WO2020179950A1 - 딥러닝 기반 뇌 질환 진행 예측 방법 및 장치 - Google Patents

딥러닝 기반 뇌 질환 진행 예측 방법 및 장치 Download PDF

Info

Publication number
WO2020179950A1
WO2020179950A1 PCT/KR2019/002617 KR2019002617W WO2020179950A1 WO 2020179950 A1 WO2020179950 A1 WO 2020179950A1 KR 2019002617 W KR2019002617 W KR 2019002617W WO 2020179950 A1 WO2020179950 A1 WO 2020179950A1
Authority
WO
WIPO (PCT)
Prior art keywords
brain
disease
diagnosis
progression
clinical
Prior art date
Application number
PCT/KR2019/002617
Other languages
English (en)
French (fr)
Inventor
석흥일
Original Assignee
주식회사 인포메디텍
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 주식회사 인포메디텍 filed Critical 주식회사 인포메디텍
Priority to PCT/KR2019/002617 priority Critical patent/WO2020179950A1/ko
Priority to KR1020217022211A priority patent/KR102605720B1/ko
Priority to PCT/KR2020/003131 priority patent/WO2020180135A1/ko
Publication of WO2020179950A1 publication Critical patent/WO2020179950A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain

Definitions

  • the present invention relates to a method and apparatus for predicting progression of brain diseases based on deep learning, for example Alzheimer's disease.
  • Alzheimer's disease is a neurodegenerative brain disease that affects many of the elderly and is clinically characterized by loss of cognitive function. As the life expectancy increases due to the development of medicine, Alzheimer's disease tends to increase, and as a result, the need for early diagnosis and predictive technology for appropriate measures such as slowing the progression of Alzheimer's disease is increasing. have.
  • MRI which is a non-invasive method of brain imaging, does not have the effect of artificial shading by the skull, compared to Computed Tomography (CT), which is the same non-invasive method, so micro-diagnosis of cerebral perfusion is possible.
  • CT Computed Tomography
  • Alzheimer's disease can be a decisive factor for treatment before the point of time when a patient's cognitive function is rapidly deteriorated and daily life becomes difficult.
  • Alzheimer's disease causes symptoms of atrophy of the patient's brain over time
  • research is being conducted to detect and diagnose the patient's condition from brain images.
  • diagnosing diseases using brain images since all brain structures between patients are different, in order to uniformly check their common degree of change, convert them to the same structure using a template, and check the degree of change for each anatomical area. Method can be used.
  • MMSE Mini-Mental State Examination
  • ADAS Alzheimer's Disease Assessment Score
  • CDR Clinical Dementia Rating
  • the problem to be solved in the embodiments of the present invention is to provide a technology for more reliably predicting the progression of Alzheimer's disease.
  • the method and apparatus for predicting Alzheimer's disease progression are not only predicting the Alzheimer's disease progression stage using deep learning through anatomical average cortical thickness and volume information, but also clinically such as MMSE and ADAS-Cog. By predicting the diagnostic evaluation score and providing more information to the clinician, a reliable diagnosis can be made.
  • An embodiment of the present invention diagnoses Alzheimer's disease more reliably using past brain image data, and provides an analysis of the diagnosis and significant information on its basis.
  • a diagnostic method that can help the clinician's decision-making, trust by synthesizing the predicted value of Alzheimer's disease progression probability and clinical diagnostic evaluation score through clinical diagnostic evaluation scores in addition to magnetic resonance imaging. Provides possible diagnostic and prognostic methods.
  • 1 to 7 are views for explaining the present invention.
  • a component when connected to or is referred to as being connected to another component, it should be understood that it may be directly connected or connected to the other component, but other components may exist in the middle.
  • the present invention relates to a method capable of predicting the progression of Alzheimer's disease and a clinical diagnosis evaluation score. Specifically, a system and method for diagnosing or predicting the progression stage of Alzheimer's disease through deep learning technology based on Magnetic Resonance Image (MRI) and clinical diagnostic tests (cognitive function test, dementia evaluation scale, etc.) It is about.
  • MRI Magnetic Resonance Image
  • clinical diagnostic tests cognitive function test, dementia evaluation scale, etc.
  • Prior documents related to the present invention may include Korean Patent Publication No. 10-1929127, Korean Patent Publication No. 10-1900200, and US 9,922,272 B2.
  • the present invention has a difference from these prior documents, respectively.
  • Korean Patent Publication No. 10-1929127 name of the invention: apparatus and method for diagnosing a condition based on medical images
  • Korean Patent Publication No. 10-1900200 title of the invention: tuberculosis test method based on deep learning
  • US 9,922,272 B2 name of the invention: Deep Similarity Learning for Multimodal Medical Images
  • proposed a deep learning-based brain image analysis brain disease diagnosis system but it is not a method that considers the clinical condition or the degree of changes in past brain images.
  • the present invention uses a recurrent neural network (RNN), which is one of the deep learning models, to effectively consider past brain image data and clinical diagnostic evaluation scores, and through regression analysis of the clinical diagnostic evaluation scores.
  • RNN recurrent neural network
  • the degree of progression can be presented as a quantified value and a method of diagnosis can be provided.
  • the artificial neural network is not limited to the RNN, but can be implemented by other artificial neural network circuits such as CNN (Convolution Neural Network) and DNN (Deep Neural Network).
  • the present invention not only predicts the progression stage of Alzheimer's disease by using deep learning on the anatomical average cortical thickness and volume information, but also predicts clinical diagnostic evaluation scores such as MMSE and ADAS-Cog, and provides more information to the clinician. By providing, it is possible to provide a system and method that can reliably diagnose.
  • the present invention can utilize all of the past data held for each patient for a more reliable diagnosis than a diagnosis using only measurement data at a single time point.
  • the present invention can more reliably diagnose Alzheimer's disease using past brain image data, and provide significant information on the analysis and the basis for the diagnosis.
  • the present invention is a diagnostic method that can help the clinician's decision-making.
  • the present invention synthesizes the predicted value of the progression probability of Alzheimer's disease and the clinical diagnosis evaluation score through a clinical diagnosis evaluation score. Prognosis prediction method can be provided.
  • multi-view brain images measured over time and clinical diagnostic evaluation scores are considered together.
  • multi-view brain images are separated into anatomical regions, and changes in brain conditions and clinical evaluation scores over time are predicted to provide more precise and reliable diagnosis.
  • FIG. 1 is a diagram for conceptually explaining the present invention, more specifically, schematically illustrating the overall flow of the present invention.
  • the present invention can perform various transformations, and can have various embodiments. Accordingly, specific embodiments are illustrated and described in detail through the drawings, and of course, they are not limited to what is described below, but may be implemented in various forms.
  • data preprocessing may be performed using a brain image acquired 1 year ago, 2 years ago, or 3 years ago with respect to the same object at a predetermined cycle.
  • the data preprocessing may be to perform matching and normalization of brain images, and for example, may be to acquire anatomical region information based on a clinical diagnosis evaluation score.
  • a recurrent neural network that is, a recurrent neural network (RNN) to perform diagnosis and prediction of clinical evaluation scores according to progression stages of brain diseases.
  • RNN recurrent neural network
  • Progression stages of brain disease may include normal, mild cognitive impairment, and Alzheimer's disease, and RNNs for deriving each stage may be implemented individually.
  • the clinical diagnostic evaluation score may be provided as information for regression analysis in the operation of the RNN. It goes without saying that in some cases, the RNN may be implemented in an integrated manner, unlike shown.
  • the apparatus for diagnosing brain diseases of the present invention includes a preprocessing unit for converting and normalizing MRI of various shapes into a uniform structure, a learning unit for extracting features significant for classification from MRI data through a feature detector, Finally, from the extracted features, a diagnosis and prediction unit for diagnosing a clinical condition of a brain disease may be included.
  • the preprocessor may perform image processing in stages.
  • the pre-processing unit can convert and normalize MRI of various shapes into a uniform structure.
  • the preprocessor may perform image processing to obtain brain volume information through a matching process and a brain tissue segmentation process.
  • the preprocessor may divide an anatomical region from the brain volume information, perform a task with a voxel value normalized to the total volume of the brain for each region of interest, and then extract a sample having a process of obtaining a random sample set.
  • the preprocessor aligns the symmetry of the input image and then removes the brain region that is not required for analysis.
  • the brain tissue is separated. After converting all brain tissues into the same template space, a density map of the brain is obtained through a matching process. The obtained brain density map is divided into regions of interest for diagnosis by anatomical region, and then normalized to match the distribution of data values.
  • the preprocessor aligns the brain position, removes the skull and the cerebellum, separates the brain tissue, and aligns to separate the region of interest having the volume information of the brain.
  • the preprocessor extracts a sample by extracting volume information using a random sampling technique from a value obtained by normalizing the volume information of the brain separated for each region of interest to the total volume of the brain.
  • the learning unit may extract features of the brain image using a deep learning algorithm.
  • the learning unit may use the volume information extracted from the preprocessor to extract features that are easy for diagnosis and prediction through the deep learning method from MRI data for the brain.
  • the deep learning algorithm may include an RNN.
  • the deep learning algorithm may be learned in advance using MRI data for Alzheimer's disease.
  • the learning unit applies deep learning using a deep learning algorithm to an arbitrary sample obtained from the sampling part.
  • the learning unit represents the latent features through random samples obtained at each time obtained in the sampling part.
  • the learning department extracts information for predicting results for each time based on the acquired latent features.
  • the learning unit receives the preprocessed brain image of the same object and receives the encoding module to extract the latent features, receives the extracted latent features, diagnoses whether the user has a brain disease, the progression of the brain disease, and It may consist of a decoding module that extracts a feature for predicting at least one of a progression rate, a later progression rate of a brain disease, and a clinical diagnosis evaluation score.
  • the clinical diagnosis evaluation score may be obtained by a questionnaire survey on the subject, and the degree of progression of a brain disease (eg, Alzheimer's disease) may be expressed as a quantified value.
  • the questionnaire may include, for example, a questionnaire related to life or a questionnaire related to health of an object of a brain image, but is not limited thereto.
  • the learning unit may be pre-learned to extract the above-described features.
  • the learning of the learning unit may be performed using a brain image of a predetermined period of the same object and a clinical diagnosis evaluation score obtained from the same object at the time of acquisition of each brain image. For example, a first input set including a brain image acquired 1 year ago and a clinical diagnosis evaluation score acquired at the time the image was acquired, a brain image acquired 2 years ago and a clinical diagnosis acquired at the time the image was acquired Learning by the learning unit may be performed using a second input set including an evaluation score, a brain image acquired three years ago, and a third input set including a clinical diagnosis evaluation score acquired at the time of acquisition of the image.
  • a third input set is used to determine a time series relationship.
  • the value obtained by the second input set may be re-entered into a node into which the second input set is input, and the value obtained by the second input set is the first input set into the node into which the first input set is input. It can be re-entered and learning can be performed.
  • learning may be performed once, and further learning is performed with a brain image acquired from another object in the same cycle and manner and at the time of acquisition of each brain image. It can be performed using a clinical diagnostic score. By repeating such learning, the learning unit can be learned to extract features more accurately.
  • the clinical diagnosis evaluation score there may be an input set in which the clinical diagnosis evaluation score is missing.
  • only a brain image may be input to a learning unit in which learning has been performed more than a predetermined number of times.
  • the learning unit may extract features representing a relationship between the brain image and the clinical diagnosis evaluation score.
  • the diagnosis and prediction unit may predict the clinical diagnosis evaluation score on the basis of a characteristic representing the relationship between the brain image and the clinical diagnosis evaluation score. Thereafter, the predicted clinical diagnosis evaluation score and brain image may be input to the learning unit.
  • the learning unit may receive pre-processed brain images after being acquired with a predetermined period for the patient (object). For example, the learning unit may receive a brain image acquired 1 year ago, a brain image acquired 2 years ago, and a brain image acquired 3 years ago from the object A.
  • the learning unit includes features for early diagnosis of the final brain disease of the deep learning model and prediction of clinical scores, specifically, diagnosis of the user's brain disease, progression of brain disease, progression speed of brain disease to date, And it is possible to extract a feature for predicting at least one of a later progression rate of a brain disease and a clinical diagnostic evaluation score.
  • only the brain image and clinical diagnosis evaluation score of the patient at the current point in time may be input to the learning unit.
  • the learning department diagnoses the patient's brain disease, progression of brain disease, progression of brain disease to date, and future progression of brain disease, clinical diagnosis based on the input brain image and clinical diagnosis score.
  • a feature for prediction of at least one of the evaluation scores may be extracted.
  • the learning unit can extract features for predicting the brain image 1 year or 2 years later.
  • the diagnosis and prediction unit The brain image after 1 or 2 years is predicted, and the predicted brain image is input again to the learning unit to finally diagnose the patient's brain disease, the progression of the brain disease, and the progression of the brain disease to date.
  • a later progression rate of a brain disease, and at least one of a clinical diagnostic evaluation score may be predicted.
  • the diagnosis and prediction unit assists the clinician in the decision-making process by using the features extracted by the learning unit to diagnose the patient's brain disease potential early and predict the clinical score.
  • the diagnosis and prediction unit predicts the disease progression stage and clinical diagnostic evaluation score for each time from the extracted features.
  • the diagnosis and prediction unit uses the features finally extracted through the decoding module to diagnose the user's brain disease, the progression of the brain disease, the progression rate of the brain disease to date, and the future progression rate of the brain disease, clinical At least one prediction of the diagnostic evaluation scores is performed.
  • the diagnosis and prediction unit may simultaneously predict the progression stage of the brain disease and the clinical diagnosis evaluation score from each time-specific feature obtained from the feature extracted by the learning unit, or predict regardless of the sequence.
  • the diagnosis and prediction unit finally performs a diagnosis method through the diagnosis and prediction unit in order to simultaneously predict the progression stage of the disease and the clinical diagnosis evaluation score from the characteristics of each time period, and the method of distinguishing between classes and prediction suitable for the clinical diagnosis evaluation score Deep learning can be applied to construct the model.
  • the diagnosis and prediction unit may predict the clinical diagnosis evaluation score with the features extracted based on the brain image by the learning unit.
  • the diagnosis and prediction unit may diagnose a brain disease by integrating the probabilities of the progression stage for each time and the predicted clinical diagnosis evaluation score.
  • FIG 3 shows an exemplary flow of each step of the operation of the preprocessor.
  • the learning unit may include a brain image encoding deep learning module and a decoding deep learning module.
  • the brain image encoding deep learning module may receive preprocessed brain images and extract latent features.
  • the decoding deep learning module may receive the extracted latent features and extract features for brain disease diagnosis and clinical diagnosis evaluation score prediction.
  • a brain image latent feature may be extracted by inserting a preprocessed brain image acquired during the past and a current preprocessed brain image into a brain image encoding deep learning module and applying deep learning.
  • FIG. 6 shows an embodiment of a decoding deep learning module. Referring to FIG. 6, by inserting the brain image latent features acquired by the brain image encoding deep learning module into the decoding deep learning module, features for predicting a clinical diagnosis score and features for diagnosing brain diseases may be extracted.
  • diagnosis and prediction unit may receive features extracted from the learning unit and perform brain disease diagnosis and clinical diagnosis evaluation score prediction.
  • embodiments of the present invention described above can be implemented through various means.
  • embodiments of the present invention may be implemented by hardware, firmware, software, or a combination thereof.
  • the method according to the embodiments of the present invention includes one or more application specific integrated circuits (ASICs), digital signal processors (DSPs), digital signal processing elements (DSPDs, Digital Signal Processing Devices), Programmable Logic Devices (PLDs), Field Programmable Gate Arrays (FPGAs), processors, controllers, microcontrollers, microprocessors, and the like.
  • ASICs application specific integrated circuits
  • DSPs digital signal processors
  • DSPDs digital signal processing elements
  • PLDs Programmable Logic Devices
  • FPGAs Field Programmable Gate Arrays
  • processors controllers, microcontrollers, microprocessors, and the like.
  • the method according to the embodiments of the present invention may be implemented in the form of a module, procedure, or function that performs the functions or operations described above.
  • a computer program in which software codes and the like are recorded may be stored in a computer-readable recording medium or a memory unit and driven by a processor.
  • the memory unit may be located inside or outside the processor, and may exchange data with the processor through various known means.
  • the present invention may be expressed as a block diagram including a plurality of blocks or a flowchart including a plurality of steps, and combinations of each block of the block diagram and each step of the flowchart may be performed by computer program instructions. Since these computer program instructions can be mounted on the encoding processor of a general-purpose computer, special purpose computer or other programmable data processing equipment, the instructions executed by the encoding processor of the computer or other programmable data processing equipment are each block of the block diagram or Each step of the flow chart will create a means to perform the functions described. These computer program instructions can also be stored in computer-usable or computer-readable memory that can be directed to a computer or other programmable data processing equipment to implement a function in a particular way.
  • each block or each step may represent a module, segment, or part of code including one or more executable instructions for executing a specified logical function. It should also be noted that in some alternative embodiments, the functions mentioned in blocks or steps may occur out of order. For example, two blocks or steps shown in succession may in fact be performed substantially simultaneously, or the blocks or steps may sometimes be performed in the reverse order depending on the corresponding function.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Neurology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

본 발명의 일 실시예에 따른 뇌 질환 진행 예측 장치는 정합 과정 및 뇌 조직 분할 과정을 통해 뇌의 볼륨정보 획득을 위한 영상 처리부와, 뇌의 볼륨정보로부터 해부학적 영역을 분할하여 관심영역별로 뇌의 전체볼륨으로 정규화된 복셀값을 갖는 작업을 거친 후 임의의 표본 집합을 얻는 과정을 갖는 표본 추출하는 표본 추출부를 포함할 수 있다.

Description

딥러닝 기반 뇌 질환 진행 예측 방법 및 장치
본 발명은 딥러닝 기반 뇌 질환, 예를 들면 알츠하이머병 진행 예측 방법 및 장치에 관한 것이다.
알츠하이머병은 노년층의 많은 이들에게 발병하는 신경퇴행성 뇌 질환으로, 임상적으로, 인지 기능의 상실을 특징으로 한다. 의학의 발달에 의해 평균 수명이 늘어남에 따라, 알츠하이머병이 증가하는 추세이며, 결과적으로, 알츠하이머병의 진행 속도를 늦추는 등의 적절한 조치를 위한 조기 진단 및 진행 결과를 예측하는 기술의 필요성이 증대되고 있다.
뇌 영상검사 방법 중 비침습적인 방법인 MRI는, 같은 비침습 방법인 컴퓨터 단층 촬영(Computed Tomography: CT)에 비해 두개골에 의한 인공 음영 영향이 없어 뇌관류 상태의 미세 진단이 가능하고, 뇌의 구조적, 기능적 변화로 발생하는 다양한 질환들을 검사할 수 있다.
알츠하이머병의 조기 검출은 환자의 인지기능이 급격히 저하되어, 일상생활이 어려워지는 시점이 도래하기 전에 처치하기 위한 결정적인 요인이 될 수 있다.
알츠하이머병은 시간이 지남에 따라 환자의 뇌가 위축되는 증상을 일으키므로, 뇌 영상으로부터 환자의 상태를 감지하여 진단하고자 하는 연구가 진행되고 있다. 뇌 영상을 이용한 질환 진단 시, 환자들 간의 뇌 구조가 모두 다르기 때문에, 이들의 공통된 변화 정도를 획일적으로 확인하기 위하여, 템플릿을 사용하여 동일한 구조로 변환하고, 각 해부학적 영역별 변화 정도를 확인하는 방법을 사용할 수 있다.
알츠하이머병 진단 방법의 임상적 예로는, 간이정신상태검사(Mini-Mental State Examination - MMSE), 알츠하이머병 평가 척도(Alzheimer's Disease Assessment Score - ADAS), 임상치매평가(Clinical Dementia Rating - CDR), 혈액검사 결과를 종합적으로 판단하는 방법을 사용할 수 있다.
최근 기계학습의 일종인 딥러닝 기법을 통한 컴퓨터 영상 분류 기술이 발전함에 따라, 의료 영상으로부터 특징을 추출하여 임상 상태를 진단하고자 하는 연구들이 활발히 진행되고 있다. 하지만, 기존의 딥러닝 기반 단일 뇌 영상 기반 진단 시스템은 질환의 진행도가 미미한 경우, 뇌 영상의 형태적 차이 또한 미세하기 때문에, 알츠하이머병의 조기 진단에 어려움이 있다.
본 발명의 실시예에서 해결하고자 하는 과제는 알츠하이머병의 진행을 보다 신뢰성 있게 예측하는 기술을 제공하는 것이다.
다만, 본 발명의 실시예가 이루고자 하는 기술적 과제는 이상에서 언급한 과제로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 기술적 과제가 도출될 수 있다.
본 발명의 일 실시예에 따른 알츠하이머병 진행 예측 방법 및 장치는 - 해부학적 평균 피질 두께 및 볼륨 정보를 통해, 딥러닝을 활용하여 알츠하이머병 진행 단계를 예측할 뿐만 아니라 MMSE, ADAS-Cog와 같은 임상적 진단 평가 점수를 예측하여, 임상의에게 보다 많은 정보를 제공함으로써, 신뢰성 있게 진단할 수 있다.
또한, 환자 개인별로 보유한 과거의 데이터를 모두 활용하여 알츠하이머병의 진행 예측을 수행할 수 있다.
본 발명의 일실시예는, 과거 뇌 영상 데이터를 이용하여 알츠하이머병을 보다 신뢰성 있게 진단하고, 진단에 대한 분석과 그 근거에 유의한 정보를 제공한다.
본 발명의 일실시예에 의하면, 임상의의 의사결정에 도움이 될 수 있는 진단 방법으로 자기공명영상 외에도 임상적 진단 평가 점수를 통해 알츠하이머 병의 진행 확률 및 임상적 진단 평가 점수 예측치를 종합하여 신뢰 가능한 진단 및 예후 예측방법을 제공한다.
도 1 내지 7은 본 발명을 설명하기 위한 도면이다.
본 발명의 이점 및 특징,　그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다.　　그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있으며,　단지 본 실시예들은 본 발명의 개시가 완전하도록 하고,　본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며,　본 발명의 범주는 청구항에　의해 정의될 뿐이다.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명은 본 발명의 실시예들을 설명함에 있어 실제로 필요한 경우 외에는 생략될 것이다.　　그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다.　　그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도면에 표시되고 아래에 설명되는 기능 블록들은 가능한 구현의 예들일 뿐이다. 다른 구현들에서는 상세한 설명의 사상 및 범위를 벗어나지 않는 범위에서 다른 기능 블록들이 사용될 수 있다. 또한 본 발명의 하나 이상의 기능 블록이 개별 블록들로 표시되지만, 본 발명의 기능 블록들 중 하나 이상은 동일 기능을 실행하는 다양한 하드웨어 및 소프트웨어 구성들의 조합일 수 있다.
또한 어떤 구성 요소들을 포함한다는 표현은 개방형의 표현으로서 해당 구성 요소들이 존재하는 것을 단순히 지칭할 뿐이며, 추가적인 구성 요소들을 배제하는 것으로 이해되어서는 안 된다.
나아가 어떤 구성 요소가 다른 구성 요소에 연결되어 있다거나 접속되어 있다고 언급될 때에는, 그 다른 구성 요소에 직접적으로 연결 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다고 이해되어야 한다.
또한 '제1, 제2' 등과 같은 표현은 복수의 구성들을 구분하기 위한 용도로만 사용된 표현으로써, 구성들 사이의 순서나 기타 특징들을 한정하지 않는다.
이하에서는 도면들을 참조하여 본 발명의 실시예들에 대해 설명하도록 한다.
본 발명은 알츠하이머병의 진행과 임상진단 평가 점수를 예측 가능한 방법에 관한 것이다. 구체적으로, 자기공명영상(Magnetic Resonance Image: MRI)과 임상적 진단 검사(인지기능검사, 치매평가척도 등)를 기반으로 한 딥러닝 기술을 통해 알츠하이머병의 진행 단계를 진단 또는 예측하는 시스템 및 방법에 관한 것이다.
본 발명과 관련된 선행문헌으로는 한국 등록특허공보 제10-1929127호, 한국 등록특허공보 제10-1900200호, US 9,922,272 B2가 있을 수 있다. 본 발명은 이러한 선행문헌들과 각각 차이를 가진다. 예를 들어, 의료영상을 이용한 임상 상태 진단을 위한 종래의 기술로써, 한국 등록특허공보 제10-1929127호(발명의 명칭: 의료영상에 기반하여 상태를 진단하는 장치 및 방법)와 한국 등록특허공보 제10-1900200호(발명의 명칭: 딥러닝 기반 결핵 검사 방법)는 딥러닝을 이용하여 의료 영상을 분석하여 임상 상태를 진단하였지만, 미세한 구조에 대한 특징 추출이 필요한 알츠하이머병 진단을 위한 방법은 아니다. US 9,922,272 B2(발명의 명칭: Deep Similarity Learning for Multimodal Medical Images)는 딥러닝 기반 뇌 영상 분석 뇌 질환 진단 시스템을 제시하였지만, 임상 상태 혹은, 과거 뇌 영상의 변화 정도를 함께 고려한 방법은 아니다.
본 발명은 딥러닝 모델 중 하나인 순환 신경망(Recurrent Neural Network: RNN)을 이용하여, 과거 뇌 영상 데이터, 임상적 진단 평가 점수를 효과적으로 고려하고, 임상적 진단 평가 점수의 회귀 분석을 통해 알츠하이머병의 진행 정도를 정량화된 수치로 제시하며 진단하는 방법을 제공할 수 있다. 다만, 인공신경망은 RNN에 한정하는 것이 아닌, CNN(Convolution Neural Network), DNN(Deep Neural Network) 등 다른 인공신경망 회로에 의해서도 구현 가능하다.
본 발명은, 해부학적 평균 피질 두께 및 볼륨 정보에 대해 딥 러닝을 활용하여 알츠하이머병 진행 단계를 예측할 뿐만 아니라 MMSE, ADAS-Cog와 같은 임상적 진단 평가 점수를 예측하여, 임상의에게 보다 많은 정보를 제공함으로써, 신뢰성 있게 진단할 수 있는 시스템 및 방법을 제공할 수 있다.
또한, 본 발명은, 단일 시점의 측정 데이터만을 사용한 진단보다 더 신뢰성 있는 진단을 위해 환자 개인별로 보유한 과거의 데이터를 모두 활용할 수 있다.
또한, 본 발명은, 과거 뇌영상 데이터를 이용하여 알츠하이머병을 보다 신뢰성 있게 진단하고, 진단에 대한 분석과 그 근거에 유의한 정보를 제공할 수 있다.
또한, 본 발명은, 임상의의 의사결정에 도움이 될 수 있는 진단 방법으로 자기공명영상 외에도 임상적 진단 평가 점수를 통해 알츠하이머 병의 진행 확률 및 임상적 진단 평가 점수 예측치를 종합하여 신뢰 가능한 진단 및 예후 예측 방법을 제공할 수 있다.
본 발명은 알츠하이머병의 조기 진단을 위하여, 시간에 따라 측정된 다시점의 뇌 영상들과 임상적 진단 평가 점수를 함께 고려한다. 구체적으로, 딥러닝 방법을 적용하기 위하여 다시점 뇌 영상들을 해부학적 영역으로 분리하고, 시간에 따른 뇌의 상태 변화와 임상적 진단 평가 점수 변화를 예측하여 보다 정밀하고 신뢰성 있는 진단을 제공한다.
도 1은 본 발명을 개념적으로 설명하기 위한 도면으로, 보다 구체적으로, 본 발명의 전체 흐름을 도식화한 것이다. 본 발명은 다양한 변환을 기할 수 있고, 여러 가지 실시예를 가질 수 있다. 따라서 도면을 통해 특정 실시예를 예시하고 상세 설명하고자 하며 이하에서 구술한 바에 한정되는 것이 아니라 다양한 형태로 구현 될 수 있음은 물론이다.
도 1을 참조하면, 동일 대상체에 대하여 소정 주기로, 예를 들어 1년 전, 2년 전, 3년 전에 획득된 뇌 영상을 이용하여 데이터 전처리를 수행할 수 있다. 데이터 전처리는 뇌 영상의 정합 및 정규화를 수행하는 것일 수 있으며, 예를 들어, 임상적 진단 평가 점수에 기초하여 해부학적 영역 정보를 획득하는 것일 수 있다.
해부학적 영역 정보가 획득되면, 이러한 데이터를 순환 신경망, 즉 RNN(Recurrent Neural Network)에 입력하여 뇌 질환의 진행 단계에 따른 진단 및 임상적 평가 점수의 예측을 수행할 수 있다.
뇌 질환의 진행 단계는 정상, 경도인지장애, 알츠하이머병을 포함할 수 있고, 각 단계를 도출하기 위한 RNN은 개별적으로 구현될 수 있다. 이 때, 임상적 진단 평가 점수는 RNN의 동작에 있어 회귀 분석을 위한 정보로 제공될 수 있다. 경우에 따라 RNN은 도시된 바와 달리 통합적으로 구현될 수 있음은 물론이다.
도 2는 본 발명의 뇌 질환 진단 장치의 구성을 예시적으로 나타낸다. 도 2를 참조하면, 본 발명의 뇌 질환 진단 장치는 다양한 모양의 MRI를 획일화된 구조로 변환하고 정규화하기 위한 전처리부, MRI 데이터로부터 특징 검출기를 통해 분류에 유의한 특징을 추출하는 학습부, 추출된 특징으로부터 최종적으로, 뇌 질환 임상 상태를 진단하는 진단 및 예측부를 포함할 수 있다.
전처리부는 단계적으로 영상 처리를 수행할 수 있다. 전처리부는, 다양한 모양의 MRI를 획일화된 구조로 변환하고 정규화할 수 있다.
전처리부는 정합 과정 및 뇌 조직 분할 과정을 통해 뇌의 볼륨정보 획득을 위한 영상 처리를 수행할 수 있다. 전처리부는 뇌의 볼륨정보로부터 해부학적 영역을 분할하여 관심영역별로 뇌의 전체볼륨으로 정규화된 복셀값을 갖는 작업을 거친 후 임의의 표본 집합을 얻는 과정을 갖는 표본 추출할 수 있다.
전처리부는 입력된 영상의 대칭을 맞춘 후, 분석에 필요하지 않은 뇌 영역을 제거한다. 얻어낸 뇌 영상의 오차를 보완하고자 편이 보정 작업 후, 뇌의 조직 분리 작업을 거친다. 모든 뇌 조직을 같은 템플릿 공간으로 변환시킨 후 정합 과정을 거쳐 뇌의 밀도 지도를 얻는다. 얻어낸 뇌 밀도 지도를 해부학적 영역별 진단을 위해 관심영역으로 나눈 후, 데이터 값들의 분포를 맞추기 위하여 정규화한다.
예를 들어, 전처리부는 자기공명영상이 입력되면 뇌 위치를 정렬하고, 두개골 및 소뇌를 제거한 뒤, 뇌 조직을 분리하고, 정합하여 뇌의 볼륨정보를 갖는 관심영역을 분리한다. 전처리부는 관심영역별 분리된 뇌의 볼륨정보를 뇌의 전체볼륨으로 정규화한 값으로부터, 임의 표본 추출기법을 이용하여 부피 정보를 추출하여 표본을 추출한다.
학습부는 딥러닝 알고리즘을 이용하여 뇌 영상의 특징을 추출할 수 있다. 학습부는 전처리부에서 추출된 부피정보를 사용하여, 딥러닝 방법을 통해 진단 및 예측에 용이한 특징을 뇌에 대한 MRI 데이터로부터 추출할 수 있다. 딥러닝 알고리즘은 RNN를 포함할 수 있다. 딥러닝 알고리즘은 알츠하이머병에 대한 MRI 데이터를 이용하여 미리 학습된 것일 수 있다.
학습부는 표본 추출 부분에서 얻은 임의의 표본에 딥러닝 알고리즘을 이용하여 딥러닝을 적용한다. 학습부는 표본 추출 부분에서 얻은 각 시간별로 획득한 임의의 표본을 통해 잠재 특징을 나타낸다. 학습부는 얻은 잠재 특징을 기반으로 각 시간별로 결과 예측을 위한 정보를 추출한다.
학습부는 동일 대상체에 대한 전처리된 뇌 영상을 입력받아 잠재 특징을 추출하는 인코딩 모듈, 추출된 잠재 특징을 입력받아, 사용자의 뇌 질환의 여부에 대한 진단, 뇌 질환의 진행 경과, 현재까지 뇌 질환의 진행 속도, 및 뇌 질환의 추후 진행 속도, 임상적 진단 평가 점수 중 적어도 하나의 예측을 위한 특징을 추출하는 디코딩 모듈로 이루어질 수 있다.
여기서, 임상적 진단 평가 점수는 대상체에 대한 설문 조사에 의해 획득될 수 있으며, 뇌 질환(예: 알츠하이머병)의 진행 정도를 정량화된 수치로 나타날 수 있다. 설문은 예를 들면 뇌 영상의 대상체의 생활 관련 설문이나 건강관련 설문 등을 포함할 수 있으나, 이에 제한되는 것은 아니다.
학습부는 상술한 특징을 추출하기 위해 기학습된 것일 수 있다. 학습부의 학습은 동일 대상체의 소정 주기의 뇌 영상 및 각각의 뇌 영상의 획득 당시 동일 대상체로부터 획득한 임상적 진단 평가 점수를 이용하여 수행될 수 있다. 예를 들어, 1년 전에 획득된 뇌 영상과 해당 영상 획득 시점에 획득된 임상적 진단 평가 점수를 포함하는 제1 입력 세트, 2년 전에 획득된 뇌 영상과 해당 영상 획득 시점에 획득된 임상적 진단 평가 점수를 포함하는 제2 입력 세트, 3년 전에 획득된 뇌 영상과 해당 영상 획득 시점에 획득된 임상적 진단 평가 점수를 포함하는 제3 입력 세트를 이용하여 학습부의 학습이 수행될 수 있다.
경우에 따라, 학습부의 신뢰성 또는 정확도의 향상을 위해, 제1 입력 세트, 제2 입력 세트, 제3 입력 세트 각각이 시계열적인 데이터임에 기초하여, 시계열적 관계의 판별을 위해 제3 입력 세트에 의해 얻어진 값이 제2 입력 세트로서 제2 입력 세트가 입력되는 노드(node)에 재입력될 수 있고, 제2 입력 세트에 의해 얻어진 값이 제1 입력 세트로서 제1 입력 세트가 입력되는 노드에 재입력되어 학습이 수행될 수 있다.
상술한 동일 대상체로부터 획득된 복수의 정보가 각각 입력되면 학습이 1회 수행될 수 있고, 추후의 학습은 다른 대상체로부터 동일한 주기 및 방식으로 획득된 뇌 영상 및 각각의 뇌 영상의 획득 당시 함께 획득한 임상적 진단 평가 점수를 이용하여 수행될 수 있다. 이러한 학습의 반복됨으로써, 학습부는 보다 정확하게 특징을 추출하도록 학습될 수 있다.
한편, 경우에 따라, 임상적 진단 평가 점수가 누락된 입력 세트가 존재할 수도 있는 데, 이러한 경우 소정 횟수 이상 학습이 수행된 학습부에 뇌 영상만이 입력될 수 있다. 뇌 영상만이 입력되는 경우, 학습부는 뇌 영상과 임상적 진단 평가 점수와의 관계를 나타내는 특징을 추출할 수 있다. 후술하겠으나, 이러한 경우, 진단 및 예측부는 뇌 영상과 임상적 진단 평가 점수와의 관계를 나타내는 특징에 기초하여 임상적 진단 평가 점수를 예측할 수 있다. 그 후 학습부에는 예측된 임상적 진단 평가 점수와 뇌 영상이 입력될 수 있다.
상술한 바와 같이 학습이 기수행되어 특징을 추출하도록 학습된 학습부는, 환자(대상체)에 대한 소정 주기를 가지어 획득된 후 각각이 전처리된 뇌 영상을 입력받을 수 있다. 예를 들어, 학습부는 A라는 대상체로부터 1년 전 획득한 뇌영상, 2년 전 획득한 뇌영상, 및 3년 전 획득한 뇌영상을 입력받을 수 있다. 이러한 경우, 학습부는 딥러닝 모델의 최종 뇌질환 조기 진단 및, 임상 점수 예측을 위한 특징, 구체적으로, 사용자의 뇌 질환의 여부에 대한 진단, 뇌 질환의 진행 경과, 현재까지 뇌 질환의 진행 속도, 및 뇌 질환의 추후 진행 속도, 임상적 진단 평가 점수 중 적어도 하나의 예측을 위한 특징을 추출할 수 있다.
경우에 따라, 학습부에는 환자의 현재 시점의 뇌 영상과 임상적 진단 평가 점수만 입력될 수 있다. 학습부는 입력된 뇌 영상과 임상적 진단 평가 점수에 기초하여 환자의 뇌 질환의 여부에 대한 진단, 뇌 질환의 진행 경과, 현재까지 뇌 질환의 진행 속도, 및 뇌 질환의 추후 진행 속도, 임상적 진단 평가 점수 중 적어도 하나의 예측을 위한 특징을 추출할 수 있다.
구체적으로 예를 들면, 만약 현재 시점의 뇌 영상과 임상적 진단 평가 점수만 입력되면 학습부는 1년 후 또는 2년 후의 뇌 영상을 예측을 위한 특징을 추출할 수 있고, 이러한 경우, 진단 및 예측부는 1년 후 또는 2년 후의 뇌 영상을 예측하고, 예측된 뇌 영상이 다시 학습부에 입력되도록 하여 최종적으로 환자의 뇌 질환의 여부에 대한 진단, 뇌 질환의 진행 경과, 현재까지 뇌 질환의 진행 속도, 및 뇌 질환의 추후 진행 속도, 임상적 진단 평가 점수 중 적어도 하나의 예측이 수행되도록 할 수 있다.
진단 및 예측부는 학습부에 의해 추출된 특징을 이용하여, 환자의 뇌 질환 가능성을 조기 진단하고 임상 점수를 예측하여 임상의의 의사결정 과정을 보조한다. 진단 및 예측부는 추출된 특징으로부터 각 시간 별 질병의 진행 단계 및 임상적 진단 평가 점수를 예측한다. 진단 및 예측부는 디코딩 모듈을 통해 최종적으로 추출된 특징을 이용하여 사용자의 뇌 질환의 여부에 대한 진단, 뇌 질환의 진행 경과, 현재까지 뇌 질환의 진행 속도, 및 뇌 질환의 추후 진행 속도, 임상적 진단 평가 점수 중 적어도 하나의 예측을 수행한다.
진단 및 예측부는 학습부에 의해 추출된 특징으로부터 얻은 각 시간별 특징으로부터 뇌 질환의 진행 단계 및 임상적 진단 평가 점수를 동시에 예측하거나 순서에 무관하게 예측할 수 있다. 진단 및 예측부는 각 시간별 특징으로부터 질병의 진행 단계 및 임상적 진단 평가 점수를 동시에 예측하기 위해 최종적으로 진단 및 예측부를 통한 진단 방법이 이루어지며, 클래스 간 구별하는 방법과 임상적 진단 평가 점수에 적합한 예측 모형을 구성하기 위해 딥러닝이 적용될 수 있다.
상술한 바와 같이, 만약 학습부에 의해 임상적 진단 평가 점수가 입력되지 않으면, 진단 및 예측부는 학습부에 의해 뇌 영상에 기초하여 추출된 특징을 가지고 임상적 진단 평가 점수를 예측할 수 있다. 이러한 경우, 진단 및 예측부는 각 시간별 진행 단계 확률과 예측한 임상적 진단 평가 점수를 통합하여 뇌 질환을 진단할 수 있다.
도 3은 전처리부의 동작의 각 단계의 흐름을 예시적으로 나타낸다.
도 4는 학습부는 학습부의 구성을 예시적으로 나타낸다. 도 4에 따르면, 학습부는 뇌 영상 인코딩 딥러닝 모듈과 디코딩 딥러닝 모듈로 구성될 수 있다. 뇌 영상 인코딩 딥러닝 모듈은 전처리된 뇌 영상을 입력받아 잠재 특징을 추출할 수 있다. 디코딩 딥러닝 모듈은 추출된 잠재 특징을 입력받아, 뇌 질환 진단 및 임상 진단 평가 점수 예측을 위한 특징을 추출할 수 있다.
도 5는 뇌 영상 인코딩 딥러닝 모듈의 실시예를 나타낸다. 도 5에 따르면, 과거동안 획득된 전처리된 뇌 영상과 현재의 전처리된 뇌 영상을 뇌 영상 인코딩 딥러닝 모듈에 삽입하여, 딥러닝을 적용함으로써 뇌영상 잠재 특성이 추출될 수 있다.
도 6은 디코딩 딥러닝 모듈의 실시예를 나타낸다. 도 6에 따르면, 뇌 영상 인코딩 딥러닝 모듈에 의해 획득된 뇌 영상 잠재 특성을 디코딩 딥러닝 모듈에 삽입하여, 임상 진단 평가 점수 예측을 위한 특징과 뇌 질환 진단을 위한 특징을 추출할 수 있다.
도 7은 진단 및 예측부의 실시예를 나타낸다. 도 7에 따르면, 진단 및 예측부는 학습부로부터 추출된 특징을 입력받아 뇌 질환 진단 및 임상진단 평가 점수 예측을 수행할 수 있다.
상술한 본 발명의 실시예들은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.
하드웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 하나 또는 그 이상의 응용 주문형 집적회로(ASICs, Application Specific Integrated Circuits), 디지털 신호 처리기(DSPs, Digital Signal Processors), 디지털 신호 처리 소자(DSPDs, Digital Signal Processing Devices), 프로그램가능 논리 소자(PLDs, Programmable Logic Devices), 필드 프로그램가능 게이트 어레이(FPGAs, Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.
펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드 등이 기록된 컴퓨터 프로그램은 컴퓨터 판독 가능 기록 매체 또는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 메모리 유닛은 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 프로세서와 데이터를 주고 받을 수 있다.
또한 본 발명은 복수의 블록을 포함하는 블록도 또는 복수의 단계를 포함하는 흐름도로 표현될 수 있으며 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방법으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
더불어 각 블록 또는 각 단계는 특정된 논리적 기능을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또한 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
이와 같이, 본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (1)

  1. 정합 과정 및 뇌 조직 분할 과정을 통해 뇌의 볼륨정보 획득을 위한 영상 처리부와,
    뇌의 볼륨정보로부터 해부학적 영역을 분할하여 관심영역별로 뇌의 전체볼륨으로 정규화된 복셀값을 갖는 작업을 거친 후 임의의 표본 집합을 얻는 과정을 갖는 표본 추출하는 표본 추출부를 포함하는
    뇌 질환 진행 예측 장치.
PCT/KR2019/002617 2019-03-06 2019-03-06 딥러닝 기반 뇌 질환 진행 예측 방법 및 장치 WO2020179950A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/KR2019/002617 WO2020179950A1 (ko) 2019-03-06 2019-03-06 딥러닝 기반 뇌 질환 진행 예측 방법 및 장치
KR1020217022211A KR102605720B1 (ko) 2019-03-06 2020-03-05 뇌 질환 예측 장치 및 방법, 뇌 질환을 예측하기 위한 학습 장치
PCT/KR2020/003131 WO2020180135A1 (ko) 2019-03-06 2020-03-05 뇌 질환 예측 장치 및 방법, 뇌 질환을 예측하기 위한 학습 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2019/002617 WO2020179950A1 (ko) 2019-03-06 2019-03-06 딥러닝 기반 뇌 질환 진행 예측 방법 및 장치

Publications (1)

Publication Number Publication Date
WO2020179950A1 true WO2020179950A1 (ko) 2020-09-10

Family

ID=72337451

Family Applications (2)

Application Number Title Priority Date Filing Date
PCT/KR2019/002617 WO2020179950A1 (ko) 2019-03-06 2019-03-06 딥러닝 기반 뇌 질환 진행 예측 방법 및 장치
PCT/KR2020/003131 WO2020180135A1 (ko) 2019-03-06 2020-03-05 뇌 질환 예측 장치 및 방법, 뇌 질환을 예측하기 위한 학습 장치

Family Applications After (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/003131 WO2020180135A1 (ko) 2019-03-06 2020-03-05 뇌 질환 예측 장치 및 방법, 뇌 질환을 예측하기 위한 학습 장치

Country Status (2)

Country Link
KR (1) KR102605720B1 (ko)
WO (2) WO2020179950A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102711137B1 (ko) * 2021-08-12 2024-09-26 연세대학교 산학협력단 딥러닝 모델의 동적 뇌 연결성 추출을 통한 4D fMRI 자폐증 예측 및 조기 진단 방법 및 장치
KR102383058B1 (ko) * 2021-10-22 2022-04-08 주식회사 뉴로젠 시공간 기억 검사와 뇌 영상 정보를 활용한 인지 장애 예측 장치 및 방법
KR20230145724A (ko) * 2022-04-11 2023-10-18 고려대학교 산학협력단 자기공명 영상의 딥러닝 판독 기술에 기반한 다양한 퇴행성 뇌질환 감별진단 방법 및 장치
KR20240000692A (ko) * 2022-06-23 2024-01-03 고려대학교 산학협력단 멀티모달 뇌 영상 기반 뇌질환 바이오마커 추출 방법론 및 파이프라인

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101754291B1 (ko) * 2017-04-04 2017-07-06 이현섭 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법
KR101796055B1 (ko) * 2016-06-02 2017-11-10 고려대학교 산학협력단 다중 뇌 연결망 구축을 통한 뇌 상태 모니터링 방법 및 장치
KR20180002229A (ko) * 2016-06-29 2018-01-08 원시스템주식회사 치매 정보 데이터베이스 구축을 위한 에이전트 장치 및 그 운영방법
KR101854071B1 (ko) * 2017-01-13 2018-05-03 고려대학교 산학협력단 딥러닝을 사용하여 관심 부위 이미지를 생성하는 방법 및 장치
KR101881731B1 (ko) * 2018-02-27 2018-07-25 한국과학기술정보연구원 기계 학습을 통한 치매 예측용 데이터 처리 장치 및 그 방법, 이를 수록한 기록 매체

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6036009B2 (ja) * 2012-08-28 2016-11-30 大日本印刷株式会社 医用画像処理装置、およびプログラム
KR102558021B1 (ko) * 2016-06-10 2023-07-24 한국전자통신연구원 임상 의사결정 지원 앙상블 시스템 및 이를 이용한 임상 의사결정 지원 방법
KR101880678B1 (ko) * 2016-10-12 2018-07-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
KR101923654B1 (ko) * 2016-11-24 2018-11-29 주식회사 셀바스에이아이 질환 발병 확률 예측 모델 학습 방법 및 장치
US20180310870A1 (en) * 2017-05-01 2018-11-01 The Charles Stark Draper Laboratory, Inc. Deep learning architecture for cognitive examination subscore trajectory prediction in alzheimer's disease
KR102125127B1 (ko) 2018-03-05 2020-06-19 고려대학교 산학협력단 딥러닝 기반 뇌 질환 진단 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101796055B1 (ko) * 2016-06-02 2017-11-10 고려대학교 산학협력단 다중 뇌 연결망 구축을 통한 뇌 상태 모니터링 방법 및 장치
KR20180002229A (ko) * 2016-06-29 2018-01-08 원시스템주식회사 치매 정보 데이터베이스 구축을 위한 에이전트 장치 및 그 운영방법
KR101854071B1 (ko) * 2017-01-13 2018-05-03 고려대학교 산학협력단 딥러닝을 사용하여 관심 부위 이미지를 생성하는 방법 및 장치
KR101754291B1 (ko) * 2017-04-04 2017-07-06 이현섭 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법
KR101881731B1 (ko) * 2018-02-27 2018-07-25 한국과학기술정보연구원 기계 학습을 통한 치매 예측용 데이터 처리 장치 및 그 방법, 이를 수록한 기록 매체

Also Published As

Publication number Publication date
WO2020180135A1 (ko) 2020-09-10
KR102605720B1 (ko) 2023-11-24
KR20210096292A (ko) 2021-08-04

Similar Documents

Publication Publication Date Title
WO2020179950A1 (ko) 딥러닝 기반 뇌 질환 진행 예측 방법 및 장치
WO2018074739A1 (ko) 뇌졸중 진단 및 예후 예측 방법 및 시스템
WO2023077603A1 (zh) 一种异常脑连接预测系统、方法、装置及可读存储介质
Kamil A deep learning framework to detect Covid-19 disease via chest X-ray and CT scan images.
CN113077448B (zh) 利用神经黑色素影像提供帕金森病信息的装置及系统
Fung et al. Alzheimer's disease brain mri classification: Challenges and insights
WO2018155765A1 (ko) 컴퓨터 단층촬영 영상에서 플라크를 분석하기 위한 방법 및 장치
WO2019098415A1 (ko) 자궁경부암에 대한 피검체의 발병 여부를 판정하는 방법 및 이를 이용한 장치
WO2023095989A1 (ko) 뇌질환 진단을 위한 다중 모달리티 의료 영상 분석 방법 및 장치
CN110246109A (zh) 融合ct影像和个性化信息的分析系统、方法、装置及介质
WO2019074172A1 (ko) Pet 뇌 영상 아밀로이드 측정을 위한 부피 기반 정량지표 분석 방법 및 컴퓨터 프로그램
WO2019172181A1 (ja) 診断支援装置、プログラム、学習済みモデル、および学習装置
WO2020197233A2 (ko) 다중시기 측부혈류 영상을 생성하기 위한 학습 방법 및 기계 학습을 이용한 다중시기 측부혈류 영상 생성 방법
WO2023017889A1 (ko) 3d-cnn 기반의 딥러닝 모델을 이용한 급성 허혈성 뇌졸중 진단 장치 및 방법
WO2024049208A1 (ko) 복부 내 공기 분포를 측정하는 장치 및 방법
Bhan et al. Diagnosing Parkinson’s disease in early stages using image enhancement, Roi extraction and deep learning algorithms
Hussein et al. Myositis Detection From Muscle Ultrasound Images Using a Proposed YOLO-CSE Model
WO2020246676A1 (ko) 자궁경부암 자동 진단 시스템
KR102708335B1 (ko) 치매 진단을 위한 의료 영상 회귀분석 장치 및 방법
Aravinda et al. A demystifying convolutional neural networks using Grad-CAM for prediction of coronavirus disease (COVID-19) on X-ray images
Cui et al. A Multiscale Hybrid Attention Networks Based on Multiview Images for the Diagnosis of Parkinson’s Disease
CN108280832A (zh) 医学图像分析方法、医学图像分析系统以及存储介质
Rai et al. Parkinson’s disease detection using a novel weighted ensemble of CNN models
WO2023121005A1 (ko) 인공 신경망에 기반하여 분류 정보를 출력하는 방법 및 이를 위한 장치
WO2023121003A1 (ko) 인공 신경망을 이용한 이미지 데이터에 대한 분류 방법 및 이를 위한 장치

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: 19918324

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: 19918324

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 19918324

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205 DATED 27.10.2021)

122 Ep: pct application non-entry in european phase

Ref document number: 19918324

Country of ref document: EP

Kind code of ref document: A1