KR20170097324A - 뇌 네트워크 기반 뇌 손상 정도 분석방법 및 이를 이용한 장치 - Google Patents

뇌 네트워크 기반 뇌 손상 정도 분석방법 및 이를 이용한 장치 Download PDF

Info

Publication number
KR20170097324A
KR20170097324A KR1020160018932A KR20160018932A KR20170097324A KR 20170097324 A KR20170097324 A KR 20170097324A KR 1020160018932 A KR1020160018932 A KR 1020160018932A KR 20160018932 A KR20160018932 A KR 20160018932A KR 20170097324 A KR20170097324 A KR 20170097324A
Authority
KR
South Korea
Prior art keywords
brain
network
connectivity index
brain network
node
Prior art date
Application number
KR1020160018932A
Other languages
English (en)
Other versions
KR101835402B1 (ko
Inventor
김동윤
이민희
황윤호
민아름
이상현
Original Assignee
연세대학교 원주산학협력단
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 연세대학교 원주산학협력단 filed Critical 연세대학교 원주산학협력단
Priority to KR1020160018932A priority Critical patent/KR101835402B1/ko
Publication of KR20170097324A publication Critical patent/KR20170097324A/ko
Application granted granted Critical
Publication of KR101835402B1 publication Critical patent/KR101835402B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G06F19/321—
    • G06F19/3431—
    • G06F19/3437—

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Neurosurgery (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychology (AREA)
  • Signal Processing (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)

Abstract

본 발명은, 환자의 뇌 영상에 기초하여 뇌 손상 여부 및 정도를 판단할 수 있는 방법 및 장치에 관한 것이다. 구체적으로 본 발명은, 환자의 의료 영상에 기초하여 뇌 네트워크를 모델링하는 단계, 상기 모델링 된 뇌 네트워크에 기초하여 상기 환자의 뇌 연결성(brain connectivity) 지수를 계산하는 단계, 상기 계산된 뇌 연결성 지수를 정상인의 뇌 연결성 지수와 비교하는 단계, 및 상기 비교 결과에 기초하여, 상기 환자의 뇌 손상 정도를 판단하는 단계를 포함하는, 뇌 네트워크 분석 방법에 관한 것이다.

Description

뇌 네트워크 기반 뇌 손상 정도 분석방법 및 이를 이용한 장치{BRAIN DAMAGE MEASURING METHOD BASED ON ANATOMICAL BRAIN NETWORK AND APPARATUS USING THEREOF}
본 발명은 환자의 뇌 손상 정도를 분석하는 방법 및 장치에 관한 것으로, 보다 구체적으로는 환자의 뇌를 모델링한 뇌 네트워크에 기초하여 뇌 손상 정도를 분석하는 방법 및 이를 이용한 장치에 관한 것이다.
최근 뇌를 하나의 네트워크로 보는 관점(connectomics)이 대두되면서, 기존의 회백질(grey matter) 분석에서 회백질을 잇는 백질(white matter) 네트워크 구조에 대한 연구가 진행되고 있다. 또한, 뇌 네트워크가 작은 세상 성질(Small world Property)을 가지는 구조를 가진다는 것이 알려졌고, 뇌 네트워크의 연결수 분포 또는 정도 분포(Degree Distribution)와 주요 허브 영역(Hub Region)들이 밝혀 졌다.
이러한 뇌 네트워크(Anatomical Brain Networks)는, 환자의 DTI 등 의료 영상에 기초하여 모델링 되는 것기 때문에, 이를 분석할 경우 환자의 뇌 상태를 정확하게 분석할 수 있을 것이다.
따라서, 뇌에 충격을 받은 환자에 대해서 이러한 뇌 네트워크를 모델링하고, 이렇게 모델링 된 뇌 네트워크를 이용하여 환자의 뇌 손상 정도를 분석하는 방법이 요구되는 실정이다.
본 발명은 전술한 문제 및 다른 문제를 해결하는 것을 목적으로 한다. 또 다른 목적은 뇌 네트워크를 보다 정확하게 분석하는 방법 및 장치를 제공하는 것을 그 목적으로 한다.
본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기 또는 다른 목적을 달성하기 위해 본 발명의 일 측면에 따르면, 환자의 의료 영상에 기초하여 뇌 네트워크를 모델링하는 단계; 상기 모델링 된 뇌 네트워크에 기초하여 상기 환자의 뇌 연결성(brain connectivity) 지수를 계산하는 단계; 상기 계산된 뇌 연결성 지수를 정상인의 뇌 연결성 지수와 비교하는 단계; 및 상기 비교 결과에 기초하여, 상기 환자의 뇌 손상 정도를 판단하는 단계를 포함하는, 뇌 네트워크 분석 방법을 제공한다.
본 발명에 따른 뇌 손상 정도 판단 방법 및 장치의 효과에 대해 설명하면 다음과 같다.
본 발명의 실시 예들 중 적어도 하나에 의하면, 환자의 뇌 영상에 기초하여 정확한 뇌 손상 여부나 그 손상 정도를 판단할 수 있다는 장점이 있다.
본 발명의 적용 가능성의 추가적인 범위는 이하의 상세한 설명으로부터 명백해질 것이다. 그러나 본 발명의 사상 및 범위 내에서 다양한 변경 및 수정은 당업자에게 명확하게 이해될 수 있으므로, 상세한 설명 및 본 발명의 바람직한 실시 예와 같은 특정 실시 예는 단지 예시로 주어진 것으로 이해되어야 한다.
도 1은 본 발명의 한 실시예에 따른 장치(100)의 블록도이다.
도 2는 본 발명의 일실시예에 따른 뇌 손상 정도 판단 방법의 순서도를 도시하는 도면이다.
도 3은 본 발명의 한 실시예에 따른 뇌 네트워크 모델링 방법에 대해 설명하는 도면이다.
도 4는 본 발명의 일실시예에 따라 모델링된 뇌 네트워크의 일예시를 도시하는 도면이다.
도 5는 본 발명의 일실시예에 따라, 뇌 네트워크 모델로부터 뇌 연결성을 계산하는 제 1 실시예를 설명하기 위한 도면이다.
도 6은 본 발명의 일실시예에 따라, 뇌 네트워크 모델로부터 뇌 연결성을 계산(뇌 연결성 지수를 계산)하는 제 2 실시예를 설명하기 위한 도면이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이제 도면을 참고하여 뇌 네트워크에 기초하여 환자의 뇌 손상 정도를 판단하는 방법 및 장치에 대해서 상세히 설명한다.
도 1은 본 발명의 한 실시예에 따른 장치(100)의 블록도이다.
도 1을 참고하면, 뇌 네트워크에 기초하여 뇌 손상 정도를 판단하는 장치(앞으로 "장치"라고 한다)(100)는 전원부(110), 입력부(120), 제어부(180), 출력부(140) 및 메모리(130)를 포함한다.
입력부(120)는, 영상 신호(뇌 촬영 영상 등) 입력을 위한 영상 입력부, 사용자로부터 정보를 입력받기 위한 사용자 입력부(예를 들어, 터치키(touch key), 푸시키(mechanical key) 등)를 포함할 수 있다. 입력부(120)에서 수집한 이미지 데이터는 분석되어 사용자의 제어명령으로 처리될 수 있다.
전원부(110)는 제어부(180)의 제어 하에서, 외부의 전원, 내부의 전원을 인가 받아 장치(100)에 포함된 각 구성요소들에 전원을 공급한다.
출력부(140)는 시각, 청각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이, 음향 출력부 중 적어도 하나를 포함할 수 있다. 디스플레이는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부로써 기능함과 동시에, 장치(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
메모리(130)는 장치(100)의 다양한 기능을 지원하는 데이터를 저장한다. 메모리(170)는 장치(100)에서 구동되는 다수의 응용 프로그램, 장치(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다.
제어부(180)는 통상적으로 장치(100)의 전반적인 동작을 제어한다. 제어부(180)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(130)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
이하, 상기 장치의 구체적인 제어 방법에 대해서 상세히 설명한다.
도 2는 본 발명의 일실시예에 따른 뇌 손상 정도 판단 방법의 순서도를 도시하는 도면이다. 도 3은 본 발명의 한 실시예에 따른 뇌 네트워크 모델링 방법에 대해 설명하는 도면이다.
본 발명의 일실시예에 따른 제어부(180)는 뇌 촬영 영상을 기초로 뇌 영역과 뇌 신경망을 추출한다. 그리고, 제어부(180)는 뇌 영역과 뇌 신경망 분포를 종합하여 뇌 영역 사이에 신경들이 연결된 구조, 즉 뇌 네트워크(Anatomical Brain Network)를 모델링(S201 단계)할 수 있다.
이때, 제어부(180)는 DTI(Diffusion Tensor Imaging) 등의 MRI(Magnetic Resonance Imaging) 영상으로부터 뇌 신경망 정보와 뇌 영역 정보를 획득할 수 있다.
도 3을 참고하면, 제어부(180)는 뇌 촬영 영상을 기초로 뇌 영역과 뇌 신경망을 추출한다. 그리고 제어부(180)는 뇌 영역과 뇌 신경망 분포를 종합하여 뇌 영역 사이에 신경들이 연결된 구조, 즉 뇌 네트워크(Anatomical Brain Network)를 모델링한다. 보다 구체적으로 살펴본다.
제어부(180)는 분석 대상자의 뇌 촬영 영상(10)으로부터 뇌 신경망(30)을 추출할 수 있다. 뇌 촬영 영상(10)으로부터 뇌 신경망(30)을 추출하는 방법은 다양할 수 있다. 예를 들어, 뇌 촬영 영상(10)은 DTI(Diffusion Tensor MRI) 영상일 수 있다. 제어부(180)는 뇌 촬영 영상(10)에서 각 픽셀에 대해 확산텐서(Diffusion Tensor, DT)를 계산하여 영상(20)을 획득한다. 제어부(180)는 영상(20)에서 트랙토그래피(tractography)를 통해 뇌 신경망(30)을 획득한다. 여기서, 트랙토그래피는 텐서 영상분석을 통해 뇌신경섬유의 경로를 추적할 수 있는 3차원 모델링 기법이다.
제어부(180)는 분석 대상자의 뇌를 여러 개의 뇌 영역으로 나누어 뇌 영역(50)을 추출한다. 예를 들어, 제어부(180)는 MNI space의 표준 뇌가 분할된 뇌 영역(40)을 분석 대상자의 뇌 촬영 영상(10)에 적용하여, 분석 대상자의 뇌 영역(50)을 추출한다. 제어부(180)는 뇌 촬영 영상(10)에서 표준 뇌로의 비선형 변환(nonlinear transform)을 한 뒤, 그 역변환을 표준 뇌가 분할된 뇌 영역(40)에 적용하여 분석 대상자의 뇌 영역(50)을 추출할 수 있다.
제어부(180)는 분석 대상자의 뇌 신경망(30)과 뇌 영역(50) 분포를 연결하여 뇌 영역 사이에 신경들이 연결된 뇌 네트워크(60)를 모델링할 수 있다.
도 4는 본 발명의 일실시예에 따라 모델링된 뇌 네트워크의 일예시를 도시하는 도면이다.
도시된 뇌 네트워크의 예시에 따르면, 뇌 네트워크는 복수 개의 노드(70, Node)들을 포함하고 있으며, 복수 개의 노드(70)들을 서로 연결시키는 링크(80, 신경망에 대응)들을 포함할 수 있다. 이하에서는 상기 뇌 네트워크에 기초하여 뇌 연결성(brain connectivity)를 계산하는 방법에 대해서 설명한다. 이때, 상기 뇌 네트워크에서 노드의 개수나 링크의 개수를 줄임으로써 간략화시킨 뇌 네트워크 모델을 이용하여 설명한다.
도 2로 복귀하여 제어부(180)는 뇌 네트워크에 기초하여 환자의 뇌 연결성을 계산(S202 단계)한다.
뇌 연결성을 계산하는 구체적인 방법에 대해서 이하 도 5 및 도 6을 함께 참조하여 설명한다.
도 5는 본 발명의 일실시예에 따라, 뇌 네트워크 모델로부터 뇌 연결성을 계산하는 제 1 실시예를 설명하기 위한 도면이다. 도 6은 본 발명의 일실시예에 따라, 뇌 네트워크 모델로부터 뇌 연결성을 계산(뇌 연결성 지수를 계산)하는 제 2 실시예를 설명하기 위한 도면이다. 이하, 두 실시예를 비교하여 설명한다.
뇌 연결성이란, 뇌를 구성하는 각 영역 간에 얼마나 잘 연결되어 있는가를 의미하며, 뇌 연결성 지수란 이를 나타내는 지수를 의미한다. 예를 들어서, 특정 환자에 대한 뇌 연결성 지수가 100이고, 다른 환자에 대한 뇌 연결성 지수가 115라면, 115의 뇌 연결성 지수를 갖는 환자의 뇌가 각 영역 간에 잘 연결되어 있다고 볼 수 있다(높을 수록 뇌 연결성이 좋은 경우).
도 5의 간소화된 뇌 네트워크 모델을 살펴보면, 제 1 내지 제 5 노드(70-1 ~ 70-5)가 있고, 각 노드 간에 링크(80-1 ~ 80-5)가 형성되어 있다. 이 노드들(70-1 ~ 70-5)과 링크들(80-1 ~ 80-5)은 상술한 뇌 촬영 영상에 기초하여 뇌 네트워크를 모델링하는 방법에 의해서 형성된 것들이다. 도 5에서는 뇌 연결성 지수를 계산하는데 있어서 경로길이 방법을 이용한다. 경로길이 방법은, 노드 간의 길이가 길어질 수록 뇌의 연결성은 더욱 떨어진다는 개념에 착안된 방법이다.
경로길이 방법은 사람의 뇌가 가장 짧은 경로로 정보를 교환한다는 가정에 기초하여, 가장 짧은 경로 외 다른 경로로의 연결은 고려하지 않는다.
도시된 도면에서, 제 1 노드(70-1)에서 제 5 노드(70-5)로 정보를 전달하는 경우에 대한 경로길이를 계산할 수 있다. 이때, 두 가지 경로가 존재할 수 있다.
첫 번째 경로는, 제 1 노드(70-1)에서 출발하여, 제 2 노드(70-2), 제 3 노드(70-3), 제 4 노드(70-4)를 거처서 제 5 노드(70-5)로 도달하는 경로이다. 첫 번째 경로를 따라 데이터가 전달될 경우, 4 번의 링크(80-2, 80-3, 80-4 및 80-5)를 거치기 때문에, 경로길이는 4라고 산출될 수 있다.
두 번째 경로는, 제 1 노드(70-1)에서 출발하여 바로 제 4 노드(70-4)로 이동, 그리고 제 5 노드(70-5)에 도달하는 경로이다. 두 번째 경로를 따라서 데이터가 전달될 경우, 두 번의 링크(80-1 및 80-5)를 거치기 때문에 경로길이는 2라고 산출될 수 있다.
경로길이 방법에 의하면, 두 가지 경로 중에서 가장 짧은 거리인 2가 최종 경로길이로 선택될 수 있을 것이다. 즉, 첫 번째 경로는 뇌 연결성 지수를 계산하는데 있어서 고려되지 않는다.
동일한 방법에 의해서 각 노드 간의 경로길이를 계산하고 이를 모두 평균(또는 합)을 내었을 때, 이를 뇌 연결성 지수로 사용할 수 있을 것이다. 즉, 이때 뇌 연결성 지수가 클 수록, 뇌의 각 영역 간에 연결이 잘 되지 않는다고 판단할 수 있다. 왜냐하면, 뇌 연결성은 경로길이에 비례하기 때문이다. 이를 모두 계산한 결과가 아래 표 1에 정리되어 있다.
시작 노드 끝 노드 경로길이
제 1 노드(70-1) 제 2 노드(70-2) 1 (직접 연결)
제 3 노드(70-3) 2 (1 -> 2 -> 3)
제 4 노드(70-4) 1 (직접 연결)
제 5 노드(70-5) 2 (1 -> 4 -> 5)
제 2 노드(70-2) 제 3 노드(70-3) 1 (직접 연결)
제 4 노드(70-4) 2 (2 -> 3 -> 4)
제 5 노드(70-5) 3 (2 -> 3 -> 4 -> 5)
제 3 노드(70-3) 제 4 노드(70-4) 1 (직접 연결)
제 5 노드(70-5) 2 (3 -> 4 -> 5)
제 4 노드(70-4) 제 5 노드(70-5) 1 (직접 연결)
합
(1+2+1+2+1+2+3+1+2+1)		 16
평균
(16/10)		 1.6
중복되는 경로는 제외시키고 평균을 산출하였다.
이하, 도 6을 참조하는 실시예에서는, 최단 경로뿐만 아니라 모든 경로를 함께 고려하는 방법에 대해서 제안한다. 이러한 방법에서는, 각 경로의 단순 합이 아니라, 병렬로 연결되는 경로를 저항으로 모델링하고 합성 저항을 구하는 방식으로 연산한다.
도 6 (a)를 참조하면, 도 5에서와 동일한 뇌 네트워크가 도시되고 있는데, 각 링크(80-1 내지 80-5)는 1옴의 저항으로 대체된 회로 네트워크가 도시되어 있으며, 이 회로 네트워크의 등가 회로가 도 6 (b)에 도시된다. 즉, 제어부(180)는 뇌 네트워크의 각 링크를 저항으로 대체한 회로 네트워크를 모델링한다.
제 1 노드(60-1)에서부터 제 5 노드(60-5)까지 데이터를 전달하는데 있어서, 상기 회로에서의 합성저항 값을 이용한다.
제 1 노드(60-1)와 제 4 노드(70-4) 간에는 3옴과 1옴 두 저항이 병렬로 연결되어 있다. 따라서, 두 저항의 합성저항 값은 아래 수학식 1에서와 같이 결정된다.
Figure pat00001
그리고, 제 4 노드(70-4) 및 제 5 노드(70-5) 간에는 1옴 저항이 연결되어 상기 수학식 1에 의해 결정된 합성저항과 직렬로 연결된다.
따라서, 제 1 노드(60-1) 및 제 5 노드(60-5) 사이의 최종 합성 저항은, 상기 합성저항 값인 3/4옴에서 1옴이 더해진 7/4옴이 될 것이다.
다른 노드 간의 합성저항 값을 상술한 회로 네트워크 모델에 의해 계산하고, 이 값들의 평균(또는 합)을 뇌 연결성 지수로 사용할 수 있다. 마찬가지로, 이때 뇌 연결성 지수가 클 수록, 뇌의 각 영역 간에 연결이 잘 되지 않는다고 판단할 수 있다. 왜냐하면, 뇌 연결성은 저항값에 비례하기 때문이다.
다른 노드들에서 계산한 합성저항, 전체 합 및 평균은 아래 표 2에 정리하였다.
시작 노드 끝 노드 합성저항(옴)
제 1 노드(70-1) 제 2 노드(70-2) (1//3)=3/4
제 3 노드(70-3) (2//2)=1
제 4 노드(70-4) (1//3)=3/4
제 5 노드(70-5) 1+(1//3)=7/4
제 2 노드(70-2) 제 3 노드(70-3) (1//3)=3/4
제 4 노드(70-4) (2//2)=1
제 5 노드(70-5) 1+(2//2)=2
제 3 노드(70-3) 제 4 노드(70-4) (1//3)=3/4
제 5 노드(70-5) 1+(1//3)=7/4
제 4 노드(70-4) 제 5 노드(70-5) 1
합
((3/4)+1+(3/4)+(7/4)+(3/4)+1+2+(3/4)+(7/4))		 21/2
평균
((21/2)/10)		 1.05
마찬가지로, 중복되는 경로는 제외시키고 평균을 산출하였다.
지금까지 뇌 연결성 지수를 계산(산출)하는 방법에 대해서 설명하였다. 도 2로 복귀하여 이어서 나머지 단계에 대해서 설명한다.
S203단계에서 제어부(180)는, 계산된 뇌 연결성 지수에 기초하여 정상인의 뇌 연결성 지수와 비교한다.
이때, 정상인의 뇌 연결성은 과거에 동일인의 뇌 연결성일 수도 있을 것이다. 즉, 어떠한 충격이나 뇌의 노화에 따라 연결성에 변화가 생기기 전(정상이던 때)의 뇌 연결성 지수를 계산하고, 변화가 생긴 후의 뇌 연결성을 비교하여, 뇌의 손상이나 노화 정도를 판단할 수 있을 것이다.
혹은, 상기 뇌 연결성은, 다른 정상인의 뇌 연결성일 수도 있을 것이다.
비교는, 두 연결성 지수의 차이를 계산하고, 변화된 퍼센티지를 이용할 수 있을 것이다.
정상인의 뇌 연결성 지수가 A이고 환자의 뇌 연결성 지수가 B라고 했을 때 증가/감소 퍼센티지는
Figure pat00002
해당 %가 10%이상일 경우, 뇌가 손상되었다고 판단할 수 있을 것이다. 또한 상기 %의 값에 따라서 뇌의 손상 정도를 판단할 수도 있을 것이다. 예를 들면, 20%이상일 때 심한 손상, 15% 이상 20%이내 일 때 손상, 10% 이내일 경우 가벼운 손상 등으로 판단/예측(S204 단계)할 수 있을 것이다.
뇌 연결성 지수가 클수록 뇌 연결성이 떨어진다고 가정(상술한 경로길이나 합성저항 방식에 의할 경우)한다면, 환자의 뇌 연결성 지수인 B가 더 큰 값을 가질 것이다. 반대로, 상기 수학식 2에서 산출된 결과가 음수의 값을 가질 경우, 뇌 연결성이 향상되었다고 볼 수 있다.
이상에서 설명한 본 발명의 실시예는 장치 및 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims (14)

  1. 환자의 의료 영상에 기초하여 뇌 네트워크를 모델링하는 단계;
    상기 모델링 된 뇌 네트워크에 기초하여 상기 환자의 뇌 연결성(brain connectivity) 지수를 계산하는 단계;
    상기 계산된 뇌 연결성 지수를 정상인의 뇌 연결성 지수와 비교하는 단계; 및
    상기 비교 결과에 기초하여, 상기 환자의 뇌 손상 정도를 판단하는 단계를 포함하는,
    뇌 네트워크 분석 방법.
  2. 제 1 항에 있어서,
    상기 뇌 네트워크는 복수 개의 노드와 복수 개의 링크를 포함하는,
    뇌 네트워크 분석 방법.
  3. 제 2 항에 있어서,
    상기 복수 개의 링크를 저항으로 대체한 회로 네트워크를 모델링하는 단계를 더 포함하는,
    뇌 네트워크 분석 방법.
  4. 제 3 항에 있어서, 상기 계산하는 단계는,
    상기 복수 개의 노드 중에서 선택된 두 개의 노드에 대한 합성 저항들의 평균을 계산하는 단계를 포함하는,
    뇌 네트워크 분석 방법.
  5. 제 1 항에 있어서, 상기 판단하는 단계는,
    상기 정상인의 뇌 연결성 지수를 기준으로 상기 계산된 뇌 연결성 지수의 변화 퍼센티지(변화율)을 계산하는 단계를 포함하는,
    뇌 네트워크 분석 방법.
  6. 제 5 항에 있어서, 상기 판단하는 단계는,
    상기 계산된 변화 퍼센티지(변화율)가 제 1 값을 초과하는 경우 뇌 손상이라고 판단하는,
    뇌 네트워크 분석 방법.
  7. 제 6 항에 있어서, 상기 판단하는 단계는,
    상기 계산된 변화 퍼센티지(변화율)이 어느 수치범위에 포함되는가에 따라 손상의 정도를 판단하는,
    뇌 네트워크 분석 방법.
  8. 입력부를 통하여 입력 받은 환자의 의료 영상에 기초하여 환자의 뇌 손상 정도를 판단하는 장치에 있어서,
    입력부; 및
    상기 의료 영상에 기초하여 환자의 뇌 네트워크를 모델링하고,
    상기 모델링 된 뇌 네트워크에 기초하여 상기 환자의 뇌 연결성(brain connectivity) 지수를 계산하며,
    상기 계산된 뇌 연결성 지수를 정상인의 뇌 연결성 지수와 비교하고,
    상기 비교 결과에 기초하여, 상기 환자의 뇌 손상 정도를 판단하는 제어부를 포함하는,
    뇌 네트워크 분석 장치.
  9. 제 8 항에 있어서,
    상기 뇌 네트워크는 복수 개의 노드와 복수 개의 링크를 포함하는,
    뇌 네트워크 분석 장치.
  10. 제 9 항에 있어서, 상기 제어부는 상기 뇌 연결성 지수를 계산하는데 있어서,
    상기 복수 개의 링크를 저항으로 대체한 회로 네트워크를 모델링하는,
    뇌 네트워크 분석 장치.
  11. 제 10 항에 있어서, 상기 제어부는 상기 뇌 연결성 지수를 계산하는데 있어서,
    상기 복수 개의 노드 중에서 선택된 두 개의 노드에 대한 합성 저항들의 평균을 계산하는,
    뇌 네트워크 분석 장치.
  12. 제 8 항에 있어서, 상기 제어부는 상기 뇌 손상 정도를 판단하는데 있어서,
    상기 정상인의 뇌 연결성 지수를 기준으로 상기 계산된 뇌 연결성 지수의 변화 퍼센티지(변화율)을 계산하는,
    뇌 네트워크 분석 장치.
  13. 제 12 항에 있어서, 상기 제어부는 상기 뇌 손상 정도를 판단하는데 있어서,
    상기 계산된 변화 퍼센티지(변화율)가 제 1 값을 초과하는 경우 뇌 손상이라고 판단하는,
    뇌 네트워크 분석 장치.
  14. 제 13 항에 있어서, 상기 제어부는 상기 뇌 손상 정도를 판단하는데 있어서,
    상기 계산된 변화 퍼센티지(변화율)이 어느 수치범위에 포함되는가에 따라 손상의 정도를 판단하는,
    뇌 네트워크 분석 장치.
KR1020160018932A 2016-02-18 2016-02-18 뇌 네트워크 기반 뇌 손상 정도 분석방법 및 이를 이용한 장치 KR101835402B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160018932A KR101835402B1 (ko) 2016-02-18 2016-02-18 뇌 네트워크 기반 뇌 손상 정도 분석방법 및 이를 이용한 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160018932A KR101835402B1 (ko) 2016-02-18 2016-02-18 뇌 네트워크 기반 뇌 손상 정도 분석방법 및 이를 이용한 장치

Publications (2)

Publication Number Publication Date
KR20170097324A true KR20170097324A (ko) 2017-08-28
KR101835402B1 KR101835402B1 (ko) 2018-03-08

Family

ID=59759939

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160018932A KR101835402B1 (ko) 2016-02-18 2016-02-18 뇌 네트워크 기반 뇌 손상 정도 분석방법 및 이를 이용한 장치

Country Status (1)

Country Link
KR (1) KR101835402B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101939611B1 (ko) * 2017-07-11 2019-01-17 연세대학교 산학협력단 뇌기능 정합 방법 및 장치
KR102339382B1 (ko) * 2021-04-08 2021-12-14 연세대학교 산학협력단 자가 적응형 뇌 모델을 이용한 뇌 기능 조절 방법 및 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013011515A1 (en) * 2011-07-20 2013-01-24 Elminda Ltd. Method and system for estimating brain concussion

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101939611B1 (ko) * 2017-07-11 2019-01-17 연세대학교 산학협력단 뇌기능 정합 방법 및 장치
KR102339382B1 (ko) * 2021-04-08 2021-12-14 연세대학교 산학협력단 자가 적응형 뇌 모델을 이용한 뇌 기능 조절 방법 및 장치

Also Published As

Publication number Publication date
KR101835402B1 (ko) 2018-03-08

Similar Documents

Publication Publication Date Title
Gilson et al. Effective connectivity inferred from fMRI transition dynamics during movie viewing points to a balanced reconfiguration of cortical interactions
Caeyenberghs et al. Hemispheric lateralization of topological organization in structural brain networks
Van der Haegen et al. Colateralization of Broca’s area and the visual word form area in left-handers: fMRI evidence
Shmuelof et al. A mirror representation of others' actions in the human anterior parietal cortex
Oh et al. Stereoscopic 3D visual discomfort prediction: A dynamic accommodation and vergence interaction model
CN108769671B (zh) 基于自适应融合图像的立体图像质量评价方法
Shuaiqi et al. Medical image fusion based on rolling guidance filter and spiking cortical model
CN107918929A (zh) 一种图像融合方法、装置及系统
Gu et al. No‐Reference Stereoscopic IQA Approach: From Nonlinear Effect to Parallax Compensation
CN108024027A (zh) 图像处理设备、图像处理方法和存储介质
CN105407264B (zh) 图像处理装置、图像处理系统及图像处理方法
KR101835402B1 (ko) 뇌 네트워크 기반 뇌 손상 정도 분석방법 및 이를 이용한 장치
KR20210108376A (ko) 콘텐츠를 특징화하기 위해 뇌 특성 활동 맵 데이터베이스를 활용하기 위한 장치 및 방법
CN115311186B (zh) 一种红外与可见光图像跨尺度注意力对抗融合方法及终端
CN108391121A (zh) 一种基于深度神经网络的无参考立体图像质量评价方法
CN110459317A (zh) 基于动态脑网络图核的阿尔茨海默病辅助诊断系统及方法
CN107633237A (zh) 图像背景分割方法、装置、设备及介质
Chen et al. Exploration of quality of experience of stereoscopic images: Binocular depth
CN116807447B (zh) 动态脑网络的脑龄预测建模方法、认知提升方法及系统
CN107154247A (zh) 基于rgb光谱能量重构的色温调节方法、装置及其设备
CN106981059A (zh) 结合pcnn和压缩感知的二维经验模态分解图像融合方法
CN116090294A (zh) 个体化经颅直流电刺激的脑响应方法、装置、设备和介质
KR20200025598A (ko) 가중 최소 자승 필터와 희소 표현을 이용한 영상 융합 장치 및 방법
US20130096454A1 (en) Image reproducing apparatus and method for reproducing realtime image thereof
CN113298733B (zh) 一种基于隐式边缘先验的尺度渐进的图像补全方法

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