KR20180078033A - 기계 학습을 기반으로 한 알츠하이머 병 결정 방법 및 장치 - Google Patents

기계 학습을 기반으로 한 알츠하이머 병 결정 방법 및 장치 Download PDF

Info

Publication number
KR20180078033A
KR20180078033A KR1020160182984A KR20160182984A KR20180078033A KR 20180078033 A KR20180078033 A KR 20180078033A KR 1020160182984 A KR1020160182984 A KR 1020160182984A KR 20160182984 A KR20160182984 A KR 20160182984A KR 20180078033 A KR20180078033 A KR 20180078033A
Authority
KR
South Korea
Prior art keywords
alzheimer
disease
vertex
dimension
sampled
Prior art date
Application number
KR1020160182984A
Other languages
English (en)
Other versions
KR101944069B1 (ko
Inventor
서상원
나덕렬
김창수
성준경
김낙영
Original Assignee
사회복지법인 삼성생명공익재단
연세대학교 산학협력단
고려대학교 산학협력단
주식회사 마이다스아이티
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 사회복지법인 삼성생명공익재단, 연세대학교 산학협력단, 고려대학교 산학협력단, 주식회사 마이다스아이티 filed Critical 사회복지법인 삼성생명공익재단
Priority to KR1020160182984A priority Critical patent/KR101944069B1/ko
Publication of KR20180078033A publication Critical patent/KR20180078033A/ko
Application granted granted Critical
Publication of KR101944069B1 publication Critical patent/KR101944069B1/ko

Links

Images

Classifications

    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G06F19/24—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • 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
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioethics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

기계 학습을 기반으로 한 알츠하이머 병 결정 방법은, 알츠하이머 병 결정 장치가 정상인 그룹의 뇌 영상으로부터 추출된 제1 대뇌 피질 형상 및 알츠하이머 병 환자 그룹의 뇌 영상으로부터 추출된 제2 대뇌 피질 형상에 대한 영상 처리를 수행하여 정점 샘플링된 제1 대뇌 피질 형상 및 정점 샘플링된 제2 대뇌 피질 형상을 생성하는 단계; 알츠하이머 병 결정 장치가 정점 샘플링된 제1 대뇌 피질 형상 및 정점 샘플링된 제2 대뇌 피질 형상에 대한 노이즈 제거 절차를 진행하여 정점 샘플링된 제1 대뇌 피질 형상에서 제1 특징 벡터를 추출하고, 정점 샘플링된 제2 대뇌 피질 형상에서 제2 특징 벡터를 추출하는 단계; 알츠하이머 병 결정 장치가 제1 특징 벡터 및 제2 특징 벡터를 기반으로 알츠하이머 병의 결정을 위한 판단 기준을 결정하는 단계; 및 알츠하이머 병 결정 장치가 새롭게 입력된 입력 대뇌 피질 형상에 대하여 판단 기준을 기반으로 알츠하이머 병의 발병 여부를 결정하는 단계를 포함할 수 있다.

Description

기계 학습을 기반으로 한 알츠하이머 병 결정 방법 및 장치{Method and apparatus for deciding Alzheimer's disease based on machine learning}
본 발명은 알츠하이머 병을 결정하는 방법 및 장치에 관한 것으로서, 보다 상세하게는 기계 학습을 기반으로 한 알츠하이머 병 결정 방법 및 장치에 관한 것이다.
알츠하이머 병은 치매의 가장 흔한 원인이며 치매의 약 60~80% 를 차지하고 있다. 전세계적으로 약 3390만 명이 알츠하이머 병을 갖고 있으며, 40년 후에는 기대 수명의 증가와 함께 그 유병률이 3배가 될 것으로 예상된다. 현재로서는 알츠하이머 병에 대한 뚜렷한 호전을 기대할 수 있는 약도 없으며, 발병 후엔 수십 년간 악화되는 과정을 거치기 때문에 알츠하이머 병의 예방에 대해 전세계 연구의 관심이 모아지고 있는 추세이다.
알츠하이머 병은 다양한 위험 인자의 복잡한 상호 작용에 의해 질환이 발생하는 것으로 알려져 있다. 유전적 위험 인자와 함께 연령, 성별, 학력과 같은 사회 인구학적 위험 인자들과 흡연, 음주, 영양 및 사회적 활동과 같은 환경적 위험 인자들도 여러가지 알려져 있다. 알츠하이머에 대한 대표적인 유전적 표지자로 APOE e4등이 있으나, 이러한 유전적 표지자는 변경되거나 수정되는 것이 아니다. 그러나 후천적 요인(예: 혈관성 위험 요소, 생활 습관)은 수정 가능한 요인들이고, 따라서 이런 수정가능한 요인들이 얼마나 치매 발현을 조절하는지를 조사하는 연구와 더불어 이런 요인들을 역으로 조절함으로써 치매의 발현을 낮추거나 치매 발현의 시기를 늦출 수 있다.
수정 가능한 알츠하이머 병의 위험 인자로 현재까지 알려진 요인으로는 당뇨병, 중년기의 고혈압, 중년기의 비만, 우울증, 낮은 신체 활동량, 흡연, 낮은 학력 등이 있다.
본 발명의 일 측면은 기계 학습을 기반으로 한 알츠하이머 병 결정 방법을 제공한다.
본 발명의 다른 측면은 기계 학습을 기반으로 한 알츠하이머 병 결정 방법을 수행하는 장치를 제공한다.
본 발명의 일 측면에 따른 기계 학습을 기반으로 한 알츠하이머 병의 결정 방법은 알츠하이머 병 결정 장치가 정상인 그룹의 뇌 영상으로부터 추출된 제1 대뇌 피질 형상 및 알츠하이머 병 환자 그룹의 뇌 영상으로부터 추출된 제2 대뇌 피질 형상에 대한 영상 처리를 수행하여 정점 샘플링된 제1 대뇌 피질 형상 및 정점 샘플링된 제2 대뇌 피질 형상을 생성하는 단계, 상기 알츠하이머 병 결정 장치가 상기 정점 샘플링된 제1 대뇌 피질 형상 및 상기 정점 샘플링된 제2 대뇌 피질 형상에 대한 노이즈 제거 절차를 진행하여 상기 정점 샘플링된 제1 대뇌 피질 형상에서 제1 특징 벡터를 추출하고, 상기 정점 샘플링된 제2 대뇌 피질 형상에서 제2 특징 벡터를 추출하는 단계, 상기 알츠하이머 병 결정 장치가 상기 제1 특징 벡터 및 상기 제2 특징 벡터를 기반으로 상기 알츠하이머 병의 결정을 위한 판단 기준을 결정하는 단계와 상기 알츠하이머 병 결정 장치가 새롭게 입력된 입력 대뇌 피질 형상에 대하여 상기 판단 기준을 기반으로 상기 알츠하이머 병의 발병 여부를 결정하는 단계를 포함할 수 있다.
한편, 상기 영상 처리는 상기 제1 대뇌 피질 형상 및 상기 제2 대뇌 피질 형상 각각에 대한 대뇌 피질 표면 모델을 생성하고, 상기 대뇌 피질 표면 모델에 포함되는 복수의 정점을 다운샘플링할 수 있다.
또한, 상기 노이즈 제거 절차는 상기 정점 샘플링된 제1 대뇌 피질 형상 및 상기 정점 샘플링된 제2 대뇌 피질 형상을 주파수 도메인으로 변환하고, 상기 주파수 도메인 상에서 고 주파수 대역을 제거하고, 상기 고 주파수 대역은 컷-오프 차원(cut-off dimension)을 기반으로 결정되고, 상기 컷-오프 차원은 컷-오프 차원 결정 계수(G)에 의해 결정될 수 있다.
또한, 상기 컷-오프 차원 결정 계수(G)는 아래의 수학식을 기반으로 결정되고,
<수학식>
Figure pat00001
여기서, cj 는 상기 정상인 그룹 및 상기 알츠하이머 병 환자 그룹을 포함하는 트레이닝 집합에서 j번째 트레이닝 대상의 정점 샘플링된 대뇌 피질 두께 데이터이고,
Figure pat00002
는 j번째 대상의 k번째 주파수 요소이고, N은 트레이닝 대상의 개수이고, F는 대뇌 피질 두께 데이터를 위한 상기 컷-오프 차원이고,
Figure pat00003
는 상기 컷-오프 차원을 고려하여 상기 노이즈 제거 절차에 의해 노이즈 필터링된 j번째 대상의 대뇌 피질 두께 데이터이고, 상기 고 주파수 대역의 제거를 위한 상기 컷-오프 차원은 상기 G를 0.025로 설정하여 결정될 수 있다.
또한, 상기 판단 기준은 PCA(principal component analysis) 변환을 기반으로 상기 제1 특징 벡터 및 상기 제2 특징 벡터의 차원을 감소시키는 단계, 감소된 차원의 상기 제1 특징 벡터 및 감소된 차원의 상기 제2 특징 벡터를 기반으로 새로운 트레이닝 집합을 생성하는 단계와 LDA(linear discriminant analysis)를 사용하여 상기 새로운 트레이닝 집합을 기반으로 상기 정상인 그룹과 상기 알츠하이머 병 환자 그룹 간의 분산을 최대로 하고, 상기 정상인 그룹 내의 분산 및 상기 알츠하이머 병 환자 그룹 내의 분산을 최소로 하는 상기 판단 기준을 결정하는 단계를 기반으로 결정될 수 있다.
본 발명의 또 다른 측면에 따른 기계 학습을 기반으로 한 알츠하이머 병을 결정하는 알츠하이머 병 결정 장치는 프로세서를 포함하고, 상기 프로세서는 정상인 그룹의 뇌 영상으로부터 추출된 제1 대뇌 피질 형상 및 알츠하이머 병 환자 그룹의 뇌 영상으로부터 추출된 제2 대뇌 피질 형상에 대한 영상 처리를 수행하여 정점 샘플링된 제1 대뇌 피질 형상 및 정점 샘플링된 제2 대뇌 피질 형상을 생성하고, 상기 정점 샘플링된 제1 대뇌 피질 형상 및 상기 정점 샘플링된 제2 대뇌 피질 형상에 대한 노이즈 제거 절차를 진행하여 상기 정점 샘플링된 제1 대뇌 피질 형상에서 제1 특징 벡터를 추출하고, 상기 정점 샘플링된 제2 대뇌 피질 형상에서 제2 특징 벡터를 추출하고, 상기 제1 특징 벡터 및 상기 제2 특징 벡터를 기반으로 상기 알츠하이머 병의 결정을 위한 판단 기준을 결정하고, 새롭게 입력된 입력 대뇌 피질 형상에 대하여 상기 판단 기준을 기반으로 상기 알츠하이머 병의 발병 여부를 결정하도록 구현될 수 있다.
한편, 상기 영상 처리는 상기 제1 대뇌 피질 형상 및 상기 제2 대뇌 피질 형상 각각에 대한 대뇌 피질 표면 모델을 생성하고, 상기 대뇌 피질 표면 모델에 포함되는 복수의 정점을 다운샘플링할 수 있다.
또한, 상기 노이즈 제거 절차는 상기 정점 샘플링된 제1 대뇌 피질 형상 및 상기 정점 샘플링된 제2 대뇌 피질 형상을 주파수 도메인으로 변환하고, 상기 주파수 도메인 상에서 고 주파수 대역을 제거하고, 상기 고 주파수 대역은 컷-오프 차원(cut-off dimension)을 기반으로 결정되고, 상기 컷-오프 차원은 컷-오프 차원 결정 계수(G)에 의해 결정될 수 있다.
또한, 상기 컷-오프 차원 결정 계수(G)는 아래의 수학식을 기반으로 결정되고,
<수학식>
Figure pat00004
여기서, cj 는 상기 정상인 그룹 및 상기 알츠하이머 병 환자 그룹을 포함하는 트레이닝 집합에서 j번째 트레이닝 대상의 정점 샘플링된 대뇌 피질 두께 데이터이고,
Figure pat00005
는 j번째 대상의 k번째 주파수 요소이고, N은 트레이닝 대상의 개수이고, F는 대뇌 피질 두께 데이터를 위한 상기 컷-오프 차원이고,
Figure pat00006
는 상기 컷-오프 차원을 고려하여 상기 노이즈 제거 절차에 의해 노이즈 필터링된 j번째 대상의 대뇌 피질 두께 데이터이고, 상기 고 주파수 대역의 제거를 위한 상기 컷-오프 차원은 상기 G를 0.025로 설정하여 결정될 수 있다.
또한, 상기 판단 기준은 PCA(principal component analysis) 변환을 기반으로 상기 제1 특징 벡터 및 상기 제2 특징 벡터의 차원을 감소시키는 단계, 감소된 차원의 상기 제1 특징 벡터 및 감소된 차원의 상기 제2 특징 벡터를 기반으로 새로운 트레이닝 집합을 생성하는 단계와 LDA(linear discriminant analysis)를 사용하여 상기 새로운 트레이닝 집합을 기반으로 상기 정상인 그룹과 상기 알츠하이머 병 환자 그룹 간의 분산을 최대로 하고, 상기 정상인 그룹 내의 분산 및 상기 알츠하이머 병 환자 그룹 내의 분산을 최소로 하는 상기 판단 기준을 생성하는 단계를 기반으로 결정될 수 있다.
본 발명의 실시예에 따른 기계 학습을 기반으로 한 알츠하이머 병 결정 방법 및 장치는 기계 학습을 기반으로 정상인의 대뇌 피질 형상과 알츠하이머 병 환자의 대뇌 피질 형상을 판단할 수 있는 판단 기준을 생성하고, 생성된 판단 기준에 따라 알츠하이머 병에 대한 결정을 정확하게 수행할 수 있다.
도 1은 본 발명의 실시예에 따른 알츠하이머 병의 결정 방법을 나타낸 순서도이다.
도 2는 본 발명의 실시예에 따른 영상 전처리 단계가 개시된다.
도 3은 본 발명의 실시예에 따른 특징 벡터를 생성하기 위한 방법이 개시된다.
도 4는 본 발명의 실시예에 따른 정상인 그룹과 알츠하이머 병 환자 그룹 간의 구분을 위한 판단 기준을 결정하는 방법을 나타낸 개념도이다.
도 5는 본 발명의 실시예에 따른 기계 학습을 기반으로 한 알츠하이머 병 결정 방법을 수행하는 알츠하이머 병 결정 장치를 나타낸 개념도이다.
도 6은 본 발명의 실시예에 따른 기계 학습을 기반으로 알츠하이머 병을 결정하는 방법을 나타낸 순서도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예와 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조 부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.
알츠하이머 병은 장기간에 걸쳐서 진행하는 병이며 실제 임상 양상으로 나타나기 전부터 병리가 축적된다. 따라서 알츠하이머 병이 조기에 결정되는 경우 적절한 개입을 통하여 치매 발현의 시기를 늦출 수 있다.
전세계적으로도 치매의 조기 판별이 경쟁적으로 연구되고 있다. 치매를 유발시키는 알츠하이머 병의 조기 결정을 위해 경도 인지 장애(mild cognitive impairment, MCI)라는 개념이 나타났고 그 이후에는 주관적 기억장애(subjective memory impairment, SMI, or subjective memory complaint, SMC)라는 개념이 나타났다. 그 뿐 아니라 알츠하이머 병의 조기 결정은 이제 아무런 증상을 호소하지 않는 일반 정상인에게로까지 그 범위가 확대되고 있다. 최근에는 아무런 증상이 있지 않은 정상인에 대한 연구가 증가하여 정상인에서라도 유의미한 뇌변화의 지표를 찾아내려고 시도하고 있다.
결정적 측면에서 혈액 검사, 뇌영상 검사 등의 기법을 통해 치매 증상이 나타나기 전에 치매의 조기 결정 또는 발병 전 결정이 가능하게 되면, 치매의 증상을 완화시키거나 진행을 억제하는 보존적 수준의 약물로도 치매 치료 효과를 극대화시킬 수 있을 뿐만 아니라 치매 위험 인자에 대한 보다 철저한 관리를 통해 치매 증상의 발현 시점을 최대한 지연시킬 수 있다.
최근 분자 생물학적 발전으로 인해 알츠하이머 병의 치료제에 대한 개발이 가속화되고 있지만, 이러한 약물들을 임상 시험한 경우, 뚜렷한 임상적 진전이 없었다. 이에 대한 가장 중요한 원인으로는 이미 뇌가 많이 손상이 된 후 치료를 하는 것은 큰 의미가 없다는 지적이 많이 나오고 있다. 따라서, 알츠하이머병의 가장 초기 시점에서 이를 결정하여 발병 가능성을 예측하고 조기에 개입하는 것이 중요하다.
이와 같은 조기 발견 조기 치료를 통해 치매의 발병이 2년 정도 지연되는 경우, 치매의 발병을 늦추지 못하는 경우보다 40년 후 치매 유병률이 80% 수준으로 낮아지게 된다. 또한 증상을 1년 늦추는 것만으로도 알츠하이머 병의 유병률을 향후 40년간 9백만명 줄일 수 있을 뿐 아니라, 치매 환자의 평균 중증도 또한 감소하게 된다고 보고되고 있다.
현재의 위험 요인들로부터 앞으로의 발병 위험도를 예측하기 위해 여러 역학 연구가 수행되어 왔으나 대부분은 서구인을 대상으로 한 연구에서 도출된 것이었으며, 아직 동양인에서는 이러한 연구가 구체적으로 실행되지 않았다.
이미 알려진 위험 인자들을 포함하여, 혈액 검사 및 뇌 자기 공명 영상을 통한 뇌피질 두께의 정량화 등을 통하여, 새로운 위험인자를 파악하려는 노력이 필요하다. 또한, 치매 조기 발견을 위한 알츠하이머 병 위험 지수(risk index)에 대한 개발이 필요하다. 동양인의 알츠하이머 병의 위험 인자를 확인하고, 개인별 위험(risk) 요인들을 통합적으로 평가하여 고 위험군을 가려내고 위험도의 수준에 따라 조절 가능한 위험 요인의 조정을 수행하는 것이 보다 합리적인 예방 방법일 수 있다. 질환의 발병과 진행이 장시간에 걸쳐 서서히 진행되기 때문에 다수의 환자를 대상으로 발병 이전의 건강 정보와 연결하여 위험 인자를 분석하고, MRI 뇌 영상을 통합한 위험 인덱스(risk index)의 개발이 강력히 필요한 시점으로 여겨진다.
혈액 검사를 포함한 여러 검사 및 MRI 데이터를 이용하여, 우리나라 성인에서 치매 질환의 위험 요인이 될 수 있는 위험 인자 파악 및 그 영향도를 분석하는 것이 필요하다. 이러한 위험 인자들을 종합하여 질병 발생을 조기에 예측할 수 있는 지표 발굴이 매우 절실한 시점이다.
또한, 치매 조기 결정 기반으로서 개인 분석인 뇌 연령 개발이 필요하다. 현재의 연구들은 대부분 노인들을 3군(정상인, 치매 전단계인 경도 인지 장애, 치매)으로 나누어 그룹 간에 뇌 구조에 어떤 차이가 있는지를 보는 연구이다. 그러나 치매의 조기 결정의 근본 목적은 개인의 알츠하이머 병의 발병 여부를 실제 조기에 결정하는 것에 있다. 즉, 실제 한 개인이 뇌를 영상화하였을 때 그 개인의 뇌 건강이 어느 정도의 위치에 있고 치매로 갈 확률이 어느 정도인지 알려 주는 것이 필요하다.
이하, 본 발명의 실시예에서는 기계 학습을 기반으로 한 알츠하이머 병을 결정하는 방법 및 장치가 개시된다.
알츠하이머 병에 걸린 환자는 알츠하이머 병의 발현의 수년전에 대뇌 피질에 위축이 발생하는 것으로 알려져 있다. 본 발명의 실시예에서는 기계 학습을 기반으로 한 알츠하이머 병 결정 방법 및 장치가 사용되는 경우, 영상만을 기반으로 알츠하이머 병의 유무에 대한 예측이 가능하다.
도 1은 본 발명의 실시예에 따른 알츠하이머 병의 결정 방법을 나타낸 순서도이다.
도 1에서는 알츠하이머 병 환자 및 정상인(cognitive normal, CN) 집단의 뇌 영상(예를 들어, 뇌 MRI(magnaetic resonance imaging) 촬상 영상)을 기계 학습 분류기를 사용하여 학습시키기 위한 훈련용 데이터로서 사용하여 알츠하이머 병을 예측하는 방법이 개시된다.
대뇌 피질 두께 데이터에 대한 기계 학습을 기반으로 한 알츠하이머 병 예측 방법은 일반적인 기계 학습과 마찬가지로 트레이닝 데이터를 이용한 지도 학습을 통해 알츠하이머 병 분류기를 생성하고, 알츠하이머 병 분류기를 기반으로 알츠하이머 병 유무에 대한 판별을 수행할 수 있다.
뇌 영상에 대한 영상 전처리 과정이 수행된다(단계 S100).
알츠하이머 병 환자 그룹의 뇌 영상 및 정상인(cognitive normal, CN) 그룹의 뇌 영상에 대한 영상 전처리를 기반으로 알츠하이머 병 환자 그룹 및 정상인 그룹의 전처리된 대뇌 피질 형상을 추출할 수 있다. 전처리된 대뇌 피질 형상은 정점 샘플링(또는 리샘플링)된 형상일 수 있다. 정점 샘플링은 후술된다.
정점 샘플링된 대뇌 피질 형상에 대한 특징 벡터가 생성된다(단계 S110).
정점 샘플링된 대뇌 피질 형상에 대한 특징 벡터는 MHT(manifold harmonic transform)를 기반으로 생성될 수 있다.
특징 벡터는 알츠하이머 병 환자가 대뇌 피질의 특정 영역이 질환 초기 단계에서부터 얇아지기 시작한다는 임상학적 정보를 기반으로 생성될 수 있다. 생성된 특징 벡터는 높은 분류 성능을 위해 두 그룹(정상인 그룹과 알츠하이머 병 환자 그룹)의 차이를 최대한 반영해야 한다. 하지만, 생성된 특징 벡터는 높은 분류 성능을 위해 두 그룹의 차이를 최대한 반영하는 동시에 연산의 효율성을 위해서 크기가 작을수록 유리할 수 있다.
본 발명의 실시예에서는 전술한 대뇌 피질 형상에 대한 정점 샘플링 절차 및 노이즈(Noise) 제거 절차를 기반으로 특징 벡터의 크기가 1/20 수준으로 감소되고, 노이즈에 포함되는 리샘플링된 대뇌 피질 형상의 개인 특징이 제거될 수 있다.
차원 감소 절차 및 그룹 분류 절차를 기반으로 두 그룹(정상인 그룹과 알츠하이머 병 환자 그룹) 간의 차이가 가장 극명하게 나타나는 기준에 대한 탐색이 수행된다(단계 S120).
예를 들어, 차원 감소 절차는 PCA(principal component analysis)를 기반으로 단계 S110을 통해 결정된 특징 벡터의 차원을 1차원으로 감소시키는 절차일 수 있다.
그룹 분류 절차는 LDA(linear discriminant analysis)를 기반으로 단계 S110)을 통해 최종적으로 기계 학습에 사용된 대뇌 피질 형상이 어떤 그룹에 더 가까운지 판단하여 대뇌 피질 형상을 분류하기 위한 판단 기준으로 생성하기 위한 절차일 수 있다. LDA는 그룹 내 분산을 최소화하고 그룹 간 분산을 최대로 하는 축을 찾는 분석법으로, LDA가 사용되는 경우, 두 그룹 간의 차이가 가장 극명하게 나타나는 판단 기준이 결정될 수 있다.
두 그룹 간의 차이가 가장 극명하게 나타나는 판단 기준을 기반으로 이후 입력되는 대뇌 피질 형상에 대한 분류가 수행되고, 입력된 대뇌 피질 형상에 매칭되는 사용자가 정상인 그룹에 포함되는지 알츠하이머 병 환자 그룹에 포함되는지 여부가 결정될 수 있다(단계 S130).
이하, 본 발명의 실시예에서는 각 단계 별 구체적인 방법이 개시된다.
도 2는 본 발명의 실시예에 따른 영상 전처리 단계가 개시된다.
도 2에서는 알츠하이머 병 환자 그룹의 뇌 영상 및 정상인 그룹의 뇌 영상에서 각각 대뇌 피질 형상(대뇌 피질 이미지)을 추출하고, 대뇌 피질 형상에 대한 정점 샘플링(또는 리샘플링(resampling))을 수행하는 방법이 개시된다.
도 2를 참조하면, 수집된 알츠하이머병 환자 그룹 및 정상인 그룹의 뇌 영상 및/또는 대뇌 피질 형상으로부터 피질 두께가 추출될 수 있다. 뇌 영상 및/또는 대뇌 피질 형상으로부터 피질 두께를 추출하는 과정은 영상 또는 표면 모델 정합(image/surface model registration) 과정을 기반으로 수행될 수 있다.
환자 간에 상이한 대뇌 피질 형상은 대뇌 피질의 특징적인 주름을 기반으로 하위 영역으로 분할되므로 정합 과정을 거쳐 추출된 대뇌 피질 모델의 모든 정점(vertex)은 뇌의 유사한 하위 영역에 속한다고 가정될 수 있다.
예를 들어, 대뇌의 좌/우 반구 각각에서 10만개 이상의 정점으로 구성된 대뇌 피질 표면 모델(200)이 생성될 수 있고, 생성된 대뇌 피질 표면 모델(200)은 좌/우 반구 각 40,962개의 정점으로 다운 샘플링되어 다운샘플링된 대뇌 피질 표면 모델(정점 샘플링된 대뇌 피질 형상, 정점 샘플링된 대뇌 피질 이미지)(220)로 생성될 수 있다. 대뇌 피질 표면 모델(200)을 구성하는 정점의 개수와 정점 샘플링된 대뇌 피질 표면 모델(220)의 정점의 개수는 예시적인 것으로서 변할 수 있다.
도 3은 본 발명의 실시예에 따른 특징 벡터를 생성하기 위한 방법이 개시된다.
도 3에서는 정점 샘플링된 대뇌 피질 형상에 대해 노이즈 제거 절차를 기반으로 특징 벡터를 생성하는 방법이 개시된다.
전술한 바와 같이 정점 샘플링된 대뇌 피질 형상에 대한 특징 벡터는 MHT(manifold harmonic transform)를 기반으로 생성될 수 있다. 본 발명의 실시예에서는 정점 샘플링 절차 및 노이즈(noise) 제거 절차를 기반으로 특징 벡터의 크기가 1/20 수준으로 감소되고, 대뇌 피질 형상 내의 노이즈가 제거될 수 있다. 이러한 방법을 통해 정상인 그룹과 알츠하이머 병 환자 그룹 각각의 차이를 최대한 반영하면서 연산의 효율성을 높일 수 있다.
정점 샘플링은 영상 전처리 절차에서 수행되는 리샘플링 절차이다. 예를 들어, 최초에 생성된 표면 모델은 좌/우 반구마다 10만개 이상의 정점으로 구성될 수 있다. 리샘플링 절차를 통해 표면 모델은 총 81,924개의 정점으로 구성될 수 있다. 즉, 좌/우 반구 각기 40,962개의 정점으로 좌/우 반구마다 10만개 이상의 정점을 가진 원 모델 대비 1/3~1/4 수준일 수 있다.
노이즈 제거는 MHT를 기반으로 수행될 수 있다. MHT가 사용되는 경우, 표면에 대해 정의된 스칼라 함수는 주파수 도메인으로 변환 가능할 수 있다. 그리고 높은 주파수 대역 성분들은 노이즈나 높은 개인 편차를 가지는 부분을 나타낼 수 있다. 따라서 정점 샘플링 이후, 81,924개의 피질 두께값이 모두 사용되는 것이 아니라, 구분하고자 하는 표면 모델들로부터 평균 모델을 만들고, MHT를 적용하여 81,924개의 피질 두께값 중 저 주파수 대역 성분들만으로 구성하여 특징 벡터의 크기를 크게 감소시킬 수 있다.
구체적으로 대뇌 피질의 두께 데이터의 고 주파수 요소는 노이즈 및 그룹의 특징과 무관한 개인적인 특징을 나타낼 수 있다. 따라서, 결정된 컷 오프 차원(300)을 기반으로 이러한 고 주파수 요소(fi)를 제거함으로써 대뇌 피질의 두께 데이터의 차원을 감소시킬 수 있다.
아래는 제거되는 고주파 요소를 결정하기 위한 계수 G를 산출하기 위한 수학식이다.
<수학식>
Figure pat00007
여기서, cj 는 정상인 그룹 및 알츠하이머 병 환자 그룹을 포함하는 트레이닝 집합에서 j번째 트레이닝 대상의 오리지날 대뇌 피질 두께 데이터이고,
Figure pat00008
는 j번째 대상의 k번째 주파수 요소이고, N은 트레이닝 대상의 개수이다. F는 대뇌 피질 두께 데이터를 위한 컷-오프 차원(cut-off dimension)(300)일 수 있다.
Figure pat00009
는 컷-오프 차원(300)을 고려하여 노이즈 필터링된 j번째 대상의 대뇌 피질 두께 데이터이다. hk는 이산 LB(Laplace-Beltrami) 연산자의 k번째 아이젠 벡터(eigen vector)이다.
본 발명의 실시예에서는 G를 0.025로 설정하여 컷-오프 차원(300)을 결정할 수 있다. 그러나 G의 값은 상기 값에 한정되지 않고 적절한 값으로 결정될 수 있음은 물론이다. 결정된 컷-오프 차원(300)을 기반으로 고 주파수 대역(또는 고 주파수 요소)이 제거될 수 있다. 이러한 고 주파수 대역에 대한 제거를 기반으로 노이즈 및 그룹의 특징과 무관한 개인적인 특징이 제거될 수 있다.
도 4는 본 발명의 실시예에 따른 정상인 그룹과 알츠하이머 병 환자 그룹 간의 구분을 위한 판단 기준을 결정하는 방법을 나타낸 개념도이다.
도 4에서는 차원 감소 절차 및 그룹 분류 절차를 기반으로 두 그룹 간의 차이를 가장 극명하게 나타내는 판단 기준에 대한 결정 방법이 개시된다.
도 4를 참조하면, 영상 데이터 누적에 따라 점증적으로 분류기 갱신을 용이하게 하기 위해, 여러 통계적 방법 중 PCA(principal component analysis)(400)-LDA(linear discriminant analysis)(410) 방법이 순차적으로 적용되어 입력된 특징 벡터의 차원을 최종적으로 1차원까지 낮춤으로써 최종적인 분류가 수행될 수 있다.
우선 PCA(400) 변환을 기반으로 특징 벡터의 차원이 감소될 수 있다. 예를 들어, PCA(400) 변환 과정 중 선택된 고유 벡터의 수는 10-Fold 교차 검증시 분류기의 성능이 최대가 되는 값이 경험적으로 선택될 수 있다. 예를 들어, 선택된 고유 벡터의 수는 64개일 수 있다. LDA(410)는 그룹 내 분산을 최소화하고 그룹 간 분산을 최대로 하는 축을 찾는 분석법으로, 이를 이용하면 두 그룹 간의 차이가 가장 극명하게 나타나는 기준을 찾아낼 수 있다.
PCA(400)-LDA(410)는 아래와 같은 방법으로 수행될 수 있다.
Figure pat00010
중 하나의 그룹에 포함된 주어진 특징 벡터
Figure pat00011
,
Figure pat00012
에 대하여 그룹 분류기는 PCA(400) 및 LDA(410)를 기반으로 순차적으로 트레이닝될 수 있다. 아래의 수학식 2를 기반으로 PCA(400)를 수행하기 위해 트레이닝 데이터 집합
Figure pat00013
의 공분산 매트릭스 V가 유도될 수 있다.
<수학식 2>
Figure pat00014
여기서,
Figure pat00015
는 모든 특징 벡터의 평균이다. 각
Figure pat00016
는 특징 벡터
Figure pat00017
를 나타내고, V는
Figure pat00018
매트릭스이기 때문이다. 공분산 매트릭스 V가 일반적으로 싱귤러(singular)이기 때문에 LDA(410)를 수행함에 있어서 싱귤러리티 문제를 가지고 올 수 있다. 이러한 문제를 방지하기 위해 PCA 변환 매트릭스(
Figure pat00019
)를 생성하기 위해 가장 큰 k개의 0이 아닌 아이젠벨류(eigen value)와 관련된 V의 아이젠벡터가 선택될 수 있다. 선택된 아이젠벡터의 개수는 감소된 PCA 공간의 차원을 결정할 수 있다.
아래의 수학식 3과 같이 주어진 PCA 변환 매트릭스
Figure pat00020
를 기반으로 특징 벡터 x는 PCA 공간 상의 벡터 y로 전환될 수 있다.
<수학식 3>
Figure pat00021
PCA(400)를 적용함으로써 X의 모든 특징 벡터에 대하여 PCA 공간 상의 새로운 트레이닝 집합
Figure pat00022
이 생성될 수 있다.
새로운 트레이닝 집합에 대해 LDA가 수행될 수 있다.
LDA(410)는 데이터 집합의 그룹을 최대한 분리하기 위한 좌표 축을 찾을 수 있다. 다른 표현으로 LDA(410)는 각 그룹의 분산(variance)을 최소화하기 위한 좌표축을 찾을 수 있다. LDA(410)는 그룹 간의 분산을 최대화하고, 각 그룹의 분산을 최소화할 수 있다.
본 발명의 실시예에 따르면, LDA(410)는 아래의 수학식 4의 에너지 함수를 최소화하기 위한 축 w를 찾을 수 있다.
<수학식 4>
Figure pat00023
여기서,
Figure pat00024
는 축 w로 투영된 그룹 간 분산이고,
Figure pat00025
는 축 w로 투영된 그룹 내 분산일 수 있다. 그룹 간 스캐터 행렬 SB와 그룹 내 스캐터 행렬 SW는 아래의 수학식5와 같이 정의될 수 있다.
<수학식 5>
Figure pat00026
Figure pat00027
여기서
Figure pat00028
는 그룹 i의 평균,
Figure pat00029
는 그룹i의 공분산 행렬,
Figure pat00030
는 그룹i의 크기일 수 있다. yik는 그룹 Gi의 k번째 특징 벡터일 수 있다.
위와 같은 PCA(400)-LDA(410)를 기반으로 추출된 판단 기준으로 사용하여 이후 입력된 대뇌 피질 형상이 정상인의 대뇌 피질 형상인지 알츠하이머 병 환자의 대뇌 피질 형상인지 여부가 결정될 수 있다.
도 5는 본 발명의 실시예에 따른 기계 학습을 기반으로 한 알츠하이머 병 결정 방법을 수행하는 알츠하이머 병 결정 장치를 나타낸 개념도이다.
도 5에서는 알츠하이머 병 결정 장치는 영상 입력부(500), 영상 전처리부(510), 특징 벡터 생성부(520), 판단 기준 결정부(530), 알츠하이머 병 판단부 및 프로세서(540) 중의 적어도 하나를 포함할 수 있다.
영상 입력부(500)는 알츠하이머 병 환자 그룹의 뇌 영상 및 정상인 그룹의 뇌 영상을 입력받기 위해 구현될 수 있다.
영상 전처리부(510)는 수집된 알츠하이머 병 환자 그룹의 뇌 영상 및 정상인 그룹의 뇌 영상에서 대뇌 피질 두께를 추출하기 위한 전처리 절차를 수행하기 위해 구현될 수 있다. 영상 전처리부(510)는 입력된 영상을 기반으로 대뇌의 좌/우 반구 각각에서 10만개 이상의 정점으로 구성된 대뇌 피질 표면 모델을 생성할 수 있고, 생성된 대뇌 피질 표면 모델을 좌/우 반구 각 40,962개의 정점으로 정점 샘플링(또는 리샘플링)하기 위해 구현될 수 있다. 대뇌 피질 표면 모델을 구성하는 정점의 개수와 정점 샘플링되는 정점의 개수는 예시적인 것으로서 변할 수 있다.
특징 벡터 생성부(520)는 정점 샘플링된 대뇌 피질 형상에 대해 노이즈를 제거하여 특징 벡터를 생성하기 위해 구현될 수 있다. 전술한 바와 같이 대뇌 피질의 두께 데이터의 고 주파수 대역 요소는 노이즈 및 그룹의 특징과 무관한 개인적인 특징을 나타낼 수 있다. 따라서, 이러한 고주파수 대역 요소를 제거함으로써 대뇌 피질의 두께 데이터의 차원이 감소될 수 있다
특징 벡터 생성부(520)는 대뇌 피질의 두께 데이터를 주파수 대역으로 변환하고, 특정 주파수 대역을 제거하고 저 주파수 대역 성분들만으로 구성하여 특징 벡터의 크기를 크게 감소시키도록 구현될 수 있다.
판단 기준 결정부(530)는 특징 벡터의 차원을 1차원으로 감소시키고, 기계 학습을 기반으로 정상인 그룹과 알츠하이머 병 그룹을 분류하기 위한 판단 기준을 결정할 수 있다.
알츠하이머 병 판단부(540)는 판단 기준 생성부에 의해 결정된 판단 기준을 기반으로 알츠하이머 병을 판단하기 위해 구현될 수 있다.
프로세서(550)는 영상 입력부(500), 영상 전처리부(510), 특징 벡터 생성부(520), 판단 기준 결정부(530), 알츠하이머 병 판단부(540)의 동작을 제어하기 위해 구현될 수 있다.
도 6은 본 발명의 실시예에 따른 기계 학습을 기반으로 알츠하이머 병을 결정하는 방법을 나타낸 순서도이다.
도 6을 참조하면, 알츠하이머 병 결정 장치가 정상인 그룹의 뇌 영상으로부터 제1 대뇌 피질 형상을 추출하고, 알츠하이머 병 환자 그룹의 뇌 영상으로부터 제2 대뇌 피질 형상을 추출할 수 있다(단계 S600).
알츠하이머 병 결정 장치가 제1 대뇌 피질 형상 및 제2 대뇌 피질 형상에 대한 영상 처리를 수행하여 정점 샘플링된 제1 대뇌 피질 형상 및 정점 샘플링된 제2 대뇌 피질 형상을 생성할 수 있다(단계 S610).
영상 처리는 제1 대뇌 피질 형상 및 제2 대뇌 피질 형상 각각에 대한 대뇌 피질 표면 모델을 생성하고, 대뇌 피질 표면 모델에 포함되는 복수의 정점을 다운샘플링할 수 있다.
알츠하이머 병 결정 장치가 정점 샘플링된 제1 대뇌 피질 형상 및 정점 샘플링된 제2 대뇌 피질 형상에 대한 노이즈 제거 절차를 진행하여 정점 샘플링된 제1 대뇌 피질 형상에서 제1 특징 벡터를 추출하고, 정점 샘플링된 제2 대뇌 피질 형상에서 제2 특징 벡터를 추출할 수 있다(단계 S620).
노이즈 제거 절차는 정점 샘플링된 제1 대뇌 피질 형상 및 정점 샘플링된 제2 대뇌 피질 형상을 주파수 도메인으로 변환하고, 주파수 도메인 상에서 고 주파수 대역을 제거하되, 고 주파수 대역은 컷-오프 차원(cut-off dimension)을 기반으로 결정되고, 컷-오프 차원은 컷-오프 차원 결정 계수(G)에 의해 결정될 수 있다.
알츠하이머 병 결정 장치가 제1 특징 벡터 및 제2 특징 벡터를 기반으로 알츠하이머 병의 결정을 위한 판단 기준을 결정할 수 있다(단계 S630).
판단 기준은 PCA 변환을 기반으로 제1 특징 벡터 및 제2 특징 벡터의 차원을 감소시키는 단계, 감소된 차원의 제1 특징 벡터 및 감소된 차원의 제2 특징 벡터를 기반으로 새로운 트레이닝 집합을 생성하는 단계와 LDA를 사용하여 새로운 트레이닝 집합을 기반으로 정상인 그룹과 알츠하이머 병 환자 그룹 간의 분산을 최대로 하고, 정상인 그룹 내의 분산 및 알츠하이머 병 환자 그룹 내의 분산을 최소로 하는 판단 기준을 결정하는 단계를 기반으로 결정될 수 있다.
알츠하이머 병 결정 장치가 새롭게 입력된 입력 대뇌 피질 형상에 대하여 판단 기준을 기반으로 알츠하이머 병의 발병 여부를 결정할 수 있다(단계 S640).
기계 학습을 기반으로 한 알츠하이머 병 결정 방법은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들일 수 있고, 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

Claims (10)

  1. 기계 학습을 기반으로 한 알츠하이머 병의 결정 방법은,
    알츠하이머 병 결정 장치가, 정상인 그룹의 뇌 영상으로부터 추출된 제1 대뇌 피질 형상 및 알츠하이머 병 환자 그룹의 뇌 영상으로부터 추출된 제2 대뇌 피질 형상에 대한 영상 처리를 수행하여 정점 샘플링된 제1 대뇌 피질 형상 및 정점 샘플링된 제2 대뇌 피질 형상을 생성하는 단계;
    상기 알츠하이머 병 결정 장치가, 상기 정점 샘플링된 제1 대뇌 피질 형상 및 상기 정점 샘플링된 제2 대뇌 피질 형상에 대한 노이즈 제거 절차를 진행하여 상기 정점 샘플링된 제1 대뇌 피질 형상에서 제1 특징 벡터를 추출하고, 상기 정점 샘플링된 제2 대뇌 피질 형상에서 제2 특징 벡터를 추출하는 단계;
    상기 알츠하이머 병 결정 장치가, 상기 제1 특징 벡터 및 상기 제2 특징 벡터를 기반으로 상기 알츠하이머 병의 결정을 위한 판단 기준을 결정하는 단계; 및
    상기 알츠하이머 병 결정 장치가, 새롭게 입력된 입력 대뇌 피질 형상에 대하여 상기 판단 기준을 기반으로 상기 알츠하이머 병의 발병 여부를 결정하는 단계를 포함하는 방법.
  2. 제1항에 있어서,
    상기 영상 처리는 상기 제1 대뇌 피질 형상 및 상기 제2 대뇌 피질 형상 각각에 대한 대뇌 피질 표면 모델을 생성하고, 상기 대뇌 피질 표면 모델에 포함되는 복수의 정점을 다운샘플링하는 것을 특징을 하는 방법.
  3. 제2항에 있어서,
    상기 노이즈 제거 절차는 상기 정점 샘플링된 제1 대뇌 피질 형상 및 상기 정점 샘플링된 제2 대뇌 피질 형상을 주파수 도메인으로 변환하고, 상기 주파수 도메인 상에서 고 주파수 대역을 제거하고,
    상기 고 주파수 대역은 컷-오프 차원(cut-off dimension)을 기반으로 결정되고,
    상기 컷-오프 차원은 컷-오프 차원 결정 계수(G)에 의해 결정되는 것을 특징으로 하는 방법.
  4. 제3항에 있어서,
    상기 컷-오프 차원 결정 계수(G)는 아래의 수학식을 기반으로 결정되고,
    <수학식>
    Figure pat00031

    여기서, cj 는 상기 정상인 그룹 및 상기 알츠하이머 병 환자 그룹을 포함하는 트레이닝 집합에서 j번째 트레이닝 대상의 정점 샘플링된 대뇌 피질 두께 데이터이고,
    Figure pat00032
    는 j번째 대상의 k번째 주파수 요소이고, N은 트레이닝 대상의 개수이고, F는 대뇌 피질 두께 데이터를 위한 상기 컷-오프 차원이고,
    Figure pat00033
    는 상기 컷-오프 차원을 고려하여 상기 노이즈 제거 절차에 의해 노이즈 필터링된 j번째 대상의 대뇌 피질 두께 데이터이고,
    상기 고 주파수 대역의 제거를 위한 상기 컷-오프 차원은 상기 G를 0.025로 설정하여 결정되는 것을 특징으로 하는 방법.
  5. 제4항에 있어서, 상기 판단 기준은,
    PCA(principal component analysis) 변환을 기반으로 상기 제1 특징 벡터 및 상기 제2 특징 벡터의 차원을 감소시키는 단계;
    감소된 차원의 상기 제1 특징 벡터 및 감소된 차원의 상기 제2 특징 벡터를 기반으로 새로운 트레이닝 집합을 생성하는 단계; 및
    LDA(linear discriminant analysis)를 사용하여 상기 새로운 트레이닝 집합을 기반으로 상기 정상인 그룹과 상기 알츠하이머 병 환자 그룹 간의 분산을 최대로 하고, 상기 정상인 그룹 내의 분산 및 상기 알츠하이머 병 환자 그룹 내의 분산을 최소로 하는 상기 판단 기준을 생성하는 단계를 기반으로 결정되는 것을 특징으로 하는 방법.
  6. 기계 학습을 기반으로 한 알츠하이머 병을 결정하는 알츠하이머 병 결정 장치에 있어서,
    상기 알츠하이머 병 결정 장치는 프로세서를 포함하고,
    상기 프로세서는,
    정상인 그룹의 뇌 영상으로부터 추출된 제1 대뇌 피질 형상 및 알츠하이머 병 환자 그룹의 뇌 영상으로부터 추출된 제2 대뇌 피질 형상에 대한 영상 처리를 수행하여 정점 샘플링된 제1 대뇌 피질 형상 및 정점 샘플링된 제2 대뇌 피질 형상을 생성하고,
    상기 정점 샘플링된 제1 대뇌 피질 형상 및 상기 정점 샘플링된 제2 대뇌 피질 형상에 대한 노이즈 제거 절차를 진행하여 상기 정점 샘플링된 제1 대뇌 피질 형상에서 제1 특징 벡터를 추출하고, 상기 정점 샘플링된 제2 대뇌 피질 형상에서 제2 특징 벡터를 추출하고,
    상기 제1 특징 벡터 및 상기 제2 특징 벡터를 기반으로 상기 알츠하이머 병의 결정을 위한 판단 기준을 결정하고,
    새롭게 입력된 입력 대뇌 피질 형상에 대하여 상기 판단 기준을 기반으로 상기 알츠하이머 병의 발병 여부를 결정하도록 구현되는 것을 특징으로 하는 알츠하이머 병 결정 장치.
  7. 제6항에 있어서,
    상기 영상 처리는 상기 제1 대뇌 피질 형상 및 상기 제2 대뇌 피질 형상 각각에 대한 대뇌 피질 표면 모델을 생성하고, 상기 대뇌 피질 표면 모델에 포함되는 복수의 정점을 다운샘플링하는 것을 특징을 하는 알츠하이머 병 결정 장치.
  8. 제7항에 있어서,
    상기 노이즈 제거 절차는 상기 정점 샘플링된 제1 대뇌 피질 형상 및 상기 정점 샘플링된 제2 대뇌 피질 형상을 주파수 도메인으로 변환하고, 상기 주파수 도메인 상에서 고 주파수 대역을 제거하고,
    상기 고 주파수 대역은 컷-오프 차원(cut-off dimension)을 기반으로 결정되고,
    상기 컷-오프 차원은 컷-오프 차원 결정 계수(G)에 의해 결정되는 것을 특징으로 하는 알츠하이머 병 결정 장치.
  9. 제8항에 있어서,
    상기 컷-오프 차원 결정 계수(G)는 아래의 수학식을 기반으로 결정되고,
    <수학식>
    Figure pat00034

    여기서, cj 는 상기 정상인 그룹 및 상기 알츠하이머 병 환자 그룹을 포함하는 트레이닝 집합에서 j번째 트레이닝 대상의 정점 샘플링된 대뇌 피질 두께 데이터이고,
    Figure pat00035
    는 j번째 대상의 k번째 주파수 요소이고, N은 트레이닝 대상의 개수이고, F는 대뇌 피질 두께 데이터를 위한 상기 컷-오프 차원이고,
    Figure pat00036
    는 상기 컷-오프 차원을 고려하여 상기 노이즈 제거 절차에 의해 노이즈 필터링된 j번째 대상의 대뇌 피질 두께 데이터이고,
    상기 고 주파수 대역의 제거를 위한 상기 컷-오프 차원은 상기 G를 0.025로 설정하여 결정되는 것을 특징으로 하는 알츠하이머 병 결정 장치.
  10. 제9항에 있어서, 상기 판단 기준은,
    PCA(principal component analysis) 변환을 기반으로 상기 제1 특징 벡터 및 상기 제2 특징 벡터의 차원을 감소시키는 단계;
    감소된 차원의 상기 제1 특징 벡터 및 감소된 차원의 상기 제2 특징 벡터를 기반으로 새로운 트레이닝 집합을 생성하는 단계; 및
    LDA(linear discriminant analysis)를 사용하여 상기 새로운 트레이닝 집합을 기반으로 상기 정상인 그룹과 상기 알츠하이머 병 환자 그룹 간의 분산을 최대로 하고, 상기 정상인 그룹 내의 분산 및 상기 알츠하이머 병 환자 그룹 내의 분산을 최소로 하는 상기 판단 기준을 생성하는 단계를 기반으로 결정되는 것을 특징으로 하는 알츠하이머 병 결정 장치.
KR1020160182984A 2016-12-29 2016-12-29 기계 학습을 기반으로 한 알츠하이머 병 결정 방법 및 장치 KR101944069B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160182984A KR101944069B1 (ko) 2016-12-29 2016-12-29 기계 학습을 기반으로 한 알츠하이머 병 결정 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160182984A KR101944069B1 (ko) 2016-12-29 2016-12-29 기계 학습을 기반으로 한 알츠하이머 병 결정 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20180078033A true KR20180078033A (ko) 2018-07-09
KR101944069B1 KR101944069B1 (ko) 2019-01-30

Family

ID=62919598

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160182984A KR101944069B1 (ko) 2016-12-29 2016-12-29 기계 학습을 기반으로 한 알츠하이머 병 결정 방법 및 장치

Country Status (1)

Country Link
KR (1) KR101944069B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200124827A (ko) * 2019-04-25 2020-11-04 인제대학교 산학협력단 다중 특성 융합을 기반으로 하는 알츠하이머병 분류 방법
KR20210029318A (ko) * 2019-09-05 2021-03-16 고려대학교 산학협력단 Ct 영상 기반 부위별 대뇌 피질 수축율 예측 방법 및 장치
JP2022547063A (ja) * 2019-09-03 2022-11-10 コリア ユニバーシティ リサーチ アンド ビジネス ファウンデーション 脳の厚さ情報に基づいた脳収縮疾患の階層的診断装置
WO2023204496A1 (ko) * 2022-04-21 2023-10-26 고려대학교 산학협력단 딥러닝을 기반으로 대뇌피질 수축 정도를 정량화할 수 있는 고속 기법 및 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120050379A (ko) * 2010-11-10 2012-05-18 삼성전자주식회사 ＭＲＩ및 ｆＭＲＩ를 이용한 뇌 질환 분석 장치 및 방법
KR20160072768A (ko) * 2014-12-15 2016-06-23 삼성전자주식회사 영상 인식 방법, 영상 검증 방법, 장치, 및 영상 인식 및 검증에 대한 학습 방법 및 장치
KR20160140233A (ko) * 2015-05-29 2016-12-07 조선대학교산학협력단 알츠하이머 병변 예측의 정보를 제공하는 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120050379A (ko) * 2010-11-10 2012-05-18 삼성전자주식회사 ＭＲＩ및 ｆＭＲＩ를 이용한 뇌 질환 분석 장치 및 방법
KR20160072768A (ko) * 2014-12-15 2016-06-23 삼성전자주식회사 영상 인식 방법, 영상 검증 방법, 장치, 및 영상 인식 및 검증에 대한 학습 방법 및 장치
KR20160140233A (ko) * 2015-05-29 2016-12-07 조선대학교산학협력단 알츠하이머 병변 예측의 정보를 제공하는 방법

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200124827A (ko) * 2019-04-25 2020-11-04 인제대학교 산학협력단 다중 특성 융합을 기반으로 하는 알츠하이머병 분류 방법
JP2022547063A (ja) * 2019-09-03 2022-11-10 コリア ユニバーシティ リサーチ アンド ビジネス ファウンデーション 脳の厚さ情報に基づいた脳収縮疾患の階層的診断装置
KR20210029318A (ko) * 2019-09-05 2021-03-16 고려대학교 산학협력단 Ct 영상 기반 부위별 대뇌 피질 수축율 예측 방법 및 장치
WO2021045507A3 (ko) * 2019-09-05 2021-04-29 고려대학교 산학협력단 Ct 영상 기반 부위별 대뇌 피질 수축율 예측 방법 및 장치
WO2023204496A1 (ko) * 2022-04-21 2023-10-26 고려대학교 산학협력단 딥러닝을 기반으로 대뇌피질 수축 정도를 정량화할 수 있는 고속 기법 및 장치
KR20230149993A (ko) * 2022-04-21 2023-10-30 고려대학교 산학협력단 딥러닝을 기반으로 대뇌피질 수축 정도를 정량화할 수 있는 고속 기법 및 장치

Also Published As

Publication number Publication date
KR101944069B1 (ko) 2019-01-30

Similar Documents

Publication Publication Date Title
JP6998959B2 (ja) 神経生理学的信号を使用する反復分類のためのシステムと方法
Bhat et al. Parkinson's disease: Cause factors, measurable indicators, and early diagnosis
KR101944069B1 (ko) 기계 학습을 기반으로 한 알츠하이머 병 결정 방법 및 장치
Ghoraani et al. Time–frequency matrix feature extraction and classification of environmental audio signals
Rodrigues et al. Lacsogram: A new EEG tool to diagnose Alzheimer's disease
Gupta et al. Modified support vector machine for detecting stress level using EEG signals
CN110353673B (zh) 一种基于标准互信息的脑电通道选择方法
CN108256629A (zh) 基于卷积网络和自编码的eeg信号无监督特征学习方法
CN114093501B (zh) 基于同步视频与脑电的儿童运动性癫痫智能辅助分析方法
Zhang et al. Automated tremor detection in Parkinson's disease using accelerometer signals
CN111091074A (zh) 最优区域共空间模式的运动想象脑电信号分类方法
Hammami et al. Pathological voices detection using support vector machine
Khan et al. Deep learning based speech emotion recognition for Parkinson patient
CN115662576B (zh) 关联认知障碍病症的神经反馈训练范式的生成方法和系统
Soumaya et al. Diagnosis of Parkinson disease using the wavelet transform and MFCC and SVM classifier
Ijitona et al. Automatic detection of speech disorder in dysarthria using extended speech feature extraction and neural networks classification
Su et al. Dynamic feature selection for detecting Parkinson's disease through voice signal
Smekal et al. Analysis of neurological disorders based on digital processing of speech and handwritten text
Nasrolahzadeh et al. Analysis of mean square error surface and its corresponding contour plots of spontaneous speech signals in Alzheimer's disease with adaptive wiener filter
Al-Dhief et al. Dysphonia detection based on voice signals using naive bayes classifier
KR20160087740A (ko) 동영상에 포함된 객체의 운동 유형을 결정하기 위한 방법 및 장치
Nguyen et al. EEG-based person verification using multi-sphere SVDD and UBM
Bhan et al. Diagnosing Parkinson’s disease in early stages using image enhancement, Roi extraction and deep learning algorithms
Ghoraani et al. A joint time-frequency and matrix decomposition feature extraction methodology for pathological voice classification
WO2021213935A1 (en) Automated assessment of cognitive and speech motor impairment

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