WO2015072818A1 - 뇌질환 진단 서비스 장치 및 뇌질환 진단 서비스 방법 - Google Patents

뇌질환 진단 서비스 장치 및 뇌질환 진단 서비스 방법 Download PDF

Info

Publication number
WO2015072818A1
WO2015072818A1 PCT/KR2014/011084 KR2014011084W WO2015072818A1 WO 2015072818 A1 WO2015072818 A1 WO 2015072818A1 KR 2014011084 W KR2014011084 W KR 2014011084W WO 2015072818 A1 WO2015072818 A1 WO 2015072818A1
Authority
WO
WIPO (PCT)
Prior art keywords
brain
image
disorder
type
lesions
Prior art date
Application number
PCT/KR2014/011084
Other languages
English (en)
French (fr)
Inventor
강동화
김용환
Original Assignee
재단법인 아산사회복지재단
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 filed Critical 재단법인 아산사회복지재단
Priority to US15/037,316 priority Critical patent/US9854990B2/en
Publication of WO2015072818A1 publication Critical patent/WO2015072818A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/0037—Performing a preliminary scan, e.g. a prescan for identifying a region of interest
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • 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

Definitions

  • the present disclosure relates to an apparatus for diagnosing brain disease and a method for diagnosing brain disease, and in particular, to determine the type of disorder of a diagnosed subject with brain disease using images obtained from a magnetic resonance imaging (MRI) device.
  • MRI magnetic resonance imaging
  • a brain disease diagnostic service apparatus and a brain disease diagnostic service method are provided.
  • Degenerative neuropathy is a brain-related disease, so it is necessary to diagnose without invading.
  • Conventional brain disease analysis device comprising the patent is extracted from the MRI and FMRI (functional MRI) collected from each of the experimental group and control group associated with the brain disease, the feature vector based on the volume difference, or activation difference associated with the brain region and characterized The vector can be used to determine whether the diagnosis target has brain disease.
  • MRI magnetic resonance imaging
  • FMRI functional MRI
  • the conventional brain disease analysis device can only accurately determine whether the diagnosis target has a brain disease, and the doctor's personal information is mainly used to derive the meaning of the lesion observed on the MRI image for the type of disorder, and further, the prognosis of the disorder. Depended on experience
  • a preprocessing unit estimating a transformation matrix for fitting a preset standard image to an image received by the receiver and generating an individual brain region map of the diagnosis subject by applying the estimated transformation matrix to a preset standard brain region map;
  • a feature point extracting unit for extracting feature points by calculating a proportion of brain lesions of each brain region in the individual brain region maps generated by the preprocessor;
  • a disorder type determination unit for determining a disorder type based on a ratio of brain lesions for each brain region calculated by the feature point extractor.
  • a brain disease diagnostic service method for determining a type of disorder based on an image obtained from an MRI device, the diagnostic subject obtained from the MRI device Receiving an image of the; Estimating a transformation matrix for fitting a preset standard image to the received image and generating an individual brain region map of the subject by applying the estimated transformation matrix to a preset standard brain region map; Extracting feature points by calculating a proportion of brain lesions for each brain region in the generated individual brain region maps of the diagnosis subject; And determining the type of disorder based on the calculated ratio of brain lesions for each brain region.
  • FIG. 1 is a view for explaining a brain disease diagnosis service apparatus according to an embodiment of the present disclosure
  • FIG. 2 is a view for explaining an example of the configuration of the apparatus for diagnosing brain disease shown in FIG. 1 in detail;
  • FIG. 3 is a flowchart illustrating a service method of an apparatus for diagnosing brain disease according to an embodiment of the present disclosure
  • FIG. 4 is a screen example showing an image of an ADC image obtained from an MRI device, a DWI image, and an area of a brain lesion extracted based on the ADC image and the DWI image;
  • FIG. 5 is a screen example showing a standard T2 image in which a brain form of a diagnosis subject is converted by a standard T2 image, a GRE image obtained from an MRI device, and an estimated transformation matrix for fitting the standard T2 image to a GRE image;
  • FIG. 6 is an exemplary diagram illustrating an individual brain region map of a diagnosis subject generated by applying the transformation matrix estimated in FIG. 5 to a standard brain region map.
  • FIG. 6 is an exemplary diagram illustrating an individual brain region map of a diagnosis subject generated by applying the transformation matrix estimated in FIG. 5 to a standard brain region map.
  • FIG. 7 is a view showing the ratio of brain lesions for 116 brain regions divided into brain regions in the standard brain region map of the diagnosis subject shown in FIG. 6;
  • FIG. 1 is a view illustrating a brain disease diagnosis service apparatus according to an embodiment of the present disclosure
  • Figure 2 is a view for explaining the configuration of the brain disease diagnosis service device shown in Figure 1 in detail Doing.
  • the brain disease diagnosis service apparatus 20 receives an image of a diagnosis subject obtained from an MRI device 10, and extracts feature points of a brain lesion from the received image.
  • the type of disorder is determined by calculating the proportion of brain lesions in each brain region of the extracted feature points by performing preprocessing for extraction.
  • the brain disease diagnosis service device 20 may provide a prognosis for the type of disorder determined according to the degree of the proportion of brain lesions.
  • the prognosis provided is a result of analyzing the prognosis of the diagnosed patients in which the proportion of brain lesions among the prognostics diagnosed with the same disorder type is within a predetermined reference range.
  • the brain disease diagnosis service apparatus 20 includes a receiver 21, a preprocessor 22, a feature point extractor 23, a disability type determiner 24, a disability degree classifier 25, and a prognosis prediction. It comprises a unit 26 and a storage unit 27.
  • the receiver 21 receives an image of a diagnosis subject, an ADC image, a DWI image, and a GRE image, which are acquired from the MRI device 10.
  • the MRI device 10 and the brain disease diagnosis service device 20 may be connected through a wired or wireless communication method.
  • the preprocessor 22 matches the ADC image and the DWI image received through the receiver 21.
  • the ADC image displays the area where the brain lesion is located in a dark color (for example, black), while the DWI image displays a light color (for example, white) differently from the ADC image.
  • the ADC and DWI images can be matched to accurately locate brain lesions.
  • the preprocessor 22 estimates an affine transformation matrix for fitting a known standard image (in this example, a standard T2-weighted image) to a GRE image received through the receiver 21, and estimated A standard T2 image is produced by transforming the brain form of the subject by the affine transformation matrix.
  • a known standard image in this example, a standard T2-weighted image
  • standard T2-weighted images are open standards included in the statistical parametric mapping (SPM) toolbox provided by the Wellcome Trust Center for Neuroimaging at the University of California at Los Angeles (UCLA). Images can be used.
  • SPM statistical parametric mapping
  • the standardization work was performed by matching the T2-weighted images of the 152 consortiums of the International Consortium for Brain Mapping (ICBM) to the Montreal Neurological Institute (MNI) space, taking a spatial average, and obtaining an 8mm full-width-at-half-maximum. This is done with spatial flattening with Gaussian kernel.
  • transform methods may be used to estimate the affine transformation matrix.
  • four transform methods are used as (a) rotation transformation, (b) transformation, and (c). Scaling, (d) shearing are presented.
  • FIG. 8 the brain shape before or after the conversion to the black line is shown.
  • the preprocessor 22 may estimate the affine transformation matrix for fitting the above-described standard T2 image to the GRE image of the diagnosis subject.
  • various transformation methods may be used, and various kinds of images used for estimating the transformation matrix may also be used.
  • the standard T2 image and the GRE image of the diagnosis subject are used to estimate the transformation matrix, but the present invention is not limited thereto, and the standard T1 image and the TI image of the diagnosis subject may also be used. In this way, a standard T2 image (or a standard T1 image) converted into the brain form of the diagnosis subject may be generated by the estimated transformation matrix.
  • the preprocessor 22 generates the individual brain region map of the diagnosis subject by applying the estimated affine transformation matrix to a preset standard brain region map.
  • the standard brain region map is AAL (Automated Anatomical Labeling) which divides brain regions into 116.
  • AAL is used here, but can be replaced with Brodmann's area standard brain area map or Harvard-Oxford standard brain area map.
  • the feature point extractor 23 extracts feature points for 116 brain regions from the individual brain region maps generated by the preprocessor 22.
  • the feature point extraction process includes calculating the proportion of brain lesions in each of the 116 brain regions. If there is no brain lesion in the brain region, it is calculated as '0'.
  • the disorder type determiner 24 may determine the disorder type based on the ratio of brain lesions calculated by the feature point extractor 23.
  • the type of disorder may correspond to any one of visual impairment, motor impairment, sensory impairment, and speech impairment.
  • the location and reference value of the brain region for each type of disorder are stored in advance in the storage unit 27, and since the reference value is determined based on the average of the diagnosers belonging to the same type of disorder, the fixed value may not be maintained.
  • the disability type determiner 24 creates a classifier (for example, classifier) that sets a baseline for the rate of brain lesions in each of the 116 brain regions based on the type of disability and the rate of brain lesions.
  • the brain regions exceeding the reference value may be classified by comparing the reference values for the brain lesions for each of the 116 brain regions and the brain lesions for each of the 116 brain regions of the diagnosis subject extracted by the feature point extractor 23.
  • the disorder type determiner 24 may determine which disorder type is based on the location of the brain region exceeding the above-described reference value and the ratio of brain lesions occupied by the brain lesion.
  • the storage unit 27 stores positions of brain regions and reference values at corresponding positions for each type of disorder.
  • brain regions that exceed the baseline eg, brain regions A11, A25, A37, A41, A55, A60, A78
  • the set R11, R25, R37, R41, R55, R60, and R78 representing R can be extracted. Processing such a set with a classifier may result in a type of failure corresponding to this set. As the classifier repeats this process, the accuracy and reliability of the classification can be improved.
  • the disability degree classification unit 25 may classify the disability degree with respect to the determined disability type.
  • the degree of disorder classifying unit 25 may create a classifier for classifying a degree of disorder of a diagnosis subject, and may accurately classify a degree of disorder of a diagnosis subject through the classifier.
  • the classifier classifies the degree of brain lesion rate and score based on the rate of brain lesions occupied by plural diagnosers with the same disorder, and the scores obtained from relevant tests performed in the process of treating the disorder.
  • Set a baseline Brain lesion ratios and scores for each of the plurality of diagnosers are stored in the storage unit 27, and the information stored for each diagnoser includes identification information so as to distinguish the type of disorder.
  • the stored information can be used to create a classifier that matches the degree and scores of brain area and brain lesion rates in certain types of disorders, and then evaluates the scores.
  • the relevant test performed by the diagnoser while the disorder is being treated offline may be, for example, a visual field test for a visual field disorder, a motor functional test for a motor disorder, or a language functional test for a speech disorder.
  • tests for the purpose of treatment or condition check may be included for each type of disorder.
  • the degree of failure of the diagnosis subject may be classified through the above-described degree of failure classification unit 25.
  • patients with a type of visual field disorder they may be classified as lateral alliance (not seeing the entire left or right view), quadrants (not seeing the top or bottom view from the left or right view), and Patients with the type of disability can be classified as lateral limb paralysis, lateral limb paralysis / arm palsy, etc., and patients with types of speech disorders classified as low / high language comprehension (based on language function scores). can do.
  • the prognostic predictor 26 may predict the prognosis of the disorder type determined by the disorder type determiner 24 according to the ratio of brain lesions. That is, the prognostic predictor 26 belongs to the same disorder type and the brain lesion ratio is within a predetermined range by referring to the location of the brain lesion and the ratio of the brain lesion, the disorder type, and the treatment result stored in the storage unit 27.
  • the outcome of the diagnosis can be predicted by analyzing the results of the diagnosis. Treatment outcomes can be, for example, complete cure, percent improvement, not complete cure.
  • the prognostic predictor 26 provides a result of averaging treatment results of a diagnosis subject having the same type of disorder and having a brain lesion ratio within a predetermined range among the treatment results stored in the storage unit 27. Accordingly, the prognostic prediction result according to the type of disorder determined may be provided based on the same type of treatment result stored in the storage unit 27 without depending on the personal experience of the doctor.
  • FIG. 3 is a flowchart illustrating a service method of a brain disease diagnosis service apparatus according to an exemplary embodiment of the present disclosure.
  • the brain disease diagnosis service apparatus 20 receives an ADC image, a DWI image, and a GRE image of a diagnosis subject having a brain disease acquired from the MRI device 10 (S11).
  • the brain disease diagnosis service apparatus 20 extracts a brain lesion based on the received ADC image and the DWI image (S13).
  • FIG. 4A illustrates an ADC image
  • FIG. 4B illustrates a DWI image.
  • the result of matching (a) and (b) of FIG. 4 is the same as that of FIG. 4 (c), and brain lesions can be accurately extracted as shown in (c) of FIG. 4.
  • the area shown in red is a brain region with a brain lesion.
  • the brain disease diagnosis service apparatus 20 may terminate the process without performing the step S15 described later if the brain lesion is not extracted, and may perform the step S15 described later only when the brain lesion is extracted.
  • the brain disease diagnosis service apparatus 20 estimates a transformation matrix for fitting a standard T2 image to a GRE image of a diagnosis target (S15).
  • a standard image for estimating the transformation matrix may be set by referring to the location of the brain lesion extracted in step S13 described above. It is explained here that a standard T2 image is set.
  • An affine transformation matrix for fitting a standard T2 image as illustrated in (a) of FIG. 5 to a GRE image of a diagnosis subject as illustrated in (b) of FIG. 5 is estimated.
  • four transformation methods as shown in FIG. 8 may be used.
  • the standard T2 image transformed into the brain form of the subject by the estimated affine transformation matrix is as illustrated in FIG.
  • the brain disease diagnosis service apparatus 20 generates the individual brain region map of the diagnosis subject by applying the transformation matrix estimated in the above-described step S15 to the standard brain region map (S17).
  • FIG. 6 (a) shows an AAL standard brain region map
  • FIG. 6 (b) shows individual brain region maps generated by applying a transformation matrix.
  • the brain disease diagnosis service apparatus 20 extracts a feature point for the brain region based on the generated individual brain region map of the diagnosis subject (S19).
  • the process of extracting the feature points may include extracting a proportion of brain lesions of each brain region from the 116 brain region maps converted into brain forms of the diagnosis subjects calculated by the feature point extractor 23.
  • the brain disease diagnosis service apparatus 20 calculates the ratio of brain lesions occupied by brain lesions for each brain region as a feature point (S21).
  • FIG. 7 is a diagram showing the proportion of brain lesions of 116 brain regions divided into brain regions in the individual brain region map of the diagnosis subject in FIG. 6.
  • the brain disease diagnosis service apparatus 20 may refer to the brain lesion ratio of each brain region as shown in FIG. 7 when the brain region having a brain lesion and the brain lesion ratio in the brain region exceed a predetermined reference value.
  • the brain region having a brain lesion and a reference value are determined for each type of disorder, and the reference value may be changed by the rate of brain lesions of a diagnosis person belonging to the same disorder. That is, as described above, the reference value may be corrected as classification of the accumulated data continues with the classifier.
  • the step of classifying the degree of failure of the diagnosis subject for the determined type of failure may be performed.
  • a classifier as described above may be made and the degree of disorder of the diagnosis subject may be classified through the classifier.
  • the brain disease diagnosis service apparatus 20 provides a prognosis of a diagnosis subject predicted according to the degree of brain lesion rate for the determined disorder type (S25).
  • the prognosis is an analysis result analyzed by referring to the prognosis of the diagnosis of the same type of disorder stored in the storage unit 27.
  • An apparatus for diagnosing brain disease based on an image obtained from an MRI device comprising: a receiver configured to receive an image of a diagnosis subject obtained from the MRI device; A preprocessing unit estimating a transformation matrix for fitting a preset standard image to an image received by the receiver and generating an individual brain region map of the diagnosis subject by applying the estimated transformation matrix to a preset standard brain region map; A feature point extracting unit for extracting feature points by calculating a proportion of brain lesions of each brain region in the individual brain region maps generated by the preprocessor; And a disorder type determining unit configured to determine a disorder type based on a ratio of brain lesions for each brain region calculated by the feature point extracting unit.
  • An image of a diagnosis subject obtained from the MRI device includes a brain diffusion coherent (ADC) image, a diffusion weighted image (DWI) image, and a gradient-echo (GRE) image.
  • ADC brain diffusion coherent
  • DWI diffusion weighted image
  • GRE gradient-echo
  • the pre-processing unit is brain disease diagnosis service apparatus, characterized in that for matching the ADC image and the DWI image to extract the location of the brain lesion.
  • the standard image includes a standard T2 image, and the preprocessor estimates an affine transformation matrix for fitting the standard T2 image to the GRE image, and estimates an affine transformation matrix based on the estimated affine transformation matrix.
  • Brain disease diagnostic service device characterized in that for generating a standard T2 image converted into a form.
  • the disorder type determining unit creates a classifier that defines the baseline for brain lesions for each brain region by using the disorder type and the ratio of brain lesions of the diagnosers, and the location and brain lesion of the brain region exceeding the threshold defined by the classifier.
  • a device for diagnosing brain disease characterized in that the type of disorder is determined according to the proportion of brain lesions occupying.
  • Brain disease diagnosis service device comprising a; degree of disability classification unit for classifying the degree.
  • a prognosis predictor for predicting the prognosis of the disorder type determined by the disorder type determining unit according to the proportion of the brain lesions for each brain region.
  • the prognosis predictor is configured to refer to the diagnosis result of the diagnosis group in the same disorder type and the brain lesion ratio is within a predetermined range by referring to the location of the brain lesion, the rate of the brain lesion, the type of disorder, and the treatment result stored in the storage unit.
  • An apparatus for diagnosing brain disease characterized in that to provide a predicted prognosis by analyzing.
  • a brain disease diagnosis service method for determining a type of disorder based on an image obtained from an MRI device, the method comprising: receiving an image of a diagnosis subject obtained from the MRI device; Estimating a transformation matrix for fitting a preset standard image to the received image and generating an individual brain region map of the subject by applying the estimated transformation matrix to a preset standard brain region map; Extracting feature points by calculating a proportion of brain lesions for each brain region in the generated individual brain region maps of the diagnosis subject; And determining a disability type based on the calculated ratio of brain lesions for each brain region.
  • the image of the diagnosis subject obtained from the MRI device includes an ADC image, a DWI image, and a GRE image.
  • the generating of the individual brain region map may include matching the ADC image and the DWI image to locate a brain lesion. Extracting the process; brain disease diagnostic service method comprising the.
  • the standard image includes a standard T2 image
  • the generating of the individual brain region map includes: estimating an affine transformation matrix for fitting the standard T2 image to the GRE image; And generating a standard T2 image converted into a brain form of a diagnosis subject by the estimated affine transformation matrix.
  • a classifier for determining the baseline for brain lesions for each brain region by using the type of disorder and the rate of brain lesions of the diagnosers, and the location of the brain region exceeding the threshold set by the classifier And determining the type of disorder according to the proportion of brain lesions occupied by the brain lesion.
  • a brain disease diagnosis service device and a brain disease diagnosis service method when a brain lesion is extracted using images obtained from an MRI device, a conversion matrix estimated from an image of a subject and a standard image is converted into a standard brain region.
  • the type of disorder can be determined based on the result of calculating the proportion of brain lesions in each brain region in the individual brain region map of the diagnosis subject generated by applying the map, so that the brain disease can be determined quantitatively and even the disorder type is determined quantitatively. It is effective.
  • a transformation matrix for fitting a predetermined standard T2 image to a GRE image of a diagnosis subject is estimated, and the estimated transformation matrix is used as a standard brain.
  • the area map according to the normalization process of generating individual brain area map of the diagnosis target, there is an effect that can easily extract the feature points of the brain lesions.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Neurology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Psychology (AREA)
  • Neurosurgery (AREA)
  • Physiology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

본 개시는 MRI 기기로부터 획득된 영상을 기반으로 뇌질환 진단을 서비스하는 장치에 있어서, 상기 MRI 기기로부터 획득된 진단대상자의 영상을 수신하는 수신부; 미리 설정된 표준 영상을 상기 수신부에 의해 수신된 영상에 맞추기 위한 변환행렬을 추정하고 추정된 변환행렬을 미리 설정된 표준 뇌영역지도에 적용하여 상기 진단대상자의 개별 뇌영역지도를 생성하는 전처리부; 상기 전처리부에서 생성된 진단대상자의 개별 뇌영역지도에서 뇌영역별 뇌병변이 차지하는 비율을 연산하여 특징점을 추출하는 특징점 추출부; 및 상기 특징점 추출부에 의해 연산된 뇌영역별 뇌병변의 비율에 근거하여 장애 유형을 결정하는 장애 유형 결정부를 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 장치 및 뇌질환 진단 서비스 방법에 관한 것이다.

Description

뇌질환 진단 서비스 장치 및 뇌질환 진단 서비스 방법
본 개시(Disclosure)는 전체적으로 뇌질환 진단 서비스 장치 및 뇌질환 진단 서비스 방법에 관한 것으로, 특히 MRI(magnetic resonance imaging) 기기로부터 획득된 영상들을 이용하여 뇌질환에 걸린 진단대상자의 장애 유형을 결정할 수 있도록 한 뇌질환 진단 서비스 장치 및 뇌질환 진단 서비스 방법에 관한 것이다.
여기서는, 본 개시에 관한 배경기술이 제공되며, 이들이 반드시 공지기술을 의미하는 것은 아니다(This section provides background information related to the present disclosure which is not necessarily prior art).
사회가 발전하면서, 알츠하이머 질환(Alzheimer Diseases)과 같은 퇴행성 신경질환(Neurodegenerative Diseases)이 증가하고 있다. 퇴행성 신경질환의 경우, 뇌와 관련된 질환이기 때문에 침습하지 않고 진단하는 방법이 필요하다.
그러나, 침습하지 않고 뇌질환에 걸렸는지 판단하는 경우, 정확도가 떨어지는 문제점이 있다.
이러한 문제점을 해결하고자 삼성전자주식회사 외 1인에 의해, 뇌질환을 분석할 수 있는 뇌질환 분석 장치 및 방법이 대한민국 공개특허 제2012-50379호로 출원되어 있는 상태이다.
상기 특허를 포함하는 종래의 뇌질환 분석 장치는 뇌질환과 관련된 실험군과 대조군 각각으로부터 수집된 MRI와 FMRI(functional MRI)로부터 뇌 영역과 관련된 부피 차이, 또는 활성화도 차이에 기초한 특징 벡터를 추출하고 특징 벡터를 이용하여 진단 대상이 뇌질환에 걸렸는지 여부를 판단할 있는 것이다.
상기 종래의 뇌질환 분석 장치는 단순히 진단 대상이 뇌 질환에 걸렸는지 여부만 정확하게 판단할 수 있을 뿐, 장애 유형, 나아가서 장애의 예후예측에 대하여 MRI 영상에서 관찰되는 병변의 의미 도출에 주로 의사의 개인적 경험에 의존하였다.
따라서, 개별 의사의 편차로부터 비교적 자유롭고, 정량적이고 객관적이며, 질병의 유무에서 더 나아가 장애 유형을 결정하여, 그 예후까지 예측 하는 등 더 진화된 장치나 방법이 필요한 실정이다.
이에 대하여 '발명의 실시를 위한 형태'의 후단에 기술한다.
여기서는, 본 개시의 전체적인 요약(Summary)이 제공되며, 이것이 본 개시의 외연을 제한하는 것으로 이해되어서는 아니된다(This section provides a general summary of the disclosure and is not a comprehensive disclosure of its full scope or all of its features).
본 개시에 따른 일 태양에 의하면(According to one aspect of the present disclosure), MRI 기기로부터 획득된 영상을 기반으로 뇌질환 진단을 서비스하는 장치에 있어서, 상기 MRI 기기로부터 획득된 진단대상자의 영상을 수신하는 수신부; 미리 설정된 표준 영상을 상기 수신부에 의해 수신된 영상에 맞추기 위한 변환행렬을 추정하고 추정된 변환행렬을 미리 설정된 표준 뇌영역지도에 적용하여 상기 진단대상자의 개별 뇌영역지도를 생성하는 전처리부; 상기 전처리부에서 생성된 진단대상자의 개별 뇌영역지도에서 뇌영역별 뇌병변이 차지하는 비율을 연산하여 특징점을 추출하는 특징점 추출부; 및 상기 특징점 추출부에 의해 연산된 뇌영역별 뇌병변의 비율에 근거하여 장애 유형을 결정하는 장애 유형 결정부를 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 장치가 제공된다.
본 개시에 따른 다른 하나의 태양에 의하면(According to another aspect of the present disclosure), MRI 기기로부터 획득된 영상을 기반으로 장애 유형을 결정하는 뇌질환 진단 서비스 방법으로서, 상기 MRI 기기로부터 획득된 진단대상자의 영상을 수신하는 단계; 미리 설정된 표준 영상을 상기 수신된 영상에 맞추기 위한 변환행렬을 추정하고 추정된 변환행렬을 미리 설정된 표준 뇌영역지도에 적용하여 상기 진단대상자의 개별 뇌영역지도를 생성하는 단계; 상기 생성된 진단대상자의 개별 뇌영역지도에서 뇌영역별 뇌병변이 차지하는 비율을 연산하여 특징점을 추출하는 단계; 및 상기 연산된 뇌영역별 뇌병변의 비율에 근거하여 장애 유형을 결정하는 단계;를 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 방법이 제공된다.
이에 대하여 '발명의 실시를 위한 형태'의 후단에 기술한다.
도 1은 본 개시의 일 실시예에 따른 뇌질환 진단 서비스 장치를 설명하기 위한 도면,
도 2는 도 1에 도시된 뇌질환 진단 서비스 장치의 구성의 일 예를 상세하게 설명하기 위한 도면,
도 3은 본 개시의 일 실시예에 따른 뇌질환 진단 서비스 장치의 서비스 방법을 설명하기 위한 동작 흐름도,
도 4는 MRI 기기로부터 획득된 ADC 영상, DWI 영상, 그리고 ADC 영상과 DWI 영상에 근거하여 추출된 뇌병변의 영역이 표시된 영상을 도시한 화면예시도,
도 5는 표준 T2 영상, MRI 기기로부터 획득된 GRE 영상, 및 표준 T2 영상을 GRE 영상에 맞추기 위한 추정된 변환 행렬에 의해 진단 대상자의 뇌형태가 변환된 표준 T2 영상을 도시한 화면예시도,
도 6은 도 5에서 추정된 변환행렬을 표준 뇌영역지도에 적용하여 생성된 진단대상자의 개별 뇌영역지도를 도시한 화면 예시도,
도 7은 도 6에 도시된 진단대상자의 표준 뇌영역지도에서 뇌영역으로 구분된 116개의 뇌영역별 뇌병변 비율을 나타낸 도면,
도 8은 변환행렬을 추정하기 위한 4가지 변환을 도시한 도면.
이하, 본 개시를 첨부된 도면을 참고로 하여 자세하게 설명한다(The present disclosure will now be described in detail with reference to the accompanying drawing(s)).
도 1은 본 개시의 일 실시예에 따른 뇌질환 진단 서비스 장치를 설명하기 위한 도면을 도시하고 있고, 도 2는 도 1에 도시된 뇌질환 진단 서비스 장치의 구성을 상세하게 설명하기 위한 도면을 도시하고 있다.
도 1을 참조하면 본 개시의 일 실시예에 따른 뇌질환 진단 서비스 장치(20)는 MRI 기기(10)로부터 획득된 진단 대상자의 영상을 수신하고, 수신된 영상에 대하여 뇌병변의 특징점 추출(feature extraction)을 위한 전처리 과정을 수행하여 추출된 특징점의 뇌영역별 뇌병변이 차지하는 비율을 연산하여 장애 유형을 결정한다.
또한 뇌질환 진단 서비스 장치(20)는 뇌병변이 차지하는 비율의 정도에 따라 결정된 장애 유형의 예후를 제공할 수 있다. 여기서, 제공되는 예후는 동일 장애 유형으로 진단받은 진단자들의 예후 중에서도 뇌병변이 차지하는 비율이 미리 정해진 기준범위 내에 있는 진단자들의 예후를 종합한 분석결과이다.
도 2를 참조하면 뇌질환 진단 서비스 장치(20)는 수신부(21), 전처리부(22), 특징점 추출부(23), 장애 유형 결정부(24), 장애 정도 분류부(25), 예후 예측부(26) 및 저장부(27)를 포함하여 구성된다.
수신부(21)는 MRI 기기(10)로부터 획득된 진단 대상자의 영상, 더 자세하게 ADC 영상, DWI 영상 및 GRE 영상을 수신한다. 이때 MRI 기기(10)와 뇌질환 진단 서비스 장치(20)는 유선 또는 무선 통신 방식을 통해 연결될 수 있다.
전처리부(22)는 수신부(21)를 통해 수신된 ADC 영상과 DWI 영상을 정합한다. 이때 ADC 영상은 뇌병변이 위치하는 영역을 어두운 색(예: 검은색)으로 표시하는 반면, DWI 영상은 ADC 영상과 다르게 밝은 색(예: 흰색)으로 표시한다. ADC 영상과 DWI 영상을 정합하여 뇌병변의 위치를 정확하게 추출할 수 있다.
또한 전처리부(22)는 이미 알려진 표준 영상(본 예에서는 표준 T2 강조 영상을 사용함)을 수신부(21)를 통해 수신된 GRE 영상에 맞추기 위한 아핀변환행렬(affine transformation matrix)을 추정하고, 추정된 아핀변환행렬에 의해 진단대상자의 뇌형태로 변환된 표준 T2 영상을 만든다.
예를 들어, 표준 T2 강조 영상(이하에서는 '표준 T2 영상'이라 함)은 UCLA(University of California at Los Angeles)의 Wellcome Trust Centre for Neuroimaging에서 제공하는 SPM(statistical parametric mapping) 툴박스에 포함된 공개 표준 영상이 사용될 수 있다. 표준화 작업은 ICBM(The International Consortium for Brain Mapping) 컨소시움의 152명에 대한 T2 강조영상을 MNI(Montreal Neurological Institute) 공간으로 정합하여 공간적 평균을 취하고, 8mm 반치전폭(full-width-at-half-maximum) Gaussian kernel로 공간적 평탄화를 하는 과정으로 이루어졌다.
예를 들어, 아핀변환행렬을 추정하기 위하여는 4가지 변환기법이 사용될 수 있는데, 도 8에는 4가지 변환기법으로서 (a) 회전변환(rotation), (b) 이동변환(transformation), (c) 크기변환(scaling), (d) 경사변환(shearing)이 제시되어 있다. 도 8에서 검은색 선으로 변환 전 또는 변환 후의 뇌 형상이 표시되어 있다.
전처리부(22)는 상술된 표준 T2 영상을 진단 대상자의 GRE 영상에 맞추기 위한 아핀변환행렬을 추정할 수 있다. 여기서는 아핀변환행렬을 추정하는 것으로 설명하고 있지만, 아핀변환 외에도 다양한 변환기법을 이용할 수 있고 변환행렬 추정에 사용되는 영상의 종류도 다양하게 사용될 수 있다. 여기서는 변환행렬을 추정하기 위하여 표준 T2 영상과 진단대상자의 GRE영상을 사용하고 있지만, 반드시 이에 한정되는 것은 아니고 표준 T1 영상과 진단대상자의 TI 영상도 사용될 수 있다. 이와 같이 추정된 변환행렬에 의해 진단 대상자의 뇌형태로 변환된 표준 T2 영상(또는 표준 T1 영상)을 생성할 수 있다.
또한 전처리부(22)는 추정된 아핀변환행렬을 미리 설정된 표준 뇌영역지도에 적용하여 진단대상자의 개별 뇌영역지도를 생성한다. 이때 표준 뇌영역지도는 뇌영역을 116개로 구분한 AAL(Automated Anatomical Labeling)이다. 여기서는 AAL이 사용되지만, Brodmann's area 표준 뇌영역지도 또는 Harvard-Oxford 표준 뇌영역지도 등으로 대체될 수 있다.
특징점 추출부(23)는 전처리부(22)로부터 생성된 진단자의 개별 뇌영역지도에서 116개의 뇌영역에 대한 특징점을 추출한다. 여기에서 특징점 추출 과정은 116개 뇌영역들 각각에서 뇌병변이 차지하는 비율을 연산하는 과정을 포함한다. 이때 뇌영역에 뇌병변이 존재하지 않으면 '0'으로 연산된다.
장애 유형 결정부(24)는 특징점 추출부(23)에 의해 연산된 뇌병변 비율에 근거하여 장애 유형을 결정할 수 있다. 장애 유형은 시각장애, 운동장애, 감각장애, 언어장애 중 어느 하나에 해당될 수 있다. 장애 유형별로 뇌영역의 위치와 기준치가 미리 저장부(27)에 저장되어 있으며, 기준치는 동일 장애 유형에 속하는 진단자들의 평균을 기준치로 정해지므로, 고정된 값을 유지하지 않을 수 있다.
이와 같이 장애 유형 결정부(24)는 진단자들의 장애 유형과 뇌병변 비율을 이용하여 장애 유형별 116개의 뇌영역별 뇌병변 비율에 대한 기준치를 정하는 분류기(예: classifier)를 만들고, 그 분류기에서 정하는 116개의 뇌영역별 뇌병변에 대한 기준치와 특징점 추출부(23)에서 추출된 진단대상자의 116개 뇌영역별 뇌병변 비율을 비교하여 기준치를 초과하는 뇌영역을 분류할 수 있다. 따라서 장애 유형 결정부(24)는 상술된 기준치를 초과하는 뇌영역의 위치 및 뇌병변이 차지하는 뇌병변 비율에 따라 어떤 장애 유형인지를 결정할 수 있다. 저장부(27)는 장애 유형별로 뇌영역의 위치와 해당 위치에서의 기준치가 저장되어 있다. 예를 들어, 각 뇌영역에서 기준치를 초과하는 뇌영역(예: 뇌영역 A11,A25,A37,A41,A55,A60,A78)을 찾을 수 있고, 이러한 기준치를 초과하는 뇌영역에서 뇌병변의 비율을 나타내는 집합(R11,R25,R37,R41,R55,R60,R78)을 추출할 수 있다. 이러한 집합을 분류기로 처리하면, 이러한 집합에 대응하는 장애 유형이 도출될 수 있다. 분류기는 이러한 처리를 반복함에 따라 분류의 정확성과 신뢰성이 향상될 수 있다.
장애정도 분류부(25)는 결정된 장애 유형에 대하여 장애정도를 분류할 수 있다. 더 자세하게 장애정도 분류부(25)는 진단대상자의 장애정도를 분류하기 위한 분류기를 만들고, 그 분류기를 통하여 진단대상자의 장애정도를 정확하게 분류할 수 있다. 장애정도를 분류하는 분류기는 동일 장애를 가지는 복수의 진단자별 뇌병변이 차지하는 뇌병변비율과, 그 진단자가 장애를 치료받는 과정에서 수행하는 관련검사를 통하여 얻은 점수를 기반으로 뇌병변비율과 점수의 기준치를 정한다. 복수의 진단자별 뇌병변 비율 및 점수는 저장부(27)에 저장되어 있으며, 진단자별로 저장되는 정보에는 장애 유형을 구분할 수 있도록 식별정보를 포함한다. 예를 들어, 저장된 정보를 이용하여 어떤 장애 유형에서 뇌영역과 뇌병변 비율의 정도와 점수를 매칭하고, 이를 평가하여 장애정도를 결정하는 분류기를 만들 수 있다.
오프라인으로 진단자가 장애를 치료받는 과정에서 수행하는 관련검사는 예를 들면, 시야 장애의 경우 시야검사일 수 있고, 운동장애의 경우는 운동기능검사일 수 있고, 언어장애의 경우 언어기능검사일 수 있다. 상술된 관련검사 외에도 장애 유형별로 치료목적 또는 상태체크를 위해 필요한 검사들이 포함될 수 있다.
상술된 장애정도 분류부(25)를 거쳐서 진단대상자의 장애정도를 분류할 수 있다. 예를 들면, 시야 장애의 유형을 가지는 환자의 경우, 반측동맹(좌측 또는 우측 시야 전체가 보이지 않음), 사분맹(좌측 또는 우측 시야에서 상단 또는 하단 시야가 보이지 않음)으로 분류할 수 있고, 운동 장애의 유형을 가진 환자의 경우, 반측 팔다리 마비, 반측 다리 마비/팔 마비 등으로 분류할 수 있으며, 언어 장애의 유형을 가진 환자의 경우 언어 이해력 낮음/높음(언어 기능 평가 점수에 기반)으로 분류할 수 있다.
예후 예측부(26)는 뇌병변 비율에 따라 장애 유형 결정부(24)에 결정된 장애 유형의 예후를 예측할 수 있다. 즉 예후 예측부(26)는 저장부(27)에 저장되어 있는 진단자들의 뇌병변 위치 및 뇌병변 비율, 장애 유형 및 치료결과를 참고하여 동일한 장애 유형에 속하고 뇌병변 비율이 정해진 범위 내에 있는 진단자들의 치료결과를 분석하여 예후를 예측할 수 있다. 치료결과는 예를 들면 완치, 몇퍼센트 개선됨, 완치되지 않음일 수 있다.
예후 예측부(26)는 저장부(27)에 저장된 치료결과 중에서도 장애 유형이 같고 뇌병변 비율이 미리 정해진 범위내에 있는 진단대상자의 치료결과들을 평균한 결과를 제공한다. 이에 따라 결정된 장애 유형에 따른 예후 예측을 의사의 개인적인 경험에 의존하지 않고 저장부(27)에 저장되어 있는 동일 유형의 치료결과를 근거하여 예후 예측 결과를 제공할 수 있다.
도 3은 본 개시의 일 실시예에 따른 뇌질환 진단 서비스 장치의 서비스 방법을 설명하기 위한 동작 흐름도를 도시하고 있다.
도 3을 참조하면, 뇌질환 진단 서비스 장치(20)는 MRI기기(10)로부터 획득된 뇌질환에 걸린 진단대상자의 ADC 영상, DWI 영상 및 GRE 영상을 수신한다(S11).
뇌질환 진단 서비스 장치(20)는 수신된 ADC 영상과 DWI 영상을 기반으로 뇌병변을 추출한다(S13). 도 4를 참조하면 도 4의 (a)는 ADC 영상을 도시하고 있고 도 4의 (b)는 DWI 영상을 도시하고 있다. 도 4의 (a)와 (b)를 정합한 결과는 도 4의 (c)와 같으며, 도 4의 (c)에서 보는 바와 같이 뇌병변을 정확하게 추출할 수 있다. 도 4의 (c)에서 보듯이 빨간색으로 표시된 영역(DA10으로 표시됨)이 뇌병변이 있는 뇌영역임을 알 수 있다.
이후 뇌질환 진단 서비스 장치(20)는 뇌병변이 추출되지 않으면 후술하는 S15 단계를 수행하지 않고 프로세스를 종료하고, 뇌병변이 추출된 경우에 한하여 후술하는 S15 단계를 수행할 수 있다.
먼저 뇌질환 진단 서비스 장치(20)는 표준 T2 영상을 진단대상자의 GRE 영상에 맞추기 위한 변환행렬을 추정한다(S15). 상술된 S13 단계에서 추출되는 뇌병변의 위치를 참고하여 변환행렬을 추정하기 위한 표준 영상을 설정할 수 있다. 여기서는 표준 T2 영상을 설정한 것으로 설명하고 있다.
도 5의 (a)에 예시된 바와 같은 표준 T2 영상을 도 5의 (b)에 예시된 바와 같은 진단대상자의 GRE 영상에 맞추기 위한 아핀변환행렬을 추정한다. 아핀변환행렬을 추정할 때, 도 8에 도시된 바와 같은 4가지의 변환기법이 사용될 수 있다. 추정된 아핀변환행렬에 의해 진단대상자의 뇌형태로 변환된 표준 T2 영상은 도 5의 (c)에 예시된 바와 같다.
뇌질환 진단 서비스 장치(20)는 상술된 S15 단계에서 추정된 변환행렬을 표준 뇌영역지도에 적용시켜 진단대상자의 개별 뇌영역지도를 생성한다(S17). 도 6의 (a)는 AAL 표준 뇌영역지도를 도시하고 있고, 도 6의 (b)는 변환행렬을 적용하여 생성된 진단대상자의 개별 뇌영역지도를 도시하고 있다.
뇌질환 진단 서비스 장치(20)는 생성된 진단대상자의 개별 뇌영역지도를 기반으로 뇌영역에 대한 특징점을 추출한다(S19). 여기서 특징점을 추출하는 과정은 특징점 추출부(23)를 통해서 연산된 진단대상자의 뇌형태로 변환된 116개 뇌영역지도에서 뇌영역별 뇌병변이 차지하는 비율을 추출하는 과정을 포함한다.
뇌질환 진단 서비스 장치(20)는 특징점으로서 뇌병역별로 뇌병변이 차지하는 뇌병변 비율을 연산한다(S21). 도 7은 도 6에 진단대상자의 개별 뇌영역지도에서 뇌영역으로 구분된 116개의 뇌영역별 뇌병변이 차지하는 비율을 나타낸 도면이다.
뇌질환 진단 서비스 장치(20)는 도 7에 도시된 바와 같은 뇌영역별 뇌병변 비율을 참고하여 뇌병변이 있는 뇌영역과 해당 뇌영역에서의 뇌병변 비율이 미리 설정된 기준치를 초과하는 경우 뇌병변이 있는 뇌영역에 정의되어 있는 장애 유형으로 결정한다(S23). 이때 장애 유형별로 뇌병변이 있는 뇌영역과 기준치가 정해져 있고, 그 기준치는 동일 장애에 속하는 진단자의 뇌병변 비율에 의해 변경될 수 있다. 즉 전술된 바와 같이, 축적된 데이터를 분류기로 분류를 계속함에 따라 상기 기준치는 보정될 수 있다.
상술된 S23 단계 이후에 또는 후술하는 S25 단계 이후에, 결정된 장애 유형에 대하여 진단 대상자의 장애정도를 분류하는 단계를 수행할 수 있다. 장애정도를 분류하기 위하여 상술된 바와 같은 분류기를 만들고 그 분류기를 거쳐서 진단대상자의 장애정도를 분류할 수 있다.
뇌질환 진단 서비스 장치(20)는 결정된 장애 유형에 대하여 뇌병변 비율의 정도에 따라 예측되는 진단대상자의 예후를 제공한다(S25). 여기서 예후는 저장부(27)에 저장된 동일 장애 유형의 진단자들의 예후를 참고하여 분석한 분석결과이다.
이렇게 함으로써 진단대상자는 뇌질환에 걸린 장애 유형에 대한 예후를 의사의 개인적인 경험에 의존하지 않고 진단자들의 치료결과를 종합적으로 분석한 분석결과로 예후를 제공받을 수 있다.
이하 본 개시의 다양한 실시 형태에 대하여 설명한다.
(1) MRI 기기로부터 획득된 영상을 기반으로 뇌질환 진단을 서비스하는 장치에 있어서, 상기 MRI 기기로부터 획득된 진단대상자의 영상을 수신하는 수신부; 미리 설정된 표준 영상을 상기 수신부에 의해 수신된 영상에 맞추기 위한 변환행렬을 추정하고 추정된 변환행렬을 미리 설정된 표준 뇌영역지도에 적용하여 상기 진단대상자의 개별 뇌영역지도를 생성하는 전처리부; 상기 전처리부에서 생성된 진단대상자의 개별 뇌영역지도에서 뇌영역별 뇌병변이 차지하는 비율을 연산하여 특징점을 추출하는 특징점 추출부; 및 상기 특징점 추출부에 의해 연산된 뇌영역별 뇌병변의 비율에 근거하여 장애 유형을 결정하는 장애 유형 결정부를 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 장치.
(2) 상기 MRI 기기로부터 획득된 진단대상자의 영상은 ADC(apparent diffusion coherent) 영상, DWI(diffusion weighted image) 영상 및 GRE(gradient-echo) 영상을 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 장치.
(3) 상기 전처리부는 상기 ADC 영상과 상기 DWI 영상을 정합하여 뇌병변의 위치를 추출하는 것을 특징으로 하는 뇌질환 진단 서비스 장치.
(4) 상기 표준 영상은 표준 T2 영상을 포함하고, 상기 전처리부는 표준 T2 영상을 상기 GRE 영상에 맞추기 위한 아핀변환행렬(affine transformation matrix)을 추정하고, 추정된 아핀변환행렬에 의해 진단 대상자의 뇌형태로 변환된 표준 T2 영상을 생성하는 것을 특징으로 하는 뇌질환 진단 서비스 장치.
(5) 상기 장애 유형 결정부는 진단자들의 장애 유형과 뇌병변 비율을 이용하여 뇌영역별 뇌병변에 대한 기준치를 정하는 분류기를 만들고, 상기 분류기에서 정한 기준치를 초과하는 뇌영역의 위치 및 뇌병변이 차지하는 뇌병변 비율에 따라 장애 유형을 결정하는 것을 특징으로 하는 뇌질환 진단 서비스 장치.
(6) 상기 장애 유형 결정부에 의해 결정된 장애 유형과 동일한 장애 유형을 가지는 진단자별 뇌병변이 차지하는 뇌병변 비율을 이용하여 설정된 기준치를 기준으로, 상기 진단 대상자의 뇌병변이 차지하는 비율에 대응하는 장애 정도를 분류하는 장애정도 분류부;를 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 장치.
(7) 상기 뇌영역별 뇌병변이 차지하는 비율에 따라 장애 유형 결정부에 의해 결정된 장애 유형의 예후를 예측하는 예후 예측부;를 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 장치.
(8) 상기 예후 예측부는 저장부에 저장된 진단자들의 뇌병변 위치 및 뇌병변 비율, 장애 유형 및 치료결과를 참고하여 동일한 장애 유형에 속하고 뇌병변 비율이 정해진 범위 내에 있는 진단자들의 치료결과를 분석하여 예측된 예후를 제공하는 것을 특징으로 하는 뇌질환 진단 서비스 장치.
(9) MRI 기기로부터 획득된 영상을 기반으로 장애 유형을 결정하는 뇌질환 진단 서비스 방법으로서, 상기 MRI 기기로부터 획득된 진단대상자의 영상을 수신하는 단계; 미리 설정된 표준 영상을 상기 수신된 영상에 맞추기 위한 변환행렬을 추정하고 추정된 변환행렬을 미리 설정된 표준 뇌영역지도에 적용하여 상기 진단대상자의 개별 뇌영역지도를 생성하는 단계; 상기 생성된 진단대상자의 개별 뇌영역지도에서 뇌영역별 뇌병변이 차지하는 비율을 연산하여 특징점을 추출하는 단계; 및 상기 연산된 뇌영역별 뇌병변의 비율에 근거하여 장애 유형을 결정하는 단계;를 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 방법.
(10) 상기 MRI 기기로부터 획득된 진단대상자의 영상은 ADC 영상, DWI 영상 및 GRE 영상을 포함하고, 상기 개별 뇌영역지도를 생성하는 단계는 상기 ADC 영상과 상기 DWI 영상을 정합하여 뇌병변의 위치를 추출하는 과정;을 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 방법.
(11) 상기 표준 영상은 표준 T2 영상을 포함하고, 상기 개별 뇌영역지도를 생성하는 단계는: 상기 표준 T2 영상을 상기 GRE 영상에 맞추기 위한 아핀변환행렬을 추정하는 과정; 및 상기 추정된 아핀변환행렬에 의해 진단 대상자의 뇌형태로 변환된 표준 T2 영상을 생성하는 과정;을 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 방법.
(12) 상기 장애 유형을 결정하는 단계에서, 진단자들의 장애 유형과 뇌병변 비율을 이용하여 뇌영역별 뇌병변에 대한 기준치를 정하는 분류기를 만들고, 상기 분류기에서 정한 기준치를 초과하는 뇌영역의 위치 및 뇌병변이 차지하는 뇌병변 비율에 따라 장애 유형을 결정하는 것을 특징으로 하는 뇌질환 진단 서비스 방법.
(13) 상기 결정된 장애 유형과 동일한 장애 유형을 가지는 진단자별 뇌병변이 차지하는 뇌병변 비율을 이용하여 설정된 기준치를 기준으로 상기 진단 대상자의 뇌병변이 차지하는 비율이 가지는 장애 정도를 분류하는 단계;를 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 방법.
(14) 상기 뇌영역별 뇌병변이 차지하는 비율에 따라 상기 결정된 장애 유형의 예후를 예측하는 단계;를 포함하는 것을 특징으로 하는 뇌질환 진단 방법.
(15) 예후를 예측하는 단계 전에, 상기 결정된 장애 유형과 동일한 장애 유형을 가지는 진단자별 뇌병변이 차지하는 뇌병변 비율을 이용하여 설정된 기준치를 기준으로 상기 진단 대상자의 뇌병변이 차지하는 비율이 가지는 장애 정도를 분류하는 단계;를 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 방법.
본 개시에 따른 하나의 뇌질환 진단 서비스 장치 및 뇌질환 진단 서비스 방법에 의하면, MRI 기기로부터 획득된 영상들을 이용하여 뇌병변이 추출되면 진단대상자의 영상과 표준 영상으로 추정된 변환행렬을 표준 뇌영역지도에 적용하여 생성된 진단 대상자의 개별 뇌영역지도에서 뇌영역별로 뇌병변이 차지하는 비율을 연산한 결과에 기반하여 장애 유형을 결정할 수 있어서, 정량적이 객관적으로 뇌질환을 결정하며, 장애 유형까지 결정하는 효과가 있다.
또한, 본 개시에 따른 다른 하나의 뇌질환 진단 서비스 장치 및 뇌질환 진단 서비스 방법에 의하면, 동일 장애 유형에 속하는 진단자들의 치료결과를 분석하여 진단대상자의 뇌영역별 뇌병변 비율에 따라, 정량적이 객관적인 방식으로 예후를 제공할 수 있는 효과가 있다.
또한, 본 개시에 따른 또 다른 하나의 뇌질환 진단 서비스 장치 및 뇌질환 진단 서비스 방법에 의하면, 미리 정해진 표준 T2 영상을 진단대상자의 GRE 영상에 맞추기 위한 변환행렬을 추정하고 추정된 변환행렬을 표준 뇌영역지도에 적용하여, 진단 대상자의 개별 뇌영역지도를 생성하는 정규화과정을 거침에 따라 뇌병변의 특징점을 용이하게 추출할 수 있는 효과가 있다.

Claims (15)

  1. MRI 기기로부터 획득된 영상을 기반으로 뇌질환 진단을 서비스하는 장치에 있어서,
    상기 MRI 기기로부터 획득된 진단대상자의 영상을 수신하는 수신부;
    미리 설정된 표준 영상을 상기 수신부에 의해 수신된 영상에 맞추기 위한 변환행렬을 추정하고 추정된 변환행렬을 미리 설정된 표준 뇌영역지도에 적용하여 상기 진단대상자의 개별 뇌영역지도를 생성하는 전처리부;
    상기 전처리부에서 생성된 진단대상자의 개별 뇌영역지도에서 뇌영역별 뇌병변이 차지하는 비율을 연산하여 특징점을 추출하는 특징점 추출부; 및
    상기 특징점 추출부에 의해 연산된 뇌영역별 뇌병변의 비율에 근거하여 장애 유형을 결정하는 장애 유형 결정부를 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 장치.
  2. 청구항 1에 있어서,
    상기 MRI 기기로부터 획득된 진단대상자의 영상은 ADC(apparent diffusion coherent) 영상, DWI(diffusion weighted image) 영상 및 GRE(gradient-echo) 영상을 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 장치.
  3. 청구항 2에 있어서,
    상기 전처리부는 상기 ADC 영상과 상기 DWI 영상을 정합하여 뇌병변의 위치를 추출하는 것을 특징으로 하는 뇌질환 진단 서비스 장치.
  4. 청구항 2에 있어서,
    상기 표준 영상은 표준 T2 영상을 포함하고,
    상기 전처리부는 표준 T2 영상을 상기 GRE 영상에 맞추기 위한 아핀변환행렬(affine transformation matrix)을 추정하고, 추정된 아핀변환행렬에 의해 진단 대상자의 뇌형태로 변환된 표준 T2 영상을 생성하는 것을 특징으로 하는 뇌질환 진단 서비스 장치.
  5. 청구항 1에 있어서,
    상기 장애 유형 결정부는 진단자들의 장애 유형과 뇌병변 비율을 이용하여 뇌영역별 뇌병변에 대한 기준치를 정하는 분류기를 만들고, 상기 분류기에서 정한 기준치를 초과하는 뇌영역의 위치 및 뇌병변이 차지하는 뇌병변 비율에 따라 장애 유형을 결정하는 것을 특징으로 하는 뇌질환 진단 서비스 장치.
  6. 청구항 1에 있어서,
    상기 장애 유형 결정부에 의해 결정된 장애 유형과 동일한 장애 유형을 가지는 진단자별 뇌병변이 차지하는 뇌병변 비율을 이용하여 설정된 기준치를 기준으로, 상기 진단 대상자의 뇌병변이 차지하는 비율에 대응하는 장애 정도를 분류하는 장애정도 분류부;를 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 장치.
  7. 청구항 1에 있어서,
    상기 뇌영역별 뇌병변이 차지하는 비율에 따라 장애 유형 결정부에 의해 결정된 장애 유형의 예후를 예측하는 예후 예측부;를 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 장치.
  8. 청구항 7에 있어서,
    상기 예후 예측부는 저장부에 저장된 진단자들의 뇌병변 위치 및 뇌병변 비율, 장애 유형 및 치료결과를 참고하여 동일한 장애 유형에 속하고 뇌병변 비율이 정해진 범위 내에 있는 진단자들의 치료결과를 분석하여 예측된 예후를 제공하는 것을 특징으로 하는 뇌질환 진단 서비스 장치.
  9. MRI 기기로부터 획득된 영상을 기반으로 장애 유형을 결정하는 뇌질환 진단 서비스 방법으로서,
    상기 MRI 기기로부터 획득된 진단대상자의 영상을 수신하는 단계;
    미리 설정된 표준 영상을 상기 수신된 영상에 맞추기 위한 변환행렬을 추정하고 추정된 변환행렬을 미리 설정된 표준 뇌영역지도에 적용하여 상기 진단대상자의 개별 뇌영역지도를 생성하는 단계;
    상기 생성된 진단대상자의 개별 뇌영역지도에서 뇌영역별 뇌병변이 차지하는 비율을 연산하여 특징점을 추출하는 단계; 및
    상기 연산된 뇌영역별 뇌병변의 비율에 근거하여 장애 유형을 결정하는 단계;를 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 방법.
  10. 청구항 9에 있어서,
    상기 MRI 기기로부터 획득된 진단대상자의 영상은 ADC 영상, DWI 영상 및 GRE 영상을 포함하고,
    상기 개별 뇌영역지도를 생성하는 단계는 상기 ADC 영상과 상기 DWI 영상을 정합하여 뇌병변의 위치를 추출하는 과정;을 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 방법.
  11. 청구항 10에 있어서,
    상기 표준 영상은 표준 T2 영상을 포함하고,
    상기 개별 뇌영역지도를 생성하는 단계는:
    상기 표준 T2 영상을 상기 GRE 영상에 맞추기 위한 아핀변환행렬을 추정하는 과정; 및
    상기 추정된 아핀변환행렬에 의해 진단 대상자의 뇌형태로 변환된 표준 T2 영상을 생성하는 과정;을 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 방법.
  12. 청구항 9에 있어서,
    상기 장애 유형을 결정하는 단계에서,
    진단자들의 장애 유형과 뇌병변 비율을 이용하여 뇌영역별 뇌병변에 대한 기준치를 정하는 분류기를 만들고, 상기 분류기에서 정한 기준치를 초과하는 뇌영역의 위치 및 뇌병변이 차지하는 뇌병변 비율에 따라 장애 유형을 결정하는 것을 특징으로 하는 뇌질환 진단 서비스 방법.
  13. 청구항 9에 있어서,
    상기 결정된 장애 유형과 동일한 장애 유형을 가지는 진단자별 뇌병변이 차지하는 뇌병변 비율을 이용하여 설정된 기준치를 기준으로 상기 진단 대상자의 뇌병변이 차지하는 비율이 가지는 장애 정도를 분류하는 단계;를 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 방법.
  14. 청구항 9에 있어서,
    상기 뇌영역별 뇌병변이 차지하는 비율에 따라 상기 결정된 장애 유형의 예후를 예측하는 단계;를 포함하는 것을 특징으로 하는 뇌질환 진단 방법.
  15. 청구항 14에 있어서,
    예후를 예측하는 단계 전에,
    상기 결정된 장애 유형과 동일한 장애 유형을 가지는 진단자별 뇌병변이 차지하는 뇌병변 비율을 이용하여 설정된 기준치를 기준으로 상기 진단 대상자의 뇌병변이 차지하는 비율이 가지는 장애 정도를 분류하는 단계;를 포함하는 것을 특징으로 하는 뇌질환 진단 서비스 방법.
PCT/KR2014/011084 2013-11-18 2014-11-18 뇌질환 진단 서비스 장치 및 뇌질환 진단 서비스 방법 WO2015072818A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US15/037,316 US9854990B2 (en) 2013-11-18 2014-11-18 Brain disease diagnosis service apparatus and brain disease diagnosis service method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020130139853A KR101611367B1 (ko) 2013-11-18 2013-11-18 뇌질환 진단 서비스 장치 및 방법
KR10-2013-0139853 2013-11-18

Publications (1)

Publication Number Publication Date
WO2015072818A1 true WO2015072818A1 (ko) 2015-05-21

Family

ID=53057682

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2014/011084 WO2015072818A1 (ko) 2013-11-18 2014-11-18 뇌질환 진단 서비스 장치 및 뇌질환 진단 서비스 방법

Country Status (3)

Country Link
US (1) US9854990B2 (ko)
KR (1) KR101611367B1 (ko)
WO (1) WO2015072818A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097010A (zh) * 2019-05-06 2019-08-06 北京达佳互联信息技术有限公司 图文检测方法、装置、服务器及存储介质
JP2020506012A (ja) * 2016-10-20 2020-02-27 ジェイエルケイ インスペクション 脳卒中の診断及び予後予測方法並びにシステム

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102067412B1 (ko) * 2019-08-21 2020-01-17 서울대학교병원 치매 평가 방법 및 이를 이용한 장치
CN110652307B (zh) * 2019-09-11 2021-01-12 中国科学院自动化研究所 基于功能核磁影像的精神分裂症患者纹状体功能检测系统
KR102247454B1 (ko) * 2019-10-14 2021-04-30 연세대학교 산학협력단 다중 대조도 자기 공명 영상 생성 장치 및 이의 학습 방법
KR102577161B1 (ko) * 2021-04-12 2023-09-11 주식회사 루닛 엑스레이 이미지 내에서의 대상 병변의 크기 변화를 측정하는 방법 및 시스템
US11694806B2 (en) * 2021-11-19 2023-07-04 Omniscient Neurotechnology Pty Limited Systems and methods for grouping brain parcellation data
KR20240018144A (ko) * 2022-08-02 2024-02-13 니어브레인(주) 뇌질환 위험도를 예측하는 방법 및 뇌질환 위험도 분석 모델의 학습 방법

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07311834A (ja) * 1994-05-19 1995-11-28 Toshiba Medical Eng Co Ltd 画像処理装置及びその補助具
US20040127799A1 (en) * 2000-02-02 2004-07-01 Sorensen Gregory A Method for evaluating novel, stroke treatments using a tissue risk map
JP2005237441A (ja) * 2004-02-24 2005-09-08 Kokuritsu Seishin Shinkei Center 脳疾患の診断支援方法及び装置
US20080183069A1 (en) * 2007-01-30 2008-07-31 Kabushiki Kaisha Toshiba Medical diagnosis assistance system, medical care assistance device, and medical care assistance method
KR20120050379A (ko) * 2010-11-10 2012-05-18 삼성전자주식회사 ＭＲＩ및 ｆＭＲＩ를 이용한 뇌 질환 분석 장치 및 방법
KR20130082849A (ko) * 2011-12-20 2013-07-22 삼성전자주식회사 진단 근거를 제공하는 의료영상 진단 장치 및 방법
KR101301490B1 (ko) * 2012-06-19 2013-08-29 한국과학기술원 자기공명영상장치 및 확산강조영상획득방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6807441B2 (en) * 2000-05-19 2004-10-19 The Mcw Research Foundation Inc. Evaluation of tumor angiogenesis using magnetic resonance imaging
US8190232B2 (en) * 2007-10-04 2012-05-29 Siemens Aktiengesellschaft Automatic alignment of magnetic resonance imaging (MRI) brain scan by anatomic landmarks

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07311834A (ja) * 1994-05-19 1995-11-28 Toshiba Medical Eng Co Ltd 画像処理装置及びその補助具
US20040127799A1 (en) * 2000-02-02 2004-07-01 Sorensen Gregory A Method for evaluating novel, stroke treatments using a tissue risk map
JP2005237441A (ja) * 2004-02-24 2005-09-08 Kokuritsu Seishin Shinkei Center 脳疾患の診断支援方法及び装置
US20080183069A1 (en) * 2007-01-30 2008-07-31 Kabushiki Kaisha Toshiba Medical diagnosis assistance system, medical care assistance device, and medical care assistance method
KR20120050379A (ko) * 2010-11-10 2012-05-18 삼성전자주식회사 ＭＲＩ및 ｆＭＲＩ를 이용한 뇌 질환 분석 장치 및 방법
KR20130082849A (ko) * 2011-12-20 2013-07-22 삼성전자주식회사 진단 근거를 제공하는 의료영상 진단 장치 및 방법
KR101301490B1 (ko) * 2012-06-19 2013-08-29 한국과학기술원 자기공명영상장치 및 확산강조영상획득방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020506012A (ja) * 2016-10-20 2020-02-27 ジェイエルケイ インスペクション 脳卒中の診断及び予後予測方法並びにシステム
CN110097010A (zh) * 2019-05-06 2019-08-06 北京达佳互联信息技术有限公司 图文检测方法、装置、服务器及存储介质

Also Published As

Publication number Publication date
KR101611367B1 (ko) 2016-04-12
US20160302689A1 (en) 2016-10-20
KR20150057045A (ko) 2015-05-28
US9854990B2 (en) 2018-01-02

Similar Documents

Publication Publication Date Title
WO2015072818A1 (ko) 뇌질환 진단 서비스 장치 및 뇌질환 진단 서비스 방법
CN110009623B (zh) 一种图像识别模型训练及图像识别方法、装置及系统
WO2018074739A1 (ko) 뇌졸중 진단 및 예후 예측 방법 및 시스템
WO2019132168A1 (ko) 수술영상데이터 학습시스템
WO2017022882A1 (ko) 의료 영상의 병리 진단 분류 장치 및 이를 이용한 병리 진단 시스템
WO2019103440A1 (ko) 피검체의 의료 영상의 판독을 지원하는 방법 및 이를 이용한 장치
WO2019054638A1 (ko) 영상 분석 방법, 장치 및 컴퓨터 프로그램
WO2016047922A1 (ko) Eeg 데이터를 이용하여 사용자 특성의 변화를 예측하는 방법
WO2018070760A1 (ko) 열화상카메라를 이용한 유방암 진단 장치 및 방법
WO2020180135A1 (ko) 뇌 질환 예측 장치 및 방법, 뇌 질환을 예측하기 위한 학습 장치
US20210090248A1 (en) Cervical cancer diagnosis method and apparatus using artificial intelligence-based medical image analysis and software program therefor
Adal et al. Automated detection of microaneurysms using robust blob descriptors
WO2019098415A1 (ko) 자궁경부암에 대한 피검체의 발병 여부를 판정하는 방법 및 이를 이용한 장치
WO2021010777A1 (ko) 관절염 심각도 정밀 분석 장치 및 방법
WO2019189972A1 (ko) 치매를 진단을 하기 위해 홍채 영상을 인공지능으로 분석하는 방법
CN107977958A (zh) 一种图像诊断方法和装置
WO2017010612A1 (ko) 의료 영상 분석 기반의 병리 진단 예측 시스템 및 방법
WO2021201582A1 (ko) 피부 병변의 원인 분석 방법 및 장치
WO2016085236A1 (ko) 갑상선암 자동 판별 방법 및 시스템
WO2015126058A1 (ko) 암 예후 예측 방법
WO2024005542A1 (ko) 주름 검출을 통해 질환을 예측하는 방법 및 장치
WO2022158843A1 (ko) 조직 검체 이미지 정제 방법, 및 이를 수행하는 컴퓨팅 시스템
WO2021177799A1 (ko) 이미지 기반 코로나바이러스감염증 정량 분류 방법 및 시스템
CN115937129A (zh) 基于多模态磁共振影像的左右半脑关系的处理方法及装置
WO2021112436A1 (ko) 장 정결도의 자동화 계산 장치 및 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14862052

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 15037316

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 14862052

Country of ref document: EP

Kind code of ref document: A1