KR20210029318A - Ct 영상 기반 부위별 대뇌 피질 수축율 예측 방법 및 장치 - Google Patents

Ct 영상 기반 부위별 대뇌 피질 수축율 예측 방법 및 장치 Download PDF

Info

Publication number
KR20210029318A
KR20210029318A KR1020190109863A KR20190109863A KR20210029318A KR 20210029318 A KR20210029318 A KR 20210029318A KR 1020190109863 A KR1020190109863 A KR 1020190109863A KR 20190109863 A KR20190109863 A KR 20190109863A KR 20210029318 A KR20210029318 A KR 20210029318A
Authority
KR
South Korea
Prior art keywords
image
information
region
cortical
semantic feature
Prior art date
Application number
KR1020190109863A
Other languages
English (en)
Other versions
KR102276545B1 (ko
Inventor
성준경
서상원
김정훈
김시현
Original Assignee
고려대학교 산학협력단
사회복지법인 삼성생명공익재단
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 고려대학교 산학협력단, 사회복지법인 삼성생명공익재단 filed Critical 고려대학교 산학협력단
Priority to KR1020190109863A priority Critical patent/KR102276545B1/ko
Priority to JP2022514861A priority patent/JP7317306B2/ja
Priority to EP20861207.7A priority patent/EP4026498B1/en
Priority to PCT/KR2020/011790 priority patent/WO2021045507A2/ko
Priority to US17/640,593 priority patent/US20220335611A1/en
Publication of KR20210029318A publication Critical patent/KR20210029318A/ko
Application granted granted Critical
Publication of KR102276545B1 publication Critical patent/KR102276545B1/ko

Links

Images

Classifications

    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • 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
    • 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
    • A61B5/4076—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
    • 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
    • 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
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
    • A61B6/5247—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from an ionising-radiation diagnostic technique and a non-ionising radiation diagnostic technique, e.g. X-ray and ultrasound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • 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

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

Abstract

본 발명은 본 발명은 CT 영상 기반 부위별 대뇌 피질 수축율 예측 장치에 관한 것으로, 이는 다수 환자의 CT 영상과 세그멘테이션 정보를 선택 및 이용하여, 딥 러닝 네트워크에 CT 영상과 세그멘테이션 정보간 상관관계를 학습시키는 딥 러닝 단계; CT 영상 각각에 대응되는 시멘틱 특징 정보를 세그멘테이션 정보 각각에 기반하여 추출하는 특징 추출 단계; 시멘틱 특징 정보 각각에 대응되는 다수의 부위별 대뇌 피질 수축율을 추가 획득한 후, 머신 러닝 모델에 시멘틱 특징 정보와 부위별 대뇌 피질 수축율간 상관관계를 학습시키는 머신 러닝 단계; 분석 대상 영상이 입력되면, 상기 딥 러닝 네트워크를 통해 분석 대상 영상에 대응되는 세그멘테이션 정보를 획득하는 세그멘테이션 단계; 및 세그멘테이션 정보를 기반으로 분석 대상 영상에 대응되는 시멘틱 특징 정보를 추출한 후, 상기 머신 러닝 모델을 통해 시멘틱 특징 정보에 대응되는 부위별 대뇌 피질 수축율을 예측 및 통보하는 예측 단계를 포함할 수 있다.

Description

CT 영상 기반 부위별 대뇌 피질 수축율 예측 방법 및 장치{Method and apparatus for cortical neurodegeneration prediction in alzheimer's disease using CT images}
본 발명은 딥러닝 네트워크와 머신러닝 기술을 사용하여, 뇌 CT 영상에서 알츠하이머병과 관련된 여러 부위별 대뇌 피질 신경 퇴행의 양성 및 음성을 예측하는 방법과 장치에 관한 것이다.
치매는 만성 및 진행성 뇌 질환 증후군으로 뇌 병변의 발생 및 진행으로 인해 기억력, 실행 능력을 포함한 인지기능의 장애와 더불어 정서장애, 행동조절장애가 수반되고, 일상 생활을 독립적으로 수행할 수 있는 능력에 장애를 초래하는 노년기의 대표적인 기질성 정신장애이다. 다양한 뇌 손상에 의해서 치매가 발병할 수 있으나 가장 대표적인 원인 질환은 알츠하이머 치매로 전체 치매 유형 중 71%를 차지하고 있다.
알츠하이머병의 발병 원인은 아직 정확하게 밝혀지지 않았지만, 베타 아밀로이드 단백질 생산 증가와 배출 감소로 인해 베타 아밀로이드 단백질이 침착되고, 아밀로이드 반을 형성하여, 다른 요인과 상호작용을 통해 광범위한 신경세포 파괴를 일으키는 것으로 알려져 있다.
이에 PET-CT 장치를 통해 PET 영상을 획득하고, 이를 기반으로 베타 아밀로이드 축적 정도를 분석 및 평가하여 알츠하이머병 진단하는 방법이 제안된 바 있다.
다만, PET-CT 장치는 PET 영상 이외에 CT 영상을 추가적으로 제공하나, 알츠하이머병 진단시 CT 영상을 전혀 이용하지 못하는 단점이 있다. 특히, 알츠하이머병 진단시, 부위별 대뇌 피질 수축율을 추가 확인하도록 하는 데, CT 영상을 통해서는 이러한 정보를 제공할 수 없어, 별도의 MRI 장치를 통해 MRI 이미지를 획득 및 분석함으로써 해당 정보를 획득 및 제공해야 번거로움이 있었다.
국내등록특허 제10-1936302호(등록일자:2019.01.02)
이에 상기와 같은 문제점을 해결하기 위한 것으로서, 본 발명은 딥 러닝 및 머신 러닝 기술을 이용하여, MRI 영상 대신에 CT 영상을 이용하여 부위별 대뇌 피질 수축율을 예측할 수 있도록 하는 새로운 방식의 CT 영상 기반 부위별 대뇌 피질 수축율 예측 장치를 제공하고자 한다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 본 발명이 속하는 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기 과제를 해결하기 위한 수단으로서, 본 발명의 일 실시 형태에 따르면 다수 환자의 CT 영상과 세그멘테이션 정보를 선택 및 이용하여, 딥 러닝 네트워크에 CT 영상과 세그멘테이션 정보간 상관관계를 학습시키는 딥 러닝 단계; CT 영상 각각에 대응되는 시멘틱 특징 정보를 세그멘테이션 정보 각각에 기반하여 추출하는 특징 추출 단계; 시멘틱 특징 정보 각각에 대응되는 다수의 부위별 대뇌 피질 수축율을 추가 획득한 후, 머신 러닝 모델에 시멘틱 특징 정보와 부위별 대뇌 피질 수축율간 상관관계를 학습시키는 머신 러닝 단계; 분석 대상 영상이 입력되면, 상기 딥 러닝 네트워크를 통해 분석 대상 영상에 대응되는 세그멘테이션 정보를 획득하는 세그멘테이션 단계; 및 세그멘테이션 정보를 기반으로 분석 대상 영상에 대응되는 시멘틱 특징 정보를 추출한 후, 상기 머신 러닝 모델을 통해 시멘틱 특징 정보에 대응되는 부위별 대뇌 피질 수축율을 예측 및 통보하는 예측 단계를 포함하는 CT 영상 기반 부위별 대뇌 피질 수축율 예측 방법을 제공한다.
상기 딥 러닝 네트워크는 유넷 (U-net) 모델로 구현되는 것을 특징으로 한다.
상기 세그멘테이션 정보는 백질 영역 정보, 회백질 영역 정보, 및 뇌실 영역 정보를 포함하는 것을 특징으로 한다.
상기 시멘틱 특징 정보는 백질의 3차원 부피 비율, 회백질의 3차원 부피 비율, 백질과 회백질의 3차원 부피 비율 총합, 뇌실의 3차원 부피, 백질의 2차원 넓이 비율, 회백질의 2차원 넓이 비율, 백질과 회백질의 2차원 넓이 비율 총합, 뇌실의 2차원 넓이를 포함하는 것을 특징으로 한다.
상기 머신 러닝 모델은 정규화된 로지스틱 회귀 모델, 선형 판별 분석 모델, 가우시안 나이브 베이즈 모델 중 적어도 하나를 이용하여 간접 다수결 투표 모델로 구현되는 것을 특징으로 한다.
상기 방법은 다수 환자의 CT 영상 또는 분석 대상 영상이 입력되면, 강체 변환(Rigid Body Transformation)을 통해 영상 정합한 후, 두개골 영상을 제거하는 영상 전처리 동작을 수행하는 단계를 더 포함하는 것을 특징으로 한다.
상기 과제를 해결하기 위한 수단으로서, 본 발명의 다른 실시 형태에 따르면 다수 환자의 CT 영상 또는 분석 대상 영상이 입력되면, 강체 변환(Rigid Body Transformation)을 통해 영상 정합한 후, 두개골 영상을 제거하는 CT 영상 전처리부; CT 영상 각각에 대응되는 세그멘테이션 정보 각각를 추가 획득한 후 딥 러닝 네트워크에 CT 영상과 세그멘테이션 정보간 상관관계를 학습시키는 딥 러닝부; 분석 대상 영상에 대응되는 세그멘테이션 정보를 상기 딥 러닝 네트워크를 획득 및 출력하는 세그멘테이션부; CT 영상 또는 분석 대상 영상에 대응되는 시멘틱 특징 정보를 세그멘테이션 정보 각각에 기반하여 추출하는 특징 추출부; CT 영상의 시멘틱 특징 정보 각각에 대응되는 다수의 부위별 대뇌 피질 수축율을 추가 획득한 후, 머신 러닝 모델에 시멘틱 특징 정보와 부위별 대뇌 피질 수축율간 상관관계를 학습시키는 머신 러닝부; 상기 머신 러닝 모델을 통해 분석 대상 영상의 시멘틱 특징 정보에 대응되는 부위별 대뇌 피질 수축율을 예측 및 통보하는 예측부를 포함하는 CT 영상 기반 부위별 대뇌 피질 수축율 예측 장치를 제공한다.
상기 딥 러닝 네트워크는 유넷 (U-net) 모델로 구현되는 것을 특징으로 한다.
상기 세그멘테이션 정보는 백질 영역 정보, 회백질 영역 정보, 및 뇌실 영역 정보를 포함하는 것을 특징으로 한다.
상기 시멘틱 특징 정보는 백질의 3차원 부피 비율, 회백질의 3차원 부피 비율, 백질과 회백질의 3차원 부피 비율 총합, 뇌실의 3차원 부피, 백질의 2차원 넓이 비율, 회백질의 2차원 넓이 비율, 백질과 회백질의 2차원 넓이 비율 총합, 뇌실의 2차원 넓이를 포함하는 것을 특징으로 한다.
상기 머신 러닝 모델은 정규화된 로지스틱 회귀 모델, 선형 판별 분석 모델, 가우시안 나이브 베이즈 모델 중 적어도 하나를 이용하여 간접 다수결 투표 모델로 구현되는 것을 특징으로 한다.
본 발명은 딥러닝 네트워크를 통하여 세그멘테이션된 CT 영상을 획득할 수 하고, 머신러닝 모듈을 통해 부위별 대뇌 피질 수축율을 보다 신속 정확하게 예측할 수 있도록 한다.
그 결과, PET-CT 장치를 통해 획득되는 PET 영상과 CT 영상 모두를 알츠하이머 병 진단에 이용할 수 있으며, 특히 MRI 장치를 별도로 이용하지 않고도 부위별 대뇌 피질 수축율까지 획득 및 제공할 수 있도록 한다.
도 1은 본 발명의 일 실시예에 따른 CT 영상 기반 부위별 대뇌 피질 수축율 예측 장치를 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 CT 영상 전처리 방법을 설명하기 위한 도면이다.
도 3는 본 발명의 일 실시예에 따른 딥 러닝 네트워크의 구현 예를 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 머신 러닝 모듈의 구현 예를 도시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 CT 영상 기반 부위별 대뇌 피질 수축율 예측 방법을 설명하기 위한 도면이다.
이하의 내용은 단지 본 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시되지 않았지만 본 발명의 원리를 구현하고 본 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시예들은 원칙적으로, 본 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이와 같이 특별히 열거된 실시예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.
또한, 본 발명의 원리, 관점 및 실시예들 뿐만 아니라 특정 실시예를 열거하는 모든 상세한 설명은 이러한 사항의 구조적 및 기능적 균등물을 포함하도록 의도되는 것으로 이해되어야 한다. 또한 이러한 균등물들은 현재 공지된 균등물뿐만 아니라 장래에 개발될 균등물 즉 구조와 무관하게 동일한 기능을 수행하도록 발명된 모든 소자를 포함하는 것으로 이해되어야 한다.
따라서, 예를 들어, 본 명세서의 블럭도는 본 발명의 원리를 구체화하는 예시적인 회로의 개념적인 관점을 나타내는 것으로 이해되어야 한다. 이와 유사하게, 모든 흐름도, 상태 변환도, 의사 코드 등은 컴퓨터가 판독 가능한 매체에 실질적으로 나타낼 수 있고 컴퓨터 또는 프로세서가 명백히 도시되었는지 여부를 불문하고 컴퓨터 또는 프로세서에 의해 수행되는 다양한 프로세스를 나타내는 것으로 이해되어야 한다.
프로세서 또는 이와 유사한 개념으로 표시된 기능 블럭을 포함하는 도면에 도시된 다양한 소자의 기능은 전용 하드웨어뿐만 아니라 적절한 소프트웨어와 관련하여 소프트웨어를 실행할 능력을 가진 하드웨어의 사용으로 제공될 수 있다. 프로세서에 의해 제공될 때, 상기 기능은 단일 전용 프로세서, 단일 공유 프로세서 또는 복수의 개별적 프로세서에 의해 제공될 수 있고, 이들 중 일부는 공유될 수 있다.
또한 프로세서, 제어 또는 이와 유사한 개념으로 제시되는 용어의 명확한 사용은 소프트웨어를 실행할 능력을 가진 하드웨어를 배타적으로 인용하여 해석되어서는 아니되고, 제한 없이 디지털 신호 프로세서(DSP) 하드웨어, 소프트웨어를 저장하기 위한 롬(ROM), 램(RAM) 및 비 휘발성 메모리를 암시적으로 포함하는 것으로 이해되어야 한다. 주지관용의 다른 하드웨어도 포함될 수 있다.
본 명세서의 청구범위에서, 상세한 설명에 기재된 기능을 수행하기 위한 수단으로 표현된 구성요소는 예를 들어 상기 기능을 수행하는 회로 소자의 조합 또는 펌웨어/마이크로 코드 등을 포함하는 모든 형식의 소프트웨어를 포함하는 기능을 수행하는 모든 방법을 포함하는 것으로 의도되었으며, 상기 기능을 수행하도록 상기 소프트웨어를 실행하기 위한 적절한 회로와 결합된다. 이러한 청구범위에 의해 정의되는 본 발명은 다양하게 열거된 수단에 의해 제공되는 기능들이 결합되고 청구항이 요구하는 방식과 결합되기 때문에 상기 기능을 제공할 수 있는 어떠한 수단도 본 명세서로부터 파악되는 것과 균등한 것으로 이해되어야 한다.
상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다.
도 1은 본 발명의 일 실시예에 따른 CT 영상 기반 부위별 대뇌 피질 수축율 예측 장치를 도시한 도면이다.
도 1을 참고하면, 본 발명의 부위별 대뇌 피질 수축율 예측 장치는 CT 영상 전처리부(110), 딥러닝부(121), 세그멘테이션부(122), 특징 추출부(130) 및 머신 러닝부(141), 및 예측부(142) 등을 포함한다.
CT 영상 전처리부(110)는 기 획득된 CT 영상 또는 분석 대상자의 CT 영상 각각을 수신 및 전처리하여, 딥러닝이 가능한 영상 형태로 변환하도록 한다.
즉, CT 영상은 뇌를 축 방향, 시상 방향, 관상 방향으로 스캐닝한 다수의 단면 영상으로, 스캐닝 방향에 따라 단면 영상 각각이 서로 상이한 좌표계를 가짐을 고려하여, 도 2에서와 같이 다수의 단면 영상을 강체 변환(Rigid Body Transformation)을 통해 정합(registration)하여 단면 영상간 상호 관계를 파악한다. 그리고 나서, CT 영상에 포함된 두개골 영상을 제거하여 뇌 조직 영상만을 남기도록 한다(Skull Stripping).
또한 필요한 경우, 영상 품질 향상을 위한 밀도 정규화(intensity normalization) 및 히스토그램 평활화(Histogram Equalization)를 추가적으로 수행할 수도 있도록 한다.
딥러닝부(121)는 전처리된 CT 영상과, 이에 대응되는 세그멘테이션 정보를 포함하는 학습 데이터를 다수개 생성하고, 이들을 통해 딥 러닝 네트워크를 학습시킨다.
이때, 딥 러닝 네트워크는 컨볼루션 뉴럴 네트워크(CNN), 유넷(U-net) 등으로 구현될 수 있으며, 특히 영상의 세그멘테이션 및 레이블링에 강점이 있는 유넷(U-net)으로 구현되는 것이 더욱 바람직하다. 유넷은 도 3에서와 같이 U 형태를 가지는 여러 개의 컨볼루션 레이어로 이루어지는 인공 신경망으로, 영상의 세그멘테이션 및 레이블링에 강점을 가진다.
그리고 세그멘테이션 정보는 백질 영역 정보, 회백질 영역 정보, 및 뇌실 영역 정보를 포함하며, CT 이미지에 대응되는 MRI 이미지를 프리서퍼(Freesurfer)와 같은 영상 세그멘테이션 프로그램을 통해 분석한 결과 또는 사용자에 의해 수동 입력되는 세그멘테이션 정보를 딥 러닝 네트워크를 통해 학습 및 검증함으로써, 획득 가능하다.
세그멘테이션부(121)는 분석 대상 영상(즉, 분석 대상자의 CT 영상)이 입력되면, 학습 완료된 딥 러닝 네트워크를 통해 분석 대상 영상에 대응되는 세그멘테이션 정보를 자동으로 획득하고, 세그멘테이션 정보를 포함하는 CT 영상, 즉 세그멘테이션된 CT 영상을 생성 및 출력하도록 한다.
특징 추출부(130)는 세그멘테이션된 CT 영상으로부터 시멘틱 특징 정보를 추출한다.
시멘틱 특징 정보는 (1) 백질의 3차원 부피 비율, (2) 회백질의 3차원 부피 비율, (3) 백질과 회백질의 3차원 부피 비율 총합, (4) 뇌실의 3차원 부피, (5) 백질의 2차원 넓이 비율, (6) 회백질의 2차원 넓이 비율, (7) 백질과 회백질의 2차원 넓이 비율 총합, (8) 뇌실의 2차원 넓이 중 적어도 하나를 포함할 수 있다.
보다 상세하게, 특징 추출부(130)는 CT 영상을 3 차원 볼륨 영상으로 변환한 후, CT 영상에 포함된 세그멘테이션 정보에 따라 3 차원 볼륨 영상의 영역을 백질 영역, 회백질 영역, 뇌실 영역으로 분할하고, 이들의 부피값을 통해 (1),(2),(4)의 백질, 회백질, 뇌실 각각의 3차원 부피 비율을 추출하도록 한다.
그리고 3차원 볼륨 영상을 위에서 아래로 축방향 스캐닝하면서 뇌실이 관찰되기 직전의 CT 영상을 선택한 후, 이를 기반으로 (4), (5)의 백질, 회백질 각각 2차원 넓이 비율을 추출하도록 한다.
마지막으로 3차원 볼륨 영상을 위에서 아래로 축방향 스캐닝하면서 가장 큰 뇌실이 관찰되는 CT 영상을 선택한 후, 이를 기반으로 (8)의 뇌실의 2차원 넓이를 추출하도록 한다.
머신 러닝부(141)는 시멘틱 특징 정보과, 이에 대응되는 부위별 대뇌피질 수축율을 포함하는 학습 데이터를 다수개 생성하고, 이들을 통해 머신 러닝 모델을 학습시킨다. 이때, 부위별 대뇌피질 수축율은 의료진이 CT 영상을 참고하여 직접 측정한 값일 수 있으며, 예를 들어, 알츠하이머병과 관련된 뇌의 네 부위(전두엽 (Frontal Lobe), 두정엽 (Parietal Lobe), 중앙 측두엽 (Medial Temporal Lobe, 좌우 각각))에서의 대뇌 피질 수축율일 수 있다.
본 발명의 머신 러닝 모델은 도 4에서와 같이, 정규화된 로지스틱 회귀 알고리즘 (Regularized Logistic Regression, RLR), 선형 판별 분석 알고리즘 (Linear Discriminant Analysis, LDA), 가우시안 나이브 베이즈 알고리즘 (Gaussian Naㅿve Bayes, GNB) 중 적어도 하나를 이용하는 간접 다수결 투표 모델 (Soft Majority Voting, SMV)로 구현될 수 있다.
참고로, RLR는 일반적인 회귀 알고리즘에서 모델이 언더피팅 혹은 오버피팅되는 것을 방지하기 위하여 정규화(Regularization)을 적용한 알고리즘으로, 특히 본 발명에서는 여러 정규화 방법 중 L2 정규화를 사용하도록 한다.
LDA는 머신러닝 알고리즘 중 확률론적 생성 모형으로 관측 데이터가 중심 (평균) 데이터까지의 거리 제곱이 최소일 때 해당 데이터를 그 그룹으로 분류하는 알고리즘이다.
GNB는 머신러닝 알고리즘 중 특성들 사이의 독립을 가정하는 베이즈 정리를 사용하여 분류기를 만드는 나이브 베이즈 알고리즘에서 커널 함수로 가우시안 함수를 사용한 알고리즘이다.
그리고 SMV는 머신러닝의 앙상블 모델 중 취합(aggregation) 메소드에 해당하는 모델로 개별 분류기의 조건부 확률의 합을 기준으로 하여 가중치를 준 후 다수결 투표하여 최종 클래스를 결정하는 알고리즘이다. 이는 단순 투표하는 직접 다수결 투표 모델에 비해 향상된 성능을 가진다.
예측부(142)는 분석 대상 영상의 시멘틱 특징 정보가 입력되면, 학습 완료된 머신 러닝 모델을 통해 분석 대상 영상의 시멘틱 특징 정보에 대응되는 부위별 대뇌피질 수축율을 자동으로 획득 및 출력하도록 한다.
이하, 도 5를 참고하여 본 발명의 CT 영상 기반 부위별 대뇌 피질 수축율 예측 방법을 설명하도록 한다.
도 5에 도시된 바와 같이, 본 발명의 부위별 대뇌 피질 수축율 예측 방법은 크게 학습 단계(S10)와 예측 단계(S20)로 구성된다.
먼저, 학습 데이터 생성 단계(S11)에서는, 다수 환자의 의료 정보, 의료 처리 결과 정보, 진단 정보 등이 저장되어 있는 의료정보 데이터베이스 등에 접속하여 다수 환자의 CT 영상(train)을 획득 및 전처리한다.
또한 CT 영상 각각에 대응되는 세그멘테이션 정보(seg)를 추가적으로 획득하도록 한다. 만약, 의료정보 데이터베이스에 CT 영상에 대응되는 MRI 영상의 세그멘테이션 정보가 저장되어 있다면, 해당 세그멘테이션 정보를 그대로 활용하되, MRI 영상만이 저장되어 있다면, 공지된 영상 세그멘테이션 프로그램을 통해 MRI 영상으로부터 백질 영역 정보, 회백질 영역 정보, 및 뇌실 영역 정보를 포함하는 세그멘테이션 정보를 추출하여 이용하도록 한다. 반면, MRI 영상, MRI 영상의 세그멘테이션 정보가 모두 없다면, 사용자로부터 해당 정보를 수동으로 입력받도록 한다.
딥 러닝 네트워크 학습 단계(S12)에서는 CT 영상을 입력 조건으로 가지고 세그멘테이션 정보를 출력 조건으로 가지는 학습 데이터를 다수개 생성한 후, 이들을 통해 딥 러닝 네트워크에 CT 영상과 세그멘테이션 정보간 상관관계를 학습시킨다. 유넷의 경우, 확률적 기울기 강하(Stochastic gradient descent) 알고리즘으로 딥 러닝을 진행하며, 학습 조기 종료(early stopping method)을 적용하여 중단 시점을 선정한다.
머신 러닝 모델 학습 단계(S13)에서는, 세그멘테이션 정보 각각 기반으로 CT 영상 각각에 대응되는 다수의 시멘틱 특징 정보를 추출하고, 또한 CT 영상 각각에 대응되는 부위별 대뇌피질 수축율을 획득한다. 이때, 부위별 대뇌피질 수축율은 의료진이 CT 영상을 참고하여 직접 측정한 값일 수 있다.
그리고 시멘틱 특징 정보를 입력 조건으로 가지고, 부위별 대뇌피질 수축율을 출력 조건으로 가지는 학습 데이터를 다수개 생성한 후, 이들을 통해 머신 러닝 모델을 학습시킨다.
학습 단계(S10)가 완료되면, 예측 단계(S20)를 수행할 수 있게 된다.
예측 단계(S20)의 분석 대상 영상 입력 단계(S21)에서는, PET-CT 장치로부터 제공되는 분석 대상 영상(즉, 분석 대상자의 CT 영상)을 수신 및 저장한다.
그리고 세그멘테이션 단계(S22)에서는 딥 러닝 네트워크를 통해 분석 대상 영상에 대응되는 세그멘테이션 정보를 획득한다.
그리고 특징 정보 추출 단계(S23)에서는 단계 S22를 통해 획득된 세그멘테이션 정보를 기반으로 분석 대상 영상에 대응되는 시멘틱 특징 정보를 추출한다.
마지막으로 예측 단계(S24)에서는, 머신 러닝 모델을 통해 시멘틱 특징 정보에 대응되는 부위별 대뇌피질 수축율을 획득 및 출력하도록 한다.
상술한 본 발명에 따른 방법은 컴퓨터에서 실행되기 위한 프로그램으로 제작되어 컴퓨터가 읽을 수 있는 기록 매체에 저장될 수 있으며, 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다.
컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고, 상기 방법을 구현하기 위한 기능적인(function) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.
이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형 실시가 가능한 것은 물론이고, 이러한 변형 실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.

Claims (11)

  1. 다수 환자의 CT 영상과 세그멘테이션 정보를 선택 및 이용하여, 딥 러닝 네트워크에 CT 영상과 세그멘테이션 정보간 상관관계를 학습시키는 딥 러닝 단계;
    CT 영상 각각에 대응되는 시멘틱 특징 정보를 세그멘테이션 정보 각각에 기반하여 추출하는 특징 추출 단계;
    시멘틱 특징 정보 각각에 대응되는 다수의 부위별 대뇌 피질 수축율을 추가 획득한 후, 머신 러닝 모델에 시멘틱 특징 정보와 부위별 대뇌 피질 수축율간 상관관계를 학습시키는 머신 러닝 단계;
    분석 대상 영상이 입력되면, 상기 딥 러닝 네트워크를 통해 분석 대상 영상에 대응되는 세그멘테이션 정보를 획득하는 세그멘테이션 단계; 및
    세그멘테이션 정보를 기반으로 분석 대상 영상에 대응되는 시멘틱 특징 정보를 추출한 후, 상기 머신 러닝 모델을 통해 시멘틱 특징 정보에 대응되는 부위별 대뇌 피질 수축율을 예측 및 통보하는 예측 단계를 포함하는 CT 영상 기반 부위별 대뇌 피질 수축율 예측 방법.
  2. 제1항에 있어서, 상기 딥 러닝 네트워크는
    유넷 (U-net) 모델로 구현되는 것을 특징으로 하는 CT 영상 기반 부위별 대뇌 피질 수축율 예측 방법.
  3. 제1항에 있어서, 상기 세그멘테이션 정보는
    MRI 영상 기반으로 추출되며, 백질 영역 정보, 회백질 영역 정보, 및 뇌실 영역 정보를 포함하는 것을 특징으로 하는 CT 영상 기반 부위별 대뇌 피질 수축율 예측 방법.
  4. 제1항에 있어서, 상기 시멘틱 특징 정보는
    백질의 3차원 부피 비율, 회백질의 3차원 부피 비율, 백질과 회백질의 3차원 부피 비율 총합, 뇌실의 3차원 부피, 백질의 2차원 넓이 비율, 회백질의 2차원 넓이 비율, 백질과 회백질의 2차원 넓이 비율 총합, 뇌실의 2차원 넓이를 포함하는 것을 특징으로 하는 CT 영상 기반 부위별 대뇌 피질 수축율 예측 방법.
  5. 제1항에 있어서, 상기 머신 러닝 모델은
    정규화된 로지스틱 회귀 모델, 선형 판별 분석 모델, 가우시안 나이브 베이즈 모델 중 적어도 하나를 이용하여 간접 다수결 투표 모델로 구현되는 것을 특징으로 하는 CT 영상 기반 부위별 대뇌 피질 수축율 예측 방법.
  6. 제1항에 있어서,
    다수 환자의 CT 영상 또는 분석 대상 영상이 입력되면, 강체 변환(Rigid Body Transformation)을 통해 영상 정합한 후, 두개골 영상을 제거하는 영상 전처리 동작을 수행하는 단계를 더 포함하는 것을 특징으로 하는 CT 영상 기반 부위별 대뇌 피질 수축율 예측 방법.
  7. 다수 환자의 CT 영상 또는 분석 대상 영상이 입력되면, 강체 변환(Rigid Body Transformation)을 통해 영상 정합한 후, 두개골 영상을 제거하는 CT 영상 전처리부;
    CT 영상 각각에 대응되는 세그멘테이션 정보 각각를 추가 획득한 후 딥 러닝 네트워크에 CT 영상과 세그멘테이션 정보간 상관관계를 학습시키는 딥 러닝부;
    분석 대상 영상에 대응되는 세그멘테이션 정보를 상기 딥 러닝 네트워크를 획득 및 출력하는 세그멘테이션부;
    CT 영상 또는 분석 대상 영상에 대응되는 시멘틱 특징 정보를 세그멘테이션 정보 각각에 기반하여 추출하는 특징 추출부;
    CT 영상의 시멘틱 특징 정보 각각에 대응되는 다수의 부위별 대뇌 피질 수축율을 추가 획득한 후, 머신 러닝 모델에 시멘틱 특징 정보와 부위별 대뇌 피질 수축율간 상관관계를 학습시키는 머신 러닝부; 및
    상기 머신 러닝 모델을 통해 분석 대상 영상의 시멘틱 특징 정보에 대응되는 부위별 대뇌 피질 수축율을 예측 및 통보하는 예측부를 포함하는 CT 영상 기반 부위별 대뇌 피질 수축율 예측 장치.
  8. 제7항에 있어서, 상기 딥 러닝 네트워크는
    유넷 (U-net) 모델로 구현되는 것을 특징으로 하는 CT 영상 기반 부위별 대뇌 피질 수축율 예측 장치.
  9. 제7항에 있어서, 상기 세그멘테이션 정보는
    백질 영역 정보, 회백질 영역 정보, 및 뇌실 영역 정보를 포함하는 것을 특징으로 하는 CT 영상 기반 부위별 대뇌 피질 수축율 예측 장치.
  10. 제1항에 있어서, 상기 시멘틱 특징 정보는
    백질의 3차원 부피 비율, 회백질의 3차원 부피 비율, 백질과 회백질의 3차원 부피 비율 총합, 뇌실의 3차원 부피, 백질의 2차원 넓이 비율, 회백질의 2차원 넓이 비율, 백질과 회백질의 2차원 넓이 비율 총합, 뇌실의 2차원 넓이를 포함하는 것을 특징으로 하는 CT 영상 기반 부위별 대뇌 피질 수축율 예측 장치.
  11. 제1항에 있어서, 상기 머신 러닝 모델은
    정규화된 로지스틱 회귀 모델, 선형 판별 분석 모델, 가우시안 나이브 베이즈 모델 중 적어도 하나를 이용하여 간접 다수결 투표 모델로 구현되는 것을 특징으로 하는 CT 영상 기반 부위별 대뇌 피질 수축율 예측 장치.
KR1020190109863A 2019-09-05 2019-09-05 Ct 영상 기반 부위별 대뇌 피질 수축율 예측 방법 및 장치 KR102276545B1 (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020190109863A KR102276545B1 (ko) 2019-09-05 2019-09-05 Ct 영상 기반 부위별 대뇌 피질 수축율 예측 방법 및 장치
JP2022514861A JP7317306B2 (ja) 2019-09-05 2020-09-02 Ｃｔ画像基盤の部位別の大脳皮質収縮率の予測方法及び装置
EP20861207.7A EP4026498B1 (en) 2019-09-05 2020-09-02 Method and apparatus for predicting region-specific cerebral cortical contraction rate on basis of ct image
PCT/KR2020/011790 WO2021045507A2 (ko) 2019-09-05 2020-09-02 Ct 영상 기반 부위별 대뇌 피질 수축율 예측 방법 및 장치
US17/640,593 US20220335611A1 (en) 2019-09-05 2020-09-02 Method and apparatus for predicting region-specific cerebral cortical contraction rate on basis of ct image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190109863A KR102276545B1 (ko) 2019-09-05 2019-09-05 Ct 영상 기반 부위별 대뇌 피질 수축율 예측 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20210029318A true KR20210029318A (ko) 2021-03-16
KR102276545B1 KR102276545B1 (ko) 2021-07-15

Family

ID=74852120

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190109863A KR102276545B1 (ko) 2019-09-05 2019-09-05 Ct 영상 기반 부위별 대뇌 피질 수축율 예측 방법 및 장치

Country Status (5)

Country Link
US (1) US20220335611A1 (ko)
EP (1) EP4026498B1 (ko)
JP (1) JP7317306B2 (ko)
KR (1) KR102276545B1 (ko)
WO (1) WO2021045507A2 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230120605A (ko) * 2022-02-09 2023-08-17 사회복지법인 삼성생명공익재단 2차원 mri에서 예측한 부피를 이용한 치매 정보 산출 방법 및 분석장치
WO2023153839A1 (ko) * 2022-02-09 2023-08-17 사회복지법인 삼성생명공익재단 2차원 mri를 이용한 치매 정보 산출 방법 및 분석장치

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020163539A1 (en) * 2019-02-05 2020-08-13 University Of Virginia Patent Foundation System and method for fully automatic lv segmentation of myocardial first-pass perfusion images
US11640552B2 (en) * 2019-10-01 2023-05-02 International Business Machines Corporation Two stage training to obtain a best deep learning model with efficient use of computing resources

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110251479A1 (en) * 2010-04-13 2011-10-13 Baxter International Inc. Use of ventricular enlargement rate in intravenous immunoglobulin treatment of alzheimer's disease
KR20180078033A (ko) * 2016-12-29 2018-07-09 사회복지법인 삼성생명공익재단 기계 학습을 기반으로 한 알츠하이머 병 결정 방법 및 장치
KR101916347B1 (ko) * 2017-10-13 2018-11-08 주식회사 수아랩 딥러닝 기반 이미지 비교 장치, 방법 및 컴퓨터 판독가능매체에 저장된 컴퓨터 프로그램
KR101936302B1 (ko) 2018-06-29 2019-01-08 이채영 딥러닝 네트워크에 기반한 퇴행성 신경질환 진단 방법 및 진단 장치
KR102001398B1 (ko) * 2018-01-25 2019-07-18 재단법인 아산사회복지재단 기계학습을 통한 뇌질환 상태변화 예측방법, 장치 및 프로그램
KR20190088730A (ko) * 2018-01-19 2019-07-29 사회복지법인 삼성생명공익재단 아밀로이드 양성 경도인지장애 환자의 치매 진행을 예측하여 분류하는 방법 및 장치

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007114238A1 (ja) * 2006-03-30 2007-10-11 National University Corporation Shizuoka University 脳萎縮判定装置、脳萎縮判定方法及び脳萎縮判定プログラム
CN103096787B (zh) * 2010-09-07 2014-12-31 株式会社日立医疗器械 痴呆症诊断支援装置
ES2740127T3 (es) * 2013-05-06 2020-02-05 Baxalta Inc Tratamiento de subpoblaciones con enfermedad de Alzheimer con inmunoglobulina G combinada
JP6827120B2 (ja) * 2017-08-29 2021-02-10 富士フイルム株式会社 医用情報表示装置、方法及びプログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110251479A1 (en) * 2010-04-13 2011-10-13 Baxter International Inc. Use of ventricular enlargement rate in intravenous immunoglobulin treatment of alzheimer's disease
KR20180078033A (ko) * 2016-12-29 2018-07-09 사회복지법인 삼성생명공익재단 기계 학습을 기반으로 한 알츠하이머 병 결정 방법 및 장치
KR101916347B1 (ko) * 2017-10-13 2018-11-08 주식회사 수아랩 딥러닝 기반 이미지 비교 장치, 방법 및 컴퓨터 판독가능매체에 저장된 컴퓨터 프로그램
KR20190088730A (ko) * 2018-01-19 2019-07-29 사회복지법인 삼성생명공익재단 아밀로이드 양성 경도인지장애 환자의 치매 진행을 예측하여 분류하는 방법 및 장치
KR102001398B1 (ko) * 2018-01-25 2019-07-18 재단법인 아산사회복지재단 기계학습을 통한 뇌질환 상태변화 예측방법, 장치 및 프로그램
KR101936302B1 (ko) 2018-06-29 2019-01-08 이채영 딥러닝 네트워크에 기반한 퇴행성 신경질환 진단 방법 및 진단 장치

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230120605A (ko) * 2022-02-09 2023-08-17 사회복지법인 삼성생명공익재단 2차원 mri에서 예측한 부피를 이용한 치매 정보 산출 방법 및 분석장치
KR20230120551A (ko) * 2022-02-09 2023-08-17 사회복지법인 삼성생명공익재단 2차원 mri를 이용한 치매 예측 방법 및 분석장치
WO2023153839A1 (ko) * 2022-02-09 2023-08-17 사회복지법인 삼성생명공익재단 2차원 mri를 이용한 치매 정보 산출 방법 및 분석장치

Also Published As

Publication number Publication date
EP4026498B1 (en) 2024-05-01
JP2022547909A (ja) 2022-11-16
KR102276545B1 (ko) 2021-07-15
JP7317306B2 (ja) 2023-07-31
US20220335611A1 (en) 2022-10-20
WO2021045507A2 (ko) 2021-03-11
EP4026498A2 (en) 2022-07-13
WO2021045507A3 (ko) 2021-04-29
EP4026498A4 (en) 2023-03-29

Similar Documents

Publication Publication Date Title
Ebrahimighahnavieh et al. Deep learning to detect Alzheimer's disease from neuroimaging: A systematic literature review
Sathiyamoorthi et al. A deep convolutional neural network based computer aided diagnosis system for the prediction of Alzheimer's disease in MRI images
US20220051801A1 (en) Classifying neurological disease status using deep learning
Naz et al. Transfer learning using freeze features for Alzheimer neurological disorder detection using ADNI dataset
KR102276545B1 (ko) Ct 영상 기반 부위별 대뇌 피질 수축율 예측 방법 및 장치
Bron et al. Standardized evaluation of algorithms for computer-aided diagnosis of dementia based on structural MRI: the CADDementia challenge
Jyothi et al. Deep learning models and traditional automated techniques for brain tumor segmentation in MRI: a review
CN109447183A (zh) 模型训练方法、装置、设备以及介质
Qin et al. 3D convolutional neural networks with hybrid attention mechanism for early diagnosis of Alzheimer’s disease
Saravanakumar et al. A computer aided diagnosis system for identifying Alzheimer’s from MRI scan using improved Adaboost
US20220284288A1 (en) Learning from biological systems how to regularize machine-learning
Thangavel et al. EAD-DNN: Early Alzheimer's disease prediction using deep neural networks
Pallawi et al. Study of Alzheimer’s disease brain impairment and methods for its early diagnosis: a comprehensive survey
Aderghal Classification of multimodal MRI images using Deep Learning: Application to the diagnosis of Alzheimer’s disease.
Alharthi et al. Do it the transformer way: a comprehensive review of brain and vision transformers for autism spectrum disorder diagnosis and classification
Amulya et al. Classification of brain images for Alzheimer's disease detection
Basu Analyzing Alzheimer's disease progression from sequential magnetic resonance imaging scans using deep convolutional neural networks
KR102521303B1 (ko) 약물의 작용 기전을 예측하는 신경망의 기계학습 방법 및 신경망을 이용한 약물의 작용 기전 예측 방법
Vasilevski Meta-learning for clinical and imaging data fusion for improved deep learning inference
Zhu et al. Diabetic Retinopathy Classification With Deep Learning via Fundus Images: A Short Survey
Mostapha Learning from complex neuroimaging datasets
Khan A Novel Deep Learning-Based Framework for Context-Aware Semantic Segmentation in Medical Imaging
Tekulu et al. Schizophrenia Disease Classification with Deep learning and Convolutional Neural Network Architectures using TensorFlow
Lin et al. Attention-based Efficient Classification for 3D MRI Image of Alzheimer's Disease
Xu U-Net for Cerebral Cortical MR Image Segmentation

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