KR102615492B1 - 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법 및 분석장치 - Google Patents
대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법 및 분석장치 Download PDFInfo
- Publication number
- KR102615492B1 KR102615492B1 KR1020220141232A KR20220141232A KR102615492B1 KR 102615492 B1 KR102615492 B1 KR 102615492B1 KR 1020220141232 A KR1020220141232 A KR 1020220141232A KR 20220141232 A KR20220141232 A KR 20220141232A KR 102615492 B1 KR102615492 B1 KR 102615492B1
- Authority
- KR
- South Korea
- Prior art keywords
- region
- dementia
- extracerebral
- cerebrospinal fluid
- analysis device
- Prior art date
Links
- 206010012289 Dementia Diseases 0.000 title claims abstract description 125
- 238000004458 analytical method Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 53
- 210000001175 cerebrospinal fluid Anatomy 0.000 title claims description 114
- 210000004556 brain Anatomy 0.000 claims abstract description 105
- 210000003140 lateral ventricle Anatomy 0.000 claims description 27
- 208000024806 Brain atrophy Diseases 0.000 claims description 25
- 230000011218 segmentation Effects 0.000 claims description 21
- 230000002861 ventricular Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 230000001936 parietal effect Effects 0.000 claims description 8
- 230000002123 temporal effect Effects 0.000 claims description 8
- 101150037123 APOE gene Proteins 0.000 claims description 7
- 102100029470 Apolipoprotein E Human genes 0.000 claims description 7
- 239000012530 fluid Substances 0.000 claims 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 21
- 238000013145 classification model Methods 0.000 description 18
- 210000003710 cerebral cortex Anatomy 0.000 description 16
- 238000011156 evaluation Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000002059 diagnostic imaging Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 7
- 230000015654 memory Effects 0.000 description 7
- 230000007082 Aβ accumulation Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 206010003694 Atrophy Diseases 0.000 description 2
- 230000037444 atrophy Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001054 cortical effect Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000002610 neuroimaging Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241000282375 Herpestidae Species 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000012937 correction 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
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 210000004055 fourth ventricle Anatomy 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000000611 regression analysis 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
- 210000000211 third ventricle Anatomy 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
-
- 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
- A61B5/72—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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Neurology (AREA)
- Geometry (AREA)
- High Energy & Nuclear Physics (AREA)
- Physiology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Hospice & Palliative Care (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
Abstract
뇌 영상에서 치매 관련 지표를 산출하는 방법은 분석장치가 대상자의 뇌 영상을 입력받는 단계, 상기 분석장치가 상기 뇌 영상에서 관심 영역을 구분하는 단계, 상기 분석장치가 상기 관심 영역의 부피 또는 면적을 산출하는 단계 및 상기 분석장치가 상기 부피 또는 면적을 기준으로 상기 대상자에 대한 치매 관련 지표를 산출하는 단계를 포함한다.
Description
이하 설명하는 기술은 뇌 영상을 기준으로 치매 관련 정보를 산출하는 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.
치매는 장기간에 걸쳐 진행되는 병이며 임상적 양상이 나타나기 전부터 그 병리가 축적된다. 따라서, 치매 조기 진단은 치매 증상 발현 지연 및 관리에 매우 중요하다.
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.
다만, 대뇌 피질 두께는 의료 기관에서 사용하는 영상 장비(vendor)에 따라 측정되는 값에 편차가 발생한다. 따라서, 대뇌 피질 두께는 치매 진단을 위한 정확한 지표로서는 다소 한계가 있다고 하겠다.
이하 설명하는 기술은 대뇌 피질 대신에 뇌 영상에서 추출 가능한 다른 관심 영역을 기준으로 치매 관련 정보를 산출하는 기법을 제공하고자 한다.
대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법은 분석장치가 대상자의 뇌 영상을 입력받는 단계, 상기 분석장치가 상기 뇌 영상에서 관심 영역을 구분하는 단계, 상기 분석장치가 상기 관심 영역의 부피 또는 면적을 산출하는 단계 및 상기 분석장치가 상기 부피 또는 면적을 기준으로 상기 대상자에 대한 치매 관련 지표를 산출하는 단계를 포함한다.
다른 측면에서 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법은 분석장치가 대상자의 뇌 영상을 입력받는 단계, 상기 분석장치가 상기 뇌 영상에서 관심 영역을 구분하는 단계 및 상기 분석장치가 상기 관심 영역을 사전에 학습된 학습모델에 입력하여 상기 대상자에 대한 치매 관련 지표를 산출하는 단계를 포함한다.
치매 관련 지표를 산출하는 분석장치는 대상자의 뇌 영상을 입력받는 입력장치 및 상기 뇌 영상에서 관심 영역을 구분하고, 상기 관심 영역을 기준으로 치매 관련 지표를 산출하는 연산장치를 포함한다. 상기 관심 영역은 대뇌외 뇌척수액 영역을 포함한다.
이하 설명하는 기술은 뇌 영상에서 뇌의 다른 구조와 뚜렷하게 구분되는 대뇌외 뇌척수액 영역을 중심으로 뇌 위축 정도를 제공한다. 따라서, 이하 설명하는 기술은 영상 장비의 특성 차이에 관계없이 강인한 치매 관련 정보를 제공할 수 있다.
도 1은 의료 영상에서 대뇌 피질 두께를 추정하는 예이다.
도 2는 뇌 영상을 분석하여 치매 관련 지표를 산출하는 시스템에 대한 예이다.
도 3은 뇌 영상을 분석하여 치매 관련 지표를 산출하는 과정에 대한 예이다.
도 4는 대뇌외 뇌척수액 영역 및 뇌실 영역을 기준으로 치매 관련 지표를 산출하는 과정에 대한 예이다.
도 5는 측뇌실 및 대뇌외 뇌척수액 영역의 치매 평가 관련성에 대한 평가 결과이다.
도 6은 대뇌외 뇌척수액 서브 영역의 치매 평가 관련성에 대한 평가 결과이다.
도 7은 측뇌실과 대뇌외 뇌척수액 영역을 기준으로 구축한 분류기의 성능 평가 결과이다.
도 8은 도 7의 모델에 환자 정보를 추가로 사용한 분류기의 성능 평가 결과이다.
도 9는 측뇌실과 대뇌외 뇌척수액 서브 영역에 환자 정보를 사용한 분류기의 성능 평가 결과이다.
도 10은 학습모델을 이용하여 치매 관련 지표를 산출하는 과정에 대한 예이다.
도 11은 치매 관련 지표를 산출하는 분석장치에 대한 예이다.
도 2는 뇌 영상을 분석하여 치매 관련 지표를 산출하는 시스템에 대한 예이다.
도 3은 뇌 영상을 분석하여 치매 관련 지표를 산출하는 과정에 대한 예이다.
도 4는 대뇌외 뇌척수액 영역 및 뇌실 영역을 기준으로 치매 관련 지표를 산출하는 과정에 대한 예이다.
도 5는 측뇌실 및 대뇌외 뇌척수액 영역의 치매 평가 관련성에 대한 평가 결과이다.
도 6은 대뇌외 뇌척수액 서브 영역의 치매 평가 관련성에 대한 평가 결과이다.
도 7은 측뇌실과 대뇌외 뇌척수액 영역을 기준으로 구축한 분류기의 성능 평가 결과이다.
도 8은 도 7의 모델에 환자 정보를 추가로 사용한 분류기의 성능 평가 결과이다.
도 9는 측뇌실과 대뇌외 뇌척수액 서브 영역에 환자 정보를 사용한 분류기의 성능 평가 결과이다.
도 10은 학습모델을 이용하여 치매 관련 지표를 산출하는 과정에 대한 예이다.
도 11은 치매 관련 지표를 산출하는 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.
알츠하이머는 의료 영상에서 파악되는 대뇌 피질의 두께를 기준으로 진단하고 있다. 도 1은 의료 영상에서 대뇌 피질 두께를 추정하는 예이다. 도 1은 MRI 영상에서 대뇌 피질의 두께를 측정 내지 추정하는 예이다. 도 1에서 대뇌 피질은 노란색과 붉은색 사이의 회색 영역에 해당한다. 따라서, 대뇌 피질의 두께는 노란색으로 구분되는 흰색 영역과 상기 회색 영역을 명확하게 구분해야만 정확하게 측정될 수 있다. 한편, 의료 영상 장비는 다양한 벤더들이 제공하고 있고, 심지어 동일한 벤더가 생산한 장비도 장비 종류에 따라 영상 생성을 위한 파라미터들이 다를 수 있다.
연구자는 소속된 의료 기관(삼성서울병원)에 내원한 모집단의 데이터를 수집하였다. 모집단은 2015년부터 2021년까지 삼성서울병원에서 검사받은 정상 그룹 605명 및 치매를 가진 그룹 616명의 참가자들을 포한한다. 모든 참가자들은 뇌 MRI, 아밀로이드(amyloid) PET 등의 치매 평가를 받았다. 여기서 정상 그룹은 아밀로이드 음성인 대상자, 치매 그룹은 아밀로이드 양성인 대상자로 구성하였다.
| 측정 대상 | Aß(-) NC | Aß(+) ADD | |||||
| 장비 종류 | Achieva | Ingenia | P value | Achieva | Ingenia | P value | |
| 모집단 수 | N | 581 | 24 | 588 | 28 | ||
| Cortical thickness |
Frontal | 3.16 ± 0.11 | 3.17 ± 0.09 | 0.530 | 3.01 ± 0.15 | 3.00 ± 0.12 | 0.762 |
| Parietal | 3.08 ± 0.11 | 3.08 ± 0.13 | 0.895 | 2.87 ± 0.20 | 2.86 ± 0.17 | 0.747 | |
| Temporal | 3.29 ± 0.11 | 3.38 ± 0.13 | 0.001 | 3.06 ± 0.18 | 3.06 ± 0.18 | 0.857 | |
| Occipital | 2.99 ± 0.16 | 3.08 ± 0.19 | 0.011 | 2.79 ± 0.19 | 2.78 ± 0.18 | 0.632 | |
| Global | 3.13 ± 0.11 | 3.17 ± 0.12 | 0.059 | 2.94 ± 0.15 | 2.93 ± 0.14 | 0.711 | |
상기 표 1은 연구자들이 소속된 의료 기관에서 사용하는 동일 제조사(필립스)의 영상 장비 Archieva와 Ingenia로 대상자들의 대뇌 피질 두께를 측정한 결과이다. Aß(-) NC는 아밀로이드 베타 축적이 없는 정상군(normal control)이고, Aß(+) ADD는 아밀로이드 베타 축적이 있는 알츠하이머 환자군을 말한다.
Aß(+) ADD에서는 achieva 및 ingenia 기기에서 촬영한 MRI의 대뇌 피질 두께에 유의한 차이가 없었다. 그러나, Aß(-) NC에서는 두 기기의 측두엽(temporal) 및 후두엽(occipital) 측정치가 유의한 차이가 있었다. 즉, 연구자가 예상한 바와 같이 동일한 벤더의 의료 기기라도 종류가 다른 경우 측정된 대뇌 피질 두께가 다소 상이하게 나왔다. 이는 서로 다른 영상 장비들에 설정된 파라미터값에 차이가 있기 때문이다.
도 1에서 대뇌외 뇌척수액(Extracerebral cerebrospinal fluid, Extracerebral CSF) 영역은 일부 영역을 파란색으로 표시하였다. 대뇌외 뇌척수액 영역은 이랑(gyrus)과 이랑 사이의 고랑(sulcus) 영역이다. 대뇌외 뇌척수액 영역은 MRI 영상에서 검은색 또는 매우 어두운 색으로 나타난다. 즉, 대뇌외 뇌척수액 영역은 MRI에서 회색의 대뇌 피질 영역에 비하여 시각적으로 뚜렷하게 구별되는 영역에 해당한다. 따라서, 대뇌외 뇌척수액 영역은 컴퓨터 장치의 영상 처리 기법 내지 세그멘테이션(segmentation) 모델에 의하여 비교적 정확하게 구분될 수 있는 영역이 될 것이라고 추정할 수 있다.
| 측정 대상 | Aß(-) NC | Aß(+) ADD | |||||
| 장비 종류 | Achieva | Ingenia | P value | Achieva | Ingenia | P value | |
| 모집단 수 | N | 581 | 24 | 588 | 28 | ||
| CSF space | Lateral Ventricle |
0.01 ± 0.01 | 0.01 ± 0.00 | 0.378 | 0.02 ± 0.01 | 0.02 ± 0.01 | 0.705 |
| Extracerebral CSF |
0.46 ± 0.05 | 0.46 ± 0.05 | 0.742 | 0.52 ± 0.05 | 0.51 ± 0.04 | 0.285 | |
상기 표 2는 표 1에서 설명한 모집단에 대하여 achieva 및 ingenia 기기로 대뇌외 뇌척수액 영역의 길이(내지 크기)를 측정한 결과이다. 표 2의 결과를 살펴보면 대뇌외 뇌척수액 영역의 길이는 Aß(+) ADD 및 Aß(-) NC에서 두 개의 기기간 유의한 차이가 없는 것으로 나타났다. 즉, 연구자가 예측한 바와 같이 대뇌 피질 영역에 비하여 대뇌외 뇌척수액 영역에 뚜렷하게 구분되는 영상 특징을 갖는다고 추정할 수 있다.
대뇌 피질의 두께는 뇌 위축 정도는 나타내는 지표이다. 위축 정도가 심해지면 대뇌 피질의 두께는 얇아진다. 또한, 대뇌외 뇌척수액 영역의 크기도 뇌 위축 정도와 상관 관계가 있다. 위축 정도가 심해지면, 대뇌외 뇌척수액 영역의 크기는 증가한다.
이하 치매는 알츠하이머성 치매를 의미한다.
이하 설명하는 기술은 대뇌외 뇌척수액 영역을 중심으로 치매 진단 또는 치매 발병 가능성을 예측하는 기술이다.
대뇌외 뇌척수액 영역의 크기는 이랑과 이랑 사이의 간격 내지 거리로 평가될 수 있다. 또는 대뇌외 뇌척수액 영역의 크기는 특정 고랑의 면적으로 평가될 수 있다. 면적의 크기는 2D(dimension) 영상으로부터 산출될 수 있다. 또는 대뇌외 뇌척수액 영역의 크기는 특정 고랑의 부피(volume)로 평가될 수 있다. 부피는 3D 영상 또는 2D 슬라이스들로부터 산출될 수 있다.
이하 뇌 영상을 분석하여 대상자에 대한 치매 관련 지표를 산출하는 장치를 분석장치라고 명명한다. 분석장치는 PC와 같은 컴퓨터 장치, 스마트 기기, 네트워크의 서버, 데이터 처리 전용 칩셋 등의 형태를 가질 수 있다.
분석장치는 전통적인 영상 처리 기법을 이용하여 뇌 영상에서 특정 대뇌외 뇌척수액 영역의 크기 내지 부피를 산출할 수 있다. 또는 분석장치는 딥러닝 네트워크 유형의 모델을 이용하여 특정 대뇌외 뇌척수액 영역의 크기 내지 부피를 산출할 수도 있다. 분석장치는 대뇌외 뇌척수액 영역의 크기 내지 부피를 기준으로 뇌 위축 정도를 산출할 수 있다. 나아가, 분석장치는 뇌 영상을 분석하여 해당 대상자의 치매 진단이나 예측 결과를 산출할 수 있다.
분석장치는 뇌 영상을 분석하여 치매 관련 지표를 산출한다. 여기서 치매 관련 지표는 치매 진행과 관련된 정보 내지 인자에 해당한다. 치매 관련 지표는 대뇌외 뇌척수액 영역의 크기 내지 부피, 대뇌외 뇌척수액 영역의 크기 내지 부피로 평가되는 뇌 위축 정도 및 대뇌외 뇌척수액 영역의 크기/부피(또는 뇌 위축 정도)로 평가되는 치매 여부(또는 치매 진행 정도)를 포함하는 정보 중 적어도 하나를 포함할 수 있다.
도 2는 뇌 영상을 분석하여 치매 관련 지표를 산출하는 시스템(100)에 대한 예이다. 도 2에서 분석장치는 컴퓨터 단말(130) 및 서버(140)인 예를 도시하였다.
의료 영상 장비(110)는 환자에 대한 뇌 영상(예컨대, MRI 영상)을 생성한다. 의료 영상 장비(110)가 생성한 뇌 영상은 EMR(Electronic Medical Record, 120)과 같은 별도의 데이터베이스에 저장될 수 있다.
도 2에서 사용자(A)는 컴퓨터 단말(130)을 이용하여 뇌 영상을 분석하여 치매 관련 지표를 획득할 수 있다. 컴퓨터 단말(130)은 유선 또는 무선 네트워크를 통해 의료 영상 장비(110) 또는 EMR(120)로부터 특정 대상자의 뇌 영상을 입력받을 수 있다. 경우에 따라 컴퓨터 단말(130)은 의료 영상 장비(110)와 물리적으로 연결된 장치일 수도 있다. 컴퓨터 단말(130)은 뇌 영상에서 대뇌외 뇌척수액 영역을 추출한다. 컴퓨터 단말(130)은 대뇌외 뇌척수액 영역을 기준으로 치매 관련 지표를 산출할 수 있다. (i) 컴퓨터 단말(130)은 대뇌외 뇌척수액 영역의 크기 내지 부피를 추정할 수 있다. (ii) 컴퓨터 단말(130)은 대뇌외 뇌척수액 영역의 크기 내지 부피에 따라 뇌 위축 정도를 추정할 수 있다. (iii) 컴퓨터 단말(130)은 대뇌외 뇌척수액 영역의 크기/부피 또는 뇌 위축 정도에 따라 치매 여부, 치매 발현 가능성 또는 치매 진행 정도 등을 추정할 수 있다. 사용자 A는 컴퓨터 단말(130)에서 분석 결과를 확인할 수 있다.
서버(140)는 의료 영상 장비(110) 또는 EMR(120)로부터 특정 대상자의 뇌 영상을 수신할 수 있다. 서버(140)는 뇌 영상에서 대뇌외 뇌척수액 영역을 추출한다. 서버(140)는 대뇌외 뇌척수액 영역을 기준으로 치매 관련 지표를 산출할 수 있다. (i) 서버(140)는 대뇌외 뇌척수액 영역의 크기 내지 부피를 추정할 수 있다. (ii) 서버(140)는 대뇌외 뇌척수액 영역의 크기 내지 부피에 따라 뇌 위축 정도를 추정할 수 있다. (iii) 서버(140)는 대뇌외 뇌척수액 영역의 크기/부피 또는 뇌 위축 정도에 따라 치매 여부, 치매 발현 가능성 또는 치매 진행 정도 등을 추정할 수 있다. 서버(140)는 뇌 영상을 분석한 결과를 사용자 A의 단말에 전송할 수 있다. 사용자 A는 사용자 단말을 통해 분석 결과를 확인할 수 있다.
컴퓨터 단말(130) 및/또는 서버(140)는 분석 결과를 EMR(120)에 저장할 수도 있다.
도 3은 뇌 영상을 분석하여 치매 관련 지표를 산출하는 과정(200)에 대한 예이다.
분석장치는 대상자의 뇌 영상(MRI 영상)을 입력받는다(210).
분석장치는 입력된 뇌 영상 데이터를 일정하게 전처리할 수 있다(220). 데이터 전처리는 입력 영상에서 뇌 구조 표면 구조 내지 모델을 추출하여 마스크(mask)를 생성하는 과정일 수 있다. 예컨대, 분석장치는 CIVET 파이프라인을 이용하여 뇌 MRI 영상에서 전체 뇌 영역을 추출할 수 있다. 분석장치는 MRI 슬라이스에 뇌 영역을 추출할 수 있다. 분석장치는 연속된 MRI 슬라이스들에서 뇌 영역을 추출하여 3차원 형태의 뇌 영역을 추출할 수 있다. 정리하면, (i) 분석장치는 뇌 영상에서 전체 뇌 영역의 마스크를 생성할 수 있다. 또한 (ii) 분석장치는 뇌 영상에서 특정 영역의 마스크를 생성할 수도 있다. 특정 영역은 대뇌외 뇌척수액 영역, 대뇌외 뇌척수액 서브 영역, 뇌실(ventricle) 영역 및 뇌실 서브 영역 중 적어도 하나를 포함할 수 있다. 대뇌외 뇌척수액 서브 영역 및 뇌실 서브 영역은 후술한다.
한편, 마스크 생성을 위한 데이터 전처리 과정은 선택적인(optional) 과정일 수 있다. 영상 처리 기법 중 ROI(region of interest, 관심 영역)을 자동으로 추출하는 기법을 이용한다면, 분석장치는 마스크를 사전에 마련하지 않을 수도 있다.
분석장치는 대상자의 뇌 영상에서 전체 뇌 영역을 분할(segmentation)할 수 있다(230). 분석장치는 데이터 전처리 과정에서 마련한 마스크를 이용하여 전체 뇌 영역을 분할할 수 있다. 또는 분석장치는 세그멘테이션 모델을 이용하여 전체 뇌 영역을 분할할 수 있다.
분석장치는 전체 뇌 영역에서 ROI를 분할할 수 있다(240). 분석장치는 데이터 전처리 과정에서 마련한 마스크를 이용하여 ROI를 분할할 수 있다. 또는 분석장치는 세그멘테이션 모델을 이용하여 ROI를 분할할 수 있다. ROI는 대뇌외 뇌척수액 영역을 포함한다. ROI는 대뇌외 뇌척수액 영역 외에 다른 영역을 포함할 수 있다. 또한, ROI는 대뇌외 뇌척수액 영역에서 추출가능한 서브 영역들로 구성될 수도 있다. 구체적인 ROI에 대해서는 후술한다.
분석장치는 분할한 ROI에 대한 부피를 산출할 수 있다(250). 분석장치는 상용 프로그램이나 알고리즘을 이용하여 3차원 ROI에 대한 부피를 산출할 수 있다. 한편, 분석장치는 MRI 슬라이스에서 2차원 ROI에 대한 면적을 산출할 수도 있다. 분석장치는 전체 슬라이스들 또는 선택된 특정 슬라이스에서 ROI의 면적을 산출할 수 있다.
분석장치는 ROI의 부피 또는 면적을 기준으로 뇌 위축 정도를 추정할 수 있다(260). 도 3의 치매 관련 지표는 뇌 위축 정도이다. ROI의 부피 또는 특정 지점(들)의 면적은 뇌 위축 정도와 일정한 상관 관계를 갖는다. ROI의 부피(또는 면적)와 뇌 위축 정도의 상관 관계는 사전에 테이블 형태로 마련될 수 있다. 이 경우 분석장치는 산출된 ROI의 부피(또는 면적)를 기준으로 대상자의 뇌 우축 정도를 추정할 수 있다. 또는 분석장치는 산출된 ROI의 부피(또는 면적)를 변수로 갖는 함수를 이용하여 대상자의 뇌 우축 정도를 추정할 수 있다. 이때 함수는 공개된 수식일 수 있다. 또는 이때 함수는 회귀분석을 통해 사전에 마련된 수식일 수도 있다.
ROI는 대뇌외 뇌척수액 영역을 포함한다. 나아가, ROI는 대뇌외 뇌척수액 영역의 개별 서브 영역들 중 적어도 일부를 포함할 수도 있다. 또한 ROI는 MRI에서 백색 또는 회색이 아니어서 비교적 뚜렷하게 구별되는 뇌실 영역도 포함할 수 있다. 나아가, ROI는 뇌실 영역의 개별 서브 영역들 중 적어도 일부를 포함할 수도 있다. ROI는 다양한 영역들 중 어느 하나 또는 다양한 영역들의 가능한 조합 중 어느 하나일 수 있다. ROI 후보들은 아래 표 3과 같다.
| 전체 영역 | 서브 영역 |
| 1. Extracerebral CSF (대뇌외 뇌척수액 영역) |
1-1. frontal (전두부) |
| 1-2.temporal (측두부) | |
| 1-3.parietal (두정부) | |
| 1-4.occipital (후두부) | |
| 2. Ventricle (뇌실 영역) |
2-1.lateral (측뇌실) |
| 2-2.third (제3뇌실) | |
| 2-3.fourth (제4뇌실) |
가능한 ROI는 다음과 같다. (i) ROI는 전체 대뇌외 뇌척수액 영역 및 전체 뇌실 영역 중 적어도 하나일 수 있다. (ii) 또한, ROI는 전체 대뇌외 뇌척수액 영역 및 뇌실 서브 영역들 중 적어도 하나일 수 있다. (iii) 또한, ROI는 대뇌외 뇌척수액 서브 영역들 및 전체 뇌실 영역 중 적어도 하나일 수 있다. (iv) 또한, 또한, ROI는 대뇌외 뇌척수액 서브 영역들 및 뇌실 서브 영역들 중 적어도 하나일 수 있다.
도 4는 대뇌외 뇌척수액 영역 및 뇌실 영역을 기준으로 치매 관련 지표를 산출하는 과정(300)에 대한 예이다. 도 4는 ROI 중 서브 영역들을 이용하여 치매 관련 지표를 산출하는 예이다.
분석장치는 대상자의 뇌 영상(MRI 영상)을 입력받는다(310).
분석장치는 입력된 뇌 영상 데이터를 일정하게 전처리할 수 있다(320). 데이터 전처리는 입력 영상에서 뇌 구조 표면 구조 내지 모델을 추출하여 마스크를 생성하는 과정일 수 있다. 분석장치는 뇌 영상에서 전체 뇌 영역의 마스크를 생성할 수 있다. 또한, 분석장치는 뇌 영상에서 특정 영역의 마스크를 생성할 수도 있다. 특정 영역은 대뇌외 뇌척수액 영역, 대뇌외 뇌척수액 서브 영역, 뇌실 영역 및 뇌실 서브 영역 중 적어도 하나를 포함할 수 있다.
한편, 마스크 생성을 위한 데이터 전처리 과정은 선택적인 과정일 수 있다. 영상 처리 기법 중 ROI를 자동으로 추출하는 기법을 이용한다면, 분석장치는 마스크를 사전에 마련하지 않을 수도 있다.
분석장치는 대상자의 뇌 영상에서 전체 ROI 영역을 분할할 수 있다(330). 분석장치는 데이터 전처리 과정에서 마련한 마스크를 이용하여 전체 뇌 영역을 분할할 수 있다. 또는 분석장치는 세그멘테이션 모델을 이용하여 전체 뇌 영역을 분할할 수 있다.
분석장치는 전체 뇌 영역에서 특정 ROI를 분할할 수 있다. 분석장치는 마스크를 이용하여 대뇌외 뇌척수액 서브 영역 중 적어도 하나를 분할할 수 있다(340). 또한, 분석장치는 마스크를 이용하여 뇌실 서브 영역 중 적어도 하나를 분할할 수 있다(350). 분석장치는 세그멘테이션 모델을 이용하여 목표 ROI를 분할할 수도 있다.
분석장치는 분할한 ROI에 대한 부피를 산출할 수 있다(360). 분석장치는 상용 프로그램이나 알고리즘을 이용하여 3차원 ROI에 대한 부피를 산출할 수 있다. 한편, 분석장치는 MRI 슬라이스에서 2차원 ROI에 대한 면적을 산출할 수도 있다. 분석장치는 전체 슬라이스들 또는 선택된 특정 슬라이스에서 ROI의 면적을 산출할 수 있다.
분석장치는 대상자의 뇌 전체의 부피(Intracranial Volume: ICV)를 이용하여 뇌 영역 각각을 정규화할 수 있다(370). 분석장치는 ICV 기준으로 타깃 ROI의 크기 내지 부피를 일정하게 보정할 수 있다. ICV 기반한 보정 과정은 선택적인 과정일 수 있다.
분석장치는 ROI의 부피 또는 면적을 기준으로 뇌 위축 정도를 추정할 수 있다(380). 분석장치는 ICV 기준으로 보정된 부피 또는 면적을 기준으로 뇌 위축 정도를 추정할 수 있다. 예컨대, 분석장치는 ROI의 부피(또는 면적)를 ICV로 나누어 부피를 정규화할 수 있다.
도 4의 치매 관련 지표는 뇌 위축 정도이다. 분석장치는 산출된 ROI의 부피(또는 면적)와 사전에 마련된 레퍼런스를 비교하여 대상자의 뇌 위축 정도를 추정할 수 있다. 또는 분석장치는 산출된 ROI의 부피(또는 면적)를 변수로 갖는 함수를 이용하여 대상자의 뇌 위축 정도를 추정할 수 있다.
연구자는 치매 관련 지표를 산출하기 위한 ROI를 선별하였다.
연구자는 뇌실 서브 영역 중 측뇌실(lateral ventricle) 및 전체 대뇌외 뇌척수액 영역(extracerebral CSF)의 치매 관련성에 대하여 확인하였다. 도 5는 측뇌실 및 대뇌외 뇌척수액 영역의 치매 평가 관련성에 대한 평가 결과이다. 도 5에서 A(-) NC는 아밀로이드 베타 축적이 없는 정상군이고, A(+) ADD는 아밀로이드 베타 축적이 있는 알츠하이머 환자군이다. 도 5의 결과를 살펴보면 측뇌실 영역 및 대뇌외 뇌척수액 영역 각각이 ROI가 될 수 있다. (i) 측뇌실 영역은 정상군과 환자군을 구분할 수 있는 지표가 될 수 있다(p<0.001). 또한, (ii) 전체 대뇌외 뇌척수액 영역도 정상군과 환자군을 구분할 수 있는 지표가 될 수 있다(p<0.001).
연구자는 대뇌외 뇌척수액 서브 영역들 각각의 치매 관련성에 대하여 확인하였다. 도 6은 대뇌외 뇌척수액 서브 영역의 치매 평가 관련성에 대한 평가 결과이다. 대뇌외 뇌척수액 서브 영역들은 전두부 영역(frontal, F), 측두부 영역(temporal, T), 두정부 영역(parietal, P) 및 후두부 영역(occipital, O)을 포함한다. 도 6에서 A(-) NC는 아밀로이드 베타 축적이 없는 정상군이고, A(+) ADD는 아밀로이드 베타 축적이 있는 알츠하이머 환자군이다. 도 6의 결과를 살펴보면 대뇌외 뇌척수액 서브 영역 각각이 ROI가 될 수 있다(p<0.001).
연구자는 선별한 ROI를 기준으로 치매 관련 지표를 산출하는 모델(분류기)을 구축하였다. 분류기는 기계학습모델로 구현하였다. 연구자는 전술한 모집단의 데이터 중 70%를 학습 데이터로 이용하였고, 나머지 30%를 검증 데이터로 이용하였다. 연구자는 R의 glm()을 이용하여 로지스틱 회귀(logistic regression)를 수행하였다. 다만, 분류기는 딥러닝 모델과 같은 다른 모델로 구현될 수도 있다.
도 7은 측뇌실과 대뇌외 뇌척수액 영역을 기준으로 구축한 분류기의 성능 평가 결과이다. 도 7은 두 개의 모델들(Model 1 및 Model 2)의 성능을 나타낸다. Model 1 및 Model 2는 뇌 영상만을 이용하여 치매 관련 지표를 산출하는 모델이다. Model 1은 ROI로 측뇌실과 전체 대뇌외 뇌척수액 영역을 사용한 모델이다. Model 는 ROI로 측뇌실과 대뇌외 뇌척수액 서브 영역들을 사용한 모델이다. Model 1의 AUC(Area Under the ROC Curve)는 0.808이었다. Model 2에서 사용한 대뇌외 뇌척수액 영역 서브 영역들은 전두부 영역(F), 측두부 영역(T), 두정부 영역(P) 및 후두부 영역(O)이다. Model의 AUC(Area Under the ROC Curve)는 0.854이었다. Model 2가 Model 1보다 조금 더 성능이 높았지만, Model 1 및 Model 2 모두 치매 진단 내지 예측에 충분히 유의하다는 것을 알 수 있다.
도 8은 측뇌실과 전체 대뇌외 뇌척수액 영역에 환자 정보를 추가로 사용한 분류기의 성능 평가 결과이다. 도 8은 두 개의 모델들(Model 3 및 Model 4)의 성능을 나타낸다. Model 3 및 Model 4는 뇌 영상 및 환자 정보를 이용하여 치매 관련 지표를 산출하는 모델이다. Model 3 및 Model 4는 뇌 영상 및 환자 정보를 이용하여 사전에 학습된 모델이다.
Model 3은 Model 1에 추가적인 환자 정보(나이, 성별, 교육 수준)를 더 이용한 모델이다. 즉, Model 3은 (i) 뇌 영상에서 추출한 측뇌실과 전체 대뇌외 뇌척수액 영역 및 (ii) 환자 정보(나이, 성별, 교육 수준)를 이용하여 치매 관련 지표를 산출하는 모델이다. Model 3의 AUC는 0.829이었다.
Model 4는 Model 1에 추가적인 환자 정보(나이, 성별, 교육 수준) 및 임상 정보(APOE e4)를 더 이용한 모델이다. 즉, Model 3은 (i) 뇌 영상에서 추출한 측뇌실과 전체 대뇌외 뇌척수액 영역, (ii) 환자 정보(나이, 성별, 교육 수준) 및 (iii) 환자 임상 정보(APOE e4)를 이용하여 치매 관련 지표를 산출하는 모델이다. APOE e4는 치매과 연관된 유전자의 유전형 정보를 의미한다. Model 4의 AUC는 0.883이었다.
Model 3 및 Model 4가 모두 Model 1보다 성능이 높았다. 따라서, Model 3 및 Model 4 모두 치매 진단 내지 예측에 충분히 유의하다는 것을 알 수 있다.
도 9는 측뇌실과 대뇌외 뇌척수액 서브 영역에 환자 정보를 사용한 분류기의 성능 평가 결과이다. 도 9는 두 개의 모델들(Model 5 및 Model 6)의 성능을 나타낸다. Model 5 및 Model 6은 뇌 영상 및 환자 정보를 이용하여 치매 관련 지표를 산출하는 모델이다. Model 5 및 Model 6은 뇌 영상 및 환자 정보를 이용하여 사전에 학습된 모델이다.
Model 5는 (i) 뇌 영상에서 추출한 뇌실 서브 영역과 대뇌외 뇌척수액 서브 영역(F,P,T,O) 및 (ii) 환자 정보(나이, 성별, 교육 수준)를 이용하여 치매 관련 지표를 산출하는 모델이다. Model 5의 AUC는 0.889이었다.
Model 6은 (i) 뇌 영상에서 추출한 뇌실 서브 영역과 대뇌외 뇌척수액 서브 영역(F,P,T,O), (ii) 환자 정보(나이, 성별, 교육 수준) 및 (iii) 환자 임상 정보(APOE e4)를 이용하여 치매 관련 지표를 산출하는 모델이다. Model 6의 AUC는 0.932이었다.
Model 5 및 Model 6은 모두 Model 2보다 성능이 높았다. 따라서, Model 5 및 Model 6은 모두 치매 진단 내지 예측에 충분히 유의하다는 것을 알 수 있다.
정리하면, 치매 관련 지표 관련한 ROI는 (i) 전체 대뇌외 뇌척수액 영역, (ii) 대뇌외 뇌척수액 영역 전체 서브 영역들, (iii) 대뇌외 뇌척수액 영역 서브 영역들 중 일부 영역, (iv) 전체 대뇌외 뇌척수액 영역 + 측뇌실, (v) 대뇌외 뇌척수액 영역 전체 서브 영역들 + 측뇌실 및 (vi) 대뇌외 뇌척수액 영역 서브 영역들 중 일부 영역 + 측뇌실, (vii) 대뇌외 뇌척수액 영역 서브 영역들 중 적어도 일부 영역 + 뇌실 서브 영역이 모두 유의하다는 것을 알 수 있다. 한편, 실험적으로 ROI로 대뇌외 뇌척수액 영역 서브 영역들을 사용한 분류기가 전체 대뇌외 뇌척수액 영역을 사용한 분류기보다 조금 더 성능이 높았다. 또한, 뇌 MRI만을 사용하는 분류기도 충분히 유의한 성능을 보였다. 나아가, 뇌 MRI 영상외에 환자 정보 등의 추가 정보를 사용하는 경우 분류기의 성능이 향상되는 것을 확인하였다.
도 10은 학습모델을 이용하여 치매 관련 지표를 산출하는 과정(400)에 대한 예이다. 도 10은 뇌 MRI 영상에서 ROI를 추출하는 과정 및 ROI 기반하여 치매 관련 지표를 예측하는 과정을 모두 학습모델을 이용한 경우이다.
분석장치는 대상자의 뇌 영상(MRI 영상)을 입력받는다(410).
분석장치는 입력된 뇌 영상을 사전에 학습된 세그멘테이션 모델에 입력할 수 있다(420). 세그멘테이션 모델은 다양한 유형이나 구조의 모델로 구현될 수 있다. 예컨대, 세그멘테이션 모델은 U-net 기반의 모델일 수 있다. 세그멘테이션 모델은 그 종류나 학습 과정에 따라 다양한 ROI를 분할할 수 있다. 세그멘테이션 모델은 3차원 뇌 영상에서 ROI를 분할할 수 있다. 또는 세그멘테이션 모델은 2차원 개별 슬라이스에서 ROI를 분할할 수도 있다. ROI는 전술한 바와 같이 다양한 영역 중 일부 영역이 사용될 수 있다. 세그멘테이션 모델은 특정 ROI 별로 사전에 마련될 수 있다. 예컨대, 세그멘테이션 모델은 (i) 전체 대뇌외 뇌척수액 영역을 분할하는 모델, (ii) 대뇌외 뇌척수액 서브 영역들 중 적어도 일부를 분할하는 모델, (iii) 전체 대뇌외 뇌척수액 영역 + 측뇌실 영역을 분할하는 모델, (iv) 대뇌외 뇌척수액 서브 영역들 중 적어도 일부 + 측뇌실 영역을 분할하는 모델 등과 같이 다양할 수 있다. 세그멘테이션 모델은 학습 데이터 및 학습 과정에 따라 다양한 ROI 중 어느 하나를 분할하는 모델로 사전에 구축될 수 있다.
분석장치는 세그멘테이션 모델이 출력하는 결과물(ROI 구분)을 획득할 수 있다(430).
분석장치는 ROI를 사전에 학습된 분류 모델에 입력한다(440). 분류 모델은 영상 또는 영상 및 환자 정보를 입력하여 치매 관련 지표를 산출하는 모델이다.
분류 모델은 기계학습 모델이다. 따라서, 분류 모델은 다양한 유형의 모델 중 어느 하나일 수 있다. 예컨대, 분류 모델은 결정 트리, RF(random forest), KNN(K-nearest neighbor), 나이브 베이즈(Naive Bayes), SVM(support vector machine), ANN(artificial neural network), 회귀모델 등 중 어느 하나의 방식으로 구현된 모델일 수 있다. ANN도 다양한 유형의 모델이 존재한다. 예컨대, 분류 모델은 CNN(Convolutional Neural Network) 기반의 모델일 수 있다.
분석장치는 분류모델이 출력하는 치매 관련 지표를 획득할 수 있다(450). 치매 관련 지표는 ROI의 부피, 뇌 위축 정도 또는 치매 진행 정도와 같은 정보일 수 있다.
분류모델은 ROI만을 이용하여 치매 관련 지표를 산출할 수 있다. 또한, 분류모델은 ROI 및 환자 정보(나이, 성별, 교육 수준 등)을 분류 모델에 입력하여 치매 관련 지표를 산출할 수 있다. 나아가, 분류모델은 ROI, 환자 정보(나이, 성별, 교육 수준 등) 및 임상 정보(APOE e4 등)을 분류 모델에 입력하여 치매 관련 지표를 산출할 수도 있다.
한편, 도 10과 달리 ROI를 추출하는 과정 또는 치매 관련 지표를 예측하는 과정 중 어느 하나만을 학습 모델을 이용할 수도 있다. 즉, (i) 분석장치는 세그멘테이션 모델을 이용하여 ROI를 추출하고, 추출된 ROI에 대한 부피를 산출하여 뇌 위축 정도를 추정할 수 있다. 부피 산출 및 뇌 위축 정도 결정은 도 3 내지 도 4에서 설명한 바와 같다. 또는 (ii) 분석장치는 마스크를 사용하여 ROI를 추출하고, 추출된 ROI를 도 10의 분류 모델에 입력하여 치매 관련 지표를 산출할 수도 있다. 마스크를 이용하여 ROI를 추출하는 과정은 도 3 내지 도 4에서 설명한 바와 같다.
도 11은 치매 관련 지표를 산출하는 분석장치(500)에 대한 예이다. 분석장치(500)는 전술한 분석장치(도 1의 130 및 140)에 해당한다. 분석장치(500)는 물리적으로 다양한 형태로 구현될 수 있다. 예컨대, 분석장치(500)는 PC와 같은 컴퓨터 장치, 네트워크의 서버, 데이터 처리 전용 칩셋 등의 형태를 가질 수 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 뇌 영상(MRI 영상)을 저장할 수 있다.
저장장치(510)는 대상자에 대한 환자 정보 및 임상 정보를 저장할 수 있다. 환자 정보 및 임상 정보는 전술한 바와 같다.
저장장치(510)는 뇌 영상에서 치매 관련 지표를 산출하는 코드 내지 프로그램을 저장할 수 있다.
저장장치(510)는 뇌 영상에서 추출한 마스크(들)를 저장할 수 있다.
저장장치(510)는 뇌 영상에서 ROI를 추출하기 위한 세그멘테이션 모델을 저장할 수 있다. 세그멘테이션 모델은 사전에 학습된 모델이다.
저장장치(510)는 ROI를 입력받아 치매 관련 지표를 산출하는 분류 모델을 저장할 수 있다. 분류 모델은 사전에 학습된 모델이다.
저장장치(510)는 대상자에 대한 치매 관련 지표를 저장할 수 있다.
메모리(520)는 분석장치(500)가 뇌 영상에서 치매 관련 지표를 산출하는 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 뇌 영상을 입력받을 수 있다. 인터페이스 장치(540)는 물리적으로 연결된 입력 장치 또는 외부 저장장치로부터 대상자의 환자 정보 및/또는 임상 정보를 입력받을 수 있다. 인터페이스 장치(540)는 뇌 영상을 기준으로 산출한 치매 관련 지표를 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 뇌 영상을 수신할 수 있다. 통신장치(550)는 외부 객체로부터 대상자의 환자 정보 및/또는 임상 정보를 수신할 수 있다. 통신장치(550)는 뇌 영상을 기준으로 산출한 치매 관련 지표를 사용자 단말과 같은 외부 객체에 송신할 수도 있다.
인터페이스 장치(540) 및 통신장치(550)는 사용자 또는 다른 물리적 객체로부터 일정한 데이터를 주고받는 구성이므로, 포괄적으로 입출력장치라고도 명명할 수 있다. 정보 내지 데이터 입력 기능에 한정하면 인터페이스 장치(540) 및 통신장치(550)는 입력장치라고 할 수도 있다.
출력장치(560)는 일정한 정보를 출력하는 장치이다. 출력장치(560)는 데이터 처리 과정에 필요한 인터페이스, 뇌 영상, 뇌 영상에서 분할한 ROI, ROI 기준 산출한 치매 관련 지표 등을 출력할 수 있다.
연산 장치(530)는 대상자의 뇌 영상을 일정하게 전처리할 수 있다. 데이터 전처리 과정은 도 3에서 설명한 바와 같다. 연산 장치(530)는 데이터 전처리 과정을 통하여 뇌 영역 전체 및 ROI를 분할하기 위한 마스크(들)를 생성할 수 있다.
연산 장치(530)는 뇌 영역 전체에 대한 마스크를 이용하여 뇌 영상에서 전체 뇌 영역을 분할할 수 있다. 나아가, 연산 장치(530)는 특정 ROI에 대한 마스크를 이용하여 전체 뇌 영역에서 목표하는 ROI를 분할할 수 있다. ROI는 전술한 바와 같이 다양할 수 있다. 예컨대, ROI는 전체 대뇌외 뇌척수액 영역, 대뇌외 뇌척수액 서브 영역들, 전체 대뇌외 뇌척수액 영역 + 측뇌실 영역 및 대뇌외 뇌척수액 서브 영역들 + 측뇌실 영역 중 어느 하나일 수 있다.
연산 장치(530)는 세그멘테이션 모델을 이용하여 입력되는 뇌 영상에서 ROI를 분할할 수도 있다.
연산 장치(530)는 분할한 ROI에 대한 부피 또는 면적을 산출할 수 있다. 연산 장치(530)는 뇌 영역의 부피를 산출하기 위한 상용 프로그램 중 어느 하나를 이용하여 ROI에 대한 부피 또는 면적을 산출할 수 있다. 나아가, 연산 장치(530)는 초기 산출한 ROI의 부피를 ICV 기준으로 정규화할 수 잇다.
연산 장치(530)는 최종적인 ROI 부피 또는 면적을 기준으로 뇌 위축 정도를 추정할 수 있다. 또는 연산 장치(530)는 최종적인 ROI 부피 또는 면적을 기준으로 대상자의 치매 정도를 추정할 수 있다. 또는 연산 장치(530)는 대상자의 뇌 위축 정도를 기준으로 대상자의 치매 정도를 추정할 수 있다.
연산 장치(530)는 ROI를 사전에 구축된 분류 모델에 입력하여 치매 관련 지표를 산출할 수 있다. 또한, 연산 장치(530)는 ROI 및 환자 정보(나이, 성별, 교육 수준 등)을 분류 모델에 입력하여 치매 관련 지표를 산출할 수 있다. 나아가, 연산 장치(530)는 ROI, 환자 정보(나이, 성별, 교육 수준 등) 및 임상 정보(APOE e4 등)을 분류 모델에 입력하여 치매 관련 지표를 산출할 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 처리 방법, 치매 관련 지표 산출 방법 내지 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 (19)
- 분석장치가 대상자의 뇌 영상을 입력받는 단계;
상기 분석장치가 상기 뇌 영상에서 관심 영역을 구분하는 단계;
상기 분석장치가 상기 관심 영역의 부피 또는 면적을 산출하는 단계; 및
상기 분석장치가 상기 부피 또는 면적을 기준으로 상기 대상자에 대한 치매 관련 지표를 산출하는 단계를 포함하되,
상기 관심 영역은 대뇌외 뇌척수액(Extracerebral cerebrospinal fluid) 영역을 포함하고,
상기 대뇌외 뇌척수액 영역은 다수의 서브 영역들로 구분되고, 상기 서브 영역들은 전두부 영역(frontal), 측두부 영역(temporal), 두정부 영역(parietal) 및 후두부 영역(occipital) 중 적어도 하나를 포함하는 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법. - 제1항에 있어서,
상기 치매 관련 지표는 뇌 위축 정도, 치매 여부 및 치매 진행 정도 중 적어도 하나를 포함하는 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법. - 제1항에 있어서,
상기 분석 장치는 상기 뇌 영상을 전처리하여 생성되는 마스크를 이용하여 상기 관심 영역을 구분하는 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법. - 제1항에 있어서,
상기 관심 영역은
뇌실 영역을 더 포함하고,
상기 뇌실 영역은 측뇌실을 포함하는 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법. - 삭제
- 분석장치가 대상자의 뇌 영상을 입력받는 단계;
상기 분석장치가 상기 뇌 영상에서 관심 영역을 구분하는 단계; 및
상기 분석장치가 상기 관심 영역을 사전에 학습된 학습모델에 입력하여 상기 대상자에 대한 치매 관련 지표를 산출하는 단계를 포함하되,
상기 관심 영역은 대뇌외 뇌척수액(Extracerebral cerebrospinal fluid) 영역을 포함하고,
상기 대뇌외 뇌척수액 영역은 다수의 서브 영역들로 구분되고, 상기 서브 영역들은 전두부 영역(frontal), 측두부 영역(temporal), 두정부 영역(parietal) 및 후두부 영역(occipital) 중 적어도 하나를 포함하는 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법. - 제6항에 있어서,
상기 분석장치는 상기 뇌 영상을 사전에 학습된 세그멘테이션 모델에 입력하여 상기 관심 영역을 구분하는 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법. - 제6항에 있어서,
상기 관심 영역은 상기 대뇌외 뇌척수액 영역의 전체와 측뇌실 영역을 포함하는 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법. - 삭제
- 제6항에 있어서,
상기 관심 영역은 측뇌실 영역을 더 포함하는 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법. - 제6항에 있어서,
상기 분석장치는 상기 대상자의 추가 정보를 상기 학습모델에 더 입력하여 상기 치매 관련 지표를 산출하고,
상기 추가 정보는 상기 대상자의 나이, 성별, 교육 수준 및 APOE e4 유전자형 중 적어도 하나를 포함하는 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법. - 대상자의 뇌 영상을 입력받는 입력장치; 및
상기 뇌 영상에서 관심 영역을 구분하고, 상기 관심 영역을 기준으로 치매 관련 지표를 산출하는 연산장치를 포함하되,
상기 관심 영역은 대뇌외 뇌척수액 영역(Extracerebral cerebrospinal fluid)을 포함하되,
상기 대뇌외 뇌척수액 영역은 다수의 서브 영역들로 구분되고, 상기 서브 영역들은 전두부 영역(frontal), 측두부 영역(temporal), 두정부 영역(parietal) 및 후두부 영역(occipital) 중 적어도 하나를 포함하는 치매 관련 지표를 산출하는 분석장치. - 제12항에 있어서,
상기 연산장치는 상기 뇌 영상을 전처리하여 생성되는 마스크를 이용하여 상기 관심 영역을 구분하는 치매 관련 지표를 산출하는 분석장치. - 제12항에 있어서,
상기 연산장치는 상기 뇌 영상을 사전에 학습된 세그멘테이션 모델에 입력하여 상기 관심 영역을 구분하는 치매 관련 지표를 산출하는 분석장치. - 제12항에 있어서,
상기 연산장치는 상기 관심 영역의 부피 또는 면적을 기준으로 상기 치매 관련 지표를 산출하는 치매 관련 지표를 산출하는 분석장치. - 제12항에 있어서,
상기 연산장치는 상기 관심 영역을 사전에 학습된 학습모델에 입력하여 상기 치매 관련 지표를 산출하는 치매 관련 지표를 산출하는 분석장치. - 제12항에 있어서,
상기 관심 영역은 상기 대뇌외 뇌척수액 영역의 전체와 측뇌실 영역을 포함하는 치매 관련 지표를 산출하는 분석장치. - 삭제
- 삭제
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220141232A KR102615492B1 (ko) | 2022-10-28 | 2022-10-28 | 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법 및 분석장치 |
| PCT/KR2022/021527 WO2024090677A1 (ko) | 2022-10-28 | 2022-12-28 | 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법 및 분석장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220141232A KR102615492B1 (ko) | 2022-10-28 | 2022-10-28 | 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법 및 분석장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102615492B1 true KR102615492B1 (ko) | 2023-12-19 |
Family
ID=89385499
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220141232A KR102615492B1 (ko) | 2022-10-28 | 2022-10-28 | 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법 및 분석장치 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102615492B1 (ko) |
| WO (1) | WO2024090677A1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101754291B1 (ko) * | 2017-04-04 | 2017-07-06 | 이현섭 | 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법 |
| KR20200007244A (ko) * | 2018-07-12 | 2020-01-22 | 서울대학교병원 | 치매 조기 진단용 복합 텍스처 인덱스의 생성 방법 |
| KR20200062589A (ko) | 2018-11-27 | 2020-06-04 | 재단법인 아산사회복지재단 | 뇌 mri 영상의 뇌 영역별 분할을 통한 치매 예측 장치 및 방법 |
| KR102456338B1 (ko) * | 2021-08-03 | 2022-10-20 | 주식회사 뉴로젠 | 아밀로이드 베타 축적 예측 장치 및 방법 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190135908A (ko) * | 2019-02-01 | 2019-12-09 | (주)제이엘케이인스펙션 | 인공지능 기반 치매 진단 방법 및 장치 |
| KR102349360B1 (ko) * | 2019-08-26 | 2022-01-11 | 경북대학교 산학협력단 | 영상 진단기기를 이용한 특발성 정상압 수두증의 진단 방법 및 시스템 |
-
2022
- 2022-10-28 KR KR1020220141232A patent/KR102615492B1/ko active IP Right Grant
- 2022-12-28 WO PCT/KR2022/021527 patent/WO2024090677A1/ko unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101754291B1 (ko) * | 2017-04-04 | 2017-07-06 | 이현섭 | 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법 |
| KR20200007244A (ko) * | 2018-07-12 | 2020-01-22 | 서울대학교병원 | 치매 조기 진단용 복합 텍스처 인덱스의 생성 방법 |
| KR20200062589A (ko) | 2018-11-27 | 2020-06-04 | 재단법인 아산사회복지재단 | 뇌 mri 영상의 뇌 영역별 분할을 통한 치매 예측 장치 및 방법 |
| KR102456338B1 (ko) * | 2021-08-03 | 2022-10-20 | 주식회사 뉴로젠 | 아밀로이드 베타 축적 예측 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024090677A1 (ko) | 2024-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Afshar et al. | From handcrafted to deep-learning-based cancer radiomics: challenges and opportunities | |
| Liu et al. | View‐centralized multi‐atlas classification for Alzheimer's disease diagnosis | |
| Ghafoorian et al. | Automated detection of white matter hyperintensities of all sizes in cerebral small vessel disease | |
| Mechrez et al. | Patch‐Based Segmentation with Spatial Consistency: Application to MS Lesions in Brain MRI | |
| Nozadi et al. | Classification of Alzheimer’s and MCI Patients from Semantically Parcelled PET Images: A Comparison between AV45 and FDG‐PET | |
| Yee et al. | Quantifying brain metabolism from FDG‐PET images into a probability of Alzheimer's dementia score | |
| Estienne et al. | Deep learning-based concurrent brain registration and tumor segmentation | |
| US20210090247A1 (en) | Apparatus and method for medical diagnostic | |
| Adeli et al. | Kernel-based joint feature selection and max-margin classification for early diagnosis of Parkinson’s disease | |
| Gupta et al. | Alzheimer’s disease diagnosis based on cortical and subcortical features | |
| Ortiz et al. | Automatic ROI selection in structural brain MRI using SOM 3D projection | |
| US11151717B2 (en) | Computer aided diagnosis system for mild cognitive impairment | |
| Lesjak et al. | Validation of white-matter lesion change detection methods on a novel publicly available MRI image database | |
| Rana et al. | Graph‐theory‐based spectral feature selection for computer aided diagnosis of Parkinson's disease using T 1‐weighted MRI | |
| Brusini et al. | Shape information improves the cross-cohort performance of deep learning-based segmentation of the hippocampus | |
| Poh et al. | Automatic segmentation of ventricular cerebrospinal fluid from ischemic stroke CT images | |
| Bass et al. | Detection of axonal synapses in 3D two-photon images | |
| Kumar et al. | RETRACTED ARTICLE: Analysis of regional atrophy and prolong adaptive exclusive atlas to detect the alzheimers neuro disorder using medical images | |
| Platero et al. | Combining a patch-based approach with a non-rigid registration-based label fusion method for the hippocampal segmentation in Alzheimer’s disease | |
| Li et al. | Classification of brain disease in magnetic resonance images using two-stage local feature fusion | |
| Zhu et al. | Multi-atlas label fusion with random local binary pattern features: Application to hippocampus segmentation | |
| Walger et al. | Artificial intelligence for the detection of focal cortical dysplasia: Challenges in translating algorithms into clinical practice | |
| Cruz-Bernal et al. | Analysis of the cluster prominence feature for detecting calcifications in mammograms | |
| Demirhan | Neuroimage‐based clinical prediction using machine learning tools | |
| KR102615492B1 (ko) | 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법 및 분석장치 |
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 |