KR20190105452A - Method of brain disorder diagnosis via deep learning - Google Patents

Method of brain disorder diagnosis via deep learning Download PDF

Info

Publication number
KR20190105452A
KR20190105452A KR1020180026015A KR20180026015A KR20190105452A KR 20190105452 A KR20190105452 A KR 20190105452A KR 1020180026015 A KR1020180026015 A KR 1020180026015A KR 20180026015 A KR20180026015 A KR 20180026015A KR 20190105452 A KR20190105452 A KR 20190105452A
Authority
KR
South Korea
Prior art keywords
interest
disease
brain
samples
region
Prior art date
Application number
KR1020180026015A
Other languages
Korean (ko)
Other versions
KR102125127B1 (en
Inventor
석흥일
이은호
Original Assignee
고려대학교 산학협력단
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 고려대학교 산학협력단 filed Critical 고려대학교 산학협력단
Priority to KR1020180026015A priority Critical patent/KR102125127B1/en
Publication of KR20190105452A publication Critical patent/KR20190105452A/en
Application granted granted Critical
Publication of KR102125127B1 publication Critical patent/KR102125127B1/en

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

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

Abstract

The present invention relates to a deep learning-based brain disease diagnosing method which performs pre-diagnosis through diagnosis for each region of interest in a magnetic resonance image (MRI) of a brain. According to an embodiment of the present invention, the deep learning-based brain disease diagnosing method comprises the following steps: obtaining a brain volume map having brain volume information from an input MRI; separating a plurality of regions of interest by dividing an anatomical region from the brain volume map, and extracting a predetermined number of samples for each of the regions of interest; obtaining disease probabilities of the extracted predetermined number of samples by using different deep neural networks for each of the extracted predetermined number of samples; integrating the disease probabilities obtained as many as the number of the samples for each of the regions of interest to calculate a disease probability of a corresponding region of interest for each of the regions of interest; and outputting a final diagnosis result by using the calculated disease probabilities of all regions of interest as an input value of a final classifier.

Description

딥러닝 기반 뇌 질환 진단 방법{METHOD OF BRAIN DISORDER DIAGNOSIS VIA DEEP LEARNING}Deep learning based brain disease diagnosis method {METHOD OF BRAIN DISORDER DIAGNOSIS VIA DEEP LEARNING}

본 발명은 뇌 질환 진단 방법에 관한 것으로, 보다 상세하게는 뇌의 자기공명영상(Magnetic Resonance Image: MRI)에서 각 관심 영역 (Region Of Interest: ROI)별 딥러닝을 통한 진단을 수행하고, 각 관심 영역별 진단을 통합하여 전체 진단을 수행하는 딥러닝 기반 뇌 질환 진단 방법에 관한 것이다. The present invention relates to a method for diagnosing brain diseases, and more particularly, to perform diagnosis through deep learning for each region of interest (ROI) in a magnetic resonance image (MRI) of the brain, The present invention relates to a deep learning-based brain disease diagnosis method that integrates area-specific diagnosis to perform a full diagnosis.

사회의 발전에 따라 고령화가 이루어지고 있으며, 이에 따라 퇴행성 뇌질환이 증가하고 있다. 뇌 질환의 경우 침습하지 않고 병변에 대한 검출 및 진단이 필요하다.As the society develops, aging is taking place, and accordingly, degenerative brain diseases are increasing. Brain disease requires detection and diagnosis of lesions without invasion.

MRI를 통한 뇌 영상 검사 방법은 비침습적인 검사 방법으로, 뇌의 구조적, 기능적 변화로 발생하는 다양한 질환들을 검사 할 수 있다. Brain imaging test through MRI is a non-invasive test, it can test a variety of diseases caused by structural and functional changes in the brain.

환자별 뇌의 생김새는 모두 다르지만, 공통된 변화 정도를 확인하기 위해 획일화된 템플릿으로 그 구조를 동일하게 변경하고, 각 질환별 변화 정도를 확인하는 방법을 사용한다.Although the appearance of the brain of each patient is different, in order to check the common degree of change, a uniform template is used to change the structure of the same and to check the degree of change for each disease.

최근 기계학습의 일종인 딥러닝을 위한 심층신경망 기법이 발전함에 따라 컴퓨터를 통한 의료 영상 분석 시스템의 진단 정확도가 높은 성능을 보이는 것으로 알려져 있다. 관련된 선행 문헌으로 대한민국 등록특허 제10-1754291호가 있다. Recently, as the deep neural network technique for deep learning, which is a kind of machine learning, is developed, it is known that the diagnosis accuracy of the medical image analysis system through the computer is high. Related prior art is Korean Patent Registration No. 10-1754291.

그러나, 기존의 진단 시스템은 뇌 전체를 보고 판단하기 때문에, 뇌 영역의 각 부분별 진단 결과를 제공하지 않는다.However, the conventional diagnostic system does not provide a diagnosis result for each part of the brain region because it determines the whole brain.

특히, 최근 좋은 성능을 보이는 심층 신경망의 한 종류인 컨볼루션 신경망(Convolutional Neural Network: CNN)은 컨볼루션 커널(Convolution kernel)을 통해 수용 영역(Receptive field)의 특징을 추출하는 방법으로, 슬라이딩 윈도우(Sliding window) 방식으로 입력 영상의 구조적 특징을 추출한다. In particular, a convolutional neural network (CNN), which is a type of deep neural network that has recently performed well, is a method of extracting a feature of a receptive field through a convolution kernel. The structural feature of the input image is extracted by a sliding window method.

그러나, 병의 진행도가 미미한 경우 형태적 차이가 거의 없을 수 있기 때문에, 수용 영역의 슬라이딩 윈도우를 통한 방법으로 검출하기 어려우며, 학습해야 할 파라미터가 많기 때문에 많은 데이터를 필요로 한다.However, since there may be almost no morphological difference when the disease progression is insignificant, it is difficult to detect by the method through the sliding window of the receiving area, and requires a lot of data because there are many parameters to learn.

따라서 자기공명영상만을 가지고 의사의 의사 결정에 도움이 될 수 있을 뿐 아니라, 영역별 비정상성의 가시화를 통해 환자의 이해를 도울 수 있는 뇌 질환 진단 방법에 대한 연구가 필요한 실정이다.Therefore, it is necessary to study the brain disease diagnosis method that can help the patient's understanding through visualizing the abnormality of each region as well as magnetic resonance imaging to help doctors make decisions.

본 발명의 목적은 각 관심 영역에 대한 진단 정보를 통해 세부적인 진단 정보를, 최근 좋은 성능을 보이는 딥러닝을 활용한 기계학습 방법으로 더 신뢰성 있게 진단할 수 있는 딥러닝 기반 뇌 질환 진단 방법을 제공하는 데 있다.Disclosure of the Invention An object of the present invention is to provide a deep learning-based brain disease diagnosis method capable of more reliably diagnosing detailed diagnostic information through diagnostic information on each region of interest by using a machine learning method using deep learning that shows recent good performance. There is.

상기 목적을 달성하기 위해 본 발명의 일실시예에 의하면, 입력된 자기공명영상으로부터 뇌의 부피 정보를 갖는 뇌 부피 지도를 획득하는 단계; 상기 뇌 부피 지도로부터 해부학적 영역을 분할하여 복수의 관심 영역을 분리하고, 각 관심 영역별로 소정 개수의 표본을 추출하는 단계; 상기 추출된 소정 개수의 표본은 표본마다 다른 심층 신경망을 이용하여 상기 추출된 소정 개수의 표본 수만큼 질환 확률을 획득하는 단계; 상기 표본 수만큼 획득된 질환 확률을 각 관심 영역별로 통합하여 상기 관심 영역마다 해당 관심 영역의 질환 확률을 계산하는 단계; 및 계산된 모든 관심 영역의 질환 확률을 최종 분류기의 입력값으로 사용하여 최종 진단 결과를 출력하는 단계를 포함하는 딥러닝 기반 뇌 질환 진단 방법이 개시된다. According to an embodiment of the present invention to achieve the above object, obtaining a brain volume map having the volume information of the brain from the input magnetic resonance image; Dividing an anatomical region from the brain volume map to separate a plurality of regions of interest and extracting a predetermined number of samples for each region of interest; Acquiring a probability of a disease by the number of extracted predetermined numbers of samples by using the deep neural network for each of the extracted predetermined numbers of samples; Calculating disease probabilities of the ROI for each ROI by integrating the disease probabilities obtained by the number of samples for each ROI; And outputting a final diagnosis result using the calculated disease probability of all regions of interest as an input value of the final classifier.

본 발명의 일실시예에 의한 딥러닝 기반 뇌 질환 진단 방법은 한정된 수의 뇌 영상으로부터 뇌 질환을 보다 신뢰성 있게 진단하고 진단에 대한 분석에 유의한 정보를 각 관심 영역별로 제공하는 방법을 제공한다. The deep learning-based brain disease diagnosis method according to an embodiment of the present invention provides a method of more reliably diagnosing brain disease from a limited number of brain images and providing information relevant to an analysis for diagnosis by region of interest.

본 발명의 일실시예에 의하면, 자기공명영상만을 가지고 의사의 의사 결정에 도움이 될 수 있을 뿐 아니라, 영역별 비정상성의 가시화를 통해 환자의 이해를 돕는 역할을 한다. According to one embodiment of the present invention, not only the magnetic resonance image may help the doctor's decision making, but also serves to help the patient understand through the visualization of the abnormality of each region.

도 1은 본 발명의 일실시예와 관련된 뇌 질환 진단 장치의 블록도이다.
도 2는 본 발명의 일실시예와 관련된 딥러닝 기반 뇌 질환 진단 방법을 나타내는 흐름도이다.
도 3은 본 발명의 일실시예와 관련된 딥러닝 기반 뇌 질환 진단 방법을 설명하기 위한 도면이다.
도 4는 본 발명의 일실시예와 관련된 자기공명영상 기반의 뇌 질환 진단에 사용되는 모델의 프레임워크를 나타낸다.
도 5는 본 발명의 일실시예와 관련된 딥러닝 기반 뇌 질환 진단 방법에 의해 분류된 영역별 알츠하이머병 환자일 확률을 나타낸다 뇌지도이다.
도 6은 본 발명의 일실시예와 관련된 가중치 뇌지도이다.1 is a block diagram of a brain disease diagnosis apparatus according to an embodiment of the present invention.
2 is a flowchart illustrating a deep learning-based brain disease diagnosis method according to an embodiment of the present invention.
3 is a view for explaining a deep learning-based brain disease diagnostic method related to an embodiment of the present invention.
4 shows a framework of a model used for diagnosing brain disease based on magnetic resonance imaging according to an embodiment of the present invention.
FIG. 5 is a brain map showing a probability of being a patient with Alzheimer's disease by region classified by a deep learning-based brain disease diagnosis method according to an embodiment of the present invention.
6 is a weighted brain map associated with one embodiment of the present invention.

이하, 본 발명의 일실시예와 관련된 딥러닝 기반 뇌 질환 진단 방법 및 장치에 대해 도면을 참조하여 설명하도록 하겠다.Hereinafter, a deep learning based brain disease diagnosis method and apparatus related to an embodiment of the present invention will be described with reference to the accompanying drawings.

본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.As used herein, the singular forms "a", "an" and "the" include plural forms unless the context clearly indicates otherwise. In this specification, terms such as “consisting of” or “comprising” should not be construed as necessarily including all of the various components or steps described in the specification, and some of the components or some steps It should be construed that it may not be included or may further include additional components or steps.

도 1은 본 발명의 일실시예와 관련된 뇌 질환 진단 장치의 블록도이다.1 is a block diagram of a brain disease diagnosis apparatus according to an embodiment of the present invention.

도시된 바와 같이, 뇌 질환 진단 장치(100)는 전처리부(110), 관심 영역별 질환 확률 계산부(120), 최종 진단부(130)를 포함할 수 있다. As illustrated, the brain disease diagnosis apparatus 100 may include a preprocessor 110, a disease probability calculator 120 for each region of interest, and a final diagnosis unit 130.

상기 전처리부(110)는 입력된 자기공명영상을 전처리하여 상기 자기공명영상을 복수 개의 관심 영역으로 분리할 수 있다. 상기 전처리부(110)는 상기 복수 개의 관심 영역별로 소정 개수의 표본을 추출할 수 있다.The preprocessing unit 110 may pre-process the input magnetic resonance image to separate the magnetic resonance image into a plurality of ROIs. The preprocessor 110 may extract a predetermined number of samples for each of the plurality of ROIs.

상기 관심 영역별 질환 확률 계산부(120)는 각 관심 영역에 대응되는 소정 개수의 표본에 대해 각 표본마다 다른 심층 신경망을 이용하여 특징을 각각 추출하고, 상기 추출된 특징을 이용하여 관심 영역별로 질환 확률을 계산할 수 있다. The disease probability calculator 120 for each region of interest extracts a feature of each sample using a different deep neural network for a predetermined number of samples corresponding to each region of interest, and uses the extracted features to treat diseases for each region of interest. Probability can be calculated.

상기 최종 진단부(130)는 각 관심 영역의 질환 확률을 입력값으로 통합하여 해당 질환의 최종 진단 결과를 출력할 수 있다. 최종 진단 결과에 의하여 진단 대상자가 환자인지 정상인지 여부가 결정될 수 있다. The final diagnosis unit 130 may output the final diagnosis result of the corresponding disease by integrating the disease probability of each ROI as an input value. The final diagnosis result may determine whether the diagnosis subject is a patient or normal.

도 2는 본 발명의 일실시예와 관련된 딥러닝 기반 뇌 질환 진단 방법을 나타내는 흐름도이고, 도 3은 본 발명의 일실시예와 관련된 딥러닝 기반 뇌 질환 진단 방법을 설명하기 위한 도면이다. FIG. 2 is a flowchart illustrating a deep learning based brain disease diagnosis method according to an embodiment of the present invention, and FIG. 3 is a view for explaining a deep learning based brain disease diagnosis method according to an embodiment of the present invention.

먼저, 전처리부(110)는 진단 대상자의 뇌 전체의 자기공명영상을 입력 받는다. 상기 전처리부(110)는 상기 입력된 자기공명영상의 전처리를 수행할 수 있다(S210, S310). 상기 전처리 과정은 다음의 과정으로 진행될 수 있다. First, the preprocessor 110 receives a magnetic resonance image of the entire brain of the diagnosis subject. The preprocessor 110 may perform preprocessing of the input magnetic resonance image (S210 and S310). The pretreatment process may proceed to the following process.

뇌의 부피 변화를 확인하기 위해서는 각기 다른 환자의 뇌를 동일한 공간에 사상하고, 그 변화를 확인해야 한다. 상기 전처리부(110)는 동일한 공간에 사상된 뇌 부피 지도를 획득할 수 있다. 상기 전처리부(110)는 정합 과정 및 뇌 조직 분할 과정을 통해 뇌의 부피 정보를 갖는 뇌 부피 지도를 획득할 수 있다. 구체적으로 상기 전처리부(110)는 우선 입력된 모든 영상의 대칭을 맞추는 작업을 한다. 다음으로 전처리부(110)는 분석에 사용될 뇌 영역을 제외한 영역(두개골, 소뇌 등)을 제거한다. 전처리부(110)는 얻어낸 뇌 영상의 오차를 보완하기 위하여 편이 보정 작업을 거친 후 뇌의 조직(백질, 회백질, 뇌척수액)을 분리한다. 상기 전처리부(110)는 모든 피험자의 뇌 조직은 같은 템플릿 공간으로 사상시키고 정합 과정을 거쳐 뇌의 부피 지도를 얻는다. 얻어진 뇌 부피 지도는 해부학적 영역별 진단을 위해 라벨링된 템플릿을 통하여 관심 영역으로 나누고 회백질 영역만을 사용할 수 있다. 따라서, 3차원 영상의 각 복셀(voxel)값은 해당하는 영역의 뇌 부피를 나타내게 된다.In order to confirm the volume change of the brain, the brains of different patients should be mapped in the same space, and the change should be confirmed. The preprocessor 110 may obtain a brain volume map mapped in the same space. The preprocessor 110 may acquire a brain volume map having volume information of the brain through a matching process and a brain tissue division process. In detail, the preprocessing unit 110 first adjusts the symmetry of all the input images. Next, the preprocessor 110 removes an area (skull bone, cerebellum, etc.) except for the brain area to be used for analysis. The preprocessor 110 separates the tissues of the brain (white, gray matter, cerebrospinal fluid) after the shift correction to compensate for the error of the obtained brain image. The preprocessing unit 110 maps the brain tissue of all the subjects to the same template space and obtains a volume map of the brain through a matching process. The resulting brain volume map can be divided into regions of interest via labeled templates for anatomical specific diagnosis and using only gray matter regions. Therefore, each voxel value of the 3D image represents the brain volume of the corresponding area.

그리고 상기 전처리부(110)는 획득된 뇌 부피 지도로부터 해부학적 영역을 분할하여 관심 영역별 임의로 선택된 복셀값을 갖는 다수의 표본을 추출할 수 있다. 예를 들어, 상기 전처리부(110)는 우선 통계 분석 방법을 통해 그룹 간 큰 차이를 보이는 관심 영역별 복셀의 후보군을 선별하고, 소정 개수의 복셀을 갖는 표본 집합(각 관심 영역에 대응되는 소정 개수의 표본)을 추출할 수 있다. The preprocessor 110 may extract a plurality of samples having a voxel value randomly selected for each region of interest by dividing the anatomical region from the acquired brain volume map. For example, the preprocessor 110 first selects a candidate group of voxels for each ROI having a large difference between groups through a statistical analysis method, and sets a sample set having a predetermined number of voxels (the predetermined number corresponding to each ROI). Can be extracted).

한편, 관심 영역의 크기에 따라 추출되는 표본의 수가 다르게 조절될 수 있다. 예를 들어, 관심 영역의 크기가 클수록 추출되는 표본 수가 많게 조절될 수 있다. 그리고 단순 무작위 복원 추출(예: Bootstrap sampling) 기법을 이용하여 k개의 임의의 복셀을 갖는 표본이 다수 추출될 수 있다.Meanwhile, the number of samples extracted may be adjusted differently according to the size of the ROI. For example, the larger the size of the region of interest, the larger the number of samples to be extracted. In addition, a plurality of samples having k random voxels may be extracted using a simple random reconstruction extraction (eg, bootstrap sampling) technique.

상기 관심 영역별 질환 확률 계산부(120)는 각 관심 영역별로 추출된 소정 개수의 표본을 표본마다 다른 심층 신경망을 이용하여 상기 추출된 소정 개수의 표본 수만큼 질환 확률을 획득할 수 있다. 그리고 상기 관심 영역별 질환 확률 계산부(120)는 소정 개수의 표본 수만큼 획득된 질환 확률을 통합(예: 평균, 최대값, 최소값 등)하여 상기 관심 영역별로 해당 관심 영역의 질환 확률을 계산할 수 있다(S220, S320).The disease probability calculator 120 for each ROI may obtain a disease probability as much as the extracted number of samples by using a depth neural network that is different for each sample from a predetermined number of samples extracted for each ROI. The disease probability calculator 120 for each region of interest may calculate the disease probability of the region of interest by integrating (eg, an average, a maximum value, a minimum value, etc.) of the disease probability obtained by a predetermined number of samples. There is (S220, S320).

예를 들어, 상기 관심 영역별 질환 확률 계산부(120)는 심층 신경망(Deep Neural Network)의 하나인 쌓아올린 디노이징 오토인코더(Stacked Denoising Auto-Encoder)로써 입력으로 사용된 뇌 부피 데이터로부터 환자와 정상인 클래스의 비선형적 관계를 학습한 모델을 추출할 수 있다. For example, the disease probability calculator 120 for each region of interest may include a patient and a brain volume data used as an input as a stacked denoising auto-encoder, which is one of deep neural networks. We can extract a model that learns the nonlinear relationships of normal classes.

본 발명의 일실시예에 의하면, 각각의 관심 영역에 대한 무작위로 추출한 복셀 표본의 특징으로 진단하기 위하여 각 관심 영역에서의 표본마다 모델을 만드는 방법이 사용될 수 있다. 이하, 실시예에서는 내재된 비선형적 특징을 추출하는 방법으로 SDAE(Stacked Denoising Auto-Encoder)가 사용된다. DAE는 오토인코더의 일종으로 하기 수학식 1 및 수학식 2로 표현하면 다음과 같다.According to an embodiment of the present invention, a method of creating a model for each sample in each region of interest may be used to diagnose characteristics of randomly selected voxel samples for each region of interest. In the following embodiment, a stacked denoising auto-encoder (SDAE) is used as a method of extracting an inherent nonlinear feature. The DAE is a kind of auto encoder and is represented by Equations 1 and 2 as follows.

Figure pat00001
Figure pat00001

Figure pat00002
Figure pat00002

위의 식에서 W와 b는 은닉계층을 위 한 가중 벡터와 편향 벡터를 나타내고, W′와 b′는 출력 계층을 위한 가중 벡터와 편향 벡터를 나타낸다. Ψ는 비선형 활성함수이다. 상기 수학식 1에서

Figure pat00003
은 k차원을 갖는 표본 x∈Rk에 잡음이 추가된 벡터이다. Ψ함수는 은닉 계층 h의 유닛 값이 입력 벡터와 비선형적 관계를 갖도록 한다. 출력 계층을 위한 가중치 W′와 편향치 b′는 o가 원래의 표본 x값과 같아지도록 하는 파라미터이다. 이때, h의 유닛값은 입력 벡터로부터 원래의 표본을 잘 표현해 줄 수 있는 특징 벡터라고 볼 수 있다.In the above equation, W and b represent weight vector and deflection vector for hidden layer, and W 'and b' represent weight vector and deflection vector for output layer. Ψ is a nonlinear activity function. In Equation 1
Figure pat00003
Is a vector with noise added to the sample x∈R k with k dimensions. The function causes the unit value of the hidden layer h to have a nonlinear relationship with the input vector. The weights W 'and the bias value b' for the output layer are parameters that make o equal to the original sample x value. In this case, the unit value of h may be regarded as a feature vector capable of representing the original sample well from the input vector.

이하 실시예에서 사용하는 모델은 도 4와 같다. The model used in the following examples is as shown in FIG.

도 4는 본 발명의 일실시예와 관련된 자기공명영상 기반의 뇌 질환 진단에 사용되는 모델의 프레임워크를 나타낸다.4 shows a framework of a model used for diagnosing brain disease based on magnetic resonance imaging according to an embodiment of the present invention.

도시된 바와 같이, 관심 영역 마다의 k개의 복셀을 갖는 x를 만들고, SDAE를 통하여 확률을 도출할 수 있다. 이 확률들을 모은 z를 앙상블하여 서포트벡터머신의 입력으로 최종 진단한다. 본 실시예에서 SDAE는 이러한 DAE를 쌓아올린 최종 출력 계층에서 분류를 위한 소프트맥스 함수가 사용될 수 있다. 이 소프트맥스의 출력값은 표본이 각 클래스에 속할 확률값으로 환자일 확률과 정상인일 확률을 나타낸다. 각 관심 영역의 정량적 분석을 위하여, 하나의 관심 영역에서 동일한 구조의 SDAE를 N개 학습하였고, 그 N개의 모델에서 환자일 확률 p의 평균 z를 구하여 한 관심 영역의 특징으로 사용할 수 있다.As shown, x having k voxels per region of interest may be created, and the probability may be derived through SDAE. The final diagnosis is made with the input of the support vector machine by ensemble z of these probabilities. In the present embodiment, the SDAE may use a softmax function for classification in the final output layer stacking these DAEs. The output of this softmax is the probability that the sample will belong to each class, indicating the probability of being patient and of being normal. For quantitative analysis of each region of interest, N learning SDAEs of the same structure in one region of interest, and the average z of the probability p of patients in the N models can be used as a feature of one region of interest.

그리고 각 관심 영역의 특징 및 전체 특징 벡터는 하기 수학식 3 및 수학식 4와 같이 표현될 수 있다. In addition, the feature and the overall feature vector of each region of interest may be represented by Equations 3 and 4 below.

Figure pat00004
Figure pat00004

Figure pat00005
Figure pat00005

즉, 전체 관심 영역이 R이라면, 각 관심 영역의 특징 zr을 구하는 수식을 수학식 3으로 나타낼 수 있다.

Figure pat00006
는 n번째 표본에서 r번째 관심 영역이 환자일 확률이고, zr은 r번째 관심 영역에서 전체 N개 모델에서의 환자일 확률의 평균이다. v는 전체 관심 영역의 해당 질환(예: 알츠하이머병(Alzheimer’s Disease: AD))일 특징을 앙상블한 특징 벡터라고 볼 수 있다. 이 특징 벡터는 분류기 서포트벡터머신(Support Vector Machine: SVM)의 입력으로 사용될 수 있다. 여기서 서포트벡터머신은 최종 진단부(130)에서 사용하는 최종 분류기의 일례이다. That is, if the entire ROI is R, the equation for obtaining the characteristic z r of each ROI may be expressed by Equation 3.
Figure pat00006
Is the probability that the r th region of interest is the patient in the n th sample, and z r is the mean of the probability of being the patient in all N models in the r th region of interest. v may be regarded as an ensemble feature vector of the feature of the entire region of interest (eg, Alzheimer's Disease (AD)). This feature vector can be used as an input to the classifier Support Vector Machine (SVM). The support vector machine is an example of the final classifier used in the final diagnosis unit 130.

즉, 최종 진단부(130)는 해당 관심 영역에 대한 질환 확률은 모두 통합되어 입력값으로 사용하여 최종 진단 결과를 출력할 수 있다(S230, S330). 도 4에서는 최종 진단을 위해 서포트벡터머신을 사용하였다. That is, the final diagnosis unit 130 may output the final diagnosis result by using all of the disease probabilities of the corresponding ROI as input values (S230 and S330). In FIG. 4, the support vector machine was used for the final diagnosis.

그리고 상기 최종 분류기는 각 관심 영역별 가중치를 학습하고, 상기 학습을 통해 환자와 정상인을 분류할 수 있다. The final classifier may learn weights for each region of interest and classify patients and normal persons through the learning.

예를 들면, 각 관심 영역이 A, B, C라고 했을 때, 해당 질환(예, 알츠하이머병)은 B, C의 영역이 더 중요한 특징이라고 분류기에서 판단하면, 심층신경망에서 얻은 확률이 A, C에서 매우 낮은 확률을 갖는다고 할지라도, B에서 높다면 이 사람은 환자라고 진단할 수 있다. 물론 이와 반대의 경우도 가능하다. 즉, 심층신경망으로부터 질환일 확률을 얻고, 최종 분류기에서 확률들을 조합하여 정상인군과 환자군을 비교하여 유의한 영역에 가중치를 더 주어 진단할 수 있다.For example, if each area of interest is A, B, or C, and the classifier determines that the disease (e.g. Alzheimer's disease) is a more important feature of B and C, the probability from the deep neural network is A, C Even though it has a very low probability of being at, if it is high at B, this person can be diagnosed as a patient. Of course, the opposite is also true. In other words, the probabilities of obtaining a disease from the deep neural network, and comparing the normal group and the patient group by combining the probabilities in the final classifier can be diagnosed by giving more weight to the significant area.

도 5는 본 발명의 일실시예와 관련된 딥러닝 기반 뇌 질환 진단 방법에 의해 분류된 영역별 알츠하이머병 환자일 확률을 나타낸다 뇌지도이고, 도 6은 본 발명의 일실시예와 관련된 가중치 뇌지도이다.FIG. 5 is a brain map showing the probability of patients with Alzheimer's disease by region classified by a deep learning-based brain disease diagnosis method according to an embodiment of the present invention, and FIG. 6 is a weighted brain map according to an embodiment of the present invention. .

본 실시예에서는 해당 영역의 정량적 분석을 위해 무작위 복원 추출한 표본을 SDAE를 통해 알츠하이머병 환자일 확률을 구하고, 그 확률의 평균을 특징으로 하여 전체 관심 영역에서 진단하였다. 전체의 관심 영역을 고려한 분류 성능은 76.36%의 정확도를 보였다. 진단 결과에 대하여 도 5와 같이 각각의 관심 영역마다의 알츠하이머병 환자일 확률을 한눈에 볼 수 있도록 시각화 할 수 있어, 영역별 정량적 분석이 가능하다. 또한, 그림 3과 S같이 서포트벡터머신의 가중치 뇌영역들에 매핑하여 시각화함으로써 어느 영역이 알츠하이머병을 진단하기 위한 잠재적 영상 바이오마커로 활용될 수 있을지에 대해 확인할 수 있다.In this example, a randomly-recovered sample for quantitative analysis of the corresponding area was obtained through SDAE to determine the probability of Alzheimer's disease, and the mean of the probability was diagnosed in the entire region of interest. The classification performance considering the entire region of interest was 76.36% accurate. As shown in FIG. 5, the diagnosis result can be visualized to see at a glance the probability of being a patient with Alzheimer's disease for each region of interest, thereby enabling quantitative analysis for each region. In addition, by mapping and visualizing the weighted brain regions of the support vector machine as shown in Fig. 3 and S, it is possible to confirm which regions can be used as potential image biomarkers for diagnosing Alzheimer's disease.

전술한 바와 같이, 본 발명의 일실시예에 의한 딥러닝 기반 뇌 질환 진단 방법은 한정된 수의 뇌 영상으로부터 뇌 질환을 보다 신뢰성 있게 진단하고 진단에 대한 분석에 유의한 정보를 각 관심 영역별로 제공하는 방법을 제공한다. As described above, the deep learning-based brain disease diagnosis method according to an embodiment of the present invention more reliably diagnoses the brain disease from a limited number of brain images, and provides meaningful information for analysis of the diagnosis for each region of interest. Provide a method.

본 발명의 일실시예에 의하면, 자기공명영상만을 가지고 의사의 의사 결정에 도움이 될 수 있을 뿐 아니라, 영역별 비정상성의 가시화를 통해 환자의 이해를 돕는 역할을 한다.According to one embodiment of the present invention, not only the magnetic resonance image may help the doctor's decision making, but also serves to help the patient understand through the visualization of the abnormality of each region.

상술한 딥러닝 기반 뇌 질환 진단 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터로 판독 가능한 기록 매체에 기록될 수 있다. 이때, 컴퓨터로 판독 가능한 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 한편, 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지된 것일 수도 있다.The above-described deep learning-based brain disease diagnosis method may be implemented in the form of program instructions that can be executed by various computer means and recorded in a computer-readable recording medium. In this case, the computer-readable recording medium may include program instructions, data files, data structures, and the like, alone or in combination. On the other hand, program instructions recorded on the recording medium may be those specially designed and constructed for the present invention, or may be known to those skilled in computer software.

컴퓨터로 판독 가능한 기록매체에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM, DVD와 같은 광기록 매체(Optical Media), 플롭티컬 디스크(Floptical Disk)와 같은 자기-광 매체(Magneto-Optical Media), 및 롬(ROM), 램(RAM), 플래시 메모리, SSD (Solid State Drive)와 같은 메모리 저장장치 등 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. Computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tape, optical media such as CD-ROMs, DVDs, and magnetic disks such as floppy disks. Magneto-Optical Media, and hardware devices specifically configured to store and execute program instructions, such as memory storage devices such as ROM, RAM, flash memory, and solid state drives (SSD).

한편, 이러한 기록매체는 프로그램 명령, 데이터 구조 등을 지정하는 신호를 전송하는 반송파를 포함하는 광 또는 금속선, 도파관 등의 전송 매체일 수도 있다.The recording medium may be a transmission medium such as an optical or metal wire, a waveguide, or the like including a carrier wave for transmitting a signal specifying a program command, a data structure, or the like.

또한, 프로그램 명령에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.In addition, program instructions include not only machine code generated by a compiler, but also high-level language code that can be executed by a computer using an interpreter or the like. The hardware device described above may be configured to operate as one or more software modules to perform the operations of the present invention, and vice versa.

상기와 같이 설명된 딥러닝 기반 뇌 질환 진단 방법 및 장치는 상기 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.The deep learning-based brain disease diagnosis method and apparatus described above are not limited to the configuration and method of the above-described embodiments, but the embodiments may be all or part of each embodiment so that various modifications may be made. May be optionally combined.

100: 뇌 질환 진단 장치
110: 전처리부
120: 관심 영역별 질환 확률 계산부
130: 최종 진단부100: brain disease diagnosis device
110: preprocessing unit
120: disease probability calculation unit for each region of interest
130: final diagnosis

Claims (5)

입력된 자기공명영상으로부터 뇌의 부피 정보를 갖는 뇌 부피 지도를 획득하는 단계;
상기 뇌 부피 지도로부터 해부학적 영역을 분할하여 복수의 관심 영역을 분리하고, 각 관심 영역별로 소정 개수의 표본을 추출하는 단계;
상기 추출된 소정 개수의 표본은 표본마다 다른 심층신경망을 이용하여 상기 추출된 소정 개수의 표본 수만큼 질환 확률을 획득하는 단계;
상기 표본 수만큼 획득된 질환 확률을 각 관심 영역별로 통합하여 상기 관심 영역마다 해당 관심 영역의 질환 확률을 계산하는 단계; 및
계산된 모든 관심 영역의 질환 확률을 최종 분류기의 입력값으로 사용하여 최종 진단 결과를 출력하는 단계를 포함하는 것을 특징으로 하는 딥러닝 기반 뇌 질환 진단 방법.Obtaining a brain volume map having volume information of the brain from the input magnetic resonance image;
Dividing an anatomical region from the brain volume map to separate a plurality of regions of interest and extracting a predetermined number of samples for each region of interest;
Acquiring a probability of a disease by the number of the extracted predetermined number of samples using the deep neural network, wherein the extracted predetermined number of samples are different for each sample;
Calculating disease probabilities of the ROI for each ROI by integrating the disease probabilities obtained by the number of samples for each ROI; And
And using the calculated disease probability of all regions of interest as an input value of the final classifier to output a final diagnosis result. 제1항에 있어서,
상기 최종 분류기는 각 관심 영역별 가중치를 학습하고, 상기 학습을 통해 환자와 정상인을 분류하는 것을 특징으로 하는 딥러닝 기반 뇌 질환 진단 방법.The method of claim 1,
The final classifier learns the weight for each region of interest, and deep learning-based brain disease diagnosis method characterized in that classifying the patient and the normal through the learning. 제1항에 있어서, 상기 해당 관심 영역의 질환 확률을 계산하는 단계는
상기 표본 수만큼 획득된 질환 확률을 통합하는 단계를 포함하는 것을 특징으로 하는 딥러닝 기반 뇌 질환 진단 방법.The method of claim 1, wherein the calculating of the disease probability of the region of interest comprises:
Deep learning-based brain disease diagnostic method comprising the step of integrating the disease probability obtained by the number of samples. 제1항에 있어서, 상기 표본 추출 단계는
관심 영역의 크기가 클수록 표본 수를 더 많이 추출하는 단계를 포함하는 것을 특징으로 하는 딥러닝 기반 뇌 질환 진단 방법.The method of claim 1, wherein the sampling step
Deep learning-based brain disease diagnostic method comprising the step of extracting a larger number of samples as the size of the region of interest. 제1항에 있어서, 상기 추출된 각 관심 영역별로 소정 개수의 표본은
복셀을 갖는 것을 특징으로 하는 딥러닝 기반 뇌 질환 진단 방법. The method of claim 1, wherein a predetermined number of samples for each extracted ROI are determined.
Deep learning-based brain disease diagnostic method characterized by having a voxel.
KR1020180026015A 2018-03-05 2018-03-05 Method of brain disorder diagnosis via deep learning KR102125127B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180026015A KR102125127B1 (en) 2018-03-05 2018-03-05 Method of brain disorder diagnosis via deep learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180026015A KR102125127B1 (en) 2018-03-05 2018-03-05 Method of brain disorder diagnosis via deep learning

Publications (2)

Publication Number Publication Date
KR20190105452A true KR20190105452A (en) 2019-09-17
KR102125127B1 KR102125127B1 (en) 2020-06-19

Family

ID=68070187

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180026015A KR102125127B1 (en) 2018-03-05 2018-03-05 Method of brain disorder diagnosis via deep learning

Country Status (1)

Country Link
KR (1) KR102125127B1 (en)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102173942B1 (en) * 2020-03-31 2020-11-04 주식회사 딥노이드 Apparatus for detecting an object using images from different viewpoints and a method therefor
CN112102233A (en) * 2020-08-05 2020-12-18 深圳市第二人民医院(深圳市转化医学研究院) Method, device, equipment and medium for discriminating cerebral apoplexy causes based on magnetic resonance image
KR20210050790A (en) 2019-10-29 2021-05-10 동아대학교 산학협력단 Apparatus and methods for classifying neurodegenerative diseases image of amyloid-positive based on deep-learning
KR20210064047A (en) * 2019-11-25 2021-06-02 주식회사 뷰노 Apparatus and method for detecting leison region and gland region in medical image
KR20210096292A (en) 2019-03-06 2021-08-04 주식회사 뉴로젠 Brain disease prediction device and method, learning device for predicting brain disease
CN113243914A (en) * 2020-02-13 2021-08-13 杨智傑 Brain image-based assessment method and neuropsychiatric disease assessment system
KR102313658B1 (en) * 2020-12-30 2021-10-19 뉴로핏 주식회사 Method for, device for, and system for analazing brain image
CN114419309A (en) * 2022-01-07 2022-04-29 福州大学 High-dimensional feature automatic extraction method based on brain T1-w magnetic resonance image
KR20220055549A (en) 2020-10-26 2022-05-04 동아대학교 산학협력단 Pet image classification apparatus for determining brain disease based on deep learning and method thereof
KR20230092674A (en) 2021-12-17 2023-06-26 울산과학기술원 Method and apparatus for diagnosing progressive supranuclear palsy using deep learning
KR20230099195A (en) * 2021-12-27 2023-07-04 강원대학교산학협력단 An apparatus and method for predicting heart disease based on deep learning models using ECG data and body information
KR20230106205A (en) 2022-01-05 2023-07-13 동아대학교 산학협력단 Apparatus and methods for classifying neurodegenerative diseases image of amyloid-positive based on deep-learning
CN117058471A (en) * 2023-10-12 2023-11-14 之江实验室 Disease brain image parting system based on normal brain image database
EP4290453A1 (en) 2022-06-07 2023-12-13 Gil Medical Center System and method for segmentating brain in mri images
CN117238483A (en) * 2023-11-10 2023-12-15 哈尔滨海鸿基业科技发展有限公司 Child cerebral palsy diagnosis equipment

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220124643A (en) 2021-03-02 2022-09-14 고려대학교 산학협력단 Image translation system between petra image and tof image using convolution neural network and method thereof
KR20230070084A (en) 2021-11-12 2023-05-22 조선대학교산학협력단 Providing method of diagnostic information for classification of advanced stages of Alzheimer's disease using 3D convolutional neural network

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NeuroImage Clinical 17 (2018) pp628-641 (2017.11.09.)* *
유주안 외 2명, 정규화된 형상 모델을 이용한 뼈 나이 측정 방법, 멀티미디어학회논문지, Vol.12, No.3, March 2009 pp. 383-396* *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210096292A (en) 2019-03-06 2021-08-04 주식회사 뉴로젠 Brain disease prediction device and method, learning device for predicting brain disease
KR20210050790A (en) 2019-10-29 2021-05-10 동아대학교 산학협력단 Apparatus and methods for classifying neurodegenerative diseases image of amyloid-positive based on deep-learning
KR20210064047A (en) * 2019-11-25 2021-06-02 주식회사 뷰노 Apparatus and method for detecting leison region and gland region in medical image
CN113243914A (en) * 2020-02-13 2021-08-13 杨智傑 Brain image-based assessment method and neuropsychiatric disease assessment system
CN113243914B (en) * 2020-02-13 2024-06-04 杨智傑 Brain image-based assessment method and neuropsychiatric disease assessment system
KR102173942B1 (en) * 2020-03-31 2020-11-04 주식회사 딥노이드 Apparatus for detecting an object using images from different viewpoints and a method therefor
CN112102233B (en) * 2020-08-05 2023-12-26 深圳市第二人民医院(深圳市转化医学研究院) Brain stroke etiology screening method, device, equipment and medium based on magnetic resonance image
CN112102233A (en) * 2020-08-05 2020-12-18 深圳市第二人民医院(深圳市转化医学研究院) Method, device, equipment and medium for discriminating cerebral apoplexy causes based on magnetic resonance image
KR20220055549A (en) 2020-10-26 2022-05-04 동아대학교 산학협력단 Pet image classification apparatus for determining brain disease based on deep learning and method thereof
KR102313658B1 (en) * 2020-12-30 2021-10-19 뉴로핏 주식회사 Method for, device for, and system for analazing brain image
KR20230092674A (en) 2021-12-17 2023-06-26 울산과학기술원 Method and apparatus for diagnosing progressive supranuclear palsy using deep learning
KR20230099195A (en) * 2021-12-27 2023-07-04 강원대학교산학협력단 An apparatus and method for predicting heart disease based on deep learning models using ECG data and body information
KR20230106205A (en) 2022-01-05 2023-07-13 동아대학교 산학협력단 Apparatus and methods for classifying neurodegenerative diseases image of amyloid-positive based on deep-learning
CN114419309A (en) * 2022-01-07 2022-04-29 福州大学 High-dimensional feature automatic extraction method based on brain T1-w magnetic resonance image
EP4290453A1 (en) 2022-06-07 2023-12-13 Gil Medical Center System and method for segmentating brain in mri images
KR20230168507A (en) 2022-06-07 2023-12-14 가천대학교 산학협력단 System and method for segmentating brain of mri images
CN117058471A (en) * 2023-10-12 2023-11-14 之江实验室 Disease brain image parting system based on normal brain image database
CN117058471B (en) * 2023-10-12 2024-01-09 之江实验室 Disease brain image parting system based on normal brain image database
CN117238483A (en) * 2023-11-10 2023-12-15 哈尔滨海鸿基业科技发展有限公司 Child cerebral palsy diagnosis equipment
CN117238483B (en) * 2023-11-10 2024-02-27 哈尔滨海鸿基业科技发展有限公司 Child cerebral palsy diagnosis equipment

Also Published As

Publication number Publication date
KR102125127B1 (en) 2020-06-19

Similar Documents

Publication Publication Date Title
KR102125127B1 (en) Method of brain disorder diagnosis via deep learning
US11210781B2 (en) Methods and devices for reducing dimension of eigenvectors and diagnosing medical images
CN110506278B (en) Target detection in hidden space
CN111539930B (en) Dynamic ultrasonic breast nodule real-time segmentation and identification method based on deep learning
JP7069359B2 (en) Methods and systems for improving cancer detection using deep learning
CN110236543B (en) Alzheimer disease multi-classification diagnosis system based on deep learning
Nigri et al. Explainable deep CNNs for MRI-based diagnosis of Alzheimer’s disease
CN110840468B (en) Autism risk assessment method and device, terminal device and storage medium
CN112702947A (en) Diagnosis support system and method
Platero et al. Longitudinal neuroimaging hippocampal markers for diagnosing Alzheimer’s disease
KR20200087427A (en) The diagnostic method of lymph node metastasis in thyroid cancer using deep learning
KR100998630B1 (en) Method for automatic classifier of lung diseases
Tan et al. Automated detection of congenital heart disease in fetal ultrasound screening
CN114972266A (en) Lymphoma ultrasonic image semantic segmentation method based on self-attention mechanism and stable learning
KR101948701B1 (en) Method for determining brain disorder of subject based on latent variables which describe brain structure thereof and apparatus using the same
US20230386032A1 (en) Lesion Detection and Segmentation
Huang et al. Deep Learning Achieves Neuroradiologist-Level Performance in Detecting Hydrocephalus Requiring Treatment
US11817204B2 (en) Specialized computer-aided diagnosis and disease characterization with a multi-focal ensemble of convolutional neural networks
JP2023122528A (en) Method and device for providing information necessary for dementia diagnosis
Maulana et al. Robustness of probabilistic u-net for automated segmentation of white matter hyperintensities in different datasets of brain mri
CN109816632B (en) Brain image processing method and device, readable storage medium and electronic equipment
KR102319326B1 (en) Method for generating predictive model based on intra-subject and inter-subject variability using structural mri
CN115393246A (en) Image segmentation system and image segmentation method
CN112601494A (en) Similarity determination device, method, and program
Atnafu et al. Development of an interpretable deep learning system for the identification of patients with Alzheimer’s disease

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