KR20240057147A - 기계 학습 모델에 기초하여 혈관을 분석하는 방법 및 장치 - Google Patents

기계 학습 모델에 기초하여 혈관을 분석하는 방법 및 장치 Download PDF

Info

Publication number
KR20240057147A
KR20240057147A KR1020220137515A KR20220137515A KR20240057147A KR 20240057147 A KR20240057147 A KR 20240057147A KR 1020220137515 A KR1020220137515 A KR 1020220137515A KR 20220137515 A KR20220137515 A KR 20220137515A KR 20240057147 A KR20240057147 A KR 20240057147A
Authority
KR
South Korea
Prior art keywords
blood vessel
area
stenosis
comparison
diameter
Prior art date
Application number
KR1020220137515A
Other languages
English (en)
Inventor
김남국
신기원
김대원
Original Assignee
재단법인 아산사회복지재단
울산대학교 산학협력단
가톨릭대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 재단법인 아산사회복지재단, 울산대학교 산학협력단, 가톨릭대학교 산학협력단 filed Critical 재단법인 아산사회복지재단
Priority to KR1020220137515A priority Critical patent/KR20240057147A/ko
Priority to US18/209,389 priority patent/US20240135530A1/en
Publication of KR20240057147A publication Critical patent/KR20240057147A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30172—Centreline of tubular or elongated structure

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Public Health (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Veterinary Medicine (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Optics & Photonics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Vascular Medicine (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

일 실시예에 따른 혈관 분석 장치는, 혈관 영상으로부터 기계 학습 모델에 기초하여 혈관에 대응하는 혈관 영역(vessel area) 및 상기 혈관 중 협착된 부분에 대응하는 협착 영역(stenosis area)을 검출하고, 상기 협착 영역의 길이에 기초하여, 상기 혈관 영역 중 일부 영역을 상기 협착 영역에 대한 비교 영역으로 결정하며, 상기 혈관 영역에서 상기 혈관의 길이 방향에 따른 혈관 직경의 분포에 기초하여, 상기 협착 영역의 혈관이 상기 비교 영역의 혈관에 비해 협착된 정도를 나타내는 협착 스코어(stenosis score)를 산출하는 프로세서를 포함할 수 있다.

Description

기계 학습 모델에 기초하여 혈관을 분석하는 방법 및 장치{METHOD AND APPARATUS FOR ANALYZING BLOOD VESSELS BASED ON MACHINE LEARNING MODEL}
이하, 기계 학습 모델에 기초하여 혈관을 분석하는 기술에 대하여 개시된다.
의료 영상 처리 장치는 대상체의 내부 구조를 영상으로 획득하기 위한 장비를 나타낼 수 있다. 의료 영상 처리 장치는 비침습 검사 장치로서, 신체 내의 구조적 세부사항, 내부 조직 및 유체의 흐름 등을 촬영 및 처리하여 사용자에게 보여줄 수 있다. 의사 등의 사용자는 의료 영상 처리 장치에서 출력되는 의료 영상을 이용하여 환자의 건강 상태 및 질병을 진단할 수 있다. 이러한, 의료 영상을 촬영 및 처리하기 위한 장치로는 MRI(Magnetic Resonance Imaging)장치, 컴퓨터 단층촬영(CT: Computed Tomography) 장치, 엑스레이 장치 또는 초음파 장치 등이 있으며, 의료 영상 처리 장치는 촬영된 영상 데이터를 처리하여 의료 영상을 생성할 수 있다.
의료 영상 처리 장치 중 컴퓨터 단층촬영(CT) 장치는 대상체에 대한 단면 영상을 제공할 수 있고, 일반적인 엑스선 장치에 비하여 대상체의 내부 구조(예컨대, 신장, 폐 등의 장기 등)가 겹치지 않게 표현할 수 있다는 장점을 가질 수 있다.
그러나, CT 영상의 분해능(resolution)은 대략 0.7mm 정도이어서, 수 밀리 미터(mm: millimeter) 크기를 갖는 혈관들을 정확하게 촬영하기 어려울 수 있다. 또한, 일부 혈관, 예를 들어, 관상 동맥은 촬영 중 심장 박동에 의핸 움직임이 발생할 수 있다. 이러한 움직임 때문에, 복원된 CT 영상에서 모션 아티팩트(motion artifact)와 같은 다양한 아티팩트가 나타날 수 있다.
관상 동맥 협착, 심혈관 질환 등과 같은 혈관 관련 질환을 진단하기 위해서는 의료 영상에서 이상이 있는 혈관을 정확하게 판독하여야 할 수 있다. 그러나, 전술한 바와 같이 혈관의 크기가 작고, 촬영 중 발생하는 혈관의 움직임으로 인하여, 정확한 영상 판독 및 진단이 어려울 수 있다
일 실시예에 따른 혈관 분석 장치에 의하여 수행되는 방법은, 혈관 영상으로부터 기계 학습 모델에 기초하여 혈관에 대응하는 혈관 영역(vessel area) 및 상기 혈관 중 협착된 부분에 대응하는 협착 영역(stenosis area)을 검출하는 단계를 포함할 수 있다. 일 실시예에 따른 혈관 분석 장치에 의하여 수행되는 방법은, 상기 협착 영역의 길이에 기초하여, 상기 혈관 영역 중 일부 영역을 상기 협착 영역에 대한 비교 영역으로 결정하는 단계를 포함할 수 있다. 일 실시예에 따른 혈관 분석 장치에 의하여 수행되는 방법은, 상기 혈관 영역에서 상기 혈관의 길이 방향에 따른 혈관 직경의 분포에 기초하여, 상기 협착 영역의 혈관이 상기 비교 영역의 혈관에 비해 협착된 정도를 나타내는 협착 스코어(stenosis score)를 산출하는 단계를 포함할 수 있다.
상기 혈관 영역 및 상기 협착 영역을 검출하는 단계는, 상기 혈관 영역 중 상기 협착 영역과 다른 영역에서, 상기 혈관의 길이 방향을 따라 감소하는 경향(tendency)의 혈관 직경을 가지는 영역을 비교 영역으로 검출하는 단계를 포함할 수 있다.
상기 비교 영역으로 결정하는 단계는, 상기 혈관의 기준선 중 상기 협착 영역이 대응하는 부분 기준선에 기초하여 다른 부분 중심선을 결정하는 단계를 포함할 수 있다. 상기 비교 영역으로 결정하는 단계는, 상기 결정된 다른 부분 기준선에 대응하는 영역을 비교 영역으로 결정하는 단계를 포함할 수 있다.
상기 비교 영역으로 결정하는 단계는, 상기 혈관 영역 중에서, 상기 협착 영역의 상기 협착된 부분과 인접한 정상 혈관(normal vessel)에 대응하는 비교 영역을 결정하는 단계를 포함할 수 있다.
상기 비교 영역으로 결정하는 단계는, 상기 협착 영역을 기준으로 상기 혈관의 길이 방향을 따라 양쪽에 위치한 제1 영역 및 제2 영역을 상기 비교 영역으로 결정하는 단계를 포함할 수 있다.
상기 비교 영역으로 결정하는 단계는, 상기 협착 영역의 혈관보다 근위 혈관(proximal vessel)에 대응하는 제1 영역 및 원위 혈관(distal vessel)에 대응하는 제2 영역을 상기 비교 영역으로 결정하는 단계를 포함할 수 있다.
상기 비교 영역으로 결정하는 단계는, 제1 영역 및 상기 제1 영역의 혈관 직경의 중앙값(median)보다 작은 혈관 직경의 중앙값을 가지는 제2 영역을 상기 비교 영역으로 결정하는 단계를 포함할 수 있다.
상기 협착 스코어를 산출하는 단계는, 상기 혈관 직경의 분포로부터 상기 협착 영역 및 상기 비교 영역에 대응하는 혈관 직경들을 추출하는 단계를 포함할 수 있다. 상기 협착 스코어를 산출하는 단계는, 상기 추출된 혈관 직경들을 이용하여 상기 협착 스코어를 산출하는 단계를 포함할 수 있다.
상기 협착 스코어를 산출하는 단계는, 상기 비교 영역에 대한 혈관 직경의 분포에 기초하여, 상기 협착 영역에서 정상 혈관의 직경으로 추정되는 기준 혈관 직경(reference vessel diameter)을 결정하는 단계를 포함할 수 있다. 상기 협착 스코어를 산출하는 단계는, 상기 협착 영역에 대한 혈관 직경의 분포에 기초하여, 상기 협착 영역에서 산출되는 협착 혈관 직경을 결정하는 단계를 포함할 수 있다. 상기 협착 스코어를 산출하는 단계는, 상기 기준 혈관 직경과 상기 협착 혈관 직경의 비교 결과에 기초하여 상기 협착 스코어를 산출하는 단계를 포함할 수 있다.
상기 협착 스코어를 산출하는 단계는, 상기 혈관 직경의 분포 중 상기 비교 영역의 제1 영역에 대한 부분 분포로부터 제1 혈관 직경을 추출하는 단계를 포함할 수 있다. 상기 협착 스코어를 산출하는 단계는, 상기 혈관 직경의 분포 중 상기 비교 영역의 제2 영역에 대한 부분 분포로부터 제2 혈관 직경으로 추출하는 단계를 포함할 수 있다. 상기 협착 스코어를 산출하는 단계는, 상기 제1 혈관 직경 및 상기 제2 혈관 직경에 기초하여, 정상 혈관에 대응하는 기준 혈관 직경을 산출하는 단계를 포함할 수 있다. 상기 협착 스코어를 산출하는 단계는, 상기 혈관 직경의 분포 중 상기 협착 영역에 대한 부분 분포의 최솟값을 상기 협착 영역의 혈관에 대응하는 협착 혈관 직경으로 추출하는 단계를 포함할 수 있다. 상기 협착 스코어를 산출하는 단계는, 상기 산출된 기준 혈관 직경 및 상기 추출된 협착 혈관 직경의 비교 결과에 기초하여, 상기 협착 스코어를 산출하는 단계를 포함할 수 있다.
일 실시예에 따른 혈관 분석 장치에 의하여 수행되는 혈관 분석 방법은, 상기 혈관 영상의 픽셀 값에 기초하여, 상기 혈관 영역 중 석회화 영역(calcification area)을 검출하는 단계를 포함할 수 있다. 일 실시예에 따른 혈관 분석 장치에 의하여 수행되는 혈관 분석 방법은, 상기 혈관 영역에 대한 상기 석회화 영역의 비율에 기초하여, 혈관이 석회화된 정도를 나타내는 석회화 스코어(calcification score)를 산출하는 단계를 포함할 수 있다.
일 실시예에 따른 혈관 분석 장치에 의하여 수행되는 혈관 분석 방법은, 상기 혈관 영상에 상기 석회화 영역을 지시하는 그래픽 표현(graphic representation)을 출력하는 단계를 더 포함할 수 있다.
일 실시예에 따른 혈관 분석 장치에 의하여 수행되는 혈관 분석 방법은, 상기 혈관 영상에 상기 기계 학습 모델을 적용함으로써, 상기 혈관 영역과 함께 취약성 경화반(vulnerable plaque)에 대응하는 플라그 영역을 검출하는 단계를 더 포함할 수 있다.
일 실시예에 따른 혈관 분석 장치는, 혈관 영상으로부터 기계 학습 모델에 기초하여 혈관에 대응하는 혈관 영역(vessel area) 및 상기 혈관 중 협착된 부분에 대응하는 협착 영역(stenosis area)을 검출하고, 상기 협착 영역의 길이에 기초하여, 상기 혈관 영역 중 일부 영역을 상기 협착 영역에 대한 비교 영역으로 결정하며, 상기 혈관 영역에서 상기 혈관의 길이 방향에 따른 혈관 직경의 분포에 기초하여, 상기 협착 영역의 혈관이 상기 비교 영역의 혈관에 비해 협착된 정도를 나타내는 협착 스코어(stenosis score)를 산출하는 프로세서를 포함할 수 있다.
상기 프로세서는, 상기 혈관 영역 중 상기 협착 영역과 다른 영역에서, 상기 혈관의 길이 방향을 따라 감소하는 경향(tendency)의 혈관 직경을 가지는 영역을 비교 영역으로 검출할 수 있다.
상기 프로세서는, 상기 혈관의 기준선 중 상기 협착 영역이 대응하는 부분 기준선에 기초하여 다른 부분 중심선을 결정할 수 있다. 상기 프로세서는, 상기 결정된 다른 부분 기준선에 대응하는 영역을 비교 영역으로 결정할 수 있다.
상기 프로세서는, 상기 혈관 영역 중에서, 상기 협착 영역의 상기 협착된 부분과 인접한 정상 혈관(normal vessel)에 대응하는 비교 영역을 결정할 수 있다.
상기 프로세서는, 상기 협착 영역을 기준으로 상기 혈관의 길이 방향을 따라 양쪽에 위치한 제1 영역 및 제2 영역을 상기 비교 영역으로 결정할 수 있다.
상기 프로세서는, 상기 혈관 직경의 분포로부터 상기 협착 영역 및 상기 비교 영역에 대응하는 혈관 직경들을 추출할 수 있다. 상기 프로세서는, 상기 추출된 혈관 직경들을 이용하여 상기 협착 스코어를 산출할 수 있다.
상기 프로세서는, 상기 비교 영역에 대한 혈관 직경의 분포에 기초하여, 상기 협착 영역에서 정상 혈관의 직경으로 추정되는 기준 혈관 직경(reference vessel diameter)을 결정할 수 있다. 상기 프로세서는, 상기 협착 영역에 대한 혈관 직경의 분포에 기초하여, 상기 협착 영역에서 산출되는 협착 혈관 직경을 결정할 수 있다. 상기 프로세서는, 상기 기준 혈관 직경과 상기 협착 혈관 직경의 비교 결과에 기초하여 상기 협착 스코어를 산출할 수 있다.
상기 프로세서는, 상기 혈관 직경의 분포 중 상기 비교 영역의 제1 영역에 대한 부분 분포로부터 제1 혈관 직경을 추출할 수 있다. 상기 프로세서는, 상기 혈관 직경의 분포 중 상기 비교 영역의 제2 영역에 대한 부분 분포로부터 제2 혈관 직경으로 추출할 수 있다. 상기 프로세서는, 상기 제1 혈관 직경 및 상기 제2 혈관 직경에 기초하여, 정상 혈관에 대응하는 기준 혈관 직경을 산출할 수 있다. 상기 프로세서는, 상기 혈관 직경의 분포 중 상기 협착 영역에 대한 부분 분포의 최솟값을 상기 협착 영역의 혈관에 대응하는 협착 혈관 직경으로 추출할 수 있다. 상기 프로세서는, 상기 산출된 기준 혈관 직경 및 상기 추출된 협착 혈관 직경의 비교 결과에 기초하여, 상기 협착 스코어를 산출할 수 있다.
도 1은 일 실시예에 따른 혈관 분석 장치를 설명하기 위한 도면이다.
도 2은 일 실시예에 따른 혈관 분석 장치가 기계 학습 모델에 기초하여 협착 스코어를 산출하는 동작을 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 혈관 분석 장치가 혈관의 기준선을 이용하여 비교 영역을 결정하는 동작을 설명하기 위한 도면이다.
도 4은 일 실시예에 따른 혈관 분석 장치가 혈관 직경의 분포에 기초하여 협착 스코어를 산출하는 동작을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 혈관 분석 장치가 기계 학습 모델에 기초하여 석회화 스코어를 산출하는 동작을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 혈관 분석 장치가 기계 학습 모델에 기초하여 플라그 영역을 검출하는 동작을 설명하기 위한 도면이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 일 실시예에 따른 혈관 분석 장치를 설명하기 위한 도면이다.
일 실시예에 따른 혈관 분석 장치(100)는, 기계 학습 모델을 이용하여 혈관 영상을 처리할 수 있다. 혈관 분석 장치(100)는, 혈관 영상을 처리함으로써, 협착 스코어(stenosis score), 석회화 스코어(calcification score), 또는 플라그 영역(plaque area) 중 적어도 하나를 획득할 수 있다.
예를 들어, 혈관 분석 장치(100)는, 혈관 영상으로부터 협착 스코어를 산출할 수 있다. 협착 스코어는, 혈관 영역의 적어도 일부에 나타난 혈관이 정상 혈관(normal vessel)에 비하여 협착된 정도를 나타내는 점수를 포함할 수 있다.
예를 들어, 혈관 분석 장치(100)는, 혈관 영상으로부터 석회화 스코어를 산출할 수 있다. 석회화 스코어는 혈관의 석회화의 정도를 나타내는 점수를 포함할 수 있다. 석회화(calcification)는 칼슘이 과도하게 침착되어 몸의 조직 또는 기관이 돌처럼 단단해지는 것을 의미할 수 있다. 석회질은 혈관이나 관절, 유방 등 다양한 부위에서 생길 수 있고, 경우에 따라 암으로 진행할 가능성이 존재할 수 있다. 혈관의 석회화는 혈관 벽을 구성하는 3 개의 층들 중에서 중간층인 근육 층에 칼슘이 쌓이는 것을 의미할 수 있다. 혈관은 탄력을 가지는 상태에서, 혈관의 석회화가 진행됨에 따라 탄력을 잃은 상태로 변경될 수 있다. 혈관의 탄력이 감소함에 따라 혈액 흐름은 원할하지 못하게 변경될 수 있고, 혈전 발생 가능성이 높아질 수 있다.
예를 들어, 혈관 분석 장치(100)는, 혈관 영상으로부터 플라그 영역을 검출할 수 있다. 플라그 영역은, 예시적으로, 혈관 영역 중 취약성 경화반에 대응하는 부분 영역을 포함할 수 있다. 취약성 경화반은, 적절한 자극에 노출 시 혈전 형성의 위험을 가지는 경화반으로서, 조직 학적 연구에 따라 지질이 많은 핵(lipid rich core)과 대식세포의 침윤이 많은 섬유막(fibrous cap)을 가지는 경화반을 포함할 수 있다. 예를 들어, 취약성 경화반은 경화반 파열이나 혈전 형성이 일어나기 쉬운 경화반 및 병변의 빠른 진행으로 심한 협착이 발생하는 경화반을 포함할 수 있다.
일 실시예에 따르면, 혈관 분석 장치(100)는, 입력부(110), 프로세서(120), 및 메모리(130)를 포함할 수 있다.
입력부(110)는, 환자의 혈관에 대하여 촬영된 혈관 영상을 획득할 수 있다. 일 실시예에 따르면, 혈관 분석 장치(100)와 구분된 외부 장치는 혈관 영상에 대응하는 데이터를 생성할 수 있다. 입력부(110)는, 외부 장치로부터 혈관 영상을 유선 및/또는 무선으로 수신하는 인터페이스를 포함할 수 있다. 일 실시예에 따르면, 혈관 영상에 대응하는 데이터를 생성하는 장치가 혈관 분석 장치(100)에 집적되는 경우, 입력부(110)는 혈관 영상에 대응하는 데이터를 생성함으로써 혈관 영상을 획득할 수 있다.
프로세서(120)는, 입력부(110)를 통해 획득된 혈관 영상(111)을 분석함으로써, 협착 스코어(114), 석회화 스코어(115), 또는 플라그 영역(미도시됨) 중 적어도 하나를 획득할 수 있다. 예시적으로, 프로세서(120)는, 혈관 영상(111)에 기계 학습 모델(112)를 적용함으로써, 혈관 영역 및 협착 영역을 검출할 수 있다. 프로세서(120)는, 획득된 혈관 영역 및 협착 영역에 기초하여, 협착 스코어(114)를 산출할 수 있다. 예시적으로, 프로세서(120)는, 기계 학습 모델(112)에 기초하여 검출된 혈관 영역의 석회화된 정도를 나타내는 석회화 스코어(115)를 산출할 수 있다. 예시적으로, 프로세서(120)는, 혈관 영상(111)을 기계 학습 모델(112)에 적용함으로써 혈관 영역과 함께 플라그 영역을 검출할 수 있다.
메모리(130)는, 입력부(110)를 통해 획득된 혈관 영상(111)을 저장할 수 있다. 메모리(130)는, 혈관 영상(111)의 분석을 위한 명령어들을 저장할 수 있다. 메모리(130)는, 혈관 영상(111)의 분석을 통해 산출된 협착 스코어(114) 및/또는 석회화 스코어(115)를 저장할 수 있다.
출력부(140)는, 혈관 영상(111)을 표시할 수 있다. 출력부(140)는, 혈관 영역, 석회화 영역, 또는 플라그 영역 중 적어도 하나를 지시하는 그래픽 표현을 혈관 영상(111)에 출력할 수 있다. 일 실시예에 따르면, 출력부(140)는 디스플레이로 구현될 수 있다.
도 2은 일 실시예에 따른 혈관 분석 장치가 기계 학습 모델에 기초하여 협착 스코어를 산출하는 동작을 설명하기 위한 도면이다.
일 실시예에 따른 혈관 분석 장치(예: 도1의 혈관 분석 장치(110))는, 기계 학습 모델을 이용하여 혈관 영상으로부터 혈관 영역과, 혈관 중 협착된 부분에 대응하는 협착 영역을 검출할 수 있다. 협착 영역은 혈관 영역의 일부 영역으로 검출될 수 있다. 혈관 분석 장치는 검출된 혈관 영역 및 협착 영역을 분석함으로써, 혈관 중 협착된 부분이 다른 부분에 비해 협착된 정도를 나타내는 협착 스코어를 산출할 수 있다.
단계(210)에서, 혈관 분석 장치는, 혈관 영상으로부터 기계 학습 모델에 기초하여 혈관 영역 및 협착 영역(stenosis area)을 검출할 수 있다. 혈관 영역은 혈관 영상에 나타난 혈관에 대응할 수 있다.
혈관 영상은, 혈관이 나타나는 의료 영상을 포함할 수 있다. 예시적으로, 혈관 영상은, CT 영상, MRI 영상, X-ray 영상, 또는 PET 영상 중 적어도 하나를 포함할 수 있다. 혈관 영상은, 의료 영상에 나타난 혈관 중 대상 혈관에 대한 전처리를 수행하여 획득된 의료 영상을 포함할 수 있다. 대상 혈관은, 의료 영상에 나타난 혈관이 하나 이상의 브랜치들(branches)을 가지는 경우, 분석의 대상이 되는 혈관의 일부(예: 하나의 브랜치)를 의미할 수 있다. 예시적으로, 대상 혈관은 의료인에 의하여 선택된 주요 혈관으로서, 관상동맥(coronary artery)으로 선택될 수 있다. 혈관 영상은, 의료 영상에 나타난 혈관 중 대상 혈관을 강조하고 대상 혈관과 다른 혈관을 희미하게 의료 영상을 처리함으로써 획득될 수 있다. 예를 들어, 혈관 영상은 대상 혈관에 대응하는 영역과 다른 영역 간의 대비(contrast)를 증가시키고, 대상 혈관과 다른 혈관과 다른 영역(예: 장기에 대응하는 영역) 간의 대비를 감소시킴으로써 획득될 수 있다. 일 실시예에 따르면, 혈관 영상은 의료 영상을 기준 평면으로 변환함으로써 획득된 MPR 영상(multiplanar reformation image)일 수 있다. 일 실시예에 따른 혈관 분석 장치는, 대상 혈관을 강조하고 다른 혈관을 희미하도록 처리된 의료 영상에 기초하여 혈관을 분석함으로써, 적은 연산량으로 신속하게 혈관 분석을 수행할 수 있다. 혈관 분석 장치는, 임상적으로 빠른 혈관 분석을 요구하는 상황(예: 응급 상황)에서 높은 민감도(sensitivity)로 스크리닝(screening)에 이용될 수 있다.
기계 학습 모델은, 혈관 영상에 적용됨으로써 혈관에 대응하는 혈관 영역을 검출하도록 트레이닝된 분할 모델(segmentation model)을 포함할 수 있다. 기계 학습 모델은, 혈관 영역과 함께 혈관 중 협착된 부분에 대응하는 협착 영역을 더 검출하도록 트레이닝될 수 있다. 도 6에서 후술하겠으나, 기계 학습 모델은, 혈관 영역과 함께 취약성 경화반에 대응하는 플라그 영역을 더 검출하도록 트레이닝될 수 있다. 일 실시예에 따르면, 기계 학습 모델은, 뉴럴 네트워크 모델(neural network model)로 구현될 수 있다. 예시적으로, 기계 학습 모델은 U-net에 기초한 모델로 구현될 수 있다.
협착 영역은 혈관 중 협착된 부분에 대응할 수 있다. 일 실시예에 따르면, 협착 영역은 혈관 영역의 일부 영역으로 검출될 수 있다. 혈관 영역은, 협착 영역과 구분되는 영역으로서, 정상 혈관에 대응하는 일부 영역(예: 혈관 영역으로부터 협착 영역을 제외한 나머지 영역)을 가질 수 있다.
일 실시예에 따르면, 혈관 분석 장치는, 혈관 영역 중 협착 영역과 다른 영역에서, 혈관의 길이 방향을 따라 감소하는 경향(tendency)의 혈관 직경을 가지는 혈관 영역을 검출할 수 있다. 기계 학습 모델에 기초하여 검출된 혈관 영역 중에서 협착 영역과 다른 영역(예: 정상 혈관에 대응하는 영역)은, 혈관의 길이 방향을 따라 감소하는 경향의 혈관 직경을 가질 수 있다. 혈관 영상에 나타난 혈관 중 협착된 부분(예: 협착 부분 혈관)과 다른 부분(예: 정상 부분 혈관)은, 혈관의 길이 방향을 따라 감소하는 경향의 혈관 직경을 가질 수 있다. 협착된 부분은, 다른 부분의 혈관 직경의 경향과 독립적으로(예: 경향과 무관하게) 다른 부분의 적어도 일부보다 더 작은 혈관 직경을 가질 수 있다. 예시적으로, 협착된 부분은, 다른 부분의 혈관 직경의 경향을 벗어나는 혈관 직경을 가질 수 있다.
단계(220)에서, 혈관 분석 장치는 혈관 영역 중 일부 영역을 협착 영역에 대한 비교 영역으로 결정할 수 있다. 혈관 분석 장치는 협착 영역의 길이에 기초하여, 비교 영역을 결정할 수 있다. 예를 들어, 혈관 분석 장치는 협착 영역의 길이에 기초한 길이를 가지는 비교 영역을 결정할 수 있다.
일 실시예에 따르면, 혈관 분석 장치는 혈관 영역에 대한 기준선(reference line)을 결정할 수 있다. 기준선은, 혈관의 기준선으로서, 혈관의 길이 방향에 따른 선을 포함할 수 있다. 혈관의 기준선은, 예시적으로, 혈관의 관내강(lumen)의 중심 지점들을 가지는 중심선(centerline)을 포함할 수 있다. 혈관 분석 장치는, 혈관 영역에 대한 기준선 중 협착 영역이 대응하는 부분 기준선에 기초하여 다른 부분 중심선을 결정할 수 있다. 협착 영역이 대응하는 부분 기준선은, 혈관 중 협착된 부분(예: 협착 부분 혈관)에 관한 기준선의 일부를 의미할 수 있다. 협착 영역이 대응하는 부분 기준선은, 기준선 중 협착 영역에 포함된 기준선의 일부를 의미할 수 있다. 예를 들어, 혈관 분석 장치는, 부분 기준선과 인접하고 부분 기준선의 길이와 같은 길이를 가지는 적어도 하나의 다른 부분 기준선을 결정할 수 있다. 혈관 분석 장치는, 결정된 다른 부분 기준선에 대응하는 영역을 비교 영역으로 결정할 수 있다.
일 실시예에 따르면, 혈관 분석 장치는 혈관 영역 중에서 협착 영역의 협착된 부분과 인접한 정상 혈관에 대응하는 비교 영역을 결정할 수 있다. 예를 들어, 혈관 분석 장치는, 혈관 영역 중 협착 영역과 다른 영역(예: 정상 혈관에 대응하는 영역) 중 일부를 비교 영역으로 결정할 수 있다. 비교 영역은, 협착된 부분과 인접한 정상 혈관에 관한 영역이므로, 협착 영역에서의 협착된 부분 혈관이 협착되지 않았다면(예: 정상 혈관이면) 혈관 영상에 나타날 가능성이 높은 정상 혈관에 관한 영역으로 결정될 수 있다.
일 실시예에 따르면, 혈관 분석 장치는, 협착 영역을 기준으로 혈관의 길이 방향을 따라 양쪽에 위치한 제1 영역 및 제2 영역을 비교 영역으로 결정할 수 있다. 예를 들어, 제1 영역은, 협착 영역의 혈관보다 근위 혈관(proximal vessel)에 대응할 수 있다. 근위 혈관은, 비교 기준(예: 협착 영역의 혈관)보다 몸의 중심(예: 심장)에 가까운 혈관을 나타낼 수 있다. 제2 영역은, 협착 영역의 혈관보다 원위 혈관(distal vessel)에 대응할 수 있다. 원위 혈관은, 비교 기준(예: 협착 영역의 혈관)보다 몸의 중심(예: 심장)으로부터 먼 혈관을 나타낼 수 있다. 예를 들어, 혈관 분석 장치는, 제1 영역 및 제1 영역의 혈관 직경의 중앙값보다 작은 혈관 직경의 중앙값을 가지는 제2 영역을 비교 영역으로 결정할 수 있다. 제2 영역의 혈관 직경의 중앙값(median)은, 제1 영역의 혈관 직경의 중앙값보다 작을 수 있다. 혈관은, 몸의 중심(예: 심장)으로부터 멀어질수록 감소하는 경향의 혈관 직경을 가질 수 있다. 제1 영역이 제2 영역보다 몸의 중심(예: 심장)으로부터 근위 혈관인 경우, 제1 영역의 혈관 직경의 중앙값이 제2 영역의 혈관 직경의 중앙값보다 클 수 있다.
비교 영역의 결정에 관한 예시는 도 3에서 후술한다.
단계(230)에서, 혈관 분석 장치는 혈관 영역에서 혈관의 길이 방향에 따른 혈관 직경의 분포에 기초하여, 협착 스코어(stenosis score)를 산출할 수 있다. 협착 스코어는, 협착 영역의 혈관이 비교 영역의 혈관에 비해 협착된 정도를 나타낼 수 있다. 예를 들어, 혈관 분석 장치는, 비교 영역에 대한 혈관 직경의 분포로부터 기준 혈관 직경을 결정할 수 있다. 혈관 분석 장치는, 협착 영역에 대한 혈관 직경의 분포로부터 협착 혈관 직경을 결정할 수 있다. 혈관 분석 장치는, 기준 혈관 직경 및 협착 혈관 직경에 기초하여 협착 스코어를 산출할 수 있다. 협착 스코어의 산출은 도 4에서 후술한다.
도 3은 일 실시예에 따른 혈관 분석 장치가 혈관의 기준선을 이용하여 비교 영역을 결정하는 동작을 설명하기 위한 도면이다.
일 실시예에 따른 혈관 분석 장치는 기계 학습 모델에 기초하여 혈관 영상으로부터 혈관 영역(310) 및 협착 영역(320)을 검출할 수 있다.
혈관 분석 장치는, 혈관 영역(310)에 기초하여 혈관의 기준선(330)을 결정할 수 있다. 도 3에서 도시된 바와 같이, 예시적으로, 혈관 분석 장치는, 혈관 영역(310)에 나타난 혈관의 기준선(330)을 중심선으로 결정할 수 있다. 중심선은, 혈관 영역(310)에 나타난 혈관의 관내강의 중심 지점들을 가지는 선을 의미할 수 있다.
혈관 분석 장치는 혈관 영역(310)에 대한 기준선(330) 중 협착 영역(320)에 대한 부분 기준선(331)을 결정할 수 있다. 부분 기준선(331)은, 기준선(330) 중 협착 영역(320)에 속하는 부분으로 결정될 수 있다. 부분 기준선(331)은, 혈관 영역(310)의 혈관 중 협착된 부분에 대한 부분 기준선을 포함할 수 있다.
혈관 분석 장치는 부분 기준선(331)에 기초하여 다른 부분 중심선을 결정할 수 있다. 다른 부분 기준선은, 혈관 영역(310)의 혈관 중 협착된 부분과 다른 부분(예: 정상 부분 혈관)에 대한 부분 기준선을 포함할 수 있다. 도 3에서 나타난 바와 같이, 예시적으로, 혈관 분석 장치는, 부분 기준선(331)에 기초하여, 제1 부분 기준선(332a) 및 제2 부분 기준선(332b)를 다른 부분 기준선으로 결정할 수 있다.
예를 들어, 혈관 분석 장치는 부분 기준선과 인접한 다른 부분 기준선을 결정할 수 있다. 예시적으로, 혈관 분석 장치는, 부분 기준선(331)과 인접한 제1 부분 기준선(332a) 또는 제2 부분 기준선(332b) 중 적어도 하나를 다른 부분 기준선으로 결정할 수 있다.
예를 들어, 혈관 분석 장치는, 부분 기준선의 길이에 기초한 길이(예: 부분 기준선의 길이와 같은 길이)를 가지는 다른 부분 기준선을 결정할 수 있다. 예시적으로, 혈관 분석 장치는, 부분 기준선(331)의 길이와 같은 길이를 각각 가지는 제1 부분 기준선(332a) 및 제2 부분 기준선(332b)를 다른 부분 기준선으로 결정할 수 있다.
예를 들어, 혈관 분석 장치는, 부분 기준선을 기준으로 혈관의 길이 방향(또는 혈관의 중심선의 길이 방향)을 따라 양쪽에 위치한 다른 부분 기준선을 결정할 수 있다. 예시적으로, 혈관 분석 장치는, 부분 기준선을 기준으로 혈관의 길이 방향을 따라 양쪽에 위치한 제1 부분 기준선(332a) 및 제2 부분 기준선(332b)을 다른 부분 기준선으로 결정할 수 있다. 예를 들어, 제1 부분 기준선(332a)은 부분 기준선(331)(또는 부분 기준선(331)에 대응하는 혈관의 협착된 부분)보다 근위 혈관에 대응할 수 있다. 제2 부분 기준선(332b)은 부분 기준선(331)(또는 부분 기준선(331)에 대응하는 혈관의 협착된 부분)보다 원위 혈관에 대응할 수 있다.
혈관 분석 장치는, 결정된 다른 부분 기준선에 대응하는 영역을 비교 영역으로 결정할 수 있다. 혈관 분석 장치는, 혈관 중 협착된 부분과 다른 부분(예: 정상 부분 혈관)에 대한 영역을 비교 영역으로 결정할 수 있다.
예를 들어, 혈관 분석 장치는 부분 기준선과 인접한 다른 부분 기준선에 기초하여, 협착 영역의 협착된 부분과 인접한 정상 혈관에 대응하는 비교 영역을 결정할 수 있다. 예를 들어, 혈관 분석 장치는, 부분 기준선의 길이에 기초한 길이를 가지는 다른 부분 기준선에 기초하여, 협착 영역의 길이에 기초한 길이를 가지는 비교 영역을 결정할 수 있다.
예를 들어, 혈관 분석 장치는, 부분 기준선을 기준으로 혈관의 길이 방향을 따라 양쪽에 위치한 다른 부분 기준선(예: 제1 부분 기준선(332a) 및 제2 부분 기준선(332b))에 기초하여, 협착 영역을 기준으로 혈관의 길이 방향을 따라 양쪽에 위치한 제1 영역 및 제2 영역을 비교 영역으로 결정할 수 있다. 예시적으로, 혈관 분석 장치는, 제1 부분 기준선(332a)에 대응하는 제1 영역 및 제2 부분 기준선(332b)에 대응하는 제2 영역을 비교 영역으로 결정할 수 있다. 제1 부분 기준선(332a)이 협착 부분 혈관보다 근위 혈관에 대응하므로, 제1 영역은 협착 영역(320)의 혈관보다 근위 혈관에 대응할 수 있다. 제2 부분 기준선(332b)이 협착 부분 혈관보다 근위 혈관에 대응하므로, 제1 영역은 협착 영역(320)의 혈관보다 근위 혈관에 대응할 수 있다.
도 4은 일 실시예에 따른 혈관 분석 장치가 혈관 직경의 분포에 기초하여 협착 스코어를 산출하는 동작을 설명하기 위한 도면이다.
일 실시예에 따른 혈관 분석 장치는, 기계 학습 모델을 이용하여 혈관 영역 및 협착 영역을 검출하고, 협착 영역에 대한 비교 영역을 결정할 수 있다.
혈관 분석 장치는, 협착 영역의 혈관이 비교 영역의 혈관에 비해 협착된 정도를 나타내는 협착 스코어를 산출할 수 있다. 혈관 분석 장치는, 혈관 영역에서 혈관의 길이 방향에 따른 혈관 직경의 분포(430)에 기초하여 협착 스코어를 산출할 수 있다. 혈관 직경의 분포(430)는, 혈관의 기준선을 따라 획득된 혈관 직경을 가질 수 있다. 예시적으로, 혈관 직경은, 혈관의 기준선 중 한 지점에서 혈관의 기준선에 수직한 평면(또는 직선)과 혈관 영역의 중첩된 면적(또는 길이)로 획득될 수 있다.
도 4에서, 혈관 직경의 분포(430)는, 혈관 영역의 적어도 일부에 대한 혈관 직경의 분포를 나타낼 수 있다. 혈관 직경의 분포(430)는, 비교 영역에 대한 부분 분포(예: 부분 분포(432a), 부분 분포(432b)) 및 협착 영역에 대한 부분 분포(431)를 포함할 수 있다.
혈관 영역 중에서, 협착 영역과 다른 영역(예: 비교 영역)은, 혈관의 길이 방향을 따라 감소하는 경향의 혈관 직경을 가질 수 있다. 예시적으로, 도 4에서 나타난 바와 같이, 비교 영역에 대한 혈관 직경의 분포(예: 부분 분포(432a), 부분 분포(432b))에서, 혈관의 기준선의 제1 지점에서의 혈관 직경은, 기준점(예: 몸의 중심(예: 심장)에 가장 가까운 기준선 상의 지점)으로부터 제1 지점보다 더 먼 제2 지점에서의 혈관 직경보다 클 수 있다. 비교 영역은, 협착 영역보다 근위 혈관에 대응하는 제1 영역 및 협착 영역보다 원위 혈관에 대응하는 제2 영역을 포함할 수 있다. 예시적으로, 도 4에서, 부분 분포(432a)는 혈관 직경의 분포(430) 중 제1 영역에 대한 부분 분포를 나타낼 수 있고, 부분 분포(432b)는 혈관 직경의 분포(430) 중 제1 영역에 대한 부분 분포를 나타낼 수 있다. 제2 영역의 혈관 직경의 중앙값이 제1 영역의 혈관 직경의 중앙값보다 작은 경우, 제2 영역에 대한 부분 분포(432b)의 중앙값은, 제1 영역에 대한 부분 분포(432a)의 중앙값보다 작을 수 있다.
일 실시예에 따른 혈관 분석 장치는, 혈관 직경의 분포(430)로부터 협착 영역 및 비교 영역에 대응하는 혈관 직경들을 추출할 수 있다. 혈관 분석 장치는, 추출된 혈관 직경들을 이용하여 협착 스코어를 산출할 수 있다.
일 실시예에 따르면, 혈관 분석 장치는, 비교 영역에 대한 혈관 직경의 분포에 기초하여, 기준 혈관 직경(reference vessel diameter; RVD)을 결정할 수 있다. 기준 혈관 직경은, 협착 영역에서 정상 혈관의 직경으로 추정되는 혈관의 직경을 의미할 수 있다. 예시적으로, 기준 혈관 직경은, 협착 영역의 혈관이 협착되지 않았다면(예: 협착 영역에서 정상 혈관이 존재했다면) 획득될 것으로 추정되는 혈관의 직경을 포함할 수 있다. 협착 영역의 혈관은 협착된 혈관이므로, 기준 혈관 직경은, 협착 영역과 다르고 정상 혈관에 대응하는 영역(예: 비교 영역)에 대한 혈관 직경의 분포에 기초하여 결정될 수 있다.
예를 들어, 혈관 분석 장치는, 제1 영역 및 제2 영역을 포함하는 비교 영역에 대한 혈관 직경의 분포(430)로부터 기준 혈관 직경을 결정할 수 있다.
혈관 분석 장치는, 혈관 직경의 분포(430) 중 비교 영역의 제1 영역에 대한 부분 분포(432a)로부터 제1 혈관 직경을 추출할 수 있다. 제1 혈관 직경은, 제1 영역의 혈관 직경을 대표하는 값으로, 예시적으로, 제1 영역에 대한 부분 분포(432a)의 중앙값(median)을 제1 혈관 직경으로 추출할 수 있다. 도 4에서, 제1 영역이 협착 영역의 혈관보다 근위 혈관에 대응하는 경우, 부분 분포(432a)의 중앙값을 근위 혈관의 혈관 직경을 대표하는 제1 혈관 직경(RVDproximal)으로 추출할 수 있다.
혈관 분석 장치는, 혈관 직경의 분포(430) 중 비교 영역의 제2 영역에 대한 부분 분포(432b)로부터 제2 혈관 직경으로 추출할 수 있다. 제2 혈관 직경은, 제2 영역의 혈관 직경을 대표하는 값으로, 예시적으로, 제2 영역에 대한 부분 분포(432b)의 중앙값(median)을 제2 혈관 직경으로 추출할 수 있다. 도 4에서, 제2 영역이 협착 영역의 혈관보다 원위 혈관에 대응하는 경우, 부분 분포(432b)의 중앙값을 원위 혈관의 혈관 직경을 대표하는 제2 혈관 직경(RVDdistal)으로 추출할 수 있다.
본 명세서에서 제1 혈관 직경 및 제2 혈관 직경을 부분 분포의 중앙값으로 주로 설명하나, 이에 한정하는 것은 아니다. 예를 들어, 혈관 분석 장치는 부분 분포의 최솟값(minimum value), 최빈값(mode), 최댓값(maximum value), 또는 평균(mean) 중 하나 또는 둘 이상의 조합을 혈관 직경(예: 제1 혈관 직경, 제2 혈관 직경)으로 추출할 수도 있다.
혈관 분석 장치는, 혈관 직경의 분포로부터 추출된 비교 영역에 대응하는 혈관 직경에 기초하여, 기준 혈관 직경을 산출할 수 있다. 예를 들어, 혈관 분석 장치는, 제1 혈관 직경 및 제2 혈관 직경에 기초하여, 기준 혈관 직경을 산출할 수 있다. 예를 들어, 혈관 분석 장치는 제1 혈관 직경 및 제2 혈관 직경의 평균을 기준 혈관 직경으로 산출할 수 있다. 예시적으로, 혈관 분석 장치는 하기 수학식 1에 따라 기준 혈관 직경을 산출할 수 있다.
[수학식 1]
여기서, 는 제1 혈관 직경을 나타낼 수 있고, 는 제2 혈관 직경을 나타낼 수 있으며, 은 기준 혈관 직경을 나타낼 수 있다.
혈관 분석 장치는, 협착 영역에 대한 혈관 직경의 분포에 기초하여, 협착 영역에서 산출되는 협착 혈관 직경을 결정할 수 있다. 협착 혈관 직경은, 협착 영역의 혈관 직경을 대표하는 값으로, 협착 영역의 혈관(예: 협착 부분 혈관)에 대응할 수 있다. 예시적으로, 도 4에서 나타난 바와 같이, 혈관 분석 장치는, 협착 영역에 대한 부분 분포의 최솟값(minimum value)을 협착 혈관 직경으로 추출할 수 있다. 도 4에서, 협착 혈관 직경은, 최소 내강 직경(minimum luminal diameter; MLD)로 도시된다.
본 명세서에서 협착 혈관 직경을 협착 영역에 대한 부분 분포(431)의 최솟값으로 주로 설명하나, 이에 한정하는 것은 아니다. 예를 들어, 혈관 분석 장치는 부분 분포의 중앙값(median), 최빈값(mode), 최댓값(maximum value), 또는 평균(mean) 중 하나 또는 둘 이상의 조합을 협착 혈관 직경으로 추출할 수도 있다.
혈관 분석 장치는, 기준 혈관 직경 및 협착 혈관 직경의 비교 결과에 기초하여 협착 스코어를 산출할 수 있다. 예를 들어, 혈관 분석 장치는, 기준 혈관 직경 및 협착 혈관 직경의 차이에 기초하여, 협착 스코어를 산출할 수 있다. 혈관 분석 장치는, 기준 혈관 직경에 대한 기준 혈관 직경 및 협착 직경의 차이의 비율을 협착 스코어로 산출할 수 있다. 협착 스코어는 0 이상 1 이하의 범위에 속하는 값으로 산출될 수 있고, 협착 스코어가 클수록 협착된 부분이 다른 부분(예: 비교 영역의 혈관)에 비해 협착된 정도가 강한 것을 나타낼 수 있다. 반대로, 협착 스코어가 작을수록 협착된 부분이 다른 부분(예: 비교 영역의 혈관)에 비해 협착된 정도가 약한 것을 나타낼 수 있다.
일 실시예에 따르면, 혈관 분석 장치는 하기 수학식 2에 따라 협착 스코어(stenosis score; SS)를 산출할 수 있다.
[수학식 2]
여기서, 은 기준 혈관 직경을 나타낼 수 있고, 는 협착 혈관 직경을 나타낼 수 있으며, 는 협착 스코어를 나타낼 수 있다.
도 5는 일 실시예에 따른 혈관 분석 장치가 기계 학습 모델에 기초하여 석회화 스코어를 산출하는 동작을 설명하기 위한 도면이다.
일 실시예에 따른 혈관 분석 장치는, 혈관 영상(510)에 기계 학습 모델을 적용함으로써 혈관 영역(511)을 검출할 수 있다.
혈관 분석 장치는, 혈관 영역(511) 중에서 석회화 영역(521)을 검출할 수 있다. 혈관 분석 장치는, 혈관 영상의 픽셀들 각각에 대하여, 해당 픽셀의 픽셀 값을 이용하여 해당 픽셀이 석회화 영역(521)에 속하는지 여부를 결정할 수 있다.
일 실시예에 따르면, 혈관 분석 장치는 혈관 영역(511)을 석회화 영역(521) 및 석회화 영역과 다른 영역(522)(예: 석회화가 진행되지 않은 정상 영역)으로 구분하기 위한 임계 값을 결정할 수 있다. 혈관 분석 장치는, 혈관 영상의 픽셀 값을 임계 값과 비교함으로써 석회화 영역(521)을 검출할 수 있다. 혈관 영역(511) 중 혈관 중 석회화된 지점은, 석회화되지 않은 지점(예: 정상 지점)보다 더 높은 픽셀 값을 가질 수 있다. 혈관 분석 장치는, 결정된 임계 값을 초과하는 픽셀 값을 가지는 픽셀을 석회화된 픽셀로 분류할 수 있다. 혈관 분석 장치는, 결정된 임계 값 이하의 픽셀 값을 가지는 픽셀을 석회화되지 않은 픽셀(예: 정상 픽셀)로 분류할 수 있다. 혈관 분석 장치는, 석회화된 픽셀로 분류된 픽셀들을 가지는 석회화 영역(521)을 검출할 수 있다.
혈관 분석 장치는 혈관 영역(511) 및 석회화 영역(521)에 기초하여 석회화 스코어(calcification score)를 산출할 수 있다. 석회화 스코어는, 혈관이 석회화된 정도를 나타낼 수 있다.
일 실시예에 따르면, 혈관 분석 장치는 혈관 영역(511)에 대한 석회화 영역(521)의 비율에 기초하여 석회화 스코어를 산출할 수 있다. 예를 들어, 혈관 분석 장치는, 혈관 영역(511)의 픽셀들의 개수에 대한 석회화 영역(521)에 속하는 픽셀들의 개수의 비율을 석회화 스코어로 산출할 수 있다. 다른 예를 들어, 혈관 분석 장치는, 석회화 영역과 다른 영역(522)(예: 혈관 영역 중 석회화 영역을 제외한 나머지 영역)에 속하는 픽셀들의 개수에 대한 석회화 영역(521)에 속하는 픽셀들의 개수의 비율을 석회화 스코어로 산출할 수 있다.
예시적으로, 혈관 분석 장치는 다음의 수학식 3에 따라 석회화 스코어를 산출할 수 있다.
[수학식 3]
여기서, 는 혈관 영역에 속하는 픽셀들의 개수를 나타낼 수 있고, 는 석회화 영역에 속하는 픽셀들의 개수를 나타낼 수 있으며, 는 석회화 스코어를 나타낼 수 있다.
혈관 분석 장치는, 검출된 석회화 영역(521)을 시각화할 수 있다. 예를 들어, 혈관 분석 장치는, 혈관 영상(510)에 석회화 영역(521)을 지시하는 그래픽 표현을 출력할 수 있다. 혈관 분석 장치는, 혈관 영상(510)에 혈관 영역(511) 및 석회화 영역(521) 각각을 지시하는 그래픽 표현을 표시하여 출력할 수 있다.
도 6은 일 실시예에 따른 혈관 분석 장치가 기계 학습 모델에 기초하여 플라그 영역을 검출하는 동작을 설명하기 위한 도면이다.
일 실시예에 따른 혈관 분석 장치는, 혈관 영상(610)에 기계 학습 모델(620)을 적용함으로써 혈관 영역(631)과 함께 플라그 영역(631)을 검출할 수 있다. 플라그 영역은, 취약성 경화반(vulnerable plaque)에 대응하는 영역을 나타낼 수 있다.
기계 학습 모델은, 혈관 영상에 적용됨으로써 혈관에 대응하는 혈관 영역을 검출하도록 트레이닝된 분할 모델(segmentation model)을 포함할 수 있다. 기계 학습 모델은, 혈관 영역과 함께 혈관 중 취약성 경화반에 대응하는 플라그 영역을 더 검출하도록 트레이닝될 수 있다. 일 실시예에 따르면, 기계 학습 모델은, 뉴럴 네트워크 모델(neural network model)로 구현될 수 있다. 예시적으로, 기계 학습 모델은 U-net에 기초한 모델로 구현될 수 있다.
일 실시예에 따르면, 혈관 분석 장치가 복수의 기계 학습 모델들을 이용하여 혈관 영역, 협착 영역, 및 플라그 영역을 검출할 수 있다. 혈관 분석 장치는, 혈관 영상에 제1 기계 학습 모델을 적용함으로써, 혈관 영역 및 협착 영역을 검출할 수 있다. 혈관 분석 장치는, 혈관 영상에 제2 기계 학습 모델을 적용함으로써, 혈관 영역 및 플라그 영역을 검출할 수 있다. 제1 기계 학습 모델과 제2 기계 학습 모델은, 같은 구조를 가지고 서로 다른 가중치를 가질 수 있다. 예시적으로, 제1 기계 학습 모델 및 제2 기계 학습 모델 각각은, U-net에 기초한 모델로 구현될 수 있다. 제1 기계 학습 모델은, 제2 기계 학습 모델과 구분되어 트레이닝될 수 있다. 본 명세서에서, 협착 영역의 검출에 이용되는 기계 학습 모델은, 플라그 영역의 검출에 이용되는 기계 학습 모델과 구분된 모델로 주로 설명되나, 이에 한정하는 것은 아니다. 예를 들어, 혈관 분석 장치는 혈관 영상에 기계 학습 모델을 적용함으로써, 혈관 영역, 협착 영역, 및 플라그 영역을 검출할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (21)

  1. 혈관 분석 장치에 의하여 수행되는 방법에 있어서,
    혈관 영상으로부터 기계 학습 모델에 기초하여 혈관에 대응하는 혈관 영역(vessel area) 및 상기 혈관 중 협착된 부분에 대응하는 협착 영역(stenosis area)을 검출하는 단계;
    상기 협착 영역의 길이에 기초하여, 상기 혈관 영역 중 일부 영역을 상기 협착 영역에 대한 비교 영역으로 결정하는 단계; 및
    상기 혈관 영역에서 상기 혈관의 길이 방향에 따른 혈관 직경의 분포에 기초하여, 상기 협착 영역의 혈관이 상기 비교 영역의 혈관에 비해 협착된 정도를 나타내는 협착 스코어(stenosis score)를 산출하는 단계
    를 포함하는 방법.
  2. 제1항에 있어서,
    상기 혈관 영역 및 상기 협착 영역을 검출하는 단계는,
    상기 혈관 영역 중 상기 협착 영역과 다른 영역에서, 상기 혈관의 길이 방향을 따라 감소하는 경향(tendency)의 혈관 직경을 가지는 영역을 비교 영역으로 검출하는 단계를 포함하는,
    방법.
  3. 제1항에 있어서,
    상기 비교 영역으로 결정하는 단계는,
    상기 혈관의 기준선 중 상기 협착 영역이 대응하는 부분 기준선에 기초하여 다른 부분 중심선을 결정하는 단계; 및
    상기 결정된 다른 부분 기준선에 대응하는 영역을 비교 영역으로 결정하는 단계를 포함하는,
    방법.
  4. 제1항에 있어서,
    상기 비교 영역으로 결정하는 단계는,
    상기 혈관 영역 중에서, 상기 협착 영역의 상기 협착된 부분과 인접한 정상 혈관(normal vessel)에 대응하는 비교 영역을 결정하는 단계를 포함하는,
    방법.
  5. 제1항에 있어서,
    상기 비교 영역으로 결정하는 단계는,
    상기 협착 영역을 기준으로 상기 혈관의 길이 방향을 따라 양쪽에 위치한 제1 영역 및 제2 영역을 상기 비교 영역으로 결정하는 단계를 포함하는,
    방법.
  6. 제1항에 있어서,
    상기 비교 영역으로 결정하는 단계는,
    상기 협착 영역의 혈관보다 근위 혈관(proximal vessel)에 대응하는 제1 영역 및 원위 혈관(distal vessel)에 대응하는 제2 영역을 상기 비교 영역으로 결정하는 단계를 포함하는,
    방법.
  7. 제1항에 있어서,
    상기 비교 영역으로 결정하는 단계는,
    제1 영역 및 상기 제1 영역의 혈관 직경의 중앙값(median)보다 작은 혈관 직경의 중앙값을 가지는 제2 영역을 상기 비교 영역으로 결정하는 단계를 포함하는,
    방법.
  8. 제1항에 있어서,
    상기 협착 스코어를 산출하는 단계는,
    상기 혈관 직경의 분포로부터 상기 협착 영역 및 상기 비교 영역에 대응하는 혈관 직경들을 추출하는 단계; 및
    상기 추출된 혈관 직경들을 이용하여 상기 협착 스코어를 산출하는 단계를 포함하는,
    방법.
  9. 제1항에 있어서,
    상기 협착 스코어를 산출하는 단계는,
    상기 비교 영역에 대한 혈관 직경의 분포에 기초하여, 상기 협착 영역에서 정상 혈관의 직경으로 추정되는 기준 혈관 직경(reference vessel diameter)을 결정하는 단계;
    상기 협착 영역에 대한 혈관 직경의 분포에 기초하여, 상기 협착 영역에서 산출되는 협착 혈관 직경을 결정하는 단계; 및
    상기 기준 혈관 직경과 상기 협착 혈관 직경의 비교 결과에 기초하여 상기 협착 스코어를 산출하는 단계를 포함하는,
    방법.
  10. 제1항에 있어서,
    상기 협착 스코어를 산출하는 단계는,
    상기 혈관 직경의 분포 중 상기 비교 영역의 제1 영역에 대한 부분 분포로부터 제1 혈관 직경을 추출하는 단계;
    상기 혈관 직경의 분포 중 상기 비교 영역의 제2 영역에 대한 부분 분포로부터 제2 혈관 직경으로 추출하는 단계;
    상기 제1 혈관 직경 및 상기 제2 혈관 직경에 기초하여, 정상 혈관에 대응하는 기준 혈관 직경을 산출하는 단계;
    상기 혈관 직경의 분포 중 상기 협착 영역에 대한 부분 분포의 최솟값을 상기 협착 영역의 혈관에 대응하는 협착 혈관 직경으로 추출하는 단계; 및
    상기 산출된 기준 혈관 직경 및 상기 추출된 협착 혈관 직경의 비교 결과에 기초하여, 상기 협착 스코어를 산출하는 단계를 포함하는,
    방법.
  11. 제1항에 있어서,
    상기 방법은,
    상기 혈관 영상의 픽셀 값에 기초하여, 상기 혈관 영역 중 석회화 영역(calcification area)을 검출하는 단계; 및
    상기 혈관 영역에 대한 상기 석회화 영역의 비율에 기초하여, 혈관이 석회화된 정도를 나타내는 석회화 스코어(calcification score)를 산출하는 단계
    를 더 포함하는 방법.
  12. 제11항에 있어서,
    상기 방법은,
    상기 혈관 영상에 상기 석회화 영역을 지시하는 그래픽 표현(graphic representation)을 출력하는 단계
    를 더 포함하는 방법.
  13. 제1항에 있어서,
    상기 방법은,
    상기 혈관 영상에 상기 기계 학습 모델을 적용함으로써, 상기 혈관 영역과 함께 취약성 경화반(vulnerable plaque)에 대응하는 플라그 영역을 검출하는 단계
    를 더 포함하는 방법.
  14. 혈관 분석 장치에 있어서,
    혈관 영상으로부터 기계 학습 모델에 기초하여 혈관에 대응하는 혈관 영역(vessel area) 및 상기 혈관 중 협착된 부분에 대응하는 협착 영역(stenosis area)을 검출하고, 상기 협착 영역의 길이에 기초하여, 상기 혈관 영역 중 일부 영역을 상기 협착 영역에 대한 비교 영역으로 결정하며, 상기 혈관 영역에서 상기 혈관의 길이 방향에 따른 혈관 직경의 분포에 기초하여, 상기 협착 영역의 혈관이 상기 비교 영역의 혈관에 비해 협착된 정도를 나타내는 협착 스코어(stenosis score)를 산출하는 프로세서
    를 포함하는 혈관 분석 장치.
  15. 제14항에 있어서,
    상기 프로세서는,
    상기 혈관 영역 중 상기 협착 영역과 다른 영역에서, 상기 혈관의 길이 방향을 따라 감소하는 경향(tendency)의 혈관 직경을 가지는 영역을 비교 영역으로 검출하는,
    혈관 분석 장치.
  16. 제14항에 있어서,
    상기 프로세서는,
    상기 혈관의 기준선 중 상기 협착 영역이 대응하는 부분 기준선에 기초하여 다른 부분 중심선을 결정하고,
    상기 결정된 다른 부분 기준선에 대응하는 영역을 비교 영역으로 결정하는,
    혈관 분석 장치.
  17. 제14항에 있어서,
    상기 프로세서는,
    상기 혈관 영역 중에서, 상기 협착 영역의 상기 협착된 부분과 인접한 정상 혈관(normal vessel)에 대응하는 비교 영역을 결정하는,
    혈관 분석 장치.
  18. 제14항에 있어서,
    상기 프로세서는,
    상기 협착 영역을 기준으로 상기 혈관의 길이 방향을 따라 양쪽에 위치한 제1 영역 및 제2 영역을 상기 비교 영역으로 결정하는,
    혈관 분석 장치.
  19. 제14항에 있어서,
    상기 프로세서는,
    상기 혈관 직경의 분포로부터 상기 협착 영역 및 상기 비교 영역에 대응하는 혈관 직경들을 추출하고,
    상기 추출된 혈관 직경들을 이용하여 상기 협착 스코어를 산출하는,
    혈관 분석 장치.
  20. 제14항에 있어서,
    상기 프로세서는,
    상기 비교 영역에 대한 혈관 직경의 분포에 기초하여, 상기 협착 영역에서 정상 혈관의 직경으로 추정되는 기준 혈관 직경(reference vessel diameter)을 결정하고,
    상기 협착 영역에 대한 혈관 직경의 분포에 기초하여, 상기 협착 영역에서 산출되는 협착 혈관 직경을 결정하며,
    상기 기준 혈관 직경과 상기 협착 혈관 직경의 비교 결과에 기초하여 상기 협착 스코어를 산출하는,
    혈관 분석 장치.
  21. 제14항에 있어서,
    상기 프로세서는,
    상기 혈관 직경의 분포 중 상기 비교 영역의 제1 영역에 대한 부분 분포로부터 제1 혈관 직경을 추출하고,
    상기 혈관 직경의 분포 중 상기 비교 영역의 제2 영역에 대한 부분 분포로부터 제2 혈관 직경으로 추출하며,
    상기 제1 혈관 직경 및 상기 제2 혈관 직경에 기초하여, 정상 혈관에 대응하는 기준 혈관 직경을 산출하고,
    상기 혈관 직경의 분포 중 상기 협착 영역에 대한 부분 분포의 최솟값을 상기 협착 영역의 혈관에 대응하는 협착 혈관 직경으로 추출하고,
    상기 산출된 기준 혈관 직경 및 상기 추출된 협착 혈관 직경의 비교 결과에 기초하여, 상기 협착 스코어를 산출하는,
    혈관 분석 장치.
KR1020220137515A 2022-10-23 2022-10-24 기계 학습 모델에 기초하여 혈관을 분석하는 방법 및 장치 KR20240057147A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220137515A KR20240057147A (ko) 2022-10-24 2022-10-24 기계 학습 모델에 기초하여 혈관을 분석하는 방법 및 장치
US18/209,389 US20240135530A1 (en) 2022-10-23 2023-06-12 Method and apparatus for analyzing blood vessel based on machine learning model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220137515A KR20240057147A (ko) 2022-10-24 2022-10-24 기계 학습 모델에 기초하여 혈관을 분석하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20240057147A true KR20240057147A (ko) 2024-05-02

Family

ID=91071688

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220137515A KR20240057147A (ko) 2022-10-23 2022-10-24 기계 학습 모델에 기초하여 혈관을 분석하는 방법 및 장치

Country Status (2)

Country Link
US (1) US20240135530A1 (ko)
KR (1) KR20240057147A (ko)

Also Published As

Publication number Publication date
US20240135530A1 (en) 2024-04-25

Similar Documents

Publication Publication Date Title
US20230084748A1 (en) Calculating a fractional flow reserve
JP6553675B2 (ja) 脈管構造を数値的に評価するためのシステムおよび方法
JP6553099B2 (ja) 血流予備量比値を算出するための機器
US8977339B1 (en) Method for assessing stenosis severity through stenosis mapping
JP2022169579A (ja) リアルタイムで診断上有用な結果
JP6667999B2 (ja) 画像処理装置、画像処理方法、及びプログラム
JP5953438B2 (ja) 冠状動脈を通る血流量を決定する方法
JP2022522960A (ja) 動脈画像領域及びそれらの特徴を分類するシステム及び方法
JP6685319B2 (ja) 定量的フロー分析のための方法および装置
JP6484760B2 (ja) 非侵襲的血流予備量比（ｆｆｒ）に対する側副血流モデル化
JP7118464B2 (ja) 血管圧差を取得する方法及び装置
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
CN109688908B (zh) 用于确定血流储备分数的装置和方法
US11122981B2 (en) Arterial wall characterization in optical coherence tomography imaging
JP2023062179A (ja) 肺および血管の健康状態を検査し評価する方法
CN115003229A (zh) 基于管腔内成像对管腔内处置异常的检测和可视化
KR101530352B1 (ko) 물질특성에 기반한 전산유체역학 모델링 및 분석 방법
WO2021117043A1 (en) Automatic stenosis detection
KR20240057147A (ko) 기계 학습 모델에 기초하여 혈관을 분석하는 방법 및 장치
US10332255B2 (en) Method for assessing stenosis severity in a lesion tree through stenosis mapping
WO2022270152A1 (ja) 画像処理装置、方法およびプログラム
Sedghi Gamechi Automatic Quantification of the Aorta and Pulmonary Artery in Chest CT: methods and validation in lung screening
WO2021248046A1 (en) Mathematical modeling of blood flow to evaluate hemodynamic significance of peripheral vascular legions
Pociask et al. Coronary Plaque Quantification by Multi-slice Computed Tomography