KR20230070433A - 신경망 기반의 다중 특징 값을 통한 적혈구 용적의 예측 및 이를 통한 ecv 생성 방법 - Google Patents
신경망 기반의 다중 특징 값을 통한 적혈구 용적의 예측 및 이를 통한 ecv 생성 방법 Download PDFInfo
- Publication number
- KR20230070433A KR20230070433A KR1020230061790A KR20230061790A KR20230070433A KR 20230070433 A KR20230070433 A KR 20230070433A KR 1020230061790 A KR1020230061790 A KR 1020230061790A KR 20230061790 A KR20230061790 A KR 20230061790A KR 20230070433 A KR20230070433 A KR 20230070433A
- Authority
- KR
- South Korea
- Prior art keywords
- value
- blood
- neural network
- myocardial
- hematocrit
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 55
- 238000005534 hematocrit Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000008280 blood Substances 0.000 claims abstract description 55
- 210000004369 blood Anatomy 0.000 claims abstract description 54
- 238000011084 recovery Methods 0.000 claims abstract description 30
- 230000002107 myocardial effect Effects 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 210000003743 erythrocyte Anatomy 0.000 claims description 29
- 238000003745 diagnosis Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 5
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 20
- 238000002347 injection Methods 0.000 description 13
- 239000007924 injection Substances 0.000 description 13
- 239000002872 contrast media Substances 0.000 description 11
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 210000001519 tissue Anatomy 0.000 description 8
- 210000005003 heart tissue Anatomy 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000002075 inversion recovery Methods 0.000 description 4
- 230000005415 magnetization Effects 0.000 description 4
- 125000004429 atom Chemical group 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 210000004165 myocardium Anatomy 0.000 description 3
- 206010028594 Myocardial fibrosis Diseases 0.000 description 2
- 238000004820 blood count Methods 0.000 description 2
- 238000010241 blood sampling Methods 0.000 description 2
- 238000009534 blood test Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 208000031229 Cardiomyopathies Diseases 0.000 description 1
- 206010016654 Fibrosis Diseases 0.000 description 1
- 208000021908 Myocardial disease Diseases 0.000 description 1
- 208000026062 Tissue disease Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004761 fibrosis Effects 0.000 description 1
- 230000003176 fibrotic effect Effects 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—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
- A61B5/0033—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
- A61B5/0044—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 heart
-
- 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- High Energy & Nuclear Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Cardiology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Databases & Information Systems (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
Abstract
본 발명은 신경망 기반의 다중 특징 값을 통한 적혈구 용적의 예측 방법으로, T1 맵 내 심장의 심근 T1 값 및 혈액 T1 값을 추출하는 단계; 및 T1 값으로부터 혈액 내 적혈구 용적(Blood hematocrit)을 예측하도록 학습된 신경망을 이용하여 상기 신경망 내 일 노드로 입력된 상기 심근 T1 값 및 혈액 T1 값에 대하여 상기 노드 간의 연결 강도를 학습한 가중치에 따른 상기 심근 T1 값 및 혈액 T1 값의 가중 연산 결과로 예상 적혈구 용적을 출력하는 단계를 포함하고, 상기 신경망은, 상기 다중 특징 값으로, 혈액 영역 내 양성자의 시간에 따른 회복률을 곡선으로 커브 피팅하여 산출된 상기 혈액 T1 값 및, 상기 심근 영역 내 상기 양성자의 상기 커브 피팅으로 산출된 T1 값을 상기 커브 피팅에 이용된 적어도 하나의 파라미터로 보정한 상기 심근 T1 값과 상기 적혈구 용적 간의 상관관계를 가중치로 학습한 것을 특징으로 한다. 본 발명에 따르면 비침습 기반으로 적혈구 용적을 산출하여 진단 과정을 간소화할 수 있으며 진단의 신뢰도를 높일 수 있다.
Description
본 발명은 심근 질환을 판단하기 위한 ECV 맵의 생성 방법에 관한 것으로, 신경망을 이용하여 비침습 기반의 ECV 맵의 생성을 위한 것이다.
다양한 분자영상기술(molecular imaging techniques) 중에서 자기공명영상(magnetic resonance imaging; MRI)은 조직 주변(lattice)을 둘러싸고 있는 분자들과 수소원자(proton) 간의 상호작용(interaction)에 기반하여 매우 우수한 해부학적 영상을 제공해 줄 수 있기 때문에 가장 강력하고 비-침습적인 진단 수단중의 하나로 여겨지고 있다.
최근의 자기공명영상은 기존의 해부학적 단층 영상 뿐 아니라 생체 물리량을 정량적으로 측정할 수 있도록 영상기술들이 개발되고 있다. MRI에서 측정할 수 있는 생체 물리량은 인체 조직에서의 고주파 펄스에 따른 수소 원자의 자기회복 시간, 혈류속도, 확산, 관류 등이 대표적이며 비침습적으로 안전하고 정확하게 측정이 가능하다.
이 중 자기회복의 성분 별 특징 통해 조직간의 대조도를 만들 수 있는데 이러한 회복 시간의 차이는 분자수준에서 조직의 질병을 정량적으로 평가할 수 있는 생체 물리량으로서 적극 활용되고 있다.
또한, 이때의 물리량의 차이에 추가적인 특징을 반영하여 다양화 함으로써 각 질병에 특화된 영상을 생성하는 것도 가능하다.
특히, 최근에는 반전 자화 후 종축 방향의 회복 시간을 정의하는 T1 시간의 조영제의 주입 전후에 따른 값과 혈액 내 적혈구 용적(hematocrit)을 이용하여 ECV(Extracellular volume index) 지표를 산출하여 심장의 섬유화에 따른 각종 질병등을 예측하도록 하고 있다.
하지만 이때 이용되는 적혈구 용적의 정확한 판단을 위해서는 MRI 촬영 외에 추가적인 혈액 검사가 요구되며 따라서 비침습 기반의 진단을 보조하기 위해 침습 검사가 필요하다는 단점이 있다.
또한, 혈액 검사의 시기도 ECV 지표에 영향을 미칠 수 있는데 외래 방문 환자의 경우 MRI 촬영과 혈액 채취에 시간 차이가 발생할 수 있으며 따라서 이러한 문제점을 보완할 필요가 있다.
이상 본 발명에 따른 ECV 맵 생성 방법은 비침습 기반의 지표 산출 방법을 제안하는 것을 목적으로 한다.
또한, 본 발명은 신경망을 이용하여 MRI 촬영으로 생성된 값을 이용하여 혈액 내 특징을 예측할 수 있는 방법을 제안하는 것을 목적으로 한다.
또한, 본 발명은 MRI 촬영 및 환자의 특징 정보를 통해 보다 정확한 혈액내 특징을 예측하고 이를 통해 보다 정확한 ECV 맵을 생성하는 방법을 제안하는 것을 목적으로 한다.
상기 기술적 과제를 해결하기 위한 본 발명의 일 실시예에 따른 신경망을 통한 적혈구 용적 예측 기반 ECV 맵 생성 방법은 RF(Radio Frequency) 펄스로 반전된 심장 조직 내 양성자의 기준 회복률에 따른 회복 시간을 2차원 공간 내 픽셀 단위로 매핑하여 생성된 T1 맵을 획득하는 단계; 상기 T1 맵 내 혈액 T1 값을 추출하는 단계; T1 값으로 부터 혈액 내 적혈구 용적(Blood hematocrit)을 예측하도록 학습된 신경망을 이용하여 상기 추출된 혈액 T1 값에 따른 예상 적혈구 용적을 출력하는 단계; 및 상기 출력된 예상 적혈구 용적을 T1 맵의 조절 변수로 이용하여 ECV(Extracellular volume index) 맵을 생성하는 단계를 포함한다.
상기 T1 맵 내 심장의 심근 T1 값을 추출하는 단계를 더 포함하고, 상기 신경망은 상기 혈액 T1 값 및 심근 T1 값과 상기 적혈구 용적 간의 상관관계를 학습한 것이 바람직하다.
상기 혈액 및 심근 T1 값은 조영제 투입 전의 네이티브(Native) T1 맵으로부터 추출된 제1 T1 값 및 투입 후의 포스트(Post) T1 맵으로부터 추출된 제2 T1 값을 포함하는 것이 바람직하다.
상기 혈액 T1 값은 상기 심장 조직 내 반전된 양성자의 회복 과정을 임의의 시간 간격으로 복수 촬영하여 획득된 이미지를 이용하여 심장 조직의 회복 시간을 픽셀을 단위로 정규화된 곡선으로 피팅하고, 상기 곡선으로부터 기준 회복률에 따른 회복 시간을 산출하여 생성된 T1 맵으로부터 추출되는 것이 바람직하다.
상기 심근 T1 값은 상기 T1 맵 내 심근 영역의 T1 값을 상기 곡선을 정의하는 파라미터를 이용하여 보정된 T1 값인 것이 바람직하다.
환자의 성별 및 나이를 포함하는 정량화된 환자 정보를 입력 받는 단계를 더 포함하고, 상기 신경망은 상기 T1 값 및 상기 환자 정보와 상기 적혈구 용적 간의 상관관계를 학습하는 것이 바람직하다.
상기 기술적 과제를 해결하기 위한 본 발명의 일 실시예에 따른 신경망을 통한 적혈구 용적 예측 기반 ECV 맵 생성 장치는 RF 펄스로 반전된 심장 조직 내 양성자의 기준 회복률에 따른 회복 시간을 2차원 공간 내 픽셀 단위로 매핑하여 T1 맵을 생성하는 T1 맵 생성부; 상기 T1 맵 내 혈액 T1 값을 추출하고, T1 값으로 부터 혈액 내 적혈구 용적을 예측하도록 학습된 신경망을 이용하여 상기 추출된 혈액 T1 값에 따른 예상 적혈구 용적을 출력하는 수치 예측부; 및 상기 출력된 예상 적혈구 용적을 T1 맵의 조절 변수로 이용하여 ECV 맵을 생성하는 ECV 맵 생성부를 포함한다.
상기 생성된 ECV 맵을 이용하여 심근 섬유 정도를 진단하는 진단부를 더 포함한다.
상기 T1 맵 내 심장의 심근 T1 값을 추출하는 단계를 더 포함하고, 상기 신경망은 상기 혈액 T1 값 및 심근 T1 값과 상기 적혈구 용적 간의 상관관계를 학습한 것이 바람직하다.
상기 혈액 및 심근 T1 값은 조영제 투입 전의 네이티브(Native) T1 맵으로부터 추출된 제1 T1 값 및 투입 후의 포스트(Post) T1 맵으로부터 추출된 제2 T1 값을 포함한다.
본 발명에 따르면 비침습 기반으로 ECV 지표를 산출함으로써 환자의 불편을 최소화할 수 있다.
또한, 본 발명은 신경망을 이용하여 MRI 촬영 결과 및 환자의 특징 정보만으로 정확한 혈액내 특징을 예측함으로써 진단 과정을 간소화할 수 있으며 진단의 신뢰도를 높일 수 있다.
도 1은 본 발명의 일 실시예에 따른 ECV 맵 생성 시스템을 개략적으로 도시하는 도이다.
도 2는 본 발명의 일 실시예에 따른 ECV 맵 생성 방법의 흐름을 도시하는 도이다.
도 3은 본 발명의 일 실시예에 따른 ECV 맵 생성 방법에 이용되는 T1 맵을 예시하는 도이다.
도 4 내지 5는 본 발명의 일 실시예에 따른 적혈구 용적을 예측하기 위한 신경망의 구조를 예시하는 도이다.
도 6은 본 발명의 일 실시예에 따른 적혈구 용적을 예측하기 위한 신경망의 입력 파라미터들의 중요도를 예시하는 도이다.
도 7은 본 발명의 일 실시예에 따른 적혈구 용적을 예측하기 위한 신경망의 구조를 예시하는 도이다.
도 8은 본 발명의 일 실시예에 따른 적혈구 용적을 예측하기 위한 T1 맵의 생성을 예시하는 도이다.
도 9는 본 발명의 일 실시예에 따른 ECV 생성 장치의 구성을 예시하는 도이다.
도 2는 본 발명의 일 실시예에 따른 ECV 맵 생성 방법의 흐름을 도시하는 도이다.
도 3은 본 발명의 일 실시예에 따른 ECV 맵 생성 방법에 이용되는 T1 맵을 예시하는 도이다.
도 4 내지 5는 본 발명의 일 실시예에 따른 적혈구 용적을 예측하기 위한 신경망의 구조를 예시하는 도이다.
도 6은 본 발명의 일 실시예에 따른 적혈구 용적을 예측하기 위한 신경망의 입력 파라미터들의 중요도를 예시하는 도이다.
도 7은 본 발명의 일 실시예에 따른 적혈구 용적을 예측하기 위한 신경망의 구조를 예시하는 도이다.
도 8은 본 발명의 일 실시예에 따른 적혈구 용적을 예측하기 위한 T1 맵의 생성을 예시하는 도이다.
도 9는 본 발명의 일 실시예에 따른 ECV 생성 장치의 구성을 예시하는 도이다.
이하의 내용은 단지 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시 되지 않았지만 발명의 원리를 구현하고 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시 예들은 원칙적으로, 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이외같이 특별히 열거된 실시 예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.
상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.
또한, 발명을 설명함에 있어서 발명과 관련된 공지 기술에 대한 구체적인 설명이 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다. 이하에는 첨부한 도면을 참조하여 본 발명의 바람직한 실시 예에 대해 상세하게 설명한다.
먼저 MRI는 자기장에 의해 종축자화된 원자를 반전회복 RF 펄스를 사용하여 반전시킨 이후 지수곡선 형태로 회복되는 회복 과정상의 성분을 구분하여 성분에 따른 회복 시간을 산출할 수 있다. 피검체로부터 발생되는 신호를 k 공간(k - space)에서 스캔하여 MRI 신호를 획득하고, 위 획득한 MRI 신호를 변환하여 MRI 영상을 획득한다.
구체적으로 자기회복의 성분 별 특징을, 가해지는 RF(Radio Frequency) 펄스에 대한 변수로 예를 들어 TR(Time to repetition), TE(Time to echo))를 조절하는 것을 통해 강조할 수 있다.
이때, TR은 RF 펄스의 반복 시간을 말한다. TR은 공명 신호를 얻기 위해 사용되는 RF 펄스를 생성하는 시간 간격을 말하고, 주로 종축 완화(longitudinal relaxation, 스핀-격자(Spin-Lattice))량을 결정한다.
TE는 신호 발생 시간으로 RF 펄스를 출력한 뒤 에코 신호를 얻기까지의 시간을 말한다. TE는 횡축 평면 상으로 회복되는 스핀의 분산(탈위상)의 정도(스핀-스핀(Spin-Spin))를 결정한다.
이때, T1은 RF 펄스가 주입된 후 반전된 이후 처음 상태의 63%의 평균자화가 종축 방향으로 형성될 때까지의 시간을 T1이완 시간으로 정의된다.
T2는 횡축 평면의 평균자화가 탈위상(Dephasing)에 의해 처음의 37%까지 감소하는데 걸리는 시간으로 정의된다.
즉, 이상의 시간을 RF 펄스의 TR과 TE를 다양하게 하여 측정함으로써 T1 강조(Weighted) 이미지 또는 T2 강조 이미지를 생성할 수 있다.
구체적으로 본 발명에서는 확산성 심근 섬유증의 정량적 분석에 유용한 ECV 맵의 생성을 위하여 T1 이미지를 이용하되, 조절 변수로 이용되는 적혈구 용적을 신경망을 이용하여 예측하는 방법을 제안한다.
이하, 도 1을 참조하여 보다 상세히 설명한다.
도 1을 참조하면, 본 실시예에 따른 신경망을 통한 적혈구 수치 예측 기반 ECV 맵 생성 방법을 수행하는 ECV 맵 생성 장치(100)는 MRI 장치(1000)와 연동되어 구성될 수 있다.
MRI 장치(1000)는 상술한 바와 같이 자기장과 RF 펄스를 인체에 주입하고, 수소 원자의 자화 및 회복 과정의 특징을 추출하고, 회복 과정에서 수신되는 신호를 MRI 이미지로 생성함으로 써 비침습 영상 획득 및 진단이 가능하도록 한다.
이때, ECV 맵 생성 장치(100)는 T1 맵 생성부와 수치 예측부 및 ECV 맵 생성부로 구성될 수 있다.
즉, T1 맵 생성부는 자기장에 의해 종축자화된 원자를 반전회복 RF 펄스를 사용하여 반전시킨 이후 지수곡선 형태로 회복되는 스핀-격자 회복 과정상의 회복률에 따른 T1 회복 시간을 산출할 수 있다. 즉 피검체로부터 발생되는 T1 값을 상술한 바와 같이 k 공간에 투영함으로써 픽셀 단위로 매핑된 T1 맵을 생성할 수 있다.
다음, ECV 맵의 계산을 위해서는 조영제 투입 전 심장의 네이티브(Native) T1 맵과 함께 조영제 투입 후의 포스트(Post) T1 맵이 필요하다.
따라서 T1 맵 생성부는 조영제 투입 후의 T1 시간을 측정하여 포스트 T1 맵을 추가적으로 생성한다.
나아가, ECV 맵의 생성을 위해서는 적혈구 용적(blood hematocrit) 값이 필요한데, 적혈구 용적은 전체 혈액에서 적혈구가 차지하는 비율로써, 혈액 샘플을 채취하여 측정하는 것이 기존의 방법이다.
하지만 기존의 방법은 시간이 소요되며, 침습 적인 방법으로 환자의 불편함을 가중시키며, 측정 시간과 MRI 촬영 시간 간의 차이에 따라 ECV 맵 상에 오차가 발생할 수 있으며 이는 오진단을 초래할 수 있다.
즉, ECV 산출을 위한 혈액 샘플링은 MRI 촬영 직전에 측정하는 것이 가장 정확하고, 그렇지 않을 경우 24시간 이내에 측정하는 것을 추천하고 있으나, 환자의 입원 상황이나 병원 방문 상태에 따라 영향을 받게 된다.
따라서, 본 실시예에서 수치 예측부는 혈액의 샘플링 단계를 생략함으로써 촬영된 MRI 결과 만으로 ECV 맵의 생성을 위한 적혈구 용적을 신경망을 통해 예측하고자 한다.
ECV 맵 생성부는 수치 예측부에서 예측된 적혈구 용적을 이용하여 ECV 맵을 생성한다.
이하, 도 2를 참조하여 본 실시예에 따른 신경망을 통한 적혈구 수치 예측 기반 ECV 맵 생성 방법에 대하여 보다 상세히 설명한다.
먼저, RF 펄스로 반전된 심장 조직 내 양성자의 기준 회복률에 따른 회복 시간을 2차원 공간 내 픽셀 단위로 매핑하여 생성된 T1 맵을 획득한다(S100).
구체적으로 본 실시예에서는 조영제 투입 전의 심장에 대한 T1 맵과 투입 후의 T1 맵을 획득할 수 있다.
도 3을 참조하면, 조영제 투입 전(A. 네이티브 T1)과 후(B. 포스트 T1)의 심장 내 조직들의 T1 시간은 서로 다른 값으로 출력되며 이를 이용하여 적혈구 용적을 예측하고, ECV 지표를 산출함으로써 ECV 맵을 생성한다.
구체적으로 ECV 지표는 아래의 수학식으로 산출될 수 있다.
[수학식 1]
(이때, Hematocrit=적혈구 용적, T1myo-post=심근 포스트 T1 시간, T1myo-pre=심근 네이티브 T1 시간, T1blood-post=혈액 포스트 T1 시간, T1blood-pre=혈액 네이티브 T1 시간임)
따라서, 조영제 투입 전과 후의 T1 맵 내 혈액 T1 값과 심근 T1 값을 추출한다(S200).
이어서, 추출된 T1 값으로 부터 혈액 내 적혈구 용적을 예측하도록 학습된 신경망을 이용하여 상기 추출된 혈액 T1 값에 따른 예상 적혈구 용적을 출력한다(S300).
구체적으로 본 실시예에 따른 신경망에 대하여 이하 도면을 참조하여 보다 상세히 설명한다.
먼저 도 4를 참조하면, 본 실시예에 따른 신경망(200)은 혈액 T1 값 및 정량화된 환자 정보 값으로 구성된 입력 변수(210)와 상기 적혈구 용적(220) 간의 상관관계를 학습할 수 있다.
신경망(200) 내 입력과 출력층 사이에 형성된 각각의 노드는 상호 연결되며, 연결의 강도를 학습하여 갱신함으로 써 신경망은 적혈구 용적에 영향을 미치는 특징 값들을 추출할 수 있다.
구체적으로 연결 강도는 가중치(W)와 편향(B)으로 정의될 수 있으며, 특정 노드의 입력 값 x에 대하여 y=Wx+b 와 같은 연산을 통해 출력값을 다음 노드로 전달할 수 있으며 최종 출력된 신경망의 출력은 실제 값(Ground_truth)과의 차이에 따른 오차를 역전파함으로써 가중치 또는 편향을 갱신하도록 한다.
이상의 과정을 수행하면 신경망(200)은 환자 정보와 T1 값으로부터 적혈구 용적 값을 예측하도록 학습된다.
또한, 구체적으로 적혈구 예측을 위한 입력 값(210)은 심장의 해부학적 구분에 따른 값 및 환자의 성별이나 나이와 같은 신상 정보를 포함하여 구성될 수 있다.
도 5를 참조하면, 본 실시예에 따른 신경망(200)은 입력 데이터(210)로 연령, 성별, 네이티브 T1, 포스트 T1, 네이티브 혈액 T1, 포스트 혈액 T1, T2 및 좌심실의 EF(Ejection fraction)를 이용할 수 있다.
또한, T1은 심장의 세부 조직을 구분하는 표준화된 기준(예를 들어, 미국심장협회(AHA) 모델)에 따라 16가지 영역으로 구분하고, 구분된 영역의 T1 값을 입력으로 이용할 수 있다.
또한, 혈액 또는 심근 T1의 경우는 심장을 세가지 높이 단위로 구분하여 하단(base), 중단(mid), 상단(apex))에 대한 각 T1 맵에 대하여 추출될 수 있다.
이상의 입력 값 중 적혈구 용적에 영향을 미치는 값들은 상술한 바와 같이 신경망의 학습에 따라 강조될 수 있으며 이를 통해 신경망은 보다 정확한 적혈구 용적을 예측할 수 있다.
도 6을 참조하면, 신경망의 학습 결과 적혈구 용적에 영향을 미치는 중요 변수로는 상단 이미지(NT1_B3), 중단(NT1_B2) 및 하단(NT1_B1)의 혈액 T1과 성별 및 연령이 가장 중요한 것으로 판단되었다. 따라서, 이러한 값들을 입력으로 연산되는 신경망의 노드는 보다 강조된 출력을 다음 노드로 전달한다.
예를 들어, 신경망내 노드의 가중치는 네이티브 혈액 T1의 경우 상단 T1 맵 상의 혈액 T1 값, 하단 T1 맵 상의 혈액 T1 값, 중단 T1 맵 상의 혈액 T1 값 순으로 높게 결정될 수 있다.
또한, 상술한 신경망(200')은 테이블화된 입력 값을 이용하는 것으로 예시되나 추가적으로 신경망 자체가 복수의 T1 맵(210')을 입력으로 직접 적혈구 용적(220)을 출력하도록 학습될 수 있다.
즉, T1 맵 내 픽셀의 값들을 직접 인식함으로써 혈액 T1, 심장의 세부 조직의 T1 값을 맵 상에서 추출하고 이를 통해 적혈구 용적 값을 추출하도록 학습될 수 있다.
도 7을 참조하면, 본 실시예에서 신경망(200')은 CNN(Convolution Neural Network) 형태로 구현될 수 있다. 즉, 입력 레이어로 입력된 이미지에 대하여 컨볼루션 연산을 수행하는 복수의 컨볼루션 레이어가 적층된 구조로 구성될 수 있으며 컨볼루션 레이어는 이미지 내 특징값들을 필터 내 가중치를 통해 강조하도록 학습된다.
컨볼루션 레이어를 통해 생성된 특징맵은 완전 연결 레이어를 통해 평탄화되어 최종 출력값으로 생성될 수 있다.
본 실시예에서는 입력 이미지로 네이티브 T1 맵과, 포스트 T1 맵을 입력할 수 있으며 추가적으로 환자의 정보로 성별과 연령을 입력할 수 있다. 최종 출력으로 예측된 적혈구 용적은 정답 값과의 비교를 통해 오차를 산출하며, 오차를 역전파 하는 것을 통해 컨볼루션 레이어 내 가중치들을 갱신한다.
다음, 신경망을 통해 출력된 예상 적혈구 용적을 T1 맵의 조절 변수로 이용하여 ECV 맵을 생성한다(S400).
ECV 맵은 상술한 수학식을 이용하여 네이티브 T1 맵과 포스트 T1 맵간의 차에 예상 적혈구 용적 값을 조절 변수로 적용하여 산출된 수치를 픽셀 단위로 매핑하여 생성될 수 있다.
또한, 본 실시예에서 T1 맵 중 일부의 값들은 수학적으로 예측되거나, 예측된 값을 보정하여 이용할 수 있다. 일반적으로 T1 맵은 반전 펄스 후 지속 제공되는 RF 펄스에 따라 반전된 수소 원자들의 회복 시간을 정규화된 곡선으로 피팅하여 생성할 수 있다.
즉, 심장 조직을 구성하는 수소 원자들의 특징에 따른 회복 시간을 지수함수 형태로 피팅하여 생성된 곡선에 따라 T1 맵을 생성하고, 이로부터 T1 회복시간을 추출하여 적혈구 용적 예측 및 ECV 맵 생성에 이용할 수 있다.
구체적으로 도 8을 참조하면, 반전회복(IR) 펄스를 사용하여 수소 원자들이 평형 상태인 +M0에서 180도 회전하여 -M0로 반전되도록 한 후 회복 과정에서 수신되는 신호를 통해 영상을 획득할 수 있다. 이때 영상 획득의 시간 간격으로 TI(inversion time)를 조절하는데 TI시간에 따라서 각 조직 내 수소 원자들이 주변의 특징에 따라 +M0로 회복하는 정도가 달라지게 되며 이러한 차이에 따라 MRI 영상들의 대조도가 달라지게 된다.
즉, TI시간에 따라 획득된 복수의 신호를 K-공간에 매핑하여 영상(T1 강조 이미지)들을 정렬하고, 영상 내 픽셀단위로 신호의 변화를 관찰하면 기하함수적인 커브를 생성할 수 있다.
추가적으로, 본 실시예에서는 심장의 심박에 따른 영향을 최소화하기 위하여 TI를 심장의 ECG(electrocardiogram) 신호를 이용하여 심박 1주기로 결정하는 것도 가능하다.
이상 커브 피팅을 위한 곡선은 3개의 파라미터(A,B,T1*) 모델로 정의할 수 있다. 즉, 곡선은 T1*에 따른 시간 값 t를 지수 함수의 입력으로 가지며, 3개의 파라미터 및 시간 t에 따른 수소 원자의 상태 S(t)는 아래의 수학식 2로 정의된다.
[수학식 2]
S(t)= A-Bexp(-t/T1 *)
다만, 이때의 곡선은 지속적인 펄스의 부가 또는 자화된 상태의 누적 등에 따른 실제 원자들의 상태를 반영하지 않고 수학적으로 산출된 것이므로 본 실시예에서는 이용되는 T1* 값을 보정(Correction)하여 이용할 수 있다.
즉 수학적으로 산출된 T1*를 파라미터 A와 B를 이용하여 보정하여 아래의 수학식을 통해 실제와 가깝도록 보정된 T1을 산출할 수 있다.
[수학식 3]
T1=T1 *(B/A-1)
다만, 본 실시예에서는 적혈구 용적의 예측에 있어서, 이상의 수학식 2로 생성되는 T1 맵 내 T1 값 또는 보정된 T1* 값을 선택적으로 이용할 수 있다. 구체적으로 혈액 T1의 경우 보정 전 수학적으로 산출된 곡선 상의 값 T1*를 이용할 수 있다.
즉, 도 5를 참조하면 예측에 이용되는 T1 값 중 심근에 대한 T1 값은 수학식 3에 따라 보정된 값을 이용하되, 혈액에 대한 T1 값은 보정 전 수학식 2에 따른 곡선상의 T1*값을 이용할 수 있도록 한다.
이상 본 실시예에 따른 ECV 맵 생성 방법은 심장 내 T1 값을 추출하여 적혈구 용적을 예측하는데 이용한다.
이하, 도 9를 참조하여 본 발명의 일 실시예에 따른 적혈구 수치 예측 기반 ECV 맵 생성 방법을 수행하는 ECV 생성 장치(100)에 대하여 설명한다.
본 실시예에서 ECV 생성 장치(100)는 T1 맵 생성부(110), 수치 예측부(120), ECV 맵 생성부(130) 및 진단부(140)를 포함하여 구성될 수 있다.
T1 맵 생성부(110)는 상술한 바와 같이, 피검체 바람직하게는 심장을 구성하는 조직내 수소원자들의 RF 펄스에 따른 기준 회복률에 걸리는 시간 T1을 픽셀 단위로 매핑하여 영상을 생성한다.
본 실시예에서는 T1 맵의 생성을 위하여 TI에 따라 복수로 획득된 영상을 곡선으로 매핑하여 T1*을 산출하고, 산출된 T1*을 보정하여 보정된 T1을 추출할 수 있다.
다음 수치 예측부(120)는 T1 맵의 T1 값을 이용하여 적혈구 용적을 예측한다. 구체적으로 조영제 투입 전의 네이티브 T1 맵과 투입 후의 포스트 T1 맵의 T1 값을 이용하되, 심장 조직을 구분하여 세분화된 T1 값을 이용할 수 있다.
예를 들어 심장 내 혈액의 T1 값, 심장을 구분하는 표준화된 기준에 따른 단위 영역 별 T1 값을 수치 예측을 위한 변수로 이용할 수 있다.
나아가, 수치 예측부(120)는 T1 맵 외에 환자의 기본적인 정보로 성별이나 나이 등의 신체 정보를 입력 받고 이를 예측에 활용할 수 있다.
구체적으로 수치 예측은 신경망(200)을 이용하여 수행될 수 있으며, 신경망(200)은 입력 변수 중 적혈구 용적의 결정에 영향을 미치는 파라미터들의 중요도를 학습하여 이를 가중치로 반영할 수 있다.
또한, 본 실시예에서 신경망(200')은 직접 수치화된 값을 입력 받는 것도 가능하나 T1 맵 자체를 입력 받고 이를 CNN 기반의 컨볼루션 연산을 통해 특징 값을 추출하여 적혈구 용적을 출력하도록 학습되는 것도 가능하다.
이상의 과정을 통해 적혈구 용적이 예측되면 ECV 맵 생성부(130)는 T1 값과 적혈구 용적을 이용하여 ECV 맵을 생성한다.
추가적으로 진단부(140)는 ECV 맵의 영상 내 특징을 이용하여 심근 섬유증의 분석을 수행할 수 있다.
구체적으로 ECV 맵의 픽셀의 특징을 이용하여 심근이 섬유화된 것으로 예상되는 영역을 추출하고 이에 대한 진행 정도를 픽셀의 특징 값을 통해 정량화하여 사용자에게 제공할 수 있다.
이상 본 발명에 따르면 비침습 기반으로 ECV 지표를 산출함으로써 환자의 불편을 최소화할 수 있다.
또한, 본 발명은 신경망을 이용하여 MRI 촬영 결과 및 환자의 특징 정보만으로 정확한 혈액내 특징을 예측함으로써 진단 과정을 간소화할 수 있으며 진단의 신뢰도를 높일 수 있다.
나아가, 여기에 설명되는 다양한 실시예는 예를 들어, 소프트웨어, 하드웨어 또는 이들의 조합된 것을 이용하여 컴퓨터 또는 이와 유사한 장치로 읽을 수 있는 기록매체 내에서 구현될 수 있다.
하드웨어적인 구현에 의하면, 여기에 설명되는 실시예는 ASICs (application specific integrated circuits), DSPs (digital signal processors), DSPDs (digital signal processing devices), PLDs (programmable logic devices), FPGAs (field programmable gate arrays, 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛 중 적어도 하나를 이용하여 구현될 수 있다. 일부의 경우에 본 명세서에서 설명되는 실시예들이 제어 모듈 자체로 구현될 수 있다.
소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다. 적절한 프로그램 언어로 씌여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 상기 소프트웨어 코드는 메모리 모듈에 저장되고, 제어모듈에 의해 실행될 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다.
따라서, 본 발명에 개시된 실시 예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구 범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.
Claims (2)
- 컴퓨팅 장치에 의해서 수행되는 신경망 기반의 다중 특징 값을 통한 적혈구 용적의 예측 방법에 있어서,
T1 맵 내 심장의 심근 T1 값 및 혈액 T1 값을 추출하는 단계; 및
T1 값으로부터 혈액 내 적혈구 용적(Blood hematocrit)을 예측하도록 학습된 신경망을 이용하여 상기 신경망 내 일 노드로 입력된 상기 심근 T1 값 및 혈액 T1 값에 대하여 상기 노드 간의 연결 강도를 학습한 가중치에 따른 상기 심근 T1 값 및 혈액 T1 값의 가중 연산 결과로 예상 적혈구 용적을 출력하는 단계를 포함하고
상기 신경망은,
상기 다중 특징 값으로, 혈액 영역 내 양성자의 시간에 따른 회복률을 곡선으로 커브 피팅하여 산출된 상기 혈액 T1 값 및, 상기 심근 영역 내 상기 양성자의 상기 커브 피팅으로 산출된 T1 값을 상기 커브 피팅에 이용된 적어도 하나의 파라미터로 보정한 상기 심근 T1 값과 상기 적혈구 용적 간의 상관관계를 가중치로 학습한 것을 특징으로 하는 신경망 기반의 다중 특징 값을 통한 적혈구 용적의 예측 방법. - 프로세서; 및
상기 프로세서와 통신하는 메모리를 포함하고,
상기 메모리는 상기 프로세서로 하여금 동작들을 수행하게 하는 명령들을 저장하고,
상기 동작들은,
T1 맵 내 심장의 심근 T1 값 및 혈액 T1 값을 추출하는 동작, 및
T1 값으로부터 혈액 내 적혈구 용적(Blood hematocrit)을 예측하도록 학습된 신경망을 이용하여 상기 신경망 내 일 노드로 입력된 상기 심근 T1 값 및 혈액 T1 값에 대하여 상기 노드 간의 연결 강도를 학습한 가중치에 따른 상기 심근 T1 값 및 혈액 T1 값의 가중 연산 결과로 예상 적혈구 용적을 출력하는 동작을 포함하고
상기 신경망은,
다중 특징 값으로, 혈액 영역 내 양성자의 시간에 따른 회복률을 곡선으로 커브 피팅하여 산출된 상기 혈액 T1 값 및, 상기 심근 영역 내 상기 양성자의 상기 커브 피팅으로 산출된 T1 값을 상기 커브 피팅에 이용된 적어도 하나의 파라미터로 보정한 상기 심근 T1 값과 상기 적혈구 용적 간의 상관관계를 가중치로 학습한 것을 특징으로 하는 신경망 기반의 다중 특징 값을 통한 적혈구 용적의 예측 방법을 수행하는 컴퓨터 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230061790A KR102714903B1 (ko) | 2020-12-24 | 2023-05-12 | 신경망 기반의 다중 특징 값을 통한 적혈구 용적의 예측 및 이를 통한 ecv 생성 방법 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200182995A KR102542008B1 (ko) | 2020-12-24 | 2020-12-24 | 신경망을 통한 적혈구 용적 예측 기반 ecv 맵 생성 방법 및 장치 |
| KR1020230061790A KR102714903B1 (ko) | 2020-12-24 | 2023-05-12 | 신경망 기반의 다중 특징 값을 통한 적혈구 용적의 예측 및 이를 통한 ecv 생성 방법 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200182995A Division KR102542008B1 (ko) | 2020-12-24 | 2020-12-24 | 신경망을 통한 적혈구 용적 예측 기반 ecv 맵 생성 방법 및 장치 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020240133933A Division KR20240150741A (ko) | 2024-10-02 | 신경망 기반의 다중 특징 값을 통한 적혈구 용적의 예측 및 이를 통한 ecv 생성 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230070433A true KR20230070433A (ko) | 2023-05-23 |
| KR102714903B1 KR102714903B1 (ko) | 2024-10-11 |
Family
ID=82399090
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200182995A KR102542008B1 (ko) | 2020-12-24 | 2020-12-24 | 신경망을 통한 적혈구 용적 예측 기반 ecv 맵 생성 방법 및 장치 |
| KR1020230061790A KR102714903B1 (ko) | 2020-12-24 | 2023-05-12 | 신경망 기반의 다중 특징 값을 통한 적혈구 용적의 예측 및 이를 통한 ecv 생성 방법 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200182995A KR102542008B1 (ko) | 2020-12-24 | 2020-12-24 | 신경망을 통한 적혈구 용적 예측 기반 ecv 맵 생성 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (2) | KR102542008B1 (ko) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102596865B1 (ko) * | 2023-04-04 | 2023-11-02 | 주식회사 팬토믹스 | Mri 처리 장치 및 방법, 상기 방법의 수행을 위한 프로그램이 저장된 컴퓨터 판독 가능한 기록 매체 |
| KR102717182B1 (ko) * | 2023-10-27 | 2024-10-15 | 주식회사 팬토믹스 | 신경망 모델을 이용한 심근의 3d ecv 맵 생성 방법, 장치 및 컴퓨터 프로그램 |
| CN118121196B (zh) * | 2024-05-07 | 2024-07-12 | 北京航天长峰股份有限公司 | 一种hct预测方法、系统、设备及介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190117411A (ko) * | 2019-09-17 | 2019-10-16 | 숙명여자대학교산학협력단 | 혈액 분석 장치 및 이를 이용한 혈액 분석 방법 |
-
2020
- 2020-12-24 KR KR1020200182995A patent/KR102542008B1/ko active IP Right Grant
-
2023
- 2023-05-12 KR KR1020230061790A patent/KR102714903B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190117411A (ko) * | 2019-09-17 | 2019-10-16 | 숙명여자대학교산학협력단 | 혈액 분석 장치 및 이를 이용한 혈액 분석 방법 |
Non-Patent Citations (3)
| Title |
|---|
| Kim P K, etc., Myocardial T1 and T2 Mapping: Techniques and Clinical Applications. Korean Journal of Radiology. 18(1), pp.113~131 (2017) * |
| Puyol-Anton E, etc., Automated quantification of myocardial tissue characteristics from native T1 mapping using neural networks with uncertainty-based quality-control. * |
| Thomas A, etc., Automatic Measurement of the Myocardial Interstitium. JACC: Cardiovascular Imaging. Vol.9, No.1, pp.54~63 (January, 2016) * |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102542008B1 (ko) | 2023-06-13 |
| KR102714903B1 (ko) | 2024-10-11 |
| KR20220092685A (ko) | 2022-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102542008B1 (ko) | 신경망을 통한 적혈구 용적 예측 기반 ecv 맵 생성 방법 및 장치 | |
| US20210151187A1 (en) | Data-Driven Estimation of Predictive Digital Twin Models from Medical Data | |
| Hamilton et al. | Machine learning for rapid magnetic resonance fingerprinting tissue property quantification | |
| JP6679467B2 (ja) | 磁気共鳴イメージング装置および酸素摂取率算出方法 | |
| KR102344157B1 (ko) | 개인 맞춤형 뇌졸중 진단을 위한 임상 인자 및 의료 영상 처리 시스템 | |
| CN112053414B (zh) | 一种从动态对比增强磁共振成像数据中快速提取药代动力学参数的方法 | |
| CN113827263A (zh) | 灌注影像处理方法、系统、电子设备及存储介质 | |
| CA3109456A1 (en) | System, method and computer-accessible medium for tissue fingerprinting | |
| Wong et al. | Physiological fusion of functional and structural images for cardiac deformation recovery | |
| Wang | Modelling in vivo cardiac mechanics using MRI and FEM | |
| CN111445553B (zh) | 基于深度学习的体素内不相干运动成像加速方法及装置 | |
| CN113538336A (zh) | 全心脏多期相定位图像生成方法、装置、设备和介质 | |
| KR20240150741A (ko) | 신경망 기반의 다중 특징 값을 통한 적혈구 용적의 예측 및 이를 통한 ecv 생성 방법 | |
| CN111369637B (zh) | 一种融合白质功能信号的dwi纤维优化重建方法及系统 | |
| JP2024506631A (ja) | 医療画像の解析方法 | |
| KR102717182B1 (ko) | 신경망 모델을 이용한 심근의 3d ecv 맵 생성 방법, 장치 및 컴퓨터 프로그램 | |
| KR102556432B1 (ko) | 딥러닝 기반의 심장의 해부학적 분할을 위한 기준점 생성 및 분할 방법 | |
| Yang et al. | Functional informed fiber tracking using combination of diffusion and functional MRI | |
| CN111407278A (zh) | 利用流速补偿和非补偿的弥散磁共振测量胎盘血流的方法及装置 | |
| US7398120B2 (en) | Method and arrangement and computer programme with programme code means and computer programme products for the analysis of neuronal activities in neuronal areas | |
| KR102607446B1 (ko) | 심실 구축률 측정을 통한 심부전 진단 방법 | |
| Wang | Left ventricular mechanics in human heart failure | |
| Choudhury | Novel transfer function based approaches for analysis of resting-state connectivity in patients with optic neuritis | |
| KR20220092687A (ko) | 인공지능을 이용한 심근 영역 자동 분할 방법 | |
| Strzelecki et al. | An artificial neural network for GFR estimation in the DCE-MRI studies of the kidneys |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent | ||
| E902 | Notification of reason for refusal | ||
| GRNT | Written decision to grant |