KR20100028035A - 대상자의 뇌의 영상을 분석하는 방법, 그러한 영상을 분석하는 컴퓨터 프로그램 제품 및 상기 방법을 구현하기 위한 장치 - Google Patents

대상자의 뇌의 영상을 분석하는 방법, 그러한 영상을 분석하는 컴퓨터 프로그램 제품 및 상기 방법을 구현하기 위한 장치 Download PDF

Info

Publication number
KR20100028035A
KR20100028035A KR1020097025987A KR20097025987A KR20100028035A KR 20100028035 A KR20100028035 A KR 20100028035A KR 1020097025987 A KR1020097025987 A KR 1020097025987A KR 20097025987 A KR20097025987 A KR 20097025987A KR 20100028035 A KR20100028035 A KR 20100028035A
Authority
KR
South Korea
Prior art keywords
roi
image
relative
brain
processor
Prior art date
Application number
KR1020097025987A
Other languages
English (en)
Inventor
하빕 베날리
스테판 레허리시
서지 킨킹네훈
베노이트 마그닌
브루노 두보아
Original Assignee
인썸(인스티튜트 내셔날 드 라 싼테 에 드 라 리셰르셰메디칼르)
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 인썸(인스티튜트 내셔날 드 라 싼테 에 드 라 리셰르셰메디칼르) filed Critical 인썸(인스티튜트 내셔날 드 라 싼테 에 드 라 리셰르셰메디칼르)
Publication of KR20100028035A publication Critical patent/KR20100028035A/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

대상자의 뇌의 영상을 분석하는 방법은, 대상자의 뇌의 적어도 3차원 영상의 수집, 상기 뇌의 뇌 고유 기준 프레임 특성에서 관심 대상(ROI)으로 상기 영상의 자동화 방식의 다중 영상 분할, 각 ROI에 대해, 영상에서 측정한 영상 데이터를 기초로 한 적어도 하나의 판별값의 자동화 방식의 결정을 포함하고, 상기 영상 데이터는 뇌의 해부학적 또는 기능적 요부를 나타내며, 상기 판별값은 다른 ROI의 판별값에 관하여 상대적이다.

Description

대상자의 뇌의 영상을 분석하는 방법, 그러한 영상을 분석하는 컴퓨터 프로그램 제품 및 상기 방법을 구현하기 위한 장치{METHOD FOR ANALYSING AN IMAGE OF THE BRAIN OF A SUBJECT, COMPUTER PROGRAM PRODUCT FOR ANALYSING SUCH IMAGE AND APPARATUS FOR IMPLEMENTING THE METHOD}
본 발명은 대상자의 뇌의 영상을 분석하는 방법, 그러한 영상을 분석하는 컴퓨터 프로그램 제품 및 상기 방법을 구현하기 위한 장치에 관한 것이다.
뇌 연구에 있어서, 특히 구성, 형태학, 거동 또는 진화의 관점에서, 대상자의 뇌는 예컨대 3차원 또는 4차원 영상으로 촬상될 수 있다. 이어서, 뇌의 영상은 측정된 영상의 데이터에 대응하고 뇌의 해부적 또는 기능적 요부를 나타내는 신뢰성 있는 특징부를 판별하도록 처리 및 분석될 수 있다.
특정한 용례에 있어서, 복수의 대상자의 뇌의 영상은 서로 구별되거나 영상 데이터에 따라 여러 군으로 분류될 수 있다. 예컨대, 뇌가 알츠하이머병을 앓고 있다고 데이터가 지시하는 영상을 뇌가 경증 인지 장애(MCI)를 앓고 있다고 데이터가 지시하거나 뇌가 건강하다고 데이터가 지시하는 영상으로부터 구별하는 방법이 사용될 수 있다.
영상을 처리 및 분석하는 공지된 방안은 관심 영역(ROI)으로의 뇌의 수동 또 는 자동화 다중 영상 분할(parcellation)과, 용적 측정, 즉 선택된 ROI의 용적의 측정을 행하는 것으로 이루어지는데, 이때, 영상 데이터는 ROI의 용적이다.
더욱이, 미국 특허 출원 제2006/0104494호로부터, 복수의 대상자에 대한 영상 데이터가 수집되고, ROI가 선택되며, 이 ROI에 대해 명암과 공간적 용적 데이터가 계산되는 방법을 구현하는 것이 또한 공지되어 있다. 상기 명암 데이터와 용적 데이터는 대상자의 ROI 영상과 모든 대상자의 ROI 영상의 평균 간에 차이가 있다. "3차원 정위 표면 투사 영상(SD-SSP)을 위한 관심 영역(ROI) 템플릿: 알츠하이머병과 경증 인지 장애의 분석에 대한 초기 적용"(KUBOTA, USHIJIMA, NISHIMURA, 국제 회의 시리즈, 권 1290, 2006)의 문헌에서, ROI 템플릿은 ROI의 Z 점수를 얻기 위하여 3개의 3차원 정위 표면 투사의 Z 점수 영상에 겹쳐진다.
공지된 방법에 있어서, 영상의 분석은 조사된 해부학적 또는 기능적 요부와 관련된 것으로 알려진 선택된 ROI에 중점을 둔다. 이에 따라, 영상 데이터의 측정, 후속하는 구별 또는 분류가 뇌의 조사된 해부학적 또는 기능성 요부에 따라 선택된 특정한 ROI에 대해 수행된다.
게다가, 대상자의 뇌의 영상과 모집단의 뇌의 영상 간의 비교를 기초로 하는 공지된 방법은 중요한 ROI의 정확하고도 객관적인 선택을 제공하지 못한다.
더욱이, 공지된 방법은 구별 또는 비교가 가능하도록 동일한 조건에서 동일한 장치로 동일한 세팅을 이용하여 뇌의 영상 수집을 필요로 하기 때문에 쉽게 재연될 수 없고 심지어는 신뢰할 수 없다.
본 발명은 전술한 결함을 해결하기 위한 것이다.
이를 위해, 본 발명은, 대상자의 뇌의 영상을 분석하는 방법에 관한 것이며, 이 방법은,
-대상자의 뇌의 적어도 3차원 영상의 수집,
-상기 뇌의 뇌 고유 기준 프레임 특성에서 관심 대상(ROI)으로 상기 영상의 자동화 방식의 다중 영상 분할,
-각 ROI에 대해, 영상에서 측정한 영상 데이터를 기초로 한 적어도 하나의 판별값의 자동화 방식의 결정
을 포함하고, 상기 영상은 복셀로 샘플링되며, 각 복셀은 뇌 고유 기준 프레임에서 ROI 중 하나에 할당되고, 상기 영상 데이터는 뇌의 해부학적 또는 기능적 요부를 나타내며, 상기 판별값의 결정은, 각 ROI에 대해,
-각 복셀에 대해 측정된 영상 데이터를 기초로 한 영상 데이터에 관한 적어도 하나의 상대 파라미터의 계산,
-상기 상대 파라미터로부터 판별값의 확립을 포함하여, 각 판별값은 다른 ROI의 판별값에 관하여 상대적이다.
그러므로, 상기 방법은 전체 뇌에 대해 수행되고, RIO로의 영상의 다중 영상 분할 다음에, 각 ROI에 객관적이고 정확한 판별값을 제공한다. 상기 방법의 정확도는 다중 영상 분할이 뇌 고유 기준 프레임에서 수행되기 때문에 더 증가된다.
상기 방법을 기초로 한 영상들의 구별 또는 분류는 보다 효율적이고 해부학적 또는 기능적 요부의 실제 상황에 더 가까워진다. 각 ROI의 영상 데이터가 고려될 수 있고, 조사된 요부에 관한 모든 중요한 RIO가 고려될 수 있다.
더욱이, 판별값이 상대적이기 때문에, 영상 수집 장치의 세팅에 따라 좌우되지 않는다. 따라서, 상기 방법은 신뢰성있고 쉽게 재연될 수 있으며, 여러 장치로부터 또는 상이한 세팅으로 수집된 영상들을 분석하는 데에 사용될 수 있다.
실시예에 있어서, 다중 영상 분할은,
-영상의 표준화,
-ROI로의 다중 영상 분할의 템플릿에 대한 비선형 변환의 적용
을 포함하고, 각 복셀은 공통 기준 프레임에서 ROI로의 다중 영상 분할의 공통 템플릿의 ROI에 할당된다.
상기 비선형 변환은,
-표준화의 역 변환의 계산,
-ROI로의 다중 영상 분할의 템플릿에 대한 역 변환의 적용을 포함한다.
판별값의 결정은, 각 ROI에 대해, 영상 데이터에 관한 여러 개의 상대 파라미터의 계산과 상기 상대 파라미터들의 조합으로부터 판별값의 확립을 포함할 수 있다.
특정한 실시예에 있어서, 상기 판별값의 결정은, 각 ROI에 대해, 상기 복셀의 영상 데이터에 따른 복셀 군의 판별을 포함하고, 상기 복셀 군의 판별은, 예컨대 복셀에 적용되는 확률 모델을 이용하여 수행된다.
상대 파라미터의 계산은 군들 중 하나의 복셀에 대해 수행될 수 있다.
상대 파라미터는 복셀의 다른 군에 관한 복셀의 하나의 군의 상대 중량을 포함할 수 있다.
상대 파라미터는 복셀의 영상 데이터에 관한 통계적 파라미터를 포함할 수 있다.
예컨대, 영상 데이터는 강도 레벨을 포함할 수 있다.
상기 방법은 ROI의 상대 판별값에 관한 적어도 하나의 중요한 ROI의 결정을 더 포함할 수 있다.
상기 영상의 수집, 상기 영상의 다중 영상 분할, 각 ROI에 대한 상대 판별값의 결정은 복수의 대상자의 뇌에 대해 수행될 수 있고, 상대 판별값의 판별력의 평가는 상대 판별값의 통계적 분석에 의해 수행된다.
그러한 방법은 중요한 ROI의 상대 판별값에 따른 영상의 분류를 더 포함할 수 있다.
다른 양태에 있어서, 본 발명은 대상자의 뇌의 영상을 분석하기 위한 컴퓨터 프로그램 제품에 관한 것으로서, 상기 컴퓨터 프로그램 제품은 컴퓨터에 의해 판독 가능한 캐리어에 저장되고, 프로세서가,
-상기 뇌의 뇌 고유 기준 프레임 특성에서 관심 영역(ROI)으로 대상자 뇌의 적어도 3차원 영상을 자동화 방식으로 다중 영상 분할하게 하고,
-각 ROI에 대해, 영상에서 측정된 영상 데이터를 기초로 한 적어도 하나의 판별값을 자동화 방식으로 결정하게 하도록 실시될 수 있는 지시를 포함하며,
상기 영상은 복셀로 샘플링되고, 영상의 각 복셀은 뇌 고유 기준 프레임에서 ROI 중 하나로 할당되며, 상기 영상 데이터는 뇌의 해부학적 또는 기능적 요부를 나타내고, 상기 프로세서가 판별값을 결정하게 하도록 실시될 수 있는 지시는, 프로세서가, 각 ROI에 대해,
-각 복셀에 대해 측정된 영상 데이터를 기초로 한 영상 데이터에 관한 적어도 하나의 상대 파라미터를 계산하게 하고,
-상기 상대 파라미터로부터 판별값을 확립하게 하도록 실시될 수 있어, 각 판별값은 다른 ROI의 판별값에 관하여 상대적이다.
실시예에 있어서, 상기 프로세서가 영상을 다중 영상 분할하게 하도록 실시될 수 있는 지시는, 프로세서가,
-영상을 표준화하게 하고,
-ROI로의 다중 영상 분할의 템플릿에 비선형 변환을 적용하게 하도록 실시될 수 있으며, 각 복셀은 공통의 기준 프레임에서 ROI로의 다중 영상 분할의 공통 템플릿의 ROI에 할당된다.
상기 프로세서가 비선형 변환을 적용하게 하도록 실시될 수 있는 지시는 프로세서가,
-표준화의 역 변환을 계산하게 하고,
-ROI로의 다중 영상 분할의 템플릿에 상기 역 변환을 적용하게 하도록 실시될 수 있다.
상기 프로세서가 판별값을 결정하게 하도록 실시될 수 있는 지시는 프로세서가 각 ROI에 대해 영상 데이터에 관한 여러 개의 상대 파라미터를 계산하게 하고 상기 상대 파라미터들의 조합으로부터 판별값을 확립하게 하도록 실시될 수 있다.
특정한 실시예에 있어서, 프로세서가 판별값을 결정하게 하도록 실시될 수 있는 지시는 프로세서가 각 ROI에 대해 상기 복셀의 영상 데이터에 따른 복셀 군을 판별하게 하도록 실시될 수 있고, 프로세서가 복셀 군을 판별하게 하도록 실시될 수 있는 지시는, 예컨대 프로세서가 복셀에 대해 확률 모델을 적용하게 하도록 실시될 수 있다.
프로세서가 상대 파라미터를 계산하게 하도록 실시될 수 있는 지시는 프로세서가 군들 중 하나의 복셀에 대해 상대 파라미터를 계산하게 하도록 실시될 수 있다.
컴퓨터 프로그램 제품은 프로세서가 ROI의 상대 판별값에 관한 적어도 하나의 중요한 ROI를 결정하게 하도록 실시될 수 있는 지시를 더 포함할 수 있다.
프로세서가 영상을 다중 영상 분할하게 하고 각 ROI에 대해 상대 판별값을 결정하게 하도록 실시될 수 있는 지시는 프로세서가 복수의 대상자의 뇌의 영상에 대해 상기 지시를 실시하게 하고, 컴퓨터 프로그램 제품은 프로세서가 상대 판별값의 통계적 분석에 의해 상대 판별값의 판별력을 평가하게 하도록 실시될 수 있는 지시를 더 포함할 수 있다.
컴퓨터 프로그램 제품은 프로세서가 중요한 ROI의 상대 판별값에 따라 영상을 분류하게 하도록 실시될 수 있는 지시를 더 포함할 수 있다.
또 다른 양태에 따르면, 본 발명은 전술한 방법을 구현하기 위한 장치에 관한 것으로서,
-대상자의 뇌의 적어도 3차원 영상의 수집을 위한 수집 수단과,
-전술한 컴퓨터 프로그램 제품을 저장하는 캐리어와,
-프로세서가 마련되어 있고 상기 캐리어를 판독하기에 적절한 컴퓨터를 포함한다.
본 발명의 다른 목적 및 이점은 이하의 개시로부터 생길 것이다.
대상자 또는 여러 대상자의 뇌를 연구하기 위하여, 예컨대 뇌의 병리학 또는 문제를 판별하기 위하여, 본 발명은 뇌의 영상을 분석하는 개선된 방법을 제안한다.
실제로, 뇌의 영상은 각 영상에 측정되고 병리학 또는 문제의 해부학적 또는 기능적 요부를 나타내는 영상 데이터에 따라 분류될 수 있다. 이어서, 다른 영상으로부터 상기 병리학 또는 문제를 보여주는 영상을 구별할 수 있다. 특정한 실시예에 있어서, 당해 병리학은 알츠하이머병일 수 있고, 영상은 알츠하이머병을 나타내는 영상 데이터를 갖는 것, 경증 인지 장애(MCI)를 나타내는 영상 데이터를 갖는 것 및 건강한 뇌를 나타내는 영상 데이터를 갖는 것을 판별하도록 사용될 수 있다.
본 발명에 따른 방법은 현지화가 뇌 요부 및 상기 뇌 요부의 진화의 연구를 고려해야 한다는 것을 영상 데이터가 보여주는 현지화를 객관적이고 정확한 방식으로 판별하도록 전체 뇌에 대해 분석이 수행되게 한다.
대상자의 뇌의 영상을 분석하는 방법은 연속적으로 수행되는 이하의 단계들을 포함한다.
-대상자의 뇌의 적어도 3차원 영상의 수집,
-상기 영상의 관심 영역(ROI)으로의 다중 영상 분할,
-상기 영상에 대해 측정되는 영상 데이터를 기초로 한 적어도 하나의 판별값의 각 ROI에 대한 자동화 방식의 결정.
뇌의 영상은 임의의 공지된 방식으로 수집될 수 있다. 상기 방법에 사용하기 위한 영상은 유체의 순환 및 확산을 촬상할 수 있는 3차원 또는 4차원의 영상일 수 있다.
예컨대, 영상의 수집은 자기 공명 영상(MRI), 예컨대 해부학적 T1 강조 MRI 또는 T2 강조 MRI를 이용하여 수행될 수 있다. 영상은 또한 혈액 순환에 관한 정보를 제공하는 확산 및 살포 강조 영상 또는 자기 공명 신호 세기가 모세관 혈류 및 혈액 산소화의 변동을 촬상하게 하는 기능적 MRI를 이용하여 수집될 수 있다. 게다가, PET가, 예컨대 포도당 메카니즘이 촬상될 수 있는 영상을 수집하도록 사용될 수 있다. 영상은 또한 물의 운동을 촬상하고 물 운동의 속도와 방향성을 측정하게 하는 확산 텐서 영상(DTI)에 의해 수집될 수 있다. ROI로의 영상의 다중 영상 분할은, 예컨대 적절한 프로그램이 마련된 컴퓨터를 이용하여 자동화 방식으로 수행될 수 있다.
다중 영상 분할의 제1 단계에서, 영상의 표준화, 즉 공통 기준 프레임의 변환이 수행될 수 있는데, 영상은 복셀(voxel)로 샘플링되고, 각 복셀은 관심 대상으로의 다중 영상 분할의 공통 템플릿의 ROI로 할당된다.
ROI로의 다중 영상 분할의 적절한 템플릿의 예로는 공통 MNI(Montreal Neurological Institute) 기준 프레임에서 MNI 단일 대상자로부터 얻어진 116 또는 90개의 ROI의 마스크를 규정하는 초우리오-마조이어("MNI MRI 단일 대상자 뇌의 거시적 해부학적 다중 영상 분할을 이용하여 SPM에서 활성화의 자동 해부학적 라벨링", N. TZOURIO-MAZOYER 등, NeuroImage, 권 15, 273-289, 2002년 1월)의 템플릿이 있다. 상기 마스크는 각 영상이 MNI 기준 프레임에서 표준화되도록, 예컨대 프로그램의 "표준화" 기능을 이용하여 영상에 적용된다.
상기 방법의 정확도를 증가시키기 위하여, 뇌의 뇌 고유 기준 프레임 특성에서 수행된다. 이를 위하여, 표준화 다음에, 다중 영상 분할은 비선형 변환의 적용을 포함할 수 있다. 여기서,
-표준화의 역 변환이 계산된다,
-상기 역 변환은 ROI로의 다중 영상 분할의 템플릿에 적용되므로, 영상의 각 복셀은 뇌 고유 기준 프레임에서 ROI의 하나에 할당된다.
표준화의 변환 중에, 영상에 적용되는 변형장(deformation field)은 컴퓨터에 저장된 다음 프로그램에 의해 역전된다. ROI로의 다중 영상 분할의 템플릿에 대한 역전된 변형장의 적용은 뇌 고유 기준 프레임에서 ROI로의 다중 영상 분할을 제공한다.
이하, 뇌의 해부학적 요부로서 전체 뇌의 각 ROI에서 회백질(grey matter)의 분포가 알츠하이머병의 검출 문맥 내에서 연구되는 해부학적 T1 강조 MRI를 분석하는 방법이 개시된다.
그러나, 영상의 분석에 따라, 본 발명의 개선된 방법을 이용하여 대응하는 영상 데이터로 임의의 다른 해부학적 또는 기능적 요부가 관찰 및 연구될 수 있다 는 것을 유념해야 한다.
특정한 실시예에 있어서, 판별값의 결정은 영상 데이터로서 복셀의 강도 레벨, 특히 회색 강도 레벨을 기초로 할 수 있다.
이어서, 뇌의 영상이 ROI로 다중 영상 분할된 후에, 각 ROI를 위한 판별값은,
-각 복셀에 대해 측정된 강도 레벨을 기초로 한 강도 레벨에 관한 하나의 상대 파라미터 또는 여러 개의 상대 파라미터를 계산하고,
-상대 파라미터로부터 또는 상대 파라미터들의 조합으로부터 판별값을 확립함으로써 결정될 수 있다.
ROI로의 다중 영상 분할 후에 각 ROI에 대해 결정된 판별값은 상대 파라미터의 계산이 전체 뇌의 복셀이 아니라 각 ROI의 복셀에 대해 수행되기 때문에 방법의 정확도를 개선시킨다.
특정한 실시예에 있어서, 판별값의 결정은, 각 ROI에 대해 상기 복셀의 강도 레벨에 따른 복셀의 군의 판별을 포함할 수 있다.
예컨대, 전술한 바와 같이 다중 영상 분할된 T1 강조 MRI에서는, 각 ROI에서 복셀의 강도 레벨의 막대 그래프가 플롯팅될 수 있다. 막대 그래프는 뇌의 3개의 조직에 대응하는 3개의 모드를 보여준다. 복셀의 군을 판별하기 위하여, 복셀에 적용되는 확률 모델이 사용될 수 있다. 적용되는 적절한 확률 모델의 예로는 가우시안의 혼합을 분리시키기 위한 알고리즘이 있다.
Figure 112009076740298-PCT00001
여기서, αi는 가우시안 i에 속하는 복셀의 상대 중량이고,
μi는 가우시안 i의 평균값이며,
σi는 가우시안 i의 표준 편차이다.
이는 3개의 가우시안을 판별하고 뇌의 조직들 중 3개(회백질, 백질 및 뇌척수액)에 대응하는 3개의 가우시안 중 하나에 속하는 확률을 각 ROI의 각 복셀에 할당한다.
그러므로, 회백질, 백질 또는 뇌척수액에 속하는 각 ROI의 복셀이 판별될 수 있다.
더욱이, 각 ROI의 경우, 가우시안의 혼합을 분리하는 알고리즘은 이하의 상대 파라미터를 제공한다.
-복셀의 강도 레벨에 관한 표준 편차와 평균값과 같은 통계적 파라미터,
-복셀의 다른 군에 관한 복셀의 각 군의 상대 중량.
그러나, 수집된 영상의 종류와 관찰된 해부학적 또는 기능적 요부에 따라, ROI의 용적과, 산소, 혈액 또는 물의 각 ROI에서의 순환과 같은 다른 상대 파라미터가 고려될 수 있다.
따라서, 판별값이 ROI를 나타내도록 ROI의 모든 복셀의 강도 레벨을 고려하여 상대 파라미터의 순환과 후속하는 판별값의 결정이 각 ROI에 대해 이루어진다. 상기 결정은 군들 중 하나의 복셀, 특히 회백질의 복셀에 대해 수행될 수 있다.
일례에서, 예컨대 2개의 판별값이 확립될 수 있다.
-백질과 뇌척수액에 관한 회백질의 상대 중량(α)과,
-회백질의 값(
Figure 112009076740298-PCT00002
).
이어서, 상기 상대 판별값의 판별력의 평가가 수행될 수 있다.
이를 위해, 상대 판별값의 통계 분석을 수행하여 상기 판별력을 평가할 수 있도록 복수의 대상자의 뇌에 대해 대상자의 뇌의 영상을 분석하는 전술한 방법이 행해진다.
예컨대, 연구자의 시험을 수행할 수 있다. 각 영역의 경우, 통상적인 해부학적 또는 기능적 요부, 본 경우에 통상적인 회백질 분포를 갖는 제1 대상자, 즉 건강한 대상자와, 문제가 있는 해부학적 또는 기능적 요부, 본 경우에 문제가 있는 회백질 분포를 갖는 제2 대상자, 즉 알츠하이머병을 앓는 대상자에 대해 값 X=
Figure 112009076740298-PCT00003
(또는 값 X=α)의 분포를 얻을 수 있다.
시험 (T)는 이하의 방식으로 정의된다.
Figure 112009076740298-PCT00004
여기서,
Figure 112009076740298-PCT00005
는 제1 대상자 i에 대한 값 X이고,
Figure 112009076740298-PCT00006
는 제1 대상자에 대한 평균값 X이며,
Figure 112009076740298-PCT00007
는 제2 대상자 i에 대한 값 X이고,
Figure 112009076740298-PCT00008
는 제2 대상자에 대한 평균값 X이며,
Figure 112009076740298-PCT00009
,
Figure 112009076740298-PCT00010
,
Figure 112009076740298-PCT00011
은 제1 대상자의 개수이고,
Figure 112009076740298-PCT00012
는 제2 대상자의 개수이다.
각 ROI의 경우, 제1 대상자와 제2 대상자 간에 판별값이 상당히 상이한 임계값이 정의될 수 있다.
용례에 따르면, 방법은 ROI의 상대 판별값에 관한 적어도 하나의 중요한 ROI의 결정과, 중요한 ROI의 상대 판별값에 따른 영상의 예컨대 알고리즘 서포트 벡터 머신(algorithm Support Vector Machine)에 의한 분류를 더 포함할 수 있다.
상기 방법은 각각의 중요한 ROI를 편견없이 고려할 수 있도록 각 ROI를 위해 전체 뇌에 대해 수행된다. 더욱이, 각 ROI의 판별값이 상기 ROI의 각 복셀의 영상 데이터, 특히 강도 레벨을 기초로 하여 결정되고 각 ROI의 판별값이 다른 ROI의 판별값에 관계가 있기 때문에, 영상들의 정확하고 객관적인 분류가 가능하다.
전술한 방법은, 예컨대
-전술한 타입의 뇌의 영상의 수집에 적절한 수집 수단, 특히 T1 강조 MRI와,
-대상자의 뇌의 영상을 분석하기 위한 컴퓨터 프로그램 제품을 저장하는 캐리어와,
-프로세서가 마련되어 있고 상기 캐리어를 판독하기에 적절한 컴퓨터
를 구비하는 장치를 이용하여 자동화 방식으로 수행될 수 있다.
전체 뇌의 각 ROI의 판별값이 상대적이기 때문에, 영상의 수집은 임의의 수집 수단에서 상이한 수집 수단의 세팅으로 수행될 수 있다.
컴퓨터 프로그램 제품은 프로세서가,
-자동화 방식으로 대상자의 뇌의 영상을 상기 뇌의 뇌 고유 기준 프레임 특성에서 관심 영역(ROI)으로 다중 영상 분할하게 하고,
-자동화 방식으로, 각 ROI에 대해 영상에서 측정되는 영상 데이터, 특히 강도 레벨을 기초로 하여 적어도 하나의 판별값, 특히
Figure 112009076740298-PCT00013
또는 α를 결정하게 하도록 실시할 수 있는 지시를 포함하고, 상기 강도 레벨은 뇌에서 회백질의 분포를 나타내며, 각 판별값은 다른 ROI의 판별값에 관하여 상대적이다.
전술한 바와 같이, 프로세서가 영상을 다중 영상 분할하게 하도록 실시할 수 있는 지시는 프로세서가,
-영상을 표준화하게 하고(상기 영상은 복셀로 샘플링되며, 각 복셀은 공통의 MNI 기준 프레임에서 MNI 단일 대상자의 ROI로의 다중 영상 분할의 공통 템플릿의 ROI로 할당됨),
-비선형 변환을 적용하게 하며, 특히
-표준화의 역 변환을 계산하게 하고,
-상기 역 변환을 ROI로의 다중 영상 분할의 템플릿에 적용하게 하도록 실시될 수 있는데, 영상의 각 복셀은 뇌 고유 기준 프레임에서 ROI 중 하나에 할당된 다.
게다가, 프로세서가 판별값을 결정하게 하도록 실시될 수 있는 지시는 프로세서가,
-각 복셀에 대해 측정된 회백 강도 레벨, 예컨대 각 ROI에서 회백질의 상대 중량, 각 ROI의 복셀의 강도 레벨의 표준 편차 및 평균값을 기초로 하여 영상 데이터에 관한 하나 또는 여러 개의 상대 파라미터를 계산하게 하고,
-상기 상대 파라미터 또는 상기 상대 파라미터들의 조합으로부터 판별값을 확립하게 실시될 수 있으며,
-필요한 경우에, 프로세서가 각 ROI에 대해, 예컨대 가우시안 혼합을 분리하기 위한 알고리즘을 적용함으로써, 복셀 군, 특히 상기 복셀의 강도 레벨에 따라 회백질, 백질 또는 뇌척수액에 속하는 복셀 군을 판별하게 하도록 실시될 수 있다.
전술한 실시예에 따르면, 프로세서가 상대 파라미터를 계산하게 하도록 실시될 수 있는 지시는 프로세서가 회백질의 복셀을 위한 상대 파라미터를 계산하게 하도록 실시될 수 있다.
컴퓨터 프로그램 제품은 ROI의 상대 판별값에 관한 적어도 하나의 중요한 ROI를 결정하는 지시를 더 포함할 수 있다.
프로세서가 영상을 다중 영상 분할하게 하고 각 ROI에 대해 상대 판별값을 결정하게 하도록 실시될 수 있는 지시는 전술한 바와 같이 컴퓨터 프로그램 제품이 프로세서가 상대 판별값의 판별력을 평가하게 하도록 실시될 수 있는 지시를 더 포함하도록 프로세서가 복수의 대상자의 뇌의 영상을 위한 지시를 실시하게 할 수 있 다.
컴퓨터 프로그램 제품은 프로세서가 중요한 ROI의 상대 판별값에 따라 영상을 분류하게 하는 지시를 포함할 수 있다.
컴퓨터 프로그램 제품을 이용하는 전술한 장치는 중요한 ROI의 선택의 객관성과 다중 영상 분할의 정확도와 판별값 결정의 정확도를 개선시켜 뇌의 요부의 개선된 표시를 제공한다.

Claims (24)

  1. 대상자의 뇌의 영상을 분석하는 방법으로서,
    -대상자의 뇌의 적어도 3차원 영상의 수집,
    -상기 뇌의 뇌 고유 기준 프레임 특성에서 관심 대상(ROI)으로 상기 영상의 자동화 방식의 다중 영상 분할,
    -각 ROI에 대해, 영상에서 측정한 영상 데이터를 기초로 한 적어도 하나의 판별값의 자동화 방식의 결정
    을 포함하고, 상기 영상은 복셀로 샘플링되며, 각 복셀은 뇌 고유 기준 프레임에서 ROI 중 하나에 할당되고, 상기 영상 데이터는 뇌의 해부학적 또는 기능적 요부를 나타내며, 상기 판별값의 결정은, 각 ROI에 대해,
    -각 복셀에 대해 측정된 영상 데이터를 기초로 한 영상 데이터에 관한 적어도 하나의 상대 파라미터의 계산,
    -상기 상대 파라미터로부터 판별값의 확립을 포함하여, 각 판별값은 다른 ROI의 판별값에 관하여 상대적인 것인 대상자의 뇌의 영상을 분석하는 방법.
  2. 제1항에 있어서, 상기 다중 영상 분할은,
    -영상의 표준화,
    -ROI로의 다중 영상 분할의 템플릿에 대한 비선형 변환의 적용
    을 포함하고, 각 복셀은 공통 기준 프레임에서 ROI로의 다중 영상 분할의 공 통 템플릿의 ROI에 할당되는 것인 대상자의 뇌의 영상을 분석하는 방법.
  3. 제2항에 있어서, 상기 비선형 변환은,
    -표준화의 역 변환의 계산,
    -ROI로의 다중 영상 분할의 템플릿에 대한 역 변환의 적용을 포함하는 것인 대상자의 뇌의 영상을 분석하는 방법.
  4. 제1항 내지 제3항 중 어느 한 항에 있어서, 상기 판별값의 결정은, 각 ROI에 대해, 영상 데이터에 관한 여러 개의 상대 파라미터의 계산과 상기 상대 파라미터들의 조합으로부터 판별값의 확립을 포함하는 것인 대상자의 뇌의 영상을 분석하는 방법.
  5. 제1항 내지 제4항 중 어느 한 항에 있어서, 상기 판별값의 결정은, 각 ROI에 대해, 상기 복셀의 영상 데이터에 따른 복셀 군의 판별을 포함하는 것인 대상자의 뇌의 영상을 분석하는 방법.
  6. 제5항에 있어서, 상기 복셀 군의 판별은 복셀에 적용되는 확률 모델을 이용하여 수행되는 것인 대상자의 뇌의 영상을 분석하는 방법.
  7. 제5항 또는 제6항에 있어서, 상기 상대 파라미터의 계산은 군들 중 하나의 복셀에 대해 수행되는 것인 대상자의 뇌의 영상을 분석하는 방법.
  8. 제5항 내지 제7항 중 어느 한 항에 있어서, 상기 상대 파라미터는 복셀의 다른 군에 관한 복셀의 하나의 군의 상대 중량을 포함하는 것인 대상자의 뇌의 영상을 분석하는 방법.
  9. 제1항 내지 제8항 중 어느 한 항에 있어서, 상기 상대 파라미터는 복셀의 영상 데이터에 관한 통계적 파라미터를 포함하는 것인 대상자의 뇌의 영상을 분석하는 방법.
  10. 제1항 내지 제9항 중 어느 한 항에 있어서, 상기 영상 데이터는 강도 레벨을 포함하는 것인 대상자의 뇌의 영상을 분석하는 방법.
  11. 제1항 내지 제10항 중 어느 한 항에 있어서, ROI의 상대 판별값에 관한 적어도 하나의 중요한 ROI의 결정을 더 포함하는 대상자의 뇌의 영상을 분석하는 방법.
  12. 제11항에 있어서, 상기 영상의 수집, 상기 영상의 다중 영상 분할, 각 ROI에 대한 상대 판별값의 결정은 복수의 대상자의 뇌에 대해 수행되고, 상대 판별값의 판별력의 평가는 상대 판별값의 통계적 분석에 의해 수행되는 것인 대상자의 뇌의 영상을 분석하는 방법.
  13. 제12항에 있어서, 상기 중요한 ROI의 상대 판별값에 따른 영상의 분류를 더 포함하는 대상자의 뇌의 영상을 분석하는 방법.
  14. 대상자의 뇌의 영상을 분석하기 위한 컴퓨터 프로그램 제품으로서, 상기 컴퓨터 프로그램 제품은 컴퓨터에 의해 판독 가능한 캐리어에 저장되고, 프로세서가,
    -상기 뇌의 뇌 고유 기준 프레임 특성에서 관심 영역(ROI)으로 대상자 뇌의 적어도 3차원 영상을 자동화 방식으로 다중 영상 분할하게 하고,
    -각 ROI에 대해, 영상에서 측정된 영상 데이터를 기초로 한 적어도 하나의 판별값을 자동화 방식으로 결정하게 하도록 실시될 수 있는 지시를 포함하며,
    상기 영상은 복셀로 샘플링되고, 영상의 각 복셀은 뇌 고유 기준 프레임에서 ROI 중 하나로 할당되며, 상기 영상 데이터는 뇌의 해부학적 또는 기능적 요부를 나타내고, 상기 프로세서가 판별값을 결정하게 하도록 실시될 수 있는 지시는, 프로세서가, 각 ROI에 대해,
    -각 복셀에 대해 측정된 영상 데이터를 기초로 한 영상 데이터에 관한 적어도 하나의 상대 파라미터를 계산하게 하고,
    -상기 상대 파라미터로부터 판별값을 확립하게 하도록 실시될 수 있어, 각 판별값은 다른 ROI의 판별값에 관하여 상대적인 것인 컴퓨터 프로그램 제품.
  15. 제14항에 있어서, 상기 프로세서가 영상을 다중 영상 분할하게 하도록 실시 될 수 있는 지시는, 프로세서가,
    -영상을 표준화하게 하고,
    -ROI로의 다중 영상 분할의 템플릿에 비선형 변환을 적용하게 하도록 실시될 수 있으며, 각 복셀은 공통의 기준 프레임에서 ROI로의 다중 영상 분할의 공통 템플릿의 ROI에 할당되는 것인 컴퓨터 프로그램 제품.
  16. 제15항에 있어서, 상기 프로세서가 비선형 변환을 적용하게 하도록 실시될 수 있는 지시는 프로세서가,
    -표준화의 역 변환을 계산하게 하고,
    -ROI로의 다중 영상 분할의 템플릿에 상기 역 변환을 적용하게 하도록 실시될 수 있는 것인 컴퓨터 프로그램 제품.
  17. 제14항 내지 제16항 중 어느 한 항에 있어서, 상기 프로세서가 판별값을 결정하게 하도록 실시될 수 있는 지시는 프로세서가 각 ROI에 대해 영상 데이터에 관한 여러 개의 상대 파라미터를 계산하게 하고 상기 상대 파라미터들의 조합으로부터 판별값을 확립하게 하도록 실시될 수 있는 것인 컴퓨터 프로그램 제품.
  18. 제14항 내지 제17항 중 어느 한 항에 있어서, 상기 프로세서가 판별값을 결정하게 하도록 실시될 수 있는 지시는 프로세서가 각 ROI에 대해 상기 복셀의 영상 데이터에 따른 복셀 군을 판별하게 하도록 실시될 수 있는 것인 컴퓨터 프로그램 제품.
  19. 제18항에 있어서, 상기 프로세서가 복셀 군을 판별하게 하도록 실시될 수 있는 지시는 프로세서가 복셀에 대해 확률 모델을 적용하게 하도록 실시될 수 있는 것인 컴퓨터 프로그램 제품.
  20. 제18항 또는 제19항에 있어서, 상기 프로세서가 상대 파라미터를 계산하게 하도록 실시될 수 있는 지시는 프로세서가 군들 중 하나의 복셀에 대해 상대 파라미터를 계산하게 하도록 실시될 수 있는 것인 컴퓨터 프로그램 제품.
  21. 제14항 내지 제20항 중 어느 한 항에 있어서, 프로세서가 ROI의 상대 판별값에 관한 적어도 하나의 중요한 ROI를 결정하게 하도록 실시될 수 있는 지시를 더 포함하는 것인 컴퓨터 프로그램 제품.
  22. 제21항에 있어서, 프로세서가 영상을 다중 영상 분할하게 하고 각 ROI에 대해 상대 판별값을 결정하게 하도록 실시될 수 있는 지시는 프로세서가 복수의 대상자의 뇌의 영상에 대해 상기 지시를 실시하게 하고, 상기 컴퓨터 프로그램 제품은 프로세서가 상대 판별값의 통계적 분석에 의해 상대 판별값의 판별력을 평가하게 하도록 실시될 수 있는 지시를 더 포함하는 것인 컴퓨터 프로그램 제품.
  23. 제22항에 있어서, 프로세서가 중요한 ROI의 상대 판별값에 따라 영상을 분류하게 하도록 실시될 수 있는 지시를 더 포함하는 것인 컴퓨터 프로그램 제품.
  24. 제1항 내지 제13항 중 어느 한 항에 따른 방법을 구현하기 위한 장치로서,
    -대상자의 뇌의 적어도 3차원 영상의 수집을 위한 수집 수단과,
    -제14항 내지 제23항 중 어느 한 항에 따른 컴퓨터 프로그램 제품을 저장하는 캐리어와,
    -프로세서가 마련되어 있고 상기 캐리어를 판독하기에 적절한 컴퓨터
    를 포함하는 장치.
KR1020097025987A 2007-05-11 2008-05-06 대상자의 뇌의 영상을 분석하는 방법, 그러한 영상을 분석하는 컴퓨터 프로그램 제품 및 상기 방법을 구현하기 위한 장치 KR20100028035A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP07290604.3 2007-05-11
EP07290604A EP1990768A1 (en) 2007-05-11 2007-05-11 Method for analysing an image of the brain of a subject, computer program product for analysing such image and apparatus for implementing the method

Publications (1)

Publication Number Publication Date
KR20100028035A true KR20100028035A (ko) 2010-03-11

Family

ID=38283955

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020097025987A KR20100028035A (ko) 2007-05-11 2008-05-06 대상자의 뇌의 영상을 분석하는 방법, 그러한 영상을 분석하는 컴퓨터 프로그램 제품 및 상기 방법을 구현하기 위한 장치

Country Status (13)

Country Link
US (1) US20100303318A1 (ko)
EP (2) EP1990768A1 (ko)
JP (1) JP2010526572A (ko)
KR (1) KR20100028035A (ko)
CN (1) CN101681508A (ko)
AU (1) AU2008250398A1 (ko)
BR (1) BRPI0811464A2 (ko)
CA (1) CA2686781A1 (ko)
IL (1) IL202017A0 (ko)
MA (1) MA31395B1 (ko)
MX (1) MX2009012172A (ko)
TN (1) TN2009000467A1 (ko)
WO (1) WO2008138810A1 (ko)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8131770B2 (en) * 2009-01-30 2012-03-06 Nvidia Corporation System, method, and computer program product for importance sampling of partitioned domains
EP2518690A1 (en) 2011-04-28 2012-10-31 Koninklijke Philips Electronics N.V. Medical image processing system and method
JP2015510408A (ja) * 2011-12-30 2015-04-09 ザ・ジョンズ・ホプキンス・ユニバーシティー バイオイメージンググリッド
US9563950B2 (en) 2013-03-20 2017-02-07 Cornell University Methods and tools for analyzing brain images
EP3017400B1 (en) * 2013-07-02 2019-05-15 Surgical Information Sciences Inc. Method and system for a brain image pipeline and brain image region location and shape prediction
US9275457B1 (en) 2014-08-28 2016-03-01 International Business Machines Corporation Real-time subject-driven functional connectivity analysis
US10545211B2 (en) * 2017-06-28 2020-01-28 Synaptive Medical (Barbados) Inc. Method of correcting gradient nonuniformity in gradient motion sensitive imaging applications
US11055849B2 (en) * 2019-10-18 2021-07-06 Omniscient Neurotechnology Pty Limited Processing of brain image data to assign voxels to parcellations
CN111429457B (zh) * 2020-06-03 2020-09-11 中国人民解放军总医院 图像局部区域亮度智能评价方法、装置、设备及介质
WO2023168437A2 (en) * 2022-03-03 2023-09-07 Magnus Medical, Inc. Methods and systems for identification of treatment targets

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6385479B1 (en) * 1999-03-31 2002-05-07 Science & Technology Corporation @ Unm Method for determining activity in the central nervous system
US20050215889A1 (en) * 2004-03-29 2005-09-29 The Board of Supervisory of Louisiana State University Methods for using pet measured metabolism to determine cognitive impairment
US7751602B2 (en) * 2004-11-18 2010-07-06 Mcgill University Systems and methods of classification utilizing intensity and spatial data
JP4824321B2 (ja) * 2005-01-28 2011-11-30 富士フイルムＲｉファーマ株式会社 画像データの解析システム、方法及びコンピュータプログラム
JP5366356B2 (ja) * 2005-04-15 2013-12-11 株式会社東芝 医用画像処理装置及び医用画像処理方法
US7903849B2 (en) * 2005-04-15 2011-03-08 Kabushiki Kaisha Toshiba Medical image processing apparatus
US20090279778A1 (en) * 2006-06-23 2009-11-12 Koninklijke Philips Electronics N.V. Method, a system and a computer program for determining a threshold in an image comprising image values

Also Published As

Publication number Publication date
JP2010526572A (ja) 2010-08-05
AU2008250398A1 (en) 2008-11-20
MA31395B1 (fr) 2010-05-03
CA2686781A1 (en) 2008-11-20
IL202017A0 (en) 2010-06-16
EP1990768A1 (en) 2008-11-12
EP2145314B1 (en) 2015-07-22
WO2008138810A1 (en) 2008-11-20
BRPI0811464A2 (pt) 2014-11-04
MX2009012172A (es) 2010-04-12
US20100303318A1 (en) 2010-12-02
CN101681508A (zh) 2010-03-24
TN2009000467A1 (en) 2011-03-31
EP2145314A1 (en) 2010-01-20

Similar Documents

Publication Publication Date Title
KR20100028035A (ko) 대상자의 뇌의 영상을 분석하는 방법, 그러한 영상을 분석하는 컴퓨터 프로그램 제품 및 상기 방법을 구현하기 위한 장치
US10952613B2 (en) Stroke diagnosis and prognosis prediction method and system
Lladó et al. Segmentation of multiple sclerosis lesions in brain MRI: a review of automated approaches
US8111897B2 (en) Evaluation system, evaluation method, and recording medium
JP5699936B2 (ja) 医用画像処理装置の作動方法、装置およびプログラム
EP2647335B1 (en) Medical image processing device
KR20190105452A (ko) 딥러닝 기반 뇌 질환 진단 방법
CN107567631B (zh) 组织样品分析技术
CN110189293A (zh) 细胞图像处理方法、装置、存储介质及计算机设备
CN112927187A (zh) —种自动识别定位局灶性皮质发育不良癫痫病灶的方法
JP2023547169A (ja) 多重化免疫蛍光画像における自己蛍光アーチファクトの識別
CN111598864B (zh) 一种基于多模态影像贡献度融合的肝细胞癌分化评估方法
JP2006507579A (ja) 核多形性の組織学的評価
Somasundaram et al. Brain extraction method for T1-weighted magnetic resonance scans
Supriyanti et al. Coronal slice segmentation using a watershed method for early identification of people with Alzheimer's
CN114862799B (zh) 一种用于flair-mri序列的全自动脑体积分割方法
CN109242816B (zh) 基于静息态脑功能对侧定位的脑胶质瘤病理级别影像学辅助判定方法
CN115602311A (zh) 基于胶原纤维多元参量分析的胰腺癌辅助检查工具
CN114847922A (zh) 一种基于纤维束自动识别的脑年龄预测方法
Qu et al. Positive unanimous voting algorithm for focal cortical dysplasia detection on magnetic resonance image
US20230343077A1 (en) Method and system for automated central vein sign assessment
Ling et al. Combining Structural with Metabolic Networkbased on PET/MR Imaging to Classify AD Continuum
EP3709262A1 (en) Correlated image analysis for 3d biopsy
CN118014945A (zh) 一种动态超声造影图像识别方法、装置、设备和介质
WO2017010864A1 (en) Apparatus, system and method for assisting in providing a diagnosis of a medical condition of a mammal brain as well a computer readable medium comprising a program for carrying out the method

Legal Events

Date Code Title Description
WITN Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid