KR20230143278A - 동맥류의 형상학적 인자와 혈류 역학적 인자를 바탕으로 인공지능을 활용한 동맥류 파열 예측 방법 및 그 장치 - Google Patents

동맥류의 형상학적 인자와 혈류 역학적 인자를 바탕으로 인공지능을 활용한 동맥류 파열 예측 방법 및 그 장치 Download PDF

Info

Publication number
KR20230143278A
KR20230143278A KR1020220041961A KR20220041961A KR20230143278A KR 20230143278 A KR20230143278 A KR 20230143278A KR 1020220041961 A KR1020220041961 A KR 1020220041961A KR 20220041961 A KR20220041961 A KR 20220041961A KR 20230143278 A KR20230143278 A KR 20230143278A
Authority
KR
South Korea
Prior art keywords
rupture
aneurysm
point
moment
inertia
Prior art date
Application number
KR1020220041961A
Other languages
English (en)
Inventor
오제훈
양현동
김용배
김정재
조광천
Original Assignee
한양대학교 에리카산학협력단
연세대학교 산학협력단
이화여자대학교 산학협력단
가톨릭관동대학교산학협력단
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 한양대학교 에리카산학협력단, 연세대학교 산학협력단, 이화여자대학교 산학협력단, 가톨릭관동대학교산학협력단 filed Critical 한양대학교 에리카산학협력단
Priority to KR1020220041961A priority Critical patent/KR20230143278A/ko
Priority to PCT/KR2023/004488 priority patent/WO2023195724A1/ko
Publication of KR20230143278A publication Critical patent/KR20230143278A/ko

Links

Classifications

    • 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
    • A61B5/02014—Determining aneurysm
    • 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
    • A61B5/72—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • 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)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physiology (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Vascular Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Cardiology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Fuzzy Systems (AREA)
  • Neurosurgery (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

본 발명은 동맥류의 형상학적 인자와 혈류 역학적 인자를 바탕으로 인공지능을 활용한 동맥류 파열 예측 방법 및 그 장치에 관한 발명이다. 본 발명의 일 실시예에 따른 동맥류 파열 예측 방법은, 혈관 영상을 획득하는 단계; 상기 혈관 영상을 바탕으로 관성 모멘트를 도출하는 단계; 혈류 역학적 인자를 획득하는 단계; 상기 관성 모멘트와 상기 혈류 역학적 인자가 사전에 학습된 인공신경망에 입력되면 파열 위험도가 출력되는 단계; 및 상기 파열 위험도가 사전에 정해진 파열 임계값보다 크면 파열 가능 있음으로 예측하고, 크지 않으면 파열 가능 없음으로 예측하는 단계;를 포함할 수 있다.

Description

동맥류의 형상학적 인자와 혈류 역학적 인자를 바탕으로 인공지능을 활용한 동맥류 파열 예측 방법 및 그 장치{ANEURYSM RUPTURE PREDICTION METHOD AND DEVICE USING ARTIFICIAL INTELLIGENCE BASED ON MORPHOLOGICAL AND HEMODYNAMIC FACTORS OF ANEURYSM}
본 발명은 동맥류의 파열 예측 방법 및 그 장치에 관한 발명이다. 보다 자세하게는 동맥류의 형상학적 인자와 혈류 역학적 인자를 바탕으로 인공지능을 활용한 동맥류 파열 예측 방법 및 그 장치에 관한 것이다.
동맥류는 동맥에 생긴 주머니로, 혈관의 일부가 늘어나 풍선처럼 보이는 것을 의미한다. 동맥류는 뇌, 심장, 하지 등 우리 몸에 있는 동맥 어디에나 생길 수 있다.
대동맥류는 대동맥의 일부가 정상적인 직경의 1.5배 이상으로 늘어난 상태이다. 대동맥류의 안쪽에는 엉긴 핏덩어리가 들어있어, 정상적인 혈관에서 피만 흐르는 것과는 다르며, 그것이 아래쪽으로 옮겨가 동맥 색전증이나 동맥류 혈전증을 일으키기도 하며, 이런 경우 하지에 찬 느낌이 들거나 다리에서 통증이 느껴진다
복부 대동맥류는 대부분 증상을 느끼지 못하고 지내다가 정기 검진이나 다른 병 때문에 진찰을 받다가 우연히 이를 발견한다. 복부 대동맥류가 주위 장기를 누르는 경우에는 조금만 먹어도 배가 부르거나 구역질, 구토 등이 나타나고, 때로는 요관을 눌러 요관의 부분 폐쇄에 의한 증상이 나타나기도 한다. 복부 대동맥류가 복강 안으로 터지면 갑작스러운 통증과 쇼크가 발생하고 사망에 이를 수 있다.
대동맥류를 진단하는 방법으로는 초음파 검사, 전산화 단층촬영(CT), 전산화 단층 혈관 조영술(CT angiography), 자기공명영상(MRI), 자기공명 혈관 조영술(MR angiography), 혈관 조영술 등이 있다.
종래의 대동맥류를 진단하는 방법은 동맥류의 영상 데이터를 통해 계산되는 형상학적 인자들 중 체적을 사용하는 것이다. 일반적으로 동맥류의 체적이 크면 클수록 크기가 크다는 것을 의미하기 때문에 파열 가능성이 높을 수는 있다. 하지만 많은 수의 동맥류는 굉장히 복잡한 형상을 가지고 있기 때문에, 단순히 체적만 가지고는 동맥류의 형상을 판단 할 수 없는 경우가 많다.
종래의 대동맥류를 진단하는 다른 방법은, 대동맥류의 가로 세로 비율로 판단하는 것이다. 일반적으로 가로 세로 비율이 크다는 것은 한 쪽으로 크기가 비대해진 것을 의미하기 대문에 파열 가능성이 높을 수 있다. 하지만 복잡한 형상의 동맥류에 대하여 일괄적으로 가로 세로 비율만 가지고 파열 가능성을 판단하는 것은 한계가 있다.
따라서, 동맥류의 형상학적 인자를 이용하여 동맥류의 파열 가능성을 보다 정확하게 예측하는 방법에 대한 수요가 늘어나고 있다.
한국 등록특허 제 10-1974786호
본 발명이 해결하고자 하는 기술적 과제는, 동맥류의 형상학적 인자를 이용하여 관성 모멘트를 도출하고, 상기 관성 모멘트를 혈류 역학적 인자와 함께 인공신경망에 입력하여 상기 동맥류의 파열 위험도를 획득하며, 상기 파열 위험도를 바탕으로 동맥류 파열의 가능성을 예측하는 방법 및 그 장치를 제공하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해 될 수 있을 것이다.
상기 기술적 과제를 달성하기 위한 본 발명의 일 실시예에 따른 동맥류 파열 예측 방법은, 혈관 영상을 획득하는 단계; 상기 혈관 영상을 바탕으로 관성 모멘트를 도출하는 단계; 혈류 역학적 인자를 획득하는 단계; 상기 관성 모멘트와 상기 혈류 역학적 인자가 사전에 학습된 인공신경망에 입력되면 파열 위험도가 출력되는 단계; 및 상기 파열 위험도가 사전에 정해진 파열 임계값보다 크면 파열 가능 있음으로 예측하고, 크지 않으면 파열 가능 없음으로 예측하는 단계;를 포함할 수 있다.
상기와 같은 본 발명에 따르면, 동맥류의 형상학적 인자 및 혈류 역학적 인자를 인공신경망에 입력하여 파열 위험도를 도출하고 이를 바탕으로 파열 가능성을 예측할 수 있다.
또한, 상기와 같은 본 발명에 따르면 형상학적 인자를 바탕으로 동맥류의 관성 모멘트를 도출하고 이를 이용함으로써, 비정형적인 형상의 동맥류에 관한 파열 가능성을 보다 정확하게 예측할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른, 동맥류 파열 예측 장치의 구성도이다.
도 2는 본 발명의 일 실시예에 따른, 동맥류의 관성 모멘트를 도출하는 방법을 설명하기 위한 예시이다.
도 3은 본 발명의 일 실시예에 따른, 종래의 방법과 본 발명의 효과 차이를 설명하기 위한 예시이다.
도 4는 본 발명의 일 실시예에 따른, 동맥류 파열 예측 방법의 순서도이다.
도 5는 본 발명의 일 실시예에 따른, 동맥류의 관성 모멘트를 도출하는 방법의 순서도이다.
도 6은 본 발명의 일 실시예에 따른, 인공신경망의 구성도이다.
도 7은 본 발명의 일 실시예에 따른, ROC(Receiver Operating Characteristic) 커브(curve)의 예시이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 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 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
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 "부", "모듈", "유닛" 등의 용어는 적어도 하나의 기능 또는 동작을 처리하는 단위를 의미하며, 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소, 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있다. 그렇지만 "부", "모듈", "유닛" 등의 용어가 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부", "모듈", "유닛" 등은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 ""부", "모듈", "유닛" 등의 용어는 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 및 변수들을 포함한다.
아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.
"제1" , "제2" 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 구성 요소들은 용어들에 의해 한정되지는 않는다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. "및/또는" 이라는 용어는 복수의 관련된 항목들의 조합 또는 복수의 관련된 항목들 중의 어느 하나의 항목을 포함한다.
이하에서 도1 내지 도 7을 참조하여, 본 발명의 일 실시예를 설명한다.
도 1은 본 발명의 일 실시예에 따른, 동맥류 파열 예측 장치의 구성도이다. 도 1을 참조하여 본 발명의 일 실시예에 따른 동맥류 파열 예측 장치의 구성을 설명한다.
본 발명의 일 실시예에 따른 동맥류 파열 예측 장치(100)는 혈관 영상 획득부(110), 관성 모멘트 연산부(120), 혈류 역학적 인자 획득부(130), 파열 예측부(160), 인공신경망(140) 및 임계값 설정부(150)를 포함할 수 있다.
혈관 영상 획득부(110)는 동맥류가 발생된 혈관을 포함하는 영상을 획득할 수 있다.
상기 영상은 초음파 검사, 전산화 단층촬영(CT), 전산화 단층 혈관 조영술(CT angiography), 자기공명영상(MRI), 자기공명 혈관 조영술(MR angiography) 또는 혈관 조영술을 이용한 진단에 의해서 획득될 수 있다. 상기 진단 방법은 예시적이며 이에 한정되지 않는다.
상기 영상은 2D(2 dimension) 영상 또는 3D(3 dimension) 영상을 포함할 수 있다.
관성 모멘트 연산부(120)는 동맥류의 관성 모멘트를 계산하여 도출할 수 있다.
관성 모멘트(moment of inertia)는 물리학에서 회전하고 있는 물체가 회전을 지속하려고 하는 크기를 나타내는 물리량을 말한다.
물리학에서, 어떤 주어진 축을 중심으로 회전하는 점질량에 대한 스칼라 관성 모멘트(I)는 다음과 같이 정의된다.
, 여기서 m 은 질량, r은 회전축으로부터 점질량까지의 거리이다.
같은 축을 중심으로 회전하는 n개의 점질량들에 대해서 총 관성 모멘트는 각 점질량들의 관성 모멘트의 합이 된다.
점질량들이 아닌 임의의 질량이 공간에 밀도 ρ(r) 을 따라 분포되어 있을 때에는, 각 질점에 대한 합을 적분으로 바꾸어 주고 다음과 같이 관성 모멘트를 정의할 수 있다.
본 발명의 일 실시예에 따르면, 동맥류의 형상학적 인자를 수치적으로 표현하기 위하여 관성 모멘트를 이용한다. 종래에는 동맥류의 형상학적 인자를 체적, 가로 세로의 비율 등을 활용하였지만, 이러한 수치는 다양한 형상을 가진 동맥류의 파열을 정확하게 예측하기에 부족하였다.
동맥류의 형상학적 수치를 관성 모멘트로 표현하면, 중심축으로부터 동맥류의 점질량이 얼마나 떨어져 있는지 비교할 수 있게 된다. 비슷한 질량일 때 관성 모멘트가 크다는 것은 중심축으로부터 점질량이 더 멀리 떨어져 있다는 것을 의미한다. 더 큰 관성 모멘트를 가지는 동맥류는 더 부풀어 있는 형상이라고 판단될 수 있다. 부푼 정도가 큰 동맥류는 파열 가능성이 더 높기 때문에, 파열 가능성을 예측하는데 관성 모멘트를 활용할 수 있다.
관성 모멘트를 이용하면, 복잡한 형상의 동맥류의 파열 가능성도 정확하게 예측할 수 있다. 종래의 체적 또는 가로세로비율은 바탕으로 복잡한 형상의 동맥류의 파열 가능성을 예측하는 것은 한계가 있었다. 이에 비하여, 관성 모멘트는 복잡한 형상의 동맥류에 대하여도 얼마나 부풀어 있는지를 정확하게 나타낼 수 있기 때문에, 파열 가능성을 보다 정확하게 예측할 수 있다.
동맥류의 관성 모멘트 도출 방법은 도2 내지 도 3의 설명에서 자세하게 다룬다.
혈류 역학적 인자 획득부(130)는, 상기 혈관 영상에 포함된 혈관의 혈류 역학적 인자를 획득할 수 있다.
상기 혈류 역학적 인자는, 혈류량, 수축기 혈압, 이완기 혈압 및 혈관벽 탄력성 중에서 적어도 하나를 포함할 수 있지만, 이것은 예시에 불과하며 이에 한정되지 않는다.
혈류 역학적 인자 획득부(130)는 혈류 역학 모니터링을 통해서 상기 혈류 역학적 인자를 획득할 수 있다. 혈류 역학 모니터링은 시간의 지남에 따라 혈류 역학적 변수(혈압, 심장 박동 등)에 대해 관찰하는 것이다. 혈압의 모니터링은 혈압 트랜스듀서 조립체를 이용해 침습적인 방법으로 할 수도 있고, 비침습적인 방법으로 공기로 부풀려서 사용하는 혈압 측정 커프(blood pressure cuff)를 이용해 반복적으로 측정하는 방법이 있다.
혈류 역학적 인자 획득부(130)는 혈류 역학 모니터링 장치로부터 유선 또는 무선 방식으로 상기 혈류 역학적 인자를 전송받을 수 있다. 또는, 동맥류 파열 예측 장치(100)를 사용하는 사용자로부터 상기 혈류 역학적 인자의 수치를 직접 입력 받을 수 있다.
혈류 역학적 인자를 획득하는 것은 본 발명인 속한 기술 분야에 속한 통상의 기술자에게 자명한 기술이기 때문에 자세한 설명은 생략한다.
인공신경망(140)은 사전에 수집된 관성 모멘트, 혈류 역학적 인자 및 파열 가능성의 데이터를 바탕으로 파열 위험도를 출력하도록 학습된 신경망이다.
인공신경망이라고 불리는 ANN(Artificial Neural Network)은 사람의 신경망 원리와 구조를 모방하여 만든 기계학습 알고리즘이다. 인간의 뇌에서 뉴런들이 어떤 신호, 자극 등을 받고, 그 자극이 어떠한 임계값(threshold)을 넘어서면 결과 신호를 전달하는 과정을 모방한 것이다. 인공신경망은 역전파 등을 이용하여 내부의 가중치를 조정하는 과정을 통하여 신경망을 학습시킬 수 있다.
본 발명의 일 실시예에 따른 인공신경망(140)은 관성 모멘트와 혈류 역학적 인자를 입력받으면, 파열 위험도를 출력할 수 있다. 상기 파열 위험도는 0 내지 1 사이의 값일 수 있다.
인공신경망(140)을 사전에 학습시키기 위하여, 파열 위험도가 0 또는 1에 해당하는 각각의 관성모멘트와 혈류 역학적 인자를 수집하여 학습에 이용할 수 있다.
인공신경망(140)은 ANN, DNN (Deep Neural Network), CNN(Convolution Neural Network), RNN(Recurrent Neural Network), LSTM(Long Short-Term Memory) 또는 GRU(Gated Recurrent Units)중에서 어느 하나를 포함할 수 있으며, 이것은 예시에 불과하면 이에 한정되지 않는다.
인공신경망(140)의 동작에 관하여 도 6의 설명에서 자세하게 다룬다.
임계값 설정부(150)는, 인공신경망(140)에서 출력된 파열 위험도를 바탕으로 파열 가능성을 판단하기 위한 기준이 되는 파열 임계값을 설정할 수 있다.
임계값 설정부(150)는 학습된 인공신경망(140)을 이용하여 생성된 OC(Receiver Operating Characteristic) 커브(curve)를 바탕으로 파열 임계값을 도출할 수 있다.
ROC 커브는 모든 분류 임계값에서 분류 모델의 성능을 보여주는 그래프로 x축이 FPR(1-특이도), y축이 TPR(민감도)인 그래프이다. ROC 커브는 민감도와 특이도의 관계를 표현한 그래프이다. ROC 커브는 AUC(Area Under Curve: 그래프 아래의 면적)를 이용해 모델의 성능을 평가한다. AUC가 클수록 정확히 분류함을 뜻한다.
ROC 커브는 인공지능 모델의 성능을 평가하기 위한 수단으로 사용될 수 있다. ROC 커브의 AUC가 크다는 것은 인공지능 모델의 출력이 정확하다는 것은 의미할 수 있다. 예를 들어, 암인지 아닌지 판단하는 인공지능 모델이 암을 암으로 판단하고 암이 아닌 것은 암이 아닌 것으로 판단하면 AUC가 1이 되지만, 암을 암이 아닌 것으로 판단하거나 암이 아닌 것은 암으로 판단하는 경우가 있다면 AUC 가 0 내지 1의 값을 가질 수 있다.
임계값 설정부(150)는 학습된 인공신경망(140)에 사전에 수집된 관성 모멘트와 혈류 역학적 인자를 입력하고 그 출력을 바탕으로 ROC 커브를 생성할 수 있다.
임계값 설정부(150)는 상기 ROC 커브 그래프의 좌표 (0, 1)과 가장 가까운 ROC 커브의 지점을 도출하고, 상기 지점의 민감도(sensitivity)을 상기 파열 임계값으로 설정할 수 있다.
임계값 설정부(150)는 상기 ROC 커브와 기울기가 1인 직선이 교차하는 지점을 획득하고, 상기 교차하는 지점의 민감도(sensitivity) 중에서 가장 큰 값을 상기 파열 임계값으로 도출할 수 있다.
임계값 설정부(150)의 동작은 도 7의 설명에서 자세하게 다룬다.
파열 예측부(160)는, 관성 모멘트 연산부(120)에서 도출된 관성 모멘트와 혈류 역학적 인자 획득부(130)에서 획득된 혈류 역학적인자를 인공신경망(140)에 입력하고, 인공신경망(140)에서 출력된 파열 위험도와 임계값 설정부(150)에서 도출된 파열 임계값을 비교하여 동맥류의 파열 가능성을 판단할 수 있다.
파열 예측부(160)는 상기 파열 위험도가 0 내지 1의 값을 가지기 때문 파열 가능성을 판단하기 위해 상기 파열 임계값을 기준으로 이용할 수 있다.
파열 예측부(160)는 상기 파열 위험도가 상기 파열 임계값보다 크면 파열 가능 있음으로 판단할 수 있다. 파열 예측부(160)는 상기 파열 위험도가 상기 파열 임계값보다 크지 않으면, 파열 가능 없음으로 판단할 수 있다.
도 2는 본 발명의 일 실시예에 따른, 동맥류의 관성 모멘트를 도출하는 방법을 설명하기 위한 예시이다. 도 2를 참조하여, 동맥류의 관성 모멘트를 도출하는 방법을 설명한다.
도 2는 혈관 영상에 포함된 혈관(300)과 동맥류(200)를 설명을 위하여 간단히 도시한 예시이다.
관성 모멘트 연산부(120)는 혈관(300)과 동맥류(200)가 교차하는 교차면(410, 420)을 도출한다. 교차면(410, 420)은 혈관(300)과 동맥류(200)가 접하는 지점을 따라 생성된 곡면일 수 있다.
관성 모멘트 연산부(120)는 혈관(300)의 중심선(310)을 도출한다. 중심선(310)은 혈관(300)의 중심을 관통하는 가상의 선일 수 있다.
관성 모멘트 연산부(120)는 중심선(310)에 수직하는 가상의 단면인 제1 단면(320)이 중심선(310)을 따라 제1 방향(325)으로 이동할 때 교차면(410, 420)과 처음 만나는 제1 지점(210)을 도출할 수 있다. 제1 방향(325)은 혈관(300)의 일단에서 동맥류(200)를 향하는 방향일 수 있다. 도 2에 도시된 것과 같이 설명의 편의를 위하여 왼쪽에서 오른쪽으로 향하는 방향을 제1 방향(325)으로 가정한다.
관성 모멘트 연산부(120)는 중심선(310)에 수직하는 가상의 단면인 제2 단면(330)이 중심선(310)을 따라 제2 방향(335)으로 이동할 때 교차면(410, 420)과 처음 만나는 제2 지점(220)을 도출할 수 있다. 제2 방향(335)은 제1 방향(325)와 다른 방향이며, 혈관(300)의 상기 일단과 다른 타단에서 동맥류(200)를 향하는 방향일 수 있다. 제2 방향(335)은 제1 방향(325)과는 반대 방향일 수 있다. 설명의 편의를 위하여 제2 방향(335)은 오른쪽에서 왼쪽으로 향하는 방향일 수 있다.
관성 모멘트 연산부(120)는 제1 지점(210)과 제2 지점(220)을 연결하는 가상의 제1 라인(250)을 도출할 수 있다.
관성 모멘트 연산부(120)는 교차면(410, 420) 상의 점 중에서 제1 라인(250)으로부터 가장 멀리 떨어진 서로 다른 제3 지점(230) 및 제4 지점(240)을 도출할 수 있다. 제3 지점(230)은, 제1 라인(250)에 의해서 분할된 교차면(410, 420)의 어느 한면의 가장자리에 위치한 지점일 수 있다. 설명의 편의를 위하여 제3 지점(230)은 제1 교차면(410) 상에 위치한 지점 중에서 제1 라인(250)으로부터 가장 멀리 떨어진 지점일 수 있다. 제4 지점(240)은 제1 라인(250)에 의해서 분할된 교차면(410, 420) 중에서 제3 지점(230)이 위치한 면과 다른 면의 가장자리에 위치한 지점일 수 있다. 설명의 편의를 위하여 제4 지점은 제2 교차면(420) 상에 위치한 지점 중에서 제1 라인(250)으로부터 가장 멀리 떨어진 지점일 수 있다.
관성 모멘트 연산부(120)는 제3 지점(230)과 제4 지점(240)을 연결하는 가상의 제2 라인(260)을 도출할 수 있다.
관성 모멘트 연산부(120)는 제1 라인(250)을 포함하면서 제2 라인(260)과 평행한 가상의 단면을 동맥류(200)의 바닥면(270)으로 도출할 수 있다.
관성 모멘트 연산부(120)는 바닥면(270)에 수직하는 방향을 회전축(280)으로 동맥류(200)의 관성 모멘트(Iz)를 도출할 수 있다.
관성 모멘트 연산부(120)는 수직 방향 회전축(280)을 중심으로, 높이 h와 평면 방향 각(θ)에 위치한 점질량 m에 대하여 거리 r(h, θ) 인 경우, 다음 수식으로 관성 모멘트(Iz)를 도출할 수 있다.
본 발명의 일 실시예에 따르면, 동맥류의 질량은 임상학적으로 거의 대부분 동일하다고 가정하고, 동맥류의 평균적인 질량을 이용하여 관성 모멘트(Iz)를 도출할 수 있다. 동맥류의 파열을 예측하기 위하여, 동맥류의 질량보다는 부풀어 있는 정도가 더 중요하기 때문에, 질량보다는 거리 r(h, θ)를 혈관 영상에서 도출하여 관성 모멘트(Iz)를 도출할 수 있다.
본 발명의 다른 실시예에 따르면, 점짐량 m과 거리 r(h, θ)에 관하여 적분으로 관성 모멘트(Iz)를 도출할 수 있다.
본 발명의 또 다른 실시예에 따르면, 관성 모멘트 연산부(120)는 바닥면(270) 상에 임의로 직교하는 x 축과 y 축을 가정하고, x 축을 회전축으로 동맥류(200)의 관성 모멘트(Ix)를 도출하거나 y 축을 회전축으로 동맥류(200)의 관성 모멘트(Iy)를 도출할 수 있다.
도 3은 본 발명의 일 실시예에 따른, 종래의 방법과 본 발명의 효과 차이를 설명하기 위한 예시이다.
동맥류 파열을 예측하는 종래의 방법은 동맥류의 가로 세로 비율(aspect ratio)을 이용하였다.
도 3의 첫 줄을 참조하면, 가로 세로 비율이 더 큰 경우, 관성 모멘트도 더 크게 나올 수 있어, 이러한 경우는 종래의 방법과 동맥류 예측은 동일한 결과일 수 있다.
도 3의 두번째 줄을 참조하면, 가로 세로 비율은 차이가 거의 없지만, 관성 모멘트의 차이는 더 크게 나는 것을 알 수 있으며, 동맥류의 형상으로 보면 오른쪽 동맥류가 더 부풀어 있기 때문에 관성 모멘트를 바탕으로 동맥류 파열을 예측하는 것이 더 정확할 수 있다.
도 3의 세번째 줄을 참조하면, 가로 세로 비율은 왼쪽이 훨씬 더 높지만, 관성 모멘트는 서로 비슷하고, 동맥류의 형상만으로는 파열 가능성이 비슷해 보이기 때문에, 관성 모멘트로 예측하는 것이 더 정확하다고 할 수 있다.
도 3을 참조하여 종래의 방법과 비교하면, 본 발명의 일 실시예에 따른 관성 모멘트를 이용하는 것이 종래 방법 대비 동일하거나 더 정확하게 동맥류 파열을 예측할 수 있다.
도 4는 본 발명의 일 실시예에 따른, 동맥류 파열 예측 방법의 순서도이다. 도 4를 참조하여, 동맥류 파열을 예측하는 방법을 설명한다.
혈관 영상 획득부(110)는 혈관 영상을 획득할 수 있다(S110).
관성 모멘트 연산부(120)는 상기 혈관 영상을 바탕으로 동맥류의 관성 모멘트를 도출할 수 있다(S120).
혈류 역학적 인자 획득부(130)는 상기 혈관에 관한 혈류 역학적 인자를 획득할 수 있다(S130).
상기 혈류 역학적 인자는, 혈류량, 수축기 혈압, 이완기 혈압 및 혈관벽 탄력성 중에서 적어도 하나를 포함할 수 있다.
파열 예측부(160)는 관성 모멘트와 혈류 역학적 인자를 학습된 인공신경망(140)에 입력하고, 인공신경망(140)으로부터 파열 위험도 획득할 수 있다 (S140).
인공신경망(140)은 사전에 수집된 관성 모멘트, 혈류 역학적 인자 및 파열 가능성의 데이터를 바탕으로 파열 위험도를 출력하도록 사전에 학습될 수 있다.
파열 예측부(160)는 상기 파열 위험도와 상기 파열 임계값을 비교할 수 있다(S50).
상기 파열 임계값은 임계값 설정부(150)에서 인공신경망(140)에 관한 ROC 커브를 바탕으로 도출될 수 있다.
파열 예측부(160)는 상기 파열 위험도가 상기 파열 임계값보다 크지 않으면, 파열 가능 없음으로 예측할 수 있다(S160).
파열 예측부(160)는 상기 파열 위험도가 상기 파열 임계값보다 크면, 파열 가능 있음으로 예측할 수 있다 (S170).
도 5는 본 발명의 일 실시예에 따른, 동맥류의 관성 모멘트를 도출하는 방법의 순서도이다. 도 5를 참조하여, 동맥류의 관성 모멘트를 도출하는 방법을 자세히 설명한다.
관성 모멘트 연산부(120)는 혈관과 동맥류의 교차면을 도출할 수 있다(S210).
관성 모멘트 연산부(120)는 상기 혈관의 중심을 관통하는 가상의 선인 중심선을 도출할 수 있다(S220).
관성 모멘트 연산부(120)는 상기 중심선에 수직하는 가상의 단면이 상기 중심선을 따라 제1 방향으로 이동하면서 상기 교차면과 처음 만나는 제1 지점을 도출할 수 있다(S230).
상기 제1 방향은 상기 혈관의 일단에서 상기 동맥류를 향하는 방향일 수 있다.
관성 모멘트 연산부(120)는 상기 중심선에 수직하는 가상의 단면이 상기 중심선을 따라 제2 방향으로 이동하면서 상기 교차면과 처음 만나는 제2 지점을 도출할 수 있다(S240).
상기 제2 방향은 상기 제1 방향과는 다른 방향이며, 상기 혈관의 일단과 다른 타단에서 상기 동맥류를 향하는 방향 일 수 있다.
관성 모멘트 연산부(120)는 상기 제1 지점과 상기 제2 지점을 연결하는 가상의 제1 라인을 도출할 수 있다(S250).
관성 모멘트 연산부(120)는 상기 교차면 상의 점 중에서 상기 제1 라인으로부터 가장 멀리 떨어진 서로 다른 제3 지점 및 제4 지점을 도출할 수 있다(S260).
상기 제3 지점은, 상기 제1 라인에 의해서 분할된 상기 교차면의 어느 한면의 가장자리에 위치한 지점일 수 있다.
상기 제4 지점은, 상기 제1 라인에 의해서 분할된 상기 교차면 중에서 상기 제3 지점이 위치한 면과 다른 면의 가장자리에 위치한 지점일 수 있다.
관성 모멘트 연산부(120)는 상기 제3 지점과 상기 제4 지점을 연결하는 가상의 제2 라인을 도출할 수 있다(S270).
관성 모멘트 연산부(120)는 상기 제1 라인을 포함하면서 상기 제2 라인과 평행한 가상의 단면을 상기 동맥류의 바닥면으로 도출할 수 있다(S280).
관성 모멘트 연산부(120)는 상기 바닥면에 수직인 방향을 회전축으로 관성 모멘트를 도출할 수 있다(S290).
도 6은 본 발명의 일 실시예에 따른, 인공신경망의 구성도이다. 도 6을 참조하여 인공신경망에 관하여 설명한다.
인공신경망은 입력층(input layer), 은닉층(hidden layer) 및 출력층(output layer)를 포함할 수 있다. 인공신경망은 은닉층을 하나 이상 포함할 수 있다. 은닉층을 많이 포함할수록 좀 더 정확한 학습이 가능하여 정확한 출력을 기대할 수 있으나, 연산에 소요되는 시간이 늘어나기 때문에, 무한정 은닉층을 늘릴 수는 없다.
인공신경망은 입력에 대하여 원하는 출력이 나오도록 학습이 가능하다. 이러한 학습은, 역전파를 통하여 은닉층에 있는 활성 함수의 웨이트(weight)를 조정하는 방식으로 진행될 수 있다.
인공신경망을 구현한 프레임워크(framework)는 본 발명이 속한 기술분야에서 널리 사용되고 있다. 예를 들어, 인공신경만은 텐서플로우(TensorFlow), 케라스(Keras), 테아노(Theano), 파이토치(Pytorch), 아파치(Apache) MXNet, 마이크로소프트(Microsoft) CNTK 등을 활용하여 구현될 수 있다.
본 발명의 일 실시예에 따르면, 인공신경망(140)은 관성 모멘트와 혈류 역학적 인자를 입력 받으면, 파열 위험도를 가리키는 값을 출력할 수 있다.
상기 혈류 역학적 인자는 하나 이상의 값일 수 있으며, 이에 따라 인공신경망(140)은 2 이상 데이터(data)를 입력 받을 수 있다.
상기 파열 위험도는 0 내지 1 범위의 값일 수 있다.
인공신경망(140)을 학습시키기 위하여, 파열 위험도가 1인 관성 모멘트와 혈류 역학적 데이터와, 파열 위험도가 0인 관성 모멘트와 혈류 역학적 데이터를 인공신경망(140)에 입력시킬 수 있다.
도 7은 본 발명의 일 실시예에 따른, ROC(Receiver Operating Characteristic) 커브(curve)의 예시이다. 도 7을 참조하여 파열 임계값을 설정하기 위한 ROC 커브의 이용을 설명한다.
ROC 커브는 주로 의학에서 많이 사용되며, 검사 방법의 유용성을 평가하는 방법으로 사용된다. 인공지능에 관한 여러 모델이 나오면서, 인공지능 모델의 정확성을 평가하는 수단으로도 활용된다.
도 7에 도시된 것과 같이, ROC 커브는 y 축은 민감도(sensitivity), x 축은 (1-특이도(specificity))의 값을 가지는 그래프(graph)일 수 있다. 민감도와 특이도에 대하여 예를 들어 설명하면, 민감도는 파열 가능으로 예측한 동맥류 중에서 실제 파열된 비율을 가리키고, 특이도는 파열 가능하지 않은 것으로 예측한 동맥류 중에서 실제 파열되지 않은 비율을 가리킬 수 있다. 이에 따르면, 100% 정확한 인공신경망인 경우 민감도와 특이도는 모두 1일 수 있다.
ROC 커브에서 그래프의 아래 영역 넓이를 AUC(Area Under the Curve)라고 하며, AUC가 클수록 완벽한 검사 방법으로 평가될 수 있다. 예를 들어, 민감도와 특이도가 모두 1인 경우 AUC는 1의 값을 가진다.
사전에 수집된 관성 모멘트, 혈류 역학적 인자 및 파열 위험도를 바탕으로 인공신경망을 학습시키면, 인공신경망에 관한 ROC 커브를 작성할 수 있다.
인공신경망이 학습이 진행될수록 보다 정확한 파열 위험도 값을 출력하게 되고 이에 따라 AUC도 1에 가까워질 수 있다.
도 7을 참조하면, AUC 0.75 보다 AUC 0.88이 가리키는 ROC 커브가 더 정확한 인공신경망을 가리키며, 좀 더 학습이 많이 된 인공신경망을 가리킬 수 있다.
임계값 설정부(150)는 학습된 인공신경망(140)의 ROC 커브를 작성하고, 이를 바탕으로 파열 임계값을 도출할 수 있다.
본 발명의 일 실시예에 따르면, 임계값 설정부(150)는 상기 ROC 커브 그래프의 좌표 (0, 1)과 가장 가까운 ROC 커브의 지점의 민감도(sensitivity)을 상기 파열 임계값으로 도출할 수 있다.
본 발명의 다른 실시예에 따르면, 임계값 설정부(150)는 상기 ROC 커브와 기울기가 1인 직선이 교차하는 지점의 민감도(sensitivity) 중에서 가장 큰 값을 상기 파열 임계값으로 도출할 수 있다.
본원 발명의 실시예 들과 관련된 기술 분야에서 통상의 지식을 가진 자는 상기 기재의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로, 개시된 방법들은 한정적인 관점이 아닌 설명적 관점에서 고려되어야 한다. 본 발명의 범위는 발명의 상세한 설명이 아닌 특허청구 범위에 나타나며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
동맥류 파열 예측 장치 100
혈관 영상 획득부 110
관성 모멘트 연산부 120
혈류 역학적 인자 획득부 130
인공신경망 140
임계값 설정부 150
파열 예측부 160

Claims (10)

  1. 혈관 영상을 획득하는 단계;
    상기 혈관 영상을 바탕으로 관성 모멘트를 도출하는 단계;
    혈류 역학적 인자를 획득하는 단계;
    상기 관성 모멘트와 상기 혈류 역학적 인자가 사전에 학습된 인공신경망에 입력되면 파열 위험도가 출력되는 단계; 및
    상기 파열 위험도가 사전에 정해진 파열 임계값보다 크면 파열 가능 있음으로 예측하고, 크지 않으면 파열 가능 없음으로 예측하는 단계;
    동맥류 파열 예측 방법.
  2. 제1항에 있어서,
    상기 관성 모멘트를 도출하는 단계는,
    상기 혈관과 동맥류가 교차하는 교차면을 도출하는 단계;
    상기 혈관의 중심선을 도출하는 단계;
    상기 중심선에 수직하는 가상의 단면인 제1 단면이 상기 중심선을 따라 제1 방향으로 이동할 때 상기 교차면과 처음 만나는 제1 지점을 도출하는 단계;
    상기 중심선에 수직하는 가상의 단면인 제2 단면이 상기 중심선을 따라 제2 방향으로 이동할 때 상기 교차면과 처음 만나는 제2 지점을 도출하는 단계;
    상기 제1 지점과 상기 제2 지점을 연결하는 가상의 제1 라인을 도출하는 단계;
    상기 교차면 상의 점 중에서 상기 제1 라인으로부터 가장 멀리 떨어진 서로 다른 제3 지점 및 제4 지점을 도출하는 단계;
    상기 제3 지점과 상기 제4 지점을 연결하는 가상의 제2 라인을 도출하는 단계;
    상기 제1 라인을 포함하면서 상기 제2 라인과 평행한 가상의 단면을 상기 동맥류의 바닥면으로 도출하는 단계; 및
    상기 바닥면에 수직 방향을 회전축으로 상기 동맥류의 관성 모멘트를 도출하는 단계;를 더 포함하는,
    동맥류 파열 예측 방법.
  3. 제2항에 있어서,
    상기 제1 방향은,
    상기 혈관의 일단에서 상기 동맥류를 향하는 방향이며,
    상기 제2 방향은,
    상기 일단과 다른 상기 혈관의 타단에서 상기 동맥류를 향하는 방향이고,
    상기 제3 지점은,
    상기 제1 라인에 의해서 분할된 상기 교차면의 어느 한면의 가장자리에 위치한 지점이며,
    상기 제4 지점은,
    상기 제1 라인에 의해서 분할된 상기 교차면 중에서 상기 제3 지점이 위치한 면과 다른 면의 가장자리에 위치한 지점인,
    동맥류 파열 예측 방법.
  4. 제1항에 있어서,
    상기 혈류 역학적 인자는,
    혈류량, 수축기 혈압, 이완기 혈압 및 혈관벽 탄력성 중에서 적어도 하나를 포함하는,
    동맥류 파열 예측 방법.
  5. 제1항에 있어서,
    상기 혈관 영상을 획득하는 단계 이전에,
    사전에 준비된 관성 모멘트, 혈류 역학적 인자 및 파열 위험도의 데이터를 바탕으로 상기 인공신경망을 학습시키는 단계;를 더 포함하는,
    동맥류 파열 예측 방법.
  6. 제1항에 있어서,
    상기 혈관 영상을 획득하는 단계 이전에,
    상기 사전에 학습된 인공신경망에서 출력되는 파열 위험도의 정확성을 검증한 ROC(Receiver Operating Characteristic) 커브(curve)를 생성하는 단계; 및
    상기 ROC 커브를 바탕으로 상기 파열 임계값을 도출하는 단계;를 더 포함하는,
    동맥류 파열 예측 방법.
  7. 제6항에 있어서,
    상기 파열 임계값을 도출하는 단계는,
    상기 ROC 커브 그래프의 좌표 (0, 1)과 가장 가까운 ROC 커브의 지점을 도출하는 단계; 및
    상기 지점의 민감도(sensitivity)을 상기 파열 임계값으로 도출하는 단계;를 포함하는,
    동맥류 파열 예측 방법
  8. 제6항에 있어서,
    상기 파열 임계값을 도출하는 단계는,
    상기 ROC 커브와 기울기가 1인 직선이 교차하는 지점을 획득하는 단계;
    상기 교차하는 지점의 민감도(sensitivity) 중에서 가장 큰 값을 상기 파열 임계값으로 도출하는 단계;를 포함하는,
    동맥류 파열 예측 방법
  9. 혈관의 영상을 획득하는 혈관 영상 획득부;
    상기 혈관 영상을 바탕으로 상기 혈관과 동맥류가 교차하는 교차면을 도출하고, 상기 교차면을 바탕으로 상기 동맥류의 관성 모멘트를 도출하는 관성 모멘트 연산부;
    혈류량, 수축기 혈압, 이완기 혈압 및 혈관벽 탄력성 중에서 적어도 하나를 포함하는 혈류 역학적 인자를 획득하는 혈류 역학적 인자 획득부;
    사전에 수집된 관성 모멘트, 혈류 역학적 인자 및 파열 위험도의 데이터를 바탕으로 학습된 인공신경망;
    상기 인공신경망을 이용하여 생성된 ROC 커브를 바탕으로 파열 임계값을 도출하는 임계값 설정부; 및
    상기 도출된 관성 모멘트 및 상기 획득된 혈류 역학적 인자를 인공신경망에서 입력하고, 상기 인공신경망에서 출력된 파열 위험도가 상기 파열 임계값보다 크면 상기 동맥류의 파열 가능성 있음으로 예측하는 파열 예측부;를 포함하는
    동맥류 파열 예측 장치.
  10. 제9항에 있어서,
    상기 관성 모멘트 연산부는,
    상기 혈관과 동맥류가 교차하는 교차면을 도출하고, 상기 혈관의 중심선을 도출하며, 상기 중심선에 수직하는 가상의 단면인 제1 단면이 상기 중심선을 따라 제1 방향으로 이동할 때 상기 교차면과 처음 만나는 제1 지점을 도출하고, 상기 중심선에 수직하는 가상의 단면인 제2 단면이 상기 중심선을 따라 제2 방향으로 이동할 때 상기 교차면과 처음 만나는 제2 지점을 도출하며, 상기 제1 지점과 상기 제2 지점을 연결하는 가상의 제1 라인을 도출하고, 상기 교차면 상의 점 중에서 상기 제1 라인으로부터 가장 멀리 떨어진 서로 다른 제3 지점 및 제4 지점을 도출하며, 상기 제3 지점과 상기 제4 지점을 연결하는 가상의 제2 라인을 도출하고, 상기 제1 라인을 포함하면서 상기 제2 라인과 평행한 가상의 단면을 상기 동맥류의 바닥면으로 도출하며, 상기 바닥면에 수직 방향을 축으로 상기 동맥류의 관성 모멘트를 도출하고,
    상기 제1 방향은,
    상기 혈관의 일단에서 상기 동맥류를 향하는 방향이며,
    상기 제2 방향은,
    상기 일단과 다른 상기 혈관의 타단에서 상기 동맥류를 향하는 방향이고,
    상기 제3 지점은,
    상기 제1 라인에 의해서 분할된 상기 교차면의 어느 한면의 가장자리에 위치한 지점이며,
    상기 제4 지점은,
    상기 제1 라인에 의해서 분할된 상기 교차면 중에서 상기 제3 지점이 위치한 면과 다른 면의 가장자리에 위치한 지점인,
    동맥류 파열 예측 장치.
KR1020220041961A 2022-04-05 2022-04-05 동맥류의 형상학적 인자와 혈류 역학적 인자를 바탕으로 인공지능을 활용한 동맥류 파열 예측 방법 및 그 장치 KR20230143278A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220041961A KR20230143278A (ko) 2022-04-05 2022-04-05 동맥류의 형상학적 인자와 혈류 역학적 인자를 바탕으로 인공지능을 활용한 동맥류 파열 예측 방법 및 그 장치
PCT/KR2023/004488 WO2023195724A1 (ko) 2022-04-05 2023-04-04 동맥류의 형상학적 인자와 혈류 역학적 인자를 바탕으로 인공지능을 활용한 동맥류 파열 예측 방법 및 그 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220041961A KR20230143278A (ko) 2022-04-05 2022-04-05 동맥류의 형상학적 인자와 혈류 역학적 인자를 바탕으로 인공지능을 활용한 동맥류 파열 예측 방법 및 그 장치

Publications (1)

Publication Number Publication Date
KR20230143278A true KR20230143278A (ko) 2023-10-12

Family

ID=88243210

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220041961A KR20230143278A (ko) 2022-04-05 2022-04-05 동맥류의 형상학적 인자와 혈류 역학적 인자를 바탕으로 인공지능을 활용한 동맥류 파열 예측 방법 및 그 장치

Country Status (2)

Country Link
KR (1) KR20230143278A (ko)
WO (1) WO2023195724A1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101974786B1 (ko) 2018-08-17 2019-05-31 (주)제이엘케이인스펙션 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 방법 및 시스템

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
JP6487001B2 (ja) * 2017-08-23 2019-03-20 キヤノンメディカルシステムズ株式会社 動脈瘤破裂リスク解析プログラム及びシステム
JP6774520B2 (ja) * 2019-04-05 2020-10-28 有限会社 ライブエイド 血管瘤の破裂リスク評価方法、評価装置およびプログラム
KR102327662B1 (ko) * 2019-12-10 2021-11-17 한양대학교 에리카산학협력단 동맥류 파열 예측 장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101974786B1 (ko) 2018-08-17 2019-05-31 (주)제이엘케이인스펙션 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 방법 및 시스템

Also Published As

Publication number Publication date
WO2023195724A1 (ko) 2023-10-12

Similar Documents

Publication Publication Date Title
US11678937B2 (en) Systems and methods for predicting coronary plaque vulnerability from patient specific anatomic image data
CN108305246B (zh) 基于医学图像预测血流特征的装置及系统
CN105555195B (zh) 用于从患者特定的解剖数据识别个性化的血管植入物的系统和方法
CN105380598B (zh) 用于针对动脉狭窄的自动治疗规划的方法和系统
US20150374243A1 (en) Method and System for Prediction of Post-Stenting Hemodynamic Metrics for Treatment Planning of Arterial Stenosis
CN108665449B (zh) 预测血流矢量路径上的血流特征的深度学习模型及装置
KR20160047516A (ko) 관동맥 병변들의 위치, 발병, 및/또는 변화를 예측하기 위한 시스템들 및 방법들
US20130013278A1 (en) Non-invasive cardiovascular image matching method
KR20230143278A (ko) 동맥류의 형상학적 인자와 혈류 역학적 인자를 바탕으로 인공지능을 활용한 동맥류 파열 예측 방법 및 그 장치
Susin et al. In-vitro detection of thrombotic formation on bileaflet mechanical heart valves
Luzhnov et al. Using nonlinear dynamics for signal analysis in transpalpebral rheoophthalmography
US20210290076A1 (en) System and a method for determining a significance of a stenosis
IT202000022528A1 (it) Metodo per costruire una realtà aumentata di morfologia ed emodinamica di almeno una parte del sistema cardiovascolare
Im et al. Deep Neural Network based Disease Severity Regression for Diagnosis of Abdominal Aortic Aneurysm
JP2023081750A (ja) 血圧予測装置
JP2024513888A (ja) 被検体に対する衝撃力
Khani et al. A deep learning approach to using wearable seismocardiography (SCG) for diagnosing aortic valve stenosis and predicting aortic hemodynamics obtained by 4D flow MRI
Harana Non-Invasive Assessment of the Aortic Pressure Wave: Development And Testing Using In Silico and In Vivo Data
CN117831778A (zh) 基于囊形颈动脉瘤的双向流固耦合数值模拟预测方法
Özdemir et al. Examination of the effects of degeneration on vertebral artery by using neural network in cases with cervical spondylosis
Dunn et al. Yanhang Zhang

Legal Events

Date Code Title Description
E902 Notification of reason for refusal