KR20240039772A - 안면 교정 수술 후의 연조직 변화를 예측하는 방법 및 영상처리장치 - Google Patents
안면 교정 수술 후의 연조직 변화를 예측하는 방법 및 영상처리장치 Download PDFInfo
- Publication number
- KR20240039772A KR20240039772A KR1020220118523A KR20220118523A KR20240039772A KR 20240039772 A KR20240039772 A KR 20240039772A KR 1020220118523 A KR1020220118523 A KR 1020220118523A KR 20220118523 A KR20220118523 A KR 20220118523A KR 20240039772 A KR20240039772 A KR 20240039772A
- Authority
- KR
- South Korea
- Prior art keywords
- soft tissue
- skeletal
- model
- surgery
- image processing
- Prior art date
Links
- 210000004872 soft tissue Anatomy 0.000 title claims abstract description 138
- 238000001356 surgical procedure Methods 0.000 title claims abstract description 118
- 238000012545 processing Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013334 tissue model Methods 0.000 claims abstract description 47
- 238000012937 correction Methods 0.000 claims abstract description 36
- 230000001815 facial effect Effects 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000002980 postoperative effect Effects 0.000 claims description 5
- 230000001427 coherent effect Effects 0.000 claims description 3
- 238000002591 computed tomography Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 11
- 208000032170 Congenital Abnormalities Diseases 0.000 description 8
- 210000000988 bone and bone Anatomy 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000013170 computed tomography imaging Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 210000004279 orbit Anatomy 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 2
- 239000007943 implant Substances 0.000 description 2
- 210000001847 jaw Anatomy 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010070918 Bone deformity Diseases 0.000 description 1
- 206010009260 Cleft lip and palate Diseases 0.000 description 1
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 206010068737 Facial asymmetry Diseases 0.000 description 1
- 206010061274 Malocclusion Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 208000016653 cleft lip/palate Diseases 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 210000003054 facial bone Anatomy 0.000 description 1
- 208000014951 hematologic disease Diseases 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
- A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Primary Health Care (AREA)
- Radiology & Medical Imaging (AREA)
- Veterinary Medicine (AREA)
- Epidemiology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Pathology (AREA)
- Optics & Photonics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Urology & Nephrology (AREA)
- Pulmonology (AREA)
- Robotics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
안면 교정 수술 후의 연조직 변화를 예측하는 방법은 영상처리장치가 대상자에 대한 안면 교정 수술 전 제1 3D(dimension) 골격 모델 및 3D 연조직 모델을 획득하는 단계, 상기 영상처리장치가 상기 수술 전 3D 골격 모델에 수술 계획을 반영하여 수술 후 예상되는 제2 3D 골격 모델을 생성하는 단계, 상기 영상처리장치가 상기 제1 3D 골격 모델과 상기 제2 3D 골격 모델을 비교하여 골격 변화량을 산출하는 단계, 상기 영상처리장치가 상기 골격 변화량에 해당하는 그래프 정보를 학습된 그래프 어텐션 네트워크에 입력하여 연조직 변화량을 예측하는 단계 및 상기 영상처리장치가 상기 연조직 변화량을 상기 3D 연조직 모델에 반영하여 수술 후 예상되는 3D 연조직 모델을 생성하는 단계를 포함한다.
Description
이하 설명하는 기술은 안면 기형을 교정하는 수술 후의 연조직 변화를 예측하는 기법이다.
안면기형은 두개/안면골 기형, 안면외상 후유증, 주걱턱, 무턱 등 턱기형, 안면비대칭, 귀기형, 구순구개열 후유증 등 얼굴 부위의 선천적 또는 후천적인 기혈 질환을 말한다. 턱교정 수술은 부정교합을 동반하는 악안면기형(주걱턱 등) 환자에게 시행되는 수술이다. 턱교정 수술은 상악이나 하악에 대한 골절단을 시행 후 수술 계획에 따라 분절골을 이동시켜서 고정하게 된다.
턱교정 수술은 대상자의 외관에 영향을 주는 수술로 성공적인 수술이 요구된다. 현재 의료진은 3D CT(3-dimensional computed tomography) 데이터를 이용하여 시뮬레이션을 통한 모의 수술을 시행하여 수술 결과를 예측한다. 그러나, 종전 기법은 골격을 기준으로 일부 골 삭제 및/또는 골(또는 보형물) 이식의 결과를 3D 모델로 제공하는 것에 불과하다. 사람의 얼굴 외관은 골격의 변화에 따른 연조직이 반영된 결과인데, 종래 기법은 연조직 변화를 정확하게 예측하기 어렵다.
이하 설명하는 기술은 골격 변화를 기준으로 연조직 변화를 예측하는 기법을 제공하고자 한다.
안면 교정 수술 후의 연조직 변화를 예측하는 방법은 영상처리장치가 대상자에 대한 안면 교정 수술 전 제1 3D(dimension) 골격 모델 및 3D 연조직 모델을 획득하는 단계, 상기 영상처리장치가 상기 수술 전 3D 골격 모델에 수술 계획을 반영하여 수술 후 예상되는 제2 3D 골격 모델을 생성하는 단계, 상기 영상처리장치가 상기 제1 3D 골격 모델과 상기 제2 3D 골격 모델을 비교하여 골격 변화량을 산출하는 단계, 상기 영상처리장치가 상기 골격 변화량에 해당하는 그래프 정보를 학습된 그래프 어텐션 네트워크에 입력하여 연조직 변화량을 예측하는 단계 및 상기 영상처리장치가 상기 연조직 변화량을 상기 3D 연조직 모델에 반영하여 수술 후 예상되는 3D 연조직 모델을 생성하는 단계를 포함한다.
안면 교정 수술 후의 연조직 변화를 예측하는 영상처리장치은 대상자에 대한 안면 교정 수술 전 두부 3D CT 영상 및 상기 대상자의 수술 내용을 입력받는 입력장치, 수술 후 골격 변화량을 입력받아 수술 후 연조직 변화량을 출력하도록 학습되는 그래프 신경망을 저장하는 저장장치; 및 상기 3D CT를 이용하여 제1 3D 골격 모델 및 3D 연조직 모델을 생성하고, 상기 제1 3D 골격 모델에 상기 수술 내용을 반영하여 제2 3D 골격 모델을 생성하고, 상기 제1 3D 골격 모델과 상기 제2 3D 골격 모델을 비교하여 산출되는 골격 변화량을 상기 그래프 신경망에 입력하여 연조직 변화량을 예측하는 연산장치를 포함한다.
이하 설명하는 기술은 안면 교정 수술 후의 골격 변화와 함께 연조직 변화를 예측하여 수술 전에 수술 후의 결과를 정확하게 예측할 수 있다. 따라서, 이하 설명하는 기술은 안면 교정 수술 계획 수립에 큰 도움을 줄 수 있다.
도 1은 안면 교정 수술에 따른 연조직 변화를 예측하는 시스템에 대한 예이다.
도 2는 영상처리장치가 대상자의 연조직 변화를 예측하는 과정의 예이다.
도 3은 학습 데이터를 마련을 위한 CT 데이터의 전처리 과정의 예이다.
도 4는 수술 전과 후의 골격 변화량과 연조직 변화량을 포함하는 학습 데이터를 마련하는 과정의 예이다.
도 5는 골격 변화량으로 연조직 변화량을 예측하는 그래프 신경망에 대한 예이다.
도 6은 대상자의 연조직 변화를 예측하는 영상처리장치에 대한 예이다.
도 2는 영상처리장치가 대상자의 연조직 변화를 예측하는 과정의 예이다.
도 3은 학습 데이터를 마련을 위한 CT 데이터의 전처리 과정의 예이다.
도 4는 수술 전과 후의 골격 변화량과 연조직 변화량을 포함하는 학습 데이터를 마련하는 과정의 예이다.
도 5는 골격 변화량으로 연조직 변화량을 예측하는 그래프 신경망에 대한 예이다.
도 6은 대상자의 연조직 변화를 예측하는 영상처리장치에 대한 예이다.
이하 설명하는 기술은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 이하 설명하는 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 이하 설명하는 기술의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 해당 구성요소들은 상기 용어들에 의해 한정되지는 않으며, 단지 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 이하 설명하는 기술의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
본 명세서에서 사용되는 용어에서 단수의 표현은 문맥상 명백하게 다르게 해석되지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함한다" 등의 용어는 설명된 특징, 개수, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 의미하는 것이지, 하나 또는 그 이상의 다른 특징들이나 개수, 단계 동작 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하지 않는 것으로 이해되어야 한다.
도면에 대한 상세한 설명을 하기에 앞서, 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다.
또, 방법 또는 동작 방법을 수행함에 있어서, 상기 방법을 이루는 각 과정들은 문맥상 명백하게 특정 순서를 기재하지 않은 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 과정들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
이하 설명하는 기술은 환자의 두부 3D CT 영상을 이용하여 안면 기형을 교정하는 수술의 결과를 사전에 예측한다. 3D CT 영상은 다양한 방법으로 생성될 수 있다. 예컨대, 3D CT 영상은 CBCT(Cone-Beam Computed Tomogram) 영상일 수 있다.
이하 설명하는 수술은 안면 기형을 교정하는 안면 교정 수술이다. 안면 교정 수술은 두부 골격에서 일부 제거, 골 또는 보형물을 삽입, 상악 및/또는 하악 절단 후 고정 등과 같은 수술을 포함한다. 따라서, 이하 안면 교정 수술은 턱 교정 수술, 코 수술 등을 포함하는 의미이다.
이하 영상처리장치가 환자의 3D CT 영상을 이용하여 안면 교정 수술 결과를 예측한다고 설명한다. 영상처리장치가 환자 대상의 안면 교정 수술로 예상되는 연조직 변화를 예측한다. 분석장치는 데이터 처리가 가능한 다양한 장치로 구현될 수 있다. 예컨대, 분석장치는 PC, 네트워크상의 서버, 스마트 기기, 전용 프로그램이 임베딩된 칩셋 등으로 구현될 수 있다.
영상처리장치는 생체역학 모델이나 프로그램을 이용하여 연조직 변화를 예측할 수 있다. 예컨대, 영상처리장치는 유한요소모델(finite-element model, FEM)을 이용하여 연조직 변화를 예측할 수 있다. 나아가, 영상처리장치는 학습모델을 이용하여 연조직 변화를 예측할 수 있다. 학습모델은 다양한 유형의 기계학습모델 중 어느 하나일 수 있다. 특히 학습모델은 그래프 기반 처리를 수행하는 그래프 신경망(Graph Neural Network, GNN)일 수 있다. 이하 영상처리장치가 연조직 변화 예측에 이용하는 모델을 예측 모델 또는 연조직 예측 모델이라고 명명한다.
도 1은 안면 교정 수술에 따른 연조직 변화를 예측하는 시스템에 대한 예이다. 도 1에서 영상처리장치는 컴퓨터 단말(130) 및 서버(140)인 예를 도시하였다.
CT 촬영 장치(110)는 환자의 두부 CT 영상을 획득한다. 환자의 두부 CT 영상은 EMR(Electronic Medical Record, 120)에 저장될 수 있다. CT 촬영 장치(110)는 다수의 2D 슬라이스들을 생성하고, 이를 기반으로 3D CT 영상을 생성할 수 있다. 한편, 영상처리장치가 슬라이스들을 이용하여 3D CT 영상을 생성할 수도 있다.
컴퓨터 단말(130)은 환자의 두부 CT 영상을 입력받는다. 컴퓨터 단말(130)은 유선 또는 무선 네트워크를 통해 CT 촬영 장치(110) 또는 EMR(120)로부터 두부 CT 영상을 입력받을 수 있다. 경우에 따라 컴퓨터 단말(130)은 CT 촬영 장치(110)와 물리적으로 연결된 장치일 수도 있다.
컴퓨터 단말(130)은 환자의 두부 CT 영상을 이용하여 3D 골격 모델을 생성한다. 컴퓨터 단말(130)은 환자의 두부 CT 영상을 이용하여 3D 연조직 모델을 생성할 수도 있다. 컴퓨터 단말(130)은 안면 교정 수술에 따른 골격 변화량을 기준으로 연조직의 변화량을 예측할 수 있다. 컴퓨터 단말(130)은 사전에 구축한 예측 모델을 이용하여 골격 변화량을 기준으로 연조직의 변화량을 예측할 수 있다. 컴퓨터 단말(130)은 예측한 연조직 모델을 생성할 수 있다. 사용자 A는 컴퓨터 단말(130)을 통해 예측 결과를 확인할 수 있다.
서버(140)는 CT 촬영 장치(110) 또는 EMR(120)로부터 두부 CT 영상을 수신할 수 있다. 서버(140)는
서버(140)는 환자의 두부 CT 영상을 이용하여 3D 골격 모델을 생성한다. 서버(140)는 환자의 두부 CT 영상을 이용하여 3D 연조직 모델을 생성할 수도 있다. 서버(140)는 안면 교정 수술에 따른 골격 변화량을 기준으로 연조직의 변화량을 예측할 수 있다. 서버(140)는 사전에 구축한 예측 모델을 이용하여 골격 변화량을 기준으로 연조직의 변화량을 예측할 수 있다. 서버(140)는 예측한 연조직 모델을 생성할 수 있다. 서버(140)는 예측 결과는 사용자 A의 단말에 전송할 수 있다. 사용자 A는 사용자 단말을 통해 예측 결과를 확인할 수 있다.
컴퓨터 단말(130) 및/또는 서버(140)는 예측 결과를 EMR(120)에 전달할 수도 있다.
도 2는 영상처리장치가 대상자의 연조직 변화를 예측하는 과정(200)의 예이다.
CT 영상 장비가 대상자(환자)의 두부 CT 영상을 촬영한다(210). 이때 CT 영상 장비는 CBCT 영상을 생성할 수 있다. 또는, 영상처리장치가 CT 영상 장비가 생성한 슬라이스들을 이용하여 두부 CBCT 영상을 생성할 수도 있다.
영상처리장치는 대상자의 골격을 나타내는 3D 골격 모델을 생성한다(220). 영상처리장치는 두부 CBCT 영상을 그대로 이용하거나, 일정한 전처리를 하여 3D 골격 모델을 생성할 수 있다. 나아가, 영상처리장치는 CT 슬라이스들을 이용하여 3차원 영상을 재조합하는 별도의 프로그램을 이용하여 3D 골격 모델을 생성할 수도 있다.
영상처리장치는 의료진의 수술 계획에 따른 골격 변화가 적용된 모델을 생성한다(230). 수슬 계획은 환자의 안면 기형을 교정하기 위한 수술 내용을 의미한다. 수술 계획이 적용된 모델은 의료진이 영상처리장치의 인터페이스를 통하여 일정한 골 절단, 골 삽입, 보형물 삽입, 상악과 하악 고정 등의 작업으로 생성될 수 있다. 수술 계획이 적용된 모델은 수술의 목표인 골격 데이터에 해당한다.
영상처리장치는 수술 전의 3D 골격 모델(220 과정)과 수술 계획이 적용된 모델을 비교하여 수술 후 골격 변화량을 도출할 수 있다(240). 수술 전 골격 데이터는 없기 때문에, 영상처리장치는 수술 목표인 골격 데이터(수술 계획이 적용된 모델)에 워핑(warping) 알고리즘을 적용하여 전처리하고, 전처리한 골격 데이터와 수술 전 골격 데이터를 비교하여 골격 상의 위치별로 변화량을 도출할 수 있다.
한편, 영상처리장치는 대상자의 연조직을 나타내는 3D 연조직 모델을 생성한다(250). 영상처리장치는 별도의 프로그램을 이용하여 3D CT 영상에서 3D 연조직 모델을 생성할 수 있다. 나아가, 영상처리장치는 3D 스캐너 데이터를 더 입력받아 3D 연조직 모델을 구축할 수도 있다. 영상처리장치는 3D CT 영상에 3D 스캐너 데이터를 표면 데이터로 결합하여 보다 정교한 3D 연조직 모델을 생성할 수도 있다.
영상처리장치는 사전에 구축한 예측 모델을 이용하여 연조직 변화량을 예측할 수 있다(260). 영상처리장치는 골격 변화량을 기준으로 3D 연조직 모델에서 연조직이 변화되는 변화량을 예측할 수 있다. 상세한 연조직 변화량 예측 과정은 후술한다.
영상처리장치는 수술 전 3D 연조직 모델에 연조직 변화량을 적용하여 수술 후 변화가 반영된 연조직 모델을 도출할 수 있다(270). 이를 통해 의료진이 수술 계획에 따른 수술 후 환자의 연조직 변화를 예측할 수 있다.
이하 연조직 변화를 예측하는 예측 모델을 구축하는 과정에 대하여 설명한다. 영상처리장치는 연조직 변화량 예측을 위하여 골격 모델과 연조직 모델의 정합하고, 정합된 두 모델 사이의 공간을 볼륨 메쉬(volume mesh)로 정의한다. 영상처리장치는 볼륨 메쉬를 이용하여 골격 변화에 따른 연조직 변화를 예측하게 된다.
예측 모델은 사전에 학습되어야 한다. 학습데이터는 동일 환자에 대한 수술 전 데이터와 수술 후 데이터를 이용하여 골격 변화량 및 연조직 변화량 데이터 쌍을 포함할 수 있다.
학습 과정이나 학습 데이터 구축 과정은 전술한 영상처리장치가 아닌 별도의 학습장치가 수행할 수 있다. 다만, 설명의 편의를 위하여 학습 데이터 구축 과정이나 예측 모델 구축 과정은 학습장치가 수행한다고 설명한다. 학습장치는 영상 및 데이터 처리가 가능한 컴퓨터 장치이다.
먼저, 골격 모델과 연조직 모델 사이의 관계성을 정의할 수 있는 볼륨 메쉬를 생성하는 과정을 설명한다.
도 3은 학습 데이터를 마련을 위한 CT 데이터의 전처리 과정(300)의 예이다.
학습장치는 환자들의 CT 영상들을 저장하는 영상 데이터베이스(DB)에서 유의한 데이터를 선별할 수 있다. 학습장치는 유사한 연조직 특성을 갖는 대상자들의 데이터만을 선별할 수 있다. 예컨대, 학습장치는 성별, 나이, 비만도 등을 기준으로 유사한 그룹에 속한 환자들의 CT 영상들을 이용할 수 있다. 또한 학습장치는 수술 전과 후의 두부 CT 영상이 모두 있는 환자들을 모집단으로 선별할 수 있다.
도 3은 하나의 두부 CT 영상에 대한 처리 과정이다. 학습장치는 다수의 환자 CT 영상에 대하여 동일한 과정을 수행할 수 있다.
학습장치는 환자의 두부 CT 영상을 입력받는다(310). 학습장치는 3D 프로그램(Mimics, Materialize)을 이용하여 CT 데이터의 노이즈를 제거할 수 있다.
학습장치는 CT 데이터를 기준으로 3D 골격 모델 및 3D 연조직 모델을 재구성할 수 있다(320). 학습장치는 일정한 프로그램을 이용하여 CT 데이터를 기준으로 3D 골격 모델 및 3D 연조직 모델을 생성할 수 있다.
학습장치는 3D 골격 모델 및 3D 연조직 모델에 대하여 일정한 전처리 과정을 수행할 수 있다(330). 예컨대, 학습장치는 형상 최적화(shape optimization) 기반의 워핑 알고리즘을 이용하여 두 모델의 열려 있는 공간(예컨대, 안와)을 닫아준다. 형상 최적화 기반의 워핑 알고리즘은 사용자가 지정하는 임의의 메쉬를 갖는 3D 구형태 모델을 입력된 3D 데이터에 가까워지게 하여 3D 데이터를 편미분이 가능한 데이터로 전처리해주는 알고리즘이다.
학습장치는 전처리된 3D 골격 모델과 3D 연조직 모델을 3차 공간에서 정합한다(340).
학습장치는 정합된 3D 골격 모델과 3D 연조직 모델 사이의 공간을 정의하는 볼륨 메쉬를 생성한다(350). 즉, 볼륨 메쉬는 골격과 연조직 사이의 공간(체적)을 표현한다.
학습장치는 포인트 샘플링(point sampling) 알고리즘을 이용하여 볼륨 메쉬를 일정한 포인트 클라우드(point cloud)로 변환한다(360). 포인트 샘플링은 일정한 체적을 갖는 객체를 포인트 클라우드로 변환하는 알고리즘이다. 학습장치는 이하 설명할 CPD(Coherent point drift) 알고리즘을 위하여 볼륨 메쉬를 포인트 클라우드로 변환한 것이다.
예측 모델은 수술 전과 후의 골격 변화량 및 연조직 변화량을 학습 데이터로 필요로 한다. 골격 변화량 및 연조직 변화량을 산출하는 과정을 설명한다.
도 4는 수술 전과 후의 골격 변화량과 연조직 변화량을 포함하는 학습 데이터를 마련하는 과정(400)의 예이다. 학습장치는 CPD 알고리즘을 이용하여 수술 전 데이터 및 수술 후 데이터에서 산출하는 포인트 클라우드가 일정한 표준 포인트 클라우드와 행태적으로 동질성을 갖게 처리한다. 형태적 동질성은 포인트 클라우드를 구성하는 노드 및 연결성의 동질성을 의미한다. 이 과정은 학습장치는 동일인에 대한 수술 전 데이터와 수술 후 데이터 쌍을 일정하게 표준화하는 과정이라고 할 수 있다. 이 과정은 학습 데이터에서 이용하는 서로 다른 환자의 데이터들을 표준화하여 동질화하기 위한 것이다.
학습장치는 수술 전 CT 데이터를 입력받는다(410).
학습장치는 CPD 알고리즘을 이용하여 3D 골격 모델과 3D 연조직 모델 사이의 포인트 클라우드를 표준화한다(420).
학습장치는 특정인의 수술 전 CT 데이터를 이용하여 포인트 클라우드(수술 전 포인트 클라우드)를 생성한다(421). 이때 포인트 클라우드를 생성하는 과정은 도 3에서 설명한 바와 같다.
학습장치는 표준이 되는 임의의 포인트 클라우드(표준 포인트 클라우드, 422)를 기준으로 수술 전 포인트 클라우드에 대한 CPD를 수행한다. 학습장치는 이 과정을 통해 표준 포인트 클라우드에 노드 및 연결성이 형태적으로 표준화된(동질적인) 포인트 클라우드를 얻는다(423). 노드가 형태학적으로 동질적이라는 것은 서로 다른 환자의 데이터들에서도 같은 번호의 노드는 같은 위치에 있다는 것을 의미한다. 연결성이 형태학적으로 동질적이라는 것은 서로 다른 환자의 데이터들에서도 연결된 노드가 모두 동일하다는 것을 의미한다.
학습장치는 표준화된 포인트 클라우드를 표준 재구성 알고리즘을 이용하여 다시 볼륨 메쉬(수술 전 볼륨 메쉬)로 복원한다(430).
학습장치는 수술 후 CT 데이터에 대해서도 동일한 과정을 수행한다.
수술 후 CT 데이터를 입력받는다(440).
학습장치는 CPD 알고리즘을 이용하여 3D 골격 모델과 3D 연조직 모델 사이의 포인트 클라우드를 표준화한다(450). 학습장치는 특정인의 수술 후 CT 데이터를 이용하여 포인트 클라우드(수술 후 포인트 클라우드)를 생성한다(451). 이때 포인트 클라우드를 생성하는 과정은 도 3에서 설명한 바와 같다. 학습장치는 표준 포인트 클라우드(452)를 기준으로 수술 후 포인트 클라우드에 대한 CPD를 수행한다. 학습장치는 이 과정을 통해 표준 포인트 클라우드에 노드 및 연결성이 형태적으로 표준화된(동질적인) 포인트 클라우드를 얻는다(453).
학습장치는 표준화된 포인트 클라우드를 표준 재구성 알고리즘을 이용하여 다시 볼륨 메쉬(수술 후 볼륨 메쉬)로 복원한다(460).
학습장치는 수술 전 볼륨 메쉬와 수술 후 볼륨 메쉬를 비교하여 골격 변화량을 도출한다(470). 골격 변화량은 골격을 구성하는 메쉬에서 수술 후 변화된 노드 및 연결성에 대한 정보를 포함한다.
또한, 학습장치는 수술 전 볼륨 메쉬와 수술 후 볼륨 메쉬를 비교하여 연조직 변화량을 도출한다(480). 연조직 변화량은 연조직을 구성하는 메쉬에서 수술 후 변화된 노드 및 연결성에 대한 정보를 포함한다.
도 5는 골격 변화량으로 연조직 변화량을 예측하는 그래프 신경망에 대한 예이다. 도 5는 예측 모델로 그래프 신경망을 이용한 예이다. 영상처리장치는 그래프 신경망 알고리즘 중 그래프 어텐션 네트워크(Graph Attention Network)를 이용하여 골격과 연조직 사이의 공간에 위치하는 노드들 간의 연결성을 산출할 수 있다. 그래프 어텐션 네트워크는 사전에 골격 변화를 나타내는 골격 면의 노드들(노드 및 연결성 포함하는 그래프)을 입력받아 변화된 연조직 면에 해당하는 노드들(노드 및 연결성 포함하는 그래프)을 출력하도록 사전에 학습되어야 한다. 이때 학습 데이터는 도 3 및 도 4의 과정을 통해 산출되는 수술 전후의 골격 변화량 정보와 연조직 변화량 정보를 포함한다.
영상처리장치는 수술 전후의 골격 변화량을 나타내는 골격 면 노드들(노드 및 연결성 포함하는 그래프 정보)을 그래프 어텐션 네트워크에 입력한다. 그래프 어텐션 네트워크는 연조직 면 노드들을 기준으로 수술 후 변화된 연조직 면의 노드들(변화된 연조직 면의 노드들이 구성하는 그래프)을 출력한다. 영상처리장치는 그래프 어텐션 네트워크가 출력하는 변화된 연조직 노드들을 기준으로 3D 연조직 모델을 구성할 수 있다.
도 2를 살펴보면, 영상처리장치는 현재 특정 환자의 골격 변화량을 산출한다(240). 영상처리장치는 변화된 골격 면 노드들을 그래프 어텐션 네트워크에 입력하여 변화된 연조직 노드들을 생성할 수 있다. 영상처리장치는 변화된 연조직 노드들을 이용하여 수술 후 변화가 예상되는 3D 연조직 모델을 생성할 수 있다. 또는 영상처리장치는 수술 전 3D 연조직 모델에 그래프 어텐션 네트워크가 출력하는 변화된 연조직 노드들을 적용하여 수술 후 예상되는 3D 연조직 모델을 재구성할 수 있다.
도 6은 대상자의 연조직 변화를 예측하는 영상처리장치(500)에 대한 예이다. 영상처리장치(500)는 도 1의 영상처리장치(130, 140)에 대응된다. 한편, 영상처리장치(500)는 PC와 같은 컴퓨터 장치, 네트워크의 서버, 데이터 처리 전용 칩셋 등의 형태를 가질 수 있다.
영상처리장치(500)는 저장장치(510), 메모리(520), 연산장치(530), 인터페이스 장치(540), 통신장치(550) 및 출력장치(560)를 포함할 수 있다.
저장장치(510)는 환자의 두부 CT 영상을 저장할 수 있다.
저장장치(510)는 연조직 변화량 예측 과정에 대한 명령어 내지 프로그램 코드를 저장할 수 있다.
저장장치(510)는 연조직 변화량을 예측하는 예측 모델을 저장할 수 있다. 예측 모델은 사전에 학습된 모델이다.
저장장치(510)는 예측 결과(영상, 3D 모델 데이터 등)를 저장할 수 있다.
메모리(520)는 영상처리장치(500)가 두부 CT 영상을 이용하여 연조직 변화를 예측하는 과정에서 생성되는 데이터 및 정보 등을 저장할 수 있다.
인터페이스 장치(540)는 외부로부터 일정한 명령 및 데이터를 입력받는 장치이다.
인터페이스 장치(540)는 물리적으로 연결된 입력 장치 또는 외부 저장장치로부터 대상자의 두부 CT 영상을 입력받을 수 있다.
인터페이스 장치(540)는 대상자의 두부 CT 영상으로부터 생성되는 수술 전 3D 골격 모델 및/또는 3D 연조직 모델을 입력받을 수 있다.
인터페이스 장치(540)는 사용자로부터 대상자의 3D 골격 모델에 대한 수술 계획(골격 모델 변경을 위한 명령)을 입력받을 수 있다.
인터페이스 장치(540)는 분석 결과(영상, 3D 모델 정보 등)를 외부 객체에 전달할 수도 있다.
통신장치(550)는 유선 또는 무선 네트워크를 통해 일정한 정보를 수신하고 전송하는 구성을 의미한다.
통신장치(550)는 외부 객체로부터 분석 대상의 두부 CT 영상을 수신할 수 있다.
통신장치(550)는 대상자의 두부 CT 영상으로부터 생성되는 수술 전 3D 골격 모델 및/또는 3D 연조직 모델을 수신할 수도 있다.
통신장치(550)는 사용자 단말로부터 대상자의 3D 골격 모델에 대한 수술 계획(골격 모델 변경을 위한 명령)을 수신할 수 있다.
통신장치(550)는 분석 결과(영상, 3D 모델 정보 등)를 사용자 단말과 같은 외부 객체에 송신할 수도 있다.
인터페이스 장치(540) 및 통신장치(550)는 사용자 또는 다른 물리적 객체로부터 일정한 데이터를 주고 받는 구성이므로, 포괄적으로 입출력장치라고도 명명할 수 있다. 두부 CT 영상 등을 입력받는 기능에 한정하면 인터페이스 장치(540) 및 통신장치(550)는 입력장치라고 할 수도 있다.
출력장치(560)는 일정한 정보를 출력하는 장치이다. 출력장치(560)는 데이터 처리 과정에 필요한 인터페이스, 예측 결과(수술 후 3D 연조직 모델) 등을 출력할 수 있다.
연산 장치(530)는 저장장치(510)에 저장된 명령어 내지 프로그램 코드를 이용하여 대상자의 두부 CT 영상을 이용하여 안면 교정 수술 후의 연조직 변화를 예측할 수 있다.
연산 장치(530)는 수술 전 대상자의 두부 CT 영상을 이용하여 3D 골격 모델 및/또는 3D 연조직 모델을 생성할 수 있다.
연산 장치(530)는 수술 전 3D 골격 모델 및/또는 3D 연조직 모델에 일정한 전처리를 수행할 수 있다. 예컨대, 연산 장치(530)는 형상 최적화 기반의 워핑 알고리즘을 이용하여 두 모델의 열려 있는 공간(예컨대, 안와)을 닫을 수 있다(빈 공간을 적당하게 매움).
연산 장치(530)는 대상자의 수술 전 3D 골격 모델에 수술 계획을 반영할 수 있다. 연산 장치(530)는 사용자가 입력하는 수술 계획(3D 골격 모델에 대한 변경으로 일부 골격 삭제, 일정 모양의 골 삽입, 보형물 삽입, 상악과 하악 고정 등)을 3D 골격 모델에 적용할 수 있다. 이를 통해 연산 장치(530)는 수술 계획이 반영된 3D 골격 모델을 생성한다. 연산 장치(530)는 수술 계획이 반영된 수술 후 예상 3D 골격 모델에 대하여 일정한 전처리를 할 수 있다. 예컨대, 연산 장치(530)는 형상 최적화 기반의 워핑 알고리즘을 이용하여 열려 있는 공간(예컨대, 안와)을 닫을 수 있다(빈 공간을 적당하게 매움). 여기서 수술 후 예상 3D 골격 모델은 시뮬레이션 결과 수술 후 예상되는 3D 골격을 의미한다.
연산 장치(530)는 수술 전 3D 골격 모델과 수술 후 예상 3D 골격 모델을 비교하여 수술 후 예상되는 골격 변화량을 산출할 수 있다. 연산 장치(530)는 수술 목표인 골격 데이터(수술 후 예상 3D 골격 모델)에 워핑 알고리즘을 적용하여 전처리하고, 전처리한 골격 데이터와 수술 전 골격 데이터를 비교하여 골격 상의 위치별로 변화량을 도출할 수 있다.
연산 장치(530)는 수술 전 3D 골격 모델과 수술 후 예상 3D 골격 모델을 워핑 알고리즘 등을 이용하여 매쉬 데이터로 변환할 수 있다. 연산 장치(530)는 매쉬 데이터 포맷의 수술 전 3D 골격 모델과 수술 후 예상 3D 골격 모델을 비교하여 골격 변화량을 산출할 수 있다. 이 경우 골격 변화량은 메쉬 데이터에서의 노드들과 노드의 연결성을 포함하는 그래프 형태의 정보로 구성될 수 있다.
연산 장치(530)는 수술 후 예상되는 골격 변화 정보를 사전에 학습된 예측 모델에 입력할 수 있다.
연산 장치(530)는 수술 후 예상되는 골격 변화 정보(변화된 골격 면의 노드들이 구성하는 그래프)를 그래프 어텐션 네트워크에 입력하여 수술 후 변화된 연조직 면의 노드들(변화된 연조직 면의 노드들이 구성하는 그래프)을 획득할 수 있다.
연산 장치(530)는 변화된 연조직 노드들을 이용하여 수술 후 변화가 예상되는 3D 연조직 모델을 생성할 수 있다.
연산 장치(530)는 수술 전 3D 연조직 모델에 그래프 어텐션 네트워크가 출력하는 변화된 연조직 노드들을 적용하여 수술 후 예상되는 3D 연조직 모델을 재구성할 수 있다.
연산 장치(530)는 데이터를 처리하고, 일정한 연산을 처리하는 프로세서, AP, 프로그램이 임베디드된 칩과 같은 장치일 수 있다.
또한, 상술한 바와 같은 3D CT 영상을 이용한 연조직 변화량 예측 방법은 컴퓨터에서 실행될 수 있는 실행가능한 알고리즘을 포함하는 프로그램(또는 어플리케이션)으로 구현될 수 있다. 상기 프로그램은 일시적 또는 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장되어 제공될 수 있다.
비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM (read-only memory), PROM (programmable read only memory), EPROM(Erasable PROM, EPROM) 또는 EEPROM(Electrically EPROM) 또는 플래시 메모리 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.
일시적 판독 가능 매체는 스태틱 램(Static RAM，SRAM), 다이내믹 램(Dynamic RAM，DRAM), 싱크로너스 디램 (Synchronous DRAM，SDRAM), 2배속 SDRAM(Double Data Rate SDRAM，DDR SDRAM), 증강형 SDRAM(Enhanced SDRAM，ESDRAM), 동기화 DRAM(Synclink DRAM，SLDRAM) 및 직접 램버스 램(Direct Rambus RAM，DRRAM) 과 같은 다양한 RAM을 의미한다.
본 실시예 및 본 명세서에 첨부된 도면은 전술한 기술에 포함되는 기술적 사상의 일부를 명확하게 나타내고 있는 것에 불과하며, 전술한 기술의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시례는 모두 전술한 기술의 권리범위에 포함되는 것이 자명하다고 할 것이다.
Claims (10)
- 영상처리장치가 대상자에 대한 안면 교정 수술 전 제1 3D(dimension) 골격 모델 및 3D 연조직 모델을 획득하는 단계;
상기 영상처리장치가 상기 수술 전 제1 3D 골격 모델에 수술 계획을 반영하여 수술 후 예상되는 제2 3D 골격 모델을 생성하는 단계;
상기 영상처리장치가 상기 제1 3D 골격 모델과 상기 제2 3D 골격 모델을 비교하여 골격 변화량을 산출하는 단계;
상기 영상처리장치가 상기 골격 변화량에 해당하는 그래프 정보를 학습된 그래프 어텐션 네트워크에 입력하여 연조직 변화량을 예측하는 단계; 및
상기 영상처리장치가 상기 연조직 변화량을 상기 3D 연조직 모델에 반영하여 수술 후 예상되는 3D 연조직 모델을 생성하는 단계를 포함하는 안면 교정 수술 후의 연조직 변화를 예측하는 방법. - 제1항에 있어서,
상기 영상처리장치는 상기 제1 3D 골격 모델과 상기 제2 3D 골격 모델을 매쉬 데이터로 변환하고, 상기 제1 3D 골격 모델의 메쉬 데이터와 상기 제2 3D 골격 모델의 메쉬 데이터를 비교하여 상기 골격 변화량을 산출하는 안면 교정 수술 후의 연조직 변화를 예측하는 방법. - 제1항에 있어서,
상기 골격 변화량은 골격 형태를 나타내는 노드들과 노드 사이의 연결성을 나타내는 그래프 형태의 정보로 표현되는 안면 교정 수술 후의 연조직 변화를 예측하는 방법. - 제1항에 있어서,
상기 그래프 어텐션 네트워크는
두부 교정 수술을 수행한 다수의 환자들에 대한 수술 전 CT 영상 및 수술 후 CT 영상 각각으로부터 생성된 3D 골격 모델과 3D 연조직 모델에서 골격과 연조직 사이 공간의 표준화된 볼륨 메쉬를 기준으로 상기 연조직 변화량을 출력하도록 학습되고,
상기 그래프 어텐션 네트워크는 수술 후 골격 변화량을 입력받아 수술 후 연조직 변화량을 출력하도록 학습되는 안면 교정 수술 후의 연조직 변화를 예측하는 방법. - 제4항에 있어서,
상기 표준화된 볼륨 메쉬는
상기 생성된 3D 골격 모델과 3D 연조직 모델을 정합하여 생성된 볼륨 메쉬를 제1 포인트 클라우드로 변환하는 단계;
상기 제1 포인트 클라우드에 대한 CPD(Coherent point drift) 알고리즘을 적용하여 표준 포인트 크라우드에 표준화된 제2 포인트 클라우드를 생성하는 단계; 및
상기 제2 포인트 클라우드를 상기 표준화된 볼륨 메쉬로 변환하는 단계를 통하여 생성되는 안면 교정 수술 후의 연조직 변화를 예측하는 방법. - 대상자에 대한 안면 교정 수술 전 두부 3D CT(3-dimensional computed tomography) 영상 및 상기 대상자의 수술 내용을 입력받는 입력장치;
수술 후 골격 변화량을 입력받아 수술 후 연조직 변화량을 출력하도록 학습되는 그래프 신경망을 저장하는 저장장치; 및
상기 3D CT를 이용하여 제1 3D 골격 모델 및 3D 연조직 모델을 생성하고, 상기 제1 3D 골격 모델에 상기 수술 내용을 반영하여 제2 3D 골격 모델을 생성하고, 상기 제1 3D 골격 모델과 상기 제2 3D 골격 모델을 비교하여 산출되는 골격 변화량을 상기 그래프 신경망에 입력하여 연조직 변화량을 예측하는 연산장치를 포함하는 안면 교정 수술 후의 연조직 변화를 예측하는 영상처리장치. - 제6항에 있어서,
상기 연산장치는 상기 제1 3D 골격 모델과 상기 제2 3D 골격 모델을 매쉬 데이터로 변환하고, 상기 제1 3D 골격 모델의 메쉬 데이터와 상기 제2 3D 골격 모델의 메쉬 데이터를 비교하여 상기 골격 변화량을 산출하는 안면 교정 수술 후의 연조직 변화를 예측하는 영상처리장치. - 제6항에 있어서,
상기 골격 변화량은 골격 형태를 나타내는 노드들과 노드 사이의 연결성을 나타내는 그래프 형태의 정보로 표현되는 안면 교정 수술 후의 연조직 변화를 예측하는 영상처리장치. - 제6항에 있어서,
상기 그래프 어텐션 네트워크는
두부 교정 수술을 수행한 다수의 환자들에 대한 수술 전 CT 영상 및 수술 후 CT 영상 각각으로부터 생성된 3D 골격 모델과 3D 연조직 모델에서 골격과 연조직 사이 공간의 표준화된 볼륨 메쉬를 기준으로 상기 연조직 변화량을 출력하도록 학습되고,
상기 그래프 어텐션 네트워크는 수술 후 골격 변화량을 입력받아 수술 후 연조직 변화량을 출력하도록 학습되는 안면 교정 수술 후의 연조직 변화를 예측하는 영상처리장치. - 제9항에 있어서,
상기 표준화된 볼륨 메쉬는 학습 과정에서
상기 생성된 3D 골격 모델과 3D 연조직 모델을 정합하여 생성된 볼륨 메쉬를 제1 포인트 클라우드로 변환하는 단계; 상기 제1 포인트 클라우드에 대한 CPD(Coherent point drift) 알고리즘을 적용하여 표준 포인트 크라우드에 표준화된 제2 포인트 클라우드를 생성하는 단계; 및 상기 제2 포인트 클라우드를 상기 표준화된 볼륨 메쉬로 변환하는 단계를 통하여 생성되는 안면 교정 수술 후의 연조직 변화를 예측하는 영상처리장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220118523A KR20240039772A (ko) | 2022-09-20 | 2022-09-20 | 안면 교정 수술 후의 연조직 변화를 예측하는 방법 및 영상처리장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220118523A KR20240039772A (ko) | 2022-09-20 | 2022-09-20 | 안면 교정 수술 후의 연조직 변화를 예측하는 방법 및 영상처리장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240039772A true KR20240039772A (ko) | 2024-03-27 |
Family
ID=90480627
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220118523A KR20240039772A (ko) | 2022-09-20 | 2022-09-20 | 안면 교정 수술 후의 연조직 변화를 예측하는 방법 및 영상처리장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240039772A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120096238A (ko) | 2011-02-22 | 2012-08-30 | 주식회사 모르페우스 | 안면보정 이미지 제공방법 및 그 시스템 |
-
2022
- 2022-09-20 KR KR1020220118523A patent/KR20240039772A/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120096238A (ko) | 2011-02-22 | 2012-08-30 | 주식회사 모르페우스 | 안면보정 이미지 제공방법 및 그 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2022201602B2 (en) | Method and system for designing and fabricating a customised device | |
| US20240096508A1 (en) | Systems and methods for using generic anatomy models in surgical planning | |
| JP6695954B2 (ja) | 形状の予測 | |
| US20150006120A1 (en) | Musculo-Skeletal Modeling Using Finite Element Analysis, Process Integration, and Design Optimization | |
| US11158047B2 (en) | System and method for segmentation and visualization of medical image data | |
| US20190088360A1 (en) | System and method for segmentation and visualization of medical image data | |
| US11741277B2 (en) | Predictive modeling platform for serial casting to correct orthopedic deformities | |
| CN111096835A (zh) | 一种矫形器设计方法和系统 | |
| JP7076481B2 (ja) | 折れた骨の断片を解剖学的に位置整合させるための変換の決定 | |
| Mangado et al. | Automatic model generation framework for computational simulation of cochlear implantation | |
| Huang et al. | Patient-specific geometrical modeling of orthopedic structures with high efficiency and accuracy for finite element modeling and 3D printing | |
| Wodzinski et al. | Improving the automatic cranial implant design in cranioplasty by linking different datasets | |
| Dornelles et al. | New virtual tool for accurate evaluation of facial volume | |
| Schendel et al. | A web-based, integrated simulation system for craniofacial surgical planning | |
| KR20240039772A (ko) | 안면 교정 수술 후의 연조직 변화를 예측하는 방법 및 영상처리장치 | |
| WO2022229816A1 (en) | 3d reconstruction of anatomical images | |
| WO2021087483A1 (en) | Predictive modeling platform for serial casting to correct orthopedic deformities | |
| Kallemeyn et al. | Advancements in spine FE mesh development: toward patient-specific models | |
| US20190095579A1 (en) | Biomechanical model generation for human or animal torsi | |
| Vitković et al. | Model-Based System for the creation and application of modified cloverleaf plate fixator | |
| US20240000514A1 (en) | Surgical planning for bone deformity or shape correction | |
| Wang | FEA-based simulation of breast deformation in real-time using artificial neural network | |
| Knoops | Physical and statistical shape modelling in craniomaxillofacial surgery: a personalised approach for outcome prediction | |
| WO2023096516A1 (en) | Automatic orthopedic surgery planning systems and methods | |
| KR20240039767A (ko) | 방사선 두부 영상을 이용하여 안면기형의 종류를 분류하는 방법 및 분석장치 |