KR20230102951A - 안저 영상 학습을 이용한 치매 예측 선별 시스템 및 방법 - Google Patents
안저 영상 학습을 이용한 치매 예측 선별 시스템 및 방법 Download PDFInfo
- Publication number
- KR20230102951A KR20230102951A KR1020210193455A KR20210193455A KR20230102951A KR 20230102951 A KR20230102951 A KR 20230102951A KR 1020210193455 A KR1020210193455 A KR 1020210193455A KR 20210193455 A KR20210193455 A KR 20210193455A KR 20230102951 A KR20230102951 A KR 20230102951A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- dementia
- images
- learning
- fundus
- Prior art date
Links
- 206010012289 Dementia Diseases 0.000 title claims abstract description 150
- 238000012216 screening Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims description 26
- 230000007177 brain activity Effects 0.000 claims abstract description 24
- 238000010801 machine learning Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 102000013455 Amyloid beta-Peptides Human genes 0.000 claims description 52
- 108010090849 Amyloid beta-Peptides Proteins 0.000 claims description 52
- 208000037259 Amyloid Plaque Diseases 0.000 claims description 44
- 210000005252 bulbus oculi Anatomy 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 208000024827 Alzheimer disease Diseases 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 8
- 238000002583 angiography Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 210000001525 retina Anatomy 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- DZHSAHHDTRWUTF-SIQRNXPUSA-N amyloid-beta polypeptide 42 Chemical compound C([C@@H](C(=O)N[C@@H](C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@H](C(=O)NCC(=O)N[C@@H](CO)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CCCCN)C(=O)NCC(=O)N[C@@H](C)C(=O)N[C@H](C(=O)N[C@@H]([C@@H](C)CC)C(=O)NCC(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](C(C)C)C(=O)NCC(=O)NCC(=O)N[C@@H](C(C)C)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H]([C@@H](C)CC)C(=O)N[C@@H](C)C(O)=O)[C@@H](C)CC)C(C)C)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@@H](NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CC=1N=CNC=1)NC(=O)[C@H](CC=1N=CNC=1)NC(=O)[C@@H](NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)CNC(=O)[C@H](CO)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CC=1N=CNC=1)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](C)NC(=O)[C@@H](N)CC(O)=O)C(C)C)C(C)C)C1=CC=CC=C1 DZHSAHHDTRWUTF-SIQRNXPUSA-N 0.000 description 5
- 102000002659 Amyloid Precursor Protein Secretases Human genes 0.000 description 4
- 108010043324 Amyloid Precursor Protein Secretases Proteins 0.000 description 4
- 101710137189 Amyloid-beta A4 protein Proteins 0.000 description 4
- 101710151993 Amyloid-beta precursor protein Proteins 0.000 description 4
- 102100022704 Amyloid-beta precursor protein Human genes 0.000 description 4
- 208000017442 Retinal disease Diseases 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 108090000765 processed proteins & peptides Proteins 0.000 description 4
- 230000002207 retinal effect Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 210000005013 brain tissue Anatomy 0.000 description 3
- 238000013399 early diagnosis Methods 0.000 description 3
- 210000001508 eye Anatomy 0.000 description 3
- 210000002682 neurofibrillary tangle Anatomy 0.000 description 3
- 102000013498 tau Proteins Human genes 0.000 description 3
- 108010026424 tau Proteins Proteins 0.000 description 3
- 208000032843 Hemorrhage Diseases 0.000 description 2
- 206010025421 Macule Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 206010047642 Vitiligo Diseases 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 150000001413 amino acids Chemical class 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- GNBHRKFJIUUOQI-UHFFFAOYSA-N fluorescein Chemical compound O1C(=O)C2=CC=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 GNBHRKFJIUUOQI-UHFFFAOYSA-N 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 208000002780 macular degeneration Diseases 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 210000001747 pupil Anatomy 0.000 description 2
- 210000000844 retinal pigment epithelial cell Anatomy 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- 201000004810 Vascular dementia Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000006984 memory degeneration Effects 0.000 description 1
- 208000023060 memory loss Diseases 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012800 visualization Methods 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
- A61B5/40—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
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/0016—Operational features thereof
- A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
- A61B3/1241—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes specially adapted for observation of ocular blood flow, e.g. by fluorescein angiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0071—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by measuring fluorescence emission
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4842—Monitoring progression or stage of a disease
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Neurology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ophthalmology & Optometry (AREA)
- Mathematical Physics (AREA)
- Epidemiology (AREA)
- Vascular Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Hematology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Primary Health Care (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
Abstract
안저 영상 학습을 이용한 치매 예측 선별 시스템이 제공된다. 본 발명의 실시예에 따른 안저 영상 학습을 이용한 치매 예측 선별 시스템은 실제 치매 판정을 받은 환자들에 대한 뇌 활동 패턴 영상 및 학습용 안저 영상을 각각 획득하고, 획득한 상기 뇌 활동 패턴 영상 및 상기 학습용 안저 영상을 각각 입력 값 및 출력 값으로 하여 기 설정한 알고리즘을 이용하는 기계학습을 수행하며, 상기 기계학습의 학습 결과를 통해 상기 입력 값과 상기 출력 값 사이의 특정 알고리즘으로 표현되는 상관 관계 및 치매 예측 영상을 도출하는 영상 상관관계 획득부; 복수의 검사 대상에 대한 안구 안쪽의 촬영 영상을 획득하고, 획득한 상기 촬영 영상을 저장하며, 상기 촬영 영상 중 기 설정된 유사도 값을 가지는 영상을 유사 영상으로 분류하는 유사 영상 획득부; 및 상기 유사 영상을 기 설정된 알고리즘을 통해 분석하여 해당 유사 영상과 연결된 상기 검사 대상의 치매 예상 등급을 선별하는 치매 예상 등급 선별부;를 포함한다.
Description
본 발명은 안저 영상 학습을 이용한 치매 예측 선별 시스템 및 방법에 관한 것으로, 특히, 실제 치매 환자의 안저 영상을 학습하고, 학습 결과를 이용하여 치매 예방 대상을 선별하고, 선별한 치매 예방 대상의 치매 예상 등급을 설정할 수 있는 안저 영상 학습을 이용한 치매 예측 선별 시스템 및 방법에 관한 것이다.
최근 들어 의학의 발전과 함께 노인 인구 비율이 전 세계적으로 증가하는 추세에 있으며, 특히 우리나라는 다른 선진국에 비해 고령화 속도가 매우 빠르게 진행되고 있다.
급속한 인구의 고령화로 치매환자의 발생도 점차 증가되고 있으며, 치매 유병율도 또한 급속히 증가하고 있다. 또한, 오늘날 치매는 100세 시대를 위협하는 최대의 건강의 적으로 일컬어지고 있다.
이러한 치매(Dementia)라는 것은 뇌(腦)의 신경세포가 대부분 손상되어 장애가 생기는 대표적인 신경정신계 질환이며, 노인들에게 있어 가장 흔하게 나타난다. 상기 치매는 알츠하이머 치매, 혈관성 치매, 기타 치매 등으로 크게 구분된다.
이와 같이 치매는 진행성이며 균형 감각까지 쇠퇴하는 결과를 가져오며, 더 악화되면 일상적인 업무수행, 시간 및 공간을 판단하는 일, 언어와 의사소통 기술, 추상적 사고능력에 돌이킬 수 없는 감퇴가 일어나고 성격이 바뀌며 판단력에 손상을 입는다는 특징이 있다.
이러한 치매를 치료하는 의료기관에서는 치매진단용 의료장비로 기존의 MRI 또는 PET와 같은 의료기기를 사용하여 미리 치매를 진단하고 있었으나, 상기 의료기기를 사용하려면 그 비용이 너무도 과다하여 환자에게 너무도 큰 부담을 주고 있는 것이 현실이다.
또한, 치매의 특성상, 인지 기능이 떨어지기 전에 조기에 발견하기가 쉽지 않아 이에 대한 사회적 비용의 발생이 너무도 막심하다는 단점도 있었다.
따라서, 최근들어 저렴한 비용으로 치매를 조기 진단하고, 통증없는 진단장비와 진단방법의 개발이 지속적으로 이어져 오고 있었다.
치매의 가장 흔한 형태로는 알츠하이머 병을 들수가 있는데, 기억상실, 인식 및 거동 안정성에 의해 표시되는 진행성 신경변성 장애이다. 그 발병 원인은 아직 명확히 알려지지는 않았으나, 환자들의 사후 뇌조직을 분석한 결과, 신경세포 사이에 베타- 아밀로이드 펩티드(Aβ)로 구성된 아밀로이드 플라크(amyloid plaques)와 신경세포 내의 과인산화된 타우 단백질 필라멘트에 의하여 형성된 신경섬유 덩어리(neurofibrillary tangles)의 축적이 보고되었다
[참고문헌: Ginsberg SD et al, Kluwer Academic/Plenum: New York, 1999: pp 603-654; Lee VMet al, Neuron 1999;24:507-510; Selkoe DJ JAMA 2000;283:1615-1617].
따라서, 이러한 아밀로이드 플라크(amyloid plaques)를 이용하여 치매를 진단하는 방법에 대한 연구가 최근에도 적극적으로 있어 왔으며, 이를 통해 치매를 예측하고 진단하는 방법에 대한 수요가 지속적으로 요구되고 있다.
상기와 같은 종래 기술의 문제점을 해결하기 위해, 본 발명의 일 실시예는 실제 치매 환자에 대한 안저 영상의 학습을 수행하고, 검사 대상의 안저 영상을 학습 결과와 비교하여 치매 예방 대상을 선별하고, 선별 결과에서 치매 예상 등급을 더 결정할 수 있는 안저 영상 학습을 이용한 치매 예측 선별 시스템 및 방법을 제공하고자 한다.
위와 같은 과제를 해결하기 위한 본 발명의 일 측면에 따르면, 안저 영상 학습을 이용한 치매 예측 선별 시스템이 제공된다. 상기 안저 영상 학습을 이용한 치매 예측 선별 시스템은, 실제 치매 판정을 받은 환자들에 대한 뇌 활동 패턴 영상 및 학습용 안저 영상을 각각 획득하고, 획득한 상기 뇌 활동 패턴 영상 및 상기 학습용 안저 영상을 각각 입력 값 및 출력 값으로 하여 기 설정한 알고리즘을 이용하는 기계학습을 수행하며, 상기 기계학습의 학습 결과를 통해 상기 입력 값과 상기 출력 값 사이의 특정 알고리즘으로 표현되는 상관 관계 및 치매 예측 영상을 도출하는 영상 상관관계 획득부; 복수의 검사 대상에 대한 안구 안쪽의 촬영 영상을 획득하고, 획득한 상기 촬영 영상을 저장하며, 상기 촬영 영상 중 기 설정된 유사도 값을 가지는 영상을 유사 영상으로 분류하는 유사 영상 획득부; 및 상기 유사 영상을 기 설정된 알고리즘을 통해 분석하여 해당 유사 영상과 연결된 상기 검사 대상의 치매 예상 등급을 선별하는 치매 예상 등급 선별부;를 포함한다.
상기 학습용 안저 영상은, 상기 치매 판정을 받은 환자들의 베타 아밀로이드 플라크가 검출된 안저 영상일 수 있다.
상기 유사 영상 획득부는, 안구 내부에 대한 자가형광 안저촬영을 수행하고, 수행 결과인 상기 촬영 영상을 획득하는 촬영 영상 획득 모듈; 상기 촬영 영상을 컬러 영상, 그레이 영상 및 이진 영상 중 어느 하나의 영상 포멧으로 변경하고, 변경한 포멧의 상기 촬영 영상을 저장하는 촬영 영상 저장 모듈; 및 상기 상관 관계인 상기 특정 알고리즘에 저장된 촬영 영상을 적용하고 그 결과 값을 상기 치매 예측 영상과 비교하여 유사도를 확인하고, 기 설정된 유사도 값 이상을 나타내는 촬영 영상을 상기 유사 영상으로 분류하는 유사 영상 분류 모듈;을 포함할 수 있다.
상기 치매 예상 등급 선별부는, 상기 유사 영상에 기 설정된 알고리즘을 적용하여 유사 영상으로부터 유효 베타 아밀로이드 플라크의 위치인 특정 포인트를 획득하는 특정 포인트 획득 모듈; 및 상기 특정 포인트를 서로 연결하여 상기 유효 베타 아밀로이드 플라크의 영역을 시각화하고, 이를 이용하여 기 설정된 기준을 통해 상기 치매 예상 등급을 결정하고 출력하는 처리 결과 출력 모듈;을 포함할 수 있다.
상기 기 설정된 알고리즘은, 부분 신뢰도 맵(Part Confidence Maps, PCM) 알고리즘, 부분 선호도 영역 (Part Affinity Fields, PAF) 알고리즘 및 이진 매칭(Bipartite Matching, BM) 알고리즘 중 적어도 하나를 포함할 수 있다.
본 발명의 일 측면에 따르면, 안저 영상 학습을 이용한 치매 예측 선별 방법이 제공된다. 상기 안저 영상 학습을 이용한 치매 예측 선별 방법은, 영상 상관 관계 획득부를 이용하여 실제 치매 판정을 받은 환자들에 대한 뇌 활동 패턴 영상 및 학습용 안저 영상을 각각 획득하고, 획득한 상기 뇌 활동 패턴 영상 및 상기 학습용 안저 영상을 각각 입력 값 및 출력 값으로 하여 기 설정한 알고리즘을 이용하는 기계학습을 수행하며, 상기 기계학습의 학습 결과를 통해 상기 입력 값과 상기 출력 값 사이의 특정 알고리즘으로 표현되는 상관 관계 및 치매 예측 영상을 도출하는 단계; 유사 영상 획득부를 이용하여 복수의 검사 대상에 대한 안구 안쪽의 촬영 영상을 획득하고, 획득한 상기 촬영 영상을 저장하며, 상기 촬영 영상 중 기 설정된 유사도 값을 가지는 영상을 유사 영상으로 분류하는 단계; 및 치매 예상 등급 선별부를 이용하여 상기 유사 영상을 기 설정된 알고리즘을 통해 분석하여 해당 유사 영상과 연결된 상기 검사 대상의 치매 예상 등급을 선별하는 단계;를 포함할 수 있다.
본 발명의 일 실시예에 따른 안저 영상 학습을 이용한 치매 예측 선별 시스템 및 방법은 실제 치매 환자에 대한 안저 영상의 학습을 수행하고, 검사 대상의 안저 영상을 학습 결과와 비교하여 치매 예방 대상을 선별하고, 선별 결과에서 치매 예상 등급을 더 결정할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 안저 영상 학습을 이용한 치매 예측 선별 시스템을 나타낸 블록도이다.
도 2는 도 1의 유사 영상 획득부의 블록도이다.
도 3은 도 1의 치매 예상 등급 선별부의 블록도이다.
도 4는 본 발명의 일 실시예에 따른 안저 영상 학습을 이용한 치매 예측 선별 방법을 나타낸 순서도이다.
도 5는 도 4의 단계 S13을 나타낸 순서도이다.
도 6은 도 4의 단계 S15를 나타낸 순서도이다.
도 2는 도 1의 유사 영상 획득부의 블록도이다.
도 3은 도 1의 치매 예상 등급 선별부의 블록도이다.
도 4는 본 발명의 일 실시예에 따른 안저 영상 학습을 이용한 치매 예측 선별 방법을 나타낸 순서도이다.
도 5는 도 4의 단계 S13을 나타낸 순서도이다.
도 6은 도 4의 단계 S15를 나타낸 순서도이다.
이하, 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조부호를 붙였다.
도 1 내지 도 3에는 본 발명의 일 실시예에 따른 안저 영상 학습을 이용한 치매 예상 대상 등급 선별 시스템(이하 선별 시스템이라 함)이 도시되고 있다. 도 1은 본 발명의 일 실시예에 따른 안저 영상 학습을 이용한 치매 예측 선별 시스템을 나타낸 블록도이고, 도 2는 도 1의 유사 영상 획득부의 블록도이며, 도 3은 도 1의 치매 예상 등급 선별부의 블록도이다. 이하에서는 도 1 내지 도 3을 이용하여 본 발명의 일 실시예에 따른 선별 시스템에 대해 상세히 설명하도록 한다.
본 발명의 일 실시예에 따른 선별 시스템(1)은 알츠하이머병 또는 치매에서 발견되는 망막 내의 아밀로이드 플라크 영상을 분석하고, 이를 통해 베타 아밀로이드 플라크가 안저 영상 내부 어느 위치에 분포하고 있는지 시각화 하여 치매 예상 대상 등급을 결정하도록 형성된다.
이를 위해 본 발명의 일 실시예에 따른 선별 시스템(1)은 실제 치매 판정을 받은 환자들로부터 학습을 위한 정보를 획득하며, 획득한 정보를 학습하여 뇌 활동 패턴과 안저 영상 사이의 추측 상관 관계를 도출하고, 이를 검사 대상으로부터 획득한 안저 영상에 적용할 수 있다. 이로부터 본 발명은 검사 대상의 치매 발생 가능성을 확인할 뿐 아니라 베타 아밀로이드 플라크 영역을 획득 및 분석하여 치매 등급을 예측할 수도 있다.
본 발명의 일 실시예에 따른 선별 시스템(1)은 이를 위해 도 1에 도시된 바와 같이 영상 상관 관계 획득부(11), 유사 영상 획득부(13) 및 치매 예상 등급 선별부(15)를 포함하여 형성될 수 있다.
영상 상관 관계 획득부(11)는 실제 치매 판정을 받은 환자들에 대한 뇌 활동 패턴 영상 및 학습용 안저 영상을 각각 획득하고, 획득한 뇌 활동 패턴 영상 및 학습용 안저 영상을 각각 입력 값 및 출력 값으로 하는 기 설정한 알고리즘을 이용하는 기계학습을 수행한다. 영상 상관 관계 획득부(11)는 기계학습의 결과인 학습 결과를 통해 입력 값과 출력 값 사이의 특정 알고리즘으로 표현되는 상관 관계 및 치매 예측 영상을 도출하도록 형성될 수 있다. 여기서, 학습용 안저 영상은 치매 판정을 받은 화자들의 아밀로이드 플라크가 검출된 망막의 영상일 수 있다.
안저란 눈의 안쪽 표면으로 수정체의 반대부분으로서, 망막과 시신경유두, 황반, 망막중심오목, 후극이 안저에 포함되어 있다. 바람직하게는 영상 상관 관계 획득부(11)는 학습용 안저 영상을 획득하기 위해 안저 카메라를 사용할 수 있다. 안저 카메라는 동공을 통하여 안구의 상태를 촬영하는 의학용 카메라로서, 출혈, 백반, 종양, 융기 따위의 변화를 검사할 때 사용하는 카메라일 수 있다. 본 발명에서 사용되는 안저 카메라는 해당 분야에서 익히 사용되는 의료용 기기일 수 있으므로 이하에서는 안저 카메라의 동작 원리 등에 대한 내용에 대해 따로 서술하지 않도록 한다.
본 발명의 영상 상관 관계 획득부(11)는 실제 치매 판정을 받은 환자들로부터 획득한 안저 영상을 학습용 안저 영상으로 설정하고, 해당 환자들에 대한 뇌 활동 패턴 영상을 더 획득할 수 있다. 이는 영상 상관 관계 획득부(11)에서 두 값의 상관 관계를 학습하기 위해서 일 수 있다. 영상 상관 관계 획득부(11)는 하나의 환자로부터 각각 뇌 활동 패턴 영상 및 학습용 안저 영상을 획득할 수 있으며, 둘 사이의 상관 관계를 도출하기 위해 복수의 환자들로부터 획득한 영상들을 이용할 수 있다.
복수의 입력값과 복수의 출력값이 존재하는 경우, 기계학습을 수행하면, 입력 값으로부터 출력 값을 도출할 수 있는 예측되는 상관관계가 특정 알고리즘으로 출력될 수 있다. 본 발명에서는 기계학습을 통해 획득되는 상관관계를 이용할 수 있다. 여기서 본 발명에서 사용되는 상관 관계를 획득하기 위한 기계학습은 익히 알려진 기계학습 알고리즘 중 어느 하나일 수 있다.
본 발명의 영상 상관 관계 획득부(11)에서는 상술한 바와 같이 실제 치매 환자의 데이터를 이용하여 학습을 수행하고 학습 결과를 통해 입력 값과 출력 값의 상관관계를 특정 알고리즘으로 도출해 낼 수 있다. 이때, 본 발명의 다른 실시예에서는 해당 상관관계의 신뢰도를 증가시키기 위해 학습 데이터를 더 투입하도록 구성될 수 있으며, 이 경우에 영상 상관 관계 획득부(11)는 실제 치매 환자의 데이터를 적대적 생성 신경망(GAN)에 적용하고, 이를 이용하여 복수의 학습용 추가 데이터를 생성하여 학습을 수행할 수 있다.
상술한 실시예의 경우 본 발명은 최초 제공한 실제 치매 환자 데이터보다 많은 수의 학습 데이터를 확보할 수 있으며, 확보한 다량의 학습 데이터를 이용하여 입력 값과 출력 값의 상관 관계를 보다 높은 정확도로 도출해 낼 수 있는 장점을 가진다.
또, 영상 상관 관계 획득부(11)에서 획득하는 치매 예측 영상은 전체 학습 안저 영상을 이용하여 획득될 수도 있으며, 전체 학습 안저 영상에 대하여 기 설정된 중복 확률 이상으로 중복되는 영역들을 하나의 영상에 포함시킨 영상일 수 있다.
한편, 본 발명의 일 실시예에 따른 유사 영상 획득부(13)는 복수의 검사 대상에 대한 안구 안쪽의 촬영 영상을 획득하고, 획득한 촬영 영상을 저장하며 촬영 영상 중 기 설정된 유사도 값을 가지는 영상을 유사 영상으로 분류하도록 형성될 수 있다. 이를 위해 유사 영상 획득부(13)는 도 2에 도시되는 바와 같이 촬영 영상 획득 모듈(131), 촬영 영상 저장 모듈(133) 및 촬영 영상 중 유사 영상을 분류하는 단계(S135)을 포함하여 형성 될 수 있다.
촬영 영상 획득 모듈(131)은 안구 내부에 대한 자가 형광 안저 촬영을 수행하고, 수행 결과인 촬영 영상을 획득하도록 형성된다. 촬영 영상 획득 모듈(131)은 안저 카메라를 이용하여 안저 촬영을 수행할 수 있으며, 이에 더해 자가 형광 안저 촬영을 더 수행하여 촬영 영상에 더 포함시킬수 있다.
자가 형광 안저 촬영(Auto-Fluorescence)은 망막 질환 환자를 대상으로 망막 색소 상피 세포에서 발생하는 리포퓨신을 공초점 레이저 검안경으로 촬영하여 망막 상태를 평가하는 비침습적 촬영 기술을 의미한다. 이는 황반 변성의 조기 진단을 위해 사용될 수 있다.
보다 상세히 설명하면, 자가 형광 안저 촬영은 형광 안저 혈관 조영술이 어려운 망막질환 의심 환자를 대상으로 488nm 레이저파장을 조사한 후, 망막 색소 상피에서 스스로 발광하는 리포퓨신(lipofuscin)을 공초점 레이저 검안경(con- focal scanning laser ophthalmoscope)으로 촬영하는 것이다.
자가형광 안저촬영은 형광물질의 주입 없이 자가형광 성질을 이용해 촬영하는 비침습적인 방법이므로, 환자에게 위해를 야기할 위험성이 낮아 안전한 기술이며, 안저촬영으로 확인하지 못하는 병변을 추가로 발견할 수 있다.
촬영 영상 저장 모듈(153)은 촬영 영상을 컬러 영상, 그레이 영상 및 이진 영상 중 어느 하나의 영상 포멧으로 변경하고, 변경한 포멧의 촬영 영상을 저장하도록 형성된다.
유사 영상 분류 모듈(155)은 영상 상관 관계 획득부(11)에서 획득한 상관 관계인 특정 알고리즘을 획득하고, 촬영 영상 저장 모듈(153)에 저장된 촬영 영상을 획득하여 저장된 촬영 영상을 특정 알고리즘에 적용하여 치매 예측 영상과의 유사도를 확인할 수 있다. 여기서 치매 예측 영상은 상술한 바와 같이 전체 학습 안저 영상을 이용하여 획득될 수도 있으며, 전체 학습 안저 영상에 대하여 기 설정된 중복 확률 이상으로 중복되는 영역들을 하나의 영상에 포함시킨 영상일 수 있다.
즉, 치매 예측 영상에 포함되는 영역들이 처리된 촬영 영상에 많이 존재할 수록 해당 촬영 영상의 주인은 치매 환자일 확률이 높을 수 있다는 것을 의미한다. 따라서, 유사 영상 분류 모듈(155)은 해당 기 설정된 값 이상의 유사도를 가지는 촬영 영상을 유사 영상으로 분류할 수 있다.
위에서는 학습 안저 영상을 이용하여 유사 영상을 분류하였지만, 본 발명은 이에 한정되지 않으며 촬영 영상에 상관 관계를 적용하여 획득되는 예상 뇌 활동 패턴을 유사한 방법을 적용하여 실제 치매 환자들의 뇌 활동 패턴들을 이용한 치매 예측 영상과의 유사도 비교를 수행할 수 있으며, 그 결과를 이용해 유사 영상 분류를 수행할 수도 있다.
본 발명의 치매 예상 등급 선별부(15)는 유사 영상을 기 설정된 알고리즘을 통해 분석하여 해당 유사 영상과 연결된 검사 대상의 치매 예상 등급을 선별하도록 형성된다.
치매환자들의 사후 뇌 조직을 분석한 결과, 신경세포 사이에 베타-아밀로이드 펩타이드가 축적되어 형성된 아밀로이드 플라크(amyloid plaques)와 신경세포 내의 과인산화된 타우 단백질 필라멘트에 의하여 형성된 신경 섬유 덩어리(neurofibrillarytangles)의 존재가 나타난다.
이러한 아밀로이드 플라크의 주성분으로서는 아밀로이드 베타(Aβ) 또는 A베타)를 들수 있는 데, 상기 아밀로이드 베타는 알츠하이머 환자의 뇌에서 발견되는 알츠하이머 질병에 결정적으로 관여하는 36 ~ 43개의 아미노산 펩타이드를 의미한다. 상기 펩타이드는 베타 세크리타제와 감마 세크레타제에 의하여 분해되어 아밀로이드 베타(Aβ)를 생성하는 아밀로이드 전구체 단백질 (APP)에서 유도 된다.
따라서, 본 발명의 치매 예상 등급 선별부(15)는 이러한 원리에 착안하여 안저 영상으로부터 베타 아밀로이드 플라크의 영역을 분석하고, 분석 결과를 이용해 치매 예상 등급을 결정 및 출력하도록 할 수 있다. 이를 위해 본 발명의 치매 예상 등급 선별부(15)는 도 3에 도시된 바와 같이 특정 포인트 획득 모듈(151) 및 처리 결과 출력 모듈(153)을 포함하여 형성될 수 있다.
특정 포인트 획득 모듈(151)은 유사 영상에 기 설정된 알고리즘을 적용하여 유사 영상으로부터 유효 베타 아밀로이드 플라크의 위치인 특정 포인트를 획득하도록 형성된다. 특정 포인트 획득 모듈(151)은 유사 영상 획득부(13)를 통해 획득한 유사 영상을 3개의 알고리즘 중 적어도 하나를 이용하여 처리하고, 그 결과로부터 특정 포인트를 획득할 수 있다. 본 발명에서 특정 포인트는 유효 영상에 포함되는 베타 아밀로이드 플라크인 유효 베타 아밀로이드 플라크의 위치로 정의한다.
특정 포인트 획득 모듈(151)에서 사용하는 3가지 알고리즘은 각각 부분 신뢰도 맵(Part Confidence Maps, PCM) 알고리즘, 부분 선호도 영역(Part Affinity Fields, PAF) 알고리즘 및 이진 매칭(Bipartite Matching, BM) 알고리즘일 수 있다.
각 알고리즘은 익히 알려진 알고리즘으로 아래 간단한 설명으로 해당 알고리즘에 대한 설명을 갈음하도록 한다.
부분 신뢰도 맵은 입력된 영상에서 베타 아밀로이드 플라크의 키 포인트가 존재할 확률이 높은 위치를 나타내는 2D 히트맵을 학습하고, 학습한 2D 히트맵을 논 맥시멈 서프레션(Non-Maximum-Suppression, NMS)을 통해 영상으로 표현한 것을 나타내며, 이때 부분 신뢰도 맵은 키 포인트에 대한 지역이 입력되어 나타날 수 있다.
상술한 히트맵은 가우시안 모델로 그 영역이 정확하지 않으며, 베타 아밀로이드가 중첩되어 존재하는 경우에는 각각의 베타 아밀로이드에 대한 히트맵을 선정하는 것에 유의하여야 한다. 이를 위해서 부분 신뢰도 맵은 중첩되는 히트맵을 가지는 경우, 가우시안 모델의 평균점에서 가장 높은 점을 참 값인 키 포인트로 선정하는 알고리즘을 수행할 수 있다.
부분 선호도 영역 알고리즘은 부분 신뢰도 맵 알고리즘에서 나눠진 키포인트에 따라 넓어지는 영역의 방향과 복수의 다른 베타 아밀로이드 가우시안 모델에서 획득 가능한 다른 베타 아밀로이드 플라크와의 영역별 연관을 이용하여 치맹ㅢ 단계를 파악할 수 있는 위치와 수를 제공하기 위한 알고리즘이다.
이진 매칭 알고리즘은 치매와 연관이 없는 베타 아밀로이드를 배제하여 보다 치매와 관련이 있는 영역에서 부분 신뢰도 맵 알고리즘과 부분 선호도 영역 알고리즘을 통해 나눠진 베타 아밀로이드의 위치와 수를 이용하여 치매 예측을 수행하기 위해 사용되는 알고리즘이다.
상술한 3개의 알고리즘은 상호 보완적 알고리즘으로 하나의 알고리즘만을 사용하는 경우에 본 발명의 신뢰도가 감소할 수 있으며, 바람직하게는 본 발명의 특정 포인트 획득 모듈(151)은 3개의 알고리즘을 모두 사용하여 키 포인트를 포함하는 베타 아밀로이드 플라크의 특정 포인트를 획득하도록 형성될 수 있다.
처리 결과 출력 모듈(153)은 특정 포인트 획득 모듈(151)에서 획득한 특정 포인트를 서로 연결하여 유사 영상 내의 유효 베타 아밀로이드 플라크의 영역을 시각화하고, 이를 이용하여 기 설정된 기준을 통해 치매 예상 등급을 결정 및 출력할 수 있다.
본 발명의 처리 결과 출력 모듈(153)은 상술한 특정 포인트 획득 모듈(151)에서 획득한 특정 포인트인 치매와 연관된 베타 아밀로이드 플라크 키 포인트 개수 및 기타 외부로부터 입력받은 설정값을 이용하여 유효 베타 아밀로이드 플라크의 특정 포인트를 서로 연결하여 애니메이션으로 구현하는 바텀업 방식의 히트맵을 생성하도록 형성된다. 이를 통해 본 발명의 처리 결과 출력 모듈(153)은 실시간으로 베타 아밀로이드 플라크의 분포를 외부에 시각화 하여 전달할 수 있다.
또, 처리 결과 출력 모듈(153)은 유효 베타 아밀로이드 플라크의 영역 크기 및 위치를 기 학습된 학습 결과와 비교하여 해당 영상의 현재 치매 등급 또는 추후 예상되는 치매 예상 등급을 결정하고 외부에 출력함으로써 검사 대상에 대한 추가 검진 또는 관리를 수행할 수 있도록 할 수 있다.
한편, 도 4 내지 도 6에는 본 발명의 다른 실시예에 따른 안저 영상 학습을 이용한 치매 예측 선별 방법(이하, 선별 방법이라 함)이 도시되고 있다. 도 4는 본 발명의 일 실시예에 따른 안저 영상 학습을 이용한 치매 예측 선별 방법을 나타낸 순서도고, 도 5는 도 4의 단계 S13을 나타낸 순서도이며, 도 6은 도 4의 단계 S15를 나타낸 순서도이다. 이하에서는 설명의 편의상 도 1 내지 도 3에 나타나고 있는 선별 시스템을 이용하도록 하지만, 이는 하나의 실시예에 불과하며 다양한 시스템, 장치 및 단말기를 통해 수행될 수 있다.
본 발명의 일 실시예에 따른 선별 방법(10)은 알츠하이머병 또는 치매에서 발견되는 망막 내의 아밀로이드 플라크 영상을 분석하고, 이를 통해 베타 아밀로이드 플라크가 안저 영상 내부 어느 위치에 분포하고 있는지 시각화 하여 치매 예상 대상 등급을 결정하도록 형성된다.
이를 위해 본 발명의 일 실시예에 따른 선별 방법(10)은 실제 치매 판정을 받은 환자들로부터 학습을 위한 정보를 획득하며, 획득한 정보를 학습하여 뇌 활동 패턴과 안저 영상 사이의 추측 상관 관계를 도출하고, 이를 검사 대상으로부터 획득한 안저 영상에 적용할 수 있다. 이로부터 본 발명은 검사 대상의 치매 발생 가능성을 확인할 뿐 아니라 베타 아밀로이드 플라크 영역을 획득 및 분석하여 치매 등급을 예측할 수도 있다.
본 발명의 일 실시예에 따른 선별 방법(10)은 이를 위해 도 4에 도시된 바와 같이 학습을 통해 영상의 상관 관계를 획득하는 단계(S11), 검사 대상의 촬영 영상으로부터 유사 영상을 획득하는 단계(S13) 및 유사 영상에 대한 세부 분석을 통해 치매 예상 등급을 선별하는 단계(S15)를 포함하여 형성될 수 있다.
학습을 통해 영상의 상관 관계를 획득하는 단계(S11)는 영상 상관 관계 획득부를 이용하여 실제 치매 판정을 받은 환자들에 대한 뇌 활동 패턴 영상 및 학습용 안저 영상을 각각 획득하고, 획득한 뇌 활동 패턴 영상 및 학습용 안저 영상을 각각 입력 값 및 출력 값으로 하는 기 설정한 알고리즘을 이용하는 기계학습을 수행한다. 학습을 통해 영상의 상관 관계를 획득하는 단계(S11)는 기계학습의 결과인 학습 결과를 통해 입력 값과 출력 값 사이의 특정 알고리즘으로 표현되는 상관 관계 및 치매 예측 영상을 도출하도록 형성될 수 있다. 여기서, 학습용 안저 영상은 치매 판정을 받은 화자들의 아밀로이드 플라크가 검출된 망막의 영상일 수 있다.
안저란 눈의 안쪽 표면으로 수정체의 반대부분으로서, 망막과 시신경유두, 황반, 망막중심오목, 후극이 안저에 포함되어 있다. 바람직하게는 학습을 통해 영상의 상관 관계를 획득하는 단계(S11)는 학습용 안저 영상을 획득하기 위해 안저 카메라를 사용할 수 있다. 안저 카메라는 동공을 통하여 안구의 상태를 촬영하는 의학용 카메라로서, 출혈, 백반, 종양, 융기 따위의 변화를 검사할 때 사용하는 카메라일 수 있다. 본 발명에서 사용되는 안저 카메라는 해당 분야에서 익히 사용되는 의료용 기기일 수 있으므로 이하에서는 안저 카메라의 동작 원리 등에 대한 내용에 대해 따로 서술하지 않도록 한다.
본 발명의 학습을 통해 영상의 상관 관계를 획득하는 단계(S11)는 실제 치매 판정을 받은 환자들로부터 획득한 안저 영상을 학습용 안저 영상으로 설정하고, 해당 환자들에 대한 뇌 활동 패턴 영상을 더 획득할 수 있다. 이는 학습을 통해 영상의 상관 관계를 획득하는 단계(S11)에서 두 값의 상관 관계를 학습하기 위해서 일 수 있다. 학습을 통해 영상의 상관 관계를 획득하는 단계(S11)는 하나의 환자로부터 각각 뇌 활동 패턴 영상 및 학습용 안저 영상을 획득할 수 있으며, 둘 사이의 상관 관계를 도출하기 위해 복수의 환자들로부터 획득한 영상들을 이용할 수 있다.
복수의 입력값과 복수의 출력값이 존재하는 경우, 기계학습을 수행하면, 입력 값으로부터 출력 값을 도출할 수 있는 예측되는 상관관계가 특정 알고리즘으로 출력될 수 있다. 본 발명에서는 기계학습을 통해 획득되는 상관관계를 이용할 수 있다. 여기서 본 발명에서 사용되는 상관 관계를 획득하기 위한 기계학습은 익히 알려진 기계학습 알고리즘 중 어느 하나일 수 있다.
본 발명의 학습을 통해 영상의 상관 관계를 획득하는 단계(S11)에서는 상술한 바와 같이 실제 치매 환자의 데이터를 이용하여 학습을 수행하고 학습 결과를 통해 입력 값과 출력 값의 상관관계를 특정 알고리즘으로 도출해 낼 수 있다. 이때, 본 발명의 다른 실시예에서는 해당 상관관계의 신뢰도를 증가시키기 위해 학습 데이터를 더 투입하도록 구성될 수 있으며, 이 경우에 학습을 통해 영상의 상관 관계를 획득하는 단계(S11)는 실제 치매 환자의 데이터를 적대적 생성 신경망(GAN)에 적용하고, 이를 이용하여 복수의 학습용 추가 데이터를 생성하여 학습을 수행할 수 있다.
상술한 실시예의 경우 본 발명은 최초 제공한 실제 치매 환자 데이터보다 많은 수의 학습 데이터를 확보할 수 있으며, 확보한 다량의 학습 데이터를 이용하여 입력 값과 출력 값의 상관 관계를 보다 높은 정확도로 도출해 낼 수 있는 장점을 가진다.
또, 학습을 통해 영상의 상관 관계를 획득하는 단계(S11)에서 획득하는 치매 예측 영상은 전체 학습 안저 영상을 이용하여 획득될 수도 있으며, 전체 학습 안저 영상에 대하여 기 설정된 중복 확률 이상으로 중복되는 영역들을 하나의 영상에 포함시킨 영상일 수 있다.
한편, 본 발명의 일 실시예에 따른 검사 대상의 촬영 영상으로부터 유사 영상을 획득하는 단계(S13)는 유사 영상 획득부를 이용하여 복수의 검사 대상에 대한 안구 안쪽의 촬영 영상을 획득하고, 획득한 촬영 영상을 저장하며 촬영 영상 중 기 설정된 유사도 값을 가지는 영상을 유사 영상으로 분류하도록 형성될 수 있다. 이를 위해 검사 대상의 촬영 영상으로부터 유사 영상을 획득하는 단계(S13)는 도 5에 도시되는 바와 같이 검사 대상의 촬영 영상을 획득하는 단계(S131), 검사 대상의 촬영 영상을 저장하는 단계(S133) 및 촬영 영상 중 유사 영상을 분류하는 단계(S135)를 포함하여 형성 될 수 있다.
검사 대상의 촬영 영상을 획득하는 단계(S131)는 안구 내부에 대한 자가 형광 안저 촬영을 수행하고, 수행 결과인 촬영 영상을 획득하도록 형성된다. 검사 대상의 촬영 영상을 획득하는 단계(S131)는 안저 카메라를 이용하여 안저 촬영을 수행할 수 있으며, 이에 더해 자가 형광 안저 촬영을 더 수행하여 촬영 영상에 더 포함시킬수 있다.
자가 형광 안저 촬영(Auto-Fluorescence)은 망막 질환 환자를 대상으로 망막 색소 상피 세포에서 발생하는 리포퓨신을 공초점 레이저 검안경으로 촬영하여 망막 상태를 평가하는 비침습적 촬영 기술을 의미한다. 이는 황반 변성의 조기 진단을 위해 사용될 수 있다.
보다 상세히 설명하면, 자가 형광 안저 촬영은 형광 안저 혈관 조영술이 어려운 망막질환 의심 환자를 대상으로 488nm 레이저파장을 조사한 후, 망막 색소 상피에서 스스로 발광하는 리포퓨신(lipofuscin)를 공초점 레이저 검안경(con- focal scanning laser ophthalmoscope)으로 촬영하는 것이다.
자가형광 안저촬영은 형광물질의 주입 없이 자가형광 성질을 이용해 촬영하는 비침습적인 방법이므로, 환자에게 위해를 야기할 위험성이 낮아 안전한 기술이며, 안저촬영으로 확인하지 못하는 병변을 추가로 발견할 수 있다.
검사 대상의 촬영 영상을 저장하는 단계(S133)는 촬영 영상을 컬러 영상, 그레이 영상 및 이진 영상 중 어느 하나의 영상 포멧으로 변경하고, 변경한 포멧의 촬영 영상을 저장하도록 형성된다.
촬영 영상 중 유사 영상을 분류하는 단계(S135)는 학습을 통해 영상의 상관 관계를 획득하는 단계(S11)에서 획득한 상관 관계인 특정 알고리즘을 획득하고, 검사 대상의 촬영 영상을 저장하는 단계(S133)에 저장된 촬영 영상을 획득하여 저장된 촬영 영상을 특정 알고리즘에 적용하여 치매 예측 영상과의 유사도를 확인할 수 있다. 여기서 치매 예측 영상은 상술한 바와 같이 전체 학습 안저 영상을 이용하여 획득될 수도 있으며, 전체 학습 안저 영상에 대하여 기 설정된 중복 확률 이상으로 중복되는 영역들을 하나의 영상에 포함시킨 영상일 수 있다.
즉, 치매 예측 영상에 포함되는 영역들이 처리된 촬영 영상에 많이 존재할 수록 해당 촬영 영상의 주인은 치매 환자일 확률이 높을 수 있다는 것을 의미한다. 따라서, 촬영 영상 중 유사 영상을 분류하는 단계(S135)는 해당 기 설정된 값 이상의 유사도를 가지는 촬영 영상을 유사 영상으로 분류할 수 있다.
위에서는 학습 안저 영상을 이용하여 유사 영상을 분류하였지만, 본 발명은 이에 한정되지 않으며 촬영 영상에 상관 관계를 적용하여 획득되는 예상 뇌 활동 패턴을 유사한 방법을 적용하여 실제 치매 환자들의 뇌 활동 패턴들을 이용한 치매 예측 영상과의 유사도 비교를 수행할 수 있으며, 그 결과를 이용해 유사 영상 분류를 수행할 수도 있다.
본 발명의 유사 영상에 대한 세부 분석을 통해 치매 예상 등급을 선별하는 단계(S15)는 치매 예상 등급 선별부를 이용하여 유사 영상을 기 설정된 알고리즘을 통해 분석하여 해당 유사 영상과 연결된 검사 대상의 치매 예상 등급을 선별하도록 형성된다.
치매환자들의 사후 뇌 조직을 분석한 결과, 신경세포 사이에 베타-아밀로이드 펩타이드가 축적되어 형성된 아밀로이드 플라크(amyloid plaques)와 신경세포 내의 과인산화된 타우 단백질 필라멘트에 의하여 형성된 신경 섬유 덩어리(neurofibrillarytangles)의 존재가 나타난다.
이러한 아밀로이드 플라크의 주성분으로서는 아밀로이드 베타(Aβ) 또는 A베타)를 들수 있는 데, 상기 아밀로이드 베타는 알츠하이머 환자의 뇌에서 발견되는 알츠하이머 질병에 결정적으로 관여하는 36 ~ 43개의 아미노산 펩타이드를 의미한다. 상기 펩타이드는 베타 세크리타제와 감마 세크레타제에 의하여 분해되어 아밀로이드 베타(Aβ)를 생성하는 아밀로이드 전구체 단백질 (APP)에서 유도 된다.
따라서, 본 발명의 유사 영상에 대한 세부 분석을 통해 치매 예상 등급을 선별하는 단계(S15)는 이러한 원리에 착안하여 안저 영상으로부터 베타 아밀로이드 플라크의 영역을 분석하고, 분석 결과를 이용해 치매 예상 등급을 결정 및 출력하도록 할 수 있다. 이를 위해 본 발명의 유사 영상에 대한 세부 분석을 통해 치매 예상 등급을 선별하는 단계(S15)는 도 6에 도시된 바와 같이 유사 영상 내 특정 포인트를 획득하는 단계(S151) 및 특정 포인트를 이용하여 유사 영상의 치매 예상 등급을 출력하는 단계(S153)를 포함하여 형성될 수 있다.
유사 영상 내 특정 포인트를 획득하는 단계(S151)는 유사 영상에 기 설정된 알고리즘을 적용하여 유사 영상으로부터 유효 베타 아밀로이드 플라크의 위치인 특정 포인트를 획득하도록 형성된다. 유사 영상 내 특정 포인트를 획득하는 단계(S151)는 검사 대상의 촬영 영상으로부터 유사 영상을 획득하는 단계(S13)를 통해 획득한 유사 영상을 3개의 알고리즘 중 적어도 하나를 이용하여 처리하고, 그 결과로부터 특정 포인트를 획득할 수 있다. 본 발명에서 특정 포인트는 유효 영상에 포함되는 베타 아밀로이드 플라크인 유효 베타 아밀로이드 플라크의 위치로 정의한다.
유사 영상 내 특정 포인트를 획득하는 단계(S151)에서 사용하는 3가지 알고리즘은 각각 부분 신뢰도 맵(Part Confidence Maps, PCM) 알고리즘, 부분 선호도 영역(Part Affinity Fields, PAF) 알고리즘 및 이진 매칭(Bipartite Matching, BM) 알고리즘일 수 있다.
각 알고리즘은 익히 알려진 알고리즘으로 아래 간단한 설명으로 해당 알고리즘에 대한 설명을 갈음하도록 한다.
부분 신뢰도 맵은 입력된 영상에서 베타 아밀로이드 플라크의 키 포인트가 존재할 확률이 높은 위치를 나타내는 2D 히트맵을 학습하고, 학습한 2D 히트맵을 논 맥시멈 서프레션(Non-Maximum-Suppression, NMS)를 통해 영상으로 표현한 것을 나타내며, 이때 부분 신뢰도 맵은 키 포인트에 대한 지역이 입력되어 나타날 수 있다.
상술한 히트맵은 가우시안 모델로 그 영역이 정확하지 않으며, 베타 아밀로이드가 중첩되어 존재하는 경우에는 각각의 베타 아밀로이드에 대한 히트맵을 선정하는 것에 유의하여야 한다. 이를 위해서 부분 신뢰도 맵은 중첩되는 히트맵을 가지는 경우, 가우시안 모델의 평균점에서 가장 높은 점을 참 값인 키 포인트로 선정하는 알고리즘을 수행할 수 있다.
부분 선호도 영역 알고리즘은 부분 신뢰도 맵 알고리즘에서 나눠진 키포인트에 따라 넓어지는 영역의 방향과 복수의 다른 베타 아밀로이드 가우시안 모델에서 획득 가능한 다른 베타 아밀로이드 플라크와의 영역별 연관을 이용하여 치맹ㅢ 단계를 파악할 수 있는 위치와 수를 제공하기 위한 알고리즘이다.
이진 매칭 알고리즘은 치매와 연관이 없는 베타 아밀로이드를 배제하여 보다 치매와 관련이 있는 영역에서 부분 신뢰도 맵 알고리즘과 부분 선호도 영역 알고리즘을 통해 나눠진 베타 아밀로이드의 위치와 수를 이용하여 치매 예측을 수행하기 위해 사용되는 알고리즘이다.
상술한 3개의 알고리즘은 상호 보완적 알고리즘으로 하나의 알고리즘만을 사용하는 경우에 본 발명의 신뢰도가 감소할 수 있으며, 바람직하게는 본 발명의 유사 영상 내 특정 포인트를 획득하는 단계(S151)는 3개의 알고리즘을 모두 사용하여 키 포인트를 포함하는 베타 아밀로이드 플라크의 특정 포인트를 획득하도록 형성될 수 있다.
특정 포인트를 이용하여 유사 영상의 치매 예상 등급을 출력하는 단계(S153)는 유사 영상 내 특정 포인트를 획득하는 단계(S151)에서 획득한 특정 포인트를 서로 연결하여 유사 영상 내의 유효 베타 아밀로이드 플라크의 영역을 시각화하고, 이를 이용하여 기 설정된 기준을 통해 치매 예상 등급을 결정 및 출력할 수 있다.
본 발명의 특정 포인트를 이용하여 유사 영상의 치매 예상 등급을 출력하는 단계(S153)는 상술한 유사 영상 내 특정 포인트를 획득하는 단계(S151)에서 획득한 특정 포인트인 치매와 연관된 베타 아밀로이드 플라크 키 포인트 개수 및 기타 외부로부터 입력받은 설정값을 이용하여 유효 베타 아밀로이드 플라크의 특정 포인트를 서로 연결하여 애니메이션으로 구현하는 바텀업 방식의 히트맵을 생성하도록 형성된다. 이를 통해 본 발명의 특정 포인트를 이용하여 유사 영상의 치매 예상 등급을 출력하는 단계(S153)는 실시간으로 베타 아밀로이드 플라크의 분포를 외부에 시각화 하여 전달할 수 있다.
또, 특정 포인트를 이용하여 유사 영상의 치매 예상 등급을 출력하는 단계(S153)는 유효 베타 아밀로이드 플라크의 영역 크기 및 위치를 기 학습된 학습 결과와 비교하여 해당 영상의 현재 치매 등급 또는 추후 예상되는 치매 예상 등급을 결정하고 외부에 출력함으로써 검사 대상에 대한 추가 검진 또는 관리를 수행할 수 있도록 할 수 있다.
이상에서 본 발명의 일 실시예에 대하여 설명하였으나, 본 발명의 사상은 본 명세서에 제시되는 실시 예에 제한되지 아니하며, 본 발명의 사상을 이해하는 당업자는 동일한 사상의 범위 내에서, 구성요소의 부가, 변경, 삭제, 추가 등에 의해서 다른 실시 예를 용이하게 제안할 수 있을 것이나, 이 또한 본 발명의 사상범위 내에 든다고 할 것이다.
1: 안저 영상 학습을 이용한 치매 예측 선별 시스템
11: 영상 상관 관계 획득부 13: 유사 영상 획득부
15: 치매 예상 등급 선별부
131: 촬영 영상 획득 모듈 133: 촬영 영상 저장 모듈
135: 유사 영상 분류 모듈
151: 특정 포인트 획득 모듈 153: 처리 결과 출력 모듈
11: 영상 상관 관계 획득부 13: 유사 영상 획득부
15: 치매 예상 등급 선별부
131: 촬영 영상 획득 모듈 133: 촬영 영상 저장 모듈
135: 유사 영상 분류 모듈
151: 특정 포인트 획득 모듈 153: 처리 결과 출력 모듈
Claims (6)
- 실제 치매 판정을 받은 환자들에 대한 뇌 활동 패턴 영상 및 학습용 안저 영상을 각각 획득하고, 획득한 상기 뇌 활동 패턴 영상 및 상기 학습용 안저 영상을 각각 입력 값 및 출력 값으로 하여 기 설정한 알고리즘을 이용하는 기계학습을 수행하며, 상기 기계학습의 학습 결과를 통해 상기 입력 값과 상기 출력 값 사이의 특정 알고리즘으로 표현되는 상관 관계 및 치매 예측 영상을 도출하는 영상 상관관계 획득부;
복수의 검사 대상에 대한 안구 안쪽의 촬영 영상을 획득하고, 획득한 상기 촬영 영상을 저장하며, 상기 촬영 영상 중 기 설정된 유사도 값을 가지는 영상을 유사 영상으로 분류하는 유사 영상 획득부; 및
상기 유사 영상을 기 설정된 알고리즘을 통해 분석하여 해당 유사 영상과 연결된 상기 검사 대상의 치매 예상 등급을 선별하는 치매 예상 등급 선별부;를 포함하는 안저 영상 학습을 이용한 치매 예측 선별 시스템. - 제 1항에 있어서,
상기 학습용 안저 영상은,
상기 치매 판정을 받은 환자들의 베타 아밀로이드 플라크가 검출된 안저 영상인 안저 영상 학습을 이용한 치매 예측 선별 시스템. - 제 1항에 있어서,
상기 유사 영상 획득부는,
안구 내부에 대한 자가형광 안저촬영을 수행하고, 수행 결과인 상기 촬영 영상을 획득하는 촬영 영상 획득 모듈;
상기 촬영 영상을 컬러 영상, 그레이 영상 및 이진 영상 중 어느 하나의 영상 포멧으로 변경하고, 변경한 포멧의 상기 촬영 영상을 저장하는 촬영 영상 저장 모듈; 및
상기 상관 관계인 상기 특정 알고리즘에 저장된 촬영 영상을 적용하고 그 결과 값을 상기 치매 예측 영상과 비교하여 유사도를 확인하고, 기 설정된 유사도 값 이상을 나타내는 촬영 영상을 상기 유사 영상으로 분류하는 유사 영상 분류 모듈;을 포함하는 안저 영상 학습을 이용한 치매 예측 선별 시스템. - 제 1항에 있어서,
상기 치매 예상 등급 선별부는,
상기 유사 영상에 기 설정된 알고리즘을 적용하여 유사 영상으로부터 유효 베타 아밀로이드 플라크의 위치인 특정 포인트를 획득하는 특정 포인트 획득 모듈; 및
상기 특정 포인트를 서로 연결하여 상기 유효 베타 아밀로이드 플라크의 영역을 시각화하고, 이를 이용하여 기 설정된 기준을 통해 상기 치매 예상 등급을 결정하고 출력하는 처리 결과 출력 모듈;을 포함하는 안저 영상 학습을 이용한 치매 예측 선별 시스템. - 제 4항에 있어서,
상기 기 설정된 알고리즘은,
부분 신뢰도 맵(Part Confidence Maps, PCM) 알고리즘, 부분 선호도 영역 (Part Affinity Fields, PAF) 알고리즘 및 이진 매칭(Bipartite Matching, BM) 알고리즘 중 적어도 하나를 포함하는 안저 영상 학습을 이용한 치매 예측 선별 시스템. - 영상 상관 관계 획득부를 이용하여 실제 치매 판정을 받은 환자들에 대한 뇌 활동 패턴 영상 및 학습용 안저 영상을 각각 획득하고, 획득한 상기 뇌 활동 패턴 영상 및 상기 학습용 안저 영상을 각각 입력 값 및 출력 값으로 하여 기 설정한 알고리즘을 이용하는 기계학습을 수행하며, 상기 기계학습의 학습 결과를 통해 상기 입력 값과 상기 출력 값 사이의 특정 알고리즘으로 표현되는 상관 관계 및 치매 예측 영상을 도출하는 단계;
유사 영상 획득부를 이용하여 복수의 검사 대상에 대한 안구 안쪽의 촬영 영상을 획득하고, 획득한 상기 촬영 영상을 저장하며, 상기 촬영 영상 중 기 설정된 유사도 값을 가지는 영상을 유사 영상으로 분류하는 단계; 및
치매 예상 등급 선별부를 이용하여 상기 유사 영상을 기 설정된 알고리즘을 통해 분석하여 해당 유사 영상과 연결된 상기 검사 대상의 치매 예상 등급을 선별하는 단계;를 포함하는 안저 영상 학습을 이용한 치매 예측 선별 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210193455A KR102697857B1 (ko) | 2021-12-30 | 2021-12-30 | 안저 영상 학습을 이용한 치매 예측 선별 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210193455A KR102697857B1 (ko) | 2021-12-30 | 2021-12-30 | 안저 영상 학습을 이용한 치매 예측 선별 시스템 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230102951A true KR20230102951A (ko) | 2023-07-07 |
| KR102697857B1 KR102697857B1 (ko) | 2024-08-23 |
Family
ID=87154390
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210193455A KR102697857B1 (ko) | 2021-12-30 | 2021-12-30 | 안저 영상 학습을 이용한 치매 예측 선별 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102697857B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180138328A (ko) * | 2017-06-21 | 2018-12-31 | (주)지아이시그널 | 치매 예측 시스템 및 그 구동방법 |
| KR20210017616A (ko) * | 2019-08-09 | 2021-02-17 | 주식회사 인포쉐어 | 파킨슨병의 진단장치 |
| KR102322531B1 (ko) | 2021-03-15 | 2021-11-04 | 삼육대학교산학협력단 | 착용형 아밀로이드-베타 플라크 검사 장치 및 이를 포함하는 알츠하이머병 진단 시스템 |
-
2021
- 2021-12-30 KR KR1020210193455A patent/KR102697857B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180138328A (ko) * | 2017-06-21 | 2018-12-31 | (주)지아이시그널 | 치매 예측 시스템 및 그 구동방법 |
| KR20210017616A (ko) * | 2019-08-09 | 2021-02-17 | 주식회사 인포쉐어 | 파킨슨병의 진단장치 |
| KR102322531B1 (ko) | 2021-03-15 | 2021-11-04 | 삼육대학교산학협력단 | 착용형 아밀로이드-베타 플라크 검사 장치 및 이를 포함하는 알츠하이머병 진단 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102697857B1 (ko) | 2024-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7509505B2 (ja) | 眼の画像内における病変の検知 | |
| KR20200005407A (ko) | 안구 이미지 기반의 진단 보조 이미지 제공 장치 | |
| CN113646805A (zh) | 眼科和全身性疾病的基于图像的检测 | |
| Kauppi | Eye fundus image analysis for automatic detection of diabetic retinopathy | |
| US11974808B2 (en) | Anterior eye disease diagnostic system and diagnostic method using same | |
| Norouzifard et al. | Automated glaucoma diagnosis using deep and transfer learning: Proposal of a system for clinical testing | |
| Shanthini et al. | Threshold segmentation based multi-layer analysis for detecting diabetic retinopathy using convolution neural network | |
| CN113962311A (zh) | 知识数据和人工智能驱动的眼科多病种识别系统 | |
| KR20210149003A (ko) | 안구 이미지 기반의 진단 보조 이미지 제공 장치 | |
| Panda et al. | Describing the structural phenotype of the glaucomatous optic nerve head using artificial intelligence | |
| US20230245772A1 (en) | A Machine Learning System and Method for Predicting Alzheimer's Disease Based on Retinal Fundus Images | |
| Rakhmetulayeva et al. | IMPLEMENTATION OF CONVOLUTIONAL NEURAL NETWORK FOR PREDICTING GLAUCOMA FROM FUNDUS IMAGES. | |
| KR102697857B1 (ko) | 안저 영상 학습을 이용한 치매 예측 선별 시스템 및 방법 | |
| KR102418399B1 (ko) | 인공지능 기반 치매 조기 진단 플랫폼 | |
| Sabina et al. | Convolutional Neural Network Analysis of Fundus for Glaucoma Diagnosis | |
| US20240020830A1 (en) | System and methods of predicting parkinson's disease based on retinal images using machine learning | |
| KR20200049195A (ko) | 녹내장 의증 진단을 위한 안저영상 분석 방법 | |
| Abbood et al. | Automatic classification of diabetic retinopathy through segmentation using cnn | |
| Negi et al. | An Experimental Approach Pertaining To Transfer Learning Models For Classification Of Diabetic Retinopathy | |
| WO2024089642A1 (en) | System and method for detecting glaucoma | |
| KR20230093403A (ko) | 딥러닝을 이용한 백내장 진단방법 및 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |