KR20200120365A - 파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 방법 및 장치 - Google Patents

Abstract

파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 장치 및 방법이 개시된다. 본 발명의 일실시예에 따른 파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 방법은, 환자를 촬영한 전체영상으로부터 반복 동작이 수행되는 부분영상을 검출하는 단계; 상기 반복 동작에 관한 동작 그룹을 식별하는 단계; 상기 식별된 동작 그룹이, 상기 부분영상 내에서 반복하는 형태를, 점수로 환산하는 단계; 및 상기 환산된 점수를 통해, 상기 환자의 상태를 결정하는 단계를 포함할 수 있다.

Description

파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 방법 및 장치{MACHINE LEARNING METHOD AND SYSTEM FOR AUTOMATICALLY GRADING SEVERITY FROM SEPARATED ACTIONS OF A PARKINSONIAN PATIENT VIDEO}

본 발명은 반복 동작을 통한 파킨슨 환자의 상태를 평가함에 있어, 환자의 영상으로부터 기계 학습을 이용하여 구분 동작을 검출하고, 이를 통해 자동으로 환자의 중증 정도를 산출하는, 파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 방법 및 장치에 관한 것이다.

파킨슨 등과 같은 신경 질환을 갖는 환자의 상태는, 파킨슨 환자에게 MDS-UPDRS(Movement Disorder Society - Unified Parkinson's Disease Rating Scale)에서 정의된 과제를 수행하도록 하고, 의료진이 육안 검사를 통해 평가한다.

파킨슨 환자의 상태에 대한 평가는 수행된 각 과제에 대해 의료진이 0(정상) 에서 4(중증) 사이의 5 단계로 구성된 점수를 할당한 다음, 모든 항목에 대해 점수를 합산하여 이루어진다.

하지만, 의료진에 의한 평가는 의료진의 경험을 바탕으로 하므로 주관적이며, 의료진에 따라 서로 다른 점수를 받을 수 있어, 진단이 부정확하거나 불확실 할 수 있다.

또한, 이러한 의료진에 의한 평가는 파킨슨 환자가 의료진을 방문한 시점에서의 상태를 기준으로 이루어지므로, 파킨슨 환자의 일상 생활에 관한 정보를 고려할 수는 없다.

파킨슨 환자의 일상 생활의 정보를 얻기 위해서는 파킨슨 환자가 직접 본인을 평가하는 방법도 있다. 예를 들어, 파킨슨 환자는 교육을 통해 스스로의 상태를 판단하는 방법을 학습하고, 나쁨/보통/좋음의 3 가지 단계와 더불어 이상운동이 있음과 과도한 이상운동 여부에 대해 스스로 판단하여, 본인의 상태를 평가할 수 있다.

하지만, 파킨슨 환자 스스로 자신의 상태를 평가하는 방식에서는, 몸이 불편한 파킨슨 환자가 기록을 지속적이고 규칙적으로 하는 것이 어렵고, 정확도 및 객관성이 부족할 수 있다.

공지의 다른 방법에서는 파킨슨 환자에게 센서(가속도, 자이로 등)를 부착하고, 센서로부터 파킨슨 환자의 상태를 평가하는데 필요한 특징들을 추출하여 이로부터 파킨슨 환자의 상태를 평가하는 방식도 있을 수 있다. 하지만, 이 경우에는, 추출된 특징들로부터 파킨슨 환자의 상태를 결정함에 있어, 의료진의 평가를 기반으로 하므로, 여전히 주관적인 요소를 가지게 된다.

또한, 센서를 통한 파킨슨 환자의 상태에 대한 평가 방법은 파킨슨 환자에게 부착할 별도의 센서를 필요로 하며, 파킨슨 환자의 일상 생활에 관한 정보를 얻기 위해서는, 파킨슨 환자에게 불편함을 초래하지 않는 범위 내에서 센서를 부착해야 하므로, 파킨슨 환자로부터 얻을 수 있는 정보에 제한이 있다.

이에 따라, 파킨슨 환자를 촬영한 영상에서 파킨슨 환자가 행하는 반복 동작을 검출하고, 이를 통해, 파킨슨 환자의 상태를 정밀하게 평가하는 것에 관한 새로운 기술이 절실히 요구되고 있다.

본 발명의 실시예는, 환자를 촬영한 영상을 통해, 파킨슨 환자에 대한 상태 정도를 수치적으로 평가 함으로써, 파킨슨 환자의 불편을 최소화하면서도, 파킨슨 환자의 중증 상태를 정확하게 진단하는, 파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 방법 및 장치를 제공하는 것을 목적으로 한다.

또한, 본 발명의 실시예는, 파킨슨 환자의 구분 동작에 대한 반복성과 정확성을 분석하여, 환자 상태를 평가한 정보를 축적하여 학습 시킴으로써, 보다 정밀한 상태의 평가가 지속적으로 개선되게 하는 것을 목적으로 한다.

본 발명의 일실시예에 따른 파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 방법은, 환자를 촬영한 전체영상으로부터 반복 동작이 수행되는 부분영상을 검출하는 단계; 상기 반복 동작에 관한 동작 그룹을 식별하는 단계; 상기 식별된 동작 그룹이, 상기 부분영상 내에서 반복하는 형태를, 점수로 환산하는 단계; 및 상기 환산된 점수를 통해 상기 환자의 상태를 결정하는 단계를 포함할 수 있다.

또한, 본 발명의 실시예에 따른 파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 장치는, 환자를 촬영한 전체영상으로부터 반복 동작이 수행되는 부분영상을 검출하는 검출부; 상기 반복 동작에 관한 동작 그룹을 식별하는 식별부; 상기 식별된 동작 그룹이 상기 부분영상 내에서 반복하는 형태를, 점수로 환산하는 연산부; 및 상기 환산된 점수를 통해, 상기 환자의 상태를 결정하는 결정부를 포함하여 구성할 수 있다.

본 발명의 일실시예에 따르면, 환자를 촬영한 영상을 통해, 파킨슨 환자에 대한 상태 정도를 수치적으로 평가 함으로써, 파킨슨 환자의 불편을 최소화하면서도, 파킨슨 환자의 중증 상태를 정확하게 진단하는, 파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 방법 및 장치를 제공할 수 있다.

또한, 본 발명의 일실시예에 따르면, 파킨슨 환자의 구분 동작에 대한 반복성과 정확성을 분석하여, 환자 상태를 평가한 정보를 축적하여 학습 시킴으로써, 보다 정밀한 상태의 평가가 지속적으로 개선되게 할 수 있다.

도 1은 본 발명의 일실시예에 따른, 파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 장치의 내부 구성을 도시한 블록도이다.
도 2는 파킨슨 환자의 상태를 진단/평가하는 종례 예를 설명하기 위한 도면이다.
도 3은 본 발명에 따라, 반복 동작을 구성하는 구분 동작으로 구성된 데이터 셋을 예시하는 도면이다.
도 4는 본 발명에 따른, 환자 영상으로부터 각 구분 동작에 해당할 확률 출력하는 일례를 예시하는 도면이다.
도 5는 본 발명에 따른, 각 프레임 별 뉴럴 네트워크의 출력 결과를 도시하는 도면이다.
도 6은 본 발명의 일실시예에 따른, 학습 방법의 순서를 도시한 흐름도이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 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.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 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 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

도 1은 본 발명의 일실시예에 따른, 파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 장치의 내부 구성을 도시한 블록도이다.

도 1을 참조하면, 본 발명의 일실시예에 따른 학습 장치(100)는, 검출부(110), 식별부(120), 연산부(130) 및 결정부(140)를 포함하여 구성할 수 있다.

검출부(110)는 환자를 촬영한 전체영상으로부터 반복 동작이 수행되는 부분영상을 검출한다. 즉, 검출부(110)는 파킨슨 환자가 임의로 행하는 구분 동작이 일정한 주기로 반복되는 경우, 해당 파킨슨 환자에 관한 전체영상에서, 상기 구분 동작이 반복되는 구간을 선별하여 검출해내는 역할을 할 수 있다.

식별부(120)는 상기 반복 동작에 관한 동작 그룹을 식별한다. 즉, 식별부(120)는 상기 부분영상 내에 등장하는 다수의 동작 중에서, 반복 동작을 이루는 복수의 동작을 묶어 식별하는 기능을 할 수 있다.

예컨대, 식별부(120)는 부분영상 내에서, 서로 그룹을 이루며 반복 동작이 행해지는, 손 동작 중 주먹과 보자기를, 동작 그룹으로서 식별할 수 있다.

만약, 부분영상 내에, 반복 동작이 다수 존재한다면, 식별부(120)는 개별 반복 동작이 행해질 확률을 수치로 환산하여, 특정 하나의 반복 동작들을, 동작 그룹으로 식별할 수 있다.

즉, 식별부(120)는, 상기 부분영상에 존재하는 다수의 동작 사이에 반복하는 확률을 확인하고, 가장 높은 확률로 확인되는, 복수의 동작을 상기 동작 그룹으로서 식별할 수 있다.

예컨대, 부분영상에 존재하는 손 동작이, 주먹, 가위, 보자기, 동그라미의 4개일 경우, 식별부(120)는 정해진 기간 내에서, {주먹, 가위}가 반복하여 동작할 확률(50%), {주먹, 보자기}가 반복하여 동작할 확률(70%), {주먹, 동그라미}가 반복하여 동작할 확률(10%), {가위, 보자기}가 반복하여 동작할 확률(15%), {가위, 동그라미}가 반복하여 동작할 확률(9%), {보자기, 동그라미}가 반복하여 동작할 확률(25%) 등으로 확인할 수 있다.

이후, 식별부(120)는 확인된 확률 중, 가장 높은 수치의 확률이 확인되는 {주먹, 보자기}를, 동작 그룹으로서 식별할 수 있다.

또한, 연산부(130)는 상기 식별된 동작 그룹이, 상기 부분영상 내에서 반복하는 형태를, 점수로 환산한다. 즉, 연산부(130)는 동작 그룹으로 식별된 반복 동작들이, 상기 부분영상 중에서, 일정한 패턴 및 규칙을 가지고 행해지는지를, 수치화하는 역할을 수행할 수 있다.

동작 그룹에 대한 점수의 할당에 있어, 연산부(130)는, 상기 동작 그룹에 해당하는 학습 동작 그룹을, 학습 데이터베이스에서 검색할 수 있다. 즉, 연산부(130)는 표준으로 정해지거나, 동일 질환 또는 관련 질환 환자군이 이전에 학습으로 축적해둔 동작 그룹을, 상기 학습 동작 그룹으로서 학습 데이터베이스로부터 검색할 수 있다.

또한, 연산부(130)는 상기 학습 동작 그룹이 갖는 반복하는 형태와, 상기 식별된 동작 그룹이 상기 부분영상 내에서 반복하는 형태를 비교하며, 상기 비교 결과에 따른 일치 정도에 따라, 상기 동작 그룹에게 상기 점수를 할당할 수 있다.

예컨대, 연산부(130)는 식별된 동작 그룹 {주먹, 보자기}가 상기 부분영상 내에서 나타내고 있는 반복형태를, 검색된 학습 동작 그룹 {주먹, 보자기}의 반복형태와 비교하고, 이들 동작들의 유사 정도, 또는 동작들의 반복 주기가 일치하는 정도를 따져, 상기 동작 그룹 {주먹, 보자기}에게 정해진 점수를 할당할 수 있다.

다른 일례로서, 연산부(130)는 상기 동작 그룹을, 상기 부분영상의 시간 진행에 따른 구현 확률에 관한 그래프로 시각화하고, 상기 그래프 상에서, 상기 동작 그룹에 대한 상기 반복 동작의 규칙 정도에 따라, 상기 동작 그룹에게 상기 점수를 할당할 수 있다.

즉, 연산부(130)는 시간이 경과함에 따른, 동작 그룹 내 개별 동작들이 행해질 확률을 확인하여, 각기 그래프 상에 표시하고, 이들 각각의 확률 그래프가 반복되는 양태를 고려하여, 상기 점수를 할당할 수 있다.

예컨대, 후술하는 도 5에서와 같이, 연산부(130)는 시간 흐름에 따라, 주먹과 보자기가 반복되는 형태와, 구현 확률을 그래프로 표시하고, 주먹과 보자기가 반복되는 형태를 분석하여, 정해진 점수를 할당할 수 있다.

그래프와 관련한 점수 할당에 있어, 연산부(130)는 상기 그래프 내 픽크들의 평균 값을, 상기 점수로 할당할 수 있다. 예컨대, 연산부(130)는 주기 별 그래프에 대한, 상단 픽크 확률과 하단 픽크 확률 간의 차이를 평균 값으로 환산하여 점수로 할당할 수 있다.

도 5의 예시에서, 연산부(130)는 '주먹'에 대한 그래프의 상하단 차이값( [0.7-(-0.2)], [(-0.2)-0.6], [0.6-0.1])의 평균 '-0.733'과, '보자기'에 대한 그래프의 상하단 차이값([(-0.1)-0.5)], [(0.5)-0], [0-0.3])의 평균 '0.466'와의 평균값 '0.6'을 점수로 할당할 수 있다.

또 다른 실시예에서, 연산부(130)는 상기 그래프 내 픽크를 기준으로 선정된 범위에 속하는 주변 점을 제거 한 후, 나머지 점들의 평균 값을, 상기 점수로 할당할 수 있다. 즉, 연산부(130)는 그래프에 속하는 개별 값 중, 그래프 변곡에 따른 노이즈를 제거하고, 그 나머지 값 만을 선별하여, 평균 값을 구함으로써, 보다 정확한 점수를 할당할 수 있게 한다.

상술의 도 5의 예시에서, 연산부(130)는 그래프에서 상단 픽크와 하단 픽크를 기준으로, ±5% 범위에 속하는 주변 점을 제거한 후, 나머지 점에 대해 평균값을 구할 수 있다. 예를 들어, 연산부(130)는 '주먹'의 그래프에서 첫번째 주기 상단인 '0.7'을 중심으로 ±5%에 속하는 0.65~0.75 사이의 점을 제거하고, 또한 첫번째 주기 하단인 '-0.2'을 중심으로 ±5%에 속하는 -0.25~-0.15 사이의 점을 제거한 후, 나머지 점에 대해 평균값을 구할 수 있다. 이후, 연산부(130)는 '주먹'의 그래프에서 두번째 이후의 주기와, '보자기'의 그래프에서 각 주기의 상하단에 대해서도 유사한 평균값 산출 과정을 통해, 정해진 점수를 할당할 수 있다.

결정부(140)는 환산된 점수를 통해, 상기 환자의 상태를 결정한다. 즉, 결정부(140)는 할당된 점수가 속하는 등급에 따라, 파킨슨 환자의 현재 상태를 최종적으로 평가하는 기능을 할 수 있다.

상술한 도 5의 예시와 같이, 연산부(130)에 의해 할당되는 점수가 '0.6'이며, 결정부(140)는 규정된 허용 값(예, 0.3~0.7) 내에 점수 '0.6'이 있으므로, 현재 파킨슨 환자의 상태를 "안정"으로 결정할 수 있다.

본 발명의 일실시예에 따르면, 환자를 촬영한 영상을 통해, 파킨슨 환자에 대한 상태 정도를 수치적으로 평가 함으로써, 파킨슨 환자의 불편을 최소화하면서도, 파킨슨 환자의 중증 상태를 정확하게 진단하는, 파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 방법 및 장치를 제공할 수 있다.

또한, 본 발명의 일실시예에 따르면, 파킨슨 환자의 구분 동작에 대한 반복성과 정확성을 분석하여, 환자 상태를 평가한 정보를 축적하여 학습 시킴으로써, 보다 정밀한 상태의 평가가 지속적으로 개선되게 할 수 있다.

도 2는 파킨슨 환자의 상태를 진단/평가하는 종례 예를 설명하기 위한 도면이다.

도 2(a)와 도 2(b)에서는, 파킨슨 환자에게 부착하는 센서의 일례를 보여주는 도면이다.

도 2(a)에서와 같이, 센서는 파킨슨 환자의 손가락에 부착되어, 파킨슨 환자로부터 생체 신호를 지속적으로 획득할 수 있게 한다.

도 2(b)에서는 발목에 장착되는 센서를 예시하고 있고, 발목 센서 역시, 환자의 발목으로부터 발생되는 생체 신호를 실시간으로 획득할 수 있다.

도 2(a)와 도 2(b)의 센서에서 획득한 생체 신호를, 지정된 의사단말 등으로 수집되면, 의사단말에 표시된 생체 신호를 담당 의사가 분석하여, 환자의 현 상태에 대해 소견을 부여할 수 있다.

도 2(c)는 환자 스스로 작성하는 평가 일기에 대한 일례를 도시한 도면이다.

도 2(c)에서와 같이, 평가 일기는, 환자의 일상 생활의 정보를 얻기 위해 환자가 직접 본인의 상태를 평가하여 기록하는 목록일 수 있다.

기록된 평가 일기는, 정해진 내원일에 의사에게 제출되어, 의사로 하여금 환자의 평소 상태가 진단/평가 되도록 할 수 있다.

이러한 종례의 진단/평가 방법은 획득되는 정보의 객관성이나, 진단/평가의 신속성에 많은 단점을 가지고 있다.

이를 극복하고자, 본 발명의 학습 장치(100)는 반복 동작을 토대로 파킨슨 환자의 상태를 평가함에 있어, 환자의 영상으로부터 기계 학습을 통해 자동으로 점수를 산출할 수 있다.

본 발명의 학습 장치(100)는 뉴럴 네트워크가 반복 동작을 구성하는 두 개 이상의 동작에 대한 데이터 셋의 분류를 학습하는 단계; 환자의 반복 동작 영상에서 반복 동작 수행 부분을 검출하는 단계; 학습된 뉴럴 네트워크에 검출된 영상을 입력하여 학습된 두 개 이상의 동작에 해당할 확률 및/또는 점수를 출력하는 단계; 출력된 확률 및/또는 점수로부터 학습된 두 개 이상의 동작이 반복되는 구간을 검출하는 단계; 검출된 구간 및/또는 확률, 점수로부터 반복 동작의 규칙성, 정확성 에 관한 평가 점수를 획득하는 단계; 및 획득된 평가 점수로부터 환자의 상태를 결정하는 단계를 수행하여, 파킨슨 환자의 현 상태를 비교적 간편하면서도 정확하게 진단/평가할 수 있다.

도 3은 본 발명에 따라, 반복 동작을 구성하는 구분 동작으로 구성된 데이터 셋을 예시하는 도면이다.

도 3에서는 파킨슨 환자가 행하는 반복 동작으로, 주먹을 쥐었다(도 3(a)) 펴는 반복 동작(도 3(b))을 예로 설명하고 있다.

도 3에서 학습 장치(100)는 뉴럴 네트워크가 반복 동작을 구성하는 두 개 이상의 동작에 대한 데이터 셋의 분류를 학습하는 단계에서, 두 개 이상의 구분 동작과 그 데이터 셋을 분류할 수 있다. 이때, 두 개 이상의 구분 동작으로 구성되는 데이터 셋은 꼭 환자의 데이터를 이용할 필요는 없다.

뉴럴 네트워크는 이 데이터 셋을 구성하는 두 개 이상의 구분 동작의 분류를 학습할 수 있다. 즉, 뉴럴 네트워크는 각 구분 동작에 해당하는 영상이 입력되면 해당 구분 동작일 확률이 가장 높거나, 또는 일정 수치 이상의 값이거나, 또는 일정 수치 이상의 차이 값으로 출력되도록 학습할 수 있다.

도 3에서와 같이, 뉴럴 네트워크는, 데이터 셋으로서, 파킨슨 환자의 주먹과 보자기 동작을 구분하여 인식할 수 있다.

도 4는 본 발명에 따른, 환자 영상으로부터 각 구분 동작에 해당할 확률 출력하는 일례를 예시하는 도면이다.

학습 장치(100)는 환자의 반복 동작 영상에서 반복 동작 수행 부분을 검출할 수 있다. 예컨대, 학습 장치(100)는 전체 영상(410)에서, 환자가 행하는 반복 동작으로서, 손의 쥐었다 펴는 동작으로 검출(420)할 수 있다.

이후, 학습 장치(100)는 뉴럴 네트워크에 검출된 영상을 입력하여 학습된 두 개 이상의 구분 동작에 해당할 확률 및/또는 점수를 출력할 수 있다. 도 4에서, 학습 장치(100)는 뉴럴 네트워크(430)에 의한 기계학습을 통해, 환자가 행하는 쥐었다 펴는 손의 반복 동작에 대해 '주먹일 확률'과 '보자기일 확률'을 산출해 낼 수 있다.

도 5는 본 발명에 따른, 각 프레임 별 뉴럴 네트워크의 출력 결과를 도시하는 도면이다.

학습 장치(100)는 출력된 확률 또는 점수로부터 두 개 이상의 동작이 반복되는 구간을 검출하고, 상기 결과들로부터 반복 동작의 규칙성, 정확성에 관한 평가 점수를 획득하며, 획득된 평가 점수로부터 환자의 상태를 결정할 수 있다.

즉, 학습 장치(100)는 표준화된 분류(Classification)으로부터 구한 값을 입력으로 하여, 뉴럴 네트워크를 통해 중증도의 점수를 계산할 수 있다.

이러한 계산 방법으로는, 상기 Classification으로부터 구한 값 중에서 각 frame에서 구분동작(주먹이나 보자기 등)에 해당하는 점수/확률을 입력값으로 사용하는 1)방법, Classification으로부터 구한 값 중에서 peak(positive and/or negative) 및/또는 peak 주변의 점수/확률을 입력값으로 사용하는 2)방법, 상기 점수/확률 값으로부터 주파수 변환(FFT 등)을 통해 획득한 주파수 값을 입력으로 사용하는 3)방법, 주파수를 입력으로 사용하기에 앞서 전처리 과정(선형추세 제거, Low pass filter 등)을 추가하는 4)방법, 환자의 중증도를 판별하는데 필요한 동작들(오른손, 왼손, 다리의 움직임 등)의 확률/점수를 구하고, 구해진 값들을 조합하여 입력값으로 사용하는 5)방법 등이 있을 수 있다.

또한, 실시예에 따라, 상기 계산 방법은, 앞서의 1)방법 내지 5)방법과 연관되는 입력값들에 대한 시계열 데이터를 병합하여 하나의 입력값으로 사용할 수도 있고, 상기 시계열 데이터를 특정 단위로 추출하여 입력값으로 사용할 수도 있다. 또한, 상기 계산 방법은, 상기 시계열 데이터로부터 특정 단위로 데이터를 추출하여, 이들 간의 병합된 결과를 입력값으로 사용할 수도 있다.

이후, 학습 장치(100)는 Classification으로부터 구한 값을 이용하여 그래프를 생성하고, 그래프의 peak(positive and/or negative) 및/또는 주변 점들의 평균/median amplitude를 계산하여 점수화 할 수 있다. 이때, 학습 장치(100)는 peak(positive and/or negative) 및/또는 주변 점들에서 이상치의 제거를 위해 일정 퍼센트 이하의 상/하위 amplitude는 제외할 수 있다.

영상을 이용하여 파킨슨 환자의 움직임을 평가하는 기존의 연구들은 파킨슨 환자를 촬영한 영상으로부터 관절, 다리의 위치 각도 등을 검출하고, 이를 이용하여 환자의 움직임을 평가하는 방식이다.

기존에, 움직임의 평가를 위해서는, 환자의 실루엣을 인식하거나 특정 관절 위치, 각도 등을 구하는 방법들이 사용되고 있다.

하지만, 이러한 방법들은 영상으로부터 추출하는 특징(feature)을 사람이 주관적인 판단에 따라 정하기 때문에, 정해진 특징이 잘 드러나지 않는 영상에서는 활용도가 떨어지는 단점이 있다.

예를 들어, 상술의 기존 방법들에서 검출 정확도를 높이기 위해서는, 환자의 움직임이 특정 방향에서 촬영되어야 한다든지, 환자의 움직임 평가에 꼭 필요하지 않은 어깨나 얼굴과 같은 특정 부위가 영상에 포함되어야 한다든지, 전신 촬영을 필요로 한다든지와 같은 제한을 가지고 있다.

따라서, 기존 방법에 의해서는, 촬영된 영상들 중에 정해진 조건에 부합하는 영상 만을 활용하거나 재촬영을 위해 환자가 평가 동작을 다시 해야 하는 한계가 있어 왔다.

본 발명은 환자의 영상에서 손이나 발과 같은 평가의 기준이 되는 반복 동작을 수행하는 부위 만을 검출하고, 다양한 각도로 이루어진 해당 부위의 사진들을 데이터 셋으로 하여 학습된 기계학습 네트워크를 통해 반복 동작이 얼마나 잘 수행되는지, 얼마나 빠르게 수행되는지 등을 classification 기법을 통해 검출한 확률값에 근거하여 산출하고, 이렇게 산출된 값들로부터 환자의 중증 정도를 평가하고 있다.

본 발명에 의해서는, 기존의 방법들과 달리 영상에, 평가를 수행하는 부위 만이 포함되면 평가가 가능하므로, 얼굴이나 어깨 등과 같은 특정 부위가 촬영되지 않은 영상들에도 적용이 가능하다.

또한, 본 발명에 의해서는, 다양한 각도로 촬영된 사진을 이용하여 기계학습을 수행하므로, 환자의 영상에서 손이나 발의 촬영 각도에 대한 제약이 없다.

또한, 본 발명에 의해서는, 기계학습을 통해 나온 확률값을 스코어로 변환하여 환자의 동작 수행의 정확도와 속도를 검출하는 기준으로 사용하므로, 사람의 주관적인 평가 요소를 필요로 하지 않는다.

본 발명에 따라, 환자의 영상에서 손이나 발과 같은 부위를 검출하는 과정은

- 데이터셋으로부터 획득한 대표 영상과 환자 영상 간의 template matching을 통하여 가장 유사도가 높은 부위를 검출하고,

- Pose estimation을 통해 환자의 특정 관절의 위치를 검출하고 이로부터 손이나 발 등의 위치를 산출하며,

- RGB, HSV, YCbCr 등과 같은 color space 간의 변환을 통해, 손이나 발과 같은 특정 색이 분포하는 위치를 검출하고,

- 영상에서 motion vector의 움직임이 가장 큰 영역을 검출하며,

- 사람이 직접 영상에서 검출이 필요한 위치를, bounding box로 입력하고,

- 사람이 직접 영상에서 중심점과 같은 특정 위치를 클릭해주면 일정 반경의 범위를 검출 위치로 결정하며,

- 직접 영상에서 검출 위치를 입력받는 경우에는 비디오마다 첫번째 프레임이나 동작의 평가가 시작되는 시점에서 입력을 받고, 이후에는 위치 추정을 사용하여 자동으로 검출, 하는 것으로 구성될 수 있다.

또한, 본 발명에 따라, 환자의 영상에서 손이나 발과 같은 부위의 위치를 추정하는 과정은,

- 검출된 한쪽 손이나 발의 위치로부터 대칭되는 위치에서 검출하고,

- 프레임 간의 연속성을 활용하여 기존에 손이나 발과 같은 부위가 검출된 프레임으로부터 일정 범위 내에서 검출하며,

- 기존에 손이나 발과 같은 부위가 검출된 프레임과 그 바로 전 프레임으로부터 움직임 벡터를 계산하고, 계산된 움직임 벡터의 값에 가중치를 곱하여 이전 프레임의 위치와의 연산을 통해 현재 프레임에서 손이나 발의 위치를 추정, 하는 것으로 구성될 수 있다.

기계학습의 네트워크는, convolution layer, pooling layer, fully connected layer 등으로 구성되고, 각 layer에는 batch normalization, drop out, activation function layer 등이 전후에 추가될 수 있고, 각 layer 간에는 connection이 추가될 수 있다.

또한, 본 발명에 따라, 기계학습 결과로 나온 스코어로부터 중증 정도를 평가하는 과정은,

- 하나의 구분동작을 기준으로, 스코어의 최대값들 간의 시간 간격으로부터 환자의 움직임의 속도를 측정하고,

- 속도의 규칙성과 빠르기로부터 환자의 중증 정도를 점수화 하며,

- 스코어로부터 환자가 각 동작을 얼마나 정확히 구현했는지를 점수화 하고,

- 속도와 스코어 값들로부터 각각 사분위 계산을 통해 이상치를 제거하고, 나머지 값들을 이용해서 평균이나 median을 통해 스코어를 결정,하는 것으로 구성될 수 있다.

이하, 도 6에서는 본 발명의 실시예들에 따른 학습 장치(100)의 작업 흐름을 상세히 설명한다.

도 6은 본 발명의 일실시예에 따른, 학습 방법의 순서를 도시한 흐름도이다.

본 실시예에 따른 학습 방법은 상술한 파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 장치(100)에 의해 수행될 수 있다.

우선, 학습 장치(100)는 환자를 촬영한 전체영상으로부터 반복 동작이 수행되는 부분영상을 검출한다(610). 단계(610)는 파킨슨 환자가 임의로 행하는 구분 동작이 일정한 주기로 반복되는 경우, 해당 파킨슨 환자에 관한 전체영상에서, 상기 구분 동작이 반복되는 구간을 선별하여 검출해내는 과정일 수 있다.

또한, 학습 장치(100)는 상기 반복 동작에 관한 동작 그룹을 식별한다(620). 단계(620)는 상기 부분영상 내에 등장하는 다수의 동작 중에서, 반복 동작을 이루는 복수의 동작을 묶어 식별하는 과정일 수 있다.

예컨대, 학습 장치(100)는 부분영상 내에서, 서로 그룹을 이루며 반복 동작이 행해지는, 손 동작 중 주먹과 보자기를, 동작 그룹으로서 식별할 수 있다.

만약, 부분영상 내에, 반복 동작이 다수 존재한다면, 학습 장치(100)는 개별 반복 동작이 행해질 확률을 수치로 환산하여, 특정 하나의 반복 동작들을, 동작 그룹으로 식별할 수 있다.

즉, 학습 장치(100)는 상기 부분영상에 존재하는 다수의 동작 사이에 반복하는 확률을 확인하고, 가장 높은 확률로 확인되는, 복수의 동작을 상기 동작 그룹으로서 식별할 수 있다.

예컨대, 부분영상에 존재하는 손 동작이, 주먹, 가위, 보자기, 동그라미의 4개일 경우, 학습 장치(100)는 정해진 기간 내에서, {주먹, 가위}가 반복하여 동작할 확률(50%), {주먹, 보자기}가 반복하여 동작할 확률(70%), {주먹, 동그라미}가 반복하여 동작할 확률(10%), {가위, 보자기}가 반복하여 동작할 확률(15%), {가위, 동그라미}가 반복하여 동작할 확률(9%), {보자기, 동그라미}가 반복하여 동작할 확률(25%) 등으로 확인할 수 있다.

이후, 학습 장치(100)는 확인된 확률 중, 가장 높은 수치의 확률이 확인되는 {주먹, 보자기}를, 동작 그룹으로서 식별할 수 있다.

또한, 학습 장치(100)는 상기 식별된 동작 그룹이, 상기 부분영상 내에서 반복하는 형태를, 점수로 환산한다(630). 단계(630)는 동작 그룹으로 식별된 반복 동작들이, 상기 부분영상 중에서, 일정한 패턴 및 규칙을 가지고 행해지는지를, 수치화하는 과정일 수 있다.

동작 그룹에 대한 점수의 할당에 있어, 학습 장치(100)는 상기 동작 그룹에 해당하는 학습 동작 그룹을, 학습 데이터베이스에서 검색할 수 있다. 즉, 학습 장치(100)는 표준으로 정해지거나, 동일 질환 또는 관련 질환 환자군이 이전에 학습으로 축적해둔 동작 그룹을, 상기 학습 동작 그룹으로서 학습 데이터베이스로부터 검색할 수 있다.

또한, 학습 장치(100)는 상기 학습 동작 그룹이 갖는 반복하는 형태와, 상기 식별된 동작 그룹이 상기 부분영상 내에서 반복하는 형태를 비교하며, 상기 비교 결과에 따른 일치 정도에 따라, 상기 동작 그룹에게 상기 점수를 할당할 수 있다.

예컨대, 학습 장치(100)는 식별된 동작 그룹 {주먹, 보자기}가 상기 부분영상 내에서 나타내고 있는 반복형태를, 검색된 학습 동작 그룹 {주먹, 보자기}의 반복형태와 비교하고, 이들 동작들의 유사 정도, 또는 동작들의 반복 주기가 일치하는 정도를 따져, 상기 동작 그룹 {주먹, 보자기}에게 정해진 점수를 할당할 수 있다.

다른 일례로서, 학습 장치(100)는 상기 동작 그룹을, 상기 부분영상의 시간 진행에 따른 구현 확률에 관한 그래프로 시각화하고, 상기 그래프 상에서, 상기 동작 그룹에 대한 상기 반복 동작의 규칙 정도에 따라, 상기 동작 그룹에게 상기 점수를 할당할 수 있다.

즉, 학습 장치(100)는 시간이 경과 함에 따른, 동작 그룹 내 개별 동작들이 행해질 확률을 확인하여, 각기 그래프 상에 표시하고, 이들 각각의 확률 그래프가 반복되는 양태를 고려하여, 상기 점수를 할당할 수 있다.

예컨대, 학습 장치(100)는 시간 흐름에 따라, 주먹과 보자기가 반복되는 형태와, 구현 확률을 그래프로 표시하고, 주먹과 보자기가 반복되는 형태를 분석하여, 정해진 점수를 할당할 수 있다.

그래프와 관련한 점수 할당에 있어, 학습 장치(100)는 상기 그래프 내 픽크들의 평균 값을, 상기 점수로 할당할 수 있다. 예컨대, 학습 장치(100)는 주기 별 그래프에 대한, 상단 픽크 확률과 하단 픽크 확률 간의 차이를 평균 값으로 환산하여 점수로 할당할 수 있다.

도 5의 예시에서, 학습 장치(100)는 '주먹'에 대한 그래프의 상하단 차이값( [0.7-(-0.2)], [(-0.2)-0.6], [0.6-0.1])의 평균 '-0.733'과, '보자기'에 대한 그래프의 상하단 차이값([(-0.1)-0.5)], [(0.5)-0], [0-0.3])의 평균 '0.466'와의 평균값 '0.6'을 점수로 할당할 수 있다.

또 다른 실시예에서, 학습 장치(100)는 상기 그래프 내 픽크를 기준으로 선정된 범위에 속하는 주변 점을 제거 한 후, 나머지 점들의 평균 값을, 상기 점수로 할당할 수 있다. 즉, 학습 장치(100)는 그래프에 속하는 개별 값 중, 그래프 변곡에 따른 노이즈를 제거하고, 그 나머지 값 만을 선별하여, 평균 값을 구함으로써, 보다 정확한 점수를 할당할 수 있게 한다.

상술의 도 5의 예시에서, 학습 장치(100)는 그래프에서 상단 픽크와 하단 픽크를 기준으로, ±5% 범위에 속하는 주변 점을 제거한 후, 나머지 점에 대해 평균값을 구할 수 있다. 예를 들어, 연산부(130)는 '주먹'의 그래프에서 첫번째 주기 하단인 '0'을 중심으로 ±5%에 속하는 0.05~-0.05 사이의 점을 제거하고, 또한 첫번째 주기 하단인 '-0.2'을 중심으로 ±5%에 속하는 -0.25~-0.15 사이의 점을 제거한 후, 나머지 점에 대해 평균값을 구할 수 있다. 이후, 학습 장치(100)는 '주먹'의 그래프에서 두번째 이후의 주기와, '보자기'의 그래프에서 각 주기의 상하단에 대해서도 유사한 평균값 산출 과정을 통해, 정해진 점수를 할당할 수 있다.

또한, 학습 장치(100)는 환산된 점수를 통해, 상기 환자의 상태를 결정한다(640). 단계(640)는 할당된 점수가 속하는 등급에 따라, 파킨슨 환자의 현재 상태를 최종적으로 평가하는 과정일 수 있다.

상술한 도 5의 예시와 같이, 할당되는 점수가 '0.6'이며, 학습 장치(100)는 규정된 허용 값(예, 0.3~0.7) 내에 점수 '0.6'이 있으므로, 현재 파킨슨 환자의 상태를 "안정"으로 결정할 수 있다.

본 발명의 일실시예에 따르면, 환자를 촬영한 영상을 통해, 파킨슨 환자에 대한 상태 정도를 수치적으로 평가 함으로써, 파킨슨 환자의 불편을 최소화하면서도, 파킨슨 환자의 중증 상태를 정확하게 진단하는, 파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 방법 및 장치를 제공할 수 있다.

또한, 본 발명의 일실시예에 따르면, 파킨슨 환자의 구분 동작에 대한 반복성과 정확성을 분석하여, 환자 상태를 평가한 정보를 축적하여 학습 시킴으로써, 보다 정밀한 상태의 평가가 지속적으로 개선되게 할 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

100 : 학습 장치
110 : 검출부 120 : 식별부
130 : 연산부 140 : 결정부

Claims (12)

1. 환자를 촬영한 전체영상으로부터 반복 동작이 수행되는 부분영상을 검출하는 단계;
   상기 반복 동작에 관한 동작 그룹을 식별하는 단계;
   상기 식별된 동작 그룹이, 상기 부분영상 내에서 반복하는 형태를, 점수로 환산하는 단계; 및
   상기 환산된 점수를 통해, 상기 환자의 상태를 결정하는 단계
   를 포함하는 파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 방법.
2. 제1항에 있어서,
   상기 동작 그룹을 식별하는 단계는,
   상기 부분영상에 존재하는 다수의 동작 사이에 반복하는 확률을 확인하는 단계; 및
   가장 높은 확률로 확인되는, 복수의 동작을 상기 동작 그룹으로서 식별하는 단계
   를 포함하는 파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 방법.
3. 제1항에 있어서,
   상기 점수로 환산하는 단계는,
   상기 동작 그룹에 해당하는 학습 동작 그룹을, 학습 데이터베이스에서 검색하는 단계;
   상기 학습 동작 그룹이 갖는 반복하는 형태와, 상기 식별된 동작 그룹이 상기 부분영상 내에서 반복하는 형태를 비교하는 단계; 및
   상기 비교 결과에 따른 일치 정도에 따라, 상기 동작 그룹에게 상기 점수를 할당하는 단계
   를 포함하는 파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 방법.
4. 제1항에 있어서,
   상기 점수로 환산하는 단계는,
   상기 동작 그룹을, 상기 부분영상의 시간 진행에 따른 구현 확률에 관한 그래프로 시각화하는 단계; 및
   상기 그래프 상에서, 상기 동작 그룹에 대한 상기 반복 동작의 규칙 정도에 따라, 상기 동작 그룹에게 상기 점수를 할당하는 단계
   를 포함하는 파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 방법.
5. 제4항에 있어서,
   상기 점수로 환산하는 단계는,
   상기 그래프 내 픽크(peak)들의 평균 값을, 상기 점수로 할당하는 단계
   를 더 포함하는 파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 방법.
6. 제4항에 있어서,
   상기 점수로 환산하는 단계는,
   상기 그래프 내 픽크를 기준으로 선정된 범위에 속하는 주변 점을 제거 한 후, 나머지 점들의 평균 값을, 상기 점수로 할당하는 단계
   를 더 포함하는 파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 방법.
7. 환자를 촬영한 전체영상으로부터 반복 동작이 수행되는 부분영상을 검출하는 검출부;
   상기 반복 동작에 관한 동작 그룹을 식별하는 식별부;
   상기 식별된 동작 그룹이, 상기 부분영상 내에서 반복하는 형태를, 점수로 환산하는 연산부; 및
   상기 환산된 점수를 통해, 상기 환자의 상태를 결정하는 결정부
   를 포함하는 파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 장치.
8. 제7항에 있어서,
   상기 식별부는,
   상기 부분영상에 존재하는 다수의 동작 사이에 반복하는 확률을 확인하고, 가장 높은 확률로 확인되는, 복수의 동작을 상기 동작 그룹으로서 식별하는
   파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 장치.
9. 제7항에 있어서,
   상기 연산부는,
   상기 동작 그룹에 해당하는 학습 동작 그룹을, 학습 데이터베이스에서 검색하고, 상기 학습 동작 그룹이 갖는 반복하는 형태와, 상기 식별된 동작 그룹이 상기 부분영상 내에서 반복하는 형태를 비교하며, 상기 비교 결과에 따른 일치 정도에 따라, 상기 동작 그룹에게 상기 점수를 할당하는
   파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 장치.
10. 제7항에 있어서,
    상기 연산부는,
    상기 동작 그룹을, 상기 부분영상의 시간 진행에 따른 구현 확률에 관한 그래프로 시각화하고, 상기 그래프 상에서, 상기 동작 그룹에 대한 상기 반복 동작의 규칙 정도에 따라, 상기 동작 그룹에게 상기 점수를 할당하는
    파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 장치.
11. 제10항에 있어서,
    상기 연산부는,
    상기 그래프 내 픽크들의 평균 값을, 상기 점수로 할당하는
    파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 장치.
12. 제10항에 있어서,
    상기 연산부는,
    상기 그래프 내 픽크를 기준으로 선정된 범위에 속하는 주변 점을 제거 한 후, 나머지 점들의 평균 값을, 상기 점수로 할당하는
    파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 장치.

Images