KR20230137581A - 인공지능 포인트 검출 기반 척추 파라미터 자동 측정 시스템 및 방법 - Google Patents

인공지능 포인트 검출 기반 척추 파라미터 자동 측정 시스템 및 방법 Download PDF

Info

Publication number
KR20230137581A
KR20230137581A KR1020220035147A KR20220035147A KR20230137581A KR 20230137581 A KR20230137581 A KR 20230137581A KR 1020220035147 A KR1020220035147 A KR 1020220035147A KR 20220035147 A KR20220035147 A KR 20220035147A KR 20230137581 A KR20230137581 A KR 20230137581A
Authority
KR
South Korea
Prior art keywords
points
point
endplate
spine
angle
Prior art date
Application number
KR1020220035147A
Other languages
English (en)
Inventor
노성현
하윤
Original Assignee
아주대학교산학협력단
연세대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 아주대학교산학협력단, 연세대학교 산학협력단 filed Critical 아주대학교산학협력단
Priority to KR1020220035147A priority Critical patent/KR20230137581A/ko
Priority to US18/124,902 priority patent/US20230326017A1/en
Publication of KR20230137581A publication Critical patent/KR20230137581A/ko

Links

Images

Classifications

    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4538—Evaluating a particular part of the muscoloskeletal system or a particular medical condition
    • A61B5/4566—Evaluating the spine
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/30008—Bone
    • G06T2207/30012—Spine; Backbone

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physiology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Fuzzy Systems (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Rheumatology (AREA)
  • Optics & Photonics (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)

Abstract

본 발명은 척추 파라미터 자동 측정 시스템 및 방법에 관한 것으로, 척추의 전체 영상을 획득하는 영상획득부와, 다양한 척추 영상으로부터 지정된 포인트를 추출하고, 추출된 포인트들 간의 관계를 각도로 검출하는 학습 모델을 구현하고, 구현된 학습 모델을 이용하여 상기 영상획득부의 전체 척추 영상에서 지정된 포인트를 찾고, 포인트간의 각도 관계를 확인하는 파라미터 추출부를 포함한다.

Description

인공지능 포인트 검출 기반 척추 파라미터 자동 측정 시스템 및 방법{System and method for automatic measurement of spinal parameters based on artificial intelligence point detection}
본 발명은 척추 파라미터 자동 측정 시스템 및 방법에 관한 것으로, 더 상세하게는 인공지능을 이용한 포인트 검출을 이용하여 척추 파라미터를 측정하는 시스템 및 방법에 관한 것이다.
일반적으로 의료 영상 장치는 대상 개체의 내부 구조를 영상으로 획득하기 위한 장비이다. 이러한 의료 영상 장치는 인체에 고통을 주지 않고 실시되는 비침습 검사 장치로서, 신체 내의 구조적 세부사항, 내부 조직 및 유체의 흐름 등을 촬영 및 처리하여 의료인에게 보여준다. 의료인들은 의료 영상 장치에서 출력되는 의료 영상을 이용하여 환자의 건강 상태 및 질병을 진단할 수 있다.
의료 영상 장치로는 자기 공명 영상을 제공하기 위한 자기 공명 영상 (MRI, magnetic resonance imaging) 장치, 컴퓨터 단층 촬영 (CT, Computed Tomography) 장치, 엑스레이 (X-ray) 장치, 및 초음파 (ultrasound) 진단 장치 등이 있다. 이러한 의료 영상 장치로부터 획득한 의료 영상들은, 질환의 진단에 이용될 수 있다.
한편, 의료 영상에 기초한 진단에 있어서, 계측 과정은 다양한 병소의 진단, 나아가 질환의 진행 단계의 결정에 있어서 매우 중요할 수 있다. 이때, 정확하고 재현성 높은 계측을 위해, 특히 2D의 평면 의료 영상에 기초한 계측에 있어서 해부학적 랜드마크와 같은 기준점이 중요할 수 있다. 그러나, 해부학적 랜드마크들은 진단 개체마다 다른 위치에 존재할 수 있고, 개체의 자세, 의료인의 숙련도와 같은 외부적 요인에 따라 다르게 결정될 수 있다. 이러한 이유로, 의료 영상에 기초한 계측, 특히 2D의 평면 의료 영상에 기초한 계측 분석은, 정확도 및 재현성이 떨어질 수 있다. 이때, 계측치의 부정확함은 질환의 진단, 질환의 진행의 평가 결과의 신뢰도를 떨어뜨릴 수 있다.
특히, 척추 측만증 등 척추 질환의 경우, 컴퓨터 단층 촬영, 자기 공명 영상 촬영 및 엑스레이 영상 촬영을 통해 측만 각인 콥 각(Cobb angle)을 계측하여 진단이 가능하나, 진단을 하는 의료인의 주관이 개입될 가능성이 커서 측정의 관측자 간, 관측자 내 재현성이 낮다. 재현성이 낮으므로 척추 측만증은 콥 각이 5°이상 증가할 때 측만증이 악화된 것으로 판정하게 되는데, 재현성이 담보된다면 이보다 작은 오차도 질환의 진행으로 해석될 수 있는 여지가 있어 설명 가능한 자동화에 의한 재현성의 확보가 매우 중요하다.
공개특허 10-2021-0127849호(2021년 10월 25일 공개, 인공지능 기반의 척추 촬영영상을 이용한 강직성 척추염의 중증도 판단 시스템 및 그 방법)에는 척추 영상에서 모서리의 스코어를 학습하여 학습모델을 생성하고, 학습모델을 이용하여 영상에서 모서리 각각에 대한 스코어를 확인하고, 합산하는 구성에 대하여 기재하고 있다.
그러나 이와 같은 종래의 방법은 척추의 전체적인 형상을 분석하고, 그에 따른 척추 질환의 원인을 예측하기 어렵다는 단점이 있었다.
상기와 같은 문제점을 감안한 본 발명이 해결하고자 하는 기술적 과제는, 척추 전체의 형상을 확인할 수 있는 척추 파라미터 자동 측정 시스템 및 방법을 제공함에 있다.
또한, 본 발명이 해결하고자 하는 다른 과제는, 다양한 관측 포인트를 설정하고, 각 포인트의 상대적인 각도를 검출하여 보다 정확한 척추의 상태를 확인할 수 있는 척추 파라미터 자동 측정 시스템 및 방법을 제공함에 있다.
상기와 같은 과제를 해결하기 위한 본 발명의 일측면에 따른 척추 파라미터 자동 측정 시스템은, 척추의 전체 영상을 획득하는 영상획득부와, 다양한 척추 영상으로부터 지정된 포인트를 추출하고, 추출된 포인트들 간의 관계를 각도로 검출하는 학습 모델을 구현하고, 구현된 학습 모델을 이용하여 상기 영상획득부의 전체 척추 영상에서 지정된 포인트를 찾고, 포인트간의 각도 관계를 확인하는 파라미터 추출부를 포함한다.
본 발명의 실시 예에서, 상기 영상획득부는, 적어도 하나 이상이며, 네트워크를 통해 촬영된 영상을 상기 파라미터 추출부에 제공할 수 있다.
본 발명의 실시 예에서, 상기 파라미터 추출부는, 상기 추출된 포인트들의 각도 관계를 이용하여, 골반 입사(pelvic incidence), 골반 틸트(pelvic tilt), 천골 경사(sacral slope), 요추전만(lumbar lordosis), L4S1전만(L4S1 lordosis), 흉추후만(thoracic kyphosis) 및 T1 골반 각(pelvic angle)을 측정할 수 있다.
또한, 본 발명의 다른 측면에 따른 척추 파라미터 자동 측정 방법은, 프로세서를 포함하는 컴퓨팅 장치에서 수행되는 척추 파라미터 자동 측정 방법에 있어서, a) 다양한 척추 영상을 학습 데이터와 테스트 데이터로 구분하고, 학습 데이터를 이용하여 학습하여 학습 모델을 구축하는 단계와, b) 입력된 전체 척추 영상 이미지에서 지정된 포인트들을 추출하는 단계와, c) 상기 포인트들의 각도 상관관계를 이용하여 파라미터를 추출하는 단계를 포함할 수 있다.
본 발명은 인공지능을 이용하여 전체 척추 영상에서 척추의 특정 포인트를 검출하고, 각 포인트 간의 관계를 이용하여 보다 정확한 전체 척추 형상을 확인하고 진단할 수 있는 효과가 있다.
도 1은 본 발명의 바람직한 실시예에 따른 척추 파라미터 자동 측정 시스템의 블록 구성도이다.
도 2는 본 발명에서 추출하는 포인트의 예시도이다.
도 3 내지 도 7은 본 발명의 파라미터 추출의 예시도이다.
이하, 본 발명 척추 파라미터 자동 측정 시스템 및 방법에 대하여 첨부한 도면을 참조하여 상세히 설명한다.
본 발명의 실시 예들은 당해 기술 분야에서 통상의 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해 제공되는 것이며, 아래에 설명되는 실시 예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 아래의 실시 예들로 한정되는 것은 아니다. 오히려, 이들 실시 예는 본 발명을 더욱 충실하고 완전하게 하며 당업자에게 본 발명의 사상을 완전하게 전달하기 위하여 제공되는 것이다.
본 명세서에서 사용된 용어는 특정 실시 예를 설명하기 위하여 사용되며, 본 발명을 제한하기 위한 것이 아니다. 본 명세서에서 사용된 바와 같이 단수 형태는 문맥상 다른 경우를 분명히 지적하는 것이 아니라면, 복수의 형태를 포함할 수 있다. 또한, 본 명세서에서 사용되는 경우 "포함한다(comprise)" 및/또는"포함하는(comprising)"은 언급한 형상들, 숫자, 단계, 동작, 부재, 요소 및/또는 이들 그룹의 존재를 특정하는 것이며, 하나 이상의 다른 형상, 숫자, 동작, 부재, 요소 및/또는 그룹들의 존재 또는 부가를 배제하는 것이 아니다. 본 명세서에서 사용된 바와 같이, 용어 "및/또는"은 해당 열거된 항목 중 어느 하나 및 하나 이상의 모든 조합을 포함한다.　
본 명세서에서 제1, 제2 등의 용어가 다양한 부재, 영역 및/또는 부위들을 설명하기 위하여 사용되지만, 이들 부재, 부품, 영역, 층들 및/또는 부위들은 이들 용어에 의해 한정되지 않음은 자명하다. 이들 용어는 특정 순서나 상하, 또는 우열을 의미하지 않으며, 하나의 부재, 영역 또는 부위를 다른 부재, 영역 또는 부위와 구별하기 위하여만 사용된다. 따라서, 이하 상술할 제1 부재, 영역 또는 부위는 본 발명의 가르침으로부터 벗어나지 않고서도 제2 부재, 영역 또는 부위를 지칭할 수 있다.
이하, 본 발명의 실시 예들은 본 발명의 실시 예들을 개략적으로 도시하는 도면들을 참조하여 설명한다. 도면들에 있어서, 예를 들면, 제조 기술 및/또는 공차에 따라, 도시된 형상의 변형들이 예상될 수 있다. 따라서, 본 발명의 실시 예는 본 명세서에 도시된 영역의 특정 형상에 제한된 것으로 해석되어서는 아니 되며, 예를 들면 제조상 초래되는 형상의 변화를 포함하여야 한다.
도 1은 본 발명의 바람직한 실시예에 따른 척추 파라미터 자동 측정 시스템의 블록 구성도이다.
도 1을 참조하면, 본 발명은 척추의 전체 x-ray 영상을 획득하는 영상획득부(10)와, 다양한 척추 영상으로부터 지정된 포인트를 학습하고, 지정된 포인트들 간의 관계를 각도로 검출하는 학습 모델을 구현하고, 구현된 학습 모델을 이용하여 상기 영상획득부(10)의 전체 척추 영상에서 지정된 포인트를 찾고, 포인트간의 각도 관계를 확인하는 파라미터 추출부(20)를 포함하여 구성된다.
이하, 상기와 같이 구성된 본 발명의 구성과 작용에 대하여 보다 상세히 설명한다.
먼저, 영상획득부(10)는 환자의 x-ray 영상을 촬영하는 장치이며, 이러한 장치는 필요에 따라 복수로 마련될 수 있고, 복수의 영상획득부(10)에서 촬영된 영상은 파라미터 추출부(20)로 제공될 수 있다.
이때, 영상획득부(10)와 파라미터 추출부(20) 사이의 영상 제공은, 영상 이미지 데이터를 네트워크를 통해 제공할 수 있다.
네트워크는 유선 또는 무선 네트워크를 사용할 수 있다.
유선 또는 무선 네트워크는 병원 내부 네트워크 등 로컬 네트워크일 수 있으며, 지역적 제한이 없는 광역 네트워크를 사용할 수 있다.
네트워크의 구성은 알려진 모든 데이터 전송 네트워크를 사용할 수 있다.
파라미터 추출부(20)는 영상획득부(10)로부터 영상 데이터를 수신하기 위한 네트워크 어댑터를 포함하고, 영상 데이터를 저장하는 저장장치를 포함한다.
파라미터 추출부(20)는 척추 영상에서 지정된 위치(포인트)를 검출하고, 포인트들 간의 관계를 각도로 검출하는 학습 모델이 구축되고, 이를 실행하는 프로세서를 포함하며, 검출된 결과를 표시하는 표시부를 포함할 수 있다.
즉, 파라미터 추출부(20)는 컴퓨터 등의 컴퓨팅 장치인 것으로 할 수 있다.
파라미터 추출부(20)는 바이오 메디컬 분야에서 이미지의 처리(특히 분할)을 목적으로 제안된 엔드 투 엔드(end to end) 방식의 완전 컨볼루션 네트워크(fully convolution network) 기반의 모델인 U-Net을 사용할 수 있다.
U-net을 이용한 학습 모델의 구축을 위하여, 본 발명에서는 1000개의 훈련 데이터와 200개의 테스트 데이터를 사용하였으며, 이를 위하여 총 1200개의 척추 영상 이미지를 이용한다.
포인트의 검출은 척추 이미지를 학습하여 얻어진 결과에 따라 척추의 주요 모서리 좌표를 검출하는 것이며, 파라미터 추출부(20)는 주변 픽셀과의 차이 등의 학습 모델에 따라 포인트를 검출한다.
도 2는 파라미터 추출부(20)에서 검출하는 포인트의 예시도이다.
도 2를 참조하면 파라미터 추출부(20)는 15개의 포인트를 검출한다.
15개의 포인트는 각각 번호를 부여하여 표시될 수 있으며, 1과 2는 대퇴골두 중심(Femur head center), 3은 1과 2의 중심 포인트를 나타낸다.
4는 S1 엔드플레이트 전방 포인트(endplate anterior point), 5는 S1 엔드플레이트 후방 포인트(endplate posterior point)이며, 6은 L1 상부 엔드플레이트 전방 포인트(upper endplate anterior point), 7은 L1 상부 엔드플레이트 후방 포인트(upper endplate posterior point)를 뜻한다.
8은 L4 상부 엔드플레이트 전방 포인트(upper endplate anterior point), 9는 L4 상부 엔드플레이트 후방 포인트(upper endplate posterior point)이고,
10은 T4 상부 엔드플레이트 전방 포인트(upper endplate anterior point), 11은 T4 상부 엔드플레이트 후방 포인트(upper endplate posterior point)이다.
또한, 12는 T12 하부 엔드플레이트 전방 포인트(lower endplate anterior point), 13은 T12 하부 엔드플레이트 후방 포인트(lower endplate posterior point)이고, 14는 T1 척추 중앙 포인트(vertebra center point) 15는 S1 엔드플레이트 센터 포인트(endplate center point)이다.
위에서 S1, L1, T4 등의 기호는 알려진 바와 같이 척추의 위치에 따른 구분 기호이다.
S1은 천추 1번, L1은 요추 1번, L4는 요추 4번, T4는 흉추 4번, T12는 흉추 12번을 뜻한다.
상기 파라미터 추출부(20)는 추출된 15개의 포인트들을 이용하여 다양한 파라미터를 추출한다.
앞서 설명한 학습 모델의 구축에 대한 평가 결과로서 각 포인트에 대한 거리 오차(error distance)가 발생할 수 있음을 확인하였다.
각 포인트에 대한 거리 오차 확인 결과는 표 1과 같다.
Point Error distance (mm)
1 3.8333±1.0521
2 4.6051±1.6098
3 3.9715±1.7714
4 2.9460±1.3565
5 3.7371±1.8314
6 4.7477±2.8213
7 3.6955±0.6394
8 2.2602±2.6862
9 3.6700±3.5009
10 2.8028±2.4216
11 3.7659±2.6522
12 2.2667±2.1256
13 2.3415±2.6610
14 3.3657±2.5721
15 2.6951±1.8345
mean 4.5715±1.5248
위의 표의 오차 거리는 학습 데이터의 양과 학습 수행 회차에 따라 감소될 수 있다.
이때 앞서 검출한 포인트들은 골반 입사(pelvic incidence), 골반 틸트(pelvic tilt), 천골 경사(sacral slope), 요추전만(lumbar lordosis), L4S1전만(L4S1 lordosis), 흉추후만(thoracic kyphosis), T1 골반 각(pelvic angle)을 추출하기 위한 수단이 된다.
이를 좀 더 구체적으로 살펴보면 다음과 같다.
도 3은 골반 입사, 골반 틸트, 천골 경사에 대한 파라미터를 검출하는 예를 설명하기 위한 설명도이다.
파라미터 추출부(20)는 포인트를 검출한 후, 3번 포인트와 15번 포인트를 연결하는 선분(c)을 결정한다.
또한, 4번, 15번, 5번을 지나는 선분(a)과 직교하는 가상의 선분(b)을 결정한 후, b선분과 c선분 사이의 각을 검출하여 골반 입사의 각도 파라미터를 추출한다.
골반 입사의 각도는 정상 범위를 가지고 있으며, 이를 벗어나는 경우 이상으로 판단할 수 있다.
이때 검출된 각도는 위의 표 1에서 정의한 거리 오차에 따른 각도 오차를 가질 수 있으며, 아래의 표 2에 각도 오차의 예를 기재하였다.
parameter Error angle (°)
Pelvic incidence 2.6868±0.0124
Pelvic tilt 0.9429±0.4012
Sacral slope 2.4324±1.3412
Lumbar lordosis 4.8103±1.7851
L4S1 lordosis 3.2329±0.9487
Thoracic kyphosis 5.7665±1.8781
T1 pelvic angle 0.8834±0.2124
이러한 각도 오차 역시 데이터의 누적 및 학습의 회차에 따라 더욱 감소할 수 있으며, 따라서 본 발명은 종래의 방법에 비하여 더 정확한 각도를 검출할 수 있다.
다시 도 3을 참조하면, 3번 포인트를 수직으로 지나는 선분(e)과 상기 c선분이 이루는 각을 검출하여 골반 틸트각을 검출할 수 있다.
또한, a선분과 d선분이 이루는 예각이 천골 경사각이 된다.
그 다음, 도 4에 도시한 바와 같이 4번 포인트와 5번 포인트를 연결하는 선분의 연장선(f)과 6번 포인트와 7번 포인트를 연결하는 선분(g)의 교차하는 예각이 요추전만 각도가 된다.
도 5를 참조하면, 4번 포인트와 5번 포인트를 연결하는 선분의 연장선과 8번 포인트와 9번 포인트를 연결하는 선분의 연장선 사이의 예각(β)이 L4S1전만 각도가 된다.
또한, 도 6을 참조하면, 11번 포인트와 10번 포인트를 연결하는 선분의 연장선과 13번 포인트와 12번 포인트를 연결하는 선분이 이루는 각을 검출하여, 흉추후만 각을 검출할 수 있다.
마지막으로 도 7을 참조하면, 3번 포인트를 중심으로, 14번 포인트와 15번 포인트가 이루는 각이 T1 골반 각으로 검출된다.
이와 같이 본 발명은 영상 이미지를 학습하고, 특정한 위치 좌표를 가지는 포인트들을 검출하고, 각 포인트들의 각도 위치 관계를 이용하여 정확한 파라미터 추출이 가능한 특징이 있다.
본 발명은 상기 실시예에 한정되지 않고 본 발명의 기술적 요지를 벗어나지 아니하는 범위 내에서 다양하게 수정, 변형되어 실시될 수 있음은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 있어서 자명한 것이다.
10:영상 획득부 20:파라미터 추출부

Claims (6)

  1. 척추의 전체 영상을 획득하는 영상획득부; 및
    다양한 척추 영상으로부터 지정된 포인트를 추출하고, 추출된 포인트들 간의 관계를 각도로 검출하는 학습 모델을 구현하고, 구현된 학습 모델을 이용하여 상기 영상획득부의 전체 척추 영상에서 지정된 포인트를 찾고, 포인트간의 각도 관계를 확인하는 파라미터 추출부를 포함하는 척추 파라미터 자동 측정 시스템.
  2. 제1항에 있어서,
    상기 영상획득부는,
    적어도 하나 이상이며, 네트워크를 통해 촬영된 영상을 상기 파라미터 추출부에 제공하는 척추 파라미터 자동 측정 시스템.
  3. 제2항에 있어서,
    상기 파라미터 추출부는,
    상기 추출된 포인트들의 각도 관계를 이용하여,
    골반 입사(pelvic incidence), 골반 틸트(pelvic tilt), 천골 경사(sacral slope), 요추전만(lumbar lordosis), L4S1전만(L4S1 lordosis), 흉추후만(thoracic kyphosis) 및 T1 골반 각(pelvic angle)을 측정하는 것을 특징으로 하는 척추 파라미터 자동 측정 시스템.
  4. 프로세서를 포함하는 컴퓨팅 장치에서 수행되는 척추 파라미터 자동 측정 방법에 있어서,
    a) 다양한 척추 영상을 학습 데이터와 테스트 데이터로 구분하고, 학습 데이터를 이용하여 학습하여 학습 모델을 구축하는 단계;
    b) 입력된 전체 척추 영상 이미지에서 지정된 포인트들을 추출하는 단계; 및
    c) 상기 포인트들의 각도 상관관계를 이용하여 파라미터를 추출하는 단계를 포함하는 척추 파라미터 자동 측정 방법.
  5. 제1항에 있어서,
    상기 b) 단계에서 추출되는 포인트는,
    S1 엔드플레이트 전방 포인트(endplate anterior point), S1 엔드플레이트 후방 포인트(endplate posterior point), L1 상부 엔드플레이트 전방 포인트(upper endplate anterior point), L1 상부 엔드플레이트 후방 포인트(upper endplate posterior point), L4 상부 엔드플레이트 전방 포인트(upper endplate anterior point), L4 상부 엔드플레이트 후방 포인트(upper endplate posterior point), T4 상부 엔드플레이트 전방 포인트(upper endplate anterior point), T4 상부 엔드플레이트 후방 포인트(upper endplate posterior point), T12 하부 엔드플레이트 전방 포인트(lower endplate anterior point), T12 하부 엔드플레이트 후방 포인트(lower endplate posterior point), T1 척추 중앙 포인트(vertebra center point) 및 S1 엔드플레이트 센터 포인트(endplate center point)인 것을 특징으로 하는 척추 파라미터 자동 측정 방법.
  6. 제1항에 있어서,
    상기 파라미터는,
    상기 추출된 포인트들의 각도 관계를 이용하여 검출되는,
    골반 입사(pelvic incidence), 골반 틸트(pelvic tilt), 천골 경사(sacral slope), 요추전만(lumbar lordosis), L4S1전만(L4S1 lordosis), 흉추후만(thoracic kyphosis) 및 T1 골반 각(pelvic angle)인 것을 특징으로 하는 척추 파라미터 자동 측정 방법.
KR1020220035147A 2022-03-22 2022-03-22 인공지능 포인트 검출 기반 척추 파라미터 자동 측정 시스템 및 방법 KR20230137581A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220035147A KR20230137581A (ko) 2022-03-22 2022-03-22 인공지능 포인트 검출 기반 척추 파라미터 자동 측정 시스템 및 방법
US18/124,902 US20230326017A1 (en) 2022-03-22 2023-03-22 System and method for automatically measuring spinal parameters

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220035147A KR20230137581A (ko) 2022-03-22 2022-03-22 인공지능 포인트 검출 기반 척추 파라미터 자동 측정 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20230137581A true KR20230137581A (ko) 2023-10-05

Family

ID=88239598

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220035147A KR20230137581A (ko) 2022-03-22 2022-03-22 인공지능 포인트 검출 기반 척추 파라미터 자동 측정 시스템 및 방법

Country Status (2)

Country Link
US (1) US20230326017A1 (ko)
KR (1) KR20230137581A (ko)

Also Published As

Publication number Publication date
US20230326017A1 (en) 2023-10-12

Similar Documents

Publication Publication Date Title
AU2005237517B2 (en) Medical imaging system for accurate measurement evaluation of changes in a target lesion
US7970196B2 (en) Automatic detection and quantification of plaque in the coronary arteries of subjects from CT scans
US9183629B2 (en) Method and system of automatic determination of geometric elements characterizing a bone deformation from 3D image
CN102727258B (zh) 图像处理装置、超声波摄影系统及图像处理方法
Korez et al. A deep learning tool for fully automated measurements of sagittal spinopelvic balance from X-ray images: performance evaluation
US20030086596A1 (en) Method, computer software, and system for tracking, stabilizing, and reporting motion between vertebrae
JP2008537691A (ja) 診断用精密検査におけるイメージング・ソフトウエアの領域を拡張する方法
KR102245189B1 (ko) 의료 영상 처리 장치 및 그에 따른 의료 영상 처리 방법
JP2013542046A (ja) 超音波画像処理のシステムおよび方法
JPH0824227A (ja) 医用画像診断装置
US10335115B2 (en) Multi-view, multi-source registration of moving anatomies and devices
KR20210014267A (ko) 초음파 이미지상의 특징점들을 이용한 초음파 지방간 자동 진단 장치 및 이를 이용한 원격 의료 진단 방법
Al-Bashir et al. Computer-based Cobb angle measurement using deflection points in adolescence idiopathic scoliosis from radiographic images
KR20230137581A (ko) 인공지능 포인트 검출 기반 척추 파라미터 자동 측정 시스템 및 방법
CN116712094A (zh) 一种基于负重模拟ct装置的膝关节测量系统
CN111275617A (zh) 一种abus乳腺超声全景图的自动拼接方法、系统和存储介质
KR102258070B1 (ko) 발의 유형 평가 방법 및 이를 이용한 발의 유형 평가용 디바이스
CN111000580A (zh) 椎间盘扫描方法、装置、控制台设备及ct系统
Zhou et al. Semi-automatic measurement of scoliotic angle using a freehand 3-D ultrasound system Scolioscan
Fujinuma et al. Evaluation of tibiofibular joint alignment in ankle osteoarthritis based on 3D bone thickness
Adibatti et al. Design and performance analysis of Cobb angle measurement from X-ray images
US11963670B2 (en) Systems and methods for identifying biopsy location coordinates
EP4270318A1 (en) Method and system for x-ray image quality assurance
Overhoff et al. Reliable identification of sphere-shaped femoral heads in 3D image data
JP2006192066A (ja) 撮影システム、撮影方法、及び、そのプログラム

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application