KR20200062589A - 뇌 mri 영상의 뇌 영역별 분할을 통한 치매 예측 장치 및 방법 - Google Patents

Abstract

뇌 MRI 영상의 뇌 영역별 분할을 통한 치매 예측 장치 및 방법이 제공된다. 상기 뇌 영역별 분할을 통한 치매 예측 방법은 피검자로부터 뇌 MRI 영상을 획득하는 단계; 획득된 뇌 MRI 영상을 복수개의 영역으로 분할하는 단계; 분할된 영역별로 뇌의 용량을 측정하는 단계; 및 딥러닝 모델 기반으로, 측정된 뇌의 용량을 통해 치매 가능성을 예측하는 단계; 를 포함하고, 상기 뇌 MRI 영상을 복수개의 영역으로 분할하는 단계는 시맨틱 분할(semantic segmentation)을 이용하여 픽셀 단위로 뇌 MRI 영상을 분할하는 단계를 더 포함하는 것을 특징으로 한다.

Description

뇌 MRI 영상의 뇌 영역별 분할을 통한 치매 예측 장치 및 방법{APPARATUS AND METHOD FOR PREDICTING DEMENTIA BY DIVIDING BRAIN MRI BY BRAIN REGION}

본 발명은 뇌 MRI 영상의 뇌 영역별 분할을 통한 치매 예측 장치 및 방법에 관한 것으로서, 보다 상세하게는 시맨틱 분할(semantic segmentation)을 이용하여 뇌를 복수개의 영역으로 분할하고, 영역별 뇌 용량을 정량화하여 치매에 걸릴 확률을 예측하는 뇌 MRI 영상의 뇌 영역별 분할을 통한 치매 예측 장치 및 방법에 관한 것이다.

치매(Dementia)의 치료를 위한 연구는 20년 넘게 전 세계적으로 수행되었지만, 아직 완전한 치료 방법이 없는 증상이다.

노인성 질환 중의 하나인 치매는 노인 인구의 세계적인 증가에 따라 빠르게 증가했다. 미국의 경우 1999~2000년과 2005-2006년 사이에 알츠하이머 치매에 의한 사망률은 2배 증가하였으며, 한국의 고령화 속도는 일본보다 1.5배, 프랑스보다 5배 빠르게 진행중이다.

보건복지부의 유병률 조사에 따르면, 한국의 치매 환자는 2012년에 540,000명이며, 빠르게 증가하여 2020년에는 840,000명에 이를 것으로 예상된다. 한국의 치매 인구는 세계적으로 가장 빠르게 증가하고 있으며, 이에 대한 사회적 비용이 2050년에 GDP의 1.5%에 달할 것으로 전망된다.

환자가 빠르게 증가할 것으로 예상되는 치매의 치료 방법으로 여러 가지 약품을 사용할 수 있지만, 이러한 약품들은 치매의 근원적인 치료가 아니라 진행을 늦추는 효과만을 가지고 있다. 하지만, 치매의 초기 단계에서 처방을 받아 치료를 진행했을 때, 비교적 높은 효과를 갖는다.

그러므로, 치매의 조기 예측과 조기 진단은 치매 증상 완화에 있어 결정적인 역할을 할 수 있다. 그러나, 현재 MRI영상을 통해 치매를 검사하는 방법에 있어서, 정량적인 방법을 쓰지 않고 의사의 경험에 의존하여 치매를 예측하고 있어 정확하고 신속한 검사가 어려운 실정이다.

공개특허공보 제10-2018-0002234호, 2018.01.08

본 발명이 해결하고자 하는 과제는 뇌 영역별로 용량을 측정하고, 측정된 영역별 뇌 용량을 딥러닝 모델에 적용하여 뇌 영역별로 치매에 걸릴 확률을 예측할 수 있는 뇌 MRI 영상의 뇌 영역별 분할을 통한 치매 예측 장치 및 방법을 제공하는 것이다.

본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 뇌 MRI 영상의 뇌 영역별 치매 예측 방법은 피검자로부터 뇌 MRI 영상을 획득하는 단계; 획득된 뇌 MRI 영상을 복수개의 영역으로 분할하는 단계; 분할된 영역별로 뇌의 용량을 측정하는 단계; 및 딥러닝 모델 기반으로, 측정된 뇌의 용량을 통해 치매 가능성을 예측하는 단계; 를 포함하고, 상기 뇌 MRI 영상을 복수개의 영역으로 분할하는 단계는 시맨틱 분할(semantic segmentation)을 이용하여 픽셀 단위로 뇌 MRI 영상을 분할하는 단계를 더 포함하는 것을 특징으로 한다.

여기서, 딥러닝 모델은, 유효 데이터 셋을 이용하여 나이대에 따른 뇌 용량에 대한 특징 학습이 완료된 모델이다.

여기서, 시맨틱 분할(semantic segmentation)은 뇌 MRI 영상을 2D 데이터로 처리하여 분할하는 것을 특징으로 한다.

또한, 뇌 MRI 영상을 복수개의 영역으로 분할하는 단계는, 뇌 MRI 영상 내의 객체를 인식하고, 인식된 객체를 기준으로 영역을 분할하는 단계; 를 포함하고, 영역별로 뇌의 용량을 측정하는 단계는, 각 영역 내에 존재하는 객체의 픽셀의 수를 계산하는 단계;를 포함한다.

또한, 치매 가능성을 예측하는 단계는, 딥러닝 모델을 기반으로, 치매에 걸릴 시기를 예측하는 단계;를 포함한다.

상술한 과제를 해결하기 위한 본 발명의 다른 일 실시예에 따른 뇌 MRI 영상의 뇌 영역별 치매 예측 장치는, 유효 데이터 셋을 이용하여 나이대에 따른 뇌 용량에 대한 특징을 학습하는 학습부; 피검자의 뇌 MRI 영상을 복수개의 영역으로 분할하고, 분할된 영역별로 뇌의 용량을 측정하는 측정부; 딥러닝 모델 기반으로, 측정된 뇌의 용량을 통해 치매 가능성 및 치매에 걸릴 시기를 예측하는 예측부; 및 사용자 단말로부터 피검자의 뇌 MRI 영상을 수신하고, 예측된 치매 가능성 및 치매에 걸릴 시기를 사용자 단말로 제공하는 통신부; 를 포함하고, 상기 뇌 MRI 영상은 시맨틱 분할(semantic segmentation)을 이용하여 2D 데이터로 처리되어 픽셀 단위로 분할되는 것을 특징으로 한다.

학습부는, 상기 유효 데이터 셋을 미리 설정된 비율로 트레이닝 데이터 셋과 밸리데이션 데이터 셋으로 나누어서,　트레이닝 데이터 셋을 학습하여 딥러닝 모델을 생성하고,　밸리데이션 데이터 셋으로 생성된 딥러닝 모델을 검증한다.

측정부는, 뇌 MRI 영상 내의 객체를 인식하고, 인식된 객체를 기준으로 영역을 분할하고, 각 영역 내에 존재하는 객체의 픽셀의 수를 계산할 수 있다. 또한, 측정부는 피검자의 뇌　MRI　영상을 객체가 존재하는 영역별로 분할하고,　각 영역에 대해 객체와 매핑되도록 레이블링할 수 있다.

상술한 과제를 해결하기 위한 본 발명의 다른 일 실시예에 따른 뇌 MRI 영상의 뇌 영역별 치매 예측 프로그램은, 하드웨어와 결합되어 상기 언급된 뇌 MRI 영상의 뇌 영역별 치매 예측 방법을 실행하며, 매체에 저장된다.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명에 따르면, 뇌 영역별로 용량을 측정하고, 측정된 영역별 뇌 용량을 딥러닝 모델에 적용하여 뇌 영역별로 치매에 걸릴 확률을 예측할 수 있다.

또한, 측정된 영역별 뇌 용량을 딥러닝 모델에 적용하여 피검자가 치매에 걸릴 수 있는 시기를 예측할 수 있는 효과가 있다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시예에 따른 뇌 영역별 치매 예측 장치를 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 뇌 영역별 치매 예측 방법을 설명하기 위한 흐름도이다

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.

본 명세서에서, '딥러닝'은 사물이나 데이터를 군집화하거나 분류하는 데 사용하는 기술을 의미하는 것으로서, 많은 데이터를 컴퓨터에 입력하고 비슷한 것끼리 분류하도록 하는 기술이다. 예를 들어, 저장된 개 사진과 비슷한 사진이 입력되면, 이를 개 사진이라고 컴퓨터가 분류하도록 할 수 있다.

딥러닝의 핵심은 분류를 통한 예측이다. 수많은 데이터 속에서 패턴을 발견해 인간이 사물을 구분하듯 컴퓨터가 데이터를 나눈다. 이 같은 분별 방식은 '지도 학습(supervised learning)'과 '비지도 학습(unsupervised learning)'으로 나뉜다. 지도 학습 방식은 컴퓨터에 먼저 정보를 가르치는 방법이다. 예를 들어, 사진을 주고 "이 사진은 고양이"라고 알려주고, 이를 통해 컴퓨터는 미리 학습된 결과를 바탕으로 고양이 사진을 구분하게 된다. 반면에, 비지도 학습은 사전 배움의 과정이 없다. "이 사진이 고양이"라는 배움의 과정 없이 "이 사진이 고양이군"이라고 컴퓨터가 스스로 학습하게 된다.

딥러닝은 머신러닝의　한 분야로 데이터를 컴퓨터가 처리 가능한 형태인　벡터나 그래프 등으로 표현하고 이를 학습하는 모델을 구축하는 연구를 포함한다. 얼굴이나 표정을　인식하는 등의 특정 학습 목표에 대해, 딥러닝은 학습을 위한 더 나은 표현 방법과 효율적인 모델 구축에 초점을 맞춘다.　딥러닝의 표현방법들 중 다수는 신경과학에서 영감을 얻었으며, 신경 시스템의 정보 처리나 통신 패턴에 기반을 두고 있다. 즉, 딥러닝은 머신러닝의 부분 집합으로, 컴퓨터의 지능을 한 차원 더 올려놓는 역할을 하며, 대량의 데이터와 컴퓨팅 기술을 활용해 심층신경망을　구현한다.　심층신경망의　기본적인　원리는　인간　두뇌의　연결성을　모방해　데이터　세트를　분류하고,　데이터 간 상관 관계를 찾아내는 것이다. 　

심층신경망이란 딥러닝의 핵심 모델로 활용되는 개념으로, 입력층(input layer)과 출력층(output layer) 사이에 다중의 은닉층(hidden layer)을 포함하는 인공 신경망(ANN: Artificial Neural Network)을 의미한다. 심층신경망은 다중의 은닉층을 포함하여 다양한 비선형적 관계를 학습할 수 있다. 그러나 학습을 위한 많은 연산량과 과하게 학습하여 실제 데이터에 대해 오차가 증가하는 과적합(overfitting), 기울기 값의 소실 문제(vanishing gradient problem) 등의 문제가 발생할 수 있다.

심층신경망은 알고리즘에 따라 비지도 학습 방법(unsupervised learning)을 기반으로 하는 심층 신뢰 신경망(DBN: Deep Belief Network), 심층 오토인코더(deep autoencoder) 등이 있고, 이미지와 같은 2차원 데이터 처리를 위한 합성곱 신경망(CNN: Convolutional Neural Network), 시계열 데이터 처리를 위한 순환 신경망(RNN: Recurrent Neural Network) 등이 있다.

본 명세서에서, '유효 데이터 셋'은 딥러닝에 활용되는 데이터의 집합으로, 트레이닝(training) 데이터 셋과 밸리데이션(validation) 데이터 셋으로 나뉜다. 트레이닝 데이터 셋은 학습 모델을 수립하기 위한 데이터의 집합이고, 밸리데이션 데이터 셋은 수립된 학습 모델의 성능을 검증하기 위한 데이터의 집합이다.

본 명세서에서, '뇌 MRI 영상'은 초전도 자석과 고주파 및 컴퓨터를 이용하여 뇌조직과 혈관의 이상을 2차원이나 3차원으로 검사하는 진단 방법으로, 컴퓨터 단층촬영(CT)과 비교하여 뇌조직에 대한 해상도가 좋고, X선에 대한 노출이 없다는 장점이 있다.

본 명세서에서, '시맨틱 분할(semantic segmentation)'은 영상 속 객체 인식 방식으로서, 딥러닝을 사용하여 영상의 픽셀 영역을 분류하고 분할 결과를 평가 및 시각화할 수 있다. 본 명세서에서, 뇌 MRI 영상은 시맨틱 분할을 이용하여 픽셀 단위로 뇌의 각 영역 즉, 측뇌실(Lateral Ventricle), 편도체(Amygdala), 해마(Hippocampus) 등으로 분할된다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.

도 1은 본 발명의 일 실시예에 따른 뇌 영역별 치매 예측 장치를 설명하기 위한 도면이다.

도 1에 도시된 바와 같이, 뇌 영역별 치매 예측 장치(100)(이하, '치매 예측 장치'라 한다)는 네트워크를 통해 사용자 단말과 연결된다.

여기서, 사용자 단말은 검사자 또는 피검자의 컴퓨터, 태블릿 PC, 개인 휴대 정보 단말기(PDA), 스마트폰 등으로서, 치매 예측 장치(100)로 피검자의 뇌 MRI 영상을 전송하여 치매 예측을 요청하고, 치매 예측 장치(100)로부터 치매에 걸릴 확률 및 시기 등을 포함하는 결과 정보를 수신한다.

또한, 네트워크는 구내 정보 통신망(LAN), 도시권 통신망(MAN), 광역 통신망(WAN) 및 인터넷 등을 포함하는 데이터 통신망뿐만 아니라 방송망, 전화망 등을 포함할 수 있고, 유선과 무선을 가리지 않으며, 모든 통신 방식이 사용 가능하다.

도 1을 참고하면, 치매 예측 장치(100)는 학습부(120), 측정부(140), 예측부(160) 및 통신부(180)를 포함하는 것으로 도시되었지만, 이에 한정되지는 않는다.

학습부(120)는 유효 데이터 셋을 이용하여 나이대에 따른 뇌 용량에 대한 특징을 학습한다. 여기서, 유효 데이터 셋은 학습에 사용하기 위한 복수개의 뇌 MRI 영상으로, 각각의 뇌 MRI 영상은 복수개의 영역으로 분할되어 있다.

일 실시예에 따라, 학습부(120)는 유효 데이터 셋을 미리 정해진 비율(예를 들어, 8 대 2)로 트레이닝(training) 데이터 셋과 밸리데이션(validation) 데이터 셋으로 나누어서, 트레이닝(training) 데이터 셋을 학습하여 딥러닝 모델을 생성하고, 밸리데이션(validation) 데이터 셋으로 생성된 딥러닝 모델을 검증한다. 이에 따라, 학습부(120)는 정확성이 높은 딥러닝 모델 생성할 수 있다.

이때, 딥러닝 모델은 나이대에 따른 뇌 용량에 대한 특징이 학습된 모델로서, 나이대에 따른 뇌의 영역별 용량, 부피, 뇌피질의 두께 등에 대한 특징을 학습하여 생성된 모델이다.

측정부(140)는 피검자의 뇌 MRI 영상을 복수개의 영역으로 분할하고, 분할된 영역별로 뇌의 용량을 측정한다. 이때, 뇌 MRI 영상은 시맨틱 분할(semantic segmentation)을 이용하여 2D 데이터로 처리되어 픽셀 단위로 분할된다. 시맨틱 분할은 객체 인식 기법 중 하나로서, 픽셀 단위로 객체의 존재 여부 또는 객체의 종류를 분류한다.

즉, 측정부(140)는 피검자의 뇌 MRI 영상 내의 객체를 인식하고, 인식된 객체를 기준으로 영역을 분할하고, 각 영역 내에 존재하는 객체의 픽셀의 수를 계산하여 영역별로 뇌의 용량을 측정한다..

일 실시예에 따르면, 측정부(140)는 피검자의 뇌 MRI 영상을 객체가 존재하는 영역별로 분할하고, 각 영역에 대해 객체와 매핑되도록 레이블링할 수 있다. 예를 들면, 측정부(140)는 피검자의 뇌 MRI 영상을 6개의 영역으로 분할하여 각 영역에 대해 Right Lateral Ventricle, Left Lateral Ventricle, Right Amygdala, Left Amygdala, Right Hippocampus, Left Hippocampus로 레이블링할 수 있다.

일 실시예에 따르면, 측정부(140)는 분할된 뇌 영역별로 뇌의 용량, 부피, 뇌피질의 두께 등을 측정할 수 있다.

예측부(160)는 딥러닝 모델 기반으로, 측정된 뇌의 용량을 통해 치매 가능성 및 치매에 걸릴 시기를 예측한다.

일 실시예에 따르면, 예측부(160)는 측정부(140)에서 측정된 피검자의 영역별 뇌 용량을 학습부(120)에서 생성된 딥러닝 모델에 적용하여, 피검자의 영역별 뇌 용량 특징을 추출한다. 즉, 예측부(160)는 피검자의 영역별 뇌 용량이 학습에 의해 추출된 나이대에 맞는 뇌 용량 특징과 상이한 경우, 예를 들어, 피검자의 나이가 62세라고 가정하면, 딥러닝을 통해 학습된 60대에 맞는 뇌 용량에 비해 피검자의 뇌 용량이 더욱 작다고 판단되면, 예측부(160)는 피검자의 뇌가 나이에 비해 더욱 수축되었다고 판단하고, 치매를 예측할 수 있다.

일 실시예에 따르면, 예측부(160)는 딥러닝 모델을 기반으로 피검자의 뇌 수축 정도를 파악하여 치매에 걸릴 확률이 얼마나 큰지, 또한 앞으로 몇 년 후에 치매에 걸릴 것이지를 예측할 수 있다.

통신부(180)는 치매 예측 장치(100)가 네트워크를 통해 사용자 단말과 데이터를 송수신할 수 있도록 상호 연결시키는 통신 수단으로서, 이동통신, 위성통신 등의 무선 통신모듈, 인터넷 등의 유선 통신모듈, 와이파이 등의 근거리 무선 통신모듈 등을 포함할 수 있다.

일 실시예에 따르면, 통신부(180)는 사용자 단말로부터 피검자의 뇌 MRI 영상을 수신하고, 예측된 치매 가능성 및 치매에 걸릴 시기를 사용자 단말로 제공한다.

도 2는 본 발명의 일 실시예에 따른 치매 예측 방법을 설명하기 위한 흐름도이다.

통신부(180)는 사용자 단말로부터 피검자의 뇌 MRI 영상을 획득하고(S10), 측정부(140)는 획득된 뇌 MRI 영상을 복수개의 영역으로 분할한다(S20).

뇌 MRI 영상은 초전도 자석과 고주파 및 컴퓨터를 이용하여 뇌조직과 혈관의 이상을 2차원이나 3차원으로 검사하는 진단 방법으로서, 본 발명의 일 실시예에 따른 뇌 MRI 영상은 시맨틱 분할(semantic segmentation)을 이용하여 2D 데이터로 처리되어 픽셀단위로 분할된다.

일 실시예에 따르면, 뇌 MRI 영상은 객체가 인식된 복수의 영역으로 분할되고, 각 영역은 영역 내의 객체와 매핑되도록 레이블링된다.

이후, 측정부(140)는 분할된 영역별로 뇌의 용량을 측정한다(S30). 측정부(140)는 측정된 뇌의 용량을 통해 영역별로 뇌의 수축 정도를 알 수 있다. 즉, 각 영역 내에 존재하는 객체에 대한 픽셀의 수를 계산하고, 이를 통해 피검자의 뇌의 부피가 얼마나 수축되었는지를 뇌의 영역별로 알 수 있다.

일 실시예에 따르면, 측정부(140)는 분할된 뇌 영역별로 뇌의 용량, 부피, 뇌피질의 두께 등을 측정할 수도 있다.

예측부(160)는 딥러닝 모델 기반으로, 측정된 뇌의 용량을 통해 치매 가능성을 예측한다(S40). 즉, 예측부(160)는 딥러닝 모델을 기반으로, 피검자의 뇌 수축 정도를 파악하여 치매에 걸릴 확률이 얼마나 큰지, 또한 앞으로 몇 년 후에 치매에 걸릴 것인지를 예측할 수 있다.

이때, 딥러닝 모델은 유효 데이터 셋을 이용하여 나이대에 따른 뇌 용량에 대한 특징 학습이 완료된 모델이다. 즉, 딥러닝 모델은 복수개의 뇌 MRI 영상을 학습하여, 나이별로 뇌의 용량 특징을 추출하고, 정상인 및 치매환자의 뇌의 용량 특징을 비교하고 차이를 학습하며, 구체적으로는 뇌를 영역별로 구분하여 나이대에 따른 뇌의 영역별 뇌의 용량, 부피, 뇌피질의 두께 등에 대한 특징 등을 학습할 수 있다.

이상에서 전술한 본 발명의 일 실시예에 따른 뇌 영역별 치매 예측 방법은, 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.

상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, Ruby, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.

상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.

이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

100 : 치매 예측 장치
120 : 학습부
140 : 측정부
160 : 예측부
180 : 통신부

Claims (10)

1. 피검자로부터 뇌 MRI 영상을 획득하는 단계;
   획득된 뇌 MRI 영상을 복수개의 영역으로 분할하는 단계;
   분할된 영역별로 뇌의 용량을 측정하는 단계; 및
   딥러닝 모델 기반으로, 측정된 뇌의 용량을 통해 치매 가능성을 예측하는 단계; 포함하되,
   상기 뇌 MRI 영상을 복수개의 영역으로 분할하는 단계는 시맨틱 분할(semantic segmentation)을 이용하여 픽셀 단위로 뇌 MRI 영상을 분할하는 단계를 더 포함하는 것을 특징으로 하는, 뇌 MRI 영상의 뇌 영역별 치매 예측 방법.
2. 제1항에 있어서,
   상기 딥러닝 모델은,
   유효 데이터 셋을 이용하여 나이대에 따른 뇌 용량에 대한 특징 학습이 완료된 모델인, 뇌 MRI 영상의 뇌 영역별 치매 예측 방법.
3. 제1항에 있어서,
   상기 시맨틱 분할(semantic segmentation)은 뇌 MRI 영상을 2D 데이터로 처리하여 분할하는 것을 특징으로 하는, 뇌 MRI 영상의 뇌 영역별 치매 예측 방법.
4. 제1항에 있어서,
   상기 뇌 MRI 영상을 복수개의 영역으로 분할하는 단계는, 뇌 MRI 영상 내의 객체를 인식하고, 인식된 객체를 기준으로 영역을 분할하는 단계; 를 포함하고,
   상기 영역별로 뇌의 용량을 측정하는 단계는, 각 영역 내에 존재하는 객체의 픽셀의 수를 계산하는 단계; 를 포함하는, 뇌 MRI 영상의 뇌 영역별 치매 예측 방법.
5. 제4항에 있어서,
   상기 치매 가능성을 예측하는 단계는,
   딥러닝 모델을 기반으로, 치매에 걸릴 시기를 예측하는 단계를 포함하는, 뇌 MRI 영상의 뇌 영역별 치매 예측 방법.
6. 유효 데이터 셋을 이용하여 나이대에 따른 뇌 용량에 대한 특징을 학습하는 학습부;
   피검자의 뇌 MRI 영상을 복수개의 영역으로 분할하고, 분할된 영역별로 뇌의 용량을 측정하는 측정부;
   딥러닝 모델 기반으로, 측정된 뇌의 용량을 통해 치매 가능성 및 치매에 걸릴 시기를 예측하는 예측부; 및
   사용자 단말로부터 피검자의 뇌 MRI 영상을 수신하고, 예측된 치매 가능성 및 치매에 걸릴 시기를 사용자 단말로 제공하는 통신부;를 포함하고,
   상기 뇌 MRI 영상은 시맨틱 분할(semantic segmentation)을 이용하여 2D 데이터로 처리되어 픽셀 단위로 분할되는 것을 특징으로 하는, 뇌 MRI 영상의 뇌 영역별 치매 예측 장치.
7. 제6항에 있어서,
   상기 학습부는,
   상기 유효 데이터 셋을 미리 설정된 비율로 트레이닝 데이터 셋과 밸리데이션 데이터 셋으로 나누어서,　트레이닝 데이터 셋을 학습하여 딥러닝 모델을 생성하고,　밸리데이션 데이터 셋으로 생성된 딥러닝 모델을 검증하는 것인, 뇌 MRI 영상의 뇌 영역별 치매 예측 장치.
8. 제6항에 있어서,
   상기 측정부는,
   뇌 MRI 영상 내의 객체를 인식하고, 인식된 객체를 기준으로 영역을 분할하고,
   각 영역 내에 존재하는 객체의 픽셀의 수를 계산하는, 뇌 MRI 영상의 뇌 영역별 치매 예측 장치.
9. 제6항에 있어서,　
   상기 측정부는,
   피검자의 뇌　MRI　영상을 객체가 존재하는 영역별로 분할하고,　각 영역에 대해 객체와 매핑되도록 레이블링할 수 있는 것인, 뇌　MRI　영상의 뇌 영역별 치매 예측 장치.
10. 하드웨어인 컴퓨터와 결합되어, 제1항 내지 제5항 중 어느 한 항의 방법을 실행시키기 위하여 매체에 저장된, 뇌 MRI 영상의 뇌 영역별 치매 예측 프로그램.

Images