WO2020111534A2 - 의료 영상으로부터 뇌혈관 나이를 추정하는 방법 및 시스템 - Google Patents

의료 영상으로부터 뇌혈관 나이를 추정하는 방법 및 시스템 Download PDF

Info

Publication number
WO2020111534A2
WO2020111534A2 PCT/KR2019/014530 KR2019014530W WO2020111534A2 WO 2020111534 A2 WO2020111534 A2 WO 2020111534A2 KR 2019014530 W KR2019014530 W KR 2019014530W WO 2020111534 A2 WO2020111534 A2 WO 2020111534A2
Authority
WO
WIPO (PCT)
Prior art keywords
cerebrovascular
image
age
cnn
neural network
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/KR2019/014530
Other languages
English (en)
French (fr)
Other versions
WO2020111534A3 (ko
Inventor
장진희
남윤호
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.)
Industry Academic Cooperation Foundation of Catholic University of Korea
Original Assignee
Industry Academic Cooperation Foundation of Catholic University of Korea
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 Industry Academic Cooperation Foundation of Catholic University of Korea filed Critical Industry Academic Cooperation Foundation of Catholic University of Korea
Publication of WO2020111534A2 publication Critical patent/WO2020111534A2/ko
Publication of WO2020111534A3 publication Critical patent/WO2020111534A3/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • 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
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Definitions

  • the present invention relates to the estimation of cerebrovascular age, and more particularly, to a method and system for estimating cerebrovascular age from medical images using machine learning.
  • the medical image acquires the anatomical and functional information of the object for medical purposes.
  • Medical images can be obtained in various ways from various parts of the human body.
  • various cerebrovascular images can be obtained for the diagnosis of cerebrovascular disease, and one of them is a technique called time-of-flight MR angiography (TOF MRA).
  • TOF MRA time-of-flight MR angiography
  • This technique uses a magnetic resonance image (Magnetic resonance image) to make the signal of blood with a strong flow rate appear strong and the signal of the stationary blood weakly extract only the images of blood vessels from each section and extract the blood vessel images obtained from each section. It is a technical method to obtain images of blood vessels without using contrast agents by combining and reconstructing in two or three dimensions.
  • TOF MRA is a blood vessel imaging technique that is widely used in the medical field because it can present cerebral vessel structures in detail with excellent image resolution.
  • complex blood flow phenomena such as vortices can be diagnosed, and recently, microvascular images can also be obtained.
  • CT cerebral angiography which reconstructs cerebrovascular images by obtaining a computed tomography image after injecting a contrast agent, is widely used for high spatial resolution and fast examination time, and can obtain precise cerebrovascular images and hemodynamic information.
  • aging of the brain is well known and important. Since the brain is rich in blood supply to support high metabolic activity, it is not surprising that age-dependent changes include brain parenchyma as well as brain vasculatures. Histopathological studies have shown changes in cerebral arteries with aging, and microscopic changes have been associated with large morphological changes in the arteries of the head and neck.
  • Patent Document 1 Registered Patent Publication No. 10-1620302 (2016.05.04)
  • the problem to be solved by the present invention was created to solve the limitations and inconveniences of structural analysis of cerebrovascular images using the above-described conventional hand-crafted features, machine learning. For example, by using deep learning to analyze changes in the shape of cerebral blood vessels appearing on cerebrovascular images, medical knowledge that can predict the cerebrovascular age by extracting knowledge-based cerebrovascular features It provides a method and system for estimating cerebrovascular age from imaging.
  • a method of estimating cerebrovascular age from a medical image according to the present invention for achieving the above technical problem includes: collecting cerebrovascular images with age information of a plurality of subjects; Performing pre-processing to detect the location of the middle cerebral artery (MCA) for machine learning through a convolutional neural network (CNN) having a plurality of learning layers on the cerebral blood vessel image having the age information; Consists of a plurality of convolutional layers for calculating feature maps by applying a weight to the input value using the pre-processed cerebrovascular image as an input value of the input layer Machine learning through a convolutional neural network (CNN); And estimating the age of cerebral blood vessels through the machine-learned convolutional neural network (CNN).
  • MCA middle cerebral artery
  • CNN convolutional neural network
  • the pre-processing comprises interpolating cerebral blood vessel images into an isotropic space and normalizing signal strength; Detecting the position of the middle cerebral artery (MCA) of the z-axis to match the coverage of the top and bottom (z-axis) of the head of the cerebrovascular image; Cutting an image of a predetermined size around a position of the detected middle cerebral artery (MCA); And interpolating the cut-sized image slab to adjust the data size.
  • MCA middle cerebral artery
  • MCA middle cerebral artery
  • the method for estimating cerebrovascular age from a medical image before cutting data to reduce sensitivity to spatial variation of cerebrovascular image data in the learning data set of the convolutional neural network (CNN) It is characterized by increasing data by performing shifting, rotation and flipping to reflect the diversity that may occur during medical imaging.
  • CNN convolutional neural network
  • the method for estimating cerebrovascular age from a medical image according to the present invention may further include extracting features of the cerebral blood vessels through the machine-learned convolutional neural network (CNN).
  • the input data of the convolutional neural network (CNN) may further include risk factors that induce cerebrovascular diseases including hypertension, diabetes, and hyperlipidemia.
  • the system for estimating cerebrovascular age from medical images includes: a cerebrovascular imaging DB that collects and stores a 3D TOF MRA image with age information of a subject; A pre-processing unit for performing pre-processing to detect the position of the middle cerebral artery (MCA) to machine learn a 3D cerebrovascular image with age information obtained from the cerebrovascular image DB through a convolutional neural network (CNN); An input unit for inputting age and cerebrovascular disease risk factors of images pre-processed by the pre-processing unit; A plurality of convolutional layers and a plurality of convolutional layers for calculating feature maps by applying a weight to the input value using the cerebral blood vessel image having the pre-processed age information as an input value of the input layer It comprises a plurality of pooling (pooling) layer to reduce the size of the feature map, and includes a convolutional neural network (CNN) that estimates the age of the cerebral blood vessels through regression analysis.
  • CNN convolutional neural network
  • the pre-processing unit is an isotropic standardization unit for interpolating cerebral blood vessel images into an isotropic space and standardizing signal intensity;
  • An MCA detection unit that detects the position of the middle cerebral artery (MCA) on the z-axis in order to align the top-down (z-axis) coverage of the cerebrovascular image;
  • a three-dimensional slab generating unit for cutting the image of a predetermined size based on the detected position of the middle cerebral artery (MCA), interpolating the cut-sized image (slab), adjusting the data size, and inputting machine learning. do.
  • the system for estimating cerebrovascular age from medical images moves before cutting data to reduce sensitivity to spatial variation of cerebrovascular image data during learning and testing of the convolutional neural network (CNN) ( It further includes an image enhancement unit that increases training data by performing shifting, rotation, and flipping.
  • CNN convolutional neural network
  • the convolutional neural network uses the TOF MRA image having the pre-processed age information as an input value of an input layer to apply a weight to the input value to calculate feature maps. hierarchy; A plurality of pooling layers that reduce the size of the feature maps of the plurality of convolution layers through sub-sampling; A full connection layer connected to the pooling layer and all activations; And a regression analysis unit for estimating the age of cerebral blood vessels through regression analysis using the output value of the complete connection layer.
  • the input unit may further include risk factors and sex information for causing cerebrovascular diseases including hypertension, diabetes, and hyperlipidemia.
  • the overall aging state of cerebral blood vessels is quantified by quantifying morphological changes in cerebral blood vessels through machine learning, for example, deep learning.
  • a single measure or index can be provided to evaluate.
  • brain vascular age can be predicted by extracting a knowledge-based cerebrovascular feature by analyzing changes in the shape of cerebral blood vessels appearing on cerebrovascular images using machine learning. It can be used as an imaging biomarker for aging.
  • knowledge-based cerebrovascular characteristics and risk factor information of a patient can be added to provide cerebrovascular information that cannot be previously measured.
  • new cerebrovascular information to check the health status of each individual and utilize it to promote health, early diagnosis and prevention of specific diseases can be prevented.
  • 1 is a block diagram showing the technical idea of the present invention.
  • FIG. 2 shows an example of a change in morphological characteristics of brain blood vessels with age.
  • Figure 3 is a block diagram showing an embodiment of the configuration of the cerebrovascular age estimation system from a medical image according to the present invention.
  • FIG. 4 is a block diagram showing a more specific configuration of the pre-processing unit 320.
  • FIG. 5 shows an embodiment of the pre-processing unit 320 as an MRA image.
  • FIG. 6 shows an example of the image enhancement unit 330.
  • CNN convolutional neural network
  • CNN convolutional neural network
  • FIG. 9 is a flowchart illustrating an embodiment of a method for estimating cerebrovascular age from a medical image according to the present invention.
  • FIG. 11 shows an example of providing services such as risk and lifestyle advice for risk factors using the cerebrovascular age estimated by the system for estimating cerebrovascular age from the medical image according to the present invention.
  • FIG. 1 is a block diagram showing the technical idea of the present invention, as a brain blood vessel image, machine learning through a convolutional neural network (Convolution Neural Network), for example, deep learning, deep learning Indicates that it is estimated.
  • FIG. 2 shows an example of changes in the morphological characteristics of cerebral blood vessels according to age, and it can be seen that the morphological characteristics of the cerebral blood vessels shown in the brain MRA image change with age.
  • Convolution Neural Network convolution Neural Network
  • MRA Magnetic Resonance Angiography
  • the age of the cerebral blood vessels is estimated by deep learning the change of the morphological characteristics of the (130).
  • FIG. 3 is a block diagram showing an embodiment of the configuration of the cerebral vascular age estimation system from the medical image according to the present invention
  • the cerebral vascular age estimation system from the medical image according to an embodiment of the present invention is a cerebrovascular image DB ( 310, a pre-processing unit 320, an input unit 340, and a convolutional neural network 350, and may further include an image enhancement unit 330.
  • the cerebrovascular image DB 310 may be constructed as a database for collecting and storing cerebrovascular images, for example, three-dimensional TOF MRA images, with age information of a subject.
  • the pre-processing unit 320 performs machine learning through the convolutional neural network (CNN, 350), for example, a cerebral blood vessel image having the age information obtained from the cerebrovascular imaging DB 310, for example, a 3D TOF MRA image. Pre-treatment is performed for deep learning.
  • 4 is a block diagram showing a more specific configuration of the pre-processing unit 320, the pre-processing unit 320 includes an isotropic standardization unit 410, an MCA detection unit 420 and a SLAB generation unit 430. Referring to FIG. 4, the isotropic standardization unit 410 interpolates a cerebrovascular image, for example, a TOP MRA image into an isotropic space and normalizes signal strength.
  • the MCA detection unit 420 detects the position of the middle cerebral artery (MCA) on the z-axis in order to match the coverage in the upper and lower range (z-axis) of the brain vessel image, for example, the 3D TOF MRA image.
  • MCA middle cerebral artery
  • the SLAB generation unit 430 cuts an image of a predetermined size based on the detected position of the middle cerebral artery (MCA) and interpolates the cut-sized image (slab) to reduce the data size.
  • FIG. 5 shows an embodiment of the pre-processing unit 320 as an MRA image.
  • MRA data from cerebral blood vessel imaging with age from specific hospital databases (Our DB, 511) and public databases CASILab (513) and IXI (515) Collected.
  • CASILab 515
  • IXI 515
  • the 3D TOF image is interpolated into a 0.5 mm isotropic space for the MRA DB 510 including three databases 511, 513, and 515, and signal strength is normalized. (510)
  • the position of the middle cerebral artery (MCA) on the z-axis is estimated as shown in Fig. B 520 to match the coverage of the MRA image data in the upper and lower range (z-axis) direction.
  • MCA middle cerebral artery
  • a 6.4 cm thick slab (SLAB, 1.7 cm to 4.7 cm above) is extracted.
  • the central part of the slab (256x256) is cut off and the SLAB (256x256x128), cut off due to limitations in the computational environment, is interpolated into a 1.0mm isotropic space (128x128x64) ( Figure C, 530).
  • the input unit 340 inputs risk factors for cerebrovascular disease including gender, age and hypertension, diabetes, and hyperlipidemia of the image preprocessed in the preprocessing unit 320.
  • the convolutional neural network applies feature maps by applying a weight to the input value using a brain blood vessel image with pre-processed age information, for example, a TOF MRA image as an input value of an input layer. It comprises a plurality of convolutional layers to calculate and a plurality of pooling layers to reduce the size of the feature maps of the plurality of convolutional layers, and the age of cerebral blood vessels is estimated through regression analysis.
  • the image augmentation unit 330 shifts the MRA image before cutting the data to reduce sensitivity to spatial variation of cerebrovascular image data of the data set in the course of learning and testing of the convolutional neural network (CNN, 350). , Rotation and flipping to increase training data.
  • 6 illustrates an example of the image enhancement unit 330, and shows that 652 images can be increased to 20,000 or more images by performing shifting, rotation, and flipping.
  • FIG. 7 shows an example of a convolutional neural network (CNN, 350) used as a component of a cerebrovascular age estimation system from a medical image according to the present invention, a plurality of convolutional layers (720, 740), a plurality of pooling It comprises a (pooling) layer (730, 750), a fully connected (fully connected) layer 760 and a regression (regression) analysis unit 770.
  • CNN convolutional neural network
  • the plurality of convolutional layers 720 and 740 is a feature map by applying a weight to the input value using a TOF MRA image 710 as an input value of an input layer as an example of a cerebrovascular image having pre-processed age information. (feature maps).
  • the plurality of pooling layers 730 and 750 reduce the size of the feature maps of the plurality of convolutional layers 720 and 740 through sub-sampling.
  • the fully connected layer 760 is connected to all activations of the pooling layer 750.
  • the regression analysis unit 770 estimates the age of the cerebral blood vessels through regression analysis using the output value of the complete connection layer 760.
  • FIG. 8 shows an example of an implementation of a convolutional neural network (CNN, 350) used as a component of a cerebrovascular age estimation system from a medical image according to the present invention.
  • CNN convolutional neural network
  • FIG. 8 shows a scheme of 3D CNN, a representative image of an activation map of each layer is shown.
  • the 3D CNN architecture has five weight layers (not shown), three 3D convolutional layers 810, 820, and 830, and two fully connected layers 840.
  • a 3x3x3 convolution kernel 850 with a stride of 1 and a 2x2x2 maximum pooling with a stride of 1 (860) were used for all layers.
  • ReLU rectified linear unit
  • the mean square error was used as a loss function in regression (880) and the batch size was 8.
  • a convolution operation when a convolution operation is performed using a 3x3x3 convolution kernel 850 having a stride of 1 for 3D input data 805 of 128x128x64, a plurality of 128x128x64 Feature maps can be constructed.
  • a subsampling map of 64x64x32 may be constructed by applying 2x2x2 maximum pooling 860 with a stride length of 1 from a feature map of each 128x128x64 in the convolution layer 810.
  • activation can be seen primarily in vascular voxels.
  • Network parameters including learning rate and number of epochs can be adjusted empirically to improve performance for validation through repeated experiments.
  • FIG. 9 is a flowchart illustrating an embodiment of a method for estimating cerebrovascular age from a medical image according to the present invention. 3, 4, 7 and 9, an embodiment of a method for estimating cerebrovascular age from a medical image according to the present invention will be described.
  • a medical image with age information of a plurality of subjects (subject), for example, TOF MRA images are collected to build a cerebrovascular image DB 310 (step S910).
  • the pre-processing unit 320 performs pre-processing to detect the position of the middle cerebral artery (MCA) in order to machine-learn a cerebral blood vessel image with age information through a convolutional neural network (CNN). It shows the process in more detail.
  • the isotropic standardization unit 410 interpolates a cerebrovascular image, for example, a TOF MRA image into an isotropic space and normalizes signal strength.
  • the MCA detection unit 420 heads the TOF MRA image
  • the position of the middle cerebral artery (MCA) of the z-axis is detected in order to match the coverage in the upper and lower range (z-axis).
  • Step S1020 The SLAB generation unit 430 detects the position of the detected middle cerebral artery (MCA). The image of a predetermined size is cut out at the center. (Step S1030) Then, the size of the data is reduced by interpolating the cut image of the predetermined size (Step S1040).
  • the CNN unit 350 applies the TOF MRA image having the pre-processed age information as an input value of an input layer and applies a weight to the input value.
  • Machine learning is performed through a convolutional neural network (CNN) including a plurality of convolutional layers for calculating feature maps (step S930).
  • the regression analysis unit of the CNN unit 350 (step S930) 770) estimates the age of cerebral blood vessels through the machine-learned convolutional neural network (CNN) (step S940).
  • step S920 after pre-processing a cerebrovascular image, for example, a TOF MRA image, data to reduce sensitivity to spatial variation of cerebrovascular image data in the learning data set of the convolutional neural network (CNN).
  • the data can be increased by performing shifting, rotation, and flipping before cutting.
  • the characteristics of the cerebral blood vessels can be extracted through the machine-learned convolutional neural network (CNN).
  • the input data of the convolutional neural network may further include a risk factor that causes cerebrovascular diseases including hypertension, diabetes, and hyperlipidemia.
  • 11 shows an example of providing an analysis of cerebrovascular age and risk factors using a system for estimating cerebrovascular age from a medical image according to the present invention.
  • a 3D cerebral blood vessel image, a patient's gender and age, and risk factors for cerebrovascular disease such as hypertension, diabetes, hyperlipidemia, and cardiovascular disease are input to estimate cerebral vascular age, and estimated cerebrovascular disease
  • it can be used for personal health check and health promotion. Through this, you can improve your lifestyle and diagnose and prevent certain diseases early.
  • the present invention can be embodied as computer readable code on a computer readable recording medium (including all devices having information processing functions).
  • the computer-readable recording medium includes all kinds of recording devices in which data readable by a computer system are stored. Examples of computer-readable recording devices include ROM, RAM, CD-ROM, magnetic tape, floppy disks, and optical data storage devices.
  • the “unit” may be a hardware component such as a processor or circuit, and/or a software component executed by a hardware component such as a processor.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Vascular Medicine (AREA)
  • Image Analysis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

본 발명은 의료영상으로부터 뇌혈관 나이를 추정하는 방법 및 시스템에 관한 것으로서, 그 의료영상으로부터 뇌혈관 나이를 추정하는 방법은 다수의 검사 대상자(subject)의 나이 정보가 있는 뇌혈관 영상들을 수집하는 단계; 나이 정보가 있는 뇌혈관 영상을 복수의 학습 층을 가지는 콘볼루션 신경망(CNN)을 통한 기계학습(machine learning)을 위해 중간대뇌동맥(MCA)의 위치를 검출하는 전처리를 수행하는 단계; 전처리된 나이 정보가 있는 뇌혈관 영상을 입력 계층의 입력 값으로 하여 상기 입력 값에 가중치(weight)를 적용하여 특징 맵(feature maps)을 산출하는 다수의 콘볼루션(convolution) 계층을 포함하여 이루어지는 콘볼루션 신경망(CNN)을 통해 기계학습하는 단계; 및 기계학습된 콘볼루션 신경망(CNN)을 통해 뇌혈관의 나이를 추정하는 단계를 포함한다.

Description

의료 영상으로부터 뇌혈관 나이를 추정하는 방법 및 시스템
본 발명은 뇌혈관 나이 추정에 관한 것으로서, 특히 기계학습(machine learning)을 이용하여 의료 영상으로부터 뇌혈관 나이를 추정하는 방법 및 시스템에 관한 것이다.
의료 영상은 의학적인 목적으로 대상의 해부학적 및 기능적인 정보를 얻게 된다. 인체의 다양한 부위에서 여러가지 방법으로 의료 영상을 얻을 수 있다. 예를 들어 뇌혈관 질환의 진단 등을 위하여 다양한 뇌혈관 영상을 얻을 수 있으며, 그 중 한 가지 방법은 time-of-flight MR angiography (TOF MRA)라는 기법이다. 이 기법은 자기공명 영상기기 (Magnetic resonance image)를 이용하여 유속이 있는 혈액의 신호는 강하게 나타나고 정지되어 있는 혈액의 신호는 약하게 나타나게 하여 각 단면에서 혈관의 영상만 추출하여 각 단면에서 얻어진 혈관 영상을 결합하여 2차원 또는 3차원적으로 재구성함으로써 조영제를 사용하지 않으면서도 혈관의 영상을 얻을 수 있는 기술적인 방법이다. TOF MRA는 뛰어난 영상 해상도로 뇌혈관 구조를 상세히 제시할 수 있어 현재 의료분야에서 많이 활용되는 혈관 영상 기법이다. 또한, 관련기술이 계속 발달하여 와류와 같은 복합혈류현상도 진단할 수 있고, 최근에는 미세혈관 영상도 얻을 수 있는 등 그 발전속도가 빠르다. 이 외에 조영제를 주입한 뒤 전산화단층촬영 영상을 얻어 뇌혈관 영상을 재구성한 CT 뇌혈관 조영술은 높은 공간해상도 및 빠른 검사시간으로 널리 이용되며, 정밀한 뇌혈관 영상 및 혈류역학적 정보를 얻을 수 있다. 한편, 뇌의 노화는 잘 알려져 있고 중요하다. 뇌는 높은 신진 대사 활동을 지원하기 위해 혈액 공급량이 풍부하기 때문에 나이에 따른 변화에 뇌 실질(brain parenchyma) 뿐 아니라 뇌 혈관계(brain vasculatures)도 포함된다는 것은 놀라운 일이 아니다. 조직 병리학적 연구는 노화에 따른 뇌동맥의 변화를 보여 주고 있고, 현미경적 변화는 머리와 목 부분의 동맥에 대한 큰 형태적 변화와 관련이 있다.
뇌에서 관찰되는 노화를 측정하려는 시도가 있었으며, 일정부분 성공적인 결과를 보여준 반면, 뇌혈관에서 관찰되는 노화의 측정 및 수치화는 그 시도에 비하여 결과가 미약하다. 이는 뇌혈관영상에서 관찰되는 노화와 관련된 특징 (feature)들이 적절히 정의되지 못함에 기인한다. 기존에 손으로 만들어진 특징들(hand-crafted features)을 이용하여 뇌 MRA에서 발견된 연령 관련 변화를 측정 하였으나 정확도가 떨어지고 시간이 많이 소요되는 불편함이 있었다. 또한, 뇌 혈관의 전반적인 노화 상태를 평가하기 위해 단일 척도(measurement) 또는 지표(index)가 없었다.
횡단면 모집단(cross-sectional population) 데이터를 사용하여 구조적 뇌 MRI 영상으로부터 연령을 예측하는 것처럼 뇌 혈관 영상에 나타난 혈관의 형태 분석을 통해 뇌혈관 나이를 예측할 수 있다면 뇌와 혈관 노화에 대한 이미징 바이오마커(biomarker)로 사용될 수 있을 것이다.
[선행기술문헌]
(특허문헌 1) 등록특허공보 제10-1620302호(2016.05.04)
본 발명이 해결하고자 하는 과제는 상술한 종래의 손으로 만들어진 특징들(hand-crafted features)을 이용한 뇌혈관 영상의 구조적 분석의 한계와 불편함을 해결하기 위해 창출된 것으로서, 기계학습(machine learning), 예를 들어 딥 러닝(deep learning)을 이용하여 뇌혈관 영상에 나타나는 뇌혈관의 형태 변화를 분석하여 지식기반 뇌혈관 특징(knowledge-based cerebrovascular feature)을 추출하여 뇌혈관 나이를 예측할 수 있는, 의료영상으로부터 뇌혈관 나이를 추정하는 방법 및 시스템을 제공하는 것이다.
상기 기술적 과제를 이루기 위한 본 발명에 따른 의료영상으로부터 뇌혈관 나이를 추정하는 방법은, 다수의 검사 대상자(subject)의 나이 정보가 있는 뇌혈관 영상들을 수집하는 단계; 상기 나이 정보가 있는 뇌혈관 영상을 복수의 학습 층을 가지는 콘볼루션 신경망(CNN)을 통한 기계학습(machine learning)을 위해 중간대뇌동맥(MCA)의 위치를 검출하는 전처리를 수행하는 단계; 상기 전처리된 나이 정보가 있는 뇌혈관 영상을 입력 계층의 입력 값으로 하여 상기 입력 값에 가중치(weight)를 적용하여 특징 맵(feature maps)을 산출하는 다수의 콘볼루션(convolution) 계층을 포함하여 이루어지는 콘볼루션 신경망(CNN)을 통해 기계학습하는 단계; 및 상기 기계학습된 콘볼루션 신경망(CNN)을 통해 뇌혈관의 나이를 추정하는 단계를 포함한다.
상기 전처리는 뇌혈관 영상을 등방성 공간으로 보간하고 신호 강도를 표준화 하는 단계; 상기 뇌혈관영상의 머리의 위 아래 범위(z축) 커버리지를 맞추기 위해 상기 z 축의 중간 대뇌 동맥(MCA)의 위치를 검출하는 단계; 상기 검출된 중간 대뇌 동맥(MCA)의 위치를 중심으로 소정 크기의 영상을 잘라내는 단계; 및 상기 잘라낸 소정 크기의 영상(slab)을 보간하여 데이터 크기를 맞추어 주는 단계를 포함한다.
본 발명에 따른 의료영상으로부터 뇌혈관 나이를 추정하는 방법은, 상기 콘볼루션 신경망(CNN)의 학습 데이터 세트(data set)의 뇌혈관 영상 데이터의 공간적인 변이에 대한 민감도를 줄이기 위해 데이터를 자르기 전에 의료영상 촬영시 발생할 수 있는 다양성이 반영되도록 이동(shifting), 회전(rotation) 및 뒤집기(flipping)를 수행하여 데이터를 증가하는 것을 특징으로 한다.
본 발명에 따른 의료영상으로부터 뇌혈관 나이를 추정하는 방법은, 상기 기계학습된 콘볼루션 신경망(CNN)을 통해 뇌혈관의 특징을 추출하는 단계를 더 포함할 수 있다. 상기 콘볼루션 신경망(CNN)의 입력 데이터는 고혈압, 당뇨, 고지혈을 포함한 뇌혈관 질환을 유발하는 위험인자를 더 포함할 수 있다.
상기 기술적 과제를 이루기 위한 본 발명에 따른 의료영상으로부터 뇌혈관 나이를 추정하는 시스템은, 검사 대상자(subject)의 나이 정보가 있는 3차원 TOF MRA 영상을 수집하여 저장하는 뇌혈관 영상 DB; 상기 뇌혈관 영상 DB로부터 획득된 상기 나이 정보가 있는 3차원 뇌혈관 영상을 콘볼루션 신경망(CNN)을 통해 기계학습하기 위해 중간대뇌동맥(MCA)의 위치를 검출하는 전처리를 수행하는 전처리부; 상기 전처리부에서 전처리된 영상의 나이, 뇌혈관질환 위험인자를 입력하는 입력부; 상기 전처리된 나이 정보가 있는 뇌혈관 영상을 입력 계층의 입력값으로 하여 상기 입력값에 가중치(weight)를 적용하여 특징 맵(feature maps)을 산출하는 다수의 콘볼루션 계층 및 상기 다수의 콘볼루션 계층의 특징맵의 크기를 줄이는 다수의 풀링(pooling) 계층을 포함하여 이루어지고, 뇌혈관의 나이를 회귀분석을 통해 추정하는 콘볼루션 신경망(CNN)을 포함한다.
상기 전처리부는 뇌혈관 영상을 등방성 공간으로 보간하고 신호강도를 표준화하는 등방성표준화부; 상기 뇌혈관영상 이미지의 머리 위 아래 방향(z축) 커버리지를 맞추기 위해 상기 z 축의 중간대뇌 동맥(MCA)의 위치를 검출하는 MCA검출부; 및 상기 검출된 중간대뇌 동맥(MCA)의 위치를 중심으로 소정 크기의 영상을 잘라내고 상기 잘라낸 소정 크기의 영상(slab)을 보간하여 데이터 크기를 맞추어 주며 기계학습 입력을 위한 3차원 Slab 생성부를 포함한다.
본 발명에 따른 의료영상으로부터 뇌혈관 나이를 추정하는 시스템은, 상기 콘볼루션 신경망(CNN)의 학습 및 테스트 과정에서의 뇌혈관 영상 데이터의 공간적인 변이에 대한 민감도를 줄이기 위해 데이터를 자르기 전에 이동(shifting), 회전(rotation) 및 뒤집기(flipping)를 수행하여 트레이닝 데이터를 증가하는 이미지 증강부를 더 포함한다.
상기 콘볼루션 신경망(CNN)은 상기 전처리된 나이 정보가 있는 TOF MRA 영상을 입력 계층의 입력값으로 하여 상기 입력값에 가중치(weight)를 적용하여 특징 맵(feature maps)을 산출하는 다수의 콘볼루션 계층; 상기 다수의 콘볼루션 계층의 특징맵의 크기를 서브 샘플링을 통해 줄이는 다수의 풀링(pooling) 계층; 상기 풀링 계층과 모든 액티베이션과 연결되는 완전연결 계층; 및 상기 완전연결 계층의 출력값을 이용하여 회귀(regression) 분석을 통해 뇌혈관의 나이를 추정하는 회귀분석부를 포함한다. 상기 입력부는 고혈압, 당뇨, 고지혈을 포함한 뇌혈관 질환을 유발하는 위험인자와 성별정보를 더 포함할 수 있다.
본 발명에 따른 의료영상로부터 뇌혈관 나이 추정 방법 및 시스템에 의하면, 기계학습(machine learning), 예를 들어 딥 러닝(deep learning)을 통해 뇌혈관의 형태적 변화를 정량화함으로써 뇌 혈관의 전반적인 노화 상태를 평가하기 위해 단일 척도(measurement) 또는 지표(index)를 제공할 수 있다.
그리고 본 발명에 의하면, 기계학습을 이용하여 뇌혈관영상에 나타나는 뇌혈관의 형태 변화를 분석하여 지식기반 뇌혈관 특징(knowledge-based cerebrovascular feature)을 추출함으로써 뇌 혈관 나이를 예측할 수 있고, 뇌와 혈관 노화에 대한 이미징 바이오 마커 (biomarker)로 사용할 수 있다.
또한 본 발명에 의하면, 지식기반 뇌혈관 특징 및 환자의 위험인자 정보를 더하여 기존에 측정할 수 없었던 뇌혈관 정보를 제공할 수 있다. 또한, 새로운 뇌혈관 정보를 이용하여 개개인의 건강상태를 확인하고 건강 증진에 활용함으로써 특정 질환을 조기에 진단하고 발병을 예방할 수 있다.
도 1은 본 발명의 기술적 사상을 블록도로 나타낸 것이다.
도 2는 나이에 따른 뇌 혈관의 형태적 특성의 변화에 대한 예를 나타낸 것이다.
도 3은 본 발명에 따른 의료영상으로부터 뇌혈관 나이 추정 시스템의 구성에 대한 일실시예를 블록도로 나타낸 것이다.
도 4는 전처리부(320)의 보다 구체적인 구성을 블록도로 나타낸 것이다.
도 5는 전처리부(320)의 일실시예를 MRA 영상으로 나타낸 것이다.
도 6은 이미지 증강부(330)의 일 예를 나타낸 것이다.
도 7은 본 발명에 따른 의료영상으로부터 뇌혈관 나이 추정 시스템의 구성 요소로 사용되는 콘볼루션 신경망(CNN, 350)의 일 예를 나타낸 것이다.
도 8은 본 발명에 따른 의료영상으로부터 뇌혈관 나이 추정 시스템의 구성 요소로 사용되는 콘볼루션 신경망(CNN, 350)의 구현 예를 나타낸 것이다.
도 9는 본 발명에 따른 의료영상으로부터 뇌혈관 나이 추정 방법에 대한 일실시예를 흐름도로 나타낸 것이다.
도 10은 전처리 과정을 보다 세부적으로 나타낸 것이다.
도 11은 본 발명에 의한 의료영상으로부터 뇌혈관 나이를 추정하는 시스템에 의해 추정된 뇌혈관 나이를 이용하여 위험인자에 대한 위험도 및 생활습관 조언 등의 서비스를 제공하는 일 예를 나타낸 것이다.
이하, 첨부된 도면을 참조로 본 발명의 바람직한 실시예를 상세히 설명하기로 한다. 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 바람직한 일 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원 시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
도 1은 본 발명의 기술적 사상을 블록도로 나타낸 것으로서, 뇌혈관 영상으로 하여 콘볼루션 신경망(Convolution Neural Network)을 통해 기계학습(machine learning), 예를 들어 딥 러닝(deep learning)하여 뇌혈관의 나이를 추정하는 것을 나타낸다. 도 2는 나이에 따른 뇌 혈관의 형태적 특성의 변화의 예를 나타낸 것으로서, 뇌 MRA영상에 나타나는 뇌혈관의 형태적 특성이 나이에 따라 변화됨을 알 수 있다.
도 1을 참조하면, 입력부(110)를 통해 입력되는MRA(Magnetic Resonance Angiography) 영상을 트레이닝 데이터 세트(training data set)로 하여 콘볼루션 신경망(Convolution Neural Network, 120)을 통해 MRA 영상에 나타난 뇌혈관의 형태적 특징에 대한 변화를 딥 러닝하여 뇌혈관의 나이를 추정(130)한다.
도 3은 본 발명에 따른 의료영상으로부터 뇌혈관 나이 추정 시스템의 구성에 대한 일실시예를 블록도로 나타낸 것으로서, 본 발명의 일실시예에 따른 의료영상으로부터 뇌혈관 나이 추정 시스템은 뇌혈관 영상DB(310), 전처리부(320), 입력부(340), 콘볼루션 신경망(350)을 포함하여 이루어지고, 이미지 증강부(330)를 더 포함할 수 있다..
뇌혈관영상DB(310)는 검사 대상자(subject)의 나이 정보가 있는 뇌혈관 영상 예를 들어 3차원 TOF MRA 영상을 수집하여 저장하는 데이터베이스로 구축할 수 있다.
전처리부(320)는 뇌혈관영상DB(310)로부터 획득된 상기 나이 정보가 있는 뇌혈관 영상, 예를 들어 3차원 TOF MRA 영상을 콘볼루션 신경망(CNN, 350)을 통해 기계학습, 예를 들어 딥 러닝하기 위해 전처리를 수행한다. 도 4는 전처리부(320)의 보다 구체적인 구성을 블록도로 나타낸 것으로서, 전처리부(320)는 등방성 표준화부(410), MCA 검출부(420) 및 SLAB 생성부(430)을 포함하여 이루어진다. 도 4를 참조하면, 등방성 표준화부(410)는 뇌혈관 영상, 예를 들어TOF MRA 이미지를 등방성 공간으로 보간하고 신호강도를 표준화한다.
MCA검출부(420)는 상기 뇌혈관 영상, 예를 들어 3차원 TOF MRA 이미지의 머리의 위 아래 범위(z 축) 방향 커버리지를 맞추기 위해 z 축의 중간대뇌 동맥(MCA)의 위치를 검출한다.
SLAB 생성부(430)는 상기 검출된 중간대뇌 동맥(MCA)의 위치를 중심으로 소정 크기의 영상을 잘라내고 상기 잘라낸 소정 크기의 영상(slab)을 보간하여 데이터 크기를 줄인다.
도 5는 전처리부(320)의 일실시예를 MRA 영상으로 나타낸 것이다.
기계학습, 예를 들어 딥 러닝은 대용량 데이터에 의존하기 때문에, 많은 수의 정상적인(normal) 검사대상자(subjects)와 폭 넓은 연령 분포가 필요하다. 도 5를 참조하면, 본 발명의 실시예에서는 적절한 데이터베이스를 구축하기 위해 특정 병원 데이터베이스(Our DB, 511)과 공공 데이터베이스인 CASILab(513)와 IXI(515)로부터 나이와 함께 뇌혈관 영상으로 MRA 데이터를 수집했다. 본 발명의 실시예에서는 총 1192 개의 3D TOF MRA 이미지가 수집되었다.
참조번호 512는 특정 병원 데이터베이스(Our DB, 511)의 나이 분포에 따른 MRA 데이터 개수를 나타낸 것이고, 참조번호 514 및 516은 공공 데이터베이스인 CASILab(513)와 IXI(515)의 나이 분포에 따른 MRA 데이터 개수를 나타낸 것이다. 하나의 공공 DB(IXI, 515)와 하나의 병원 DB(Our DB, 511)에는 연령 분포가 균일한 많은 수의 검사 대상자를 포함하고 있기 때문에 공공 DB(IXI, 515)와 병원 DB(Our DB, 511)가 트레이닝과 검증에 사용되었다. 또한 연령 분포를 유지하면서 이 풀링된 데이터를 트레이닝 (n = 652)과 검증(n = 94) set 으로 나누었다.
상기 3개의 데이터 베이스(511, 513, 515)에 대해 이미징 프로토콜과 이미지 특성이 다를 수 있으므로 기계학습을 하기 전에 전처리가 필요하다. 먼저, 본 발명의 실시예에서는 3개의 데이터 베이스(511, 513, 515)를 포함하는 MRA DB(510)에 대해 3D TOF 영상을 0.5mm 등방성 공간(isotropic space)으로 보간하고 신호 세기를 표준화 한다.(510)
상기 보간 및 표준화를 한 후에는, MRA 영상 데이터의 머리의 위 아래 범위(z축) 방향 커버리지를 맞추기 위해 z 축의 중간 대뇌 동맥(MCA)의 위치를 그림 B(520)에 나타낸 것처럼 추정한다. MCA의 위치를 추정 한 후, 6.4 cm 두께의 슬래브(SLAB, 1.7 cm 아래에서 4.7 cm 위까지)를 추출한다. 슬래브의 중앙 부분 (256x256)이 잘리고 계산 환경의 한계로 인해 자른 SLAB(256x256x128)이 1.0mm 등방성 공간 (128x128x64)으로 보간된다.(그림 C, 530)
입력부(340)는 전처리부(320)에서 전처리된 영상의 성별, 나이와 고혈압, 당뇨, 고지혈을 포함하는 뇌혈관질환 위험인자를 입력한다.
콘볼루션 신경망(CNN, 350)은 전처리된 나이 정보가 있는 뇌혈관 영상 예를 들어 TOF MRA 영상을 입력 계층의 입력값으로 하여 상기 입력값에 가중치(weight)를 적용하여 특징 맵(feature maps)을 산출하는 다수의 콘볼루션 계층 및 상기 다수의 콘볼루션 계층의 특징맵의 크기를 줄이는 다수의 풀링(pooling) 계층을 포함하여 이루어지고, 뇌혈관의 나이를 회귀분석을 통해 추정한다.
이미지 증강부(330)는 콘볼루션 신경망(CNN, 350)의 학습 및 테스트 과정에서의 데이터 세트의 뇌혈관 영상 데이터의 공간적인 변이에 대한 민감도를 줄이기 위해 데이터를 자르기 전에 MRA 이미지를 이동(shifting), 회전(rotation) 및 뒤집기(flipping)를 수행하여 트레이닝 데이터를 증가한다. 도 6은 이미지 증강부(330)의 일 예를 나타낸 것으로서, 652개의 이미지를 이동(shifting), 회전(rotation) 및 뒤집기(flipping)를 수행하여 2만개 이상의 이미지로 증가할 수 있는 것을 나타내고 있다.
도 7은 본 발명에 따른 의료영상으로부터 뇌혈관 나이 추정 시스템의 구성 요소로 사용되는 콘볼루션 신경망(CNN, 350)의 일 예를 나타낸 것으로서, 다수의 콘볼루션 계층(720, 740), 다수의 풀링(pooling) 계층(730, 750), 완전연결(fully connected) 계층(760) 및 회귀(regression) 분석부(770)를 포함하여 이루어진다.
다수의 콘볼루션 계층(720, 740)은 전처리된 나이 정보가 있는 뇌혈관 영상의 일 예로 TOF MRA 영상(710)을 입력 계층의 입력값으로 하여 상기 입력값에 가중치(weight)를 적용하여 특징 맵(feature maps)을 산출한다. 다수의 풀링(pooling) 계층(730, 750)은 다수의 콘볼루션 계층(720, 740)의 특징맵의 크기를 서브 샘플링을 통해 줄인다.
완전연결(fully connected) 계층(760)은 풀링 계층(750)의 모든 액티베이션과 연결된다. 회귀(regression) 분석부(770)는 완전연결 계층(760)의 출력값을 이용하여 회귀(regression) 분석을 통해 뇌혈관의 나이를 추정한다.
도 8은 본 발명에 따른 의료영상으로부터 뇌혈관 나이 추정 시스템의 구성 요소로 사용되는 콘볼루션 신경망(CNN, 350)의 구현 예를 나타낸 것이다. 도 8을 참조하면, 3D CNN의 scheme으로서, 각 레이어의 활성화 맵에 대한 대표 이미지를 나타내고 있다. 3D CNN 아키텍처에는 5 개의 weight 레이어(미도시), 3 개의 3D 컨볼루션 레이어(810, 820, 830) 및 2 개의 완전 연결 레이어(840)가 있다. 이 모델에서 보폭(stride)이 1 인 3x3x3 컨볼루션 커널(850)과 보폭이 1 인 2x2x2 최대 풀링(860)이 모든 레이어에 사용되었다. 각각의 콘볼루션 레이어 후에, 정류된 선형 유닛(ReLU, 870)이 적용되었다. 훈련 과정에서 평균 제곱 오차가 회귀 분석(regression, 880)에서 손실 함수로 사용되었으며 배치 크기는 8이다.
예를 들어, 콘볼루션 계층(810)에서 하나의 128x128x64의 3D 입력 데이터(805)에 대해 보폭(stride)이 1 인 3x3x3 컨볼루션 커널(850)을 사용하여 콘볼루션 연산을 수행하면 다수의 128x128x64의 특징맵을 구성할 수 있다. 콘볼루션 계층(810)에 있는 각각의 128x128x64의 특징 맵으로부터 보폭이 1 인 2x2x2 최대 풀링(860)을 적용하여 64x64x32의 서브샘플링 맵을 구성할 수 있다. 본 발명의 구현예에서는 주로 혈관 voxels에서 활성화를 볼 수 있다. Learning rate와 epoch의 수를 포함하는 네트워크 파라미터들은 경험적으로 조정되어 반복적인 실험을 통해 유효성 검증을 위한 성능을 높일 수 있다.
도 9는 본 발명에 따른 의료영상으로부터 뇌혈관 나이 추정 방법에 대한 일실시예를 흐름도로 나타낸 것이다. 도 3, 도 4, 도7 및 도 9를 참조하여, 본 발명에 따른 의료영상으로부터 뇌혈관 나이 추정 방법에 대한 일실시예를 설명하기로 한다. 먼저, 다수의 검사 대상자(subject)의 나이 정보가 있는 의료영상, 예를 들어 TOF MRA 영상들을 수집하여 뇌혈관 영상 DB(310)를 구축한다.(S910단계)
전처리부(320)는 나이 정보가 있는 뇌혈관 영상을 콘볼루션 신경망(CNN)을 통해 기계학습하기 위해 중간대뇌동맥(MCA)의 위치를 검출하는 전처리를 수행한다.(S920단계) 도 10은 상기 전처리 과정을 보다 세부적으로 나타낸 것이다. 도 10을 참조하면, 등방성 표준화부(410)는 뇌혈관 영상 예를 들어 TOF MRA 이미지를 등방성 공간으로 보간하고 신호 강도를 표준화 한다.(S1010단계) MCA 검출부(420)는 상기 TOF MRA 이미지의 머리의 위 아래 범위(z 축) 방향 커버리지를 맞추기 위해 z 축의 중간 대뇌 동맥(MCA)의 위치를 검출한다.(S1020단계) SLAB 생성부(430)는 상기 검출된 중간 대뇌 동맥(MCA)의 위치를 중심으로 소정 크기의 영상을 잘라낸다.(S1030단계) 그리고 나서 상기 잘라낸 소정 크기의 영상(slab)을 보간하여 데이터 크기를 줄인다.(S1040단계)
뇌혈관 영상 예를 들어 TOF MRA 영상이 전처리 되면, CNN부(350)는 상기 전처리된 나이 정보가 있는 상기 TOF MRA 영상을 입력 계층의 입력 값으로 하여 상기 입력 값에 가중치(weight)를 적용하여 특징 맵(feature maps)을 산출하는 다수의 콘볼루션(convolution) 계층을 포함하여 이루어지는 콘볼루션 신경망(CNN)을 통해 기계학습(machine learning) 한다.(S930단계) CNN부(350)의 회귀분석부(770)는 상기 기계학습된 콘볼루션 신경망(CNN)을 통해 뇌혈관의 나이를 추정한다.(S940단계)
한편, S920단계에서 뇌혈관 영상 예를 들어 TOF MRA 영상을 전처리한 후, 상기 콘볼루션 신경망(CNN)의 학습 데이터 세트(data set)의 뇌혈관 영상 데이터의 공간적인 변이에 대한 민감도를 줄이기 위해 데이터를 자르기 전에 이동(shifting), 회전(rotation) 및 뒤집기(flipping)를 수행하여 데이터를 증가할 수 있다. 그리고 상기 기계학습된 콘볼루션 신경망(CNN)을 통해 뇌혈관의 특징을 추출할 수 있다.
한편, 상기 콘볼루션 신경망(CNN)의 입력 데이터는 고혈압, 당뇨, 고지혈을 포함한 뇌혈관 질환을 유발하는 위험인자를 더 포함할 수 있다. 도 11은 본 발명에 의한 의료영상으로부터 뇌혈관 나이를 추정하는 시스템을 이용하여 뇌혈관 나이와 위험인자에 대한 분석을 제공하는 일 예를 나타낸 것이다. 도 11을 참조하면, 3차원 뇌혈관 영상과 환자의 성별 및 나이, 뇌혈관 질환 위험인자 예를 들어 고혈압, 당뇨, 고지혈증, 심뇌혈관 질환을 입력으로 하여 뇌혈관 나이를 추정하고, 추정된 뇌혈관 정보를 이용하여 노화 측정 결과 및 분석결과를 그래프와 코멘트로 제공함으로써, 개개인의 건강상태 확인 및 건강증진에 활용할 수 있다. 이를 통해 생활습관을 개선하고 특정 질환을 조기에 진단하고 예방할 수도 있다.
본 발명은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터(정보 처리 기능을 갖는 장치를 모두 포함한다)가 읽을 수 있는 코드로서 구현될 수 있다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 장치의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장장치 등이 있다. 또한, 본 명세서에서, “부”는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (10)

  1. 다수의 검사 대상자(subject)의 나이 정보가 있는 뇌혈관 영상들을 수집하는 단계;
    상기 나이 정보가 있는 뇌혈관 영상을 복수의 학습 층을 가지는 콘볼루션 신경망(CNN)을 통한 기계학습(machine learning)을 위해 중간대뇌동맥(MCA)의 위치를 검출하는 전처리를 수행하는 단계;
    상기 전처리된 나이 정보가 있는 뇌혈관 영상을 입력 계층의 입력 값으로 하여 상기 입력 값에 가중치(weight)를 적용하여 특징 맵(feature maps)을 산출하는 다수의 콘볼루션(convolution) 계층을 포함하여 이루어지는 콘볼루션 신경망(CNN)을 통해 기계학습하는 단계; 및
    상기 기계학습된 콘볼루션 신경망(CNN)을 통해 뇌혈관의 나이를 추정하는 단계를 포함하는, 의료영상으로부터 뇌혈관 나이를 추정하는 방법.
  2. 제1항에 있어서, 상기 전처리는
    뇌혈관 영상을 등방성 공간으로 보간하고 신호 강도를 표준화 하는 단계;
    상기 뇌혈관영상의 머리의 위 아래 범위(z축) 커버리지를 맞추기 위해 상기 z 축의 중간 대뇌 동맥(MCA)의 위치를 검출하는 단계;
    상기 검출된 중간 대뇌 동맥(MCA)의 위치를 중심으로 소정 크기의 영상을 잘라내는 단계; 및
    상기 잘라낸 소정 크기의 영상(slab)을 보간하여 데이터 크기를 맞추어 주는 단계를 포함하는 것을 특징으로 하는, 의료영상으로부터 뇌혈관 나이를 추정하는 방법.
  3. 제1항에 있어서,
    상기 콘볼루션 신경망(CNN)의 학습 데이터 세트(data set)의 뇌혈관 영상 데이터의 공간적인 변이에 대한 민감도를 줄이기 위해 데이터를 자르기 전에 의료영상 촬영시 발생할 수 있는 다양성이 반영되도록 이동(shifting), 회전(rotation) 및 뒤집기(flipping)를 수행하여 데이터를 증가하는 것을 특징으로 하는, 의료영상으로부터 뇌혈관 나이를 추정하는 방법.
  4. 제1항에 있어서,
    상기 기계학습된 콘볼루션 신경망(CNN)을 통해 뇌혈관의 특징을 추출하는 단계를 더 포함하는 것을 특징으로 하는, 의료영상으로부터 뇌혈관 나이를 추정하는 방법.
  5. 제1항에 있어서, 상기 콘볼루션 신경망(CNN)의 입력 데이터는
    고혈압, 당뇨, 고지혈을 포함한 뇌혈관 질환을 유발하는 위험인자를 더 포함하는 것을 특징으로 하는, 의료영상으로부터 뇌혈관 나이를 추정하는 방법.
  6. 검사 대상자(subject)의 나이 정보가 있는 3차원 TOF MRA 영상을 수집하여 저장하는 뇌혈관 영상 DB;
    상기 뇌혈관 영상 DB로부터 획득된 상기 나이 정보가 있는 3차원 뇌혈관 영상을 콘볼루션 신경망(CNN)을 통해 기계학습하기 위해 중간대뇌동맥(MCA)의 위치를 검출하는 전처리를 수행하는 전처리부;
    상기 전처리부에서 전처리된 영상의 나이, 뇌혈관질환 위험인자를 입력하는 입력부;
    상기 전처리된 나이 정보가 있는 뇌혈관 영상을 입력 계층의 입력값으로 하여 상기 입력값에 가중치(weight)를 적용하여 특징 맵(feature maps)을 산출하는 다수의 콘볼루션 계층 및 상기 다수의 콘볼루션 계층의 특징맵의 크기를 줄이는 다수의 풀링(pooling) 계층을 포함하여 이루어지고, 뇌혈관의 나이를 회귀분석을 통해 추정하는 콘볼루션 신경망(CNN)을 포함하는, 의료영상으로부터 뇌혈관 나이를 추정하는 시스템.
  7. 제6항에 있어서, 상기 전처리부는
    뇌혈관 영상을 등방성 공간으로 보간하고 신호강도를 표준화하는 등방성표준화부;
    상기 뇌혈관영상 이미지의 머리 위 아래 방향(z축) 커버리지를 맞추기 위해 상기 z 축의 중간대뇌 동맥(MCA)의 위치를 검출하는 MCA검출부; 및
    상기 검출된 중간대뇌 동맥(MCA)의 위치를 중심으로 소정 크기의 영상을 잘라내고 상기 잘라낸 소정 크기의 영상(slab)을 보간하여 데이터 크기를 맞추어 주며 기계학습 입력을 위한 3차원 Slab 생성부를 포함하는 것을 특징으로 하는, 의료영상으로부터 뇌혈관 나이를 추정하는 시스템.
  8. 제6항에 있어서,
    상기 콘볼루션 신경망(CNN)의 학습 및 테스트 과정에서의 뇌혈관 영상 데이터의 공간적인 변이에 대한 민감도를 줄이기 위해 데이터를 자르기 전에 이동(shifting), 회전(rotation) 및 뒤집기(flipping)를 수행하여 트레이닝 데이터를 증가하는 이미지 증강부를 더 포함하는 것을 특징으로 하는, 의료영상으로부터 뇌혈관 나이를 추정하는 시스템.
  9. 제6항에 있어서, 상기 콘볼루션 신경망(CNN)은
    상기 전처리된 나이 정보가 있는 TOF MRA 영상을 입력 계층의 입력값으로 하여 상기 입력값에 가중치(weight)를 적용하여 특징 맵(feature maps)을 산출하는 다수의 콘볼루션 계층;
    상기 다수의 콘볼루션 계층의 특징맵의 크기를 서브 샘플링을 통해 줄이는 다수의 풀링(pooling) 계층;
    상기 풀링 계층과 모든 액티베이션과 연결되는 완전연결 계층; 및
    상기 완전연결 계층의 출력값을 이용하여 회귀(regression) 분석을 통해 뇌혈관의 나이를 추정하는 회귀분석부를 포함하는 것을 특징으로 하는, 의료영상으로부터 뇌혈관 나이를 추정하는 시스템.
  10. 제1항에 있어서, 상기 입력부는
    고혈압, 당뇨, 고지혈을 포함한 뇌혈관 질환을 유발하는 위험인자와 성별정보를 더 포함하는 것을 특징으로 하는, 의료영상으로부터 뇌혈관 나이를 추정하는 시스템.
PCT/KR2019/014530 2018-11-27 2019-10-31 의료 영상으로부터 뇌혈관 나이를 추정하는 방법 및 시스템 Ceased WO2020111534A2 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2018-0148307 2018-11-27
KR1020180148307A KR102225775B1 (ko) 2018-11-27 2018-11-27 의료 영상으로부터 뇌혈관 나이를 추정하는 방법 및 시스템

Publications (2)

Publication Number Publication Date
WO2020111534A2 true WO2020111534A2 (ko) 2020-06-04
WO2020111534A3 WO2020111534A3 (ko) 2020-10-15

Family

ID=70854036

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/014530 Ceased WO2020111534A2 (ko) 2018-11-27 2019-10-31 의료 영상으로부터 뇌혈관 나이를 추정하는 방법 및 시스템

Country Status (2)

Country Link
KR (1) KR102225775B1 (ko)
WO (1) WO2020111534A2 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112786190A (zh) * 2021-01-14 2021-05-11 金陵科技学院 一种多维数据融合的医疗健康诊疗模型
CN119991658A (zh) * 2025-04-14 2025-05-13 首都医科大学附属北京天坛医院 一种基于脑血管影像表征组的脑卒中预测方法、设备、介质及产品
CN119991659A (zh) * 2025-04-14 2025-05-13 首都医科大学附属北京天坛医院 一种脑血管老化指数确定方法、设备、介质及产品

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102871447B1 (ko) 2020-05-25 2025-10-14 삼성전자주식회사 발광 소자를 포함하는 광원 모듈
CN114219793B (zh) * 2021-12-17 2024-10-18 深圳市铱硙医疗科技有限公司 一种基于脑部影像的脑卒中预警方法与系统
CN116597041B (zh) * 2023-07-17 2023-09-15 首都医科大学附属北京天坛医院 一种脑血管病核磁影像清晰度优化方法、系统及电子设备
WO2025254267A1 (ko) * 2024-06-05 2025-12-11 고려대학교 산학협력단 딥러닝 기술을 활용한 전방 십자인대 손상에서 동반된 연골판 병변 발견 시스템 및 그 운용방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101620302B1 (ko) 2014-06-03 2016-05-18 사회복지법인 삼성생명공익재단 생물학적 뇌연령 산출 장치 및 그 산출 방법
KR101754291B1 (ko) 2017-04-04 2017-07-06 이현섭 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112786190A (zh) * 2021-01-14 2021-05-11 金陵科技学院 一种多维数据融合的医疗健康诊疗模型
CN112786190B (zh) * 2021-01-14 2024-02-13 金陵科技学院 一种多维数据融合的医疗健康诊疗方法
CN119991658A (zh) * 2025-04-14 2025-05-13 首都医科大学附属北京天坛医院 一种基于脑血管影像表征组的脑卒中预测方法、设备、介质及产品
CN119991659A (zh) * 2025-04-14 2025-05-13 首都医科大学附属北京天坛医院 一种脑血管老化指数确定方法、设备、介质及产品
CN119991658B (zh) * 2025-04-14 2026-03-17 首都医科大学附属北京天坛医院 一种基于脑血管影像表征组的脑卒中预测方法、设备、介质及产品

Also Published As

Publication number Publication date
WO2020111534A3 (ko) 2020-10-15
KR20200062656A (ko) 2020-06-04
KR102225775B1 (ko) 2021-03-09

Similar Documents

Publication Publication Date Title
JP7170145B2 (ja) 情報処理装置、プログラム、学習済みモデル、診断支援装置、学習装置及び予測モデルの生成方法
KR102225775B1 (ko) 의료 영상으로부터 뇌혈관 나이를 추정하는 방법 및 시스템
JP6812022B2 (ja) 脳機能結合相関値の調整方法、脳機能結合相関値の調整システム、脳活動分類器のハーモナイズ方法、脳活動分類器のハーモナイズシステム、および脳活動バイオマーカシステム
Vidić et al. Support vector machine for breast cancer classification using diffusion‐weighted MRI histogram features: Preliminary study
CN110858399B (zh) 用于提供虚拟断层扫描中风后续检查图像的方法和装置
US11344199B2 (en) Systems and methods for detection and prediction of brain disorders based on neural network interaction
Kuceyeski et al. The application of a mathematical model linking structural and functional connectomes in severe brain injury
WO2020075737A1 (ja) 脳機能結合相関値の調整方法、脳機能結合相関値の調整システム、脳活動分類器のハーモナイズ方法、脳活動分類器のハーモナイズシステム、及び脳活動バイオマーカシステム
KR102001790B1 (ko) 인공지능 기반 혈류 구간 분류 방법 및 시스템
CN111447874A (zh) 判别装置、抑郁症状的判别方法、抑郁症状的水平的判断方法、抑郁症患者的分类方法、抑郁症状的治疗效果的判断方法和脑活动训练装置
US20170156630A1 (en) System and method for adaptive and patient-specific magnetic resonance imaging
CN114420299B (zh) 基于眼动测试的认知功能筛查方法、系统、设备和介质
US12230017B2 (en) Automated and assisted identification of stroke using feature-based brain imaging
EP4442196B1 (en) Cirrhotic portal hypertension diagnosing method, apparatus, device, and medium
KR102020157B1 (ko) Flair 기반 병변 검출과 현황 파악 방법 및 시스템
EP4170672B1 (en) Method for providing the necessary information for a diagnosis of alzheimer's disease and apparatus for executing the method
WO2020179950A1 (ko) 딥러닝 기반 뇌 질환 진행 예측 방법 및 장치
US20240046454A1 (en) Method and system for extracting multi-dimensional disconnection network region of symptom mapping
JP7457292B2 (ja) 脳画像解析装置、制御方法、及びプログラム
AU2021266664A1 (en) Apparatus for monitoring treatment side effects
Amyar et al. Impact of deep learning architectures on accelerated cardiac T1 mapping using MyoMapNet
Chen et al. Multicenter validation of automated detection of paramagnetic rim lesions on brain MRI in multiple sclerosis
Casas Garcia et al. Observer-and sequence variability in personalized 4D flow MRI-based cardiovascular models
US12029575B2 (en) Mesial temporal lobe epilepsy classifier based on volume and shape of subcortical brain regions
Weng et al. Automatic postprocessing for the assessment of quantitative human myocardial perfusion using MRI

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: 19888470

Country of ref document: EP

Kind code of ref document: A2

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19888470

Country of ref document: EP

Kind code of ref document: A2