KR20200104100A - 확률 모델을 이용한 관상동맥 석회화 수치의 예측장치, 이의 예측방법 및 기록매체 - Google Patents

확률 모델을 이용한 관상동맥 석회화 수치의 예측장치, 이의 예측방법 및 기록매체 Download PDF

Info

Publication number
KR20200104100A
KR20200104100A KR1020190022574A KR20190022574A KR20200104100A KR 20200104100 A KR20200104100 A KR 20200104100A KR 1020190022574 A KR1020190022574 A KR 1020190022574A KR 20190022574 A KR20190022574 A KR 20190022574A KR 20200104100 A KR20200104100 A KR 20200104100A
Authority
KR
South Korea
Prior art keywords
matrix
risk group
data
coronary artery
time
Prior art date
Application number
KR1020190022574A
Other languages
English (en)
Other versions
KR102231677B1 (ko
Inventor
최진호
강미라
조수진
박철진
김준형
Original Assignee
사회복지법인 삼성생명공익재단
한양대학교 산학협력단
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 사회복지법인 삼성생명공익재단, 한양대학교 산학협력단 filed Critical 사회복지법인 삼성생명공익재단
Priority to KR1020190022574A priority Critical patent/KR102231677B1/ko
Priority to PCT/KR2020/002699 priority patent/WO2020175892A2/ko
Publication of KR20200104100A publication Critical patent/KR20200104100A/ko
Application granted granted Critical
Publication of KR102231677B1 publication Critical patent/KR102231677B1/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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 관상동맥 석회화의 진단에 관한 것으로, 구체적으로는　관상동맥 석회화 수치 변화를 예측하는 기술에 관한 것이다.
본 발명은 수진자의 관상동맥석회화 수치 및 다양한 영향변수를 이용하여 수진자의 미래 시점의 관상동맥석회화 수준 변화를 예측하는 관상동맥석회화 수준 변화 예측장치 및 예측방법을 제공하는 것을 목적으로 한다. 또한, 본 발명은 컴퓨터 단층(CT) 촬영을 통하여 탐지한 관상동맥 석회화 수치의 처리 및 그래프 출력을 통해, 수치에 따라 위험군을 나눴을 때 일정 시간 후 특정 위험군에 속할 확률을 시각화하여 제공하는 것을 목적으로 한다.

Description

확률 모델을 이용한 관상동맥 석회화 수치의 예측장치, 이의 예측방법 및 기록매체{Device for predicting Coronary Arterial Calcification Using Probabilistic Model, the prediction Method and Recording Medium}
본 발명은 관상동맥 석회화의 진단에 관한 것으로, 구체적으로는　관상동맥 석회화 수치 변화를 예측하는 기술에 관한 것이다.
관상동맥질환자인구의 50% 정도에서 심근경색이 발생하며, 심근경색의 정도가 심한 경우 죽음에 이를 수 있다. 관상동맥석회화(CAC, Coronary artery calcium)값은 심질환의 위험과 관련이 있다고 알려져 왔다. 컴퓨터 단층촬영(CT, computerized tomography) 등을 통해 획득되는 CAC값(CACS)은, 죽상동맥경화증(atherosclerosis)의 진행이나 혈관 상의 플라크(plaque)의 축적을 보여주며, 이러한 CAC 값의 증가는 향후 심근 경색 등의 예측 인자 혹은 일반 심질환의 위험인자로 생각되어 왔다. CAC를 측정하는 것은 환자들(특히 중위험도의 환자들)의 심질환 위험도를 제시하는 데 중요하다. 그러나 종래에는 심질환 발생 위험과 관련된 예측 연구들이 일부 존재하지만, 이들은 CAC 증가의 결과로 초래되는 협심증, 심근경색, 뇌경색 등의 심질환 발병을 예측하는 수준에 머무르고 있다.
이에, 통계 분석을 이해하기 쉽지 않은 환자들에게 관상동맥 석회화 수치에 대한 예측 결과를 알려주고, 컴퓨터 단층촬영(CT, computerized tomography)의 적절한 시점을 가이드(guide)할 필요성이 대두된다.
본 발명은 상술한 필요성에 따른 것으로, 수진자의 관상동맥석회화 수치 및 다양한 영향변수를 이용하여 수진자의 미래 시점의 관상동맥석회화 수준 변화를 예측하는 관상동맥석회화 수준 변화 예측장치 및 예측방법을 제공하는 것을 목적으로 한다.
또한, 본 발명은 컴퓨터 단층(CT) 촬영을 통하여 탐지한 관상동맥 석회화 수치의 처리 및 그래프 출력을 통해, 수치에 따라 위험군을 나눴을 때 일정 시간 후 특정 위험군에 속할 확률을 시각화하여 제공하는 것을 목적으로 한다.
그러나 이러한 과제는 예시적인 것으로, 이에 의해 본 발명의 범위가 한정되는 것은 아니다.
본 발명의 일 실시 예에 따른 예측방법은 적어도 두 시점의 수진 데이터를 포함하는 복수의 데이터 세트를 입력받는 단계; 관상동맥 석회화 수치를 기준으로 복수의 위험군을 설정하고, 상기 복수의 데이터 세트의 각각에 포함된 적어도 두 시점의 수진 데이터가 속하는 위험군의 변화에 따라서 상기 복수의 데이터 세트를 전처리하는 단계; 상기 전처리된 복수의 데이터 세트를 이용하여, 상기 복수의 위험군 중 상기 적어도 두 시점의 수진 데이터가 속하는 위험군이 변화하지 않는 시간의 지수분포에 대한 모수를 획득하는 단계; 상기 전처리된 데이터 세트 및 상기 모수를 바탕으로 행렬을 생성하는 단계; 상기 행렬을 이용하여 상기 적어도 두 시점의 수진 데이터가 속하는 위험군의 변화 가능성에 대해 마코프 연쇄 모형을 따르는 전이함수를 생성하는 단계; 및 상기 전이함수의 함수값을 표시하는 단계;를 포함할 수 있다.
또한, 상기 전처리하는 단계는, 상기 복수의 데이터 세트 각각에 포함된 적어도 두 시점의 수진 데이터 중 선행 수진 데이터가 속하는 위험군과 후행 수진 데이터가 속하는 위험군을 비교하여, 위험군이 변화하는 유형을 기준으로 상기 복수의 데이터 세트를 복수의 클러스터로 클러스터링(clustering)하고, 상기 선행 수진 데이터와 상기 후행 수진 데이터 간의 시점 차이를 상기 복수의 데이터 세트 각각에 대응시키는 것일 수 있다.
또한, 상기 모수를 획득하는 단계는, 상기 복수의 클러스터 중 선행 수진 데이터가 제1 위험군인 데이터 세트를 포함하는 각각의 클러스터에 대하여, 상기 선행 수진 데이터와 상기 후행 수진 데이터 간의 시점 차이의 지수분포에 대한 각각의 모수를 획득하는 단계;를 더 포함하고, 상기 각각의 모수를 더한 제1 모수를 상기 제1 위험군이 변화하지 않는 시간의 지수분포에 대한 상기 모수로 획득하는 것일 수 있다.
또한, 상기 행렬은 상기 전처리된 데이터를 이용하는 제1 행렬 및 제2 행렬을 포함하고, 상기 제1 행렬은 정사각행렬(Square matrix)이고, 주대각성분은 0이고, 각 행의 성분 합이 1인 로드맵(road-map) 행렬이고, 상기 제2 행렬은 정사각행렬(Square matrix)이고, 상기 제2 행렬의 주대각성분은 상기 제1 행렬의 주대각성분에 상기 모수에 음수를 취한 값이고, 각 행에 대응하는 위험군이 변화하지 않는 시간의 지수분포에 대한 모수를 상기 제1 행렬의 각 행의 성분에 곱한 것일 수 있다.
또한, 상기 전이함수를 생성하는 단계는, 상기 전이함수가 상기 수진 데이터가 포함된 위험군이 다른 위험군으로 변화할 확률을 각각 0 이상 1 이하의 값으로 출력하도록 생성하는 것일 수 있다.
또한, 상기 표시하는 단계는, 상기 복수의 클러스터 중 선행 수진 데이터가 제1 위험군인 데이터 세트를 포함하는 클러스터에 대하여, 상기 전이함수의 함수 값의 시간에 대한 그래프를 상기 클러스터 별로 각각 표시하는 것일 수 있다.
한편, 본 발명의 일 실시 예에 따른 예측장치는 관상동맥 석회화 수치를 기준으로 복수의 위험군을 설정하고, 입력된 복수의 데이터 세트의 각각에 포함된 적어도 두 시점의 수진 데이터가 속하는 위험군의 변화에 따라서 상기 복수의 데이터 세트를 전처리하는 전처리부; 상기 전처리된 복수의 데이터 세트를 이용하여, 상기 복수의 위험군 중 상기 적어도 두 시점의 수진 데이터가 속하는 위험군이 변화하지 않는 시간의 지수분포에 대한 모수를 획득하는 모수 획득부; 상기 전처리된 데이터 세트 및 상기 모수를 바탕으로 행렬을 생성하는 행렬 생성부; 상기 행렬을 이용하여 상기 적어도 두 시점의 수진 데이터가 속하는 위험군의 변화 가능성에 대해 마코프 연쇄 모형을 따르는 전이함수를 생성하는 전이함수 계산부; 및 상기 전이함수의 함수값을 표시하는 표시부;를 포함할 수 있다.
또한, 상기 전처리부는 상기 복수의 데이터 세트 각각에 포함된 적어도 두 시점의 수진 데이터 중 선행 수진 데이터가 속하는 위험군과 후행 수진 데이터가 속하는 위험군을 비교하여, 위험군이 변화하는 유형을 기준으로 상기 복수의 데이터 세트를 복수의 클러스터로 클러스터링(clustering)하고, 상기 선행 수진 데이터와 상기 후행 수진 데이터 간의 시점 차이를 상기 복수의 데이터 세트 각각에 대응시키는 것일 수 있다.
또한, 상기 모수 획득부는 상기 복수의 클러스터 중 선행 수진 데이터가 제1 위험군인 데이터 세트를 포함하는 각각의 클러스터에 대하여, 상기 선행 수진 데이터와 상기 후행 수진 데이터 간의 시점 차이의 지수분포에 대한 각각의 모수를 획득하는 단계;를 더 포함하고, 상기 각각의 모수를 더한 제1 모수를 상기 제1 위험군이 변화하지 않는 시간의 지수분포에 대한 상기 모수로 획득하는 것일 수 있다.
또한, 상기 행렬은 상기 전처리된 데이터를 이용하는 제1 행렬 및 제2 행렬을 포함하고, 상기 제1 행렬은 정사각행렬(Square matrix)이고, 주대각성분은 0이고, 각 행의 성분 합이 1인 로드맵(road-map) 행렬이고, 상기 제2 행렬은 정사각행렬(Square matrix)이고, 상기 제2 행렬의 주대각성분은 상기 제1 행렬의 주대각성분에 상기 모수에 음수를 취한 값이고, 각 행에 대응하는 위험군이 변화하지 않는 시간의 지수분포에 대한 모수를 상기 제1 행렬의 각 행의 성분에 곱한 것일 수 있다.
또한, 상기 전이함수 계산부는 상기 전이함수가 상기 수진 데이터가 포함된 위험군이 다른 위험군으로 변화할 확률을 각각 0 이상 1 이하의 값으로 출력하도록 생성하는 것일 수 있다.
또한, 상기 표시부는 상기 복수의 클러스터 중 선행 수진 데이터가 제1 위험군인 데이터 세트를 포함하는 클러스터에 대하여, 상기 전이함수의 함수 값의 시간에 대한 그래프를 상기 클러스터 별로 각각 표시하는 것일 수 있다.
한편, 본 발명의 일 실시예에 따른 기록매체는 상술한 관상동맥 석회화 예측방법을 실행 키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체일 수 있다. 전술한 것 외의 다른 측면, 특징, 이점은 이하의 발명을 실시하기 위한 구체적인 내용, 청구범위 및 도면으로부터 명확해질 것이다.
상기한 바와 같이 이루어진 본 발명의 일 실시예에 따르면, 관상동맥 석회화에 수치에 따른 위험도 변화를 예측할 수 있고, 이에 대해 시각적으로 용이하게 확인할 수 있다.
이에 따라, 컴퓨터 단층 촬영에 대한 경제적인 부담이 있는 환자들에게 컴퓨터 단층촬영에 대한 시점에 대한 권유가 가능할 수 있다.
물론 이러한 효과에 의해 본 발명의 범위가 한정되는 것은 아니다.
상기한 바와 같이 이루어진 본 발명의 일 실시예에 따르면, 관상동맥 석회화에 수치에 따른 위험도 변화를 예측할 수 있고, 이에 대해 시각적으로 용이하게 확인할 수 있다.
이에 따라, 컴퓨터 단층 촬영에 대한 경제적인 부담이 있는 환자들에게 컴퓨터 단층촬영에 대한 시점에 대한 권유가 가능할 수 있다.
물론 이러한 효과에 의해 본 발명의 범위가 한정되는 것은 아니다.
이하, 본 개시의 다양한 실시예가 첨부된 도면과 연관되어 기재된다. 본 개시의 다양한 실시예는 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들이 도면에 예시되고 관련된 상세한 설명이 기재되어 있다. 그러나 이는 본 개시의 다양한 실시예를 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 개시의 다양한 실시예의 사상 및 기술 범위에 포함되는 모든 변경 및/또는 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용되었다.
본 개시의 다양한 실시예에서 사용될 수 있는 "포함한다." 또는 "포함할 수 있다." 등의 표현은 개시(disclosure)된 해당 기능, 동작 또는 구성요소 등의 존재를 가리키며, 추가적인 하나 이상의 기능, 동작 또는 구성요소 등을 제한하지 않는다. 또한, 본 개시의 다양한 실시예에서, "포함하다." 또는 "가지다." 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 개시의 다양한 실시예에서 "또는" 등의 표현은 함께 나열된 단어들의 어떠한, 그리고 모든 조합을 포함한다. 예를 들어, "A 또는 B"는, A를 포함할 수도, B를 포함할 수도, 또는 A 와 B 모두를 포함할 수도 있다.
본 개시의 다양한 실시예에서 사용된 "제1", "제2", "첫째", 또는 "둘째" 등의 표현들은 다양한 실시예들의 다양한 구성요소들을 수식할 수 있지만, 해당 구성요소들을 한정하지 않는다. 예를 들어, 상기 표현들은 해당 구성요소들의 순서 및/또는 중요도 등을 한정하지 않는다. 상기 표현들은 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 수 있다. 예를 들어, 제1 사용자 기기와 제2 사용자 기기는 모두 사용자 기기이며, 서로 다른 사용자 기기를 나타낸다. 예를 들어, 본 개시의 다양한 실시예의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
본 개시의 실시 예에서 "모듈", "유닛", "부(part)" 등과 같은 용어는 적어도 하나의 기능이나 동작을 수행하는 구성요소를 지칭하기 위한 용어이며, 이러한 구성요소는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 "모듈", "유닛", "부(part)" 등은 각각이 개별적인 특정한 하드웨어로 구현될 필요가 있는 경우를 제외하고는, 적어도 하나의 모듈이나 칩으로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.
본 개시의 다양한 실시예에서 사용한 용어는 단지 특정일 실시예를 설명하기 위해 사용된 것으로, 본 개시의 다양한 실시예를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 개시의 다양한 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 개시의 다양한 실시예에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하에서, 첨부된 도면을 이용하여 본 발명의 다양한 실시 예들에 대하여 구체적으로 설명한다.
도 1은 본 발명의 일 실시예에 따른 예측장치를 통해 관상동맥 석회화를 예측하는 전이함수를 생성하고, 예측 결과를 표시하는 방법을 설명하기 위한 흐름도이다.
도 1을 참조하면, 예측장치는 관상동맥 석회화 수치를 탐지하기 위해 심장의 컴퓨터 단층(CT) 촬영에 관한 수진 데이터를 입력받을 수 있다(S110). 이때, 수진 데이터는 관상동맥 석회화 수치와 컴퓨터 단층 촬영 시점 등의 정보로 구성된 것일 수 있다. CT 촬영은 동일한 수진자에 대해서 촬영 시점을 달리한 것일 수 있고, 수진 데이터는 복수의 수진자에 대한 수진 데이터일 수 있다. 즉, 예측장치는 복수의 수진자 각각에 대하여, 적어도 두 촬영 시점에 대한 수진 데이터를 포함하는 복수의 데이터 세트를 입력받을 수 있다.
예측장치는 입력된 복수의 데이터 세트에 대하여 전처리를 수행할 수 있다(S120). 예측장치는 관상동맥 석회화 수치를 기준으로 복수의 위험군을 설정할 수 있다. 이때, 복수의 위험군은 저위험군, 중하위험군, 중상위험군, 고위험군을 포함할 수 있으나, 이에 한정하지 않고 다양한 수로 위험군을 분류할 수 있다.
또한, 예측장치는 복수의 데이터 세트의 적어도 두 시점에서 촬영된 수진 데이터가 각각 속하는 위험군의 변화에 따라서 복수의 데이터 세트를 전처리할 수 있다. 구체적으로, 예측장치는 복수의 데이터 세트 각각에 대한 수진 데이터 중 선행 수진 데이터가 속하는 위험군과 후행 수진 데이터가 속하는 위험군을 비교하여, 위험군이 변화하는 유형을 기준으로 복수의 데이터 세트를 복수의 클러스터로 클러스터링(clustering)할 수 있다.
예를 들어, 예측장치는 입력받은 데이터 세트의 두 시점의 수진 데이터 중 선행하는 시점의 수진 데이터의 위험군이 저위험군이고, 후행하는 시점의 수진 데이터의 위험군이 중하위험군인 경우, 해당 데이터 세트를 클러스터 2로 넘버링하여 클러스터링(CLUSTERING)할 수 있다.
또한, 예측장치는 복수의 데이터 세트 각각에 대한 수진 데이터 중 선행 수진 데이터와 후행 수진 데이터 간의 시점 차이를 복수의 데이터 세트에 대응시켜 재구성할 수 있다. 이에 대하여는 도 3a 및 3b를 통해 자세히 설명하기로 한다.
본 발명의 일 실시예에 따른 예측장치는 전처리된 데이터 세트를 이용하여, 복수의 위험군의 각 위험군에 대하여 각 위험군이 변화하지 않는 시간의 지수분포에 대한 모수를 획득할 수 있다(S130).
구체적으로, 예측장치는 복수의 클러스터 중 선행 수진 데이터가 제1 위험군인 데이터 세트를 포함하는 각각의 클러스터를 식별할 수 있다. 이후 예측장치는 각각의 클러스터에 포함된 데이터 세트의 수진 데이터 간 시점 차이를 확인할 수 있다. 예측장치는 각각의 클러스터에 대해서 시점 차이 또는 시간 차이의 지수분포에 대한 각각의 모수를 획득할 수 있다. 예측장치는 각각의 클러스터에 대한 각각의 모수를 더한 모수를 제1 위험군에서 변화하지 않는 시간의 지수분포에 대한 모수로 획득하는 할 수 있다.
한편, 예측장치는 전처리된 데이터 세트 및 획득한 모수를 바탕으로 행렬을 생성할 수 있다(S140). 구체적으로 예측장치는 전처리된 데이터를 이용한 제1 행렬 및 제1 행렬과 획득한 모수를 이용한 제2 행렬을 생성할 수 있다.
이때, 제1 행렬은 N by N의 정사각행렬(Square matrix)이고, 주대각성분은 0이고, 각 행의 성분 합이 1인 로드맵(road-map) 행렬일 수 있다. 또한, 제2 행렬은 N by N의 정사각행렬(Square matrix)이고, 제1 행렬의 주대각성분에 획득한 모수의 음수를 취한 값이고, 각 행의 성분에 각 행에 대응하는 위험군이 변화하지 않는 시간의 지수분포에 대한 모수를 곱한 것일 수 있다. 이에 대하여는 도 4 및 도 5를 통해 자세히 설명하기로 한다.
도 1에서는 제1 행렬이 위험군에 머무르는 시간분포의 모수를 획득한 이후 생성되는 것으로 도시되어 있으나, 이는 일 실시예에 불과할 뿐, 예측장치는 모수 획득하기 전 또는 모수 획득 과정과 동시에 제1 행렬을 생성할 수 있다.
본 발명의 일 실시예에 따른 예측장치는 생성한 행렬을 이용하여 전이함수를 생성할 수 있고, 전이함수 값을 시간에 대한 그래프로 출력하여 표시할 수 있다(S150). 이때, 전이함수는 마코프 연쇄모형을 따르는 것일 수 있다. 마르코프 체인(Markov　Chain)은　마르코프　성질(Markov　Property)을 지닌 이산 확률과정 (discrete-time stochastic process)을 의미하는데, 마르코프　성질은 n+1회의 상태(사건의 결과)가 오로지 n 회에서의 상태(사건의 결과)에만 영향을 받는 것을 의미한다. 확률과정(stochastic process or random process)이란, 어떤 확률분포에 의해 벌어지는 일련의 연속현상들을 수학적으로 모델링하는데 사용되는 개념이다. 즉 예측장치는 추계적 과정 모형 중 하나인 연속 시간 마코프 연쇄 모형을 사용하여 초기 위험군에서 다른 위험군으로 전이되는 확률을 계산할 수 있다.
또한, 전이함수는 도과 시간을 변수로 하여 특정 수진 데이터가 포함된 위험군이 다른 위험군으로 변화할 가능성을 0 이상 1 이하의 값으로 출력하도록 생성된 것일 수 있다. 예측장치는 복수의 클러스터 중 선행 수진 데이터가 제1 위험군인 데이터 세트를 포함하는 클러스터에 대하여, 전이함수의 함수 값의 시간에 대한 그래프를 클러스터 별로 각각 표시할 수 있다.
이를 통해, 사용자는 관상동맥 석회화에 수치에 따른 위험도 변화를 용이하게 예측할 수 있고, 이에 대해 시각적으로 용이하게 확인할 수 있다.
도 2는 본 발명의 일 실시예예 따른 예측장치의 구성 요소를 설명하기 위한 블록도이다.
도 2를 참조하면, 예측장치(200)는 전처리부(210), 모수 획득부(220), 행렬 생성부(230), 전이함수 생성부(240) 및 표시부(250)를 포함할 수 있다.
전처리부(210)는 예측장치(200)에 입력된 복수의 수진 데이터 세트를 전처리하기 위한 구성이다.
모수 획득부(220)는 전처부(210)에서 전처리된 수진 데이터와 관련된 확률변수가 지수분포를 따르는 경우, 지수분포의 모수를 획득하기 위한 구성이다.
행렬 생성부(230)는 전처부(210)에서 전처리된 수진 데이터와 모수 획득부(220)에서 획득한 모수를 바탕으로 행렬을 생성하기 위한 구성이다. 이때, 행렬은 제1 행렬 또는 로드맵 행렬과 제2 행렬 또는 속도(rate) 행렬을 포함할 수 있다.
전이함수 생성부(240)는 제2 행렬 또는 속도 행렬을 바탕으로 수진 데이터의 위험도가 변화하는 것을 예측하기 위한 전이함수를 생성하기 위한 구성이다.
표시부(250)는 전이함수를 통해 계산된 함수값을 시간에 대한 그래프로 표시하기 위한 구성이다.
이때 표시부(250)는 다양한 형태의 디스플레이 패널로 구현될 수 있다. 예로, 디스플레이 패널은 LCD(Liquid Crystal Display), OLED(Organic Light Emitting Diodes), AM-OLED(Active-Matrix Organic Light-Emitting Diode), LcoS(Liquid Crystal on Silicon) 또는 DLP(Digital Light Processing) 등과 같은 다양한 디스플레이 기술로 구현될 수 있다. 또한, 표시부(250)는 플렉서블 디스플레이(flexible display)의 형태로 표시부(250)의 전면 영역 및, 측면 영역 및 후면 영역 중 적어도 하나에 결합될 수도 있다.
한편, 도 2에는 도시하지 않았으나, 예측장치(200)는 프로세서를 더 포함할 수 있다. 프로세서(미도시)는 예측장치(200)를 전반적으로 제어하기 위한 구성이다. 구체적으로, 프로세서는 예측장치(200)의 메모리에 저장된 각종 프로그램을 이용하여 예측장치(200)의 전반적인 동작을 제어한다. 예를 들어, 프로세서는 CPU, 램(RAM), 롬(ROM), 시스템 버스를 포함할 수 있다. 여기서, 롬은 시스템 부팅을 위한 명령어 세트가 저장되는 구성이고, CPU는 롬에 저장된 명령어에 따라 예측장치(200)의 메모리에 저장된 운영체제를 램에 복사하고, O/S를 실행시켜 시스템을 부팅시킨다. 부팅이 완료되면, CPU는 메모리에 저장된 각종 애플리케이션을 램에 복사하고, 실행시켜 각종 동작을 수행할 수 있다. 이상에서는 프로세서가 하나의 CPU만을 포함하는 것으로 설명하였지만, 구현 시에는 복수의 CPU(또는 DSP, SoC 등)으로 구현될 수 있다.
본 발명의 일 실시 예에 따라, 프로세서는 디지털 신호를 처리하는 디지털 시그널 프로세서(digital signal processor(DSP), 마이크로 프로세서(microprocessor), TCON(Time controller)으로 구현될 수 있다. 다만, 이에 한정되는 것은 아니며, 중앙처리장치(central processing unit(CPU)), MCU(Micro Controller Unit), MPU(micro processing unit), 컨트롤러(controller), 어플리케이션 프로세서(application processor(AP)), 또는 커뮤니케이션 프로세서(communication processor(CP)), ARM 프로세서 중 하나 또는 그 이상을 포함하거나, 해당 용어로 정의될 수 있다. 또한, 프로세서는 프로세싱 알고리즘이 내장된 SoC(System on Chip), LSI(large scale integration)로 구현될 수도 있고, FPGA(Field Programmable gate array) 형태로 구현될 수도 있다.
한편, 본 발명의 일 실시예에 따르면 전처리부(210), 모수 획득부(220), 행렬 생성부(230), 전이함수 생성부(240)는 프로세서 자체로 구현될 수 있다. 또한, 상술한 구성요소의 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 동작을 수행할 수 있다.
도 3a 및 3b는 본 발명의 일 실시예에 따른 예측장치가 수진 데이터를 전처리하는 것을 설명하기 위한 도면이다.
도 3a를 참조하면, 예측장치(200)는 입력받은 수진 데이터에 대하여 관상동맥 석회화 수치에 따라 위험군을 임의로 4개로 나누어 그 수치에 따라 각각 저위험군, 중하위험군, 중상위험군, 고위험군으로 명명할 수 있다.
이때, 입력받은 수진 데이터는 복수의 수진자 각각에 대하여 적어도 2번 이상 수진한 데이터 세트로써, 예측장치(200)는 복수의 데이터 세트를 입력받은 것일 수 있다. 이에 따라 예측장치(200)는 적어도 2번 이상 촬영한 수진자에 대해 연속된 석회화 수치들이 각각 선행하는 시점의 위험군 상태에서 다른 위험군 상태로 변하는 양상에 따라 복수의 데이터 세트를 분류할 수 있다.
예를 들면 도 3a와 같이, 예측장치(200)는 저위험군에서 저위험군으로 변화된 경우를 1로 클러스터링(clustering)하고 고위험군에서 고위험군으로 변화된 경우 16으로 클러스터링(clustering) 또는 분류할 수 있다.
도 3b를 참조하면, 예측장치(200)는 입력받은 복수의 수진 데이터 세트 각각에 대하여 선행하는 시점의 위험군 상태에서 다른 위험군 상태로 변하는 양상에 따라 복수의 데이터 세트를 각각 넘버링하여 클러스터링하고, 선행 촬영 시점과 후행 촬영 시점의 촬영일간 의 시간 차이로 데이터를 구성할 수 있다.
도 4는 본 발명의 일 실시예에 따른 로드맵 행렬을 설명하기 위한 도면이다.
예측장치(200)는 위험군이 현재 상태에서 다른 상태로 처음 변화한 경우를 나타내는 로드맵 행렬을 생성할 수 있다. 도 4를 참조하면, 로드맵 행렬은　선행 시점의 위험군 상태에서 다른 위험군 상태로 변화한 경우만 취급하기 때문에 로드맵 행렬의 주대각선의 성분은 0이 된다. 행렬의 나머지 원소는 선행 시점의 위험군 상태에서 다른 위험군 상태로 변화한 데이터 세트 중 각 위험군 상태로 변한 데이터 세트의 비율로 구성될 수 있다. 예를 들어 저위험군에서 중하위험군, 중상위험군, 고위험군으로 전이된 데이터 세트가 100이라 할 때, 그 중 중하위험군으로 전이된 데이터 세트가 80이고 중상위험군이 10, 고위험군이 10이라면 도 4의 첫 번째 행과 같이 표현될 수 있다. 이 때 로드맵 행렬의 행의 원소들의 합은 1이다.
도 5는 본 발명의 일 실시예에 따른 속도 행렬을 설명하기 위한 도면이다.
예측장치(200)는 상술한 바와 같이, 각 위험군이 변화하지 않는 시간의 지수분포에 대한 모수를 획득할 수 있다. 구체적으로, 도 3b와 같이 전처리된 수진 데이터에서, 예측장치(200)는 위험군 변화에 따라 클러스터링 된 데이터 세트들의 촬영 시점 차이의 평균을 각각 계산할 수 있다.
이때, 예측장치(200)에 입력된 수진 데이터는 푸아송 사건일 수 있고, 데이터 세트는 지수분포를 따른다. 즉, 복수의 데이터 세트 중 각 데이터 세트에 포함된 수진 데이터 간의 촬영 시점 차이는 지수분포를 따른다. 모수가 λ인 푸아송 분포는 어떤 사건이 단위시간 동안 평균 λ 번 일어나는 것을 묘사하는 분포다. 이 분포에서 한 사건이 일어나고 다음 사건이 일어날 때 걸리는 시간이 따르는 분포가 모수가 λ인 지수분포다. 지수분포의 모수 λ =
Figure pat00001
으로 산출할 수 있고, 이에 따라 평균이 증가할수록 모수는 감소한다.
선행 시점의 위험군 상태에서 다른 위험군 상태로 처음 변화할 때까지 걸린 시간들 중에서 최솟값이 현재 상태에 머무르는 시간이 된다. 예를 들면, 선행 시점의 수진 데이터의 위험군 상태가 저위험군인 경우, 후행 시점의 수진 데이터의 위험군 상태가 중하위험군, 중상위험군 및 고위험군이 될 때까지 걸린 시간 중 가장 최소 값이 저위험군 상태에서 변화하지 않고 머무르는 시간이 된다. 지수분포를 따르는 두 확률변수의 최솟값 역시 지수분포를 따른다. 이때, 최솟값의 지수분포의 모수는 두 확률변수의 모수의 합이다. 위 내용을 수식으로 정리하면 다음과 같다.
확률변수 x가 모수 λ인 지수분포를 가질 때, 이것을 기호로 x~exp(λ)와 같이 나타낸다. 확률변수 x1,- x2, x3 -가 각각 저위험군에서 중하위험군, 중상위험군, 고위험군으로 변화하는 시간의 지수분포를 따른다고 하면, 이를 각각 x1~exp(λ1), x2~exp(λ2), x3~exp(λ3)로 나타낼 수 있다. 즉, 저위험군에 머무르는 시간의 확률변수를 min(x1, x2, x3)라고 하면, min(x1, x2, x3)~exp(λ1 + λ2 + λ3) 라고 나타낼 수 있고, 저위험군에 머무르는 시간의 지수분포 모수 λτ- = λ1 + λ2 + λ3로 할 수 있다.
한편, 예측장치(200)는 도 4와 같은 로드맵 행렬과 현재 상태에 머무르는 시간의 분포로 속도(rate) 행렬을 생성할 수 있다. 이때 속도 행렬은 로드맵 행렬과 같이 N by N 행렬일 수 있다.
예를 들어 확률변수 x1의 모수가 λτ1이라 하면 도 5와 같이, 속도 행렬의 주대각성분은 4개의 선행 시점의 수진 데이터 위험군에 머무르는 시간의 지수 분포 모수(λτ1, λτ2, λτ3, λτ4)에 음수를 취한 값일 수 있다. 속도 행렬의 나머지 원소는 로드맵 행렬의 각 원소와 각 선행 시점의 수진 데이터 위험군에 머무르는 시간의 분포의 모수값을 곱한 값일 수 있다. 이때 속도 행렬의 각 행의 원소들의 합은 0이다.
도 6은 본 발명의 일 실시예에 따른 마코프 연쇄 모형을 통한 전이함수의 함수값을 나타내는 행렬을 설명하기 위한 도면이다.
예측장치(200)는 연속시간 마코프 연쇄 모형을 통한 전이함수를 생성할 수 있다. 본 발명의 일 실시예에 따른 전이함수는 eQt =
Figure pat00002
일 수 있고, 이때 Q는 속도(Rate) 행렬일 수 있다. 전이함수는 t 일 후에 현재 위험군 상태에서 다른 위험군 상태로 변할 확률을 원소로 하는 행렬일 수 있다. 예를 들면, t=3일 때, 전이함수는
Figure pat00003
일 수 있다.
행렬 지수함수로 표현된 전이수는 일정 시간 후에 위험군의 유지 또는 변화할 가능성을 0과 1사이의 숫자를 성분으로 하는 행렬로 표현될 수 있다. 예를 들어 도 6을 참조하면, t=3일 때, 저위험군에서 위험군을 유지하며 머무를 확률은 0.7로 70%이고, 중하위험군, 중상위험군 및 고위험군으로 변화할 확률은 0.1로 각각 10%이다.
상술한 바와 같이, 본 발명에 따르면 연속시간 마코프 연쇄 모형을 통해 위험군의 변화에 대해 예측을 할 수 있다.
도 7은 본 발명의 일 실시예에 따라 계산된 전이함수를 바탕으로 시간에 따른 확률의 변화 추이를 그래프로 표현한 것을 도시한 도면이다.
예측장치(200)는 복수의 데이터 세트 중 선행 시점의 수진 데이터의 위험군이 저위험군인 경우, t 시간 후에 후행 시점의 수진 데이터의 저위험군이 저위험군에 머무를 확률, 중하위험군, 중상위험군, 고위험군으로 변화될 확률을 표현할 수 있다. 도 7을 참조하면, 각각의 확률은 시간이 흐를수록 일정한 값으로 수렴하는 양상을 보인다.
도 7에서는 그래프 중 state 1은 수진 데이터의 위험군이 저위험군으로 유지되는 확률을 나타내고, state 2, 3, 4는 각각 수진 데이터의 위험군이 저위험군에서 중하위험군, 중상위험군, 고위험군으로 변화되는 확률을 나타낸다.
한편, 상술한 본 발명의 다양한 실시 예들에 따른 방법들은, 기존 전자 장치에 설치 가능한 어플리케이션 형태로 구현될 수 있다.
또한, 상술한 본 발명의 다양한 실시 예들에 따른 방법들은, 기존 전자 장치에 대한 소프트웨어 업그레이드, 또는 하드웨어 업그레이드 만으로도 구현될 수 있다.
또한, 상술한 본 발명의 다양한 실시예들은 전자 장치에 구비된 임베디드 서버, 또는 전자장치의 외부 서버를 통해 수행되는 것도 가능하다.
한편, 본 발명의 일 실시예에 따르면, 이상에서 설명된 다양한 실시예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합을 이용하여 컴퓨터(computer) 또는 이와 유사한 장치로 읽을 수 있는 기록매체(computer readable recording medium)에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 일부 경우에 있어 본 명세서에서 설명되는 실시예들이 프로세서 자체로 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 동작을 수행할 수 있다.
한편, 컴퓨터(computer) 또는 이와 유사한 장치는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 장치를 포함할 수 있다. 상기 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 상기 프로세서의 제어 하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다.
기기로 읽을 수 있는 기록매체는, 비일시적 기록매체(non-transitory computer readable recording medium)의 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. 이때 비일시적 컴퓨터 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 비일시적 컴퓨터 판독 가능 매체의 구체적인 예로는, CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등이 있을 수 있다.
이와 같이 본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
200: 예측장치
210: 전처리부
220: 모수 획득부
230: 행렬 생성부
240: 전이함수 생성부
250: 표시부

Claims (13)

  1. 적어도 두 시점의 수진 데이터를 포함하는 복수의 데이터 세트를 입력받는 단계;
    관상동맥 석회화 수치를 기준으로 복수의 위험군을 설정하고, 상기 복수의 데이터 세트의 각각에 포함된 적어도 두 시점의 수진 데이터가 속하는 위험군의 변화에 따라서 상기 복수의 데이터 세트를 전처리하는 단계;
    상기 전처리된 복수의 데이터 세트를 이용하여, 상기 복수의 위험군 중 상기 적어도 두 시점의 수진 데이터가 속하는 위험군이 변화하지 않는 시간의 지수분포에 대한 모수를 획득하는 단계;
    상기 전처리된 데이터 세트 및 상기 모수를 바탕으로 행렬을 생성하는 단계;
    상기 행렬을 이용하여 상기 적어도 두 시점의 수진 데이터가 속하는 위험군의 변화 가능성에 대해 마코프 연쇄 모형을 따르는 전이함수를 생성하는 단계; 및
    상기 전이함수의 함수값을 표시하는 단계;를 포함하는 관상동맥 석회화 예측방법.
  2. 제1항에 있어서,
    상기 전처리하는 단계는,
    상기 복수의 데이터 세트 각각에 포함된 적어도 두 시점의 수진 데이터 중 선행 수진 데이터가 속하는 위험군과 후행 수진 데이터가 속하는 위험군을 비교하여, 위험군이 변화하는 유형을 기준으로 상기 복수의 데이터 세트를 복수의 클러스터로 클러스터링(clustering)하고,
    상기 선행 수진 데이터와 상기 후행 수진 데이터 간의 시점 차이를 상기 복수의 데이터 세트 각각에 대응시키는 것인 관상동맥 석회화 예측방법.
  3. 제2항에 있어서,
    상기 모수를 획득하는 단계는,
    상기 복수의 클러스터 중 선행 수진 데이터가 제1 위험군인 데이터 세트를 포함하는 각각의 클러스터에 대하여, 상기 선행 수진 데이터와 상기 후행 수진 데이터 간의 시점 차이의 지수분포에 대한 각각의 모수를 획득하는 단계;를 더 포함하고,
    상기 각각의 모수를 더한 제1 모수를 상기 제1 위험군이 변화하지 않는 시간의 지수분포에 대한 상기 모수로 획득하는 관상동맥 석회화 예측방법.
  4. 제1항에 있어서,
    상기 행렬은 상기 전처리된 데이터를 이용하는 제1 행렬 및 제2 행렬을 포함하고,
    상기 제1 행렬은 정사각행렬(Square matrix)이고, 주대각성분은 0이고, 각 행의 성분 합이 1인 로드맵(road-map) 행렬이고,
    상기 제2 행렬은 정사각행렬(Square matrix)이고, 상기 제2 행렬의 주대각성분은 상기 제1 행렬의 주대각성분에 상기 모수에 음수를 취한 값이고, 각 행에 대응하는 위험군이 변화하지 않는 시간의 지수분포에 대한 모수를 상기 제1 행렬의 각 행의 성분에 곱한 것을 특징으로 하는 관상동맥 석회화 예측방법.
  5. 제1항에 있어서,
    상기 전이함수를 생성하는 단계는,
    상기 전이함수가 상기 수진 데이터가 포함된 위험군이 다른 위험군으로 변화할 확률을 각각 0 이상 1 이하의 값으로 출력하도록 생성하는 관상동맥 석회화 예측방법.
  6. 제2항에 있어서,
    상기 표시하는 단계는,
    상기 복수의 클러스터 중 선행 수진 데이터가 제1 위험군인 데이터 세트를 포함하는 클러스터에 대하여, 상기 전이함수의 함수 값의 시간에 대한 그래프를 상기 클러스터 별로 각각 표시하는 관상동맥 석회화 예측방법.
  7. 관상동맥 석회화 수치를 기준으로 복수의 위험군을 설정하고, 입력된 복수의 데이터 세트의 각각에 포함된 적어도 두 시점의 수진 데이터가 속하는 위험군의 변화에 따라서 상기 복수의 데이터 세트를 전처리하는 전처리부;
    상기 전처리된 복수의 데이터 세트를 이용하여, 상기 복수의 위험군 중 상기 적어도 두 시점의 수진 데이터가 속하는 위험군이 변화하지 않는 시간의 지수분포에 대한 모수를 획득하는 모수 획득부;
    상기 전처리된 데이터 세트 및 상기 모수를 바탕으로 행렬을 생성하는 행렬 생성부;
    상기 행렬을 이용하여 상기 적어도 두 시점의 수진 데이터가 속하는 위험군의 변화 가능성에 대해 마코프 연쇄 모형을 따르는 전이함수를 생성하는 전이함수 계산부; 및
    상기 전이함수의 함수값을 표시하는 표시부;를 포함하는 관상동맥 석회화 예측장치.
  8. 제7항에 있어서,
    상기 전처리부는 상기 복수의 데이터 세트 각각에 포함된 적어도 두 시점의 수진 데이터 중 선행 수진 데이터가 속하는 위험군과 후행 수진 데이터가 속하는 위험군을 비교하여, 위험군이 변화하는 유형을 기준으로 상기 복수의 데이터 세트를 복수의 클러스터로 클러스터링(clustering)하고,
    상기 선행 수진 데이터와 상기 후행 수진 데이터 간의 시점 차이를 상기 복수의 데이터 세트 각각에 대응시키는 것인 관상동맥 석회화 예측장치.
  9. 제8항에 있어서,
    상기 모수 획득부는 상기 복수의 클러스터 중 선행 수진 데이터가 제1 위험군인 데이터 세트를 포함하는 각각의 클러스터에 대하여, 상기 선행 수진 데이터와 상기 후행 수진 데이터 간의 시점 차이의 지수분포에 대한 각각의 모수를 획득하는 단계;를 더 포함하고,
    상기 각각의 모수를 더한 제1 모수를 상기 제1 위험군이 변화하지 않는 시간의 지수분포에 대한 상기 모수로 획득하는 관상동맥 석회화 예측장치.
  10. 제7항에 있어서,
    상기 행렬은 상기 전처리된 데이터를 이용하는 제1 행렬 및 제2 행렬을 포함하고,
    상기 제1 행렬은 정사각행렬(Square matrix)이고, 주대각성분은 0이고, 각 행의 성분 합이 1인 로드맵(road-map) 행렬이고,
    상기 제2 행렬은 정사각행렬(Square matrix)이고, 상기 제2 행렬의 주대각성분은 상기 제1 행렬의 주대각성분에 상기 모수에 음수를 취한 값이고, 각 행에 대응하는 위험군이 변화하지 않는 시간의 지수분포에 대한 모수를 상기 제1 행렬의 각 행의 성분에 곱한 것을 특징으로 하는 관상동맥 석회화 예측장치
  11. 제7항에 있어서,
    상기 전이함수 계산부는 상기 전이함수가 상기 수진 데이터가 포함된 위험군이 다른 위험군으로 변화할 확률을 각각 0 이상 1 이하의 값으로 출력하도록 생성하는 관상동맥 석회화 예측장치.
  12. 제8항에 있어서,
    상기 표시부는 상기 복수의 클러스터 중 선행 수진 데이터가 제1 위험군인 데이터 세트를 포함하는 클러스터에 대하여, 상기 전이함수의 함수 값의 시간에 대한 그래프를 상기 클러스터 별로 각각 표시하는 관상동맥 석회화 예측장치.
  13. 제1항 내지 제6항의 관상동맥 석회화 예측방법을 실행 키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
KR1020190022574A 2019-02-26 2019-02-26 확률 모델을 이용한 관상동맥 석회화 수치의 예측장치, 이의 예측방법 및 기록매체 KR102231677B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190022574A KR102231677B1 (ko) 2019-02-26 2019-02-26 확률 모델을 이용한 관상동맥 석회화 수치의 예측장치, 이의 예측방법 및 기록매체
PCT/KR2020/002699 WO2020175892A2 (ko) 2019-02-26 2020-02-25 확률 모델을 이용한 관상동맥 석회화 수치의 예측장치, 이의 예측방법 및 기록매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190022574A KR102231677B1 (ko) 2019-02-26 2019-02-26 확률 모델을 이용한 관상동맥 석회화 수치의 예측장치, 이의 예측방법 및 기록매체

Publications (2)

Publication Number Publication Date
KR20200104100A true KR20200104100A (ko) 2020-09-03
KR102231677B1 KR102231677B1 (ko) 2021-03-24

Family

ID=72238972

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190022574A KR102231677B1 (ko) 2019-02-26 2019-02-26 확률 모델을 이용한 관상동맥 석회화 수치의 예측장치, 이의 예측방법 및 기록매체

Country Status (2)

Country Link
KR (1) KR102231677B1 (ko)
WO (1) WO2020175892A2 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220153131A (ko) 2021-05-10 2022-11-18 고려대학교 산학협력단 석회화 지도 생성 방법 및 이를 수행하기 위한 컴퓨팅 장치

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008541904A (ja) * 2005-06-02 2008-11-27 ノルディック・ビオサイエンス・エー／エス 大動脈の石灰化の度合いの定量的測度を取得する方法
KR20100065194A (ko) * 2007-10-18 2010-06-15 캐논 가부시끼가이샤 진단 지원 장치, 진단 지원 장치의 제어 방법, 및 진단 지원 시스템
KR20120130164A (ko) * 2009-11-17 2012-11-29 바치야 콘웨이 관상 동맥 석회화 또는 질병을 검출하는 방법 및 장치
KR20130104882A (ko) 2012-03-15 2013-09-25 삼성전자주식회사 관상동맥석회화 수치 위험도 예측장치 및 예측방법
KR20130104883A (ko) * 2012-03-15 2013-09-25 삼성전자주식회사 관상동맥석회화 수준 변화 예측장치 및 예측방법
KR20150113700A (ko) * 2014-03-31 2015-10-08 삼성전자주식회사 진단 시스템 및 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017527399A (ja) * 2014-09-09 2017-09-21 レイドス イノベイションズ テクノロジー，インコーポレイティド 疾患検出のための装置及び方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008541904A (ja) * 2005-06-02 2008-11-27 ノルディック・ビオサイエンス・エー／エス 大動脈の石灰化の度合いの定量的測度を取得する方法
KR20100065194A (ko) * 2007-10-18 2010-06-15 캐논 가부시끼가이샤 진단 지원 장치, 진단 지원 장치의 제어 방법, 및 진단 지원 시스템
KR20120130164A (ko) * 2009-11-17 2012-11-29 바치야 콘웨이 관상 동맥 석회화 또는 질병을 검출하는 방법 및 장치
KR20130104882A (ko) 2012-03-15 2013-09-25 삼성전자주식회사 관상동맥석회화 수치 위험도 예측장치 및 예측방법
KR20130104883A (ko) * 2012-03-15 2013-09-25 삼성전자주식회사 관상동맥석회화 수준 변화 예측장치 및 예측방법
KR20150113700A (ko) * 2014-03-31 2015-10-08 삼성전자주식회사 진단 시스템 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220153131A (ko) 2021-05-10 2022-11-18 고려대학교 산학협력단 석회화 지도 생성 방법 및 이를 수행하기 위한 컴퓨팅 장치

Also Published As

Publication number Publication date
WO2020175892A2 (ko) 2020-09-03
KR102231677B1 (ko) 2021-03-24
WO2020175892A3 (ko) 2020-12-10

Similar Documents

Publication Publication Date Title
CN108784655B (zh) 针对医疗患者的快速评估和后果分析
WO2021027571A1 (zh) 基于人工智能的医学图像处理方法、医学设备和存储介质
JP2021106887A (ja) 医用画像表示装置、方法およびプログラム
US8897533B2 (en) Medical image processing apparatus
US20210407077A1 (en) Information processing device and model generation method
US11043295B2 (en) Method and providing unit for providing a virtual tomographic stroke follow-up examination image
CN111862096B (zh) 图像分割方法、装置、电子设备及存储介质
US20200334801A1 (en) Learning device, inspection system, learning method, inspection method, and program
Armanious et al. Age-net: An MRI-based iterative framework for brain biological age estimation
Hachaj et al. CAD system for automatic analysis of CT perfusion maps
KR102327662B1 (ko) 동맥류 파열 예측 장치 및 방법
KR102231677B1 (ko) 확률 모델을 이용한 관상동맥 석회화 수치의 예측장치, 이의 예측방법 및 기록매체
US20210196125A1 (en) Tomographic image prediction device and tomographic image prediction method
KR102127449B1 (ko) 생존율 예측 모델 생성 방법, 장치 및 컴퓨터 프로그램
JP7479805B2 (ja) 医用情報処理装置、医用情報処理方法、医用情報処理プログラムおよび医用情報処理システム
US11783481B2 (en) Identifying vessel occlusions using spatial patterns
US20210248743A1 (en) System and method for coronary calcium deposits detection and labeling
CN112927152A (zh) Ct图像去噪处理方法、装置、计算机设备及介质
US11051780B2 (en) Automatically generating synchronized view and level of concordance of diagnostic exams
JP6875864B2 (ja) 波形表示装置、波形表示方法、プログラム及び記憶媒体
Verjans et al. Cardiovascular diseases
KR20150048297A (ko) 영상 진단 장치 및 방법
KR102564039B1 (ko) 프레임간 유사도에 기초하여, 신경망 학습을 위한 프레임 데이터를 생성하는 방법 및 장치
US20230395240A1 (en) Methods for transferring a plurality of medical images
KR102439690B1 (ko) 학습한 컨텐츠의 기억 유지 기간을 예측하는 방법 및 장치

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant