KR20200029313A - 파킨슨 병 진단 장치 및 방법 - Google Patents

파킨슨 병 진단 장치 및 방법 Download PDF

Info

Publication number
KR20200029313A
KR20200029313A KR1020180107998A KR20180107998A KR20200029313A KR 20200029313 A KR20200029313 A KR 20200029313A KR 1020180107998 A KR1020180107998 A KR 1020180107998A KR 20180107998 A KR20180107998 A KR 20180107998A KR 20200029313 A KR20200029313 A KR 20200029313A
Authority
KR
South Korea
Prior art keywords
image
region
nigrosome
parkinson
disease
Prior art date
Application number
KR1020180107998A
Other languages
English (en)
Other versions
KR102131687B1 (ko
Inventor
신동훈
허환
김응엽
성영희
Original Assignee
주식회사 휴런
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 주식회사 휴런 filed Critical 주식회사 휴런
Priority to KR1020180107998A priority Critical patent/KR102131687B1/ko
Priority to PCT/KR2019/011462 priority patent/WO2020055039A1/ko
Priority to CN201980005028.5A priority patent/CN111212600B/zh
Priority to EP19859966.4A priority patent/EP3677170B1/en
Priority to JP2020519106A priority patent/JP6840898B2/ja
Priority to US16/652,315 priority patent/US11016160B2/en
Priority to ES19859966T priority patent/ES2922073T3/es
Publication of KR20200029313A publication Critical patent/KR20200029313A/ko
Application granted granted Critical
Publication of KR102131687B1 publication Critical patent/KR102131687B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/50—NMR imaging systems based on the determination of relaxation times, e.g. T1 measurement by IR sequences; T2 measurement by multiple-echo sequences
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
    • G01R33/5615—Echo train techniques involving acquiring plural, differently encoded, echo signals after one RF excitation, e.g. using gradient refocusing in echo planar imaging [EPI], RF refocusing in rapid acquisition with relaxation enhancement [RARE] or using both RF and gradient refocusing in gradient and spin echo imaging [GRASE]
    • G01R33/5616—Echo train techniques involving acquiring plural, differently encoded, echo signals after one RF excitation, e.g. using gradient refocusing in echo planar imaging [EPI], RF refocusing in rapid acquisition with relaxation enhancement [RARE] or using both RF and gradient refocusing in gradient and spin echo imaging [GRASE] using gradient refocusing, e.g. EPI
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Neurology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Physiology (AREA)
  • Neurosurgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Psychiatry (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Developmental Disabilities (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)

Abstract

파킨슨 병 진단 장치 및 방법에 관한 것으로, 환자의 뇌를 촬영한 MRI에서 멀티 에코 크기 및 위상 영상을 획득하는 영상 획득부, 획득된 영상에서 파킨슨 병의 영상 바이오 마커로 제시된 흑질과 나이그로좀 1 영역만을 관찰 가능하도록 후처리하는 영상 처리부, 처리된 영상을 분석해서 나이그로좀 1 영역이 포함된 영상을 분류하고 분류된 영상에서 나이그로좀 1 영역을 검출하는 영상 분석부 및 분류된 각 영상에서 나이그로좀 1 영역에 대한 정상 여부를 판단해서 파킨슨 병을 진단하는 진단부를 포함하는 구성을 마련하여, MRI에서 나이그로좀 1 영역이 포함된 영상만을 분류하고, 분류된 영상에서 나이그로좀 1 영역을 분석하여 파킨슨 병을 진단할 수 있다.

Description

파킨슨 병 진단 장치 및 방법{PARKINSON'S DISEASE DIAGNOSIS APPARATUS AND METHOD}
본 발명은 파킨슨 병 진단 장치 및 방법에 관한 것으로, 더욱 상세하게는 자기 공명 영상(Magnetic Resonance Imaging, 이하 'MRI'라 함)을 분석해서 파킨슨 병을 진단하는 파킨슨 병 진단 장치 및 방법에 관한 것이다.
신경퇴행성 질환은 신경 세포들이 어떤 원인에 의해 소멸함에 따라, 뇌 기능의 이상을 일으키는 질병을 지칭한다.
대표적인 신경퇴행성 질환으로는 흔하게 알쯔하이머병이나 파킨슨 병, 드물게는 루게릭병 등을 예로 들 수 있다.
신경퇴행성 질환 중에서 파킨슨 병은 신경세포가 파괴되는 대표적인 신경퇴행성 질환으로, 몸이 굳어가고, 손발이 떨리며, 잘 걷지 못하는 증상과 함께 우울, 불안감이 함께 동반되어 삶의 질을 크게 떨어뜨린다.
이러한 신경퇴행성 질환을 진단하는 방법으로는 점막과의 접촉, 또는 피부 파괴, 또는 천연 또는 인공 체구 이외에 내부 체강 없이 진단하는 비침습적 방법으로 진단하고 있다.
예를 들어, 하기의 특허문헌 1 및 특허문헌 2에는 종래기술에 따른 신경퇴행성 질환을 진단하는 기술이 개시되어 있다.
대한민국 특허 등록번호 제10-1754291호(2017년 7월 6일 공고) 대한민국 특허 공개번호 제10-2016-0058812호(2016년 5월 25일 공개)
Sung-Min Gho 외, "Susceptibility Map-Weighted Imaging (SMWI) for Neuroimaging", Magnetic Resonance in Medicine 72:337-346(2014) Yoonho Nam 외, "Imaging of Nigrosome 1 in Substantia Nigra at 3T Using Multiecho Susceptibility Map-Weighted Imaging (SMWI)", J. MAGN. RESON. IMAGING 2017; 46:528-536 Christian Langkammer 외, "Quantitative susceptibility mapping (QSM) as a means to measure brain iron? A post mortem validation study", Neuroimage. 2012 Sep; 62(3):1593-9. doi: 10.1016/j.neuroimage. 2012.05.049. Epub 2012 May 24.
현재까지의 파킨슨 병 진단 및 약물유발성 파킨슨증의 감별 진단에는 동위 원소를 이용한 [18F]FP-CIT 양전자 방출 단층촬영(Positron emission tomography, PET)이 가장 객관적인 방법으로 사용되고 있다.
그러나 상기 [18F]FP-CIT PET는 매우 고가의 검사방법이고, 방사능 노출의 위험이 있다.
따라서 MRI를 이용하여 나이그로좀 1 영역을 관찰해서 파킨슨 병을 진단할 수 있는 기술의 개발이 요구되고 있다.
본 발명의 목적은 상기한 바와 같은 문제점을 해결하기 위한 것으로, MRI를 분석해서 파킨슨 병을 진단할 수 있는 파킨슨 병 진단 장치 및 방법을 제공하는 것이다.
본 발명의 다른 목적은 파킨슨 병의 영상 바이오 마커로 제시된 나이그로좀(nigrosome) 1 영역을 분석해서 파킨슨 병을 진단할 수 있는 파킨슨 병 진단 장치 및 방법을 제공하는 것이다.
상기한 바와 같은 목적을 달성하기 위하여, 본 발명에 따른 파킨슨 병 진단 장치는 환자의 뇌를 촬영한 MRI에서 멀티 에코 크기 및 위상 영상을 획득하는 영상 획득부, 획득된 영상에서 파킨슨 병의 영상 바이오 마커로 제시된 흑질과 나이그로좀 1 영역만을 관찰 가능하도록 후처리하는 영상 처리부, 처리된 영상을 분석해서 나이그로좀 1 영역이 포함된 영상을 분류하고 분류된 영상에서 나이그로좀 1 영역을 검출하는 영상 분석부 및 분류된 각 영상에서 나이그로좀 1 영역에 대한 정상 여부를 판단해서 파킨슨 병을 진단하는 진단부를 포함하는 것을 특징으로 한다.
또한, 상기한 바와 같은 목적을 달성하기 위하여, 본 발명에 따른 파킨슨 병 진단 방법은 MRI 장비에서 촬영된 MRI에서 양적 자화율 매핑 알고리즘을 적용해서 파킨슨 병의 영상 바이오 마커로 제시된 나이그로좀 1 영역을 포함하는 자화율 맵 가중 이미징 영상을 생성하고, 생성된 영상에서 나이그로좀 1 영역을 분석하여 파킨슨 병 유무를 진단하는 것을 특징으로 한다.
상술한 바와 같이, 본 발명에 따른 파킨슨 병 진단 장치 및 방법에 의하면, MRI에서 나이그로좀 1 영역이 포함된 영상만을 분류하고, 분류된 영상에서 나이그로좀 1 영역을 분석하여 파킨슨 병 유무를 진단할 수 있다는 효과가 얻어진다.
그리고 본 발명에 의하면, 자화율 맵 가중 이미징 프로토콜과 양적 자화율 매핑 알고리즘을 적용해서 나이그로좀 1 영역의 가시성을 향상시키고, 흑질 구조가 시각화된 영상을 이용해서 파킨슨 병을 진단함에 따라, 보편적으로 공급된 MRI 장비를 이용해서 파킨슨 병을 정밀하게 진단할 수 있고, 진단 결과의 정확도를 향상시킬 수 있다는 효과가 얻어진다.
도 1은 흑질과 나이그로좀 1 영역을 포함한 MRI를 예시한 도면,
도 2는 본 발명의 바람직한 실시 예에 따른 파킨슨 병 진단 장치의 블록 구성도,
도 3은 영상 획득부와 영상 처리부의 동작을 설명하는 도면,
도 4 및 도 5는 영상 분석부의 동작을 설명하는 도면,
도 6은 진단부의 동작을 설명하는 도면,
도 7은 입력 영상에 진단 결과를 적용한 상태를 보인 도면,
도 8은 본 발명의 바람직한 실시 예에 따른 파킨슨 병 진단 방법을 단계별로 설명하는 공정도.
이하 본 발명의 바람직한 실시 예에 따른 파킨슨 병 진단 장치 및 방법을 첨부된 도면을 참조하여 상세하게 설명한다.
먼저, 도 1을 참조하여 흑질 내 나이그로좀 1 영역을 관찰해서 파킨슨 병을 진단하는 기준을 설명한다.
도 1은 흑질과 나이그로좀 1 영역을 포함한 MRI를 예시한 도면이다.
도 1의 (a)에는 이미징 슬래브(imaging slab)가 도시되어 있고, 도 1의 (b)에는 정상인의 흑질(substantia nigra)과 나이그로좀 1 영역의 영상이 도시되어 있으며, 도 1의 (c)에는 파킨슨 병 환자의 흑질과 나이그로좀 1 영역의 영상이 도시되어 있다.
정상인의 흑질 내 나이그로좀 1 영역은 도 1의 (b)에 도시된 바와 같이 검게 표시되고, 파킨슨 병 환자의 나이그로좀 1 영역은 도 1의 (c)에 도시된 바와 같이 상대적으로 회색에 가깝게 표시된다.
따라서 본 발명은 MRI에서 파킨슨 병의 영상 바이오 마커로 제시된 나이그로좀 1 영역의 음영을 관찰해서 파킨슨 병 유무를 진단할 수 있다.
예를 들어, 본 발명은 3T MRI에서 자화율 맵 가중 이미징(Susceptibility Map Weighted Imaging, 이하 'SMWI') 프로토콜 및 그 내부의 양적 자화율 매핑(Qluantitative Susceptibility Mapping, 이하 'QSM'이라 함) 알고리즘을 적용해서 나이그로좀 1 영역의 가시성을 향상시켜 나이그로좀 1 영역의 정상 여부를 분석해서 파킨슨 병을 진단한다.
흑질 치밀부(substantia nigra pars compacta)는 도파민 성 신경 세포의 고밀도 집단을 포함하는 중뇌 구조이다. 이 뉴런은 특발성 파킨슨 병(idiopathic Parkinson's disease, IPD)에서 점진적으로 소실되어 장애를 초래한다. 이 영역은 건강한 대조군과 비교했을 때 IPD 환자에서 철(iron) 농도가 증가함을 보여준다.
최근, 건강한 피검자의 고해상도 자화율 대비 이미지에서 니이그로좀 1 로 알려진 흑질 치밀부의 작은 부분을 시각화한 결과, 나이그로좀 1과 그 주변의 흑질 영역(substantia nigra regions) 사이의 대조는 철 농도의 차이에 기인한 것으로, IPD 환자에서 두 부위의 자화율 차이는 현저하게 감소하는 것으로 나타났다.
이와 같은 두 부위의 자화율 차이 감소는 IPD의 이미징 바이오 마커로 활용되고 있다.
따라서 나이그로좀 1 구조는 고해상도(예: 0.3mm 평면 분해능) T2- 가중 이미징 또는 자화율 가중 이미징(SWI)을 사용하여 7T MRI에서 성공적으로 묘사되었다.
그러나 낮은 자계 세기, 예컨대 3T MRI에서는 제한된 공간 해상도와 신호/대조 대 잡음비(SNR/CNR)로 인해, 3D 고해상도 T2- 가중 이미징에서 콘트라스트(contrast), 즉 대비가 현저히 감소된 구조가 관찰된다.
이러한 한계는 접근법의 유용성을 입증한 몇 가지 성공적인 연구에도 불구하고, 3T MRI에서 나이그로좀 1 이미징의 신뢰성과 적용 가능성을 저해하였다.
최근, 상기한 문제점을 해소하기 위해, 향상된 자기 자화율 대비를 제공하기 위한 새로운 방법이 제안되고 있다.
그 중에서 한 가지 방법은 SNR을 향상시키기 위해 단일 에코 이미지를 사용하는 대신에, 멀티 에코 그레이디언트 리콜 에코(multi-echo gradient recall echo, 이하 '멀티 에코 GRE'라 함) 크기 영상(magnitude images)를 결합하는 것으로, 3T MRI에서 IPD를 진단하는 데 비교적 높은 정확도를 나타낸다.
상기 크기 영상의 대안은 자화율 대비를 높이기 위해 가중치 마스크(mask)로 위상(phase) 정보를 사용하는 자화율 가중 이미징(susceptibility-weighted imaging, SWI)이나, 위상 이미징의 블루밍(blooming)으로 인해 아티팩트(artifacts)를 생성할 수 있다.
다른 자화율 대비와 관련된 접근법은 GRE 위상(또는 주파수) 이미지와 양적 자화율 매핑(QSM)이며, 둘 다 자화율에 대한 민감도가 우수하고 최근에 널리 적용되고 있다.
또한, 크기 영상에 대해 QSM으로부터 유도된 자화율 가중 마스크(susceptibility weighting mask)를 이용하는 새로운 방법이 제안되고 있다.
이 접근법은 SWI와 유사하나, SWI의 블루밍 아티팩트를 해결하고 잠재적으로 자화율 변화의 시각화를 향상시킬 수 있다.
QSM 마스크 가중 이미징은 나이그로좀 1 구조를 시각화하는데 유용성이 입증되어 있다.
상기 비특허문헌 1에는 신경 촬영(neroimaging)을 위한 SMWI 기술이 개시되어 있고, 상기 비특허문헌 2에는 3T MRI에서 멀티 에코 SMWI를 이용한 흑질 내 나이그로좀 1의 이미징 기술이 개시되어 있으며, 상기 비특허문헌 3에는 뇌 철분 측정을 위한 QSM 기술이 개시되어 있다.
따라서 본 발명은 뇌 철분의 농도와 자화율의 상관에 따라 파킨슨 병으로 인한 나이그로좀 1 영역의 변화에 기반해서 파킨슨 병을 진단한다.
도 2는 본 발명의 바람직한 실시 예에 따른 파킨슨 병 진단 장치의 블록 구성도이다.
본 발명의 바람직한 실시 예에 따른 파킨슨 병 진단 장치(10)는 도 2에 도시된 바와 같이, 환자의 뇌를 촬영한 MRI에서 멀티 에코 크기 및 위상 영상을 획득하는 영상 획득부(20), 획득된 영상에서 파킨슨 병의 영상 바이오 마커로 제시된 흑질과 나이그로좀 1 영역만을 관찰 가능하도록 후 처리하는 영상 처리부(30), 처리된 영상을 분석해서 나이그로좀 1 영역이 포함된 영상을 분류하고 분류된 영상에서 나이그로좀 1 영역을 검출하는 영상 분석부(40) 및 분류된 각 영상에서 나이그로좀 1 영역에 대한 정상 여부를 판단해서 파킨슨 병을 진단하는 진단부(50)를 포함한다.
도 3을 참조하여 영상 획특부와 영상 처리부의 구성을 상세하게 설명한다.
도 3은 영상 획득부와 영상 처리부의 동작을 설명하는 도면이다. 도 3에는 멀티 에코 합성 GRE 이미지로부터 나이그로좀 1 구조에 대한 SMWI 영상을 생성하는 과정이 도시되어 있다.
영상 획득부(20)는 도 3에 도시된 바와 같이, MRI 장비(21) 또는 MRI 장비(21)에서 촬영된 MRI를 저장하고 관리하는 데이터베이스(도면 미도시)와 통신 가능하게 연결되어 파킨슨 병을 진단하고자 하는 환자의 MRI를 획득한다.
영상 처리부(30)는 도 3에 도시된 바와 같이, 나이그로좀 1 구조의 시각화를 위해, QSM 알고리즘을 이용해서 멀티 에코 크기 영상과 멀티 에코 위상 영상(phase image)가 복합된 멀티 에코 GRE 복합 영상에서 SMWI 영상을 생성한다.
예를 들어, 영상 처리부(30)는 멀티 채널 복합 영상으로부터 멀티 채널 크기 영상 제곱의 합의 제곱근에 의해 채널 결합된 크기 영상을 생성하고, 위상 영상은 개별 채널의 글로벌 위상 오프셋을 보정한 후 복소 평균으로 결합된다(1단계).
그리고 영상 처리부(30)는 여섯 개 에코의 크기 영상 제곱의 합의 제곱근에 의해 단일 이미지로 결합한다(2단계).
영상 처리부(30)는 라플라시안 언래핑(Laplacian unwrapping) 알고리즘을 사용하여 서로 다른 TE의 위상 영상을 계산하고, 각 복셀에서 결합된 주파수(w)를 계산한다(3단계).
영상 처리부(30)는 주파수 영상에서 라플라시안 연산자((Laplacian operator) 방법을 이용한 고조파 배경 위상 제거를 사용하여 배경 영역을 제거한다(4단계).
여기서, 상기 QSM은 향상된 희박 선형 방정식(sparse linear equation)과 최소 제곱(least-squares, iLSQR) 방법을 사용하여 재구성될 수 있다.
예를 들어, iLSQR의 재구성 파라미터에서 오차 허용=0.01, 불완전한 k- 영역 마스크에 대한 임계 값 D2, thres=0.1 이다.
이어서, 영상 처리부(30)는 결과 QSM을 추가로 처리하여 자화율 대비 가중치를 위한 QSM 마스크(Smask)를 생성한다(5단계).
상기 마스크는 수학식 1을 이용해서 생성될 수 있다.
[수학식 1]
Figure pat00001
여기서, X는 상기 4단계에서 계산된 양적 자화율 값(ppm 단위)이고, Xth는 상자성 임계값이다. 상기 임계값은 나중에 최적의 CNR에 대한 나이그로좀 1 이미징 데이터를 사용하여 결정될 수 있다.
마지막으로, 영상 처리부(30)는 아래의 수학식 2를 이용해서 멀티 에코 결합된 크기 영상에 QSM 마스크를 곱하여 SMWI 영상을 생성할 수 있다.
[수학식 2]
Figure pat00002
여기서, m은 자화율 가중치에 대한 곱셈의 수이고, mag는 상기 2단계의 멀티 에코 크기 결합 영상이다.
다음, 도 4 및 도 5를 참조하여 영상 분석부의 동작을 상세하게 설명한다.
도 4 및 도 5는 영상 분석부의 동작을 설명하는 도면이다. 도4에는 나이그로좀 1 영역이 포함된 영상을 분류하는 과정이 도시되어 있고, 도 5에는 분류된 영상에서 나이그로좀 1 영역을 검출하는 과정이 도시되어 있다.
영상 처리부(30)의 후 처리 과정을 통해 도 4에 도시된 바와 같이, 다수의 SWMI 영상을 획득할 수 있다.
일반적으로, 파킨슨 병 진단을 위해 촬영되는 MRI는 환자 1인당 약 40 내지 70여장 정도이고, 이 중에서 파킨슨 병 진단에 사용되는 나이그로좀 1 영역이 포함된 영상은 약 3 내지 6장 이내이다.
영상 분석부(40)는 도 4에 도시된 바와 같이, 기계 학습(machine learning)을 통해 전체 MRI 중에서 나이그로좀 1 영역이 포함된 영상을 분석해서 나이그로좀 1 영역이 포함된 영상과 미포함된 영상을 분류(classification)할 수 있다.
예를 들어, 영상 분석부(40)는 기계 학습의 딥러닝 신경망(deep learnig neural network)을 이용한 방식 중에서 영역 콘볼루션 신경망(Region-Convolutional Neural Network, 이하 'RCNN'이라 함)을 이용해서 나이그로좀 1 영역이 포함된 영역을 분류할 수 있다.
즉, 영상 분석부(40)는 획득된 영상을 콘볼루션 신경망(Convolutional Neural Network, 이하 'CNN'이라 함)을 이용해서 특징 맵(feature map)을 검출하고, 영역 제안 망(Region Proposal Network, 이하 'RPN'이라 함)을 이용해서 검출된 특징 맵에 약 2000개의 관심 영역(Region of Interest, RoI)을 선정하며, 선정된 관심 영역들을 동일한 크기로 리사이징(resizing)시킨 후, CNN에 입력되는 관심 영역의 위치의 정확도를 높이기 위해 신경 망으로 구성된 서포트 벡터 머신(Support Vector Machine, SVM)을 이용해서 각 관심 영역에 대해 CNN을 수행해서 분류하고, 분류 결과에 대해 분류 로스(classification loss)와 바운딩 박스 리그레션 로스(bounding-box regression loss) 처리해서 최종적으로 나이그로좀 1 영역이 포함된 영상만으로 최소화할 수 있다.
그리고 영상 분석부(40)는 도 5에 도시된 바와 같이, 기계 학습을 통해 분류된 나이그로좀 1 영역을 포함한 각 영상에서 나이그로좀 1 영역이 존재하는 위치를 지정하고, 지정된 나이그로좀 1 영역을 검출할 수 있다.
다음, 도 6 및 도 7을 참조해서 진단부의 동작을 설명한다.
도 6은 진단부의 동작을 설명하는 도면이도, 도 7은 입력 영상에 진단 결과를 적용한 상태를 보인 도면이다.
진단부(50)는 도 6에 도시된 바와 같이, 기계 학습을 통해 영상 분석부(40)에서 검출된 나이그로좀 1 영역에 대한 정상 여부를 분석하여 파킨슨 병 유무를 진단할 수 있다.
예를 들어, 도 7의 (a) 내지 (d)의 입력 영상에서 파킨슨 병의 유무 진단 결과에 따라 도 7의 (e) 내지 (h)에 도시된 바와 같이 진단 결과가 적용될 수 있다.
다음, 도 8을 참조하여 본 발명의 바람직한 실시 예에 따른 파킨슨 병 진단 방법을 상세하게 설명한다.
도 8은 본 발명의 바람직한 실시 예에 따른 파킨슨 병 진단 방법을 단계별로 설명하는 공정도이다.
도 8의 S10단계에서 영상 획득부(20)는 MRI 장비(21) 또는 데이터베이스와의 통신을 통해 파킨슨 병을 진단하고자 하는 환자의 다수의 MRI를 획득한다.
여기서, 영상 획득부(20)는 3T MRI에서 멀티 에코 크기 영상과 멀티 에코 위상 영상(phase image)가 복합된 멀티 에코 GRE 복합 영상을 획득할 수 있다.
S12단계에서 영상 처리부(30)는 나이그로좀 1 구조의 시각화를 위해, QSM 알고리즘을 이용해서 멀티 에코 크기 영상과 멀티 에코 위상 영상(phase image)가 복합된 멀티 에코 GRE 복합 영상을 후처리하여 SMWI 영상을 생성한다.
S14단계에서 영상 분석부(40)는 기계 학습(machine learning)을 통해 전체 MRI 중에서 나이그로좀 1 영역이 포함된 영상을 분석해서 나이그로좀 1 영역이 포함된 영상과 미포함된 영상을 분류(classification)한다.
그리고 영상 분석부(40)는 기계 학습을 통해 분류된 나이그로좀 1 영역을 포함한 각 영상에서 나이그로좀 1 영역이 존재하는 위치를 지정하고, 지정된 나이그로좀 1 영역을 검출한다(S16).
마지막으로, 진단부(50)는 영상 분석부(40)에서 나이그로좀 1 영역을 포함한 영상으로 분류된 각 영상에서 검출된 나이그로좀 1 영역에 대한 정상 여부를 판단해서 파킨슨 병 유무 진단한다.
상기한 바와 같은 과정을 통하여, 본 발명은 MRI에서 나이그로좀 1 영역이 포함된 영상만을 분류하고, 분류된 영상에서 나이그로좀 1 영역을 분석하여 파킨슨 병 유무를 진단할 수 있다.
이상 본 발명자에 의해서 이루어진 발명을 상기 실시 예에 따라 구체적으로 설명하였지만, 본 발명은 상기 실시 예에 한정되는 것은 아니고, 그 요지를 이탈하지 않는 범위에서 여러 가지로 변경 가능한 것은 물론이다.
본 발명은 MRI에서 나이그로좀 1 영역이 포함된 영상만을 분류하고, 분류된 영상에서 나이그로좀 1 영역을 분석하여 파킨슨 병을 진단하는 파킨슨 병 진단 장치 및 방법 기술에 적용된다.
10: 파킨슨 병 진단 장치
20: 영상 획득부
21: MRI 장비
30: 영상 처리부
40: 영상 분석부
50: 진단부

Claims (8)

  1. 환자의 뇌를 촬영한 MRI에서 멀티 에코 크기 및 위상 영상을 획득하는 영상 획득부,
    획득된 영상에서 파킨슨 병의 영상 바이오 마커로 제시된 흑질과 나이그로좀 1 영역만을 관찰 가능하도록 후처리하는 영상 처리부,
    처리된 영상을 분석해서 나이그로좀 1 영역이 포함된 영상을 분류하고 분류된 영상에서 나이그로좀 1 영역을 검출하는 영상 분석부 및
    분류된 각 영상에서 나이그로좀 1 영역에 대한 정상 여부를 판단해서 파킨슨 병을 진단하는 진단부를 포함하는 것을 특징으로 하는 파킨슨 병 진단 장치.
  2. 제1항에 있어서,
    상기 영상 처리부는 양적 자화율 매핑 알고리즘을 이용해서 상기 영상 획득부에서 획득된 영상에 양적 자화율 맵 마스크를 적용해서 자화율 맵 가중 이미징을 통해 후 처리하는 것을 특징으로 하는 파킨슨 병 진단 장치.
  3. 제1항에 있어서,
    상기 영상 분석부는 기계 학습을 통해 전체 MRI 중에서 나이그로좀 1 영역이 포함된 영상과 미포함된 영상을 분류하고, 분류된 나이그로좀 1 영역이 포함된 영상에 나이그로좀 1 영역의 위치를 지정해서 나이그로좀 1 영역을 검출하는 것을 특징으로 하는 파킨슨 병 진단 장치.
  4. 제3항에 있어서,
    상기 진단부는 기계 학습을 통해 상기 분석부에서 검출된 나이그로좀 1 영역에 대한 정상 여부를 분석하여 파킨슨 병 유무를 진단하는 것을 특징으로 하는 파킨슨 병 진단 장치.
  5. MRI 장비에서 촬영된 MRI에서 양적 자화율 매핑 알고리즘을 적용해서 파킨슨 병의 영상 바이오 마커로 제시된 나이그로좀 1 영역을 포함하는 자화율 맵 가중 이미징 영상을 생성하고, 생성된 영상에서 나이그로좀 1 영역을 분석하여 파킨슨 병 유무를 진단하는 것을 특징으로 하는 파킨슨 병 진단 방법.
  6. 제5항에 있어서,
    (a) 영상 획득부를 이용해서 환자의 뇌를 촬영한 MRI에서 멀티 에코 크기 및 위상 영상을 획득하는 단계,
    (b) 영상 처리부를 이용해서 획득된 영상에서 파킨슨 병의 영상 바이오 마커로 제시된 흑질과 나이그로좀 1 영역만을 관찰 가능하도록 후 처리하는 단계,
    (c) 영상 분석부를 이용해서 처리된 영상을 분석해서 나이그로좀 1 영역이 포함된 영상을 분류하고 분류된 영상에서 나이그로좀 1 영역을 검출하는 단계 및
    (d) 진단부를 이용해서 분석된 각 영상에서 검출된 나이그로좀 1 영역에 대한 정상 여부를 분석해서 파킨슨 병 유무를 진단하는 단계를 포함하는 것을 특징으로 하는 파킨슨 병 진단 방법.
  7. 제6항에 있어서,
    상기 (b)단계에서 영상 처리부는 양적 자화율 매핑 알고리즘을 이용하여 상기 영상 획득부에서 획득된 영상에 양적 자화율 맵 마스크를 적용해서 자화율 맵 가중 이미징을 통해 후 처리하는 것을 특징으로 하는 파킨슨 병 진단 방법.
  8. 제7항에 있어서,
    상기 (c)단계에서 영상 분석부는 기계 학습을 통해 전체 MRI 중에서 나이그로좀 1 영역이 포함된 영상과 미포함된 영상을 분류하고, 분류된 나이그로좀 1 영역이 포함된 영상에서 나이그로좀 1 영역을 지정해서 나이그로좀 1 영역을 검출하며,
    상기 (d)단계에서 진단부는 기계 학습을 통해 상기 영상 분석부에서 검출된 나이그로좀 1 영역에 대한 정상 여부를 분석하여 파킨슨 병 유무를 진단하는 것을 특징으로 하는 파킨슨 병 진단 방법.
KR1020180107998A 2018-09-10 2018-09-10 파킨슨 병 진단 장치 및 방법 KR102131687B1 (ko)

Priority Applications (7)

Application Number Priority Date Filing Date Title
KR1020180107998A KR102131687B1 (ko) 2018-09-10 2018-09-10 파킨슨 병 진단 장치 및 방법
PCT/KR2019/011462 WO2020055039A1 (ko) 2018-09-10 2019-09-05 파킨슨 병 진단 장치 및 방법
CN201980005028.5A CN111212600B (zh) 2018-09-10 2019-09-05 帕金森病诊断装置
EP19859966.4A EP3677170B1 (en) 2018-09-10 2019-09-05 Parkinson's disease diagnosis apparatus
JP2020519106A JP6840898B2 (ja) 2018-09-10 2019-09-05 パーキンソン病診断装置及び方法
US16/652,315 US11016160B2 (en) 2018-09-10 2019-09-05 Parkinson's disease diagnosing apparatus and method
ES19859966T ES2922073T3 (es) 2018-09-10 2019-09-05 Aparato de diagnóstico de la enfermedad de Parkinson

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180107998A KR102131687B1 (ko) 2018-09-10 2018-09-10 파킨슨 병 진단 장치 및 방법

Related Child Applications (2)

Application Number Title Priority Date Filing Date
KR1020200027844A Division KR102097044B1 (ko) 2020-03-05 2020-03-05 파킨슨 병 진단을 위한 정보제공 방법
KR1020200027845A Division KR102122073B1 (ko) 2020-03-05 2020-03-05 기계 학습을 통해 검출된 나이그로좀 1 영역을 기초로 파킨슨 병을 진단하는 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20200029313A true KR20200029313A (ko) 2020-03-18
KR102131687B1 KR102131687B1 (ko) 2020-07-08

Family

ID=69776641

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180107998A KR102131687B1 (ko) 2018-09-10 2018-09-10 파킨슨 병 진단 장치 및 방법

Country Status (7)

Country Link
US (1) US11016160B2 (ko)
EP (1) EP3677170B1 (ko)
JP (1) JP6840898B2 (ko)
KR (1) KR102131687B1 (ko)
CN (1) CN111212600B (ko)
ES (1) ES2922073T3 (ko)
WO (1) WO2020055039A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230092674A (ko) 2021-12-17 2023-06-26 울산과학기술원 딥러닝을 이용한 진행성 핵상 마비를 판단하는 방법 및 장치

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11580626B1 (en) * 2019-02-19 2023-02-14 Kenneth L. Weiss Computer apparatus and methods for generating color composite images from multi-echo chemical shift-encoded MRI
KR102097738B1 (ko) * 2020-03-03 2020-04-06 주식회사 휴런 인공지능 기반 파킨슨 병 진단 장치 및 방법
KR102613530B1 (ko) * 2021-03-26 2023-12-13 울산과학기술원 흑질의 세분화된 영역을 기초로 파킨슨 병을 진단하는 방법 및 장치
WO2024055129A1 (en) * 2022-09-14 2024-03-21 Macdonald Penny Diagnosis, staging and prognosis of neurodegenerative disorders using mri

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140049137A (ko) * 2012-10-12 2014-04-25 삼성전자주식회사 의료영상 분석장치 및 방법
KR20160058812A (ko) 2013-09-20 2016-05-25 트랜스뮤럴 바이오테크, 에스.엘. 질환을 진단하기 위한 영상 분석 기법
KR101754291B1 (ko) 2017-04-04 2017-07-06 이현섭 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19736125A1 (de) * 1997-08-20 1999-02-25 Hoechst Schering Agrevo Gmbh Verfahren zur Herstellung von Glufosinate und phosphorhaltige alpha-Aminonitrile als Zwischenprodukte
US7613495B2 (en) * 2000-11-30 2009-11-03 Advanced Mri Technologies, Llc MRI detection and staging of Parkinson's disease and detection of progressive supranuclear palsy
EP2355703B1 (en) * 2008-11-07 2018-05-30 Department of Biotechnology Automated classification technique for alzheimer's disease using magnetic resonance imaging signal from ventricular zone contour of brain
JP2012521244A (ja) * 2009-03-25 2012-09-13 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ Ｒ２及びｒ２＊マッピングのための細胞内及び細胞外のｓｐｉｏ試薬の定量化
WO2012174177A2 (en) * 2011-06-15 2012-12-20 Chunlei Liu Systems and methods for imaging and quantifying tissue magnetism with magnetic resonance imaging
US8966701B2 (en) * 2012-06-14 2015-03-03 Joseph Dellecave Sole wipe
JP2015116319A (ja) * 2013-12-18 2015-06-25 パナソニックＩｐマネジメント株式会社 診断支援装置、診断支援方法、および診断支援プログラム
KR20160012758A (ko) 2014-07-25 2016-02-03 삼성전자주식회사 영상 진단 보조 장치 및 방법
JP6716196B2 (ja) 2015-01-20 2020-07-01 株式会社島津製作所 Ｘ線装置
JP6932363B2 (ja) * 2016-12-06 2021-09-08 ダルミヤン，インク． 脳障害を特定するための方法及びシステム
CN108186133B (zh) * 2017-12-05 2020-12-01 广东省实验动物监测所 非人灵长类动物脑黑质区的定位方法
CN108229066A (zh) * 2018-02-07 2018-06-29 北京航空航天大学 一种基于多模态超连接脑网络建模的帕金森自动识别方法
WO2019178336A1 (en) * 2018-03-14 2019-09-19 Emory University Systems and methods for generating biomarkers based on multivariate mri and multimodality classifiers for disorder diagnosis

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140049137A (ko) * 2012-10-12 2014-04-25 삼성전자주식회사 의료영상 분석장치 및 방법
KR20160058812A (ko) 2013-09-20 2016-05-25 트랜스뮤럴 바이오테크, 에스.엘. 질환을 진단하기 위한 영상 분석 기법
KR101754291B1 (ko) 2017-04-04 2017-07-06 이현섭 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Christian Langkammer 외, "Quantitative susceptibility mapping (QSM) as a means to measure brain iron? A post mortem validation study", Neuroimage. 2012 Sep; 62(3):1593-9. doi: 10.1016/j.neuroimage. 2012.05.049. Epub 2012 May 24.
Sung-Min Gho 외, "Susceptibility Map-Weighted Imaging (SMWI) for Neuroimaging", Magnetic Resonance in Medicine 72:337-346(2014)
Yoonho Nam 외, "Imaging of Nigrosome 1 in Substantia Nigra at 3T Using Multiecho Susceptibility Map-Weighted Imaging (SMWI)", J. MAGN. RESON. IMAGING 2017; 46:528-536

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230092674A (ko) 2021-12-17 2023-06-26 울산과학기술원 딥러닝을 이용한 진행성 핵상 마비를 판단하는 방법 및 장치

Also Published As

Publication number Publication date
KR102131687B1 (ko) 2020-07-08
ES2922073T3 (es) 2022-09-07
EP3677170B1 (en) 2022-06-15
US20200264253A1 (en) 2020-08-20
EP3677170A4 (en) 2020-11-11
US11016160B2 (en) 2021-05-25
WO2020055039A1 (ko) 2020-03-19
JP2020534972A (ja) 2020-12-03
CN111212600B (zh) 2021-05-28
JP6840898B2 (ja) 2021-03-10
CN111212600A (zh) 2020-05-29
EP3677170A1 (en) 2020-07-08

Similar Documents

Publication Publication Date Title
KR102097738B1 (ko) 인공지능 기반 파킨슨 병 진단 장치 및 방법
KR102131687B1 (ko) 파킨슨 병 진단 장치 및 방법
US7577472B2 (en) MRI method for producing an index indicative of brain disorders
KR102144719B1 (ko) 복수의 학습 모델에 의한 다중 예측 결과를 이용하는 인공지능 기반 파킨슨 병 진단 장치 및 방법
KR101593480B1 (ko) 영상강도 최소화를 통한 자기공명 확산텐서 영상정합 및 왜곡보정 방법 및 그 시스템
US10846861B2 (en) Image processor, image processing method, program for image processing, and magnetic resonance imaging apparatus
KR102144720B1 (ko) 기계 학습을 통해 분류된 나이그로좀 1 영역과 복수의 학습 모델에 의한 다중 예측 결과를 이용하는 인공지능 기반 파킨슨 병 진단을 위한 정보제공 방법
KR102122073B1 (ko) 기계 학습을 통해 검출된 나이그로좀 1 영역을 기초로 파킨슨 병을 진단하는 장치 및 방법
KR102144721B1 (ko) 파킨슨병이 존재하는 환자군을 선별하여 임상시험 성공 확률을 높이는 방법
KR102144718B1 (ko) 기계 학습을 통해 분류된 나이그로좀 1 영역을 이용하는 인공지능 기반 파킨슨 병 진단 장치 및 방법
KR102097044B1 (ko) 파킨슨 병 진단을 위한 정보제공 방법
Schilling et al. Patch2self denoising of diffusion mri in the cervical spinal cord improves repeatability and feature conspicuity
WO2019172968A1 (en) Mri t1w and t2w combined features for detecting neurodegeneration
US11272843B2 (en) Automatic identification of subjects at risk of multiple sclerosis
Gulban et al. Mesoscopic quantification of cortical architecture in the living human brain
TW202128080A (zh) 基於多特徵磁振造影與人工智慧之自殺意念的評估方法及評估系統
JP7280997B2 (ja) 画像処理装置及び磁気共鳴イメージング装置
Quach et al. ComBating inter‐site differences in field strength: harmonizing preclinical traumatic brain injury MRI data
Oliveira et al. Analysis of multiple sclerosis DTI images that uses tract based spatial statistics
Petersson DWI Pre-Processing, Tractography and Analysis for Glioma Patients
Lu et al. Combining EPI and motion correction for fMRI human brain images with big motion
Ivanova et al. The Evolution of Neural Processes within the Scope of Multimodal Network Analysis
Sitek et al. Agustin Lage-Castellanos3, Michelle Moerel3, 5, Satrajit S. Ghosh1, 2, Federico De 5 Martino3, 6

Legal Events

Date Code Title Description
A302 Request for accelerated examination
E902 Notification of reason for refusal
A107 Divisional application of patent
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant