KR20190068254A - 병변 발생 시점 추정 방법, 장치 및 프로그램 - Google Patents

병변 발생 시점 추정 방법, 장치 및 프로그램 Download PDF

Info

Publication number
KR20190068254A
KR20190068254A KR1020170168475A KR20170168475A KR20190068254A KR 20190068254 A KR20190068254 A KR 20190068254A KR 1020170168475 A KR1020170168475 A KR 1020170168475A KR 20170168475 A KR20170168475 A KR 20170168475A KR 20190068254 A KR20190068254 A KR 20190068254A
Authority
KR
South Korea
Prior art keywords
data
lesion
region
image data
brain image
Prior art date
Application number
KR1020170168475A
Other languages
English (en)
Other versions
KR102043829B1 (ko
Inventor
방오영
김윤철
정종원
서우근
Original Assignee
사회복지법인 삼성생명공익재단
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 filed Critical 사회복지법인 삼성생명공익재단
Priority to KR1020170168475A priority Critical patent/KR102043829B1/ko
Publication of KR20190068254A publication Critical patent/KR20190068254A/ko
Application granted granted Critical
Publication of KR102043829B1 publication Critical patent/KR102043829B1/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
    • A61B5/72—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
    • G06K9/3233—
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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

Abstract

본 발명의 일 실시예에 따른 병변 발생 시점 추정 방법은, 대상자의 뇌 영상 데이터로부터 상기 대상자의 병변 위치에 대응하는 관심 영역을 선택하는 관심 영역 선택 단계, 상기 관심 영역과 대칭인 대칭 영역을 선택하는 대칭 영역 선택 단계, 상기 관심 영역과 상기 대칭 영역을 이용하여 상기 관심 영역의 복셀(voxel) 별 비대칭도 데이터를 산출하는 비대칭도 산출 단계, 상기 복셀 별 비대칭도 데이터로부터 입력 데이터를 획득한 후, 상기 병변의 발생 시점을 추정하기 위한 추정 모델에 입력하는 입력 단계 및 상기 추정 모델의 출력값을 기초로, 상기 병변의 발생 시점에 관한 정보를 출력하는 출력 단계를 포함한다. 이때 상기 추정 모델은, 복수 명의 데이터 제공자의 뇌 영상 데이터로부터 얻은 학습용 입력 데이터와 병변 발생 시점의 상관관계를 표현하는 입출력함수이다.

Description

병변 발생 시점 추정 방법, 장치 및 프로그램{Method, Device and Program for Estimating Time of Lesion Occurrence}
본 발명은 뇌경색 환자의 병변 발생 시점을 추정하는 방법, 장치 및 프로그램에 관한 것이다.
뇌경색은 뇌의 혈관이 막혀 뇌의 일부 세포가 죽는 질병이다. 뇌경색은 뇌혈관의 동맥경화에 의한 혈관 폐색 및 심방세동(atrial fibrillation)에 의해 심장에서 발생하였다가 뇌로 이동한 혈전(cardioembolic clot)에 의해 뇌혈관이 막혀 발생한다. 뇌혈관이 막히면서 뇌 조직으로 가는 혈액의 공급이 차단되어 막힌 혈관에 의해 혈액을 공급받던 뇌 조직이 경색되어 의식장애나 신체 마비 등의 신경학적 증상이 나타난다.
뇌경색이 발병한 경우, 혈관을 조기에 재개통하여 뇌 조직이 완전히 경색에 빠지기 전에 뇌 혈류를 회복시키는 방식의 치료가 수행된다. 이때 막힌 혈관을 얼마나 빨리 뚫어주느냐가 뇌경색 예후에 가장 큰 영향을 미치는 요소이다. 뇌경색에 의한 후유증을 최소화하기 위한 발병 후 최초 치료까지의 시간(골든 타임)은 약 4.5-6시간 정도로 알려져 있으며 증상 발생 후 혈관 재개통의 시간이 빠를수록 신경학적 증상 회복의 확률이 증가하여, 빠른 진단과 치료가 요구된다. 그러나, 초급성 뇌경색 환자의 20-30%는 정확한 뇌경색의 발생 시점을 알지 못하여 혈관재개통 치료에서 배제되어 왔다.
한국등록특허공보 제10-0946350호 (공고일 2010.03.09)
본 발명은 뇌 영상 데이터를 이용해 객관적으로 정량적인 방식으로 뇌경색 환자의 병변 발생 시점을 추정하는 방법, 장치 및 프로그램을 제공하는 것을 목적으로 한다. 그러나 이러한 과제는 예시적인 것으로, 이에 의해 본 발명의 범위가 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 병변 발생 시점 추정 방법은, 대상자의 뇌 영상 데이터로부터 상기 대상자의 병변 위치에 대응하는 관심 영역을 선택하는 관심 영역 선택 단계; 상기 관심 영역과 대칭인 대칭 영역을 선택하는 대칭 영역 선택 단계; 상기 관심 영역과 상기 대칭 영역을 이용하여 상기 관심 영역의 복셀(voxel) 별 비대칭도 데이터를 산출하는 비대칭도 산출 단계; 상기 복셀 별 비대칭도 데이터로부터 입력 데이터를 획득한 후, 상기 병변의 발생 시점을 추정하기 위한 추정 모델에 입력하는 입력 단계; 및 상기 추정 모델의 출력값을 기초로, 상기 병변의 발생 시점에 관한 정보를 출력하는 출력 단계;를 포함한다. 이때 상기 추정 모델은, 복수 명의 데이터 제공자의 뇌 영상 데이터로부터 얻은 학습용 입력 데이터와 병변 발생 시점의 상관관계를 표현하는 입출력함수이다.
일 실시예에 따르면, 상기 추정 모델은, 상기 병변의 발생 시점이 상기 뇌 영상 데이터를 기정 시점 이전 또는 이후일 확률을 출력하는 입출력함수일 수 있다.
본 발명의 일 실시예에 따른 병변 발생 시점 추정 방법은, 상기 관심 영역 선택 단계 전에, 상기 추정 모델을 트레이닝하는 단계를 더 포함할 수 있다.
일 실시예에 따르면, 상기 관심 영역 선택 단계는, 상기 대상자의 제1 뇌 영상 데이터 및 제2 뇌 영상 데이터를 획득하는 데이터 획득 단계; 상기 제1 뇌 영상 데이터 및 상기 제2 뇌 영상 데이터를 정합하는 단계; 상기 제1 뇌 영상 데이터에서, 상기 대상자의 병변이 위치하는 것으로 추정되는 병변 영역을 선택하는 단계; 및 상기 제2 뇌 영상 데이터에서, 상기 병변 영역에 정합하는 영역을 관심 영역으로 선택하는 단계;를 포함할 수 있다.
일 실시예에 따르면, 상기 데이터 획득 단계는, 확산강조영상(DWI) 데이터로부터 상기 제1 뇌 영상 데이터를 획득하는 단계; 액체감쇠역전회복영상(FLAIR) 데이터로부터 상기 제2 뇌 영상 데이터를 획득하는 단계;를 포함할 수 있다.
본 발명의 일 실시예에 따른 병변 발생 시점 추정 방법은, 상기 대칭 영역 선택 단계 전에 수행되고, 상기 뇌 영상 데이터의 대칭선을 산출하는 단계를 더 포함할 수 있다.
일 실시예에 따르면, 상기 비대칭도 산출 단계는, 상기 관심 영역의 각 복셀의 신호 크기와 상기 대칭 영역의 전체 복셀 신호의 평균값의 차이를 계산하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 비대칭도 산출 단계는, 상기 관심 영역의 크기가 기정 크기 이하인 경우, 상기 대칭 영역보다 크기가 큰 확장 영역을 선택하는 단계; 및 상기 관심 영역의 각 복셀의 신호 크기와 상기 확장 영역의 전체 복셀 신호의 평균값의 차이를 계산하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따른 병변 발생 시점 추정 장치는, 대상자의 뇌 영상 데이터로부터 상기 대상자의 병변 위치에 대응하는 관심 영역을 선택하고, 상기 관심 영역에 대칭인 대칭 영역을 선택하고, 상기 관심 영역과 상기 대칭 영역을 이용하여 상기 관심 영역의 복셀 별 비대칭도 데이터를 산출하고, 상기 복셀 별 비대칭도 데이터로부터 상기 복셀 별 비대칭도 데이터로부터 입력 데이터를 획득한 후, 상기 병변의 발생 시점을 추정하기 위한 추정 모델에 입력하는 제어부; 및 상기 추정 모델의 출력값을 기초로, 상기 병변의 발생 시점에 관한 정보를 출력하는 출력부;를 포함한다. 이때 상기 추정 모델은, 복수 명의 데이터 제공자의 뇌 영상 데이터로부터 얻은 학습용 입력 데이터와 병변 발생 시점의 상관관계를 표현하는 입출력함수이다.
본 발명의 일 실시예는 상술한 병변 발생 시점 추정 방법을 실행하기 위하여 매체에 저장된 컴퓨터 프로그램을 개시한다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
본 발명의 일 실시예에 따른 병변 발생 시점 추정 방법, 장치, 프로그램에 의하면, 객관적으로 정량적인 방식으로 병변 발생 시점을 추정할 수 있어 정성적인 방법으로 병변 발생 시점을 추정할 때 관찰자 내 차이 및 관찰자 간 차이(intra- & inter-observer variability)가 높은 문제를 해결할 수 있다. 또한, 병변 발생 시점을 수 분 내로 빠르게 파악할 수 있어, 대상자의 치료 방안을 신속하게 결정하는 데 도움을 줄 수 있다. 이를 통해 뇌경색 등 비가역적으로 뇌에 손상을 줄 수 있는 뇌혈관 폐색 증상을 신속하게 치료할 수 있어 치료 효과를 높일 수 있다.
한편, 본 발명의 일 실시예에서는 '복셀 별' 비대칭도 데이터를 통해 병변의 불균질성(heterogeneity) 정보를 획득하여, 상기 불균질성 정보를 추정 모델의 학습에 반영하므로, 병변 발생 시점 추정의 정확도가 향상된다.
본 발명의 일 실시예에서와 같이 MRI 자동 분석 기법을 바탕으로 환자의 뇌경색 발생 시점을 예측/판단하는 것은 뇌경색 환자의 치료에 중요한 정보를 제공하여 혈관재개통 치료를 받을 수 있는 환자의 수를 증대하여 뇌경색 이후 후유증의 중증도를 낮출 수 있다.
도 1은 본 발명의 일 실시예에 따른 병변 발생 시점 추정 장치의 구성을 개략적으로 도시한 그림이다.
도 2는 본 발명의 일 실시예에 따른 병변 발생 시점 추정 방법을 나타낸 흐름도이다.
도 3은 영상 정합 전후의 뇌 영상 데이터를 나타낸 그림이다.
도 4는 중앙 맞춤 전후의 뇌 영상 데이터를 나타낸 그림이다.
도 5는 제1 뇌 영상 데이터의 병변 영역(L)을 나타낸 그림이다.
도 6은 제1 뇌 영상 데이터의 병변 영역과 제2 뇌 영상 데이터의 관심 영역 및 대칭 영역을 나타낸 그림이다.
도 7은 일 실시예에 따른 비대칭도 산출 방법을 나타낸 그림이다.
도 8은 복셀 별 비대칭도를 시각화하여 나타낸 그림이다.
도 9는 입력 단계 및 출력 단계를 개략적으로 나타낸 개념도이다.
도 10은 rFLAIR의 구간별 복셀 개수 그래프이다.
도 11은 일 실시예에 따른 추정 모델의 인공신경망 구조를 예시한 그림이다.
도 12는 SIR(signal intensity ratio)를 이용하여 기계 학습시킨 추정 모델과 rFLAIR를 이용하여 기계 학습시킨 추정 모델의 ROC 그래프를 비교한 그림이다.
도 13은 일 실시예에 따른 제어부의 블록도이다.
도 14는 일 실시예에 따른 데이터 학습부의 블록도이다.
도 15는 일 실시예에 따른 데이터 인식부의 블록도이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세한 설명에 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다.
본 개시의 일부 실시예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들의 일부 또는 전부는, 특정 기능들을 실행하는 다양한 개수의 하드웨어 및/또는 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 개시의 기능 블록들은 하나 이상의 마이크로프로세서들에 의해 구현되거나, 소정의 기능을 위한 회로 구성들에 의해 구현될 수 있다. 또한, 예를 들어, 본 개시의 기능 블록들은 다양한 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능 블록들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 개시는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. "메커니즘", "요소", "수단" 및 "구성" 등과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 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.
또한, 도면에 도시된 구성 요소들 간의 연결 선 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것일 뿐이다. 실제 장치에서는 대체 가능하거나 추가된 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들에 의해 구성 요소들 간의 연결이 나타내어질 수 있다.
또한, 본 명세서에서 사용되는 "제1" 또는 "제2" 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용할 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다.
어떤 실시예가 달리 구현 가능한 경우에 특정한 단계는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 단계는 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 수행될 수도 있다.
본 명세서에서 용어 "뇌 영상"은 직간접적인 방법을 통해 뇌의 내부 구조 및/또는 기능을 시각화한 영상을 의미하며, 자기공명영상, 전산화단층촬영(CT, Computed Tomography) 영상, 양전자단층촬영(PET, Positron Emission Tomography) 영상, 단일광자단층촬영(SPECT, Single Photon Emission Computed Tomography) 영상 등을 포함할 수 있다.
본 명세서에서 용어 "자기공명영상(MRI, magnetic resonance image)"은 자기장을 사용하여 체내 구조물의 영상 또는 사진을 생성하는 진단 기술 및 이를 통해 얻은 영상을 의미한다.
본 명세서에서 용어 "복셀(voxel)"은 3차원 공간의 정규 격자 단위를 의미하며, 2차원 평면의 영상에서는 픽셀(pixel)을 의미할 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 같거나 대응하는 구성 요소는 같은 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 발명의 일 실시예에 따른 병변 발생 시점 추정 장치(1000)의 구성을 개략적으로 도시한 그림이다.
도 1에 도시된 병변 발생 시점 추정 장치(1000)는 본 실시예의 특징이 흐려지는 것을 방지하기 위하여 본 실시예와 관련된 구성요소들만을 도시한 것이다. 따라서, 도 1에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 본 실시예와 관련된 기술 분야에서 통상의 지식을 가진 자라면 이해할 수 있다.
일 실시예에 따른 병변 발생 시점 추정 장치(1000)는 적어도 하나 이상의 프로세서(processor)에 해당하거나, 적어도 하나 이상의 프로세서를 포함할 수 있다. 이에 따라, 병변 발생 시점 추정 장치(1000)는 마이크로프로세서나 범용 컴퓨터 시스템과 같은 다른 하드웨어 장치에 포함된 형태로 구동될 수 있다.
일 실시예에 따른 병변 발생 시점 추정 장치(1000)는, 대상자의 뇌 영상 데이터를 수신받아 이를 가공하여 대상자의 뇌에 발생한 병변(lesion)의 발생 시점을 추정하여 출력하는 장치이다. 도 1을 참조하면, 병변 발생 시점 추정 장치(1000)는 제어부(1100)와 출력부(1200)를 포함한다.
제어부(1100)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이처럼 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(Microprocessor), 중앙처리장치(Central Processing Unit: CPU), 프로세서 코어(Processor Core), 멀티프로세서(Multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
우선, 제어부(1100)는 대상자의 뇌 영상 데이터를 수신한다. 대상자는 뇌혈관의 동맥경화증에 의한 혈전 및 심장에서 유래된 색전으로 인해 뇌경색(stroke)이 발생한 환자일 수 있으나, 대상자가 이에 제한되는 것은 아니다.
뇌 영상 데이터는 예컨대 자기공명영상(MRI, magnetic resonance image) 데이터를 포함할 수 있다. 자기공명영상 데이터는 확산 강조 영상(DWI, diffusion weighted image) 데이터, 액체감쇠역전회복(FLAIR, fluid attenuated inversion recovery) 영상 데이터, 자화율 강조 영상(SWI, susceptibility weighted image) 데이터, T1 강조(T1-weighted) 영상 데이터, T2 강조(T2-weighted) 영상 데이터를 포함할 수 있으나 자기공명영상 데이터의 종류가 이에 제한되는 것은 아니다. 병변 발생 시점 추정 장치(1000)는 외부의 자기공명영상 장치 또는 기 저장되어 있던 의료 데이터베이스(DB)에서 자기공명영상 데이터를 수신할 수 있으나 본 발명이 이에 제한되는 것은 아니다.
제어부(1100)는 획득한 뇌 영상 데이터로부터, 병변 위치에 대응하는 관심 영역(ROI, region of interest, 도 6 참조)을 선택할 수 있다. 제어부(1100)는 영상 처리 기법을 통해 자동(auto)으로 또는 반자동(semi-auto)으로 관심 영역(ROI)을 선택할 수 있다. 예컨대 제어부(1100)는 뇌 영상 데이터의 신호 세기가 특정 값(threshold)보다 낮거나 높은 영역을 '병변'이 위치한 것으로 판단하여 자동으로 관심 영역(ROI)을 선택할 수 있다. 또는, 제어부(1100)는 사용자가 입력 또는 설정한 특정 값(threshold)보다 낮거나 높은 영역을 '병변'이 위치한 것으로 판단하여 반자동으로 관심 영역(ROI)을 선택할 수 있다.
이후 제어부(1100)는 관심 영역(ROI)에 대칭인 대칭 영역(C_ROI, contralateral ROI, 도 6 참조)을 선택할 수 있다. 이때 '대칭'은 대상자를 좌우로 나누는 시상면(sagittal plane)을 기준으로 할 수 있다. 예를 들어, 관심 영역(ROI)이 대상자 뇌의 좌반구(left hemisphere)에 위치하는 경우, 대칭 영역(C_ROI)은 뇌의 우반구(right hemisphere)에 위치한다. 대칭의 기준이 되는 대칭면(symmetry plane) 또는 대칭선(SL, symmetry line, 도 4 참조)은 사용자가 직접(manually) 설정할 수도 있으나, 영상 처리 기법 등을 통해 자동(auto) 또는 반자동(semi-auto)으로 설정될 수도 있다. 예컨대 제어부(1100)가 대상자 뇌 영상의 대칭면 또는 대칭선(SL)을 산출한 후에, 사용자는 대칭면 또는 대칭선(SL)의 각도 및/또는 위치를 미세하게 조정하여 최종 대칭면 또는 대칭선(SL)을 설정할 수 있다.
이후 제어부(1100)는 관심 영역(ROI)과 대칭 영역(C_ROI)을 이용하여 관심 영역(ROI)의 복셀 별 비대칭도 데이터를 산출할 수 있다. "비대칭도"는 뇌 조직 손상 정도 또는 병변의 진행 정도를 정량화한 지표를 의미할 수 있다. 비대칭도는 관심 영역(ROI) 각각의 복셀 별로 산출될 수 있다. 이때 복셀 별 비대칭도 데이터는 정상 영역인 대칭 영역(C_ROI)의 신호 세기 대비 관심 영역(ROI)의 신호 세기의 상대 비율 정보를 포함할 수 있다. 비대칭도는 예컨대 'rFLAIR'라는 지표를 통해 정량화될 수 있는데 이에 관해서는 도 6에 관련된 설명에서 후술한다.
이후, 제어부(1100)는 복셀 별 비대칭도 데이터를 가공하여 입력 데이터를 획득한 후, 병변의 발생 시점을 추정하기 위한 추정 모델에 입력할 수 있다. 이때 '추정 모델'은 복수 명의 데이터 제공자의 뇌 영상 데이터로부터 얻은 학습용 입력 데이터와 병변 발생 시점의 상관관계를 표현하는 입출력함수일 수 있다.
일 실시예에 따른 추정 모델은 기계 학습(Machine Learning) 기법으로 생성된 것일 수 있다. 병변 발생 시점 추정 장치(1000)는 이와 같은 추정 모델을 트레이닝 및/또는 학습시키기 위해 다양한 기법들을 사용할 수 있다. 가령 병변 발생 시점 추정 장치(1000)는 복수 명의 데이터 제공자의 뇌 영상 데이터로부터 얻은 학습용 입력 데이터를 분류하기 위해 Logistic regression, Decision tree, Nearest-neighbor classifier, Kernel discriminate analysis, Neural network, Support Vector Machine, Random forest, Boosted tree 등의 알고리즘 및/또는 방식(기법)을 사용할 수 있다. 다만 이는 예시적인 것으로 본 발명이 이에 제한되는 것은 아니다.
일 실시예에 따른 추정 모델은, 벡터 형태로 표현될 수 있는 병변 발생 시점 추정 데이터에 학습용 입력 데이터를 매핑(mapping)하는 행렬 데이터 세트일 수 있다. 이때 추정 모델을 '트레이닝' 또는 '학습'시킨다는 것은, 학습용 입력 데이터를 추정 모델에 입력하였을 때 나온 출력값이 라벨링(labeling) 된 실제의 병변 발생 시점 데이터에 가까워지도록 오류 역전파(error back-propagation) 기법 등을 통해 상기 행렬 데이터 세트의 값을 조절하는 것을 의미할 수 있다.
일 실시예에 따르면, 추정 모델은 특정 대상자의 병변 발생 시점이 기정 시점 이전 또는 이후일 확률을 출력하는 입출력함수일 수 있다. 상기 기정 시점은 촬영을 통해 뇌 영상 데이터가 최초로 획득된 시점, 예컨대 자기공명영상 촬영 시점으로부터 4.5시간 전 또는 6시간 전일 수 있으나 본 발명이 이에 제한되는 것은 아니다. 즉 추정 모델은 병변 또는 뇌경색의 발병 시점(stroke onset time)으로부터 뇌 영상을 획득한 시점까지의 간격이 기정된 기간 이내인지 아닌지를 판단할 수 있다. 예컨대, 추정 모델은 대상자의 병변 발생 시점이 뇌 영상이 촬영된 시점으로부터 6시간 전일 확률을 계산할 수 있다. 이때, 추정 모델은 복셀 별 비대칭도 데이터와 병변 발생 시점의 상관관계를 학습하여 병변 발생 시점을 추정하는 모델일 수 있다.
출력부(1200)는 병변 발생 시점 추정 장치(1000)에서 처리되는 정보를 표시 출력한다. 출력부(1200)는 병변 발생 시점 추정 결과 및 뇌 영상 데이터를 입력받기 위한 사용자 인터페이스 등을 디스플레이하는 디스플레이부를 포함할 수 있다. 사용자는 출력부(1200)에 나타난 병변 발생 시점 결과를 참고하여 대상자의 치료법을 결정할 수 있다.
도 2는 본 발명의 일 실시예에 따른 병변 발생 시점 추정 방법을 나타낸 흐름도이다. 일 실시예에 따른 병변 발생 시점 추정 방법은 관심 영역 선택 단계(S210), 대칭 영역 선택 단계(S220), 비대칭도 산출 단계(S230), 입력 단계(S240) 및 출력 단계(S250)를 포함한다.
도 2를 참조하면, 대상자의 뇌 영상 데이터에서 대상자의 병변 위치에 대응하는 관심 영역(ROI)을 선택하는 관심 영역 선택 단계(S210)가 수행된다. 상기 단계(S210)는 제어부(1100)에 의해 자동 또는 반자동으로 수행될 수 있다. 관심 영역 선택 단계(S210)는 정합(coregistration) 단계, 중앙 정렬 단계 등을 포함할 수 있는데 이에 관해서는 도 3 내지 도 6과 관련된 설명에서 후술하기로 한다.
이후, 관심 영역(ROI)에 대칭인 대칭 영역(C_ROI)을 선택하는 대칭 영역 선택 단계(S220)가 수행된다. 대칭 영역(C_ROI)을 선택하기 전에는 뇌 영상 데이터를 중앙 맞춤하는 단계가 수행될 수 있는데 이에 관해서는 도 5와 관련된 설명에서 후술하기로 한다.
이후, 비대칭도 산출 단계(S230)가 수행된다. 비대칭도 산출 단계(S230)에서는 관심 영역(ROI)과 대칭 영역(C_ROI)의 신호 세기 차이를 이용하여 관심 영역(ROI)에 포함된 복셀 각각의 비대칭도 데이터를 산출한다.
이후, 복셀 별 비대칭도 데이터로부터 입력 데이터를 획득한 후, 추정 모델에 입력 데이터를 입력하는 입력 단계(S240)가 수행된다. 입력 데이터는 비대칭도에 따른 복셀의 개수 분포(distribution) 정보를 포함할 수 있는데, 이에 관해서는 도 10과 관련된 설명에서 후술하기로 한다. 입력 단계(S240)는 추정 모델에 입력할 입력 데이터를 선택, 생성 또는 전처리(pre-processing)하는 단계를 포함할 수 있다.
한편, 추정 모델은 외부의 장치에서 학습/생성된 것일 수 있으나, 본 발명의 일 실시예에 따른 병변 발생 시점 추정 장치(1000)의 제어부(1100)에서 학습/생성된 것일 수도 있다. 추정 모델이 제어부(1100)에서 트레이닝 되는 경우에는, 특정 대상자의 병변 발생 시점을 추정하기 이전에 추정 모델을 트레이닝하는 단계를 수행하여야 한다.
일 실시예에 따른 병변 발생 시점 추정 방법은, 관심 영역 선택 단계(S210) 이전에 추정 모델을 트레이닝하는 단계를 더 포함할 수 있다. 이때 추정 모델 트레이닝 단계는 복수 명의 데이터 제공자의 뇌 영상 데이터 및 병변 발생 시점 데이터로부터 학습용 데이터를 획득하는 단계 및 상기 학습용 데이터를 이용하여 추정 모델을 기계 학습시키는 단계를 포함할 수 있다.
입력 단계(S240) 이후에는 추정 모델의 출력값을 기초로 병변의 발생 시점을 추정하여 출력하는 출력 단계(S250)가 수행된다.
즉, 본 발명의 일 실시예에 의한 병변 발생 시점 추정 방법에서는, 뇌 영상 데이터를 처리하여 얻은 복셀 별 비대칭도 데이터로부터 입력 데이터를 획득한 후, 이를 병변 발생 시점을 추정하도록 미리 학습/생성된 추정 모델에 입력하여 나온 값을 출력해 특정 대상자의 병변 발생 시점을 추정한다.
이하, 도 3 내지 도 9를 참조하여 트레이닝 된 추정 모델을 이용해 특정 대상자의 병변 발생 시점을 추정하는 방법을 단계별로 상세히 설명한다.
도 3은 영상 정합 전후의 뇌 영상 데이터를 나타낸 그림이다.
일 실시예에 따르면, 관심 영역 선택 단계(S210)는, 대상자의 제1 뇌 영상 데이터 및 제2 뇌 영상 데이터를 획득하는 데이터 획득 단계를 포함할 수 있다. 이때 데이터 획득 단계는, 확산강조영상(DWI) 데이터(이하, DWI 데이터)로부터 제1 뇌 영상 데이터를 획득하는 단계 및 액체감쇠역전회복영상(FLAIR) 데이터(이하, FLAIR 데이터)로부터 제2 뇌 영상 데이터를 획득하는 단계를 포함할 수 있다.
데이터 획득 단계에서는, 복수 종류의 뇌 영상 데이터가 획득될 수 있다. 예컨대 뇌 영상 데이터는 제1 뇌 영상 데이터 및 제2 뇌 영상 데이터를 포함할 수 있다. 일 실시예에 따르면 제1 뇌 영상 데이터는 DWI 데이터를 가공하여 얻은 ADC(Apparent Diffusion Coefficient) 영상 데이터일 수 있고, 제2 뇌 영상 데이터는 FLAIR 데이터를 처리하여 얻은 영상 데이터일 수 있다.
DWI 데이터는 조직 내 물 분자의 확산 속도를 측정하는 기법을 통해 얻은 영상 데이터로, 일반적으로 뇌혈관 폐색에 의한 병변을 발견할 수 있는 영상 처리 방식이다. 이때, 확산 속도는 경사 자장의 세기를 나타내는 b 값(b-value)에 의해 정해진다.
ADC 영상 데이터는 서로 다른 b 값을 가지는 DWI 영상의 신호 세기 변화를 나타낸다. 본 발명의 일 실시예에서는, 아래의 <수학식 1>과 같이 b=0, b=1000일 때의 DWI 영상의 신호 세기 차이를 이용하여 ADC 값을 산출하였으나 본 발명이 이에 제한되는 것은 아니다.
<수학식 1>
Figure pat00001
한편, FLAIR 데이터는 뇌척수액의 신호를 억제하는 반전회복(inversion recovery) 기법을 통해 얻은 영상의 일종이다. FLAIR 데이터는 아급성 뇌경색 환자에서 높은 민감도를 보이며 뇌 조직 손상이 심할수록 신호 세기가 강해지는 특징을 가진다.
ADC 영상 데이터와 FLAIR 데이터는 각기 다른 기법을 통해 얻은 데이터이므로, 뇌경색 발병 후 시간에 따른 조직의 손상 정도가 다르게 나타날 수 있다. 본 발명의 일 실시예에서는 이러한 ADC 영상 데이터와 FLAIR 데이터의 차이를 이용하여 병변 발생 시점을 추정한다.
그런데, ADC 영상 데이터와 FLAIR 데이터는 각각 다른 방식과 시점에서 촬영하여 얻은 데이터이므로 복셀의 크기 및 좌표상에서의 뇌의 위치가 다를 수 있다. 따라서 ADC 영상 데이터와 FLAIR 데이터를 '비교'하기 전, 두 영상을 '정합'하는 단계가 수행될 수 있다. 즉 일 실시예에 따르면, 대상자의 제1 뇌 영상 데이터 및 제2 뇌 영상 데이터를 획득하는 데이터 획득 단계 후에는 제1 뇌 영상 데이터 및 제2 뇌 영상 데이터를 정합하는 단계가 수행될 수 있다. 본 발명의 일 실시예에서는, ADC 영상을 리샘플링(resampling)하여 복셀의 크기를 FLAIR와 일치시킨 후 강체 정합(rigid registration)을 수행하였다.
도 3의 (a) 및 (b)를 참조하면, 영상 처리 및 정합 전후의 DWI (b=0) 영상, DWI (b=1000) 영상, ADC(Apparent Diffusion Coefficient) 영상, FLAIR 영상이 각각 나타난다. 정합 단계 이전에는 영상 처리를 통해 두개골(skull) 영역을 제거하는 단계가 수행될 수 있다.
도 4는 중앙 맞춤 전후의 뇌 영상 데이터를 나타낸 그림이다.
일 실시예에 따른 뇌경색 환자의 병변 발생 시점 추정 방법은, 대칭 영역(C_ROI) 선택 단계 전에 뇌 영상 데이터의 대칭선(SL)을 산출하는 단계를 더 포함할 수 있다. 본 발명의 일 실시예에서는, b=0인 DWI 영상에서 뇌에 해당하는 영역을 바이너리 마스크(binary mask)를 이용하여 선택하고, 영상의 중앙선(ML)을 기준으로 오른쪽의 뇌 영역을 왼쪽으로 반전(inversion)시켰을 때 왼쪽의 뇌 영역과 중첩(overlap)되는 정도를 정량화하여 대칭선(SL)을 추출한다. 이때 반전된 오른쪽의 뇌 영역과 왼쪽의 뇌 영역이 중첩되는 정도를 정량화하는 척도인 DSC(Dice similarity coefficient) 값은 아래 <수학식 2>와 같이 정해질 수 있다.
<수학식 2>
Figure pat00002
여기서 |X|는 바이너리 마스크(binary mask)를 통해 얻은 뇌 영역의 복셀의 개수이며, |Y|는 중앙선(ML)을 기준으로 반전시킨 영역의 복셀의 개수이며, |X∩Y|는 중첩 영역의 복셀의 개수이다. 이때 중앙선(ML) 또는 뇌 영역을 평행이동 및/또는 회전이동하여, DSC 값을 가장 크게 하는 선을 대칭선(SL)으로 산출할 수 있다.
도 4의 (a)를 참조하면, 뇌 영상 촬영 당시 대상자의 움직임 등으로 인하여 영상의 중앙선(midline, ML)이 시상면(sagittal plane)을 지나는 대칭선(SL)과 어긋나 있다. 그러나 중앙 맞춤을 수행하는 경우, 도 4 (b)와 같이 중앙선(ML)과 대칭선(SL)이 일치하게 된다.
도 5는 제1 뇌 영상 데이터의 병변 영역(L)을 나타낸 그림이다.
병변(lesion)이 위치하는 영역은 DWI 또는 ADC 영상 데이터에서의 신호 세기가 정상 영역과 다르기 때문에, ADC 영상 데이터에서 신호 세기가 일정 크기(threshold, T) 이하인 영역을 선택하여 병변이 위치하는 것으로 추정되는 영역을 선택할 수 있다. 이때 상기 일정 크기(T)는 기 설정되거나 사용자가 조절할 수 있다. 도 5의 (a), (b), (c), (d)는 각각 역치 값(T)을 500, 550, 600, 650으로 설정하였을 때의 병변 영역(L)을 예시한 그림이다. 이때 사용자는 출력부(1200)에 표시된 ADC 영상의 병변 영역(L)의 모양(contour)이 DWI 영상의 밝은 영역과 일치하는지를 등을 기준으로 적절한 역치 값(T)을 결정할 수 있다.
도 6은 제1 뇌 영상 데이터의 병변 영역(L)과 제2 뇌 영상 데이터의 관심 영역(ROI) 및 대칭 영역(C_ROI)을 나타낸 그림이다.
본 발명의 일 실시예에서는, 제1 뇌 영상 데이터에서 병변이 위치한 것으로 추정되는 병변 영역(L)을 선택한 후, 이에 병변 영역(L)에 정합하는 제2 뇌 영상 데이터의 영역을 관심 영역(ROI)으로 선택할 수 있다. 예컨대 일 실시예에서는, ADC 영상 데이터에서 병변 영역(L)을 선택하고, 이를 정합된 FLAIR 데이터에 매핑(mapping)하여 FLAIR 데이터에서 관심 영역(ROI)을 선택한다. 이러한 매핑 과정을 통해, DWI 데이터와 FLAIR 데이터의 신호 차이 정보가 반영되어, 뇌경색 시점 예측 정확도가 향상된다.
이후, 대칭 영역 선택 단계(S220)가 수행된다. 대칭 영역(C_ROI)은 상술한 대칭선(SL)을 기준으로 관심 영역(ROI)과 좌우 대칭일 수 있다. 이때 관심 영역(ROI)은 대상자 뇌의 병변에 대응할 수 있고, 대칭 영역(C_ROI)은 대상자 뇌의 정상 부위에 대응할 수 있다. 한편, 대칭 영역(C_ROI) 선택 시, 노이즈(noise)를 제거하는 단계가 수행될 수 있다. 예컨대, 대칭 영역(C_ROI)에서 제2 뇌 영상 데이터의 신호 세기가 일정 크기 이상 또는 이하인 값은 제거될 수 있다. 이와 같은 과정에서, 예컨대 '뇌척수액'에 대응하는 영역 대칭 영역(C_ROI)으로부터 제거될 수 있다. 이에 따라 '조직(tissue)'에 해당하는 복셀만이 대칭 영역(C_ROI)에 포함될 수 있다.
관심 영역(ROI)과 대칭 영역(C_ROI)을 선택한 후에는 복셀 별 비대칭도 데이터를 얻는 비대칭도 산출 단계(S230)가 수행된다. 상술하였듯, "비대칭도"는 뇌의 손상 정도 또는 병변의 진행 정도를 정량화한 지표일 수 있다. 비대칭도는 관심 영역(ROI)에 포함된 각각의 복셀마다 산출될 수 있다. 이때 복셀 별 비대칭도 데이터는 정상 영역인 대칭 영역(C_ROI)의 신호 세기 대비 관심 영역(ROI)의 신호 세기의 비율 정보를 포함할 수 있다.
일 실시예에 따르면, 비대칭도 산출 단계는, 관심 영역(ROI)의 각 복셀의 신호 크기와 대칭 영역(C_ROI)의 전체 복셀 신호의 평균값의 차이를 계산하는 단계를 포함할 수 있다.
비대칭도는 예컨대 'rFLAIR'라는 지표를 통해 아래의 <수학식 3>과 같이 정량화될 수 있다.
<수학식 3>
Figure pat00003
여기서, x 및 y는 각 복셀의 좌표를 나타내고,
Figure pat00004
는 관심 영역(ROI)에 위치한 각 복셀에서의 FLAIR 신호의 크기를 나타내며,
Figure pat00005
는 대칭 영역(C_ROI)의 FLAIR 신호 평균값을 나타낸다.
본 발명의 일 실시예에서는 위의 <수학식 3>과 같이 '대칭 영역(C_ROI)의 전체 복셀 신호의 평균값'을 기준으로 관심 영역(ROI)의 각 복셀의 비대칭도를 산출할 수 있다. 이 경우, 관심 영역(ROI)의 특정 복셀에 대응하는 대칭 영역(C_ROI)의 복셀 하나의 신호 크기를 기준으로 하는 것보다 더욱 강건하게(robust) 각 복셀의 비대칭도를 산출할 수 있다.
도 7은 일 실시예에 따른 비대칭도 산출 방법을 나타낸 그림이다.
일 실시예에 따르면, 비대칭도 산출 단계(S230)는, 관심 영역(ROI)의 크기가 기정 크기 이하인 경우, 대칭 영역(C_ROI)보다 크기가 큰 확장 영역(E_ROI, extended ROI)을 선택하는 단계 및 관심 영역(ROI)의 각 복셀의 신호 크기와 확장 영역(E_ROI)의 전체 복셀 신호의 평균값의 차이를 계산하는 단계를 포함할 수 있다.
도 7의 (a)를 참조하면, 제1 뇌 영상 데이터(ADC 영상 데이터로 예시됨) 크기가 작은 병변 영역(L)이 표시되어 있다. 이에 따라, 제1 뇌 영상 데이터와 정합된 제2 뇌 영상 데이터(FLAIR 데이터로 예시됨)에서도 역시 관심 영역(ROI)의 크기가 작게 나타난다. 이 경우, 관심 영역(ROI)과 대칭인 대칭 영역(C_ROI)의 신호 세기만을 기준으로 비대칭도를 산출하게 되면, 각 복셀의 신호 비대칭도가 대칭 영역(C_ROI)의 위치에 민감해지게(un-robust)된다. 따라서 본 발명의 일 실시예에서는, 관심 영역(ROI)의 크기가 일정 크기 이하인 경우 대칭 영역(C_ROI)보다 큰 '확장 영역(E_ROI)'을 선택한다. 이후, 확장 영역(E_ROI)의 신호 세기를 기준으로 관심 영역(ROI) 각 복셀의 비대칭도를 산출한다.
예컨대, 관심 영역(ROI)의 크기가 작은 경우, 관심 영역(ROI)의 각 복셀의 비대칭도는 아래의 <수학식 4>과 같이 정량화될 수 있다.
<수학식 4>
Figure pat00006
여기서, x 및 y는 각 복셀의 좌표를 나타내고,
Figure pat00007
는 관심 영역(ROI)에 위치한 각 복셀에서의 FLAIR 신호의 크기를 나타내며,
Figure pat00008
는 "확장 영역(E_ROI)"의 FLAIR 신호 평균값을 나타낸다.
확장 영역(E_ROI)은, 대칭 영역(C_ROI)의 중심을 기준으로 일정 거리(r) 이내에 있는 영역일 수 있다. 이때 일정 거리(r)에 포함된 영역에 포함된 복셀 중 신호 세기가 기정 값(threshold) 이상 또는 이하의 복셀은 노이즈(noise)로 처리되어 제거될 수 있다. 본 발명의 일 실시예에서는 관심 영역(ROI)의 크기가 100mm2 이내인 경우에, 대칭 영역(C_ROI)의 중심과의 거리(r)가 13mm 이내인 영역을 확장 영역(E_ROI)으로 선택하도록 설정하였으나 본 발명이 이에 제한되는 것이 아님은 물론이다.
도 8은 복셀 별 비대칭도를 시각화하여 나타낸 그림이다. 복셀 별 비대칭도는 도 8과 같이 컬러 등고선도(color contour map)의 형태로 시각화될 수 있다. 이를 통해, 사용자는 위치에 따른 병변의 손상도를 쉽게 파악할 수 있다.
도 9는 입력 단계(S240) 및 출력 단계(S250)를 개략적으로 나타낸 개념도이다.
복셀 별 비대칭도 데이터는 병변의 위치마다 손상이 어느 정도 진행되었는지에 관한 정보를 포함한다. 이때, 특정 대상자의 복셀 별 비대칭도 데이터를 가공해 입력 데이터를 획득한 후 추정 모델에 입력할 수 있다. 기 학습된 추정 모델은 입력 데이터를 받아 출력값(p)을 출력할 수 있다. 이때 출력값(p)은 병변 발생 시점이 특정 시점 이전 또는 이후일 확률을 의미하는 값일 수 있다. 예컨대, 병변 발생 시점이 뇌 영상 촬영 전 6시간 이전인지 이후인지를 판별(classification)하도록 추정 모델을 학습시키는 경우, 출력값(p)은 병변 발생 시점이 6시간 이내일 확률을 의미할 수 있다. 제어부는, 출력값(p)이 특정 값(threshold, T) 이상인 경우 병변 발생 시점이 특정 시점(t) 이후라고 판단할 수 있다. 특정 값(T)은 추정 모델의 학습 과정에서, 예측 정확도를 가장 높게 하는 값으로 설정될 수 있다.
출력부(1200)에 의해 병변 발생 시점을 출력하는 출력 단계(S250)가 완료되면, 사용자는 출력된 병변 발생 시점 추정 결과를 바탕으로 대상자의 치료 방안을 결정할 수 있다.
< MATLAB을 이용한 실시예 >
이하에서는 실시예를 통하여 본 발명의 구성 및 효과를 더욱 상세히 설명한다. 후술하는 실시예는 본 발명을 예시하기 위한 것일 뿐, 본 발명의 범위가 실시예에 의해 한정되는 것은 아니다.
본 발명의 일 실시예에서는 MATLAB (Mathworks 社, MA, 미국)을 이용하여 병변 발생 시점을 추정하는 프로그램을 개발하였다. 한편, 기계 학습에는 통계 전문 소프트웨어인 R (R Foundation for Statistical Computing, Vienna, Austria)을 활용하였다.
본 발명의 일 실시예에서는 뇌경색 환자인 240명의 데이터 제공자에게서 학습용 입력 데이터를 획득하였고, 49명의 데이터 제공자로부터 얻은 데이터를 통해 추정 모델을 외적 검증(external validation)하였다.
도 10은 rFLAIR의 구간별 복셀 개수 그래프이다. 도 10에서는 0~1, 1~2, 2~3, … , 29~30, 30~100%와 같이 rFLAIR가 31개의 구간으로 나누어진 것을 예시하였으나 본 발명이 이에 제한되는 것은 아니다.
일 실시예에 따르면, 추정 모델에 입력되는 입력 데이터는 비대칭도의 구간별 복셀 개수 데이터를 포함할 수 있다.
병변 발생이 처음 시작된 후로부터 시간이 지날수록, 뇌 조직의 손상은 심해지고 이에 따라 비대칭도 역시 커지게 된다. 예컨대, 비대칭도(예컨대, rFLAIR)가 큰 복셀의 개수가 많으면, 병변 발생 시점이 뇌 영상 촬영 시점에서 먼 것으로 추정할 수 있다. 반대로 비대칭도가 작은 복셀의 개수가 많으면, 병변 발생 시점이 뇌 영상 촬영 시점과 가까운 것으로 추정할 수 있다. 즉 비대칭도가 어떻게 분포(distribution)하는지 정보를 통해 '병변 발생 시점'을 추론할 수 있다. 본 발명의 일 실시예에서는 기계 학습, 특히 인공신경망을 통해 비대칭도의 분포와 병변 발생 시점의 상관관계를 학습한다.
도 11은 일 실시예에 따른 추정 모델의 인공신경망 구조를 예시한 그림이다.
본 발명의 일 실시예에 따른 추정 모델은 인공신경망(Artificial Neural Network)을 기반으로 하는 모델일 수 있다. 인공신경망은 입력층(input layer), 은닉층(hidden layer), 출력층(output layer)을 포함하는 가상의 네트워크 구조일 수 있다. 도 11에서는 은닉층의 개수가 하나이고, 입력층의 노드(IL1, IL2, IL3, …, IL31) 개수가 31개, 은닉층의 노드(HL1, HL2, HL3, …, HL6)의 개수가 6개, 출력층의 노드(OL1, OL2)의 개수가 2개인 것을 예시하였으나 본 발명이 이에 제한되는 것이 아님은 물론이다.
인공신경망의 입력층에는 입력 데이터가 입력될 수 있다. 이때 일 실시예에 따르면 입력층의 각각의 노드(IL1, IL2, IL3, …, IL31)에는 rFLAIR의 구간별 복셀 개수가 입력될 수 있다. 예컨대, 입력층의 제1 노드(IL1), 제2 노드(IL2), 제3 노드(IL3)에는 각각 0~1%, 1~2%, 2~3%의 rFLAIR 구간에서의 복셀 개수가 입력될 수 있다. 한편, 입력층의 제31 노드(IL31)에는 30~100%의 rFLAIR 구간에서의 복셀 개수가 입력될 수 있다.
인공신경망의 은닉층의 각 노드(HL1, HL2, HL3, …, HL6)는 입력층의 노드(IL1, IL2, IL3, …, IL31)와 출력층의 노드(OL1, OL2)를 연결한다.
인공신경망의 출력층에는 병변 발생 시점에 관한 정보가 출력될 수 있다. 예컨대, 출력층의 제1 노드(OL1)는 병변 발생 시점이 특정 시점 이후일 확률을 출력할 수 있고, 출력층의 제2 노드(OL2)는 병변 발생 시점이 특정 시점 이전일 확률을 출력할 수 있으나 본 발명이 이에 제한되는 것은 아니다.
즉 본 발명의 일 실시예에서는, 복셀 별 비대칭도 데이터를 통해 병변 발생 시점이 특정 시점 이전 또는 이후를 판별(classification)하도록 추정 모델을 학습시킬 수 있다. 이때 특정 시점은 예컨대 4.5시간, 6시간 등일 수 있으나 본 발명이 이에 제한되는 것은 아니다.
아래의 [표 1]은 240명의 데이터 제공자의 뇌 영상 데이터로부터 얻은 학습용 입력 데이터를 이용하여 병변 발생 시점을 추정하도록 기계 학습시킨 추정 모델의 정확도를 나타낸다.
4.5시간 6시간

환자 수 (<시간)
195
218

환자 수 (>시간)
45
22

10-fold cross-validation accuracy
(평균
Figure pat00009
표준편차)
0.83
Figure pat00010
0.04
0.89
Figure pat00011
0.07
위 표에서 보듯, 병변 발생 시점이 4.5시간 전인지 또는 6시간 전인지를 추정하도록 학습된 각 추정 모델의 교차 타당성 검증 정확도는 각각 약 0.83, 0.89로 높게 나타났다.
도 12는 SIR(signal intensity ratio)를 이용하여 기계 학습시킨 추정 모델과 rFLAIR를 이용하여 기계 학습시킨 추정 모델의 ROC 그래프를 비교한 그림이다. 각 추정 모델은 240명의 데이터 제공자의 뇌 영상 데이터로부터 얻은 학습용 입력 데이터를 이용하여 병변 발생 시점이 6시간 이내인지를 판별하도록 기계 학습된 후, 다른 49명의 데이터 제공자의 뇌 영상 데이터를 통해 성능을 검증하였다.
도 12의 (a)는 SIR을 이용한 추정 모델의 ROC 그래프이다. SIR은 아래의 <수학식 5>를 통해 정의된다.
<수학식 5>
Figure pat00012
여기서,
Figure pat00013
는 관심 영역(ROI)의 FLAIR 신호 평균값을 나타내고,
Figure pat00014
는 대칭 영역(C_ROI)의 FLAIR 신호 평균값을 나타낸다. 즉 SIR은 병변에 해당하는 관심 영역(ROI)의 신호 '평균값'을 이용하므로, '복셀 별'로 비대칭도를 산출하지 않고 '병변 전체'의 비대칭도만을 산출한다.
반면, 도 12의 (b)는 본 발명의 일 실시예에 따른 rFLAIR를 이용한 추정 모델의 ROC 그래프이다. 상술하였듯 rFLAIR는 병변의 '복셀 별' 비대칭도 정보를 포함한다.
도 12를 참조하면, (a), (b) 그래프 각각의 AUC 값은 0.644, 0.758로, '복셀 별' 비대칭도를 활용한 rFLAIR 방식을 통해 학습시킨 추정 모델의 성능이 더 좋은 것을 확인할 수 있다. 또한, 아래의 [표 2]를 참조하면, 병변 발생 시점이 4.5시간 이내인지를 판별하도록 기계 학습시킨 경우에도 rFLAIR를 이용한 추정 모델의 AUC 값이 더 높음을 확인할 수 있다.

AUC
4.5시간

6시간

SIR
0.524
0.644

rFLAIR

0.647
0.758
즉 본 발명의 일 실시예에서는 '복셀 별' 비대칭도 데이터를 통해 병변의 불균질성(heterogeneity) 정보를 획득하여, 상기 불균질성 정보를 추정 모델의 학습에 반영할 수 있다. 즉 본 발명의 일 실시예에서는 병변의 불균질성(heterogeneity) 정보를 포함해 병변 발생 시점을 추정하므로, 병변 발생 시점 추정의 정확도가 향상된다.
이하에서는 제어부(1100)의 일 실시예를 구체적으로 서술한다.
도 13은 일 실시예에 따른 제어부(1100)의 블록도이다.
도 13을 참조하면, 일 실시예에 따른 제어부(1100)는 데이터 학습부(1110) 및 데이터 인식부(1120)를 포함할 수 있다.
데이터 학습부(1110)는 병변 발생 시점을 추정하는 기준을 학습할 수 있다. 일 실시예에서 데이터 학습부(1110)는 데이터 학습부(1110)에 입력된 학습용 입력 데이터를 이용하여 소정의 기준을 학습할 수 있다. 데이터 학습부(1110)는 특히 복셀 별 비대칭도 데이터와 병변의 발생 시점의 상관관계를 학습할 수 있다.
데이터 인식부(1120)는 데이터에 기초하여 병변 발생 시점을 추정할 수 있다. 데이터 인식부(1120)는 학습된 데이터 인식 모델을 이용하여, 소정의 데이터로부터 병변 발생 시점을 추정할 수 있다. 데이터 인식부(1120)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델을 이용함으로써, 소정의 데이터에 기초하여 병변 발생 시점을 추정할 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델에 의해 출력된 결과 값은, 데이터 인식 모델을 갱신하는데 이용될 수 있다.
데이터 학습부(1110) 및 데이터 인식부(1120) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(1110) 및 데이터 인식부(1120) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
이 경우, 데이터 학습부(1110) 및 데이터 인식부(1120)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(1110) 및 데이터 인식부(1120) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(1110) 및 데이터 인식부(1120)는 유선 또는 무선으로 통하여, 데이터 학습부(1110)가 구축한 모델 정보를 데이터 인식부(1120)로 제공할 수도 있고, 데이터 인식부(1120)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(1110)로 제공될 수도 있다.
한편, 데이터 학습부(1110) 및 데이터 인식부(1120) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(1110) 및 데이터 인식부(1120) 중 적어도 하나가 소프트웨어 모듈(또는, 명령(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 14는 일 실시예에 따른 데이터 학습부(1110)의 블록도이다.
도 14를 참조하면, 일부 실시예에 따른 데이터 학습부(1110)는 데이터 획득부(1111), 전처리부(1112), 학습 데이터 선택부(1113), 모델 학습부(1114) 및 모델 평가부(1115)를 포함할 수 있다.
데이터 획득부(1111)는 예컨대 외부의 뇌 영상 촬영 장치 또는 기 저장되어 있던 의료 데이터베이스(DB)에서 뇌 영상 데이터, 예컨대 자기공명영상 데이터를 수신할 수 있다.
전처리부(1112)는 병변 발생 시점을 추정하기 위한 학습/트레이닝에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1112)는 후술할 모델 학습부(1114)가 병변 발생 시점을 추정하기 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다. 예를 들어, 전처리부(1112)는 입력된 뇌 영상으로부터 학습용 입력 데이터 및 입력 데이터를 선택/생성하는 작업을 수행할 수 있다.
학습 데이터 선택부(1113)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(1114)에 제공될 수 있다. 학습 데이터 선택부(1113)는 기설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(1113)는 후술할 모델 학습부(1114)에 의한 학습에 의해 기설정된 기준에 따라 데이터를 선택할 수도 있다.
모델 학습부(1114)는 상술한 '추정 모델'에 대응할 수 있는 구성요소로, 학습 데이터에 기초하여 병변 발생 시점을 어떻게 판별할지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(1114)는 병변 발생 시점을 추정하기 위하여 어떤 학습 데이터를 이용해야 하는지에 대한 기준을 학습할 수도 있다.
또한, 모델 학습부(1114)는 병변 발생 시점을 추정하는데 이용되는 데이터 인식 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, 데이터 인식 모델은 미리 구축된 모델일 수 있다.
데이터 인식 모델은, 인식 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 데이터 인식 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 데이터 인식 모델로서 사용될 수 있으나, 본 발명이 이에 한정되는 것은 아니다.
다양한 실시예에 따르면, 모델 학습부(1114)는 미리 구축된 데이터 인식 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 데이터 인식 모델을 학습할 데이터 인식 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 데이터 인식 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
또한, 모델 학습부(1114)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 데이터 인식 모델을 학습시킬 수 있다.
또한, 모델 학습부(1114)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1114)는, 예를 들어, 별다른 지도 없이 병변 발생 시점을 추정하는 데 필요한 데이터의 종류를 스스로 학습함으로써, 병변 발생 시점을 추정하기 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1114)는, 예를 들어, 학습에 따른 병변 발생 시점 추정 결과가 올바른지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다.
또한, 데이터 인식 모델이 학습되면, 모델 학습부(1114)는 학습된 데이터 인식 모델을 저장할 수 있다. 이 경우, 모델 학습부(1114)는 학습된 데이터 인식 모델을 데이터 인식부(1120)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1114)는 학습된 데이터 인식 모델을 후술할 데이터 인식부(1120)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1114)는 학습된 데이터 인식 모델을 전자 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.
이 경우, 학습된 데이터 인식 모델이 저장되는 메모리는, 예를 들면, 전자 장치의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다.
모델 평가부(1115)는 데이터 인식 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(1114)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 데이터 인식 모델을 평가하기 위한 기설정된 데이터일 수 있다.
예를 들어, 모델 평가부(1115)는 평가 데이터에 대한 학습된 데이터 인식 모델의 인식 결과 중에서, 인식 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다. 예컨대, 소정 기준이 비율 2%로 정의되는 경우, 학습된 데이터 인식 모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(1115)는 학습된 데이터 인식 모델이 적합하지 않은 것으로 평가할 수 있다.
한편, 학습된 데이터 인식 모델이 복수 개가 존재하는 경우, 모델 평가부(1115)는 각각의 학습된 데이터 인식 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 데이터 인식 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(1115)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 데이터 인식 모델로서 결정할 수 있다.
한편, 데이터 학습부(1110) 내의 데이터 획득부(1111), 전처리부(1112), 학습 데이터 선택부(1113), 모델 학습부(1114) 및 모델 평가부(1115) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1111), 전처리부(1112), 학습 데이터 선택부(1113), 모델 학습부(1114) 및 모델 평가부(1115) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(1111), 전처리부(1112), 학습 데이터 선택부(1113), 모델 학습부(1114) 및 모델 평가부(1115)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1111), 전처리부(1112), 학습 데이터 선택부(1113), 모델 학습부(1114) 및 모델 평가부(1115) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(1111), 전처리부(1112), 학습 데이터 선택부(1113), 모델 학습부(1114) 및 모델 평가부(1115) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1111), 전처리부(1112), 학습 데이터 선택부(1113), 모델 학습부(1114) 및 모델 평가부(1115) 중 적어도 하나가 소프트웨어 모듈(또는, 명령(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 15는 일 실시예에 따른 데이터 인식부(1120)의 블록도이다.
도 15를 참조하면, 일부 실시예에 따른 데이터 인식부(1120)는 데이터 획득부(1121), 전처리부(1122), 인식 데이터 선택부(1123), 인식 결과 제공부(1124) 및 모델 갱신부(1125)를 포함할 수 있다.
데이터 획득부(1121)는 병변 발생 시점을 추정하는 데 필요한 데이터를 획득할 수 있으며, 전처리부(1122)는 획득된 데이터가 이용될 수 있도록 획득된 데이터를 전처리할 수 있다. 전처리부(1122)는 후술할 인식 결과 제공부(1124)가 병변 발생 시점을 추정하기 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기설정된 포맷으로 가공할 수 있다.
인식 데이터 선택부(1123)는 전처리된 데이터 중에서 병변 발생 시점을 추정하는데 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(1124)에 제공될 수 있다. 인식 데이터 선택부(1123)는 병변 발생 시점을 추정하기 위한 기설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(1123)는 후술할 모델 학습부(1114)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
인식 결과 제공부(1124)는 선택된 데이터를 데이터 인식 모델에 적용하여 병변 발생 시점을 예측할 수 있다. 인식 결과 제공부(1124)는 데이터의 인식 목적에 따른 인식 결과를 제공할 수 있다. 인식 결과 제공부(1124)는 인식 데이터 선택부(1123)에 의해 선택된 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 데이터 인식 모델에 적용할 수 있다. 또한, 인식 결과는 데이터 인식 모델에 의해 결정될 수 있다.
모델 갱신부(1125)는 인식 결과 제공부(1124)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 데이터 인식 모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(1125)는 인식 결과 제공부(1124)에 의해 제공되는 인식 결과를 모델 학습부(1114)에게 제공함으로써, 모델 학습부(1114)가 데이터 인식 모델을 갱신하도록 할 수 있다.
한편, 데이터 인식부(1120) 내의 데이터 획득부(1121), 전처리부(1122), 인식 데이터 선택부(1123), 인식 결과 제공부(1124) 및 모델 갱신부(1125) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1121), 전처리부(1122), 인식 데이터 선택부(1123), 인식 결과 제공부(1124) 및 모델 갱신부(1125) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(1121), 전처리부(1122), 인식 데이터 선택부(1123), 인식 결과 제공부(1124) 및 모델 갱신부(1125)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1121), 전처리부(1122), 인식 데이터 선택부(1123), 인식 결과 제공부(1124) 및 모델 갱신부(1125) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(1121), 전처리부(1122), 인식 데이터 선택부(1123), 인식 결과 제공부(1124) 및 모델 갱신부(1125) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1121), 전처리부(1122), 인식 데이터 선택부(1123), 인식 결과 제공부(1124) 및 모델 갱신부(1125) 중 적어도 하나가 소프트웨어 모듈(또는, 명령(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
한편, 본 발명의 일 실시예에 따른 병변 발생 시점 추정 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성할 수 있고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)와 같은 저장매체를 포함한다.
본 발명의 일 실시예에 따른 병변 발생 시점 추정 방법, 장치, 프로그램에 의하면, 객관적으로 정량적인 방식으로 병변 발생 시점을 추정할 수 있어 정성적인 방법으로 병변 발생 시점을 추정할 때 관찰자 내 차이 및 관찰자 간 차이(intra- & inter-observer variability)가 높은 문제를 해결할 수 있다. 또한, 병변 발생 시점을 수 분 내로 빠르게 파악할 수 있어, 대상자의 치료 방안을 신속하게 결정하는 데 도움을 줄 수 있다. 이를 통해 뇌경색 등 비가역적으로 뇌에 손상을 줄 수 있는 뇌혈관 폐색 증상을 신속하게 치료할 수 있어 치료 효과를 높일 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
1000: 병변 발생 시점 추정 장치 1100: 제어부
1200: 출력부 L: 병변 영역
ROI: 관심 영역 C_ROI: 대칭 영역
E_ROI: 확장 영역

Claims (10)

  1. 대상자의 뇌 영상 데이터로부터, 상기 대상자의 병변 위치에 대응하는 관심 영역을 선택하는 관심 영역 선택 단계;
    상기 관심 영역과 대칭인 대칭 영역을 선택하는 대칭 영역 선택 단계;
    상기 관심 영역과 상기 대칭 영역을 이용하여 상기 관심 영역의 복셀(voxel) 별 비대칭도 데이터를 산출하는 비대칭도 산출 단계;
    상기 복셀 별 비대칭도 데이터로부터 입력 데이터를 획득한 후, 상기 병변의 발생 시점을 추정하기 위한 추정 모델에 입력하는 입력 단계; 및
    상기 추정 모델의 출력값을 기초로, 상기 병변의 발생 시점에 관한 정보를 출력하는 출력 단계;를 포함하며,
    상기 추정 모델은,
    복수 명의 데이터 제공자의 뇌 영상 데이터로부터 얻은 학습용 입력 데이터와 병변 발생 시점의 상관관계를 표현하는 입출력함수인, 병변 발생 시점 추정 방법.
  2. 제1항에 있어서,
    상기 추정 모델은,
    상기 병변의 발생 시점이 상기 뇌 영상 데이터를 기정 시점 이전 또는 이후일 확률을 출력하는 입출력함수인, 병변 발생 시점 추정 방법.
  3. 제1항에 있어서,
    상기 관심 영역 선택 단계 전에,
    상기 추정 모델을 트레이닝하는 단계를 더 포함하는, 병변 발생 시점 추정 방법.
  4. 제1항에 있어서,
    상기 관심 영역 선택 단계는,
    상기 대상자의 제1 뇌 영상 데이터 및 제2 뇌 영상 데이터를 획득하는 데이터 획득 단계;
    상기 제1 뇌 영상 데이터 및 상기 제2 뇌 영상 데이터를 정합하는 단계;
    상기 제1 뇌 영상 데이터에서, 상기 대상자의 병변이 위치하는 것으로 추정되는 병변 영역을 선택하는 단계; 및
    상기 제2 뇌 영상 데이터에서, 상기 병변 영역에 정합하는 영역을 관심 영역으로 선택하는 단계;를 포함하는, 병변 발생 시점 추정 방법.
  5. 제4항에 있어서,
    상기 데이터 획득 단계는,
    확산강조영상(DWI) 데이터로부터 상기 제1 뇌 영상 데이터를 획득하는 단계;
    액체감쇠역전회복영상(FLAIR) 데이터로부터 상기 제2 뇌 영상 데이터를 획득하는 단계;를 포함하는, 병변 발생 시점 추정 방법.
  6. 제1항에 있어서,
    상기 대칭 영역 선택 단계 전에 수행되고,
    상기 뇌 영상 데이터의 대칭선을 산출하는 단계를 더 포함하는, 병변 발생 시점 추정 방법.
  7. 제1항에 있어서,
    상기 비대칭도 산출 단계는,
    상기 관심 영역의 각 복셀의 신호 크기와 상기 대칭 영역의 전체 복셀 신호의 평균값의 차이를 계산하는 단계를 포함하는, 병변 발생 시점 추정 방법.
  8. 제1항에 있어서,
    상기 비대칭도 산출 단계는,
    상기 관심 영역의 크기가 기정 크기 이하인 경우,
    상기 대칭 영역보다 크기가 큰 확장 영역을 선택하는 단계; 및
    상기 관심 영역의 각 복셀의 신호 크기와 상기 확장 영역의 전체 복셀 신호의 평균값의 차이를 계산하는 단계를 포함하는, 병변 발생 시점 추정 방법.
  9. 대상자의 뇌 영상 데이터로부터 상기 대상자의 병변 위치에 대응하는 관심 영역을 선택하고, 상기 관심 영역에 대칭인 대칭 영역을 선택하고, 상기 관심 영역과 상기 대칭 영역을 이용하여 상기 관심 영역의 복셀 별 비대칭도 데이터를 산출하고, 상기 복셀 별 비대칭도 데이터로부터 상기 복셀 별 비대칭도 데이터로부터 입력 데이터를 획득한 후, 상기 병변의 발생 시점을 추정하기 위한 추정 모델에 입력하는 제어부; 및
    상기 추정 모델의 출력값을 기초로, 상기 병변의 발생 시점에 관한 정보를 출력하는 출력부;를 포함하며,
    상기 추정 모델은,
    복수 명의 데이터 제공자의 뇌 영상 데이터로부터 얻은 학습용 입력 데이터와 병변 발생 시점의 상관관계를 표현하는 입출력함수인, 병변 발생 시점 추정 장치.
  10. 컴퓨터를 이용하여 제1항 내지 제8항 중 어느 한 항의 방법을 실행하기 위하여 매체에 저장된 컴퓨터 프로그램.
KR1020170168475A 2017-12-08 2017-12-08 병변 발생 시점 추정 방법, 장치 및 프로그램 KR102043829B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170168475A KR102043829B1 (ko) 2017-12-08 2017-12-08 병변 발생 시점 추정 방법, 장치 및 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170168475A KR102043829B1 (ko) 2017-12-08 2017-12-08 병변 발생 시점 추정 방법, 장치 및 프로그램

Publications (2)

Publication Number Publication Date
KR20190068254A true KR20190068254A (ko) 2019-06-18
KR102043829B1 KR102043829B1 (ko) 2019-11-12

Family

ID=67103241

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170168475A KR102043829B1 (ko) 2017-12-08 2017-12-08 병변 발생 시점 추정 방법, 장치 및 프로그램

Country Status (1)

Country Link
KR (1) KR102043829B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3798971A1 (en) * 2019-09-30 2021-03-31 Siemens Healthcare GmbH Method and data processing system for providing a stroke information
KR20230091291A (ko) * 2021-12-16 2023-06-23 재단법인차세대융합기술연구원 확산 모델에서 뇌전체의 뇌혈류 정량화 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005131011A (ja) * 2003-10-29 2005-05-26 Toshiba Corp 急性脳梗塞診断治療支援装置
KR100946350B1 (ko) 2008-03-20 2010-03-09 인하대학교 산학협력단 뇌졸중 동물모델의 뇌경색 영역의 부피 계산 방법
KR20150030974A (ko) * 2013-09-13 2015-03-23 재단법인 아산사회복지재단 뇌 영상에 기반한 경색 영역의 발생 시점의 추정 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005131011A (ja) * 2003-10-29 2005-05-26 Toshiba Corp 急性脳梗塞診断治療支援装置
KR100946350B1 (ko) 2008-03-20 2010-03-09 인하대학교 산학협력단 뇌졸중 동물모델의 뇌경색 영역의 부피 계산 방법
KR20150030974A (ko) * 2013-09-13 2015-03-23 재단법인 아산사회복지재단 뇌 영상에 기반한 경색 영역의 발생 시점의 추정 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
박병래 외 1명, 자기공명영상에서 신경회로망을 이용한 뇌경색의 시기 분류기 구현, 대한의료정보학회 2004년도 추계학술대회, [online], 2004년 11월20일,[2019년2월8일 검색], 인터넷<URL: https://kosmi.snubi.org/2004_fall>* *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3798971A1 (en) * 2019-09-30 2021-03-31 Siemens Healthcare GmbH Method and data processing system for providing a stroke information
WO2021063709A1 (en) * 2019-09-30 2021-04-08 Siemens Healthcare Gmbh Method and data processing system for providing a stroke information
KR20230091291A (ko) * 2021-12-16 2023-06-23 재단법인차세대융합기술연구원 확산 모델에서 뇌전체의 뇌혈류 정량화 방법

Also Published As

Publication number Publication date
KR102043829B1 (ko) 2019-11-12

Similar Documents

Publication Publication Date Title
US10952613B2 (en) Stroke diagnosis and prognosis prediction method and system
US11967072B2 (en) Three-dimensional object segmentation of medical images localized with object detection
US9510756B2 (en) Method and system for diagnosis of attention deficit hyperactivity disorder from magnetic resonance images
Qiu et al. Automatic segmentation approach to extracting neonatal cerebral ventricles from 3D ultrasound images
Ganiler et al. A subtraction pipeline for automatic detection of new appearing multiple sclerosis lesions in longitudinal studies
CN110840468B (zh) 自闭症风险评估方法及装置、终端设备、存储介质
Coupé et al. LesionBrain: an online tool for white matter lesion segmentation
CN110415234A (zh) 基于多参数磁共振成像的脑部肿瘤分割方法
US11241190B2 (en) Predicting response to therapy for adult and pediatric crohn&#39;s disease using radiomic features of mesenteric fat regions on baseline magnetic resonance enterography
WO2009146703A2 (en) System and method for volumetric analysis of medical images
KR102320431B1 (ko) 의료 영상 기반 종양 검출 및 진단 장치
CN113223015A (zh) 血管壁图像分割方法、装置、计算机设备和存储介质
US20220284578A1 (en) Image processing for stroke characterization
Li et al. BrainK for structural image processing: creating electrical models of the human head
KR102043829B1 (ko) 병변 발생 시점 추정 방법, 장치 및 프로그램
Nandakumar et al. DeepEZ: a graph convolutional network for automated epileptogenic zone localization from resting-state fMRI connectivity
US9436889B2 (en) Image processing device, method, and program
Delmoral et al. Segmentation of pathological liver tissue with dilated fully convolutional networks: A preliminary study
WO2021032325A1 (en) Updating boundary segmentations
KR102503646B1 (ko) 뇌경색 볼륨 계산 기반의 뇌경색 예측 방법 및 그를 위한 장치
CN111971751A (zh) 用于评估动态数据的系统和方法
KR102447400B1 (ko) 딥러닝 모델을 이용한 병변 영역 추출 기반의 뇌경색 예측 방법 및 그를 위한 장치
KR102447401B1 (ko) 뇌경색 심각도 기반의 뇌경색 예측 방법 및 그를 위한 장치
Shehata et al. Towards big data in acute renal rejection
Saad et al. A review on image segmentation techniques for MRI brain stroke lesion

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