WO2020101264A1 - 관상동맥석회화점수 산정 방법 및 장치 - Google Patents

관상동맥석회화점수 산정 방법 및 장치 Download PDF

Info

Publication number
WO2020101264A1
WO2020101264A1 PCT/KR2019/015058 KR2019015058W WO2020101264A1 WO 2020101264 A1 WO2020101264 A1 WO 2020101264A1 KR 2019015058 W KR2019015058 W KR 2019015058W WO 2020101264 A1 WO2020101264 A1 WO 2020101264A1
Authority
WO
WIPO (PCT)
Prior art keywords
coronary artery
artery
coronary
myocardium
target image
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2019/015058
Other languages
English (en)
French (fr)
Inventor
양동현
이준구
김영학
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Asan Foundation
University of Ulsan Foundation for Industry Cooperation
Original Assignee
Asan Foundation
University of Ulsan Foundation for Industry Cooperation
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 Asan Foundation, University of Ulsan Foundation for Industry Cooperation filed Critical Asan Foundation
Priority to DE112019005696.4T priority Critical patent/DE112019005696T5/de
Priority to US17/293,563 priority patent/US11877880B2/en
Publication of WO2020101264A1 publication Critical patent/WO2020101264A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • 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
    • A61B6/503—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 the heart
    • 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
    • A61B6/48—Diagnostic techniques
    • 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
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T2207/30048—Heart; Cardiac
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Definitions

  • the present invention relates to an apparatus and method for calculating the coronary artery calcification score using an artificial neural network.
  • Coronary artery disease is one of the causes of death, and myocardial infarction occurs in about 50% of coronary artery disease patients and can lead to death in severe cases.
  • There are various methods for the diagnosis of coronary artery disease for example, calculation of coronary artery calcium (CAC) score and coronary CT angiography.
  • CAC coronary artery calcium
  • the coronary calcification score which can be calculated using CT before contrast enhancement, is widely used for the diagnosis of coronary artery disease.
  • the coronary artery calcification score can be obtained through medical imaging such as computed tomography (“CT”), and can be used as a predictor of cardiovascular disease by quantifying the level of calcium accumulation in blood vessels.
  • CT computed tomography
  • the problem to be solved by the present invention is to provide an apparatus and method for automatically calculating a coronary calcification score using an artificial neural network without the intervention of a doctor or an analyst.
  • the method for calculating the coronary artery calcification score comprises: obtaining a target image for a coronary artery and a myocardium before contrast enhancement, and identifying the coronary artery included in the target image using an artificial neural network And calculating a coronary calcification score based on the identified coronary artery, wherein the artificial neural network comprises an image of a coronary artery and a myocardium before and after a planned and enhanced myocardial enhancement and Learning is performed based on a learning database generated by matching images to the myocardium.
  • the step of identifying the coronary artery, using the artificial neural network the left coronary artery (Left Coronary Artery, LCA), the left main coronary artery (LMCA), the left anterior descending artery (Left Artery) in the target image
  • Anterior Descending coronary artery (LAD) proximal left anterior descending artery, middle left anterior descending artery, distal left anterior descending artery, right coronary artery (RCA), proximal right coronary artery, middle
  • the information, the information, the left coronary artery, the left main coronary artery, the left anterior descending artery, the proximal left anterior descending artery, the middle left anterior descending artery, the distal left anterior descending artery, the right coronary artery, the It includes information on at least one of a position, shape, and length of each of the proximal right coronary artery, the middle right coronary artery, the distal right coronary artery, the posterior descending artery, and the myocardium.
  • the calculating of the coronary artery calcification score may include identifying a calcified area in the target image, and calculating a coronary artery calcification score using an area corresponding to the identified coronary artery among the identified areas. Includes.
  • the image of the coronary artery and myocardium before the planned enhancement of the contrast and the image of the coronary artery and myocardium after the planned enhancement of the contrast is an image of the same subject, and the artificial neural network uses FCN (Fully Convolutional Network).
  • the target image is a computed tomography (CT) image.
  • CT computed tomography
  • the apparatus for calculating the coronary artery calcification score includes a target image acquiring unit for acquiring a target image for a coronary artery and myocardium before contrast enhancement, and the coronary artery included in the target image using an artificial neural network
  • the coronary artery identification unit uses the artificial neural network, the left coronary artery (Left Coronary Artery, LCA), the left main coronary artery (LMCA), the left anterior descending coronary in the target image artery, LAD), proximal left anterior descending artery, middle left anterior descending artery, distal left anterior descending artery, right coronary artery (RCA), proximal right coronary artery, middle right coronary artery Identifies information about at least one of the artery, distal right coronary artery, posterior descending artery (PDA), and myocardium.
  • LCA Left Coronary Artery
  • LMCA left main coronary artery
  • LAD left anterior descending coronary in the target image artery
  • proximal left anterior descending artery middle left anterior descending artery
  • distal left anterior descending artery distal left anterior descending artery
  • right coronary artery RCA
  • proximal right coronary artery middle right coronary artery
  • the information, the information, the left coronary artery, the left main coronary artery, the left anterior descending artery, the proximal left anterior descending artery, the middle left anterior descending artery, the distal left anterior descending artery, the right coronary artery, the It includes information on at least one of the position, shape, and length of each of the proximal right coronary artery, the middle right coronary artery, the distal right coronary artery, the posterior descending artery, and the myocardium.
  • the calculation unit identifies a calcified region in the target image, and calculates a coronary calcification score using an area corresponding to the identified coronary artery among the identified regions.
  • the image of the coronary artery and myocardium before the planned enhancement of the contrast and the image of the coronary artery and myocardium after the planned enhancement of the contrast is an image of the same subject, and the artificial neural network uses FCN (Fully Convolutional Network).
  • the target image is a computed tomography (CT) image.
  • CT computed tomography
  • a computer-readable recording medium storing a computer program comprises: obtaining a target image of a coronary artery and a myocardium before contrast enhancement, and using the artificial neural network to include the target image Identifying a coronary artery, and calculating a coronary calcification score based on the identified coronary artery, wherein the artificial neural network is an image of a coronary artery and a myocardium before and after augmented contrast enhancement It includes instructions for allowing the processor to perform a method of calculating a coronary artery calcification score in which learning is performed based on a learning database generated by matching images of coronary arteries and myocardium after augmentation.
  • the apparatus and method for calculating the coronary artery calcification score identifies a coronary artery using an artificial neural network, calculates the coronary artery calcification score based on the identified coronary artery, and calculates the coronary artery calcification score. Accuracy, reliability and objectivity can be improved.
  • FIG. 1 shows an example of a coronary artery identification process using an artificial neural network according to an embodiment of the present invention.
  • Figure 2 shows an example of a functional configuration of a coronary artery calcification point calculation device according to an embodiment of the present invention.
  • Figure 3 shows the flow of each step of the coronary artery calcification point calculation method according to an embodiment of the present invention.
  • Figure 4 shows an example of the input image and the output image of the coronary artery calcification point calculation device according to an embodiment of the present invention.
  • FIG. 1 shows an example of a coronary artery identification process using an artificial neural network according to an embodiment of the present invention.
  • the input image 101 may be an image of a human heart region. More specifically, the input image 101 may include images of the coronary artery and myocardium before contrast enhancement.
  • the apparatus for calculating the coronary artery calcification score may allow the area of the coronary artery included in the input image 101 to be identified by the artificial neural network 102.
  • the identified region of the coronary artery may be a highlighted portion of the output image 103, for example, a portion indicated by X, Y, and Z.
  • the apparatus for calculating the coronary artery calcification score may classify the coronary artery included in the input image 101 according to its type, and further distinguish the myocardium.
  • the coronary arteries classified by the coronary calcification point calculation device are the left coronary artery (LCA), the left main coronary artery (LMCA), and the left anterior descending coronary artery (LAD). ), Proximal left anterior descending artery, middle left anterior descending artery, distal left anterior descending artery, right coronary artery (RCA), proximal right coronary artery, middle right coronary artery, distal part Right coronary artery, posterior descending artery (PDA), and the like.
  • the myocardium classified by the coronary calcification score calculation device may include, for example, the left ventricle and right ventricle.
  • Figure 2 shows an example of a functional configuration of a coronary artery calcification point calculation device according to an embodiment of the present invention.
  • the apparatus for calculating the coronary artery calcification score 10 may include a target image acquisition unit 210, a coronary artery identification unit 220, and a calculation unit 230.
  • the target image acquisition unit 210 may acquire a target image for the coronary artery and myocardium before contrast enhancement.
  • the target image may include a medical image.
  • the target image may include, but is not limited to, a computed tomography (CT) image.
  • CT computed tomography
  • the target image may include organs other than the coronary artery and the myocardium.
  • the target image since the target image is an image before the contrast agent is administered, it may be an image in an ambiguous state in which the boundary of each organ is not clearly revealed. 4 may be referred to for a specific example.
  • the coronary artery identification unit 220 may use the artificial neural network 102 to identify the coronary artery included in the target image.
  • the artificial neural network 102 is trained based on a learning database generated by matching images of coronary arteries and myocardium before and after planned contrast enhancement and images of coronary artery and myocardium after planned and acquired contrast enhancement. It may have been done.
  • the image of the coronary artery and myocardium before and after the planned augmentation enhancement and the image of the coronary artery and myocardium after the planned enhancement is the same object, that is, the image of the same patient, and may be a large amount of data stored in advance. .
  • the images before and after matching contrast enhancement may be images for the same object. Matching of images to the same object is easy for a person skilled in the art, and a more detailed description related thereto may be omitted.
  • a medical image after contrast enhancement can be obtained based on the administration of a contrast agent to the patient, and the medical images after contrast enhancement are more clearly distinguished by each organ.
  • the above-described artificial neural network 102 may be an algorithm learned to accurately classify each organ included in the image before contrast enhancement if an image before contrast enhancement is provided as a later input image using the medical image after contrast enhancement.
  • the coronary arteries may be classified by type, and accordingly, it may be further learned to classify the coronary artery itself into a detailed type.
  • the artificial neural network 102 may include a Fully Convolutional Network (FCN).
  • FCN Fully Convolutional Network
  • the artificial neural network 102 is not limited thereto, and may include various machine learning algorithms (or deep learning algorithms or artificial intelligence algorithms) related to image identification.
  • the coronary artery identification unit 220 may use the artificial neural network 102 to distinguish the myocardium and the coronary arteries from the target image, and further classify the coronary arteries according to types. These categories are: left coronary artery, left main coronary artery, left anterior descending artery, proximal left anterior descending artery, middle left anterior descending artery, distal left anterior descending artery, right coronary artery, proximal right coronary artery, middle right coronary artery, distal right coronary artery. , The posterior descending artery and the myocardium can be performed based on information on at least one of the location, shape and length of each.
  • the calculation unit 230 may calculate the coronary calcification score based on the identified coronary artery.
  • the calculation unit 230 may identify a calcified region (or a region in which calcium is accumulated) in the target image and determine an area corresponding to the identified coronary artery among the identified regions.
  • the calculation unit 230 may calculate the coronary artery calcification score according to the degree of calcification of the region corresponding to the coronary artery.
  • the target image may include myocardium or other organs in addition to the coronary artery. Accordingly, when the calcified region is identified for the entire target image, there may be a calcified region in a portion other than the coronary artery for various reasons.
  • the calculation unit 230 may determine the area corresponding to the coronary artery in the identified calcified area, and calculate the coronary artery calcification score.
  • the coronary artery calcification index calculation device 10 may perform a more detailed calculation of the coronary artery calcification score, and furthermore, use this information to diagnose a predicted site of cardiovascular disease, the probability of occurrence of cardiovascular disease, and risk. have.
  • the calculation unit 230 may first identify an area corresponding to the coronary artery in the target image and determine the degree of calcification for the area, and also identify the area corresponding to the coronary artery and determine the degree of calcification. It goes without saying that it is also possible to perform judgment simultaneously.
  • the calcification score is a value that varies depending on the amount of calcium accumulated in the coronary artery, and the calculation unit 230 can automatically calculate the calcification score according to a preset criterion.
  • the standard for calculating the calcification score it is easy for a skilled person, and detailed description will be omitted.
  • FIG. 3 shows the flow of each step of the coronary artery calcification point calculation method according to an embodiment of the present invention.
  • FIG. 3 each configuration of the apparatus for calculating the coronary artery calcification score 10 of FIG. 2 will be mainly described.
  • each step of the method illustrated in FIG. 3 may be different from the order shown in the drawings. Of course, it can be performed.
  • the target image acquisition unit 210 may acquire a target image for the coronary artery and myocardium before contrast enhancement (S110). More specifically, the target image acquisition unit 210 may acquire a medical image including a coronary artery and myocardium of a patient to which no contrast medium has been administered, as a target image.
  • the medical image may include various types of medically used images, and may include, for example, computed tomography (CT).
  • the target image obtained by the target image acquisition unit 210 is a medical image before contrast enhancement, and may be an image in which the distinction between the coronary artery and other organs is generally ambiguous.
  • the coronary artery identification unit 220 may identify the coronary artery using the artificial neural network 102 (S120). Specifically, the coronary artery identification unit 220 may identify the coronary artery in the target image using the artificial neural network 102. In addition, the coronary artery identification unit 220 may be to use the artificial neural network 102 to more clearly distinguish the coronary artery from the target image.
  • the artificial neural network 102 may be an algorithm learned using a learning database obtained by matching images of coronary arteries and myocardium before contrast enhancement and images of coronary arteries and myocardium after contrast enhancement. At this time, the images before and after contrast enhancement used for registration may be images of the same subject, that is, the same patient.
  • the coronary artery identification unit 220 may identify the coronary artery and the myocardium in detail in a target image based on the artificial neural network 102.
  • the calculation unit 230 may calculate the coronary calcification score based on the identified coronary artery (S130). More specifically, the calculation unit 230 may determine the target image to obtain information on the calcified portion, and compare the portion of the calcified portion with the identified coronary artery, and coronary artery among the calcified portion You can decide the part that corresponds to. Based on this determination, the calculation unit 230 may calculate the coronary artery calcification score by performing an analysis on the degree of calcification of the coronary artery.
  • the calculation unit 230 may first identify an area corresponding to the coronary artery in the target image, determine the degree of calcification for the area, or allow the identification of the coronary artery area and the determination of the degree of calcification to be performed simultaneously. Yes, of course.
  • a coronary artery calcification score may be calculated using a method of measuring the amount of calcium accumulated in a coronary artery and scoring in proportion to the amount of the coronary artery.
  • Figure 4 shows an example of the input image and the output image of the coronary artery calcification point calculation device according to an embodiment of the present invention.
  • the apparatus for calculating coronary artery calcification score 10 may receive an input image 401 as a target image.
  • the apparatus for calculating the coronary artery calcification score 10 may analyze the input image 401 based on the artificial neural network 102 and provide an output image 402 in which the coronary artery and the myocardium are separated.
  • the input image 401 is a medical image before contrast enhancement, and may be an image in which the division of each organ appearing in the image is ambiguous. However, based on the identification of the input image 401 by the coronary artery identification unit 220 of the present invention, a portion corresponding to the coronary artery may be divided and displayed as the output image 402.
  • the portion indicated by A in the output image 402 may be a portion corresponding to the left ventricle, and the other portions may be portions corresponding to the coronary arteries, for example. have.
  • the apparatus for calculating the coronary artery calcification score 10 can classify the coronary arteries in detail, and may be classified and displayed in various forms according to the type as shown in the output image 402. However, this division is only an example, and the idea of the present invention is not limited to this.
  • the output image 402 may be provided to be displayed on the coronary artery calcification point calculation apparatus 10, and in some cases, it is not provided and consequently, only the calcification score and final average calcification score for each coronary artery may be calculated and provided. have.
  • Combinations of each block in the block diagrams and each step of the flowcharts attached to this specification may be performed by computer program instructions.
  • These computer program instructions may be mounted on a processor of a general purpose computer, special purpose computer, or other programmable data processing equipment, so that instructions executed through a processor of a computer or other programmable data processing equipment may be used in each block or flowchart of the block diagram.
  • means are created to perform the functions described.
  • These computer program instructions can also be stored in a computer readable or computer readable memory or recording medium that can be oriented to a computer or other programmable data processing equipment to implement a function in a particular manner.
  • instructions stored in a readable memory or recording medium can produce an article of manufacture containing instructions means for performing the functions described in each block or flowchart of each block diagram.
  • Computer program instructions can also be mounted on a computer or other programmable data processing equipment, so a series of operational steps are performed on a computer or other programmable data processing equipment to create a process that is executed by the computer to generate a computer or other programmable data. It is also possible for instructions to perform processing equipment to provide steps for performing the functions described in each block of the block diagram and in each step of the flowchart.
  • each block or each step can represent a module, segment, or portion of code that includes one or more executable instructions for executing the specified logical function (s). It should also be noted that in some alternative embodiments it is possible that the functions mentioned in blocks or steps occur out of order. For example, two blocks or steps shown in succession may in fact be executed substantially simultaneously, or it is also possible that the blocks or steps are sometimes performed in reverse order depending on the corresponding function.

Landscapes

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

Abstract

본 발명의 일 실시예에 따른 관상동맥석회화점수 산정 방법은, 조영증강 전의 관상동맥과 심근에 대한 대상 이미지를 획득하는 단계와, 인공신경망을 이용하여 상기 대상 이미지에 포함되는 상기 관상동맥을 식별하는 단계와, 상기 식별된 관상동맥에 기초하여 관상동맥석회화점수를 산정하는 단계를 포함하고, 상기 인공신경망은 기획득된 조영증강 전의 관상동맥과 심근에 대한 이미지와 기획득된 조영증강 후의 관상동맥과 심근에 대한 이미지의 정합에 의해 생성된 학습 데이터 베이스에 기초하여 학습이 수행된다.

Description

관상동맥석회화점수 산정 방법 및 장치
본 발명은 인공신경망을 이용하여 관상동맥석회화점수를 산정하는 장치 및 방법에 관한 것이다.
관상동맥질환은 사망을 유발하는 원인 중 하나로서, 관상동맥질환자의 50% 정도에서 심근경색이 발생하며, 그 정도가 심한 경우에는 사망에 이를 수 있다. 이와 같은 관상동맥질환의 진단을 위해 다양한 방법, 예를 들면 관상동맥석회화(CAC, coronary artery calcium)점수의 산정과 관상동맥CT혈관조영술이 존재한다.
한편, 관상동맥CT혈관조영술의 경우, 조영증강을 실시해야하기 때문에, 환자가 조영제를 투입받아야 하므로, 조영제에 대한 알레르기 반응이나 신장 독성이 생길 수 있는 문제점이 있다. 이로 인해, 관상동맥CT혈관조영술 대신 조영증강 전의 CT를 이용하여 산정 가능한 관상동맥석회화점수가 관상동맥질환의 진단을 위해 많이 이용되고 있다.
구체적으로, 관상동맥석회화점수는 컴퓨터 단층촬영(Computed Tomography, 이하 'CT') 등과 같은 의학용 영상을 통해 획득될 수 있으며, 혈관 상의 칼슘의 축적 정도를 수치화하여 심혈관질환의 예측인자로 활용될 수 있다.
이러한 관상동맥석회화점수의 산정을 위해서는, 의사 또는 분석가가 획득된 CT에 나타나는 다양한 기관들 중 관상동맥부분을 찾아서, 관상동맥부분에 대한 칼슘의 양을 평가하여야 한다는 번거로움이 존재한다. 또한, 조영증강 전의 CT에서는 관상동맥부분이 명확히 드러나지 않아, 의사 또는 분석가의 경험과 판단에 의존해야하기 때문에 정확성이나 객관성이 다소 낮다는 단점이 존재한다.
(특허문헌)
한국공개특허 제10-2014-0141526호 (2014년 12월 10일 공개)
본 발명이 해결하고자 하는 과제는, 인공신경망을 이용하여 관상동맥석회화점수를 의사 또는 분석가의 개입 없이 자동으로 산정하는 장치 및 방법을 제공하는 것이다.
다만, 본 발명이 해결하고자 하는 과제는 이상에서 언급한 바로 제한되지 않으며, 언급되지는 않았으나 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있는 목적을 포함할 수 있다.
본 발명의 일 실시예에 따른 관상동맥석회화점수 산정 방법은, 조영증강 전의 관상동맥과 심근에 대한 대상 이미지를 획득하는 단계와, 인공신경망을 이용하여 상기 대상 이미지에 포함되는 상기 관상동맥을 식별하는 단계와, 상기 식별된 관상동맥에 기초하여 관상동맥석회화점수를 산정하는 단계를 포함하고, 상기 인공신경망은 기획득된 조영증강 전의 관상동맥과 심근에 대한 이미지와 기획득된 조영증강 후의 관상동맥과 심근에 대한 이미지의 정합에 의해 생성된 학습 데이터 베이스에 기초하여 학습이 수행된다.
또한, 상기 관상동맥을 식별하는 단계는, 상기 인공신경망을 이용하여, 상기 대상 이미지에서 좌관상동맥(Left Coronary Artery, LCA), 좌주관상동맥(Left Main Coronary Artery, LMCA), 좌전하행동맥(Left Anterior Descending coronary artery, LAD), 근위부(proximal) 좌전하행동맥, 중간부(middle) 좌전하행동맥, 원위부(distal) 좌전하행동맥, 우관상동맥(Right Coronary Artery, RCA), 근위부 우관상동맥, 중간부 우관상동맥, 원위부 우관상동맥, 후하행동맥(posterior descending artery, PDA) 및 심근 중 적어도 하나에 대한 정보를 식별하는 단계를 포함한다.
또한, 상기 정보는, 상기 정보는, 상기 좌관상동맥, 상기 좌주관상동맥, 상기 좌전하행동맥, 상기 근위부 좌전하행동맥, 상기 중간부 좌전하행동맥, 상기 원위부 좌전하행동맥, 상기 우관상동맥, 상기 근위부 우관상동맥, 상기 중간부 우관상동맥, 상기 원위부 우관상동맥, 상기 후하행동맥 및 상기 심근에 대한 각각의 위치, 형태 및 길이 중 적어도 하나에 대한 정보를 포함한다.
또한, 상기 관상동맥석회화점수를 산정하는 단계는, 상기 대상 이미지에서 석회화된 영역을 식별하고, 상기 식별된 영역 중 상기 식별된 관상동맥에 대응하는 영역을 이용하여 관상동맥석회화점수를 산정하는 단계를 포함한다.
또한, 상기 기획득된 조영증강 전의 관상동맥과 심근에 대한 이미지와 상기 기획득된 조영증강 후의 관상동맥과 심근에 대한 이미지는 동일한 대상에 대한 이미지이고, 상기 인공신경망은 FCN(Fully Convolutional Network)를 포함한다.
또한, 상기 대상 이미지는 컴퓨터 단층촬영(Computed Tomography, CT) 이미지이다.
본 발명의 일 실시예에 따른 관상동맥석회화점수 산정 장치는, 조영증강 전의 관상동맥과 심근에 대한 대상 이미지를 획득하는 대상 이미지 획득부와, 인공신경망을 이용하여 상기 대상 이미지에 포함되는 상기 관상동맥을 식별하는 관상동맥 식별부와, 상기 식별된 관상동맥에 기초하여 관상동맥석회화점수를 산정하는 산정부를 포함하고, 상기 인공신경망은 기획득된 조영증강 전의 관상동맥과 심근에 대한 이미지와 기획득된 조영증강 후의 관상동맥과 심근에 대한 이미지의 정합에 의해 생성된 학습 데이터 베이스에 기초하여 학습이 수행된다.
또한, 상기 관상동맥 식별부는, 상기 인공신경망을 이용하여, 상기 대상 이미지에서 좌관상동맥(Left Coronary Artery, LCA), 좌주관상동맥(Left Main Coronary Artery, LMCA), 좌전하행동맥(Left Anterior Descending coronary artery, LAD), 근위부(proximal) 좌전하행동맥, 중간부(middle) 좌전하행동맥, 원위부(distal) 좌전하행동맥, 우관상동맥(Right Coronary Artery, RCA), 근위부 우관상동맥, 중간부 우관상동맥, 원위부 우관상동맥, 후하행동맥(posterior descending artery, PDA) 및 심근 중 적어도 하나에 대한 정보를 식별한다.
또한, 상기 정보는, 상기 정보는, 상기 좌관상동맥, 상기 좌주관상동맥, 상기 좌전하행동맥, 상기 근위부 좌전하행동맥, 상기 중간부 좌전하행동맥, 상기 원위부 좌전하행동맥, 상기 우관상동맥, 상기 근위부 우관상동맥, 상기 중간부 우관상동맥, 상기 원위부 우관상동맥, 상기 후하행동맥 및 및 상기 심근에 대한 각각의 위치, 형태 및 길이 중 적어도 하나에 대한 정보를 포함한다.
또한, 상기 산정부는, 상기 대상 이미지에서 석회화된 영역을 식별하고, 상기 식별된 영역 중 상기 식별된 관상동맥에 대응하는 영역을 이용하여 관상동맥석회화점수를 산정한다.
또한, 상기 기획득된 조영증강 전의 관상동맥과 심근에 대한 이미지와 상기 기획득된 조영증강 후의 관상동맥과 심근에 대한 이미지는 동일한 대상에 대한 이미지이고, 상기 인공신경망은 FCN(Fully Convolutional Network)를 포함한다.
또한, 상기 대상 이미지는 컴퓨터 단층촬영(Computed Tomography, CT) 이미지이다.
본 발명의 일 실시예에 따른 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체는, 조영증강 전의 관상동맥과 심근에 대한 대상 이미지를 획득하는 단계와, 인공신경망을 이용하여 상기 대상 이미지에 포함되는 상기 관상동맥을 식별하는 단계와,상기 식별된 관상동맥에 기초하여 관상동맥석회화점수를 산정하는 단계를 포함하고, 상기 인공신경망은 기획득된 조영증강 전의 관상동맥과 심근에 대한 이미지와 기획득된 조영증강 후의 관상동맥과 심근에 대한 이미지의 정합에 의해 생성된 학습 데이터 베이스에 기초하여 학습이 수행된　관상동맥석회화점수 산정 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함한다.
본 발명의 실시예에 따른 관상동맥석회화점수 산정 장치 및 방법은 인공신경망을 이용하여 관상동맥을 식별하고, 식별된 관상동맥에 기초하여 관상동맥석회화점수를 산정하여, 관상동맥석회화점수의 산정에 대한 정확성, 신뢰성 및 객관성을 향상시킬 수 있다.
다만, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 인공신경망을 이용한 관상동맥 식별 과정의 예를 도시한다.
도 2는 본 발명의 일 실시예에 따른 관상동맥석회화점수 산정 장치의 기능적 구성의 예를 도시한다.
도 3은 본 발명의 일 실시예에 따른 관상동맥석회화점수 산정 방법의 각 단계의 흐름을 도시한다.
도 4는 본 발명의 일 실시예에 따른 관상동맥석회화점수 산정 장치의 입력 영상과 출력 영상의 예를 도시한다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명의 범주는 청구항에 의해 정의될 뿐이다.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명은 본 발명의 실시예들을 설명함에 있어 실제로 필요한 경우 외에는 생략될 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로, 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예들을 포함할 수 있는바, 특정 실시예들을 도면에 예시하고 상세한 설명에 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로서 이해되어야 한다.
제 1, 제 2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 해당 구성요소들은 이와 같은 용어들에 의해 한정되지는 않는다. 이 용어들은 하나의 구성요소들을 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
도 1은 본 발명의 일 실시예에 따른 인공신경망을 이용한 관상동맥 식별 과정의 예를 도시한다.
도 1을 참조하면, 입력 영상(101)은 사람의 심장 영역에 대한 이미지일 수 있다. 보다 구체적으로, 입력 영상(101)은 조영증강 전의 관상동맥과 심근에 대한 이미지를 포함할 수 있다.
관상동맥석회화점수 산정 장치는 인공신경망(102)에 의해 입력 영상(101) 내에 포함되는 관상동맥의 영역이 식별되도록 할 수 있다. 예를 들면, 도 1에 도시된 바와 같이, 식별된 관상동맥의 영역은 출력 영상(103)에 있어서, 강조 된 부분, 예를 들어, X, Y, Z로 지시된 부분일 수 있다.
보다 구체적으로, 예를 들면, 관상동맥석회화점수 산정 장치는 입력 영상(101)에 포함된 관상동맥을 그 종류에 따라 세부적으로 구분하고, 나아가 심근도 구분할 수 있다. 관상동맥석회화점수 산정 장치에 의해 구분되는 관상동맥은 좌관상동맥(Left Coronary Artery, LCA), 좌주관상동맥(Left Main Coronary Artery, LMCA), 좌전하행(관상)동맥(Left Anterior Descending coronary artery, LAD), 근위부(proximal) 좌전하행동맥, 중간부(middle) 좌전하행동맥, 원위부(distal) 좌전하행동맥, 우관상동맥(Right Coronary Artery, RCA), 근위부 우관상동맥, 중간부 우관상동맥, 원위부 우관상동맥, 후하행동맥(posterior descending artery, PDA) 등을 포함할 수 있다. 관상도맥석회화점수 산정 장치에 의해 구분되는 심근은, 예를 들면 좌심실, 우심실을 포함할 수 있다.
도 2는 본 발명의 일 실시예에 따른 관상동맥석회화점수 산정 장치의 기능적 구성의 예를 도시한다.
도 2를 참조하면, 관상동맥석회화점수 산정 장치(10)는 대상 이미지 획득부(210), 관상동맥 식별부(220), 산정부(230)를 포함할 수 있다.
대상 이미지 획득부(210)는 조영증강 전의 관상동맥과 심근에 대한 대상 이미지를 획득할 수 있다. 대상 이미지는 의학용 영상을 포함할 수 있다. 예를 들어, 대상 이미지는 컴퓨터 단층촬영(Computed Tomography, CT) 이미지를 포함할 수 있지만, 이에 제한되는 것은 아니다.
경우에 따라, 대상 이미지에는 관상동맥과 심근 이외의 다른 기관을 포함할 수도 있음은 물론이다. 다만, 대상 이미지는 조영제가 투여되기 전의 이미지이기 때문에, 각 기관들의 경계가 명확히 드러나지 않은 모호한 상태의 이미지일 수 있다. 이와 관련된 구체적인 예시는 도 4를 참조할 수 있다.
관상동맥 식별부(220)는 인공신경망(102)을 이용하여 대상 이미지에 포함되는 관상동맥을 식별할 수 있다. 여기서, 인공신경망(102)은 기획득된 조영증강 전의 관상동맥과 심근에 대한 이미지와 기획득된 조영증강 후의 관상동맥과 심근에 대한 이미지의 정합에 의해 생성된 학습 데이터 베이스에 기초하여 학습이 수행된 것일 수 있다.
기획득된 조영증강 전의 관상동맥과 심근에 대한 이미지와 기획득된 조영증강 후의 관상동맥과 심근에 대한 이미지는 동일한 대상, 즉 동일한 환자에 대한 이미지로서, 미리 저장되어 있는 방대한 양의 데이터일 수 있다.
한편, 인공신경망(102)의 학습에 이용된 조영증강 전과 조영증강 후의 이미지는 복수개가 있을 수 있으며, 정합되는 조영증강 전과 후의 이미지는 동일한 대상에 대한 이미지일 수 있다. 동일한 대상에 대한 이미지의 정합은 통상의 기술자에게 용이한 바, 이와 관련된 보다 자세한 설명은 생략될 수 있다.
한편, 환자에 조영제가 투여됨에 기초하여 조영증강 후의 의학용 영상이 획득될 수 있는데, 이러한 조영증강 후의 의학용 영상은 각 기관들이 보다 명확히 구별되게 된다. 상술한 인공신경망(102)은 이러한 조영증강 후의 의학용 영상을 이용하여 추후 입력 영상으로서 조영증강 전의 이미지를 제공받으면, 조영증강 전의 이미지에 포함되는 각 기관들을 정확하게 구분하도록 학습된 알고리즘일 수 있다.
인공신경망(102)의 학습에 이용된 조영증강 후의 의학용 영상에는 관상동맥이 종류 별로 구분되어 있을 수 있고, 이에 따라, 관상동맥 자체를 구분하는 것에서 나아가 세부적인 종류로 구분하도록 학습될 수 있다.
인공신경망(102)은 FCN(Fully Convolutional Network)를 포함할 수 있다. 다만, 인공신경망(102)은, 이에 제한되지는 않으며, 영상의 식별과 관련된 다양한 기계 학습 알고리즘(또는 딥러닝 알고리즘, 또는 인공지능 알고리즘)을 포함할 수 있다.
관상동맥 식별부(220)는 인공신경망(102)을 이용하여, 대상 이미지에서 심근과 관상동맥을 구분하고, 나아가 관상동맥을 종류에 따라 세부적으로 구분할 수 있다. 이러한 구분은 좌관상동맥, 좌주관상동맥, 좌전하행동맥, 근위부 좌전하행동맥, 중간부 좌전하행동맥, 원위부 좌전하행동맥, 우관상동맥, 근위부 우관상동맥, 중간부 우관상동맥, 원위부 우관상동맥, 후하행동맥 및 심근 각각의 위치, 형태 및 길이 중 적어도 하나에 대한 정보에 기초하여 수행될 수 있다.
산정부(230)는 식별된 관상동맥에 기초하여 관상동맥석회화점수를 산정할 수 있다. 산정부(230)는 대상 이미지에서 석회화된 영역(또는 칼슘이 축적된 영역)을 식별하고, 식별된 영역 중 식별된 관상동맥에 대응하는 영역을 결정할 수 있다. 산정부(230)는 관상동맥에 대응하는 영역의 석회화 정도에 따라 관상동맥석회화점수를 산정할 수 있다.
보다 구체적으로 설명하면, 대상 이미지에는 관상동맥 이외에도 심근이나 그 외의 기관이 포함되어 있을 수 있다. 이에 따라, 대상 이미지 전체에 대해 석회화된 영역을 식별하게 되면 다양한 원인으로 관상동맥 이외의 부분에도 석회화된 영역이 있을 수 있다. 산정부(230)는 이처럼 식별된 석회화된 영역에서 관상동맥에 해당하는 영역을 결정하여, 관상동맥석회화점수를 산정할 수 있다.
이 때, 식별된 관상동맥의 종류에 기초하여 어느 관상동맥에 석회화가 많이 진행되었는지 등에 대한 정보도 획득할 수 있다. 즉, 관상동맥석회화지수 산정 장치(10)는 보다 상세한 관상동맥석회화점수의 산정을 수행하고, 나아가 이러한 정보를 이용하여 심혈관질환의 예상 부위, 심혈관질환의 발생 확률, 위험도 등에 대한 진단을 수행할 수도 있다.
경우에 따라, 산정부(230)는 대상 이미지에서 관상동맥에 해당하는 영역을 먼저 식별하고 해당 영역에 대한 석회화 정도를 판단할 수도 있고, 또한, 관상동맥에 해당하는 영역을 식별하는 것과 석회화 정도를 판단하는 것을 동시에 수행할 수도 있음은 물론이다.
한편, 석회화 점수는 관상동맥에 축적된 칼슘의 양의 정도에 따라 달라지는 값으로, 기 설정된 기준에 따라 산정부(230)는 자동적으로 석회화 점수를 산정할 수 있다. 석회화 점수의 산정 기준과 관련하여서는 통상의 기술자에게 용이한 바 자세한 설명은 생략하겠다.
도 3은 본 발명의 일 실시예에 따른 관상동맥석회화점수 산정 방법의 각 단계의 흐름을 도시한다. 이하, 도 3에서는 도 2의 관상동맥석회화점수 산정 장치(10)의 각 구성을 중심으로 설명하겠으며, 또한, 도 3에 도시된 방법의 각 단계는 경우에 따라 도면에 도시된 바와 그 순서를 달리하여 수행될 수 있음은 물론이다.
도 3을 참조하면, 대상 이미지 획득부(210)는 조영증강 전의 관상동맥과 심근에 대한 대상 이미지를 획득할 수 있다(S110). 보다 구체적으로, 대상 이미지 획득부(210)는 조영제가 투여되지 않은 환자의 관상동맥과 심근을 포함하는 의학용 영상을 대상 이미지로 획득할 수 있다. 의학용 영상은 의학적으로 이용되는 다양한 영상의 종류를 포함할 수 있으며, 예를 들어, 컴퓨터 단층촬영(CT) 등을 포함할 수 있다.
한편, 대상 이미지 획득부(210)에 의해 획득된 대상 이미지는 조영증강 전의 의학용 영상으로서, 일반적으로 관상동맥과 다른 기관에 대한 구분이 모호한 이미지일 수 있다.
관상동맥 식별부(220)는 인공신경망(102)을 이용하여 관상동맥을 식별할 수 있다(S120). 구체적으로, 관상동맥 식별부(220)는 인공신경망(102)을 이용하여 대상 이미지에서 관상동맥을 식별할 수 있다. 또한, 관상동맥 식별부(220)는 이와 같은 대상 이미지에서 관상동맥을 보다 명확히 구분해 내기 위해 인공신경망(102)을 이용하는 것일 수 있다.
인공신경망(102)은 조영증강 전의 관상동맥과 심근에 대한 이미지와 조영증강 후의 관상동맥과 심근에 대한 이미지를 정합시켜 획득된 학습 데이터 베이스를 이용하여 학습된 알고리즘일 수 있다. 이 때, 정합에 이용되는 조영증강 전과 후의 이미지는 동일한 대상, 즉 동일 환자에 대한 이미지일 수 있다. 관상동맥 식별부(220)는 이러한 인공신경망(102)에 기초하여 대상 이미지에서 관상동맥 및 심근을 세부적으로 식별할 수 있다.
산정부(230)는 식별된 관상동맥에 기초하여 관상동맥석회화점수를 산정할 수 있다(S130). 보다 구체적으로, 산정부(230)는 대상 이미지를 판별하여 석회화가 진행된 부분에 대한 정보를 획득할 수 있고, 석회화가 진행된 부분과 식별된 관상동맥의 부분을 비교하여, 석회화가 진행된 부분 중 관상동맥에 해당하는 부분을 결정할 수 있다. 이러한 결정에 기초하여, 산정부(230)는 관상동맥의 석회화 정도에 대한 분석을 수행함으로써 관상동맥석회화점수를 산정할 수 있다.
경우에 따라, 산정부(230)는 대상 이미지에서 관상동맥에 해당하는 영역을 먼저 식별하고, 해당 영역에 대한 석회화 정도를 판단하거나, 관상동맥 영역의 식별과 석회화 정도의 판단이 동시에 수행되도록 할 수도 있음은 물론이다.
여기서, 관상동맥석회화점수의 산정은 일반적으로 이용되는 다양한 기술을 활용할 수 있다. 예를 들어, 관상동맥에 축적된 칼슘의 양을 측정하여, 그 양의 정도에 비례하게 점수화를 하는 방법을 이용하여 관상동맥석회화점수를 산정할 수 있다.
도 4는 본 발명의 일 실시예에 따른 관상동맥석회화점수 산정 장치의 입력 영상과 출력 영상의 예를 도시한다.
도 4를 참조하면, 관상동맥석회화점수 산정 장치(10)는 대상 이미지로서 입력 영상(401)을 입력받을 수 있다. 관상동맥석회화점수 산정 장치(10)는 인공신경망(102)에 기초하여 입력 영상(401)을 분석하여 관상동맥과 심근이 구분된 출력 영상(402)을 제공할 수 있다.
도 4에 도시된 바와 같이, 입력 영상(401)은 조영증강 전의 의학용 영상으로서 영상에 나타나는 각각의 기관의 구분이 모호한 영상일 수 있다. 그러나, 본 발명의 관상동맥 식별부(220)에 의해 입력 영상(401)이 식별됨에 기초하여, 출력 영상(402)과 같이 관상동맥에 해당하는 부분이 구분되어 표시될 수 있다.
출력 영상(402)에서 A로 지시된 부분은 좌심실에 해당하는 부분을 표시하는 것 일 수 있으며, 그 외의 부분은, 예를 들어, B 내지 E로 지시된 부분은 관상동맥에 해당하는 부분일 수 있다. 상술한 바와 같이, 관상동맥석회화점수 산정 장치(10)는 관상동맥을 세부적으로 구분할 수 있는 바, 출력 영상(402)에 나타나는 것과 같이 그 종류에 따라 다양한 형태로 구분되어 표시될 수 있다. 다만, 이러한 구분은 일 예일 뿐 본 발명의 사상이 이에 제한되지 않음은 물론이다.
또한, 출력 영상(402)은 관상동맥석회화점수 산정 장치(10)에 표시되도록 제공될 수도 있고, 경우에 따라, 제공되지 않고 결과적으로 관상동맥 별 석회화 점수 및 최종 평균 석회화점수만 산정되어 제공될 수도 있다.
본 명세서에 첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리 또는 기록매체에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리 또는 기록매체에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 품질에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 명세서에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (13)

  1. 조영증강 전의 관상동맥과 심근에 대한 대상 이미지를 획득하는 단계와,
    인공신경망을 이용하여 상기 대상 이미지에 포함되는 상기 관상동맥을 식별하는 단계와,
    상기 식별된 관상동맥에 기초하여 관상동맥석회화점수를 산정하는 단계를 포함하고,
    상기 인공신경망은 기획득된 조영증강 전의 관상동맥과 심근에 대한 이미지와 기획득된 조영증강 후의 관상동맥과 심근에 대한 이미지의 정합에 의해 생성된 학습 데이터 베이스에 기초하여 학습이 수행된
    관상동맥석회화점수 산정 방법.
  2. 제1항에 있어서,
    상기 관상동맥을 식별하는 단계는,
    상기 인공신경망을 이용하여, 상기 대상 이미지에서 좌관상동맥(Left Coronary Artery, LCA), 좌주관상동맥(Left Main Coronary Artery, LMCA), 좌전하행동맥 (Left Anterior Descending coronary artery, LAD), 근위부(proximal) 좌전하행동맥, 중간부(middle) 좌전하행동맥, 원위부(distal) 좌전하행동맥, 우관상동맥(Right Coronary Artery, RCA), 근위부 우관상동맥, 중간부 우관상동맥, 원위부 우관상동맥, 후하행동맥(posterior descending artery, PDA) 및 심근 중 적어도 하나에 대한 정보를 식별하는 단계를 포함하는
    관상동맥석회화점수 산정 방법.
  3. 제2항에 있어서,
    상기 정보는, 상기 좌관상동맥, 상기 좌주관상동맥, 상기 좌전하행동맥, 상기 근위부 좌전하행동맥, 상기 중간부 좌전하행동맥, 상기 원위부 좌전하행동맥, 상기 우관상동맥, 상기 근위부 우관상동맥, 상기 중간부 우관상동맥, 상기 원위부 우관상동맥, 상기 후하행동맥 및 상기 심근에 대한 각각의 위치, 형태 및 길이 중 적어도 하나에 대한 정보를 포함하는
    관상동맥석회화점수 산정 방법.
  4. 제1항에 있어서,
    상기 관상동맥석회화점수를 산정하는 단계는,
    상기 대상 이미지에서 석회화된 영역을 식별하고, 상기 식별된 영역 중 상기 식별된 관상동맥에 대응하는 영역을 이용하여 관상동맥석회화점수를 산정하는 단계를 포함하는
    관상동맥석회화점수 산정 방법.
  5. 제1항에 있어서,
    상기 기획득된 조영증강 전의 관상동맥과 심근에 대한 이미지와 상기 기획득된 조영증강 후의 관상동맥과 심근에 대한 이미지는 동일한 대상에 대한 이미지이고,
    상기 인공신경망은 FCN(Fully Convolutional Network)를 포함하는
    관상동맥석회화점수 산정 방법.
  6. 제1항에 있어서,
    상기 대상 이미지는 컴퓨터 단층촬영(Computed Tomography, CT) 이미지인
    관상동맥석회화점수 산정 방법. .
  7. 조영증강 전의 관상동맥과 심근에 대한 대상 이미지를 획득하는 대상 이미지 획득부와,
    인공신경망을 이용하여 상기 대상 이미지에 포함되는 상기 관상동맥을 식별하는 관상동맥 식별부와,
    상기 식별된 관상동맥에 기초하여 관상동맥석회화점수를 산정하는 산정부를 포함하고,
    상기 인공신경망은 기획득된 조영증강 전의 관상동맥과 심근에 대한 이미지와 기획득된 조영증강 후의 관상동맥과 심근에 대한 이미지의 정합에 의해 생성된 학습 데이터 베이스에 기초하여 학습이 수행된
    관상동맥석회화점수 산정 장치.
  8. 제7항에 있어서,
    상기 관상동맥 식별부는,
    상기 인공신경망을 이용하여, 상기 대상 이미지에서 좌관상동맥(Left Coronary Artery, LCA), 좌주관상동맥(Left Main Coronary Artery, LMCA), 좌전하행동맥(Left Anterior Descending coronary artery, LAD), 근위부(proximal) 좌전하행동맥, 중간부(middle) 좌전하행동맥, 원위부(distal) 좌전하행동맥, 우관상동맥(Right Coronary Artery, RCA), 근위부 우관상동맥, 중간부 우관상동맥, 원위부 우관상동맥, 후하행동맥(posterior descending artery, PDA) 및 심근 중 적어도 하나에 대한 정보를 식별하는
    관상동맥석회화점수 산정 장치.
  9. 제8항에 있어서,
    상기 정보는, 상기 정보는, 상기 좌관상동맥, 상기 좌주관상동맥, 상기 좌전하행동맥, 상기 근위부 좌전하행동맥, 상기 중간부 좌전하행동맥, 상기 원위부 좌전하행동맥, 상기 우관상동맥, 상기 근위부 우관상동맥, 상기 중간부 우관상동맥, 상기 원위부 우관상동맥, 상기 후하행동맥 및 상기 심근에 대한 각각의 위치, 형태 및 길이 중 적어도 하나에 대한 정보를 포함하는
    관상동맥석회화점수 산정 장치.
  10. 제7항에 있어서,
    상기 산정부는,
    상기 대상 이미지에서 석회화된 영역을 식별하고, 상기 식별된 영역 중 상기 식별된 관상동맥에 대응하는 영역을 이용하여 관상동맥석회화점수를 산정하는
    관상동맥석회화점수 산정 장치.
  11. 제7항에 있어서,
    상기 기획득된 조영증강 전의 관상동맥과 심근에 대한 이미지와 상기 기획득된 조영증강 후의 관상동맥과 심근에 대한 이미지는 동일한 대상에 대한 이미지이고,
    상기 인공신경망은 FCN(Fully Convolutional Network)를 포함하는
    관상동맥석회화점수 산정 장치.
  12. 제7항에 있어서,
    상기 대상 이미지는 컴퓨터 단층촬영(Computed Tomography, CT) 이미지인
    관상동맥석회화점수 산정 장치.
  13. 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,
    조영증강 전의 관상동맥과 심근에 대한 대상 이미지를 획득하는 단계와,
    인공신경망을 이용하여 상기 대상 이미지에 포함되는 상기 관상동맥을 식별하는 단계와,
    상기 식별된 관상동맥에 기초하여 관상동맥석회화점수를 산정하는 단계를 포함하고,
    상기 인공신경망은 기획득된 조영증강 전의 관상동맥과 심근에 대한 이미지와 기획득된 조영증강 후의 관상동맥과 심근에 대한 이미지의 정합에 의해 생성된 학습 데이터 베이스에 기초하여 학습이 수행된　관상동맥석회화점수 산정 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는,　컴퓨터 판독 가능한 기록매체.
PCT/KR2019/015058 2018-11-14 2019-11-07 관상동맥석회화점수 산정 방법 및 장치 Ceased WO2020101264A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
DE112019005696.4T DE112019005696T5 (de) 2018-11-14 2019-11-07 Verfahren und Vorrichtung zur Berechnung eines Koronararterien-Kalzium-Scores
US17/293,563 US11877880B2 (en) 2018-11-14 2019-11-07 Method and apparatus for calculating coronary artery calcium score

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180140024A KR102354396B1 (ko) 2018-11-14 2018-11-14 관상동맥석회화점수 산정 방법 및 장치
KR10-2018-0140024 2018-11-14

Publications (1)

Publication Number Publication Date
WO2020101264A1 true WO2020101264A1 (ko) 2020-05-22

Family

ID=70732159

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/015058 Ceased WO2020101264A1 (ko) 2018-11-14 2019-11-07 관상동맥석회화점수 산정 방법 및 장치

Country Status (4)

Country Link
US (1) US11877880B2 (ko)
KR (1) KR102354396B1 (ko)
DE (1) DE112019005696T5 (ko)
WO (1) WO2020101264A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114255207A (zh) * 2020-09-24 2022-03-29 西门子医疗有限公司 用于确定重要性评分的方法和系统

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102418483B1 (ko) * 2020-09-16 2022-07-06 연세대학교 산학협력단 저전압을 이용한 ct 영상에서 혈관 질환 위험도 계산 방법 및 장치
CN112927196B (zh) * 2021-02-09 2024-03-22 深圳睿心智能医疗科技有限公司 钙化积分方法及装置
WO2023132523A1 (ko) * 2022-01-10 2023-07-13 주식회사 온택트헬스 인공지능 모델에 기반하여 석회화에 대한 진단을 보조하기 위한 방법 및 장치
KR102825896B1 (ko) * 2022-12-15 2025-06-26 주식회사 엑스큐브 의료 영상 처리 방법 및 디바이스
CN116385381A (zh) * 2023-03-21 2023-07-04 图灵医道医疗器械科技(上海)有限公司 一种基于胸部平扫ct的冠脉钙化评分方法及系统
WO2025121863A1 (ko) * 2023-12-06 2025-06-12 재단법인 아산사회복지재단 의료 영상에 기초하여 혈관 질환의 치료 가이드 정보를 추천하기 위한 장치 및 방법
KR102755371B1 (ko) * 2024-08-14 2025-01-22 주식회사 엑스큐브 인공지능을 활용하여 흉부 ct 데이터에서 대상 영역을 추출하고 병변을 검출하는 방법 및 디바이스
KR102847349B1 (ko) * 2024-10-11 2025-08-19 노바사이언스 주식회사 서로 다른 손실함수를 사용한 인공지능 모델들을 기반으로 혈관 특징을 예측하는 방법 및 그 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014534822A (ja) * 2011-10-14 2014-12-25 富士フイルム株式会社 モデルに基づいた冠動脈のカルシウムスコアリング
JP2016041247A (ja) * 2014-08-18 2016-03-31 シーメンス アクチエンゲゼルシヤフトＳｉｅｍｅｎｓ Ａｋｔｉｅｎｇｅｓｅｌｌｓｃｈａｆｔ 医療用画像のコンピュータ支援による解析方法
CN107016681A (zh) * 2017-03-29 2017-08-04 浙江师范大学 基于全卷积网络的脑部mri肿瘤分割方法
WO2018093865A1 (en) * 2016-11-17 2018-05-24 Terarecon, Inc. Medical image identification and interpretation
KR101902882B1 (ko) * 2016-07-14 2018-11-13 연세대학교 산학협력단 랜덤 트리 워크 알고리즘을 이용하여 삼차원 관상동맥 컴퓨터 단층촬영 혈관 조영 영상에서 관상동맥을 추적하기 위한 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5296057B2 (ja) * 2007-05-08 2013-09-25 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 低線量カルシウムスコアリングスキャンを使用する冠動脈選択的カルシウム割り当て
US9430827B2 (en) 2013-05-31 2016-08-30 Siemens Aktiengesellschaft Segmentation of a calcified blood vessel
KR102522539B1 (ko) * 2015-08-17 2023-04-18 삼성전자주식회사 의료영상 표시장치 및 의료영상 처리방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014534822A (ja) * 2011-10-14 2014-12-25 富士フイルム株式会社 モデルに基づいた冠動脈のカルシウムスコアリング
JP2016041247A (ja) * 2014-08-18 2016-03-31 シーメンス アクチエンゲゼルシヤフトＳｉｅｍｅｎｓ Ａｋｔｉｅｎｇｅｓｅｌｌｓｃｈａｆｔ 医療用画像のコンピュータ支援による解析方法
KR101902882B1 (ko) * 2016-07-14 2018-11-13 연세대학교 산학협력단 랜덤 트리 워크 알고리즘을 이용하여 삼차원 관상동맥 컴퓨터 단층촬영 혈관 조영 영상에서 관상동맥을 추적하기 위한 방법
WO2018093865A1 (en) * 2016-11-17 2018-05-24 Terarecon, Inc. Medical image identification and interpretation
CN107016681A (zh) * 2017-03-29 2017-08-04 浙江师范大学 基于全卷积网络的脑部mri肿瘤分割方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114255207A (zh) * 2020-09-24 2022-03-29 西门子医疗有限公司 用于确定重要性评分的方法和系统

Also Published As

Publication number Publication date
US20220000441A1 (en) 2022-01-06
KR20200056105A (ko) 2020-05-22
DE112019005696T5 (de) 2021-08-26
KR102354396B1 (ko) 2022-01-24
US11877880B2 (en) 2024-01-23

Similar Documents

Publication Publication Date Title
WO2020101264A1 (ko) 관상동맥석회화점수 산정 방법 및 장치
Trucco et al. Validating retinal fundus image analysis algorithms: issues and a proposal
WO2020122357A1 (ko) 의료영상 재구성 방법 및 그 장치
WO2020050635A1 (ko) 기계 학습 및 영상 처리 알고리즘을 이용하여 의료 영상의 혈관들을 자동으로 영역화하는 방법 및 시스템
WO2021117043A1 (en) Automatic stenosis detection
WO2019083129A1 (ko) 피검체에 대한 안저 영상의 판독을 지원하는 방법 및 이를 이용한 장치
WO2023063646A1 (ko) 기계학습 기반 고관절 골절 진단을 위한 골밀도 도출 방법 및 이를 이용한 골밀도 도출 프로그램
JP2004329944A (ja) 心外膜リードを用いる両心室ペーシングの計画及び治療のための心臓ｃｔシステム及び方法
WO2023277283A1 (ko) 혈관 분할에 기초하여 혈관 영상을 처리하는 방법 및 장치
WO2022010075A1 (ko) 의료영상을 기초로 인체 조직을 분석하는 방법 및 그 장치
WO2017051944A1 (ko) 의료 영상 판독 과정에서 사용자의 시선 정보를 이용한 판독 효율 증대 방법 및 그 장치
WO2023191380A1 (ko) 병변 결정 방법 및 장치
WO2021040327A1 (ko) 심혈관 질환 위험 인자 예측 장치 및 방법
WO2015147595A1 (ko) 의료 영상에서 아티팩트와 병변을 구분하는 방법
WO2010128818A2 (ko) 의료영상 처리 시스템 및 처리 방법
WO2020159234A1 (ko) 심장의 좌심방 두께 측정 장치 및 측정 방법
WO2022139068A1 (ko) 딥러닝 기반의 폐질환 진단 보조 시스템 및 딥러닝 기반의 폐질환 진단 보조 방법
CN115359878A (zh) Icu床旁胸部x线片自动对比诊断智能报告系统及方法
WO2020101265A1 (ko) 심근 이미지 분석 방법 및 장치
WO2022060099A1 (ko) 저전압을 이용한 ct 영상에서 혈관 질환 위험도 계산 방법 및 장치
WO2020054019A1 (ja) 画像処理装置、画像処理方法、及びプログラム
WO2021251777A1 (ko) 전신 ct 스캔 3d 모델링 방법 및 시스템
Denzinger et al. Coronary plaque analysis for CT angiography clinical research
EP4156090B1 (en) Automatic analysis of 2d medical image data with an additional object
WO2023182622A1 (ko) 동맥 및 정맥을 기준으로 안저 영상을 표준화하는 방법 및 영상처리장치

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: 19883872

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 19883872

Country of ref document: EP

Kind code of ref document: A1