KR102631389B1 - Ct 영상 기반의 mri 영상 생성 방법 및 시스템 - Google Patents
Ct 영상 기반의 mri 영상 생성 방법 및 시스템 Download PDFInfo
- Publication number
- KR102631389B1 KR102631389B1 KR1020230156422A KR20230156422A KR102631389B1 KR 102631389 B1 KR102631389 B1 KR 102631389B1 KR 1020230156422 A KR1020230156422 A KR 1020230156422A KR 20230156422 A KR20230156422 A KR 20230156422A KR 102631389 B1 KR102631389 B1 KR 102631389B1
- Authority
- KR
- South Korea
- Prior art keywords
- mri image
- image
- mri
- generation model
- image generation
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 293
- 238000002591 computed tomography Methods 0.000 claims description 126
- 210000004556 brain Anatomy 0.000 claims description 29
- 230000011218 segmentation Effects 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 14
- 210000004885 white matter Anatomy 0.000 claims description 12
- 239000012530 fluid Substances 0.000 claims description 11
- 210000004884 grey matter Anatomy 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 6
- 206010072731 White matter lesion Diseases 0.000 claims description 5
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical compound CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 claims 1
- 238000002600 positron emission tomography Methods 0.000 description 23
- 230000010365 information processing Effects 0.000 description 15
- 238000010801 machine learning Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000006931 brain damage Effects 0.000 description 6
- 231100000874 brain damage Toxicity 0.000 description 6
- 208000029028 brain injury Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000007943 implant Substances 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 238000002610 neuroimaging Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000013434 data augmentation 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
- 238000003703 image analysis method Methods 0.000 description 2
- 238000002075 inversion recovery Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000004044 response Effects 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
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- LJROKJGQSPMTKB-UHFFFAOYSA-N 4-[(4-hydroxyphenyl)-pyridin-2-ylmethyl]phenol Chemical compound C1=CC(O)=CC=C1C(C=1N=CC=CC=1)C1=CC=C(O)C=C1 LJROKJGQSPMTKB-UHFFFAOYSA-N 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000007787 solid Substances 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
-
- 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
- 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
- A61B6/50—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
- A61B6/5247—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 an ionising-radiation diagnostic technique and a non-ionising radiation diagnostic technique, e.g. X-ray and ultrasound
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Neurology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Neurosurgery (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Pulmonology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
본 개시는 적어도 하나의 프로세서에 의해 수행되는 CT 영상 기반의 MRI 영상 생성 모델 학습 방법을 제공한다. 이 방법은, 환자의 CT 영상 및 환자의 MRI 영상을 수신하는 단계, CT 영상 및 MRI 영상을 전처리하는 단계 및 전처리된 CT 영상 및 MRI 영상에 기초하여, MRI 영상 생성 모델을 학습시키는 단계를 포함할 수 있다.
Description
본 개시는 MRI 영상 생성 방법 및 시스템에 관한 것으로, 구체적으로, MRI 영상 생성 모델을 이용하여, CT 영상에 기초하여 MRI 영상을 생성하는 방법 및 시스템에 관한 것이다.
암, 뇌 질환 등을 정확하게 판정하기 위하여, 의료 기관은 피검사자(예컨대, 환자)의 신체로부터 CT(Computed Tomography) 영상, PET(Positron Emission Tomography) 및/또는 MRI(Magnetic Resonance Imaging) 영상을 촬영하고 있다. 여기서, CT 영상은 X 선 회전체를 이용하여 다양한 각도에서 촬영한 환자 신체의 단면 이미지를 생성할 수 있고, MRI 영상은 강한 자기장과 라디오파를 이용하여 환자 신체의 조직 이미지를 생성할 수 있다.
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.
본 개시는 상기와 같은 문제점을 해결하기 위한 CT 영상 기반의 MRI 영상 생성 방법 및 시스템(장치)을 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 영상 기반의 MRI 영상 생성 모델 학습 방법은, 환자의 CT 영상 및 환자의 MRI 영상을 수신하는 단계, CT 영상 및 MRI 영상을 전처리하는 단계 및 전처리된 CT 영상 및 MRI 영상에 기초하여, MRI 영상 생성 모델을 학습시키는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따르면, 방법은, MRI 분할 모델을 이용하여, MRI 영상 생성 모델의 파라미터를 최적화하는 단계를 더 포함할 수 있다.
본 개시의 일 실시예에 따르면, 파라미터를 최적화하는 단계는, MRI 영상 생성 모델을 이용하여, CT 영상에 대응하는 합성 MRI 영상을 생성하는 단계, MRI 영상 및 합성 MRI 영상 사이의 오차를 산출하는 단계 및 오차를 최소화하도록 MRI 영상 생성 모델의 파라미터를 조정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따르면, MRI 영상 및 합성 MRI 영상 사이의 오차를 산출하는 단계는, MRI 분할 모델을 이용하여, MRI 영상 및 합성 MRI 영상의 각각에 대한 세그먼테이션(segmentation) 작업을 수행하는 단계, MRI 영상 및 합성 MRI 영상의 각각 내에서 특정 영역에 대한 정보를 추출하는 단계 및 추출된 MRI 영상 내에서 특정 영역에 대한 정보 및 합성 MRI 영상 내에서 특정 영역에 대한 정보를 비교하여 오차를 산출하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따르면, MRI 영상 및 합성 MRI 영상의 각각 내에서 추출된 특정 영역에 대한 정보는 백질(white matter), 회질(gray matter) 및 척수액(Cerebrospinal Fluid, CSF)의 영역에 대한 정보를 포함하고, MRI 영상 생성 모델은, CT 영상에 기초하여, 특정 영역에 대한 정보가 출력된 합성 MRI 영상을 생성하도록 학습될 수 있다.
본 개시의 일 실시예에 따르면, CT 영상 및 MRI 영상을 전처리하는 단계는, CT 영상 및 MRI 영상을 공간 정합(co-registration) 하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따르면, MRI 영상은, 뇌의 손상 부위(White Matter Hyperintensity, WMH)를 영상화한 T2 FLAIR MRI 영상을 포함할 수 있다.
본 개시의 일 실시예에 따르면, MRI 영상 생성 모델은, CT 영상으로부터 합성 MRI 영상을 생성하고, 생성된 합성 MRI 영상 내에서 뇌의 손상 부위(WMH)를 검출하도록 학습될 수 있다.
본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는 CT 영상 기반의 MRI 영상 생성 방법은, CT 영상을 수신하는 단계, 학습된 MRI 영상 생성 모델을 이용하여, CT 영상에 기초하여 MRI 영상을 생성하는 단계를 포함하고, MRI 영상 생성 모델은, 동일한 환자의 CT 영상 및 MRI 영상을 수신하고, 동일한 환자의 CT 영상 및 MRI 영상을 전처리하고, 전처리된 동일한 환자의 CT 영상 및 MRI 영상에 기초하여 학습된 모델일 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 환자의 CT 영상 및 환자의 MRI 영상을 수신하고, CT 영상 및 MRI 영상을 전처리하고, 전처리된 CT 영상 및 MRI 영상에 기초하여, MRI 영상 생성 모델을 학습시키기 위한 명령어들을 포함할 수 있다.
본 개시의 다양한 실시예에 따르면, CT 영상에 기초하여 MRI 영상을 생성함으로써, 별도의 MRI 촬영 없이도 MRI 영상이 생성될 수 있다. 또한, 이렇게 생성된 MRI 영상은 기존의 영상 분석 방법에 활용될 수 있다. 추가적으로, 금속 보형물이나 심장 박동기를 사용하는 환자와 같이 안전상의 이유로 MRI 영상을 촬영하지 못하거나 MRI 영상을 촬영하지 않았던 환자들의 MRI 영상을 생성함으로써, CT 영상만으로는 부족했던 환자의 진단이 생성된 MRI 영상을 통해 보완될 수 있다.
본 개시의 다양한 실시예에 따르면, 딥러닝 기반의 MRI 영상 생성 모델을 이용함으로써, CT 영상에 기초하여 MRI 영상이 생성될 수 있다. 이에 따라, 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.
본 개시의 다양한 실시예에 따르면, MRI 영상 생성 모델은 CT 영상에 기초하여 PET 분석에 필요한 뇌 구조의 특성이 표현된 MRI 영상을 생성할 수 있다. 구체적으로, 뇌의 손상 부위, 백질, 회질 및 척수액의 영역이 구체적으로 표현된 MRI 영상을 생성할 수 있다. 이에 따라,
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 따라 제공되는 MRI 영상 생성 방법의 예시를 나타낸다.
도 2는 본 개시의 일 실시예에 따른, 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 3은 본 개시의 일 실시예에 따른 뇌의 손상 부위의 예시를 나타내는 도면이다.
도 4는 본 개시의 일 실시예에 따라 MRI 영상 생성 모델을 학습시키는 방법의 예시를 나타내는 도면이다.
도 5는 본 개시의 일 실시예에 따른 MRI 영상 생성 모델 학습 방법의 예시를 나타내는 흐름도이다.
도 1은 본 개시의 일 실시예에 따라 제공되는 MRI 영상 생성 방법의 예시를 나타낸다.
도 2는 본 개시의 일 실시예에 따른, 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 3은 본 개시의 일 실시예에 따른 뇌의 손상 부위의 예시를 나타내는 도면이다.
도 4는 본 개시의 일 실시예에 따라 MRI 영상 생성 모델을 학습시키는 방법의 예시를 나타내는 도면이다.
도 5는 본 개시의 일 실시예에 따른 MRI 영상 생성 모델 학습 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, '기계학습 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 따라 제공되는 MRI 영상 생성 방법의 예시를 나타낸다. 일 실시예에서, 외부 장치로부터 CT(Computed Tomography) 영상(110)을 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.
일 실시예에서, MRI 영상 생성 모델(120)을 이용하여, CT 영상(110)에 기초하여 합성 MRI(Magnetic Resonance Imaging) 영상(130)이 생성될 수 있다. 여기서, MRI 영상 생성 모델(120)은 CT 영상(110)을 입력으로 하여, CT 영상(110)에 대응하는 합성 MRI 영상(130)을 생성하도록 사전 학습된 딥러닝 기반의 기계학습 모델일 수 있다. 예를 들어, MRI 영상 생성 모델(120)은 GAN(Generative Adversarial Network, VAE(Variational Auto Encoder), Diffusion Model 등의 다양한 생성 모델 및 U-net, 트랜스포머(transformer) 등의 아키텍처를 포함하는 딥 러닝 모델이 사용될 수 있으나, 이에 한정되지 않는다.
일 실시예에서, MRI 영상 생성 모델(120)은 CT 영상 및 MRI 영상에 기초하여 학습될 수 있다. 구체적으로, 프로세서는 MRI 영상 생성 모델(120)을 학습하기 위하여, 외부 장치로부터 복수의 환자 각각의 CT 영상 및 MRI 영상의 쌍(pair)을 수신할 수 있다. 여기서, 외부 장치는 뇌 영상 촬영 장치일 수 있다. 예를 들어, 외부 장치는 MRI 장치, CT 장치, PET 장치 및 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 있다.
일 실시예에서, 프로세서는 수신된 CT 영상 및 MRI 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. 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 실시예에서, 프로세서는 전처리된 CT 영상 및 MRI 영상에 기초하여 MRI 영상 생성 모델(120)을 학습시킬 수 있다. 프로세서는 전처리된 복수의 환자 각각의 CT 영상 및 MRI 영상을 페어링(pairing)하여 학습 데이터 세트를 구축할 수 있다. 구체적으로, 복수의 환자 각각의 CT 영상 및 MRI 영상을 공간적 정합(co-registration)을 통해 위치 및/또는 방향을 보정함으로써, 뇌의 정확한 위치 정보가 확보될 수 있다. 복수의 환자 각각의 CT 영상 및 MRI 영상을 공간 정합 하는 방법의 예시는 도 4에서 자세히 후술된다.
대안적으로, 복수의 환자 각각의 CT 영상 및 MRI 영상을 페어링하지 않고도, CT 영상 및 MRI 영상을 한 쌍으로 학습 데이터 세트를 구축할 수 있다. 또한, 학습 데이터 세트가 부족한 경우, 학습 데이터 세트의 크기는 데이터 증강(data augmentation) 방법을 통해 보완될 수 있다. 예를 들어, 데이터 증강 방법은 회전(rotation), 이동(translation), 반전(flip), 랜덤 사이즈 조절(random crop resize) 등의 2 차원 이미지 증강 방법과 랜덤 변환(random affine), 탄성 변형(elastic deformation) 등의 3차원 이미지 증강 방법을 포함할 수 있으나, 이에 한정되지 않는다.
일 실시예에서, MRI 영상 생성 모델(120)의 네트워크는 CNN(Convolutional Neural Network), 트랜스포머(transformer) 등을 통해 구성되고, U-net, ResNet, 인코더-디코더, GAN(Generative Adversarial Network), 디퓨전 모델 등 다양한 형태로 구성될 수 있으나, 이에 한정되지 않는다. 또한, MRI 영상 생성 모델(120)의 학습 시, 파라미터 업데이트를 위한 손실 함수(loss function)는 L1 Loss, L2 Loss, GAN Loss, Perceptual Loss, Contrastive Loss 등의 다양한 손실 함수가 사용될 수 있으나, 이에 한정되지 않는다. MRI 영상 생성 모델(120)의 학습 시, 파라미터를 업데이트 하는 방법의 예시는 도 4에서 자세히 후술된다.
일 실시예에서, PET/CT 장치로부터 CT 영상(110)을 수신하는 경우, 프로세서는 CT 영상(110)에 기초하여 생성된 합성 MRI 영상(130)을 이용하여 뇌의 정량 분석을 수행할 수 있다. 예를 들어, 합성 MRI 영상(130)을 이용하여, 표준 섭취 계수율(Standardized Uptake Value Ratio; SUVR)이 산출될 수 있다. 합성 MRI 영상(130)을 이용하여 뇌의 정량 분석을 수행하는 방법의 예시는 도 3에서 자세히 후술된다.
도 1에서는, MRI 영상 생성 모델(120)이 CT 영상(110)의 3차원 이미지를 이용하여 3차원의 합성 MRI 영상(130)을 생성하도록 학습되는 것으로 도시되었으나, 이에 한정하지 않는다. 예를 들어, MRI 영상 생성 모델(120)은 CT 영상(110)에 포함된 정보를 이용하여 합성 MRI 영상(130)을 예측하도록 구성될 수 있다. 다른 예로, MRI 영상 생성 모델(120)은 CT 영상(110)에 포함된 정보에 다른 모달리티(modality) 영상(예를 들어, PET 영상 등)에 포함된 정보를 이용하여 합성 MRI 영상(130)을 예측하도록 구성될 수 있다. 또 다른 예로, MRI 영상 생성 모델(120)은 축상도(axial view)의 2차원 CT 영상, 관상도(coronal view)의 2차원 CT 영상 및 측상도(sagittal view)의 2차원 CT 영상의 각각으로부터 예측된 MRI 영상을 통합함으로써 3차원 합성 MRI 영상(130)을 생성할 수 있다.
이러한 구성에 의해, CT 영상(110)에 기초하여 합성 MRI 영상(130)을 생성함으로써, 별도의 MRI 촬영 없이도 MRI 영상이 생성될 수 있다. 또한, 이렇게 생성된 합성 MRI 영상(130)은 기존의 영상 분석 방법에 활용될 수 있다. 추가적으로, 금속 보형물이나 심장 박동기를 사용하는 환자와 같이 안전상의 이유로 MRI 영상을 촬영하지 못하거나 MRI 영상을 촬영하지 않았던 환자들의 MRI 영상을 생성함으로써, CT 영상(110)만으로는 부족했던 환자의 진단이 생성된 합성 MRI 영상(130)을 통해 보완될 수 있다.
이와 같은 구성을 통해, 딥러닝 기반의 MRI 영상 생성 모델(120)을 이용함으로써, CT 영상(110)에 기초하여 합성 MRI 영상(130)이 생성될 수 있다. 이에 따라, 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, 정보 처리 시스템(200)의 내부 구성을 나타내는 블록도이다. 정보 처리 시스템(200)은 메모리(210), 프로세서(220), 통신 모듈(230) 및 입출력 인터페이스(240)를 포함할 수 있다. 정보 처리 시스템(200)은 통신 모듈(230)을 이용하여 네트워크를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다.
메모리(210)는 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(210)는 비-일시적 컴퓨터 판독 가능한 기록 매체를 포함할 수 있는데, 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 정보 처리 시스템(200)에 포함될 수 있다. 또한, 메모리(210)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 디바이스에 대한 프로세스 실행 등을 위한 코드)가 저장될 수 있다.
이러한 소프트웨어 구성요소들은 메모리(210)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 이러한 정보 처리 시스템(200)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(230)을 통해 메모리(210)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 통신 모듈(230)을 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(예를 들어, 디바이스에 대한 프로세스 실행 등을 위한 프로그램 등)에 기반하여 메모리(210)에 로딩될 수 있다.
프로세서(220)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(210) 또는 통신 모듈(230)에 의해 사용자 단말(미도시) 또는 다른 외부 시스템으로 제공될 수 있다. 예를 들어, 프로세서(220)는 디바이스 장애 정보를 사용자 단말에 제공할 수 있다.
통신 모듈(230)은 네트워크를 통해 사용자 단말(미도시)과 정보 처리 시스템(200)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 정보 처리 시스템(200)이 외부 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 정보 처리 시스템(200)의 프로세서(220)의 제어에 따라 제공되는 제어 신호, 명령, 데이터 등이 통신 모듈(230)과 네트워크를 거쳐 사용자 단말 및/또는 외부 시스템의 통신 모듈을 통해 사용자 단말 및/또는 외부 시스템으로 전송될 수 있다. 예를 들어, 프로세서(220)는 통신 모듈(230)을 통해서 디바이스 장애 정보를 사용자 단말로 전송할 수 있다.
또한, 정보 처리 시스템(200)의 입출력 인터페이스(240)는 정보 처리 시스템(200)과 연결되거나 정보 처리 시스템(200)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 2에서는 입출력 인터페이스(240)가 프로세서(220)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(240)가 프로세서(220)에 포함되도록 구성될 수 있다. 정보 처리 시스템(200)은 도 2의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다.
정보 처리 시스템(200)의 프로세서(220)는 복수의 사용자 단말 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 일 실시예에 따르면, 프로세서(220)는 애플리케이션 실행 명령에 응답하여, 애플리케이션의 메인 프로세스 및 애플리케이션과 연관된 복수의 디바이스에 대한 복수의 서브 프로세스를 실행할 수 있다.
도 3은 본 개시의 일 실시예에 따른 뇌의 손상 부위(310)의 예시를 나타내는 도면이다. 일 실시예에서, 프로세서는 외부 장치로부터 복수의 환자 각각의 CT 영상 및 MRI 영상(300)을 수신할 수 있다. 또한, MRI 영상(300)은 백질(white matter), 회질(gray matter) 및 척수액(Cerebrospinal Fluid, CSF)의 영역에 대한 정보를 포함하는 뇌 영상일 수 있다. 또한, MRI 영상(300)은 백질에 포함된 뇌의 손상 부위(White Matter Hyperintensity; WMH)(310)의 영역에 대한 정보를 포함하는 뇌 영상일 수 있다. 여기서, 외부 장치로부터 수신되는 MRI 영상은 뇌의 손상 부위(310)를 영상화한 T2- FLAIR MRI 영상일 수 있으나, 이에 한정하지 않는다. 예를 들어, 외부 장치로부터 수신되는 MRI 영상은 T1-weighted MRI 영상, T2-weighted MRI 영상 등을 포함할 수 있다.
일 실시예에서, 프로세서는 수신한 CT 영상 및 MRI 영상(300)에 기초하여 학습 데이터를 구축할 수 있다. 또한, 구축한 학습 데이터에 기초하여, MRI 영상 생성 모델을 학습시킬 수 있다. 이에 따라, MRI 영상 생성 모델은 CT 영상을 입력으로 하여, 입력된 CT 영상에 대응하는 합성 MRI 영상을 생성하도록 학습될 수 있다. 추가적으로, 생성된 합성 MRI 영상은 백질, 회질 및 척수액의 영역에 대한 정보를 포함하며, 백질에 포함된 뇌의 손상 부위의 영역에 대한 정보를 포함할 수 있다.
일 실시예에서, 프로세서는 합성 MRI 영상으로부터 추출된 뇌의 손상 부위 영역에 대한 정보를 이용하여, 뇌 영상을 정량 분석할 수 있다. 구체적으로, 프로세서는 외부 장치로부터 CT 영상에 대응하는 PET 영상을 수신할 수 있다. 여기서, 외부 장치는 CT 장치, PET 장치 및 PET/CT 장치를 포함할 수 있으나, 이에 한정되지 않는다.
그 후, MRI 영상 생성 모델을 이용하여, CT 영상을 입력으로, CT 영상에 대응하는 합성 MRI 영상을 생성할 수 있다. 또한, 합성 MRI 영상 및 PET 영상을 공간 정합할 수 있다. 이때, 하나의 PET/CT 장치로부터 수신된 CT 영상 및 PET 영상은 동일한 환자로부터 거의 동시에 획득되어 이미 두 영상이 공간적으로 정합된 상태일 수 있으므로, CT 영상 및 PET 영상의 정합 과정이 생략될 수 있다. 따라서, 하나의 PET/CT 장치로부터 수신된 CT 영상에 기초하여 생성된 합성 MRI 영상도 PET 영상과의 정합 과정이 필요 없을 수 있다.
일 실시예에서, 프로세서는 합성 MRI 영상 및 합성 MRI 영상과 정합된 PET 영상으로부터 뇌의 손상 부위 영역에 대한 정보를 추출할 수 있다. 그 후, 뇌의 손상 부위 영역에 대한 정보를 이용하여, 뇌 영상을 정량 분석할 수 있다. 예를 들어, 뇌의 손상 부위 영역에 대한 세그먼테이션 정보를 이용하여, 뇌의 손상 부위의 부피를 측정할 수 있다. 또한, 뇌의 손상 부위 영역에 대한 정보를 이용하여, 뇌의 손상 부위 영역에서의 표준 섭취 계수율을 산출할 수 있다.
도 4는 본 개시의 일 실시예에 따라 MRI 영상 생성 모델(440)을 학습시키는 방법의 예시를 나타내는 도면이다. 일 실시예에서, MRI 영상 생성 모델(440)은 CT 영상(410) 및 MRI 영상(420)에 기초하여 학습될 수 있다. 구체적으로, 프로세서는 MRI 영상 생성 모델(440)을 학습하기 위하여, 외부 장치로부터 복수의 환자 각각의 CT 영상(410) 및 MRI 영상(420)의 쌍(pair)을 수신할 수 있다. 여기서, 외부 장치는 뇌 영상 촬영 장치일 수 있다. 예를 들어, 외부 장치는 MRI 장치, CT 장치, PET 장치 및 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 있다.
일 실시예에서, 프로세서는 수신된 CT 영상(410) 및 MRI 영상(420)을 정합(430)할 수 있다. 구체적으로, 프로세서는 CT 영상(410)과 MRI 영상(420)을 동일한 좌표계로 공간 정합 할 수 있다. 이때, CT 영상(410) 및 MRI 영상(420)은 동일한 환자의 뇌 영상이므로, 강체 변환(rigid-body transformation)의 방법에 의해 정합(430)될 수 있다. 예를 들어, CT 영상(410)과 MRI 영상(420)은 회전(rotation) 및/또는 평행 이동(translation)을 통해 정합(430)될 수 있다. 일 실시예에서, 프로세서는 multi-modal co-registration 알고리즘을 이용하여 CT 영상(410)과 MRI 영상(420)을 정합(430)할 수 있으나, 이에 한정하지 않는다.
일 실시예에서, 프로세서는 정합된 CT 영상(410) 및 MRI 영상(420)을 페어링하여 학습 데이터 세트를 구축할 수 있다. 그 후, MRI 영상 생성 모델(440)은 구축된 학습 데이터 세트를 기초로 학습될 수 있다. 이에 따라, 학습된 MRI 영상 생성 모델(440)은 CT 영상(410)을 입력으로 하여, CT 영상(410)에 대응하는 합성 MRI 영상(450)을 생성할 수 있다.
일 실시예에서, 프로세서는 MRI 분할 모델(460)을 이용하여, MRI 영상(420) 및 합성 MRI 영상(450)에 대한 세그먼테이션 작업을 수행할 수 있다. 여기서, MRI 분할 모델(460)은 MRI 영상으로부터 뼈(bone), 백질(white matter), 회질(gray matter) 및 척수액(Cerebrospinal Fluid; CSF) 등의 영역을 추출할 수 있도록 학습된 모델일 수 있다. 또한, MRI 분할 모델(460)은 백질에 포함된 뇌의 손상 부위(White Matter Hyperintensity; WMH)의 영역을 추출할 수 있도록 학습되었을 수 있다. 여기서, MRI 분할 모델(460)의 네트워크는 CNN(Convolutional Neural Network), 트랜스포머(transformer) 등을 통해 구성되고, Unet, ResNet, 인코더-디코더, GAN(Generative Adversarial Network), 디퓨전 모델 등 다양한 형태로 구성될 수 있으나, 이에 한정되지 않는다.
일 실시예에서, 프로세서는 MRI 분할 모델(460)을 이용하여, MRI 영상(420)과 합성 MRI 영상(450) 각각 내에서 특정 영역에 대한 정보를 추출할 수 있다. 구체적으로, 프로세서는 MRI 영상(420) 및 합성 MRI 영상(450)에 대한 세그먼테이션 작업을 수행하여 MRI 영상(420) 및 합성 MRI 영상(450) 각각에 대한 특성 맵(feature map)을 획득할 수 있다. 그 후, MRI 영상(420) 및 합성 MRI 영상(450) 각각에 대한 특성 맵에 기초하여, MRI 영상(420) 및 합성 MRI 영상(450) 각각 내에서 특정 영역에 대한 정보를 추출할 수 있다. 여기서, MRI 영상(420) 및 합성 MRI 영상(450) 각각 내에서 추출된 특정 영역에 대한 정보는 백질, 회질, 및 척수액의 영역에 대한 정보를 포함할 수 있다.
일 실시예에서, 프로세서는 MRI 영상(420) 내에서 추출된 특정 영역에 대한 정보 및 합성 MRI 영상(450) 내에서 추출된 특정 영역에 대한 정보를 비교하여 오차를 산출할 수 있다. 여기서, 프로세서는 MRI 영상(420) 및 합성 MRI 영상(450) 사이의 오차를 산출하기 위하여, FL Loss(Feature Level Loss)를 산출할 수 있다. 예를 들어, MRI 영상(420) 및 합성 MRI 영상(450) 각각에 대한 특성 맵을 비교하여 L1 loss, L2 loss, Contrastive loss 등에 기반한 Perceptual Loss를 산출할 수 있다.
추가적으로, MRI 영상(420) 및 합성 MRI 영상(450) 사이의 오차를 산출하기 위하여, IL Loss(Image Level Loss)를 산출할 수 있다. 예를 들어, 직접 비교(direct comparison)에 의한 오차(예를 들어, L1 Loss, L2 Loss, SSIM Loss 등) 및 기인한 비교(indirect comparison)에 의한 오차(예를 들어, GAN loss, DDPM loss, denoising score-matching objective 등)를 산출할 수 있다.
일 실시예에서, 프로세서는 산출한 오차에 기초하여, MRI 영상 생성 모델(440)의 파라미터를 업데이트할 수 있다. 구체적으로 프로세서는 MRI 영상(420)과 합성 MRI 영상(450) 사이의 오차가 최소화되도록 MRI 영상 생성 모델(440)의 파라미터를 조정할 수 있다. 이에 따라, 파라미터가 업데이트 된 MRI 영상 생성 모델(440)은, 수신된 CT 영상에 기초하여, 특정 영역에 대한 정보가 출력된 합성 MRI 영상을 생성할 수 있다.
이와 같은 구성을 통해, MRI 분할 모델(460)을 이용하여, MRI 영상 생성 모델(440)은 CT 영상에 기초하여, PET 분석, 뇌의 손상 부위(WMH)의 부피 측정 등 다양한 목적에 적합한 뇌 구조의 특성이 표현된 합성 MRI 영상을 생성할 수 있다. 구체적으로, 뇌의 손상 부위, 백질, 회질 및 척수액의 영역이 구체적으로 표현된 합성 MRI 영상을 생성할 수 있다.
도 5는 본 개시의 일 실시예에 따른 MRI 영상 생성 모델 학습 방법(500)의 예시를 나타내는 흐름도이다. 일 실시예에서, 방법(500)은 적어도 하나의 프로세서(예를 들어, 정보 처리 시스템의 프로세서 등)에 의해 수행될 수 있다. 방법(700)은 프로세서가 환자의 CT 영상 및 환자의 PET 영상을 수신하는 것으로 개시될 수 있다(S510).
일 실시예에 따르면, 프로세서는 CT 영상 및 MRI 영상을 전처리할 수 있다(S520). 여기서, CT 영상 및 MRI 영상을 전처리하는 단계는 CT 영상 및 MRI 영상을 공간 정합(co-registration) 하는 단계를 포함할 수 있다.
일 실시예에 따르면, 프로세서는 전처리된 CT 영상 및 MRI 영상에 기초하여, MRI 영상 생성 모델을 학습시킬 수 있다(S530). 이때, MRI 영상은 뇌의 손상 부위(White Matter Hyperintensity; WMH)를 영상화한 T2 FLAIR MRI 영상을 포함할 수 있다. 또한, MRI 영상 생성 모델은, CT 영상으로부터 합성 MRI 영상을 생성하고, 생성된 합성 MRI 영상 내에서 상기 뇌의 손상 부위를 검출하도록 학습될 수 있다.
일 실시예에 따르면, MRI 영상 생성 모델 학습 방법(500)은 MRI 분할 모델을 이용하여, MRI 영상 생성 모델의 파라미터를 최적화하는 단계를 더 포함할 수 있다. 구체적으로, 파라미터를 최적화하기 위하여, MRI 영상 생성 모델을 이용하여, CT 영상에 대응하는 합성 MRI 영상을 생성할 수 있다. 그 후, MRI 영상 및 합성 MRI 영상 사이의 오차를 산출할 수 있다.
일 실시예에 따르면, MRI 영상 및 합성 MRI 영상 사이의 오차를 산출하기 위하여, MRI 분할 모델을 이용하여, MRI 영상 및 합성 MRI 영상의 각각에 대한 세그먼테이션(segmentation) 작업을 수행할 수 있다. 그 후, MRI 영상 및 합성 MRI 영상의 각각 내에서 특정 영역에 대한 정보를 추출할 수 있다. 여기서, MRI 영상 및 합성 MRI 영상의 각각 내에서 추출된 특정 영역에 대한 정보는 뇌의 손상 부위(WMH), 백질(white matter), 회질(gray matter) 및 척수액(Cerebrospinal Fluid; CSF)의 영역에 대한 정보를 포함할 수 있다. 추가적으로, 추출된 MRI 영상 내에서 특정 영역에 대한 정보 및 합성 MRI 영상 내에서 특정 영역에 대한 정보를 비교하여 오차를 산출할 수 있다.
일 실시예에 따르면, 프로세서는 오차를 최소화하도록 MRI 영상 생성 모델의 파라미터를 조정할 수 있다. 이에 따라, MRI 영상 생성 모델은, CT 영상에 기초하여, 특정 영역에 대한 정보가 출력된 합성 MRI 영상을 생성하도록 학습될 수 있다. 구체적으로, 프로세서는 CT 영상을 수신하고, 학습된 MRI 영상 생성 모델을 이용하여, CT 영상에 기초하여 MRI 영상을 생성할 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, 상기 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: CT 영상
120: MRI 영상 생성 모델
130: 합성 MRI 영상
120: MRI 영상 생성 모델
130: 합성 MRI 영상
Claims (11)
- 적어도 하나의 프로세서에 의해 수행되는, CT(Computed Tomography) 영상 기반의 MRI(Magnetic Resonance Imaging) 영상 생성 모델 학습 방법에 있어서,
환자의 CT 영상 및 상기 환자의 MRI 영상을 수신하는 단계;
상기 CT 영상 및 MRI 영상을 전처리하는 단계; 및
상기 전처리된 CT 영상 및 MRI 영상에 기초하여, MRI 영상 생성 모델을 학습시키는 단계
를 포함하고,
상기 방법은,
MRI 분할 모델을 이용하여, 상기 MRI 영상 생성 모델의 파라미터를 최적화하는 단계를 더 포함하고,
상기 파라미터를 최적화하는 단계는,
상기 MRI 영상 생성 모델을 이용하여, 상기 CT 영상에 대응하는 합성 MRI 영상을 생성하는 단계;
상기 MRI 영상 및 상기 합성 MRI 영상 사이의 오차를 산출하는 단계; 및
상기 오차를 최소화하도록 상기 MRI 영상 생성 모델의 파라미터를 조정하는 단계
를 포함하고,
상기 오차를 산출하는 단계는,
상기 MRI 분할 모델을 이용하여, 상기 MRI 영상 및 상기 합성 MRI 영상의 각각에 대한 세그먼테이션(segmentation) 작업을 수행하는 단계;
상기 MRI 영상 및 상기 합성 MRI 영상의 각각 내에서 특정 영역에 대한 정보를 추출하는 단계; 및
상기 추출된 MRI 영상 내에서 상기 특정 영역에 대한 정보 및 상기 합성 MRI 영상 내에서 상기 특정 영역에 대한 정보를 비교하여 오차를 산출하는 단계
를 포함하는, MRI 영상 생성 모델 학습 방법.
- 삭제
- 삭제
- 삭제
- 제1항에 있어서,
상기 MRI 영상 및 상기 합성 MRI 영상의 각각 내에서 추출된 특정 영역에 대한 정보는 백질(white matter), 회질(gray matter) 및 척수액(Cerebrospinal Fluid; CSF)의 영역에 대한 정보를 포함하고,
상기 MRI 영상 생성 모델은, 상기 CT 영상에 기초하여, 상기 특정 영역에 대한 정보가 출력된 합성 MRI 영상을 생성하도록 학습된, MRI 영상 생성 모델 학습 방법.
- 제1항에 있어서,
상기 CT 영상 및 MRI 영상을 전처리하는 단계는,
상기 CT 영상 및 MRI 영상을 공간 정합(co-registration) 하는 단계를 포함하는, MRI 영상 생성 모델 학습 방법.
- 삭제
- 적어도 하나의 프로세서에 의해 수행되는, CT 영상 기반의 MRI 영상 생성 모델 학습 방법에 있어서,
환자의 CT 영상 및 상기 환자의 MRI 영상을 수신하는 단계;
상기 CT 영상 및 MRI 영상을 전처리하는 단계; 및
상기 전처리된 CT 영상 및 MRI 영상에 기초하여, MRI 영상 생성 모델을 학습시키는 단계
를 포함하고,
상기 MRI 영상은,
뇌의 손상 부위(White Matter Hyperintensity; WMH)를 영상화한 T2 FLAIR MRI 영상을 포함하고,
상기 MRI 영상 생성 모델은, 상기 CT 영상으로부터 합성 MRI 영상을 생성하고, 상기 생성된 합성 MRI 영상 내에서 상기 뇌의 손상 부위를 검출하도록 학습된, MRI 영상 생성 모델 학습 방법.
- 적어도 하나의 프로세서에 의해 수행되는, CT 영상 기반의 MRI 영상 생성 방법에 있어서,
CT 영상을 수신하는 단계; 및
학습된 MRI 영상 생성 모델을 이용하여, 상기 CT 영상에 기초하여 합성 MRI 영상을 생성하는 단계
를 포함하고,
상기 MRI 영상 생성 모델은, 제1 항에 따른 방법에 의해 학습된 모델인, MRI 영상 생성 방법.
- 제1항, 제5항, 제6항, 제8항 및 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,
환자의 CT 영상 및 상기 환자의 MRI 영상을 수신하고,
상기 CT 영상 및 MRI 영상을 전처리하고,
상기 전처리된 CT 영상 및 MRI 영상에 기초하여, MRI 영상 생성 모델을 학습시키기 위한 명령어들을 포함하고,
상기 적어도 하나의 프로그램은,
MRI 분할 모델을 이용하여, 상기 MRI 영상 생성 모델의 파라미터를 최적화하고,
상기 파라미터를 최적화하는 것은,
상기 MRI 영상 생성 모델을 이용하여, 상기 CT 영상에 대응하는 합성 MRI 영상을 생성하고,
상기 MRI 영상 및 상기 합성 MRI 영상 사이의 오차를 산출하고,
상기 오차를 최소화하도록 상기 MRI 영상 생성 모델의 파라미터를 조정하는 것을 포함하고,
상기 오차를 산출하는 것은,
상기 MRI 분할 모델을 이용하여, 상기 MRI 영상 및 상기 합성 MRI 영상의 각각에 대한 세그먼테이션(segmentation) 작업을 수행하고,
상기 MRI 영상 및 상기 합성 MRI 영상의 각각 내에서 특정 영역에 대한 정보를 추출하고,
상기 추출된 MRI 영상 내에서 상기 특정 영역에 대한 정보 및 상기 합성 MRI 영상 내에서 상기 특정 영역에 대한 정보를 비교하여 오차를 산출하는 것을 포함하는, MRI 영상 생성 모델 학습 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230156422A KR102631389B1 (ko) | 2023-11-13 | 2023-11-13 | Ct 영상 기반의 mri 영상 생성 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230156422A KR102631389B1 (ko) | 2023-11-13 | 2023-11-13 | Ct 영상 기반의 mri 영상 생성 방법 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102631389B1 true KR102631389B1 (ko) | 2024-01-30 |
Family
ID=89714873
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230156422A KR102631389B1 (ko) | 2023-11-13 | 2023-11-13 | Ct 영상 기반의 mri 영상 생성 방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102631389B1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190056880A (ko) * | 2017-11-17 | 2019-05-27 | 안영샘 | 진단 영상을 변환하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록매체 |
| KR102165840B1 (ko) * | 2020-05-21 | 2020-10-16 | 주식회사 휴런 | 인공지능 기반 뇌졸중 진단 장치 및 방법 |
| JP2021003564A (ja) * | 2016-09-06 | 2021-01-14 | エレクタ、インク.Elekta, Inc. | 合成医療画像を生成するためのニューラルネットワーク |
| KR20230093848A (ko) * | 2021-12-20 | 2023-06-27 | 사회복지법인 삼성생명공익재단 | 학습모델 기반의 저 선량 ct 복원 방법 및 영상처리장치 |
-
2023
- 2023-11-13 KR KR1020230156422A patent/KR102631389B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021003564A (ja) * | 2016-09-06 | 2021-01-14 | エレクタ、インク.Elekta, Inc. | 合成医療画像を生成するためのニューラルネットワーク |
| KR20190056880A (ko) * | 2017-11-17 | 2019-05-27 | 안영샘 | 진단 영상을 변환하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록매체 |
| KR102165840B1 (ko) * | 2020-05-21 | 2020-10-16 | 주식회사 휴런 | 인공지능 기반 뇌졸중 진단 장치 및 방법 |
| KR20230093848A (ko) * | 2021-12-20 | 2023-06-27 | 사회복지법인 삼성생명공익재단 | 학습모델 기반의 저 선량 ct 복원 방법 및 영상처리장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11869202B2 (en) | Method and system for processing multi-modality image | |
| EP3608871B1 (en) | Plane selection using localizer images | |
| US10134141B2 (en) | System and methods for image segmentation using convolutional neural network | |
| US11069056B2 (en) | Multi-modal computer-aided diagnosis systems and methods for prostate cancer | |
| US10902597B2 (en) | Comparing medical images | |
| US9947102B2 (en) | Image segmentation using neural network method | |
| EP3742451B1 (en) | Apparatus for predicting metadata of medical image and method thereof | |
| US12008759B2 (en) | Method and system for identifying pathological changes in follow-up medical images | |
| Angelini et al. | Glioma dynamics and computational models: a review of segmentation, registration, and in silico growth algorithms and their clinical applications | |
| CN112204620A (zh) | 使用生成式对抗网络的图像增强 | |
| CN114072845A (zh) | 使用具有可变形层的CycleGAN的SCT图像生成 | |
| JP6379394B2 (ja) | 軟骨修復用手術キットを製造するための方法およびノード | |
| US11893729B2 (en) | Multi-modal computer-aided diagnosis systems and methods for prostate cancer | |
| US10188361B2 (en) | System for synthetic display of multi-modality data | |
| US11049251B2 (en) | Apparatus, method, and program for learning discriminator discriminating infarction region, discriminator for discriminating infarction region, and apparatus, method, and program for discriminating infarction region | |
| US9486643B2 (en) | Methods, systems and computer readable storage media storing instructions for image-guided treatment planning and assessment | |
| KR102631389B1 (ko) | Ct 영상 기반의 mri 영상 생성 방법 및 시스템 | |
| US20230355196A1 (en) | Method and system for selecting an optimal frame using distribution of intensity for each frame image of medical imaging | |
| Jucevičius et al. | Investigation of MRI prostate localization using different MRI modality scans | |
| CN111971751A (zh) | 用于评估动态数据的系统和方法 | |
| US11367183B2 (en) | Systems and methods of automatic field-of-view (FOV) prescription | |
| KR102627874B1 (ko) | Ct 영상 기반의 뇌 영상 정량 분석 방법 및 시스템 | |
| Li et al. | 3D and 4D medical image registration combined with image segmentation and visualization | |
| KR102644342B1 (ko) | 파킨슨병 진단을 위한 뇌 구조 구획 방법 | |
| US20200104634A1 (en) | Apparatus, method, and program for training discriminator discriminating disease region, discriminator discriminating disease region, disease region discrimination apparatus, and disease region discrimination program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |