KR20220141218A - 자동 알고리즘 기반의 확장성 심근병증 보조진단을 위한 의사결정 시스템 - Google Patents
자동 알고리즘 기반의 확장성 심근병증 보조진단을 위한 의사결정 시스템 Download PDFInfo
- Publication number
- KR20220141218A KR20220141218A KR1020210165428A KR20210165428A KR20220141218A KR 20220141218 A KR20220141218 A KR 20220141218A KR 1020210165428 A KR1020210165428 A KR 1020210165428A KR 20210165428 A KR20210165428 A KR 20210165428A KR 20220141218 A KR20220141218 A KR 20220141218A
- Authority
- KR
- South Korea
- Prior art keywords
- left ventricle
- contour
- image
- ventricle
- cardiac
- Prior art date
Links
- 206010056370 Congestive cardiomyopathy Diseases 0.000 title claims abstract description 40
- 201000010046 Dilated cardiomyopathy Diseases 0.000 title claims abstract description 40
- 238000003745 diagnosis Methods 0.000 title claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 title claims description 13
- 210000005240 left ventricle Anatomy 0.000 claims abstract description 123
- 230000000747 cardiac effect Effects 0.000 claims abstract description 70
- 210000005241 right ventricle Anatomy 0.000 claims abstract description 56
- 230000002861 ventricular Effects 0.000 claims abstract description 36
- 238000004590 computer program Methods 0.000 claims abstract description 10
- 238000010586 diagram Methods 0.000 claims description 72
- 210000001174 endocardium Anatomy 0.000 claims description 52
- 238000000034 method Methods 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 12
- 230000002457 bidirectional effect Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 9
- 210000004165 myocardium Anatomy 0.000 abstract description 4
- 230000008602 contraction Effects 0.000 abstract description 2
- 238000013184 cardiac magnetic resonance imaging Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000004217 heart function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 1
- 238000012307 MRI technique Methods 0.000 description 1
- 206010042434 Sudden death Diseases 0.000 description 1
- 206010042600 Supraventricular arrhythmias Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004413 cardiac myocyte Anatomy 0.000 description 1
- 230000005800 cardiovascular problem Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 210000003709 heart valve Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—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
- A61B5/0033—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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- 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
- A61B6/503—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 the heart
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0883—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the heart
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/30048—Heart; Cardiac
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- High Energy & Nuclear Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Cardiology (AREA)
- Optics & Photonics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
Abstract
본 발명은 확장성 심근병증(DCM) 진단 기술 분야에 관한 것으로, 구체적으로는 인체 확장성 심근병증의 자동 진단 시스템에 관한 것이다. 본 발명의 시스템은 다음과 같은 진단 과정을 실현한다: 하나의 심장 주기 내의 심장 이미지를 원본 데이터로 입력하고, 이로부터 심장 이완 말기 이미지 및 심장 수축 말기 이미지를 컴퓨터 프로그램에 의해 판단하며, 좌심실 및 우심실을 분할한 후, 좌심실, 우심실 및 심실벽의 변형 정보를 반영할 수 있는 심장 매개변수를 계산할 수 있다. 심장 매개변수를 얻은 후, 이러한 심장 매개변수의 특징을 분류기에 입력하여 DCM 환자 및 비DCM 환자를 구별한다. 본 발명은 엔드 대 엔드의 전자동 DCM 진단을 실현하였으므로, 수동 또는 반자동 진단에 비해, 응용 전망이 좋다.
Description
본 발명은 확장성 심근병증(DCM)을 진단하는 기술 분야에 관한 것으로, 구체적으로 인체 확장성 심근병증의 자동 진단 시스템에 관한 것이다.
확장성 심근병증(DCM)은 원인을 알 수 없는 원발성 심장병으로서, 좌심실 수축 기능 손상, 심장 판막 병변, 심실상성 부정맥, 혈전 형성, 진행성 심부전 및 돌연사를 유발할 수 있다. DCM 환자의 예후는 좋지 않으며, 5년 내 사망률은 20%에 달한다.
질병 초기에, DCM 환자의 심실벽은 상이한 정도로 두꺼워질 볼 수도 있다. 질병 중기 및 후기에는, DCM 환자의 심근세포가 비대해지지만, 심강(心腔)의 확장으로 인해, 심실벽 두께는 일반적으로 정상이거나 또는 상대적으로 얇다. DCM의 임상 증상은 각 연령대에서 모두 발생할 수 있고, 또한 남성의 발병률이 여성보다 높다.
심장 자기 공명 영상(CMRI)은 공간, 시간 및 조직 해상도가 매우 높아, 전리 방사선이 없이 모든 평면에서 영상화할 수 있고, 또한 우수한 반복성을 갖는다. CMRI는 동시에 심장 형태 및 방실벽의 움직임을 나타낼 수 있으며, 확장성 심근병증에 대한 고화질의 영상 데이터를 제공할 수 있다. DCM은 심장 형태 변화의 다양성으로 인해, 심장 전문의는 심장 자기 공명 영상(CMRI)을 분석하여 DCM 관련 매개변수를 측정 및 평가하고 환자에게 DCM이 있는지 여부를 판단하는 데 많은 시간이 필요하다. 심장 전문의의 물리적 측정 방법은 수동 검사를 기본으로 하는데, 다수의 사람을 진단할 경우, 수동 검사는 매우 번거롭고, 효율이 낮으며, 또한 피로로 인해 오진할 수 있다.
심장 전문의의 업무 강도를 경감시키고, 동시에 진단 효율을 향상시키기 위하여, 일부 반자동 측정 방법이 DCM의 진단에 사용되기 시작하였다. Luca Bertelli 등은 행위 지식 공간 융합 규칙을 통해 베이지안 분류기와 은닉 마르코프 체인 기반의 분류기를 결합시켰다. 정확성 및 소요 시간의 측면에서 상기 방법을 평가하였다. Balaji G N 등은 심장 초음파 검사 시퀀스를 통해 심근 손상을 검사하는 반자동 방법을 제안했다. 해당 방법은 전체 좌심실 매개변수를 계산하고, 이후 통계적 패턴 인식 및 분류를 수행하여 심근 손상 또는 심근 허혈을 식별하기 위한 좌심실 이미지 노이즈 감소, 증가 및 분할에 기반한 심장벽 경계 추출 시스템을 제안하였다. Hu H 등은 U-Net 딥러닝 프레임워크로 심장 자기 공명 영상(CMRI)을 처리하여 구조 및 기능 매개변수를 추정하는 모델을 사용하여, 심혈관 질환 진단을 위한 다단계 세분화 작업을 완료했다. 속도 벡터 영상(VVI) 기술도 반자동 심장 이미지 분석 및 진단 방법으로서, 최근에 광범위하게 응용되고 있다. VVI 기술은 새로 선을 보인 신기술로서, 심근의 구조적 역학을 연구하고 일부 심장 기능을 분석하는 데 사용된다. 해당 기술은 2차원 반점 추적 원리에 기반하고, 화소 공간 간섭성 및 경계 추적을 결합한 새로운 초음파 기술로서, 심부전 및 좌각차단인 확장성 심근병증의 연구에 사용된다. VVI 기술을 이용하여 MAS Santana 등은 심혈관 문제를 검사하는 새로운 진단 기술을 제안하여, 심혈관 이상에 대한 검사를 달성함으로써, 의사가 환자의 잠재적 심혈관 합병증을 반자동으로 식별하고 정량화할 수 있도록 하였다
그러나, 이러한 딥러닝 기술에 기반한 반자동 진단 방법은 여전히 수동 측정을 결합해야 하며, 전문의가 샘플에 대해 많은 표기 작업을 진행해야만 분류 모델의 트레이닝을 완성하고 환자에 대해 진단을 실시할 수 있다. 따라서, 이러한 반자동 방법은 여전히 엔드 투 엔드의 자동화 처리를 실현하지 못하여, 수동 참여를 줄이는 목적을 잘 실현할 수 없다.
자동화 처리의 구현이 어려운 주요 원인은, CMRI원본 데이터가 이미지이고, 이미지는 화소 수가 너무 많고, 데이터 차원이 높아, CMRI를 직접 입력으로 사용하면 차원의 저주가 발생하므로, 종래 기술은 이미지의 일부 주요 특징을 수동으로 추출하여, 데이터의 차원 축소를 실현할 수밖에 없기 때문이다.
따라서, CMRI 기반의 자동화 DCM 진단을 실현하려면, 원본 이미지 데이터로부터 주요 특징을 추출하여, 데이터의 차원 축소를 실현하는 것이 관건이다. CN201811063328.2호 중국 특허 출원에서 "심층 순환 신경망 기반의 심장 기능 자동 분석 방법"은 심층 컨볼루션 신경망과 순환 신경망을 서로 결합하여, 좌심실 심근 내외막 등 해부 구조를 수동으로 분할할 필요 없이(즉 이미지의 특징을 수동으로 추출할 필요 없이), 심실 위상, 심실 용적, 심실 면적, 심실 내외막의 축방향 크기 등 13개 매개변수의 추정을 직접 완성하여, 엔드 투 엔드의 심장 기능 분석을 실현하는 기술 방안을 제안하였다. 그러나, 해당 방법은 좌심실의 특징 데이터만 추출하고, 좌심실과 우심실의 매개변수를 동시에 고려하지 않아, 진단의 정확성에 영향을 미칠 수 있으며, 또한 추출한 13개 매개변수는 DCM에 특정된 진단 지표가 아니므로, 해당 방법은 DCM에 대해 정확한 진단을 할 수 없다.
종래 기술의 문제점에 대하여, 본 발명은 엔드 투 엔드, 완전 자동화된 DCM 진단 기술을 실현하기 위한 인체 확장성 심근병증의 자동 진단 시스템을 제공한다.
인체 확장성 심근병증의 자동 진단에 사용되며, 메모리, 프로세서 및 메모리에 저장되고 프로세서에서 실행될 수 있는 컴퓨터 프로그램을 포함하는 컴퓨터 장치에 있어서,
상기 프로세서가 상기 프로그램을 실행하면, 하기 단계 (A), 단계 (B), 단계 (C), 단계 (D)를 포함하는 단계들을 실현하며,
(A) 하나의 심장 주기 내의 심장 이미지를 입력하고, 이로부터 심장 이완 말기 이미지 및 심장 수축 말기 이미지를 결정 및 선택하며;
(B) 상기 심장 이완 말기 이미지 및 심장 수축 말기 이미지를 전처리하여, 심장 이완 말기 및 심장 수축 말기의 2장의 윤곽도 I 및/또는 2장의 윤곽도 II를 각각 얻고, 상기 윤곽도I은 좌심실의 윤곽 및 우심실의 윤곽으로 구성되고, 상기 윤곽도 II는 좌심실의 윤곽, 우심실의 윤곽 및 심외막 윤곽으로 구성되며;
(C) 단계 (B)에서 얻은 윤곽도 I 및/또는 윤곽도 II에서 심장 이완 말기 및 심장 수축 말기의 심장 매개변수를 추출하여, 상기 심장 매개변수의 변형률ε을 계산하며;
(D) 단계 (C)에서 얻은 심장 매개변수의 변형률ε을 입력으로 하고, 분류 모델을 이용하여 환자에 대해 인체 확장성 심근병증의 진단을 진행한다.
바람직하게는, 단계 (A)에서, 상기 심장 이미지는 심장 자기 공명 영상, 심장 CT 또는 심장 초음파 이미지 중 하나이며, 바람직하게는 흉골연 단축 심장 자기 공명 영상이다.
바람직하게는, 단계 (A)에서, 심장 이완 말기 이미지 및 심장 수축 말기 이미지를 결정 및 선택하는 방법은, 좌심실 면적이 최대일 때를 심장 이완 말기로 하고, 좌심실 면적이 최소일 때를 심장 수축 말기로 선택하며,
바람직하게는, 단계 (A)의 구체적인 과정은,
(A1) level set 알고리즘을 이용하여 하나의 심장 주기 내의 심장 이미지의 각 단면에서의 좌심실에 대해 분할을 진행하는 단계;
(A2) 각 단면에서 분할된 좌심실 면적을 계산하되, 바람직하게는, 구체적인 면적 계산 방법은 분할된 좌심실에 포함된 화소점 개수를 계산하는 단계;
(A3) 각 단면에서 분할된 좌심실 면적의 크기를 비교하는 단계;
(A4) 좌심실 면적이 최대인 단면을 심장 이완 말기 이미지로 선택하고, 좌심실 면적이 최소인 단면을 심장 수축 말기 이미지로 선택하는 단계;를 포함한다.
바람직하게는, 단계 (B)의 구체적인 과정은,
(B1) level set알고리즘을 이용하여 심장 이완 말기 이미지 및 심장 수축 말기 이미지 중의 좌심실 심내막, 우심실 심내막 및/또는 심외막을 분할하는 단계;
(B2) 단계 (B1)에서 얻은 좌심실 심내막, 우심실 심내막 및/또는 심외막의 이미지를 추출하고, 이미지 배경을 설정하여, 윤곽도 B2를 얻는 단계;
(B3) 윤곽도 B2를 이진화 처리하여, 윤곽도 B3를 얻는 단계;
(B4) 윤곽도 B3 중 좌심실 심내막, 우심실 심내막 및/또는 심외막의 이미지의 너비를 하나의 화소로 변환하여, 윤곽도 B4를 얻으며, 상기 윤곽도 B4에서, 좌심실 심내막의 이미지는 좌심실의 윤곽이고, 우심실 심내막의 이미지는 우심실의 윤곽이고, 심외막의 이미지는 심외막의 윤곽인 단계;
(B5) 윤곽도 B4의 이미지 배경을 제거하여, 윤곽도 I 또는 윤곽도 II를 얻는 단계;를 포함한다.
바람직하게는, 단계 (B4)의 구체적인 과정은,
(B4.1) 윤곽도 B3 중 좌심실 심내막 및 우심실 심내막의 화소점을 데이터 세트set으로 분류하는 단계;
(B4.2) 윤곽도 B3 중의 데이터 세트set를 탐색하고, 데이터 세트set 중 모든 화소점의 좌표 위치를 기록하는 단계;
(B4.3) 사전 지식에 따라 탐색된 제1 화소점이 좌심실 심내막 또는 우심실 심내막에 속하는지 판단하고, 상기 제1 화소점을 제1 데이터 세트에 포함시키는 단계;
(B4.4) 상기 제1 화소점 주변의 8개 화소점을 검색하고, 상기 8개의 화소점 중 데이터 세트set에 속하는 것은, 제1 데이터 세트에 포함시키는 단계;
(B4.5) 제1 데이터 세트에 새로 포함시킨 화소점 주변의 8개 화소점에 대한 검색을 반복하고, 제1 데이터 세트에 포함시킬 새로운 화소점이 없을 때까지, 데이터 세트set에 속하는 화소점을 제1 데이터 세트에 포함시키는 단계;
(B4.6) 상기 데이터 세트set에서, 제1 데이터 세트에 포함시키지 않은 화소점은 모두 제2 데이터 세트에 포함시키고, 상기 제1 데이터 세트와 제2 데이터 세트 중의 데이터점은 좌심실 심내막 또는 우심실 심내막의 이미지를 각각 구성하는 단계;
(B4.7) findCounter 함수를 이용하여 좌심실 심내막, 우심실 심내막 및/또는 심외막의 이미지에 대해 각각 단일 화소 추출을 진행하여, 최외층의 화소점만 남기는 단계;를 포함한다.
바람직하게는, 단계 (C)에서 상기 심장 매개변수는 이미지에서 좌심실, 우심실 및 심실벽 중 적어도 하나와 관련된 기하학적 매개변수이고; 및/또는,
여기서, α0은 심장 수축 말기의 심장 매개변수이고, α는 심장 이완 말기의 심장 매개변수이다.
바람직하게는, 단계 (C)에서 상기 심장 매개변수의 추출은 구체적으로,
(C1) 단계 (B)에서 얻은 윤곽도I에서 좌심실의 중심 위치 O점을 결정하는 단계;
(C2) 단계 (B)에서 얻은 윤곽도I에서, 우심실의 윤곽 상의 임의의 두 점을 취하여 반복함으로써, ∠AOB의 값이 최대가 되도록 A점과 B점을 찾는 단계로서, 여기서 A점과 B점의 위치는, 인체 정면에서 촬영한 상기 심장 이미지에서 얻은 상기 윤곽도I에서, 상기 B점이 A점의 상부에 위치하는 방식으로 구분되는 단계;
(C3)∠AOB 의 중간 분할선 OM을 만들고, 여기서 M점은 선분 AB 상에 위치하며, 선분 MO의 연장선을 만들고, 이와 좌심실의 윤곽의 교차점을 취하여, C점으로 기록하는 단계;
(C4) 3개 분할선으로 좌심실의 윤곽을 6부분으로 나누는 단계;
좌심실의 윤곽을 6부분으로 나누는 과정은 구체적으로,
(C4.1) ∠AOB의 크기를 계산하고, 120°와 비교하는 단계;
(C4.2) ∠AOB<120°일 경우, ∠AOB=120°가 될 때까지, A점과 B점은 한번에 한 화소씩 동시에 선분 AB의 양단 연장선 방향으로 이동하고, 이때의 A점과 B점을 각각 G점과 H점으로 기록하며,
∠AOB>120°일 경우, ∠AOB=120°가 될 때까지,A점과 B점은 한번에 한 화소씩 동시에 선분 AB의 중점 방향으로 이동하고, 이때의 A점과 B점을 각각 G점과 H점으로 기록하며,
∠AOB=120°일 경우, A점과 B점은 이동할 필요 없이, 이때의 A점과 B점을 각각 G점과 H점으로 기록하는 단계;
(C4.3) 상기 선분 MC의 양방향 연장선, 선분 GO의 양방향 연장선 및 선분HO의 양방향 연장선을 3개 분할선으로 하여, 좌심실의 윤곽을 6부분으로 나누는 단계;를 포함하며,
(C5) 선분 GO의 연장선을 만들고, 이와 좌심실의 윤곽선의 교차점을 취하여, D점으로 기록하며, 선분HO의 연장선을 만들고, 이와 좌심실의 윤곽선의 교차점을 취하여, N점으로 기록하는 단계;
(C6) 좌심실의 윤곽 중 CD 구간의 길이를 계산하며, 선분 OC, 선분OD 및 선분 ON의 길이를 계산하고 이들의 평균 값을 취하여 좌심실의 반경을 얻으며, 우심실의 면적과 좌심실의 면적을 계산하고, 상기 심장 매개변수는 좌심실의 윤곽 중 CD 구간의 길이, 좌심실의 반경, 좌심실의 면적 및 우심실의 면적 중 적어도 하나이며, 바람직하게는, 구체적으로 좌심실의 윤곽 중 CD 구간의 길이를 계산하는 방법은 좌심실의 윤곽 중 C점과 D점 사이의 화소점 개수를 계산하고, 구체적으로 면적을 계산하는 방법은 좌심실의 윤곽 또는 우심실의 윤곽 내에 포함된 화소점 개수를 계산하는 단계;를 포함한다.
바람직하게는, 단계 (C)에서 상기 심장 매개변수의 추출은 또한,
(C7) 단계 (C1) 내지 단계 (C5)의 결과에 따라, 단계 (B)에서 얻은 윤곽도 II에서 O점, C점 및 D점을 결정하며, 선분OD의 연장선을 만들고, 이와 심외막 윤곽의 교차점을 취하여, E점으로 기록하며, 선분 OC의 연장선을 만들고, 이와 심외막 윤곽의 교차점을 취하여, F점으로 기록하는 단계;
(C8) 좌심실의 윤곽 중 CD 구간, 선분 DF, 심외막 윤곽 중의 FE구간 및 선분EC으로 둘러싸인 CDFE의 면적을 계산하고, 상기 심장 매개변수는 좌심실의 윤곽 중 CD 구간의 길이, 좌심실의 반경, 좌심실의 면적, 우심실의 면적 및 영역CDFE의 면적 중 적어도 하나이며, 바람직하게는, 구체적으로 면적을 계산하는 방법은 영역CDFE 내에 포함된 화소점 개수를 계산하는 단계;를 더 포함한다.
바람직하게는, 단계 (D)에서, 상기 분류 모델은 KNN, PLS-DA, Random forest, BP신경망 또는 SVM이고, 바람직하게는 SVM이다.
본 발명은 또한 상기 컴퓨터 프로그램이 저장되어 있는 컴퓨터 판독 가능 저장 매체를 더 포함한다.
본 발명은 인체 확장성 심근병증의 자동 진단 시스템을 더 포함하고, 상기 시스템은 상기 컴퓨터 장치 및 서버를 포함하고, 상기 서버에는 하나의 환자의 심장 주기 내의 심장 이미지가 저장되어 있다.
본 발명의 기술 방안을 이용하면, 엔드 투 엔드, 완전 자동화된 DCM 진단 기술을 실현할 수 있다. 입력된 원본 데이터는 하나의 심장 주기 내의 심장 이미지이고, 이로부터 심장 이완 말기 이미지 및 심장 수축 말기 이미지를 컴퓨터 프로그램에 의해 판단하며, 좌심실과 우심실을 분할한 후, 좌심실, 우심실 및 심실벽의 변형 정보를 반영할 수 있는 심장 매개변수를 계산할 수 있다. 심장 매개변수를 얻은 후, 이러한 심장 매개변수의 특징을 분류기에 입력하여 DCM 환자 및 비DCM 환자를 구별한다. 수동 참여를 효과적으로 줄이고, 효율을 향상시켜, 의사의 주관적 요인으로 인한 오차를 방지하고, 또한 샘플을 표기할 많은 전문의가 필요가 없어, 의료 원가를 줄일 수 있다. 또한, 좌심실과 우심실의 매개변수를 동시에 고려하기 때문에, 진단 정확도의 향상에 큰 도움이 된다. 본 발명의 방법은 응용 전망이 밝다.
본 발명에 따른 상기 내용은, 해당 분야의 일반적인 기술 지식 및 관용적 수단에 따라, 본 발명의 상기 기본적인 기술 사상을 벗어나지 않는 범위 내에서, 기타 다양한 형태로 수정, 대체 또는 변경할 수 있음은 자명하다.
이하, 실시예 형태의 구체적인 실시 형태를 통하여, 본 발명의 상기 내용을 더욱 상세하게 설명한다. 그러나, 본 발명의 상기 주제의 범위가 이하의 실시예에 한정되는 것으로 이해해서는 안된다. 본 발명의 상기 내용에 의해 구현되는 모든 기술은 본 발명의 범위에 속한다.
도 1은 본 발명의 실시예에서 단계 (A) 내지 단계 (B2)에서 CMRI에 대해 처리를 진행한 개략도이다.
도 2는 본 발명의 실시예에서 단계 (B4) 및 단계 (B5)에서 CMRI에 대해 처리를 진행한 개략도이다.
도 3은 본 발명의 실시예에서 CMRI의 좌심실의 윤곽을 6부분으로 나눈 개략도이다.
도 4는 본 발명의 실시예에서 G점과 H점 위치를 결정하는 알고리즘 원리의 개략도이다.
도 5는 본 발명의 실시예에서 좌심실의 윤곽을 6부분으로 나누는 알고리즘 원리의 개략도이다.
도 6은 본 발명의 실시예에서 영역CDFE의 개략도이다.
도 7은 본 발명의 실시예의 알고리즘 흐름도이다.
도 2는 본 발명의 실시예에서 단계 (B4) 및 단계 (B5)에서 CMRI에 대해 처리를 진행한 개략도이다.
도 3은 본 발명의 실시예에서 CMRI의 좌심실의 윤곽을 6부분으로 나눈 개략도이다.
도 4는 본 발명의 실시예에서 G점과 H점 위치를 결정하는 알고리즘 원리의 개략도이다.
도 5는 본 발명의 실시예에서 좌심실의 윤곽을 6부분으로 나누는 알고리즘 원리의 개략도이다.
도 6은 본 발명의 실시예에서 영역CDFE의 개략도이다.
도 7은 본 발명의 실시예의 알고리즘 흐름도이다.
설명해야 할 점은, 실시예에서 구체적으로 설명되지 않은 데이터 수집, 전송, 저장 및 처리 등 단계의 알고리즘, 및 구체적으로 설명되지 않은 하드웨어 구조, 회로 연결 등은 모두 종래 기술의 이미 공개된 내용을 통해 구현될 수 있다.
실시예
본 실시예는 인체 확장성 심근병증의 자동 진단 시스템을 제공하며, 상기 시스템은 컴퓨터 장치 및 서버를 포함하고, 상기 서버에는 환자의 하나의 심장 주기 내의 심장 이미지가 저장되어 있다. 상기 컴퓨터 장치는 메모리, 프로세서 및 메모리에 저장되고 프로세서에서 실행될 수 있는 컴퓨터 프로그램을 포함하고,
상기 프로세서가 상기 프로그램을 실행하면, 하기 단계 (A), 단계 (B), 단계 (C), 단계 (D)를 포함하는 단계들을 실현하고, 도 1 내지 도 7에 도시한 바와 같다.
(A) 하나의 심장 주기 내의 심장 이미지를 입력하고, 이로부터 심장 이완 말기(ED) 이미지 및 심장 수축 말기(ES) 이미지를 결정 및 선택한다.
여기서, 심장 이미지는 심장 자기 공명 영상, 심장 CT 또는 심장 초음파 이미지 중 하나일 수 있고, 본 실시예에서 예시된 심장 이미지는 흉골연 단축 심장 자기 공명 영상(CMRI)이다. 심장 자기 공명 영상(cardiac magnetic resonance cine)은 하나의 심동 주기 내에서 동일한 단면(slice)의 여러 위상의 명혈류 영상을 연속적으로 수집하여, 심장이 율동적으로 수축 및 이완하는 과정을 보여주는 자기 공명 영상 기술이다.
구체적으로, 단계 (A)는 단계 (A1), 단계 (A2), 단계 (A3), 단계 (A4)를 포함한다.
(A1) level set 알고리즘을 이용하여 하나의 심장 주기 내의 심장 이미지의 각 단면에서의 좌심실에 대해 분할을 진행한다.
(A2) 각 단면에서 분할된 좌심실 면적을 계산하되, 바람직하게는, 구체적인 면적 계산 방법은 분할된 좌심실에 포함된 화소점 개수를 계산한다.
(A3) 각 단면에서 분할된 좌심실 면적의 크기를 비교한다.
(A4) 좌심실 면적이 최대인 단면을 심장 이완 말기 이미지로 선택하고, 좌심실 면적이 최소인 단면을 심장 수축 말기 이미지로 선택한다.
(B)상기 심장 이완 말기 이미지 및 심장 수축 말기 이미지를 전처리하여, 심장 이완 말기 및 심장 수축 말기의 2장의 윤곽도 I 및/또는 2장의 윤곽도 II를 각각 얻고, 상기 윤곽도I은 좌심실의 윤곽 및 우심실의 윤곽으로 구성되고, 상기 윤곽도 II는 좌심실의 윤곽, 우심실의 윤곽 및 심외막 윤곽으로 구성된다.
구체적으로, 단계 (B)는 단계 (B1), 단계 (B2), 단계 (B3), 단계 (B4), 단계 (B5)를 포함한다.
(B1) level set 알고리즘을 이용하여 심장 이완 말기 이미지 및 심장 수축 말기 이미지 중의 좌심실(LV) 심내막, 우심실(RV) 심내막 및/또는 심외막을 분할하고, 좌심실 심내막 및 우심실 심내막의 분할 결과는 도 1a에 도시한 바와 같다.
(B2) 단계 (B1)에서 얻은 좌심실 심내막, 우심실 심내막 및/또는 심외막의 이미지를 추출하고, 이미지 배경의 값을 0으로 설정하여, 윤곽도 B2를 얻으며, 상기 윤곽도 B2는 도 1b에 도시한 바와 같다.
(B3) im2bw() 함수를 이용하여 윤곽도 B2를 이진화 처리하여, 윤곽도 B3를 얻고, 상기 윤곽도 B3은 도 1c에 도시한 바와 같으며, 이진화 처리 후 도면에서의 흑색 화소점은 배경이고, 백색 화소점은 좌심실 심내막, 우심실 심내막 및/또는 심외막의 이미지이다.
(B4) 윤곽도 B3 중 좌심실 심내막, 우심실 심내막 및/또는 심외막의 이미지의 너비를 하나의 화소로 변환하여, 윤곽도 B4를 얻으며, 상기 윤곽도 B4에서, 좌심실 심내막의 이미지는 좌심실의 윤곽이고, 우심실 심내막의 이미지는 우심실의 윤곽이고, 심외막의 이미지는 심외막의 윤곽이다.
알고리즘의 계산 과정에서 화소의 위치를 좌표로 사용하므로, 여러 화소 너비의 이미지를 한 화소 너비의 윤곽으로 처리한다. 단계 (B4)의 구체적은 과정은 단계 (B4.1), 단계 (B4.2), 단계 (B4.3), 단계 (B4.4), 단계 (B4.5), 단계 (B4.6), 단계 (B4.7)을 포함한다.
(B4.1) 윤곽도 B3 중 좌심실 심내막 및 우심실 심내막의 화소점을 데이터 세트set으로 분류한다.
(B4.2) 윤곽도 B3 중의 데이터 세트set를 탐색하고, 데이터 세트set 중 모든 화소점의 좌표 위치를 기록한다.
(B4.3) 사전 지식에 따라 탐색된 제1 화소점이 좌심실 심내막 또는 우심실 심내막에 속하는지 판단하고, 상기 제1 화소점을 제1 데이터 세트에 포함시킨다.
설명해야 할 점은 "사전 지식"은 이미 알려진 좌심실 및 우심실의 상기 심장 이미지 중의 위치 관계를 의미한다. 예를 들면, 본 실시예의 경우, 윤곽도 B3의 좌측 상단에서 우측으로 점차 화소점을 탐색하면, 탐색된 제1 화소점은 이미지의 좌측에 있고, 우심실 심내막에 속할 것이며, 이를 통해 제1 데이터 세트는 우심실 심내막 이미지의 데이터 세트(RV-set)임을 결정할 수 있다.
(B4.4) 상기 제1 화소점 주변의 8개 화소점을 검색하고, 상기 8개 화소점 중 데이터 세트set에 속하는 것은, 제1 데이터 세트에 포함시킨다.
(B4.5) 제1 데이터 세트에 새로 포함시킨 화소점 주변의 8개 화소점에 대한 검색을 반복하고, 제1 데이터 세트에 포함시킬 새로운 화소점이 없을 때까지, 데이터 세트set에 속하는 화소점을 제1 데이터 세트에 포함시킨다.
(B4.6) 상기 데이터 세트set에서, 제1 데이터 세트에 포함시키지 않은 화소점은 모두 제2 데이터 세트에 포함시키고, 상기 제1 데이터 세트와 제2 데이터 세트 중의 데이터점은 좌심실 심내막 또는 우심실 심내막의 이미지를 각각 구성하며, 본 실시예에서 제2 데이터 세트는 우심실 심내막 이미지의 데이터 세트(LV-Set)이다.
(B4.7) findCounter 함수를 이용하여 좌심실 심내막, 우심실 심내막 및/또는 심외막의 이미지에 대해 각각 단일 화소 추출을 진행하여, 최외층의 화소점만 남긴다.
좌심실 심내막 및 우심실 심내막의 윤곽도 B4는 도 2a 및 도 2b에 도시한 바와 같다.
(B5) 윤곽도 B4의 이미지 배경을 제거하여, 윤곽도 I 또는 윤곽도 II를 얻는다. 윤곽도I는 도 2c에 도시한 바와 같다.
(C) 단계 (B)에서 얻은 윤곽도 I 및/또는 윤곽도 II에서 심장 이완 말기 및 심장 수축 말기의 심장 매개변수를 추출하여, 상기 심장 매개변수의 변형률ε을 계산한다.
구체적으로, 단계 (C)에서, 알고리즘의 계산 과정에서 화소의 위치를 좌표로 사용하고, 윤곽도 I 또는 윤곽도 II의 이미지의 좌측 하단 좌표를 (0,0) 위치로 설정하고, 수평 방향을 x축으로 설정하고, 수직 방향을 y축으로 설정한 후, 아래 단계들을 진행한다.
(C1) 단계 (B)에서 얻은 윤곽도I에서 좌심실의 중심(重心) 위치 O점을 결정하고, 결정 방법은 아래와 같다.
(C2) 단계 (B)에서 얻은 윤곽도I에서 좌심실과 우심실의 교차 위치인 A점과 B점을 결정하고, 상기 A점과 B점은 우심실의 윤곽 상의 화소점이며, 좌심실과 우심실의 교차 위치를 결정하는 목적은 DCM에 대해 관련성이 강한 C점과 D점을 찾아, 분류기에 입력할 특징을 추가로 결정하는 것이며, 그 원리는 도 3에 도시한 바와 같다.
A점과 B점을 결정하는 과정은 구체적으로 아래 단계들을 포함한다.
(C2.1) RV-Set 중 임의의 2개 좌표점인 A점, B점을 선택하고, 여기서 k1과 k2는 OA와 OB의 경사도이다.
(C3) ∠AOB 의 중간 분할선 OM을 만들고, 여기서 M점은 선분 AB에 위치하며, 선분 MO의 연장선을 만들고, 이와 좌심실의 윤곽의 교차점을 취하여, C점으로 기록한다.
(C4) 3개 분할선으로 좌심실의 윤곽을 6부분으로 나누며, 구체적으로 아래 단계들을 포함한다.
(C4.1) ∠AOB의 크기를 계산하고, 120°와 비교한다.
(C4.2)∠AOB<120°일 경우, ∠AOB=120°가 될 때까지, A점과 B점은 한번에 한 화소씩 동시에 선분 AB의 양단 연장선 방향으로 이동하고, 이때의 A점과 B점을 각각 G점과 H점으로 기록하며, s는 이동 거리이고, 도 4a에 도시한 바와 같다.
∠AOB>120°일 경우, ∠AOB=120°가 될 때까지, A점과 B점은 한번에 한 화소씩 동시에 선분 AB의 중점 방향으로 이동하고, 이때의 A점과 B점을 각각 G점과 H점으로 기록하며, s는 이동 거리이고, 도 4b에 도시한 바와 같다.
∠AOB=120°일 경우, A점과 B점은 이동할 필요 없이, 이때의 A점과 B점을 각각 G점과 H점으로 기록한다.
(C4.3) 상기 선분 MC의 양방향 연장선, 선분 GO의 양방향 연장선 및 선분HO의 양방향 연장선을 3개 분할선으로 하여, 좌심실의 윤곽을 6부분으로 나눈다.
(C5) 선분 GO의 연장선을 만들고, 이와 좌심실의 윤곽의 교차점을 취하여, D점으로 기록하며, 선분HO의 연장선을 만들고, 이와 좌심실의 윤곽의 교차점을 취하여, N점으로 기록한다.
상술한 좌심실의 윤곽을 6부분으로 나누는 의사코드는 아래와 같다.
(C6) 좌심실의 윤곽 중 CD 구간의 길이(CD arc length)를 계산하고, 구체적으로, 좌심실의 윤곽 중 CD 구간의 길이를 계산하는 방법은, 좌심실의 윤곽 중 C점과 D점 사이의 화소점 개수를 계산하며,
선분 OC, 선분OD 및 선분 ON의 길이를 계산하고 이들의 평균값을 취하면 좌심실의 반경(LV radius)를 얻는다.
우심실의 면적(RV area)와 좌심실의 면적(LV area)을 계산하고, 구체적으로 면적을 계산하는 방법은 좌심실의 윤곽 또는 우심실의 윤곽 내에 포함된 화소점 개수를 계산하며,
(C7) 단계 (C1) 내지 단계 (C5)의 결과에 따라, 단계 (B)에서 얻은 윤곽도 II에서 O점, C점 및 D점을 결정하며, 선분OD의 연장선을 만들고, 이와 심외막 윤곽의 교차점을 취하여, E점으로 기록하며, 선분 OC의 연장선을 만들고, 이와 심외막 윤곽의 교차점을 취하여, F점으로 기록한다.
(C8) 좌심실 윤곽의 중 CD 구간, 선분 DF, 심외막 윤곽 중의 FE 구간 및 선분EC로 둘러싸인 CDFE의 면적을 계산하고, 구체적으로 면적을 계산하는 방법은 영역CDFE 내에 포함된 화소점 개수를 계산하며,
상기 심장 매개변수는 좌심실의 윤곽 중 CD 구간의 길이, 좌심실의 반경, 좌심실의 면적, 우심실의 면적 및 영역CDFE의 면적 중 적어도 하나이다. 상기 방법을 통해 심장 매개변수를 얻으면, 상기 심장 매개변수의 변형률ε의 계산 공식은, 이고,
여기서, α0은 심장 수축 말기의 심장 매개변수이고, α는 심장 이완 말기의 심장 매개변수이다.
(D) 단계 (C)에서 얻은 심장 매개변수의 변형률ε을 입력으로 하고, 분류 모델SVM을 이용하여 환자에 대해 DCM의 진단을 진행한다.
상기 실시예를 통해, 본 발명의 입력되는 원본 데이터는 수집된 환자의 하나의 심장 주기 내의 심장 이미지이고, 전문의가 데이터를 추가적으로 표기할 필요 없이, 시스템은 자동으로 심장 이미지 중의 특징을 추출하여, 환자에게 DCM 질환이 있는지 여부를 정확하게 분류할 수 있음을 알 수 있다. 본 발명은 엔드 대 엔드의 전자동 DCM 진단을 실현하였으므로, 수동 또는 반자동 진단에 비해, 응용 전망이 좋다.
Claims (10)
- 인체 확장성 심근병증의 자동 진단에 사용되며, 메모리, 프로세서 및 메모리에 저장되고 프로세서에서 실행될 수 있는 컴퓨터 프로그램을 포함하는 컴퓨터 장치에 있어서,
상기 프로세서가 상기 프로그램을 실행하면, 하기 단계 (A), 단계 (B), 단계 (C), 단계 (D)를 포함하는 단계들을 실현하며,
(A) 하나의 심장 주기 내의 심장 이미지를 입력하고, 이로부터 심장 이완 말기 이미지 및 심장 수축 말기 이미지를 결정 및 선택하며;
(B) 상기 심장 이완 말기 이미지 및 심장 수축 말기 이미지를 전처리하여, 심장 이완 말기 및 심장 수축 말기의 2장의 윤곽도 I 및/또는 2장의 윤곽도 II를 각각 얻고, 상기 윤곽도I은 좌심실의 윤곽 및 우심실의 윤곽으로 구성되고, 상기 윤곽도 II는 좌심실의 윤곽, 우심실의 윤곽 및 심외막 윤곽으로 구성되며;
(C) 단계 (B)에서 얻은 윤곽도 I 및/또는 윤곽도 II에서 심장 이완 말기 및 심장 수축 말기의 심장 매개변수를 추출하여, 상기 심장 매개변수의 변형률ε을 계산하며;
(D) 단계 (C)에서 얻은 심장 매개변수의 변형률ε을 입력으로 하고, 분류 모델을 이용하여 환자에 대해 인체 확장성 심근병증의 진단을 진행하는
것을 특징으로 하는, 컴퓨터 장치. - 제1항에 있어서,
상기 단계 (A)에서, 상기 심장 이미지는 심장 자기 공명 영상, 심장 CT 또는 심장 초음파 이미지 중 하나이며, 바람직하게는 흉골연 단축 심장 자기 공명 영상인 것을 특징으로 하는, 컴퓨터 장치. - 제1항에 있어서,
상기 단계 (A)에서, 심장 이완 말기 이미지 및 심장 수축 말기 이미지를 결정 및 선택하는 방법은, 좌심실 면적이 최대일 때를 심장 이완 말기로 하고, 좌심실 면적이 최소일 때를 심장 수축 말기로 선택하며,
바람직하게는, 상기 단계 (A)의 구체적인 과정은,
(A1) level set 알고리즘을 이용하여 하나의 심장 주기 내의 심장 이미지의 각 단면에서의 좌심실에 대해 분할을 진행하는 단계;
(A2) 각 단면에서 분할된 좌심실 면적을 계산하되, 바람직하게는, 구체적인 면적 계산 방법은 분할된 좌심실에 포함된 화소점 개수를 계산하는 단계;
(A3) 각 단면에서 분할된 좌심실 면적의 크기를 비교하는 단계;
(A4) 좌심실 면적이 최대인 단면을 심장 이완 말기 이미지로 선택하고, 좌심실 면적이 최소인 단면을 심장 수축 말기 이미지로 선택하는 단계;를 포함하는 것을 특징으로 하는, 컴퓨터 장치. - 제1항에 있어서,
상기 단계 (B)의 구체적인 과정은,
(B1) level set 알고리즘을 이용하여 심장 이완 말기 이미지 및 심장 수축 말기 이미지 중의 좌심실 심내막, 우심실 심내막 및/또는 심외막을 분할하는 단계;
(B2) 단계 (B1)에서 얻은 좌심실 심내막, 우심실 심내막 및/또는 심외막의 이미지를 추출하고, 이미지 배경을 설정하여, 윤곽도 B2를 얻는 단계;
(B3) 윤곽도 B2를 이진화 처리하여, 윤곽도 B3를 얻는 단계;
(B4) 윤곽도 B3 중 좌심실 심내막, 우심실 심내막 및/또는 심외막의 이미지의 너비를 하나의 화소로 변환하여, 윤곽도 B4를 얻으며, 상기 윤곽도 B4에서, 좌심실 심내막의 이미지는 좌심실의 윤곽이고, 우심실 심내막의 이미지는 우심실의 윤곽이고, 심외막의 이미지는 심외막의 윤곽인 단계;
(B5) 윤곽도 B4의 이미지 배경을 제거하여, 윤곽도 I 또는 윤곽도 II를 얻는 단계;를 포함하는 것을 특징으로 하는, 컴퓨터 장치. - 제4항에 있어서,
상기 단계 (B4)의 구체적인 과정은,
(B4.1) 윤곽도 B3 중 좌심실 심내막 및 우심실 심내막의 화소점을 데이터 세트set으로 분류하는 단계;
(B4.2) 윤곽도 B3 중의 데이터 세트set를 탐색하고, 데이터 세트set 중 모든 화소점의 좌표 위치를 기록하는 단계;
(B4.3) 사전 지식에 따라 탐색된 제1 화소점이 좌심실 심내막 또는 우심실 심내막에 속하는지 판단하고, 상기 제1 화소점을 제1 데이터 세트에 포함시키는 단계;
(B4.4) 상기 제1 화소점 주변의 8개 화소점을 검색하고, 상기 8개 화소점 중 데이터 세트set에 속하는 것은, 제1 데이터 세트에 포함시키는 단계;
(B4.5) 제1 데이터 세트에 새로 포함시킨 화소점 주변의 8개 화소점에 대한 검색을 반복하고, 제1 데이터 세트에 포함시킬 새로운 화소점이 없을 때까지, 데이터 세트set에 속하는 화소점을 제1 데이터 세트에 포함시키는 단계;
(B4.6) 상기 데이터 세트set에서, 제1 데이터 세트에 포함시키지 않은 화소점은 모두 제2 데이터 세트에 포함시키고, 상기 제1 데이터 세트와 제2 데이터 세트 중의 데이터점은 좌심실 심내막 또는 우심실 심내막의 이미지를 각각 구성하는 단계;
(B4.7) findCounter 함수를 이용하여 좌심실 심내막, 우심실 심내막 및/또는 심외막의 이미지에 대해 각각 단일 화소 추출을 진행하여, 최외층의 화소점만 남기는 단계;를 포함하는 것을 특징으로 하는, 컴퓨터 장치. - 제1항 또는 제6항에 있어서,
상기 단계 (C)에서 상기 심장 매개변수의 추출은 구체적으로,
(C1) 단계 (B)에서 얻은 윤곽도I에서 좌심실의 중심 위치 O점을 결정하는 단계;
(C2) 단계 (B)에서 얻은 윤곽도I에서, 우심실의 윤곽 상의 임의의 두 점을 취하여 반복함으로써, ∠AOB의 값이 최대가 되도록 A점과 B점을 찾는 단계로서, 여기서 A점과 B점의 위치는, 인체 정면에서 촬영한 상기 심장 이미지에서 얻은 상기 윤곽도I에서, 상기 B점이 A점의 상부에 위치하는 방식으로 구분되는 단계;
(C3) ∠AOB 의 중간 분할선 OM을 만들고, 여기서 M점은 선분 AB 상에 위치하며, 선분 MO의 연장선을 만들고, 이와 좌심실의 윤곽의 교차점을 취하여, C점으로 기록하는 단계;
(C4) 3개 분할선으로 좌심실의 윤곽을 6부분으로 나누는 단계;
좌심실의 윤곽을 6부분으로 나누는 과정은 구체적으로,
(C4.1) ∠AOB의 크기를 계산하고, 120°와 비교하는 단계;
(C4.2) ∠AOB<120°일 경우, ∠AOB=120°가 될 때까지, A점과 B점은 한번에 한 화소씩 동시에 선분 AB의 양단 연장선 방향으로 이동하고, 이때의 A점과 B점을 각각 G점과 H점으로 기록하며,
∠AOB>120°일 경우, ∠AOB=120°가 될 때까지,A점과 B점은 한번에 한 화소씩 동시에 선분 AB의 중점 방향으로 이동하고, 이때의 A점과 B점을 각각 G점과 H점으로 기록하며,
∠AOB=120°일 경우, A점과 B점은 이동할 필요 없이, 이때의 A점과 B점을 각각 G점과 H점으로 기록하는 단계;
(C4.3) 상기 선분 MC의 양방향 연장선, 선분 GO의 양방향 연장선 및 선분HO의 양방향 연장선을 3개 분할선으로 하여, 좌심실의 윤곽을 6부분으로 나누는 단계;를 포함하며,
(C5) 선분 GO의 연장선을 만들고, 이와 좌심실의 윤곽선의 교차점을 취하여, D점으로 기록하며, 선분HO의 연장선을 만들고, 이와 좌심실의 윤곽선의 교차점을 취하여, N점으로 기록하는 단계;
(C6) 좌심실의 윤곽 중 CD 구간의 길이를 계산하며, 선분 OC, 선분OD 및 선분 ON의 길이를 계산하고 이들의 평균 값을 취하여 좌심실의 반경을 얻으며, 우심실의 면적과 좌심실의 면적을 계산하고, 상기 심장 매개변수는 좌심실의 윤곽 중 CD 구간의 길이, 좌심(C6) 좌심실의 윤곽 중 CD 구간의 길이를 계산하며, 선분 OC, 선분OD 및 선분 ON의 길이를 계산하고 이들의 평균 값을 취하여 좌심실의 반경을 얻으며, 우심실의 면적과 좌심실의 면적을 계산하고, 상기 심장 매개변수는 좌심실의 윤곽 중 CD 구간의 길이, 좌심실의 반경, 좌심실의 면적 및 우심실의 면적 중 적어도 하나이며, 바람직하게는, 구체적으로 좌심실의 윤곽 중 CD 구간의 길이를 계산하는 방법은 좌심실의 윤곽 중 C점과 D점 사이의 화소점 개수를 계산하고, 구체적으로 면적을 계산하는 방법은 좌심실의 윤곽 또는 우심실의 윤곽 내에 포함된 화소점 개수를 계산하는 단계;를 포함하며,
바람직하게는, 단계 (C)에서 상기 심장 매개변수의 추출은 또한,
(C7) 단계 (C1) 내지 단계 (C5)의 결과에 따라, 단계 (B)에서 얻은 윤곽도 II에서 O점, C점 및 D점을 결정하며, 선분OD의 연장선을 만들고, 이와 심외막 윤곽의 교차점을 취하여, E점으로 기록하며, 선분 OC의 연장선을 만들고, 이와 심외막 윤곽의 교차점을 취하여, F점으로 기록하는 단계;
(C8) 좌심실의 윤곽 중 CD 구간, 선분 DF, 심외막 윤곽 중의 FE구간 및 선분EC으로 둘러싸인 CDFE의 면적을 계산하고, 상기 심장 매개변수는 좌심실의 윤곽 중 CD 구간의 길이, 좌심실의 반경, 좌심실의 면적, 우심실의 면적 및 영역CDFE의 면적 중 적어도 하나이며, 바람직하게는, 구체적으로 면적을 계산하는 방법은 영역CDFE 내에 포함된 화소점 개수를 계산하는 단계;를 더 포함하는 것을 특징으로 하는, 컴퓨터 장치. - 제1항에 있어서,
상기 단계 (D)에서, 상기 분류 모델은 KNN, PLS-DA, Random forest, BP신경망 또는 SVM이고, 바람직하게는 SVM인 것을 특징으로 하는, 컴퓨터 장치. - 제1항 내지 제8항 중 어느 한 항에 따른 상기 컴퓨터 프로그램이 저장되어 있는 것을 특징으로 하는, 컴퓨터 판독 가능 저장 매체.
- 제1항 내지 제8항 중 어느 한 항에 따른 컴퓨터 장치, 및 서버를 포함하고,
상기 서버에는 환자의 하나의 심장 주기 내의 심장 이미지가 저장되어 있는 것을 특징으로 하는, 인체 확장성 심근병증의 자동 진단 시스템.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110389964.X | 2021-04-12 | ||
CN202110389964.XA CN113112473B (zh) | 2021-04-12 | 2021-04-12 | 一种人体扩张型心肌病的自动诊断系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20220141218A true KR20220141218A (ko) | 2022-10-19 |
Family
ID=76715758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210165428A KR20220141218A (ko) | 2021-04-12 | 2021-11-26 | 자동 알고리즘 기반의 확장성 심근병증 보조진단을 위한 의사결정 시스템 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR20220141218A (ko) |
CN (1) | CN113112473B (ko) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116013449B (zh) * | 2023-03-21 | 2023-07-07 | 成都信息工程大学 | 融合临床信息与磁共振图像的心肌病预后辅助预测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901498B (zh) * | 2009-12-31 | 2011-11-30 | 华中科技大学 | 一种人体冠状动脉血管的递推建模方法 |
EP2522279A4 (en) * | 2010-01-07 | 2016-11-30 | Hitachi Ltd | DIAGNOSIS DEVICE WITH MEDICAL PICTURES, METHOD FOR EXTRACTION AND PROCESSING OF THE CONTOUR OF MEDICAL PICTURES |
EP3861928B1 (en) * | 2014-04-04 | 2024-03-27 | St. Jude Medical Systems AB | Intravascular pressure and flow data diagnostic system |
US11024025B2 (en) * | 2018-03-07 | 2021-06-01 | University Of Virginia Patent Foundation | Automatic quantification of cardiac MRI for hypertrophic cardiomyopathy |
CN110009640B (zh) * | 2018-11-20 | 2023-09-26 | 腾讯科技(深圳)有限公司 | 处理心脏视频的方法、设备和可读介质 |
CN110766691A (zh) * | 2019-12-06 | 2020-02-07 | 北京安德医智科技有限公司 | 一种心脏磁共振影像分析及心肌病预测的方法、装置 |
CN111685740B (zh) * | 2020-06-08 | 2022-03-01 | 上海交通大学 | 一种心脏功能参数检测方法及装置 |
-
2021
- 2021-04-12 CN CN202110389964.XA patent/CN113112473B/zh active Active
- 2021-11-26 KR KR1020210165428A patent/KR20220141218A/ko unknown
Also Published As
Publication number | Publication date |
---|---|
CN113112473A (zh) | 2021-07-13 |
CN113112473B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Dilated-inception net: multi-scale feature aggregation for cardiac right ventricle segmentation | |
Singh et al. | Machine learning in cardiac CT: basic concepts and contemporary data | |
Peng et al. | A review of heart chamber segmentation for structural and functional analysis using cardiac magnetic resonance imaging | |
Chen et al. | JAS-GAN: generative adversarial network based joint atrium and scar segmentations on unbalanced atrial targets | |
CN110197713B (zh) | 一种医疗影像的处理方法、装置、设备和介质 | |
WO2009148041A1 (ja) | 医用画像処理装置及び医用画像処理方法 | |
Li | Research on the detection method of breast cancer deep convolutional neural network based on computer aid | |
Martín-Isla et al. | Deep learning segmentation of the right ventricle in cardiac mri: The m&ms challenge | |
Chang et al. | Development of a deep learning-based algorithm for the automatic detection and quantification of aortic valve calcium | |
Zhu et al. | A new method incorporating deep learning with shape priors for left ventricular segmentation in myocardial perfusion SPECT images | |
Metan et al. | Cardiovascular MRI image analysis by using the bio inspired (sand piper optimized) fully deep convolutional network (Bio-FDCN) architecture for an automated detection of cardiac disorders | |
KR20220122540A (ko) | 의료 영상에서 임상 지표를 검출하기 위한 방법 및 장치 | |
Yong et al. | Automatic ventricular nuclear magnetic resonance image processing with deep learning | |
CN109935321A (zh) | 基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测模型 | |
KR20220141218A (ko) | 자동 알고리즘 기반의 확장성 심근병증 보조진단을 위한 의사결정 시스템 | |
Liu et al. | Toward automated right ventricle segmentation via edge feature-induced self-attention multiscale feature aggregation full convolution network | |
Li et al. | RSU-Net: U-net based on residual and self-attention mechanism in the segmentation of cardiac magnetic resonance images | |
Benameur et al. | Parametric methods for the regional assessment of cardiac wall motion abnormalities: comparison study | |
Yuan et al. | Fully automatic segmentation of the left ventricle using multi-scale fusion learning | |
Lalande et al. | Evaluation of cardiac structure segmentation in cine magnetic resonance imaging | |
Shalbaf et al. | Automatic assessment of regional and global wall motion abnormalities in echocardiography images by nonlinear dimensionality reduction | |
Zhang et al. | Detection of metastatic lymph nodules in gastric cancer using deep convolutional neural networks | |
Chen et al. | Deep learning‐based high‐dimensional multiple regression estimator for chest x‐ray image classification in rapid cardiomegaly screening | |
Attar Qazaani | Quantitative Analysis of Cardiac Magnetic Resonance in Population Imaging | |
Balaji et al. | Detection and diagnosis of dilated cardiomyopathy from the left ventricular parameters in echocardiogram sequences |