KR20210085480A - 서로 다른 의료 영상에 기반한 상관 정보를 이용한 타겟 데이터 예측 방법 - Google Patents

Abstract

서로 다른 의료 영상에 기반한 상관 정보를 이용한 타겟 데이터 예측 방법이 제공된다. 본 발명의 일 실시예에 따른 서로 다른 의료 영상에 기반한 상관 정보를 이용한 타겟 데이터 예측 방법은, 각각 서로 다른 방법으로 복수의 의료 영상들을 획득하는 단계; 상기 복수의 의료 영상들에서 각각의 의료 영상마다 특징값을 추출하는 단계; 상기 추출 결과 획득한 특징값들에 기반하여 결합 특징 매트릭스(joint feature matrix)를 생성하는 단계; 상기 생성한 결합 특징 매트릭스에 기반하여 상관 정보를 연산하는 단계; 및 상기 연산한 상관 정보와 상기 획득한 특징값들을 이용하여 타겟 데이터를 예측하는 단계;를 포함할 수 있다.

Description

서로 다른 의료 영상에 기반한 상관 정보를 이용한 타겟 데이터 예측 방법{TARGET DATA PREDICTION METHOD USING CORRELATION INFORMATION BASED ON MULTI MEDICAL IMAGE}

본 발명은 서로 다른 의료 영상에 기반한 상관 정보를 이용한 타겟 데이터 예측 방법에 관한 것으로, 보다 자세하게는 서로 다른 방법으로 획득한 복수의 의료 영상 각각에서 추출한 특징값들에 기반하여 산출한 상관 정보를 이용하여 타겟 데이터를 예측하는 방법에 관한 것이다.

기존과 같이 진단자가 의료 영상을 보며 환자와 관련된 타겟 데이터를 예측하지 않고, 의료 영상을 딥 러닝 기법을 이용하여 학습함으로써 환자와 관련된 여러 타겟 데이터를 예측하는 것이 최근 경향이다. 여기서 타겟 데이터는 의료영상을 이용하여 기계학습 결과 도출해야 할 ground truth를 의미한다. 의료 영상을 이용하여 타겟 데이터를 정확하게 예측하기 위해서 서로 다른 2개의 의료 영상을 이용하는 학습 방법이 적용되고 있으나, 각각의 의료 영상마다 타겟 데이터를 분석하기 위한 장단점이 존재하므로 예측 확률을 높이는 데 한계가 있었다.

한편, 암은 질병에 의한 사망의 가장 흔한 원인이다. 암을 치료하기 위한 방법 중 하나인 방사선 치료를 받은 환자의 경우, 암의 예후 및 치료 반응 평가를 위해서는 앞서 언급한 타겟 데이터 중 하나인 종양 악성도 (aggressiveness)를 예측하는 것이 중요하다.

예를 들어, 여러 종류의 종양 중 전립선암은 서구에서 발병하는 흔한 암종으로 최근 우리나라도 노인 인구의 증가와 식생활의 서구화로 인해 전립선암이 빠른 속도로 증가하고 있으나 조기 진단 시 치료율이 높아 전립선암에 대한 정확하고 신뢰성 높은 검사 방법이 중요하다 전립선 암 환자의 암의 악성도 예측에 일반적으로 사용되는 시스템은 글리슨(Gleason) 점수평가법이다. 글리슨 점수평가법은 환자 전립선 유래의 생검 표본을 해석하는 동시에 병리학자에 의해 평가되는 미시적 종양 패턴을 바탕으로 한다. 구체적으로, 글리슨 점수평가법은 정상 샘 조직 구조(즉, 샘의 형태, 크기 및 분화)의 상실도를 바탕으로 한다. 전형적 글리슨 점수평가 도표는 종양 "등급"이라는 5가지 기본 조직 패턴을 나타낸다. 암에 의해 유발된 정상 샘 구조의 상실에 대한 주관적인 현미경 측정은 1 내지 5 범위의 수로서 등급화하여 간략히 나타내며, 5가 가능한 최악의 등급이다. 글리슨 점수(GS) 및 글리슨 총합은 하나이고 동일하다. 하지만, "글리슨 등급"과 "글리슨 점수"("글리슨 총합"이라고도 불림)는 다르다. 글리슨 점수는 1차 등급(다수 종양을 나타냄)과 2차 등급(소수 종양에 대한 것)의 합으로서, 2 내지 10 범위의 수이다. 현행 관례에 따르면, 글리슨 점수가 클수록 종양이 공격성일 가능성이 많고 환자 예후가 더 좋지 않은 것으로 일반적으로 생각되고 있다.

이러한 글리슨 점수평가법은 생검을 통한 조직 채취 및 검사가 수반되어야 하며, 생검으로 인한 통증 및 종양에서 출혈 등이 발생하는 문제점이 있었다.

한편, 상기 문제점을 감안하여 자기공명영상 등의 의료 영상을 통해 암의 악성도를 글리슨 평가점수처럼 예측하고자 하는 시도가 있었다. 예를 들어, 도 1에서 (a) 글리슨 평가 점수(GS)가 1차 등급 3 + 2차 등급 4로서 점수가 7인 경우와 (b) 1차 등급 4 + 2차 등급 3으로서 점수가 7인 경우의 T2강조 MR 영상(노란색 화살표는 종양을 가리키고 있음)과 ADC 지도(노란색 화살표는 종양을 가리키고 있음)를 도시하고 있다. 여기서 1차 등급 점수가 더 높은 (b)의 경우가 (a) 경우보다 암의 악성도가 높은 경우이지만, 의료 영상들에 나타난 전립선 암의 크기 또는 형태는 상기 악성도와 관련성이 떨어지고 종양에서 출혈이 텍스쳐에 영향을 미치기 때문에 글리슨 평가점수와 의료 영상에 나타난 종양을 바로 매칭시키기 어려웠다.

또한, 영상을 통한 전립선암 진단 시 일반적으로 사용되는 T2강조 MR 영상(T2-weighted MR imaging, T2wMR)은 전립선암 부위의 신호강도가 정상적인 전립선 조직에 비해 떨어지는 것을 이용해 전립선암을 구별할 수 있으며 영상 해상도가 높아 해부학적 정보를 갖는 장점이 있지만, 전립선암 확진을 위해 시행하는 조직검사로 인해 발생하는 출혈로 인하여 전립선 내의 정상조직도 신호강도가 낮아지게 되어 민감도가 낮아지는 한계점이 있고, 확산강조 영상(diffusion-weighted imaging, DWI)의 현상확산계수값을 영상화한 현상확산계수지도(apparent diffusion coefficient map, ADC map)는 확산강조 영상의 낮은 b-value와 높은 b-value의 차이를 지수함수를 이용하여 전립선암과 정상조직간 신호강도 대비가 극대화된 값을 가지며, 전립선암에서 낮은 신호강도를 갖는 특성이 있다. 그러나 ADC 지도(map)는 T2wMR에 비해 해부학적 정보가 적고, 잡음이 많을 뿐 아니라 영상의 해상도가 낮아 단독으로 사용하기 어려운 문제점이 있다.

따라서, 생검 없이 의료 영상만으로도 글리슨 평가점수와 같이 종양의 악성도를 예측하면서도 그 정확성을 높일 수 있는 방법이 필요하다.

(특허문헌 0001) US 10401457 (특허문헌 0002) US 9619882 (특허문헌 0003) US 8965089

본 발명이 해결하고자 하는 과제는 복수의 의료 영상에 기반하여 타겟 데이터를 정확하게 예측하는 방법을 제공하는 것이다.

또한, 본 발명이 해결하고자 하는 과제는 생검을 수행하지 않고 서로 다른 방법으로 획득한 복수의 의료 영상을 이용하여 산출한 상관 정보에 따라 암의 악성도를 예측하는 방법을 제공하는 것이다.

본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 서로 다른 의료 영상에 기반한 상관 정보를 이용한 타겟 데이터 예측 방법은, 각각 서로 다른 방법으로 복수의 의료 영상들을 획득하는 단계; 상기 복수의 의료 영상들에서 각각의 의료 영상마다 특징값을 추출하는 단계; 상기 추출 결과 획득한 특징값들에 기반하여 결합 특징 매트릭스(joint feature matrix)를 생성하는 단계; 상기 생성한 결합 특징 매트릭스에 기반하여 상관 정보를 연산하는 단계; 및 상기 연산한 상관 정보와 상기 획득한 특징값들을 이용하여 타겟 데이터를 예측하는 단계;를 포함한다.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

상기와 같은 본 발명에 따르면, 아래와 같은 다양한 효과들을 가진다.

본 발명은 단순히 복수의 의료 영상에서 특징값들을 추출하여 결합하는 것에 그치지 않고 상관 정보를 추가로 이용함으로써 타겟 데이터의 예측 확률을 높일 수 있다.

본 발명은 종양 생검을 수행하지 않고도 복수의 의료 영상만으로도 암의 악성도를 예측할 수 있다.

또한, 본 발명은 어느 하나의 의료 영상만을 이용하지 않고 서로 다른 방법으로 획득한 의료 영상에서 산출한 상관 정보를 복수의 의료 영상들의 특징값들과 함께 이용함으로써 암의 악성도 예측의 정확도를 높일 수 있다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 글리슨 평가점수에 따른 T2강조 MR 영상과 ADC 맵을 나타낸 예시도이다.
도 2는 본 발명의 일 실시 예에 따른 타겟 데이터 예측 장치를 설명하기 위한 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 타겟 데이터 예측 방법을 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시 예에 따른 의료 영상 전처리 방법을 설명하기 위한 흐름도이다.
도 5는 본 발명의 일 실시 예에 따른 의료 영상 전처리 방법을 설명하기 위한 예시도이다.
도 6은 본 발명의 일 실시 예에 따른 특징값들을 나타낸 테이블이다.
도 7은 본 발명의 일 실시 예에 따른 타겟 데이터 예측 방법을 설명하기 위한 블록도이다.
도 8은 본 발명의 일 실시 예에 따른 타겟 데이터 예측 방법의 효과를 설명하기 위한 테이블이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.

도 2는 본 발명의 일 실시 예에 따른 타겟 데이터 예측 장치를 설명하기 위한 블록도이다.

도 2를 참조하면, 본 발명의 일 실시 예에 따른 타겟 데이터 예측 장치(100)는 획득한 복수의 의료 영상을 이용하여 타겟 데이터(예: 종양 악성도)를 예측할 수 있다. 예를 들어, 타겟 데이터 예측 장치(100)는 서로 다른 방법으로 획득한 복수의 의료 영상에서 추출한 특징값들을 이용하여 상관 정보를 산출하고, 추출한 특징값들과 상관 정보를 이용하여 타겟 데이터를 예측할 수 있다. 여기서 타겟 데이터는 특징값 추출, 결합 특징 매트릭스 생성, 상관 정보 연산 및 연산한 상관 정보와 획득한 특징값들을 이용하는 단계들을 반복적으로 기계 학습함에 따라 도출하고자 하는 ground truth일 수 있다. 따라서, 타겟 데이터는 종양 악성도를 포함할 수 있고, 더욱 구체적으로는 전립선암 악성도를 포함할 수 있다.

일 실시 예에서, 타겟 데이터 예측 장치(100)는 서버, PC 등의 전자 장치일 수 있고, 타겟 데이터를 예측 방법을 설정할 수 있는 전용 프로그램이 설치될 수 있다. 예를 들어, 타겟 데이터 예측 장치(100)는 의료 영상 획득, 의료 영상 전처리, 의료 영상 설정을 할 수 있는 영상 처리부(110), 의료 영상에서 방사성 특징값(radiomic features)를 추출하는 영상 특징값 추출부(120), 특징값들을 이용하여 결합 특징 매트릭스와 상관 정보를 생성하는 상관 정보 생성부(130), 특징값들과 상관 정보를 결합한 결합 특징값을 입력값으로 이용하여 기계학습을 수행하고 타겟 데이터 예측 값을 생성하는 딥러닝부(140), 타겟 데이터 예측 값에 기반하여 타겟 데이터를 판단하는 종양 판단부(150) 및 복수의 의료 영상, 추출한 특징값들, 상관 정보, 결합 특징값, 기계 학습 결과, 딥 뉴럴 네트워크의 구조 및 필터 값, 환자 데이터, 타겟 데이터 예측 결과 등을 빅데이터화하여 저장할 수 있는 데이터베이스(160)를 포함할 수 있다.

도 3은 본 발명의 일 실시 예에 따른 타겟 데이터 예측 방법을 설명하기 위한 흐름도이다. 도 4는 본 발명의 일 실시 예에 따른 의료 영상 전처리 방법을 설명하기 위한 흐름도이다. 도 5는 본 발명의 일 실시 예에 따른 의료 영상 전처리 방법을 설명하기 위한 예시도이다. 도 6은 본 발명의 일 실시 예에 따른 특징값들을 나타낸 테이블이다. 도 7은 본 발명의 일 실시 예에 따른 타겟 데이터 예측 방법을 설명하기 위한 블록도이다. 도 8은 본 발명의 일 실시 예에 따른 타겟 데이터 예측 방법의 효과를 설명하기 위한 테이블이다.

한편, 앞서 설명한 바와 같이, 타겟 데이터는 딥 러닝을 통해 도출해야할 ground truth일 수 있다. 즉, 하기에서 설명할 특징값 추출, 상기 결합 특징 매트릭스 생성, 상기 상관 정보 연산 및 상기 연산한 상관 정보와 상기 획득한 특징값들을 이용하는 단계들을 반복적으로 기계 학습함에 따라 도출하고자 하는 ground truth가 타겟 데이터일 수 있다. 따라서, 타겟 데이터는 의료 영상들을 이용하여 추출한 특징값들에 기반하여 진단할 수 있는 모든 데이터가 될 수 있다. 즉, 예를 들어, 타겟 데이터는 종양 악성도, 환자의 골절, 장기 손상 등 수 많은 의료 데이터 중 하나가 될 수 있다. 단, 설명의 편의를 위해 하기에서 종양 악성도를 일 예로 설명하면서 더욱 구체적으로는 전립선암을 추가로 예를 들어 설명한다. 따라서, 본 발명은 종양 악성도 내지는 전립선암에 한정되지 아니하고 의료 영상을 통해 진단할 수 있는 모든 종류의 데이터를 포함할 수 있다.

도 2 내지 도 8을 참조하면, 일 실시 예에서, 동작 31에서, 영상 처리부(110)는 각각 서로 다른 방법으로 복수의 의료 영상들을 획득할 수 있다. 즉, 본 발명에서 활용되는 복수의 의료 영상들은 각각 동일한 장기 내에 위치한 종양을 포함하되 촬영 장치가 다르거나 동일한 촬영 장치이되 촬영 조건이 다를 수 있다.

예를 들어, 의료 영상은 X-ray 이미지, CT 이미지, MRI 이미지를 포함하며, 의료 영상이라면 특별한 제한은 없다. "영상"은 전산화 단층 촬영(CT; computed tomography), 자기 공명 영상(MRI; magnetic resonance imaging), 초음파 또는 본 발명의 기술분야에서 공지된 임의의 다른 의료 영상 시스템에 의하여 수집된 피검체(subject)의 의료 영상일 수 있다. 의료 영상은 복셀 데이터로서, 복수의 슬라이스 즉, 복수 개의 단위 이미지들로 이루어질 수 있다.

예를 들어, 복수의 의료 영상들은 각각 동일한 촬영 장치에서 다른 조건하에 획득되거나 다른 촬영 장치를 통해 획득될 수 있다. 즉, 복수의 의료 영상들은 동일한 장기를 MR, CT, PET 등의 다른 촬영장치로 촬영한 복수의 영상이거나 동일한 장치(MRI)이지만 촬영조건(T2강조 MR영상, ADC 맵)을 달리하여 얻어진 복수의 영상일 수 있다. 또한, CT나 MRI와 같은 의료 영상의 경우 윈도우 설정(windows setting)을 통해 영상의 밝기와 대조도를 조정할 수 있고, 윈도우 설정은 윈도우 수준(windows level)과 윈도우 폭(windows width)으로 이루어지며, 각각 다른 윈도우 설정 값이 적용된 복수의 의료 영상을 획득할 수 있다. 즉, 예컨대, 어느 한 윈도우 설정은 의료 영상에서 장기의 전체 영역이 잘 보이도록 윈도우 폭과 윈도우 레벨이 조정된 경우일 수 있고, 다른 한 윈도우 설정은 의료 영상에서 종양이 위치한 영역과 종양의 주변 영역간 경계(또는 종양이 위치하는 중요 영역)이 잘 보이도록 윈도우 폭과 윈도우 레벨이 조정된 경우일 수 있다.

도 4 및 도 5를 참조하면, 본 발명의 종양 악성도 예측 방법은 예측 정확도를 높이기 위해 서로 다른 방법으로 획득한 복수의 의료 영상들을 전처리하는 단계;를 더 포함할 수 있다.

일 실시 예에서, 영상 처리부(110)는, 동작 41에서 각각 서로 다른 방법으로 복수의 의료 영상을 획득할 수 있고, 동작 42에서 복수의 의료 영상들을 히스토그램 정규화(Intensity normalization)할 수 있다.

구체적으로, 환자의 의료 영상 획득 과정에서 사용되는 프로토콜에 따라 동일 파라미터 MR 영상 간 신호강도의 범위가 다르기 때문에 일관성 있는 특징값을 추출하기 어려운 한계점이 있어 히스토그램 스트레칭을 통해 환자 간 동일 파라미터 MR 영상을 정규화 함으로써 일관성 있는 특징벡터를 추출할 수 있다. 환자 간 신호강도의 범위를 동일하게 사용하기 위해 히스토그램 스트레칭을 하기 수학식 1을 통해 수행하여 신호강도 범위를 정규화하며, T2wMR은 0부터 500까지, ADC 맵은 500부터 3000까지 범위를 갖도록 정규화 할 수 있다.

[수학식 1]

이때, I는 원본 영상의 신호강도를 나타내며, Imax는 원본 영상에서 신호강도의 최대값, Imin 은 원본 영상에서 신호강도의 최소값을 나타내고, I' max는 정규화하고자 하는 신호강도 범위의 최대값, I' min은 정규화 하고자 하는 신호강도 범위의 최소값을 나타낸다.

일 실시 예에서, 영상 처리부(110) 동작 43에서 복수의 의료 영상들에서 관심 영역을 분할하기 위해 복수의 의료 영상들을 크롭(crop)할 수 있다. 예를 들어, 도 5에 도시된 바와 같이, 영상 처리부(110)는 T2강조 MR영상((a)의 T2wMR)과 ADC 맵((b)의 ADC)을 획득할 수 있고, 미리 기계학습하여 도출된 분할 마스크((c)의 segmented tumor mask)를 이용하여 T2강조 MR영상의 관심영역((d)의 Tumor ROI of T2wMR) 이미지들과 ADC 맵의 관심영역 이미지들을((e)의 Tumor ROI of ADC) 획득할 수 있다.

일 실시 예에서, 동작 32에서, 영상 특징값 추출부(120)는 복수의 의료 영상들에서 각각의 의료 영상마다 특징값을 추출할 수 있다. 여기서 특징 값의 종류와 개수는 도 6에 도시된 테이블로 한정되지 않는다. 즉, 예컨대, 도 6에 도시된 총 68개의 특징값들이 의료 영상마다 추출되지 않을 수 있고 개수는 변경될 수 있으며 종류도 도 6에 도시된 것으로 한정되지 않는다. 본 발명은 특징값의 종류와 개수보다는 복수의 의료 영상마다 각각 특징값들을 추출하고 이를 활용하는 것이 중요하다.

예를 들어, 복수의 특징값들은 히스토그램 특징값, 텍스쳐 특징값 및 형상 특징값 중 적어도 하나를 포함할 수 있다. 히스토그램 특징값은 도 6에 도시된 first order statistics와 histogram percentile intensities을 포함할 수 있고, 텍스쳐 특징값은 GLCM(Gray Level Co-occurrence Matrix), GLRLM(Gray Level Run Length Matrix), LBP(Local Binary Pattern)을 포함할 수 있고, 형상 특징값은 area/perimeter ratio, convex area, eccentricity, Euler number, major-minor axis ratio, major axis length, minor axis length, area, perimeter를 포함할 수 있다.

구체적으로, 히스토그램 특징벡터로는 평균(mean), 최소값(min), 최대값(max), 분산(variance), 표준편차(standard deviation), 비대칭도(skewness), 첨도(kurtosis), 엔트로피(entropy)를 추출할 수 있다. 히스토그램 특징벡터는 하기 수학식 2를 통해 연산할 수 있다.

[수학식 2]

이때, n은 의료 영상의 윈도우의 크기를 의미하며,

는 전립선 PZ 내에 위치하는 윈도우의 i번째 화소에서 영상의 신호강도를 의미하고,

는 윈도우 내 영상의 신호강도 평균값을 의미한다.

는 영상 히스토그램에서

의 신호강도 확률을 의미한다. 한편, 최소값(min)은 최소 신호강도 값, 최대값(max)은 최대 신호강도 값일 수 있고, 표준편차(standard deviation)는 분산에 제곱근을 적용하여 연산할 수 있다.

한편, 히스토그램 백분율 강도는 각각 5%, 25%, 50%, 75%, 95%를 기준으로 평균값, 최대값, 최소값 등을 특징값으로서 추출할 수 있다.

예를 들어, 텍스처 특징벡터로 GLCM, GLRLM, LBP를 추출할 수 있다. GLCM은 영상에서 텍스처 정보표현을 위해 두 개의 화소 쌍의 동시발생 횟수를 분석한 확률 기반 행렬로 1개의 화소거리와 0도, 45도, 90도, 135도 방향으로 획득한 GLCM을 통해 하기 수학식 3과 같이 의료 영상의 특징값을 추출할 수 있다. 한편, 하기 7개 값들을 구한 후 각 값들의 평균값(min)과 표준편차(standard deviation)를 연산하여 총 14개의 특징값들을 활용할 수 있다. 물론 이 개수는 예시적이고 다른 개수가 적용될 수 있다. 한편, ASM(Angular Second Moment)는 하기 energy 수식을 통해 연산될 수 있다.

[수학식 3]

이때, i와 j는 신호강도 정보를 가지고 있는 두 개의 화소 쌍을 의미하고, d는 명암도 동시발생 행렬을 계산하기 위해 사용한 두 픽셀간의 거리, θ는 방향을 의미하며, p(i, j)는 명암도 동시발생 행렬의 (i, j)위치의 확률 값을 의미하며 N은 명암도 동시발생 행렬의 크기를 의미할 수 있다.

예를 들어, GLRLM은 영상을 통해 텍스처 정보를 표현하는 방법으로 두 개 이상의 화소의 길이를 분석한 확률 기반 행렬로 동일한 신호강도를 갖는 화소의 연속성을 의미하며 0도, 45도, 90도, 135도 방향으로 획득한 GLRLM을 통해 하기 수학식 4와 같이 영상의 특징벡터를 계산할 수 있다. 한편, 하기 11개의 수식을 통해 11개의 값을 구한 후 각각의 값들의 평균값(min)과 표준편차(standard deviation)를 연산하여 총 22개의 특징값들을 활용할 수 있다. 물론 이 개수는 예시적이고 다른 개수가 적용될 수 있다.

[수학식 4]

이때, i는 화소의 신호강도, j는 i와 연속적으로 나타나는 동일한 신호강도를 갖는 화소의 개수를 의미하고, GLRLM(i, j)는 GLRLM의 (i, j) 위치의 확률 값을 의미하며 H는 명암도 작용 길이 행렬의 크기를 의미한다.

예를 들어, LBP는 화소 주변 텍스처 특징을 나타내는 특징벡터로 하나의 화소를 중심으로 이웃 화소의 신호강도와 비교하여 그 결과를 임계값으로 표현하여 정렬하는 방법으로 주변화소와 1, 2, 3 거리를 갖는 특징벡터를 수학식 5와 같이 연산할 수 있다. 한편, 하기 3개의 값을 구한 후 각각의 값들의 평균값(min), 최소값(min), 최대값(max), 분산(variance), 표준편차(standard deviation) 등을 연산하여 총 10개의 특징값들을 활용할 수 있다. 물론 이 개수는 예시적이고 다른 개수가 적용될 수 있다.

[수학식 5]

이때, gc는 중심화소를 의미하고, gp는 이웃 화소를 의미하며 m0 , m1은 임계값으로 변환한 주변 화소의 신호강도간 평균을 의미한다.

일 실시 예에서, 동작 33에서, 상관 정보 생성부(130)는 추출 결과 획득한 특징값들에 기반하여 결합 특징 매트릭스(joint feature matrix)를 생성할 수 있다. 예를 들어, 각각의 의료 영상마다 히스토그램 특징값, 텍스쳐 특징값 및 형상 특징값을 추출할 수 있고, 각각의 특징값들을 활용하여 행렬을 생성할 수 있다. 예를 들어, 설명의 편의를 위해 도 7과 같의 2개의 의료 영상으로 설명을 하면, 각각 서로 다른 방법으로 획득한 제1 의료 영상과 제2 의료 영상으로부터 각각 제1 특징값과 제2 특징 값이 추출될 수 있다. 여기서 제1 특징값과 제2 특징값은 각각 도 6에 도시된 68개의 특징값들을 포함할 수 있다. 그리고, 예컨대, 상관 정보 생성부(130)는 제1 특징값을 x축 데이터로 설정하고 제2 특징값을 y축 데이터로 설정한 결합 특징 매트릭스를 생성할 수 있다. 여기서 결합 특징 매트릭스는 복수의 의료 영상들의 특징값들이 행렬 형태로 결합한 것일 수 있다. 따라서, 결합 특징 매트릭스가 생성되는 방식은 다양할 수 있다.

또한, 제1 의료 영상 및 제2 의료 영상과 다른 방법으로 획득한 제3 의료 영상이 있을 경우, 제3 의료 영상에서 제3 특징값을 추출할 수 있고, 제1 특징값, 제2 특징값 및 제3 특징값에 기반하여 결합 특징 매트릭스)를 생성할 수 있다. 예컨대, 상관 정보 생성부(130)는 제1 특징값을 x축 데이터로 설정하고 제2 특징값을 y축 데이터로 설정하고 제3 특징값을 z축 데이터로 설정한 결합 특징 매트릭스를 생성할 수 있다. 즉, 이와 같이 결합 특징 매트릭스는 3개의 의료 영상에 기반하여 생성될 수 있고, 물론 4개 이상으로 확장되어 생성될 수 있다.

일 실시 예에서, 동작 34에서, 상관 정보 생성부(130)는 생성한 결합 특징 매트릭스에 기반하여 상관 정보를 연산할 수 있다. 여기서 상관 정보란 예컨대, 도 7에 도시된 바와 같이 제1 특징값과 제2 특징값이 포함된 결합 특징 매트릭스를 통해 연산될 수 있다. 이는 상관 정보가 복수의 의료 영상의 특징값들을 모두 대표할 수 있는 정보가 됨을 의미할 수 있다.

예를 들어, 상관 정보는 픽셀의 밝기값과 위치 정보를 고려하는 명암도 동시발생 행렬(GLCM; gray level co-occurrence matrix)에 기반하여 연산될 수 있다.

예를 들어, 명암도 동시발생 행렬(GLCM)은 픽셀의 공간 관계를 고려하여 텍스처를 검사하는 통계적 방법으로, 공간 명암도 의존 행렬이다. GLCM 함수는 영상에서 특정 값을 가지는 픽셀 쌍이 특정 공간 관계에서 얼마나 자주 발생하는지 계산하여 GLCM을 생성하고 이 행렬에서 통계적 측정값을 특징값으로서 추출하는 방법을 통해 의료 영상을 파악하는 방법이다.

따라서, 복수의 의료 영상들의 각각의 특징값들이 결합되어 생성된 결합 특징 매트릭스를 기초로 하여 GLCM으로 변환하고, 변환한 GLCM에서 특징값을 추출할 수 있고, 이러한 특징값들은 복수의 의료 영상간의 관계를 나타내는 상관 정보가 될 수 있다. 물론, GLCM을 이용하여 상관 정보를 연산하는 방법은 일 예에 불과하고, 결합 특징 매트릭스에 기초하여 GLRLM 등 다른 함수 또는 알고리즘을 이용하여 상관 정보가 추출될 수 있다.

일 실시 예에서, 동작 35에서, 상관 정보 생성부(130)는 연산한 상관 정보와 획득한 특징값들을 결합(concatenate)함으로써 결합 특징값을 생성할 수 있다. 예를 들어, 도 7에 도시된 바와 같이 제1 특징값, 제2 특징값 및 상관 정보(예: GLCM 특징값)를 연결(예: 단순합, 평균, 최대값 등)하여 결합 특징값을 생성할 수 있다. 예컨대, 도 6에 도시된 바와 같이 제1 특징값이 68개이고 제2 특징값이 68개이고 앞서 설명한 바와 같이 상관 정보를 GLCM을 이용하여 14개의 특징값을 추출할 경우 결합 특징값은 150개가 될 수 있다. 물론 이러한 개수는 일 예에 불과하고 특징값의 종류와 개수는 다양하게 변형될 수 있다.

일 실시 예에서, 동작 36에서, 딥러닝부(140)는 결합 특징값을 미리 학습한 딥 뉴럴 네트워크에 입력할 수 있고 딥 뉴럴 네트워크를 통해 결과 값을 산출할 수 있다. 예를 들어, 딥 뉴럴 네트워크는 분류기(classifier)일 수 있고, 랜덤 포레스트 분류기(Random Forest Classifier, RFC)일 수 있다. 분류기는 학습하고자 하는 종양의 종류에 따라 ground truth가 달라질 수 있고, 전립선암의 악성도를 예측하는 경우에는 조직 생검한 결과가 ground truth로 사용될 수 있다. 물론 이외에도 분류기는 로지스틱 회귀분석(LR), k 근접 이웃(kNN), 서포트 벡터 머신(SVM) 등이 이용될 수 있다.

일 실시 예에서, 동작 37에서, 종양 판단부(150)는 딥 뉴럴 네트워크를 통해 산출한 결과 값을 이용하여 복수의 의료 영상에 대응하는 종양의 악성도를 예측할 수 있다. 예를 들어, 결과 값은 글리슨 평가점수와 같이 계량화된 값일 수 있고, 점수의 수치에 따라 악성도를 글리슨 평가점수와 같이 예측할 수 있다.

즉, 이와 같이 본 발명은 단순히 각각의 의료 영상의 특징값들만 활용하는 것이 아니라 의료 영상간의 상관 정보까지 활용함으로써 종양 악성도의 예측 정확도를 높일 수 있다.

한편, 본 발명의 효과를 확인하기 위해 사용된 데이터 세트는 낮은 글리슨 평가점수 그룹의 210 케이스와 높은 글리슨 평가점수 그룹의 156 케이스를 활용하였다. 낮은 글리슨 평가점수 그룹은 1차 등급 3, 2차 등급 4보다 낮은 경우로서 3+3 점수의 14 케이스와 3+4 점수의 196 케이스를 포함한다. 높은 글리슨 평가점수 그룹은 1차 등급 4, 2차 등급 3보다 높은 경우로서 4+3 점수의 116 케이스, 4+4 점수의 16 케이스, 4+5점수의 21 케이스 및 5+4점수의 3 케이스를 포함한다.

도 8을 참조하면, A는 T2강조 MR영상(T2wMR)의 도 6에 도시된 68개의 특징값을 분류기에 학습한 결과이고, B는 ADC 맵의 도 6에 도시된 68개의 특징값을 분류기에 학습한 결과이고, C는 A와 B 특징값의 결합한 값(Concatenated features)으로서 136개의 특징값을 분류기에 학습한 결과이고, D는 A 특징값과 B 특징값의 평균값(Averaged features, 68개)을 분류기에 학습한 결과이고, E는 A 특징값과 B 특징값을 곱한 값(Multiplied features, 68개)을 분류기에 학습한 결과이고, F는 상관 정보(결합 특징 매트릭스에 기초한 특징값, 14개)를 분류기에 학습한 결과이고, G는 본 발명의 결합 특징값(Concatenated joint feature matrix features, 150)을 분류기에 학습한 결과이다. 도 8에 도시된 바와 같이 상기 7개의 방식은 6개의 평가 기준이 분류기 학습 결과에서 판단되었다. 6개의 평가 기준은 정확도(accuracy, acc), 민감도(sensitivity, sen), 특이도(specificity, spe), 포지티브 예측값(PPV: positive predictive value), 네거티브 예측값(NPV: negative predictive value) 및 AUC(분류기 동작 특성 곡선)이다. 민감도와 PPV는 각각 실제 글리슨 평가 점수 케이스들과 예측된 케이스들에 대한 참 양성(true positive) 비율이다. 특이도와 NPV는 대응적으로 실제 글리슨 평가점수 케이스들과 예측된 케이스들에 대한 참 음성(true negative)의 비율이다. 마지막으로, AUC는 실제 글리슨 평가점수와 같이 종양 악성도를 정확하게 구별하는 분류기의 확률을 나타낸다. 도 8을 참조하면, 본 발명의 G 방법은 AUC, 정확도, 민감도, 포지티브 예측값에서 가장 우수한 성능을 보였고, 네거티브 예측값에서도 평균 이상의 성능을 보였고 6개의 평가 기준을 종합적으로 고려할 때 종양 악성도 예측에서 가장 우수한 성능을 보임을 확인할 수 있었다.

본 발명의 일 실시예에 따른 서로 다른 의료 영상에 기반한 상관 정보를 이용한 타겟 데이터 예측 방법은, 각각 서로 다른 방법으로 복수의 의료 영상들을 획득하는 단계; 상기 복수의 의료 영상들에서 각각의 의료 영상마다 특징값을 추출하는 단계; 상기 추출 결과 획득한 특징값들에 기반하여 결합 특징 매트릭스(joint feature matrix)를 생성하는 단계; 상기 생성한 결합 특징 매트릭스에 기반하여 상관 정보를 연산하는 단계; 및 상기 연산한 상관 정보와 상기 획득한 특징값들을 이용하여 타겟 데이터를 예측하는 단계;를 포함할 수 있다.

다양한 실시 예에 따르면, 상기 타겟 데이터는 상기 특징값 추출, 상기 결합 특징 매트릭스 생성, 상기 상관 정보 연산 및 상기 연산한 상관 정보와 상기 획득한 특징값들을 이용하는 단계들을 반복적으로 기계 학습함에 따라 도출하고자 하는 ground truth일 수 있다.

다양한 실시 예에 따르면, 상기 타겟 데이터는 종양 악성도일 수 있다.

다양한 실시 예에 따르면, 상기 타겟 데이터는 전립선 암일 수 있다.

다양한 실시 예에 따르면, 상기 복수의 의료 영상들은 각각 동일한 촬영 장치에서 다른 조건하에 획득되거나 다른 촬영 장치를 통해 획득될 수 있다.

다양한 실시 예에 따르면, 상기 타겟 데이터를 예측하는 단계는, 상기 연산한 상관 정보와 상기 획득한 특징값들을 결합(concatenate)함으로써 결합 특징값을 생성하는 단계를 포함할 수 있다.

다양한 실시 예에 따르면, 상기 타겟 데이터를 예측하는 단계는, 상기 결합 특징값을 미리 학습한 딥 뉴럴 네트워크에 입력하여, 상기 딥 뉴럴 네트워크를 통해 산출한 결과 값을 이용하여 상기 복수의 의료 영상에 대응하는 타겟 데이터를 예측하는 단계;를 더 포함할 수 있다.

다양한 실시 예에 따르면, 상기 복수의 의료영상들은 각각 서로 다른 방법으로 획득한 제1 의료 영상과 제2 의료 영상을 포함하고, 상기 제1 의료 영상과 상기 제2 의료 영상에서 각각 제1 특징값과 제2 특징값을 추출하는 단계; 상기 제1 특징값과 상기 제2 특징값에 기반하여 상기 결합 특징 매트릭스를 생성하는 단계; 및 상기 결합 특징 매트릭스에 기반하여 상기 상관 정보를 연산하는 단계;를 포함할 수 있다.

다양한 실시 예에 따르면, 상기 제1 의료 영상 및 상기 제2 의료 영상과 다른 방법으로 제3 의료 영상을 획득하는 단계; 상기 제3 의료 영상에서 제3 특징값을 추출하는 단계; 상기 제1 특징값, 상기 제2 특징값 및 상기 제3 특징값에 기반하여 상기 결합 특징 매트릭스(joint feature matrix)를 생성하는 단계; 및 상기 결합 특징 매트릭스에 기반하여 상기 상관 정보를 연산하는 단계;를 포함할 수 있다.

다양한 실시 예에 따르면, 상기 상관 정보는 픽셀의 밝기값과 위치 정보를 고려하는 명암도 동시발생 행렬(GLCM; gray level co-occurrence matrix)에 기반하여 연산될 수 있다.

다양한 실시 예에 따르면, 상기 특징값들은 히스토그램 특징값, 텍스쳐 특징값 및 형상 특징값 중 적어도 하나를 포함할 수 있다.

다양한 실시 예에 따르면, 상기 복수의 의료 영상들을 전처리하는 단계;를 더 포함하고, 상기 전처리하는 단계는, 상기 복수의 의료 영상들을 히스토그램 정규화(Intensity normalization)하는 단계; 및 상기 복수의 의료 영상들에서 관심 영역을 분할하기 위해 상기 복수의 의료 영상들을 크롭(crop)하는 단계;를 포함할 수 있다.

다양한 실시 예에 따르면, 서로 다른 의료 영상에 기반한 상관 정보를 이용한 종양 악성도 예측 프로그램은 하드웨어인 컴퓨터와 결합되어, 제1항 내지 제9항 중 어느 한 항의 방법을 실행시키기 위하여 매체에 저장될 수 있다.

본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

100 : 타겟 데이터 예측 장치
110 : 영상 처리부
120: 영상 특징값 추출부
130: 상관 정보 생성부
140: 딥러닝부
150: 타겟 데이터 판단부
160: 데이터베이스

Claims (10)

1. 서로 다른 의료 영상에 기반한 상관 정보를 이용한 타겟 데이터를 예측 방법에 있어서,
   각각 서로 다른 방법으로 복수의 의료 영상들을 획득하는 단계;
   상기 복수의 의료 영상들에서 각각의 의료 영상마다 특징값을 추출하는 단계;
   상기 추출 결과 획득한 특징값들에 기반하여 결합 특징 매트릭스(joint feature matrix)를 생성하는 단계;
   상기 생성한 결합 특징 매트릭스에 기반하여 상관 정보를 연산하는 단계; 및
   상기 연산한 상관 정보와 상기 획득한 특징값들을 이용하여 타겟 데이터를 예측하는 단계;를 포함하는 것을 특징으로 하는 서로 다른 의료 영상에 기반한 상관 정보를 이용한 타겟 데이터 예측 방법.
2. 제1 항에 있어서, 상기 타겟 데이터는 상기 특징값 추출, 상기 결합 특징 매트릭스 생성, 상기 상관 정보 연산 및 상기 연산한 상관 정보와 상기 획득한 특징값들을 이용하는 단계들을 반복적으로 기계 학습함에 따라 도출하고자 하는 ground truth인 것을 특징으로 하는 서로 다른 의료 영상에 기반한 상관 정보를 이용한 타겟 데이터 예측 방법.
3. 제2 항에 있어서, 상기 타겟 데이터는 종양 악성도인 것을 특징으로 하는 서로 다른 의료 영상에 기반한 상관 정보를 이용한 타겟 데이터 예측 방법.
4. 제3 항에 있어서, 상기 타겟 데이터는 전립선 암인 것을 특징으로 하는 서로 다른 의료 영상에 기반한 상관 정보를 이용한 타겟 데이터 예측 방법.
5. 제1 항에 있어서, 상기 복수의 의료 영상들은 각각 동일한 촬영 장치에서 다른 조건하에 획득되거나 다른 촬영 장치를 통해 획득되는 것을 특징으로 하는 서로 다른 의료 영상에 기반한 상관 정보를 이용한 타겟 데이터 예측 방법.
6. 제1 항에 있어서, 상기 타겟 데이터를 예측하는 단계는, 상기 연산한 상관 정보와 상기 획득한 특징값들을 결합(concatenate)함으로써 결합 특징값을 생성하는 단계를 포함하는 것을 특징으로 하는 서로 다른 의료 영상에 기반한 상관 정보를 이용한 타겟 데이터 예측 방법.
7. 제6 항에 있어서, 상기 타겟 데이터를 예측하는 단계는, 상기 결합 특징값을 미리 학습한 딥 뉴럴 네트워크에 입력하여, 상기 딥 뉴럴 네트워크를 통해 산출한 결과 값을 이용하여 상기 복수의 의료 영상에 대응하는 타겟 데이터를 예측하는 단계;를 포함하는 것을 특징으로 하는 서로 다른 의료 영상에 기반한 상관 정보를 이용한 타겟 데이터 예측 방법.
8. 제1 항에 있어서, 상기 상관 정보는 픽셀의 밝기값과 위치 정보를 고려하는 명암도 동시발생 행렬(GLCM; gray level co-occurrence matrix)에 기반하여 연산되는 것을 특징으로 하는 서로 다른 의료 영상에 기반한 상관 정보를 이용한 타겟 데이터 예측 방법.
9. 제1 항에 있어서, 상기 특징값들은 히스토그램 특징값, 텍스쳐 특징값 및 형상 특징값 중 적어도 하나를 포함하는 것을 특징으로 하는 서로 다른 의료 영상에 기반한 상관 정보를 이용한 타겟 데이터 예측 방법.
10. 하드웨어인 컴퓨터와 결합되어, 제1항 내지 제9항 중 어느 한 항의 방법을 실행시키기 위하여 매체에 저장된, 서로 다른 의료 영상에 기반한 상관 정보를 이용한 타겟 데이터 예측 프로그램.

Images