KR102644343B1 - 기계학습 모델 기반 파킨슨병 진단을 위한 정보 제공 방법 및 시스템 - Google Patents
기계학습 모델 기반 파킨슨병 진단을 위한 정보 제공 방법 및 시스템 Download PDFInfo
- Publication number
- KR102644343B1 KR102644343B1 KR1020230089232A KR20230089232A KR102644343B1 KR 102644343 B1 KR102644343 B1 KR 102644343B1 KR 1020230089232 A KR1020230089232 A KR 1020230089232A KR 20230089232 A KR20230089232 A KR 20230089232A KR 102644343 B1 KR102644343 B1 KR 102644343B1
- Authority
- KR
- South Korea
- Prior art keywords
- interest
- disease
- parkinson
- brain image
- image
- Prior art date
Links
- 208000018737 Parkinson disease Diseases 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000010801 machine learning Methods 0.000 title claims abstract description 45
- 210000004556 brain Anatomy 0.000 claims abstract description 127
- 210000003484 anatomy Anatomy 0.000 claims abstract description 105
- 238000003745 diagnosis Methods 0.000 claims abstract description 41
- 230000011218 segmentation Effects 0.000 claims abstract description 28
- 230000010365 information processing Effects 0.000 claims description 44
- 230000015654 memory Effects 0.000 claims description 43
- 230000014509 gene expression Effects 0.000 claims description 29
- 238000004891 communication Methods 0.000 claims description 28
- 230000003111 delayed effect Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 102000006441 Dopamine Plasma Membrane Transport Proteins Human genes 0.000 claims description 6
- 108010044266 Dopamine Plasma Membrane Transport Proteins Proteins 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000012879 PET imaging Methods 0.000 claims 1
- 238000013170 computed tomography imaging Methods 0.000 claims 1
- 238000012636 positron electron tomography Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000005291 magnetic effect Effects 0.000 description 7
- 238000002610 neuroimaging Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000013399 early diagnosis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 210000002637 putamen Anatomy 0.000 description 4
- 210000000225 synapse Anatomy 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000011990 Corticobasal Degeneration Diseases 0.000 description 2
- 208000001089 Multiple system atrophy Diseases 0.000 description 2
- 206010068100 Vascular parkinsonism Diseases 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013529 biological neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- VYFYYTLLBUKUHU-UHFFFAOYSA-N dopamine Chemical compound NCCC1=CC=C(O)C(O)=C1 VYFYYTLLBUKUHU-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 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
- 210000002569 neuron Anatomy 0.000 description 2
- 239000002547 new drug Substances 0.000 description 2
- 201000002212 progressive supranuclear palsy Diseases 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 210000001030 ventral striatum Anatomy 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 206010008025 Cerebellar ataxia Diseases 0.000 description 1
- 206010017577 Gait disturbance Diseases 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 208000027089 Parkinsonian disease Diseases 0.000 description 1
- 206010034010 Parkinsonism Diseases 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 210000004227 basal ganglia Anatomy 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003412 degenerative effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 229960003638 dopamine Drugs 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 239000002858 neurotransmitter agent Substances 0.000 description 1
- 210000000869 occipital lobe Anatomy 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001144 postural effect Effects 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- High Energy & Nuclear Physics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physiology (AREA)
- Pulmonology (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
본 개시는 적어도 하나의 프로세서에 의해 수행되는, 기계학습 모델 기반 파킨슨병 진단을 위한 정보 제공 방법에 관한 것이다. 파킨슨병 진단을 위한 정보 제공 방법은, 외부 장치로부터 환자의 뇌 영상을 수신하는 단계, 수신된 뇌 영상에 대한 세그멘테이션을 수행하여 뇌 영상 내에서 복수의 해부학적 관심 영역을 결정하는 단계, 결정된 복수의 해부학적 관심 영역으로부터 복수의 특징 값을 산출하는 단계 및 기계학습 모델을 이용하여, 복수의 특징 값으로부터 환자의 파킨슨병의 종류를 결정하는 단계를 포함한다.
Description
본 개시는 기계학습 모델 기반의 파킨슨병 진단을 위한 정보 제공 방법 및 시스템에 관한 것으로, 구체적으로, 환자의 뇌 영상으로부터 결정된 복수의 해부학적 관심 영역으로부터 복수의 특징 값을 산출하고, 기계학습 모델을 이용하여, 복수의 특징 값으로부터 환자의 파킨슨병의 종류를 결정하는 방법 및 시스템에 관한 것이다.
최근 국내 인구의 고령화에 따라 퇴행성 질환 환자의 수가 증가하고 있다. 특히, 대표적인 퇴행성 뇌질환인 파킨슨병은 전세계 유병률이 매년 약 13% 증가함에 따라 '파킨슨 펜데믹'이라는 표현까지 등장하고 있다. 파킨슨병은 신경 전달 물질인 도파민을 분비하는 신경 세포가 소실되는 질환으로써, 발병시에 떨림, 자세 불안정, 보행 장애 등의 증상이 발생한다.
파킨슨병은 노화에 따른 증상으로 오인될 가능성이 높아 진단하기 어려우며, 행동 장애를 유발하기 때문에 조기 진단 및 치료가 중요하다. 그러나, 단일 광자 단층 촬영(SPECT) 영상의 판독을 통해 전문가가 직접 진단하는 종래 방식에 따르면 많은 시간과 비용이 소모되기 때문에 조기 진단하기 어렵다는 문제가 있다.
본 개시는 상기와 같은 문제점을 해결하기 위한 기계학습 모델 기반 파킨슨병 진단을 위한 정보 제공 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, 기계학습 모델 기반 파킨슨병 진단을 위한 정보 제공 방법은, 외부 장치로부터 환자의 뇌 영상을 수신하는 단계, 수신된 뇌영상에 대한 세그멘테이션을 수행하여 뇌 영상 내에서 복수의 해부학적 관심 영역을 결정하는 단계, 결정된 복수의 해부학적 관심 영역으로부터 복수의 특징 값을 산출하는 단계 및 기계학습 모델을 이용하여, 복수의 특징 값으로부터 환자의 파킨슨병의 종류를 결정하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 외부 장치는, PET 장치 또는 PET-CT 장치 중 적어도 하나를 포함하고, 뇌 영상은, 도파민 운반체(Dopamine transporter)를 영상화한 F-18 FP-CIT PET/CT 영상을 포함한다.
본 개시의 일 실시예에 따르면, 기계 학습 모델은, 복수의 특징 값을 산출하는 단계는, 복수의 해부학적 관심 영역의 각각에 속한 복셀(voxel)의 발현 강도(intensity)의 평균 값을 산출하는 단계, 평균 값에 기초하여 복수의 결합 성능(binding potential)을 산출하는 단계 및 산출된 복수의 결합 성능에 기초하여 복수의 특징 값을 산출하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 방법은, 뇌 영상의 레퍼런스 영역을 결정하는 단계를 더 포함하고, 복수의 결합 성능을 산출하는 단계는, 복수의 해부학적 관심 영역의 각각에 속한 복셀의 발현 강도의 평균값 및 레퍼런스 영역에 속한 복셀의 발현 강도의 평균값에 기초하여 복수의 해부학적 관심 영역의 각각의 표준 섭취 계수율(SUVR)을 산출하는 단계 및 표준 섭취 계수율에 기초하여 복수의 결합 성능을 산출하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 방법은, 산출된 복수의 특징 값은 복수의 결합 성능 사이의 비율이다.
본 개시의 일 실시예에 따르면, 환자의 파킨슨병의 종류를 결정하는 단계는, 기계학습 모델을 이용하여, 복수의 특징 값으로부터 복수의 파킨슨병의 종류 각각에 대한 확률을 산출하는 단계 및 산출된 확률이 가장 높은 특정 파킨슨병의 종류를 선택하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 뇌 영상에 대한 공간 정규화(spatial normalization)를 수행함으로써, 뇌 영상을 전처리하는 단계를 더 포함하고, 뇌 영상의 복수의 해부학적 관심 영역을 결정하는 단계는, 전처리된 뇌영상에 대한 세그멘테이션을 수행하여 뇌 영상의 복수의 해부학적 관심 영역을 결정하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 뇌 영상은, 조기 단계(early phase) 영상 및 지연 단계(delay phase) 영상을 포함하고, 방법은, 조기 단계 영상 및 지연 단계 영상에 대한 공간적 정합(co-registration)을 수행함으로써, 조기 단계 영상 및 지연 단계 영상을 전처리하는 단계를 더 포함하고, 뇌 영상 내에서 복수의 해부학적 관심 영역을 결정하는 단계는, 전처리된 뇌영상에 대한 세그멘테이션을 수행하여 뇌 영상의 복수의 해부학적 관심 영역을 결정하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 뇌 영상 내에서 복수의 해부학적 관심 영역을 결정하는 단계는, 조기 단계 영상에 대한 세그멘테이션을 수행하여 조기 단계 영상 내에서 복수의 해부학적 관심 영역을 결정하는 단계 및 지연 단계 영상에 대한 세그멘테이션을 수행하여 지연 단계 영상 내에서 복수의 해부학적 관심 영역을 결정하는 단계를 포함하고, 복수의 특징 값을 산출하는 단계는. 조기 단계 영상 내에서 결정된 복수의 해부학적 관심 영역으로부터 복수의 특징 값을 산출하는 단계 및 지연 단계 영상 내에서 결정된 복수의 해부학적 관심 영역으로부터 복수의 특징 값을 산출하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 뇌 영상 내에서 복수의 해부학적 관심 영역을 결정하는 단계는, 수신된 뇌영상에 대한 세그멘테이션을 수행하여 뇌 영상의 좌측 해부학적 관심 영역 및 뇌 영상의 우측 해부학적 관심 영역을 결정하는 단계를 포함하고, 결정된 복수의 해부학적 관심 영역으로부터 복수의 특징 값을 산출하는 단계는, 좌측 해부학적 관심 영역 및 우측 해부학적 관심 영역 각각으로부터 복수의 특징 값을 산출하는 단계를 포함한다.
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 정보 처리 시스템은, 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 환자의 뇌 영상을 수신하고, 수신된 뇌 영상에 대한 세그멘테이션을 수행하여 뇌 영상 내에서 복수의 해부학적 관심 영역을 결정하고, 결정된 복수의 해부학적 관심 영역으로부터 복수의 특징 값을 산출하고, 기계학습 모델을 이용하여, 복수의 특징 값으로부터 환자의 파킨슨병의 종류를 결정하기 위한 명령어들을 포함한다.
본 개시의 다양한 실시예에 따르면, 기계학습 모델을 이용하여, 환자의 뇌 영상으로부터 환자의 파킨슨병을 진단함으로써 진단 정확도를 향상시킬 수 있다. 또한, 전문가의 파킨슨병 진단 시간을 단축시킬 수 있으며, 더 많은 환자를 대상으로 파킨슨병 진단 검사를 수행함에 따라 파킨슨병의 조기 진단, 조기 치료 및 신약 개발에 기여할 수 있다.
본 개시의 다양한 실시예에 따르면, 뇌영상에 대한 세그멘테이션을 통해 결정된 해부학적 관심 영역으로부터 특징 값을 산출함으로써, 전문의의 파킨슨병 진단의 보조 지표로 활용될 수 있으며, 신규 전문의 교육 및 병원 간 진단 기준 표준화에 기여할 수 있다.
본 개시의 다양한 실시예에 따르면, 기계학습 모델을 이용하여, 복수의 특징 값으로부터 복수의 파킨슨병의 종류 각각에 대한 확률을 산출하고, 산출된 확률이 가장 높은 특정 파킨슨병의 종류를 선택하여 파킨슨병을 진단함으로써, 파킨슨병의 이환 유무뿐만 아니라 구체적인 파킨슨병의 종류가 진단되기 위한 정보가 제공될 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 파킨슨병 진단을 위한 정보 제공 방법의 예시를 나타낸다.
도 2는 본 개시의 일 실시예에 따른 파킨슨병 진단을 위한 정보를 제공하기 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 따른 정보 처리 시스템의 프로세서의 내부 구성을 나타내는 블록도이다.
도 5는 본 개시의 일 실시예에 따라 뇌 영상을 수신하고 해부학적 관심 영역을 결정하는 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따라 해부학적 관심 영역으로부터 특징 값이 산출되는 예시를 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따른 기계학습 모델의 예시를 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따른 파킨슨병 진단을 위한 정보 제공 방법의 예시를 나타내는 흐름도이다.
도 1은 본 개시의 일 실시예에 따른 파킨슨병 진단을 위한 정보 제공 방법의 예시를 나타낸다.
도 2는 본 개시의 일 실시예에 따른 파킨슨병 진단을 위한 정보를 제공하기 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 따른 정보 처리 시스템의 프로세서의 내부 구성을 나타내는 블록도이다.
도 5는 본 개시의 일 실시예에 따라 뇌 영상을 수신하고 해부학적 관심 영역을 결정하는 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따라 해부학적 관심 영역으로부터 특징 값이 산출되는 예시를 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따른 기계학습 모델의 예시를 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따른 파킨슨병 진단을 위한 정보 제공 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, "발현 강도(intensity)"는 의료 영상에서 특정 물질이 반응하여 발현되는 정도인 것으로 이해될 수 있다. 발현 강도가 강할수록 특정 물질과 연관된 특정 색상이 더욱 진해지거나 밝아져서, 영상 내에서 표출될 수 있다. 예컨대, 특정 물질은 조영제에 반응하여 발현될 수 있다. 가령, 특정 물질은 파킨슨병과 연관된 물질(예: 도파민 운반체)일 수 있다.
도 1은 본 개시의 일 실시예에 따른 파킨슨병 진단을 위한 정보 제공 방법의 예시를 나타낸다. 일 실시예에 따르면, 파킨슨병 진단 시스템(120)은 외부 장치로부터 환자의 뇌 영상(110)을 수신할 수 있다. 외부 장치는 뇌 영상 촬영 장치일 수 있다. 예를 들어, 외부 장치는 PET 장치 또는 PET-CT 장치 중 적어도 하나를 포함할 수 있다. 또한, 뇌 영상은 PET 영상을 포함할 수 있다. 예를 들어, 뇌 영상은 도파민 운반체를 영상화한 F-19 FP-CIT PET/CT 영상을 포함할 수 있다. 도 1에서, 파킨슨병 진단 시스템(120)은 하나의 뇌 영상을 수신하는 것으로 도시되었으나 이에 한정되지 않으며, 복수의 뇌 영상을 수신할 수 있다. 예를 들어, 파킨슨병 진단 시스템(120)은 특정 환자의 조기 단계(early-phase)의 뇌 영상(이하, 조기 단계 영상) 및/또는 지연 단계(delay-phase)의 뇌 영상(이하, 지연 단계 영상)을 수신할 수 있다.
일 실시예에 따르면, 파킨슨병 진단 시스템(120)은 수신된 환자의 뇌 영상에 대한 세그멘테이션(segmentation)을 수행하여 뇌 영상 내에서 복수의 해부학적 관심 영역(Region Of Interest; ROI)(122)을 결정할 수 있다. 예를 들어, 파킨슨병 진단 시스템(120)은 수신된 뇌 영상에 대한 세그멘테이션을 수행하여 뇌 영상의 좌측 해부학적 관심 영역 및 우측 해부학적 관심 영역을 결정할 수 있다. 다른 실시예에서, 파킨슨병 진단 시스템(120)은 조기 단계 영상 및 지연 단계 영상 각각에 대하여 세그멘테이션을 수행하여 별개의 복수의 해부학적 관심 영역을 결정할 수 있다. 이에 대한 세부적인 내용은 도 5를 참조하여 후술된다.
일 실시예에 따르면, 파킨슨병 진단 시스템(120)은 결정된 해부학적 관심 영역(122)으로부터 특징 값(124)을 산출할 수 있다. 예를 들어, 파킨슨병 진단 시스템(120)은 복수의 해부학적 관심 영역(122)으로부터 복수의 특징 값(124)을 산출할 수 있으며, 복수의 해부학적 관심 영역(122) 각각에 속한 복셀(voxel)의 발현 강도의 평균 값을 산출하고, 평균 값에 기초하여 복수의 결합 성능(binding potential)을 산출하고, 산출된 복수의 결합 성능에 기초하여 복수의 특징 값(124)을 산출할 수 있다. 이 경우, 파킨슨병 진단 시스템(120)은 뇌 영상의 레퍼런스 영역을 결정할 수 있고, 복수의 해부학적 관심 영역(122) 및 레퍼런스 영상 각각에 속한 복셀의 발현 강도의 평균값에 기초하여 산출된 표준 섭취 계수율(Standardized Uptake Value Ratio; SUVR)로부터 복수의 결합 성능을 산출할 수 있다. 산출된 복수의 특징 값(124)은 복수의 결합 성능 사이의 비율일 수 있다. 이에 대한 세부적인 내용은 도 6을 참조하여 후술된다.
일 실시예에 따르면, 파킨슨병 진단 시스템(120)은 조기 단계 영상 및 지연 단계 영상을 수신한 경우, 조기 단계 영상 내에서 결정된 복수의 해부학적 관심 영역으로부터 복수의 특징 값(124)을 산출하고, 지연 단계 영상 내에서 결정된 복수의 해부학적 관심 영역으로부터 복수의 특징 값(124)을 산출할 수 있다. 또한, 파킨슨병 진단 시스템(120)은 좌측 해부학적 관심 영역 및 우측 해부학적 관심 영역을 결정한 경우 각각으로부터 복수의 특징 값(124)을 산출할 수 있다.
일 실시예에 따르면, 파킨슨병 진단 시스템(120)은 기계학습 모델(126)을 이용하여 복수의 특징 값으로부터 환자의 파킨슨병 종류(130)를 결정할 수 있다. 예를 들어, 파킨슨병 진단 시스템(120)은 기계학습 모델(126)을 이용하여 복수의 특징 값으로부터 복수의 파킨슨병 종류 각각에 대한 확률을 산출하고, 산출된 확률이 가장 높은 특정 파킨슨병의 종류를 선택하여 환자의 파킨슨병 종류(130)를 결정할 수 있다.
도 1에 도시되지 않았으나, 파킨슨병 진단 시스템(120)은 수신된 뇌 영상에 대하여 전처리를 수행할 수 있다. 예를 들어, 파킨슨병 진단 시스템(120)은 수신된 뇌 영상을 같은 공간 도메인으로 변환해주는 공간 정규화(spatial normalization)를 수행할 수 있다. 다른 예로서, 파킨슨병 진단 시스템(120)은 두 개의 뇌 영상에서 한쪽을 다른 쪽 모양으로 맞추는 공간적 정합(co-registration)을 수행할 수 있다. 파킨슨병 진단 시스템(120)은 수신된 뇌 영상에 대하여 공간 정규화 또는 공간적 정합을 선택적으로 수행하거나 모두 수행할 수 있다.
이와 같이, 파킨슨병 진단 시스템(120)은 기계학습 모델을 이용하여, 환자의 뇌 영상으로부터 환자의 파킨슨병을 진단함으로써 진단 정확도를 향상시킬 수 있다. 또한, 전문가의 파킨슨병 진단 시간을 단축시킬 수 있으며, 더 많은 환자를 대상으로 파킨슨병 진단 검사를 수행함에 따라 파킨슨병의 조기 진단, 조기 치료 및 신약 개발에 기여할 수 있다.
또한, 파킨슨병 진단 시스템(120)은 기계학습 모델을 이용하여, 복수의 특징 값으로부터 복수의 파킨슨병의 종류 각각에 대한 확률을 산출하고, 산출된 확률이 가장 높은 특정 파킨슨병의 종류를 선택하여 파킨슨병을 진단함으로써, 파킨슨병의 이환 유무뿐만 아니라 구체적인 파킨슨병의 종류를 진단하거나 진단을 위한 정보를 제공할 수 있다.
도 2는 본 개시의 일 실시예에 따른 파킨슨병 진단을 위한 정보를 제공하기 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 파킨슨병 진단 서비스를 제공할 수 있는 정보 처리 시스템(230)과 연결될 수 있다. 여기서, 복수의 사용자 단말(210_1, 210_2, 210_3)은 파킨슨병 진단 서비스를 제공받는 사용자(예: 영상의학과 전문의, 신경과 전문의 등)의 단말을 포함할 수 있다.
일 실시예에서, 정보 처리 시스템(230)은 파킨슨병 진단 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 파킨슨병 진단 서비스는, 복수의 사용자 단말(210_1, 210_2, 210_3)의 각각에 설치된 파킨슨병 진단 서비스 애플리케이션 웹 브라우저 또는 웹 브라우저 확장 프로그램 등을 통해 사용자에게 제공될 수 있다. 예를 들어, 정보 처리 시스템(230)은 파킨슨병 진단 서비스 애플리케이션 등을 통해 사용자 단말(210_1, 210_2, 210_3)로부터 수신되는 파킨슨병 진단 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 파킨슨병 진단 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 파킨슨병 진단 서비스를 제공하기 위한 뇌 영상 촬영 장치일 수 있다. 외부 장치(240)는 네트워크(220)를 통해 뇌 영상(예: F-18 FP-CIT PET/CT 영상 등)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, 파킨슨병 진단 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, 파킨슨병 진단 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.
파킨슨병 진단 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 따른 정보 처리 시스템의 프로세서(334)의 내부 구성을 나타내는 블록도이다. 도 4에 도시된 바와 같이, 프로세서(334)는 뇌 영상 수신부(410), 전처리부(420), 영역 결정부(430), 특징 값 산출부(440) 및 진단부(450)를 포함할 수 있다. 도 4에서 프로세서(334) 각각의 구성 요소들은 기능적으로 구분되는 기능 요소들을 나타낸 것으로, 복수의 구성요소가 실제 물리적 환경에서 서로 통합되는 형태로 구현될 수 있다. 대안적으로, 프로세서(334) 각각의 구성 요소들은 실제 물리적 환경에서 서로 별도로 구현될 수 있다.
일 실시예에 따르면, 뇌 영상 수신부(410)는 외부 장치로부터 환자의 뇌 영상을 수신할 수 있다. 외부 장치는 뇌 영상 촬영 장치(예: PET 장치, PET-CT 장치 등)일 수 있다. 또한, 뇌 영상은 도파민 운반체를 영상화한 PET 영상(예: F-19 FP-CIT PET/CT 영상)을 포함할 수 있다. 또한, 뇌 영상 수신부(410)는 복수의 뇌 영상을 수신할 수 있다. 예를 들어, 뇌 영상 수신부(410)는 조기 단계 영상 및/또는 지연 단계 영상을 수신할 수 있다.
일 실시예에 따르면, 전처리부(420)는 수신된 뇌 영상에 대하여 전처리를 수행할 수 있다. 전처리부(420)는 수신된 뇌 영상을 미리 결정된 표준 뇌 형태로 맞추는 공간 정규화(spatial normalization)를 수행할 수 있다. 또한, 전처리부(420)는 두 개의 뇌 영상에서 한쪽을 다른 쪽 모양으로 맞추는 공간적 정합(co-registration)을 수행할 수 있다. 예를 들어, 전처리부(420)는 조기 단계 영상 및 지연 단계 영상에 대한 공간적 정합을 수행할 수 있다.
일 실시예에 따르면, 전처리부(420)는 상술한 공간 정규화 또는 공간적 정합을 선택적으로 수행하거나 모두 수행할 수 있다. 예를 들어, 미리 결정된 표준 뇌 형태가 지연 단계 영상을 기준인 경우, 해당 표준 뇌 형태를 이용하여 조기 단계 영상에 대하여 공간 정규화가 수행되면 완전히 표준 뇌 형태로 맞춰지지 않기 때문에, 전처리부(420)는 공간 정규화를 수행한 후 공간 정규화된 조기 단계 영상 및 공간 정규화된 지연 단계 영상에 대하여 공간적 정합을 추가적으로 수행할 수 있다.
일 실시예에 따르면, 영역 결정부(430)는 수신된 뇌 영상 내에서 해부학적 관심 영역을 결정할 수 있다. 영역 결정부(430)는 복수의 해부학적 관심 영역을 결정하기 위하여 수신된 뇌 영상에 대한 세그멘테이션을 수행할 수 있다. 또한, 영역 결정부(430)는 수신된 뇌 영상에 대하여 뇌 영상의 좌측 해부학적 관심 영역 및 뇌 영상의 우측 해부학적 관심 영역을 구분하여 결정할 수 있다. 예를 들어, 영역 결정부(430)는 6개의 기저핵 영역의 좌측 영역 및 우측 영역을 구분하여 총 12개의 영역을 해부학적 관심 영역으로 결정할 수 있다. 이에 대한 세부적인 내용은 도 6을 참조하여 후술된다.
일 실시예에 따르면, 영역 결정부(430)는 수신된 뇌 영상에 대하여 독립적으로 해부학적 관심 영역을 결정할 수 있다. 예를 들어, 뇌 영상 수신부(410)가 조기 단계 영상 및 지연 단계 영상을 모두 수신한 경우, 영역 결정부(430)는 조기 단계 영상 내에서의 복수의 해부학적 관심 영역을 결정하고, 이와 별도로 지연 단계 영상 내에서의 복수의 해부학적 관심 영역을 결정할 수 있다. 또한, 영역 결정부(430)는 특징 값 산출을 위하여 수신된 뇌 영상의 레퍼런스 영역을 결정할 수 있다.
일 실시예에 따르면, 특징 값 산출부(440)는 해부학적 관심 영역으로부터 특징 값을 산출할 수 있다. 예를 들어, 특징 값 산출부(440)는 복수의 해부학적 관심 영역으로부터 복수의 특징 값을 산출할 수 있으며, 복수의 해부학적 관심 영역 각각에 속한 복셀(voxel)의 발현 강도의 평균 값을 산출하고, 평균 값에 기초하여 복수의 결합 성능(binding potential)을 산출하고, 산출된 복수의 결합 성능에 기초하여 복수의 특징 값을 산출할 수 있다. 이 경우, 특징 값 산출부(440)는 영역 결정부(430)에 의해 결정된 복수의 해부학적 관심 영역 및 레퍼런스 영상 각각에 속한 복셀의 발현 강도의 평균값에 기초하여 산출된 표준 섭취 계수율(SUVR)로부터 복수의 결합 성능을 산출할 수 있다. 또한 특징 값 산출부는 산출한 복수의 결합 성능 사이의 비율을 산출된 복수의 특징 값으로 할 수 있다. 이에 대한 세부적인 내용은 도 6을 참조하여 후술된다.
일 실시예에 따르면, 진단부(450)는 특징 값으로부터 환자의 파킨슨병을 진단하거나 진단을 위한 정보를 제공할 수 있다. 진단부(450)는 복수의 특징 값으로부터 환자의 파킨슨병의 종류를 결정할 수 있으며, 이를 위해 기계학습 모델을 이용할 수 있다. 파킨슨병의 종류는 Normal(정상), VaP(Vascular Parkinsonism), IPD(Idiopathic Parkinson's Disease), PSP(Progressive Supranuclear Palsy), CBD(CorticoBasal Degeneration), MSA-C(Multiple System Atrophy with Cerebellar ataxia), MSA-P(Multiple System Atrophy with Parkinsonism) 등 총 7개로 구분될 수 있으며, 기계학습 모델은 7개의 파킨슨병의 종류 각각에 대한 확률을 산출할 수 있다. 이 경우, 7개의 파킨슨병의 종류 각각에 대한 확률의 합은 1일 수 있다. 진단부(450)는 기계학습 모델에 의해 산출된 확률 중 가장 높은 확률의 특정 파킨슨병의 종류를 선택하여 환자의 파킨슨병을 진단하거나 진단을 위한 정보를 제공할 수 있다.
일 실시예에 따르면, 기계학습 모델은 뇌 영상으로부터 산출된 특징 값을 입력으로 하여 학습될 수 있다. 또한, 기계학습 모델은 SVM(Support Vector Machine), 나이브 베이즈(Naive Bayes), 결정 트리(Decision Tree), K-최소 근접(K-Nearest Neighbor), 심층 신경망(Deep Neural Network) 등 다양한 모델 또는 모델의 앙상블로 구성될 수 있다. 이러한 기계학습 모델은 수신된 뇌 영상으로부터 추출된 특징 값을 입력으로 하여 파킨슨병의 종류를 자동으로 진단하거나 진단을 위한 정보를 제공할 수 있다.
상술한 구성과 같이 기계학습 모델을 이용하여, 복수의 특징 값으로부터 복수의 파킨슨병의 종류 각각에 대한 확률을 산출하고, 산출된 확률이 가장 높은 특정 파킨슨병의 종류를 선택하여 파킨슨병을 진단함으로써, 파킨슨병의 이환 유무뿐만 아니라 구체적인 파킨슨병의 종류가 진단되기 위한 정보가 제공될 수 있다.
도 4에서 프로세서(334)의 내부 구성은 뇌 영상 수신부(410), 전처리부(420), 영역 결정부(430), 특징 값 산출부(440) 및 진단부(450)로 나누어서 구현되었으나, 이에 한정되지 않으며, 일부 구성이 생략되거나 다른 구성이 추가될 수 있다.
도 5는 본 개시의 일 실시예에 따라 뇌 영상(510. 520)을 수신하고 해부학적 관심 영역(520, 522)을 결정하는 예시를 나타내는 도면이다. 도 4에서 상술한 바와 같이, 뇌 영상 수신부는 외부 장치(예: 뇌 영상 촬영 장치)로부터 환자의 조기 단계 영상(510) 및 지연 단계 영상(512)을 수신할 수 있다. 도 5에서 뇌 영상 수신부(410)는 하나의 조기 단계 영상(510) 및 지연 단계 영상(512)을 수신한 것으로 도시되었으나 이에 한정되지 않으며, 복수의 영상을 수신할 수 있다. 또한, 뇌 영상 수신부(410)는 조기 단계 영상(510) 및 지연 단계 영상(512)을 모두 수신하는 것으로 도시되었으나 이에 한정되지 않으며, 조기 단계 영상(510) 또는 지연 단계 영상(512)을 선택적으로 수신할 수 있다.
일 실시예에 따르면, 영역 결정부(430)는 수신된 뇌 영상에 대한 세그멘테이션을 수행하여 뇌 영상 내에서 복수의 해부학적 관심 영역(510, 520)을 결정할 수 있다. 복수의 해부학적 관심 영역은 앞쪽 미상핵(Posterior Caudate; PC), 뒤쪽 미상핵(Anterior Caudate; AC), 앞쪽 조가비핵(Posterior Putamen; PP), 뒤쪽 조가비핵(Anterior Putamen; AP), 배쪽 조가비핵(Ventral Putamen; VP), 배쪽 선조체(Ventral Striatum; VS) 중 적어도 일부를 포함할 수 있다. 또한, 영역 결정부(430)는 뇌 영상의 좌측 해부학적 관심 영역 및 우측 해부학적 영역을 결정할 수 있다. 예를 들어, 영역 결정부(430)는 상술한 해부학적 관심 영역(예: PC, AC, PP, AP, VP, VS 등)의 좌측 해부학적 관심 영역(LPC, LAC, LPP, LAP, LVP, LVS 등) 및 우측 해부학적 관심 영역(RPC, RAC, RPP, RAP, RVP, RVS 등)을 결정할 수 있다.
일 실시예에 따르면, 영역 결정부(430)는 결정된 해부학적 관심 영역을 시각적으로 구분되도록 표시할 수 있다. 예를 들어, 영역 결정부(430)는 조기 단계 영상(510)의 특정 부분을 해부학적 관심 영역(520)으로 결정하고 색채로 표시할 수 있다. 마찬가지로, 영역 결정부(430)는 지연 단계 영상(512)의 특정 부분을 해부학적 관심 영역(522)으로 결정하고 색채로 표시할 수 있다.
도 5에서 도시되지 않았으나, 영역 결정부(430)는 수신된 뇌 영상에 대한 세그멘테이션을 수행하여 뇌 영상의 레퍼런스 영역을 결정할 수 있다. 예를 들어, 영역 결정부(430)는 수신된 뇌 영상의 후두엽(occipital lobe)를 레퍼런스 영역으로 결정할 수 있다. 결정된 레퍼런스 영역은 특징 값을 추출하는데 이용될 수 있다.
또한, 도 5에서 도시되지 않았으나, 해부학적 관심 영역이 결정되기 전 수신된 뇌 영상에 대한 전처리가 수행될 수 있다. 전처리는 전처리부에 의해 수행될 수 있으며, 수신된 뇌 영상을 미리 결정된 표준 뇌 형태로 맞추는 공간 정규화 및/또는 두 개의 뇌 영상에서 한쪽을 다른 쪽 모양으로 맞추는 공간적 정합이 수행될 수 있다.
도 6은 본 개시의 일 실시예에 따라 해부학적 관심 영역(610)으로부터 특징 값(640)이 산출되는 예시를 나타내는 도면이다. 일 실시예에 따르면, 복수의 특징 값(640)이 산출되기 위하여 복수의 해부학적 관심 영역(610) 각각에 속한 복셀의 발현 강도의 평균값(620)이 산출될 수 있고, 평균값(620)에 기초하여 복수의 결합 성능(630)이 산출될 수 있다. 또한, 도 6에 도시되지 않았으나 복수의 결합 성능이 산출되기 위하여 해부학적 관심 영역과 함께 결정된 레퍼런스 영역에 속한 복셀의 발현 강도의 평균 값이 산출될 수 있다.
일 실시예에 따르면, 복수의 결합 성능(630)은 복수의 해부학적 관심 영역(610) 각각에 속한 복셀의 발현 강도의 평균값(620) 및 레퍼런스 영역에 속한 복셀의 발현 강도의 평균값에 기초하여 해부학적 관심 영역의 표준 섭취 계수율(SUVR)이 산출될 수 있으며, 산출된 표준 섭취 계수율에 기초하여 복수의 결합 성능(630)이 산출될 수 있다. 복수의 결합 성능(630)은 하기의 수학식 1과 같이 표현될 수 있다.
여기서, 은 특정 해부학적 관심 영역의 결합 성능, 는 특정 해부학적 관심 영역에 속한 복셀의 발현 강도의 평균 값, 은 레퍼런스 영역의에 속한 복셀의 발현 강도의 평균 값을 지칭할 수 있다.
일 실시예에 따르면, 복수의 결합 성능(630)에 기초하여 복수의 특징 값(640)이 산출될 수 있다. 복수의 특징 값(640)은 복수의 결합 성능(630) 사이의 비율일 수 있다. 예를 들어, 복수의 특징 값은 12개의 해부학적 영역에서 산출된 결합 성능으로부터 18개의 특징 값이 산출될 수 있다. 이 경우, 특징 값은 LPP/LAP, RPP/PAP, LPC/LAC, RPC/RAC, LPP/LAC, RPP/RAC, LAC/LVS, RAC/RVS, LAP/LVS, RAP/RVS, LAC/LAP, RAC/RAP, LPP/LVP, RPP/RVP, LPC/LVP, RPC/RVP, LPP/LVS, RPP/RVS를 포함할 수 있으나 이에 한정되지 않는다.
일 실시예에 따르면, 조기 단계 영상 및 지연 단계 영상 각각에 대하여 독립적으로 특징 값이 산출될 수 있다. 이 경우, 특징 값을 산출하기 위하여 조기 단계 영상 및 지연 단계 영상 각각에 대하여 복셀의 발현 강도의 평균값 및 결합 성능이 산출될 수 있다. 예를 들어, 조기 단계 영상 및 지연 단계 영상이 모두 수신된 경우 24개의 결합 성능이 산출될 수 있으며, 36개의 특징 값이 산출될 수 있다.
추가적으로 또는 대안적으로, 조기 단계 영상 및 지연 단계 영상이 모두 수신된 경우 조기 단계 영상에서 산출된 특징 값과 지연 단계 영상에서 산출된 특징 값의 차이가 계산됨으로써 특징 값이 산출될 수 있다.
도 7은 본 개시의 일 실시예에 따른 기계학습 모델의 예시를 나타내는 도면이다. 일 실시예에 따르면, 기계학습 모델로서 인공신경망 모델(700)이 이용될 수 있다. 인공신경망 모델(700)은, 기계학습 모델의 일 예로서, 기계학습(Machine Learning) 기술과 인지과학에서, 생물학적 신경망의 구조에 기초하여 구현된 통계학적 학습 알고리즘 또는 그 알고리즘을 실행하는 구조이다.
일 실시예에 따르면, 인공신경망 모델(700)은, 생물학적 신경망에서와 같이 시냅스의 결합으로 네트워크를 형성한 인공 뉴런인 노드(Node)들이 시냅스의 가중치를 반복적으로 조정하여, 특정 입력에 대응한 올바른 출력과 추론된 출력 사이의 오차가 감소되도록 학습함으로써, 문제 해결 능력을 가지는 기계학습 모델을 나타낼 수 있다. 예를 들어, 인공신경망 모델(700)은 기계학습, 딥러닝 등의 인공지능 학습법에 사용되는 임의의 확률 모델, 뉴럴 네트워크 모델 등을 포함할 수 있다.
일 실시예에 따르면, 환자의 파킨슨병 진단을 위한 정보를 제공하기 위한 기계학습 모델은 인공신경망 모델(700)의 형태로 생성될 수 있다. 예를 들어, 인공신경망 모델(700)은 복수의 특징 값을 입력 받아, 복수의 파킨슨병의 종류 각각에 대한 확률을 산출할 수 있다.
인공신경망 모델(700)은 다층의 노드들과 이들 사이의 연결로 구성된 다층 퍼셉트론(MLP: multilayer perceptron)으로 구현된다. 본 실시예에 따른 인공신경망 모델(700)은 MLP를 포함하는 다양한 인공신경망 모델 구조들 중의 하나를 이용하여 구현될 수 있다. 도 7에 도시된 바와 같이, 인공신경망 모델(700)은, 외부로부터 입력 신호 또는 데이터(710)를 수신하는 입력층(720), 입력 데이터에 대응한 출력 신호 또는 데이터(750)를 출력하는 출력층(740), 입력층(720)과 출력층(740) 사이에 위치하며 입력층(720)으로부터 신호를 받아 특성을 추출하여 출력층(740)으로 전달하는 n개(여기서, n은 양의 정수)의 은닉층(730_1 내지 730_n)으로 구성된다. 여기서, 출력층(740)은 은닉층(730_1 내지 730_n)으로부터 신호를 받아 외부로 출력한다.
인공신경망 모델(700)의 학습 방법에는, 교사 신호(정답)의 입력에 의해서 문제의 해결에 최적화되도록 학습하는 지도 학습(Supervised Learning) 방법과, 교사 신호를 필요로 하지 않는 비지도 학습(Unsupervised Learning) 방법이 있다. 일 실시예에 따르면, 컴퓨팅 장치(예: 정보 처리 시스템 등)는 기계학습 모델에 대하여 뇌 영상으로부터 산출된 특징 값을 이용하여 복수의 파킨슨병의 종류 각각에 대한 확률을 산출하도록 인공신경망 모델(700)을 학습시킬 수 있다.
일 실시예에 따르면, 인공신경망 모델(700)의 입력변수는, 뇌 영상으로부터 산출된 특징 값을 포함할 수 있다. 이 경우 특징 값은 복수 개일 수 있다. 이와 같이 상술된 입력변수가 입력층(720)을 통해 입력되는 경우, 인공신경망 모델(700)의 출력층(740)에서 출력되는 출력변수는 복수의 파킨슨병의 종류 각각에 대한 확률이 될 수 있다.
이와 같이, 인공신경망 모델(700)의 입력층(720)과 출력층(740)에 복수의 입력변수와 대응되는 복수의 출력변수가 각각 매칭되고, 입력층(720), 은닉층(730_1 내지 730_n) 및 출력층(740)에 포함된 노드들 사이의 시냅스 값이 조정됨으로써, 특정 입력에 대응한 올바른 출력이 추출될 수 있도록 학습될 수 있다. 이러한 학습 과정을 통해, 인공신경망 모델(700)의 입력변수에 숨겨져 있는 특성을 파악할 수 있고, 입력변수에 기초하여 계산된 출력변수와 목표 출력 간의 오차가 줄어들도록 인공신경망 모델(700)의 노드들 사이의 시냅스 값(또는 가중치)를 조정할 수 있다.
일 실시예에서, 컴퓨팅 장치는 뇌 영상으로부터 산출된 특징 값을 입력 받아, 정답 데이터(ground truth)인 복수의 파킨슨병의 종류 각각에 대한 확률과 기계학습 모델로부터 출력된 복수의 파킨슨병 종류 각각에 대한 확률과의 손실(loss)을 최소화하도록 기계학습 모델을 학습시킬 수 있다. 여기서, 정답 데이터인 복수의 파킨슨병의 종류 각각에 대한 확률은 뇌 영상을 분석하는 의료 영상 관련 전문가(예: 영상의학과 전문의, 신경과 전문의 등)에 의해 획득될 수 있으며, 특정 파킨슨병의 종류(또는 정상)에 해당할 확률이 1, 나머지가 0인 형태일 수 있다. 이렇게 학습된 인공신경망 모델(700)을 이용하여, 기계학습 모델로부터 복수의 특징 값에 대응되는 복수의 파킨슨병의 종류 각각에 대한 확률이 산출될 수 있다.
도 8은 본 개시의 일 실시예에 따른 파킨슨병 진단을 위한 정보 제공 방법(800)의 예시를 나타내는 흐름도이다. 일 실시예에서, 방법(800)은 적어도 하나의 프로세서(예를 들어, 정보 처리 시스템(230)의 프로세서(334) 등)에 의해 수행될 수 있다. 방법(800)은 프로세서가 외부 장치로부터 환자의 뇌 영상을 수신하는 것으로 개시될 수 있다(S810). 일 실시예에서, 외부 장치는 PET 장치 또는 PET-CT 장치 중 적어도 하나를 포함하고, 뇌 영상은 도파민 운반체를 영상화한 F-18 FP-CIT PET/CT 영상을 포함할 수 있다. 일 실시예에서, 뇌 영상은 조기 단계 영상 및 지연 단계 영상을 포함할 수 있다.
그 후, 프로세서는 수신된 뇌 영상에 대한 세그멘테이션을 수행하여 뇌 영상 내에서 복수의 해부학적 관심 영역을 결정할 수 있다(S820). 일 실시예에서, 프로세서는 뇌 영상에 대한 공간 정규화를 수행함으로써 뇌 영상을 전처리할 수 있고, 전처리된 뇌영상에 대한 세그멘테이션을 수행하여 뇌 영상의 복수의 해부학적 관심 영역을 결정할 수 있다.
일 실시예에서, 프로세서는 조기 단계 영상 및 지연 단계 영상에 대한 공간적 정합을 수행함으로써, 조기 단계 영상 및 지연 단계 영상을 전처리할 수 있고, 전처리된 뇌영상에 대한 세그멘테이션을 수행하여 뇌 영상의 복수의 해부학적 관심 영역을 결정할 수 있다.
일 실시예에서, 프로세서는 조기 단계 영상에 대한 세그멘테이션을 수행하여 조기 단계 영상 내에서 복수의 해부학적 관심 영역을 결정하고, 지연 단계 영상에 대한 세그멘테이션을 수행하여 지연 단계 영상 내에서 복수의 해부학적 관심 영역을 결정할 수 있다. 또한, 프로세서는 수신된 뇌 영상에 대한 세그멘테이션을 수행하여 뇌 영상의 좌측 해부학적 관심 영역 및 뇌 영상의 우측 해부학적 관심 영역을 결정할 수 있다.
그 후, 프로세서는 결정된 복수의 해부학적 관심 영역으로부터 복수의 특징 값을 산출할 수 있다(S830). 일 실시예에서, 프로세서는 복수의 해부학적 관심 영역 각각에 속한 복셀의 발현 강도의 평균 값을 산출하고, 평균 값에 기초하여 복수의 결합 성능을 산출하고, 산출된 복수의 결합 성능에 기초하여 복수의 특징 값을 산출할 수 있다.
일 실시예에서, 프로세서는 뇌 영상의 레퍼런스 영역을 결정할 수 있고, 복수의 해부학적 관심 영역 각각에 속한 복셀의 발현 강도의 평균값 및 레퍼런스 영역에 속한 복셀의 발현 강도의 평균값에 기초하여 복수의 해부학적 관심 영역 각각의 표준 섭취 계수율을 산출하고, 표준 섭취 계수율에 기초하여 복수의 결합 성능을 산출할 수 있다. 또한, 산출된 복수의 특징 값은 복수의 결합 성능 사이의 비율일 수 있다.
일 실시예에 따르면, 프로세서는 조기 단계 영상 내에서 결정된 복수의 해부학적 관심 영역으로부터 복수의 특징 값을 산출하고, 지연 단계 영상 내에서 결정된 복수의 해부학적 관심 영역으로부터 복수의 특징 값을 산출할 수 있다.
일 실시예에 따르면, 프로세서는 좌측 해부학적 관심 영역 및 우측 해부학적 관심 영역 각각으로부터 복수의 특징 값을 산출할 수 있다.
마지막으로, 프로세서는 기계학습 모델을 이용하여, 복수의 특징 값으로부터 환자의 파킨슨병의 종류를 결정할 수 있다(S840). 일 실시예에서, 프로세서는 기계학습 모델을 이용하여, 복수의 특징 값으로부터 복수의 파킨슨병의 종류 각각에 대한 확률을 산출하고, 산출된 확률이 가장 높은 특정 파킨슨병의 종류를 선택할 수 있다.
도 8에서 도시한 흐름도 및 상술한 설명은 일 예시일 뿐이며, 일부 실시예에서는 다르게 구현될 수 있다. 예를 들어, 일부 실시예에서는 각 단계의 순서가 바뀌거나, 일부 단계가 반복 수행되거나, 일부 단계가 생략되거나, 일부 단계가 추가될 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 안 된다.
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: 뇌 영상
120: 파킨슨병 진단 시스템
122: 해부학적 관심 영역
124: 특징 값
126: 기계학습 모델
130: 파킨슨병 종류
120: 파킨슨병 진단 시스템
122: 해부학적 관심 영역
124: 특징 값
126: 기계학습 모델
130: 파킨슨병 종류
Claims (12)
- 적어도 하나의 프로세서에 의해 수행되는, 기계학습 모델 기반 파킨슨병 진단을 위한 정보 제공 방법에 있어서,
외부 장치로부터 환자의 뇌 영상을 수신하는 단계;
상기 수신된 뇌 영상에 대한 세그멘테이션(segmentation)을 수행하여 상기 뇌 영상 내에서 복수의 해부학적 관심 영역을 결정하는 단계;
상기 결정된 복수의 해부학적 관심 영역 각각에 속한 복셀(voxel)의 발현 강도(intensity)의 평균 값을 산출하는 단계;
상기 평균 값에 기초하여 상기 결정된 복수의 해부학적 관심 영역 각각에 대한 복수의 결합 성능(binding potential)을 산출하는 단계;
상기 복수의 결합 성능에 기초하여 복수의 특징 값을 산출하는 단계 - 상기 복수의 특징 값은 상기 복수의 결합 성능 사이의 비율임 -;
기계학습 모델을 이용하여, 상기 복수의 특징 값으로부터 복수의 파킨슨병의 종류 각각에 대한 확률을 산출하는 단계; 및
상기 산출된 확률이 가장 높은 특정 파킨슨병의 종류를 선택하는 단계
를 포함하는, 파킨슨병 진단을 위한 정보 제공 방법.
- 제1항에 있어서,
상기 외부 장치는,
PET 장치 또는 PET-CT 장치 중 적어도 하나를 포함하고,
상기 뇌 영상은,
도파민 운반체(Dopamine transporter)를 영상화한 F-18 FP-CIT PET/CT 영상을 포함하는, 파킨슨병 진단을 위한 정보 제공 방법.
- 삭제
- 제1항에 있어서,
상기 방법은,
상기 뇌 영상의 레퍼런스 영역을 결정하는 단계를 더 포함하고,
상기 복수의 결합 성능을 산출하는 단계는,
상기 복수의 해부학적 관심 영역 각각에 속한 복셀의 발현 강도의 평균값 및 상기 레퍼런스 영역에 속한 복셀의 발현 강도의 평균값에 기초하여 상기 복수의 해부학적 관심 영역 각각의 표준 섭취 계수율(SUVR)을 산출하는 단계; 및
상기 표준 섭취 계수율에 기초하여 상기 복수의 결합 성능을 산출하는 단계
를 포함하는, 파킨슨병 진단을 위한 정보 제공 방법.
- 삭제
- 삭제
- 제1항에 있어서,
상기 뇌 영상에 대한 공간 정규화(spatial normalization)를 수행함으로써, 상기 뇌 영상을 전처리하는 단계를 더 포함하고,상기 뇌 영상 내에서 복수의 해부학적 관심 영역을 결정하는 단계는,
상기 전처리된 뇌 영상에 대한 세그멘테이션을 수행하여 상기 뇌 영상의 복수의 해부학적 관심 영역을 결정하는 단계
를 포함하는, 파킨슨병 진단을 위한 정보 제공 방법.
- 제1항에 있어서,
상기 뇌 영상은,
조기 단계(early phase) 영상 및 지연 단계(delay phase) 영상을 포함하고,
상기 방법은,
상기 조기 단계 영상 및 상기 지연 단계 영상에 대한 공간적 정합(co-registration)을 수행함으로써, 상기 조기 단계 영상 및 상기 지연 단계 영상을 전처리하는 단계를 더 포함하고,
상기 뇌 영상 내에서 복수의 해부학적 관심 영역을 결정하는 단계는,
상기 전처리된 뇌영상에 대한 세그멘테이션을 수행하여 상기 뇌 영상의 복수의 해부학적 관심 영역을 결정하는 단계
를 포함하는, 파킨슨병 진단을 위한 정보 제공 방법.
- 제8항에 있어서,
상기 뇌 영상 내에서 복수의 해부학적 관심 영역을 결정하는 단계는,
상기 조기 단계 영상에 대한 세그멘테이션을 수행하여 상기 조기 단계 영상 내에서 복수의 해부학적 관심 영역을 결정하는 단계; 및
상기 지연 단계 영상에 대한 세그멘테이션을 수행하여 상기 지연 단계 영상 내에서 복수의 해부학적 관심 영역을 결정하는 단계
를 포함하는, 파킨슨병 진단을 위한 정보 제공 방법.
- 제1항에 있어서,
상기 뇌 영상 내에서 복수의 해부학적 관심 영역을 결정하는 단계는,
상기 수신된 뇌영상에 대한 세그멘테이션을 수행하여 상기 뇌 영상의 좌측 해부학적 관심 영역 및 상기 뇌 영상의 우측 해부학적 관심 영역을 결정하는 단계를 포함하는, 파킨슨병 진단을 위한 정보 제공 방법.
- 제1항, 제2항, 제4항 및 제7항 내지 제10항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
- 정보 처리 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 환자의 뇌 영상을 수신하고,
상기 수신된 뇌 영상에 대한 세그멘테이션을 수행하여 상기 뇌 영상 내에서 복수의 해부학적 관심 영역을 결정하고,
상기 결정된 복수의 해부학적 관심 영역 각각에 속한 복셀(voxel)의 발현 강도(intensity)의 평균 값을 산출하는 단계;
상기 평균 값에 기초하여 상기 결정된 복수의 해부학적 관심 영역 각각에 대한 복수의 결합 성능(binding potential)을 산출하는 단계;
상기 복수의 결합 성능에 기초하여 복수의 특징 값을 산출하는 단계 - 상기 복수의 특징 값은 상기 복수의 결합 성능 사이의 비율임 -;
기계학습 모델을 이용하여, 상기 복수의 특징 값으로부터 복수의 파킨슨병의 종류 각각에 대한 확률을 산출하고,
상기 산출된 확률이 가장 높은 특정 파킨슨병의 종류를 선택하기 위한 명령어들을 포함하는, 정보 처리 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230089232A KR102644343B1 (ko) | 2023-07-10 | 2023-07-10 | 기계학습 모델 기반 파킨슨병 진단을 위한 정보 제공 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230089232A KR102644343B1 (ko) | 2023-07-10 | 2023-07-10 | 기계학습 모델 기반 파킨슨병 진단을 위한 정보 제공 방법 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102644343B1 true KR102644343B1 (ko) | 2024-03-06 |
Family
ID=90239756
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230089232A KR102644343B1 (ko) | 2023-07-10 | 2023-07-10 | 기계학습 모델 기반 파킨슨병 진단을 위한 정보 제공 방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102644343B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190049275A (ko) * | 2017-11-01 | 2019-05-09 | 재단법인 아산사회복지재단 | Pet기반의 파킨슨병 원인 질환 판별방법 및 프로그램 |
| KR20220055549A (ko) * | 2020-10-26 | 2022-05-04 | 동아대학교 산학협력단 | 뇌질환 판단을 위한 딥러닝 기반의 pet 영상 분류 장치 및 그 방법 |
| KR102451108B1 (ko) * | 2022-02-22 | 2022-10-06 | 뉴로핏 주식회사 | 치매 진단에 필요한 정보 제공 방법 및 장치 |
-
2023
- 2023-07-10 KR KR1020230089232A patent/KR102644343B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190049275A (ko) * | 2017-11-01 | 2019-05-09 | 재단법인 아산사회복지재단 | Pet기반의 파킨슨병 원인 질환 판별방법 및 프로그램 |
| KR20220055549A (ko) * | 2020-10-26 | 2022-05-04 | 동아대학교 산학협력단 | 뇌질환 판단을 위한 딥러닝 기반의 pet 영상 분류 장치 및 그 방법 |
| KR102451108B1 (ko) * | 2022-02-22 | 2022-10-06 | 뉴로핏 주식회사 | 치매 진단에 필요한 정보 제공 방법 및 장치 |
Non-Patent Citations (1)
| Title |
|---|
| Francisco P M Oliveira 외. disease based on [123I]FP-CIT SPECT binding potential images, using the voxels-as-features approach and support vector machines. 2015 J. Neural Eng. 12 026008. 2015.02.24. 공개* * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Coarse-to-fine classification for diabetic retinopathy grading using convolutional neural network | |
| Li et al. | Adaptive swarm balancing algorithms for rare-event prediction in imbalanced healthcare data | |
| Hou et al. | Explainable DCNN based chest X-ray image analysis and classification for COVID-19 pneumonia detection | |
| US11152123B1 (en) | Processing brain data using autoencoder neural networks | |
| Civit-Masot et al. | A study on the use of Edge TPUs for eye fundus image segmentation | |
| KR102394758B1 (ko) | 데이터의 특징점을 취합하여 기계 학습하는 방법 및 장치 | |
| Schirmer et al. | Neuropsychiatric disease classification using functional connectomics-results of the connectomics in neuroimaging transfer learning challenge | |
| CN114648093A (zh) | 促进神经网络之间的高效知识共享的方法和装置 | |
| Lin et al. | Blu-gan: Bi-directional convlstm u-net with generative adversarial training for retinal vessel segmentation | |
| Zhang et al. | A multi-task network with weight decay skip connection training for anomaly detection in retinal fundus images | |
| Tahiri et al. | Optimized quaternion radial Hahn Moments application to deep learning for the classification of diabetic retinopathy | |
| KR102644343B1 (ko) | 기계학습 모델 기반 파킨슨병 진단을 위한 정보 제공 방법 및 시스템 | |
| Lakshmi et al. | Exploration of AI-powered DenseNet121 for effective diabetic retinopathy detection | |
| Araújo et al. | Few-shot out-of-distribution detection for automated screening in retinal OCT images using deep learning | |
| Feng et al. | Moving target recognition and tracking algorithm based on multi-source information perception | |
| Alwakeel et al. | Functional and technical aspects of self-management mHealth apps: systematic app search and literature review | |
| KR102582731B1 (ko) | 뇌영상 분석 방법 및 시스템 | |
| Bhuiyan et al. | Automated diabetic retinopathy screening for primary care settings using deep learning | |
| KR102211851B1 (ko) | 데이터의 특징점을 취합하여 기계 학습하는 방법 및 장치 | |
| Rafiei et al. | Meta-learning in healthcare: A survey | |
| Pölsterl et al. | Scalable, axiomatic explanations of deep alzheimer’s diagnosis from heterogeneous data | |
| KR102646137B1 (ko) | 복수의 신체 부위와 연관된 의료 영상 생성 모델 학습 방법 및 장치 | |
| KR102644342B1 (ko) | 파킨슨병 진단을 위한 뇌 구조 구획 방법 | |
| Oloruntoba et al. | Assessing the generalizability of deep learning models trained on standardized and nonstandardized images and their performance against Teledermatologists: Retrospective Comparative Study | |
| KR102627874B1 (ko) | Ct 영상 기반의 뇌 영상 정량 분석 방법 및 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |