KR20210068189A - 의료 영상을 이용한 병변 여부 판단 방법 - Google Patents

의료 영상을 이용한 병변 여부 판단 방법 Download PDF

Info

Publication number
KR20210068189A
KR20210068189A KR1020190156667A KR20190156667A KR20210068189A KR 20210068189 A KR20210068189 A KR 20210068189A KR 1020190156667 A KR1020190156667 A KR 1020190156667A KR 20190156667 A KR20190156667 A KR 20190156667A KR 20210068189 A KR20210068189 A KR 20210068189A
Authority
KR
South Korea
Prior art keywords
space vector
data
medical image
image data
sample
Prior art date
Application number
KR1020190156667A
Other languages
English (en)
Inventor
권석준
강준현
강구민
강진구
박재현
고형덕
한일기
박재관
이관일
Original Assignee
한국과학기술연구원
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 한국과학기술연구원 filed Critical 한국과학기술연구원
Priority to KR1020190156667A priority Critical patent/KR20210068189A/ko
Publication of KR20210068189A publication Critical patent/KR20210068189A/ko

Links

Images

Classifications

    • 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
    • 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
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/08—Volume rendering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • 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]

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Quality & Reliability (AREA)
  • Computer Graphics (AREA)
  • Physiology (AREA)
  • Optics & Photonics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

본 발명의 일 실시에에 따르면, 측정 또는 모델링하고자 하는 대상 시스템으로부터 적어도 2개 이상의 데이터 파라미터를 포함하는 데이터 셋을 획득하는 데이터 추출부; 상기 데이터 셋으로부터 계산영역 추출하고, 상기 계산영역을 상기 데이터 파라미터를 축으로 구성된 데이터 차원으로 변환하는 데이터 차원 생성부; 상기 데이터 차원을 채우는 공간 벡터를 설정하는 공간 벡터 생성부; 상기 공간 벡터로부터 상기 공간 벡터의 길이보다 작은 길이를 갖는 공간 벡터 샘플 데이터를 생성하고, 상기 공간 벡터 샘플 데이터간 거리를 이용하여 샘플 엔트로피를 산출하고, 상기 샘플 엔트로피를 이용하여 상기 대상 시스템의 복잡도를 판단하는 병변 판단부를 포함하는, 병변 여부 판단 장치가 제공된다.

Description

의료 영상을 이용한 병변 여부 판단 방법{METHOD FOR DETERMINING LESION BASED ON MEDICAL IMAGE}
본 발명은 의료 영상을 이용한 병변 여부 판단 방법에 관한 것이다.
대표적인 뇌의 비침습(non-invasive) 계측 방법 중 하나인 fMRI 는 데이터의 공간적 분해능이 비교적 높아 최근에 널리 사용되고 있다. fMRI는 뇌의 활성화 부위를 측정 가능하게 하는 각종 물리량을 측정량으로서 영상화하는 방법으로, 뇌의 구조를 이미지화하는 해부 MRI의 원리와 동일하게, 생체 내 조직의 프로톤(protons) 밀도나 세로 완화 시간, 가로 완화 시간를 반영하는 구성을 사용한다.
fMRI는 뇌의 어떤 영역이 활성화될 때 해당 영역의 혈중 산소 농도(BOLD: blood-oxygenated-level-dependent)가 증가하는 것을 이용하여 MRI 장비를 통해 자기장 변화를 측정함으로써 뇌의 활성화 부위를 영상으로 나타내는 뇌기능 영상화한다. 구체적으로, 뇌의 활성 부위의 국소적인 혈류량 증가로 인한 혈중 산소 농도 증가를 측정함으로써 뇌기능의 활성화 패턴을 영상화한다. 이러한 뇌기능 활성화 패턴 도출에는 다양한 분석 기법 및 통계 기법이 사용된다.
그러나, 복합적인 활동이 동시에 발생하는 뇌의 특성 상 뇌기능 활성화 패턴을 도출하는 것은 쉽지 않다. 패턴을 도출하는데 고려해야 할 변수가 매우 많기 때문이다. 이에 따라, 보다 정확하게 뇌기능 활성화 패턴을 도출하고 이에 따라 fMRI 분석 능력을 향상시키기 위한 방법이 요구된다.
본 발명은 다양한 변수를 포함하는 의료 영상의 복잡도를 파악함으로써, 병변 여부를 정확하게 예측, 평가할 수 있는 방법을 제공하는데 그 목적이 있다.
본 발명의 일 실시예에 따르면, 의료 영상 데이터를 수신하고, 상기 의료 영상 데이터로부터 복수 개의 복셀을 포함하는 데이터 차원을 획득하는 데이터 추출부; 상기 데이터 차원을 채우는 공간 벡터를 설정하는 공간 벡터 생성부; 상기 공간 벡터로부터 상기 공간 벡터의 길이보다 작은 길이를 갖는 공간 벡터 샘플 데이터를 생성하고, 상기 공간 벡터 샘플 데이터간 거리를 이용하여 샘플 엔트로피를 산출하는 엔트로피 계산부; 상기 샘플 엔트로피를 이용하여 복수 개의 상기 복셀의 활성 패턴을 도출하는 병변 판단부를 포함하는, 병변 여부 판단 장치가 제공된다.
본 발명의 일 실시예에 따르면, 의료 영상 데이터를 수신하고, 상기 의료 영상 데이터로부터 복수 개의 복셀을 포함하는 데이터 차원을 획득하는 제1 단계; 상기 데이터 차원을 채우는 공간 벡터를 설정하는 제2 단계; 상기 공간 벡터로부터 상기 공간 벡터의 길이보다 작은 길이를 갖는 공간 벡터 샘플 데이터를 생성하고, 상기 공간 벡터 샘플 데이터간 거리를 이용하여 샘플 엔트로피를 산출하는 제3 단계; 및 상기 샘플 엔트로피를 이용하여 복수 개의 상기 복셀의 활성 패턴을 도출하는 제4 단계를 포함하는, 병변 여부 판단 방법이 제공된다.
본 발명의 일 실시예에 따르면, 상기 의료 영상 데이터는 뇌를 촬영한 이미지이고, 상기 복셀은 촬영된 상기 뇌의 적어도 일부 영역을 나타내는 3차원 단위인, 병변 여부 판단 방법이 제공된다.
본 발명의 일 실시예에 따르면, 상기 복셀은 상기 뇌의 활성 정도를 그레이 스케일로 나타낸 이미지 데이터를 포함하는, 병변 여부 판단 방법이 제공된다.
본 발명의 일 실시예에 따르면, 상기 공간 벡터는 상기 복셀 내 좌표를 중복됨 없이 한번씩 지나는 형태로 제공되는, 병변 여부 판단 방법이 제공된다.
본 발명의 일 실시예에 따르면, 상기 공간 벡터는 상기 데이터 차원 상에서 적어도 하나 이상의 단위구조가 연결된 형태를 갖는, 병변 여부 판단 방법이 제공된다.
본 발명의 일 실시예에 따르면, 상기 제2 단계는 상기 데이터 차원을 채우기 위한 단위 구조를 갖는 n차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(An, Bn, Cn, Dn)를 정의하는 단계; 상기 n차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(An, Bn, Cn, Dn)를 이용하여 n+1차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(An+1, Bn+1, Cn+1, Dn+1)를 정의하는 단계; 상기 n+1차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(An+1, Bn+1, Cn+1, Dn+1)가 상기 데이터 차원을 벗어나는 경우, 상기 n차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(An, Bn, Cn, Dn) 중 적어도 하나를 상기 공간 벡터로 설정하는 단계를 더 포함하는, 시스템 복잡도 판단 방법이 제공된다.
본 발명의 일 실시예에 따르면, 상기 n차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(An, Bn, Cn, Dn)와 상기 n+1차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(An+1, Bn+1, Cn+1, Dn+1)는 식 1과 같은 관계를 갖는, 병변 여부 판단 방법이 제공된다.
[식 1]
An+1 = [Bn-N-An-E-An-S-Cn]
Bn+1 = [An-E-Bn-N-Bn-W-Dn]
Cn+1 = [Dn-W-Cn-S-Cn-E-An]
Dn+1 = [Cn-S-Dn-W-Dn-B-Bn]
상기 식 1에서 N, E, W, S는 각각 상기 데이터 차원 상에서 북쪽, 동쪽, 서쪽, 및 남쪽으로 선분을 잇는 동작을 의미한다.
본 발명의 일 실시예에 따르면, 상기 제3 단계는 상기 공간 벡터 샘플 데이터간 스칼라 거리가 기설정된 문턱 값 이하인 경우 두 데이터가 근사적으로 동일한 것으로 판단하는 단계를 더 포함하는, 병변 여부 판단 방법이 제공된다.
본 발명의 일 실시예에 따르면, 컴퓨터 장치와 결합하여, 의료 영상 데이터를 수신하고, 상기 의료 영상 데이터로부터 복수 개의 복셀을 포함하는 데이터 차원을 획득하는 제1 단계; 상기 데이터 차원을 채우는 공간 벡터를 설정하는 제2 단계; 상기 공간 벡터로부터 상기 공간 벡터의 길이보다 작은 길이를 갖는 공간 벡터 샘플 데이터를 생성하고, 상기 공간 벡터 샘플 데이터간 거리를 이용하여 샘플 엔트로피를 산출하는 제3 단계; 및 상기 샘플 엔트로피를 이용하여 복수 개의 상기 복셀의 활성 패턴을 도출하는 제4 단계를 포함하는 병변 여부 판단 방법을 실행시키기 위하여 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.
본 발명의 일 실시예에 따르면, 다양한 변수를 포함하는 의료 영상의 복잡도를 파악함으로써, 병변 여부를 정확하게 예측, 평가할 수 있다.
또한, 본 발명의 일 실시예에 따르면, fMRI의 3차원 복셀 데이터를 이용하여, 각 영상에서 획득한 데이터의 복잡도를 계산할 수 있고, 이를 통해 병변 여부를 진단할 수 있다.
도 1은 본 발명의 일 실시예에 따른 병변 여부 판단 장치를 나타낸 블록도이다.
도 2는 본 발명의 일 시시예에 따른 병변 여부 판단 방법을 나타낸 순서도이다.
도 3a 내지 도 3e는 각각 본 발명의 일 실시에에 따른 의료 영상 데이터 처리 방법과 처리 결과를 나타낸 그림 및 그래프이다.
도 4a 및 도 4b는 본 발명의 일 실시예에 따른 의료 영상 데이터와 의료 영상 데이터 처리 결과를 나타낸 사진 및 그래프이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 발명의 일 실시예에 따르면, 복수 개의 차원의 데이터를 포함하는 복잡한 데이터 셋을 고차원의 데이터 차원으로 나타내고 데이터 차원을 채우는 공간 벡터를 설정, 분석함으로써 데이터 셋의 복잡도를 파악할 수 있다. 이에 따라, 데이터 셋이 갖는 물리적 의미를 파악하고 특정 상황에서의 물질계의 거동을 정확하게 예측, 평가할 수 있다.
도 1은 본 발명의 일 실시예에 따른 병변 여부 판단 장치를 나타낸 블록도이다.
도 1에 따르면, 병변 여부 판단 장치(10)는 데이터 추출부(100), 공간 벡터 생성부(200), 엔트로피 계산부(300), 및 병변 판단부(400)를 포함한다. 병변 여부 판단 장치(10) 내에 제공된 상기 구성들은 물리적으로 분리된 별도의 모듈이거나, 하나의 프로세서 내에서 서로 다른 기능을 수행하는 소프트웨어일 수 있다.
병변 여부 판단 장치(10)는 의료 영상 데이터로부터 환자의 병변 여부를 판단하는데 사용될 수 있다. 이때 환자의 병변 여부를 판단한다는 것은 영상 데이터를 확보한 환부의 병변 진행 여부, 이상 유무/심각도, 뇌 세포의 활성 정도, 약물 혹은 자극에 의한 뇌세포의 반응 정도를 정량적으로 측정하는 것을 포함한다.
병변 여부 판단 장치(10)에 의한 병변 여부 판단은 데이터 추출부(100)에 의한 데이터 셋 획득에 의해 개시될 수 있다.
데이터 추출부(100)는 의료 영상 데이터를 수신하고, 의료 영상 데이터로부터 복수 개의 복셀을 포함하는 데이터 차원을 획득한다.
데이터 추출부(100)는 의료 영상 데이터를 수신하기 위하여 유무선 통신 장치를 포함할 수 있다. 예를 들어, 엑스선 촬영 장치(X-Ray), 컴퓨터 단층 촬영 장치(CT), 양전자 방출 단층 촬영장치(PET), 자기공명영상 장치(MRI), 기능성 자기공명영상 장치(fMRI)로부터 촬영/획득된 의료 영상 데이터는 데이터 추출부(100)로 송신될 수 있다. 이‹š, 의료 영상 데이터는 반드시 이미지, 비디오 형태를 포함하는 것이다.
데이터 추출부(100)는 의료 영상 데이터로부터 복수 개의 복셀을 포함하는 데이터 차원을 획득한다. 복셀은 데이터 차원을 구성하는 단위인 동시에, 의료 영상 데이터의 일부 영역으로부터 추출된 데이터 단위일 수 있다. 예를 들어, 의료 영상 데이터가 기능성 자기공명영상 장치(fMRI)로부터 획득한 3차원 뇌 이미지인 경우, 복셀은 뇌를 촬영한 영상 이미지의 일부 영역으로부터 추출된 3차원 단위일 수 있다. 복셀은 3차원 큐브(Cube) 형태를 가질 수 있으나, 그 형태에 제한은 없다.
데이터 추출부(100)에서 획득된 데이터 차원이 3차원 큐브 형태(Cube)의 복셀로 구성되는 경우, 의료 영상 데이터를 카르테시안 좌표에 좌표 집합으로 나타냄으로써 이후 서술하는 것과 같이 데이터 셋을 분석하기 위한 공간 벡터를 설정하기에 매우 용이하다.
데이터 추출부(100)가 획득한 데이터 차원은 3차원 이상일 수 있다. 이 경우, 데이터 차원은 복수 개의 복셀이 x, y, z축으로 구성된 카르테시안 좌표계(Cartesian Coordinate)에 적층된 모습을 가질 수 있다. 예를 들어, 의료 영상 데이터가 기능성 자기공명영상 장치(fMRI)로부터 획득한 3차원 뇌 이미지인 경우, 데이터 차원은 뇌의 이미지로부터 추출한 3차원 좌표와 해당 좌표의 뇌에서 측정된 혈중 산소 농도 의존 신호(Blood Oxygenation Level Dependent Signal, BOLD Signal)를 포함하는 복합 데이터일 수 있다. 데이터 추출부(100)가 획득한 데이터 차원은 상술한 경우에, 3차원 좌표, 혈중 산소 농도 의존 신호를 포함하는 4차원의 데이터 차원일 수 있다. 다만, 상술한 것은 데이터 추출부(100)로부터 추출되는 데이터 차원의 예시이며, 의료 영상 데이터의 종류에 따라 데이터 차원은 다양한 차원 및 데이터 파라미터를 포함할 수 있다.
데이터 추출부(100)는 수신한 의료 영상 데이터로부터 기설정된 프로토콜에 따라 데이터 차원을 추출하는 동작을 수행할 수 있다. 이에 따라, 사용자는 데이터 추출부(100)에 분석하고자 하는 의료 영상 데이터를 입력하는 동작만으로 다양한 데이터 파라미터를 포함하는 데이터 셋을 획득할 수 있다. 따라서, 본 발명의 일 실시예에 따른 병변 여부 판단 장치(10)는 사용자의 편의성이 우수하다.
데이터 추출부(100)는 또한 경우에 따라 계산영역 추출 동작을 수행할 수 있다. 계산영역 추출 동작은 의료 영상 데이터 중 분석 대상 영역을 한정하는 동작을 포함한다. 구체적으로, 계산영역 추출 동작은 전체 의료 영상 데이터 중 특정 영역으로 계산영역을 한정하거나, 또는 여러 개의 데이터 파라미터 중 특정 데이터 파라미터로 계산영역을 한정할 수 있다. 경우에 따라, 계산영역의 추출은 획득된 의료 영상 데이터 전체 범위로 이루어질 수도 있다. 이에 따라, 본원에서 의미하는 추출은 계산영역을 확정한다는 의미를 갖는다.
데이터 추출부(100)에서 생성된 데이터 차원에 대하여 공간 벡터 생성부(200)가 공간 벡터를 생성하는 동작이 다음으로 수행될 수 있다.
공간 벡터 생성부(200)가 생성하는 공간 벡터는 데이터 차원 상에 제공된, 의료 영상 데이터로부터 생성되는 데이터 좌표들을 중복됨 없이 한번씩 지나는 형태로 제공될 수 있다. 이에 따라, 공간 벡터가 나타내는 것은 좌표 축을 구성하는 데이터 파라미터에 따른 특정 종류의 데이터의 데이터량의 집합일 수 있다. 특히 공간 벡터는 데이터 차원의 종류에 관계 없이 데이터 차원을 가득 채우는 형태로 제공될 수 있으므로, 데이터가 복잡하고 다양한 종류의 데이터(다양한 데이터 파라미터로 나타나는 복수 종의 데이터)를 포함하여도 공간 벡터 형태로 나타낼 수 있다. 이에 따라, 복잡한 데이터를 분석하는데 매우 유용하다. 예를 들어, 의료 영상 데이터가 기능성 자기공명영상 장치(fMRI)로부터 획득한 3차원 뇌 이미지인 경우, 공간 벡터는 3차원 좌표와 3차원 좌표에 해당되는 영역에서 검출된 신호에 대한 데이터를 포함할 수 있다. 이때 공간 벡터가 복수 개의 복셀들로 구성된 데이터 차원을 중복됨 없이 모두 지나기 때문에, 각 영역 공간적 데이터(좌표 데이터)와 시계열적인 신호 데이터가 공간 벡터에 의해 표현될 수 있다.
공간 벡터 생성부(200)는 상술한 것과 같이 3차원 좌표와 3차원 좌표에 해당되는 영역에서 검출된 신호를 하나의 벡터로 표현할 수 있다. 이에 따라, 다양한 데이터 파라미터를 포함하는 고차원 데이터가 1차원의 벡터로 나타날 수 있다. 예를 들어, 의료 영상 데이터가 기능성 자기공명영상 장치(fMRI)로부터 획득한 3차원 뇌 이미지인 경우, 의료 영상 데이터는 X축 좌표, Y축 좌표, Z축 좌표, 혈중 산소 농도 의존 신호를 포함하는 4차원 데이터일 수 있다. 이러한 고차원 데이터에서 서로 다른 데이터 차원간 연관 관계 및 패턴을 도출하는 것은 많은 연산을 필요로 하며 매우 어렵다. 그러나, 본 발명의 일 실시예에 따르면 고차원 데이터를 1차원 벡터로 나타낼 수 있기 때문에 많은 데이터를 정확하게 처리하기 매우 용이하다.
공간 벡터 생성부(200)는 데이터 차원을 가득 채우는 형태로 공간 벡터를 설정한다. 공간 벡터의 형태는 데이터 차원의 형태에 따라 달라질 수 있다. 예를 들어, 데이터 차원이 2차원인 경우 공간 벡터는 2차원 평면 상에 제공된 벡터 형태로 제공될 수 있다. 데이터 차원이 3차원인 경우 공간 벡터는 3차원 공간을 채우는 벡터 형태로 제공될 수 있다.
공간 벡터 생성부(200)가 생성하는 공간 벡터의 크기 역시 데이터 차원의 크기에 따라 달라질 수 있다. 예를 들어, 데이터 차원의 크기가 크고, 데이터 셋으로부터 형성된 데이터 좌표의 수가 많을수록 공간 벡터의 길이가 커질 수 있다. 공간 벡터 생성부(200)에 의해 생성된 공간 벡터의 구체적 예시는 후술하고자 한다.
공간 벡터 생성부(200)가 설정한 공간 벡터는 엔트로피 계산부(300)에서 분석된다.
엔트로피 계산부(300)는 설정된 공간 벡터로부터 공간 벡터의 길이보다 작은 길이를 갖는 공간 벡터 샘플 데이터를 생성하고, 공간 벡터 샘플 데이터간 거리를 이용하여 샘플 엔트로피를 산출한다.
엔트로피 계산부(300)에서 계산된 샘플 엔트로피는 의료 영상 데이터의 복잡도, 의료 영상 데이터에서 추출한 복셀간 연관 관계 등을 나타낸다. 샘플 엔트로피는 나아가 병변 판단부(400)에서 의료 영상 데이터가 촬영된 환부의 병변 여부를 파악하는데 이용된다.
병변 판단부(400)는 의료 영상 데이터로부터 환자의 병변 여부를 판단한다. 이때 환자의 병변 여부를 판단한다는 것은 영상 데이터를 확보한 환부의 병변 진행 여부, 이상 유무/심각도, 뇌 세포의 활성 정도, 약물 혹은 자극에 의한 뇌세포의 반응 정도를 정량적으로 측정하는 것을 포함한다.
병변 판단부(400)는 예를 들어 여러 부위가 자극에 의해 동시 다발적으로 반응하는 환부에서 환부의 반응 패턴 등을 분석하는데 이용될 수 있다. 병변 판단부(400)는 환부의 반응 패턴을 분석함으로써 환부가 정상 상태인지 병변 영역이 있는지, 병변 영역이 어디인지를 파악할 수 있다.
병변 판단부(400) 및 엔트로피 계산부(300)의 동작 방법에 대해서는 이하에서 더 자세히 서술하고자 한다.
본 발명의 일 실시예에 따른 병변 여부 판단 장치는 장치 내 구성들의 순차적 동작에 의해 의료 영상 데이터에 포함된 복잡한 데이터를 정확하게 해석 가능하다. 이하에서는 병변 여부 판단 장치의 동작 방법에 대하여, 공간 벡터 설정 방법, 엔트로피 산출 방법, 및 병변 여부 판단 방법을 중심으로 더 자세히 살펴보고자 한다.
도 2는 본 발명의 일 시시예에 따른 시스템 복잡도 판단 방법을 나타낸 순서도이다.
도 2에 따르면, 병변 여부 판단 방법은 의료 영상 데이터를 수신하는 단게(S100), 의료 영상 데이터로부터 복수 개의 복셀을 포함하는 데이터 차원을 획득하는 제1 단계(S200); 데이터 차원을 채우는 공간 벡터를 설정하는 제2 단계(S300); 공간 벡터로부터 공간 벡터의 길이보다 작은 길이를 갖는 공간 벡터 샘플 데이터를 생성하고, 공간 벡터 샘플 데이터간 거리를 이용하여 샘플 엔트로피를 산출하는 제3 단계(S400); 및 샘플 엔트로피를 이용하여 복수 개의 상기 복셀의 활성 패턴을 도출하는 제4 단계(S500)를 포함한다.
병변 여부 판단 방법 중 데이터 수신 단계(S100), 제1 단계(S200)에 대하여는 앞서 도 1에 대한 설명에서 서술한 바와 같다. 이하에서는 내용의 중복을 피하기 위하여 제2 단계(S300), 제3 단계(S400), 및 제4 단계(S500)에 대하여 자세히 살펴보고자 한다.
제2 단계(S300)에 따르면, 데이터 차원을 채우는 공간 벡터가 설정된다.
공간 벡터는 반복 연산에 의해 생성될 수 있다. 구체적으로, 반복 연산 시 원래의 기하학적 형태를 입력변수로 받아, 그것을 반복한 결과를 출력변수로 설정하고, 출력된 변수를 다시 입력 변수로 반복하여 처리함으로써 공간 벡터를 생성할 수 있다.
공간 벡터를 생성하는 반복 연산은 예를 들어 먼저 데이터 차원을 채우기 위한 단위 구조를 갖는 n차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(An, Bn, Cn, Dn)를 정의함으로써 시작될 수 있다. n차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(An, Bn, Cn, Dn)는 아래와 같이 정의될 수 있다.
[식 1]
An+1 = [Bn-N-An-E-An-S-Cn]
Bn+1 = [An-E-Bn-N-Bn-W-Dn]
Cn+1 = [Dn-W-Cn-S-Cn-E-An]
Dn+1 = [Cn-S-Dn-W-Dn-B-Bn]
상기 식 1에서 N, E, W, S는 각각 상기 데이터 차원 상에서 북쪽, 동쪽, 서쪽, 및 남쪽으로 선분을 잇는 동작을 의미하고, An+1, Bn+1, Cn+1, Dn+1는 n+1차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수를 의미한다.
이때 반복 연산에 앞서서 0차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(A0, B0, C0, D0)를 초기화할 수 있다. 0차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(A0, B0, C0, D0)는 벡터의 시작점 좌표를 갖는 것으로 초기화될 수 있다.
n+1차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(An+1, Bn+1, Cn+1, Dn+1)가 n차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(An, Bn, Cn, Dn)를 변수로 정의됨으로써, 공간 벡터 생성을 위한 연산이 반복될수록 공간 벡터의 크기가 커지고 복잡해질 수 있다.
또한, n차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(An, Bn, Cn, Dn)는 서로 닮음이기 때문에, n차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(An, Bn, Cn, Dn)로부터 만들어진 n+1차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(An+1, Bn+1, Cn+1, Dn+1)는 데이터 차원 상에서 적어도 하나 이상의 단위구조가 연결된 형태를 갖는다. 이때 n차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(An, Bn, Cn, Dn)가 상술한 단위구조를 의미한다. 상술한 형태로 공간 벡터를 형성함으로써 생성된 공간 벡터는 프랙탈 구조를 가질 수 있다.
공간 벡터를 생성하기 위한 반복 연산은 n+1차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(An+1, Bn+1, Cn+1, Dn+1)가 데이터 차원을 벗어나는 때까지 계속될 수 있다. n+1차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(An+1, Bn+1, Cn+1, Dn+1)가 데이터 차원을 벗어나는 때, 공간 벡터 생성부는 n차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(An, Bn, Cn, Dn) 중 적어도 하나를 상기 공간 벡터로 설정할 수 있다. 이에 따라 데이터 차원을 가득 채우고 데이터 차원 상의 모든 지점을 지나는 공간 벡터가 생성될 수 있다.
상술한 방법에 의해 생성되는 공간 벡터는 데이터 차원의 차원 수에 관계없이 데이터 차원을 가득 채우며, 데이터 차원 상에 제공된 모든 데이터 좌표를 지날 수 있다. 이에 따라 여러 개의 데이터 파라미터를 포함하는 복잡한 데이터도 정확하게 분석할 수 있다.
공간 벡터 설정 후에는 샘플 엔트로피를 산출하는 제3 단계(S400)가 수행된다.
제3 단계(S400)에서는 먼저 생성된 공간 벡터로부터 공간 벡터의 길이보다 작은 길이를 갖는 공간 벡터 샘플 데이터(X(i))를 생성한다. 길이 m(또는 임베딩 차원 m)의 공간 벡터 샘플 데이터(X(i))는 길이 W를 갖는 공간 벡터와, 공간 벡터의 집합(U=[u(1) u(2) … u(W)])에 대하여 아래와 같이 생성된다.
X(i)=[u(i) u(i+1) u(i+2) … u(i+m-1)], i=1,2,..., W-m+1
공간 벡터 샘플 데이터(X(i))는 원본 데이터인 공간 벡터의 집합(U)의 부분 집합으로서, i번째 성분부터 i+m-1번째 성분까지만 추출하여 생성한 샘플 데이터이다. X(i)의 길이는 임베딩 차원 m과 같다. 또한, m이 정해지면, i의 최대값도 W-m+1이다.
다음으로, 생성된 공간 벡터 샘플 데이터(X(i))를 모아서, 다음과 같이 식 2를 이용해 벡터 측정량(Cm i(r))을 계산한다.
[식 2]
Figure pat00001
위 방정식에서 d[X,X*]는 두 공간 벡터 샘플 데이터 X와 다른 공간 벡터 샘플 데이터 X* 사이의 스칼라 거리이다. 또한, r은 두 데이터 사이의 거리의 문턱값(filtering level or threshold value or tolerance)으로서, 이 문턱값보다 두 데이터 벡터 사이의 거리가 작으면, 두 공간 벡터 샘플 데이터는 근사적으로 같다고 처리한다. 상술한 방법으로 공간 벡터를 계산함으로써, 이후 샘플 엔트로피 계산의 정확도를 향상시킬 수 있다.
다음으로, 벡터 측정량(Cm i(r))의 평균 값(<Cm i(r)>)을 계산한다. 벡터 측정량의 평균 값(<Cm i(r)>)으로부터 계산되는 샘플 엔트로피(Ssaen)는 아래와 같다.
[식 3]
Figure pat00002
위의 식 3에 의해 계산된 샘플 엔트로피(Ssaen)는 의료 영상 데이터의 복잡도를 의미한다. 데이터의 복잡도는 각 복셀간 연관 관계 등을 의미할 수 있다. 본 발명의 일 실시예에 따르면 아래와 같이 통계적으로 의료 영상 데이터의 복잡도를 계산함으로써, 종래의 방법보다 더 정확하게 데이터가 갖는 의미, 즉 병변 유무를 분석할 수 있다.
다음으로, 샘플 엔트로피를 이용하여 복셀 활성 패턴을 도출하고 병변 유무를 판단할 수 있다(S500).
상술한 단계에서 계산된 샘플 엔트로피는 복셀의 복잡도를 나타낼 수 있다. 즉 샘플 엔트로피는 데이터 차원에 포함된 복수 개의 복셀간의 연관 관계를 복잡도 형태로 나타낼 수 있다.
복셀의 복잡도, 복셀간의 연관 관계를 통하여 특정 신호의 분포에 따른 조직의 이상 유무를 정확하게 판단할 수 있다. 예를 들어, 의료 영상 데이터가 3차원 뇌 촬영 이미지인 경우, 각각의 복셀에 포함된 뉴런의 활성 정도에 따라 복셀의 활성 정도가 결정된다. 복셀의 활성 정도는 그레이 스케일로 나타날 수 있다. 앞서 살펴본 공간 벡터는 복셀의 3차원 좌표와 그레이 스케일 크기를 벡터 형태로 나타낸 것 일 수 있다. 또한, 공간 벡터로부터 계산된 샘플 엔트로피는 복셀의 3차원 좌표와 그레이 스케일간 연관 관계, 서로 다른 복셀이 나타내는 그레이 스케일 크기간 연관 관계 등을 복잡도 형태로 계산할 수 있다.
이렇게 계산된 복잡도 또는 연관 관계는 병변 판단부에서 패턴화 될 수 있다. 예를 들어, 특정 자극에 대하여 뇌가 반응하는 형태를 패턴화할 수 있다. 패턴화된 반응 유형은 데이터 베이스 상에 저장된 비교 데이터(Reference data)와 비교될 수 있다. 예를 들어, 병변 판단부는 특정 자극에 대하여 정상 뇌가 반응하는 패턴을 비교 데이터로 저장하고 있을 수 있다. 병변 판단부는 병변 판단 단계를 수행하기 위하여, 특정 자극에 대하여 분석된 복잡도 또는 연관관계로부터 반응 패턴을 추출한 후, 이를 동일한 자극에 대하여 저장된 비교 데이터에 따른 반응 패턴과 비교할 수 있다. 비교를 통하여 뇌의 어떤 영역에서 이상 반응이 나타나는지를 파악할 수 있고, 그 정도에 따라 이를 병변 부위로 판별할 수 있다.
종래 기술에 따르면, 3차원 의료 영상 데이터를 확보하더라도 3차원 의료 영상 데이터의 각 조직간 관계를 판단하기 위해 3차원 의료 영상 데이터 또는 3차원 복셀을 2차원 매트릭스로 변환하는 단계를 거쳤다. 2차원 계산의 경우 병변 여부에 대한 일부 정보를 줄 수 있고, 계산 부하가 상대적으로 덜하다는 장점이 있으나, 전체적인 3차원 뇌조직 혹은 특정 정보(Activity)의 분포에 따른 조직의 이상 유무를 정확하게 판별하는 것이 어려웠다. 특히, 3차원 정보를 2차원으로 변형하는 단계에서 데이터 손실이 발생할 수 있었으며, 이는 분석의 정확도를 더욱 낮추는 요인으로 작용했다.
그러나, 본 발명에 따르면, 3차원 의료 영상 데이터 또는 3차원 복셀에 포함된 정보를 공간 벡터를 이용하여 데이터의 손실 없이 변형할 수 있다. 또한 공간 벡터로 변형된 데이터를 연산함으로써 다 변수를 동시에 정확하게 계산할 수 있다. 이에 따라 병변 여부에 대한 판단이 정확하고 계산 부하가 상대적으로 적다.
이상에서는 의료 영상 데이터의 복잡도 및 병변 여부를 판단하기 위한 병변 여부 판단 방법에 대하여 살펴보았다. 이하에서는 본 발명의 일 실시예에 따라 공간 벡터 및 샘플 엔트로피 계산의 구체적인 예시를 살펴보고자 한다.
도 3a 내지 도 3e는 각각 본 발명의 일 실시에에 따른 의료 영상 데이터 처리 방법과 처리 결과를 나타낸 그림 및 그래프이다.
도 3a를 참고하면, 의료 영상 데이터와 복셀 간의 관계가 개시되어 있다. 도 3a를 참고하면, 의료 영상 데이터는 뇌를 촬영한 3차원 이미지일 수 있다. 예를 들어, 의료 영상 데이터는 기능성 자기공명영상 장치(fMRI)를 이용하여 뇌를 촬영한 이미지일 수 있다.
복셀은 의료 영상 데이터를 구성하는 구성단위일 수 있다. 예를 들어, 복셀은 정육면체 형태로 의료 영상 데이터의 일부를 구획 지은 단위 영역일 수 있다. 복셀의 크기는 의료 영상 데이터의 해상도에 따라 달라질 수 있다. 예를 들어, 의료 영상 데이터의 해상도가 높을수록 같은 크기의 구획에 더 많은 데이터가 포함되므로 복셀의 크기를 상대적으로 작게 설정할 수 있다. 의료 영상 데이터가 기능성 자기공명영상 장치를 이용하여 뇌를 촬영한 이미지인 경우, 복셀은 뇌의 적어도 일부 영역을 나타내는 3차원 단위일 수 있다.
복셀은 복수 개 제공될 수 있다. 의료 영상 데이터는 복수 개의 복셀의 집합으로 나타날 수 있다. 예를 들어, 복수 개의 복셀이 모임으로써, 모자이크 형태로 의료 영상 데이터를 나타낼 수 있다. 복셀의 개수는 의료 영상 데이터의 크기 및 해상도에 따라 달라질 수 있다.
도 3b를 참고하면, 의료 영상 데이터가 뇌를 촬영한 3차원 이미지인 경우 복셀과 의료 영상 데이터간 관계가 개시되어 있다.
도 3b를 참고하면, 뇌를 촬영한 3차원 이미지는 복수 개의 복셀들이 적층되어 만드는 모자이크 형태로 나타날 수 있다. 이때 복수 개의 복셀들은 앞서 살펴본 바와 같이 뇌의 일부 영역을 나타내는 3차원 단위일 수 있다. 이에 따라, 각각의 복셀 내에는 뇌의 해당 영역에 포함된 뉴런들에 관한 데이터가 포함될 수 있다. 뇌에는 수많은 뉴런이 존재하기 때문에 하나의 복셀 내에도 수많은 뉴런에 관한 데이터가 포함될 수 있다.
뇌에 존재하는 뉴런은 자극에 의해 활성화된다. 복셀은 복셀이 나타내는 뇌의 구역에 포함된 뉴런들의 활성 정도 데이터를 포함한다. 뉴런의 활성 정도 데이터는 그레이 스케일로 나타날 수 있다. 이때 하나의 복셀 내에 수많은 뉴런이 포함되어 있고, 뉴런별로 서로 다른 활성 정도를 나타낼 수 있기 때문에 복셀 내에 포함된 뉴런의 활성 정도를 평균 내어 복셀이 나타내는 뇌의 활성 정도로 설정할 수 있다. 뇌의 활성 정도 또는 복셀 내 포함된 뉴런의 활성 정도의 평균은 그레이 스케일로 나타날 수 있다. 예를 들어, 도면에 도시된 것과 같이 뉴런의 활성 정도를 명도로 표현할 수 있다. 복셀이 나타내는 뇌의 영역이 가장 크게 활성된 경우 흰색으로, 활성되지 않은 경우 검은색으로 표현함으로써 뇌의 활성 정도를 데이터화할 수 있다.
복셀 내에 많은 뉴런 데이터가 포함되고, 복셀이 나타내는 그레이 스케일 정보는 복셀 내 포함된 뉴런들의 활성 정도의 평균이기 때문에, 복셀의 크기를 크게 설정할 경우, 데이터의 정확성이 저하될 수 있다. 반면, 복셀의 크기를 지나치게 작게 설정할 경우, 데이터량이 지나치게 증가하여 연산 부하가 증대될 수 있다. 이에 따라, 복셀은 한 변의 길이가 약 1mm 내지 약 3mm인 정육면체이도록 설정할 수 있다. 상술한 범위로 복셀의 크기를 설정함으로써 데이터의 정확성을 높이면서도 연산 부하가 지나치게 증대되지 않을 수 있다.
도 3c는 의료 영상 데이터가 뇌를 촬영한 3차원 이미지인 경우 복셀의 형태를 나타낸 것이다.
복셀이 3차원 큐브 형태로 제공되는 때, 복셀의 모든 영역에 데이터가 존재하는 것은 아니다. 도면에서 볼 수 있듯이 3차원 복셀 내의 일부 영역에만 데이터가 존재할 수 있다.
복셀이 3차원 형태로 제공되고 3차원 복셀 내에 데이터가 제공되는 때, 데이터는 좌표에 관한 정보와 활성에 관한 정보를 포함할 수 있다. 좌표에 관한 정보는 3차원 카르테시안 좌표에 대한 정보로, 복셀이 나타내는 뇌의 영역 또는 뉴런의 집합의 물리적 공간 내 위치를 표현하는 것일 수 있다. 활성에 관한 정보는 앞서 살펴본 것과 같이 복셀이 나타내는 뇌의 영역의 활성의 크기 또는 뉴런의 활성의 크기의 평균으로 그레이 스케일로 나타날 수 있다.
이에 따라, 복셀은 적어도 4개의 데이터 파라미터로 나타나는 고차원 데이터를 포함할 수 있다. 이러한 복셀이 포함하는 데이터는 앞서 살펴본 것과 같이 1차원의 공간 벡터로 나타날 수 있다. 1차원의 공간 벡터는 복셀 내 좌표를 중복됨 없이 한번씩 지나는 형태로 제공될 수 있다. 이에 따라 복셀이 고차원 데이터를 포함하는 때에도 공간 벡터를 이용하여 데이터를 손실 없이 1차원으로 변환 가능하다. 또한, 복셀의 일부 영역에만 데이터가 존재하는 경우에도, 공간 벡터가 복셀의 모든 영역을 중복 없이 지남으로써 효율적으로 데이터 변환이 가능하다.
도 3d는 복셀을 지나는 공간 벡터의 예시이다.
도 3d를 참고하면 도 3c에 도시된 복셀과 같은 3차원 데이터 차원을 채우는 공간 벡터가 생성된다. 공간 벡터의 크기 및 형태는 도 3d에 도시된 것과 같이 다양할 수 있다. 예를 들어, 데이터 차원의 크기가 n=1(2x2x2)인 경우 공간 벡터는 2개의 반복 단위(ㄷ자)로 구성된 상대적으로 간단한 모습을 가질 수 있다. 이에 비하여 데이터 차원의 크기가 n=4(16x16x16)인 경우 공간 벡터는 데이터 차원을 키우기 위하여 상대적으로 복잡한 형태를 가질 수 있다.
공간 벡터는 도면에서 확인할 수 있듯이 프랙탈 구조를 갖는다. 또한 n=1인 데이터 차원을 채우는 공간 벡터와 n=2인 데이터 차원을 채우는 공간 벡터의 비교에서 확인할 수 있듯이, n=1인 데이터 차원을 채우는 공간 벡터(ㄷ자 형태)는 n=2인 데이터 차원을 채우는 공간 벡터의 구성 단위로 사용되고 있다.
도 3e는 도 3c에 나타난 복셀에 표현되는 데이터를 도 3d에 개시된 공간 벡터를 이용하여 분석한 결과이다. 도 3e에 따르면 각각의 복셀이 나타내는 데이터의 허스트 지수(H)를 계산하고, 허스트 지수에 따른 복잡도 의존도를 분석하였다.
허스트 지수 값은 비선형적인 특징을 나타내며, 신호의 장기 기억 지수를 추정하는데 이용될 수 있다. 허스트 지수 값은 0부터 1사이의 범위를 가지며, 허스트 지수 값이 1에 가까울수록 자신의 이전 신호와 강한 양의 상관 관계를 나타내고, 0에 가까울수록 자신의 이전 신호와 강한 음의 상관 관계를 나타낼 수 있다.
도 3e를 참고하면 허스트 지수가 낮은 때 엔트로피가 높은 것으로 확인되었으며, 허스트 지수가 1에 가까워짐에 따라 엔트로피가 비선형적으로 낮아지는 것을 확인할 수 있었다. 이는 도 3c에 나타난 이미지 데이터의 형태와도 일치하는 것으로, 도 3c의 복셀 중 허스트 지수(H)가 0.2인 복셀이 가장 복잡한 활성 데이터를 포함하고 있고, 허스트 지수(H)가 0.7인 복셀이 상대적으로 가장 복잡하지 않은 활성 데이터를 포함하고 있는 인풋을 그대로 나타내는 것이다. 따라서, 본원 발명에 따른 병변 여부 판단 방법을 이용하면 고차원의 복셀 데이터를 정확하게 분석할 수 있음을 알 수 있다.
도 4a 및 도 4b는 본 발명의 일 실시예에 따른 의료 영상 데이터와 의료 영상 데이터 처리 결과를 나타낸 사진 및 그래프이다.
도 4a는 3차원 기능성 자기공명장치(fMRI) 뇌영상에서 획득한 3차원 복셀 이미지를 2차원으로 z-축에 대해 토모그라피 배열한 이미지이다.
도 4a의 1행은 자극 A(S1)를 주었을 때 복셀들에 나타나는 뇌 활성을 그레이 스케일로 표현한 것이다. 2행은 자극 B(S2)를 주었을 때 복셀들에 나타나는 뇌 활성을 그레이 스케일로 표현한 것이다. 3행은 자극을 주지 않았을 때 복셀들에 나타나는 활성을 그레이 스케일로 표현한 것이다.
도 4a의 1행과 2행을 참고하면, 같은 자극이 주어져도 z값에 따라 서로 다른 위치에서 활성이 나타나는 것을 확인할 수 있다. 반면 도 4a의 3행을 참고하면, 자극이 주어지지 않았기 때문에 z축에 관계없이 활성이 나타나지 않는 것을 확인할 수 있다. 이에 따라, 뇌에 대한 이미지 데이터는 3차원 좌표를 모두 포함해야 정확한 진단이 가능하며, 2차원 변환을 하였을 때 데이터의 부정확도가 커질 수 있음을 알 수 있다.
도 4b는 도 4a의 이미지 데이터에 대하여 z축 위치에 따른 엔트로피를 비교한 것이다. 도 4b를 참고해도, z 위치에 따라 자극에 따른 엔트로피가 다르게 분석되는 것을 알 수 있다. 이에 따라, 자극에 대한 활성을 2차원 매트릭스로 변환 분석할 경우 데이터 손실이 발생할 수 있으며, 데이터 분석 정확도가 저하될 수 있음을 알 수 있다.
본 발명에 따르면, 고차원의 복셀 데이터를 손실없이 1차원 공간 벡터로 변환하고, 분석함으로써 데이터 분석의 정확성을 높일 수 있다.
이상에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자 또는 해당 기술 분야에 통상의 지식을 갖는 자라면, 후술될 특허청구범위에 기재된 본 발명의 사상 및 기술 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
따라서, 본 발명의 기술적 범위는 명세서의 상세한 설명에 기재된 내용으로 한정되는 것이 아니라 특허청구범위에 의해 정하여져야만 할 것이다.

Claims (10)

  1. 의료 영상 데이터를 수신하고, 상기 의료 영상 데이터로부터 복수 개의 복셀을 포함하는 데이터 차원을 획득하는 데이터 추출부;
    상기 데이터 차원을 채우는 공간 벡터를 설정하는 공간 벡터 생성부;
    상기 공간 벡터로부터 상기 공간 벡터의 길이보다 작은 길이를 갖는 공간 벡터 샘플 데이터를 생성하고, 상기 공간 벡터 샘플 데이터간 거리를 이용하여 샘플 엔트로피를 산출하는 엔트로피 계산부;
    상기 샘플 엔트로피를 이용하여 복수 개의 상기 복셀의 활성 패턴을 도출하는 병변 판단부를 포함하는, 병변 여부 판단 장치.
  2. 의료 영상 데이터를 수신하고, 상기 의료 영상 데이터로부터 복수 개의 복셀을 포함하는 데이터 차원을 획득하는 제1 단계;
    상기 데이터 차원을 채우는 공간 벡터를 설정하는 제2 단계;
    상기 공간 벡터로부터 상기 공간 벡터의 길이보다 작은 길이를 갖는 공간 벡터 샘플 데이터를 생성하고, 상기 공간 벡터 샘플 데이터간 거리를 이용하여 샘플 엔트로피를 산출하는 제3 단계; 및
    상기 샘플 엔트로피를 이용하여 복수 개의 상기 복셀의 활성 패턴을 도출하는 제4 단계를 포함하는, 병변 여부 판단 방법.
  3. 제2항에 있어서,
    상기 의료 영상 데이터는 뇌를 촬영한 이미지이고,
    상기 복셀은 촬영된 상기 뇌의 적어도 일부 영역을 나타내는 3차원 단위인, 병변 여부 판단 방법.
  4. 제3항에 있어서,
    상기 복셀은 상기 뇌의 활성 정도를 그레이 스케일로 나타낸 이미지 데이터를 포함하는, 병변 여부 판단 방법.
  5. 제2항에 있어서,
    상기 공간 벡터는 상기 복셀 내 좌표를 중복됨 없이 한번씩 지나는 형태로 제공되는, 병변 여부 판단 방법.
  6. 제2항에 있어서,
    상기 공간 벡터는 상기 데이터 차원 상에서 적어도 하나 이상의 단위구조가 연결된 형태를 갖는, 병변 여부 판단 방법.
  7. 제2항에 있어서,
    상기 제2 단계는
    상기 데이터 차원을 채우기 위한 단위 구조를 갖는 n차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(An, Bn, Cn, Dn)를 정의하는 단계;
    상기 n차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(An, Bn, Cn, Dn)를 이용하여 n+1차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(An+1, Bn+1, Cn+1, Dn+1)를 정의하는 단계;
    상기 n+1차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(An+1, Bn+1, Cn+1, Dn+1)가 상기 데이터 차원을 벗어나는 경우, 상기 n차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(An, Bn, Cn, Dn) 중 적어도 하나를 상기 공간 벡터로 설정하는 단계를 더 포함하는, 시스템 복잡도 판단 방법.
  8. 제7항에 있어서,
    상기 n차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(An, Bn, Cn, Dn)와 상기 n+1차 제1 공간 벡터 단위함수 내지 제4 공간 벡터 단위함수(An+1, Bn+1, Cn+1, Dn+1)는 식 1과 같은 관계를 갖는, 병변 여부 판단 방법.
    [식 1]
    An+1 = [Bn-N-An-E-An-S-Cn]
    Bn+1 = [An-E-Bn-N-Bn-W-Dn]
    Cn+1 = [Dn-W-Cn-S-Cn-E-An]
    Dn+1 = [Cn-S-Dn-W-Dn-B-Bn]
    상기 식 1에서 N, E, W, S는 각각 상기 데이터 차원 상에서 북쪽, 동쪽, 서쪽, 및 남쪽으로 선분을 잇는 동작을 의미한다.
  9. 제2항에 있어서,
    상기 제3 단계는
    상기 공간 벡터 샘플 데이터간 스칼라 거리가 기설정된 문턱 값 이하인 경우 두 데이터가 근사적으로 동일한 것으로 판단하는 단계를 더 포함하는, 병변 여부 판단 방법.
  10. 컴퓨터 장치와 결합하여,
    의료 영상 데이터를 수신하고, 상기 의료 영상 데이터로부터 복수 개의 복셀을 포함하는 데이터 차원을 획득하는 제1 단계;
    상기 데이터 차원을 채우는 공간 벡터를 설정하는 제2 단계;
    상기 공간 벡터로부터 상기 공간 벡터의 길이보다 작은 길이를 갖는 공간 벡터 샘플 데이터를 생성하고, 상기 공간 벡터 샘플 데이터간 거리를 이용하여 샘플 엔트로피를 산출하는 제3 단계; 및
    상기 샘플 엔트로피를 이용하여 복수 개의 상기 복셀의 활성 패턴을 도출하는 제4 단계를 포함하는 병변 여부 판단 방법을 실행시키기 위하여 기록 매체에 저장된 컴퓨터 프로그램.
KR1020190156667A 2019-11-29 2019-11-29 의료 영상을 이용한 병변 여부 판단 방법 KR20210068189A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190156667A KR20210068189A (ko) 2019-11-29 2019-11-29 의료 영상을 이용한 병변 여부 판단 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190156667A KR20210068189A (ko) 2019-11-29 2019-11-29 의료 영상을 이용한 병변 여부 판단 방법

Publications (1)

Publication Number Publication Date
KR20210068189A true KR20210068189A (ko) 2021-06-09

Family

ID=76415266

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190156667A KR20210068189A (ko) 2019-11-29 2019-11-29 의료 영상을 이용한 병변 여부 판단 방법

Country Status (1)

Country Link
KR (1) KR20210068189A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116798596A (zh) * 2022-03-14 2023-09-22 数坤(北京)网络科技股份有限公司 一种信息关联方法、装置、电子设备和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116798596A (zh) * 2022-03-14 2023-09-22 数坤(北京)网络科技股份有限公司 一种信息关联方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
NL1024869C2 (nl) Werkwijze en systeem voor het meten van voor ziekte relevante weefselveranderingen.
US11250569B2 (en) Systems and methods for functional imaging follow-up evaluation using deep neural network
US8103337B2 (en) Weighted gradient method and system for diagnosing disease
EP3207521B1 (en) Image analysis method supporting illness development prediction for a neoplasm in a human or animal body
CN110717905B (zh) 脑部图像检测方法、计算机设备和存储介质
CN111599432B (zh) 一种三维颅面影像特征点标记分析系统及方法
EP2987114B1 (en) Method and system for determining a phenotype of a neoplasm in a human or animal body
CN104093354A (zh) 用于评估医学图像的方法和设备
CN111417342A (zh) 脑网络的活动估计系统、脑网络的活动估计方法、脑网络的活动估计程序以及已学习脑活动估计模型
WO2012064986A2 (en) System and method of ultrasound image processing
KR20160107528A (ko) 컴퓨터 보조 진단을 위한 신뢰도 제공 장치 및 방법
JP2019028887A (ja) 画像処理方法
CN113989231A (zh) 动力学参数的确定方法、装置、计算机设备和存储介质
KR20210068189A (ko) 의료 영상을 이용한 병변 여부 판단 방법
CN112750519A (zh) 医学图像数据的匿名化
GB2461991A (en) Positron emission tomography data with time activity derived framing intervals.
JP7409624B2 (ja) 情報処理装置、情報処理方法、及びプログラム
CN114041758B (zh) 桡动脉触诊定位方法、装置、电子设备和存储介质
EP3910597A1 (en) Body representations
CN110599560B (zh) 磁共振成像方法、装置、存储介质及计算机设备
Salehi et al. Investigation and simulation of different medical image processing algorithms to improve image quality using simulink matlab
CN114140487A (zh) 脑部图像分割方法及装置
Ilyasova et al. Biomedical data analysis based on parallel programming technology application for computation features' effectiveness
JP7412223B2 (ja) 画像処理装置、医用画像診断装置、画像処理方法、プログラム、および学習装置
Udrea et al. Nonlinear deterministic methods for computer aided diagnosis in case of kidney diseases

Legal Events

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