KR20200060102A

KR20200060102A - 진단 영상을 생성하고, 디스플레이하는 자기 공명 영상 장치 및 그 동작 방법

Info

Publication number: KR20200060102A
Application number: KR1020180145643A
Authority: KR
Inventors: 유세진
Original assignee: 삼성전자주식회사
Priority date: 2018-11-22
Filing date: 2018-11-22
Publication date: 2020-05-29

Abstract

복수의 서로 다른 종류의 자기 공명 영상 각각의 픽셀의 밝기값 (pixel intensity)을 이용하여 특징값(feature value)을 획득하고, 획득된 특징값을 이용하여 진단 영상을 생성하는 자기 공명 영상 장치 및 그 동작 방법을 제공한다.

Description

진단 영상을 생성하고, 디스플레이하는 자기 공명 영상 장치 및 그 동작 방법 {MAGNETIC RESONANCE IMAGING APPARATUS FOR GENERATING AND DISPLAYING A DIGNOSIS IMAGE AND METHOD FOR OPERATING THE SAME}

본 개시는 서로 다른 종류의 자기 공명 영상(Magnetic Resonance Image)의 밝기값을 이용하여 진단 영상을 생성하고, 디스플레이하는 자기 공명 영상 장치 및 그 동작 방법에 관한 것이다.

자기 공명 영상 장치는 자기장을 이용해 대상체를 촬영하는 장치로, 뼈는 물론 디스크, 관절, 신경 인대, 심장 등을 원하는 각도에서 입체적으로 보여주기 때문에 정확한 질병 진단을 위해서 널리 이용되고 있다. 자기 공명 영상은 여러 파라미터를 조절함으로써 다양한 대조도를 얻을 수 있는 장점이 있고, 이를 이용하여 임상 진단에서는 같은 부위에 대해 여러 대조도의 영상들을 얻어 진단을 한다.

자기 공명 영상을 이용한 진단은 서로 다른 대조도를 갖는 복수의 자기 공명 영상에서 나타나는 해부학적 구조물들의 영역 별 밝기값에 기초하여 이상 부위(abnormality)를 판단하는 과정이다. 정확한 진단을 위해 영상 의학과 전문의 또는 임상 전문의는 진단 부위, 질환, 영상 별 밝기값 패턴에 대한 지식을 활용하게 된다. 예를 들어, 유방을 촬영한 자기 공명 영상에서 확산 강조 영상(Diffusion Weighted Imaging, DWI)의 밝기값이 높고, T2 강조 영상(T2 Weighted image, T2W)의 밝기가 중간 정도이며, 확산 계수 영상(ADC)의 밝기값이 감소되어 나타나는 영역이 있다면, 높은 세포질 또는 섬유성 조직으로 많은 물 성분이 있다고 판단하여 유방암이나 유두종 또는 기타 염증성 병변을 의심하게 된다. 이와 같은 자기 공명 영상의 판독 과정에는 단순히 밝기값만이 사용되는 것은 아니며, 병변의 형태(Shape)와 병변 경계 내부의 질감(Texture) 등 다양한 영상정보들이 동시에 활용된다.

최근에는, 수집된 진단 정보를 정형화하고 자동화하여 병변을 자동으로 판독할 수 있는 CAD(Computer-Aided Diagnosis)와 같은 소프트웨어가 개발되고 있다. CAD와 같은 자동 진단 소프트웨어에서는 인공 지능 기술(예를 들어, Deep Learning)을 이용하여 자기 공명 영상으로부터 병변 특징을 자동으로 추출할 수 있는 방법들이 사용되고 있다. 그러나, 인공 지능 기술을 활용하기 위해서는 개발 과정에서 양질의 대용량 데이터(Big Data)를 확보하는 것이 필수적인데, 수많은 병변에 대해서 대용량의 데이터베이스가 구축되어 있지 않고, 영상 정보만으로 판독하기에는 부족한 질환들이 많이 있고, 판독을 위해 전문의의 암묵적 지식에 의존하는 경우가 많아서 병변 예측의 정확도가 낮은 문제점이 있다.

본 개시는 자기 공명 영상 장치 및 그 동작 방법에 관한 것으로, 구체적으로는 복수의 서로 다른 종류의 자기 공명 영상의 밝기값을 이용하여 진단 영상을 생성하고, 생성된 진단 영상을 디스플레이하는 장치 및 그 동작 방법을 제공하는 것을 목적으로 한다.

상술한 기술적 과제를 해결하기 위하여, 본 개시의 일 실시예는 복수의 서로 다른 종류의 자기 공명 영상 각각의 픽셀의 밝기값 (pixel intensity)을 이용하여 특징값(feature value)을 획득하는 단계; 및 상기 획득된 특징값을 이용하여 진단 영상을 생성하는 단계를 포함하는, 자기 공명 영상 장치의 동작 방법을 제공한다.

예를 들어, 상기 진단 영상을 생성하는 단계는 상기 특징값의 크기에 대응되는 컬러를 매핑(mapping)하여 컬러 코딩된 상기 진단 영상을 생성할 수 있다.

예를 들어, 상기 방법은 생성된 진단 영상을 상기 복수의 서로 다른 자기 공명 영상 중 기준이 되는 해부학적 영상 상에 오버랩(overlap)하여 디스플레이하는 단계를 더 포함할 수 있다.

예를 들어, 상기 특징값을 획득하는 단계는 복수의 서로 다른 종류의 자기 공명 영상 각각의 픽셀의 밝기값을 가상의 복셀(voxel) 상에서 상기 픽셀들 각각에 대응되는 위치에 저장하는 단계; 및 상기 저장된 픽셀값을 각 복셀 별 특징 벡터(feature vector)로 변환하는 단계를 포함할 수 있다.

예를 들어, 상기 특징값을 획득하는 단계는 변환된 특징 벡터의 히스토그램(histogram)을 양자화(quantization)하여 복셀 별 특징값을 생성하는 단계를 포함할 수 있다.

예를 들어, 상기 방법은 특징 벡터의 벡터값의 크기를 패턴화하여 각 복셀 별 벡터값의 패턴정보를 획득하는 단계; 상기 각 복셀 별 패턴 정보 중 사용자에 의해 설정된 패턴과 매칭되는 패턴을 갖는 복셀에 대응되는 해부학적 영역을 검출하는 단계; 및 검출된 해부학적 영역을 컬러 코딩하여 시각적으로 표시하는 단계를 더 포함할 수 있다.

예를 들어, 상기 방법은 특징 벡터의 벡터값을 기계 학습 모델(machine learning)의 입력으로 하는 학습(training)을 통해 병변의 명칭 또는 관련 진단 결과에 관한 정보를 획득하는 단계; 및 획득된 병변의 명칭 또는 관련 진단 결과에 관한 정보를 상기 진단 영상 상에 텍스트 형태의 UI(User Interface)로 출력하는 단계를 더 포함할 수 있다.

예를 들어, 상기 방법은 복셀의 특징 벡터를 벡터 공간 상에서 벡터 간의 상대적인 거리에 따라 적어도 하나의 클러스터(cluster)로 분류하는 단계; 상기 분류된 적어도 하나의 클러스터의 위치에 대응되는 병변을 매칭하는 단계; 및 상기 매칭의 결과에 기초하여 병변을 예측하는 단계를 더 포함할 수 있다.

예를 들어, 상기 방법은 진단 영상 상에서 사용자에 의해 선택된 특정 해부학적 구조에 대응되는 복셀의 특징값만을 추출하는 단계; 및 상기 추출된 특징값의 히스토그램의 패턴 정보를 분석하는 단계를 더 포함할 수 있다.

예를 들어, 상기 패턴 정보를 분석하는 단계는 동일한 대상체에 대하여 사용자에 의해 선택된 제1 부위와 제2 부위에서의 히스토그램 패턴의 유사성을 검출하는 단계를 포함할 수 있다.

예를 들어, 상기 패턴 정보를 분석하는 단계는 서로 다른 대상체의 자기 공명 영상 상의 동일 해부학적 구조에 대응되는 복셀에서 추출된 히스토그램 패턴의 유사성을 검출하는 단계를 포함할 수 있다.

예를 들어, 상기 방법은 특징값의 히스토그램의 특정 패턴과 병변과의 관계에 관한 정보를 누적하여 저장하는 단계; 및 상기 저장된 정보에 기초하여 히스토그램 패턴과 병변과의 관계에 관한 사전 데이터(dictionary)를 생성하는 단계를 더 포함할 수 있다.

예를 들어, 상기 방법은 컴퓨터 단층 촬영 영상(Computed Topograph image, CT image)의 HU 값(Hounsfield Unit value)을 상기 복수의 자기 공명 영상의 픽셀의 밝기값에 대응되는 픽셀값으로 변환하는 단계를 더 포함하고, 상기 특징값을 획득하는 단계는 상기 복수의 자기 공명 영상 각각의 픽셀의 밝기값 및 상기 HU값으로부터 변환된 픽셀값을 이용하여 상기 특징값을 획득할 수 있다.

예를 들어, 상기 방법은 복수의 자기 공명 영상의 픽셀의 밝기값을 상기 특징값으로 변환하는 워크 플로우를 설정하는 사용자 입력을 수신하는 단계; 상기 사용자 입력에 기초하여 설정된 워크 플로우를 통해 획득된 상기 특징값을 이용하여 상기 진단 영상을 생성하는 알고리즘(algorithm)을 생성하는 단계; 및 상기 생성된 알고리즘을 저장하는 단계를 더 포함할 수 있다.

예를 들어, 상기 진단 영상을 생성하는 단계는 저장된 알고리즘 중 어느 하나를 선택하는 사용자 입력을 수신하는 UI(User Interface)를 디스플레이하는 단계; 및 상기 UI를 통해 선택된 알고리즘을 이용하여 상기 진단 영상을 생성하는 단계를 포함할 수 있다.

상술한 기술적 과제를 해결하기 위하여, 본 개시의 일 실시예는 복수의 서로 다른 종류의 자기 공명 영상 각각의 픽셀의 밝기값 (pixel intensity)을 이용하여 특징값(feature value)을 획득하고, 상기 획득된 특징값을 이용하여 진단 영상을 생성하는 제어부; 및 상기 진단 영상을 디스플레이하는 디스플레이부를 포함하는, 자기 공명 영상 장치를 제공한다.

예를 들어, 상기 제어부는 특징값의 크기에 대응되는 컬러를 매핑(mapping)하여 컬러 코딩된 상기 진단 영상을 생성하고, 컬러 코딩된 상기 진단 영상을 디스플레이하도록 상기 디스플레이부를 제어할 수 있다.

예를 들어, 상기 제어부는 생성된 진단 영상을 상기 복수의 서로 다른 자기 공명 영상 중 기준이 되는 해부학적 영상 상에 오버랩(overlap)하여 디스플레이하도록 상기 디스플레이부를 제어할 수 있다.

예를 들어, 제어부는 상기 복수의 서로 다른 종류의 자기 공명 영상 각각의 픽셀의 밝기값을 가상의 복셀(voxel) 상에서 상기 픽셀들 각각에 대응되는 위치에 저장하고, 상기 저장된 픽셀값을 각 복셀 별 특징 벡터(feature vector)로 변환할 수 있다.

예를 들어, 상기 제어부는 변환된 특징 벡터의 히스토그램(histogram)을 양자화(quantization)하여 복셀 별 특징값을 생성할 수 있다.

예를 들어, 상기 제어부는 특징 벡터의 벡터값의 크기를 패턴화하여 각 복셀 별 벡터값의 패턴정보를 획득하고, 상기 각 복셀 별 패턴 정보 중 사용자에 의해 설정된 패턴과 매칭되는 패턴을 갖는 복셀에 대응되는 해부학적 영역을 검출하고, 검출된 해부학적 영역을 컬러 코딩하여 상기 디스플레이부 상에 디스플레이할 수 있다.

예를 들어, 상기 제어부는 특징 벡터의 벡터값을 기계 학습 모델(machine learning)의 입력으로 하는 학습(training)을 통해 병변의 명칭 또는 관련 진단 결과에 관한 정보를 획득하고, 획득된 병변의 명칭 또는 관련 진단 결과에 관한 정보를 나타내는 UI를 생성하고, 상기 UI를 진단 영상 상에 디스플레이하도록 상기 디스플레이부를 제어할 수 있다.

예를 들어, 상기 제어부는 복셀의 특징 벡터를 벡터 공간 상에서 벡터 간의 상대적인 거리에 따라 적어도 하나의 클러스터(cluster)로 분류하고, 상기 분류된 적어도 하나의 클러스터의 위치에 대응되는 병변을 매칭하고, 상기 매칭의 결과에 기초하여 병변을 예측할 수 있다.

예를 들어, 상기 자기 공명 영상 장치는 진단 영상 상에서 관심 영역에 해당되는 해부학적 구조를 선택하는 사용자 입력을 수신하는 사용자 입력부를 더 포함하고, 상기 제어부는 수신된 사용자 입력에 의해 선택된 해부학적 구조에 대응되는 복셀의 특징값만을 추출하고, 상기 추출된 특징값의 히스토그램의 패턴 정보를 분석할 수 있다.

예를 들어, 상기 제어부는 동일한 대상체에 대하여 사용자에 의해 선택된 제1 부위와 제2 부위에서의 히스토그램 패턴의 유사성을 검출할 수 있다.

예를 들어, 상기 제어부는 서로 다른 대상체의 자기 공명 영상 상의 동일 해부학적 구조에 대응되는 복셀에서 추출된 히스토그램 패턴의 유사성을 검출할 수 있다.

예를 들어, 상기 자기 공명 영상 장치는 데이터 저장부를 더 포함하고, 상기 제어부는 특징값의 히스토그램 패턴과 병변과의 관계에 관한 정보를 누적하여 상기 데이터 저장부에 저장하고, 상기 데이터 저장부에 저장된 정보에 기초하여 히스토그램 패턴과 병변과의 관계에 관한 사전 데이터(dictionary)를 생성할 수 있다.

예를 들어, 상기 제어부는 컴퓨터 단층 촬영 영상(Computed Topograph image, CT image)의 HU 값(Hounsfield Unit value)을 상기 복수의 자기 공명 영상의 픽셀의 밝기값에 대응되는 픽셀값으로 변환하고, 상기 복수의 자기 공명 영상 각각의 픽셀의 밝기값 및 상기 HU값으로부터 변환된 픽셀값을 이용하여 상기 특징값을 획득할 수 있다.

예를 들어, 상기 자기 공명 영상 장치는 진단 영상을 생성하는 적어도 하나의 알고리즘(algorithm)을 저장하는 데이터 저장부를 더 포함하고, 상기 제어부는 상기 데이터 저장부에 저장된 적어도 하나의 알고리즘 중 어느 하나를 선택하는 사용자 입력을 수신하는 UI를 디스플레이부 상에 디스플레이하고, 상기 UI를 통해 수신된 사용자 입력에 의해 선택된 알고리즘을 이용하여 상기 진단 영상을 생성하고, 상기 적어도 하나의 알고리즘은 사용자 입력에 기초하여 커스텀될 수 있다(customizable).

상술한 기술적 과제를 해결하기 위하여, 본 개시의 일 실시예는 컴퓨터로 읽을 수 있는 저장 매체를 포함하는 컴퓨터 프로그램 제품을 제공하고, 상기 저장 매체는 복수의 서로 다른 종류의 자기 공명 영상 각각의 픽셀의 밝기값 (intensity value)을 이용하여 특징값(feature value)을 획득하는 단계; 및 상기 획득된 특징값을 이용하여 진단 영상을 생성하는 단계를 수행하는 명령어들을 포함할 수 있다.

본 개시는, 다음의 자세한 설명과 그에 수반되는 도면들의 결합으로 쉽게 이해될 수 있으며, 참조 번호(reference numerals)들은 구조적 구성요소(structural elements)를 의미한다.
도 1은 MRI 시스템의 구성 요소를 도시한 도면이다.
도 2는 본 개시의 일 실시예에 따른 자기 공명 영상 장치의 구성 요소를 도시한 블록도이다.
도 3은 본 개시의 일 실시예에 따른 자기 공명 영상 장치의 동작 방법에 관한 흐름도이다.
도 4는 본 개시의 일 실시예에 따른 자기 공명 영상 장치가 복수의 서로 다른 자기 공명 영상의 밝기값을 이용하여 진단 영상을 생성하는 방법을 설명하는 도면이다.
도 5는 본 개시의 일 실시예에 따른 자기 공명 영상 장치가 복수의 서로 다른 자기 공명 영상의 밝기값을 이용하여 진단 영상을 생성하는 방법에 관한 흐름도이다.
도 6은 본 개시의 일 실시예에 따른 자기 공명 영상 장치가 진단 영상을 생성하기 위하여 필요한 영상의 전처리 과정에 관한 흐름도이다.
도 7은 본 개시의 일 실시예에 따른 자기 공명 영상 장치가 디스플레이하는 진단 영상을 도시한 도면이다.
도 8a 내지 도 8c는 본 개시의 일 실시예에 따른 자기 공명 영상 장치가 사용자에 의해 선택된 해부학적 구조에서 병변을 검출하는 방법에 관한 도면들이다.
도 9는 본 개시의 일 실시예에 따른 자기 공명 영상 장치가 사용자에 의해 선택된 해부학적 구조에서 병변을 검출하는 방법에 관한 흐름도이다.
도 10a 및 도 10b는 본 개시의 일 실시예에 따른 자기 공명 영상 장치가 사용자 입력에 기초하여 진단 영상 상에서 특정 해부학적 영역을 검출하고, 검출된 해부학적 영역을 디스플레이하는 방법에 관한 도면들이다.
도 11은 본 개시의 일 실시예에 따른 자기 공명 영상 장치가 사용자 입력에 기초하여 진단 영상 상에서 특정 해부학적 영역을 검출하고, 검출된 해부학적 영역을 디스플레이하는 방법에 관한 흐름도이다.
도 12a 및 도 12b는 본 개시의 일 실시예에 따른 자기 공명 영상 장치가 인공 지능 기술을 이용하여 병변을 검출하고, 병변 정보를 진단 영상 상에 디스플레이하는 방법에 관한 도면들이다.
도 13a 및 도 13b는 본 개시의 일 실시예에 따른 자기 공명 영상 장치가 서로 다른 종류의 자기 공명 영상의 밝기값을 이용하여 병변을 검출하는 방법을 도시한 도면이다.
도 14는 본 개시의 일 실시예에 따른 자기 공명 영상 장치가 컴퓨터 단층 촬영 영상(CT image)의 HU값(Hounsfield Unit)을 자기 공명 영상의 픽셀 밝기값으로 변환하는 방법을 도시한 도면이다.
도 15는 본 개시의 일 실시예에 따른 자기 공명 영상 장치가 사용자 입력에 기초하여 진단 영상을 생성하는 알고리즘(algorithm)을 생성하는 방법에 관한 흐름도이다.
도 16은 본 개시의 일 실시예에 따른 자기 공명 영상 장치가 사용자 입력에 의해 선택된 알고리즘을 이용하여 진단 영상을 생성하는 방법에 관한 흐름도이다.

본 명세서는 본 발명의 권리범위를 명확히 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 실시할 수 있도록, 본 개시의 원리를 설명하고, 실시예들을 개시한다. 개시된 실시예들은 다양한 형태로 구현될 수 있다.

명세서 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 명세서가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 개시가 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 '부'(part, portion)라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부'가 하나의 요소(unit, element)로 구현되거나, 하나의 '부'가 복수의 요소들을 포함하는 것도 가능하다. 이하 첨부된 도면들을 참고하여 본 발명의 작용 원리 및 실시예들에 대해 설명한다.

본 명세서에서 '대상체(object)'는 촬영의 대상이 되는 것으로서, 사람, 동물, 또는 그 일부를 포함할 수 있다. 예를 들어, 대상체는 신체의 일부(장기 또는 기관 등; organ) 또는 팬텀(phantom) 등을 포함할 수 있다.

자기 공명 영상 장치(Magnetic Resonance Imaging apparatus)는 자기 공명(magnetic resonance, MR) 신호를 획득하고, 획득된 자기 공명 신호를 영상으로 재구성한다. 자기 공명 신호는 대상체로부터 방사되는 RF 신호를 의미한다.

자기 공명 영상 장치는 주자석이 정자장(static magnetic field)을 형성하여, 정자장 속에 위치한 대상체의 특정 원자핵의 자기 쌍극자 모멘트 방향을 정자장 방향으로 정렬시킨다. 경사자장 코일은 정자장에 경사 신호를 인가하여, 경사자장을 형성시켜, 대상체의 부위 별로 공명 주파수를 다르게 유도할 수 있다.

RF 코일은 영상 획득을 원하는 부위의 공명 주파수에 맞추어 RF 신호를 조사할 수 있다. 또한, RF 코일은 경사자장이 형성됨에 따라, 대상체의 여러 부위로부터 방사되는 서로 다른 공명 주파수의 MR 신호들을 수신할 수 있다. 이러한 단계를 통해 MRI 시스템은 영상 복원 기법을 이용하여 MR 신호로부터 영상을 획득한다.

도 1은 MRI 시스템(1)의 개략도이다. 도 1을 참조하면, MRI 시스템(1)은 오퍼레이팅부(10), 제어부(30) 및 스캐너(50)를 포함할 수 있다. 여기서, 제어부(30)는 도 1에 도시된 바와 같이 독립적으로 구현될 수 있다. 또는, 제어부(30)는 복수 개의 구성 요소로 분리되어, MRI 시스템(1)의 각 구성 요소에 포함될 수도 있다. 이하에서는 각 구성 요소에 대해 구체적으로 살펴보도록 한다.

스캐너(50)는 내부 공간이 비어 있어, 대상체가 삽입될 수 있는 형상(예컨대, 보어(bore) 형상)으로 구현될 수 있다. 스캐너(50)의 내부 공간에는 정자장 및 경사자장이 형성되며, RF 신호가 조사된다.

스캐너(50)는 정자장 형성부(51), 경사자장 형성부(52), RF 코일부(53), 테이블부(55) 및 디스플레이부(56)를 포함할 수 있다. 정자장 형성부(51)는 대상체에 포함된 원자핵들의 자기 쌍극자 모멘트의 방향을 정자장 방향으로 정렬하기 위한 정자장을 형성한다. 정자장 형성부(51)는 영구 자석으로 구현되거나 또는 냉각 코일을 이용한 초전도 자석으로 구현될 수도 있다.

경사자장 형성부(52)는 제어부(30)와 연결된다. 제어부(30)로부터 전송 받은 제어신호에 따라 정자장에 경사를 인가하여, 경사자장을 형성한다. 경사자장 형성부(52)는 서로 직교하는 X축, Y축 및 Z축 방향의 경사자장을 형성하는 X, Y, Z 코일을 포함하며, 대상체의 부위 별로 공명 주파수를 서로 다르게 유도할 수 있도록 촬영 위치에 맞게 경사 신호를 발생 시킨다.

RF 코일부(53)는 제어부(30)와 연결되어, 제어부(30)로부터 전송 받은 제어신호에 따라 대상체에 RF 신호를 조사하고, 대상체로부터 방출되는 MR 신호를 수신할 수 있다. RF 코일부(53)는 세차 운동을 하는 원자핵을 향하여 세차운동의 주파수와 동일한 주파수의 RF 신호를 대상체에게 전송한 후 RF 신호의 전송을 중단하고, 대상체로부터 방출되는 MR 신호를 수신할 수 있다.

RF 코일부(53)는 원자핵의 종류에 대응하는 무선 주파수를 갖는 전자파를 생성하는 송신 RF 코일과, 원자핵으로부터 방사된 전자파를 수신하는 수신 RF 코일로서 각각 구현되거나 또는 송/수신 기능을 함께 갖는 하나의 RF 송수신 코일로서 구현될 수도 있다. 또한, RF 코일부(53)외에, 별도의 코일이 대상체에 장착될 수도 있다. 예를 들어, 촬영 부위 또는 장착 부위에 따라, 헤드 코일(Head coil), 척추 코일(spine coil), 몸통 코일(torso coil), 무릎 코일(knee coil) 등이 별도의 코일로 이용될 수 있다.

스캐너(50)의 외측 및/또는 내측에는 디스플레이부(56)가 마련될 수 있다. 디스플레이부(56)는 제어부(30)에 의해 제어되어, 사용자 또는 대상체에게 의료 영상 촬영과 관련된 정보를 제공할 수 있다.

또한, 스캐너(50)에는 대상체의 상태에 관한 모니터링정보를 획득하여 전달하는 대상체 모니터링정보 획득부가 마련될 수 있다. 예를 들어, 대상체 모니터링정보 획득부(미도시)는 대상체의 움직임, 위치 등을 촬영하는 카메라(미도시), 대상체의 호흡을 측정하기 위한 호흡 측정기(미도시), 대상체의 심전도를 측정하기 위한 ECG 측정기(미도시), 또는 대상체의 체온을 측정하기 위한 체온 측정기(미도시)로부터 대상체에 관한 모니터링정보를 획득하여 제어부(30)로 전달할 수 있다. 이에 따라, 제어부(30)는 대상체에 관한 모니터링정보를 이용하여 스캐너(50)의 동작을 제어할 수 있다. 이하에서는 제어부(30)에 대해 살펴보도록 한다.

제어부(30)는 스캐너(50)의 전반적인 동작을 제어할 수 있다.

제어부(30)는 스캐너(50) 내부에서 형성되는 신호들의 시퀀스를 제어할 수 있다. 제어부(30)는 오퍼레이팅부(10)로부터 수신받은 펄스 시퀀스(pulse sequence) 또는 설계한 펄스 시퀀스에 따라 경사자장 형성부(52) 및 RF 코일부(53)를 제어할 수 있다.

펄스 시퀀스란, 경사자장 형성부(52), 및 RF 코일부(53)를 제어하기 위해 필요한 모든 정보를 포함하며, 예를 들어 경사자장 형성부(52)에 인가하는 펄스(pulse) 신호의 강도, 인가 지속시간, 인가 타이밍 등에 관한 정보 등을 포함할 수 있다.

제어부(30)는 펄스 시퀀스에 따라 경사 파형, 즉 전류 펄스를 발생시키는 파형 발생기(미도시), 및 발생된 전류 펄스를 증폭시켜 경사자장 형성부(52)로 전달하는 경사 증폭기(미도시)를 제어하여, 경사자장 형성부(52)의 경사자장 형성을 제어할 수 있다.

제어부(30)는 RF 코일부(53)의 동작을 제어할 수 있다. 예를 들어, 제어부(30)는 공명 주파수의 RF 펄스를 RF 코일부(53)에 공급하여 RF 신호를 조사할 수 있고, RF 코일부(53)가 수신한 MR 신호를 수신할 수 있다. 이때, 제어부(30)는 제어신호를 통해 송수신 방향을 조절할 수 있는 스위치(예컨대, T/R 스위치)의 동작을 제어하여, 동작 모드에 따라 RF 신호의 조사 및 MR 신호의 수신을 조절할 수 있다.

제어부(30)는 대상체가 위치하는 테이블부(55)의 이동을 제어할 수 있다. 촬영이 수행되기 전에, 제어부(30)는 대상체의 촬영 부위에 맞추어, 테이블부(55)를 미리 이동시킬 수 있다.

제어부(30)는 디스플레이부(56)를 제어할 수 있다. 예를 들어, 제어부(30)는 제어신호를 통해 디스플레이부(56)의 온/오프 또는 디스플레이부(56)를 통해 표시되는 화면 등을 제어할 수 있다.

제어부(30)는 MRI 시스템(1) 내 구성요소들의 동작을 제어하기 위한 알고리즘, 프로그램 형태의 데이터를 저장하는 메모리(미도시), 및 메모리에 저장된 데이터를 이용하여 전술한 동작을 수행하는 프로세서(미도시)로 구현될 수 있다. 이때, 메모리와 프로세서는 각각 별개의 칩으로 구현될 수 있다. 또는, 메모리와 프로세서는 단일 칩으로 구현될 수도 있다.

오퍼레이팅부(10)는 MRI 시스템(1)의 전반적인 동작을 제어할 수 있다. 오퍼레이팅부(10)는 영상 처리부(11), 입력부(12) 및 출력부(13)를 포함할 수 있다.

영상 처리부(11)는 메모리를 이용하여 제어부(30)로부터 수신 받은 MR 신호를 저장하고, 이미지 프로세서를 이용하여 영상 복원 기법을 적용함으로써, 저장한 MR 신호로부터 대상체에 대한 영상 데이터를 생성할 수 있다.

예를 들어, 영상 처리부(11)는 메모리의 k-공간(예컨대, 푸리에(Fourier) 공간 또는 주파수 공간이라고도 지칭됨)에 디지털 데이터를 채워 k-공간 데이터가 완성되면, 이미지 프로세서를 통해 다양한 영상 복원기법을 적용하여(예컨대, k-공간 데이터를 역 푸리에 변환하여) k-공간 데이터를 영상 데이터로 복원할 수 있다.

또한, 영상 처리부(11)가 MR 신호에 대해 적용하는 각종 신호 처리는 병렬적으로 수행될 수 있다. 예를 들어, 다채널 RF 코일에 의해 수신되는 복수의 MR 신호를 병렬적으로 신호 처리하여 영상 데이터로 복원할 수도 있다. 한편, 영상 처리부(11)는 복원한 영상 데이터를 메모리에 저장하거나 또는 후술할 바와 같이 제어부(30)가 통신부(60)를 통해 외부의 서버에 저장할 수 있다.

입력부(12)는 사용자로부터 MRI 시스템(1)의 전반적인 동작에 관한 제어 명령을 입력 받을 수 있다. 예를 들어, 입력부(12)는 사용자로부터 대상체 정보, 파라미터 정보, 스캔 조건, 펄스 시퀀스에 관한 정보 등을 입력 받을 수 있다. 입력부(12)는 키보드, 마우스, 트랙볼, 음성 인식부, 제스처 인식부, 터치 스크린 등으로 구현될 수 있다.

출력부(13)는 영상 처리부(11)에 의해 생성된 영상 데이터를 출력할 수 있다. 또한, 출력부(13)는 사용자가 MRI 시스템(1)에 관한 제어 명령을 입력받을 수 있도록 구성된 사용자 인터페이스(User Interface, UI)를 출력할 수 있다. 출력부(13)는 스피커, 프린터, 디스플레이 등으로 구현될 수 있다.

한편, 도 1에서는 오퍼레이팅부(10), 제어부(30)를 서로 분리된 객체로 도시하였으나, 전술한 바와 같이, 하나의 기기에 함께 포함될 수도 있다. 또한, 오퍼레이팅부(10), 및 제어부(30) 각각에 의해 수행되는 프로세스들이 다른 객체에서 수행될 수도 있다. 예를 들어, 영상 처리부(11)는, 제어부(30)에서 수신한 MR 신호를 디지털 신호로 변환하거나 또는, 제어부(30)가 직접 변환할 수도 있다.

MRI 시스템(1)은 통신부(60)를 포함하며, 통신부(60)를 통해 외부 장치(미도시)(예를 들면, 서버, 의료 장치, 휴대 장치(스마트폰, 태블릿 PC, 웨어러블 기기 등))와 연결할 수 있다.

통신부(60)는 외부 장치와 통신을 가능하게 하는 하나 이상의 구성 요소를 포함할 수 있으며, 예를 들어 근거리 통신 모듈(미도시), 유선 통신 모듈(61) 및 무선 통신 모듈(62) 중 적어도 하나를 포함할 수 있다.

통신부(60)가 외부 장치로부터 제어 신호 및 데이터를 수신하고, 수신된 제어 신호를 제어부(30)에 전달하여 제어부(30)로 하여금 수신된 제어 신호에 따라 MRI 시스템(1)을 제어하도록 하는 것도 가능하다.

또는, 제어부(30)가 통신부(60)를 통해 외부 장치에 제어 신호를 송신함으로써, 외부 장치를 제어부의 제어 신호에 따라 제어하는 것도 가능하다.

예를 들어 외부 장치는 통신부(60)를 통해 수신된 제어부(30)의 제어 신호에 따라 외부 장치의 데이터를 처리할 수 있다.

외부 장치에는 MRI 시스템(1)을 제어할 수 있는 프로그램이 설치될 수 있는바, 이 프로그램은 제어부(30)의 동작의 일부 또는 전부를 수행하는 명령어를 포함할 수 있다.

프로그램은 외부 장치에 미리 설치될 수도 있고, 외부장치의 사용자가 어플리케이션을 제공하는 서버로부터 프로그램을 다운로드하여 설치하는 것도 가능하다. 어플리케이션을 제공하는 서버에는 해당 프로그램이 저장된 기록매체가 포함될 수 있다.

도 2는 본 개시의 일 실시예에 따른 자기 공명 영상 장치(100)의 구성 요소를 도시한 블록도이다.

도 2를 참조하면, 자기 공명 영상 장치(100)는 제어부(110), 사용자 입력부(120), 디스플레이부(130) 및 저장부(140)를 포함할 수 있다. 도 2에 도시된 구성 요소들은 자기 공명 영상 장치(100)의 필수적인 구성 요소만을 도시한 것이고, 본 개시의 자기 공명 영상 장치(100)가 도시된 구성 요소만을 포함하는 것은 아니다. 일 실시예에서, 자기 공명 영상 장치(100)는 도 1에 도시된 MRI 시스템(1)과 동일한 장치일 수 있고, 도 1에 도시된 구성 요소들을 더 포함할 수 있다.

제어부(110)는 사용자 입력부(120), 디스플레이부(130) 및 저장부(140)의 기능 또는 동작을 제어할 수 있다.

제어부(110)는 프로세서(112) 및 메모리(114)를 포함할 수 있다. 일 실시예에서, 제어부(110)는 소정의 기능을 수행하기 위한 프로그램 코드 또는 데이터를 저장하는 메모리(114), 메모리(114)에 저장된 프로그램 코드 및 데이터를 처리하는 프로세서(112)를 포함할 수 있다. 도면에는 도시되지 않았지만, 제어부(110)는 기계 학습 모듈을 더 포함할 수도 있다.

제어부(110)는 하나 이상의 메모리(114) 및 하나 이상의 프로세서(112)의 다양한 조합으로 구현 가능하다. 프로세서(112)는 자기 공명 영상 장치(100)의 동작 상태에 따라 프로그램 모듈을 생성하고 삭제할 수 있으며, 프로그램 모듈의 동작들을 처리할 수 있다.

제어부(110)를 구성하는 프로세서(112)는 범용의 이미지 처리 기술(image processing) 또는 기계 학습(Machine Learning)을 수행할 수 있는 연산 능력을 갖는 하드웨어 장치로 구성될 수 있다. 예를 들어, 프로세서(112)는 중앙 처리 장치(CPU), 마이크로 프로세서(microprocessor), 및 그래픽 프로세서(GPU) 중 적어도 하나를 포함하는 하드웨어 모듈로 구성될 수 있다.

메모리(114)는 자기 공명 영상 장치(100)의 각 기능들을 수행하기 위한 프로그램 코드 또는 데이터를 저장하는 하드웨어 장치로서, RAM(Random-Access Memory) 또는 ROM(Read-Only Memory)으로 구성될 수 있으나, 이에 한정되는 것은 아니다.

제어부(110)는 복수의 서로 다른 종류의 자기 공명 영상 각각의 픽셀의 밝기값(pixel intensity)을 이용하여 특징값(feature value)을 획득하고, 획득된 특징값을 이용하여 진단 영상을 생성할 수 있다. 여기서, 서로 다른 종류의 자기 공명 영상은 대조도가 서로 다른 자기 공명 영상을 의미할 수 있다. 일반적으로, 자기 공명 영상은 대상체(예를 들어, 인체 내의 조직, 뼈 등)의 종류 또는 특성에 따라 특정한 대조도를 갖는 자기 공명 영상을 촬영한다. 본 명세서에서 서로 다른 대조도의 자기 공명 영상은 예를 들어, T1 강조 영상(T1W), T2 강조 영상(T2W), FLAIR(Fluid-attenuated inversion-recovery), 확산 강조 영상(Diffusion-Weighted Image, DWI), 확산 계수 영상(ADC), 및 PDW(Proton Density Weighted) 중 적어도 하나를 포함하는 다중 대조도 영상을 의미할 수 있다. 또한, 복수의 서로 다른 종류의 자기 공명 영상은 해부학적 영상, 기능 영상, 조영 증강 영상, 또는 다이나믹 영상을 포함할 수도 있다.

일 실시예에서, 제어부(110)는 복수의 서로 다른 종류의 자기 공명 영상 각각의 픽셀의 밝기값을 가상의 3차원 복셀(voxel) 상에서 픽셀들 각각에 대응되는 위치에 저장하고, 저장된 픽셀값을 각 복셀 별 특징 벡터(feature vector)로 변환할 수 있다. 제어부(110)는 변환된 특징 벡터의 히스토그램(histogram)을 양자화(quantization)하여 복셀 별 특징값을 생성하고, 생성된 복셀 별 특징값을 이용하여 진단 영상을 생성할 수 있다. 이에 관해서는 도 4 및 도 5에서 상세하게 설명하기로 한다.

그러나, 제어부(110)가 서로 다른 종류의 자기 공명 영상의 밝기값을 이용하여 복셀 별 특징값을 획득하는 방법이 전술한 바와 같이 한정되는 것은 아니다. 제어부(110)는 진단 영상 상에서 병변의 검출에 효과가 있도록 특징값을 획득하는 방법 또는 알고리즘을 사용할 수 있다. 예를 들어, 제어부(110)는 입력 영상, 즉 서로 다른 종류의 자기 공명 영상의 픽셀값의 가중 평균(weighted average)를 사용하거나, 픽셀 별로 multiplication을 하거나, 또는 linear/non-linear function을 정의하여 fitting하는 방법을 사용하여 특징값을 생성할 수도 있다.

일 실시예에서, 제어부(110)는 복셀 별 특징값의 크기에 대응되는 컬러를 매핑(mapping)하여 컬러 코딩(color coding)된 진단 영상을 생성할 수 있다. 제어부(110)는 컬러 코딩된 진단 영상을 복수의 서로 다른 자기 공명 영상 중 기준이 되는 해부학적 영상 상에 오버랩(overlap)하여 디스플레이하도록 디스플레이부(130)를 제어할 수 있다. 이에 대해서는 도 7에서 상세하게 설명하기로 한다.

일 실시예에서, 제어부(110)는 다중 대조도 시퀀스(Multi-contrast sequence) 또는 MR Fingerprinting과 인라인(Inline)으로 1회의 촬영을 통해 진단 영상을 획득할 수 있다.

일 실시예에서, 제어부(110)는 특징값의 히스토그램 패턴과 병변과의 관계에 관한 정보를 누적하여 저장부(140)에 저장하고, 저장부(140)에 저장된 정보에 기초하여 특징값의 히스토그램 패턴과 병변과의 관계에 관한 사전 데이터(dictionary)를 생성할 수 있다. 생성된 사전 데이터는 저장부(140)에 저장될 수 있다.

일 실시예에서, 제어부(110)는 복수의 서로 다른 종류의 자기 공명 영상의 픽셀 밝기값으로부터 획득된 특징 벡터의 벡터값의 크기를 패턴화하여 복셀 별 벡터값의 패턴정보를 획득할 수 있다. 벡터값의 크기를 패턴화하는 방법으로서, 제어부(110)는 벡터값을 이진법(binary) 또는 삼진법(ternary)을 이용할 수 있으나, 이에 한정되는 것은 아니다. 제어부(110)는 각 복셀 별 패턴 정보 중 사용자 입력부(120)를 통해 설정된 패턴과 매칭되는 패턴을 갖는 복셀에 대응되는 해부학적 영역을 검출할 수 있다. 일 실시예에서, 제어부(110)는 검출된 해부학적 영역을 컬러 코딩(color coding)하여 디스플레이부(130) 상에 디스플레이할 수 있다. 이에 대해서는 도 10a, 10b, 및 도 11에서 상세하게 설명하기로 한다.

일 실시예에서, 제어부(110)는 복셀 별 특징 벡터를 기계 학습 모델(machine learning)의 입력으로 하는 학습(training)을 통해 병변의 명칭 또는 관련 진단 결과에 관한 정보를 획득할 수 있다. 제어부(110)는 인공 신경망 모델, Support Vector Machine (SVM), 및 딥 러닝(Deep Learning)을 포함하는 공지의 기계 학습 모델을 이용하여 학습을 수행할 수 있다. 제어부(110)는 예를 들어, 컨볼루션 신경망 모델(Convolution Neural Network, CNN) 또는 재귀 신경망 모델(Recurrent Neural Network, RNN)와 같은 공지의 심층 신경망 모델(Deep Neural Network, DNN)에 복셀 별 특징 벡터를 입력으로, 병변의 명칭 또는 정보에 대응되는 벡터를 출력으로 하는 학습을 수행할 수 있다. 제어부(110)는 상기 학습을 통해 획득된 신경망 모델을 통해 특징 벡터에서 병변의 명칭 또는 관련 진단 결과에 관한 정보를 획득할 수 있다. 일 실시예에서, 제어부(110)는 병변의 명칭 또는 관련 진단 결과에 관한 정보를 나타내는 사용자 인터페이스(User Interface, UI)를 생성하고, UI를 진단 영상 상에 디스플레이하도록 디스플레이부(130)를 제어할 수 있다. 이에 대해서는 도 12a 및 도 12b에서 상세하게 설명하기로 한다.

일 실시예에서, 제어부(110)는 복셀의 특징 벡터를 벡터 공간 상에서 특징 벡터의 벡터값에 대응되는 위치에 배치시키고, 특징 벡터를 벡터 간 상대적인 거리에 따라 적어도 하나의 클러스터(cluster)로 분류할 수 있다. 제어부(110)는 분류된 적어도 하나의 클러스터의 위치에 대응되는 병변을 매칭하고, 매칭의 결과에 기초하여 병변을 예측할 수 있다. 이에 대해서는 도 13a, 13b에서 상세하게 설명하기로 한다.

일 실시예에서, 제어부(110)는 자기 공명 영상 외에 컴퓨터 단층 촬영 영상(Computed Topograph image, CT image)의 픽셀값을 이용하여 진단 영상을 생성할 수 있다. 제어부(110)는 컴퓨터 단층 촬영 영상의 HU 값(Hounsfield Unit value)을 복수의 자기 공명 영상의 픽셀의 밝기값에 대응되는 픽셀값으로 변환할 수 있다. 제어부(110)는 복수의 자기 공명 영상 각각의 픽셀의 밝기값 및 컴퓨터 단층 촬영 영상의 HU값으로부터 변환된 픽셀값을 이용하여 특징값을 획득하고, 획득한 특징값을 이용하여 진단 영상을 생성할 수 있다. 이에 대해서는 도 14에서 상세하게 설명하기로 한다.

일 실시예에서, 사용자 입력부(120)는 복수의 서로 다른 종류의 자기 공명 영상의 픽셀의 밝기값을 이용하여 진단 영상을 생성하는 알고리즘 또는 워크 플로우(work flow)를 직접 생성하거나, 또는 기저장된 알고리즘 또는 워크 플로우를 편집, 변경하는 사용자 입력을 수신할 수 있다. 즉, 서로 다른 종류의 자기 공명 영상의 픽셀 밝기값을 이용하여 특징값을 생성하고, 특징값을 통해 진단 영상을 생성하는 알고리즘 또는 워크 플로우는 한가지 방법으로 고정된 것이 아니고, 사용자에 의해 커스텀 할 수 있다(customizable). 일 실시예에서, 제어부(110)는 저장부(140)에 저장된 적어도 하나의 알고리즘(algorithm) 중 어느 하나를 선택하는 사용자 입력을 수신하는 사용자 인터페이스(UI)를 디스플레이부(130) 상에 디스플레이할 수 있다. 제어부(110)는 사용자 인터페이스를 통해 수신된 사용자 입력에 의해 선택된 알고리즘을 이용하여 진단 영상을 생성할 수 있다. 이에 대해서는 도 15 및 도 16에서 상세하게 설명하기로 한다.

사용자 입력부(120)는 자기 공명 영상 장치를 조작하는 사용자 입력을 수신한다. 사용자 입력부(120)는 예를 들어, 버튼, 키 패드(key pad), 마우스, 트랙볼, 터치 패드, 터치스크린, 조그 스위치 등 하드웨어 구성을 포함할 수 있으나 이에 한정되는 것은 아니다. 디스플레이부(130)가 터치스크린으로 구성되는 경우, 사용자 입력부(120)는 터치스크린과 통합되어 사용자의 터치 입력을 수신할 수도 있다.

일 실시예에서, 사용자 입력부(120)는 진단 영상 상에서 관심 영역에 해당되는 해부학적 구조를 선택하는 사용자 입력을 수신할 수 있다.

디스플레이부(130)는 제어부(110)에 의해 생성된 진단 영상을 디스플레이할 수 있다. 디스플레이부(130)는 예를 들어, LCD 디스플레이, PDP 디스플레이, OLED 디스플레이, FED 디스플레이, LED 디스플레이, VFD 디스플레이, DLP(Digital Light Processing) 디스플레이, 평판 디스플레이(Flat Panel Display), 3D 디스플레이, 및 투명 디스플레이 중 적어도 하나를 포함하는 물리적 장치로 구성될 수 있으나, 이에 한정되는 것은 아니다. 일 실시예에서, 디스플레이부(130)는 터치 인터페이스를 포함하는 터치스크린으로 구성될 수도 있다.

저장부(140)는 병변과 관련된 특징값을 저장할 수 있다. 저장부(140)는 특징 벡터의 히스토그램 패턴과 병변과의 관계에 관한 정보를 저장할 수 있다. 일 실시예에서, 저장부(140)는 벡터 공간 상에서의 특징 벡터의 위치와 병변과의 관계에 관한 정보를 저장할 수 있다. 일 실시예에서, 저장부(140)에는 복셀 별 특징값의 크기와 컬러 간 매칭에 관한 룩 업 테이블(Look-Up table, LUT)이 저장될 수 있다.

저장부(140)는 예를 들어, 플래시　메모리(예: NAND flash 또는 NOR flash 등), 하드 드라이브, 및 솔리드 스테이트 드라이브(solid state drive(SSD)) 중 어느 하나로 구성될 수 있지만, 이에 한정되지는 않는다.

종래에는, 자기 공명 영상을 판독하기 위하여 사용자, 예를 들어 영상 의학 전문의가 서로 다른 대조도를 갖는 복수의 자기 공명 영상을 일일이 비교해 보고, 해부학적 영상 및 기능적 영상에서 나타나는 픽셀 별 패턴값이 정상적인 값에서 벗어나는 이상 영역(abnormality)을 병변으로 인식하였다. 그러나, 사용자가 수백장이 넘는 자기 공명 영상을 정해진 시간 내에 일일이 판독해야 하기 때문에 판독 시간이 오래 걸리고, 그에 따른 피로도가 증가하여 판독의 정확도가 낮아지고, 병변을 발견하지 못하거나 병변을 잘못 파악하는 문제점이 있었다.

본 개시의 일 실시예에 따른 자기 공명 영상 장치(100)는 복수의 서로 다른 종류의 자기 공명 영상의 픽셀 밝기값을 이용하여 복셀 별 특징값을 획득하고, 복셀 별 특징값을 이용하여 진단 영상을 생성하고, 진단 영상의 특징값 패턴으로부터 병변을 자동으로 검출하는바, 병변 검출 및 영상 판독의 정확성을 향상시킬 수 있다. 또한, 자기 공명 영상 장치(100)는 진단 영상 상에서 이상 부위에 해당되는 영역을 컬러 코딩하여 표시함으로써, 사용자가 이상 부위 또는 병변이 있는 것으로 예측되는 영역을 직관적으로 파악하게 할 수 있고, 따라서 사용자 편의성을 향상시킬 수 있다.

도 3은 본 개시의 일 실시예에 따른 자기 공명 영상 장치의 동작 방법에 관한 흐름도이다.

단계 S310에서, 자기 공명 영상 장치는 복수의 서로 다른 종류의 자기 공명 영상 각각의 픽셀의 밝기값(pixel intensity)를 이용하여 특징값(feature value)을 획득한다. 복수의 서로 다른 종류의 자기 공명 영상은 복수의 다중 대조도 영상을 의미하고, 예를 들어, T1 강조 영상(T1W), T2 강조 영상(T2W), FLAIR(Fluid-attenuated inversion-recovery), 확산 강조 영상(Diffusion-Weighted Image, DWI), 확산 계수 영상(ADC), 및 PDW(Proton Density Weighted) 중 적어도 하나를 의미할 수 있다.

자기 공명 영상 장치는 복수의 서로 다른 종류의 자기 공명 영상 각각의 픽셀의 밝기값을 정규화(normalize)하고, 정규화된 픽셀 밝기값을 복셀 별 특징 벡터의 벡터값으로 변환하며, 변환된 벡터값의 히스토그램을 양자화(quantization)하여 복셀 별 특징값을 생성할 수 있다. 그러나, 이에 한정되는 것은 아니다. 일 실시예에서, 자기 공명 영상 장치는 복수의 서로 다른 종류의 자기 공명 영상의 픽셀 밝기값의 가중 평균(weighted average)를 사용하거나, 픽셀 별로 multiplication을 하거나, 또는 linear/non-linear function을 정의하여 fitting하는 방법을 사용하여 특징값을 획득할 수도 있다.

단계 S320에서, 자기 공명 영상 장치는 획득된 특징값을 이용하여 진단 영상을 생성한다. 일 실시예에서, 자기 공명 영상 장치는 단계 S310에서 획득한 복셀 별 특징값의 크기에 대응되는 컬러를 매핑하여 컬러 코딩된 진단 영상을 생성하고, 컬러 코딩된 진단 영상을 디스플레이할 수 있다.

일 실시예에서, 자기 공명 영상 장치는 컬러 코딩된 진단 영상을 복수의 서로 다른 자기 공명 영상 중 기준이 되는 해부학적 영상 상에 오버랩(overlap)하여 디스플레이할 수 있다.

도 4는 본 개시의 일 실시예에 따른 자기 공명 영상 장치가 복수의 서로 다른 자기 공명 영상(401, 402, 403)의 픽셀 밝기값을 이용하여 진단 영상(460)을 생성하는 방법을 설명하는 도면이다. 도 4에 도시된 픽셀의 개수 및 복셀의 개수는 설명의 편의를 위한 예시이고, 본 개시의 실시예가 도시된 바와 같이 한정되지 않는다.

도 4에서 복수의 서로 다른 종류의 자기 공명 영상(401, 402, 403)은 서로 다른 대조도를 갖는 자기 공명 영상일 수 있다. 도 4에는 복수의 자기 공명 영상(401, 402, 403)이 3개로 도시되어 있지만, 이는 설명의 편의를 위한 것이고, 복수의 자기 공명 영상(401, 402, 403)의 수가 3개로 한정되는 것은 아니다. 예를 들어, 제1 내지 제3 자기 공명 영상(401, 402, 403) 각각은 T1 강조 영상(T1W), T2 강조 영상(T2W), FLAIR(Fluid-attenuated inversion-recovery), 확산 강조 영상(Diffusion-Weighted Image, DWI), 확산 계수 영상(ADC), 또는 PDW(Proton Density Weighted) 중 어느 하나일 수 있다.

제1 내지 제3 자기 공명 영상(401, 402, 403)은 서로 다른 대조도를 갖는 영상이지만, 매핑 시퀀스(mapping sequence)를 통해 획득된 자기 공명 영상과는 다르다. 매핑 시퀀스는 복수의 대조도의 영상을 획득하여 하나의 영상을 생성하는 방법으로서, 다양한 에코 시간(TE)을 갖는 영상을 여러 번 촬영하고, 복원 과정에서 각 픽셀 별로 밝기값을 fitting 함으로써 픽셀의 특징을 나타내는 대표값(T1, T2 등)을 계산할 수 있다. 그러나, 본 개시에서의 서로 다른 대조도 영상은 에코 시간 및 TR(Repetition time)을 달리 하여 서로 다른 파라미터에 따라 촬영된 영상을 의미하는바, 매핑 시퀀스를 통해 획득된 영상과는 차이가 있다.

자기 공명 영상 장치는 제1 내지 제3 자기 공명 영상(401, 402, 403) 각각의 픽셀의 밝기값(pixel intensity)을 가상의 복셀(voxel)(440) 상에서 픽셀들 각각에 대응되는 위치에 저장할 수 있다. 예를 들어, 자기 공명 영상 장치는 제1 자기 공명 영상(401)의 제1 픽셀(411)의 밝기값(i₁₁), 제2 자기 공명 영상(402)의 제1 픽셀(421)의 밝기값(i₂₁), 및 제3 자기 공명 영상(403)의 제1 픽셀(431)의 밝기값(i₃₁)을 가상의 복셀 공간 상의 제1 복셀(441) 위치에 저장할 수 있다. 마찬가지로, 자기 공명 영상 장치는 제1 자기 공명 영상(401)의 제2 픽셀(412)의 밝기값(i₁₂), 제2 자기 공명 영상(402)의 제2 픽셀(422)의 밝기값(i₂₂), 및 제3 자기 공명 영상(403)의 제2 픽셀(432)의 밝기값(i₃₂)을 가상의 복셀 공간 상의 제2 복셀(442) 위치에 저장할 수 있다.

자기 공명 영상 장치는 복셀(440)에 저장된 픽셀의 밝기값을 이용하여 복셀 별 특징 벡터(feature vector)를 생성할 수 있다. 일 실시예에서, 자기 공명 영상 장치는 제1 복셀(441)에 저장된 픽셀의 밝기값(i₁₁, i₂₁, i₃₁) 각각을 벡터값으로 하는 3차원 특징 벡터를 생성할 수 있다. 마찬가지로, 자기 공명 영상 장치는 제2 복셀(442)에 저장된 픽셀의 밝기값(i₁₂, i₂₂, i₃₂) 각각을 벡터값으로 하는 3차원 특징 벡터를 생성할 수 있다.

자기 공명 영상 장치는 특징 벡터의 히스토그램(histogram)을 양자화(quantization)하여 복셀 별 특징값을 생성할 수 있다. 예를 들어, 자기 공명 영상 장치는 특징 벡터의 각 벡터값에 계수(coefficient)를 곱하고, 곱한 값을 모두 더하는 수식을 통해 특징 벡터의 벡터값을 스칼라 값(scalar)으로 변환할 수 있다.

일 실시예에서, 자기 공명 영상 장치는 복셀 별로 특징값을 생성하는 대신, 인접하는 복수의 복셀을 하나로 묶어서 하나의 특징값을 생성할 수도 있다. 예를 들어, 하나의 복셀 당 하나의 특징값을 갖는 것이 아닌 인접하는 4개(2×2)의 복셀의 특징값을 하나의 특징값으로 치환함으로써 복셀 히스토그램의 해상도(resolution)를 조절할 수 있다. 복셀 히스토그램의 해상도를 조절하여 sensitivity를 낮추고, 노이즈를 저감할 수 있다. 또한, 복셀의 특징값을 생성하는데 사용되는 연산량이 줄어들어, 처리 시간이 절감되는 효과가 있다.

자기 공명 영상 장치는 복셀 별 특징값을 3차원 공간 상에서 대응되는 위치에 표시하여 3차원 히스토그램(450)을 획득할 수 있다. 그러나, 이에 한정되는 것은 아니고, 자기 공명 영상 장치는 1차원, 2차원, ?, n차원의 히스토그램을 획득할 수도 있다.

자기 공명 영상 장치는 3차원 히스토그램(450) 상의 특징값의 크기에 기초하여 진단 영상(460)을 생성할 수 있다. 일 실시예에서, 자기 공명 영상 장치는 생성된 진단 영상(460)을 제1 내지 제3 자기 공명 영상(401, 402, 403) 중 해부학적 구조 판별의 기준이 되는 자기 공명 영상 상에 오버랩(overlap)하여 디스플레이할 수 있다. 예를 들어, 해부학적 구조 판별의 기준이 되는 자기 공명 영상은 T1W 영상일 수 있으나, 이에 한정되는 것은 아니다.

도 4는 복수의 서로 다른 종류의 자기 공명 영상(401, 402, 403) 각각의 픽셀값을 이용하여 진단 영상을 생성하는 방법 중 하나의 예시일 뿐, 본 개시의 자기 공명 영상 장치가 도 4에 도시된 방법만을 사용하는 것은 아니다. 일 실시예에서, 자기 공명 영상 장치는 복수의 서로 다른 종류의 자기 공명 영상(401, 402, 403) 각각의 픽셀의 밝기값의 가중 평균(weighted average)를 사용하거나, 픽셀 별로 multiplication을 하거나, 또는 linear/non-linear function을 정의하여 fitting하는 방법 등을 사용하여 진단 영상(460)을 생성할 수 있다.

도 5는 본 개시의 일 실시예에 따른 자기 공명 영상 장치가 복수의 서로 다른 자기 공명 영상의 밝기값을 이용하여 진단 영상을 생성하는 방법에 관한 흐름도이다.

단계 S510에서, 자기 공명 영상 장치는 복수의 서로 다른 종류의 자기 공명 영상 각각의 픽셀의 밝기값을 가상의 복셀(voxel) 상에서 픽셀들 각각에 대응되는 위치에 저장한다. 일 실시예에서, 각각의 복셀에는 복수의 다중 대조도 영상 각각의 픽셀의 밝기값에 관한 정보가 저장되어 있을 수 있다.

단계 S520에서, 자기 공명 영상 장치는 저장된 픽셀의 밝기값을 각 복셀 별 특징 벡터(feature vector)로 변환한다. 일 실시예에서, 자기 공명 영상 장치는 각 복셀에 저장된 픽셀의 밝기값 각각을 벡터값으로 하는 특징 벡터를 생성할 수 있다. 예를 들어, 서로 다른 종류의 자기 공명 영상이 3개로 구성된 경우, 복셀 당 3개의 픽셀 밝기값 정보가 저장되고, 3개의 픽셀 밝기값 각각을 벡터값으로 하는 3차원의 특징 벡터가 생성될 수 있다.

단계 S530에서, 자기 공명 영상 장치는 변환된 특징 벡터의 히스토그램(histogram)을 양자화(quantization)하여 복셀 별 특징값을 생성한다. 일 실시예에서, 자기 공명 영상 장치는 특징 벡터의 벡터값을 양자화하여 스칼라 값으로 변환할 수 있다.

도 6은 본 개시의 일 실시예에 따른 자기 공명 영상 장치가 진단 영상을 생성하기 위하여 필요한 영상의 전처리 과정(pre-processing)에 관한 흐름도이다.

단계 S610에서, 자기 공명 영상 장치는 복수의 서로 다른 종류의 자기 공명 영상의 영상 품질을 평가한다. 일 실시예에서, 자기 공명 영상 장치는 복수의 다중 대조도 영상의 SNR(Signal-to-Noise Ratio), Contrast, 및 시그널의 엔트로피(entropy) 값 중 적어도 하나를 포함하는 파라미터들에 기초하여 영상의 품질을 평가할 수 있다. 일 실시예에서, 자기 공명 영상 장치는 기설정된 품질 기준 이하의 영상은 폐기하고, 재촬영(Rescan)을 수행할 수도 있다.

자기 공명 영상 장치는 딥 러닝(Deep Learning)과 같은 기계 학습 모델을 이용하여 복수의 다중 대조도 영상의 품질을 평가할 수 있다. 자기 공명 영상 장치는 예를 들어, 컨볼루션 신경망 모델(Convolution Neural Network, CNN) 또는 재귀 신경망 모델(Recurrent Neural Network, RNN)와 같은 공지의 심층 신경망 모델(Deep Neural Network, DNN)에 복수의 다중 대조도 영상을 입력으로, 품질 평가 결과에 관한 벡터값을 출력으로 하는 학습(training)을 통해 영상 품질을 평가할 수 있다.

단계 S620에서, 자기 공명 영상 장치는 복수의 서로 다른 종류의 자기 공명 영상을 정합(registration)한다. 자기 공명 영상 장치가 사용하는 영상 정합 방법으로는 rigid registration 또는 non-rigid registration 방법이 있으나, 이에 한정되지는 않는다. 일 실시예에서, 자기 공명 영상 장치는 공지의 이미지 처리 기술(image processing)을 이용하여 영상 정합을 수행할 수 있다. 그러나, 이에 한정되지 않고, 자기 공명 영상 장치는 딥 러닝(Deep Learning)과 같은 기계 학습 모델을 이용하여 복수의 다중 대조도 영상들을 정합할 수 있다.

단계 S630에서, 자기 공명 영상 장치는 복수의 서로 다른 종류의 자기 공명 영상 각각의 픽셀값을 정규화(normalization)한다. 일반적으로, 서로 다른 정류의 자기 공명 영상의 픽셀값들은 서로 다른 범위(range)의 값을 갖게 되는바, 특징 벡터를 생성하기 전 단계에서 픽셀값들을 정규화할 필요가 있다.

단계 S640에서, 자기 공명 영상 장치는 정규화된 복수의 자기 공명 영상의 픽셀값을 이용하여 특징값을 생성한다. 단계 S640은 도 3에서 설명한 단계 S320과 동일하므로, 중복되는 설명은 생략한다.

도 6에 도시된 각 단계들(S610 내지 S640)은 복수의 서로 다른 종류의 자기 공명 영상 각각의 픽셀값을 이용하여 진단 영상을 생성하기 이전에 수행하는 전처리 단계에 해당한다. 따라서, 단계 S610 내지 S640은 본 명세서에서 설명하는 자기 공명 영상 장치의 동작 방법에서 생략되거나, 또는 일부 단계가 생략될 수 있다.

도 7은 본 개시의 일 실시예에 따른 자기 공명 영상 장치가 디스플레이하는 진단 영상(710)을 도시한 도면이다.

도 7을 참조하면, 자기 공명 영상 장치의 디스플레이부(700)는 컬러로 코딩된 진단 영상(710)을 디스플레이할 수 있다. 일 실시예에서, 자기 공명 영상 장치는 복셀 별 특징값의 크기에 대응되는 컬러를 매핑하여 컬러 코딩된 진단 영상(710)을 생성할 수 있다. 이 경우, 자기 공명 영상 장치는 기저장된 룩 업 테이블(LUT)을 참조하여 복셀 별 특징값의 크기와 컬러를 매핑할 수 있다.

디스플레이부(700)는 컬러 맵(720)을 진단 영상(710)과 함께 디스플레이할 수 있다. 도면에는 도시되지 않았지만, 컬러 맵(720)은 컬러와 함께 대응되는 특징 값을 나타내는 숫자를 포함할 수 있다.

일 실시예에서, 디스플레이부(700)는 컬러 코딩된 진단 영상(710)을 복수의 서로 다른 종류의 자기 공명 영상 중 해부학적 구조 판별의 기준이 되는 자기 공명 영상 상에 오버랩(overlap)하여 디스플레이할 수 있다. 예를 들어, 해부학적 구조 판별의 기준이 되는 자기 공명 영상은 T1W 영상일 수 있으나, 이에 한정되는 것은 아니다.

도 7에 도시된 컬러 코딩된 진단 영상(710)은 복셀 별 특징값이 기설정된 임계치 이상 또는 미만인 경우 특정 컬러로 표시함으로써, 사용자가 이상 여부(abnormality)를 직관적으로 파악할 수 있다. 또한, 컬러 코딩된 진단 영상(710)이 해부학적 영상 상에 오버랩 되어 디스플레이됨으로써, 이상이 검출된 복셀에 대응되는 해부학적 구조를 사용자가 쉽게 파악할 수 있어 진단의 정확성이 향상될 수 있다.

도 8a 내지 도 8c는 본 개시의 일 실시예에 따른 자기 공명 영상 장치가 사용자에 의해 선택된 해부학적 구조에서 병변을 검출하는 방법에 관한 도면들이다.

도 8a를 참조하면, 자기 공명 영상 장치는 병변의 관찰 대상이 되는 관심 영역을 포함하는 해부학적 구조를 선택하는 사용자 입력을 수신할 수 있다. 일 실시예에서, 자기 공명 영상 장치는 복수의 서로 다른 종류의 자기 공명 영상 중 해부학적 구조를 판독하는 기준이 되는 해부학적 영상(801, 802, 803, 804)을 디스플레이할 수 있다. 해부학적 영상(801, 802, 803, 804)은 T1W 영상일 수 있으나, 이에 한정되지는 않는다. 일 실시예에서, 사용자가 어깨 뼈에 관한 해부학적 영상(803)을 선택하는 경우, 자기 공명 영상 장치는 어깨 뼈에 대응되는 복셀에서의 특징값을 추출할 수 있다. 복셀 별 특징값은 도 4 및 도 5에서 설명한 방법을 통해 획득될 수 있다.

도 8b를 참조하면, 자기 공명 영상 장치는 추출된 특징값의 히스토그램(810)의 패턴 정보를 분석할 수 있다. 히스토그램(810)은 추출된 특징값을 복셀 각각의 위치에 표시한 것으로서, 복셀 별 특징값의 크기는 특정 패턴을 가질 수 있다. 일 실시예에서, 자기 공명 영상 장치는 복셀 별 특징값의 크기가 갖는 패턴 정보를 분석하고, 기 저장된 패턴과 비교함으로써, 병변을 인식할 수 있다.

일 실시예에서, 자기 공명 영상 장치는 동일한 대상체의 제1 부위에 관한 진단 영상과 제2 부위에 관한 진단 영상에서 추출된 특징값의 히스토그램 패턴 정보를 분석할 수 있다. 자기 공명 영상 장치는 예를 들어, 동일 환자의 진단 영상 상에서 사용자에 의해 선택된 어깨 뼈에 대응되는 복셀에서의 특징값의 히스토그램 패턴과 척추에 대응되는 복셀에서의 특징값의 히스토그램의 패턴을 분석하고, 어깨 뼈와 척추에서의 특징값의 유사 또는 차이 여부를 판단할 수 있다. 여기서, 히스토그램 패턴 간의 유사 또는 차이점 분석에는 기계 학습 모델을 이용한 인공 지능 기술이 이용될 수 있다.

다른 실시예에서, 자기 공명 영상 장치는 서로 다른 대상체의 진단 영상 상의 동일 해부학적 구조에 대응되는 복셀에서 추출된 특징값의 히스토그램 패턴을 분석할 수 있다. 자기 공명 영상 장치는 예를 들어, 제1 환자의 어깨 뼈에 관한 진단 영상에서 추출한 복셀 별 특징값의 히스토그램 패턴과 제2 환자의 어깨 뼈에 관하여 진단 영상에서 추출한 복셀 별 특징값의 히스토그램 패턴의 유사성 여부를 분석하고, 히스토그램 패턴 간의 유사 또는 차이 여부를 판단할 수 있다.

도 8c를 참조하면, 자기 공명 영상 장치는 정상 영역에서의 복셀 별 특징값의 크기에 관한 제1 히스토그램(820) 및 병변이 있는(예를 들어, 암) 영역에서의 복셀 별 특징값의 크기에 관한 제2 히스토그램(830)의 패턴 정보를 누적하여 저장할 수 있다. 일 실시예에서, 자기 공명 영상 장치는 수백 내지 수천 개의 진단 영상으로부터 획득한 복셀 별 특징값의 히스토그램 패턴을 누적하여 저장하고, 저장된 히스토그램 패턴의 데이터와 병변과의 관계를 분석하여, 병변 정보와 히스토그램의 패턴과의 매칭 관계에 관한 사전 데이터(dictionary)를 생성할 수 있다. 자기 공명 영상 장치는 사전 데이터를 저장부(140, 도 1 참조)에 저장할 수 있다. 자기 공명 영상 장치는 입력된 특징값의 히스토그램 패턴 정보를 저장부(140)에 저장된 사전 데이터와 비교하여 이상 여부(abnormality) 또는 병변을 검출할 수 있다.

도 8b를 함께 참조하면, 히스토그램(810)의 패턴은 도 8c에 도시된 제1 히스토그램(820)의 패턴과 유사한 것을 알 수 있다. 이 경우, 자기 공명 영상 장치는 도 8b의 히스토그램(810)의 패턴이 제2 히스토그램(830) 보다는 제1 히스토그램(820)의 패턴과 유사하다고 판단하고, 히스토그램(810)이 추출된 복셀에 대응되는 해부학적 영역이 정상 영역인 것으로 판단할 수 있다.

도 9은 본 개시의 일 실시예에 따른 자기 공명 영상 장치가 사용자에 의해 선택된 해부학적 구조에서 병변을 검출하는 방법에 관한 흐름도이다.

단계 S910에서, 자기 공명 영상 장치는 해부학적 영상에서 관심있는 특정 해부학적 구조를 선택하는 사용자 입력을 수신한다. 여기서, 해부학적 영상은 복수의 서로 다른 종류의 자기 공명 영상 중 어느 하나의 영상일 수 있다. 예를 들어, 해부학적 영상은 T1W 영상일 수 있으나, 이에 한정되지는 않는다.

단계 S920에서, 자기 공명 영상 장치는 진단 영상 상에서 사용자에 의해 선택된 해부학적 구조에 대응되는 복셀에서의 특징값을 추출한다. 각 복셀 별 특징값은 도 4 및 도 5에서 설명한 방법으로 획득될 수 있다. 예를 들어, 자기 공명 영상 장치는 진단 영상 상에서 사용자가 선택한 척추에 대응되는 영역에 위치한 복셀의 특징값들을 추출할 수 있다.

단계 S930에서, 자기 공명 영상 장치는 추출된 특징값의 히스토그램의 패턴 정보를 분석한다. 일 실시예에서, 자기 공명 영상 장치는 동일한 대상체의 제1 부위에 관한 진단 영상과 제2 부위에 관한 진단 영상에서 추출된 특징값의 히스토그램 패턴 정보를 분석할 수 있다. 또한, 다른 실시예에서, 자기 공명 영상 장치는 서로 다른 대상체의 진단 영상 상의 동일 해부학적 구조에 대응되는 복셀에서 추출된 특징값의 히스토그램 패턴을 분석할 수 있다. 동일 대상체 간 서로 다른 부위의 히스토그램 패턴 분석 또는 서로 다른 대상체의 동일 해부학적 구조에 관한 히스토그램 패턴의 분석에는 기계 학습 모델을 이용한 인공 지능 기술을 이용될 수 있다.

자기 공명 영상 장치는 예를 들어, 제1 환자의 어깨 뼈에 관한 진단 영상에서 추출한 복셀 별 특징값의 히스토그램 패턴과 제2 환자의 어깨 뼈에 관하여 진단 영상에서 추출한 복셀 별 특징값의 히스토그램 패턴의 유사성 여부를 분석하고, 히스토그램 패턴 간의 유사 또는 차이 여부를 판단할 수 있다.

단계 S940에서, 자기 공명 영상 장치는 분석 결과에 기초하여 병변을 인식한다. 자기 공명 영상 장치는 복셀 별 특징값의 히스토그램의 패턴 정보를 기 저장된 패턴과 비교함으로써, 병변을 인식할 수 있다. 일 실시예에서, 자기 공명 영상 장치는 병변 정보와 히스토그램의 패턴과의 매칭 관계에 관한 사전 데이터에 기초하여 새로 입력된 특징값의 히스토그램 패턴을 분석하고, 분석 결과에 기초하여 병변을 검출할 수 있다.

도 10a 및 도 10b는 본 개시의 일 실시예에 따른 자기 공명 영상 장치가 사용자 입력에 기초하여 진단 영상 상에서 특정 해부학적 영역을 검출하고, 검출된 해부학적 영역을 디스플레이하는 방법에 관한 도면들이다.

자기 공명 영상 장치는 복셀에 저장된 특징 벡터의 벡터값의 크기를 패턴화하고, 사용자에 의해 정의된 패턴을 갖는 복셀을 검출할 수 있다. 복셀에 저장된 특징 벡터는, 복수의 서로 다른 종류의 자기 공명 영상의 픽셀 밝기값으로부터 변환된 것으로서, 구체적인 방법은 도 4 및 도 5에서 설명한 방법과 동일하므로, 중복되는 설명은 생략한다.

도 10a를 참조하면, 자기 공명 영상 장치는 이진법(binary)을 이용하여 복셀에 저장된 특징 벡터의 벡터값을 패턴화할 수 있다. 예를 들어, 4개의 서로 다른 종류의 자기 공명 영상의 픽셀(i₁, i₂, i₃, i₄)의 밝기값이 하나의 복셀의 특징 벡터를 구성하는 벡터값인 경우, 자기 공명 영상 장치는 각 픽셀(i₁, i₂, i₃, i₄)의 밝기값의 크기를 기설정된 픽셀값과 비교하여 H, L 두가지 중 어느 하나로 패턴화할 수 있다. 여기서, 패턴화는 연속적인(continuous) 특성을 갖는 벡터값을 H, L과 같이 비연속적(discrete)인 값으로 변환하는 것을 의미할 수 있다.

자기 공명 영상 장치는 사용자에 의해 정의된 벡터값의 패턴 조합에 관한 사용자 입력을 수신할 수 있다. 사용자에 의해 정의된 벡터값의 패턴은 알려진 병변에 관한 패턴 정보, 예를 들면 특정 조직에 암 세포가 발견되는 경우 복수의 다중 대조도 영상 각각의 픽셀의 밝기값이 특정 패턴의 조합을 갖는 것과 같은 병변 정보에 관한 패턴 정보일 수 있다.

자기 공명 영상 장치는, 패턴화된 복셀의 벡터값 중 사용자로부터 입력받은 특정 패턴의 조합에 매칭되는 패턴을 갖는 복셀을 검출할 수 있다. 일 실시예에서, 자기 공명 영상 장치는 4개의 서로 다른 종류, 예를 들어 4개의 다중 대조도 영상 각각의 픽셀(i₁, i₂, i₃, i₄)의 밝기값의 패턴 정보(H, L)로부터 사용자가 입력한 패턴의 조합에 매칭되는 패턴을 갖는 복셀을 검출할 수 있다. 일 실시예에서, 자기 공명 영상 장치는 검출된 복셀을 특정 컬러로 코딩하여 진단 영상(1000) 상에 디스플레이할 수 있다.

예를 들어, 사용자가 제1 픽셀(i₁)에 대하여 H, 제2 픽셀(i₂) 및 제3 픽셀(i₃)에 대하여 L, 제4 픽셀(i₄)에 대하여 H를 갖는 패턴의 조합을 입력하는 경우, 자기 공명 영상 장치는 대상체에 관한 진단 영상(1000)의 각 복셀에 저장된 패턴화된 벡터값 정보 중 사용자로부터 입력된 패턴의 조합과 매칭되는 제1 복셀을 검출하고, 검출된 제1 복셀에 제1 컬러(1010)를 매핑할 수 있다. 자기 공명 영상 장치는 진단 영상(1000) 상에서 제1 복셀에 대응되는 영역을 제1 컬러(1010)로 디스플레이할 수 있다.

마찬가지로, 사용자가 픽셀들(i₁, i₂, i₃, i₄)에 대하여 L-H-L-H의 패턴 조합을 입력하는 경우, 자기 공명 영상 장치는 대상체에 관한 진단 영상(1000)의 각 복셀에 저장된 패턴화된 벡터값 정보 중 L-H-L-H의 패턴 조합을 갖는 제2 복셀을 검출하고, 제2 복셀에 제2 컬러(1020)를 매핑할 수 있다. 자기 공명 영상 장치는 진단 영상(1000) 상에서 제2 복셀에 대응되는 영역을 제2 컬러(1020)로 디스플레이할 수 있다. 자기 공명 영상 장치는 픽셀들(i₁, i₂, i₃, i₄)에 대하여 L-L-H-H의 패턴 조합을 입력하는 사용자 입력을 수신하는 경우, 대상체에 관한 진단 영상(1000)의 각 복셀에 저장된 패턴화된 벡터값 정보 중 L-L-H-H의 패턴 조합을 갖는 제3 복셀을 검출하고, 제3 복셀에 제3 컬러(1030)를 매핑하고, 진단 영상(1000) 상에서 제3 복셀에 대응되는 영역을 제3 컬러(1030)로 디스플레이할 수 있다.

도 10b를 참조하면, 자기 공명 영상 장치는 삼진법(ternary)을 이용하여 복셀에 저장된 특징 벡터의 벡터값을 패턴화할 수 있다. 예를 들어, 4개의 서로 다른 종류의 자기 공명 영상의 픽셀(i₁, i₂, i₃, i₄)의 밝기값이 하나의 복셀의 특징 벡터를 구성하는 벡터값인 경우, 자기 공명 영상 장치는 각 픽셀(i₁, i₂, i₃, i₄)의 밝기값의 크기를 기설정된 픽셀값과 비교하여 H, M, L 세가지 중 어느 하나로 패턴화할 수 있다.

도 10b에 도시된 실시예는 복셀 별 픽셀값을 이진법이 아닌 삼진법을 이용하여 총 3개의 값으로 패턴화하는 것을 제외하고는 도 10a에서의 실시예와 동일하므로, 중복되는 설명은 생략하기로 한다.

도 10b에서 사용자가 픽셀들(i₁, i₂, i₃, i₄)에 대하여 H-M-L-M의 패턴 조합을 입력하는 경우, 자기 공명 영상 장치는 대상체에 관한 진단 영상(1002)의 각 복셀에 저장된 패턴화된 벡터값 정보 중 H-M-L-M의 패턴 조합을 갖는 제4 복셀을 검출하고, 제4 복셀에 제4 컬러(1040)를 매핑할 수 있다. 자기 공명 영상 장치는 진단 영상(1002) 상에서 제4 복셀에 대응되는 영역을 제4 컬러(1040)로 디스플레이할 수 있다. 제5 컬러(1050)는 복셀 별 벡터값의 패턴이 M-L-M-H인 경우에 매칭되는 컬러이고, 제6 컬러(1060)는 복셀 별 벡터값의 패턴이 H-L-M-H인 경우에 매칭되는 컬러이다. 제5 컬러(1050) 및 제6 컬러(1060)에 관한 설명 중 제4 컬러(1040)의 내용과 중복되는 설명은 생략하기로 한다.

도 11은 본 개시의 일 실시예에 따른 자기 공명 영상 장치가 사용자 입력에 기초하여 진단 영상 상에서 특정 해부학적 영역을 검출하고, 검출된 해부학적 영역을 디스플레이하는 방법에 관한 흐름도이다.

단계 S1110에서, 자기 공명 영상 장치는 특징 벡터의 벡터값의 크기를 패턴화하여 복셀 별 벡터값의 패턴 정보를 획득한다. 자기 공명 영상 장치는 복셀 별 특징 벡터의 벡터값의 크기를 H, L 2가지로 패턴화하는 이진법(binary)을 사용하거나, H, M, L 3가지로 패턴화하는 삼진법(ternary)을 사용할 수 있다. 그러나, 이진법 및 삼진법은 본 개시의 자기 공명 영상 장치가 복셀 별 벡터값의 크기를 패턴화하는 방법의 예시일 뿐이고, 이에 한정되지 않는다.

단계 S1120에서, 자기 공명 영상 장치는 사용자에 의해 설정된 특정 패턴 조합의 입력을 수신한다. 사용자는 병변에 관한 패턴 정보, 예를 들어 암이 발견되는 조직에 대하여 촬영된 복수의 다중 대조도 영상 각각의 픽셀 밝기값이 특정 패턴의 조합을 갖는 것을 미리 알고, 암과 관련된 패턴 조합을 갖는 복셀을 찾기 위하여 밝기값의 패턴을 자기 공명 영상 장치에 입력할 수 있다.

단계 S1130에서, 자기 공명 영상 장치는 사용자에 의해 설정된 패턴과 매칭되는 패턴을 갖는 복셀에 대응되는 해부학적 영역을 검출한다. 일 실시예에서, 자기 공명 영상 장치는 진단 영상 상에서 사용자에 의해 정의된 패턴과 매칭되는 패턴을 갖는 복셀을 검출하고, 해부학적 영상 상에서 복셀의 위치에 대응되는 영역을 검출할 수 있다.

단계 S1140에서, 자기 공명 영상 장치는 검출된 해부학적 영역을 컬러로 코딩하여 시각적으로 표시한다. 자기 공명 영상 장치는 사용자에 의해 입력된 벡터값의 패턴 조합이 복수개인 경우, 각각의 패턴 조합에 대응되는 복수의 복셀을 검출하고, 복수의 복셀 각각에 서로 다른 컬러를 매핑할 수 있다. 일 실시예에서, 자기 공명 영상 장치는 컬러 코딩된 진단 영상을 해부학적 영상 상에 오버랩하여 디스플레이할 수 있다.

도 10a, 도 10b, 및 도 11에 도시된 실시예에서, 사용자가 병변이 의심되거나 이상(abnormality)이 있을 것으로 미리 알고 있는 특정 벡터값의 패턴 정보를 수동으로 입력하면, 자기 공명 영상 장치는 사용자로부터 입력된 특정 벡터값 패턴과 매칭되는 해부학적 영역을 검출하여 컬러 코딩 후 디스플레이할 수 있다. 따라서, 사용자는 병변이 의심되거나, 이상이 있는 부위를 직접 찾을 수 있는바, 사용자 편의성이 향상될 수 있다.

도 12a 및 도 12b는 본 개시의 일 실시예에 따른 자기 공명 영상 장치가 인공 지능 기술을 이용하여 병변을 검출하고, 병변 정보를 진단 영상 상에 디스플레이하는 방법에 관한 도면들이다.

도 12a를 참조하면, 자기 공명 영상 장치는 딥 러닝(Deep Learning)과 같은 인공 지능 기술을 이용하여 복셀에 저장된 특징 벡터를 통해 병변을 인식할 수 있다. 신경망 모델(1200N)은 예를 들어, 컨볼루션 신경망 모델(Convolution Neural Network, CNN), 재귀 신경망 모델(Recurrent Neural Network, RNN) 또는 공지의 심층 신경망 모델(Deep Neural Network, DNN)으로 구성될 수 있다. 자기 공명 영상 장치는 대용량의 서로 다른 자기 공명 영상으로부터 획득한 픽셀값을 입력으로, 병변에 대응되는 벡터값을 출력(groundtruth)으로 하여 신경망 모델(1200N)을 학습(training)할 수 있다.

자기 공명 영상 장치는 복수의 서로 다른 종류의 자기 공명 영상 각각의 픽셀의 밝기값으로부터 변환된 특징 벡터의 벡터값(1211, 1212, 1213)을 신경망 모델(1200N)에 입력 데이터 셋으로 입력하여 학습을 수행하고, 학습 결과 특징 벡터의 벡터값(1211, 1212, 1213)과 관련된 병변을 검출할 수 있다.

도 12b를 참조하면, 자기 공명 영상 장치는 학습을 통해 병변이 검출된 복셀의 위치를 진단 영상(1200) 상에서 특정하고, 병변 위치(1230)를 진단 영상(1200) 상에 선 또는 컬러로 나타내는 사용자 인터페이스(UI)를 디스플레이할 수 있다. 일 실시예에서, 자기 공명 영상 장치는 학습을 통해 획득한 병변 정보, 즉 병변의 종류 또는 병변의 진행 정도와 관련된 정보를 텍스트 형태로 나타내는 사용자 인터페이스(1240)를 진단 영상(1200) 상에 디스플레이할 수 있다.

도 13a 및 도 13b는 본 개시의 일 실시예에 따른 자기 공명 영상 장치가 서로 다른 종류의 자기 공명 영상의 밝기값을 이용하여 병변을 검출하는 방법을 도시한 도면이다.

도 13a를 참조하면, 자기 공명 영상 장치는 복수의 서로 다른 종류의 자기 공명 영상 각각의 픽셀의 밝기값을 이용하여 복셀 별 특징 벡터를 생성하고, 생성된 특징 벡터를 벡터 공간 상에서 벡터 간의 상대적인 거리에 기초하여 적어도 하나의 클러스터(cluster)(1310, 1320, 1330, 1340)로 분류할 수 있다. 도 13a에 도시된 바와 같이, 특징 벡터들은 벡터 공간 상에서 각각의 벡터값에 대응되는 위치에 위치될 수 있고, 기설정된 거리 내에 위치하는 특징 벡터들은 구 형태(sphere)의 집합을 형성할 수 있다. 일 실시예에서, 자기 공명 영상 장치는 기설정된 거리 내에 위치되는 복수의 특징 벡터들을 그룹핑(grouping)하여 적어도 하나의 클러스터(1310, 1320, 1330, 1340)를 형성할 수 있다.

자기 공명 영상 장치는 적어도 하나의 클러스터(1310, 1320, 1330, 1340) 각각의 위치에 대응되는 병변을 매칭할 수 있다. 일 실시예에서, 자기 공명 영상 장치의 저장부(140, 도 1 참조)에는 벡터 공간 상의 클러스터의 위치와 병변과의 관계에 관한 정보가 미리 저장되어 있을 수 있다. 예를 들어, 제4 클러스터(1340)에 포함되는 특징 벡터의 벡터값은 암에 해당되는 복셀의 벡터값임을 의미하는 정보가 저장부(140)에 저장되어 있을 수 있다. 일 실시예에서, 저장부(140)는 병변의 종류 뿐만 아니라, 병변의 진행 여부에 관한 정보도 저장할 수 있다.

자기 공명 영상 장치는 적어도 하나의 클러스터(1310, 1320, 1330, 1340) 각각의 위치와 병변과의 매칭 결과에 기초하여 병변을 예측할 수 있다. 일 실시예에서, 자기 공명 영상 장치는 저장부(140)에 저장된 클러스터의 위치와 병변과의 관계에 관한 정보에 기초하여 제4 클러스터(1340)에 해당되는 특징 벡터를 갖는 복셀에서 암을 검출하고, 검출된 암은 현재 4기에 해당된다는 정보를 획득할 수 있다.

도 13b를 참조하면, 자기 공명 영상 장치는 검출된 병변 정보를 텍스트로 나타내는 사용자 인터페이스(1360)를 진단 영상(1350) 상에 디스플레이할 수 있다.

도 14는 본 개시의 일 실시예에 따른 자기 공명 영상 장치가 컴퓨터 단층 촬영 영상(CT image)의 HU값(Hounsfield Unit)을 자기 공명 영상의 픽셀 밝기값으로 변환하는 방법을 도시한 도면이다.

도 14를 참조하면, 자기 공명 영상 장치는 공지의 이미지 처리 및 변환 알고리즘을 이용하여 컴퓨터 단층 촬영 영상의 HU 값을 이미지의 그레이 스케일(grey scale)로 변환할 수 있다. 자기 공명 영상 장치는 컴퓨터 단층 촬영 영상으로부터 변환된 그레이 스케일을 정규화(normalize)하여 픽셀의 밝기값을 획득할 수 있다. 자기 공명 영상 장치는 컴퓨터 단층 촬영 영상으로부터 획득한 픽셀의 밝기값과 복수의 서로 다른 종류의 자기 공명 영상의 픽셀의 밝기값을 이용하여 진단 영상을 생성할 수 있다. 자기 공명 영상 장치가 픽셀의 밝기값을 이용하여 진단 영상을 생성하는 방법은 도 4 내지 도 6에서 설명한 내용과 동일하므로, 중복되는 설명은 생략한다.

자기 공명 영상 장치는 복수의 서로 다른 종류의 자기 공명 영상 뿐만 아니라, 다른 모달리티(modality) 영상, 예를 들어 컴퓨터 단층 촬영 영상도 활용하여 진단 영상을 획득할 수 있다. 이를 통해, 본 개시의 자기 공명 영상 장치는 멀티 모달(multi-modal) 진단 프로세스를 구축할 수 있고, 병변 진단의 정확성을 향상시킬 수 있다.

도 15는 본 개시의 일 실시예에 따른 자기 공명 영상 장치가 사용자 입력에 기초하여 진단 영상을 생성하는 알고리즘(algorithm)을 생성하는 방법에 관한 흐름도이다.

단계 S1510에서, 자기 공명 영상 장치는 복수의 자기 공명 영상의 픽셀의 밝기값을 특징값으로 변환하는 워크 플로우(work flow)를 설정하는 사용자 입력을 수신한다. 일 실시예에서, 자기 공명 영상 장치는 복수의 서로 다른 종류의 자기 공명 영상 각각의 픽셀의 밝기값을 이용하여 복셀 별 특징 벡터를 생성하고, 특징 벡터의 히스토그램을 양자화하여 복셀 별 특징값을 획득하고, 획득한 복셀 별 특징값을 이용하여 진단 영상을 생성할 수 있으나, 진단 영상을 생성하는 방법이 이에 한정되는 것은 아니다.

자기 공명 영상 장치는 복수의 서로 다른 종류의 자기 공명 영상의 픽셀의 밝기값을 이용하여 진단 영상을 생성할 수 있도록 변환하는 워크 플로우를 사용자로부터 입력받을 수 있다. 예를 들어, 자기 공명 영상 장치는 서로 다른 종류의 자기 공명 영상의 픽셀값의 가중 평균(weighted average)를 계산하거나, 픽셀 별 밝기값을 multiplication 하거나, 또는 linear/non-linear function을 정의하여 fitting하는 방법과 관련된 워크 플로우를 정의하는 사용자 입력을 수신할 수 있다.

단계 S1520에서, 자기 공명 영상 장치는 사용자 입력에 기초하여 진단 영상을 생성하는 알고리즘을 생성한다. 일 실시예에서, 자기 공명 영상 장치는 사용자에 의해 정의된 특정 워크 플로우, 예를 들면 픽셀 값의 가중 평균 방법, 픽셀의 밝기값을 multiplication 하는 방법, linear/non-linear function을 정의하여 fitting 하는 방법 등과 관련된 알고리즘을 생성할 수 있다.

단계 S1530에서, 자기 공명 영상 장치는 생성된 알고리즘을 저장부(140, 도 1 참조)에 저장할 수 있다.

도 16은 본 개시의 일 실시예에 따른 자기 공명 영상 장치가 사용자 입력에 의해 선택된 알고리즘을 이용하여 진단 영상을 생성하는 방법에 관한 흐름도이다.

단계 S1610에서, 자기 공명 영상 장치는 진단 영상을 생성하는 기 저장된 적어도 하나의 알고리즘 중 어느 하나를 선택하는 사용자 입력을 수신하는 사용자 인터페이스(UI)를 디스플레이한다. 일 실시예에서, 저장부(140, 도 1 및 도 15 설명 부분 참조)는 사용자에 의해 정의된 워크 플로우에 의해 생성된 알고리즘이 저장되어 있을 수 있다. 저장부(140)에 저장된 적어도 하나의 알고리즘은 복수의 서로 다른 종류의 자기 공명 영상의 픽셀의 밝기값을 이용하여 특징 벡터를 생성하고, 특징 벡터의 히스토그램을 양자화하는 알고리즘, 픽셀 밝기값을 가중 평균하여 특징값을 획득하는 가중 평균 알고리즘, 픽셀의 밝기값을 multiplication 하여 특징값을 획득하는 알고리즘, 및 linear/non-linear function을 정의하여 fitting 하는 알고리즘 중 적어도 하나를 포함할 수 있다. 그러나, 저장부(140)에 저장된 적어도 하나의 알고리즘이 전술한 예시로 한정되는 것은 아니고, 사용자에 의해 설정된 모든 알고리즘이 저장되어 있을 수 있다.

단계 S1620에서, 자기 공명 영상 장치는 디스플레이된 사용자 인터페이스(UI)를 통해 사용자에 의해 선택된 알고리즘을 이용하여 진단 영상을 생성한다.

한편, 본 개시에 포함된 실시예들은 컴퓨터로 읽을 수 있는 저장 매체(computer-readable storage media)에 저장된 명령어를 포함하는 S/W 프로그램으로 구현될 수 있다.

컴퓨터는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 개시된 실시예에 따른 동작이 가능한 장치로서, 개시된 실시예들에 따른 자기 공명 영상 장치를 포함할 수 있다.

컴퓨터로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.

또한, 개시된 실시예들에 따른 자기 공명 영상 장치 및 그 동작 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다.

컴퓨터 프로그램 제품은 S/W 프로그램, S/W 프로그램이 저장된 컴퓨터로 읽을 수 있는 저장 매체를 포함할 수 있다. 예를 들어, 컴퓨터 프로그램 제품은 자기 공명 영상 장치의 제조사 또는 전자 마켓(예, 구글 플레이 스토어, 앱 스토어)을 통해 전자적으로 배포되는 S/W 프로그램 형태의 상품(예, 다운로더블 앱)을 포함할 수 있다. 전자적 배포를 위하여, S/W 프로그램의 적어도 일부는 저장 매체에 저장되거나, 임시적으로 생성될 수 있다. 이 경우, 저장 매체는 제조사의 서버, 전자 마켓의 서버, 또는 SW 프로그램을 임시적으로 저장하는 중계 서버의 저장매체가 될 수 있다.

컴퓨터 프로그램 제품은, 서버 및 장치(예를 들어, 자기 공명 영상 장치)로 구성되는 시스템에서, 서버의 저장매체 또는 장치의 저장매체를 포함할 수 있다. 또는, 서버 또는 장치와 통신 연결되는 제3 장치(예를 들어, 스마트폰)가 존재하는 경우, 컴퓨터 프로그램 제품은 제3 장치의 저장매체를 포함할 수 있다. 또는, 컴퓨터 프로그램 제품은 서버로부터 장치 또는 제3 장치로 전송되거나, 제3 장치로부터 단말로 전송되는 S/W 프로그램 자체를 포함할 수 있다.

이 경우, 서버, 장치 및 제3 장치 중 하나가 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 수행할 수 있다. 또는, 서버, 장치 및 제3 장치 중 둘 이상이 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 분산하여 실시할 수 있다.

예를 들면, 서버(예로, 클라우드 서버 또는 인공 지능 서버 등)가 서버에 저장된 컴퓨터 프로그램 제품을 실행하여, 서버와 통신 연결된 장치가 개시된 실시예들에 따른 방법을 수행하도록 제어할 수 있다.

또 다른 예로, 제3 장치가 컴퓨터 프로그램 제품을 실행하여, 제3 장치와 통신 연결된 장치가 개시된 실시예에 따른 방법을 수행하도록 제어할 수 있다.

제3 장치가 컴퓨터 프로그램 제품을 실행하는 경우, 제3 장치는 서버로부터 컴퓨터 프로그램 제품을 다운로드하고, 다운로드된 컴퓨터 프로그램 제품을 실행할 수 있다. 또는, 제3 장치는 프리로드된 상태로 제공된 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 수행할 수도 있다.

한편, 개시된 실시예들은 컴퓨터에 의해 실행 가능한 명령어 및 데이터를 저장하는 컴퓨터로 읽을 수 있는 기록매체의 형태로 구현될 수 있다. 상기 명령어는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 소정의 프로그램 모듈을 생성하여 소정의 동작을 수행할 수 있다. 또한, 상기 명령어는 프로세서에 의해 실행되었을 때, 개시된 실시예들의 소정의 동작들을 수행할 수 있다.

이상에서와 같이 첨부된 도면을 참조하여 개시된 실시예들을 설명하였다. 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시예들과 다른 형태로 본 개시의 실시예들이 실시될 수 있음을 이해할 것이다. 개시된 실시예들은 예시적인 것이며, 한정적으로 해석되어서는 안 된다.

Claims

자기 공명 영상 장치의 동작 방법에 있어서,
복수의 서로 다른 종류의 자기 공명 영상 각각의 픽셀의 밝기값 (pixel intensity)을 이용하여 특징값(feature value)을 획득하는 단계; 및
상기 획득된 특징값을 이용하여 진단 영상을 생성하는 단계;
를 포함하는, 방법.
제1 항에 있어서,
상기 진단 영상을 생성하는 단계는, 상기 특징값의 크기에 대응되는 컬러를 매핑(mapping)하여 컬러 코딩된 상기 진단 영상을 생성하는, 방법.
제1 항에 있어서,
상기 생성된 진단 영상을 상기 복수의 서로 다른 자기 공명 영상 중 기준이 되는 해부학적 영상 상에 오버랩(overlap)하여 디스플레이하는 단계;
를 더 포함하는, 방법.
제1 항에 있어서,
상기 특징값을 획득하는 단계는,
상기 복수의 서로 다른 종류의 자기 공명 영상 각각의 픽셀의 밝기값을 가상의 복셀(voxel) 상에서 상기 픽셀들 각각에 대응되는 위치에 저장하는 단계; 및
상기 저장된 픽셀값을 각 복셀 별 특징 벡터(feature vector)로 변환하는 단계;
를 포함하는, 방법.
제4 항에 있어서,
상기 특징값을 획득하는 단계는,
상기 변환된 특징 벡터의 히스토그램(histogram)을 양자화(quantization)하여 복셀 별 특징값을 생성하는 단계; 를 포함하는, 방법.
제4 항에 있어서,
상기 특징 벡터의 벡터값의 크기를 패턴화하여 각 복셀 별 벡터값의 패턴정보를 획득하는 단계;
상기 각 복셀 별 패턴 정보 중 사용자에 의해 설정된 패턴과 매칭되는 패턴을 갖는 복셀에 대응되는 해부학적 영역을 검출하는 단계; 및
검출된 해부학적 영역을 컬러 코딩하여 시각적으로 표시하는 단계;
를 더 포함하는, 방법.
제4 항에 있어서,
상기 특징 벡터의 벡터값을 기계 학습 모델(machine learning)의 입력으로 하는 학습(training)을 통해 병변의 명칭 또는 관련 진단 결과에 관한 정보를 획득하는 단계; 및
획득된 병변의 명칭 또는 관련 진단 결과에 관한 정보를 상기 진단 영상 상에 텍스트 형태의 UI(User Interface)로 출력하는 단계;
를 더 포함하는, 방법.
제4 항에 있어서,
상기 복셀의 특징 벡터를 벡터 공간 상에서 벡터 간의 상대적인 거리에 따라 적어도 하나의 클러스터(cluster)로 분류하는 단계;
상기 분류된 적어도 하나의 클러스터의 위치에 대응되는 병변을 매칭하는 단계; 및
상기 매칭의 결과에 기초하여 병변을 예측하는 단계;
를 더 포함하는, 방법.
제1 항에 있어서,
상기 진단 영상 상에서 사용자에 의해 선택된 특정 해부학적 구조에 대응되는 복셀의 특징값만을 추출하는 단계; 및
상기 추출된 특징값의 히스토그램의 패턴 정보를 분석하는 단계;
를 더 포함하는, 방법.
제9 항에 있어서,
상기 패턴 정보를 분석하는 단계는,
동일한 대상체에 대하여 사용자에 의해 선택된 제1 부위와 제2 부위에서의 히스토그램 패턴의 유사성을 검출하는 단계를 포함하는, 방법.
제9 항에 있어서,
상기 패턴 정보를 분석하는 단계는,
서로 다른 대상체의 자기 공명 영상 상의 동일 해부학적 구조에 대응되는 복셀에서 추출된 히스토그램 패턴의 유사성을 검출하는 단계를 포함하는, 방법.
제1 항에 있어서,
상기 특징값의 히스토그램의 특정 패턴과 병변과의 관계에 관한 정보를 누적하여 저장하는 단계; 및
상기 저장된 정보에 기초하여 히스토그램 패턴과 병변과의 관계에 관한 사전 데이터(dictionary)를 생성하는 단계;
를 더 포함하는, 방법.
제1 항에 있어서,
컴퓨터 단층 촬영 영상(Computed Topograph image, CT image)의 HU 값(Hounsfield Unit value)을 상기 복수의 자기 공명 영상의 픽셀의 밝기값에 대응되는 픽셀값으로 변환하는 단계; 를 더 포함하고,
상기 특징값을 획득하는 단계는, 상기 복수의 자기 공명 영상 각각의 픽셀의 밝기값 및 상기 HU값으로부터 변환된 픽셀값을 이용하여 상기 특징값을 획득하는, 방법.
제1 항에 있어서,
상기 복수의 자기 공명 영상의 픽셀의 밝기값을 상기 특징값으로 변환하는 워크 플로우를 설정하는 사용자 입력을 수신하는 단계;
상기 사용자 입력에 기초하여 설정된 워크 플로우를 통해 획득된 상기 특징값을 이용하여 상기 진단 영상을 생성하는 알고리즘(algorithm)을 생성하는 단계; 및
상기 생성된 알고리즘을 저장하는 단계;
를 더 포함하는, 방법.
제14 항에 있어서,
상기 진단 영상을 생성하는 단계는,
상기 저장된 알고리즘 중 어느 하나를 선택하는 사용자 입력을 수신하는 UI(User Interface)를 디스플레이하는 단계; 및
상기 UI를 통해 선택된 알고리즘을 이용하여 상기 진단 영상을 생성하는 단계;
를 포함하는, 방법.
진단 영상을 생성하고, 상기 진단 영상을 디스플레이하는 자기 공명 영상 장치에 있어서,
복수의 서로 다른 종류의 자기 공명 영상 각각의 픽셀의 밝기값 (pixel intensity)을 이용하여 특징값(feature value)을 획득하고, 상기 획득된 특징값을 이용하여 진단 영상을 생성하는 제어부; 및
상기 진단 영상을 디스플레이하는 디스플레이부;
를 포함하는, 자기 공명 영상 장치.
제16 항에 있어서,
상기 제어부는, 상기 특징값의 크기에 대응되는 컬러를 매핑(mapping)하여 컬러 코딩된 상기 진단 영상을 생성하고, 컬러 코딩된 상기 진단 영상을 디스플레이하도록 상기 디스플레이부를 제어하는, 자기 공명 영상 장치.
제16 항에 있어서,
상기 제어부는, 상기 생성된 진단 영상을 상기 복수의 서로 다른 자기 공명 영상 중 기준이 되는 해부학적 영상 상에 오버랩(overlap)하여 디스플레이하도록 상기 디스플레이부를 제어하는, 자기 공명 영상 장치.
제16 항에 있어서,
상기 제어부는, 상기 복수의 서로 다른 종류의 자기 공명 영상 각각의 픽셀의 밝기값을 가상의 복셀(voxel) 상에서 상기 픽셀들 각각에 대응되는 위치에 저장하고, 상기 저장된 픽셀값을 각 복셀 별 특징 벡터(feature vector)로 변환하는, 자기 공명 영상 장치.
제19 항에 있어서,
상기 제어부는, 상기 변환된 특징 벡터의 히스토그램(histogram)을 양자화(quantization)하여 복셀 별 특징값을 생성하는, 자기 공명 영상 장치.
제19 항에 있어서,
상기 제어부는, 상기 특징 벡터의 벡터값의 크기를 패턴화하여 각 복셀 별 벡터값의 패턴정보를 획득하고, 상기 각 복셀 별 패턴 정보 중 사용자에 의해 설정된 패턴과 매칭되는 패턴을 갖는 복셀에 대응되는 해부학적 영역을 검출하고, 검출된 해부학적 영역을 컬러 코딩하여 상기 디스플레이부 상에 디스플레이하는, 자기 공명 영상 장치.
제19 항에 있어서,
상기 제어부는, 상기 특징 벡터의 벡터값을 기계 학습 모델(machine learning)의 입력으로 하는 학습(training)을 통해 병변의 명칭 또는 관련 진단 결과에 관한 정보를 획득하고, 획득된 병변의 명칭 또는 관련 진단 결과에 관한 정보를 나타내는 UI를 생성하고, 상기 UI를 진단 영상 상에 디스플레이하도록 상기 디스플레이부를 제어하는, 자기 공명 영상 장치.
제19 항에 있어서,
상기 제어부는, 상기 복셀의 특징 벡터를 벡터 공간 상에서 벡터 간의 상대적인 거리에 따라 적어도 하나의 클러스터(cluster)로 분류하고, 상기 분류된 적어도 하나의 클러스터의 위치에 대응되는 병변을 매칭하고, 상기 매칭의 결과에 기초하여 병변을 예측하는, 자기 공명 영상 장치.
제16 항에 있어서,
상기 진단 영상 상에서 관심 영역에 해당되는 해부학적 구조를 선택하는 사용자 입력을 수신하는 사용자 입력부;
를 더 포함하고,
상기 제어부는, 상기 수신된 사용자 입력에 의해 선택된 해부학적 구조에 대응되는 복셀의 특징값만을 추출하고, 상기 추출된 특징값의 히스토그램의 패턴 정보를 분석하는, 자기 공명 영상 장치.
제24 항에 있어서,
상기 제어부는, 동일한 대상체에 대하여 사용자에 의해 선택된 제1 부위와 제2 부위에서의 히스토그램 패턴의 유사성을 검출하는, 자기 공명 영상 장치.
제24 항에 있어서,
상기 제어부는, 서로 다른 대상체의 자기 공명 영상 상의 동일 해부학적 구조에 대응되는 복셀에서 추출된 히스토그램 패턴의 유사성을 검출하는, 자기 공명 영상 장치.
제16 항에 있어서,
데이터 저장부; 를 더 포함하고,
상기 제어부는, 상기 특징값의 히스토그램 패턴과 병변과의 관계에 관한 정보를 누적하여 상기 데이터 저장부에 저장하고, 상기 데이터 저장부에 저장된 정보에 기초하여 히스토그램 패턴과 병변과의 관계에 관한 사전 데이터(dictionary)를 생성하는, 자기 공명 영상 장치.
제16 항에 있어서,
상기 제어부는, 컴퓨터 단층 촬영 영상(Computed Topograph image, CT image)의 HU 값(Hounsfield Unit value)을 상기 복수의 자기 공명 영상의 픽셀의 밝기값에 대응되는 픽셀값으로 변환하고, 상기 복수의 자기 공명 영상 각각의 픽셀의 밝기값 및 상기 HU값으로부터 변환된 픽셀값을 이용하여 상기 특징값을 획득하는, 자기 공명 영상 장치.
제16 항에 있어서,
상기 진단 영상을 생성하는 적어도 하나의 알고리즘(algorithm)을 저장하는 데이터 저장부; 를 더 포함하고,
상기 제어부는, 상기 데이터 저장부에 저장된 적어도 하나의 알고리즘 중 어느 하나를 선택하는 사용자 입력을 수신하는 UI를 디스플레이부 상에 디스플레이하고, 상기 UI를 통해 수신된 사용자 입력에 의해 선택된 알고리즘을 이용하여 상기 진단 영상을 생성하고,
상기 적어도 하나의 알고리즘은 사용자 입력에 기초하여 커스텀될 수 있는(customizable), 자기 공명 영상 장치.
컴퓨터로 읽을 수 있는 저장 매체를 포함하는 컴퓨터 프로그램 제품에 있어서,
상기 저장 매체는,
복수의 서로 다른 종류의 자기 공명 영상 각각의 픽셀의 밝기값 (intensity value)을 이용하여 특징값(feature value)을 획득하는 단계; 및
상기 획득된 특징값을 이용하여 진단 영상을 생성하는 단계;
를 포함하는, 자기 공명 영상 장치의 동작 방법에 관한 명령어들을 포함하는, 컴퓨터 프로그램 제품.