KR20210018214A - 단층 화상 예측 장치 및 단층 화상 예측 방법 - Google Patents

단층 화상 예측 장치 및 단층 화상 예측 방법 Download PDF

Info

Publication number
KR20210018214A
KR20210018214A KR1020207032270A KR20207032270A KR20210018214A KR 20210018214 A KR20210018214 A KR 20210018214A KR 1020207032270 A KR1020207032270 A KR 1020207032270A KR 20207032270 A KR20207032270 A KR 20207032270A KR 20210018214 A KR20210018214 A KR 20210018214A
Authority
KR
South Korea
Prior art keywords
brain
image
tomographic image
prediction
tomographic
Prior art date
Application number
KR1020207032270A
Other languages
English (en)
Inventor
세이사쿠 고모리
유이치 기무라
Original Assignee
하마마츠 포토닉스 가부시키가이샤
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 하마마츠 포토닉스 가부시키가이샤 filed Critical 하마마츠 포토닉스 가부시키가이샤
Publication of KR20210018214A publication Critical patent/KR20210018214A/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
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • 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]
    • A61B6/037—Emission tomography
    • 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
    • A61B6/501—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 for diagnosis of the head, e.g. neuroimaging or craniography
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G06N3/0427—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
    • 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
    • A61B6/46—Arrangements for interfacing with the operator or the patient
    • A61B6/461—Displaying means of special interest
    • A61B6/463—Displaying means of special interest characterised by displaying multiple images or images and diagnostic data on one display
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10108—Single photon emission computed tomography [SPECT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Optics & Photonics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Psychiatry (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Neurosurgery (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Dentistry (AREA)
  • Fuzzy Systems (AREA)

Abstract

단층 화상 예측 장치(1)는 입력부(11), 예측부(12), 출력부(13) 및 학습부(14)를 구비한다. 단층 화상 예측 장치(1)는 피험자의 뇌의 단층 화상을 입력 화상 I1으로서 입력하고, 그 단층 화상의 취득시보다 후의 해당 피험자의 뇌의 단층 화상을 예측부(12)의 심층 뉴럴 네트워크에 의해 예측하여, 그 예측한 단층 화상을 출력 화상 I2로서 출력한다. 단층 화상 예측 장치(1)는 단층 화상 데이터베이스(15)를 이용하여 심층 뉴럴 네트워크를 학습시킬 수 있다. 이것에 의해, 피험자의 장래의 치료 등의 방침 입안에 유용한 단층 화상 예측 장치 및 단층 화상 예측 방법이 실현된다.

Description

단층 화상 예측 장치 및 단층 화상 예측 방법
본 개시는 단층 화상을 예측하는 장치 및 방법에 관한 것이다.
고령화가 진행되어 치매 환자의 수가 증가하고 있어, 피험자의 치매 정도를 진단하는 기술이 요구되고 있다. 피험자의 치매 정도는, 그 피험자의 말과 행동으로부터 진단할 수 있는 것 외에, 뇌의 단층 화상을 의사가 확인함으로써 진단할 수도 있다. 특허문헌 1에는, 뉴럴 네트워크를 이용하여 피험자의 뇌의 단층 화상으로부터 해당 피험자의 뇌의 상태를 진단하는 기술이 개시되어 있다.
국제 공개 제2008/056638호
특허문헌 1에 개시된 기술은, 피험자의 현재의 뇌의 단층 화상으로부터 현재의 치매 정도를 진단한다. 피험자의 현재의 치매 정도를 진단할 수 있으면, 해당 피험자의 간호 또는 치료에 유용하다. 그러나, 피험자의 현재의 치매 정도를 아는 것만으로는, 해당 피험자의 현재부터 장래에 걸친 간호, 치료 또는 예방의 방침을 세우기에는 충분하지 않다.
본 발명은 피험자의 장래의 치료 등의 방침 입안에 유용한 단층 화상 예측 장치 및 단층 화상 예측 방법을 제공하는 것을 목적으로 한다.
본 발명의 실시 형태는, 단층 화상 예측 장치이다. 단층 화상 예측 장치는 (1) 피험자의 뇌의 단층 화상을 입력하는 입력부와, (2) 입력부로 입력된 뇌의 단층 화상에 기초하여, 심층 뉴럴 네트워크에 의해, 그 단층 화상의 취득시보다 후의 피험자의 뇌의 단층 화상을 예측하는 예측부와, (3) 예측부에 의한 예측 결과를 출력하는 출력부를 구비한다.
본 발명의 실시 형태는, 단층 화상 예측 방법이다. 단층 화상 예측 방법은 (1) 피험자의 뇌의 단층 화상을 입력하는 입력 스텝과, (2) 입력 스텝에서 입력된 뇌의 단층 화상에 기초하여, 심층 뉴럴 네트워크에 의해, 그 단층 화상의 취득시보다 후의 피험자의 뇌의 단층 화상을 예측하는 예측 스텝과, (3) 예측 스텝에 있어서의 예측 결과를 출력하는 출력 스텝을 구비한다.
본 발명의 실시 형태에 의하면, 피험자의 장래의 뇌의 단층 화상을 예측함으로써, 해당 피험자의 현재부터 장래에 걸친 간호, 치료 또는 예방에 대해서, 보다 유효한 방침을 세울 수 있다.
도 1은 단층 화상 예측 장치(1)의 구성을 나타내는 도면이다.
도 2는 심층 뉴럴 네트워크가 학습 완료된 단층 화상 예측 장치(1)의 구성을 나타내는 도면이다.
도 3은 단층 화상 예측 장치(1A)의 구성을 나타내는 도면이다.
도 4는 입력부(11)로 입력되는 단층 화상(입력 화상 I1), 출력부(13)로부터 출력되는 출력 화상 I2a~I2d, 및 출력부(13)로부터 출력되는 차분 화상의 예를 나타내는 도면이다.
도 5는 실제의 단층 화상과 예측된 단층 화상을 대비하여 나타내는 도면이다.
도 6은 최악의 시나리오 및 최선의 시나리오 각각으로 예측된 단층 화상을 대비하여 나타내는 도면이다.
도 7은 단층 화상 예측 장치(1B)의 구성을 나타내는 도면이다.
도 8은 단층 화상 예측 장치(1C)의 구성을 나타내는 도면이다.
이하, 첨부 도면을 참조하여, 본 발명을 실시하기 위한 형태를 상세하게 설명한다. 또한, 도면의 설명에 있어서 동일한 요소에는 동일한 부호를 부여하고, 중복되는 설명을 생략한다. 본 발명은 이들 예시로 한정되는 것은 아니다.
도 1은 단층 화상 예측 장치(1)의 구성을 나타내는 도면이다. 단층 화상 예측 장치(1)는 피험자의 뇌의 단층 화상을 입력 화상 I1으로서 입력하고, 그 단층 화상의 취득시보다 후의 해당 피험자의 뇌의 단층 화상을 심층 뉴럴 네트워크에 의해 예측하여, 그 예측한 단층 화상을 출력 화상 I2로서 출력한다. 또한, 단층 화상 예측 장치(1)는 단층 화상 데이터베이스(15)를 이용하여 심층 뉴럴 네트워크를 학습시킬 수 있다. 단층 화상 예측 장치(1)는 예를 들면 컴퓨터를 이용하여 구성되고, 입력부(11), 예측부(처리부)(12), 출력부(13) 및 학습부(14)를 구비한다.
입력부(11)는 피험자의 뇌의 단층 화상을 입력 화상 I1으로서 입력한다. 단층 화상은 예를 들면, PET(Positron Emission Tomography) 장치에 의해 취득되는 PET 화상, SPECT(Single Photon Emission Computed Tomography) 장치에 의해 취득되는 SPECT 화상, 및 MRI(Magnetic Resonance Imaging) 장치에 의해 취득되는 MRI 화상 중 어느 것이어도 된다. 또한, 단층 화상은 한 슬라이스 또는 복수 슬라이스의 이차원 단층 화상이어도 되고, 삼차원 단층 화상이어도 된다.
예측부(12)는, 입력부(11)로 입력된 뇌의 단층 화상(입력 화상 I1)에 기초하여, 심층 뉴럴 네트워크(Deep Neural Network)에 의해, 그 단층 화상의 취득시보다 후의 피험자의 뇌의 단층 화상 등을 예측한다. 또한, 예측부(12)는 그 예측한 피험자의 뇌의 단층 화상에 기초하여 해당 피험자의 뇌의 건강 상태도 예측하는 구성으로 해도 된다. 뇌의 건강 상태는, 예를 들면 치매 정도이며, 수치화된 Z 스코어로 나타낼 수 있고, 또는, 위험도 레벨(정밀 검사 요망, 주의 요망, 경과 관찰 요망 등)로 나타낼 수도 있다.
이 심층 뉴럴 네트워크는 합성곱 뉴럴 네트워크(Convolutional Neural Network)여도 된다. 합성곱 뉴럴 네트워크에서는, 특징량을 추출하는 합성곱 층과, 특징량을 압축하는 풀링(pooling) 층이, 교호로 마련되어 있다. 예측부(12)는 심층 뉴럴 네트워크에 있어서의 처리를, CPU(Central Processing Unit)에 의해 행해도 되지만, 보다 고속의 처리가 가능한 DSP(Digital Signal Processor) 또는 GPU(Graphics Processing Unit)에 의해 행하는 것이 바람직하다.
출력부(13)는 예측부(12)에 의한 예측 결과를 출력한다. 출력부(13)는 예측부(12)가 예측한 피험자의 뇌의 단층 화상을 출력 화상 I2로서 출력한다. 또한, 예측부(12)가 피험자의 뇌의 건강 상태도 예측하는 경우에는, 출력부(13)는 예측부(12)가 예측한 피험자의 뇌의 건강 상태도 출력한다. 출력부(13)는 화상을 표시하는 디스플레이를 포함하는 구성으로 해도 된다.
학습부(14)는 단층 화상 데이터베이스(15)를 이용하여 예측부(12)의 심층 뉴럴 네트워크를 학습시킨다. 단층 화상 데이터베이스(15)는 복수의 피험자에 대해 복수의 시점 각각에 취득된 뇌의 단층 화상 데이터를 격납하고 있다. 단층 화상 데이터베이스(15)는, 예를 들면, 대략 1년 간격으로 취득한 각 피험자의 뇌의 단층 화상 데이터를 격납하고 있다. 학습부(14)는 각 피험자의 어느 해에 취득된 단층 화상을 입력 화상 I1으로 하고, 그 입력 화상 I1에 대한 출력 화상 I2 및 해당 피험자의 다음의 해(또는, 일정 년수 경과 후의 해)에 취득된 단층 화상에 기초하여, 예측부(12)의 심층 뉴럴 네트워크를 학습시킨다. 이와 같은 심층 뉴럴 네트워크의 학습은, 딥 러닝(Deep Learning)으로 불린다.
이와 같은 단층 화상 예측 장치(1)를 이용한 단층 화상 예측 방법은, 입력부(11)에 의한 입력 스텝, 예측부(12)에 의한 예측 스텝, 출력부(13)에 의한 출력 스텝, 및 학습부(14)에 의한 학습 스텝을 구비한다.
즉, 입력 스텝에 있어서, 피험자의 뇌의 단층 화상을 입력 화상 I1으로서 입력한다. 예측 스텝에 있어서, 입력 스텝에서 입력된 뇌의 단층 화상(입력 화상 I1)에 기초하여, 심층 뉴럴 네트워크에 의해, 그 단층 화상의 취득시보다 후의 피험자의 뇌의 단층 화상 등을 예측한다. 또한, 예측 스텝에 있어서, 그 예측한 피험자의 뇌의 단층 화상에 기초하여 해당 피험자의 뇌의 건강 상태도 예측하는 구성으로 해도 된다. 출력 스텝에 있어서, 예측 스텝에서 예측한 피험자의 뇌의 단층 화상을 출력 화상 I2로서 출력하고, 또한, 예측 스텝에서 예측한 피험자의 뇌의 건강 상태도 출력한다. 학습 스텝에 있어서, 단층 화상 데이터베이스(15)를 이용하여 심층 뉴럴 네트워크를 학습시킨다.
학습 스텝에 있어서 심층 뉴럴 네트워크의 학습을 한 번 행해 두면, 이후에는 입력, 예측 및 출력의 일련의 스텝을 반복해서 행할 수 있으므로, 입력, 예측 및 출력의 일련의 스텝을 행할 때마다 학습 스텝을 행할 필요는 없다. 마찬가지의 이유로, 심층 뉴럴 네트워크가 학습 완료되었으면 학습부(14)는 필요하지 않다. 다만, 심층 뉴럴 네트워크가 학습 완료되었어도, 더 고정밀도의 예측을 가능하게 하기 위해 다시 학습을 행하는 경우에는, 학습 스텝 및 학습부(14)가 있어도 된다.
도 2는 심층 뉴럴 네트워크가 학습 완료된 단층 화상 예측 장치(1)의 구성을 나타내는 도면이다. 단층 화상 예측 장치(1)는 피험자의 뇌의 단층 화상을 입력 화상 I1으로서 입력하고, 그 단층 화상의 취득시보다 후(예를 들면, 일년 후, 일정 년수 경과 후 등)의 해당 피험자의 뇌의 단층 화상을 심층 뉴럴 네트워크에 의해 예측하여 출력 화상 I2로서 출력할 수 있고, 또한, 그 예측한 피험자의 뇌의 단층 화상에 기초하여 해당 피험자의 뇌의 건강 상태도 예측할 수 있다. 피험자의 장래의 뇌의 단층 화상(및 뇌의 건강 상태)을 예측할 수 있으므로, 해당 피험자의 현재부터 장래에 걸친 간호, 치료 또는 예방에 대해서, 보다 유효한 방침을 세울 수 있다.
피험자의 장래의 뇌의 단층 화상(및 뇌의 건강 상태)을 예측함으로써, 예를 들면 다음과 같은 대처가 가능하게 된다. 예측된 단층 화상으로부터, 정상압 수두증, 뇌종양, 만성 경막하 혈종 등의 의심이 든다고 판단되는 경우에는, 뇌 외과적 처치에 의해 증상을 개선할 수 있다. 또한, 갑상선 호르몬의 이상이 원인이라고 판단되는 경우에는, 내과적 처치에 의해 증상을 개선할 수 있다. 예측된 단층 화상으로부터 알츠하이머형의 의심이 든다고 판단되는 경우에는, 약 투여에 의해 증상의 진행을 늦출 수 있다. 조기 발견에 의해, 장래에 발생할 가능성이 있는 생활상의 장애 등의 트러블에 사전에 대응할 수 있어, 조기에 향후의 치료, 말기 의료, 간호 등의 방침을 정할 수 있다.
단층 화상 예측 장치(1) 및 단층 화상 예측 방법은, 하나의 입력 화상 I1을 입력하여 하나의 출력 화상 I2을 출력하는 양태로 한정되는 것이 아니라, 다양한 양태가 가능하다. 이하에서는, 단층 화상 예측 장치의 다른 양태에 대해서 설명한다.
도 3은 단층 화상 예측 장치(1A)의 구성을 나타내는 도면이다. 단층 화상 예측 장치(1A)에서는, 예측부(12A)는, 입력부(11)로 입력된 뇌의 단층 화상(입력 화상 I1)의 취득시보다 후의 복수의 시점 각각의 뇌의 단층 화상을 예측한다. 출력부(13)는 예측부(12A)에 의해 예측된 복수의 시점 각각의 뇌의 단층 화상(출력 화상 I2a~I2e)을 개별적으로 표시해도 되고, 바람직하게는, 이들 복수의 시점 각각의 뇌의 단층 화상을 순서대로 표시함으로써 동영상 표시해도 된다.
예를 들면, 출력 화상 I2a는 입력 화상 I1의 취득시로부터 1년 경과 후의 예측 화상이다. 출력 화상 I2b는 입력 화상 I1의 취득시로부터 2년 경과 후의 예측 화상이다. 출력 화상 I2c는 입력 화상 I1의 취득시로부터 3년 경과 후의 예측 화상이다. 출력 화상 I2d는 입력 화상 I1의 취득시로부터 4년 경과 후의 예측 화상이다. 또한, 출력 화상 I2e는 입력 화상 I1의 취득시로부터 5년 경과 후의 예측 화상이다. 이와 같이 장래의 복수의 시점 각각에 있어서의 뇌의 단층 화상을 예측함으로써, 뇌의 건강 상태의 변화의 파악이 용이하게 된다.
예측부(12A)는 입력 화상 I1으로부터 출력 화상 I2a를 예측하고, 이 출력 화상 I2a로부터 출력 화상 I2b를 예측하며, 이 출력 화상 I2b로부터 출력 화상 I2c를 예측하고, 이 출력 화상 I2c로부터 출력 화상 I2d를 예측하며, 이 출력 화상 I2d로부터 출력 화상 I2e를 예측해도 된다. 또는, 입력 화상 I1으로부터 출력 화상 I2a~I2e를 예측할 수 있도록, 심층 뉴럴 네트워크를 학습시켜 두어도 된다.
도 4는 입력부(11)로 입력되는 단층 화상(입력 화상 I1), 출력부(13)로부터 출력되는 출력 화상 I2a~I2d, 및 출력부(13)로부터 출력되는 차분 화상의 예를 나타내는 도면이다. 이 도면에 나타내지는 바와 같이, 출력부(13)는, 예측부(12A)에 의해 예측된 뇌의 단층 화상(출력 화상 I2a~I2d 등)과 입력부(11)로 입력된 뇌의 단층 화상(입력 화상 I1) 사이의 차분을 나타내는 차분 화상(I2a-I1, I2b-I1, I2c-I1, I2d-I1 등)을 구하여, 이 차분 화상을 출력하는 구성으로 해도 된다. 이와 같이 장래의 복수의 시점 각각에 있어서의 뇌의 차분 화상을 표시함으로써, 뇌의 건강 상태의 변화의 파악(예를 들면 악화되어 가는 장소 및 모양의 파악)이 더 용이하게 된다.
도 5는 실제의 단층 화상과, 예측된 단층 화상을 대비하여 나타내는 도면이다. 여기에서는, 어느 시점의 PET 화상과 1년 후의 PET 화상을 1세트로 하여, 470세트의 PET 화상 데이터를 격납하는 단층 화상 데이터베이스를 이용하여, 심층 뉴럴 네트워크를 학습시켰다. 이 도면은 어느 특정 피험자의 뇌의 실제의 1년째부터 5년째까지의 PET 화상을 나타내는 것과 함께, 그 특정 피험자의 뇌의 예측된 1년째부터 5년째까지의 PET 화상도 나타낸다. 또한, 이 도면은 실제의 5년째의 PET 화상과 1년째의 PET 화상의 차분을 나타내는 차분 화상을 나타내는 것과 함께, 예측된 5년째의 PET 화상과 1년째의 PET 화상의 차분을 나타내는 차분 화상도 나타낸다.
실제와 예측을 대비하면, 실제의 어느 해의 PET 화상과, 예측된 같은 해의 PET 화상 사이에서, 활성이 저하되어 있는 부위가 공통되고 있었다. 또한, 그 활성이 저하되는 부위는, 피험자에 따라서 차이가 있었다. 이것은 어느 시점의 뇌의 단층 화상으로부터 장래의 뇌의 단층 화상을 피험자마다 예측하는 것이 가능하다는 것을 나타내고 있다. 이와 같은 결과는, 종래의 통계적인 처리로는 어렵다.
도 6은 최악의 시나리오 및 최선의 시나리오 각각으로 예측된 단층 화상을 대비하여 나타내는 도면이다. 이 도면에 나타내지는 바와 같이, 예측부(12A)는, 최악의 시나리오 및 최선의 시나리오 각각에 대해서, 입력부(11)로 입력된 뇌의 단층 화상의 취득시보다 후의 뇌의 단층 화상을 예측하는 구성으로 해도 된다. 이때, 심층 뉴럴 네트워크는, 단층 화상 데이터베이스 중 경시 변화의 속도가 서로 다른 단층 화상의 데이터베이스를 이용하여 학습하고 있다.
경시 변화가 빠른 단층 화상(예를 들면, 알츠하이머형 치매에 가까운 피험자의 단층 화상)의 데이터베이스를 이용하여 심층 뉴럴 네트워크를 학습시켜 두면, 최악의 시나리오로 장래의 뇌의 단층 화상을 예측할 수 있다. 경시 변화가 느린 단층 화상(예를 들면, 정상인의 단층 화상)의 데이터베이스를 이용하여 심층 뉴럴 네트워크를 학습시켜 두면, 최선의 시나리오로 장래의 뇌의 단층 화상을 예측할 수 있다. 이와 같이 최악의 시나리오 및 최선의 시나리오 각각으로 피험자의 장래의 뇌의 단층 화상을 예측함으로써, 해당 피험자의 현재부터 장래에 걸친 간호, 치료 또는 예방에 대해 다양한 방침을 세울 수 있다.
도 7은 단층 화상 예측 장치(1B)의 구성을 나타내는 도면이다. 단층 화상 예측 장치(1B)에서는, 입력부(11B)는, 피험자의 뇌의 복수의 단층 화상(입력 화상 I1a, I1b)을 입력한다. 예측부(12B)는, 입력부(11B)로 입력된 피험자의 뇌의 복수의 단층 화상에 기초하여, 그들 단층 화상의 취득시보다 후의 뇌의 단층 화상을 예측한다. 피험자의 뇌의 복수의 단층 화상(입력 화상 I1a, I1b)으로부터 출력 화상 I2a~I2e를 예측할 수 있도록, 심층 뉴럴 네트워크를 학습시켜 둔다.
피험자의 뇌의 복수의 단층 화상은, 복수의 시점 각각에 취득된 피험자의 뇌의 단층 화상(예를 들면, 어느 해에 취득된 단층 화상과, 다음 해에 취득된 단층 화상)이다. 혹은, 피험자의 뇌의 복수의 단층 화상은, 복수 종류의 단층 화상 취득 장치 각각에 의해 취득된 피험자의 뇌의 단층 화상(예를 들면, PET 화상, SPECT 화상, MRI 화상)이다. 이와 같이, 피험자의 뇌의 복수의 단층 화상에 기초하여 장래의 뇌의 단층 화상을 예측함으로써, 예측 정밀도를 향상시킬 수 있다.
도 8은 단층 화상 예측 장치(1C)의 구성을 나타내는 도면이다. 단층 화상 예측 장치(1C)에서는, 입력부(11C)는, 피험자의 뇌의 단층 화상(입력 화상 I1)을 입력하는 것만 아니라, 해당 피험자에 관한 다른 정보도 입력한다. 예측부(12C)는 입력부(11C)로 입력된 피험자의 뇌의 단층 화상 및 해당 피험자에 관한 다른 정보에 기초하여, 그 단층 화상의 취득시보다 후의 뇌의 단층 화상을 예측한다. 피험자의 뇌의 단층 화상 및 해당 피험자에 관한 다른 정보로부터 출력 화상 I2a~I2e를 예측할 수 있도록, 심층 뉴럴 네트워크를 학습시켜 둔다.
피험자에 관한 다른 정보는, 뇌의 건강 상태와 관계가 있을 수 있는 정보로서, 예를 들면, 연령, 성별, 유전자 정보, 기왕력, 생활 습관 등의 정보이다. 이와 같이, 피험자의 뇌의 단층 화상 및 해당 피험자에 관한 다른 정보에 기초하여 장래의 뇌의 단층 화상을 예측함으로써, 예측 정밀도를 향상시킬 수 있다.
본 발명은 상기 실시 형태 및 구성예로 한정되는 것이 아니라, 다양한 변형이 가능하다. 예를 들면, 지금까지 설명한 다양한 양태 중 임의의 양태를 조합해도 된다.
단층 화상 취득 장치(PET 장치, SPECT 장치, MRI 장치)를 구비하여 피험자의 뇌의 단층 화상을 취득하는 의료 기관과, 단층 화상 예측 장치를 구비하여 피험자의 장래의 뇌의 단층 화상을 예측하는 기관(이하 「예측 기관」이라고 함)은, 별개여도 된다.
이 경우, 의료 기관과 예측 기관 사이의 통신 회선에 의해, 의료 기관에 있어서 취득된 피험자의 뇌의 단층 화상이 예측 기관으로 보내지고, 예측 기관에 있어서 예측된 장래의 뇌의 단층 화상이 의료 기관으로 보내진다. 그리고, 의료 기관에서는, 의사 등은, 예측 기관으로부터 보내져 온 장래의 뇌의 단층 화상에 기초하여, 피험자의 현재부터 장래에 걸친 간호, 치료 또는 예방에 대해 유효한 방침을 세울 수 있다.
상기 실시 형태에 따른 단층 화상 예측 장치는, (1) 피험자의 뇌의 단층 화상을 입력하는 입력부와, (2) 입력부로 입력된 뇌의 단층 화상에 기초하여, 심층 뉴럴 네트워크에 의해, 그 단층 화상의 취득시보다 후의 피험자의 뇌의 단층 화상을 예측하는 예측부와, (3) 예측부에 의한 예측 결과를 출력하는 출력부를 구비하는 구성으로 하고 있다.
상기의 단층 화상 예측 장치에서는, 복수의 피험자에 대해 복수의 시점 각각에 취득된 뇌의 단층 화상의 데이터베이스를 이용하여 심층 뉴럴 네트워크를 학습시키는 학습부를 더 구비하는 구성으로 해도 된다.
상기의 단층 화상 예측 장치에서는, 예측부는, 예측한 피험자의 뇌의 단층 화상에 기초하여 피험자의 뇌의 건강 상태를 예측하는 구성으로 해도 된다.
상기의 단층 화상 예측 장치에서는, 예측부는, 입력부로 입력된 뇌의 단층 화상의 취득시보다 후의 복수의 시점 각각의 뇌의 단층 화상을 예측하는 구성으로 해도 된다. 또한, 이 경우, 출력부는 예측부에 의해 예측된 복수의 시점 각각의 뇌의 단층 화상을 동영상으로 하여 표시하는 구성으로 해도 된다.
상기의 단층 화상 예측 장치에서는, 출력부는, 예측부에 의해 예측된 뇌의 단층 화상과 입력부로 입력된 뇌의 단층 화상 사이의 차분을 나타내는 차분 화상을 구하여, 이 차분 화상을 출력하는 구성으로 해도 된다.
상기의 단층 화상 예측 장치에서는, 예측부는, 복수의 피험자에 대해 복수의 시점 각각에 취득된 뇌의 단층 화상의 데이터베이스 중 경시 변화의 속도가 서로 다른 단층 화상의 데이터베이스를 이용하여 학습한 심층 뉴럴 네트워크에 의해, 입력부로 입력된 뇌의 단층 화상의 취득시보다 후의 뇌의 단층 화상을 예측하는 구성으로 해도 된다.
상기의 단층 화상 예측 장치에서는, 예측부는, 복수의 시점 각각에 취득된 피험자의 뇌의 단층 화상에 기초하여, 그들 단층 화상의 취득시보다 후의 뇌의 단층 화상을 예측하는 구성으로 해도 된다. 또한, 예측부는, 복수 종류의 단층 화상 취득 장치 각각에 의해 취득된 피험자의 뇌의 단층 화상에 기초하여, 그들 단층 화상의 취득시보다 후의 뇌의 단층 화상을 예측하는 구성으로 해도 된다. 또한, 예측부는, 입력부로 입력된 뇌의 단층 화상 및 피험자에 관한 다른 정보에 기초하여, 그 단층 화상의 취득시보다 후의 뇌의 단층 화상을 예측하는 구성으로 해도 된다.
상기 실시 형태에 따른 단층 화상 예측 방법은, (1) 피험자의 뇌의 단층 화상을 입력하는 입력 스텝과, (2) 입력 스텝에서 입력된 뇌의 단층 화상에 기초하여, 심층 뉴럴 네트워크에 의해, 그 단층 화상의 취득시보다 후의 피험자의 뇌의 단층 화상을 예측하는 예측 스텝과, (3) 예측 스텝에 있어서의 예측 결과를 출력하는 출력 스텝을 구비하는 구성으로 하고 있다.
상기의 단층 화상 예측 방법에서는, 복수의 피험자에 대해 복수의 시점 각각에 취득된 뇌의 단층 화상의 데이터베이스를 이용하여 심층 뉴럴 네트워크를 학습시키는 학습 스텝을 더 구비하는 구성으로 해도 된다.
상기의 단층 화상 예측 방법에서는, 예측 스텝은, 예측한 피험자의 뇌의 단층 화상에 기초하여 피험자의 뇌의 건강 상태를 예측하는 구성으로 해도 된다.
상기의 단층 화상 예측 방법에서는, 예측 스텝은, 입력 스텝에서 입력된 뇌의 단층 화상의 취득시보다 후의 복수의 시점 각각의 뇌의 단층 화상을 예측하는 구성으로 해도 된다. 또한, 이 경우, 출력 스텝은 예측 스텝에서 예측된 복수의 시점 각각의 뇌의 단층 화상을 동영상으로 하여 표시하는 구성으로 해도 된다.
상기의 단층 화상 예측 방법에서는, 출력 스텝은, 예측 스텝에서 예측된 뇌의 단층 화상과 입력 스텝에서 입력된 뇌의 단층 화상 사이의 차분을 나타내는 차분 화상을 구하여, 이 차분 화상을 출력하는 구성으로 해도 된다.
상기의 단층 화상 예측 방법에서는, 예측 스텝은, 복수의 피험자에 대해 복수의 시점 각각에 취득된 뇌의 단층 화상의 데이터베이스 중 경시 변화의 속도가 서로 다른 단층 화상의 데이터베이스를 이용하여 학습한 심층 뉴럴 네트워크에 의해, 입력 스텝에서 입력된 뇌의 단층 화상의 취득시보다 후의 뇌의 단층 화상을 예측하는 구성으로 해도 된다.
상기의 단층 화상 예측 방법에서는, 예측 스텝은, 복수의 시점 각각에 취득된 피험자의 뇌의 단층 화상에 기초하여, 그들 단층 화상의 취득시보다 후의 뇌의 단층 화상을 예측하는 구성으로 해도 된다. 또한, 예측 스텝은, 복수 종류의 단층 화상 취득 장치 각각에 의해 취득된 피험자의 뇌의 단층 화상에 기초하여, 그들 단층 화상의 취득시보다 후의 뇌의 단층 화상을 예측하는 구성으로 해도 된다. 또한, 예측 스텝은, 입력 스텝에서 입력된 뇌의 단층 화상 및 피험자에 관한 다른 정보에 기초하여, 그 단층 화상의 취득시보다 후의 뇌의 단층 화상을 예측하는 구성으로 해도 된다.
산업상의 이용 가능성
본 발명은 피험자의 장래의 치료 등의 방침 입안에 유용한 단층 화상 예측 장치 및 단층 화상 예측 방법으로서 이용 가능하다.
1, 1A~1C … 단층 화상 예측 장치 11, 11B, 11C … 입력부
12, 12A~12C … 예측부 13 … 출력부
14 … 학습부 15 … 단층 화상 데이터베이스

Claims (20)

  1. 피험자의 뇌의 단층 화상을 입력하는 입력부와,
    상기 입력부로 입력된 뇌의 단층 화상에 기초하여, 심층 뉴럴 네트워크에 의해, 그 단층 화상의 취득시보다 후의 상기 피험자의 뇌의 단층 화상을 예측하는 예측부와,
    상기 예측부에 의한 예측 결과를 출력하는 출력부를 구비하는 단층 화상 예측 장치.
  2. 청구항 1에 있어서,
    복수의 피험자에 대해 복수의 시점 각각에 취득된 뇌의 단층 화상의 데이터베이스를 이용하여 상기 심층 뉴럴 네트워크를 학습시키는 학습부를 더 구비하는 단층 화상 예측 장치.
  3. 청구항 1 또는 청구항 2에 있어서,
    상기 예측부는 예측한 상기 피험자의 뇌의 단층 화상에 기초하여 상기 피험자의 뇌의 건강 상태를 예측하는 단층 화상 예측 장치.
  4. 청구항 1 내지 청구항 3 중 어느 한 항에 있어서,
    상기 예측부는 상기 입력부로 입력된 뇌의 단층 화상의 취득시보다 후의 복수의 시점 각각의 뇌의 단층 화상을 예측하는 단층 화상 예측 장치.
  5. 청구항 4에 있어서,
    상기 출력부는 상기 예측부에 의해 예측된 복수의 시점 각각의 뇌의 단층 화상을 동영상으로 하여 표시하는 단층 화상 예측 장치.
  6. 청구항 1 내지 청구항 5 중 어느 한 항에 있어서,
    상기 출력부는 상기 예측부에 의해 예측된 뇌의 단층 화상과 상기 입력부로 입력된 뇌의 단층 화상 사이의 차분을 나타내는 차분 화상을 구하여, 이 차분 화상을 출력하는 단층 화상 예측 장치.
  7. 청구항 1 내지 청구항 6 중 어느 한 항에 있어서,
    상기 예측부는 복수의 피험자에 대해 복수의 시점 각각에 취득된 뇌의 단층 화상의 데이터베이스 중 경시 변화의 속도가 서로 다른 단층 화상의 데이터베이스를 이용하여 학습한 상기 심층 뉴럴 네트워크에 의해, 상기 입력부로 입력된 뇌의 단층 화상의 취득시보다 후의 뇌의 단층 화상을 예측하는 단층 화상 예측 장치.
  8. 청구항 1 내지 청구항 7 중 어느 한 항에 있어서,
    상기 예측부는 복수의 시점 각각에 취득된 상기 피험자의 뇌의 단층 화상에 기초하여, 그들 단층 화상의 취득시보다 후의 뇌의 단층 화상을 예측하는 단층 화상 예측 장치.
  9. 청구항 1 내지 청구항 8 중 어느 한 항에 있어서,
    상기 예측부는, 복수 종류의 단층 화상 취득 장치 각각에 의해 취득된 상기 피험자의 뇌의 단층 화상에 기초하여, 그들 단층 화상의 취득시보다 후의 뇌의 단층 화상을 예측하는 단층 화상 예측 장치.
  10. 청구항 1 내지 청구항 9 중 어느 한 항에 있어서,
    상기 예측부는, 상기 입력부로 입력된 뇌의 단층 화상 및 상기 피험자에 관한 다른 정보에 기초하여, 그 단층 화상의 취득시보다 후의 뇌의 단층 화상을 예측하는 단층 화상 예측 장치.
  11. 피험자의 뇌의 단층 화상을 입력하는 입력 스텝과,
    상기 입력 스텝에서 입력된 뇌의 단층 화상에 기초하여, 심층 뉴럴 네트워크에 의해, 그 단층 화상의 취득시보다 후의 상기 피험자의 뇌의 단층 화상을 예측하는 예측 스텝과,
    상기 예측 스텝에 있어서의 예측 결과를 출력하는 출력 스텝을 구비하는 단층 화상 예측 방법.
  12. 청구항 11에 있어서,
    복수의 피험자에 대해 복수의 시점 각각에 취득된 뇌의 단층 화상의 데이터베이스를 이용하여 상기 심층 뉴럴 네트워크를 학습시키는 학습 스텝을 더 구비하는 단층 화상 예측 방법.
  13. 청구항 11 또는 청구항 12에 있어서,
    상기 예측 스텝은 예측한 상기 피험자의 뇌의 단층 화상에 기초하여 상기 피험자의 뇌의 건강 상태를 예측하는 단층 화상 예측 방법.
  14. 청구항 11 내지 청구항 13 중 어느 한 항에 있어서,
    상기 예측 스텝은 상기 입력 스텝에서 입력된 뇌의 단층 화상의 취득시보다 후의 복수의 시점 각각의 뇌의 단층 화상을 예측하는 단층 화상 예측 방법.
  15. 청구항 14에 있어서,
    상기 출력 스텝은 상기 예측 스텝에서 예측된 복수의 시점 각각의 뇌의 단층 화상을 동영상으로 하여 표시하는 단층 화상 예측 방법.
  16. 청구항 11 내지 청구항 15 중 어느 한 항에 있어서,
    상기 출력 스텝은 상기 예측 스텝에서 예측된 뇌의 단층 화상과 상기 입력 스텝에서 입력된 뇌의 단층 화상 사이의 차분을 나타내는 차분 화상을 구하여, 이 차분 화상을 출력하는 단층 화상 예측 방법.
  17. 청구항 11 내지 청구항 16 중 어느 한 항에 있어서,
    상기 예측 스텝은 복수의 피험자에 대해 복수의 시점 각각에 취득된 뇌의 단층 화상의 데이터베이스 중 경시 변화의 속도가 서로 다른 단층 화상의 데이터베이스를 이용하여 학습한 상기 심층 뉴럴 네트워크에 의해, 상기 입력 스텝에서 입력된 뇌의 단층 화상의 취득시보다 후의 뇌의 단층 화상을 예측하는 단층 화상 예측 방법.
  18. 청구항 11 내지 청구항 17 중 어느 한 항에 있어서,
    상기 예측 스텝은, 복수의 시점 각각에 취득된 상기 피험자의 뇌의 단층 화상에 기초하여, 그들 단층 화상의 취득시보다 후의 뇌의 단층 화상을 예측하는 단층 화상 예측 방법.
  19. 청구항 11 내지 청구항 18 중 어느 한 항에 있어서,
    상기 예측 스텝은, 복수 종류의 단층 화상 취득 장치 각각에 의해 취득된 상기 피험자의 뇌의 단층 화상에 기초하여, 그들 단층 화상의 취득시보다 후의 뇌의 단층 화상을 예측하는 단층 화상 예측 방법.
  20. 청구항 11 내지 청구항 19 중 어느 한 항에 있어서,
    상기 예측 스텝은, 상기 입력 스텝에서 입력된 뇌의 단층 화상 및 상기 피험자에 관한 다른 정보에 기초하여, 그 단층 화상의 취득시보다 후의 뇌의 단층 화상을 예측하는 단층 화상 예측 방법.
KR1020207032270A 2018-06-04 2019-05-30 단층 화상 예측 장치 및 단층 화상 예측 방법 KR20210018214A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018106908A JP7114347B2 (ja) 2018-06-04 2018-06-04 断層画像予測装置および断層画像予測方法
JPJP-P-2018-106908 2018-06-04
PCT/JP2019/021637 WO2019235367A1 (ja) 2018-06-04 2019-05-30 断層画像予測装置および断層画像予測方法

Publications (1)

Publication Number Publication Date
KR20210018214A true KR20210018214A (ko) 2021-02-17

Family

ID=68769302

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020207032270A KR20210018214A (ko) 2018-06-04 2019-05-30 단층 화상 예측 장치 및 단층 화상 예측 방법

Country Status (7)

Country Link
US (1) US20210196125A1 (ko)
EP (1) EP3805807A4 (ko)
JP (1) JP7114347B2 (ko)
KR (1) KR20210018214A (ko)
CN (1) CN112219138A (ko)
TW (1) TWI827610B (ko)
WO (1) WO2019235367A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6679017B1 (ja) 2019-12-20 2020-04-15 株式会社Ｓｐｌｉｎｋ 認知症リスクの提示システムおよび方法
KR102582293B1 (ko) * 2020-09-09 2023-09-25 사회복지법인 삼성생명공익재단 내이기관의 내림프수종 비율 측정 방법 및 그 장치
WO2023053462A1 (ja) * 2021-10-01 2023-04-06 株式会社CogSmart 認知症予防支援装置、認知症予防支援プログラムおよび認知症予防支援方法
CN115661152B (zh) * 2022-12-27 2023-04-07 四川大学华西医院 基于模型预测的目标发展情况分析方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008056638A1 (en) 2006-11-06 2008-05-15 Fujifilm Ri Pharma Co., Ltd. Brain image diagnosis supporting method, program, and recording method

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6577700B1 (en) * 2001-06-22 2003-06-10 Liang-Shih Fan Neural network based multi-criteria optimization image reconstruction technique for imaging two- and three-phase flow systems using electrical capacitance tomography
US9492114B2 (en) * 2004-06-18 2016-11-15 Banner Health Systems, Inc. Accelerated evaluation of treatments to prevent clinical onset of alzheimer's disease
US7929737B2 (en) * 2005-09-29 2011-04-19 General Electric Company Method and system for automatically generating a disease severity index
US20080298657A1 (en) * 2005-11-23 2008-12-04 Junji Shiraishi Computer-Aided Method for Detection of Interval Changes in Successive Whole-Body Bone Scans and Related Computer Program Program Product and System
JP5113378B2 (ja) 2006-12-20 2013-01-09 富士フイルムＲｉファーマ株式会社 脳画像データに関する時系列データの解析方法、プログラムおよび記録媒体
WO2011115956A1 (en) 2010-03-15 2011-09-22 Mcw Research Foundation, Inc. Systems and methods for detection and prediction of brain disorders based on neural network interaction
US9563950B2 (en) * 2013-03-20 2017-02-07 Cornell University Methods and tools for analyzing brain images
US9700219B2 (en) * 2013-10-17 2017-07-11 Siemens Healthcare Gmbh Method and system for machine learning based assessment of fractional flow reserve
US9324022B2 (en) * 2014-03-04 2016-04-26 Signal/Sense, Inc. Classifying data with deep learning neural records incrementally refined through expert input
US10546233B1 (en) * 2014-07-23 2020-01-28 Hrl Laboratories, Llc Method and system to predict and interpret conceptual knowledge in the brain
EP3295374B8 (en) * 2015-05-11 2023-10-18 Siemens Healthcare GmbH Method and system for landmark detection in medical images using deep neural networks
US10410343B2 (en) * 2015-07-08 2019-09-10 Hitachi, Ltd. Image computing device, image computing method, and tomograph
US11200664B2 (en) 2015-12-18 2021-12-14 The Regents Of The University Of California Interpretation and quantification of emergency features on head computed tomography
CN105718952B (zh) * 2016-01-22 2018-10-30 武汉科恩斯医疗科技有限公司 使用深度学习网络对断层医学影像进行病灶分类的系统
WO2017223560A1 (en) 2016-06-24 2017-12-28 Rensselaer Polytechnic Institute Tomographic image reconstruction via machine learning
WO2018015414A1 (en) * 2016-07-21 2018-01-25 Siemens Healthcare Gmbh Method and system for artificial intelligence based medical image segmentation
US10127659B2 (en) 2016-11-23 2018-11-13 General Electric Company Deep learning medical systems and methods for image acquisition
CN107451609A (zh) * 2017-07-24 2017-12-08 上海交通大学 基于深度卷积神经网络的肺结节图像识别系统
CN107616796B (zh) * 2017-08-31 2020-09-11 北京医拍智能科技有限公司 基于深度神经网络的肺结节良恶性检测方法及装置
US11918333B2 (en) * 2017-12-29 2024-03-05 Analytics For Life Inc. Method and system to assess disease using phase space tomography and machine learning
WO2019245597A1 (en) * 2018-06-18 2019-12-26 Google Llc Method and system for improving cancer detection using deep learning

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008056638A1 (en) 2006-11-06 2008-05-15 Fujifilm Ri Pharma Co., Ltd. Brain image diagnosis supporting method, program, and recording method

Also Published As

Publication number Publication date
JP2019211307A (ja) 2019-12-12
US20210196125A1 (en) 2021-07-01
TWI827610B (zh) 2024-01-01
CN112219138A (zh) 2021-01-12
EP3805807A4 (en) 2022-02-23
EP3805807A1 (en) 2021-04-14
JP7114347B2 (ja) 2022-08-08
WO2019235367A1 (ja) 2019-12-12
TW202011895A (zh) 2020-04-01

Similar Documents

Publication Publication Date Title
EP3596697B1 (en) Generalizable medical image analysis using segmentation and classification neural networks
US10984905B2 (en) Artificial intelligence for physiological quantification in medical imaging
US10504227B1 (en) Application of deep learning for medical imaging evaluation
KR20210018214A (ko) 단층 화상 예측 장치 및 단층 화상 예측 방법
CN114080646A (zh) 信息处理装置、程序、学习完毕模型、诊断支援装置、学习装置及预测模型的生成方法
JP2022527571A (ja) 病状によって影響を受ける可能性がある被験者を識別するための方法およびシステム
US11257211B2 (en) Medical image processing apparatus, medical image processing system, and medical image processing method
CN114298234B (zh) 脑部医学影像分类方法、装置、计算机设备和存储介质
Jahan et al. Explainable AI-based Alzheimer’s prediction and management using multimodal data
US11915414B2 (en) Medical image processing apparatus, method, and program
EP3389479A1 (en) Systems and methods for quantitatively characterizing alzheimer's disease risk events based on multimodal biomarker data
Krishnamoorthy et al. Framework to Segment and Evaluate Multiple Sclerosis Lesion in MRI Slices Using VGG‐UNet
KR20240027714A (ko) 예측 연령 차이를 이용한 동반 임상 치매 등급과 그 미래의 결과를 평가하는 방법 및 그 프로그램
JP7457292B2 (ja) 脳画像解析装置、制御方法、及びプログラム
US11551351B2 (en) Priority judgement device, method, and program
WO2023190880A1 (ja) 脳画像データ解析装置、脳画像データ解析方法および脳画像データ解析プログラム
EP3813075A1 (en) System and method for automating medical images screening and triage
Nair et al. An exploratory study on big data processing: A case study from a biomedical informatics
US20230029542A1 (en) Medical information processing method, medical information processing device, and program
JP2021104140A (ja) 医用情報処理装置、医用情報処理方法、及び医用情報処理プログラム
KR102708335B1 (ko) 치매 진단을 위한 의료 영상 회귀분석 장치 및 방법
CN111436215A (zh) 用于医学成像评估的深度学习的应用
JP7064430B2 (ja) 優先度判定装置、方法およびプログラム
Murillo-Olmos et al. Thresholding algorithm applied to chest X-ray images with pneumonia
US20230342928A1 (en) Detecting ischemic stroke mimic using deep learning-based analysis of medical images

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application