WO2020166752A1 - Mri 데이터 변환 방법 및 이를 위한 장치 - Google Patents

Mri 데이터 변환 방법 및 이를 위한 장치 Download PDF

Info

Publication number
WO2020166752A1
WO2020166752A1 PCT/KR2019/002002 KR2019002002W WO2020166752A1 WO 2020166752 A1 WO2020166752 A1 WO 2020166752A1 KR 2019002002 W KR2019002002 W KR 2019002002W WO 2020166752 A1 WO2020166752 A1 WO 2020166752A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
mri
sequence
network unit
subject
Prior art date
Application number
PCT/KR2019/002002
Other languages
English (en)
French (fr)
Inventor
이종호
민경선
이주현
Original Assignee
서울대학교 산학혐력단
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 서울대학교 산학혐력단 filed Critical 서울대학교 산학혐력단
Publication of WO2020166752A1 publication Critical patent/WO2020166752A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]

Definitions

  • the present invention relates to a computing technology related to a technology for converting MRI data.
  • a first image obtained by scanning an MRI scanner using a first MRI sequence is given to an arbitrary part to be examined, and an MRI scanner using a second MRI sequence for the random part to be examined at a second time point. It can be assumed that a second image obtained by scanning is given. At this time, it is possible to compare the first image and the second image with each other in order to observe the change in the MRI image of the arbitrary part to be examined over time, but the first image and the second image have different MRI sequences. Since these are obtained by using them, it is difficult to directly compare them.
  • a third image obtained by scanning an MRI scanner using a third MRI sequence is given to the arbitrary test part at the first time point, and the arbitrary test part at the second time point
  • a fourth image obtained by scanning an MRI scanner is given using the third MRI sequence.
  • the third image and the fourth image are obtained using the same third MRI sequence, it is easy to directly compare them.
  • the first image and the second image are first converted to the third image and the second image, respectively.
  • an effect of comparing the first image and the second image with each other may be obtained.
  • An object of the present invention is to provide a technique for converting an image obtained with an arbitrary MRI sequence into an image obtained with another MRI sequence.
  • a physical parameter including parameters ⁇ , T1, and T2 of the subject A learned neural network network unit that outputs can be used.
  • a conversion unit for outputting a second MRI image of the subject may be used.
  • the conversion unit may be according to a conventional technique, and the neural network unit may be proposed by the present invention.
  • a network part 10; And a transforming part 20 may be provided.
  • the input layer 110 of the network includes information (3 11 ) specifying an MRI sequence, and MRI data (an MRI datum) obtained for a measuring part using the MRI sequence.
  • An input layer datum ( 31 ) including in-source data (31 2 ) is input.
  • the output layer 120 of the network unit is configured to output an output layer datum 40 including a set of physical parameters of the test unit.
  • the conversion unit is configured to generate synthesized MRI data 50 for the test unit by using the physical parameter set output from the network unit.
  • the network unit may be machine-learned using a set of training data for the input layer and a set of training data for the output layer.
  • the information is an operation parameter set specifying the MRI sequence, and may include the MRI sequence and scan parameters used in the MRI sequence.
  • test portion may be a specific measurement target slice of the MRI subject.
  • the source data may be an MRI image or k-space data.
  • the physical parameter set may include at least one or all of ⁇ , T1, and T2.
  • the physical parameter set may include all of ⁇ , T1, and T2.
  • the network unit may be a convolutional neural network using an auto encoder.
  • the synthesized MRI data may be an MRI image or k-space data.
  • the machine learning is based on supervised learning
  • the first learning output layer data among the one set of learning output layer data is the set of physical parameters related to an arbitrary first subject
  • the one set of learning input layer Among the data the first input layer data for training corresponding to the first training output layer data includes information specifying an MRI sequence, and source data that is MRI data obtained for the first subject using the MRI sequence. I can.
  • the input layer of the network unit is a first source, which is information specifying a first type of MRI sequence (3 11 ), and MRI data acquired for the first subject using the first type of MRI sequence
  • the first part (110 1 ) into which data (3 12 ) is input, information specifying the second type of MRI sequence (3 21 ), and the second type of MRI sequence are used for the first part to be examined.
  • the acquired MRI data is the second source data (322) may comprise a second portion (110 2) to be input.
  • a supervised learning method of a neural network for supervised learning of the network unit may be provided.
  • the input layer is configured to receive information specifying an arbitrary MRI sequence and source data, which is MRI data acquired for an arbitrary part to be examined using the arbitrary MRI sequence.
  • the output layer is configured to output output layer data having the same format as parameters ⁇ , T1, and T2 related to an arbitrary part to be examined.
  • the supervised learning method includes: providing information specifying a first MRI sequence, and first source data, which is MRI data obtained for a first subject using the first MRI sequence, to the input layer; And updating the weights allocated in the network unit to reduce an error between the output layer data output from the output layer and parameters ⁇ , T1, and T2 related to the first subject.
  • the MRI data acquired for the first subject is MRI for the first subject, synthesized by using the ⁇ , T1, and T2 parameters for the first subject and the first MRI sequence together. It can be an image or k-space data.
  • an MRI data conversion method for converting MRI data using a data conversion device including a network unit and a conversion unit may be provided.
  • the output layer of the network unit is configured to output output layer data having the same format as parameters ⁇ , T1, and T2 related to an arbitrary part to be tested.
  • the network unit inputs input layer data including information specifying an MRI sequence to the input layer of the network unit, and source data, which is MRI data acquired for the subject to be examined using the MRI sequence. If so, outputting the output layer data; And generating, by the conversion unit, synthesized MRI data for the test unit by using the output layer data output from the output layer of the network unit and an arbitrary MRI sequence together.
  • FIG. 1 is a block diagram showing functions included in a data conversion apparatus provided according to an embodiment of the present invention.
  • FIG. 2 relates to the network unit shown in FIG. 1 and is for explaining a method of training a network unit having a state in which machine learning has not yet been completed.
  • FIG. 3 is a diagram illustrating a learning sequence for training the network unit shown in FIG. 2 according to an embodiment of the present invention.
  • FIG. 4A is for explaining a method of acquiring training input layer data and training output layer data for training of the network unit shown in FIG. 2 according to an embodiment of the present invention.
  • FIG. 4B is for explaining a method of acquiring training input layer data and training output layer data for training of a network unit shown in FIG. 2 according to another embodiment of the present invention.
  • FIG. 5 is a flow chart showing a method of supervised learning a neural network according to an embodiment of the present invention.
  • FIG. 6 is a flowchart illustrating a method of converting MRI data according to an embodiment of the present invention.
  • FIG. 1 is a block diagram showing functions included in a data conversion apparatus provided according to an embodiment of the present invention.
  • the data conversion device 1 may be a computing device including a CPU, a storage unit, a user interface, and a communication unit.
  • the data conversion device 1 may be, for example, a server. In this case, the data conversion device 1 may communicate with the MRI scanner.
  • the data conversion device 1 may be a computing device included in an MRI scanner.
  • the data conversion apparatus 1 may include a network part 10 and a transforming part 20.
  • the network unit 10 is a machine learning module, and may be a multi-layered machine learning module including an input layer 110 and an output layer 120.
  • the network unit 10 may be provided with dedicated hardware included in the data conversion device 1.
  • the network unit 10 may be provided as a program including instructions, loaded into the memory of the data conversion device 1 whenever necessary, and executed by the processing unit (CPU).
  • the network unit 10 may be machine learning completed.
  • the input layer 110 may include a plurality of input nodes.
  • the input layer 110 may be divided into a plurality of sub-input sets. Each of the sub-input sets may each include one or more of the input nodes.
  • An input layer data (3 1 , 3 2 , 3 3 , ..., 3 M ) of a predetermined format may be input to each of the sub input sets (M is a natural number).
  • the output layer 120 may include a plurality of output nodes.
  • An output layer data 40 of a predetermined format may be output from each output node.
  • FIG. 2 relates to the network unit shown in FIG. 1 and is for explaining a method of training a network unit having a state in which machine learning has not yet been completed.
  • the network unit 10' in which the learning has not been completed may be learned by a supervised learning method.
  • training data for the output layer 5_n corresponding thereto may be prepared.
  • the subscript n is a natural number of 1 to N, and N may represent, for example, the number of learning repetitions of the network unit 10'.
  • the index n was not indicated in the reference number set ⁇ 4 1 , 4 2 , 4 3 , ..., 4 M ⁇ shown in FIG. 2. That is, the reference number set ⁇ 4 1 , 4 2 , 4 3 , ..., 4 M ⁇ shown in FIG. 2 is a reference number commonly presented for arbitrary n.
  • the output layer data 40 of the predetermined format may be output from each of the output nodes of the network unit 10 ′ in which learning has not been completed.
  • the pair of learning input layer data 4_n and corresponding learning output layer data 5_n can be obtained from a specific measuring part, for example, the nth test part 50_n shown in FIG. 2.
  • a specific embodiment of obtaining information about a pair of learning input layer data 4_n and corresponding learning output layer data 5_n will be described later in FIGS. 4A and 4B.
  • the learning input layer data 4_n may include information 4 k1 specifying an MRI sequence and source data 4 k2 . Where k is a natural number from 1 to M.
  • Information specifying the MRI sequence (4 k1 ) is an operation parameter set specifying the MRI sequence (#k), and a scan parameter used for the MRI sequence (#k) and the MRI sequence (#k) ( #k) can be included.
  • the different pieces of information specifying the MRI sequence may include different MRI sequences and/or different scan parameters. That is, for example, the MRI sequence and scan parameters included in the first information specifying the MRI sequence #1 may be different from the MRI sequence and scan parameters included in the second information specifying the MRI sequence #2. .
  • can be a source of data (4 k2) is MRI data (an MRI datum) that can be obtained for the first n insertable portion (50_n) using said MRI sequence (#k). Two methods that can be used for the above acquisition will be described later with reference to FIGS. 4A and 4B.
  • the MRI data may be an MRI image.
  • the MRI data may be k-space data.
  • the nth test part 50_n may be a living or dead tissue that is an object scanned using an MRI scanner.
  • the tissue may be human or animal or plant.
  • the n-th subject portion 50_n may be a slice of the tissue to be measured.
  • the learning output layer data 5_n may include a set of physical parameters that can be obtained from the n-th subject 50_n.
  • the physical parameter set may be referred to in other words as a physical information set.
  • the physical parameter set may include at least one or all of ⁇ , T1, and T2 that can be obtained from the n-th test unit 50_n.
  • the ⁇ , T1, and T2 are parameters well known in the MRI field or information in a well-known format, and a method of obtaining the ⁇ , T1, and T2 from the subject is also known. This method may be performed by the parameter acquisition device 400 described later in FIG. 4A.
  • the output layer data 40 output from the output layer 120 of the network unit 10 ′ may be data having the same format as a physical parameter set that can be obtained from the test unit.
  • the network leadership unit 60 may calculate an error value between the learning output layer data 5_n and the output layer data 40, and update weight values inside the network unit 10' to reduce the error value. .
  • a signal for updating the weight values may be transmitted through the path 70.
  • FIG. 3 is a diagram illustrating a learning sequence for training the network unit shown in FIG. 2 according to an embodiment of the present invention.
  • the network unit 10' may be learned by repeating N times. Where N is a natural number. That is, learning of the network unit 10' goes through the learning process of repetition #1, repetition #2, repetition #3, ..., repetition #n, ..., repetition #N, as shown in FIG. I can.
  • the horizontal axis is the time axis.
  • the network unit 10 ′ may be provided with different input layer data for training and output layer data for training.
  • the first learning input layer data 4_1 and the first learning output layer data 5_1 may be provided to the network unit 10 ′.
  • the second input layer data 4_2 for learning and the second output layer data 5_2 for learning may be provided to the network unit 10 ′.
  • the first input layer data 4_1 for learning and the first output layer data 5_1 for training are obtained from the first subject 50_1, and the second input layer data for learning 4_2 and the second output layer data for learning 5_2 ) May be obtained from the second part to be examined 50_2.
  • FIG. 4A is for explaining a method of acquiring training input layer data and training output layer data for training of the network unit shown in FIG. 2 according to an embodiment of the present invention.
  • the MRI scanner 300 may output the MRI signal of the nth test unit 50_n by using the kth MRI sequence #k.
  • the output MRI signal can be converted to the data source (4 k2) who described with regard to Figure 2 and using the MRI image pickup device 500.
  • information 4 k1 specifying the MRI sequence described with reference to FIG. 2 may be prepared from the k-th MRI sequence #k.
  • the learning input layer data 4_n shown in FIG. 2 may be obtained.
  • the source data 4 k2 may be an MRI image.
  • the source data 4 k2 may be k-space data.
  • the source data 4 k2 is an MRI image.
  • the MRI scanner 300 may output the MRI signal of the nth test unit 50_n using an arbitrary qth MRI sequence #q.
  • the output MRI signal may acquire the training output layer data ⁇ , T1, T2 (5_n) described in connection with FIG. 2 by using the parameter acquisition device 400.
  • the parameter acquisition device 400 may also be referred to in other words as a'test part physical information acquisition device'.
  • the MRI image acquisition device 500 and the parameter acquisition device 400 may be implemented using conventionally known techniques, and may be implemented by a computing device that is embedded in the MRI scanner 300 or connected to the MRI scanner 300. have.
  • FIG. 4B is for explaining a method of acquiring training input layer data and training output layer data for training of a network unit shown in FIG. 2 according to another embodiment of the present invention.
  • the MRI scanner 300 may output the MRI signal of the nth test unit 50_n using an arbitrary qth MRI sequence #q.
  • the output MRI signal may acquire the training output layer data ⁇ , T1, T2 (5_n) described in connection with FIG. 2 by using the parameter acquisition device 400.
  • the conversion unit 20' uses the learning output layer data ( ⁇ , T1, T2) (5_n) output from the parameter acquisition device 400 and the k-th MRI sequence (#k) (40 k1 ) together.
  • source data 4 k2 for the n-th part 50_n may be synthesized.
  • the prepared n- ⁇ , Various MRI images of the nth test part 50_n may be synthesized by using a pair of T1 and T2 ⁇ .
  • the first MRI image 4 12 for the n-th part 50_n may be directly obtained.
  • the first MRI image (4 12 ) by using the n- ⁇ , T1, and T2 ⁇ pair of the n-th subject part 50_n and the first MRI sequence 40 11 together Can also be synthesized.
  • the second MRI image 4 22 for the n-th part 50_n may be directly obtained.
  • the first MRI image (4 22 ) by using the n- ⁇ , T1, and T2 ⁇ pair of the n-th subject part 50_n and the second MRI sequence 40 21 together Can also be synthesized.
  • the synthesized source data 4 k2 may be an MRI image. Or, in another embodiment, the synthesized source data 4 k2 may be k-space data. In FIG. 4B, the synthesized source data 4k2 is an MRI image.
  • Information 4 k1 specifying an MRI sequence may be obtained from the k-th MRI sequence 40 k1 .
  • the conversion unit 20 ′ may be provided with dedicated hardware included in the data conversion device 1 or other learning computing devices. Alternatively, the conversion unit 20 ′ may be provided as a program including instructions, loaded into a memory of the data conversion apparatus 1 or other learning computing apparatus, and executed by the processing unit (CPU) whenever necessary.
  • CPU processing unit
  • the method shown in Fig. 4A has a higher number of uses of the MRI scanner than the method shown in Fig. 4B. If the MRI scanner is used frequently, it is disadvantageous in terms of cost and time. Therefore, the method according to FIG. 4B may be more preferred. However, one embodiment of the present invention does not exclude the method according to FIG. 4A.
  • the weights of the links between nodes in the network unit 10 ′ are updated to minimize an error between the data 40 output from the network unit 10 ′ and the prepared learning output layer data 5_n. I can.
  • one set of input layer data for learning may be provided, and one set of output layer data for learning may be provided.
  • the learning of the network unit 10' may be completed by repeating the update using the respective sets of training data.
  • some of the input layer data 3 k input to the input layer 110 of the network unit 10 is information (3 k1 ) specifying an MRI sequence, and a source It may contain data (3 k2 ).
  • k is a natural number of 1 to M.
  • the information specifying the MRI sequence (3 k1 ) is an operation parameter set that specifies the k-th MRI sequence (#k), and is used for the k-th MRI sequence (#k) and the k-th MRI sequence (#k). It may include kth scan parameters.
  • Different information specifying different MRI sequences may include different MRI sequences and/or different scan parameters.
  • the first MRI sequence (#1) and the first scan parameter included in the first information (3 11 ) specifying the first MRI sequence (#1) is a first MRI sequence (#2) specifying the second MRI sequence (#2). It may be different from the second MRI sequence #2 and the second scan parameter included in the second information 3 21 .
  • the source data 3 k2 may be MRI data (an MRI datum) acquired for an arbitrary subject using the k-th MRI sequence #k.
  • the MRI data may be an MRI image.
  • the MRI data may be k-space data.
  • the MRI image and k-space data can be mutually transformed by Fourier transform.
  • the arbitrary test part may be a living or dead tissue that is an object scanned using the MRI scanner 300.
  • the tissue may be human or animal or plant.
  • the test portion may be a slice of the tissue to be measured.
  • the output layer data 40 output from the output layer 120 of the network unit 10 may include data in the same format as a set of physical parameters that can be obtained from the test unit.
  • the physical parameter set may include at least one or all of ⁇ , T1, and T2 that can be obtained from the arbitrary subject.
  • the ⁇ , T1, and T2 are parameters well known in the MRI field, and a method of obtaining the ⁇ , T1, and T2 from the arbitrary part is also known.
  • the conversion unit 20 may be provided with dedicated hardware included in the data conversion device 1. Alternatively, the conversion unit 20 may be provided as a program including instructions, loaded into the memory of the data conversion apparatus 1 whenever necessary, and executed by the processing unit (CPU).
  • CPU processing unit
  • the conversion unit 20 may be configured to generate synthesized MRI data 50 for the test unit by using the physical parameter set output from the network unit 10.
  • the conversion unit 20 shown in FIG. 1 may perform the same function as the conversion unit 20 ′ described with reference to FIG. 4B.
  • the synthesized MRI data 50 may be an MRI image.
  • the synthesized MRI data 50 may be k-space data.
  • the synthesized MRI data 50 may be data having the same format as the MRI data 3 k2 .
  • the physical parameter set including ⁇ , T1, and T2 ⁇ pairs for an arbitrary part to be examined may be obtained.
  • the pair of ⁇ , T1, and T2 ⁇ it is possible to synthesize various MRI images for the arbitrary subject.
  • the first MRI image of the arbitrary subject may be directly obtained.
  • the first MRI image may be synthesized by using the pair of ⁇ , T1, and T2 ⁇ for the arbitrary part and the first MRI sequence together.
  • the second MRI image of the arbitrary subject may be directly obtained.
  • the second MRI image may be synthesized by using the pair of ⁇ , T1, and T2 ⁇ for the arbitrary part and the second MRI sequence together.
  • FIG. 5 is a flow chart showing a method of supervised learning a neural network according to an embodiment of the present invention.
  • the supervised learning method is a method of supervising learning the network unit in a data conversion apparatus including a network unit including an input layer and an output layer.
  • the input layer is configured to receive information specifying an arbitrary MRI sequence, and source data, which is MRI data acquired for an arbitrary portion to be examined using the arbitrary MRI sequence, and the output layer It may be configured to output output layer data having the same format as the ⁇ , T1, and T2 parameters.
  • step S10 information specifying a first MRI sequence and first source data, which is MRI data acquired for a first subject using the first MRI sequence, may be provided to the input layer.
  • the weight assigned in the network unit may be updated to reduce an error between the output layer data output from the output layer and parameters ⁇ , T1, and T2 related to the first subject.
  • the MRI data acquired for the first subject is MRI for the first subject, synthesized by using the ⁇ , T1, and T2 parameters for the first subject and the first MRI sequence together.
  • FIG. 6 is a flowchart illustrating a method of converting MRI data according to an embodiment of the present invention.
  • the MRI data conversion method may convert MRI data using a data conversion device including a network unit and a conversion unit.
  • the output layer of the network unit may be configured to output output layer data having the same format as parameters ⁇ , T1, and T2 related to an arbitrary subject.
  • step S110 when input layer data including information specifying an MRI sequence to the input layer of the network unit and source data, which is MRI data obtained for the subject using the MRI sequence, is input by the network unit ,
  • the output layer data may be output.
  • the conversion unit may generate synthesized MRI data for the test unit by using the output layer data output from the output layer of the network unit and an arbitrary MRI sequence together.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Radiology & Medical Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

신경망 네트워크부의 입력층에 MRI 시퀀스를 특정하는 정보, 및 상기 MRI 시퀀스를 이용하여 피검부에 대하여 획득한 MRI 데이터인 소스 데이터를 포함하는 입력층 데이터가 입력되면, ρ, T1, 및 T2 파라미터와 동일한 포맷을 갖는출력층 데이터가 출력된다. 상기 출력층 데이터 및 임의의 MRI 시퀀스를 함께 이용하여 상기 피검부에 대한 합성된 MRI 데이터를 생성하는 기술을 공개한다.

Description

MRI 데이터 변환 방법 및 이를 위한 장치
본 발명은 MRI 데이터를 변환하는 기술에 관한 컴퓨팅 기술에 관한 것이다.
제1 MRI 스캐너 및 제2 MRI 스케너가 서로 다른 MRI 시퀀스를 이용하여 스캔하는 경우, 상기 제1 MRI 스캐너 및 상기 제2 MRI 스케너가 동일한 피검부에 대하여 얻은 제1 이미지와 제2 이미지를 서로 비교하기 어렵다. 이는 상기 제1 MRI 스캐너와 상기 제2 MRI 스캐너가 서로 동일한 것인 경우에도 마찬가지이다.
제1시점에 임의의 피검부에 대하여 제1 MRI 시퀀스를 이용하여 MRI 스캐너가 스캔하여 얻은 제1 이미지가 주어져 있고, 제2시점에 상기 임의의 피검부에 대하여 제2 MRI 시퀀스를 이용하여 MRI 스캐너가 스캔하여 얻은 제2 이미지가 주어져 있는 상황을 가정할 수 있다. 이때, 시간에 따른 상기 임의의 피검부의 MRI 이미지의 변화를 관찰하기 위하여 상기 제1 이미지와 상기 제2 이미지를 서로 비교하고자 할 수 있지만, 상기 제1 이미지와 상기 제2 이미지는 서로 다른 MRI 시퀀스를 이용하여 얻은 것들이므로, 이들을 직접 비교하는 데에 어려움이 따른다.
이와 달리, 상기 제1시점에 상기 임의의 피검부에 대하여 제3 MRI 시퀀스를 이용하여 MRI 스캐너가 스캔하여 얻은 제3 이미지가 주어져 있다고 가정할 수 있고, 상기 제2시점에 상기 임의의 피검부에 대하여 상기 제3 MRI 시퀀스를 이용하여 MRI 스캐너가 스캔하여 얻은 제4 이미지가 주어져 있는 상황을 가정할 수 있다. 이때, 시간에 따른 상기 임의의 피검부의 MRI 이미지의 변화를 관찰하기 위하여 상기 제3 이미지와 상기 제4 이미지를 서로 비교하고자 할 수 있다. 이 경우 위와 달리, 상기 제3 이미지와 상기 제4 이미지는 서로 동일한 상기 제3 MRI 시퀀스를 이용하여 얻은 것들이므로, 이들을 직접 비교하기 쉽다.
따라서 만일 상기 제1 이미지와 상기 제2 이미지를 각각 상기 제3 이미지와 상기 제4 이미지로 변환할 수 있는 기술이 제공된다면, 상기 제1 이미지와 상기 제2 이미지를 먼저 각각 상기 제3 이미지와 상기 제4 이미지로 변환한 다음, 상기 제3 이미지와 상기 제4 이미지를 서로 비교함으로써, 결국 상기 제1 이미지와 상기 제2 이미지를 서로 비교한 효과를 얻을 수 있을 것이다.
이러한 기술이 제공된다면, 임의의 MRI 시퀀스로 얻은 이미지들을 표준화된 포맷으로 변환할 수도 있을 것이다.
상술한 내용은 본 발명의 도출과정에서 발명자가 고려한 것으로서, 모두 반드시 선행기술로서 인정하는 것은 아니다.
본 발명에서는 임의의 MRI 시퀀스로 얻은 이미지를 마치 다른 MRI 시퀀스로 얻은 이미지로 변환하는 기술을 제공하고자 한다.
본 발명의 일 관점에 따라, 피검부의 제1 MRI 이미지 및 상기 제1 MRI 이미지를 획득하는 데에 이용된 제1 MRI 시퀀스를 입력받으면, 상기 피검부의 ρ, T1, 및 T2 파라미터를 포함하는 물리적 파라미터를 출력하는 학습된 신경망 네트워크부가 이용될 수 있다. 그리고 ρ, T1, 및 T2 파라미터와 임의의 제2 MRI 시퀀스를 입력받으면 상기 피검부에 관한 제2 MRI 이미지를 출력하는 변환부를 이용할 수 있다. 상기 변환부는 종래의 기술에 따른 것일 수 있으며, 상기 신경망 네트워크부는 본 발명에 의해 제안되는 것일 수 있다.
본 발명의 일 관점에 따라 네트워크부(a network part)(10); 및 변환부(a transforming part)(20);를 포함하는 데이터 변환장치가 제공될 수 있다. 상기 네트워크부의 입력층(110)에는 MRI 시퀀스(an MRI sequence)를 특정하는 정보(311), 및 상기 MRI 시퀀스를 이용하여 피검부(a measuring part)에 대하여 획득한 MRI 데이터(an MRI datum)인 소스 데이터(312)를 포함하는 입력층 데이터(an input layer datum)(31)가 입력되도록 되어 있다. 그리고 상기 네트워크부의 출력층(120)은 상기 피검부의 물리적 파라미터 세트(a set of physical parameters)를 포함하는 출력층 데이터(an output layer datum)(40)를 출력하도록 되어 있다. 그리고 상기 변환부는 상기 네트워크부로부터 출력된 상기 물리적 파라미터 세트를 이용하여 상기 피검부에 대한 합성된 MRI 데이터(synthesized MRI data)(50)를 생성하도록 되어 있다.
이때, 상기 네트워크부는 한 세트의 학습용 입력층 데이터(a set of training data for the input layer) 및 한 세트의 학습용 출력층 데이터(a set of training data for the output layer)를 이용하여 기계학습된 것일 수 있다.
이때, 상기 정보는 상기 MRI 시퀀스를 특정하는 작동 파라미터 세트로서, 상기 MRI 시퀀스 및 상기 MRI 시퀀스에 이용된 스캔 파라미터들이 포함된 것일 수 있다.
이때, 상기 피검부는 MRI 피검체의 특정 측정대상 슬라이스일 수 있다.
이때, 상기 소스 데이터는 MRI 이미지 또는 k-스페이스 데이터일 수 있다.
이때, 상기 물리적 파라미터 세트는 ρ, T1, 및 T2 중 적어도 하나 또는 전부를 포함할 수 있다.
이때, 상기 물리적 파라미터 세트는 ρ, T1, 및 T2를 모두 포함할 수 있다.
이때, 상기 네트워크부는 오토 인코더를 이용하는 콘볼루셔널 뉴럴 네트워크일 수 있다.
이때, 상기 합성된 MRI 데이터는 MRI 이미지 또는 k-스페이스 데이터일 수 있다.
이때, 상기 기계학습은 지도학습에 의한 것이며, 상기 한 세트의 학습용 출력층 데이터 중 임의의 제1 학습용 출력층 데이터는, 임의의 제1피검부에 관한 상기 물리적 파라미터 세트이며, 상기 한 세트의 학습용 입력층 데이터 중 상기 제1 학습용 출력층 데이터에 대응하는 제1 학습용 입력층 데이터는, MRI 시퀀스를 특정하는 정보, 및 상기 MRI 시퀀스를 이용하여 상기 제1피검부에 대하여 획득한 MRI 데이터인 소스 데이터를 포함할 수 있다.
이때, 상기 네트워크부의 입력층은, 제1타입의 MRI 시퀀스를 특정하는 정보(311), 및 상기 제1타입의 MRI 시퀀스를 이용하여 상기 제1피검부에 대하여 획득한 MRI 데이터인 제1소스 데이터(312)가 입력되는 제1부분(1101), 및 제2타입의 MRI 시퀀스를 특정하는 정보(321), 및 상기 제2타입의 MRI 시퀀스를 이용하여 상기 제1피검부에 대하여 획득한 MRI 데이터인 제2소스 데이터(322)가 입력되는 제2부분(1102)을 포함할 수 있다.
이때, 학습이 완료된 상기 네트워크부의 입력층 중 상기 제1부분에는, 상기 제1타입의 MRI 시퀀스를 특정하는 정보, 및 상기 제1타입의 MRI 시퀀스를 이용하여 제2피검부에 대하여 획득한 MRI 데이터인 제3소스 데이터가 입력되도록 되어 있고, 학습된 상기 네트워크부의 입력층 중 상기 제2부분에는, 아무 정보도 입력되지 않을 수 있다.
본 발명의 다른 관점에 따라, 입력층 및 출력층을 포함하는 네트워크부를 포함하는 데이터 변환장치에 있어서, 상기 네트워크부를 지도학습하는 신경망의 지도학습방법이 제공될 수 있다. 상기 입력층은 임의의 MRI 시퀀스를 특정하는 정보, 및 상기 임의의 MRI 시퀀스를 이용하여 임의의 피검부에 대하여 획득한 MRI 데이터인 소스 데이터를 입력받도록 되어 있다. 그리고 상기 출력층은 임의의 피검부에 관한 ρ, T1, 및 T2 파라미터와 동일한 포맷을 갖는 출력층 데이터를 출력하도록 되어 있다. 상기 지도학습방법은, 제1 MRI 시퀀스를 특정하는 정보, 및 상기 제1 MRI 시퀀스를 이용하여 제1피검부에 대하여 획득한 MRI 데이터인 제1 소스 데이터를 상기 입력층에 제공하는 단계; 및 상기 출력층으로부터 출력된 상기 출력층 데이터와, 상기 제1피검부에 관한 ρ, T1, 및 T2 파라미터들 간의 오차를 감소시키도록 상기 네트워크부 내에 할당된 가중치를 갱신하는 단계;를 포함한다.
이때, 상기 제1피검부에 대하여 획득한 MRI 데이터는, 상기 제1피검부에 관한 ρ, T1, 및 T2 파라미터들 및 상기 제1 MRI 시퀀스를 함께 이용하여 합성한 상기 제1피검부에 대한 MRI 이미지 또는 k-스페이스 데이터일 수 있다.
본 발명의 또 다른 관점에 따라 네트워크부 및 변환부를 포함하는 데이터 변환장치를 이용하여 MRI 데이터를 변환하는 MRI 데이터 변환방법이 제공될 수 있다. 상기 네트워크부의 출력층은 임의의 피검부에 관한 ρ, T1, 및 T2 파라미터와 동일한 포맷을 갖는 출력층 데이터를 출력하도록 되어 있다. 상기 MRI 데이터 변환방법은, 상기 네트워크부가, 상기 네트워크부의 입력층에 MRI 시퀀스를 특정하는 정보, 및 상기 MRI 시퀀스를 이용하여 피검부에 대하여 획득한 MRI 데이터인 소스 데이터를 포함하는 입력층 데이터가 입력되면, 상기 출력층 데이터를 출력하는 단계; 및 상기 변환부가, 상기 네트워크부의 출력층으로부터 출력된 출력층 데이터 및 임의의 MRI 시퀀스를 함께 이용하여 상기 피검부에 대한 합성된 MRI 데이터를 생성하는 단계;를 포함한다.
본 발명에 따르면 임의의 MRI 시퀀스로 얻은 이미지를 마치 다른 MRI 시퀀스로 얻은 이미지로 변환하는 기술을 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따라 제공되는 데이터 변환장치에 포함된 기능들을 나타낸 블록도이다.
도 2는 도 1에 나타낸 네트워크부에 관한 것으로서, 아직 기계학습이 완료되지 않은 상태를 갖는 네트워크부를 학습시키는 방법을 설명하기 위한 것이다.
도 3은 본 발명의 일 실시예에 따라, 도 2에 나타낸 네트워크부를 학습시키는 학습시퀀스를 설명하기 위한 도면이다.
도 4a는 본 발명의 일 실시예에 따라 도 2에 나타낸 네트워크부의 학습을 위한 학습용 입력층 데이터 및 학습용 출력층 데이터를 획득하는 방법을 설명하기 위한 것이다.
도 4b는 본 발명의 다른 실시예에 따라 도 2에 나타낸 네트워크부의 학습을 위한 학습용 입력층 데이터 및 학습용 출력층 데이터를 획득하는 방법을 설명하기 위한 것이다.
도 5는 본 발명의 일 실시예에 따라 신경망 네트워크를 지도학습하는 방법을 나타낸 순서도이다.
도 6은 본 발명의 일 실시예에 따라 MRI 데이터를 변환하는 방법을 나타낸 순서도이다.
이하, 본 발명의 실시예를 첨부한 도면을 참고하여 설명한다. 그러나 본 발명은 본 명세서에서 설명하는 실시예에 한정되지 않으며 여러 가지 다른 형태로 구현될 수 있다. 본 명세서에서 사용되는 용어는 실시예의 이해를 돕기 위한 것이며, 본 발명의 범위를 한정하고자 의도된 것이 아니다. 또한, 이하에서 사용되는 단수 형태들은 문구들이 이와 명백히 반대의 의미를 나타내지 않는 한 복수 형태들도 포함한다.
데이터 변환장치
도 1은 본 발명의 일 실시예에 따라 제공되는 데이터 변환장치에 포함된 기능들을 나타낸 블록도이다.
데이터 변환장치(1)는 CPU, 저장부, 사용자 인터페이스, 및 통신부를 포함하는 컴퓨팅 장치일 수 있다.
데이터 변환장치(1)는 예컨대 서버일 수 있다. 이때, 데이터 변환장치(1)는 MRI 스캐너와 서로 통신을 수행할 수 있다.
또는, 데이터 변환장치(1)는 MRI 스캐너에 포함된 컴퓨팅 장치일 수 있다.
데이터 변환장치(1)는 네트워크부(a network part)(10) 및 변환부(a transforming part)(20)를 포함할 수 있다.
네트워크부(10)는 기계학습 모듈로서, 입력층(110) 및 출력층(120)을 포함하는 다층 구조의 기계학습 모듈일 수 있다. 네트워크부(10)는 데이터 변환장치(1)에 포함된 전용의 하드웨어로 제공될 수 있다. 또는, 네트워크부(10)는 명령어들을 포함하는 프로그램으로서 제공되어, 필요할 때마다 데이터 변환장치(1)의 메모리에 로딩되어 처리부(CPU)에 의해 실행될 수 있다.
네트워크부(10)는 기계학습이 완료된 것일 수 있다. 이때, 상기 입력층(110)은 복수 개의 입력노드들을 포함할 수 있다. 상기 입력층(110)은 복수 개의 서브입력세트로 구분될 수 있다. 상기 각각의 서브입력세트는 각각 한 개 이상의 상기 입력노드들을 포함할 수 있다. 각각의 상기 서브입력세트에는 미리 결정된 포맷의 입력층 데이터(an input layer datum)(31, 32, 33, ..., 3M)가 입력될 수 있다(M은 자연수). 그리고 상기 출력층(120)은 복수 개의 출력노드들을 포함할 수 있다. 각각의 출력노드로부터 미리 결정된 포맷의 출력층 데이터(an output layer datum)(40)가 출력될 수 있다.
네크워크부의 학습
도 2는 도 1에 나타낸 네트워크부에 관한 것으로서, 아직 기계학습이 완료되지 않은 상태를 갖는 네트워크부를 학습시키는 방법을 설명하기 위한 것이다.
학습이 완료되지 않은 네트워크부(10')는 지도학습(supervised learning) 방법에 의해 학습될 수 있다. 학습이 완료되지 않은 네트워크부(10')의 입력층에는 상기 미리 결정된 포맷을 갖는 입력층 데이터와 동일한 포맷을 갖는 학습용 입력층 데이터(training data for the input layer)(4_n = {41, 42, 43, ..., 4M})가 입력될 수 있다. 상기 학습용 입력층 데이터(4_n)마다 이에 대응하는 학습용 출력층 데이터(training data for the output layer)(5_n)가 준비될 수 있다. 여기서 상기 첨자 n은 1 내지 N의 자연수이며, N은 예컨대 네트워크부(10')의 학습 반복 회수를 나타낼 수 있다.
도 2에 나타낸 참조번호 세트 {41, 42, 43, ..., 4M}에는 상기 인덱스 n을 표시하지 않았다. 즉, 도 2에 나타낸 참조번호 세트 {41, 42, 43, ..., 4M}는 임의의 n에 대하여 공통적으로 제시되는 참조번호이다.
학습이 완료되지 않은 네트워크부(10')의 상기 각각의 출력노드로부터 상기 미리 결정된 포맷의 출력층 데이터(40)가 출력될 수 있다.
학습용 입력층 데이터(4_n) 및 이에 대응하는 학습용 출력층 데이터(5_n)의 쌍은 특정한 피검부(a measuring part), 예컨대 도 2에 나타낸 제n 피검부(50_n)으로부터 얻을 수 있는 것이다. 학습용 입력층 데이터(4_n) 및 이에 대응하는 학습용 출력층 데이터(5_n)의 쌍에 관한 정보를 얻는 구체적인 실시예는 도 4a 및 도 4b에서 후술한다.
학습용 입력층 데이터(4_n)는 MRI 시퀀스(an MRI sequence)를 특정하는 정보(4k1), 및 소스 데이터(4k2)를 포함할 수 있다. 여기서 k는 1 내지 M의 자연수이다.
MRI 시퀀스를 특정하는 정보(4k1)는 MRI 시퀀스(#k)를 특정하는 작동 파라미터 세트로서, 상기 MRI 시퀀스(#k) 및 상기 MRI 시퀀스(#k)에 이용된 스캔 파라미터(scan parameter)(#k)들을 포함할 수 있다.
MRI 시퀀스를 특정하는 서로 다른 상기 정보는 서로 다른 MRI 시퀀스 및/또는 서로 다른 스캔 파라미터를 포함할 수 있다. 즉, 예컨대 MRI 시퀀스(#1)를 특정하는 제1정보가 포함하는 MRI 시퀀스 및 스캔 파라미터는, MRI 시퀀스(#2)를 특정하는 제2정보가 포함하는 MRI 시퀀스 및 스캔 파라미터와는 다를 수 있다.
일 실시예에서, 소스 데이터(4k2)는 상기 MRI 시퀀스(#k)를 이용하여 상기 제n 피검부(50_n)에 대하여 획득할 수 있는 MRI 데이터(an MRI datum)일 수 있다. 상기 획득을 위해 사용될 수 있는 두 가지 방법은 이하 도 4a 및 도 4b를 참조하여 후술할 것이다.
바람직한 일 실시예에서 상기 MRI 데이터는 MRI 이미지일 수 있다.
다른 실시예에서 상기 MRI 데이터는 k-스페이스 데이터일 수 있다.
제n 피검부(50_n)는 MRI 스캐너를 이용하여 스캔하는 대상체인 살아있는 또는 사멸한 조직일 수 있다. 상기 조직은 사람 또는 동물 또는 식물일 수 있다. 특히 제n 피검부(50_n)는 상기 조직의 특정 측정대상 슬라이스일 수 있다.
학습용 출력층 데이터(5_n)는 제n 피검부(50_n)로부터 획득할 수 있는 물리적 파라미터 세트(a set of physical parameters)를 포함할 수 있다.
본 명세서에서 상기 물리적 파라미터 세트는 다른 말로 물리적 정보 세트로 지칭될 수도 있다.
바람직한 일 실시예에서 상기 물리적 파라미터 세트는 제n 피검부(50_n)로부터 획득할 수 있는 ρ, T1, 및 T2 중 적어도 하나 또는 전부를 포함할 수 있다.
상기 ρ, T1, 및 T2는 MRI 분야에서 잘 알려진 파라미터 또는 잘 알려진 형식의 정보이며, 상기 피검부로부터 상기 ρ, T1, 및 T2를 획득하는 방법도 알려져 있다. 이 방법은 도 4a에서 후술하는 파라미터 획득장치(400)에 의해 수행될 수 있다.
네트워크부(10')의 출력층(120)으로부터 출력되는 출력층 데이터(40)는 상기 피검부로부터 획득할 수 있는 물리적 파라미터 세트와 동일한 포맷을 갖는 데이터일 수 있다.
네트워크 지도부(60)는, 학습용 출력층 데이터(5_n)와 출력층 데이터(40) 간의 에러값을 계산하고, 상기 에러값을 감소시킬 수 있도록, 네트워크부(10') 내부의 웨이트 값들을 갱신할 수 있다. 상기 웨이트 값들을 갱신하기 위한 신호는 경로(70)를 통해 전달될 수 있다.
도 3은 본 발명의 일 실시예에 따라, 도 2에 나타낸 네트워크부를 학습시키는 학습시퀀스를 설명하기 위한 도면이다.
예컨대, 네트워크부(10')는 N회 반복되어 학습될 수 있다. 여기서 N은 자연수이다. 즉, 네트워크부(10')의 학습은 도 3에 나타낸 것과 같이, 반복#1, 반복#2, 반복#3, ..., 반복#n, ..., 반복#N의 학습과정을 거칠 수 있다. 도 3에서 가로축은 시간축이다.
서로 다른 반복 구간에서, 네트워크부(10')에는 서로 다른 상기 학습용 입력층 데이터 및 학습용 출력층 데이터가 제공될 수 있다. 예컨대, 제1반복구간(반복#1)에서는 네트워크부(10')에 제1 학습용 입력층 데이터(4_1) 및 제1 학습용 출력층 데이터(5_1)가 제공될 수 있다. 그리고 제2반복구간(반복#2)에서는 네트워크부(10')에 제2 학습용 입력층 데이터(4_2) 및 제2 학습용 출력층 데이터(5_2)가 제공될 수 있다. 이때, 제1 학습용 입력층 데이터(4_1) 및 제1 학습용 출력층 데이터(5_1)는 제1 피검부(50_1)로부터 획득된 것이고, 제2 학습용 입력층 데이터(4_2) 및 제2 학습용 출력층 데이터(5_2)는 제2 피검부(50_2)로부터 획득된 것일 수 있다.
이하, 특정 피검부로부터 특정 학습용 입력층 데이터 및 특정 학습용 출력층 데이터를 획득하는 실시예들을 도 4a 및 도 4b를 참조하여 설명한다.
도 4a는 본 발명의 일 실시예에 따라 도 2에 나타낸 네트워크부의 학습을 위한 학습용 입력층 데이터 및 학습용 출력층 데이터를 획득하는 방법을 설명하기 위한 것이다.
도 4a의 (a)를 참조하여 설명하면, MRI 스캐너(300)가 제k MRI 시퀀스(#k)를 이용하여 제n 피검부(50_n)의 MRI 신호를 출력할 수 있다. 상기 출력된 MRI 신호는 MRI 이미지 획득장치(500)를 이용하여 도 2와 관련하여 설명하였던 상기 소스 데이터(4k2)로 변환될 수 있다. 그리고 상기 제k MRI 시퀀스(#k)로부터 도 2와 관련하여 설명하였던 상기 MRI 시퀀스(an MRI sequence)를 특정하는 정보(4k1)를 준비할 수 있다. 여기서 k=1 내지 M에 대하여 도 4a의 (a)에 나타낸 과정을 각각 실행하면, 도 2에 나타낸 학습용 입력층 데이터(4_n)를 획득할 수 있다.
일 실시예에서, 상기 소스 데이터(4k2)는 MRI 이미지일 수 있다. 또는 다른 실시예에서, 상기 소스 데이터(4k2)는 k-스페이스 데이터일 수 있다. 도 4a에서는 상기 소스 데이터(4k2)는 MRI 이미지인 경우를 나타내었다.
도 4a의 (b)를 참조하여 설명하면, MRI 스캐너(300)가 임의의 제q MRI 시퀀스(#q)를 이용하여 제n 피검부(50_n)의 MRI 신호를 출력할 수 있다. 상기 출력된 MRI 신호는 파라미터 획득장치(400)를 이용하여 도 2와 관련하여 설명하였던 상기 학습용 출력층 데이터(ρ, T1, T2)(5_n)를 획득할 수 있다.
파라미터 회득장치(400)는 본 명세서에서 다른 말로, '피검부 물리 정보 획득장치'로 지칭될 수도 있다.
MRI 이미지 획득장치(500) 및 파라미터 획득장치(400)는 종래에 알려진 기술로 구현할 수 있으며, MRI 스캐너(300)에 내장되어 있거나 또는 MRI 스캐너(300)에 연결되어 있는 컴퓨팅 장치에 의해 구현될 수 있다.
도 4b는 본 발명의 다른 실시예에 따라 도 2에 나타낸 네트워크부의 학습을 위한 학습용 입력층 데이터 및 학습용 출력층 데이터를 획득하는 방법을 설명하기 위한 것이다.
도 4b를 참조하여 설명하면, MRI 스캐너(300)가 임의의 제q MRI 시퀀스(#q)를 이용하여 제n 피검부(50_n)의 MRI 신호를 출력할 수 있다. 상기 출력된 MRI 신호는 파라미터 획득장치(400)를 이용하여 도 2와 관련하여 설명하였던 상기 학습용 출력층 데이터(ρ, T1, T2)(5_n)를 획득할 수 있다.
그 다음, 변환부(20')가, 파라미터 획득장치(400)로부터 출력된 상기 학습용 출력층 데이터(ρ, T1, T2)(5_n)와 제k MRI 시퀀스(#k)(40k1)를 함께 이용하여 상기 제n 피검부(50_n)에 대한 소스 데이터(source data)(4k2)를 합성할 수 있다. 여기서 k=1 내지 M의 자연수일 수 있다.
예컨대 ρ, T1, 및 T2가 주어지고, 그리고 임의의 MRI 시퀀스가 주어진 경우, 변환부(20')가 이들로부터 하나의 MRI 이미지를 생성하는 방법은 이미 공개되어 있다. 물론 MRI 이미지로부터 이에 대한 k-스페이스 데이터를 얻을 수도 있다.
예컨대, 종래의 MRI 기술을 이용하여, 제n 피검부(50_n)에 대한 제n-{ρ, T1, 및 T2} 쌍을 포함하는 상기 물리적 파라미터 세트가 준비되면, 상기 준비된 제n-{ρ, T1, 및 T2} 쌍을 이용하여, 상기 제n 피검부(50_n)에 대한 다양한 MRI 이미지를 합성할 수 있다.
예컨대, 제1 MRI 시퀀스(4011)를 이용하여 MRI 스캐너(300)를 구동함으로써 상기 제n 피검부(50_n)에 대한 제1 MRI 이미지(412)를 직접 얻을 수 있을 것이다. 그러나 이 대신, 상기 제n 피검부(50_n)에 대한 상기 제n-{ρ, T1, 및 T2} 쌍 및 상기 제1 MRI 시퀀스(4011)를 함께 이용하여 상기 제1 MRI 이미지(412)를 합성할 수도 있다.
또한, 제2 MRI 시퀀스(4021)를 이용하여 MRI 스캐너(300)를 구동함으로써 상기 제n 피검부(50_n)에 대한 제2 MRI 이미지(422)를 직접 얻을 수 있을 것이다. 그러나 이 대신, 상기 제n 피검부(50_n)에 대한 상기 제n-{ρ, T1, 및 T2} 쌍 및 상기 제2 MRI 시퀀스(4021)를 함께 이용하여 상기 제1 MRI 이미지(422)를 합성할 수도 있다.
이와 같이, 상기 제n-{ρ, T1, 및 T2} 쌍과 임의의 MRI 시퀀스를 함께 이용함으로써 상기 제n 피검부(50_n)에 대한 다양한 MRI 이미지들을 합성해 낼 수 있다.
즉, 종래 기술을 이용하여, 특정 피검부에 대한 {ρ, T1, 및 T2} 쌍이 제공된다면, MRI 스캐너를 직접 구동하지 않고도 상기 특정 피검부에 대한 다양한 MRI 이미지를 얻을 수 있는 것이다. 이러한 합성기능은 변환부(20')에 의해 실행될 수 있다.
일 실시예에서, 상기 합성된 소스 데이터(4k2)는 MRI 이미지일 수 있다. 또는 다른 실시예에서, 합성된 소스 데이터(4k2)는 k-스페이스 데이터일 수 있다. 도 4b에서는 상기 합성된 소스 데이터(4k2)는 MRI 이미지인 경우를 나타내었다.
상기 제k MRI 시퀀스(40k1)로부터 MRI 시퀀스를 특정하는 정보(4k1)를 획득할 수 있다.
이제, 파라미터 획득장치(400)로부터 출력된 상기 학습용 출력층 데이터(ρ, T1, T2)(5_n)에 대하여, 서로 다른 MRI 시퀀스(40k1)(k=1 내지 M의 자연수)를 이용하여 도 4b에 나타낸 변환부(20')의 동작을 반복하여 실행하면, 도 2에 나타낸 학습용 입력층 데이터(4_n)를 획득할 수 있음을 이해할 수 있다.
상기 변환부(20')는 데이터 변환장치(1) 또는 그 밖의 학습용 컴퓨팅장치에 포함된 전용의 하드웨어로 제공될 수 있다. 또는, 변환부(20')는 명령어들을 포함하는 프로그램으로서 제공되어, 필요할 때마다 데이터 변환장치(1) 또는 그 밖의 학습용 컴퓨팅장치의 메모리에 로딩되어 처리부(CPU)에 의해 실행될 수 있다.
도 4a에 나타낸 방법은 도 4b에 나타낸 방법에 비하여 MRI 스캐너의 이용 횟수가 더 많다. MRI 스캐너의 이용회수가 많다면 비용 및 시간의 측면에서 불리하다. 따라서 도 4b에 따른 방법이 더 선호될 수 있다. 그러나 본 발명의 일 실시예가 도 4a에 따른 방법을 배제하는 것은 아니다.
상술한 바와 같이, 네트워크부(10')로부터 출력된 데이터(40)와 미리 준비된 학습용 출력층 데이터(5_n) 간의 오차를 최소화할 수 있도록 네트워크부(10') 내의 노드들 간의 링크의 가중치가 갱신될 수 있다. 네트워크부(10')를 학습시기키 위하여, 상기 학습용 입력층 데이터가 한 세트 제공되고, 상기 학습용 출력층 데이터가 한 세트 제공될 수 있다. 상기 각 세트의 학습용 데이터들을 이용하여 상기 갱신을 반복함으로써 상기 네트워크부(10')의 학습을 완료할 수 있다.
데이터 변환장치의 기능
이제 다시 도 1을 참조하여 본 발명의 일 실시예에 따라 제공되는 데이터 변환장치에 포함된 기능들을 설명한다.
본 발명의 일 실시예에서, 네트워크부(10)의 입력층(110)에 입력되는 일부의 입력층 데이터(3k)는 MRI 시퀀스(an MRI sequence)를 특정하는 정보(3k1), 및 소스 데이터(3k2)를 포함할 수 있다. 이때, k는 1 내지 M의 자연수이다.
상기 MRI 시퀀스를 특정하는 정보(3k1)는 제k MRI 시퀀스(#k)를 특정하는 작동 파라미터 세트로서, 상기 제k MRI 시퀀스(#k) 및 상기 제k MRI 시퀀스(#k)에 이용된 제k 스캔 파라미터(scan parameter)들을 포함할 수 있다.
서로 다른 MRI 시퀀스를 특정하는 서로 다른 정보는, 서로 다른 MRI 시퀀스 및/또는 서로 다른 스캔 파라미터를 포함할 수 있다. 예컨대, 제1 MRI 시퀀스(#1)를 특정하는 제1정보(311)가 포함하는 제1 MRI 시퀀스(#1) 및 제1 스캔 파라미터는, 제2 MRI 시퀀스(#2)를 특정하는 제2정보(321)가 포함하는 제2 MRI 시퀀스(#2) 및 제2 스캔 파라미터와는 다를 수 있다.
일 실시예에서, 상기 소스 데이터(3k2)는 제k MRI 시퀀스(#k)를 이용하여 임의의 피검부에 대하여 획득한 MRI 데이터(an MRI datum)일 수 있다.
바람직한 일 실시예에서 상기 MRI 데이터는 MRI 이미지일 수 있다.
다른 실시예에서 상기 MRI 데이터는 k-스페이스 데이터일 수 있다.
MRI 이미지와 k-스페이스 데이터는 푸리에 변환에 의해 상호 변환될 수 있다.
상기 임의의 피검부는 MRI 스캐너(300)를 이용하여 스캔하는 대상체인 살아있는 또는 사멸한 조직일 수 있다. 상기 조직은 사람 또는 동물 또는 식물일 수 있다. 특히 상기 피검부는 상기 조직의 특정 측정대상 슬라이스일 수 있다.
네트워크부(10)의 출력층(120)으로부터 출력되는 상기 출력층 데이터(40)는 상기 피검부로부터 획득할 수 있는 물리적 파라미터 세트(a set of physical parameters)와 동일한 포맷의 데이터를 포함할 수 있다.
바람직한 일 실시예에서 상기 물리적 파라미터 세트는 상기 임의의 피검부로부터 획득할 수 있는 ρ, T1, 및 T2 중 적어도 하나 또는 전부를 포함할 수 있다.
도 2와 관련하여 설명한 바와 같이, 상기 ρ, T1, 및 T2는 MRI 분야에서 잘 알려진 파라미터이며, 상기 임의의 피검부로부터 상기 ρ, T1, 및 T2를 획득하는 방법도 알려져 있다.
변환부(20)는 데이터 변환장치(1)에 포함된 전용의 하드웨어로 제공될 수 있다. 또는, 변환부(20)는 명령어들을 포함하는 프로그램으로서 제공되어, 필요할 때마다 데이터 변환장치(1)의 메모리에 로딩되어 처리부(CPU)에 의해 실행될 수 있다.
변환부(20)는 네트워크부(10)로부터 출력된 상기 물리적 파라미터 세트를 이용하여 상기 피검부에 대한 합성된 MRI 데이터(synthesized MRI data)(50)를 생성하도록 되어 있을 수 있다.
도 1에 나타낸 변환부(20)는 도 4b와 관련하여 설명한 변환부(20')와 동일한 기능을 수행할 수 있다.
일 실시예에서, 합성된 MRI 데이터(50)는 MRI 이미지일 수 있다. 또는 다른 실시예에서, 합성된 MRI 데이터(50)는 k-스페이스 데이터일 수 있다.
일 실시예에서, 합성된 MRI 데이터(50)는 MRI 데이터(3k2)와 동일한 형식을 갖는 데이터일 수 있다.
예컨대 ρ, T1, 및 T2가 주어진 경우, 상기 주어진 ρ, T1, 및 T2로부터 하나의 MRI 이미지를 생성하는 방법은 이미 공개되어 있다. 이에 관한 구체적인 내용은 이미 도 4b에서 설명한 바 있다.
예컨대, 종래의 MRI 기술을 이용하여, 임의의 피검부에 대한 {ρ, T1, 및 T2} 쌍을 포함하는 상기 물리적 파라미터 세트를 획득할 수 있다. 이제 상기 {ρ, T1, 및 T2} 쌍을 이용하여, 상기 임의의 피검부에 대한 다양한 MRI 이미지를 합성할 수 있다.
예컨대, 제1 MRI 시퀀스를 이용하여 MRI 스캐너를 구동함으로써 상기 임의의 피검부에 대한 제1 MRI 이미지를 직접 얻을 수 있다. 이때, 상기 임의의 피검부에 대한 상기 {ρ, T1, 및 T2} 쌍 및 상기 제1 MRI 시퀀스를 함께 이용하여 상기 제1 MRI 이미지를 합성할 수 있다.
또한 예컨대, 제2 MRI 시퀀스를 이용하여 MRI 스캐너를 구동함으로써 상기 임의의 피검부에 대한 제2 MRI 이미지를 직접 얻을 수 있다. 이때, 상기 임의의 피검부에 대한 상기 {ρ, T1, 및 T2} 쌍 및 상기 제2 MRI 시퀀스를 함께 이용하여 상기 제2 MRI 이미지를 합성할 수 있다.
이와 같이, 상기 {ρ, T1, 및 T2} 쌍과 임의의 MRI 시퀀스를 함께 이용함으로써 상기 임의의 피검부에 대한 다양한 MRI 이미지를 합성해 낼 수 있다.
즉, 종래 기술을 이용하여 임의의 피검부에 대한 {ρ, T1, 및 T2} 쌍이 제공된다면, MRI 스캐너를 직접 구동하지 않고도 상기 임의의 피검부에 대한 다양한 MRI 이미지를 얻을 수 있는 것이다. 이러한 합성기능은 변환부(20)에 의해 실행될 수 있다.
실시예 1 - 지도학습
도 5는 본 발명의 일 실시예에 따라 신경망 네트워크를 지도학습하는 방법을 나타낸 순서도이다.
상기 지도학습방법은, 입력층 및 출력층을 포함하는 네트워크부를 포함하는 데이터 변환장치에 있어서, 상기 네트워크부를 지도학습하는 방법이다
상기 입력층은 임의의 MRI 시퀀스를 특정하는 정보, 및 상기 임의의 MRI 시퀀스를 이용하여 임의의 피검부에 대하여 획득한 MRI 데이터인 소스 데이터를 입력받도록 되어 있으며, 상기 출력층은 임의의 피검부에 관한 ρ, T1, 및 T2 파라미터와 동일한 포맷을 갖는 출력층 데이터를 출력하도록 되어 있을 수 있다.
단계(S10)에서, 제1 MRI 시퀀스를 특정하는 정보, 및 상기 제1 MRI 시퀀스를 이용하여 제1피검부에 대하여 획득한 MRI 데이터인 제1 소스 데이터를 상기 입력층에 제공할 수 있다.
단계(S20)에서, 상기 출력층으로부터 출력된 상기 출력층 데이터와, 상기 제1피검부에 관한 ρ, T1, 및 T2 파라미터들 간의 오차를 감소시키도록 상기 네트워크부 내에 할당된 가중치를 갱신할 수 있다.
이때, 상기 제1피검부에 대하여 획득한 MRI 데이터는, 상기 제1피검부에 관한 ρ, T1, 및 T2 파라미터들 및 상기 제1 MRI 시퀀스를 함께 이용하여 합성한 상기 제1피검부에 대한 MRI 이미지 또는 k-스페이스 데이터일 수 있다
실시예 2 - MRI 데이터 변환
도 6은 본 발명의 일 실시예에 따라 MRI 데이터를 변환하는 방법을 나타낸 순서도이다.
상기 MRI 데이터 변환방법은, 네트워크부 및 변환부를 포함하는 데이터 변환장치를 이용하여 MRI 데이터를 변환할 수 있다. 상기 네트워크부의 출력층은 임의의 피검부에 관한 ρ, T1, 및 T2 파라미터와 동일한 포맷을 갖는 출력층 데이터를 출력하도록 되어 있을 수 있다.
단계(S110)에서, 상기 네트워크부가, 상기 네트워크부의 입력층에 MRI 시퀀스를 특정하는 정보, 및 상기 MRI 시퀀스를 이용하여 피검부에 대하여 획득한 MRI 데이터인 소스 데이터를 포함하는 입력층 데이터가 입력되면, 상기 출력층 데이터를 출력할 수 있다.
그리고 단계(S120)에서, 상기 변환부가, 상기 네트워크부의 출력층으로부터 출력된 출력층 데이터 및 임의의 MRI 시퀀스를 함께 이용하여 상기 피검부에 대한 합성된 MRI 데이터를 생성할 수 있다.
상술한 본 발명의 실시예들을 이용하여, 본 발명의 기술 분야에 속하는 자들은 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에 다양한 변경 및 수정을 용이하게 실시할 수 있을 것이다. 특허청구범위의 각 청구항의 내용은 본 명세서를 통해 이해할 수 있는 범위 내에서 인용관계가 없는 다른 청구항에 결합될 수 있다.

Claims (19)

  1. 네트워크부(10); 및
    변환부(20);
    를 포함하며,
    상기 네트워크부의 입력층(110)에는 MRI 시퀀스를 특정하는 정보(3k1), 및 상기 MRI 시퀀스를 이용하여 피검부에 대하여 획득한 MRI 데이터인 소스 데이터(3k2)를 포함하는 입력층 데이터(3k)가 입력되도록 되어 있고,
    상기 네트워크부의 출력층(120)은 상기 피검부의 물리적 파라미터 세트를 포함하는 출력층 데이터(40)를 출력하도록 되어 있으며,
    상기 변환부는 상기 물리적 파라미터 세트를 이용하여 상기 피검부에 대한 합성된 MRI 데이터(50)를 생성하도록 되어 있는,
    데이터 변환장치.
  2. 제1항에 있어서, 상기 변환부는 상기 물리적 파라미터 세트 및 임의의 MRI 시퀀스를 함께 이용하여 상기 합성된 MRI 데이터를 생성하도록 되어 있는, 데이터 변환장치.
  3. 제1항에 있어서, 상기 네트워크부는 한 세트의 학습용 입력층 데이터 및 한 세트의 학습용 출력층 데이터를 이용하여 기계학습된 것인, 데이터 변환장치.
  4. 제1항에 있어서, 상기 MRI 시퀀스를 특정하는 정보는 상기 MRI 시퀀스를 특정하는 작동 파라미터 세트로서, 상기 MRI 시퀀스 및 상기 MRI 시퀀스에 이용된 스캔 파라미터들이 포함되어 있는, 데이터 변환장치.
  5. 제1항에 있어서, 상기 피검부는 MRI 피검체의 특정 측정대상 슬라이스인, 데이터 변환장치.
  6. 제1항에 있어서, 상기 소스 데이터는 MRI 이미지 또는 k-스페이스 데이터인, 데이터 변환장치.
  7. 제1항에 있어서, 상기 물리적 파라미터 세트는 ρ, T1, 및 T2 중 적어도 하나 또는 전부를 포함하는, 데이터 변환장치.
  8. 제1항에 있어서, 상기 물리적 파라미터 세트는 ρ, T1, 및 T2를 모두 포함하는, 데이터 변환장치.
  9. 제1항에 있어서, 상기 네트워크부는 오토 인코더를 이용하는 콘볼루셔널 뉴럴 네트워크인, 데이터 변환장치.
  10. 제1항에 있어서, 상기 합성된 MRI 데이터는 MRI 이미지 또는 k-스페이스 데이터인, 데이터 변환장치.
  11. 제1항에 있어서, 상기 합성된 MRI 데이터는 상기 소스 데이터와 동일한 형식의 데이터인, 데이터 변환장치.
  12. 제3항에 있어서,
    상기 기계학습은 지도학습에 의한 것이며,
    상기 한 세트의 학습용 출력층 데이터 중 임의의 제1 학습용 출력층 데이터는, 임의의 제1피검부에 관한 상기 물리적 파라미터 세트이며,
    상기 한 세트의 학습용 입력층 데이터 중 상기 제1 학습용 출력층 데이터에 대응하는 제1 학습용 입력층 데이터는, MRI 시퀀스를 특정하는 정보, 및 상기 MRI 시퀀스를 이용하여 상기 제1피검부에 대하여 획득한 MRI 데이터인 소스 데이터를 포함하는,
    데이터 변환장치.
  13. 제12항에 있어서, 상기 제1피검부에 대하여 획득한 MRI 데이터는, MRI 스캐너가 상기 MRI 시퀀스를 이용하여 상기 제1피검부로부터 획득한 MRI 신호로부터 생성한 MRI 이미지 또는 k-스페이스 데이터인, 데이터 변환장치.
  14. 제12항에 있어서, 상기 제1피검부에 대하여 획득한 MRI 데이터는, 상기 제1피검부의 ρ, T1, 및 T2 파라미터들 및 상기 MRI 시퀀스를 함께 이용하여 합성한 상기 제1피검부에 대한 MRI 이미지 또는 k-스페이스 데이터인, 데이터 변환장치.
  15. 제12항에 있어서,
    상기 네트워크부의 입력층은,
    제1타입의 MRI 시퀀스를 특정하는 정보(311), 및 상기 제1타입의 MRI 시퀀스를 이용하여 상기 제1피검부에 대하여 획득한 MRI 데이터인 제1소스 데이터(312)가 입력되는 제1부분(1101), 및
    제2타입의 MRI 시퀀스를 특정하는 정보(321), 및 상기 제2타입의 MRI 시퀀스를 이용하여 상기 제1피검부에 대하여 획득한 MRI 데이터인 제2소스 데이터(322)가 입력되는 제2부분(1102)
    을 포함하는,
    데이터 변환장치.
  16. 제15항에 있어서,
    학습이 완료된 상기 네트워크부의 입력층 중 상기 제1부분에는,
    상기 제1타입의 MRI 시퀀스를 특정하는 정보, 및 상기 제1타입의 MRI 시퀀스를 이용하여 임의의 피검부에 대하여 획득한 MRI 데이터인 제3소스 데이터가 입력되도록 되어 있는,
    데이터 변환장치.
  17. 입력층 및 출력층을 포함하는 네트워크부를 포함하는 데이터 변환장치에 있어서, 상기 네트워크부를 지도학습하는 신경망의 지도학습방법으로서,
    상기 입력층은 임의의 MRI 시퀀스를 특정하는 정보, 및 상기 임의의 MRI 시퀀스를 이용하여 임의의 피검부에 대하여 획득한 MRI 데이터인 소스 데이터를 입력받도록 되어 있으며,
    상기 출력층은 임의의 피검부에 관한 ρ, T1, 및 T2 파라미터와 동일한 포맷을 갖는 출력층 데이터를 출력하도록 되어 있으며,
    제1 MRI 시퀀스를 특정하는 정보, 및 상기 제1 MRI 시퀀스를 이용하여 제1피검부에 대하여 획득한 MRI 데이터인 제1 소스 데이터를 상기 입력층에 제공하는 단계; 및
    상기 출력층으로부터 출력된 상기 출력층 데이터와, 상기 제1피검부에 관한 ρ, T1, 및 T2 파라미터들 간의 오차를 감소시키도록 상기 네트워크부 내에 할당된 가중치를 갱신하는 단계;
    를 포함하는,
    신경망의 지도학습방법.
  18. 제17항에 있어서, 상기 제1피검부에 대하여 획득한 MRI 데이터는, 상기 제1피검부에 관한 ρ, T1, 및 T2 파라미터들 및 상기 제1 MRI 시퀀스를 함께 이용하여 합성한 상기 제1피검부에 대한 MRI 이미지 또는 k-스페이스 데이터인, 신경망의 지도학습방법.
  19. 네트워크부 및 변환부를 포함하는 데이터 변환장치를 이용하여 MRI 데이터를 변환하는 MRI 데이터 변환방법으로서,
    상기 네트워크부의 출력층은 임의의 피검부에 관한 ρ, T1, 및 T2 파라미터와 동일한 포맷을 갖는 출력층 데이터를 출력하도록 되어 있으며,
    상기 네트워크부가, 상기 네트워크부의 입력층에 MRI 시퀀스를 특정하는 정보, 및 상기 MRI 시퀀스를 이용하여 피검부에 대하여 획득한 MRI 데이터인 소스 데이터를 포함하는 입력층 데이터가 입력되면, 상기 출력층 데이터를 출력하는 단계; 및
    상기 변환부가, 상기 네트워크부의 출력층으로부터 출력된 출력층 데이터 및 임의의 MRI 시퀀스를 함께 이용하여 상기 피검부에 대한 합성된 MRI 데이터를 생성하는 단계;
    를 포함하는,
    MRI 데이터 변환방법.
PCT/KR2019/002002 2019-02-13 2019-02-19 Mri 데이터 변환 방법 및 이를 위한 장치 WO2020166752A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190016628A KR102128990B1 (ko) 2019-02-13 2019-02-13 Mri 데이터 변환 방법 및 이를 위한 장치
KR10-2019-0016628 2019-02-13

Publications (1)

Publication Number Publication Date
WO2020166752A1 true WO2020166752A1 (ko) 2020-08-20

Family

ID=71599423

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/002002 WO2020166752A1 (ko) 2019-02-13 2019-02-19 Mri 데이터 변환 방법 및 이를 위한 장치

Country Status (2)

Country Link
KR (1) KR102128990B1 (ko)
WO (1) WO2020166752A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140035580A1 (en) * 2012-08-06 2014-02-06 Ovidiu Andronesi System for Optimized Low Power MR Imaging
KR20140046334A (ko) * 2012-10-10 2014-04-18 삼성전자주식회사 피검체의 움직임을 보정하여 mri 영상을 획득하는 방법 및 mri 장치
US20160313428A1 (en) * 2013-09-10 2016-10-27 Ohio State Innovation Foundation Methods and devices for optimization of contrast inhomogeneity correction in magnetic resonance imaging
US20180055460A1 (en) * 2016-08-30 2018-03-01 Toshiba Medical Systems Corporation Medical image processing method and apparatus
US20190025392A1 (en) * 2017-07-21 2019-01-24 Siemens Healthcare Gmbh MRI Pulse Sequence Design

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2681577A1 (en) * 2011-03-01 2014-01-08 Koninklijke Philips N.V. Determination of a magnetic resonance imaging pulse sequence protocol classification
KR101659578B1 (ko) * 2015-09-01 2016-09-23 삼성전자주식회사 자기 공명 영상 처리 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140035580A1 (en) * 2012-08-06 2014-02-06 Ovidiu Andronesi System for Optimized Low Power MR Imaging
KR20140046334A (ko) * 2012-10-10 2014-04-18 삼성전자주식회사 피검체의 움직임을 보정하여 mri 영상을 획득하는 방법 및 mri 장치
US20160313428A1 (en) * 2013-09-10 2016-10-27 Ohio State Innovation Foundation Methods and devices for optimization of contrast inhomogeneity correction in magnetic resonance imaging
US20180055460A1 (en) * 2016-08-30 2018-03-01 Toshiba Medical Systems Corporation Medical image processing method and apparatus
US20190025392A1 (en) * 2017-07-21 2019-01-24 Siemens Healthcare Gmbh MRI Pulse Sequence Design

Also Published As

Publication number Publication date
KR102128990B1 (ko) 2020-07-02

Similar Documents

Publication Publication Date Title
WO2017022882A1 (ko) 의료 영상의 병리 진단 분류 장치 및 이를 이용한 병리 진단 시스템
WO2018101722A2 (ko) 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법
WO2020111754A9 (ko) 세미 슈퍼바이즈드 학습을 이용한 진단 시스템 제공방법 및 이를 이용하는 진단 시스템
WO2010123182A1 (ko) 다채널 신호의 데이터 획득 시스템
WO2021137415A1 (ko) 머신 러닝에 기반한 이미지 처리 방법 및 장치
WO2023287064A1 (ko) 이상 데이터 자동 검출 및 자동 라벨링 기술을 이용한 학습 데이터베이스 구축 방법 및 시스템
WO2020226473A1 (ko) 치아 부가정보 제공 방법 및 그 장치
WO2020050543A1 (ko) 다중 안테나 무선 기기의 테스트를 위한 간섭 성분 상쇄 장치 및 방법
WO2020101457A2 (ko) 지도학습기반의 합의 진단방법 및 그 시스템
WO2020055039A1 (ko) 파킨슨 병 진단 장치 및 방법
WO2020166752A1 (ko) Mri 데이터 변환 방법 및 이를 위한 장치
JPH09145544A (ja) Ｍｔｆ測定方法
WO2020062639A1 (zh) 区块链引入测试方法、装置、设备及计算机可读存储介质
WO2023249402A1 (ko) 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치
WO2024117390A1 (ko) 전자장비용 시험계측기 확장 장치 및 방법
WO2021015489A2 (ko) 인코더를 이용한 이미지의 특이 영역 분석 방법 및 장치
WO2023068732A1 (ko) 신경 심리 검사에 대한 점수를 획득하는 방법 및 이를 수행하는 신경 심리 검사 장치 및 컴퓨터 판독 가능한 기록매체
CN116521566A (zh) 测试数据生成方法及装置
WO2019164273A1 (ko) 수술영상을 기초로 수술시간을 예측하는 방법 및 장치
WO2022220407A1 (ko) 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법
WO2021153993A1 (ko) 딥러닝 기반 가속촬영 mr 이미지 화질 복원 장치 및 방법
WO2019027155A1 (en) MAGNETIC RESONANCE IMAGING APPARATUS AND MAGNETIC RESONANCE IMAGE GENERATING METHOD
WO2024147550A1 (ko) 고분자의 유리전이온도 예측 방법 및 예측 시스템
WO2016099069A1 (ko) 고분자의 동일성 평가 방법 및 이를 이용한 시스템
WO2017043680A1 (ko) 의료 데이터의 개인 정보 보호를 위한 인공 신경망의 분산 학습 시스템 및 방법

Legal Events

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

Ref document number: 19914963

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19914963

Country of ref document: EP

Kind code of ref document: A1