WO2020101265A1 - 심근 이미지 분석 방법 및 장치 - Google Patents

심근 이미지 분석 방법 및 장치 Download PDF

Info

Publication number
WO2020101265A1
WO2020101265A1 PCT/KR2019/015059 KR2019015059W WO2020101265A1 WO 2020101265 A1 WO2020101265 A1 WO 2020101265A1 KR 2019015059 W KR2019015059 W KR 2019015059W WO 2020101265 A1 WO2020101265 A1 WO 2020101265A1
Authority
WO
WIPO (PCT)
Prior art keywords
myocardium
coronary artery
myocardial
artery
region connected
Prior art date
Application number
PCT/KR2019/015059
Other languages
English (en)
French (fr)
Inventor
양동현
이준구
김영학
Original Assignee
울산대학교 산학협력단
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 울산대학교 산학협력단, 재단법인 아산사회복지재단 filed Critical 울산대학교 산학협력단
Priority to DE112019005655.7T priority Critical patent/DE112019005655T5/de
Priority to US17/293,638 priority patent/US12008073B2/en
Publication of WO2020101265A1 publication Critical patent/WO2020101265A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • A61B6/503—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
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/2163—Partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • 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; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Definitions

  • the present invention relates to an apparatus and method for analyzing an image of a myocardium using an artificial neural network.
  • the coronary artery is positioned in the form of a coronary surround of the heart. Accordingly, the coronary artery can be classified into detailed types based on the position of the coronary artery on the heart.
  • the types of coronary arteries include the left coronary artery (LCA), left main coronary artery (LMCA), left anterior descending coronary artery (LAD), and proximal part (LAD).
  • LMCA left main coronary artery
  • LAD left anterior descending coronary artery
  • LAD proximal part
  • 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 right coronary artery,
  • PDA posterior descending artery
  • the problem to be solved by the present invention is to provide an apparatus and method for analyzing a region of the myocardium associated with a type of coronary artery in a myocardial image using an artificial neural network.
  • the myocardial image analysis method comprises the steps of obtaining a target image for the myocardium before contrast enhancement, and using the artificial neural network on the target image based on the type of coronary artery associated with the myocardium.
  • the target image is a computed tomography (CT) image.
  • CT computed tomography
  • the target image is a computed tomography (CT) image.
  • CT computed tomography
  • Figure 4 shows an example of the output image of the myocardial image analysis apparatus according to an embodiment of the present invention.
  • FIG. 1 conceptually illustrates a method of analyzing a myocardial image using an artificial neural network according to an embodiment of the present invention.
  • the coronary artery is a left coronary artery (LCA), a left main coronary artery (LMCA), a left anterior descending coronary artery (LAD), a proximal left anterior descending line Artery, middle left anterior descending artery, distal left anterior descending artery, right coronary artery (RCA), proximal right coronary artery, middle right coronary artery, distal right coronary artery, posterior descending artery ( posterior descending artery (PDA).
  • LCA left coronary artery
  • LMCA left main coronary artery
  • LAD left anterior descending coronary artery
  • a proximal left anterior descending line Artery middle left anterior descending artery, distal left anterior descending artery, right coronary artery (RCA), proximal right coronary artery, middle right coronary artery, distal right coronary artery, posterior descending artery ( posterior descending artery (PDA).
  • LCA left coronary artery
  • LMCA left main coronary artery
  • FIG. 2 shows an example of a functional configuration of an apparatus for analyzing a myocardial image according to an embodiment of the present invention.
  • the myocardial image analysis apparatus 10 may include a target image acquisition unit 210, a myocardial division unit 220, and an information providing unit 230.
  • the target image acquisition unit 210 may acquire a target image for the 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 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.
  • the myocardial segmentation 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 learning database may include information on at least one of the size, position, shape, and length of the area of the myocardium related to each type of coronary artery.
  • 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 may be the same object, that is, the image of the same patient, and may be a large amount of data stored in advance. have.
  • the images before and after matching contrast enhancement may be images for the same object. Matching of the image to the same object is easy for a person skilled in the art, and a detailed description related thereto may be omitted.
  • a contrast agent is administered to a patient, and based on this, a medical image after contrast enhancement can be obtained, and each organ in the medical image after contrast enhancement is more clearly distinguished.
  • 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 the image is learned using the medical image after contrast enhancement and is subsequently provided as an image before contrast enhancement as an input image. have.
  • the artificial neural network 102 may include a Fully Convolutional Network (FCN). However, the present invention is not limited thereto, and the artificial neural network 102 may include various machine learning algorithms (or deep learning algorithms or artificial intelligence algorithms) related to the identification of images.
  • FCN Fully Convolutional Network
  • the myocardial segmentation unit 220 may use the artificial neural network 102 to classify the myocardium from the target image, and to classify the separated myocardium based on the type of coronary arteries.
  • Myocardial region myocardial region connected to the distal left anterior descending artery, myocardial region connected to the right coronary artery, myocardial region connected to the proximal right coronary artery, myocardial region connected to the distal right coronary artery, myocardial region connected to the distal right coronary artery, and posterior descending It may include an area of the myocardium connected to the artery.
  • FIG. 3 shows the flow of each step of the myocardial image analysis method according to an embodiment of the present invention.
  • the configuration of the myocardial image analysis apparatus 10 of FIG. 2 will be mainly described in FIG. 3.
  • each step of the method illustrated in FIG. 3 may be performed by changing the order of the bar illustrated in the drawings depending on the case.
  • the target image acquisition unit 210 may acquire a target image for the 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 myocardium classification unit 220 may distinguish the myocardium using the artificial neural network 102 (S120).
  • the myocardial segmentation unit 220 may use the artificial neural network 102 to identify the myocardium in the target image, and further distinguish the areas of the myocardium included in the target image according to the type of the coronary artery.
  • the separated myocardial region includes: the myocardial region connected to the left coronary artery, the myocardial region connected to the left coronary artery, the myocardial region connected to the left anterior descending artery, the myocardial region connected to the proximal left anterior descending artery, and the middle left anterior descending artery.
  • 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.
  • the learning database may include information on at least one of the size, position, shape, and length of the area of the myocardium related to each type of coronary artery.
  • the images before and after contrast enhancement used for registration may be images of the same subject, that is, the same patient.
  • the myocardial division unit 220 may identify the myocardium in the target image based on the type of the coronary artery in detail based on the artificial neural network 102.
  • FIG. 4 shows an example of the output image of the myocardial image analysis apparatus according to an embodiment of the present invention.
  • the myocardial image analysis apparatus 10 may receive and analyze an image of the myocardium, that is, a myocardial image.
  • the myocardial image analysis apparatus 10 may provide an output image displayed to clearly reveal the myocardium in the myocardial image based on the artificial neural network 102.
  • FIG. 4 shows three examples of the output image, and it can be confirmed that the myocardial portion is highlighted in each output image.
  • the myocardial region may be displayed differently from the other portion according to the type of coronary artery.
  • information on a region of the myocardium which is divided in various ways, such as a color of a corresponding part displayed differently, a pattern differently displayed, or text input, may be provided in the form of an output image.
  • the myocardial image analysis apparatus 10 is objective and without relying on subjective judgment of a doctor or an analyst without human intervention, because the area of the myocardium is automatically analyzed by the artificial neural network 102. Provide accurate information.
  • the myocardial image analysis apparatus 10 can identify a portion of the myocardium, and provide specific and accurate information about the myocardium, for a heart image before contrast enhancement in which the myocardium appears ambiguous. Therefore, it is possible to obtain information about the myocardium without contrast enhancement, thereby minimizing unnecessary contrast enhancement.
  • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Optics & Photonics (AREA)
  • Veterinary Medicine (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physiology (AREA)
  • Evolutionary Biology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Vascular Medicine (AREA)
  • Databases & Information Systems (AREA)

Abstract

본 발명의 일 실시예에 따른 심근 이미지 분석 방법은, 조영증강 전의 심근에 대한 대상 이미지를 획득하는 단계와, 인공신경망을 이용하여 상기 심근과 관련된 관상동맥의 종류에 기초하여 상기 대상 이미지에 포함되는 상기 심근을 구분하는 단계와, 상기 구분된 심근에 대한 정보를 제공하는 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

심근 이미지 분석 방법 및 장치
본 발명은 인공신경망을 이용하여 심근의 이미지를 분석하는 장치 및 방법에 관한 것이다.
관상동맥(coronary artery)은 심장을 둘러싸는 동맥으로 심장의 근육인 심근에 산소와 영양을 공급한다. 관상동맥으로부터 산소와 영양이 심근에 지속적으로 공급됨에 의해 심장은 기능을 수행하게 된다. 만약, 관상동맥에 질환이 발병하여 심근에 산소와 영양이 공급되지 않으면, 심근경색과 같은 심혈관질환의 발병에 의해 사람이 사망 할 수 있다.
관상동맥은 심장을 관상으로 둘러싸는 형태로 위치된다. 이에 따라, 관상동맥은 심장 상에서의 관상동맥의 위치를 기준으로 세부적인 종류로 구분될 수 있다. 예를 들어, 관상동맥의 종류는 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)이 있을 수 있다.
이처럼 관상동맥이 위치되는 형태에 의해, 관상동맥은 그와 인접하여 위치된 심근에 산소와 영양을 공급하게 된다. 이에 따라, 관상동맥의 일부에 질환이 발생한 경우, 관상동맥 중 어느 영역에 질환이 발생하였는지를 판단하고, 나아가 질환이 발생한 관상동맥의 영역과 관련된 심근의 영역을 식별하여 보다 정밀하게 치료를 수행하거나, 심혈관질환을 진단할 수 있다.
다만, 이러한 심근의 영역의 구분에 대한 효과에도 불구하고, 현재까지는 관상동맥 별로 연관된 심근의 영역을 구분하는 것은 의사 또는 분석가의 경험에 의존해야 하기 때문에 정확성이나 객관성이 다소 낮다는 문제가 존재한다.
(특허문헌)
한국등록특허 제10-1865275호 (2018년 05월 31일 등록)
본 발명이 해결하고자 하는 과제는, 인공신경망을 이용하여 심근 이미지에서 관상동맥의 종류에 따라 관련된 심근의 영역을 분석하는 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 심근 이미지 분석 방법은, 조영증강 전의 심근을 포함하는 대한 대상 이미지를 획득하는 단계와, 인공신경망을 이용하여 상기 심근과 관련된 관상동맥의 종류에 기초하여 상기 대상 이미지에 포함된 상기 심근을 구분하는 단계와, 상기 구분된 심근에 대한 정보를 제공하는 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.
상기 관상동맥의 종류는 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)를 포함한다.
또한, 상기 심근을 구분하는 단계는, 상기 심근에 인접하여 상기 심근에 영향을 미치는 상기 관상동맥의 종류에 따라 상기 심근을 구분하는 단계를 포함한다.
또한, 상기 학습 데이터 베이스는 상기 관상동맥의 종류별로 관련된 심근의 영역의 크기, 위치, 형태 및 길이 중 적어도 하나에 대한 정보를 포함하고, 상기 인공신경망은 FCN(Fully Convolutional Network)를 포함하고, 상기 심근의 영역은, 좌관상동맥과 연결된 심근 영역, 좌주관상동맥과 연결된 심근 영역, 좌전하행동맥과 연결된 심근 영역, 근위부 좌전하행동맥과 연결된 심근 영역, 중간부 좌전하행동맥과 연결된 심근 영역, 원위부 좌전하행동맥과 연결된 심근 영역, 우관상동맥과 연결된 심근 영역, 근위부 우관상동맥과 연결된 심근 영역, 중간부 우관상동맥과 연결된 심근 영역, 원위부 우관상동맥과 연결된 심근 영역 및 후하행동맥과 연결된 심근 영역을 포함한다.
또한, 상기 기획득된 조영증강 전의 관상동맥과 심근에 대한 이미지와 상기 기획득된 조영증강 후의 관상동맥과 심근에 대한 이미지는 동일한 대상에 대한 이미지이다.
또한, 상기 대상 이미지는 컴퓨터 단층촬영(Computed Tomography, CT) 이미지이다.
본 발명의 일 실시예에 따른 심근 이미지 분석 장치는, 조영증강 전의 심근을 포함하는 대상 이미지를 획득하는 대상 이미지 획득부와, 인공신경망을 이용하여 상기 심근과 관련된 관상동맥의 종류에 기초하여 상기 대상 이미지에 포함된 상기 심근을 구분하는 심근 구분부와, 상기 구분된 심근에 대한 정보를 제공하는 정보 제공부를 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 관상동맥의 종류는 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)를 포함한다.
또한, 상기 심근 구분부는, 상기 심근에 인접하여 상기 심근에 영향을 미치는 상기 관상동맥의 종류에 따라 상기 심근을 구분한다.
또한, 상기 학습 데이터 베이스는 상기 관상동맥의 종류별로 관련된 심근의 영역의 크기, 위치, 형태 및 길이 중 적어도 하나에 대한 정보를 포함하고, 상기 인공신경망은 FCN(Fully Convolutional Network)를 포함하고, 상기 구분된 심근의 영역은, 좌관상동맥과 연결된 심근 영역, 좌주관상동맥과 연결된 심근 영역, 좌전하행동맥과 연결된 심근 영역, 근위부 좌전하행동맥과 연결된 심근 영역, 중간부 좌전하행동맥과 연결된 심근 영역, 원위부 좌전하행동맥과 연결된 심근 영역, 우관상동맥과 연결된 심근 영역, 근위부 우관상동맥과 연결된 심근 영역, 중간부 우관상동맥과 연결된 심근 영역, 원위부 우관상동맥과 연결된 심근 영역 및 후하행동맥과 연결된 심근 영역을 포함한다.
또한, 상기 기획득된 조영증강 전의 관상동맥과 심근에 대한 이미지와 상기 기획득된 조영증강 후의 관상동맥과 심근에 대한 이미지는 동일한 대상에 대한 이미지이다.
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 심근을 포함하는 대상 이미지를 획득하는 단계와, 인공신경망을 이용하여 상기 심근과 관련된 관상동맥의 종류에 기초하여 상기 대상 이미지에 포함된 상기 심근을 구분하는 단계와, 상기 구분된 심근에 대한 정보를 제공하는 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 심근 이미지 분석 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함한다.
본 발명의 실시예에 따른 심근 이미지 분석 장치 및 방법은, 인공신경망을 이용하여 심근 이미지 내의 심근의 영역을 관상동맥 별로 관련된 영역으로 구분함으로써 정확성, 신뢰성 및 객관성을 가지는 심근에 대한 정보를 제공할 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 심근 이미지 분석 방법을 개념적으로 도시한다.
도 2는 본 발명의 일 실시예에 따른 심근 이미지 분석 장치의 기능적 구성의 예를 도시한다.
도 3은 본 발명의 일 실시예에 따른 심근 이미지 분석 방법의 각 단계의 흐름을 도시한다.
도 4는 본 발명의 일 실시예에 따른 심근 이미지 분석 장치의 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 심근 이미지 분석 방법을 개념적으로 도시한다.
도 1을 참조하면, 입력 영상(101)은 심근을 포함하는 심장 영역에 대한 이미지(이하 '심근 이미지')일 수 있다. 보다 구체적으로, 입력 영상(101)은 조영증강 전의 심근 이미지일 수 있다. 조영증강 전의 심근 이미지는 이미지 내에 포함되는 각각의 기관의 구분이 모호한 영상일 수 있다.
입력 영상(101) 내에 포함된 심근의 영역은 인공신경망(102)에 의해 식별될 수 있다. 예를 들면, 도 1에 도시된 바와 같이, 식별된 심근의 영역이 다른 부분들과 구분되도록 강조되어 출력 영상(103)으로 제공될 수 있다.
도 1에 도시된 출력 영상(103)의 강조된 부분(111, 112, 113)은 둥근 띠 모양의 심근으로, 출력 영상(103)의 심근 영역은 다른 기관에 대한 영역들과 구분되어 표시될 수 있다. 한편, 심근 영역은 연관된 관상동맥의 종류에 따라 세부적으로 분할될 수 있다. 이에 따라, 출력 영상(103)의 심근 영역은 제1 심근 영역(111), 제2 심근 영역(112), 제3 심근 영역(113)으로 분할될 수 있다. 여기서, 각각의 심근 영역은 서로 다른 관상동맥에 의해 산소와 영양이 공급되는 영역일 수 있다.
한편, 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)으로 구분될 수 있다. 즉, 관상동맥의 종류는 관상동맥의 위치에 따라 상술한 바와 같이 나뉠 수 있다. 후술되는 본 발명의 일 실시예에 따른 심근 이미지 분석 장치는 이와 같은 관상동맥의 종류에 따라 심근 이미지에 포함되는 심근을 관련된 영역으로 구분할 수 있다.
도 2는 본 발명의 일 실시예에 따른 심근 이미지 분석 장치의 기능적 구성의 예를 도시한다.
도 2를 참조하면, 심근 이미지 분석 장치(10)는 대상 이미지 획득부(210), 심근 구분부(220), 정보 제공부(230)를 포함할 수 있다.
대상 이미지 획득부(210)는 조영증강 전의 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 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.
심근 구분부(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. 학습 데이터 베이스에는 관상동맥의 종류별로 관련된 심근의 영역의 크기, 위치, 형태 및 길이 중 적어도 하나에 대한 정보가 포함되어 있을 수 있다.
기획득된 조영증강 전의 관상동맥과 심근에 대한 이미지와 상기 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, 조영제가 환자에게 투여되고, 이에 기초하여 조영증강 후의 의학용 영상이 획득될 수 있는데, 이러한 조영증강 후의 의학용 영상에서의 각 기관들은 보다 명확히 구별되게 된다. 상술한 인공신경망(102)은 이러한 조영증강 후의 의학용 영상을 이용하여 학습되어 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 관상동맥의 종류에 따라 심근의 영역이 구분되어 있을 수 있다. 이에 따라, 인공신경망(102)은 심근 이미지에서 심근 영역을 구분하는 것에서 나아가 관상동맥의 종류에 따라, 해당 심근 영역을 더 세부적으로 구분하도록 학습될 수 있다.
인공신경망(102)은 FCN(Fully Convolutional Network)를 포함할 수 있다. 다만, 이에 제한되지는 않으며, 인공신경망(102)은 영상의 식별과 관련된 다양한 기계 학습 알고리즘(또는 딥러닝 알고리즘, 또는 인공지능 알고리즘)을 포함할 수 있다.
심근 구분부(220)는 인공신경망(102)을 이용하여, 대상 이미지에서 심근을 구분하고, 구분된 심근을 관상동맥의 종류에 기초해 연관된 심근의 영역을 세부적으로 구분할 수 있다.
보다 구체적으로, 심근 구분부(220)는 심근에 인접하여 위치하고, 심근에 영향을 미치는 관상동맥의 종류에 따라 심근의 영역을 구분할 수 있다. 이러한 구분은 관상동맥의 종류 별로 관련된 심근의 영역의 크기, 위치, 형태 및 길이 중 적어도 하나에 대한 정보에 기초하여 수행될 수 있다.
구분된 심근의 영역은 예를 들면, 좌관상동맥과 연결된 심근 영역, 좌주관상동맥과 연결된 심근 영역, 좌전하행동맥과 연결된 심근 영역, 근위부 좌전하행동맥과 연결된 심근 영역, 중간부 좌전하행동맥과 연결된 심근 영역, 원위부 좌전하행동맥과 연결된 심근 영역, 우관상동맥과 연결된 심근 영역, 근위부 우관상동맥과 연결된 심근 영역, 중간부 우관상동맥과 연결된 심근 영역, 원위부 우관상동맥과 연결된 심근 영역 및 후하행동맥과 연결된 심근 영역 을 포함할 수 있다.
정보 제공부(230)는 구분된 심근에 대한 정보를 제공할 수 있다. 정보 제공부(230)는 심근 구분부(220)에 의해 구분된 심근에 대한 정보를 제공할 수 있다. 정보 제공부(230)는 구분된 심근에 대한 정보를 다양한 방법으로 제공할 수 있다. 정보 제공부(230)는 색, 패턴, 효과 등의 다양한 방법으로 구분된 심근의 영역이 출력 영상(103)에 드러나도록 하여 심근에 대한 정보를 제공할 수 있다.
정보 제공부(230)는 입력 영상(101)으로서 획득한 심근에 대한 대상 이미지에 구분된 심근에 대한 정보가 드러나도록 표시하여 출력 영상(103)으로서 정보를 제공할 수 있다. 보다 구체적으로, 정보 제공부(230)는 입력 영상(101)에 심근이 다른 기관과 구분되도록 표시하고, 관상동맥의 종류 별로 연관된 심근의 영역이 드러나도록 하여 출력 영상(103)으로 제공할 수 있다.
경우에 따라, 정보 제공부(230)는 입력 영상(101)에 기초하여, 관상동맥의 종류별로 연관된 심근의 영역이 표시되는 출력 영상(103)을 생성하여 제공할 수 있다.
도 3은 본 발명의 일 실시예에 따른 심근 이미지 분석 방법의 각 단계의 흐름을 도시한다. 이하 도 3에서는 도 2의 심근 이미지 분석 장치(10)의 각 구성을 중심으로 설명하겠다. 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 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)을 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.
심근 구분부(220)는 인공신경망(102)을 이용하여 심근을 구분할 수 있다(S120). 심근 구분부(220)는 인공신경망(102)을 이용하여 대상 이미지 내의 심근을 식별하고, 나아가 관상동맥의 종류에 따라 대상 이미지에 포함되는 심근의 영역을 구분할 수 있다. 예를 들어, 구분된 심근의 영역은, 좌관상동맥과 연결된 심근 영역, 좌주관상동맥과 연결된 심근 영역, 좌전하행동맥과 연결된 심근 영역, 근위부 좌전하행동맥과 연결된 심근 영역, 중간부 좌전하행동맥과 연결된 심근 영역, 원위부 좌전하행동맥과 연결된 심근 영역, 우관상동맥과 연결된 심근 영역, 근위부 우관상동맥과 연결된 심근 영역, 중간부 우관상동맥과 연결된 심근 영역, 원위부 우관상동맥과 연결된 심근 영역 및 후하행동맥과 연결된 심근 영역 을 포함할 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.
여기서, 학습 데이터 베이스는 상기 관상동맥의 종류별로 관련된 심근의 영역의 크기, 위치, 형태 및 길이 중 적어도 하나에 대한 정보를 포함할 수 있다. 정합에 이용되는 조영증강 전과 후의 이미지는 동일한 대상, 즉 동일 환자에 대한 이미지일 수 있다. 심근 구분부(220)는 이러한 인공신경망(102)에 기초하여 대상 이미지에서 심근을 관상동맥의 종류에 기초하여 세부적으로 식별할 수 있다.
정보 제공부(230)는 구분된 심근에 대한 정보를 제공할 수 있다(S130). 보다 구체적으로, 정보 제공부(230)는 대상 이미지에서 심근의 영역이 드러나도록 표시하고 심근의 영역을 관상동맥의 종류 별로 관련된 부분으로 나누어 이에 대한 정보를 제공할 수 있다.
도 4는 본 발명의 일 실시예에 따른 심근 이미지 분석 장치의 출력 영상의 예를 도시한다. 심근 이미지 분석 장치(10)는 심근에 대한 이미지, 즉 심근 이미지를 입력받아 분석을 수행할 수 있다.
도 4를 참조하면, 심근 이미지 분석 장치(10)는 인공신경망(102)에 기초하여 심근 이미지에서 심근이 명확히 드러나도록 표시되는 출력 영상을 제공할 수 있다.
도 4는 출력 영상의 3가지 예시를 도시하고 있으며, 각 출력 영상에는 심근 부분이 강조되어 드러남을 확인할 수 있다. 도시된 바와 같이, 출력 영상에서 심근 영역은 관련된 관상동맥의 종류에 따라 해당 부분이 그 이외의 부분과 다르게 표시될 수 있다. 예를 들어, 해당 부분의 색이 다르게 표시되거나, 패턴이 다르게 표시되거나 텍스트가 입력되어 표시되는 등 다양한 방식으로 구분된 심근의 영역에 대한 정보가 출력 영상의 형태로 제공될 수 있다.
본 발명의 실시예에 따른 심근 이미지 분석 장치(10)는 인공신경망(102)에 의해 심근의 영역이 자동으로 분석되기 때문에, 사람의 개입 없이, 즉 의사나 분석가의 주관적인 판단에 의존하지 않고 객관적이고 정확한 정보를 제공할 수 있다.
또한, 본 발명의 실시예에 따른 심근 이미지 분석 장치(10)는 심근이 모호하게 나타나는 조영증강 전의 심장 이미지에 대해, 심근에 대한 부분을 식별하고, 심근에 대한 구체적이며 정확한 정보를 제공할 수 있기 때문에, 조영증강 없이도 심근에 대한 정보를 획득할 수 있어 불필요한 조영증강을 최소화할 수 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 심근을 포함하는 대상 이미지를 획득하는 단계와,
    인공신경망을 이용하여 상기 심근과 관련된 관상동맥의 종류에 기초하여 상기 대상 이미지에 포함된 상기 심근을 구분하는 단계와,
    상기 구분된 심근에 대한 정보를 제공하는 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
    심근 이미지 분석 방법.
  2. 제1항에 있어서,
    상기 관상동맥의 종류는 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)를 포함하는
    심근 이미지 분석 방법.
  3. 제1항에 있어서,
    상기 심근을 구분하는 단계는,
    상기 심근에 인접하여 상기 심근에 영향을 미치는 상기 관상동맥의 종류에 따라 상기 심근을 구분하는 단계를 포함하는
    심근 이미지 분석 방법.
  4. 제1항에 있어서,
    상기 학습 데이터 베이스는 상기 관상동맥의 종류별로 관련된 심근의 영역의 크기, 위치, 형태 및 길이 중 적어도 하나에 대한 정보를 포함하고,
    상기 인공신경망은 FCN(Fully Convolutional Network)를 포함하고,
    상기 심근의 영역은, 좌관상동맥과 연결된 심근 영역, 좌주관상동맥과 연결된 심근 영역, 좌전하행동맥과 연결된 심근 영역, 근위부 좌전하행동맥과 연결된 심근 영역, 중간부 좌전하행동맥과 연결된 심근 영역, 원위부 좌전하행동맥과 연결된 심근 영역, 우관상동맥과 연결된 심근 영역, 근위부 우관상동맥과 연결된 심근 영역, 중간부 우관상동맥과 연결된 심근 영역, 원위부 우관상동맥과 연결된 심근 영역 및 후하행동맥과 연결된 심근 영역 을 포함하는
    심근 이미지 분석 방법.
  5. 제1항에 있어서,
    상기 기획득된 조영증강 전의 관상동맥과 심근에 대한 이미지와 상기 기획득된 조영증강 후의 관상동맥과 심근에 대한 이미지는 동일한 대상에 대한 이미지인
    심근 이미지 분석 방법.
  6. 제1항에 있어서,
    상기 대상 이미지는 컴퓨터 단층촬영(Computed Tomography, CT) 이미지인
    심근 이미지 분석 방법.
  7. 조영증강 전의 심근을 포함하는 대상 이미지를 획득하는 대상 이미지 획득부와,
    인공신경망을 이용하여 상기 심근과 관련된 관상동맥의 종류에 기초하여 상기 대상 이미지에 포함된 상기 심근을 구분하는 심근 구분부와,
    상기 구분된 심근에 대한 정보를 제공하는 정보 제공부를 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
    심근 이미지 분석 장치.
  8. 제7항에 있어서,
    상기 관상동맥의 종류는 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)를 포함하는
    심근 이미지 분석 장치.
  9. 제7항에 있어서,
    상기 심근 구분부는,
    상기 심근에 인접하여 상기 심근에 영향을 미치는 상기 관상동맥의 종류에 따라 상기 심근을 구분하는
    심근 이미지 분석 장치.
  10. 제7항에 있어서,
    상기 학습 데이터 베이스는 상기 관상동맥의 종류별로 관련된 심근의 영역의 크기, 위치, 형태 및 길이 중 적어도 하나에 대한 정보를 포함하고,
    상기 인공신경망은 FCN(Fully Convolutional Network)를 포함하고,
    상기 구분된 심근의 영역은, 좌관상동맥과 연결된 심근 영역, 좌주관상동맥과 연결된 심근 영역, 좌전하행동맥과 연결된 심근 영역, 근위부 좌전하행동맥과 연결된 심근 영역, 중간부 좌전하행동맥과 연결된 심근 영역, 원위부 좌전하행동맥과 연결된 심근 영역, 우관상동맥과 연결된 심근 영역, 근위부 우관상동맥과 연결된 심근 영역, 중간부 우관상동맥과 연결된 심근 영역, 원위부 우관상동맥과 연결된 심근 영역 및 후하행동맥과 연결된 심근 영역 을 포함하는
    심근 이미지 분석 장치.
  11. 제7항에 있어서,
    상기 기획득된 조영증강 전의 관상동맥과 심근에 대한 이미지와 상기 기획득된 조영증강 후의 관상동맥과 심근에 대한 이미지는 동일한 대상에 대한 이미지인
    심근 이미지 분석 장치.
  12. 제7항에 있어서,
    상기 대상 이미지는 컴퓨터 단층촬영(Computed Tomography, CT) 이미지인
    심근 이미지 분석 장치.
  13. 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,
    조영증강 전의 심근을 포함하는 대상 이미지를 획득하는 단계와,
    인공신경망을 이용하여 상기 심근과 관련된 관상동맥의 종류에 기초하여 상기 대상 이미지에 포함된 상기 심근을 구분하는 단계와,
    상기 구분된 심근에 대한 정보를 제공하는 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 심근 이미지 분석 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는,　컴퓨터 판독 가능한 기록매체.
PCT/KR2019/015059 2018-11-14 2019-11-07 심근 이미지 분석 방법 및 장치 WO2020101265A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
DE112019005655.7T DE112019005655T5 (de) 2018-11-14 2019-11-07 Myokardbildanalyseverfahren und -vorrichtung
US17/293,638 US12008073B2 (en) 2018-11-14 2019-11-07 Myocardium image analysis method and device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2018-0140025 2018-11-14
KR1020180140025A KR102187842B1 (ko) 2018-11-14 2018-11-14 심근 이미지 분석 방법 및 장치

Publications (1)

Publication Number Publication Date
WO2020101265A1 true WO2020101265A1 (ko) 2020-05-22

Family

ID=70730868

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/015059 WO2020101265A1 (ko) 2018-11-14 2019-11-07 심근 이미지 분석 방법 및 장치

Country Status (4)

Country Link
US (1) US12008073B2 (ko)
KR (1) KR102187842B1 (ko)
DE (1) DE112019005655T5 (ko)
WO (1) WO2020101265A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862835A (zh) * 2021-01-19 2021-05-28 杭州深睿博联科技有限公司 冠脉血管分割方法、装置、设备及计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5641792B2 (ko) * 1976-08-19 1981-09-30
KR20140015984A (ko) * 2012-07-27 2014-02-07 삼성전자주식회사 필요 혈류량 결정 방법 및 장치, 혈류 영상 생성 방법 및 장치, 심근 관류 영상 처리 방법 및 장치
KR20160064562A (ko) * 2014-11-28 2016-06-08 삼성전자주식회사 ３ｄ ｃｔａ영상으로부터 관상동맥의 구조를 모델링하는 방법 및 장치
KR20160103482A (ko) * 2015-02-24 2016-09-01 삼성전자주식회사 의료 영상 장치 및 의료 영상 처리 방법
KR101703564B1 (ko) * 2015-01-28 2017-02-08 주식회사 인피니트헬스케어 혈관 정보를 포함하는 의료 영상을 디스플레이하는 장치 및 방법

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009020687A2 (en) * 2007-05-18 2009-02-12 Henry Ford Health System Mri estimation of contrast agent concentration using a neural network approach
JP5641792B2 (ja) 2010-06-24 2014-12-17 株式会社東芝 医用画像診断装置及び医用画像診断装置の制御方法
US20130072790A1 (en) * 2011-09-19 2013-03-21 University Of Pittsburgh-Of The Commonwealth System Of Higher Education Selection and optimization for cardiac resynchronization therapy
US9675301B2 (en) * 2012-10-19 2017-06-13 Heartflow, Inc. Systems and methods for numerically evaluating vasculature
US10624597B2 (en) 2015-02-24 2020-04-21 Samsung Electronics Co., Ltd. Medical imaging device and medical image processing method
US9990712B2 (en) * 2015-04-08 2018-06-05 Algotec Systems Ltd. Organ detection and segmentation
KR101865275B1 (ko) 2016-12-27 2018-06-08 아주대학교 산학협력단 질환 중심 의료 영상을 위한 템플릿 기반 정보 제공 방법 및 그 장치
CN110546646A (zh) * 2017-03-24 2019-12-06 帕伊医疗成像有限公司 用于基于机器学习来评估血管阻塞的方法和系统
US10521908B2 (en) * 2017-12-20 2019-12-31 International Business Machines Corporation User interface for displaying simulated anatomical photographs
US11633146B2 (en) * 2019-01-04 2023-04-25 Regents Of The University Of Minnesota Automated co-registration of prostate MRI data
AU2021205821A1 (en) * 2020-01-07 2022-07-21 Cleerly, Inc. Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5641792B2 (ko) * 1976-08-19 1981-09-30
KR20140015984A (ko) * 2012-07-27 2014-02-07 삼성전자주식회사 필요 혈류량 결정 방법 및 장치, 혈류 영상 생성 방법 및 장치, 심근 관류 영상 처리 방법 및 장치
KR20160064562A (ko) * 2014-11-28 2016-06-08 삼성전자주식회사 ３ｄ ｃｔａ영상으로부터 관상동맥의 구조를 모델링하는 방법 및 장치
KR101703564B1 (ko) * 2015-01-28 2017-02-08 주식회사 인피니트헬스케어 혈관 정보를 포함하는 의료 영상을 디스플레이하는 장치 및 방법
KR20160103482A (ko) * 2015-02-24 2016-09-01 삼성전자주식회사 의료 영상 장치 및 의료 영상 처리 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862835A (zh) * 2021-01-19 2021-05-28 杭州深睿博联科技有限公司 冠脉血管分割方法、装置、设备及计算机可读存储介质

Also Published As

Publication number Publication date
US12008073B2 (en) 2024-06-11
DE112019005655T5 (de) 2021-09-09
KR102187842B1 (ko) 2020-12-08
US20220012532A1 (en) 2022-01-13
KR20200056106A (ko) 2020-05-22

Similar Documents

Publication Publication Date Title
WO2018155898A1 (en) Method and apparatus for processing histological image captured by medical imaging device
Siegle et al. Survey of spiking in the mouse visual system reveals functional hierarchy
Trucco et al. Validating retinal fundus image analysis algorithms: issues and a proposal
CN110600122B (zh) 一种消化道影像的处理方法、装置、以及医疗系统
WO2020050635A1 (ko) 기계 학습 및 영상 처리 알고리즘을 이용하여 의료 영상의 혈관들을 자동으로 영역화하는 방법 및 시스템
WO2016108453A1 (ko) 치아 영상 자동 정합 방법, 이를 위한 장치 및 기록 매체
WO2020101264A1 (ko) 관상동맥석회화점수 산정 방법 및 장치
JP6716853B2 (ja) 情報処理装置、制御方法、及びプログラム
WO2019083129A1 (ko) 피검체에 대한 안저 영상의 판독을 지원하는 방법 및 이를 이용한 장치
WO2015147595A1 (ko) 의료 영상에서 아티팩트와 병변을 구분하는 방법
JP2011189113A (ja) 眼科画像表示装置、眼科画像表示方法、プログラム、及び記憶媒体
WO2023063646A1 (ko) 기계학습 기반 고관절 골절 진단을 위한 골밀도 도출 방법 및 이를 이용한 골밀도 도출 프로그램
CN112259240A (zh) 一种舌诊寒热虚实数学模型
CA2989704A1 (en) Equipement de controle d`au moins un equipement a la voie d`un reseau ferroviaire et systeme ferroviaire associe
WO2020101265A1 (ko) 심근 이미지 분석 방법 및 장치
CN115862819A (zh) 一种基于图像处理的医学图像管理方法
WO2022108082A1 (ko) Ct 영상에서의 치아 분할 시스템 및 방법
WO2023182702A1 (ko) 디지털 병리이미지의 인공지능 진단 데이터 처리 장치 및 그 방법
WO2023191380A1 (ko) 병변 결정 방법 및 장치
CN110197722B (zh) Ai-cpu系统平台
Li et al. Computer-aided Diagnosis (CAD) for cervical cancer screening and diagnosis: a new system design in medical image processing
WO2022139068A1 (ko) 딥러닝 기반의 폐질환 진단 보조 시스템 및 딥러닝 기반의 폐질환 진단 보조 방법
WO2021149918A1 (ko) 골 연령 추정 방법 및 장치
Tanikawa et al. Machine learning for facial recognition in orthodontics
Bernal et al. Towards intelligent systems for colonoscopy

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: 19883418

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 19883418

Country of ref document: EP

Kind code of ref document: A1