KR20220142565A - 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법 - Google Patents

Abstract

본 발명의 일 실시예에 따라, 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법이 제공된다. 상기 방법은, fMRI 영상을 획득하는 단계; 획득한 fMRI 영상을 정량화하는 단계; 및 정량화된 fMRI 영상에 자동분석 알고리즘을 적용시키는 단계를 포함하고, 상기 자동분석 알고리즘을 적용시키는 단계는, 정량화된 fMRI 영상을 통해 네트워크 함수를 학습시키는 단계 및 환자의 fMRI 영상을 분석하는 단계를 포함할 수 있다.

Description

뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법{IMAGE PREPROCESSING METHOD FOR GENERATIING BRAIN DISEASES DIAGNOSIS TRAING MODEL}

본 발명은 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법에 관한 것이다.

일반적으로 치매는 신경 전달 물질, 뇌세포 및 신경을 공격하는 신경 퇴행성 뇌질환으로서, 뇌기능, 기억 및 행동에 영향을 미친다. 최근 리포트에 따르면 전 세계적으로 약 5천만 명의 사람들이 치매를 앓고 있으며, 2050년까지 약 1억 5천 2백만 명까지 늘어날 것으로 예상된다.

치매는 증상이 나타나기 전까지는 뇌에 생기는 변화를 쉽게 알아차릴 수 없다. 기억력 상실이나 언어장애와 같이 직접적인 증상이 겉으로 드러나는 시기는 이미 뇌의 변화가 어느 정도 진행된 이후가 대부분이다. 따라서, 치매의 정확한 진단은 환자에게 매우 중요하다.

일반적으로 치매 진단에 있어서 뇌의 구조 변화와 함께 뇌 기능의 변화가 진단에 중요하다. 따라서, 치매 진단을 위해서 방사선동위원소로 표지된 추적자(tracer)를 체내에 투여하여 영상 촬영을 하는 PET(Positron Emission Tomography), 체내에 소량의 방사성동위체를 투여하고 방출되는 감마(γ)선의 분포 상황을 영상화하는 SPECT(Single Photon Emission Computed Tomography), 혈류와 관련된 변화를 감지하여 뇌 활동을 측정하는 fMRI(Functional Magnetic Resonance Imaging) 등의 영상 분석이 사용된다.

이 중, fMRI는 PET나 SPECT에 비해서 방사선동위원소를 사용하지 않기 때문에 반복적인 촬영이 가능하고, 금식이나 식사조절 등의 촬영 조건이 훨씬 용이함에도 불구하고 영상 재조합 후 분석에 이르기까지 통상 2시간에 이르는 시간이 소요되기 때문에 매우 불편한 검사로 인식되어져 왔다.

따라서 이와 같은 문제를 해결할 수 있는 방법이 요구된다.

본 발명은 상기 문제점을 해결하기 위한 것으로서, 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법을 제공하는 것을 그 목적으로 한다.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.

본 발명의 일 실시예에 따라, 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법이 제공된다. 상기 방법은, fMRI 영상을 획득하는 단계; 획득한 fMRI 영상을 정량화하는 단계; 및 정량화된 fMRI 영상에 자동분석 알고리즘을 적용시키는 단계를 포함하고, 상기 자동분석 알고리즘을 적용시키는 단계는, 정량화된 fMRI 영상을 통해 네트워크 함수를 학습시키는 단계 및 환자의 fMRI 영상을 분석하는 단계를 포함할 수 있다.

본 발명에 따르면, 인공지능을 통하여 뇌 영상을 분석함으로써 뇌 영상 분석에 소모되는 시간을 줄일 수 있다.

또한, 본 발명에 따르면, 인공지능을 통하여 뇌 영상을 분석하여 뇌 구조 및 뇌 기능 분석 내용을 전문의에게 제공함으로써 치매 진단을 보조할 수 있다.

또한, 본 발명에 따르면, 인공지능을 통한 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법을 의학영상정보시스템(PACS, Picture Archiving and Communication System) 환경에 제공함으로써 자동으로 뇌 영상이 분석되어 전문의에게 제공되도록 할 수 있다.

본 발명의 상세한 설명에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 본 발명의 일 실시예에 따른 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법이 의학영상정보시스템 환경에 적용되는 방법을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법을 의학영상정보시스템 환경에 적용시킨 상태를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법에 따라 표준 뇌 영상을 세분화하는 예시를 나타내는 도면이다.
도 5는 본 발명의 일 실시예에 따른 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법에 따라 뇌 영상을 자동으로 로브 구역 별로 세분화하는 예시를 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법이 적용된 소프트웨어의 UI 조작 화면을 나타내는 도면이다.
도 7은 본 발명의 일 실시예에 따른 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법이 적용된 소프트웨어의 UI 조작 화면을 나타내는 도면이다.
도 8은 본 발명의 일 실시예에 따른 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법이 적용된 소프트웨어의 UI 조작 화면을 나타내는 도면이다.
도 9는 본 발명의 일 실시예에 따른 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법이 적용된 소프트웨어의 UI 조작 화면을 나타내는 도면이다.
도 10은 본 발명의 일 실시예에 따른 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법이 적용된 소프트웨어의 UI 조작 화면을 나타내는 도면이다.
도 11은 본 발명의 일 실시예에 따른 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법에 따라 뇌 영상을 자동으로 소구역으로 세분화하는 예시를 나타내는 도면이다.

본 발명의 기술적 사상은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다. 그러나, 이는 본 발명의 기술적 사상을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 기술적 사상의 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

본 발명의 기술적 사상을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 발명의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.

또한, 본 발명에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.

또한, 본 발명에 기재된 "~부", "~기", "~자", "~모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 프로세서(Processor), 마이크로 프로세서(Micro Processer), 마이크로 컨트롤러(Micro Controller), CPU(Central Processing Unit), GPU(Graphics Processing Unit), APU(Accelerate Processor Unit), DSP(Digital Signal Processor), ASIC(Application Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등과 같은 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.

그리고 본 발명에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다.

본 명세서에 걸쳐, 네트워크 함수는 신경망 네트워크 및/또는 뉴럴 네트워크(neural network)와 동일한 의미로 사용될 수 있다. 여기서, 뉴럴 네트워크(신경망)는 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있고, 이러한 노드들은 뉴런으로 지칭될 수 있다. 뉴럴 네트워크는 일반적으로 복수의 노드들을 포함하여 구성된다. 뉴럴 네트워크를 구성하는 노드들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

뉴럴 네트워크를 구성하는 노드들 중 일부는 최초 입력 노드로부터의 거리들에 기초하여 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은 n 레이어를 구성할 수 있다.

본 명세서에서 설명하는 뉴럴 네트워크는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 딥 뉴럴 네트워크(Deep Neural Network, DNN)를 포함할 수 있다. 딥 뉴럴 네트워크는 컨볼루셔널 뉴럴 네트워크(Convolutional Neural Network, CNN), 리커런트 뉴럴 네트워크(Recurrent Neural Network, RNN) 등을 포함할 수 있다.

도 1은 본 발명의 일 실시예에 따른 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법을 설명하기 위한 도면이고, 도 2는 본 발명의 일 실시예에 따른 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법이 의학영상정보시스템 환경에 적용되는 방법을 설명하기 위한 도면이며, 도 3은 본 발명의 일 실시예에 따른 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법을 의학영상정보시스템 환경에 적용시킨 상태를 설명하기 위한 도면이고, 도 4는 본 발명의 일 실시예에 따른 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법에 따라 표준 뇌 영상을 세분화하는 예시를 나타내는 도면이며, 도 5는 본 발명의 일 실시예에 따른 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법에 따라 뇌 영상을 자동으로 로브 구역 별로 세분화하는 예시를 나타내는 도면이고, 도 6은 본 발명의 일 실시예에 따른 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법이 적용된 소프트웨어의 UI 조작 화면을 나타내는 도면이며, 도 7은 본 발명의 일 실시예에 따른 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법이 적용된 소프트웨어의 UI 조작 화면을 나타내는 도면이고, 도 8은 본 발명의 일 실시예에 따른 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법이 적용된 소프트웨어의 UI 조작 화면을 나타내는 도면이며, 도 9는 본 발명의 일 실시예에 따른 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법이 적용된 소프트웨어의 UI 조작 화면을 나타내는 도면이고, 도 10은 본 발명의 일 실시예에 따른 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법이 적용된 소프트웨어의 UI 조작 화면을 나타내는 도면이며, 도 11은 본 발명의 일 실시예에 따른 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법에 따라 뇌 영상을 자동으로 소구역으로 세분화하는 예시를 나타내는 도면이다.

도 1 내지 11을 참조하면, 본 발명의 실시예에 따른 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법은 fMRI 영상을 획득하는 단계, 획득한 fMRI 영상을 정량화하는 단계, 정량화된 fMRI 영상에 자동분석 알고리즘을 적용시키는 단계를 포함할 수 있다.

실시예에 따라, fMRI 영상을 획득하는 단계는, 각 병원의 기존 치매 또는 인지장애 환자의 영상 데이터 베이스(DB, Data Base), 또는 의학영상정보시스템(PACS, Picture Archiving and Communication System) 환경으로부터 fMRI 영상을 획득함으로써 수행될 수 있다. 의학영상정보시스템은, 영상의학적인 영상 진단장치를 통하여 진단한 영상을 디지털 상태로 획득 및 저장하고, 그 판독과 진료기록을 함께 각 단말기로 전송 및 검색하는 데 필요한 기능을 통합적으로 처리하는 시스템을 의미한다.

실시예에 따라, 획득한 fMRI 영상을 정량화하는 단계는, 획득한 fMRI 영상을 재구성함으로써 수행될 수 있다. 구체적으로, 획득한 fMRI 영상을 세분화하여 학습할 수 있는 부분들로 나누고, 유사한 부분들을 서로 그루핑(grouping)하되 그루핑 시 불필요한 중복 데이터를 제거함으로써 수행될 수 있다. 이때, 정량화된 fMRI 영상은, 디지털화(digitization) 과정을 거쳐 네트워크 함수의 학습데이터로 사용될 수 있다.

실시예에 따라, 정량화된 fMRI 영상은 의학영상정보시스템에 제공될 수 있다. 이를 통해, 각 병원 별 fMRI 영상 데이터가 표준화되도록 하며, 인공지능 네트워크 함수의 학습 규준을 제공할 수 있다. 따라서, 각 병원은 표준화된 fMRI 영상 데이터를 통하여 학습된 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법을 통하여 뇌 영상을 분석하고 검진에 활용할 수 있다. 또한, 병원마다 fMRI 영상 데이터가 증가되더라도, 의학영상정보시스템을 통하여 표준화된 fMRI 영상이 계속 자동으로 업데이트 되도록 할 수 있다.

실시예에 따라, 정량화된 fMRI 영상에 자동분석 알고리즘을 적용시키는 단계는, 정량화된 fMRI 영상을 통해 네트워크 함수를 학습시키는 단계 및 환자의 fMRI 영상을 분석하는 단계를 포함할 수 있다.

네트워크 함수를 학습시키는 단계는, 정량화된 fMRI 영상을 수신하고, 이를 통해 네트워크 함수를 학습함으로써 수행될 수 있다. 이때 네트워크 함수는 복수의 CNN일 수 있다. 보다 상세하게, 네트워크 함수는 복수의 CNN이 메시 네트워크(Mesh Network)를 통해 학습되는 앙상블 학습법(Ensemble Learning Method)을 통해 학습될 수 있다. 이를 통해, 학습 알고리즘을 따로 사용하는 것에 비하여, 자동 분석 알고리즘이 더 좋은 예측 성능을 발휘하도록 할 수 있다.

환자의 fMRI 영상을 분석하는 단계는, 촬영된 환자의 fMRI 영상을 학습된 네트워크 함수에 입력하여 치매 여부, 중증도 등을 판단하도록 함으로써 수행될 수 있다. 보다 상세하게, 네트워크 함수는 정량화된 fMRI 영상과 입력 받은 환자의 fMRI 영상을 비교하여 환자의 치매 여부 및 중증도, 인지장애 등을 판단하고, 환자의 fMRI 분석 결과를 생성 및 출력할 수 있다.

실시예에 따라, 환자의 fMRI 영상을 분석하는 단계는, 임상 데이터를 획득하는 단계 및 임상 데이터와 fMRI 분석 결과에 기초하여 환자의 진단 결과를 생성하는 단계를 포함할 수 있다.

임상 데이터를 입력 받는 단계는, 환자의 징후, 증상, 심리검사 항목 등을 입력받음으로써 수행될 수 있다.

임상 데이터와 fMRI 분석 결과에 기초하여 환자의 진단 결과를 생성하는 단계는, 획득한 임상 데이터(환자의 징후, 증상, 심리검사 항목 등) 및 환자의 fMRI 분석 결과에 기초하여 환자의 진단 결과를 생성 및 출력함으로써, 전문의의 진단을 보조할 수 있다.

실시예에 따라, 분석된 환자의 fMRI 영상은 의학영상정보시스템에 제공되어, 네트워크 함수를 재학습 시키는 재학습 데이터로 사용될 수 있다. 예를 들어, 분석된 환자의 fMRI 영상 및 임상 데이터와 병행하여 생성된 진단 결과는 의학영상정보시스템에 입력되고, 네트워크 함수는 의학영상정보시스템으로부터 이를 학습 데이터로 획득하여 학습이 수행될 수 있다. 이를 통해, 각 병원 별 뇌 영상 관련 데이터가 증가하더라도, 네트워크 함수는 지속적으로 업데이트된 학습 데이터를 획득하여 재학습을 할 수 있다.

실시예에 따라, 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법은 의학영상정보시스템 환경에 적용시킬 수 있다. 이를 위해, 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법은 플랫폼화 되어, 치매 진단 플랫폼으로 구현됨으로써 의학영상정보시스템 환경에 적용될 수 있다. 구체적으로, 치매 진단 플랫폼은 의학영상정보시스템 상 및/또는 의학영상정보시스템과 연결되어 의학영상정보시스템에서 획득한 fMRI 영상을 통해 학습되고, 각 fMRI 영상을 분석 및 결과를 출력할 수 있다. 치매 진단 플랫폼은, 병원에 내원한 환자의 fMRI 영상이 의학영상정보시스템에 업데이트 될 때마다, 치매 진단 플랫폼은 환자의 fMRI 영상을 표준화함과 동시에 학습 및 분석하여 분석 결과를 전문의에게 제공할 수 있다.

일 실시예에 따른 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 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 본 발명을 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.

또한, 개시된 실시예들에 따른 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다.

컴퓨터 프로그램 제품은 S/W 프로그램, S/W 프로그램이 저장된 컴퓨터로 읽을 수 있는 저장 매체를 포함할 수 있다. 예를 들어, 컴퓨터 프로그램 제품은 전자 장치의 제조사 또는 전자 마켓(예, 구글 플레이 스토어, 앱 스토어)을 통해 전자적으로 배포되는 S/W 프로그램 형태의 상품(예, 다운로더블 앱)을 포함할 수 있다. 전자적 배포를 위하여, S/W 프로그램의 적어도 일부는 저장 매체에 저장되거나, 임시적으로 생성될 수 있다. 이 경우, 저장 매체는 제조사의 서버, 전자 마켓의 서버, 또는 S/W 프로그램을 임시적으로 저장하는 중계 서버의 저장 매체가 될 수 있다.

컴퓨터 프로그램 제품은, 서버 및 클라이언트 장치로 구성되는 시스템에서, 서버의 저장 매체 또는 클라이언트 장치의 저장 매체를 포함할 수 있다. 또는, 서버 또는 클라이언트 장치와 통신 연결되는 제 3 장치(예, 스마트폰)가 존재하는 경우, 컴퓨터 프로그램 제품은 제 3 장치의 저장 매체를 포함할 수 있다. 또는, 컴퓨터 프로그램 제품은 서버로부터 클라이언트 장치 또는 제 3 장치로 전송되거나, 제 3 장치로부터 클라이언트 장치로 전송되는 S/W 프로그램 자체를 포함할 수 있다.

이 경우, 서버, 클라이언트 장치 및 제 3 장치 중 하나가 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 수행할 수 있다. 또는, 서버, 클라이언트 장치 및 제 3 장치 중 둘 이상이 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 분산하여 실시할 수 있다.

예를 들면, 서버(예로, 클라우드 서버 또는 인공 지능 서버 등)가 서버에 저장된 컴퓨터 프로그램 제품을 실행하여, 서버와 통신 연결된 클라이언트 장치가 개시된 실시예들에 따른 방법을 수행하도록 제어할 수 있다.

이상에서와 같이 도면과 명세서에서 최적 실시예가 개시되었다. 여기서 특정한 용어들이 사용되었으나, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (1)

1. 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법으로서,
   fMRI 영상을 획득하는 단계;
   획득한 fMRI 영상을 정량화하는 단계; 및
   정량화된 fMRI 영상에 자동분석 알고리즘을 적용시키는 단계를 포함하고,
   상기 자동분석 알고리즘을 적용시키는 단계는, 정량화된 fMRI 영상을 통해 네트워크 함수를 학습시키는 단계 및 환자의 fMRI 영상을 분석하는 단계를 포함하는, 뇌질환 진단 학습 모델 생성을 위한 영상 전처리 방법.

Images