KR20220011488A - Ct 영상 기반 체성분 분석 장치 및 방법 - Google Patents
Ct 영상 기반 체성분 분석 장치 및 방법 Download PDFInfo
- Publication number
- KR20220011488A KR20220011488A KR1020200090467A KR20200090467A KR20220011488A KR 20220011488 A KR20220011488 A KR 20220011488A KR 1020200090467 A KR1020200090467 A KR 1020200090467A KR 20200090467 A KR20200090467 A KR 20200090467A KR 20220011488 A KR20220011488 A KR 20220011488A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- body composition
- muscle
- information
- femoral
- Prior art date
Links
- 239000000203 mixture Substances 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims description 30
- 210000003205 muscle Anatomy 0.000 claims abstract description 116
- 210000003484 anatomy Anatomy 0.000 claims abstract description 52
- 230000011218 segmentation Effects 0.000 claims abstract description 47
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 210000000689 upper leg Anatomy 0.000 claims description 122
- 238000002591 computed tomography Methods 0.000 claims description 39
- 238000004458 analytical method Methods 0.000 claims description 38
- 210000003141 lower extremity Anatomy 0.000 claims description 32
- 210000004003 subcutaneous fat Anatomy 0.000 claims description 27
- 230000002146 bilateral effect Effects 0.000 claims description 26
- 238000007918 intramuscular administration Methods 0.000 claims description 24
- 210000000988 bone and bone Anatomy 0.000 claims description 14
- 239000000284 extract Substances 0.000 claims description 10
- 206010071051 Soft tissue mass Diseases 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 14
- 210000004872 soft tissue Anatomy 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 239000000470 constituent Substances 0.000 description 7
- 238000013480 data collection Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 208000001076 sarcopenia Diseases 0.000 description 4
- 210000002414 leg Anatomy 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010056720 Muscle mass Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000009547 dual-energy X-ray absorptiometry Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004220 muscle function Effects 0.000 description 1
- 201000008482 osteoarthritis Diseases 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4869—Determining body composition
-
- 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]
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Pulmonology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
일 실시예에 따른 체성분 분석 장치는 피검체의 대퇴부 영상을 획득하여 정규화하는 영상 전처리부; 및 기계학습 기반의 분할 모델을 이용하여 상기 정규화된 대퇴부 영상에서 대퇴부 근육을 해부학적 구조별로 분할하고, 분할 결과를 이용하여 상기 피검체의 체성분 정보를 획득하는 프로세서; 를 포함할 수 있다.
Description
CT 영상을 기반으로 대퇴부의 체성분을 분석하기 위한 장치 및 방법과 관련된다.
근감소증은 연령의 증가에 따른 근육량의 감소를 의미하나, 최근에는 근육량 감소뿐만 아니라 근력 저하, 근육의 질 저하까지 포함된다.
고령화 사회가 진행되면서 근감소증의 유병률이 증가하게 되면서 퇴행성관절염을 비롯한 각종 질환과 근감소증의 연관성과, 근감소증의 정확한 진단법에 대한 관심이 높아지고 있다.
현재까지 이중에너지 엑스선흡수계측법(Dual-energy X-ray Absorptiometry, DXA)에 의한 근육량 분석이 널리 사용되고 있으나, 이 방법은 경미한 변화에 민감하지 않아 단기간의 치료 후 효과 판정에 이용되기 어려우며, 근육의 기능적인 면(질)을 반영하지 못한다.
보다 정확한 정량, 정성적 평가를 위해 컴퓨터 단층촬영 영상을 이용하여 근육을 분할함으로써 근육량 측정을 시도하는 연구들이 많으나 수작업에 의한 근육 분할이 노동집약적일 뿐만 아니라 시간 소모적 작업이어서 대퇴부의 일부 단면에만 적용 가능할 뿐 대퇴부 전체의 근육량 측정은 실제 임상진료에서 이용하는데 한계가 있다.
기계학습을 기반으로 대퇴부 전체 근육을 분할하고, 대퇴부의 체성분을 분석할 수 있는 장치 및 방법을 제공하는 것을 목적으로 한다.
일 양상에 따른 체성분 분석 장치는, 피검체의 대퇴부 영상을 획득하여 정규화하는 영상 전처리부; 및 기계학습 기반의 분할 모델을 이용하여 상기 정규화된 대퇴부 영상에서 대퇴부 근육을 해부학적 구조별로 분할하고, 분할 결과를 이용하여 상기 피검체의 체성분 정보를 획득하는 프로세서; 를 포함할 수 있다.
상기 대퇴부 영상은 컴퓨터 단층촬영(Computed Tomography, CT) 영상일 수 있다.
상기 영상 전처리부는 상기 획득된 대퇴부 영상이 양측 하지가 모두 포함된 양측 대퇴부 영상인 경우, 상기 획득된 대퇴부 영상에서 좌측 대퇴부 영상과 우측 대퇴부 영상을 분리할 수 있다.
상기 분할 모델은 좌측 하지 분할 모델 및 우측 하지 분할 모델을 포함할 수 있다.
상기 체성분 정보는 대퇴부 전체 연조직량 정보, 해부학적 구조별 근육량 정보, 전체 근육총량 정보, 근육 내 지방량 및 지방분율 정보, 근육사이 및 피하 지방량 정보를 포함할 수 있다.
상기 프로세서는 상기 대퇴부 근육을 펴짐근(extensor), 굴근(flexor) 및 내전근(adductor)으로 분할할 수 있다.
상기 프로세서는 분할된 각 근육 영역의 픽셀 개수, 픽셀 간격 및 영상 단면 두께를 기반으로 해부학적 구조별 근육량 정보 및 전체 근육총량 정보를 획득할 수 있다.
상기 프로세서는 CT 밀도값을 기반으로 상기 대퇴부 영상에서 피부 외곽선을 판단하고, 상기 분할 결과를 이용하여 뼈 및 근육 영역을 추출하고, 피부 외곽선으로 둘러싸인 피검체 영역에서 상기 추출된 뼈 및 근육 영역을 제거하여 근육사이 및 피하 지방 영역을 추출하고, 상기 추출된 근육사이 및 피하 지방 영역에 대한 정보를 기반으로 근육사이 및 피하 지방량 정보를 획득할 수 있다.
상기 프로세서는 CT 밀도값을 기반으로 각 근육 영역에서 근육 내 지방 영역을 추출하고, 상기 추출된 근육 내 지방 영역에 대한 정보를 기반으로 근육 내 지방량 및 지방분율 정보를 획득할 수 있다.
다른 양상에 따른 체성분 분석 방법은, 피검체의 대퇴부 영상을 획득하는 단계; 기계학습 기반의 분할 모델을 이용하여 상기 대퇴부 영상에서 대퇴부 근육을 해부학적 구조별로 분할하는 단계; 및 분할 결과를 이용하여 상기 피검체의 체성분 정보를 획득하는 단계; 를 포함할 수 있다.
상기 대퇴부 영상은 컴퓨터 단층촬영(Computed Tomography, CT) 영상일 수 있다.
체성분 분석 방법은, 상기 획득된 대퇴부 영상을 정규화하는 단계; 를 더 포함할 수 있다.
체성분 분석 방법은, 상기 획득된 대퇴부 영상이 양측 하지가 모두 포함된 양측 대퇴부 영상인 경우, 상기 획득된 대퇴부 영상에서 좌측 대퇴부 영상과 우측 대퇴부 영상을 분리하는 단계; 를 더 포함할 수 있다.
상기 체성분 정보는 대퇴부 전체 연조직량 정보, 해부학적 구조별 근육량 정보, 전체 근육총량 정보, 근육 내 지방량 및 지방분율 정보, 근육사이 및 피하 지방량 정보를 포함할 수 있다.
상기 피검체의 체성분 정보를 획득하는 단계는, 분할된 각 근육 영역의 픽셀 개수, 픽셀 간격 및 영상 단면 두께를 기반으로 해부학적 구조별 근육량 정보 및 전체 근육총량 정보를 획득하는 단계; 를 포함할 수 있다.
상기 피검체의 체성분 정보를 획득하는 단계는, CT 밀도값을 기반으로 상기 대퇴부 영상에서 피부 외곽선을 판단하는 단계; 상기 분할 결과를 이용하여 뼈 및 근육 영역을 추출하는 단계; 상기 피부 외곽선으로 둘러싸인 피검체 영역에서 상기 추출된 뼈 및 근육 영역을 제거하여 근육사이 및 피하 지방 영역을 추출하는 단계; 및 상기 추출된 근육사이 및 피하 지방 영역에 대한 정보를 기반으로 근육사이 및 피하 지방량 정보를 획득하는 단계; 를 포함할 수 있다.
상기 피검체의 체성분 정보를 획득하는 단계는, CT 밀도값을 기반으로 각 근육 영역에서 근육 내 지방 영역을 추출하는 단계; 및 상기 추출된 근육 내 지방 영역에 대한 정보를 기반으로 근육 내 지방량 정보 및 지방분율 정보를 획득하는 단계; 를 포함할 수 있다.
기계학습을 이용하여 대퇴부 근육을 해부학적 구조별로 자동 분할하고, 자동 분할된 결과를 이용하여 대퇴부의 체성분을 분석할 수 있다. 용이하고 정확하며 빠른 속도로 대퇴부 근육의 분할 및 체성분 분석이 가능하므로 사용자의 편의성이 증대될 수 있다.
도 1은 체성분 분석 시스템의 일 실시예를 도시한 도면이다.
도 2는 도 1의 모델 생성 장치의 일 실시예를 도시한 도면이다.
도 3은 도 1의 체성분 분석 장치의 일 실시예를 도시한 도면이다.
도 4는 양측 대퇴부를 동시에 촬영한 CT 영상으로부터 좌측 대퇴부 영상과 우측 대퇴부 영상을 분리하는 과정을 설명하기 위한 예시도이다.
도 5는 대퇴부 근육을 해부학적 구조별로 분할한 결과를 도시한 예시도이다.
도 6은 도 1의 체성분 분석 장치의 다른 실시예를 도시한 도면이다.
도 7은 분할 모델 생성 방법의 일 실시예를 도시한 도면이다.
도 8은 체성분 분석 방법의 일 실시예를 도시한 도면이다.
도 2는 도 1의 모델 생성 장치의 일 실시예를 도시한 도면이다.
도 3은 도 1의 체성분 분석 장치의 일 실시예를 도시한 도면이다.
도 4는 양측 대퇴부를 동시에 촬영한 CT 영상으로부터 좌측 대퇴부 영상과 우측 대퇴부 영상을 분리하는 과정을 설명하기 위한 예시도이다.
도 5는 대퇴부 근육을 해부학적 구조별로 분할한 결과를 도시한 예시도이다.
도 6은 도 1의 체성분 분석 장치의 다른 실시예를 도시한 도면이다.
도 7은 분할 모델 생성 방법의 일 실시예를 도시한 도면이다.
도 8은 체성분 분석 방법의 일 실시예를 도시한 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 일 실시예를 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
한편, 각 단계들에 있어, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않은 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 수행될 수 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하고, '포함하다' 또는 '가지다' 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주 기능별로 구분한 것에 불과하다. 즉, 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있다. 각 구성부는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
도 1은 체성분 분석 시스템의 일 실시예를 도시한 도면이고, 도 2는 도 1의 모델 생성 장치의 일 실시예를 도시한 도면이고, 도 3은 도 1의 체성분 분석 장치의 일 실시예를 도시한 도면이다.
도 1 내지 도 3을 참조하면, 체성분 분석 시스템(100)은 모델 생성 장치(110) 및 체성분 분석 장치(120)를 포함할 수 있다. 여기서 모델 생성 장치(110) 및 체성분 분석 장치(120)는 각각 별개의 하드웨어 장치로 구현될 수도 있고, 하나의 하드웨어 장치로 구현될 수도 있다.
모델 생성 장치(110)는 대퇴부 영상에서 대퇴부 근육을 해부학적 구조별로 분할하는 분할 모델을 생성할 수 있다. 여기서 대퇴부 영상은 좌우 일측 또는 양측 대퇴부 영상을 포함하며, 컴퓨터 단층촬영(Computed Tomography, CT) 영상일 수 있다. 또한, 대퇴부 근육은 펴짐근(extensor), 굴근(flexor) 및 내전근(adductor)을 포함할 수 있다.
모델 생성 장치(110)는 도 2에 도시된 바와 같이, 학습 데이터 수집부(210) 및 모델 생성부(220)를 포함할 수 있다.
학습 데이터 수집부(210)는 대퇴부 근육이 해부학적 구조별로 분할된 대퇴부 영상을 학습 데이터(training data)로 수집할 수 있다. 이때, 수집된 학습 데이터는 대퇴부 근육이 해부학적 구조별로 분할된 좌측 대퇴부 영상, 대퇴부 근육이 해부학적 구조별로 분할된 우측 대퇴부 영상, 또는 대퇴부 근육이 해부학적 구조별로 분할된 양측 대퇴부 영상을 포함하며, 대퇴부 영상은 컴퓨터 단층촬영(Computed Tomography, CT) 영상일 수 있다.
일 실시예에 따르면, 학습 데이터 수집부(210)는 대퇴부 영상을 DICOM(Digital Imaging and Communications in Medicine) 파일 형태로 입력받을 수 있다.
학습 데이터 수집부(210)는 학습 데이터로서 수집된 대퇴부 영상을 전처리할 수 있다. 수집된 대퇴부 영상은 검사 장비, 영상 단면 두께, 재구성 커널(reconstruction kernel), 반복적 재구성 알고리즘(iterative reconstruction algorithm) 등 여러 다른 조합으로 시행되어 영상 해상도, 노이즈, 픽셀 데이터 등이 상이할 수 있다. 이러한 영상 간 이질성(Heterogeneity)은 기계 학습 모델, 보다 구체적으로 딥러닝 모델 성능에 영향을 미칠 수 있다. 따라서 학습 데이터 수집부(210)는 이러한 영상 간 이질성에 따른 영향을 제거하고 정규화할 수 있는 다양한 영상 정규화 알고리즘을 이용하여 수집된 대퇴부 영상을 전처리할 수 있다.
학습 데이터 수집부(210)는 수집된 대퇴부 영상이 양측 대퇴부 영상인 경우, 수집된 양측 대퇴부 영상으로부터 좌측 대퇴부 영상과 우측 대퇴부 영상을 분리할 수 있다. 예컨대, 학습 데이터 수집부(210)는 수집된 양측 대퇴부 영상을 절반으로 나누어 좌측 대퇴부 영상을 포함하는 좌 영상과 우측 대퇴부 영상을 포함하는 우 영상을 생성하고, 원본 양측 대퇴부 영상과 동일한 크기의 2개의 빈 영상의 중심에 각각 좌 영상 및 우 영상을 위치시켜 원본 대퇴부 영상과 동일한 크기의 새로운 2개의 영상을 생성함으로써, 양측 대퇴부 영상으로부터 좌측 대퇴부 영상과 우측 대퇴부 영상을 분리할 수 있다.
모델 생성부(220)는 기계학습 알고리즘을 이용하여 수집된 학습 데이터를 학습시켜, 대퇴부 영상에서 대퇴부 근육을 해부학적 구조별로 분할하는 분할 모델을 생성할 수 있다. 이때, 기계학습 알고리즘은 객체를 분할하기 위한 의미론적 딥러닝 분할 알고리즘(예컨대, U-Net, SegNet, FineNet 등), 인스턴스 단위 딥러닝 분할 알고리즘(예컨대, Mask R-CNN, HTC(Hybrid Task Cascade for Instance Segmentation) 등)을 포함할 수 있다. 그러나 이는 일 실시예에 불과할 뿐 이에 한정되는 것은 아니다.
일 실시예에 따르면, 모델 생성부(220)는 다리별(좌측 하지 및 우측 하지)로 별개의 분할 모델을 생성할 수 있다. 예컨대, 프로세서(220)는 좌측 하지에 대한 학습 데이터(예컨대, 대퇴부 근육이 해부학적 구조별로 분할된 좌측 대퇴부 영상)를 학습시켜 좌측 하지 분할 모델을 생성하고, 우측 하지에 대한 학습 데이터(예컨대, 대퇴부 근육이 해부학적 구조별로 분할된 우측 대퇴부 영상)를 학습시켜 우측 하지 분할 모델을 생성할 수 있다.
체성분 분석 장치(120)는 피검체의 대퇴부 영상을 획득하고, 모델 생성 장치(110)에서 생성된 분할 모델을 이용하여 대퇴부 영상에서 대퇴부 근육을 해부학적 구조별로 분할할 수 있다. 또한 체성분 분석 장치(120)는 분할 결과를 이용하여 피검체의 체성분을 분석할 수 있다. 이때, 체성분은 대퇴부 전체 연조직량, 해부학적 구조별 근육량, 전체 근육총량, 근육 내 지방량 및 지방분율, 근육사이 및 피하 지방량 등을 포함할 수 있다.
체성분 분석 장치(120)는 도 3에 도시된 바와 같이, 영상 전처리부(310) 및 프로세서(320)를 포함할 수 있다.
영상 전처리부(310)는 피검체의 대퇴부 영상을 획득할 수 있다. 여기서 대퇴부 영상은 좌측 대퇴부 영상, 우측 대퇴부 영상, 또는 양측 대퇴부 영상을 포함하며, 컴퓨터 단층촬영(Computed Tomography, CT) 영상일 수 있다.
일 실시예에 따르면, 영상 전처리부(310)는 대퇴부 영상을 촬영 및/또는 저장하는 외부 장치로부터 피검체의 대퇴부 영상을 수신하여 획득할 수 있다.
다른 실시예에 따르면, 영상 전처리부(310)는 대퇴부 영상을 촬영하는 CT 장치를 포함하며, 이를 통해 대퇴부 영상을 직접 획득할 수 있다.
영상 전처리부(310)는 대퇴부 영상이 획득되면, 획득된 대퇴부 영상을 전처리할 수 있다. 예컨대, 영상 전처리부(310)는 영상 간 이질성에 따른 영향을 제거하고 정규화할 수 있는 다양한 영상 정규화 알고리즘을 이용하여 수집된 대퇴부 영상을 전처리할 수 있다.
일 실시예에 따르면, 영상 전처리부(310)가 좌측 대퇴부 영상과 우측 대퇴부 영상을 모두 포함하는 하나의 양측 대퇴부 영상을 획득한 경우, 영상 전처리부(310)는 획득된 하나의 양측 대퇴부 영상으로부터 좌측 대퇴부 영상과 우측 대퇴부 영상을 분리할 수 있다. 예컨대, 양측 대퇴부 영상이 획득되면, 영상 전처리부(310)는 획득된 양측 대퇴부 영상을 절반으로 나누어 좌즉 대퇴부 영상을 포함하는 좌 영상과 우측 대퇴부 영상을 포함하는 우 영상을 생성하고, 원본 양측 대퇴부 영상과 동일한 크기의 2개의 빈 영상의 중심에 각각 좌 영상 및 우 영상을 위치시켜 원본 대퇴부 영상과 동일한 크기의 새로운 2개의 영상을 생성함으로써, 양측 대퇴부 영상으로부터 좌측 대퇴부 영상과 우측 대퇴부 영상을 분리할 수 있다.
프로세서(320)는 체성분 분석 장치(120)의 전반적인 동작을 제어할 수 있다.
또한, 프로세서(320)는 대퇴부 영상에서 대퇴부 근육을 해부학적 구조별로 분할하고, 피검체의 체성분을 분석할 수 있다. 이를 위해 프로세서(320)는 근육 분할부(321) 및 체성분 정보 획득부(322)를 포함할 수 있다.
근육 분할부(321)는 대퇴부 영상에서 대퇴부 근육을 해부학적 구조별로 펴짐근(extensor), 굴근(flexor) 및 내전근(adductor)으로 분할할 수 있다. 이때, 근육 분할부(321)는 모델 생성 장치(110)에서 생성된 분할 모델(예컨대, 좌측 하지 분할 모델 및 우측 하지 분할 모델)을 이용할 수 있다. 예컨대, 근육 분할부(321)는 미리 생성된 좌측 하지 분할 모델을 이용하여 좌측 대퇴부 영상에서 대퇴부 근육을 해부학적 구조별로 분할하고, 미리 생성된 우측 하지 분할 모델을 이용하여 우측 대퇴부 영상에서 대퇴부 근육을 해부학적 구조별로 분할할 수 있다.
체성분 정보 획득부(322)는 분할 결과를 이용하여 피검체의 체성분 정보를 획득할 수 있다. 여기서 체성분 정보는 대퇴부 전체 연조직량, 해부학적 구조별 근육량, 전체 근육총량, 근육 내 지방량 및 지방분율, 근육사이 및 피하 지방량 등을 포함할 수 있다.
일 실시예에 따르면, 체성분 정보 획득부(322)는 분할된 각 근육 영역의 픽셀 개수, 픽셀 간격 및 영상 단면 두께(slice thickness)를 이용하여 해부학적 구조별 근육량과 전체 근육총량을 산출할 수 있다. 예컨대, 체성분 정보 획득부(322)는 수학식 1을 이용하여 해부학적 구조별 근육량을 산출하고, 해부학적 구조별 근육량을 모두 합산하여 전체 근육총량을 산출할 수 있다.
여기서, A은 해부학적 구조별 근육량을 나타내고, B은 각 근육 영역의 픽셀 개수를 나타내고, Dx는 x축 방향의 픽셀 간격을 나타내고, Dy는 y축 방향의 픽셀 간격을 나타내고, T는 영상단면 두께를 나타낼 수 있다.
일 실시예에 따르면, 체성분 정보 획득부(322)는 CT 밀도값을 이용하여 대퇴부 영상에서 피부 외곽선을 판단하고, 판단된 피부 외곽선과 분할 결과를 이용하여 근육사이 및 피하 지방량 정보를 획득할 수 있다. 예컨대, 체성분 정보 획득부(322)는 소정의 CT 밀도값(예컨대, -500 HU)을 기준값으로 하여 대퇴부 영상에서 CT 밀도값이 기준값 이상인 영역과 기준값 미만인 영역을 구분하고, 그 경계선을 피부 외곽선으로 판단할 수 있다. 또한 체성분 정보 획득부(322)는 피부 외곽선으로 둘러싸인 피검체 영역에서 분할된 뼈 및 근육 영역을 추출할 수 있다. 이때, 체성분 정보 획득부(322)는 컨벡스 헐 알고리즘(Convex Hull Algorithm)을 이용할 수 있다. 또한, 체성분 정보 획득부(322)는 피부 외곽선으로 둘러싸인 피검체 영역에서 뼈 및 근육 영역을 제거함으로써 근육사이 및 피하 지방 영역을 추출할 수 있다. 체성분 정보 획득부(322)는 대퇴부의 근육사이 및 피하 지방 영역이 추출되면, 근육사이 및 피하 지방 영역의 픽셀 개수, 픽셀 간격 및 영상 단면 두께(slice thickness)를 이용하여 근육사이 및 피하 지방량을 산출할 수 있다. 예컨대, 체성분 정보 획득부(322)는 수학식 2를 이용하여 근육사이 및 피하 지방량을 산출할 수 있다.
여기서, C은 근육사이 및 피하 지방량을 나타내고, D은 근육사이 및 피하 지방 영역의 픽셀 개수를 나타내고, Dx는 x축 방향의 픽셀 간격을 나타내고, Dy는 y축 방향의 픽셀 간격을 나타내고, T는 영상단면 두께를 나타낼 수 있다.
일 실시예에 따르면, 체성분 정보 획득부(322)는 CT 밀도값을 이용하여 대퇴부 영상에서 피부 외곽선을 판단하고, 판단된 피부 외곽선과 분할 결과를 이용하여 대퇴부 전체 연조직량 정보를 획득할 수 있다. 예컨대, 체성분 정보 획득부(322)는 피부 외곽선을 판단하고, 피부 외곽선으로 둘러싸인 피검체 영역에서 분할된 뼈 및 근육 영역을 추출할 수 있다. 이때, 체성분 정보 획득부(322)는 컨벡스 헐 알고리즘(Convex Hull Algorithm)을 이용할 수 있다. 또한, 체성분 정보 획득부(322)는 추출된 뼈 및 근육 영역에서 근육 영역을 제거하여 뼈 영역을 추출하고, 피부 외곽선으로 둘러싸인 피검체 영역에서 뼈 영역을 제거함으로써 연조직 영역을 추출할 수 있다. 체성분 정보 획득부(322)는 연조직 영역이 추출되면, 연조직 영역의 픽셀 개수, 픽셀 간격 및 영상 단면 두께(slice thickness)를 이용하여 대퇴부 전체 연조직량을 산출할 수 있다. 예컨대, 체성분 정보 획득부(322)는 수학식 3을 이용하여 대퇴부 전체 연조직량을 산출할 수 있다.
여기서, E은 대퇴부 전체 연조직량을 나타내고, F은 연조직 영역의 픽셀 개수를 나타내고, Dx는 x축 방향의 픽셀 간격을 나타내고, Dy는 y축 방향의 픽셀 간격을 나타내고, T는 영상단면 두께를 나타낼 수 있다.
일 실시예에 따르면, 체성분 정보 획득부(322)는 CT 밀도값 및 분할 결과를 이용하여 대퇴부의 근육 내 지방량 및 지방분율 정보를 획득할 수 있다. 예컨대, 체성분 정보 획득부(322)는 분할된 각 근육 영역에서 CT 밀도값이 -29 HU ~ 150 HU인 영역을 근육 실질 영역으로 추출하고, CT 밀도값이 -29 HU 이하인 영역을 근육 내 지방 영역으로 추출할 수 있다. 체성분 정보 획득부(322)는 근육 내 지방 영역이 추출되면, 근육 내 지방 영역의 픽셀 개수, 픽셀 간격 및 영상 단면 두께를 이용하여 근육 내 지방량을 산출하고 산출된 근육 내 지방량을 기반으로 근육 내 지방분율을 획득할 수 있다. 예컨대, 체성분 정보 획득부(322)는 수학식 4를 이용하여 근육 내 지방량을 산출할 수 있다.
여기서, G은 근육 내 지방량을 나타내고, H은 근육 내 지방 영역의 픽셀 개수를 나타내고, Dx는 x축 방향의 픽셀 간격을 나타내고, Dy는 y축 방향의 픽셀 간격을 나타내고, T는 영상단면 두께를 나타낼 수 있다.
한편, 대퇴부 근육을 해부학적 구조별로 분할한 결과와, 획득된 체성분 정보는 디스플레이 장치를 통해 출력될 수 있다. 이 경우 체성분 정보 획득부(322)는 사용자의 선택에 따라 좌측 대퇴부 영상, 우측 대퇴부 영상, 또는 좌측 대퇴부 영상과 우측 대퇴부 영상을 합쳐서 하나의 양측 대퇴부 영상으로 사용자에게 제공할 수 있다.
도 4는 양측 대퇴부를 동시에 촬영한 CT 영상으로부터 좌측 대퇴부 영상과 우측 대퇴부 영상을 분리하는 과정을 설명하기 위한 예시도이다.
도 3 및 도 4를 참조하면, 영상 전처리부(310)가 좌측 대퇴부 영상과 우측 대퇴부 영상을 모두 포함하는 하나의 대퇴부 영상(410)을 획득하면, 321영상 전처리부(310)는 획득된 대퇴부 영상(410)을 절반으로 나누어 좌측 대퇴부 영상을 포함하는 좌 영상(420)과 우측 대퇴부 영상을 포함하는 우 영상(430)을 생성할 수 있다.
또한, 영상 전처리부(310)는 원본 대퇴부 영상(410)과 동일한 크기의 2개의 빈 영상의 중심에 각각 좌 영상(420) 및 우 영상(430)을 위치시켜 원본 대퇴부 영상과 동일한 크기의 새로운 2개의 영상(440, 450)을 생성할 수 있다.
이렇게 생성된 영상(440)과 영상(450)은 좌측 하지 분할 모델과 우측 하지 분할 모델에 각각 입력 데이터로 사용되어 각 영상(440, 450) 별로 대퇴부 근육이 분할될 수 있다.
도 5는 대퇴부 근육을 해부학적 구조별로 분할한 결과를 도시한 예시도이다.
도 5를 참조하면, 좌측 대퇴부 영상에서 대퇴부 근육을 해부학적 구조별로 분할한 결과와, 우측 대퇴부 영상에서 대퇴부 근육을 해부학적 구조별로 분할한 결과는 하나의 영상으로 합쳐져 출력될 수 있다. 이때, 분할 결과는 도시된 바와 같이 각 하지별 및/또는 각 근육별로 상이한 색깔로 표시되거나, 상이한 굵기의 선으로 표시되거나, 실선, 점선, 일점쇄선, 이점쇄선 등 상이한 타입의 선으로 표시될 수 있다. 또한, 각 하지별 및/또는 각 근육별로 투명도가 조절될 수도 있다.
또한, 분할 결과와 함께, 분석된 체성분 정보 및 각 영역에 대한 정보도 함께 출력될 수 있다. 이때, 각 영역에 대한 정보는 각 영역의 근육명, 각 영역의 체적 정보 등을 포함할 수 있다.
도 6은 도 1의 체성분 분석 장치의 다른 실시예를 도시한 도면이다.
도 6을 참조하면, 다른 실시예에 따른 체성분 분석 장치(600)는 영상 전처리부(610), 프로세서(620), 입력부(630), 저장부(640), 통신부(650) 및 출력부(660)를 포함할 수 있다. 여기서 영상 전처리부(610) 및 프로세서(630)는 도 3의 영상 전처리부(310) 및 프로세서(320)와 실질적으로 동일하므로 그 상세한 설명은 생략하기로 한다.
입력부(630)는 사용자로부터 다양한 조작신호를 입력 받을 수 있다. 일 실시예에 따르면, 입력부(630)는 키 패드(key pad), 돔 스위치(dome switch), 터치 패드(touch pad), 조그 휠(Jog wheel), 조그 스위치(Jog switch), H/W 버튼 등을 포함할 수 있다. 특히, 터치 패드가 디스플레이와 상호 레이어 구조를 이룰 경우, 이를 터치 스크린이라 부를 수 있다.
저장부(640)는 체성분 분석 장치(600)의 동작을 위한 프로그램 또는 명령들을 저장할 수 있고, 체성분 분석 장치(600)에 입력되는 데이터 및 체성분 분석 장치(600)에서 처리된 결과 데이터를 저장할 수 있다. 예건대 저장부(640)는 분할 모델(좌측 하지 분할 모델 및 우측 하지 분할 모델), 획득된 대퇴부 영상, 분할 모델을 이용하여 대퇴부 근육을 해부학적 구조별로 분할한 결과 데이터, 분할 결과를 이용하여 획득된 체성분 정보 및 체성분 정보 획득 과정에서 획득된 중간 데이터 등을 저장할 수 있다.
저장부(640)는 플래시 메모리 타입(flash memory type), 하드 디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예컨대, SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read Only Memory), PROM(Programmable Read Only Memory), 자기 메모리, 자기 디스크, 광디스크 등 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 체성분 분석 장치(600)는 인터넷 상에서 저장부(640)의 저장 기능을 수행하는 웹 스토리지(web storage) 등 외부 저장 매체를 운영할 수도 있다.
통신부(650)는 외부 장치와 통신을 수행할 수 있다. 예컨대, 통신부(650)는 체성분 분석 장치(600)에 입력된 데이터, 저장된 데이터, 처리된 데이터 등을 외부 장치로 전송하거나, 외부 장치로부터 체성분 분석에 도움이 되는 다양한 데이터를 수신할 수 있다.
이때, 외부 장치는 체성분 분석 장치(600)에 입력된 데이터, 저장된 데이터, 처리된 데이터 등을 사용하는 의료 장비, 결과물을 출력하기 위한 프린트 또는 디스플레이 장치일 수 있다. 이외에도 외부 장치는 디지털 TV, 데스크탑 컴퓨터, 휴대폰, 스마트 폰, 태블릿, 노트북, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션 장치, MP3 플레이어, 디지털 카메라, 웨어러블 디바이스 등 일 수 있으나, 이에 제한되지 않는다.
통신부(650)는 유무선 통신 기술을 이용하여 외부 장치와 통신할 수 있다. 이때 무선 통신 기술은 블루투스(bluetooth) 통신, BLE(Bluetooth Low Energy) 통신, 근거리 무선 통신(Near Field Communication, NFC), WLAN 통신, 지그비(Zigbee) 통신, 적외선(Infrared Data Association, IrDA) 통신, WFD(Wi-Fi Direct) 통신, UWB(ultra-wideband) 통신, Ant+ 통신, WIFI 통신, RFID(Radio Frequency Identification) 통신, 3G 통신, 4G 통신 및 5G 통신 등을 포함할 수 있으나 이는 일 예에 불과할 뿐이며, 이에 한정되는 것은 아니다.
출력부(660)는 체성분 분석 장치(600)에 입력된 데이터, 저장된 데이터, 처리된 데이터 등을 출력할 수 있다. 예컨대, 출력부(660)는 획득된 대퇴부 영상, 분할 모델을 이용하여 대퇴부 근육을 해부학적 구조별로 분할한 결과 데이터, 분할 결과를 이용하여 획득된 체성분 정보 및 체성분 정보 획득 과정에서 획득된 중간 데이터 등을 출력할 수 있다.
일 실시예에 따르면, 출력부(660)는 체성분 분석 장치(600)에 입력된 데이터, 저장된 데이터, 처리된 데이터 등을 청각적 방법, 시각적 방법 및 촉각적 방법 중 적어도 하나의 방법으로 출력할 수 있다. 이를 위해 출력부(660)는 디스플레이, 스피커, 진동기 등을 포함할 수 있다.
도 7은 분할 모델 생성 방법의 일 실시예를 도시한 도면이다.
도 7의 분할 모델 생성 방법은 도 2의 모델 생성 장치(110)에 의해 수행될 수 있다.
도 7을 참조하면, 모델 생성 장치(110)는 대퇴부 근육이 해부학적 구조별로 분할된 대퇴부 영상을 학습 데이터(training data)로 수집할 수 있다(710). 이때, 수집된 학습 데이터는 대퇴부 근육이 해부학적 구조별로 분할된 좌측 대퇴부 영상, 대퇴부 근육이 해부학적 구조별로 분할된 우측 대퇴부 영상, 또는 대퇴부 근육이 해부학적 구조별로 분할된 양측 대퇴부 영상을 포함하며, 대퇴부 영상은 컴퓨터 단층촬영(Computed Tomography, CT) 영상일 수 있다. 모델 생성 장치(110)는 기계학습 알고리즘을 이용하여 수집된 학습 데이터를 학습시켜, 대퇴부 영상에서 대퇴부 근육을 해부학적 구조별로 분할하는 분할 모델을 생성할 수 있다(720). 이때, 기계학습 알고리즘은 객체를 분할하기 위한 의미론적 딥러닝 분할 알고리즘(예컨대, U-Net, SegNet, FineNet 등), 인스턴스 단위 딥러닝 분할 알고리즘(예컨대, Mask R-CNN, HTC(Hybrid Task Cascade for Instance Segmentation) 등)을 포함할 수 있다. 그러나 이는 일 실시예에 불과할 뿐 이에 한정되는 것은 아니다.
일 실시예에 따르면, 모델 생성 장치(110)는 다리별(좌측 하지 및 우측 하지)로 별개의 분할 모델을 생성할 수 있다. 예컨대, 모델 생성 장치(110)는 좌측 하지에 대한 학습 데이터(예컨대, 대퇴부 근육이 해부학적 구조별로 분할된 좌측 대퇴부 영상)를 학습시켜 좌측 하지 분할 모델을 생성하고, 우측 하지에 대한 학습 데이터(예컨대, 대퇴부 근육이 해부학적 구조별로 분할된 우측 대퇴부 영상)를 학습시켜 우측 하지 분할 모델을 생성할 수 있다.
한편, 수집된 대퇴부 영상이 양측 대퇴부 영상인 경우, 모델 생성 장치(110)는 분할 모델을 생성하기 전에, 수집된 양측 대퇴부 영상으로부터 좌측 대퇴부 영상과 우측 대퇴부 영상을 분리할 수 있다. 예컨대, 모델 생성 장치(110)는 수집된 양측 대퇴부 영상을 절반으로 나누어 좌측 대퇴부 영상을 포함하는 좌 영상과 우측 대퇴부 영상을 포함하는 우 영상을 생성하고, 원본 양측 대퇴부 영상과 동일한 크기의 2개의 빈 영상의 중심에 각각 좌 영상 및 우 영상을 위치시켜 원본 대퇴부 영상과 동일한 크기의 새로운 2개의 영상을 생성함으로써, 양측 대퇴부 영상으로부터 좌측 대퇴부 영상과 우측 대퇴부 영상을 분리할 수 있다.
또한, 모델 생성 장치(110)는 분할 모델을 생성하기 전에, 학습 데이터로서 수집된 대퇴부 영상을 전처리할 수 있다. 예컨대 모델 생성 장치(110)는 영상 간 이질성에 따른 영향을 제거하고 정규화할 수 있는 다양한 영상 정규화 알고리즘을 이용하여 수집된 대퇴부 영상을 전처리할 수 있다.
도 8은 체성분 분석 방법의 일 실시예를 도시한 도면이다.
도 8의 체성분 분석 방법은 도 1의 체성분 분석 장치(120) 또는 도 6의 체성분 분석 장치(600)에 의해 수행될 수 있다.
도 8을 참조하면, 체성분 분석 장치(120, 600)는 피검체의 대퇴부 영상을 획득할 수 있다(810). 여기서 대퇴부 영상은 좌측 대퇴부 영상, 우측 대퇴부 영상 또는 양측 대퇴부 영상을 포함하며, 컴퓨터 단층촬영(Computed Tomography, CT) 영상일 수 있다.
일 실시예에 따르면, 체성분 분석 장치(120, 600)는 대퇴부 영상을 촬영 및/또는 저장하는 외부 장치로부터 피검체의 대퇴부 영상을 수신하여 획득할 수 있다. 다른 실시예에 따르면, 체성분 분석 장치(120, 600)는 대퇴부 영상을 촬영하는 CT 장치를 포함하며, 이를 통해 대퇴부 영상을 직접 획득할 수 있다.
체성분 분석 장치(120, 600)는 대퇴부 영상이 획득되면, 획득된 대퇴부 영상을 전처리할 수 있다(820). 예컨대, 체성분 분석 장치(120, 600)는 영상 간 이질성에 따른 영향을 제거하고 정규화할 수 있는 다양한 영상 정규화 알고리즘을 이용하여 수집된 대퇴부 영상을 전처리할 수 있다.
일 실시예에 따르면, 체성분 분석 장치(120, 600)가 좌측 대퇴부 영상과 우측 대퇴부 영상을 모두 포함하는 하나의 양측 대퇴부 영상을 획득한 경우, 체성분 분석 장치(120, 600)는 획득된 하나의 양측 대퇴부 영상으로부터 좌측 대퇴부 영상과 우측 대퇴부 영상을 분리할 수 있다. 예컨대, 체성분 분석 장치(120, 600)는 획득된 양측 대퇴부 영상을 절반으로 나누어 좌측 대퇴부 영상을 포함하는 좌 영상과 우측 대퇴부 영상을 포함하는 우 영상을 생성하고, 원본 양측 대퇴부 영상과 동일한 크기의 2개의 빈 영상의 중심에 각각 좌 영상 및 우 영상을 위치시켜 원본 대퇴부 영상과 동일한 크기의 새로운 2개의 영상을 생성할 수 있다.
체성분 분석 장치(120, 600)는 대퇴부 영상에서 대퇴부 근육을 해부학적 구조별로 분할할 수 있다(830). 이때, 체성분 분석 장치(120, 600)는 각 다리별로 대퇴부 근육을 해부학적 구조별로 분할 수 있다. 예컨대, 체성분 분석 장치(120, 600)는 미리 생성된 좌측 하지 분할 모델을 이용하여 좌측 대퇴부 영상에서 대퇴부 근육을 해부학적 구조별로 분할하고, 미리 생성된 우측 하지 분할 모델을 이용하여 우측 대퇴부 영상에서 대퇴부 근육을 해부학적 구조별로 분할할 수 있다.
체성분 분석 장치(120, 600)는 분할 결과를 이용하여 피검체의 체성분 정보를 획득할 수 있다(840). 여기서 체성분 정보는 대퇴부 전체 연조직량, 해부학적 구조별 근육량, 전체 근육총량, 근육 내 지방량 및 지방분율, 근육사이 및 피하 지방량 등을 포함할 수 있다. 예컨대, 체성분 분석 장치(120, 600)는 전술한 수학식 1 내지 수학식 4를 이용하여 피검체의 체성분 정보를 획득할 수 있다.
본 발명의 일 양상은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있다. 상기의 프로그램을 구현하는 코드들 및 코드 세그먼트들은 당해 분야의 컴퓨터 프로그래머에 의하여 용이하게 추론될 수 있다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함할 수 있다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 디스크 등을 포함할 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드로 작성되고 실행될 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 범위는 전술한 실시 예에 한정되지 않고 특허 청구범위에 기재된 내용과 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.
100: 체성분 분석 시스템
110: 모델 생성 장치
120, 600: 체성분 분석 장치
210: 학습 데이터 수집부
220: 모델 생성부
310, 610: 영상 전처리부
320, 620: 프로세서
321: 근육 분할부
322: 체성분 정보 획득부
630: 입력부
640: 저장부
650: 통신부
660: 출력부
110: 모델 생성 장치
120, 600: 체성분 분석 장치
210: 학습 데이터 수집부
220: 모델 생성부
310, 610: 영상 전처리부
320, 620: 프로세서
321: 근육 분할부
322: 체성분 정보 획득부
630: 입력부
640: 저장부
650: 통신부
660: 출력부
Claims (17)
- 피검체의 대퇴부 영상을 획득하여 정규화하는 영상 전처리부; 및
기계학습 기반의 분할 모델을 이용하여 상기 정규화된 대퇴부 영상에서 대퇴부 근육을 해부학적 구조별로 분할하고, 분할 결과를 이용하여 상기 피검체의 체성분 정보를 획득하는 프로세서; 를 포함하는,
체성분 분석 장치. - 제1항에 있어서,
상기 대퇴부 영상은 컴퓨터 단층촬영(Computed Tomography, CT) 영상인,
체성분 분석 장치. - 제1항에 있어서,
상기 영상 전처리부는 상기 획득된 대퇴부 영상이 양측 하지가 모두 포함된 양측 대퇴부 영상인 경우, 상기 획득된 대퇴부 영상에서 좌측 대퇴부 영상과 우측 대퇴부 영상을 분리하는,
체성분 분석 장치. - 제1항에 있어서,
상기 분할 모델은 좌측 하지 분할 모델 및 우측 하지 분할 모델을 포함하는,
체성분 분석 장치. - 제1항에 있어서,
상기 체성분 정보는 대퇴부 전체 연조직량 정보, 해부학적 구조별 근육량 정보, 전체 근육총량 정보, 근육 내 지방량 및 지방분율 정보, 근육사이 및 피하 지방량 정보를 포함하는,
체성분 분석 장치. - 제1항에 있어서,
상기 프로세서는 상기 대퇴부 근육을 펴짐근(extensor), 굴근(flexor) 및 내전근(adductor)으로 분할하는,
체성분 분석 장치. - 제1항에 있어서,
상기 프로세서는 분할된 각 근육 영역의 픽셀 개수, 픽셀 간격 및 영상 단면 두께를 기반으로 해부학적 구조별 근육량 정보 및 전체 근육총량 정보를 획득하는,
체성분 분석 장치. - 제1항에 있어서,
상기 프로세서는 CT 밀도값을 기반으로 상기 대퇴부 영상에서 피부 외곽선을 판단하고, 상기 분할 결과를 이용하여 뼈 및 근육 영역을 추출하고, 피부 외곽선으로 둘러싸인 피검체 영역에서 상기 추출된 뼈 및 근육 영역을 제거하여 근육사이 및 피하 지방 영역을 추출하고, 상기 추출된 근육사이 및 피하 지방 영역에 대한 정보를 기반으로 근육사이 및 피하 지방량 정보를 획득하는,
체성분 분석 장치. - 제1항에 있어서,
상기 프로세서는 CT 밀도값을 기반으로 각 근육 영역에서 근육 내 지방 영역을 추출하고, 상기 추출된 근육 내 지방 영역에 대한 정보를 기반으로 근육 내 지방량 및 지방분율 정보를 획득하는,
체성분 분석 장치. - 피검체의 대퇴부 영상을 획득하는 단계;
기계학습 기반의 분할 모델을 이용하여 상기 대퇴부 영상에서 대퇴부 근육을 해부학적 구조별로 분할하는 단계; 및
분할 결과를 이용하여 상기 피검체의 체성분 정보를 획득하는 단계; 를 포함하는,
체성분 분석 방법. - 제10항에 있어서,
상기 대퇴부 영상은 컴퓨터 단층촬영(Computed Tomography, CT) 영상인,
체성분 분석 방법. - 제10항에 있어서,
상기 획득된 대퇴부 영상을 정규화하는 단계; 를 더 포함하는,
체성분 분석 방법. - 제10항에 있어서,
상기 획득된 대퇴부 영상이 양측 하지가 모두 포함된 양측 대퇴부 영상인 경우, 상기 획득된 대퇴부 영상에서 좌측 대퇴부 영상과 우측 대퇴부 영상을 분리하는 단계; 를 더 포함하는,
체성분 분석 방법. - 제10항에 있어서,
상기 체성분 정보는 대퇴부 전체 연조직량 정보, 해부학적 구조별 근육량 정보, 전체 근육총량 정보, 근육 내 지방량 및 지방분율 정보, 근육사이 및 피하 지방량 정보를 포함하는,
체성분 분석 방법. - 제10항에 있어서,
상기 피검체의 체성분 정보를 획득하는 단계는,
분할된 각 근육 영역의 픽셀 개수, 픽셀 간격 및 영상 단면 두께를 기반으로 해부학적 구조별 근육량 정보 및 전체 근육총량 정보를 획득하는 단계; 를 포함하는,
체성분 분석 방법. - 제10항에 있어서,
상기 피검체의 체성분 정보를 획득하는 단계는,
CT 밀도값을 기반으로 상기 대퇴부 영상에서 피부 외곽선을 판단하는 단계;
상기 분할 결과를 이용하여 뼈 및 근육 영역을 추출하는 단계;
상기 피부 외곽선으로 둘러싸인 피검체 영역에서 상기 추출된 뼈 및 근육 영역을 제거하여 근육사이 및 피하 지방 영역을 추출하는 단계; 및
상기 추출된 근육사이 및 피하 지방 영역에 대한 정보를 기반으로 근육사이 및 피하 지방량 정보를 획득하는 단계; 를 포함하는,
체성분 분석 방법. - 제10항에 있어서,
상기 피검체의 체성분 정보를 획득하는 단계는,
CT 밀도값을 기반으로 각 근육 영역에서 근육 내 지방 영역을 추출하는 단계; 및
상기 추출된 근육 내 지방 영역에 대한 정보를 기반으로 근육 내 지방량 정보 및 지방분율 정보를 획득하는 단계; 를 포함하는,
체성분 분석 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200090467A KR102421545B1 (ko) | 2020-07-21 | 2020-07-21 | Ct 영상 기반 체성분 분석 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200090467A KR102421545B1 (ko) | 2020-07-21 | 2020-07-21 | Ct 영상 기반 체성분 분석 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220011488A true KR20220011488A (ko) | 2022-01-28 |
| KR102421545B1 KR102421545B1 (ko) | 2022-07-14 |
Family
ID=80051342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200090467A KR102421545B1 (ko) | 2020-07-21 | 2020-07-21 | Ct 영상 기반 체성분 분석 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102421545B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102525396B1 (ko) * | 2022-02-25 | 2023-04-27 | 주식회사 피맥스 | 의료 영상 분석 방법 및 장치 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019118353A1 (en) * | 2017-12-11 | 2019-06-20 | University Of Louisville Research Foundation, Inc. | Automated segmentation of tissue in magnetic resonance imaging |
| KR20190113089A (ko) * | 2018-03-27 | 2019-10-08 | 울산대학교 산학협력단 | 근감소증 분석지원을 위한 인공 신경망 기반의 인체 형태 분석법을 채용하는 영상 처리 장치 및 이를 이용한 영상 처리 방법 |
| KR20200108686A (ko) * | 2019-03-11 | 2020-09-21 | 가천대학교 산학협력단 | 딥러닝 알고리즘을 이용한 근감소증 분석 프로그램 및 애플리케이션 |
-
2020
- 2020-07-21 KR KR1020200090467A patent/KR102421545B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019118353A1 (en) * | 2017-12-11 | 2019-06-20 | University Of Louisville Research Foundation, Inc. | Automated segmentation of tissue in magnetic resonance imaging |
| KR20190113089A (ko) * | 2018-03-27 | 2019-10-08 | 울산대학교 산학협력단 | 근감소증 분석지원을 위한 인공 신경망 기반의 인체 형태 분석법을 채용하는 영상 처리 장치 및 이를 이용한 영상 처리 방법 |
| KR20200108686A (ko) * | 2019-03-11 | 2020-09-21 | 가천대학교 산학협력단 | 딥러닝 알고리즘을 이용한 근감소증 분석 프로그램 및 애플리케이션 |
Non-Patent Citations (1)
| Title |
|---|
| Haque, Hasnine, et al. "Semantic segmentation of thigh muscle using 2.5 d deep learning network trained with limited datasets." arXiv preprint arXiv:1911.09249 (2019). 2019년 11월 21일 공개.* * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102525396B1 (ko) * | 2022-02-25 | 2023-04-27 | 주식회사 피맥스 | 의료 영상 분석 방법 및 장치 |
| WO2023163287A1 (ko) * | 2022-02-25 | 2023-08-31 | 주식회사 피맥스 | 의료 영상 분석 방법 및 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102421545B1 (ko) | 2022-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Carew et al. | Imaging in forensic science: five years on | |
| Zortea et al. | A simple weighted thresholding method for the segmentation of pigmented skin lesions in macroscopic images | |
| US9928600B2 (en) | Computer-aided diagnosis apparatus and computer-aided diagnosis method | |
| JP2021002339A (ja) | 画像内での構造又は物質セグメンテーションに基づいた機械学習分類のための方法及びシステム | |
| US20190295248A1 (en) | Medical image specifying apparatus, method, and program | |
| WO2019102829A1 (ja) | 画像解析方法、画像解析装置、画像解析システム、画像解析プログラム、記録媒体 | |
| JP2015154918A (ja) | 病変検出装置及び方法 | |
| CN112116004B (zh) | 病灶分类方法及装置、病灶分类模型的训练方法 | |
| KR20120041557A (ko) | 영상을 처리하는 방법, 이를 수행하는 영상처리장치 및 의료영상시스템 | |
| Tsai et al. | Principal component analysis in construction of 3D human knee joint models using a statistical shape model method | |
| Areeckal et al. | Early diagnosis of osteoporosis using radiogrammetry and texture analysis from hand and wrist radiographs in Indian population | |
| CN109102501B (zh) | 一种关节图像处理方法及图像处理设备 | |
| KR20140138501A (ko) | 병변 분류 장치, 및 병변 분류 데이터 변경 방법 | |
| KR102421545B1 (ko) | Ct 영상 기반 체성분 분석 장치 및 방법 | |
| AU2020230279A1 (en) | Image Analysis Method and System | |
| Lu et al. | Texture analysis based on Gabor filters improves the estimate of bone fracture risk from DXA images | |
| Bhavya et al. | Cervical spine fracture detection using pytorch | |
| US11769253B2 (en) | Method and system for selecting a region of interest in an image | |
| Pokrajac et al. | Estimation of adipose compartment volumes in CT images of a mastectomy specimen | |
| US20220148172A1 (en) | System and method for detecting medical conditions | |
| WO2021112205A1 (ja) | 画像解析方法、画像解析装置、画像解析システム、制御プログラム、記録媒体 | |
| CN111127636B (zh) | 一种智能的复杂关节内骨折桌面级三维诊断系统 | |
| KR101587720B1 (ko) | 의료 영상의 분산 이미지 노이즈를 활용한 골밀도 진단 장치 및 이의 골밀도 진단 정보 제공 방법 | |
| CN112541907A (zh) | 一种图像识别方法、装置、服务器及介质 | |
| US20240095916A1 (en) | Information processing apparatus, information processing method, and information processing program |
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 |