KR20240039479A - 대동맥 진단을 위한 의료 영상 가시화 장치 및 방법 - Google Patents
대동맥 진단을 위한 의료 영상 가시화 장치 및 방법 Download PDFInfo
- Publication number
- KR20240039479A KR20240039479A KR1020220118113A KR20220118113A KR20240039479A KR 20240039479 A KR20240039479 A KR 20240039479A KR 1020220118113 A KR1020220118113 A KR 1020220118113A KR 20220118113 A KR20220118113 A KR 20220118113A KR 20240039479 A KR20240039479 A KR 20240039479A
- Authority
- KR
- South Korea
- Prior art keywords
- size
- aortic
- visualization
- information
- aorta
- Prior art date
Links
- 238000012800 visualization Methods 0.000 title claims abstract description 195
- 210000000709 aorta Anatomy 0.000 title claims abstract description 134
- 238000003745 diagnosis Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims description 74
- 230000011218 segmentation Effects 0.000 claims abstract description 36
- 210000003484 anatomy Anatomy 0.000 claims abstract description 29
- 208000007474 aortic aneurysm Diseases 0.000 claims description 57
- 238000002059 diagnostic imaging Methods 0.000 claims description 29
- 238000004891 communication Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 2
- 210000002808 connective tissue Anatomy 0.000 abstract description 7
- 208000002251 Dissecting Aneurysm Diseases 0.000 description 89
- 206010002895 aortic dissection Diseases 0.000 description 86
- 238000004458 analytical method Methods 0.000 description 36
- 210000002376 aorta thoracic Anatomy 0.000 description 31
- 210000004204 blood vessel Anatomy 0.000 description 21
- 238000001514 detection method Methods 0.000 description 18
- 230000001575 pathological effect Effects 0.000 description 18
- 238000013528 artificial neural network Methods 0.000 description 16
- 238000012545 processing Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 238000002591 computed tomography Methods 0.000 description 10
- 206010002329 Aneurysm Diseases 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 230000003902 lesion Effects 0.000 description 9
- 206010060874 Aortic rupture Diseases 0.000 description 8
- 210000000702 aorta abdominal Anatomy 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 208000007536 Thrombosis Diseases 0.000 description 7
- 230000001174 ascending effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004445 quantitative analysis Methods 0.000 description 7
- 206010020772 Hypertension Diseases 0.000 description 6
- 210000001367 artery Anatomy 0.000 description 6
- 210000004369 blood Anatomy 0.000 description 6
- 239000008280 blood Substances 0.000 description 6
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 201000000057 Coronary Stenosis Diseases 0.000 description 5
- 206010011089 Coronary artery stenosis Diseases 0.000 description 5
- 201000008982 Thoracic Aortic Aneurysm Diseases 0.000 description 5
- 208000002223 abdominal aortic aneurysm Diseases 0.000 description 5
- 230000001154 acute effect Effects 0.000 description 5
- 210000000038 chest Anatomy 0.000 description 5
- 210000004351 coronary vessel Anatomy 0.000 description 5
- 208000003457 familial thoracic 1 aortic aneurysm Diseases 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 230000007170 pathology Effects 0.000 description 5
- 238000002604 ultrasonography Methods 0.000 description 5
- 208000025494 Aortic disease Diseases 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 238000002224 dissection Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 210000002216 heart Anatomy 0.000 description 4
- 210000003270 subclavian artery Anatomy 0.000 description 4
- 238000003325 tomography Methods 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 238000004195 computer-aided diagnosis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 210000000115 thoracic cavity Anatomy 0.000 description 3
- 230000008733 trauma Effects 0.000 description 3
- 238000007631 vascular surgery Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000007794 visualization technique Methods 0.000 description 3
- 208000026828 Aorta coarctation Diseases 0.000 description 2
- 208000006179 Aortic Coarctation Diseases 0.000 description 2
- 206010009807 Coarctation of the aorta Diseases 0.000 description 2
- 208000010378 Pulmonary Embolism Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 210000001715 carotid artery Anatomy 0.000 description 2
- 210000001168 carotid artery common Anatomy 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 210000003141 lower extremity Anatomy 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000017074 necrotic cell death Effects 0.000 description 2
- 210000001147 pulmonary artery Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 206010017533 Fungal infection Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 208000026350 Inborn Genetic disease Diseases 0.000 description 1
- 208000001826 Marfan syndrome Diseases 0.000 description 1
- 208000031888 Mycoses Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 206010003230 arteritis Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 208000016361 genetic disease Diseases 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000036244 malformation Effects 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000013507 mapping Methods 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
- 238000012544 monitoring process Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 208000006379 syphilis Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- 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
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Radiology & Medical Imaging (AREA)
- Multimedia (AREA)
- Vascular Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- Software Systems (AREA)
- Optics & Photonics (AREA)
- Neurosurgery (AREA)
- Pulmonology (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
의료 영상의 진단을 지원하며, 컴퓨팅 시스템을 포함하는 의료 영상 진단 지원 장치가 개시된다. 본 발명의 일 실시예에 따른 장치는 컴퓨팅 시스템을 포함한다. 컴퓨팅 시스템은 인체 내부의 해부학적 구조 정보를 포함하는 의료 영상을 수신하는 수신 인터페이스부; 및 의료 영상 내의 대동맥의 분할 결과, 및 대동맥 내의 복수개의 대동맥 영역의 분할 결과에 기반하여 복수개의 대동맥 영역 각각 내의 내막으로 둘러싸인 영역을 포함하는 트루 루멘, 및 복수개의 대동맥 영역 각각 내의 내막과 외막 사이의 영역을 포함하는 폴스 루멘의 크기를 획득하는 적어도 하나 이상의 프로세서를 포함한다. 적어도 하나 이상의 프로세서는 복수개의 대동맥 영역 각각에 대응하도록 배치되는 시각화 세그멘트를 이용하여 복수개의 대동맥 영역 각각 내에서 트루 루멘의 크기, 폴스 루멘의 크기, 및 트루 루멘의 크기와 폴스 루멘의 크기 사이의 비율을 시각화한다.
Description
본 발명은 의료 영상의 진단을 지원하는 장치 및 방법에 관한 것이다. 구체적으로는 본 발명은 대동맥 박리(aortic dissection), 및/또는 대동맥류(aneurysm)과 같은 대동맥의 병리학적 정보(pathological information)를 검출하고 가시화/시각화(visualize)하는 기술로서, 의료 영상을 분석하는 컴퓨팅 시스템 및 그 컴퓨팅 시스템에서 실행되는 소프트웨어에 관한 것이다.
본 발명은 보건복지부 및 한국보건산업진흥원의 첨단의료기술개발 사업의 일환으로 수행한 연구로부터 도출된 것이다[과제고유번호: 1465936243, 과제명: 응급 대동맥질환 진단 인공지능 소프트웨어 개발 및 검증].
현재, 병변을 분석함으로써 진단에 이용하기 위하여 CT(computed tomography; 전산화 단층 촬영) 등의 의료 영상이 널리 이용되고 있다. 예를 들어, 흉부 CT 영상은 신체의 내부, 예컨대, 폐, 기관지, 심장 등의 이상을 관찰할 수 있어 진단용으로 빈번히 이용된다.
흉부 CT 영상을 통하여 진단될 수 있는 몇몇 소견들은 영상의학과 의사도 다년 간의 수련을 겪어야만 그 특징 및 형태를 구분해낼 수 있을 정도로 그 진단이 용이하지 않아 인간인 의사가 쉽게 간과할 수 있다. 이 같이 인간이 쉽게 간과할 수 있는 영상의 진단을 보조하기 위하여, 컴퓨터 보조 진단(CAD; computer aided diagnosis)의 필요성이 대두되었는데, 종래의 CAD 기술은 매우 한정된 영역에서 의사의 판단을 보조함에 그친다.
대동맥은 인체 내에서 가장 큰 동맥이다. 그것은 좌심실(left ventricle)로부터 발생하고(originate), 인체의 다른 모든 파트에 산소 결합 혈액(oxygenated blood)을 분배한다. 대동맥은 두 개의 주된 영역, 즉, 흉부 대동맥(thoracic aorta)와 복부 대동맥(abdominal aorta)으로 분할될 수 있다.
흉부 대동맥은 세 개의 주된 영역, 즉, 상행 대동맥(ascending aorta), 대동맥궁(aortic arch), 하행 대동맥(descending aorta)으로 분할될 수 있다. 대동맥 내의 다양한 영역과 섹션에서 대동맥 박리(aortic dissection), 대동맥 파열(aortic rupture) 또는 대동맥류(aortic aneurysm)와 같은 하나 이상의 병리학적 정보(pathological information)가 검출될 수 있다. 대동맥 박리는 대동맥의 내막 벽(intimal wall) 내측의 찢어짐(tear)가 혈액을 혈관의 외벽과 내막 벽 사이로 유입되게 허용함으로써 발생할 수 있다.
대동맥류는 대동맥이 확장될(dilate) 때 발생할 수 있으며, 대동맥류로 인하여 대동맥 벽이 얇아질 수 있다. 대동맥 박리와 대동맥류는 허혈(ischemia) 또는 대동맥 파열(aortic rupture)을 일으켜 생명을 위협하는 의학적 응급상황(life-threatening medical emergency)을 초래할 수 있다.
선행기술 [1] US 10,327,724 "Detection and characterization of aortic pathologies" 에서는 CT, MR 등 해부학적 정보를 포함하는 의료 영상에서 대동맥의 경계를 검출하고, 대동맥의 해부학적 구조 정보에 기반하여 대동맥 박리, 대동맥류 등의 위험 영역을 검출하는 구성이 개시된다. 또한 선행기술 [1]에서는 대동맥 박리, 대동맥류 등 대동맥에 관한 병리학적 정보를 검출한 경우, 적합한 치료(treatment)를 의학 지식 데이터베이스에서 검색하여 사용자에게 제안하는 구성이 개시된다.
선행기술 [2] US 10,733,265 "Medical image manager with automated synthetic image generator" 에서는 CT, MR 등 해부학적 정보를 포함하는 의료 영상에서 신호의 세기(signal intensity)를 이용하여 대동맥 등 해부학적 구조를 검출하고, 대동맥 박리 등 대동맥의 병리학적 정보를 검출한 후, 검출된 의학적 정보에 기반하여 리포트를 생성하여 의료 전문가인 사용자에게 제공하는 구성이 개시된다.
선행기술 [3] US 2020-0118688 "METHOD AND SYSTEM FOR THE EVALUATION OF THE RISK OF AORTIC RUPTURE OR DISSECTION IN AN INDIVIDUAL WITH AN ASCENDING THORACIC AORTIC ANEURYSM" 에서는 상행 대동맥류 (ATAA, Ascending Thoracic Aortic Aneurysm)을 가진 개인에 대하여 대동맥 파열 또는 대동맥 박리가 발생할 위험을 계산하는 방법을 개시한다. 선행기술 [3]에서는 대동맥에 대한 해부학적 구조 정보를 의료 영상으로부터 추출한 후, 유한 요소 기법(FEM, Finite Element Method) 등을 적용하여 파라미트릭 정보를 획득하고, 파라미트릭 정보에 기반하여 대동맥 파열 또는 대동맥 박리의 위험도를 계산한다.
이러한 선행기술들에 의하더라도, 대동맥 질환에 대하여 의료 전문가인 사용자의 진단을 용이하게 보조할 수 있는 사용자 인터페이스가 여전히 부재하는 문제점이 있다.
"Society for Vascular Surgery (SVS) and Society of Thoracic Surgeons (STS) reporting standards for type B aortic dissections", Joseph V. Lombardi, etc., (2020.01.27)
본 발명은 대동맥류 및/또는 대동맥 박리를 포함하는 대동맥의 병리학적 정보(pathological information)에 대한 인공지능/인공 신경망에 기반한 검출 및/또는 분석 결과를 기반으로 사용자가 용이하게 진단을 내릴 수 있도록 사용자의 진단을 보조하는 사용자 인터페이스를 제공하는 것을 목적으로 한다.
본 발명은 대동맥류 및/또는 대동맥 박리를 포함하는 대동맥의 병리학적 정보(pathological information)에 대한 사용자의 진단을 효과적으로 보조하는 직관적인 시각화 방법을 제공하는 것을 목적으로 한다.
본 발명은 대동맥의 세분화된 구조 정보에 대하여 대동맥류 및/또는 대동맥 박리를 포함하는 대동맥의 질병의 발생 여부를 일람할 수 있는 직관적인 사용자 인터페이스를 제공하는 것을 목적으로 한다.
의료 전문가인 사용자라 하더라도, 개별 작업자의 성숙도에 따라서 의료 영상 상에 오버레이되는 영상 분석 결과, 병리학적 정보, 또는 의학적 소견(medical findings)에 기반하여 진단 및 의사결정에 도달하는 시간과 정확도가 상이하다.
또한 대동맥류 및/또는 대동맥 박리가 검출된 대동맥 상의 위치에 따라서 치료 방법이 달라지므로, 전체 대동맥 구조에서 대동맥 박리가 검출된 위치를 직관적으로 알릴 수 있는 시각화/가시화 사용자 인터페이스가 필요하다.
본 발명은 전체 대동맥 구조 상에서 대동맥류 및/또는 대동맥 박리가 발생한 위치를 직관적으로 시각화/가시화하는 사용자 인터페이스를 제공하는 것을 목적으로 한다.
본 발명은 대동맥류 및/또는 대동맥 박리가 발생한 위치를 직관적으로 시각화/가시화하고, 사용자가 신속하게 처치 방법을 선택할 수 있도록 진단을 보조하는 사용자 인터페이스를 제공하는 것을 목적으로 한다.
본 발명은 상기의 목적을 달성하기 위하여 도출된 구성으로서, 본 발명의 일 실시예에 따른 의료 영상 진단 지원 장치는 컴퓨팅 시스템을 포함한다. 컴퓨팅 시스템은 인체 내부의 해부학적 구조에 대하여 얻어지는 의료 영상을 수신하는 통신 인터페이스; 및 적어도 하나 이상의 프로세서를 포함한다. 적어도 하나 이상의 프로세서는, 의료 영상 내의 대동맥의 분할 결과, 및 대동맥 내의 복수개의 대동맥 영역의 분할 결과에 기반하여 복수개의 대동맥 영역 각각 내의 내막으로 둘러싸인 영역을 포함하는 트루 루멘의 크기, 및 복수개의 대동맥 영역 각각에 대한 제1 정보를 획득하고, 복수개의 대동맥 영역 각각에 대응하는 시각화 세그멘트를 이용하여 복수개의 대동맥 영역 각각 내에서 트루 루멘의 크기, 제1 정보, 및 트루 루멘의 크기와 제1 정보 사이의 비율을 시각화한다.
적어도 하나 이상의 프로세서는 복수개의 대동맥 영역 각각의 정상군의 대동맥 크기에 대응하는 레퍼런스 트루 루멘의 크기를 복수개의 대동맥 영역 각각에 대한 제1 정보로서 획득할 수 있다.
적어도 하나 이상의 프로세서는 복수개의 대동맥 영역 각각의 대동맥류의 진단을 위한 진단 보조 정보로서 트루 루멘의 크기, 레퍼런스 트루 루멘의 크기, 및 트루 루멘의 크기와 레퍼런스 트루 루멘의 크기 사이의 비율이 시각화되는 시각화 세그멘트를 생성할 수 있다.
적어도 하나 이상의 프로세서는 복수개의 대동맥 영역 각각에 대한 내막과 외막 사이의 영역을 포함하는 폴스 루멘의 크기를 복수개의 대동맥 영역 각각에 대한 제1 정보로서 획득할 수 있다.
적어도 하나 이상의 프로세서는 복수개의 대동맥 영역 각각의 대동맥 박리의 진단을 위한 진단 보조 정보로서 트루 루멘의 크기, 폴스 루멘의 크기, 및 트루 루멘의 크기와 폴스 루멘의 크기 사이의 비율이 시각화되는 시각화 세그멘트를 생성할 수 있다.
적어도 하나 이상의 프로세서는 복수개의 대동맥 영역 각각의 정상군의 대동맥 크기에 대응하는 레퍼런스 트루 루멘의 크기를 복수개의 대동맥 영역 각각의 제2 정보로서 획득할 수 있다. 적어도 하나 이상의 프로세서는 트루 루멘의 크기, 폴스 루멘의 크기, 및 레퍼런스 트루 루멘의 크기가 비교될 수 있도록 시각화되는 시각화 세그멘트를 생성할 수 있다.
적어도 하나 이상의 프로세서는 트루 루멘의 크기에 비례하는 크기를 가지는 제1 하위 세그멘트, 및 제1 정보에 비례하는 크기를 가지는 제2 하위 세그멘트를 포함하는 시각화 세그멘트를 생성할 수 있다.
적어도 하나 이상의 프로세서는 복수개의 대동맥 영역 각각의 길이 및 대동맥의 전체 길이 간의 비율에 대응하는 제1 크기를 가지는 시각화 세그멘트를 생성할 수 있다.
적어도 하나 이상의 프로세서는 복수개의 대동맥 영역 중 하나에 대응함을 나타내는 식별 정보를 포함하는 시각화 세그멘트를 생성할 수 있다.
적어도 하나 이상의 프로세서는 복수개의 대동맥 영역 각각의 위치에 대응하여 시각화 세그멘트를 배치함으로써 복수개의 대동맥 영역 각각의 진단 보조 정보를 생성할 수 있다.
적어도 하나 이상의 프로세서는 가상의 원의 중심점을 공유하는 시각화 세그멘트를 중심점으로부터 방사상으로 배치함으로써 복수개의 대동맥 영역 각각의 진단 보조 정보를 생성할 수 있다.
적어도 하나 이상의 프로세서는 트루 루멘의 크기 및 제1 정보를 시각화 세그멘트의 중심점으로부터의 반지름의 길이에 비례하여 시각화할 수 있다.
본 발명의 일 실시예에 따른 의료 영상 진단 지원 방법은 컴퓨팅 시스템에서 실행되고, 컴퓨팅 시스템은 적어도 하나 이상의 프로세서를 포함한다. 본 발명의 일 실시예에 따른 의료 영상 진단 지원 방법은 적어도 하나 이상의 프로세서가, 수신 인터페이스부를 경유하여 인체 내부의 해부학적 구조 정보에 대하여 얻어지는 의료 영상을 수신하는 단계; 적어도 하나 이상의 프로세서가, 의료 영상 내의 대동맥의 분할 결과, 및 대동맥 내의 복수개의 대동맥 영역의 분할 결과에 기반하여 복수개의 대동맥 영역 각각 내의 내막으로 둘러싸인 영역을 포함하는 트루 루멘의 크기, 및 복수개의 대동맥 영역 각각에 대한 제1 정보를 획득하는 단계; 및 적어도 하나 이상의 프로세서가, 복수개의 대동맥 영역 각각에 대응하는 시각화 세그멘트를 이용하여 복수개의 대동맥 영역 각각 내에서 트루 루멘의 크기, 제1 정보, 및 트루 루멘의 크기와 제1 정보 사이의 비율을 시각화하는 단계를 포함한다.
제1 정보를 획득하는 단계에서는, 적어도 하나 이상의 프로세서가, 복수개의 대동맥 영역 각각의 정상군의 대동맥 크기에 대응하는 레퍼런스 트루 루멘의 크기를 복수개의 대동맥 영역 각각에 대한 제1 정보로서 획득할 수 있다. 시각화하는 단계에서는, 적어도 하나 이상의 프로세서가, 복수개의 대동맥 영역 각각의 대동맥류의 진단을 위한 진단 보조 정보로서 트루 루멘의 크기, 레퍼런스 트루 루멘의 크기, 및 트루 루멘의 크기와 레퍼런스 트루 루멘의 크기 사이의 비율이 시각화되는 시각화 세그멘트를 생성할 수 있다.
제1 정보를 획득하는 단계에서는, 적어도 하나 이상의 프로세서가, 복수개의 대동맥 영역 각각에 대한 내막과 외막 사이의 영역을 포함하는 폴스 루멘의 크기를 복수개의 대동맥 영역 각각에 대한 제1 정보로서 획득할 수 있다. 시각화하는 단계에서는, 적어도 하나 이상의 프로세서가, 복수개의 대동맥 영역 각각의 대동맥 박리의 진단을 위한 진단 보조 정보로서 트루 루멘의 크기, 폴스 루멘의 크기, 및 트루 루멘의 크기와 폴스 루멘의 크기 사이의 비율이 시각화되는 시각화 세그멘트를 생성할 수 있다.
본 발명의 일 실시예에 따른 의료 영상 진단 지원 방법은, 적어도 하나 이상의 프로세서가, 복수개의 대동맥 영역 각각의 정상군의 대동맥 크기에 대응하는 레퍼런스 트루 루멘의 크기를 복수개의 대동맥 영역 각각의 제2 정보로서 획득하는 단계를 더 포함할 수 있다. 이때 시각화하는 단계에서는, 적어도 하나 이상의 프로세서가, 트루 루멘의 크기, 폴스 루멘의 크기, 및 레퍼런스 트루 루멘의 크기가 비교될 수 있도록 시각화되는 시각화 세그멘트를 생성할 수 있다.
시각화하는 단계는, 적어도 하나 이상의 프로세서가, 트루 루멘의 크기에 비례하는 크기를 가지는 제1 하위 세그멘트를 생성하는 단계; 제1 정보에 비례하는 크기를 가지는 제2 하위 세그멘트를 생성하는 단계; 및 제1 하위 세그멘트 및 제2 하위 세그멘트를 포함하는 시각화 세그멘트를 생성하는 단계를 포함할 수 있다.
시각화하는 단계에서는, 적어도 하나 이상의 프로세서가, 복수개의 대동맥 영역 각각의 길이 및 대동맥의 전체 길이 간의 비율에 대응하는 제1 크기를 가지는 시각화 세그멘트를 생성할 수 있다.
시각화하는 단계는, 적어도 하나 이상의 프로세서가, 복수개의 대동맥 영역 중 하나에 대응함을 나타내는 식별 정보를 포함하는 시각화 세그멘트를 생성하는 단계; 및 적어도 하나 이상의 프로세서가, 복수개의 대동맥 영역 각각의 위치에 대응하여 시각화 세그멘트를 배치함으로써 복수개의 대동맥 영역 각각의 진단 보조 정보를 생성하는 단계를 포함할 수 있다.
시각화하는 단계에서는, 적어도 하나 이상의 프로세서가, 가상의 원의 중심점을 공유하는 시각화 세그멘트를 중심점으로부터 방사상으로 배치함으로써 복수개의 대동맥 영역 각각의 진단 보조 정보를 생성할 수 있다.
본 발명의 의료 영상의 진단을 지원하는 기술에 따르면, 본 발명은 대동맥류 및/또는 대동맥 박리를 포함하는 대동맥의 병리학적 정보(pathological information)에 대한 인공지능/인공 신경망에 기반한 검출 및/또는 분석 결과를 기반으로 사용자가 용이하게 진단을 내릴 수 있도록 사용자의 진단을 보조하는 사용자 인터페이스를 제공할 수 있다.
본 발명은 대동맥류 및/또는 대동맥 박리를 포함하는 대동맥의 병리학적 정보(pathological information)에 대한 사용자의 진단을 효과적으로 보조하는 직관적인 시각화 방법을 제공할 수 있다.
본 발명은 대동맥의 세분화된 구조 정보에 대하여 대동맥류 및/또는 대동맥 박리를 포함하는 대동맥의 질병의 발생 여부를 일람할 수 있는 직관적인 사용자 인터페이스를 제공할 수 있다.
본 발명은 전체 대동맥 구조 상에서 대동맥류 및/또는 대동맥 박리가 발생한 위치를 직관적으로 시각화/가시화하는 사용자 인터페이스를 제공할 수 있다.
본 발명은 대동맥류 및/또는 대동맥 박리가 발생한 위치를 직관적으로 시각화/가시화하고, 사용자가 신속하게 처치 방법을 선택할 수 있도록 진단을 보조하는 사용자 인터페이스를 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 의료 영상 진단 지원 장치를 포함하는 시스템에서 실행되는 의료 영상 진단 워크플로우를 도시하는 도면이다.
도 2는 흉부 대동맥(thoracic aorta)의 구조를 도시하는 개념도이다.
도 3은 복수의 병리학적 조건(pathological condition)에 따른 흉부 대동맥의 단면을 도시하는 개념도이다.
도 4는 의료 영상 상에서 트루 루멘(True Lumen)과 폴스 루멘(False Lumen)이 구분되도록 표시되는 디스플레이 이미지의 일 실시예이다.
도 5는 의료 영상 상에서 관상 동맥 협착(coronary stenosis)이 구분되도록 표시되는 디스플레이 이미지의 일 실시예이다.
도 6은 의료 영상 상에서 폐 색전증(pulmonary embolism) 및 폐혈관(pulmonary vessel) 내의 혈전(blood clots)이 구분되도록 표시되는 디스플레이 이미지의 일 실시예이다.
도 7은 대동맥 박리(aortic dissection)가 발생하는 원인을 설명하기 위한 개념도이다.
도 8은 흉부 대동맥의 구조 및 흉부 대동맥이 복수개의 영역들로 구분된 예시를 도시하는 개념도이다.
도 9는 본 발명의 일 실시예에 따른 영상 진단 지원 장치로서, 도 1의 분석 서버(102)의 일반화된 구성을 도시하는 블록도이다.
도 10은 본 발명의 일 실시예에 따른 의료 영상 진단 지원 방법을 도시하는 동작 흐름도이다.
도 11은 본 발명의 일 실시예에 따른 의료 영상 진단 지원 방법을 도시하는 동작 흐름도이다.
도 12는 본 발명의 일 실시예에 따른 의료 영상 진단 지원 장치에 의하여 사용자에게 제공되는 대동맥 박리 분석 결과의 시각화 그래프의 일 예시이다.
도 13은 도 12에서 도시되는 시각화 그래프의 하나의 세그멘트의 일 실시예이다.
도 14는 본 발명의 일 실시예에 따른 의료 영상 진단 지원 장치에 의하여 사용자에게 제공되는 대동맥 박리 분석 결과의 시각화 그래프의 일 예시이다.
도 15는 도 14에서 도시되는 시각화 그래프의 하나의 세그멘트의 일 실시예이다.
도 16은 본 발명의 일 실시예에 따른 의료 영상 진단 지원 방법을 도시하는 동작 흐름도이다.
도 17은 본 발명의 일 실시예에 따른 의료 영상 진단 지원 장치에 의하여 사용자에게 제공되는 대동맥류 분석 결과의 시각화 그래프의 일 예시이다.
도 18은 도 17에서 도시되는 시각화 그래프의 하나의 세그멘트의 일 실시예이다.
도 19는 본 발명의 일 실시예에 따른 의료 영상 진단 지원 장치에 의하여 사용자에게 제공되는 대동맥류 분석 결과의 시각화 그래프의 일 예시이다.
도 20은 도 19에서 도시되는 시각화 그래프의 하나의 세그멘트의 일 실시예이다.
도 2는 흉부 대동맥(thoracic aorta)의 구조를 도시하는 개념도이다.
도 3은 복수의 병리학적 조건(pathological condition)에 따른 흉부 대동맥의 단면을 도시하는 개념도이다.
도 4는 의료 영상 상에서 트루 루멘(True Lumen)과 폴스 루멘(False Lumen)이 구분되도록 표시되는 디스플레이 이미지의 일 실시예이다.
도 5는 의료 영상 상에서 관상 동맥 협착(coronary stenosis)이 구분되도록 표시되는 디스플레이 이미지의 일 실시예이다.
도 6은 의료 영상 상에서 폐 색전증(pulmonary embolism) 및 폐혈관(pulmonary vessel) 내의 혈전(blood clots)이 구분되도록 표시되는 디스플레이 이미지의 일 실시예이다.
도 7은 대동맥 박리(aortic dissection)가 발생하는 원인을 설명하기 위한 개념도이다.
도 8은 흉부 대동맥의 구조 및 흉부 대동맥이 복수개의 영역들로 구분된 예시를 도시하는 개념도이다.
도 9는 본 발명의 일 실시예에 따른 영상 진단 지원 장치로서, 도 1의 분석 서버(102)의 일반화된 구성을 도시하는 블록도이다.
도 10은 본 발명의 일 실시예에 따른 의료 영상 진단 지원 방법을 도시하는 동작 흐름도이다.
도 11은 본 발명의 일 실시예에 따른 의료 영상 진단 지원 방법을 도시하는 동작 흐름도이다.
도 12는 본 발명의 일 실시예에 따른 의료 영상 진단 지원 장치에 의하여 사용자에게 제공되는 대동맥 박리 분석 결과의 시각화 그래프의 일 예시이다.
도 13은 도 12에서 도시되는 시각화 그래프의 하나의 세그멘트의 일 실시예이다.
도 14는 본 발명의 일 실시예에 따른 의료 영상 진단 지원 장치에 의하여 사용자에게 제공되는 대동맥 박리 분석 결과의 시각화 그래프의 일 예시이다.
도 15는 도 14에서 도시되는 시각화 그래프의 하나의 세그멘트의 일 실시예이다.
도 16은 본 발명의 일 실시예에 따른 의료 영상 진단 지원 방법을 도시하는 동작 흐름도이다.
도 17은 본 발명의 일 실시예에 따른 의료 영상 진단 지원 장치에 의하여 사용자에게 제공되는 대동맥류 분석 결과의 시각화 그래프의 일 예시이다.
도 18은 도 17에서 도시되는 시각화 그래프의 하나의 세그멘트의 일 실시예이다.
도 19는 본 발명의 일 실시예에 따른 의료 영상 진단 지원 장치에 의하여 사용자에게 제공되는 대동맥류 분석 결과의 시각화 그래프의 일 예시이다.
도 20은 도 19에서 도시되는 시각화 그래프의 하나의 세그멘트의 일 실시예이다.
상기 목적 외에 본 발명의 다른 목적 및 특징들은 첨부 도면을 참조한 실시예에 대한 설명을 통하여 명백히 드러나게 될 것이다.
본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 발명의 사상이 실시예들에 의하여 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다. 본 발명의 실시예와 도면에 소개된 길이, 높이, 크기, 폭 등은 이해를 돕기 위해 과장된 것일 수 있다.
최근 급속히 발전한 딥러닝/CNN 기반 인공 신경망 기술은 영상 분야에 적용할 경우, 인간의 육안으로 구분하기 어려운 시각적 요소를 구분하는 용도로 고려되고 있다. 이러한 기술의 적용 분야는 보안, 의료 영상, 비파괴 검사 등 다양한 분야로 확대될 가능성이 기대되고 있다.
예를 들어 의료 영상 분야에서, 암 조직 중 생검(biopsy) 상태에서 즉시 암으로 판정되지 않고, 병리학적(pathology) 관점에서 추적 모니터링된 이후에 비로소 암인지 여부가 판정되는 경우가 있다. 인간의 육안으로는 의료 영상에서 해당 세포가 암인지 여부를 확진하기 어려우나, 인공 신경망 기술을 적용할 경우 인간의 육안으로 관찰하는 것보다 더 정확한 예측 결과를 얻을 수 있을 것이라는 기대가 있다.
이러한 인공 신경망 기술이 적용되어 의료 영상 내에서 인간의 육안으로 식별하기 어려운 질환이나 병변을 검출하고, 특정 조직 등 관심 영역을 분할하며(segmentation), 분할된 영역에 대한 측정 등 분석 과정을 수행할 수 있을 것으로 기대된다.
진단(diagnosis) 과정은 영상의학과 전문의(radiologist)의 판독(reading) 과정을 포함할 수 있다. 인공 신경망을 이용한 의료 영상 진단 지원 기법은 의사의 판독을 지원할 수도 있고, 의사의 판독 후 의사 결정(decision)을 지원할 수도 있다. 또한 진단(diagnosis) 과정은 병변(lesion)/질병(disease)의 검출(detection), 병변/질병 영역의 분할(segmentation), 분류(classification), 정량적 측정, 및/또는 의사 결정을 포함할 수 있다. 인공 신경망을 이용한 의료 영상 진단 지원 기법은 의료 영상을 분석/처리하여 병변/질병의 검출, 관심 영역의 분할, 분류, 정량적 측정, 및/또는 의사 결정의 일부 또는 전부를 수행할 수도 있고, 이들 과정에 필요한 부가적 정보를 생성하고 제공할 수도 있다.
대동맥(aorta)은 튼튼하고 두꺼운 벽을 가지고 있는 혈관으로, 가장 안쪽의 내막(intima), 주로 근육으로 이루어진 중막(media), 가장 바깥쪽의 외막(adventitia)의 세 겹의 벽으로 이루어져 있다. 대동맥 박리는 어떤 원인에 의하여 대동맥의 내막의 찢어짐(intimal tear)에 의하여 대동맥 내강(lumen) 안에 있는 혈액이 대동맥 중막으로 유입되고, 대동맥 벽이 유입된 혈액으로 인하여 내층과 외측으로 분리되는 질환을 의미한다. 대동맥 박리가 시작된 지 2주 이내의 상태를 급성 대동맥 박리라고 하고, 그 이후의 상태를 만성 대동맥 박리라고 한다.
대동맥 박리의 대표적인 원인은 고혈압을 들 수 있으며, 급성 대동맥 박리 환자의 80% 정도가 고혈압을 가지고 있다는 연구가 알려져 있다. 고혈압 외의 원인으로는 외상, 대동맥 축착, 중층 괴사 등을 들 수 있다.
내막의 찢어짐이 발생하는 부분의 위치에 따라서 대동맥 박리의 종류가 구분되고 그 치료 방법이 달라진다. 스탠포드(Stanford) 분류에 따르면 상행 대동맥(ascending aorta)에서 발생되는 대동맥 박리를 Type A라고 부르고, 하행 대동맥(descending aorta)에서 발생되는 대동맥 박리를 Type B라고 부른다.
하행 대동맥만 침범된 급성 대동맥 박리의 경우에는 수술적 치료를 하지 않은 상태에서 1개월 생존율이 75% 정도인 데 비하여, 상행 대동맥이 침범된 급성 대동맥 박리의 경우에는 수술적 치료를 하지 않으면 2일 이내에 50% 정도가 사망하며, 1개월 내에는 90% 정도가 사망한다는 연구 결과가 알려져 있다.
동맥류는 동맥 혈관의 일부가 팽창하여 풍선의 형태를 취하는 상태를 의미한다. 동맥류는 뇌, 심장, 하지 등 인체의 동맥 어디에서나 발생할 수 있다. 동맥류가 가장 흔하게 발생하고 크게 문제되는 위치는 대동맥이다.
대동맥의 일부가 정상적인 대동맥의 직경의 1.5배 이상으로 늘어난 상태를 대동맥류라고 칭한다. 알려진 연구에 따르면 대동맥류의 75%는 복부 대동맥에서 발생하고, 25%는 흉부 대동맥에서 발생하는 것으로 알려져 있다. 대동맥류는 60세 이상의 고혈압, 관상동맥 질환, 혈관 질환 보유자, 흡연자, 가족 중 복부 대동맥류 환자가 있는 사람에게서 더 빈번하게 발생하는 것으로 알려져 있다.
대동맥류는 흉부 대동맥류인지, 복부 대동맥류인지, 상행 대동맥류인지, 하행 대동맥류인지 등 발생한 위치에 따라서 긴급한 정도와 대처 방법이 달라질 수 있으므로 대동맥류의 발생 위치를 조기에 식별하는 것은 매우 중요하다.
또한 대동맥류는 대부분 증상이 없이 일상 생활을 영위하다가 정기 검진 또는 다른 질병으로 인한 진단 시 우연히 발견되는 경우가 많으므로, 대동맥류의 조기 발생 가능성을 높일 수 있는 효과적인 시각화 수단의 도입은 매우 중요하다.
따라서 본 발명은 대동맥의 세분화된 구조 정보에 대하여 대동맥류 및/또는 대동맥 박리의 발생 여부를 일람할 수 있는 직관적인 사용자 인터페이스를 제안하고자 한다.
대동맥류 및/또는 대동맥 박리가 검출되는 대동맥 상의 위치에 따라서 긴급성과 치료 방법이 달라지므로, 본 발명은 전체 대동맥 구조에서 대동맥류 및/또는 대동맥 박리가 발생한 위치를 직관적으로 시각화/가시화하는 사용자 인터페이스를 제안하고자 한다.
본 발명은 대동맥류 및/또는 대동맥 박리가 발생한 위치를 직관적으로 시각화/가시화하고, 사용자가 신속하게 처치 방법을 선택할 수 있도록 진단을 보조하는 사용자 인터페이스를 제안하고자 한다.
본 발명의 구성 중 본 발명의 출원 전에 당업자에게 공지된 내용은 필요에 따라서 본 명세서에서 본 발명의 구성 중 일부로서 설명하되, 당업자에게 자명한 사실은 발명의 취지를 흐릴 수 있다고 생각되면 설명을 생략할 수 있다. 또한 본 명세서에서 생략된 사항은 본 출원명세서에서 인용하고 있는 선행문헌들, 예를 들어, 선행기술 [1] US 10,327,724 "Detection and characterization of aortic pathologies", 선행기술 [2] US 10,733,265 "Medical image manager with automated synthetic image generator", 선행기술 [3] US 2020-0118688 "METHOD AND SYSTEM FOR THE EVALUATION OF THE RISK OF AORTIC RUPTURE OR DISSECTION IN AN INDIVIDUAL WITH AN ASCENDING THORACIC AORTIC ANEURYSM", 선행기술 [4] US 2021-0150708 "SYSTEM AND METHOD FOR ANATOMIC CLASSIFICATION OF AORTIC ANATOMY IN ANEURYSMS", 선행기술 [5] KR 10-2021-0115012 "3차원 초음파 영상을 사용한 복부 대동맥류 정량 분석 시스템 및 방법", 선행기술 [6] "Society for Vascular Surgery (SVS) and Society of Thoracic Surgeons (STS) reporting standards for type B aortic dissections", Joseph V. Lombardi, etc., 등을 통하여 당업자에게 공지되었음을 알림으로써 설명에 갈음할 수 있다.
이상의 선행문헌들에서는 인공 신경망을 이용하여 병변 후보를 검출하고, 이들을 분류(classification)하여 소견(findings)을 생성한다. 각 소견은 진단 보조 정보를 포함하며, 진단 보조 정보는 각 소견이 실제로 병변일 확률, 소견의 신뢰도(confidence), 악성도(malignity), 및 소견이 대응하는 병변 후보들의 크기, 부피 등 정량적 측정을 포함할 수 있다.
인공 신경망을 이용한 의료 영상 진단 지원에서는 각 소견은 반드시 확률, 또는 신뢰도를 수치화하여 진단 보조 정보로서 포함하며, 모든 소견을 사용자에게 제공할 수 없으므로 일정한 임계치(threshold)를 적용하여 소견을 필터링하고, 필터링된 소견만이 사용자에게 제공된다.
선행기술 [1] US 10,327,724 "Detection and characterization of aortic pathologies"에 개시된 CT, MR 등 해부학적 정보를 포함하는 의료 영상에서 대동맥의 경계를 검출하고, 대동맥의 해부학적 구조 정보에 기반하여 대동맥 박리, 대동맥류 등의 위험 영역을 검출하는 구성, 또한 대동맥 박리, 대동맥류 등 대동맥에 관한 병리학적 정보를 검출한 경우, 적합한 치료(treatment)를 의학 지식 데이터베이스에서 검색하여 사용자에게 제안하는 구성 등은 본 발명의 목적에 반하지 않는 범위 내에서 본 발명의 구성의 일부로서 이용될 수 있다.
선행기술 [2] US 10,733,265 "Medical image manager with automated synthetic image generator"에 개시된 CT, MR 등 해부학적 정보를 포함하는 의료 영상에서 신호의 세기(signal intensity)를 이용하여 대동맥 등 해부학적 구조를 검출하고, 대동맥 박리 등 대동맥의 병리학적 정보를 검출한 후, 검출된 의학적 정보에 기반하여 리포트를 생성하여 의료 전문가인 사용자에게 제공하는 구성 등은 본 발명의 목적에 반하지 않는 범위 내에서 본 발명의 구성의 일부로서 이용될 수 있다.
선행기술 [3] US 2020-0118688 "METHOD AND SYSTEM FOR THE EVALUATION OF THE RISK OF AORTIC RUPTURE OR DISSECTION IN AN INDIVIDUAL WITH AN ASCENDING THORACIC AORTIC ANEURYSM"에 개시된 대동맥에 대한 해부학적 구조 정보를 의료 영상으로부터 추출한 후, 유한 요소 기법(FEM, Finite Element Method) 등을 적용하여 파라미트릭 정보를 획득하고, 파라미트릭 정보에 기반하여 대동맥 파열 또는 대동맥 박리의 위험도를 계산하는 구성은 본 발명의 목적에 반하지 않는 범위 내에서 본 발명의 구성의 일부로서 이용될 수 있다.
선행기술 [4] US 2021-0150708 "SYSTEM AND METHOD FOR ANATOMIC CLASSIFICATION OF AORTIC ANATOMY IN ANEURYSMS"에 개시된 의료 영상으로부터 대동맥 세그먼트를 찾기 위한 혈관의 분기점 탐색, 분기점으로부터 거리에 따라 혈관 영역을 미리 알려진 대동맥의 해부학적 구조에 매핑하여 대동맥 구조를 결정하는 구성은 본 발명의 목적에 반하지 않는 범위 내에서 본 발명의 구성의 일부로서 이용될 수 있다.
선행기술 [5] KR 10-2021-0115012 "3차원 초음파 영상을 사용한 복부 대동맥류 정량 분석 시스템 및 방법"에 개시된 3차원 초음파 영상으로부터 복부 대동맥류 구조에 대한 세그멘테이션 결과에 기반하여 목표 혈관에 대한 정량화된 측정값을 얻는 구성은 본 발명의 목적에 반하지 않는 범위 내에서 본 발명의 구성의 일부로서 이용될 수 있다.
선행기술 [6] "Society for Vascular Surgery (SVS) and Society of Thoracic Surgeons (STS) reporting standards for type B aortic dissections", Joseph V. Lombardi, etc.,에 개시된 흉부 대동맥을 복수개의 레퍼런스 영역들로 구분하는 방식과, 대동맥 박리가 발생한 상태에서 트루 루멘(TL, True Lumen)과 폴스 루멘(FL, False Lumen)의 크기를 측정하는 방식은 본 발명의 목적에 반하지 않는 범위 내에서 본 발명의 구성의 일부로서 이용될 수 있다.
이와 같이 이들 선행문헌들이 개시하는 내용 중 일부는 본 발명이 해결하고자 하는 문제점과 관련되며, 본 발명이 채택하는 해결 수단 중 일부는 이들 선행문헌에도 공통적으로 적용된다.
이하의 도 1 내지 도 20의 설명에서, 본 발명의 기술 분야에서 널리 알려진 공지 기술이라고 간주되는 사항은 요점을 흐리지 않기 위하여 필요에 따라 설명을 생략하거나, 선행문헌을 인용함으로써 설명을 대체할 수 있다.
또한 앞서 인용된 선행문헌 및 이후 인용되는 선행문헌들의 구성의 일부 또는 전부는 본 발명이 해결하고자 하는 문제점의 일부와 관련될 수 있으며, 본 발명이 채택하는 해결 수단 중 일부는 선행문헌들로부터 차용한 것일 수 있다.
선행문헌들에 개시된 사항들 중 본 발명을 구체화하기 위하여 공통적으로 포함되는 사항에 한하여 본 발명의 구성의 일부로서 간주될 것이다.
이하에서 본 발명의 상세한 사항을 도 1 내지 도 20의 실시예들을 통하여 설명한다.
도 1은 본 발명의 일 실시예에 따른 의료 영상 진단 지원 장치를 포함하는 시스템에서 실행되는 의료 영상 진단 워크플로우를 도시하는 도면이다.
본 발명의 일 실시예에 따른 의료 영상 진단 지원 장치는 도 1에 도시된 분석 서버(102)로서 구현될 수 있다.
분석 서버(102)는 의료 영상의 진단을 지원하는 의료 영상 진단 지원 장치로서, 컴퓨팅 시스템을 포함할 수 있다.
분석 서버(102)는 인체 내부의 해부학적 구조 정보를 포함하는 의료 영상을 수신할 수 있다. 의료 영상은 이미징 디바이스(106)에 의하여 획득될 수 있다. 이미징 디바이스(106)는 CT, MRI, 초음파 영상 등 인체 내부의 해부학적 구조 정보를 획득할 수 있는 모달리티일 수 있다.
이미지 데이터베이스 서버(108)에 의료 영상이 저장될 수 있다. 분석 서버(102)는 이미징 디바이스(106)로부터 네트워크(114)를 경유하여 의료 영상을 수신할 수도 있고, 이미지 데이터베이스 서버(108)에 저장된 의료 영상을 네트워크(114)를 경유하여 수신할 수도 있다. 이미지 데이터베이스 서버(108)는 의료 영상 저장 전송 시스템(PACS, Picture Archive and Communication System)일 수 있고, 병원 종합 정보 시스템(HIS, Hospital Information System), 또는 CIS(Clinical Information System)일 수 있다.
분석 서버(102)에서는 이미지 프로세싱 모듈(116)의 실행에 의하여 의료 영상을 처리할 수 있다. 의료 영상에 대한 이미지 프로세싱의 결과로서 의료 영상 내의 해부학적 구조에 대한 분할 결과, 및 정량적 분석 결과가 얻어질 수 있다. 이미지 프로세싱 모듈(116)은 컴퓨터 장치에서 실행될 수 있는 프로그램 명령어 또는 소프트웨어로 구현될 수 있다. 또는 이미지 프로세싱 모듈(116)은 특정한 프로그램 또는 소프트웨어를 구동하기 위한 전용(dedicated) 하드웨어로 구현될 수도 있다.
의료 영상 내의 해부학적 구조 분할 결과, 및 정량적 분석 결과를 얻기 위하여 분석 서버(102)는 외부의 컴퓨터 보조 진단 서버(112)와 협력하거나 일부 기능이 컴퓨터 보조 진단 서버(112)에 의하여 실행되도록 네트워크(114)를 경유하여 요청할 수도 있다.
분석 서버(102)에서는 시각화 모듈(118)의 실행에 의하여 의료 영상 내의 해부학적 구조에 대한 분할 결과, 및 정량적 분석 결과가 시각화될 수 있다. 시각화 모듈(118)은 의료 영상 내의 해부학적 구조에 대한 분할 결과, 및 정량적 분석 결과를 참조하여 시각화 정보를 생성할 수 있다. 시각화 모듈(118)은 컴퓨터 장치에서 실행될 수 있는 프로그램 명령어 또는 소프트웨어로 구현될 수 있다. 또는 시각화 모듈(118)은 특정한 프로그램 또는 소프트웨어를 구동하기 위한 전용(dedicated) 하드웨어로 구현될 수도 있다.
분석 서버(102)에 의하여 생성된 시각화 정보는 네트워크(114)를 경유하여 클라이언트 디바이스(104)에 제공될 수 있다. 클라이언트 디바이스(104)는 사용자 인터페이스(120)를 경유하여 사용자에게 시각화 정보를 제공할 수 있다.
도 1에서는 분석 서버(102)와 클라이언트 디바이스(104)가 분리된 실시예가 도시되었지만, 본 발명의 다른 실시예에서는 의료 영상 진단 지원 장치가 분석 서버와 클라이언트 디바이스의 기능을 모두 포함하며, 직접 사용자에게 시각화 정보를 제공할 수 있다. 이때 본 발명의 일 실시예에 따른 의료 영상 진단 지원 장치는 도 1에 도시된 분석 서버(102)의 구성 외에 사용자 인터페이스를 더 포함할 수 있다.
도 2는 흉부 대동맥(thoracic aorta)(200)의 구조를 도시하는 개념도이다.
도 2를 참조하면, 흉부 대동맥(200)은 상행 대동맥(ascending aorta)(202), 대동맥궁(aortic arch)(204), 하행 대동맥(descending aorta)(206)을 포함한다. 우관상동맥(RCA, right coronary artery)(208), 좌관상동맥(LCA, left coronary artery)(210)는 상행 대동맥(202)에서 분기된다(branch off).
완두동맥/팔머리동맥(brachiocephalic artery)(212), 좌측 총경동맥(left common carotid artery)(214), 및 좌측 쇄골하동맥(216)(left subclavian artery)은 각각 대동맥궁(204)에서 분기된다. 완두동맥(212)은 차례로 우측 쇄골하동맥(right subclavian artery)(218) 및 우측 총경동맥(220)(right common carotid artery)에 연결된다. 하행 대동맥(206)과 연결되는 복부 대동맥(abdominal aorta)은 도 2에서는 도시되어 있지 않다. 단층촬영 스캔 이미지(300)는 대동맥의 임의의 부분으로부터 획득될 수 있다. 도 2에서는 단층촬영 스캔 이미지(300)가 하행 대동맥(206)의 단면으로 표시되지만, 단층촬영 스캔 이미지(300)는 상행 대동맥(202), 대동맥궁(204), 및 복부 대동맥의 단면으로도 구현될 수 있다.
도 3은 복수의 병리학적 조건(pathological condition)에 따른 흉부 대동맥의 단면을 도시하는 개념도이다.
도 3을 참조하면, 정상 대동맥(normal aorta)의 단면도(cross-sectional view)(300A)가 도시된다. 설명의 편의상 정상 대동맥은 진단 가능한 병리학 정보를 가지고 있지 않은 대동맥으로 가정한다. 정상 대동맥의 단면도(300A)에는 혈관벽(vascular wall)(302A) 및 내강/루멘(lumen)(304A)이 도시된다. 도 3에서는 혈관벽(302A)을 포함하는 정상 대동맥의 지름 D가 도시되었지만, 본 발명의 다른 실시예에 따라서는 혈관벽(302A)을 제외한 루멘(304A)만의 지름(도시되지 않음)이 정상 대동맥에 대한 정량적 지표로서 이용될 수 있다.
한편, 대동맥 박리가 발생한 경우의 단면도(300B)가 도시된다. 단면도(300B)에는 혈관벽(302B), 트루 루멘(True Lumen)(304B), 폴스 루멘(False Lumen)(306)이 도시된다. 앞서 설명한 것처럼 단면도(300B)는 상행 대동맥, 대동맥궁, 하행 대동맥, 및/또는 복부 대동맥 중 어느 위치에 대해서라도 표시될 수 있으며, Type A 및/또는 Type B 대동맥 박리 중 어느 경우에 대해서라도 시각화될 수 있다.
도 3에서는 대동맥류(aortic aneurysm)가 발생한 경우의 단면도(300C)도 도시된다. 단면도(300C)에서는 혈관벽(302C), 및 루멘(304C)이 도시된다. 대동맥류를 가지는 혈관벽(302C)의 지름 D'는 정상 대동맥의 단면도(300A)의 혈관벽(302A)의 지름 D의 1.5배 또는 그 이상의 크기임이 도시된다. 동맥류는 동맥에 생긴 주머니 형태로, 혈관의 일부가 확장되어 풍선처럼 보이는 것을 의미한다. 동맥류는 뇌, 심장, 하지 등 우리 몸에 있는 동맥 어디에서나 생길 수 있으나, 대동맥에서 가장 흔하게 발생한다.
대동맥의 일부가 정상 대동맥의 지름의 1.5배 이상으로 확장된 상태를 대동맥류라고 하며, 대동맥류의 75%는 복부 대동맥에서 발생하고, 25%는 흉부 대동맥에서 발생하는 것으로 알려져 있다. 대동맥류의 원인은 동맥경화증으로 알려져 있으며, 그 외에 유전, 외상, 동맥염, 선천성 기형, 매독, 곰팡이 감염 등이 원인이 될 수 있다.
CT 영상을 포함하는 의료 영상은 시각적 랜드마크 검출, 폴스 루멘 검출, 또는 경계 검출(ridge detection) 등 하나 이상의 정성적 방법(qualitative method)을 이용하여 분석될 수 있다. 대동맥 박리의 경우에는 폴스 루멘(306)은 시각적 랜드마크 검출, 경계 검출, 또는 원형도 측정(circularity measurements) 중 하나 이상을 이용하여 식별될 수 있다. 폴스 루멘(306)을 식별하기 위하여 의료 영상에 포함되는 신호의 세기(signal intensity)가 미리 결정된 알려진 범위 내에 포함되는 지 여부에 따라서 혈액(blood), 혈전(blood clots), 혈관(blood vessels) 등으로 구분되는 기법이 적용될 수 있다.
단면도(300B)에서는 트루 루멘(304B), 폴스 루멘(306)이 식별되고, 트루 루멘(304B)의 지름 D1, 폴스 루멘(306)의 지름 D2가 계산될 수 있다. 이때 본 발명의 일 실시예에서는 폴스 루멘(306)이 돌출된 방향으로 부풀어오른 대동맥의 단면도(300B)의 총 지름(whole diameter) D1+D2가 먼저 계산되고, D1+D2에서 트루 루멘(304B)의 지름 D1이 차감되어 폴스 루멘(306)의 지름 D2가 계산될 수 있다. D1+D2는 기준 축 상에서 식별되고 계산될 수 있다. D1, D2도 기준 축 상에서 식별되고 계산될 수 있다.
도 3에서는 혈관벽(302B)이 D1, D2의 계산에 포함되는 실시예가 도시되었지만, 본 발명의 다른 일 실시예에서는 혈관벽(302B)을 제외한 트루 루멘(304B)만의 지름을 D1으로, 폴스 루멘(306)만의 지름을 D2로 계산할 수도 있다.
도 4는 의료 영상 상에서 트루 루멘(True Lumen)과 폴스 루멘(False Lumen)이 구분되도록 표시되는 디스플레이 이미지의 일 실시예이다.
도 4를 참조하면, 흉부 대동맥을 포함하는 흉부 의료 영상(chest medical image)(400)에서 트루 루멘(402) 및 폴스 루멘(404)이 하이라이트되어 표시되는 실시예가 도시된다. 의료 영상 분석 방법으로 의료 영상 세그멘테이션, 의료 영상 내 객체 검출, 의료 영상 내 쓰레쉬홀딩(thresholding) 등의 기법이 적용될 수 있으며, 트루 루멘(402) 및 폴스 루멘(404) 각각의 영역이 식별되고 경계가 세그멘테이션될 수 있다. 의료 영상(400)에서는 트루 루멘(402) 및 폴스 루멘(404) 각각의 영역 및 그 경계가 마커 또는 마스크에 의하여 구분되고, 의료 영상(400) 상에 트루 루멘(402) 및 폴스 루멘(404) 각각의 영역에 대응하는 마커 또는 마스크가 오버레이되어 시각화될 수 있다.
도 5는 의료 영상 상에서 관상 동맥 협착(coronary stenosis)이 구분되도록 표시되는 디스플레이 이미지의 일 실시예이다.
도 5를 참조하면, 관상 동맥(coronary artery)을 포함하는 의료 영상(500) 상에서 관상 혈관(coronary vessel)(502) 및 관상 동맥 협착(504)이 도시된다. 관상 동맥 협착(504)은 화살표(506)에 의하여 강조될 수 있다.
의료 영상(500)은 의료 영상 세그멘테이션, 의료 영상 내 랜드마크 검출, 의료 영상 내 쓰레쉬홀딩(thresholding) 등의 기법으로 분석될 수 있으며, 관상 동맥의 지름이 측정 또는 정량화되어 관상 동맥 협착(504)이 식별될 수 있다.
도 6은 의료 영상 상에서 폐 색전증(pulmonary embolism) 및 폐혈관(pulmonary vessel) 내의 혈전(blood clots)이 구분되도록 표시되는 디스플레이 이미지의 일 실시예이다.
의료 영상(600)은 단층촬영 영상의 axial view이다. 폐혈관 내의 혈전(602)이 의료 영상 분석 기법에 의하여 식별되고, 식별된 혈전(602)에 대한 마커 또는 마스크가 의료 영상(600)에 오버레이될 수 있다. 혈전(602) 영역은 오버레이되는 마커 또는 마스크에 의하여 혈전(602)을 둘러싸는 주변 영역과 명백하게 구분되도록 디스플레이될 수 있다.
도 7은 대동맥 박리(aortic dissection)가 발생하는 원인을 설명하기 위한 개념도이다.
대동맥 내의 내막이 손상되면서 정상 혈관에서는 루멘 내에서만 흐르는 혈액이 내막 찢어짐(intimal tear)에 의하여 중막(aortic media)으로 유입되고, 대동맥의 외벽이 내막과 분리되는 증상이다. 대동맥 박리의 대표적인 원인은 고혈압으로 알려져 있고, 급성 대동맥 박리 환자의 80% 정도가 고혈압을 가지고 있는 것으로 알려져 있다. 유전적 질환인 Marfan 증후군도 대동맥 박리의 원인이며, 그 외의 원인으로는 외상, 대동맥 축착, 중층 괴사 등이 알려져 있다. 대동맥 박리를 경험하는 환자의 90% 정도는 갑자기 앞가슴이나 등 부위에 찢어지는 듯한 심한 통증을 느낀다. 심장에서 가까운 상행 대동맥 부위에 대동맥 박리가 발생하는 경우 가슴 부위에서 통증이 발생하며, 다리 쪽으로 향하는 하행 대동맥에서 대동맥 박리가 발생하는 경우 등 또는 복부에서 통증이 발생한다고 알려져 있다.
도 8은 흉부 대동맥의 구조 및 흉부 대동맥이 복수개의 영역들로 구분된 예시를 도시하는 개념도이다.
도 8을 참조하면, 대동맥이 Zone 0 부터 Zone 11까지 세분화되는 예시가 도시된다. Zone 0은 상행 대동맥과 대동맥궁의 일부 영역을 포함하고, Zone 1과 Zone 2는 대동맥궁을 포함한다. Zone 3과 Zone 4는 하행 대동맥이며, Zone 5 이하는 복부 대동맥에 대응한다.
도 8의 각 Zone들은 의료 영상에 대한 이미지 프로세싱 또는 인공 신경망의 학습/추론(learning/inference)에 의하여 구분될 수 있도록 구분된 대동맥 영역들의 예시일 수 있다. 예를 들어 Zone 2는 좌경동맥(left carotid artery) 및 좌측 쇄골하동맥(left subclavian artery) 사이의 영역으로 정의되고, 이미지 프로세싱 프로그램 또는 인공 신경망은 좌경동맥과 좌측 쇄골하동맥을 분할한 후, 그 사이의 대동맥의 영역을 Zone 2로 분할할 수 있다. Zone 6 내지 8은 복부 대동맥으로부터 분기되는 다른 혈관의 위치와 관련되어 분할될 수 있다.
도 9는 본 발명의 일 실시예에 따른 영상 진단 지원 장치로서, 도 1의 분석 서버(102)의 일반화된 구성을 도시하는 블록도이다.
분석 서버(102)는 본 발명의 의료 영상 진단 지원 장치의 일 실시예일 수 있다. 분석 서버(102)는 이미징 디바이스(106) 또는 이미지 데이터베이스 서버(108)로부터 의료 영상을 수신하는 통신 인터페이스(920), 및 이미지 프로세싱 모듈(116), 및 시각화 모듈(118)과 상호 연동하여 이미지 프로세싱 프로그램 및/또는 시각화 프로그램을 로드하고 실행하는 적어도 하나 이상의 프로세서(910)를 포함한다.
적어도 하나 이상의 프로세서(910)는 이미지 프로세싱 모듈(116)의 프로그램 및/또는 시각화 모듈(118)의 프로그램을 실행하기 위하여 적어도 하나 이상의 인공 신경망(930)을 제어하고, 인공 신경망(930)의 추론 결과를 이미지 프로세싱 모듈(116) 및/또는 시각화 모듈(118)의 실행 결과로서 출력할 수 있다.
도 10은 본 발명의 일 실시예에 따른 의료 영상 진단 지원 방법을 도시하는 동작 흐름도이다.
본 발명의 일 실시예에 따른 의료 영상 진단 지원 방법은 적어도 하나 이상의 프로세서(910)를 포함하는 컴퓨팅 시스템에서 적어도 하나 이상의 프로세서(910)에 프로그램 인스트럭션이 로드되어 실행됨으로써 수행될 수 있다.
의료 영상 진단 지원 방법은 적어도 하나 이상의 프로세서(910)가, 통신 인터페이스(920)를 경유하여 인체 내부의 해부학적 구조에 대하여 획득되는(acquired) 의료 영상을 수신하는 단계(S1010); 적어도 하나 이상의 프로세서(910)가, 의료 영상 내의 대동맥의 분할 결과, 및 대동맥 내의 복수개의 대동맥 영역의 분할 결과를 획득하고(S1020), 적어도 하나 이상의 프로세서(910)가, 획득/참조된 결과에 기반하여 복수개의 대동맥 영역 각각 내의 내막으로 둘러싸인 영역을 포함하는 트루 루멘의 크기, 및 복수개의 대동맥 영역 각각에 대한 제1 정보를 획득하는 단계(S1030); 및 적어도 하나 이상의 프로세서(910)가, 복수개의 대동맥 영역 각각에 대응하도록 배치되는 시각화 세그멘트를 이용하여 복수개의 대동맥 영역 각각 내에서 트루 루멘의 크기, 제1 정보, 및 트루 루멘의 크기와 제1 정보 사이의 비율을 시각화함으로써 디스플레이를 통하여 사용자에게 제공될 시각화 정보를 생성하는 단계(S1040)를 포함한다.
대동맥 박리의 진단을 위한 진단 보조 정보를 생성하기 위하여, 대동맥 영역 각각 내에서 내막과 외막 사이의 영역을 포함하는 폴스 루멘의 크기를 제1 정보로서 획득하는 실시예가 도 11 내지 도 15에 의하여 도시된다.
도 11은 본 발명의 일 실시예에 따른 의료 영상 진단 지원 방법을 도시하는 동작 흐름도이다.
본 발명의 일 실시예에 따른 의료 영상 진단 지원 방법은 적어도 하나 이상의 프로세서(910)를 포함하는 컴퓨팅 시스템에서 적어도 하나 이상의 프로세서(910)에 프로그램 인스트럭션이 로드되어 실행됨으로써 수행될 수 있다.
의료 영상 진단 지원 방법은 적어도 하나 이상의 프로세서(910)가, 통신 인터페이스(920)를 경유하여 인체 내부의 해부학적 구조 정보를 포함하는 의료 영상을 수신하는 단계(S1110); 적어도 하나 이상의 프로세서(910)가, 의료 영상 내의 대동맥의 분할 결과, 및 대동맥 내의 복수개의 대동맥 영역의 분할 결과를 획득/참조하고(S1120), 적어도 하나 이상의 프로세서(910)가, 획득/참조된 결과에 기반하여 복수개의 대동맥 영역 각각 내의 내막으로 둘러싸인 영역을 포함하는 트루 루멘의 크기, 및 복수개의 대동맥 영역 각각 내의 내막과 외막 사이의 영역을 포함하는 폴스 루멘의 크기를 획득하는 단계(S1130); 및 적어도 하나 이상의 프로세서(910)가, 복수개의 대동맥 영역 각각에 대응하도록 배치되는 시각화 세그멘트를 이용하여 복수개의 대동맥 영역 각각 내에서 트루 루멘의 크기, 폴스 루멘의 크기, 및 트루 루멘의 크기와 폴스 루멘의 크기 사이의 비율을 시각화하여 시각화 정보를 생성하는 단계(S1140)를 포함한다. 이때 단계(S1130)에서는 폴스 루멘의 크기가 제1 정보로서 획득될 수 있다. 단계(S1140)에서 생성되는 시각화 정보는 복수개의 대동맥 영역 각각의 대동맥 박리의 진단을 위한 진단 보조 정보로서 생성될 수 있다.
이때 시각화 세그멘트는 도 12 및 도 13에 도시된 것처럼 가상의 원의 중심점을 공유하고 중심점으로부터 방사상으로 배치되는 시각화 세그멘트일 수 있다. 시각화 세그멘트는 도 14 및 도 15에 도시된 것처럼 제1 방향(수평 방향)의 기준선을 공유하고, 기준선으로부터 제2 방향(수직 방향)으로 배치되는 시각화 세그멘트일 수 있다.
적어도 하나 이상의 프로세서(910)는 복수개의 대동맥 영역 각각을 그래프 내의 시각화 세그멘트 각각에 대응하도록 시각화하여 시각화 정보를 생성할 수 있다. 적어도 하나 이상의 프로세서(910)는 시각화 세그멘트 각각을, 대응하는 대동맥 영역의 길이 및 대동맥의 전체 길이 간의 비율에 대응하는 제1 크기를 가지도록 시각화하여 시각화 정보를 생성할 수 있다. 제1 크기는 도 12 및 도 13의 실시예에서는 부채꼴의 중심각일 수 있고, 도 14 및 도 15의 실시예에서는 에서는 제1 방향의 시각화 세그멘트의 길이 L일 수 있다.
적어도 하나 이상의 프로세서(910)는 시각화 세그멘트 각각을, 대응하는 대동맥 영역의 정상군의 대동맥 크기를 제2 정보로서 획득할 수 있다. 적어도 하나 이상의 프로세서(910)는 제2 정보를 대응하는 대동맥 영역의 트루 루멘의 크기, 및 폴스 루멘의 크기와 비교할 수 있도록 시각화하여 시각화 정보를 생성할 수 있다.
적어도 하나 이상의 프로세서(910)는, 복수개의 대동맥 영역 각각 내의 트루 루멘의 크기 및 폴스 루멘의 크기를 지름의 길이에 비례하여 결정할 수 있다.
적어도 하나 이상의 프로세서(910)는, 복수개의 대동맥 영역 각각 내의 트루 루멘의 크기 및 폴스 루멘의 크기를 관상 구조 상의 임의의 평면에서 트루 루멘 및 폴스 루멘이 투영되는 영역의 면적의 길이에 비례하여 결정할 수 있다. 상기 임의의 평면은 관상 구조에 수직인 평면일 수 있으나, 관상 구조의 특성이 고려되어 투영면이 결정될 수 있다.
적어도 하나 이상의 프로세서(910)는, 복수개의 대동맥 영역 각각 내의 트루 멘의 크기 및 폴스 루멘의 크기에 비례하는 시각화 세그멘트의 제2 크기를 이용하여 시각화 정보를 생성할 수 있다. 제2 크기는 도 12 및 도 13의 실시예에서는 부채꼴의 반지름의 길이를 이용하여 시각화될 수 있고, 도 14 및 도 15의 실시예에서는 시각화 세그멘트의 제2 방향의 길이를 이용하여 시각화될 수 있다.
적어도 하나 이상의 프로세서(910)는, 복수개의 대동맥 영역 각각 내의 트루 멘의 크기 및 폴스 루멘의 크기에 비례하는 시각화 세그멘트의 제3 크기를 이용하여 시각화 정보를 생성할 수 있다. 제3 크기는 시각화 세그멘트의 면적 또는 부피일 수 있다.
실시예에 따라서는, 복수개의 대동맥 영역 각각 내의 트루 루멘의 크기 및 폴스 루멘의 크기가 지름의 길이에 비례하여 결정되는 경우 트루 루멘의 크기 및 폴스 루멘의 크기에 비례하는 길이 정보를 이용하여 시각화 세그멘트가 시각화될 수 있다. 예를 들면, 제2 크기를 이용하여 시각화 세그멘트가 시각화될 수 있다.
실시예에 따라서는, 복수개의 대동맥 영역 각각 내의 트루 루멘의 크기 및 폴스 루멘의 크기가 면적의 길이에 비례하여 결정되는 경우 트루 루멘의 크기 및 폴스 루멘의 크기에 비례하는 면적 또는 부피 정보를 이용하여 시각화 세그멘트가 시각화될 수 있다. 예를 들면, 제3 크기를 이용하여 시각화 세그멘트가 시각화될 수 있다.
도 12는 본 발명의 일 실시예에 따른 복수개의 대동맥 영역들 각각에 대한 대동맥 박리 분석 결과(진단 보조 정보)를 시각화하는 사용자 인터페이스의 일 예이다.
도 12를 참조하면, 유사 파이 그래프의 형태로 사용자 인터페이스 상에 복수개의 대동맥 영역들 각각에 대한 대동맥 박리 분석 결과(진단 보조 정보)가 시각화된다.
일반적으로 파이 그래프는 원을 복수개의 시각화 세그멘트로 분할하며, 모든 시각화 세그멘트는 원의 중심을 공유하고 각 시각화 세그멘트의 크기는 시각화하고자 하는 카테고리 정보에 비례하여 결정된다. 가장 널리 사용되는 파이 그래프에서 각 시각화 세그멘트의 크기는 호의 길이(arc length)에 의하여 나타내어질 수 있다. 완전한 원은 시각화하고자 하는 카테고리 정보, 즉, 데이터의 총합에 비례하며 데이터의 총합이 100%이고 각 시각화 세그멘트는 데이터의 총합 대비 비율에 의하여 크기가 결정된다.
도 12 및 도 13의 실시예에서는 파이 그래프와 유사하게 중심점을 공유하고 중심점으로부터 방사상으로 배치되는 복수개의 시각화 세그멘트를 포함하는 유사 파이 그래프가 제안된다. 본 발명의 실시예에 따른 시각화 그래프(1200)는 완전한 원을 형성하지 않을 수 있다. 본 발명의 실시예에 따른 시각화 그래프의 각 시각화 세그멘트(1210)는 복수개의 대동맥 영역들 각각에 대응할 수 있다. 시각화 그래프(1200)의 각 시각화 세그멘트(1210)의 크기 및/또는 하위 세그멘트들(1212, 1214, 1216)의 크기는 복수개의 대동맥 영역들에 대한 대동맥 박리 측정 결과의 정량화된 정보에 비례하여 결정될 수 있다.
도 12에 도시된 시각화 그래프(1200)는 대동맥의 구조에 대응하는 복수의 대동맥 영역들(Z0 ~ Z11) 내의 정상 혈관과 박리된 영역에 대한 병리학적 정보를 하나의 그래프로 시각화할 수 있다. 시각화 그래프(1200) 내의 복수의 시각화 세그멘트(1210) 각각은 하나씩의 대동맥 영역들(Z0 ~ Z11)에 대응할 수 있다. 시각화 그래프(1200) 내의 복수의 시각화 세그멘트(1210) 각각은 대응하는 대동맥 영역들(Z0~Z11)과의 관련성을 나타내는 식별 정보와 함께 시각화될 수 있다. 시각화 그래프(1200) 내의 복수의 시각화 세그멘트(1210)들은 대응하는 대동맥 영역들(Z0~Z11)의 위치, 배열 순서, 해부학적 구조에 기반하여 시각화 그래프(1200) 내에서 배치될 수 있다.
시각화 세그멘트(1210) 각각의 호(arc)를 이루는 중심각은 시각화 세그멘트 각각에 대응하는 대동맥 영역의 길이 및 전체 대동맥의 길이의 비율에 의하여 결정될 수 있다. 즉, 시각화 세그멘트(1210) 각각의 중심각 Θ_zone 은 다음의 수학식 1에 의하여 나타내어질 수 있다.
[수학식 1]
Θ_zone = (AortaLength_zone / AortaLength_total) * 360 [degree]
이때 대동맥의 전체 길이 AortaLength_total 및/또는 각 대동맥 영역의 길이 AortaLength_zone은 대동맥의 중심축을 따라서 측정될 수 있다. 대동맥의 중심축은 대동맥의 분할 과정에서 대동맥의 위치에 따른 단면들의 중심점을 연결한 선일 수 있다.
도 13는 도 12에서 도시되는 시각화 그래프(1200)의 하나의 세그멘트(1210)의 일 실시예이다.
도 12 및 도 13을 참조하면, 도 3에서와 같이 박리된 폴스 루멘의 상대적 크기(폴스 루멘의 지름 - 트루 루멘의 지름)는 D_False로 나타내어지고, 트루 루멘의 크기(트루 루멘의 지름)은 D_True로 나타내어진다.
해당 위치에서, 트루 루멘과 폴스 루멘의 영역을 모두 포함하는 대동맥의 전체 지름은 총 지름 D_whole 로 나타내어진다.
총 지름 D_whole과 트루 루멘의 지름 D_True 및 폴스 루멘의 상대적 크기 D_False 간의 관계는 다음의 수학식 2에 의하여 나타내어진다.
[수학식 2]
D_whole = D_True + D_False
도 12의 시각화 세그멘트(1210) 각각의 트루 루멘의 지름 및 폴스 루멘의 지름은 도 13에 도시된 것과 같이 중심점으로부터 트루 루멘 영역의 크기에 대응하는 제1 하위 세그멘트(1212), 및 폴스 루멘 영역의 상대적 크기에 대응하는 제2 하위 세그멘트(1214)의 순서로 나타내어질 수 있다.
한편 도 12 및 도 13에 나타낸 것처럼 측정된 트루 루멘의 지름 및 폴스 루멘의 지름이 대동맥 박리를 의미하는 지에 대한 임상적 진단을 지원하기 위하여, 해당 위치의 정상 대동맥의 지름 D_Ref가 제3 하위 세그멘트(1216)의 반지름으로서 제1 하위 세그멘트(1212) 및 제2 하위 세그멘트(1214)와 함께 시각화 세그멘트(1210) 각각에 대하여 시각화될 수 있다. 이때 정상 대동맥의 지름 D_Ref는 레퍼런스 트루 루멘일 수도 있고, 레퍼런스 트루 루멘에 소정의 기준값(폴스 루멘의 크기에 대한 허용치)이 결합된 레퍼런스 지름일 수도 있다.
해당 위치의 트루 루멘의 크기 및 폴스 루멘의 크기가 대동맥 박리를 의미하는 지는 트루 루멘의 크기 및 폴스 루멘의 크기의 비율, 폴스 루멘의 크기의 절대값, 트루 루멘과 폴스 루멘을 합산한 영역의 크기, 정상 대동맥의 크기와 합산된 영역의 크기 간의 비율 등에 의하여 의료 전문가인 사용자에 의하여 판단될 수 있다.
물론 본 발명의 의료 영상 진단 지원 장치는 해당 위치의 트루 루멘의 크기 및 폴스 루멘의 크기가 대동맥 박리를 의미하는 지는 트루 루멘의 크기 및 폴스 루멘의 크기의 비율, 폴스 루멘의 크기의 절대값, 트루 루멘과 폴스 루멘을 합산한 영역의 크기, 정상 대동맥의 크기와 합산된 영역의 크기 간의 비율 등에 의하여 해당 위치에서 대동맥 박리가 발생하였는지 여부에 대한 예비적인 추론 결과를 진단 보조 정보로서 도 12 또는 도 13의 시각화 그래프(1200)와 함께 사용자에게 제공할 수도 있다.
복수의 대동맥 영역들(Z0 ~ Z11) 각각에 대하여 시각화되는 트루 루멘과 폴스 루멘의 크기 정보는 복수의 대동맥 영역들(Z0 ~ Z11) 각각에 대하여 얻어지는 트루 루멘과 폴스 루멘의 대표값일 수 있다. 대표값은 동일 단면 상에서 식별되는 트루 루멘과 폴스 루멘의 영역의 크기에 기반하여 얻어질 수 있다. 이때 폴스 루멘의 크기가 가장 큰 위치, 또는 폴스 루멘의 크기가 트루 루멘의 크기에 비하여 가장 큰 비율을 가지는 위치, 트루 루멘 및 폴스 루멘의 크기를 합산한 크기가 정상 대동맥의 크기에 비하여 가장 큰 비율을 가지는 위치 등이 대표 위치로 선택될 수 있고 대표 위치에서의 트루 루멘과 폴스 루멘의 크기 및 그 비율이 대표값으로 선택될 수 있다.
본 발명의 다른 실시예에 따르면, 대표값은 복수의 대동맥 영역들(Z0 ~ Z11) 각각이 속하는 구간에 대한 트루 루멘과 폴스 루멘의 크기에 대한 통계 처리 결과에 기반하여 얻어질 수 있다. 통계 처리는 산술평균, 조화평균, 기하평균, 가중치 평균, 최대값, 최소값, 중간값 등의 기법을 통하여 수행될 수 있다.
도 1, 도 9 내지 도 13를 참조하면, 본 발명의 일 실시예에 따른 의료 영상 진단 지원 장치로서 분석 서버(102)는 컴퓨팅 시스템을 포함한다. 컴퓨팅 시스템은 인체 내부의 해부학적 구조 정보를 포함하는 의료 영상을 수신하는 통신 인터페이스(920); 및 의료 영상 내의 대동맥의 분할 결과, 및 대동맥 내의 복수개의 대동맥 영역의 분할 결과에 기반하여 복수개의 대동맥 영역 각각 내의 내막으로 둘러싸인 영역을 포함하는 트루 루멘, 및 복수개의 대동맥 영역 각각 내의 내막과 외막 사이의 영역을 포함하는 폴스 루멘의 크기를 획득하는 적어도 하나 이상의 프로세서(910)를 포함한다. 적어도 하나 이상의 프로세서(910)는 복수개의 대동맥 영역 각각에 대응하며 가상의 원의 중심점을 공유하고 중심점으로부터 방사상으로 배치되는 시각화 세그멘트를 포함하는 그래프를 이용하여 복수개의 대동맥 영역 각각 내에서 트루 루멘의 크기, 폴스 루멘의 크기, 및 트루 루멘의 크기와 폴스 루멘의 크기 사이의 비율을 시각화하여 시각화 정보를 생성한다.
의료 영상 내의 대동맥의 분할 결과, 및 대동맥 내의 복수개의 대동맥 영역의 분할 결과는 이미지 프로세싱 모듈(116)의 프로그램이 프로세서(910)에 로드되어 실행됨으로써 얻어질 수 있다. 또는 의료 영상 내의 대동맥의 분할 결과, 및 대동맥 내의 복수개의 대동맥 영역의 분할 결과는 프로세서(910)의 제어에 의하여 인공 신경망(930)이 추론한 결과가 이미지 프로세싱 모듈(116)의 분석 결과로서 제공됨으로써 얻어질 수 있다. 의료 영상 내의 대동맥의 분할 결과, 및 대동맥 내의 복수개의 대동맥 영역의 분할 결과의 적어도 일부는 분석 서버(102)가 컴퓨터 보조 진단 서버(112)에 요청하여 네트워크(114) 및 통신 인터페이스(920)를 경유하여 수신될 수도 있다.
복수개의 대동맥 영역 각각 내에서 트루 루멘의 크기, 폴스 루멘의 크기, 및 트루 루멘의 크기 및 폴스 루멘의 크기 사이의 비율은 시각화 모듈(118)의 프로그램이 프로세서(910)에 로드되어 실행됨으로써 얻어질 수 있다. 또는 의료 영상 내의 대동맥의 분할 결과, 및 대동맥 내의 복수개의 대동맥 영역의 분할 결과는 프로세서(910)의 제어에 의하여 인공 신경망(930)이 추론한 결과가 시각화 모듈(118)의 분석 결과로서 제공됨으로써 얻어질 수 있다.
시각화 정보는 분석 서버(102) 또는 클라이언트 디바이스(104)에 포함된 사용자 인터페이스(120)를 통하여 시각화되고 사용자에게 제공될 수 있다.
적어도 하나 이상의 프로세서(910)는 복수개의 대동맥 영역 각각을 그래프 내의 시각화 세그멘트 각각에 대응하도록 시각화하여 시각화 정보를 생성할 수 있다. 적어도 하나 이상의 프로세서(910)는 시각화 세그멘트 각각을, 대응하는 대동맥 영역의 길이 및 대동맥의 전체 길이 간의 비율에 대응하는 중심각을 가지도록 시각화하여 시각화 정보를 생성할 수 있다.
적어도 하나 이상의 프로세서(910)는 시각화 세그멘트 각각을, 대응하는 대동맥 영역의 정상군의 대동맥 크기를 대응하는 대동맥 영역의 트루 루멘의 크기, 및 폴스 루멘의 크기와 비교할 수 있도록 시각화하여 시각화 정보를 생성할 수 있다.
도 12 및 도 13의 실시예에서는 적어도 하나 이상의 프로세서(910)는 복수개의 대동맥 영역 각각 내의 트루 루멘의 크기 및 폴스 루멘의 크기를 지름의 길이에 비례하여 결정할 수 있다. 도 12 및 도 13의 실시예에서는 적어도 하나 이상의 프로세서(910)는 복수개의 대동맥 영역 각각 내의 트루 루멘의 크기 및 폴스 루멘의 크기를 시각화 세그멘트의 반지름에 비례하여 시각화하여 시각화 정보를 생성할 수 있다.
본 발명의 다른 일 실시예에서는 적어도 하나 이상의 프로세서(910)는 복수개의 대동맥 영역 각각 내의 트루 루멘의 크기 및 폴스 루멘의 크기를 트루 루멘의 면적 및 폴스 루멘의 면적에 비례하여 결정할 수 있다. 본 발명의 다른 일 실시예에서는 적어도 하나 이상의 프로세서(910)는 복수개의 대동맥 영역 각각 내의 트루 루멘의 크기 및 폴스 루멘의 크기를 시각화 세그멘트의 면적에 비례하여 시각화하여 시각화 정보를 생성할 수 있다.
시각화 정보는 사용자 인터페이스(120)를 경유하여 사용자에게 제공될 수 있다. 사용자 인터페이스(120)는 클라이언트 디바이스(104)에 포함되어 사용자와 인터랙션할 수도 있고, 분석 서버(102) 및 클라이언트 디바이스(104)의 기능을 모두 포함하는 통합된 의료 영상 진단 지원 장치(도시되지 않음)에 포함되어 사용자에게 시각화 정보를 제공할 수도 있다.
프로세서(910)에 의하여 실행되는 이미지 프로세싱 모듈(116) 또는 컴퓨터 보조 진단 서버(112)에서 실행된 분석 결과에 기반하여 생성되는 부가적인 정보를 가지는 리포트가 생성되어 사용자 인터페이스(120)를 경유하여 시각화 정보와 함께 사용자에게 제공될 수 있다.
리포트는 대동맥의 각 대동맥 영역에 대한 정량적인 측정 정보, 각 대동맥 영역에서 검출된 트루 루멘과 폴스 루멘의 세그멘테이션 및/또는 경계 검출 정보를 부가 정보로서 포함할 수 있다. 리포트는 각 대동맥 영역에 대한 대동맥 박리 여부에 대한 추론 결과를 부가 정보로서 포함할 수 있다. 리포트는 각 대동맥 영역에 대하여 시각화된 트루 루멘과 폴스 루멘을 사용자가 다시 한번 관찰할 수 있도록 대동맥의 단면 영상 상에 트루 루멘과 폴스 루멘이 구분되어 시각화되는 레퍼런스 영상의 링크를 부가 정보로서 포함할 수 있다. 리포트는 각 대동맥 영역에 대하여 트루 루멘과 폴스 루멘이 적절하게 세그멘테이션 및/또는 식별되었는지 사용자가 확인할 수 있도록 트루 루멘과 폴스 루멘의 세그멘테이션 및/또는 식별에 관련되는 전처리 과정을 시각화한 레퍼런스 영상의 링크를 부가 정보로서 포함할 수 있다.
도 14는 본 발명의 일 실시예에 따른 의료 영상 진단 지원 장치에 의하여 사용자에게 제공되는 대동맥 박리 분석 결과의 시각화 그래프(1400)의 일 예시이다.
도 15는 도 14에서 도시되는 시각화 그래프(1400)의 하나의 세그멘트(1410)의 일 실시예이다.
도 14에서는 복수의 대동맥 영역들(Z0~Z11) 내의 정상 혈관과 박리된 영역에 대한 병리학적 정보를 시각화할 수 있다.
도 14의 시각화 세그멘트(1410) 각각은 복수의 대동맥 영역들(Z0~Z11) 각각에 대응한다. 도 14과 도 15를 함께 참조하면, 시각화 세그멘트(1410) 각각은 복수의 대동맥 영역들(Z0~Z11) 각각의 트루 루멘의 지름 D_True에 대응하는 크기를 가지는 제1 하위 세그멘트(1412), 박리된 폴스 루멘의 상대적 크기(폴스 루멘의 지름과 트루 루멘의 지름의 차이) D_False에 대응하는 크기를 가지는 제2 하위 세그멘트(1414), 및 해부학적 정보를 고려할 때 해당 위치의 정상적인 대동맥의 지름 D_Ref에 대응하는 크기를 가지는 제3 하위 세그멘트(1416)과 함께 시각화될 수 있다.
시각화 세그멘트(1410) 각각은 대응하는 복수의 대동맥 영역들(Z0~Z11) 각각과의 관련성을 나타내는 식별 정보와 함께 시각화될 수 있다. 시각화 세그멘트(1410)들은 복수의 대동맥 영역들(Z0~Z11)의 해부학적 구조의 특성, 위치, 순서에 기반하여 시각화 그래프(1400) 내에서 배치될 수 있다.
도 12 및 도 13의 실시예와 마찬가지로, 도 14 및 도 15의 실시예에서도 해당 위치의 트루 루멘의 크기 및 폴스 루멘의 크기가 대동맥 박리를 의미하는 지는 트루 루멘의 크기 및 폴스 루멘의 크기의 비율, 폴스 루멘의 크기의 절대값, 트루 루멘과 폴스 루멘을 합산한 영역의 크기, 정상 대동맥의 크기와 합산된 영역의 크기 간의 비율 등에 의하여 의료 전문가인 사용자에 의하여 판단될 수 있다.
본 발명의 의료 영상 진단 지원 장치는 해당 위치의 트루 루멘의 크기 및 폴스 루멘의 크기가 대동맥 박리를 의미하는 지에 대한 진단 보조 정보로서 트루 루멘의 크기 및 폴스 루멘의 크기의 비율, 폴스 루멘의 크기의 절대값, 트루 루멘과 폴스 루멘을 합산한 영역의 크기, 정상 대동맥의 크기와 합산된 영역의 크기 간의 비율 등에 의하여 해당 위치에서 대동맥 박리가 발생하였는지 여부에 대한 예비적인 추론 결과를 도 14 및/또는 도 15의 시각화 그래프와 함께 사용자에게 제공할 수도 있다.
대동맥류의 진단을 위한 진단 보조 정보를 생성하기 위하여, 대동맥 영역 각각 내에서 정상군의 대동맥 영역의 크기인 레퍼런스 트루 루멘의 크기를 제1 크기로서 획득하는 실시예가 도 16 내지 도 20에 의하여 도시된다.
도 16은 본 발명의 일 실시예에 따른 의료 영상 진단 지원 방법을 도시하는 동작 흐름도이다.
본 발명의 일 실시예에 따른 의료 영상 진단 지원 방법은 적어도 하나 이상의 프로세서(910)를 포함하는 컴퓨팅 시스템에서 적어도 하나 이상의 프로세서(910)에 프로그램 인스트럭션이 로드되어 실행됨으로써 수행될 수 있다.
의료 영상 진단 지원 방법은 적어도 하나 이상의 프로세서(910)가, 통신 인터페이스(920)를 경유하여 인체 내부의 해부학적 구조 정보를 포함하는 의료 영상을 수신하는 단계(S1610); 적어도 하나 이상의 프로세서(910)가, 의료 영상 내의 대동맥의 분할 결과, 및 대동맥 내의 복수개의 대동맥 영역의 분할 결과를 획득/참조하고(S1620), 적어도 하나 이상의 프로세서(910)가, 획득/참조된 결과에 기반하여 복수개의 대동맥 영역 각각 내의 내막으로 둘러싸인 영역을 포함하는 트루 루멘의 크기, 및 복수개의 대동맥 영역 각각에 대한 정상군의 대동맥 크기에 대응하는 레퍼런스 트루 루멘의 크기를 획득하는 단계(S1630); 및 적어도 하나 이상의 프로세서(910)가, 복수개의 대동맥 영역 각각에 대응하도록 배치되는 시각화 세그멘트를 이용하여 복수개의 대동맥 영역 각각 내에서 트루 루멘의 크기, 레퍼런스 트루 루멘의 크기, 및 트루 루멘의 크기와 레퍼런스 트루 루멘의 크기 사이의 비율을 시각화하여 시각화 정보를 생성하는 단계(S1640)를 포함한다. 이때 단계(S1630)에서는 레퍼런스 트루 루멘의 크기가 제1 정보로서 획득될 수 있다. 단계(S1640)에서 생성되는 시각화 정보는 복수개의 대동맥 영역 각각의 대동맥류의 진단을 위한 진단 보조 정보로서 생성될 수 있다.
이때 시각화 세그멘트는 도 17 및 도 18에 도시된 것처럼 가상의 원의 중심점을 공유하고 중심점으로부터 방사상으로 배치되는 시각화 세그멘트일 수 있다. 시각화 세그멘트는 도 19 및 도 20에 도시된 것처럼 제1 방향(수평 방향)의 기준선을 공유하고, 기준선으로부터 제2 방향(수직 방향)으로 배치되는 시각화 세그멘트일 수 있다.
적어도 하나 이상의 프로세서(910)는 복수개의 대동맥 영역 각각을 그래프 내의 시각화 세그멘트 각각에 대응하도록 시각화하여 시각화 정보를 생성할 수 있다. 적어도 하나 이상의 프로세서(910)는 시각화 세그멘트 각각을, 대응하는 대동맥 영역의 길이 및 대동맥의 전체 길이 간의 비율에 대응하는 제1 크기를 가지도록 시각화하여 시각화 정보를 생성할 수 있다. 제1 크기는 도 17 및 도 18의 실시예에서는 부채꼴의 중심각일 수 있고, 도 19 및 도 20의 실시예에서는 에서는 제1 방향의 시각화 세그멘트의 길이 L일 수 있다.
적어도 하나 이상의 프로세서(910)는, 시각화 세그멘트 각각에 대해서 복수개의 대동맥 영역 각각 내의 트루 멘의 크기 및 레퍼런스 트루 루멘의 크기에 비례하는 시각화 세그멘트의 제2 크기를 이용하여 시각화 정보를 생성할 수 있다. 제2 크기는 도 17 및 도 18의 실시예에서는 부채꼴의 반지름의 길이를 이용하여 시각화될 수 있고, 도 19 및 도 20의 실시예에서는 시각화 세그멘트의 제2 방향의 길이를 이용하여 시각화될 수 있다.
도 17은 본 발명의 일 실시예에 따른 복수개의 대동맥 영역들 각각에 대한 대동맥 박리 분석 결과(진단 보조 정보)를 시각화하는 사용자 인터페이스의 일 예이다.
도 17을 참조하면, 유사 파이 그래프의 형태로 사용자 인터페이스 상에 복수개의 대동맥 영역들 각각에 대한 대동맥 박리 분석 결과(진단 보조 정보)가 시각화된다. 이때 레퍼런스 트루 루멘의 크기를 정규화하고, 정규화된 레퍼런스 트루 루멘의 크기를 반지름으로 하는 가상의 원 Circle_Ref가 시각화 그래프(1700) 내에 포함될 수 있다. 시각화 세그멘트(1710) 각각의 반지름의 길이는 정규화된 레퍼런스 트루 루멘의 크기와 비교될 수 있도록 정규화되어 시각화될 수 있다.
본 발명의 도 17 및 도 18의 실시예에서는 레퍼런스 트루 루멘의 크기를 기준으로 트루 루멘의 크기가 정규화되어 시각화되는 실시예가 도시되었으나, 본 발명의 다른 실시예에서는 레퍼런스 트루 루멘의 크기 및 트루 루멘의 크기가 복수개의 대동맥 영역들 각각에 대하여 조정되어 시각화될 수도 있다. 즉, 본 발명의 다른 실시예에서는 정규화된 레퍼런스 트루 루멘의 크기에 따른 가상의 원이 형성되지 않을 수 있다.
본 발명의 실시예에 따른 시각화 그래프의 각 시각화 세그멘트(1210)는 복수개의 대동맥 영역들 각각에 대응할 수 있다. 시각화 그래프(1700)의 각 시각화 세그멘트(1710)의 크기 및/또는 하위 세그멘트들(1712, 1714)의 크기는 복수개의 대동맥 영역들에 대한 대동맥 박리 측정 결과의 정량화된 정보에 비례하여 결정될 수 있다.
도 17에 도시된 시각화 그래프(1700)는 대동맥의 구조에 대응하는 복수의 대동맥 영역들(Z0 ~ Z11) 내의 정상 혈관과 박리된 영역에 대한 병리학적 정보를 하나의 그래프로 시각화할 수 있다. 시각화 그래프(1700) 내의 복수의 시각화 세그멘트(1710) 각각은 하나씩의 대동맥 영역들(Z0 ~ Z11)에 대응할 수 있다. 시각화 그래프(1700) 내의 복수의 시각화 세그멘트(1710) 각각은 대응하는 대동맥 영역들(Z0~Z11)과의 관련성을 나타내는 식별 정보와 함께 시각화될 수 있다. 시각화 그래프(1700) 내의 복수의 시각화 세그멘트(1710)들은 대응하는 대동맥 영역들(Z0~Z11)의 위치, 배열 순서, 해부학적 구조에 기반하여 시각화 그래프(1700) 내에서 배치될 수 있다.
도 18은 도 17에서 도시되는 시각화 그래프(1700)의 하나의 세그멘트(1710)의 일 실시예이다.
도 17의 시각화 세그멘트(1710) 각각의 트루 루멘의 지름 D_True 및 레퍼런스 트루 루멘의 크기 D_Ref는 도 18에 도시된 것과 같이 중심점으로부터 트루 루멘 영역의 크기에 대응하는 제1 하위 세그멘트(1712), 및 레퍼런스 트루 루멘의 크기에 대응하는 제2 하위 세그멘트(1714)가 오버레이되어 시각화될 수 있다. 제1 하위 세그멘트(1712) 및 제2 하위 세그멘트(1714) 중 적어도 하나는 반투명하게 설정되어 서로의 크기가 비교될 수 있도록 시각화될 수 있다.
해당 위치의 트루 루멘의 크기 및 레퍼런스 트루 루멘의 크기가 대동맥 박리를 의미하는 지는 트루 루멘의 크기 및 레퍼런스 트루 루멘의 크기의 비율, 트루 루멘의 크기의 절대값 등에 의하여 의료 전문가인 사용자에 의하여 판단될 수 있다.
본 발명의 의료 영상 진단 지원 장치는 해당 위치의 트루 루멘의 크기 및 폴스 루멘의 크기가 대동맥 박리를 의미하는 지에 대한 진단 보조 정보로서 트루 루멘의 크기 및 레퍼런스 트루 루멘의 크기의 비율, 트루 루멘의 크기의 절대값 등에 의하여 해당 위치에서 대동맥 박리가 발생하였는지 여부에 대한 예비적인 추론 결과를 도 17 또는 도 18의 시각화 그래프(1700)와 함께 사용자에게 제공할 수도 있다.
도 19는 본 발명의 일 실시예에 따른 의료 영상 진단 지원 장치에 의하여 사용자에게 제공되는 대동맥 박리 분석 결과의 시각화 그래프(1900)의 일 예시이다.
도 20는 도 19에서 도시되는 시각화 그래프(1900)의 하나의 세그멘트(1910)의 일 실시예이다.
도 19에서는 복수의 대동맥 영역들(Z0~Z11) 내의 정상 혈관과 박리된 영역에 대한 병리학적 정보를 시각화할 수 있다.
도 19의 시각화 세그멘트(1910) 각각은 복수의 대동맥 영역들(Z0~Z11) 각각에 대응한다. 도 19과 도 20를 함께 참조하면, 시각화 세그멘트(1910) 각각은 복수의 대동맥 영역들(Z0~Z11) 각각의 트루 루멘의 지름 D_True에 대응하는 크기를 가지는 제1 하위 세그멘트(1912), 및 레퍼런스 트루 루멘의 크기 D_Ref에 대응하는 크기를 가지는 제2 하위 세그멘트(1914)를 포함하여 시각화될 수 있다. 제1 하위 세그멘트(1912) 및 제2 하위 세그멘트(1914)는 오버레이되어 시각화될 수 있다. 제1 하위 세그멘트(1912) 및 제2 하위 세그멘트(1914) 중 적어도 하나는 반투명하게 설정되어 서로의 크기가 비교될 수 있도록 시각화될 수 있다.
시각화 세그멘트(1910) 각각은 대응하는 복수의 대동맥 영역들(Z0~Z11) 각각과의 관련성을 나타내는 식별 정보와 함께 시각화될 수 있다. 시각화 세그멘트(1910)들은 복수의 대동맥 영역들(Z0~Z11)의 해부학적 구조의 특성, 위치, 순서에 기반하여 시각화 그래프(1900) 내에서 배치될 수 있다.
도 17 및 도 18의 실시예와 마찬가지로, 도 19 및 도 20의 실시예에서도 해당 위치의 트루 루멘의 크기 및 폴스 루멘의 크기가 대동맥 박리를 의미하는 지는 해당 위치의 트루 루멘의 크기 및 레퍼런스 트루 루멘의 크기가 대동맥 박리를 의미하는 지는 트루 루멘의 크기 및 레퍼런스 트루 루멘의 크기의 비율, 트루 루멘의 크기의 절대값 등에 의하여 의료 전문가인 사용자에 의하여 판단될 수 있다.
본 발명의 의료 영상 진단 지원 장치는 해당 위치의 트루 루멘의 크기 및 폴스 루멘의 크기가 대동맥 박리를 의미하는 지에 대한 진단 보조 정보로서 트루 루멘의 크기 및 레퍼런스 트루 루멘의 크기의 비율, 트루 루멘의 크기의 절대값 등에 의하여 해당 위치에서 대동맥 박리가 발생하였는지 여부에 대한 예비적인 추론 결과를 도 19 또는 도 20의 시각화 그래프(1900)와 함께 사용자에게 제공할 수도 있다.
이상에서 복수개의 실시예를 통하여 본 발명의 개념을 예시하였으나, 본 발명의 사상은 한정된 실시예에 국한되지 않는다. 예를 들어 트리맵(Treemap)과 같은 수단이 본 발명의 실시예로서 제시될 수 있다. 트리맵이 포함하는 계층 구조로서, 1계층은 대동맥 영역 각각의 크기에 대응하고, 2계층은 그 내부에서 트루 루멘의 크기, 제1 정보(폴스 루멘의 크기 또는 레퍼런스 트루 루멘의 크기), 및/또는 트루 루멘의 크기와 제1 정보 간의 비율에 대응할 수 있으며, 정상적인 대동맥의 해당 위치에서의 크기 또한 별도의 시각화 엘리먼트를 이용하여 시각화될 수 있다.
복수개의 시각화 세그멘트를 이용하는 다양한 종류의 시각화 수단이 본 발명의 실시예로서 이용될 수 있다. 각 시각화 세그멘트의 상대적인 크기는 대동맥 영역 각각의 상대적인 크기(전체 대동맥의 길이에 대한 대동맥 영역의 상대적인 길이)에 대응하여 시각화될 수 있다. 시각화 세그멘트가 계층 구조를 가지거나, 복수개의 하위 세그멘트를 가지는 경우 계층 구조 또는 하위 세그멘트는 대동맥 영역 각각 내의 트루 루멘의 크기, 제1 정보(폴스 루멘의 크기 또는 레퍼런스 트루 루멘의 크기), 및/또는 트루 루멘의 크기와 제1 정보 간의 비율에 대응하여 시각화될 수 있다.
사용자인 의료 전문가의 진단을 용이하게 보조하기 위하여, 각 대동맥 영역의 해부학적 위치를 고려한 정상적인 대동맥의 크기가 실제의 트루 루멘 및/또는 제1 정보(폴스 루멘의 크기 또는 레퍼런스 트루 루멘의 크기)와 비교될 수 있도록 시각화될 수 있다.
도 1, 및 도 9 내지 도 20의 실시예를 참고하면, 본 발명의 일 실시예에 따른 컴퓨팅 시스템에서 실행되는 의료 영상 진단 지원 방법은, 분할된 복수개의 대동맥 영역 각각의 트루 루멘의 크기 및 제1 정보 간의 비율에 소정의 임계치를 적용하여, 주의가 필요한 대동맥 영역을 강조하는 시각화 요소를 추가할 수 있다. 제1 정보가 폴스 루멘의 크기인 경우에는 제1 정보의 절대값이 임계치를 초과하는 지, 트루 루멘에 대한 제1 정보의 비율이 임계치를 초과하는 지, 합산된 루멘의 크기(트루 루멘의 크기 + 폴스 루멘의 크기)에 대한 제1 정보의 비율이 임계치를 초과하는 지에 기반하여 대동맥 박리에 대한 위험 추정값이 결정될 수 있고, 대응하는 대동맥 영역을 강조하는 시각화 요소가 추가될 수 있다. 제1 정보가 레퍼런스 트루 루멘의 크기인 경우에는 트루 루멘의 크기의 절대값이 임계치를 초과하는 지, 제1 정보에 대한 트루 루멘의 크기의 비율이 임계치를 초과하는 지에 기반하여 대동맥류에 대한 위험 추정값이 결정될 수 있고, 대응하는 대동맥 영역을 강조하는 시각화 요소가 추가될 수 있다.
본 발명의 실시예에 따른 방법의 동작은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 프로그램 또는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽힐 수 있는 정보가 저장되는 모든 종류의 기록장치를 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산 방식으로 컴퓨터로 읽을 수 있는 프로그램 또는 코드가 저장되고 실행될 수 있다.
또한, 컴퓨터가 읽을 수 있는 기록매체는 롬(rom), 램(ram), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다. 프로그램 명령은 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
본 발명의 일부 측면들은 장치의 문맥에서 설명되었으나, 그것은 상응하는 방법에 따른 설명 또한 나타낼 수 있고, 여기서 블록 또는 장치는 방법 단계 또는 방법 단계의 특징에 상응한다. 유사하게, 방법의 문맥에서 설명된 측면들은 또한 상응하는 블록 또는 아이템 또는 상응하는 장치의 특징으로 나타낼 수 있다. 방법 단계들의 몇몇 또는 전부는 예를 들어, 마이크로프로세서, 프로그램 가능한 컴퓨터 또는 전자 회로와 같은 하드웨어 장치에 의해(또는 이용하여) 수행될 수 있다. 몇몇의 실시 예에서, 가장 중요한 방법 단계들의 적어도 하나 이상은 이와 같은 장치에 의해 수행될 수 있다.
실시예들에서, 프로그램 가능한 로직 장치(예를 들어, 필드 프로그래머블 게이트 어레이)가 여기서 설명된 방법들의 기능의 일부 또는 전부를 수행하기 위해 사용될 수 있다. 실시예들에서, 필드 프로그래머블 게이트 어레이(field-programmable gate array)는 여기서 설명된 방법들 중 하나를 수행하기 위한 마이크로프로세서(microprocessor)와 함께 작동할 수 있다. 일반적으로, 방법들은 어떤 하드웨어 장치에 의해 수행되는 것이 바람직하다.
이상 본 발명의 바람직한 실시 예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
102: 분석 서버
116: 이미지 프로세싱 모듈
118: 시각화 모듈
910: 프로세서
930: 인공 신경망
116: 이미지 프로세싱 모듈
118: 시각화 모듈
910: 프로세서
930: 인공 신경망
Claims (15)
- 의료 영상의 진단을 지원하는 의료 영상 진단 지원 장치로서, 상기 의료 영상 진단 지원 장치는 컴퓨팅 시스템을 포함하고,
상기 컴퓨팅 시스템은
인체 내부의 해부학적 구조에 대하여 얻어지는 의료 영상을 수신하는 통신 인터페이스; 및
적어도 하나 이상의 프로세서;
를 포함하고,
상기 적어도 하나 이상의 프로세서는,
상기 의료 영상 내의 대동맥의 분할 결과, 및 상기 대동맥 내의 복수개의 대동맥 영역의 분할 결과에 기반하여 상기 복수개의 대동맥 영역 각각 내의 내막으로 둘러싸인 영역을 포함하는 트루 루멘의 크기, 및 상기 복수개의 대동맥 영역 각각에 대한 제1 정보를 획득하고,
상기 복수개의 대동맥 영역 각각에 대응하는 시각화 세그멘트를 이용하여 상기 복수개의 대동맥 영역 각각 내에서 상기 트루 루멘의 크기, 상기 제1 정보, 및 상기 트루 루멘의 크기와 상기 제1 정보 사이의 비율을 시각화하는 의료 영상 진단 지원 장치. - 제1항에 있어서,
상기 적어도 하나 이상의 프로세서는
상기 복수개의 대동맥 영역 각각의 정상군의 대동맥 크기에 대응하는 레퍼런스 트루 루멘의 크기를 상기 복수개의 대동맥 영역 각각에 대한 상기 제1 정보로서 획득하는 의료 영상 진단 지원 장치. - 제2항에 있어서,
상기 적어도 하나 이상의 프로세서는
상기 복수개의 대동맥 영역 각각의 대동맥류의 진단을 위한 진단 보조 정보로서 상기 트루 루멘의 크기, 상기 레퍼런스 트루 루멘의 크기, 및 상기 트루 루멘의 크기와 상기 레퍼런스 트루 루멘의 크기 사이의 비율이 시각화되는 상기 시각화 세그멘트를 생성하는 의료 영상 진단 지원 장치. - 제1항에 있어서,
상기 적어도 하나 이상의 프로세서는
상기 트루 루멘의 크기에 비례하는 크기를 가지는 제1 하위 세그멘트, 및 상기 제1 정보에 비례하는 크기를 가지는 제2 하위 세그멘트를 포함하는 상기 시각화 세그멘트를 생성하는 의료 영상 진단 지원 장치. - 제1항에 있어서,
상기 적어도 하나 이상의 프로세서는
상기 복수개의 대동맥 영역 각각의 길이 및 상기 대동맥의 전체 길이 간의 비율에 대응하는 제1 크기를 가지는 상기 시각화 세그멘트를 생성하는 의료 영상 진단 지원 장치. - 제1항에 있어서,
상기 적어도 하나 이상의 프로세서는
상기 복수개의 대동맥 영역 중 하나에 대응함을 나타내는 식별 정보를 포함하는 상기 시각화 세그멘트를 생성하는 의료 영상 진단 지원 장치. - 제1항에 있어서,
상기 적어도 하나 이상의 프로세서는
상기 복수개의 대동맥 영역 각각의 위치에 대응하여 상기 시각화 세그멘트를 배치함으로써 상기 복수개의 대동맥 영역 각각의 진단 보조 정보를 생성하는 의료 영상 진단 지원 장치. - 제1항에 있어서,
상기 적어도 하나 이상의 프로세서는
가상의 원의 중심점을 공유하는 상기 시각화 세그멘트를 상기 중심점으로부터 방사상으로 배치함으로써 상기 복수개의 대동맥 영역 각각의 진단 보조 정보를 생성하는 의료 영상 진단 지원 장치. - 제8항에 있어서,
상기 적어도 하나 이상의 프로세서는
상기 트루 루멘의 크기 및 상기 제1 정보를 상기 시각화 세그멘트의 상기 중심점으로부터의 반지름의 길이에 비례하여 시각화하는 의료 영상 진단 지원 장치. - 컴퓨팅 시스템에서 실행되는 의료 영상의 진단을 지원하는 의료 영상 진단 지원 방법에 있어서, 상기 컴퓨팅 시스템은 적어도 하나 이상의 프로세서를 포함하고,
상기 적어도 하나 이상의 프로세서가, 수신 인터페이스부를 경유하여 인체 내부의 해부학적 구조 정보에 대하여 얻어지는 의료 영상을 수신하는 단계;
상기 적어도 하나 이상의 프로세서가, 상기 의료 영상 내의 대동맥의 분할 결과, 및 상기 대동맥 내의 복수개의 대동맥 영역의 분할 결과에 기반하여 상기 복수개의 대동맥 영역 각각 내의 내막으로 둘러싸인 영역을 포함하는 트루 루멘의 크기, 및 상기 복수개의 대동맥 영역 각각에 대한 제1 정보를 획득하는 단계; 및
상기 적어도 하나 이상의 프로세서가, 상기 복수개의 대동맥 영역 각각에 대응하는 시각화 세그멘트를 이용하여 상기 복수개의 대동맥 영역 각각 내에서 상기 트루 루멘의 크기, 상기 제1 정보, 및 상기 트루 루멘의 크기와 상기 제1 정보 사이의 비율을 시각화하는 단계;
를 포함하는 의료 영상 진단 지원 방법. - 제10항에 있어서,
상기 제1 정보를 획득하는 단계에서는,
상기 적어도 하나 이상의 프로세서가, 상기 복수개의 대동맥 영역 각각의 정상군의 대동맥 크기에 대응하는 레퍼런스 트루 루멘의 크기를 상기 복수개의 대동맥 영역 각각에 대한 상기 제1 정보로서 획득하고,
상기 시각화하는 단계에서는,
상기 적어도 하나 이상의 프로세서가, 상기 복수개의 대동맥 영역 각각의 대동맥류의 진단을 위한 진단 보조 정보로서 상기 트루 루멘의 크기, 상기 레퍼런스 트루 루멘의 크기, 및 상기 트루 루멘의 크기와 상기 레퍼런스 트루 루멘의 크기 사이의 비율이 시각화되는 상기 시각화 세그멘트를 생성하는 의료 영상 진단 지원 방법. - 제10항에 있어서,
상기 시각화하는 단계는,
상기 적어도 하나 이상의 프로세서가, 상기 트루 루멘의 크기에 비례하는 크기를 가지는 제1 하위 세그멘트를 생성하는 단계;
상기 제1 정보에 비례하는 크기를 가지는 제2 하위 세그멘트를 생성하는 단계; 및
상기 제1 하위 세그멘트 및 상기 제2 하위 세그멘트를 포함하는 상기 시각화 세그멘트를 생성하는 단계;
를 포함하는 의료 영상 진단 지원 방법. - 제10항에 있어서,
상기 시각화하는 단계에서는,
상기 적어도 하나 이상의 프로세서가, 상기 복수개의 대동맥 영역 각각의 길이 및 상기 대동맥의 전체 길이 간의 비율에 대응하는 제1 크기를 가지는 상기 시각화 세그멘트를 생성하는 의료 영상 진단 지원 방법. - 제10항에 있어서,
상기 시각화하는 단계는,
상기 적어도 하나 이상의 프로세서가, 상기 복수개의 대동맥 영역 중 하나에 대응함을 나타내는 식별 정보를 포함하는 상기 시각화 세그멘트를 생성하는 단계; 및
상기 적어도 하나 이상의 프로세서가, 상기 복수개의 대동맥 영역 각각의 위치에 대응하여 상기 시각화 세그멘트를 배치함으로써 상기 복수개의 대동맥 영역 각각의 진단 보조 정보를 생성하는 단계;
를 포함하는 의료 영상 진단 지원 방법. - 제10항에 있어서,
상기 시각화하는 단계에서는,
상기 적어도 하나 이상의 프로세서가, 가상의 원의 중심점을 공유하는 상기 시각화 세그멘트를 상기 중심점으로부터 방사상으로 배치함으로써 상기 복수개의 대동맥 영역 각각의 진단 보조 정보를 생성하는 의료 영상 진단 지원 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220118113A KR20240039479A (ko) | 2022-09-19 | 2022-09-19 | 대동맥 진단을 위한 의료 영상 가시화 장치 및 방법 |
| US18/076,513 US20230172451A1 (en) | 2021-12-07 | 2022-12-07 | Medical image visualization apparatus and method for diagnosis of aorta |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220118113A KR20240039479A (ko) | 2022-09-19 | 2022-09-19 | 대동맥 진단을 위한 의료 영상 가시화 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240039479A true KR20240039479A (ko) | 2024-03-26 |
Family
ID=90473018
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220118113A KR20240039479A (ko) | 2021-12-07 | 2022-09-19 | 대동맥 진단을 위한 의료 영상 가시화 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240039479A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210115012A (ko) | 2019-01-17 | 2021-09-24 | 베라톤 인코포레이티드 | 3차원 초음파 영상을 사용한 복부 대동맥류 정량 분석 시스템 및 방법 |
-
2022
- 2022-09-19 KR KR1020220118113A patent/KR20240039479A/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210115012A (ko) | 2019-01-17 | 2021-09-24 | 베라톤 인코포레이티드 | 3차원 초음파 영상을 사용한 복부 대동맥류 정량 분석 시스템 및 방법 |
Non-Patent Citations (5)
| Title |
|---|
| "Society for Vascular Surgery (SVS) and Society of Thoracic Surgeons (STS) reporting standards for type B aortic dissections", Joseph V. Lombardi, etc., (2020.01.27) |
| US 10,327,724 "Detection and characterization of aortic pathologies" (2019.04.11) |
| US 10,733,265 "Medical image manager with automated synthetic image generator" (2020.08.04) |
| US 2020-0118688 "METHOD AND SYSTEM FOR THE EVALUATION OF THE RISK OF AORTIC RUPTURE OR DISSECTION IN AN INDIVIDUAL WITH AN ASCENDING THORACIC AORTIC ANEURYSM" (2020.4.16) |
| US 2021-0150708 "SYSTEM AND METHOD FOR ANATOMIC CLASSIFICATION OF AORTIC ANATOMY IN ANEURYSMS" (2021.05.20) |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11883225B2 (en) | Systems and methods for estimating healthy lumen diameter and stenosis quantification in coronary arteries | |
| US20230218346A1 (en) | Systems and methods for processing electronic images to identify relevant flow characteristics | |
| CN107613874B (zh) | 用于评估血管狭窄的方法和装置 | |
| EP3282381B1 (en) | Systems and methods for estimating blood flow characteristics from vessel geometry and physiology | |
| US20230172451A1 (en) | Medical image visualization apparatus and method for diagnosis of aorta | |
| CN112967220B (zh) | 评估与血管周围组织有关的ct数据集的计算机实现的方法 | |
| JP7488541B2 (ja) | 脳血管異常の同定のための方法およびシステム | |
| JP2017500179A (ja) | 狭窄マッピングによって狭窄重症度を評価するための方法 | |
| Brutti et al. | Deep learning to automatically segment and analyze abdominal aortic aneurysm from computed tomography angiography | |
| Jawaid et al. | Framework for detection and localization of coronary non-calcified plaques in cardiac CTA using mean radial profiles | |
| EP3975199A1 (en) | Method and system for determining a significance score as-sociated with a medical imaging dataset of a patient | |
| Chacón et al. | Computational assessment of stomach tumor volume from multi-slice computerized tomography images in presence of type 2 cancer | |
| KR20240039479A (ko) | 대동맥 진단을 위한 의료 영상 가시화 장치 및 방법 | |
| KR102446929B1 (ko) | 대동맥 박리 가시화 장치 및 방법 | |
| Zhang et al. | Robust infrarenal aortic aneurysm lumen centerline detection for rupture status classification | |
| M’hiri et al. | Automatic evaluation of vessel diameter variation from 2D X-ray angiography | |
| Indumathy et al. | Delineation of Blood Vessels in Coronary Artery Region for Classification of Different Types of Plaques | |
| EP4449993A1 (en) | Determining a status of vascular disease | |
| US20240225537A9 (en) | Means and methods for selecting patients for improved percutaneous coronary interventions | |
| Jawaid et al. | Non-calcified plaque-based coronary stenosis grading in contrast enhanced CT | |
| Sedghi Gamechi | Automatic Quantification of the Aorta and Pulmonary Artery in Chest CT: methods and validation in lung screening | |
| Huang et al. | A Dual-Functional System for the Classification and Diameter Measurement of Aortic Dissections Using CTA Volumes via Deep Learning | |
| KR20240147617A (ko) | 딥러닝 기반 기도 측정과 이미지 정합을 이용하는 영역별 기도 벽 두께 변화의 평가 방법 및 장치 |