KR20200108686A - 딥러닝 알고리즘을 이용한 근감소증 분석 프로그램 및 애플리케이션 - Google Patents
딥러닝 알고리즘을 이용한 근감소증 분석 프로그램 및 애플리케이션 Download PDFInfo
- Publication number
- KR20200108686A KR20200108686A KR1020190027675A KR20190027675A KR20200108686A KR 20200108686 A KR20200108686 A KR 20200108686A KR 1020190027675 A KR1020190027675 A KR 1020190027675A KR 20190027675 A KR20190027675 A KR 20190027675A KR 20200108686 A KR20200108686 A KR 20200108686A
- Authority
- KR
- South Korea
- Prior art keywords
- sarcopenia
- image
- data
- muscle
- deep learning
- Prior art date
Links
- 208000001076 sarcopenia Diseases 0.000 title claims abstract description 73
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000004458 analytical method Methods 0.000 title claims abstract description 8
- 210000003205 muscle Anatomy 0.000 claims abstract description 77
- 230000011218 segmentation Effects 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 6
- 210000001015 abdomen Anatomy 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 2
- 238000013139 quantization Methods 0.000 abstract 1
- 230000007423 decrease Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 210000002027 skeletal muscle Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 206010006895 Cachexia Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000037081 physical activity Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 210000000683 abdominal cavity Anatomy 0.000 description 1
- 210000003815 abdominal wall Anatomy 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 210000004705 lumbosacral region Anatomy 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004220 muscle function Effects 0.000 description 1
- 210000001087 myotubule Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
-
- 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)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Dentistry (AREA)
- Epidemiology (AREA)
- Pulmonology (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
본 발명은, 매체에 저장된 근감소증 분석 프로그램에 있어서, 데이터를 입력하는 입력 수단, 입력된 데이터를 처리하는 처리 수단, 처리된 데이터를 출력하는 출력 수단을 갖춘 컴퓨터에, 의료 영상장비가 환자의 체내를 촬영한 이미지 데이터를 상기 입력 수단이 입력받아 상기 처리 수단이 상기 이미지 데이터를 정규화하여 딥러닝 알고리즘으로 학습하는 (a)단계; 상기 (a)단계에서 학습된 정보를 기반으로 상기 딥러닝 알고리즘이 상기 의료 영상장비가 촬영한 분석 대상이 되는 이미지에서 근육 영역을 추출한 세그멘테이션 이미지(segmentation image)를 상기 출력 수단이 출력하는 (b)단계; 및 상기 처리 수단이 상기 세그멘테이션 이미지를 대상으로 상기 근육 영역의 데이터를 정량화하여 산출한 근감소증 관련 파라미터를 상기 출력 수단이 출력하는 (c)단계를 실행시키는 것을 일 특징으로 한다.
Description
본 발명은 근감소증 분석 프로그램 및 애플리케이션에 관한 것으로서, 딥러닝 알고리즘을 이용하여 근육 영역을 자동 분할하고, 근육 관련 파라미터를 산출하여 근감소증의 분석이 가능한 프로그램 및 애플리케이션에 관한 것이다.
근감소증(sarcopenia)은 근육 섬유의 수 및 단면적의 감소로 인한 골격근의 근육량 감소를 의미한다. 최근에는 근육량이 아닌 근기능 저하의 개념으로 해석되면서 각 단체의 따라 정의가 조금씩 다르나 근육량 감소와 더불어 근력의 약화 또는 신체활동 수행능력으로 대변되는 신체기능의 저하가 동반된 경우를 의미한다.
현재, 근감소증의 진단기준은 여러 단체마다 다른 실정이며, 대표적으로는 2010년 발표된 EWGSOP(European Working Group on Sarcopenia in Older People), 2011년 발표된 International working group on sarcopenia, 2014년 발표된 Asian Working Group for Sarcopenia의 진단기준이 사용되고 있다. 그러나, 세 단체 모두 진단기준에 ‘근육량’‘근력’및 ‘신체활동 수행능력’의 근감소증 3가지 요소를 모두 언급하고 있지만, 각 값의 절단점은 제시하고 있지 않다.
한편, 임상적으로 유용하게 사용되고 있는 근육량 측정은 CT나 MRI 등의 의료 영상장비를 이용하는 것으로, 영상장비로부터 체내 이미지를 획득하여 근육량을 분석한다. 근감소증의 진단을 위한 CT 검사는 MRI와 함께 체성분을 가장 정확하게 정량화하는 수단이다. 이 때, CT검사는 요추 3번(L3) 레벨에서의 총 골격근의 면적이 신체 총 골격근의 량과 높은 상관관계(r=0.92~0.97)를 보인다는 연구 결과에 근거하여, L3 레벨에서 측정하는 것이 일반적이다.
종래의 경우, 근감소증 진단을 위한 CT 측정 이미지의 분석 과정은 다음과 같다. 첫째, CT의 L3 레벨의 영상에서 복벽과 복강내 장기를 제외한 부분의 윤곽을 수동으로 그린다. 둘째, 근육에 대한 CT Hounsfiled unit(HU)의 범위로 알려진 -29~150 HU 범위에서, 수동으로 그린 관심영역 (ROI, region of interest) 대해 문턱치(threshold)화를 수행한다. 셋째, 문턱치화된 골격근의 면적을 이용하여 L3의 muscle index(L3MI)를 계산한다. 넷째, L3MI가 남자의 경우 55 cm2/m2 미만, 여자의 경우 39 cm2/m2 이면 근감소증으로 진단한다.
상기의 절단값은 international consensus for cancer cachexia에서 제시된 값으로(Definition and classification of cancer cachexia: an international consensus. Lancet Oncol. 2011;12(5):489-95), CT 측정 이미지의 근감소증 분석 과정은 현장에서 근감소증을 판단하는 연구례이며, 근감소증을 결정하는 L3MI의 수치 기준은 변동될 수 있다. 종래의 경우, 상용화 소프트웨어를 사용하여도 근육의 경계부분을 수동으로 직접 그려서 분리하기 때문에 근감소증 진단을 위한 많은 시간과 노력이 요구된다. 근감소증 판단을 위한 MI의 표준화 기준은 논외로 하고, 현재 MI를 산출하기 위한 모델이나 프로그램이 없는 실정이다.
종래특허문헌으로 한국공개특허 제10-2018-0074597호는 체지방지수에 기초하여 근감소증을 진단하는 장치를 개시하였다. 본 출원인은 체지방지수에 근거하지 않고, 근육 영역을 기계적으로 분리하여 근육량과 관련된 파라미터를 정량적으로 산출하여 MI 지수를 출력할 수 있는 프로그램 및 애플리케이션을 고안하게 되었다.
본 발명은 영상 이미지로부터 근육 영역을 자동으로 분리하고, 근육 관련 정량화 데이터까지 자동으로 산출하는 근감소증 분석 프로그램 및 애플리케이션을 제공하고자 한다.
상기 목적을 달성하기 위하여 본 발명은, 매체에 저장된 근감소증 분석 프로그램에 있어서, 데이터를 입력하는 입력 수단, 입력된 데이터를 처리하는 처리 수단, 처리된 데이터를 출력하는 출력 수단을 갖춘 컴퓨터에, 의료 영상장비가 환자의 체내를 촬영한 이미지 데이터를 상기 입력 수단이 입력받아 상기 처리 수단이 상기 이미지 데이터를 정규화하여 딥러닝 알고리즘으로 학습하는 (a)단계; 상기 (a)단계에서 학습된 정보를 기반으로 상기 딥러닝 알고리즘이 상기 의료 영상장비가 촬영한 분석 대상이 되는 이미지에서 근육 영역을 추출한 세그멘테이션 이미지(segmentation image)를 상기 출력 수단이 출력하는 (b)단계; 및 상기 처리 수단이 상기 세그멘테이션 이미지를 대상으로 상기 근육 영역의 데이터를 정량화하여 산출한 근감소증 관련 파라미터를 상기 출력 수단이 출력하는 (c)단계를 실행시키는 것을 일 특징으로 한다.
바람직하게, 상기 (a)단계는, CT 이미지의 abdomen view의 WW(window width)/WL(window level)를 정규화하여 딥러닝 알고리즘의 입력 데이터를 전처리할 수 있다.
바람직하게, 상기 (a)단계는, 상기 딥러닝 알고리즘으로 U-Net 모델 또는 U-Net 모델에서 파생된 생성모델이 적용될 수 있다.
바람직하게, 상기 (b)단계는, 근육 영역이 추출된 상기 세그멘테이션 이미지를 흑백 이미지로 이진화하여 출력할 수 있다.
바람직하게, 상기 (b)단계는, 근육 영역이 추출된 상기 세그멘테이션 이미지를 상기 분석 대상이 되는 이미지 상에 다른 색상으로 채색하여 출력할 수 있다.
바람직하게, 상기 (c)단계는, 상기 세그멘테이션 이미지의 pixel spacing정보를 적용하여 근육 영역의 면적을 계산할 수 있다.
바람직하게, 상기 (c)단계는, 근육 영역의 면적, 신장, 및 성별의 데이터를 이용하여 상기 근감소증 관련 파라미터를 산출할 수 있다.
바람직하게, 상기 (c)단계는, 근육 영역의 면적 값과 환자의 신장 값으로 근감소증 판단을 위한 머슬 인덱스 지수를 산출하여 출력할 수 있다.
또한, 본 발명은 근감소증 분석 애플리케이션에 있어서, 데이터를 입력하는 입력 수단, 입력된 데이터를 처리하는 처리 수단을 갖춘 스마트폰, 태블릿, 또는 노트북에, 의료 영상장비가 환자의 체내를 촬영한 이미지 데이터를 상기 입력 수단이 입력받아 상기 처리 수단이 상기 이미지 데이터를 정규화하여 딥러닝 알고리즘으로 학습하는 제1 기능; 상기 제1 기능에서 학습된 정보를 기반으로 상기 딥러닝 알고리즘이 상기 의료 영상장비가 촬영한 분석 대상이 되는 이미지에서 근육 영역을 추출한 세그멘테이션 이미지(segmentation image)를 상기 출력 수단이 출력하는 제2 기능; 및 상기 처리 수단이 상기 세그멘테이션 이미지를 대상으로 상기 근육 영역의 데이터를 정량화하여 산출한 근감소증 관련 파라미터를 상기 출력 수단이 출력하는 제3 기능을 실행시키는 것을 다른 특징으로 한다.
본 발명에 따르면 의료 영상장비의 촬영된 이미지를 입력하면, 근육의 자동 분할 및 근감소증 판단을 위한 파라미터를 자동으로 산출하여, 근감소증 진단에 소요되는 시간과 노력을 현저하게 경감시키는 효과가 있다.
도 1은 본 발명의 실시예에 따른 근감소증 분석 프로그램의 시스템 흐름도를 나타낸 것이다.
도 2는 본 발명의 실시예에 따른 딥러닝 알고리즘이 입력 영상을 분할하여 근육 영역을 분리한 세그멘테이션 이미지가 생성되는 모습을 나타낸 것이다.
도 3은 수작업으로 마스킹한 근육 분할 이미지와 본 발명의 실시예에 따른 근감소증 분석 프로그램이 생성한 세그멘테이션 이미지를 비교한 것이다.
도 4는 본 발명의 실시예에 따른 근감소증 분석 프로그램이 세그멘테이션 이미지를 원본 영상에 채색하여 출력한 프로그램의 출력 화면 모습을 나타낸 것이다.
도 5는 본 발명의 실시예에 따른 근감소증 분석 프로그램에서 근감소증 진단을 위한 파라미터가 출력된 모습을 나타낸 것이다.
도 2는 본 발명의 실시예에 따른 딥러닝 알고리즘이 입력 영상을 분할하여 근육 영역을 분리한 세그멘테이션 이미지가 생성되는 모습을 나타낸 것이다.
도 3은 수작업으로 마스킹한 근육 분할 이미지와 본 발명의 실시예에 따른 근감소증 분석 프로그램이 생성한 세그멘테이션 이미지를 비교한 것이다.
도 4는 본 발명의 실시예에 따른 근감소증 분석 프로그램이 세그멘테이션 이미지를 원본 영상에 채색하여 출력한 프로그램의 출력 화면 모습을 나타낸 것이다.
도 5는 본 발명의 실시예에 따른 근감소증 분석 프로그램에서 근감소증 진단을 위한 파라미터가 출력된 모습을 나타낸 것이다.
이하, 첨부된 도면들에 기재된 내용들을 참조하여 본 발명을 상세히 설명한다. 다만, 본 발명이 예시적 실시 예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일 참조부호는 실질적으로 동일한 기능을 수행하는 부재를 나타낸다.
본 발명의 목적 및 효과는 하기의 설명에 의해서 자연스럽게 이해되거나 보다 분명해 질 수 있으며, 하기의 기재만으로 본 발명의 목적 및 효과가 제한되는 것은 아니다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이, 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다.
도 1은 본 발명의 실시예에 따른 근감소증 분석 프로그램(1)의 시스템 흐름도를 나타낸 것이다. 도 1을 참조하면, 근감소증 분석 프로그램(1)은 데이터를 입력하는 입력 수단, 입력된 데이터를 처리하는 처리 수단, 처리된 데이터를 출력하는 출력 수단을 갖춘 컴퓨터에 수행되기 위하여 매제에 저장 및 보급될 수 있다.
입력 수단은 키보드, 마우스 또는 터치패드가 될 수 있고, 처리 수단은 컴퓨터에 내장된 프로세서가 될 수 있으며, 출력 수단은 모니터나 패드 화면 등의 디스플레이 구성이 될 수 있다.
본 실시예에 따른 근감소증 분석 프로그램(1)은 딥러닝 알고리즘으로 학습하는 (a)단계(S10), 이미지를 세그멘테이션하는 (b)단계(S20), 및 근감소증 관련 파라미터를 산출하여 출력하는 (c)단계(S30)를 포함할 수 있다.
(a)단계(S10)는 의료 영상장비가 환자의 체내를 촬영한 이미지 데이터를 입력 수단이 입력받아 처리 수단이 이미지 데이터를 정규화하여 딥러닝 알고리즘으로 학습하는 단계를 의미한다.
(a)단계(S10)는 입력 데이터의 전처리 단계와 학습 단계로 구성될 수 있다. 본 실시예에서, 입력 데이터는 의료 영상 이미지가 될 수 있다. 보다 바람직하게, 의료 영상 이미지는 CT로 획득한 단층 촬영 이미지가 될 수 있다.
(a)단계(S10)는 전처리 단계에서, CT 이미지의 abdomen view의 WW(window width)/WL(window level)를 정규화하여 딥러닝 알고리즘의 입력 데이터를 전처리할 수 있다.
본 실시예로, CT 이미지의 abdomen view는 L3레벨의 촬영 이미지가 바람직하며, 전처리 과정에서 12bit의 화소값을 WW/WL의 정규화로 8bit로 변환한다. CT 이미지의 Dicom 파일은 전처리 단계를 통해 원본 데이터값을 그대로 사용하지 않고, 특정 WW/WL로 정규화된다. 이와 같은 정규화 과정을 수행하는 이유는 사람이 육안으로 볼 때 근육이 주변 조직과 가장 대조되어 보이는 상황에서 딥러닝 모델도 분할 능력이 가장 뛰어날 것이기 때문이다. (a)단계(S10)에서 전처리 과정이 완료되면 딥러닝 알고리즘을 이용한 학습 단계가 수행된다.
학습은 CNN 모델 특히, 그 중 U-Net 모델이 사용될 수 있다. 학습 내용으로는 근육에 대한 분할 모델을 학습한다. 본 실시예로, 학습을 위한 근육 영역 이미지는 CT 이미지에서 근육 영역을 수작업으로 분리한 이미지가 될 수 있다. 본 학습으로 추후 세그멘테이션시 수작업으로 분리한 근육 영역과 거의 동일한 성능으로 이미지에서 근육 영역의 분리가 가능하다.
도 2는 본 발명의 실시예에 따른 딥러닝 알고리즘이 입력 영상(11)을 분할하여 근육 영역을 분리한 세그멘테이션 이미지(13)가 생성되는 모습을 나타낸 것이다.
(b)단계(S20)는 (a)단계(S10)에서 학습된 근육 영역 정보를 기반으로 딥러닝 알고리즘이 의료 영상장비가 촬영한 분석 대상이 되는 이미지(11)에서 근육 영역을 추출한 세그멘테이션 이미지(13)를 출력 수단(15)이 출력하는 단계를 의미한다.
(b)단계(S10)는 딥러닝 알고리즘으로 U-Net 모델 또는 U-Net 모델에서 파생된 생성모델이 적용되어 세그멘테이션 과정을 수행할 수 있다. U-Net 모델은 네트워크의 형태가 알파벳 U와 비슷한 형태를 나타낸다고 하여 명명된 모델이다. U-Net 모델은 특히 의약쪽에서 탁월한 효과를 보이는 세그멘테이션 네트워크로 볼 수 있다. CNN 모델들은 단순 분류(classification)에서 주로 사용된다면, U-Net은 Classification + Localization에서 주로 사용될 수 있다.
(b)단계(S20)는 근육 영역이 추출된 세그멘테이션 이미지를 흑백 이미지로 이진화하여 출력할 수 있다. 이는, 데이터 처리 속도 및 근육 영역의 계산을 용이하게 한다.
(b)단계(S20)는 세그멘테이션 단계 이후 후처리 단계를 더 포함할 수 있다. 후처리 단계는 분할된 근육 영역을 원본 이미지에 대조하여, 원본 이미지에서 임상적으로 근육이 가지는 HU 범위 안에 속한 영역들만 남기고 모두 제거하는 과정을 의미한다. 본 실시예로, 후처리 단계는 세그멘테이션 이미지(13)의 HU range를 검사하여 -29HU~150HU의 영역을 벗어나는 이미지를 제거하여 최종적으로 근육 영역을 분할한 세그멘테이션 이미지(13)를 출력한다.
도 3은 수작업으로 마스킹한 근육 분할 이미지(12)와 본 발명의 실시예에 따른 근감소증 분석 프로그램이 생성한 세그멘테이션 이미지(13)를 비교한 것이다. 도 3을 참조하면, 초기 학습시 수작업으로 분할한 마스크(12) 이미지와 거의 동일한 근육 세그멘테이션 이미지(13)를 획득할 수 있는 것을 확인할 수 있다.
도 4는 본 발명의 실시예에 따른 근감소증 분석 프로그램이 세그멘테이션 이미지(13)를 원본 영상(113)에 채색하여 출력한 프로그램의 출력 화면 모습을 나타낸 것이다. (b)단계(S20)는 근육 영역이 추출된 세그멘테이션 이미지(13)를 분석 대상(113)이 되는 이미지 상에 다른 색상으로 채색하여 출력할 수 있다.
도 4는 출력 수단(15)에 디스플레이 된 본 실시예의 근감소증 분석 프로그램(1) UI 화면을 캡쳐한 모습이다. 도 4를 참조하면, 근감소증 분석 프로그램(1)은 학습 단계 실행 버튼(151), 세그멘테이션 실행 버튼(152), 근감소증 관련 파라미터 표시 영역(153)을 포함하도록 UI가 제공될 수 있다.
초기, 사용자는 학습 단계 실행 버튼(151)을 클릭하여 전술한 (a)단계(S10)를 실행한다. 이후, 세그멘테이션 실행 버튼(152)을 클릭하면 (b)단계(S20)가 실행되어 근육의 세그멘테이션 이미지(13)를 확인할 수 있으며, 이는 분석 대상이 되는 원본 이미지(113)에 덧입힌 형식으로 출력될 수 있다. 세그멘테이션 실행 버튼(152)은 본 실시예에서 근육(MUS)만 예시하여 설명하였으나, 지방(FAT) 등의 분할을 수행하는 다른 기능이 본 플랫폼 상에 추가적으로 구현될 수도 있을 것이다.
도 5는 본 발명의 실시예에 따른 근감소증 분석 프로그램(1)에서 근감소증 진단을 위한 파라미터(153)가 출력된 모습을 나타낸 것이다.
(c)단계(S30)는 처리 수단이 세그멘테이션 이미지(13)를 대상으로 근육 영역의 데이터를 정량화하여 산출한 근감소증 관련 파라미터(1531)를 출력 수단(15)이 출력하는 단계를 의미한다. (c)단계(S30)는 근육 영역의 면적, 신장, 및 성별의 데이터를 이용하여 근감소증 관련 파라미터(1531)를 산출할 수 있다.
(c)단계(S30)는 정보 입력 단계와 파라미터 산출 단계를 포함할 수 있다. 정보 입력 단계에서는 입력 수단이 근감소증 파라미터 산출을 위해 추가적으로 필요한 환자의 정보를 입력받는다. 필요한 환자의 정보로는 환자의 신장 및 성별의 데이터가 될 수 있다. 환자의 정보 이외에도, 근감소증 관련 파라미터(1531) 산출에는 근육 영역의 면적 정보가 요구된다.
(c)단계(S30)는 세그멘테이션 이미지(13)의 pixel spacing정보를 적용하여 근육 영역의 면적을 계산할 수 있다. 도 5에서 근육 영역의 면적은 muscle Area(cm2) 항목으로 출력된다.
(c)단계(S30)는 근육 영역의 면적 값과 환자의 신장 값으로 근감소증 판단을 위한 머슬 인덱스 지수(1531)를 산출하여 출력할 수 있다. 본 실시예는 근감소증 관련 파라미터로 머슬 인덱스 지수(MI, 1531)를 예시한다. MI 지수(1531)는 근육 영역의 면적을 신장의 제곱으로 나누어 산출될 수 있다. 예시로서, MI 지수(1531)는 남성의 경우 55cm2/m2 미만, 여성의 경우 39 cm2/m2 미만일 때 근감소증이 유력한 것으로 판단될 수 있다.
본 발명의 다른 실시예로, 근감소증 분석 프로그램은 데이터를 입력하는 입력 수단, 입력된 데이터를 처리하는 처리 수단을 갖춘 스마트폰, 태블릿, 또는 노트북에 보급되는 형태인 애플리케이션으로 제공될 수 있다.
본 실시예에 따른 근감소증 분석 애플리케이션은 의료 영상장비가 환자의 체내를 촬영한 이미지 데이터를 입력 수단이 입력받아 상기 처리 수단이 상기 이미지 데이터를 정규화하여 딥러닝 알고리즘으로 학습하는 제1 기능; 제1 기능에서 학습된 정보를 기반으로 딥러닝 알고리즘이 의료 영상장비가 촬영한 분석 대상이 되는 이미지에서 근육 영역을 추출한 세그멘테이션 이미지(segmentation image)를 상기 출력 수단이 출력하는 제2 기능; 및 처리 수단이 상기 세그멘테이션 이미지를 대상으로 근육 영역의 데이터를 정량화하여 산출한 근감소증 관련 파라미터를 출력 수단이 출력하는 제3 기능을 실행시키기 위하여 매체에 저장될 수 있다.
도 6은 근감소증 분석 애플리케이션의 시스템 흐름도로서, 전술한 근감소증 분석 프로그램과 수행 원리는 동일하다. 제1 기능은 전술한 (a)단계(S10)의 수행과정으로 DICOM 영상을 입력받아 WW/WL을 정규화한다. 제2 기능은 전술한 (b)단계(S20)의 수행과정으로 근육 분할 딥러닝 모델을 이용하여 세그멘테이션 이미지(13)를 출력한다. 이 때 초기 분할 결과를 HU range로 후처리하여 최종 근육 분할 결과를 세그멘테이션 이미지(13)로 출력한다. 제3 기능은 전술한 (c)단계(S30)의 수행과정으로 세그멘테이션 이미지(13)의 정량 정보를 추출하여 머슬 인덱스를 산출한다.
이상에서 대표적인 실시예를 통하여 본 발명을 상세하게 설명하였으나, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리 범위는 설명한 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 특허청구범위와 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태에 의하여 정해져야 한다.
1: 근감소증 분석 프로그램, 근감소증 분석 애플리케이션
3: 근육 영역
10: 컴퓨터
11: 이미지 데이터
12, 13: 세그멘테이션 이미지
113: 분석 대상이 되는 이미지
15: 출력 수단
151: 학습 단계 실행 버튼
152: 세그멘테이션 실행 버튼
153: 근감소증 관련 파라미터 표시 영역
1531: MI 지수
3: 근육 영역
10: 컴퓨터
11: 이미지 데이터
12, 13: 세그멘테이션 이미지
113: 분석 대상이 되는 이미지
15: 출력 수단
151: 학습 단계 실행 버튼
152: 세그멘테이션 실행 버튼
153: 근감소증 관련 파라미터 표시 영역
1531: MI 지수
Claims (9)
- 데이터를 입력하는 입력 수단, 입력된 데이터를 처리하는 처리 수단, 처리된 데이터를 출력하는 출력 수단을 갖춘 컴퓨터에,
(a) 의료 영상장비가 환자의 체내를 촬영한 이미지 데이터를 상기 입력 수단이 입력받아 상기 처리 수단이 상기 이미지 데이터를 정규화하여 딥러닝 알고리즘으로 학습하는 단계;
(b) 상기 (a)단계에서 학습된 정보를 기반으로 딥러닝 알고리즘이 상기 의료 영상장비가 촬영한 분석 대상이 되는 이미지에서 근육 영역을 추출한 세그멘테이션 이미지(segmentation image)를 상기 출력 수단이 출력하는 단계; 및
(c) 상기 처리 수단이 상기 세그멘테이션 이미지를 대상으로 상기 근육 영역의 데이터를 정량화하여 산출한 근감소증 관련 파라미터를 상기 출력 수단이 출력하는 단계를 실행시키기 위하여 매체에 저장된 근감소증 분석 프로그램.
- 제 1 항에 있어서,
상기 (a)단계는,
CT 이미지의 abdomen view의 WW(window width)/WL(window level)를 정규화하여 딥러닝 알고리즘의 입력 데이터를 전처리하는 것을 특징으로 하는 매체에 저장된 근감소증 분석 프로그램.
- 제 1 항에 있어서,
상기 (b)단계는,
상기 딥러닝 알고리즘으로 U-Net 모델 또는 U-Net 모델에서 파생된 생성모델이 적용된 것을 특징으로 하는 매체에 저장된 근감소증 분석 프로그램.
- 제 1 항에 있어서,
상기 (b)단계는,
근육 영역이 추출된 상기 세그멘테이션 이미지를 흑백 이미지로 이진화하여 출력하는 것을 특징으로 하는 매체에 저장된 근감소증 분석 프로그램.
- 제 1 항에 있어서,
상기 (b)단계는,
근육 영역이 추출된 상기 세그멘테이션 이미지를 상기 분석 대상이 되는 이미지 상에 다른 색상으로 채색하여 출력하는 것을 특징으로 하는 매체에 저장된 근감소증 분석 프로그램.
- 제 1 항에 있어서,
상기 (c)단계는,
상기 세그멘테이션 이미지의 pixel spacing정보를 적용하여 근육 영역의 면적을 계산하는 것을 특징으로 하는 매체에 저장된 근감소증 분석 프로그램.
- 제 1 항에 있어서,
상기 (c)단계는,
근육 영역의 면적, 신장, 및 성별의 데이터를 이용하여 상기 근감소증 관련 파라미터를 산출하는 것을 특징으로 하는 매체에 저장된 근감소증 분석 프로그램.
- 제 1 항에 있어서,
상기 (c)단계는,
근육 영역의 면적 값과 환자의 신장 값으로 근감소증 판단을 위한 머슬 인덱스 지수를 산출하여 출력하는 것을 특징으로 하는 매체에 저장된 근감소증 분석 프로그램.
- 데이터를 입력하는 입력 수단, 입력된 데이터를 처리하는 처리 수단을 갖춘 스마트폰, 태블릿, 또는 노트북에,
의료 영상장비가 환자의 체내를 촬영한 이미지 데이터를 상기 입력 수단이 입력받아 상기 처리 수단이 상기 이미지 데이터를 정규화하여 딥러닝 알고리즘으로 학습하는 제1 기능;
상기 제1 기능에서 학습된 정보를 기반으로 상기 딥러닝 알고리즘이 상기 의료 영상장비가 촬영한 분석 대상이 되는 이미지에서 근육 영역을 추출한 세그멘테이션 이미지(segmentation image)를 상기 출력 수단이 출력하는 제2 기능; 및
상기 처리 수단이 상기 세그멘테이션 이미지를 대상으로 상기 근육 영역의 데이터를 정량화하여 산출한 근감소증 관련 파라미터를 상기 출력 수단이 출력하는 제3 기능을 실행시키기 위하여 매체에 저장된 근감소증 분석 애플리케이션.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190027675A KR102206621B1 (ko) | 2019-03-11 | 2019-03-11 | 딥러닝 알고리즘을 이용한 근감소증 분석 프로그램 및 애플리케이션 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190027675A KR102206621B1 (ko) | 2019-03-11 | 2019-03-11 | 딥러닝 알고리즘을 이용한 근감소증 분석 프로그램 및 애플리케이션 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200108686A true KR20200108686A (ko) | 2020-09-21 |
| KR102206621B1 KR102206621B1 (ko) | 2021-01-22 |
Family
ID=72707983
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190027675A KR102206621B1 (ko) | 2019-03-11 | 2019-03-11 | 딥러닝 알고리즘을 이용한 근감소증 분석 프로그램 및 애플리케이션 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102206621B1 (ko) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102321427B1 (ko) * | 2021-01-20 | 2021-11-04 | 메디컬아이피 주식회사 | 의료영상을 이용한 인체성분 분석 방법 및 그 장치 |
| KR20220011488A (ko) * | 2020-07-21 | 2022-01-28 | 서울대학교산학협력단 | Ct 영상 기반 체성분 분석 장치 및 방법 |
| KR20220103506A (ko) * | 2021-01-15 | 2022-07-22 | 고려대학교 산학협력단 | 딥러닝 기반 자동 대흉근 측정 장치 및 그 방법을 실행하기 위한 프로그램이 기록된 기록매체 |
| WO2024043356A1 (ko) * | 2022-08-24 | 2024-02-29 | 원광대학교산학협력단 | 흉부 이미지 기반 중증환자용 근감소증 진단 시스템 및 방법 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180074597A (ko) | 2016-12-23 | 2018-07-03 | 순천향대학교 산학협력단 | 제지방지수에 기초하여 근감소증을 진단하는 장치 및 방법 |
| KR20180097035A (ko) * | 2017-02-22 | 2018-08-30 | 연세대학교 산학협력단 | 컴퓨터 단층촬영 영상에서 플라크를 분석하기 위한 방법 및 장치 |
| KR20180097214A (ko) * | 2017-02-23 | 2018-08-31 | 고려대학교 산학협력단 | 딥러닝을 사용하여 재발 부위를 예측하고, pet 이미지를 생성하는 방법과 장치 |
| KR20180132196A (ko) * | 2017-06-01 | 2018-12-12 | 서울대학교병원 | 단층촬영 이미지로부터 자동으로 근육량을 계산하는 방법 |
-
2019
- 2019-03-11 KR KR1020190027675A patent/KR102206621B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180074597A (ko) | 2016-12-23 | 2018-07-03 | 순천향대학교 산학협력단 | 제지방지수에 기초하여 근감소증을 진단하는 장치 및 방법 |
| KR20180097035A (ko) * | 2017-02-22 | 2018-08-30 | 연세대학교 산학협력단 | 컴퓨터 단층촬영 영상에서 플라크를 분석하기 위한 방법 및 장치 |
| KR20180097214A (ko) * | 2017-02-23 | 2018-08-31 | 고려대학교 산학협력단 | 딥러닝을 사용하여 재발 부위를 예측하고, pet 이미지를 생성하는 방법과 장치 |
| KR20180132196A (ko) * | 2017-06-01 | 2018-12-12 | 서울대학교병원 | 단층촬영 이미지로부터 자동으로 근육량을 계산하는 방법 |
Non-Patent Citations (1)
| Title |
|---|
| Hyunkwang Lee 외 6명, Pixel-Level Deep Segmentation: Artificial Intelligence Quantifies Muscle on Computed Tomography for Body Morphometric Analysis, J Digit Imaging (2017) 30:pp.487-498, 2017.06.26.공개 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220011488A (ko) * | 2020-07-21 | 2022-01-28 | 서울대학교산학협력단 | Ct 영상 기반 체성분 분석 장치 및 방법 |
| KR20220103506A (ko) * | 2021-01-15 | 2022-07-22 | 고려대학교 산학협력단 | 딥러닝 기반 자동 대흉근 측정 장치 및 그 방법을 실행하기 위한 프로그램이 기록된 기록매체 |
| KR102321427B1 (ko) * | 2021-01-20 | 2021-11-04 | 메디컬아이피 주식회사 | 의료영상을 이용한 인체성분 분석 방법 및 그 장치 |
| WO2022158654A1 (ko) * | 2021-01-20 | 2022-07-28 | 메디컬아이피 주식회사 | 의료영상을 이용한 인체성분 분석 방법 및 그 장치 |
| CN115175619A (zh) * | 2021-01-20 | 2022-10-11 | 脉得谱株式会社 | 一种使用医学图像分析人体成分的方法及其装置 |
| US20230368373A1 (en) * | 2021-01-20 | 2023-11-16 | Medicalip Co., Ltd. | Method and apparatus for analyzing body composition using medical image |
| WO2024043356A1 (ko) * | 2022-08-24 | 2024-02-29 | 원광대학교산학협력단 | 흉부 이미지 기반 중증환자용 근감소증 진단 시스템 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102206621B1 (ko) | 2021-01-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102206621B1 (ko) | 딥러닝 알고리즘을 이용한 근감소증 분석 프로그램 및 애플리케이션 | |
| Saleh et al. | An automated decision-support system for non-proliferative diabetic retinopathy disease based on MAs and HAs detection | |
| US9898818B2 (en) | Automated measurement of changes in retinal, retinal pigment epithelial, or choroidal disease | |
| Garnavi et al. | Automatic segmentation of dermoscopy images using histogram thresholding on optimal color channels | |
| KR20190113089A (ko) | 근감소증 분석지원을 위한 인공 신경망 기반의 인체 형태 분석법을 채용하는 영상 처리 장치 및 이를 이용한 영상 처리 방법 | |
| Li et al. | Vessel recognition of retinal fundus images based on fully convolutional network | |
| Cavalcanti et al. | A coarse-to-fine approach for segmenting melanocytic skin lesions in standard camera images | |
| Hatanaka et al. | Improvement of automatic hemorrhage detection methods using brightness correction on fundus images | |
| CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
| EP4022562A1 (en) | Image processing for stroke characterization | |
| Tavakoli et al. | Radon transform technique for linear structures detection: application to vessel detection in fluorescein angiography fundus images | |
| Tolentino et al. | Detection of circulatory diseases through fingernails using artificial neural network | |
| Marcal et al. | Evaluation of the Menzies method potential for automatic dermoscopic image analysis. | |
| WO2022059596A1 (ja) | 皮表解析装置及び皮表解析方法 | |
| CN111513765B (zh) | 呼吸肌组织的超声测量方法、超声测量装置及存储介质 | |
| CN111292285A (zh) | 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法 | |
| CN113011333B (zh) | 基于近红外图像获取最佳静脉穿刺点和方向的系统及方法 | |
| EP2980757B1 (en) | Quantification and imaging methods of the echo-texture feature | |
| Gadriye et al. | Neural Network based method for the diagnosis of diabetic retinopathy | |
| Khurshid et al. | Image processing to quantitate hemoglobin level for diagnostic support | |
| CN112541907A (zh) | 一种图像识别方法、装置、服务器及介质 | |
| Park et al. | Automatic extraction of soft tissue tumor from ultrasonography using ART2 based intelligent image analysis | |
| WO2023032954A1 (ja) | 情報処理方法、プログラム及び画像診断装置 | |
| Mesanovic et al. | Application of lung segmentation algorithm to disease quantification from CT images | |
| Guarracino et al. | Segmenting dermoscopic images |
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 |