KR20230056825A - Alzheimer's disease prediction method using automatic quantification of pet/ct images and apparatus for predicting alzheimer's disease performing the same - Google Patents
Alzheimer's disease prediction method using automatic quantification of pet/ct images and apparatus for predicting alzheimer's disease performing the same Download PDFInfo
- Publication number
- KR20230056825A KR20230056825A KR1020210140118A KR20210140118A KR20230056825A KR 20230056825 A KR20230056825 A KR 20230056825A KR 1020210140118 A KR1020210140118 A KR 1020210140118A KR 20210140118 A KR20210140118 A KR 20210140118A KR 20230056825 A KR20230056825 A KR 20230056825A
- Authority
- KR
- South Korea
- Prior art keywords
- pet
- brain
- disease
- alzheimer
- image
- Prior art date
Links
- 208000024827 Alzheimer disease Diseases 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000011002 quantification Methods 0.000 title claims abstract description 26
- 210000004556 brain Anatomy 0.000 claims abstract description 83
- 230000002490 cerebral effect Effects 0.000 claims abstract description 60
- 238000009499 grossing Methods 0.000 claims abstract description 58
- 239000000700 radioactive tracer Substances 0.000 claims abstract description 17
- 238000002591 computed tomography Methods 0.000 claims abstract description 6
- 238000003325 tomography Methods 0.000 claims abstract description 5
- 238000012636 positron electron tomography Methods 0.000 claims description 88
- 208000024806 Brain atrophy Diseases 0.000 claims description 34
- 210000004884 grey matter Anatomy 0.000 claims description 23
- 210000004885 white matter Anatomy 0.000 claims description 23
- 102000013455 Amyloid beta-Peptides Human genes 0.000 claims description 22
- 108010090849 Amyloid beta-Peptides Proteins 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000010521 absorption reaction Methods 0.000 claims description 5
- 208000037259 Amyloid Plaque Diseases 0.000 claims description 4
- 238000012879 PET imaging Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 abstract description 5
- 230000035945 sensitivity Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 208000010877 cognitive disease Diseases 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 208000027061 mild cognitive impairment Diseases 0.000 description 4
- 230000001149 cognitive effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 206010003694 Atrophy Diseases 0.000 description 2
- 206010012289 Dementia Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000037444 atrophy Effects 0.000 description 2
- 230000011157 brain segmentation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 210000004326 gyrus cinguli Anatomy 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003557 neuropsychological effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002285 radioactive effect Effects 0.000 description 2
- 239000012217 radiopharmaceutical Substances 0.000 description 2
- 229940121896 radiopharmaceutical Drugs 0.000 description 2
- 230000002799 radiopharmaceutical effect Effects 0.000 description 2
- 210000003625 skull Anatomy 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 210000003478 temporal lobe Anatomy 0.000 description 2
- NCWZOASIUQVOFA-NSCUHMNNSA-N 4-[(e)-2-[4-[2-[2-(2-fluoroethoxy)ethoxy]ethoxy]phenyl]ethenyl]-n-methylaniline Chemical compound C1=CC(NC)=CC=C1\C=C\C1=CC=C(OCCOCCOCCF)C=C1 NCWZOASIUQVOFA-NSCUHMNNSA-N 0.000 description 1
- 241001108921 Asclepias asperula Species 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 208000032274 Encephalopathy Diseases 0.000 description 1
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000006933 amyloid-beta aggregation Effects 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000001159 caudate nucleus Anatomy 0.000 description 1
- 210000004720 cerebrum Anatomy 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 210000005153 frontal cortex Anatomy 0.000 description 1
- 230000009931 harmful effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 201000003077 normal pressure hydrocephalus Diseases 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 210000000869 occipital lobe Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000001152 parietal lobe Anatomy 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000005258 radioactive decay Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 238000012549 training Methods 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
- A61B5/0033—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
- A61B5/004—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 adapted for image acquisition of a particular organ or body part
- A61B5/0042—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 adapted for image acquisition of a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- 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
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
-
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G16H50/30—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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Neurology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Neurosurgery (AREA)
- Psychology (AREA)
- Pulmonology (AREA)
- Hospice & Palliative Care (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
Abstract
Description
본 발명은 PET/CT 영상의 자동 정량화를 이용한 알츠하이머병 예측 방법 및 이를 수행하는 알츠하이머병 예측 장치에 관한 것으로, 보다 상세하게는 PET/CT 영상의 자동 정량화를 이용하여 알츠하이머병을 예측할 수 있는 PET/CT 영상의 자동 정량화를 이용한 알츠하이머병 예측 방법 및 이를 수행하는 알츠하이머병 예측 장치에 관한 것이다.The present invention relates to a method for predicting Alzheimer's disease using automatic quantification of PET/CT images and an apparatus for predicting Alzheimer's disease performing the same, and more particularly, to a PET/CT image prediction device capable of predicting Alzheimer's disease using automatic quantification of PET/CT images. A method for predicting Alzheimer's disease using automatic quantification of CT images and an apparatus for predicting Alzheimer's disease performing the same.
알츠하이머 병은 치매의 가장 흔한 형태로서 현대 의학에서는 알츠하이머 병에 대한 뚜렷한 호전을 기대할 수 있는 약도 없어 치료할 수 없는 질병이며, 매우 서서히 발병하여 점진적으로 진행되는 경과가 특징적이다. Alzheimer's disease is the most common form of dementia and is an incurable disease because there is no drug that can expect significant improvement in Alzheimer's disease in modern medicine.
초기에는 주로 최근 일에 대한 기억력에서 문제를 보이다가 진행하면서 언어기능이나 판단력 등 다른 여러 인지기능의 이상을 동반하여 결국에는 모든 일상 생활 기능을 상실하게 된다. In the beginning, problems are mainly seen in memory for recent events, but as it progresses, it is accompanied by abnormalities in various other cognitive functions such as language function and judgment, and eventually all daily life functions are lost.
알츠하이머 병의 정확한 발병 기전과 원인에 대해서 정확히 알려져 있지 않으며, 현재는 베타 아밀로이드(betaamyloid)라는 작은 단백질이 과도하게 만들어져 뇌에 침착되면서 뇌 세포에 유해한 영향을 주는 것이 발병의 핵심 기전으로 알려져 있다.The exact pathogenesis and cause of Alzheimer's disease are not exactly known, and it is currently known that the key mechanism of the onset is that a small protein called betaamyloid is excessively produced and deposited in the brain, which has a harmful effect on brain cells.
따라서, 뇌 속에 베타 아밀로이드의 침착상태를 영상을 통해 의사가 육안으로 확인하여 환자의 알츠하이머병의 발병여부를 진단하지만, 이러한 진단 방식은 의사의 그간의 경험과 의학적 지식을 바탕으로 주관적인 진단을 내리기 때문에 의사의 경험이나 숙련도, 의학적 지식이 부족한 경우에는 정확한 판단이 어려워 오진의 가능성이 높다는 문제점이 발생했다.Therefore, doctors diagnose the patient's Alzheimer's disease by visually checking the deposition state of beta-amyloid in the brain through images, but this diagnosis method makes a subjective diagnosis based on the doctor's experience and medical knowledge. If the doctor's experience, skill, or medical knowledge is insufficient, it is difficult to make an accurate judgment, resulting in a high possibility of misdiagnosis.
한편, 경도인지장애(MCI, Mild Cognitive Impairment)란, 정상적인 노화현상으로 인한 인지 능력의 감퇴와 알츠하이머 병의 중간 단계로서, 동일한 연령대에 비해 인지 능력이 저하되어 있는 상태이며, 알츠하이머 병과는 다르게 일상생활이 가능하다.On the other hand, Mild Cognitive Impairment (MCI) is an intermediate stage between the decline in cognitive ability due to normal aging and Alzheimer's disease. this is possible
경도인지장애 환자의 경우 알츠하이머 병으로의 발병 가능성이 높으나, 반드시 알츠하이머 병으로 발병되는 것은 아니므로 경도인지장애 단계에서 알츠하이머 병으로 발병될 가능성을 예측하는 것이 중요하다.In the case of patients with mild cognitive impairment, the possibility of developing Alzheimer's disease is high, but it is not necessarily caused by Alzheimer's disease, so it is important to predict the possibility of developing Alzheimer's disease at the stage of mild cognitive impairment.
본 발명은 상기와 같은 문제를 해결하기 위해 안출된 것으로, 본 발명의 목적은 검사대상자의 PET/CT 영상으로부터 알츠하이머병을 예측하기 위한 정량적인 값을 도출할 수 있는 PET/CT 영상의 자동 정량화를 이용한 알츠하이머병 예측 방법 및 이를 수행하는 알츠하이머병 예측 장치를 제공하는 것이다. The present invention was made to solve the above problems, and an object of the present invention is to automatically quantify PET/CT images capable of deriving quantitative values for predicting Alzheimer's disease from PET/CT images of subjects. It is to provide a method for predicting Alzheimer's disease and an apparatus for predicting Alzheimer's disease that performs the method.
본 발명의 다른 목적은 자동화된 프로그램을 이용하여 뇌 위축이 있는 검사대상자의 경우에도 보다 정확하게 알츠하이머 병을 예측할 수 있는 PET/CT 영상의 자동 정량화를 이용한 알츠하이머병 예측 방법 및 이를 수행하는 알츠하이머병 예측 장치를 제공하는 것이다.Another object of the present invention is a method for predicting Alzheimer's disease using automatic quantification of PET/CT images that can more accurately predict Alzheimer's disease even in a test subject with brain atrophy using an automated program, and an Alzheimer's disease predicting device that performs the same is to provide
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 알츠하이머병 예측 장치에서 수행되는 PET/CT 영상의 자동 정량화를 이용한 알츠하이머병 예측 방법은, 방사성 추적자가 인체에 주입된 환자의 뇌를 촬영한 PET/CT 영상을 PET/CT(Position Emission Tomography/Computer Tomography) 스캐너로부터 획득하는 단계; 상기 PET/CT 영상 중 CT 영상에 기초하여 뇌 영상을 분할(segmentation)하는 단계; 분할한 뇌 영상에 기초하여 상기 CT 영상으로부터 뇌 위축 지수(BAI, Brain atrophic Index)를 산출하는 단계; 상기 분할한 뇌 영상에 기초하여 상기 PET/CT 영상 중 PET 영상으로부터 대뇌 아밀로이드 평활화 점수(CASS, Cerebral amlyoid smoothing score)를 산출하는 단계; 상기 뇌 위축 지수(BAI) 및 상기 대뇌 아밀로이드 평활화 점수(CASS)에 기초하여 형상 특징을 산출하는 단계; 및 상기 형상 특징에 기초하여 알츠하이머병을 예측하는 단계를 포함한다.In order to achieve the above object, a method for predicting Alzheimer's disease using automatic quantification of PET/CT images performed by an Alzheimer's disease prediction device according to an embodiment of the present invention is a PET image of the brain of a patient injected with a radioactive tracer into the human body. Acquiring a CT image from a Position Emission Tomography/Computer Tomography (PET/CT) scanner; Segmenting a brain image based on a CT image among the PET/CT images; Calculating a Brain Atrophic Index (BAI) from the CT image based on the segmented brain image; Calculating a cerebral amyloid smoothing score (CASS) from a PET image among the PET/CT images based on the segmented brain image; calculating a shape feature based on the brain atrophy index (BAI) and the cerebral amyloid smoothing score (CASS); and predicting Alzheimer's disease based on the shape feature.
여기서, 상기 분할하는 단계에서는, 딥 러닝에 기초하여 상기 CT 영상으로부터 회백질 및 백질을 추출하여 상기 뇌의 실질부위만을 분할할 수 있다. Here, in the segmenting, only the parenchymal region of the brain may be segmented by extracting gray matter and white matter from the CT image based on deep learning.
그리고 상기 대뇌 아밀로이드 평활화 점수를 산출하는 단계에서는, 상기 PET 영상의 관심 영역 내에 축적된 베타 아밀로이드의 부피인 관심 영역의 부피(VOI)에 기초하여 상기 대뇌 아밀로이드 평활화 점수를 산출할 수 있다. In the step of calculating the cerebral amyloid smoothing score, the cerebral amyloid smoothing score may be calculated based on the volume of the region of interest (VOI), which is the volume of beta amyloid accumulated in the region of interest of the PET image.
또한 상기 PET 영상의 관심 영역은, 상기 분할하는 단계에서 추출된 회백질 및 백질부위를 합친 영역이고, 상기 대뇌 아밀로이드 평활화 점수(CASS)는, 상기 관심 영역의 표준화된 흡수값(SUV) 평균의 일정 배수(倍數)의 부피를 갖는 구면적을 상기 관심 영역의 표준화된 흡수값(SUV, tandardized uptake value) 평균의 일정 배수(倍數)의 부피를 갖는 표면적으로 나누어 산출될 수 있다. In addition, the region of interest of the PET image is a region obtained by combining the gray matter and white matter regions extracted in the segmenting step, and the cerebral amyloid smoothing score (CASS) is a constant multiple of the average standardized absorption value (SUV) of the region of interest. It can be calculated by dividing a spherical area with a volume of (倍數) by a surface area with a volume of a certain multiple (倍數) of the average of the standardized uptake value (SUV) of the region of interest.
그리고 상기 뇌 위축 지수(BAI)는, 상기 분할한 뇌의 표면적을 상기 분할한 뇌와 동일한 체적을 갖는 구(sphere)의 표면적으로 나누어 산출될 수 있다. The brain atrophy index (BAI) may be calculated by dividing the surface area of the divided brain by the surface area of a sphere having the same volume as the divided brain.
또한 상기 형상 특징은, 상기 대뇌 아밀로이드 평활화 점수(CASS) 및 상기 뇌 위축 지수(BAI)를 곱하여 산출될 수 있다.In addition, the shape feature may be calculated by multiplying the cerebral amyloid smoothing score (CASS) and the brain atrophy index (BAI).
그리고, 상기 방사성 추적자는 상기 환자의 체내로 주입된 후 상기 환자의 뇌 속에 존재하는 베타-아밀로이드 플라크(beta amyloid plaque)와 결합하여 상기 환자의 뇌 속에 존재하는 베타 아밀로이드를 PET 영상화하는 물질일 수 있다. In addition, the radioactive tracer is injected into the patient's body and then combined with the beta-amyloid plaque present in the patient's brain to form a PET image of the beta-amyloid present in the patient's brain. .
여기서 상기 방사성 추적자는, F-18 플로라프로놀(F-18 florapronol)일 수 있다. Here, the radioactive tracer may be F-18 florapronol.
한편 상기 다른 목적을 달성하기 위한 본 발명의 일 실시예에 따른 알츠하이머 예측 장치는, 방사성 추적자가 인체에 주입된 환자의 뇌를 촬영한 PET/CT 영상을 PET/CT(Position Emission Tomography/Computer Tomography) 스캐너로부터 획득하는 획득부; 상기 PET/CT 영상 중 CT 영상에 기초하여 뇌의 실질부위만을 분할(segmentation)하는 전처리부; 분할한 뇌 영상에 기초하여 상기 CT 영상으로부터 뇌 위축 지수(BAI, Brain atrophic Index)를 산출하고, 상기 분할한 뇌 영상에 기초하여 상기 PET/CT 영상 중 PET 영상으로부터 대뇌 아밀로이드 평활화 점수(CASS, Cerebral amlyoid smoothing score)를 산출하고, 상기 뇌 위축 지수(BAI) 및 상기 대뇌 아밀로이드 평활화 점수(CASS)에 기초하여 형상 특징을 산출하는 산출부; 및 상기 형상 특징에 기초하여 알츠하이머병을 예측하는 예측부를 포함한다. On the other hand, the Alzheimer's prediction device according to an embodiment of the present invention for achieving the other object is PET/CT (Position Emission Tomography/Computer Tomography) PET/CT images of the brain of a patient injected with a radioactive tracer. Acquisition unit for acquiring from the scanner; a pre-processing unit for segmenting only the parenchymal region of the brain based on the CT image among the PET/CT images; Based on the segmented brain image, a Brain Atrophic Index (BAI) is calculated from the CT image, and a cerebral amyloid smoothing score (CASS, Cerebral a calculation unit for calculating a brain atrophy index (BAI) and a shape feature based on the cerebral amyloid smoothing score (CASS); and a prediction unit that predicts Alzheimer's disease based on the shape feature.
여기서 상기 전처리부는, 딥 러닝에 기초하여 상기 CT 영상으로부터 회백질 및 백질을 추출하여 뇌의 실질부위만을 분할할 수 있다. Here, the pre-processing unit may extract gray matter and white matter from the CT image based on deep learning and segment only the parenchymal part of the brain.
상술한 본 발명의 일측면에 따르면, PET/CT 영상의 자동 정량화를 이용한 알츠하이머병 예측 방법 및 이를 수행하는 알츠하이머병 예측 장치를 제공함으로써, 검사대상자의 MRI(자기 공명 영상)를 요하지 않고 PET/CT 영상으로부터 알츠하이머병을 예측하기 위한 정량적인 값을 도출할 수 있으므로 검사대상자의 시간 및 비용을 절감시킬 수 있게 된다. According to one aspect of the present invention described above, by providing a method for predicting Alzheimer's disease using automatic quantification of PET/CT images and an apparatus for predicting Alzheimer's disease performing the same, PET/CT without requiring MRI (magnetic resonance imaging) of a subject to be examined Since it is possible to derive a quantitative value for predicting Alzheimer's disease from the image, it is possible to reduce the time and cost of the test subject.
또한 자동화된 프로그램을 이용하여 뇌 위축이 있는 검사대상자의 경우에도 보다 정확하게 알츠하이머 병을 예측할 수 있다.In addition, it is possible to more accurately predict Alzheimer's disease even in a test subject with brain atrophy by using an automated program.
도 1은 본 발명의 일 실시예에 따른 PET/CT 영상의 자동 정량화를 이용한 알츠하이머병 예측 장치의 구성을 설명하기 위한 블록도,
도 2는 본 발명의 일 실시예에 따른 PET/CT 영상의 자동 정량화를 이용한 알츠하이머병 예측 방법을 설명하기 위한 흐름도,
도 3은 본 발명의 일 실시예에 따라 PET/CT 영상으로부터 형상 특징을 산출하기 위한 과정을 설명하기 위한 도면,
도 4는 본 발명의 일 실시예에 따라 CT 영상으로부터 회백질 및 백질을 추출하여 뇌의 실질 부위만을 분할하는 과정을 설명하기 위한 도면,
도 5(a) 및 도 5(b)는 정상 대조군과 알츠하이머병 환자 간의 형상 특징을 산출하는 모습을 나타내는 도면,
도 6은 정상 대조군과 알츠하이머병 환자 간의 대뇌 아밀로이드 평활화 점수(CASS) 및 형상 특징의 범위를 나타낸 그래프,
도 7은 민감도와 특이도에 따른 수신자 조작 특성 곡선을 나타낸 그래프,
그리고 도 8은 간이 정신 상태 검사(MMSE, mini-mental state examination)와 형상 특징 간의 상관관계를 나타내는 그래프이다. 1 is a block diagram for explaining the configuration of an Alzheimer's disease prediction device using automatic quantification of PET/CT images according to an embodiment of the present invention;
2 is a flowchart for explaining a method for predicting Alzheimer's disease using automatic quantification of PET/CT images according to an embodiment of the present invention;
3 is a diagram for explaining a process for calculating shape features from PET/CT images according to an embodiment of the present invention;
4 is a view for explaining a process of segmenting only the parenchymal region of the brain by extracting gray matter and white matter from a CT image according to an embodiment of the present invention;
5(a) and 5(b) are diagrams showing how shape features are calculated between a normal control group and an Alzheimer's disease patient;
Figure 6 is a graph showing the range of cerebral amyloid smoothing score (CASS) and shape features between normal controls and Alzheimer's disease patients;
7 is a graph showing receiver operating characteristic curves according to sensitivity and specificity;
8 is a graph showing a correlation between a mini-mental state examination (MMSE) and shape features.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예와 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS The detailed description of the present invention which follows refers to the accompanying drawings which illustrate, by way of illustration, specific embodiments in which the present invention may be practiced. These embodiments are described in sufficient detail to enable one skilled in the art to practice the present invention. It should be understood that the various embodiments of the present invention are different from each other but are not necessarily mutually exclusive. For example, specific shapes, structures, and characteristics described herein may be implemented in another embodiment without departing from the spirit and scope of the invention in connection with one embodiment. Additionally, it should be understood that the location or arrangement of individual components within each disclosed embodiment may be changed without departing from the spirit and scope of the invention. Accordingly, the detailed description set forth below is not to be taken in a limiting sense, and the scope of the present invention, if properly described, is limited only by the appended claims, along with all equivalents as claimed by those claims. Like reference numbers in the drawings indicate the same or similar function throughout the various aspects.
이하에서는 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.Hereinafter, preferred embodiments of the present invention will be described in more detail with reference to the drawings.
도 1은 본 발명의 일 실시예에 따른 PET/CT 영상의 자동 정량화를 이용한 알츠하이머병 예측 장치(100)의 구성을 설명하기 위한 블록도이다. 본 알츠하이머병 예측 장치(100)는 PET/CT 스캐너로부터 PET/CT 영상을 획득하여 자동 정량화를 수행하여 알츠하이머병을 예측하기 위해 마련되며, 획득부(110), 전처리부(130), 산출부(150) 및 예측부(170)를 포함하여 마련될 수 있다. 1 is a block diagram for explaining the configuration of an Alzheimer's
획득부(110)는 PET/CT 스캐너로부터 촬영된 영상인 PET/CT 영상을 획득하기 위해 마련된다. 이러한 획득부(110)는 방사성 추적자가 인체에 주입된 환자의 뇌를 촬영한 환자의 뇌에 존재하는 베타 아밀로이드에 대한 PET 영상과 뇌 전체 영상인 CT 영상을 획득할 수 있다. 이러한 획득부(110)는 PET/CT 스캐너 자체일 수도 있고, 유무선 통신을 통해 PCT/CT 스캐너로부터 전달받을 수도 있다. The acquiring
그리고 획득부(110)는 환자의 뇌 중 전두 피질, 후대상회, 측면 측두엽, 두정엽, 후두엽 피질, 미상핵, 중앙 측두엽, 전측 대상회 중 적어도 한 부분을 촬영한 영상을 획득할 수 있다.Also, the
이상에서 방사성 추적자는 환자의 체내로 주입되어 알츠하이머병을 일으킨다고 보고되고 있는 베타 아밀로이드 플라크(beta amyloid plaque)와 결합하여 환자의 뇌 속에 존재하는 베타 아밀로이드를 PET 영상화하는 물질이다. 이러한 방사성 추적자의 종류에는 F-18 플로르베타벤(Florbetaben), F-18 플로라프로놀(F-18 florapronol), C-11, N-13, O-15 중 적어도 하나인 방사성 동위원소를 포함할 수 있으며, 본 실시예에서는 F-18 플로라프로놀(F-18 florapronol)을 방사성 추적자로 사용하는 것이 바람직하다. As described above, the radioactive tracer is a material that is injected into a patient's body and combines with a beta amyloid plaque, which is reported to cause Alzheimer's disease, to perform PET imaging of beta amyloid present in the patient's brain. The type of radiotracer may include a radioactive isotope of at least one of F-18 Florbetaben, F-18 Florapronol, C-11, N-13, and O-15. In this embodiment, it is preferable to use F-18 florapronol as a radioactive tracer.
또한 획득부(110)가 획득하는 PET 영상은 양전자 단층촬영 영상을 나타내는 것으로, 양전자를 방출하는 방사성 의약품을 이용하여 인체에 대한 생리화학적, 기능적 영상을 3차원으로 획득하는 핵의학 영상법을 의미할 수 있다. 방사성 의약품에 사용되는 방사성 동위원소에서 양전자를 방출하며, 이 때 방출된 양전자는 방출 후 아주 짧은 시간 동안 자체 운동 에너지를 모두 소모하고 이웃하는 전자와 결합하여 소멸하는데, 이 때 180도의 각도고 2개의 소멸 방사선(감마선)을 방출한다. 이와 같이 동시에 방출된 2개의 소멸 방사선을 원통형으로 이루어지는 PET/CT 스캐너가 검출하고, 검출된 2개의 소멸 방사선을 이용하여 영상으로 재구성한 것이 PET 영상이다. In addition, the PET image obtained by the
그리고 획득부(110)가 획득하는 CT 영상은 컴퓨터 단층촬영 영상을 나타내는 것으로, 인체에 가느다란 X선을 투사하고 X선이 인체를 통과하면서 감소되는 양을 PET/CT 스캐너가 측정하고, X선이 투과된 정보를 분석하여 인체 내부 단면에 대한 흡수치를 영상으로 재구성한 것이 CT 영상이다. 이렇게 획득부(110)에서 획득한 PET/CT 영상 중 CT 영상은 전처리부(130)로 전달될 수 있다. In addition, the CT image acquired by the
한편 전처리부(130)는 PET/CT 영상 중에서 CT 영상을 전처리하기 위해 마련되는 것으로, 딥 러닝을 통해 획득부(110)에서 획득한 CT 영상으로부터 회백질과 백질로 추출하여 뇌의 실질부위만을 분할할 수 있다. 이를 위해 전처리부(130)는 딥 러닝 기법을 통해 학습이 가능한 학습부일 수 있으며, 훈련된 데이터에 기초하여 CT 영상에서 회백질과 백질을 추출할 수 있다. Meanwhile, the
그리고 훈련을 위해 전처리부(130)는 뇌 영역의 PET/CT 영상을 촬영하고 자기 공명 영상(MRI, Magnetic Resonance Imaging)을 동시에 촬영한 환자의 이미지를 수집하고 PET/CT 스캐너에서 얻은 CT 영상을 입력 데이터로 사용할 수 있다. 이 때 전처리부(130)는 U-net을 이용하여 학습한 뇌의 분할을 수행할 수 있다. 이를 통해 전처리부(130)는 CT 영상으로부터 뇌의 실질부위만을 분할하고, 분할된 뇌 영상을 산출부(150)로 전달할 수 있다. And for training, the
또한 전처리부(130)에서는 분할된 실질부위에서 회백질 영상과 백질 영상을 결합함으로써 분할된 뇌 영상을 생성할 수도 있다. 그리고 전처리부(130)에서는 CT 영상으로부터 U-net을 이용하여 회백질 영상과 백질 영상을 추출하고 이에 기초하여 PET 영상으로부터 관심영역으로 대뇌를 추출할 수 있다. In addition, the
한편 산출부(150)는 전처리부(130)로부터 전달받은 분할된 뇌 영상에 기초하여 뇌 위축 지수(BAI) 및 대뇌 아밀로이드 평활화 점수(CASS)를 산출할 수 있고, 산출된 위축 지수(BAI) 및 대뇌 아밀로이드 평활화 점수(CASS)에 기초해 형상 특징(shape feature)을 산출할 수 있다. Meanwhile, the
이 때 산출부(150)는 PET 영상의 관심 영역 내에 축적된 베타 아밀로이드의 부피인 관심 영역의 부피(VOI, volume of interest)에 기초하여 대뇌 아밀로이드 평활화 점수(CASS)를 산출할 수 있다. 여기서 관심 영역은 전처리부(130)에서 CT 영상으로부터 회백질 및 백질로 추출하여 분할한 뇌의 실질 부위를 의미할 수 있다. 산출부(150)는 이러한 관심영역 내 축적된 베타 아밀로이드의 부피인 관심 영역의 부피(VOI, volume of interest)와 동일한 부피를 갖는 구의 표면적을 관심 영역의 부피 표면적으로 나눈 것으로 정의되는 대뇌 아밀로이드 평활화 점수(CASS, cerebral amyloid smoothing score)를 산출할 수 있다. 특히 본 실시예에서의 대뇌 아밀로이드 평활화 점수(CASS)는 관심 영역의 표준화된 흡수값(SUV, standardized uptake value) 평균의 6배에 기초하여 하기 수학식 1을 사용하여 산출될 수 있다. In this case, the
[수학식 1][Equation 1]
구(spherical)는 주어진 고정부피에 대하여 가장 작은 표면을 갖는 3차원 물체이기 때문에, 더 매끄러운 표면을 갖는 관심 영역의 부피(VOI)는 더 높은 대뇌 아밀로이드 평활화 점수를 갖게 된다. Since a spherical is the three-dimensional object with the smallest surface for a given fixed volume, a volume of interest (VOI) with a smoother surface will have a higher cerebral amyloid smoothing score.
또한 본 실시예따른 대뇌 아밀로이드 평활화 점수(CASS)는 표준화된 흡수값율(SUVr) 대신 뇌의 베타-아밀로이드 침착을 묘사하는 VOI의 경계(SUV 평균의 6배)에 기초해 고유하게 정의될 수 있다. 또한 대뇌 아밀로이드 평활화 점수(CASS)는 베타 아밀로이드 침착의 독립특성이다. 이에 모든 전문가는 이 정량화 방법을 사용하여 단일 베타-아밀로이드 PET 영상에서 동일한 대뇌 아밀로이드 평활화 점수(CASS)를 생성할 수 있게 된다. In addition, the cerebral amyloid smoothing score (CASS) according to this example can be uniquely defined based on the bounds of the VOI (six times the SUV mean) that describe beta-amyloid deposits in the brain instead of the standardized absorption value ratio (SUVr). Also, the cerebral amyloid smoothing score (CASS) is an independent characteristic of beta amyloid deposition. Thus, any expert can use this quantification method to generate the same cerebral amyloid smoothing score (CASS) from a single beta-amyloid PET image.
또한 종래에는 방사성 추적자의 축적부위가 뇌의 실질 부위뿐만 아니라 두개골에도 축적되기 때문에 두개골 부위가 관심영역에 포함된다는 문제가 있었다. 하지만 본 실시예에서는 전처리부(130)로부터 딥 러닝 기법을 통해 회백질 및 백질을 각각 추출할 수 있고, 이에 기초하여 회백질 및 백질 부위만을 관심영역으로 이용하기 때문에 정확도를 향상시킬 수 있게 된다.Also, in the prior art, since the radioactive tracer accumulation site is accumulated not only in the parenchymal region of the brain but also in the skull, there is a problem that the skull region is included in the region of interest. However, in the present embodiment, gray matter and white matter can be extracted from the
그리고 산출부(150)는 뇌 위축 지수(BAI)를 산출하기 위해 전처리부(130)를 통해 분할된 뇌의 표면적을 분할한 뇌와 동일한 부피를 갖는 구(sphere)의 표면적으로 나누는 하기의 수학식 2를 통해 뇌 위축 지수(BAI)를 산출할 수 있다. In addition, the
[수학식 2][Equation 2]
대뇌 아밀로이드 평활화 점수에서 상술한 바와 같이 구(sphere)는 주어진 고정 부피에 대해 표면적이 가장 작은 3차원 물체이므로 불규칙한 표면을 갖는 관심 영역의 부피(VOI)일수록 더 높은 뇌 위축 지수(BAI)를 갖게 된다.As described above in the cerebral amyloid smoothing score, a sphere is a three-dimensional object with the smallest surface area for a given fixed volume, so the volume of the region of interest (VOI) with an irregular surface has a higher brain atrophy index (BAI). .
이러한 대뇌 아밀로이드 평활화 점수(CASS) 및 뇌 위축 지수(BAI)를 산출하기 위하여 산출부(150)에서는 Matlab2021b 소프트웨어를 이용하여 분할한 뇌의 표면적, 부피 및 구의 표면적의 연산 과정을 수행할 수 있다. In order to calculate the cerebral amyloid smoothing score (CASS) and the brain atrophy index (BAI), the
또한 산출부(150)는 이상의 과정을 통해 산출된 대뇌 아밀로이드 평활화 점수(CASS) 및 뇌 위축 지수(BAI)를 기반으로 형상 특징을 산출할 수 있다. In addition, the
뇌 위축이 있는 사람의 경우에는 뇌 아밀로이드 PET 영상의 분석만으로는 알츠하이머병에 해당하는지 정확하게 확인하기 어려우며, 뇌 위축의 정도를 함께 반영하여 알츠하이머 병에 해당되는지를 예측해야한다. 알츠하이머병의 여부를 예측하기 위해서는 대뇌 아밀로이드 평활화 점수(CASS)와 뇌 위축 지수(BAI)를 함께 사용하여 형상 특징(shape feature)을 산출하고, 이렇게 산출된 형상 특징에 기초하여 알츠하이머 병을 예측할 수 있게 된다. In the case of a person with brain atrophy, it is difficult to accurately determine whether the brain amyloid corresponds to Alzheimer's disease only by analyzing the brain amyloid PET image, and it is necessary to predict whether the person has Alzheimer's disease by reflecting the degree of brain atrophy together. In order to predict the presence of Alzheimer's disease, the cerebral amyloid smoothing score (CASS) and the brain atrophy index (BAI) are used together to calculate shape features, and based on the calculated shape features, Alzheimer's disease can be predicted. do.
산출부(150)는 형상 특징은 하기 수학식 3을 통해 산출할 수 있다. The
[수학식 3][Equation 3]
형상 특징 = 대뇌 아밀로이드 평활화 점수(CASS) X 뇌 위축지수(BAI)Shape feature = cerebral amyloid smoothing score (CASS) X brain atrophy index (BAI)
이러한 형상 특징이 커질수록 알츠하이머 병으로 발명될 가능성이 높아지게 된다. The larger these shape features are, the more likely they are to be invented with Alzheimer's disease.
한편 예측부(170)는 형상 특징을 기설정된 기준 점수와 비교하여 형상 특징이 기준 점수를 초과하는 경우에 알츠하이머 병의 발병 가능성이 있는 것으로 예측할 수 있다. Meanwhile, the
그리고 도면에는 도시되어 있지 않으나, 본 실시예에 따른 알츠하이머 예측 장치(100)는 정상 대조군의 대뇌 아밀로이드 평활화 점수, 뇌 위축 지수 또는 형상 특징에 해당하는 기설정된 기준 점수를 저장하는 저장부(미도시)를 더 포함할 수 있고, 이러한 저장부(미도시)에는 전처리부(130)에서 딥 러닝 기법에 기초하여 CT 영상으로부터 회백질 및 백질을 추출하고 분할된 영상을 생성하기 위한 학습모델 등이 저장될 수도 있다. 또한, 알츠하이머 예측 장치(100)가 PET/CT 스캐너와는 별도의 장치로 마련되는 경우에는 PET/CT 스캐너로부터 PET/CT 영상 및 각종 정보를 송수신할 수 있는 통신부(미도시), 키보드 및 마우스 등을 포함하는 입력수단, 디스플레이를 포함하는 출력수단 등을 더 포함할 수 있다. And, although not shown in the drawing, the Alzheimer's
한편, 도 2는 본 발명의 일 실시예에 따른 PET/CT 영상의 자동 정량화를 이용한 알츠하이머병 예측 방법을 설명하기 위한 흐름도이고, 도 3은 본 발명의 일 실시예에 따라 PET/CT 영상으로부터 형상 특징을 산출하기 위한 과정을 설명하기 위한 도면, 그리고, 도 4는 본 발명의 일 실시예에 따라 CT 영상으로부터 회백질 및 백질을 추출하여 뇌의 실질 부위만을 분할하는 과정을 설명하기 위한 도면이다. Meanwhile, FIG. 2 is a flowchart illustrating a method for predicting Alzheimer's disease using automatic quantification of PET/CT images according to an embodiment of the present invention, and FIG. A diagram for explaining a process for calculating features, and FIG. 4 is a diagram for explaining a process for segmenting only parenchymal regions of the brain by extracting gray matter and white matter from a CT image according to an embodiment of the present invention.
본 실시예에 따른 알츠하이머병 예측 방법은 상술한 알츠하이머병 예측 장치(100)에 의해 수행될 수 있으며, 이러한 알츠하이머병 예측 방법은 PET/CT 영상을 획득하는 단계(S100), 뇌의 실질부위만을 분할하는 단계(S200), 대뇌 아밀로이드 평활화 점수를 산출하는 단계(S300), 뇌 위축 지수를 산출하는 단계(S400), 형상 특징을 산출하는 단계(S500) 및 알츠하이머 병을 예측하는 단계(S600)를 포함할 수 있다. The method for predicting Alzheimer's disease according to the present embodiment can be performed by the above-described
PET/CT 영상을 획득하는 단계(100)는, PET/CT 스캐너로부터 PET 영상 및 CT 영상을 획득하는 단계로써, 방사성 추적자가 인체에 주입된 환자의 뇌를 촬영한 환자의 뇌에 존재하는 베타 아밀로이드에 대한 PET 영상과 뇌 전체 영상인 CT 영상을 획득할 수 있다. Acquiring a PET/CT image (100) is a step of acquiring a PET image and a CT image from a PET/CT scanner, and a beta amyloid present in the brain of a patient whose brain is photographed with radioactive tracer injected into the human body. A PET image and a CT image, which is an image of the entire brain, can be obtained.
이후 뇌의 실질부위만을 분할하는 단계(S200)를 수행할 수 있다. 분할하는 단계(S200)에서는 딥 러닝을 통해 CT 영상에서 획득한 뇌 전체 영상을 전처리하여 회백질과 백질을 추출하여 뇌의 실질부위만을 분할하여 분할된 뇌 영상을 생성할 수 있다. 이 때 도 4에 도시된 바와 같이 U-net을 이용하여 뇌의 분할을 수행할 수 있으며, 도 4는 U-net의 구성을 간략하게 도시한 도면이다. Thereafter, a step of dividing only the parenchymal part of the brain (S200) may be performed. In the segmentation step (S200), a segmented brain image may be generated by pre-processing the whole brain image obtained from the CT image through deep learning to extract gray matter and white matter, and segmenting only the parenchymal part of the brain. At this time, as shown in FIG. 4, brain segmentation can be performed using U-net, and FIG. 4 is a diagram briefly showing the configuration of U-net.
이러한 뇌의 실질부위만을 분할하는 단계(S200)에서는 회백질 영상과 백질 영상을 추출하고 결합함으로써 실질부위만이 분할된 뇌 영상을 생성할 수 있다. In the step of segmenting only the parenchymal part of the brain (S200), a brain image in which only the parenchymal part is segmented can be generated by extracting and combining the gray matter image and the white matter image.
그리고 대뇌 아밀로이드 평활화 점수를 산출하는 단계(S300)를 수행하여 분할하는 단계(S200)를 통해 분할된 뇌 영상에 기초하여 PET 영상으로부터 관심 영역에 대한 대뇌 아밀로이드 평활화 점수(CASS)를 산출할 수 있다. 도 3에 도시된 바와 같이 CT 영상으로부터 U-net을 이용하여 회백질 및 백질을 추출하여 얻어 분할된 뇌 영생을 생성하고 이를 통해 PET 영상에서 대뇌부위를 추출할 수 있게 된다. In addition, the cerebral amyloid smoothing score (CASS) for the region of interest may be calculated from the PET image based on the segmented brain image through the segmentation step (S200) by performing the step of calculating the cerebral amyloid smoothing score (S300). As shown in FIG. 3, gray matter and white matter are extracted and obtained from CT images using U-net to create segmented brain immortals, through which cerebral regions can be extracted from PET images.
구체적으로 대뇌 아밀로이드 평활화 점수(CASS)는 PET 영상의 관심 영역 내에 축적된 베타 아밀로이드의 부피인 관심 영역의 부피(VOI, volume of interest)에 기초하여 산출될 수 있으며, 여기서 관심 영역은 도 3 및 도 4에 도시된 바와 같이 분할하는 단계(S200)를 통해 CT 영상에 기초하여 뇌 전체 영상에서 회백질 및 백질부위를 추출하여 분할한 뇌의 실질 부위를 의미할 수 있다. Specifically, the cerebral amyloid smoothing score (CASS) can be calculated based on the volume of interest (VOI), which is the volume of beta amyloid accumulated in the region of interest of the PET image, where the region of interest is shown in FIGS. As shown in 4, it may refer to the parenchymal region of the brain obtained by extracting gray matter and white matter from the entire brain image based on the CT image through the segmentation step (S200) and dividing them.
따라서 이러한 관심영역 내 축적된 베타 아밀로이드의 부피인 관심 영역의 부피(VOI, volume of interest)와 동일한 부피를 갖는 구의 표면적을 관심 영역의 부피 표면적으로 나눈 것으로 정의되는 대뇌 아밀로이드 평활화 점수(CASS, cerebral amyloid smoothing score)를 산출할 수 있다. 특히 본 실시예에서의 대뇌 아밀로이드 평활화 점수(CASS)는 관심 영역의 표준화된 흡수값(SUV, standardized uptake value) 평균의 6배에 기초하여 산출될 수 있다. Therefore, the cerebral amyloid smoothing score (CASS), defined as the surface area of a sphere having the same volume as the volume of interest (VOI), which is the volume of beta amyloid accumulated in the region of interest, divided by the volume surface area of the region of interest smoothing score) can be calculated. In particular, the cerebral amyloid smoothing score (CASS) in this embodiment may be calculated based on 6 times the average of standardized uptake values (SUVs) of the region of interest.
한편, 뇌 위축 지수(BAI)를 산출하는 단계(S400)에서는, 분할하는 단계(S200)에서 분할된 뇌 영상에 기초하여 분할된 뇌의 표면적을 분할한 뇌와 동일한 부피를 갖는 구의 표면적으로 나누어 뇌 위축 지수(BAI)를 산출할 수 있다. 따라서 불규칙한 표면을 갖는 관심 영역의 부피(VOI)는 보다 높은 뇌 위축 지수를 갖게 된다. Meanwhile, in the step of calculating the brain atrophy index (BAI) (S400), the surface area of the brain segmented based on the brain image segmented in the segmentation step (S200) is divided by the surface area of a sphere having the same volume as the segmented brain. An atrophy index (BAI) can be calculated. Thus, the volume of regions of interest (VOI) with irregular surfaces will have higher brain atrophy indices.
형상 특징을 산출하는 단계(S500)에서는 형상 특징을 산출하기 위한 단계로, 대뇌 아밀로이드 평활화 점수(CASS) 및 뇌 위축 지수(BAI)를 곱하여 형상 특징을 산출할 수 있다. In the step of calculating the shape feature (S500), the shape feature may be calculated by multiplying the cerebral amyloid smoothing score (CASS) and the brain atrophy index (BAI).
이후 알츠하이머병을 예측하는 단계(S600)를 수행할 수 있다. 해당 단계에서는 형상 특징을 산출하는 단계(S500)에서 산출된 형상 특징을 기설정된 기준 점수와 비교하여 형상 특징이 기준 점수를 초과하는 경우에 알츠하이머 병의 발병 가능성이 있는 것으로 예측할 수 있다. Thereafter, a step of predicting Alzheimer's disease (S600) may be performed. In this step, the shape feature calculated in the step of calculating the shape feature (S500) is compared with a preset reference score, and when the shape feature exceeds the reference score, it can be predicted that Alzheimer's disease is likely to occur.
이하에서는 본 발명에 따른 알츠하이머병 예측 장치(100)에서 수행되는 알츠하이머병 예측 방법의 분석 적중률을 확인하기 위한 실험 예를 살펴보도록 한다. Hereinafter, an experimental example for confirming an analysis hit rate of the method for predicting Alzheimer's disease performed in the
먼저, 알츠하이머병(AD) 가능성이 있는 23명의 환자와 정상 대조군으로 30명의 환자를 본 실험의 대상자로 선정하였다. 이때 알츠하이머병이 의심되는 환자로는 나이 43-88세, 간이 정신 상태 검사(MMSE) 점수 = 12-30, 임상 치매 등급(CDR) = 0.5-2.0에 해당하는 환자를 대상자로 선정하였으며 정상압수두증, 뇌졸중 등의 뇌병증 환자는 본 실험의 대상자에서 제외하였다. First, 23 patients with the possibility of Alzheimer's disease (AD) and 30 patients as normal controls were selected as subjects for this experiment. At this time, patients with suspected Alzheimer's disease were selected as age 43-88 years old, Mini Mental State Examination (MMSE) score = 12-30, Clinical Dementia Rating (CDR) = 0.5-2.0, and normal pressure hydrocephalus. Patients with encephalopathy such as , stroke, etc. were excluded from the subjects of this experiment.
선정된 대상자에게는 방사성 추적자로는 F-18 플로라프로놀을 사용하고, 인체로 주입되는 방사성 추적자의 양은 최대 5ml의 용량으로 370MBq ± 10%의 단일 투여를 실시하며 이후 20ml의 식염수를 투여하였다. 이로부터 30분 후에 PET/CT 스캐너(Discovery 670, GE Healthcare)를 사용하여 3차원의 뇌 PET 영상을 획득하였다. For the selected subjects, F-18 Florapronol was used as a radioactive tracer, and the amount of radioactive tracer injected into the human body was 370 MBq ± 10% in a dose of up to 5 ml, and a single administration was performed, followed by 20 ml of saline. After 30 minutes, a 3D brain PET image was acquired using a PET/CT scanner (Discovery 670, GE Healthcare).
이 때 정확한 PET 영상을 획득하기 위해 선정된 대상자의 뇌 촬영 시 헤드 홀더와 고정 장비를 사용하여 대상자의 머리가 고정되도록 하였고, PET 데이터는 방사성 붕괴, 데드 타임, 측정된 감쇠 및 산란에 대해 수정되었으며, 반복 알고리즘을 사용하여 PET 영상이 재구성되었다. At this time, in order to obtain an accurate PET image, a head holder and fixing equipment were used to fix the subject's head during brain imaging of the selected subject, and the PET data was corrected for radioactive decay, dead time, measured attenuation and scattering. , PET images were reconstructed using an iterative algorithm.
도 5(a) 및 도 5(b)는 정상 대조군과 알츠하이머병 환자 간의 형상 특징을 산출하는 모습을 나타내는 도면이고, 그리고 도 6은 정상 대조군과 알츠하이머병 환자 간의 형상 특징의 범위를 나타낸 그래프이다. 5(a) and 5(b) are diagrams showing how shape features are calculated between a normal control group and an Alzheimer's disease patient, and FIG. 6 is a graph showing a range of shape features between a normal control group and an Alzheimer's disease patient.
도 5(a)는 알츠하이머병(AD) 환자의 경우이고, 도 5(b)는 정상 대조군 환자의 경우이다. Fig. 5(a) shows an Alzheimer's disease (AD) patient, and Fig. 5(b) shows a normal control patient.
도 5에서와 같이 획득부(110)가 PET 영상과 CT 영상을 획득하고 나면 전처리부(130)에서 U-net을 이용하여 CT 영상에서 회백질과 백질을 추출하고 뇌의 실질부위만을 분할하여 분할된 뇌 영상을 생성하였다.As shown in FIG. 5, after the
이후 산출부(150)가 PET 영상의 관심 영역 내에 축적된 베타 아밀로이드의 부피인 관심 영역의 부피(VOI)에 기초하여 상술한 수학식 1을 이용하여 대뇌 아밀로이드 평활화 점수(CASS)를 산출하고, 상술한 수학식 2를 이용하여 뇌 위축 지수(BAI)를 산출한 이후, 대뇌 아밀로이드 평활화 점수(CASS)와 뇌 위축 지수(BAI)를 곱하여 형상 특징을 산출하였다.Thereafter, the
이상의 과정을 통해 산출부(150)에서 산출된 결과로 알츠하이머병(AD) 환자의 대뇌 아밀로이드 평활화 점수(CASS)는 3872.0으로 높았고, 정상 대조군 환자의 대뇌 아밀로이드 평활화 점수(CASS)는 1623.6으로 상대적으로 낮았다. As a result calculated by the
그리고 뇌 위축 지수(BAI)는 알츠하이머병(AD) 환자의 경우 0.00009458이고, 정상 대조군의 경우 0.00010158로 산출되었으나, 도 5에 도시된 바와 같이 이상의 대뇌 아밀로이드 평활화 점수(CASS) 및 뇌 위축 지수(BAI)에 기초하여 최종 산출된 형상 특징은 알츠하이머병(AD) 환자가 0.37을 보인 반면 정상 대조군 환자의 형상 특징은 이보다 작은 0.16으로 나타났다. 따라서 뇌 위축이 있다고 하여 무조건 알츠하이머병에 해당한다고 판단하지 않고 대뇌 아밀로이드 평활화 점수(CASS) 및 뇌 위축 지수(BAI)를 종합적으로 고려하는 형상 특징을 산출하여 정확한 알츠하이머병의 판단이 가능하게 된다. 이때 대뇌 아밀로이드 평활화 점수(CASS)는 상술한 수학식 1에서와 같이 표준화된 흡수값(SUV, standardized uptake value) 평균의 6배를 임계값으로 사용한 경우이다. And the brain atrophy index (BAI) was calculated as 0.00009458 for Alzheimer's disease (AD) patients and 0.00010158 for normal controls, but as shown in FIG. 5, the cerebral amyloid smoothing score (CASS) and brain atrophy index (BAI) The final calculated shape feature based on the Alzheimer's disease (AD) patient showed 0.37, whereas the shape feature of normal control patients showed a smaller 0.16. Therefore, it is possible to accurately determine Alzheimer's disease by calculating shape features that comprehensively consider the cerebral amyloid smoothing score (CASS) and the brain atrophy index (BAI), rather than unconditionally determining that the presence of brain atrophy corresponds to Alzheimer's disease. In this case, the cerebral amyloid smoothing score (CASS) is a case where 6 times the average standardized uptake value (SUV) is used as a threshold value as in Equation 1 described above.
그리고 도 6에 도시된 바와 같이 형상 특징은 알츠하이머병(AD) 환자의 경우 0.27 ± 0.06이고, 정상 대조군 환자의 경우 0.20 ± 0.05인 것을 통해 알츠하이머병(AD) 환자의 형상 특징이 정상 대조군 환자에 비해 유의하게 높은 것을 알 수 있다. And, as shown in FIG. 6, the shape characteristics of Alzheimer's disease (AD) patients are 0.27 ± 0.06 in the case of Alzheimer's disease (AD) patients and 0.20 ± 0.05 in the case of normal control patients. It can be seen that it is significantly high.
이에 예측부(170)는 산출부(150)에서 산출된 형상 특징이 사전에 설정된 기준 점수를 초과하면 알츠하이머병(AD)을 앓고 있는 환자로부터 획득한 PET 영상이라고 예측할 수 있다.도 5를 예로 들면 기준점수는 수신자 조작 특성 곡선인 ROC(Receiver-operating characteristic) 0.24 ± 0.04의 범위일 수 있는데, 산출된 형상 특징이 도 5(a)에서와 같이 산출된 형상 특징이 0.37인 경우에는 알츠하이머병을 앓고 있는 환자로부터 획득한 PET 영상이라고 판단하고, 도 5(b)에서와 같이 산출된 형상 특징이 0.16인 경우에는 알츠하이머병을 앓고 있지 않은 환자로부터 획득한 PET 영상이라고 판단할 수 있다. Accordingly, the
한편 도 7은 민감도와 특이도에 따른 수신자 조작 특성 곡선을 나타낸 그래프, 그리고, 도 8은 간이 정신 상태 검사(MMSE, mini-mental state examination)와 형상 특징 간의 상관관계를 나타내는 그래프이고, 이하에서는 본 발명을 통해 산출된 형상 특징을 이용하여 알츠하이머병의 발병 여부를 진단 시, 진단에 대한 정확성 여부를 통계학적 분석을 통해 확인해보도록 한다.Meanwhile, FIG. 7 is a graph showing receiver operating characteristic curves according to sensitivity and specificity, and FIG. 8 is a graph showing the correlation between mini-mental state examination (MMSE) and shape features. When diagnosing the onset of Alzheimer's disease using the shape features calculated through the invention, whether or not the diagnosis is accurate is checked through statistical analysis.
연속 데이터는 평균(표준 편차)로 표시되고 범주형 데이터는 빈도로 표시된다. 이러한 연속 데이터의 분석은 독립 t 테스트(independent t test)를 사용하여 수행된다. Continuous data are presented as mean (standard deviation) and categorical data as frequency. Analysis of these continuous data is performed using an independent t test.
또한 앞서 산출된 대뇌 아밀로이드 평활화 점수(CASS)와 신경심리검사 간의 상관관계는 피어만의 순위 상관계수(Spearman's rank correlation coefficient)의 계산에 의해 평가되고, 형상 특징을 이용하여 알츠하이머병을 진단할 때, 진단의 정확도를 나타내는 수신자 조작 특성 곡선(ROC, Receiver-operating characteristic curves)은 최적의 차단값(cut-off)으로 결정된다. 이러한 통계학적 분석은 메디칼 소프트웨어(Medcalc software, Windows XP, version 12.3, Broekstraat, Mariakerke, Belgium)를 통해 수행될 수 있다. 이 때 0.05보다 낮은 P 값은 통계적으로 유효하다고 간주된다. In addition, the correlation between the previously calculated cerebral amyloid smoothing score (CASS) and the neuropsychological test is evaluated by calculating Spearman's rank correlation coefficient, and when diagnosing Alzheimer's disease using shape features, Receiver-operating characteristic curves (ROCs) representing the accuracy of diagnosis are determined with an optimal cut-off. This statistical analysis can be performed through Medcalc software (Windows XP, version 12.3, Broekstraat, Mariakerke, Belgium). In this case, a P value lower than 0.05 is considered statistically valid.
하기의 표 1은 33명의 알츠하이머 환자와 정상 대조군에 속하는 사람을 대상으로 하여 알츠하이머병의 진단에 대한 종래 기술과 본 발명간에 통계학적 특성을 나타낸 표이다. Table 1 below shows statistical characteristics between the prior art for diagnosis of Alzheimer's disease and the present invention in 33 Alzheimer's patients and normal controls.
(0.00001366)0.00008212
(0.00001366)
상기 표 1을 통해 확인할 수 있듯이, 정상 대조군의 대뇌 아밀로이드 평활화 점수(CASS)의 평균은 2479.3이고, 표준편차 478.5를 갖는 반면에 알츠하이머 환자의 대뇌 아밀로이드 평활화 점수(CASS)는 2990.0이고 표준편차 447.7의 범위를 갖는다. 또한 뇌 위축 지수(BAI) 역시 알츠하이머 환자가 정상 대조군보다 더 높은 수치를 갖는 것을 알 수 있다. 이러한 대뇌 아밀로이드 평활화 점수(CASS)에 뇌 위축 지수(BAI)를 곱하여 산출되는 형상 특징은 이상의 표 1과 도 6을 통해 형상 특징은 정상 대조군에 비해서 알츠하이머병 환자에서 상당히 높게 나타난다는 것을 알 수 있다. As can be seen from Table 1 above, the average cerebral amyloid smoothing score (CASS) of the normal control group was 2479.3 and had a standard deviation of 478.5, whereas the cerebral amyloid smoothing score (CASS) of the Alzheimer's disease patients was 2990.0 and had a standard deviation of 447.7. have In addition, it can be seen that the brain atrophy index (BAI) also has higher values in Alzheimer's patients than in normal controls. As for the shape features calculated by multiplying the cerebral amyloid smoothing score (CASS) by the brain atrophy index (BAI), it can be seen from Table 1 and FIG. 6 that the shape features are significantly higher in Alzheimer's disease patients than in normal controls.
또한, 도 7에 도시된 수신자 조작 특성 곡선을 분석하면 본 발명에서 연산한 대뇌 아밀로이드 평활화 점수(CASS)와 형상 특징(shape feature)이 알츠하이머병 진단에 얼마나 결정적인 영향을 미쳤는지 알 수 있다. In addition, by analyzing the receiver operating characteristic curve shown in FIG. 7, it can be seen how decisively the cerebral amyloid smoothing score (CASS) and shape features calculated in the present invention have a decisive effect on the diagnosis of Alzheimer's disease.
수신자 조작 특성 곡선(ROC curve)이란, 수신자의 탐지 민감도가 일정하게 고정된 상태에서 반응 편중에 따라 탐지 정확률과 헛경보 비율이 변하는 관계를 나타내는 곡선으로서 곡선의 휘어지는 정도는 탐지 민감도를 나타낸다. 세로축의 민감도(Sensitivity)는 실제 질병이 발병하였을 때, 진짜 발병하였다고 예측할 확률을 나타내고, 가로축의 특이도(Specificity)는 실제 질병이 발병하지 않았을 때, 진짜 발병하지 않았다고 예측할 확률을 나타낸다. 이러한 민감도와 특이도가 높을수록 예측률이 높다고 판단할 수 있다. 따라서, 상기 민감도와 특이도를 이용하여 작성되는 수신자 조작 특성 곡선은 임상적으로 질병의 유무에 대한 기준점이 알려져 있지 않은 주요 인자에 대하여, 서로 역관계인 민감도와 특이도를 최적화시키는 차단값을 찾아내는데 사용될 수 있다.The receiver operating characteristic curve (ROC curve) is a curve representing the relationship between the detection accuracy and the false alarm rate depending on the response bias in a state where the receiver's detection sensitivity is fixed, and the curvature of the curve represents the detection sensitivity. Sensitivity on the vertical axis represents the probability of predicting that the disease actually occurred when the disease actually occurred, and Specificity on the horizontal axis represents the probability of predicting that the disease did not occur when the disease did not actually occur. The higher the sensitivity and specificity, the higher the predictive rate. Therefore, the receiver operating characteristic curve created using the sensitivity and specificity finds a cut-off value that optimizes the sensitivity and specificity, which are inversely related to each other, for the main factor for which the reference point for the presence or absence of a disease is not known clinically. can be used
도 7을 통해서, 대뇌 아밀로이드 평활화 점수(CASS)용 최적의 차단값(민감도: 82.6, 특이도: 70.0, AUC (Area Under the ROC Curve): 0.794, P <0.001)인 2658.3은 수신자 조작 특성 곡선 분석을 사용하여 결정했다. 7, 2658.3, the optimal cut-off value (sensitivity: 82.6, specificity: 70.0, AUC (Area Under the ROC Curve): 0.794, P <0.001) for the cerebral amyloid smoothing score (CASS), was analyzed by the receiver operating characteristic curve. was determined using
또한, 형상 특징(shape feature)용 최적의 차단값(민감도 : 78.3, 특이도 80.0, P <0.001)인 0.238은 수신자 조작 특성 곡선 분석을 사용하여 결정했다. In addition, the optimal cutoff value (sensitivity: 78.3, specificity: 80.0, P <0.001) of 0.238 for shape features was determined using receiver operating characteristic curve analysis.
한편 대뇌 아밀로이드 평활화 점수(CASS)와 신경 심리학적 테스트간의 관계에 있어서도, 도 8을 통해 대뇌 아밀로이드 평활화 점수(CASS)와 간이 정신 상태 검사(MMSE) 간에 중요한 연관성이 관찰 (R-value= -0.41, P=0.0042)되는 것을 확인할 수 있다. Meanwhile, in the relationship between the cerebral amyloid smoothing score (CASS) and the neuropsychological test, a significant correlation was observed between the cerebral amyloid smoothing score (CASS) and the mini-mental state test (MMSE) through FIG. 8 (R-value = -0.41, P=0.0042) can be confirmed.
본 발명의 일 측면에 따르면, 환자의 뇌 속에 축적된 베타 아밀로이드를 PET 영상화하고, CT 영상으로부터 회백질과 백질 부위만을 추출하여 뇌의 실질부위만을 분할하여 생성하고, 분할된 뇌 영상에 기초하여 CT 영상으로부터 뇌 위축 지수를 산출하고 PET 영상으로부터 베타 아밀로이드에 대한 부피를 산출한 후, 이를 곱하여 형상 특징을 산출함으로써 알츠하이머병이 발병된 환자의 뇌를 촬영한 PET 영상이라고 정확하게 진단할 수 있는 효과가 있다.According to one aspect of the present invention, PET imaging of beta amyloid accumulated in the patient's brain, extracting only gray matter and white matter from the CT image, segmenting and generating only the parenchymal region of the brain, and generating a CT image based on the segmented brain image. After calculating the brain atrophy index from the PET image, calculating the volume of beta amyloid from the PET image, and then multiplying it to calculate the shape feature, there is an effect of accurately diagnosing the PET image of the brain of a patient with Alzheimer's disease.
본 발명의 다른 측면에 따르면, 베타 아밀로이드의 축적된 상태를 나타내는 PET 영상을 육안으로 판독하는 의사의 경험이 많고 적음 또는 숙련도 여부와 상관없이 객관적으로 PET 영상 및 CT 영상을 자동 정량화하여 분석함에 따라, 알츠하이머병의 진단에 대한 오진률을 감소시킬 수 있는 효과가 있다.According to another aspect of the present invention, by automatically quantifying and analyzing PET images and CT images objectively, regardless of whether a doctor has more or less experience or skill in visually reading PET images representing the accumulated state of beta amyloid, There is an effect that can reduce the misdiagnosis rate for the diagnosis of Alzheimer's disease.
본 발명에 따른 구성요소들은 물리적인 구분이 아니라 기능적인 구분에 의해서 정의되는 구성요소들로서 각각이 수행하는 기능들에 의해서 정의될 수 있다. 각각의 구성요소들은 하드웨어 또는 각각의 기능을 수행하는 프로그램 코드 및 프로세싱 유닛으로 구현될 수 있을 것이며, 두 개 이상의 구성요소의 기능이 하나의 구성요소에 포함되어 구현될 수도 있을 것이다. 따라서 이하의 실시예에서 구성요소에 부여되는 명칭은 각각의 구성요소를 물리적으로 구분하기 위한 것이 아니라 각각의 구성요소가 수행되는 대표적인 기능을 암시하기 위해서 부여된 것이며, 구성요소의 명칭에 의해서 본 발명의 기술적 사상이 한정되지 않는 것임에 유의하여야 한다.Components according to the present invention are components defined not by physical division but by functional division, and may be defined by the functions each performs. Each of the components may be implemented as hardware or program codes and processing units that perform respective functions, and the functions of two or more components may be implemented by being included in one component. Therefore, the names given to the components in the following embodiments are not to physically distinguish each component, but to imply the representative function performed by each component, and the names of the components indicate the present invention. It should be noted that the technical idea of is not limited.
그리고 PET/CT 영상의 자동 정량화를 이용한 알츠하이머병 예측 장치 (100)는 PET/CT 영상의 자동 정량화를 이용한 알츠하이머병 예측 방법을 수행하기 위한 소프트웨어(어플리케이션)가(이) 설치되어 실행될 수 있다.In addition, the
이와 같은 본 발명의 PET/CT 영상의 자동 정량화를 이용한 알츠하이머병 예측 방법은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. The method for predicting Alzheimer's disease using automatic quantification of PET/CT images according to the present invention can be implemented in the form of program instructions that can be executed through various computer components and recorded on a computer-readable recording medium. The computer readable recording medium may include program instructions, data files, data structures, etc. alone or in combination.
상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. Program instructions recorded on the computer-readable recording medium may be those specially designed and configured for the present invention, or those known and usable to those skilled in the art of computer software.
컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical recording media such as CD-ROMs and DVDs, and magneto-optical media such as floptical disks. media), and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.Examples of program instructions include high-level language codes that can be executed by a computer using an interpreter or the like as well as machine language codes such as those produced by a compiler. The hardware device may be configured to act as one or more software modules to perform processing according to the present invention and vice versa.
이상에서는 본 발명의 다양한 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 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.Although various 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 commonly used in the technical field to which the present invention pertains without departing from the gist of the present invention claimed in the claims. Of course, various modifications are possible by those with knowledge of, and these modifications should not be individually understood from the technical spirit or prospect of the present invention.
100 : 알츠하이머 예측 장치
110 : 획득부
130 : 전처리부
150 : 산출부
170 : 예측부 100: Alzheimer's prediction device 110: acquisition unit
130: pre-processing unit 150: calculation unit
170: prediction unit
Claims (10)
방사성 추적자가 인체에 주입된 환자의 뇌를 촬영한 PET/CT 영상을 PET/CT(Position Emission Tomography/Computer Tomography) 스캐너로부터 획득하는 단계;
상기 PET/CT 영상 중 CT 영상에 기초하여 뇌 영상을 분할(segmentation)하는 단계;
분할한 뇌 영상에 기초하여 상기 CT 영상으로부터 뇌 위축 지수(BAI, Brain atrophic Index)를 산출하는 단계;
상기 분할한 뇌 영상에 기초하여 상기 PET/CT 영상 중 PET 영상으로부터 대뇌 아밀로이드 평활화 점수(CASS, Cerebral amlyoid smoothing score)를 산출하는 단계;
상기 뇌 위축 지수(BAI) 및 상기 대뇌 아밀로이드 평활화 점수(CASS)에 기초하여 형상 특징을 산출하는 단계; 및
상기 형상 특징에 기초하여 알츠하이머병을 예측하는 단계를 포함하는, PET/CT 영상의 자동 정량화를 이용한 알츠하이머병 예측 방법.
In the Alzheimer's disease prediction method using automatic quantification of PET / CT images performed in the Alzheimer's disease prediction device,
Acquiring a PET/CT image of a patient's brain in which the radioactive tracer was injected into the human body from a Position Emission Tomography/Computer Tomography (PET/CT) scanner;
Segmenting a brain image based on a CT image among the PET/CT images;
Calculating a Brain Atrophic Index (BAI) from the CT image based on the segmented brain image;
Calculating a cerebral amyloid smoothing score (CASS) from a PET image among the PET/CT images based on the segmented brain image;
calculating a shape feature based on the brain atrophy index (BAI) and the cerebral amyloid smoothing score (CASS); and
A method for predicting Alzheimer's disease using automatic quantification of PET/CT images, comprising predicting Alzheimer's disease based on the shape features.
상기 분할하는 단계에서는,
딥 러닝에 기초하여 상기 CT 영상으로부터 회백질 및 백질을 추출하여 상기 뇌의 실질부위만을 분할하는 것을 특징으로 하는, PET/CT 영상의 자동 정량화를 이용한 알츠하이머병 예측 방법.According to claim 1,
In the dividing step,
A method for predicting Alzheimer's disease using automatic quantification of PET/CT images, characterized in that gray matter and white matter are extracted from the CT images based on deep learning and segmented only in the parenchymal region of the brain.
상기 대뇌 아밀로이드 평활화 점수를 산출하는 단계에서는,
상기 PET 영상의 관심 영역 내에 축적된 베타 아밀로이드의 부피인 관심 영역의 부피(VOI)에 기초하여 상기 대뇌 아밀로이드 평활화 점수를 산출하는 것을 특징으로 하는, PET/CT 영상의 자동 정량화를 이용한 알츠하이머병 예측 방법.According to claim 2,
In the step of calculating the cerebral amyloid smoothing score,
A method for predicting Alzheimer's disease using automatic quantification of PET/CT images, characterized in that the cerebral amyloid smoothing score is calculated based on the volume of beta amyloid accumulated in the region of interest of the PET image (VOI). .
상기 PET 영상의 관심 영역은,
상기 분할하는 단계에서 추출된 회백질 및 백질부위를 합친 영역이고,
상기 대뇌 아밀로이드 평활화 점수(CASS)는,
상기 관심 영역의 표준화된 흡수값(SUV) 평균의 일정 배수(倍數)의 부피를 갖는 구면적을 상기 관심 영역의 표준화된 흡수값(SUV, standardized uptake value) 평균의 일정 배수(倍數)의 부피를 갖는 표면적으로 나누어 산출되는 것을 특징으로 하는, PET/CT 영상의 자동 정량화를 이용한 알츠하이머병 예측 방법.According to claim 3,
The region of interest of the PET image is
It is a combined region of gray matter and white matter extracted in the segmenting step,
The cerebral amyloid smoothing score (CASS) is
A spherical area having a volume that is a constant multiple of the average standardized absorption value (SUV) of the region of interest is obtained by calculating a volume that is a constant multiple of the average standardized absorption value (SUV) of the region of interest. A method for predicting Alzheimer's disease using automatic quantification of PET/CT images, characterized in that it is calculated by dividing the surface area with
상기 뇌 위축 지수(BAI)는,
상기 분할한 뇌의 표면적을 상기 분할한 뇌와 동일한 체적을 갖는 구(sphere)의 표면적으로 나누어 산출되는 것을 특징으로 하는, PET/CT 영상의 자동 정량화를 이용한 알츠하이머병 예측 방법.According to claim 2,
The brain atrophy index (BAI) is,
A method for predicting Alzheimer's disease using automatic quantification of PET/CT images, characterized in that the surface area of the divided brain is calculated by dividing the surface area of the divided brain by the surface area of a sphere having the same volume as the divided brain.
상기 형상 특징은,
상기 대뇌 아밀로이드 평활화 점수(CASS) 및 상기 뇌 위축 지수(BAI)를 곱하여 산출되는 것을 특징으로 하는, PET/CT 영상의 자동 정량화를 이용한 알츠하이머병 예측 방법.According to claim 1,
The shape feature is
Characterized in that it is calculated by multiplying the cerebral amyloid smoothing score (CASS) and the brain atrophy index (BAI), Alzheimer's disease prediction method using automatic quantification of PET / CT images.
상기 방사성 추적자는
상기 환자의 체내로 주입된 후 상기 환자의 뇌 속에 존재하는 베타-아밀로이드 플라크(beta amyloid plaque)와 결합하여 상기 환자의 뇌 속에 존재하는 베타 아밀로이드를 PET 영상화하는 물질인 것을 특징으로 하는, PET/CT 영상의 자동 정량화를 이용한 알츠하이머병 예측 방법.According to claim 1,
The radioactive tracer
After being injected into the patient's body, PET/CT material is combined with the beta amyloid plaque present in the patient's brain to perform PET imaging of the beta amyloid present in the patient's brain. A method for predicting Alzheimer's disease using automatic quantification of images.
상기 방사성 추적자는,
F-18 플로라프로놀(F-18 florapronol)인 것을 특징으로 하는, PET/CT 영상의 자동 정량화를 이용한 알츠하이머병 예측 방법.According to claim 7,
The radioactive tracer,
A method for predicting Alzheimer's disease using automatic quantification of PET/CT images, characterized by F-18 florapronol.
상기 PET/CT 영상 중 CT 영상에 기초하여 뇌의 실질부위만을 분할(segmentation)하는 전처리부;
분할한 뇌 영상에 기초하여 상기 CT 영상으로부터 뇌 위축 지수(BAI, Brain atrophic Index)를 산출하고, 상기 분할한 뇌 영상에 기초하여 상기 PET/CT 영상 중 PET 영상으로부터 대뇌 아밀로이드 평활화 점수(CASS, Cerebral amlyoid smoothing score)를 산출하고, 상기 뇌 위축 지수(BAI) 및 상기 대뇌 아밀로이드 평활화 점수(CASS)에 기초하여 형상 특징을 산출하는 산출부; 및
상기 형상 특징에 기초하여 알츠하이머병을 예측하는 예측부를 포함하는 알츠하이머병 예측 장치. an acquisition unit for obtaining a PET/CT image of a brain of a patient in which a radioactive tracer has been injected into the human body from a position emission tomography/computer tomography (PET/CT) scanner;
a pre-processing unit for segmenting only the parenchymal region of the brain based on the CT image among the PET/CT images;
Based on the segmented brain image, a Brain Atrophic Index (BAI) is calculated from the CT image, and a cerebral amyloid smoothing score (CASS, Cerebral a calculation unit for calculating a brain atrophy index (BAI) and a shape feature based on the cerebral amyloid smoothing score (CASS); and
An Alzheimer's disease prediction device comprising a predictor for predicting Alzheimer's disease based on the shape feature.
상기 전처리부는,
딥 러닝에 기초하여 상기 CT 영상으로부터 회백질 및 백질을 추출하여 뇌의 실질부위만을 분할하는 것을 특징으로 하는, 알츠하이머병 예측 장치.
According to claim 9,
The pre-processing unit,
An apparatus for predicting Alzheimer's disease, characterized in that only the parenchymal region of the brain is segmented by extracting gray matter and white matter from the CT image based on deep learning.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210140118A KR20230056825A (en) | 2021-10-20 | 2021-10-20 | Alzheimer's disease prediction method using automatic quantification of pet/ct images and apparatus for predicting alzheimer's disease performing the same |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210140118A KR20230056825A (en) | 2021-10-20 | 2021-10-20 | Alzheimer's disease prediction method using automatic quantification of pet/ct images and apparatus for predicting alzheimer's disease performing the same |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230056825A true KR20230056825A (en) | 2023-04-28 |
Family
ID=86143105
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210140118A KR20230056825A (en) | 2021-10-20 | 2021-10-20 | Alzheimer's disease prediction method using automatic quantification of pet/ct images and apparatus for predicting alzheimer's disease performing the same |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230056825A (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102627874B1 (en) * | 2023-10-20 | 2024-01-23 | 주식회사 뉴큐어엠 | Method and system for quantitative analysis of brain imaging based on ct images |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101469275B1 (en) | 2007-06-01 | 2014-12-08 | 재단법인서울대학교산학협력재단 | Heterocyclic indene derivatives and their radioisotope labeled compounds for imaging β-amyloid deposition |
-
2021
- 2021-10-20 KR KR1020210140118A patent/KR20230056825A/en unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101469275B1 (en) | 2007-06-01 | 2014-12-08 | 재단법인서울대학교산학협력재단 | Heterocyclic indene derivatives and their radioisotope labeled compounds for imaging β-amyloid deposition |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102627874B1 (en) * | 2023-10-20 | 2024-01-23 | 주식회사 뉴큐어엠 | Method and system for quantitative analysis of brain imaging based on ct images |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101757646B1 (en) | Image analysis system using beta-amyloid PET image and operating method using the same | |
| KR102215119B1 (en) | Method, program and computing device for predicting alzheimer's disease by quantifying brain features | |
| CN102473302B (en) | For the anatomical structure modeling of tumor of interest region definition | |
| US8467856B2 (en) | Anatomy modeling for tumor region of interest definition | |
| KR101919866B1 (en) | Method for aiding determination of presence of bone metastasis from bone scan image and apparatus using the same | |
| US20050244036A1 (en) | Method and apparatus for evaluating regional changes in three-dimensional tomographic images | |
| Ikari et al. | Phantom criteria for qualification of brain FDG and amyloid PET across different cameras | |
| Cho et al. | A new Centiloid method for 18 F-florbetaben and 18 F-flutemetamol PET without conversion to PiB | |
| US9332954B2 (en) | Systems and methods for evaluating a brain scan | |
| Choi et al. | Automated quantification of amyloid positron emission tomography: a comparison of PMOD and MIMneuro | |
| KR102414974B1 (en) | Apparatus for diagnosis alzheimer's disease using PET-CT image and method for operationg the same | |
| Braeuning et al. | 11C-methionine PET/CT after in conclusive 99mTc-MIBI-SPECT/CT for localisation of parathyroid adenomas in primary hyperparathyroidism | |
| JP4025524B2 (en) | Inter-image difference correction method for brain function images under different conditions | |
| KR20230056825A (en) | Alzheimer's disease prediction method using automatic quantification of pet/ct images and apparatus for predicting alzheimer's disease performing the same | |
| KR20210085791A (en) | Medical image analysis system and similar case retrieval system using quantified parameters, and method for the same | |
| Simanek et al. | The benefit of personalized hybrid SPECT/CT pulmonary imaging | |
| US10357217B2 (en) | Method for positron emission tomography (PET) imaging analysis for classifying and diagnosing of neurological diseases | |
| Wang et al. | Parametric estimation of reference signal intensity in the quantification of amyloid-beta deposition: an 18F-AV-45 study | |
| Dondi et al. | Myocardial SPECT: what do we gain from attenuation correction (and when)? | |
| KR102461893B1 (en) | Pet image medium-term data prediction apparatus based on least squares method for determining brain disease, and method thereof | |
| Kang et al. | Enlarged perivascular spaces are associated with decreased brain tau deposition | |
| Harris et al. | Objective analysis of whole lung and lobar ventilation/perfusion relationships in pulmonary embolism | |
| Burns | Cranial computerised tomography in dementia of the Alzheimer type | |
| Perani et al. | The need for “objective measurements” in FDG and amyloid PET neuroimaging | |
| Hägerström et al. | A new automated method for analysis of rCBF‐SPECT images based on the active‐shape algorithm: normal values |