KR20190124538A - 뇌 해마의 관상면 중심점으로부터 거리분석에 따른 치매분류 방법 - Google Patents
뇌 해마의 관상면 중심점으로부터 거리분석에 따른 치매분류 방법 Download PDFInfo
- Publication number
- KR20190124538A KR20190124538A KR1020180048626A KR20180048626A KR20190124538A KR 20190124538 A KR20190124538 A KR 20190124538A KR 1020180048626 A KR1020180048626 A KR 1020180048626A KR 20180048626 A KR20180048626 A KR 20180048626A KR 20190124538 A KR20190124538 A KR 20190124538A
- Authority
- KR
- South Korea
- Prior art keywords
- hippocampus
- image
- distance
- center
- center point
- Prior art date
Links
- 210000001320 hippocampus Anatomy 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 67
- 210000004556 brain Anatomy 0.000 title claims abstract description 30
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 230000005484 gravity Effects 0.000 claims abstract description 32
- 206010012289 Dementia Diseases 0.000 claims abstract description 31
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 239000003086 colorant Substances 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000000971 hippocampal effect Effects 0.000 claims description 8
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 238000004393 prognosis Methods 0.000 abstract description 6
- 208000024827 Alzheimer disease Diseases 0.000 description 16
- 208000010877 cognitive disease Diseases 0.000 description 11
- 208000027061 mild cognitive impairment Diseases 0.000 description 11
- 238000012800 visualization Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000002093 peripheral effect Effects 0.000 description 5
- 208000031124 Dementia Alzheimer type Diseases 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008602 contraction Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 208000014644 Brain disease Diseases 0.000 description 2
- 239000000090 biomarker Substances 0.000 description 2
- 210000003710 cerebral cortex Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001416181 Axis axis Species 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- 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
-
- G06T3/0075—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
- G06T3/147—Transformations for image registration, e.g. adjusting or mapping for alignment of images using affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20036—Morphological image processing
- G06T2207/20044—Skeletonization; Medial axis transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Neurology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Child & Adolescent Psychology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Radiology & Medical Imaging (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- High Energy & Nuclear Physics (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
치매 상태의 진단과 예후를 판별할 수 있는 뇌 해마의 관상면 중심점으로부터 거리분석에 따른 치매분류 방법이 개시된다. 치매분류 방법은 뇌 MR 영상에서 해마 영역을 추출하는 관심영역 추출 단계, 상기 해마 영역의 시상면 영상을 관상면 영상으로 재구성하는 영상 재구성(Re-Slice) 단계, 상기 관상면으로 재구성된 영상에서 해마의 축점 또는 해마의 무게중심점 중의 어느 하나를 중심점으로 찾아 표시하는 중심점 표시 단계, 상기 중심점으로부터 해마의 가장자리를 탐색하는 외곽선 탐색 단계, 상기 외곽선 탐색 단계에서 탐색된 상기 해마 가장자리까지의 화소수를 기준으로 거리를 측정하는 거리계산 단계, 상기 중심점과 상기 거리계산 단계에서 측정된 거리에 따른 서로 다른 소정의 색상을 표시하여 나타내는 3차원 컬러매핑 단계 및 상기 거리계산 단계에서 측정된 거리의 분산값과 가중치값을 구하는 통계 분석 단계를 포함한다.
Description
본 발명은 뇌 해마의 관상면 중심점으로부터 거리분석에 따른 치매분류 방법에 관한 것으로서, 보다 상세하게는 알츠하이머병 진행에 따라 변화하는 해마의 특성을 이용하여 치매 상태의 진단과 예후를 판별할 수 있는 뇌 해마의 관상면 중심점으로부터 거리분석에 따른 치매분류 방법에 관한 것이다.
최근 들어 해가 거듭 할수록 연령별 치매 유병률이 증가하고 있고 세계적으로 치매에 대한 관심이 나날이 높아지고 있다. 치매란 일상생활을 방해할 정도의 심각한 기억력 및 기타 지적 능력의 상실을 의미하는 용어로서, 이러한 치매 사례의 60-80%를 차지하는 것으로 추정되는 병이 알츠하이머병(Alzheimer's Disease)이다.
상기 알츠하이머병은 질환 진행에 따라 뇌 해마(hippocampus)의 체적 및 표면적이 줄어들고 가늘어지는 중추신경계의 퇴행성 질환으로 매우 서서히 발병하여 점진적으로 진행되는 경과를 보인다.
그러므로 뇌 해마의 수축은 알츠하이머병 진행과정의 초기 특징으로서 해마의 부피와 표면은 알츠하이머병의 임상적 진단에 매우 중요한 요인이 되고 있다.
그러나 해마는 그 형태가 모호하기 때문에 영상을 분할하는데 어려움이 있기 때문에 뇌 영상에서 해마를 추출하기 위해서는 사용자가 해마를 수작업으로 분리 해야만 하는 어려움이 있다.
현재 진행되는 기존 기술로는 해마에서 추출하는 여러 특징들을 이용해 해마를 자동적으로 관철, 분류할 수 있는 방법에 대한 것들의 연구가 진행 중에 있으며, 다른 여러 방면에서의 해마 관련 연구가 활발히 진행되고 있다.
그러므로 해마가 수축하거나 얇아지는 것을 정밀하고, 객관적으로 측정하기 위해서는 해마의 어떤 부분에 변형이 일어났는지를 정량적으로 분석하는 것은 치매의 진단 및 예후 판단에 반드시 필요하고 중요하다.
이에 대뇌 피질에 대한 위상학적이고 기하학적으로 정확한 모델을 재구성하기위한 도구들이 사용되고 있다,
그 중에 하나로서 사용되는 FreeSurfer는 MRI(Magnetic Resonance Imaging) 스캔 데이터를 분석하기 위해 Massachusetts General Hospital의 Athinoula A. Martinos Center for Biomedical Imaging 에서 개발 한 뇌 이미징 소프트웨어 패키지이다.
그러나 상기 FreeSurfer는 기능적인 두뇌지도 작성에 사용되는 도구이며 고도로 접힌 대뇌 피질의 기능 영역의 시각화를 용이하게 하며, 자동 매핑이 가능하지만, 정확도가 낮고, 시간도 오래 걸리며, 정확도가 떨어지는 단점이 있다. 또한 상기 Freesurfer는 해마의 형상적 변형을 추적하고 확인하는 것이 어렵게 되어있다.
또한, 본 발명의 배경기술의 선행특허로서 대한민국 등록특허공보 10-0680232호(2007.02.01.)에 뇌질환의 진단보조를 위한 뇌 해마 분석 방법 및 그 방법이 수록되어 컴퓨터로 읽을 수 있는 기록매체에 관한 것이 개시되어 있다.
상기 선행특허는 기억, 감정, 학습 등의 뇌 기능과 밀접한 관계를 가지는 뇌 하위 조직인 해마(hippocampus)의 포도당, 혈류 대사 등의 기능적 특성을 해부학적 형태와 함께 시각적, 정량적으로 분석하는, 실제 임상에 즉시 적용 가능한 뇌질환 진단보조를 위한 뇌 해마 분석 방법 및 그 방법이 수록되어 컴퓨터로 읽을 수 있는 기록매체에 관한 것으로서, 해부학적, 기능적 뇌 영상 정합(registration)을 통해 해마의 해부학적 영역의 신진 대사 분포를 추출, 복합적 진단 정보를 제공하기 위한 것이다.
한편, 상기 선행특허는 해마의 관상면(coronal plane)에 대한 축점과 무게중심점을 이용한 새로운 중심점을 기준으로 거리측정을 하여 해마의 변형 정도를 파악하고, 자동 컬러매핑을 통하여 보다 정확하고 정량적인 치매분류 방법의 수치화된 분석툴을 제공하지 않는다.
즉, 본 발명은 상기와 같은 종래 기술의 문제점을 해결하기 위하여 안출된 본 발명의 목적은 해마의 축점 또는 무게중심점 중의 어느 하나를 이용하는 관상면 중심점으로부터 해마 외곽선까지의 거리분석의 특성에 따른 알츠하이머병 상태의 진단과 예후를 판별할 수 있도록 방법을 제공하는 것이다.
또한, 본 발명의 다른 목적은 해마의 형태학적 특성을 이용하여 치매 환자의 분류가 가능하게 하는 방법을 제공하는데 있다.
이에 본 발명은 상술한 목적을 달성하기 위하여, 치매분류 방법에 있어서, 뇌 MR 영상에서 해마 영역을 추출하는 관심영역 추출 단계; 상기 해마 영역의 시상면 영상을 관상면 영상으로 재구성하는 영상 재구성(Re-Slice) 단계; 상기 관상면으로 재구성된 영상에서 해마의 축점 또는 해마의 무게중심점 중의 어느 하나를 중심점으로 찾아 표시하는 중심점 표시 단계; 상기 중심점으로부터 해마의 가장자리를 탐색하는 외곽선 탐색 단계; 상기 외곽선 탐색 단계에서 탐색된 상기 해마 가장자리까지의 화소수를 기준으로 거리를 측정하는 거리계산 단계; 상기 중심점과 상기 거리계산 단계에서 측정된 거리에 따른 서로 다른 소정의 색상을 표시하여 나타내는 3차원 컬러매핑 단계; 및 상기 거리계산 단계에서 측정된 거리의 분산값과 가중치값을 구하는 통계 분석 단계;를 포함하여 이루어지는 것을 특징으로 할 수 있다.
또한, 본 발명의 일 실시예에서 상기 영상 재구성(Re-Slice) 단계는 DICOM 파일의 뇌 영상을 획득하고, 상기 영상에 대해 변경하는 방향에 따른 행렬식을 사용하여 벡터 변환 방식의 어파인변환(affine transform)을 통해 Re-Slice를 수행하는 것을 특징으로 할 수 있다.
또한, 본 발명의 상기 영상 재구성(Re-Slice) 단계는 B 스플라인 보간법(BSpline Interpolation)을 사용하여 Re-Slice 수행 중에 발생하는 영상 손실을 최소화하는 것을 특징으로 할 수 있다.
또한, 본 발명의 상기 해마의 축점은 추출된 해마 영상의 가장 우측(top) 화소와 가장 좌측(tail) 화소를 탐색하여 최장 직선을 연결한 선위의 점들로 구성되는 것을 특징으로 할 수 있다.
또한, 본 발명의 상기 해마의 무게중심점은 상기 관상면 영상에서 해마의 경계선에 접하는 가장 큰 원을 그리고 이를 연결하여 하나의 골격화(skeletonization)를 구성하고, 좌표 X, Y에 대한 수학식 1을 이용하여 구해지는 것을 특징으로 할 수 있다.
또한, 본 발명의 상기 외곽선 탐색 단계는 상기 중심점 표시 단계의 영상에서 소정 크기의 픽셀 마스크를 이용하여 상기 중심점을 기준으로 360도 회전하면서 주변 화소의 RGB 값에서 검정이 검출되면 해당 화소를 가장자리에 있는 것으로 판단하는 것을 특징으로 할 수 있다.
본 발명은 뇌 해마의 축점 또는 무게중심점 중의 어느 하나로 선택되는 중심점으로부터 해마 외곽선까지의 거리측정에 따른 형태학적 특성을 분석하고, 거리 비교에 따른 통계 결과를 3차원 컬러매핑으로 시각화함으로서 치매 환자의 분류가 용이하게 하는 방법을 제공하는 효과가 있다.
또한, 본 발명은 향후 알츠하이머병의 진단과 예후를 결정하는 바이오 마커의 지표로 제공될 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 뇌 해마의 관상면 중심점으로부터 거리분석에 따른 치매분류 방법의 프로세스를 나타내는 흐름도이고,
도 2는 본 발명의 일 실시예에 따른 뇌 영상에서 획득한 다양한 형상의 해마의 형태를 나타내는 영상 단면의 예시도,
도 3은 본 발명의 일 실시예에 따른 관상면 재구성을 위한 Re-slice과정의 프로세스를 나타내는 흐름도,
도 4는 상기 도 3의 프로세스에 따른 관상면 재구성 결과를 보여주는 예시도,
도 5는 본 발명의 일 실시예에 따른 해마의 각 축점들로부터 최장 직선을 연결한 선을 보여주는 예시도,
도 6은 본 발명의 일 실시예에 따른 해마에서 무게중심점을 사용하여 골격화를 구성하는 방법을 보여주는 예시도,
도 7은 상기 도 6에 따른 골격화된 관상면의 무게중심점을 표현하여 보여주는 예시도,
도 8은 본 발명의 일 실시예에 따른 관상면 중심점으로부터 거리 비교에 따른 통계 결과를 시각화하여 나타내는 예시도,
도 9는 본 발명의 일 실시예에 따른 AD 피험자의 관상면 중심점으로부터 측정된 거리에 따른 3차원 컬러매핑된 색면 시각화의 예시도,
도 10은 본 발명의 일 실시예에 따른 MCI 피험자의 관상면 중심점으로부터 측정된 거리에 따른 3차원 컬러매핑된 색면 시각화의 예시도,
도 11은 본 발명의 일 실시예에 따른 정상인(NC)에 대한 관상면 중심점으로부터 측정된 거리에 따른 3차원 컬러매핑된 색면 시각화의 예시도이다.
도 2는 본 발명의 일 실시예에 따른 뇌 영상에서 획득한 다양한 형상의 해마의 형태를 나타내는 영상 단면의 예시도,
도 3은 본 발명의 일 실시예에 따른 관상면 재구성을 위한 Re-slice과정의 프로세스를 나타내는 흐름도,
도 4는 상기 도 3의 프로세스에 따른 관상면 재구성 결과를 보여주는 예시도,
도 5는 본 발명의 일 실시예에 따른 해마의 각 축점들로부터 최장 직선을 연결한 선을 보여주는 예시도,
도 6은 본 발명의 일 실시예에 따른 해마에서 무게중심점을 사용하여 골격화를 구성하는 방법을 보여주는 예시도,
도 7은 상기 도 6에 따른 골격화된 관상면의 무게중심점을 표현하여 보여주는 예시도,
도 8은 본 발명의 일 실시예에 따른 관상면 중심점으로부터 거리 비교에 따른 통계 결과를 시각화하여 나타내는 예시도,
도 9는 본 발명의 일 실시예에 따른 AD 피험자의 관상면 중심점으로부터 측정된 거리에 따른 3차원 컬러매핑된 색면 시각화의 예시도,
도 10은 본 발명의 일 실시예에 따른 MCI 피험자의 관상면 중심점으로부터 측정된 거리에 따른 3차원 컬러매핑된 색면 시각화의 예시도,
도 11은 본 발명의 일 실시예에 따른 정상인(NC)에 대한 관상면 중심점으로부터 측정된 거리에 따른 3차원 컬러매핑된 색면 시각화의 예시도이다.
본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
이하 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명하기로 한다.
먼저 본 명세서에서 사용되는 용어로서 AD는 알츠하이머병(AD: Alzheimer's Disease)을 가진 피험자를 의미하고, MCI는 경도인지장애(MCI: Mild Cognitive Impairment)를 가진 피험자를 의미하고, NC는 정상인(NC: Normal Control) 피험자를 지칭한다.
이에 도 1은 본 발명의 실시예에 따른 뇌 해마의 관상면 중심점으로부터 거리분석에 따른 치매분류 방법의 전체 프로세스를 나타내는 흐름도이다.
도시와 같이 본 발명은 치매분류 방법에 있어서, 뇌 MR 영상에서 해마 영역을 추출하는 관심영역 추출 단계(S100), 상기 해마 영역의 시상면 영상을 관상면 영상으로 재구성하는 영상 재구성(Re-Slice) 단계(S200), 상기 관상면으로 재구성된 영상에서 해마의 축점 또는 해마의 무게중심점 중의 어느 하나를 중심점으로 찾아 표시하는 중심점 표시 단계(S300), 상기 중심점으로부터 해마의 가장자리를 탐색하는 외곽선 탐색 단계(S400), 상기 외곽선 탐색 단계에서 탐색된 상기 해마 가장자리까지의 화소수를 기준으로 거리를 측정하는 거리계산 단계(S500), 상기 중심점과 상기 거리계산 단계에서 측정된 거리에 따른 서로 다른 소정의 색상을 표시하여 나타내는 3차원 컬러매핑 단계(S600) 및 상기 거리계산 단계에서 측정된 거리의 분산값과 가중치값을 구하는 통계 분석 단계(S700)를 포함하여 이루어질 수 있다.
이를 자세히 설명하면 다음과 같다.
상기 관심영역 추출 단계(S100)는 본 발명에 있어서 해마(hippocampus)의 영상을 추출하는 단계를 의미하는 것이고, 상기 MR 영상이란 자기공명(magnetic resonance, MR) 영상일 수 있다.
이에 도 2는 본 발명의 일 실시예에 따른 각 피험자의 뇌 영상에서 획득한 다양한 해마의 형태를 3차원 영상으로 가시화 한 결과를 보여주는 예시도이다.
이때 도 2의 (a)는 NC 피험자의 MR 영상의 좌측영역 뇌 슬라이스 영상들, (b)는 NC 피험자의 우측영역 뇌 슬라이스 영상들을 나타내고 (a), (b) 각각의 슬라이스에서 추출한 해마를 3차원 영상으로 가시화 한 결과가 (c)이다.
또한, 도 2의 (d)는 MCI 피험자 MR영상의 좌측 뇌 슬라이스 영상이고, (e)는 MCI 피험자 MR영상의 뇌 우측 슬라이스의 영상이며, (d),(e)에서 추출한 해마를 3차원 영상으로 가시화 한 결과가 (f)이다.
마지막으로 AD 피험자의 MR영상의 좌 우측 각 슬라이스 영상이 (g),(h)이고, (g),(h)에서 추출한 해마를 3차원 영상으로 가시화 한 결과가 (i)이다.
상기 도 2에 따른 각 피험자의 뇌 MR 영상을 3차원 영상으로 가시화하기 위하여 3차원 렌더링 기법이 사용될 수 있다.
상기 영상 재구성(Re-Slice) 단계(S200)는 일반적으로 장비로부터의 기존 MR 영상들이 시상면(sagittal plane)으로 구성되어 있을 때에, 상기 MR 영상을 관상면(coronal plane)으로 재구성하기 위한 Re-Slice 과정을 수행하는 것을 의미한다.
도 3은 본 발명의 실시예에 따른 관상면 재구성을 위한 Re-slice 과정의 프로세스를 나타내는 흐름도이다.
본 발명의 영상 재구성을 위한 Re-Slice 과정은 Read DICOM 단계(S210), Resample ImageFilter 단계(S220), Adapt AffineTransform 단계(S230), Adapt BSplineInterpolation 단계(S240) 및 Write DICOM.BMP 단계(S250)로 이루어질 수 있다.
먼저, Read DICOM 단계(S210)는 DICOM 파일을 영상처리 라이브러리를 사용하여 읽어 들이고 뇌 영상을 획득하는 단계이다. 이때 상기 영상처리 라이브러리는 ITK(Insight Segmentation & Registration ToolKit)일 수 있다.
DICOM(Digital Imaging and Communications in Medicine)은 의료용 스캔을 수신하는 데 가장 일반적으로 사용되는 표준으로, DICOM 파일에는 별개의 스캔 레이어를 나타내는 여러 "분할 영역", 즉 프레임이 포함될 수 있다.
Resample ImageFilter 단계(S220)는 이미지필터를 이용하여 이미지의 노이즈 등을 제거하는 단계이고, Adapt AffineTransform 단계(S230)는 변경하는 방향에 대해 행렬식을 작성하여 어파인 변환(affine transform)을 통해 Re-Slice를 실시하는 단계이다.
그리고 Re-slice 과정에서 발생하는 손실을 최소화하기 위하여 BSpline Interpolation을 통한 B 스플라인 보간법을 실시하는 Adapt BSplineInterpolation 단계(S240)를 수행한다.
이후 상기 Re-slice 과정의 결과를 DICOM과 BMP Format으로 저장하는 Write DICOM.BMP 단계(S250)를 수행할 수 있다.
도 4는 상기 도 3의 Re-slice 프로세스에 따른 관상면 재구성 결과를 보여주는 예시도이다.
본 발명에 있어서 뇌 해마의 관상면 중심점으로부터 거리분석에 따른 치매분류 방법을 제공을 위한 해마의 축점 또는 해마의 무게중심점(무점, center point) 중의 어느 하나를 새로운 중심점으로 찾아 표시하는 중심점 표시 단계(S300)를 수행한다.
이에 본 발명에 있어서 상기 중심점 표시 단계(S300)와 상기 거리계산 단계(S500)에 있어서 해마가 수축하는 것을 보다 정밀하게 측정하기 위하여 해마의 축점을 이용하는 거리계산 방법과 해마의 무게중심점을 이용하는 거리계산 방법으로 나누어 설명하기로 한다.
먼저 본 발명의 첫 번째 해마의 축점을 이용하는 거리계산 방법은 상기 해마 장축의 축점 표시 단계와 상기 축점으로부터 가장자리까지의 거리를 계산하는 단계를 포함하여 이루어진다.
상기 해마 장축의 축점 표시 단계는 상기 영상 재구성(Re-Slice) 단계를 거처 3차원으로 재구성 된 관상면 데이터에서 해마의 장축(shaft)이 지나는 점(축점)을 슬라이스 마다 찾아 표시하는 단계이다.
이를 위해서 도 2에서 추출된 해마의 3차원 시각화한 결과 영상에서 최장 직선을 구하기 위하여 가장 우측(top) 화소와 가장 좌측(tail) 화소를 탐색하여 해마의 가장 우측(top) 화소와 가장 좌측(tail) 화소를 선 연결로 표시할 수 있다.
이에 상기 해마의 축점은 추출된 해마 영상의 가장 우측(top) 화소와 가장 좌측(tail) 화소를 탐색하여 최장 직선을 연결한 선위의 점들로 구성될 수 있다.
도 5는 본 발명의 일실시예에 따른 해마의 각 축점들의 연결을 도시한 예시도로서, 도 5의 (a)는 해마의 가장 우측(top) 화소와 가장 좌측(tail) 화소를 선 연결한 것을 나타내고 있으며, 도 5의 (b)는 상기 도 5 (a) 해마의 측면 렌더링을 나타내고 있다.
상기 도 5의 (a)와 (b)를 통해 추출된 해마와 최장 직선의 각 축점들로부터 해마의 가장자리의 점까지 거리를 계산할 수 있다.
본 발명의 두 번째 해마의 무게중심점을 이용하는 거리계산 방법은 상기 해마의 무게중심점을 표시하는 단계와 상기 무게중심점으로부터 가장자리까지의 거리를 계산하는 단계를 포함하여 이루어진다.
상기 해마의 무게중심점을 표시하는 단계는 상기 영상 재구성(Re-Slice) 단계를 거처 3차원으로 재구성 된 관상면 데이터에서 각각의 슬라이스에 대하여 무게중심점을 계산할 수 있다.
본 발명에서 해마 영상 각각의 무게중심점(center point)을 구하는 공식은 다음의 수학식 1과 같다.
수학식 1에서 X는 좌표 x를 뜻하고 Y는 좌표 y를 의미한다.
상기 무게중심점으로부터 가장자리까지의 거리를 계산하는 단계는 해마의 경계선에 접하는 가장 큰 원을 그린 다음 무게중심점을 찾고 이를 연결하여 하나의 골격화(skeletonization)를 구성하는 단계이다.
도 6은 본 발명의 일실시예에 따른 해마에서 무게중심점을 사용하여 골격화를 구성하기 위한 방법을 나타내는 예시도이다. 또한, 도 7의 도시에서 상기 관상면의 무게중심점이 파란색으로 표현되어 있음을 알 수 있다.
상기 외곽선 탐색 단계(S400)는, 도 6의 왼쪽, 중앙 및 오른쪽 도면들을 순서대로 도시한 바와 같이, 상기 중심점 표시 단계의 영상에서 소정 크기의 픽셀 마스크를 이용하여 상기 중심점을 기준으로 360도 회전하면서 주변 화소의 RGB 값에서 검정이 검출되면 해당 화소를 가장자리에 있는 것으로 판단(Edge detection)하는 단계이다.
본 발명의 일 실시예로는 관상면의 영상에서 외곽선을 탐색하기 위하여 각 화소를 중심으로 하여 3×3 크기의 마스크를 이용하여 탐색하였으며, 상기 3×3 크기의 마스크를 이용하여 탐색하는 과정에서 주변 화소의 RGB 값에서 검정이 검출되면 해당 화소를 외곽에 있는 것으로 판단하고 RGB 값을 다른 화소 값으로 변경할 수 있도록 하였다.
이후 축점 및 무게중심점을 기준으로 360도로 회전하면서 탐색을 진행하면 중심점과 외곽 화소의 거리(distance)를 계산할 수 있으며, 이 과정에서 최대 RGB 값과 축점과 무게중심점의 거리를 계산할 수 있는 것이다.
도 7의 (a)는 관상면의 축점 또는 무게중심점을 표현하여 보여주는 예시도이고, 외곽선 탐색에 따른 외곽선을 붉은색으로 나타내는 예시도이다.
이후 상기 거리계산 단계(S500)에서 측정된 거리의 분산값과 가중치값을 구하는 통계 분석 단계(S700)을 수행할 수 있다.
이는 본 발명에서 제안된 해마의 축점을 이용하는 거리계산 방법 또는 해마의 무게중심점을 이용하는 거리계산 방법 중 객관성 및 유효성이 높은 방법을 분석하기 위한 것이다.
이를 위해서 각 피험자들의 해마 영상에 대해 거리마다의 화소수를 계산하여 표 1 내지 표 4에 나타내었다.
위의 표 1은 축점을 이용한 근거리 분석 결과이고, 표 2는 축점을 이용한 원거리 분석 결과, 표 3은 무게중심점을 이용한 근거리 분석 결과이고, 표 4는 무게중심점을 이용한 원거리 분석 결과를 나타내는 것이다. 이는 피험자의 상태에 따라 각 피험자의 슬라이스마다 가지는 가장 긴 거리와 가장 짧은 거리를 누적하여 나타내었으며, 누적된 결과들을 이용해 분산과 가중치를 계산하여 표에 나타낸 것이다.
다시 말해, 표 1과 표 2는 첫 번째 방법, 즉 해마의 축점(shaft)을 이용하는 거리계산 방법의 결과이고, 표 3과 표 4는 본 발명의 두 번째 방법인 해마의 무게중심점(center point)를 이용하는 거리계산 방법의 결과로서 분산과 거리에 따른 가중치를 계산한 결과를 정리한 것이다.
본 발명의 분산과 가중치의 계산을 위해 사용된 공식은 다음의 수학식 2 및 수학식 3과 같다.
이때 V(variance)는 분산 평균을 나타내며 W(weight)는 거리에 대한 가중 평균치를 나타낸다. 상기 두 수학식의 
는 임의의 변량, 즉 한 피험자의 화소와 중심점 또는 축과의 거리에 따른 화소수를 뜻하고, 
는 화소수에 대한 평균, 그리고 
는 거리를 나타낸다.
도 8은 해마의 거리 비교에 따른 통계 결과를 시각화하여 나타내는 예시도이다.
위의 표 1과 표 3은 해마 표면까지의 거리를 비교하여 짧은 거리(근 거리)를 통계한 결과이며 도 8에서는 초록색(녹색)으로 표시되어 있다.
또한, 표 2와 표 4는 해마 표면까지의 거리를 비교하여 긴 거리를 통계한 결과이며 도 8에서 파란색으로 표시되어진다. 이는 해마의 형상분석의 중요한 요소들로 작용할 수 있다.
표 1과 표 3과 같은 짧은 거리 화소들과 표 2와 표 4와 같은 화소의 긴 거리에 따라 비교하였을 때 긴 거리의 화소들을 이용했을 때 피험자 그룹 구분이 가능함을 알 수 있다.
표 1과 표 3과 같은 짧은 거리의 화소들은 알츠하이머의 진행 정도에 관계없이 짧은 거리의 화소들이 분포하기 때문에 결과적으로 피험자 군을 구분할 수 없음을 의미한다. 하지만 긴 거리의 화소들은 알츠하이머가 진행됨에 따라 더 적게 분포하기 때문에 표 2와 표 4와 같이 병세가 진행 될수록 분산과 가중치에 대한 평균이 감소함을 알 수 있다.
따라서 두 알고리즘을 사용하여 해마 영상을 분석한 결과, 알츠하이머가 진행됨에 따라 해마가 가지는 픽셀의 분산도 및 가중치가 감소함을 알 수 있다. 이는 AD, MCI, NC의 세 그룹 군을 판별할 수 있는 차이를 나타내고 있어 보다 객관성 있는 알고리즘임을 확인 할 수 있는 것이다.
도 9는 AD 피험자의 3D 색면 시각화 예시도이고, 도 10은 MCI 피험자에 대한 3D 색면 시각화 예시도이며 도 11은 정상인(NC)에 대한 3D 색면 시각화 예시도이다.
도 9, 도 10 및 도 11을 참조하면, 해마 표면에 매핑되어 있는 컬러가 완전히 다름을 알 수 있는데, 이 이유는 첫 번째 방법은 해마의 장축을 이용해 그은 축이 항상 해마의 무게중심을 관통하여 존재할 수 있는 것이 아니기 때문이다. 하지만 두 번째 방법은 도 8과 같이 관상면의 해마 단면마다의 무게중심을 구하기 때문에 항상 거리의 변수가 적게 나타난다.
이는 첫 번째 방법이 두 번째 방법보다 긴 거리의 픽셀이 더욱 더 많이 검출함을 알 수 있다.
본 발명의 상기 거리에 따른 3차원 컬러매핑 단계(S600)는 축점과 무게중심점 중의 어느 하나의 중심점과 상기 거리계산 단계에서 측정된 거리에 따른 서로 다른 소정의 색상을 표시하여 나타내는 단계이다.
이에 도 9 내지 도 11에서와 같이 본 발명의 제안한 방법을 통해 생성한 결과를 3차원 표면에 축점 및 무게중심점으로부터의 거리에 따라 컬러로 가시화하는 단계를 의미한다. 이렇듯 3차원으로 가시화할 경우 대상을 직관적으로 표현하고 관찰할 수 있어서 효과적이다.
또한, 상기 3차원 재구성 단계는 객체를 3차원으로 재구성 표현하는 과정이다.
먼저 객체를 3차원으로 표현하는 과정에서는 VTK 라이브러리에서 제공하는 VtkMarchingcubes 방법론을 사용하였으며, 재구성된 3차원 객체에 컬러매핑을 하기 위해서 VTK 라이브러리에서 제공하는 VtkLookuptable 방법론을 사용하였다
재구성하는 것에는 다양한 방법이 있지만, 본 발명에서는 VTK를 활용하여 3차원으로 재구성하였다. 오픈 라이브러리인 VTK를 사용함으로써 기존의 라이브러리 또는 소프트웨어보다 비용, 시간, 호환성 문제를 해결할 수 있다.
먼저 객체를 3차원으로 표현하는 과정에서는 VTK 라이브러리에서 제공하는 VtkMarchingcubes 방법론을 사용하였으며, 재구성된 3차원 객체에 컬러매핑을 하기 위해서 VTK 라이브러리에서 제공하는 VtkLookuptable 방법론을 사용하였다.
도 9의 (a), 도 10의 (a) 그리고 도 11의 (a)는 순서대로 각각 AD, MCI, NC를 나타내며 3차원으로 재구성된 해마에서의 장축을 찾아 Re-Slice하여 각 슬라이스마다 표시하고, 그 축을 이용해 가장자리와의 거리를 계산하였고, 거리에 따라서 컬러를 달리 매핑하여 3차원으로 가시화한 결과를 나타내는 것이다.
본 발명의 일 실시예에 따른 컬러 매핑은 7가지 색깔로 표현할 수 있으며, 가장 짧은 것은 빨간색 그리고 가장 긴 것은 파란색으로 처리할 수 있다.
그리고 본 발명에 사용된 3차원 뇌 MR 영상의 크기는 256× 256이며, 총 240개의 슬라이스로 구성되어 있는데, 이 영상에서 해마의 크기는 최대 30×30 크기로 구성되어지며 3차원 뇌 MR 영상에서 아주 작은 부분만을 차지한다. 이 영상으로는 거리에 따른 값의 차이가 적어 거리를 세분화할 수 없어 세 피험자 군을 판별할 수 있는 값의 차이가 미묘한 것으로 판단된다.
1024×1024 크기의 3차원 뇌 MR 영상을 사용하게 된다면, 해마의 크기는 약 120×120 크기로 구성되어질 것이며, 이는 더욱 세분화된 거리 값을 추출하여 세 피험자 군을 더욱 정량적이고 보다 더 객관성 있는 데이터를 분석할 수 있을 것으로 판단된다.
상술한바와 같이 본 발명에서는 알츠하이머 진행에 따라 변화하는 해마의 특성을 이용하여 해마의 장축을 기준으로 한 거리 분석과 각 슬라이스마다 해마의 무게중심을 기준으로 한 거리 분석에 따라 각 슬라이스 가장자리의 색상을 달리하고 3차원으로 재구성하여 컬러 매핑 알고리즘을 제안하였다.
따라서 본 발명의 관상면에서 장축거리에 대한 가중치를 계산한 결과로 알츠하이머(AD), 경도인지장애(MCI) 및 정상인(NC)에 대한 뚜렷한 분류 결과를 얻을 수 있다.
또한, 쉽게 인식 할 수 있는 시각화의 거리 변화가 색상 매핑에 의해 나타나게 함으로서 알츠하이머 병의 진단과 예후를 결정하는 바이오 마커의 지표로 제공 될 수 있다.
전술한 치매분류 방법을 이용하는 장치 또는 시스템은 치매분류 장치로 지칭될 수 있으나, 이에 한정되지는 않는다. 치매분류 방법을 이용하는 장치는 컴퓨팅 장치로서 치매분류 방법의 일련의 단계들 중 적어도 일부에 대응하는 기능을 수행하거나 구현하는 장치를 포함할 수 있다.
좀더 구체적으로 설명하면, 치매분류 방법을 이용하는 장치는, 제어부 및 저장부를 구비할 수 있다.
먼저, 제어부는 적어도 하나 이상의 중앙 처리 장치(CPU)나 코어(core)를 포함하는 프로세서 또는 마이크로프로세서를 포함하여 이루어질 수 있다. 중앙처리장치는 처리할 명령어를 저장하는 레지스터(register)와, 비교, 판단, 연산을 담당하는 산술논리연산장치(arithmetic logical unit, ALU)와, 명령어의 해석과 실행을 위해 CPU를 내부적으로 제어하는 내부 제어유닛(internal control unit)과, 이들을 연결하는 내부 버스 등을 구비한다. 중앙처리장치는 MCU(micro control unit)와 주변 장치(외부 확장 장치를 위한 집적회로 포함)가 함께 배치되는 SOC(system on chip)로 구현될 수 있으나, 이에 한정되지는 않는다. 제어부는 하나 이상의 데이터 프로세서, 이미지 프로세서 또는 코덱(CODEC)을 포함할 수 있다.
또한, 제어부는 주변장치 인터페이스와 메모리 인터페이스를 구비할 수 있다. 주변장치 인터페이스는 제어부(110)와 입출력 장치 등의 입출력 시스템이나 다른 주변 장치를 연결하고, 메모리 인터페이스는 제어부와 저장부를 연결한다. 여기서, 주변장치는 뇌 MR 영상 촬영 장치나 이 장치와의 통신을 위한 통신 서브시스템, 그래픽 장치, 디스플레이 장치 등을 포함할 수 있다.
저장부는 치매분류 방법을 구현하기 위한 프로그램이나 소프트웨어 모듈을 저장한다. 또한, 저장부는 통신부, 입출력 장치 등의 제어부에 연결되는 장치들의 동작을 제어하거나 관리하기 위한 프로그램을 저장할 수 있다. 여기서, 소프트웨어 모듈은, 관심영역 추출 모듈, 영상 재구성 모듈, 중심점 표시 모듈, 외곽선 탐색 모듈, 거리계산 모듈, 컬러매핑 모듈, 통계분석 모듈 등을 포함할 수 있다.
소프트웨어 모듈은 프로그램이나 소프트웨어 형태로 별도의 컴퓨터 판독 가능 매체(기록매체)에 저장되고 필요에 따라 컴퓨팅 장치에 로딩된 후 제어부의 명령에 따라 해당 기능을 수행하도록 구현될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합한 형태로 포함하도록 이루어진다. 컴퓨터 판독 가능 매체에 기록되는 프로그램은 본 발명을 위해 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것을 포함할 수 있다.
또한, 컴퓨터 판독 가능 매체는 롬(rom), 램(ram), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다. 여기서 프로그램 명령은 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 제어부에서 실행할 수 있는 고급 언어 코드를 포함할 수 있다. 상기의 하드웨어 장치는 본 발명의 치매분류 방법을 구현하기 위하여 적어도 하나의 소프트웨어 모듈에 의해 구성될 수 있으며, 그 역도 마찬가지이다.
전술한 저장부는 비휘발성 랜덤 액세스 메모리(non-volatile RAM, NVRAM), 대표적 휘발성 메모리인 DRAM(dynamic random access memory) 등의 반도체 메모리, 하드디스크 드라이브(hard disk drive, HDD), 광 저장 장치, 플래시 메모리에서 선택되는 장치로 이루어질 수 있다.
전술한 바와 같이 본 발명의 상세한 설명에서는 바람직한 실시예들에 관하여 설명하였지만, 본 발명의 기술분야에서 통상의 지식을 가진 사람이라면 하기의 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음은 이해할 수 있을 것이다. 그러므로 본 발명의 기술적 사상은 본 발명의 전술한 실시예에 국한되어 정해져서는 안 되며, 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
Claims (6)
- 뇌 MR 영상에서 해마 영역을 추출하는 관심영역 추출 단계;
상기 해마 영역의 시상면 영상을 관상면 영상으로 재구성하는 영상 재구성(Re-Slice) 단계;
상기 관상면으로 재구성된 영상에서 해마의 축점 또는 해마의 무게중심점 중의 어느 하나를 중심점으로 찾아 표시하는 중심점 표시 단계;
상기 중심점으로부터 해마의 가장자리를 탐색하는 외곽선 탐색 단계;
상기 외곽선 탐색 단계에서 탐색된 상기 해마 가장자리까지의 화소수를 기준으로 거리를 측정하는 거리계산 단계;
상기 중심점과 상기 거리계산 단계에서 측정된 거리에 따른 서로 다른 소정의 색상을 표시하여 나타내는 3차원 컬러매핑 단계; 및
상기 거리계산 단계에서 측정된 거리의 분산값과 가중치값을 구하는 통계 분석 단계;를 포함하여 이루어지는 것을 특징으로 하는 해마의 관상면 중심점으로부터 거리분석에 따른 치매분류 방법.
- 제1항에 있어서,
상기 영상 재구성(Re-Slice) 단계는 DICOM 파일의 뇌 영상을 획득하고, 상기 영상에 대해 변경하는 방향에 따른 행렬식을 사용하여 벡터 변환 방식의 어파인변환(affine transform)을 통해 Re-Slice를 수행하는 것을 특징으로 하는 해마의 관상면 중심점으로부터 거리분석에 따른 치매분류 방법.
- 제1항에 있어서,
상기 영상 재구성(Re-Slice) 단계는 B 스플라인 보간법(BSpline Interpolation)을 사용하여 Re-Slice 수행 중에 발생하는 영상 손실을 최소화하는 것을 특징으로 하는 해마의 관상면 중심점으로부터 거리분석에 따른 치매분류 방법.
- 제1항에 있어서,
상기 해마의 축점은 추출된 해마 영상의 가장 우측(top) 화소와 가장 좌측(tail) 화소를 탐색하여 최장 직선을 연결한 선위의 점들로 구성되는 것을 특징으로 하는 해마의 관상면 중심점으로부터 거리분석에 따른 치매분류 방법.
- 제1항에 있어서,
상기 해마의 무게중심점(Center Point)은 상기 관상면 영상에서 해마의 경계선에 접하는 가장 큰 원을 그리고, 이를 연결하여 하나의 골격화(skeletonization)를 구성하고, 좌표 X, Y에 대한 수학식 1을 이용하여 구해지는 것을 특징으로 하는 해마의 관상면 중심점으로부터 거리분석에 따른 치매분류 방법:
[수학식 1]
.
- 상기 제1항에 있어서,
상기 외곽선 탐색 단계는 상기 중심점 표시 단계의 영상에서 소정 크기의 픽셀 마스크를 이용하여 상기 중심점을 기준으로 360도 회전하면서 주변 화소의 RGB 값에서 검정이 검출되면 해당 화소를 가장자리에 있는 것으로 판단하는 것을 특징으로 하는 해마의 관상면 중심점으로부터 거리분석에 따른 치매분류 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180048626A KR102067335B1 (ko) | 2018-04-26 | 2018-04-26 | 뇌 해마의 관상면 중심점으로부터 거리분석에 따른 치매분류 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180048626A KR102067335B1 (ko) | 2018-04-26 | 2018-04-26 | 뇌 해마의 관상면 중심점으로부터 거리분석에 따른 치매분류 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190124538A true KR20190124538A (ko) | 2019-11-05 |
| KR102067335B1 KR102067335B1 (ko) | 2020-01-16 |
Family
ID=68576813
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180048626A KR102067335B1 (ko) | 2018-04-26 | 2018-04-26 | 뇌 해마의 관상면 중심점으로부터 거리분석에 따른 치매분류 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102067335B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220023841A (ko) | 2020-08-20 | 2022-03-03 | 인제대학교 산학협력단 | 알츠하이머 병 분류를 위한 mr 이미지 분석 시스템 및 방법 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4622715B2 (ja) * | 2005-07-15 | 2011-02-02 | 株式会社日立製作所 | 画像データ解析方法およびシステム |
| KR20150103956A (ko) * | 2014-03-04 | 2015-09-14 | 삼성전자주식회사 | 의료 영상 처리 장치, 방법, 및 컴퓨터 판독가능 기록매체 |
| JP5878125B2 (ja) * | 2010-09-07 | 2016-03-08 | 株式会社日立メディコ | 認知症診断支援装置及び認知症診断支援方法 |
| KR101709855B1 (ko) * | 2015-05-29 | 2017-02-24 | 조선대학교산학협력단 | 알츠하이머 병변 예측의 정보를 제공하는 방법 |
-
2018
- 2018-04-26 KR KR1020180048626A patent/KR102067335B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4622715B2 (ja) * | 2005-07-15 | 2011-02-02 | 株式会社日立製作所 | 画像データ解析方法およびシステム |
| JP5878125B2 (ja) * | 2010-09-07 | 2016-03-08 | 株式会社日立メディコ | 認知症診断支援装置及び認知症診断支援方法 |
| KR20150103956A (ko) * | 2014-03-04 | 2015-09-14 | 삼성전자주식회사 | 의료 영상 처리 장치, 방법, 및 컴퓨터 판독가능 기록매체 |
| KR101709855B1 (ko) * | 2015-05-29 | 2017-02-24 | 조선대학교산학협력단 | 알츠하이머 병변 예측의 정보를 제공하는 방법 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220023841A (ko) | 2020-08-20 | 2022-03-03 | 인제대학교 산학협력단 | 알츠하이머 병 분류를 위한 mr 이미지 분석 시스템 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102067335B1 (ko) | 2020-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chang et al. | Performance measure characterization for evaluating neuroimage segmentation algorithms | |
| JP5687714B2 (ja) | 前立腺の視覚化のためのシステムおよび方法 | |
| US8600125B2 (en) | System and method for computer aided polyp detection | |
| Shikata et al. | Automated segmentation of pulmonary vascular tree from 3D CT images | |
| Oeltze et al. | Interactive visual analysis of perfusion data | |
| CN110036408B (zh) | 活动性出血和血液外渗的自动ct检测和可视化 | |
| US8175348B2 (en) | Segmenting colon wall via level set techniques | |
| US20060110018A1 (en) | Automatic abnormal tissue detection in MRI images | |
| Chen et al. | Automated ventricular systems segmentation in brain CT images by combining low-level segmentation and high-level template matching | |
| US20070160276A1 (en) | Cross-time inspection method for medical image diagnosis | |
| CN112700451A (zh) | 用于自动分割3d医学图像的方法、系统和计算机可读介质 | |
| Ertas et al. | A computerized volumetric segmentation method applicable to multi-centre MRI data to support computer-aided breast tissue analysis, density assessment and lesion localization | |
| Poh et al. | Automatic segmentation of ventricular cerebrospinal fluid from ischemic stroke CT images | |
| Riaz et al. | Impact of visual features on the segmentation of gastroenterology images using normalized cuts | |
| JP6755406B2 (ja) | 医用画像表示装置、方法及びプログラム | |
| JP2019028887A (ja) | 画像処理方法 | |
| Tan et al. | Chest wall segmentation in automated 3D breast ultrasound scans | |
| US20110194741A1 (en) | Brain ventricle analysis | |
| KR102067335B1 (ko) | 뇌 해마의 관상면 중심점으로부터 거리분석에 따른 치매분류 방법 | |
| EP3853814B1 (en) | Analyzing symmetry in image data | |
| WO2008024359A2 (en) | Method for detection and visional enhancement of blood vessels and pulmonary emboli | |
| Jodas et al. | Automatic segmentation of the lumen in magnetic resonance images of the carotid artery | |
| Roy et al. | A useful approach towards 3D representation of brain abnormality from its 2D MRI slides with a volumetric exclamation | |
| US20210264596A1 (en) | System and method for producing a multiparameter graphic indicator from an image of a histological section | |
| EP1969563A2 (en) | Cross-time inspection method for medical diagnosis |
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 |