KR20180097037A - 관상동맥의 시작점을 자동으로 추출하기 위한 방법 및 그 장치 - Google Patents

Abstract

관상동맥의 시작점을 자동으로 추출하기 위한 방법 및 그 장치가 개시된다. 본원 발명의 일 실시예에 따른 관상동맥의 시작점을 자동으로 추출하기 위한 방법은, 획득된 3D 심장 영상으로부터 대동맥을 검출하는 단계; 혈관유사확률을 이용하여 혈관확률영상을 생성하는 단계; 생성된 혈관확률영상에 대해 연결요소분석(CCA; connected component analysis)을 적용하여 혈관 요소를 군집화하는 단계; 상기 군집화된 혈관 요소와 대동맥 영상의 교집합을 산출하는 단계; 및 상기 산출된 교집합에 상응하는 대동맥의 표면에 존재하는 혈관 요소에 대해 사후최대확률기법을 적용하여 확률이 최대가 되는 혈관 요소 쌍을 산출하는 단계를 포함할 수 있다.

Description

관상동맥의 시작점을 자동으로 추출하기 위한 방법 및 그 장치{A METHOD FOR AUTOMATICALLY EXTRACTING A STARTING POINT OF CORONARY ARTERIES, AND AN APPARATUS THEREOF}

본원 발명은 관상동맥의 시작점을 자동으로 추출하기 위한 방법 및 그 장치에 관한 발명으로서, 보다 구체적으로는 사후최대확률기법을 이용하여 대동맥의 표면에 존재하는 혈관 요소들 중에서 최대 크기의 요소가 확률이 높게 하는 동시에 두 혈관 요소 사이의 기하학적 정보를 활용함으로써 관상동맥의 시작점을 전자동적으로 추출하기 위한 방법 및 그 장치에 관한 발명이다.

관상동맥(coronary artery)은 심장 근육에 산소와 영양분을 공급하는 역할을 한다. 최근, 현대인의 식습관 변화 및 스트레스로 인하여 관상동맥 질환을 갖는 인구가 점점 증가하고 있고, 현대인의 주요 사망 원인 중 하나가 관상동맥질환이다.

관상동맥질환 중 대표적인 질환으로는 동맥경화와 심근경색을 꼽을 수 있는데, 이 중 동맥경화는 관상동맥이 여러 가지 요인에 의해서 좁아지게 되는 질환에 해당한다. 동맥경화의 증상이 지속되어 발전하면 관상동맥을 흐르는 혈류가 감소하고 관상동맥이 막히게 되는데, 이러한 경우에 심근이 괴사하게 되어 심각한 경우에 사람이 사망에 이르게 될 수 있다. 따라서, 이러한 관상동맥질환을 예방하는 것이 매우 중요하며, 이를 위해서는 관상동맥 혈관을 관찰하는 이미징 기술이 또한 중요하다.

관상동맥질환의 진단을 위한 이미징 기술로는 대표적으로 혈관조영술(angiography), 혈관 내 초음파(IVUS; intravascular ultrasound) 및 광간섭단층촬영(OCT; optical coherence tomography) 등이 있다. 이 중 관간섭단층촬영 이미징 시스템은 뛰어난 해상도와 민감도를 갖는 혈관 이미징 기술로서 각광을 받고 있으며, 임상에서 널리 사용되고 있다.

이와 같이, 관상동맥질환을 분석함에 있어, 컴퓨터 영상처리 기술의 일환인 심장 관상동맥 영역화는 필수적인 사항이다.

종래에는, 심장을 3차원 컴퓨터 단층 촬영(CT)하여 획득된 영상에서 관상동맥을 추출하기 위해서 관상동맥의 뿌리 부분, 즉 해부학적으로 관상동맥소공(coronary ostia)를 사용자가 명시해주면, 명시된 관상동맥구로부터 영역화가 수행되어 나무(tree) 구조의 전체적인 관상동맥을 영역화하는 방식을 사용하였다.

참고로, 관상동맥은 대동맥 뿌리 부위에 좌/우로 두 개의 소공(ostium)이 존재하고, 따라서 두 개의 소공(ostium) 부위를 정확하게 표시하는 것이 필요하다.

하지만, 사용자가 심장 3차원 영상 내에서 정확하게 관상동맥의 시작점을 시각적으로 또는 경험적으로 특정하는 것은 매우 어려운 일이며, 정확하지 않은 지점을 특정하게 될 경우에 관상동맥 영역화에 있어 심각한 부작용을 초래할 수 있다는 문제점이 있다.

게다가, 일반적으로 병원 등의 의료 현장은 환자의 응급 처치 등으로 매우 혼란스럽고 바쁜데, 사용자가 심장 3D 영상에서 수동으로 관상동맥구를 지정하는 것은 시간 소비적이라는 문제점이 있다.

그러므로, 병원 등의 바쁜 의료 현장에서, 사용자의 개입이 없이도, 획득된 심장 영상으로부터 전자동으로 관상동맥 시작점을 추출할 수 있는 방법 및 장치에 대한 필요가 점점 증가하고 있는 상황이다.

[특허문헌 1] 대한민국특허공개번호 제10-2016-0064562호(발명의 명칭: "3D CTA 영상으로부터 관상동맥의 구조를 모델링하는 방법 및 장치")

본원 발명은 상기의 기술적 과제를 해결하기 위해서 안출된 것으로서, 본원 발명은 획득된 심장 3D 영상으로부터 자동으로 관상동맥 시작점을 추출할 수 있는 방법 및 장치를 제공하는 것을 목적으로 한다.

또한, 본원 발명은 사후최대확률기법을 이용하여 두 개의 관상동맥 시작점을 동시에 추출함으로써 보다 정확하고 정밀한 관상동맥 시작점의 추출을 가능하게 하는 방법 및 장치를 제공하는 것을 목적으로 한다.

상기의 기술적 과제를 해결하기 위한 본원 발명의 일 실시예에 따른 관상동맥의 시작점을 자동으로 추출하기 위한 방법은, 획득된 3D 심장 영상으로부터 대동맥을 검출하는 단계; 혈관유사확률을 이용하여 혈관확률영상을 생성하는 단계; 생성된 혈관확률영상에 대해 연결요소분석(CCA; connected component analysis)을 적용하여 혈관 요소를 군집화하는 단계; 상기 군집화된 혈관 요소와 대동맥 영상의 교집합을 산출하는 단계; 및 상기 산출된 교집합에 상응하는 대동맥의 표면에 존재하는 혈관 요소에 대해 사후최대확률기법을 적용하여 확률이 최대가 되는 혈관 요소 쌍을 산출하는 단계를 포함할 수 있다.

또한, 상기 산출된 교집합에 상응하는 대동맥의 표면에 존재하는 혈관 요소에 대해 사후최대확률기법을 적용하여 확률이 최대가 되는 혈관 요소 쌍을 산출하는 단계는, 상기 대동맥의 표면에 존재하는 임의의 혈관 요소 쌍에 대해, 가능도(likelihood) 및 기하학적 사전정보를 이용하여 상기 사후최대확률기법을 적용하는 것을 특징으로 하며, 상기 기하학적 사전정보는 미리정의된 각도 및 미리정의된 거리를 포함할 수 있다.

또한, 상기 미리정의된 각도 및 상기 미리정의된 거리는 정규 분포를 따를 수 있다.

추가하여, 상기의 기술적 과제를 해결하기 위한 본원 발명의 일 실시예에 따른 관상동맥의 시작점을 자동으로 추출하기 위한 장치는 영상 처리 장치로서 구현될 수 있고, 상기 영상 처리 장치는, 심장의 영상을 수신하도록 구성되는 영상 수신부와, 상기 영상 수신부에서 수신된 심장 영상을 처리하도록 구성되는 영상 처리부와, 상기 영상 처리부에서 결정된 혈관 요소 쌍을 디스플레이하도록 구성되는 디스플레이부와, 그리고 상기 영상 수신부, 상기 영상 처리부 및 상기 디스플레이부를 제어하도록 구성되는 제어부를 포함할 수 있다.

여기서, 상기 영상 처리부는, 획득된 3D 심장 영상으로부터 대동맥을 검출하도록 구성되는 대동맥 검출유닛; 혈관유사확률을 이용하여 혈관확률영상을 생성하도록 구성되는 혈관확률영상 생성유닛; 생성된 혈관확률영상에 대해 연결요소분석(CCA; connected component analysis)을 적용하여 혈관 요소를 군집화하도록 구성되는 CCA 수행유닛; 상기 군집화된 혈관 요소와 대동맥 영상의 교집합을 산출하도록 구성되는 교집합 산출유닛; 및 상기 산출된 교집합에 상응하는 대동맥의 표면에 존재하는 혈관 요소에 대해 사후최대확률기법을 적용하여 확률이 최대가 되는 혈관 요소 쌍을 산출하도록 구성되는 사후최대확률기법 수행유닛을 포함할 수 있다.

또한, 상기 사후최대확률기법 수행유닛은, 상기 대동맥의 표면에 존재하는 임의의 혈관 요소 쌍에 대해, 가능도(likelihood) 및 기하학적 사전정보를 이용하여 상기 사후최대확률기법을 적용하고, 상기 기하학적 사전정보는 미리정의된 각도 및 미리정의된 거리를 포함할 수 있다.

또한, 상기 미리정의된 각도 및 상기 미리정의된 거리는 정규 분포를 따를 수 있다.

본원 발명의 일 실시예에 따른 관상동맥의 시작점을 자동으로 추출하기 위한 방법 및 그 장치에 의하면, 획득된 심장 3D 영상으로부터 자동으로 관상동맥 시작점의 추출을 가능하게 한다.

또한, 본원 발명의 일 실시예에 따른 관상동맥의 시작점을 자동으로 추출하기 위한 방법 및 그 장치에 의하면, 사후최대확률기법을 이용하여 두 개의 관상동맥 시작점을 동시에 추출함으로써 보다 정확하고 정밀한 관상동맥 시작점의 추출을 가능하게 한다.

도 1은 일반적인 심장 대동맥의 단면도를 도시한다.
도 2는 본원 발명의 일 실시예에 따른 관상동맥의 시작점을 자동으로 추출하기 위한 방법을 설명하기 위한 순서도를 개략적으로 도시한다.
도 3a 내지 도 3e는 본원 발명의 일 실시예에 따라 심장 영상에서 대동맥을 검출하기 위한 일련의 과정들을 설명하기 위한 도면이다.
도 4는 본원 발명의 일 실시예에 따라 혈관유사확률을 이용하여 생성된 혈관확률영상의 예시도이다.
도 5는 본원 발명의 일 실시예에 따라 대동맥 영역(A)과 혈관 요소 집합(O)과의 교집합 산출 과정을 설명하기 위한 예시도이다.
도 6a 내지 도 6c는 본원 발명의 일 실시예에 따라 혈관요소에 대해 사후최대확률기법을 적용하는 일련의 과정들을 설명하기 위한 도면이다.
도 7은 본원 발명의 일 실시예에 따른 관상동맥의 시작점을 자동으로 추출하기 위한 장치의 개략적인 블록도이다.
도 8은 본원 발명의 일 실시예에 따라 두 개의 관상동맥 시작점을 디스플레이하여 사용자에게 제공하는 예시도이다.

이하 본 발명의 바람직한 실시예들의 상세한 설명이 첨부된 도면들을 참조하여 설명될 것이다. 도면들 중 동일한 구성들은 가능한 한 어느 곳에서든지 동일한 부호들을 나타내고 있음을 유의하여야 한다. 이하의 설명에서 구체적인 특정 사항들이 나타나고 있는데, 이는 본 발명의 보다 전반적인 이해를 돕기 위해 제공된 것이다. 그리고 본 발명을 설명함에 있어, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명은 생략한다.

본 명세서에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 본 발명이 속하는 기술 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 본 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 명세서에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 명세서의 전반에 걸친 내용을 토대로 정의되어야 한다.

본 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 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.

도 1은 일반적인 심장 대동맥의 단면도를 도시한다.

심장의 대동맥(10)은 좌심실에서 시작하여, 혈액을 온몸으로 보내는 굵은 혈관에 해당한다. 참고로, 좌심실에서 나온 대동맥(10)은 위쪽으로 향하다가 도중에 아래쪽으로 내려가고, 대동맥(10)의 혈관벽은 다른 혈관벽과 비교하여 상대적으로 두껍게 형성된다.

또한, 심장을 나가는 곳에는 혈액이 거꾸로 흐르는 것을 방지하기 위해서 대동맥(10)에 날름막이 배치된다. 참고로, 대동맥(10)은 상행대동맥, 동맥궁 및 하행대동맥으로 분류될 수 있다.

또한, 관상동맥(또는 심장동맥)은 심장에 혈액을 공급하는 동맥으로서, 대동맥이 시작되는 부위에서 뻗어 나와 심장을 둘러싸고 있는데, 그 모양이 머리에 쓰는 관과 같다고 하여 일반적으로 관상동맥으로 지칭된다. 관상동맥은 좌관상동맥(20)과 우관상동맥(30)으로 구성되며, 좌관상동맥(20)은 다시 왼쪽휘돌이동맥과 왼쪽앞내림동맥으로 분류될 수 있다.

도 1에 도시된 바와 같이, 좌관상동맥(20) 및 우관상동맥(30)은 대동맥(10)의 뿌리 부위에 배치되며, 따라서 대동맥(10)의 뿌리 부위로부터 좌관상동맥(20) 및 우관상동맥(30)이 좌관상동맥 시작점(21) 및 우관상동맥 시작점(31)으로부터 각각 연장 형성된다.

본 발명자들은 이러한 좌관상동맥 시작점(21) 및 우관상동맥 시작점(31)을, 사용자의 개입 없이, 자동으로 그리고 동시에 추출하는 기법을 제안하고자 하며, 그에 대한 상세한 설명은 이하에서 구체적으로 기술하기로 한다.

도 2는 본원 발명의 일 실시예에 따른 관상동맥의 시작점을 자동으로 추출하기 위한 방법을 설명하기 위한 순서도를 개략적으로 도시한다.

참고로, 도 2에 도시된 각각의 단계(S210 내지 S250)는 본원 발명의 용이한 이해를 위한 일 예에 해당하고, 따라서 도 2에 도시되지 않은 추가의 단계가 더 수행될 수도 있음은 명백할 것이다.

도 2에 도시된 바와 같이, 본원 발명의 일 실시예에 따른 관상동맥의 시작점을 자동으로 추출하기 위한 방법은, 획득된 3D 심장 영상으로부터 대동맥을 검출하는 단계(S210); 혈관유사확률을 이용하여 혈관확률영상을 생성하는 단계(S220); 생성된 혈관확률영상에 대해 연결요소분석(CCA)을 적용하여 혈관 요소를 군집화하는 단계(S230); 군집화된 혈관 요소와 대동맥 영상의 교집합을 산출하는 단계(S240); 및 대동맥의 표면에 존재하는 혈관 요소에 대해 사후최대확률기법을 적용하여 최적의 혈관 요소 쌍{Ci, Cj}을 산출하는 단계(S250)를 포함할 수 있다.

S210은 획득된 3D 심장 영상으로부터 대동맥 영상을 검출하는 단계에 해당한다. 예를 들어, 심장의 3차원 영상으로부터 획득된 Z축 영상(즉, X-Y 평면)의 기하학적 정보에 기초하여 대동맥의 위치를 추출할 수 있다.

참고로, 대동맥 검출 단계(S210)는 후술할 교집합 산출 단계(S240)에서 군집화된 혈관 요소와 대동맥 영상의 교집합을 산출할 때 사용하기 위한 사전 단계에 해당하며, 예컨대 대동맥의 기하학적 정보(형상, 거리, 및 각도)를 이용하여 상행 및 하행 대동맥을 검출함으로써 전체 대동맥 영상을 검출하는 것이 가능하다.

참고로, 대동맥 검출 단계(S210)의 보다 상세한 설명은 이하의 도 3a 내지 도 3e에서 상술하기로 한다.

대동맥 영역의 검출(S210) 이후에, 혈관유사확률을 이용하여 혈관확률영상을 생성하는 단계(S220)가 수행될 수 있다. 이는 초기 영상으로부터 혈관유사확률을 구하고 이로부터 새로운 혈관확률영상을 획득하는 단계에 해당하며, 생성된 혈관확률영상에서는 혈관의 모양만 밝게 나타나고 혈관을 제외한 나머지에 대해서는 모두 값이 낮아 어둡게 가시화되는 것을 특징으로 한다. 참고로, 혈관확률영상 생성 단계(S220)의 보다 상세한 설명은 이하의 도 4에서 상술하기로 한다.

이후에, 생성된 혈관확률영상에 대해 연결요소분석(CCA; connected component analysis)을 적용하여 혈관 요소를 군집화함으로써 복수 개의 혈관 요소들을 획득하는 단계(S230), 및 군집화된 혈관 요소와 S210 단계에서 검출된 대동맥 영상의 교집합을 산출하는 단계(S240)가 수행될 수 있다. 참고로, 복수 개의 혈관 요소의 획득 단계(S230) 및 교집합 산출 단계(S240)의 보다 상세한 설명은 이하의 도 5에서 상술하기로 한다.

군집화된 혈관 요소와 대동맥 영상의 교집합은 대동맥의 표면에 존재하는 혈관 요소에 해당하고, 이러한 대동맥의 표면에 존재하는 혈관 요소에 대해서 사후최대확률기법을 적용하여 최적의 혈관 요소 쌍{Ci, Cj}을 산출하는 단계(S250)가 수행될 수 있다. 본원 발명의 일 실시예에 따르면, 혈관 요소 쌍{Ci, Cj}의 가능도(likelihood) 뿐만 아니라 혈관 요소 쌍의 두 가지 기하학적 사전정보(즉, "거리" 및 "각도")를 추가적으로 고려함으로써, 좌관상동맥 시작점(21) 및 우관상동맥 시작점(31)의 확률이 가장 높은 최적의 혈관 요소 쌍{Ci, Cj}을 산출하는 것이 가능하다. 참고로, 최적의 혈관 요소 쌍{Ci, Cj}을 산출하는 단계(S250)의 보다 상세한 설명은 이하의 도 6에서 상술하기로 한다.

여기서, 도 2에 도시된 본원 발명의 일 실시예에 따른 관상동맥의 시작점을 자동으로 추출하기 위한 방법을 구성하는 일련의 단계들(S210 내지 S250)은 컴퓨터에서 실행될 수 있는 프로그램으로서 작성가능하고, 예컨대 컴퓨터는 영상 처리 장치(image processing apparatus/device)로서 구현될 수 있으며, 컴퓨터 판독가능한 기록매체를 이용해 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다.

일반적으로, 의료 영상 처리의 분야에서, CT 영상, MRI 영상, X-ray 영상 등을 처리하는 것은 영상을 조작하고, 영상을 분석하며, 영상을 인식하고, 연상을 통신하는 등의 동작을 수반하여, 이러한 일련의 영상 처리의 동작들은 영상 처리 장치에 의해서 수행될 수 있다. 또한, 이러한 일련의 과정들(단계들)은 저장 매체 또는 기록 매체 등에 미리 프로그래밍되어, 소정의 장치(예컨대, 영상 처리 장치)에 의해서 구현될 경우 소정의 목적을 달성하도록 실행된다.

도 2에 도시된 본원 발명의 일 실시예에 따른 관상동맥의 시작점을 자동으로 추출하기 위한 방법을 구성하는 일련의 단계들(S210 내지 S250) 또한 영상 처리 장치를 구성하는 하드웨어와 소프트웨어의 결합을 이용한 구체적인 수단에 의해서 수행되고, 본원 발명의 방법 단계들을 수행하도록 구성되는 영상 처리 장치의 구체적인 구성 및 설명은 이하의 도 7에서 보다 상술하기로 한다.

도 3a 내지 도 3e는 본원 발명의 일 실시예에 따라 심장 영상에서 대동맥을 검출하기 위한 일련의 과정들을 설명하기 위한 도면이다.

참고로, 본원 발명의 일 실시예에 따른 대동맥 검출 단계(S210)는 심장의 Z축 영상(즉, X-Y 평면 영상)의 기하학적 정보를 이용하여 대동맥을 추출하는 것을 특징으로 한다.

도 3a는 본원 발명의 일 실시예에 따라 Z-축 영상의 기하학적 정보를 이용한 대동맥 추출 방법의 흐름도를 도시한다.

보다 구체적으로, 본원 발명의 일 실시예에 따른 대동맥 검출 단계(S210)는, 심장의 3차원 영상으로부터 Z축 영상을 획득하는 단계(S310); 상기 획득된 Z축 영상에 연결 요소 라벨링(CCL; connected component labeling) 기법을 적용하여 군집화된 복수의 객체들을 추출하는 단계(S320); 상기 추출된 복수의 객체들을 벡터로 표현하는 단계(S330); 상기 벡터로 표현된 복수의 객체들 각각에 주성분분석(PCA; principal component analysis) 기법을 적용하여 상기 객체들을 두 개의 축들 및 상기 두 개의 축들 각각이 갖는 크기로 표현하는 단계(S340); 상기 복수의 객체들 중 임의의 두 개의 객체들 쌍 사이의 거리를 산출하는 단계(S360); 상기 복수의 객체들 중 임의의 두 개의 객체들이 형성하는 각도를 산출하는 단계(S370); 및 상기 객체들의 두 개의 축들이 갖는 크기, 상기 두 개의 객체들 쌍 사이의 거리 및 상기 두 개의 객체들이 형성하는 각도에 기초하여, 상행 대동맥 및 하행 대동맥을 추출하는 단계(S380)를 포함할 수 있다.

여기서, 본원 발명의 일 실시예에 따른 대동맥 검출 단계(S210)는, S340 단계에서 표현된 두 개의 축들, 즉 제1 축 및 제2 축의 거리의 비가 미리결정된 비율 미만인 객체를 제거하는 단계(S350)를 더 포함할 수 있다.

S310 단계는 심장의 3차원 영상으로부터 Z축 영상을 획득하는 단계에 해당한다. 여기서, Z축 영상을 획득하기 위해 설정되는 z축의 좌표 값(즉, 높이 값)은 상행 대동맥 및 하행 대동맥이 최적으로 검출될 수 있도록 실험 등에 의해 미리결정될 수 있으며, 예컨대 z축 좌표는 'z=308'일 수 있다. 하지만, 이러한 z축 좌표는 예시적인 것에 불과하며, z축의 관심 영역(ROI; region of interest)은 다양한 응용예들에 따라 변화할 수 있음은 명백할 것이다.

S320 단계는 S310 단계에서 획득된 Z축 영상으로부터 복수의 객체들을 추출하는 단계에 해당한다. 특히, S320 단계는 S310 단계에서 획득된 Z축 영상에 연결 요소 라벨링(CCL; connected component labeling) 기법을 적용하여 군집화된 복수의 객체들을 추출하는 단계에 해당한다.

상기 CCL 기법은 이미지 내에 연결되어 있는 적어도 하나의 객체를 판별하기 위한 기법으로서, 크게 재귀 알고리즘과 반복 알고리즘 두 가지 알고리즘에 의해 구현될 수 있다. CCL 기법에 의해서 Z축 영상으로부터 조영 강도에 근사하는 요소들이 획득될 수 있는데, 이하의 도 3c에 CCL 기법이 적용되어 복수의 객체(object)들이 라벨링된 상태를 도시한다. 예컨대, Z축 영상에 CCL 기법을 적용함으로써 이미지 내에 서로 연결되어 있는 8개의 객체들이 판별될 수 있고, 각 요소의 콘트라스트 값의 범위에 따라 8개의 상이한 객체들이 군집화되어 상이한 컬러들로서 표현될 수 있다.

S330 단계는 S320 단계에서 추출된 복수의 객체들을 각각 벡터로 표현하는 단계에 해당한다. 여기서, 각 객체들 내의 요소들은 2차원 점구름(2D point cloud) 형태로 표현될 수 있다. 또한, 아래 수식 (1) 및 (2)로 표시되는 바와 같이, 벡터 객체들의 집합 C는 Ci(여기서, i는 자연수)의 집합으로서 표현될 수 있으며, 여기서 각각의 Ci는 2차원 벡터들의 집합이 된다.

- 수식 (1)

- 수식 (2)

S340 단계는 S330 단계에서 2차원 벡터로 표현된 객체들을, 두 개의 축들 및 두 개의 축들 각각이 갖는 크기로 표현하는 단계에 해당한다. 특히, S340 단계는 주성분분석(PCA; principal component analysis) 기법을 적용하는 것을 특징으로 한다.

상기 주성분분석(PCA)은 여러 변수들의 변량을 '주성분(principal component)'이라고 지칭되는 서로 상관성이 높은 여러 변수들의 선형 조합으로 분석하여, 새로운 변수들로 요약 및 축소하는 기법을 의미한다. 본원 발명의 일 실시예에 따르면, S330 단계에서 2차원 벡터로 표현된 객체들 각각에 주성분분석(PCA) 기법을 적용함으로써 상기 객체들 각각을 두 개의 축들 및 그 두 개의 축들 각각이 갖는 크기로 표현할 수 있다.

예컨대, 본원 발명의 도 3d는 PCA 기법이 적용된 객체(Ci)를 예시적으로 도시한다. 도시된 바와 같이, 주성분분석(PCA) 기법을 통해, 각 객체(Ci)는 두 개의 축들(λ₁ 및 λ₂)과 상기 두 개의 축들의 크기(λ_1,ci 및 λ_2,ci)로 표현될 수 있다. 여기서, 각 객체(Ci)의 방향성을 나타내는 두 개의 축들(λ₁ 및 λ₂)은 서로 수직일 수 있다.

참고로, 도 3e를 참조하면, 심장 내의 상행 대동맥(11) 및 하행 대동맥(12)은 일반적으로 원의 형태를 갖는다. 따라서, 이상적인 원형 객체를 가정할 경우, 두 개의 축들(λ₁ 및 λ₂)이 각각 갖는 크기(λ_1,ci 및 λ_2,ci)는 동일하다, 즉 이상적인 원형 객체의 경우, λ_2,ci/λ_1,ci는 1의 값을 갖는다.

하지만, 실제의 Z축 영상 내의 객체들, 특히 상행 대동맥(11) 및 하행 대동맥(12)은 여러 다양한 요인들로 인해 완전히 이상적인 원으로서 표현되지 않을 수 있고, 따라서 이상적인 원에 거의 근접한 타원의 형태를 가질 수도 있다. 그러므로, λ_2,ci/λ_1,ci의 값이 1이거나 또는 1에 근접할 경우 그 객체(Ci)는 원형일 확률이 높고, 이는 해당 객체(Ci)가 상행 대동맥 또는 하행 대동맥일 확률이 높다는 것을 의미한다.

이러한 특징을 이용한 이하의 수식 (3)은 두 개의 객체가 동시에 원에 가장 가까운 것을 선택하도록 하는 수식에 해당한다.

... 수식 (3)

여기서, λ_1,ci는 객체 Ci의 λ₁축의 길이를 나타내고, λ_2,ci는 객체 Ci의 λ₂축의 길이를 나타내고, λ_1,cj는 객체 Cj의 λ₁축의 길이를 나타내고, 그리고 λ_2,cj는 객체 Cj의 λ₂축의 길이를 나타낸다. 객체들 Ci 및 Cj가 이상적인 원의 경우, 함수 f의 값은 0이다. 다시 말하면, 두 객체(Ci, Cj)에 대한 f 함수 값이 0에 가까울수록 두 객체(Ci, Cj)가 원형일 확률이 높다는 것을 의미한다.

여기서, S340 단계에서 2차원 벡터로 표현된 객체들 각각에 주성분분석(PCA) 기법을 적용하여 객체들을 두 개의 축들 및 두 개의 축들 각각이 갖는 크기로 표현함에 있어, 두 개의 축들, 예컨대 제1 축 및 제2 축의 거리의 비가 미리결정된 비율 미만인 객체를 제거하는 단계(S350)를 더 포함할 수 있다.

예를 들어, 특정 객체(예컨대, Cx)에 주성분분석(PCA) 기법을 적용하여 객체(Cx)를 두 개의 축들(λ₁ 및 λ₂) 및 두 개의 축들이 갖는 거리(λ_1,cx 및 λ_2,cx)로 표현하였는데, 두 개의 축들이 갖는 거리의 비(λ_1,cx/λ_2,cx)가 미리결정된 비율(예컨대, 0.5) 미만인 경우, 이 객체(Cx)를 제거할 수 있다.

다시 말하면, 특정 객체(Cx)의 두 개의 축들이 갖는 거리의 비가 원의 형태를 갖지 않는 것으로 추정될 만큼 작은 경우에는, 이러한 객체(Cx)에 대해서는 후술할 객체들(Ci, Cj)의 거리 산출 단계(S360) 및 각도 산출 단계(S370)를 수행할 필요 없이 상행 및 하행 대동맥 후보군에서 제외하는 것이다.

S360 단계는 복수의 객체들 중 임의의 두 개의 객체들 쌍 사이의 거리를 산출하는 단계에 해당한다. 그리고, S370 단계는 복수의 객체들 중 임의의 두 객체들이 형성하는 각도를 산출하는 단계에 해당한다.

이러한 본원 발명의 일 실시예에 따른 상행 대동맥과 하행 대동맥의 거리와 각도를 설명하기 위한 예시도가 도 3e에 도시된다. 도시된 바와 같이, 상행 대동맥(11)과 하행 대동맥(12)은 소정의 거리(d)를 갖고, 이 두 대동맥(11, 12)을 잇는 선분은 소정의 각(θ)을 갖는다.

실험적으로, 상행 대동맥(11)과 하행 대동맥(12) 사이의 거리(

)와, 그 각도(θ)는 소정의 평균 값을 갖는데, 예컨대 상행 대동맥(11)과 하행 대동맥(12) 사이의 거리는 평균 81.6mm의 값을 갖고, 상행 대동맥(11)과 하행 대동맥(12)을 잇는 선분은 평균 64.8°(0.36π rad)의 각도를 갖는다. 여기서, 평균 거리 81.6mm와 평균 각도 64.8°는 50개의 샘플데이터에서 수동으로 정확하게 측정한 값으로부터 획득한 통계 수치에 해당한다.

S360 단계에서는 복수의 객체들 중 임의의 두 객체들 쌍 사이의 거리를 산출하는데, 이 산출된 거리가 81.6mm에 근접할수록 두 개의 객체들이 상행 및 하행 대동맥(11, 12)일 확률이 높다는 것을 의미한다.

예컨대, 이와 같은 두 객체들 쌍 사이의 거리에 대한 오차 수식은 아래의 g 함수로서 표현될 수 있다.

... 수식 (4)

여기서,

는 평균 거리(예컨대, 81.6mm)이고, 따라서 g 함수의 값이 작을수록(즉, 0에 가까울수록), 두 객체들(Ci, Cj)이 상행 대동맥(11) 및 하행 대동맥(12)에 해당할 확률이 높다는 것을 의미한다.

마찬가지로, S370 단계에서 복수의 객체들 중 임의의 두 객체들이 형성하는 각도를 산출하는데, 이 산출된 각도가 64.8°에 근접할수록 두 개의 객체들이 상행 및 하행 대동맥(11, 12)일 확률이 높다는 것을 의미한다.

예컨대, 두 개의 객체들이 형성하는 각도에 대한 오차 수식은 아래의 h 함수로서 표현될 수 있다.

... 수식 (5)

여기서,

는 평균 각도(예컨대, 64.8°)이고,

는 x축에서의 두 객체들(Ci, Cj)의 거리이며, 따라서 h 함수의 값이 작을수록(즉, 0에 가까울수록), 두 객체들(Ci, Cj)이 상행 대동맥(11) 및 하행 대동맥(12)에 해당할 확률이 높다는 것을 의미한다.

S380 단계는, S340 단계에서 산출된 객체들 각각의 두 개의 축들이 갖는 크기와, S360 단계에서 산출된 두 개의 객체들 쌍 사이의 거리와, 그리고 S370 단계에서 산출된 두 개의 객체들이 형성하는 각도에 기초하여, 상행 대동맥(11) 및 하행 대동맥(12)을 추출하는 단계에 해당한다.

예컨대, 상기한 f 함수(두 객체들의 등방성에 관한 오차 함수), g 함수(두 객체들의 거리에 관한 오차 함수), 및 h 함수(두 객체들의 각도에 관한 오차 함수)를 선형적으로 결합하여 아래와 같이 e함수를 생성하고, 이를 최대가능도방법(MLE; maximum likelihood estimation)에 적용한다.

... 수식 (6)

여기서, α=0.3, β=0.8, γ=1.0로 설정될 수 있으나, 이는 예시적인 값에 불과할 뿐 다른 값들이 사용될 수 있음은 명백할 것이다.

즉, 위 수식 (6)에서 e 함수를 최소화하는 두 개의 객체들 Ci 및 Cj가 상행 대동맥(11)과 하행 대동맥(12)에 해당하게 된다.

상술한 상행 대동맥(11) 및 하행 대동맥(12)을 추출하는 세부 단계가 도 3b에 도시된다.

보다 구체적으로, 본원 발명의 일 실시예에 따른 상행 대동맥 및 하행 대동맥을 추출하는 단계(S380)는, 객체들의 두 개의 축들이 갖는 크기의 비와 1과의 차이를 산출하는 제1 산출 단계(S381); 임의의 두 개의 객체들 쌍 사이의 거리와 상행 대동맥 및 하행 대동맥 사이의 평균 거리와의 차이를 산출하는 제2 산출 단계(S382); 임의의 두 개의 객체들이 형성하는 각도와 상향 대동맥 및 하향 대동맥이 형성하는 평균 각도와의 차이를 산출하는 제3 산출 단계(S383); 및 S381 단계, S382 단계 및 S383 단계에서의 합이 최소가 되는 두 개의 객체를 상행 대동맥 및 하행 대동맥으로 추출하는 단계(S384)를 포함할 수 있다.

여기서, S381 단계, S382 단계 및 S383 단계에서의 합이 최소가 되는 두 개의 객체를 상행 대동맥 및 하행 대동맥으로 추출하는데, 해부학적으로 신체 앞쪽 부위의 대동맥이 상행 대동맥(11)에 해당하고, 신체 뒤쪽 부위의 대동맥이 하행 대동맥(12)에 해당한다.

참고로, 본원 명세서에서는 대동맥 영상을 검출하기 위한 절차로서 심장의 Z-축 영상을 기초로 하여, 대동맥의 기하학적 정보(형상, 거리, 및 각도)를 이용하여 상행 및 하행 대동맥을 검출함으로써 전체 대동맥 영상을 검출하는 방법을 예시적으로 기술하였지만, 이는 본원 발명의 용이한 이해를 위한 예에 불과할 뿐이며 따라서 심장 영상으로부터 대동맥 영상을 추출하는 다양한 방법들이 본원 발명에 적용될 수 있음은 당업계에서 명백할 것이다.

이와 같이, 심장 3D 영상의 Z-축 영상에 기초하여 상행 및 하행 대동맥(11, 12)을 검출하여 대동맥 영상을 검출(S210)한 이후에, 본원 발명의 일 실시예에 따르면 혈관유사확률을 이용하여 혈관확률영상을 생성하는 단계(S220)가 수행될 수 있다.

상기 S220 단계는 심장 영상의 원 영상으로부터 혈관유사확률(vessel enhancement filtering)을 구하여 새로운 혈관확률영상을 구하는 단계에 해당한다. 예컨대, 도 4는 우관상동맥(RCA, 30, 도 1 참조)이 포함된 심장 영상을 예시적으로 도시하는데, 심장 영상의 원영상(도 4의 (a) 참조)에 혈관유사확률을 적용하게 되면 심장 영상의 혈관확률영상(도 4의 (b) 참조)이 생성된다.

도 4에 도시된 바와 같이, 혈관확률영상에서 혈관(vessel)의 모양은 콘트라스트 값이 높아 밝게 나타나고 그 이외의 영역은 콘트라스트 값이 낮아 어둡게 가시화된다. 그러므로, 도 4의 (b)에서 밝게 표시되는 혈관 영역이 우관상동맥(30)에 해당함을 알 수 있다.

이러한 혈관유사확률 기법은 논문 『A.F.Frangi, W.J.Niessen, K.L.Vincken, M.A. Viergever, Multiscale vessel enhancement filtering, in: Medical Image Computing and Computer-Assisted Interventation MICCAI98, Springer, 1998, pp. 130-137』등에서 기술하는 바가 본원 발명에 실질상 그대로 적용될 수 있고, 따라서 이하에서는 혈관유사확률기법에 대한 구체적인 설명은 편의상 생략하도록 한다.

참고로, 혈관유사확률기법을 적용함으로써 심장 영상으로부터 좌관상동맥(20) 및 우관상동맥(30) 만을 시각화하는 방법은 본원 발명의 용이한 이해를 위한 일 예에 불과할 뿐이고, 따라서 본원 발명의 실시예는 이에 제한되지 않으며 다양한 혈관 강화(vessel enhancement) 기법이 본원 발명에도 동일하게 적용될 수 있음은 명백할 것이다.

이후, S220 단계에서 혈관확률영상이 생성되면, 생성된 혈관확률영상에 대해 연결요소분석(CCA; connected component analysis)을 적용하여 혈관 요소를 군집화(clustering)하는 단계(S230)가 수행될 수 있다.

참고로, 군집화란 하나의 객체가 여러 속성을 가지고 이러한 객체가 복수 개 있을 경우에 유사한 속성들을 갖는 객체들을 묶어서 전체의 객체들을 몇 개의 그룹 또는 군집으로 나누는 것을 의미하며, S220 단계에서 혈관확률영상에 대해 군집화 기법의 일환인 연결요소분석(CCA)을 적용하면 복수 개의 혈관 요소(vessel component)들을 획득할 수 있다.

참고로, 연결요소분석(CCA)의 내용은 당업계에서 공지된 바와 실질상 동일하게 본원 발명에 적용되므로, 이하에서는 연결요소분석의 구체적인 설명에 대해서는 편의상 생략하기로 한다.

S210 단계에서 대동맥의 영역이 검출되고, 대동맥의 영역을 "Ａ"라고 표시하기로 한다. 또한, S220 단계 및 S230 단계에서 혈관유사확률을 이용하여 혈관확률영상이 생성되고, 그에 대해 연결요소분석(CCA)을 적용함으로써 복수 개의 혈관 요소들이 획득되면, 그러한 혈관 요소들 Ci의 집합을 "Ｏ"라고 표시하기로 한다.

CCA에 의해 획득되는 혈관 요소들은 적어도 2개 이상이며, 따라서 혈관 요소들 Ci의 집합 "Ｏ"는 아래와 같이 정의될 수 있다.

- 수식 (7)

다시 말하면, Ｏ = {C₁, C₂, ... C_i, ... C_N}으로 정의될 수 있으며, 여기서 N은 2 이상의 자연수이다.

도 5는 본원 발명의 일 실시예에 따라 대동맥 영역(A)과 혈관 요소 집합(Ｏ)과의 교집합 산출 과정을 설명하기 위한 예시도이다.

도 5의 (a)는 대동맥 영역(A)을 A의 선형회귀 ℓ^*와 함께 3D 렌더링하여 표현한 예시도이고, 도 5의 (b)는 대동맥 영역(A)과 혈관 요소 집합(Ｏ)을 함께 3D 렌더링하여 표현한 예시도이다.

도시된 바와 같이, 대동맥의 영역(A)과 교집합을 이루는 혈관 요소들만을 고려하게 되면 대부분의 요소들은 제거되고, 그러므로 대동맥 영역(A)의 표면에 존재하는 혈관 요소, 즉, 혈관형(vessel-like) 요소들만이 남게 된다.

이렇게 군집화된 혈관 요소(Ｏ)와 대동맥 영상(A)의 교집합이 산출되면(S240), 대동맥의 표면에 존재하는 혈관 요소에 대해 사후최대확률기법을 적용하여 최적의 혈관 요소 쌍{Ci, Cj}을 산출하는 단계(S250)가 수행될 수 있다.

보다 구체적으로, 사후최대확률기법을 이용하여 좌관상동맥 시작점(21) 및 우관상동맥 시작점(31)을 동시에 추정하기 위한 방법은 아래와 같이 관련 수식으로서 정의될 수 있다.

- 수식 (8)

여기서, I는 입력영상, V는 혈관확률맵을 나타낸다. 하지만, 혈관확률맵 V는 입력영상 I로부터 결정론적인 측정이 가능하므로 이를 I로 통칭하기로 한다.

또한, Ci, Cj는 임의의 두 혈관 요소를 나타내고, 임의의 두 혈관 요소가 존재할 확률 P(Ci, Cj)는 학습된 각도 및 거리의 분포로서 확률을 계산하므로 구체적으로는 P(θ_{Ci , Cj}) 및 P(δ_{Ci , Cj})로서 표현될 수 있다. 또한, P(I │Ci,Cj)는 가능도(likelihood)를 나타낸다.

다시 말하면, 본원 발명의 일 실시예에 따른 관상동맥의 시작점을 자동으로 추출하기 위한 방법은 사후최대확률기법을 이용하여, 즉 임의의 두 혈관 요소 Ci 및 Cj의 가능도(likelihood) 및 기하학적 사전확률정보(각도 및 거리)를 이용하여, 좌관상동맥 시작점(21) 및 우관상동맥 시작점(31)일 확률이 가장 높은 혈관 요소 쌍{Ci, Cj}을 결정하는 것을 특징으로 하며, 가능도(likelihood) 및 기하학적 사전확률정보(각도 및 거리)에 대해서 이하에서 보다 구체적으로 기술하기로 한다.

혈관 요소의 가능도(likelihood)에 대해, 본 발명자는 대동맥의 표면에 존재하는 혈관 요소들 중에서 가장 크기가 큰 혈관 요소가 확률이 높게 하는 함수를 아래와 같이 정의한다.

- 수식 (9)

여기서, Ｍ은 후보 혈관 요소들의 크기 중 최대 크기를 갖는 혈관 요소의 크기이며, 따라서 0 ≤ │Ci│/M ≤ 1의 식이 성립한다. 참고로, │Ci│/M가 1에 가까워진다는 것은 해당 혈관 요소의 크기가 크다는 것을 의미한다.

위 수식 (9)에 따르면, 혈관 요소의 크기가 클수록 L(I │Ci,Cj)의 값 또한 큰 값에 가까워지게 된다. 참고로, 측정된 혈관 요소의 크기 정보를 통계적 의미가 있는 정도로 축적한 이후에, 그러한 정보들의 편차를 σ로 정의한다.

하지만, 혈관 요소의 가능도(likelihood) 만을 이용하여 좌/우 관상동맥 시작점을 결정하게 되면 그 결정의 정확도가 다소 떨어질 수 있는데, 예컨대 심장에 조영제를 주사하는 시간 차에 따라 SVC(superior vena cava; 대동맥 옆의 혈관)가 밝게 나타날 수 있고, 이때 조영제 주사가 균일하지 않으면 이 SVC가 후보 혈관 요소에 포함될 수 있게 된다. 이러한 SVC 요소 또한 그 크기가 크기 때문에 가능도(likelihood) 만을 이용하여 좌/우 관상동맥 시작점을 판단하게 될 때에, SVC 요소가 좌/우 관상동맥 시작점으로서 잘못 결정될 수도 있다는 문제점이 존재한다.

그러므로, 본원 발명의 일 실시예에 따른 관상동맥의 시작점을 자동으로 추출하기 위한 방법은 이러한 한계를 극복하기 위해서 좌/우 관상동맥 시작점(21, 31)의 두 가지의 기하학적 사전정보(즉, 각도 및 거리)를 추가로 이용하는 것을 특징으로 한다.

이러한 기하학적 정보는 하나의 혈관 요소만이 존재할 때에는 측정할 수 없는 정보이며, 불특정한 두 개의 임의의 혈관 요소를 고려하였을 때에 해당 혈관 요소들 사이의 거리와 각도는 일정한 정규 분포(Gaussian distribution)를 따르게 된다.

도 6a 내지 도 6c는 본원 발명의 일 실시예에 따라 혈관요소에 대해 사후최대확률기법을 적용하는 일련의 과정들을 설명하기 위한 도면이다.

도 6a의 (a)는 도 5의 (a)에 도시된 대동맥 영역(A)이 선형회귀(ℓ^*) 평면에 정사영된 영상을 예시적으로 도시하고, 도 6a의 (b)는 도 5의 (b)에 도시된 대동맥 영역(A) + 혈관 요소 집합(Ｏ)이 선형회귀(ℓ^*) 평면에 정사영된 영상을 예시적으로 도시한다.

그 이후에, 도 6b 및 도 6c에 도시된 바와 같이, 혈관 요소 Ci 및 혈관 요소 Cj는 각각 벡터

및 벡터

로서 표현될 수 있고, 대동맥 영역(A) + 혈관 요소 집합(Ｏ)이 선형회귀(ℓ^*) 평면에 정사영되면

는

로 변환되며, φ _Ci,Cj는 v_i와 v_j 사이의 각도로서 정의될 수 있다.

상기한 바와 같이, 혈관 요소의 가능도(likelihood) 만을 이용하여 좌/우관상동맥 시작점을 결정하는 것의 한계를 극복하기 위해서, 본원 발명의 일 실시예에 따르면 각도와 거리의 기하학적 사전정보를 이용하고, 이러한 거리와 각도는 정규 분포를 따르게 된다.

- 수식 (10)

참고로, 반복되고 축정된 복수 회의 시험 예를 통해, 정규 분포를 구성하는 각 파라미터들은

로 정의될 수 있다. 이를 기초로 하여, 혈관 요소의 가능도(likelihood) 항목과 사전정보(각도 및 거리) 항목의 곱에 로그(log)를 취하여 선형적인 결과로 확률을 얻어 최종적인 두 개의 혈관 요소 Ci 및 Cj를 추정하고 확률이 가장 높은 쌍이 두 개의 관상동맥 시작점, 즉 좌관상동맥 시작점(21) 및 우관상동맥 시작점(31)에 해당한다.

이를 수식으로서 정의하면 아래의 수식과 같다.

- 수식 (11)

참고로, P->L은 로그함수를 나타내며, 사전정보(각도 및 거리)를 위해 획득된 샘플들은 정규 분포를 띄게 되므로, 아래와 수식과 같이 표현될 수 있다.

- 수식 (12)

참고로, 로그함수는 단조증가함수이므로, 위 argmax를 가능하게 하는 두 개의 혈관 요소를 검출하였을 때에 그 결과가 다르지 않기 때문에 사용한다. 다시 말하면, 로그를 취하지 않을 경우에 곱셈의 결과로서 표현되는 확률의 값이 매우 커질 수 있기 때문에, 컴퓨터 장치에서의 계산을 보다 용이하게 하기 위해서 로그함수를 적용한다.

도 7은 본원 발명의 일 실시예에 따른 관상동맥의 시작점을 자동으로 추출하기 위한 장치의 개략적인 블록도이다.

참고로, 도 2에 도시된 본원 발명의 일 실시예에 따른 관상동맥의 시작점을 자동으로 추출하기 위한 방법을 구성하는 일련의 단계들(S210 내지 S250)은 컴퓨터에서 실행될 수 있는 프로그램으로서 작성가능하고, 예컨대 컴퓨터는 영상 처리 장치로서 구현될 수 있으며, 컴퓨터 판독가능한 기록매체를 이용해 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있으며, 도 7은 본원 발명의 실시예들에 따른 관상동맥 시작점 자동 추출 방법을 구현하도록 구성되는 영상 처리 장치(700)의 블록도를 예시한다.

도 7에 도시된 바와 같이, 본원 발명의 일 실시예에 따른 영상 처리 장치(700)는 제어부(710)와, 영상수신부(720)와, 영상처리부(730)와, 그리고 디스플레이부(740)를 포함할 수 있다.

참고로, 도 7에 도시된 블록도의 영상 처리 장치(700)의 각 엘리먼트들은 본원 발명의 용이한 이해를 위한 일 예에 불과할 뿐, 도 7에 도시된 엘리먼트 이외의 엘리먼트가 영상 처리 장치(700)에 추가적으로 포함될 수 있음은 명백할 것이다.

영상수신부(720)는 CT 영상 등을 수신하도록 구성될 수 있다. 예컨대, S210에서 대동맥 영상을 검출하기 위해서는 외부 장치로부터 심장의 3D 영상을 수신할 수 있는데, 상기 영상수신부(720)를 통해 관련 영상의 수신이 가능하다.

영상처리부(730)는 영상수신부(720)를 통해 수신된 심장 영상을 처리하도록 구성될 수 있다. 보다 구체적으로, 도 7에 도시된 바와 같이, 본원 발명의 일 실시예에 따른 영상처리부(730)는 대동맥 검출유닛(731), 혈관확률영상 생성유닛(732), CCA 수행유닛(733), 교집합 산출유닛(734) 및 사후최대확률기법 수행유닛(735)을 포함할 수 있다.

상기 대동맥 검출유닛(731)은 획득된 3D 심장 영상으로부터 대동맥을 검출하도록 구성될 수 있다. 예컨대, 상기 대동맥 검출유닛(731)은 심장의 3차원 영상으로부터 획득된 Z축 영상(즉, X-Y 평면)의 기하학적 정보(형상, 거리, 및 각도)에 기초하여 대동맥 영역을 검출하도록 구성될 수 있다. 대동맥 검출유닛(731)의 구체적인 동작은 도 3a 내지 도 3e와 관련하여 이미 기술하였으므로, 본 단락에서는 구체적인 설명을 생략하도록 한다.

상기 혈관확률영상 생성유닛(732)은 혈관유사확률을 이용하여 혈관확률영상을 생성하도록 구성될 수 있다. 상기 혈관확률영상 생성유닛(732)은 초기 영상으로부터 혈관유사확률을 구하고 이로부터 새로운 혈관확률영상을 생성하도록 구성되며, 참고로 생성된 혈관확률영상에는 혈관의 모양만 밝게 나타나고 혈관을 제외한 나머지에 대해서는 모두 값이 낮아 어둡게 가시화된다. 혈관확률영상 생성유닛(732)의 구체적인 동작은 도 4와 관련하여 이미 기술하였으므로, 본 단락에서는 구체적인 설명을 생략하도록 한다.

상기 CCA 수행유닛(733)은 생성된 혈관확률영상에 대해 연결요소분석(CCA)을 적용하여 혈관 요소를 군집화하도록 구성될 수 있으며, 상기 교집합 산출유닛(734)은 군집화된 혈관 요소와 대동맥 영상의 교집합을 산출하도록 구성될 수 있다.

상기한 바와 같이, 대동맥의 영역(A)과 교집합을 이루는 혈관 요소들만을 고려하게 되면 대부분의 요소들은 제거되고, 그러므로 대동맥 영역(A)의 표면에 존재하는 혈관 요소, 즉, 혈관형 요소들만이 남게 된다. CCA 수행유닛(733) 및 교집합 산출유닛(734)의 구체적인 동작은 도 5와 관련하여 이미 기술하였으므로, 본 단락에서는 구체적인 설명을 생략하도록 한다.

상기 사후최대확률기법 수행유닛(735)은 대동맥의 표면에 존재하는 혈관 요소에 대해 사후최대확률기법을 적용하여 최적의 혈관 요소 쌍{Ci, Cj}을 산출하도록 구성될 수 있다. 상기한 바와 같이, 사후최대확률기법 수행유닛(735)은 혈관 요소 쌍{Ci, Cj}의 가능도(likelihood) 뿐 아니라 두 가지의 기하학적 사전정보(즉, 거리 및 각도)를 추가적으로 고려함으로써, 좌관상동맥 시작점(21) 및 우관상동맥 시작점(31)의 확률이 가장 높은 최적의 혈관 요소 쌍{Ci, Cj}을 산출하도록 구성될 수 있다. 사후최대확률기법 수행유닛(735)의 구체적인 동작은 도 6a 내지 도 6c에서 이미 기술하였으므로, 본 단락에서는 구체적인 설명을 생략하도록 한다.

상기 사후최대확률기법 수행유닛(735)에 의해서 좌관상동맥 시작점(21) 및 우관상동맥 시작점(31)의 확률이 가장 높은 최적의 혈관 요소 쌍{Ci, Cj}이 결정되면, 그 정보가 디스플레이부(740)로 전달될 수 있다.

상기 디스플레이부(740)는 최적으로 결정된 좌관상동맥 시작점(21) 및 우관상동맥 시작점(31)을 사용자에게 시각적으로 디스플레이하도록 구성될 수 있으며, 예컨대 도 8에는 디스플레이부(740)에 의해서 좌관상동맥 시작점(21) 및 우관상동맥 시작점(31)이 표시된 예시적인 심장 영상을 도시한다.

또한, 상기 제어부(710)는 영상수신부(720), 영상처리부(730) 및 디스플레이부(740)를 총괄적으로 제어하도록 구성될 수 있다. 예컨대, 상기 제어부(710)는 단일의 제어기(controller)로서 구현될 수 있거나, 또는 복수의 마이크로제어기(micro-controller)로서 구현될 수도 있다.

본원 발명과 관련하여, 본 발명자들은 총 130개의 데이터 세트에 대해서 좌/우 관상동맥 시작점이 각각 99% 및 97%의 확률로 검출됨을 실험적으로 확인하였으며, 이는 기존의 시험 데이터와 비교하여 우월한 성능을 나타낸다.

아래의 표는 실제로 본 발명자들이 수행한 시험 데이터를 기록한다.

상술한 바와 같이, 본원 발명의 일 실시예에 따른 관상동맥의 시작점을 자동으로 추출하기 위한 방법 및 그 장치에 의하면, 획득된 심장 3D 영상으로부터 자동으로 관상동맥 시작점의 추출을 가능하게 한다.

또한, 본원 발명의 일 실시예에 따른 관상동맥의 시작점을 자동으로 추출하기 위한 방법 및 그 장치에 의하면, 사후최대확률기법을 이용하여 두 개의 관상동맥 시작점을 동시에 추출함으로써 보다 정확하고 정밀한 관상동맥 시작점의 추출을 가능하게 한다.

상술한 본 발명의 일 실시 예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 컴퓨터로 판독 가능한 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다.

컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

10: 대동맥 11: 상행대동맥
12: 하행대동맥 20: 좌관상동맥
21: 좌관상동맥 시작점 30: 우관상동맥
31: 우관상동맥 시작점 700: 영상 처리 장치
710: 제어부 720: 영상 수신부
730: 영상 처리부 731: 대동맥 검출유닛
732: 혈관확률영상 생성유닛 733: CCA 수행유닛
734: 교집합 산출유닛 735: 사후최대확률기법 수행유닛
740: 디스플레이부

Claims (6)

1. 관상동맥의 시작점을 자동으로 추출하기 위한 방법으로서,
   획득된 3D 심장 영상으로부터 대동맥을 검출하는 단계;
   혈관유사확률을 이용하여 혈관확률영상을 생성하는 단계;
   생성된 혈관확률영상에 대해 연결요소분석(CCA; connected component analysis)을 적용하여 혈관 요소를 군집화하는 단계;
   상기 군집화된 혈관 요소와 대동맥 영상의 교집합을 산출하는 단계; 및
   상기 산출된 교집합에 상응하는 대동맥의 표면에 존재하는 혈관 요소에 대해 사후최대확률기법을 적용하여 확률이 최대가 되는 혈관 요소 쌍을 산출하는 단계
   를 포함하는,
   관상동맥의 시작점을 자동으로 추출하기 위한 방법.
2. 제 1 항에 있어서,
   상기 산출된 교집합에 상응하는 대동맥의 표면에 존재하는 혈관 요소에 대해 사후최대확률기법을 적용하여 확률이 최대가 되는 혈관 요소 쌍을 산출하는 단계는, 상기 대동맥의 표면에 존재하는 임의의 혈관 요소 쌍에 대해, 가능도(likelihood) 및 기하학적 사전정보를 이용하여 상기 사후최대확률기법을 적용하는 것을 특징으로 하며,
   상기 기하학적 사전정보는 미리정의된 각도 및 미리정의된 거리를 포함하는,
   관상동맥의 시작점을 자동으로 추출하기 위한 방법.
3. 제 2 항에 있어서,
   상기 미리정의된 각도 및 상기 미리정의된 거리는 정규 분포를 따르는,
   관상동맥의 시작점을 자동으로 추출하기 위한 방법.
4. 제 1 항 내지 제 3 항 중 어느 한 항에 따른 방법을 수행하도록 구성되는 영상 처리 장치로서,
   심장의 영상을 수신하도록 구성되는 영상 수신부와,
   상기 영상 수신부에서 수신된 심장 영상을 처리하도록 구성되는 영상 처리부와,
   상기 영상 처리부에서 결정된 혈관 요소 쌍을 디스플레이하도록 구성되는 디스플레이부와, 그리고
   상기 영상 수신부, 상기 영상 처리부 및 상기 디스플레이부를 제어하도록 구성되는 제어부
   를 포함하고,
   상기 영상 처리부는,
   획득된 3D 심장 영상으로부터 대동맥을 검출하도록 구성되는 대동맥 검출유닛;
   혈관유사확률을 이용하여 혈관확률영상을 생성하도록 구성되는 혈관확률영상 생성유닛;
   생성된 혈관확률영상에 대해 연결요소분석(CCA; connected component analysis)을 적용하여 혈관 요소를 군집화하도록 구성되는 CCA 수행유닛;
   상기 군집화된 혈관 요소와 대동맥 영상의 교집합을 산출하도록 구성되는 교집합 산출유닛; 및
   상기 산출된 교집합에 상응하는 대동맥의 표면에 존재하는 혈관 요소에 대해 사후최대확률기법을 적용하여 확률이 최대가 되는 혈관 요소 쌍을 산출하도록 구성되는 사후최대확률기법 수행유닛
   을 포함하는,
   영상 처리 장치.
5. 제 4 항에 있어서,
   상기 사후최대확률기법 수행유닛은, 상기 대동맥의 표면에 존재하는 임의의 혈관 요소 쌍에 대해, 가능도(likelihood) 및 기하학적 사전정보를 이용하여 상기 사후최대확률기법을 적용하고,
   상기 기하학적 사전정보는 미리정의된 각도 및 미리정의된 거리를 포함하는,
   영상 처리 장치.
6. 제 5 항에 있어서,
   상기 미리정의된 각도 및 상기 미리정의된 거리는 정규 분포를 따르는,
   영상 처리 장치.

Images