KR20230010164A - 두경부 영상 이미지를 이용한 지방량 산출 방법 및 이를 위한 장치 - Google Patents
두경부 영상 이미지를 이용한 지방량 산출 방법 및 이를 위한 장치 Download PDFInfo
- Publication number
- KR20230010164A KR20230010164A KR1020210151436A KR20210151436A KR20230010164A KR 20230010164 A KR20230010164 A KR 20230010164A KR 1020210151436 A KR1020210151436 A KR 1020210151436A KR 20210151436 A KR20210151436 A KR 20210151436A KR 20230010164 A KR20230010164 A KR 20230010164A
- Authority
- KR
- South Korea
- Prior art keywords
- image information
- fat
- region
- head
- neck
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 210000004556 brain Anatomy 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 27
- 201000010099 disease Diseases 0.000 claims description 15
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 208000032928 Dyslipidaemia Diseases 0.000 claims description 4
- 201000001431 Hyperuricemia Diseases 0.000 claims description 4
- 208000017170 Lipid metabolism disease Diseases 0.000 claims description 4
- 210000000579 abdominal fat Anatomy 0.000 claims description 4
- 206010012601 diabetes mellitus Diseases 0.000 claims description 4
- 208000001076 sarcopenia Diseases 0.000 claims description 4
- 210000004885 white matter Anatomy 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 11
- 238000004891 communication Methods 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000037182 bone density Effects 0.000 description 2
- 238000001739 density measurement Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000009547 dual-energy X-ray absorptiometry Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 210000004373 mandible Anatomy 0.000 description 1
- 230000000873 masking effect Effects 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
- 210000003205 muscle Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4869—Determining body composition
- A61B5/4872—Body fat
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Abstract
본 개시는 지방량 산출 방법 및 이를 위한 장치에 관한 것으로, 본 개시의 일 실시예에 따른 지방량 산출 방법은, 사용자의 두경부의 연속적인 부피에 대응하여 생성된 복수의 2차원 영상을 포함하는 영상군을 획득하는 단계; 상기 영상군을 학습된 제 1 네트워크 함수에 입력하여 상기 영상군에서 뇌(brain) 영역 중 적어도 일부가 제거된 제 1 영상 정보를 생성하는 단계; 상기 제 1 영상 정보를 학습된 제 2 네트워크 함수에 입력하여 상기 제 1 영상 정보에서 지방 영역을 검출한 제 2 영상 정보를 생성하는 단계; 및 상기 제 2 영상 정보로부터 상기 두경부 내의 지방량을 산출하는 단계를 포함할 수 있다.
Description
본 개시(disclosure)의 기술적 사상은 두경부 영상 이미지를 이용한 지방량 산출 방법 및 이를 위한 장치에 관한 것이다.
체성분을 측정하는 방법 중 많이 쓰이는 방법으로 생체전기임피던스법(BIA)과 골밀도 측정법(DEXA)이 있다. 생체전기임피던스법은 몸에 미세 전류를 흘린 뒤 저항값을 측정하는 방식으로서, 정확도가 떨어지며 특히 피검자의 수분 섭취에 따라 측정값이 크게 변하는 단점이 있다. 또한 골밀도 측정법은 방사선이 인체를 투과하는 투과율을 측정하는 방식으로서 방사선으로 인하여 자주 촬영할 경우 피폭 우려가 있다. 따라서 보다 안전하고 정확하게 체성분을 측정하기 위한 기술이 요구된다.
본 개시의 기술적 사상에 따른 지방량 산출 방법 및 이를 위한 장치가 이루고자 하는 기술적 과제는, MR 영상으로부터 정확하고 신속하게 지방 영역을 검출하고, 이로부터 두경부의 지방량을 산출할 수 있는 지방량 산출 방법 및 그 장치를 제공하는 데에 있다.
본 개시의 기술적 사상에 따른 지방량 산출 방법 및 이를 위한 장치가 이루고자 하는 기술적 과제는 이상에서 언급한 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제는 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 개시의 기술적 사상에 의한 일 양태에 따르면, 지방량 산출 방법은, 사용자의 두경부의 연속적인 부피에 대응하여 생성된 복수의 2차원 영상을 포함하는 영상군을 획득하는 단계; 상기 영상군을 학습된 제 1 네트워크 함수에 입력하여 상기 영상군에서 뇌(brain) 영역 중 적어도 일부가 제거된 제 1 영상 정보를 생성하는 단계; 상기 제 1 영상 정보를 학습된 제 2 네트워크 함수에 입력하여 상기 제 1 영상 정보에서 지방 영역을 검출한 제 2 영상 정보를 생성하는 단계; 및 상기 제 2 영상 정보로부터 상기 두경부 내의 지방량을 산출하는 단계를 포함할 수 있다.
예시적인 실시예에 따르면, 상기 두경부는 상기 사용자의 두부로부터 경부 중 제 2 목뼈까지의 영역을 포함할 수 있다.
예시적인 실시예에 따르면, 상기 제 1 영상 정보를 생성하는 단계는, 상기 뇌 영역 중 백질 영역을 제거함으로써 수행될 수 있다.
예시적인 실시예에 따르면, 상기 제 1 영상 정보와 상기 제 2 영상 정보를 기초로 상기 지방 영역이 포함된 제 3 영상 정보를 생성하는 단계를 더 포함할 수 있다.
예시적인 실시예에 따르면, 상기 지방량으로부터 신체 전체의 지방량을 예측하는 단계를 더 포함할 수 있다.
예시적인 실시예에 따르면, 상기 지방량으로부터 상기 사용자의 질병 위험도를 예측하는 단계를 더 포함할 수 있다.
예시적인 실시예에 따르면, 상기 질병 위험도를 예측하는 단계는, 복부지방(abdominal fat), 근감소증(sarcopenia), 이상지질혈증(dyslipidemia), 당뇨(diabetes) 및 고요산혈증(hyperuricemia) 중 적어도 하나에 대한 위험도를 예측함으로써 수행될 수 있다.
예시적인 실시예에 따르면, 상기 사용자의 신체 정보를 획득하는 단계를 더 포함하고, 상기 신체 정보는 상기 사용자의 키, 몸무게 및 과거 병력을 포함할 수 있다.
본 개시의 기술적 사상에 의한 일 양태에 따르면, 지방량 산출 장치는, 지방량 산출을 위한 프로그램을 저장하는 메모리; 및 상기 프로그램을 실행함으로써, 사용자의 두경부의 연속적인 부피에 대응하여 생성된 복수의 2차원 영상을 포함하는 영상군을 획득하고, 상기 영상군을 학습된 제 1 네트워크 함수에 입력하여 상기 영상군에서 뇌(brain) 영역 중 적어도 일부가 제거된 제 1 영상 정보를 생성하고, 상기 제 1 영상 정보를 학습된 제 2 네트워크 함수에 입력하여 상기 제 1 영상 정보에서 지방 영역을 검출한 제 2 영상 정보를 생성하며, 상기 제 2 영상 정보로부터 상기 두경부 내의 지방량을 산출하는 적어도 하나의 프로세서를 포함할 수 있다.
본 개시의 기술적 사상에 의한 일 양태에 따르면, 지방량 산출 방법을 실행하기 위해 기록 매체에 저장되는 컴퓨터 프로그램이 제공될 수 있다.
본 개시의 기술적 사상에 의한 실시예들에 따른 지방량 산출 장치 및 이를 위한 장치에 따르면, 신경망 네트워크를 이용하여 두경부 MR 영상 등으로부터 빙 영역을 빠르고 정확하게 검출하고, 지방량을 산출할 수 있다.
본 개시의 기술적 사상에 따른 지방량 산출 장치 및 이를 위한 장치가 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 본 개시의 실시예에 따른 지방량 산출 방법을 설명하기 위한 흐름도이다.
도 2는 본 개시의 실시예에 따른 두경부를 설명하기 위한 도면이다.
도 3은 본 개시의 실시예에 따른 지방량 산출 방법을 통해 생성된 영상 정보의 예시 도면이다.
도 4는 본 개시의 실시예에 따른 지방량 산출 방법을 통해 생성된 영상 정보의 예시 도면이다.
도 5는 본 개시의 실시예에 따른 지방량 산출 결과에 기초하여 예측되는 질병 위험도의 예시 도면이다.
도 6은 본 개시의 실시예에 따른 지방량 산출 장치의 구성을 간략히 도시한 블록도이다.
도 1은 본 개시의 실시예에 따른 지방량 산출 방법을 설명하기 위한 흐름도이다.
도 2는 본 개시의 실시예에 따른 두경부를 설명하기 위한 도면이다.
도 3은 본 개시의 실시예에 따른 지방량 산출 방법을 통해 생성된 영상 정보의 예시 도면이다.
도 4는 본 개시의 실시예에 따른 지방량 산출 방법을 통해 생성된 영상 정보의 예시 도면이다.
도 5는 본 개시의 실시예에 따른 지방량 산출 결과에 기초하여 예측되는 질병 위험도의 예시 도면이다.
도 6은 본 개시의 실시예에 따른 지방량 산출 장치의 구성을 간략히 도시한 블록도이다.
본 개시의 기술적 사상은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다. 그러나, 이는 본 개시의 기술적 사상을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 개시의 기술적 사상의 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 개시의 기술적 사상을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 개시의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.
또한, 본 개시에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.
또한, 본 개시에 기재된 "~부", "~기", "~자", "~모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 프로세서(Processor), 마이크로 프로세서(Micro Processer), 마이크로 컨트롤러(Micro Controller), CPU(Central Processing Unit), GPU(Graphics Processing Unit), APU(Accelerate Processor Unit), DSP(Digital Signal Processor), ASIC(Application Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등과 같은 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
그리고 본 개시에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다.
이하, 본 개시의 실시예들을 차례로 상세히 설명한다.
본 명세서에 걸쳐, 네트워크 함수는 신경망 네트워크 및/또는 뉴럴 네트워크(neural network)와 동일한 의미로 사용될 수 있다. 여기서, 뉴럴 네트워크(신경망)는 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있고, 이러한 노드들은 뉴런으로 지칭될 수 있다. 뉴럴 네트워크는 일반적으로 복수의 노드들을 포함하여 구성된다. 뉴럴 네트워크를 구성하는 노드들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
뉴럴 네트워크를 구성하는 노드들 중 일부는 최초 입력 노드로부터의 거리들에 기초하여 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은 n 레이어를 구성할 수 있다.
본 명세서에서 설명하는 뉴럴 네트워크는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 딥 뉴럴 네트워크(Deep Neural Network, DNN)를 포함할 수 있다
도 1은 본 개시의 실시예에 따른 지방량 산출 방법을 설명하기 위한 흐름도이다.
본 개시의 실시예에 따른 지방량 산출 방법(100)은 연산 능력을 구비한 개인용 컴퓨터(Personal Computer), 워크스테이션(work station), 서버용 컴퓨터 장치 등에서 수행되거나 이를 위한 별도의 장치에서 수행될 수 있다.
또한, 지방량 산출 방법(100)은 하나 이상의 연산 장치들에서 수행될 수도 있다. 예를 들어, 본 개시의 일 실시예에 따른 지방량 산출 방법(100) 중 적어도 하나 이상의 단계들은 클라이언트 디바이스에서, 다른 단계들은 서버 디바이스에서 수행될 수 있다. 이러한 경우, 클라이언트 디바이스와 서버 디바이스는 네트워크로 연결되어 연산 결과를 송수신할 수 있다. 또는, 지방량 산출 방법(100)은 분산 컴퓨팅 기술에 의해 수행될 수도 있다.
S110 단계에서, 지방량 산출 장치는, 두경부의 연속적인 부피에 대응하여 생성된 복수의 2차원 영상을 포함하는 영상군을 획득할 수 있다. 예를 들어, 영상군은 대상자의 두경부 MR 촬영 영상일 수 있다. 즉, 영상군을 구성하는 복수의 2차원 영상은 자기 공명 촬영 방법을 통해 두경부의 단면을 일 방향으로 연속하여 촬영한 복수의 슬라이스일 수 있다. 이러한 2차원 영상을 적층함으로써, 두경부에 대한 3차원 영상 정보를 획득할 수 있게 된다. 또한, 두경부는 사용자의 두부로부터 경부 중 제 2 목뼈까지의 영역을 포함할 수 있다.
S120 단계에서, 지방량 산출 장치는, 영상군을 학습된 제 1 네트워크 함수에 입력하여 영상군에서 뇌(brain) 영역 중 적어도 일부가 제거된 제 1 영상 정보를 생성할 수 있다. 제 1 네트워크 함수는 학습 데이터(예를 들어, 전문가 등에 의해 뇌 영역 추출 및/또는 분리가 수행된 뇌경부 MR 영상)를 통해 사전에 뇌 영역의 분할에 대한 학습이 수행된 것일 수 있다.
실시예에서, S120 단계는, 뇌 영역 중 백질 영역을 제거함으로써 수행될 수 있다.
S130 단계에서, 지방량 산출 장치는, 제 1 영상 정보를 학습된 제 2 네트워크 함수에 입력하여 제 1 영상 정보에서 지방 영역을 검출한 제 2 영상 정보를 생성할 수 있다. 제 2 네트워크 함수는 학습 데이터(예를 들어, 전문가 등에 의해 지방 영역 검출이 수행된 두경부 MR 영상)를 통해 사전에 지방 영역 검출에 대한 학습이 수행된 것일 수 있다.
실시예에서, 제 2 영상 정보는 복수의 2차원 영상에 지방 영역을 마스킹한 다른 2차원 영상이거나, 지방 영역에 대한 좌표 정보를 포함하는 데이터일 수 있다.
실시예에서, 제 1 네트워크 함수 및 제 2 네트워크 함수는 동일하거나 상이한 학습 모델에 의해 생성될 수 있다.
S140 단계에서, 지방량 산출 장치는, 제 2 영상 정보로부터 두경부 내의 지방량을 산출할 수 있다. 예를 들어, S140 단계는, 제 2 영상 정보의 내의 각각의 2차원 영상 내의 지방 영역의 넓이를 계산하는 단계; 및 각각의 2차원 영상에 대한 넓이를 합산하여 지방량을 계산하는 단계를 포함할 수 있다. 또한, 예를 들어, S140 단계는 제 2 영상 정보에서 지방 영역에 대응하는 픽셀 수와 픽셀 당 부피에 기초하여 지방량을 산출함으로써 수행될 수 있다. 다만 이에 한정되는 것은 아니다.
실시예에서, 지방량 산출 장치는 제 1 영상 정보와 제 2 영상 정보를 기초로 지방 영역이 포함된 제 3 영상 정보를 생성할 수 있다. 제 3 영상 정보는 복수의 2차원 영상 및/또는 이들을 조합하여 생성되는 3차원 영상을 포함할 수 있다. 제 3 영상 정보는 사용자, 의료진, 기타 전문가에게 표시될 수 있다. 예를 들어, 3 제 3 영상 정보는 제 1 영상 정보를 기초로 생성된 두경부 영상에, 제 2 영상 정보를 기초로 생성된 지방 영역을 중첩하여 표시한 것일 수 있다. 지방 영역과 그 외의 영역은 서로 상이한 색 및/또는 서로 상이한 투명도를 통해 표시될 수 있다.
실시예에서, 지방량 산출 장치는 사용자의 신체 정보를 획득할 수 있다. 여기서 이때, 신체 정보는 사용자의 키, 몸무게 및 과거 병력 중 적어도 하나를 포함할 수 있다. 신체 정보는 S140 단계의 지방량과 함께 또는 독자적으로 사용자의 신체 전체의 지방량, 근육량, 질병 위험도 등을 예측하는데 사용될 수 있다.
실시예에서, 지방량 산출 장치는 지방량으로부터 신체 전체의 지방량을 예측할 수 있다. 이때 사용자의 신체 정보가 함께 고려될 수 있으나, 이에 한정되는 것은 아니다.
실시예에서, 지방량 산출 장치는 S140 단계의 지방량으로부터 질병 위험도를 예측할 수 있다. 이때 사용자의 신체 정보가 함께 고려될 수 있으나, 이에 한정되는 것은 아니다. 질병 위험도는 복부지방(abdominal fat), 근감소증(sarcopenia), 이상지질혈증(dyslipidemia), 당뇨(diabetes) 및 고요산혈증(hyperuricemia) 중 적어도 하나에 대한 위험도를 포함할 수 있다. 다만, 이와 같은 질병은 예시적인 것으로서, 지방량과 상관관계를 갖는 다양한 질병에 대한 위험도 예측에 이용될 수 있다.
도 2는 본 개시의 실시예에 따른 두경부를 설명하기 위한 도면이다.
지방량 산출 장치는 두경부의 연속적인 부피에 대응하여 생성된 복수의 2차원 영상을 포함하는 영상군을 획득하고, 이에 기초하여 지방량 산출을 수행할 수 있다.
이때 두경부는 두부 및 경부를 포함하며, 더 구체적으로는 도 2에서 도시되는 바와 같이 두부에서부터 경부 중 제 2 목뼈(axis, C2)까지의 영역을 포함할 수 있다.
또한, 영상군의 촬영 시 사용자에 따라 머리 각도가 상이하므로, 이를 고려하여 아래턱(mandible)까지 포함되는 영역, 즉, 붉은 선 상단 영역에 대해 촬영된 영상군이 이용될 수 있다.
도 2에서 도시되는 영상군의 대상 영역은 예시적인 것으로서, 본 개시의 실시예에 따라 다양한 영역에 대한 영상군이 이용될 수 있다.
도 3은 본 개시의 실시예에 따른 지방량 산출 방법을 통해 생성된 영상 정보의 예시 도면이다.
도 3의 (a)를 참조하면, 두경부에 대한 영상군 중 일부가 도시된다. 영상군은 두경부의 연속적인 부피에 대응하여 생성된 복수의 2차원 영상을 포함할 수 있으며, 따라서 각각의 2차원 영상이 도시되고 및/또는 이들을 조합하여 생성되는 3차원 영상이 도시될 수도 있다.
도 3의 (b)를 참조하면, 제 1 네크워크 함수에 의해 생성된 제 1 영상 정보가 도시된다. 제 1 영상 정보는 영상군에서 뇌 영역이 제거된 것으로서, 복수의 2차원 영상을 포함할 수 있고 및/또는 이들을 조합하여 생성되는 3차원 영상을 포함할 수 있다.
도 3에서 도시되는 영상 정보는 예시적인 것으로서, 본 개시의 실시예에 따라 다양한 영상 정보가 이용될 수 있다.
도 4는 본 개시의 실시예에 따른 지방량 산출 방법을 통해 생성된 영상 정보의 예시 도면이다.
도 4를 참조하면, 제 3 영상 정보가 도시된다. 제 1 네트워크 함수를 통해 제 1 영상 정보가 생성되고, 제 2 네트워크 함수를 통해 제 2 영상 정보가 생성되면, 제 1 영상 정보에 제 2 영상 정보를 중첩하여 제 3 영상 정보가 생성될 수 있다. 즉, 제 3 영상 정보는 뇌 영역이 제거된 두경부에서 지방 영역이 표시되는 두경부 영상에 관한 것일 수 있다. 이때 지방 영역은 다른 영역과 색, 투명도에 있어서 상이할 수 있으며, 이를 통해 지방 영역이 보다 쉽게 인지되도록 할 수 있다.
도 4에서 도시되는 영상 정보는 예시적인 것으로서, 본 개시의 실시예에 따라 다양한 영상 정보가 이용될 수 있다.
도 5는 본 개시의 실시예에 따른 지방량 산출 결과에 기초하여 예측되는 질병 위험도의 예시 도면이다.
두경부 영상을 통해 지방량을 산출하면, 이를 통해 지방량과 상관이 높은 질병에 대한 위험도를 예측할 수 있다. 예를 들어, 두경부 지방량에 따라 정상, 적음, 보통, 위험 등의 단계를 구분하고, 이에 기초하여 질병에 대한 위험도를 예측할 수 있다. 이때 사용자의 신체 정보가 함께 이용될 수 있다.
도 5를 참조하면, 두경부 영상을 통해 산출되는 지방량은 1529.84cm3이며, 해당 지방량과 사용자의 신체 정보를 고려할 때, 사용자는 복부지방(abdominal fat), 근감소증(sarcopenia), 이상지질혈증(dyslipidemia), 및 당뇨(diabetes)의 위험도는 낮지만, 고요산혈증(hyperuricemia)의 위험도가 극히 높아, 보다 세밀한 검사 및 치료가 필요함을 알 수 있다.
도 5에서 도시되는 질병 위험도는 예시적인 것으로서, 본 개시의 실시예에 따라 다양한 질병에 대한 위험도가 예측될 수 있다.
도 6은 본 개시의 실시예에 따른 지방량 산출 장치의 구성을 간략히 도시한 블록도이다.
통신부(610)는 지방량 산출을 위한 입력 데이터(두경부 MR 영상 등)를 수신할 수 있다. 통신부(610)는 유무선 통신부를 포함할 수 있다. 통신부(610)가 유선 통신부를 포함하는 경우, 통신부(610)는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 이동 통신망(mobile radio communication network), 위성 통신망 및 이들의 상호 조합을 통하여 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 또한, 통신부(610)가 무선 통신부를 포함하는 경우, 통신부(610)는 셀룰러 통신, 무선랜(예를 들어, 와이-파이(Wi-Fi)) 등을 이용하여 무선으로 데이터 또는 신호를 송수신할 수 있다. 일 실시예에서, 통신부(610)는 프로세서(640)의 제어에 의해 외부 장치 또는 외부 서버와 데이터 또는 신호를 송수신할 수 있다.
입력부(620)는 외부의 조작을 통해 다양한 사용자 명령을 수신할 수 있다. 이를 위해, 입력부(620)는 하나 이상의 입력 장치를 포함하거나 연결할 수 있다. 예를 들어, 입력부(620)는 키패드, 마우스 등 다양한 입력을 위한 인터페이스와 연결되어 사용자 명령을 수신할 수 있다. 이를 위해, 입력부(620)는 USB 포트 뿐만 아니라 선더볼트 등의 인터페이스를 포함할 수도 있다. 또한, 입력부(620)는 터치스크린, 버튼 등의 다양한 입력 장치를 포함하거나 이들과 결합하여 외부의 사용자 명령을 수신할 수 있다.
메모리(630)는 프로세서(640)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들을 임시 또는 영구 저장할 수 있다. 메모리(630)는 플래시 메모리(630)(flash memory) 타입, 하드디스크(hard disk) 타입, 멀티미디어 카드 마이크로(multimedia card micro) 타입, 카드 타입의 메모리(630)(예를 들어 SD 또는 XD 메모리(630) 등), 램(RAM), SRAM, 롬(ROM), EEPROM, PROM, 자기 메모리(630), 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
또한, 메모리(630)는 다양한 네트워크 함수 및 알고리즘을 저장할 수 있으며, 장치를 구동하고 제어하기 위한 다양한 데이터, 프로그램(하나 이상이 인스트럭션들), 어플리케이션, 소프트웨어, 명령, 코드 등을 저장할 수 있다.
프로세서(640)는 장치의 전반적인 동작을 제어할 수 있다. 프로세서(640)는 메모리(630)에 저장되는 하나 이상의 프로그램들을 실행할 수 있다. 프로세서(640)는 중앙 처리 장치(Central Processing Unit, CPU), 그래픽 처리 장치(Graphics Processing Unit, GPU) 또는 본 개시의 기술적 사상에 따른 방법들이 수행되는 전용의 프로세서(640)를 의미할 수 있다.
실시예에서, 프로세서(640)는 사용자의 두경부의 연속적인 부피에 대응하여 생성된 복수의 2차원 영상을 포함하는 영상군을 획득하고, 상기 영상군을 학습된 제 1 네트워크 함수에 입력하여 상기 영상군에서 뇌(brain) 영역 중 적어도 일부가 제거된 제 1 영상 정보를 생성하고, 상기 제 1 영상 정보를 학습된 제 2 네트워크 함수에 입력하여 상기 제 1 영상 정보에서 지방 영역을 검출한 제 2 영상 정보를 생성하며, 상기 제 2 영상 정보로부터 상기 두경부 내의 지방량을 산출할 수 있다. 다만 이에 한정되는 것은 아니다.
일 실시예에 따른 지방량 산출 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 개시를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
또한, 개시된 실시예들에 따른 지방량 산출 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다.
컴퓨터 프로그램 제품은 S/W 프로그램, S/W 프로그램이 저장된 컴퓨터로 읽을 수 있는 저장 매체를 포함할 수 있다. 예를 들어, 컴퓨터 프로그램 제품은 전자 장치의 제조사 또는 전자 마켓(예, 구글 플레이 스토어, 앱 스토어)을 통해 전자적으로 배포되는 S/W 프로그램 형태의 상품(예, 다운로더블 앱)을 포함할 수 있다. 전자적 배포를 위하여, S/W 프로그램의 적어도 일부는 저장 매체에 저장되거나, 임시적으로 생성될 수 있다. 이 경우, 저장 매체는 제조사의 서버, 전자 마켓의 서버, 또는 SW 프로그램을 임시적으로 저장하는 중계 서버의 저장매체가 될 수 있다.
컴퓨터 프로그램 제품은, 서버 및 클라이언트 장치로 구성되는 시스템에서, 서버의 저장매체 또는 클라이언트 장치의 저장매체를 포함할 수 있다. 또는, 서버 또는 클라이언트 장치와 통신 연결되는 제 3 장치(예, 스마트폰)가 존재하는 경우, 컴퓨터 프로그램 제품은 제 3 장치의 저장매체를 포함할 수 있다. 또는, 컴퓨터 프로그램 제품은 서버로부터 클라이언트 장치 또는 제 3 장치로 전송되거나, 제 3 장치로부터 클라이언트 장치로 전송되는 S/W 프로그램 자체를 포함할 수 있다.
이 경우, 서버, 클라이언트 장치 및 제 3 장치 중 하나가 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 수행할 수 있다. 또는, 서버, 클라이언트 장치 및 제 3 장치 중 둘 이상이 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 분산하여 실시할 수 있다.
예를 들면, 서버(예로, 클라우드 서버 또는 인공 지능 서버 등)가 서버에 저장된 컴퓨터 프로그램 제품을 실행하여, 서버와 통신 연결된 클라이언트 장치가 개시된 실시예들에 따른 방법을 수행하도록 제어할 수 있다.
이상에서 실시예들에 대하여 상세하게 설명하였지만 본 개시의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 개시의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 개시의 권리범위에 속한다.
Claims (10)
- 지방량 산출 방법으로서,
사용자의 두경부의 연속적인 부피에 대응하여 생성된 복수의 2차원 영상을 포함하는 영상군을 획득하는 단계;
상기 영상군을 학습된 제 1 네트워크 함수에 입력하여 상기 영상군에서 뇌(brain) 영역 중 적어도 일부가 제거된 제 1 영상 정보를 생성하는 단계;
상기 제 1 영상 정보를 학습된 제 2 네트워크 함수에 입력하여 상기 제 1 영상 정보에서 지방 영역을 검출한 제 2 영상 정보를 생성하는 단계; 및
상기 제 2 영상 정보로부터 상기 두경부 내의 지방량을 산출하는 단계를 포함하는, 방법. - 제 1 항에 있어서,
상기 두경부는 상기 사용자의 두부로부터 경부 중 제 2 목뼈까지의 영역을 포함하는, 방법. - 제 1 항에 있어서,
상기 제 1 영상 정보를 생성하는 단계는, 상기 뇌 영역 중 백질 영역을 제거함으로써 수행되는, 방법. - 제 1 항에 있어서,
상기 제 1 영상 정보와 상기 제 2 영상 정보를 기초로 상기 지방 영역이 포함된 제 3 영상 정보를 생성하는 단계를 더 포함하는, 방법. - 제 1 항에 있어서,
상기 지방량으로부터 신체 전체의 지방량을 예측하는 단계를 더 포함하는, 방법. - 제 1 항에 있어서,
상기 지방량으로부터 상기 사용자의 질병 위험도를 예측하는 단계를 더 포함하는, 방법. - 제 1 항에 있어서,
상기 질병 위험도를 예측하는 단계는, 복부지방(abdominal fat), 근감소증(sarcopenia), 이상지질혈증(dyslipidemia), 당뇨(diabetes) 및 고요산혈증(hyperuricemia) 중 적어도 하나에 대한 위험도를 예측함으로써 수행되는, 방법. - 제 1 항에 있어서,
상기 사용자의 신체 정보를 획득하는 단계를 더 포함하고, 상기 신체 정보는 상기 사용자의 키, 몸무게 및 과거 병력을 포함하는, 방법. - 지방량 산출 장치에 있어서,
지방량 산출을 위한 프로그램을 저장하는 메모리; 및
상기 프로그램을 실행함으로써, 사용자의 두경부의 연속적인 부피에 대응하여 생성된 복수의 2차원 영상을 포함하는 영상군을 획득하고, 상기 영상군을 학습된 제 1 네트워크 함수에 입력하여 상기 영상군에서 뇌(brain) 영역 중 적어도 일부가 제거된 제 1 영상 정보를 생성하고, 상기 제 1 영상 정보를 학습된 제 2 네트워크 함수에 입력하여 상기 제 1 영상 정보에서 지방 영역을 검출한 제 2 영상 정보를 생성하며, 상기 제 2 영상 정보로부터 상기 두경부 내의 지방량을 산출하는 적어도 하나의 프로세서를 포함하는, 장치. - 제 1 항 내지 제 8 항 중 어느 한 항의 방법을 실행하기 위하여 기록 매체에 저장된 컴퓨터 프로그램.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210151436A KR20230010164A (ko) | 2021-07-09 | 2021-11-05 | 두경부 영상 이미지를 이용한 지방량 산출 방법 및 이를 위한 장치 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210090174A KR102325970B1 (ko) | 2021-07-09 | 2021-07-09 | 두경부 영상 이미지를 이용한 지방량 산출 방법 및 이를 위한 장치 |
| KR1020210151436A KR20230010164A (ko) | 2021-07-09 | 2021-11-05 | 두경부 영상 이미지를 이용한 지방량 산출 방법 및 이를 위한 장치 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210090174A Division KR102325970B1 (ko) | 2021-07-09 | 2021-07-09 | 두경부 영상 이미지를 이용한 지방량 산출 방법 및 이를 위한 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230010164A true KR20230010164A (ko) | 2023-01-18 |
Family
ID=78716861
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210090174A KR102325970B1 (ko) | 2021-07-09 | 2021-07-09 | 두경부 영상 이미지를 이용한 지방량 산출 방법 및 이를 위한 장치 |
| KR1020210151436A KR20230010164A (ko) | 2021-07-09 | 2021-11-05 | 두경부 영상 이미지를 이용한 지방량 산출 방법 및 이를 위한 장치 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210090174A KR102325970B1 (ko) | 2021-07-09 | 2021-07-09 | 두경부 영상 이미지를 이용한 지방량 산출 방법 및 이를 위한 장치 |
Country Status (2)
| Country | Link |
|---|---|
| KR (2) | KR102325970B1 (ko) |
| WO (1) | WO2023282389A1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116509389B (zh) * | 2023-06-27 | 2023-09-01 | 深圳启脉科技有限公司 | 一种基于射频的血脂监测方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3534669B2 (ja) * | 2000-01-27 | 2004-06-07 | ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー | 磁気共鳴撮像装置 |
| JP6929695B2 (ja) * | 2016-05-09 | 2021-09-01 | キヤノンメディカルシステムズ株式会社 | 医用画像診断装置及び管理装置 |
| KR20190060606A (ko) * | 2017-11-24 | 2019-06-03 | 삼성전자주식회사 | 의료 영상 진단 장치 및 방법 |
| KR102328198B1 (ko) * | 2019-12-09 | 2021-11-22 | 시너지에이아이 주식회사 | 인공신경망을 이용한 장기의 부피 측정 방법 및 그 장치 |
| KR102118723B1 (ko) * | 2019-10-17 | 2020-06-04 | 메디컬아이피 주식회사 | 복부 영상 분석 방법 및 그 장치 |
-
2021
- 2021-07-09 KR KR1020210090174A patent/KR102325970B1/ko active IP Right Grant
- 2021-09-29 WO PCT/KR2021/013299 patent/WO2023282389A1/ko unknown
- 2021-11-05 KR KR1020210151436A patent/KR20230010164A/ko unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023282389A1 (ko) | 2023-01-12 |
| KR102325970B1 (ko) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7057959B2 (ja) | 動作解析装置 | |
| KR102394593B1 (ko) | 신체 이미징 | |
| US11747898B2 (en) | Method and apparatus with gaze estimation | |
| US20180107896A1 (en) | Method and apparatus to perform material recognition and training for material recognition | |
| JP2021514512A (ja) | 動作の識別および動作情報を用いた規範的な分析の生成 | |
| CN109740659B (zh) | 一种图像匹配方法及装置、电子设备、存储介质 | |
| KR102328198B1 (ko) | 인공신경망을 이용한 장기의 부피 측정 방법 및 그 장치 | |
| Nahavandi et al. | A skeleton-free kinect system for body mass index assessment using deep neural networks | |
| US11222439B2 (en) | Image processing apparatus with learners for detecting orientation and position of feature points of a facial image | |
| KR20220097859A (ko) | 병변 판독 방법 및 이를 위한 장치 | |
| CN112438724A (zh) | 跌倒风险评估方法、跌倒风险评估装置以及记录介质 | |
| KR20230010164A (ko) | 두경부 영상 이미지를 이용한 지방량 산출 방법 및 이를 위한 장치 | |
| US20240057946A1 (en) | Sarcopenia evaluation method, sarcopenia evaluation device, and non-transitory computer-readable recording medium in which sarcopenia evaluation program is recorded | |
| US11250592B2 (en) | Information processing apparatus | |
| CN117392746A (zh) | 康复训练评估辅助方法、装置、计算机设备和存储介质 | |
| KR20220143187A (ko) | 딥러닝을 이용한 폐기종 자동 추출 방법 및 장치 | |
| Wei et al. | Center of mass estimation for balance evaluation using convolutional neural networks | |
| JP2010187130A (ja) | カメラ校正装置、カメラ校正方法、カメラ校正プログラムおよびそのプログラムを記録した記録媒体。 | |
| KR102525396B1 (ko) | 의료 영상 분석 방법 및 장치 | |
| KR20220143186A (ko) | 흉막 삼출 여부 판단 및 흉막 삼출이 존재하는 폐의 자동 추출 정확도를 높이는 방법 | |
| KR20220142570A (ko) | 폐의 자동 추출 및 폐 영역 분리 방법 및 장치 | |
| KR20220143189A (ko) | 특발성 섬유증 및 이의 중증도 판독 방법 및 장치 | |
| KR20220143188A (ko) | 관상 투영 영상과 하나 이상의 폐 X-ray 영상을 정합하는 방법 및 장치 | |
| KR20220143190A (ko) | 복수의 의료 영상에 기초한 학습 결과의 연관 데이터를 표시하는 방법 | |
| KR102454374B1 (ko) | 흉막 삼출의 검출 방법 및 이를 위한 장치 |