KR20230008940A - 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법, 서버 및 컴퓨터프로그램 - Google Patents
뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법, 서버 및 컴퓨터프로그램 Download PDFInfo
- Publication number
- KR20230008940A KR20230008940A KR1020210089062A KR20210089062A KR20230008940A KR 20230008940 A KR20230008940 A KR 20230008940A KR 1020210089062 A KR1020210089062 A KR 1020210089062A KR 20210089062 A KR20210089062 A KR 20210089062A KR 20230008940 A KR20230008940 A KR 20230008940A
- Authority
- KR
- South Korea
- Prior art keywords
- brain
- regions
- model
- stimulation
- lesion
- Prior art date
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 451
- 206010051290 Central nervous system lesion Diseases 0.000 title claims abstract description 266
- 238000000034 method Methods 0.000 title claims abstract description 135
- 238000004088 simulation Methods 0.000 title claims abstract description 82
- 238000004590 computer program Methods 0.000 title claims abstract description 18
- 230000000638 stimulation Effects 0.000 claims abstract description 265
- 238000013473 artificial intelligence Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 11
- 238000011269 treatment regimen Methods 0.000 description 39
- 238000011282 treatment Methods 0.000 description 32
- 230000005684 electric field Effects 0.000 description 25
- 238000001914 filtration Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 17
- 210000003128 head Anatomy 0.000 description 14
- 238000002595 magnetic resonance imaging Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 11
- 230000008901 benefit Effects 0.000 description 7
- 238000011369 optimal treatment Methods 0.000 description 7
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- 210000004761 scalp Anatomy 0.000 description 4
- 208000006011 Stroke Diseases 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000002490 cerebral effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 210000003625 skull Anatomy 0.000 description 3
- 230000004936 stimulating effect Effects 0.000 description 3
- 208000006096 Attention Deficit Disorder with Hyperactivity Diseases 0.000 description 2
- 208000036864 Attention deficit/hyperactivity disease Diseases 0.000 description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 208000015802 attention deficit-hyperactivity disease Diseases 0.000 description 2
- 210000004720 cerebrum Anatomy 0.000 description 2
- 230000003920 cognitive function Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 210000004884 grey matter Anatomy 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 210000003141 lower extremity Anatomy 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000006993 memory improvement Effects 0.000 description 2
- 230000001338 necrotic effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000011491 transcranial magnetic stimulation Methods 0.000 description 2
- 210000001364 upper extremity Anatomy 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 210000004885 white matter Anatomy 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 208000019736 Cranial nerve disease Diseases 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 206010052428 Wound Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 210000001638 cerebellum Anatomy 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical compound CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009207 exercise therapy Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 210000004126 nerve fiber Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000001584 occupational therapy Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000000554 physical therapy Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/02—Details
- A61N1/04—Electrodes
- A61N1/0404—Electrodes for external use
- A61N1/0408—Use-related aspects
- A61N1/0456—Specially adapted for transcutaneous electrical nerve stimulation [TENS]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/02—Details
- A61N1/08—Arrangements or circuits for monitoring, protecting, controlling or indicating
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/20—Applying electric currents by contact electrodes continuous direct currents
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G06T2207/30016—Brain
Abstract
뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법, 서버 및 컴퓨터프로그램이 제공된다. 본 발명의 다양한 실시예에 따른 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법은, 컴퓨팅 장치에 의해 수행되는, 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법에 있어서, 뇌 병변 환자의 뇌 영상을 수집하는 단계, 상기 수집된 뇌 영상을 이용하여 상기 뇌 병변 환자에 대한 뇌 모델을 생성하는 단계 및 상기 생성된 뇌 모델을 이용하여 상기 뇌 병변 환자의 뇌에 대한 자극을 시뮬레이션하는 단계를 포함한다.
Description
본 발명의 다양한 실시예는 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법, 서버 및 컴퓨터프로그램에 관한 것이다.
뇌는 인체 머리의 내부 기관으로 신경계의 최고 중추기관이며, 대뇌, 소뇌, 중간뇌, 다리뇌, 연수로 나뉘어진다. 또한, 뇌는 뉴런 활동 준위의 합이 뇌의 표피에서 측정되는 신호인 뇌파를 발생한다.
뇌의 상태를 측정하는 방법으로, 먼저 두피에 전극을 구비한 패드를 장착하여 전극으로부터 수신되는 뇌파를 측정해 검사하는 EEG(electroencephalogram) 검사, 또는, 뇌를 방사선이나 초음파를 이용하여 여러 각도에서 단층 촬영해 검사하는 CT 검사, 자기공명에 의해 뇌를 촬영하는 MRI 검사 등이 있다.
다양한 개념들이 뇌 구조들의 신경 자극 분야에 알려져 있으며, 뇌를 자극시켜서 소정의 목적을 달성하는 두뇌자극술은 크게 침습식 두뇌자극술(invasive brain stimulation)과 비침습식 두뇌자극술(non-invasive brain stimulation)로 구분된다.
침습식 두뇌자극술은 수술을 통해 전극을 뇌에 침투시키고 전기 신호를 인가하는 방법이며, 비침습식 두뇌자극술은 두개골 내부로 전극을 침습하지 않고 뇌를 자극하여 소정의 효과를 달성하는 방법이다.
구체적인 두뇌자극술로는, 심부 전기 자극법(deep electrical stimulation), 경두개 자기 자극법(Transcranial Magnetic Stimulation, TMS), 경두개 전기 자극법(Transcranial Electrical Stimulation, TES), 경두개 직류 자극법(transcranial Direct Current Stimulation, tDCS) 및 경두개 랜덤 노이즈 자극법(transcranial Random Noise Stimulation, tRNS) 등이 있다.
이 가운데 경두개 직류 자극법(tDCS)을 이용한 뇌 전기 자극 기술은, 상대적으로 간단한 비침습식 두뇌자극술 가운데 하나로써, 인지 능력 향상이나 우울증, ADHD(Attention Deficit Hyperactivity Disorder), 간질, 치매, 수면장애 등 다양한 뇌신경 질환 치료에 효과가 있는 것으로 알려져 있어 이와 관련된 많은 연구가 활발히 이루어지고 있다.
경두개 직류 자극(tDCS) 장치를 이용하여 뇌를 자극하는 방법은, 직류 전류를 발생시키는 경두개 직류 자극(tDCS) 장치에 양극 전극(Anode)과 음극 전극(Cathode)을 연결하여, 양극 전극(Anode)에 전류를 주입하면 전류는 대뇌를 거처 음극 전극(Cathode)으로 다시 들어오게 된다.
이 경우, 양극 전극(Anode)에서부터 음극 전극(Cathode)으로 전류가 흐르며 대뇌를 자극하는데, 치료 방법에 따라 전기자극 방향을 바꿀 필요도 있다.
종래에는 이러한 경두개 직류 자극법을 보다 정확하고 효과적으로 수행하기 위하여, 경두개 직류 자극법을 수행하기에 앞서 환자의 뇌를 모델링하여 뇌 모델을 생성하고, 뇌 모델을 이용하여 전기 자극을 시뮬레이션하며, 이를 통해 경두개 직류 자극법을 수행하기 위한 최적의 치료 전략(예: 자극 위치, 자극 세기)을 수립하였다.
그러나, 종래의 최적의 치료 전략 수립 방법의 경우, 뇌 병변의 유무와 관계없이 획일화된 기준에 따라 환자의 뇌를 모델링하고, 이를 이용하여 자극을 시뮬레이션할 뿐, 뇌졸중 환자와 같이 뇌 병변이 있는 환자에 대하여 뇌 병변이 반영된 뇌 모델을 생성하는 방법이 부재 바, 뇌 병변 환자를 대상으로 시뮬레이션을 수행하고, 이에 따라 뇌 병변 환자를 대상으로 최적의 치료 전략을 수립하기 어렵다는 문제가 있다.
본 발명이 해결하고자 하는 과제는 상술한 종래의 최적의 치료 전략 수립 방법의 문제점을 해소하기 위한 목적으로, 뇌 병변 환자에 대한 뇌 영상을 이용하여 뇌 병변이 적용된 뇌 모델을 생성하고, 이를 이용하여 뇌 자극을 시뮬레이션함으로써, 뇌 병변 환자를 대상으로 뇌 자극 시뮬레이션을 가능하도록 하며, 이에 따라 뇌 병변 환자의 뇌 병변을 고려하여 최적화된 치료 방법을 도출할 수 있는 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법, 서버 및 컴퓨터 프로그램에 관한 것이다.
본 발명이 해결하고자 하는 과제는 복수의 뇌 병변 환자에 대한 정보 및 복수의 뇌 병변 환자 각각의 뇌 모델을 이용하여 자극을 시뮬레이션함에 따라 생성되는 각종 정보들을 수집 및 저장하여 빅데이터 시스템을 구축함으로써, 이를 이용하여 보다 정확한 뇌 영상 분할과 치료 전략 수립이 가능하도록 하는 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법, 서버 및 컴퓨터 프로그램에 관한 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법은, 컴퓨팅 장치에 의해 수행되는, 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법에 있어서, 뇌 병변 환자의 뇌 영상을 수집하는 단계, 상기 수집된 뇌 영상을 이용하여 상기 뇌 병변 환자에 대한 뇌 모델을 생성하는 단계 및 상기 생성된 뇌 모델을 이용하여 상기 뇌 병변 환자의 뇌에 대한 자극을 시뮬레이션하는 단계를 포함한다.
다양한 실시예에서, 상기 뇌 병변 환자에 대한 뇌 모델을 생성하는 단계는, 상기 수집된 뇌 영상을 복수의 영역 - 상기 복수의 영역은 뇌의 구조 각각에 대응되는 복수의 제1 영역 및 뇌 병변에 대응되는 하나 이상의 제2 영역을 포함함 - 으로 분할하는 단계 및 상기 복수의 영역으로 분할된 뇌 영상을 이용하여 3차원 뇌 모델을 생성하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 복수의 영역으로 분할하는 단계는, 기 학습된 제1 인공지능 모델을 이용하여 상기 수집된 뇌 영상을 상기 복수의 영역으로 분할하되, 상기 기 학습된 제1 인공지능 모델은, 상기 복수의 영역으로 분할되고 상기 분할된 복수의 영역 각각에 대한 정보가 상기 분할된 복수의 영역 각각에 레이블링된 복수의 뇌 영상을 학습 데이터로 학습되며, 분할되지 않은 뇌 영상을 입력받아 상기 복수의 영역으로 분할된 뇌 영상을 출력하는 모델인, 단계를 포함할 수 있다.
다양한 실시예에서, 상기 3차원 뇌 모델을 생성하는 단계는, 상기 복수의 영역으로 분할된 뇌 영상을 가공하여 상기 복수의 영역 중 상기 하나 이상의 제2 영역을 제거하는 단계, 기 학습된 제2 인공지능 모델을 이용하여 상기 하나 이상의 제2 영역이 제거된 뇌 영상을 복원하되, 상기 기 학습된 제2 인공지능 모델은 적어도 일부 영역이 제거된 복수의 뇌 영상 및 상기 적어도 일부 영역이 제거되지 않은 정상의 복수의 뇌 영상을 학습데이터로 하여 학습되며, 적어도 일부 영역이 제거된 뇌 영상을 입력받아 상기 제거된 적어도 일부 영역이 복원된 뇌 영상을 출력하는 모델인, 단계 및 상기 복원된 뇌 영상을 이용하여 3차원 뇌 모델을 생성하고, 상기 제거된 하나 이상의 제2 영역의 속성에 기초하여 상기 생성된 3차원 뇌 모델 상에 상기 하나 이상의 제2 영역을 설정하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 3차원 뇌 모델을 생성하는 단계는, 상기 복수의 영역으로 분할된 뇌 영상을 가공하여 상기 복수의 영역 중 상기 하나 이상의 제2 영역을 제거하는 단계, 기 학습된 제2 인공지능 모델을 이용하여 상기 하나 이상의 제2 영역이 제거된 뇌 영상을 복원하는 단계, 상기 복원된 뇌 영상을 이용하여 3차원 뇌 모델을 생성하는 단계 및 상기 제거된 하나 이상의 제2 영역을 이용하여 뇌 병변 모델을 생성하고, 상기 생성된 3차원 뇌 모델에 상기 생성된 뇌 병변 모델을 정합하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 복수의 영역으로 분할하는 단계는, 상기 뇌 병변 환자에 대한 정보를 수집하는 단계, 기 저장된 빅데이터 - 상기 기 저장된 빅데이터는 복수의 환자 각각에 대응되는 복수의 뇌 영상, 상기 복수의 뇌 영상 각각에 대응되는 복수의 뇌 모델 및 상기 복수의 뇌 모델 각각을 이용하여 자극을 시뮬레이션함에 따라 도출되는 복수의 시뮬레이션 결과 중 적어도 하나를 포함함 - 로부터 상기 수집된 뇌 병변 환자에 대한 정보에 대응되는 하나 이상의 데이터를 추출하는 단계 및 상기 추출된 하나 이상의 데이터를 이용하여 상기 수집된 뇌 영상을 상기 복수의 영역으로 분할하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 복수의 영역으로 분할하는 단계는, 상기 뇌 병변 환자에 대한 정보를 수집하는 단계, 기 학습된 제1 인공지능 모델을 이용하여 상기 수집된 뇌 영상을 상기 복수의 영역으로 분할하는 단계, 기 저장된 빅데이터로부터 상기 수집된 뇌 병변 환자에 대한 정보에 대응되는 하나 이상의 데이터를 추출하는 단계 및 상기 추출된 하나 이상의 데이터를 이용하여, 상기 복수의 영역으로 분할된 뇌 영상을 검증하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 복수의 영역으로 분할하는 단계는, 상기 복수의 제1 영역 중 상기 하나 이상의 제2 영역과 동일한 속성을 가지는 하나 이상의 제1 영역을 선택하고, 상기 선택한 하나 이상의 제1 영역과 상기 하나 이상의 제2 영역을 하나의 영역으로 결합하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 뇌 병변 환자의 뇌에 대한 자극을 시뮬레이션하는 단계는, 상기 생성된 3차원 뇌 모델에 포함된 복수의 영역 각각에 대한 속성에 기초하여 복수의 격자(mesh)로 구성된 3차원 뇌지도를 생성하는 단계 및 상기 생성된 3차원 뇌지도를 이용하여, 기 설정된 가이드 시스템에 따른 복수의 자극 위치에 기초한 전기 자극을 시뮬레이션하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 뇌 병변 환자에 대한 뇌 모델을 생성하는 단계는, 복수의 사용자에 대한 성별, 인종별 및 연령별 뇌 병변 통계 데이터에 기초하여, 임의의 속성을 가지는 뇌 병변 정보를 생성하고, 상기 생성된 뇌 병변 정보를 이용하여 가상의 뇌 모델을 생성하는 단계를 포함할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 서버는, 프로세서, 네트워크 인터페이스, 메모리 및 상기 메모리에 로드(load)되고, 상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 포함하되, 상기 컴퓨터 프로그램은, 뇌 병변 환자의 뇌 영상을 수집하는 인스트럭션(instruction), 상기 수집된 뇌 영상을 이용하여 상기 뇌 병변 환자에 대한 뇌 모델을 생성하는 인스트럭션 및 상기 생성된 뇌 모델을 이용하여 상기 뇌 병변 환자의 뇌에 대한 자극을 시뮬레이션하는 인스트럭션을 포함할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 또 다른 실시예에 따른 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터프로그램은, 컴퓨팅 장치와 결합되어, 뇌 병변 환자의 뇌 영상을 수집하는 단계, 상기 수집된 뇌 영상을 이용하여 상기 뇌 병변 환자에 대한 뇌 모델을 생성하는 단계 및 상기 생성된 뇌 모델을 이용하여 상기 뇌 병변 환자의 뇌에 대한 자극을 시뮬레이션하는 단계를 실행시키기 위하여 컴퓨터로 판독가능한 기록매체에 저장될 수 있다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명의 다양한 실시예에 따르면, 뇌 병변 환자에 대한 뇌 영상을 이용하여 뇌 병변이 적용된 뇌 모델을 생성하고, 이를 이용하여 뇌 자극을 시뮬레이션함으로써, 뇌 병변 환자를 대상으로 뇌 자극 시뮬레이션을 가능하도록 하며, 이에 따라 뇌 병변 환자의 뇌 병변을 고려하여 최적화된 치료 방법을 도출할 수 있다는 이점이 있다.
또한, 복수의 뇌 병변 환자에 대한 정보 및 복수의 뇌 병변 환자 각각의 뇌 모델을 이용하여 자극을 시뮬레이션함에 따라 생성되는 각종 정보들을 수집 및 저장하여 빅데이터 시스템을 구축함으로써, 이를 이용하여 보다 정확한 뇌 영상 분할과 치료 전략 수립이 가능하다는 이점이 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 시스템을 도시한 도면이다.
도 2는 본 발명의 다른 실시예에 따른 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 서버의 하드웨어 구성도이다.
도 3은 본 발명의 또 다른 실시예에 따른 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법의 순서도이다.
도 4는 다양한 실시예에 적용 가능한 뇌 영상과 이를 분할한 결과를 예시적으로 도시한 도면이다.
도 5는 다양한 실시예에서, 자극 시뮬레이션을 위한 3차원 뇌지도를 생성하는 방법의 순서도이다.
도 6은 다양한 실시예에서, 연결 구성요소(Connected component)기반의 노이즈 제거를 수행하여 복수의 영역으로 분할된 MRI 영상의 노이즈를 제거하는 과정을 도시한 도면이다.
도 7은 다양한 실시예에서, 복수의 영역으로 분할된 MRI 영상을 홀 리젝션(Hole rejection) 처리하고, 이를 이용하여 3차원 뇌 모델을 생성하는 과정을 도시한 도면이다.
도 8은 다양한 실시예에서, 제1 인공지능 모델을 이용하여 3차원 뇌 모델을 생성하는 방법의 순서도이다.
도 9는 다양한 실시예에서, 빅데이터를 이용하여 3차원 뇌 모델을 생성하는 방법의 순서도이다.
도 10은 다양한 실시예에서, 제2 인공지능 모델을 이용하여 뇌 병변 영역이 설정된 3차원 뇌 모델을 생성하는 방법의 순서도이다.
도 11은 다양한 실시예에 적용 가능한 기 설정된 가이드 시스템에 따른 복수의 자극 위치를 예시적으로 도시한 도면이다.
도 12는 다양한 실시예에서, 자극 위치를 필터링하여 전기 자극을 시뮬레이션하는 방법을 설명하기 위한 순서도이다.
도 13은 다양한 실시예에서, 필터링 대상 영역을 설정하여 적어도 하나의 자극 위치를 필터링하는 형태를 예시적으로 도시한 도면이다.
도 14는 다양한 실시예에서, 대상체의 뇌 영역을 좌반구 영역과 우반구 영역으로 구분할 형태를 예시적으로 도시한 도면이다.
도 15는 다양한 실시예에서, 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 서버가 제공하는 제1 사용자 인터페이스(User Interface, UI)를 예시적으로 도시한 도면이다.
도 16은 다양한 실시예에서, 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션을 통해 뇌 병변 환자의 치료 전략을 수립하고, 이에 대한 치료 효과를 예측하는 방법의 순서도이다.
도 2는 본 발명의 다른 실시예에 따른 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 서버의 하드웨어 구성도이다.
도 3은 본 발명의 또 다른 실시예에 따른 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법의 순서도이다.
도 4는 다양한 실시예에 적용 가능한 뇌 영상과 이를 분할한 결과를 예시적으로 도시한 도면이다.
도 5는 다양한 실시예에서, 자극 시뮬레이션을 위한 3차원 뇌지도를 생성하는 방법의 순서도이다.
도 6은 다양한 실시예에서, 연결 구성요소(Connected component)기반의 노이즈 제거를 수행하여 복수의 영역으로 분할된 MRI 영상의 노이즈를 제거하는 과정을 도시한 도면이다.
도 7은 다양한 실시예에서, 복수의 영역으로 분할된 MRI 영상을 홀 리젝션(Hole rejection) 처리하고, 이를 이용하여 3차원 뇌 모델을 생성하는 과정을 도시한 도면이다.
도 8은 다양한 실시예에서, 제1 인공지능 모델을 이용하여 3차원 뇌 모델을 생성하는 방법의 순서도이다.
도 9는 다양한 실시예에서, 빅데이터를 이용하여 3차원 뇌 모델을 생성하는 방법의 순서도이다.
도 10은 다양한 실시예에서, 제2 인공지능 모델을 이용하여 뇌 병변 영역이 설정된 3차원 뇌 모델을 생성하는 방법의 순서도이다.
도 11은 다양한 실시예에 적용 가능한 기 설정된 가이드 시스템에 따른 복수의 자극 위치를 예시적으로 도시한 도면이다.
도 12는 다양한 실시예에서, 자극 위치를 필터링하여 전기 자극을 시뮬레이션하는 방법을 설명하기 위한 순서도이다.
도 13은 다양한 실시예에서, 필터링 대상 영역을 설정하여 적어도 하나의 자극 위치를 필터링하는 형태를 예시적으로 도시한 도면이다.
도 14는 다양한 실시예에서, 대상체의 뇌 영역을 좌반구 영역과 우반구 영역으로 구분할 형태를 예시적으로 도시한 도면이다.
도 15는 다양한 실시예에서, 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 서버가 제공하는 제1 사용자 인터페이스(User Interface, UI)를 예시적으로 도시한 도면이다.
도 16은 다양한 실시예에서, 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션을 통해 뇌 병변 환자의 치료 전략을 수립하고, 이에 대한 치료 효과를 예측하는 방법의 순서도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.
공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.
본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.
도 1은 본 발명의 일 실시예에 따른 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 시스템을 도시한 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 시스템은 자극 시뮬레이션 서버(100)(이하, "서버(100)"), 사용자 단말(200) 및 외부 서버(300)를 포함할 수 있다.
여기서, 도 1에 도시된 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 시스템은 일 실시예에 따른 것이고, 그 구성 요소가 도 1에 도시된 실시예에 한정되는 것은 아니며, 필요에 따라 부가, 변경 또는 삭제될 수 있다.
일 실시예에서, 서버(100)는 대상체(예: 환자)의 뇌의 기 설정된 목표 지점에 전기 자극을 가하는 경두개 직류 자극법(tDCS)을 수행함에 있어서 최적의 치료 전략을 도출하기 위한 목적으로, 대상체의 뇌 모델을 이용하여 자극을 시뮬레이션할 수 있다. 예를 들어, 서버(100)는 대상체의 뇌 영상을 수집하고, 이를 가공하여 대상체에 대한 뇌 모델을 생성하며, 생성된 뇌 모델을 이용하여 자극(예: 전기 자극)을 시뮬레이션 함으로써, 대상체의 뇌에 기 설정된 특정 목표 지점에 정확하게 전기 자극을 가하기 위한 최적의 치료 전략을 결정할 수 있다.
여기서, 최적의 치료 전략은 대상체의 뇌에 기 설정된 목표 지점에 정확하게 전기 자극을 가할 수 있도록 하는 전극 부착 위치에 대한 정보를 포함할 뿐만 아니라, 각각의 자극 위치에 부착되는 전극을 통해 어느 정도의 크기의 전류값을 얼마 동안 인가할 지(즉, 전류값, 전류 인가 시간 등)에 대한 정보도 포함될 수 있으나, 이에 한정되지 않는다.
다양한 실시예에서, 서버(100)는 네트워크(400)를 통해 사용자 단말(200)과 연결될 수 있고, 사용자 단말(200)로 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 서비스(예: 대상체의 뇌 영상을 입력받고, 이를 이용하여 뇌 모델 생성 동작과 시뮬레이션 동작을 수행하는 서비스)를 제공할 수 있다. 이때, 서버(100)가 제공하는 서비스는 웹(Web) 또는 애플리케이션(Application) 형태로 구현되어 제공될 수 있으나, 이에 한정되지 않는다.
여기서, 사용자 단말(200)은 서버(100)가 제공하는 애플리케이션 형태의 서비스를 실행하기 위하여, 애플리케이션 구동이 가능한 운영체제를 포함할 수 있고, 서버(100)가 제공하는 사용자 인터페이스(User Interface, UI)(예: 그래픽 사용자 인터페이스(Graphic User Interface, GUI))를 출력하기 위하여 소정의 영역에 디스플레이를 포함하는 스마트폰(Smartphone)일 수 있다. 그러나, 이에 한정되지 않고, 사용자 단말(200)은 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트 패드(Smartpad), 타블렛PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
또한, 여기서, 네트워크(400)는 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미할 수 있다. 예를 들어, 네트워크(400)는 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷(WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다.
또한, 여기서, 무선 데이터 통신망은 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), 5GPP(5th Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), RF(Radio Frequency), 블루투스(Bluetooth) 네트워크, NFC(Near-Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
일 실시예에서, 외부 서버(300)는 네트워크(400)를 통해 서버(100)와 연결될 수 있으며, 서버(100)가 상기의 서비스를 제공하기 위하여 필요한 정보 및 데이터를 저장 및 관리하거나, 서버(100)가 상기의 서비스를 제공함에 따라 생성되는 각종 정보 및 데이터를 관리할 수 있다.
다양한 실시예에서, 외부 서버(300)는 서버(100)의 외부에 별도로 구비되며, 서버(100)가 상기의 서비스를 제공함에 따라 생성되는 각종 정보 및 데이터를 빅데이터화하여 저장하는 저장 서버(예: NoSQL 기반의 저장 서버, File System 기반의 저장 서버, 클라우드 기반의 저장 서버, 네트워크 기반의 저장 서버 등)일 수 있으나, 이에 한정되지 않는다. 이하, 도 2를 참조하여 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법을 수행하는 서버(100)의 하드웨어 구성에 대해 설명하도록 한다.
도 2는 본 발명의 다른 실시예에 따른 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 서버의 하드웨어 구성도이다.
도 2를 참조하면, 본 발명의 다른 실시예에 따른 서버(100)는 하나 이상의 프로세서(110), 프로세서(110)에 의하여 수행되는 컴퓨터 프로그램(151)을 로드(Load)하는 메모리(120), 버스(130), 통신 인터페이스(140) 및 컴퓨터 프로그램(151)을 저장하는 스토리지(150)를 포함할 수 있다. 여기서, 도 2에는 본 발명의 실시예와 관련 있는 구성요소들만 도시되어 있다. 따라서, 본 발명이 속한 기술분야의 통상의 기술자라면 도 2에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.
프로세서(110)는 서버(100)의 각 구성의 전반적인 동작을 제어한다. 프로세서(110)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다.
또한, 프로세서(110)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있으며, 서버(100)는 하나 이상의 프로세서를 구비할 수 있다.
다양한 실시예에서, 프로세서(110)는 프로세서(110) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(110)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.
메모리(120)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(120)는 본 발명의 다양한 실시예에 따른 방법/동작을 실행하기 위하여 스토리지(150)로부터 컴퓨터 프로그램(151)을 로드할 수 있다. 메모리(120)에 컴퓨터 프로그램(151)이 로드되면, 프로세서(110)는 컴퓨터 프로그램(151)을 구성하는 하나 이상의 인스트럭션들을 실행함으로써 상기 방법/동작을 수행할 수 있다. 메모리(120)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.
버스(130)는 서버(100)의 구성 요소 간 통신 기능을 제공한다. 버스(130)는 주소 버스(address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.
통신 인터페이스(140)는 서버(100)의 유무선 인터넷 통신을 지원한다. 또한, 통신 인터페이스(140)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(140)는 본 발명의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다. 몇몇 실시예에서, 통신 인터페이스(140)는 생략될 수도 있다.
스토리지(150)는 컴퓨터 프로그램(151)을 비 임시적으로 저장할 수 있다. 서버(100)를 통해 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션을 수행하는 경우, 스토리지(150)는 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션을 수행하기 위하여 필요한 각종 정보를 저장할 수 있다.
스토리지(150)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.
컴퓨터 프로그램(151)은 메모리(120)에 로드될 때 프로세서(110)로 하여금 본 발명의 다양한 실시예에 따른 방법/동작을 수행하도록 하는 하나 이상의 인스트럭션들을 포함할 수 있다. 즉, 프로세서(110)는 상기 하나 이상의 인스트럭션들을 실행함으로써, 본 발명의 다양한 실시예에 따른 상기 방법/동작을 수행할 수 있다.
일 실시예에서, 컴퓨터 프로그램(151)은 뇌 병변 환자의 뇌 영상을 수집하는 단계, 수집된 뇌 영상을 이용하여 뇌 병변 환자에 대한 뇌 모델을 생성하는 단계 및 생성된 뇌 모델을 이용하여 뇌 병변 환자의 뇌에 대한 자극을 시뮬레이션하는 단계를 포함하는 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법을 수행하도록 하는 하나 이상의 인스트럭션을 포함할 수 있다.
본 발명의 실시예와 관련하여 설명될 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 이하, 도 3 내지 15를 참조하여, 서버(100)가 수행하는 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법에 대해 설명하도록 한다.
도 3은 본 발명의 또 다른 실시예에 따른 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법의 순서도이다.
도 3을 참조하면, S110 단계에서, 서버(100)는 뇌 병변 환자에 대한 뇌 영상을 수집할 수 있다. 여기서, 뇌 병변 환자에 대한 뇌 영상은 도 4(A)에 도시된 바와 같이 뇌 병변 환자의 뇌를 포함하는 머리 부분을 촬영한 MRI 영상(10)(예: T1w MRI, T2w MRI 영상 및 FLAIR MRI 영상 등)을 의미할 수 있다. 즉, 뇌 병변 환자의 뇌 영상은 뇌 병변 환자의 뇌뿐만 아니라 대상체의 두개골 및 두피를 포함할 수 있다.
다양한 실시예에서, 서버(100)는 MRI 영상 획득장치와 연결된 워크스테이션인 컴퓨터와 연결될 수 있고, MRI 영상 획득장치로부터 촬영된 뇌 병변 환자의 뇌 MRI 영상을 컴퓨터를 통해 획득할 수 있다. 그러나, 이에 한정되지 않고, 뇌 병변 환자에 대한 뇌 영상은 CT 영상 등 다양한 종류의 영상이 적용될 수 있고, 사용자 단말(200)로 제공한 UI를 통해 사용자로부터 직접 뇌 영상을 입력받는 방식 등 다양한 방식으로 뇌 영상을 수집할 수 있다.
S120 단계에서, 서버(100)는 S110 단계를 거쳐 수집된 뇌 병변 환자의 뇌 영상을 이용하여 뇌 병변 환자에 대한 뇌 모델(예: 3차원 뇌 모델)을 생성할 수 있다. 이하, 도 5 내지 7을 참조하여, 서버(100)가 수행하는 뇌 병변 환자의 뇌 모델 생성 동작에 대해 설명하도록 한다.
도 5는 다양한 실시예에서, 자극 시뮬레이션을 위한 3차원 뇌지도를 생성하는 방법의 순서도이다.
도 5를 참조하면, S210 단계에서, 서버(100)는 뇌 병변 환자의 뇌 영상을 복수의 영역으로 분할(예: 도 4(B)의 11)할 수 있다.
여기서, 복수의 영역은 뇌의 구조 각각에 대응되는 복수의 제1 영역 및 뇌 병변에 대응되는 하나 이상의 제2 영역을 포함할 수 있으나, 이에 한정되지 않는다. 예를 들어, 서버(100)는 뇌 병변 환자의 뇌 영상을 뇌 구조에 따라 8개의 제1 영역(예: 대뇌 영역, 소뇌 영역, 회색질 영역, 백색질 영역, 뇌척수액 영역, 두개골 영역, 두피 영역 및 뇌실 영역)과 뇌 병변에 대응되는 제2 영역으로 분할 즉, 뇌 병변 환자의 뇌 영상을 총 9개의 영역으로 분할할 수 있다.
여기서, 총 9개의 영역은 뇌 병변에 대응되는 제2 영역이 하나 이거나 둘 이상의 제2 영역이 상호 인접하여 하나의 영역으로 표현 가능한 경우에 대한 예시일 뿐, 이에 한정되지 않고, 둘 이상의 제2 영역이 소정의 거리 이격되어 하나의 영역으로 표현이 불가능할 경우, 둘 이상의 제2 영역 각각을 개별적으로 분할하여 8+N개의 영역(여기서, 8은 뇌 구조에 따라 분할되는 제1 영역의 개수이고, N은 뇌 병변의 위치에 따라 독립적으로 분할이 필요한 제2 영역의 개수)으로 뇌 영상을 분할할 수 있다.
다양한 실시예에서, 서버(100)는 복수의 제1 영역 중 하나 이상의 제2 영역과 동일한 속성을 가지는 하나 이상의 제1 영역을 선택하고, 선택한 하나 이상의 제1 영역과 하나 이상의 제2 영역을 하나의 영역으로 결합할 수 있다.
일반적으로, 뇌졸중과 같은 뇌 병변의 경우, 뇌 병변이 장기화됨에 따라 뇌 병변이 발생된 영역이 괴사하게 되고, 괴사된 영역에 뇌척수액이 차오르게 되어 뇌 병변에 대응되는 영역과 뇌척수액 영역이 물리적으로 동일한 속성을 가지게 될 수 있다.
이러한 점을 고려하여, 서버(100)는 뇌 병변 환자의 뇌 영상을 뇌 구조에 따라 상기의 9개의 영역으로 분할하되, 하나 이상의 제2 영역의 속성이 어느 하나의 제1 영역의 속성과 동일할 경우 즉, 뇌 병변이 장기화됨에 따라 하나 이상의 제2 영역과 뇌척수액 영역이 동일한 속성을 가지게 되는 경우, 하나 이상의 제2 영역과 뇌척수액 영역을 하나의 영역으로 결합하여 뇌 영상을 총 8개의 영역으로 분할할 수 있다.
다양한 실시예에서, 서버(100)는 복수의 영역으로 분할된 뇌 영상을 이용하여 3차원 뇌 모델을 생성하기에 앞서, 보다 정확한 모델링을 위해 복수의 영역으로 분할된 뇌 영상에 대한 후처리를 수행할 수 있다.
먼저, 도 6을 참조하면, 서버(100)는 복수의 영역으로 분할된 뇌 영상에 대하여, 연결 구성요소 기반 노이즈 제거(Connected Component-based Noise Rejection)를 수행할 수 있다.
여기서, 연결 구성요소 기반 노이즈 제거는 콘벌루션 신경망(Convolution Neural Network, CNN)을 이용하여 수행된 뇌 영상 분할의 결과를 향상시키는 과정에서 활용될 수 있다. 예를 들어, 서버(100)는 도 6에 도시된 바와 같이 복수의 영역으로 분할된 뇌 영상(21)에서, 가장 큰 덩어리(chunk)인 연결 구성요소를 제외한 나머지 구성요소(21a)들을 제거함으로써, 노이즈가 제거된 뇌 영상(22)을 생성할 수 있다.
여기서, 연결 구성요소 기반 노이즈 제거를 수행하는 방법과 관련해서는 다양한 기술들이 공지되어 있고, 상황에 따라 이러한 다양한 공지 기술들을 선택적으로 적용할 수 있는 바, 본 명세서에서는 서버(100)에 의해 수행되는 연결 구성요소 기반 노이즈 제거 방법에 대해 구체적으로 개시하지 않는다.
이후, 도 7을 참조하면, 서버(100)는 복수의 영역으로 분할된 뇌 영상에 대하여, 홀 리젝션(Hole Rejection)을 수행할 수 있다. 여기서, 홀 리젝션은 콘벌루션 신경망 기반 분할의 오류 중 하나인 홀을 제거하는데 활용될 수 있다. 예를 들어, 서버(100)는 복수의 영역으로 분할된 뇌 영상(31)에 포함된 홀(31A)의 적어도 일부를 제거하여 홀이 제거된 뇌 영상(32)을 생성할 수 있다.
여기서, 홀 리젝션을 수행하는 방법과 관련해서는 연결 구성요소 기반 노이즈 제거를 수행하는 방법과 마찬가지로 다양한 기술들이 공지되어 있고, 상황에 따라 이러한 다양한 공지 기술들을 선택적으로 적용할 수 있는 바, 본 명세서에서는 서버(100)에 의해 수행되는 홀 리젝션을 수행하는 방법에 대해 구체적으로 개시하지 않는다.
S220 단계에서, 서버(100)는 복수의 영역으로 분할된 뇌 영상을 이용하여 3차원 뇌 모델(예: 도 7의 33)을 생성할 수 있다.
여기서, 2차원의 영상을 모델링하여 3차원 모델을 생성하는 다양한 기술들이 기 공지(예: (1) 이대건, 유은진, 이동천. (2015). MRI 영상을 이용한 뇌표면의 3차원 시각화. 한국측량학회 학술대회자료집, (4page), 191-194, (2) 김영철, 문치웅, 최흥국. (2003). MRI영상에서 뇌 영역의 3차원 가시화. 한국멀티미디어학회 학술발표논문집, (4page), 389-392.)되어 있고, 상황에 따라 이러한 다양한 공지 기술들을 선택적으로 적용할 수 있는 바, 본 명세서에서는 서버(100)에 의해 수행되는 뇌 영상을 3차월 모델링하여 3차원 뇌 모델을 생성하는 방법에 대해 구체적으로 개시하지 않는다.
다양한 실시예에서, 서버(100)는 기 학습된 인공지능 모델 또는 복수의 사용자에 대응하는 복수의 뇌 모델을 이용하여 자극을 시뮬레이션함에 따라 수집 및 저장된 빅데이터를 이용하여 뇌 영상을 분할하는 동작(S210 단계)과 3차원 뇌 모델을 생성하는 동작(S220 단계)를 수행할 수 있다. 이하, 도 8 내지 10을 참조하여, 서버(100)에 의해 수행되는 뇌 영상 분할 동작 및 3차원 뇌 모델 생성 동작의 다양한 실시예에 대하여 설명하도록 한다.
도 8은 다양한 실시예에서, 제1 인공지능 모델을 이용하여 3차원 뇌 모델을 생성하는 방법의 순서도이다.
도 8을 참조하면, S310 단계에서, 서버(100)는 기 학습된 제1 인공지능 모델을 이용하여 뇌 영상을 복수의 영역으로 분할할 수 있다.
여기서, 기 학습된 제1 인공지능 모델은 복수의 영역으로 분할되고 분할된 복수의 영역 각각에 대한 정보가 복수의 영역 각각에 레이블링(Labeling)된 복수의 뇌 영상을 학습 데이터로 하여 학습된 모델일 수 있다.
보다 구체적으로, 기 학습된 제1 인공지능 모델은 하나 이상의 배치 정규화(Batch Normalization) 레이어, 활성화(Activation) 레이어 및 컨볼루션(Convolution) 레이어를 포함하며, 상기의 학습 데이터를 머신러닝 기반의 학습 방법(예: 지도 학습(Supervised Learning)), 딥러닝(Deep Learning)을 이용하여 학습된 모델)일 수 있으며, 복수의 영역으로 분할되지 않은 원본의 뇌 영상을 입력받아 복수의 영역으로 분할된 뇌 영상을 출력할 수 있으나, 이에 한정되지 않는다.
또한, 기 학습된 제1 인공지능 모델은 뇌 영상의 저 레벨 특성으로부터 고 레벨 특성을 추출하는 복수의 블록으로 구성된 수평 파이프라인과 수평 파이프라인에서 추출된 특성을 모아 분할을 수행하는 수직 파이프라인을 포함하여 상대적으로 화질이 떨어지는 뇌 영상에 대한 분할을 수행할 수 있도록 구성될 수도 있으나, 이에 한정되지 않는다.
다양한 실시예에서, 서버(100)는 서로 다른 기준에 따라 뇌 영상을 분할하는 두개의 제1 인공지능 모델을 이용하여, 뇌 영상을 각각 분할하고, 각각 분할된 뇌 영상을 결합하여 복수의 영역으로 분할된 뇌 영상을 생성할 수 있다. 예를 들어, 서버(100)는 뇌 영상을 뇌의 구조에 따라 분할하는 제1 인공지능 모델을 이용하여 뇌 영상을 복수의 제1 영역으로 분할하고, 뇌 영상에서 뇌 병변에 대응되는 영역과 뇌 병변에 대응되지 않는 영역으로 분할하는 제1 인공지능 모델을 이용하여 뇌 영상을 하나 이상의 제2 영역으로 분할할 수 있으며, 분할된 2개의 뇌 영상을 결합함으로써, 복수의 제1 영역과 하나 이상의 제2 영역으로 분할된 뇌 영상을 생성할 수 있다.
다양한 실시예에서, 서버(100)는 동일한 기준에 따라 뇌 영상을 분할하는 둘 이상의 제1 인공지능 모델을 이용하여 뇌 영상을 각각 분할하고, 각각 분할된 뇌 영상을 종합하여 하나의 분할된 뇌 영상을 생성할 수 있다. 그러나, 이에 한정되지 않는다.
S320 단계에서, 서버(100)는 S310 단계를 거쳐 복수의 영역으로 분할된 뇌 영상을 이용하여 3차원 뇌 모델을 생성할 수 있다. 예를 들어, 서버(100)는 상기의 방법에 따라 복수의 영역으로 분할된 뇌 영상을 이용하여, 뇌 병변 환자의 뇌에 대한 3차원 모델링을 수행함으로써, 3차원 뇌 모델을 생성할 수 있다.
여기서, 서버(100)에 의해 수행되는 3차원 뇌 모델 생성 방법은 도 5의 3차원 뇌 모델 생성 방법(S220 단계)와 동일 또는 유사한 형태로 구현될 수 있으나, 이에 한정되지 않는다.
도 9는 다양한 실시예에서, 빅데이터를 이용하여 3차원 뇌 모델을 생성하는 방법의 순서도이다.
도 9를 참조하면, S410 단계에서, 서버(100)는 기 저장된 빅데이터를 이용하여 뇌 영상을 복수의 영역으로 분할할 수 있다.
여기서, 기 저장된 빅데이터는 복수의 환자 각각에 대응되는 복수의 뇌 영상, 복수의 뇌 영상 각각에 대응되는 복수의 뇌 모델 및 복수의 뇌 모델 각각을 이용하여 자극을 시뮬레이션함에 따라 도출되는 복수의 시뮬레이션 결과를 빅데이터화하여 저장된 데이터를 의미할 수 있다. 그러나, 이에 한정되지 않고, 빅데이터는 복수의 환자에 대한 정보(나이, 성별, 인종 등), 환자가 앓고 있는 뇌 병변에 대한 정보(종류, 진행 상황, 크기, 위치, 형태 등), 뇌 병변에 대한 치료 전략(전기 자극의 위치 및 세기, 치료 주기 및 횟수 등) 등 다양한 데이터를 더 포함할 수 있다.
먼저, 서버(100)는 빅데이터 기반으로 뇌 영상을 복수의 영역으로 분할하기 위하여, 빅데이터 시스템을 구축할 수 있다. 예를 들어, 서버(100)는 복수의 뇌 병변 환자에 대한 정보, 복수의 뇌 병변 환자 각각에 대응하는 복수의 뇌 영상, 복수의 뇌 영상 각각에 대응되는 복수의 뇌 모델 및 복수의 뇌 모델 각각을 이용하여 자극을 시뮬레이션함에 따라 도출되는 복수의 시뮬레이션 결과 중 적어도 하나를 포함하는 데이터를 수집할 수 있고, 수집한 데이터를 빅데이터 기반의 데이터 저장 방법에 따라 저장함으로써, 빅데이터 시스템을 구축할 수 있다. 그러나, 수집되는 데이터의 종류는 상기에 한정되지 않고, 복수의 시뮬레이션 결과에 기초하여 수립된 복수의 치료 전략(예: 뇌 병변 환자의 뇌 병변의 치료를 위하여 자극을 가할 뇌 상의 목표 지점, 목표 지점에 자극을 가하기 위한 기 설정된 가이드 시스템(예: 10-20 system)에 따른 최적 자극 위치 조합 및 최적 자극 위치 조합에 포함된 하나 이상의 최적 자극 위치 각각에 가할 자극의 세기(예: 전류값)에 관한 정보 등)에 대한 정보를 더 포함할 수 있다.
여기서, 빅데이터 기반의 데이터 수집 및 저장 방법은 다양한 기술들이 기 공지(예: 빅데이터 수집 기술(로그 수집, 크롤링, 센싱, RSS, Open API) 및 빅데이터 저장 기술(NoSQL, File System, 클라우드, 네트워크))되어 있고, 상황에 따라 이러한 다양한 공지 기술들을 선택적으로 적용할 수 있는 바, 본 명세서에서는 서버(100)에 의해 수행되는 빅데이터 기반의 데이터 수집 및 저장 방법에 대해 구체적으로 개시하지 않는다.
이후, 서버(100)는 사전 정보로서 뇌 병변 환자에 대한 정보(예: 인종, 연령 및 성별 등)를 수집할 수 있다. 예를 들어, 서버(100)는 사용자 단말(200)로 UI를 제공할 수 있고, UI를 통해 뇌 모델을 생성하고자 하는 뇌 병변 환자에 대한 정보를 입력받을 수 있으나, 이에 한정되지 않는다.
이후, 서버(100)는 사전 구축된 빅데이터 시스템 상에 기 저장된 빅데이터로부터 뇌 병변 환자에 대한 정보에 대응되는 하나 이상의 데이터를 추출할 수 있다. 예를 들어, 서버(100)는 제1 뇌 병변 환자에 대한 인종, 연령 및 성별에 대한 정보를 입력받는 경우, 기 저장된 빅데이터에서, 제1 뇌 병변 환자와 동일(또는 유사)한 인종, 연령 및 성별을 가지는 하나 이상의 제2 뇌 병변 환자에 대한 데이터(예: 하나 이상의 제2 뇌 병변 환자의 뇌 영상(원본의 뇌 영상 및 복수의 영역으로 분할된 뇌 영상, 뇌 병변 영역이 적용된 뇌 모델)를 추출할 수 있다. 그러나, 이에 한정되지 않는다.
여기서, 기 저장된 빅데이터로부터 특정 데이터를 추출하는 방법은 다양한 기술들이 기 공지(예: 빅데이터 처리 기술(대용량 데이터베이스에서 쿼리를 통해 결과값을 추출하는 방법, 실시간 처리를 통해 결과값을 추출하는 방법))되어 있고, 상황에 따라 이러한 다양한 공지 기술들을 선택적으로 적용할 수 있는 바, 본 명세서에서는 서버(100)에 의해 수행되는 빅데이터 처리 방법에 대해 구체적으로 개시하지 않는다.
이후, 서버(100)는 추출된 하나 이상의 제2 뇌 병변 환자에 대한 데이터를 이용하여 제1 뇌 병변 환자의 뇌 영상을 복수의 영역으로 분할할 수 있다. 예를 들어, 하나 이상의 제2 뇌 병변 환자의 원본의 뇌 영상과 복수의 영역으로 분할된 뇌 영상을 비교하여 뇌 영상을 분할하기 위한 복수의 영역 각각에 대한 속성(예: 위치, 크기, 형태 등)을 결정할 수 있고, 결정된 복수의 영역 각각에 대한 속성을 이용하여 제1 뇌 병변 환자의 뇌 영상을 분할할 수 있다.
다양한 실시예에서, 서버(100)는 빅데이터를 이용하여 제1 뇌 병변 환자의 뇌 영상을 복수의 영역으로 분할함으로써 생성되는 결과(예: 복수의 영역으로 분할된 뇌 영상)를 사용자 단말(200)로 제공할 수 있고, 이에 대한 응답으로 피드백 정보(예: 복수의 영역으로 분할된 뇌 영상에 대한 적절성, 수정 요청 또는 확정 등)를 입력받을 수 있으며, 입력된 피드백 정보에 기초하여 복수의 영역으로 분할된 뇌 영상을 보정하거나 확정할 수 있다.
다양한 실시예에서, 서버(100)는 제1 뇌 병변 환자의 원본의 뇌 영상, 빅데이터를 이용하여 원본의 뇌 영상을 분할함으로써 생성되는 복수의 영역으로 분할된 제1 뇌 병변 환자의 뇌 영상, 사용자로부터 입력된 피드백 정보, 복수의 영역으로 분할된 제1 뇌 병변 환자의 뇌 영상을 이용하여 생성된 뇌 모델(예: 후술되는 S420 단계) 및 제1 뇌 병변 환자의 뇌 모델을 이용하여 시뮬레이션을 수행함에 따라 도출되는 시뮬레이션 결과(예: 후술되는 S130 단계)를 수집하여 빅데이터 시스템 상에 저장할 할 수 있다.
S420 단계에서, 서버(100)는 S410 단계를 거쳐 복수의 영역으로 분할된 뇌 영상을 이용하여 3차원 뇌 모델을 생성할 수 있다. 예를 들어, 서버(100)는 상기의 방법에 따라 복수의 영역으로 분할된 뇌 영상을 이용하여, 뇌 병변 환자의 뇌에 대한 3차원 모델링을 수행함으로써, 3차원 뇌 모델을 생성할 수 있다.
여기서, 서버(100)에 의해 수행되는 3차원 뇌 모델 생성 방법은 도 5의 3차원 뇌 모델 생성 방법(S220 단계)와 동일 또는 유사한 형태로 구현될 수 있으나, 이에 한정되지 않는다.
다양한 실시예에서, 서버(100)는 빅데이터를 이용하여 복수의 영역으로 분할된 뇌 영상을 검증할 수 있다.
먼저, 서버(100)는 상기의 제1 인공지능 모델을 이용하여 뇌 영상을 복수의 영역으로 분할함으로써, 복수의 영역으로 분할된 뇌 영상을 생성할 수 있다(예: 도 8의 S310 단계).
이후, 서버(100)는 사전 정보로서 뇌 병변 환자에 대한 정보(예: 인종, 연령 및 성별 등)를 수집할 수 있고, 수집된 뇌 병변 환자에 대한 정보에 기초하여, 기 저장된 빅데이터로부터 수집된 뇌 병변 환자에 대한 정보에 대응되는 하나 이상의 데이터(예: 제1 뇌 병변 환자와 동일 또는 유사한 인종, 성별 및 연령을 가지는 제2 뇌 병변 환자의 분할된 뇌 영상 데이터)를 추출할 수 있다.
이후, 서버(100)는 추출된 하나 이상의 데이터 즉, 제1 뇌 병변 환자와 동일 또는 유사한 인종, 성별 및 연령의 제2 뇌 병변 환자의 분할된 뇌 영상과 제1 뇌 병변 환자의 분할된 뇌 영상 간의 유사도를 산출할 수 있고, 산출된 유사도가 기준값 이상인지 여부를 판단하여 복수의 영역으로 분할된 뇌 영상을 검증할 수 있다.
다양한 실시예에서, 서버(100)는 제1 뇌 병변 환자의 분할된 뇌 영상과 제2 뇌 병변 환자의 분할된 뇌 영상을 오버레이(overlay)하고, 오버레이된 2개의 뇌 영상(제1 뇌 병변 환자의 뇌 영상 및 제2 뇌 병변 환자의 뇌 영상)을 분석하여 뇌의 전체 영역 대비 제1 뇌 병변 환자의 분할된 뇌 영상에 포함된 복수의 영역과 제2 뇌 병변 환자의 분할된 뇌 영상에 포함된 복수의 영역 각각이 겹쳐지는 영역의 비율을 산출할 수 있으며, 산출된 비율을 이용하여 제1 뇌 병변 환자의 분할된 뇌 영상과 제2 뇌 병변 환자의 분할된 뇌 영상 간의 유사도를 산출할 수 있다. 그러나, 이에 한정되지 않고, 제1 뇌 병변 환자의 분할된 뇌 영상에 포함된 복수의 영역과 제2 뇌 병변 환자의 분할된 뇌 영상에 포함된 복수의 영역 간의 크기, 위치, 형태를 비교하여 어느 정도 유사한 지를 판단하는 다양한 기술이 적용될 수 있다.
다양한 실시예에서, 서버(100)는 산출된 유사도가 기준값 이상인 경우, 복수의 영역으로 분할된 제1 뇌 병변 환자의 뇌 영상이 정확하게 분할된 것으로 판단하여 해당 뇌 영상을 이용하여 제1 뇌 병변 환자의 뇌 모델을 생성할 수 있다. 한편, 서버(100)는 산출된 유사도가 기준값 미만인 경우, 제1 뇌 병변 환자의 뇌 영상을 복수의 영역으로 분할하는 과정을 다시 수행(유사도가 기준값 이상이 될 때까지 반복)할 수 있다.
도 10은 다양한 실시예에서, 제2 인공지능 모델을 이용하여 뇌 병변 영역이 설정된 3차원 뇌 모델을 생성하는 방법의 순서도이다.
도 10을 참조하면, S510 단계에서, 서버(100)는 상기의 제1 인공지능 모델을 이용하여 뇌 영상을 복수의 영역으로 분할함으로써, 복수의 영역으로 분할된 뇌 영상을 생성할 수 있고, 분할된 뇌 영상에 포함된 복수의 영역 중 뇌 병변 영역에 대응되는 하나 이상의 제2 영역을 제거할 수 있다.
다양한 실시예에서, 서버(100)는 뇌 영상에 포함된 복수의 영역 중 하나 이상의 제2 영역에 대응되는 부분을 뇌 영상 내에서 지움으로써, 뇌 영상에서 하나 이상의 제2 영역을 제거할 수 있다.
다양한 실시예에서, 서버(100)는 뇌 영상에 포함된 복수의 영역 중 하나 이상의 제2 영역에 대응되는 부분에 사전에 설정된 형태의 오브젝트를 삽입하거나, 하나 이상의 제2 영역에 대응되는 부분을 사전에 설정된 색상으로 표시함으로써, 뇌 영상 상에서 하나 이상의 제2 영역에 대응되는 부분이 가려지도록 이미지 처리할 수 있다.
S520 단계에서, 서버(100)는 S510 단계를 거쳐 하나 이상의 제2 영역이 제거된 뇌 영상을 복원할 수 있다.
여기서, 하나 이상의 제2 영역이 제거된 뇌 영상을 복원하는 것은 하나 이상의 제2 영역이 제거됨에 따라 뇌 영상 상에 지워진 적어도 일부분에 원래 있어야할 구성 요소를 채워 넣음으로써, 하나 이상의 제2 영역이 제거된 뇌 영상을 뇌 병변이 없는 정상인의 뇌 영상과 같이 보정하는 것을 의미할 수 있다. 예를 들어, 서버(100)는 하나 이상의 제2 영역이 대뇌 영역의 적어도 일부분에 위치하고, 뇌 영상에서 하나 이상의 제2 영역을 제거함에 따라 대뇌 영역의 적어도 일부분이 지워진 경우, 해당 뇌 영상을 복원하여 뇌 영상에서 지워진 적어도 일부분에 원래 있어야할 구성 요소인 대뇌의 적어도 일부분을 채워 넣음으로써, 적어도 일부분이 지워진 뇌 영상을 복원할 수 있다.
다양한 실시예에서, 서버(100)는 기 학습된 제2 인공지능 모델을 이용하여 하나 이상의 제2 영역이 제거된 뇌 영상을 복원할 수 있다.
여기서, 기 학습된 제2 인공지능 모델은 적어도 일부 영역이 제거된 복수의 뇌 영상 및 적어도 일부 영역이 제거되지 않은 정상의 복수의 뇌 영상을 학습 데이터로 하여 학습된 모델일 수 있다. 예를 들어, 기 학습된 제2 인공지능 모델은 GAN 모델일 수 있으며, 적어도 일부 영역이 제거된 뇌 영상을 입력받아 제거된 적어도 일부 영역이 복원된 뇌 영상을 출력하는 모델일 수 있다.
여기서, GAN 모델을 이용하여 이미지를 복원하는 다양한 기술들이 기 공지(예: Moon, C., Uh, Y., & Byun, H. (2018). 적대적 생성신경망을 이용한 손상된 이미지의 복원. 방송공학회논문지, 23(4), 503-510))되어 있고, 상황에 따라 이러한 다양한 공지 기술들을 선택적으로 적용할 수 있는 바, 본 명세서에서는 서버(100)에 의해 수행되는 GAN 모델을 이용하여 뇌 영상을 복원하는 방법에 대해 구체적으로 개시하지 않는다.
S530 단계에서, 서버(100)는 S520 단계를 거쳐 복원된 뇌 영상을 이용하여 3차원 뇌 모델을 생성할 수 있다. 여기서, 복원된 뇌 영상을 이용하여 3차원 뇌 모델을 생성하는 방법은 도 5의 S220 단계에서 수행되는 3차원 뇌 모델 생성 방법과 동일 또는 유사한 형태로 구현될 수 있으나, 이에 한정되지 않는다.
S540 단계에서, 서버(100)는 S510 단계를 통해 제거된 하나 이상의 제2 영역의 속성(예: 크기, 위치, 형태 등)에 기초하여, S530 단계를 통해 생성된 3차원 뇌 모델 상에 하나 이상의 제2 영역을 설정함으로써, 뇌 병변 영역이 적용된 3차원 뇌 모델을 생성할 수 있다.
다양한 실시예에서, 서버(100)는 하나 이상의 제2 영역의 크기 및 형태에 따라 생성된 뇌 병변 영역을 하나 이상의 제2 영역의 위치에 기초하여 복원된 뇌 영상을 이용하여 생성된 3차원 뇌 모델 상에 정합시킴으로써, 3차원 뇌 모델 상에 뇌 병변 영역을 표시할 수 있다.
다양한 실시예에서, 서버(100)는 S510 단계를 통해 제거된 하나 이상의 제2 영역을 독립적으로 모델링함으로써, 뇌 병변 모델을 생성할 수 있고, 하나 이상의 제2 영역의 속성(예: 크기, 위치, 형태 등)에 기초하여, S530 단계를 통해 생성된 3차원 뇌 모델과 뇌 병변 모델을 정합시킴으로써, 뇌 병변 영역이 적용된 3차원 뇌 모델을 생성할 수 있다.
일반적으로, 뇌졸중과 같은 뇌 병변의 경우, 암처럼 특별한 종양이 생기는 것이 아니라 뇌의 일부분이 손상되거나 뭉개지는 것에 가깝기 때문에, 뇌 영상에서 뇌 병변 영역은 뇌 구조상 원래 있어야 할 구조가 없는 형태로 표현되는 경우가 많다. 이와 같이 뇌 영상에서 일부 영역(뇌 병변 영역)이 구조가 없는 형태로 표현될 경우, 뇌 영상을 분석하여 분할하는 과정에서 각각의 구조를 정확하게 식별하지 못하게 되어 뇌 영상을 정확하게 복수의 영역으로 분할하기 어렵고, 이에 따라 정확한 뇌 모델을 구축하기 어렵다는 문제가 있다.
이러한 문제점을 극복하기 위한 목적으로, 서버(100)는 뇌 영상을 복수의 영역으로 분할하는데 있어서 방해가 되는 뇌 병변에 대응하는 영역 자체를 제거하고, 제거된 영역을 복원하여 정상의 뇌 영상을 생성하며, 이를 이용하여 뇌 모델을 생성함으로써, 정확한 뇌 모델을 생성할 수 있고, 추후 생성된 뇌 모델 상에 뇌 병변에 대응되는 영역을 설정하거나, 뇌 병변에 대응되는 영역을 독립적으로 모델링함에 따라 생성되는 뇌 병변 모델을 해당 뇌 모델에 정합시켜 뇌 병변 영역이 반영된 3차원 뇌 모델을 생성함으로써, 뇌 병변 환자에 대한 뇌 자극을 시뮬레이션하기 위한 도구로서 뇌 병변 영역이 반영된 뇌 모델을 보다 정확하게 생성할 수 있다는 이점이 있다.
다시 도 5를 참조하면, S230 단계에서, 서버(100)는 S220 단계를 거쳐 생성된 3차원 뇌 모델(뇌 병변 영역이 반영된 3차원 뇌 모델)에 포함된 복수의 영역 각각에 대한 속성에 기초하여, 전기 자극의 전달과정을 시뮬레이션할 수 있는 복수의 격자(mesh)로 구성된 3차원 뇌지도를 생성할 수 있다.
예를 들어, 서버(100)는 사면체 또는 육면체를 포함하는 복수의 공간 격자(Volumetric Mesh)로 구성된 3차원입체 영상을 생성하거나, 삼각형 또는 사각형을 포함하는 복수의 표면 격자(Surface Mesh)로 구성된 3차원 입체 영상을 생성할 수 있으나, 이에 한정되지 않고, 3차원 입체 영상을 구성하는 격자의 종류는 시뮬레이션의 용도에 따라 다르게 설정될 수 있다.
본 발명의 다양한 실시예에 따른 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법에 따라 생성되는 뇌 모델은 뇌 병변 환자를 대상으로 전기 자극을 시뮬레이션하기 위하기 위한 목적으로, 뇌 병변 환자로부터 실제로 수집되는 뇌 영상에 기초하여 뇌 병변 환자의 실제 뇌의 형태를 반영하여 생성하는 것으로 설명하고 있으나, 이에 한정되지 않고, 뇌 모델을 이용하고자 하는 다양한 목적에 따라 다양한 형태 및 방식으로 생성 및 제공될 수 있다.
보다 구체적으로, 다양한 실시예에서, 서버(100)는 실제 환자로부터 뇌 영상을 수집하지 않고, 복수의 사용자에 대한 성별, 인종별 및 연령별 뇌 병변 통계 데이터에 기초하여 성별, 인종 및 연령에 따라 표준화된 뇌 모델을 생성할 수 있고, 표준화된 뇌 모델 상에 임의의 속성(예: 뇌 병변의 종류, 진행상황, 형태, 크기, 위치 등)을 가지는 뇌 병변 정보를 생성 및 반영함으로써, 임의의 속성을 가지는 뇌 병변 정보가 반영된 가상의 뇌 모델(더미(dummy) 모델)을 생성할 수 있다.
여기서, 통계 데이터는, 빅데이터 시스템에 기 저장된 빅데이터를 기반으로 사용자의 성별, 인종, 연령에 따라 어떤 뇌 병변이 어느 위치에 어떤 형태로 발생되는지에 대한 임상 데이터를 통계화한 데이터일 수 있으나, 이에 한정되지 않는다.
즉, 임상에서 발생하는 연령별, 성별, 인종별 통계 데이터를 이용하여 뇌 병변 모델을 생성하고, 이를 정상인의 뇌 모델에 적용하여 뇌 병변이 반영된 가상의 뇌 모델을 대량으로 생성함으로써, 뇌 병변 연구를 위한 데이터를 구축할 수 있다.
또한, 상기의 방법에 따라 생성된 가상의 뇌 모델을 인공지능 모델(예: 제1 인공지능 모델 및 제2 인공지능 모델)의 학습 데이터로 활용하여 인공지능 모델을 학습시킴에 따라, 인공지능 모델의 성능을 향상시켜 더욱 정확한 결과를 도출할 수 있도록 한다는 이점이 있다.
다시, 도 3을 참조하면, S130 단계에서, 서버(100)는 상기의 과정을 거쳐 생성된 3차원 뇌 모델(예: 3차원 뇌지도)를 이용하여 기 설정된 가이드 시스템에 따른 복수의 자극 위치에 기초한 전기 자극을 시뮬레이션할 수 있다.
여기서, 기 설정된 가이드 시스템은 경두개 직류 자극법을 가이드하기 위하여, 대상체의 뇌에 대한 복수의 자극 위치를 사전에 정의하고, 이에 따라 뇌의 목표 지점에 전기 자극을 가할 수 있도록 전극 부착 위치를 안내하는 시스템을 의미할 수 있다. 예를 들어, 기 설정된 가이드 시스템은 도 11에 도시된 바와 같이, 국제 10-20 체계 표준전극 부착 방법에 따른 뇌파 측정 10-20 시스템(40)일 수 있으며, 복수의 자극 위치는 10-20 시스템에 따라 대상체의 두부에 복수의 뇌파 측정 채널(19, 24, 68, 128 또는 256 개로, 캡 또는 개별 전극)이 부착되는 위치를 의미하는 것일 수 있으나, 이에 한정되지 않는다.
다양한 실시예에서, 서버(100)는 시뮬레이션의 연산 속도 증가 등과 같이 시뮬레이션 처리의 효율을 향상시키기 위하여, 시뮬레이션의 일부 연산 과정을 사전에 처리(Precomputing)하여, 사전연산 정보를 생성할 수 있고, 이를 이용하여 복수의 자극 위치에 대한 전기 자극을 시뮬레이션할 수 있다.
먼저, 서버(100)는 사전연산 정보로서, 대상체의 뇌에 대한 전기적 자극에 따른 전류의 흐름을 시뮬레이션하기 위한 복수의 영역 각각의 물리적 특성을 획득할 수 있다.
여기서, 물리적 특성은 전기전도도(예: 복수의 영역 각각의 등방성(isotropic) 전기전도도 및 비등방성(anisotropic) 전기전도도 중 적어도 하나)일 수 있으나, 이에 한정되지 않는다.
다양한 실시예에서, 서버(100)는 분할된 복수의 영역 각각에 대하여, 실험을 통하여 공지된 전기전도도를 할당할 수 있다(예: 백질 0.126 S/m, 회백질 0.276 S/m, 뇌척수액 1.65 S/m, 두개골 0.01 S/m 및 피부 0.465 S/m).
또한, 서버(100)는 대상체의 뇌에 대한 전도 텐서 영상을 포함하는 MRI 영상으로부터 복수의 영역 각각에 대한 비등방성 전기전도도를 획득할 수 있다. 예를 들어, 서버(100)는 확산텐서 영상의 고유벡터는 전도텐서의 고유벡터와 일치한다는 것을 고려하여, 확산텐서 영상에 포함된 신경섬유의 방향에 따라 비등방성 전기전도도를 획득할 수 있다.
이후, 서버(100)는 복수의 자극 위치 중 하나의 위치를 레퍼런스 자극 위치로 설정할 수 있고, 설정된 레퍼런스 자극 위치를 기준으로 복수의 자극 위치 중 레퍼런스 자극 위치를 제외한 나머지 다른 자극 위치들을 변경하면서 시뮬레이션을 수행할 수 있다.
예를 들어, 서버(100)는 대상체의 두상 영상을 기반으로, 기 설정된 가이드 시스템(예: 10-20 시스템)의 좌표계를 산출할 수 있다. 이후, 서버(100)는 복수의 자극 위치 중에서 레퍼런스 자극 위치를 설정하고, 설정된 레퍼런스 자극 위치와 나머지 자극 위치들(복수의 자극 위치 중 레퍼런스 자극 위치를 제외한 나머지 자극 위치) 중 적어도 하나의 자극 위치를 하나의 자극 위치 조합으로 구성하여 시뮬레이션을 수행할 수 있다.
즉, 서버(100)는 하나의 레퍼런스 자극 위치와 레퍼런스 자극 위치를 제외한 나머지 다른 자극 위치 중 적어도 하나의 자극 위치를 포함하는 자극 위치 조합을 결정하고, 각각의 자극 위치 조합에 대해 시뮬레이션을 수행하여 자극 결과를 획득할 수 있다.
다양한 실시예에서, 서버(100)는 복수의 자극 위치 중 둘 이상의 자극 위치를 임의로 선택할 수 있고, 임의로 선택한 둘 이상의 자극 위치에 대한 시뮬레이션을 수행하여 자극 결과를 획득할 수 있다.
여기서, 서버(100)는 복수의 격자로 구성된 3차원 뇌지도를 이용하여 전기 자극을 시뮬레이션하는 바, 격자 구조를 가지는 3차원 모델을 이용하여 시뮬레이션하는 유한 요소법(Finite Element Method, FEM), 유한 차분법(Finite Difference Method, FDM), 유한 체적법(Finite Vector Method, FVM) 중 적어도 하나의 방법을 이용하여 복수의 자극 위치에 대한 시뮬레이션을 수행할 수 있으나, 이에 한정되지 않는다.
이후, 서버(100)는 기 설정된 가이드 시스템에 따른 복수의 자극 위치 각각에 전기 자극을 가함으로써 생성되는 시뮬레이션의 결과를 이용하여, 시뮬레이션을 위한 사전연산 정보로서, 복수의 자극 위치 각각에 대한 선형 관계를 도출할 수 있다.
예를 들어, 복수의 자극 위치 각각에 전기 자극을 가함으로써 수집되는 자극 결과는 선형적인 특성을 가지고 있는 바, 서버(100)는 복수의 자극 위치 각각에 전기 자극을 가함으로써 수집되는 자극 결과를 이용하여 복수의 자극 위치 사이의 선형 관계를 도출할 수 있다. 예를 들어, 자극으로 인한 전계(Electric field)와 전류 밀도는 서로 선형적인 관계에 있는 바, 아래의 수학식 1과 같은 선형 관계를 도출할 수 있다.
<수학식 1>
여기서, E(C1a, C2b)는 제1 자극 위치인 C1과 제2 자극 위치인 C2에 각각 a, b 전류가 인가되었을 때의 뇌의 전류분포일 수 있다.
즉, 상기의 수학식 1과 같은 선형 관계를 이용하면, Ax=E와 같은 형태의 선형 방정식을 도출할 수 있으며(여기서, x는 자극 위치에 가하는 전류의 양), E는 전계값으로 1), x 값을 조절하여 원하는 E값 즉, 전계값을 선형적으로 산출할 수 있다.
여기서, x 값은 Mx1 행렬(여기서, M는 시뮬레이션에 사용된 자극 위치(또는 전극)의 개수)이고, E는 Nx1 행렬(여기서, N은 3차원 뇌지도에 포함된 노드 개수)이며, A는 NxM 행렬(여기서, NxM 행렬의 각 열은 사전연산 결과)일 수 있다. 즉, 서버(100)는 복수의 자극 위치 각각에 대한 선형 관계 즉, 사전연산 정보로서, A 행렬을 산출할 수 있다.
다양한 실시예에서, 서버(100)는 복수의 자극 위치의 개수가 n개인 경우, n-1번의 시뮬레이션만으로 복수의 자극 위치 각각에 대한 선형 관계를 도출할 수 있다. 예를 들어, 총 3개의 자극 위치(예: 제1 자극 위치, 제2 자극 위치 및 제3 자극 위치)에 대한 시뮬레이션을 수행할 경우, 제1 자극 위치와 제2 자극 위치에 대한 시뮬레이션 결과와 제1 자극 위치 및 제3 자극 위치에 대한 시뮬레이션 결과를 통해, 제2 자극 위치와 제3 자극 위치에 대한 선형 관계를 도출할 수 있는 바, 총 3개의 자극 위치에 대하여 2번의 시뮬레이션만을 통해 3개의 자극 위치 각각에 대한 선형 관계를 도출할 수 있다.
다양한 실시예에서, 서버(100)는 복수의 자극 위치 중 기 설정된 조건에 대응하는 자극 위치를 필터링할 수 있고, 복수의 자극 위치 중 필터링된 자극 위치를 제외한 나머지 자극 위치를 이용하여 대상체의 뇌에 대한 전기 자극을 시뮬레이션할 수 있다. 이하, 도 12 내지 15를 참조하여 설명하도록 한다.
도 12는 다양한 실시예에서, 자극 위치를 필터링하여 전기 자극을 시뮬레이션하는 방법을 설명하기 위한 순서도이다.
도 12를 참조하면, S610 단계에서, 서버(100)는 기 설정된 가이드 시스템에 따른 복수의 자극 위치 중 기 설정된 조건에 대응되는 자극 위치를 필터링할 수 있다.
다양한 실시예에서, 서버(100)는 대상체에 대한 두부 영상을 이용하여 적어도 하나의 자극 위치를 필터링 할 수 있다.
먼저, 서버(100)는 대상체의 두부를 촬영함으로써 생성되는 두부 영상을 획득할 수 있고, 획득한 두부 영상에 기초하여 하나 이상의 기준 자극 위치를 설정할 수 있다. 예를 들어, 서버(100)는 사용자 단말(200)로 제1 UI(예: 도 15의 50)를 제공할 수 있고, 제1 UI를 통해 기 설정된 가이드 시스템에 따른 복수의 자극 위치를 출력할 수 있으며, 출력된 복수의 자극 위치 중 하나 이상의 자극 위치를 기준 자극 위치로서 선택받음으로써, 기준 자극 위치를 설정할 수 있다. 그러나, 이에 한정되지 않고, 대상 체의 두부 영상을 이미지 분석함으로써, 기 설정된 가이드 시스템에 따른 복수의 자극 위치를 산출하기 위한 기준 자극 위치를 자동적으로 설정하는 방법 등 다양한 방법이 적용될 수 있다.
이후, 서버(100)는 하나 이상의 기준 자극 위치를 기준으로 복수의 자극 위치를 설정할 수 있다. 예를 들어, 서버(100)는 상기의 방법에 따라 설정된 기준 자극 위치가 총 4개이며, 각각 대상체의 비근(Nasion), 후두극(lnion), 좌측 귓바퀴앞(Left pre-auricular) 및 우측 귓바퀴(Right pre-auricular) 각각에 대응되는 4개의 자극 위치(Nz, Iz, LPA, RPA)인 경우, 비근과 후두극에 대응되는 자극 위치(Nz 및 Iz)를 연결하는 제1 연결선과 좌측 귓바퀴앞 및 우측 귓바퀴앞에 대응되는 자극 위치(LPA, RPA)를 연결하는 제2 연결선이 교차하는 지점을 중심 좌표로 산출할 수 있고, 중심 좌표를 기준으로 제1 연결선과 제2 연결선 상의 거리 정보를 이용하여 10-20 시스템에 따른 복수의 자극 위치에 대한 좌표계를 도출할 수 있다. 일례로, 서버(100)는 중심 좌표를 기준으로 제1 연결선 및 제2 연결선을 각각 10% 또는 20% 거리를 두고 분할한 위치를 갖도록 10-20 시스템의 좌표계를 도출할 수 있다.
이후, 서버(100)는 두부 영상 상에 설정된 복수의 자극 위치를 이용하여 필터링 대상 영역(예: 자극 위치를 필터링하는 기준이 되는 영역)을 설정하고, 설정된 필터링 대상 영역에 기초하여 적어도 하나의 자극 위치를 필터링할 수 있다.
다양한 실시예에서, 서버(100)는 하나 이상의 기준 자극 위치를 포함하는 평면을 필터링 대상 영역으로 설정하고, 필터링 대상 영역으로 설정된 평면을 기준으로 필터링 대상 영역으로 설정된 평면 상에 위치하는 적어도 하나의 자극 위치를 필터링할 수 있다. 예를 들어, 서버(100)는 도 13에 도시된 바와 같이, 하나 이상의 기준 자극 위치가 비근, 후두극, 좌측 귓바퀴앞 및 우측 귓바퀴앞 각각에 대응되는 4개의 자극 위치(Nz, Iz, LPA, RPA)인 경우, Nz, Iz, LPA 및 RPA를 포함하는 평면을 필터링 대상 영역으로 설정하고, Nz, Iz, LPA 및 RPA를 포함하는 평면 상에 위치하는 모든 자극 위치를 필터링할 수 있다.
다양한 실시예에서, 서버(100)는 필터링 대상 영역으로 설정된 평면을 기준으로 해당 평면 하단에 위치하는 모든 자극 위치를 필터링할 수 있다. 예를 들어, 서버(100)는 사용자로부터 설정된 하나 이상의 기준 자극 위치가 Fpz, T7, Oz 및 T10인 경우, Fpz, T7, Oz 및 T10을 포함하는 평면의 하단에 위치하는 자극 위치인 Nz, Iz, LPA 및 RPA을 필터링할 수 있다.
즉, 비근, 후두극, 좌측 귓바퀴앞 및 우측 귓바퀴앞 각각에 대응되는 자극 위치는 두부의 형태나 귀로 인해 전극 부착이 어렵거나 전극을 부착하더라도 정확한 위치에 부착하기 어려운 바, 이러한 위치에 대응되는 자극 위치를 필터링할 수 있다.
다양한 실시예에서, 서버(100)는 두부 영상을 분석하여 대상체의 두부 상에 전극 부착이 불가능한 영역을 검출하고, 검출된 전극 부착이 불가능한 영역을 필터링 대상 영역으로 설정하며, 필터링 대상 영역 상에 포함된 적어도 하나의 자극 위치를 필터링할 수 있다. 예를 들어, 대상체의 뇌에 금속 물질(clip, coil, metabolic foreign body 등)이 있는 영역 또는 두피 질환이나 상처 등과 같이 부상이 있는 경우에는 해당 영역에 전극을 부착하여 전기 자극을 가하기 어렵다는 문제가 있다. 이러한 점을 고려하여, 서버(100)는 이미지 분석을 통해 대상체의 두부 영상을 분석함으로써, 이와 같이 전극 부착이 불가능한 영역을 검출할 수 있고, 검출된 영역에 포함되는 자극 위치를 필터링할 수 있다.
S620 단계에서, 서버(100)는 복수의 자극 위치 중 필터링된 자극 위치를 제외한 나머지 자극 위치를 이용하여 대상체의 뇌에 대한 전기 자극을 시뮬레이션할 수 있다. 여기서, 필터링된 자극 위치를 제외한 나머지 자극 위치를 이용하여 대상체의 뇌에 대한 전기 자극을 시뮬레이션하는 방법은 상기와 마찬가지로 유한 요소법, 유한 차분법, 유한 체적법 중 적어도 하나의 방법을 이용하여 수행될 수 있다.
다양한 실시예에서, 서버(100)는 대상체의 뇌를 2개의 영역으로 분할 즉, 좌반구 영역 및 우반구 영역으로 분할하고, 좌반구 영역과 우반구 영역 각각에 대하여 개별적으로 시뮬레이션을 수행할 수 있다.
먼저, 서버(100)는 도 14에 도시된 바와 같이, 대상체의 비근에 대응되는 제1 자극 위치와 후두극에 대응되는 제2 자극 위치를 연결하는 제1 측지선과 좌측 귓바퀴앞에 대응되는 제3 자극 위치 및 우측 귓바퀴앞에 대응되는 제4 자극 위치를 연결하는 제2 측지선을 이용하여 대상체의 뇌 영역을 좌반구 영역 및 우반구 영역으로 분할할 수 있다.
이후, 서버(100)는 필터링된 자극 위치를 제외한 나머지 자극 위치 중 좌반구 영역에 위치하는 둘 이상의 자극 위치를 선택하여 대상체의 뇌 중 좌반구 영역에 대한 전기 자극을 시뮬레이션하거나, 필터링된 자극 위치를 제외한 나머지 자극 위치 중 우반구 영역에 위치하는 둘 이상의 자극 위치를 선택하여 대상체의 뇌 중 우반구 영역에 대한 전기 자극을 시뮬레이션할 수 있다.
이때, 서버(100)는 동일한 영역에 서로 다른 극성의 전류가 인가되지 않도록 자극 위치를 필터링할 수 있다. 예를 들어, 서버(100)는 좌반구 영역 상에 위치하는 어느 하나의 자극 위치가 선택되는 경우, 상기 선택된 어느 하나의 자극 위치와 동일한 영역인 좌반구 영역 상에 위치하는 다른 자극 위치들 중 상기의 어느 하나의 자극 위치에 인가되는 전류의 극성과 반대 극성의 전류가 인가되는 적어도 하나의 자극 위치를 필터링(예: 어느 하나의 자극 위치에 양전류가 인가되는 경우, 음전류가 인가되는 자극 위치를 필터링)할 수 있다.
또한, 서버(100)는 우반구 영역 상에 위치하는 어느 하나의 자극 위치가 선택되는 경우, 상기 선택된 어느 하나의 자극 위치와 동일한 영역인 우반구 영역 상에 위치하는 다른 자극 위치들 중 상기의 어느 하나의 자극 위치에 인가되는 전류의 극성과 반대 극성의 전류가 인가되는 적어도 하나의 자극 위치를 필터링할 수 있다.
즉, 서버(100)는 안전성에 대한 임상적 검증이 이루어지지 않은 결과를 배제하기 위하여, 동일한 반구 내에 양극과 음극이 위치하는 경우를 배제할 수 있다.
상기와 같이 기 설정된 조건에 따라 불필요한 자극 위치를 사전에 필터링하고, 필터링된 결과에 따라 나머지 자극 위치들만을 이용하여 시뮬레이션을 수행함으로써, 시뮬레이션 시 불필요한 연산을 줄일 수 있다.
전술한 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법은 도면에 도시된 순서도를 참조하여 설명하였다. 간단한 설명을 위해 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법은 일련의 블록들로 도시하여 설명하였으나, 본 발명은 상기 블록들의 순서에 한정되지 않고, 몇몇 블록들은 본 명세서에 도시되고 시술된 것과 상이한 순서로 수행되거나 또는 동시에 수행될 수 있다. 또한, 본 명세서 및 도면에 기재되지 않은 새로운 블록이 추가되거나, 일부 블록이 삭제 또는 변경된 상태로 수행될 수 있다. 이하, 도 16을 참조하여, 본 발명의 다양한 실시예에 따른 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법에 따라 자극을 시뮬레이션한 결과를 이용하여 뇌 병변 환자에 대한 치료 전략을 수립하는 방법과 이에 대한 치료 효과를 예측하는 방법에 대해 설명하도록 한다.
도 16은 다양한 실시예에서, 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션을 통해 뇌 병변 환자의 치료 전략을 수립하고, 이에 대한 치료 효과를 예측하는 방법의 순서도이다.
도 16을 참조하면, S810 단계에서, 서버(100)는 상기의 과정을 거쳐 구축된 빅데이터 시스템을 이용하여 특정 뇌 병변 환자에 대한 치료 전략을 수립할 수 있다.
먼저, 서버(100)는 특정 뇌 병변 환자에 대한 치료 전략을 수립하기 위한 사전 정보로써, 특정 뇌 병변 환자의 뇌 영상 및 특정 환자에 대한 정보를 수집할 수 있다. 예를 들어, 서버(100)는 사용자 단말(200)로 UI를 제공할 수 있고, UI를 통해 특정 뇌 병변 환자에 대한 뇌 영상을 업로드받을 뿐만 아니라, 특정 뇌 병변 환자의 인종, 성별 및 나이와 같은 정보를 입력받을 수 있다.
이후, 서버(100)는 구축된 빅데이터 시스템 상에 저장된 빅데이터로부터 특정 뇌 병변 환자에 대한 정보에 대응되는 하나 이상의 데이터를 추출할 수 있다. 예를 들어, 서버(100)는 제1 뇌 병변 환자의 인종, 성별 및 나이와 제1 뇌 병변 환자의 뇌 영상에 대응하여 생성된 뇌 모델을 이용한 자극 시뮬레이션의 결과를 이용하여, 빅데이터 시스템 상에 저장된 복수의 뇌 병변 환자에 대한 정보 중 제1 뇌 병변 환자에 대한 정보에 대응하는 하나 이상의 제2 뇌 병변 환자에 대한 시뮬레이션 결과 및 하나 이상의 제2 뇌 병변 환자를 대상으로 수립된 치료 전략 중 적어도 하나를 포함하는 데이터를 추출할 수 있다.
이후, 서버(100)는 추출된 하나 이상의 데이터를 이용하여 제1 뇌 병변 환자에 대한 치료 전략을 수립할 수 있다. 예를 들어, 서버(100)는 제1 뇌 병변 환자에 대한 정보에 대응하는 하나 이상의 제2 뇌 병변 환자에 대한 시뮬레이션 결과 및 하나 이상의 제2 뇌 병변 환자를 대상으로 수립된 치료 전략을 이용하여, 제1 뇌 병변 환자의 치료를 위하여 자극을 가할 뇌 상의 목표 지점, 목표 지점에 자극을 가하기 위한 기 설정된 가이드 시스템(예: 10-20 System)에 따른 최적 자극 위치 조합 및 최적 자극 위치 조합에 포함된 하나 이상의 최적 자극 위치 각각에 가할 자극의 세기를 결정할 수 있다.
다양한 실시예에서, 서버(100)는 제1 뇌 병변 환자의 뇌 모델을 이용하여 자극을 시뮬레이션한 결과를 이용하여, 제1 뇌 병변 환자에 대한 치료 전략을 수립할 수 있고, 빅데이터 시스템에 저장된 빅데이터로부터 추출된 하나 이상의 데이터를 이용하여 제1 뇌 병변 환자에 대한 치료 전략을 검증할 수 있다.
먼저, 서버(100)는 제1 뇌 병변 환자의 뇌 모델을 이용하여 자극을 시뮬레이션할 수 있고, 자극을 시뮬레이션한 결과를 이용하여, 제1 뇌 병변 환자의 뇌에 기 설정된 목표 지점에 자극을 가하기 위한 최적 자극 위치 조합을 결정할 수 있다. 예를 들어, 서버(100)는 기 설정된 가이드 시스템(10-20 system)에 따른 복수의 자극 위치 각각에 대한 선형 관계를 이용하여, 최적 자극 위치 조합을 결정할 수 있다.
여기서, 최적 자극 위치는 다양한 임상적 또는 이론적 연구에 의해 얻어진 특정 질환의 환자에게 적합한 자극 영역에 대해 주어진 조건 하(예: 전극을 위치시킬 수 있는 영역, 전극의 출력 등)에서 최대의 효율로 자극할 수 있는 위치를 의미할 수 있다.
이는, 주어진 조건에 따른 결과를 획득하는 것이 아니라, 원하는 결과를 얻기 위한 조건을 찾는 역문제의 해를 찾는 방법과 유사하며, 수치적 최적화 방법을 사용할 수 있다. 상술한 최대의 효율로 자극을 가한다는 의미는 실제 전자기적 의미로 해석하면 원하는 영역에서의 전계(Electric field)가 최대가 되는 자극조건을 말하는 것으로, 이러한 자극조건을 얻기 위해서 전기 자극의 시뮬레이션을 수행한 결과로부터 복수의 자극 위치 각각에 인가한 특정 자극과 이에 따라 출력되는 전계 사이의 선형 관계를 도출할 수 있다.
다양한 실시예에서, 서버(100)는 전기 자극의 시뮬레이션을 수행한 결과로부터 아래의 수학식 2와 같이 임의의 자극조건 하에서 특정한 자극을 인가함에 따라 출력되는 전계 사이의 선형 관계를 도출할 수 있다.
<수학식 2>
여기서, E는 전계, r은 자극 위치의 좌표, m은 임의의 자극 조건, α는 기본 단위 자극 세기 대비 실 자극의 비율 및 B는 기본 단위 자극 세기일 수 있다.
수학식 2에 따라 최종적으로 얻을 수 있는 전계(E)는 자극의 기본단위자극세기(B)와 기본단위자극세기 대비 실 자극의 비율(α)의 곱과 같으며, 이러한 방법으로 다양한 자극 위치에서의 자극조합에 대하여 자극을 가할 경우 자극조건이 다른 두 자극에 대한 선형 관계는 수학식 3과 같이 나타낼 수 있다.
<수학식 3>
여기서, mi는 i번째 자극 조건일 수 있다.
이후, 서버(100)는 각기 다른 자극조건의 조합과 이러한 자극조건에 따른 자극의 인가 시에 출력되는 전계 사이의 선형 관계를 수학식 3에서와 같이 도출할 수 있다.
이에 따라, 서버(100)는 최종적으로 다양한 자극조건들과 원하는 자극세기에 대한 선형 연립방정식을 구할 수 있기 때문에 수치적 최적화를 이용하여 원하는 자극 위치에 최대 자극을 가할 수 있는 자극조건을 얻을 수 있다. 여기서, 최소자승법(least square method), 가중최소자승법(weighted least square method), 또는 L1 norm constrained 방법 등을 적용할 수 있으나, 이에 한정되지 않는다.
다양한 실시예에서, 서버(100)는 상기의 수학식 3에 따른 선형 관계를 이용하여 대상체의 뇌의 기 설정된 목표 지점에 전기 자극을 가하기 위한 최적 자극 위치를 산출할 수 있다. 예를 들어, 서버(100)는 사용자로부터 대상체의 뇌의 목표 지점에 대한 정보를 포함하는 자극 조건을 입력 받음에 따라 역으로 원하는 결과를 알 수 있으므로, 전기 자극을 가할 최적 자극 위치를 산출할 수 있고, 산출된 최적 자극 위치를 하나의 조합으로 구성하여 최적 자극 위치 조합을 결정할 수 있다.
이후, 서버(100)는 빅데이터 시스템에 저장된 빅데이터로부터 추출된 하나 이상의 데이터를 이용하여, 상기의 방법에 따라 결정된 최적 자극 위치 조합에 대한 검증을 수행할 수 있다. 예를 들어, 서버(100)는 빅데이터로부터 추출된 하나 이상의 데이터를 이용하여, 상기의 최적 자극 위치 조합에 따른 치료 효과를 예측하고, 예측된 치료 효과가 기준 이상인지 여부를 판단함으로써, 상기의 방법에 따라 결정된 최적 자극 위치 조합에 대한 검증을 수행할 수 있다.
다양한 실시예에서, 서버(100)는 상기의 방법에 따라 제1 뇌 병변 환자에 대응하여 수립된 치료 전략에 대한 정보를 빅데이터 시스템 상에 저장할 수 있다. 이때, 서버(100)는 제1 뇌 병변 환자에 대응하여 수립된 치료 전략에 대한 피드백 정보를 빅데이터 시스템 상에 함께 저장할 수 있다.
예를 들어, 서버(100)는 UI를 통해 상기의 방법에 따라 제1 뇌 병변 환자에 대응하여 수립된 치료 전략에 대한 정보를 제공할 수 있고, 이에 대한 피드백 정보로서 치료 전략에 따라 제1 뇌 병변 환자에 대한 치료를 수행한 결과 즉, 치료의 효과에 대한 정보를 입력받을 수 있으며, 이러한 피드백 정보를 제1 뇌 병변 환자에 대응하여 수립된 치료 전략에 대한 정보와 매칭하여 빅데이터 시스템 상에 기록함으로써, 빅데이터 기반으로 치료 전략을 수립하는 과정에서, 피드백 정보에 포함된 치료 효과가 좋지 않은 치료 전략에 대한 정보를 필터링함으로써, 보다 적절한 치료 전략이 수립될 수 있도록 한다는 이점이 있다.
S820 단계에서, 서버(100)는 표준 뇌 좌표계 템플릿을 이용하여 제1 뇌 병변 환자의 뇌 영상을 표준화할 수 있다. 예를 들어, 서버(100)는 표준 뇌 좌표계 템플릿으로서, MNI(Montreal Neurological Institute) 템플릿을 이용하여, 제1 뇌 병변 환자의 뇌 영상인 MRI 영상을 표준화할 수 있다. 이때, 서버(100)는 MNI 템플릿을 이용하여 제1 뇌 병변 환자의 뇌 영상을 표준화하기 위하여, 복수의 뇌 영상을 이용할 수 있으며, 복수의 뇌 영상의 평균을 산출하고, 복수의 변수를 상정한 아핀 정합을 이용하여 정합된 영상에 다른 영상들을 재정렬하는 방식으로 제1 뇌 병변 환자의 뇌 영상을 표준화할 수 있으나, 이에 한정되지 않는다.
S830 단계에서, 서버(100)는 S820 단계를 거쳐 표준화된 제1 뇌 병변 환자의 뇌 영상과 제1 뇌 병변 환자의 뇌 모델을 이용하여 자극을 시뮬레이션한 결과를 정합할 수 있다. 예를 들어, 서버(100)는 제1 뇌 병변 환자의 뇌 모델을 이용하여 자극을 시뮬레이션한 결과에 기초하여, 복수의 자극 위치 중 적어도 하나의 자극 위치에 특정 자극 세기의 자극을 가했을 때의 결과(예: 자극 위치에 자극을 가함에 따라 전계가 가해지는 지점의 위치와 해당 지점에서의 전계값)를 표준화된 뇌 영상 상에 정합하여 표시되도록 할 수 있다.
S840 단계에서, 서버(100)는 제1 뇌 병변 환자에 대한 치료 목적을 입력받고, 자극을 시뮬레이션한 결과가 정합된 표준화된 뇌 영상을 이용하여 입력된 치료 목적에 대응하는 하나 이상의 후보 목표 지점을 결정할 수 있다. 예를 들어, 서버(100)는 UI를 통해 제1 뇌 병변 환자의 치료 목적(예: 인지 기능 개선, 상지 운동 또는 하지 운동, 기억력 개선 등)을 입력받을 수 있고, 제1 뇌 병변 환자의 표준화된 뇌 영상에 기초하여 제1 뇌 병변 환자의 뇌 병변 위치를 고려하여 치료 목적에 대응되는 하나 이상의 후보 목표 지점을 결정할 수 있다.
다양한 실시예에서, 서버(100)는 빅데이터 시스템 상에 기 저장된 빅데이터로부터 복수의 뇌 병변 환자에 대한 치료 목적별 자극 목표 지점 데이터를 추출할 수 있고, 추출된 치료 목적별 자극 목표 지점 데이터에 기초하여, 하나 이상의 후보 목표 지점(예: 제1 뇌 병변 환자의 치료 목적에 따라 해당 치료 목적에 대응되는 복수의 자극 목표 지점 중 추출되는 개수가 많은 순서에 따라 상위 N개의 목표 지점)을 결정할 수 있다.
S850 단계에서, 서버(100)는 S840 단계를 거쳐 결정된 하나 이상의 후보 목표 지점 중 사용자로부터 어느 하나의 후보 목표 지점을 선택받을 수 있고, 제1 뇌 병변 환자에 대하여 수립된 치료 전략에 따라 선택된 어느 하나의 후보 목표 지점에 가해지는 제1 전계값을 치료 효과로서 산출할 수 있다. 예를 들어, 서버(100)는 표준화된 뇌 영상에 제1 뇌 병변 환자에 대하여 수립된 치료 전략(자극 위치, 자극의 세기 등)을 적용하여, 사용자로부터 선택된 어느 하나의 후보 목표 지점에 가해지는 전계값을 산출할 수 있다.
S860 단계에서, 서버(100)는 산출된 어느 하나의 목표 지점에서의 제1 전계값을 이용하여 수립된 치료 전략을 보정할 수 있다. 예를 들어, 서버(100)는 산출된 어느 하나의 목표 지점에서의 제1 전계값이 기준 전계값 이상인 경우, 제1 뇌 병변 환자를 대상으로 수립된 치료 전략을 보정하지 않고, 최종 치료 전략으로 확정할 수 있다. 한편, 서버(100)는 산출된 어느 하나의 목표 지점에서의 제1 전계값이 기준 전계값 미만인 경우, 어느 하나의 목표 지점에 가해지는 전계값이 기준 전계값 이상이 되도록 1 뇌 병변 환자를 대상으로 수립된 치료 전략을 보정할 수 있다.
다양한 실시예에서, 서버(100)는 구축된 빅데이터 시스템 상에 저장된 빅데이터로부터 제1 뇌 병변 환자에 대한 치료 목적에 대응되는 복수의 추천 치료 전략을 선택하고, 선택된 복수의 치료 전략 각각을 표준화된 뇌 영상에 적용하여 어느 하나의 목표 지점에 가해지는 복수의 제2 전계값을 각각 산출할 수 있으며, 산출된 복수의 제2 전계값 중 산출된 제1 전계값보다 큰 값을 가지는 제2 전계값에 대응되는 추천 치료 전략에 대한 정보를 제1 뇌 병변 환자에 대하여 수립된 치료 전략에 대한 정보와 함께 제공할 수 있다.
즉, 서버(100)는 제1 뇌 병변 환자에 대하여 수립된 치료 전략에 따른 치료 효과(전계값)를 예측하여 제1 뇌 병변 환자에 대하여 수립된 치료 전략을 보정 및 확정할 뿐만 아니라, 치료 목적에 부합하여 더욱 효과적인 치료 전략이 있는 경우, 이에 대한 정보를 추천 제공함으로써, 제1 뇌 병변 환자를 대상으로 보다 효과적인 치료를 수행하도록 보조할 수 있다는 이점이 있다.
다양한 실시예에서, 서버(100)는 상기의 방법에 따라 결정된 최종 치료 전략(또는 최종 치료 전략과 하나 이상의 추천 치료 전략)을 이용하여, 제1 뇌 병변 환자에 대한 최종적인 치료 처방을 제공할 수 있다. 예를 들어, 서버(100)는 제1 뇌 병변 환자가 앓고 있는 뇌 병변의 질환명, 뇌 병변 발명 후 시기(예: 급성기, 아급성기, 만성기, 발병 후 몇 개월이 경과했는지), 치료 목적(예: 운동기능 개선(상지, 하지), 인지 기능 개선, 기억력 개선 등), 병행하는 치료(예: 병행하는 치료의 방법(물리 치료, 운동 치료, 작업 치료)과 횟수, 주기 등), 현재 기능 장애 수준(예: 기존 병원에서 평가하고 검사한 결과에 따라 입력되는 값) 및 자극 총 횟수(빈도수)에 대한 정보를 포함하는 최종 치료 처방 리포트를 생성하고, 생성된 최종 치료 처방 리포트를 제공할 수 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
100 : 자극 시뮬레이션 서버
200 : 사용자 단말
300 : 외부 서버
400 : 네트워크
200 : 사용자 단말
300 : 외부 서버
400 : 네트워크
Claims (12)
- 컴퓨팅 장치에 의해 수행되는, 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법에 있어서,
뇌 병변 환자의 뇌 영상을 수집하는 단계;
상기 수집된 뇌 영상을 이용하여 상기 뇌 병변 환자에 대한 뇌 모델을 생성하는 단계; 및
상기 생성된 뇌 모델을 이용하여 상기 뇌 병변 환자의 뇌에 대한 자극을 시뮬레이션하는 단계를 포함하는,
뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법. - 제1항에 있어서,
상기 뇌 병변 환자에 대한 뇌 모델을 생성하는 단계는,
상기 수집된 뇌 영상을 복수의 영역 - 상기 복수의 영역은 뇌의 구조 각각에 대응되는 복수의 제1 영역 및 뇌 병변에 대응되는 하나 이상의 제2 영역을 포함함 - 으로 분할하는 단계; 및
상기 복수의 영역으로 분할된 뇌 영상을 이용하여 3차원 뇌 모델을 생성하는 단계를 포함하는,
뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법. - 제2항에 있어서,
상기 복수의 영역으로 분할하는 단계는,
기 학습된 제1 인공지능 모델을 이용하여 상기 수집된 뇌 영상을 상기 복수의 영역으로 분할하되, 상기 기 학습된 제1 인공지능 모델은, 상기 복수의 영역으로 분할되고 상기 분할된 복수의 영역 각각에 대한 정보가 상기 분할된 복수의 영역 각각에 레이블링된 복수의 뇌 영상을 학습 데이터로 학습되며, 분할되지 않은 뇌 영상을 입력받아 상기 복수의 영역으로 분할된 뇌 영상을 출력하는 모델인, 단계를 포함하는,
뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법. - 제2항에 있어서,
상기 3차원 뇌 모델을 생성하는 단계는,
상기 복수의 영역으로 분할된 뇌 영상을 가공하여 상기 복수의 영역 중 상기 하나 이상의 제2 영역을 제거하는 단계;
기 학습된 제2 인공지능 모델을 이용하여 상기 하나 이상의 제2 영역이 제거된 뇌 영상을 복원하되, 상기 기 학습된 제2 인공지능 모델은 적어도 일부 영역이 제거된 복수의 뇌 영상 및 상기 적어도 일부 영역이 제거되지 않은 정상의 복수의 뇌 영상을 학습데이터로 하여 학습되며, 적어도 일부 영역이 제거된 뇌 영상을 입력받아 상기 제거된 적어도 일부 영역이 복원된 뇌 영상을 출력하는 모델인, 단계; 및
상기 복원된 뇌 영상을 이용하여 3차원 뇌 모델을 생성하고, 상기 제거된 하나 이상의 제2 영역의 속성에 기초하여 상기 생성된 3차원 뇌 모델 상에 상기 하나 이상의 제2 영역을 설정하는 단계를 포함하는,
뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법. - 제2항에 있어서,
상기 3차원 뇌 모델을 생성하는 단계는,
상기 복수의 영역으로 분할된 뇌 영상을 가공하여 상기 복수의 영역 중 상기 하나 이상의 제2 영역을 제거하는 단계;
기 학습된 제2 인공지능 모델을 이용하여 상기 하나 이상의 제2 영역이 제거된 뇌 영상을 복원하는 단계;
상기 복원된 뇌 영상을 이용하여 3차원 뇌 모델을 생성하는 단계; 및
상기 제거된 하나 이상의 제2 영역을 이용하여 뇌 병변 모델을 생성하고, 상기 생성된 3차원 뇌 모델에 상기 생성된 뇌 병변 모델을 정합하는 단계를 포함하는,
뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법. - 제2항에 있어서,
상기 복수의 영역으로 분할하는 단계는,
상기 뇌 병변 환자에 대한 정보를 수집하는 단계;
기 저장된 빅데이터 - 상기 기 저장된 빅데이터는 복수의 환자 각각에 대응되는 복수의 뇌 영상, 상기 복수의 뇌 영상 각각에 대응되는 복수의 뇌 모델 및 상기 복수의 뇌 모델 각각을 이용하여 자극을 시뮬레이션함에 따라 도출되는 복수의 시뮬레이션 결과 중 적어도 하나를 포함함 - 로부터 상기 수집된 뇌 병변 환자에 대한 정보에 대응되는 하나 이상의 데이터를 추출하는 단계; 및
상기 추출된 하나 이상의 데이터를 이용하여 상기 수집된 뇌 영상을 상기 복수의 영역으로 분할하는 단계를 포함하는,
뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법. - 제2항에 있어서,
상기 복수의 영역으로 분할하는 단계는,
상기 뇌 병변 환자에 대한 정보를 수집하는 단계;
기 학습된 제1 인공지능 모델을 이용하여 상기 수집된 뇌 영상을 상기 복수의 영역으로 분할하는 단계;
기 저장된 빅데이터로부터 상기 수집된 뇌 병변 환자에 대한 정보에 대응되는 하나 이상의 데이터를 추출하는 단계; 및
상기 추출된 하나 이상의 데이터를 이용하여, 상기 복수의 영역으로 분할된 뇌 영상을 검증하는 단계를 포함하는,
뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법. - 제2항에 있어서,
상기 복수의 영역으로 분할하는 단계는,
상기 복수의 제1 영역 중 상기 하나 이상의 제2 영역과 동일한 속성을 가지는 하나 이상의 제1 영역을 선택하고, 상기 선택한 하나 이상의 제1 영역과 상기 하나 이상의 제2 영역을 하나의 영역으로 결합하는 단계를 포함하는,
뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법. - 제2항에 있어서,
상기 뇌 병변 환자의 뇌에 대한 자극을 시뮬레이션하는 단계는,
상기 생성된 3차원 뇌 모델에 포함된 복수의 영역 각각에 대한 속성에 기초하여 복수의 격자(mesh)로 구성된 3차원 뇌지도를 생성하는 단계; 및
상기 생성된 3차원 뇌지도를 이용하여, 기 설정된 가이드 시스템에 따른 복수의 자극 위치에 기초한 전기 자극을 시뮬레이션하는 단계를 포함하는,
뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법. - 제1항에 있어서,
상기 뇌 병변 환자에 대한 뇌 모델을 생성하는 단계는,
복수의 사용자에 대한 성별, 인종별 및 연령별 뇌 병변 통계 데이터에 기초하여, 임의의 속성을 가지는 뇌 병변 정보를 생성하고, 상기 생성된 뇌 병변 정보를 이용하여 가상의 뇌 모델을 생성하는 단계를 포함하는,
뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법. - 프로세서;
네트워크 인터페이스;
메모리; 및
상기 메모리에 로드(load)되고, 상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 포함하되,
상기 컴퓨터 프로그램은,
뇌 병변 환자의 뇌 영상을 수집하는 인스트럭션(instruction);
상기 수집된 뇌 영상을 이용하여 상기 뇌 병변 환자에 대한 뇌 모델을 생성하는 인스트럭션; 및
상기 생성된 뇌 모델을 이용하여 상기 뇌 병변 환자의 뇌에 대한 자극을 시뮬레이션하는 인스트럭션을 포함하는,
뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 서버. - 컴퓨팅 장치와 결합되어,
뇌 병변 환자의 뇌 영상을 수집하는 단계;
상기 수집된 뇌 영상을 이용하여 상기 뇌 병변 환자에 대한 뇌 모델을 생성하는 단계; 및
상기 생성된 뇌 모델을 이용하여 상기 뇌 병변 환자의 뇌에 대한 자극을 시뮬레이션하는 단계를 실행시키기 위하여 컴퓨터로 판독가능한 기록매체에 저장된,
컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터프로그램.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210089062A KR20230008940A (ko) | 2021-07-07 | 2021-07-07 | 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법, 서버 및 컴퓨터프로그램 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210089062A KR20230008940A (ko) | 2021-07-07 | 2021-07-07 | 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법, 서버 및 컴퓨터프로그램 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230008940A true KR20230008940A (ko) | 2023-01-17 |
Family
ID=85111519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210089062A KR20230008940A (ko) | 2021-07-07 | 2021-07-07 | 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법, 서버 및 컴퓨터프로그램 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230008940A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101758903B1 (ko) | 2015-10-22 | 2017-07-18 | (주)와이브레인 | 경두개 직류 자극(tDCS) 장치 |
-
2021
- 2021-07-07 KR KR1020210089062A patent/KR20230008940A/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101758903B1 (ko) | 2015-10-22 | 2017-07-18 | (주)와이브레인 | 경두개 직류 자극(tDCS) 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP4115940B1 (en) | Method, server and computer program for designing customized headgear for transcranial direct current stimulation | |
| JP6935630B2 (ja) | Ｔｍｓ刺激ナビゲーション方法及びプログラム | |
| JP7271000B2 (ja) | パッチガイド方法及びプログラム | |
| KR102278628B1 (ko) | MRI 기반 전도도 측정에 기반한 머리 위 전극 위치의 최적화된 TTField 치료 | |
| JP7263324B2 (ja) | ３次元脳地図の生成方法及びプログラム | |
| CN110337312B (zh) | 基于刺激场建模的最佳脑深部刺激电极的选择与放置 | |
| KR102280367B1 (ko) | 10-20 시스템 기반의 위치 정보 제공 방법, 장치 및 프로그램 | |
| Hanekom et al. | Three-dimensional models of cochlear implants: a review of their development and how they could support management and maintenance of cochlear implant performance | |
| KR102373761B1 (ko) | 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법, 서버 및 컴퓨터프로그램 | |
| KR102373767B1 (ko) | 뇌 병변 환자의 빅데이터 기반 치료 전략 수립 방법, 서버 및 컴퓨터프로그램 | |
| CN110322432B (zh) | 医学图像处理方法、装置、计算机设备和可读存储介质 | |
| KR20230008940A (ko) | 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법, 서버 및 컴퓨터프로그램 | |
| KR20230008941A (ko) | 뇌 병변 환자의 빅데이터 기반 치료 전략 수립 방법, 서버 및 컴퓨터프로그램 | |
| KR102373762B1 (ko) | 전기 자극 시뮬레이션을 위한 자극 위치 필터링 방법, 서버 및 컴퓨터프로그램 | |
| KR102373757B1 (ko) | 최적 자극 위치 조합을 결정하기 위한 전기 자극 시뮬레이션 방법, 서버, 및 컴퓨터프로그램 | |
| KR20230008280A (ko) | 기 설정된 가이드 시스템을 이용한 최적 자극 위치 조합 결정방법, 서버 및 컴퓨터프로그램 | |
| KR20230008281A (ko) | 최적 자극 위치 조합을 결정하기 위한 전기 자극 시뮬레이션 방법, 서버, 및 컴퓨터프로그램 | |
| US20230038541A1 (en) | Brain stimulation simulation system and method according to preset guide system using anonymized data-based external server | |
| KR20230007650A (ko) | 경두개 직류 자극술을 위한 맞춤형 헤드기어 설계방법, 서버 및 컴퓨터프로그램 | |
| KR20230008939A (ko) | 익명화된 데이터 기반 외부 서버를 이용한 기 설정된 가이드 시스템에 따른 뇌 자극 시뮬레이션 시스템 및 방법 | |
| Gerber et al. | NeuroMeasure: a software package for quantification of cortical motor maps using frameless stereotaxic transcranial magnetic stimulation | |
| KR102373759B1 (ko) | 전극 모델 시뮬레이션 방법, 서버 및 컴퓨터프로그램 | |
| KR102373758B1 (ko) | 인공지능 모델을 활용한 최적의 자극 위치 산출 방법, 서버 및 컴퓨터프로그램 | |
| KR20230008937A (ko) | 인공지능 모델을 활용한 최적의 자극 위치 산출 방법, 서버 및 컴퓨터프로그램 | |
| KR20230008938A (ko) | 전극 모델 시뮬레이션 방법, 서버 및 컴퓨터프로그램 |