KR20190112219A - 알츠하이머 질병 검출 방법, 알츠하이머 질병 검출 시스템 및 알츠하이머 질병 검출 방법을 수행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체 - Google Patents
알츠하이머 질병 검출 방법, 알츠하이머 질병 검출 시스템 및 알츠하이머 질병 검출 방법을 수행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체 Download PDFInfo
- Publication number
- KR20190112219A KR20190112219A KR1020180029445A KR20180029445A KR20190112219A KR 20190112219 A KR20190112219 A KR 20190112219A KR 1020180029445 A KR1020180029445 A KR 1020180029445A KR 20180029445 A KR20180029445 A KR 20180029445A KR 20190112219 A KR20190112219 A KR 20190112219A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- alzheimer
- disease
- white matter
- calculating
- Prior art date
Links
- 208000024827 Alzheimer disease Diseases 0.000 title claims abstract description 91
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 28
- 210000004885 white matter Anatomy 0.000 claims abstract description 49
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 33
- 238000002600 positron emission tomography Methods 0.000 claims abstract description 32
- 238000002595 magnetic resonance imaging Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 37
- 238000011176 pooling Methods 0.000 claims description 7
- 208000010877 cognitive disease Diseases 0.000 claims description 6
- 208000027061 mild cognitive impairment Diseases 0.000 claims description 6
- 210000004884 grey matter Anatomy 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 description 5
- 238000013399 early diagnosis Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000010176 18-FDG-positron emission tomography Methods 0.000 description 1
- ZCXUVYAZINUVJD-AHXZWLDOSA-N 2-deoxy-2-((18)F)fluoro-alpha-D-glucose Chemical compound OC[C@H]1O[C@H](O)[C@H]([18F])[C@@H](O)[C@@H]1O ZCXUVYAZINUVJD-AHXZWLDOSA-N 0.000 description 1
- 208000000044 Amnesia Diseases 0.000 description 1
- 102000013455 Amyloid beta-Peptides Human genes 0.000 description 1
- 108010090849 Amyloid beta-Peptides Proteins 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000003792 cranial nerve Anatomy 0.000 description 1
- HGBLNBBNRORJKI-WCABBAIRSA-N cyclacillin Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)C1(N)CCCCC1 HGBLNBBNRORJKI-WCABBAIRSA-N 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006984 memory degeneration Effects 0.000 description 1
- 208000023060 memory loss Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 102000013498 tau Proteins Human genes 0.000 description 1
- 108010026424 tau Proteins Proteins 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2800/00—Detection or diagnosis of diseases
- G01N2800/28—Neurological disorders
- G01N2800/2814—Dementia; Cognitive disorders
- G01N2800/2821—Alzheimer
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Neurology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- High Energy & Nuclear Physics (AREA)
- Developmental Disabilities (AREA)
- Optics & Photonics (AREA)
- Child & Adolescent Psychology (AREA)
- Theoretical Computer Science (AREA)
- Hospice & Palliative Care (AREA)
- General Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Physiology (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
본 발명은 알츠하이머 질병 검출 방법, 알츠하이머 질병 검출 시스템 및 알츠하이머 질병 검출 방법을 수행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체에 관한 것으로, 본 발명의 실시 예를 따르는 알츠하이머 질병 검출 방법은, MRI(Magnetic Resonance Imaging) 데이터 및 PET(Positron Emission Tomography) 이미지 데이터를 분석하여 비 백질 데이터를 추출하는 전처리 단계; CAE(Convolutional AutoEncoder)를 이용하여 상기 비 백질 데이터를 연산하여 가중치를 업데이트하는 단계; 상기 업데이트 된 가중치를 CNN(Convolutional Neural Networks)의 히든 레이어(hidden layer)의 커널(kernel)에 적용하여 상기 특징 데이터를 추출하는 단계; 및 상기 추출된 특징 데이터를 이용하여 알츠하이머 질병 단계의 확률을 계산하는 단계;을 포함한다.
Description
본 발명은 알츠하이머 질병 검출 방법, 알츠하이머 질병 검출 시스템 및 알츠하이머 질병 검출 방법을 수행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체에 관한 것이다.
알츠하이머(AD, Alzheimer) 질병은 기억, 사고 및 행동에 문제를 일으키는 치매의 한 유형으로 뇌신경의 죽음으로 이어지고 뇌량을 감소시켜 심각한 기억 상실을 발생할 수 있다. 많은 사람이 알츠하이머 질병을 앓고 있으나 알츠하이머 질병에 대하여 충분한 효능 및 안정성을 가진 약물 및 치료방법은 아직 보고되지 않고 있다.
따라서, 알츠하이머 질병의 초기 단계에 있는 환자를 조기에 진단함으로써 중증으로 발전하는 것을 방지하는 것이 중요하다. 그러나, 현재까지 많은 연구에도 불구하고, 조기진단이 어려울 뿐 아니라, 조기 진단을 위한 바이오 마커가 보고 되지 않고 있다.
현재 MRI(Magnetic Resonance Imaging) 또는 CT(Computed Tomography)를 이용한 뇌 영상 진단, 뇌척수액(Cerebrospinal fluid, CSF) 또는 혈액에서 타우(tau) 단백질, 베타-아밀로이드(beta-amyloid)의 양을 측정한 진단, 유전적 위험요소로서 APOE-e4 유전자 다양성형 분석 등이 알츠하이머 질환의 진단 방법에 이용되고 있으나, 알츠하이머 조기 진단을 위한 방법으로써는 여전히 제한적이다.
본 발명의 목적은 신경 영상 데이터로부터 알츠하이머 질병의 단계를 구분할 수 있는 알츠하이머 질병 검출 방법, 알츠하이머 질병 검출 시스템 및 알츠하이머 질병 검출 방법을 수행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체를 제공하는 것이다.
또한, 알츠하이머 질병의 단계를 보다 명확하게 분류하여 판단할 수 있으며, 진단 자동화를 통해 의료 비용을 줄일 수 있다.
또한, 알츠하이머 질병을 조기에 발견할 수 있어 의료 및 지원 서비스에 대한 접근성 향상, 재정적 및 돌봄 계획을 수립할 수 있는 기회를 제공할 수 있다.
본 발명의 실시 예를 따르는 알츠하이머 질병 검출 방법은, MRI(Magnetic Resonance Imaging) 데이터 및 PET(Positron Emission Tomography) 이미지 데이터를 분석하여 비 백질 데이터를 추출하는 전처리 단계; CAE(Convolutional AutoEncoder)를 이용하여 상기 비 백질 데이터를 연산하여 가중치를 업데이트하는 단계; 상기 업데이트 된 가중치를 CNN(Convolutional Neural Networks)의 히든 레이어(hidden layer)의 커널(kernel)에 적용하여 특징 데이터를 추출하는 단계; 및 상기 추출된 특징 데이터를 이용하여 알츠하이머 질병 단계의 확률을 계산하는 단계;을 포함한다.
상기 전처리 단계는, PET 데이터를 MRI 데이터의 이미지 공간에 공동 등록하는 단계를 포함할 수 있다.
상기 전처리 단계는, 상기 MRI 데이터를 백질 맵 및 회백질 맵으로 분할하는 단계를 포함할 수 있다.
상기 전처리 단계는, 상기 백질 맵을 기 설정된 임계값을 기준으로 이진화하여 이진화된 맵을 얻는 단계, 상기 이진화된 맵을 반전하여 반전된 마스크를 얻는 단계, 및 상기 반전된 마스크를 상기 PET 이미지 데이터에 대응하여 상기 PET 이미지 데이터로부터 비 백질 데이터를 얻는 단계,를 포함할 수 있다.
상기 가중치를 업데이트하는 단계는, 상기 비 백질 데이터를 암호화(encode)하는 단계, 및 상기 암호화 된 데이터를 해독(decode)하는 단계,를 포함하고, 상기 암호화(encode)하는 단계는 상기 비 백질 데이터를 콘벌루션(convolution)하는 단계 및 풀링(pooling)하는 단계를 수행하여 보다 낮은 차원의 데이터를 생성하고, 상기 해독(decode)하는 단계는 상기 생성된 낮은 차원의 데이터를 언풀링(unpooling) 및 데콘볼루션(deconvolution)하여 초기 데이터의 차원을 갖는 상기 가중치를 도출할 수 있다.
상기 특징 데이터를 추출하는 단계에서, 상기 CNN의 입력 레이어의 입력 데이터는 상기 PET 이미지 데이터의 비 백질 데이터를 암호화한 데이터일 수 있다.
상기 특징 데이터를 추출하는 단계에서, 상기 CNN의 입력 레이어의 입력 데이터는 상기 가중치를 업데이트하는 단계에서 상기 비 백질 데이터를 암호화(encode)하여 얻어진 인코딩 데이터일 수 있다.
상기 히든 레이어은 ReLU(Rectified Linear Unit)함수를 활성함수로 이용할 수 있다.
상기 알츠하이머병 단계의 확률을 계산하는 단계는, 상기 추출된 특징 데이터를 Softmax 함수로 연산하여 상기 알츠하이머병 단계의 확률을 도출하는 단계를 포함할 수 있다.
상기 알츠하이머병 단계의 확률을 계산하는 단계는, 상기 CNN의 출력 레이어가 다범주 분류 함수를 포함하고, 상기 추출된 특징 데이터를 상기 출력 레이어의 다범주 분류 함수로 연산하여 알츠하이머병 단계의 확률을 계산할 수 있다.
상기 알츠하이머병 단계의 확률을 계산하는 단계에서 계산된 확률은 AD(Alzheimer’s Disease), MCI(Mild Cognitive Impairment) 및 NC(Normal Control) 단계로 표현될 수 있다.
본 발명의 실시 예를 따르는 알츠하이머 질병 검출 시스템은, 수집된 MRI(Magnetic Resonance Imaging) 데이터 및 PET(Positron Emission Tomography) 이미지 데이터로부터 알츠하이머 질병을 검출하는 연산부를 포함한다.
상기 연산부에서 알츠하이머 질병을 검출하는 방법은, 상기 MRI(Magnetic Resonance Imaging) 데이터 및 PET(Positron Emission Tomography) 이미지 데이터를 분석하여 비 백질 데이터를 추출하는 전처리 단계; CAE(Convolutional AutoEncoder)를 이용하여 상기 비 백질 데이터를 연산하여 가중치를 업데이트하는 단계; 상기 업데이트 된 가중치를 CNN(Convolutional Neural Networks)의 히든 레이어(hidden layer)의 커널(kernel)에 적용하여 특징 데이터를 추출하는 단계; 및 상기 추출된 특징 데이터를 이용하여 알츠하이머 질병 단계의 확률을 계산하는 단계;에 의해 수행된다.
본 발명의 실시 예를 따르는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체는 앞서 설명한 알츠하이머 질병 검출 방법을 수행하는 것이다.
본 발명의 실시 예를 따르는 알츠하이머 질병 검출 방법, 알츠하이머 질병 검출 시스템 및 알츠하이머 질병 검출 방법을 수행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체는, 신경 영상 데이터로부터 알츠하이머 질병의 단계를 구분할 수 있는 를 제공할 수 있다.
또한, 알츠하이머 질병의 단계를 보다 명확하게 분류하여 판단할 수 있으며, 진단 자동화를 통해 의료 비용을 줄일 수 있다.
또한, 알츠하이머 질병을 조기에 발견할 수 있어 의료 및 지원 서비스에 대한 접근성 향상, 재정적 및 돌봄 계획을 수립할 수 있는 기회를 제공할 수 있다.
도 1은 본 발명의 실시 예를 따르는 알츠하이머 질병 검출 방법을 도시한 것이다.
도 2는 비 백질 데이터를 추출하는 단계를 수행함에 있어서, 각 세부 단계에서 얻어진 이미지를 도시한 것이다.
도 3은 CAE(Convolutional AutoEncoder)를 이용하여 상기 비 백질 데이터를 연산하여 가중치를 업데이트하는 단계를 도시한 것이다.
도 4는 CNN을 통해 추출된 특징 데이터를 이용하여 알츠하이머 질병 단계의 확률을 계산하는 단계를 도시한 것이다.
도 2는 비 백질 데이터를 추출하는 단계를 수행함에 있어서, 각 세부 단계에서 얻어진 이미지를 도시한 것이다.
도 3은 CAE(Convolutional AutoEncoder)를 이용하여 상기 비 백질 데이터를 연산하여 가중치를 업데이트하는 단계를 도시한 것이다.
도 4는 CNN을 통해 추출된 특징 데이터를 이용하여 알츠하이머 질병 단계의 확률을 계산하는 단계를 도시한 것이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시 형태들을 다음과 같이 설명한다. 그러나, 본 발명의 실시 형태는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명하는 실시 형태로 한정되는 것은 아니다. 또한, 본 발명의 실시 형태는 당해 기술분야에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다. 덧붙여, 명세서 전체에서 어떤 구성요소를 "포함"한다는 것은 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
도 1은 본 발명의 실시 예를 따르는 알츠하이머 질병 검출 방법을 도시한 것이다.
도 1을 참조하면, 본 발명의 실시 예를 따르는 알츠하이머 질병 검출 방법은, MRI(Magnetic Resonance Imaging) 데이터 및 PET(Positron Emission Tomography) 이미지 데이터를 분석하여 비 백질 데이터를 추출하는 전처리 단계; CAE(Convolutional AutoEncoder)를 이용하여 상기 비 백질 데이터를 연산하여 가중치를 업데이트하는 단계; 상기 업데이트 된 가중치를 CNN(Convolutional Neural Networks)의 히든 레이어(hidden layer)의 커널(kernel)에 적용하여 특징 데이터를 추출하는 단계; 및 상기 추출된 특징 데이터를 이용하여 알츠하이머 질병 단계의 확률을 계산하는 단계;을 포함한다.
우선 환자의 MRI(Magnetic Resonance Imaging) 데이터 및 PET(Positron Emission Tomography) 이미지 데이터를 수득한다.
상기 MRI(Magnetic Resonance Imaging) 데이터 및 PET(Positron Emission Tomography) 이미지 데이터를 분석하여 비 백질 데이터를 추출하는 전처리 단계에 대한 실시 예는 도 2를 참조하여 보다 자세히 설명될 수 있다. 도 2는 비 백질 데이터를 추출하는 단계를 수행함에 있어서, 각 세부 단계에서 얻어진 이미지를 도시한 것이다.
도 2a는 MRI 데이터를 도시하고, 도 2b는 PET 이미지 데이터를 도시한다. 본 발명의 실시 예에서, MRI 데이터 및 PET 이미지 데이터는 각 한 쌍을 대상으로 하여 수행될 수 있다. 상기 MRI 데이터는 gradwarp, B1 비균일성 및 N3 단계로 사전 처리될 수 있다. 상기 gradwarp은 그래디언트 모델로 인한 이미지 기하학적 왜곡을 보정하는 것이며, B1 비균일성은 B1 보정 스캔을 사용하여 이미지 강도 비균일성을 보정하는 보정절차이며, N3 단계는 N3 히스토그램 피크 선명화 알고리즘을 적용하여 이미지 강도의 분균일을 줄이는 작업이다. PET 이미지 데이터는 FDG-PET 이미지 데이터일 수 있으며, AC-PC 보정을 수행한 것일 수 있다. 상기 PET 이미지 데이터는 1.5 mm 입방 셀에 배치된 160X160X96 셀 이미지 그리드로 재배치될 수 있다. 또한, 필터를 이요하여 8 mm FWHM의 균일 등방 해상도를 갖는 이미지로 보정될 수 있다.
상기 비 백질 데이터를 추출하는 단계는, PET 이미지 데이터를 MRI 데이터의 이미지 공간에 공동 등록하는 단계를 포함할 수 있다. PET 이미지 데이터 및 MRI 데이터를 공동 등록함으로써 데이터로부터 정확한 위치를 결정할 수 있게 된다. 다음으로, 상기 비 백질 데이터를 추출하는 단계는, 상기 MRI 데이터를 백질(WM, White Matter) 맵 및 회백질 맵으로 분할하는 단계를 진행할 수 있다. 이를 위해 이미지 맵핑 프로그램을 이용하여 MRI 데이터를 백질 맵 및 회백질 맵으로 분할할 수 있다. 상기 맵핑 프로그램은 SPM8(Statistical ParametricMapping 8)일 수 있으며 특별히 제한되지 않는다.
다음으로, PET 이미지 데이터로부터 백질 데이터(또는 비 백질 데이터)를 얻는 단계를 수행한다. 본 단계는, 상기 MRI 데이터에서 도출된 백질 맵을 기 설정된 임계값을 기준으로 이진화하여 이진화된 맵을 얻는 단계, 상기 이진화된 맵을 반전하여 반전된 마스크를 얻는 단계, 및 상기 반전된 마스크를 상기 PET 이미지 데이터에 대응하여 상기 PET 이미지 데이터로부터 비 백질 데이터를 얻는 단계,를 포함하여 수행될 수 있다. 상기 MRI 데이터에서 도출된 백질 맵을 기 설정된 임계값을 기준으로 이진화하여 이진화된 맵을 얻는 단계에서 임계값은 예를 들면 0.3일 수 있다. 도 2c는 본 단계에서 PET 이미지 데이터로부터 도출된 비 백질 데이터를 도시한 것이다.
다음으로, CAE(Convolutional AutoEncoder)를 이용하여 상기 비 백질 데이터를 연산하여 가중치를 업데이트하는 단계를 수행한다. 본 발명의 실시 예는 본 단계에서 CAE를 이용하여 후에 설명할 CNN의 매개 변수인 가중치를 조정하여 알츠하이머 질병을 보다 정확하게 진단할 수 있다. 도 3은 CAE(Convolutional AutoEncoder)를 이용하여 상기 비 백질 데이터를 연산하여 가중치를 업데이트하는 단계를 도시한 것이다.
도 3을 참조하면, 상기 가중치를 업데이트하는 단계는, 상기 비 백질 데이터를 암호화(encode)하는 단계, 및 상기 암호화 된 데이터를 해독(decode)하는 단계,를 포함하고, 상기 암호화(encode)하는 단계는 상기 비 백질 데이터를 콘벌루션(convolution)하는 단계 및 풀링(pooling)하는 단계를 수행하여 보다 낮은 차원의 데이터를 생성하고, 상기 해독(decode)하는 단계는 상기 생성된 낮은 차원의 데이터를 언풀링(unpooling) 및 데콘볼루션(deconvolution)하여 초기 데이터의 차원을 갖는 상기 가중치를 도출할 수 있다.
본 발명의 실시 예에서, CAE의 구조는 아래 수식으로 표현될 수 있다.
여기서 h는 출력값, k는 특징 맵의 순위,σ는 활성화 함수, x는 입력 벡터, *는 합성곱, W는 (r x s x t)의 크기인 가중치, b는 바이어스이다. 여기서 바이어스 b는 전체 특징 맵으로 전파된다.
상기 입력 벡터 x 및 가중치 W의 (i, j, k)에서의 합성곱은 아래와 같이 표현될 수 있다.
또한, 본 연산과정에서 인코딩 및 디코딩을 통해 도출되는 재구성입력(reconstruction of input)은 다음과 같이 표현될 수 있다.
오차가 가장 적게 나오는 최적의 가중치를 결정하기 위한 지표로 손실함수를 사용할 수 있다. 상기 손실함수는 평균제곱오차(MSE, mean squared error) 함수, 교차엔트로피오차(CEE, cross entroypy error)함수가 있으며, 바람직하게는 평균제곱오차함수일 수 있다. 상기 평균제곱오차함수는 아래와 같이 표현될 수 있다.
xi는 입력, yi는 재구성 입력, n은 훈련샘플 수 이다.
본 단계에서, 상기 가중치를 업데이트하는 단계는, 상기 CAE를 통해 도출된 결과값을 역전파(backpropagation)하여 학습하는 단계를 반복함으로써 상기 가중치에 대한 업데이트를 수행할 수 있다. 이러한 역전파를 수행함으로써 오차가 감소하게 된다. 다시 말하면, 오차가 감소하는 방향으로 가중치가 변경되도록 역전파함으로써 가중치를 업데이트할 수 있다. 상기 역전파는 입력값의 정답과 출력값의 오차를 구하여 해당 출력의 델타를 구하고, 상기 델타를 역전파하여 전 단계들의 델타를 계산하고, 이러한 단계를 반복함으로써 학습을 수행하고 가중치를 업데이트할 수 있다. 이러한 역전파를 통한 학습 방식에는 각 데이터를 하나씩 가중치 갱신하는 SGD(Stochastic gradient descent) 또는 전체 학습 데이터 중 일부 데이터만 골라 배치 방식으로 학습하는 미니배치(mini batch) 방식이 있으며 특별히 제한되지 않는다.
다음으로, 상기 업데이트 된 가중치를 CNN(Convolutional Neural Networks)의 히든 레이어(hidden layer)의 커널(kernel)에 적용하여 상기 특징 데이터를 추출하는 단계 및 상기 추출된 특징 데이터를 이용하여 알츠하이머 질병 단계의 확률을 계산하는 단계가 수행된다. 본 발명은 CNN을 사용함으로써 3차원 이미지 데이터를 효율적이고 정확하게 연산하여 결과값을 도출할 수 있다. 도 4는 추출된 특징 데이터를 이용하여 알츠하이머 질병 단계의 확률을 계산하는 단계를 도시한 것이다.
CNN은 히든 레이어(hidden layer)을 포함하며, 상기 히든 레이어는 입력값을 연산 또는 변형한다. 구체적으로 상기 히든 레이어는 3차원의 입력 볼륨을 미분 가능한 함수를 통해 3차원 출력 볼륨으로 변환할 수 있다. 각 히든 레이어는 뉴런들로 이뤄져 있다. 일 예에서, 상기 각 뉴런은 앞쪽 레이어 (previous layer)의 모든 뉴런과 연결되어 있고, (fully connected) 같은 레이어 내에 있는 뉴런들 끼리는 연결되어 있지 않도록 구성될 수 있다. 상기 히든 레이어는 어느 하나의 함수를 반적(reverse) 또는 이동(shift)하고 다른 함수와의 곱을 적분하는 기능을 수행하는 콘벌루션 레이어(convolution layer), 가로 및 세로 방향의 공간을 축소하는 연산을 수행하는 풀링 레이어(pooling layer), 및 이전 계층의 레이어와 모두 연결된 형태의 FC 레이어(Fully-connected layer),를 포함할 수 있다. 상기 FC 레이어는 일반적으로 히든 레이어의 후단에 배치될 수 있다. 상기 레이어 중에서 마지막에 배치된 FC 레이어를 출력 레이어라고 하며 여기서 출력값을 도출할 수 있다. 상기 출력 레이어는 다범주 분류 함수를 포함함으로써 알츠하이머 질병의 확률을 도출할 수 있다.
상기 특징 데이터를 추출하는 단계에서, 상기 CNN의 입력 레이어의 입력 데이터는 상기 PET 이미지 데이터의 비 백질 데이터를 암호화(encoding)한 데이터일 수 있다. 예를 들면, 상기 CNN의 입력 레이어의 입력 데이터는 상기 CAE를 이용하여 가중치를 업데이트하는 단계에서 상기 비 백질 데이터를 암호화(encoding)하여 얻어진 인코딩 데이터일 수 있다. 상기 비 백질 데이터의 암호화(encoding)에 콘볼루젼 레이어 및 풀링 레이어에 의해 수행될 수 있다.
상기 입력값을 히든 레이어를 통과하여 출력값(특징)을 도출하도록 할 수 있다. CNN에 포함된 히든 레이어는 적어도 하나 이상의 커널을 포함하며, 상기 커널은 가중치 및 바이어스에 의해 정의된다. 이 때, 전 단계인 CAE를 이용하여 가중치를 업데이트하는 단계에서 업데이트된 가중치는 히든 레이어(hidden layer)의 커널(kernel)에 적용된다. 일 예에서, 상기 히든 레이어는 풀링 레이어의 출력값을 입력값으로 받는 FC 레이어를 포함할 수 있다. 상기 풀링 레이어는 CNN의 히든 레이어 중 하나이거나, CAE에서 적용된 레이어일 수 있다. 상기 FC 레이어는 1024 FC 레이어(fully-connected layer) 및 512 FC 레이어(fully-connected layer)일 수 있고, 상기 FC 레이어에서 연산을 위해 수행되는 활성 함수는 ReLU(Rectified Linear Unit)함수일 수 있다. 이를 통해, 입력값이 FC 레이어를 거쳐 연산됨으로써 유효한 특징 데이터를 결과값으로 추출할 수 있다. 다시 설명하면, CAE를 통해 지속적으로 업데이트되는 가중치가 CNN의 히든 레이어의 커널에 가중치로서 적용됨으로써, 가장 최적화된 가중치에 의한 결과값을 도출할 수 있게 되고, 이를 통해 보다 정확하게 알츠하이머 질병의 단계를 진단할 수 있다.
상기 알츠하이머병 단계의 확률을 계산하는 단계는 특징 데이터를 다범주 분류 함수로 연산하여 알츠하이머병 단계의 확률 값을 도출하는 작업을 수행할 수 있다. 이 때, 상기 다범주 분류 함수는 출력값을 복수의 범주로 분류하는 데 사용하는 함수로서, 시그모이드 함수 또는 소프트맥스(Softmax) 함수일 수 있다. 상기 소프트맥스 함수는입력값을 0~1사이의 값으로 정규화하여 출력값을 생성하고, 상기 출력값의 총합이 1이 되도록 하는 함수이다. 상기 다범주 분류 함수는 상기 CNN의 출력 레이어에 위치할 수 있고, 상기 추출된 특징 데이터를 상기 출력 레이어의 다범주 분류 함수로 연산하여 알츠하이머병 단계의 확률을 계산할 수 있다.
상기 알츠하이머병 단계의 확률을 계산하는 단계에서 계산된 확률은 기 설정된 기준에 따라 분류될 수 있으며, 예를 들면 AD(Alzheimer's Disease), MCI(Mild Cognitive Impairment) 및 NC(Normal Control) 단계로 표현될 수 있다.
이후, 비용함수로서 교차엔트로피오차(CEE, cross entroypy error)함수를 적용하여 출력값의 오차를 줄이는 방향으로 학습을 수행하도록 할 수있으며, 추가적으로 CNN에서 일반적으로 적용되는 그라디언트 디센트(gradient d
escent) 및 미니배치(mini batch)를 이용하여 최적화를 수행할 수 있다.
본 발명의 실시 예를 따르는 알츠하이머 질병 검출 시스템은, 수집된 MRI(Magnetic Resonance Imaging) 데이터 및 PET(Positron Emission Tomography) 이미지 데이터로부터 알츠하이머 질병을 검출하는 연산부를 포함한다.
상기 연산부에서 알츠하이머 질병을 검출하는 방법은, 상기 MRI(Magnetic Resonance Imaging) 데이터 및 PET(Positron Emission Tomography) 이미지 데이터를 분석하여 비 백질 (WM, White Matter) 데이터를 추출하는 전처리 단계; CAE(Convolutional AutoEncoder)를 이용하여 상기 비 백질 데이터를 연산하여 가중치를 업데이트하는 단계; 상기 업데이트 된 가중치를 CNN(Convolutional Neural Networks)의 히든 레이어(hidden layer)의 커널(kernel)에 적용하여 특징 데이터를 추출하는 단계; 및 상기 통해 추출된 특징 데이터를 이용하여 알츠하이머 질병 단계의 확률을 계산하는 단계;에 의해 수행된다.
상기 연산부는 상기 연산부는 상기 알츠하이머 질병을 검출하는 방법을 수행하기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체를 포함할 수 있다. 상기 기록매체는 메모리 반도체 또는 시스템 반도체일 수 있다. 상기 연산부가 수행하는 알츠하이머 질병을 검출하는 방법은 앞서 설명한 것과 같은 방법에 의해 수행될 수 있다.
본 발명의 실시 예를 따르는 알츠하이머 질병 검출 시스템은, 연산부 외에 키보드 또는 마우스 등의 입력장치, 디스플레이 등의 출력 장치 등을 더 포함할 수 있으며, 외부의 MRI 데이터 및 PET 이미지 데이터를 받기 위한 장치를 더 포함할 수 있다.
본 발명의 실시 예를 따르는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체는 앞서 설명한 알츠하이머 질병 검출 방법을 수행하는 것이다. 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체는 메모리 반도체 또는 시스템 반도체일 수 있다.
본 발명은 상술한 실시 형태 및 첨부된 도면에 의해 한정되는 것이 아니며 첨부된 청구범위에 의해 한정하고자 한다. 따라서, 청구범위에 기재된 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 당 기술분야의 통상의 지식을 가진 자에 의해 다양한 형태의 치환, 변형 및 변경이 가능할 것이며, 이 또한 본 발명의 범위에 속한다고 할 것이다.
Claims (14)
- MRI(Magnetic Resonance Imaging) 데이터 및 PET(Positron Emission Tomography) 이미지 데이터를 분석하여 비 백질 데이터를 추출하는 전처리 단계;
CAE(Convolutional AutoEncoder)를 이용하여 상기 비 백질 데이터를 연산하여 가중치를 업데이트하는 단계;
상기 업데이트 된 가중치를 CNN(Convolutional Neural Networks)의 히든 레이어(hidden layer)의 커널(kernel)에 적용하여 특징 데이터를 추출하는 단계; 및
상기 추출된 특징 데이터를 이용하여 알츠하이머 질병 단계의 확률을 계산하는 단계;을 포함하는,
알츠하이머 질병 검출 방법.
- 제1항에 있어서,
상기 전처리 단계는, PET 이미지 데이터를 MRI 데이터의 이미지 공간에 공동 등록하는 단계를 포함하는,
알츠하이머 질병 검출 방법.
- 제1항에 있어서,
상기 전처리 단계는, 상기 MRI 데이터를 백질 맵 및 회백질 맵으로 분할하는 단계를 포함하는,
알츠하이머 질병 검출 방법.
- 제3항에 있어서,
상기 전처리 단계는, 상기 백질 맵을 기 설정된 임계값을 기준으로 이진화하여 이진화된 맵을 얻는 단계, 상기 이진화된 맵을 반전하여 반전된 마스크를 얻는 단계, 및 상기 반전된 마스크를 상기 PET 이미지 데이터에 대응하여 상기 PET 이미지 데이터로부터 비 백질 데이터를 얻는 단계,를 포함하는,
알츠하이머 질병 검출 방법.
- 제1항에 있어서,
상기 가중치를 업데이트하는 단계는, 상기 비 백질 데이터를 암호화(encode)하는 단계, 및 상기 암호화 된 데이터를 해독(decode)하는 단계,를 포함하고, 상기 암호화(encode)하는 단계는 상기 비 백질 데이터를 콘벌루션(convolution)하는 단계 및 풀링(pooling)하는 단계를 수행하여 보다 낮은 차원의 데이터를 생성하고, 상기 해독(decode)하는 단계는 상기 생성된 낮은 차원의 데이터를 언풀링(unpooling) 및 데콘볼루션(deconvolution)하여 초기 데이터의 차원을 갖는 상기 가중치를 도출하는,
알츠하이머 질병 검출 방법.
- 제1항에 있어서,
상기 가중치를 업데이트하는 단계는, 상기 CAE를 통해 도출된 결과값을 역전파하여 학습하는 단계를 반복함으로써 상기 가중치에 대한 업데이트를 수행하는,
알츠하이머 질병 검출 방법.
- 제1항에 있어서,
상기 특징 데이터를 추출하는 단계에서, 상기 CNN의 입력 레이어의 입력 데이터는 상기 PET 이미지 데이터의 비 백질 데이터를 암호화한 데이터인,
알츠하이머 질병 검출 방법.
- 제1항에 있어서,
상기 특징 데이터를 추출하는 단계에서, 상기 CNN의 입력 레이어의 입력 데이터는 상기 가중치를 업데이트하는 단계에서 상기 비 백질 데이터를 암호화(encode)하여 얻어진 인코딩 데이터인,
알츠하이머 질병 검출 방법.
- 제1항에 있어서,
상기 히든 레이어은 ReLU(Rectified Linear Unit)함수를 활성함수로 이용하는,
알츠하이머 질병 검출 방법.
- 제1항에 있어서,
상기 알츠하이머 질병 단계의 확률을 계산하는 단계는, 상기 추출된 특징 데이터를 Softmax 함수로 연산하여 상기 알츠하이머병 단계의 확률을 도출하는 단계를 포함하는,
알츠하이머 질병 검출 방법.
- 제1항에 있어서,
상기 알츠하이머 질병 단계의 확률을 계산하는 단계는, 상기 CNN의 출력 레이어가 다범주 분류 함수를 포함하고, 상기 추출된 특징 데이터를 상기 출력 레이어의 다범주 분류 함수로 연산하여 알츠하이머병 단계의 확률을 계산하는,
알츠하이머 질병 검출 방법.
- 제1항에 있어서,
상기 알츠하이머 질병 단계의 확률을 계산하는 단계에서 계산된 확률은 AD(Alzheimer's Disease), MCI(Mild Cognitive Impairment) 및 NC(Normal Control) 단계로 표현되는,
알츠하이머 질병 검출 방법.
- 수집된 MRI(Magnetic Resonance Imaging) 데이터 및 PET(Positron Emission Tomography) 이미지 데이터로부터 알츠하이머 질병을 검출하는 연산부를 포함하고,
상기 연산부에서 알츠하이머 질병을 검출하는 방법은,
상기 MRI(Magnetic Resonance Imaging) 데이터 및 PET(Positron Emission Tomography) 이미지 데이터를 분석하여 비 백질 데이터를 추출하는 전처리 단계;
CAE(Convolutional AutoEncoder)를 이용하여 상기 비 백질 데이터를 연산하여 가중치를 업데이트하는 단계;
상기 업데이트 된 가중치를 CNN(Convolutional Neural Networks)의 히든 레이어(hidden layer)의 커널(kernel)에 적용하여 특징 데이터를 추출하는 단계; 및
상기 추출된 특징 데이터를 이용하여 알츠하이머 질병 단계의 확률을 계산하는 단계;에 의해 수행되는,
알츠하이머 질병 검출 시스템.
- 제1항에 기재된 방법을 수행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180029445A KR20190112219A (ko) | 2018-03-13 | 2018-03-13 | 알츠하이머 질병 검출 방법, 알츠하이머 질병 검출 시스템 및 알츠하이머 질병 검출 방법을 수행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180029445A KR20190112219A (ko) | 2018-03-13 | 2018-03-13 | 알츠하이머 질병 검출 방법, 알츠하이머 질병 검출 시스템 및 알츠하이머 질병 검출 방법을 수행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20190112219A true KR20190112219A (ko) | 2019-10-04 |
Family
ID=68208082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180029445A KR20190112219A (ko) | 2018-03-13 | 2018-03-13 | 알츠하이머 질병 검출 방법, 알츠하이머 질병 검출 시스템 및 알츠하이머 질병 검출 방법을 수행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20190112219A (ko) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220011242A (ko) | 2020-07-20 | 2022-01-28 | 경희대학교 산학협력단 | 알츠하이머병 진단을 위한 인공지능 기반의 전도도 영상 복원 장치 및 방법 |
| KR20220120345A (ko) * | 2021-02-23 | 2022-08-30 | 인하대학교 산학협력단 | 시계열 데이터에 기반한 알츠하이머병 진행감지를 위한 멀티모드 멀티테스크 딥 러닝 모델 |
| WO2022203093A1 (ko) * | 2021-03-22 | 2022-09-29 | 이원다이애그노믹스(주) | 암 발생여부를 진단 또는 예측하는 방법 |
| KR20230015706A (ko) * | 2021-07-23 | 2023-01-31 | 조선대학교산학협력단 | 구조적, 확산 및 기능적 신경영상과 apoe 유전형을 포함하는 다중모드 특징을 이용하여 알츠하이머병에 대한 진단정보 제공방법 |
| CN117349714A (zh) * | 2023-12-06 | 2024-01-05 | 中南大学 | 阿尔茨海默症医学图像的分类方法、系统、设备及介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101734645B1 (ko) | 2015-05-18 | 2017-05-11 | (주)에이엔티랩스 | 초기 알츠하이머 병 또는 경도 인지 장애 진단 방법 |
-
2018
- 2018-03-13 KR KR1020180029445A patent/KR20190112219A/ko active Search and Examination
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101734645B1 (ko) | 2015-05-18 | 2017-05-11 | (주)에이엔티랩스 | 초기 알츠하이머 병 또는 경도 인지 장애 진단 방법 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220011242A (ko) | 2020-07-20 | 2022-01-28 | 경희대학교 산학협력단 | 알츠하이머병 진단을 위한 인공지능 기반의 전도도 영상 복원 장치 및 방법 |
| KR20220120345A (ko) * | 2021-02-23 | 2022-08-30 | 인하대학교 산학협력단 | 시계열 데이터에 기반한 알츠하이머병 진행감지를 위한 멀티모드 멀티테스크 딥 러닝 모델 |
| WO2022203093A1 (ko) * | 2021-03-22 | 2022-09-29 | 이원다이애그노믹스(주) | 암 발생여부를 진단 또는 예측하는 방법 |
| KR20230015706A (ko) * | 2021-07-23 | 2023-01-31 | 조선대학교산학협력단 | 구조적, 확산 및 기능적 신경영상과 apoe 유전형을 포함하는 다중모드 특징을 이용하여 알츠하이머병에 대한 진단정보 제공방법 |
| CN117349714A (zh) * | 2023-12-06 | 2024-01-05 | 中南大学 | 阿尔茨海默症医学图像的分类方法、系统、设备及介质 |
| CN117349714B (zh) * | 2023-12-06 | 2024-02-13 | 中南大学 | 阿尔茨海默症医学图像的分类方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10624558B2 (en) | Protocol independent image processing with adversarial networks | |
| US11449759B2 (en) | Medical imaging diffeomorphic registration based on machine learning | |
| Roy et al. | Bayesian QuickNAT: Model uncertainty in deep whole-brain segmentation for structure-wise quality control | |
| KR20190112219A (ko) | 알츠하이머 질병 검출 방법, 알츠하이머 질병 검출 시스템 및 알츠하이머 질병 검출 방법을 수행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체 | |
| US10387765B2 (en) | Image correction using a deep generative machine-learning model | |
| Liu et al. | Hierarchical fusion of features and classifier decisions for Alzheimer's disease diagnosis | |
| Liu et al. | View‐centralized multi‐atlas classification for Alzheimer's disease diagnosis | |
| US20220122250A1 (en) | Brain feature prediction using geometric deep learning on graph representations of medical image data | |
| JP6832783B2 (ja) | データ分析装置、データ分析方法、およびデータ分析プログラム | |
| Punjabi et al. | Neuroimaging modality fusion in Alzheimer’s classification using convolutional neural networks | |
| US8798345B2 (en) | Diagnosis processing device, diagnosis processing system, diagnosis processing method, diagnosis processing program and computer-readable recording medium, and classification processing device | |
| Khagi et al. | Pixel‐Label‐Based Segmentation of Cross‐Sectional Brain MRI Using Simplified SegNet Architecture‐Based CNN | |
| CN116097302A (zh) | 用于病灶检测的利用联合训练的连接式机器学习模型 | |
| Chakraborty et al. | Contrast optimization using elitist metaheuristic optimization and gradient approximation for biomedical image enhancement | |
| Natalia et al. | Automated measurement of anteroposterior diameter and foraminal widths in MRI images for lumbar spinal stenosis diagnosis | |
| CN116258933A (zh) | 基于全局信息感知的医学图像分割装置 | |
| Rohini et al. | Toward Alzheimer’s disease classification through machine learning | |
| Chen et al. | Improving reproducibility and performance of radiomics in low‐dose CT using cycle GANs | |
| US20230079353A1 (en) | Image correction using an invertable network | |
| Wang et al. | SERR‐U‐Net: Squeeze‐and‐Excitation Residual and Recurrent Block‐Based U‐Net for Automatic Vessel Segmentation in Retinal Image | |
| Saha | Classification of Parkinson’s disease using MRI data and deep learning convolution neural networks | |
| Sampath et al. | 3D brain image‐based Alzheimer's disease detection techniques using fish swarm optimizer's deep convolution Siamese neural network | |
| Eitel et al. | Patch individual filter layers in CNNs to harness the spatial homogeneity of neuroimaging data | |
| US11580390B2 (en) | Data processing apparatus and method | |
| KR102608205B1 (ko) | 2차원 mri에서 예측한 부피를 이용한 치매 정보 산출 방법 및 분석장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment |