있는 것에 불과하며, 전술한 기술의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시례는 모두 전술한 기술의 권리범위에 포함되는 것이 자명하다고 할 것이다.
Claims (12)
- 분석장치가 대상자의 2D(dimension) MRI(Magnetic Resonance Imaging) 슬라이스들을 입력받는 단계;
상기 분석장치가 상기 2D MRI 슬라이스들을 세그멘테이션 모델에 입력하여 관심 영역들을 추출하는 단계;
상기 분석장치가 상기 관심 영역들의 픽셀 합산 개수를 산출하는 단계;
상기 분석장치가 상기 관심 영역들의 픽셀 합산 개수를 사전에 학습된 제1 학습모델들에 입력하여 상기 관심 영역들 중 제1 일부 영역들의 대뇌 피질 두께 및 상기 관심 영역들 중 제2 일부 영역들의 부피를 예측하는 단계; 및
상기 분석장치가 상기 제1 일부 영역들의 대뇌 피질 두께 및 상기 제2 일부 영역들의 부피를 사전에 학습된 제2 학습 모델에 입력하여 상기 대상자의 치매 여부를 분류하는 단계를 포함하되,
상기 관심 영역들은 전두부 회백질, 측두부 회백질, 두정부 회백질, 후두부 회백질, 측뇌실 및 해마체를 포함하고,
상기 2D MRI 슬라이스들은 20개 이내이고,
상기 제1 학습모델들은 상기 관심 영역들별로 사전에 마련된 복수의 학습모델들을 포함하고, 상기 복수의 학습모델들 중 일부 학습모델들은 대응하는 관심 영역에 대한 픽셀 합산 개수 및 상기 대상자의 나이 및 상기 대상자의 성별을 입력받아 상기 제1 일부 영역들의 대뇌 피질 두께를 예측하고, 상기 복수의 학습모델들 중 일부 학습모델들은 대응하는 관심 영역에 대한 픽셀 합산 개수 및 상기 대상자의 나이 및 상기 대상자의 성별을 입력받아 상기 제2 일부 영역들의 부피를 예측하고,
상기 제2 학습모델은 전두부의 대뇌 피질 두께, 측두부의 대뇌 피질 두께, 두정부의 대뇌 피질 두께, 후두부의 대뇌 피질 두께, 측뇌실의 부피 및 해마체의 부피를 입력받아 상기 대상자의 치매 여부를 분류하는 2차원 MRI를 이용한 치매 예측 방법. - 삭제
- 제1항에 있어서,
상기 제1 학습모델들은 상기 2D MRI 슬라이스들에서 산출되는 뇌 크기를 더 입력받는 2차원 MRI를 이용한 치매 예측 방법. - 삭제
- 삭제
- 제1항에 있어서,
상기 제2 학습모델은 상기 대상자의 나이, 상기 대상자의 성별 및 상기 대상자의 교육 수준 중 적어도 하나의 정보를 더 입력받는 2차원 MRI를 이용한 치매 예측 방법. - 삭제
- 대상자의 2D(dimension) MRI(Magnetic Resonance Imaging) 슬라이스들을 입력받는 인터페이스 장치;
2D MRI 슬라이스에서 관심 영역을 추출하는 세그멘테이션 모델, 관심 영역 정보를 입력받아 대뇌 피질 두께 및 부피를 예측하는 제1 학습모델들 및 대뇌 피질 두께 및 부피를 입력받아 치매 여부를 분류하는 제2 학습모델을 저장하는 저장장치; 및
상기 입력받은 2D MRI 슬라이스들을 상기 세그멘테이션 모델에 입력하여 관심 영역들을 추출하고, 상기 추출한 관심 영역들의 픽셀 합산 개수를 상기 제1 학습모델들에 입력하여 상기 관심 영역들 중 제1 일부 영역들의 대뇌 피질 두께 및 상기 관심 영역들 중 제2 일부 영역들의 부피를 예측하고, 상기 제1 일부 영역들의 대뇌 피질 두께 및 상기 제2 일부 영역들의 부피를 상기 제2 학습 모델에 입력하여 상기 대상자의 치매 여부를 분류하는 연산장치를 포함하되,
상기 관심 영역들은 전두부 회백질, 측두부 회백질, 두정부 회백질, 후두부 회백질, 측뇌실 및 해마체를 포함하고,
상기 2D MRI 슬라이스들은 20개 이내이고,
상기 제1 학습모델들은 상기 관심 영역들별로 사전에 마련된 복수의 학습모델들을 포함하고, 상기 복수의 학습모델들 중 일부 학습모델들은 대응하는 관심 영역에 대한 픽셀 합산 개수 및 상기 대상자의 나이 및 상기 대상자의 성별을 입력받아 상기 제1 일부 영역들의 대뇌 피질 두께를 예측하고, 상기 복수의 학습모델들 중 일부 학습모델들은 대응하는 관심 영역에 대한 픽셀 합산 개수 및 상기 대상자의 나이 및 상기 대상자의 성별을 입력받아 상기 제2 일부 영역들의 부피를 예측하고,
상기 제2 학습모델은 전두부의 대뇌 피질 두께, 측두부의 대뇌 피질 두께, 두정부의 대뇌 피질 두께, 후두부의 대뇌 피질 두께, 측뇌실의 부피 및 해마체의 부피를 입력받아 상기 대상자의 치매 여부를 분류하는 2차원 MRI를 이용하여 치매를 예측하는 분석장치. - 삭제
- 삭제
- 삭제
- 제8항에 있어서,
상기 제2 학습모델은 상기 대상자의 나이, 상기 대상자의 성별 및 상기 대상자의 교육 수준 중 적어도 하나의 정보를 더 입력받는 2차원 MRI를 이용하여 치매를 예측하는 분석장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/KR2023/001929 WO2023153839A1 (ko) | 2022-02-09 | 2023-02-09 | 2차원 mri를 이용한 치매 정보 산출 방법 및 분석장치 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20220017193 | 2022-02-09 | ||
| KR1020220017193 | 2022-02-09 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230120551A KR20230120551A (ko) | 2023-08-17 |
| KR102608203B1 true KR102608203B1 (ko) | 2023-11-30 |
Family
ID=87800338
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220141115A KR102608203B1 (ko) | 2022-02-09 | 2022-10-28 | 2차원 mri를 이용한 치매 예측 방법 및 분석장치 |
| KR1020230017363A KR102608205B1 (ko) | 2022-02-09 | 2023-02-09 | 2차원 mri에서 예측한 부피를 이용한 치매 정보 산출 방법 및 분석장치 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230017363A KR102608205B1 (ko) | 2022-02-09 | 2023-02-09 | 2차원 mri에서 예측한 부피를 이용한 치매 정보 산출 방법 및 분석장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (2) | KR102608203B1 (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101929965B1 (ko) * | 2017-11-01 | 2018-12-17 | 가천대학교 산학협력단 | Relm과 pca 특징을 이용한 구조적 mri 영상 기반의 치매 진단 방법 및 그 장치 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102250954B1 (ko) | 2018-11-27 | 2021-05-12 | 재단법인 아산사회복지재단 | 뇌 mri 영상의 뇌 영역별 분할을 통한 치매 예측 장치 및 방법 |
| KR102276545B1 (ko) * | 2019-09-05 | 2021-07-15 | 고려대학교 산학협력단 | Ct 영상 기반 부위별 대뇌 피질 수축율 예측 방법 및 장치 |
-
2022
- 2022-10-28 KR KR1020220141115A patent/KR102608203B1/ko active IP Right Grant
-
2023
- 2023-02-09 KR KR1020230017363A patent/KR102608205B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101929965B1 (ko) * | 2017-11-01 | 2018-12-17 | 가천대학교 산학협력단 | Relm과 pca 특징을 이용한 구조적 mri 영상 기반의 치매 진단 방법 및 그 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230120551A (ko) | 2023-08-17 |
| KR102608205B1 (ko) | 2023-11-30 |
| KR20230120605A (ko) | 2023-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Afshar et al. | From handcrafted to deep-learning-based cancer radiomics: challenges and opportunities | |
| US10482603B1 (en) | Medical image segmentation using an integrated edge guidance module and object segmentation network | |
| KR101857624B1 (ko) | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 | |
| US11308608B2 (en) | Apparatus and method for medical diagnostic | |
| Liu et al. | Hierarchical fusion of features and classifier decisions for Alzheimer's disease diagnosis | |
| EP3480786A1 (en) | Medical image object detection with dense feature pyramid network architecture in machine learning | |
| CN111488914B (zh) | 一种基于多任务学习的阿尔茨海默症分类及预测系统 | |
| Mechrez et al. | Patch-based segmentation with spatial consistency: application to MS lesions in brain MRI | |
| KR102318959B1 (ko) | 의료 영상을 해석하는 인공지능 모델을 이용한 폐암 발병 가능성 예측 방법 및 의료 영상 분석 장치 | |
| Garali et al. | Histogram-based features selection and volume of interest ranking for brain PET image classification | |
| US11195273B2 (en) | Disease detection from weakly annotated volumetric medical images using convolutional long short-term memory | |
| CN110796656A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
| KR101919866B1 (ko) | 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치 | |
| EP4036931A1 (en) | Training method for specializing artificial intelligence model in institution for deployment, and apparatus for training artificial intelligence model | |
| US20220051801A1 (en) | Classifying neurological disease status using deep learning | |
| Yue et al. | Hierarchical feature extraction for early Alzheimer’s disease diagnosis | |
| CN111325714B (zh) | 感兴趣区域的处理方法、计算机设备和可读存储介质 | |
| EP3532991A1 (en) | Evaluating quality of a product such as a semiconductor substrate | |
| US11151717B2 (en) | Computer aided diagnosis system for mild cognitive impairment | |
| Ortiz et al. | Automatic ROI selection in structural brain MRI using SOM 3D projection | |
| KR20200120311A (ko) | 의료 영상을 이용한 암의 병기 결정 방법 및 의료 영상 분석 장치 | |
| US11417424B2 (en) | Disease detection from weakly annotated volumetric medical images using convolutional long short-term memory and multiple instance learning | |
| Mishra et al. | A statistical region selection and randomized volumetric features selection framework for early detection of Alzheimer's disease | |
| KR102427709B1 (ko) | 뇌질환 진단을 위한 다중 모달리티 의료 영상 분석 방법 및 장치 | |
| KR102608203B1 (ko) | 2차원 mri를 이용한 치매 예측 방법 및 분석장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A302 | Request for accelerated examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |