KR102627874B1 - Ct 영상 기반의 뇌 영상 정량 분석 방법 및 시스템 - Google Patents
Ct 영상 기반의 뇌 영상 정량 분석 방법 및 시스템 Download PDFInfo
- Publication number
- KR102627874B1 KR102627874B1 KR1020230141203A KR20230141203A KR102627874B1 KR 102627874 B1 KR102627874 B1 KR 102627874B1 KR 1020230141203 A KR1020230141203 A KR 1020230141203A KR 20230141203 A KR20230141203 A KR 20230141203A KR 102627874 B1 KR102627874 B1 KR 102627874B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- images
- brain
- segmentation model
- mri
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 32
- 238000002610 neuroimaging Methods 0.000 title description 4
- 238000002591 computed tomography Methods 0.000 claims abstract description 279
- 210000004556 brain Anatomy 0.000 claims abstract description 149
- 238000002600 positron emission tomography Methods 0.000 claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims description 100
- 238000002372 labelling Methods 0.000 claims description 90
- 230000015654 memory Effects 0.000 claims description 43
- 238000004891 communication Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 8
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 92
- 230000010365 information processing Effects 0.000 description 38
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 9
- 230000005291 magnetic effect Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 210000005013 brain tissue Anatomy 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 210000003484 anatomy Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000003826 tablet Substances 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013425 morphometry Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000007082 Aβ accumulation Effects 0.000 description 1
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 238000002075 inversion recovery Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Classifications
-
- 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
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- 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
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
-
- 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
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10104—Positron emission tomography [PET]
-
- 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)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physiology (AREA)
- Pulmonology (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
본 개시는 적어도 하나의 프로세서에 의해 수행되는, CT(Computed Tomography) 영상 기반의 뇌 영상 정량 분석 방법에 있어서, 외부 장치로부터 동일한 환자의 CT 영상 및 PET(Positron Emission Tomography) 영상을 수신하는 단계, CT 영상과 PET 영상을 정합하는 단계, CT 분할(parcellation) 모델을 이용하여, CT 영상에 포함된 적어도 하나의 관심 영역을 추출하는 단계. 적어도 하나의 관심 영역에 대한 분석 결과를 산출하는 단계를 포함한다.
Description
본 개시는 CT 영상 기반의 뇌 영상 정량 분석 방법 및 시스템에 관한 것으로, 구체적으로, CT 분할 모델을 이용하여 뇌 CT 영상으로부터 해부학적 관심 영역을 추출하고, 해당 관심 영역의 뇌 정량 분석 결과를 산출하는 방법 및 시스템에 관한 것이다.
암, 뇌 질환 등을 정확하게 판정하기 위하여, 의료 기관은 피검사자(예컨대, 환자)의 신체로부터 PET(Positron Emission Tomography) 및 MRI(Magnetic Resonance Imaging) 영상을 촬영하고 있다. 여기서, CT 영상은 X 선 회전체를 이용하여 다양한 각도에서 촬영한 환자 신체의 단면 이미지를 생성할 수 있고, PET 영상은 방사성 동위원소를 이용하여 신체의 대사 활동을 조사하여 이미지를 생성할 수 있다. 또한, MRI 영상은 강한 자기장과 라디오파를 이용하여 환자 신체의 조직 이미지를 생성할 수 있다.
의료 영상을 정량 분석함에 있어서, CT 영상과 MRI 영상은 서로 보완적인 정보를 제공할 수 있다. 예를 들어, CT 영상은 환자의 뼈나 골격 구조를 명확하게 보여줄 수 있는 반면, MRI 영상은 부드러운 조직과 신경계를 보다 정확하게 보여줄 수 있다. 따라서, CT 영상과 MRI 영상을 함께 이용함으로써 더욱 정확한 진단을 내리고, 더욱 효과적인 대처가 가능할 수 있다. 그러나, 금속 보형물이나 심장 박동기를 사용하는 환자와 같이, 안전상의 이유로 MRI를 촬영할 수 없는 환자가 존재할 수 있다. 또한, CT 영상과 MRI 영상을 함께 이용하는 경우, CT 영상뿐만 아니라 MRI 영상까지 모두 촬영해야 하므로, 환자의 비용과 시간이 많이 소모되는 문제가 있다.
또한, 한편, 국내외 의료 기관에서는, PET 검사를 진행함에 있어서, PET 영상과 MRI 영상이 함께 생성되는 PET/MRI 장치보다는, PET 영상과 CT 영상이 함께 생성되는 PET/CT 장치를 주로 사용하고 있다. 이에 따라, PET 영상이 촬영되는 경우, CT 영상이 함께 생성되는 경우가 많다.
본 개시는 상기와 같은 문제점을 해결하기 위한 CT영상 기반의 뇌 영상 정량 분석 방법 및 시스템을 제공한다.
본 개시는 방법, 장치(시스템) 또는 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 포함한 다양한 방식으로 구현될 수 있다.
본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는, CT(Computed Tomography) 영상 기반의 뇌 영상 정량 분석 방법에 있어서, 외부 장치로부터 동일한 환자의 CT 영상 및 PET(Positron Emission Tomography) 영상을 수신하는 단계, CT 영상과 PET 영상을 정합하는 단계, CT 분할(parcellation) 모델을 이용하여, CT 영상에 포함된 적어도 하나의 관심 영역을 추출하는 단계. 적어도 하나의 관심 영역에 대한 분석 결과를 산출하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따르면, 분석 결과를 산출하는 단계는, 적어도 하나의 관심 영역의 표준 섭취 계수율(Standardized Uptake Value Ratio; SUVR)을 산출하는 단계를 포함하는, 뇌 영상 정량 분석 방법.
본 개시의 일 실시예에 따르면, 방법은, CT 분할 모델을 미리 결정된 학습 데이터 세트를 이용하여 학습시키는 단계를 더 포함하고, 미리 결정된 학습 데이터 세트는, 동일한 환자의 CT 영상 및 MRI 영상에 기초하여 생성될 수 있다.
본 개시의 일 실시예에 따르면, CT 분할 모델을 미리 결정된 학습 데이터 세트를 이용하여 학습시키는 단계는, 동일한 환자의 CT 영상 및 MRI 영상을 수신하는 단계, MRI 영상에 대한 분할 작업(parcellation)을 수행하여 MRI 영상에 포함된 복수의 영역의 라벨링 정보를 생성하는 단계, 라벨링 정보 및 CT 영상을 한 쌍으로 학습 데이터 세트를 구축하는 단계 및 학습 데이터 세트를 이용하여 CT 분할 모델을 학습시키는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따르면, 학습 데이터 세트를 구축하는 단계는, MRI 영상 및 CT 영상을 공간 정합하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따르면, CT 분할 모델을 학습시키는 단계는, MRI 영상에 포함된 복수의 영역 각각에 대하여 가중치를 적용하는 단계를 포함하고, 가중치는 MRI 영상에 포함된 복수의 영역 각각의 면적에 반비례하도록 결정될 수 있다.
본 개시의 일 실시예에 따르면, 가중치는 미리 결정된 임계값 이상으로 결정될 수 있다.
본 개시의 일 실시예에 따르면, CT 분할 모델은 축상도(axial view) CT 분할 모델, 관상도(coronal view) CT 분할 모델 및 측상도(sagittal view) CT 분할 모델을 포함하고, 축상도 CT 분할 모델은 축상도 CT 영상 및 축상도 MRI 영상의 라벨링 정보에 기초하여 학습되고, 관상도 CT 분할 모델은 관상도 CT 영상 및 관상도 MRI 영상의 라벨링 정보에 기초하여 학습되고, 측상도 CT 분할 모델은 측상도 CT 영상 및 측상도 MRI 영상의 라벨링 정보에 기초하여 학습될 수 있다.
본 개시의 일 실시예에 따르면, 적어도 하나의 관심 영역을 추출하는 단계는, 축상도 CT 분할 모델, 관상도 CT 분할 모델 및 측상도 CT 분할 모델에 의해 생성된 각각의 라벨링 정보를 합성하여 CT 영상의 3차원 라벨링 정보를 생성하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터로 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공될 수 있다.
본 개시의 일 실시예에 따른 시스템으로서, 통신 모듈, 메모리 및 메모리와 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로그램은 외부 장치로부터 CT 영상 및 PET 영상을 수신하고, CT 영상과 PET 영상을 정합하고, CT 분할 모델을 이용하여, CT 영상에 포함된 적어도 하나의 관심 영역을 추출하고, 적어도 하나의 관심 영역에 대한 분석 결과를 산출하기 위한 명령어들을 포함할 수 있다.
본 개시의 다양한 실시예에 따르면, CT 분할 모델은 CT 영상을 입력값으로 MRI 영상에서 추출한 수준의 라벨링 정보를 생성할 수 있다. 즉, CT 영상만으로도 MRI 영상에서 얻을 수 있는 수준의 높은 해상도와 대조 강도를 가진 생체학적 정보를 획득할 수 있다. 또한, 한 번의 CT 촬영만으로도 보다 나은 진단에 필요한 영상을 얻을 수 있어 환자가 부담해야 하는 비용 및 환자가 소비해야 하는 시간이 대폭 절감될 수 있다. 나아가, PET/CT 장비를 통해 PET 영상을 촬영을 하면서 함께 촬영되는 CT 영상을 사용할 수 있기 때문에, PET 영상과 별도로 CT 영상이 촬영될 필요가 없어 환자 비용 및 환자가 소비해야 하는 시간이 대폭 감소될 수 있다.
본 개시의 다양한 실시예에 따르면, CT 분할 모델은 뇌 MRI 영상에 포함된 복수의 영역 각각에 대하여, 미리 결정된 임계값 이상으로 결정된 가중치를 적용하여 학습될 수 있다. 이러한 구성에 따라, CT 분할 모델은 뇌 MRI 영상에서 추출된 영역의 면적의 크기와 관계없이, 모든 영역을 균일하게 학습할 수 있다.
본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자("통상의 기술자"라 함)에게 명확하게 이해될 수 있을 것이다.
본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 개시의 일 실시예에 따른 CT 영상 기반의 뇌 영상 정량 분석 방법의 예시를 나타낸다.
도 2는 본 개시의 일 실시예에 따른 뇌 영상을 정량 분석하기 위해, 정보 처리 시스템이 복수의 사용자 단말과 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따라 CT 분할 모델을 학습하는 방법의 예시를 나타내는 도면이다.
도 5는 본 개시의 일 실시예에 따라 2차원의 뇌 영상을 이용하여 CT 분할 모델을 학습하는 방법의 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따른 MRI 영상에 기반하여 생성된 라벨링 정보와 CT 영상에 기반하여 생성된 라벨링 정보의 예시를 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따른 뇌 영상 정량 분석 방법의 예시를 나타내는 흐름도이다.
도 1은 본 개시의 일 실시예에 따른 CT 영상 기반의 뇌 영상 정량 분석 방법의 예시를 나타낸다.
도 2는 본 개시의 일 실시예에 따른 뇌 영상을 정량 분석하기 위해, 정보 처리 시스템이 복수의 사용자 단말과 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따라 CT 분할 모델을 학습하는 방법의 예시를 나타내는 도면이다.
도 5는 본 개시의 일 실시예에 따라 2차원의 뇌 영상을 이용하여 CT 분할 모델을 학습하는 방법의 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따른 MRI 영상에 기반하여 생성된 라벨링 정보와 CT 영상에 기반하여 생성된 라벨링 정보의 예시를 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따른 뇌 영상 정량 분석 방법의 예시를 나타내는 흐름도이다.
이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.
첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.
개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만, '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.
본 개시의 일 실시예에 따르면, '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.
본 개시에서, '시스템'은 서버 장치와 클라우드 장치 중 적어도 하나의 장치를 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 시스템은 하나 이상의 서버 장치로 구성될 수 있다. 다른 예로서, 시스템은 하나 이상의 클라우드 장치로 구성될 수 있다. 또 다른 예로서, 시스템은 서버 장치와 클라우드 장치가 함께 구성되어 동작될 수 있다.
본 개시에서, '디스플레이'는 컴퓨팅 장치와 연관된 임의의 디스플레이 장치를 지칭할 수 있는데, 예를 들어, 컴퓨팅 장치에 의해 제어되거나 컴퓨팅 장치로부터 제공된 임의의 정보/데이터를 표시할 수 있는 임의의 디스플레이 장치를 지칭할 수 있다.
본 개시에서, '복수의 A의 각각' 또는 '복수의 A 각각'은 복수의 A에 포함된 모든 구성 요소의 각각을 지칭하거나, 복수의 A에 포함된 일부 구성 요소의 각각을 지칭할 수 있다.
본 개시에서, '기계 학습 모델'은 주어진 입력에 대한 해답(answer)을 추론하는데 사용하는 임의의 모델을 포함할 수 있다. 일 실시예에 따르면, 기계학습 모델은 입력 레이어(층), 복수 개의 은닉 레이어 및 출력 레이어를 포함한 인공신경망 모델을 포함할 수 있다. 여기서, 각 레이어는 복수의 노드를 포함할 수 있다. 본 개시에서, 복수의 기계학습 모델 각각을 별도의 기계학습 모델로서 설명하나, 이에 한정되지 않으며, 복수의 기계학습 모델의 일부 또는 전체는 하나의 기계학습 모델로 구현될 수 있다. 또한, 하나의 기계학습 모델은 복수의 기계학습 모델을 포함할 수 있다. 본 개시에서, 기계학습 모델과 인공신경망 모델이라는 용어들은 동일 또는 유사한 모델을 나타내도록 상호 교환적으로 사용될 수 있다.
도 1은 본 개시의 일 실시예에 따른 CT 영상 기반의 뇌 영상 정량 분석 방법의 예시를 나타낸다. 도시된 바와 같이, 뇌 CT(Computed Tomography) 영상(110)에 기초하여 뇌 영상의 정량 분석(140)이 이루어질 수 있다. 구체적으로, CT 분할 모델(120)은 뇌 CT 영상(110)을 입력 받아, 뇌 CT 영상(110)에 포함된 복수의 영역을 추출하여 각 영역에 대한 라벨링 정보(130)를 생성할 수 있다. 그 후, 프로세서는 생성된 라벨링 정보(130)에 기초하여 뇌 영상을 정량 분석(140)할 수 있다.
일 실시예에 따르면, 프로세서는 외부장치로부터 뇌 영상을 수신할 수 있다. 여기서, 외부 장치는 뇌 영상 촬영 장치일 수 있다. 예를 들어, 외부 장치는 CT 장치 또는 PET/CT(Positron Emission Tomography/Computed Tomography) 장치일 수 있다. 또한, 뇌 영상은 뇌 CT 영상(110) 및 PET(Positron Emission Tomography) 영상을 포함할 수 있다.
일 실시예에 따르면, 프로세서는 수신된 뇌 영상을 전처리할 수 있다. 예를 들어, 뇌 영상에서 발생하는 조명의 불균일, 산란, 잡음 등의 문제를 해결하기 위해 강도(intensity) 보정 기법이 CT 영상에 적용될 수 있다. 또한, PET 영상에서의 환자 움직임을 보정하거나, 산란된 입자들로 인한 산란 신호를 보정하거나, 영상 내의 잡음을 감소시키기 위한 필터링 등 다양한 뇌 영상의 보정 기법들이 사용될 수 있다. 또한, 뇌 영상들 간에 크기가 서로 다른 경우, 스케일링 및/또는 리샘플링(re-sampling)을 통해 뇌 영상들 간의 크기가 일치될 수 있다. 추가적으로 또는 대안적으로, 뇌 영상들 간에 얻어진 값의 범위를 일치시키기 위해 다양한 정규화 기법(예를 들어, HU(Hounsfield Unit) 기반의 Min-Max 스케일링, FCM(Fuzzy C-means) 조직 기반 정규화 등)이 사용될 수 있다. 상술된 전처리 기법들은 예시일 뿐, 이에 한정되지 않으며, 다양한 전처리 기법이 사용될 수 있다.
일 실시예에 따르면, 프로세서는 수신된 뇌 CT 영상(110)을 CT 분할 모델(120)에 입력할 수 있다. CT 분할 모델(120)은 동일한 환자의 CT 영상 및 MRI 영상을 분할(parcellation)하여 추출된 라벨링 정보를 학습 데이터 세트로 이용하여 학습된 모델일 수 있다. 여기서, 라벨링 정보는 뇌 조직의 구조적 정보를 포함할 수 있다. 이에 따라, CT 분할 모델(120)은 뇌 CT 영상(110)을 입력값으로 CT 영상 기반의 라벨링 정보(130)를 생성하여 출력하도록 학습될 수 있다. 도 1에서는 CT 분할 모델(120)이 하나의 뇌 CT 영상(110)을 수신하는 것으로 도시되었으나, 이에 한정되지 않으며, 복수의 뇌 CT 영상을 수신할 수 있다. CT 분할 모델(120)이 뇌 CT 영상(110)으로부터 라벨링 정보(130)를 생성하는 방법에 관해서는 도 4를 참조하여 후술된다.
일 실시예에 따르면, 프로세서는 뇌 CT 영상(110)과 PET 영상을 동일한 좌표계로 공간 정합(co-registration)할 수 있다. 도 1에서는, 뇌 CT 영상(110)이 2차원의 뇌 영상으로 도시되었으나, 이에 한정하지 않는다. 예를 들어, 뇌 CT 영상(110)은 3차원의 뇌 영상일 수 있다. 대안적으로, 뇌 CT 영상(110)은 3차원의 뇌 CT 영상으로부터 추출된 축상도(axial view) 뇌 CT 영상, 관상도(coronal view) 뇌 CT 영상 및 측상도(sagittal view) 뇌 CT 영상을 포함할 수 있다. 또한, PET 영상은 3차원의 뇌 영상일 수 있다. 이에 따라, 3차원의 뇌 CT 영상과 3차원의 PET 영상이 복셀(voxel) 단위에서 동일한 좌표계로 공간 정합될 수 있다.
일 실시예에 따르면, 뇌 CT 영상(110)과 PET 영상은 동일한 환자의 뇌 영상일 수 있다. 이에 따라, 뇌 CT 영상(110) 및 PET 영상은 강체 변환(rigid-body transformation)에 의해 정합될 수 있다. 예를 들어, 뇌 CT 영상(110)과 PET 영상은 회전(rotation) 및/또는 평행 이동(translation)을 통해 정합될 수 있다.
일 실시예에서, 프로세서는 multi-modal coregistration 알고리즘을 이용하여 뇌 CT 영상(110)과 PET 영상을 공간 정합(co-registration)할 수 있다. 구체적으로, 뇌 CT 영상(110)과 PET 영상을 복셀 단위에서 동일한 좌표계로 공간 정합하기 위하여 CT 영상(110)을 PET 영상에 매핑하는 최적의 행렬()을 산출할 수 있다. 이 경우, 최적의 행렬()은 아래의 수학식 1과 같이 표현될 수 있다.
여기서, X는 CT 영상(110)을 의미하고, Y는 PET 영상을 의미할 수 있다. 또한, c는 CT 영상(110)의 각 3차원 좌표를 의미할 수 있다. 또한, p(X)는 X에 대한 확률 밀도 함수(probability density function)를 의미하고, p(X, Y)는 X와 Y의 확률 밀도 함수에 대한 결합 분포(joint distribution)를 의미할 수 있다. 즉, CT 영상을 강체 변환하였을 때, 강체 변환된 CT 영상과 PET 영상의 상호 의존성(mutual information)이 최대가 되도록 하는 최적의 행렬()을 산출하여, CT 영상(110)과 PET 영상을 복셀 단위에서 공간 정합할 수 있다.
일 실시예에 따르면, 프로세서는 뇌 CT 영상(110)에 대한 CT 영상 기반의 라벨링 정보(130) 및 PET 영상에 기초하여, 적어도 하나의 해부학적 관심 영역을 추출할 수 있다. 그 후, 해부학적 관심 영역에 대한 PET 영상 정량화를 통해 뇌 영상을 정량 분석(140)할 수 있다. 예를 들어, 프로세서는 관심 영역의 표준 섭취 계수율(Standardized Uptake Value Ratio; SUVR)을 산출할 수 있다. 이에 따라, 프로세서는 관심 영역의 아밀로이드 축적량을 산출할 수 있다.
이러한 구성에 따라, CT 분할 모델(120)은 뇌 CT 영상(110)을 입력값으로 뇌 MRI 영상에서 추출한 수준의 라벨링 정보(130)를 생성할 수 있다. 즉, CT 영상만으로도 MRI 영상에서 얻을 수 있는 수준의 높은 해상도와 대조 강도를 가진 생체학적 정보를 획득할 수 있다. 또한, 한 번의 CT 촬영만으로도 보다 나은 진단에 필요한 영상을 얻을 수 있어 환자가 부담해야 하는 비용 및 환자가 소비해야 하는 시간이 대폭 절감될 수 있다.
도 2는 본 개시의 일 실시예에 따른 뇌 영상을 정량 분석하기 위해, 정보 처리 시스템(230)이 복수의 사용자 단말(210_1, 210_2, 210_3)과 통신 가능하도록 연결된 구성을 나타내는 개요도이다. 도시된 바와 같이, 복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 뇌 영상 정량 분석 서비스를 제공할 수 있는 정보 처리 시스템(230)과 연결될 수 있다. 여기서, 복수의 사용자 단말(210_1, 210_2, 210_3)은 뇌 영상 정량 분석 서비스를 제공받는 사용자의 단말을 포함할 수 있다.
일 실시예에서, 정보 처리 시스템(230)은 뇌 영상 정량 분석 서비스 제공 등과 연관된 컴퓨터 실행 가능한 프로그램(예를 들어, 다운로드 가능한 애플리케이션) 및 데이터를 저장, 제공 및 실행할 수 있는 하나 이상의 서버 장치 및/또는 데이터베이스, 또는 클라우드 컴퓨팅 서비스 기반의 하나 이상의 분산 컴퓨팅 장치 및/또는 분산 데이터베이스를 포함할 수 있다.
정보 처리 시스템(230)에 의해 제공되는 뇌 영상 정량 분석 서비스는, 복수의 사용자 단말(210_1, 210_2, 210_3)의 각각에 설치된 뇌 영상 정량 분석 서비스 애플리케이션, 웹 브라우저 또는 웹 브라우저 확장 프로그램 등을 통해 사용자에게 제공될 수 있다. 예를 들어, 정보 처리 시스템(230)은 뇌 영상 정량 분석 서비스 애플리케이션 등을 통해 사용자 단말(210_1, 210_2, 210_3)로부터 수신되는 뇌 영상 정량 분석 요청에 대응하는 정보를 제공하거나 대응하는 처리를 수행할 수 있다.
복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 정보 처리 시스템(230)과 통신할 수 있다. 네트워크(220)는 복수의 사용자 단말(210_1, 210_2, 210_3)과 정보 처리 시스템(230) 사이의 통신이 가능하도록 구성될 수 있다. 네트워크(220)는 설치 환경에 따라, 예를 들어, 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크, 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 ZigBee 등과 같은 무선 네트워크 또는 그 조합으로 구성될 수 있다. 통신 방식은 제한되지 않으며, 네트워크(220)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐만 아니라 사용자 단말(210_1, 210_2, 210_3) 사이의 근거리 무선 통신 역시 포함될 수 있다.
도 2에서 휴대폰 단말(210_1), 태블릿 단말(210_2) 및 PC 단말 (210_3)이 사용자 단말의 예로서 도시되었으나, 이에 한정되지 않으며, 사용자 단말(210_1, 210_2, 210_3)은 유선 및/또는 무선 통신이 가능하고 뇌 영상 정량 분석 서비스 애플리케이션 또는 웹 브라우저 등이 설치되어 실행될 수 있는 임의의 컴퓨팅 장치일 수 있다. 예를 들어, 사용자 단말은, AI 스피커, 스마트폰, 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스, 셋톱 박스 등을 포함할 수 있다. 또한, 도 2에는 3개의 사용자 단말(210_1, 210_2, 210_3)이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 상이한 수의 사용자 단말이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하도록 구성될 수도 있다.
외부 장치(240)는 네트워크(220)를 통해 정보 처리 시스템(230)과 통신할 수 있다. 여기서, 외부 장치(240)는 뇌 영상 정량 분석 서비스를 제공하기 위한 뇌 영상 촬영 장치일 수 있다. 외부 장치(240)는 네트워크(220)를 통해 뇌 영상(예를 들어, CT 영상, PET 영상, MRI 영상)을 정보 처리 시스템(230)으로 전송할 수 있다. 도 2에서는 정보 처리 시스템(230)이 네트워크(220)를 통해 외부 장치(240)로부터 뇌 영상을 수신하는 것으로 도시되어 있으나, 이에 한정되지 않는다. 예를 들어, 외부 장치(240)와 정보 처리 시스템(230)이 단일 장치 또는 시스템으로 구성될 수도 있다.
도 2에서는 사용자 단말(210_1, 210_2, 210_3)이 정보 처리 시스템(230)과 통신함으로써, 뇌 영상 정량 분석 서비스를 제공받는 구성이 예시적으로 도시되어 있으나, 이에 한정되지 않으며, 사용자의 요청 또는 입력이 사용자 단말(210_1, 210_2, 210_3)을 거치지 않고 정보 처리 시스템(230)과 연관된 입력 장치를 통해 정보 처리 시스템(230)에 제공될 수 있으며, 사용자의 요청 또는 입력을 처리한 결과가 정보 처리 시스템(230)과 연관된 출력 장치(예: 디스플레이 등)를 통해 사용자에게 제공될 수도 있다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말(210) 및 정보 처리 시스템(230)의 내부 구성을 나타내는 블록도이다. 사용자 단말(210)은 애플리케이션, 웹 브라우저 등이 실행 가능하고 유/무선 통신이 가능한 임의의 컴퓨팅 장치를 지칭할 수 있으며, 예를 들어, 도 2의 휴대폰 단말(210_1), 태블릿 단말(210_2), PC 단말(210_3) 등을 포함할 수 있다. 도시된 바와 같이, 사용자 단말(210)은 메모리(312), 프로세서(314), 통신 모듈(316) 및 입출력 인터페이스(318)를 포함할 수 있다. 이와 유사하게, 정보 처리 시스템(230)은 메모리(332), 프로세서(334), 통신 모듈(336) 및 입출력 인터페이스(338)를 포함할 수 있다. 도 3에 도시된 바와 같이, 사용자 단말(210) 및 정보 처리 시스템(230)은 각각의 통신 모듈(316, 336)을 이용하여 네트워크(220)를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다. 또한, 입출력 장치(320)는 입출력 인터페이스(318)를 통해 사용자 단말(210)에 정보 및/또는 데이터를 입력하거나 사용자 단말(210)로부터 생성된 정보 및/또는 데이터를 출력하도록 구성될 수 있다.
메모리(312, 332)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(312, 332)는 ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 사용자 단말(210) 또는 정보 처리 시스템(230)에 포함될 수 있다. 또한, 메모리(312, 332)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다.
이러한 소프트웨어 구성요소들은 메모리(312, 332)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독가능한 기록매체는 이러한 사용자 단말(210) 및 정보 처리 시스템(230)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈(316, 336)을 통해 메모리(312, 332)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 애플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 네트워크(220)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 메모리(312, 332)에 로딩될 수 있다.
프로세서(314, 334)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(312, 332) 또는 통신 모듈(316, 336)에 의해 프로세서(314, 334)로 제공될 수 있다. 예를 들어, 프로세서(314, 334)는 메모리(312, 332)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 모듈(316, 336)은 네트워크(220)를 통해 사용자 단말(210)과 정보 처리 시스템(230)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 사용자 단말(210) 및/또는 정보 처리 시스템(230)이 다른 사용자 단말 또는 다른 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 사용자 단말(210)의 프로세서(314)가 메모리(312) 등과 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청 또는 데이터(예를 들어, 뇌 영상 정량 분석 요청 등)는 통신 모듈(316)의 제어에 따라 네트워크(220)를 통해 정보 처리 시스템(230)으로 전달될 수 있다. 역으로, 정보 처리 시스템(230)의 프로세서(334)의 제어에 따라 제공되는 제어 신호나 명령이 통신 모듈(336)과 네트워크(220)를 거쳐 사용자 단말(210)의 통신 모듈(316)을 통해 사용자 단말(210)에 수신될 수 있다.
입출력 인터페이스(318)는 입출력 장치(320)와의 인터페이스를 위한 수단일 수 있다. 일 예로서, 입력 장치는 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 키보드, 마이크로폰, 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로, 입출력 인터페이스(318)는 터치스크린 등과 같이 입력과 출력을 수행하기 위한 구성 또는 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 사용자 단말(210)의 프로세서(314)가 메모리(312)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 정보 처리 시스템(230)이나 다른 사용자 단말이 제공하는 정보 및/또는 데이터를 이용하여 구성되는 서비스 화면 등이 입출력 인터페이스(318)를 통해 디스플레이에 표시될 수 있다. 도 3에서는 입출력 장치(320)가 사용자 단말(210)에 포함되지 않도록 도시되어 있으나, 이에 한정되지 않으며, 사용자 단말(210)과 하나의 장치로 구성될 수 있다. 또한, 정보 처리 시스템(230)의 입출력 인터페이스(338)는 정보 처리 시스템(230)과 연결되거나 정보 처리 시스템(230)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 3에서는 입출력 인터페이스(318, 338)가 프로세서(314, 334)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(318, 338)가 프로세서(314, 334)에 포함되도록 구성될 수 있다.
사용자 단말(210) 및 정보 처리 시스템(230)은 도 3의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 일 실시예에서, 사용자 단말(210)은 상술된 입출력 장치(320) 중 적어도 일부를 포함하도록 구현될 수 있다. 또한, 사용자 단말(210)은 트랜시버(transceiver), GPS(Global Positioning system) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수 있다.
뇌 영상 정량 분석 서비스 애플리케이션 등을 위한 프로그램이 동작되는 동안에, 프로세서(314)는 입출력 인터페이스(318)와 연결된 터치 스크린, 키보드, 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 마이크로폰 등의 입력 장치를 통해 입력되거나 선택된 텍스트, 이미지, 영상, 음성 및/또는 동작 등을 수신할 수 있으며, 수신된 텍스트, 이미지, 영상, 음성 및/또는 동작 등을 메모리(312)에 저장하거나 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공할 수 있다.
사용자 단말(210)의 프로세서(314)는 입출력 장치(320), 다른 사용자 단말, 정보 처리 시스템(230) 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 프로세서(314)에 의해 처리된 정보 및/또는 데이터는 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공될 수 있다. 사용자 단말(210)의 프로세서(314)는 입출력 인터페이스(318)를 통해 입출력 장치(320)로 정보 및/또는 데이터를 전송하여, 출력할 수 있다. 예를 들면, 프로세서(314)는 수신한 정보 및/또는 데이터를 사용자 단말(210)의 화면에 출력 또는 디스플레이할 수 있다.
정보 처리 시스템(230)의 프로세서(334)는 복수의 사용자 단말(210) 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 프로세서(334)에 의해 처리된 정보 및/또는 데이터는 통신 모듈(336) 및 네트워크(220)를 통해 사용자 단말(210)에 제공할 수 있다.
도 4는 본 개시의 일 실시예에 따라 CT 분할 모델(450)을 학습하는 방법의 예시를 나타내는 도면이다. 도 1에서 상술한 바와 같이, CT 분할 모델(450)은 뇌 MRI 영상(410)을 분할하여 추출된 라벨링 정보(420) 및 뇌 CT 영상(430)을 학습 데이터 세트로 이용하여 학습된 모델일 수 있다.
일 실시예에 따르면, 프로세서는 외부장치로부터 동일한 환자의 뇌 MRI 영상(410) 및 뇌 CT 영상(430)을 수신할 수 있다. 여기서, 외부 장치는 뇌 영상 촬영 장치일 수 있다. 예를 들어, 외부 장치는 MRI 장치, CT 장치, PET/CT 장치를 포함할 수 있으나, 이에 한정되지 않는다. 또한, 외부 장치로부터 수신되는 MRI 영상은 T1-weighted MRI 영상, T2-weighted MRI 영상, FLAIR(Fluid-attenuated inversion recovery) MRI 영상 등을 포함할 수 있으나, 이에 한정되지 않는다.
일 실시예에 따르면, 프로세서는 뇌 MRI 영상(410)에 대한 분할 작업(parcellation)(412)을 수행할 수 있다. 이때, 프로세서는 뇌 MRI 영상(410)에 포함된 뇌 전체 조직에 대하여 분할작업을 수행할 수 있다. 즉, 뇌의 특정 부분(예를 들어, 뇌 종양)만을 세그멘테이션하는 것이 아닌, 뇌의 전체 조직에 대한 분할 작업을 수행할 수 있다. 그 후, 뇌 MRI 영상(410)에 포함된 뇌 조직에 대하여 복수의 영역을 각각 추출할 수 있다.
일 실시예에 따르면, 추출된 복수의 영역에 대하여 MRI 영상 기반의 라벨링 정보(420)가 생성될 수 있다. 이때, 라벨링 정보(420)는 뇌의 정량 분석결과를 얻고자 하는 적어도 하나 이상의 해부학적 관심 영역에 대한 분할 정보를 포함할 수 있다. MRI 영상 기반의 라벨링 정보(420)는 MRI Segmentation Model을 이용하여 오토 라벨링(auto labeling)의 방법으로 생성될 수 있으나, 이에 한정하지 않는다. 여기서, 오토 라벨링을 수행하는 segmentation model은 딥러닝 기반 알고리즘, volume-based morphometry, surface-based morphometry 등을 이용할 수 있으나, 이에 한정되지 않는다. 또한, MRI 영상 기반의 라벨링 정보(420)는 실제 사람이 MRI 영상 위에 매뉴얼 라벨링(manual labeling)하는 방법으로 생성될 수 있다.
일 실시예에 따르면, 프로세서는 뇌 MRI 영상(410)과 뇌 CT 영상(430)을 동일한 좌표계로 공간 정합(co-registration)(440)할 수 있다. 이때, 뇌 MRI 영상(410) 및 뇌 CT 영상(430)은 동일한 환자의 뇌 영상이므로, 강체 변환의 방법에 의해 정합(440)될 수 있다. 예를 들어, 뇌 MRI 영상(410)과 뇌 CT 영상(430)은 회전(rotation) 및/또는 평행 이동(translation)을 통해 정합(440)될 수 있다. 이때, 프로세서는 도 1에서 상술한 바와 마찬가지로 multi-modal coregistration 알고리즘을 이용할 수 있으나, 이에 한정되지 않는다.
일 실시예에 따르면, 프로세서는 뇌 MRI 영상(410)으로부터 획득한 라벨링 정보(420)에 기초하여, 뇌 MRI 영상(410)에 포함된 복수의 영역 각각에 대하여 가중치를 설정할 수 있다. 여기서, 가중치는 뇌 MRI 영상(410)에 포함된 복수의 영역 각각의 면적에 반비례하도록 결정될 수 있다. 예를 들어, 뇌 MRI 영상(410)으로부터 추출된 복수의 영역들 중, 면적이 큰 영역의 가중치는 낮게, 면적이 작은 영역의 가중치는 높게 결정될 수 있다.
일 실시예에 따르면, 뇌 MRI 영상(410)에 포함된 복수의 영역 각각에 대한 가중치는 미리 결정된 임계값 이상으로 결정될 수 있다. 즉, 뇌 MRI 영상(410)에 포함된 복수의 영역들 중, 가장 면적이 큰 영역에 대해서도 가중치의 최소값이 미리 결정된 임계값 이상으로 결정될 수 있다. 또한, 뇌 MRI 영상(410)에 포함된 복수의 영역뿐만 아니라 백그라운드 영역에 대해서도 미리 결정된 임계값 이상의 가중치가 결정될 수 있다.
일 실시예에 따르면, 프로세서는 뇌 MRI 영상(410)으로부터 획득한 라벨링 정보(420) 및 뇌 CT 영상(430)을 한 쌍으로 학습 데이터 세트를 구축할 수 있다. 이때, CT 분할 모델(450)은 뇌 MRI 영상(410)에 포함된 복수의 영역 각각에 대하여, 미리 결정된 임계값 이상으로 결정된 가중치를 적용하여 학습될 수 있다. 이러한 구성에 따라, 뇌 MRI 영상(410)에서 추출된 영역의 면적의 크기와 관계없이, CT 분할 모델(450)은 모든 영역에 대하여 균일하게 학습될 수 있다.
도 5는 본 개시의 일 실시예에 따라 2차원의 뇌 영상을 이용하여 CT 분할 모델(510)을 학습하는 방법의 예시를 나타내는 도면이다. 도 4에서 상술한 바와 같이, CT 분할 모델(510)은 뇌 MRI 영상을 분할하여 추출된 라벨링 정보(524, 534 및 544) 및 뇌 CT 영상(522, 532 및 542)을 학습 데이터 세트로 이용하여 학습된 모델일 수 있다.
일 실시예에 따르면, CT 분할 모델(510)은 합성곱 신경망(Convolution Neural Network; CNN), 트랜스포머(transformer) 등을 기반으로 한 2차원 또는 3차원 U-net 구조의 네트워크를 사용할 수 있으나, 이에 한정되지 않는다. 구체적으로, 딥 러닝 기반의 모델은 3차원 뇌 MRI 영상 및 뇌 CT 영상을 2차원 슬라이스(slice)로 나누어 학습 및/또는 추론을 수행할 수 있다. 이 경우, 3차원 MRI 영상을 축상도(axial view), 관상도(coronal view) 및 측상도(sagittal view)의 각각으로 자른 슬라이스를 기준으로 3개의 딥 러닝 기반의 모델이 학습될 수 있다.
구체적으로, 프로세서는 외부장치로부터 3차원의 뇌 CT 영상을 수신할 수 있다. 그 후, 프로세서는 3차원의 뇌 CT 영상으로부터 2차원의 축상도 CT 영상(522), 2차원의 관상도 CT 영상(532) 및 2차원의 측상도 CT 영상(542)을 각각 추출할 수 있다. 도 5에서는, 축상도 CT 영상(522), 관상도 CT 영상(532) 및 측상도 CT 영상(542)이 각각 5개인 것으로 도시되었으나, 이에 한정하지 않는다. 예를 들어, 축상도 CT 영상(522), 관상도 CT 영상(532) 및 측상도 CT 영상(542)은 각각 1개 이상 4개 이하일 수 있다. 또한, 축상도 CT 영상(522), 관상도 CT 영상(532) 및 측상도 CT 영상(542)은 6개 이상일 수 있다.
구체적으로, 3차원의 뇌 CT 영상이 100개의 axial 2D 슬라이스를 포함하고 있고, 100개의 슬라이스 중 7번 슬라이스에 대한 학습 및/또는 추론을 진행한다고 가정해볼 수 있다. 이 경우, 도 5를 참조하여 설명하면, 7번과 인접한 슬라이스는 도 5의 5개의 축상도 CT 영상(522) 중 가운데 슬라이스를 나타낼 수 있다. 이에 따라, 5개의 축상도 CT 영상(522)의 나머지 4개의 슬라이스는 5번 슬라이스, 6번 슬라이스, 8번 슬라이스 및 9번 슬라이스를 나타낼 수 있다. 즉, 5개의 축상도 CT 영상(522)은 7번 슬라이스를 가운데 영상으로 5개의 인접한 슬라이스 영상을 포함할 수 있다. 본 예시에서는 영상으로서 5개의 슬라이스를 넣는 것으로 도시되어 있으나, 몇 개의 인접한 슬라이스를 CT 영상 입력으로 사용할지는 임의로 설정될 수 있다. 또한, 이러한 동작은 축상도 CT 분할 모델(520)뿐만 아니라, 관상도 CT 분할 모델(530) 및 측상도 CT 분할 모델(540)에도 적용될 수 있다. 이러한 구성 하에서, 각 모델은 인접한 슬라이스를 참고하여 맥락적인 정보를 기초로 가운데 슬라이스에 대한 추론을 수행할 수 있다.
또한, 프로세서는 외부장치로부터 3차원의 뇌 MRI 영상을 수신할 수 있다. 수신된 MRI 영상은 복수의 CT 영상 중 분석 대상이 되는 CT 영상에 대응하는 MRI 영상이 입력될 수 있다. 예를 들어, 도 5에서 축상도 CT 영상(522), 관상도 CT 영상(532) 및 측상도 CT 영상(542)의 각각에 포함된 5개의 영상 중 가운데 CT 영상이 분석 대상 영상일 수 있고, 입력되는 MRI 영상은 가운데 CT 영상에 대응되는 영상일 수 있다.
그 후, 프로세서는 뇌 MRI 영상에 대한 분할 작업을 수행하여, 뇌 MRI 영상에 포함된 복수의 영역을 각각 추출할 수 있다. 그 후, 추출한 복수의 영역에 대하여 3차원의 라벨링 정보를 생성할 수 있다. 추가적으로, 프로세서는 3차원의 라벨링 정보로부터 2차원의 축상도 라벨링 정보(524), 2차원의 관상도 라벨링 정보(534) 및 2차원의 측상도 라벨링 정보(544)를 추출할 수 있다.
일 실시예에 따르면, 프로세서는 뇌 CT 영상으로부터 추출된 축상도 CT 영상(522) 및 뇌 MRI 영상으로부터 추출된 축상도 라벨링 정보(524)를 한 쌍으로 학습 데이터 세트를 구축할 수 있다. 마찬가지로, 프로세서는 뇌 CT 영상으로부터 추출된 관상도 CT 영상(532) 및 뇌 MRI 영상으로부터 추출된 관상도 라벨링 정보(534)를 한 쌍, 뇌 CT 영상으로부터 추출된 측상도 CT 영상(542) 및 뇌 MRI 영상으로부터 추출된 측상도 라벨링 정보(544)를 한 쌍으로 각각 학습 데이터 세트를 구축할 수 있다.
일 실시예에 따르면, CT 분할 모델(510)은 축상도 CT 분할 모델(520), 관상도 CT 분할 모델(530) 및 측상도 CT 분할 모델(540)을 포함할 수 있다. 이에 따라, 축상도 CT 분할 모델(520)은 축상도 CT 영상(522) 및 축상도 라벨링 정보(524)의 학습데이터 세트를 이용하여 학습될 수 있다. 마찬가지로, 관상도 CT 분할 모델(530)은 관상도 CT 영상(532) 및 관상도 라벨링 정보(534)의 학습데이터 세트를 이용하고, 측상도 CT 분할 모델(540)은 측상도 CT 영상(542) 및 측상도 라벨링 정보(544)의 학습데이터 세트를 이용하여 각각 학습될 수 있다.
일 실시예에 따르면, 프로세서는 CT 분할 모델(510)을 이용하여 수신된 3차원의 뇌 CT 영상에 기초하여 라벨링 정보를 생성하도록 학습될 수 있다. 구체적으로, 축상도 CT 분할 모델(520)은 수신된 뇌 CT 영상으로부터 추출된 뇌 축상도 CT 영상을 입력값으로, 축상도 라벨링 정보를 생성하도록 학습될 수 있다. 마찬가지로, 관상도 CT 분할 모델(530)은 수신된 뇌 CT 영상으로부터 추출된 뇌 관상도 CT 영상을 입력값으로 관상도 라벨링 정보를 생성하도록, 측상도 CT 분할 모델(540)은 수신된 뇌 CT 영상으로부터 추출된 뇌 측상도 CT 영상을 입력값으로 측상도 라벨링 정보를 생성하도록 학습될 수 있다.
일 실시예에 따르면, 프로세서는 이렇게 학습된 3개의 CT 분할 모델을 사용하여 주어진 복수의 추론 대상 CT 영상(즉, 복수의 축상도 CT 영상, 복수의 관상도 CT 영상 및 복수의 측상도 CT 영상)에 대해 하나의 MRI 영상 내의 분할 영역에 대한 라벨링 정보를 생성할 수 있다. 이렇게 생성된 축상도 라벨링 정보, 관상도 라벨링 정보 및 측상도 라벨링 정보를 합성하여 3차원의 라벨링 정보가 생성될 수 있다. 구체적으로, 프로세서는 축상도 라벨링 정보, 관상도 라벨링 정보 및 측상도 라벨링 정보를 앙상블(ensemble)하여 3차원의 확률 지도를 완성함으로써, 하나의 3차원 라벨링 정보를 생성할 수 있다.
도 6은 본 개시의 일 실시예에 따른 MRI 영상(610)에 기반하여 생성된 라벨링 정보(620)와 CT 영상(630)에 기반하여 생성된 라벨링 정보(640)의 예시를 나타내는 도면이다. 일 실시예에 따르면, 프로세서는 뇌 영상에 대한 분할 작업을 수행할 수 있다. 그 후, 뇌 영상에 포함된 뇌 조직에 대한 복수의 영역을 각각 추출하여 라벨링 정보를 생성할 수 있다. 이때, 라벨링 정보는 뇌의 정량 분석결과를 얻고자 하는 적어도 하나 이상의 관심 영역에 대한 분할 정보를 포함할 수 있다.
라벨링 정보(620)는 뇌 MRI 영상(610)에 기초하여 생성된 라벨링 정보의 예시이다. 프로세서는 뇌 MRI 영상(610)에 기초하여 생성된 라벨링 정보(620)를 이용하여, CT 분할 모델을 학습시킬 수 있다. 구체적으로, 프로세서는 수신한 MRI 영상(610)에 대한 분할 작업을 수행하여 뇌 MRI 영상에 기초한 라벨링 정보(620)를 생성할 수 있다. 그 후, 생성된 라벨링 정보(620)는 뇌 MRI 영상(610)을 촬영한 환자의 뇌 CT 영상과 함께 CT 분할 모델의 학습 데이터로 이용될 수 있다.
라벨링 정보(640)는 뇌 CT 영상(630)에 기초하여 생성된 라벨링 정보의 예시이다. 프로세서는 뇌 CT 영상(630)을 수신하여, 라벨링 정보(640)를 생성할 수 있다. 구체적으로, 프로세서는 수신한 뇌 CT 영상(630)을 CT 분할 모델에 입력할 수 있다. 그 후, CT 분할 모델은 뇌 CT 영상(630)을 입력값으로 CT 영상 기반의 라벨링 정보(640)를 생성하여 출력할 수 있다.
도 6을 참조하면, 뇌 CT 영상(630)은 뇌 MRI 영상(610)과 비교하여, 해상도와 대조 강도가 낮을 수 있다. 이에 따라, 뇌 CT 영상(630)에 대하여 직접 분할 작업을 하여 라벨링 정보를 생성하는 경우, 뇌 MRI 영상(610)에서 생성한 수준의 세분화된 라벨링 정보를 생성하기 곤란할 수 있다. 또한, 분할 작업에서의 오류 발생 가능성이 증가할 수 있다. 다만, 뇌 MRI 영상(610)에 기초하여 학습된 CT 분할 모델을 이용하여 뇌 CT 영상(630)에 대한 라벨링 정보(640)를 생성하는 경우, 뇌 MRI 영상(610)에서 생성한 수준의 세분화된 라벨링 정보를 생성할 수 있다. 즉, CT 영상만으로도 MRI 영상에서 얻을 수 있는 수준의 높은 해상도와 대조 강도를 가진 생체학적 정보를 획득할 수 있다.
도 7은 본 개시의 일 실시예에 따른 뇌 영상 정량 분석 방법(700)의 예시를 나타내는 흐름도이다. 일 실시예에서, 방법(700)은 적어도 하나의 프로세서(예를 들어, 정보 처리 시스템의 프로세서 등)에 의해 수행될 수 있다. 방법(700)은 프로세서가 외부 장치로부터 동일한 환자의 CT 영상 및 PET 영상을 수신하는 것으로 개시될 수 있다(S710). 그 후, 프로세서는 CT 영상과 PET 영상을 정합할 수 있다(S720). 프로세서는 CT 분할 모델을 이용하여, CT 영상에 포함된 적어도 하나의 관심 영역을 추출할 수 있다(S730). 이때, CT 분할 모델은 미리 결정된 학습 데이터 세트를 이용하여 학습되었을 수 있다. 여기서 미리 결정된 학습 데이터 세트는, 동일한 환자의 CT 영상 및 MRI 영상에 기초하여 생성되었을 수 있다.
일 실시예에 따르면, CT 분할 모델을 미리 결정된 학습 데이터 세트를 이용하여 학습시키는 경우, 동일한 환자의 CT 영상 및 MRI 영상을 수신하는 단계, MRI 영상에 대한 분할 작업(parcellation)을 수행하여 MRI 영상에 포함된 복수의 영역 각각을 추출하여 라벨링 정보를 생성하는 단계, 라벨링 정보 및 CT 영상을 한 쌍으로 학습 데이터 세트를 구축하는 단계를 포함할 수 있다. 여기서, 학습 데이터 세트를 구축하는 단계는 MRI 영상 및 CT 영상을 공간 정합하는 단계를 포함할 수 있다.
일 실시예에 따르면, CT 분할 모델을 학습시키는 단계는 MRI 영상에 포함된 복수의 영역 각각에 대하여 가중치를 적용하는 단계를 포함할 수 있다. 이때, 가중치는 MRI 영상에 포함된 복수의 영역 각각의 면적에 반비례하도록 결정될 수 있다. 또한, 가중치는 미리 결정된 임계값 이상으로 결정될 수 있다.
일 실시예에 따르면, CT 분할 모델은 축상도(axial view) CT 분할 모델, 관상도(coronal view) CT 분할 모델 및 측상도(sagittal view) CT 분할 모델을 포함할 수 있다. 또한, 축상도 CT 분할 모델은 축상도 CT 영상 및 축상도 MRI 영상의 라벨링 정보에 기초하여 학습되고, 관상도 CT 분할 모델은 관상도 CT 영상 및 관상도 MRI 영상의 라벨링 정보에 기초하여 학습되고, 측상도 CT 분할 모델은 측상도 CT 영상 및 측상도 MRI 영상의 라벨링 정보에 기초하여 학습될 수 있다. 이에 따라, 적어도 하나의 관심 영역을 추출하는 단계는, 축상도 CT 분할 모델, 관상도 CT 분할 모델 및 측상도 CT 분할 모델에 의해 생성된 각각의 라벨링 정보를 합성하여 CT 영상의 3차원 라벨링 정보를 생성하는 단계를 포함할 수 있다.
일 실시예에 따르면, 프로세서는 CT 분할 모델을 이용하여, 추출한 적어도 하나의 관심 영역에 대한 분석 결과(예를 들어, PET 영상에 대한 분석 결과 등)를 산출할 수 있다(S740). 이때, 분석 결과를 산출하는 단계는 적어도 하나의 관심 영역의 표준 섭취 계수율(Standardized Uptake Value Ratio; SUVR)을 산출하는 단계를 포함할 수 있다.
상술한 방법은 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램으로 제공될 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록 수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는 지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안된다.
하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.
따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로서 구현될 수도 있다.
펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로서 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.
소프트웨어로 구현되는 경우, 기법들은 하나 이상의 명령들 또는 코드로서 컴퓨터 판독 가능한 매체 상에 저장되거나 또는 컴퓨터 판독 가능한 매체를 통해 전송될 수도 있다. 컴퓨터 판독가능 매체들은 한 장소에서 다른 장소로 컴퓨터 프로그램의 전송을 용이하게 하는 임의의 매체를 포함하여 컴퓨터 저장 매체들 및 통신 매체들 양자를 포함한다. 저장 매체들은 컴퓨터에 의해 액세스될 수 있는 임의의 이용 가능한 매체들일 수도 있다. 비제한적인 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EEPROM, CD-ROM 또는 다른 광학 디스크 스토리지, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 소망의 프로그램 코드를 명령들 또는 데이터 구조들의 형태로 이송 또는 저장하기 위해 사용될 수 있으며 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독가능 매체로 적절히 칭해진다.
예를 들어, 소프트웨어가 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선 (DSL), 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들을 사용하여 웹사이트, 서버, 또는 다른 원격 소스로부터 전송되면, 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선, 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들은 매체의 정의 내에 포함된다. 본원에서 사용된 디스크(disk) 와 디스크(disc)는, CD, 레이저 디스크, 광 디스크, DVD(digital versatile disc), 플로피디스크, 및 블루레이 디스크를 포함하며, 여기서 디스크들(disks)은 보통 자기적으로 데이터를 재생하고, 반면 디스크들(discs) 은 레이저를 이용하여 광학적으로 데이터를 재생한다. 위의 조합들도 컴퓨터 판독가능 매체들의 범위 내에 포함되어야 한다.
소프트웨어 모듈은, RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 이동식 디스크, CD-ROM, 또는 공지된 임의의 다른 형태의 저장 매체 내에 상주할 수도 있다. 예시적인 저장 매체는, 프로세가 저장 매체로부터 정보를 판독하거나 저장 매체에 정보를 기록할 수 있도록, 프로세서에 연결될 수 있다. 대안으로, 저장 매체는 프로세서에 통합될 수도 있다. 프로세서와 저장 매체는 ASIC 내에 존재할 수도 있다. ASIC은 유저 단말 내에 존재할 수도 있다. 대안으로, 프로세서와 저장 매체는 유저 단말에서 개별 구성요소들로서 존재할 수도 있다.
이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.
본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.
110: 뇌 CT 영상
120: CT 분할 모델
130: 라벨링 정보
140: 뇌 영상 정량 분석
120: CT 분할 모델
130: 라벨링 정보
140: 뇌 영상 정량 분석
Claims (11)
- 적어도 하나의 프로세서에 의해 수행되는, CT(Computed Tomography) 영상 기반의 뇌 영상 정량 분석 방법에 있어서,
외부 장치로부터 동일한 환자의 CT 영상 및 PET(Positron Emission Tomography) 영상을 수신하는 단계;
상기 CT 영상과 상기 PET 영상을 정합하는 단계;
CT 분할(parcellation) 모델을 이용하여, 상기 CT 영상에 포함된 적어도 하나의 관심 영역을 추출하는 단계; 및
상기 적어도 하나의 관심 영역에 대한 분석 결과를 산출하는 단계
를 포함하고,
상기 방법은,
동일한 환자의 CT 영상 및 MRI 영상을 수신하는 단계;
상기 MRI 영상에 대한 분할 작업(parcellation)을 수행하여 상기 MRI 영상에 포함된 복수의 영역의 라벨링 정보를 생성하는 단계;
상기 라벨링 정보 및 상기 CT 영상을 한 쌍으로 학습 데이터 세트를 구축하는 단계; 및
상기 학습 데이터 세트에 기초하여 상기 CT 분할 모델을 학습시키는 단계를 더 포함하고,
상기 CT 분할 모델을 학습시키는 단계는,
상기 MRI 영상에 포함된 복수의 영역 각각에 대하여 가중치를 적용하는 단계를 포함하고,
상기 가중치는 상기 MRI 영상에 포함된 복수의 영역 각각의 면적에 반비례하도록 결정된, 뇌 영상 정량 분석 방법.
- 제1 항에 있어서,
상기 분석 결과를 산출하는 단계는,
상기 적어도 하나의 관심 영역의 표준 섭취 계수율(Standardized Uptake Value Ratio; SUVR)을 산출하는 단계
를 포함하는, 뇌 영상 정량 분석 방법.
- 제1 항에 있어서,
상기 CT 분할 모델을 미리 결정된 학습 데이터 세트를 이용하여 학습시키는 단계를 더 포함하고,
상기 미리 결정된 학습 데이터 세트는, 동일한 환자의 CT 영상 및 MRI 영상에 기초하여 생성된, 뇌 영상 정량 분석 방법.
- 삭제
- 제1 항에 있어서,
상기 학습 데이터 세트를 구축하는 단계는,
상기 MRI 영상 및 상기 CT 영상을 공간 정합하는 단계
를 포함하는, 뇌 영상 정량 분석 방법.
- 삭제
- 제1 항에 있어서,
상기 가중치는 미리 결정된 임계값 이상으로 결정되는, 뇌 영상 정량 분석 방법.
- 적어도 하나의 프로세서에 의해 수행되는, CT(Computed Tomography) 영상 기반의 뇌 영상 정량 분석 방법에 있어서,
외부 장치로부터 동일한 환자의 CT 영상 및 PET(Positron Emission Tomography) 영상을 수신하는 단계;
상기 CT 영상과 상기 PET 영상을 정합하는 단계;
CT 분할(parcellation) 모델을 이용하여, 상기 CT 영상에 포함된 적어도 하나의 관심 영역을 추출하는 단계; 및
상기 적어도 하나의 관심 영역에 대한 분석 결과를 산출하는 단계
를 포함하고,
상기 방법은,
동일한 환자의 CT 영상 및 MRI 영상을 수신하는 단계;
상기 MRI 영상에 대한 분할 작업(parcellation)을 수행하여 상기 MRI 영상에 포함된 복수의 영역의 라벨링 정보를 생성하는 단계;
상기 라벨링 정보 및 상기 CT 영상을 한 쌍으로 학습 데이터 세트를 구축하는 단계; 및
상기 학습 데이터 세트에 기초하여 상기 CT 분할 모델을 학습시키는 단계를 더 포함하고,
상기 CT 분할 모델은 축상도(axial view) CT 분할 모델, 관상도(coronal view) CT 분할 모델 및 측상도(sagittal view) CT 분할 모델을 포함하고,
상기 축상도 CT 분할 모델은 축상도 CT 영상 및 축상도 MRI 영상의 라벨링 정보에 기초하여 학습되고,
상기 관상도 CT 분할 모델은 관상도 CT 영상 및 관상도 MRI 영상의 라벨링 정보에 기초하여 학습되고,
상기 측상도 CT 분할 모델은 측상도 CT 영상 및 측상도 MRI 영상의 라벨링 정보에 기초하여 학습된, 뇌 영상 정량 분석 방법.
- 제8 항에 있어서,
상기 적어도 하나의 관심 영역을 추출하는 단계는,
상기 축상도 CT 분할 모델, 상기 관상도 CT 분할 모델 및 상기 측상도 CT 분할 모델에 의해 생성된 각각의 라벨링 정보를 합성하여 3차원 라벨링 정보를 생성하는 단계
를 포함하는, 뇌 영상 정량 분석 방법.
- 제1항 내지 제3항, 제5항, 제7항 내지 제9항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
- 시스템으로서,
통신 모듈;
메모리; 및
상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
상기 적어도 하나의 프로그램은,
외부 장치로부터 CT 영상 및 PET 영상을 수신하고,
상기 CT 영상과 상기 PET 영상을 정합하고,
CT 분할 모델을 이용하여, 상기 CT 영상에 포함된 적어도 하나의 관심 영역을 추출하고,
상기 적어도 하나의 관심 영역에 대한 분석 결과를 산출하고,
상기 적어도 하나의 프로그램은,
동일한 환자의 CT 영상 및 MRI 영상을 수신하고,
상기 MRI 영상에 대한 분할 작업(parcellation)을 수행하여 상기 MRI 영상에 포함된 복수의 영역의 라벨링 정보를 생성하고,
상기 라벨링 정보 및 상기 CT 영상을 한 쌍으로 학습 데이터 세트를 구축하고,
상기 학습 데이터 세트에 기초하여 상기 CT 분할 모델을 학습시키기 위한 명령어들을 더 포함하고,
상기 CT 분할 모델을 학습시키는 것은,
상기 MRI 영상에 포함된 복수의 영역 각각에 대하여 가중치를 적용하는 것을 포함하고,
상기 가중치는 상기 MRI 영상에 포함된 복수의 영역 각각의 면적에 반비례하도록 결정되는, 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230141203A KR102627874B1 (ko) | 2023-10-20 | 2023-10-20 | Ct 영상 기반의 뇌 영상 정량 분석 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230141203A KR102627874B1 (ko) | 2023-10-20 | 2023-10-20 | Ct 영상 기반의 뇌 영상 정량 분석 방법 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102627874B1 true KR102627874B1 (ko) | 2024-01-23 |
Family
ID=89713569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230141203A KR102627874B1 (ko) | 2023-10-20 | 2023-10-20 | Ct 영상 기반의 뇌 영상 정량 분석 방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102627874B1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220016570A (ko) * | 2020-08-03 | 2022-02-10 | 사회복지법인 삼성생명공익재단 | Pet-ct 영상을 이용하는 알츠하이머 질환의 진단 방법 및 이의 장치 |
| KR102508226B1 (ko) * | 2022-08-12 | 2023-03-09 | 주식회사 메디픽셀 | 심혈관 조영 영상을 이용한 신택스 스코어 산출 방법 및 시스템 |
| KR20230056825A (ko) * | 2021-10-20 | 2023-04-28 | 경북대학교 산학협력단 | Pet/ct 영상의 자동 정량화를 이용한 알츠하이머병 예측 방법 및 이를 수행하는 알츠하이머병 예측 장치 |
| KR102582731B1 (ko) * | 2022-09-30 | 2023-09-25 | 주식회사 브라이토닉스이미징 | 뇌영상 분석 방법 및 시스템 |
-
2023
- 2023-10-20 KR KR1020230141203A patent/KR102627874B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220016570A (ko) * | 2020-08-03 | 2022-02-10 | 사회복지법인 삼성생명공익재단 | Pet-ct 영상을 이용하는 알츠하이머 질환의 진단 방법 및 이의 장치 |
| KR20230056825A (ko) * | 2021-10-20 | 2023-04-28 | 경북대학교 산학협력단 | Pet/ct 영상의 자동 정량화를 이용한 알츠하이머병 예측 방법 및 이를 수행하는 알츠하이머병 예측 장치 |
| KR102508226B1 (ko) * | 2022-08-12 | 2023-03-09 | 주식회사 메디픽셀 | 심혈관 조영 영상을 이용한 신택스 스코어 산출 방법 및 시스템 |
| KR102582731B1 (ko) * | 2022-09-30 | 2023-09-25 | 주식회사 브라이토닉스이미징 | 뇌영상 분석 방법 및 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | ANU-Net: Attention-based nested U-Net to exploit full resolution features for medical image segmentation | |
| US11869202B2 (en) | Method and system for processing multi-modality image | |
| US10282588B2 (en) | Image-based tumor phenotyping with machine learning from synthetic data | |
| Elazab et al. | GP-GAN: Brain tumor growth prediction using stacked 3D generative adversarial networks from longitudinal MR Images | |
| JP2021035502A (ja) | 畳み込みニューラルネットワークを用いた画像セグメンテーションのためのシステムおよび方法 | |
| Khader et al. | Medical diffusion: denoising diffusion probabilistic models for 3D medical image generation | |
| US11893729B2 (en) | Multi-modal computer-aided diagnosis systems and methods for prostate cancer | |
| US10188361B2 (en) | System for synthetic display of multi-modality data | |
| Li et al. | Multiscale receptive field based on residual network for pancreas segmentation in CT images | |
| US20210082567A1 (en) | Method for supporting viewing of images and apparatus using same | |
| Ruppert et al. | Medical image registration based on watershed transform from greyscale marker and multi-scale parameter search | |
| US20210048941A1 (en) | Method for providing an image base on a reconstructed image group and an apparatus using the same | |
| Tenbrinck et al. | Histogram-based optical flow for motion estimation in ultrasound imaging | |
| Depeursinge et al. | Fundamentals of texture processing for biomedical image analysis: a general definition and problem formulation | |
| JP2015509013A (ja) | 画像処理装置 | |
| Zhou et al. | Learning stochastic object models from medical imaging measurements by use of advanced ambient generative adversarial networks | |
| KR102067412B1 (ko) | 치매 평가 방법 및 이를 이용한 장치 | |
| KR102627874B1 (ko) | Ct 영상 기반의 뇌 영상 정량 분석 방법 및 시스템 | |
| Hamdaoui et al. | Automatic diagnostic system for segmentation of 3D/2D brain MRI images based on a hardware architecture | |
| Sanders et al. | Deep learning application engine (DLAE): Development and integration of deep learning algorithms in medical imaging | |
| CN1836258B (zh) | 采用结构张量来检测肺结节和结肠息肉的方法和系统 | |
| US20210256741A1 (en) | Region correction apparatus, region correction method, and region correction program | |
| US11501442B2 (en) | Comparison of a region of interest along a time series of images | |
| Adeshina et al. | ConnectViz: accelerated approach for brain structural connectivity using Delaunay triangulation | |
| KR102631389B1 (ko) | Ct 영상 기반의 mri 영상 생성 방법 및 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |