KR20080058475A

KR20080058475A - 뇌 기능 해석 장치, 뇌 기능 해석 방법 및 뇌 기능 해석 프로그램

Info

Publication number: KR20080058475A
Application number: KR1020087011215A
Authority: KR
Inventors: 히로시 쓰키모토
Original assignee: 각코 호진 도쿄 덴키 다이가쿠
Priority date: 2005-10-12
Filing date: 2006-10-06
Publication date: 2008-06-25
Also published as: US20090279762A1; JP4308871B2; WO2007043462A1; EP1946701A1; EP1946701A4; JPWO2007043462A1; US8059879B2; CN101287410A; CN101287410B; EP1946701B1; KR100971936B1

Abstract

뇌 기능 데이터와 확산 텐서 데이터를 취득하고(S10), 상기 확산 텐서 데이터에 기초하여 인접 복셀간의 결합도를 산출하고(S30), 상기 뇌 기능 데이터와 상기 인접 복셀간의 결합도에 기초하여 데이터 평가량을 구성하고(S40), 상기 데이터 평가량을 비모수 회귀 분석하고(S50), 분석 결과에 기초하여 화상을 생성하고 표시한다(S60, S70).

Description

뇌 기능 해석 방법 및 뇌 기능 해석 프로그램{BRAIN FUNCTION ANALYSIS METHOD AND BRAIN FUNCTION ANALYSIS PROGRAM}

본 발명은, fMRI(functional Magnetic Resonance Imaging: 기능성 자기 공명 영상)나 PET(Positron Emission Tomography: 양전자 단층 촬영) 등의 계측 방법에 의해 얻어지는 각종 데이터를 사용하여 뇌 기능을 해석하기 위한 뇌 기능 해석 방법 및 뇌 기능 해석 프로그램에 관한 것이다.

현재, 대표적인 뇌의 비침습(non-invasive) 계측 방법으로서는, fMRI나 PET, MEG(magnetoencephalography: 뇌자도) 등이 있지만, 이 중 데이터의 공간적 분해능이 가장 높고, 널리 사용되고 있는 것이 fMRI이다.

fMRI는, 뇌의 활성 부위를 특정 가능하게 하는 각종 물리량을 측정량으로서 이미지화하는 것으로, 뇌 기능의 계측에 대해서 유효한 방법이다(비특허 문헌 1 및 비특허 문헌 2를 참조). fMRI는, 뇌의 구조를 이미지화하는 해부 MRI의 원리와 동일하게, 생체 내 조직의 프로톤(protons) 밀도나 세로 완화 시간 T₁, 가로 완화 시간 T₂를 반영하는 것이지만, 특히, 뇌의 활성 부위에서의 혈류량의 증가를 파악하는 점에 특징이 있다. 뇌의 활성 부위에서는 국소적으로 혈류량이 증가하는 것이 알 려져 있고, 혈액중의 헤모글로빈은, 산소가 결합한 상태(옥시헤모글로빈)와 분리된 상태(디옥시헤모글로빈)에서 그 자기적(磁氣的) 성질이 상이하다. 증가된 동맥혈(arterial blood)에서는 자장을 방해하는 디옥시헤모글로빈의 양이 적어지므로, 활성 부위의 fMRI 신호(BOLD 신호)가 증가하는 것으로 여겨진다. 따라서, fMRI를 이용하면, 피험자가 어떤 태스크를 행하고 있을 때의 BOLD 신호의 변화를 근거로 하여, 이 태스크에 관련된 뇌의 부위(활성 부위)를 특정할 수 있다.

fMRI에 의해 계측된 BOLD 신호의 시계열 데이터를 해석할 때의 대표적인 방법으로서는, 일반 선형 모델에 기초한 SPM(Statistical Parametric Mapping)(비특허 문헌 1을 참조)이나 주성분 분석, 독립 성분 분석에 기초한 데이터 해석(비특허 문헌 3을 참조) 등이 있다. 이들 방법의 특징은, BOLD 신호의 시계열 데이터를 3차원 화소(Voxel: 복셀)마다 개별적으로 통계 처리한 결과를 화상으로서 출력하고, 뇌의 활성 부위를 특정한다.

그러나, 전술한 해석 방법에서는, 데이터 해석 시에, 신경의 네트워크 구조를 고려하지 않는 문제점이 있다. 뇌는 다수의 신경 세포가 시냅스(synapse)를 통하여 복잡한 네트워크를 구성하고 있으며, 최근의 뇌과학적 지식에 의하면, 뇌는 이와 같은 신경 네트워크를 통하여 각 부위가 서로 연계함으로써 전체적으로 하나의 고차 뇌기능을 수행하고 있는 것으로 여겨지고 있다. 예를 들면, 피험자가 어떤 태스크를 행할 때, 뇌의 복수 부위가 활성화되는 현상이 관측되지만, 이 현상을 전술한 해석 방법에 의해 해석하면, 각 활성 부위를 특정할 수는 있지만, 활성 부위간의 결합을 특정하기는 곤란하다.

이는 근본적으로 이하의 이유가 있기 때문이다. 즉, 전술한 바와 같이 fMRI에 의해 계측된 BOLD 신호는 혈류량에 기초하고 있으므로, 뇌 내에서 혈류량이 상대적으로 많은 회백질(신경 세포의 세포체)의 활성은 파악할 수 있지만, 혈류량이 상대적으로 적은 백질(신경 세포의 축색, 또는 신경 섬유)의 활성은 fMRI로는 파악하기 곤란하기 때문이다.

한편, 신경 네트워크 구조의 기반이 되는, 이와 같은 신경 섬유군의 주행 방향을 파악하기 위하여, 최근 MRI에 의한 새로운 관측량으로서 생체 조직 내의 프로톤의 확산 정도를 계측하는 DTI(Diffusion Tensor Imaging: 확산 텐서 영상)법이 주목을 끌고 있다(비특허 문헌 4를 참조). 통상적인 해부 MRI를 이용하는 경우, 신경 섬유는 T₁ 강조 화상에서 고신호, T₂ 강조 화상에서 저신호가 된다. 신경 섬유가 T₁ 강조 화상에서 고신호화하는 이유는 미에린(Myelin)의 존재 때문이며, 미에린은 2층 구조의 지방질이나 거대 단백질로 이루어지고, 신경 섬유의 주행 방향을 따라 배열하는 형태를 취한다. 따라서, 신경 섬유의 주행 방향에서는 프로톤의 확산 상수(duffusion constant)가 크고, 신경 섬유의 주행 방향에 직교하는 방향에서는 확산 상수가 작은, 이방성(anisotropy)이 생긴다. DTI는, 프로톤의 확산을 강조하기 위한 MPG(Motion Probing Gradient: 경사 자장):

[수 1]

를 인가함으로써 확산의 이방성을 계측하는 방법이며, 예를 들면, SE(Spin Echo) 펄스 전후에 확산 검출용의 STG(Stejskal-Tanner Gradient) 펄스를 가한 ST(Stejskal-Tanner) 펄스 계열에 의해 얻어지는 BOLD 신호의 강도 S’(l, m, k, i)를 계측하는 것이다. 여기서, l, m 및 k는 복셀의 위치를 나타내는 양(+)의 이산 변수이며, 각각, 복셀의 X 방향, Y 방향 및 Z 방향의 좌표를 나타낸다. 또한, i는 측정 시간을 나타내는 양의 이산 변수이다. 전술한 BOLD 신호의 강도 S’(l, m, k, i)는,

[수 2]

로 나타낼 수 있고, 확산 강조 화상을 생성할 때는 식(1)에서의 확산 텐서

[수 3]

가 데이터 해석의 대상이 된다. 여기서, ρ’(l, m, k, i)는 MPG를 인가하지 않는 경우의 BOLD 신호(통상의 뇌 기능 해석에서의 데이터 해석의 대상)의 강도를 나타내고, b는 MPG의 강도를 나타내는 파라미터이다. 그리고, ρ’(l, m, k, i)는,

[수 4]

로 나타내어진다. 여기서, f(υ)는 유속, T_R은 반복 시간, T_E는 에코 시간, 그리고 ξ’(l, m, k, i)는 프로톤 밀도를 각각 나타낸다.

현재, fMRI에 의해 계측되어 얻어진 BOLD 신호의 시계열 데이터 ρ’(l, m, k, i)를 해석한 후에, 뇌의 관심 영역(Region of Interest: ROI)을 확산 텐서 데이터 D(l, m, k)에 의해 접속하는, 뇌 기능 해석 방법이 이용되고 있다(비특허 문헌 5를 참조).

비특허 문헌 1:“Human Brain Function: 2nd-Ed.”, Richard S. J. Frackowiak, et al, ELSEVIER ACADEMIC PRESS, 2004

비특허 문헌 2:“Image of Mind”, M. I. Posner and M. E. Raichle, W H Freeman & Co, 1997

비특허 문헌 3:“Independent Component Analysis: Theory and Applications”, T.-W. Lee, Kluwer Acadmic, 1988

비특허 문헌 4: “이로써 알 수 있는 확산 MRI” 아오키 시게키, 아베 오사무, 슈준샤, 2002

비특허 문헌 5: “Combined functional MRI and tractography to demonstrate the connectivity of the human primary motor cortex in vivo”, Guye M, et al., Neuroimage, Vol.19, pp.1349-1360, 2003

그러나, 전술한 뇌 기능 해석 방법에서는, BOLD 신호의 시계열 데이터 ρ’(l, m, k, i) 자체의 해석에는 확산 텐서 데이터 D(l, m, k)가 이용되고 있지 않으므로, 그 유효성에는 의문이 남는다.

본 발명은, 전술한 과제를 감안하여 이루어진 것이며, 그 목적으로 하는 바는, fMRI나 PET 등의 비침습 계측 방법을 사용하여 계측된 뇌 기능 데이터와 신경 섬유군의 주행 방향을 특정 가능하게 하는 확산 텐서 데이터에 기초하여, 뇌의 활성 부위 사이의 결합 구조도 고려한 뇌 기능 데이터의 해석을 가능하게 하는 뇌 기능 해석 방법 및 뇌 기능 해석 프로그램을 제공하는 것에 있다.

본 발명의 일측면은, 뇌의 활성 부위를 특정 가능하게 하는 뇌 기능 데이터와 상기 뇌 내의 프로톤의 확산도를 특정 가능하게 하는 확산 텐서 데이터를 복셀 단위로 취득하는 제1 단계와, 상기 확산 텐서 데이터에 기초하여, 인접 복셀간의 결합도의 평가량을 구성하는 제2 단계와, 상기 인접 복셀간의 결합도의 평가량에 기초하여, 상기 뇌 기능 데이터의 해석을 행하는 제3 단계를 포함하는 것을 특징으로 하는 뇌 기능 해석 방법을 제공하는 것이다.

본 발명의 다른 측면은, 컴퓨터를, 뇌의 활성 부위를 특정 가능하게 하는 뇌 기능 데이터를 복셀 단위로 취득하는 뇌 기능 데이터 취득 수단과, 상기 뇌 내의 프로톤의 확산도를 특정 가능하게 하는 확산 텐서 데이터를 복셀 단위로 취득하는 확산 텐서 데이터 취득 수단과, 상기 확산 텐서 데이터에 기초하여, 인접 복셀간의 결합도의 평가량을 구성하는 데이터 평가량 구성 수단과, 상기 인접 복셀간의 결합도의 평가량에 기초하여, 상기 뇌 기능 데이터의 해석을 행하는 데이터 해석 수단으로서 기능하게 하는 것을 특징으로 하는 뇌 기능 해석 프로그램을 제공하는 것이다.

도 1은 본 발명의 제1 실시예에 따른 뇌 기능 해석 장치의 개략적인 구성을 나타낸 블록도이다.

도 2는 전형적인 fMRI 계측의 방법을 예시한 도면이다.

도 3은 전형적인 fMRI 화상(2차원 슬라이스 화상)을 예시한 도면이며, 도 3의 (A)는 베드(bed) 상의 피험자의 헤드부를 나타내고, 도 3의 (B)는 헤드부의 2차원 단면(2차원 슬라이스 화상)을 구성하는 복셀을 나타낸다.

도 4는, 2차원 슬라이스 화상을 구성하는 복셀 상의 뇌 기능 정보의 시계열 데이터와 확산 텐서 데이터를 예시한 표이다.

도 5는, 도 4에 나타낸 뇌 기능 정보의 시계열 데이터의 일례를 나타낸 표이며, 도 5의 (A)는 실측값을 나타내고, 도 5의 (B)는 실측값을 임계값에 기초하여 2치화한 값을 나타낸다.

도 6은, 도 4에 나타낸 뇌 기능 정보의 시계열 데이터와 확산 텐서 데이터를 입체적으로 구성한 도면이며, 도 6의 (A)는 베드 상의 피험자의 헤드부를 나타내고, 도 6의 (B)는 도 4에 나타낸 뇌 기능 정보의 시계열 데이터와 확산 텐서 데이터로부터 k번째의 2차원 슬라이스 화상 S_k를 생성하는 단계를 나타낸다.

도 7은, 도 6에 나타낸 2차원 슬라이스 화상 S_k로부터 3차원으로 구성된 헤드부 화상을 예시한 도면이며, 도 7의 (A)는 베드 상의 피험자의 헤드부를 나타내 고, 도 7의 (B)는 2차원 슬라이스 화상 S_k를 모아서 3차원적으로 구성된 헤드부 화상을 나타낸다.

도 8은, 도 1에 나타낸 뇌 기능 해석 장치에 의해 행해지는 데이터 해석의 처리 단계의 일례를 나타낸 흐름도이다.

도 9는, 본 발명에 따른 데이터 전처리(data preprocessing) 방법의 일례를 나타낸 도면이며, 도 9의 (A)는 어떤 복셀에 인접하는 2개의 복셀이 모두 회백질로 간주되는 영역에서의 데이터 전처리를 나타내고, 도 9의 (B)는 이들 2개의 복셀 중 1개만이 회백질로 간주되는 영역에서의 데이터 전처리를 나타내고, 도 9의 (C)는 이들 2개의 복셀이 모두 회백질로 간주되지 않는 영역에서의 데이터 전처리를 나타낸다.

도 10은, 본 발명의 제2 실시예에 따른 뇌 기능 해석 장치의 개략적인 구성을 나타낸 블록도이다.

도 11은, 도 10에 나타낸 뇌 기능 해석 장치에 의해 행해지는 데이터 해석의 처리 단계의 일례를 나타낸 흐름도이다.

도 12는, 도 10에 나타낸 데이터 평활화 수단에 의해 행해지는 평활화의 방법을 예시한 도면이다.

도 13은, 제2 실시예의 변형예에 따른 뇌 기능 해석 장치의 개략적인 구성을 나타낸 블록도이다.

도 14는, 도 13에 나타낸 뇌 기능 해석 장치에 의해 행해지는 데이터 해석의 처리 단계의 일례를 나타낸 흐름도이다.

도 15는, 본 발명의 제3 실시예에 따른 뇌 기능 해석 장치의 개략적인 구성을 나타낸 블록도이다.

도 16은, 도 15에 나타낸 뇌 기능 해석 장치에 의해 행해지는 데이터 해석의 처리 단계의 일례를 나타낸 흐름도이다.

도 17은, 도 15에 나타낸 클러스터링 수단(300)에 의해 행해지는 클러스터링의 방법을 예시한 도면이며, 도 17의 (A)는 클러스터링 처리를 행하기 전의 결합도 벡터의 값을 나타내고, 도 17의 (B)는 클러스터링 처리를 행한 후의 결합도 벡터의 값을 나타낸다.

도 18은, 제3 실시예의 변형예에 따른 뇌 기능 해석 장치의 개략적인 구성을 나타낸 블록도이다.

도 19는, 도 18에 나타낸 뇌 기능 해석 장치에 의해 행해지는 데이터 해석의 처리 단계의 일례를 나타낸 흐름도이다.

도 20은, 본 발명의 제4 실시예에 따른 뇌 기능 해석 장치의 개략적인 구성을 나타낸 블록도이다.

도 21은, 도 20에 나타낸 뇌 기능 해석 장치에 의해 행해지는 데이터 해석의 처리 단계의 일례를 나타낸 흐름도이다.

도 22는, 제4 실시예의 변형예에 따른 뇌 기능 해석 장치의 개략적인 구성을 나타낸 블록도이다.

도 23은, 도 22에 나타낸 뇌 기능 해석 장치에 의해 행해지는 데이터 해석의 처리 단계의 일례를 나타낸 흐름도이다.

도 24는, 피험자에게 청각 자극을 사용하여 단순 복창을 행하게 한 경우의 각종 뇌 기능 해석을 행한 결과를 나타낸 도면이며, 도 24의 (A) 및 도 24의 (B)는 모두 SPM을 사용한 T 검정(도 24의 (A)는 T 검정의 임계값을 수정한 경우, 도 24의 (B)는 T 검정의 임계값을 수정하지 않은 경우)의 결과를 나타내고, 도 24의 (C)는 SPM과 트랙토그래피를 조합한 뇌 기능 해석 방법을 사용한 해석 결과를 나타내며, 도 24의 (D)는 본 발명의 제1 실시예에 따른 뇌 기능 해석 방법을 사용한 해석 결과를 나타낸다.

본 발명은, 뇌의 활성 부위를 특정하기 위해, MRI 등의 비침습(non-invasive) 계측 장치로부터 뇌 기능 데이터와 확산 텐서 데이터를 복셀 단위로 취득하여, 상기 확산 텐서 데이터로부터 인접 복셀간의 결합도의 평가량을 구성하고, 상기 인접 복셀간의 결합도의 평가량을 사용하여, 상기 뇌 기능 데이터의 해석을 행하는 것을 특징으로 하는 것이다. 상기 뇌 기능 데이터의 인접 복셀간의 결합도의 평가량은 데이터 해석의 방법에 의존하여 다양하게 고려할 수 있으며, 또한 상기 인접 복셀간의 결합도의 평가량을 어떻게 사용할 것인지에 대해서도 데이터 해석의 방법에 따라 다양하게 고려할 수 있다.

이하에서, 본 발명의 실시예를, 도면을 사용하여 상세하게 설명한다.

[제1 실시예]

도 1은, 본 발명의 제1 실시예에 따른 뇌 기능 해석 장치의 개략적인 구성을 나타낸 블록도이다. 제1 실시예의 뇌 기능 해석 장치(10)는, MRI 장치(50)로 계측된 뇌 기능 정보의 원 시계열 데이터 ρ’(l, m, k, i)(예를 들면, 식 (3))를 취득하는 뇌 기능 데이터 취득 수단(1)과, 마찬가지로 MRI 장치(50)로 계측된 확산 텐서 데이터 D(l, m, k)(예를 들면, 식 (2))를 취득하는 확산 텐서 데이터 취득 수단(2)과, 뇌 기능 데이터 취득 수단(1)으로 취득한 뇌 기능 정보의 원 시계열 데이터 ρ’(l, m, k, i)에 대해서 전처리를 행하는 데이터 전처리 수단(3)과, 확산 텐서 데이터 취득 수단(2)으로 취득된 확산 텐서 데이터 D(l, m, k)로부터 인접 복셀간의 결합도를 나타내는 결합도 벡터

[수 5]

를 산출하는 복셀간 결합도 산출 수단(4)과, 데이터 전처리 수단(3)으로 전처리된 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)와 복셀간 결합도 산출 수단(4)으로 산출된 결합도 벡터

[수 6]

로부터 소정의 평가량 Q를 구성하는 데이터 평가량 구성 수단(5)과, 상기 데이터 평가량 Q의 극값(본 실시예에서는 최소값)을 구하기 위한 계산을 행하는 데이터 해석 수단(6)과, 데이터 해석 수단(6)으로 산출된 데이터에 기초하여 화상을 생성하는 화상 생성 수단(7)과, 화상 생성 수단(7)에 의해 생성된 화상을 표시하는 화상 표시 수단(8)과, 전술한 각 수단(2∼8)으로 취득, 산출, 구성, 해석, 및 생성된 각종 데이터를 기록하는 서브 메모리와, 나중에 상세하게 설명하는 각 단계를 실행하기 위한 컴퓨터에 읽어들일 수 있는 뇌 기능 해석용 프로그램을 기억하는 메인 메모리로 이루어지는 기억 수단(9)과, 기억 수단(9)으로부터 읽어낸 상기 뇌 기능 해석용 프로그램에 따라 전술한 각 수단(2∼9)을 제어하는 CPU(Central Processing Unit: 중앙 연산 처리 장치) 등을 구비한다. 그리고, 전술한 각 기호의 의미는 나중에 설명한다.

여기서, MRI 장치(50)는, 핵 자기 공명(Nuclear Magnetic Resonance: NMR)을 일으키기 위한 정자장을 생성하는 정자장(static magnetic field) 코일, 공명 주파수의 고주파를 조사하여, 공명 신호를 검출하는 고주파 코일, 및 상기 공명 신호에 위치 정보를 인코딩하기 위한 경사 자장을 생성하는 경사 자장 코일 등으로 이루어지는 마그넷 어셈블리와, 이들 코일의 통전(通電)을 제어하는 시스템 컨트롤러 등으로 구성되는 것이며, 조작자의 요구에 따라 각종 fMRI 데이터(혈류량에 관련된 뇌 기능 정보의 원 시계열 데이터 ρ’(l, m, k, i)나 신경 섬유의 주행 방향과 관련되는 확산 텐서 데이터 D(l, m, k) 등)를 생성하고, 이들 데이터를 뇌 기능 해석 장치(10)에 송신하는 것이다. 또한, 본 발명에서는, 뇌 기능 데이터의 원 시계열 데이터 ρ’(l, m, k, i)를 반드시 MRI 장치(50)로부터 취득할 필요는 없고, 그 대신, 마찬가지로 각종 뇌 기능 데이터를 생성 가능한 PET 등의 비침습 계측 장치로부터 취득하도록 구성해도 된다.

또한, 화상 표시 수단(8)은, 예를 들면, CRT 디스플레이, TFT 디스플레이, 플라즈마 디스플레이 등의 각종 디스플레이나, 잉크젯 프린터, 레이저 프린터 등의 각종 프린터 등이 사용 가능하다. 또한, 기억 수단(9)은, 예를 들면 RAM(Random Access Memory)이나 ROM(Read Only Memory) 등으로 구성되어 있다. 더 나아가서, 기록 수단(9)의 서브 메모리와 메인 메모리를 별체로서 구성하고, 메인 메모리 부분을 자기 하드 디스크, 플로피(등록상표) 디스크, CD-ROM 등의 광디스크, 자기 테이프, 메모리 칩 등에 기억시켜도 된다.

본 실시예에서는, 뇌 기능 해석 장치(10)를, 본 실시예의 주요 구성 수단(10A)과 화상 표시 수단(8) 및 기억 수단(9)을 일체형으로 한 디스플레이 콘솔 형식으로 하였으나, 화상 표시 수단(8), 또는 화상 표시 수단(8) 및 기억 수단(9)을 각각 독립된 화상 표시 장치 및 기억 장치로서 주요 구성 수단(10A)으로부터 떼어내어 구성해도 된다. 어느 구성에서도, 뇌 기능 해석 장치(10)는 컴퓨터에 의해 실현되는 것이며, 전술한 각 수단(2∼9)은, CPU(Central Processing Unit: 중앙 연산 처리 장치)(100)에 의해 기억 수단(9)으로부터 읽어낸 뇌 기능 해석용 프로그램에 따라 제어된다.

여기서, 컴퓨터는, 구조화된 입력을 소정의 규칙에 따라 처리하고, 처리된 결과를 구조화하여 출력하는 장치를 가리키며, 예를 들면, 범용 컴퓨터, 슈퍼 컴퓨터, 메인 프레임, 워크스테이션, 마이크로 컴퓨터, 서버 등이 포함된다. 또한, 통신 네트워크(예를 들면, 인트라넷, 로컬 영역 네트워크(LAN), 와이드 영역 네트워크(WAN), 및 이들 조합으로 이루어지는 통신 네트워크)를 통하여 접속된 2개 이상의 컴퓨터로 이루어지는 구성(예를 들면, 분산 컴퓨터 시스템) 이라도 된다.

다음에, 본 발명의 이해를 용이하게 하기 위해, 도 2 내지 도 7을 사용하여, 본 발명에 의한 뇌 기능 해석의 흐름을 개략적으로 설명한다. 도 2는 전형적인 fMRI 계측의 방법을 예시한 것이며, 도 3은 전형적인 fMRI 화상(2차원 슬라이스 화상)을 예시한 것이며, 도 3의 (A)는 베드 상의 피험자의 헤드부를 나타내고, 도 3의 (B)는 헤드부의 2차원 단면(2차원 슬라이스 화상)을 구성하는 복셀을 나타낸다.

예를 들면, 피험자에게 어떤 태스크(예를 들면, 손가락의 탭핑(tapping))를 행하게 할 때, 그 태스크에 관련되는 것으로 여겨지는 뇌의 부위를 fMRI 계측에 의해 특정하는 것을 생각한다. 도 2에 나타낸 예에서는, 1회의 계측에서, 일정 시간 T의 태스크와 동일한 일정 시간 T의 휴식(레스트)을 1세트로 하여, 3회 반복하는 경우를 나타내고 있다. 여기서, 가로 축은 시간 축이며,“ON”은 태스크를 나타내고, “OFF”는 레스트를 나타낸다. 통상적으로, fMRI 계측은 1회의 실험에서 수십회 행해진다. 이 예에서는, fMRI 계측은 24회 행해졌지만, 하나의 태스크의 시작 부분과 종료 부분의 화상은 계측 시각의 어긋남을 고려하여 통상 사용하지 않으므로, 실제로는, 의미가 있는 fMRI 계측은 18회(도면 내의 18개의 두꺼운 선에 대응) 행해지게 된다. 그리고, t_i(for i=1, 2,···, 24)는 계측할 때의 실시간을 이산적으로 나타내고 있다. 이후에는, t_i를 간단하게 “i(for i=1, 2,···, I )”(양의 이산 정수)로 나타낸다.

이와 같은 fMRI 계측의 결과, 도 3의 (B)에 나타낸 바와 같은 2차원 슬라이스 화상 S_k가 얻어진다. 여기서, k는 1회의 실험에 의해 얻어지는 2차원 슬라이스 화상의 매수를 나타내고, 통상의 fMRI 계측에서는 20개∼30개의 2차원 슬라이스 화상을 얻을 수 있다(도면 내에서 K=20∼30). 이들 2차원 슬라이스 화상 S_k(for k=1, 2,···, K)는, 도 3의 (B)에서는 평면적으로 기재되어 있지만, 실제로는 복셀로 불리우는 3차원의 입체 화소로 구성되어 있다. 도 3의 (B)에서는, 일례로서 64×64개의 복셀로 이루어지는 2차원 슬라이스 화상을 나타내었으나, 물론, 이 외의 개수의 복셀로 분할한 2차원 슬라이스 화상일 수도 있다. 일반적으로, 임의의 2차원 슬라이스 화상 S_k 상의 복셀은 2개의 양의 이산 변수 l, m을 사용하여 (l, m)으로 나타낼 수 있지만, 소정의 규칙으로 번호를 붙임으로써, 이것을 단일한 양의 이산 변수 j로 나타낼 수도 있다. 즉, 수학적으로는, j와 (l, m)을 전술한 소정의 규칙에 의해 1 대 1 대응(j≡(l, m)(for S_k))시킬 수 있다. 이 예에서는, l의 상한 L 및 m의 상한 M이 모두 64(L=64, M=64)이므로, j=1,2,···, 4096이 된다. 이후에는, 이들 표기를 적절하게 구분하여 사용하기로 한다. 또한, 도 3의 (B)의 원은 헤드부의 단면 형상의 윤곽을 나타내고 있다.

도 4는, 뇌 기능 데이터 취득 수단(1)으로 취득하고, 데이터 전처리부(3)로 전처리(후술)를 행한, 어떤 2차원 슬라이스 화상 S_k를 구성하는 복셀 j 상의 뇌 기능 정보의 시계열 데이터 ρ(j, k, i)(≡ρ_k(j, i))와 확산 텐서 데이터 취득 수단(2)으로 취득된 D(j, k)(≡ D_k(j))를 예시한 것이다. 배경 기술에서 설명한 바와 같이, DTI 계측에 의해 확산 강조 화상을 생성할 때는, 전형적으로는 SE 펄스의 전 후에 확산 검출용의 STG 펄스를 가한 ST 펄스 계열로 이미지화한 결과로서, 전술한 2차원 슬라이스 화상 S_k 상의 뇌 기능 정보의 원 시계열 데이터 ρ’(l, m, k, i)(≡ρ’(l, m, i))와 확산 텐서 데이터 D(l, m, k)(≡D_k(l, m))가 얻어진다. ρ_k(j, i)는, 이 원 시계열 데이터 ρ’(l, m, i)에 대해서 후술하는 소정의 전처리를 행한 결과 얻어지는 뇌 기능 정보의 시계열 데이터를 나타낸다. 즉, 도면 내의 ρ_k(j, i)는, 어떤 2차원 슬라이스 화상 S_k의 복셀 j에서의 시각 i의 뇌 기능 정보를 나타낸다. 또한, D_k(j)는, 어떤 2차원 슬라이스 화상 S_k의 복셀 j에서의 확산 텐서 정보를 나타낸다. ρ_k(j, i)는 구체적으로는 스칼라로서 나타내어지고, 또한, D_k(j)는 식 (2)에 나타낸 바와 같이 행렬로 나타내어지며, 예를 들면,

[수 7]

와 같은 값을 취한다. 이 예에서 나타낸 바와 같이, 확산 텐서는 통상, 대칭 텐서(비대각 성분(non-diagonal element)이 대칭)이므로, 실질적으로는 6개의 성분을 가지게 된다. 또한, 도면 내의 CLASS는 태스크를 행하고 있는지의 여부를 나타낸 것이며,“ON(=1) ”및“OFF(=0)”는 각각 도 2의“ON”및“OFF”에 대응한다.

도 5는, 도 4에 나타낸 뇌 기능 정보의 시계열 데이터 ρ_k(j, i)의 일례를 나타낸 표이다.

도 5의 (A)에 예시한 바와 같이, 실제 뇌 기능 정보의 시계열 데이터 ρ_k(j, i)는 연속값을 취하지만, 예를 들면 도 5의 (B)에 나타낸 바와 같이, 값 “4000”을 활성의 임계값으로서 설정하여, 이보다 큰 값을 취하는 복셀값은 활성 “A”, 작은 값을 취하는 복셀값은 불활성 “I”와 같이, 전처리의 단계에서 더 2치화해도 된다.

도 6은, 도 4에 나타낸 확산 텐서 데이터 D_k(j)를 사용하여, 마찬가지로 도 4로 나타낸 뇌 기능 정보의 시계열 데이터 ρ_k(j, i)를 입체적으로 구성한 도면이며, 도 6의 (A)는 베드 상의 피험자의 헤드부를 나타내고, 도 6의 (B)는 도 4에 나타낸 뇌 기능 정보의 시계열 데이터와 확산 텐서 데이터로부터 k번째의 2차원 슬라이스 화상 S_k를 생성하는 단계를 나타낸다. 도 6의 (B)의 복셀 j₁ 및 j₂ 상의 5각형은, 도 4에 나타낸 뇌 기능 정보의 시계열 데이터 ρ_k(j, i) 및 확산 텐서 데이터 D_k(j)가 부수된 각 복셀 상의 내부 공간(즉, 복셀 상의 스칼라장 및 텐서장)을 예시한 것이다.

예를 들면, 배경 기술에서 설명한 SPM에서는, MRI 장치(50)로부터 취득한 뇌 기능 정보의 원 시계열 데이터 ρ’_k(l, m, i)에 대해서,

(a) 정렬(Realignment): 선두의 2차원 슬라이스 화상(예를 들면, S₁)에, 이후의 화상을 맞춤으로써, 측정중의 머리의 움직임에 수반하는 위치 보정을 행하고, 움직임에 의한 유사 신호를 제거하고,

(b) 공간적 정규화(Spatial Normalization): 복수의 피험자 데이터를 정리하거나 비교하기 위해, 각 피험자의 데이터를 Talairach 표준 뇌에 맞추고,

(c) 스무딩(Smoothing): 노이즈가 많이 포함되는 원 시계열 데이터에 가우스 형 필터를 적용함으로써, 공간적 분해능을 저감시키지 않고, 해석 감도를 향상시킨다. 이러한 전처리를 행한 후에, 복셀마다 각종 검정 등을 행하고, 태스크에 수반하는 의미가 있는 활성 부위를, 피험자의 개인 데이터에서, 나아가서는 복수의 피험자로 이루어지는 그룹 사이에서 검정한다. 또한, SPM에서는, 활동 추정의 모델을 사전에 준비하고, 전술한 바와 같이 하여 전처리된 기능 정보의 시계열 데이터 ρ_k(j, i)(=ρ_k(l, m, i))가 모델과 어느 정도만큼 부합하는지를, 확산 텐서 데이터 D_k(l, m)를 사용하지 않고, 일반 선형 모델을 사용하여 파라미터 추정한다.

한편, 본 발명에서는, 뇌 기능 정보의 원 시계열 데이터 ρ’_k(l, m, i)에 대해서, 확산 텐서 데이터 취득 수단(2)에 의해 취득된 확산 텐서 데이터 D_k(j)(=D_k(l, m))를 사용하여, 전술한 전처리 이외에 이하에서 더 상세히 설명하는 바와 같은 전처리 (d)를 행한다. 그리고, 확산 텐서 데이터 D_k(j)(=D_k(l, m))를 사용하여, 전처리된 뇌 기능 정보의 시계열 데이터 ρ_k(j, i)(=ρ_k(l, m, i))에 이하 에서 상세히 설명하는 바와 같은 데이터 처리를 행함으로써 화상 표시의 대상이 되는 2차원 화상 데이터 a_k(j)(=a_k(l, m))를 생성한다.

그리고, 전술한 설명에서는 간단하게 하기 위해 2차원 슬라이스 화상을 예를 들어 설명하였으나, 실제로는, 도 7의 (A) 및 도 7의 (B)에 나타낸 바와 같은 헤드부의 입체 화상 데이터 a_k(j)(=a(j, k)=a(n))를 3차원적으로 데이터 해석한다. 이 때에도, 이후에 상세히 설명하는 바와 같은, 확산 텐서 데이터 D_k(j)를 사용한 데이터 처리가 행해진다. 여기서, “n”은, 입체적으로 구성된 모든 복셀에 대해서 소정의 규칙으로 번호를 붙인 복셀의 위치를 나타내는 양의 이산 변수이다. 도면 내에서는, XY 좌표 상의 2차원 슬라이스 화상의 위치를 나타내는 변수 j와 3차원 방향(z 방향)을 나타내는 변수 k로 나누어 기재했지만, 이것을 전술한 1변수“n”으로 나타내는 것은 전술한 소정의 규칙 하에서 수학적으로 동치(equivalence)이다(n≡(j, k)). 그리고, 이후에는, 동일한 3차원 복셀을 나타내기 위하여 1변수“n”을 사용한 표기와 XYZ 좌표계에서의 3변수 (j, l, k)를 사용한 표기를 적절하게 구분하여 사용한다(n≡(l, m, k)≡(j, k)).

이상의 전제 하에, 도 1에 나타낸 뇌 기능 해석 장치(10)에 의해 행해지는 데이터 해석 방법에 대하여 상세하게 설명한다. 도 8은, 도 1에 나타낸 뇌 기능 해석 장치(10)에 의해 행해지는 데이터 해석의 처리 단계를 나타낸 흐름도이다.

단계 S1O에서, 뇌 기능 데이터 취득 수단(1)은, MRI 장치(50)로 계측된 뇌 기능 정보의 원 시계열 데이터 ρ’(l, m, k, i)를 취득한다. 동일한 단계 S10에 서, 확산 텐서 정보 취득 수단(2)은, 마찬가지로 MRI 장치(50)로 계측된 확산 텐서 데이터 D(l, m, k)를 취득한다.

다음에, 단계 S20에서, 데이터 전처리 수단(3)은, 전술한 바와 같이 하여 취득된 뇌 기능 정보의 원 시계열 데이터 ρ’(l, m, k, i)에 대해서, SPM의 전술한 방법 (a)∼(c)로 대표되는 바와 같은 위치 보정, 노이즈 제거 등의 전처리를 행한다.

동일한 단계 S20에서, 데이터 전처리 수단(3)은, 전술한 바와 같이 하여 통상적인 전처리가 행해진 뇌 기능 정보의 시계열 데이터 ρ’(l, m, k, i)에 대해서 전처리 (d)(데이터의 신경 신호화)를 더 행하기 위해, 전술한 바와 같이 하여 취득된 확산 텐서 데이터 D(l, m, k)를 사용하여, 예를 들면, 확산 텐서 데이터 D(l, m, k)의 고유 방정식

[수 8]

를 만족시키는 고유 벡터

[수 9]

중에서 최대 고유치 λ_M에 대응하는 고유 벡터

[수 10]

을 산출한다(α=1,2,3). 설명을 간단하게 하기 위해, 이후에는, |λ₁| ≥| λ₂| ≥ |λ₃|라 하고, 최대 고유치인 λ₁에 대응하는 고유 벡터

[수 11]

을

[수 12]

이라 하기로 한다. 또한, 전술한 고유 벡터

[수 13]

의 놈(norm)은 1로 규격화되어 있는 것으로 한다.

이어서, 동일한 단계 S20에서, 데이터 전처리 수단(3)은, 먼저, 어떤 복셀 (l, m, k)에 대해서, 상기 복셀 (l, m, k)과 인접하는 26개의 복셀(3차원) 중에서 상기 복셀 (l, m, k) 상의 고유 벡터

[수 14]

와의 내적(inner product)의 절대값이 최대가 되는 방향 벡터에 대응하는 인접 복셀을 구한다. 이 조건을 만족시키는 인접 복셀을, 예를 들면, (l+1, m+1, k) 라고 한다. 그리고, 이와 같이 하여 구해진 복셀과 상기 복셀 (l, m, k)을 중심으로 하여 점대칭의 관계에 있는 인접 복셀을 구한다. 이 경우는, 복셀 (l-1, m-1, k)이 된다. 이 상황을 도 9에 나타낸다. 전술한 바와 같이, 복셀 (l+1, m+1, k) 및 (l-1, m-1, k)는, 복셀 (l, m, k) 상의 고유 벡터

[수 15]

와의 내적이 최대가 되는 복셀이므로, 복셀 (l, m, k)과의 결합이 가장 강한 것으로 생각할 수 있다. 왜냐하면, 도 9의 (c)의 경우라면, 복셀 (l, m, k)을 중심으로 하여 복셀 (l+1, m+1, k) 및 (l-1, m-1, k)와 동일한 주행 방향으로 뻗어진 신경 섬유 상의 복셀로 간주할 수 있기 때문이다.

다음에, 동일한 단계 S20에서, 데이터 전처리 수단(3)은, 이하의 3가지 상황에 따라, 복셀 (l, m, k) 상의 뇌 기능 정보의 시계열 데이터 ρ’(l, m, k, i)의 기입(rewriting)을 행한다.

(상황 1) 미리 취득된 소정의 뇌의 해부학적 데이터(MRI 장치(50)에 의해 취득된 T1 강조 화상)로부터, 복셀 (l+1, m+1, k) 및 (l-1, m-1, k)이 함께 회백질(신경 세포의 세포체: 도면 내의 G)로 간주될 경우(도 9의 (A)를 참조):

이 경우에는, 복셀 (l, m, k) 상의 뇌 기능 정보의 시계열 데이터 ρ’(l, m, k, i)의 값을,

[수 16]

로 기입한다.

(상황 2) 미리 취득된 소정의 뇌의 해부학적 데이터(MRI 장치(50)에 의해 취득된 T1 강조 화상)로부터, 복셀 (l+1, m+1, k)(또는, 복셀 (l-1, m-1, k))이 회백질로 간주되는 경우(도 9의 (B)를 참조): 이 경우에는, 복셀 (l, m, k) 상의 뇌 기능 정보의 시계열 데이터 ρ’(l, m, k, i)의 값을,

[수 17]

로 기입한다.

(상황 3) 미리 취득된 소정의 뇌의 해부학적 데이터(MRI 장치(50)에 의해 취득된 T1 강조 화상)로부터, 복셀 (l+1, m+1, k) 및 (l-1, m-1, k)가 함께 회백질로 간주되지 않는(즉, 백질(신경의 신경 섬유: 도면 내의 W)로 간주될) 경우(도 9의 (C)를 참조):

이 경우는, 복셀 (l, m, k) 상의 뇌 기능 정보의 시계열 데이터 ρ’(l, m, k, i)의 값을,

[수 18]

로 기입한다.

이와 같은 처리를 모든 복셀에 대해서 행한다. 이 결과, 도 9의 (A) 및 (B)의 하측 도면에 나타낸 바와 같이, 회백질로 간주되는 복셀(회백질 복셀) 상의 뇌 기능 정보의 시계열 데이터의 값을 백질로 간주되는 인접 복셀(백질 복셀) 상의 뇌 기능 정보의 시계열 데이터의 값에 반영(전파(傳播))시킬 수 있다. 또한, 도 9의 (C)의 하측 도면에 나타낸 바와 같이, 백질로 간주되는 복셀끼리 인접하고 있는 경우에는, 이들 복셀 상의 뇌 기능 데이터의 값이 평활화되게 된다. 이와 같은 전처리를 행함에 의해, 이후의 단계에서 효과가 두드러지도록 할 수 있다.

그리고, 이와 같은 전처리 (d)의 방법은, 전술한 예로 한정되지 않고, 예를 들면, 회백질 복셀에 인접하고, 또한 상기 회백질 복셀의 뇌 기능 정보의 시계열 데이터의 값을 받은 백질 복셀이, 더 나아가서, 인접하는 백질 복셀에 대해서 전술한 바와 마찬가지의 순서에 의해 그 값을 차례로 전파시키도록 해도 된다. 또한, 전술한 바와 같이 회백질 복셀의 뇌 기능 정보의 시계열 데이터의 값을 백질 복셀에 전달할 때, 확산 텐서 데이터 D(l, m, k)에 따라 가중된 값을 전달하는 구성으로 해도 된다. 또한, 전술한 순서로 재기입된 백질 복셀의 값과 원래의 백질 복셀의 값 중 큰 쪽을 백질 복셀의 값으로 해도 된다.

다음에, 단계 S30에서, 복셀간 결합도 산출 수단(4)은, 전술한 확산 텐서 데이터

[수 19]

에 기초하여, 인접 복셀간의 결합도 벡터

[수 20]

를, 예를 들면,

[수 21]

로부터 산출한다. 여기서,

[수 22]

의 각 성분은, 예를 들면,

[수 23]

로 정의되며, 이후에는, 이것을 인접 복셀간의 평균 확산도 벡터라고 한다. α는

[수 24]

을 만족시키는 파라미터이며,

[수 25]

은

[수 26]

를 만족시키는 상수 벡터이다.

식 (13) 중의

[수 27]

은, 프로톤의 확산도를 나타내는 벡터(이후, 이것을 확산도 벡터라고 함)이며, 제1 성분 D_l(l, m, k)은 위치 (l, m, k)의 복셀 내의 X축 방향으로의 프로톤의 확산도를 나타내고, 제2 성분 D_m(l, m, k)은 위치(l, m, k)의 복셀 내의 Y 방향의 확산도를 나타내고, 제3 성분 D_k(l, m, k)는 위치(l, m, k)의 복셀 내의 Z 방향의 확산도를 나타낸다. 여기서, X, Y, Z 방향은 도 7에 나타낸 방향과 동일한 방향을 상정하고 있다. 그리고, 식 (9)에서는, 확산 텐서가 대칭 텐서인 것을 전제로 하고 있다.

이와 같은 사정이 있는 확산도 벡터

[수 28]

를 사용하여, 식 (13)을 통하여 식 (11)과 같이 구성된 인접 복셀간의 결합도 벡터

[수 29]

의 각각의 성분 C_l(l, m, k), C_m(l, m, k), C_k(l, m, k)는 각각, 위치 (l, m, k)의 복셀과 위치 (l+1, m, k)의 복셀과의 결합의 정도, 위치 (l, m, k)의 복셀과 위치 (l, m+1, k)의 복셀과의 결합의 정도, 위치 (l, m, k)의 복셀과 위치 (l, m, k+1)의 복셀과의 결합의 정도를 나타낸다. 그리고, 본 실시예에서는, 경사 방향으로 인접하는 복셀간(예를 들어, 복셀 (l, m, k)과 복셀 (l+1, m+1, k))의 결합도는 직접적으로는 고려하고 있지 않지만, 직교하는 방향의 복셀(이 경우, 복셀 (l+1, m, k)이나 복셀 (l, m+1, k))을 통하여 간접적으로 고려되고 있다. 물론, 경사 방향으로 인접하는 복셀간의 결합도를 직접 고려하도록 한 구성으로 해도 된다.

또한, 확산도 벡터

[수 30]

로서는, 예를 들면,

(I) 타원체 모델에서의

[수 31]

을 채용한다. 여기서, |D|는, 식 (9)에 의해 나타내어지는 행렬의 행렬식을 나타낸다. 또한, 예를 들면,

(II) 식 (9)에 의해 나타내어지는 행렬의 대각 성분 D_ll(l, m, k), D_mm(l, m, k), D_kk(l, m, k)를 사용하여,

[수 32]

로 할 수도 있다. 또한, 예를 들면,

(III) FA(Fractional Anisotropy):

[수 33]

나 RA(Relational Anisotropy):

[수 34]

으로 대표되는 확산의 이방성을 나타내는 지표를 사용하여 확산도 벡터

[수 35]

를 결정할 수도 있다. 여기서, D_AV는,

[수 36]

이다. 이 외에도,

(IV) 미리 취득된 소정의 뇌의 해부학적 데이터(MRI 장치(50)에 의해 취득된 T1강조 화상)로부터 뇌의 백질 복셀과 회백질 복셀을 판단하고, 백질 복셀에서는 전술한 (I)의 확산도 벡터를 사용하고, 회백질 복셀에서는, 이 외의 확산도 벡터(예를 들면, 전술한 (II) 또는 (III))를 사용할 수도 있다.

이와 같이, 본 발명에서의 확산도 벡터

[수 37]

로서는, MRI 장치(50)로부터 취득 가능한 확산 텐서 데이터 D(l, m, k)로부터 신경 섬유의 주행 방향을 특정할 수 있는 양이면 어떠한 것을 사용해도 된다.

또한, 파라미터 α에 관한 부등식 (14) 대신, 예를 들면, 회백질 복셀에서 크며, 백질 복셀에서 작은 값을 취하는 것처럼, 파라미터 α의 값을 회백질 복셀과 백질 복셀로 전환할 수 있도록 설정해도 된다.

또한, 식 (11)의 결합도 벡터

[수 38]

대신,

[수 39]

를 사용해도 된다.

또한, 신경 섬유의 주행 방향을 강조하기 위해, 식 (11) 또는 식 (22)의 결합도 벡터

[수 40]

의 각각의 성분 c_l(l, m, k), c_m(l, m, k), c_k(l, m, k)를 N제곱(N은 2이상의 자연수)한 것을 채용해도 된다. 또한, 이들 성분의 값을 백질 복셀에서 a배, 회백질 복셀에서 b배 한 것을 사용해도 된다. 또한, 이들 성분 중 가장 큰 것만을, 예를 들면 전술한 방법으로 강조해도 된다. 또한, {c_l(l, m, k) + c_m(l, m, k) + c_k(l, m, k)}/3 이상의 값을 가지는 성분만을, 예를 들면 전술한 방법으로 강조해도 된다.

또한, 회백질 복셀은 인접하는 6개의 복셀(6방위)만을 결합시키고, 백질 복셀은 고유 방정식 (5)의 최대 고유치에 대응하는 고유 벡터와의 내적이 최대의 복셀 및 그 점대칭의 복셀(2방위)만을 결합하도록 결합도 벡터

[수 41]

를 구성해도 된다.

다음에, 단계 S40에서, 데이터 평가량 구성 수단(5)은, 단계 S20에서 전처리된 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)와 단계 S40에서 산출된 결합도 벡터

[수 42]

로부터, 도 5의 (A)에 예시한 바와 같은 데이터를 비모수 회귀 분석(nonparametric regression analysis)하기 위하여, 예를 들면, 인접 복셀을 6개 로 한 경우에는, 데이터 평가량 Q:

[수 43]

을 구성한다. 여기서, i는 시간, l, m, k는 각각 복셀의 X 방향, Y 방향 및 Z 방향의 위치를 나타내는 변수인 것은 전술한 바와 같다. 다만, 실제로는, 도 7에 나타낸 입체적으로 구성된 복셀 중에는 뇌(신경)를 나타내지 않는 복셀도 있으므로, 그 영역에 관한 l, m, k는 제외하는 것으로 한다. 또한, φ(i)는, 도 5의 (A)에서의 CLASS를 나타내는 변수의 시계열 데이터이며, 이 경우, 1(=ON)과 0(=OFF)의 2치를 취한다. 본 실시예에 따른 비모수 회귀 분석에서는, 도 5의 (A)에 나타낸 바와 같은 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)를 설명 변수, CLASS를 나타내는 변수의 시계열 데이터 φ(i)를 피설명 변수로 하고, 이들 변수 사이에,

[수 44]

를 회귀 계수로 한 선형 회귀식:

[수 45]

를 상정한다.

[수 46]

및

[수 47]

은 각각 추정해를 나타내고, κ는 인접 복셀간의 연속성을 나타내는 가중 파라미터이다. 이와 같이, 식 (23)은 인접 복셀간의 연속성에 기초한 평가량을 구성하였지만, 그 대신, 인접 복셀간의 연속성(continuity)에 기초한 평가량을 구성해도 된다.

본 실시예에서의 데이터 해석의 방법으로서 비모수 회귀 분석을 사용하는 근거는, 피설명 변수 φ(i)의 개수가 설명 변수 ρ(l, m, k, i)의 개수에 비해 극단적으로 작기 때문이다. 도 5의 (A)에 나타낸 예에서는, 설명 변수 ρ(l, m, k, i)는 복셀의 개수 64×64×64 = 262144개 있는데 비해, 피설명 변수 φ(i)의 측정치의 개수는 18개이다. 통상적으로도, 피설명 변수의 측정치의 개수는 10이며, 100을 초과할 수도 있다. 이와 같은 상황에서는 통상적인 회귀 분석을 행할 수 없기 때문에, 본 실시예에서는 비모수 회귀 분석을 사용한다(비특허 문헌6: “Spline Smoothing and Nonparametric Regression”, R. L. Eubank, Marcel Dekker, New York, 1988).

통상, 비모수 회귀 분석에서는, 피설명 변수 φ(l, m, k, i)에 연속성을 가정함으로써, 다음의 평가량 Q’:

[수 48]

을 최소로 하는

[수 49]

을 구한다. 여기서, 우변의 제1항은, 각 시각 i에서의 피설명 변수 φ(i)의 추정해

[수 50]

으로부터의 오차를 나타내는 항이며, 제2항이, 피설명 변수 φ(i)의 시간 방향에 대한 연속성을 평가하기 위한 항이다. 그러나, 도 5의 (A)에 나타낸 예로부터 알 수 있는 바와 같이 피설명 변수 φ(i)의 값에 연속성을 가정할 수는 없다. 그래서, 본 실시예에서는, 이와 같은 연속성의 제약을 피설명 변수 φ(i)에 대해서가 아니라, 설명 변수 ρ(l, m, k, i)에 대해서 부과하도록 확장한 비모수 회귀 분석(비특허 문헌 7: “뇌 기능 화상의 비모수 회귀 분석”, 쓰키모토 히로시 외, 일 본 전자 정보 통신 학회 잡지 D-II, Vol. J84, No.12, pp2623-2633, 2001년 12월)에 기초하여, 식 (23)에 의해 나타내어지는 데이터 평가량 Q를 구성한다.

여기서, 식 (23)의 의미에 대하여 설명한다. 우변 제1항은, 식 (25)와 동일하며, 각각의 시각 i에서의 피설명 변수 φ(i)의 추정해

[수 51]

으로부터의 오차를 나타내는 항이다. 제2항∼제4항은, 인접하는 복셀이 피설명 변수 φ(i)에 미치는 영향의 연속성을 나타내는 항이며, 이 연속성은 인접하는 설명 변수 ρ(l, m, k, i)가 피설명 변수에 미치는 영향, 즉, 식 (24)의 회귀 계수

[수 52]

의 연속성으로 평가할 수 있다.

또한, 본 실시예에서는, 제2항∼제4항에서, 복셀간 결합도 산출 수단(4)으로 산출된 결합도 벡터

[수 53]

의 각각의 성분 C_l(l, m, k), C_m(l, m, k), C_k(l, m, k)를 각각 X 방향, Y 방향, Z 방향에 대한 근접 복셀간의 연속성에 대한 가중 인자로서 도입하고 있다. 식 (11)에 나타낸 바와 같이, 이들 성분은 각각, 평균 확산도 벡터

[수 54]

의 각각의 성분 D’_l(l, m, k), D’_m(l, m, k), D’_k(l, m, k)의 함수가 되어 있으므로, 결과로서, 식 (23)의 데이터 평가량 Q는 신경 섬유(신경 세포)의 주행 방향(프로톤의 확산의 이방성)을 반영하고 있게 된다.

다음에, 단계 S50에서, 데이터 해석 수단(6)은, 단계 S40에서 구성된 데이터 평가량 Q의 극값을 구하기 위한 계산을 행한다. 본 실시예에서는, 식 (23)의 데이터 평가량 Q를 최소로 하도록 한 회귀 계수

[수 55]

을 산출한다. 여기서는, 간단하게 하기 위하여, 식 (23)을

[수 56]

와 같이 기입한 데이터 평가량 Q”에 대하여 설명한다. 여기서, n은 입체적으로 구성된 모든 복셀에 대해서 소정의 번호를 부여함으로써, 1차원으로 재배열한 복셀의 위치를 나타내는 양의 이산 변수이며, 3변수 표시 (l, m, k)와 1 대 1 대응하고 있다. 더 간단하게 하기 위하여, 여기서는 L=M=K로 하였으므로, 모든 복셀수 는 L³가 된다. 또한, C(n)은, 이와 같이 1차원으로 재배열했을 때, 복셀 n과 상기 복셀 n에 인접하는 복셀 n’ 사이의 결합도를 나타내는 계수이며, 이 계수는, 식 (11)의 결합 벡터

[수 57]

로부터 일의적(一意的)으로 정해진다. 예를 들면, 도 3의 (B)에 나타낸 2차원 슬라이스 화상 S_k로 한정할 경우, n=130의 복셀에 인접하는 복셀은 n=127, 129, 131, 257의 4개가 된다. 단계 S30에서 산출된 결합도 벡터

[수 58]

에 의해, 복셀 n=127과 복셀 n=130의 결합도, 복셀 n=129와 복셀 n=130의 결합도, 복셀 n=131과 복셀 n=130의 결합도, 복셀 n=257과 복셀 n=130의 결합도는 각각, 예를 들면, 2, 2, 5, 5와 같이 정해진다. 즉, 이 경우,

[수 59]

이 된다.

이 때, 회귀 계수

[수 60]

은, 최소 자승법을 사용하여,

[수 61]

와 같이 구할 수 있다. 여기서, X는 ρ(n, i)를 성분으로 하는 L³×I 행렬 X와,

[수 62]

φ(i)를 성분으로 하는 I차원 벡터,

[수 63]

는

[수 64]

을 성분으로 하는 L³차원 벡터, κ₀는 교차 검증법(Cross Validation)으로 구한 κ의 최적치, 즉,

[수 65]

을 최소로 하는 κ이다. 여기서,

[수 66]

은 i번째의 사례를 제외하고 회귀 계수를 계산하고, 이 회귀 계수를 사용하여 i번째의 사례의 측정치를 예측한 값이다.

다음에, 단계 S60에서, 화상 생성 수단(7)은, 전술한 바와 같이 하여 산출된 회귀 계수

[수 67]

을, 예를 들면, 회귀 계수의 값이 0(즉, 무상관)의 복셀을 그레이 스케일의 기준으로 하여, 회귀 계수의 값이 양(즉, 양의 상관 관계)의 복셀을 백색 방향의 색조로 하고, 회귀 계수의 값이 음(즉, 음의 상관 관계)의 복셀을 흑색 방향의 색조로 하는 색조를 행한 화상을 생성한다. 이 외에도, 그레이 스케일 상에서 취할 수 있는 복셀값의 빈도의 히스토그램에서, 상위 5% 값 이상을 표시하도록 해도 되고, 소정의 규칙에 따라 풀 컬러 화상을 생성해도 된다.

그리고, 단계 S70에서, 화상 표시 수단(8)은, 전술한 바와 같이 하여 생성된 화상을 입체적으로 표시한다.

이와 같이, 제1 실시예에서는, MRI 장치로부터 취득한 뇌 기능 정보의 시계열 데이터에 기초한 오차의 평가항에 더하여, 마찬가지로 MRI 장치로부터 취득한 확산 텐서 데이터에 기초한 공간 방향의 연속성의 평가항을 더한 평가량을 구성한다. 그리고, 이 평가항을 비모수 선형 회귀 분석하고, 그 결과 얻어진 회귀 계수를 화상 표시의 대상으로 함으로써, 뇌의 활성 부위 사이의 결합 구조도 고려한 뇌의 활성 부위의 특정이 가능하게 된다.

그리고, 본 실시예에서는, 단계 S2O에서 통상적인 전처리 (a)∼(c) 이외에 전처리 (d)의 프로세스를 준비하였으나, 전처리 (d)를 제거해도 된다. 이것은, 이후의 실시예에서도 마찬가지이다.

그리고, 제1 실시예에서는, 데이터 평가량으로서 식 (23)을 구성하였지만, 본 발명의 목적을 달성하는 데 있어서, 데이터 해석의 방법에 따라, 이 외에도 각종 평가량을 구성할 수 있다. 그래서, 다음에, 전술한 제1 실시예의 몇개의 변형예에 대하여 설명하지만, 중복을 피하기 위해, 이후에는 제1 실시예와 상이한 부분에 대해서만 설명한다.

<제1 실시예의 변형예 1>

제1 실시예에서는, 단계 S50에서, 데이터 해석 수단(6)은, 식 (19)의 선형 회귀식을 사용함으로써 비모수 회귀 분석을 행한 것이지만, 보다 엄밀하게는, 회귀식을 2차 함수, 3차 함수 등 일반 n차 함수로 행하는 것도 고려할 수 있다. 이와 같은 비선형 회귀 분석을 행할 때는, 뉴럴 네트워크(Neural Network) 모델을 사용할 수 있고. 전형적인 뉴럴 네트워크 모델로서 입력층, 중간층 및 출력층으로 이 루어지는 계층형 뉴럴 네트워크 모델이 있다.

본 변형예에서는, 단계 S40에서, 데이터 평가량 구성 수단(5)은, 뉴럴 네트워크 모델에서의 통상적인 학습 평가량인 제곱 오차의 항에 대하여, 복셀간 결합도 산출 수단(4)으로 산출된 결합도 벡터

[수 68]

에 기초한 인접 복셀간의 연속성을 평가하는 평가량을 가한 평가량을 구성한다. 그리고, 단계 S50에서, 데이터 해석 수단(6)은, 이와 같이 하여 구성된 평가량의 최소값을 구하기 위해, 오류 역전파법(Error Back Propagation Method) 등을 사용하여 해석한 후에, 단계 S60에서, 화상 생성 수단(7)은, 입력(뇌 기능 정보의 시계열 데이터)과 출력 사이의 감도(입력을 변화시켰을 때 출력에 미치는 영향)를 표시 화상으로 하여 제1 실시예와 마찬가지로 하여 생성한다. 그리고, 단계 S70에서, 화상 표시 수단(8)은, 전술한 바와 같이 하여 생성된 화상을 입체적으로 표시한다.

이에 따라, 제1 실시예와 마찬가지의 효과를 얻을 수 있다.

<제1 실시예의 변형예 2>

제1 실시예에서는, 단계 S40에서, 데이터 평가량 구성 수단(5)은, 뇌 기능의 시계열 데이터 ρ(l, m, k, i)를 설명 변수, φ(i)를 피설명 변수로 하여, 식 (23)의 평가량 Q를 구성하였지만, 본 변형예에서는, 그 반대, 즉, φ(i)를 설명 변수, ρ(l, m, k, i)를 피설명 변수로 하여, 복셀 (l, m, k)마다, 예를 들면,

[수 69]

로 나타낸 평가량

을 구성한다. 여기서,

[수 70]

이다.

그리고, 단계 S50에서, 데이터 해석 수단(6)은, 이와 같이 하여 구성된 평가량

의 최소값을 구하기 위해, 최적인 κ를 교차 검증법을 사용하여 결정하고, GA(Genetic Algorithm: 유전적 알고리즘) 등의 확률적 탐색 알고리즘에 의해 회귀 계수

[수 71]

을 구한다.

이어서, 단계 S60에서, 화상 생성 수단(7)은, 전술한 해석 결과를 각종 검정했을 때에 의미가 있는 것으로 판단된 복셀의 뇌 기능 데이터 ρ(l, m, k)에 기초하는 값을 표시 화상으로서 생성한다. 그리고, 단계 S70에서, 화상 표시 수단(8) 은, 전술한 바와 같이 하여 생성된 화상을 입체적으로 표시한다.

이에 따라, 제1 실시예와 마찬가지의 효과를 얻을 수 있다.

<제1 실시예의 변형예 3>

제1 실시예의 변형예 1에서는, 단계 S40에서, 데이터 평가량 구성 수단(5)은, 뇌 기능의 시계열 데이터 ρ(l, m, k, i)를 설명 변수, φ(i)를 피설명 변수로 하여, 식 (23)의 평가량을 구성하였지만, 본 변형예에서는, 그 반대, 즉, φ(i)를 설명 변수, ρ(l, m, k, i)를 피설명 변수로 하여, 계층형 뉴럴 네트워크 모델을 사용하여, 비선형 회귀 분석을 행할 수도 있다. 다만, 이 경우에는, 단계 S50에서 극값을 구할 때에 오류 역전파법을 사용할 수 없기 때문에, 그 대신, 데이터 해석 수단(6)은, 최적인 κ를 교차 검증법을 사용하여 결정하고, GA 등의 확률적 탐색 알고리즘에 의해 데이터 해석을 행한다. 그리고, 단계 S60에서, 화상 생성 수단(7)은, 전술한 해석 결과를 각종 검정했을 때 의미가 있는 것으로 판단된 복셀의 뇌 기능 데이터 ρ(l, m, k)에 기초하는 값을 표시 화상으로서 생성한다. 그리고, 단계 S70에서, 화상 표시 수단(8)은, 전술한 바와 같이 하여 생성된 화상을 입체적으로 표시한다.

이에 따라, 제1 실시예와 마찬가지의 효과를 얻을 수 있다.

<제1 실시예의 변형예 4>

제1 실시예에서는, 단계 S50에서, 데이터 해석 수단(6)은, 식 (24)의 선형 회귀식을 사용함으로써 비모수 회귀 분석을 행하였지만, 데이터 해석의 방법으로서 판별 분석(비특허 문헌 8: “다변량 해석 이야기”, 아리마 아키라, 이시무라 사다 오, 도쿄 도서, 1987), 수량화 방법 II(비특허 문헌 9), 결정트리(비특허 문헌10: “AI에 의한 데이터 해석”, J. R. 킨란, 돗판, 1995), 서포트 벡터 머신(비특허 문헌 11: “서포트 벡터 머신 입문”, Nello Cristianini and John Shawe-Taylor, 교리쓰 출판, 2005) 등의 분류적 해석 방법을 사용할 수도 있다.

어느 경우에도, 예를 들면, 설명 변수를 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i), 외적 기준을 태스크와 레스트의 시계열 데이터로 하여, 각종 판별 함수, 결정트리 등을 사용하여 데이터 분류한다. 본 변형예에서는, 이 때, 단계 S40에서, 데이터 평가량 구성 수단(5)은, 각 해석 방법에서의 통상적인 평가량에 대해서, 단계 S30에서 산출한 결합도 벡터

[수 72]

를 통합한 평가량을 구성한다. 그리고, 단계 S50에서, 데이터 해석 수단(6)은, 각 해석 방법을 이용하여 데이터 해석을 행한다. 전술한 바와 같이 평가량을 변경하면, 통상적인 해법을 사용할 수 없게 되는 경우가 있으므로, 이 때는, 데이터 해석 수단(6)은, 최적인 κ를 교차 검증법을 사용하여 결정하고, GA 등의 확률적 탐색 알고리즘에 의해 데이터 해석을 행하면 된다.

그리고, 단계 S60에서, 화상 생성 수단(7)은, 단계 S50에서 얻어진 분류 데이터를 각종 검정했을 때 의미가 있는 것으로 판단된 복셀의 뇌 기능 데이터 ρ(l, m, k)에 기초하는 값을 표시 화상으로서 생성하고, 단계 S70에서, 화상 표시 수단(8)은, 전술한 바와 같이 하여 생성된 화상을 입체적으로 표시한다.

이에 따라, 제1 실시예와 마찬가지의 효과를 얻을 수 있다.

<제1 실시예의 변형예 5>

제1 실시예에서는, 단계 S50에서, 데이터 해석 수단(6)은, 식 (24)의 선형 회귀식을 사용함으로써 비모수 회귀 분석을 행하였지만, 데이터 해석의 방법으로서 ICA(Independent Component Analysis: 독립 성분 분석)를 사용할 수도 있다(비특허 문헌 12: “상세 풀이 독립 성분 분석 신호 해석의 새로운 세계”, Aapo Hyvarinen et al., 도쿄 덴키 대학 출판국, 2005).

본 변형예에서는, 단계 S40에서, 데이터 평가량 구성 수단(5)은, 복셀간 결합도 산출 수단(4)으로 산출된 결합도 벡터

[수 73]

에 기초하여 평가량을 구성한다. 독립 성분 분석에 의한 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)의 해석에서의 「공간적인 독립」이라는 조건을, 본 변형예에서는 「확산 텐서 정보에 기초한 결합도를 고려한 공간적인 독립」으로 변경한다. 독립 성분 분석의 구체적 방법은 몇개인가 있지만, 예를 들면, 상호 상관 관계를 최소화하는 방법의 경우에는, 본 변형예에서는, 상호 상관 관계를 최소화하는 것이 아니라, 결합도에 기초하는 평가량에 접근하도록 한다. 이에 따라, 결합도가 큰 복셀간의 상호 상관 관계는 결합도에 기초하는 평가량에 가까운 「독립도」가 되고, 결합도 가 작은(혹은, 결합도가 없는) 복셀간은 상호 상관 관계를 최소로 하게 된다. 보다 구체적으로는, 예를 들면, 상관 행렬의 비대각 성분의 제곱의 합을 최소화하도록 한 평가 함수 중의 제곱의 합의 각 항에, 결합도에 기초하는 평가량에 의한 가중 계수를 부가한다. 이 가중 계수는, 결합도가 클수록 작아지도록 구성한다.

다음에, 단계 S50에서, 데이터 해석 수단(6)은, 전술한 바와 같이 하여 구성된 평가량을 고려한 독립 성분 분석을 행한다. 그 때, 최적인 κ를 교차 검증법을 사용하여 결정하고, GA 등의 확률적 탐색 알고리즘에 의해 데이터 해석을 행한다.

다음에, 단계 S60에서, 화상 생성 수단(7)은, 전술한 바와 같이 하여 얻어진 독립 성분을 표시 화상으로서 생성한다. 다만, 전술한 해석의 결과 얻어지는 독립 성분의 개수는 많기 때문에, 모든 행 벡터 중 태스크/레스트와 가장 상관 관계가 높은 행 벡터만을 추출하는 처리를 행한다.

이에 따라, 제1 실시예와 마찬가지의 효과를 얻을 수 있다.

그리고, 전술한 독립 성분 분석 이 외에도, 뇌 기능 정보의 시계열 데이터로부터 소정의 주된 성분을 추출하는 방법으로서 주성분 분석, 인자 분석, 수량화 방법 III 등이 있지만, 이들 해석 방법 대해서도, 기본적으로는, 전술한 바와 마찬가지로 하여 해석할 수 있다.

[제2 실시예]

도 10은, 본 발명의 제2 실시예에 따른 뇌 기능 해석 장치의 개략적인 구성을 나타낸 블록도이다. 제2 실시예의 뇌 기능 해석 장치(20)는, 제1 실시예의 뇌 기능 해석 장치(10)에서의 복셀간 결합도 산출 수단(4), 데이터 평가량 구성 수단(5), 및 데이터 해석 수단(6) 대신, 복셀간 결합도 산출 수단(24), 데이터 평가량 구성 수단(25), 데이터 평활화 수단(200), 및 데이터 해석 수단(26)을 설치한 구성을 이루고 있다.

제1 실시예와 동일한 구성에는 동일한 부호를 부여하고, 이후에는, 반복되는 설명을 생략한다. 그리고, 본 실시예에서는, 뇌 기능 해석 장치(20)를, 본 실시예의 주요 구성 수단(20A)과 화상 표시 수단(8) 및 기억 수단(9)을 일체형으로 한 디스플레이 콘솔 형식으로 하였으나, 화상 표시 수단(8), 또는, 화상 표시 수단(8) 및 기억 수단(9)을 각각 독립된 화상 표시 장치 및 기억 장치로서 주요 구성 수단(20A)으로부터 떼어낸 구성으로 해도 된다.

복셀간 결합도 산출 수단(24)은, 확산 텐서 데이터 취득 수단(2)으로 취득된 확산 텐서 데이터 D(l, m, k)(식(9))로부터 제1 실시예에 상세하게 설명한 바와 같이 하여 평균 확산도 벡터

[수 74]

(식(12))를 산출한 후, 상기 평균 확산도 벡터

[수 75]

의 각 성분 D’_l(l, m, k), D’_m(l, m, k), D’_k(l, m, k)의 크기에 따라 데 이터 전처리 수단(3)으로 전처리된 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)를 평활화할 때의 인접 복셀간의 평활도를 결정하는 결합도 벡터

[수 76]

를 산출한다.

데이터 평활화 수단(200)은, 복셀간 결합도 산출 수단(24)으로 산출된 결합도 벡터

[수 77]

를 사용하여, 데이터 전처리 수단(3)으로 전처리된 뇌 기능 정보의 시계열 데이터 ρ(1, m, k, i)를 평활화하기 위한 가중 평균 필터를 구성하고, 상기 가중 평균 필터를 사용하여, 데이터 전처리 수단(3)으로 전처리된 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)를 평활화한다.

데이터 해석 수단(26)은, 데이터 평활화 수단(200)으로 평활화된 데이터를 SPM 등의 방법을 이용하여 데이터 해석을 행한다.

도 11은, 도 10에 나타낸 제2 실시예에 따른 뇌 기능 해석 장치(20)에 의해 행해지는 데이터 해석의 처리 단계의 일례를 나타낸 흐름도이다.

단계 S1OO에서, 뇌 기능 데이터 취득 수단(1)은, MRI 장치(50)로 계측된 뇌 기능 정보의 원 시계열 데이터 ρ’(l, m, k, i)를 취득한다. 동일한 단계 S100에 서, 확산 텐서 정보 취득 수단(2)은, 마찬가지로 MRI 장치(50)로 계측된 확산 텐서 데이터 D(l, m, k)를 취득한다.

다음에, 단계 S11O에서, 데이터 전처리 수단(3)은, 단계 S1OO에서 취득된 뇌 기능 정보의 원 시계열 데이터 ρ’(l, m, k, i)에 대해서, 제1 실시예에서 상세하게 설명한 전처리 (a)∼(d)를 행함으로써, 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)를 생성한다.

다음에, 단계 S120에서, 복셀간 결합도 산출 수단(24)은, 먼저, 단계 S100에서 취득한 확산 텐서 데이터 D(l, m, k)로부터 제1 실시예에서 상세하게 설명한 바와 같이 하여 평균 확산도 벡터

[수 78]

를 산출한다. 이어서, 상기 평균 확산도 데이터

[수 79]

의 각 성분 D’_l(l, m, k), D’_m(l, m, k), D’_k(l, m, k)의 크기에 따라 데이터 전처리 수단(3)으로 전처리된 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)를 평활화할 때의 인접 복셀간의 평활도를 결정하는 결합도 벡터

[수 80]

를, 예를 들면,

[수 81]

로서 산출한다.

다음에, 단계 S130에서, 데이터 평활화 수단(26)은, 단계 S120에서 산출된 결합도 벡터

[수 82]

를 사용하여, 단계 S11O에서 전처리된 뇌 기능 정보의 시계열 데이터 pρ(l, m, k, i)를, 예를 들면,

[수 83]

와 같이 이방적으로 평활화한다. 여기서, w 및 W는 가중 인자이며,

[수 84]

을 만족시키도록 규격화한다.

도 12는, 본 실시예에 따른 데이터 평활화의 방법을 예시한 것이며, 어떤 2차원 슬라이스 화상 S_k의 위치 (l, m)를 중심으로 한 9개의 복셀 상의 뇌 기능 정보의 시계열 데이터 ρ_k(l, m, i)를 나타내고 있다. 이 예에서는, ρ_k(l, m, i)=5, ρ_k(l-1, m, i)=ρ_k(l-1, m-1, i)=ρ_k(l, m-1, i)=ρ_k(l, m+1 j)=ρ_k(l+1, m, i)=2, ρ_k(l+1, m-1, i)=ρ_k(l-1, m+1, i)=ρ_k(l+1, m+1 i)=3이며, 이 중에서, ρ_k(l, m, i)의 평활화에 사용되는 것은, ρ_k(l, m-1, i), ρ_k(l, m+1 i), ρ_k(l-1, m, i), ρ_k(l+1, m, i)의 4개이다. 또한, D’_k(l, m, k)=0(즉, Z 방향으로의 프로톤의 확산이 없음), 또한, D’_l(l, m, k)=0.8, D’_m(l, m, k)=0.2, w=0.4, W=0.6을 만족시키는 상황을 상정한다. 이 때, 결합도 벡터

[수 85]

는, 식 (31)로부터

[수 86]

이 되고, 위치 (l, m, k)의 복셀 상의 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)=5는, 식 (36)으로부터,

[수 87]

와 같이 평활화 되는 것을 알 수 있다. 이 처리를 상기 2차원 슬라이스 화상 S_k의 모든 복셀 상의 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)에 행함으로써, 신경 섬유의 주행 방향에 따른 방향[즉, 평균 확산도 벡터

[수 88]

의 성분 D’_l(l, m, k), D’_m(l, m, k), D’_k(l, m, k) 중, 가장 큰 성분의 방향: 이 예에서는, X 방향]으로부터의 기여가 크도록 평활화할 수 있다.

또한, 이 외에도, 식 (5)의 개소에서 설명한 바와 같이, 최대 고유치 λ_M에 대응하는 고유 벡터

[수 89]

의 방향과 합치하는 2개의 복셀만을 평활화해도 된다.

다음에, 단계 S140에서, 데이터 해석 수단(26)은, 단계 S140에서 평활화된 뇌 기능 정보의 시계열 데이터

[수 90]

에 대해서, SPM 등의 해석 방법을 이용하여 데이터 해석을 행한다.

다음에, 단계 S150에서, 화상 생성 수단(7)은, 데이터 해석 수단(26)에 의해 해석된 결과를 그레이 스케일이나 풀 컬러 화상 등의 색조 화상을 생성한다.

그리고, 단계 S160에서, 화상 표시 수단(8)은, 전술한 바와 같이 하여 생성된 화상을 입체적으로 표시한다.

이와 같이, 제2 실시예에서는, MRI 장치로부터 취득한 뇌 기능 정보의 시계열 데이터를, 마찬가지로 MRI 장치로부터 취득한 확산 텐서 데이터로부터 산출된 결합도 벡터에 기초하여 평활화 처리함으로써, 뇌의 활성 부위간의 결합 구조도 고려한 뇌의 활성 부위의 특정이 가능해진다.

그리고, 식 (31)의 결합도 벡터

[수 91]

나 식 (32)의 평활화 처리의 알고리즘은 어디까지나 일례이며, 그 외의 실시예도 실시 가능하다. 또한, 본 실시예에서의 데이터 평활화 처리의 방법은, 특정한 데이터 해석 방법에 의존하지 않는 것은 전술한 설명으로부터 명백하다.

<제2 실시예의 변형예>

제2 실시예에서는, 단계 S130에서 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)에 대해서 확산 텐서 데이터 D(l, m, k)로부터 산출된 결합도 벡터

[수 92]

를 사용하여 평활화 처리를 행한 후에, 단계 S140에서 SPM 등의 해석 방법을 이용하여 데이터 해석을 행하였으나, 본 발명의 목적을 달성하는 데 있어서, 이들 단계를 반대로 한 방법도 생각할 수 있다. 그래서, 다음에, 제2 실시예의 변형예에 대하여 설명한다. 그리고, 중복을 피하기 위해, 이후에는 제2 실시예와 상이한 부분에 대해서만 설명한다.

도 13은, 제2 실시예의 변형예에 따른 뇌 기능 해석 장치의 개략적인 구성을 나타낸 블록도이다. 본 변형예에 따른 뇌 기능 해석 장치(20’)의 구성은, 제2 실시예의 구성과 기본적으로는 동일하지만, 데이터 평활화 수단(200)과 데이터 해석 수단(26)이 바뀐 구성이 되어 있다. 이에 따라, 뇌 기능 해석 장치(20’)에 의해 행해지는 데이터 해석의 처리 단계가 제2 실시예와 상이하다. 그리고, 본 실시예에서는, 뇌 기능 해석 장치(20’)를, 본 실시예의 주요 구성 수단(20A’)과 화상 표시 수단(8) 및 기억 수단(9)을 일체형으로 한 디스플레이 콘솔 형식으로 하였으나, 화상 표시 수단(8), 또는, 화상 표시 수단(8) 및 기억 수단(9)을 각각 독립된 화상 표시 장치 및 기억 장치로서 주요 구성 수단(20A’)으로부터 떼어낸 구성으로 해도 된다.

도 14는, 도 13에 나타낸 뇌 기능 해석 장치(20’)에 의해 행해지는 데이터 해석의 처리 단계의 일례를 나타낸 흐름도이다. 본 변형예에서는, 단계 S121에서, 먼저, 데이터 해석 수단(26’)은, 데이터 전처리 수단(3)에 의해 전처리된 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)를 SPM 등의 해석 방법을 이용하여 데이터 해석한다. 다음에, 단계 S131에서, 복셀간 결합도 산출 수단(24)은, 제2 실시예와 마찬가지로 하여, 식 (31)에서 나타낸 바와 같은 결합도 벡터

[수 93]

를 산출한다. 이어서, 단계 S141에서, 데이터 평활화 수단(200’)은, 데이터 해석 수단(26’)에 의해 해석된 결과인 뇌 기능 데이터 해석 장치 ρ(l, m, k)에 대해서, 제2 실시예와 마찬가지로 하여, 식 (32)를 사용하여 평활화 처리를 행한다. 이어서, 단계 S150에서, 화상 생성 수단(7)은, 전술한 바와 같이 하여 얻어진 평활화 처리 후의 데이터

[수 94]

에 대해서, 소정의 처리 규칙에 따라, 그레이 스케일이나 풀 컬러 화상 등의 색조 화상을 생성한다. 그리고, 단계 S160에서, 화상 표시 수단(8)은, 전술한 바와 같이 하여 생성된 화상을 입체적으로 표시한다.

이와 같이 하여, 본 변형예에서도, 제2 실시예와 마찬가지의 효과를 얻을 수 있다.

[제3 실시예]

도 15는, 본 발명의 제3 실시예에 따른 뇌 기능 해석 장치의 개략적인 구성 을 나타낸 블록도이다. 제3 실시예의 뇌 기능 해석 장치(30)는, 제1 실시예의 뇌 기능 해석 장치(10)에서의 복셀간 결합도 산출 수단(4), 데이터 평가량 구성 수단(5), 및 데이터 해석 수단(6) 대신, 복셀간 결합도 산출 수단(34), 클러스터링 수단(300), 및 데이터 해석 수단(36)을 설치한 구성을 이루고 있다. 제1 실시예와 동일한 구성에는 동일한 부호를 부여하고, 이후에는, 반복되는 설명을 생략한다. 그리고, 본 실시예에서는, 뇌 기능 해석 장치(30)를, 본 실시예의 주요 구성 수단(30A)과 화상 표시 수단(8) 및 기억 수단(9)을 일체형으로 한 디스플레이 콘솔 형식으로 하였으나, 화상 표시 수단(8), 또는, 화상 표시 수단(8) 및 기억 수단(9)을 각각 독립된 화상 표시 장치 및 기억 장치로서 주요 구성 수단(30A)으로부터 떼어낸 구성으로 해도 된다.

복셀간 결합도 산출 수단(34)은, 확산 텐서 데이터 취득 수단(2)으로 취득된 확산 텐서 데이터 D(l, m, k)(식(9))로부터 제1 실시예에서 상세하게 설명한 바와 같이 하여 평균 확산도 벡터

[수 95]

(식(12))를 산출한 후, 상기 평균 확산도 벡터

[수 96]

의 각 성분 D’_l(l, m, k), D’_m(l, m, k), D’_k(l, m, k)의 크기에 따라 복 셀끼리를 클러스터링하기 위한 지표로서 결합도 벡터

[수 97]

를 산출한다.

클러스터링 수단(300)은, 복셀간 결합도 산출 수단(34)에 의해 산출된 결합도 벡터

[수 98]

를 사용하여 복셀을 클러스터링한다.

데이터 해석 수단(36)은, 클러스터링 수단(300)으로 클러스터링된 복셀 집단(클러스터)을 단위로 하여, 데이터 전처리 수단(3)으로 전처리된 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)를 SPM 등의 해석 방법을 이용하여 데이터 해석을 행한다.

도 16은, 도 15에 나타낸 제3 실시예에 따른 뇌 기능 해석 장치(30)에 의해 행해지는 데이터 해석의 처리 단계의 일례를 나타낸 흐름도이다.

단계 S2OO에서, 뇌 기능 데이터 취득 수단(1)은, MRI 장치(50)로 계측된 뇌 기능 정보의 원 시계열 데이터 ρ’(l, m, k, i)를 취득한다. 동일한 단계 S200에서, 확산 텐서 정보 취득 수단(2)은, 마찬가지로 MRI 장치(50)로 계측된 확산 텐서 데이터 D(l, m, k)를 취득한다.

다음에, 단계 S210에서, 데이터 전처리 수단(3)은, 단계 S200에서 취득한 뇌 기능 정보의 원 시계열 데이터 ρ’(l, m, k, i)에 대해서, 제1 실시예에서 상세하게 설명한 전처리 (a)∼(d)를 행함으로써, 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)를 생성한다.

다음에, 단계 S220에서, 복셀간 결합도 산출 수단(34)은, 먼저, 단계 S200에서 취득한 확산 텐서 데이터 D(l, m, k)로부터 제1 실시예에서 상세하게 설명한 바와 같이 하여 평균 확산도 벡터

[수 99]

를 산출한다. 이어서, 상기 평균 확산도 벡터

[수 100]

의 각 성분 D’_l(l, m, k), D’_m(l, m, k), D’_k(l, m, k)의 크기에 따라 복셀 끼리를 클러스터링할 때의 지표가 되는 결합도 벡터

[수 101]

를, 예를 들면,

[수 102]

로서 산출한다. 여기서,

[수 103]

는 클러스터링의 임계값을 나타내는 상수 벡터이며,

[수 104]

로 나타낼 수 있다.

다음에, 단계 S230에서, 클러스터링 수단(300)은, 단계 S220에서 산출된 결합도 벡터

[수 105]

의 각 성분 S_l(l, m, k), S_m(l, m, k), S_k(l, m, k)의 값이 양이 되는 복셀을, 각각 X 방향, Y 방향, Z 방향에 대하여 클러스터링한다. 도 17은, 도 15에 나타낸 클러스터링 수단(300)에 의해 행해지는 클러스터링의 방법을 예시한 도면이며, 어떤 2차원 슬라이스 화상 S_k의 16개의 복셀을 나타내고 있다. 도 17의 (A)에서의 인접 복셀간의 화살표의 값은, X 방향 또는 Y 방향의 평균 확산도 벡터의 값을 나타내고 있다. 식 (37)의 상수 벡터

[수 106]

의 각 성분의 값을 각각, 예를 들면, h_l=h_m=3, h_k=0이라 하면, 결합도 벡터

[수 107]

의 성분 S_l(l, m, k), S_m(l, m, k)의 각 값은, 도 17의 (B)와 같이 된다. 이 때, X 방향, Y 방향의 각 방향에서, 결합도 벡터

[수 108]

의 성분 S_l(l, m, k), S_m(l, m, k)가 모두 양이 되는 인접 복셀을 차례로 연결해 나감으로써, 최종적으로, 점선으로 둘러싼 복셀이 하나의 클러스터로서 형성되게 된다. 결합도 벡터

[수 109]

가 평균 확산도 벡터 D’(l, m, k)의 함수로 되어 있으므로, 이와 같은 클러스터링은 신경 섬유의 주행 방향을 반영한 것이 되어 있다.

다음에, 단계 S240에서, 데이터 해석 수단(36)은, 단계 S230에서 클러스터링된 복셀 집단(클러스터)마다, 단계 S210에서 전처리된 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)를, SPM 등의 해석 방법을 사용하여 데이터 해석한다. 이 때는, 예를 들면, 하나의 클러스터 내에서의 뇌 기능 정보의 시계열 데이터를 평균화하는 등의 처리가 필요하다.

다음에, 단계 S250에서, 화상 생성 수단(7)은, 단계 S240에서 데이터 해석된 후의 데이터

[수 110]

에 대해서, 소정의 처리 규칙에 따라, 그레이 스케일이나 풀 컬러 화상 등의 색조 화상을 생성한다.

그리고, 단계 S260에서, 화상 표시 수단(8)은, 단계 S250에서 생성된 화상을 입체적으로 표시한다.

이와 같이, 제3 실시예에서는, MRI 장치로부터 취득한 확산 텐서 데이터에 기초한 복셀을 클러스터링한 후에, 마찬가지로 MRI 장치로부터 취득한 뇌 기능 정보의 시계열 데이터를 클러스터마다 해석함으로써, 뇌의 활성 부위간의 결합 구조도 고려한 뇌의 활성 부위의 특정이 가능하게 된다.

그리고, 식 (36)의 결합도 벡터

[수 111]

는 어디까지나 일례로서 그 외의 실시예도 실시 가능하다. 또한, 식 (5)의 개소에서 설명한 바와 같게, 최대 고유치 λ_M에 대응하는 고유 벡터

[수 112]

의 방향과 합치하는 2개의 복셀하고만 클러스터링해도 된다. 또한, 본 실시예에서의 클러스터링 처리의 방법은, 특정한 데이터 해석 방법에 의존하지 않는 것은 전술한 설명으로부터 명백하다.

<제3 실시예의 변형예 1>

제3 실시예에서는, 단계 S230에서, 확산 텐서 데이터 D(l, m, k)로부터 산출된 결합도 벡터

[수 113]

를 사용하여 복셀을 클러스터링한 후에, 단계 S240에서 클러스터마다 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)를 SPM 등의 해석 방법을 이용하여 데이터 해석했지만, 본 발명의 목적을 달성하는데 있어서, 이들 단계를 반대로 하는 방법도 고려할 수 있다. 그래서, 다음에, 전술한 제3 실시예의 변형예에 대하여 설명한다. 그리고, 중복을 피하기 위해, 이후에는 제3 실시예와 상이한 부분에 대해서만 설명한다.

도 18은, 제3 실시예의 변형예에 따른 뇌 기능 해석 장치의 개략적인 구성을 나타낸 블록도이다. 본 변형예에 따른 뇌 기능 해석 장치(30’)의 구성은, 제3 실시예의 구성과 기본적으로는 동일하지만, 클러스터링 수단(300)과 데이터 해석 수단(36)이 바뀐 구성으로 되어 있다. 이에 따라, 뇌 기능 해석 장치(30’)에 의해 행해지는 데이터 해석의 처리 단계가 제3 실시예와 상이하다. 그리고, 본 실시예에서는, 뇌 기능 해석 장치(30’)를, 본 실시예의 주요 구성 수단(30A’)과 화상 표시 수단(8) 및 기억 수단(9)을 일체형으로 한 디스플레이 콘솔 형식으로 하였으나, 화상 표시 수단(8), 또는, 화상 표시 수단(8) 및 기억 수단(9)을 각각 독립된 화상 표시 장치 및 기억 장치로서 주요 구성 수단(30A’)으로부터 떼어낸 구성으로 해도 된다.

도 19는, 도 18에 나타낸 뇌 기능 해석 장치(30’)에 의해 행해지는 데이터 해석 처리 단계의 일례를 나타낸 흐름도이다. 본 변형예에서는, 단계 S221에서, 먼저, 데이터 해석 수단(36’)은, 데이터 전처리 수단(3)에 의해 전처리된 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)를 SPM 등의 해석 방법으로 데이터 해석한다. 다음에, 단계 S231에서, 복셀간 결합도 산출 수단(34)은, 제3 실시예와 마찬가지로 하여, 식 (36)에서 나타낸 바와 같은 결합도 벡터

[수 114]

를 산출한다. 이어서, 단계 S241에서, 클러스터링 수단(300’)은, 데이터 해석 수단(36’)에 의해 해석된 뇌 기능 데이터 ρ(l, m, k)에 대해서, 제3 실시예와 마찬가지로 하여, 도 17에 나타낸 바와 같은 복셀의 클러스터링을 행한다. 이어서, 단계 S250에서, 화상 생성 수단(7)은, 전술한 바와 같이 하여 클러스터링된 뇌 기능 데이터

[수 115]

에 대해서, 소정의 처리 규칙에 따라, 그레이 스케일이나 풀 컬러 화상 등의 색조 화상을 생성한다. 그리고, 단계 S260에서, 화상 표시 수단(8)은, 전술한 바와 같이 하여 생성된 화상을 입체적으로 표시한다.

이와 같이 하여, 본 변형예에서도, 제3 실시예와 마찬가지의 효과를 얻을 수 있다.

<제3 실시예의 변형예 2>

제3 실시예의 변형예 1에서는, 데이터 전처리 수단(3)에 의해 전처리된 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)를 SPM 등의 해석 방법으로 데이터 해석한 후에, 복셀간 결합도 산출 수단(34)으로 산출된 결합도 벡터

[수 116]

를 사용하여 데이터 해석 후의 뇌 기능 데이터 ρ(l, m, k)를 클러스터링했지만, 데이터 해석의 방법으로서 분류적 해석 방법을 사용하는 것도 고려할 수 있다. 그래서, 본 변형예에서는, 그 일례로서, 데이터 해석의 방법으로서 분류적 해석 방법의 하나인 결정트리를 사용한 경우에 대하여 설명한다. 예를 들면, 도 4에 나타낸 바와 같이, 설명 변수(속성)를 뇌 기능 정보의 시계열 데이터 ρ(l, m, k), 외적 기준(클래스)을 태스크와 레스트의 시계열 데이터로 하여 결정트리의 방법을 사용한 경우, 불필요한 속성(복셀)은 제거되고, 필요한 속성(복셀) 만이 남는다. 이와 같이 하여 남은 복셀을 결합도 벡터

[수 117]

를 사용하여 클러스터링한다. 예를 들면, (1) 어떤 복셀을 선택하고, (2) 이 복셀의 주위에서 결합도가 일정값 이상인 복셀을 클러스터링하고, (3) 상기 (2)의 처리를, 주위에 결합도가 일정값 이상인 복셀이 없어질 때까지 계속하고, (4) 복셀이 남아 있으면, 어떤 복셀을 선택하고, (2)의 처리로 되돌아온다.

이어서, 단계 S250에서, 화상 생성 수단(7)은, 전술한 바와 같이 하여 클러스터링된 뇌 기능 데이터

[수 118]

[제4 실시예]

도 20은, 제4 실시예에 따른 뇌 기능 해석 장치의 개략적인 구성을 나타낸 블록도이다. 제4 실시예의 뇌 기능 해석 장치(40)는, 제1 실시예의 뇌 기능 해석 장치(10)에서의 복셀간 결합도 산출 수단(4), 데이터 평가량 구성 수단(5), 및 데이터 해석 수단(6) 대신, 복셀간 결합도 산출 수단(44), 데이터 검정 수단(400)을 설치한 구성을 이루고 있다. 제1 실시예와 동일한 구성에는 동일한 부호를 부여하고, 이후에는, 반복되는 설명을 생략한다. 그리고, 본 실시예에서는, 뇌 기능 해석 장치(40)를, 본 실시예의 주요 구성 수단(40A)과 화상 표시 수단(8) 및 기억 수단(9)을 일체형으로 한 디스플레이 콘솔 형식으로 하였으나, 화상 표시 수단(8), 또는, 화상 표시 수단(8) 및 기억 수단(9)을 각각 독립된 화상 표시 장치 및 기억 장치로 하여 주요 구성 수단(40A)으로부터 떼어낸 구성으로 해도 된다.

복셀간 결합도 산출 수단(44)은, 데이터 전처리 수단(3)으로 전처리된 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)를 복셀마다 각종 데이터 검정(예를 들면, t검정, f검정, 또는 z검정)할 때의 기준치(검정치나 유의 수준 등)를 조정하기 위한 결합도 벡터

[수 119]

를, 식 (12)의 평균 확산도 벡터

[수 120]

의 함수로 하여, 확산 텐서 데이터 취득 수단(2)으로 취득된 확산 텐서 데이터 D(l, m, k)(식 (9))로부터 산출한다.

데이터 검정 수단(400)은, 복셀간 결합도 산출 수단(44)으로 산출된 결합도 벡터

[수 121]

에 의해 상기 기준치를 수정하고, 수정된 기준치에 기초하여, 전처리 후의 뇌 기능 데이터 ρ(l, m, k)에 대해서 복셀마다 상기 데이터 검정을 행한다.

도 21은, 도 20에 나타낸 뇌 기능 해석 장치(40)에 의해 행해지는 데이터 해석 처리 단계의 일례를 나타낸 흐름도이다.

단계 S3OO에서, 뇌 기능 데이터 취득 수단(1)은, MRI 장치(50)로 계측된 뇌 기능 정보의 원 시계열 데이터 ρ’(l, m, k, i)를 취득한다. 동일한 단계 S300에서, 확산 텐서 정보 취득 수단(2)은, 마찬가지로 MRI 장치(50)로 계측된 확산 텐서 데이터 D(l, m, k)를 취득한다.

다음에, 단계 S310에서, 데이터 전처리 수단(3)은, 단계 S300에서 취득한 뇌 기능 정보의 원 시계열 데이터 ρ’(l, m, k, i)에 대해서, 제1 실시예에서 상세하게 설명한 바와 같은 전처리 (a)∼(d)를 행함으로써, 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)를 생성한다.

다음에, 단계 S320에서, 복셀간 결합도 산출 수단(44)은, 단계 S310에서 전처리된 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)를 복셀마다, 예를 들면, z검정할 때의 기준치(검정치나 유의 수준 등)를 조정하기 위한 결합도 벡터

[수 122]

를, 식 (12)의 평균 확산도 벡터

[수 123]

의 함수로서, 단계 S31O에서 취득한 확산 텐서 데이터 D(l, m, k)로부터 산출한다.

다음에, 단계 S330에서, 데이터 검정 수단(400)은, 단계 S310에서 전처리된 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)를 복셀마다 z검정을 행하여 z스코어를 산출한다. 그리고, 동일한 단계 S330에서, 산출된 z스코어가 큰 복셀(예를 들면, 복셀 (l, m, k))을 기점으로 하여, 그 주변(26 방위)의 복셀(예를 들면, 복셀(l+1, m, k))에서의 유의 수준의 값 a(l+1, m, k)를, 단계 S320에서 산출한 결합도 벡터

[수 124]

에 따라, 예를 들면,

[수 125]

와 같이 저감시킨다. 여기서,α는 가중 계수이다.

다음에, 단계 S340에서, 화상 생성 수단(7)은, 단계 S330에서 수정된 유의 수준에 기초하여, 의미가 있는 것으로 판단된 복셀 상의 뇌 기능 데이터 ρ(l, m, k)에 기초하는 값을 화상 데이터로서 생성한다.

그리고, 단계 S350에서, 화상 표시 수단(8)은, 단계 S340에서 생성된 화상 데이터를 입체적으로 표시한다.

그리고, 상기에서는, 확산 텐서 데이터 취득 수단(2)으로 취득한 확산 텐서 데이터 D(l, m, k)로부터 산출된 식 (38)의 결합도 벡터

[수 126]

를 사용하여 검정의 유의 수준의 값을 조정하였지만, 그 대신, 검정치를 조정해도 된다.

예를 들면, 태스크 화상과 레스트 화상 사이에 복셀마다 z검정을 행하는 경우를 생각하면, 태스크 화상은, 어떤 태스크를 행하고 있을 때의 화상(예를 들면, 도 2의 두꺼운 선으로 나타낸 1∼3의 슬라이스 화상)을 일컬으며, 레스트 화상은, 상기 태스크를 행하지 않을 때의 화상(예를 들면, 도 2의 두꺼운 선으로 나타낸 5∼7의 슬라이스 화상)을 일컫는다. 이 때, 복셀 (l, m, k)에서의 z스코어(z검정의 검정치)는, 통상적으로,

[수 127]

로 나타내어 진다. 여기서, Mt(l, m, k)는 태스크 화상의 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)의 평균값, Mc(l, m, k)는 레스트 화상의 뇌 기능 정 보의 시계열 데이터 ρ(l, m, k, i)의 평균값, σt(l, m, k)는 태스크 화상의 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)의 표준 편차, σc(l, m, k)는 레스트 화상의 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)의 표준 편차를 나타낸다. 이러한 전제 하에, z=O이라면, 태스크 화상에서의 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)의 평균값과 레스트 화상의 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)의 평균값 사이에 차이가 없다고 말할 수 있다. Z=1이라면, 태스크 화상에서의 뇌 기능 정보의 시계열 데이터 ρ(l, m, k , i)의 평균값과 레스트 화상의 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)의 평균값과의 차이가 시계열 데이터의 편차만큼 큰 것을 의미한다. 이와 같은 경향으로부터, z스코어의 값이 큰 복셀이 태스크에 관련된 활성 부위인 것으로 생각할 수 있다.

그래서, 식 (40)을

[수 128]

와 같이 변경하여, 단계 S330에서, b(l, m, k)를, 단계 S320에서 산출한 식 (38)의 결합도 벡터

[수 129]

를 사용하여, 예를 들면,

[수 130]

로 수정한다. 여기서, β는 가중 계수이다.

이어서, 단계 S340에서, 화상 생성 수단(7)은, 모든 복셀에서 공통되는 유의 수준에 기초하여, 의미가 있는 것으로 판단된 복셀 상의 뇌 기능 데이터 ρ(l, m, k)에 기초하는 값을 화상 데이터로서 생성한다. 그리고, 단계 S350에서, 화상 표시 수단(8)은, 단계 S340에서 생성된 화상 데이터를 입체적으로 표시한다.

이와 같이, 제4 실시예에서는, MRI 장치로부터 취득한 확산 텐서 데이터에 기초하여, 마찬가지로 MRI 장치로부터 취득한 뇌 기능 정보의 시계열 데이터를 검정할 때의 기준치(검정치 또는 유의 수준)의 값을 복셀마다 조정함으로써, 뇌의 활성 부위 사이의 결합 구조도 고려한 뇌의 활성 부위의 특정이 가능하게 된다.

<제4 실시예의 변형예>

제4 실시예에서는, 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)를 복셀마다 각종 데이터 검정(예를 들면, T검정, F검정, 또는 Z검정)할 때, 확산 텐서 데이터 취득 수단(2)으로 취득한 확산 텐서 데이터 D(l, m, k)로부터 산출한 결합도 벡터

[수 131]

를 사용하여 상기 데이터 검정의 기준치(검정치나 유의 수준 등)를 조정하였 지만, 본 발명의 목적을 달성하는데 있어서, 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)를 복셀마다 각종 해석 방법으로 데이터 해석할 때, 상기 해석 방법이 통계적으로 의미가 있는지의 여부를 데이터 검정(예를 들면, T검정, F검정, 또는 Z검정)하는 상황도 생각할 수 있다. 그래서, 본 변형예로서, 그 때의 기준치(검정치나 유의 수준 등)를 결합도 벡터

[수 132]

를 사용하여 조정하는 것을 생각한다. 그리고, 중복을 피하기 위해, 이후에는 제4 실시예와 상이한 부분에 대해서만 설명한다.

도 22는, 제4 실시예의 변형예에 따른 뇌 기능 해석 장치의 개략적인 구성을 나타낸 개념도이다. 본 변형예에 따른 뇌 기능 해석 장치(40’)의 구성은, 제4 실시예의 구성의 데이터 검정 수단(400) 대신, 데이터 검정 수단(400’)과 데이터 해석 수단(46’)을 부가한 구성을 이룬다.

데이터 해석 수단(46’)은, 뇌 기능 데이터 취득 수단(1)으로 취득되고, 데이터 전처리 수단(3)으로 전처리된 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)를, 종래의 분류, 회귀, 상관 관계 등의 해석 방법을 이용하여 복셀마다 데이터 해석한다.

데이터 검정 수단(400’)은, 데이터 해석 수단(46’)으로 행해진 해석 방법이 통계적으로 의미가 있는지의 여부를 각종 데이터 검정(예를 들면, T검정, F검 정, 또는 Z검정)에 기초하여 검정할 때의 기준치(검정치나 유의 수준 등)를, 결합도 벡터

[수 133]

를 사용하여 조정한다.

도 23은, 도 22에 나타낸 뇌 기능 해석 장치에 의해 행해지는 데이터 해석 처리 순서의 일례를 나타낸 흐름도이다.

단계 S360에서, 데이터 해석 수단(46’)은, 뇌 기능 데이터 취득 수단(1)으로 취득되고, 데이터 전처리 수단(3)으로 전처리된 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)를, 종래의 분류, 회귀, 상관 관계 등의 해석 방법을 이용하여 복셀마다 데이터 해석한다.

1. 분류적 해석 방법(판별 분석, 결정트리, 서포트 벡터 머신 등)

1-1: 판별 분석의 경우

설명 변수를 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i), 외적 기준을 태스크와 레스트의 시계열 데이터로 하여, 각종 판별 함수를 사용하여 데이터 분류한다.

1-2: 결정트리의 경우

설명 변수(속성)를 태스크와 레스트의 시계열 데이터, 외적 기준으로서 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)를 이산화하여 몇개의 클래스를 만들고, 결정트리를 사용하여 데이터 분류한다.

2. 회귀적 해석 방법(각종 함수(선형, 비선형)를 사용한 회귀 분석)

2-1: 선형 회귀 분석의 경우

설명 변수를 태스크와 레스트, 피설명 변수를 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)로 하여, 선형 회귀식을 사용하여 데이터 해석한다.

3. 상관적 해석 방법(추정 모델(함수)과 실제 데이터와의 상관 관계를 구하는 방법)

사전에 설정한, 모델(예를 들면, 자극을 입력으로 하고, 뇌 기능 정보의 시계열 데이터를 출력으로 한 함수)과 실제 뇌 기능 정보의 시계열 데이터 ρ(l, m, k, i)와의 상관 관계를 구함으로써, 데이터 해석한다.

그 다음에, 단계 S320(제4 실시예와 마찬가지)을 거치고, 단계 S331에서, 데이터 검정 수단(400’)은, 단계 S360에서 얻어진 결과가 통계적으로 의미가 있는지의 여부를 검정한다. 이 때, 검정의 기준치(검정치나 유의 수준 등)를 결합도 벡터

[수 134]

(식 (38))를 사용하여 조정한다. 예를 들면, 분류적 해석 방법으로 얻어진 결과에 대하여 검정을 행하는 경우에는, 단계 S360에서 얻어진 결과에 대해서 복셀마다 f검정을 행하여 f값을 산출한다. 그리고, 동일한 단계 S360에서, 산출된 f값이 큰 복셀(예를 들면, 복셀 (l, m, k))을 기점으로 하여, 그 주변(26 방위)의 복셀(예를 들면, 복셀(1+1, m, k))에서의 유의 수준의 값 a(l+1, m, k)를, 단계 S320 에서 산출한 결합도 벡터

[수 135]

에 따라, 예를 들면, 식 (39)를 사용하여 조정한다. 회귀적 해석 방법의 경우에는, 임계값(유의 수준에 해당)의 값을 전술한 바와 같이 하여 조정하면 되고, 상관적 해석 방법의 경우에는, 상관의 임계값을 전술한 바와 같이 하여 조정하면 된다.

다음에, 단계 S340에서, 화상 생성 수단(7)은, 단계 S330에서 수정된 유의 수준에 기초하여, 의미가 있는 것으로 판단된 복셀 상의 뇌 기능 데이터 ρ(l, m, k )에 기초하는 값을 화상 데이터로서 생성한다.

이상에서 설명한 실시예는 어디까지나 예시적인 것이며, 이것에 한정되는 것은 아니다.

예를 들면, 각 실시예에서, 인접 복셀간의 결합도를 산출하는 단계를 뇌 기능 데이터 및 확산 텐서 데이터를 취득하는 단계의 바로 뒤에 실시해도 된다.

또한, 데이터 해석의 방법 대해서도, 웨이브렛(wavelet) 해석, 로지스틱 회귀 분석 해석 등을 적용할 수도 있다.

또한, 제1 실시예에 제2 실시예 또는 제3 실시예를 조합할 수도 있다. 먼저, 제1 실시예에 제2 실시예를 조합할 경우에는, 도 1에 나타낸 뇌 기능 해석 장치(10)에, 도 10 또는 도 13에 나타낸 데이터 평활화 수단(200 또는 200’)과 동일한 기능을 가지는 데이터 평활화 수단을 더 구비하는 구성으로 하면 된다. 그리고, 제1 실시예의 단계 S50에서, 데이터 해석 수단(6)이 데이터 평가량 Q를 최소로 하는 회귀 계수를 구한 후에, 상기 회귀 계수의 값에 대해서 상기 데이터 평활화 수단을 적용함으로써 상기 회귀 계수의 값을 이방적으로 평활화하면 된다. 이에 따라, 제1 실시예에서 얻어진 화상과 비교한 경우, 백질(신경 섬유)의 활성도가 보다 강조된 화상을 생성하는 것이 가능하게 된다.

또한, 제1 실시예에 제3 실시예를 조합하는 경우에는, 도 1에 나타낸 뇌 기능 해석 장치(10)에, 도 15 또는 도 18에 나타낸 클러스터링 수단(300 또는 300’)과 동일한 기능을 가지는 클러스터링 수단을 더 구비하는 구성으로 하면 된다. 그리고, 제1 실시예의 단계 S50에서, 데이터 해석 수단(6)이 데이터 평가량 Q를 최소로 하는 회귀 계수를 구한 후에, 상기 회귀 계수의 값에 대해서 상기 클러스터링 수단을 적용함으로써 복셀끼리를 클러스터링시키면 된다. 이에 따라, 제1 실시예에서 얻어지는 화상과 비교한 경우, 백질(신경 섬유)의 활성도가 보다 강조된 화상을 생성하는 것이 가능하게 된다.

또한, 전술한 각 실시예에서 얻어진 결과에 대해서, 확산 텐서 데이터 D(l, m, k)를 사용하여, 백질 복셀의 활성화 부위를 늘릴 수도 있다. 이 방법은 기본적으로 트랙토그래피(tractography)와 마찬가지의 방법이다.

또한, 전술한 방법(회귀 분석, 상관 관계, 분류, 독립 성분 분석, 검정 등)을 백질 복셀에만 적용함으로써, 백질의 활성화를 포착할 수도 있다.

또한, 각 실시예에서의 실험으로서는 블록 디자인을 상정했지만, 본 발명은, 사건 관련(event-related) fMRI에도 적용 가능하다.

또한, 본 발명은 접속 해석(Connectivity Analysis)에도 적용 가능하다. 접속 해석의 방법에는 몇개가 있지만, 예를 들어, SEM(Structural Equation Modeling)(또는 공분산 구조 분석)의 경우에는, 그 계산 과정에서 상관 관계를 구하거나 검정을 행하지만, 이 때 본 발명을 적용할 수 있고, 평활화나 클러스터링도 적용할 수 있다.

이상에서는, 신경 세포와 신경 섬유의 결합에 관한 정보를 확산 텐서 데이터로부터 획득했지만, 이미 해부학적으로 주지되어 있는 결합에 관한 정보(지식)가 있으면, 그것을 사용할 수도 있다.

본 발명의 취지를 벗어나지 않는 한, 이 밖에도 다양한 실시예가 가능하며, 본 발명은 어디까지나 특허 청구의 범위에 의해서만 규정된다.

마지막으로, 본 발명의 뇌 기능 해석 방법을 사용한 뇌 기능 해석의 효과를 나타낸다. 도 24는, 피험자에게 청각 자극을 사용하고, 단순 복창을 행하게 한 경우의 각종 뇌 기능 해석의 결과를 나타낸 것이다. 실험은, 헤드폰으로부터 흘러나오는 음성을 들리는 대로 복창하는 것을 태스크로 하고, 레스트는 가능한 한 아무것도 생각하지 않는 상태로 한다. 태스크의 볼륨수(계측 횟수)는 48, 레스트의 볼륨수(계측 횟수)는 60, 해석에 사용하지 않는 볼륨수(계측 횟수)는 12로 하였다(도 2를 참조). 또한, TR(Time of Repetition: 도 2의 볼륨 폭에 대응)은 5000ms로 하였다. 피험자의 수는 8명이지만, SPM와 본 발명의 뇌 기능 해석 방법의 양쪽에서 양호한 결과를 얻은 피험자의 해석 결과를 이하에 나타낸다.

도 24의 (A) 및 도 24의 (B)는 모두 SPM을 사용한 T검정의 결과를 나타낸 것이며, 도 24의 (A)는 T검정의 임계값에 수정을 행한 경우의 해석 결과를 나타내고, 도 24의 (B)는 T검정의 임계값에 수정을 행하지 않은 경우의 해석 결과를 나타내고 있다. 도 24의 (C)는, SPM과 트랙토그래피를 조합한 해석 방법에 따른 해석 결과를 나타내고, 도 24의 (D)는 본 발명의 제1 실시예에 따른 뇌 기능 해석 방법을 사용한 해석 결과를 나타낸다. 그리고, SPM의 전처리로서 위치 보정, 정규화, 평활화를 행한다. 평활화의 반값 폭은 9mm로 하였다. 또한, 트랙토그래피에는 확산 텐서 해석용 소프트 웨어로서 dTV를 사용하였다.

전제로서, 단순 복창 시에는, 베르니케 영역(Wernicke's are, 감각성 언어 영역(sensory speech area))과 브로커 영역(Braca's area, 운동성 언어 영역(motor speech area))이 활성화하고, 양측 영역은 궁형 다발(arcuate fasciculus)로 불리우는 신경 섬유의 다발로 결합되어 있는 것이 해부학적으로 알려져 있다. 이 궁형 다발은 발화(utterance) 시에 이용되고 있다.

도 24의 (A)에 나타낸 바와 같이, SPM을 사용한 경우라도, T검정의 임계값을 수정한 경우에는 베르니케 영역, 브로커 영역의 활성화는 검출할 수 없다. 한편, 도 24의 (B)에 나타낸 바와 같이, SPM을 사용하고, T검정의 임계값을 수정하지 않았던 경우에는, 양측 영역의 활성화는 검출할 수 있었지만, 양측 영역을 잇는 궁형 다발은 검출할 수 없었다. 이들 결과에 비해, 도 24의 (C)에 나타낸 바와 같이, SPM과 트랙토그래피를 조합한 해석 방법을 사용하면, 베르니케 영역 및 브로커 영역의 활성화의 검출뿐만 아니라 궁형 다발을 검출할 수 있었다.

한편, 본 발명의 제1 실시예에 따른 뇌 기능 해석 방법을 사용한 경우에는, 도 24의 (D)에 나타낸 바와 같이, 양측 영역의 활성화나 양측 영역을 잇는 궁형 다발의 검출뿐만 아니라, 궁형 다발의 활성화(궁형 다발을 구성하는 신경 섬유에서의 펄스 전달)까지 검출할 수 있다.

또한, SPM과 트랙토그래피를 조합한 해석 방법에서는, 신경 섬유(이 경우, 궁형 다발)의 검출 시에, 해석자가 신경 섬유의 추적 개시점과 종료점을 사전에 지정해야만 한다. 따라서, 신경 섬유의 추적 개시점과 종료점이 사전에 결정할 수 없을 경우(예를 들면, 회백질의 활성 영역을 사전에 모르는 태스크)에는 이 방법은 유효하지 않게 된다. 이에 비해, 본 발명의 제1 실시예에 따른 뇌 기능 해석 방법에 의하면, 신경 섬유의 추적 개시점과 종료점이 사전에 지정할 수 없는 경우에 대해서도, 도 24의 (D)에 나타낸 바와 같이, 신경 섬유의 활성화의 검출이 가능하다.

이와 같이, 본 발명에 의하면, 뇌의 활성 부위를 특정할 수 있음은 물론, 해석자가 사전에 신경 섬유의 개시점 및 종료점을 지정하지 않아도, 신경 섬유(활성 부위간의 결합 구조)를 특정할 수 있게 되고, 나아가서는 신경 섬유의 활성화(신경 섬유에서의 펄스 전달)도 검출할 수 있으므로, 인지증, 실어증, 통합 실조증 등의 고차 뇌 기능 장애의 진단 및 치료에 대해서 매우 유효한 뇌 기능 해석 방법, 및 뇌 기능 해석 프로그램을 제공할 수 있다.

Claims

뇌의 활성 부위를 특정 가능하게 하는 뇌 기능 데이터와 상기 뇌 내의 프로톤(proton)의 확산도를 특정 가능하게 하는 확산 텐서 데이터를 복셀(voxel) 단위로 취득하는 제1 단계와,

상기 확산 텐서 데이터에 기초하여, 인접 복셀간의 결합도의 평가량을 구성하는 제2 단계와,

상기 인접 복셀간의 결합도의 평가량에 기초하여, 상기 뇌 기능 데이터의 해석을 행하는 제3 단계

를 포함하는 뇌 기능 해석 방법.
제1항에 있어서,

상기 제3 단계는, 상기 뇌 기능 데이터 및 태스크의 한쪽을 설명 변수로 하고, 상기 뇌 기능 데이터 및 상기 태스크의 다른 쪽을 피설명 변수로 하는 회귀 분석이며, 상기 뇌 기능 데이터의 복셀마다의 평가량에 상기 인접 복셀간의 결합도의 평가량을 통합한 평가량의 최소값과 최대값 중 한쪽을 산출하는, 뇌 기능 해석 방법.
제1항에 있어서,

상기 제3 단계는, 상기 뇌 기능 데이터를 검정하는 방법이며, 상기 검정의 기준치를 상기 인접 복셀간의 결합도의 평가량에 기초하여 조정하는, 뇌 기능 해석 방법.
제1항에 있어서,

상기 제3 단계는, 상기 뇌 기능 데이터를 분류하는 방법이며, 상기 분류의 기준치를 상기 인접 복셀간의 결합도의 평가량에 기초하여 조정하는, 뇌 기능 해석 방법.
제1항에 있어서,

상기 제3 단계는, 상기 뇌 기능 데이터와 소정 모델의 상관 관계를 구하는 방법이며, 상기 상관 관계의 기준치를 상기 인접 복셀간의 결합도의 평가량에 기초하여 조정하는, 뇌 기능 해석 방법.
제1항에 있어서,

상기 제3 단계는, 상기 뇌 기능 데이터로부터 주요 성분을 추출하는 방법이며, 상기 추출의 기준치를 상기 인접 복셀간의 결합도의 평가량에 기초하여 조정하는, 뇌 기능 해석 방법.
제1항에 있어서,

상기 제3 단계에서, 상기 인접 복셀간의 결합도의 평가량에 기초하여 상기 뇌 기능 데이터를 평활화(smoothing)하는, 뇌 기능 해석 방법.
제1항에 있어서,

상기 제3 단계에서, 상기 인접 복셀간의 결합도의 평가량에 기초하여 상기 뇌 기능 데이터를 클러스터링하는, 뇌 기능 해석 방법.
제1항 내지 제8항 중 어느 한 항에 있어서,

상기 제1 단계에서 취득한 확산 텐서 데이터에 기초하고, 상기 제1 단계에서 취득한 뇌 기능 데이터로부터 특정되는 활성 부위 복셀의 뇌 기능 데이터의 값을 다른 복셀의 뇌 기능 데이터의 값에 전파(傳播)시키는 전처리(preprocessing)를 행하는 제4 단계를 더 포함하는, 뇌 기능 해석 방법.
컴퓨터를,

뇌의 활성 부위를 특정 가능하게 하는 뇌 기능 데이터를 복셀 단위로 취득하는 뇌 기능 데이터 취득 수단과,

상기 뇌 내의 프로톤의 확산도를 특정 가능하게 하는 확산 텐서 데이터를 복셀 단위로 취득하는 확산 텐서 데이터 취득 수단과,

상기 확산 텐서 데이터에 기초하여 인접 복셀간의 결합도의 평가량을 구성하는 데이터 평가량 구성 수단과,

상기 인접 복셀간의 결합도의 평가량에 기초하여 상기 뇌 기능 데이터의 해 석을 행하는 데이터 해석 수단

으로서 기능하게 하는, 뇌 기능 해석 프로그램.
제10항에 있어서,

상기 데이터 해석 수단은, 상기 뇌 기능 데이터 및 태스크의 한쪽을 설명 변수로 하고, 상기 뇌 기능 데이터 및 상기 태스크의 다른 쪽을 피설명 변수로 하는 회귀 분석하는 수단이며, 상기 뇌 기능 데이터의 복셀마다의 평가량에 상기 인접 복셀간의 결합도의 평가량을 통합한 평가량의 최소값과 최대값 중 한쪽을 산출하는, 뇌 기능 해석 프로그램.
제10항에 있어서,

상기 데이터 해석 수단은, 상기 뇌 기능 데이터를 검정하는 수단이며, 상기 검정의 기준치를 상기 인접 복셀간의 결합도의 평가량에 기초하여 조정하는, 뇌 기능 해석 프로그램.
제10항에 있어서,

상기 데이터 해석 수단은, 상기 뇌 기능 데이터를 분류하는 수단이며, 상기 분류의 기준치를 상기 인접 복셀간의 결합도의 평가량에 기초하여 조정하는, 뇌 기능 해석 프로그램.
제10항에 있어서,

상기 데이터 해석 수단은, 상기 뇌 기능 데이터와 소정의 모델의 상관 관계를 구하는 수단이며, 상기 상관 관계의 기준치를 상기 인접 복셀간의 결합도의 평가량에 기초하여 조정하는, 뇌 기능 해석 프로그램.
제10항에 있어서,

상기 데이터 해석 수단은, 상기 뇌 기능 데이터로부터 주요 성분을 추출하는 수단이며, 상기 추출의 기준치를 상기 인접 복셀간의 결합도의 평가량에 기초하여 조정하는, 뇌 기능 해석 프로그램.
제10항에 있어서,

상기 데이터 해석은, 상기 인접 복셀간의 결합도의 평가량에 기초하여 상기 뇌 기능 데이터를 평활화하는, 뇌 기능 해석 프로그램.
제10항에 있어서,

상기 데이터 해석 수단은, 상기 인접 복셀간의 결합도의 평가량에 기초하여 상기 뇌 기능 데이터를 클러스터링하는, 뇌 기능 해석 프로그램.
제10항 내지 제17항 중 어느 한 항에 있어서,

상기 컴퓨터를, 상기 제1 단계에서 취득한 확산 텐서 데이터에 기초하고, 상 기 제1 단계에서 취득한 뇌 기능 데이터로부터 특정되는 활성 부위 복셀의 뇌 기능 데이터의 값을 다른 복셀의 뇌 기능 데이터의 값에 전파시키는 전처리를 행하는 데이터 전처리 수단으로서 기능하게 하는, 뇌 기능 해석 프로그램.