KR20230106949A - 입자 기반의 시뮬레이션을 통해 경동맥에서의 혈류 특성을 분석하는 방법 및 시스템 - Google Patents
입자 기반의 시뮬레이션을 통해 경동맥에서의 혈류 특성을 분석하는 방법 및 시스템 Download PDFInfo
- Publication number
- KR20230106949A KR20230106949A KR1020220002719A KR20220002719A KR20230106949A KR 20230106949 A KR20230106949 A KR 20230106949A KR 1020220002719 A KR1020220002719 A KR 1020220002719A KR 20220002719 A KR20220002719 A KR 20220002719A KR 20230106949 A KR20230106949 A KR 20230106949A
- Authority
- KR
- South Korea
- Prior art keywords
- carotid artery
- blood flow
- information
- flow characteristics
- patient
- Prior art date
Links
- 230000017531 blood circulation Effects 0.000 title claims abstract description 205
- 238000004088 simulation Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 74
- 210000001715 carotid artery Anatomy 0.000 claims abstract description 280
- 239000002245 particle Substances 0.000 claims abstract description 56
- 238000010801 machine learning Methods 0.000 claims description 68
- 230000001575 pathological effect Effects 0.000 claims description 52
- 230000015654 memory Effects 0.000 claims description 43
- 230000036772 blood pressure Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 230000002966 stenotic effect Effects 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 claims description 4
- 230000010365 information processing Effects 0.000 description 57
- 238000013528 artificial neural network Methods 0.000 description 32
- 238000004891 communication Methods 0.000 description 30
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 17
- 210000004204 blood vessel Anatomy 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 239000013598 vector Substances 0.000 description 9
- 238000005206 flow analysis Methods 0.000 description 7
- 230000005291 magnetic effect Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 210000001168 carotid artery common Anatomy 0.000 description 4
- 210000000269 carotid artery external Anatomy 0.000 description 4
- 210000004004 carotid artery internal Anatomy 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 230000000946 synaptic effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013529 biological neural network Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 208000019553 vascular disease Diseases 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000001953 Hypotension Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005534 hematocrit Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 208000012866 low blood pressure Diseases 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 210000000225 synapse Anatomy 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02028—Determining haemodynamic parameters not otherwise provided for, e.g. cardiac contractility or left ventricular ejection fraction
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
- A61B5/0275—Measuring blood flow using tracers, e.g. dye dilution
-
- 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
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Hematology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Vascular Medicine (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Radiology & Medical Imaging (AREA)
- Optics & Photonics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
본 개시의 일 실시예에 따른 컴퓨팅 장치에 의해 동작되는 경동맥에서의 혈류 특성 분석 방법은, 환자의 경동맥에 대한 영상을 획득하는 단계, 경동맥에 대한 영상을 기초로 경동맥의 형상을 모사하는 3D 이미지를 생성하는 단계, 환자 내의 혈류에 대한 정보를 수신하는 단계, 수신된 환자의 혈류에 대한 정보를 기초로 경동맥에 대응하는 3D 이미지 내에서 복수의 입자를 이용한 시뮬레이션을 수행하는 단계 및 수행된 시뮬레이션의 결과를 기초로 경동맥 내의 혈류 특성에 대한 정보를 결정하는 단계를 포함한다.
Description
본 발명은 입자 기반의 시뮬레이션을 통해 경동맥에서의 특성을 분석하는 방법 및 시스템에 관한 것으로, 구체적으로, 환자의 혈류에 대한 정보 및 경동맥에 대응하는 3D 이미지 내에서 복수의 입자를 이용한 시뮬레이션을 수행하는 방법 및 시스템에 관한 것이다.
최근, 환자의 영상을 이용하여 환자 내의 혈관 특성을 분석하는 기법이 개발되고 있다. 이를 위해, 종래 기법은, 환자의 영상을 통해 환자 내의 혈관의 형상을 분석하고, 이러한 분석 결과를 통해 혈관의 질환을 발견해내고자 하였다. 이렇게 발견된 혈관의 질환은 의사, 환자, 병리학자 등에 제공될 수 있었다.
그러나, 기존 기법에 따라 분석된 혈관의 형상만으로는 혈관 내에 흐르는 피의 흐름을 분석하기에는 어려움이 있었다. 특히, 혈관 내에 흐르는 피는 유체로서, 혈관이 유사한 형상이라고 하더라도 혈관 내에서 상이하게 흐를 수 있다. 즉, 혈관의 형상 만으로는, 혈류 특성을 예측하기 어려울 뿐만 아니라, 혈류 특성에 따라 결정되는 해당 환자의 질환 역시 예측하는 데에 어려움이 있었다.
본 개시는 상기와 같은 문제점을 해결하기 위한 입자 기반의 시뮬레이션을 통해 경동맥에서의 혈류 특성을 분석하는 방법, 기록매체에 저장된 컴퓨터 프로그램 및 시스템(장치)을 제공한다.
본 개시는 방법, 장치(시스템) 또는 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 포함한 다양한 방식으로 구현될 수 있다.
본 개시의 일 실시예에 따르면, 정보 처리 시스템의 적어도 하나의 프로세서에 의해 수행되는, 입자 기반의 시뮬레이션을 통해 경동맥에서의 혈류 특성을 분석하는 방법은, 환자의 경동맥에 대한 영상을 획득하는 단계, 경동맥에 대한 영상을 기초로 경동맥의 형상을 모사하는 3D 이미지를 생성하는 단계, 환자 내의 혈류에 대한 정보를 수신하는 단계, 수신된 환자의 혈류에 대한 정보를 기초로 경동맥에 대응하는 3D 이미지 내에서 복수의 입자를 이용한 시뮬레이션을 수행하는 단계 및 수행된 시뮬레이션의 결과를 기초로 경동맥 내의 혈류 특성에 대한 정보를 결정하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 결정된 경동맥 내의 혈류 특성에 대한 정보를 결정하는 단계는, 경동맥 내의 병리학적 정보를 결정하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 병리학적 정보는 경동맥 내에서의 적어도 하나의 협착 영역에 대한 정보, 경동맥의 내벽에 주어진 wall shear 스트레스에 대한 정보 또는 경동맥 내의 다이내믹스(dynamics) 중 적어도 하나를 포함한다.
본 개시의 일 실시예에 따르면, 경동맥 내의 혈류 특성에 대한 정보를 결정하는 단계는, 제1 기계학습 모델을 이용하여, 경동맥 내의 결정된 혈류 특성으로부터 경동맥 내의 병리학적 정보를 추론하는 단계를 포함한다. 여기서, 제1 기계학습 모델은, 복수의 참조 환자의 복수의 참조 혈류 특성으로부터 복수의 참조 환자의 참조 병리학적 정보를 출력하도록 학습된다.
본 개시의 일 실시예에 따르면, 경동맥 내의 혈류 특성에 대한 정보를 결정하는 단계는, 제2 기계학습 모델을 이용하여 수행된 시뮬레이션의 결과로부터 경동맥 내의 혈류 특성에 대한 정보를 출력하는 단계를 포함한다. 또한, 경동맥 내의 혈류 특성에 대한 정보를 결정하는 단계는, 환자의 바이오메트릭 정보를 수신하는 단계 및 제3 기계학습 모델을 이용하여 수신된 환자의 바이오메트릭 정보 및 출력된 혈류 특성에 대한 정보로부터 경동맥 내의 병리학적 정보를 출력하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 환자 내의 혈류에 대한 정보는, 환자의 경동맥에서의 특정 영역에서의 혈류 속도, 혈류량, 또는 혈압 중 적어도 하나의 정보를 포함한다.
본 개시의 일 실시예에 따르면, 환자의 경동맥에서의 특정 영역에서의 혈류 속도, 혈류량, 또는 혈압 중 적어도 하나는, 미리 결정된 영역 내에서의 값을 갖도록 설정된다.
본 개시의 일 실시예에 따르면, 3D 이미지를 생성하는 단계는, 경동맥의 적어도 일부 영역을 연장시키는 단계 및 경동맥의 외부에 구조물 노드를 추가하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 경동맥에 대응하는 3D 이미지 내에서 복수의 입자를 이용한 시뮬레이션을 수행하는 단계는, 환자의 심장 박동에 따른 수축 또는 팽창된 경동맥에 대해 경동맥 내에 복수의 입자가 이동 가능하도록 집어넣음으로써, 시뮬레이션을 수행하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 경동맥 내의 혈류 특성에 대한 정보를 결정하는 단계는, 경동맥 내를 이동하는 복수의 입자의 움직임을 분석하여 실시간으로 경동맥 내의 혈류 특성에 대한 정보를 해석하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 경동맥에서의 혈류 특성을 분석하는 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.
본 개시의 다른 실시예에 따른, 경동맥에서의 혈류 특성을 분석하는 시스템은, 하나 이상의 인스트럭션을 저장하는 메모리 및 메모리의 하나 이상의 인스트럭션을 실행함으로써, 환자의 경동맥에 대한 영상을 획득하고, 경동맥에 대한 영상을 기초로 경동맥의 형상을 모사하는 3D 이미지를 생성하고, 환자 내의 혈류에 대한 정보를 수신하고, 수신된 환자의 혈류에 대한 정보를 기초로 경동맥에 대응하는 3D 이미지 내에서 복수의 입자를 이용한 시뮬레이션을 수행하고, 수행된 시뮬레이션의 결과를 기초로 경동맥 내의 혈류 특성에 대한 정보를 결정하도록 구성된 적어도 하나의 프로세서를 포함한다.
본 개시의 일부 실시예에 따르면, 경동맥에서의 형상뿐만 아니라 경동맥에 대응하는 3D 이미지 내에서의 시뮬레이션을 통해 경동맥에서의 혈류 특성이 분석되기 때문에, 경동맥 내의 혈류 특성이 보다 정확하게 분석될 수 있다.
본 개시의 일부 실시예에 따르면, 경동맥에 대응하는 3D 이미지 내에서의 입자 기반의 시뮬레이션을 통해 혈류 특성이 결정될 수 있다. 이에 따라, 심장 박동에 따른 혈관의 수축/팽창이 일어나더라도, 격자 기반의 시뮬레이션과 달리, 혈관 내에서 입자를 이동 가능하도록 집어넣음으로써 시뮬레이션하는 것이 가능하기 때문에, 혈관의 수축/팽창에 따른 혈관의 형상을 다시 생성할 필요 없이 혈류 분석이 가능하다. 나아가, 이러한 입자 기반의 시뮬레이션을 통해 조금 더 실감이 있는(realistic) 시뮬레이션 결과(디지털 트윈)를 제공하는 것이 가능하고, 실시간으로 이러한 시뮬레이션 결과가 생성될 수 있다.
본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자("통상의 기술자"라 함)에게 명확하게 이해될 수 있을 것이다.
본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 개시의 일 실시예에 따른 경동맥에서의 혈류 특성을 분석하는 과정의 예시를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 정보 처리 시스템이 복수의 사용자 단말과 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 정보 처리 시스템의 프로세서의 내부 구성을 나타내는 도면이다.
도 5는 본 개시의 일 실시예에 따른 제1 기계학습 모델을 이용한 병리학적 정보를 결정하는 방법의 예시를 나타내는 도면이다.
도 6은 본 개시의 다른 실시예에 따른 제2 기계학습 모델 및 제3 기계학습 모델을 이용한 병리학적 정보를 결정하는 방법의 예시를 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따른 기계학습 모델의 예시를 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따른 입자 기반의 시뮬레이션 수행 전에 3D 이미지에 대한 전처리하는 방법의 예시를 나타내는 도면이다.
도 9는 본 개시의 일 실시예에 따른 3D 입자 기반 시뮬레이션의 과정을 나타내는 예시도이다.
도 10은 본 개시의 일 실시예에 따른 경동맥에서의 혈류 특성을 분석하는 방법의 예시를 나타내는 흐름도이다.
도 1은 본 개시의 일 실시예에 따른 경동맥에서의 혈류 특성을 분석하는 과정의 예시를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 정보 처리 시스템이 복수의 사용자 단말과 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 정보 처리 시스템의 프로세서의 내부 구성을 나타내는 도면이다.
도 5는 본 개시의 일 실시예에 따른 제1 기계학습 모델을 이용한 병리학적 정보를 결정하는 방법의 예시를 나타내는 도면이다.
도 6은 본 개시의 다른 실시예에 따른 제2 기계학습 모델 및 제3 기계학습 모델을 이용한 병리학적 정보를 결정하는 방법의 예시를 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따른 기계학습 모델의 예시를 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따른 입자 기반의 시뮬레이션 수행 전에 3D 이미지에 대한 전처리하는 방법의 예시를 나타내는 도면이다.
도 9는 본 개시의 일 실시예에 따른 3D 입자 기반 시뮬레이션의 과정을 나타내는 예시도이다.
도 10은 본 개시의 일 실시예에 따른 경동맥에서의 혈류 특성을 분석하는 방법의 예시를 나타내는 흐름도이다.
이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.
첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.
개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만 '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.
본 개시의 일 실시예에 따르면 '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서는, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.
본 개시에서, '시스템'은 서버 장치와 클라우드 장치 중 적어도 하나의 장치를 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 시스템은 하나 이상의 서버 장치로 구성될 수 있다. 다른 예로서, 시스템은 하나 이상의 클라우드 장치로 구성될 수 있다. 또 다른 예로서, 시스템은 서버 장치와 클라우드 장치가 함께 구성되어 동작될 수 있다.
본 개시에서, '기계학습 모델'은 주어진 입력에 대한 답을 추론하는데 사용하는 임의의 모델을 포함할 수 있다. 일 실시예에 따르면, 기계학습 모델은 입력 레이어(층), 복수 개의 은닉 레이어 및 출력 레이어를 포함한 인공신경망 모델을 포함할 수 있다. 여기서, 각 레이어는 하나 이상의 노드를 포함할 수 있다. 예를 들어, 제1 기계학습 모델은 경동맥 내의 결정된 혈류 특성으로부터 경동맥 내의 병리학적 정보를 출력하도록 학습될 수 있다. 다른 예에서, 제2 기계학습 모델은 수행된 시뮬레이션의 결과로부터 경동맥 내의 혈류 특성에 대한 정보를 출력하도록 학습될 수 있다. 또 다른 예에서, 제3 기계학습 모델은 수신된 환자의 바이오메트릭 정보 및 제2 기계학습 모델로부터 출력된 혈류 정보로부터 경동맥 내의 병리학적 정보를 출력하도록 학습될 수 있다. 또한, 기계학습 모델은 기계학습 모델에 포함된 복수의 노드와 연관된 가중치를 포함할 수 있다. 여기서, 가중치는 기계학습 모델과 연관된 임의의 파라미터를 포함할 수 있다. 본 개시에서, 기계학습 모델은 인공신경망 모델을 지칭할 수 있으며, 인공신경망 모델은 기계학습 모델을 지칭할 수 있다. 본 개시에 따른 기계학습 모델은 다양한 학습 방법을 이용하여 학습된 모델일 수 있다. 예를 들어, 지도 학습 (Supervised Learning), 자율 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등 다양한 학습 방법이 본 개시에 이용될 수 있다.
본 개시에서, '학습'은 환자의 경동맥 내의 혈류 특성, 경동맥 내에서의 입자 기반의 시뮬레이션 결과, 환자의 바이오메트릭 정보, 환자의 병리학적 정보 중 적어도 하나를 포함한 학습 데이터를 이용하여 기계학습 모델에 포함된 가중치를 변경하는 임의의 과정을 지칭할 수 있다. 일 실시예에 따르면, 학습은 학습 데이터를 이용하여 기계학습 모델을 한번 이상의 순방향 전파(forward propagation) 및 역방향 전자(backward propagation)을 통해 기계학습 모델과 연관된 가중치를 변경하거나 업데이트하는 과정을 지칭할 수 있다.
본 개시에서, '복수의 A의 각각' 또는 '복수의 A 각각'은 복수의 A에 포함된 모든 구성 요소의 각각을 지칭하거나, 복수의 A에 포함된 일부 구성 요소의 각각을 지칭할 수 있다.
본 개시에서, '유사'는 동일 또는 유사하다는 의미를 모두 포함할 수 있다. 예를 들어, 두 정보가 유사하다는 것은 두 정보가 서로 동일하거나 유사하다는 것을 지칭할 수 있다.
본 개시에서, '인스트럭션(instruction)'은, 기능을 기준으로 묶인 일련의 명령어들로서 컴퓨터 프로그램의 구성 요소이자 프로세서에 의해 실행되는 것을 지칭할 수 있다.
본 개시에서, '이미지'는 하나 이상의 이미지를 지칭할 수 있다. 또한, 이미지는 영상을 지칭할 수 있으며, 영상은 이미지를 지칭할 수 있다.
도 1은 본 개시의 일 실시예에 따른 경동맥에서의 혈류 특성을 분석하는 과정의 예시를 나타내는 도면이다. 정보 처리 시스템(미도시)은 환자의 경동맥에 대한 영상(110)을 획득할 수 있다. 여기서, 환자의 경동맥에 대한 영상은 X-ray 등을 이용하여 하나 이상의 2D 이미지, CT(computer tomography), MRI(Magnetic Resonance Imaging) 등을 이용하여 촬상된 3D 이미지 등을 포함할 수 있다.
일 실시예에 따르면, 정보 처리 시스템은 획득된 경동맥에 대한 영상을 기초로 경동맥의 형상을 모사하는 3D 이미지(120)를 생성할 수 있다. 이러한 3D 이미지(120)는 경동맥의 적어도 일부를 촬상한 2D 이미지 또는 3D 이미지로부터 생성될 수 있다. 이러한 3D 이미지(120)는 입자 기반의 시뮬레이션을 수행하는데 사용될 수 있다.
정보 처리 시스템은 환자 내의 혈류에 대한 정보(130)를 수신할 수 있다. 이러한 환자 내부의 혈류에 대한 정보(130)는 환자의 임의의 혈관 내의 혈류의 특징을 나타내는 임의의 정보를 나타낼 수 있는데, 이에 한정되지 않으나, 예를 들어, 환자의 혈압, 혈류 속도, 혈류량 등을 포함할 수 있다. 이러한 환자 내부의 혈류에 대한 정보(130)는 침습적인 방법으로 또는 비침습적 방법으로 획득될 수 있다.
일 실시예에 따르면, 환자 내의 혈류에 대한 정보(130)는 환자의 경동맥에서의 특정 영역에서의 혈류 속도, 혈류량, 혈압 중 적어도 하나에 대한 정보를 포함할 수 있다. 여기서, 환자의 경동맥에서의 특정 영역에서의 혈류 속도, 혈류량, 또는 혈압 중 적어도 하나는, 미리 결정된 영역 내에서의 값을 갖도록 설정될 수 있다.
그리고 나서, 정보 처리 시스템은, 획득된 환자의 혈류에 대한 정보(130)를 기초로 경동맥 내의 3D 이미지(120) 내에서 복수의 입자를 이용한 시뮬레이션(140)을 수행할 수 있다. 즉, 정보 처리 시스템은, 환자의 경동맥에 대응하는 디지털 트윈(digital twin)을 생성할 수 있다. 이러한 시뮬레이션 결과(디지털 트윈)를 생성하기 위하여, 정보 처리 시스템은 경동맥을 격자로 표현하는 대신에, 입자를 기반으로 표시함으로써 시뮬레이션하는 것이 가능하다. 예를 들어, 이러한 입자 기반의 시뮬레이션 방법은, SPH(Smoothed Particle Hydrodynamics), MPS(Moving Particle Semi-implicit), LBM(Lattice Boltzmann Method) 등을 포함할 수 있으나, 이에 한정되지 않는다. 예를 들어, 이러한 입자 기반 방식 중 하나인 LBM 기반의 시뮬레이션 방식은, 격자 상에서 가상의 입자들의 확률분포함수를 이용하여 경동맥 내의 혈류를 예측할 수 있는데, 이러한 혈류(유체) 해석 방식은, 계산량을 줄이면서도 정확한 결과가 도출될 수 있다. 특히, 혈류와 같은 복잡한 경계나 다상 유동의 해석이 용이하게 해석될 수 있다.
일 실시예에 따르면, 정보 처리 시스템은 수행된 시뮬레이션 결과를 기초로 경동맥 내의 혈류 특성에 대한 정보(150)를 결정할 수 있다. 여기서, 경동맥 내의 혈류 특성에 대한 정보(150)는, 경동맥 내의 혈류에 대한 특성을 나타내는 임의의 정보를 지칭할 수 있다. 예를 들어, 경동맥 내의 혈류 특성에 대한 정보(150)는, 생성된 3D 이미지로부터 획득된 경동맥의 형상에 대한 정보, 입자 기반의 시뮬레이션을 통해 예측된 경동맥 내의 혈류 속도, 혈류량, 혈압 및/또는 FFR(Fractional flow reserve)에 대한 정보 등을 포함할 수 있으나, 이에 한정되지 않는다.
도 2는 본 개시의 일 실시예에 따른 정보 처리 시스템이 복수의 사용자 단말과 통신 가능하도록 연결된 구성을 나타내는 개요도이다. 도시된 바와 같이, 복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 경동맥에서의 혈류 특성 분석 서비스를 제공할 수 있는 정보 처리 시스템(230)과 연결될 수 있다. 여기서, 복수의 사용자 단말(210_1, 210_2, 210_3)은 경동맥에서의 혈류 특성 및/또는 병리학적 정보를 제공하는 서비스를 제공받을 사용자(의사, 병리학자, 환자 등)의 단말을 포함할 수 있다. 일 실시예에서, 정보 처리 시스템(230)은 경동맥에서의 혈류 분석 프로그램, 입자 기반 시뮬레이션 프로그램 등과 관련된 컴퓨터 실행 가능한 프로그램(예를 들어, 다운로드 가능한 애플리케이션) 및 데이터를 저장, 제공 및 실행할 수 있는 하나 이상의 서버 장치 및/또는 데이터베이스, 또는 클라우드 컴퓨팅 서비스 기반의 하나 이상의 분산 컴퓨팅 장치 및/또는 분산 데이터베이스를 포함할 수 있다.
정보 처리 시스템(230)에 의해 제공되는 경동맥에서의 혈류 분석 서비스는, 복수의 사용자 단말(210_1, 210_2, 210_3)의 각각에 설치된 경동맥에서의 혈류 분석 애플리케이션 등을 통해 사용자에게 제공될 수 있다. 예를 들어, 정보 처리 시스템(230)은 경동맥에서의 혈류 분석 애플리케이션 등을 통해 사용자 단말(210_1, 210_2, 210_3)로부터 수신되는 환자의 경동맥에 대한 영상 분석 요청에 대응하는 정보를 제공하거나 대응하는 처리를 수행할 수 있다.
복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 정보 처리 시스템(230)과 통신할 수 있다. 네트워크(220)는 복수의 사용자 단말(210_1, 210_2, 210_3)과 정보 처리 시스템(230) 사이의 통신이 가능하도록 구성될 수 있다. 네트워크(220)는 설치 환경에 따라, 예를 들어, 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크, 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 ZigBee 등과 같은 무선 네트워크 또는 그 조합으로 구성될 수 있다. 통신 방식은 제한되지 않으며, 네트워크(220)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐만 아니라 사용자 단말(210_1, 210_2, 210_3) 사이의 근거리 무선 통신 역시 포함될 수 있다.
도 2에서 휴대폰 단말(210_1), 태블릿 단말(210_2) 및 PC 단말 (210_3)이 사용자 단말의 예로서 도시되었으나, 이에 한정되지 않으며, 사용자 단말(210_1, 210_2, 210_3)은 유선 및/또는 무선 통신이 가능하고 경동맥에서의 혈류 특성 분석 애플리케이션 등이 설치되어 실행될 수 있는 임의의 컴퓨팅 장치일 수 있다. 예를 들어, 사용자 단말은, 스마트폰, 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC, 게임 콘솔(game console), AI 스피커, 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스, 셋톱 박스 등을 포함할 수 있다. 또한, 도 2에는 3개의 사용자 단말(210_1, 210_2, 210_3)이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 상이한 수의 사용자 단말이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하도록 구성될 수도 있다.
일 실시예에 따르면, 정보 처리 시스템(230)은 복수의 사용자 단말(210_1, 210_2, 210_3)로부터 환자의 경동맥에 대한 영상 및 경동맥에서의 혈류 분석 요청을 수신할 수 있다. 그리고 나서, 정보 처리 시스템(230)은 수신된 경동맥에 대한 영상을 입자 기반의 시뮬레이션을 수행하여 경동맥 내의 혈류 특성에 대한 정보 및/또는 경동맥 내의 병리학정 정보를 생성하여, 복수의 사용자 단말(210_1, 210_2, 210_3)에 제공할 수 있다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 정보 처리 시스템의 내부 구성을 나타내는 블록도이다. 사용자 단말(210)은 및 경동맥에서의 혈류 분석 애플리케이션 등을 실행 가능하고 유/무선 통신이 가능한 임의의 컴퓨팅 장치를 지칭할 수 있으며, 예를 들어, 도 2의 휴대폰 단말(210_1), 태블릿 단말(210_2), PC 단말(210_3) 등을 포함할 수 있다. 도시된 바와 같이, 사용자 단말(210)은 메모리(312), 프로세서(314), 통신 모듈(316) 및 입출력 인터페이스(318)를 포함할 수 있다. 이와 유사하게, 정보 처리 시스템(230)은 메모리(332), 프로세서(334), 통신 모듈(336) 및 입출력 인터페이스(338)를 포함할 수 있다. 도 3에 도시된 바와 같이, 사용자 단말(210) 및 정보 처리 시스템(230)은 각각의 통신 모듈(316, 336)을 이용하여 네트워크(220)를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다. 또한, 입출력 장치(320)는 입출력 인터페이스(318)를 통해 사용자 단말(210)에 정보 및/또는 데이터를 입력하거나 사용자 단말(210)로부터 생성된 정보 및/또는 데이터를 출력하도록 구성될 수 있다.
메모리(312, 332)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(312, 332)는 RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 사용자 단말(210) 또는 정보 처리 시스템(230)에 포함될 수 있다. 또한, 메모리(312, 332)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 사용자 단말(210)에 설치되어 구동되는 경동맥에서의 혈류 분석 애플리케이션 등을 위한 코드)가 저장될 수 있다.
이러한 소프트웨어 구성요소들은 메모리(312, 332)와는 별도의 컴퓨터에서 판독가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독가능한 기록매체는 이러한 사용자 단말(210) 및 정보 처리 시스템(230)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈을 통해 메모리(312, 332)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 애플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 네트워크(220)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 메모리(312, 332)에 로딩될 수 있다.
프로세서(314, 334)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(312, 332) 또는 통신 모듈(316, 336)에 의해 프로세서(314, 334)로 제공될 수 있다. 예를 들어, 프로세서(314, 334)는 메모리(312, 332)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 모듈(316, 336)은 네트워크(220)를 통해 사용자 단말(210)과 정보 처리 시스템(230)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 사용자 단말(210) 및/또는 정보 처리 시스템(230)이 다른 사용자 단말 또는 다른 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 사용자 단말(210)의 프로세서(314)가 메모리(312) 등과 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청 또는 데이터(예를 들어, 환자의 경동맥에 대한 영상 및/또는 경동맥에서의 혈류 분석 요청 등)는 통신 모듈(316)의 제어에 따라 네트워크(220)를 통해 정보 처리 시스템(230)으로 전달될 수 있다. 역으로, 정보 처리 시스템(230)의 프로세서(334)의 제어에 따라 제공되는 제어 신호나 명령이 통신 모듈(336)과 네트워크(220)를 거쳐 사용자 단말(210)의 통신 모듈(316)을 통해 사용자 단말(210)에 수신될 수 있다. 예를 들어, 사용자 단말(210)은 정보 처리 시스템(230)으로부터 통신 모듈(316)을 통해 경동맥에서의 혈류 분석에 대한 결과 등을 수신할 수 있다.
입출력 인터페이스(318)는 입출력 장치(320)와의 인터페이스를 위한 수단일 수 있다. 일 예로서, 입력 장치는 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 키보드, 마이크로폰, 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로, 입출력 인터페이스(318)는 터치스크린 등과 같이 입력과 출력을 수행하기 위한 구성 또는 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 사용자 단말(210)의 프로세서(314)가 메모리(312)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 정보 처리 시스템(230)이나 다른 사용자 단말이 제공하는 정보 및/또는 데이터를 이용하여 구성되는 서비스 화면 등이 입출력 인터페이스(318)를 통해 디스플레이에 표시될 수 있다. 도 3에서는 입출력 장치(320)가 사용자 단말(210)에 포함되지 않도록 도시되어 있으나, 이에 한정되지 않으며, 사용자 단말(210)과 하나의 장치로 구성될 수 있다. 또한, 정보 처리 시스템(230)의 입출력 인터페이스(338)는 정보 처리 시스템(230)과 연결되거나 정보 처리 시스템(230)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 3에서는 입출력 인터페이스(318, 338)가 프로세서(314, 334)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(318, 338)가 프로세서(314, 334)에 포함되도록 구성될 수 있다.
사용자 단말(210) 및 정보 처리 시스템(230)은 도 3의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 일 실시예에 따르면, 사용자 단말(210)은 상술된 입출력 장치(320) 중 적어도 일부를 포함하도록 구현될 수 있다. 또한, 사용자 단말(210)은 트랜시버(transceiver), GPS(Global Positioning system) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수 있다. 예를 들어, 사용자 단말(210)이 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 구성요소를 포함할 수 있으며, 예를 들어, 가속도 센서, 자이로 센서, 카메라 모듈, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 사용자 단말(210)에 더 포함되도록 구현될 수 있다. 일 실시예에 따르면, 사용자 단말(210)의 프로세서(314)는 상품 기획전 생성 서비스를 제공하는 애플리케이션 등이 동작하도록 구성될 수 있다. 이 때, 해당 애플리케이션 및/또는 프로그램과 연관된 코드가 사용자 단말(210)의 메모리(312)에 로딩될 수 있다.
경동맥 내의 혈류 특성 분석 애플리케이션 등을 위한 프로그램이 동작되는 동안에, 프로세서(314)는 입출력 인터페이스(318)와 연결된 터치 스크린, 키보드, 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 마이크로폰 등의 입력 장치를 통해 입력되거나 선택된 텍스트, 이미지, 영상, 음성 및/또는 동작 등을 수신할 수 있으며, 수신된 텍스트, 이미지, 영상, 음성 및/또는 동작 등을 메모리(312)에 저장하거나 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공할 수 있다. 예를 들어, 프로세서(314)는 경동맥에서의 혈류 영상에 대한 사용자의 선택을 나타내는 입력을 수신하여. 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공할 수 있다. 다른 예로서, 프로세서(314)는 선택된 경동맥에서의 혈류 영상에 대한 분석을 요청하는 사용자 입력을 수신하여, 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공할 수 있다. 또 다른 예로서, 프로세서(314)는 입력 장치(320)를 통해 환자의 혈류에 대한 정보를 입력하는 사용자 입력을 수신하고, 환자의 혈류에 대한 정보를 네트워크(220) 및 통신 모듈(316)을 통해 정보 처리 시스템(230)에 제공할 수 있다.
사용자 단말(210)의 프로세서(314)는 입력 장치(320), 다른 사용자 단말, 정보 처리 시스템(230) 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 프로세서(314)에 의해 처리된 정보 및/또는 데이터는 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공될 수 있다. 사용자 단말(210)의 프로세서(314)는 입출력 인터페이스(318)를 통해 입출력 장치(320)로 정보 및/또는 데이터를 전송하여, 출력할 수 있다. 예를 들면, 프로세서(314)는 수신한 정보 및/또는 데이터를 사용자 단말의 화면에 디스플레이할 수 있다.
정보 처리 시스템(230)의 프로세서(334)는 복수의 사용자 단말(210) 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 프로세서(334)에 의해 처리된 정보 및/또는 데이터는 통신 모듈(336) 및 네트워크(220)를 통해 사용자 단말(210)에 제공할 수 있다. 일 실시예에서, 정보 처리 시스템(230)의 프로세서(334)는 사용자 단말(210)로부터 수신된 환자의 경동맥에서의 혈류 분석 요청에 기초하여, 수신된 경동맥에 대한 영상에서의 입자 기반의 시뮬레이션을 통한 분석 결과를 생성할 수 있다.
정보 처리 시스템(230)의 프로세서(334)는 사용자 단말(210)의 디스플레이 출력 가능 장치(예: 터치 스크린, 디스플레이 등), 음성 출력 가능 장치(예: 스피커) 등의 출력 장치(320)를 통해 처리된 정보 및/또는 데이터를 출력하도록 구성될 수 있다. 예를 들어, 정보 처리 시스템(230)의 프로세서(334)는, 생성된 환자의 경동맥 내의 혈류 특성 및/또는 혈류 특성을 기초로 생성된 병리학적 정보)를 통신 모듈(336) 및 네트워크(220)를 통해 사용자 단말(210)로 제공하고, 경동맥 내의 혈류 특성 및/또는 병리학적 정보를 사용자 단말(210)의 디스플레이 출력 가능 장치 등을 통해 출력하도록 구성될 수 있다.
도 4는 본 개시의 일 실시예에 따른 정보 처리 시스템의 프로세서(334)의 내부 구성을 나타내는 도면이다. 일 실시예에 따르면, 프로세서(334)는 3D 이미지 생성부(410), 시뮬레이션 수행부(420), 혈류 특성 정보 생성부(430) 및 병리학적 정보 결정부(440)를 포함할 수 있다. 도 4에서 프로세서(334)의 내부 구성을 기능별로 구분하여 설명하지만, 이는 반드시 물리적으로 구분되는 것을 의미하지 않는다는 것을 밝혀 둔다. 또한, 도 4에서 도시한 프로세서(334)의 내부 구성은 예시일 뿐이며, 필수 구성만을 도시한 것은 아니다. 따라서, 일부 실시예에서 프로세서(334)는 도시한 내부 구성 외 다른 구성을 추가로 포함하거나, 도시한 구성 내부 중 일부 구성이 생략되는 등 다르게 구현될 수 있다.
프로세서(334)는 환자의 경동맥에 대한 영상을 수신할 수 있다. 여기서, 환자의 경동맥에 대한 영상은, 임의의 의료 촬상 장치를 통해 촬상된 환자의 경동맥이 포함된 2D 이미지 또는 3D 이미지일 수 있다. 일 실시예에 따르면, 환자의 경동맥에 대한 영상은 통신 가능한 저장 매체(예를 들어, 병원 시스템, 로컬/클라우드 저장 시스템 등), 사용자 단말 등을 통해 수신될 수 있다. 예를 들어, 2D 이미지는 X-ray 촬상 장치를 통해 촬상될 수 있고, 3D 이미지는 CT, MRI 촬상 장치 등을 통해 획득될 수 있다.
3D 이미지 생성부(410)는 경동맥에 대한 영상을 기초로 경동맥의 형상을 모사하는 3D 이미지를 생성할 수 있다. 일 실시예에 따르면, 3D 이미지 생성부(410)는 복수의 2D 이미지를 환자의 경동맥에 대한 영상(110)으로써 획득할 수 있다. 이 경우, 3D 이미지 생성부(410)는, 획득된 2D 이미지를 이용하여 경동맥의 형상을 모사하는 3D 이미지를 생성할 수 있다. 이를 위해, 3D 이미지 생성부(410)는, 복수의 2D 이미지를 이용하여 미리 알려진 임의의 3D 영상 생성 기법을 이용하여 경동맥의 형상을 모사하는 3D 이미지를 생성할 수 있다. 예를 들어, 3D 영상 생성 기법은, 에피폴라 지오메트리 등과 같이 스테레오 비전의 지오메트리를 이용한 기법을 지칭할 수 있으나, 이에 한정되지 않는다.
다른 실시예에서, 3D 이미지 생성부(410)는 3D 이미지를 환자의 경동맥에 대한 영상으로써 획득한 경우, 획득된 3D 이미지 내에서의 환자의 경동맥에 대응하는 복수의 2D 슬라이스 이미지를 추출할 수 있다. 그리고 나서, 3D 이미지 생성부(410)는 추출된 복수의 2D 슬라이스 이미지를 이용하여 환자의 경동맥을 모사하는 3D 이미지를 재구성할 수 있다. 이렇게 생성된 3D 이미지는 시뮬레이션 수행부(420)에 제공될 수 있다.
시뮬레이션 수행부(420)는 3D 이미지 생성부(410)으로부터 환자의 경동맥에 대응하는 3D 이미지를 수신할 수 있다. 또한, 시뮬레이션 수행부(420)는 해당 환자 내의 혈류에 대한 정보를 수신할 수 있다. 여기서, 환자 내의 혈류에 대한 정보는 혈류에 대한 정보 및/또는 해석 조건에 대한 정보를 포함할 수 있다. 예를 들어, 환자 내의 혈류에 대한 정보는 혈류의 초기 밀도, 점성, 초기 속도 중 적어도 하나를 포함할 수 있다.
시뮬레이션 수행부(420)는 환자 내의 혈류에 대한 정보는 임의의 저장 매체로부터 수신하거나, 사용자 단말에서의 입력을 통해 수신될 수 있다. 여기서, 환자 내의 혈류에 대한 정보는 환자의 경동맥에서의 특정 영역에서의 혈류 속도, 혈류량, 혈압 중 적어도 하나에 대한 정보를 포함할 수 있다. 여기서, 특정 영역은, 환자의 경동맥에서 위치한 임의의 영역을 지칭할 수 있는데, 이에 한정되지 않으나, 예를 들어, CCA(common carotid artery), ICA(Internal carotid artery), ECA(external carotid artery)의 일측 또는 양측의 가장 자리 영역 등을 지칭할 수 있다.
일 실시예에 따르면, 환자의 경동맥에서의 특정 영역에서의 혈류 속도, 혈류량, 혈압 중 적어도 하나에 대한 정보는 입자 기반의 시뮬레이션의 해석 조건으로써 미리 결정된 영역 내에서의 값을 갖도록 설정될 수 있다. 즉, 환자의 혈류에 대한 정보는 환자로부터 실제 측정된 값이 아니라, 미리 결정된 영역 내의 하나 이상의 값으로 가정되어 설정될 수 있다. 여기서, 미리 결정된 영역은, 특정 그룹의 환자의 평균 혈류 속도 구간, 평균 혈류량 구간, 평균 혈압 구간 중 적어도 하나를 지칭할 수 있다. 특정 그룹은, 아무 질환이 없는 사람들의 그룹, 특정 질환(예를 들어, 협착증 등)이 있는 사람들의 그룹 또는 질환 여부와 관계없이 모든 사람들의 그룹을 지칭할 수 있다. 이에 따라, 시뮬레이션 수행부(420)는 이렇게 설정된 값들을 환자 내의 혈류에 대한 정보로서 수신할 수 있다.
그리고 나서, 시뮬레이션 수행부(420)는 환자의 혈류에 대한 정보를 기초로 경동맥 내의 3D 이미지 내에서 복수의 입자를 이용한 시뮬레이션을 수행할 수 있다. 예를 들어, 입자는 혈관 내에서 가상적으로 흐를 수 있는 임의의 형상을 가진 객체를 지칭할 수 있는데, 이에 한정되지 않으나, 구슬 형상의 객체를 지칭할 수 있다. 여기서, 구슬 형상의 객체는 경동맥 내에 흐를 수 있는 임의의 입자 사이즈를 가질 수 있는데, 예를 들어, 10 마이크로, 100마이크로 일 수 있으나, 이보다 작은 입자일 수도 있다.
일 실시예에 따르면, 시뮬레이션 수행부(420)는 LBM 기반의 유체 해석을 통해, 경동맥에 대응하는 3D 이미지 내에서 시뮬레이션을 수행할 수 있다. 예를 들어, 시뮬레이션 수행부(420)는 환자의 혈류에 대한 정보, 예를 들어, 환자의 경동맥의 CCA(common carotid artery), ICA(Internal carotid artery) 및/또는 ECA(external carotid artery)의 일측 및/또는 양측 가장자리의 혈류 속도, 혈류량, 혈압 중 적어도 하나의 정보를 수신할 수 있다. 시뮬레이션 수행부(420)는 이러한 정보에 기초하여 경동맥에 대응하는 3D 이미지 내의 혈류 데이터의 계산을 위한 영역 및 출력을 위한 영역에 대한 정보를 결정할 수 있다. 시뮬레이션 수행부(420)는 이렇게 계산을 위한 영역에서의 복수의 입자에 관한 유동 데이터를 산출할 수 있고 이미 결정된 출력을 위한 영역에 기초하여 LBM 기반의 유체 해석 시뮬레이션을 수행할 수 있다. 여기서, 경동맥 내의 계산을 위한 복수의 영역의 각각의 일부는 서로 중첩될 수 있다. 이와 마찬가지로, 경동맥 내의 출력을 위한 복수의 영역의 일부는 또한 서로 중첩될 수 있다. 이렇게 경동맥에 대응하는 3D 이미지에서 시뮬레이션된 결과, 즉, 디지털 트윈은 혈류 특성 정보 생성부(430)에 제공될 수 있다.
혈류 특성 정보 생성부(430)는 시뮬레이션 수행부(420)로부터 수신된 시뮬레이션 결과를 기초로 환자의 경동맥 내의 혈류 특성에 대한 정보를 결정할 수 있다. 여기서, 경동맥 내의 혈류 특성에 대한 정보는, 생성된 3D 이미지로부터 획득된 경동맥의 형상에 대한 정보, 입자 기반의 시뮬레이션을 통해 예측된 경동맥 내의 혈류 속도, 혈류량, 혈압, FFR(Fractional flow reserve)에 대한 정보 중 적어도 하나를 포함할 수 있다.
일 실시예에 따르면, 혈류 특성 정보 생성부(430)는 기계학습 모델을 이용하여 수행된 시뮬레이션의 결과로부터 경동맥 내의 혈류 특성에 대한 정보를 출력할 수 있다. 또한, 기계학습 모델은, 복수의 참조 환자의 각각의 경동맥에 대응하는 3D 이미지에서의 복수의 참조 시뮬레이션 결과로부터 해당 참조 환자의 경동맥 내의 참조 혈류 특성을 출력하도록 학습될 수 있다. 이러한 경동맥 내의 혈류 특성에 대한 정보는 병리학적 정보 결정부(440)에 제공될 수 있다.
병리학적 정보 결정부(440)는 기계학습 모델을 이용하여 경동맥 내의 혈류 특성으로부터 경동맥 내의 병리학적 정보를 추론할 수 있다. 여기서, 기계학습 모델은 복수의 참조 환자의 복수의 참조 혈류 특성으로부터 복수의 참조 환자의 참조 병리학적 정보를 출력하도록 학습될 수 있다. 여기서, 병리학적 정보는 경동맥 내에서의 적어도 하나의 협착 영역에 대한 정보, 경동맥의 내벽에 주어진 wall shear 스트레스에 대한 정보 또는 경동맥 내의 다이내믹스 중 적어도 하나를 포함할 수 있으나, 이에 한정되지 않는다.
다른 실시예에서, 병리학적 정보 결정부(440)는 환자의 바이오메트릭 정보를 더 수신할 수 있다. 여기서, 환자의 바이오메트릭 정보는, 환자의 나이, 키, 몸무게, 체지방률, 혈관 석회화(vessel calcification), 헤마토크리트(hematocrit) 등의 정보를 포함할 수 있으나, 이에 한정되지 않는다. 혈류 특성 정보 생성부(430)는 기계학습 모델을 이용하여 수신된 환자의 바이오메트릭 정보 및 해당 환자의 혈류 특성에 대한 정보로부터 경동맥 내의 병리학적 정보를 출력할 수 있다. 여기서, 기계학습 모델은, 복수의 참조 환자의 각각의 바이오메트릭 정보 및 해당 환자의 혈류 특성에 대한 정보로부터 해당 환자의 경동맥 내의 병리학적 정보를 출력하도록 학습될 수 있다.
도 5는 본 개시의 일 실시예에 따른 제1 기계학습 모델(510)을 이용한 병리학적 정보(520)를 결정하는 방법의 예시를 나타내는 도면이다. 도 5에 도시된 제1 기계학습 모델(510)의 추론 과정은, 프로세서(예를 들어, 정보 처리 시스템의 적어도 하나의 프로세서 또는 사용자 단말의 적어도 하나의 프로세서)에 의해 수행될 수 있다. 도시된 바와 같이, 제1 기계학습 모델(510)은 환자의 혈류 특성에 대한 정보(150)를 기초로, 병리학적 정보(520)를 출력할 수 있다. 학습의 경우, 복수의 참조 환자의 각각의 혈류 특성에 대한 정보로부터 해당 환자의 병리학적 정보가 추론되도록 제1 기계학습 모델(510)이 학습될 수 있다.
그리고 나서, 프로세서는 제1 기계학습 모델(510)을 학습할 때 복수의 참조 환자의 혈류 특성에 대한 정보를 학습 입력 데이터로 하고, 입력된 혈류 특성에 대응하는 참조 환자의 병리학적 정보를 정답 데이터(ground truth)로서 이용할 수 있다. 여기서, 병리학적 정보는, 경동맥 내에서의 적어도 하나의 협착 영역에 대한 정보, 경동맥의 내벽에 주어진 wall shear 스트레스에 대한 정보 및/또는 경동맥 내의 다이내믹스를 포함할 수 있다.
도 6은 본 개시의 다른 실시예에 따른 제2 기계학습 모델(610) 및 제3 기계학습 모델(630)을 이용한 병리학적 정보(640)를 결정하는 방법의 예시를 나타내는 도면이다. 도시된 바와 같이, 2개의 기계학습 모델을 이용하여 대상 환자의 경동맥 내에서의 입자 기반의 시뮬레이션(140)의 결과 및 바이오메트릭 정보(620)를 이용하여 병리학적 정보(640)를 생성할 수 있다. 도 6에 도시된 제2 기계학습 모델(610) 및 제3 기계학습 모델(630)의 추론 과정은, 프로세서(예를 들어, 정보 처리 시스템의 적어도 하나의 프로세서 또는 사용자 단말의 적어도 하나의 프로세서)에 의해 수행될 수 있다.
일 실시예에 따르면, 제2 기계학습 모델(610)은 대상 환자의 경동맥 내에서의 시뮬레이션(140)의 결과를 입력받아 해당 환자의 경동맥 내에서의 혈류 특성에 대한 정보(150)를 출력할 수 있다. 이러한 혈류 특성에 대한 정보(150)는 제3 기계학습 모델(630)의 입력 데이터로 사용될 수 있다. 여기서, 프로세서는 제2 기계학습 모델(610)을 학습할 때 복수의 참조 환자의 경동맥 내에서의 참조 시뮬레이션 결과를 입력 데이터로 수신하고, 입력된 참조 시뮬레이션 결과에 대응하는 참조 환자의 경동맥 내에서의 병리학적 정보를 정답 데이터(ground truth)로서 이용할 수 있다.
제3 기계학습 모델(630)은 제2 기계학습 모델(610)로부터의 출력인 대상 환자의 혈류 특성에 대한 정보(150) 및 해당 환자의 바이오메트릭 정보(620)를 입력 데이터로서 수신할 수 있다. 제3 기계학습 모델(630)은 이러한 입력 데이터로부터 병리학적 정보(640)를 출력할 수 있다. 여기서, 프로세서는, 프로세서는 제3 기계학습 모델(630)을 학습할 때 복수의 참조 환자의 경동맥 내에서의 참조 혈류 특성에 대한 정보를 입력 데이터로 수신하고, 입력된 참조 혈류 특성에 대응하는 참조 환자의 경동맥 내에서의 병리학적 정보를 정답 데이터(ground truth)로서 이용할 수 있다.
도 6에서는 제2 기계학습 모델(610) 및 제3 기계학습 모델(630)이 서로 구분되는 것으로 상술되었으나, 이에 한정되지 않는다. 예를 들어, 제2 기계학습 모델(610) 및 제3 기계학습 모델(630)은 하나의 기계학습 모델로 구현되거나 둘 이상의 기계학습 모델로 구현될 수 있다.
도 7은 본 개시의 일 실시예에 따른 기계학습 모델의 예시를 나타내는 도면이다. 일 실시예에 따르면, 기계학습 모델은 인공신경망 모델(700)을 지칭할 수 있다. 예를 들어, 제1 기계학습 모델(510), 제2 기계학습 모델(610) 또는 제3 기계학습 모델(630) 중 적어도 하나는 인공신경망 모델일 수 있다. 여기서, 인공신경망 모델(700)은, 기계학습(Machine Learning) 기술과 인지과학에서, 생물학적 신경망의 구조에 기초하여 구현된 통계학적 학습 알고리즘 또는 그 알고리즘을 실행하는 구조이다.
일 실시예에 따르면, 인공신경망 모델(700)은, 생물학적 신경망에서와 같이 시냅스의 결합으로 네트워크를 형성한 인공 뉴런인 노드(Node)들이 시냅스의 가중치를 반복적으로 조정하여, 특정 입력에 대응한 올바른 출력과 추론된 출력 사이의 오차가 감소되도록 학습함으로써, 문제 해결 능력을 가지는 기계학습 모델을 나타낼 수 있다. 예를 들어, 인공신경망 모델(700)은 기계 학습, 딥러닝 등의 인공지능 학습법에 사용되는 임의의 확률 모델, 뉴럴 네트워크 모델 등을 포함할 수 있다.
일 실시예에 따르면, 인공신경망 모델(700)은 경동맥 내의 혈류 특성을 입력받아 경동맥 내의 병리학적 정보를 출력하도록 구성된 인공신경망 모델을 포함할 수 있다. 다른 실시예에서, 인공신경망 모델(700)은 경동맥 내에서의 시뮬레이션의 결과를 입력받아 경동맥 내의 혈류 특성에 대한 정보를 출력하도록 구성될 수 있다. 또 다른 실시예에서, 인공신경망 모델(700)은 환자의 바이오메트릭 정보 및 해당 환자의 혈류 특성에 대한 정보를 입력받아 경동맥 내의 병리학적 정보를 출력하도록 구성될 수 있다.
인공신경망 모델(700)은 다층의 노드들과 이들 사이의 연결로 구성된 다층 퍼셉트론(MLP: multilayer perceptron)으로 구현된다. 본 실시예에 따른 인공신경망 모델(700)은 MLP를 포함하는 다양한 인공신경망 모델 구조들 중의 하나를 이용하여 구현될 수 있다. 도 7에 도시된 바와 같이, 인공신경망 모델(700)은, 외부로부터 입력 신호 또는 데이터(710)를 수신하는 입력층(720), 입력 데이터에 대응한 출력 신호 또는 데이터(750)를 출력하는 출력층(740), 입력층(720)과 출력층(740) 사이에 위치하며 입력층(720)으로부터 신호를 받아 특성을 추출하여 출력층(740)으로 전달하는 n개(여기서, n은 양의 정수)의 은닉층(730_1 내지 730_n)으로 구성된다. 여기서, 출력층(740)은 은닉층(730_1 내지 730_n)으로부터 신호를 받아 외부로 출력한다.
인공신경망 모델(700)의 학습 방법에는, 교사 신호(정답)의 입력에 의해서 문제의 해결에 최적화되도록 학습하는 지도 학습(Supervised Learning) 방법과, 교사 신호를 필요로 하지 않는 비지도 학습(Unsupervised Learning) 방법이 있다. 일 실시예에서, 정보 처리 시스템은 경동맥 내의 혈류 특성을 입력받아 경동맥 내의 병리학적 정보를 출력하기 위하여 참조 환자의 경동맥 내의 혈류 특성 및 참조 환자의 경동맥 내의 병리학적 정보를 포함한 학습 데이터를 이용한 지도 학습(Supervised Learning)을 통해 인공신경망 모델(700)을 학습시킬 수 있다. 다른 실시예에서, 정보 처리 시스템은 경동맥 내에서의 입자 기반의 시뮬레이션의 결과를 입력받아 경동맥 내의 혈류 특성에 대한 정보를 출력하기 위하여 참조 환자의 경동맥 내에서의 참조 시뮬레이션 결과 및 참조 환자의 경동맥 내의 혈류 특성에 대한 정보를 포함한 학습 데이터를 이용한 지도 학습을 통해 인공신경망 모델(700)을 학습시킬 수 있다. 또 다른 실시예에서, 정보 처리 시스템은 환자의 바이오메트릭 정보 및 해당 환자의 혈류 특성에 대한 정보를 입력받아 경동맥 내의 병리학적 정보를 출력하기 위하여 참조 환자의 바이오메트릭 정보 및 참조 환자의 혈류 특성에 대한 정보 및 참조 환자의 경동맥 내의 병리학적 정보를 학습 데이터를 이용한 지도 학습을 통해 인공신경망 모델(700)을 학습시킬 수 있다.
일 실시예에 따르면, 인공신경망 모델(700)의 입력변수는, 경동맥 내의 혈류 특성에 대한 정보일 수 있다. 예를 들어, 인공신경망 모델(700)의 입력층(720)에 입력되는 입력변수는, 환자의 경동맥에서의 혈류 특성에 대한 정보를 나타내거나 특징화하는, 벡터(710)가 될 수 있다. 이 경우, 환자의 경동맥에서의 혈류 특성에 대한 정보의 입력에 응답하여, 인공신경망 모델(700)의 출력층(740)에서 출력되는 출력변수는 해당 환자의 경동맥 내의 병리학적 정보를 나타내거나 특징화하는 벡터(750)가 될 수 있다.
다른 실시예에서, 인공신경망 모델(700)의 입력변수는, 경동맥 내의 혈류 특성에 대한 정보일 수 있다. 예를 들어, 인공신경망 모델(700)의 입력층(720)에 입력되는 입력변수는, 환자의 경동맥 내에서의 입자 기반의 시뮬레이션의 결과를 나타내거나 특징화하는, 벡터(710)가 될 수 있다. 이 경우, 환자의 경동맥 내에서의 입자 기반의 시뮬레이션의 결과의 입력에 응답하여, 인공신경망 모델(700)의 출력층(740)에서 출력되는 출력변수는 해당 환자의 경동맥 내의 혈류 특성에 대한 정보를 나타내거나 특징화하는 벡터(750)가 될 수 있다.
또 다른 실시예에서, 인공신경망 모델(700)의 입력변수는, 경동맥 내의 혈류 특성에 대한 정보일 수 있다. 예를 들어, 인공신경망 모델(700)의 입력층(720)에 입력되는 입력변수는, 환자의 바이오메트릭 정보 및 해당 환자의 혈류 특성에 대한 정보를 나타내거나 특징화하는, 벡터(710)가 될 수 있다. 여기서, 이러한 벡터(710)는 환자의 바이오메트릭 정보 및 해당 환자의 혈류 특성에 대한 정보를 나타내는 하나의 벡터이거나, 두 정보의 각각을 나타내는 두 개의 벡터로 이루어질 수 있다. 이 경우, 환자의 바이오메트릭 정보 및 해당 환자의 혈류 특성에 대한 정보의 입력에 응답하여, 인공신경망 모델(700)의 출력층(740)에서 출력되는 출력변수는 해당 환자의 경동맥 내의 병리학적 정보를 나타내거나 특징화하는 벡터(750)가 될 수 있다.
이와 같이, 인공신경망 모델(700)의 입력층(720)과 출력층(740)에 복수의 입력변수와 대응되는 복수의 출력변수가 각각 매칭되고, 입력층(720), 은닉층(730_1 내지 730_n) 및 출력층(740)에 포함된 노드들 사이의 시냅스 값이 조정됨으로써, 특정 입력에 대응한 올바른 출력이 추출될 수 있도록 학습될 수 있다. 이러한 학습 과정을 통해, 인공신경망 모델(700)의 입력변수에 숨겨져 있는 특성을 파악할 수 있고, 입력변수에 기초하여 계산된 출력변수와 목표 출력 간의 오차가 줄어들도록 인공신경망 모델(700)의 노드들 사이의 시냅스 값(또는 가중치)를 조정할 수 있다.
도 8은 본 개시의 일 실시예에 따른 입자 기반의 시뮬레이션 수행 전에 3D 이미지에 대한 전처리하는 방법의 예시를 나타내는 도면이다. 프로세서(예: 정보 처리 시스템의 프로세서 및/또는 사용자 단말의 프로세서)는 경동맥에 대응하는 3D 이미지 내에서 복수의 입자를 이용한 시뮬레이션을 수행하기 이전에, 3D 이미지의 형상을 전처리할 수 있다. 일 실시예에 따르면, 프로세서는 3D 이미지에 포함된 경동맥의 적어도 일부 영역을 연장시키고, 경동맥의 외부에 구조물 노드를 추가할 수 있다.
일 실시예에 따르면, 경동맥을 포함한 3D 이미지(810)를 이용하여 입자 기반의 시뮬레이션을 수행하는 경우, 경동맥에 포함된 혈관의 내외부에 유동이 발생해서 계산 시간이 급격히 증가될 수 있다. 이러한 문제점을 해결하기 위하여, 프로세서는 3D 이미지(810)에 대한 전처리 과정을 수행할 수 있다.
도시된 바와 같이, 프로세서는, 3D 이미지(810) 내에 포함된 경동맥의 형상(820) 중에서, 경동맥의 branch의 길이가 연장된 경동맥의 형상(830)을 생성할 수 있다. 그리고 나서, 프로세서는 생성된 경동맥의 형상(830)을 미리 결정된 크기의 3D 이미지 프레임에 맞추기 위하여, 생성된 경동맥의 형상(830)의 일부가 절단된 경동맥의 형상(840)을 생성하고, 절단된 경동맥의 형상(840)의 내부가 닫힌 경동맥의 형상(850)을 생성할 수 있다. 그 후, 프로세서는, 닫힌 경동맥의 형상(850)의 내부에 포함된 객체들의 적어도 일부를 제거함으로써, 빈 경동맥의 형상(860)을 생성할 수 있다. 그리고 나서, 프로세서는 빈 경동맥의 형상(860)의 내부가 닫힌 경동맥의 형상(870)을 생성할 수 있다. 이러한 전처리 과정을 통해, 프로세서는 전처리된 경동맥의 형상에 대한 입자 기반의 시뮬레이션이 수행될 시에 경동맥의 형상을 신속하게 해석할 수 있다.
그리고 나서, 프로세서는 내부가 닫힌 경동맥의 형상(870)의 혈관벽 외부가 구조물로 채워진 경동맥의 형상(880)을 생성할 수 있다. 이와 같은 처리를 수행함으로써, 경동맥의 외부 유동이 발생되지 않기 때문에, 경동맥의 형상(880)에 대한 입자 기반의 시뮬레이션을 수행 시 계산 시간이 감소되고, 나아가 필요한 리소스(예: 메모리 용량)가 감소될 수 있다.
도 9는 본 개시의 일 실시예에 따른 3D 입자 기반 시뮬레이션의 과정을 나타내는 예시도이다. 프로세서(예: 정보 처리 시스템의 프로세서 및/또는 사용자 단말의 프로세서)는, 환자의 경동맥에 대응하는 3D 이미지 내에서 복수의 입자를 이용한 시뮬레이션을 수행할 수 있다. 예를 들어, 프로세서는 환자의 심장 박동에 따른 수축 또는 팽창된 경동맥에 대해 경동맥 내에 복수의 입자가 이동 가능하도록 집어넣음(put in)으로써, 시뮬레이션을 수행할 수 있다.
프로세서는, 이러한 시뮬레이션 결과를 기초로 경동맥 내를 이동하는 복수의 입자의 움직임을 분석하여 실시간으로 경동맥 내의 혈류 특성에 대한 정보를 해석할 수 있다. 예를 들어, 도시된 바와 같이, 프로세서는 경동맥에 대응하는 3D 이미지 내에서 입자 기반의 시뮬레이션을 수행하기 때문에, 경동맥의 팽창 시 혈압이 낮은 것을 실시간으로 해석하여 생성한 제1 3D 이미지(910) 및 경동맥의 수축 시 혈압이 높은 것을 실시간으로 해석하여 생성한 제2 3D 이미지(920)를 출력할 수 있다. 이렇게 생성된 제1 3D 이미지(910) 및 제2 3D 이미지(920)는 시간에 따라 사용자 단말의 디스플레이 장치에 출력 또는 표시될 수 있다.
도 10은 본 개시의 일 실시예에 따른 경동맥에서의 혈류 특성을 분석하는 방법의 예시를 나타내는 흐름도이다. 일 실시예에 따르면, 경동맥에서의 혈류 특성을 분석하는 방법(1000)은 정보 처리 시스템 및/또는 사용자 단말의 적어도 하나의 프로세서에 의해 수행될 수 있다. 도시된 바와 같이, 방법(1000)은 프로세서가 환자의 경동맥에 대한 영상을 획득하는 단계(S1010)로 개시될 수 있다.
프로세서는 경동맥에 대한 영상을 기초로 경동맥의 형상을 모사하는 3D 이미지를 생성할 수 있다(S1020). 또한, 프로세서는, 환자 내의 혈류에 대한 정보를 수신할 수 있다(S1030). 그리고 나서, 프로세서는, 수신된 환자의 혈류에 대한 정보를 기초로 경동맥에 대응하는 3D 이미지 내에서 복수의 입자를 이용한 시뮬레이션을 수행할 수 있다(S1040). 이렇게 수행된 시뮬레이션 결과를 기초로 경동맥 내의 혈류 특성에 대한 정보가 결정될 수 있다(S1050).
상술한 방법은 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램으로 제공될 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록 수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장 매체도 들 수 있다.
본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는 지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안된다.
하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.
따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로서 구현될 수도 있다.
펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로서 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.
소프트웨어로 구현되는 경우, 상기 기법들은 하나 이상의 명령들 또는 코드로서 컴퓨터 판독 가능한 매체 상에 저장되거나 또는 컴퓨터 판독 가능한 매체를 통해 전송될 수도 있다. 컴퓨터 판독가능 매체들은 한 장소에서 다른 장소로 컴퓨터 프로그램의 전송을 용이하게 하는 임의의 매체를 포함하여 컴퓨터 저장 매체들 및 통신 매체들 양자를 포함한다. 저장 매체들은 컴퓨터에 의해 액세스될 수 있는 임의의 이용 가능한 매체들일 수도 있다. 비제한적인 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EEPROM, CD-ROM 또는 다른 광학 디스크 스토리지, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 소망의 프로그램 코드를 명령들 또는 데이터 구조들의 형태로 이송 또는 저장하기 위해 사용될 수 있으며 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독가능 매체로 적절히 칭해진다.
예를 들어, 소프트웨어가 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선 (DSL), 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들을 사용하여 웹사이트, 서버, 또는 다른 원격 소스로부터 전송되면, 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선, 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들은 매체의 정의 내에 포함된다. 본원에서 사용된 디스크(disk) 와 디스크(disc)는, CD, 레이저 디스크, 광 디스크, DVD(digital versatile disc), 플로피디스크, 및 블루레이 디스크를 포함하며, 여기서 디스크들(disks)은 보통 자기적으로 데이터를 재생하고, 반면 디스크들(discs) 은 레이저를 이용하여 광학적으로 데이터를 재생한다. 위의 조합들도 컴퓨터 판독가능 매체들의 범위 내에 포함되어야 한다.
소프트웨어 모듈은, RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 이동식 디스크, CD-ROM, 또는 공지된 임의의 다른 형태의 저장 매체 내에 상주할 수도 있다. 예시적인 저장 매체는, 프로세가 저장 매체로부터 정보를 판독하거나 저장 매체에 정보를 기록할 수 있도록, 프로세서에 연결될 수 있다. 대안으로, 저장 매체는 프로세서에 통합될 수도 있다. 프로세서와 저장 매체는 ASIC 내에 존재할 수도 있다. ASIC은 유저 단말 내에 존재할 수도 있다. 대안으로, 프로세서와 저장 매체는 유저 단말에서 개별 구성요소들로서 존재할 수도 있다.
이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.
본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.
210: 사용자 단말
220: 네트워크
230: 정보 처리 시스템
220: 네트워크
230: 정보 처리 시스템
Claims (21)
- 적어도 하나의 프로세서에 의해 수행되는, 입자 기반의 시뮬레이션을 통해 경동맥에서의 혈류 특성을 분석하는 방법에 있어서,
환자의 경동맥에 대한 영상을 획득하는 단계;
상기 경동맥에 대한 영상을 기초로 경동맥의 형상을 모사하는 3D 이미지를 생성하는 단계;
상기 환자 내의 혈류에 대한 정보를 수신하는 단계;
상기 수신된 환자의 혈류에 대한 정보를 기초로 상기 3D 이미지 내에서 복수의 입자를 이용한 시뮬레이션을 수행하는 단계; 및
상기 수행된 시뮬레이션의 결과를 기초로 상기 경동맥 내의 혈류 특성에 대한 정보를 결정하는 단계
를 포함하는, 경동맥에서의 혈류 특성을 분석하는 방법.
- 제1항에 있어서,
상기 결정된 경동맥 내의 혈류 특성에 대한 정보를 결정하는 단계는, 상기 경동맥 내의 병리학적 정보를 결정하는 단계를 포함하는, 경동맥에서의 혈류 특성을 분석하는 방법.
- 제2항에 있어서,
상기 병리학적 정보는 상기 경동맥 내에서의 적어도 하나의 협착 영역에 대한 정보, 상기 경동맥의 내벽에 주어진 wall shear 스트레스에 대한 정보 또는 상기 경동맥 내의 다이내믹스(dynamics) 중 적어도 하나를 포함하는,
경동맥에서의 혈류 특성을 분석하는 방법.
- 제2항에 있어서,
상기 경동맥 내의 혈류 특성에 대한 정보를 결정하는 단계는,
제1 기계학습 모델을 이용하여, 상기 경동맥 내의 결정된 혈류 특성으로부터 상기 경동맥 내의 병리학적 정보를 추론하는 단계를 포함하고,
상기 제1 기계학습 모델은, 복수의 참조 환자의 복수의 참조 혈류 특성으로부터 상기 복수의 참조 환자의 참조 병리학적 정보를 출력하도록 학습되는,
경동맥에서의 혈류 특성을 분석하는 방법.
- 제2항에 있어서,
상기 경동맥 내의 혈류 특성에 대한 정보를 결정하는 단계는,
제2 기계학습 모델을 이용하여 상기 수행된 시뮬레이션의 결과로부터 상기 경동맥 내의 혈류 특성에 대한 정보를 출력하는 단계를 포함하고,
상기 경동맥 내의 병리학적 정보를 결정하는 단계는,
상기 환자의 바이오메트릭 정보를 수신하는 단계; 및
제3 기계학습 모델을 이용하여 상기 수신된 환자의 바이오메트릭 정보 및 상기 출력된 혈류 특성에 대한 정보로부터 상기 경동맥 내의 병리학적 정보를 출력하는 단계를 포함하는,
경동맥에서의 혈류 특성을 분석하는 방법.
- 제1항에 있어서,
상기 환자 내의 혈류에 대한 정보는, 상기 환자의 경동맥에서의 특정 영역에서의 혈류 속도, 혈류량, 또는 혈압 중 적어도 하나의 정보를 포함하는, 경동맥에서의 혈류 특성을 분석하는 방법.
- 제5항에 있어서,
상기 환자의 경동맥에서의 특정 영역에서의 혈류 속도, 혈류량, 또는 혈압 중 적어도 하나는, 미리 결정된 영역 내에서의 값을 갖도록 설정되는,
경동맥에서의 혈류 특성을 분석하는 방법.
- 제1항에 있어서,
상기 3D 이미지를 생성하는 단계는,
상기 경동맥의 적어도 일부 영역을 연장시키는 단계; 및
상기 경동맥의 외부에 구조물 노드를 추가하는 단계를 포함하는,
경동맥에서의 혈류 특성을 분석하는 방법.
- 제1항에 있어서,
상기 경동맥에 대응하는 3D 이미지 내에서 복수의 입자를 이용한 시뮬레이션을 수행하는 단계는, 상기 환자의 심장 박동에 따른 수축 또는 팽창된 경동맥에 대해 상기 경동맥 내에 복수의 입자가 이동 가능하도록 집어넣음으로써, 상기 시뮬레이션을 수행하는 단계를 포함하는,
경동맥에서의 혈류 특성을 분석하는 방법.
- 제9항에 있어서,
상기 경동맥 내의 혈류 특성에 대한 정보를 결정하는 단계는,
상기 경동맥 내를 이동하는 복수의 입자의 움직임을 분석하여 실시간으로 상기 경동맥 내의 혈류 특성에 대한 정보를 해석하는 단계를 포함하는,
경동맥에서의 혈류 특성을 분석하는 방법.
- 제1항 내지 제10항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
- 경동맥에서의 혈류 특성을 분석하는 시스템에 있어서,
하나 이상의 인스트럭션을 저장하는 메모리; 및
상기 메모리의 하나 이상의 인스트럭션을 실행함으로써, 환자의 경동맥에 대한 영상을 획득하고, 상기 경동맥에 대한 영상을 기초로 경동맥의 형상을 모사하는 3D 이미지를 생성하고, 상기 환자 내의 혈류에 대한 정보를 수신하고, 상기 수신된 환자의 혈류에 대한 정보를 기초로 상기 경동맥에 대응하는 3D 이미지 내에서 복수의 입자를 이용한 시뮬레이션을 수행하고, 상기 수행된 시뮬레이션의 결과를 기초로 상기 경동맥 내의 혈류 특성에 대한 정보를 결정하도록 구성된 적어도 하나의 프로세서
를 포함하는, 경동맥에서의 혈류 특성을 분석하는 시스템.
- 제12항에 있어서,
상기 프로세서는,
상기 경동맥 내의 병리학적 정보를 결정하도록 더 구성되는,
경동맥에서의 혈류 특성을 분석하는 시스템.
- 제13항에 있어서,
상기 병리학적 정보는, 상기 경동맥 내에서의 적어도 하나의 협착 영역에 대한 정보, 상기 경동맥의 내벽에 주어진 wall shear 스트레스에 대한 정보 또는 상기 경동맥 내의 다이내믹스(dynamics) 중 적어도 하나를 포함하는,
경동맥에서의 혈류 특성을 분석하는 시스템.
- 제12항에 있어서,
상기 프로세서는,
제1 기계학습 모델을 이용하여, 상기 경동맥 내의 결정된 혈류 특성으로부터 상기 경동맥 내의 병리학적 정보를 추론하도록 구성되고,
상기 제1 기계학습 모델은, 복수의 참조 환자의 복수의 참조 혈류 특성으로부터 상기 복수의 참조 환자의 참조 병리학적 정보를 출력하도록 학습되는,
경동맥에서의 혈류 특성을 분석하는 시스템.
- 제12항에 있어서,
상기 프로세서는,
제2 기계학습 모델을 이용하여 상기 수행된 시뮬레이션의 결과로부터 상기 경동맥 내의 혈류 특성에 대한 정보를 출력하고, 상기 환자의 바이오메트릭 정보를 수신하고, 제3 기계학습 모델을 이용하여 상기 수신된 환자의 바이오메트릭 정보 및 상기 출력된 혈류 특성에 대한 정보로부터 상기 경동맥 내의 병리학적 정보를 출력하도록 구성되는,
경동맥에서의 혈류 특성을 분석하는 시스템.
- 제16항에 있어서,
상기 환자 내의 혈류에 대한 정보는, 상기 환자의 경동맥에서의 특정 영역에서의 혈류 속도, 혈류량, 또는 혈압 중 적어도 하나의 정보를 포함하는,
경동맥에서의 혈류 특성을 분석하는 시스템.
- 제17항에 있어서,
상기 환자의 경동맥에서의 특정 영역에서의 혈류 속도, 혈류량, 또는 혈압 중 적어도 하나는, 미리 결정된 영역 내에서의 값을 갖도록 설정되는,
경동맥에서의 혈류 특성을 분석하는 시스템.
- 제18항에 있어서,
상기 프로세서는,
상기 경동맥의 적어도 일부 영역을 연장시키고, 상기 경동맥의 외부에 구조물 노드를 추가하도록 구성되는,
를 포함하는, 경동맥에서의 혈류 특성을 분석하는 시스템.
- 제12항에 있어서,
상기 프로세서는,
상기 환자의 심장 박동에 따른 수축 또는 팽창된 경동맥에 대해 상기 경동맥 내에 복수의 입자가 이동 가능하도록 집어넣음으로써, 상기 시뮬레이션을 수행하도록 구성되는,
경동맥에서의 혈류 특성을 분석하는 시스템.
- 제20항에 있어서,
상기 프로세서는,
상기 경동맥 내를 이동하는 복수의 입자의 움직임을 분석하여 실시간으로 상기 경동맥 내의 혈류 특성에 대한 정보를 해석하도록 구성되는,
경동맥에서의 혈류 특성을 분석하는 시스템.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/KR2022/000326 WO2023132392A1 (ko) | 2022-01-07 | 2022-01-07 | 입자 기반의 시뮬레이션을 통해 경동맥에서의 혈류 특성을 분석하는 방법 및 시스템 |
| KR1020220002719A KR20230106949A (ko) | 2022-01-07 | 2022-01-07 | 입자 기반의 시뮬레이션을 통해 경동맥에서의 혈류 특성을 분석하는 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220002719A KR20230106949A (ko) | 2022-01-07 | 2022-01-07 | 입자 기반의 시뮬레이션을 통해 경동맥에서의 혈류 특성을 분석하는 방법 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230106949A true KR20230106949A (ko) | 2023-07-14 |
Family
ID=87073810
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220002719A KR20230106949A (ko) | 2022-01-07 | 2022-01-07 | 입자 기반의 시뮬레이션을 통해 경동맥에서의 혈류 특성을 분석하는 방법 및 시스템 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20230106949A (ko) |
| WO (1) | WO2023132392A1 (ko) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108992058A (zh) * | 2013-07-30 | 2018-12-14 | 哈特弗罗公司 | 为优化诊断性能利用边界条件模型化血流的方法和系统 |
| US9805463B2 (en) * | 2013-08-27 | 2017-10-31 | Heartflow, Inc. | Systems and methods for predicting location, onset, and/or change of coronary lesions |
| KR101820947B1 (ko) * | 2016-05-13 | 2018-01-23 | 이에이트 주식회사 | 혈관 내 정보 가시화 방법, 이를 실행하는 장치 및 기록 매체에 저장된 혈류 유체 해석 시뮬레이션 프로그램 |
| JP6760603B2 (ja) * | 2017-04-06 | 2020-09-23 | 富士通株式会社 | 流脈線可視化装置、流脈線可視化方法、および流脈線可視化プログラム |
-
2022
- 2022-01-07 KR KR1020220002719A patent/KR20230106949A/ko not_active Application Discontinuation
- 2022-01-07 WO PCT/KR2022/000326 patent/WO2023132392A1/ko unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023132392A1 (ko) | 2023-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020215984A1 (zh) | 基于深度学习的医学图像检测方法及相关设备 | |
| KR102013848B1 (ko) | 혈관 모델을 이용한 혈관 정보 제공 방법 및 장치 | |
| CN107492099B (zh) | 医学图像分析方法、医学图像分析系统以及存储介质 | |
| CN106980899B (zh) | 预测血管树血管路径上的血流特征的深度学习模型和系统 | |
| EP3142033B1 (en) | Physiology-driven decision support for therapy planning | |
| CN103917165B (zh) | 用于血流性状诊断的系统 | |
| CA3080005A1 (en) | Meta-learning for multi-task learning for neural networks | |
| JP7239701B2 (ja) | 人工神経網を利用する臓器の体積測定方法及びその装置 | |
| KR20190046471A (ko) | 의료 영상 처리 방법 및 그에 따른 의료 영상 처리 장치 | |
| US20180247714A1 (en) | Methods and apparatuses for monitoring condition of object in medical imaging | |
| US20210406687A1 (en) | Method for predicting attribute of target object based on machine learning and related device | |
| Civit-Masot et al. | A study on the use of Edge TPUs for eye fundus image segmentation | |
| US11152123B1 (en) | Processing brain data using autoencoder neural networks | |
| US20230057389A1 (en) | Physically motivated machine learning system for an optimized intraocular lens calculation | |
| JP2023511199A (ja) | 眼内レンズを寸法決めするための機械学習支援パイプライン | |
| JP2022533345A (ja) | 応答曲面および減次モデル化を使用した血流の推定のためのシステムおよび方法 | |
| CN111523593A (zh) | 用于分析医学影像的方法和装置 | |
| KR20220097859A (ko) | 병변 판독 방법 및 이를 위한 장치 | |
| KR20230106949A (ko) | 입자 기반의 시뮬레이션을 통해 경동맥에서의 혈류 특성을 분석하는 방법 및 시스템 | |
| US20230126877A1 (en) | Synthetic data generation and annotation for tumor diagnostics and treatment | |
| Ankireddy | Assistive diagnostic tool for brain tumor detection using computer vision | |
| KR102646137B1 (ko) | 복수의 신체 부위와 연관된 의료 영상 생성 모델 학습 방법 및 장치 | |
| KR102627874B1 (ko) | Ct 영상 기반의 뇌 영상 정량 분석 방법 및 시스템 | |
| WO2022003816A1 (ja) | 情報処理プログラム、提案方法、および情報処理装置 | |
| KR102644343B1 (ko) | 기계학습 모델 기반 파킨슨병 진단을 위한 정보 제공 방법 및 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| N231 | Notification of change of applicant | ||
| E902 | Notification of reason for refusal |