KR20150113393A - 의료 영상에서 아티팩트와 병변을 구분하는 방법 - Google Patents
의료 영상에서 아티팩트와 병변을 구분하는 방법 Download PDFInfo
- Publication number
- KR20150113393A KR20150113393A KR1020140036688A KR20140036688A KR20150113393A KR 20150113393 A KR20150113393 A KR 20150113393A KR 1020140036688 A KR1020140036688 A KR 1020140036688A KR 20140036688 A KR20140036688 A KR 20140036688A KR 20150113393 A KR20150113393 A KR 20150113393A
- Authority
- KR
- South Korea
- Prior art keywords
- regions
- images
- interest
- heart
- region
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 210000000056 organ Anatomy 0.000 claims abstract description 9
- 230000003902 lesion Effects 0.000 claims description 68
- 244000309464 bull Species 0.000 claims description 43
- 230000002107 myocardial effect Effects 0.000 claims description 38
- 210000004165 myocardium Anatomy 0.000 claims description 26
- 230000000302 ischemic effect Effects 0.000 claims description 22
- 230000010412 perfusion Effects 0.000 claims description 22
- 230000002526 effect on cardiovascular system Effects 0.000 claims description 18
- 208000028867 ischemia Diseases 0.000 claims description 11
- 210000000748 cardiovascular system Anatomy 0.000 claims description 5
- 230000007774 longterm Effects 0.000 claims description 5
- 230000000747 cardiac effect Effects 0.000 description 32
- 238000010586 diagram Methods 0.000 description 8
- 239000008280 blood Substances 0.000 description 6
- 210000004369 blood Anatomy 0.000 description 6
- 239000002872 contrast media Substances 0.000 description 6
- 208000029078 coronary artery disease Diseases 0.000 description 6
- 210000004351 coronary vessel Anatomy 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 210000004204 blood vessel Anatomy 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 5
- 210000003484 anatomy Anatomy 0.000 description 4
- 230000001052 transient effect Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000002603 single-photon emission computed tomography Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 238000010968 computed tomography angiography Methods 0.000 description 2
- 229940039231 contrast media Drugs 0.000 description 2
- 238000002586 coronary angiography Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000005240 left ventricle Anatomy 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241001482107 Alosa sapidissima Species 0.000 description 1
- 238000010207 Bayesian analysis Methods 0.000 description 1
- 101000666730 Homo sapiens T-complex protein 1 subunit alpha Proteins 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 102100038410 T-complex protein 1 subunit alpha Human genes 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000013194 cardioversion Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 238000009662 stress testing Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 230000025033 vasoconstriction Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/46—Arrangements for interfacing with the operator or the patient
- A61B6/461—Displaying means of special interest
- A61B6/463—Displaying means of special interest characterised by displaying multiple images or images and diagnostic data on one display
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/503—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the heart
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/507—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for determination of haemodynamic parameters, e.g. perfusion CT
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10076—4D tomography; Time-sequential 3D tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Biophysics (AREA)
- Optics & Photonics (AREA)
- Theoretical Computer Science (AREA)
- Dentistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Physics & Mathematics (AREA)
- Cardiology (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pulmonology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
본 개시는 의료 영상에서 아티팩트(artifact)와 병변(diseased area)을 구분하는 방법에 있어서, 운동하는 장기(organ)에 대해 복수의 시기(multiphase)에서 장기의 의료 영상들을 획득하는 단계; 의료 영상들 각각에서 관심 영역을 구분하는 단계; 그리고 관심 영역들 간의 중첩 정도를 평가하여 아티팩트와 병변을 구분하는 단계;를 포함하는 것을 특징으로 하는 의료 영상에서 아티팩트와 병변을 구분하는 방법에 관한 것이다.
Description
본 개시(Disclosure)는 전체적으로 의료 영상에서 아티팩트와 병변을 구분하는 방법에 관한 것으로, 특히 복수의 시기(multiphase)에 촬영된 장기(organ)의 의료 영상을 비교하여 자동으로 아티팩트와 병변을 구분하는 방법에 관한 것이다.
여기서는, 본 개시에 관한 배경기술이 제공되며, 이들이 반드시 공지기술을 의미하는 것은 아니다(This section provides background information related to the present disclosure which is not necessarily prior art).
관상동맥 질환(CAD; Coronary Artery Disease)은 협착이나 혈관이 좁아져 혈액의 흐름이 방해 받는 것이다. 관상동맥은 심근에 피를 공급하는 혈관들로서, CAD로 인해 심근(myocardial)을 통해 피가 뿌려지는 길이 막히거나 바뀌며, 그 결과 심근 허혈(myocardial ischemia)과 같은 병변이 발생할 수 있다.
도 1은 심장의 CTP 영상의 일 예를 나타내는 도면이다.
심장에 대한 CT 또는 MRI 등에 의해 획득된 의료 영상을 기초로 CAD를 평가하는 방법이 다양하게 연구되어 왔다. CT를 이용한 방법으로 CTA(computed tomography angiography), CTP(computed tomography perfusion) 등이 이용된다. 예를 들어, 동맥에 조영제를 투입하고 심근에 조영제가 차오르고 나가는 다이네믹 퍼퓨젼(dynamic perfusion)을 보거나, 하나의 CT 슬라이스를 시각적으로 보고 허혈 영역을 판단하는 방법(static perfusion)이 사용된다(도 1 참조).
이러한 CTP에 의해 획득된 심장 영상에서 허혈 영역은 밝기가 평균보다 낮은(어두운) 영역이다. 의사나 사용자에게 양질의 정보를 제공하기 위해서는 의료 영상의 질을 향상하는 것이 중요하다. 심장 영상에는 beam-hardening artifact 및 Transient motion artifact와 같은 일종의 노이즈가 포함될 수 있다. 특히, 심장 바로 옆의 대동맥에 차있는 조영제가 강한 신호를 내기 때문에 심장 CTP 영상의 신호가 떨어지는 beam-hardening artifact가 발생하는 것으로 알려져 있다. 이러한 beam-hardening artifact 또는 Transient motion artifact는 찾아진 허혈 영역이 진정한 병변(true lesion)인지 여부에 대해 신뢰성을 떨어뜨리는 문제가 있다.
도 2는 Bull's Eye Map의 일 예를 나타내는 도면이다.
한편, 다양한 의료 영상을 통합하거나, 진단 및 평가를 위해 시각화하는 연구가 있다. 예를 들어, 논문 Three-dimensional registration of myocardial perfusion SPECT and CT coronary angiography(Annals of Nuclear Medicine Vol. 19, No. 3, 207-215, 2005)에는 CT coronary angiography (CTCA) 및 myocardial perfusion SPECT 정보를 통합하기 위한 정합(registration)의 방법이 개시되어 있다.
상기 논문에서는 좌심실의 심근을 장축 방향을 따라 16개의 단축 방향 이미지로 나누고, 다시 각 단축 방향 이미지를 36개의 세그먼트(segment)로 나눈다. 따라서 심근은 576(16x36)개의 다각형 표면(polygonal surface)으로 나누어진다. SPECT에 의한 심근 관류 정보가 정합의 결과를 기초로 상기 576개의 다각형 표면에 주어진 불스아이맵(Bull's Eye Map)으로 시각화된다(도 2 참조).
3D 심장 영상 또는 2차원의 Bull's Eye Map을 이용한 시각적 정보를 이용하여 의사의 직관이나 경험에 의해 진정한 병변(true lesion)을 판단할 수 있다. 그러나 의사마다 편차가 있고 시각적 판단에 대한 객관적이고 정량적인 검증 근거를 주지 못하는 문제가 있다.
미국 공개특허공보 제2009/0161938호에는 심장에 스트레스를 주고 움직임과 두께를 관찰하여 병변(예: ischemia) 유무를 평가하는 방법으로서, 심장의 볼륨 데이터를 메시(mesh)화하여 심장 기능의 양적인(functional quantitative) 계산을 하는 기술이 개시되어 있다. 그러나 이 문헌에 개시된 기술은 심장 기능을 스트레스 테스트하는 방법에 관한 것으로 심장 영상에서 아티팩트를 제거하는 방법이나 수단을 개시하지 못한다.
따라서 객관적이고 정량적인 정보를 기초로 자동화된 방식에 의해 의료 영상에서 아티팩트와 진정한 병변을 구분하는 방법이 요구된다.
이에 대하여 '발명의 실시를 위한 구체적인 내용'의 후단에 기술한다.
여기서는, 본 개시의 전체적인 요약(Summary)이 제공되며, 이것이 본 개시의 외연을 제한하는 것으로 이해되어서는 아니된다(This section provides a general summary of the disclosure and is not a comprehensive disclosure of its full scope or all of its features).
본 개시에 따른 일 태양에 의하면(According to one aspect of the present disclosure), 의료 영상에서 아티팩트(artifact)와 병변(diseased area)을 구분하는 방법에 있어서, 운동하는 장기(organ)에 대해 복수의 시기(multiphase)에서 장기의 의료 영상들을 획득하는 단계; 의료 영상들 각각에서 관심 영역을 구분하는 단계; 그리고 관심 영역들 간의 중첩 정도를 평가하여 아티팩트와 병변을 구분하는 단계;를 포함하는 것을 특징으로 하는 의료 영상에서 아티팩트와 병변을 구분하는 방법이 제공된다.
이에 대하여 '발명의 실시를 위한 구체적인 내용'의 후단에 기술한다.
도 1은 심장의 CTP 영상의 일 예를 나타내는 도면,
도 2는 Bull's Eye Map의 일 예를 나타내는 도면,
도 3은 본 개시에 따른 의료 영상에서 아티팩트와 병변을 구분하는 방법의 일 예를 설명하는 도면,
도 4는 multiphase에서 3D 심장 영상들을 획득하는 방법의 일 예를 설명하는 도면,
도 5는 multiphase에서 획득된 3D 심장 영상들의 일 예를 설명하는 도면,
도 6은 multiphase에서 획득된 3D 심장 영상들에서 아티팩트의 일 예를 설명하는 도면,
도 7은 심장 영상이 단축정렬되는 일 예를 설명하는 도면,
도 8 및 도 9는 혈관 기반 심근 영역 나누기의 일 예를 설명하는 도면,
도 10은 상호보완정보 기반 강체정합의 알고리즘 프레임워크를 일 예를 보여주는 도면,
도 11은 Bull's Eye Map들에서 병변의 일 예를 설명하는 도면,
도 12는 Bull's Eye Map들에서 아티팩트의 일 예를 설명하는 도면,
도 13은 병변을 추출하는 방법의 일 예를 설명하는 도면,
도 14는 병변을 추출하는 방법의 다른 예를 설명하는 도면.
도 2는 Bull's Eye Map의 일 예를 나타내는 도면,
도 3은 본 개시에 따른 의료 영상에서 아티팩트와 병변을 구분하는 방법의 일 예를 설명하는 도면,
도 4는 multiphase에서 3D 심장 영상들을 획득하는 방법의 일 예를 설명하는 도면,
도 5는 multiphase에서 획득된 3D 심장 영상들의 일 예를 설명하는 도면,
도 6은 multiphase에서 획득된 3D 심장 영상들에서 아티팩트의 일 예를 설명하는 도면,
도 7은 심장 영상이 단축정렬되는 일 예를 설명하는 도면,
도 8 및 도 9는 혈관 기반 심근 영역 나누기의 일 예를 설명하는 도면,
도 10은 상호보완정보 기반 강체정합의 알고리즘 프레임워크를 일 예를 보여주는 도면,
도 11은 Bull's Eye Map들에서 병변의 일 예를 설명하는 도면,
도 12는 Bull's Eye Map들에서 아티팩트의 일 예를 설명하는 도면,
도 13은 병변을 추출하는 방법의 일 예를 설명하는 도면,
도 14는 병변을 추출하는 방법의 다른 예를 설명하는 도면.
이하, 본 개시를 첨부된 도면을 참고로 하여 자세하게 설명한다(The present disclosure will now be described in detail with reference to the accompanying drawing(s)).
도 3은 본 개시에 따른 의료 영상에서 아티팩트와 병변을 구분하는 방법의 일 예를 설명하는 도면이다.
의료 영상에서 아티팩트(artifact)와 병변(diseased area)을 구분하는 방법은 예를 들어, 관상동맥 질환(coronary artery disease)을 가진 것으로 의심되는 환자의 CTP에서 아티팩트와 진정한 허혈 영역의 구분의 정확도 향상을 위해 사용될 수 있다. 이를 위해 아티팩트와 병변을 구분하는 방법은 CTP analysis에서 사용되는 정량적 파라미터들을 활용하며, 시각적인 분석(visual analysis)과 함께 사용될 수 있다.
의료 영상에서 아티팩트와 병변을 구분하는 방법에 있어서, 먼저 운동하는 장기(organ)에 대해 복수의 시기(multiphase)에서 장기의 의료 영상들을 획득한다. 이후, 의료 영상들 각각에서 관심 영역을 구분한다. 다음으로, 관심 영역들 간의 중첩 정도를 평가하여 아티팩트와 병변을 구분한다.
본 개시에 따른 의료 영상에서 아티팩트와 병변을 구분하는 방법은 움직이는 장기(organ; 예: 심장, 폐 등)에 잘 적용될 수 있고, 특히 주기적으로 움직이는 심장과 같은 장기에 적용되면 효과적이다. 이하 심장을 중심으로 설명한다.
예를 들어, 장기의 의료 영상을 얻기 위해 CT와 같은 의료 영상 촬영 장치를 이용하여 심장의 주기적 운동에서 복수의 시기(multiphase)에 심장을 촬영한 3D 심장 관류 영상(CT perfusion image; 이하 심장 영상)들을 획득한다(S11). 이후, 심근 관류와 혈관의 해부학적 구조(anatomy)를 연관시켜 분석하기 위해, 획득된 3D 심장 영상들 각각에 대해 심근 및 심혈관을 분할(segmentation)하고, 심근을 심혈관의 구조에 따라 심혈관에 의해 먹여 살려지는 심근 영역들로 나눌 수(divide) 있다(S21). 다음, 심근 영역들이 나누어진 3D 심장 영상들을 정합하고(S31), 정합된 3D 심장 영상들 각각의 Bull's Eye Map을 생성한다(S41). 이후, Bull's Eye Map들각각으로부터 관심 영역을 추출한다(S51). 심장 영상들의 각 점에서 관심 영역들의 중첩 개수를 구한다(S61). 다음, 관심 영역들의 합집합의 사이즈에 대한 중첩 영역의 사이즈의 비율을 구한다(S71). 중첩 정도에 따라 아티팩트와 병변을 구분한다(S81). 여기서 중첩 정도는 중첩 개수이거나, 사이즈 비율이거나 또는 중첩 개수와 사이즈 비율을 모두 고려한 것일 수 있다.
본 개시에 따른 의료 영상에서 아티팩트와 병변을 구분하는 방법에서는 상기 예와 다른 예로서, 심근 영역들로 나누는 과정(S31)은 생략할 수 있다.
또한, 다른 예로서, Bull's Eye Map이 일종의 정합 효과를 가지기 때문에 3D 심장 영상들을 정합하는 과정(S31)을 생략할 수도 있다.
또한, 더욱 다른 예로서, Bull's Eye Map을 생성하지 않고, 정합된 3D 심장 영상들에서 관심 영역을 추출하여 3D 볼륨 데이터인 관심 영역들로부터 중첩 정도를 평가하여 아티팩트와 병변을 구분할 수도 있다.
이하, 각 과정을 상세히 설명한다.
도 4는 multiphase에서 3D 심장 영상들을 획득하는 방법의 일 예를 설명하는 도면이다.
본 예에서 복수의 시기에 촬영된 심장 영상들이 획득된다(S11). 예를 들어, CT를 이용하여 심장의 1박동 주기에서 복수의 시기(multiphase)에 심장을 촬영한 심장 영상들을 획득한다. 심장의 1박동 주기는 약 1초이며, 일 예로 이 시간 간격 내에서 10개 phase의 심장 영상들을 획득할 수 있다.
도 4에는 동맥과 심근에 조영제가 차올라 각각 피크에 도달한 후 시간이 지남에 따라 빠져나가는 Time Attenuation Curve(TAC)가 도시되어 있다.
조영제가 차오르고 빠져나가는 전체적으로 CTP 영상을 획득하여 허혈 영역을 찾을 수 있다(조영제 dynamic 영상). 그러나 이러한 방법은 방사선 피폭량이 크고(high radiation dose),high-end CT 장치가 필요하고 긴 시간 숨을 참아야 하며(long breath hold time; 예 30초)하기 때문에 수행이 어렵고(hard to perform), 심장 수축기(systolic phase)에만 적용될 있는 단점이 있다.
본 예에서는 심근에 조영제의 강도가 피크에 도달한 시간 간격 동안에 심전도 기준으로 심장의 R-R 구간(예를 들어, 1분에 60회 뛴다고 가정할 때, R-R 구간은 1000 msec)에서 복수의 시기(multiphase)에 심장 영상들을 획득한다. 복수의 시기는 각각 심장 박동의 특정 순간을 나타낸다. phase 30%를 보통 심장 수축기로 본다. 이러한 심장 영상 각각은 static 영상이지만, 본 예에서는 이러한 복수의 심장 영상을 이용하므로 심장의 운동을 볼 수 있다. 본 예에 따른 방법은 방사선 피폭량이 작고, CCTA와 같이 수행이 쉬우며, 심장 벽의 비정상 운동(Wall motion abnormality)를 볼 수 있는 장점이 있다.
도 5는 multiphase에서 획득된 3D 심장 영상들의 일 예를 설명하는 도면이다.
심장 영상들을 획득하기 위한 CT Protocol의 일 예로 AMC protocol (25 minutes), Second degeneration dual-source CT가 사용된다. Very smooth kernel (B10f) reconstruction, 10-mm thick MPR image with narrow window setting CT Perfusion에서 phase 0% ~ 90% of R-R interval, 10% increment 조건에 의한 Multiphase 심장 영상들이 도시되어 있다.
심장 영상들에서 심근 관류의 결함의 단서(Diagnostic clue of perfusion defect)를 찾을 수 있다. 예를 들어, 관상동맥 영역(coronary territory)에서 어두운 영역(Low density lesion)을 볼 수 있고, 심장 영상들의 cine image에서 일관되게 어두운 영역(Persistent lesion)은 아티팩트가 아니라 진정한 병변일 확률이 높다. 한편, Transient motion 또는 beam-hardening artifact로 인해 일부의 심장 영상에서는 어둡고 어떤 심장 영상에서는 밝은 영역, 즉 일관되지 않은 어두운 영역은 아티팩트일 확률이 높다. 또한, 심장 영상들의 cine image로부터 Complementary regional wall motion abnormality를 찾을 수도 있다.
도 6은 multiphase에서 획득된 3D 심장 영상들에서 아티팩트의 일 예를 설명하는 도면이다.
예를 들어, 심장을 R-R 구간에서 10 phase의 심장 영상들을 찍는다. 도 6에는 서로 다른 축으로 도시된 3개 phase 심장 영상들이 도시되어 있다. 30% phase에서 어두운 영역(화살표로 표시됨)은 일응 허혈(ischemia) 영역으로 보일 수 있다. 그러나 40% 및 80% phase에서 해당 영역(*로 표시됨)은 밝다. 이와 같이 어두운 영역이 심장 영상들에서 일관되지 못하면 아티팩트일 확률이 높다. 즉 찾고자 하는 진정한 병변(true lesion; 병변)일 확률이 낮다.
이와 같이 multiphase 심장 영상들에서 평균 밝기보다 밝기가 작은, 즉 어두운 영역(관심 영역)의 일관성을 추적하면 아티팩트와 병변을 기존의 방법들 보다 더 정확도 높게 구분할 수 있다. 획득된 심장 영상들 중에서 일부는 상태가 좋지 못하여 버려질 수 있다. 판정의 대상이 된 나머지 심장 영상들에서 어떤 관심 영역이 일관되게 나타나면 그 관심 영역은 병변일 확률이 높다. 이와 다르게 어떤 phase의 심장 영상에서 나타난 관심 영역이 다른 phase의 심장 영상에서 나타나지 않는다면 그 관심 영역은 아티팩트로 볼 수 있다.
이러한, multiphase 심장 영상들을 시각적으로 판단하는 것에 더하여 더 객관적이고 정량적으로 판별하기 위해 심장 영상들이 정합(registration)되거나 2차원 이미지인 Bull's eye map을 생성할 수 있다. 이에 대해서는 후술된다.
도 7은 심장 영상이 단축정렬되는 일 예를 설명하는 도면이다.
심장 영상이 심근의 단축(short axis) 방향으로 정렬(alignment)된다.
도 7에는 CT의 스캔 축 방향에 따른 심장 영상(좌측 상단)과 단축정렬된(Short axis alignment) 심장 영상(상단 중앙)이 나타나 있다. 좌심실과 우심실의 심근의 모델이 도 7의 우측에 나타나 있다. 심근은 도 7에 보이는 것과 같이 장축(Long axis) 및 단축을 가진다. CT의 스캔 방향은 심근의 장축 및 장축과 교차하는 단축(short axis)과 나란하지 않다. 따라서 3차원 데이터인 심장 영상을 일정한 관찰 방향을 정해서 평가하기 위해 심장 영상이 단축 또는 장축 방향으로 정렬되는 것이 바람직하다.
한편, 후술될 정합(registration)의 과정을 고려하면, 심장 영상들 중 하나가 정합의 기준(reference)이 될 수 있다.
도 8 및 도 9는 혈관 기반 심근 영역 나누기의 일 예를 설명하는 도면이다.
심장 영상은 심근의 관류(perfusion) 영상이다. 따라서 심장 혈관, 심근 및 관류가 해부학적으로 관련되도록 하는 것이 허혈 영역과 관련 있는 혈관을 찾는 등의 문제 해결을 위해 바람직하다. 이러한 해부학적 관계를 찾기 위해 3D 심장 영상들 각각에 대해 심근 및 심혈관을 분할(segmentation)하고, 심근을 심혈관의 구조에 따라 심혈관에 의해 먹여 살려지는 심근 영역들로 나눌(divide) 수 있다(S21).
본 예와 다르게 3D 심장 영상들 간에 정합을 먼저 하는 경우, 정합의 기준이 되는 심장 영상만 심근 영역들로 나누는 과정을 수행하고 나머지 심장 영상들은 정합 정보를 기초로 심근 영역들로 나누어질 수도 있다.
본 예에서, 상기와 같이 단축정렬된 심장 영상을 기초로 심근 및 심혈관이 분할(segmentation)되고, 심근이 심혈관의 구조에 따라 심혈관에 의해 먹여 살려지는 심근 영역들로 나누어(divided)진다.
예를 들어, 심장 영상을 기초로 Adaptive Dilation 기반 심혈관 분할 방법에 의해 심혈관이 분할된다. 또한, Template 기반 심혈관 라벨링 및 수정 과정이 수행된다. 이후, 심혈관 Diameter-Dilation 기반 심근 영역 나누기 및 수정 과정이 이루어진다. 심혈관 Diameter-Dilation 기반 심근 영역 나누기 및 수정 과정은 심근 영역들의 사이즈가 심혈관의 직경에 비례하도록 디스턴스맵(distance map)을 생성하는 과정을 포함한다. 예를 들어, 관상동맥 RCA(Right Coronary Artery), LAD(Left Anterior Descending branch) 및 LCX(Circumflex branch)은 그 직경이 위치에 따라 다르고, 직경이 클수록 먹어 살리는 심근 영역의 사이즈가 더 크다고 볼 수 있다. 따라서 RCA, LAD 및 LCX의 해부학적 구조에 따라 심근 영역을 나누는 것이 심근 관류(myocardial perfusion)를 더 실재에 가깝게 평가하는 데에 유리하다.
상기와 같이 심근 영역으로 영역 나누기가 되는 과정에서 도 8(a)에 도시된 것과 같이 템플릿 기반 변형 모델(Template-based deformable models)이 이용될 수 있다. 템플릿은 thick-section 이미지를 이용하여 미리 정의된 영역 모델이며, 변형 모델(M. Kaus et al., 2004)이 참조될 수 있다.
템플릿 기반 변형 모델을 이용한 영역 나누기에서 다음 수학식(1)을 만족하는 곡면 상의 점을 매칭한다.
v: contour vertex
N(j): neighbors of vertex j
s: scaling
R: rotation matrix
전술된 혈관 및 심근의 분할과, 심근 영역들로 영역 나누기를 하는 과정은 자동알고리즘에 의해 수행될 수 있다. 한편, 자동알고리즘이 항상 성공하는 것은 아니므로, 전술된 영역 나누기의 결과가 영상의학, 임상의학 또는 동물실험과 비교되는 과정을 거칠 수 있다. 또한, 도 8(b)에 도시된 것과 같이, Volume fitting 및 Manual Editing 모듈에 의해 수정되는 과정을 거칠 수 있다.
Volume fitting은 혈관 구조에 따라 나누어진 심근 영역들을 사용자가 손쉽게 수정할 수 있는 방법을 제공한다. 예를 들어, 한정된 숫자의 제어점(Control points)을 이용하여 심근 영역을 수정하며, Free-form deformable model이 적용될 수 있다(도 8(b) 참조).
Volume fitting에서 Free-form deformable model은 하기 수학식(2)로 정의된다.
fitting은 제어점(Control points)을 찾는 문제로서 하기와 같이 표현된다.
Manual Editing은 제어점 이동을 통한 영역 수정에 의해 수행될 수 있다.
상기와 같은 과정을 거쳐서 분할된 심혈관과 심근(도 9에는 left ventricle이 도시됨)은 도 9에 도시된 3차원 이미지에서 단축 방향 반경, 단축으로부터 회전각도 및 장축 방향 높이로 구성된 3차원 좌표값을 가진다. 여기서 장축 방향으로 투사되어 apex 측에 단축과 평행한 2차원 영상이 형성된다. 즉, 상기 높이를 제외하면 상기 3차원 좌표는 2차원 영상에 대응된다.
도 10은 상호보완정보 기반 강체정합의 알고리즘 프레임워크의 일 예를 보여주는 도면이다.
심근 관류를 보여주는 multiphase 심장 영상들은 심장의 R-R 구간 운동을 보여 주므로 따라서 multiphase 심장 영상들을 비교하기 위해서는 정합(registration)의 과정이 필요하다(S31).
본 예에서 정합 과정은 심근 영역들로 나눈 후에 수행되지만, 본 예와 다르게 정합 과정은 multiphase 심장 영상들을 얻은 후, 심근 영역들로 나누기 전에 이루어질 수도 있다.
한편, Bull's Eye Map 자체가 일종의 표준화이어서 정합의 효과를 가지기 때문에 본 예에 따른 의료 영상에서 아티팩트와 병변을 구분하는 방법이 반드시 3D 심장 영상들 간의 정합의 과정을 포함해야만 하는 것은 아니다. 다만, 이러한 정합의 과정을 거치면 후술될 Bull's Eye Map들에서 추출된 관심 영역들 간의 중첩 정도의 정확도가 더 향상될 수도 있다.
multiphase 심장 영상들을 정합하기 위해서는 강체정합(rigid registration) 및 비강체정합(non-rigid registration)의 방법이 함께 사용될 수 있다.
예를 들어, 상호보완정보 기반 강체정합(Mutual information based rigid registration)에 의해 어느 하나의 심장 영상을 기준으로 나머지 심장 영상들이 정합된다.
상호보완정보 기반 강체정합에서는 한 이미지에서 비슷한 음영을 가지는 비슷한 조직 영역은 다른 이미지의 비슷한 음영으로 이루어진 영역에 대응될 것이라고 가정된다. 만약 두 이미지가 잘 정렬되면 bivariate histogram은 일정 영역에 모이는 경향을 보여주므로 불확실성(uncertainty)이 떨어진다. 이 사실을 이용하여 정합이 될 수 있다.
상호보완정보(Mutual information )는 하기 방정식에 의해 정의된다.
u, v : input image
H: Joint distribution을 위한 Shannon 엔트로피
p: bivariate histogram의 확률밀도함수
Normalized Mutual Information은 하기 식으로 정의된다.
상기와 같은 상호보완정보의 정의에 의하면, 정합은 NMI를 최대화하는 변환행렬 T를 구하는 문제가 된다.
한편, 전술된 것과 같이 강체정합을 수행하더라도 심장 영상들이 사실상 완전히 일치하지는 않는다. 따라서 단순하게 강체정합만으로는, 즉 하나의 contour로는 심장 영상들에서 동일한 영역을 분할할 수 없다. 이와 같이 강체정합의 문제점을 보완하기 위해 비강체정합이 수행될 수 있다.
정합의 결과 심장 영상들의 복셀(voxel)들 간의 관계가 구해진다.
다음으로, 3D 데이터인 multiphase 심장 영상들 각각에 대해 상기한 Bull's Eye Map을 구하는 과정을 수행한다(S41).
예를 들어, 다시 도 9를 참조하면, 전술된 것과 같이 심근 영역들로 나누어지고 서로 정합된 심장 영상들에 있어서, 심근이 장축 방향으로 투사되어 심근 영역들 및 심혈관(RCA, LAD, LCX)이 2차원 영상(Bull's Eye Map)으로 획득된다.
예를 들어, 분할된 심혈관과 심근은 도 9에 도시된 3차원 이미지에서 단축 방향 반경, 단축으로부터 회전각도 및 장축 방향 높이로 구성된 3차원 좌표값을 가진다. 여기서 장축 방향으로 투사되어 apex 측에 단축과 평행한 2차원 영상이 형성된다. 즉, 상기 높이를 제외하면 상기 3차원 좌표는 2차원 영상(Bull's Eye Map)에 대응된다.
도 9에는 관상동맥 RCA, LAD 및 LCX와 심근 영역들이 나타나 있다. Bull's Eye Map으로 표시된 심근 영역들이 관상동맥 RCA, LAD 및 LCX의 구조에 따라 나누어져 있다. 전술된 것과 같이, 각 심근 영역의 사이즈는 관상동맥 RCA, LAD 및 LCX의 직경에 각각 비례하도록 형성되는 것이 바람직하다.
이렇게 획득된 Bull's Eye Map들에서 심혈관의 구조에 따라 나누어진 심근 영역들에 기초하여 심근 영역 기반 CT Perfusion 결과 Overlay, 심근 영역 기반 Perfusion Analysis 및 Anatomy Function Mismatch/Match Analysis가 이루어질 수 있다.
도 11은 Bull's Eye Map들에서 병변의 일 예를 설명하는 도면이다.
이후, 허혈 영역(ischemia region)으로 의심되는 영역(관심 영역)을 찾도록 각 Bull's Eye Map을 쓰레쉬홀딩(thresholding)하여 관심 영역을 추출한다(S51).
예를 들어, 관심 영역은 평균 밝기보다 낮은 영역을 찾도록 쓰레쉬홀딩값(예: HU 값)을 부여하는 등의 방법으로 관심 영역을 구분한다. 밝기의 정도를 구분하도록 쓰레쉬홀딩한 결과 Bull's Eye Map에서 각 점들이 색을 달리하여(도 11에는 색이 나타나지 않고 색이 명암으로 나타나 있다) 나타난다. 붉은색과 연두색(흑백 명암이 나타난 도 11에서 대략 밝은 영역)은 심근에 피의 공급이 원활하여 신호(density)가 높은 영역으로서 정상 영역이다. 파란색과 보라색(흑백 명암이 나타난 도 11에서 대략 어두운 영역)은 심근에 필요한 피의 양보다 적은 양의 피가 공급되는 또는 피가 공급되지 않는 관심 영역이다.
도 11에서 관심 영역이 phase 20%-90%까지 비교적 일관된 영역에 나타나는 것을 의사나 전문가는 시각적으로 판별할 수 있다. 그러나 본 개시에 따른 의료 영상에서 아티팩트와 병변(진정한 허혈 영역)을 구분하는 방법은 multiphase 심장 영상들에서 허혈 영역의 일관성에 관한 객관적 정략적 정보를 제공하며, 시각적 판단의 검증 근거를 제고할 수 있고, 진정한 허혈 영역을 구분하는 정확도를 향상한다. 이에 대해서는 더 후술된다.
도 12는 Bull's Eye Map들에서 아티팩트의 일 예를 설명하는 도면이다.
도 12에서 20%, 30%, 40% phase Bull's Eye Map에서 관심 영역이 나타나는 위치가 현저히 다르고, 특히 40% phase Bull's Eye Map에서는 어두운 부분이 매우 작거나 약한 것을 확인할 수 있다. 또한, 나머지 phase Bull's Eye Map에서도 관심 영역이 나타나는 위치가 일관되지 못한 것을 알 수 있다. beam-hardening artifact 및 Transient motion artifact와 같은 아티팩트는 모든 phase에서 나타나는 것이 아니라 일시적으로 나타났다가 사라지는 특성이 있다. 이와 반대로 진정한 허혈 영역은 사용 가능한 모든 phase에서 일관되게 어둡게 나타난다. 따라서, 도 12에 나타난 관심 영역들(어두운 영역들)은 진정한 허혈 영역이 아니라고 판단된다.
도 13은 병변을 추출하는 방법의 일 예를 설명하는 도면이다.
전술한 것과 같이, 각 Bull's Eye Map을 쓰레쉬홀딩하여 관심 영역이 추출된다. 도 13에는 설명의 편의상 기준이 Bull's Eye Map 내의 관심 영역(110)과 다른 Bull's Eye Map들에서 추출된 관심 영역들(120, 130) 2개가 중첩되도록 도시되어 있다.
병변을 찾는 지표로서 관심 영역들이 중첩되는 개수를 사용할 수 있다(S61). 관심 영역들(110, 120, 130)을 이루는 각 점에서, 또는 기준이 Bull's Eye Map 내의 각 점에서 관심 영역이 중첩되는 개수를 소프트웨어에 의해 자동으로 계산할 수 있다. 중첩되는 관심 영역의 개수가 많은 영역(예: 101)수록 병변(진정한 허혈 영역)일 확률이 높다.
병변을 찾는 다른 지표로서 관심 영역들의 합집합의 면적에 대한 중첩 개수가 N 이상인 점들로 이루어진 중첩 영역의 면적의 비율을 구할 수 있다(S71).
상기 2가지 지표를 결합하여, 중첩 개수 및 면적의 비율 중 적어도 하나가 기준 이상(예: 중첩 개수 6, 사이즈 비율 0.5 이상)인 영역을 ture lesion(병변)으로 판정하고, 기준 미만인 영역은 아티팩트에 의한 것으로 판정할 수 있다.
또는 더 폭넓은 관점에서, 중첩 개수와 면적 비율에 각각 가중치를 부여하여 중첩 개수가 N 이상이고 면적 비율을 K 이상으로 만드는 점(픽셀)들의 집합이 진정한 허혈 영역일 확률을 구하는 병변 확률 함수를 구할 수도 있다.
중첩 개수 및 면적 비율 이외에도 병변을 찾는 또 다른 지표들이 개발될 수 있다.
도 14는 병변을 추출하는 방법의 다른 예를 설명하는 도면이다.
본 개시에 따른 의료 영상에서 아티팩트와 병변을 구분하는 방법은 Bull's Eye Map을 생성하는 과정을 반드시 포함해야 하는 것은 아니다. 3D 심장 영상들을 3D 정합하고, 정합된 3D 심장 영상들을 각각 쓰레쉬홀딩하면 복셀(voxel)들의 클러스터(cluster)로서 관심영역들(예: 210, 220, 230)이 추출될 수 있다. 이러한 관심 영역들(210, 220, 230)의 각 복셀들에 대해 관심 영역의 중첩의 개수를 구할 수 있다. 중첩 개수가 기준(예: 6개) 이상이면 병변으로 판정하고 미만이면, 아티팩트로 판정할 수 있다.
또한, 다른 방법으로 3D 관심 영역들(210, 220, 230)의 합집합의 볼륨1을 구한다. 또한, 중첩 개수가 N 이상인 점들로 이루어진 중첩 영역의 볼륨2를 구한다. 볼륨 비율(볼륨2/볼륨1)이 기준(예: 0.5) 이상이면 병변(예: 201)으로 판정하고 미만이면 아티팩트로 판정할 수 있다.
또한, 도 13에서 설명한 것과 유사하게 중첩 개수 및 볼륨 비율을 함께 고려한 경험식을 구할 수도 있다.
더욱 일반적으로 중첩의 개수, Bull's Eye Map 또는 3D 심장 영상에서 점(픽셀 또는 복셀)의 위치, 관심 영역들의 사이즈(면적, 볼륨), 관심 영역들의 위치, phase 값, 환자의 나이나 성 등의 요소들을 입력으로 하여 로지스트 리그레션 분석(logistic regression analysis)이나 베이시안 분석법(bayesian analysis)에 의해 각 픽셀 또는 복셀이 허혈 영역일 확률분포함수를 구할 수도 있다. 그 결과 병변이 확률적으로 구해질 수도 있다.
도 3 내지 도 14에서 설명된 의료 영상에서 아티팩트와 병변을 구분하는 방법은 하나 이상의 소프트웨어에 의해 자동으로 또는, 사용자 인터페이스와 결합하여 수행될 수 있다. 예를 들어, 도 3에 도시된 각 단계를 수행하는 소프트웨어들을 구성할 수 있다.
본 개시에 따른 의료 영상에서 아티팩트와 병변을 구분하는 방법에 의하면 아티팩트와 허혈 영역의 구분에 있어서 정확도(accuracy)가 향상된다.
이하 본 개시의 다양한 실시 형태에 대하여 설명한다.
(1) 장기의 의료 영상을 획득하는 단계는: 의료 영상 촬영 장치를 이용하여 심장의 1박동 주기에서 복수의 시기에 심장을 촬영한 3D 심장 관류(perfusion) 영상들을 획득하는 과정;을 포함하는 것을 특징으로 하는 의료 영상에서 아티팩트와 병변을 구분하는 방법.
본 개시에서 multiphase 심장 영상들이 반드시 심장의 1박동 주기에서 획득되는 것으로 제한되는 것은 아니다. 다른 심장 박동 주기에서 다른 phase의 심장 영상들이 획득될 수도 있다.
(2) 병변을 추출하는 단계는: 관심 영역들 중 의료 영상들에서 일관되지 않는 영역을 아티팩트로 구분하는 과정; 그리고 관심 영역들 중 의료 영상들에서 일관된(consistent) 영역을 병변(diseased area)으로 구분하는 과정;을 포함하는 것을 특징으로 하는 의료 영상에서 아티팩트와 병변을 구분하는 방법.
(3) 병변을 추출하는 단계는: 관심 영역들을 구성하는 각 점에 대해 관심 영역의 중첩 개수를 구하는 과정;을 포함하는 것을 특징으로 하는 의료 영상에서 아티팩트와 병변을 구분하는 방법.
(4) 병변을 추출하는 단계는: 관심 영역들의 합집합의 사이즈에 대한 관심 영역들 간의 중첩 영역의 사이즈의 비율을 구하는 과정;을 포함하는 것을 특징으로 하는 의료 영상에서 아티팩트와 병변을 구분하는 방법.
(5) 병변을 추출하는 단계는: 관심 영역들을 구성하는 각 점에 대해 관심 영역의 중첩 개수를 구하는 과정; 관심 영역들의 합집합의 사이즈에 대한 중첩 개수가 N 이상인 점들로 이루어진 중첩 영역의 사이즈의 비율을 구하는 과정; 그리고 중첩 개수 및 사이즈의 비율 중 적어도 하나가 기준 이상인 병변을 판정하는 과정;을 포함하는 것을 특징으로 하는 의료 영상에서 아티팩트와 병변을 구분하는 방법.
(6) 관심 영역들을 구분하는 단계는: 3D 심장 영상들을 각각의 Bull's Eye Map을 생성하는 과정; 그리고 허혈 영역(ischemia region)을 찾도록 Bull's Eye Map들을 쓰레쉬홀딩(thresholding)하여 허혈 영역으로 의심되는 영역으로서 관심 영역들을 추출하는 과정;을 포함하는 것을 특징으로 하는 의료 영상에서 아티팩트와 병변을 구분하는 방법.
(7) 관심 영역들을 구분하는 단계는: 획득된 3D 심장 영상들을 정합(registration)하는 과정; 정합된 3D 심장 영상들을 각각의 Bull's Eye Map을 생성하는 과정; 그리고 허혈 영역(ischemia region)을 찾도록 Bull's Eye Map들을 쓰레쉬홀딩(thresholding)하여 허혈 영역으로 의심되는 영역으로서 관심 영역들을 추출하는 과정;을 포함하는 것을 특징으로 하는 의료 영상에서 아티팩트와 병변을 구분하는 방법.
(8) 관심 영역들을 구분하는 단계는: 획득된 3D 심장 영상들을 정합(registration)하는 과정; 그리고 정합된 3D 심장 영상들을 허혈 영역(ischemia region)을 찾도록 쓰레쉬홀딩(thresholding)하여 허혈 영역으로 의심되는 영역으로서 3D 관심 영역들을 추출하는 과정;을 포함하는 것을 특징으로 하는 의료 영상에서 아티팩트와 병변을 구분하는 방법.
(9) 관심 영역들을 구분하는 단계 전에 획득된 3D 심장 영상들 각각에 대해 심근 및 심혈관이 분할(segmentation)되고, 심근이 심혈관의 구조에 따라 심혈관에 의해 먹여 살려지는 심근 영역들로 나누는(divide) 단계;를 포함하는 것을 특징으로 하는 의료 영상에서 아티팩트와 병변을 구분하는 방법.
(10) 장기의 의료 영상을 획득하는 단계는: CTP(CT perfusion)에 의해 심장 박동의 R-R 주기에서 일정한 간격의 복수의 시기(phase)에 심장을 촬영한 3D 심장 영상들을 획득하는 과정;을 포함하며, 관심 영역들을 구분하는 단계는: 획득된 3D 심장 영상들을 정합(registration)하는 과정; 정합된 3D 심장 영상들을 각각의 Bull's Eye Map을 생성하는 과정; 그리고 허혈 영역(ischemia region)을 찾도록 Bull's Eye Map들을 쓰레쉬홀딩(thresholding)하여 관심 영역들을 추출하는 과정;을 포함하며, 병변을 추출하는 단계는: 관심 영역들을 구성하는 각 점에 대해 관심 영역의 중첩 개수를 구하는 과정; 관심 영역들의 합집합의 사이즈에 대한 중첩 개수가 N인 점들로 이루어진 중첩 영역의 사이즈의 비율을 구하는 과정; 그리고 중첩 개수 및 비율 중 적어도 하나가 기준 이상인 병변을 판정하는 과정;을 포함하는 것을 특징으로 하는 의료 영상에서 아티팩트와 병변을 구분하는 방법.
본 개시에 따른 하나의 의료 영상에서 아티팩트와 병변을 구분하는 방법에 의하면, 관상동맥 질환(coronary artery disease)을 가진 것으로 의심되는 환자의 CTP에서 아티팩트와 진정한 허혈 영역 구분의 정확도가 향상된다.
본 개시에 따른 다른 하나의 의료 영상에서 아티팩트와 병변을 구분하는 방법에 의하면 multiphase 심장 영상들에서 아티팩트와 허혈 영역을 구분하는 객관적 및 정략적 정보를 제공한다.
본 개시에 따른 다른 하나의 의료 영상에서 아티팩트와 병변을 구분하는 방법에 의하면 multiphase 심장 영상들에 대한 시각적 판단의 검증 근거를 제공한다.
Claims (11)
- 의료 영상에서 아티팩트(artifact)와 병변(diseased area)을 구분하는 방법에 있어서,
운동하는 장기(organ)에 대해 복수의 시기(multiphase)에서 장기의 의료 영상들을 획득하는 단계;
의료 영상들 각각에서 관심 영역을 구분하는 단계; 그리고
관심 영역들 간의 중첩 정도를 평가하여 아티팩트와 병변을 구분하는 단계;를 포함하는 것을 특징으로 하는 의료 영상에서 아티팩트와 병변을 구분하는 방법. - 청구항 1에 있어서,
장기의 의료 영상을 획득하는 단계는:
의료 영상 촬영 장치를 이용하여 심장의 1박동 주기에서 복수의 시기에 심장을 촬영한 3D 심장 관류(perfusion) 영상들을 획득하는 과정;을 포함하는 것을 특징으로 하는 의료 영상에서 아티팩트와 병변을 구분하는 방법. - 청구항 1에 있어서,
병변을 추출하는 단계는:
관심 영역들 중 의료 영상들에서 일관되지 않는 영역을 아티팩트로 구분하는 과정; 그리고
관심 영역들 중 의료 영상들에서 일관된(consistent) 영역을 병변(diseased area)으로 구분하는 과정;을 포함하는 것을 특징으로 하는 의료 영상에서 아티팩트와 병변을 구분하는 방법. - 청구항 1에 있어서,
병변을 추출하는 단계는:
관심 영역들을 구성하는 각 점에 대해 관심 영역의 중첩 개수를 구하는 과정;을 포함하는 것을 특징으로 하는 의료 영상에서 아티팩트와 병변을 구분하는 방법. - 청구항 1에 있어서,
병변을 추출하는 단계는:
관심 영역들의 합집합의 사이즈에 대한 관심 영역들 간의 중첩 영역의 사이즈의 비율을 구하는 과정;을 포함하는 것을 특징으로 하는 의료 영상에서 아티팩트와 병변을 구분하는 방법. - 청구항 1에 있어서,
병변을 추출하는 단계는:
관심 영역들을 구성하는 각 점에 대해 관심 영역의 중첩 개수를 구하는 과정;
관심 영역들의 합집합의 사이즈에 대한 중첩 개수가 N 이상인 점들로 이루어진 중첩 영역의 사이즈의 비율을 구하는 과정; 그리고
중첩 개수 및 사이즈의 비율 중 적어도 하나가 기준 이상인 병변을 판정하는 과정;을 포함하는 것을 특징으로 하는 의료 영상에서 아티팩트와 병변을 구분하는 방법. - 청구항 2에 있어서,
관심 영역들을 구분하는 단계는:
3D 심장 영상들을 각각의 Bull's Eye Map을 생성하는 과정; 그리고
허혈 영역(ischemia region)을 찾도록 Bull's Eye Map들을 쓰레쉬홀딩(thresholding)하여 허혈 영역으로 의심되는 영역으로서 관심 영역들을 추출하는 과정;을 포함하는 것을 특징으로 하는 의료 영상에서 아티팩트와 병변을 구분하는 방법. - 청구항 2에 있어서,
관심 영역들을 구분하는 단계는:
획득된 3D 심장 영상들을 정합(registration)하는 과정;
정합된 3D 심장 영상들을 각각의 Bull's Eye Map을 생성하는 과정; 그리고
허혈 영역(ischemia region)을 찾도록 Bull's Eye Map들을 쓰레쉬홀딩(thresholding)하여 허혈 영역으로 의심되는 영역으로서 관심 영역들을 추출하는 과정;을 포함하는 것을 특징으로 하는 의료 영상에서 아티팩트와 병변을 구분하는 방법. - 청구항 2에 있어서,
관심 영역들을 구분하는 단계는:
획득된 3D 심장 영상들을 정합(registration)하는 과정; 그리고
정합된 3D 심장 영상들을 허혈 영역(ischemia region)을 찾도록 쓰레쉬홀딩(thresholding)하여 허혈 영역으로 의심되는 영역으로서 3D 관심 영역들을 추출하는 과정;을 포함하는 것을 특징으로 하는 의료 영상에서 아티팩트와 병변을 구분하는 방법. - 청구항 7에 있어서,
관심 영역들을 구분하는 단계 전에
획득된 3D 심장 영상들 각각에 대해 심근 및 심혈관이 분할(segmentation)되고, 심근이 심혈관의 구조에 따라 심혈관에 의해 먹여 살려지는 심근 영역들로 나누는(divide) 단계;를 포함하는 것을 특징으로 하는 의료 영상에서 아티팩트와 병변을 구분하는 방법. - 청구항 1에 있어서,
장기의 의료 영상을 획득하는 단계는:
CTP(CT perfusion)에 의해 심장 박동의 R-R 주기에서 일정한 간격의 복수의 시기(phase)에 심장을 촬영한 3D 심장 영상들을 획득하는 과정;을 포함하며,
관심 영역들을 구분하는 단계는:
획득된 3D 심장 영상들을 정합(registration)하는 과정;
정합된 3D 심장 영상들을 각각의 Bull's Eye Map을 생성하는 과정; 그리고
허혈 영역(ischemia region)을 찾도록 Bull's Eye Map들을 쓰레쉬홀딩(thresholding)하여 관심 영역들을 추출하는 과정;을 포함하며,
병변을 추출하는 단계는:
관심 영역들을 구성하는 각 점에 대해 관심 영역의 중첩 개수를 구하는 과정;
관심 영역들의 합집합의 사이즈에 대한 중첩 개수가 N인 점들로 이루어진 중첩 영역의 사이즈의 비율을 구하는 과정; 그리고
중첩 개수 및 비율 중 적어도 하나가 기준 이상인 병변을 판정하는 과정;을 포함하는 것을 특징으로 하는 의료 영상에서 아티팩트와 병변을 구분하는 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140036688A KR101611488B1 (ko) | 2014-03-28 | 2014-03-28 | 의료 영상에서 아티팩트와 병변을 구분하는 방법 |
| PCT/KR2015/003049 WO2015147595A1 (ko) | 2014-03-28 | 2015-03-27 | 의료 영상에서 아티팩트와 병변을 구분하는 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140036688A KR101611488B1 (ko) | 2014-03-28 | 2014-03-28 | 의료 영상에서 아티팩트와 병변을 구분하는 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20150113393A true KR20150113393A (ko) | 2015-10-08 |
| KR101611488B1 KR101611488B1 (ko) | 2016-04-12 |
Family
ID=54196006
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020140036688A KR101611488B1 (ko) | 2014-03-28 | 2014-03-28 | 의료 영상에서 아티팩트와 병변을 구분하는 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR101611488B1 (ko) |
| WO (1) | WO2015147595A1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190113078A (ko) * | 2018-03-27 | 2019-10-08 | 울산대학교 산학협력단 | 영상 처리 장치 및 방법 |
| KR20210006270A (ko) * | 2019-07-08 | 2021-01-18 | 한국과학기술원 | 3차원 산업용 컴퓨터 단층 영상 기법에서 금속으로 인한 인공음영 제거 방법 및 장치 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020141847A1 (ko) * | 2019-01-02 | 2020-07-09 | 울산대학교 산학협력단 | 피브린과침착증 진단 장치 및 방법 |
| KR102102255B1 (ko) | 2019-05-14 | 2020-04-20 | 주식회사 뷰노 | 의료 영상에서 병변의 시각화를 보조하는 방법 및 이를 이용한 장치 |
| CN115082409B (zh) * | 2022-06-30 | 2023-07-07 | 心禾互联网医院(成都)有限公司 | 一种自动化识别核素影像诊断心肌缺血的系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10245943B4 (de) | 2002-09-30 | 2008-06-26 | Siemens Ag | Verfahren zur Erzeugung von CT-Bildern eines periodisch bewegten Organs und CT-Gerät zur Durchführung eines solchen Verfahrens |
| US8014576B2 (en) * | 2005-11-23 | 2011-09-06 | The Medipattern Corporation | Method and system of computer-aided quantitative and qualitative analysis of medical images |
| DE102006020864A1 (de) | 2006-05-04 | 2007-11-08 | Siemens Ag | Verfahren zur Ermittlung und Anzeige von wenigstens einer Information über ein Zielvolumen |
| JP2009082227A (ja) | 2007-09-27 | 2009-04-23 | Fujifilm Corp | 医用レポートシステム、医用レポート作成装置、及び医用レポート作成方法 |
| CN102421373B (zh) * | 2009-05-20 | 2014-07-16 | 株式会社日立医疗器械 | 医用图像诊断装置及其感兴趣区域设定方法 |
-
2014
- 2014-03-28 KR KR1020140036688A patent/KR101611488B1/ko active IP Right Grant
-
2015
- 2015-03-27 WO PCT/KR2015/003049 patent/WO2015147595A1/ko active Application Filing
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190113078A (ko) * | 2018-03-27 | 2019-10-08 | 울산대학교 산학협력단 | 영상 처리 장치 및 방법 |
| KR20210006270A (ko) * | 2019-07-08 | 2021-01-18 | 한국과학기술원 | 3차원 산업용 컴퓨터 단층 영상 기법에서 금속으로 인한 인공음영 제거 방법 및 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR101611488B1 (ko) | 2016-04-12 |
| WO2015147595A1 (ko) | 2015-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6557767B2 (ja) | 多数の画像取得または再構築を使用する画像ベースのオブジェクトモデリングのためのシステム及び方法 | |
| EP2932469B1 (en) | Method of determining the blood flow through coronary arteries | |
| US9454813B2 (en) | Image segmentation assignment of a volume by comparing and correlating slice histograms with an anatomic atlas of average histograms | |
| JP4728627B2 (ja) | Ｃｔ血管造影法における構造を領域分割する方法及び装置 | |
| WO2018120644A1 (zh) | 血管提取方法及系统 | |
| WO2018023917A1 (zh) | 一种下肢血管的提取方法及系统 | |
| US20110150309A1 (en) | Method and system for managing imaging data, and associated devices and compounds | |
| US20060239524A1 (en) | Dedicated display for processing and analyzing multi-modality cardiac data | |
| US20080317310A1 (en) | Method and system for image processing and assessment of blockages of heart blood vessels | |
| US11278256B2 (en) | Method and system for imaging | |
| JP5295562B2 (ja) | フレキシブル３次元回転血管造影−コンピュータ断層撮影融合方法 | |
| KR101611488B1 (ko) | 의료 영상에서 아티팩트와 병변을 구분하는 방법 | |
| US20100260394A1 (en) | Image analysis of brain image data | |
| WO2023063318A1 (ja) | 診断支援プログラム | |
| US7421100B2 (en) | Method, computer program and system of visualizing image data | |
| Malkasian et al. | Quantification of vessel-specific coronary perfusion territories using minimum-cost path assignment and computed tomography angiography: validation in a swine model | |
| US11723617B2 (en) | Method and system for imaging | |
| JP2015514520A (ja) | 血管領域の同定 | |
| KR101479577B1 (ko) | 심근 및 심혈관 정보의 통합 분석 방법 | |
| US7394920B2 (en) | Automated computer-implemented method and system for reorienting emission computer tomographic myocardial perfusion images | |
| Kirişli et al. | Comprehensive visualization of multimodal cardiac imaging data for assessment of coronary artery disease: first clinical results of the SMARTVis tool | |
| Larralde et al. | Evaluation of a 3D segmentation software for the coronary characterization in multi-slice computed tomography | |
| US20230095242A1 (en) | Method and system for multi-modality joint analysis of vascular images | |
| Mahnken et al. | The culprit lesion and its consequences: combined visualization of the coronary arteries and delayed myocardial enhancement in dual-source CT: a pilot study | |
| Kuehnel et al. | New software assistants for cardiovascular diagnosis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E90F | Notification of reason for final refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20200211 Year of fee payment: 5 |