KR20230020032A - System and method for diagnosing sarcopenia in critically ill patients based on chest image - Google Patents
System and method for diagnosing sarcopenia in critically ill patients based on chest image Download PDFInfo
- Publication number
- KR20230020032A KR20230020032A KR1020210101199A KR20210101199A KR20230020032A KR 20230020032 A KR20230020032 A KR 20230020032A KR 1020210101199 A KR1020210101199 A KR 1020210101199A KR 20210101199 A KR20210101199 A KR 20210101199A KR 20230020032 A KR20230020032 A KR 20230020032A
- Authority
- KR
- South Korea
- Prior art keywords
- information
- sarcopenia
- chest image
- rmi
- data
- Prior art date
Links
- 208000001076 sarcopenia Diseases 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 20
- 208000028399 Critical Illness Diseases 0.000 title claims abstract description 10
- 235000016709 nutrition Nutrition 0.000 claims abstract description 36
- 210000003019 respiratory muscle Anatomy 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000003745 diagnosis Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000010191 image analysis Methods 0.000 claims abstract description 4
- 210000000038 chest Anatomy 0.000 claims description 66
- 210000003205 muscle Anatomy 0.000 claims description 21
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 claims description 12
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 claims description 12
- 102000009027 Albumins Human genes 0.000 claims description 6
- 108010088751 Albumins Proteins 0.000 claims description 6
- 102000012192 Cystatin C Human genes 0.000 claims description 6
- 108010061642 Cystatin C Proteins 0.000 claims description 6
- 235000012000 cholesterol Nutrition 0.000 claims description 6
- 229940109239 creatinine Drugs 0.000 claims description 6
- 210000000876 intercostal muscle Anatomy 0.000 claims description 6
- 210000004698 lymphocyte Anatomy 0.000 claims description 6
- 210000002966 serum Anatomy 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 210000000062 pectoralis major Anatomy 0.000 claims description 5
- 210000000115 thoracic cavity Anatomy 0.000 claims description 5
- 230000035764 nutrition Effects 0.000 claims description 4
- 210000004369 blood Anatomy 0.000 claims description 3
- 239000008280 blood Substances 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 210000000440 neutrophil Anatomy 0.000 claims description 3
- 230000036039 immunity Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 11
- 238000003384 imaging method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000009534 blood test Methods 0.000 description 3
- 238000009547 dual-energy X-ray absorptiometry Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003703 image analysis method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 210000004712 air sac Anatomy 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000036314 physical performance Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000007704 transition Effects 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
- 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
-
- 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
- A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
- A61B5/4519—Muscles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N3/08—Learning methods
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- 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
- G16H50/50—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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biophysics (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- Software Systems (AREA)
- Optics & Photonics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Rheumatology (AREA)
- Pulmonology (AREA)
- Image Analysis (AREA)
Abstract
Description
본 발명은 중증환자의 근감소증을 보다 간단하고 편리하게 측정할 수 있도록 하는 흉부 이미지 기반 중증환자용 근감소증 진단 시스템 및 방법에 관한 것이다. The present invention relates to a system and method for diagnosing sarcopenia for severely ill patients based on chest images, which can more simply and conveniently measure sarcopenia in severely ill patients.
근감소증에 대한 연구는 그리 오래되지 않았으며 근감소증의 진단기준이 정립되지 않아 연구마다 다른 진단기준을 사용하였기 때문에 유병률에 대한 보고가 다르지만, 일반적으로 젊은 기준 집단의 평균값보다 2 표준 편차 이하로 ASM(appendicular skeletal muscle mass)/height2이 감소된 것을 근감소증으로 정의한다. Research on sarcopenia is not so old, and the diagnostic criteria for sarcopenia have not been established, so reports on prevalence differ because different diagnostic criteria were used in each study, but in general, the ASM is 2 standard deviations or less than the average value of the young reference group. A decrease in (appendicular skeletal muscle mass)/height2 is defined as sarcopenia.
이러한 기준에 의하면, 70세 미만에서는 15~25%, 80세 이상에서는 남자 50%, 여자 40% 이상으로 증가되어 있고 나이, 동반 질환, 비만, 소득 등을 보정 하여도 근감소증과 신체장애가 연관이 있음을 알 수 있다. According to these criteria, the rate is 15-25% for those under 70 years of age, and increases to 50% for males and 40% for females over 80 years of age. it can be seen that there is
과거 다수의 역학 연구에서 팔 근육의 단부피 또는 팔의 둘레를 이용한 근육량과 사망률 간의 연관 관계를 연구하였으며, 나이, 성별, 일상생활 능력, 동반 질환, 인지기능, 우울증 등을 보정하여도 낮은 근육량과 사망률은 연관이 있음이 확인되었다. In a number of epidemiological studies in the past, the relationship between muscle mass and mortality using arm muscle end skin or arm circumference was studied, and low muscle mass and Mortality rates were confirmed to be related.
이에 종래에는 1) DXA(Dual energy X-ray Absorptiometry)를 이용하여 근육량을 평가한 결과, 2) 둘째, 수압식 악력계 또는 스프링탄성 악력계를 통해 측정되는 환자 악력 기반으로 근력을 평가한 결과, 3) 셋째, 환자 보행 속도 기반으로 신체 수행 능력을 평가한 결과에 기반하여 근감소증을 진단하도록 하고 있다. Accordingly, conventionally, 1) the result of evaluating muscle mass using DXA (Dual energy X-ray Absorptiometry), 2) the second, the result of evaluating muscle strength based on the patient's grip strength measured through a hydraulic grip dynamometer or spring elastic grip dynamometer, 3) Third, sarcopenia is diagnosed based on the result of evaluating the physical performance ability based on the patient's walking speed.
한편 중환자실에 장기 재원 중인 환자의 대부분은 움직임이 거의 없는 상태여서 근감소증과 높은 연관성을 가지나, 환자 거동이 매우 힘든 환자 특성 상 상기의 방법들을 이용하여 근감소증을 진단하기가 어려운 문제가 있다. 즉, 환자 이동의 제약으로 인해 DXA 촬영은 환자의 협조가 가능한 상태에서 촬영이 가능한 검사 방법으로 중환자실환자 혹은 중증환자의 촬영이 매우 어려우며, 환자 운동 능력이 크게 떨어져 악력 측정 및 보행 상태 확인 자체가 불가능한 문제가 있다. On the other hand, most of the patients in the intensive care unit for a long period of time have little movement, so they have a high correlation with sarcopenia, but it is difficult to diagnose sarcopenia using the above methods due to the characteristics of patients with very difficult patient movements. In other words, due to limitations in patient movement, DXA imaging is a test method that allows imaging with the patient's cooperation. It is very difficult to scan intensive care unit patients or severely ill patients, and it is difficult to measure grip strength and check gait status itself because the patient's motor skills are greatly reduced. There is an impossible problem.
이에 상기와 같은 문제점을 해결하기 위한 것으로서, 본 발명은 환자의 장기 입원 전에 촬영하는 흉부 이미지에 기반하여, 중증환자의 근감소증을 인공지능 방식으로 보다 간단하고 편리하게 측정할 수 있도록 하는 흉부 이미지 기반 중증환자용 근감소증 진단 시스템 및 방법에 관한 것이다. In order to solve the above problems, the present invention is based on a chest image that allows sarcopenia of severely ill patients to be measured more simply and conveniently using an artificial intelligence method based on a chest image taken before a patient's long-term hospitalization. It relates to a system and method for diagnosing sarcopenia for severely ill patients.
또한 흉부 이미지 이외에 면역 정보 및 영양 정보와 같은 혈액 검사 결과를 추가 이용하여 보다 정확한 근감소증 진단이 가능하도록 하는 흉부 이미지 기반 중증환자용 근감소증 진단 시스템을 제공하고자 한다. In addition, it is intended to provide a chest image-based sarcopenia diagnosis system for critically ill patients that enables a more accurate diagnosis of sarcopenia by additionally using blood test results such as immune information and nutritional information in addition to the chest image.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 본 발명이 속하는 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The object of the present invention is not limited to the above-mentioned object, and other objects not mentioned will be clearly understood by those skilled in the art from the description below.
상기 과제를 해결하기 위한 수단으로서, 본 발명의 일 실시 형태에 따르면 외부 장치와의 상호 연동을 통해 흉부 이미지, 신체 정보, 면역 정보, 영양 정보, 및 근감소증 정도 중 적어도 하나를 데이터 셋트로써 획득 및 저장하는 데이터 획득부; 상기 흉부 이미지로부터 호흡 근육을 추출하고, 상기 호흡 근육의 부피에 기반하여 RMI(Respiratory Muscle Index)를 생성 및 출력하는 흉부 이미지 분석부; 상기 데이터 셋트 다수개를 근감소증 정도에 따라 구분하여 획득 및 저장한 후, 데이터 셋트내 흉부 이미지 각각을 RMI로 대체하고, RMI, 신체 정보, 면역 정보, 영양 정보를 입력 조건으로 가지며, 근감소증 정도를 출력 조건으로 가지는 학습 데이터 다수개를 생성하는 학습 데이터 생성부; 상기 학습 데이터 다수개를 통해 인공 신경망으로 구현된 예측 모델을 기계 학습시키는 예측 모델 학습부; 진단 대상 환자의 흉부 이미지, 신체 정보, 면역 정보, 영양 정보가 획득되면, 흉부 이미지를 RMI로 대체한 후, RMI, 신체 정보, 면역 정보, 영양 정보를 포함하는 분석 데이터를 생성하는 분석 데이터 생성부; 및 상기 예측 모델을 통해 상기 분석 데이터에 대응되는 근감소증 정도를 예측 및 통보하는 근감소증 진단부를 포함하는 흉부 이미지 기반 중증환자용 근감소증 진단 시스템을 제공한다. 상기 흉부 이미지는 T3 및 T4 흉추를 기준으로 촬영되며, 대흉근, 늑간근, 견갑하근, 및 극하근의 호흡 근육이 존재하는 이미지인 것을 특징으로 한다. As a means for solving the above problems, according to an embodiment of the present invention, at least one of chest image, body information, immune information, nutritional information, and sarcopenia degree is obtained as a data set through interworking with an external device and a data acquisition unit to store; a chest image analysis unit extracting respiratory muscles from the chest image and generating and outputting a respiratory muscle index (RMI) based on the volume of the respiratory muscles; After obtaining and storing a plurality of data sets by dividing them according to the degree of sarcopenia, each chest image in the data set is replaced with RMI, and RMI, body information, immune information, and nutritional information are input conditions, and the degree of sarcopenia a learning data generating unit generating a plurality of learning data having as an output condition; a predictive model learning unit for machine learning a predictive model implemented in an artificial neural network through a plurality of the learning data; Analysis data generation unit that generates analysis data including RMI, body information, immune information, and nutrition information after replacing the chest image with RMI when the chest image, body information, immune information, and nutritional information of the patient to be diagnosed are obtained ; and a sarcopenia diagnosis unit for predicting and notifying the degree of sarcopenia corresponding to the analysis data through the prediction model. The chest image is taken based on the T3 and T4 thoracic vertebrae, and is characterized in that the respiratory muscles of the pectoralis major muscle, intercostal muscle, subscapular muscle, and infraspinatus muscle are present.
상기 면역 정보는 림프구 수 (lymphocyte count), 중성구/림프구 비율 (neutrophil/ lymphocyte ratio) 중 적어도 하나를 포함한 정보인 것을 특징으로 한다. The immune information is characterized in that it is information including at least one of a lymphocyte count and a neutrophil/lymphocyte ratio.
상기 영양 정보는 체질량지수(BMI)나 혈중 알부민 콜레스테롤, 크리아티닌/Cystatin C 비율 (albumin, cholesterol, serum creatinine/serum cystatin C) 중 적어도 하나를 포함한 정보인 것을 특징으로 한다. The nutritional information is characterized in that it includes at least one of body mass index (BMI), blood albumin cholesterol, and creatinine/cystatin C ratio (albumin, cholesterol, serum creatinine/serum cystatin C).
상기 신체 정보는 나이, 성별, 신장, 몸무게, 질환 이력 중 적어도 하나를 포함한 정보인 것을 특징으로 한다. The body information is characterized in that it is information including at least one of age, sex, height, weight, and disease history.
상기 예측 모델은 인공 신경망으로 구현되는 것을 특징으로 한다. The predictive model is characterized in that it is implemented as an artificial neural network.
상기 과제를 해결하기 위한 수단으로서, 본 발명의 다른 실시 형태에 따르면 기 획득 및 저장된 의료 데이터로부터 환자의 흉부 이미지, 신체 정보, 면역 정보, 영양 정보, 및 근감소증 정도로 구성되는 다수의 데이터 셋트를 획득하되, 상기 흉부 이미지 각각은 이미지 처리하여 RMI(Respiratory Muscle Index)로 대체하는 단계; RMI, 신체 정보, 면역 정보, 영양 정보를 입력 조건으로 가지며, 근감소증 정도를 출력 조건으로 가지는 학습 데이터 다수개를 생성하고, 학습 데이터 다수개를 통해 인공 신경망으로 구현된 예측 모델을 기계 학습시키는 단계; 진단 대상 환자의 흉부 이미지, 신체 정보, 면역 정보, 영양 정보가 획득되면, 흉부 이미지에 대응되는 RMI를 산출한 후, RMI, 신체 정보, 면역 정보, 영양 정보를 포함하는 분석 데이터를 생성하는 단계; 및 상기 예측 모델을 통해 상기 분석 데이터에 대응되는 근감소증 정도를 예측 및 통보하는 단계를 포함하며, 상기 예측 모델은 인공 신경망으로 구현되는 것을 특징으로 하는 흉부 이미지 기반 중증환자용 근감소증 진단 방법을 제공한다. As a means for solving the above problems, according to another embodiment of the present invention, a plurality of data sets consisting of a patient's chest image, body information, immune information, nutritional information, and degree of sarcopenia are acquired from previously acquired and stored medical data However, each of the chest images is image-processed and replaced with RMI (Respiratory Muscle Index); Generating a plurality of learning data having RMI, body information, immune information, and nutritional information as input conditions and having sarcopenia degree as an output condition, and machine learning a prediction model implemented with an artificial neural network through the plurality of learning data. ; When the chest image, body information, immune information, and nutritional information of the patient to be diagnosed are acquired, calculating an RMI corresponding to the chest image and then generating analysis data including the RMI, body information, immune information, and nutritional information; and predicting and notifying the degree of sarcopenia corresponding to the analysis data through the prediction model, wherein the prediction model is implemented as an artificial neural network. .
본 발명은 환자의 장기 입원 전에 수행되는 각종 검사 과정을 통해 획득되는 흉부 이미지를 이용하여 중증환자의 근감소증을 진단할 수 있도록 함으로써, 환자의 추가적인 영상 촬영 과정 및 신체 능력 평가 과정 없이도 근감소증 진단 동작이 수행될 수 있도록 한다. The present invention makes it possible to diagnose sarcopenia in severely ill patients using chest images obtained through various examination procedures performed before long-term hospitalization of the patient, thereby diagnosing sarcopenia without additional imaging and physical ability evaluation processes of the patient. allow this to be done.
또한 흉부 이미지 이외에 면역 정보 및 영양 정보와 같은 혈액 검사 결과를 추가 이용하여 근감소증 정도를 진단하도록 함으로써, 진단 정확도가 보다 향상될 수 있도록 한다. In addition, diagnosis accuracy can be further improved by diagnosing the degree of sarcopenia by additionally using blood test results such as immune information and nutritional information in addition to the chest image.
도 1은 본 발명에서 이용하고자 하는 호흡 근육을 설명하기 위한 도면이다.
도 2은 본 발명의 일 실시예에 따른 흉부 이미지 기반 중증환자용 근감소증 진단 시스템을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 예측 모델의 구현 예를 도시한 도면이다.
도 4은 본 발명의 일 실시예에 따른 흉부 이미지 분석 방법을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 예측 모델 학습 방법을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 접합성능 예측 방법을 보다 상세하게 설명하기 위한 도면이다. 1 is a view for explaining a respiratory muscle to be used in the present invention.
2 is a diagram for explaining a system for diagnosing sarcopenia for critically ill patients based on a chest image according to an embodiment of the present invention.
3 is a diagram illustrating an implementation example of a predictive model according to an embodiment of the present invention.
4 is a diagram for explaining a chest image analysis method according to an embodiment of the present invention.
5 is a diagram for explaining a predictive model learning method according to an embodiment of the present invention.
6 is a diagram for explaining a bonding performance predicting method according to an embodiment of the present invention in more detail.
이하의 내용은 단지 본 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시되지 않았지만 본 발명의 원리를 구현하고 본 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시예들은 원칙적으로, 본 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이와 같이 특별히 열거된 실시예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.The following merely illustrates the principles of the present invention. Therefore, those skilled in the art can invent various devices that embody the principles of the present invention and fall within the concept and scope of the present invention, even though not explicitly described or shown herein. In addition, it is to be understood that all conditional terms and embodiments listed herein are, in principle, expressly intended only for the purpose of making the concept of the present invention understood, and not limited to such specifically listed embodiments and conditions. It should be.
또한, 본 발명의 원리, 관점 및 실시예들 뿐만 아니라 특정 실시예를 열거하는 모든 상세한 설명은 이러한 사항의 구조적 및 기능적 균등물을 포함하도록 의도되는 것으로 이해되어야 한다. 또한 이러한 균등물들은 현재 공지된 균등물뿐만 아니라 장래에 개발될 균등물 즉 구조와 무관하게 동일한 기능을 수행하도록 발명된 모든 소자를 포함하는 것으로 이해되어야 한다.Further, it should be understood that all detailed descriptions reciting specific embodiments, as well as principles, aspects and embodiments of the present invention, are intended to encompass structural and functional equivalents of these matters. In addition, it should be understood that such equivalents include not only currently known equivalents but also equivalents developed in the future, that is, all devices invented to perform the same function regardless of structure.
따라서, 예를 들어, 본 명세서의 블럭도는 본 발명의 원리를 구체화하는 예시적인 회로의 개념적인 관점을 나타내는 것으로 이해되어야 한다. 이와 유사하게, 모든 흐름도, 상태 변환도, 의사 코드 등은 컴퓨터가 판독 가능한 매체에 실질적으로 나타낼 수 있고 컴퓨터 또는 프로세서가 명백히 도시되었는지 여부를 불문하고 컴퓨터 또는 프로세서에 의해 수행되는 다양한 프로세스를 나타내는 것으로 이해되어야 한다.Thus, for example, the block diagrams herein are to be understood as representing conceptual views of exemplary circuits embodying the principles of the present invention. Similarly, all flowcharts, state transition diagrams, pseudo code, etc., are meant to be tangibly represented on computer readable media and represent various processes performed by a computer or processor, whether or not the computer or processor is explicitly depicted. It should be.
도 1은 본 발명에서 이용하고자 하는 호흡 근육을 설명하기 위한 도면이다. 1 is a view for explaining a respiratory muscle to be used in the present invention.
도 1에 도시된 바와 같이, 본 발명에서 이용하고자 하는 호흡 근육은 척추 기준으로 흉추 부위(T2~T12)에 주로 위치되며, 숨을 내쉴 때 사용하는 근육과 들이마실 때 사용하는 근육이 한 쌍으로 존재하고 있다. As shown in FIG. 1, the respiratory muscles to be used in the present invention are mainly located in the thoracic region (T2 to T12) based on the spine, and the muscles used when exhaling and the muscles used when inhaling are paired It exists.
흡기(들숨) 관련 근육으로는 외늑간근, 늑골거근, 상후거근, 대흉근, 흉쇄유돌근, 사각근 등이 있으며, 호기(날숨) 관련 근육으로는 내늑간근, 늑하근, 견갑하근, 하후거근, 흉횡근 등이 존재한다. Muscles related to inhalation (inhalation) include the external intercostal muscles, levator ribs, levator superior posterior, pectoralis major, sternocleidomastoid, and square muscles, and muscles related to expiration (exhalation) include internal intercostal muscles, subscapularis, subscapularis, levator inferior posterior, and transverse thorax. this exists
그리고 이러한 호흡 근육은 나이가 들수록 점차 약해지며, 이와 함께 기낭(폐포)과 폐 안의 모세혈관 수가 감소하게 된다. And these respiratory muscles gradually weaken with age, and together with this, the number of air sacs (alveoli) and capillaries in the lungs decreases.
따라서 환자가 흡입하는 공기에서 다소 더 적은 양의 산소가 흡수되며, 폐의 탄성이 더 떨어지게 되는 악순환이 발생하게 된다. Therefore, a somewhat smaller amount of oxygen is absorbed from the air inhaled by the patient, and a vicious cycle occurs in which the elasticity of the lungs is further reduced.
이에 본 발명은 T3 및 T4 흉추 위치를 기반으로 대흉근, 늑간근, 견갑하근, 극하근이 포함된 흉부 이미지를 획득하고, 이를 기반으로 근감소증을 진단할 수 있도록 한다. Accordingly, the present invention acquires a chest image including the pectoralis major muscle, intercostal muscle, subscapular muscle, and infraspinatus muscle based on the location of the T3 and T4 thoracic vertebrae, and makes it possible to diagnose sarcopenia based on this.
또한 이때의 흉부 이미지는 환자가 중환자실 입실 전에 환자 상태 체크를 위해 촬영해 둔 흉부 이미지를 이용할 수 있도록 함으로써, 환자가 근감소증 진단을 위한 이미지 촬영 동작이 최소한으로 수행될 수 있도록 한다. In addition, the chest image at this time allows the patient to use the chest image taken to check the patient's condition before entering the intensive care unit, so that the patient can perform an image capturing operation for diagnosing sarcopenia to a minimum.
도 2은 본 발명의 일 실시예에 따른 흉부 이미지 기반 중증환자용 근감소증 진단 시스템을 설명하기 위한 도면이다. 2 is a diagram for explaining a system for diagnosing sarcopenia for critically ill patients based on a chest image according to an embodiment of the present invention.
도 2에 도시된 바와 같이, 본 발명의 시스템은 데이터 획득부(110), 흉부 이미지 분석부(120), 학습 데이터 생성부(130), 예측 모델 학습부(140), 분석 데이터 생성부(150) 및 근감소증 진단부(160) 등을 포함한다. As shown in FIG. 2, the system of the present invention includes a
데이터 획득부(110)는 병원 EMR(Electronic medical record)와 영상 촬영 검사 장치 등과 같은 외부 장치와 연동되어, 이를 통해 특정 환자의 흉부 이미지, 신체 정보, 면역 정보, 영양 정보, 및 근감소증 정도 중 적어도 하나를 포함하는 데이터 셋트를 획득 및 저장한다. The
본 발명의 환자 흉부 이미지는 CT(Computer Tomography), MRI(??Magnetic Resonance Imaging) 등과 같은 영상 촬영 검사 장치를 통해 환자 흉부를 촬영한 이미지일 수 있다. 이때, 흉부 이미지는 앞서 설명한 바와 같이 T3 및 T4 흉추를 기준으로 대흉근, 늑간근, 견갑하근, 및 극하근이 포함되도록 촬영된 이미지인 것이 가장 바람직하나, 이에 한정될 필요는 없다. The chest image of a patient according to the present invention may be an image of a patient's chest captured using an imaging test device such as computer tomography (CT) or magnetic resonance imaging (MRI). At this time, as described above, the chest image is most preferably an image taken to include the pectoralis major muscle, intercostal muscle, subscapular muscle, and infraspinatus muscle based on the T3 and T4 thoracic vertebrae, but is not limited thereto.
신체 정보는 나이, 성별, 신장, 몸무게, 질환 이력 중 적어도 하나를 포함한 정보일 수 있다. The body information may be information including at least one of age, gender, height, weight, and disease history.
면역 정보는 림프구 수 (lymphocyte count), 중성구/림프구 비율 (neutrophil/ lymphocyte ratio) 중 적어도 하나를 포함한 정보일 수 있고, 영양 정보는 체질량지수(BMI)나 혈중 알부민 콜레스테롤, 크리아티닌/Cystatin C 비율 (albumin, cholesterol, serum creatinine/serum cystatin C) 중 적어도 하나를 포함한 정보일 수 있으며, 면역 정보와 영양 정보 모두 혈액 검사 장치를 획득될 수 있다. The immune information may be information including at least one of a lymphocyte count and a neutrophil/lymphocyte ratio, and the nutritional information may include body mass index (BMI), blood albumin cholesterol, and creatinine/cystatin C ratio. It may be information including at least one of (albumin, cholesterol, serum creatinine/serum cystatin C), and both immunity information and nutritional information may be acquired by a blood test device.
흉부 이미지 분석부(120)는 환자 흉부 이미지로부터 호흡 근육 영역만을 추출한 세그멘테이션 이미지(segmentation image)를 획득하고, 세그멘테이션 이미지(segmentation image)에 기반하여 호흡 근육의 부피를 산출한 후, 이를 RMI(Respiratory Muscle Index)로 변환하여 출력한다. The
학습 데이터 생성부(130)는 데이터 획득부(110)를 통해 상기의 데이터 셋트를 근감소증 정도에 따라 구분하여 획득 및 저장한다. 그리고 각 흉부 이미지에 대응되는 RMI를 흉부 이미지 분석부(120)를 통해 산출한다. 그리고 RMI, 신체 정보, 면역 정보, 영양 정보를 입력 조건으로 가지며, 근감소증 정도를 출력 조건으로 가지는 학습 데이터 다수개를 생성한다. The learning
예측 모델 학습부(140)는 예측 모델(M)이 RMI, 면역 정보 및 영양 정보와 근감소증 간의 상관관계를 가지도록, 다수개의 학습 데이터를 통해 예측 모델(M)을 기계 학습시킨다. The predictive
본 발명에서 예측 모델(M)은 도 3에서와 같이 순환 신경망(RNN), 콘볼루션 신경망(CNN), 심층 신경망(DNN) 등과 같이 입력층, 은닉층 및 출력층으로 구성되는 인공 신경망으로 구현할 수 있으나, 이에 한정될 필요는 없다. In the present invention, the prediction model (M) can be implemented as an artificial neural network composed of an input layer, a hidden layer, and an output layer, such as a recurrent neural network (RNN), a convolutional neural network (CNN), and a deep neural network (DNN) as shown in FIG. There is no need to be limited to this.
더하여, 기계 학습은 다수의 학습 데이터를 훈련 데이터, 검증 데이터, 시험 데이터로 분류한 후, 훈련 데이터를 통해서는 예측 모델(M)을 반복 학습시키고, 검증 데이터를 통해서는 정확도를 검증하면서 예측 모델(M)의 하이퍼파라미터를 튜닝(tuning)하고, 시험 데이터를 통해 예측 모델(M)의 성능을 평가한 후, 기 설정된 조건을 만족시키면 반복 학습을 종료하는 방식으로 수행될 수 있으나, 기계 학습의 구체적 방법은 차후 다양하게 변화될 수 있음 물론 당연하다.In addition, machine learning classifies a plurality of learning data into training data, verification data, and test data, repeatedly learns the prediction model (M) through the training data, and verifies the accuracy through the verification data. It may be performed by tuning the hyperparameters of M), evaluating the performance of the predictive model (M) through test data, and then ending iterative learning when a predetermined condition is satisfied. Of course, the method can be changed in various ways in the future.
분석 데이터 생성부(150)는 진단 대상 환자의 흉부 이미지, 신체 정보, 면역 정보 및 영양 정보를 데이터 획득부(110)를 통해 획득한 후, 흉부 이미지에 대응되는 RMI를 흉부 이미지 분석부(120)를 통해 산출한다. 그리고 RMI, 신체 정보, 면역 정보, 영양 정보를 입력 조건으로 가지며, 근감소증 정도를 출력 조건으로 가지는 분석 데이터를 생성한다. The
근감소증 진단부(160)는 분석 데이터를 학습 완료된 예측 모델(M)에 입력하여 예측 모델(M)을 통해 현재 분석 데이터에 대응되는 근감소증 정도를 진단하고, 진단 결과를 저장 및 통보하거나, 담당 의료진 단말 및 병원 EMR 등과 같은 기 설정된 외부 장치에 제공하도록 한다. The
도 4은 본 발명의 일 실시예에 따른 흉부 이미지 분석 방법을 설명하기 위한 도면이다. 4 is a diagram for explaining a chest image analysis method according to an embodiment of the present invention.
먼저, 환자 흉부를 연속 촬영한 2차원의 흉부 이미지를 다수개 획득한다(S1).First, a plurality of two-dimensional chest images obtained by continuously photographing the patient's chest are acquired (S1).
그리고 호흡 근육 검출 알고리즘을 통해 흉부 이미지 각각을 호흡 근육만이 잔존하는 세그멘테이션 이미지로 변환한다(S2). Then, each chest image is converted into a segmented image in which only the respiratory muscles remain through a respiratory muscle detection algorithm (S2).
이때, 호흡 근육 검출 알고리즘은 흉부 이미지와 호흡 근육간의 상관관계가 사전 학습된 인공 지능망(예를 들어, U-Net 모델 또는 U-Net 모델에서 파생된 생성모델)으로 구현될 수 있으나, 이에 한정될 필요는 없다. 참고로, U-Net 모델은 네트워크의 형태가 알파벳 U와 비슷한 형태를 나타낸다고 하여 명명된 모델로, 이는 단순 분류(Classification)에서 더 나아가 국소화(Localization)까지 가능하여 의약분야의 세그멘테이션 네트워크로 자주 이용되고 있다. At this time, the respiratory muscle detection algorithm may be implemented as an artificial intelligence network (eg, a U-Net model or a generative model derived from the U-Net model) in which the correlation between the chest image and the respiratory muscles is pre-learned, but is limited thereto. There is no need. For reference, the U-Net model is a model named because the shape of the network is similar to that of the alphabet U. there is.
그리고 세그멘테이션 이미지들을 3차원 이미지로 재구성한 후(S3), 3차원 이미지 상에서 호흡 근육이 차지하는 복셀 개수를 카운팅함으로써, 호흡 근육의 부피를 산출한다(S4). After reconstructing the segmented images into a 3D image (S3), the volume of the respiratory muscle is calculated by counting the number of voxels occupied by the respiratory muscle on the 3D image (S4).
그리고 호흡 근육의 부피를 기 설정된 변환 기준에 따라 RMI(Respiratory muscle index)로 변환하여 출력하도록 한다(S5). 예를 들어, RMI는 호흡 근육의 부피를 환자 신장의 제곱으로 나누는 방식으로 RMI 변환될 수 있으나, 이에 한정되지는 않는다. In addition, the volume of the respiratory muscle is converted into a respiratory muscle index (RMI) according to a preset conversion standard and output (S5). For example, the RMI may be converted to the RMI by dividing the respiratory muscle volume by the square of the patient's height, but is not limited thereto.
*면적은 2차원 개념인데 반해 부피는 3차원 개념입니다. 이러한 경우에도, 호흡 근육의 부피를 환자 신장의 제곱으로 나누는 게 바람직한지 문의드립니다. *Area is a two-dimensional concept, whereas volume is a three-dimensional concept. Even in this case, we ask whether it is desirable to divide the respiratory muscle volume by the square of the patient's height.
도 5는 본 발명의 일 실시예에 따른 예측 모델 학습 방법을 설명하기 위한 도면이다. 5 is a diagram for explaining a predictive model learning method according to an embodiment of the present invention.
먼저, 학습 데이터 생성부(130)는 예측 모델 학습이 요청되면, 기 획득 및 저장된 의료 데이터로부터 흉부 이미지, 신체 정보, 면역 정보, 영양 정보, 및 근감소증 정도 중 적어도 하나를 데이터 셋트를 대용량으로 획득 및 저장한다(S11). First, when learning of the predictive model is requested, the learning
그리고 흉부 이미지 분석부(120)를 통해 데이터 셋트내 흉부 이미지 각각에 대응되는 RMI를 산출한다(S12). Then, the RMI corresponding to each chest image in the data set is calculated through the chest image analyzer 120 (S12).
그리고 RMI, 신체 정보, 면역 정보, 영양 정보를 입력 조건으로 가지며, 근감소증 정도를 출력 조건으로 가지는 대용량의 학습 데이터를 생성한 후(S13), 이들을 통해 예측 모델(M)이 RMI, 면역 정보 및 영양 정보와 근감소증 정도간의 상관관계를 가지도록 예측 모델(M)을 기계 학습시킨다(S14). And after generating large-capacity learning data having RMI, body information, immune information, and nutritional information as input conditions and having sarcopenia degree as output condition (S13), the prediction model (M) uses RMI, immune information and The prediction model (M) is machine-learned to have a correlation between the nutritional information and the degree of sarcopenia (S14).
도 6은 본 발명의 일 실시예에 따른 접합성능 예측 방법을 보다 상세하게 설명하기 위한 도면이다. 6 is a diagram for explaining a bonding performance predicting method according to an embodiment of the present invention in more detail.
예측 모델(M)의 학습이 완료된 상태에서, 진단 대상 환자의 흉부 이미지, 신체 정보, 면역 정보 및 영양 정보가 입력되면(S21), 분석 데이터 생성부(150)는 흉부 이미지 분석부(120)를 통해 흉부 이미지 각각에 대응되는 RMI를 산출한 후, RMI, 신체 정보, 면역 정보, 영양 정보를 입력 조건을 가지는 분석 데이터를 생성한다(S22). When the learning of the predictive model (M) is completed and the chest image, body information, immune information, and nutritional information of the patient to be diagnosed are input (S21), the
그러면 근감소증 진단부(160)는 분석 데이터를 예측 모델(M)에 입력하여, 예측 모델(M)을 통해 현재의 입력 조건에 대응되는 근감소증 정도를 진단한 후(S23), 진단 결과를 저장 및 통보하거나, 기 설정된 외부 장치에 제공하도록 한다(S24). Then, the
이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형 실시가 가능한 것은 물론이고, 이러한 변형 실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.Although the preferred embodiments of the present invention have been shown and described above, the present invention is not limited to the specific embodiments described above, and is common in the art to which the present invention pertains without departing from the gist of the present invention claimed in the claims. Of course, various modifications and implementations are possible by those with knowledge of, and these modifications should not be individually understood from the technical spirit or perspective of the present invention.
Claims (7)
상기 흉부 이미지로부터 호흡 근육을 추출하고, 상기 호흡 근육의 부피에 기반하여 RMI(Respiratory Muscle Index)를 생성 및 출력하는 흉부 이미지 분석부;
상기 데이터 셋트 다수개를 근감소증 정도에 따라 구분하여 획득 및 저장한 후, 데이터 셋트내 흉부 이미지 각각을 RMI로 대체하고, RMI, 신체 정보, 면역 정보, 영양 정보를 입력 조건으로 가지며, 근감소증 정도를 출력 조건으로 가지는 학습 데이터 다수개를 생성하는 학습 데이터 생성부;
상기 학습 데이터 다수개를 통해 인공 신경망으로 구현된 예측 모델을 기계 학습시키는 예측 모델 학습부;
진단 대상 환자의 흉부 이미지, 신체 정보, 면역 정보, 영양 정보가 획득되면, 흉부 이미지를 RMI로 대체한 후, RMI, 신체 정보, 면역 정보, 영양 정보를 포함하는 분석 데이터를 생성하는 분석 데이터 생성부; 및
상기 예측 모델을 통해 상기 분석 데이터에 대응되는 근감소증 정도를 예측 및 통보하는 근감소증 진단부를 포함하는 흉부 이미지 기반 중증환자용 근감소증 진단 시스템.a data acquisition unit that acquires and stores at least one of a chest image, body information, immune information, nutritional information, and degree of sarcopenia as a data set through interworking with an external device;
a chest image analysis unit extracting respiratory muscles from the chest image and generating and outputting a respiratory muscle index (RMI) based on the volume of the respiratory muscles;
After obtaining and storing a plurality of data sets by dividing them according to the degree of sarcopenia, each chest image in the data set is replaced with RMI, and RMI, body information, immune information, and nutritional information are input conditions, and the degree of sarcopenia a learning data generating unit generating a plurality of learning data having as an output condition;
a predictive model learning unit for machine learning a predictive model implemented in an artificial neural network through a plurality of the learning data;
Analysis data generation unit that generates analysis data including RMI, body information, immune information, and nutrition information after replacing the chest image with RMI when the chest image, body information, immune information, and nutritional information of the patient to be diagnosed are obtained ; and
A chest image-based diagnosis system for sarcopenia for critically ill patients comprising a sarcopenia diagnosis unit for predicting and notifying the degree of sarcopenia corresponding to the analysis data through the prediction model.
T3 및 T4 흉추를 기준으로 촬영되며, 대흉근, 늑간근, 견갑하근, 및 극하근의 호흡 근육이 존재하는 이미지인 것을 특징으로 하는 흉부 이미지 기반 중증환자용 근감소증 진단 시스템.The method of claim 1, wherein the chest image is
Chest image-based sarcopenia diagnosis system for critically ill patients, characterized in that the image is taken based on the T3 and T4 thoracic vertebrae, and the respiratory muscles of the pectoralis major muscle, intercostal muscle, subscapular muscle, and infraspinatus exist.
림프구 수 (lymphocyte count), 중성구/림프구 비율 (neutrophil/ lymphocyte ratio) 중 적어도 하나를 포함한 정보인 것을 특징으로 하는 흉부 이미지 기반 중증환자용 근감소증 진단 시스템.The method of claim 1, wherein the immunity information
A chest image-based system for diagnosing sarcopenia for critically ill patients, characterized in that the information includes at least one of a lymphocyte count and a neutrophil/lymphocyte ratio.
체질량지수(BMI)나 혈중 알부민 콜레스테롤, 크리아티닌/Cystatin C 비율 (albumin, cholesterol, serum creatinine/serum cystatin C) 중 적어도 하나를 포함한 정보인 것을 특징으로 하는 흉부 이미지 기반 중증환자용 근감소증 진단 시스템.The method of claim 1, wherein the nutritional information
A chest image-based diagnosis system for sarcopenia for critically ill patients, characterized in that information including at least one of body mass index (BMI), blood albumin cholesterol, and creatinine/cystatin C ratio (albumin, cholesterol, serum creatinine/serum cystatin C).
나이, 성별, 신장, 몸무게, 질환 이력 중 적어도 하나를 포함한 정보인 것을 특징으로 하는 흉부 이미지 기반 중증환자용 근감소증 진단 시스템.The method of claim 1, wherein the body information
A chest image-based diagnosis system for sarcopenia for severely ill patients, characterized in that information including at least one of age, gender, height, weight, and disease history.
인공 신경망으로 구현되는 것을 특징으로 하는 흉부 이미지 기반 중증환자용 근감소증 진단 시스템.The method of claim 1, wherein the predictive model
Chest image-based sarcopenia diagnosis system for severely ill patients, characterized in that it is implemented as an artificial neural network.
RMI, 신체 정보, 면역 정보, 영양 정보를 입력 조건으로 가지며, 근감소증 정도를 출력 조건으로 가지는 학습 데이터 다수개를 생성하고, 학습 데이터 다수개를 통해 인공 신경망으로 구현된 예측 모델을 기계 학습시키는 단계;
진단 대상 환자의 흉부 이미지, 신체 정보, 면역 정보, 영양 정보가 획득되면, 흉부 이미지에 대응되는 RMI를 산출한 후, RMI, 신체 정보, 면역 정보, 영양 정보를 포함하는 분석 데이터를 생성하는 단계; 및
상기 예측 모델을 통해 상기 분석 데이터에 대응되는 근감소증 정도를 예측 및 통보하는 단계를 포함하며,
상기 예측 모델은
인공 신경망으로 구현되는 것을 특징으로 하는 흉부 이미지 기반 중증환자용 근감소증 진단 방법.A plurality of data sets consisting of the patient's chest image, body information, immune information, nutritional information, and degree of sarcopenia are acquired from previously acquired and stored medical data, and each of the chest images is image-processed to obtain a Respiratory Muscle Index (RMI) replacing;
Generating a plurality of learning data having RMI, body information, immune information, and nutritional information as input conditions and having sarcopenia degree as an output condition, and machine learning a prediction model implemented with an artificial neural network through the plurality of learning data. ;
When the chest image, body information, immune information, and nutritional information of the patient to be diagnosed are acquired, calculating an RMI corresponding to the chest image and then generating analysis data including the RMI, body information, immune information, and nutritional information; and
Predicting and notifying the degree of sarcopenia corresponding to the analysis data through the prediction model,
The predictive model is
A method for diagnosing sarcopenia for severely ill patients based on chest image, characterized in that it is implemented as an artificial neural network.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210101199A KR20230020032A (en) | 2021-08-02 | 2021-08-02 | System and method for diagnosing sarcopenia in critically ill patients based on chest image |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210101199A KR20230020032A (en) | 2021-08-02 | 2021-08-02 | System and method for diagnosing sarcopenia in critically ill patients based on chest image |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230020032A true KR20230020032A (en) | 2023-02-10 |
Family
ID=85223359
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210101199A KR20230020032A (en) | 2021-08-02 | 2021-08-02 | System and method for diagnosing sarcopenia in critically ill patients based on chest image |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230020032A (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024043356A1 (en) * | 2022-08-24 | 2024-02-29 | 원광대학교산학협력단 | Chest-image-based sarcopenia diagnosis system and method for critically ill patients |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102021291B1 (en) | 2016-12-23 | 2019-11-05 | 순천향대학교 산학협력단 | Apparatus and method for monitoring sarcopenia based fat free mass index |
-
2021
- 2021-08-02 KR KR1020210101199A patent/KR20230020032A/en not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102021291B1 (en) | 2016-12-23 | 2019-11-05 | 순천향대학교 산학협력단 | Apparatus and method for monitoring sarcopenia based fat free mass index |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024043356A1 (en) * | 2022-08-24 | 2024-02-29 | 원광대학교산학협력단 | Chest-image-based sarcopenia diagnosis system and method for critically ill patients |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3559903B1 (en) | Machine learning of anatomical model parameters | |
| Ravichandran et al. | RespNet: A deep learning model for extraction of respiration from photoplethysmogram | |
| WO2018205922A1 (en) | Methods and systems for pulmonary function test based on diagnostic medical imaging and machine learning | |
| CN106062755A (en) | Systems and methods for identifying medical image acquisition parameters | |
| Chagas et al. | A new approach for the detection of pneumonia in children using CXR images based on an real-time IoT system | |
| CN111598895A (en) | Method for measuring lung function index based on diagnostic image and machine learning | |
| Biffi et al. | 3D high-resolution cardiac segmentation reconstruction from 2D views using conditional variational autoencoders | |
| EP4312780A2 (en) | Artificial intelligence training with multiple pulsed x-ray source-in-motion tomosynthesis imaging system | |
| DEMİR et al. | Inception-ResNet-v2 with LeakyReLU and averagepooling for more reliable and accurate classification of chest X-ray images | |
| KR20230020032A (en) | System and method for diagnosing sarcopenia in critically ill patients based on chest image | |
| Naz et al. | Report Generation of Lungs Diseases from Chest X-Ray Using NLP | |
| WO2024043356A1 (en) | Chest-image-based sarcopenia diagnosis system and method for critically ill patients | |
| Raihan et al. | Automated rehabilitation exercise assessment by genetic algorithm-optimized CNN | |
| CN109087712A (en) | A kind of dissection of aorta screening model and its method for building up based on stochastic subspace integrated study, system and model | |
| JP2024504310A (en) | Human body component analysis method and device using medical images | |
| Paiva et al. | Wearable Sensing and Intelligent Data Analysis for Respiratory Management | |
| KR20220137215A (en) | Apparatus and method for conversion of medical image based on artificial intelligence | |
| JP2023519150A (en) | Method for positioning a patient within an X-ray machine | |
| KR20210094973A (en) | Method for providing information on severity of subject or acuity of subject and apparatus using same | |
| Vetrithangam et al. | prediction of pneumonia disease from x-ray images using a modified resnet152v2 deep learning model | |
| Shah et al. | Deep learning methods for covid-19 mitigation: Applications, challenges and future implications | |
| Ryu et al. | iApp: An Autonomous Inspection, Auscultation, Percussion, and Palpation Platform | |
| US20230377320A1 (en) | Deep learning model training of x-ray and ct | |
| Ishihara et al. | Estimation of lung volume changes from frontal and lateral views of dynamic chest radiography using a convolutional neural network model: a computational phantom study | |
| WO2023224022A1 (en) | Program, information processing method, and information processing device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |