KR20160007406A - 3d 데이터 기록에 기초하여 검사 대상의 병리학적 변화를 표시하기 위한 방법 및 장치 - Google Patents

3d 데이터 기록에 기초하여 검사 대상의 병리학적 변화를 표시하기 위한 방법 및 장치 Download PDF

Info

Publication number
KR20160007406A
KR20160007406A KR1020150097374A KR20150097374A KR20160007406A KR 20160007406 A KR20160007406 A KR 20160007406A KR 1020150097374 A KR1020150097374 A KR 1020150097374A KR 20150097374 A KR20150097374 A KR 20150097374A KR 20160007406 A KR20160007406 A KR 20160007406A
Authority
KR
South Korea
Prior art keywords
anatomical
anatomical regions
pixels
deviation value
regions
Prior art date
Application number
KR1020150097374A
Other languages
English (en)
Inventor
마틴 그랜디
패트릭 해그만
스테판 휴버
거나르 크뤼거
필립 마에더
베네딕트 마레샬
레토 메울리
Original Assignee
지멘스 악티엔게젤샤프트
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 지멘스 악티엔게젤샤프트 filed Critical 지멘스 악티엔게젤샤프트
Publication of KR20160007406A publication Critical patent/KR20160007406A/ko

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • G06T7/0014Biomedical image inspection using an image reference approach
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • G06F19/321
    • G06F19/3487
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00Indexing scheme for image data processing or generation, in general
    • G06T2200/04Indexing scheme for image data processing or generation, in general involving 3D image data
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10004Still image; Photographic image
    • G06T2207/10012Stereo images
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10088Magnetic resonance imaging [MRI]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30008Bone
    • G06T2207/30012Spine; Backbone
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30016Brain

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)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

3D 데이터 기록에 기초하여 검사 대상의 병리학적 변화를 표시하기 위한 방법 및 장치
본 발명은 검사 대상들에서 해부 영역들의 병리학적인 변화들을 분석하기 위한 방법 및 장치에 관한 것이다. 이와 같은 경우에, 본 방법은 해부 영역의 3D 데이터의 세그먼트화, 그 표준화, 참조 모델(31)과의 비교, 및 해부 영역에 대한 편차값(32)과 세기 스케일(33)로부터의 세기값의 할당을 포함한다. 표준화된 해부 영역의 모식적인 표시의 세기값은 당업자가 해부 영역에 대한 병리학적인 변화들을 빠르면서도 비용-효과적인 방식으로 확인할 수 있게 한다.

Description

3D 데이터 기록에 기초하여 검사 대상의 병리학적 변화를 표시하기 위한 방법 및 장치{METHOD AND APPARATUS FOR DISPLAYING PATHOLOGICAL CHANGES IN AN EXAMINATION OBJECT BASED ON 3D DATA RECORDS}
본 발명은 개별적으로 또는 상세하게 해부 영역의 체적 소영역을 분석하는 과정없이 검사 대상의 해부 영역에 대한 병리학적 변화를 식별할 수 있게 하는, 검사 대상의 3D 데이터 기록을 분석하기 위한 방법에 관한 것이다.
검사 대상, 예를 들어, 뇌의 해부 영역에서 병리학적으로 변화된 조직 구조의 의학적인 진단에는 다양한 방법이 있다. 변화의 한가지 가능한 표시는 각각의 구조에 대해 표로 나타낸 리포트에 관한 것이며, 이러한 리포트는 섹션들로 세그먼트화되고 참조 영역의 바깥쪽에 위치한 엔트리들은 마크(mark)되어 있다.
병리학적으로 변화된 조직 구조의 추가적인 표시는 환자의 참조 데이터 기록 및 표준화된 데이터 기록의 인쇄 출력에 관한 것이며, 양측 데이터 기록 모두는 개별적인 화소들에 기초하여 서로 비교된다.
이러한 공지된 방법들은 해부 영역들의 소영역에서 체적 효과를 생성하고 그 결과 병리학적 변화를 감추는 불리한 특성을 갖는다. 또한, 그러한 결과들의 분석 및 해석은 현저한 시간의 소모를 필요로 하며, 이는 검사된 해부 영역의 많은 수의 소영역이 서로 비교되어야 하기 때문이다.
해부 영역들에 대한 병리학적 변화를 검사하는 기존의 공지된 방법들은 그들의 소영역의 검사를 요구하는 것이 대부분이다. 따라서, 최종적인 검사의 복잡도와 현저한 시간의 소모는 종종 불리한 점으로 인식된다. 따라서, 본 발명의 과제는 해부 영역들에 대한 병리학적 변화의 단순하면서도 빠른 식별을 허용하는 방법을 제공하는 것이다.
본 발명에 따르면, 이러한 과제는 청구항 제1항에 따른 검사 대상의 3D 데이터 기록을 분석하기 위한 방법과 청구항 제9항에 따른 3D 데이터 기록을 분석하기 위한 장치에 의해 해결된다. 종속 청구항들은 본 발명의 추가적인 실시예들을 정의한다.
검사 대상의 3D 데이터 기록을 분석하기 위한 제안된 방법은 첫번째로 검사 대상을 구성하는 해부 영역들의 세그멘테이션(segmentation)을 포함한다. 이 단계는 3D 데이터 기록에서 상이한 해부 영역들의 결정을 허용한다. 표준화된 해부 영역들의 결정과 참조 모델과의 비교는 그 다음에 이루어진다. 그러한 경우에서의 참조 모델은 상이한 해부 영역들의 참조 변수들을 포함한다. 다음으로, 표준화된 해부 영역의 사이즈와 참조 모델의 대응하는 해부 영역의 사이즈간의 편차값이 각각의 표준화된 해부 영역들마다 계산된다. 이 편차값은 표준화된 해부 영역의 사이즈가 참조 변수로부터 얼마나 벗어나는지를 특정한다. 추가적 단계에서, 그렇게 결정된 편차값은 전체 해부 영역에 할당되므로, 해부 영역은 정확하게 하나의 편차값을 나타낸다. 그 다음에 해부 영역의 각각의 화소에는 정확하게 하나의 세기값이 할당되며, 상기 세기값은 편차값에 대응한다.
본 방법의 한가지 이점은 전체 해부 영역이 단일 대상인 것으로 간주된다는 것이다. 특히 그 소영역들을 개별적으로 또는 별도로 분석하는 것은 필요하지 않다. 이것은 분석의 복잡도를 감소시키고 평가동안의 시간을 절약할 수 있게 한다.
또한, 상이한 해부 영역들에 관련하여, 이들이 참조 변수로부터 벗어났는지의 여부와 어떻게 벗어났는지를 식별하는 것은 용이하다.
이러한 방식에서, 3D 데이터 기록과 특히 여기에 포함된 해부 영역을 세그먼트화하는 방법은 3D 데이터가 화소들로 분할되도록 구성되는 것이 바람직하다. 해부 영역의 표준화된 사이즈의 결정은 해부 영역의 모든 화소들의 체적의 비율이 검사 대상의 모든 화소의 전체 체적에 대해 결정됨으로써 실행된다.
해부 영역들의 사이즈를 표준화하는 이점은 특정한 해부 특성, 예를 들어, 상이한 두개골 변수들 또는 성별(sex difference)이 보상되는 것에 있다.
가능한 실시예에 따르면, 표준화된 해부 영역의 사이즈는 참조 모델로부터의 대응하는 해부 영역과 비교된다. 참조 모델은, 여기에 포함된 3D 참조 데이터가 복수의 검사 대상으로부터의 복수의 세그먼트화된 해부 영역들로 구성된다는 점에 특징이 있다. 또한, 3D 참조 데이터는 정규분포를 포함할 수 있고, 예를 들어, 선형 가우시안 회귀 모델(linear Gaussian regression model) 또는 백분위수 모델(percentile model)에 대응될 수 있다.
참조 모델과의 비교의 이점은 예를 들어 병리학적인 질환이 표준화된 해부 영역의 사이즈의 편차들에 의해 가시성을 갖는데 있다.
본 방법의 일 실시예에서, 참조 모델로부터의 표준화된 해부 영역의 편차값은 표준화된 해부 영역의 사이즈와 참조 모델에서의 해부 영역의 사이즈간의 차이가 형성되고, 해부 영역의 각 화소가 정확하게 하나의 편차값을 나타내도록 해부 영역의 각 화소에 특정한 편차값이 할당됨으로써 결정된다.
그 결과, 해부 영역의 병리학적인 변화가 확인될 수 있으며, 이는 편차의 사이즈가 위축성/비대성 변화의 사이즈의 척도를 나타내기 때문이다.
본 방법의 한가지 가능한 예시적인 실시예에서, 해부 영역이 위축성 CSF 조직 구조(CSF : 뇌척수액) 또는 비대성 GM/WM 조직 구조(WM/GM : 뇌조직에서의 백색질/회백질)를 갖는다면, 편차값은 제로로 설정된다. 한편, 편차값은 변경없이 유지된다.
이 방법 단계의 이점은 선택적으로 병리학적인 변화를 고려하기만 하면 된다는 것에 있다. 이들은 일반적으로 CSF 구조들의 위축성 변화들 또는 GM/WM 조직 구조들의 비대성 변화들이다.
본 방법의 한가지 가능한 실시예에서, 해부 영역이 세그먼트화되어 있지 않은 경우, 또는 참조 모델에서 해부 영역에 대한 어떠한 정보도 있지 않은 경우, 오프셋값은 편차값에 추가된다.
이로 인해, 직접적으로 참조 모델과 비교될 수 없는 해부 영역들이 오프셋값을 추가함으로써 특별히 식별되는 것이 달성된다.
본 방법의 추가적 단계에서, 표준화된 해부 영역의 각각의 화소에는 정확하게 한가지 세기값이 할당되며, 상기 세기값은 참조 모델의 표준화된 해부 영역의 편차값에 대응하므로, 해부 영역의 모든 화소가 동일한 변화를 나타내고 이들이 쉽게 식별될 수 있다.
이 단계의 이점은 해부 영역에 대해 병리학적인 변화의 척도를 모식적인 표시로 할당할 수 있다는 것에 있으며, 이것은 이미지로 직접적으로 표시가능하다.
본 방법의 한가지 가능한 실시예에서, 화소들은 연관된 세기값으로 모식적으로 표시되며, 표시된 화소들의 영역은 해부 영역의 횡단면으로 구성된다.
이로 인해, 해부 영역의 병리학적인 변화의 척도가 세기에 대응하도록 전체 해부 영역이 모식적으로 표시된다는 것이 달성된다.
본 발명은 또한 세그멘테이션 유닛, 연산 유닛, 입력 장치 및 출력 장치를 포함하는, 3D 데이터 기록을 분석하기 위한 장치로 구성된다.
이러한 방식으로, 세그멘테이션 유닛은 전체 검사 대상을 복수의 해부 영역들로 분할하는 기능을 갖는다.
연산 유닛은 해부 영역들의 사이즈를 표준화하여 참조 모델과 비교하는 기능을 갖는다. 이것은 이러한 비교로부터 편차값을 결정한다. 연산 유닛은 마지막으로 모식적인 표시를 위해 결정된 편차값에 세기값을 할당한다.
또한, 장치는 사용자에 대한 입력 인터페이스로서 사용되는 입력 장치를 포함한다. 출력 장치는 세기값을 모식적으로 재생한다.
따라서, 본 방법의 사용자는 매우 짧은 시간에 전체 해부 영역의 위축성 또는 비대성 변화들에 대한 정보를 취득할 수 있는 이점이 있다. 특히, 영역의 수많은 부분적인 구조들을 개별적으로 분석할 필요가 없다. 이것은 해부 영역의 위축성 또는 비대성 변화들을 평가할 때 시간을 절약한다. 위축성 변화들의 전형적 예들은 알츠하이머 또는 치매이다.
또한, 제안된 방법은 해부 영역들의 병리학적인 변화들에 대한 비용 효율적인 검사 가능성을 포함한다.
본 발명에 따른 실시예들은 도면들을 참조하여 이하에 상세하게 기술된다.
도 1은 본 발명에 따른 분석 방법의 과정을 나타낸 흐름도.
도 2는 3D 데이터 기록으로부터 취득된, 검사 대상의 모식적 도면.
도 3은 화소들로 분할된 해부 영역을 예로서 나타낸 도면.
도 4는 검사 대상의 표준화된 해부 영역을 본 발명에 따라 비교한, 기준 모델의 개략적인 도면.
도 5는 본 발명에 따라, 대응적으로 채색된 세기로 나타낸 참조 모델로부터의 각각의 편차 및 표준화된 해부 영역의 모식적인 표시를 나타낸 도면.
도 6은 도 1 내지 도 4에 도시된 본 발명에 따른 방법이 기술적으로 실현된 본 발명에 따른 장치를 나타낸 도면.
도 1은 병리학적인 변화들을 분석하기 위한 방법을 흐름도로 나타낸다. 본 방법은 제1 단계 S10에서 3D 데이터 기록의 세그멘테이션이 공지된 세그멘테이션 알고리즘들에 의해 구현되도록 구성된다. 한가지 가능한 예시적인 실시예에서, 3D 데이터 기록의 소스는 T1 가중된(T1w) 자기 공명(MW) 뇌 체적 기록일 수 있다. 다른 예시적 실시예에서, 3D 데이터 기록은 인체의 어떤 조직 구조의 MR 기록에서 유래할 수 있다.
도 2는 3D 데이터 기록으로 이루어진 검사 대상(26)이 어떻게 해당하는 상이한 해부 영역들(22, 23, 24)로 분할되는지를 나타낸다.
이 예시적 실시예에서, 검사 대상(26)은 예를 들어 뇌와 두개골(21)의 상이한 해부 영역들(22, 23, 24)로 구성된다. 따라서, 해부 영역들(22, 23, 24)은 제안된 방법에 상응하게 검사될 수 있다.
도 1에서, 다음 단계 S11에서, 각각의 해부 영역의 전체 체적의 표준화는 검사 대상의 모든 화소들의 전체적인 체적에 대한 해부 영역의 모든 화소의 체적의 비율이 계산됨으로써 수행된다.
이것은 도 3에 보다 상세하게 예로서 나타나 있다. 도 1의 검사 대상(26)의 모든 화소의 전체적 체적에 대한 해부 영역(22)의 모든 화소들(27)의 체적의 비율이 계산된다.
도 5는 표준화의 결과를 나타낸다. 표준화된 해부 영역들(40, 41, 42)은, 그 결과로서, 그들의 사이즈로 인해 본래의 해부 영역과는 상이하다. 이 단계는 본래의 해부 영역들을 표준화하여 이들을 참조 모델과 비교할 수 있도록 하기 위해 요구된다.
도 4는 표준화된 해부 영역과의 비교에 사용되는 참조 모델(31)의 그래프를 나타낸다. 이 참조 모델(31)은 상이한 연령의 복수의 비병리학적인 검사 대상 및 해부 영역으로 이루어진 3D 데이터를 포함하고, 예를 들어, 정규 분포를 갖는 가우시안 또는 백분위수 참조 모델에 대응한다. 그래프는 검사 대상들의 연령(X-축)에 따른 비병리학적으로 참조된 해부 영역들의 사이즈(Y-축)를 나타낸다.
도 4에서, 표준화된 해부 영역은 검사 대상의 연령과 표준화된 영역의 사이즈에 상응하게 그래프에 기록되어 있다. 이로부터, 편차값(32)은 참조 모델의 안쪽에 또는 바깥쪽에 놓여져 있을 수 있다.
도 4의 예시적인 실시예에서, 표준화된 해부 영역의 편차값(32)은 참조 영역 아래에 놓여져 있는데, 즉, 표준화된 해부 영역은 참조 모델(31)과 비교하여 더 작은 사이즈를 갖는다. 본 발명에 따른 방법에 따르면, 세기값은 현재 표준화된 해부 영역의 편차값(32)에 할당되어 있으며, 상기 세기값은 세기 스케일(33)로부터 취득된다. 세기의 값은, 본 경우에서는 참조 모델(31)로부터의 편차의 척도이다.
도 1은 추가 단계 S12에서, 표준화된 3D 데이터가 참조 모델과 어떻게 비교되는지를 나타낸다. 다음으로, 편차값 D는 단계 S13에서 결정되며, 상기 편차값 D는 참조 모델의 연관된 해부 영역으로부터의 표준화된 해부 영역의 편차에 대응한다. 하나의 편차값 D는, 여기서는 전체적인 해부 영역에 할당된다.
이로써, 해부 영역이 전체로서 간주되고 소영역들의 개별적인 분석이 필요치 않는 것이 달성된다. 이것은 당업자라면 검사 영역에서의 병리학적인 변화들의 개요를 빠르고 단순한 방식으로 취득할 수 있다는 점에서 장점이 된다. 본 방법의 다음 단계 S14에서, 이것들이 단지 병리학적인 편차들인지가 결정된다. 이것이 해당 경우이면, 본 방법은 단계 S15에서 이것이 위축성 CSF 구조(CSF : 뇌척수액) 또는 비대성 GM/WM 구조(WM/GM : 뇌조직에서의 백색질/회백질)인지를 확인한다. 이것이 해당 경우이면, 편차값 D는 제로로 설정된다. 이것은 단계 S16에 대응한다. 다른 경우에서, 이것이 위축성 CSF 구조 또는 비대성 GM/WM 구조가 아니면, 단계 S17에서의 편차값 D는 변경없이 유지된다.
어떠한 병리학적인 편차들도 관찰되지 않으면, 편차값 D는 마찬가지로 변경없이 유지된다.
다음 단계 S18에서, 본 방법은 해부 영역이 검사 영역의 일부인지를 결정한다. 단계 S20이 발생하면, 오프셋 O은 편차값 D에 추가된다. 해부 영역이 검사 영역의 일부가 아닐 경우에, 편차 D는 변경없이 유지된다. 이것은 단계 S19에 대응한다.
도 5는 검사 영역의 일부가 아닌 해부 영역을 예로서 나타낸다. 이 예시적인 실시예에서, 이것은 표준화된 해부 영역들(40, 41, 42)이 배치된 두개골(21)이다. 표준화된 해부 영역들(40, 41, 42)은, 여기에서는 검사 영역의 일부이지만, 두개골(21)은 검사 영역의 일부가 아니다.
도 1에서의 다음 단계 S21에서, 세기값 I는 표준화된 해부 영역의 모식적인 표시를 위해 편차값 D에 할당되며, 상기 세기값은 편차의 사이즈에 대응한다.
다음 단계 S22에서, 본 방법은 표준화된 해부 영역이 배치된 검사 대상의 세기와 함께 해부 영역의 세기 I를 재생한다.
도 5에서, 검사 대상(26)의 표준화된 해부 영역들(40, 41, 42)은 모식적으로 표시되며, 각각의 영역의 할당된 세기값들은 참조 모델로부터의 편차에 대응한다. 이 예시적 실시예에서, 참조 모델으로부터의 큰 편차는 라이트 밸류(light value)에 대응하고, 다크 밸류(dark value)는 작은 편차 또는 어떠한 편차도 없는 것에 대응한다.
도 6은 제안된 방법의 기술적인 구현을 위한 장치를 나타낸다.
여기서, 연산 유닛(50)의 임무는 상술한 방법 단계들의 구현을 포함한다. 연산 유닛(50)은 검사 대상과의 비교에 사용되는, 참조 모델의 데이터를 포함하는 데이터베이스(53)에 연결된다.
또한, 도 6으로부터의 장치는 사용자의 입력 인터페이스로서 사용되는 입력 장치(52)와, 표준화된 해부 영역들의 세기값들의 모식적인 표시에 사용되는 출력 장치(51)를 포함한다.
제안된 방법은 전체 해부 영역의 조직 구조에 대한 위축성 또는 비대성 변화의 빠른 개요를 간단한 방식으로 취득하는 방법을 당업자에게 제공한다. 이와 같은 경우에, 영역의 소영역들을 더이상 개별적으로 분석할 필요가 없어 기존의 방법에 비해 시간 절약을 나타낸다.
본 방법은 그들의 사이즈를 참조하여 표준화된 조직 구조의 표시를 구축하기 때문에, 체적 효과 또는 공간 정렬 불량이 보정되어, 마찬가지로 본 방법의 단순성에 기여한다. 본 방법은 고정된 참조 모델에 비해 해부 영역들에 대한 정량적인 변화들의 분석이기 때문에, 당업자라면 검사 대상의 병리학적인 구조에 대한 일시적인 변화를 쉽게 판단할 수 있다.
본 방법은 또한 기존의 3D 데이터 기록을 구축하는데, 이는 구현 및 동작에서의 데이터 분석을 비용-효과적이게 한다.

Claims (10)

  1. 검사 대상(26)의 3D 데이터 기록을 분석하기 위한 방법으로서,
    - 3D 데이터 기록에서 상이한 해부 영역들(22, 23, 24)을 결정하기 위해 검사 대상(26)의 3D 데이터 기록을 세그먼트화하는 단계,
    - 상이한 해부 영역들(22, 23, 24)의 사이즈를 표준화함으로써 표준화된 해부 영역들(40, 41, 42)을 결정하는 단계,
    - 상이한 해부 영역들의 참조 변수들을 갖는 참조 모델(31)과 상이한 표준화된 해부 영역들(40, 41, 42)의 사이즈들을 비교하는 단계,
    표준화된 해부 영역들(40, 41, 42) 각각에 대하여,
    - 각각의 표준화된 해부 영역(40, 41, 42)의 사이즈가 연관 참조 변수로부터 얼마나 벗어났는지를 특정하는, 편차값(32)을 결정하는 단계,
    - 해부 영역의 모든 화소들(27)이 동일한 편차값(32)을 갖도록, 각각의 해부 영역의 모든 화소들(27)에, 특정된 편차값(32)을 할당하는 단계, 및
    - 편차값(32)에 대응하는 모식적인 표시를 위해, 각각의 해부 영역의 모든 화소들(27)에 세기값을 할당하는 단계
    를 포함하는, 방법.
  2. 제1항에 있어서,
    검사 대상의 3D 데이터 기록에 포함되는 모든 해부 영역들(22, 23, 24)은 복수의 화소들(27)로 분할되고,
    해부 영역(22, 23, 24)의 표준화는, 검사 대상(26)의 모든 화소들의 전체적인 체적에 대한 해부 영역(22, 23, 24)의 모든 화소들(27)의 체적의 비율이 결정됨으로써 실행되는 것을 특징으로 하는, 방법.
  3. 제1항 또는 제2항에 있어서,
    표준화된 해부 영역(40, 41, 42)의 사이즈는 통계적인 정규 분포를 가지며, 복수의 검사 대상으로 이루어진 복수의 세그먼트화된 해부 영역으로부터의 3D 참조 데이터를 포함하는, 참조 모델(31)로부터의 대응하는 해부 영역과 비교되는 것을 특징으로 하는, 방법.
  4. 제1항 또는 제2항에 있어서,
    참조 모델(31)로부터의 표준화된 해부 영역(40, 41, 42)의 편차값(32)은 표준화된 해부 영역(40, 41, 42)의 사이즈와 참조 모델의 해부 영역의 사이즈 간의 차이가 계산됨으로써 결정되고,
    상기 해부 영역의 각각의 화소(27)로의 특정한 편차값(32)의 할당은, 상기 해부 영역의 각각의 화소(27)가 정확하게 하나의 편차값을 가지도록 실행되는 것을 특징으로 하는, 방법.
  5. 제1항 또는 제2항에 있어서,
    편차값(32)은 해부 영역(22, 23, 24)이 위축성 뇌척수액 조직 구조 또는 비대성 회색질/백색질 조직 구조를 포함하는 경우에 제로로 설정되고,
    편차값(32)은 해부 영역(22, 23, 24)이 위축성 뇌척수액 조직 구조 또는 비대성 GM/WM 조직 구조 어느 것도 포함하지 않는 경우에 변경없이 유지되는 것을 특징으로 하는, 방법.
  6. 제1항 또는 제2항에 있어서,
    해부 영역(22, 23, 24)이 세그먼트화되어 있지 않다면 편차값(32)에 오프셋값을 추가하는 단계, 및
    상기 해부 영역에 대한 정보가 참조 모델(31)에 존재하지 않는다면 편차값(32)에 오프셋값을 추가하는 단계
    를 더 포함하는 것을 특징으로 하는, 방법.
  7. 제1항 또는 제2항에 있어서,
    표준화된 해부 영역(40, 41, 42)의 각각의 화소(27)에는 정확하게 하나의 세기값이 할당되고, 상기 세기값은 참조 모델(31)로부터의 표준화된 해부 영역(40, 41, 42)의 편차값(32)에 대응하는 것을 특징으로 하는, 방법.
  8. 제1항 또는 제2항에 있어서,
    화소들(27)의 일부는 세기값으로 모식적으로 표시되며, 상기 화소들의 일부는 상기 해부 영역의 횡단면으로 구성되는 것을 특징으로 하는, 방법.
  9. 검사 대상의 3D 데이터 기록을 분석하기 위한 장치로서,
    - 검사 대상(26)의 3D 데이터를 세그먼트화하고,
    상이한 해부 영역들(22, 23, 24)의 사이즈를 표준화함으로써 표준화된 해부 영역들을 결정하도록 구현되고,
    상기 표준화된 해부 영역들 각각에 대해,
    표준화된 해부 영역들(40, 41, 42)의 사이즈들을 참조 모델(31)과 비교하고,
    표준화된 해부 영역들(40, 41, 42)의 사이즈와 연관 참조 변수간의 편차값(32)을 결정하고,
    각각의 표준화된 해부 영역들(40, 41, 42)의 모든 화소(27)에 편차값(32)을 할당하며,
    편차값(32)에 대응하는 세기값을 모든 화소들(27)에 대응하는 연산 유닛(50),
    - 3D 데이터를 저장하도록 구현된 데이터베이스(53),
    - 사용자-입력 인터페이스로서 구현된 입력 장치(52), 및
    - 세기값들을 모식적으로 표시하도록 구현된 출력 장치(51)
    를 포함하는, 장치.
  10. 제9항에 있어서,
    상기 장치는 제1항 또는 제2항의 방법을 구현하도록 구성된 것을 특징으로 하는, 장치.
KR1020150097374A 2014-07-10 2015-07-08 3d 데이터 기록에 기초하여 검사 대상의 병리학적 변화를 표시하기 위한 방법 및 장치 KR20160007406A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102014213409.9 2014-07-10
DE102014213409.9A DE102014213409A1 (de) 2014-07-10 2014-07-10 Verfahren und Vorrichtung zur Darstellung von pathologischen Veränderungen in einem Untersuchungsobjekt basierend auf 3D-Datensätzen

Publications (1)

Publication Number Publication Date
KR20160007406A true KR20160007406A (ko) 2016-01-20

Family

ID=53793941

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150097374A KR20160007406A (ko) 2014-07-10 2015-07-08 3d 데이터 기록에 기초하여 검사 대상의 병리학적 변화를 표시하기 위한 방법 및 장치

Country Status (5)

Country Link
US (1) US20160012581A1 (ko)
EP (1) EP2991035A1 (ko)
KR (1) KR20160007406A (ko)
CN (1) CN105261002A (ko)
DE (1) DE102014213409A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108320277A (zh) * 2017-01-16 2018-07-24 上海西门子医疗器械有限公司 确定肿瘤三维边界的方法、装置和ct机
EP3712844B1 (en) * 2019-03-20 2023-08-09 Siemens Healthcare GmbH Method and system for fast assessment of brain change normality

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030018792A (ko) * 2001-08-31 2003-03-06 버츄얼아이테크 주식회사 의료영상 처리 시스템 및 처리방법

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2003219634A1 (en) * 2003-02-27 2004-09-17 Agency For Science, Technology And Research Method and apparatus for extracting cerebral ventricular system from images
EP1685511A1 (en) * 2003-11-13 2006-08-02 Philips Intellectual Property & Standards GmbH Apparatus and method for assisting the diagnostic evaluation of images
US8280482B2 (en) * 2004-04-19 2012-10-02 New York University Method and apparatus for evaluating regional changes in three-dimensional tomographic images
DE102006029718A1 (de) * 2006-06-28 2008-01-10 Siemens Ag Verfahren zur Auswertung zweier Abbilder sowie medizinisches Abbildungssystem
WO2008093057A1 (en) * 2007-01-30 2008-08-07 Ge Healthcare Limited Tools for aiding in the diagnosis of neurodegenerative diseases
US20100260394A1 (en) * 2007-12-14 2010-10-14 Koninklijke Philips Electronics N.V. Image analysis of brain image data
EP2543019A1 (en) * 2010-03-02 2013-01-09 Koninklijke Philips Electronics N.V. A normative dataset for neuropsychiatric disorders
WO2011163391A2 (en) * 2010-06-22 2011-12-29 The Johns Hopkins University Atlas-based analysis for image-based anatomic and functional data of organism
US10074173B2 (en) * 2013-12-06 2018-09-11 The Johns Hopkins University Methods and systems for analyzing anatomy from multiple granularity levels

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030018792A (ko) * 2001-08-31 2003-03-06 버츄얼아이테크 주식회사 의료영상 처리 시스템 및 처리방법

Also Published As

Publication number Publication date
US20160012581A1 (en) 2016-01-14
EP2991035A1 (de) 2016-03-02
DE102014213409A1 (de) 2016-01-14
CN105261002A (zh) 2016-01-20

Similar Documents

Publication Publication Date Title
Ashinsky et al. Predicting early symptomatic osteoarthritis in the human knee using machine learning classification of magnetic resonance images from the osteoarthritis initiative
Ikram et al. The Rotterdam Scan Study: design update 2016 and main findings
Valdés Hernández et al. New multispectral MRI data fusion technique for white matter lesion segmentation: method and comparison with thresholding in FLAIR images
Storelli et al. Measurement of whole-brain and gray matter atrophy in multiple sclerosis: assessment with MR imaging
Giuliano et al. H ippocampal subfields at ultra high field MRI: A n overview of segmentation and measurement methods
Lerch et al. Cortical thickness analysis examined through power analysis and a population simulation
Zhang et al. Predicting functional cortical ROIs via DTI-derived fiber shape models
Davatzikos et al. Degenerative age changes in white matter connectivity visualized in vivo using magnetic resonance imaging
Agosta et al. MRI predictors of long‐term evolution in amyotrophic lateral sclerosis
Whitwell et al. Does amyloid deposition produce a specific atrophic signature in cognitively normal subjects?
Hedderich et al. Normative brain volume reports may improve differential diagnosis of dementing neurodegenerative diseases in clinical practice
Sargolzaei et al. A practical guideline for intracranial volume estimation in patients with Alzheimer's disease
Hartley et al. Analysis and validation of automated skull stripping tools: a validation study based on 296 MR images from the Honolulu Asia aging study
Ballerini et al. Application of the ordered logit model to optimising Frangi filter parameters for segmentation of perivascular spaces
Tsuchida et al. The MRi-Share database: brain imaging in a cross-sectional cohort of 1870 university students
WO2015192021A1 (en) PATTERN ANALYSIS BASED ON fMRI DATA COLLECTED WHILE SUBJECTS PERFORM WORKING MEMORY TASKS ALLOWING HIGH-PRECISION DIAGNOSIS OF ADHD
Antila et al. The PredictAD project: development of novel biomarkers and analysis software for early diagnosis of the Alzheimer's disease
Adler et al. Topographic principles of cortical fluid‐attenuated inversion recovery signal in temporal lobe epilepsy
Valdés Hernández et al. Metric to quantify white matter damage on brain magnetic resonance images
Fraser et al. Longitudinal assessment of hippocampal atrophy in midlife and early old age: contrasting manual tracing and semi-automated segmentation (FreeSurfer)
Engl et al. Brain size and white matter content of cerebrospinal tracts determine the upper cervical cord area: evidence from structural brain MRI
Huo et al. Between-scanner and between-visit variation in normal white matter apparent diffusion coefficient values in the setting of a multi-center clinical trial
Feldman et al. Seven‐tesla susceptibility‐weighted analysis of hippocampal venous structures: Application to magnetic‐resonance–normal focal epilepsy
Ay et al. Comparison of FreeSurfer and CAT12 software in parcel-based cortical thickness calculations
Goodkin et al. FLAIR-only joint volumetric analysis of brain lesions and atrophy in clinically isolated syndrome (CIS) suggestive of multiple sclerosis

Legal Events

Date Code Title Description
A201 Request for examination
N231 Notification of change of applicant
E902 Notification of reason for refusal
E601 Decision to refuse application