KR20160053325A

KR20160053325A - 장기의 동맥 및 정맥의 구분 방법

Info

Publication number: KR20160053325A
Application number: KR1020140151346A
Authority: KR
Inventors: 김남국; 배장표; 서준범; 이상민
Original assignee: 재단법인 아산사회복지재단
Priority date: 2014-11-03
Filing date: 2014-11-03
Publication date: 2016-05-13
Also published as: KR101625955B1

Abstract

본 개시는 장기(organ)의 동맥(artery)과 정맥(vein)을 구분하는 방법에 있어서, 장기의 혈관(vessel)의 형태적 특징(geometrical, topological or morphological feature)을 나타내는 정량적 값 집합을 추출하는 단계; 그리고 정량적 값 집합을 사용하여 혈관을 구분하는(classifying) 단계;를 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법에 관한 것이다.

Description

장기의 동맥 및 정맥의 구분 방법{METHOD OF CLASSIFYING ARTERY AND VEIN OF ORGAN}

본 개시(Disclosure)는 전체적으로 장기의 동맥 및 정맥을 구분하는 방법에 관한 것으로, 특히 혈관의 형태적 특성(geometrical, topological or morphological feature)을 나타내는 정량적 값 집합을 사용하여 장기의 동맥 및 정맥을 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).

혈관의 상태는 장기(organ)의 질환에 대한 지표로 사용될 수 있다. 예를 들어, 폐혈관의 상태는 폐고혈압, 간질성 폐질환 및 만성 폐쇄성 폐질환(CODP)과 같은 여러 폐질환에 대한 의미 있는 지표로 대두하고 있다(M.G. Linguraru et al., "Segmentation and quantification of pulmonary artery for noninvasive CT assessment of sickle cell secondary pulmonary hypertension", Medical Physics, vol. 37(4), pp. 1522-1532, 2010).

폐혈관의 상태, 특히 작은 폐혈관의 분포와 규모에 대한 분석은 폐순환 상태에 대한 의미 있는 평가지표들 중 하나로서 다양한 폐질환 분석에 있어서 필수적이다.

최근 연구는 CT 이미지로부터 평가된 폐혈관의 직경, 영역 퍼센트와 같은 폐혈관의 측정 가능한 형태학적 특성과 다양한 임상적 파라미터들 사이에 상호연관이 있음을 보여준다.

여러 연구들은 폐기종과 연관이 있다고 주장되는 내피기능장애와 혈관의 변화(vascular alteration)가 밀접한 관련이 있다고 제시해 왔다(Santos et al., "Enhanced expression of vascular endothelial growth factor in pulmonary arteries of smokers and patients with moderate chronic obstructive pulmonary disease", American Journal of Respiratory and Critical Care Medicine, vol. 167, pp. 1250-1256, 2003).

기술적 관점에서, vascular contrast enhanced images를 사용하여 큰 혈관들에 대해 상기 형태학적 특성을 측정하는 것이 시도되어 왔다(Barrier et al., "Today's and tomorrow's imaging and circulating biomarkers for pulmonary arterial hypertension", Cellular and Molecular Life Sciences, vol. 69, pp. 2805-2831, 2012).

그러나 작은 혈관들에 대해서는 형태학적 특성을 평가하는 시도는 거의 없었다.

한편, 작은 폐혈관의 정량화를 위해 2D sectional CT image에서 simple thresholding을 수행한 후에, 5mm²보다 작은 면적의 원형 영역들을 혈관으로 선택한 후, 작은 폐혈관의 면적과 폐기능 검사(PFT) 사이에 연관성을 보여 주려는 시도가 있었다(Matsuoka et al., "Quantitative computed tomographic measurement of a cross-sectional area of a small pulmonary vessel in nonsmokers without airflow limitation", Japanese Journal of Radiology, vol. 29, pp. 251-255, 2011).

그러나, 상기 논문(Matsuoka et al.)은 비록 혈관 분포와 PFT 사이의 강한 임상적 연관성을 보여 주었지만, 폐동맥과 폐정맥을 구분하지 못하며, 2D slice image를 사용했기 때문에 혈관의 축에 수직(orthogonal) 방향으로 직경을 정확히 측정하기 어려우며, 그 연구 결과가 3차원인 전체 폐에 대한 정확한 정량화에 의해 얻어진 것이라고 말하기는 어렵다.

의료 영상 기술, 특히 X-ray CT images의 발전은 생체 내에서 밀리미터 이하의 작은 구조들을 관찰하는 것을 가능하게 한다. 공간적 해상도뿐만 아니라 시간적 해상도에서도 빠른 진보가 있어 왔다. 그러나 혈관의 형태학적인 복잡한 구조, 예를 들어, 밀집된 분포, 근접 교차하는 케이스들, 나란하게 이웃한 다른 혈관들 등 때문에 자동화된 알고리즘을 통해 3차원 CT images를 기초로 작은 혈관들을 정량화하는 것은 어렵다. 특히, 자동화된 알고리즘을 통해 3차원 CT images를 기초로 작은 혈관들을 동맥들과 정맥들로 분리하여 정량화하는 성공적인 시도는 없었다.

폐동맥과 폐정맥을 세그멘테이션(Segmentation) 및/또는 구분(Classification)하는 것은 쉽지 않은 일이다. 폐 혈관은 폐 내에 밀집되어 분포되어 있으며, 형태적 특성(반경, 분지 패턴(branching patterns), 등)도 사람마다 제 각각이기 때문에, 세그멘테이션을 하는 경우에라도 이들을 구분하는 것은 쉽지 않은 일이다. 또한 폐동맥과 폐정맥이 서로 교차하여 지나기 때문에 CT와 같은 3차원 영상 상에서 이들이 겹쳐서 보이기도 한다. 선행기술로서, 'T Buelow, R. Wiemker, T. Blaffert, C. Lorenz, S. Renisch, Automatic extraction of the pulmonary artery tree from multi-slice CT data' Medical Imaging 2005: Physiology, Function, and Structure from Medical Images. Proceedings of the SPIE, 5746, pp. 730-740, Apr. 2005'를 들 수 있다.

이와 같이, 쉽지 않은 폐동맥과 폐정맥의 구분을 자동화된 알고리즘을 통해 수행하고, 3차원으로 보여주는 방법이 필요하다.

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), 장기(organ)의 동맥(artery)과 정맥(vein)을 구분하는 방법에 있어서, 장기의 혈관(vessel)의 형태적 특징(geometrical, topological or morphological feature)을 나타내는 정량적 값 집합을 추출하는 단계; 그리고 정량적 값 집합을 사용하여 혈관을 구분하는(classifying) 단계;를 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법이 제공된다.

도 1은 본 개시에 따른 장기의 동맥 및 정맥을 구분하는 방법의 일 예를 설명하는 도면,
도 2는 폐혈관 트리를 생성하는 전제적인 과정의 일 예를 설명하는 도면,
도 3은 폐혈관 트리의 일 예를 설명하는 도면,
도 4은 폐혈관 트리의 골격을 구하고 노드를 추출하는 알고리즘의 일 예를 설명하는 도면,
도 5는 노드를 이용한 혈관의 정량화 방법의 일 예를 설명하는 도면,
도 6은 오프셋 표면을 이용한 혈관의 정량화 방법의 일 예를 설명하는 도면,
도 7는 오프셋 표면 형성을 위해 Euclidean Distance Field를 생성하는 방법의 일 예를 설명하는 도면,
도 8은 내측 표면(Inner surface)과 폐혈관의 교차점을 추출하는 과정의 일 예를 설명하는 도면,
도 9은 폐의 분할을 위한 Mono-oriented region을 추출하는 과정의 일 예를 2D schematic diagram으로 설명하는 도면,
도 10은 volumetric CT images에 적용된 뿌리 영역 추출의 일 예를 설명하는 도면,
도 11은 surfels 계산의 일 예를 설명하는 도면,
도 12는 3D rendering에 의해 계산된 surfels의 일 예를 설명하는 도면,
도 13은 virtual vascular phantom models에 대한 반경 평가의 정확성을 설명하는 도면,
도 14는 점진적 벗기기(gradual peeling) 및 가지 레벨(tree branching levels) 방법에 의해 혈관의 개수, 평균 직경 및 혈관이 차지하는 면적비를 보여주는 박스 플롯(box plots),
도 15는 폐혈관 트리의 다른 예를 보여주는 도면,
도 16에 폐혈관 트리들에 대해 기본 측정값들을 예시하는 도면,
도 17는 정량적 값의 예들을 제시하는 도면,
도 18은 폐동맥과 폐정맥의 형태적 특징의 차이 중 통계적으로 유의미한 정량적 값들의 예들을 설명하는 도면,
도 19는 레이블링된 폐혈관 트리의 예를 나타내는 도면,
도 20은 혈관 트리의 뿌리를 중심으로 등간격으로 동심원을 그리고 트리가 각 원과 교차하는 개수의 히스토그램을 보여주는 도면,
도 21은 트리의 가지치기의 비대칭성 정도를 추출하는 방법 및 ratio tree의 일 예를 설명하는 도면,
도 22는 근접 노드 매트릭스를 그림으로 표현한 도면,
도 23은 distance to airway에 관련된 정량적 값들을 설명하기 위한 도면,
도 24는 분류기에 의해 정량적 값 집합이 처리되는 일 예를 설명하는 도면,
도 25는 정량적 값 집합을 다차원 공간상의 일 예에서 나타낸 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 1은 본 개시에 따른 장기의 동맥 및 정맥을 구분하는 방법의 일 예를 설명하는 도면이다.

장기의 동맥과 정맥을 구분하는 방법에 있어서, 혈관(vessel)의 형태적 특징(geometrical, topological or morphological feature)을 나타내는 정량적 값 집합을 추출한다. 예를 들어, 장기의 혈관에 해당하는 점들의 집합을 사용하여 가지(branch) 및 가지가 분기되는 노드(node)를 구비하는 혈관 트리(vessel tree)를 형성하고, 혈관 트리의 형태적 특징을 나타내는 정량적 값 집합을 추출한다. 다음으로, 정량적 값 집합을 사용하여 혈관을 구분한다(classifying). 예를 들어, 분류기(classifier)를 사용하여 정량적 값 집합으로부터 혈관 트리를 동맥(artery) 및 정맥(vein) 중 하나로 분류한다.

이하에서, 폐를 중심으로 본 개시에 따른 장기의 동맥 및 정맥을 구분하는 방법이 설명되지만, 본 개시에 따른 장기의 동맥 및 정맥을 구분하는 방법은, 폐, 심장, 신장, 간, 뇌 등의 장기나 기관에 적용될 수 있다.

폐혈관 정량화의 전단계로서, 도 1에 제시된 바와 같이, 폐영상을 기초로 폐혈관에 해당하는 점(예: 복셀)들의 3차원 집합으로서 폐혈관이 추출될 수 있다(S10). 추출의 방법으로 분할(segmentation) 방법이 사용될 수 있다. 이후, 폐혈관으로부터 폐혈관 트리(tree)를 형성한다(S20). 예를 들어, 혈관의 중앙선(medial line)을 찾아서 혈관의 골격(skeleton)을 만들고, 혈관의 가지가 분기되는 노드들을 찾아서 가지와 노드를 가지는 트리를 형성한다. 이후, 트리로부터 혈관의 형태적 특징(topological, geometrical or morphological feature)을 나타내는 정량적 값 집합을 형성한다(S100). 예를 들어, 정량적 값으로는 폐혈관을 이루는 가지들에 대해 가지 직경(branch diameter) 정보, 가지 길이(branch length) 정보, 가지의 비대칭성(branch asymmetry) 정보, 가지들 간의 직경비를 나타내는 테이퍼링(tapering ratio) 정보, 가지들을 레이블링(labeling) 했을 때 가지 오더(branch order) 정보 등으로 이루어진 군 중 적어도 하나를 포함한다. 이러한 정량적 값 집합을 추출하는 방법의 일 예, 또는 기초로서 혈관을 정량화하는 과정이 수행될 수 있다(S40, S60, S80, S50, S70, S90). 계속해서 추출된 정량적 값 집합을 분류기(classifier)로 처리하여 해당 트리가 동맥인지 정맥인지 분류한다(S110). 분류기는 정량적 값집합을 분류할수록 기계학습을 수행하며, 분류의 정확도(accuracy)가 향상된다.

도 2, 도 3 및 도 4는 폐혈관 트리를 형성하는 일 예를 설명하는 도면들이다. 도 2는 폐혈관 트리를 생성하는 전제적인 과정의 일 예를 설명하는 도면으로서, 도 2에서 좌측에서 우측으로, 각각 volumetric chest CT images로부터 점들의 집합으로서 추출된 폐혈관들(a point set extraction; 좌측에서 첫 번째), construction energy minimization 방법에 의해 생성된 초기 트리(initial tree construction; 좌측에서 두 번째), 초기 트리로부터 뿌리 영역을 잘라내어(cutting the proximal region; 좌측에서 세 번째), 초기 트리의 자 가지들(children branches)이 서브 트리(sub-trees)로 자동적으로 분리(automatically separated branches; 좌측에서 네 번째), 초기 트리의 가지들로부터 잘려진 뿌리 영역으로 가지들을 연장하여 서브 트리를 재결합(tree reconstruction and merging; 좌측에서 다섯 번째), 재결합된 서브 트리들이 전체적으로 폐혈관을 이루는 것(좌측에서 여섯 번째)하는 과정을 보여준다.

도 3은 폐혈관 트리의 일 예를 설명하는 도면으로서, 도 3에서 좌측은 관상(Coronal view) 이고 우측은 시상(sagittal view)이며, 붉은 색은 폐정맥을 파란색은 폐동맥을 나타낸다. 이러한 동맥 및 정맥의 구분은 상기 폐혈관 트리(문맥에 따라 각 서브 트리를 의미할 수도 있고, 폐혈관 전체를 나타내는 트리를 의미할 수도 있다)를 의사나 전문가가 보고 결정할 수 있다. 반면, 본 예에서는 이와 같이 수동으로 폐혈관을 동맥과 정맥으로 구분하는 것이 아니라, 폐혈관 트리로부터 혈관의 형태적 특징을 나타내는 정량적 값 집합을 얻고, 정량적 값 집합을 분류기로 처리하여 매우 높은 정확도로 동맥과 정맥으로 자동으로 분류한다. 이렇게 분류된 동맥 및 정맥의 색을 다르게 하여 도 3에 제시된 바와 같이, 디스플레이할 수 있다.

이하, 도 2 및 도 3에 도시된 것과 같이 폐혈관 트리를 형성하는 방법을 식 을 사용하여 설명한다.

Γ= {c | c= (i, j, k), i=1,···, nx, j=1,···, ny, k=1,···, nz}을 폐 CT 이미지로부터 구성된 복셀들의 집합(set)이라 하고, I(c)를 복셀 c의 attenuation 인텐시티라 하자. 먼저 vascular points V={vi}⊂R³가 추출된다. 여기서 v(c)=(x, y, z)^T = ((ci-0.5)×dx,(cj-0.5)×dy,(ck-0.5)×dz)^T는 대응하는 복셀 c의 중심 위치이다. 그러면 종류가 다른 복셀들은 초기 tree T=(V, E)을 구성함으로써 구분될 수 있다. 여기서 E는 가장자리의 집합(set of edges)이다. 상기 초기 트리(tree)는 아래의 식(1)에 의해 정의되는 minimizing the cost 방식에 의해 구성된다.

(1)

여기서 w_j는 vertex j의 가중치이고, e_ij는 edge (i, j)의 방향 가중치이며, α,β,γ ∈ R는 positive user-defined constants이다. w_j는 vertex j의 연결특성을 지시하는 값이며,

로 정의된다. I(v_j)는 전체 vascular points에 의해 표준화된 v_j의 attenuation 인텐시티이고,Φ(v_j)는 혈관 경계들로부터 표준화된 거리이다. e_ij는 에지의 방향과 v_j에서 평가된 vascular orientation 간의 방향 유사성을 나타내는 요소이다. 식(1)을 최소화하는 솔루션은 자연스럽게 minimum spanning tree (MST)가 된다.

초기 트리를 구성한 이후, 뿌리 영역(mediastinal region)을 자른다. 연결된 vertices만을 그룹핑함으로써 가지들은 서로 분리되어 자동적으로 서브 트리가 형성된다.

T_i=(Vi, Ei)⊂T를 i-th sub-tree of T 라고 하자. 자르기 전에 Livny[5]로부터 유도된 아래의 식(3)를 최소화하는 전체적 최적화를 함으로써 모든 vertices의 방위 벡터들 {o_i}이 다시 평가한다([5]: Livny et al, "Automatic reconstruction of tree skeletal structures from point clouds",　ACM Transactions on Graphics, vol. 29(6), Article 151, 2010).

(2)

V^P _i는vi의 parent vertex이다. {oi}를 사용하여 상기 그룹들은 각 뿌리 vertex로부터 끝이 절단된 영역까지 다시 증식되고, 오버랩되는 가지가 없다면 재결합된다. 폐혈관 트리, 서브 트리가 다음 단계를 위해 저장된다. 이 과정에서 후술될 분류기의 정확도를 확인하기 위해 의사나 전문가가 서브 트리들을 동맥 및 정매으로 수동으로 결정하여 저장하는 것도 고려할 수 있다.

본 개시는 폐혈관 트리의 형태적 특성(topological or geometrical or morpological feature)을 나타내는 정량적 값 집합을 분류기로 처리함으로써, 해당 트리가 정맥인지 동맥인지를 자동으로 분류한다. 폐혈관 트리의 형태적 특성에 대한 정량적 값 집합을 얻기 위한 일 예로서, 또는 기초로서, 혈관의 정량화가 이루어질 수 있다.

혈관의 정량화 방법의 일 예로, 복셀들의 3차원 집합으로서의 혈관의 중앙선(medial line)을 추출하여 혈관의 골격(skeleton)을 형성하고, 혈관의 골격을 사용하여 혈관이 분기되는 노드(node)를 추출한다(도 1의 S40). 이후, 추출된 노드 중 관심 영역으로 선택된 노드로부터 공간적으로 일정 범위 내의 복셀들을 찾고(도 1의 S60), 찾아진 복셀들을 사용하여 노드에서 혈관의 반경을 계산한다(도 1의 S80).

다른 예로, 폐의 외측 표면으로부터 내측으로 일정한 거리의 복셀들의 집합으로 정의되는 오프셋 표면(offset surface)을 형성한다(도 1의 S50). 이후, 복셀들의 3차원 집합으로서의 혈관과 오프셋 표면의 교차점들을 찾는다(도 1의 S70). 다음, 오프셋 표면의 법선 벡터(surface normal vector), 혈관의 방향 벡터(vascular orientation vector) 및 오프셋 면적을 사용하여 혈관의 방향 벡터에 수직인 방향으로 혈관의 반경을 계산한다(도 1의 S90).

상기 설명된 혈관의 정량화 방법의 두 가지 실시예는 모두 폐혈관의 정량화된 지표를 제공하며, 경우에 따라서는 이 두 가지 방식을 함께 사용하여 폐혈관의 순환 상태를 더욱 효과적이고 정확하게 평가할 수도 있다.

전술한 것과 같이, 폐혈관 트리를 기초로 폐혈관 트리가 포함하는 혈관의 직경, 길이, 테이퍼링 비, 대칭성, 가지 오더 등에서 하나 이상을 포함한 정량적 값 집합을 추출하기 위해 혈관을 정량화할 필요가 있으며, 이를 위해 우선 폐혈관 트리를 이루는 가지들에 가지 레벨(branching level)을 부여하는 방식을 설명한다.

도 4는 폐혈관 트리의 골격을 구하고 노드를 추출하는 알고리즘의 일 예를 설명하는 도면으로서, 가지 레벨을 결정하기 위해서, 폐혈관 트리의 골격(skeleton)을 구하고, 노드(node)를 추출한다(도 1의 S40).

주어진 기하학적 계산으로 폐혈관의 골격구조를 얻는 것은 방대한 작업이다. outward flux[6]를 계산함으로써 중심선(medial line)을 추출하는 자동화된 방법을 제시한 방법이 개시되어 있다([6]: Bouix et al., "Flux driven automatic centerline extraction", Medical Image Analysis, vol. 9, pp. 209-221, 2005). 또한, gradient vector flow[7]를 사용한 곡선 골격 구성 알고리즘이 개시되어 있다([7]: Hassouna et al., "Variationalcurve skeletons using gradient vector flow", IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 31, no. 12, pp. 2257-2274, 2009). 또한, 의료적 애플리케이션과 무관하게 큰 점들을 포함하는 점 구름으로부터 곡선 골격들을 추출함[8]으로써 표면을 재구성한 방법이 개시되어 있다([8]: Tagliasacchi et al., "Curve skeleton extraction form incomplete point cloud", ACM Transactions on Graphics, vol. 28(4), Article 71, 2009). 또한, arterial snakes concept[9]을 도입함으로써 비조직화된 점구름들과 노이즈로부터 성공적으로 표면들을 재구성한 방법이 개시되어 있다([9]: Li et al., "Analysis, reconstruction and manipulation using arterial snakes", ACM Transactions on Graphics, Vol. 29(6), Article 152, 2010).

본 실시예에서는 상기 설명된 골격을 구하는 방식과 다르게 더욱 간단한 방법으로 폐혈관 트리의 골격을 구할 수 있다. 왜냐하면 본 개시에서는 전술된 폐혈관 트리를 사용하여 골격을 구하므로 점 구름들 또는 복셀들과 같은 raw data로부터 출발하지 않기 때문이다.

구체적으로, 본 실시예에서는 골격을 구하기 위해 완만한(smooth) 곡선 골격들을 계산하는 것이 아니라 가지치기(branching) 위치들을 찾는다. 예를 들어, 전술된 폐혈관 트리로(도 4a 참조)부터 중앙선(medial line)을 추출하고, 2개 이상의 children edges가 연결되는 노드(node) 점들을 찾는다(도 4b의 중앙 그림). 원통 형상과 같은 영역의 중앙선(medial line; 본 개시에서 골격(skeleton)으로 불림)은 parallel thinning algorithms[10]와 유사한 아래의 식(3)을 사용하여 추출될 수 있다([10]: Bertrand et al., "A parallel thinning algorithm for medial surfaces", Pattern Recognition Letters, vol. 16(9), pp. 979-986, 1995).

전술된 폐혈관 트리를 생성하는 과정에서 proximal region(mediastinal region)을 자르기 전에 하기 식(3)에 보인 것과 같이 모든 vertices, v ∈ V, of the MST에 inverse height values를 할당하였다.

(3)

여기서, v_c는 v의 자 노드 (child node)이고, 어떤 non-leaf node v ∈ V의 자 노드들 C(v)={v_c} 중에서

인 것들을 critical node로 둔다. 여기서 critical node의 v에 대한 accumulated inverse height는 최대값이다. V^* _C을 제외한 다른 children nodes는 non-critical nodes로 둔다. non-critical nodes를 제거함으로써 골격 구조(skeletal structure)가 추출될 수 있다.

예를 들어, leaf nodes로부터 아래의 조건 중 어느 하나라도 만족하는 non-critical nodes를 제거한다.

a) Leaf node;

b) H(vc) ≥ α|Φ(v)| : whose path length is shorter than the scaled radius of the parent node (α|Φ(v)|); or

c) H(vc) ＜ β : whose path length is shorter than a user-defined threshold (β).

본 실시예에서 α=1.2, β=3.0mm가 사용된다. 노드를 제거할 때 connected child critical nodes and edges 또한 삭제되며, 남아 있는 connected path가 골격이 된다(도 4b의 우측 그림).

도 4는 이와 같이 노드를 제거하며 골격을 구하는 알고리즘의 결과를 보여준다. 상기 알고리즘이 파리미터 α 및 β에 의존하는 non-cylindrical shape을 가지는 mediastinal region에서 single line segments에 연결된 결과를 제공하는 것을 보증하지는 않는다. 그러나 상기 알고리즘은 작은 혈관들의 형태학적 특성을 정량화하려는 본 개시의 목적에는 적합하다.

이후의 과정에서 가지의 반경을 평가하기 위해, 하나의 그룹의 동일한 인덱스를 가지는 vascular points을 모으는 것이 필요하다(도 1의 S60). 이를 위해 상기 알고리즘에서는 i 번째 sub-tree의 j 번째 자 가지에 순서쌍 (i, j) 를 부여하고, 골격의 가지가 분기될 때마다 그것의 연결점들에도 순서쌍을 부여한다.

도 5는 노드를 이용한 혈관의 정량화 방법의 일 예를 설명하는 도면이다.

상기 순서쌍을 활용하여 폐혈관 트리 T의 각 노드 v_i에서 k-nearest boundary points Nb(v_i)={q_j|j=1,···,k} ⊂ ∂V를 동일 그룹으로 모을 수 있고, 이에 의해 관심 영역에 대응하는 혈관을 복셀들의 점들로 추출할 수 있다.

여기서 동일 그룹으로 모이는 점들은

을 만족하며, δ은 사용자 정의 파라미터이다. 도 5(a)에서 노드 v_i(201)에 연결된 회색점들(205)은 N_b(v_i)을 보여준다. 본 예의 실험에서는 k=26, δ=π/4를 사용한다.

복셀 구조에서 공간적으로 근접한 점들을 모으기 위해 폐혈관 트리 T가 사용된다. N_b(v_i)를 가지고 도 5(b)에 보여진 것과 같이 simple least-squares method[11]를 사용하여 Cylinder fitting함으로써 각 노드에서 가지의 반경을 얻을 수 있다([11]: D.Eberly, "Fitting 3D data with a cylinder", [Online] Feb. 2003.Available:http://www.geometrictools.com/Documentation/CylinderFitting.pdf (URL))(도 1의 S80). 혈관의 길이 정보는 혈관의 반경, 직경뿐만 아니라 직경 또는 반경으로 나타내기 곤란한 혈관의 폭 또는 두께를 의미할 수도 있고, 경우에 따라서는 혈관의 직경방향과 수직한 관길이(vascular length)를 의미할 수도 있다. 혈관의 반경이 결정되면, 혈관의 단면적, 장기의 특정 오프셋 표면에서 혈관의 단면적이 차지하는 비율 등의 정량적 값을 추출할 수 있다.

오리지날 혈관이 너무 가늘어서 어떤 노드의 이웃한 점들(neighbor points )이 10보다 작아 충분하지 못한 때에는 아래의 식(4)에 나온

이 반경으로 사용된다. 이웃한 점들이 없을 때에는 그 노드의 반경을 CT 해상도의 절반 사이즈로 두고 계산한다. 예를 들어, CT 이미지의 해상도가 약 0.545mm 내지 0.693mm이기 때문에 반경 평가 작업에서 사용되는 데이터를 위해 rmin = 0.3mm로 둔다.

(4)

도 6은 오프셋 표면을 이용한 혈관의 정량화 방법의 일 예를 설명하는 도면으로서, 도 6은 이하 도 7 내지 도 12에서 상세히 설명된다. 도 7은 오프셋 표면 형성을 위해 Euclidean Distance Field를 생성하는 방법의 일 예를 설명하는 도면이다.

폐혈관의 정량화를 위해 작은 폐혈관의 레벨을 결정하는 방식으로서, 전술된 혈관의 가지 레벨을 결정하는 방법과 다르게, 폐의 기하학을 사용하여 동일 레벨의 작은 폐혈관을 모아 길이 정보를 평가하는 방식이 설명된다.

몸체의 내부로부터 말단 영역까지 폐혈관이 가지를 뻗는다는 사실에 따르면, 폐의 외측 말단 경계 표면들로부터 동일한 거리에는 비슷한 사이즈의 혈관들이 있다고 가정할 수 있다. 그러므로 뿌리 영역(mediastinal region)을 제외한 혈관과 폐의 외측 말단 경계 표면(boundary surfaces)으로부터 일정 거리에 있는 폐의 내측 표면(inner surface) 사이에 교차점을 찾고, 이러한 교차점들에서 혈관의 직경을 평가한다.

교차점을 구하기 위해 먼저 내측 표면들을 점차적으로 추출할 필요가 있다(도 6(a) 참조). 폐의 외측 말단 경계 표면으로부터 일정한 거리에 있는 내측 표면은 그 거리에서의 오프셋 표면(offset surfaces)이 된다. 오프셋 표면들은 face-based offset 또는 vertex-based offset와 같이, 일반적으로 볼륨 베이스(volume-based) 방식보다 더 시간효율적인 표면 데이터 계산 방식을 사용하여 생성될 수 있다.

그러나, 상기 표면 데이터 계산 방식들은 폐의 표면을 내측으로 오프세팅(offsetting)할 때 자주 발생하는 지역적 및 전체적 간섭에 취약하다. 특히 본 실시예의 경우, 오프셋 거리(offset distances)는 5mm 내지 30mm 인데, 이것은 CT images로부터 marching cubes에 의해 추출된 면의 길이보다 훨씬 더 커서 간섭을 피하기 어렵다. 그러므로 본 실시예에서는 Euclidean distance field를 생성하는 볼륨-베이스 방식으로 오프셋 표면을 생성한다(도 7(a) 참조).

전술된 폐혈관 트리를 생성하는 과정에서 혈관들이 복셀들로 추출되기 전에 자동 분할 방법[12]으로 우측 및 좌측 폐가 명확히 LR, LL ⊂Γ로 분할된다([12]: Hu et al., "Automatic lung segmentation for accurate quantitation of volumetric X-ray CT images", IEEE Transactions on Medical Imaging, vol. 20(6), pp. 490-498, 2001).

상기 LR, LL에 대해 이들의 경계로부터 Euclidean distance field를 생성하고, 요구되는 offset distances do에서 iso-surfaces를 추출한다(도 7(b) 참조). 여기서 밀리미터 단위인 do ∈ {5, 10, 15, 25, 30}가 본 실시예의 실험에 사용되었다(도 6(a) 참조).

계산효율을 위해, 도 7(a)에 보이는 것과 같이 복셀들이 octree의 finest 레벨이 되는 Euclidean distance field를 생성하기 위해 octree structure가 사용된다. 부분적 영역에서만 높은 공간해상도가 요구될 때에는 상기 octree는 좋은 데이터 구조가 된다.

예를 들어, dmin(c, ∂L)<do<dmax(c, ∂L)을 만족하면, 그리고 만족하는 경우에만 상기 octree의 뿌리셀로부터 하나의 셀을 8개의 children으로 refine한다. 여기서, dmin(c, ∂L) 및 dmax(c, ∂L)는 8-corners of c from ∂L, the boundary of L=LR ∪ LL에서 최소 및 최대 거리이다. 그 결과를 좌측 및 우측 폐에 각각 dmin(c, ∂L)<do<dmax(c, ∂L)을 만족하는 복셀들 S_R(do)⊂LR, S_L(do)⊂LL로 두자. 이와 같이, Octree를 사용하여 distance field를 생성[13]할 수 있다([13]: Frisken et al.,"Adaptively sampled distance fields: A general representation of shape for computer graphics", Proceedings of ACM SIGGRAPH, pp. 249, 254, 2000).

상기 설명된 Euclidean distance field로부터 iso-surface가 triangular mesh 형태로 추출된다(도 7(b) 참조). 상기 triangular mesh는 알려진 marching cubes algorithm을 사용하여 계산되며, 이 계산 과정은 graphic processing units (GPUs)을 사용하는 parallel computing에 의해 시간효율적으로 수행될 수 있다.

도 8은 내측 표면(Inner surface)과 폐혈관의 교차점을 추출하는 과정의 일 예를 설명하는 도면이다.

전술된 것과 같이 iso-surface가 triangular mesh 형태로 추출되어 특정 거리에서 내측 표면, 즉 오프셋 표면들을 얻은 후에, 오프셋 표면과 작은 폐혈관들 간의 교차점들을 찾는다. 이를 위해 오프셋 표면은 도 8에 보이는 것과 같이 추출된 표면 복셀 S로 계산된다(도 8(a) 참조). 폐혈관 트리의 골격을 추출하는 방법은 전술되었다. 도 8에서 Γ에 bit-wised된 트리의 골격으로서 폐혈관들의 bit-mask가 나타나 있다(도 6(b), 도 6(c), 도 8(b), 도 8(c), 도 8(d) 참조). 따라서 교차점은 표면 복셀 S와 Γ에 bit-wised 된 트리의 골격간의 교차점을 간단히 체크함으로써 구해진다(도 6(d) 및 도 8(d) 참조).

도 9는 폐의 분할을 위한 Mono-oriented region을 추출하는 과정의 일 예를 2D schematic diagram으로 설명하는 도면이다.

본 예는 폐(도 9(a) 참조)의 외즉 말단 영역(distal regions)에 관심이 있기 때문에 뿌리 영영(mediastinal region)에서 폐혈관의 길이 정보(예; 직경)를 측정하는 것은 피하는 것이 필요하다. 길이 정보 측정을 피할 영역을 찾기 위해 mono-oriented region partition을 적용할 수 있다.

예를 들어, ∂L로부터 outward distance field(도 9(b) 참조)의 국부적 최대점들로부터 active contours(도 9(c) 참조)가 생성된다. 상기 active contours는 다른 active contours 또는 ∂L와 충돌할 때까지 동일한 거리를 유지하는 방식으로 동일한 속력으로 주변 이웃 셀들로 돌아다닌다. outer regions Γ/L는 동일한 속력 점으로부터 전파된(propagated) 셀들을 모음으로써 동일한 지역적 최대 숫자로 구분(partitioned into the number of local maxima)될 수 있다. 이 알고리즘의 결과는 Voronoi diagram of ∂L이 된다.

폐의 대부분의 뿌리 영역(mediastinal region)은 흉강 내측을 포함한다(encompass). 그러므로 상기 뿌리 영역이 포함하는 지역은 도 9(b)에서 파란 영역(이것의 seed 점들은 corners of Γ임), 녹색 영역(이 것은 boundary cells of Γ를 포함함) 및 교차 영역(이것은 simple thresholding에 의해 쉽게 분할할 수 있는 갈비뼈나 척추를 포함한 영역)을 제거함으로써 M ⊂ Γ으로 추출될 수 있다(도 9(d), 도 9(e) 참조).

도 10은 volumetric CT images에 적용된 뿌리 영역 추출의 일 예를 설명하는 도면이다.

계산의 효율과 폐 형상의 작은 특징에도 유효하기 위해 이 예에서도 octree가 또 사용된다. 도 10은 컴퓨터 계산의 효율을 위해 512x512x512 original images로부터 128x128x128로 down-sampled resolution의 결과를 보여준다. 폐의 경계 표면의 mediastinal region은 ∂L∩M로 되며, S_R(d⁰) 및 S_L(d⁰)을 얻었을 때 ∂L/(∂L∩M)로부터 거리(distance)를 계산할 수 있다.

도 11은 surfels 계산의 일 예를 설명하는 도면이며, 도 12는 3D rendering에 의해 계산된 surfels의 일 예를 설명하는 도면이다.

초기 트리 T를 구성하기 전에 전술된 방적식(3)에 의해 전체적 최적화를 하는 것뿐만 아니라, 작은 혈관에 대한 기본 성분 분석을 수행함으로써 방위백터가 평가된다. 상기 방위 백터의 평가 결과가 surfels로 불리는 표면 요소들로 저장된다. 상기 surfels은 오프셋 표면에서 normal vector와 반경을 가지는 원형 디스크로 볼 수 있다.

오프셋 표면과 폐혈관 트리의 교차점(도 8 설명, 도 11(a) 참조)에서 작은 폐혈관의 길이 정보(예; 직경)를 평가하기 위해 정량화가 불필요한 영역을 제거한다(도 9 및 도 10 설명 참조).

그런데, 폐혈관 트리의 가지가 오프셋 표면을 항상 수직으로 통과하는 것은 아니므로, 폐혈관 트리의 가지의 직경 또는 면적을 구하기 위해서는 폐혈관 트리의 가지를 오프셋 표면에 수직으로 투영하여 오프셋 표면에서 혈관의 단면적인 오프셋 면적을 계산할 수 있다(도 11(b) 참조).

이때 상기 surfels는 폐혈관 트리의 가지의 방위를 반영하므로, 상기 오프셋 면적과 surfels의 normal vector를 사용하여 폐혈관 트리의 가지의 방위에 수직한 방향으로 작은 폐혈관의 반경이 평가될 수 있다.

평가된 작은 폐혈관의 반경을 사용하여 후술될 분류기에 의해 분류된 폐동맥 및 폐정맥의 평균 면적이 계산될 수 있고, 또한, 오프셋 표면에서 작은 폐혈관과 오프셋 표면 간의 횡단면 면적을 측정할 수 있다(도 12 참조).

본 예에 따른 혈관의 정량화 방법의 실험을 위해, COPD 환자 25명의 밀리미터 이하(0.545mm ~ 0.693mm)의 두께를 가지는 non-contrast volumetric chest CT scans이 사용되었다. 실험에 사용된 알고리즘은 호흡기 단계에 의존하는 것이 아니라 일관성 있는 비교를 위해 충분한 이미지를 사용한다.

폐혈관의 구분에 있어서, 수학적 가상모델과 선행하는 전문가들의 연구[14]에 의하여 본 개시에 따른 혈관의 정량화 방법이 평가되었다([14]: Park et al., "Automatic classification of pulmonary artery and vein by tree reconstruction at volumetric chest CT", Submitted, 2013).

각 세그멘트(segment)에 대한 평균 스코어 값이 테이블1에 나타나 있다.

상기 실험은 본 예에 따른 혈관의 정량화 방법의 수행을 위해 개발된 소프트웨어 플렛폼에서 수행되었고, GPUs를 사용하는 parallel computing을 위한 device program이 nVidia CUDA 5.0 SDK로 쓰여져 있기 때문에 호스트 프로그램은 Microsoft Visual C++ (10.0)로 쓰여졌다. 상기 실험의 테스트 환경은 parallel computing을 위해 nVidiaQuadro 600 (1GB), 12GB main memory, Intel Core i7 960 (3.2GHz)로 구성된 데스크탑 PC이다.

도 13은 virtual vascular phantom models에 대한 반경 평가의 정확성을 설명하는 도면이다.

혈관 반경의 계산의 정확성을 측정하기 위해 가상 모델을 생성한다. 도 13(a)는 global coordinate에 얼라인된 single vascular tree mode을 보여주고, 도 13(b)는 assembled vascular phantom model을 보여준다. 반경 평가의 에러는 0.101 ±0.042mm(mean ± SD) at 70 sampled positions for the single model and 0.137± 0.055mm(mean ± SD) at 140 points of the coupled model이였다(도 13(C) 참조). 이것은 받아들일만한 정확성으로 보인다.

테이블1은 관다발 골격(vascular skeleton)으로부터 가지치기 노드들(branching nodes)에서 평가된 특성들을 보여주고, 테이블2는 점진적인 벗겨내기(gradual peeling)의 결과를 보여준다.

상기 실험에서는 아래 표1,2에 보인 것과 같이, 폐정맥의 직경은 폐동맥의 직경보다 편차가 더 큰 경향이 있다. 테이블2에서 비록 평균적으로 계산된 정맥 수가 동맥 수보다 작지만, 면적 퍼센트는 서로 거의 비슷하다. 폐 표면에서 폐혈관이 차지하는 면적 퍼센트는 내측으로 30mm 까지는 동맥들 및 정맥들 모두에서 증가하는 경향이 있다.

가지 레벨(branching level)에 따른 형태적 특징(Morphological properties)

Branch level	Artery			Vein
Branch level	NO*	MEAN_D	STD_D	NO	MEAN_D	STD_D
1^st	630.20	1.895	0.112	601.72	1.912	0.220
2^nd	413.17	1.956	0.131	402.29	2.014	0.312
3^rd	305.39	2.135	0.133	299.32	2.251	0.223
4^th	242.18	2.412	0.142	220.13	2.481	0.412

여기서, NO는 the total number of vessels이고, MEAN_D은 the mean of diameters이며, STD_D은 the standard deviation of diameters을 나타낸다.

점진적 벗기기 방법(gradual peeling)의 경우 형태적 특징

Properties		Offset Leveld^o(mm)
Properties		5	10	15	20	25	30
Artery	NO	929.06	857.00	735.71	678.70	573.24	454.35
	MEAN_D (mm)	1.541	1.835	1.921	1.975	1.975	2.073
	STD_D	0.213	0.113	0.121	0.131	0.125	0.136
	W_AREA* (mm²)	2.241	3.462	3.507	3.772	3.682	4.050
	CR_AREA (mm²)	2.780	3.771	3.891	4.013	4.152	4.413
	%	1.98	2.30	3.21	3.75	4.10	4.45
Vein	NO	779.47	794.29	650.82	574.29	503.18	422.38
	MEAN_D (mm)	1.761	1.882	1.975	2.063	2.073	2.132
	STD_D	0.979	0.201	0.206	0.270	0.306	0.800
	W_AREA (mm²)	2.931	3.615	3.676	4.151	4.429	4.462
	CR_AREA (mm²)	3.316	3.914	4.014	4.443	4.913	4.902
	%	1.98	2.66	2.93	3.28	3.83	4.52

여기서, W_AREA는 weighted average area이고, CR_AREA는 the mean of the cross sectional area between vessels and inner surfaces이며, %는 the occupied area percentage of the vessels(=CR_AREA×NO / area of S(d^o))를 나타낸다.

도 14는 점진적 벗기기(gradual peeling) 및 가지 레벨(tree branching levels) 방법에 의해 혈관의 개수, 평균 직경 및 혈관이 차지하는 면적비를 보여주는 박스 플롯(box plots)이다.

도 14에서 red box는 a quartile로부터 median 사이에 위치하며, green boxis는 median으로부터 a third quartile 사이에 위치하며, yellow points는 mean values를 나타낸다.

도 14에서 통계적 의미는 임상적 파라미터와 비교되어야 하지만, 이 그래프들에서 형태학적 경향을 관찰할 수 있다. 예를 들어, 직경의 증가율은 gradual peeling 방법에 의해 proximal region으로 향함에 따라 급한 경사에서 점차 완만해진다. 한편, 평균 반경의 경사는 4번째 레벨까지 트리의 가지를 따라 거의 선형적으로 변한다.

도 15는 폐혈관 트리의 다른 예를 보여주는 도면으로서, 폐혈관 트리는 복수의 서브 트리들로 이루어지며, 도 15에는 서브 트리의 일 예가 제시되어 있다. 의사나 전문가는 경험과 지식에 의해 수동으로 폐영상으로부터 혈관이 동맥인지 정맥인지 구별할 수도 있다. 반면, 본 개시는 폐혈관 트리로부터 트리 전체, 서브 트리, 가지, 노드 등에 대한 형태적 특징을 나타내는 정량적 값 집합을 추출하고, 정량적 값 집합을 분류기(classifier)로 처리하여, 즉 컴퓨터에 의해 자동으로 폐혈관 트리의 각 서브 트리, 또는 부분적인 트리 구조의 혈관들을 동맥 또는 정맥으로 분류한다. 도 15에 제시된 것과 같이 폐동맥 및 폐정맥은 그 형태적 특성에 차이가 있으며, 이에는 의학적 근거가 있다. 여기서 형태적 특성이란 트리의 geometrical, topological 또는 morphological 특성을 포함한다. 이하에서는 폐혈관을 중심으로 설명되지만, 본 개시에 따른 장기의 동맥과 정맥을 구분하는 방법은 상기 혈관의 형태적 특성에 있어서 동맥과 정맥의 차이가 있는 다양한 장기(예: 폐, 신장, 뇌, 간, 등)에 대해 적용될 수 있다.

도 16에 폐혈관 트리(예: 서브 트리)들에 대해 기본 측정값들을 예시하였다. 세로 번호는 트리의 번호이며, 가로 번호는 기본 측정값들을 나타내며, 기본 측정값들은 순서대로 그 위에 예시로서 몇 개만 표시하였다. 다수의 폐혈관의 트리에 대해 도 16에 제시된 예와 같이 기본적 측정값들을 측정하고, 이들로부터 직접 또는 이들을 조합하는 등의 방법으로 정량적 값 집합을 추출할 수 있다.

도 17에는 정량적 값의 예들이 제시되어 있다.

정량적 값으로는 폐혈관 트리를 이루는 가지(branch)들에 대해 가지 직경(branch diameter) 정보, 가지 길이(branch length) 정보, 가지의 비대칭성(branch asymmetry) 정보, 각 가지에서 직경의 변화 또는 가지들 간의 직경비를 나타내는 테이퍼링(tapering ratio) 정보, 가지들을 레이블링(labeling) 했을 때 가지 오더(branch order) 정보 등으로 이루어진 군 중 적어도 하나를 포함한다.

또는, 정량적 값은 branch asymmetry, tapering 및 distance to root path/Euclidian을 포함하는 ratio 파라미터와, branch diameter, branch order, euclidian distance, path distance, terminal diameters을 포함하는 branch statistics/distributions 파라미터와, width, height, depth, terminal density, number of branches, number of tips을 포함하는 global 파라미터와, surface, volume을 포함하는 Hull/Area 파라미터 중 적어도 하나를 포함할 수 있다.

도 18에는 폐동맥과 폐정맥의 형태적 특징의 차이 중 통계적으로 유의미한 정량적 값(파라미터)들의 예들을 나타낸 테이블로서, 폐동맥 트리 265개와 폐정맥 트리 213개에 대해 정량적 값들에 대한 결과가 나타나 있다. 폐동맥과 폐정맥의 더 정확한 분류를 위해서는 제시된 정량적 값들 중에서 Pvalue가 작은 정량적 값들을 사용하여 정량적 값 집합을 추출하는 것이 바람직하다. Pvalue는 유의확률을 의미하고 해당 값이 작을수록 해당 정량적 값(파라미터 또는 특징)이 혈관의 구분에 있어서 더 유효한 요소로서 의미를 가진다. Pvalue는 일반적으로 0.01과 0.05 값을 많이 사용한다.

예를 들어, Pvalue가 0.04 이하로 기준을 정하면, 유의미한 정량적 값들(관심 군; intrest group)의 예로서, %num of node(nnode), mean diameter(mD), sd of diameter(sdD), max branch order(maxBO), mean branch order(mBO), maximum path length(stats.gstats.bpoints), %maximum branch order(stats.gstats.maxbo,...),

%mean branch length(stats.gstats.mblen,...), %std branch length(stats.gstats.stblen,...), %mean branch order(stats.gstats.mbo,...),

%mean sholl analysis(mst), %mean branch asymmetry(masy), %mean tapering ratio(mrt), %std tapering ratio(sdrt), %min to least distance to airway(min_airway), %std to least distance to airway(std_airway), %max to least distance to airway(max_airway)와 같은 정량적 값들이 사용될 수 있으며, 정량적 값 집합은 이들 중에서 추출된 정량적 값 하나 이상을 포함할 수 있다.

이하에서 도 18에 제시된 유의미한 정량적 값들을 더 설명한다.

도 19는 레이블링된 폐혈관 트리의 예들을 나타내는 도면로서, 본 예에서는 상기 정량적 값 집합 추출을 위해 도 19와 같이 레이블링된 폐혈관 트리를 사용할 수 있으며, 폐혈관 트리의 형성 방법의 예로는 전술된 방법들이 사용될 수 있다. 가지의 직경 측정 등 혈관의 정량화 방법에 대해서는 전술된 방법들이 사용될 수 있다. 레이블링의 방법에 있어서, 트리의 뿌리 측으로부터 레이블링할 수 있으며(도 19 참조), 트리의 말단으로부터 가지를 레이블링(labeling)할 수도 있다. 이와 같은 트리로부터 도 18에서 설명된 유의미한 정량적 값들 중 적어도 하나를 추출(측정되거나, 계산되거나, 생성되는 것)할 수 있다. 예를 들어, 이와 같이 레이블링된 폐혈관 트리(예: 서브 트리)로부터 branch order에 관련된 정량적 값들을 추출할 수 있다. 이러한 추출을 위해서 레이블링된 트리를 근접 노드 매트릭스로 바꾸고 처리를 해준다. 근접 노드 매트릭스는 부모와 자식 사이의 정보를 담고 있는데, 만약 노드 i가 자식이고 j가 부모이면 매트릭스(i,j)는 1로 설정한다. 이러한 매트릭스의 단순한 곱하기 연산으로 어떤 노드에서 r 거리만큼 이동하고 해당 노드에서 뿌리까지의 거리와 같은 노드 사이의 관계를 알아낼 수 있다. 예를 들어, max branch order는 뿌리 측에서 각 가지까지 최대로 이동한 깊이에 해당한다. mean branch order는 여러 가지에 대해서 깊이를 추출하고 그것의 평균값을 추출한다.

도 20은 혈관 트리의 뿌리를 중심으로 등간격으로 동심원을 그리고 혈관 트리가 각 원과 교차하는 개수의 히스토그램을 보여주는 도면으로서, 폐 동맥과 정맥은 서로 다른 히스토그램을 보임을 확인할 수 있었다. 도 20으로부터 예를 들어, 도 18의 %mean sholl analysis(mst)와 %std sholl analysis와 같은 정량적 값들을 추출할 수 있다. sholl analysis를 수행하면 등간격 동심원과 트리의 교차 개수를 확인할 수 있고, 해당 교차 개수의 평균값과 표준편차를 추출할 수 있다. 해당 교차 개수를 히스토그램으로 구축한 후에 해당 히스토그램의 kurtosis와 skewness 또는, uniformity 등도 동맥과 정맥 구분의 정량적 값으로 사용할 수 있다.

도 21은 트리의 가지치기의 비대칭성 정도를 추출하는 방법 및 ratio tree의 일 예를 설명하는 도면으로서, 도 21a를 참조하면, 해당 branch에서 자식 가지들의 terminal의 개수의 비율로 %mean branch asymmetry을 추출할 수 있다. %mean branch asymmetry는 각 노드에서 자식 가지들에 포함된 가지의 개수를 구하고 해당 개수의 비율을 각 노드에서 평균낸 값이 된다.

도 21b는 ratio tree의 일 예를 설명하는 도면으로서, 가지의 뿌리 측으로부터 가지치기가 진행됨에 따라 가지의 직경이 감소하는 정도가 동맥과 정맥에서 차이가 있다. 이로부터 %mean tapering ratio, %std tapering ratio와 같은 정량적 값들을 추출할 수 있다. %mean tapering ratio는 각 노드마다 계산한 자식과 부모 사이의 직경의 비율의 평균값을 계산하여 추출한다. %std tapering ratio는 각 노드에서 계산한 tapering ratio의 표준편차를 추출한다.

도 22는 근접 노드 매트릭스를 그림으로 표현한 도면으로서, 트리가 근접 노드 매트릭스로 표현되면 어떤 형태의 매트릭스가 나오는지를 보여주고 있다. 해당 근접 매트릭스를 이용해서 각 노드의 뿌리나 가지로부터의 깊이와 위와 아래 노드로의 이동을 각각 계산해서 여러 가지 정량적 값을 추출할 수 있다.

%mean tapering ratio 및 %std tapering ratio에 대한 정량적 값들의 경우, 각각의 연결성을 고려하고 각각의 트리로 나누고 각 트리에서 앞에서 서술한 방식으로 각 노드에서 직경의 변화를 계산해서 해당 값을 추출한다.

mean diameter 및 sd of diameter에 대한 정량적 값들의 경우, 동맥과 정맥은 여러 개의 트리로 나누어지고 각 트리를 노드별로 가지를 나누고 각 가지의 직경 정보에 대해서 평균과 표준편차를 구해서 추출한다.

mean branch order 및 %mean branch order는 앞에 설명된 방식으로 추출한다. 중요한 점은 도 2에서 설명한 것과 같이 전체 혈관 트리에서 동맥과 정맥을 분류해 내는 방법을 적용해서 여러 개의 트리로 분류가 된 상태에서 해당 정량적 값을 추출하는 것이 필요하다.

%maximum path length, %mean branch length 및 %std branch length는 동맥과 정맥이 뭉쳐진 부분을 제거하고 여러 개의 서브 트리로 분류가 된 상태에서 계산한다. %maximum path length는 뿌리에서 가지까지의 길이 중에서 가장 긴 길이를 추출한다. %mean branch length는 각 가지 길이의 평균값을 추출할 수 있다. %std branch length는 각 가지 길이의 표준편차를 추출할 수 있다.

도 23은 distance to airway에 관련된 정량적 값들을 설명하기 위한 도면으로서, %min to least distance to airway(min_airway), %std to least distance to airway(std_airway), %max to least distance to airway(max_airway)와 같은 정량적 값들을 추출할 수 있다. 예를 들어, airway의 분할을 경계값 기준으로 수행한다. 예를 들어, -950HU의 값으로 나눈 후 사용자가 찍은 또는 프로그램에 의해 선택된 임의의 한점에 연결된 영역을 기도(airway)로 추출한다. 만약 폐 부분의 발산이 발생하면 해당 경계값을 5HU씩 감소시키면서 발산이 되지 않는 airway를 찾는다. 해당 airway중에서 폐에 가까운 지역만을 추출한 후에 해당 영역과 각각의 혈관과의 최단 길이를 구해서 해당 값을 정량적 값으로 사용한다. 이는 airway가 동맥에 더 가까이 분포한다는 정보를 활용하는 것으로서, 더 정밀한 airway 영상 분할 방법을 사용하여 얇은 airway까지 추출함으로써, airway의 분할 정확성이 더 증가할 것이며, 따라서 정량적 값의 유효성이 더 증가할 수 있다.

도 24는 분류기에 의해 정량적 값 집합이 처리되는 일 예를 설명하는 도면이며, 도 25는 정량적 값 집합을 다차원 공간상의 일 예에서 나타낸 도면으로서, 상기 설명된 정량적 값 집합을 분류기로 처리하여 해당 폐혈관 트리가 동맥 또는 정맥으로 분류되는 것을 설명한다.

분류기(classifier)는, 예를 들어, 정량적 값 집합(Qv)을 분류하여 혈관 트리를 구분하도록 훈련(trained) 또는 학습한다. 혈관의 분류는 혈관의 종을 구별하는 것일 수 있으며, 예를 들어, 동맥 및 정맥을 분류한다. 정맥 및 동맥의 구분 이외에도 혈관 트리의 일부분과 다른 부분을 구분할 수도 있다. 이러한 구분의 과정은, 도 24에 도시된 것과 같이, 정량적 값 집합(P11, P12, P13, P14, P15, P16; 예 sdD, sdrt, mrt, masy, mblen, mBO)을 동맥 및 정맥에 대응시키는 다차원 공간에서 점(P1)을 생성하는 과정으로 이해할 수 있다. 이러한 대응 관계가 다수의 혈관 트리로부터 추출된 각 정량적 값 집합 대해 만들어질 수 있다.

예를 들어, 도 18에서 설명된 유의한 확률을 보여주는 정량적 값들(파라미터들, 특징들)이 존재하고 이러한 정량적 값들 중에서 적어도 하나를 포함하는 정량적 값 집합을 추출하고 분류기를 돌려서 해당 혈관을 동맥과 정맥으로 분류한다. 다수의 정량적 값들을 조합해서 정량적 값 집합이 매우 다양하게 생성될 수 있다. 따라서, 다수의 정량적 값들을 모두 함께 사용하는 것도 불가능한 것은 아니지만, 분류기를 최적으로 동작시킬 수 있는 정량적 값들을 선택하는 것이 바람직하다. 즉 전체 정량적 값들의 조합에 대해서 분류기의 동작을 확인하는 것은 시간이 많이 걸리기 때문에 본 예에서는 SFS(sequential forward selection) 방식을 사용해서 최적의 특징들을 선택할 수 있다. 예를 들어, 빈 정략적 값 집합에 정량적 값을 하나씩 입력해서 정확성이 증가하는 정량적 값들만 골라내는 방식이 사용될 수 있다. 도 24는 선택된 정량적 값 집합을 분류기에 넣어서 동맥과 정맥을 분류하는 방식을 보여 준다. 도 25의 경우는 각 정량적 값 집합에 대해서 동맥과 정맥이 다른 점으로 처리될 수 있는 것을 보여 주고, 이러한 여러 정량적 값들을 이용해서 다차원의 분류를 수행하는 것을 보여준다.

분류기의 예로서, 서포트벡터머신(SVM; support vector machines), 디시젼 트리(dicision tree), 베이지안 클래시파이어(bayesian classifier) 등으로 이루어진 군 중 적어도 하나가 사용될 수 있다. 또는, 다중회귀분석(multiple regression)과 같은 통계적 방법이나, 커브피팅(curve fitting)하는 방법이 사용될 수도 있다. 분류기로는 이에 한정되지 않으며, 다양한 분류기가 적용될 수 있다.

SVM은 주어진 자료에 대해서 그 자료를 분리하는 초평면 중에서, 자료들과 가장 거리가 먼 초평면을 찾는 방법이다. 이때 전체 데이터 중에서 support vector 라는 두 개의 class 간의 구분을 실질적으로 담당하는 데이터를 찾고 이를 이용해서 구분을 하는 방식을 의미한다. 이러한 support vector를 이용해서 초평면을 구성해 낸다. 후보 평면 중에서 마진이 가장 큰 초평면을 찾기 때문에 높은 성능을 보여준다. decision tree의 경우는 부등호나 등호들의 트리들로 구분을 표현하는 방식이다. 가령 A는 b 값이 5보다 크거나 같고 B는 b 값이 5보다 작은 것이라면 이를 decision tree로 표현하고 새로운 입력에 대해서 이러한 트리를 사용해서 구분을 하는 방식이다. 이때 이러한 decision tree를 훈련데이터에 대해서 최적으로 구축해야 하고 이러한 과정을 통해서 분류를 하는 방식이다. 그러나 최적의 decision tree를 찾는 방식이 쉽지 않다. 베이지안 클래시파이어는 prior 정보와 likelihood 정보를 이용해서 posterior 정보를 추출해 내고 이러한 방식을 이용해서 분류를 수행하는 방식이다. 이는 bayes 정리를 이용해서 정량적 값들 간의 독립 특성이 강한 데이터 셋에 대해서 분류를 하는 방식이다. 그러나 베이지안 클래시 파이어에 비해서 SVM이 더 발전된 형태로 평가를 받고 있기 때문에 본 예에서는 SVM 방식을 사용하는 것이 바람직하다.

다중회귀 분석은 독립 변수를 여러 개의 종속 변수의 선형 결합으로 표현해 내는 방식으로 여러 정량적 값들의 선형결합을 통해 분류의 기준이 되는 변수를 구성해 낼 수 있다. 그러나 정량적 값이 많을 때는 이러한 방식으로 효율적으로 구성하기가 쉽지 않다. 또한, 다중회귀 분석이 종속 변수의 선형 결합으로 독립 변수를 설명했다면 curve fitting의 경우는 이를 2차 이상의 식으로 표현하는 방법을 의미한다.

축적된 정량적 값 집합-혈관 트리의 구분(동맥/정맥의 구분 등) 데이터를 사용하여, 혈관 트리를 구분하는 훈련과 학습을 통해 분류기의 정확성과 신뢰성이 향상될 수 있다. 여기서 훈련과 학습이란 정량적 값 집합-혈관 트리의 구분(동맥/정맥의 구분 등) 데이터가 계속 축적되면서 분류 기준이 수정 및 보완 또는 보정되는 것을 의미할 수 있다.

예를 들어, 동맥 및 정맥 여부가 알려지지 않은 혈관 트리로부터 추출된 정량적 값 집합을 동맥 및 정맥으로 분류하는 과정을 반복 시행한 결과, 분류기가 얼마나 정확히 동맥 및 정맥을 분류해 주는지 평가할 수 있다. 또한, 동맥 및 정맥이 알려진 혈관 트리를 분류기로 분류해 봄으로써 분류기의 유효성을 평가할 수 있다.

예를 들어, %mean tapering ratio, %std tapering ratio, %mean branch asymmetry, mean diameter, sd of diameter, %num of node, max branch order, mean branch order, %maximum branch order, %mean branch order, %maximum path length, %mean branch length, %std branch length로 이루어진 군 중에서 다양한 정량적 값 집합을 추출하고, SVM 분류기를 사용하여 처리한 결과 동맥 및 정맥의 분류 정확도가 약 85.51±0.39% 이상으로 매우 양호한 결과를 확인하였다. 또한, 분류 후에 추가적인 분류나, 사용자 인터페이스를 통해 일부 수정하는 과정을 추가하면 정확도가 더 향상됨을 확인하였다.

본 개시에 따른 폐의 동맥 및 정맥을 구분하는 방법은 컴퓨터로 판독 가능한 기록매체에 수행 명령 집합으로 기록될 수 있으며, 각 과정에 맞게 만들어진 애플리케이션에 의해 자동으로 수행되거나, 사용자 인터페이스와 함께 수행될 수 있다.

이하 본 개시의 다양한 실시 형태에 대하여 설명한다.

(1) 장기(organ)의 동맥(artery)과 정맥(vein)을 구분하는 방법에 있어서, 장기의 혈관(vessel)의 형태적 특징(geometrical, topological or morphological feature)을 나타내는 정량적 값 집합을 추출하는 단계; 그리고 정량적 값 집합을 사용하여 혈관을 구분하는(classifying) 단계;를 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.

(2) 구분하는 단계는: 정량적 값 집합을 서포트백터머신(support vector machines), 디시젼트리(dicision tree), 및 베이지안 클래시파이어(bayesian classifier)로 이루어진 군 중 적어도 하나를 포함하는 분류기(classifier)로 처리하여 혈관을 동맥 및 정맥 중 하나로 분류하는 과정:을 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.

(3) 혈관에 해당하는 점들의 집합을 사용하여 혈관을 이루는 가지(branch) 및 가지가 분기되는 노드(node)를 구비하는 혈관 트리(vessel tree)를 형성하는 단계;를 포함하며, 정량적 값 집합은: 가지들에 대해 가지 직경(branch diameter) 정보, 가지 길이(branch length) 정보, 가지의 비대칭성(branch asymmetry) 정보, 가지들 간의 직경비를 나타내는 테이퍼링(tapering ratio) 정보, 및 가지들을 레이블링(labeling)했을 때 가지 오더(branch order) 정보로 이루어진 군 중 적어도 하나를 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.

(4) 혈관에 해당하는 점들의 집합을 사용하여 혈관을 이루는 가지 및 가지가 분기되는 노드(node)를 구비하는 혈관 트리를 형성하는 단계;를 포함하며, 정량적 값 집합은: branch asymmetry, tapering, 및 distance to root path/Euclidian을 포함하는 ratio 파라미터와, branch diameter, branch order, euclidian distance, path distance, 및 terminal diameters을 포함하는 branch statistics/distributions 파라미터와, width, height, depth, terminal density, number of branches, 및 number of tips을 포함하는 global 파라미터와, surface, 및 volume을 포함하는 Hull/Area 파라미터 중 적어도 하나를 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.

(5) 정량적 값 집합은: %num of node(nnode), mean diameter(mD), sd of diameter(sdD), max branch order(maxBO), mean branch order(mBO), maximum path length(stats.gstats.bpoints), %maximum branch order(stats.gstats.maxbo,...),

%mean sholl analysis(mst), %mean branch asymmetry(masy), %mean tapering ratio(mrt), %std tapering ratio(sdrt), %min to least distance to airway(min_airway), %std to least distance to airway(std_airway), %max to least distance to airway(max_airway)로 이루어지는 관심 군(intrest group) 중 적어도 하나를 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.

(6) 정량적 값 집합을 추출하는 단계는: 각 노드에서 혈관의 직경을 계산하는 과정; 그리고 혈관 트리의 노드별로 가지를 나누고 각 가지의 직경 정보에 대해서 평균(mean diameter(mD))과 표준편차(sd of diameter(sdD))를 추출하는 과정;을 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.

(7) 정량적 값 집합을 추출하는 단계는: 혈관 트리에서 가지를 레이블링(labeling)하는 과정; 레이블링된 혈관 트리를 근접 노드 매트릭스로 바꾸는 과정; 그리고 근접 노드 매트릭스를 사용하여 max branch order(maxBO) 및 mean branch order(mBO)을 포함하는 혈관의 가지 오더(branch order) 정보를 추출하는 과정;을 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.

(8) 정량적 값 집합을 추출하는 단계는: 혈관 트리의 뿌리를 중심으로 등간격으로 동심원을 그리고 혈관 트리가 각 원과 교차하는 개수의 히스토그램을 생성하는 과정; 그리고 교차하는 개수의 평균값(%mean sholl analysis(mst))과 표준편차(%std sholl analysis)를 추출하는 과정;을 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.

(9) 정량적 값 집합을 추출하는 단계는: 각 노드에서 자식 가지들에 포함된 가지의 개수를 구하고, 해당 개수의 비율을 각 노드에서 평균을 내어 %mean branch asymmetry를 추출하는 과정; 각 노드마다 계산한 자식과 부모 사이의 직경의 비율의 평균값을 계산하여 %mean tapering ratio를 추출하는 과정; 그리고 각 노드에서 계산한 tapering ratio의 표준편차를 계산하여 %std tapering ratio를 추출하는 과정;을 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.

(10) 정량적 값 집합을 추출하는 단계는: 동맥과 정맥이 뭉쳐진 부분을 제거하고 복수의 서브 트리로 분류하는 과정; 각 서브 트리에서 뿌리에서 가지까지의 길이 중에서 가장 긴 길이를 %maximum path length로 추출하는 과정; 각 서브 트리에서 각 가지 길이의 평균값으로부터 %mean branch length를 추출하는 과정; 그리고 각 서브 트리에서 각 가지 길이의 표준편차로부터 %std branch length를 추출하는 과정;을 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.

(11) 혈관 트리를 형성하는 단계에서 폐혈관 트리를 형성하며, 정량적 값 집합을 추출하는 단계는: 폐혈관 영상에서 복수의 기도(airway)를 분할(segmentation)하는 과정; 각 기도로부터 혈관 트리와의 최단 길이(least distance to airway)를 구하는 과정; 그리고 최단 길이로부터 %min to least distance to airway(min_airway), %std to least distance to airway(std_airway), %max to least distance to airway(max_airway)를 추출하는 과정;을 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.

(12) 정량적 값 집합을 사용하여 혈관을 구분하는(classifying) 단계는: SFS(sequential forward selection) 방식을 사용해서 빈 정량적 값 집합에 정량적 값을 순차로 입력해서 동맥과 정맥의 구분의 정확성을 증가시키는 정량적 값을 정량적 값 집합의 원소로 선택하는 과정; 그리고 선택된 적어도 하나의 정량적 값으로 이루어진 정량적 값 집합을 분류기로 처리하여 혈관을 동맥과 정맥으로 구분하는 과정;을 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.

(13) 상기 관심 군(intrest group)을 이루는 각 정량적 값은 Pvalue가 0.04 이하이고, 서포트백터머신 분류기를 사용하여 분류한 결과 동맥 및 정맥의 분류 정확도가 약 85.51±0.39% 이상인 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.

(14) 혈관 트리를 형성하는 단계는: 장기(organ)의 의료 영상을 기초로 복셀들의 3차원 집합으로서 혈관을 추출하는 과정; 혈관의 중앙선을 추출하여 혈관의 골격(skeleton)을 생성하는 과정; 그리고 혈관의 골격을 사용하여 혈관이 분기되는 노드(node)를 추출하는 과정;을 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.

본 개시에 따른 하나의 장기의 동맥 및 정맥을 구분하는 방법에 의하면, 장기의 혈관의 형태적 특징을 정량화하여 분류기(classifier)를 사용하여 처리함으로써 편리하고 객관적이며 정확도 높게 동맥과 정맥을 구분할 수 있다.

본 개시에 따른 또 다른 하나의 장기의 동맥 및 정맥을 구분하는 방법에 의하면, 자동분류된 작은 폐동맥 및 폐정맥의 공간적 분포와 규모를 고려한 정량적 접근에 기초하여 폐고혈압, 간질성 폐 및 만성 폐쇄성 폐질환(CODP)과 같은 많은 폐질환을 보다 효과적으로 평가할 수 있다.

Claims

장기(organ)의 동맥(artery)과 정맥(vein)을 구분하는 방법에 있어서,
장기의 혈관(vessel)의 형태적 특징(geometrical, topological or morphological feature)을 나타내는 정량적 값 집합을 추출하는 단계; 그리고
정량적 값 집합을 사용하여 혈관을 구분하는(classifying) 단계;를 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.
청구항 1에 있어서,
구분하는 단계는:
정량적 값 집합을 서포트백터머신(support vector machines), 디시젼트리(dicision tree), 및 베이지안 클래시파이어(bayesian classifier)로 이루어진 군 중 적어도 하나를 포함하는 분류기(classifier)로 처리하여 혈관을 동맥 및 정맥 중 하나로 분류하는 과정:을 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.
청구항 1에 있어서,
혈관에 해당하는 점들의 집합을 사용하여 혈관을 이루는 가지(branch) 및 가지가 분기되는 노드(node)를 구비하는 혈관 트리(vessel tree)를 형성하는 단계;를 포함하며,
정량적 값 집합은:
가지들에 대해 가지 직경(branch diameter) 정보, 가지 길이(branch length) 정보, 가지의 비대칭성(branch asymmetry) 정보, 가지들 간의 직경비를 나타내는 테이퍼링(tapering ratio) 정보, 및 가지들을 레이블링(labeling)했을 때 가지 오더(branch order) 정보로 이루어진 군 중 적어도 하나를 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.
청구항 1에 있어서,
혈관에 해당하는 점들의 집합을 사용하여 혈관을 이루는 가지 및 가지가 분기되는 노드(node)를 구비하는 혈관 트리를 형성하는 단계;를 포함하며,
정량적 값 집합은:
branch asymmetry, tapering, 및 distance to root path/Euclidian을 포함하는 ratio 파라미터와, branch diameter, branch order, euclidian distance, path distance, 및 terminal diameters을 포함하는 branch statistics/distributions 파라미터와, width, height, depth, terminal density, number of branches, 및 number of tips을 포함하는 global 파라미터와, surface, 및 volume을 포함하는 Hull/Area 파라미터 중 적어도 하나를 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.
청구항 3 및 4 중 어느 한 항에 있어서,
정량적 값 집합은:
%num of node(nnode), mean diameter(mD), sd of diameter(sdD), max branch order(maxBO), mean branch order(mBO), maximum path length(stats.gstats.bpoints), %maximum branch order(stats.gstats.maxbo,...),
%mean branch length(stats.gstats.mblen,...), %std branch length(stats.gstats.stblen,...), %mean branch order(stats.gstats.mbo,...),
%mean sholl analysis(mst), %mean branch asymmetry(masy), %mean tapering ratio(mrt), %std tapering ratio(sdrt), %min to least distance to airway(min_airway), %std to least distance to airway(std_airway), %max to least distance to airway(max_airway)로 이루어지는 관심 군(intrest group) 중 적어도 하나를 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.
청구항 5에 있어서,
정량적 값 집합을 추출하는 단계는:
각 노드에서 혈관의 직경을 계산하는 과정; 그리고
혈관 트리의 노드별로 가지를 나누고 각 가지의 직경 정보에 대해서 평균(mean diameter(mD))과 표준편차(sd of diameter(sdD))를 추출하는 과정;을 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.
청구항 5에 있어서,
정량적 값 집합을 추출하는 단계는:
혈관 트리에서 가지를 레이블링(labeling)하는 과정;
레이블링된 혈관 트리를 근접 노드 매트릭스로 바꾸는 과정; 그리고
근접 노드 매트릭스를 사용하여 max branch order(maxBO) 및 mean branch order(mBO)을 포함하는 혈관의 가지 오더(branch order) 정보를 추출하는 과정;을 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.
청구항 5에 있어서,
정량적 값 집합을 추출하는 단계는:
혈관 트리의 뿌리를 중심으로 등간격으로 동심원을 그리고 혈관 트리가 각 원과 교차하는 개수의 히스토그램을 생성하는 과정; 그리고
교차하는 개수의 평균값(%mean sholl analysis(mst))과 표준편차(%std sholl analysis)를 추출하는 과정;을 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.
청구항 5에 있어서,
정량적 값 집합을 추출하는 단계는:
각 노드에서 자식 가지들에 포함된 가지의 개수를 구하고, 해당 개수의 비율을 각 노드에서 평균을 내어 %mean branch asymmetry를 추출하는 과정;
각 노드마다 계산한 자식과 부모 사이의 직경의 비율의 평균값을 계산하여 %mean tapering ratio를 추출하는 과정; 그리고
각 노드에서 계산한 tapering ratio의 표준편차를 계산하여 %std tapering ratio를 추출하는 과정;을 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.
청구항 5에 있어서,
정량적 값 집합을 추출하는 단계는:
동맥과 정맥이 뭉쳐진 부분을 제거하고 복수의 서브 트리로 분류하는 과정;
각 서브 트리에서 뿌리에서 가지까지의 길이 중에서 가장 긴 길이를 %maximum path length로 추출하는 과정;
각 서브 트리에서 각 가지 길이의 평균값으로부터 %mean branch length를 추출하는 과정; 그리고
각 서브 트리에서 각 가지 길이의 표준편차로부터 %std branch length를 추출하는 과정;을 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.
청구항 5에 있어서,
혈관 트리를 형성하는 단계에서 폐혈관 트리를 형성하며,
정량적 값 집합을 추출하는 단계는:
폐혈관 영상에서 복수의 기도(airway)를 분할(segmentation)하는 과정;
각 기도로부터 혈관 트리와의 최단 길이(least distance to airway)를 구하는 과정; 그리고
최단 길이로부터 %min to least distance to airway(min_airway), %std to least distance to airway(std_airway), %max to least distance to airway(max_airway)를 추출하는 과정;을 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.
청구항 5에 있어서,
정량적 값 집합을 사용하여 혈관을 구분하는(classifying) 단계는:
SFS(sequential forward selection) 방식을 사용해서 빈 정량적 값 집합에 정량적 값을 순차로 입력해서 동맥과 정맥의 구분의 정확성을 증가시키는 정량적 값을 정량적 값 집합의 원소로 선택하는 과정; 그리고
선택된 적어도 하나의 정량적 값으로 이루어진 정량적 값 집합을 분류기로 처리하여 혈관을 동맥과 정맥으로 구분하는 과정;을 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.
청구항 12에 있어서,
상기 관심 군(intrest group)을 이루는 각 정량적 값은 Pvalue가 0.04 이하이고,
서포트백터머신 분류기를 사용하여 분류한 결과 동맥 및 정맥의 분류 정확도가 약 85.51±0.39% 이상인 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.
청구항 3 및 4 중 어느 한 항에 있어서,
혈관 트리를 형성하는 단계는:
장기(organ)의 의료 영상을 기초로 복셀들의 3차원 집합으로서 혈관을 추출하는 과정;
혈관의 중앙선을 추출하여 혈관의 골격(skeleton)을 생성하는 과정; 그리고
혈관의 골격을 사용하여 혈관이 분기되는 노드(node)를 추출하는 과정;을 포함하는 것을 특징으로 하는 장기의 동맥과 정맥을 구분하는 방법.