KR20220139812A

KR20220139812A - 의료 영상의 라디오믹스 특성을 이용한 정신질환 진단 방법 및 장치

Info

Publication number: KR20220139812A
Application number: KR1020220042910A
Authority: KR
Inventors: 방민지; 이상혁; 안성수; 박예원
Original assignee: 의료법인 성광의료재단; 연세대학교 산학협력단
Priority date: 2021-04-07
Filing date: 2022-04-06
Publication date: 2022-10-17

Abstract

본 발명은 의료 영상의 라디오믹스 특성을 이용한 정신질환 진단 방법 및 장치에 관한 발명이다. 본 발명의 일 실시예에 따른 정신질환 진단 방법은 의료 영상의 라디오믹스 특성(radiomics feature)을 이용하는 정신질환 진단 방법으로서, 정신질환 진단 장치가 정신질환 환자와 정상인을 포함하는 제1 그룹에서 복수 개의 제1 의료 영상을 획득하고, 상기 의료 영상에서 뇌 영역을 분할하여 그로부터 복수 개의 라디오믹스 특성을 추출하는 학습 준비 단계, 상기 정신질환 진단 장치가 상기 제1 의료 영상과 상기 추출된 라디오믹스 특성을 하나 이상의 기계 학습 분류 모델에 입력하여, 상기 추출된 라디오믹스 특성에 기초해 상기 제1 의료 영상을 정신질환 환자와 정상인으로 분류하는 방법을 학습시키는 학습 단계 및 상기 정신질환 진단 장치가 상기 제1 그룹과 다른 정신질환 환자와 정상인을 포함하는 제2 그룹에서 복수 개의 제2 의료 영상을 획득하고, 상기 제2 의료 영상에서 뇌 영역을 분할하여 그로부터 복수 개의 라디오믹스 특성을 추출하고, 상기 제2 의료 영상과 그로부터 추출한 상기 라디오믹스 특성을 상기 학습된 하나 이상의 기계 학습 분류 모델에 입력하여, 상기 제2 의료 영상을 정신질환 환자와 정상인으로 분류하는 분류 단계를 포함한다.

Description

의료 영상의 라디오믹스 특성을 이용한 정신질환 진단 방법 및 장치{DIAGNOSIS METHOD AND METHOD FOR PSYCHOPATHY USING RADIOMICS FEATURE OF MEDICAL IMAGE}

본 발명은 정신질환 진단 방법 및 장치에 관한 발명으로, 보다 상세하게는 의료 영상의 라디오믹스 특성을 이용해 정신질환을 진단하는 방법 및 장치에 관한 발명이다.

조현병(schizophrenia)을 비롯한 정신질환은 뇌의 이상에서 비롯되는 것으로 알려져 있으나 그 정확한 병인(etiology)과 발병(pathogenesis)에 대해서는 밝혀진 바가 없다. 특히 정신질환에서 나타나는 뇌의 상태를 정량화하고 이를 이용해 진단하는 방법은 전무하기 때문에 정신질환 진단은 의사의 면담을 통한 임상적 진단에 전적으로 의존하고 있다.

이로 인해 면담을 하는 의사에 따라 동일한 환자에 대한 진단이 달라질 수 있으며, 질병의 경과와 예후를 전혀 예측할 수 없는 문제가 있다. 또한 기술적 정신 병리에 기반한 진단은 질병의 핵심 병인을 고려하지 않는 점에서 정확성에 한계가 있다.

한편 조현병은 사고, 감정, 지각, 행동 등 인격의 여러 측면에 걸쳐 광범위한 임상적 이상 증상을 일으키는 정신질환으로, 뇌 연결성 이상이 그 원인 중 하나로 평가되고 있다. 그러나 현재는 뇌 연결성을 어떻게 정량적으로 평가하고 이에 기초하여 진단할 것인지에 대한 논의가 전무한 상황이기 때문에, 조현병 진단 역시 의사의 임상적 진단에 의존하고 있다.

따라서 질병의 뇌신경생물학적 기전과 과학적으로 측정 가능한 객관적 소견에 기반한 정신과적 진단 기술의 개발이 요구된다.

전술한 배경 기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지 기술이라 할 수는 없다.

한국공개특허공보 제10-2001-0006253호

본 발명은 전술한 문제점을 해결하기 위한 발명으로서, 의료 영상에 라디오믹스 분석을 실시하여, 뇌신경 구조의 영상학적 변화를 정량화한 데이터를 이용해 기계 학습을 통한 진단 모델을 개발함으로써 조현병을 비롯한 정신질환을 진단하는 방법 및 장치와 컴퓨터 프로그램에 관한 발명이다.

다만 이는 본 발명에서 해결하고자 하는 과제의 일 예시로서, 본 발명의 목적은 이에 한정되지 않는다.

본 발명의 일 실시예에 따른 정신질환 진단 방법은 의료 영상의 라디오믹스 특성(radiomics feature)을 이용하는 정신질환 진단 방법으로서, 정신질환 진단 장치가 정신질환 환자와 정상인을 포함하는 제1 그룹에서 복수 개의 제1 의료 영상을 획득하고, 상기 의료 영상에서 뇌 영역을 분할하여 그로부터 복수 개의 라디오믹스 특성을 추출하는 학습 준비 단계, 상기 정신질환 진단 장치가 상기 제1 의료 영상과 상기 추출된 라디오믹스 특성을 하나 이상의 기계 학습 분류 모델에 입력하여, 상기 추출된 라디오믹스 특성에 기초해 상기 제1 의료 영상을 정신질환 환자와 정상인으로 분류하는 방법을 학습시키는 학습 단계 및 상기 정신질환 진단 장치가 상기 제1 그룹과 다른 정신질환 환자와 정상인을 포함하는 제2 그룹에서 복수 개의 제2 의료 영상을 획득하고, 상기 제2 의료 영상에서 뇌 영역을 분할하여 그로부터 복수 개의 라디오믹스 특성을 추출하고, 상기 제2 의료 영상과 그로부터 추출한 상기 라디오믹스 특성을 상기 학습된 하나 이상의 기계 학습 분류 모델에 입력하여, 상기 제2 의료 영상을 정신질환 환자와 정상인으로 분류하는 분류 단계를 포함한다.

본 발명의 일 실시예에 따른 정신질환 진단 방법에 있어서, 상기 학습 준비 단계 및 상기 분류 단계에서 상기 제1 의료 영상 및 상기 제2 의료 영상은 자기공명영상으로서 T1 강조 영상(T1-weighted image), ADC(apparent diffusion coefficient; 겉보기 확산 계수) 맵 및 FA(fractional anisotropy; 분할 이등방도) 맵 중 적어도 어느 하나일 수 있다.

본 발명의 일 실시예에 따른 정신질환 진단 방법에 있어서, 상기 학습 준비 단계 및 상기 분류 단계는 상기 제1 의료 영상 및 상기 제2 의료 영상에서 뇌량(corpus callosum) 영역을 분할하고, 상기 분할된 뇌량 영역에 복수 개의 관심 영역(region of interest; ROI)을 설정할 수 있다.

본 발명의 일 실시예에 따른 정신질환 진단 방법에 있어서, 상기 복수 개의 관심 영역은 상기 분할된 뇌량 영역에 있어서 전측부(anterior), 전중앙부(mid-anteriror), 중앙부(central), 후중앙부(mid-posterior) 및 후측부(posterior)에 대응될 수 있다.

본 발명의 일 실시예에 따른 정신질환 진단 방법에 있어서, 상기 복수 개의 라디오믹스 특성은 상기 복수 개의 관심 영역에 대해 각각 선정된 형상 특성, 1차 특성 및 2차 특성 중 적어도 하나를 포함할 수 있다.

본 발명의 일 실시예에 따른 정신질환 진단 방법에 있어서, 상기 학습 단계는 상기 제1 의료 영상과 상기 추출된 라디오믹스 특성을 복수 개의 기계 학습 분류 모델에 입력하고, 상기 추출된 라디오믹스 특성에 기초해 상기 복수 개의 기계 학습 분류 모델에 대해 상기 제1 의료 영상을 정신질환 환자와 정상인으로 분류하는 방법을 학습시키는 단계 및 상기 복수 개의 기계 학습 분류 모델의 상기 제1 그룹에 대한 분류 정확도를 측정한 다음, 가장 정확도가 높은 기계 학습 분류 모델을 선정하는 단계를 포함할 수 있다.

본 발명의 일 실시예에 따른 정신질환 진단 방법에 있어서, 상기 분류 단계는 각각의 라디오믹스 특성의 정신질환 진단 기여도를 수치화하여, 상기 기여도의 합이 기 설정된 값을 초과하면 정신질환 환자로 분류하고, 상기 기여도의 합이 기 설정된 값 이하면 정상인으로 분류할 수 있다.

본 발명의 일 실시예에 따른 정신질환 진단 방법에 있어서, 상기 분류 단계는 각각의 라디오믹스 특성이 갖는 정신질환 진단 기여도를 상기 제2 그룹에 포함된 인원에 대해 개별적으로 나타낼 수 있다.

본 발명의 일 실시예에 따른 정신질환 진단 장치는 의료 영상의 라디오믹스 특성을 이용하는 정신질환 진단 장치로서, 정신질환 환자와 정상인의 복수 개의 의료 영상을 획득하는 의료 영상 획득부, 상기 의료 영상에서 복수 개의 라디오믹스 특성을 추출하는 특성 추출부, 상기 의료 영상과 상기 추출된 라디오믹스 특성을 하나 이상의 기계 학습 분류 모델에 입력하여, 상기 의료 영상을 정신질환 환자와 정상인으로 분류하는 방법을 학습시키는 학습부 및 상기 의료 영상과 상기 추출된 라디오믹스 특성을 상기 학습된 하나 이상의 기계 학습 분류 모델에 입력하여, 상기 의료 영상을 정신질환 환자와 정상인으로 분류하는 분류부를 포함한다.

본 발명의 일 실시예에 따른 정신질환 진단 장치에 있어서, 상기 의료 영상은 자기공명영상으로서 T1 강조 영상, ADC 맵 및 FA 맵 중 적어도 어느 하나일 수 있다.

본 발명의 일 실시예에 따른 정신질환 진단 장치에 있어서, 상기 의료 영상에서 뇌량 영역을 분할하고, 상기 분할된 뇌량 영역에 복수 개의 관심 영역을 설정하는 영역 설정부를 더 포함할 수 있다.

본 발명의 일 실시예에 따른 정신질환 진단 장치에 있어서, 상기 복수 개의 관심 영역은 상기 분할된 뇌량 영역에 있어서 전측부, 전중앙부, 중앙부, 후중앙부 및 후측부에 대응될 수 있다.

본 발명의 일 실시예에 따른 정신질환 진단 장치에 있어서, 상기 복수 개의 라디오믹스 특성은 상기 복수 개의 관심 영역에 대해 각각 선정된 형상 특성, 1차 특성 및 2차 특성 중 적어도 하나를 포함할 수 있다.

본 발명의 일 실시예에 따른 정신질환 진단 장치에 있어서, 상기 학습부는 상기 의료 영상과 상기 추출된 라디오믹스 특성을 복수 개의 기계 학습 분류 모델에 입력하고, 상기 추출된 라디오믹스 특성에 기초해 상기 복수 개의 기계 학습 분류 모델에 대해 상기 의료 영상을 정신질환 환자와 정상인으로 분류하는 방법을 학습시키고, 상기 복수 개의 기계 학습 분류 모델의 분류 정확도를 측정한 다음, 가장 정확도가 높은 기계 학습 분류 모델을 선정하는 판단부를 더 포함할 수 있다.

본 발명의 일 실시예에 따른 정신질환 진단 장치에 있어서, 각각의 라디오믹스 특성의 정신질환 진단 기여도를 수치화하여, 상기 기여도의 합이 기 설정된 값을 초과하면 정신질환 환자로 분류하고, 상기 기여도의 합이 기 설정된 값 이하면 정상인으로 분류할 수 있다.

본 발명의 일 실시예에 따른 정신질환 진단 장치에 있어서, 각각의 라디오믹스 특성이 갖는 정신질환 진단 기여도를 상기 제2 그룹에 포함된 인원에 대해 개별적으로 나타내는 출력부를 더 포함할 수 있다.

본 발명의 일 실시예에 따른 컴퓨터 프로그램은 컴퓨터를 이용하여 전술한 방법을 실행시키기 위하여 컴퓨터 판독 가능한 저장 매체에 저장된 컴퓨터 프로그램이다.

전술한 것 외의 다른 측면, 특징, 이점은 이하의 발명을 실시하기 위한 구체적인 내용, 청구범위 및 도면으로부터 명확해질 것이다.

본 발명의 일 실시예에 따른 정신질환 진단 장치 및 방법과 컴퓨터 프로그램은 의료 영상(예를 들어 뇌 자기공명영상)으로부터 라디오믹스 특성을 추출하고, 입력된 의료 영상을 추출된 라디오믹스 특성에 기초해 정신질환 환자와 정상인으로 분류할 수 있다. 이에 따라 뇌 자기공명영상으로부터 정량화 및 수치화할 수 있는 판단 지표(라디오믹스 특성)를 이용해 정신질환을 진단함으로써, 정확한 정신질환 진단 방법을 제시할 수 있다.

특히 본 발명의 실 실시예에 따른 정신질환 진단 장치 및 방법과 컴퓨터 프로그램은 라디오믹스 분석을 통해 종래보다 뛰어난 진단적 유용성을 갖는 모델링을 제공할 수 있으며, 모델링의 개별 환자에 대한 분석 결과를 제공할 수 있다.

도 1은 본 발명의 일 실시예에 따른 정신질환 진단 장치를 나타낸다.
도 2는 본 발명의 일 실시예에 따른 진단 결과를 나타낸다.
도 3a 및 도 3b는 본 발명의 일 실시예에 따른 개별 진단 결과를 나타낸다.
도 4는 본 발명의 일 실시예에 따른 정신질환 진단 방법을 나타낸다.
도 5는 본 발명의 일 실시예에 따른 학습 단계를 나타낸다.
도 6은 본 발명의 일 실시예에 따른 의료 영상을 나타낸다.
도 7은 본 발명의 일 실시예에 따른 의료 영상 중 뇌량(corpus callosum)을 분할한 상태를 나타낸다.
도 8a 및 도 8b는 주요 라디오믹스 특성의 히트맵(heatmap)과 기계 학습 분류 모델의 AUC 히트맵을 나타낸다.
도 9a 및 도 9b는 본 발명의 일 실시예에 따른 기계 학습 분류 모델의 ROC(Receiver Operating Characteristic) 곡선 및 AUC(Area Under Curve)를 나타낸다.
도 10a 및 도 10b는 본 발명의 일 실시예에 따른 기계 학습 분류 모델의 일치도 곡선을 나타낸다.
도 11a 및 도 11b는 본 발명의 일 실시예에 따른 기계 학습 분류 모델의 결정 곡선(decision curve)을 나타낸다.
도 12 내지 16은 본 발명의 일 실시예에 따른 기계 학습 분류 모델에 SHAP(Shapley Additive exPlanations)를 적용한 결과를 나타낸다.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 발명의 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시예로 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 다른 실시예에 도시되어 있다 하더라도, 동일한 구성요소에 대하여서는 동일한 식별부호를 사용한다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다.

이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.

도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다.

이하의 실시예에서, x축, y축 및 z축은 직교 좌표계 상의 세 축으로 한정되지 않고, 이를 포함하는 넓은 의미로 해석될 수 있다. 예를 들어, x축, y축 및 z축은 서로 직교할 수도 있지만, 서로 직교하지 않는 서로 다른 방향을 지칭할 수도 있다.

어떤 실시예가 달리 구현 가능한 경우에 특정한 공정 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 공정이 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 진행될 수 있다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 본 출원에서, "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.

이하, 첨부된 도면들에 도시된 본 발명에 관한 실시예들을 참조하여 본 발명을 상세히 설명한다.

도 1은 본 발명의 일 실시예에 따른 정신질환 진단 장치(10)를 나타내고, 도 2는 본 발명의 일 실시예에 따른 정신질환 진단 방법을 나타내고, 도 3은 본 발명의 일 실시예에 따른 학습 단계를 나타내고, 도 4는 본 발명의 일 실시예에 따른 의료 영상을 나타내고, 도 5는 본 발명의 일 실시예에 따른 의료 영상 중 뇌량(corpus callosum)을 분할한 상태를 나타낸다.

본 발명의 일 실시예에 따른 정신질환 진단 장치(10)는 의료 영상의 라디오믹스 특성(radiomics feature)을 이용하여 정신질환을 진단하는 장치이며, 각종 연산을 수행하기 위한 컴퓨팅 장치일 수 있다.

일 실시예로 정신질환 진단 장치(10)는 의료 영상을 획득하고 그에 기초하여 라디오믹스 특성을 추출하며, 의료 영상과 라디오믹스 특성을 입력 데이터로 이용하여 기계 학습 분류 모델을 학습시킬 수 있다. 그리고 정신질환 진단 장치(10)는 새로운 의료 영상 및 그에 따른 라디오믹스 특성을 획득하고, 학습된 기계 학습 분류 모델을 이용해 정신질환 환자를 진단할 수 있다.

도면에는 나타내지 않았으나 정신질환 진단 장치(10)는 하나 이상의 프로세서로 구현되어 연산을 수행하여 컴퓨터 프로그램의 명령을 처리하도록 구성되는 제어부, 네트워크를 통해 외부와 통신할 수 있는 통신부, 프로그램 코드 등이 저장될 수 있는 저장부, 사용자 입력을 수신하고 화면을 표시하는 입출력부를 포함할 수 있다. 이 외에도 정신질환 진단 장치(10)는 컴퓨팅 장치에 필요한 공지의 구성을 더 포함할 수 있다.

일 실시예로 정신질환 진단 장치(10)는 사용자 단말로 구현될 수 있다. 예를 들어 정신질환 진단 장치(10)는 데스크탑, 랩탑, 태블릿 또는 스마트폰 등으로 구현될 수 있다.

라디오믹스는 다양한 영상학적 표현형을 수치로 정량화하여 데이터 마이닝이 가공한 형태로 가공하는 기술이다. 라디오믹스는 영상으로부터 수식을 통해 정량화할 수 있는 라디오믹스 특성을 추출하는데, 이들 특성은 형상 특성(shape feature), 1차 특성(first-order feature), 2차 특성(second-order feature)을 포함한다. 형상 특성은 관심 영역의 형상을 나타내며, 1차 특성은 관심 영역의 강도 분포(intensity distribution)를 나타내며, 2차 특성은 공간 균일성(spatial heterogeneity)을 나타낸다. 또한 2차 특성은 GLCM(Gray level co-occurrence matrix) 특성, GLRLM(Gray level run length matrix) 특성, GLSZM(Gray level size zone matrix) 특성 및 GLDM(Gray level dependence matrix) 특성을 포함할 수 있다. 이들 특성은 공지된 라디오믹스 특성 카테고리로서, 이에 관한 상세한 설명은 생략한다.

조현병을 비롯한 정신 질환에서 나타나는 뇌의 변화는 눈으로 관찰할 수 없는 미세한 수준에서 나타난다. 따라서 뇌 MRI 영상에서 뇌의 특정 영역의 부피, 면적, 길이, 백질 연결성 등을 측정하여 진단하는 종래 기술은 진단적 특이성이 떨어질 수밖에 없다. 이에 반해 본 발명은 의료 영상에서의 미세한 변화를 수학적으로 계산하여 정량화할 수 있기 때문에 종래의 정신 질환 진단의 한계를 극복할 수 있다.

본 발명의 일 실시예에 따른 정신질환 진단 장치(10) 및 정신질환 진단 방법은 조현병뿐만 아니라 공황장애, 우울증 및 조울증 등 다양한 정신질환을 진단하고 분류하는데 이용될 수 있다.

도 1을 참조하면 본 발명의 일 실시예에 따른 정신질환 진단 장치(10)는 의료 영상 획득부(100), 전처리부(200), 영역 설정부(300), 특성 추출부(400), 학습부(500), 분류부(600) 및 판단부(700)를 포함할 수 있다.

의료 영상 획득부(100)는 정신질환 환자 및/또는 정상인의 의료 영상을 획득할 수 있다. 일 실시예로 의료 영상 획득부(100)는 복수 명의 정신질환 환자와 정상인이 포함된 복수 개의 그룹에서 각각의 의료 영상을 획득할 수 있다. 일 실시예로 의료 영상 획득부(100)는 서로 다른 정신질환 환자와 정상인을 포함하는 제1 그룹 및 제2 그룹 각각에 대해 의료 영상을 획득할 수 있다. 여기서 제1 그룹은 후술하는 바와 같이 기계 학습 분류 모델을 학습시키기 위한 트레이닝 그룹이며, 제2 그룹은 학습된 기계 학습 분류 모델을 이용해 정신질환을 진단하기 위한 테스트 그룹일 수 있다.

의료 영상의 종류는 특별히 한정하지 않으며, CT, MRI 등일 수 있다. 일 실시예로 의료 영상은 뇌 MRI 영상일 수 있다.

일 실시예로 의료 영상 획득부(100)는 자기공명영상 장치이며, 자기공명영상으로서 T1 강조 영상(T1-weighted image), ADC(apparent diffusion coefficient; 겉보기 확산 계수) 맵 및 FA(fractional anisotropy; 분할 이등방도) 맵 중 적어도 어느 하나를 획득할 수 있다. 예를 들어 의료 영상 획득부(100)는 정상인 또는 정신질환 환자 각각에 대해 T1 강조 영상, ADC 맵 및 FA 맵 등 3종의 MRI 영상을 획득할 수 있다.

T1 강조 영상은 짧은 TR(Repetition time)과 짧은 TE(Time to Echo)를 이용한 스핀에코 기법을 이용한 의료 영상으로서 조직의 T1 이관 시간의 차이를 신호 차이로 반영한다. ADC 맵 및 FA 맵은 확산텐서영상(diffusion tensor imaging)의 일종으로 각각 MR 신호 강도를 정량화한 수치 및 내부 물 분자 확산의 비등방성을 나타낸다

전처리부(200)는 의료 영상 획득부(100)가 획득한 의료 영상에 전처리를 실시한다. 예를 들어 전처리부(200)는 획득한 의료 영상에서 뇌 영역을 분할하고, 후술하는 라디오믹스 특성을 추출하기 위해 적합하도록 영상을 보정하고 노이즈를 제거하는 등 전처리를 실시할 수 있다.

일 실시예로 전처리부(200)는 획득한 의료 영상에서 뇌량(Corpus callosum) 영역을 분할할 수 있다. 또한 전처리부(200)는 머리의 움직임과 와전류에 의한 왜곡 등을 보정하기 위한 전처리를 실시할 수 있다. 그 외에도 전처리부(200)는 표준화(standardization) 등 라디오믹스 특성을 추출하기 위해 의료 영상에 실시하는 공지의 방법을 실시할 수 있다.

영역 설정부(300)는 의료 영상 중 분할된 영역에 복수 개의 관심 영역(region of interest; ROI)을 설정할 수 있다. 예를 들어 영역 설정부(300)는 의료 영상에서 분할된 뇌량 영역에 있어서 위치에 따라 전측부(anterior), 전중앙부(mid-anteriror), 중앙부(central), 후중앙부(mid-posterior) 및 후측부(posterior)에 대응되는 관심 영역을 설정할 수 있다.

특성 추출부(400)는 의료 영상 중 영역 설정부(300)에 의해 설정된 관심 영역에서 라디오믹스 특성을 추출한다. 일 실시예로 추출된 라디오믹스 특성은 형상 특성(shape feature), 1차 특성(first-order feature), 2차 특성(second-order feature)을 포함할 수 있으며, 2차 특성은 GLCM(gray level co-occurrence matrix), GLRLM(gray level run-length matrix), GLSZM(gray level size zone matrix), GLDM(gray level dependence matrix) 및 NGTDM(neighboring gray tone difference matrix)을 포함할 수 있다. 또한 라디오믹스 특성을 추출하는 방법은 공지의 데이터 특성화 알고리즘을 이용할 수 있다.

일 실시예로 의료 영상 획득부(100)가 획득한 T1 강조 영상, ADC 맵 및 FA 맵 각각에 대해 전처리부(200) 및 영역 설정부(300)가 뇌량에 복수 개의 관심 영역을 설정하면, 특성 추출부(400)는 이들 영상의 관심 영역 각각에 대해 라디오믹스 특성을 추출한다.

특성 추출부(400)가 추출하는 라디오믹스 특성의 종류와 개수 등은 특별히 한정하지 않는다. 예를 들어 특성 추출부(400)는 의료 영상 종류 n1개 각각에 대해 의료 영상에 설정된 n2개의 관심 영역에 있어서 n3개의 라디오믹스 특성을 추출하여, 총 n1*n2*n3개의 라디오믹스 특성을 추출할 수 있다. 보다 구체적으로 특성 추출부(400)는 3개의 의료 영상 종류(T1 강조 영상, ADC 맵 및 FA 맵) 각각에 대해 뇌량에 설정된 5개의 관심 영역에 있어서 107개의 라디오믹스 특성을 추출하여, 총 1,605개의 라디오믹스 특성을 추출할 수 있다.

일 실시예로 특성 추출부(400)는 모든 라디오믹스 특성에 대해 최소-최대 정규화(Min-Max normalization)를 실시할 수 있다. 이어서 특성 추출부(400)는 매우 밀접하게 서로 연관된 라디오믹스 특성의 개수를 줄이고, 변수 간의 상호 의존도를 나타내는 상호 정보를 적용하여 오버피팅을 피하기 위해 전체 라디오믹스 특성 중 일부 라디오믹스 특성을 선택할 수 있다.

학습부(500)는 의료 영상과 그로부터 추출된 라디오믹스 특성을 기계 학습 분류 모델에 입력하여, 입력된 의료 영상을 정신질환 환자와 정상인으로 분류하는 방법을 학습시킬 수 있다. 예를 들어 학습부(500)는 의료 영상 획득부(100)가 획득한 의료 영상으로부터 특성 추출부(400)가 라디오믹스 특성을 추출하면, 기계 학습 분류 모델이 정신질환 환자 및 정상인의 의료 영상의 라디오믹스 특성에 기초하여, 입력된 의료 영상을 정신질환 환자와 정상인으로 구분하는 기준을 학습하도록 할 수 있다.

일 실시예로 기계 학습 분류 모델은 신경망을 기반으로 하는 모델로서, DNN(deep neural network), RNN(recurrent neural network), BRDNN(bidirectional recurrent deep neural network)일 수 있다. 일 실시예로 기계 학습 분류 모델은 공지의 분류기 모델을 이용할 수 있다. 예를 들어 분류기 모델로서 에이다부스트(AdaBoost), 엑스트라 트리(Extra Tree), GBM(gradient boosting machine), GP(Gaussian process) 분류기, 랜덤 포레스트(random forest), SVM(support vector machine) 중 적어도 하나 이상을 이용할 수 있다. 또한 기계 학습 분류 모델은 이들 6개의 분류기 모델에 대해 ROSE(Random over sampling examples) 기법을 실시한 군과 그렇지 않은 군으로 나눌 수 있다.

일 실시예로 특성 추출부(400)가 정신질환 환자와 정상인을 포함하는 제1 그룹으로부터 의료 영상 획득부(100)가 획득한 제1 의료 영상에 대해 라디오믹스 특성을 추출하면, 학습부(500)는 제1 의료 영상과 라디오믹스 특성을 통해 정신질환 환자와 정상인을 분류하는 방법을 학습시킬 수 있다.

일 실시예로 기계 학습 분류 모델은 복수 개일 수 있다. 이에 따라 학습부(500)는 의료 영상과 라디오믹스 특성을 복수 개의 기계 학습 분류 모델에 각각 입력하고, 복수 개의 기계 학습 분류 모델이 의료 영상을 라디오믹스 특성에 기초하여 정신질환 환자와 정상인으로 분류하도록 각각 학습시킬 수 있다. 여기서 각각의 기계 학습 분류 모델은 서로 다른 알고리즘으로 학습을 하게 되고, 정신질환 환자와 정상인을 분류하기 위해 서로 다른 라디오믹스 특성을 이용할 수 있다.

분류부(600)는 학습된 기계 학습 분류 모델을 이용하여 입력된 의료 영상을 정신질환 환자와 정상인으로 구분할 수 있다. 예를 들어 학습부(500)에 의해 기계 학습 분류 모델이 학습된 상태에서, 의료 영상 획득부(100)가 새로운 의료 영상, 예를 들어 제1 그룹과 다른 정신질환 환자와 정상인을 포함하는 제2 그룹의 제2 의료 영상을 획득하고 특성 추출부(400)가 그로부터 라디오믹스 특성을 추출한다. 분류부(600)가 의료 영상과 그 라디오믹스 특성을 학습된 기계 학습 분류 모델에 입력하면, 기계 학습 분류 모델은 학습한 기준에 따라 입력된 의료 영상을 라디오믹스 특성에 기초하여 정신질환 환자와 정상인으로 분류할 수 있다.

일 실시예로 분류부(600)는 학습부(500)에 의해 학습된 복수 개의 기계 학습 분류 모델 중 어느 하나를 이용할 수 있다. 예를 들어 분류부(600)는 후술하는 판정부(700)의 판단 결과에 따라, 복수 개의 기계 학습 분류 모델 중 가장 진단 수행력이 높은 기계 학습 분류 모델을 이용해 분류 단계를 실시할 수 있다.

일 실시예로 분류부(600)는 입력된 의료 영상의 라디오믹스 특성에 기초해 정신질환 진단 결과를 점수화하여 나타낼 수 있다. 예를 들어 분류부(600)는 의료 영상을 학습된 기계 학습 분류 모델에 입력하고, 기계 학습 분류 모델이 입력된 의료 영상에 대해 정신질환 진단 가능성을 0 내지 1 사이의 값으로 점수화하여 나타내도록 할 수 있다. 여기서 해당 값은 해당 의료 영상에서 추출된 라디오믹스 특성이 정신질환에 미치는 영향을 수치화한 값에 대응한다.

일 실시예로 분류부(600)는 의료 영상이 입력되면, 해당 의료 영상에 대해 정신질환 진단의 위험성을 점수화하고, 점수가 기 설정된 값을 초과하면 정신질환 환자의 의료 영상으로 분류하고, 그 이하면 정상인으로 분류할 수 있다.

일 실시예로 분류부(600)는 특성 추출부(400)가 추출한 라디오믹스 특성 각각에 대해 정신질환 진단의 위험성에 미치는 영향을 점수화할 수 있다. 예를 들어 분류부(600)는 3개의 자기공명영상 시퀀스(T1 강조 영상, ADC 맵 및 FA 맵) 및 5개의 관심 영역(뇌량의 전측부, 전중앙부, 중앙부, 후중앙부 및 후측부) 각각에 대한 라디오믹스 특성이 정신질환 진단의 위험성에 미치는 영향을 개별적으로 점수화할 수 있다.

일 실시예로 분류부(600)는 각각의 라디오믹스 특성이 개인별로 정신질환 진단에 미치는 기여도를 나타낼 수 있다. 예를 들어 분류부(600)는 학습된 기계 학습 분류 모델이 정신질환 진단 시 활용한 라디오믹스 특성이 정신질환 진단에 기여하는 정도를 수치로 나타낼 수 있다. 여기서 각각의 라디오믹스 특성의 정신질환 진단 기여도는 음수, 양수 또는 0일 수 있으며, 이들이 합이 기 설정된 기준을 초과하면 전술한 바와 같이 정신질환 환자로 분류하고, 그 이하면 정상인으로 분류할 수 있다.

일 실시예로 분류부(600)는 선정된 기계 학습 분류 모델의 모델 해석력을 각각의 환자에 대해 개별적으로 평가할 수 있다. 예를 들어 분류부(600)는 기계 학습 분류 모델 중 분류 정확도가 가장 우수한 기계 학습 분류 모델에 대해 SHAP(SHapley Additive exPlanations)를 이용해 모델 해석력을 평가할 수 있다. 이를 통해 개별 환자에 대해 어떠한 라디오믹스 특성이 어느 정도의 정신질환 진단 기여도를 갖는지 판단할 수 있다.

일 실시예로 분류부(600)는 특성 추출부(400)가 추출한 라디오믹스 특성 중 정신질환 진단의 위험성에 중요한 라디오믹스 특성을 일부 선택하여, 이에 기초해 의료 영상을 정신질환 환자와 정상인으로 분류할 수 있다. 즉 분류부(600)는 특성 추출부(400)가 추출한 모든 라디오믹스 특성을 고려하여 정신질환을 진단하는 것이 아니라, 기계 학습 분류 모델이 의료 영상을 분류하고 진단할 때 사용한 라디오믹스 특성 중 정신질환 진단과 연관성이 큰 라디오믹스 특성 일부를 이용할 수 있다.

일 실시예로 학습부(500)와 분류부(600) 중 적어도 하나는 하나 이상의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어 학습부(500) 및 분류부(600) 중 적어도 하나는 인공지능을 위한 전용 하드웨어 칩 형태로 제작되거나, 기존의 범용 프로세서 또는 그래픽 전용 프로세서의 일부로 제작되어 데스크탑, 노트북, 태블릿 또는 스마트폰 등 전자 장치에 탑재될 수 있다.

이 경우 학습부(500) 및 분류부(600)는 하나의 전자 장치에 탑재되거나 각각 별개의 전자 장치에 탑재될 수 있다. 예를 들어 학습부(500) 및 분류부(600) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한 학습부(500) 및 분류부(600)는 유선 또는 무선으로 연결되어, 학습부(500)가 구축한 모델 정보를 분류부(600)로 제공하거나, 분류부(600)로 입력된 데이터를 추가 학습 데이터로서 학습부(500)로 제공할 수 있다.

일 실시예로 학습부(500) 및 분류부(600) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 학습부(500) 및 분류부(600) 중 적어도 하나가 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 기록 매체에 저장될 수 있다. 이 경우 적어도 하나의 소프트웨어 모듈은 OS를 통해 제공되거나 소정의 어플리케이션을 통해 제공될 수 있다. 또는 적어도 하나의 소프트웨어 모듈 중 일부는 OS를 통해 제공되고, 나머지 일부는 소정의 어플리케이션을 통해 제공될 수 있다.

일 실시예로 기계 학습 분류 모델이 학습되면, 학습부(500)는 학습된 기계 학습 분류 모델을 저장할 수 있다. 이 경우, 학습부(500)는 학습된 기계 학습 분류 모델을 분류부(600)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는 학습부(500)는 학습된 기계 학습 분류 모델을 전자 장치와 유무선 네트워크로 연결되는 서버의 메모리에 저장할 수 있다.

이 경우 학습된 기계 학습 분류 모델이 저장되는 메모리는 전자 장치의 적어도 하나의 다른 구성요소와 관련된 명령 또는 데이터를 함께 저장할 수 있다. 또한 메모리는 소프트웨어 및/또는 프로그램을 저장할 수 있다. 예를 들어 프로그램은 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램 등을 포함할 수 있다.

판단부(700)는 기계 학습 분류 모델의 분류 정확도를 측정하고, 정확도가 가장 높은 기계 학습 분류 모델을 선정할 수 있다. 예를 들어 판단부(700)는 복수 개의 기계 학습 분류 모델이 분류한 의료 영상이 실제 정신질환 환자와 정상인의 의료 영상에 대응되는지 판단하고, 이에 기초하여 복수 개의 기계 학습 분류 모델 중 가장 정확도가 높은 기계 학습 분류 모델을 선정할 수 있다.

예를 들어 판단부(700)는 복수 개의 기계 학습 분류 모델이 분류한 의료 영상에 대해 AUC(area under curve), 정확도(accuracy), 민감도(sensitivity) 및 특이도(specificity)를 기준으로 분류 정확도를 평가할 수 있다.

예를 들어 판단부(700)는 트레이닝 그룹과 테스트 그룹, 즉 제1 그룹과 제2 그룹에 대해 복수 개의 기계 학습 분류 모델의 성능, 즉 진단 수행력을 평가할 수 있다. 예를 들어 판단부(700)는 각각의 그룹에 대해 각각의 기계 학습 분류 모델의 판별 성능(discrimination performance)을 평가하기 위해, AUC, 정확도, 민감도 및 특이도를 계산하여 평가할 수 있다. 일 실시예로 판단부(700)는 예측 성능과 잠재적인 오버피팅 위험을 피하기 위해, 베이시안 최적화(Bayesian optimization)을 각각의 기계 학습 분류 모델에 실시할 수 있다.일 실시예로 정신질환 진단 장치(10)는 판단부(700)가 선정한 기계 학습 분류 모델에 기초하여 정신질환을 진단할 수 있다.

일 실시예로 정신질환 진단 장치(10)는 출력부(800)를 더 포함할 수 있다. 출력부(800)는 영상, 텍스트, 소리 또는 출력물 등으로 분류 및 판단 결과를 표시할 수 있다. 예를 들어 정신질환 진단 장치(10)는 스마트폰이고, 출력부(800)는 디스플레이 또는 스피커일 수 있다. 또는 출력부(800)는 정신질환 진단 장치(10)와 유무선으로 연결된 프린터 등일 수 있다.

일 실시예로 출력부(800)는 의료영상 획득부(100)가 획득한 복수 개의 의료 영상에 대해 분류부(600)가 분류한 결과를 출력할 수 있다.

일 실시예로 출력부(800)는 학습된 기계 학습 분류 모델이 제2 그룹 전체에 대해 정상인과 정신질환 환자를 분류한 결과를 나타낼 수 있다. 예를 들어 출력부(800)는 도 2에 나타낸 바와 같이, 제2 그룹에 포함된 정상인과 정신질환 환자 전체에 대해 정신질환 진단 가능성을 수치화하여 나타낼 수 있다. 여기서는 정신질환 진단 가능성이 50%를 넘을 경우, 정신질환 환자로 진단했다.

일 실시예로 출력부(800)는 각각의 라디오믹스 특성이 갖는 정신질환 진단 기여도를 제2 그룹에 포함된 인원에 대해 개별적으로 나타낼 수 있다. 예를 들어 도 3a 및 도 3b는 제2 그룹에 포함된 서로 다른 인원에 대해 각각의 라디오믹스 특성이 갖는 정신질환 진단 기여도를 포스 플롯(force plot)으로 나타낸 것이다. 기준값 0.5를 기준으로 0.5를 초과하면 정신질환 환자로 분류되고, 0.5 이하이면 정상인으로 분류될 수 있다. 도 3a에 나타낸 바와 같이, 해당 대상자는 각각의 라디오믹스 특성의 정신질환 진단 기여도의 합이 0.5 미만인 0.4이므로, 정상인으로 분류된다. 또한 도 3b에 나타낸 바와 같이, 해당 대상자는 각각의 라디오믹스 특성의 정신질환 진단 기여도의 합이 0.5 초과인 0.57이므로, 정신질환 환자로 분류된다. 도 3a 및 도 3b에서 적색으로 표시한 영역에 포함된 라디오믹스 특성은 정신질환 진단 기여도가 양수이고, 청색으로 표시한 영역에 포함된 라디오믹스 특성은 정신질환 진단 기여도가 음수이다.

일 실시예로 출력부(800)는 제2 그룹에 포함된 전체 인원에 대해, 각각의 라디오믹스 특성이 갖는 정신질환 진단 기여도가 높은 순서대로 라디오믹스 특성을 나열하여 표시할 수 있다.

일 실시예로 정신질환 진단 장치(10)의 의료영상 획득부(100), 전처리부(200), 영역 설정부(300), 특성 추출부(400), 학습부(500), 분류부(600), 판단부(700) 및 출력부(800) 중 적어도 어느 하나는 서버에 구현되고, 나머지는 사용자 단말에 구현될 수 있다. 예를 들어 전처리부(200), 영역 설정부(300), 특성 추출부(400), 학습부(500), 분류부(600), 판단부(700)는 서버에 구현되고, 사용자는 사용자 단말에 구현된 의료영상 획득부(100)를 통해 의료영상을 입력하고, 서버의 분류 결과를 사용자 단말로 받아 출력부(800)가 표시한 결과를 확인할 수 있다.

이와 같이 본 발명의 일 실시예에 따른 정신질환 진단 장치(10)는 라디오믹스 특성을 임상적 판단에 활용함으로써 높은 정확도와 신뢰도로 정신질환 환자와 정상인을 분류할 수 있으며, 특히 어떠한 라디오믹스 특성이 정신질환 판정에 영향을 미치는지 개별적으로 판단할 수 있다. 또한 본 발명의 일 실시예에 따른 정신질환 진단 장치(10)는 스마트폰 등 사용자 단말에 구현되어, 사용자가 손쉽게 어플리케이션 또는 응용 프로그램 등의 형태로 정신질환 진단을 실시할 수 있다.

본 발명의 일 실시예에 따른 정신질환 진단 방법은 전술한 정신질환 진단 장치(10)를 이용해 입력된 의료 영상으로부터 정신질환을 진단할 수 있다.

본 발명의 일 실시예에 따른 정신질환 진단 방법은 정신질환 환자와 정상인을 포함하는 제1 그룹에서 복수 개의 제1 의료 영상을 획득하고, 의료 영상에서 뇌 영역을 분할하여 그로부터 복수 개의 라디오믹스 특성을 추출하는 학습 준비 단계(S100), 제1 의료 영상과 추출된 라디오믹스 특성을 기계 학습 분류 모델에 입력하여, 추출된 라디오믹스 특성에 기초해 제1 의료 영상을 정신질환 환자와 정상인으로 분류하는 방법을 학습시키는 학습 단계(S200) 및 제1 그룹과 다른 제2 그룹에서 복수 개의 제2 의료 영상을 획득하고, 제2 의료 영상에서 뇌 영역을 분할하여 그로부터 복수 개의 라디오믹스 특성을 추출하고, 제2 의료 영상과 그로부터 추출한 라디오믹스 특성을 학습된 기계 학습 분류 모델에 입력하여, 제2 의료 영상을 정신질환 환자와 정상인으로 분류하는 분류 단계(S300)를 포함할 수 있다.

학습 준비 단계는 의료 영상 및 그로부터 라디오믹스 특성을 추출하여, 기계 학습 분류 모델을 학습시키기 위한 준비 단계이다. 예를 들어 학습 준비 단계에서는 정신질환 환자와 정상인을 포함하는 그룹(예를 들어 제1 그룹)에서 의료 영상을 획득하고, 의료 영상에서 뇌 영역을 분할한 다음, 뇌 영역으로부터 라디오믹스 특성을 추출할 수 있다.

일 실시예로 의료 영상 획득부(100)를 이용해 의료 영상을 획득하고, 전처리부(200) 및 영역 설정부(300)를 이용해 의료 영상에서 뇌 영역을 분할하고, 특성 추출부(400)를 이용해 뇌 영역으로부터 라디오믹스 특성을 추출할 수 있다.

일 실시예로 학습 준비 단계는 정신질환 환자와 정상인을 포함하는 제1 그룹으로부터 제1 의료 영상을 획득할 수 있다.

일 실시예로 학습 준비 단계는 제1 의료 영상으로서 자기공명영상인 T1 강조 영상, ADC 맵 및 FA 맵 중 적어도 하나를 획득할 수 있다.

일 실시예로 학습 준비 단계는 제1 의료 영상에서 뇌량 영역을 분할하고, 분할된 뇌량 영역에 복수 개의 관심 영역을 설정할 수 있다.

일 실시예로 복수 개의 관심 영역은 분할된 뇌량 영역에 있어서 전측부, 전중앙부, 중앙부, 후중앙부 및 후측부에 대응될 수 있다.

학습 단계는 학습 준비 단계에서 획득한 의료 영상과 그로부터 추출된 라디오믹스 특성을 기계 학습 분류 모델에 입력하여, 추출된 라디오믹스 특성을 기준으로 의료 영상을 정신질환 환자와 정상인으로 분류하는 방법을 학습시킬 수 있다.

일 실시예로 학습 단계는 제1 의료 영상과 추출된 라디오믹스 특성을 복수 개의 기계 학습 분류 모델에 입력하고, 추출된 라디오믹스 특성에 기초해 복수 개의 기계 학습 분류 모델에 대해 제1 의료 영상을 정신질환 환자와 정상인으로 분류하는 방법을 학습시키는 단계 및 복수 개의 기계 학습 분류 모델의 제1 그룹에 대한 분류 정확도를 측정한 다음, 가장 정확도가 높은 기계 학습 분류 모델을 선정하는 단계를 포함할 수 있다.

분류 단계는 복수 개의 의료 영상을 획득하고 그로부터 뇌 영역을 분할하여 라디오믹스 특성을 추출하고, 획득한 의료 영상 및 추출한 라디오믹스 특성을 학습된 기계 학습 분류 모델에 입력하여 의료 영상을 정신질환 환자와 정상인으로 분류할 수 있다.

예를 들어 분류 단계는 정신질환 환자와 정상인을 포함하는 그룹(예를 들어 제2 그룹)으로부터 제2 의료 영상을 획득하고, 그로부터 뇌 영역을 분할하여 라디오믹스 특성을 추출할 수 있다. 그리고 획득한 제2 의료 영상과 그 라디오믹스 특성을 학습된 기계 학습 분류 모델에 입력하여, 제2 의료 영상을 정신질환 환자와 정상인으로 분류할 수 있다.

일 실시예로 분류 단계는 입력된 의료 영상의 라디오믹스 특성에 기초해 정신질환 진단의 위험성을 0 내지 1 사이의 값으로 점수화하여 나타낼 수 있다. 예를 들어 분류 단계는 각각의 라디오믹스 특성의 정신질환 진단 기여도를 수치화하여, 기여도의 합이 기 설정된 값을 초과하면 정신질환 환자로 분류하고, 기여도의 합이 기 설정된 값 이하면 정상인으로 분류할 수 있다.

일 실시예로 분류 단계는 의료 영상이 입력되면, 해당 의료 영상에 대해 정신질환 진단의 위험성을 점수화하고, 점수가 기 설정된 값을 초과하면 정신질환 환자의 의료 영상으로 분류하고, 그 이하면 정상인으로 분류할 수 있다.

일 실시예로 분류 단계는 추출한 라디오믹스 특성 각각에 대해 정신질환 진단의 위험성에 미치는 영향을 점수화할 수 있다.

일 실시예로 분류 단계는 추출한 라디오믹스 특성 중 정신질환 진단의 위험성에 중요한 라디오믹스 특성을 일부 선택하여, 이에 기초해 의료 영상을 정신질환 환자와 정상인으로 분류할 수 있다.

일 실시예로 분류 단계는 제2 의료 영상으로서 자기공명영상인 T1 강조 영상, ADC 맵 및 FA 맵 중 적어도 하나를 획득할 수 있다.

일 실시예로 분류 단계는 제2 의료 영상에서 뇌량 영역을 분할하고, 분할된 뇌량 영역에 복수 개의 관심 영역을 설정할 수 있다.

일 실시예로 분류 단계는 각각의 라디오믹스 특성이 갖는 정신질환 진단 기여도를 제2 그룹, 즉 테스트 그룹에 포함된 인원에 대해 개별적으로 나타낼 수 있다.

본 발명의 일 실시예에 따른 정신질환 진단 장치(10) 및 방법은 의료 영상(예를 들어 뇌 자기공명영상)으로부터 라디오믹스 특성을 추출하고, 입력된 의료 영상을 추출된 라디오믹스 특성에 기초해 정신질환 환자와 정상인으로 분류할 수 있다. 이에 따라 뇌 자기공명영상으로부터 정량화 및 수치화할 수 있는 판단 지표(라디오믹스 특성)를 이용해 정신질환을 진단함으로써, 정확한 정신질환 진단 방법을 제시할 수 있다.

본 발명의 일 실시예에 따른 정신질환 진단 장치(10) 및 방법은 각각의 그룹에 포함된 인원에 대해 개별적으로 각각의 라디오믹스 특성의 정신질환 진단 기여도를 나타냄으로써, 어떠한 라디오믹스 특성이 정신질환 진단에 중요한 인자로서 작용하는지 확인할 수 있다.

실시예

1. 조현병 환자 및 정상인 그룹

조현병 환자 86명과 정상인 79명을 포함하는 총 165명의 참가자 그룹을 모집했다. 이 중 115명(조현병 환자 60명, 정상인 55명)을 트레이닝 그룹, 50명(조현병 환자 26명, 정상인 24명)을 테스트 그룹으로 포함시켰다. 조현병은 DSM-IV-TR 또는 DSM-5를 통해 진단했다.

2. 뇌 MRI 영상 획득 및 전처리 실시

참가자 그룹으로부터 자기공명영상을 획득했다. 구체적으로 3.0-Tesla scanner를 이용했으며, T1-weighted three-dimensional fast spoiled gradient-recalled echo(FSPGR) 시퀀스(TR: 6.3 ms, TE: 2.1 ms, flip angle: 12°, FOV(field of view): 256*256mm², matrix: 256*256, voxel size: 1*1*1mm³)로 고해상도 뇌 구조 영상을 획득했다. 또한 에코 평면 영상(echo planar imaging) 시퀀스(TR: 17,000 ms, TE: 108 ms, FOV: 240 mm, matrix: 144*144, voxel size: 1.67*1.67*1.7 mm³)로 확산 강조 영상(DWI)을 획득했다.

다음 자기공명영상 중 뇌량 영역에 대해 anterior, mid-anterior, central, mid-posterior 및 posterior 5개의 관심 영역을 세그멘테이션(segmentation)하고, 전처리를 실시했다.

3. 라디오믹스 특성 추출

획득한 의료 영상으로부터 라디오믹스 특성으로서 14개의 형상 특성, 17개의 1차 특성, 75개의 2차 특성을 추출했다. 2차 특성은 24개의 GLCM, 16개의 GLRLM, 16개의 GLSZM, 14개의 GLDM 및 5개의 NGTDM을 포함했다. 이에 따라 T1 강조 영상, ADC 맵 및 FA 맵의 5개의 뇌량 영역에 대해 총 1,605개의 라디오믹스 특성을 추출했다. 라디오믹스 특성은 Image Biomarker Standardization Initiative에 수행된 py-Radiomics(version 2.0)를 이용해 추출했다.

보다 구체적으로 도 8a는 주요 라디오믹스 특성의 히트맵(heatmap)을 나타낸다. 각각의 열은 개별 환자에 대응되고, 각각의 행은 z-스코어 표준화된 라디오믹스 특성에 대응된다. 도 8a은 트레이닝 그룹(제1 그룹)과 테스트 그룹(제2 그룹)으로 구분되고, 또한 정상인(청색)과 조현병 환자(적색)으로 구분된다.

또한 도 8b는 트레이닝 그룹과 테스트 그룹에서 정상인과 조현병 환자를 구분하는데 있어서, 각각의 기계 학습 분류 모델에서 얻은 AUC 값의 히트맵을 나타낸다.

4. 기계 학습 분류 모델 비교 및 선정

추출한 라디오믹스 특성에 대해 최소-최대 정규화(min-max normalization)를 실시했다. 그리고 추출한 라디오믹스 특성을 이용해 12개의 기계 학습 분류 모델을 학습시켰다. 기계 학습 분류 모델로서 에이다부스트(AdaBoost), 엑스트라 트리(Extra Tree), GBM(gradient boosting machine), GP(Gaussian process) 분류기, 랜덤 포레스트(random forest), SVM(support vector machine) 총 6종의 분류기를 이용했고, 이들 분류기에 대해 ROSE 기법을 적용하여 총 12종의 기계 학습 분류 모델을 얻었다.

다음 이들 12종의 기계 학습 분류 모델의 분류 정확도를 테스트 그룹에 대해 평가했다. 아래 표 1에 나타낸 바와 같이, ROSE 기법을 적용한 엑스트라 트리의 분류 정확도가 가장 우수했다.

해당 기계 학습 분류 모델에서 조현병 환자와 정상인을 분류하기 위해 이용한 주요 라디오믹스 특성은 아래 표와 같았다.

엑스트라 트리 모델은 트레이닝 그룹과 테스트 그룹 모두에 대해 높은 AUC 값(도 9a 및 도 9b 참조, 각각 0.90 및 0.89)을 얻었으며, 일치도 곡선도 실제 값과 유사하게 나타났다(도 10a 및 도 10b 참조). 또한 순이득 곡선(net benefit) 상에서도 해당 기계 학습 분류 모델을 이용하는 경우, 종래 기술로서 평균 ADC 및 FA 값을 이용하는 경우나 모든 참가자가 치료하는 경우 또는 모든 참가자가 치료하지 않는 경우에 비해 월등히 높은 순이득 곡선을 나타냈다(도 11a 및 도 11b 참조).

5. SHAP를 이용한 모델 해석력 평가

기계 학습 분류 모델 중 분류 정확도가 가장 우수한 엑스트라 트리에 대해 SHAP(SHapley Additive exPlanations)를 이용해 모델 해석력을 평가했다.

도 12는 엑스트라 트리 모델에서 가장 중요한 변수, 즉 조현병을 진단하는데 영향력이 큰 라디오믹스 특성 30개를 순서대로 나열했다. 라디오믹스 특성 중 posterior_T1_GLRLM_run entropy, 즉 뒤쪽 뇌량에서 추출한 조직 이질성을 반영하는 지표가 조현병을 진단하는데 가장 중요한 인자로 나타났다(도 12에서 HCs는 정상인, SCH는 조현병 환자를 나타내며, 이하 동일하다).

도 13은 엑스트라 트리 모델의 결정에 미치는 영향과 엑스트라 트리 모델에서 라디오믹스 특성들 간 상호작용을 나타낸다. SHAP 값이 커질수록 조현병으로 진단할 가능성이 커지며, SHAP 값이 작아질수록 그 반대다. 각각의 점은 각 참가자에 대한 예측에 대응된다.

도 14는 엑스트라 트리 모델이 조현병을 어떻게 예측하는지 나타낸다. 아래에서 위로 갈수록 각 라디오믹스 특성에 대한 SHAP 값이, 각 라디오믹스 특성이 조현병 예측에 기여하는 정도를 나타내는 기초값(base value)에 더해진다.

도 15는 엑스트라 트리 모델에서 가장 중요한 인자로 판단된 posterior_T1_GLRLM_run entropy의 의존도를 나타낸다. posterior_T1_GLRLM_run entropy는 조현병 진단과 선형적인 관계를 보이며, 음수인 경향을 나타낸다.

도 16은 해당 모델의 국소 해석력을 보여주기 위한 테스트 그룹의 특정 참가자의 포스 플롯(force plot)을 나타낸다. 해당 참가자의 경우, 여러 라디오믹스 특성 중 posterior_T1_GLRLM_run entropy, 즉 라디오믹스 특성 중 뇌량의 posterior로부터 추출한 2차 특성이 조현병 진단의 예측값에 가장 큰 기여를 하는 것을 알 수 있다.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이와 같이 도면에 도시된 실시예를 참고로 본 발명을 설명하였으나, 이는 예시에 불과하다. 해당 기술 분야에서 통상의 지식을 갖는 자라면 실시예로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 충분히 이해할 수 있다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 청구범위에 기초하여 정해져야 한다.

실시예에서 설명하는 특정 기술 내용은 일 실시예들로서, 실시예의 기술 범위를 한정하는 것은 아니다. 발명의 설명을 간결하고 명확하게 기재하기 위해, 종래의 일반적인 기술과 구성에 대한 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재는 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로 표현될 수 있다. 또한, "필수적인", "중요하게" 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.

발명의 설명 및 청구범위에 기재된 "상기" 또는 이와 유사한 지시어는 특별히 한정하지 않는 한, 단수 및 복수 모두를 지칭할 수 있다. 또한, 실시 예에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다. 또한, 실시예에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 실시예들이 한정되는 것은 아니다. 실시예에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 실시예를 상세히 설명하기 위한 것으로서 청구범위에 의해 한정되지 않는 이상, 상기 예들 또는 예시적인 용어로 인해 실시예의 범위가 한정되는 것은 아니다. 또한, 통상의 기술자는 다양한 수정, 조합 및 변경이 부가된 청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.

10: 정신질환 진단 장치

Claims

의료 영상의 라디오믹스 특성(radiomics feature)을 이용하는 정신질환 진단 방법으로서,
정신질환 진단 장치가 정신질환 환자와 정상인을 포함하는 제1 그룹에서 복수 개의 제1 의료 영상을 획득하고, 상기 의료 영상에서 뇌 영역을 분할하여 그로부터 복수 개의 라디오믹스 특성을 추출하는 학습 준비 단계;
상기 정신질환 진단 장치가 상기 제1 의료 영상과 상기 추출된 라디오믹스 특성을 하나 이상의 기계 학습 분류 모델에 입력하여, 상기 추출된 라디오믹스 특성에 기초해 상기 제1 의료 영상을 정신질환 환자와 정상인으로 분류하는 방법을 학습시키는 학습 단계; 및
상기 정신질환 진단 장치가 상기 제1 그룹과 다른 정신질환 환자와 정상인을 포함하는 제2 그룹에서 복수 개의 제2 의료 영상을 획득하고, 상기 제2 의료 영상에서 뇌 영역을 분할하여 그로부터 복수 개의 라디오믹스 특성을 추출하고, 상기 제2 의료 영상과 그로부터 추출한 상기 라디오믹스 특성을 상기 학습된 하나 이상의 기계 학습 분류 모델에 입력하여, 상기 제2 의료 영상을 정신질환 환자와 정상인으로 분류하는 분류 단계;를 포함하는, 정신질환 진단 방법.
제1 항에 있어서,
상기 학습 준비 단계 및 상기 분류 단계에서 상기 제1 의료 영상 및 상기 제2 의료 영상은 자기공명영상으로서 T1 강조 영상(T1-weighted image), ADC(apparent diffusion coefficient; 겉보기 확산 계수) 맵 및 FA(fractional anisotropy; 분할 이등방도) 맵 중 적어도 어느 하나인, 정신질환 진단 방법.
제1 항에 있어서,
상기 학습 준비 단계 및 상기 분류 단계는 상기 제1 의료 영상 및 상기 제2 의료 영상에서 뇌량(corpus callosum) 영역을 분할하고, 상기 분할된 뇌량 영역에 복수 개의 관심 영역(region of interest; ROI)을 설정하는, 정신질환 진단 방법.
제3 항에 있어서,
상기 복수 개의 관심 영역은 상기 분할된 뇌량 영역에 있어서 전측부(anterior), 전중앙부(mid-anteriror), 중앙부(central), 후중앙부(mid-posterior) 및 후측부(posterior)에 대응되는, 정신질환 진단 방법.
제4 항에 있어서,
상기 복수 개의 라디오믹스 특성은 상기 복수 개의 관심 영역에 대해 각각 선정된 형상 특성, 1차 특성 및 2차 특성 중 적어도 하나를 포함하는, 정신질환 진단 방법.
제1 항에 있어서,
상기 학습 단계는
상기 제1 의료 영상과 상기 추출된 라디오믹스 특성을 복수 개의 기계 학습 분류 모델에 입력하고, 상기 추출된 라디오믹스 특성에 기초해 상기 복수 개의 기계 학습 분류 모델에 대해 상기 제1 의료 영상을 정신질환 환자와 정상인으로 분류하는 방법을 학습시키는 단계; 및
상기 복수 개의 기계 학습 분류 모델의 상기 제1 그룹에 대한 분류 정확도를 측정한 다음, 가장 정확도가 높은 기계 학습 분류 모델을 선정하는 단계;를 포함하는, 정신질환 진단 방법.
제1 항에 있어서,
상기 분류 단계는 각각의 라디오믹스 특성의 정신질환 진단 기여도를 수치화하여, 상기 기여도의 합이 기 설정된 값을 초과하면 정신질환 환자로 분류하고, 상기 기여도의 합이 기 설정된 값 이하면 정상인으로 분류하는, 정신질환 진단 방법.
제7 항에 있어서,
상기 분류 단계는 각각의 라디오믹스 특성이 갖는 정신질환 진단 기여도를 상기 제2 그룹에 포함된 인원에 대해 개별적으로 나타내는, 정신질환 진단 방법.
의료 영상의 라디오믹스 특성을 이용하는 정신질환 진단 장치로서,
정신질환 환자와 정상인의 복수 개의 의료 영상을 획득하는 의료 영상 획득부;
상기 의료 영상에서 복수 개의 라디오믹스 특성을 추출하는 특성 추출부;
상기 의료 영상과 상기 추출된 라디오믹스 특성을 하나 이상의 기계 학습 분류 모델에 입력하여, 상기 의료 영상을 정신질환 환자와 정상인으로 분류하는 방법을 학습시키는 학습부; 및
상기 의료 영상과 상기 추출된 라디오믹스 특성을 상기 학습된 하나 이상의 기계 학습 분류 모델에 입력하여, 상기 의료 영상을 정신질환 환자와 정상인으로 분류하는 분류부;를 포함하는, 정신질환 진단 장치.
제9 항에 있어서,
상기 의료 영상은 자기공명영상으로서 T1 강조 영상, ADC 맵 및 FA 맵 중 적어도 어느 하나인, 정신질환 진단 장치.
제9 항에 있어서,
상기 의료 영상에서 뇌량 영역을 분할하고, 상기 분할된 뇌량 영역에 복수 개의 관심 영역을 설정하는 영역 설정부를 더 포함하는, 정신질환 진단 장치.
제11 항에 있어서,
상기 복수 개의 관심 영역은 상기 분할된 뇌량 영역에 있어서 전측부, 전중앙부, 중앙부, 후중앙부 및 후측부에 대응되는, 정신질환 진단 장치.
제12 항에 있어서,
상기 복수 개의 라디오믹스 특성은 상기 복수 개의 관심 영역에 대해 각각 선정된 형상 특성, 1차 특성 및 2차 특성 중 적어도 하나를 포함하는, 정신질환 진단 장치.
제9 항에 있어서,
상기 학습부는 상기 의료 영상과 상기 추출된 라디오믹스 특성을 복수 개의 기계 학습 분류 모델에 입력하고, 상기 추출된 라디오믹스 특성에 기초해 상기 복수 개의 기계 학습 분류 모델에 대해 상기 의료 영상을 정신질환 환자와 정상인으로 분류하는 방법을 학습시키고,
상기 복수 개의 기계 학습 분류 모델의 분류 정확도를 측정한 다음, 가장 정확도가 높은 기계 학습 분류 모델을 선정하는 판단부를 더 포함하는, 정신질환 진단 장치.
제9 항에 있어서,
각각의 라디오믹스 특성의 정신질환 진단 기여도를 수치화하여, 상기 기여도의 합이 기 설정된 값을 초과하면 정신질환 환자로 분류하고, 상기 기여도의 합이 기 설정된 값 이하면 정상인으로 분류하는, 정신질환 진단 장치.
제9 항에 있어서,
각각의 라디오믹스 특성이 갖는 정신질환 진단 기여도를 진단 대상 인원에 대해 개별적으로 나타내는 출력부를 더 포함하는, 정신질환 진단 장치.
컴퓨터를 이용하여 제1항 내지 제8항 중 어느 한 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 저장 매체에 저장된 컴퓨터 프로그램.