KR20230002845A - 폐 기능성의 정도 또는 수준을 나타내는 하나 이상의 매개변수의 자동 결정 방법 - Google Patents
폐 기능성의 정도 또는 수준을 나타내는 하나 이상의 매개변수의 자동 결정 방법 Download PDFInfo
- Publication number
- KR20230002845A KR20230002845A KR1020227040286A KR20227040286A KR20230002845A KR 20230002845 A KR20230002845 A KR 20230002845A KR 1020227040286 A KR1020227040286 A KR 1020227040286A KR 20227040286 A KR20227040286 A KR 20227040286A KR 20230002845 A KR20230002845 A KR 20230002845A
- Authority
- KR
- South Korea
- Prior art keywords
- volume
- voxels
- describing
- quantitatively determining
- cloud
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 210000004072 lung Anatomy 0.000 title claims abstract description 18
- 238000009423 ventilation Methods 0.000 claims abstract description 3
- 238000002591 computed tomography Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 206010001052 Acute respiratory distress syndrome Diseases 0.000 claims description 6
- 201000000028 adult respiratory distress syndrome Diseases 0.000 claims description 6
- 230000007170 pathology Effects 0.000 claims description 5
- 208000013616 Respiratory Distress Syndrome Diseases 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000004199 lung function Effects 0.000 claims description 3
- 230000007115 recruitment Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 230000010339 dilation Effects 0.000 claims description 2
- 230000003628 erosive effect Effects 0.000 claims description 2
- 239000005337 ground glass Substances 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 claims description 2
- 210000005265 lung cell Anatomy 0.000 claims description 2
- 210000000056 organ Anatomy 0.000 claims description 2
- 230000000241 respiratory effect Effects 0.000 claims description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 claims 1
- 230000011218 segmentation Effects 0.000 description 7
- 208000025721 COVID-19 Diseases 0.000 description 6
- 238000011002 quantification Methods 0.000 description 4
- 206010002091 Anaesthesia Diseases 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000037005 anaesthesia Effects 0.000 description 3
- 238000001949 anaesthesia Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 230000036407 pain Effects 0.000 description 3
- 206010003598 Atelectasis Diseases 0.000 description 2
- 208000007123 Pulmonary Atelectasis Diseases 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 231100000516 lung damage Toxicity 0.000 description 2
- 230000004202 respiratory function Effects 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 210000003437 trachea Anatomy 0.000 description 2
- 208000005189 Embolism Diseases 0.000 description 1
- 206010014561 Emphysema Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 241000282898 Sus scrofa Species 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000001079 digestive effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 208000000122 hyperventilation Diseases 0.000 description 1
- 230000000870 hyperventilation Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 206010022000 influenza Diseases 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000003612 virological effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/20—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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
본 발명은 복셀 클라우드(voxel cloud)로 구성된 폐의 체적 디지털 의료 영상을 기반으로 세포의 환기율(ventilation rate)에 따라 폐의 기능성의 정도 또는 수준을 지표하는 하나 이상의 매개변수를 결정하는 방법으로서, 상기 방법이: 복셀의 공간 밀도가 -950HU와 -450HU 사이인 클라우드의 제1 볼륨 A를 정량적으로 결정 및/또는 기술하는 단계; 복셀의 공간 밀도가 -750HU와 -450HU 사이인 클라우드의 제2 볼륨 B를 정량적으로 결정 및/또는 기술하는 단계; 차등 볼륨(볼륨 A - 볼륨 B)로 정의되는 볼륨 B에 추가로 또는 대안적으로 제3 볼륨 C를 정량적으로 결정 및/또는 기술하는 단계; 비율 (볼륨 B/볼륨 A) 을 계산 및/또는 비율 (볼륨 C/볼륨 A) 을 계산하는 단계; 이들(이) 비율의 값 및/또는 상기 볼륨들의 값을 하나 또는 여러 임계값과 비교하고, 그 비교 또는 비교들의 결과를 상기 지표 매개변수(들)로 활용하는 단계로 구성된 방법에 관한 것이다.
Description
본 발명은 데이터 처리 분야, 보다 상세하게는 폐의 호흡 기능과 관련하여 기능성 정도 또는 수준을 나타내는 하나 이상의 매개변수를 결정하기 위한, 영상, 특히 의료 영상의 처리 및 분석에 관한 것이다.
보다 정확하게는 본 발명은 폐의 기능성 정도 또는 수준의 하나 이상의 지표 매개변수의 자동 결정 방법에 관한 것이다.
전 세계가 코로나19 팬데믹으로 전례 없는 위생 위기를 겪고 있다. 이 위기에 직면하여 매일 증가하는 작업량과 함께 빡빡한 흐름 속에서 일하는 의료진을 돕기 위한 해결책과 도구를 제안하는 것이 필수적이다. 우리가 해결하고자 하는 문제는 단순한 폐의 의료 영상에서 환자의 폐 손상 정도에 대한 분석 및 평가를 단순화하여 의료계에 도움을 주는 것이다. Covid-19 질환의 경우에서 존재하는 이 문제는 계절성 독감, 폐렴, 색전증 등과 같은 다른 병리학에서도 발견된다.
Covid-19의 경우, 과학 문헌 및 의료진의 피드백에 따르면, 전문 방사선 전문의의 경우 의료 영상, 특히 CT-스캔을 통해 환자의 바이러스 손상을 구별할 수 있음을 분명히 알 수 있다. 그러나 이 시각적 분석은 정량화되지 않으며 부정확하고 주관적이다. 또한, 그것만으로는 환자의 건강 상태 변화를 예측할 수 없다. CT 스캔 또는 MRI의 다른 병리학에서도 동일한 제한이 관찰된다. 사실, 기존 해결책으로는 환자의 폐 손상에 대한 정량적이고 자동화된 신속하고 신뢰할 수 있는 점수를 제공할 수 없다.
그 결과에 도달하기 위해, 중환자실 마취 전문의를 위해 그리고 CT 및 MRI 의료 영상에서 수술 후 무기폐(atelectasis)를 정확하게 정량화하는 것을 목적으로 하는 새로운 분석을 설정할 것이 제안되었다 (Noll E, Ohana M, Hengen M, Bennett-Guerrero E, Diana M, Giraudeau C, Pottecher J, Meyer N and Diemunsch P, "Validation of MRI for Volumetric Quantification of Atelectasis in the Perioperative Period: An Experimental Study in Swine".Front. Physiol., 04 June 2019; 10(695): 1-10). 비져블 페이션트 (Visible Patient) 사의 결과 표시 및 인증 소프트웨어를 이용하여, 의료 영상에서 폐와 의과학 문헌(참조: Malbouisson LM, Muller JC, Constantin JM, Lu Q, Puybasset L, Rouby JJ, "CT Scan ARDS Study Group: Computed tomography assessment of positive end-expiratory pressure-induced alveolar recruitment in patients with acute respiratory distress syndrome". Am J Respir Crit Care Med 2001; 163:1444-1450)에서 밀도에 의해 정의된 바 있는 다음의 4개 영역을 반-자동적으로 추출할 수 있다:
- 과호흡(hyperventilation): -1000HU~-900HU
- 정상 환기(normally ventilated): -900HU ~ -500HU
- 환기 불량(poorly ventilated): -500HU ~ -100HU
- 환기되지 않음(not ventilated): -100HU~100HU.
이 방법의 문제는 자동화되지 않고 신속하지 않다는 것이다. 분할(segmentation) 프로세스는 병리가 무엇이든 간에 호흡 기능의 손상 수준을 특성화하는 데 사용할 수 있는 이러한 영역을 묘사하는 데 90분이 소요된다. 이러한 불가능성은 환기가 불량하거나 환기되지 않는 영역의 밀도가 의료 영상의 인접 조직에 너무 가깝거나 심지어 완전히 동일하다는 사실에 있다. 더욱이 실무자가 이러한 영상을 활용하는 데는 시간이 걸리고 경험이 필요하다.
이러한 문제를 극복하기 위해, 본 발명은, 발명자들에 의해 이루어진 예상치 못한 발견에 기초하여, 폐의 기능성 정도를 나타내는 하나 또는 여러 개의 특별히 설계된 매개변수를 결정함으로써 임의의 폐 감염의 중증도 수준을 추론하고 또한 이들 매개변수의 관련 자동 계산 방법을 제공하도록 제안한다.
따라서, 본 발명의 제1 양태에 따르면, 컴퓨터 구현 발명의 형태로, 복셀 클라우드(voxel cloud)로 구성된 폐의 체적 디지털 의료 영상을 기반으로 폐 세포의 환기율(ventilation rate)에 따라 폐의 기능성 정도 또는 수준을 지표하는 하나 이상의 매개변수를 자동 결정하는 방법이 제공되며, 상기 방법은 다음으로 구성된다:
- 복셀의 공간 밀도(spatial density)가 -950HU와 -450HU 사이(HU: CT 스캔에서 하운스필드 단위(Hounsfield Unit)), 유리하게는 -920HU와 -480HU 사이, 바람직하게는 약 -900HU와 -500HU 사이인, 클라우드의 제1 볼륨 A를 정량적으로 결정 및/또는 기술하는 단계;
- 복셀의 공간 밀도가 -750HU와 -450HU 사이, 유리하게는 -720HU와 -480HU 사이, 바람직하게는 약 -700HU와 -500HU 사이인, 클라우드의 제2 볼륨 B를 정량적으로 결정 및/또는 기술하는 단계;
- 볼륨 B에 추가적으로 또는 대안적으로, 차등 볼륨(볼륨 A - 볼륨 B)로 정의되고 "제한된 일반적으로 통기된 볼륨(Restricted Normally aerated volume)"이라고 지칭되는 제3 볼륨 C를 정량적으로 결정 및/또는 기술하는 단계;
- 비율 (볼륨 B/볼륨 A) 을 계산 및/또는 비율 (볼륨 C/볼륨 A) 을 계산하는 단계;
- 이들(이) 비율의 값 및/또는 상기 볼륨들의 값을 하나 또는 여러 임계값과 비교하고, 그 비교 또는 비교들의 결과를 상기 지표 매개변수(들)로 활용하는 단계.
따라서, 본 발명은 폐를 나타내는 복셀 클라우드의 볼륨 A를 세분화하고 서브-볼륨 B 또는 C 중 하나와 볼륨 A 사이의 볼륨 비율의 형태로 하나 이상의 매개변수를 제공할 것을 제안하며, 여기서 비율(들)은 놀랍게도 본 발명자들에 의해 인지된 바와 같이 상기 폐의 기능성 정도를 나타낸다.
유리하게는, 전술한 볼륨 A는 다음 간행물에서 "일반적으로 통기된(normally aerated)"으로 지칭되는 볼륨에 상응한다: "Malbouisson LM, Muller JC, Constantin JM, Lu Q, Puybasset L, Rouby JJ, CT Scan ARDS Study Group: Computed tomography assessment of positive end-expiratory pressure-induced alveolar recruitment in patients with acute respiratory distress syndrome". Am J Respir Crit Care Med 2001; 163:1444-1450.
유리하게도, 전술한 볼륨 B는 다음 간행물에서 "간유리(ground glass)"로 지칭되는 볼륨에 상당히 상응한다: Hansell DM, Bankier AA, MacMahon H, McLoud TC, M?ller NL, Remy J. Fleischner Society: glossary of terms for thoracic imaging. Radiology. 2008 Mar;246(3):697-722. doi: 10.1148/radiol.2462070712. Epub 2008 Jan 14.
앞서 언급한 비율 또는 볼륨 값과 비교되고 상기 방법이 상기 지표 매개변수(들)를 제공할 수 있도록 의도된 임계값은, 결과가 알려진 사례가 처리되는 동안 교정 및 학습 단계 중에 결정된다.
의사에게 고려대상 환자의 전체적 상황에 대한 정보를 제공할 수 있도록 하기 위해, 상기 방법은 환자의 양쪽 폐의 복셀 클라우드에 동시에 또는 연속적으로 적용되어 환자의 전체 호흡 상황을 지표하는 매개변수를 추론한다.
본 발명의 가능한 실제 실시예에 따르면, 상기 방법은, 피부, 기관, 볼륨 A 및 볼륨 B, 바람직하게는 순서대로 피부, 기관(trachea), 볼륨 A 및 볼륨 B를 분할(segment)하도록 구성된 소프트웨어 연산자(operator)를 실행함으로써 환자의 흉부 영역의 3D 영상(들)에 상응하는 복셀 클라우드(들)를 처리하는 것으로 구성된다.
바람직하게는, 복셀 클라우드는 독립적으로 또는 비-독립적으로 처리될 수 있는 병렬 2D 영상으로 슬라이싱하여 처리될 수 있으며, 서로 다른 2D 영상의 분할 정보는 마지막 단계에서 융합에 의해 병합되거나 결합되어, 원하는 볼륨 또는 3D 분할을 제공함으로써 비율을 계산하는데 사용된다. 또한 각 2D에서 직접적으로 비율을 계산하고 이러한 부분적인 데이터(fractional data)를 합산하여 볼륨 비율을 달성하는 것도 가능하다.
이 작업을 수행하려면 E. Noll, L. Soler, M. Ohana, P.O. Ludes, J. Pottecher, E. Bennett-Guerrero, F. Veillon, F. Schneider, N. Meyer, P. Diemunsch. A novel, automated, quantification of abnormal lung parenchyma in patients with Covid-19 infection: initial description of feasibility and association with clinical outcome. Anaesthesia Critical Care & Pain Medicine, Available online 13 November 2020, 100780 에 기재된 것과 같은 방법들을 사용할 수 있다.
WO 2019/137997 및 WO 2019/138001 (CNN 사용)에 개시된 방법과 Soler L, Nicolau S, Hostettler A, et al." Computer assisted digestive surgery. In: Computational surgery and dual training". 2010 ;139-53 (기본 연산자 사용)에 개시된 방법을 또한 고려할 수 있다.
유리하게는, 볼륨 B에 대한 부분 볼륨 효과 및 잠재적인 격리된 비-대표 복셀(isolated non-representative voxel)을 검색할 수 있고 그렇게 검색하도록 의도된 여러 연산자들, 전형적으로 6-네이버후드(neighborhood)에서 하나의 1 복셀의 침식(erosion) 후 팽창(dilation) (열림(opening)으로 정의됨)과 같은 수학적 형태학 연산자들 (mathematical morphology operators) 중 하나를 구현하거나 실현하는 것이 예상될 수 있다.
예를 들어, E. Noll, L. Soler, M. Ohana, P.O. Ludes, J. Pottecher, E. Bennett-Guerrero, F. Veillon, F. Schneider, N. Meyer, P. Diemunsch. "A novel, automated, quantification of abnormal lung parenchyma in patients with Covid-19 infection: initial description of feasibility and association with clinical outcome". Anaesthesia Critical Care & Pain Medicine, Available online 13 November 2020, 100780 에 기재된 가능한 소프트웨어 연산자들이 사용될 수 있다.
본 발명의 가능한 추가적인 특징과 관련하여, 상기 방법은 또한 다음으로 구성될 수 있다:
a) 추가로 또는 대안적으로 비율((볼륨 A - 볼륨 B)/볼륨 A)을 계산하는 단계, 및
b) 상기 비율의 값을 하나 또는 여러 임계값과 비교하고 그 비교 결과를 지표 매개변수로 활용하는 단계로,
전술한 바와 같이 볼륨 A - 볼륨 B = 볼륨 C 이고, 따라서 볼륨 C는 복셀의 공간 밀도가 약 -950HU 내지 -900HU, 및 약 -750HU 내지 -700HU, 바람직하게는 약 -900HU 내지 -700HU인 볼륨에 상응함.
또한, 본 발명의 하나 이상의 가능한 추가적인 특징에 따라, 상기 방법은 또한 다음으로 구성될 수 있다:
- 복셀의 공간 밀도가 약 -500HU와 약 -100HU 사이인 다른 볼륨(PA (Poorly aerated)로 지칭됨)을 정량적으로 결정 및/또는 기술하는 것으로 구성됨, 및/또는
- 복셀의 공간 밀도가 약 -100HU와 약 100HU 사이인 다른 볼륨(NA (Non Aerated)로 지칭됨)을 정량적으로 결정 및/또는 기술하는 것으로 구성됨, 및/또는
- 복셀의 공간 밀도가 약 -1000HU와 약 -900HU 사이인 다른 볼륨(OI (Over-Inflated) 로 지칭됨)을 정량적으로 결정 및/또는 기술하는 것으로 구성됨.
이러한 추가적인 볼륨은 의사가 폐기종과 같은 다른 종류의 병리학적 영향을 추정하기 위해 사용하거나 활용할 수 있는 더 많은 정보를 가질 수 있게 한다.
본 발명의 실용적인 측면에 따르면, 상기 방법은 신경망, 특히 콘볼루션 신경망, 예를 들어 U-Net으로 알려진 CNN을 사용하거나 실행함으로써 적어도 영상 분할 작업을 위해 실현된다.
예를 들어 가능한 CNN 기반 방법은 다음에 설명된 방법에 상응하거나 이로부터 파생된 방법일 수 있다:
- Olivier Petit, Nicolas Thome and Luc Soler: "Biasing Deep ConvNets for Semantic Segmentation of Medical Images with a Prior-driven Prediction Function", Medical Imaging with Deep Learning, London, 8 - 10 July 2019; 또는
- Olivier Petit, Nicolas Thome, Arnaud Charnoz, Alexandre Hostettler and Luc Soler: "Handling Missing Annotations for Semantic Segmentation with Deep ConvNets, Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support", MICCAI 2018 LNCS 10553, Springer professional ed.
WO 2019/137997 및 WO 2019/138001에 기재된 분할 방법도 적용될 수 있다.
본 발명은 또한 전술한 바와 같은 방법의 단계들을 수행하기 위한 수단을 포함하고 하나 이상의 지표 매개변수를 제공하도록 구성된 컴퓨터 또는 데이터 처리 시스템, 및 프로그램이 컴퓨터 시스템에 의해 실행될 때 상기 시스템이 상기 방법의 단계들을 수행하게 하는 명령어를 포함하는 컴퓨터 프로그램을 포함한다.
첨부된 도면에 의해 본 발명의 컴퓨터 구현 방법에 의해 얻어진 결과 중 일부를 예시로서 설명하고 평가할 수 있고, 그의 특징 및 가능한 양태들은 전술한 바와 같다.
도 1a 및 1b는 본 발명의 두 가지 가능한 구체예에 따른 2D 흉부 CT-스캔 영상의 두 가지 유형의 처리를 도시한다.
도 1a에서 두 개의 유용한 영역(본 발명의 지표 비율과 관련된 유용한 볼륨에 해당함)이 정의된다: 볼륨 B (주황색) 및 볼륨 C (분홍색), 이들의 연결이 볼륨 A를 형성함. 또한 상기 도면은 OI 볼륨에 해당하는 영역(어두운/검은색)과 기관(가운데 빨간색) 및 주변 피부도 보여준다.
도 1b는 본 발명에 따른 2개의 다른 유의미할 수 있는 볼륨에 상응하는 2개의 추가 영역, 즉 연한 녹색의 볼륨 PA 및 더 어두운 녹색의 볼륨 NA를 도시한다.
도 2는 지표 매개변수 볼륨 B/볼륨 A와 총 폐 용량(total lung volume) 중 병리학적 영역의 % 간의 상관관계를 보여주며, 이는 상기 비율의 관련성을 정당화한다. 이 도면은 또한 볼륨 B와 볼륨 C 사이의 관계로 인한 볼륨 C/볼륨 A 비율의 관련성을 간접적으로 보여준다.
도 3 및 도 4는 본 명세서의 도입부에서 언급한 반-자동화 대비 본 발명의 자동화 분할의 정확도를 도시한 것이다.
도 1a 및 1b는 본 발명의 두 가지 가능한 구체예에 따른 2D 흉부 CT-스캔 영상의 두 가지 유형의 처리를 도시한다.
도 1a에서 두 개의 유용한 영역(본 발명의 지표 비율과 관련된 유용한 볼륨에 해당함)이 정의된다: 볼륨 B (주황색) 및 볼륨 C (분홍색), 이들의 연결이 볼륨 A를 형성함. 또한 상기 도면은 OI 볼륨에 해당하는 영역(어두운/검은색)과 기관(가운데 빨간색) 및 주변 피부도 보여준다.
도 1b는 본 발명에 따른 2개의 다른 유의미할 수 있는 볼륨에 상응하는 2개의 추가 영역, 즉 연한 녹색의 볼륨 PA 및 더 어두운 녹색의 볼륨 NA를 도시한다.
도 2는 지표 매개변수 볼륨 B/볼륨 A와 총 폐 용량(total lung volume) 중 병리학적 영역의 % 간의 상관관계를 보여주며, 이는 상기 비율의 관련성을 정당화한다. 이 도면은 또한 볼륨 B와 볼륨 C 사이의 관계로 인한 볼륨 C/볼륨 A 비율의 관련성을 간접적으로 보여준다.
도 3 및 도 4는 본 명세서의 도입부에서 언급한 반-자동화 대비 본 발명의 자동화 분할의 정확도를 도시한 것이다.
본 발명의 특정 지표 매개변수의 관련성과 이러한 매개변수를 계산하는 완전히 자동화된 컴퓨터 구현 방법에 대해 효율적으로 및 임상적으로 테스트하였으며, 이는 본 발명의 정확성 및 예측 가능성 이점을 입증한다.
보다 구체적으로, 임상 테스트의 맥락에서 실행된 구체예 및 본 발명의 방법으로 얻은 결과는 E. Noll, L. Soler, M. Ohana, P.O. Ludes, J. Pottecher, E. Bennett-Guerrero, F. Veillon, F. Schneider, N. Meyer, P. Diemunsch. "A novel, automated, quantification of abnormal lung parenchyma in patients with Covid-19 infection: initial description of feasibility and association with clinical outcome". Anaesthesia Critical Care & Pain Medicine, Available online 13 November 2020, 100780 에 기재되어 있으며, 그 내용은 원용에 의해 본원에 포함된다.
본 발명에 따른 방법은, 다른 매개변수와 결합되어 의사에게 평가 도구 및 포인터를 제공하고, 시각적 검사에 의해 의사가 보다 신뢰할 수 있는 진단을 내릴 수 있게 한다.
물론 본 발명은 기술된 적어도 하나의 구체예에 제한되지 않는다. 특히 다양한 요소의 구성 관점에서 또는 본 발명의 보호 범위를 초과하지 않으면서 기술적 등가물을 대체함으로써 변형이 가능하다.
Claims (14)
- 복셀 클라우드(voxel cloud)로 구성된 폐의 체적 디지털 의료 영상을 기반으로 폐 세포의 환기율(ventilation rate)에 따라 폐의 기능성 정도 또는 수준을 지표하는 하나 이상의 매개변수를 자동 결정하는 방법으로서, 상기 방법이:
- 복셀의 공간 밀도(spatial density)가 -950HU와 -450HU 사이, 유리하게는 -920HU와 -480HU 사이, 바람직하게는 약 -900HU와 -500HU 사이인, 클라우드의 제1 볼륨 A를 정량적으로 결정 및/또는 기술하는 단계;
- 복셀의 공간 밀도가 -750HU와 -450HU 사이, 유리하게는 -720HU와 -480HU 사이, 바람직하게는 약 -700HU와 -500HU 사이인, 클라우드의 제2 볼륨 B를 정량적으로 결정 및/또는 기술하는 단계;
- 볼륨 B에 추가적으로 또는 대안적으로, 차등 볼륨(볼륨 A - 볼륨 B)으로 정의되고 "제한된 일반적으로 통기된 볼륨(Restricted Normally aerated volume)"이라고 지칭되는 제3 볼륨 C를 정량적으로 결정 및/또는 기술하는 단계;
- 비율 (볼륨 B/볼륨 A) 을 계산 및/또는 비율 (볼륨 C/볼륨 A) 을 계산하는 단계;
- 이들(이) 비율의 값 및/또는 상기 볼륨들의 값을 하나 또는 여러 임계값과 비교하고, 그 비교 또는 비교들의 결과를 상기 지표 매개변수(들)로 활용하는 단계
로 구성된 것인, 방법. - 제1항에 있어서,
볼륨 A가 문헌 Malbouisson LM, Muller JC, Constantin JM, Lu Q, Puybasset L, Rouby JJ, CT Scan ARDS Study Group: Computed tomography assessment of positive end-expiratory pressure-induced alveolar recruitment in patients with acute respiratory distress syndrome. Am J Respir Crit Care Med 2001; 163:1444-1450 에서 "일반적으로 통기된(normally aerated)"으로 지칭되는 볼륨에 상응하는 것을 특징으로 하는, 방법. - 제1항 또는 제2항에 있어서,
볼륨 B가 문헌 Hansell DM, Bankier AA, MacMahon H, McLoud TC, M?ller NL, Remy J. Fleischner Society: glossary of terms for thoracic imaging. Radiology. 2008 Mar; 246(3):697-722. doi: 10.1148/radiol.2462070712. Epub 2008 Jan 14 에서 "간유리(ground glass)"로 지칭되는 볼륨에 상당히 상응함을 특징으로 하는, 방법. - 제1항 내지 제3항 중 어느 한 항에 있어서,
환자의 호흡 상태의 지표 매개변수를 추론하기 위해, 환자 양쪽 폐의 복셀 클라우드에 동시에 또는 연속적으로 적용되는 것을 특징으로 하는, 방법. - 제1항 내지 제4항 중 어느 한 항에 있어서,
피부, 기관, 볼륨 A 및 볼륨 B, 바람직하게는 순서대로 피부, 기관, 볼륨 A 및 볼륨 B를 분할하도록(segment) 구성된 소프트웨어 연산자를 실행함으로써 복셀 클라우드(들)를 처리하는 것으로 구성되는 것을 특징으로 하는, 방법. - 제5항에 있어서,
볼륨 B에 대한 부분 볼륨 효과 및 잠재적인 격리된 비-대표 복셀을 검색할 수 있고 검색하도록 의도된 여러 연산자들, 전형적으로 6-네이버후드(neighborhood)에서 하나의 1 복셀의 침식(erosion) 후 팽창(dilation) (열림(opening)으로 정의됨)과 같은 수학적 형태학 연산자들 (mathematical morphology operators) 중 하나를 실현하는 것으로 구성되는 것을 특징으로 하는, 방법. - 제1항 내지 제6항 중 어느 한 항에 있어서,
a) 추가로 또는 대안적으로 비율((볼륨 A - 볼륨 B)/볼륨 A)을 계산하는 단계, 및 b) 상기 비율의 값을 하나 또는 여러 임계값과 비교하고 그 비교 결과를 지표 매개변수로 활용하는 단계로 구성된 것을 특징으로 하는, 방법. - 제1항 내지 제7항 중 어느 한 항에 있어서,
또한 복셀의 공간 밀도가 약 -500HU와 약 -100HU 사이인 다른 볼륨을 정량적으로 결정 및/또는 기술하는 것으로 구성된 것을 특징으로 하는, 방법. - 제1항 내지 제8항 중 어느 한 항에 있어서,
또한 복셀의 공간 밀도가 약 -100HU와 약 100HU 사이인 다른 볼륨을 정량적으로 결정 및/또는 기술하는 것으로 구성된 것을 특징으로 하는, 방법. - 제1항 내지 제9항 중 어느 한 항에 있어서,
또한 복셀의 공간 밀도가 약 -1000HU와 약 -900HU 사이인 다른 볼륨을 정량적으로 결정 및/또는 기술하는 것으로 구성된 것을 특징으로 하는, 방법. - 제1항 내지 제10항 중 어느 한 항에 있어서,
신경망, 특히 콘볼루션 신경망, 예를 들어 U-Net으로 알려진 CNN을 실행함으로써 적어도 영상 분할 작업을 위해 실현되는 것을 특징으로 하는, 방법. - 제1항 내지 제11항 중 어느 한 항에 있어서,
하나 또는 여러 개의 지표 매개변수가 환자 건강 또는 생리학을 설명하는 하나 또는 여러 개의 다른 기존 매개변수 또는 기준과 연결되거나 연결되지 않고 자동으로 또는 비-자동으로 사용되어, 환자를 병리의 중증도 수준으로 분류함으로써, 의사가 치료 제안을 최적화하기 위한 더 많은 정보 데이터를 가질 수 있도록 함을 특징으로 하는, 방법. - 적어도 제1항의 방법, 및 가능하게는 제2항 내지 제12항 중 어느 한 항의 방법의 단계들을 수행하기 위한 수단을 포함하고 하나 이상의 지표 매개변수를 제공하도록 구성된, 컴퓨터 또는 데이터 처리 시스템.
- 프로그램이 컴퓨터 시스템에 의해 실행될 때 상기 시스템이 적어도 제1항의 방법, 및 가능하게는 제2항 내지 제12항 중 어느 한 항의 방법의 단계들을 수행하게 하는 명령어를 포함하는, 컴퓨터 프로그램.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202063011354P | 2020-04-17 | 2020-04-17 | |
| US63/011,354 | 2020-04-17 | ||
| PCT/EP2021/059764 WO2021209542A1 (en) | 2020-04-17 | 2021-04-15 | Automatic determination method of at least one parameter indicative of the degree or level of functionality of a lung |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230002845A true KR20230002845A (ko) | 2023-01-05 |
Family
ID=75562752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020227040286A KR20230002845A (ko) | 2020-04-17 | 2021-04-15 | 폐 기능성의 정도 또는 수준을 나타내는 하나 이상의 매개변수의 자동 결정 방법 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US20230298164A1 (ko) |
| EP (1) | EP4136612A1 (ko) |
| KR (1) | KR20230002845A (ko) |
| CN (1) | CN115516501A (ko) |
| BR (1) | BR112022020970A2 (ko) |
| CA (1) | CA3175202A1 (ko) |
| WO (1) | WO2021209542A1 (ko) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010035635A (ja) * | 2008-07-31 | 2010-02-18 | Takeshi Joko | Ａｒｄｓの重症度のスコアを算出する方法、装置およびプログラム |
| KR20200119250A (ko) | 2018-01-10 | 2020-10-19 | 앵스티튜 드 흐쉑쉐 쉬르 레 캉세흐 드 라파헤이 디제스티프 - 이흐카드 | 3d 의료용 이미지의 기하학적 구조에 따른 구조화된 콘볼루션을 통한, 여러 신경망에 의한 3d 의료용 이미지의 자동 세그멘트화 프로세스 |
| JP7240403B2 (ja) | 2018-01-10 | 2023-03-15 | アンスティテュ・ドゥ・ルシェルシュ・シュール・レ・カンセール・ドゥ・ラパレイユ・ディジェスティフ－イ・エール・セ・ア・デ | ３ｄ医用画像の解剖学的ジオメトリに従った、構造化された畳み込みを通した１つまたはいくつかのニューラルネットワークによる３ｄ医用画像の自動セグメンテーションプロセス |
-
2021
- 2021-04-15 WO PCT/EP2021/059764 patent/WO2021209542A1/en active Search and Examination
- 2021-04-15 EP EP21719597.3A patent/EP4136612A1/en active Pending
- 2021-04-15 CA CA3175202A patent/CA3175202A1/en active Pending
- 2021-04-15 CN CN202180029023.3A patent/CN115516501A/zh active Pending
- 2021-04-15 KR KR1020227040286A patent/KR20230002845A/ko active Search and Examination
- 2021-04-15 US US17/919,211 patent/US20230298164A1/en active Pending
- 2021-04-15 BR BR112022020970A patent/BR112022020970A2/pt unknown
Also Published As
| Publication number | Publication date |
|---|---|
| BR112022020970A2 (pt) | 2022-12-06 |
| US20230298164A1 (en) | 2023-09-21 |
| CA3175202A1 (en) | 2021-10-21 |
| CN115516501A (zh) | 2022-12-23 |
| WO2021209542A1 (en) | 2021-10-21 |
| EP4136612A1 (en) | 2023-02-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Baldi et al. | Lung water assessment by lung ultrasonography in intensive care: a pilot study | |
| EP3021753B1 (en) | Systems and methods for determining hepatic function from liver scans | |
| US9773311B2 (en) | Tissue phasic classification mapping system and method | |
| JP4469594B2 (ja) | 疾患関連組織変化を測定するシステム | |
| JP5878933B2 (ja) | 非対称性の自動定量化 | |
| WO2015175746A1 (en) | Visualization and quantification of lung disease utilizing image registration | |
| US20230154620A1 (en) | Apparatus and method for assisting reading of chest medical images | |
| KR102382872B1 (ko) | 의료용 인공 신경망 기반 대표 영상을 제공하는 의료 영상 판독 지원 장치 및 방법 | |
| Obert et al. | Quantitative computed tomography applied to interstitial lung diseases | |
| Pakzad et al. | Radiology of bronchiectasis | |
| Weinheimer et al. | Influence of inspiratory/expiratory CT registration on quantitative air trapping | |
| CN115516498A (zh) | 由非侵入性放射学成像对肝病严重程度自动分类 | |
| Mumcuoğlu et al. | Image analysis for cystic fibrosis: computer-assisted airway wall and vessel measurements from low-dose, limited scan lung CT images | |
| Mastej et al. | Lung and airway shape in neuroendocrine cell hyperplasia of infancy | |
| Mahdavi et al. | A computer-based analysis for identification and quantification of small airway disease in lung computed tomography images: a comprehensive review for radiologists | |
| US8675941B2 (en) | Method for visualization of airway anatomical changes | |
| KR20230002845A (ko) | 폐 기능성의 정도 또는 수준을 나타내는 하나 이상의 매개변수의 자동 결정 방법 | |
| Berta et al. | A patient-specific approach for quantitative and automatic analysis of computed tomography images in lung disease: application to COVID-19 patients | |
| Kiraly et al. | Computer-aided diagnosis of the airways: beyond nodule detection | |
| US20210264596A1 (en) | System and method for producing a multiparameter graphic indicator from an image of a histological section | |
| WO2016183609A1 (en) | A method of analysing an image for assessing a condition of an organ of a patient | |
| JP2014171883A (ja) | 医用画像処理装置及び医用画像処理方法 | |
| US20110071383A1 (en) | Visualization of abnormalities of airway walls and lumens | |
| Kavuri et al. | Quantitative accuracy of lung function measurement using parametric response mapping: A virtual imaging study | |
| US20220398763A1 (en) | Systems and methods of volumetrically assessing structures of skeletal cavities |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |