KR20160064562A - ３ｄ ｃｔａ영상으로부터 관상동맥의 구조를 모델링하는 방법 및 장치 - Google Patents

３ｄ ｃｔａ영상으로부터 관상동맥의 구조를 모델링하는 방법 및 장치 Download PDF

Info

Publication number
KR20160064562A
KR20160064562A KR1020140168326A KR20140168326A KR20160064562A KR 20160064562 A KR20160064562 A KR 20160064562A KR 1020140168326 A KR1020140168326 A KR 1020140168326A KR 20140168326 A KR20140168326 A KR 20140168326A KR 20160064562 A KR20160064562 A KR 20160064562A
Authority
KR
South Korea
Prior art keywords
coronary artery
points
modeling
target image
shape model
Prior art date
Application number
KR1020140168326A
Other languages
English (en)
Other versions
KR102361733B1 (ko
Inventor
강동우
허진구
이석
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020140168326A priority Critical patent/KR102361733B1/ko
Priority to US14/808,399 priority patent/US9990729B2/en
Publication of KR20160064562A publication Critical patent/KR20160064562A/ko
Application granted granted Critical
Publication of KR102361733B1 publication Critical patent/KR102361733B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • 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
    • A61B6/50—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
    • A61B6/504—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 blood vessels, e.g. by angiography
    • 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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
    • G06V10/426—Graphical representations
    • 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
    • G06T2207/10072—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • G06T2207/20044—Skeletonization; Medial axis transform
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20128—Atlas-based segmentation
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • 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
    • G06T2207/30172—Centreline of tubular or elongated structure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pulmonology (AREA)
  • Physiology (AREA)
  • Geometry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Vascular Medicine (AREA)
  • Dentistry (AREA)
  • Multimedia (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Cardiology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Quality & Reliability (AREA)

Abstract

3D 영상들 각각에서 획득한 랜드마크들의 위치를 기초로 구성된 관상동맥의 구조에 대한 학습 기반의 형상 모델을 이용하여 타겟(target) 영상에 포함된 관상동맥의 구조를 모델링하는, 관상동맥의 구조를 모델링하는 방법을 제공할 수 있다.

Description

３Ｄ ＣＴＡ영상으로부터 관상동맥의 구조를 모델링하는 방법 및 장치 {METHOD AND APPARATUS FOR MODELING STRUCTURE OF CORONARY ARTERY FROM 3D CORONARY CT ANGIOGRAPHY(CTA) IMAGE}
아래의 실시예들은 3D CTA 영상으로부터 관상동맥의 구조를 모델링하는 방법 및 장치에 관한 것이다.
심혈관 질환은 전세계 사망자의 사망 원인 중 30% 이상을 차지하는 가장 중요한 질병으로서, 심혈관 질환 사망자 중 80% 이상의 환자가 허혈성 관상동맥 질환으로 사망한다. 의료계에서는 의료 영상을 통해 혈관의 형태적인 특성을 분석하고, 혈관의 개통성 및 협착 정도 등 혈관의 형상적 이상 유무를 비침습 진단과 치료에 활용하고 있다.
의료 영상 중에서도 관상동맥 CTA는 비침습 특성, 높은 공간 해상도(high spatial resolution), 및 등방성(isotropic) 3D 특성으로 관상동맥 질환(coronary artery disease)의 진단 및 치료에 사용되고 있다.
의료진은 의료 영상(예를 들어, 관상동맥 CTA 영상)을 수동으로(manually) 분석하므로 시간 소모(time-consuming)가 큰 반면, 진단의 정확성(accuracy)은 높지 않다.
일실시예에 따르면, 관상동맥의 구조를 모델링하는 방법은, 복수 개의 3D 영상 각각에서 획득한 랜드마크들(landmarks)의 위치를 기초로, 관상동맥의 구조에 대한 학습 기반의 형상 모델을 구성하는 단계; 타겟(target) 영상을 수신하는 단계; 및 상기 타겟 영상에 포함된 관상동맥의 구조를, 상기 형상 모델을 이용하여 모델링하는 단계를 포함한다.
상기 모델링하는 단계는, 상기 형상 모델을 이용하여 상기 타겟 영상에서 관상동맥을 나타내는 포인트들의 위치를 획득하는 단계; 상기 포인트들의 위치를 기초로, 상기 타겟 영상에서 상기 관상동맥의 센터 라인(centerline)을 획득하는 단계; 및 상기 포인트들의 위치 및 상기 센터 라인을 이용하여 상기 관상동맥의 구조를 모델링하는 단계를 포함할 수 있다.
상기 포인트들의 위치를 획득하는 단계는, 상기 형상 모델의 평균 형태(mean shape)를 기초로, 상기 포인트들의 초기 위치를 설정하는 단계; 상기 평균 형태와 상기 포인트들에 의해 구성되는 형태 간의 에너지 차(energy difference)에 기초하여 상기 초기 위치를 변형하는 단계; 및 상기 변형된 초기 위치에 따라 상기 포인트들의 위치를 획득하는 단계를 포함할 수 있다.
상기 센터 라인을 획득하는 단계는, 로컬 세그먼테이션(local segmentation) 기법 및 세선화(thinning)기법을 이용하여 상기 관상동맥의 센터 라인을 획득하는 단계를 포함할 수 있다.
상기 센터 라인을 획득하는 단계는, 리전 그로잉(Region Growing) 방법 또는 그래프 컷(Graph-cut) 방법을 이용하여 상기 타겟 영상에서 상기 포인트들의 위치 별로 상기 관상동맥의 루멘(lumen)을 세그먼테이션(segmentation)하는 단계; 및 상기 세그먼테이션된 관상동맥의 루멘에 상기 세선화 기법을 적용하여 상기 세그먼테이션된 관상동맥의 센터 라인을 획득하는 단계를 포함할 수 있다.
상기 관상동맥의 루멘을 세그먼테이션하는 단계는, 상기 포인트들 각각의 위치를 중심으로 일정 거리 내에 있는 이웃 픽셀들의 인텐시티(intensity)를 스캔(scan)하는 단계; 상기 이웃 픽셀들의 인텐시티를 상기 리전 그로잉 방법을 위한 스톱핑 컨디션 픽셀(stopping condition pixel) 값으로 설정하는 단계; 및 상기 스톱핑 컨디션 픽셀 값을 이용하여 상기 관상동맥의 루멘을 세그먼테이션하는 단계를 포함할 수 있다.
상기 관상동맥의 루멘을 세그먼테이션하는 단계는, 상기 포인트들을 상기 그래프 컷 방법을 위한 시드 포인트(seed point)들로 설정하고, 상기 포인트들에 이웃하는 이웃 포인트들 중 0 HU 이하의 이웃 포인트들을 다른 시드 포인트들로 설정하는 단계; 및 상기 설정된 시드 포인트들 및 상기 다른 시드 포인트들을 이용하여 상기 관상동맥의 루멘을 세그먼테이션하는 단계를 포함할 수 있다.
상기 세그먼테이션된 관상동맥의 센터 라인들을 연결하여 상기 관상동맥의 센터 라인을 획득하는 단계를 더 포함할 수 있다.
상기 형상 모델을 구성하는 단계는, 상기 복수 개의 랜드마크들의 위치를 기초로, 상기 관상동맥에 대한 ASM(Active Shape Model) 모델 또는 AAM(Active Appearance Model) 모델을 구성하는 단계를 포함할 수 있다.
상기 형상 모델을 구성하는 단계는, 상기 3D 영상 각각으로부터 상기 관상동맥에 해당하는 복수 개의 랜드마크들의 위치를 획득하는 단계; 및 상기 복수 개의 랜드마크들의 위치를 기초로 관상동맥의 평균 형태 및 주 변화값(main variation)을 산출하는 단계를 포함할 수 있다.
일실시예에 따르면, 관상동맥의 구조를 모델링하는 장치는, 복수 개의 3D 영상 각각에서 획득한 랜드마크들의 위치를 기초로 구성된 관상동맥에 대한 학습 기반의 형상 모델을 저장하는 메모리; 타겟 영상을 수신하는 통신부; 및 상기 타겟 영상에 대한 관상동맥의 구조를, 상기 형상 모델을 이용하여 모델링하는 프로세서를 포함한다.
상기 프로세서는, 상기 형상 모델을 이용하여 상기 타겟 영상에서 관상동맥을 나타내는 포인트들의 위치를 획득하는 제1 획득부; 상기 포인트들의 위치를 기초로, 상기 타겟 영상에서 상기 관상동맥의 센터 라인을 획득하는 제2 획득부; 및 상기 포인트들의 위치 및 상기 센터 라인을 이용하여 상기 관상동맥의 구조를 모델링하는 모델링부를 포함할 수 있다.
상기 제1 획득부는, 상기 형상 모델의 평균 형태를 기초로, 상기 포인트들의 초기 위치를 설정하고, 상기 평균 형태와 상기 포인트들에 의해 구성되는 형태 간의 에너지 차에 기초하여 상기 초기 위치를 변형하며, 상기 변형된 초기 위치에 따라 상기 포인트들의 위치를 획득할 수 있다.
상기 제2 획득부는, 로컬 세그먼테이션 기법 및 세선화 기법을 이용하여 상기 관상동맥의 센터 라인을 획득할 수 있다.
상기 제2 획득부는, 리전 그로잉 방법 또는 그래프 컷 방법을 이용하여 상기 타겟 영상에서 상기 포인트들의 위치 별로 상기 관상동맥의 루멘을 세그먼테이션하고, 상기 세그먼테이션된 관상동맥의 루멘에 상기 세선화 기법을 적용하여 상기 세그먼테이션된 관상동맥의 센터 라인을 획득할 수 있다.
상기 제2 획득부는, 상기 포인트들 각각의 위치를 중심으로 일정 거리 내에 있는 이웃 픽셀들의 인텐시티를 스캔하고, 상기 이웃 픽셀들의 인텐시티를 상기 리전 그로잉 방법을 위한 스톱핑 컨디션 픽셀 값으로 설정하며, 상기 스톱핑 컨디션 픽셀 값을 이용하여 상기 관상동맥의 루멘을 세그먼테이션할 수 있다.
상기 제2 획득부는, 상기 포인트들을 상기 그래프 컷 방법을 위한 시드 포인트들로 설정하고, 상기 포인트들에 이웃하는 이웃 포인트들 중 0 HU 이하의 이웃 포인트들을 다른 시드 포인트들로 설정하며, 상기 설정된 시드 포인트들 및 상기 다른 시드 포인트들을 이용하여 상기 관상동맥의 루멘을 세그먼테이션할 수 있다.
상기 제2 획득부는, 상기 세그먼테이션된 관상동맥의 센터 라인들을 연결하여 상기 관상동맥의 센터 라인을 획득할 수 있다.
상기 3D 영상들 각각에서 획득한 관상동맥에 해당하는 복수 개의 랜드마크들의 위치에 대하여 PCA기법을 적용하여 상기 복수 개의 3D 영상들에서의 관상동맥의 평균 형태 및 주 변화값을 산출하는 형상 모델 생성부를 더 포함할 수 있다.
도 1은 일실시예에 따른 관상동맥을 모델링하는 방법을 나타낸 플로우 차트이다.
도 2는 일실시예에 따른 학습 기반의 형상 모델을 구성하는 방법을 나타낸 플로우 차트이다.
도 3은 일실시예에 따라 구성된 학습 기반의 형상 모델을 나타낸 도면이다.
도 4는 일실시예에 따른 관상동맥의 구조를 모델링하는 방법을 나타낸 플로우 차트이다.
도 5는 일실시예에 따라 타겟 영상에서 관상동맥을 나타내는 포인트들의 위치를 획득하는 방법을 나타낸 플로우 차트이다.
도 6은 일실시예에 따라 타겟 영상에서 관상동맥을 나타내는 포인트들의 위치가 변형되는 것을 나타낸 도면이다.
도 7은 일실시예에 따라 타겟 영상에서 관상동맥의 센터 라인을 획득하는 방법을 나타낸 플로우 차트이다.
도 8은 일실시예에 따라 관상동맥의 센터 라인을 획득하는 방법을 설명하기 위한 도면이다.
도 9는 일실시예에 따른 관상동맥의 구조를 모델링하는 장치의 블록도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
아래 설명하는 실시예들에는 다양한 변경이 가해질 수 있다. 아래 설명하는 실시예들은 실시 형태에 대해 한정하려는 것이 아니며, 이들에 대한 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 실시예를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 일실시예에 따른 관상동맥을 모델링하는 방법을 나타낸 플로우 차트이다.
도 1을 참조하면, 일실시예에 따른 관상동맥을 모델링하는 장치(이하, '모델링 장치')는 복수 개의 3D CTA 영상 각각에서 획득한 랜드마크들(landmarks)의 위치를 기초로, 관상동맥의 구조에 대한 학습 기반의 형상 모델을 구성한다(110). 단계(110)에서 구성된 형상 모델은 예를 들어, 데이터베이스 등의 형태로 메모리에 저장될 수 있다. 여기서, 학습 기반의 형상 모델은 예를 들어, ASM(Active Shape Model) 모델 또는 AAM(Active Appearance Model) 모델일 수 있다.
모델링 장치가 학습 기반의 형상 모델을 구성하는 방법은 도 2 및 도 3을 참조하여 구체적으로 설명한다.
모델링 장치는 타겟(target) 영상을 수신한다(120).
모델링 장치는 단계(120)에서 수신한 타겟 영상에 포함된 관상동맥의 구조를, 단계(110)에서 구성한 형상 모델을 이용하여 모델링한다(130). 여기서, 관상동맥의 구조는 관상동맥의 시작점, 종료점 및 분기점 이외에도 각 포인트들 사이를 연결하는 센터라인을 모두 포함하는 의미로 이해할 수 있다.
모델링 장치가 타겟 영상에 포함된 관상동맥의 구조를 모델링하는 방법은 도 4 내지 도 7을 참조하여 구체적으로 설명한다.
도 2는 일실시예에 따른 학습 기반의 형상 모델을 구성하는 방법을 나타낸 플로우 차트이다.
도 2를 참조하면, 일실시예에 따른 모델링 장치는 복수 개의 3D CTA 영상을 수신할 수 있다(210).
모델링 장치는 3D CTA 영상 각각으로부터 관상동맥에 해당하는 복수 개의 랜드마크들의 위치를 획득할 수 있다(220).
모델링 장치는 단계(220)에서 획득한 복수 개의 랜드마크들의 위치를 기초로, 관상동맥의 평균 형태(mean shape) 및 주 변화값(main variation)을 산출할 수 있다(230). 모델링 장치는 예를 들어, 복수 개의 랜드마크들의 위치에 대하여 PCA(Principal Component Analysis) 기법을 적용하여 관상동맥의 평균 형태 및 주 변화값을 산출할 수 있다.
모델링 장치는 단계(230)에서 산출된 관상동맥의 평균 형태 및 주 변화값을 이용하여 학습 기반의 형상 모델을 구성할 수 있다(240). 일실시예에 따라 구성되는 형상 모델은 예를 들어, 도 3의 형상 모델(310)과 같은 형태를 가질 수 있다.
도 3은 일실시예에 따라 구성된 학습 기반의 형상 모델을 나타낸 도면이다.
도 3을 참조하면, 일반화된 관상동맥의 구조를 나타내는 형상 모델(310)이 도시된다.
형상 모델(310)은 3D CTA 영상(330)으로부터 학습에 의해 얻어질 수 있다.
관상동맥의 구조는, 예를 들어, 3D CTA 영상(330)에서 관상동맥의 standard AHA 17-segments의 구조를 파악함으로써 얻을 수 있다. AHA 17-segments의 구조는 총 23개의 시작점(start point), 종료점(end point) 및 분기점들(branch points)의 위치에 의해 파악될 수 있다. 여기서, 총 23개의 시작점, 종료점 및 분기점들을 랜드마크들(301)로 부르기로 한다.
일실시예에서는 형상 모델(310)을 구성하기 위해, 예를 들어, 100개 이상 환자들의 CTA 영상(330) 각각으로부터 관상동맥에 해당하는 복수 개의 랜드마크(301)들의 위치를 획득할 수 있다. 이때, 랜드마크들(301)의 위치는 수작업으로 획득할 수도 있고, 특정 알고리즘에 의해 획득할 수도 있다. 랜드마크들(301)의 위치는 수작업 등에 의해 관상동맥의 루멘 중심에 오게끔 위치가 지정되어 학습될 수도 있다.
관상동맥의 구조에서 랜드마크들(301)은 예를 들어, 1번부터 23번까지 순서를 가진 고유의 번호를 가질 수 있다.
형상 모델(310)은 복수 개의 랜드마크들(301)의 위치에 대하여 PCA(Principal Component Analysis) 기법을 적용하여 산출된 관상동맥의 평균 형태 및 주 변화값에 의해 구성될 수 있다.
도 4는 일실시예에 따른 관상동맥의 구조를 모델링하는 방법을 나타낸 플로우 차트이다.
도 4를 참조하면, 일실시예에 따른 모델링 장치는, 형상 모델을 이용하여 타겟 영상에서 관상동맥을 나타내는 포인트들의 위치를 획득할 수 있다(410). 모델링 장치가 포인트들의 위치를 획득하는 방법은 도 5를 참조하여 구체적으로 설명한다.
모델링 장치는 단계(410)에서 획득한 포인트들의 위치를 기초로, 타겟 영상에서 관상동맥의 센터 라인(centerline)을 획득할 수 있다(420). 모델링 장치는 로컬 세그먼테이션(local segmentation) 기법 및 세선화(thinning) 기법을 이용하여 관상동맥의 센터 라인을 획득할 수 있다. 모델링 장치가 센터 라인을 획득하는 방법은 도 7 및 도 8을 참조하여 구체적으로 설명한다.
모델링 장치는 단계(410)에서 획득한 포인트들의 위치 및 단계(420)에서 획득한 센터 라인을 이용하여 관상동맥의 구조를 모델링할 수 있다(430). 모델링 장치는 각 포인트들과 센터라인으로 타겟 영상에 포함된 관상동맥의 구조를 완벽하게 표현할 수 있다.
도 5는 일실시예에 따라 타겟 영상에서 관상동맥을 나타내는 포인트들의 위치를 획득하는 방법을 나타낸 플로우 차트이다.
도 5를 참조하면, 일실시예에 따른 모델링 장치는 형상 모델의 평균 형태를 기초로, 포인트들의 초기 위치를 설정할 수 있다(510). 모델링 장치는 타겟 영상에서 포인트들이 위치할 수 있는 초기 위치를, 일반화된 관상동맥의 구조, 다시 말해, 형상 모델의 평균 형태에 따라 설정할 수 있다.
모델링 장치는 형상 모델의 평균 형태와 포인트들에 의해 구성되는 형태 간의 에너지 차(energy difference)에 기초하여, 예를 들어, 도 6과 같이 포인트들의 초기 위치를 변형할 수 있다(520).
모델링 장치는 단계(520)에서 변형된 초기 위치에 따라 포인트들의 위치를 획득할 수 있다(530). 모델링 장치는 단계(520)에서 변형된 초기 위치를 최종적인 포인트들의 위치로서 획득할 수 있다.
도 6은 일실시예에 따라 타겟 영상에서 관상동맥을 나타내는 포인트들의 위치가 변형되는 것을 나타낸 도면이다.
도 6을 참조하면, 일실시예에 따른 모델링 장치가 포인트들(601)의 초기 위치를 변형하는 과정이 도시된다.
모델링 장치는 예를 들어, 에너지 함수를 이용하여 포인트들의 초기 위치를 변형할 수 있다. 모델링 장치는 평균 형태와 포인트들에 의해 구성되는 형태 간의 에너지 차(energy difference)가 최소화되도록 포인트들의 거리(610)를 조절하여 초기 위치를 변형할 수 있다. 에너지 차로는 예를 들어, 마할라노비스 거리(Mahalanobis distance) 등이 사용될 수 있다.
도 7은 일실시예에 따라 타겟 영상에서 관상동맥의 센터 라인을 획득하는 방법을 나타낸 플로우 차트이다.
도 7을 참조하면, 일실시예에 따른 모델링 장치는 타겟 영상에서 포인트들의 위치 별로 관상동맥의 루멘(lumen)을 세그먼테이션(segmentation)할 수 있다(710).
모델링 장치는 타겟 영상에서 포인트들의 위치 별로, 예를 들어, 1번과 2번 포인트, 2번과 3번 포인트, 3번과 4번 포인트 사이와 같이 관상동맥의 각 포인트 간의 루멘을 순차적으로, 로컬 세그먼테이션(local segmentation)할 수 있다.
이때, 모델링 장치는 예를 들어, 리전 그로잉(Region Growing) 방법 또는 그래프 컷(Graph-cut) 방법을 이용하여 관상동맥의 루멘을 세그먼테이션할 수 있다.
일실시예에서 모델링 장치가 리전 그로잉 방법을 이용하여 관상동맥의 루멘을 세그먼테이션하는 방법은 다음과 같다.
리전 그로잉 방법은 알고리즘상 스톱핑 컨디션 픽셀(stopping condition pixel) 값이 필요하다. 일실시예에서는 스톱핑 컨디션 픽셀 값을 얻기 위해, 포인트들 주변에 이웃하는 이웃 픽셀들의 인텐시티(intensity), 즉, 이웃 화소 강도(neighbor pixel intensity)를 스캔(scan)하여 이용할 수 있다.
모델링 장치는 포인트들 각각의 위치를 중심으로 일정 거리(예를 들어, 1mm) 내의 이웃 화소 강도를 스캔할 수 있다. 모델링 장치는 이웃 화소 강도를 리전 그로잉 방법을 위한 스톱핑 컨디션 픽셀 값으로 설정할 수 있다. 모델링 장치는 스톱핑 컨디션 픽셀 값을 이용하여 관상동맥의 루멘을 세그먼테이션할 수 있다.
일실시예에서 모델링 장치가 그래프 컷(Graph-cut) 방법을 이용하여 관상동맥의 루멘을 세그먼테이션하는 방법은 다음과 같다.
모델링 장치는 획득한 포인트들을 대상(object)(여기서는, 관상동맥)를 위한 시드 포인트(seed point)들로 설정하고, 획득한 포인트들에 이웃하는 이웃 포인트들 중 0 HU 이하의 이웃 포인트들을 배경(background)을 위한 다른 시드 포인트들로 설정할 수 있다. 여기서, HU는 CTA 영상의 화소 강도(pixel intensity) 단위를 나타낸다.
모델링 장치는 설정된 시드 포인트들 및 다른 시드 포인트들을 이용하여 관상동맥의 루멘을 세그먼테이션할 수 있다.
모델링 장치는 단계(710)에서 세그먼테이션된 관상동맥의 루멘에 세선화(thinning) 기법을 적용하여 세그먼테이션된 관상동맥의 센터 라인을 획득할 수 있다(720).
세선화 기법은 침식(erosion) 또는 개구(opening)와 같은 이진 영상들(binary images)로부터 선택된 전경 픽셀들(foreground pixels)을 제거하는 데에 사용되는 형태학적 조작(morphological operation) 기법 중 하나이다. 세선화 기법은 일반적으로 하나의 픽셀 두께의 모든 라인을 줄여 에지(edge)의 검출 결과를 정돈함으로써 골격화(skeletonization)에 이용될 수 있다.
일실시예에서 모델링 장치는 세그먼테이션된 관상동맥의 루멘에 세선화 기법을 적용하여, 예를 들어, 굽거나 휘어지는 등과 같은 루멘의 실제 형태가 골격화된, 관상동맥의 센터 라인을 획득할 수 있다.
모델링 장치는 세그먼테이션된 관상동맥의 센터 라인들을 연결하여 도 8과 같이 관상동맥의 센터 라인을 획득할 수 있다(730).
실시예에 따라서, 모델링 장치는 단계(710)에서 획득한 관상동맥의 세그먼테이션(segmentation) 결과는 저장하고, 모델링된 관상동맥의 부분을 세그먼테이션하는 데에, 저장된 세그먼테이션 결과를 다시 이용할 수 있다.
도 8은 일실시예에 따라 관상동맥의 센터 라인을 획득하는 방법을 설명하기 위한 도면이다.
도 8을 참조하면, CTA 영상으로부터 세그먼테이션된 관상동맥의 로컬 센터 라인들(810, 820, 830, 840, 850, 860)이 도시된다.
일실시예에 따른 모델링 장치는 포인트들의 위치 별로 세그먼테이션한 관상동맥의 루멘에 상술한 세선화 기법을 적용하여 한 개의 선(line)을 얻을 수 있다. 이 선이 각 포인트들을 연결하는 로컬 센터 라인들(810, 820, 830, 840, 850, 860)이 된다.
모델링 장치는 로컬 센터 라인들(810, 820, 830, 840, 850, 860)을 모두 연결하여 관상동맥의 시작점부터 종료점까지의 전체 센터 라인을 획득할 수 있다.
도 9는 일실시예에 따른 관상동맥의 구조를 모델링하는 장치의 블록도이다.
도 9를 참조하면, 일실시예에 따른 관상동맥의 구조를 모델링하는 장치(이하, '모델링 장치')(900)는 형상 모델 생성부(910), 메모리(920), 통신부(930), 및 프로세서(940)를 포함한다.
형상 모델 생성부(910)는 복수 개의 3D CTA 영상들 각각에서 획득한 관상동맥에 해당하는 복수 개의 랜드마크들의 위치에 기초하여, 관상동맥의 평균 형태 및 주 변화값을 산출할 수 있다. 이때, 복수 개의 3D 영상은 복수의 대상자들의 3D CTA 영상일 수 있다.
형상 모델 생성부(910)는 복수 개의 랜드마크들의 위치에 대하여 예를 들어, PCA 기법을 적용하여 복수 개의 3D 영상들에서의 관상동맥의 평균 형태 및 주 변화값을 산출하고, 산출된 결과를 이용하여 관상동맥에 대한 학습 기반의 형상 모델을 생성할 수 있다.
메모리(920)는 형상 모델 생성부(910)에 의해 생성된 관상동맥에 대한 학습 기반의 형상 모델을 예를 들어, 데이터베이스 등의 형태로 저장할 수 있다. 이때, 형상 모델은 복수 개의 3D 영상 각각에서 획득한 랜드마크들의 위치를 기초로 구성될 수 있다.
통신부(930)는 타겟 영상을 수신한다. 이때, 타겟 영상은 관상동맥의 구조를 파악하고자 하는 대상자(예를 들어, 환자)의 3D CTA 영상일 수 있다.
프로세서(940)는 타겟(target) 영상에 대한 관상동맥의 구조를, 형상 모델을 이용하여 모델링한다.
프로세서(940)는 제1 획득부(941), 제2 획득부(943), 및 모델링부(945)를 포함할 수 있다.
제1 획득부(941)는 형상 모델을 이용하여 타겟 영상에서 관상동맥을 나타내는 포인트들의 위치를 획득할 수 있다.
제1 획득부(941)는 형상 모델의 평균 형태를 기초로, 포인트들의 초기 위치를 설정하고, 평균 형태와 상기 포인트들에 의해 구성되는 형태 간의 에너지 차에 기초하여 초기 위치를 변형할 수 있다. 제1 획득부(941)는 예를 들어, 에너지 최소화 함수를 이용하여 평균 형태와 포인트들에 의해 구성되는 형태 간의 에너지 차가 최소화되도록 초기 위치를 변형할 수 있다.
제1 획득부(941)는 변형된 초기 위치에 따라 포인트들의 위치를 획득할 수 있다.
제2 획득부(943)는 제1 획득부(941)가 획득한 포인트들의 위치를 기초로, 타겟 영상에서 관상동맥의 센터 라인을 획득할 수 있다.
제2 획득부(943)는 로컬 세그먼테이션 기법 및 세선화(thinning) 기법을 이용하여 관상동맥의 센터 라인을 획득할 수 있다.
제2 획득부(943)는 리전 그로잉 방법 또는 그래프 컷 방법을 이용하여 타겟 영상에서 포인트들의 위치 별로 관상동맥의 루멘을 세그먼테이션할 수 있다. 제2 획득부(943)는 세그먼테이션된 관상동맥의 루멘에 세선화 기법을 적용하여 세그먼테이션된 관상동맥의 센터 라인을 획득할 수 있다.
여기서, 리전 그로잉 방법 또는 그래프 컷 방법은 로컬 세그먼테이션 기법의 일 예이다.
제2 획득부(943)가 리전 그로잉 방법을 이용하여 관상동맥의 루멘을 세그먼테이션하는 방법은 다음과 같다.
제2 획득부(943)는 제1 획득부(941)가 획득한 포인트들 각각의 위치를 중심으로 일정 거리 내에 있는 이웃 픽셀들의 인텐시티를 스캔하고, 이웃 픽셀들의 인텐시티를 리전 그로잉 방법을 위한 스톱핑 컨디션 픽셀 값으로 설정할 수 있다. 제2 획득부(943)는 스톱핑 컨디션 픽셀 값을 이용하여 관상동맥의 루멘을 세그먼테이션할 수 있다.
제2 획득부(943)가 그래프 컷 방법을 이용하여 관상동맥의 루멘을 세그먼테이션하는 방법은 다음과 같다.
제2 획득부(943)는 제1 획득부(941)가 획득한 포인트들을 그래프 컷 방법을 위한 시드 포인트들로 설정하고, 포인트들에 이웃하는 이웃 포인트들 중 0 HU 이하의 이웃 포인트들을 다른 시드 포인트들로 설정할 수 있다.
제2 획득부(943)는 설정된 시드 포인트들 및 다른 시드 포인트들을 이용하여 관상동맥의 루멘을 세그먼테이션할 수 있다.
제2 획득부(943)는 세그먼테이션된 관상동맥의 센터 라인들을 연결하여 관상동맥의 센터 라인을 획득할 수 있다.
모델링부(945)는 제1 획득부(941)가 획득한 포인트들의 위치 및 제2 획득부(943)가 획득한 센터 라인을 이용하여 관상동맥의 구조를 모델링할 수 있다.
이상에서 설명된 장치는 하드웨어 구성 요소, 소프트웨어 구성 요소, 및/또는 하드웨어 구성 요소 및 소프트웨어 구성 요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성 요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
900: 모델링 장치
910: 형상 모델 구성부
920: 메모리
930: 통신부
940: 프로세서
941: 제1 획득부
943: 제2 획득부
945: 모델링부

Claims (20)

  1. 복수 개의 3D 영상 각각에서 획득한 랜드마크들(landmarks)의 위치를 기초로, 관상동맥의 구조에 대한 학습 기반의 형상 모델을 구성하는 단계;
    타겟(target) 영상을 수신하는 단계; 및
    상기 타겟 영상에 포함된 관상동맥의 구조를, 상기 형상 모델을 이용하여 모델링하는 단계
    를 포함하는, 관상동맥의 구조를 모델링하는 방법.
  2. 제1항에 있어서,
    상기 모델링하는 단계는,
    상기 형상 모델을 이용하여 상기 타겟 영상에서 관상동맥을 나타내는 포인트들의 위치를 획득하는 단계;
    상기 포인트들의 위치를 기초로, 상기 타겟 영상에서 상기 관상동맥의 센터 라인(centerline)을 획득하는 단계; 및
    상기 포인트들의 위치 및 상기 센터 라인을 이용하여 상기 관상동맥의 구조를 모델링하는 단계
    를 포함하는, 관상동맥의 구조를 모델링하는 방법.
  3. 제2항에 있어서,
    상기 포인트들의 위치를 획득하는 단계는,
    상기 형상 모델의 평균 형태(mean shape)를 기초로, 상기 포인트들의 초기 위치를 설정하는 단계;
    상기 평균 형태와 상기 포인트들에 의해 구성되는 형태 간의 에너지 차(energy difference)에 기초하여 상기 초기 위치를 변형하는 단계; 및
    상기 변형된 초기 위치에 따라 상기 포인트들의 위치를 획득하는 단계
    를 포함하는, 관상동맥의 구조를 모델링하는 방법.
  4. 제2항에 있어서,
    상기 센터 라인을 획득하는 단계는,
    로컬 세그먼테이션(local segmentation) 기법 및 세선화(thinning)기법을 이용하여 상기 관상동맥의 센터 라인(centerline)을 획득하는 단계
    를 포함하는, 관상동맥의 구조를 모델링하는 방법.
  5. 제4항에 있어서,
    상기 센터 라인을 획득하는 단계는,
    리전 그로잉(Region Growing) 방법 또는 그래프 컷(Graph-cut) 방법을 이용하여 상기 타겟 영상에서 상기 포인트들의 위치 별로 상기 관상동맥의 루멘(lumen)을 세그먼테이션(segmentation)하는 단계; 및
    상기 세그먼테이션된 관상동맥의 루멘에 상기 세선화(thinning)기법을 적용하여 상기 세그먼테이션된 관상동맥의 센터 라인을 획득하는 단계
    를 포함하는, 관상동맥의 구조를 모델링하는 방법.
  6. 제5항에 있어서,
    상기 관상동맥의 루멘을 세그먼테이션하는 단계는,
    상기 포인트들 각각의 위치를 중심으로 일정 거리 내에 있는 이웃 픽셀들의 인텐시티(intensity)를 스캔(scan)하는 단계;
    상기 이웃 픽셀들의 인텐시티를 상기 리전 그로잉(Region Growing) 방법을 위한 스톱핑 컨디션 픽셀(stopping condition pixel) 값으로 설정하는 단계; 및
    상기 스톱핑 컨디션 픽셀 값을 이용하여 상기 관상동맥의 루멘을 세그먼테이션하는 단계
    를 포함하는, 관상동맥의 구조를 모델링하는 방법.
  7. 제5항에 있어서,
    상기 관상동맥의 루멘을 세그먼테이션하는 단계는,
    상기 포인트들을 상기 그래프 컷(Graph-cut) 방법을 위한 시드 포인트(seed point)들로 설정하고, 상기 포인트들에 이웃하는 이웃 포인트들 중 0 HU 이하의 이웃 포인트들을 다른 시드 포인트들로 설정하는 단계; 및
    상기 설정된 시드 포인트들 및 상기 다른 시드 포인트들을 이용하여 상기 관상동맥의 루멘을 세그먼테이션하는 단계
    를 포함하는, 관상동맥의 구조를 모델링하는 방법.
  8. 제5항에 있어서,
    상기 세그먼테이션된 관상동맥의 센터 라인들을 연결하여 상기 관상동맥의 센터 라인을 획득하는 단계
    를 더 포함하는, 관상동맥의 구조를 모델링하는 방법.
  9. 제1항에 있어서,
    상기 형상 모델을 구성하는 단계는,
    상기 복수 개의 랜드마크들의 위치를 기초로, 상기 관상동맥에 대한 ASM(Active Shape Model) 모델 또는 AAM(Active Appearance Model) 모델을 구성하는 단계
    를 포함하는, 관상동맥의 구조를 모델링하는 방법.
  10. 제1항에 있어서,
    상기 형상 모델을 구성하는 단계는,
    상기 3D 영상 각각으로부터 상기 관상동맥에 해당하는 복수 개의 랜드마크들의 위치를 획득하는 단계; 및
    상기 복수 개의 랜드마크들의 위치를 기초로 관상동맥의 평균 형태(mean shape) 및 주 변화값(main variation)을 산출하는 단계
    를 포함하는, 관상동맥을 모델링하는 방법.
  11. 제1항 내지 제10항 중에서 어느 하나의 항의 방법을 실행시키기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체.
  12. 복수 개의 3D 영상 각각에서 획득한 랜드마크들의 위치를 기초로 구성된 관상동맥에 대한 학습 기반의 형상 모델을 저장하는 메모리;
    타겟 영상을 수신하는 통신부; 및
    상기 타겟(target) 영상에 대한 관상동맥의 구조를, 상기 형상 모델을 이용하여 모델링하는 프로세서
    를 포함하는, 관상동맥의 구조를 모델링하는 장치.
  13. 제12항에 있어서,
    상기 프로세서는,
    상기 형상 모델을 이용하여 상기 타겟 영상에서 관상동맥을 나타내는 포인트들의 위치를 획득하는 제1 획득부;
    상기 포인트들의 위치를 기초로, 상기 타겟 영상에서 상기 관상동맥의 센터 라인(centerline)을 획득하는 제2 획득부; 및
    상기 포인트들의 위치 및 상기 센터 라인을 이용하여 상기 관상동맥의 구조를 모델링하는 모델링부
    를 포함하는, 관상동맥의 구조를 모델링하는 장치.
  14. 제13항에 있어서,
    상기 제1 획득부는,
    상기 형상 모델의 평균 형태(mean shape)를 기초로, 상기 포인트들의 초기 위치를 설정하고, 상기 평균 형태와 상기 포인트들에 의해 구성되는 형태 간의 에너지 차(energy difference)에 기초하여 상기 초기 위치를 변형하며, 상기 변형된 초기 위치에 따라 상기 포인트들의 위치를 획득하는, 관상동맥의 구조를 모델링하는 장치.
  15. 제13항에 있어서,
    상기 제2 획득부는,
    로컬 세그먼테이션(local segmentation) 기법 및 세선화(thinning)기법을 이용하여 상기 관상동맥의 센터 라인(centerline)을 획득하는, 관상동맥의 구조를 모델링하는 장치.
  16. 제15항에 있어서,
    상기 제2 획득부는,
    리전 그로잉(Region Growing) 방법 또는 그래프 컷(Graph-cut) 방법을 이용하여 상기 타겟 영상에서 상기 포인트들의 위치 별로 상기 관상동맥의 루멘(lumen)을 세그먼테이션하고, 상기 세그먼테이션된 관상동맥의 루멘에 상기 세선화(thinning)기법을 적용하여 상기 세그먼테이션된 관상동맥의 센터 라인을 획득하는, 관상동맥의 구조를 모델링하는 장치.
  17. 제16항에 있어서,
    상기 제2 획득부는,
    상기 포인트들 각각의 위치를 중심으로 일정 거리 내에 있는 이웃 픽셀들의 인텐시티(intensity)를 스캔(scan)하고, 상기 이웃 픽셀들의 인텐시티를 상기 리전 그로잉(Region Growing) 방법을 위한 스톱핑 컨디션 픽셀(stopping condition pixel) 값으로 설정하며, 상기 스톱핑 컨디션 픽셀 값을 이용하여 상기 관상동맥의 루멘을 세그먼테이션하는, 관상동맥의 구조를 모델링하는 장치.
  18. 제16항에 있어서,
    상기 제2 획득부는,
    상기 포인트들을 상기 그래프 컷(Graph-cut) 방법을 위한 시드 포인트(seed point)들로 설정하고, 상기 포인트들에 이웃하는 이웃 포인트들 중 0 HU 이하의 이웃 포인트들을 다른 시드 포인트들로 설정하며, 상기 설정된 시드 포인트들 및 상기 다른 시드 포인트들을 이용하여 상기 관상동맥의 루멘을 세그먼테이션하는, 관상동맥의 구조를 모델링하는 장치.
  19. 제16항에 있어서,
    상기 제2 획득부는,
    상기 세그먼테이션된 관상동맥의 센터 라인들을 연결하여 상기 관상동맥의 센터 라인을 획득하는, 관상동맥의 구조를 모델링하는 장치.
  20. 제12항에 있어서,
    상기 3D 영상들 각각에서 획득한 관상동맥에 해당하는 복수 개의 랜드마크들의 위치에 대하여 PCA(Principal Component Analysis) 기법을 적용하여 상기 복수 개의 3D 영상들에서의 관상동맥의 평균 형태(mean shape) 및 주 변화값(main variation)을 산출하는 형상 모델 생성부
    를 더 포함하는, 관상동맥의 구조를 모델링하는 장치.
KR1020140168326A 2014-11-28 2014-11-28 ３ｄ ｃｔａ영상으로부터 관상동맥의 구조를 모델링하는 방법 및 장치 KR102361733B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020140168326A KR102361733B1 (ko) 2014-11-28 2014-11-28 ３ｄ ｃｔａ영상으로부터 관상동맥의 구조를 모델링하는 방법 및 장치
US14/808,399 US9990729B2 (en) 2014-11-28 2015-07-24 Methods of and apparatuses for modeling structures of coronary arteries from three-dimensional (3D) computed tomography angiography (CTA) images

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140168326A KR102361733B1 (ko) 2014-11-28 2014-11-28 ３ｄ ｃｔａ영상으로부터 관상동맥의 구조를 모델링하는 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20160064562A true KR20160064562A (ko) 2016-06-08
KR102361733B1 KR102361733B1 (ko) 2022-02-11

Family

ID=56079479

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140168326A KR102361733B1 (ko) 2014-11-28 2014-11-28 ３ｄ ｃｔａ영상으로부터 관상동맥의 구조를 모델링하는 방법 및 장치

Country Status (2)

Country Link
US (1) US9990729B2 (ko)
KR (1) KR102361733B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180008130A (ko) * 2016-07-15 2018-01-24 연세대학교 산학협력단 회선 신경망을 이용하여 관상동맥 영상에서의 움직임을 보정하기 위한 방법
KR20180097037A (ko) 2017-02-22 2018-08-30 연세대학교 산학협력단 관상동맥의 시작점을 자동으로 추출하기 위한 방법 및 그 장치
WO2019039887A1 (ko) * 2017-08-23 2019-02-28 주식회사 메디웨일 Ct 영상을 이용하여 심혈관 병변을 판단하는 방법 및 애플리케이션
KR20200056106A (ko) * 2018-11-14 2020-05-22 울산대학교 산학협력단 심근 이미지 분석 방법 및 장치
US12008073B2 (en) 2018-11-14 2024-06-11 The Asan Foundation Myocardium image analysis method and device

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102361733B1 (ko) * 2014-11-28 2022-02-11 삼성전자주식회사 ３ｄ ｃｔａ영상으로부터 관상동맥의 구조를 모델링하는 방법 및 장치
US11069078B2 (en) * 2018-08-23 2021-07-20 Shenzhen Keya Medical Technology Corporation Method, device and system for generating a centerline for an object in an image
US11200976B2 (en) 2019-08-23 2021-12-14 Canon Medical Systems Corporation Tracking method and apparatus
DE102019217524A1 (de) * 2019-11-13 2021-05-20 Siemens Healthcare Gmbh Verfahren und Bildverarbeitungsvorrichtung zum Segmentieren von Bilddaten und Computerprogrammprodukt
CN112132882A (zh) * 2019-11-19 2020-12-25 苏州润迈德医疗科技有限公司 从冠状动脉二维造影图像中提取血管中心线的方法和装置
EP4062362A1 (en) * 2019-11-22 2022-09-28 The Regents Of The University Of Michigan Anatomical and functional assessment of coronary artery disease using machine learning
CN111353989B (zh) * 2020-03-03 2022-07-01 重庆理工大学 一种冠状动脉血管完全造影图像识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070014452A1 (en) * 2003-12-01 2007-01-18 Mitta Suresh Method and system for image processing and assessment of a state of a heart
US20090185731A1 (en) * 2008-01-23 2009-07-23 Carestream Health, Inc. Method for lung lesion location identification
US20100067760A1 (en) * 2008-09-15 2010-03-18 Siemens Corporate Research, Inc. Method and System for Automatic Coronary Artery Detection
US20110026794A1 (en) * 2009-07-29 2011-02-03 Siemens Corporation Deformable 2D-3D Registration of Structure
US20130101187A1 (en) * 2011-09-28 2013-04-25 Siemens Corporation Coronary artery motion modeling

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005057491A1 (en) 2003-12-08 2005-06-23 Philips Intellectual Property & Standards Gmbh Image segmentation in a volume data set
US7993274B2 (en) 2006-11-22 2011-08-09 General Electric Company Method, system, and computer product for automatically extracting and tracking cardiac calcifications and determining a tracking centerline
WO2011021181A1 (en) 2009-08-16 2011-02-24 Ori Hay Assessment of spinal anatomy
US8526699B2 (en) 2010-03-12 2013-09-03 Siemens Aktiengesellschaft Method and system for automatic detection and classification of coronary stenoses in cardiac CT volumes
US8315812B2 (en) 2010-08-12 2012-11-20 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
WO2012096988A2 (en) * 2011-01-10 2012-07-19 Rutgers, The State University Of New Jersey Method and apparatus for shape based deformable segmentation of multiple overlapping objects
KR101805624B1 (ko) 2011-08-29 2017-12-08 삼성전자주식회사 장기 모델 영상 생성 방법 및 장치
JP5347003B2 (ja) 2011-09-30 2013-11-20 富士フイルム株式会社 医用画像処理装置および方法ならびにプログラム
DK2834750T3 (en) * 2012-04-02 2018-01-22 Sonova Ag Method for estimating the shape of an individual ear
US9218524B2 (en) * 2012-12-06 2015-12-22 Siemens Product Lifecycle Management Software Inc. Automatic spatial context based multi-object segmentation in 3D images
KR102361733B1 (ko) * 2014-11-28 2022-02-11 삼성전자주식회사 ３ｄ ｃｔａ영상으로부터 관상동맥의 구조를 모델링하는 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070014452A1 (en) * 2003-12-01 2007-01-18 Mitta Suresh Method and system for image processing and assessment of a state of a heart
US20090185731A1 (en) * 2008-01-23 2009-07-23 Carestream Health, Inc. Method for lung lesion location identification
US20100067760A1 (en) * 2008-09-15 2010-03-18 Siemens Corporate Research, Inc. Method and System for Automatic Coronary Artery Detection
US20110026794A1 (en) * 2009-07-29 2011-02-03 Siemens Corporation Deformable 2D-3D Registration of Structure
US20130101187A1 (en) * 2011-09-28 2013-04-25 Siemens Corporation Coronary artery motion modeling

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180008130A (ko) * 2016-07-15 2018-01-24 연세대학교 산학협력단 회선 신경망을 이용하여 관상동맥 영상에서의 움직임을 보정하기 위한 방법
KR20180097037A (ko) 2017-02-22 2018-08-30 연세대학교 산학협력단 관상동맥의 시작점을 자동으로 추출하기 위한 방법 및 그 장치
WO2019039887A1 (ko) * 2017-08-23 2019-02-28 주식회사 메디웨일 Ct 영상을 이용하여 심혈관 병변을 판단하는 방법 및 애플리케이션
KR20190021749A (ko) * 2017-08-23 2019-03-06 주식회사 메디웨일 Ct 영상을 이용하여 심혈관 병변을 판단하는 방법 및 애플리케이션
KR20200056106A (ko) * 2018-11-14 2020-05-22 울산대학교 산학협력단 심근 이미지 분석 방법 및 장치
WO2020101265A1 (ko) * 2018-11-14 2020-05-22 울산대학교 산학협력단 심근 이미지 분석 방법 및 장치
US12008073B2 (en) 2018-11-14 2024-06-11 The Asan Foundation Myocardium image analysis method and device

Also Published As

Publication number Publication date
KR102361733B1 (ko) 2022-02-11
US9990729B2 (en) 2018-06-05
US20160155234A1 (en) 2016-06-02

Similar Documents

Publication Publication Date Title
KR20160064562A (ko) ３ｄ ｃｔａ영상으로부터 관상동맥의 구조를 모델링하는 방법 및 장치
WO2021213124A1 (zh) 血流特征预测方法、装置、计算机设备和存储介质
US11216950B2 (en) Method and system for automatically segmenting blood vessel in medical image by using machine learning and image processing algorithm
CN106682636B (zh) 血管提取方法及其系统
US9697611B2 (en) Apparatus and method for detecting error in lesion contour, apparatus and method for correcting error in lesion contour, and apparatus for inspecting error in lesion contour
Erdt et al. Fast automatic liver segmentation combining learned shape priors with observed shape deviation
US20160117797A1 (en) Image Processing Apparatus and Image Processing Method
US8483462B2 (en) Object centric data reformation with application to rib visualization
EP3397166B1 (en) Method and system for segmentation of vascular structure in a volumetric image dataset
US10445855B2 (en) Lung segmentation and bone suppression techniques for radiographic images
EP2584528B1 (en) Apparatus and method for correcting lesion in image frame
US10991102B2 (en) Image processing apparatus and image processing method
WO2014144019A1 (en) Methods, systems, and computer readable media for real-time 2d/3d deformable registration using metric learning
TW201725554A (zh) 心臟醫學影像單一腔室地圖化系統及方法
JP2021530331A (ja) 心臓灌流磁気共鳴イメージングを使用して虚血性心疾患を検出するために完全定量ピクセル単位心筋血流および心筋血流予備能マップを自動的に生成および分析するための方法およびシステム
JP2014135990A (ja) 医用画像処理装置および方法並びにプログラム
Kim et al. Automatic segmentation of the left ventricle in echocardiographic images using convolutional neural networks
CN117115150B (zh) 用于确定分支血管的方法、计算设备和介质
US9262835B2 (en) Method, apparatus, and medical imaging system for segmenting image of object from image of organ
JP6271458B2 (ja) 画像処理装置、方法、及びプログラム
KR20210052270A (ko) 환자의 증강 현실 기반의 의료 정보를 제공하는 방법, 장치 및 컴퓨터 프로그램
Menti et al. Automatic generation of synthetic retinal fundus images: Vascular network
US20180350063A1 (en) Surface-based object identification
JP7105369B2 (ja) トラッキング装置、学習済モデル、内視鏡システム及びトラッキング方法
JP2011224275A (ja) 画像処理装置、方法およびプログラム

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant