KR20200005303A - 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 장치 및 방법, 상기 방법을 수행하기 위한 기록 매체 - Google Patents
디폴트-모드 네트워크를 이용한 과제관련 영역 추정 장치 및 방법, 상기 방법을 수행하기 위한 기록 매체 Download PDFInfo
- Publication number
- KR20200005303A KR20200005303A KR1020180078858A KR20180078858A KR20200005303A KR 20200005303 A KR20200005303 A KR 20200005303A KR 1020180078858 A KR1020180078858 A KR 1020180078858A KR 20180078858 A KR20180078858 A KR 20180078858A KR 20200005303 A KR20200005303 A KR 20200005303A
- Authority
- KR
- South Korea
- Prior art keywords
- task
- brain
- independent components
- independent
- dmn
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 210000004556 brain Anatomy 0.000 claims abstract description 162
- 238000012880 independent component analysis Methods 0.000 claims abstract description 55
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims abstract description 52
- 238000002595 magnetic resonance imaging Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 44
- 238000002598 diffusion tensor imaging Methods 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 7
- 229910052760 oxygen Inorganic materials 0.000 claims description 7
- 239000001301 oxygen Substances 0.000 claims description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 239000008280 blood Substances 0.000 claims description 5
- 210000004369 blood Anatomy 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 230000003925 brain function Effects 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 12
- 230000004913 activation Effects 0.000 description 8
- 206010012289 Dementia Diseases 0.000 description 6
- 208000006011 Stroke Diseases 0.000 description 5
- 208000010877 cognitive disease Diseases 0.000 description 5
- 238000010219 correlation analysis Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 208000027061 mild cognitive impairment Diseases 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 210000004326 gyrus cinguli Anatomy 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 208000020016 psychiatric disease Diseases 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 208000024827 Alzheimer disease Diseases 0.000 description 3
- 208000012902 Nervous system disease Diseases 0.000 description 3
- 208000018737 Parkinson disease Diseases 0.000 description 3
- 238000010171 animal model Methods 0.000 description 3
- 230000006931 brain damage Effects 0.000 description 3
- 231100000874 brain damage Toxicity 0.000 description 3
- 208000029028 brain injury Diseases 0.000 description 3
- 210000001638 cerebellum Anatomy 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 208000025966 Neurological disease Diseases 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 2
- CVSVTCORWBXHQV-UHFFFAOYSA-N creatine Chemical compound NC(=[NH2+])N(C)CC([O-])=O CVSVTCORWBXHQV-UHFFFAOYSA-N 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000002450 orbitofrontal effect Effects 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- WHUUTDBJXJRKMK-VKHMYHEASA-N L-glutamic acid Chemical compound OC(=O)[C@@H](N)CCC(O)=O WHUUTDBJXJRKMK-VKHMYHEASA-N 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000036992 cognitive tasks Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 229960003624 creatine Drugs 0.000 description 1
- 239000006046 creatine Substances 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 230000009760 functional impairment Effects 0.000 description 1
- 229930195712 glutamate Natural products 0.000 description 1
- 210000001320 hippocampus Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 239000002207 metabolite Substances 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006213 oxygenation reaction Methods 0.000 description 1
- 230000001936 parietal effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 210000002442 prefrontal cortex Anatomy 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012795 verification Methods 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
본 발명은 MRI(magnetic resonance imaging, 자기공명영상) 장비를 이용하여 획득한 데이터를 이용하여 가설이나 사전정보 없이 영상 획득 시 수행하는 과제와 관련된 뇌영역들을 추정할 수 있도록 구현한 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 장치 및 방법, 상기 방법을 수행하기 위한 기록 매체에 관한 것으로, 피험자의 과제 수행에 따른 fMRI데이터를 입력데이터로 하여 제1 독립성분분석을 수행하여 전체 뇌의 제1 독립성분들을 추출하는 단계; 전체 뇌에 대하여 추출된 제1 독립성분들 중 DMN과 관련된 독립성분들을 선정하여 통합하는 단계; DMN과 관련된 독립성분들에 대하여 제2 독립성분분석을 수행하여 DMN 내에서의 제2 독립성분들을 추출하는 단계; 피험자의 DTI 데이터를 이용하여 뇌 기능이 활성화된 영역의 확률기반 구조적 연결성을 추정하는 단계; 및 DMN 내에서 추출된 제2 독립성분들과 전체 뇌에서 추출된 제1 독립성분들 간의 역 상관관계 및 상기 확률기반 구조적 연결성을 기초로 과제 패러다임(Task paradigm)과 관련이 있는 뇌 영역을 추정하는 단계를 포함한다.
Description
본 발명은 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 장치 및 방법, 상기 방법을 수행하기 위한 기록 매체에 관한 것으로, 더욱 상세하게는 MRI(magnetic resonance imaging, 자기공명영상) 장비를 이용하여 획득한 데이터를 이용하여 과제와 관련된 뇌영역들을 추정할 수 있도록 구현한 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 장치 및 방법, 상기 방법을 수행하기 위한 기록 매체에 관한 것이다.
경도인지장애(MCI: Mild Cognitive Impairment), 알츠하이머(AD: Alzheimer’s disease) 또는 뇌졸중(Stroke) 등과 같은 신경학적인 질병들은 뇌의 구조적인 변화를 가져오는데, 이러한 신경학적인 질병들을 진단하기 위한 다양한 방법들이 연구되었다.
기존의 자기공명분광법을 이용한 뇌 대사물질의 양적 측정에 의한 파킨슨 질환의 진단 방법은, 자기공명영상장비에서 파킨슨 질환 동물 모델 및 정상 동물모델의 뇌조직 부위를 각각 자기공명분광 측정하여 스펙트럼을 얻은 후, 스펙트럼과 정상 동물모델의 스펙트럼을 비교하여 뇌조직에서 뇌대사 물질인 글루탐산염 복합체/크레아틴의 수치를 측정 및 비교함으로써 파킨슨 질환을 진단하는 것이 있다.
그러나, 최근 경도인지장애와 알츠하이머 등과 같은 치매 질병군이 디폴트 네트워크 모드(DMN: Default Mode Network)의 이상과 관련이 있다는 연구가 보고되었다. 여기서, 디폴트 모드 네트워크는, 뇌가 휴지 상태(resting state)일 때 활성화되는 네트워크이다.
디폴트 모드 네트워크에 대한 연구들에서는, 경도인지장애 환자와 알츠하이머 환자의 디폴트 모드 네트워크가 정상인과 비교 시 기능적 연결성이 줄어든다고 보고해왔으나, 몇몇 연구들에서는 이러한 치매 질병 군에서 디폴트 모드 네트워크의 기능적 연결성이 증가했다는 결과가 나타났다.
이러한 결과들을 보면, 치매 질병 군에서 기능적 장애와 보상이 둘 다 존재하는 것이라 할 수 있다.
따라서, 치매의 진행 과정에서 디폴트 네트워크 모드의 기능적 변화가 나타나는 영역을 정확하게 정의하고, 치매의 진행에 따른 기능적 연결성의 변화 패턴을 구분할 수 있는 방법이 요구되고 있다.
그러나, 기존 적용되고 있는 모델기반 분석기법은, 실시간으로 변화하는 뇌신호 데이터를 처리하기에 부적합하여, 데이터 자체로부터 활성화되는 뇌영역 추정할 수 없었다.
또한, 신경/정신 질환 환자군의 경우, 과제 패러다임에 따른 뇌영역 활성화 추정이 제한적일 수 있고, 손상된 관심 뇌영역에서 활성화가 부족할 경우 추정의 어려움이 존재하였다.
본 발명의 일측면은 본 발명은 MRI(magnetic resonance imaging, 자기공명영상) 장비를 이용하여 획득한 fMRI(functional MRI, 기능자기공명영상) 및 DTI(diffusion tensor imaging, 확산텐서영상) 데이터를 이용하여 가설이나 사전정보 없이도 영상 획득 시 수행하는 과제와 관련된 뇌영역들을 추정할 수 있도록 구현한 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 장치 및 방법, 상기 방법을 수행하기 위한 기록 매체를 제공한다.
본 발명의 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법은, 피험자의 과제 수행에 따른 fMRI(functional Magnetic Resonance Imaging) 데이터를 입력데이터로 하여 제1 독립성분분석(Independent Component Analysis, ICA)을 수행하여 전체 뇌의 제1 독립성분들을 추출하는 단계; 전체 뇌에 대하여 추출된 제1 독립성분들 중 DMN(Default-Mode Network)과 관련된 독립성분들을 선정하여 통합하는 단계; DMN과 관련된 독립성분들에 대하여 제2 독립성분분석을 수행하여 DMN 내에서의 제2 독립성분들을 추출하는 단계; 피험자의 과제 수행에 따른 피험자의 DTI(Diffusion Tensor Imaging) 데이터를 이용하여 뇌 기능이 활성화된 영역의 확률기반 구조적 연결성(Structural Connectivity, SC)을 추정하는 단계; 및 DMN 내에서 추출된 제2 독립성분들과 전체 뇌에서 추출된 제1 독립성분들 간의 역 상관관계 및 상기 확률기반 구조적 연결성을 기초로 과제 패러다임(Task paradigm)과 관련이 있는 뇌 영역을 추정하는 단계를 포함한다.
일 실시예에서, 상기 제1 독립성분들을 추출하는 단계에서 제1 독립성분분석의 입력데이터는, 피험자의 과제 수행에 따른 혈액-산소 준위 의존성(Blood Oxygen Level Dependent, BOLD) 신호의 신호원과 혼합 행렬(mixing matrix)의 선형 관계일 수 있다.
일 실시예에서, 상기 제2 독립성분들을 추출하는 단계는, 상기 제1 독립성분들을 추출하는 단계에서 추출된 제1 독립성분들 중 DMN과 관련 성분들을 선택하는 단계; 선택된 DMN 관련 성분에 해당하는 뇌 영역의 복셀들(voxel)의 이진법 마스크(binary mask)를 생성하는 단계; 및 생성된 이진법 마스크 내에서 제2 독립성분분석을 수행하여 DMN의 독립성분인 제2 독립성분들을 추출하는 단계를 포함할 수 있다.
일 실시예에서, 상기 제1 독립성분들을 추출하는 단계는, 피험자의 과제 수행에 따른 fMRI 데이터를 입력데이터로 하여 제1 독립성분분석을 수행하여 전체 뇌를 세분화하는 단계; 세분화된 전체 뇌에 대한 제1 독립성분을 입력데이터로부터 추출하기 위해 비혼합 행렬(unmixing matrix)을 만든 후, 비혼합 행렬과 입력데이터를 내적(inner product)한 데이터 출력들 간의 상호정보(mutual-information)가 최소화되는 비혼합 행렬을 학습하는 단계; 및 학습된 비혼합 행렬과 입력데이터를 내적하여 전체 뇌에 대한 제1 독립성분들을 추출하는 단계를 포함할 수 있다.
일 실시예에서, 상기 비혼합 행렬을 학습하는 단계에서 학습된 비혼합 행렬은, 제1 독립성분분석의 입력데이터와 선형 관계에 있는 혼합 행렬과 역행렬일 수 있다.
일 실시예에서, 상기 구조적 연결성을 추정하는 단계는, 과제 패러다임과 관련이 있는 뇌 영역으로 추정된 영역들을 통과하는 구조적 연결성들을 추출한 후, 과제 패러다임과 관련 있는 뇌 영역들의 구조적 연결성을 파악할 수 있다.
일 실시예에서, 본 발명의 또 다른 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법은, 상기 제1 독립성분들을 추출하는 단계 또는 상기 확률기반 구조적 연결성을 추정하는 단계 이전에, MRI 장비를 이용하여 획득한 피험자의 과제 수행에 따른 fMRI 데이터 또는 DTI 데이터를 전처리 하는 단계를 더 포함할 수 있다.
일 실시예에서, 본 발명의 또 다른 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법은, fMRI 데이터를 이용하여 상기 뇌 영역으로 추정하는 단계에서 과제 패러다임과 관련이 있는 뇌 영역으로 추정된 영역을 평가 및 검증하는 단계를 더 포함할 수 있다.
일 실시예에서, 상기 평가 및 검증하는 단계는, 피험자가 수행하는 과제와 역 상관관계를 가지고 있는 DMN을 세분화하는 단계; 세분화된 DMN의 영역으로부터 역 상관관계를 보이는 영역을 과제 패러다임과 관련이 있는 뇌 영역으로 추정하는 단계; 및 과제 패러다임과 관련이 있는 뇌 영역으로 추정된 영역을 실시간 및 비실시간 fMRI 데이터를 이용하여 평가 및 검증하는 단계를 포함할 수 있다.
본 발명의 다른 실시예에 따른 컴퓨터로 판독 가능한 기록 매체에는, 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법을 수행하기 위한 컴퓨터 프로그램이 기록되어 있다.
본 발명의 일 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 장치는, 피험자의 과제 수행에 따른 fMRI(functional Magnetic Resonance Imaging) 데이터를 입력데이터로 하여 제1 독립성분분석(Independent Component Analysis, ICA)을 수행하여 전체 뇌의 제1 독립성분들을 추출하는 제1 독립성분 추출부; 상기 제1 독립성분 추출부에 의해 전체 뇌에 대하여 추출된 제1 독립성분들 중 DMN(Default-Mode Network)과 관련된 독립성분들을 선정하여 통합하는 독립성분 통합부; 상기 독립성분 통합부에 의해 통합된 DMN과 관련된 독립성분들에 대하여 제2 독립성분분석을 수행하여 DMN 내에서의 제2 독립성분들을 추출하는 제2 독립성분 추출부; 피험자의 과제 수행에 따른 피험자의 DTI(Diffusion Tensor Imaging) 데이터를 이용하여 뇌 기능이 활성화된 영역의 확률기반 구조적 연결성(Structural Connectivity, SC)을 추정하는 구조적 연결성 추정부; 및 상기 제2 독립성분 추출부에 의해 DMN 내에서 추출된 제2 독립성분들과 상기 제1 독립성분 추출부에 의해 전체 뇌에서 추출된 제1 독립성분들 간의 역 상관관계 및 상기 구조적 연결성 추정부에 의해 추정된 확률기반 구조적 연결성을 기초로 과제 패러다임(Task paradigm)과 관련이 있는 뇌 영역을 추정하는 뇌영역 추정부를 포함한다.
상술한 본 발명의 일측면에 따르면, 아무런 정보 없이 획득한 데이터만으로도 과제 패러다임과 관련된 뇌영역의 추정이 가능하고, 피험자별 가변성 및 실시간 가변성을 반영하여 개인 맞춤 과제 패러다임과 관련된 뇌영역을 추정 가능하여 실시간 뇌기능영상 데이터 처리 시 잠재적 문제 해결 방법에 도움을 줄 수 있다.
또한, 신경/정신 질환 환자군에 적용하여 환자 맞춤별 분석이 가능하도록 하여 뇌손상 및 영역별 가변성이 있는 환자군에도 유용하게 적용될 수 있다.
도 1은 본 발명의 일 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 장치를 설명하는 제어블록도이다.
도 2는 본 발명의 다른 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 장치를 설명하는 제어블록도이다.
도 3은 본 발명의 일 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법을 설명하는 순서도이다.
도 4는 도 3의 제1 독립성분들을 추출하는 단계를 설명하는 순서도이다.
도 5는 도 3의 제2 독립성분들을 추출하는 단계를 설명하는 순서도이다.
도 6은 본 발명에서 독립성분 시간경로 데이터들 간의 상호 상관관계 분석을 설명하는 도면이다.
도 7은 DMN과 연결성을 보이는 과제관련 독립적 네트워크들을 설명하는 도면이다.
도 8은 본 발명의 다른 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법을 설명하는 순서도이다.
도 9는 본 발명의 또 다른 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법을 설명하는 순서도이다.
도 10 내지 도 13은 도 9의 본 발명의 또 다른 실시예에 의한 각 실험예에서의 추정 결과들을 설명하는 도면들이다
도 2는 본 발명의 다른 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 장치를 설명하는 제어블록도이다.
도 3은 본 발명의 일 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법을 설명하는 순서도이다.
도 4는 도 3의 제1 독립성분들을 추출하는 단계를 설명하는 순서도이다.
도 5는 도 3의 제2 독립성분들을 추출하는 단계를 설명하는 순서도이다.
도 6은 본 발명에서 독립성분 시간경로 데이터들 간의 상호 상관관계 분석을 설명하는 도면이다.
도 7은 DMN과 연결성을 보이는 과제관련 독립적 네트워크들을 설명하는 도면이다.
도 8은 본 발명의 다른 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법을 설명하는 순서도이다.
도 9는 본 발명의 또 다른 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법을 설명하는 순서도이다.
도 10 내지 도 13은 도 9의 본 발명의 또 다른 실시예에 의한 각 실험예에서의 추정 결과들을 설명하는 도면들이다
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예와 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 장치의 개략적인 구성이 도시된 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 장치(10)는, 제1 독립성분 추출부(100), 독립성분 통합부(200), 제2 독립성분 추출부(300) 및 뇌영역 추정부(500)를 포함한다.
제1 독립성분 추출부(100)는, 피험자의 과제 수행에 따른 fMRI(functional Magnetic Resonance Imaging) 데이터를 입력데이터로 하여 제1 독립성분분석(Independent Component Analysis, ICA)을 수행하여 전체 뇌에 대한 제1 독립성분들을 추출한다.
여기서, 제1 독립성분 추출부(100)에 의한 전체 뇌에 대한 독립성분분석의 적용은, 전체 뇌의 기능적 독립성분들을 나누는 것으로서, 이때, 독립성분의 개수는 fMRI 획득 볼륨 개수에 대응하게 된다.
일 실시예에서, 제1 독립성분 추출부(100)는, 피험자의 과제 수행에 따른 fMRI(functional Magnetic Resonance Imaging) 데이터를 입력데이터로 하여 제1 독립성분분석(Independent Component Analysis, ICA)을 수행하여 전체 뇌를 세분화할 수 있다.
여기서, 제1 독립성분분석의 입력데이터(X)는, 피험자의 과제 수행에 따른 혈액-산소 준위 의존성(Blood Oxygen Level Dependent, BOLD) 신호의 신호원(S)과 혼합 행렬(mixing matrix)(A)의 선형 관계에 있다.
즉, fMRI 데이터가 독립성분분석의 입력데이터(X)로 사용되고, 아래의 수학식 1과 같이 독립성분분석의 입력데이터(X)는 신호원(S)과 혼합 행렬(A)의 선형관계임이 가정된다.
다음으로, 제1 독립성분 추출부(100)는, 세분화된 전체 뇌에 대한 제1 독립성분을 입력데이터로부터 추출하기 위해 비혼합 행렬(unmixing matrix)을 만든 후, 비혼합 행렬과 입력데이터를 내적(inner product)한 데이터 출력들 간의 상호정보(mutual-information)가 최소화되는 비혼합 행렬을 학습하게 된다.
즉, 입력데이터(X)로부터 독립성분들을 추출하기 위해 비혼합 행렬(unmixing matrix)(W)을 만들고, 데이터 출력(비혼합 행렬과 입력데이터의 내적)들 간의 상호정보량이 최소화되는 비혼합 행렬(W)을 학습하게 된다.
이에 따라 학습된 비혼합행렬(W)은, 후술하는 수학식 2와 같이 혼합 행렬(A)와 역행렬 관계를 갖고 있으며, 이를 통해 학습된 비혼합행렬(W)과 입력데이터(X)의 내적하여 전체 뇌에 대한 제1 독립성분들을 추출할 수 있다.
현재, fMRI가, 데이터의 공간적 분해능이 비교적 높아 뇌의 비침습(non-invasive) 계측의 대표적인 방법 중 하나로서 널리 사용되고 있다.
여기서, fMRI(functional MRI, 기능자기공명영상)라 함은, 뇌의 활성 부위를 특정 가능하게 하는 각종 물리량을 측정량으로서 영상화하는 방법으로, 뇌 기능의 계측에 대해서 유효한 방법 중 하나이다.
fMRI는, 뇌의 구조를 이미지화하는 해부 MRI의 원리와 동일하게, 생체 내 조직의 프로톤(protons) 밀도나 세로 완화 시간 T1, 가로 완화 시간 T2를 반영하는 것이지만, 뇌의 활성 부위에서의 혈류량의 증가를 파악하는 점에 특징이 있다.
뇌의 활성 부위에서는, 국소적으로 혈류량이 증가하는 것이 알려져 있고, 혈중 산소농도(blood-oxygenation-level-dependent, BOLD)가 증가하게 된다.
따라서, fMRI를 이용하면, 피험자가 어떤 과제(task)를 수행하고 있을 때의 BOLD 신호의 변화를 근거로 하여, 해당 과제에 관련된 뇌 기능 영역을 특정할 수 있다.
여기서, 독립성분 추출을 위한 독립성분분석(Independent Component Analysis, ICA)이라 함은, fMRI 연구에서 사용되는 있는 분석 방법으로서, 전체 뇌에서 뇌 영역들의 집합체인 네트워크 안에서 측정된 복셀(Voxel)들의 BOLD 신호의 변화량이 선형관계가 있다는 가정을 갖고 있다.
독립성분분석을 이용하여 공통적인 BOLD(혈액-산소 준위 의존성, Blood Oxygen Level Dependency) 신호에 해당하는 독립성분을 추정하기 위해, 독립성분들 간 상호정보(mutual-information)가 최소화가 되도록 불혼합 행렬(unmixing matrix)를 학습함으로써, fMRI 데이터로부터 시간 및 영역 정보를 동시 고려하여 독립성분들을 추출할 수 있다.
독립성분 통합부(200)는, 제1 독립성분 추출부(100)에 의해 전체 뇌에 대하여 추출된 제1 독립성분들 중 DMN(Default-Mode Network)과 관련된 독립성분들을 선정하여 통합한다.
독립성분 통합부(200)는, DMN와 관련된 독립성분들을 선정함으로써, 미리 정의된 DMN에 속하는 독립성분들을 선택하고 통합하여 마스크를 생성할 수 있다.
여기서, 디폴트-모드(Default-Mode)란, 뇌가 무엇인가 할 때에는 활동이 감소했다가 쉬는 중에는 다시 활동이 증가하는 일종의 기본 설정을 의미하는 것이다.
디폴트-모드 네트워크(Default-Mode Network)란, 휴식 상태에서 활성화한 뇌 영역을 의미하며, 과제를 수행할 때에는 비활성화되는데 이런 양상이 많은 연구들에서 밝혀졌다.
구체적으로, 디폴트-모드 네트워크와 관련된 뇌 영역들로는, 후측 대상피질(posterior cingulate cortex), 쐐기전소엽 (precuneus)의 중심부와 내측 전전두피질(medical prefrontal cortex; MPFC)의 중심부인 것으로 밝혀졌다.
따라서, 디폴트-모드 네트워크라 함은, 뇌가 쉬고 있을 때 여러 영역이 비록 인접해 있지 않지만 기능적으로는 긴밀하게 연결되어 있다고 알려져 있는 네트워크를 지칭하는 것이다.
제2 독립성분 추출부(300)는, 독립성분 통합부(200)에 의해 통합된 DMN과 관련된 독립성분들에 대하여 제2 독립성분분석을 수행하여 DMN 내에서의 제2 독립성분들을 추출한다.
여기서, 제2 독립성분 추출부(300)는, DMN에서의 독립성분분석을 적용함으로써, ICASSO(총 반복 회수 = 100) 방법을 통해 신뢰성 있는 세립 독립성분들을 DMN으로부터 추출할 수 있다.
여기서, ICASSO 방법이란, 독립성분분석 중 초기 가중치값(initial weight)을 무작위하게 설정함으로써, 학습의 결과가 편향성 없이 보고될 수 있도록 반복적으로 학습하여 신뢰성 있는 독립성분들을 추정할 수 있는 방법을 말한다.
일 실시예에서, 제2 독립성분 추출부(300)는, 제1 독립성분 추출부(100)에서 추출된 제1 독립성분들 중 DMN관련 성분들을 선택하고, DMN관련 성분들에 해당하는 복셀들의 이진법 마스크(binary mask)를 생성하며, 생성된 이진 마스크 내에서 제2 독립성분분석을 진행하여 DMN의 세부적인 제2 독립성분들을 추출할 수 있다.
뇌영역 추정부(500)는, 제2 독립성분 추출부(300)에 의해 DMN 내에서 추출된 제2 독립성분들과 제1 독립성분 추출부(100)에 의해 전체 뇌에서 추출된 제1 독립성분들 간의 상관관계 분석을 통해 DMN의 세부적인 독립성분들인 제2 독립성분들과 역 상관관계를 보이는 뇌 영역을 과제 패러다임(Task paradigm)과 관련이 있는 뇌 영역으로 추정한다.
여기서, 과제 패러다임(Task paradigm 또는 Task)이란, 뇌기능 영상의 획득 과정에서 피험자가 주어진 과제에 따라 수행하는 일련의 행위를 의미하는 것으로, 일반적으로 블록 기반(Block-based) 과제와 사건 관련(Event-related) 과제로 구분된다.
블록 기반 과제는 특정 주기(period)에 따라 과제 수행 주기와 휴식 주기를 번갈아 수행하는 방식이고, 사건 관련 과제는 정해진 주기 없이 제시되는 과제에 대해 피험자가 일련의 행위를 수행하는 방식이다.
일반적으로, 과제 패러다임은, 과제 수행 주기와 휴식 주기에서 발생하는 혈중 산소농도를 분석하여 특정 과제에 따른 뇌기능 활성화 패턴을 분석하는 데 이용되고 있다.
동일한 과제 수행에 있어서, 뇌기능 질환 보유 환자와 정상인간의 차이에 대한 연구 및 진단의 응용에 대한 관심이 높아지고 있으며, 대표적으로 경증인지장애 및 치매 환자가 손가락 마주치기 과제를 수행하는 동안 해마의 뇌기능이 약화되는 특징을 이용한 정상인과의 차이에 대한 선행기술들이 있다.
또한, 뇌졸중 환자의 손 쥐었다 펴기의 과제 수행에 있어서, 뇌졸중 환자와 정상인과의 운동관련 뇌영역에서의 뇌기능 활성화 패턴 차이에 대한 선행연구들이 있다.
뇌영역 추정부(500)에 추정된 과제 패러다임(Task paradigm)과 관련이 있는 뇌 영역을 이용하여, 뇌종양 환자의 수술 전에 종양 주변 뇌영역의 담당 기능을 확인함으로써 수술 범위를 특정하는 데 활용할 수 있으며, 뇌졸중 환자들의 과제 수행에 따른 뇌기능 활성화 영역의 크기, 강도 및 연결성 등을 분석하여 환자의 회복 정도를 가늠하는 척도로 활용될 수 있다.
구조적 연결성 추정부(400)는, 피험자의 과제 수행에 따른 피험자의 DTI(Diffusion Tensor Imaging) 데이터를 이용하여 뇌 기능이 활성화된 영역의 확률기반 구조적 연결성(Structural Connectivity, SC)을 추정한다.
이에 따라, 정의된 영역들을 통과하는 구조적 연결성들을 추출하여, 과제 패러다임과 관련 있는 뇌 영역들이 어떠한 구조적 연결성을 가지고 있는지 파악할 수 있게 된다.
여기서, 기능적 연결성(functional connectivity, FC)이란 fMRI 데이터 분석시 뇌의 네트워크 구조에서 복셀단위의 단순 활성화 정도를 분석하는 것이 아니라, 복셀간 또는 영역간 유사 정도를 분석하는 방법이고, 구조적 연결성(structural connectivity, SC)이란 DTI 데이터 분석시 뇌의 영역들 또는 복셀들을 연결하는 섬유로(fiber pathway)를 추적하는 방법을 지칭한다.
구조적 연결성 추정부(400)에 의한 연결성은, 상술한 바와 같이 DTI 데이터를 이용하여 구조적 연결성(Structural Connectivity, SC)을 추정하게 된다.
여기서, DTI(Diffusion Tensor Imaging, 확산 텐서 영상)라 함은, fMRI와 마찬가지로 MRI장비를 통하여 획득되는 이미지로서, fMRI와 다르게 시간에 따른 신호를 측정하는 것이 아니라, 뇌의 구조를 이미지화하는 해부적 영상을 획득할 수 있는 방법으로, 피험자의 뇌의 구조적 연결성을 특정할 수 있다.
일 실시예에서, 구조적 연결성 추정부(400)는, 과제 패러다임과 관련이 있는 뇌 영역으로 추정된 영역들을 통과하는 구조적 연결성들을 추출한 후, 과제 패러다임과 관련 있는 뇌 영역들의 구조적 연결성을 파악하도록 할 수 있다.
뇌영역 추정부(500)는, 제2 독립성분들과 역 상관관계를 보이는 뇌 영역의 과제 패러다임(Task paradigm)과 관련이 있는 뇌 영역 추정과는 별도로, 구조적 연결성 추정부(400)에 의해 확률기반 구조적 연결성이 추정된 뇌 기능이 활성화된 뇌 영역을 과제 패러다임(Task paradigm)과 관련이 있는 뇌 영역으로 추정한다.
디폴트-모드 네트워크는, 과제와 마이너스의 기능적 연결성(functional connectivity, FC)이 있다고 알려져 있는 뇌 네트워크로서, fMRI 데이터 기반으로 독립성분분석(independent component analysis, ICA)을 이용하여 추출되고, 추출된 네트워크로부터 마이너스 기능적 연결성을 보이는 뇌 영역들을 추정하도록 한다.
반면, 상술한 바와 같은 구성을 가지는 본 발명의 다른 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 장치(10)는, 디폴트-모드 네트워크를 이용한 뇌 영역 추정과는 별도로, DTI 데이터를 기반으로 추정된 뇌 영역들을 통하는 구조적 연결성(structural connectivity, SC)을 보이는 뇌 영역들을 추가적으로 추정할 수 있도록 한다.
상술한 바와 같은 구성을 가지는 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 장치(10)의 각 구성에 의한 영역 추정 방법은 도 3 이하의 방법 설명에서 후술하기로 한다.
상술한 바와 같은 구성을 가지는 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 장치(10)는, 운영체제(Operation System; OS), 즉 시스템을 기반으로 다양한 소프트웨어를 실행하거나 제작할 수 있다. 상기 운영체제는 소프트웨어가 장치의 하드웨어를 사용할 수 있도록 하기 위한 시스템 프로그램으로서, 안드로이드 OS, iOS, 윈도우 모바일 OS, 바다 OS, 심비안 OS, 블랙베리 OS 등 모바일 컴퓨터 운영체제 및 윈도우 계열, 리눅스 계열, 유닉스 계열, MAC, AIX, HP-UX 등 컴퓨터 운영체제를 모두 포함할 수 있다.
도 2는 본 발명의 다른 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 장치를 설명하는 제어블록도이다.
도 2를 참조하면, 본 발명의 다른 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 장치(20)는, 제1 독립성분 추출부(100), 독립성분 통합부(200), 제2 독립성분 추출부(300), 뇌영역 추정부(500), 구조적 연결성 추정부(400) 및 데이터 전처리부(600)를 포함한다. 여기서, 제1 독립성분 추출부(100), 독립성분 통합부(200), 제2 독립성분 추출부(300), 뇌영역 추정부(500) 및 구조적 연결성 추정부(400)는, 도 1의 구성요소와 동일하므로 그 설명을 생략한다.
데이터 전처리부(600)는, MRI 장비를 이용하여 획득한 피험자의 과제 수행에 따른 fMRI 데이터 또는 DTI 데이터를 전처리 하며, 전처리된 fMRI 데이터를 제1 독립성분 추출부(100)로 전달하고, 전처리된 DTI 데이터를 구조적 연결성 추정부(400)로 전달한다.
상술한 바와 같은 구성을 가지는 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 장치(20)의 각 구성에 의한 영역 추정 방법은 도 3 이하의 방법 설명에서 후술하기로 한다.
도 3은 본 발명의 일 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법을 설명하는 순서도이다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법은, 우선, 피험자의 과제 수행에 따른 fMRI(functional Magnetic Resonance Imaging) 데이터를 입력데이터로 하여 제1 독립성분분석(Independent Component Analysis, ICA)을 수행하여 전체 뇌의 제1 독립성분들을 추출한다(S110).
이때, 제1 독립성분들을 추출하는 단계(S110)에서 제1 독립성분분석의 입력데이터는, 피험자의 과제 수행에 따른 혈액-산소 준위 의존성(Blood Oxygen Level Dependent, BOLD) 신호의 신호원과 혼합 행렬(mixing matrix)의 선형 관계일 수 있다.
상술한 단계 S110에서 제1 독립성분들의 추출이 완료되면, 상술한 단계 S110에서 추출된 전체 뇌에 관한 제1 독립성분들 중 DMN(Default-Mode Network)과 관련된 독립성분들을 선정하여 통합한다(S120).
상술한 독립성분들을 선정하여 통합하는 단계(S120)에서는, DMN와 관련된 독립성분을 선정함으로써, 미리 정의된 DMN에 속하는 독립성분들을 선정하고 통합함으로써 마스크를 생성할 수 있다.
상술한 단계 S120에서 DMN과 관련된 독립성분들의 선정 및 통합이 완료되면, 상술한 단계 S120에서 통합된 DMN과 관련된 독립성분들에 대하여 제2 독립성분분석을 수행하여 DMN 내에서의 제2 독립성분들을 추출한다(S130).
상술한 제2 독립성분들을 추출하는 단계(S130)에서는, DMN에서의 독립성분분석을 적용함으로써, ICASSO(총 반복 회수 = 100) 방법을 통해 세립 독립성분들을 DMN으로부터 추출할 수 있다.
상술한 단계 S110 내지 S130 단계와는 별도로, 피험자의 과제 수행에 따른 피험자의 DTI(Diffusion Tensor Imaging) 데이터를 이용하여 뇌 기능이 활성화된 영역의 확률기반 구조적 연결성(Structural Connectivity, SC)을 추정한다(S140).
여기서, 구조적 연결성을 추정하는 단계(S140)는, 과제 패러다임과 관련이 있는 뇌 영역으로 추정된 영역들을 통과하는 구조적 연결성들을 추출한 후, 과제 패러다임과 관련 있는 뇌 영역들의 구조적 연결성을 파악할 수 있다.
상술한 단계 S110 내지 S130 단계에서 이용한 디폴트-모드 네트워크란, 과제와 마이너스의 기능적 연결성(functional connectivity, FC)이 있다고 알려져 있는 뇌 네트워크로서, fMRI 데이터 기반으로 독립성분분석(independent component analysis, ICA)을 이용하여 추출되고, 추출된 네트워크로부터 마이너스 기능적 연결성을 보이는 뇌 영역들을 추정하도록 한다.
반면, 상술한 단계 S140에서는, 디폴트-모드 네트워크를 이용하여 뇌 영역을 추정하는 상술한 단계 S110 내지 S130 단계와는 별도로, DTI 데이터를 기반으로 추정된 뇌 영역들을 통하는 구조적 연결성(structural connectivity, SC)을 보이는 뇌 영역들을 이용하여 과제 패러다임과 관련이 있는 뇌영역을 추정할 수 있도록 한다.
상술한 단계 S130에서 제2 독립성분들의 추출이 완료되거나, 상술한 단계 S140에서 구조적 연결성의 추정이 완료되면, 상술한 단계 S130에서 추출된 DMN 내에서의 제2 독립성분들과 상술한 단계 S110에서 추출된 전체 뇌에서 추출된 제1 독립성분들 간의 상관관계 분석을 통해 제2 독립성분들과 역 상관관계를 보이는 뇌 영역영역을 과제 패러다임(Task paradigm)과 관련이 있는 뇌 영역으로 추정하고, 또한, 상술한 단계 S140에서 확률기반 구조적 연결성이 추정된 뇌 영역 역시 과제 패러다임(Task paradigm)과 관련이 있는 뇌 영역으로 추정한다(S150).
상술한 바와 같은 단계를 가지는 본 발명의 일 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법은, 아무런 정보 없이 획득한 데이터만으로도 과제 패러다임과 관련된 뇌영역의 추정이 가능하고, 피험자별 가변성 및 실시간 가변성을 반영하여 개인 맞춤 과제 패러다임과 관련된 뇌영역을 추정 가능하여 실시간 뇌기능영상 데이터 처리 시 잠재적 문제 해결 방법에 도움을 줄 수 있다.
또한, 신경/정신 질환 환자군에 적용하여 환자 맞춤별 분석이 가능하도록 하여 뇌손상 및 영역별 가변성이 있는 환자군에도 유용하게 적용될 수 있다.
도 4는 도 3의 제1 독립성분들을 추출하는 단계를 설명하는 순서도이다.
도 4를 참조하면, 제1 독립성분들을 추출하는 단계(S110)는, 피험자의 과제 수행에 따른 fMRI(functional Magnetic Resonance Imaging) 데이터를 입력데이터로 하여 제1 독립성분분석(Independent Component Analysis, ICA)을 수행하여 전체 뇌를 세분화한다(S111).
여기서, 제1 독립성분분석의 입력데이터(X)는, 피험자의 과제 수행에 따른 혈액-산소 준위 의존성(Blood Oxygen Level Dependent, BOLD) 신호의 신호원(S)과 혼합 행렬(mixing matrix)(A)의 선형 관계이다.
즉, fMRI 데이터가 독립성분분석의 입력데이터(X)로 사용되며, 도 1에서 상술한 수학식 1과 같이 독립성분분석의 입력데이터(X)는 신호원(S)과 혼합 행렬(A)의 선형관계임이 가정된다.
상술한 단계 S111에서 전체 뇌에 대한 세분화가 완료되면, 상술한 단계 S111에서 세분화된 전체 뇌에 대한 제1 독립성분을 입력데이터로부터 추출할 수 있도록 비혼합 행렬(unmixing matrix)을 만든 후, 비혼합 행렬과 입력데이터를 내적(inner product)한 데이터 출력들 간의 상호정보(mutual-information)가 최소화되는 비혼합 행렬을 학습한다(S112).
그리고, 비혼합 행렬을 학습하는 단계(S112)에서는, 학습된 비혼합 행렬과 입력데이터를 내적하여 전체 뇌에 대한 제1 독립성분들을 추출할 수 있다.
일 실시예에서, 비혼합 행렬을 학습하는 단계(S112)에서 학습된 비혼합 행렬은, 제1 독립성분분석의 입력데이터와 선형 관계에 있는 혼합 행렬과 역행렬일 수 있다.
상술한 단계 S112에서 비혼합 행렬의 학습이 완료되면, 상술한 단계 S112에서 학습된 비혼합 행렬과 입력데이터를 내적하여 전체 뇌에 대한 제1 독립성분들을 추출한다(S113).
도 5는 도 3의 제2 독립성분들을 추출하는 단계를 설명하는 순서도이다.
도 5를 참조하면, 제2 독립성분들을 추출하는 단계(S130)는, 제1 독립성분들을 추출하는 단계(S110)에서 추출된 제1 독립성분들 중 DMN과 관련 성분들을 선택한다(S131).
상술한 단계 S131에서 중 DMN과 관련 성분들이 선택되면, 상술한 단계 S131에서 선택된 DMN 관련 성분에 해당하는 복셀들(voxel)의 이진법 마스크(binary mask)를 생성한다(S132).
상술한 단계 S132에서 복셀들의 이진법 마스크가 생성되면, 상술한 단계 S132에서 생성된 이진법 마스크 내에서 제2 독립성분분석을 수행하여 DMN의 독립성분인 제2 독립성분들을 추출한다(S133).
도 6은 본 발명에서 독립성분 시간경로 데이터들 간의 상호 상관관계 분석을 설명하는 도면이다.
도 6을 참조하면, 본 발명의 일 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법을 검증하기 위해, 전체 뇌에서 과제 관련 독립성분들을 선택하기 위해 가설기반 방법을 적용하여 평가한 것을 확인할 수 있다.
이를 위해, 도 8에서 후술할 데이터 전처리 단계(S150)에서 전처리 과정이 수행된 fMRI 데이터를 이용하여, 전체 뇌에 ICA를 적용(즉, 전체 뇌의 기능적 독립성분 나누기, 여기서 독립성분의 개수는 fMRI 획득 볼륨의 개수)하고, DMN 관련 독립성분을 선정(미리 정의된 DMN에 속하는 독립성분들을 선택하고 통합하여 마스크 생성)한 후, DMN에서의 ICA를 적용(ICASSO 방법을 적용하여 DMN을 세립 독립성분들로 추출)하는 일연의 과정을 통해 독립성분 시간경로 데이터들 간의 상호 상관관계를 다음의 수학식 3을 이용하여 분석할 수 있다.
여기서, 
는 기능적 연결성, 
는 전체 뇌로부터 추출된 제1 독립성분들 중 i번재 독립성분의 시간적 정보의 분산, 
는 DMN으로부터 추출된 제2 독립성분들 중 j번재 독립성분의 시간적 정보의 분산이고, 
는 제1 독립성분들 중 i번째 독립성분의 시간적 정보와 제2 독립성분들 중 j번째 독립성분 간의 공분산이다.
도 7은 도 6의 상호 상관관계 분석에 의해 도출된 DMN과 연결성을 보이는 과제관련 독립적 네트워크들로서, 도 6에서 도출된 상호 상관관계를 이용하여 DMN과 유의미하게 역 상관관계를 보이는 독립성분들을 식별할 수 있도록 한다.
도 8은 본 발명의 다른 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법을 설명하는 순서도이다.
도 8을 참조하면, 본 발명의 다른 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법은, 도 3에서 상술한 제1 독립성분들을 추출하는 단계(S110) 또는 확률기반 구조적 연결성을 추정하는 단계(S140) 이전에, MRI 장비를 이용하여 획득한 피험자의 과제 수행에 따른 fMRI 데이터 또는 DTI 데이터를 전처리 하는 단계(S160)를 더 포함한다.
상술한 단계 S160에서 전처리된 fMRI 데이터는 제1 독립성분들을 추출하는 단계(S110)에서 제1 독립성분들 추출에 이용되거나, 전처리된 DTI 데이터는 DTI 데이터를 전처리 하는 단계(S160)에서 확률기반 구조적 연결성 추정에 이용될 수 있다.
도 9는 본 발명의 또 다른 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법을 설명하는 순서도이다.
도 9를 참조하면, 본 발명의 또 다른 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법은, 상술한 단계 S150 이후에 fMRI 데이터를 이용하여 뇌 영역으로 추정하는 단계에서 과제 패러다임과 관련이 있는 뇌 영역으로 추정된 영역을 평가 및 검증하는 단계(S170)를 더 포함한다.
뇌 영역의 평가 및 검증을 위해, 평가 및 검증하는 단계(S170)는, 먼저, 피험자가 수행하는 과제와 역 상관관계를 가지고 있는 DMN을 세분화한다.
다음으로, 세분화된 DMN의 영역으로부터 역 상관관계를 보이는 영역을 과제 패러다임과 관련이 있는 뇌 영역으로 추정한다.
마지막으로, 과제 패러다임과 관련이 있는 뇌 영역으로 추정된 영역을 실시간 및 비실시간 fMRI 데이터를 이용하여 평가 및 검증하게 된다.
상술한 바와 같은 단계를 가지는 본 발명의 또 다른 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법을 이용한, 각각의 실시예에 따른 과제 패러다임과 관련이 있는 뇌 영역으로 추정된 영역의 평가 및 검증을 이하 도 10 내지 도 13에서 살펴보기로 한다.
도 10은 도 9의 본 발명의 또 다른 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법에 의한 왼쪽 손 움직임 과제에 대한 기능적 연결성 추정 결과를 설명하는 도면이다.
도 10의 (A)는 앞쪽 DMN(anterior DMN; aDMN)으로부터 유의미한 역 상관관계를 보이는 뇌 영역들이고, 도 10의 (B)는 뒤쪽 DMN(posterior DMN; pDMN)으로부터 유의미한 역 상관관계를 보이는 뇌 영역들이고, 도 10의 (C)는 전체 뇌를 세분화했을 때 유의미한 역 상관관계를 보이는 원형 도표이다.
여기서, L은 left, R은 right, PoCG는 postcentral gyrus(중심후회), SMA는 supplementary motor area(보조운동영역), CB는 cerebellum(소뇌)이고, LG는 lingual gyrus(설회)이다.
도 10을 참조하면, 왼쪽 손 움직임을 수행했을 때 DMN으로부터 주로 활성화되는 영역인 오른쪽 운동 영역인 중심후회(postcentral gyrus) 영역인 주요 상관관계를 보이는 것을 확인할 수 있다.
또한, 뇌의 중앙에 위치한 보조운동영역(supplementary motor area) 역시 DMN과 유의미한 역 상관관계를 보이는 것을 확인할 수 있으며, 원형 도표에 도시된 바와 같이 전체 뇌 영역 중, 오른쪽 운동 영역이 DMN과 가장 유의미한 역 상관관계를 보이는 것을 확인할 수 있다.
도 11은 도 9의 본 발명의 또 다른 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법에 의한 오른쪽 손 움직임 과제에 대한 기능적 연결성 추정 결과를 설명하는 도면이다.
도 11의 (A)는 앞쪽 DMN(anterior DMN; aDMN)으로부터 유의미한 역 상관관계를 보이는 뇌 영역들이고, 도 11의 (B)는 뒤쪽 DMN(posterior DMN; pDMN)으로부터 유의미한 역 상관관계를 보이는 뇌 영역들이고, 도 11의 (C)는 전체 뇌를 세분화했을 때 유의미한 역 상관관계를 보이는 원형 도표이다.
여기서, L은 left, R은 right, PoCG는 postcentral gyrus(중심후회), SMA는 supplementary motor area (보조운동영역), SMG는 supramarginal gyrus(모서리위이랑), STG는 superior temporal gyrus(상측두이랑), IOG는 inferior occipital gyrus(하후두회), MOG는 middle occipital gyrus(중후두회), FG는 fusiform gyrus(방추상회), CB는 cerebellum(소뇌), LG는 lingual gyrus(설회)이고, INS는 insula(섬피질)이다.
도 11을 참조하면, 오른쪽 손 움직임을 수행했을 때 DMN으로부터 주로 활성화되는 영역인 왼쪽 운동 영역인 중심후회(postcentral gyrus) 영역이 주요 상관관계를 보이는 것을 확인할 수 있다.
또한, 뇌의 중앙에 위치한 보조운동영역(supplementary motor area) 역시 DMN과 유의미한 역 상관관계를 보이는 것을 확인할 수 있으며, 원형 도표에 도시된 바와 같이 전체 뇌 영역 중, 왼쪽 운동 영역이 DMN과 가장 유의미한 역 상관관계를 보이는 것을 확인할 수 있고, 피험자들이 모두 오른손잡이여서 오른쪽 손 움직임이 좌우 뇌 영역이 활성화되는 패턴을 보임을 확인할 수 있다.
도 12는 도 9의 본 발명의 또 다른 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법에 의한 시각 자극 응시 과제에 대한 기능적 연결성 추정 결과를 설명하는 도면이다.
도 12의 (A)는 앞쪽 DMN(anterior DMN; aDMN)으로부터 유의미한 역 상관관계를 보이는 뇌 영역들이고, 도 12의 (B)는 뒤쪽 DMN(posterior DMN; pDMN)으로부터 유의미한 역 상관관계를 보이는 뇌 영역들이고, (C)는 전체 뇌를 세분화했을 때 유의미한 역 상관관계를 보이는 원형 도표이다.
여기서, L은 left, R은 right, CLC는 calcarine(새발톱고랑), CN은 cuneus(설상엽), MOG는 middle occipital gyrus(중후두회), FG는 fusiform gyrus(방추상회)이고, LG는 lingual gyrus(설회)이다.
도 12를 참조하면, 시각자극 응시 과제를 수행했을 때 주로 활성화되는 영역인 시각 영역인 설상엽(cuneus), 새발톱고랑(calcarine), 후두회(occipital gyrus) 또는 설회(lingual gyrus) 등이 DMN으로부터 주요 상관관계를 보임을 확인할 수 있다.
또한, 도 12의 원형 도표에 도시된 바와 같이, 전체 뇌 영역 중, 시각 영역들이 DMN과 가장 유의미한 역 상관관계를 보이는 것을 확인할 수 있고, 앞쪽 DMN보다 뒤쪽 DMN이 더욱 유의미한 역 상관관계를 보이는 것을 확인할 수 있다.
도 13은 도 9의 본 발명의 또 다른 실시예에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법에 의한 흡연자 대상으로 실시간 뉴로피드백 훈련시 촬영한 데이터에 대한 기능적 연결성 추정 결과를 설명하는 도면이다.
도 13의 (A)는 앞쪽 DMN(anterior DMN; aDMN)으로부터 유의미한 역 상관관계를 보이는 뇌 영역들이고, 도 13의 (B)는 뒤쪽 DMN(posterior DMN; pDMN)으로부터 유의미한 역 상관관계를 보이는 뇌 영역들이고, 도 13의 (C)는 전체 뇌를 세분화했을 때 유의미한 역 상관관계를 보이는 원형 도표이다.
여기서, L은 left, R은 right, CLC는 calcarine(새발톱고랑), INS는 insula(섬피질), SPL은 superior parietal lobule(상두정소엽), MTG는 middle temporal gyrus(중측두회), IOG는 inferior occipital gyrus(하후두회), mSFG는 medial superior frontal gyrus(중상전두회), iOFC는 inferior orbitofrontal cortex(하안와전두피질), CB는 cerebellum(소뇌), ACC는 anterior cingulate cortex(전대상피질)이고, MCC는 middle cingulate cortex(중대상피질)이다.
도 13을 참조하면, 흡연자 대상으로 실시간 기능자기공명영상 뉴로피드백 기반 금연 욕구 자가조절에 대한 훈련시 획득한 데이터에 대해 검증 결과로써, 흡연 욕구와 관련되 뇌 영역들인 섬피질(insula), 중상전두회(medial superior frontal gyrus), 하안와전두피질(inferior orbitofrontal cortex), 전대상피질 (anterior cingulate cortex) 등이 DMN으로부터 유의미한 역 상관관계를 보이는 것을 확인할 수 있다.
또한, 도 13의 원형 도표에 도시된 바와 같이, 전체 뇌 영역 중, 흡연 욕구 관련 영역들이 DMN과 가장 유의미한 역 상관관계를 보이는 것을 확인할 수 있으며, 단순 감각과제 수행시 뿐만 아니라 복잡한 고차원 인지과제에서도 본 발명에 의한 방법이 과제와 관련된 뇌 영역을 유의미하게 추정 가능하다는 것을 확인할 수 있다.
상술한 바와 같은 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법은, 애플리케이션으로 구현되거나 다양한 컴퓨터의 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CDROM, DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
본 발명은, 데이터 기반 과제관련 뇌 영역 추정 방법으로서, MATLAB 기반 GUI 환경지원을 통해 신경영상(Neuroimaging) 개발자들을 포함한 연구자들 누구나 이용 가능한 제품으로 출시가 가능하도록 하며, 이미 구현 출시된 다른 제품들(예를 들어, SPM(Scanning Probe Microscope) 등)에 추가적인 툴박스 형태로 제공하여 좀 더 포괄적인 서비스 형태로 제공될 수 있다.
그리고, 일반적인 정상인 대상으로 분석을 진행함으로써, 과제 패러다임을 수행하는 개별적인 피험자 맞춤 뇌 활성화 패턴의 추정을 가능하도록 하여, 실시간 fMRI 신경귀환법(Neurofeedback) 기술에 적용하기 용이하며, 성능이 더욱 향상된 결과를 추정할 수 있다.
또한, 본 발명을 임상응용 분야에 적용할 경우, 신경/정신 질환 환자군의 뇌손상 또한 고려하여 과제관련 기능적/구조적 연결성을 파악할 수 있다.
10, 20: 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 장치
100: 제1 독립성분 추출부
200: 독립성분 통합부
300: 제2 독립성분 추출부
400; 구조적 연결성 추정부
500: 뇌영역 추정부
600: 데이터 전처리부
100: 제1 독립성분 추출부
200: 독립성분 통합부
300: 제2 독립성분 추출부
400; 구조적 연결성 추정부
500: 뇌영역 추정부
600: 데이터 전처리부
Claims (11)
- 피험자의 과제 수행에 따른 fMRI(functional Magnetic Resonance Imaging) 데이터를 입력데이터로 하여 제1 독립성분분석(Independent Component Analysis, ICA)을 수행하여 전체 뇌의 제1 독립성분들을 추출하는 단계;
전체 뇌에 대하여 추출된 제1 독립성분들 중 DMN(Default-Mode Network)과 관련된 독립성분들을 선정하여 통합하는 단계;
DMN과 관련된 독립성분들에 대하여 제2 독립성분분석을 수행하여 DMN 내에서의 제2 독립성분들을 추출하는 단계;
피험자의 과제 수행에 따른 DTI(Diffusion Tensor Imaging) 데이터를 이용하여 뇌 기능이 활성화된 영역의 확률기반 구조적 연결성(Structural Connectivity, SC)을 추정하는 단계; 및
DMN 내에서 추출된 제2 독립성분들과 전체 뇌에서 추출된 제1 독립성분들 간의 역 상관관계 및 상기 확률기반 구조적 연결성을 기초로 과제 패러다임(Task paradigm)과 관련이 있는 뇌 영역을 추정하는 단계를 포함하는, 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법.
- 제1항에 있어서,
상기 제1 독립성분들을 추출하는 단계에서 제1 독립성분분석의 입력데이터는, 피험자의 과제 수행에 따른 혈액-산소 준위 의존성(Blood Oxygen Level Dependent, BOLD) 신호의 신호원과 혼합 행렬(mixing matrix)의 선형 관계인, 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법.
- 제1항에 있어서, 상기 제2 독립성분들을 추출하는 단계는,
상기 제1 독립성분들을 추출하는 단계에서 추출된 제1 독립성분들 중 DMN과 관련 성분들을 선택하는 단계;
선택된 DMN 관련 성분에 해당하는 뇌 영역의 복셀들(voxel)의 이진법 마스크(binary mask)를 생성하는 단계; 및
생성된 이진법 마스크 내에서 제2 독립성분분석을 수행하여 DMN의 독립성분인 제2 독립성분들을 추출하는 단계를 포함하는, 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법.
- 제1항에 있어서, 상기 제1 독립성분들을 추출하는 단계는,
피험자의 과제 수행에 따른 fMRI 데이터를 입력데이터로 하여 제1 독립성분분석을 수행하여 전체 뇌를 세분화하는 단계;
세분화된 전체 뇌에 대한 제1 독립성분을 입력데이터로부터 추출하기 위해 비혼합 행렬(unmixing matrix)을 만든 후, 비혼합 행렬과 입력데이터를 내적(inner product)한 데이터 출력들 간의 상호정보(mutual-information)가 최소화되는 비혼합 행렬을 학습하는 단계; 및
학습된 비혼합 행렬과 입력데이터를 내적하여 전체 뇌에 대한 제1 독립성분들을 추출하는 단계를 포함하는, 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법.
- 제4항에 있어서,
상기 비혼합 행렬을 학습하는 단계에서 학습된 비혼합 행렬은, 제1 독립성분분석의 입력데이터와 선형 관계에 있는 혼합 행렬과 역행렬인, 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법.
- 제1항에 있어서, 상기 구조적 연결성을 추정하는 단계는,
과제 패러다임과 관련이 있는 뇌 영역으로 추정된 영역들을 통과하는 구조적 연결성들을 추출한 후, 과제 패러다임과 관련 있는 뇌 영역들의 구조적 연결성을 파악하는, 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법.
- 제1항에 있어서,
상기 제1 독립성분들을 추출하는 단계 또는 상기 확률기반 구조적 연결성을 추정하는 단계 이전에, MRI 장비를 이용하여 획득한 피험자의 과제 수행에 따른 fMRI 데이터 또는 DTI 데이터를 전처리 하는 단계를 더 포함하는, 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법.
- 제1항에 있어서,
fMRI 데이터를 이용하여 상기 뇌 영역으로 추정하는 단계에서 과제 패러다임과 관련이 있는 뇌 영역으로 추정된 영역을 평가 및 검증하는 단계를 더 포함하는, 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법.
- 제8항에 있어서, 상기 평가 및 검증하는 단계는,
피험자가 수행하는 과제와 역 상관관계를 가지고 있는 DMN을 세분화하는 단계;
세분화된 DMN의 영역으로부터 역 상관관계를 보이는 영역을 과제 패러다임과 관련이 있는 뇌 영역으로 추정하는 단계; 및
과제 패러다임과 관련이 있는 뇌 영역으로 추정된 영역을 실시간 및 비실시간 fMRI 데이터를 이용하여 평가 및 검증하는 단계를 포함하는, 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법.
- 제1항 내지 제9항 중 어느 하나의 항에 따른 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 방법을 수행하기 위한, 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
- 피험자의 과제 수행에 따른 fMRI(functional Magnetic Resonance Imaging) 데이터를 입력데이터로 하여 제1 독립성분분석(Independent Component Analysis, ICA)을 수행하여 전체 뇌의 제1 독립성분들을 추출하는 제1 독립성분 추출부;
상기 제1 독립성분 추출부에 의해 전체 뇌에 대하여 추출된 제1 독립성분들 중 DMN(Default-Mode Network)과 관련된 독립성분들을 선정하여 통합하는 독립성분 통합부;
상기 독립성분 통합부에 의해 통합된 DMN과 관련된 독립성분들에 대하여 제2 독립성분분석을 수행하여 DMN 내에서의 제2 독립성분들을 추출하는 제2 독립성분 추출부;
피험자의 과제 수행에 따른 DTI(Diffusion Tensor Imaging) 데이터를 이용하여 뇌 기능이 활성화된 영역의 확률기반 구조적 연결성(Structural Connectivity, SC)을 추정하는 구조적 연결성 추정부; 및
상기 제2 독립성분 추출부에 의해 DMN 내에서 추출된 제2 독립성분들과 상기 제1 독립성분 추출부에 의해 전체 뇌에서 추출된 제1 독립성분들 간의 역 상관관계 및 상기 구조적 연결성 추정부에 의해 추정된 확률기반 구조적 연결성을 기초로 과제 패러다임(Task paradigm)과 관련이 있는 뇌 영역을 추정하는 뇌영역 추정부를 포함하는, 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180078858A KR102096357B1 (ko) | 2018-07-06 | 2018-07-06 | 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 장치 및 방법, 상기 방법을 수행하기 위한 기록 매체 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180078858A KR102096357B1 (ko) | 2018-07-06 | 2018-07-06 | 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 장치 및 방법, 상기 방법을 수행하기 위한 기록 매체 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200005303A true KR20200005303A (ko) | 2020-01-15 |
| KR102096357B1 KR102096357B1 (ko) | 2020-04-02 |
Family
ID=69156783
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180078858A Active KR102096357B1 (ko) | 2018-07-06 | 2018-07-06 | 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 장치 및 방법, 상기 방법을 수행하기 위한 기록 매체 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102096357B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112002428A (zh) * | 2020-08-24 | 2020-11-27 | 天津医科大学 | 以独立成分网络为参照的全脑个体化脑功能图谱构建方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140028534A (ko) * | 2012-08-29 | 2014-03-10 | 고려대학교 산학협력단 | 기능성 자기 공명 영상을 사용한 뇌기능 진단 시스템 및 방법 |
| KR20160044641A (ko) | 2014-10-15 | 2016-04-26 | 고려대학교 산학협력단 | 시리즈 독립성분분석을 이용한 뇌파 노이즈 제거 장치 및 뇌파 노이즈 제거 방법 |
-
2018
- 2018-07-06 KR KR1020180078858A patent/KR102096357B1/ko active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140028534A (ko) * | 2012-08-29 | 2014-03-10 | 고려대학교 산학협력단 | 기능성 자기 공명 영상을 사용한 뇌기능 진단 시스템 및 방법 |
| KR20160044641A (ko) | 2014-10-15 | 2016-04-26 | 고려대학교 산학협력단 | 시리즈 독립성분분석을 이용한 뇌파 노이즈 제거 장치 및 뇌파 노이즈 제거 방법 |
Non-Patent Citations (7)
| Title |
|---|
| Dardo Tomasi 외 1명, "Functional connectivity density mapping", Proc Natl Acad Sci U S A. 2010 May 25; 107(21): 9885-9890. * |
| Katell Mevel 외 3명, "The Default Mode Network in Healthy Aging and Alzheimer's Disease", SAGE-Hindawi Access to Research International Journal of Alzheimer’s Disease, Volume 2011, 9 pages * |
| Mao-Lin Hu 외 8명, "A Review of the Functional and Anatomical Default Mode Network in Schizophrenia", Neurosci Bull. 2017 Feb; 33(1): 73-84. * |
| Rongfeng Qi 외 13명, Structural and Functional Abnormalities of Default Mode Network in Minimal Hepatic Encephalopathy: A Study Combinning DTI and fMRI, PLOS ONE(2012.07.20.) * |
| Won Hee Lee 외 1명, "Linking functional connectivity and dynamic properties of resting-state networks", Scientific Reports volume 7, Article number: 16610 (2017) * |
| Yan Tao 외 6명, The Structural Connectivity Pattern of the Default Mode Network and Its Association with Memory and Anxiety, frontiers in Neuroanatomy 2015; 9: 152 (2015.11.26.) * |
| 경도인지장애와 알츠하이머 환자에 대한 디폴트 모드 네트워크의 양적, 질적인 분석 (차정호, 한양대학교대학원, 발행년월 2011.02.) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112002428A (zh) * | 2020-08-24 | 2020-11-27 | 天津医科大学 | 以独立成分网络为参照的全脑个体化脑功能图谱构建方法 |
| CN112002428B (zh) * | 2020-08-24 | 2022-03-08 | 天津医科大学 | 以独立成分网络为参照的全脑个体化脑功能图谱构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102096357B1 (ko) | 2020-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Michel et al. | EEG source localization | |
| Smyser et al. | Use of resting-state functional MRI to study brain development and injury in neonates | |
| JP7221693B2 (ja) | ヒトの脳の皮質機能の目録を作るための方法および磁気画像化デバイス | |
| Brosnan et al. | Evidence accumulation during perceptual decisions in humans varies as a function of dorsal frontoparietal organization | |
| Abbas et al. | Quasi-periodic patterns of brain activity in individuals with attention-deficit/hyperactivity disorder | |
| Cociu et al. | Multimodal functional and structural brain connectivity analysis in autism: A preliminary integrated approach with EEG, fMRI, and DTI | |
| Custo et al. | EEG source imaging of brain states using spatiotemporal regression | |
| Seghier et al. | Visualising inter-subject variability in fMRI using threshold-weighted overlap maps | |
| US10481233B2 (en) | Edema invariant tractography | |
| Momi et al. | Perturbation of resting-state network nodes preferentially propagates to structurally rather than functionally connected regions | |
| US20170238879A1 (en) | Method of Analyzing the Brain Activity of a Subject | |
| Overbye et al. | Development of the P300 from childhood to adulthood: a multimodal EEG and MRI study | |
| KR101388546B1 (ko) | 기능성 자기 공명 영상을 사용한 뇌기능 진단 시스템 및 방법 | |
| Guarnieri et al. | RT-NET: real-time reconstruction of neural activity using high-density electroencephalography | |
| Abreu et al. | Optimizing EEG source reconstruction with concurrent fMRI-derived spatial priors | |
| Jäger et al. | Concordance of epileptic networks associated with epileptic spikes measured by high-density EEG and fast fMRI | |
| Caffarra et al. | Development of the visual white matter pathways mediates development of electrophysiological responses in visual cortex | |
| Fabius et al. | Topographic organization of eye-position dependent gain fields in human visual cortex | |
| KR101317040B1 (ko) | 정상인에서 경도인지장애, 알츠하이머 환자로의 진행에 따른 디폴트 모드 네트워크의 기능적 변화 패턴 구분 방법 및 시스템 | |
| KR102096357B1 (ko) | 디폴트-모드 네트워크를 이용한 과제관련 영역 추정 장치 및 방법, 상기 방법을 수행하기 위한 기록 매체 | |
| Madden et al. | Age-related differences in resting-state, task-related, and structural brain connectivity: graph theoretical analyses and visual search performance | |
| Schmüser et al. | Data-driven analysis of simultaneous EEG/fMRI using an ICA approach | |
| WO2008137161A2 (en) | Concurrent electrophysiologic and cerebral blood flow neuroimaging | |
| Mulders et al. | Identifying large-scale neural networks using fMRI | |
| KR101701299B1 (ko) | 시리즈 독립성분분석을 이용한 뇌파 노이즈 제거 장치 및 뇌파 노이즈 제거 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20180706 |
|
| PA0201 | Request for examination | ||
| PG1501 | Laying open of application | ||
| E902 | Notification of reason for refusal | ||
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20200206 Patent event code: PE09021S01D |
|
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20200316 |
|
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20200327 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20200327 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration | ||
| PR1001 | Payment of annual fee |
Payment date: 20230201 Start annual number: 4 End annual number: 4 |
|
| PR1001 | Payment of annual fee |
Payment date: 20240319 Start annual number: 5 End annual number: 5 |