KR20220134375A - 머신러닝에 기반한 x-선 상 척추 회전각도 측정시스템 - Google Patents

머신러닝에 기반한 x-선 상 척추 회전각도 측정시스템 Download PDF

Info

Publication number
KR20220134375A
KR20220134375A KR1020210039962A KR20210039962A KR20220134375A KR 20220134375 A KR20220134375 A KR 20220134375A KR 1020210039962 A KR1020210039962 A KR 1020210039962A KR 20210039962 A KR20210039962 A KR 20210039962A KR 20220134375 A KR20220134375 A KR 20220134375A
Authority
KR
South Korea
Prior art keywords
rotation
image
spine
data
machine learning
Prior art date
Application number
KR1020210039962A
Other languages
English (en)
Other versions
KR102514246B1 (ko
Inventor
유승만
장상훈
Original Assignee
전주대학교 산학협력단
한국교통대학교산학협력단
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 전주대학교 산학협력단, 한국교통대학교산학협력단 filed Critical 전주대학교 산학협력단
Priority to KR1020210039962A priority Critical patent/KR102514246B1/ko
Publication of KR20220134375A publication Critical patent/KR20220134375A/ko
Application granted granted Critical
Publication of KR102514246B1 publication Critical patent/KR102514246B1/ko

Links

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
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
    • 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
    • A61B6/5223—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data generating planar views from image data, e.g. extracting a coronal view from a 3D image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06T2207/10081—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
    • 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
    • G06T2207/30008—Bone
    • G06T2207/30012—Spine; Backbone

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Optics & Photonics (AREA)
  • Veterinary Medicine (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Physiology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

본 발명은 CT 촬영 상의 3D 영상 데이터베이스에 기반하여 척추체의 좌우 회전 처리를 수행한 후 X-선 상에 보여지는 2D 이미지로 재구성하여, 머신러닝(Machine Learning)을 수행함으로써 X-선 진단 만으로도 척추측만증의 수평면에 대한 척추회전각도를 정확하게 추정할 수 있는 측정방법 및 이를 이용한 측정 시스템에 관한 것이다.

Description

머신러닝에 기반한 X-선 상 척추 회전각도 측정시스템{A MACHINE LEARNING BASED ROTATION MEASUREMENT SYSTEM FOR SCOLIOSIS ON X-RAY IMAGE}
본 발명은 머신런닝(Machine Learning) 기법을 이용하여 2D 이미지의 X-선 영상만으로도 척추 측만증 환자의 척추체 좌/우 회전 정도를 정확하게 진단할 수 있는 측정시스템에 관한 것이다.
척추 질환 중 대표적인 척추 측만증은 척추가 비틀어지면서 옆으로 구부러지는 질환으로, 도1a에 도시한 바와 같이 척추가 'C자형'이나 'S자형'으로 휘어져서 몸이 좌우로 기울거나 돌아가 변형되는 증상이다. 주로 장시간 사무 의자에 앉아 생활하는 직장인이나 학생 군에서 잘못된 자세로 인하여 발생하며, 최근에는 인터넷 보급률 향상으로 좌식 생활이 증가함에 따라 연령층에 관계없이 많이 발생하고 있다. 보통 척추가 5°이상 옆으로 휘었다면 비정상으로 간주되는데 인구의 약 7.7% 정도가 척추측만증을 갖고 있다고 보고될 만큼 임상에서의 진단이 흔한 질환이다.
척추측만증은 척추의 주(Column)가 이마면(Coronal Plane) 상에서 외측으로 구부러지는 질환으로 알려져 있지만 실제로는 3차원적인 척추변형으로 이마면 뿐만 아니라 도1b에서 참조한 바와 같이 시상면(Sagittal Plane), 수평면(Transverse Plane) 상에서도 척추 정렬의 변화가 일어나게 된다. 예를 들어 이마면에서 오른쪽 척추만곡(Right Scoliosis)은 척추체(Vertebral Body)의 시계방향(Clockwise) 회전 즉 우측 회전을 유발한다. 이와 반대로 이마면에서 왼쪽 척추만곡(Left Scoliosis)은 시계반대방향(counter-clockwise) 즉 좌측 회전을 유발한다. 특히, 수평면에서 척추체의 좌우 회전(rotation) 변형은 척추 교정 시술시 임상적으로 매우 중요한 의미를 가지게 된다.
척추측만의 진단에 있어, 바르게 누운 앙와위(Supine Position) 자세에서 3D 볼륨 데이터가 획득되는 컴퓨터 단층촬영 영상(CT)은 3개의 모든 면에서 척추의 각도 및 길이 등을 정확하게 계측할 수 있는 장점이 있다. 따라서 수평면(transverse plane)에서 척추(Spine)의 좌우 회전각도 또한 정확히 계측 가능하다. 그러나 단순히 진단 비용의 문제 외에도 피폭량이 X-선 영상보다 크다는 점, 임상에서 빈번하게 검사하기에 용이하지 않은점, 교정 시술시 환자가 엎드린 상태에서 CT 영상 없이 X-선 영상에 의존하여 시술하게 된다는 점에서 X-선 이미지 상에서 척추체 회전 각도를 측정하는 것은 중요한 데이터 지표가 된다.
그러나 X-선 영상은 정면에서 바라보는 2D 영상이므로, 척추의 이마면과 시상면의 각도를 측정하는데는 적합하지만 수평면에서의 회전 각도를 정확히 실측할 수 없어 실제 임상에서는 척추측만을 평가하고 진단하는 지표로 이마면 상에서의 척추 기울임 각도인 코브각(Cobb's Angle)만을 주로 사용하고 있다. 이 각도로 척추측만에서 중요하게 다루는 수평면에서 척추체의 회전정도를 측정하기는 곤란하므로, X-선 상으로 보이는 척추체의 너비 및 척추경(Pedicle) 간의 이격 등을 매개 변수로 하여 회전 각도를 추정하는 방식 등이 대한민국 공개특허 공개번호 제10-2020-0073402호, <척추체 회전 측정 방법, 이를 수행하기 위한 장치 및 기록매체>에 의해 제시된 바 있으나 개인별로 차이가 있는 척추체의 다양한 크기와 완곡을 반영한 정밀한 회전 각도를 추정하기에 어려움이 있다.
본원 발명에서는 상기한 CT-영상의 장점과 X-선 영상의 장점을 응용하여 X-선 영상만으로도 수평면에서 척추의 좌우 회전각도를 정확하게 측정하는 방법 및 이를 이용한 시스템을 착안하였다.
선행문헌 : 대한민국 공개특허 공개번호 제10-2020-0073402호
본 발명은 CT 촬영 상의 3D 영상 데이터베이스에 기반하여 척추 영상에서 각 척추체(Vertebral Body)에 대한 좌우 회전 처리를 수행한 후 X-선 상에 보여지는 것과 같은 2D 이미지로 재구성하여 머신러닝(Machine Learning)을 수행함으로써, X-선 진단 만으로도 척추측만증의 수평면에 대한 척추 회전각도를 정확하게 추정할 수 있는 측정시스템을 제공하는 것을 목적으로 한다.
본 발명에서는 상기한 바와 같은 기존 방식의 문제점을 개선하기 위하여 정상 남녀의 척추를 CT로 촬영한 영상으로부터 이마면(Coronal Plane) 상에 나타나는 척추체 회전 각도 측정을 위한 파라미터를 추출하고, 수평면 상에서 각 척추체의 CT 데이터에 소정의 좌우 회전 각도를 주어 재구성한 2D 영상에서 파라미터들을 재추출하여 정상 각도와의 차이를 연산하고 회전각과의 상관 관계를 머신러닝 기법을 적용하여 학습함으로써, 2D 이미지 상에서 보다 정밀하게 수평면 상의 척추체 회전 각도를 추정하여 예측하는 방법을 제시하고자 한다.
이를 위하여 본 발명에서는 X-선으로 촬영된 척추 영상을 이용하여 척추측만증을 진단시 척추의 횡측 기울임각 뿐 아니라 척추체의 좌우 틀어짐 정도를 측정하기 위한 척추체 회전각 측정에 있어서,
다수의 인체를 대상으로 컴퓨터 단층 촬영(CT)을 통하여 3D 척추 영상 데이터를 획득하는 3D 영상 데이터 취득 모듈;과 상기 3D 영상 데이터 취득 모듈에서 취득된 CT 영상에서 척추를 구성하는 각 척추체에 대하여 수평면(Transverse Plane) 상에서 기준선을 설정하여 소정의 좌우 회전각을 설정하여 회전시킨 데이터를 2D 척추 영상으로 구성하기 위한 회전 데이터 처리 모듈;과 상기 회전 데이터 처리 모듈에서 처리된 각 회전각에 따른 2차원 영상에서 척추의 길이 및 크기, 척추경 관련 매개체 간 간격의 측정치 등에 대한 정보를 머신러닝을 통해 학습시켜 회전각과의 상호 상관관계를 추정하기 위한 회전 예측 모델화 및 머신러닝 모듈;로 구성된 회전 예측 모델링 시스템과,
X-선 촬영된 환자의 2D 척추 영상을 입력받기 위한 측정 영상 입력 모듈;과상기 측정 영상 입력 모듈로부터 척추의 길이 및 크기, 척추경 관련 매개체 간 간격의 측정치 등에 대한 정보를 획득하고, 척추의 회전각도를 도출하는 회전 예측 처리 모듈;로 구성된 X-선 척추뼈 회전 측정 앱을 포함하는 특징으로 하는 머신러닝에 기반한 X-선 상 척추회전각도 측정 방법 및 시스템을 구현하여 본 발명의 목적을 달성하고자 한다.
본 발명에 따른 머신러닝에 기반한 X-선 상 척추 회전각도 측정 방법 및 시스템을 통하여 X-선 2D 영상 만을 가지고도 오차를 현저하게 줄이는 척추체의 수평면상 좌우회전 측정이 가능하다.
본 발명에 의한 척추회전각도 측정 방법은 다수의 실제 CT-촬영 영상을 기반으로 3D 상에서 척추체를 다양한 각도로 회전시킨 데이터를 2D 영상으로 구성한 후, 머신러닝을 통한 학습을 통해 최적의 파라미터를 구성함으로써 척추의 횡측 기울임 각도 뿐 아니라 척추의 크기 등의 다양한 변수를 적용하여 보다 정확한 척추체 회전 각도를 산출할 수 있다. 따라서 피폭량이 상대적으로 적은 X-선 영상으로 수평면 상에서 척추체의 좌우 회전 각도를 진단할 수 있도록 함으로써 진단의 용이성, 환자의 비용 절감 효과를 기대할 수 있고, X-선 영상에 의지하여 교정 시술을 행하는 임상에서 보다 정확한 평가 지표를 실시간으로 제공함으로써 의료 시술의 효율성을 증대할 수 있다.
도1a는 정상인과 척추측만증 환자의 비교 예시도
도1b는 일반적인 CT-촬영 상의 기준 평면도
도1c는 일반적인 척추체 구조도
도2는 본 발명에 따른 척추제 회전의 영상 데이터 예시도
도3은 파라미터 획득을 위한 X-선 영상의 예시도
도4는 CT영상의 척추체 회전 처리 후 2D 영상 획득의 예시도
도5는 머신러닝에 기반한 X-선 상 척추 회전각도 측정 시스템 구성도
도6은 머신러닝에 기반한 X-선 상 척추 회전각도 측정을 위한 모델링 절차도
도7은 예측 모델링을 위한 파라미터 최적화 및 머신러닝의 처리절차도
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고, 상세한 설명을 통해 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 참조 부호를 유사한 구성 요소에 대해 사용하였다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
컴퓨터 단층 촬영(CT) 검사는 X-선 촬영 검사보다 피폭량이 크고, 검사 비용의 부담이 있어 통상적으로 척추측만증의 진단에 있어 임상활용도가 떨어진다. 그러나 3D 볼륨 데이터가 획득되는 CT 영상은 도1b에 도시한 바와 같이 이마면(Coronal Plane), 시상면(Sagittal Plane), 수평면(transverse plane)의 3개 기준면에서 척추의 각도 및 길이 등을 정확하게 계측할 수 있는 장점이 있으며, 2D 이미지인 X-선 영상에서 표시하기 어려운 수평면(transverse plane) 상에서 척추체의 좌우회전각도 또한 정확히 계측 가능하다. 수평면에서 척추체(Spine)의 좌우 회전(rotation) 변형은 척추측만의 진단이나 척추 교정 시술시 임상적으로 매우 중요한 의미를 가지는 계측 지표이므로 X-선 영상만을 가지고 척추체(Spine)의 좌우 회전 정도를 추정하여 계측하는 방식이 요구되고 있다.
3D 영상인 CT 촬영 데이터를 한쪽 기준면에 투영하는 방식을 적용하면 X-선 영상과 같은 2차원 구조의 영상으로 재구성할 수 있는데 이를 활용한 척추 기울임 각도 및 척추의 회전에 따른 척추의 특정 해부구조의 기하학적 구조체의 측정이나 평가가 가능하다. 이는 CT를 활용하여 척추의 회전의 정보를 정확하게 계측하고, 개개의 척추체 단면 영상을 회전 처리함으로써 나타나는 X-선 영상에서의 척추의 길이 및 각도의 변화를 추적함으로써 유의미한 데이터를 획득할 수 있음을 의미한다.
따라서 본 발명에서는 도4에 도시한 바와 같이 정상 남녀의 척추를 CT로 촬영한 영상으로부터 척추의 주(Column)축으로 인위적으로 회전시켜 척추의 회전 각도를 확보한다. 이때 볼륨렌더링(volume rendering)기법으로 표현되는 척추 회전 각도에 따른 X-선 2차원 구조의 이마면 상(X선 영상의 Anteroposterior Projection과 동일한 영상)으로 척추체 회전 각도 측정을 위한 파라미터로서 A, B, C, D의 길이와 각도 F를 측정정하여 추출한 기초 데이터를 확보한다. 수평면 상에서 각 척추체의 데이터에 소정의 좌우 회전 각도를 주어 재구성한 2D 영상에서 파라미터들을 재추출하여 정상 각도와의 차이를 연산하고 회전각과의 상관관계를 머신러닝 기법을 적용하여 학습함으로써, X-선 2차원 구조의 이마면 상(X선 영상의 Anteroposterior Projection과 동일한 영상)에서 보다 정밀하게 수평면 상의 척추체 회전 각도를 추정하여 예측하는 방법을 제시하고자 한다.
본 발명에서는 X-선으로 촬영된 척추 영상을 이용하여 척추측만증을 진단시 척추의 횡측 기울임각 뿐 아니라 척추체의 좌우 틀어짐 정도를 측정하기 위한 척추체 회전각 측정시스템에 있어서,
도 5에 도시한 바와 같이 다수의 인체를 대상으로 컴퓨터 단층 촬영(CT)을 통하여 3D 척추 영상 데이터를 획득하는 3D 영상 데이터 취득 모듈(110);과
상기 3D 영상 데이터 취득 모듈에서 취득된 CT 영상에서 척추를 구성하는 각 척추체에 대하여 수평면(Transverse Plane) 상에서 기준선을 설정하여 소정의 좌우 회전각을 설정하여 회전시킨 데이터를 2D 척추 영상으로 구성하기 위한 회전 데이터 처리 모듈(120);과
상기 회전 데이터 처리 모듈에서 처리된 각 회전각에 따른 2차원 영상에서 척추의 길이 및 크기, 척추경(Pedicle) 관련 매개체 간 간격의 측정치 등에 대한 정보를 머신러닝을 통해 학습시켜 회전각과의 상호 상관관계를 추정하기 위한 회전 예측 모델화 및 머신러닝 모듈(130);로 이루어진 회전예측 모델링시스템(100)과,
X-선 촬영된 환자의 2D 척추 영상을 입력받기 위한 측정 영상 입력 모듈(210);과
상기 측정 영상 입력 모듈로부터 척추의 길이 및 크기, 척추경 관련 매개체 간 간격의 측정치 등에 대한 정보를 획득하고, 척추의 회전각도를 도출하는 회전 예측 처리 모듈(220);로 이루어진 X선 척추뼈 회전측정 앱(200)으로 구성된 것을 특징으로 하는 머신러닝에 기반한 X-선 상 척추회전각도 측정시스템을 구현하였다.
상기 회전 예측 모델링 시스템의 회전 데이터 처리 모듈은
도 6에 도시한 바와 같이 3D 영상 데이터 취득 모듈에서 취득된 CT 영상에서 척추를 구성하는 각 척추체(Vertebral Body)에 대하여 척추경(Pedicle)의 가장 볼록한 가운데 위치를 기준으로 수평면(Transverse Plane) 상에서 기준선을 설정하는 척추체 수평 기준선 설정 단계(211);와
설정된 수평 기준선에 대하여 좌측 -15°또는 우측 15°범위 내의 소정의 회전각을 설정하여 수평면(Transverse Plane) 상 척추 단면 데이터를 회전시켜 척추체에 대한 좌 또는 우측 회전 데이터를 구성하는 단계(212);와
주어진 회전 조건을 반영하여 3D 척추 데이터를 재구성한 후 X-선 이미지와 같은 2D 영상을 취득하는 단계(213);와
상기 회전 후 영상 데이터를 데이터베이스에 저장하는 단계(214);를 포함하는 것을 특징으로 하고,
상기 회전 예측 모델링 시스템의 회전 예측 모델화 및 머신러닝 모듈은
도 6에 도시한 바와 같이 상기 회전 데이터 처리 모듈에서 처리된 각 회전각에 따른 2차원 영상에서 척추의 길이 및 크기, 척추경(Pedicle) 관련 매개체 간 간격의 측정치 등에 대한 정보를 머신러닝을 위한 회전 측정 파라미터로 취득하는 단계(221);와
상기 단계에서 추출된 파라미터를 상호작용, 선형, 기타 다항 선형 등의 예측 기법을 사용하여 평균 제곱근 오차인 RSME(Root Mean Square Error)를 최소화 하도록 파라미터를 최적화하고 모델화하는 파라미터 최적화 및 머신러닝 단계(222);와
상기 모델링 파라미터를 적용하여 회전각과의 모델링 파라미터와의 상호 상관관계를 추정하는 회전각 예측 단계(223);와
예측된 데이터를 데이터베이스에 저장하는 단계(224);를 포함하는 것을 특징으로 하여 구성된다.
상기 회전 예측 모델링 시스템의 회전 예측 모델화 및 머신러닝 모듈은
상기 회전 데이터 처리 모듈에서 처리된 각 회전각에 따른 2차원 영상에서 척추의 길이 및 크기, 척추경 관련 매개체 간 간격의 측정치 등에 대한 정보를 머신러닝을 위한 회전 측정 파라미터로 취득하는 과정에 있어서,
상기 회전 측정 파라미터는,
도 3에 도시한 바와 같이 척추경(Pedicle)의 가장 볼록한 가운데 위치에서 척추연과 평행한 기준선을 설정하여 수평면(Transverse Plane) 상의 기준선(3_e)으로 하고,
측정하고자 하는 척추체(Spine)의 바디(body) 외측, 즉 척추체의 상연과 하연을 연결하는 선으로부터 척추경(pedicle)의 외측 중심선까지의 거리(A)(3_a);
상기 기준선 상에서 척추경(Pedicle)의 외측 마진(margine) 중심점으로부터 척추경 내측 마진(margine)까지의 거리인 척추경 사이의 폭거리(B)(3_b);
B의 끝점으로부터 척추 반대편 외측 마진 사이의 거리(C)(3_c);
회전반대측 척추경(pedicle)의 중심부위에서 척추의 위쪽 마진과 아래쪽 마진의 길이인 척추체의 종축 길이(D)(3_d);
상기 수평면(Transverse Plane)과 기준선(3_g)이 이루는 각도(F)(3_f);이다.
상기 파라미터를 머신러닝을 위한 회전 측정 파라미터로 하여 회전각과의 상호 상관관계를 추정하는 것을 특징으로 한다.
본 발명의 실행 예시를 도 2와 도 4에 표시하였다. 우선 3차원 공간 데이터를 가진 다수의 CT 촬영 척추 영상이 필요하므로, 임상을 통해서 Siemens사의 CT 촬영 장치로 성인 남녀 다수의 척추를 촬영한 실제 임상 데이터를 획득하였다.
도 2는 CT로 촬영된 척추 영상에서 회전시키고자 하는 척추체(Spine)을 설정하고 해당 척추체의 양측 척추경 중 가장 넓은 부위를 지나는 기준선을 설정하여 반시계방향으로 10°회전시킨 후에 CT 영상을 투영하여 2D 영상으로 구성한 것으로서, 이 영상은 척추가 10°회전한 척추측만증 환자의 X-선 척추 영상과 동일하다고 볼 수 있다. 이 2D 영상에서는 극돌기(Spinous Process)가 우측 척추경(Pedicle)에 근접하여 위치한 것으로 보인다. 따라서 척추체의 상연과 평행한 상기 기준선 상에서 척추경과 척추 바디(body)와의 거리를 측정하여 회전 예측을 위한 파라미터로 사용하게 된다.
도 4는 척추의 3차원 볼륨 데이터로부터 획득된 컴퓨터 단층영상(CT)을 보여준다. a)영상은 목척추로부터 허리척추까지 컴퓨터 단층영상이고, b)영상은 측정하고자 하는 CT의 수평면 상에서 척추경(Pedicle)을 기준으로 한 척추의 내/외측 회전 정도를 측정한 영상으로, 극돌기(Spinous Process)가 수평면 상에서 6.07°시계방향으로 회전된 상태를 보여준다. c)영상은 b)와 같은 CT 영상을 반시계 방향으로 5°회전처리 한 후 X-ray 영상처럼 2차원적으로 구현한 것으로서, 본 영상을 통해 b)영상에서 6.07°5°1.07°방향으로 회전된 척추의 2D 영상 데이터를 얻을 수 있다. 결과적으로 c)영상은 시계방향으로 1.07°회전된 상태이므로, 극돌기가 양측의 척추경(pedical) 사이에서 대략 중간부에 위치한 것으로 보인다. 또한 d)영상은 c)영상과 동일한 방식으로 CT 영상을 반시계방향으로 10°회전시킨 후 X-ray 영상처럼 2차원적으로 구현한 영상으로서, 최종적으로 6.07°시계방향 회전이 이루어진 상태의 2D 영상 데이터를 획득하여 표시하고 있으며, c)영상에 비해 극돌기가 오른쪽 척추경(pedicle)에 보다 근접한 것으로 보이게 된다.
상기한 방식으로 하나의 척추 CT 영상 데이터에서 각각의 척추체(Spine)에 대하여 5°씩 기준을 두어 각각 -10°-5°5°10°15°20°등과 같은 인위적인 내외측 회전 각도를 부여하여 회전 처리한 후에 회전된 데이터를 적용한 2차원 영상을 획득하여 X-선 상 영상에 대응하는 데이터들을 데이터베이스에 저장함으로써 데이터를 축적해 나가게 된다. 이러한 방식으로 다수의 CT 영상을 이용하여 이에 대응하는 각 회전각에 대한 2차원 영상을 획득하고 회전각과 회전 예측 파라미터들 간의 상호 상관 관계를 선형 또는 다선형 방식의 예측 모델을 사용하여 머신러닝하게 되면, 데이터가 축적되어 갈수록 보다 정밀한 예측이 가능한 매개변수에 대한 상수를 얻어낼 수 있으며, 이를 이용하여 X-선 영상만을 가지고 수평면 상의 척추체 회전의 정도를 정확하게 계측할 수 있게 된다.
상기 회전 예측 모델링 시스템의 회전 예측 모델화 및 머신러닝 모듈은 파라미터 최적화 및 머신러닝 단계(222)에서 도 7에 도시한 바와 같이
예측 모델을 훈련하기에 적합한 유효 데이터를 처리하는 단계(222a),
처리된 각 데이터에 대해 교차검증 수행하며 모델링을 위한 파라미터를 최적화하는 단계(222b),
학습된 회귀모델(trainedModel)을 피드백을 위해 리턴받는 단계(222c) 및
검증 평균제곱근오차(ValidationRMSE)를 평가하는 단계(222d)를 세부적으로 포함하는 것을 특징으로 한다.
상기 학습 과정에서 목표 지표로 설정된 평균 제곱근 오차(RMSE: Root Mean Square Error)는 잔차(관측에서 나타나는 오차)의 제곱합을 산술평균한 값의 제곱근으로서 관측값들 간의 상호간 편차를 의미한다. 예측값의 측정값에 대한 표준 편차를 일반화시킨 척도로서 실제값과 추정값과의 차이를 표시하기 위해 사용된다.
또한, 상기된 모델링을 위한 파라미터를 최적화하는 단계(222b)는,
첫번째 데이터부터 순차적으로 교차 검증을 수행하는 단계(222b_1);
척추 관련 입력 정보를 포함한 훈련데이터(trainingData)를 다중선행 알고리즘에 따라 회귀모델을 적용하여 학습하는 단계(222b_2);
매개 변수가 적용된 예측 함수를 사용하여 결과 구조체를 생성하는 단계(222b_3);
검증 예측값(validationPredictors)을 계산하는 단계(222b_4);
복귀하여 N번째 데이터까지 반복하는 단계(222b_5);를 세부적으로 포함하는 것을 특징으로 한다.
본 발명에서 제시된 회전 예측 모델링 시스템의 회전 예측 모델화 및 머신러닝의 실행 일례를 다음과 같은 27개의 데이터에 대해 훈련된 회귀모델 및 검증값을 리턴받기 위한 MATLAB 프로그램 코드로 예시하였다.
1단계 : 모델을 훈련하기에 적합한 데이터를 처리하는 단계 (222_a)
위의 spin_number(D, spin_number), A_ratio(A간격), B_ratio(B간격), C_ratio(C간격), Pedicle_line_angle(F,기준선과 측정하고자 하는 평행한 면이 이루는 각도)각도를 입력받아 모델을 훈련시키기에 적합한 형태로 데이터를 처리하여 predictors(측정값들)에 저장하고, 각 데이터의 실제측정 회전각도(rotation angle)은 response(실제값)에 저장한다.
inputTable = trainingData;
predictorNames = 'spin_number', 'A_ratio', 'B_ratio', 'C_ratio', 'Pedicle_line_angle';
predictors = inputTable(:, predictorNames);
response = inputTable.Rotation_angle;
isCategoricalPredictor = [false, false, false, false, false];
2단계 : 각 데이터에 대해 교차검증을 수행하며 모델을 훈련하는 단계(222_b)
response크기의 실제값에 대해서 27겹 교차 검증에 사용할 층화되지 않은 임의 분할을 정의하는 cypartition의 객체 cvp를 생성하고, 예측값을 실체값으로 초기화한다.
KFolds = 27;
cvp = cvpartition(size(response, 1), 'KFold', KFolds);
validationPredictions = response;
가) 1단계의 데이터부터 교차검증을 수행한다.(222b_1)
1부터 27개의 데이터에 대하여 반복적으로 교차검증을 수행한후 다중 선행 알고리즘을 옵션으로 지정하고 모델을 훈련시킨다.
for fold = 1:KFolds
trainingPredictors = predictors(cvp.training(fold), :);
trainingResponse = response(cvp.training(fold), :);
foldIsCategoricalPredictor = isCategoricalPredictor;
나) 척추관련 입력정보를 포함한 trainingData를 다중선행 알고리즘에 따라서 회귀모델을 훈련시킨다.(222b_2)
concatenatedPredictorsAndResponse = trainingPredictors;
concatenatedPredictorsAndResponse.Rotation_angle = trainingResponse;
linearModel = stepwiselm(...
concatenatedPredictorsAndResponse, ...
'linear', ...
'Upper', 'interactions', ...
'NSteps', 1000, ...
'Verbose', 0);
다) 예측함수를 사용하여 결과 구조체를 생성한다.(222b_3)
linearModelPredictFcn = @(x) predict(linearModel, x);
validationPredictFcn = @(x) linearModelPredictFcn(x);
라) 검증 예측값을 계산하고 원래 순서대로 저장한다.(222b_4)
validationPredictors = predictors(cvp.test(fold), :);
foldPredictions = validationPredictFcn(validationPredictors);
validationPredictions(cvp.test(fold), :) = foldPredictions;
바) 가)로 복귀하여 27번째 데이터까지 반복한다.(222b_5)
3단계 : trainedModel(훈련된 회귀모델)을 리턴받는다.(222_c)
trainedModel(훈련된 회귀모델)의 검증예측값을 리턴받는다.
4단계 : ValidationRMSE(검증을 위한 평균제곱근오차)를 평가한다.(222d)
ValidationRMSE는 선형회귀에서 실체값과 예측 값의 차이인 오차를 가장 최소화하는 가장 적합한 예측선을 찾는 것이다.
validationRMSE = sqrt(nansum(( validationPredictions - response ).^2) /
numel(response(isNotMissing) ));
Figure pat00001
본 프로그램에 따르면 실체값과 예측값 사이의 오차를 현저하게 줄인 척추회전을 예측하는 모델링이 가능하게 된다.
100: 회전 예측 모델링 시스템
110: 3D 영상 데이터 취득 모듈
120: 회전 데이터 처리 모듈
130: 회전 예측 모델화 및 머신러닝 모듈
200: X-선 척추뼈 회전 측정 앱
210: 측정 영상 입력 모듈
220: 회전 예측 처리 모듈

Claims (5)

  1. X-선으로 촬영된 척추 영상을 이용하여 척추측만증을 진단시 척추(Spine)의 횡측 기울임각 뿐 아니라 척추체(Vertebral Body)의 좌우 틀어짐 정도를 측정하기 위한 척추체 회전각 측정시스템에 있어서,
    다수의 인체를 대상으로 컴퓨터 단층 촬영(CT)을 통하여 3D 척추 영상 데이터를 획득하는 3D 영상 데이터 취득 모듈(110);
    상기 3D 영상 데이터 취득 모듈에서 취득된 CT 영상에서 척추를 구성하는 각 척추체에 대하여 수평면(Transverse Plane) 상에서 기준선을 설정하여 소정의 좌우 회전각을 설정하여 회전시킨 데이터를 2D 척추 영상으로 구성하기 위한 회전 데이터 처리 모듈(120);
    상기 회전 데이터 처리 모듈에서 처리된 각 회전각에 따른 2차원 영상에서 척추의 길이 및 크기, 척추경(Pedicle) 관련 매개체 간 간격의 측정치 등에 대한 정보를 머신러닝을 통해 학습시켜 회전각과의 상호 상관관계를 추정하기 위한 회전 예측 모델화 및 머신러닝 모듈(130);로 구성된 회전예측 모델링 시스템(100)과,

    X-선 촬영된 환자의 2D 척추 영상을 입력받기 위한 측정 영상 입력 모듈(210);과
    상기 측정 영상 입력 모듈로부터 척추의 길이 및 크기, 척추경 관련 매개체 간 간격의 측정치 등에 대한 정보를 획득하고, 척추의 회전각도를 도출하는 회전 예측 처리 모듈(220);로 구성된 X선 척추뼈 회전측정 앱(200)으로 이루어진 것을 특징으로 하는
    머신러닝에 기반한 X-선 상 척추회전각도 측정시스템.
  2. 제1항에 있어서,
    상기 회전 예측 모델링 시스템의 회전 데이터 처리 모듈(120)은
    3D 영상 데이터 취득 모듈에서 취득된 CT 영상에서 척추를 구성하는 각 척추체(Vertebral Body)에 대하여 척추경(Pedicle)의 가장 볼록한 가운데 위치를 기준으로 수평면(Transverse Plane) 상에서 기준선을 설정하는 척추체 수평 기준선 설정 단계(211);와
    설정된 수평 기준선에 대하여 좌측 -15°또는 우측 15°범위 내의 소정의 회전각을 설정하여 수평면(Transverse Plane) 상 척추 단면 데이터를 회전시켜 척추체에 대한 좌 또는 우측 회전 데이터를 구성하는 단계(212);와
    주어진 회전 조건을 반영하여 3D 척추 데이터를 재구성한 후 X-선 이미지와 같은 2D 영상을 취득하는 단계(213);와
    상기 회전 후 영상 데이터를 데이터베이스에 저장하는 단계(214);를 포함하는 것을 특징으로 하고,

    상기 회전 예측 모델링 시스템의 회전 예측 모델화 및 머신러닝 모듈(130)은
    상기 회전 데이터 처리 모듈에서 처리된 각 회전각에 따른 2차원 영상에서 척추의 길이 및 크기, 척추경(Pedicle) 관련 매개체 간 간격의 측정치 등에 대한 정보를 머신러닝을 위한 회전 측정 파라미터로 취득하는 단계(221);와
    상기 단계에서 추출된 파라미터를 상호작용, 선형, 기타 다항 선형 등의 예측 기법을 사용하여 평균 제곱근 오차인 RSME(Root Mean Square Error)를 최소화 하도록 파라미터를 최적화하고 모델화하는 파라미터 최적화 및 머신러닝 단계(222);와
    상기 모델링 파라미터를 적용하여 회전각과의 모델링 파라미터와의 상호 상관관계를 추정하는 회전각 예측 단계(223);와
    예측된 데이터를 데이터베이스에 저장하는 단계(224);를 포함하는 것을 특징으로 하는
    머신러닝에 기반한 X-선 상 척추회전각도 측정시스템.
  3. 제2항에 있어서,
    상기 회전 예측 모델링 시스템의 회전 예측 모델화 및 머신러닝 모듈(130)은,
    상기 회전 데이터 처리 모듈에서 처리된 각 회전각에 따른 2차원 영상에서 척추의 길이 및 크기, 척추경 관련 매개체 간 간격의 측정치 등에 대한 정보를 머신러닝을 위한 회전 측정 파라미터로 취득하는 과정으로서,
    상기 파라미터는,
    척추경(Pedicle)의 가장 볼록한 가운데 위치에서 척추연과 평행한 기준선을 설정하여 수평면(Transverse Plane) 상의 기준선(3_e)으로 하고,
    측정하고자 하는 척추체(Spine)의 바디(body) 외측, 즉 척추체의 상연과 하연을 연결하는 선으로부터 척추경(pedicle)의 외측 중심선까지의 거리(A)(3_a),
    상기 기준선 상에서 척추경(Pedicle)의 외측 마진(margine) 중심점으로부터 척추경 내측 마진(margine)까지의 거리인 척추경 사이의 폭거리(B)(3_b),
    B의 끝점으로부터 척추 반대편 외측 마진 사이의 거리(C)(3_c),
    회전반대측 척추경(pedicle)의 중심부위에서 척추의 위쪽 마진과 아래쪽 마진의 길이인 척추체의 종축 길이(D)(3_d),
    기준선(3_g)이 수평면과 이루는 각도(F)(3_f);인 것으로서,
    상기 파라미터와 척추체의 좌우 회전각과의 상호 상관관계를 추정하는 머신러닝에 기반한 X-선 상 척추회전각도 측정 방법.
  4. 제2항에 있어서,
    상기 파라미터 최적화 및 머신러닝 단계(222)는,
    예측 모델을 훈련하기에 적합한 유효 데이터를 처리하는 단계(222a),
    처리된 각 데이터에 대해 교차검증 수행하며 모델링을 위한 파라미터를 최적화하는 단계(222b),
    학습된 회귀모델(trainedModel)을 피드백을 위해 리턴받는 단계(222c), 및
    검증 평균제곱근오차(ValidationRMSE)를 평가하는 단계(222d)를 세부적으로 포함하는 것을 특징으로 하는
    머신러닝에 기반한 X-선 상 척추회전각도 측정시스템.

  5. 제4항에 있어서,
    상기된 모델링을 위한 파라미터를 최적화하는 단계(222b)는,
    첫번째 데이터부터 순차적으로 교차 검증을 수행하는 단계(222b_1);
    척추 관련 입력 정보를 포함한 훈련데이터(training Data)를 다중선행 알고리즘에 따라 회귀모델을 적용하여 학습하는 단계(222b_2);
    매개 변수가 적용된 예측 함수를 사용하여 결과 구조체를 생성하는 단계(222b_3);
    검증 예측값(validationPredictors)을 계산하는 단계(222b_4);
    복귀하여 N번째 데이터까지 반복하는 단계(222b_5);를 세부적으로 포함하는 것을 특징으로 하는
    머신러닝에 기반한 X-선 상 척추회전각도 측정시스템.


KR1020210039962A 2021-03-26 2021-03-26 머신러닝에 기반한 x-선 상 척추 회전각도 측정시스템 및 이를 이용한 측정방법 KR102514246B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210039962A KR102514246B1 (ko) 2021-03-26 2021-03-26 머신러닝에 기반한 x-선 상 척추 회전각도 측정시스템 및 이를 이용한 측정방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210039962A KR102514246B1 (ko) 2021-03-26 2021-03-26 머신러닝에 기반한 x-선 상 척추 회전각도 측정시스템 및 이를 이용한 측정방법

Publications (2)

Publication Number Publication Date
KR20220134375A true KR20220134375A (ko) 2022-10-05
KR102514246B1 KR102514246B1 (ko) 2023-03-27

Family

ID=83596406

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210039962A KR102514246B1 (ko) 2021-03-26 2021-03-26 머신러닝에 기반한 x-선 상 척추 회전각도 측정시스템 및 이를 이용한 측정방법

Country Status (1)

Country Link
KR (1) KR102514246B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117291927A (zh) * 2023-09-22 2023-12-26 中欧智薇(上海)机器人有限公司 脊柱分割方法、系统、电子设备和非瞬时机器可读介质
WO2024090050A1 (ja) * 2022-10-27 2024-05-02 富士フイルム株式会社 画像処理装置、方法およびプログラム、並びに学習装置、方法およびプログラム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150036345A (ko) * 2012-07-02 2015-04-07 내셔널 유니버시티 오브 싱가포르 광섬유 라만 분광법을 이용하는 내시경검사로 실시간 암 진단과 관련된 방법
JP2015532144A (ja) * 2012-10-12 2015-11-09 エコール ドゥ テクノロジー スペリウールＥｃｏｌｅ Ｄｅ Ｔｅｃｈｎｏｌｏｇｉｅ Ｓｕｐｅｒｉｅｕｒｅ 側弯症の進行を予測するシステム及び方法
KR20200073402A (ko) 2018-12-14 2020-06-24 경북대학교 산학협력단 척추체 회전 측정 방법, 이를 수행하기 위한 장치 및 기록매체
CN112233083A (zh) * 2020-10-13 2021-01-15 沈阳先进医疗设备技术孵化中心有限公司 脊椎检测方法、装置、电子设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150036345A (ko) * 2012-07-02 2015-04-07 내셔널 유니버시티 오브 싱가포르 광섬유 라만 분광법을 이용하는 내시경검사로 실시간 암 진단과 관련된 방법
JP2015532144A (ja) * 2012-10-12 2015-11-09 エコール ドゥ テクノロジー スペリウールＥｃｏｌｅ Ｄｅ Ｔｅｃｈｎｏｌｏｇｉｅ Ｓｕｐｅｒｉｅｕｒｅ 側弯症の進行を予測するシステム及び方法
KR20200073402A (ko) 2018-12-14 2020-06-24 경북대학교 산학협력단 척추체 회전 측정 방법, 이를 수행하기 위한 장치 및 기록매체
CN112233083A (zh) * 2020-10-13 2021-01-15 沈阳先进医疗设备技术孵化中心有限公司 脊椎检测方法、装置、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024090050A1 (ja) * 2022-10-27 2024-05-02 富士フイルム株式会社 画像処理装置、方法およびプログラム、並びに学習装置、方法およびプログラム
CN117291927A (zh) * 2023-09-22 2023-12-26 中欧智薇(上海)机器人有限公司 脊柱分割方法、系统、电子设备和非瞬时机器可读介质

Also Published As

Publication number Publication date
KR102514246B1 (ko) 2023-03-27

Similar Documents

Publication Publication Date Title
Somoskeöy et al. Accuracy and reliability of coronal and sagittal spinal curvature data based on patient-specific three-dimensional models created by the EOS 2D/3D imaging system
Illés et al. Breakthrough in three-dimensional scoliosis diagnosis: significance of horizontal plane view and vertebra vectors
Humbert et al. 3D reconstruction of the spine from biplanar X-rays using parametric models based on transversal and longitudinal inferences
CN102497821B (zh) 用于评估脊柱侧凸的三维(3d)超声成像系统
US20090226055A1 (en) Systems and methods for multi-dimensional characterization and classification of spinal shape
Illés et al. The third dimension of scoliosis: The forgotten axial plane
Illés et al. Comparison of scoliosis measurements based on three-dimensional vertebra vectors and conventional two-dimensional measurements: advantages in evaluation of prognosis and surgical results
Mitulescu et al. Three-dimensional surface rendering reconstruction of scoliotic vertebrae using a non stereo-corresponding points technique
Poredoš et al. Determination of the human spine curve based on laser triangulation
KR102514246B1 (ko) 머신러닝에 기반한 x-선 상 척추 회전각도 측정시스템 및 이를 이용한 측정방법
JP2020074876A (ja) 脊椎骨姿勢推定装置
Boisvert et al. Articulated spine models for 3-D reconstruction from partial radiographic data
Bagheri et al. Reliability of three-dimensional spinal modeling of patients with idiopathic scoliosis using EOS system
US20050148839A1 (en) Method for non-invasive measurement of spinal deformity
Vrtovec et al. Automated generation of curved planar reformations from MR images of the spine
Moura et al. Real-scale 3D models of the scoliotic spine from biplanar radiography without calibration objects
Iriondo et al. Institution‐wide shape analysis of 3D spinal curvature and global alignment parameters
Mishra et al. Measurement of spine parameters and possible scoliosis cases with surface topography Techniques: A case study with young Indian males
Berger et al. A software program to measure the three-dimensional length of the spine from radiographic images: validation and reliability assessment for adolescent idiopathic scoliosis
Shea et al. Spinal deformity measurement using a low-density flexible array ultrasound transducer: A feasibility study with phantoms
Mária et al. The new processing of the results of examinations made with Zebris WIN-SPINE spine-measuring method and its validation
Lim et al. Correlation of idiopathic scoliosis assessments between newly developed Milwaukee Topographic Scanner and Quantec
KR20170004514A (ko) 척추 측만증 분석시스템
García-Cano et al. A freehand ultrasound framework for spine assessment in 3d: a preliminary study
Newell et al. A comparison of four techniques to measure anterior and posterior vertebral body heights and sagittal plane wedge angles in adolescent idiopathic scoliosis

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