KR20190135908A - 인공지능 기반 치매 진단 방법 및 장치 - Google Patents

인공지능 기반 치매 진단 방법 및 장치 Download PDF

Info

Publication number
KR20190135908A
KR20190135908A KR1020190013824A KR20190013824A KR20190135908A KR 20190135908 A KR20190135908 A KR 20190135908A KR 1020190013824 A KR1020190013824 A KR 1020190013824A KR 20190013824 A KR20190013824 A KR 20190013824A KR 20190135908 A KR20190135908 A KR 20190135908A
Authority
KR
South Korea
Prior art keywords
brain
image
diagnosis
neural network
feature
Prior art date
Application number
KR1020190013824A
Other languages
English (en)
Inventor
김원태
강신욱
이명재
김동민
장진성
계세원
Original Assignee
(주)제이엘케이인스펙션
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 (주)제이엘케이인스펙션 filed Critical (주)제이엘케이인스펙션
Priority to KR1020190013824A priority Critical patent/KR20190135908A/ko
Publication of KR20190135908A publication Critical patent/KR20190135908A/ko

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
    • A61B5/40—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
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS

Landscapes

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

Abstract

치매 진단 방법 및 장치가 개시된다. 치매 진단 장치는 진단 대상자의 뇌 영상을 수신하는 영상 수신부, 인공 신경망 기반의 제1 학습 모델을 이용하여, 상기 뇌 영상으로부터 뇌 특징을 추출하는 특징 추출부, 상기 진단 대상자의 인지 테스트 결과를 수신하는 인지 테스트 결과 수신부, 및 인공 신경망 기반의 제2 학습 모델을 이용하여, 상기 뇌 특징과 인지 테스트 결과에 기초하여 분류를 수행함으로써, 상기 진단 대상자에 대한 치매 진단을 수행하는 분류기를 포함할 수 있다.

Description

인공지능 기반 치매 진단 방법 및 장치{ARTIFICIAL INTELLIGENCE BASED DEMENTIA DIAGNOSING METHOD AND APPARATUS}
본 개시는 인공지능을 이용하여 치매를 진단하는 방법 및 장치에 대한 것이며, 보다 구체적으로는 인지 테스트 결과를 반영한 인공지능 기반 치매 진단 방법 및 장치에 대한 것이다.
알츠하이머 질환(Alzheimer's Disease, AD)은 노화에 따라 수반되는 뇌 질환으로서, 점진적인 기억력 장애, 인지력 결손, 개인 성격의 변화 등을 초래하는 질병이다.
치매(dementia)는 정상적으로 생활해오던 사람이 다양한 원인에 인해 뇌기능이 손상되면서 발생하는, 지속적이고 전반적인 인지 기능의 저하 상태를 의미한다. 여기서 인지 기능이란 기억력, 언어 능력, 시공간 파악 능력, 판단력 및 추상적 사고력 등 다양한 지적 능력을 가리키는 것으로서, 각 인지 기능은 뇌의 특정 부위와 밀접한 관련이 있다. 치매의 가장 흔한 형태가 알츠하이머 질환이다.
경도 인지 장애(Mild cognitive impairments, MCI)란 동일 연령대에 비해 인지 기능, 특히 기억력이 떨어져 있는 상태를 의미하며, 아직은 치매가 아닌 상태이다. 경도 인지 장애는 알츠하이머 질환으로 이행할 수 있는 고위험군으로 지목되며, 알츠하이머 질환을 이른 시기에 발견할 수 있는 중요한 단계이다.
알츠하이머 질환, 치매 또는 경도 인지 장애를 진단하기 위한 다양한 방법들이 제시되고 있다. 예컨대, 후각 조직의 miR-206의 발현 수준을 이용하여 알츠하이머 질환 또는 경도 인지 장애를 진단하는 방법, 혈액 내에서 특징적으로 증가하는 바이오 마커를 이용하여 치매를 진단하는 방법 등이 알려져 있다.
그러나, 후각 조직의 miR-206을 이용하기 위해서는 조직 검사에 필요한 특수 장비 또는 검사가 필요하고, 혈액 내의 바이오 마커를 이용하기 위해서는 침습적인 방법으로 환자의 혈액을 채취해야 하므로, 환자의 거부감이 상대적으로 크다는 단점이 각각 존재한다.
따라서, 별도의 특수 장비 또는 검사 없이, 또한, 환자가 거부감을 거의 느끼지 않는 방법으로 치매를 진단할 수 있는 방법이 요구되고 있다.
본 개시의 기술적 과제는 인공지능 기반의 치매 진단 방법 및 장치를 제공하는 것이다.
본 개시의 다른 기술적 과제는 인지 테스트 결과를 반영한 인공지능 기반의 치매 진단 방법 및 장치를 제공하는 것이다.
본 개시에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시의 일 양상에 따르면 인공지능 기반 치매 진단 장치가 제공될 수 있다. 상기 장치는, 진단 대상자의 뇌 영상을 수신하는 영상 수신부, 상기 뇌 영상으로부터 뇌 특징을 추출하는 특징 추출부, 상기 진단 대상자의 인지 테스트 결과를 수신하는 인지 테스트 결과 수신부, 및 상기 뇌 특징과 인지 테스트 결과에 기초하여 분류를 수행함으로써, 상기 진단 대상자에 대한 치매 진단을 수행하는 분류기를 포함할 수 있다.
본 개시의 다른 양상에 따르면 인공지능 기반 치매 진단 방법이 제공될 수 있다. 상기 방법은, 진단 대상자의 뇌 영상을 수신하는 영상 수신 단계, 상기 뇌 영상으로부터 뇌 특징을 추출하는 특징 추출 단계, 상기 진단 대상자의 인지 테스트 결과를 수신하는 인지 테스트 결과 수신 단계, 및 상기 뇌 특징과 인지 테스트 결과에 기초하여 분류를 수행함으로써, 상기 진단 대상자에 대한 치매 진단을 수행하는 분류 단계를 포함할 수 있다.
본 개시의 치매 진단 장치 및 방법에 있어서, 상기 뇌 영상은 자기 공명 영상, 소정의 간격을 두고 촬영한 복수의 자기 공명 영상 및 3차원 자기 공명 영상 중 적어도 하나일 수 있다.
본 개시의 치매 진단 장치 및 방법에 있어서, 뇌 특징을 추출하기 위한 인공 신경망 기반의 학습 모델은 완전 합성곱 신경망(fully convolutional neural network), 합성곱 신경망(convolutional neural network), 순환 신경망(recurrent neural network), 제한 볼츠만 머신(restricted Boltzmann machine, RBM) 및 심층 신뢰 신경망(deep belief neural network, DBN) 중 적어도 하나를 포함할 수 있다.
본 개시의 치매 진단 장치 및 방법에 있어서, 상기 진단 대상자의 뇌 기관의 부피에 관한 정보를 추가적으로 이용하여 분류를 수행할 수 있다. 상기 뇌 기관의 부피에 관한 정보는 상기 뇌 영상으로부터 상기 진단 대상자의 뇌 기관의 부피를 획득하고, 상기 획득된 뇌 기관의 부피와 소정의 뇌 기관의 부피를 비교함으로써 산출되는 부피 비교 정보일 수 있다. 상기 뇌 기관은 해마(hippocampus), 측두엽(temporal lobe), 전두엽(frontal lobe), 피질골 두께(cortical thickness) 및 뇌실(ventricle) 중 적어도 하나일 수 있다.
본 개시의 치매 진단 장치 및 방법에 있어서, 상기 분류를 수행하기 위한 인공 신경망 기반의 학습 모델은 멀티레이어 퍼셉트론(Multi-layer Perceptron), 서포트 벡터 머신(Support Vector Machine, SVM) 및 에이다부스트(AdaBoost) 중 적어도 하나를 포함할 수 있다.
본 개시의 또 다른 양상에 따르면 본 개시의 치매 진단 방법을 수행하기 위해 실행가능한 명령들(executable instructions)을 가지는 소프트웨어 또는 컴퓨터-판독가능한 매체(computer-readable medium)가 제공될 수 있다.
본 개시에 대하여 위에서 간략하게 요약된 특징들은 후술하는 본 개시의 상세한 설명의 예시적인 양상일 뿐이며, 본 개시의 범위를 제한하는 것은 아니다.
본 개시에 따르면, 인공지능 기반의 치매 진단 방법 및 장치가 제공될 수 있다.
또한, 본 개시에 따르면, 인지 테스트 결과를 반영한 인공지능 기반의 치매 진단 방법 및 장치가 제공될 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시에 따른 치매 진단 장치를 설명하기 위한 도면이다.
도 2는 본 개시에 따른 치매 진단 방법을 설명하기 위한 도면이다.
도 3은 다채널 특징맵을 생성하는 합성곱 신경망의 일 실시 예를 설명하기 위한 도면이다.
도 4는 풀링 기법의 일 실시 예를 설명하기 위한 도면이다.
도 5는 본 개시의 일 실시 예에 따른 치매 진단 방법 및 장치를 실행하는 컴퓨팅 시스템을 예시하는 블록도이다.
이하에서는 첨부한 도면을 참고로 하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나, 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
본 개시의 실시 예를 설명함에 있어서 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그에 대한 상세한 설명은 생략한다. 그리고, 도면에서 본 개시에 대한 설명과 관계없는 부분은 생략하였으며, 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 개시에 있어서, 어떤 구성요소가 다른 구성요소와 "연결", "결합" 또는 "접속"되어 있다고 할 때, 이는 직접적인 연결관계뿐만 아니라, 그 중간에 또 다른 구성요소가 존재하는 간접적인 연결관계도 포함할 수 있다. 또한 어떤 구성요소가 다른 구성요소를 "포함한다" 또는 "가진다"고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 배제하는 것이 아니라 또 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 개시에 있어서, 제1, 제2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용되며, 특별히 언급되지 않는 한 구성요소들간의 순서 또는 중요도 등을 한정하지 않는다. 따라서, 본 개시의 범위 내에서 일 실시 예에서의 제1 구성요소는 다른 실시 예에서 제2 구성요소라고 칭할 수도 있고, 마찬가지로 일 실시 예에서의 제2 구성요소를 다른 실시 예에서 제1 구성요소라고 칭할 수도 있다.
본 개시에 있어서, 서로 구별되는 구성요소들은 각각의 특징을 명확하게 설명하기 위함이며, 구성요소들이 반드시 분리되는 것을 의미하지는 않는다. 즉, 복수의 구성요소가 통합되어 하나의 하드웨어 또는 소프트웨어 단위로 이루어질 수도 있고, 하나의 구성요소가 분산되어 복수의 하드웨어 또는 소프트웨어 단위로 이루어질 수도 있다. 따라서, 별도로 언급하지 않더라도 이와 같이 통합된 또는 분산된 실시 예도 본 개시의 범위에 포함된다.
본 개시에 있어서, 다양한 실시 예에서 설명하는 구성요소들이 반드시 필수적인 구성요소들은 의미하는 것은 아니며, 일부는 선택적인 구성요소일 수 있다. 따라서, 일 실시 예에서 설명하는 구성요소들의 부분집합으로 구성되는 실시 예도 본 개시의 범위에 포함된다. 또한, 다양한 실시 예에서 설명하는 구성요소들에 추가적으로 다른 구성요소를 포함하는 실시 예도 본 개시의 범위에 포함된다.
이하, 첨부한 도면을 참조하여 본 개시의 실시 예들에 대해서 설명한다.
도 1은 본 개시에 따른 치매 진단 장치를 설명하기 위한 도면이다.
본 개시에 따른 치매 진단 장치(100)는 영상 수신부(110), 특징 추출부(120), 인지 테스트 결과 수신부(130) 및/또는 분류기(140)를 구비할 수 있다.
영상 수신부(110)는 진단 대상자인 환자의 뇌를 촬영한 영상(이하, '뇌 영상'이라 함)을 수신할 수 있다. 뇌 영상은 뇌에 관한 특징 정보(이하, '뇌 특징(brain features)'라 함)를 추출할 수 있는 모든 형태의 뇌 촬영 영상을 포함할 수 있다. 뇌 영상은 자기 공명 영상(Magnetic Resonance Imaging, MRI), 소정의 간격(두께)을 두고 촬영한 복수의 MRI, 또는 3차원 MRI(3-dimensional MRI)일 수 있다.
특징 추출부(120)는 영상 수신부(110)가 수신한 뇌 영상으로부터 뇌 특징을 추출할 수 있다. 추출되는 뇌 특징은 알츠하이머 질환과 경도 인지 장애를 진단하기 위한 뇌 특징일 수 있다.
특징 추출부(120)는 인공 신경망 기반의 학습 모델을 적용하여 입력된 뇌 영상으로부터 뇌 특징을 추출할 수 있다. 특징 추출부(120)에 적용되는 인공 신경망 기반의 학습 모델은 영상의 특징을 추출하기 위한 모델로서, 완전 합성곱 신경망(완전 컨볼루션 뉴럴 네트워크, fully convolutional neural network), 합성곱 신경망(컨볼루션 뉴럴 네트워크, convolutional neural network), 순환 신경망(회귀 뉴럴 네트워크, recurrent neural network), 제한 볼츠만 머신(restricted Boltzmann machine, RBM) 및 심층 신뢰 신경망(deep belief neural network, DBN) 중 적어도 하나를 포함할 수 있으나, 이에 제한되지 않는다. 예컨대, 뇌 특징은 비지도 딥러닝 모델(unsupervised deep learning model)(3D stacked auto encoder)이나 지도학습(Supervised deep learning model)에서의 완전 합성곱 네트워크(Fully Convolutional Network, FCN)에 의해 추출될 수 있다.
특징 추출부(120)가 추출하는 뇌 특징은 진단 대상자의 뇌 기관의 부피에 관한 정보를 더 포함할 수 있다. 예컨대, 뇌 영상으로부터 특정 뇌 기관을 식별하고, 해당 뇌 기관의 부피를 획득할 수 있다. 획득된 뇌 기관의 부피는 정상적인 뇌 기관의 부피와 비교됨으로써, 소정의 부피 비교 정보를 산출할 수 있다. 상기 부피 비교 정보는 진단 대상자의 뇌 기관의 부피와 정상적인 뇌 기관의 부피 사이의 차이값으로 나타낼 수도 있고, 비율로써 표현될 수도 있다. 상기 부피 비교 정보는 분류기(140)에 추가적으로 입력되어, 진단의 정확도를 향상시킬 수 있다. 상기 뇌 기관은 해마, 측두엽, 전두엽, 피질골 두께 및 뇌실 중 적어도 하나일 수 있다.
인지 테스트 결과 수신부(130)는 진단 대상자의 인지 테스트 결과를 수신할 수 있다. 인지 테스트(Cognitive test)란, 치매를 진단하기 위한 테스트로서, 경도 인지 장애 테스트, 치매 진단 테스트, 간이 정신 상태 검사(Mini-Mental State Examination, MMSE) 등을 포함할 수 있다. 인지 테스트 결과는 인지 테스트를 수행한 결과 점수(cognitive test scores), 간이 정신 상태 검사를 수행한 결과 점수(MMSE scores) 등을 포함할 수 있다.
분류기(140)는 특징 추출부(120)에서 추출된 뇌 특징 및 인지 테스트 결과 수신부(130)가 수신한 인지 테스트 결과 중 적어도 하나를 수신할 수 있다. 분류기(140)는 수신된 입력에 기초하여 진단 대상자를 분류함으로써, 최종적으로 진단 대상자의 상태가 정상(normal)인지, 경도 인지 장애(MCI)인지, 또는 알츠하이머 질환(AD)이 있는지를 분류할 수 있다.
분류기(140)는 상기 분류를 수행하기 위해, 인공 신경망 기반의 학습 모델을 적용할 수 있다. 분류기(140)에 적용되는 인공 신경망 기반의 학습 모델은 추출된 영상의 특징에 기초하여 영상을 분류하기 위한 모델로서, 멀티레이어 퍼셉트론(Multi-Layer Perceptron), 서포트 벡터 머신(Support Vector Machine, SVM), 에이다부스트(AdaBoost) 등을 포함할 수 있으나, 이에 한정되지 않는다.
전술한 바와 같이, 치매 진단 장치(100)는 진단 대상자의 뇌 영상 및 인지 테스트 결과 중 적어도 하나를 수신하여 진단 대상자의 상태가 정상인지, 경도인지 장애인지 또는 알츠하이머 질환인지를 분류함으로써, 진단 대상자에 대한 진단을 수행할 수 있다. 치매 진단 장치(100)는 진단 대상자의 뇌 영상만을 수신하여 진단을 수행할 수도 있으나, 바람직하게는 뇌 영상 및 인지 테스트 결과를 모두 수신함으로써 보다 정확한 진단을 수행할 수 있다. 또는 진단 대상자의 뇌 기관과 정상인의 뇌 기관 사이의 부피 비교 정보를 추가적으로 분류기(140)에 입력함으로써, 진단의 정확도를 보다 더 향상시킬 수 있다.
도 1에 도시하지는 않았으나, 뇌 영상으로부터 뇌 특징을 추출하기 위한 전처리(pre-processing)로서, 뇌 영상에 필터링을 적용할 수 있다. 상기 필터링은 고속 푸리에 변환(Fast Fourier Transform, FFT), 히스토그램 평활화(histogram equalization), 모션 아티팩트(motion artifact) 제거 또는 노이즈(noise) 제거 등일 수 있다. 그러나, 본 개시의 필터링은 상기 열거한 방법으로 제한되지 않으며, 뇌 영상의 품질을 개선할 수 있는 모든 형태의 필터링을 포함할 수 있다.
본 개시에 따른 특징 추출부(120) 및/또는 분류기(140)에 적용될 수 있는 인공 신경망 기반의 학습 모델로서, 3D (3-dimensional) CNN Auto encoder가 이용될 수 있다. 3D CNN Auto encoder는 CNN의 일례로서, 뇌의 3차원 구조를 자동으로 추출할 수 있다. 또한, 인지 테스트 결과까지 유동적으로 모델에 융합할 수 있는 장점이 있다. 다시 말해, 3D CNN Auto encoder는 뇌 영상뿐만 아니라, 임상 정보, 특히, 치매 진단에 활용되는 인지 테스트 결과까지 입력으로 받고, 입력된 정보들을 논리적으로 연결시킬 수 있으므로, 본 개시에 따른 치매 진단 장치 및 방법에 적합하다.
도 2는 본 개시에 따른 치매 진단 방법을 설명하기 위한 도면이다.
단계 S201에서, 진단 대상자인 환자의 뇌를 촬영한 뇌 영상을 수신할 수 있다. 전술한 바와 같이, 뇌 영상은 뇌 특징을 추출할 수 있는 모든 형태의 뇌 촬영 영상을 포함하며, 자기 공명 영상, 소정의 간격(두께)을 두고 촬영한 복수의 MRI, 또는 3차원 MRI일 수 있다. 단계 S201의 동작은 도 1에 도시된 영상 수신부(110)에 의해 수행될 수 있다.
단계 S202에서, 수신된 뇌 영상으로부터 뇌 특징을 추출할 수 있다. 추출되는 뇌 특징은 알츠하이머 질환과 경도 인지 장애를 진단하기 위한 뇌 특징일 수 있다. 단계 S202의 동작은 도 1에 도시된 특징 추출부(120)에 의해 수행될 수 있다. 전술한 바와 같이, 추출되는 뇌 특징은 진단 대상자의 뇌 기관의 부피에 관한 정보를 더 포함할 수 있다. 예컨대, 뇌 영상으로부터 특정 뇌 기관을 식별하고, 해당 뇌 기관의 부피를 획득할 수 있다. 획득된 뇌 기관의 부피는 정상적인 뇌 기관의 부피와 비교됨으로써, 소정의 부피 비교 정보를 산출할 수 있다. 상기 부피 비교 정보는 진단 대상자의 뇌 기관의 부피와 정상적인 뇌 기관의 부피 사이의 차이값으로 나타낼 수도 있고, 비율로써 표현될 수도 있다. 상기 부피 비교 정보는 단계 S204에서 추가적인 입력으로 이용됨으로써, 진단의 정확도를 향상시킬 수 있다. 상기 뇌 기관은 해마, 측두엽, 전두엽, 피질골 두께 및 뇌실 중 적어도 하나일 수 있다.
단계 S203에서, 진단 대상자의 인지 테스트 결과를 수신할 수 있다. 본 개시의 일 실시 예에 따라, 인지 테스트 결과를 진단에 이용하지 않을 경우, 단계 S203은 생략될 수 있다. 단계 S203의 동작은 도 1에 도시된 인지 테스트 결과 수신부(130)에 의해 수행될 수 있다.
단계 S204에서, 상기 추출된 뇌 특징 및 수신된 인지 테스트 결과 중 적어도 하나에 기초하여 진단 대상자를 분류할 수 있다. 진단 대상자의 분류 결과는 전술한 바와 같이, 진단 대상자의 상태가 정상(normal)인지, 경도 인지 장애(MCI)인지, 또는 알츠하이머 질환(AD)이 있는지를 분류한 결과일 수 있다. 단계 S204의 동작은 도 1에 도시된 분류기(140)에 의해 수행될 수 있다.
전술한 바와 같이, 본 개시에 따른 치매 진단 방법에 따르면, 진단 대상자의 뇌 영상 및 인지 테스트 결과 중 적어도 하나를 수신하여 진단 대상자의 상태가 정상인지, 경도인지 장애인지 또는 알츠하이머 질환인지를 분류함으로써, 진단 대상자에 대한 진단을 수행할 수 있다. 본 개시에 따른 치매 진단 방법은 진단 대상자의 뇌 영상만을 수신하여 진단을 수행할 수도 있으나, 바람직하게는 뇌 영상 및 인지 테스트 결과를 모두 수신함으로써 보다 정확한 진단을 수행할 수 있다. 또는 진단 대상자의 뇌 기관과 정상인의 뇌 기관 사이의 부피 비교 정보를 단계 S204의 추가적인 입력으로 이용함으로써, 진단의 정확도를 보다 더 향상시킬 수 있다.
도 2에 도시하지는 않았으나, 뇌 영상으로부터 뇌 특징을 추출하기 위한 단계 S202의 전처리(pre-processing)로서, 뇌 영상에 전술한 필터링을 적용할 수 있다.
본 개시의 일 실시 예에 따른 특징 추출부(120)가 뇌 영상으로부터 추출하는 뇌 특징은 영상의 각 영역마다의 국소적인 특징일 수 있다. 일 실시 예에 따른 특징 추출부(120)는 일반적인 합성곱 신경망(Convolutional Neural Network, CNN) 기법 또는 풀링(pooling) 기법을 이용하여 뇌 영상의 특징을 추출할 수 있다. 상기 풀링 기법은 맥스(max) 풀링 기법 및 평균(average) 풀링 기법 중 적어도 하나를 포함할 수 있다. 그러나, 본 개시에서 언급되는 풀링 기법은 맥스 풀링 기법 또는 평균 풀링 기법에 한정되지 않으며, 소정 크기의 영상 영역의 대표값을 획득하는 임의의 기법을 포함한다. 예컨대, 풀링 기법에 사용되는 대표값은 최대값 및 평균값 외에, 분산값, 표준 편차값, 중간값(mean value), 최빈값(most frequent value), 최소값, 가중 평균값 등 중 적어도 하나일 수 있다.
본 개시의 합성곱 신경망은 입력 데이터(뇌 영상)로부터 테두리, 선 색 등과 같은 "특징들(features)"을 추출하기 위해 이용될 수 있으며, 복수의 계층들(layers)을 포함할 수 있다. 각각의 계층은 입력 데이터를 수신하고, 해당 계층의 입력 데이터를 처리하여 출력 데이터를 생성할 수 있다. 합성곱 신경망은 입력된 영상 또는 입력된 특징맵(feature map)을 필터 커널들(filter kernels)과 컨볼루션하여 생성한 특징맵을 출력 데이터로서 출력할 수 있다. 합성곱 신경망의 초기 계층들은 입력으로부터 에지들 또는 그레디언트들과 같은 낮은 레벨의 특징들을 추출하도록 동작될 수 있다. 신경망의 다음 계층들은 눈, 코 등과 같은 점진적으로 더 복잡한 특징들을 추출할 수 있다. 합성곱 신경망의 구체적인 동작에 대해서는 도 3을 참고하여 후술한다.
합성곱 신경망은 컨볼루션 연산이 수행되는 합성곱 계층 외에도 풀링 연산이 수행되는 풀링 계층도 포함할 수 있다. 풀링 기법은 풀링 계층에서 데이터의 공간적 크기를 축소하는데 사용되는 기법이다. 구체적으로, 풀링 기법에는 해당 영역에서 최대값을 선택하는 맥스 풀링(max pooling) 기법과 해당 영역의 평균값을 선택하는 평균 풀링(average pooling) 기법이 있으며, 이미지 인식 분야에서는 일반적으로 맥스 풀링 기법이 사용된다. 풀링 기법에서는 일반적으로 풀링의 윈도우 크기와 간격(스트라이드, stride)을 같은 값으로 설정한다. 여기서, 스트라이드란 입력 데이터에 필터를 적용할 때 이동할 간격을 조절하는 것, 즉 필터가 이동할 간격을 의미하며, 스트라이드 또한 출력 데이터의 크기를 조절하기 위해 사용될 수 있다. 풀링 기법의 구체적인 동작에 대해서는 도 4를 참고하여 후술한다.
도 3은 다채널 특징맵을 생성하는 합성곱 신경망의 일 실시 예를 설명하기 위한 도면이다.
합성곱 신경망 기반의 영상 처리는 다양한 분야에 활용될 수 있다. 예컨대, 영상의 객체 인식(object recognition)을 위한 영상 처리 장치, 영상 복원(image reconstruction)을 위한 영상 처리 장치, 시맨틱 세그먼테이션(semantic segmentation)을 위한 영상 처리 장치, 장면 인식(scene recognition)을 위한 영상 처리 장치 등에 이용될 수 있다.
입력 영상(310)은 합성곱 신경망(300)을 통해 처리됨으로써 특징맵 영상을 출력할 수 있다. 출력된 특징맵 영상은 전술한 다양한 분야에 활용될 수 있다.
합성곱 신경망(300)은 복수의 계층들(320, 330, 340)을 통해 처리될 수 있으며, 각 계층은 다채널 특징맵 영상들(325, 335)을 출력할 수 있다. 일 실시 예에 따른 복수의 계층들(320, 330, 340)은 입력받은 데이터의 좌측 상단으로부터 우측 하단까지 일정한 크기의 필터를 적용하여 영상의 특징을 추출할 수 있다. 예를 들어, 복수의 계층들(320, 330, 340)은 입력 데이터의 좌측 상단 NxM 픽셀에 가중치를 곱해서 특징맵의 좌측 상단의 한 뉴런에 매핑시킨다. 이 경우, 곱해지는 가중치도 NxM가 될 것이다. 상기 NxM은 예컨대, 3x3일 수 있으나, 이에 한정되지 않는다. 이후, 동일한 과정으로, 복수의 계층들(320, 330, 340)은 입력 데이터를 좌측에서 우측으로, 그리고 상단에서 하단으로 k 칸씩 스캔하면서 가중치를 곱하여 특징맵의 뉴런에 매핑한다. 상기 k 칸은 합성곱 수행시 필터를 이동시킬 간격(stride)을 의미하며, 출력 데이터의 크기를 조절하기 위해 적절히 설정될 수 있다. 예컨대, k는 1일 수 있다. 상기 NxM 가중치는 필터 또는 필터 커널이라고 한다. 즉, 복수의 계층들(320, 330, 340)에서 필터를 적용하는 과정은 필터 커널과의 컨볼루션 연산을 수행하는 과정이며, 그 결과 추출된 결과물을 "특징맵(feature map)" 또는 "특징맵 영상"이라고 한다. 또한, 컨볼루션 연산이 수행된 계층을 합성곱 계층이라 할 수 있다.
“다채널 특징맵(multiple-channel feature map)"의 용어는 복수의 채널에 대응하는 특징맵들의 세트를 의미하고, 예를 들어 복수의 영상 데이터일 수 있다. 다채널 특징맵들은 합성곱 신경망의 임의의 계층에서의 입력일 수 있고, 컨볼루션 연산 등의 특징맵 연산 결과에 따른 출력일 수 있다. 일 실시 예에 따르면, 다채널 특징맵들(325, 335)은 합성곱 신경망의 "특징 추출 계층들" 또는 "컨볼루션 계층들"이라고도 불리는 복수의 계층들(320, 330, 340)에 의해 생성된다. 각각의 계층은 순차적으로 이전 계층에서 생성된 다채널 특징맵들을 수신하고, 출력으로서 그 다음의 다채널 특징맵들을 생성할 수 있다. 최종적으로 L(L은 정수)번째 계층(540)에서는 L-1번째 계층(미도시)에서 생성한 다채널 특징맵들을 수신하여 미도시의 다채널 특징맵들을 생성할 수 있다.
도 3을 참조하면, 채널 K1개를 가지는 특징맵들(325)은 입력 영상(310)에 대해 계층 1에서의 특징맵 연산(320)에 따른 출력이고, 또한 계층 2에서의 특징맵 연산(330)을 위한 입력이 된다. 또한, 채널 K2개를 가지는 특징맵들(335)은 입력 특징맵들(325)에 대해 계층 2에서의 특징맵 연산(330)에 따른 출력이고, 또한 계층 3에서의 특징맵 연산(미도시)을 위한 입력이 된다.
도 3을 참조하면, 첫 번째 계층(320)에서 생성된 다채널 특징맵들(325)은 K1(K1은 정수)개의 채널에 대응하는 특징맵들을 포함한다. 또한, 두 번째 계층(330)에서 생성된 다채널 특징맵들(335)은 K2(K2은 정수)개의 채널에 대응하는 특징맵들을 포함한다. 여기서, 채널의 개수를 나타내는 K1 및 K2는, 첫 번째 계층(320) 및 두 번째 계층(330)에서 각각 사용된 필터 커널의 개수와 대응될 수 있다. 즉, M(M은 1 이상 L-1 이하의 정수)번째 계층에서 생성된 다채널 특징맵들의 개수는 M번째 계층에서 사용된 필터 커널의 개수와 동일할 수 있다.
도 4는 풀링 기법의 일 실시 예를 설명하기 위한 도면이다.
도 4에 도시된 바와 같이, 풀링의 윈도우 사이즈는 2x2, 스트라이드는 2이며, 맥스 풀링을 입력 영상(400)에 적용하여 출력 영상(490)을 생성할 수 있다.
도 4의 (a)에서, 입력 영상(400)의 좌측 상단에 2x2 윈도우(410)를 적용하고, 윈도우(410) 영역 내의 값들 중 대표값(여기서는, 최대값 4)을 계산하여 출력 영상(490)의 대응 위치(420)에 입력한다.
이후, 도 4의 (b)에서, 스트라이드만큼, 즉, 2만큼 윈도우를 이동하고, 윈도우(430) 영역 내의 값들 중 최대값 3을 출력 영상(490)의 대응 위치(440)에 입력한다.
더 이상 우측으로 윈도우를 이동시킬 없는 경우, 다시 입력 영상의 좌측에서 스트라이드만큼 아래의 위치부터 상기 과정을 반복한다. 즉, 도 4의 (c)에 도시된 바와 같이, 윈도우(450) 영역 내의 값들 중 최대값 5를 출력 영상(490)의 대응 위치(460)에 입력한다.
이후, 도 4의 (d)에 도시된 바와 같이, 스트라이드만큼 윈도우를 이동하고, 윈도우(470) 영역 내의 값들 중 최대값 2를 출력 영상(490)의 대응 위치(480)에 입력한다.
상기 과정은 입력 영상(400)의 우측 하단 영역에 윈도우가 위치할 때까지 반복적으로 수행됨으로써, 입력 영상(400)에 풀링을 적용한 출력 영상(490)을 생성할 수 있다.
도 5는 본 개시의 일 실시 예에 따른 치매 진단 방법 및 장치를 실행하는 컴퓨팅 시스템을 예시하는 블록도이다.
도 5를 참조하면, 컴퓨팅 시스템(1000)은 버스(1200)를 통해 연결되는 적어도 하나의 프로세서(1100), 메모리(1300), 사용자 인터페이스 입력 장치(1400), 사용자 인터페이스 출력 장치(1500), 스토리지(1600), 및 네트워크 인터페이스(1700)를 포함할 수 있다.
프로세서(1100)는 중앙 처리 장치(CPU) 또는 메모리(1300) 및/또는 스토리지(1600)에 저장된 명령어들에 대한 처리를 실행하는 반도체 장치일 수 있다. 메모리(1300) 및 스토리지(1600)는 다양한 종류의 휘발성 또는 불휘발성 저장 매체를 포함할 수 있다. 예를 들어, 메모리(1300)는 ROM(Read Only Memory) 및 RAM(Random Access Memory)을 포함할 수 있다.
따라서, 본 명세서에 개시된 실시 예들과 관련하여 설명된 방법 또는 알고리즘의 단계는 프로세서(1100)에 의해 실행되는 하드웨어, 소프트웨어 모듈, 또는 그 2 개의 결합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, 착탈형 디스크, CD-ROM과 같은 저장 매체(즉, 메모리(1300) 및/또는 스토리지(1600))에 상주할 수도 있다. 예시적인 저장 매체는 프로세서(1100)에 커플링되며, 그 프로세서(1100)는 저장 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기입할 수 있다. 다른 방법으로, 저장 매체는 프로세서(1100)와 일체형일 수도 있다. 프로세서 및 저장 매체는 주문형 집적회로(ASIC) 내에 상주할 수도 있다. ASIC는 사용자 단말기 내에 상주할 수도 있다. 다른 방법으로, 프로세서 및 저장 매체는 사용자 단말기 내에 개별 컴포넌트로서 상주할 수도 있다.
본 개시의 예시적인 방법들은 설명의 명확성을 위해서 동작의 시리즈로 표현되어 있지만, 이는 단계가 수행되는 순서를 제한하기 위한 것은 아니며, 필요한 경우에는 각각의 단계가 동시에 또는 상이한 순서로 수행될 수도 있다. 본 개시에 따른 방법을 구현하기 위해서, 예시하는 단계에 추가적으로 다른 단계를 포함하거나, 일부의 단계를 제외하고 나머지 단계를 포함하거나, 또는 일부의 단계를 제외하고 추가적인 다른 단계를 포함할 수도 있다.
본 개시의 다양한 실시 예는 모든 가능한 조합을 나열한 것이 아니고 본 개시의 대표적인 양상을 설명하기 위한 것이며, 다양한 실시 예에서 설명하는 사항들은 독립적으로 적용되거나 또는 둘 이상의 조합으로 적용될 수도 있다.
또한, 본 개시의 다양한 실시 예는 하드웨어, 펌웨어(firmware), 소프트웨어, 또는 그들의 결합 등에 의해 구현될 수 있다. 하드웨어에 의한 구현의 경우, 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 범용 프로세서(general processor), 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.
본 개시의 범위는 다양한 실시 예의 방법에 따른 동작이 장치 또는 컴퓨터 상에서 실행되도록 하는 소프트웨어 또는 머신-실행가능한 명령들(예를 들어, 운영체제, 애플리케이션, 펌웨어(firmware), 프로그램 등), 및 이러한 소프트웨어 또는 명령 등이 저장되어 장치 또는 컴퓨터 상에서 실행 가능한 비-일시적 컴퓨터-판독가능 매체(non-transitory computer-readable medium)를 포함한다.

Claims (19)

  1. 진단 대상자의 뇌 영상을 수신하는 영상 수신부;
    인공 신경망 기반의 제1 학습 모델을 이용하여, 상기 뇌 영상으로부터 뇌 특징을 추출하는 특징 추출부;
    상기 진단 대상자의 인지 테스트 결과를 수신하는 인지 테스트 결과 수신부; 및
    인공 신경망 기반의 제2 학습 모델을 이용하여, 상기 뇌 특징과 상기 인지 테스트 결과를 수신하여 분류를 수행함으로써, 상기 진단 대상자에 대한 치매 진단을 수행하는 분류기를 포함하고,
    상기 뇌 특징은 상기 뇌 영상 내의 소정 크기의 영상 영역의 대표값들로 구성된 특징맵 영상인 인공지능 기반 치매 진단 장치.
  2. 제1항에 있어서,
    상기 특징 추출부는 상기 뇌 영상으로부터 부피 비교 정보를 더 추출하고,
    상기 분류기는 상기 부피 비교 정보를 추가적으로 이용하여 분류를 수행하는 인공지능 기반 치매 진단 장치.
  3. 제2항에 있어서,
    상기 부피 비교 정보는 상기 뇌 영상으로부터 획득된 상기 진단 대상자의 뇌 기관의 부피와 소정의 뇌 기관의 부피 사이의 차이값인 인공지능 기반 치매 진단 장치.
  4. 제1항에 있어서,
    상기 뇌 영상은 상기 진단 대상자의 뇌를 소정의 두께 간격으로 복수회 촬영함으로써 획득된 복수의 자기 공명 영상인 인공지능 기반 치매 진단 장치.
  5. 제1항에 있어서,
    상기 대표값은 상기 소정 크기의 영상 영역내 픽셀들의 값을 이용하여 획득되는 인공지능 기반 치매 진단 장치.
  6. 제5항에 있어서,
    상기 특징맵 영상은 상기 뇌 영상의 좌측 상단부터 우측 하단까지 이동하면서 상기 소정 크기의 영상 영역의 대표값을 획득하고, 상기 소정 크기의 영상 영역의 상기 뇌 영상 내 위치에 대응되는 위치에 상기 획득한 대표값을 매핑시킴으로써 생성되는 인공지능 기반 치매 진단 장치.
  7. 제1항에 있어서,
    상기 제1 학습 모델은 3D CNN Auto encoder, 완전 합성곱 신경망(fully convolutional neural network), 합성곱 신경망(convolutional neural network), 순환 신경망(recurrent neural network), 제한 볼츠만 머신(restricted Boltzmann machine, RBM) 및 심층 신뢰 신경망(deep belief neural network, DBN) 중 적어도 하나를 포함하는 인공지능 기반 치매 진단 장치.
  8. 제3항에 있어서,
    상기 뇌 기관은 해마, 측두엽, 전두엽, 피질골 두께 및 뇌실 중 적어도 하나인 인공지능 기반 치매 진단 장치.
  9. 제1항에 있어서,
    상기 제2 학습 모델은 3D CNN Auto encoder, 멀티레이어 퍼셉트론(Multi-layer Perceptron), 서포트 벡터 머신(Support Vector Machine, SVM) 및 에이다부스트(AdaBoost) 중 적어도 하나를 포함하는 인공지능 기반 치매 진단 장치.
  10. 영상 수신부, 특징 추출부, 인지 테스트 결과 수신부 및 분류기를 포함하는 인공지능 기반 치매 진단 장치가 수행하는 인공지능 기반 치매 진단 방법으로서,
    상기 영상 수신부가 진단 대상자의 뇌 영상을 수신하는 영상 수신 단계;
    상기 특징 추출부가 인공 신경망 기반의 제1 학습 모델을 이용하여, 상기 뇌 영상으로부터 뇌 특징을 추출하는 특징 추출 단계;
    상기 인지 테스트 결과 수신부가 상기 진단 대상자의 인지 테스트 결과를 수신하는 인지 테스트 결과 수신 단계; 및
    상기 분류기가 인공 신경망 기반의 제2 학습 모델을 이용하여, 상기 뇌 특징과 상기 인지 테스트 결과를 수신하여 분류를 수행함으로써, 상기 진단 대상자에 대한 치매 진단을 수행하는 분류 단계를 포함하고,
    상기 뇌 특징은 상기 뇌 영상 내의 소정 크기의 영상 영역의 대표값들로 구성된 특징맵 영상인 인공지능 기반 치매 진단 방법.
  11. 제10항에 있어서,
    상기 특징 추출 단계는 상기 뇌 영상으로부터 부피 비교 정보를 더 추출하고,
    상기 분류 단계는 상기 부피 비교 정보를 추가적으로 이용하여 분류를 수행하는 인공지능 기반 치매 진단 방법.
  12. 제11항에 있어서,
    상기 부피 비교 정보는 상기 뇌 영상으로부터 획득된 상기 진단 대상자의 뇌 기관의 부피와 소정의 뇌 기관의 부피 사이의 차이값인 인공지능 기반 치매 진단 방법.
  13. 제10항에 있어서,
    상기 뇌 영상은 상기 진단 대상자의 뇌를 소정의 두께 간격으로 복수회 촬영함으로써 획득된 복수의 자기 공명 영상인 인공지능 기반 치매 진단 방법.
  14. 제10항에 있어서,
    상기 대표값은 상기 소정 크기의 영상 영역내 픽셀들의 값을 이용하여 획득되는 인공지능 기반 치매 진단 방법.
  15. 제14항에 있어서,
    상기 특징맵 영상은 상기 뇌 영상의 좌측 상단부터 우측 하단까지 이동하면서 상기 소정 크기의 영상 영역의 대표값을 획득하고, 상기 소정 크기의 영상 영역의 상기 뇌 영상 내 위치에 대응되는 위치에 상기 획득한 대표값을 매핑시킴으로써 생성되는 인공지능 기반 치매 진단 방법.
  16. 제10항에 있어서,
    상기 제1 학습 모델은 3D CNN Auto encoder, 완전 합성곱 신경망(fully convolutional neural network), 합성곱 신경망(convolutional neural network), 순환 신경망(recurrent neural network), 제한 볼츠만 머신(restricted Boltzmann machine, RBM) 및 심층 신뢰 신경망(deep belief neural network, DBN) 중 적어도 하나를 포함하는 인공지능 기반 치매 진단 방법.
  17. 제12항에 있어서,
    상기 뇌 기관은 해마, 측두엽, 전두엽, 피질골 두께 및 뇌실 중 적어도 하나인 인공지능 기반 치매 진단 방법.
  18. 제10항에 있어서,
    상기 제2 학습 모델은 3D CNN Auto encoder, 멀티레이어 퍼셉트론(Multi-layer Perceptron), 서포트 벡터 머신(Support Vector Machine, SVM) 및 에이다부스트(AdaBoost) 중 적어도 하나를 포함하는 인공지능 기반 치매 진단 방법.
  19. 프로그램을 기록한 컴퓨터 판독 가능한 기록매체로서,
    상기 프로그램은,
    상기 영상 수신부가 진단 대상자의 뇌 영상을 수신하는 영상 수신 단계;
    상기 특징 추출부가 인공 신경망 기반의 제1 학습 모델을 이용하여, 상기 뇌 영상으로부터 뇌 특징을 추출하는 특징 추출 단계;
    상기 인지 테스트 결과 수신부가 상기 진단 대상자의 인지 테스트 결과를 수신하는 인지 테스트 결과 수신 단계; 및
    상기 분류기가 인공 신경망 기반의 제2 학습 모델을 이용하여, 상기 뇌 특징과 상기 인지 테스트 결과를 수신하여 분류를 수행함으로써, 상기 진단 대상자에 대한 치매 진단을 수행하는 분류 단계를 포함하고,
    상기 뇌 특징은 상기 뇌 영상 내의 소정 크기의 영상 영역의 대표값들로 구성된 특징맵 영상인 컴퓨터 판독 가능한 기록매체.
KR1020190013824A 2019-02-01 2019-02-01 인공지능 기반 치매 진단 방법 및 장치 KR20190135908A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190013824A KR20190135908A (ko) 2019-02-01 2019-02-01 인공지능 기반 치매 진단 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190013824A KR20190135908A (ko) 2019-02-01 2019-02-01 인공지능 기반 치매 진단 방법 및 장치

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020180061357 Division 2018-05-29

Publications (1)

Publication Number Publication Date
KR20190135908A true KR20190135908A (ko) 2019-12-09

Family

ID=68837618

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190013824A KR20190135908A (ko) 2019-02-01 2019-02-01 인공지능 기반 치매 진단 방법 및 장치

Country Status (1)

Country Link
KR (1) KR20190135908A (ko)

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112396923A (zh) * 2020-11-25 2021-02-23 贵州轻工职业技术学院 一种市场营销的教学模拟系统
WO2022015043A1 (ko) * 2020-07-14 2022-01-20 고려대학교 산학협력단 신경질환 양방향 모니터링 시스템
KR20220013319A (ko) * 2020-07-24 2022-02-04 고려대학교 산학협력단 단일 뇌 mr 슬라이스 영상 기반 치매 위험 예측 딥 러닝 방법
KR20220023841A (ko) * 2020-08-20 2022-03-03 인제대학교 산학협력단 알츠하이머 병 분류를 위한 mr 이미지 분석 시스템 및 방법
KR102376538B1 (ko) 2021-08-09 2022-03-21 주식회사 이모코그 스토리 기반 문답식 평가를 이용한 치매 진단 시스템
KR102376539B1 (ko) 2021-08-09 2022-03-21 주식회사 이모코그 스토리 기반 문답식 평가를 이용한 치매 진단 방법
KR102376543B1 (ko) 2021-08-09 2022-03-22 주식회사 이모코그 통신수단을 이용한 치매 진단 방법
KR102376540B1 (ko) 2021-08-09 2022-03-22 주식회사 이모코그 스토리 기반 음성 추출을 이용한 치매 진단 시스템
KR102376542B1 (ko) 2021-08-09 2022-03-22 주식회사 이모코그 통신수단을 이용한 치매 진단 시스템
KR102376541B1 (ko) 2021-08-09 2022-03-22 주식회사 이모코그 스토리 기반 음성 추출을 이용한 치매 진단 방법
KR102392333B1 (ko) 2022-01-05 2022-04-29 주식회사 하이 치매를 식별하는 기법
KR102392318B1 (ko) 2022-01-17 2022-05-02 주식회사 하이 혼합 테스트에 기초하여 치매를 식별하는 기법
CN114496234A (zh) * 2022-04-18 2022-05-13 浙江大学 一种基于认知图谱的全科患者个性化诊疗方案推荐系统
KR20220069499A (ko) * 2020-11-20 2022-05-27 한국과학기술원 정신 질환 진단 프로토콜 자동 탐색을 위한 컴퓨터 시스템 및 그의 방법
KR102421879B1 (ko) 2022-01-21 2022-07-19 주식회사 하이 시선 정보에 기초하여 치매를 식별하는 기법
KR102431261B1 (ko) 2022-01-05 2022-08-10 주식회사 하이 테스트 결과 데이터에 기초하여 치매 식별 모델을 학습시키는 기법
KR20220120345A (ko) * 2021-02-23 2022-08-30 인하대학교 산학협력단 시계열 데이터에 기반한 알츠하이머병 진행감지를 위한 멀티모드 멀티테스크 딥 러닝 모델
KR102438777B1 (ko) 2021-08-09 2022-09-02 주식회사 이모코그 스토리 기반 문답식 평가를 이용한 치매 진단 시스템
KR102438778B1 (ko) 2021-08-09 2022-09-02 주식회사 이모코그 스토리 기반 문답식 평가를 이용한 치매 진단 방법
KR102441584B1 (ko) 2021-08-09 2022-09-08 주식회사 이모코그 이미지 기반 치매 진단 방법
KR102441611B1 (ko) 2021-08-09 2022-09-08 주식회사 이모코그 이미지 기반 치매 진단 시스템
KR102456338B1 (ko) * 2021-08-03 2022-10-20 주식회사 뉴로젠 아밀로이드 베타 축적 예측 장치 및 방법
KR102479598B1 (ko) 2022-07-13 2022-12-21 주식회사 하이 시선 정보에 기초하여 경도 인지 장애를 식별하는 기법
KR102487440B1 (ko) 2022-06-09 2023-01-11 주식회사 하이 음성 데이터에 기초한 치매 식별 기법
KR102487420B1 (ko) 2022-06-09 2023-01-11 주식회사 하이 치매 식별을 위한 디지털 바이오 마커 데이터인 음성 데이터를 획득하는 방법
KR102498426B1 (ko) 2022-03-18 2023-02-10 주식회사 하이 디지털 바이오 마커에 기초하여 인지 강화 훈련을 제공하는 기법
KR102519725B1 (ko) 2022-06-10 2023-04-10 주식회사 하이 사용자의 인지 기능 상태를 식별하는 기법
KR102548478B1 (ko) 2022-10-25 2023-06-29 주식회사 아이메디신 약물 반응성 분류 및 예측을 위한 디지털 피노타이핑 방법, 장치 및 컴퓨터프로그램
WO2024090677A1 (ko) * 2022-10-28 2024-05-02 사회복지법인 삼성생명공익재단 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법 및 분석장치

Cited By (50)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022015043A1 (ko) * 2020-07-14 2022-01-20 고려대학교 산학협력단 신경질환 양방향 모니터링 시스템
KR20220013319A (ko) * 2020-07-24 2022-02-04 고려대학교 산학협력단 단일 뇌 mr 슬라이스 영상 기반 치매 위험 예측 딥 러닝 방법
KR20220023841A (ko) * 2020-08-20 2022-03-03 인제대학교 산학협력단 알츠하이머 병 분류를 위한 mr 이미지 분석 시스템 및 방법
KR20220069499A (ko) * 2020-11-20 2022-05-27 한국과학기술원 정신 질환 진단 프로토콜 자동 탐색을 위한 컴퓨터 시스템 및 그의 방법
CN112396923A (zh) * 2020-11-25 2021-02-23 贵州轻工职业技术学院 一种市场营销的教学模拟系统
CN112396923B (zh) * 2020-11-25 2023-09-19 贵州轻工职业技术学院 一种市场营销的教学模拟系统
KR20220120345A (ko) * 2021-02-23 2022-08-30 인하대학교 산학협력단 시계열 데이터에 기반한 알츠하이머병 진행감지를 위한 멀티모드 멀티테스크 딥 러닝 모델
KR102456338B1 (ko) * 2021-08-03 2022-10-20 주식회사 뉴로젠 아밀로이드 베타 축적 예측 장치 및 방법
WO2023013959A1 (ko) * 2021-08-03 2023-02-09 주식회사 뉴로젠 아밀로이드 베타 축적 예측 장치 및 방법
KR102438777B1 (ko) 2021-08-09 2022-09-02 주식회사 이모코그 스토리 기반 문답식 평가를 이용한 치매 진단 시스템
KR102376539B1 (ko) 2021-08-09 2022-03-21 주식회사 이모코그 스토리 기반 문답식 평가를 이용한 치매 진단 방법
KR102376541B1 (ko) 2021-08-09 2022-03-22 주식회사 이모코그 스토리 기반 음성 추출을 이용한 치매 진단 방법
KR20230022787A (ko) 2021-08-09 2023-02-16 주식회사 이모코그 통신수단을 이용한 치매 진단 시스템
KR102376542B1 (ko) 2021-08-09 2022-03-22 주식회사 이모코그 통신수단을 이용한 치매 진단 시스템
KR102376540B1 (ko) 2021-08-09 2022-03-22 주식회사 이모코그 스토리 기반 음성 추출을 이용한 치매 진단 시스템
KR102376538B1 (ko) 2021-08-09 2022-03-21 주식회사 이모코그 스토리 기반 문답식 평가를 이용한 치매 진단 시스템
KR102441611B1 (ko) 2021-08-09 2022-09-08 주식회사 이모코그 이미지 기반 치매 진단 시스템
KR102376543B1 (ko) 2021-08-09 2022-03-22 주식회사 이모코그 통신수단을 이용한 치매 진단 방법
KR102441584B1 (ko) 2021-08-09 2022-09-08 주식회사 이모코그 이미지 기반 치매 진단 방법
KR102438778B1 (ko) 2021-08-09 2022-09-02 주식회사 이모코그 스토리 기반 문답식 평가를 이용한 치매 진단 방법
KR102392333B1 (ko) 2022-01-05 2022-04-29 주식회사 하이 치매를 식별하는 기법
KR102431261B1 (ko) 2022-01-05 2022-08-10 주식회사 하이 테스트 결과 데이터에 기초하여 치매 식별 모델을 학습시키는 기법
KR20230106085A (ko) 2022-01-05 2023-07-12 주식회사 하이 테스트 결과 데이터에 기초하여 치매 식별 모델을 학습시키는 기법
KR102455264B1 (ko) 2022-01-05 2022-10-18 주식회사 하이 치매를 식별하는 기법
KR20230106063A (ko) 2022-01-05 2023-07-12 주식회사 하이 치매를 식별하는 기법
US11862301B2 (en) 2022-01-05 2024-01-02 Haii Co, Ltd. Technique for training dementia identification model based on test result data
KR102392318B1 (ko) 2022-01-17 2022-05-02 주식회사 하이 혼합 테스트에 기초하여 치매를 식별하는 기법
KR20240023572A (ko) 2022-01-17 2024-02-22 주식회사 하이 혼합 테스트에 기초하여 치매를 식별하는 기법
KR102455262B1 (ko) 2022-01-17 2022-10-18 주식회사 하이 치매를 식별하기 위한 디지털 바이오 마커를 획득하는 기법
KR20230111126A (ko) 2022-01-17 2023-07-25 주식회사 하이 혼합 테스트에 기초하여 치매를 식별하는 기법
KR20230113118A (ko) 2022-01-21 2023-07-28 주식회사 하이 시선 정보에 기초하여 치매를 식별하는 기법
US11957476B2 (en) 2022-01-21 2024-04-16 Haii Co, Ltd. Identifying a dementia based on gaze information of user performing task on a screen and gaze task score
KR102421879B1 (ko) 2022-01-21 2022-07-19 주식회사 하이 시선 정보에 기초하여 치매를 식별하는 기법
KR102498426B1 (ko) 2022-03-18 2023-02-10 주식회사 하이 디지털 바이오 마커에 기초하여 인지 강화 훈련을 제공하는 기법
KR20230136516A (ko) 2022-03-18 2023-09-26 주식회사 하이 디지털 바이오 마커에 기초하여 인지 강화 훈련을 제공하는 기법
CN114496234A (zh) * 2022-04-18 2022-05-13 浙江大学 一种基于认知图谱的全科患者个性化诊疗方案推荐系统
CN114496234B (zh) * 2022-04-18 2022-07-19 浙江大学 一种基于认知图谱的全科患者个性化诊疗方案推荐系统
KR20230169829A (ko) 2022-06-09 2023-12-18 주식회사 하이 음성 데이터에 기초한 치매 식별 기법
US11759145B1 (en) 2022-06-09 2023-09-19 Haii Corp. Technique for identifying dementia based on voice data
KR20230169828A (ko) 2022-06-09 2023-12-18 주식회사 하이 치매 식별을 위한 디지털 바이오 마커 데이터인 음성 데이터를 획득하는 방법
KR102487420B1 (ko) 2022-06-09 2023-01-11 주식회사 하이 치매 식별을 위한 디지털 바이오 마커 데이터인 음성 데이터를 획득하는 방법
KR102487440B1 (ko) 2022-06-09 2023-01-11 주식회사 하이 음성 데이터에 기초한 치매 식별 기법
KR20230170551A (ko) 2022-06-10 2023-12-19 주식회사 하이 사용자의 인지 기능 상태를 식별하는 기법
US11850059B1 (en) 2022-06-10 2023-12-26 Haii Corp. Technique for identifying cognitive function state of user
KR102519725B1 (ko) 2022-06-10 2023-04-10 주식회사 하이 사용자의 인지 기능 상태를 식별하는 기법
KR102529344B1 (ko) 2022-07-13 2023-05-09 주식회사 하이 시선 정보에 기초하여 경도 인지 장애를 식별하는 기법
KR20240009336A (ko) 2022-07-13 2024-01-22 주식회사 하이 시선 정보에 기초하여 경도 인지 장애를 식별하는 기법
KR102479598B1 (ko) 2022-07-13 2022-12-21 주식회사 하이 시선 정보에 기초하여 경도 인지 장애를 식별하는 기법
KR102548478B1 (ko) 2022-10-25 2023-06-29 주식회사 아이메디신 약물 반응성 분류 및 예측을 위한 디지털 피노타이핑 방법, 장치 및 컴퓨터프로그램
WO2024090677A1 (ko) * 2022-10-28 2024-05-02 사회복지법인 삼성생명공익재단 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법 및 분석장치

Similar Documents

Publication Publication Date Title
KR20190135908A (ko) 인공지능 기반 치매 진단 방법 및 장치
Salehi et al. Real-time automatic fetal brain extraction in fetal MRI by deep learning
Khan et al. Residual connection-based encoder decoder network (RCED-Net) for retinal vessel segmentation
CN109376751B (zh) 一种基于卷积神经网络的人脑功能网络分类方法
Costa et al. Towards adversarial retinal image synthesis
Sevastopolsky Optic disc and cup segmentation methods for glaucoma detection with modification of U-Net convolutional neural network
KR102125127B1 (ko) 딥러닝 기반 뇌 질환 진단 방법
KR102021515B1 (ko) 뇌혈관 질환 학습 장치, 뇌혈관 질환 검출 장치, 뇌혈관 질환 학습 방법 및 뇌혈관 질환 검출 방법
KR102100698B1 (ko) 앙상블 학습 알고리즘을 이용한 인공지능 기반 진단 보조 시스템
US20200184647A1 (en) Progressive and multi-path holistically nested networks for segmentation
Silva et al. Model based on deep feature extraction for diagnosis of Alzheimer’s disease
CN111009324B (zh) 脑网络多特征分析的轻度认知障碍辅助诊断系统及方法
KR102015224B1 (ko) 딥러닝 기반의 뇌출혈 및 뇌종양 병변 진단 방법 및 장치
Fung et al. Alzheimer's disease brain mri classification: Challenges and insights
Yang et al. A deep learning segmentation approach in free-breathing real-time cardiac magnetic resonance imaging
KR102036416B1 (ko) 진단 영상을 변환하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록매체
Altaf et al. Multi-class Alzheimer disease classification using hybrid features
KR102020157B1 (ko) Flair 기반 병변 검출과 현황 파악 방법 및 시스템
Mehta et al. Propagating uncertainty across cascaded medical imaging tasks for improved deep learning inference
KR101932008B1 (ko) 영상의 특징 및 맥락에 기초한 영상 분석 장치 및 방법
Islam et al. Understanding 3D CNN behavior for Alzheimer's disease diagnosis from brain PET scan
Rachmatullah et al. Convolutional neural network for semantic segmentation of fetal echocardiography based on four-chamber view
Demirhan Classification of structural MRI for detecting Alzheimer’s disease
JP2022547909A (ja) Ｃｔ画像基盤の部位別の大脳皮質収縮率の予測方法及び装置
Ahmad et al. Deep learning approach to diagnose Alzheimer’s disease through magnetic resonance images

Legal Events

Date Code Title Description
A107 Divisional application of patent
AMND Amendment
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
E902 Notification of reason for refusal
X601 Decision of rejection after re-examination