KR20150073542A - 영상 분석 장치, 및 장치를 이용하여 영상을 분석하는 방법 - Google Patents

영상 분석 장치, 및 장치를 이용하여 영상을 분석하는 방법 Download PDF

Info

Publication number
KR20150073542A
KR20150073542A KR1020130161358A KR20130161358A KR20150073542A KR 20150073542 A KR20150073542 A KR 20150073542A KR 1020130161358 A KR1020130161358 A KR 1020130161358A KR 20130161358 A KR20130161358 A KR 20130161358A KR 20150073542 A KR20150073542 A KR 20150073542A
Authority
KR
South Korea
Prior art keywords
mrsi
data
target
voxel
image
Prior art date
Application number
KR1020130161358A
Other languages
English (en)
Inventor
김지은
이선호
류영욱
Original Assignee
이화여자대학교 산학협력단
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 이화여자대학교 산학협력단 filed Critical 이화여자대학교 산학협력단
Priority to KR1020130161358A priority Critical patent/KR20150073542A/ko
Publication of KR20150073542A publication Critical patent/KR20150073542A/ko

Links

Images

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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling

Landscapes

  • Engineering & 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

타겟으로 전송한 고주파와 대응하는 자기공명신호를 수신하고, 상기 자기공명신호에 기초하여 영상을 분석하는 영상 분석 장치가 개시된다. 일 실시예에 따르면, 영상 분석 장치는 상기 자기공명신호를 기초로 제1 구조 영상 데이터, 및 제1 자기 공명 분광 영상(Magnetic Resonance Spectroscopic Imaging, MRSI) 데이터를 생성하고, 상기 제1 구조 영상 데이터, 및 표준 영상 데이터를 기초로 생성된 변환맵을 상기 제1 구조 영상 데이터, 및 상기 제1 MRSI 데이터에 적용하여 제2 구조 영상 데이터, 및 제2 MRSI 데이터를 생성하는 프로세서, 및 상기 제2 구조 영상 데이터, 및 상기 제2 MRSI 데이터를 디스플레이에 표시하는 출력부를 포함한다.

Description

영상 분석 장치, 및 장치를 이용하여 영상을 분석하는 방법{DEVICE OF ANALYZING IMAGE, AND METHOD OF ANALYZING IMAGE USING THE DEVICE}
아래 실시예들은 영상 분석 장치 및 이를 이용한 영상 분석 방법에 대한 것으로 보다 상세하게는 다복셀 뇌자기공명분광 영상 데이터 분석 장치, 및 장치를 이용하여 이 영상을 분석하는 방법에 관한 것이다. 보다 구체적으로, MRI 기기를 이용하여 획득한 환자의 뇌 구조 영상을 분석하고 이를 이용하여, 다복셀 뇌자기공명분광 영상을 분석하며, 정상인의 뇌 다복셀 뇌자기공명분광 영상과 정신·신경학적 질병을 가진 환자의 뇌 다복셀 뇌자기공명분광 영상을 비교하는 기술에 관한 것이다.
오늘날 의료 분야에서 인체 내부 기관의 진단을 위하여 자기공명영상(Magnetic Resonance Imaging, MRI) 기술이 널리 사용되고 있다. MRI 기술은 자기장이 발생하는 커다란 자석통 속에 인체가 들어가고, 발생되는 고주파가 환자의 신체에 있는 수소원자핵을 공명시켜 각 조직에서 나오는 신호의 차이를 측정하여 컴퓨터를 통해 재구성하고, 영상화하는 기술로 요약될 수 있다. 자석으로 구성된 장치가 인체에 고주파를 전송하면 인체 내의 양자들로부터 자기공명신호(Magnetic Resonant Signal)가 발생하고, 이 신호를 수신하여 디지털 정보로 변환하고 영상화할 수 있다.
자기공명영상 검사는 X선을 이용한 검사인 단순 X선 촬영이나 컴퓨터 단층촬영(Computed Tomography, CT)과는 달리 비전리 방사선인 고주파를 이용하므로, 인체에는 거의 무해한 것으로 알려져 있다. 인체에 해가 없는 자기장과 비전리 방사선인 라디오 고주파를 이용해 조영제 없이도 CT에 비해 체내 연부조직의 대조도가 뛰어나며 수소원자핵 등을 함유한 조직의 생화학적 특성에 관한 정보를 얻을 수 있다. 인체를 단면으로 보여준다는 점에서는 CT와 유사하다. CT는 인체를 가로로 자른 모양인 횡단면 영상을 주로 얻을 수 있지만, MRI는 환자의 자세 변화 없이 원하는 방향에 따라 인체에 대해 횡축 방향, 세로축 방향, 사선 방향 등의 영상을 자유롭게 얻을 수 있다.
실시예들은 개인마다 뇌의 크기, 및 모양이 달라 개인 간의 뇌 다복셀 자기공명분광 영상을 직접적으로 비교할 수 없는 어려움을 극복할 수 있다.
또한, 실시예들은 뇌 영상 데이터를 이용하여 뇌의 특정 부위에서 발생하는 대사물질의 값을 시각적으로 제공할 수 있다.
일 측에 따른 타겟으로 전송한 고주파와 대응하는 자기공명신호를 수신하고, 상기 자기공명신호에 기초하여 영상을 분석하는 영상 분석 장치는 상기 자기공명신호를 기초로 제1 구조 영상 데이터, 및 제1 다복셀 자기 공명 분광 영상(Multi-voxel Magnetic Resonance Spectroscopic Imaging, MRSI) 데이터를 생성하고, 상기 제1 구조 영상 데이터, 및 표준 영상 데이터를 기초로 변환맵을 생성하고, 상기 생성된 변환맵을 상기 제1 구조 영상 데이터, 및 상기 제1 MRSI 데이터에 적용하여 제2 구조 영상 데이터, 및 제2 MRSI 데이터를 생성하는 프로세서; 및 상기 제2 구조 영상 데이터, 및 상기 제2 MRSI 데이터를 디스플레이에 표시하는 출력부를 포함한다.
이 때, 상기 프로세서는, 상기 제2 MRSI 데이터와 연관된 복수의 MRSI 복셀들(voxels)을 상기 타겟과 다른 제2 타켓의 복수의 MRSI 복셀들과 다중 비교(multiple comparison), 및 다중 비교 정정(multiple comparison correction)을 수행할 수 있다.
또한, 상기 프로세서는, 상기 제2 MRSI 데이터와 연관된 복수의 MRSI 복셀들과 대응하는 상기 타겟의 대사물질의 값이 있는지 여부를 확인하고, 상기 확인 결과 상기 대사물질의 값이 없는 경우, 다중 대치(multiple imputation)를 이용하여 상기 대사물질의 값을 생성하거나 상기 타겟의 대사물질의 값이 없도록 유지할 수 있다.
다른 일 측에 따른 서로 다른 그룹에 속하는 제1 타겟, 및 제2 타겟의 영상을 분석하는 장치는 상기 제1 타겟으로부터 획득한 제1 MRSI 데이터를 저장하는 제1 메모리; 제2 MRSI 데이터와 연관된 MRSI 복셀과 대응하는 상기 제1 타겟의 대사물질 농도(metabolite concentration)를 저장하는 제2 메모리; 및 상기 제1 MRSI 데이터에 변환맵을 적용하여, 상기 제2 MRSI 데이터를 생성하고, 상기 제1 타겟의 대사물질 농도와 상기 제2 타겟의 대사물질 농도를 비교하여, 상호간의 농도 차이를 확인하는 프로세서를 포함한다.
이 때, 상기 프로세서는, 상기 농도 차이가 미리 정해진 통계적 기준, 또는 수치적 기준 이상인 경우, 상기 제1 타겟 및 상기 제2 타겟 내에서 상기 농도 차이가 발생하는 영역을 디스플레이에 표시할 수 있다.
일 측에 따른 타겟으로 전송한 고주파와 대응하는 자기공명신호를 수신하고, 상기 자기공명신호에 기초하여 영상을 분석하는 영상 분석 장치의 영상을 분석하는 방법은 상기 자기공명신호를 기초로 제1 구조 영상 데이터, 및 제1 MRSI 데이터를 생성하는 단계; 상기 제1 구조 영상 데이터, 및 표준 영상 데이터를 기초로 변환맵을 생성하고, 상기 생성된 변환맵을 상기 제1 구조 영상 데이터, 및 상기 제1 MRSI 데이터에 적용하여 제2 구조 영상 데이터, 및 제2 MRSI 데이터를 생성하는 단계; 및 상기 제2 구조 영상 데이터, 및 상기 제2 MRSI 데이터를 디스플레이에 표시하는 단계를 포함한다.
이 때, 상기 변환맵은, 선형맵과 비선형맵으로 구성되고, 상기 선형맵은, 상기 표준 영상 데이터와 연관된 표준 영상 복셀의 좌표와 상기 제1 구조 영상 데이터와 연관된 제1 구조 영상 복셀의 좌표 간의 에러 함수의 최소값을 기초로 생성되고, 상기 비선형맵은, 상기 에러 함수의 최소값, 및 상기 표준 영상 복셀의 좌표와 상기 제1 구조 영상 복셀의 좌표 간의 비선형 변형(non-linear deformation)을 기초로 생성될 수 있다.
다른 일 측에 따른 서로 다른 그룹에 속하는 제1 타겟, 및 제2 타겟의 영상을 분석하는 장치의 영상 분석 방법은 제1 타겟으로부터 획득한 제1 자기 공명 분광 영상(Magnetic Resonance Spectroscopic Imaging, MRSI) 데이터에 변환맵을 적용하여, 제2 MRSI 데이터를 생성하는 단계; 상기 제2 MRSI 데이터와 연관된 MRSI 복셀과 대응하는 상기 제1 타겟의 대사물질 농도(metabolite concentration)를 저장하는 단계; 및 상기 제1 타겟의 대사물질 농도와 제2 타겟의 대사물질 농도를 비교하여, 상호간의 농도 차이를 확인하는 단계를 포함한다.
본 발명에 따르면, MRI 기기를 통해 얻은 MRSI 데이터를 표준화 과정을 거쳐서 개인의 뇌의 구조, 크기, 및 모양이 달라도 표준화된 MRSI 데이터를 직접적으로 비교할 수 있다.
본 발명에 따르면, 정상인의 뇌와 환자의 뇌에서 발생하는 신경학적 물질의 농도 차이를 시각적으로 확인할 수 있어, 정상인의 뇌와 환자 사이의 뇌를 쉽게 비교할 수 있다.
본 발명에 따르면, 정상인의 뇌 전체 영상과 환자의 뇌 전체 영상을 서로 비교할 수 있고, 비교할 복셀을 수기로 선택하는 대신에 자동으로 서로 대응되는 복셀을 지정하게 되어 복셀 간의 비교를 용이하게 할 수 있다.
도 1은 일 실시예에 따른 영상 분석 장치의 구성을 설명하기 위한 블록도이다.
도 2는 일 실시예에 따른 뇌의 구조 영상을 조직 별로 분류한 영상을 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 뇌 구조 영상, 및 MRSI를 설명하기 위한 도면이다.
도 4는 다른 실시예에 따른 영상 분석 장치의 구성을 설명하기 위한 블록도이다.
도 5는 다른 실시예에 따른 영상 분석 장치를 통해 분석된 뇌 구조 영상을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 영상 분석 방법을 설명하기 위한 순서도이다.
도 7은 다른 실시예에 따른 영상 분석 방법을 설명하기 위한 순서도이다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 본 발명이 일 실시예들에 의해 제한되거나 한정되는 것은 아니다. 또한, 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
일 실시예로서, 본 발명에 따른 영상 분석 장치는 독립된 기기로(standalone device) 제조되거나 또는 자기공명영상(Magnetic Resonance Imaging, MRI) 장치와 같은 영상 촬영 장치에 임베디드된(내장된) 형태로 구현될 수 있다.
일 실시예로서, 본 발명에 따른 영상 분석 장치는 독립된 기기로서, 영상 촬영 장치(예를 들어, MRI 기기)로부터 촬영된 영상을 통신망을 통해 수신하여, 영상을 분석할 수 있다.
도 1은 일 실시예에 따른 타겟으로 전송한 고주파와 대응하는 자기공명신호를 수신하고, 상기 자기공명신호에 기초하여 영상을 분석하는 영상 분석 장치의 구성을 설명하기 위한 블록도이다. 타겟은 인체는 물론 동물 등 다른 생명체가 될 수 있다.
도 1을 참조하면, 일 실시예에 따른 영상 분석 장치(100)는 프로세서(110), 및 출력부(120)를 포함한다.
프로세서(110)는 자기공명신호를 기초로 제1 구조 영상 데이터, 및 제1 자기 공명 분광 영상(Magnetic Resonance Spectroscopic Imaging, MRSI) 데이터를 생성할 수 있다. 구조 영상은 T1 강조 영상(이하, T1 영상), 및 T2 강조 영상(이하, T2 영상)을 포함할 수 있다. T1 영상은 신호 강도의 차이를 강조한 영상으로 조직 간의 T1이 서로 달라 상기 신호 강도의 차이가 나타날 수 있다. T1은 종축이완시간(longitudinal relaxation time)으로 고주파를 가한 후 원래의 축으로 돌아가는데 걸리는 시간이다. 타겟에 고주파를 반복해서 가하는 시간 사이의 간격인 반복 시간이 짧을수록 신호 강도의 차이가 강조되어 나타난다. T1 영상에서 물은 검정색으로 나타나고, 이는 신호 강도가 낮은 것을 의미한다. T1 영상에서 지방이나 단백질은 회색 또는 흰색으로 나타나고, 이는 신호 강도가 물에 비해 높음을 의미한다. T1 영상에서 지방이나 단백질은 농도의 차이에 따라 신호 강도의 차이가 다를 수 있다.
T2 영상은 T1 영상과 같이 신호 강도의 차이를 강조한 영상으로 조직 간의 T2가 서로 달라 상기 신호 강도의 차이가 나타날 수 있다. T2는 횡축이완시간(transverse relaxation time)으로 타겟에 고주파를 가한 후 수소 원자들이 서로 부딪치면서 원래의 축과는 다른 방향으로 돌아가는데 걸리는 시간이다. T2 영상은 T1 영상과 달리 반복 시간이 길수록 신호 강도의 차이가 강조되어 나타난다. T2 영상에서 물이 흰색으로 나타나고, 지방이나 단백질이 회색 또는 검정색으로 나타난다.
MRSI는 자기공명분광(Magnetic Resonance Spectroscopy, MRS)과 자기공명영상 (Magnetic Resonance Imaging, MRI)의 결합으로 볼 수 있다. 즉, MRSI는 MRS 복셀을 하나의 단위로 하여, MRI를 획득하듯 다복셀에 대하여 여러 개의 MRS 스펙트럼 데이터를 획득한다. MRSI는 뇌종양을 포함한 신경질환의 대사정보(metabolic information)를 비침습적으로 알아볼 수 있는 방법이다. MRSI를 통해 N-아세틸아스팔테이트(N-acetylaspartate, NAA), 크레아틴/포스포크레아틴(Creatine/Phosphocreatine, Cr), 및 마오이노시틀(Myoinositols, Ins)과 같은 대사물질을 측정할 수 있다. MRSI 복셀은 이 외에도 ATP, pH 등 다양한 물질에 대한 정보를 포함할 수 있다. 복셀(voxel)은 2차원 영상에서의 기본단위인 픽셀(pixel)처럼 3차원 영상에서의 기본단위이고, 특정 값을 가지고 있다. MRSI 복셀은 다복셀 자기공명분광영상의 기본단위이다.
또한, 프로세서(110)는 제1 구조 영상 데이터, 및 표준 영상 데이터를 기초로 변환맵을 생성할 수 있다. 프로세서(110)는 생성된 변환맵을 제1 구조 영상 데이터, 및 제1 MRSI 데이터에 적용하여 제2 구조 영상 데이터, 및 제2 MRSI 데이터를 생성할 수 있다. 즉, 제1 구조 영상 데이터에 변환맵을 적용함으로써 제2 구조 영상 데이터가 생성될 수 있고, 제1 MRSI 데이터에 변환맵을 적용함으로써 제2 MRSI 데이터가 생성될 수 있다. 표준 영상 데이터는 통계적인 데이터로, 예를 들어, 남성 100명의 뇌의 구조 영상 데이터의 평균일 수 있다. 변환맵이 계산될 때, 개인의 제1 구조 영상 이미지가 사용되기 때문에, 변환맵은 타겟별로 고유할 수 있다.
출력부(120)는 제2 구조 영상 데이터, 및 제2 MRSI 데이터를 디스플레이(130)에 표시할 수 있다.
일 실시예에 따르면, 변환맵은 선형맵과 비선형맵으로 구성되는데, 선형맵은 수학식 1에 따라 결정될 수 있다.
[수학식 1]
수학식 1은 y=Mx로 간략히 표현될 수 있는데, M이 선형맵을 나타낸다.
Figure pat00002
은 제1 구조 영상 데이터와 연관된 제1 구조 영상 복셀의 좌표이고,
Figure pat00003
은 표준 영상 데이터와 연관된 표준 영상 복셀의 좌표이며,
Figure pat00004
,
Figure pat00005
,...,
Figure pat00006
,
Figure pat00007
는 선형맵의 파라미터들이다.
프로세서(110)는 표준 영상 복셀의 좌표와 제1 구조 영상 복셀의 좌표 간의 에러 함수의 최소값을 만드는 상기 선형맵의 파라미터를 계산할 수 있다. 프로세서(110)는 수학식 2를 통해 선형맵의 파라미터를 계산할 수 있다.
[수학식 2]
Figure pat00008
Figure pat00009
는 변환된 영상의 복셀 즉, 제2 의 구조 영상 복셀의 신호 강도(intensity),
Figure pat00010
는 표준 영상 복셀의 신호 강도를 나타낸다. 수학식 2는 최적화(optimization) 문제과 연관된 것으로, 가우스 뉴튼 방법을 통해 수학식 2의 최소값이 계산될 수 있다.
또한, 프로세서(110)는 표준 영상 복셀의 좌표와 제1 구조 영상 복셀의 좌표 간의 에러 함수의 최소값, 및 표준 영상 복셀의 좌표와 제1 구조 영상 복셀의 좌표 간의 비선형 변환(non-linear deformation)을 기초로 비선형맵을 생성할 수 있다. 비선형맵의 경우 수학식 3, 및 수학식 4를 통해 결정될 수 있다.
[수학식 3]
Figure pat00011
Figure pat00012
Figure pat00013
Figure pat00014
은 제1 구조 영상 데이터와 연관된 제1 구조 영상 복셀의 좌표이고,
Figure pat00015
은 표준 영상 데이터와 연관된 표준 영상 복셀의 좌표이다. 또한,
Figure pat00016
는 비선형맵의 파라미터로 수학식 4을 최소값으로 만드는 파라미터가 최적의 비선형맵의 파라미터이다.
Figure pat00017
는 비선형 변환(deformation)을 나타내는 함수로 상기 비선형 변환을 나타내는 함수는 이산 코사인 변환(Discrete Cosine Transform, DCT) 등이 있다.
[수학식 4]
Figure pat00018
Figure pat00019
은 제1 구조 영상 데이터와 연관된 제1 구조 영상 복셀의 좌표이고,
Figure pat00020
은 표준 영상 데이터와 연관된 표준 영상 복셀의 좌표이다. 또한,
Figure pat00021
은 제2 구조 영상 데이터와 연관된 제2 구조 영상 복셀의 신호 강도(intensity)이고,
Figure pat00022
은 표준 영상 데이터와 연관된 표준 영상 복셀의 신호 강도(intensity)이다. 또한,
Figure pat00023
는 강도 표준화(intensity normalization)를 위한 파라미터이고,
Figure pat00024
는 규칙화(regularization) 파라미터로, 클수록 매끄러운 변환이 얻어질 수 있다. 또한,
Figure pat00025
는 각각 제1 구조 영상 복셀의 변형(deformation)의 x, y, 및 z 방향 성분이다.
수학식 4에서
Figure pat00026
는 규칙화(regularization)을 위해 포함된 항이다. 규칙화는 통계 분야에서 오버피팅(overfitting)을 방지하기 위한 방법이다. 변형 변환이 매끄러울(smooth)수록 규칙화 항이 작게 나오므로, 규칙화 항을 포함해서 수학식 4를 최소화시키면, 매끄러우면서 정확한 변환이 계산될 수 있다.
일 실시예에 따르면, 프로세서(110)는 제1 MRSI 데이터에 변환맵을 적용하여 생성된 제2 MRSI 에 결손된 복셀이 있을 수 있다. 이는 제1 MRSI 데이터를 획득하는 과정에서 노이즈로 인해 데이터를 제대로 얻지 못하여 발생할 수 있다. 구체적으로는 각 복셀에서의 크래머-라오 하한(Cramer-Rao lower bounds), 반높이 너비(full width at half maximum), 신호 대 잡음비(signal-to-noise ratio)가 너무 높거나 낮은 경우 결손으로 간주될 수 있다. 제2 MRSI 데이터가 결손되는 경우, 결손된 제2 MRSI 데이터와 연관된 MRSI 복셀은 뇌 영상에서 확인할 수 없다. 뇌 영상에서 확인할 수 없는 복셀을 MRSI 미싱 복셀(missing voxel)이라 할 수 있는데, 변환맵이 적용되면서 발생할 수 있는 MRSI 미싱 복셀(missing voxel)은 비용 함수에 0의가중치를 주는 방식(cost function weighting)을 통해 처리될 수 있다. 일 실시예에 따르면, 프로세서(110)는 미싱 복셀을 별도의 마스크 이미지로 만든 후 상기 선형맵, 및 상기 비선형맵으로 구성된 변환맵을 적용하여 MRSI 미싱 이미지 데이터를 생성할 수 있고, 상기 MRSI 미싱 이미지 데이터를 통해 미싱 복셀이 있는지 확인할 수 있다.
일 실시예에 따르면, 프로세서(110)는 제2 MRSI 데이터와 연관된 복수의 MRSI 복셀들(voxels)을 타겟과 다른 제2 타켓의 복수의 MRSI 복셀들과 다중 비교(multiple comparison), 및 다중 비교 정정(multiple comparison correction)을 수행할 수 있다.
뇌 영상은 수만 개 이상의 복셀들로 이루어져 있으므로, 뇌 영상을 통계적으로 분석하는 경우 많을 수의 값을 비교하게 된다. 다중 비교에서, 의미가 없는 값을 의미가 있다고 잘못 판단하는 긍정 오류(false positive)의 수가 많아질 수 있다. 긍정 오류를 줄이기 위한 기법으로, 본페로니 정정(Bonferroni correction)과 오류 발견 비율(False Discovery Rate, FDR) 등을 이용할 수 있다. 본페로니 정정은 엄격한 임계값을 사용하기 때문에, 많은 수의 비교가 있는 경우 적용되지 못하는 문제가 발생할 수 있다. 뇌 영상 수만 개 이상의 복셀들로 이루어 지므로 뇌 영상을 분석하는 경우 본페로니 정정 대신에 FDR을 통제하는 방법이 사용될 수 있다. FDR을 통제하는 방법은 false positive/(true positive + false positive) 값을 통제하여 본페로니 정정에 비해 임계값이 덜 엄격하게 설정될 수 있다. 따라서, FDR을 통제하는 방법을 통해 다중 비교에 의해 발생할 수 있는 false positive는 제어될 수 있다. 일 실시예에 따르면, 프로세서(110)는 복셀들간의 다중 비교 시 발생하는 문제를 해결하기 위해 FDR을 통제하는 방법 외에도 family-wise error correction, 또는 cluster mass/cluster-size based correction을 이용할 수 있다.
일 실시예에 따르면, 프로세서(110)는 제2 MRSI 데이터와 연관된 복수의 MRSI 복셀들을 출력부(120)가 디스플레이(130)에 표시하도록 제어할 수 있고, MRSI 복셀들 각각과 대응하는 번호를 MRSI 복셀들에 레이블링(labeling)할 수 있다. 즉, MRSI 복셀들에 번호가 자동적으로 부여될 수 있다.
일 실시예에 따르면, 프로세서(110)는 제2 MRSI 데이터와 연관된 복수의 MRSI 복셀들에 대한 입력을 수신할 수 있다. 또한, 프로세서(110)는 수신에 응답하여 출력부(120)가 MRSI 복셀들과 대응하는 타겟의 대사물질의 값, 및 스펙트럼 데이터 중 적어도 하나를 디스플레이(130)에 표시하도록 제어할 수 있다.
일 실시예에 따르면, 프로세서(110)는 제2 MRSI 데이터와 연관된 복수의 MRSI 복셀들과 대응하는 타겟의 대사물질 농도(metabolite concentration)와 타겟과 다른 제2 타겟의 대사물질 농도 간의 차이가 미리 정해진 기준 이상인지 확인할 수 있다. 일 실시예에 따르면, 프로세서(110)는 상기 차이가 통계적(Statistical) 기준 또는 수치적(numerical) 기준 이상인지 확인할 수 있다.
일 실시예에 따르면, 프로세서(110)는 제2 MRSI 데이터와 연관된 복수의 MRSI 복셀들과 대응하는 타겟의 대사물질의 값이 있는지 여부를 확인할 수 있다. 또한, 프로세서(110)는 확인 결과 상기 대사물질의 값이 없는 경우, 다중 대치(multiple imputation)를 이용하여 대사물질의 값을 생성하거나 타겟의 대사물질의 값이 없도록 유지할 수 있다.
MRSI 복셀과 대응하는 타겟의 대사물질의 값이 없는 경우, 즉, 결측값(missing value)이 발생한 경우, 해당 복셀은 분석 시 제외될 수 있다
개인별 NAA 및 Cr 수치
ID NAA-voxel A Cr-voxel B
1 41.3930 24.2000
2 35.7330 26.9390
3 37.7460 25.2330
4 40.7790 20.4330
5 46.1140 20.8220
6 48.2540 -
7 52.4290 20.2690
8 41.7260 23.8560
9 49.0410 15.2200
10 45.6580 18.0910
11 46.0170 18.2210
12 40.9240 18.6940
13 44.9370 21.8180
14 - -
표 1은 개인별 NAA 및 Cr 수치를 나타낸 표이다. 보다 구체적으로, 표 1은 14인의 복셀 A에서 확인할 수 있는 대사물질인 NAA의 수치, 및 복셀 B에서 확인할 수 있는 대사물질인 Cr의 수치를 알 수 있다.
표 1에서, ID 6는 Cr-voxel B에 대한 값이 존재하지 않아, NAA-voxel A가 분석에서 제외될 수 있다. 또한, ID 14는 NAA-voxel A, 및 Cr-voxel B에 대한 값이 없어, NAA-voxel A, 및 Cr-voxel B은 분석에서 제외될 수 있다. MRSI 복셀과 대응하는 타겟의 대사물질의 값이 없는 경우, 대사물질의 값은 다중 대치를 통해 생성될 수 있다. MRSI 복셀과 대응하는 타겟의 대사물질의 값이 없을 때, 해당 복셀이 분석 시 제외되면 통계적으로 올바른 결과를 도출하기 힘들 수 있다. 다중 대치는 몬테 카를로 기법(Monte Carlo technique) 기반으로 결측값을 몇 개 세트의(예를 들어, 3개 내지 10개) 생성된 다른 변수로 치환하는 방법이다. 표 1에 대하여 다중 대치를 적용하면 표 2와 같은 결과를 얻을 수 있다.
일 실시예에 따른 다중 대치 적용 후 개인별 NAA 및 Cr 수치
ID NAA-voxel A Cr-voxel B
1 41.3930 24.2000
2 35.7330 26.9390
3 37.7460 25.2330
4 40.7790 20.4330
5 46.1140 20.8220
6 48.2540 19.4975
6 48.2540 14.3253
6 48.2540 17.7874
7 52.4290 20.2690
8 41.7260 23.8560
9 49.0410 15.2200
10 45.6580 18.0910
11 46.0170 18.2210
12 40.9240 18.6940
13 44.9370 21.8180
14 36.2256 24.9741
14 43.6933 25.2872
14 47.1949 19.6749
표 2는, 표 1과 같이, 개인의 복셀에서 확인할 수 있는 대사물질 NAA, 및 Cr의 수치를 보여준다. 하지만, 표 1과 달리 결측값이 보이지 않는다. ID 6, 및 ID 14의 경우 데이터 세트가 생성되었으며, 다중 대치를 이용하는 경우 결측값 없이 통계 분석이 수행될 수 있다.
일 실시예에 따르면, 프로세서(110)는 제2 구조 영상 데이터를 뇌의 조직(tissue)별로 분류할 수 있다. 또한, 프로세서(110)는 제2 MRSI 데이터를 이용하여 생성된 MRSI 복셀과 대응하는 뇌의 상기 조직의 성분비를 구할 수 있다. 프로세서(110)는 제2 구조 영상 데이터를 뇌의 회백질, 백질, 및 뇌척수액 별로 분류할 수 있다. 도 2를 참조하면서, 설명한다.
도 2는 일 실시예에 따른 뇌의 구조 영상을 조직 별로 분류한 영상을 설명하기 위한 도면이다.
도 2를 참조하면, 뇌의 구조 영상(210)은 회백질(Gray Matter, GM)(220), 백질(White Matter, WM)(230), 및 뇌척수액(Cerebrospinal fluid, CSF)(240)으로 분류될 수 있다. 분류된 영상을 통해, MRSI 복셀에서 회백질, 백질, 및 뇌척수액이 차지하는 비율(즉, 조직의 성분비)을 알 수 있다. 일반적으로 대사물질의 레벨은 회백질, 백질, 및 뇌척수액의 비율에 영향을 많이 받는다. 따라서, MRSI 복셀의 물질대사 값을 통계적으로 분석할 때 뇌의 조직의 성분비를 통제변수로 이용하게 되면, 이 성분비가 대사물질에 미치는 영향이 배제되어 더 정확하고 유의미한 통계적 결과를 얻을 수 있다.
도 3은 일 실시예에 따른 뇌 구조 영상, 및 MRSI를 설명하기 위한 도면이다.
도 3을 참조하면, 뇌의 구조 영상(310)은 변환맵이 적용되기 전의 구조 영상이다. 뇌의 구조 영상(310)에서 직사각형 모양의 영상은 변환맵 적용에 따른 MRSI 데이터의 변화를 확인하기 위해, MRSI 데이터를 획득한 영역을 이미지화한 것이다. 뇌의 구조 영상(310)을 보면 좌뇌와 우뇌를 나누는 선이 표준 영상(320)에 비해 약간 기울어져 있다. 또한, 뇌의 구조 영상(310)을 보면, 전체적인 뇌의 모양이 표준 영상(320)과 비교할 때 위 아래로 짧다. 구조 영상(310)에 변환맵을 적용하는 경우, 구조 영상(330)을 얻을 수 있다. 구조 영상(330)을 살펴보면, 좌뇌와 우뇌를 나누는 선이 수직에 가까워졌고, 전체적인 뇌의 모양이 표준 영상(320)의 뇌의 모양과 유사하게 변경된다. 구조 영상(330)에서 MRSI 영상은 기울기, 및 모양이 변경된다.
뇌의 구조 영상(340)은 변환맵이 적용되기 전의 구조 영상으로, 표준 영상(350)에 비해, 뇌의 모양이 균일하지 않다. 구조 영상(340)에 변환맵이 적용되면, 구조 영상(360)이 획득될 수 있다. 구조 영상(360)을 살펴보면, 전체적인 뇌의 모양이 표준 영상(350)에서 볼 수 있는 뇌의 모양과 유사하다. 또한, 구조 영상(360)에서 볼 수 있는 MRSI 영상은 구조 영상(340)에서의 MRSI 영상에 비해 기울기, 및 모양이 변경된다.
도 4는 다른 실시예에 따른 영상 분석 장치의 구성을 설명하기 위한 블록도이다. 도 4에서는 사람의 뇌 질환에 따라서 몇 개의 그룹으로 나누고, 각 그룹별로 뇌 영상을 찍은 후 뇌 영상을 분석하는 실시예가 나타난다.
도 4를 참조하면, 서로 다른 그룹에 속하는 제1 타겟, 및 제2 타겟의 영상을 분석하는 영상 분석 장치(400)는 제1 메모리(410), 프로세서(420), 및 제2 메모리(430)를 포함한다.
제1 메모리(410)는 제1 타겟으로부터 획득한 제1 자기 공명 분광 영상(Magnetic Resonance Spectroscopic Imaging, MRSI) 데이터를 저장할 수 있다. 제1 메모리(410)는 제1 그룹에 속하는 제1 타겟으로부터 획득한 제1 MRSI를 저장할 수 있고, 제2 그룹에 속하는 제2 타겟으로부터 획득한 제1 MRSI를 저장할 수 있다. 제1 그룹은 정상군일 수 있고, 제2 그룹은 신경학적 질병(예를 들어, 알츠하이머, 및 우울증 등)을 앓고 있는 환자군일 수 있다. 일 실시예에 따라, 다른 질병을 앓고 있는 환자들의 뇌 영상이 비교, 및 분석될 수 있다. 예를 들어, 제1 그룹은 알츠하이머를 앓고 있는 환자군일 수 있고, 제2 그룹은 우울증을 앓고 있는 환자군일 수 있다. 또한, 정상인이 속한 제3 그룹이 추가되어 제1 그룹, 제2 그룹, 및 제3 그룹간의 뇌 영상이 비교, 및 분석될 수 있다.
제2 메모리(430)는 제2 MRSI 데이터와 연관된 MRSI 복셀과 대응하는 상기 제1 타겟의 대사물질 농도(metabolite concentration)를 저장할 수 있다.
프로세서(420)는 제1 MRSI 데이터에 변환맵을 적용하여, 상기 제2 MRSI 데이터를 생성하고, 상기 제1 타겟의 대사물질 농도와 상기 제2 타겟의 대사물질 농도를 비교하여, 상호간의 농도 차이를 확인할 수 있다. 프로세서(420)는 제2 타겟으로부터 획득한 제1 MRSI 데이터에 변환맵을 적용하여 제2 MRSI 데이터를 생성할 수 있다. 제2 타겟의 제1 MRSI 데이터에 적용된 변환맵은 제1 타겟의 제1 MRSI 데이터에 적용된 변환맵과 다를 수 있다. 변환맵이 계산될 때, 개인의 제1 구조 영상 이미지가 사용되기 때문에, 변환맵은 타겟별로 고유할 수 있다. 변환맵은 선형맵과 비선형맵으로 구성될 수 있다. 프로세서(420)는 표준 영상 데이터와 연관된 표준 영상 복셀의 좌표와 제1 구조 영상 데이터와 연관된 제1 구조 영상 복셀의 좌표 간의 에러 함수의 최소값을 이용하여 선형맵을 생성할 수 있다. 또한, 프로세서(420)는 에러 함수의 최소값, 및 표준 영상 복셀의 좌표와 제1 구조 영상 복셀의 좌표 간의 비선형 변형(non-linear deformation)을 고려하여 비선형맵을 생성할 수 있다. 변형맵에 대해서는 전술하였으므로, 상세한 설명은 생략한다.
일 실시예에 따르면, 프로세서(420)는 농도 차이가 미리 정해진 통계적, 또는 수치적 기준 이상인 경우, 제1 타겟, 및 제2 타겟 내에서 농도 차이가 발생하는 영역을 디스플레이(440)에 표시할 수 있다. 도 5를 참조하면서, 상세히 설명한다.
도 5는 다른 실시예에 따른 영상 분석 장치를 통해 분석된 뇌 구조 영상을 설명하기 위한 도면이다.
도 5를 참조하면, 뇌의 구조 영상(510, 520, 및 530)에 유색으로 표시된 부분(511, 521, 및 531)이 그룹 간의 대사물질 농도 차이가 발생하는 영역이다. 보다 구체적으로, 정상군과 환자군에 속한 사람들의 MRSI 데이터를 획득한다. 여기서, MRSI 데이터는 변환맵이 적용된 MRSI 데이터이다. 변환맵이 적용되지 않으면, 개인마다 뇌의 크기, 및 모양이 서로 달라 뇌 영상을 비교하는데 어려움이 있다.
정상군과 환자군에 속한 사람들의 MRSI 데이터를 획득하고, MRSI 복셀들과 대응되는 뇌의 대사물질 값을 비교한다. 대사물질은, 예를 들어, NAA나 Cr일 수 있다. 우울증을 앓고 있는 환자군과 정상군이 뇌의 특정 부분에서 발생하는 대사물질은 다르다. 따라서, 영상 분석 장치는 뇌의 특정 부분에서 발생하는 대사물질의 농도을 측정하고, 대사물질 농도 차이가 발생하면, 상기 뇌의 특정 부분을 표준 영상 등에 표시할 수 있다.
도 6은 일 실시예에 따른 영상 분석 방법을 설명하기 위한 순서도이다.
도 6을 참조하면, 일 실시예에 따른 타겟으로 전송한 고주파와 대응하는 자기공명신호를 수신하고, 상기 자기공명신호에 기초하여 영상을 분석하는 영상 분석 장치의 영상을 분석하는 방법은 상기 자기공명신호를 기초로 제1 구조 영상 데이터, 및 제1 자기 공명 분광 영상(Magnetic Resonance Spectroscopic Imaging, MRSI) 데이터를 생성할 수 있다(610). 제1 구조 영상 데이터는 T1 영상 데이터, 또는 T2 영상 데이터를 포함할 수 있다.
일 실시예에 따른 영상 분석 방법은 제1 구조 영상 데이터, 및 표준 영상 데이터를 기초로 변환맵을 생성할 수 있다. 또한, 영상 분석 방법은 생성된 변환맵을 제1 구조 영상 데이터, 및 제1 MRSI 데이터에 적용하여 제2 구조 영상 데이터, 및 제2 MRSI 데이터를 생성할 수 있다(620 내지 630). 변환맵은 선형맵과 비선형맵으로 구성될 수 있다.
선형맵은 표준 영상 데이터와 연관된 표준 영상 복셀의 좌표와 제1 구조 영상 데이터와 연관된 제1 구조 영상 복셀의 좌표 간의 에러 함수의 최소값을 기초로 생성될 수 있다. 비선형맵은 에러 함수의 최소값, 및 표준 영상 복셀의 좌표와 상기 제1 구조 영상 복셀의 좌표 간의 비선형 변형(non-linear deformation)을 기초로 생성될 수 있다. 제1 구조 영상 데이터와 제2 구조 영상 데이터는 뇌의 크기, 및 모양이 다를 수 있다.
일 실시예에 따른 영상 분석 방법은 제2 구조 영상 데이터, 및 상기 제2 MRSI 데이터를 디스플레이에 표시할 수 있다.
일 실시예에 따르면, 영상 분석 방법은 제2 MRSI 데이터와 연관된 복수의 MRSI 복셀들과 대응하는 타겟의 대사물질의 값이 있는지 여부를 확인할 수 있다(640). 또한, 영상 분석 방법은 확인 결과 대사물질의 값이 없는 경우, 다중 대치(multiple imputation)를 이용하여 대사물질의 값을 생성하거나 타겟의 대사물질의 값이 없도록 유지할 수 있다(650). 다중 대치는 몬테 카를로 기법(Monte Carlo technique) 기반으로 하여, missing value를 몇 개 세트의(예를 들어, 3개 내지 10개) 생성된 다른 변수로 치환하는 방법이다.
일 실시예에 따르면, 영상 분석 방법은 제2 MRSI 데이터와 연관된 복수의 MRSI 복셀들을 디스플레이에 표시하고, MRSI 복셀들 각각과 대응하는 번호를 상기 MRSI 복셀들에 레이블링(labeling)할 수 있다.
일 실시예에 따르면, 영상 분석 방법은 레이블링된 MRSI 복셀들(voxels)과 타겟과 다른 제2 타켓의 레이블링된 MRSI 복셀들을 다중 비교(multiple comparison), 및 다중 비교 정정(multiple comparison correction)을 수행할 수 있다. 다중 비교, 및 다중 비교 정정은 전술하였으므로, 상세한 설명은 생략한다.
일 실시예에 따르면, 영상 분석 방법은 레이블링된 MRSI 복셀들에 대한 입력을 수신하고, 상기 수신에 응답하여 레이블링된 MRSI 복셀들과 대응하는 상기 타겟의 대사물질의 값, 및 스펙트럼 데이터 중 적어도 하나를 디스플레이에 표시할 수 있다. 스펙트럼 데이터는 자기 공명 분광값(Magnetic Resonance Spectroscopy Data, MRS Data)일 수 있다.
일 실시예에 따르면, 영상 분석 방법은 제2 구조 영상 데이터를 뇌의 조직(tissue)별로 분류하고, 제2 MRSI 데이터를 이용하여 생성된 MRSI 복셀과 대응하는 뇌의 상기 조직의 성분비를 구할 수 있다. 뇌의 조직은 회백질, 백질, 및 뇌척수액으로 분류될 수 있다. MRSI 복셀과 대응하는 뇌가 생성하는 대사물질 레벨(metabolite level)은 뇌의 조직의 성분비에 영향을 많이 받는다. 따라서, 뇌의 조직의 성분 비율을 안다면, MRSI 복셀과 대응하는 뇌 내 대사물질을 정확하게 추정 또는 분석할 수 있다.
도 7은 다른 실시예에 따른 영상 분석 방법을 설명하기 위한 순서도이다.
도 7을 참조하면, 서로 다른 그룹에 속하는 제1 타겟, 및 제2 타겟의 영상을 분석하는 장치의 영상 분석 방법은 제1 타겟으로부터 획득한 제1 자기 공명 분광 영상(Magnetic Resonance Spectroscopic Imaging, MRSI) 데이터에 변환맵을 적용하여, 제2 MRSI 데이터를 생성할 수 있다(710 내지 720). 변환맵은 전술하였으므로, 상세한 설명은 생략한다.
또한, 영상 분석 방법은 제2 MRSI 데이터와 연관된 MRSI 복셀과 대응하는 상기 제1 타겟의 대사물질 농도(metabolite concentration)를 저장할 수 있다(730). 영상 분석 방법은 제2 타겟으로부터 획득한 제1 MRSI 데이터에 변환맵을 적용하여 제2 MRSI 데이터를 생성할 수 있다. 제2 타겟의 제1 MRSI 데이터에 적용된 변환맵은 제1 타겟의 제1 MRSI 데이터에 적용된 변환맵과 다를 수 있다.
영상 분석 방법은 제1 타겟의 대사물질 농도와 제2 타겟의 대사물질 농도를 비교하여, 상호간의 농도 차이를 확인할 수 있다(740).
실시예에 따르면, 영상 분석 방법은 농도 차이가 미리 정해진 기준 이상인 경우, 제1 타겟 및 상기 제2 타겟 내에서 농도 차이가 발생하는 영역을 디스플레이에 표시할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
100: 영상 분석 장치
400: 영상 분석 장치

Claims (26)

  1. 타겟으로 전송한 고주파와 대응하는 자기공명신호를 수신하고, 상기 자기공명신호에 기초하여 영상을 분석하는 영상 분석 장치에 있어서,
    상기 자기공명신호를 기초로 제1 구조 영상 데이터, 및 제1 자기 공명 분광 영상(Magnetic Resonance Spectroscopic Imaging, MRSI) 데이터를 생성하고, 상기 제1 구조 영상 데이터, 및 표준 영상 데이터를 기초로 변환맵을 생성하고, 상기 생성된 변환맵을 상기 제1 구조 영상 데이터, 및 상기 제1 MRSI 데이터에 적용하여 제2 구조 영상 데이터, 및 제2 MRSI 데이터를 생성하는 프로세서; 및
    상기 제2 구조 영상 데이터, 및 상기 제2 MRSI 데이터를 디스플레이에 표시하는 출력부
    를 포함하는 영상 분석 장치.
  2. 제1항에 있어서,
    상기 변환맵은, 선형맵과 비선형맵으로 구성되고
    상기 프로세서는, 상기 표준 영상 데이터와 연관된 표준 영상 복셀의 좌표와 상기 제1 구조 영상 데이터와 연관된 제1 구조 영상 복셀의 좌표 간의 에러 함수의 최소값을 이용하여 상기 선형맵의 파라미터를 계산하는, 영상 분석 장치.
  3. 제2항에 있어서,
    상기 선형맵은, 수학식
    Figure pat00027
    에 따라 결정되고,
    Figure pat00028
    은 상기 제1 구조 영상 데이터와 연관된 제1 구조 영상 복셀의 좌표이고,
    Figure pat00029
    은 상기 표준 영상 데이터와 연관된 표준 영상 복셀의 좌표이며,
    Figure pat00030
    ,
    Figure pat00031
    ,...,
    Figure pat00032
    , 및
    Figure pat00033
    는 상기 선형맵의 파라미터들인, 영상 분석 장치.
  4. 제2항에 있어서,
    상기 프로세서는 상기 표준 영상 복셀의 좌표와 상기 제1 구조 영상 복셀의 좌표 간의 에러 함수의 최소값, 및 상기 표준 영상 복셀의 좌표와 상기 제1 구조 영상 복셀의 좌표 간의 비선형 변형을 기초로 상기 비선형맵을 생성하는,
    영상 분석 장치.
  5. 제1항에 있어서,
    상기 프로세서는, 상기 제2 MRSI 데이터와 연관된 복수의 MRSI 복셀들(voxels)을 상기 타겟과 다른 제2 타켓의 복수의 MRSI 복셀들과 다중 비교(multiple comparison), 및 다중 비교 정정(multiple comparison correction)을 수행하는, 영상 분석 장치.
  6. 제1항에 있어서,
    상기 프로세서는, 상기 제2 MRSI 데이터와 연관된 복수의 MRSI 복셀들을 상기 출력부가 상기 디스플레이에 표시하도록 제어하고, 상기 MRSI 복셀들 각각과 대응하는 번호를 상기 MRSI 복셀들에 레이블링(labeling)하는, 영상 분석 장치.
  7. 제1항에 있어서,
    상기 프로세서는, 상기 제2 MRSI 데이터와 연관된 복수의 MRSI 복셀들에 대한 입력을 수신하고, 상기 수신에 응답하여 상기 출력부가 상기 MRSI 복셀들과 대응하는 상기 타겟의 대사물질의 값, 및 스펙트럼 데이터 중 적어도 하나를 상기 디스플레이에 표시하도록 제어하는, 영상 분석 장치.
  8. 제1항에 있어서,
    상기 프로세서는, 제2 MRSI 데이터와 연관된 복수의 MRSI 복셀들과 대응하는 상기 타겟의 대사물질 농도(metabolite concentration)와 상기 타겟과 다른 제2 타겟의 대사물질 농도 간의 차이가 미리 정해진 기준 이상인지 확인하는, 영상 분석 장치.
  9. 제1항에 있어서,
    상기 프로세서는, 상기 제2 MRSI 데이터와 연관된 복수의 MRSI 복셀들과 대응하는 상기 타겟의 대사물질의 값이 있는지 여부를 확인하고, 상기 확인 결과 상기 대사물질의 값이 없는 경우, 다중 대치(multiple imputation)를 이용하여 상기 대사물질의 값을 생성하거나 상기 타겟의 대사물질의 값이 없도록 유지하는, 영상 분석 장치.
  10. 제1항에 있어서,
    상기 프로세서는, 상기 제2 구조 영상 데이터를 뇌의 조직(tissue)별로 분류하고, 상기 제2 MRSI 데이터를 이용하여 생성된 MRSI 복셀과 대응하는 뇌의 상기 조직의 성분비를 구하는, 영상 분석 장치.
  11. 제10항에 있어서,
    상기 프로세서는, 상기 제2 구조 영상 데이터를 뇌의 회백질, 백질, 및 뇌척수액 별로 분류하는, 영상 분석 장치.
  12. 서로 다른 그룹에 속하는 제1 타겟, 및 제2 타겟의 영상을 분석하는 장치에 있어서,
    상기 제1 타겟으로부터 획득한 제1 자기 공명 분광 영상(Magnetic Resonance Spectroscopic Imaging, MRSI) 데이터를 저장하는 제1 메모리;
    제2 MRSI 데이터와 연관된 MRSI 복셀과 대응하는 상기 제1 타겟의 대사물질 농도(metabolite concentration)를 저장하는 제2 메모리; 및
    상기 제1 MRSI 데이터에 변환맵을 적용하여, 상기 제2 MRSI 데이터를 생성하고, 상기 제1 타겟의 대사물질 농도와 상기 제2 타겟의 대사물질 농도를 비교하여, 상호간의 농도 차이를 확인하는 프로세서
    를 포함하는 영상 분석 장치.
  13. 제12항에 있어서,
    상기 변환맵은, 선형맵과 비선형맵으로 구성되고
    상기 프로세서는, 상기 표준 영상 데이터와 연관된 표준 영상 복셀의 좌표와 상기 제1 구조 영상 데이터와 연관된 제1 구조 영상 복셀의 좌표 간의 에러 함수의 최소값을 이용하여 상기 선형맵을 생성하고, 상기 에러 함수의 최소값, 및 상기 표준 영상 복셀의 좌표와 상기 제1 구조 영상 복셀의 좌표 간의 비선형 변형(non-linear deformation)을 고려하여 상기 비선형맵을 생성하는, 영상 분석 장치.
  14. 제12항에 있어서,
    상기 프로세서는, 상기 농도 차이가 미리 정해진 기준 이상인 경우, 상기 제1 타겟 및 상기 제2 타겟 내에서 상기 농도 차이가 발생하는 영역을 디스플레이에 표시하는, 영상 분석 장치.
  15. 타겟으로 전송한 고주파와 대응하는 자기공명신호를 수신하고, 상기 자기공명신호에 기초하여 영상을 분석하는 영상 분석 장치의 영상을 분석하는 방법에 있어서,
    상기 자기공명신호를 기초로 제1 구조 영상 데이터, 및 제1 자기 공명 분광 영상(Magnetic Resonance Spectroscopic Imaging, MRSI) 데이터를 생성하는 단계;
    상기 제1 구조 영상 데이터, 및 표준 영상 데이터를 기초로 변환맵을 생성하고, 상기 생성된 변환맵을 상기 제1 구조 영상 데이터, 및 상기 제1 MRSI 데이터에 적용하여 제2 구조 영상 데이터, 및 제2 MRSI 데이터를 생성하는 단계; 및
    상기 제2 구조 영상 데이터, 및 상기 제2 MRSI 데이터를 디스플레이에 표시하는 단계
    를 포함하는 영상 분석 방법.
  16. 제15항에 있어서,
    상기 변환맵은, 선형맵과 비선형맵으로 구성되고,
    상기 선형맵은, 상기 표준 영상 데이터와 연관된 표준 영상 복셀의 좌표와 상기 제1 구조 영상 데이터와 연관된 제1 구조 영상 복셀의 좌표 간의 에러 함수의 최소값을 기초로 생성되고,
    상기 비선형맵은, 상기 에러 함수의 최소값, 및 상기 표준 영상 복셀의 좌표와 상기 제1 구조 영상 복셀의 좌표 간의 비선형 변형(non-linear deformation)을 기초로 생성되는,
    영상 분석 방법.
  17. 제15항에 있어서,
    상기 제2 MRSI 데이터와 연관된 복수의 MRSI 복셀들을 상기 디스플레이에 표시하고, 상기 MRSI 복셀들 각각과 대응하는 번호를 상기 MRSI 복셀들에 레이블링(labeling)하는 단계
    를 더 포함하는 영상 분석 방법.
  18. 제17항에 있어서,
    상기 레이블링된 MRSI 복셀들(voxels)과 상기 타겟과 다른 제2 타켓의 레이블링된 MRSI 복셀들을 다중 비교(multiple comparison), 및 다중 비교 정정(multiple comparison correction)을 수행하는 단계
    를 더 포함하는 영상 분석 방법.
  19. 제17항에 있어서,
    상기 레이블링된 MRSI 복셀들에 대한 입력을 수신하고, 상기 수신에 응답하여 상기 레이블링된 MRSI 복셀들과 대응하는 상기 타겟의 대사물질의 값, 및 스펙트럼 데이터 중 적어도 하나를 상기 디스플레이에 표시하는 단계
    를 더 포함하는 영상 분석 방법.
  20. 제15항에 있어서,
    상기 제2 MRSI 데이터와 연관된 복수의 MRSI 복셀들과 대응하는 상기 타겟의 대사물질의 값이 있는지 여부를 확인하는 단계; 및
    상기 확인 결과 상기 대사물질의 값이 없는 경우, 다중 대치(multiple imputation)를 이용하여 상기 대사물질의 값을 생성하거나 상기 타겟의 대사물질의 값이 없도록 유지하는 단계
    를 더 포함하는 영상 분석 방법.
  21. 제15항에 있어서,
    상기 제2 구조 영상 데이터를 뇌의 조직(tissue)별로 분류하고, 상기 제2 MRSI 데이터를 이용하여 생성된 MRSI 복셀과 대응하는 뇌의 상기 조직의 성분비를 구하는 단계
    를 더 포함하는 영상 분석 방법.
  22. 제15항에 있어서,
    상기 뇌의 조직은 회백질, 백질, 및 뇌척수액 별로 분류되는,
    영상 분석 방법.
  23. 서로 다른 그룹에 속하는 제1 타겟, 및 제2 타겟의 영상을 분석하는 장치의 영상 분석 방법에 있어서,
    제1 타겟으로부터 획득한 제1 자기 공명 분광 영상(Magnetic Resonance Spectroscopic Imaging, MRSI) 데이터에 변환맵을 적용하여, 제2 MRSI 데이터를 생성하는 단계;
    상기 제2 MRSI 데이터와 연관된 MRSI 복셀과 대응하는 상기 제1 타겟의 대사물질 농도(metabolite concentration)를 저장하는 단계; 및
    상기 제1 타겟의 대사물질 농도와 제2 타겟의 대사물질 농도를 비교하여, 상호간의 농도 차이를 확인하는 단계
    를 포함하는 영상 분석 방법.
  24. 제23항에 있어서,
    상기 변환맵은, 선형맵과 비선형맵으로 구성되고,
    상기 선형맵은, 상기 표준 영상 데이터와 연관된 표준 영상 복셀의 좌표와 상기 제1 구조 영상 데이터와 연관된 제1 구조 영상 복셀의 좌표 간의 에러 함수의 최소값을 기초로 생성되고,
    상기 비선형맵은, 상기 에러 함수의 최소값, 및 상기 표준 영상 복셀의 좌표와 상기 제1 구조 영상 복셀의 좌표 간의 비선형 변형(non-linear deformation)을 기초로 생성되는,
    영상 분석 방법.
  25. 제23항에 있어서,
    상기 농도 차이가 미리 정해진 기준 이상인 경우, 상기 제1 타겟 및 상기 제2 타겟 내에서 상기 농도 차이가 발생하는 영역을 디스플레이에 표시하는 단계
    를 더 포함하는 영상 분석 방법.
  26. 제15항 내지 제25항 중 어느 한 항의 방법을 실행하는 프로그램을 기록한 컴퓨터 판독 가능 기록 매체.
KR1020130161358A 2013-12-23 2013-12-23 영상 분석 장치, 및 장치를 이용하여 영상을 분석하는 방법 KR20150073542A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020130161358A KR20150073542A (ko) 2013-12-23 2013-12-23 영상 분석 장치, 및 장치를 이용하여 영상을 분석하는 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130161358A KR20150073542A (ko) 2013-12-23 2013-12-23 영상 분석 장치, 및 장치를 이용하여 영상을 분석하는 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020150188779A Division KR101593380B1 (ko) 2015-12-29 2015-12-29 영상 분석 장치, 및 장치를 이용하여 영상을 분석하는 방법

Publications (1)

Publication Number Publication Date
KR20150073542A true KR20150073542A (ko) 2015-07-01

Family

ID=53787046

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130161358A KR20150073542A (ko) 2013-12-23 2013-12-23 영상 분석 장치, 및 장치를 이용하여 영상을 분석하는 방법

Country Status (1)

Country Link
KR (1) KR20150073542A (ko)

Similar Documents

Publication Publication Date Title
Horn et al. The structural–functional connectome and the default mode network of the human brain
Merisaari et al. Fitting methods for intravoxel incoherent motion imaging of prostate cancer on region of interest level: Repeatability and gleason score prediction
Vân Phan et al. Processing of structural neuroimaging data in young children: Bridging the gap between current practice and state-of-the-art methods
Hutton et al. Voxel-based cortical thickness measurements in MRI
Taki et al. A longitudinal study of the relationship between personality traits and the annual rate of volume changes in regional gray matter in healthy adults
Castro et al. Characterization of groups using composite kernels and multi-source fMRI analysis data: application to schizophrenia
Wells III et al. Statistical intensity correction and segmentation of MRI data
Ganzetti et al. Quantitative evaluation of intensity inhomogeneity correction methods for structural MR brain images
US7136516B2 (en) Method and system for segmenting magnetic resonance images
Anbeek et al. Automated MS-lesion segmentation by k-nearest neighbor classification
US7340082B2 (en) Method and medical imaging apparatus for determining a slice in an examination volume for data acquisition in the slice
Balan et al. Smart histogram analysis applied to the skull-stripping problem in T1-weighted MRI
Del Re et al. A new MRI masking technique based on multi‐atlas brain segmentation in controls and schizophrenia: A rapid and viable alternative to manual masking
WO2016034749A1 (es) Método y sistema de generación de imágenes nosológicas multiparamétricas
Li et al. BrainK for structural image processing: creating electrical models of the human head
US9466116B2 (en) Method and system for separating tissue classes in magnetic resonance images
Tian et al. Improved cortical surface reconstruction using sub-millimeter resolution MPRAGE by image denoising
KR101593380B1 (ko) 영상 분석 장치, 및 장치를 이용하여 영상을 분석하는 방법
Bergeest et al. A comparison of five methods for signal intensity standardization in MRI
WO2019044082A1 (ja) 医用画像処理装置、方法およびプログラム
Almodóvar-Rivera et al. FAST adaptive smoothing and thresholding for improved activation detection in low-signal fMRI
DE102015200850B4 (de) Verfahren zur Auswertung von medizinischen Bilddaten
US9846937B1 (en) Method for medical image analysis and manipulation
Placidi et al. Local contrast normalization to improve preprocessing in mri of the brain
KR20150073542A (ko) 영상 분석 장치, 및 장치를 이용하여 영상을 분석하는 방법

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
E801 Decision on dismissal of amendment
A107 Divisional application of patent