KR20230168507A - 자기공명영상의 뇌 분할 시스템 및 방법 - Google Patents
자기공명영상의 뇌 분할 시스템 및 방법 Download PDFInfo
- Publication number
- KR20230168507A KR20230168507A KR1020220069053A KR20220069053A KR20230168507A KR 20230168507 A KR20230168507 A KR 20230168507A KR 1020220069053 A KR1020220069053 A KR 1020220069053A KR 20220069053 A KR20220069053 A KR 20220069053A KR 20230168507 A KR20230168507 A KR 20230168507A
- Authority
- KR
- South Korea
- Prior art keywords
- brain
- mask
- brain image
- image
- gray matter
- Prior art date
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 398
- 238000000034 method Methods 0.000 title claims abstract description 33
- 210000004884 grey matter Anatomy 0.000 claims abstract description 104
- 210000001951 dura mater Anatomy 0.000 claims abstract description 46
- 230000011157 brain segmentation Effects 0.000 claims abstract description 25
- 210000001638 cerebellum Anatomy 0.000 claims abstract description 19
- 238000002595 magnetic resonance imaging Methods 0.000 claims abstract description 15
- 210000004885 white matter Anatomy 0.000 claims description 58
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 26
- 241001269524 Dura Species 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000008602 contraction Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 10
- 238000009795 derivation Methods 0.000 claims description 9
- 230000002450 orbitofrontal effect Effects 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 5
- 238000012805 post-processing Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000004445 quantitative analysis Methods 0.000 abstract description 19
- 210000003462 vein Anatomy 0.000 abstract description 9
- 206010051290 Central nervous system lesion Diseases 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000002610 neuroimaging Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Primary Health Care (AREA)
- Surgery (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- High Energy & Nuclear Physics (AREA)
- Neurology (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
본 기술은 자기공명영상의 뇌 분할 시스템 및 방법이 개시된다. 본 기술의 구체적인 예에 따르면, 자기공명장치에 의거 촬영된 뇌의 정량적 분석을 위해 수행되는 분할 뇌영상에 대해 회백질이 실측 크기보다 작게 추정되는 한계를 극복할 수 있고, 다수의 뇌경막을 제거함에 따라 경막 및 소뇌 주변의 정맥 등을 구분하여 뇌영상을 정확하게 분할할 수 있으며, 이에 뇌의 정량적 분석 결과에 대한 정확도를 더욱 향상시킬 수 있고, 뇌 병변에 대한 진단 정확도를 근본적으로 높일 수 있다.
Description
본 발명은 자기공명영상의 뇌 분할 시스템 및 방법에 관한 것으로서, 더욱 상세하게는 자기공명 3D T1영상으로 뇌를 요소 별로 분할하여 뇌에 대한 정량적 분석을 수행할 수 있도록 한 기술에 관한 것이다.
뇌의 정량적 분석을 수행하기 위해 일반적인 뇌 분할 장치는 뇌와 그 외의 구조물을 정확하게 추출하여 전처리를 수행하고 전처리된 영상에서 기 정해진 템플릿에 비선형 등록을 통해 뇌부분만을 추출하여 분할하는 방식이다.
이러한 뇌 분할 장치는 자기공명 3D T1 영상에서 획득된 뇌영상에서 뇌를 감싸고 있는 경막, 소뇌 주변의 정맥을 제거하기 못한 상태로 분할하게 되고, 이에 제거되지 아니한 경막 혹은 소뇌 주변의 정맥은 뇌로 인식된다. 이에 대뇌의 두께, 부피 등의 정량적 분석결과에 오차가 크게 발생되고 소뇌 부피 등의 연산 시 오차가 발생된다.
따라서 자기공명 영상을 이용한 다양한 뇌질환의 예방, 병변 진단 및 치료에 근거가 되는 정량적 분석, 양전자 단층촬영(Positron emission tomography) 영상의 표준 섭취 계수율(Standardized uptake value ration)에 대한 뇌의 정량 분석 시 오류가 발생된다.
이러한 뇌의 정량 분석 오류를 최소로 줄이기 위해 분할된 뇌영상을 육안으로 확인하여 보정한 다음 다시 정량적 분석을 수행하므로, 분석 결과에 따른 정확도가 저하되고, 다수의 정량적 분석에 따른 시간 낭비 및 노동력 손실이 발생하는 문제점이 있다.
이에 본 발명은 자기공명장치를 통해 획득된 뇌영상으로 뇌구조의 정량적 분석 결과에 대한 정확도를 근본적으로 향상시키기 위한 것이다.
또한 본 발명은 뇌의 정량적 분석 결과에 대한 시간 및 노동력 낭비를 방지하기 위한 것이다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있으며, 본 발명의 실시 예에 의해 보다 분명하게 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 특허청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
전술한 목적을 달성하기 위한 본 발명의 일 실시 양태에 의거한 자기공명 영상의 뇌 분할 시스템은,
자기공명장치를 이용하여 촬영된 뇌영상을 수집하는 뇌영상 수집부;
상기 뇌영상에 대해 전처리를 수행하는 전처리부; 및
상기 전처리된 뇌영상에 대해 각 뇌요소 별 뇌확률지도를 생성하고 생성된 뇌확률지도로 뇌 요소의 마스크를 각각 생성하며 상기 생성된 각 마스크를 이용하여 전처리된 뇌영상을 각 뇌요소별로 분할한 다음 분할 뇌영상을 최종 마스크로 최종 뇌영상을 도출하는 브레인 분석부를 포함할 수 있다.
바람직하게 상기 뇌요소는,
회백질, 백질, 뇌척수액, 뇌실 및 그 외 구조물 중 적어도 하나 일 수 있다.
바람직하게 상기 전처리부는,
자기공명 장치를 이용하여 촬영된 뇌영상에 대해 전처리를 수행하되,
상기 수집된 뇌영상에 대해 촬영 시 강도 불균일성을 제거하는 바이어스 필드 보정을 수행하는 강도 처리모듈;
상기 바이어스 필드 보정 후 소뇌 아래 부분을 제거하는 넥 제거모듈;
상기 넥 제거모듈의 뇌영상을 기 정해진 템플릿의 방향으로 조정하는 위치 조정모듈; 및
상기 뇌영상의 위치와 템플릿의 위치를 일치하는 선형등록 및 비선형 중 하나의 등록을 템플릿에 수행하는 템플릿 등록모듈을 포함하도록 구비될 수 있다.
바람직하게 상기 브레인 분석부는,
전처리된 뇌영상에 대해 기 정해진 템플릿의 확률지도를 이용하여 각 뇌요소 별 뇌확률지도를 생성하는 뇌확률지도 생성모듈;
각 뇌요소 별 생성된 각 뇌확률지도를 토대로 각 뇌요소의 마스크를 각각 생성하는 마스크 생성모듈;
생성된 각 마스크를 통해 각 상기 전처리된 뇌영상에서 각 뇌요소를 획득하여 분할 뇌영상을 도출하는 뇌영상 분할모듈; 및
도출된 분할 뇌영상에 대해 최종 마스크를 통해 최종 뇌영상을 도출하는 최종 뇌영상 도출모듈을 포함할 수 있다.
바람직하게 상기 뇌영상 분할모듈은,
각 뇌요소 별 생성된 백질 마스크, 회백질 마스크, 뇌척수액 마스크, 뇌실 마스크 및 그 외의 뇌 요소를 획득하기 위한 구조물 마스크 중 백질 마스크와 회백질 마스크, 뇌실 마스크 및 그외 구조물 마스크를 기반으로 제1마스크를 생성하는 제1마스크 생성기; 및
상기 제1마스크에 의거 전처리된 뇌영상에서 백질, 회백질, 및 뇌실을 포함하는 뇌영상을 획득한 다음 획득된 뇌영상을 합치고 그외 구조물 마스크를 뺀 후 이진화 및 수축하여 백질의 측면 안와전두 영역 부근의 경막을 포함하는 뇌경막을 1차 제거하는 제1경막 제거기;
상기 뇌경막이 1차 제거된 백질, 회백질, 및 뇌실을 포함하는 뇌영상을 1차 팽창하여 수축된 뇌영상을 복원 후 2차 팽창을 통해 회백질이 확대된 뇌영상을 획득하는 뇌영상 확대기;
상기 제1마스크와 상기 뇌척수액 마스크를 곱하여 제2마스크를 생성하고 생성된 제2마스크로 회백질이 확대된 뇌영상에서 뇌척수액의 일부가 포함된 회백질을 획득하는 제2마스크 생성기;
상기 1차 뇌경막이 제거된 백질, 회백질, 및 뇌실의 뇌영상의 수축 및 팽창을 통해 획득된 백질, 회백질, 및 뇌실의 뇌영상과 확대된 회백질의 뇌영상을 합한 다음 팽창 및 수축을 통해 회백질의 뇌영상을 획득하는 회백질 획득기;
상기 회백질 획득기에서 획득된 뇌영상에서 그외 구조물 마스크를 감산한 뇌영상을 수축 및 팽창하여 뇌경막을 2차 제거하는 제2경막 제거기; 및
상기 제2경막 제거기의 뇌영상의 빈공간을 채우는 후처리하여 백질, 회백질, 뇌척수액, 및 뇌실을 제외한 그 외의 구조물이 제거된 분할 뇌영상을 획득하는 분할 뇌영상 획득기를 포함할 수 있다.
바람직하게 상기 최종 뇌영상 도출모듈은,
각 뇌 요소별 마스크의 조합으로 최종 마스크를 생성하고 생성된 최종 마스크로 획득된 분할 뇌영상과 전처리된 뇌영상에서 뇌경막과 소뇌 아래 부분이 제거된 최종 뇌영상을 도출하도록 구비될 수 있다.
바람직하게 상기 제1마스크는,
회백질 마스크로 획득된 회백질의 뇌영상에 1을 초과하는 상수를 곱한 다음 백질 마스크로부터 획득된 백질의 뇌영상과 뇌실 마스크로부터 획득된 뇌실의 뇌영상을 합한 후 그 외 구조물 마스크로부터 획득된 뇌영상을 제거하도록 구비될 수 있다.
본 발명의 다른 실시예에 의거한 자기공명장치의 뇌 분할 방법은,
제1항의 브레인 분석부에 의거 수행되며, 각 뇌요소별 뇌확률지도로 생성된 각 뇌요소 별 마스크를 조합하여 전처리된 뇌영상을 각 뇌요소 별로 분할하는 자기공명영상의 뇌 분할 방법에 있어서,
각 뇌요소 별 생성된 각 요소별 마스크를 기반으로 제1마스크를 생성하는 제1마스크 생성단계;
상기 제1마스크에 의거 전처리된 뇌영상으로부터 백질, 회백질, 및 뇌실을 포함하는 뇌영상을 획득한 다음 획득된 백질, 회백질, 및 뇌실의 뇌영상을 이진화 한 후 수축하여 백질의 측면 안와전두 영역 부근의 경막을 포함하는 뇌경막을 1차 제거하는 제1경막 제거단계;
상기 뇌경막이 1차 제거된 백질, 회백질, 및 뇌실을 포함하는 뇌영상을 1차 팽창하여 수축된 뇌영상을 복원 후 2차 팽창을 통해 확대된 회백질의 뇌영상을 획득하는 뇌영상 확대단계;
상기 제1마스크와 상기 뇌척수액 마스크를 곱하여 제2마스크를 생성하고 생성된 제2마스크로 상기 확대된 회백질의 뇌영상으로부터 뇌척수액의 일부가 포함된 회백질을 획득하는 제2마스크 생성단계;
상기 뇌경막이 1차 제거된 백질, 회백질, 및 뇌실의 뇌영상의 수축 및 팽창을 통해 획득된 백질, 회백질, 및 뇌실의 뇌영상과 확대된 회백질의 뇌영상을 합한 다음 팽창 및 수축을 통해 회백질의 뇌영상을 획득하는 회백질 획득단계;
회백질 획득기에서 획득된 뇌영상에서 그 외 구조물 마스크를 감산한 뇌영상을 수축 및 팽창하여 뇌경막을 2차 제거하는 제2경막 제거단계;
상기 제2경막 제거단계의 뇌영상의 빈공간을 채우는 후처리하여 백질, 회백질, 뇌척수액, 및 뇌실을 제외한 그 외의 구조물이 제거된 분할 뇌영상을 획득하는 분할 뇌영상 획득단계를 포함하는 것을 일 특징으로 한다.
바람직하게 상기 뇌 분할 방법은,
각 뇌 요소별 마스크의 조합으로 최종 마스크를 생성하고 생성된 최종 마스크로 획득된 분할 뇌영상과 전처리된 뇌영상에서 뇌경막과 소뇌 아래 부분이 제거된 최종 뇌영상을 획득하는 최종 뇌영상 도출단계를 더 포함할 수 있다.
일 실시 예에 따르면, 자기공명장치에 의거 촬영된 뇌의 정량적 분석을 위해 수행되는 분할 뇌영상에 대해 회백질이 실측 크기보다 작게 추정되는 한계를 극복할 수 있고, 다수의 뇌경막을 제거함에 따라 경막 및 소뇌 주변의 정맥 등을 구분하여 뇌영상을 정확하게 분할할 수 있으며, 이에 뇌의 정량적 분석 결과에 대한 정확도를 더욱 향상시킬 수 있고, 뇌 병변에 대한 진단 정확도를 근본적으로 높일 수 있다.
본 명세서에서 첨부되는 다음의 도면들은 본 발명의 바람직한 실시 예를 예시하는 것이며, 후술하는 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니된다.
도 1은 일 실시예에 따른 자기공명장치의 뇌 분할 시스템의 구성도이다.
도 2는 도 1의 전처리부의 세부 구성도이다.
도 3은 도 1의 브레인 분석부의 세부 구성도이다.
도 4는 도 3의 분할 뇌영상 획득모듈의 세부 구성도이다.
도 5는 도 4의 분할 뇌영상 획득모듈의 뇌영상을 보인 예시도이다.
도 6은 일 실시예에 의거 분할 뇌영상으로 정량 분석 결과를 보인 도들이다.
도 7은 다른 실시예의 자기공명장치의 뇌 분할 과정을 보인 흐름도이다.
도 1은 일 실시예에 따른 자기공명장치의 뇌 분할 시스템의 구성도이다.
도 2는 도 1의 전처리부의 세부 구성도이다.
도 3은 도 1의 브레인 분석부의 세부 구성도이다.
도 4는 도 3의 분할 뇌영상 획득모듈의 세부 구성도이다.
도 5는 도 4의 분할 뇌영상 획득모듈의 뇌영상을 보인 예시도이다.
도 6은 일 실시예에 의거 분할 뇌영상으로 정량 분석 결과를 보인 도들이다.
도 7은 다른 실시예의 자기공명장치의 뇌 분할 과정을 보인 흐름도이다.
이하에서는 도면을 참조하여 본 발명의 실시예들을 보다 상세하게 설명한다.
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.
따라서, 구성요소들과 "부"들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부"들로 결합되거나 추가적인 구성요소들과 "부"들로 더 분리될 수 있다.
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.
일 실시예가 적용되는 각각의 구성요소에 대해 임의 개를 임의의 적절한 구성으로 포함할 수도 있다. 일반적으로, 컴퓨팅 및 통신 시스템들은 광범위한 구성들로 나타나며, 도면은 본 개시의 범위를 어떤 특정 구성으로 한정하지 않는다. 도면은 본 특허 문서에서 개시된 다양한 특성들이 사용될 수 있는 하나의 동작 환경을 도시하고 있지만, 그러한 특성들은 어떤 다른 적절한 시스템에서 사용될 수도 있다.
일 실시 예는 자기공명장치로부터 획득된 3차원 T1 뇌영상에서 각 뇌 요소 별 뇌확률지도를 기반으로 각 뇌 요소별 생성된 마스크를 이용하여 뇌경막이 제거되고 정확한 회백질이 포함된 뇌영상을 획득함에 따라, 뇌요소의 정량적 분석의 정확도를 향상시킬 수 있다.
도 1은 일 실시예에 따른 자기공명장치의 뇌 분할 시스템의 구성도이고, 도 2는 도 1의 전처리부의 세부 구성도이며, 도 3은 도 1의 브레인 분석부의 세부 구성도이고, 도 4는 도 3의 분할 뇌영상 획득모듈의 세부 구성이며, 도 5는 도 4의 분할 뇌영상 획득모듈의 각 모듈에서 출력되는 뇌영상을 보인 도이다.
도 1 내지 도 5를 참조하면, 일 실시예의 자기공명장치(MRI: Magnetic Resonance Image) 3D T1 뇌영상에서 각 뇌 요소 별 뇌확률지도를 기반으로 각 뇌 요소별 생성된 마스크를 이용하여 뇌경막이 제거되고 실측 크기와 동일한 회백질이 포함된 최종 뇌영상을 획득하는 구성을 갖춘다.
즉, 도 1을 참조하면 일실시예의 자기공명장치의 뇌 분할 시스템은 뇌영상 수집부(1), 전처리부(2), 및 브레인 분석부(3)를 포함하고, 뇌영상 수집부(1)는 자기공명장치의 3D T1 영상을 시계열적으로 수집한다. 여기서, 자기공명장치의 3D T1 뇌영상을 이용하여 브레인의 해부학적 뇌구조에 대한 정량적 분석이 수행된다.
이를 위해, 전처리부(2)는 수집된 뇌영상에 대해 강도 불균일성을 제거하기 위한 바이어스 필드 보정을 수행한 다음 기 정해진 템플릿의 위치와 일치되도록 선형 또는 비선형 등록을 수행하며, 이에 도 2를 참조하면, 전처리부(2)는 강도 처리모듈 (21), 넥 제거모듈(22), 위치 보정모듈(23), 및 템플릿 등록모듈(24)을 포함한다. 여기서, 템플릿은 기 구축된 템플릿 또는 새로 만들어진 템플릿을 포함할 수 있다.
강도 처리모듈(21)은 수집된 뇌영상의 촬영 시 강도 불균일성을 비모수 비균일 강도 정규화 알고리즘을 통해 제거한다. 일 례로 비모수 비균일 강도 정규화 알고리즘을 이용한 바이어스 필드(bias field) 보정은 비 스플라인(B-spline) 보간법을 이용한다.
비 스플라인 보간법은 패치의 곡선을 수정할 때 한 개의 점을 수정하면 원하는 부위의 곡선이 수정되므로, 이러한 비 스플라인을 이용한 바이어스 필드 보정은 다음 식 1을 만족한다.
[식 1]
여기서, v(x)는 주어진 뇌영상, u(x)는 손상되지 아니한 영상, f(x)는 바이어스 필드, 및 n(x)는 노이즈이다.
식 1로부터 노이즈 n(x)가 없다고 가정하면, 주어진 뇌영상에 대한 로그 우도 목적함수는 다음 식 2로 나타낼 수 있다.
[식 2]
여기서, 이다.
그리고 로그 우도 목적함수의 해로 식 1의 바이어스 필드의 수렴하는 값이 도출된다.
즉, 로그 우도 목적함수의 해는 다음 식 3으로부터 도출될 수 있고, 이에 바이어스 필드의 수렴하는 추정치는 식 4로부터 도출될 수 있다.
[식 3]
[식 4]
이러한 추정치 이용하여 바이어스 필드 보정을 수행한다.
강도 처리모듈(21)의 뇌영상은 넥 제거모듈(22)에 제공된다. 넥 네거모듈(22) 뇌영상에 포함된 소뇌의 아래 영역의 목(NECK)을 제거하고, 목부분이 제거된 뇌영상은 위치 보정모듈(23)에 전달된다.
위치 보정모듈(23)은 뇌영상의 위치를 기 정해진 템플릿의 방향으로 조정한 다음 템플릿 등록모듈(24)에 의거 뇌영상의 위치와 템플릿의 위치가 일치하는 공간에 대해 선형 등록 혹은 비선형 등록을 수행한다.
여기서, 선형 등록은 영상을 왜곡시키지 않고 회전 및 이동을 통하여 입력된 영상을 템플릿의 위치에 일치시키는 rigid body registration 혹은 영상의 크기 또한 늘리거나 줄일 수 있는 affine registration을 이용하여 템플릿에 등록되며, 비선형 등록은 선형 등록의 과정을 포함하며 영상을 템플릿 모양에 맞추어 왜곡시켜 템플릿에 등록된다.
이때 템플릿에 선형 또는 비선형 등록을 한 뒤 목을 제거할 때 사용된 매트릭스와 템플릿에 선형 등록할 때 사용된 매트릭스를 합친 뒤 목의 제거 및 선형 등록 또는 비선형 등록 과정을 동시에 수행하여 분할에 필요한 뇌의 데이터의 손상이 방지될 수 있다.
이러한 전처리된 뇌영상은 브레인 분석부(3)로 전달된다.
도 3을 참조하면, 브레인 분석부(3)는 뇌의 해부학적 구조 파악을 위해 뇌요 소 별로 마스크를 각각 생성하고 생성된 각 뇌요소 별 마스크로 분할된 뇌영상을 도출하며 도출된 분할 뇌영상과 전처리된 영상으로부터 최종 뇌영상을 도출하는 구성을 갖추며, 이에 브레인 분석부(3)는 뇌확률지도 생성모듈(31), 마스크 생성모듈(32), 분할 뇌영상 획득모듈(33), 및 최종 뇌영상 도출모듈(34)를 포함한다. 여기서 뇌요소는 백질, 회백질, 뇌척수액, 뇌실 및 그외의 구조물을 포함한다. 여기서, 그 외 구조물이란 백질, 회백질, 뇌척수액 및 뇌실을 제외한 뇌 구조를 의미한다.
뇌확률지도 생성모듈(31)은 전처리된 뇌영상에 대해 기 정해진 템플릿 또는 업데이트된 템플릿의 확률지도를 이용하여 각 뇌요소 별 뇌확률지도를 생성한다.
즉, 확률 지도 템플릿과 입력 받은 자기공명 3D T1 영상을 이용하여 입력받은 영상 각각의 복셀에서 백질, 회백질, 뇌척수액, 뇌실 및 그외의 구조물이 존재할 확률을 계산하여 뇌확률지도가 생성된다. 이때, 뇌확률지도는 K 가우시안으로 모델링할 수 있다(Mixture of Gaussians, 이하 MOG로 약칭함).
예를 들어, 일변량 데이터의 경우 k 번째 가우스는 평균(), 분산(), 및 혼합 비율()로 모델링되며, MOG에서 k 번째 가우시안(c j =k)에 속하고 k번째 가우시안은 평균(), 분산()을 매개변수라고 가정하면 강도 y i 를 갖는 데이터를 얻을 확률은 다음 식 5로 도출될 수 있다.
[식 5]
이러한 확률을 뇌확률지도에 적용하면, 뇌영상의 복셀 i에 대해 뇌 구조물 k에 대한 확률은 다음 식 6을 만족하며, 이때 매개변수 α에 의해 템플릿에 등록된 뇌확률지도가 도출된다.
[식 6]
그리고 마스크 생성모듈(32)는 생성된 뇌확률지도가 각 템플릿에 해당되는 요소일 경우 1 이하의 값이므로, 정해진 임계치로 뇌확률지도를 이진화하여 이진화된 뇌확률지도의 마스크를 생성한다.
분할 뇌영상 획득모듈(33)은 각 백질, 회백질, 뇌척수액, 뇌실 및 그외 구조물의 마스크를 조합하여 전처리된 뇌영상을 분할하여 분할 뇌영상을 도출하고, 최종 뇌영상 도출모듈(34)는 각 뇌요소별 마스크를 조합하여 생성된 최종 마스크로 도출된 분할 뇌영상 및 전처리된 뇌영상에서 뇌경막이 제거되고 소뇌 아래 영역에 제거된 최종 뇌영상을 도출한다.
이러한 분할 뇌영상 획득모듈(33)은 각 백질, 회백질, 뇌척수액, 뇌실 및 그외 구조물의 마스크로 전처리된 뇌영상에서 분할 뇌영상을 도출하는 구성을 갖추며 이에 도 4 및 도 5를 참조하면, 분할 뇌영상 획득모듈(33)은 제1마스크 생성기(331), 제1경막 제거기(332), 뇌영상 확대기(333), 제2마스크 생성기(334), 회백질 획득기(335), 제2경막 제거기(336), 및 분할 뇌영상 획득기(337) 중 적어도 하나를 포함할 수 있다.
제1마스크 생성기(331)는 각 뇌요소 별 생성된 백질 마스크와, 회백질 마스크와, 뇌척수액 마스크와, 뇌실 마스크와 그 외의 뇌 요소를 획득하기 위한 구조물 마스크 중 회백질 마스크, 백질 마스크, 뇌실 마스크 및 그 외 구조물 마스크를 기반으로 제1 마스크를 생성한다.
그리고 제1경막 제거기(332)는 전처리된 뇌영상으로부터 제1마스크로 백질, 회백질, 및 뇌실을 포함하는 뇌영상 A를 획득한 다음 획득된 뇌영상 A을 이진화한다. 이에 전처리된 뇌영상에 포함된 뇌경막이 1차 제거된다.
여기서, 뇌영상 A는 회백질 마스크로부터 획득된 회백질의 뇌영상에 1을 초과하는 상수를 곱한 다음 백질 마스크에 의해 획득된 백질의 뇌영상과 뇌실 마스크에 의거 획득된 뇌실 마스크의 합한 후 구조물 마스크에 의거 획득된 구조물의 뇌영상을 감산하여 도출된다. 여기서, 1을 초과하는 상수는 다수의 실험을 통해 얻어진 결과값으로 설정되며, 최적 뇌영상을 획득할 수 있다.
이때 1차 제거된 뇌경막은 백질 측면 안와전두 영역 부근의 경막이 포함되며, 뇌영상 A는 뇌영상 확대기(333)로 전달된다.
뇌영상 확대기(333)는 뇌영상 A를 수축한 다음 1차 팽창하여 수축된 뇌영상 A를 복원하고 복원된 뇌영상 A를 2차 팽창하여 확대된 회백질의 뇌영상 B을 획득한다. 확대된 회백질의 뇌영상 B는 제2마스크 생성기(334)로 전달된다.
제2마스크 생성기(334)는 상기 제1마스크와 상기 뇌척수액 마스크를 곱하여 제2마스크를 생성하고 생성된 제2마스크에 의거 확대된 회백질의 뇌영상 B로부터 뇌척수액의 일부가 포함된 회백질을 획득하여 뇌영상 C를 도출한다.
한편 회백질 획득기(335)는 1차 뇌경막이 제거된 다음 이진화된 뇌영상 A의 수축 및 팽창을 통해 뇌영상 D를 획득하고 획득된 뇌영상 D과 상기 제2마스크에 의거 획득된 뇌영상 C를 합하여 뇌영상 E를 획득하고 획득된 뇌영상 E의 팽창 및 수축을 순차적으로 수행하여 회백질의 뇌영상 F를 획득한다.
제2경막 제거기(336)은 회백질의 뇌영상 F에서 백질, 회백질, 뇌척수액, 및 뇌실을 제외한 그 외 구조물을 제거한 뇌영상 G를 획득하고 획득된 뇌영상 G의 수축 및 팽창을 통해 뇌경막이 2차 제거된 뇌영상 H를 획득한다.
분할 뇌영상 획득기(337)은 2차 뇌경막이 제거된 뇌영상 H의 빈공간을 채우는 후처리를 수행하여 뇌영상 I를 출력하고 이에 각 뇌요소가 분할된 뇌영상 I를 도출한다.
최종 뇌영상 획득모듈(34)은 뇌영상 I와 전처리된 뇌영상으로부터 최종 마스크를 통해 뇌경막과 소뇌 아래 영역이 제거된 최종 뇌영상 J를 획득한다. 여기서, 최종 마스크는 회백질 마스크, 백질 마스크, 뇌척수액 마스크, 뇌실 마스크 및 그 외의 구조물 마스크의 조합으로 생성된다. 또한 최종 뇌영상 J는 뇌경막과 소뇌 주변의 정맥이 제거된 백질, 회백질, 뇌척수액, 뇌실 및 그 외의 구조물이 포함된다.
도 6의 (a)는 일반적인 정량 분석된 뇌영상을 보인 도이고, (b)는 일 실시예에 의거 정량 분석된 뇌영상을 보인 도이며, (c)는 정량 분석 시 육안 검사를 통해 실측 뇌와의 오류를 직접 수정한 후 재 정량 분석된 뇌영상을 보인 도로서, 도 6을 참조하면, 기존 방식에 의거 정량 분석된 뇌영상은 경막 및 소뇌 주변의 정맥을 소뇌로 잘못 분할된 것을 확인할 수 있고, 일 실시예에 의거 분할된 뇌로 정량 분석한 (b)의 뇌영상과 육안 검색 및 수정에 의거하여 정량 분석한 (c)의 뇌영상을 비교하면 (b)와 (c)의 뇌영상은 경막 및 소뇌 주변의 정맥이 정확하게 제거됨을 확인할 수 있다.
이에 일 실시예는 자기공명장치에 의거 촬영된 뇌의 정량적 분석을 위해 수행되는 분할 뇌영상에 대해 뇌경막 및 소뇌 아래 영역의 정맥을 정확하게 제거함에 따라 경막 및 소뇌 주변의 정맥 등을 구분하여 뇌영상을 정확하게 분할할 수 있으며, 이에 뇌의 정량적 분석 결과에 대한 정확도를 더욱 향상시킬 수 있고, 뇌 병변에 대한 진단 정확도를 근본적으로 높일 수 있다.
도 7은 도 3의 브레인 분석부에 의거 수행되는 뇌분할 과정을 보인 전체 흐름도로서, 도 5 및 7을 참조하여 본 발명의 다른 실시예에 따른 자기공명영상의 뇌 분할 방법을 설명한다.
단계(S11)에 의거, 일 실시예의 브레인 분석부(3)는 각 뇌요소 별 생성된 각 요소별 마스크를 기반으로 제1마스크를 생성한다. 여기서, 각 뇌요소는 백질, 회백질, 뇌척수액, 뇌실 및 그외의 구조물 중 적어도 하나이고, 각 뇌요소별 마스크를 생성한다. 제1 마스크는, 회백질 마스크에 1을 초과하는 상수를 곱한 다음 백질 마스크와 뇌실 마스크를 합한 후 그외 구조물 마스크를 감산하여 생성된다.
단계(S12) 및 단계(S13)에서, 일 실시예의 브레인 분석부(3)는 상기 제1마스크에 의거 자기공명장치에 의거 쵤영된 3D T1 영상에 대해 전처리된 뇌영상으로부터 뇌 요소 중 백질, 회백질, 및 뇌실을 포함하는 뇌영상 A을 획득한 다음 획득된 뇌영상 A을 수축하여 백질의 측면 안와전두 영역 부근의 경막을 포함하는 뇌경막을 1차 제거한다.
일 실시예의 브레인 분석부(3)는 단계(S14)에 의해 뇌경막이 1차 제거된 백질, 회백질, 및 뇌실을 포함하는 뇌영상 B을 1차 팽창하여 수축된 뇌영상을 복원 후 2차 팽창을 통해 뇌영상 B의 회백질이 확대된다.
단계(S15)에서, 일 실시예의 브레인 분석부(3)는 상기 제1마스크와 상기 뇌척수액 마스크를 곱하여 제2마스크를 생성하고 단계(S16)에서, 생성된 제2마스크로 상기 회백질이 확대된 뇌영상으로부터 뇌척수액의 일부가 포함된 회백질의 뇌영상 C을 획득한다.
이 후 단계(17) 및 단계(S18)에서, 일 실시예의 브레인 분석부(3)는 1차 뇌경막이 제거된 백질, 회백질, 및 뇌실의 뇌영상 A를 수축 및 팽창을 순차적으로 획득된 백질, 회백질, 및 뇌실의 뇌영상 D와 제2 마스크로 확대된 회백질의 뇌영상 C을 합하여 뇌영상 E를 획득하고 획득된 뇌영상 E의 팽창 및 수축을 순차적으로 수행하여 회백질의 뇌영상 F를 획득한다.
한편, 단계(S19)에서, 일 실시예의 브레인 분석부(3)는 구조물 마스크로 단계(S18)에서 획득된 회백질 뇌영상 F에서 그 외의 구조물의 뇌영상을 제거한 뇌영상 G를 획득하고 획득된 그외 구조물이 제거된 뇌영상 G을 수축 및 팽창하여 2차 뇌경막이 제거된 뇌영상 H를 획득한다.
이 후 일 실시예의 브레인 분석부(3)는 단계(S20)에 의거, 상기 제2경막 제거단계의 뇌영상 H의 빈공간을 채우는 후처리된 뇌영상 I를 획득한다.
한편, 브레인 분석부(3)는 단계(S21)에서 후처리된 뇌영상 I 및 전처리된 뇌영상을 이용하여 최종 뇌영상 J을 획득한다.
이에 일 실시예는, 자기공명장치에 의거 촬영된 뇌의 정량적 분석을 위해 수행되는 분할 뇌영상에 대해 다수의 뇌경막을 제거함에 따라 경막 및 소뇌 주변의 정맥 등을 구분하여 뇌영상을 정확하게 분할할 수 있으며, 이에 뇌의 정량적 분석 결과에 대한 정확도를 더욱 향상시킬 수 있고, 뇌 병변에 대한 진단 정확도를 근본적으로 높일 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로 (collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기 광매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
1 : 뇌영상 수집부
2 : 전처리부
21 : 강도 처리모듈
22 : 넥 제거모듈
23 : 위치 조정모듈
24 : 템플릿 등록모듈
3 : 브레인 분석부
31 : 뇌확률지도 생성모듈
32 : 마스크 생성모듈
33 : 뇌영상 분할모듈
34 : 최종 뇌영상 도출모듈
331 : 제1마스크 생성기
332 : 제1경막 제거기
333 : 뇌영상 확대기
334 : 제2마스크 생성기
335 : 회백질 획득기
336 : 제2경막 제거기
337 : 분할 뇌영상 획득기
2 : 전처리부
21 : 강도 처리모듈
22 : 넥 제거모듈
23 : 위치 조정모듈
24 : 템플릿 등록모듈
3 : 브레인 분석부
31 : 뇌확률지도 생성모듈
32 : 마스크 생성모듈
33 : 뇌영상 분할모듈
34 : 최종 뇌영상 도출모듈
331 : 제1마스크 생성기
332 : 제1경막 제거기
333 : 뇌영상 확대기
334 : 제2마스크 생성기
335 : 회백질 획득기
336 : 제2경막 제거기
337 : 분할 뇌영상 획득기
Claims (11)
- 자기공명장치를 이용하여 촬영된 뇌영상을 수집하는 뇌영상 수집부;
상기 뇌영상에 대해 전처리를 수행하는 전처리부; 및
상기 전처리된 뇌영상에 대해 각 뇌요소 별 뇌확률지도를 생성하고 생성된 뇌확률지도로 뇌 요소의 마스크를 각각 생성하며 상기 생성된 각 마스크를 이용하여 전처리된 뇌영상을 각 뇌요소별로 분할한 다음 분할 뇌영상을 최종 마스크로 최종 뇌영상을 도출하는 브레인 분석부를 포함하는 것을 특징으로 하는 자기공명영상의 뇌 분할 시스템. - 제1항에 있어서, 상기 뇌요소는,
회백질, 백질, 뇌척수액, 뇌실 및 그 외의 구조물 중 적어도 하나일 것을 특징으로 하는 자기공명영상의 뇌 분할 시스템. - 제2항에 있어서, 상기 전처리부는,
자기공명 장치를 이용하여 촬영된 뇌영상에 대해 전처리를 수행하되,
상기 수집된 뇌영상에 대해 촬영 시 강도 불균일성을 제거하는 바이어스 필드 보정을 수행하는 강도 처리모듈;
상기 바이어스 필드 보정 후 소뇌 아래 부분을 제거하는 넥 제거모듈;
상기 넥 제거모듈의 뇌영상을 기 정해진 템플릿의 방향으로 조정하는 위치 조정모듈; 및
상기 뇌영상의 위치와 템플릿의 위치를 일치하는 선형 혹은 비선형 등록을 템플릿에 수행하는 템플릿 등록모듈을 포함하도록 구비되는 것을 특징으로 하는 자기공명영상의 뇌 분할 시스템. - 제2항에 있어서, 상기 브레인 분석부는,
전처리된 뇌영상에 대해 기 정해진 템플릿의 확률지도를 이용하여 각 뇌요소 별 뇌확률지도를 생성하는 뇌확률지도 생성모듈;
각 뇌요소 별 생성된 각 뇌확률지도를 토대로 각 뇌요소의 마스크를 각각 생성하는 마스크 생성모듈;
생성된 각 마스크를 통해 각 상기 전처리된 뇌영상에서 각 뇌요소를 획득하여 분할 뇌영상을 도출하는 뇌영상 분할모듈; 및
도출된 분할 뇌영상에 대해 최종 마스크를 통해 최종 뇌영상을 도출하는 최종 뇌영상 도출모듈을 포함하는 것을 특징으로 하는 자기공명영상의 뇌 분할 시스템. - 제4항에 있어서, 상기 뇌영상 분할모듈은,
각 뇌요소 별 생성된 백질 마스크, 회백질 마스크, 뇌척수액 마스크, 뇌실 마스크 및 그 외의 뇌 요소를 획득하기 위한 구조물 마스크 중 백질 마스크와 회백질 마스크, 뇌실 마스크 및 구조물 마스크를 기반으로 제1마스크를 생성하는 제1마스크 생성기; 및
상기 제1마스크에 의거 전처리된 뇌영상에서 백질, 회백질, 및 뇌실을 포함하는 뇌영상을 획득한 다음 획득된 뇌영상을 이진화 한 후 수축하여 백질의 측면 안와전두 영역 부근의 경막을 포함하는 뇌경막을 1차 제거하는 제1경막 제거기;
상기 뇌경막이 1차 제거된 백질, 회백질, 및 뇌실을 포함하는 뇌영상을 1차 팽창하여 수축된 뇌영상을 복원 후 2차 팽창을 통해 회백질이 확대된 뇌영상을 획득하는 뇌영상 확대기;
상기 제1마스크와 상기 뇌척수액 마스크를 곱하여 제2마스크를 생성하고 생성된 제2마스크로 회백질이 확대된 뇌영상에서 뇌척수액의 일부가 포함된 회백질을 획득하는 제2마스크 생성기;
상기 1차 뇌경막이 제거된 백질, 회백질, 및 뇌실의 뇌영상의 수축 및 팽창을 통해 획득된 백질, 회백질, 및 뇌실의 뇌영상과 확대된 회백질의 뇌영상을 합한 다음 팽창 및 수축을 통해 회백질의 뇌영상을 획득하는 회백질 획득기;
회백질의 뇌영상에서 그 외의 구조물을 감산하여 뇌영상을 획득하고 획득된 뇌영상을 수축 및 팽창하여 뇌경막을 2차 제거하는 제2경막 제거기; 및
상기 제2경막 제거기의 뇌영상의 빈공간을 채우는 후처리하여 백질, 회백질, 뇌척수액, 및 뇌실을 제외한 그 외의 구조물이 제거된 분할 뇌영상을 획득하는 분할 뇌영상 획득기를 포함하는 것을 특징으로 하는 자기공명영상의 뇌 분할 시스템. - 제4항에 있어서, 상기 최종 뇌영상 도출모듈은,
각 뇌 요소별 마스크의 조합으로 최종 마스크를 생성하고 생성된 최종 마스크로 획득된 분할 뇌영상과 전처리된 뇌영상에서 뇌경막과 소뇌 아래 부분이 제거된 최종 뇌영상을 도출하도로 구비되는 것을 특징으로 하는 자기공명영상의 뇌 분할 시스템. - 제1항에 있어서, 상기 제1마스크는,
회백질 마스크로 획득된 회백질의 뇌영상에 1을 초과하는 상수를 곱한 다음 백질 마스크로부터 획득된 백질의 뇌영상과 뇌실 마스크로부터 획득된 뇌실의 뇌영상을 합한 후 구조물 마스크로부터 획득된 뇌영상을 제거하도록 구비되는 것을 특징으로 하는 자기공명영상의 뇌 분할 시스템. - 제1항의 브레인 분석부에 의거 수행되며, 각 뇌요소별 뇌확률지도로 생성된 각 뇌요소 별 마스크를 조합하여 전처리된 뇌영상을 각 뇌요소 별로 분할하는 자기공명영상의 뇌 분할 방법에 있어서,
각 뇌요소 별 생성된 각 요소별 마스크를 기반으로 제1마스크를 생성하는 제1마스크 생성단계;
상기 제1마스크에 의거 전처리된 뇌영상으로부터 백질, 회백질, 및 뇌실을 포함하는 뇌영상을 획득한 다음 획득된 뇌영상을 이진화한 후 수축하여 백질의 측면 안와전두 영역 부근의 경막을 포함하는 뇌경막을 1차 제거하는 제1경막 제거단계;
상기 뇌경막이 1차 제거된 백질, 회백질, 및 뇌실을 포함하는 뇌영상 A를 1차 팽창하여 수축된 뇌영상을 복원 후 2차 팽창을 통해 확대된 회백질의 뇌영상 B을 획득하는 뇌영상 확대단계;
상기 제1마스크와 상기 뇌척수액 마스크를 곱하여 제2마스크를 생성하고 생성된 제2마스크로 상기 확대된 회백질의 뇌영상 B으로부터 뇌척수액의 일부가 포함된 회백질의 뇌영상 C을 획득하는 제2마스크 생성단계;
상기 뇌경막이 1차 제거된 백질, 회백질, 및 뇌실의 뇌영상 C의 수축 및 팽창을 통해 획득된 백질, 회백질, 및 뇌실의 뇌영상 D과 확대된 회백질의 뇌영상 C을 합한 다음 팽창 및 수축을 통해 회백질의 뇌영상 F을 획득하는 회백질 획득단계;
상기 회백질 뇌영상 F에서 그 외의 구조물을 감산하여 뇌영상 G을 획득하고 획득된 뇌영상 G을 수축 및 팽창하여 뇌경막을 2차 제거하는 제2경막 제거단계;
상기 제2경막 제거단계의 뇌영상 H의 빈공간을 채우는 후처리하여 백질, 회백질, 뇌척수액, 및 뇌실을 제외한 그 외의 구조물이 제거된 분할 뇌영상 I을 획득하는 분할 뇌영상 획득단계를 포함하는 것을 특징으로 하는 자기공명영상의 뇌 분할 방법. - 제8항에 있어서, 상기 뇌 분할 방법은,
각 뇌 요소별 마스크의 조합으로 최종 마스크를 생성하고 생성된 최종 마스크로 획득된 분할 뇌영상 I과 전처리된 뇌영상에서 뇌경막과 소뇌 아래 부분이 제거된 최종 뇌영상 J를 획득하는 최종 뇌영상 도출단계를 더 포함하는 것을 특징으로 하는 자기공명영상의 뇌 분할 방법. - 제8항에 있어서, 상기 제1 마스크는,
회백질 마스크로 획득된 회백질의 뇌영상에 1을 초과하는 상수를 곱한 다음 백질 마스크로부터 획득된 백질의 뇌영상과 뇌실 마스크로부터 획득된 뇌실의 뇌영상을 합한 후 구조물 마스크로부터 획득된 뇌영상을 제거하도록 구비되는 것을 특징으로 하는 자기공명영상의 뇌 분할 방법. - 제8항 내지 제12항 중 한 항의 자기공명영상에서 뇌를 분할하는 방법을 실행하기 위한 프로그램이 기록되고 컴퓨터에서 수행 가능한 기록매체.
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220069053A KR20230168507A (ko) | 2022-06-07 | 2022-06-07 | 자기공명영상의 뇌 분할 시스템 및 방법 |
| US18/072,907 US20230394674A1 (en) | 2022-06-07 | 2022-12-01 | System and method for segmentating brain in mri images |
| EP22211226.0A EP4290453A1 (en) | 2022-06-07 | 2022-12-02 | System and method for segmentating brain in mri images |
| JP2022194183A JP2023179348A (ja) | 2022-06-07 | 2022-12-05 | 磁気共鳴画像の脳分割システム及び方法 |
| CN202211550708.5A CN117237375A (zh) | 2022-06-07 | 2022-12-05 | 一种磁共振成像的脑分割系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220069053A KR20230168507A (ko) | 2022-06-07 | 2022-06-07 | 자기공명영상의 뇌 분할 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230168507A true KR20230168507A (ko) | 2023-12-14 |
Family
ID=88700998
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220069053A KR20230168507A (ko) | 2022-06-07 | 2022-06-07 | 자기공명영상의 뇌 분할 시스템 및 방법 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20230394674A1 (ko) |
| EP (1) | EP4290453A1 (ko) |
| JP (1) | JP2023179348A (ko) |
| KR (1) | KR20230168507A (ko) |
| CN (1) | CN117237375A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190105452A (ko) | 2018-03-05 | 2019-09-17 | 고려대학교 산학협력단 | 딥러닝 기반 뇌 질환 진단 방법 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019136745A1 (zh) * | 2018-01-15 | 2019-07-18 | 深圳博脑医疗科技有限公司 | 一种基于磁共振图像的脑龄测试方法及脑龄测试装置 |
| CN110458869B (zh) * | 2019-05-10 | 2021-10-19 | 珠海慧脑云计算有限公司 | 一种新生儿磁共振结构脑影像的配准方法及其系统 |
| CN110840468B (zh) * | 2019-11-18 | 2022-04-22 | 深圳市铱硙医疗科技有限公司 | 自闭症风险评估方法及装置、终端设备、存储介质 |
-
2022
- 2022-06-07 KR KR1020220069053A patent/KR20230168507A/ko not_active Application Discontinuation
- 2022-12-01 US US18/072,907 patent/US20230394674A1/en active Pending
- 2022-12-02 EP EP22211226.0A patent/EP4290453A1/en active Pending
- 2022-12-05 JP JP2022194183A patent/JP2023179348A/ja active Pending
- 2022-12-05 CN CN202211550708.5A patent/CN117237375A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190105452A (ko) | 2018-03-05 | 2019-09-17 | 고려대학교 산학협력단 | 딥러닝 기반 뇌 질환 진단 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2023179348A (ja) | 2023-12-19 |
| EP4290453A1 (en) | 2023-12-13 |
| US20230394674A1 (en) | 2023-12-07 |
| CN117237375A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jog et al. | Random forest regression for magnetic resonance image synthesis | |
| US10592820B2 (en) | Sequential learning technique for medical image segmentation | |
| US8842936B2 (en) | Method, apparatus, and program for aligning images | |
| US8073253B2 (en) | Machine learning based triple region segmentation framework using level set on PACS | |
| US20210068676A1 (en) | Method and system for automatically generating and analyzing fully quantitative pixel-wise myocardial blood flow and myocardial perfusion reserve maps to detect ischemic heart disease using cardiac perfusion magnetic resonance imaging | |
| Pushparaj et al. | An effective dental shape extraction algorithm using contour information and matching by mahalanobis distance | |
| KR102357350B1 (ko) | 딥러닝을 이용한 저선량 ct 영상의 통계적 영상 복원 방법 및 시스템 | |
| KR20230168507A (ko) | 자기공명영상의 뇌 분할 시스템 및 방법 | |
| EP2827298A1 (en) | Method and computer program for filtering and particularly segmenting and/or analyzing anatomic structures in a digital image | |
| Wang et al. | Spatially aware patch-based segmentation (saps): an alternative patch-based segmentation framework | |
| CN111161256A (zh) | 图像分割方法、图像分割装置、存储介质及电子设备 | |
| JP7014312B2 (ja) | マルチスケールフィルタリングによるｍｒｉ脳画像の正規化及び強調の方法 | |
| US20140032180A1 (en) | Method and apparatus for computing deformation of an object | |
| EP3109824B1 (en) | System and method for handling image data | |
| US11881016B2 (en) | Method and system for processing an image and performing instance segmentation using affinity graphs | |
| JP7277131B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| KR20220086937A (ko) | 다단계 심층 강화학습을 이용한 3차원 형태-해부학적 기준점 검출 방법 및 장치 | |
| US20100142779A1 (en) | Method and apparatus for locating a physiological feature of interest in image data | |
| Su et al. | One-shot Joint Extraction, Registration and Segmentation of Neuroimaging Data | |
| Watkins et al. | msemalign: a pipeline for serial section multibeam scanning electron microscopy volume alignment | |
| US20230186603A1 (en) | Medical image processing apparatus, method, and storage medium | |
| US11721022B2 (en) | Apparatus and method for automated analyses of ultrasound images | |
| CN112017147B (zh) | 一种骨骼图像的提取方法及装置 | |
| US20240062501A1 (en) | Image stitching method using image masking | |
| DE102008036812A1 (de) | Verfahren und Vorrichtung zur Segmentierung eines Objekts aus einem Bilddatensatz |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |