KR20210092963A - 기계 학습 기반의 분획혈류예비력 예측 방법 - Google Patents

기계 학습 기반의 분획혈류예비력 예측 방법 Download PDF

Info

Publication number
KR20210092963A
KR20210092963A KR1020200006511A KR20200006511A KR20210092963A KR 20210092963 A KR20210092963 A KR 20210092963A KR 1020200006511 A KR1020200006511 A KR 1020200006511A KR 20200006511 A KR20200006511 A KR 20200006511A KR 20210092963 A KR20210092963 A KR 20210092963A
Authority
KR
South Korea
Prior art keywords
value
blood flow
flow reserve
predicting
point
Prior art date
Application number
KR1020200006511A
Other languages
English (en)
Other versions
KR102328990B1 (ko
Inventor
하진용
트란딘손
Original Assignee
세종대학교산학협력단
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 세종대학교산학협력단 filed Critical 세종대학교산학협력단
Priority to KR1020200006511A priority Critical patent/KR102328990B1/ko
Publication of KR20210092963A publication Critical patent/KR20210092963A/ko
Application granted granted Critical
Publication of KR102328990B1 publication Critical patent/KR102328990B1/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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0062—Arrangements for scanning
    • A61B5/0066—Optical coherence imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/026—Measuring blood flow
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • 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
    • 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
    • G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physiology (AREA)
  • Epidemiology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Hematology (AREA)
  • Cardiology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Eye Examination Apparatus (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

관상동맥 환자의 분획혈류예비력을 예측하기 위한 학습 방법과 이러한 학습을 통해 획득된 인공신경망을 이용하여 관상동맥 환자의 분획혈류예비력을 예측하는 방법이 개시된다. 개시된 기계 학습 기반의 분획혈류예비력 예측 방법은 타겟 환자의 타겟 심혈관의 내강에 대한 OCT 영상에 대해 전처리를 수행하는 단계; 상기 전처리된 OCT 영상으로부터, 상기 타겟 심혈관에 대한 특징값을 추출하는 단계; 및 미리 학습된 인공 신경망 및 상기 특징값을 이용하여, 상기 타겟 심혈관에 대한 분획혈류예비력(FFR)값을 예측하는 단계를 포함하며, 상기 특징값은, 근위부 혈관내 면적(PLA)값, 최소 혈관내 면적(MLA)값, 면적 협착률값 및 병변 길이값을 포함한다.

Description

기계 학습 기반의 분획혈류예비력 예측 방법{MTEHOD FOR PREDICTING FRACTIONAL FLOW RESERVE BASED ON MACHINE LEARNING}
본 발명은 기계 학습 기반의 분획혈류예비력 예측 방법에 관한 것으로서, 더욱 상세하게는 관상동맥 환자의 분획혈류예비력을 예측하기 위한 학습 방법과 이러한 학습을 통해 획득된 인공신경망을 이용하여 관상동맥 환자의 분획혈류예비력을 예측하는 방법에 관한 것이다.
분획혈류예비력(FFR, Fractional Flow Reserve)은 관상동맥협착부위의 원위부와 근위부 정상혈관의 최대 혈류량의 비율을 의미한다. 여기서, 원위부(Proximal) 혈관이란 관상 동맥에서 심장에 가까운 쪽의 혈관을 의미하며, 근위부(distal) 혈관이란 심장으로부터 먼쪽의 혈관을 의미한다.
관상동맥협착부위의 분획혈류예비력값이 0.75라는 것은 정상 관상동맥혈관과 비교하여 관상동맥혈류량이 최대 25% 감소한 상태라는 것을 의미한다.
이와 같이, 관상동맥협착부위에서는 분획혈류예비력값이 작아지기 때문에, 분획혈류예비력값을 통해 관상동맥 즉 심혈관의 협착 여부가 판단될 수 있으며, 스탠트 삽입 시술이 결정될 수 있다.
이러한 분획혈류예비력값은, 아데노신을 관상동맥내 일시주사 또는 연속정맥주사하여 최대충혈상태(maximal hyperemia)를 유도한 후, 압력철선(pressure wire)을 이용해 측정된 병변의 원위부와 근위부 사이의 압력의 비로 계산될 수 있다.
또는 비침습적 방법으로서, 혈관 단면 영상에서 내강(lumen)을 추출한 후, 3차원 심혈관 모델 기반의 유동해석을 통해 분획혈류예비력값이 측정될 수도 있다. 이와 같은 영상 기반의 분획혈류예비력 측정 방법은, 상당히 긴 모델링 및 시뮬레이션 시간으로 인해, 실제 의료현장에 적용이 쉽지 않은 문제가 있다.
관련 선행문헌으로 대한민국 공개특허 제2019-0021749호 및 제2019-0015546호가 있다.
본 발명은 의료 현장에서 이용될 수 있는, 보다 빠르고 정확한 분획혈류예비력 예측 방법을 제공하기 위한 것이다.
또한 본 발명은 환자의 스탠트 시술에 필요한 정보를 제공할 수 있는 분획혈류예비력 예측 방법을 제공하기 위한 것이다.
상기한 목적을 달성하기 위한 본 발명의 일 실시예에 따르면, 타겟 환자의 타겟 심혈관의 내강에 대한 OCT 영상에 대해 전처리를 수행하는 단계; 상기 전처리된 OCT 영상으로부터, 상기 타겟 심혈관에 대한 특징값을 추출하는 단계; 및 미리 학습된 인공 신경망 및 상기 특징값을 이용하여, 상기 타겟 심혈관에 대한 분획혈류예비력(FFR)값을 예측하는 단계를 포함하며, 상기 특징값은, 근위부 혈관내 면적(PLA)값, 최소 혈관내 면적(MLA)값, 면적 협착률값 및 병변 길이값을 포함하는 기계 학습 기반의 분획혈류예비력 예측 방법이 제공된다.
또한 상기한 목적을 달성하기 위한 본 발명의 다른 실시예에 따르면, 레퍼런스 환자의 레퍼런스 심혈관의 내강에 대한 OCT 영상에 대해 전처리를 수행하는 단계; 상기 전처리된 OCT 영상으로부터, 상기 레퍼런스 심혈관에 대한 훈련용 특징값을 추출하는 단계; 및 인공 신경망을 이용하여, 상기 훈련용 특징값에 대한 분획혈류예비력(FFR)값을 학습하는 단계를 포함하며, 상기 훈련용 특징값은, 근위부 혈관내 면적(PLA)값, 최소 혈관내 면적(MLA)값, 면적 협착률값 및 병변 길이값을 포함하는 분획혈류예비력 예측을 위한 학습 방법이 제공된다.
본 발명의 일실시예에 따르면, 기계 학습을 통해 보다 빠르고 정확하게 변변 부위에 대한 분획혈류예비력값을 예측할 수 있다.
또한 본 발명의 일실시예에 따르면 OCT 영상으로부터 획득된 특징값을 이용하여 학습을 수행함으로써, 보다 정확한 분획혈류예비력 예측 결과를 획득할 수 있다.
또한 본 발명의 일실시예에 따르면, OCT 영상으로부터 획득된 특징값으로부터 예측된 분획혈류예비력값에 따라 적응적으로 환자의 또다른 생체 정보를 이용함으로써, 생체 정보 획득에 따른 환자의 불편을 줄일 수 있다.
도 1은 본 발명의 일실시예에 따른 관상동맥 환자의 분획혈류예비력을 예측하기 위한 학습 방법을 설명하기 위한 도면이다.
도 2는 OCT 영상을 나타내는 도면이다.
도 3은 본 발명의 일실시예에 따른 OCT 영상으로부터 특징값을 추출하는 방법을 설명하기 위한 도면이다.
도 4는 OCT 영상으로부터 생성된 혈관 길이 방향의 단면 영상을 나타내는 도면이다.
도 5는 근위부 혈관내 면적(PLA), 최소 혈관내 면적(MLA) 및 원위부 혈관내 면적(DLA)을 나타내는 도면이다.
도 6은 본 발명의 일실시예에 따른 기계 학습 기반의 분획혈류예비력 예측 방법을 설명하기 위한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
본 발명은 관상동맥 환자의 분획혈류예비력을 예측하기 위한 학습 방법과 이러한 학습을 통해 획득된 인공신경망을 이용하여 관상동맥 환자의 분획혈류예비력을 예측하는 방법에 관한 것으로서, 본 발명에 따르면, 기계 학습을 통해 보다 빠르고 정확하게 분획혈류예비력을 예측할 수 있으므로, 실제 의료현장에 적용이 가능하다.
본 발명의 일실시예는 OCT 영상으로부터 추출된 특징값을 이용하여 학습을 수행한다. 광간섭 단층 영상 기술(Optical Coherence Tomography, OCT)이란, 광의 간섭 현상과 공초첨 현미경 원리를 조합하여 생체조직 내부의 미세 구조를 영상화할 수 있는 기술로서, 초음파, CT나 MRI보다 높은 분해능 성능을 보여준다. 따라서, OCT 영상으로부터 추출된 특징값을 이용하여 기계 학습을 수행하는 본 발명의 일실시예에 따르면, 보다 높은 학습 성능이 제공될 수 있으며, 보다 정확한 분획혈류예비력 예측 결과를 획득할 수 있다.
본 발명의 일실시예에 따른 학습 방법과 예측 방법은 프로세서를 포함하는 컴퓨팅 장치에서 수행될 수 있으며, 데스크탑, 노트북, 서버, 의료기기 또는 별도의 학습 장치 및 예측 장치와 같은 컴퓨팅 장치에서 수행될 수 있다.
이하에서, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일실시예에 따른 관상동맥 환자의 분획혈류예비력을 예측하기 위한 학습 방법을 설명하기 위한 도면으로서, 도 1에서는 학습 장치에서 학습 방법이 수행되는 실시예가 설명된다. 그릭고 도 2는 OCT 영상을 나타내는 도면이다.
본 발명의 일실시예에 따른 학습 방법은, 훈련 데이터로서, OCT 영상에서 획득된 특징값과 분획혈류예비력값을 이용한다.
도 1을 참조하면, 본 발명의 일실시예에 따른 학습 장치는 훈련 데이터 획득을 위한 레퍼런스 환자의 레퍼런스 심혈관의 내강에 대한 OCT 영상을 제공받아, 이러한 OCT 영상에 대한 전처리를 수행(S110)한다.
단계 S110에서, 학습 장치는 제공된 OCT 영상에서 전경과 배경이 명확히 구분될 수 있도록 OCT 영상을 반전(inverstion)시키거나, OCT 영상의 노이즈를 제거할 수 있다. 도 2(a)는 로 데이터(row data) 형태의 OCT 영상을 나타내며, 이러한 OCT 영상은 반전에 의해 도 2(b)와 같이 변환될 수 있다. 도 2(a)의 영상과 비교하여, 도 2(b)의 영상에서 심혈관의 형상이 보다 명확히 드러남을 알 수 있다.
본 발명의 일실시예에 따른 학습 장치는 전처리된 OCT 영상으로부터, 레퍼런스 심혈관에 대한 훈련용 특징값을 추출(S120)하고, 인공 신경망을 이용하여, 특징값에 대한 분획혈류예비력(FFR)값을 학습(S130)한다.
훈련용 특징값은 일실시예로서, 근위부 혈관내 면적(PLA, Proximal Lumea Area)값, 최소 혈관내 면적(MLA, Minimal Lumea Area)값, 면적 협착률(Percent Area stenosis)값 및 병변 길이(Lesion Length)값을 포함할 수 있으며, 실시예에 따라서 지질(lipid) 정보를 더 포함할 수 있다.
최소 혈관내 면적이란, 협착된 병변 부위에서 혈관 내강의 폭, 즉 혈관 벽면 사이의 폭이 최소인 지점에서의 혈관 면적을 나타내며, 근위부 혈관내 면적이란, 내강의 폭이 최소인 지점에서 심장 방향으로의 내강의 폭 중에서 최대인 폭을 나타내는 지점에서의 혈관 면적을 나타낸다. 그리고 병변 길이란, 근위부 혈관내 면적에 대한 지점에서 원위부 혈관내 면적에 대한 지점까지의 혈관 길이를 나타내며, 근위부 혈관내 면적이란 내강의 폭이 최소인 지점에서 심장 반대 방향으로의 내강의 폭 중에서 최대인 폭을 나타내는 지점에서의 혈관 면적을 나타낸다. 마지막으로 면적 협착률이란 병변 부위에서의 혈관의 협착 정도를 나타낸다.
레퍼런스 환자로부터 획득된 훈련용 특징값이 인공 신경망으로 입력되고, 레퍼런스 환자로부터 획득된 분획혈류예비력이 레이블(label)로 주어짐으로써, 인공 신경망이 학습될 수 있다. 추후, 분획혈류예비력값 예측 과정에서, 타겟 환자로부터 획득된 특징값이 학습된 인공 신경망으로 입력되면 분획혈류예비력값이 출력될 수 있으며, 타겟 환자로부터 획득된 특징값이 레퍼런스 환자로부터 획득된 훈련용 특징값과 유사하다면, 예측된 분획혈류예비력값은 레퍼런스 환자로부터 획득된 분획혈류예비력값과 유사한 패턴을 나타낼 수 있다.
한편, 실시예에 따라서, 단계 S130에서 학습 장치는 단계 S120에서 추출된 훈련용 특징값 뿐만 아니라, 레퍼런스 환자에 대한 추가적인 생체 정보를 이용하여 분획혈류예비력값을 학습할 수 있으며, 이러한 생체 정보는 혈액 정보 및 혈압 정보를 포함할 수 있다.
학습 장치는 혈액 정보 및 혈압 정보 중 적어도 하나를 훈련용 특징값으로 이용하여 분획혈류예비력값을 학습할 수 있으며, 혈액 정보 및 혈압 정보는 OCT 이미지와는 별도로 혈액 검사나 혈압 검사로부터 획득될 수 있다. 혈액 정보는 일실시예로서, 혈소판 수치 또는 헤모글로빈 수치를 포함할 수 있으며, 혈압 정보는, 일실시예로서 혈압 수치나 고혈압 유무에 대한 정보를 포함할 수 있다.
이 때, 학습 장치는 훈련 데이터별로 서로 다른 인공 신경망을 이용하여 학습을 수행할 수 있으며, 일실시예로서, OCT 영상으로부터 추출된 특징값으로 제1인공 신경망을 학습하고, OCT 영상으로부터 추출된 특징값 및 추가적인 생체 정보로 제2인공 신경망을 학습할 수 있다.
도 3은 본 발명의 일실시예에 따른 OCT 영상으로부터 특징값을 추출하는 방법을 설명하기 위한 도면이며, 도 4는 OCT 영상으로부터 생성된 혈관 길이 방향의 단면 영상을 나타내는 도면이다. 그리고 도 5는 근위부 혈관내 면적(PLA), 최소 혈관내 면적(MLA) 및 원위부 혈관내 면적(DLA)을 나타내는 도면이다.
도 3을 참조하면, 본 발명의 일실시예에 따른 학습 장치는 전처리된 OCT 영상으로부터 도 4와 같은 혈관 길이 방향의 단면 영상을 생성(S310)한다.
그리고 단면 영상에서, 혈관 내강의 폭 즉, 혈관내 직경에 따라서, 제1 내지 제3지점을 결정(S320)한다. 제1 내지 제3지점은 전술된 특징값이 산출되거나, 전술된 특징값의 산출을 위해 필요한 지점이다.
도 4를 참조하면, 제1지점(410)은 혈관내 직경이 최소인 지점으로서, 협착 정도가 가장 심한 지점이며, 최소 혈관내 면적값이 계산되는 지점이다. 도 4에서 하얀색 음영으로 표시된 부분이 혈관 벽면, 즉 내강을 나타낸다.
제2지점(420)은 제1지점(410)으로부터 심장 방향으로의 내강의 폭 중에서 그 폭이 최대인 지점으로서, 분획혈류예비력의 계산을 위해 압력이 측정되는 지점이다. 제2지점(420)으로부터 근위부 혈관내 면적값이 계산된다.
제3지점(430)은 제1지점(410)으로부터 심장 반대 방향으로의 내강의 폭 중에서 그 폭이 최대인 지점이며, 분획혈류예비력의 계산을 위해 압력이 측정되는 지점이다.
다시 도 3으로 돌아가, 학습 장치는 전처리된 OCT 영상을 이용하여, 제1지점에 대한 최소 혈관내 면적값 및 제2지점에 대한 근위부 혈관내 면적값을 계산(S330)한다. 제1 내지 제3지점(410 내지 430)에 대한 혈관의 형상은 도 5와 같으며, 초록색 폐곡선의 내부 면적이 각각 근위부 혈관내 면적(PLA), 최소 혈관내 면적(MLA), 원위부 혈관내 면적(DLA)에 대응된다. 초록색 폐곡선의 내부 면적값을 계산함으로써, 근위부 혈관내 면적값 및 최소 혈관내 면적값이 계산될 수 있다.
그리고 학습 장치는 단면 영상을 이용하여, 심혈관이 협착된 부위의 길이에 대응되는 병변 길이의 값을, 제2 및 제3지점(410, 420) 사이의 길이를 이용하여 계산(S340)한다. 제2 및 제3지점(410, 420) 사이의 길이가 병변 길이에 대응된다.
마지막으로 학습 장치는, 근위부 혈관내 면적값 및 최소 혈관내 면적값을 이용하여, 면적 협착률값을 계산(S350)한다. 학습 장치는 근위부 혈관내 면적값에서 최소 혈관내 면적값을 차감한 값과, 근위부 혈관내 면적값의 비율값을 면적 협착률값으로 계산할 수 있다.
도 6은 본 발명의 일실시예에 따른 기계 학습 기반의 분획혈류예비력 예측 방법을 설명하기 위한 도면으로서, 도 6에서는 예측 장치에서 수행되는 예측 방법이 일실시예로서 설명된다.
도 6을 참조하면, 본 발명의 일실시예에 따른 예측 장치는 타겟 환자의 타겟 심혈관의 내강에 대한 OCT 영상에 대해 전처리를 수행(S610)하고, 전처리된 OCT 영상으로부터, 타겟 심혈관에 대한 특징값을 추출(S620)한다.
단계 S620에서 추출되는 특징값은, 근위부 혈관내 면적(PLA)값, 최소 혈관내 면적(MLA)값, 면적 협착률값 및 병변 길이값을 포함하며, 전술된 훈련용 특징값과 대응된다. 예측 장치는 도 3에서 설명된 바와 같이, 특징값을 추출할 수 있으며, 실시예에 따라서 전처리된 영상으로부터 타겟 심혈관에 대한 지질(lipid) 정보를 더 추출할 수 있다.
그리고 예측 장치는 도 1과 같이 미리 학습된 인공 신경망 및 추출된 특징값을 이용하여 타겟 심혈관에 대한 분획혈류예비력값을 예측(S620)한다. 미리 학습된 인공 신경망은 단계 S620에서 추출된 특징값을 입력받아, 분획혈류예비력값을 출력한다.
단계 S620에서 예측 장치는, 타겟 환자에 대한 추가적인 생체 정보를 이용하여, 분획혈류예비력값을 예측할 수 있으며, 이러한 생체 정보로서 혈액 정보 및 혈압 정보 중 적어도 하나가 이용될 수 있다. 이 경우 예측 장치는 전술된 제2인공 신경망을 이용하여 분획혈류예비력값을 예측할 수 있다.
이러한 추가적인 생체 정보가 예측에 이용되기 위해서는, 생체 정보를 획득하기 위한 추가적인 검사가 필요하고 이러한 검사는 환자에게 불편을 줄 수 있는만큼, 예측 장치는 미리 설정된 조건에 따라서 생체 정보를 추가적으로 이용하여 분획혈류예비력값을 예측할 수 있다. 본 발명의 일실시예에 따른 예측 장치는 일실시예로서, 단계 S620에서 추출된 특징값으로부터 예측된 분획혈류예비력값이 미리 설정된 임계값 범위에 포함되는 경우, 추가적인 생체 정보를 이용하여, 분획혈류예비력값을 예측할 수 있다.
병변 부위에 대한 분획혈류예비력값이 0.75보다 낮은 경우에는 심근 허혈을 유발하는 협착이 존재하고, 분획혈류예비력값이 0.8보다 높은 경우에는 협착이 심근 허혈을 유발하지 않는 것으로 알려져 있으며, 분획혈류예비력값이 0.75에서 0.8 사이인 경우에는 협착에 의한 심근 허혈 유무가 불분명한 것으로 알려져 있다. 따라서, 예측된 분획혈류예비력값이 0.75에서 0.8이라는 임계 범위에 존재할 경우에는, 심근 허혈 여부를 확실히 판단하기 위한 보다 정확한 진단이 필요할 수 있으므로, 예측 장치는 보다 정확성을 높이기 위해 추가적인 생체 정보를 이용하여, 분획혈류예비력값을 예측할 수 있다.
본 발명의 일실시예에 따르면, 분획혈류예비력값의 정확도를 높이기 위해 항상 혈액 정보 또는 혈압 정보를 이용할 필요없이, 예측된 분획혈류예비력값에 따라 적응적으로 혈액 정보 또는 혈압 정보를 이용하여 분획혈류예비력값을 예측함으로써, 혈액 정보 및 혈압 정보 획득에 따른 환자의 불편이 감소할 수 있다.
앞서 설명한 기술적 내용들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예들을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 하드웨어 장치는 실시예들의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.

Claims (10)

  1. 타겟 환자의 타겟 심혈관의 내강에 대한 OCT 영상에 대해 전처리를 수행하는 단계;
    상기 전처리된 OCT 영상으로부터, 상기 타겟 심혈관에 대한 특징값을 추출하는 단계; 및
    미리 학습된 인공 신경망 및 상기 특징값을 이용하여, 상기 타겟 심혈관에 대한 분획혈류예비력(FFR)값을 예측하는 단계를 포함하며,
    상기 특징값은, 근위부 혈관내 면적(PLA)값, 최소 혈관내 면적(MLA)값, 면적 협착률값 및 병변 길이값을 포함하는
    기계 학습 기반의 분획혈류예비력 예측 방법.
  2. 제 1항에 있어서,
    상기 타겟 심혈관에 대한 특징값을 추출하는 단계는
    상기 전처리된 OCT 영상으로부터 혈관 길이 방향의 단면 영상을 생성하는 단계;
    상기 단면 영상에서, 내강의 폭이 최소인 제1지점, 상기 제1지점으로부터 심장 방향으로 내강의 폭이 최대인 제2지점 및 상기 제1지점으로부터 심장 반대 방향으로 내강의 폭이 최대인 제3지점을 결정하는 단계;
    상기 전처리된 OCT 영상을 이용하여, 상기 제1지점에 대한 최소 혈관내 면적값 및 상기 제2지점에 대한 근위부 혈관내 면적값을 계산하는 단계;
    상기 제2 및 제3지점 사이의 길이를 이용하여, 상기 병변 길이값을 계산하는 단계; 및
    상기 근위부 혈관내 면적값에서 상기 최소 혈관내 면적값을 차감한 값과, 상기 근위부 혈관내 면적값의 비율값인 상기 면적 협착률값을 계산하는 단계
    를 포함하는 기계 학습 기반의 분획혈류예비력 예측 방법.
  3. 제 1항에 있어서,
    상기 타겟 심혈관에 대한 분획혈류예비력값을 예측하는 단계는
    상기 인공 신경망과, 상기 타겟 환자에 대한 혈액 정보 및 혈압 정보 중 적어도 하나를 이용하여, 상기 분획혈류예비력값을 예측하는
    기계 학습 기반의 분획혈류예비력 예측 방법.
  4. 제 3항에 있어서,
    상기 혈액 정보는, 혈소판 수치 또는 헤모글로빈 수치를 포함하며,
    상기 혈압 정보는, 고혈압 유무에 대한 정보를 포함하는
    기계 학습 기반의 분획혈류예비력 예측 방법.
  5. 제 3항에 있어서,
    상기 타겟 심혈관에 대한 분획혈류예비력값을 예측하는 단계는
    상기 예측된 분획혈류예비력값이 미리 설정된 임계값 범위에 포함되는 경우, 상기 혈액 정보 및 혈압 정보 중 적어도 하나를 이용하여, 상기 분획혈류예비력을 예측하는
    기계 학습 기반의 분획혈류예비력 예측 방법.
  6. 제 1항에 있어서,
    상기 타겟 심혈관에 대한 특징값을 추출하는 단계는
    상기 전처리된 영상으로부터 상기 타겟 심혈관에 대한 지질(lipid) 정보를 추출하는
    기계 학습 기반의 분획혈류예비력 예측 방법.
  7. 레퍼런스 환자의 레퍼런스 심혈관의 내강에 대한 OCT 영상에 대해 전처리를 수행하는 단계;
    상기 전처리된 OCT 영상으로부터, 상기 레퍼런스 심혈관에 대한 훈련용 특징값을 추출하는 단계; 및
    인공 신경망을 이용하여, 상기 훈련용 특징값에 대한 분획혈류예비력(FFR)값을 학습하는 단계를 포함하며,
    상기 훈련용 특징값은, 근위부 혈관내 면적(PLA)값, 최소 혈관내 면적(MLA)값, 면적 협착률값 및 병변 길이값을 포함하는
    분획혈류예비력 예측을 위한 학습 방법.
  8. 제 7항에 있어서,
    상기 레퍼런스 심혈관에 대한 훈련용 특징값을 추출하는 단계는
    상기 전처리된 OCT 영상으로부터 혈관 길이 방향의 단면 영상을 생성하는 단계;
    상기 단면 영상에서, 내강의 폭이 최소인 제1지점, 상기 제1지점으로부터 심장 방향으로 내강의 폭이 최대인 제2지점 및 상기 제1지점으로부터 심장 반대 방향으로 내강의 폭이 최대인 제3지점을 결정하는 단계;
    상기 전처리된 OCT 영상을 이용하여, 상기 제1지점에 대한 최소 혈관내 면적값 및 상기 제2지점에 대한 근위부 혈관내 면적값을 계산하는 단계;
    상기 제2 및 제3지점 사이의 길이를 이용하여, 상기 병변 길이값을 계산하는 단계; 및
    상기 근위부 혈관내 면적값에서 상기 최소 혈관내 면적값을 차감한 값과, 상기 근위부 혈관내 면적값의 비율값인 상기 면적 협착률값을 계산하는 단계
    를 포함하는 분획혈류예비력 예측을 위한 학습 방법.
  9. 제 7항에 있어서,
    상기 분획혈류예비력값을 학습하는 단계는
    상기 레퍼런스 환자에 대한 혈액 정보 및 혈압 정보 중 적어도 하나를 이용하여, 상기 분획혈류예비력값을 학습하는
    분획혈류예비력 예측을 위한 학습 방법.
  10. 제 9항에 있어서,
    상기 혈액 정보는, 혈소판 수치 또는 헤모글로빈 수치를 포함하며,
    상기 혈압 정보는, 고혈압 유무에 대한 정보를 포함하는
    분획혈류예비력 예측을 위한 학습 방법.
KR1020200006511A 2020-01-17 2020-01-17 기계 학습 기반의 분획혈류예비력 예측 방법 KR102328990B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200006511A KR102328990B1 (ko) 2020-01-17 2020-01-17 기계 학습 기반의 분획혈류예비력 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200006511A KR102328990B1 (ko) 2020-01-17 2020-01-17 기계 학습 기반의 분획혈류예비력 예측 방법

Publications (2)

Publication Number Publication Date
KR20210092963A true KR20210092963A (ko) 2021-07-27
KR102328990B1 KR102328990B1 (ko) 2021-11-18

Family

ID=77125407

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200006511A KR102328990B1 (ko) 2020-01-17 2020-01-17 기계 학습 기반의 분획혈류예비력 예측 방법

Country Status (1)

Country Link
KR (1) KR102328990B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230094295A (ko) * 2021-12-21 2023-06-28 주식회사 레이와트 기계 학습 기반의 분획혈류예비력 예측 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170090284A (ko) * 2016-01-28 2017-08-07 연세대학교 산학협력단 협착 병변의 수학적 모델링을 이용한 심혈관 정보 결정 방법
KR20180008134A (ko) * 2016-07-15 2018-01-24 연세대학교 산학협력단 분획 혈류 예비력 예측 방법
KR101837753B1 (ko) * 2016-10-20 2018-03-12 (주)실리콘사피엔스 가상 협착 시뮬레이션을 이용한 관상 동맥의 협착 위험 위치 예측 방법 및 장치
JP2018061883A (ja) * 2012-09-12 2018-04-19 ハートフロー， インコーポレイテッド 血管形状及び生理学から血流特性を推定するシステム及び方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018061883A (ja) * 2012-09-12 2018-04-19 ハートフロー， インコーポレイテッド 血管形状及び生理学から血流特性を推定するシステム及び方法
KR20170090284A (ko) * 2016-01-28 2017-08-07 연세대학교 산학협력단 협착 병변의 수학적 모델링을 이용한 심혈관 정보 결정 방법
KR20180008134A (ko) * 2016-07-15 2018-01-24 연세대학교 산학협력단 분획 혈류 예비력 예측 방법
KR101837753B1 (ko) * 2016-10-20 2018-03-12 (주)실리콘사피엔스 가상 협착 시뮬레이션을 이용한 관상 동맥의 협착 위험 위치 예측 방법 및 장치

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230094295A (ko) * 2021-12-21 2023-06-28 주식회사 레이와트 기계 학습 기반의 분획혈류예비력 예측 방법
WO2023120968A1 (ko) * 2021-12-21 2023-06-29 주식회사 레이와트 기계 학습 기반의 분획혈류예비력 예측 방법

Also Published As

Publication number Publication date
KR102328990B1 (ko) 2021-11-18

Similar Documents

Publication Publication Date Title
US11615894B2 (en) Diagnostically useful results in real time
CN110085321B (zh) 对冠脉循环进行多尺度的解剖学和功能建模的方法和系统
JP6667999B2 (ja) 画像処理装置、画像処理方法、及びプログラム
CN105188550B (zh) 血管数据处理和图像配准系统、方法及装置
US10206587B2 (en) Image processing apparatus, image processing method, and storage medium
JP6553099B2 (ja) 血流予備量比値を算出するための機器
JP2022169579A (ja) リアルタイムで診断上有用な結果
US10595807B2 (en) Calculating a fractional flow reserve
CN110998744A (zh) 针对弥漫性和串联性病变中冠状动脉疾病的非侵入性评估和治疗指导
US8548213B2 (en) Method and system for guiding catheter detection in fluoroscopic images
JP6362851B2 (ja) 血管解析装置、血管解析プログラム、及び血管解析装置の作動方法
JP2021528137A (ja) 定量的血行動態フロー分析のための方法および装置
CN108348170B (zh) 与侧支有关的支架撑杆检测
KR102217392B1 (ko) 관상동맥 진단영상 학습장치와 방법, 및 상기 학습장치와 방법을 통해 구축된 학습모델을 사용하는 유의한 관상동맥 협착 진단 장치 및 방법
KR102328990B1 (ko) 기계 학습 기반의 분획혈류예비력 예측 방법
US11145057B2 (en) Assessment of collateral coronary arteries
KR101530352B1 (ko) 물질특성에 기반한 전산유체역학 모델링 및 분석 방법
KR102656944B1 (ko) 기계 학습 기반의 분획혈류예비력 예측 방법
EP3819909A1 (en) Assessment of collateral coronary arteries
Tung et al. Automatic detection of coronary stent struts in intravascular OCT imaging
JP6675458B2 (ja) 血管解析装置、血管解析方法及び血管解析プログラム
JP2015217113A (ja) 血管解析装置、医用画像診断装置、血管解析方法及び血管解析プログラム
EP4254428A1 (en) Intravascular procedure step prediction
Hampe et al. Deep learning-based prediction of fractional flow reserve after invasive coronary artery treatment
Duijnhouwer et al. Echocardiographic Assessment of Pulmonary Artery Pressure, Tips and Tricks

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