KR20220023841A - 알츠하이머 병 분류를 위한 mr 이미지 분석 시스템 및 방법 - Google Patents

알츠하이머 병 분류를 위한 mr 이미지 분석 시스템 및 방법 Download PDF

Info

Publication number
KR20220023841A
KR20220023841A KR1020200104474A KR20200104474A KR20220023841A KR 20220023841 A KR20220023841 A KR 20220023841A KR 1020200104474 A KR1020200104474 A KR 1020200104474A KR 20200104474 A KR20200104474 A KR 20200104474A KR 20220023841 A KR20220023841 A KR 20220023841A
Authority
KR
South Korea
Prior art keywords
image data
layer
unit
image
neural network
Prior art date
Application number
KR1020200104474A
Other languages
English (en)
Other versions
KR102432766B1 (ko
Inventor
최흥국
김초희
박현균
Original Assignee
인제대학교 산학협력단
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 인제대학교 산학협력단 filed Critical 인제대학교 산학협력단
Priority to KR1020200104474A priority Critical patent/KR102432766B1/ko
Publication of KR20220023841A publication Critical patent/KR20220023841A/ko
Application granted granted Critical
Publication of KR102432766B1 publication Critical patent/KR102432766B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G06N3/0427—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Theoretical Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Psychology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Hospice & Palliative Care (AREA)
  • Neurosurgery (AREA)
  • Developmental Disabilities (AREA)
  • Fuzzy Systems (AREA)
  • Signal Processing (AREA)

Abstract

본 발명은 자기 공명 영상으로부터 알츠하이머 병을 분류하는 시스템 및 방법에 관한 것이다.
본 발명은, 뇌의 자기 공명 영상 데이터 중 해마 영역을 검출하여 이를 분할한 후, 분할된 해마 영상 데이터의 노이즈 및 휘도 레벨을 변환한 다음, 해마 영상 데이터와 진단 데이터를 이용하여 신경망을 학습할 수 있고, 알츠하이머 병의 진행 단계를 분류할 수 있다.

Description

알츠하이머 병 분류를 위한 MR 이미지 분석 시스템 및 방법 { MAGNETIC RESONANCE IMAGE ANALYSIS SYSTEM AND METHOD FOR ALZHEIMER'S DISEASE CLASSIFICATION }
본 발명은 자기 공명 영상으로부터 알츠하이머 병을 분류하는 시스템 및 방법에 관한 것이다.
더욱 상세하게는, 뇌의 자기 공명 영상 중 해마 영역을 검출하고, 컨볼루션 신경망 및 완전 연결 신경망을 이용하여 해마 영역의 자기 공명 영상으로부터 알츠하이머 병을 판단하는 시스템 및 그 방법에 관한 것이다.
치매(dementia)는 퇴행성 뇌질환 또는 뇌혈관계 질환 등으로 인하여 기억력, 언어 능력, 지남력, 판단력 및 수행 능력 등의 인지 기능이 저하됨으로써 일상 생활에서 지장을 초래하는 후천적인 다발성 장애이다.
치매의 가장 흔한 형태는 알츠하이머 병(Alzheimer's Disease)이고, 이는 전체 치매 질환 중 2/3 정도의 비율을 이루고 있다. 알츠하이머 병은 치매를 일으키는 퇴행성 뇌질환으로서, 매우 서서히 발병하여 기억력 등의 인지 기능을 점점 약화시킬 수 있다.
알츠하이머 병에 의해 가장 많이 영향을 받는 뇌의 영역은 해마(hippocampus)이다. 해마는 뇌의 왼쪽 및 오른쪽 측두엽 안에 존재하며, 기억을 담당하는 역할을 한다. 해마는 약 1cm의 지름과 약 5cm의 길이를 가지고 있으며, 약 107개의 뉴런을 포함한다. 해마의 뉴런 한 개는, 약 2만 내지 3만 개의 다른 뉴런과 연결되어 기억력을 향상시킬 수 있다
알츠하이머 병은 진행 단계에 따라, 정상 제어 상태(Normal Control, NC)와, 치매가 되기 바로 전 단계인 경도인지장애 상태(Mild Cognitive Impairment, MCI), 알츠하이머 병 상태(Alzheimer's Disease, AD)로 구분할 수 있다.
알츠하이머 병은 진행 단계가 악화 될수록, 해마가 손상되거나, 해마의 부피와 표면적이 줄어들어 위축될 수 있다. 따라서 해마의 상태는, 알츠하이머 병의 임상 진단을 위한 매우 중요한 지표가 될 수 있다.
그러나 의료진들이, 뇌를 촬영한 자기 공명 영상(Magnetic Resonance Imaging, MRI), 컴퓨터 단층 촬영(Computerized Tomography, CT) 등의 영상을 직접 관찰하여, 알츠하이머 병의 진행 상태를 판단하기 때문에, 오진의 가능성이 존재할 수 있다.
또한, 뇌를 촬영한 영상으로부터 해마의 형태가 명확하게 나타나지 않을 수 있으므로, 의료진들은 수작업으로 뇌를 촬영한 영상에서 해마를 검출해야 하는 번거로움이 있을 수 있으며, 이러한 과정에서 해마를 정확하게 검출하지 못해 임상 진단의 오류가 발생할 수도 있다.
따라서, 뇌를 촬영한 영상으로부터 해마를 보다 명확하게 검출할 수 있고, 이를 바탕으로 사람의 알츠하이머 병의 진행 단계를 정확하게 판단하여, 오진의 가능성을 저감할 수 있는 방법이 요구되고 있다.
본 발명의 목적은 상기와 같은 문제점을 해결하기 위한 것으로, 자기 공명 영상으로부터 알츠하이머 병을 분류하는 시스템 및 방법을 제공하는 것이다.
상기와 같은 목적을 달성하기 위하여 본 발명은, 뇌를 자기 공명 영상 장치로 촬영한 제 3 뇌 영상 데이터(I3)에서 해마 영역을 검출하여, 제 3 해마 영상 데이터(H3)를 생성하는 영상 전처리 모듈과; 상기 제 3 해마 영상 데이터(H3)의 노이즈 레벨과 휘도 레벨을 변환하는 영상 후처리 모듈과; 알츠하이머 병의 진행 단계에 대응하는 출력층(OL)의 유닛을 하나 이상 포함하고, 상기 제 3 해마 영상 데이터(H3)로부터 상기 출력층(OL)의 유닛의 값을 산출하며, 가장 큰 값을 가지는 상기 출력층(OL)의 유닛에 대응하는 알츠하이머 병의 진행 단계를, 상기 제 3 해마 영상 데이터(H3)로부터 분류한 알츠하이머 병의 진행 단계로 판단한 후 제 3 진단 데이터(C3)를 생성하는 신경망 모듈을 포함하는 제 MR 이미지 분석 시스템을 제공한다.
본 발명의 다른 실시예는, MR 이미지 분석 시스템에 있어서, (S1) 영상 전처리 모듈이 ICBM 템플릿을 로드하는 단계와; (S2) 상기 영상 전처리 모듈이, 뇌를 자기 공명 영상 장치로 촬영한 제 3 뇌 영상 데이터(I3)를 전달 받는 단계와; (S3) 상기 영상 전처리 모듈이 상기 제 3 뇌 영상 데이터(I3)를 리슬라이싱 하는 단계와; (S4) 상기 영상 전처리 모듈이 상기 제 3 뇌 영상 데이터(I3)의 영역 별 정보를 입력하는 단계와; (S5) 상기 영상 전처리 모듈이 상기 제 3 뇌 영상 데이터(I3)에서 해마 영역을 검출하고, 상기 해마 영역을 분할하여 제 3 해마 영상 데이터(H3)를 생성하는 단계와; (S6) 영상 후처리 모듈이, 상기 제 3 해마 영상 데이터(H3)의 노이즈 레벨 및 휘도 레벨을 각각, 제 1 해마 영상 데이터(H1) 또는 제 2 해마 영상 데이터(H2)의 노이즈 레벨 및 휘도 레벨과 동일하게 변환하는 단계와; (S7) 신경망 모듈이 상기 제 3 해마 영상 데이터(H3)로부터 출력층(OL)의 유닛의 값을 산출하는 단계와; (S8) 상기 신경망 모듈이, 상기 출력층(OL)의 유닛 중 가장 큰 값을 가지는 유닛에 대응하는 알츠하이머 병의 진행 단계를, 상기 제 3 해마 영상 데이터(H3)의 알츠하이머 병의 진행 단계로 판단한 후, 제 3 진단 데이터(C3)를 생성하는 단계를 포함하는 MR 이미지 분석 방법을 제공한다.
본 발명은, 뇌를 자기 공명 영상 장치로 촬영한 영상 데이터를 전처리하여 해마 영역을 검출한 후, 진단 데이터와 함께 신경망 학습과 시험을 실행한 다음, 신경망의 파라미터를 결정할 수 있다. 이에 따라 새로운 뇌 MRI 영상 데이터로부터 알츠하이머 병의 진행 단계를 분류할 수 있다.
특히, 뇌 MRI 영상 데이터의 전 영역이 아닌, 해마 영역을 대상으로 신경망 학습과 시험을 실행하여 신경망의 파라미터를 결정할 수 있기 때문에, 알츠하이머 병의 진행 단계의 분류 정확도를 향상할 수 있다.
도 1a는 본 발명의 일 실시 예에 따라 신경망 학습 단계와 신경망 시험 단계에서 MR 이미지 분석 시스템을 간략하게 나타낸 블록도이고, 도 1b는 본 발명의 일 실시예에 따라 신경망 운영 단계에서 MR 이미지 분석 시스템을 간략하게 나타낸 블록도이며, 도 1c는 신경망 모듈이 포함하는 구성들을 간략하게 나타낸 블록도이다.
도 2는 본 발명의 일 실시 예에 따라 MR 이미지 분석 방법을 간략하게 나타낸 순서도이다.
도 3a는 본 발명의 일 실시 예에 따라 영상 데이터의 그룹 별 분류 정확도를 나타낸 표이고, 도 3b는 영상 데이터의 그룹 별 분류 정확도, 민감도, 특이도, 양성 및 음성 예측가를 나타낸 표이다. 도 3c는 본 발명의 일 실시 예와 비교 예의 분류 정확도를 나타낸 표이다.
본 발명은 취지를 벗어나지 않는 한도에서 다양하게 변경하여 실시할 수 있고, 하나 이상의 실시 예를 가질 수 있다. 그리고 본 발명에서 “발명을 실시하기 위한 구체적인 내용” 및 “도면” 등에 기재한 실시 예는, 본 발명을 구체적으로 설명하기 위한 예시이며, 본 발명의 권리 범위를 제한하거나 한정하는 것은 아니다.
따라서, 본 발명이 속하는 기술 분야의 통상의 지식을 가진 자가, 본 발명의 “발명을 실시하기 위한 구체적인 내용” 및 “도면” 등으로부터 용이하게 유추할 수 있는 것은, 본 발명의 범위에 속하는 것으로 해석할 수 있다.
또한, 도면에 표시한 각 구성 요소들의 크기와 형태는, 실시 예의 설명을 위해 과장되어 표현한 것 일 수 있으며, 실제로 실시되는 발명의 크기와 형태를 한정하는 것은 아니다.
본 발명의 명세서에서 사용되는 용어를 특별히 정의하지 않는 이상, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 일반적으로 이해하는 것과 동일한 의미를 가질 수 있다.
이하, 도면을 참조하여 본 발명의 실시 예를 상세하게 설명한다.
도 1a는 본 발명의 일 실시 예에 따라 신경망 학습 단계와 신경망 시험 단계에서 MR 이미지 분석 시스템을 간략하게 나타낸 블록도이고, 도 1b는 본 발명의 일 실시예에 따라 신경망 운영 단계에서 MR 이미지 분석 시스템을 간략하게 나타낸 블록도이며, 도 1c는 신경망 모듈이 포함하는 구성들을 간략하게 나타낸 블록도이다.
본 발명의 일 실시 예에 따른 MR 이미지 분석 시스템(100)은, 입출력 모듈(110)과 저장 모듈(120), 영상 전처리 모듈(130), 영상 후처리 모듈(140), 신경망 모듈(150)을 포함할 수 있다.
입출력 모듈(110)은 MR 이미지 분석 시스템(100)의 외부에서, 뇌 MRI 학습 데이터 셋(TRAIN_SET)과 뇌 MRI 시험 데이터 셋(TEST_SET)을 입력 받을 수 있다.
뇌 MRI 학습 데이터 셋(TRAIN_SET)과 뇌 MRI 시험 데이터 셋(TEST_SET)은, 알츠하이머 병 뇌 영상 선도 연구(Alzheimer's Disease Neuroimaging Initiative, ADNI)의 데이터베이스에서 획득한 데이터 셋일 수 있다.
뇌 MRI 학습 데이터 셋(TRAIN_SET)은 뇌를 자기 공명 영상 장치로 촬영한 하나 이상의 제 1 뇌 영상 데이터(I1)와, 이를 판독한 하나 이상의 제 1 진단 데이터(C1)를 포함할 수 있다. 뇌 MRI 시험 데이터 셋(TEST_SET)은 뇌를 자기 공명 영상 장치로 촬영한 하나 이상의 제 2 뇌 영상 데이터(I2)와, 이를 판독한 하나 이상의 제 2 진단 데이터(C2)를 포함할 수 있다.
제 1 뇌 영상 데이터(I1)와 제 2 뇌 영상 데이터(I2)는, 의료용 디지털 영상 및 통신 표준(Digital Imaging and Communications in Medicine, DICOM)의 데이터 구조와 인코딩 형식을 따를 수 있다.
입출력 모듈(110)은, 제 1 뇌 영상 데이터(I1)와 제 2 뇌 영상 데이터(I2)를 BMP, TIFF, JPEG, GIF, PNG 등의 이미지 포맷으로 변환할 수 있으며, 이에 한정하지 않고 다른 종류의 이미지 포맷으로 변환할 수도 있다.
입출력 모듈(110)은, MR 이미지 분석 시스템(100)과 개인 통신망(Personal Area Network, PAN), 근거리 통신망(Local Area Network, LAN), 도시권 통신망(Metropolitan Area Network, MAN), 광역 통신망(Wide Area Network, WAN)으로 연결된 다른 컴퓨팅 장치로부터, TCP/IP(Transmission Control Protocol/Internet Protocol), SMB(Server Message Block), CIFS(Common Internet File System), NFS(Network File System) 등의 프로토콜, 또는 다른 컴퓨터 통신 프로토콜을 통해, 뇌 MRI 학습 데이터 셋(TRAIN_SET)과 뇌 MRI 시험 데이터 셋(TEST_SET)를 전송 받을 수 있다.
또는 입출력 모듈(110)은, 직렬 포트(serial port), 병렬 포트(parallel port), SCSI(Small Computer System Interface), USB(Universal Serial Bus), IEEE 1394, ATA(Advanced Technology Attachment), SATA(Serial Advanced Technology Attachment) 등의 데이터 입출력 단자, 또는 다른 데이터 입출력 단자와 연결된 주변 기기로부터, 뇌 MRI 학습 데이터 셋(TRAIN_SET)과 뇌 MRI 시험 데이터 셋(TEST_SET)를 전송 받을 수도 있다.
입출력 모듈(110)은, 입력 받은 뇌 MRI 학습 데이터 셋(TRAIN_SET)과 뇌 MRI 시험 데이터 셋(TEST_SET)를 저장 모듈(120)로 전달할 수 있다.
저장 모듈(120)은 뇌 MRI 학습 데이터 셋(TRAIN_SET)과 뇌 MRI 시험 데이터 셋(TEST_SET)를 저장할 수 있다.
저장 모듈(120)은 뇌 MRI 학습 데이터 셋(TRAIN_SET)과 뇌 MRI 시험 데이터 셋(TEST_SET)를 저장하기 위해, 기억 장치를 포함할 수 있다. 기억 장치는 하드 디스크 드라이브(hard disk drive), 광학 디스크 드라이브(optical disc drive), 자기 테이프(magnetic tape), 플로피 디스크(floppy disk), 플래시 메모리(flash memory), SSD(Solid State Drive) 등의 비휘발성 메모리 장치이거나, 램(Random Access Memory) 등의 휘발성 메모리 장치일 수 있으며, 이중 어느 것에 한정하지 않고 다른 종류의 기억 장치일 수도 있다.
영상 전처리 모듈(130)은 제 1 뇌 영상 데이터(I1)와 제 2 뇌 영상 데이터(I2)에서 해마 영역을 검출할 수 있다.
영상 전처리 모듈(130)은, 저장 모듈(120)로부터 뇌 MRI 학습 데이터 셋(TRAIN_SET)과 뇌 MRI 시험 데이터 셋(TEST_SET)을 로드(load) 할 수 있다.
영상 전처리 모듈(130)은 제 1 뇌 영상 데이터(I1)와 제 2 뇌 영상 데이터(I2)를, 국제 뇌 맵핑 협회(International Consortium for Brain Mapping, ICBM)의 ICBM 템플릿으로 변환할 수 있다.
이를 위해 영상 전처리 모듈(130)은 제 1 뇌 영상 데이터(I1)와 제 2 뇌 영상 데이터(I2)를, ICBM 템플릿과 일치하도록 리슬라이싱(re-slicing) 할 수 있다.
영상 전처리 모듈(130)은, 제 1 뇌 영상 데이터(I1)와 제 2 뇌 영상 데이터(I2)에서 데이터 포인트를 설정하여 그리드를 형성한 다음, B-스플라인(B-spline) 함수를 이용하여 리슬라이싱 할 수 있으며, 이때 사용하는 B-스플라인 함수는 다음 수학식1과 같을 수 있다.
Figure pat00001
Figure pat00002
Figure pat00003
Figure pat00004
는 B-스플라인 함수이고,
Figure pat00005
는 실축 상에서 마디를 나타내며,
Figure pat00006
의 조건을 만족할 수 있다.
영상 전처리 모듈(130)은, 제 1 뇌 영상 데이터(I1)와 제 2 뇌 영상 데이터(I2)를 리슬라이싱 한 다음, 영역 별 정보를 입력할 수 있다. 예를 들어 영상 전처리 모듈(130)은, 해마 영역, 회색질(Gray Matter, GM) 영역, 백색질(White Matter, WM) 영역, 뇌척수액(Cerebrospinal Fluid, CSF) 영역 등을, 리슬라이싱 한 제 1 뇌 영상 데이터(I1)와 제 2 뇌 영상 데이터(I2)에 표시할 수 있다.
영상 전처리 모듈(130)은, 리슬라이싱 한 제 1 뇌 영상 데이터(I1)와 제 2 뇌 영상 데이터(I2)에서 해마 영역을 검출하여, 이를 제 1 뇌 영상 데이터(I1)와 제 2 뇌 영상 데이터(I2)에서 분할함으로써, 각각 제 1 해마 영상 데이터(H1)와 제 2 해마 영상 데이터(H2)를 생성할 수 있다.
영상 전처리 모듈(130)은, 리슬라이싱 한 제 1 뇌 영상 데이터(I1)와 제 2 뇌 영상 데이터(I2), 제 1 해마 영상 데이터(H1)와 제 2 해마 영상 데이터(H2)를 저장 모듈(120)로 전달할 수 있다. 그리고 영상 전처리 모듈(130)은, 제 1 해마 영상 데이터(H1)와 제 2 해마 영상 데이터(H2)를 영상 후처리 모듈(140)로 전달할 수 있다.
영상 후처리 모듈(140)은, 제 1 해마 영상 데이터(H1)와 제 2 해마 영상 데이터(H2)의 노이즈와 휘도를 균일화 할 수 있다.
각각 하나 이상의 제 1 해마 영상 데이터(H1)는 서로 다른 노이즈 레벨 및 휘도 레벨을 가질 수 있다. 마찬가지로 각각 하나 이상의 제 2 해마 영상 데이터(H2)는 서로 다른 노이즈 레벨 및 휘도 레벨을 가질 수 있다.
영상 후처리 모듈(140)은, LEMS(Local Entropy Minimization with a bi-cubic Spline model)를 이용하여 하나 이상의 제 1 해마 영상 데이터(H1) 사이의 노이즈 레벨 및 휘도 레벨을 균일화 할 수 있다. 그리고 영상 후처리 모듈(140)은, LEMS를 이용하여 하나 이상의 제 2 해마 영상 데이터(H2) 사이의 노이즈 레벨 및 휘도 레벨을 균일화 할 수 있다.
영상 후처리 모듈(140)은, 후처리 한 제 1 해마 영상 데이터(H1)와 제 2 해마 영상 데이터(H2)를 저장 모듈(120)로 전달할 수 있다. 그리고 영상 후처리 모듈(140)은, 후처리 한 제 1 해마 영상 데이터(H1)와 제 2 해마 영상 데이터(H2)를 신경망 모듈(150)로 전달할 수 있다.
신경망 모듈(150)은, 해마 영상 데이터로부터 진단 데이터를 출력할 수 있다.
신경망 모듈(150)은, 저장 모듈(120)로부터 뇌 MRI 학습 데이터 셋(TRAIN_SET)과 뇌 MRI 시험 데이터 셋(TEST_SET)를 로드하여, 제 1 진단 데이터(C1) 및 제 2 진단 데이터(C2)를 획득할 수 있다.
신경망 모듈(150)은 컨볼루션 신경망(convolutional neural network)으로 이루어질 수 있다. 신경망 모듈(150)은 컨볼루션 계층(CL1 ~ CLn)과 최대 풀링 계층(MPL1 ~ MPLn), 커널(K1 ~ Kn)을 각각 하나 이상 포함할 수 있다. 그리고 컨볼루션 계층(CL1 ~ CLn)과 최대 풀링 계층(MPL1 ~ MPLn), 커널(K1 ~ Kn)은 각각, 2차원의 행렬 형태로 이루어지며 원소를 구비할 수 있다.
신경망 모듈(150)은, 플래튼 계층(flatten layer, FL)과 하나 이상의 은닉층(HL1 ~ HLm), 출력층(OL)을 더 포함할 수 있다. 플래튼 계층(FL), 은닉층(HL1 ~ HLm), 출력층(OL) 각각은 1차원의 벡터 형태로 이루어지며, 완전 연결 계층을 이룰 수 있다. 그리고 플래튼 계층(FL)과 은닉층(HL1 ~ HLm), 출력층(OL)은 각각, 하나 이상의 유닛을 포함할 수 있다. 이때 플래튼 계층(FL)의 유닛의 개수는, 제 n 최대 풀링 계층(MPLn)의 행렬 원소의 개수와 동일할 수 있다.
출력층(OL)의 유닛은 각각, 알츠하이머 병의 진행 단계를 나타낼 수 있다. 예를 들어, 출력층(OL)은 3개의 유닛(출력층 유닛)을 포함할 수 있고, 각각의 유닛은 정상 제어 상태(NC), 경도인지장애 상태(MCI), 알츠하이머 병 상태(AD)를 나타낼 수 있다.
플래튼 계층(FL)의 유닛은, 제 1 은닉층(HL1)의 모든 유닛들과 연결되어 완전 연결(fully connected)을 이룰 수 있다. 제 j-1 은닉층(HLj-1)의 유닛은, 제 j 은닉층(HLj)의 모든 유닛들과 연결되어 완전 연결을 이룰 수 있다. (2≤j≤m, j는 자연수) 마지막 은닉층인 제 m 은닉층(HLm)의 유닛은, 출력층(OL)의 모든 유닛들과 연결되어 완전 연결을 이룰 수 있다. 그리고 유닛들 사이의 연결은 가중치 정보(W)를 포함할 수 있다.
은닉층(HL1 ~ HLm)과 출력층(OL)의 유닛들은 각각, 편향 정보(B)를 포함할 수 있다.
< 신경망 학습 단계 >
본 발명의 일 실시예에 따른 MR 이미지 분석 시스템에서 신경망 학습 단계를 설명한다.
신경망 모듈(150)은, 커널(K1 ~ Kn)의 원소를 무작위 값으로 초기화 할 수 있다. 또한 신경망 모듈(150)은 제 1 해마 영상 데이터(H1)를 행렬 형태인 입력 특징 맵(IFM)으로 변환할 수 있다. 이때 입력 특징 맵(IFM)에서 행렬의 원소는, 제 1 해마 영상 데이터(H1)의 픽셀 값을 나타낼 수 있다.
신경망 모듈(150)은, 입력 특징 맵(IFM)과 제 1 커널(K1)에서 대응하는 위치의 원소(행 및 열이 같은 위치의 원소)를 서로 곱한 후, 곱한 값들을 합산하는 단일 곱셈 누산(Fused Multiply-Add, FMA) 연산을 실행하여, 하나의 원소를 산출할 수 있다. 신경망 모듈(150)은, 제 1 커널(K1)을 설정한 스트라이드(stride) 만큼 이동시킨 다음, 입력 특징 맵(IFM)과 제 1 커널(K1) 사이에서 단일 곱셈 누산(FMA) 연산을 실행하여, 스트라이드 만큼 이동시킨 행렬 위치에 대응하는 다른 원소를 산출할 수 있으며, 이와 같은 작업을 반복함으로써 컨볼루션 연산(convolution)을 완료할 수 있다.
신경망 모듈(150)은, 산출된 원소들에 제 1 활성화 함수(activation function)를 적용하여, 제 1 컨볼루션 계층(CL1)을 생성할 수 있다. 이때 제 1 활성화 함수로 ReLU 함수를 적용할 수 있으나, 이에 한정하지 않고 다른 종류의 함수를 적용할 수도 있다.
신경망 모듈(150)은, 제 1 컨볼루션 계층(CL1)을 일정한 크기를 가진 영역으로 분할한 다음, 분할된 영역에서 가장 큰 값을 가지는 원소를 추출하여 제 1 최대 풀링 계층(MPL1)을 생성할 수 있다. 예를 들어, 가로 크기가 2이고, 세로 크기가 2인 영역으로, 제 1 컨볼루션 계층(CL1)을 분할할 수 있으며, 제 1 최대 풀링 계층(MPL1)의 가로 및 세로 크기는 각각 제 1 컨볼루션 계층(CL1)의 가로 및 세로 크기의 1/2이 될 수 있다.
신경망 모듈(150)은, 이전 최대 풀링 계층과 커널 사이에 컨볼루션 연산을 실행한 후, 산출된 원소들에 제 1 활성화 함수를 적용하여 컨볼루션 계층을 생성하는 작업과, 컨볼루션 계층을 분할하여 다음 최대 풀링 계층을 생성하는 작업을 반복적으로 실행할 수 있다.
예를 들어 신경망 모듈(150)은, 제 i-1 최대 풀링 계층(MPLi-1)과 제 i 커널(Ki) 사이에서 컨볼루션 연산을 실행한 다음, 제 1 활성화 함수를 적용하여 제 i 컨볼루션 계층(CLi)을 생성할 수 있다. (2≤i≤n, i는 자연수) 제 i-1 최대 풀링 계층(MPLi-1)과 제 i 커널(Ki) 사이의 컨볼루션 연산 과정은, 입력 특징 맵(IFM)과 제 1 커널(K1) 사이의 컨볼루션 연산 과정과 동일할 수 있다. 그리고 신경망 모듈(150)은, 제 i 컨볼루션 계층(CLi)을 일정한 크기를 가진 영역으로 분할한 다음, 분할된 영역에서 가장 큰 값을 가지는 원소를 추출하여 제 i 최대 풀링 계층(MPLi)을 생성할 수 있다. 신경망 모듈(150)은 제 n 최대 풀링 계층(MPLn)을 생성할 때까지, 제 i 컨볼루션 계층(CLi)과 제 i 최대 풀링 계층(MPLi)을 생성하는 작업을 반복적으로 실행할 수 있다.
신경망 모듈(150)은, 2차원의 행렬 형태인 제 n 최대 풀링 계층(MPLn)을 1차원의 벡터 형태로 변환할 수 있다. 그리고 신경망 모듈(150)은 벡터 형태로 변환된 제 n 최대 풀링 계층(MPLn)의 원소들을 각각, 플래튼 계층(FL)의 유닛에 대응시킬 수 있다.
신경망 모듈(150)은, 유닛들 사이의 연결에 포함된 가중치 정보(W)와, 은닉층(HL1 ~ HLm)과 출력층(OL)의 유닛들에 포함된 편향 정보(B)를 무작위 값으로 초기화 할 수 있다.
신경망 모듈(150)은, 제 1 은닉층(HL1)의 제 1 유닛(UHL1,1) 및 플래튼 계층(FL)의 제 1 유닛(UFL,1) 사이의 가중치 정보(W)와, 플래튼 계층(FL)의 제 1 유닛(UFL,1)의 값을 서로 곱할 수 있다. 신경망 모듈(150)은, 제 1 은닉층(HL1)의 제 1 유닛(UHL1,1) 및 플래튼 계층(FL)의 다른 유닛 사이의 가중치 정보(W)와, 플래튼 계층(FL)의 다른 유닛의 값을 서로 곱할 수 있다. 신경망 모듈(150)은, 곱한 값들과 제 1 은닉층(HL1)의 제 1 유닛(UHL1,1)의 편향 정보(B)를 모두 더한 다음, 제 2 활성화 함수를 적용하여 제 1 은닉층(HL1)의 제 1 유닛(UHL1,1)의 값을 산출할 수 있다. 이때 제 2 활성화 함수는 시그모이드(sigmoid), 하이퍼볼릭 탄젠트(tanh), ReLU 등을 적용할 수 있으나, 이에 한정하지 않고 다른 함수를 적용할 수도 있다. 또한 신경망 모듈(150)은, 제 1 은닉층(HL1)의 제 1 유닛(UHL1,1)의 값을 산출하는 과정과 동일한 방법을 이용하여, 제 1 은닉층(HL1)의 다른 유닛의 값을 산출할 수 있다.
신경망 모듈(150)은, 제 j 은닉층(HLj)의 제 1 유닛(UHLj,1) 및 제 j-1 은닉층(HLj-1)의 제 1 유닛(UHLj-1,1) 사이의 가중치 정보(W)와, 제 j-1 은닉층(HLj-1)의 제 1 유닛(UHLj-1,1)의 값을 서로 곱할 수 있다. (2≤j≤m, j는 자연수) 신경망 모듈(150)은, 제 j 은닉층(HLj)의 제 1 유닛(UHLj,1) 및 제 j-1 은닉층(HLj-1)의 다른 유닛 사이의 가중치 정보(W)와, 제 j-1 은닉층(HLj-1)의 다른 유닛의 값을 서로 곱할 수 있다. 신경망 모듈(150)은, 곱한 값들과 제 j 은닉층(HLj)의 제 1 유닛(UHLj,1)의 편향 정보(B)를 모두 더한 다음, 제 2 활성화 함수를 적용하여 제 j 은닉층(HLj)의 제 1 유닛(UHLj,1)의 값을 산출할 수 있다. 또한 신경망 모듈(150)은, 제 j 은닉층(HLj)의 제 1 유닛(UHLj,1)의 값을 산출하는 과정과 동일한 방법을 이용하여, 제 j 은닉층(HLj)의 다른 유닛의 값을 산출할 수 있다.
신경망 모듈(150)은, 출력층(OL)의 제 1 유닛(UOL,1) 및 제 m 은닉층(HLm)의 제 1 유닛(UHLm,1) 사이의 가중치 정보(W)와, 제 m 은닉층(HLm)의 제 1 유닛(UHLm,1)의 값을 서로 곱할 수 있다. 신경망 모듈(150)은, 출력층(OL)의 제 1 유닛(UOL,1) 및 제 m 은닉층(HLm)의 다른 유닛 사이의 가중치 정보(W)와, 제 m 은닉층(HLm)의 다른 유닛의 값을 서로 곱할 수 있다. 신경망 모듈(150)은, 곱한 값들과 출력층(OL)의 제 1 유닛(UOL,1)의 편향 정보(B)를 모두 더한 다음, 제 2 활성화 함수를 적용하여 출력층(OL)의 제 1 유닛(UOL,1)의 값을 산출할 수 있다. 또한 신경망 모듈(150)은, 출력층(OL)의 제 1 유닛(UOL,1)의 값을 산출하는 과정과 동일한 방법을 이용하여, 출력층(OL)의 다른 유닛의 값을 산출할 수 있다.
신경망 모듈(150)은, 출력층(OL)의 유닛의 값과 제 1 진단 데이터(C1)를 손실 함수(loss function)에 입력한 다음, 이를 역전파(back propagation)하여 커널(K1 ~ Kn)의 원소와 가중치 정보(W), 편향 정보(B)를 갱신할 수 있다. 이때 손실 함수는 평균 제곱 오차(Mean Square Error, MSE), 평균 제곱근 오차(Root Mean Square Error, RMSE), 교차 엔트로피 오차(Cross Entropy Error, CEE) 함수 등을 적용할 수 있으나, 이에 한정하지 않고 다른 함수를 적용할 수도 있다.
신경망 모듈(150)은, 손실 함수의 값이 일정한 값으로 수렴할 때 까지, 또는 설정한 학습 시간 동안 반복적으로 신경망을 학습하여, 커널(K1 ~ Kn)의 원소와 가중치 정보(W), 편향 정보(B)를 갱신할 수 있다.
< 신경망 시험 단계 >
본 발명의 일 실시예에 따른 MR 이미지 분석 시스템에서 신경망 시험 단계를 설명한다.
신경망 모듈(150)은, 신경망 학습 단계에서 갱신한 커널(K1 ~ Kn)의 원소와 가중치 정보(W), 편향 정보(B)를 변경하지 않고 계속 사용할 수 있다. 또한 신경망 모듈(150)은 제 2 해마 영상 데이터(H2)를 행렬 형태인 입력 특징 맵(IFM)으로 변환할 수 있다. 이때 입력 특징 맵(IFM)에서 행렬의 원소는, 제 2 해마 영상 데이터(H2)의 픽셀 값을 나타낼 수 있다.
신경망 모듈(150)은, 입력 특징 맵(IFM)과 제 1 커널(K1) 사이에 컨볼루션 연산을 실행한 후, 산출된 원소들에 제 1 활성화 함수를 적용하여 제 1 컨볼루션 계층(CL1)을 생성할 수 있고, 제 1 컨볼루션 계층(CL1)을 분할하여 제 1 최대 풀링 계층(MPL1)을 생성할 수 있다. 신경망 시험 단계의 입력 특징 맵(IFM)과 제 1 커널(K1) 사이의 컨볼루션 연산 과정 및 제 1 최대 풀링 계층(MPL1)의 생성 과정은 각각, 신경망 학습 단계의 입력 특징 맵(IFM)과 제 1 커널(K1) 사이의 컨볼루션 연산 과정 및 제 1 최대 풀링 계층(MPL1)의 생성 과정과 동일할 수 있다.
그리고 신경망 모듈(150)은, 제 i-1 최대 풀링 계층(MPLi-1)과 제 i 커널(Ki) 사이에서 컨볼루션 연산을 실행한 후, 제 1 활성화 함수를 적용하여 제 i 컨볼루션 계층(CLi)을 생성할 수 있고, 제 i 컨볼루션 계층(CLi)을 분할하여 제 i 최대 풀링 계층(MPLi)을 생성할 수 있다. (2≤i≤n, i는 자연수) 신경망 시험 단계의 제 i-1 최대 풀링 계층(MPLi-1)과 제 i 커널(Ki) 사이의 컨볼루션 연산 과정 및 제 i 최대 풀링 계층(MPLi)의 생성 과정은 각각, 신경망 학습 단계의 제 i-1 최대 풀링 계층(MPLi-1)과 제 i 커널(Ki) 사이의 컨볼루션 연산 과정 및 제 i 최대 풀링 계층(MPLi)의 생성 과정과 동일할 수 있다. 신경망 모듈(150)은 제 n 최대 풀링 계층(MPLn)을 생성할 때까지, 제 i 컨볼루션 계층(CLi)과 제 i 최대 풀링 계층(MPLi)을 생성하는 작업을 반복적으로 실행할 수 있다.
신경망 모듈(150)은, 2차원의 행렬 형태인 제 n 최대 풀링 계층(MPLn)을 1차원의 벡터 형태로 변환할 수 있다. 그리고 신경망 모듈(150)은 벡터 형태로 변환된 제 n 최대 풀링 계층(MPLn)의 원소들을 각각, 플래튼 계층(FL)의 유닛에 대응시킬 수 있다.
신경망 시험 단계에서 신경망 모듈(150)이 은닉층(HL1 ~ HLn) 및 출력층(OL)의 유닛의 값을 산출하는 방법은, 신경망 학습 단계와 동일할 수 있다.
신경망 모듈(150)은, 제 1 은닉층(HL1)의 제 1 유닛(UHL1,1) 및 플래튼 계층(FL)의 제 1 유닛(UFL,1) 사이의 가중치 정보(W)와, 플래튼 계층(FL)의 제 1 유닛(UFL,1)의 값을 서로 곱할 수 있다. 신경망 모듈(150)은, 제 1 은닉층(HL1)의 제 1 유닛(UHL1,1) 및 플래튼 계층(FL)의 다른 유닛 사이의 가중치 정보(W)와, 플래튼 계층(FL)의 다른 유닛의 값을 서로 곱할 수 있다. 신경망 모듈(150)은, 곱한 값들과 제 1 은닉층(HL1)의 제 1 유닛(UHL1,1)의 편향 정보(B)를 모두 더한 다음, 제 2 활성화 함수를 적용하여 제 1 은닉층(HL1)의 제 1 유닛(UHL1,1)의 값을 산출할 수 있다. 또한 신경망 모듈(150)은, 제 1 은닉층(HL1)의 제 1 유닛(UHL1,1)의 값을 산출하는 과정과 동일한 방법을 이용하여, 제 1 은닉층(HL1)의 다른 유닛의 값을 산출할 수 있다.
신경망 모듈(150)은, 제 j 은닉층(HLj)의 제 1 유닛(UHLj,1) 및 제 j-1 은닉층(HLj-1)의 제 1 유닛(UHLj-1,1) 사이의 가중치 정보(W)와, 제 j-1 은닉층(HLj-1)의 제 1 유닛(UHLj-1,1)의 값을 서로 곱할 수 있다. (2≤j≤m, j는 자연수) 신경망 모듈(150)은, 제 j 은닉층(HLj)의 제 1 유닛(UHLj,1) 및 제 j-1 은닉층(HLj-1)의 다른 유닛 사이의 가중치 정보(W)와, 제 j-1 은닉층(HLj-1)의 다른 유닛의 값을 서로 곱할 수 있다. 신경망 모듈(150)은, 곱한 값들과 제 j 은닉층(HLj)의 제 1 유닛(UHLj,1)의 편향 정보(B)를 모두 더한 다음, 제 2 활성화 함수를 적용하여 제 j 은닉층(HLj)의 제 1 유닛(UHLj,1)의 값을 산출할 수 있다. 또한 신경망 모듈(150)은, 제 j 은닉층(HLj)의 제 1 유닛(UHLj,1)의 값을 산출하는 과정과 동일한 방법을 이용하여, 제 j 은닉층(HLj)의 다른 유닛의 값을 산출할 수 있다.
신경망 모듈(150)은, 출력층(OL)의 제 1 유닛(UOL,1) 및 제 m 은닉층(HLm)의 제 1 유닛(UHLm,1) 사이의 가중치 정보(W)와, 제 m 은닉층(HLm)의 제 1 유닛(UHLm,1)의 값을 서로 곱할 수 있다. 신경망 모듈(150)은, 출력층(OL)의 제 1 유닛(UOL,1) 및 제 m 은닉층(HLm)의 다른 유닛 사이의 가중치 정보(W)와, 제 m 은닉층(HLm)의 다른 유닛의 값을 서로 곱할 수 있다. 신경망 모듈(150)은, 곱한 값들과 출력층(OL)의 제 1 유닛(UOL,1)의 편향 정보(B)를 모두 더한 다음, 제 2 활성화 함수를 적용하여 출력층(OL)의 제 1 유닛(UOL,1)의 값을 산출할 수 있다. 또한 신경망 모듈(150)은, 출력층(OL)의 제 1 유닛(UOL,1)의 값을 산출하는 과정과 동일한 방법을 이용하여, 출력층(OL)의 다른 유닛의 값을 산출할 수 있다.
신경망 모듈(150)은, 출력층(OL)의 유닛의 값과 제 2 진단 데이터(C2)를 손실 함수에 입력할 수 있다. 신경망 시험 단계의 손실 함수는, 신경망 학습 단계의 손실 함수와 동일할 수 있다.
신경망 모듈(150)은, 손실 함수의 값이 설정한 목표 오차 값을 초과한 경우, 신경망 학습 단계와 신경망 시험 단계를 반복하여 실행할 수 있다. 그리고 신경망 모듈(150)은, 손실 함수의 값이 설정한 목표 오차 값 이하인 경우, 신경망 운영 단계를 진행하도록 할 수 있다.
< 신경망 운영 단계 >
본 발명의 일 실시예에 따른 MR 이미지 분석 시스템에서 신경망 운영 단계를 설명한다.
입출력 모듈(110)은 MR 이미지 분석 시스템(100)의 외부에서, 뇌를 자기 공명 영상 장치로 촬영한 제 3 뇌 영상 데이터(I3)를 입력 받을 수 있다. 제 3 뇌 영상 데이터(I3)의 데이터 구조와 인코딩 형식은, 제 1 뇌 영상 데이터(I1) 또는 제 2 뇌 영상 데이터(I2)와 동일할 수 있다. 그리고 입출력 모듈(110)은 제 3 뇌 영상 데이터(I3)를 저장 모듈(120)로 전달할 수 있다.
영상 전처리 모듈(130)은 저장 모듈(120)로부터 제 3 뇌 영상 데이터(I3)를 로드하여, 제 3 뇌 영상 데이터(I3)에서 해마 영역을 검출할 수 있다. 영상 전처리 모듈(130)은, 제 1 뇌 영상 데이터(I1) 및 제 2 뇌 영상 데이터(I2)의 영상 전처리 방법과 동일한 방법을 이용하여, 제 3 뇌 영상 데이터(I3)를 ICBM 템플릿과 일치하도록 리슬라이싱 한 후, 영역 별 정보를 입력한 다음, 해마 영역을 분할하여 제 3 해마 영상 데이터(H3)를 생성할 수 있다. 그리고 영상 전처리 모듈(130)은 제 3 해마 영상 데이터(H3)를 저장 모듈(120) 및 영상 후처리 모듈(140)로 전달할 수 있다.
영상 후처리 모듈(140)은, 제 3 해마 영상 데이터(H3)의 노이즈 레벨 및 휘도 레벨을 각각, 제 1 해마 영상 데이터(H1) 또는 제 2 해마 영상 데이터(H2)의 노이즈 레벨 및 휘도 레벨과 동일하도록 변환할 수 있다. 그리고 영상 후처리 모듈(140)은 후처리 한 제 3 해마 영상 데이터(H3)를 저장 모듈(120) 및 신경망 모듈(150)로 전달할 수 있다.
신경망 모듈(150)은, 신경망 학습 단계 및 신경망 시험 단계에서 획득한 커널(K1 ~ Kn)의 원소와 가중치 정보(W), 편향 정보(B)를 사용할 수 있다. 또한 신경망 모듈(150)은 제 3 해마 영상 데이터(H3)를 행렬 형태인 입력 특징 맵(IFM)으로 변환할 수 있다. 이때 입력 특징 맵(IFM)에서 행렬의 원소는, 제 3 해마 영상 데이터(H3)의 픽셀 값을 나타낼 수 있다.
신경망 모듈(150)은, 입력 특징 맵(IFM)과 제 1 커널(K1) 사이에 컨볼루션 연산을 실행한 후, 산출된 원소들에 제 1 활성화 함수를 적용하여 제 1 컨볼루션 계층(CL1)을 생성할 수 있고, 제 1 컨볼루션 계층(CL1)을 분할하여 제 1 최대 풀링 계층(MPL1)을 생성할 수 있다. 신경망 운영 단계의 입력 특징 맵(IFM)과 제 1 커널(K1) 사이의 컨볼루션 연산 과정 및 제 1 최대 풀링 계층(MPL1)의 생성 과정은 각각, 신경망 시험 단계의 입력 특징 맵(IFM)과 제 1 커널(K1) 사이의 컨볼루션 연산 과정 및 제 1 최대 풀링 계층(MPL1)의 생성 과정과 동일할 수 있다.
그리고 신경망 모듈(150)은, 제 i-1 최대 풀링 계층(MPLi-1)과 제 i 커널(Ki) 사이에서 컨볼루션 연산을 실행한 후, 제 1 활성화 함수를 적용하여 제 i 컨볼루션 계층(CLi)을 생성할 수 있고, 제 i 컨볼루션 계층(CLi)을 분할하여 제 i 최대 풀링 계층(MPLi)을 생성할 수 있다. (2≤i≤n, i는 자연수) 신경망 운영 단계의 제 i-1 최대 풀링 계층(MPLi-1)과 제 i 커널(Ki) 사이의 컨볼루션 연산 과정 및 제 i 최대 풀링 계층(MPLi)의 생성 과정은 각각, 신경망 시험 단계의 제 i-1 최대 풀링 계층(MPLi-1)과 제 i 커널(Ki) 사이의 컨볼루션 연산 과정 및 제 i 최대 풀링 계층(MPLi)의 생성 과정과 동일할 수 있다. 신경망 모듈(150)은 제 n 최대 풀링 계층(MPLn)을 생성할 때까지, 제 i 컨볼루션 계층(CLi)과 제 i 최대 풀링 계층(MPLi)을 생성하는 작업을 반복적으로 실행할 수 있다.
신경망 모듈(150)은, 2차원의 행렬 형태인 제 n 최대 풀링 계층(MPLn)을 1차원의 벡터 형태로 변환할 수 있다. 그리고 신경망 모듈(150)은 벡터 형태로 변환된 제 n 최대 풀링 계층(MPLn)의 원소들을 각각, 플래튼 계층(FL)의 유닛에 대응시킬 수 있다.
신경망 운영 단계에서 신경망 모듈(150)이 은닉층(HL1 ~ HLn) 및 출력층(OL)의 유닛의 값을 산출하는 방법은, 신경망 시험 단계와 동일할 수 있다.
신경망 모듈(150)은, 제 1 은닉층(HL1)의 제 1 유닛(UHL1,1) 및 플래튼 계층(FL)의 제 1 유닛(UFL,1) 사이의 가중치 정보(W)와, 플래튼 계층(FL)의 제 1 유닛(UFL,1)의 값을 서로 곱할 수 있다. 신경망 모듈(150)은, 제 1 은닉층(HL1)의 제 1 유닛(UHL1,1) 및 플래튼 계층(FL)의 다른 유닛 사이의 가중치 정보(W)와, 플래튼 계층(FL)의 다른 유닛의 값을 서로 곱할 수 있다. 신경망 모듈(150)은, 곱한 값들과 제 1 은닉층(HL1)의 제 1 유닛(UHL1,1)의 편향 정보(B)를 모두 더한 다음, 제 2 활성화 함수를 적용하여 제 1 은닉층(HL1)의 제 1 유닛(UHL1,1)의 값을 산출할 수 있다. 또한 신경망 모듈(150)은, 제 1 은닉층(HL1)의 제 1 유닛(UHL1,1)의 값을 산출하는 과정과 동일한 방법을 이용하여, 제 1 은닉층(HL1)의 다른 유닛의 값을 산출할 수 있다.
신경망 모듈(150)은, 제 j 은닉층(HLj)의 제 1 유닛(UHLj,1) 및 제 j-1 은닉층(HLj-1)의 제 1 유닛(UHLj-1,1) 사이의 가중치 정보(W)와, 제 j-1 은닉층(HLj-1)의 제 1 유닛(UHLj-1,1)의 값을 서로 곱할 수 있다. (2≤j≤m, j는 자연수) 신경망 모듈(150)은, 제 j 은닉층(HLj)의 제 1 유닛(UHLj,1) 및 제 j-1 은닉층(HLj-1)의 다른 유닛 사이의 가중치 정보(W)와, 제 j-1 은닉층(HLj-1)의 다른 유닛의 값을 서로 곱할 수 있다. 신경망 모듈(150)은, 곱한 값들과 제 j 은닉층(HLj)의 제 1 유닛(UHLj,1)의 편향 정보(B)를 모두 더한 다음, 제 2 활성화 함수를 적용하여 제 j 은닉층(HLj)의 제 1 유닛(UHLj,1)의 값을 산출할 수 있다. 또한 신경망 모듈(150)은, 제 j 은닉층(HLj)의 제 1 유닛(UHLj,1)의 값을 산출하는 과정과 동일한 방법을 이용하여, 제 j 은닉층(HLj)의 다른 유닛의 값을 산출할 수 있다.
신경망 모듈(150)은, 출력층(OL)의 제 1 유닛(UOL,1) 및 제 m 은닉층(HLm)의 제 1 유닛(UHLm,1) 사이의 가중치 정보(W)와, 제 m 은닉층(HLm)의 제 1 유닛(UHLm,1)의 값을 서로 곱할 수 있다. 신경망 모듈(150)은, 출력층(OL)의 제 1 유닛(UOL,1) 및 제 m 은닉층(HLm)의 다른 유닛 사이의 가중치 정보(W)와, 제 m 은닉층(HLm)의 다른 유닛의 값을 서로 곱할 수 있다. 신경망 모듈(150)은, 곱한 값들과 출력층(OL)의 제 1 유닛(UOL,1)의 편향 정보(B)를 모두 더한 다음, 제 2 활성화 함수를 적용하여 출력층(OL)의 제 1 유닛(UOL,1)의 값을 산출할 수 있다. 또한 신경망 모듈(150)은, 출력층(OL)의 제 1 유닛(UOL,1)의 값을 산출하는 과정과 동일한 방법을 이용하여, 출력층(OL)의 다른 유닛의 값을 산출할 수 있다.
신경망 모듈(150)은, 출력층(OL)의 유닛 중 가장 큰 값을 가지는 유닛에 대응하는 알츠하이머 병의 진행 단계를, 제 3 해마 영상 데이터(H3)로부터 분류한 알츠하이머 병의 진행 단계로 판단한 후 제 3 진단 데이터(C3)를 생성하여, 입출력 모듈(110)로 전달할 수 있다. 입출력 모듈(110)은 제 3 진단 데이터(C3)를 MR 이미지 분석 시스템(100)의 외부로 출력할 수 있다.
도 2는 본 발명의 일 실시 예에 따라 MR 이미지 분석 방법을 간략하게 나타낸 순서도이다.
본 발명의 일 실시 예에 따라 MR 이미지 분석 방법(S1~S8) 중 제 1 단계(S1)는, 영상 전처리 모듈(130)이 ICBM 템플릿을 로드하는 단계이다.
ICBM 템플릿은 저장 모듈(120)에 저장할 수 있으며, 영상 전처리 모듈(130)은 저장 모듈(120)로부터 ICBM 템플릿을 로드할 수 있다.
제 2 단계(S2)는, 영상 전처리 모듈(130)이 제 3 뇌 영상 데이터(I3)를 로드하는 단계이다.
영상 전처리 모듈(130)은, 저장 모듈(120)로부터 뇌를 자기 공명 영상 장치로 촬영한 제 3 뇌 영상 데이터(I3)를 로드 할 수 있다.
제 3 단계(S3)는, 영상 전처리 모듈(130)이 제 3 뇌 영상 데이터(I3)를 리슬라이싱 하는 단계이다. 제 3 단계(S3)는 제 1, 2 단계(S1, S2)가 종료된 이후에 실행할 수 있다.
영상 전처리 모듈(130)은, 제 3 뇌 영상 데이터(I3)를 ICBM 템플릿과 일치하도록 리슬라이싱 할 수 있다. 이때 제 3 뇌 영상 데이터(I3)에서 데이터 포인트를 설정하여 그리드를 형성한 다음, B-스플라인 함수를 이용하여 리슬라이싱 할 수 있으며, 이때 사용하는 B-스플라인 함수는 상기 수학식1과 같을 수 있다.
제 4 단계(S4)는, 영상 전처리 모듈(130)이 제 3 뇌 영상 데이터(I3)의 영역 별 정보를 입력하는 단계이다.
영상 전처리 모듈(130)은, 해마 영역, 회색질(GM) 영역, 백색질(WM) 영역, 뇌척수액(CSF) 영역 등을, 리슬라이싱 한 제 3 뇌 영상 데이터(I3)에 표시할 수 있다.
제 5 단계(S5)는, 영상 전처리 모듈(130)이 해마 영역을 검출하는 단계이다.
영상 전처리 모듈(130)은, 리슬라이싱 한 제 3 뇌 영상 데이터(I3)에서 해마 영역을 검출하고 이를 제 3 뇌 영상 데이터(I3)에서 분할함으로써, 제 3 해마 영상 데이터(H3)를 생성할 수 있다.
제 6 단계(S6)는, 영상 후처리 모듈(140)이 제 3 해마 영상 데이터(H3)의 노이즈와 휘도를 균일화 하는 단계이다.
영상 후처리 모듈(140)은 LEMS를 이용하여, 제 3 해마 영상 데이터(H3)의 노이즈 레벨 및 휘도 레벨을 각각, 제 1 해마 영상 데이터(H1) 또는 제 2 해마 영상 데이터(H2)의 노이즈 레벨 및 휘도 레벨과 동일하도록 변환할 수 있다.
제 7 단계(S7)는, 신경망 모듈(150)이 출력층(OL)의 유닛 별로 값을 산출하는 단계이다.
신경망 모듈(150)은, 신경망 학습 단계 및 신경망 시험 단계에서 획득한 커널(K1 ~ Kn)의 원소와, 완전 연결 계층(플래튼 계층(FL), 은닉층(HL1 ~ HLm), 출력층(OL))의 유닛 들 사이의 가중치 정보(W) 및 편향 정보(B)를 사용하여, 제 3 해마 영상 데이터(H3)로부터 출력층(OL)의 유닛 값을 산출할 수 있다.
제 8 단계(S8)는, 신경망 모듈(150)이 알츠하이머 병 상태를 분류하는 단계이다.
신경망 모듈(150)은, 출력층(OL)의 유닛 중 가장 큰 값을 가지는 유닛에 대응하는 알츠하이머 병의 진행 단계를, 제 3 해마 영상 데이터(H3)의 알츠하이머 병의 진행 단계로 판단한 후, 제 3 진단 데이터(C3)를 생성할 수 있다.
도 3a는 본 발명의 일 실시 예에 따라 영상 데이터의 그룹 별 분류 정확도를 나타낸 표이고, 도 3b는 영상 데이터의 그룹 별 분류 정확도, 민감도, 특이도, 양성 및 음성 예측가를 나타낸 표이다. 도 3c는 본 발명의 일 실시 예와 비교 예의 분류 정확도를 나타낸 표이다.
도 3a 및 도 3b의 (A)는, 알츠하이머 병 상태(AD)와 정상 제어 상태(NC)일 때의 영상 데이터와 진단 데이터만을 포함한 뇌 MRI 학습 데이터 셋(TRAIN_SET)를 이용하여 신경망을 학습한 후, 뇌 MRI 시험 데이터 셋(TEST_SET)를 이용하여 신경망을 시험한 결과이다.
실제 진단 데이터와 MRI 이미지 분석 시스템이 분류한 진단 데이터 사이의 정확도(accuracy, ACC)는 92.3%, 민감도(sensitivity, SEN)는 93.3%, 특이도(specificity, SPEC)는 91.1%, 양성 예측가(positive predictive value, PPV)는 91.4%, 음성 예측가(Negative predictive value, NPV)는 93.2%를 나타내었다.
도 3a 및 도 3b의 (B)는, 경도인지장애 상태(MCI)와 정상 제어 상태(NC)일 때의 영상 데이터와 진단 데이터만만을 포함한 뇌 MRI 학습 데이터 셋(TRAIN_SET)를 이용하여 신경망을 학습한 후, 뇌 MRI 시험 데이터 셋(TEST_SET)를 이용하여 신경망을 시험한 결과이다.
실제 진단 데이터와 MRI 이미지 분석 시스템이 분류한 진단 데이터 사이의 정확도(ACC)는 85.5%, 민감도(SEN)는 88.4%, 특이도(SPEC)는 82.8%, 양성 예측가(PPV)는 93.9%, 음성 예측가(NPV)는 88.1%를 나타내었다.
도 3a 및 도 3b의 (C)는, 알츠하이머 병 상태(AD)와 경도인지장애 상태(MCI)일 때의 영상 데이터와 진단 데이터만만을 포함한 뇌 MRI 학습 데이터 셋(TRAIN_SET)를 이용하여 신경망을 학습한 후, 뇌 MRI 시험 데이터 셋(TEST_SET)를 이용하여 신경망을 시험한 결과이다.
실제 진단 데이터와 MRI 이미지 분석 시스템이 분류한 진단 데이터 사이의 정확도(ACC)는 78.1%, 민감도(SEN)는 77.0%, 특이도(SPEC)는 79.3%, 양성 예측가(PPV)는 80.2%, 음성 예측가(NPV)는 76.0%를 나타내었다.
도 3c에서 제 1 비교 예는, 뇌 영상 데이터에서 해마 영상 데이터를 분할하지 않고 뇌 영상 데이터 자체를 대상으로 신경망을 학습, 시험, 운영할 때, 알츠하이머 병의 진행 단계를 분류한 예이다.
제 2 비교 예는, 영상 전처리 모듈(130)이 제 1 내지 제 3 뇌 영상 데이터(I1 ~ I3) 각각을 전처리 하지 않고, 신경망을 학습, 시험, 운영할 때, 알츠하이머 병의 진행 단계를 분류한 예이다.
제 1 비교 예와 제 2 비교 예의 분류 정확도는 본 발명의 일 실시 예 보다 낮은 것을 볼 수 있으며, 본 발명의 일 실시 예는 영상 데이터를 리슬라이싱 한 후 해마 영역을 검출 및 분할한 다음, 전체 뇌 영역 보다 작은 해마 영역을 대상으로 신경망 학습, 시험, 운영이 이루어지기 때문에, 알츠하이머 병의 진행 단계의 분류 정확도를 향상할 수 있다.
이상을 통해 본 발명의 실시 예에 대하여 설명하였지만, 본 발명은 상기 실시 예에 한정되지 않고, 본 발명의 취지를 벗어나지 않고 효과를 저해하지 않는 한, 발명의 상세한 설명 및 첨부한 도면의 범위 안에서 다양하게 변경하여 실시할 수 있다. 또한 그러한 실시 예가 본 발명의 범위에 속하는 것은 당연하다.
100 : MR 이미지 분석 시스템 110 : 입출력 모듈
120 : 저장 모듈 130 : 영상 전처리 모듈
140 : 영상 후처리 모듈 150 : 신경망 모듈
S1 ~ S8 : MR 이미지 분석 방법

Claims (12)

  1. 뇌를 자기 공명 영상 장치로 촬영한 제 3 뇌 영상 데이터(I3)에서 해마 영역을 검출하여, 제 3 해마 영상 데이터(H3)를 생성하는 영상 전처리 모듈과;
    상기 제 3 해마 영상 데이터(H3)의 노이즈 레벨과 휘도 레벨을 변환하는 영상 후처리 모듈과;
    알츠하이머 병의 진행 단계에 대응하는 출력층(OL)의 유닛을 하나 이상 포함하고, 상기 제 3 해마 영상 데이터(H3)로부터 상기 출력층(OL)의 유닛의 값을 산출하며, 가장 큰 값을 가지는 상기 출력층(OL)의 유닛에 대응하는 알츠하이머 병의 진행 단계를, 상기 제 3 해마 영상 데이터(H3)로부터 분류한 알츠하이머 병의 진행 단계로 판단한 후 제 3 진단 데이터(C3)를 생성하는 신경망 모듈
    을 포함하는 제 MR 이미지 분석 시스템.
  2. 제 1 항에 있어서,
    상기 영상 전처리 모듈은,
    상기 제 3 뇌 영상 데이터(I3)를 ICBM 템플릿과 일치하도록 리슬라이싱 한 후, 영역 별 정보를 입력한 다음, 해마 영역을 분할하여 상기 제 3 해마 영상 데이터(H3)를 생성하는 MR 이미지 분석 시스템.
  3. 제 2 항에 있어서,
    상기 영상 전처리 모듈은,
    상기 제 3 뇌 영상 데이터(I3)에서 데이터 포인트를 설정하여 그리드를 형성한 후, 다음 수학식1에 따른 B-스플라인 함수를 이용하여 리슬라이싱 하는 MR 이미지 분석 시스템
    [수학식1]
    Figure pat00007

    Figure pat00008

    Figure pat00009

    (
    Figure pat00010
    는 실축 상에서 마디이며,
    Figure pat00011
    인 조건을 만족).
  4. 제 2 항에 있어서,
    상기 영상 후처리 모듈은,
    LEMS(Local Entropy Minimization with a bi-cubic Spline model)를 이용하여 상기 제 3 해마 영상 데이터(H3)의 노이즈 레벨 및 휘도 레벨을 각각, 제 1 해마 영상 데이터(H1) 또는 제 2 해마 영상 데이터(H2)의 노이즈 레벨 및 휘도 레벨과 동일하게 변환하는 MR 이미지 분석 시스템.
  5. 제 4 항에 있어서,
    상기 신경망 모듈은,
    각각 2차원의 행렬 형태로 이루어지며 원소를 구비하는, 제 1 내지 제 n 컨볼루션 계층(CL1 ~ CLn)과 제 1 내지 제 n 최대 풀링 계층(MPL1 ~ MPLm), 제 1 내지 제 n 커널(K1 ~ Kn)을 포함하고,
    각각 1차원의 벡터 형태로 이루어지며 유닛을 구비하는, 플래튼 계층(FL)과 하나 이상의 은닉층(HL1 ~ HLm), 상기 출력층(OL)을 포함하는 MR 이미지 분석 시스템.
  6. 제 5 항에 있어서,
    상기 신경망 모듈은,
    상기 제 3 해마 영상 데이터(H3)를 행렬 형태인 입력 특징 맵(IFM)으로 변환하고,
    상기 입력 특징 맵(IFM)과 상기 제 1 커널(K1) 사이에서 컨볼루션 연산을 실행한 다음, 산출된 원소에 제 1 활성화 함수를 적용하여 상기 제 1 컨볼루션 계층(CL1)을 생성하고, 상기 제 1 컨볼루션 계층(CL1)을 가로 및 세로 크기가 각각 2인 영역으로 분할한 다음, 분할된 영역에서 가장 큰 값을 가지는 원소를 추출하여 상기 제 1 최대 풀링 계층(MPL1)을 생성하며,
    제 i-1 최대 풀링 계층(MPLi-1)과 제 i 커널(Ki) 사이에서 컨볼루션 연산을 실행한 다음, 산출된 원소에 상기 제 1 활성화 함수를 적용하여 제 i 컨볼루션 계층(CLi)을 생성하고, 상기 제 제 i 컨볼루션 계층(CLi)을 가로 및 세로 크기가 각각 2인 영역으로 분할한 다음, 분할된 영역에서 가장 큰 값을 가지는 원소를 추출하여 제 i 최대 풀링 계층(MPLi)을 생성하는 작업을 반복하며, (2≤i≤n, i는 자연수)
    상기 제 n 최대 풀링 계층(MPLn)의 원소들을 각각, 상기 플래튼 계층(FL)의 유닛에 대응시키고,
    제 1 은닉층(HL1)의 유닛과 연결된 상기 플래튼 계층(FL)의 유닛의 값과, 가중치 정보(W)를 곱한 후, 곱한 값들과 상기 제 1 은닉층(HL1)의 유닛의 편향 정보(B)를 모두 더한 다음, 제 2 활성화 함수를 적용하여 상기 제 1 은닉층(HL1)의 유닛의 값을 산출하고,
    제 j 은닉층(HLj)의 유닛과 연결된 제 j-1 은닉층(HLj-1)의 유닛의 값과, 가중치 정보(W)를 곱한 후, 곱한 값들과 상기 제 j 은닉층(HLj)의 유닛의 편향 정보(B)를 모두 더한 다음, 상기 제 2 활성화 함수를 적용하여 상기 제 j 은닉층(HLj)의 유닛의 값을 산출하는 작업을 반복하고, (2≤j≤m, j는 자연수)
    상기 출력층(OL)의 유닛과 연결된 제 m 은닉층(HLm)의 유닛의 값과, 가중치 정보(W)를 곱한 후, 곱한 값들과 상기 출력층(OL)의 유닛의 편향 정보(B)를 모두 더한 다음, 상기 제 2 활성화 함수를 적용하여 상기 출력층(OL)의 유닛의 값을 산출하는 MR 이미지 분석 시스템.
  7. 제 6 항에 있어서,
    상기 제 1 활성화 함수는 ReLU 함수인 MR 이미지 분석 시스템.
  8. 제 7 항에 있어서,
    상기 제 2 활성화 함수는 시그모이드(sigmoid), 하이퍼볼릭 탄젠트(tanh), ReLU 함수 중 어느 하나인 MR 이미지 분석 시스템.
  9. 제 8 항에 있어서,
    상기 신경망 모듈은,
    상기 제 1 내지 제 n 커널(K1 ~ Kn)의 원소, 가중치 정보(W), 편향 정보(B)를 무작위 값으로 초기화 한 다음, 상기 제 1 해마 영상 데이터(H1)로부터 상기 출력층(OL)의 유닛의 값을 산출하고,
    상기 출력층(OL)의 유닛의 값과 제 1 진단 데이터(C1)를 손실 함수에 입력한 다음, 이를 역전파하여 상기 제 1 내지 제 n 커널(K1 ~ Kn)의 원소, 가중치 정보(W), 편향 정보(B)를 갱신하는 작업을, 상기 손실 함수의 값이 일정한 값으로 수렴할 때까지 반복하는 MR 이미지 분석 시스템.
  10. 제 9 항에 있어서,
    상기 손실 함수는, 평균 제곱 오차(Mean Square Error, MSE), 평균 제곱근 오차(Root Mean Square Error, RMSE), 교차 엔트로피 오차(Cross Entropy Error, CEE) 함수 중 어느 하나인 MR 이미지 분석 시스템.
  11. MR 이미지 분석 시스템에 있어서,
    (S1) 영상 전처리 모듈이 ICBM 템플릿을 로드하는 단계와;
    (S2) 상기 영상 전처리 모듈이, 뇌를 자기 공명 영상 장치로 촬영한 제 3 뇌 영상 데이터(I3)를 로드하는 단계와;
    (S3) 상기 영상 전처리 모듈이 상기 제 3 뇌 영상 데이터(I3)를 리슬라이싱 하는 단계와;
    (S4) 상기 영상 전처리 모듈이 상기 제 3 뇌 영상 데이터(I3)의 영역 별 정보를 입력하는 단계와;
    (S5) 상기 영상 전처리 모듈이 상기 제 3 뇌 영상 데이터(I3)에서 해마 영역을 검출하고, 상기 해마 영역을 분할하여 제 3 해마 영상 데이터(H3)를 생성하는 단계와;
    (S6) 영상 후처리 모듈이, 상기 제 3 해마 영상 데이터(H3)의 노이즈 레벨 및 휘도 레벨을 각각, 제 1 해마 영상 데이터(H1) 또는 제 2 해마 영상 데이터(H2)의 노이즈 레벨 및 휘도 레벨과 동일하게 변환하는 단계와;
    (S7) 신경망 모듈이 상기 제 3 해마 영상 데이터(H3)로부터 출력층(OL)의 유닛의 값을 산출하는 단계와;
    (S8) 상기 신경망 모듈이, 상기 출력층(OL)의 유닛 중 가장 큰 값을 가지는 유닛에 대응하는 알츠하이머 병의 진행 단계를, 상기 제 3 해마 영상 데이터(H3)의 알츠하이머 병의 진행 단계로 판단한 후, 제 3 진단 데이터(C3)를 생성하는 단계
    를 포함하는 MR 이미지 분석 방법.
  12. 제 11 항에 있어서,
    상기 (S3) 단계에서 상기 영상 전처리 모듈은,
    상기 제 3 뇌 영상 데이터(I3)에서 데이터 포인트를 설정하여 그리드를 형성한 후, 다음 수학식2에 따른 B-스플라인 함수를 이용하여 리슬라이싱 하는 MR 이미지 분석 방법
    [수학식2]
    Figure pat00012

    Figure pat00013

    Figure pat00014

    (
    Figure pat00015
    는 실축 상에서 마디이며,
    Figure pat00016
    인 조건을 만족).
KR1020200104474A 2020-08-20 2020-08-20 알츠하이머 병 분류를 위한 mr 이미지 분석 시스템 및 방법 KR102432766B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200104474A KR102432766B1 (ko) 2020-08-20 2020-08-20 알츠하이머 병 분류를 위한 mr 이미지 분석 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200104474A KR102432766B1 (ko) 2020-08-20 2020-08-20 알츠하이머 병 분류를 위한 mr 이미지 분석 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20220023841A true KR20220023841A (ko) 2022-03-03
KR102432766B1 KR102432766B1 (ko) 2022-08-17

Family

ID=80818572

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200104474A KR102432766B1 (ko) 2020-08-20 2020-08-20 알츠하이머 병 분류를 위한 mr 이미지 분석 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102432766B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240023327A (ko) 2022-08-12 2024-02-21 전남대학교산학협력단 멀티모달 기반 알츠하이머 진행 예측 멀티태스킹 시스템 및 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190124538A (ko) 2018-04-26 2019-11-05 인제대학교 산학협력단 뇌 해마의 관상면 중심점으로부터 거리분석에 따른 치매분류 방법
KR20190135908A (ko) * 2019-02-01 2019-12-09 (주)제이엘케이인스펙션 인공지능 기반 치매 진단 방법 및 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190124538A (ko) 2018-04-26 2019-11-05 인제대학교 산학협력단 뇌 해마의 관상면 중심점으로부터 거리분석에 따른 치매분류 방법
KR20190135908A (ko) * 2019-02-01 2019-12-09 (주)제이엘케이인스펙션 인공지능 기반 치매 진단 방법 및 장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240023327A (ko) 2022-08-12 2024-02-21 전남대학교산학협력단 멀티모달 기반 알츠하이머 진행 예측 멀티태스킹 시스템 및 방법

Also Published As

Publication number Publication date
KR102432766B1 (ko) 2022-08-17

Similar Documents

Publication Publication Date Title
US11645835B2 (en) Hypercomplex deep learning methods, architectures, and apparatus for multimodal small, medium, and large-scale data representation, analysis, and applications
WO2019200747A1 (zh) 分割股骨近端的方法、装置、计算机设备和存储介质
CN110236543B (zh) 基于深度学习的阿尔茨海默病多分类诊断系统
US9349105B2 (en) Machine learning with incomplete data sets
JP2022540634A (ja) 深層学習に基づく３ｄ点群の物体検出およびインスタンスセグメント化
US11348227B2 (en) Image registration using a fully convolutional network
EP4094194A1 (en) An explainable neural net architecture for multidimensional data
CN111738363B (zh) 基于改进的3d cnn网络的阿尔茨海默病分类方法
CN110879982B (zh) 一种人群计数系统及方法
KR102094320B1 (ko) 강화 학습을 이용한 이미지 개선 방법
Han et al. Automated pathogenesis-based diagnosis of lumbar neural foraminal stenosis via deep multiscale multitask learning
US20210012504A1 (en) Encoder Regularization of a Segmentation Model
CN107301643B (zh) 基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法
CN108664986B (zh) 基于lp范数正则化的多任务学习图像分类方法及系统
CN113780292A (zh) 一种基于证据推理的语义分割网络模型不确定性量化方法
US20220084679A1 (en) Deep neural network pre-training method for classifying electrocardiogram (ecg) data
CN105225222A (zh) 对不同图像集的感知视觉质量的自动评估
CN111667483A (zh) 多模态图像的分割模型的训练方法、图像处理方法和装置
CN111667027A (zh) 多模态图像的分割模型训练方法、图像处理方法及装置
CN113592769B (zh) 异常图像的检测、模型的训练方法、装置、设备及介质
KR102432766B1 (ko) 알츠하이머 병 분류를 위한 mr 이미지 분석 시스템 및 방법
CN112686830B (zh) 基于图像分解的单一深度图的超分辨率方法
CN111401209B (zh) 一种基于深度学习的动作识别方法
JP7225731B2 (ja) 多変数データシーケンスの画像化
CN116188435B (zh) 一种基于模糊逻辑的医学图像深度分割方法

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant