WO2021034138A1 - 치매 평가 방법 및 이를 이용한 장치 - Google Patents

치매 평가 방법 및 이를 이용한 장치 Download PDF

Info

Publication number
WO2021034138A1
WO2021034138A1 PCT/KR2020/011150 KR2020011150W WO2021034138A1 WO 2021034138 A1 WO2021034138 A1 WO 2021034138A1 KR 2020011150 W KR2020011150 W KR 2020011150W WO 2021034138 A1 WO2021034138 A1 WO 2021034138A1
Authority
WO
WIPO (PCT)
Prior art keywords
map
brain image
dementia
attention
generating
Prior art date
Application number
PCT/KR2020/011150
Other languages
English (en)
French (fr)
Inventor
박세진
정원모
김원진
김기웅
배종빈
이수빈
Original Assignee
주식회사 뷰노
서울대학교병원
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 뷰노, 서울대학교병원 filed Critical 주식회사 뷰노
Publication of WO2021034138A1 publication Critical patent/WO2021034138A1/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
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • 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
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]

Definitions

  • the present invention relates to a method for evaluating dementia and an apparatus using the same.
  • amyloid PET test is a method to confirm the presence of amyloid protein deposited in the brain by binding a substance that binds well to amyloid protein with a radioisotope and injecting it to a patient.
  • the amyloid PET test can provide a relatively accurate diagnosis result in evaluating dementia, but has a problem with high test cost.
  • Patent Document KR 10-2018-0138328 As a prior art document, there is Patent Document KR 10-2018-0138328.
  • An object of the present invention is to provide a means for evaluating dementia based on brain images and neuropsychological test results.
  • based on the brain image by applying attention to the brain image through a feature map generated based on the neuropsychological test result, and inputting the brain image to which the attention is applied to a pre-learned classifier. It aims to evaluate dementia.
  • the characteristic configuration of the present invention for achieving the object of the present invention as described above and realizing the characteristic effects of the present invention described later is as follows.
  • a dementia evaluation method for evaluating dementia based on a result of a brain image and a neuropsychological test performed by a computing device is based on the neuropsychological test result.
  • Generating at least one first map for applying a first attention Generating at least one second map for the brain image in the same number as the number of the first maps;
  • the first attention to the brain image by mapping the at least one first map and the at least one second map on a one-to-one basis, and generating third maps for each of the mapped first and second maps Applying; Applying a second attention to the brain image based on the at least one third map and the at least one second map;
  • a computer program stored on a machine-readable non-transitory recording medium, comprising instructions embodied to perform a method for evaluating dementia according to the present invention.
  • a computing device for evaluating dementia based on a brain image and a neuropsychological test result includes: a communication unit receiving the brain image and the neuropsychological test result; And a processor for evaluating dementia on the brain image based on the brain image and the neuropsychological test result, wherein the processor is based on the neuropsychological test result, and the first attention to the brain image )
  • To apply generate at least one second map for the brain image of the same number as the number of the first maps, and generate the at least one first map
  • the mapped first and second maps are mapped to at least one second map in a one-to-one manner, and based on a multiplication operation of pixel values between corresponding pixels between the mapped first and second maps
  • Applying the first attention to the brain image by generating a third map for, and applying a second attention to the brain image based on the at least one third map and the at least one second map, , Dementia evaluation on the brain image may be performed based on the brain image to which the second attention
  • Alzheimer's dementia can be evaluated by using not only brain images but also neuropsychological test results.
  • This method is a simpler method than the method in which artificial neural networks must be individually learned for brain images and neuropsychological test results corresponding to different modalities, so both brain images and neuropsychological test results can be considered.
  • the method of the present application has the effect of performing dementia evaluation at a lower cost compared to the method using amyloid PET.
  • FIG. 1 is a diagram schematically illustrating a method for evaluating dementia according to the present invention.
  • FIG. 2 is a conceptual diagram schematically showing an exemplary configuration of a computing device that performs a method for evaluating dementia according to the present invention.
  • FIG. 3 is an exemplary block diagram showing a hardware or software component of a computing device that performs a method for evaluating dementia according to the present invention.
  • FIG. 4 is a view showing a flow chart for explaining the dementia evaluation method according to the present invention.
  • image refers to multidimensional data composed of discrete image elements (eg, pixels in a 2D image and voxels in a 3D image).
  • image is collected by (cone-beam) computed tomography, magnetic resonance imaging (MRI), ultrasound, or any other medical imaging system known in the art. It may be a medical image of the subject, that is, a subject. In addition, images may be provided in a non-medical context, such as a remote sensing system, an electron microscopy, and the like.
  • a'brain image' refers to an image visible to the eye (e.g., displayed on a video screen) or an image (e.g., a file corresponding to a pixel output such as a CT, MRI detector). It is a term referring to the digital representation of Those of ordinary skill in the art are aware that the image formats used in various embodiments of the present invention include X-ray images, MRI, CT, positron emission tomography (PET), PET-CT, SPECT, SPECT-CT, MR-PET, 3D ultrasound images, etc. It will be appreciated that including but not limited to the types listed by way of example.
  • the'DICOM Digital Imaging and Communications in Medicine; Medical Digital Imaging and Communication
  • ACR American Radiological Society
  • NEMA American Electrical Industry Association
  • PES picture archiving and communication system
  • DICOM DICOM standard
  • X-ray, CT Medical image images acquired using digital medical imaging equipment such as MRI are stored in DICOM format and can be transmitted to terminals inside and outside the hospital through a network, and reading results and medical records can be added to this.
  • 'learning' or'learning' is a term that refers to performing machine learning through computing according to a procedure. It will be appreciated by those of skill in the art that it is not intended to be referred to.
  • FIG. 1 is a diagram schematically illustrating a method for evaluating dementia according to the present invention.
  • a first attention 110 and a second attention 120 may be applied to a brain image 101 input to a computing device that performs a dementia evaluation method to emphasize information related to dementia evaluation.
  • attention may mean an operation performed to highlight main information by emphasizing some of the input information.
  • the computing device uses the first map 112 generated based on the neuropsychological test result 111 performed by the user corresponding to the brain image 101 and the brain image 101 through the convolution module 113.
  • the third map 116 By generating the third map 116 through a channelwise product 115 of the generated second map 114, the first attention 110 to the brain image 101 can be applied. .
  • the computing device generates the fourth map 122 in the form of a single map by performing the sum operation 121 in pixel units of all the generated third maps 116, and generates the fourth map 122 and the second map 114 )
  • the second attention 120 may be applied.
  • each pixel of the generated fourth map 122 is based on a result of summing the pixel values of the corresponding pixels of the 12 third maps 116.
  • the computing device generates the same fourth map 122 as many as the number of second maps 114, and performs a multiplication operation for each channel between the generated fourth maps 122 and the second map 114, 5 Map 124 can be created.
  • a specific method of performing the first attention 110 and the second attention 120 will be described in more detail through the accompanying drawings.
  • the computing device may perform dementia evaluation based on the brain image 101 by inputting the fifth map 124 to the dementia evaluation module 130.
  • the brain image 101 in which predetermined information is emphasized may be evaluated for dementia through the dementia evaluation module 130.
  • the dementia evaluation module 130 may include a pre-learned classifier based on the training data.
  • the pre-learned classifier may be an artificial neural network that has been pre-trained to evaluate whether or not dementia is demented through learning data generated based on brain images to which the first attention 110 and the second attention 120 are applied.
  • FIG. 2 is a conceptual diagram schematically showing an exemplary configuration of a computing device that performs a method for evaluating dementia according to the present invention.
  • the computing device 200 includes a communication unit 210 and a processor 220, and is directly or indirectly connected to an external computing device (not shown) through the communication unit 210. Can communicate with enemies.
  • the computing device 200 is a device that may include components of typical computer hardware (eg, computer processor, memory, storage, input device and output device, and other conventional computing devices; routers, switches, etc.) Electronic communication devices; electronic information storage systems such as network-attached storage (NAS) and storage area networks (SANs) and computer software (i.e., allowing computing devices to function in a specific way) Instructions) to achieve the desired system performance.
  • typical computer hardware eg, computer processor, memory, storage, input device and output device, and other conventional computing devices; routers, switches, etc.
  • Electronic communication devices e.g, electronic communication devices
  • electronic information storage systems such as network-attached storage (NAS) and storage area networks (SANs)
  • computer software i.e., allowing computing devices to function in a specific way
  • the communication unit 210 of such a computing device can transmit and receive requests and responses to and from other computing devices to which it is linked.
  • requests and responses may be made by the same transmission control protocol (TCP) session.
  • TCP transmission control protocol
  • the present invention is not limited thereto, and may be transmitted/received as, for example, a user datagram protocol (UDP) datagram.
  • the communication unit 210 may include a keyboard, a mouse, other external input devices, printers, displays, and other external output devices for receiving commands or instructions.
  • the processor 220 of the computing device includes a micro processing unit (MPU), a central processing unit (CPU), a graphics processing unit (GPU) or a tensile processing unit (TPU), a cache memory, and a data bus. ), and the like.
  • MPU micro processing unit
  • CPU central processing unit
  • GPU graphics processing unit
  • TPU tensile processing unit
  • cache memory and a data bus.
  • data bus a data bus.
  • it may further include an operating system and a software configuration of an application that performs a specific purpose.
  • FIG. 3 is an exemplary block diagram showing a hardware or software component of a computing device that performs a method for evaluating dementia according to the present invention.
  • the computing device 200 may include an image acquisition module 311 as its component.
  • the image acquisition module 311 is configured to acquire a brain image to which the method according to the present invention is applied.
  • the individual modules shown in FIG. 3 are, for example, a communication unit 210 or a processor included in the computing device 200. It will be understood by those of ordinary skill in the art that it may be implemented by interlocking 220 or the communication unit 210 and the processor 220.
  • the brain image may be obtained from an external image storage system such as an imaging device or a medical image storage and transmission system (PACS) linked through the communication unit 210, but is not limited thereto.
  • the brain image may be photographed through a (medical) imaging device, transmitted to PACS according to the DICOM standard, and then acquired by the image acquisition module 311 of the computing device 200.
  • PACS medical image storage and transmission system
  • the computing device 200 may include a neuropsychological test result acquisition module 312.
  • the neuropsychological test result acquisition module 312 is configured to obtain a neuropsychological test result to which the method according to the present invention is applied, and the communication unit 210 or the processor 220 or the communication unit 210 included in the computing device 200 It will be understood by those of ordinary skill in the art that it may be implemented by interlocking) and the processor 220.
  • the computing device 200 may further include an attention application module 320 for applying attention to the input brain image.
  • the attention application module 320 may generate at least one feature map based on a neuropsychological test result and apply attention to the brain image based on a multiplication operation for each channel between the generated feature map and the brain image.
  • the computing device 220 may provide a means for performing dementia evaluation by simultaneously using clinical evaluation data such as an analysis of a brain image and a neuropsychological test through the attention application module 320, through which the brain image Considering the correlation between the neuropsychological test and the dementia evaluation can be performed.
  • the brain image to which the attention has been applied from the attention application module 320 may be transmitted to the dementia evaluation module 330, which is configured to generate dementia evaluation information through a pre-learned classifier.
  • the dementia evaluation model there is a deep learning model, which can be briefly described in the form of stacking artificial neural networks in multiple layers. In other words, it is expressed as a deep neural network (deep neural network) in the sense of a deep-structured network, and automatically learns the features of each image by learning a large amount of data in a structure consisting of a multi-layered network. It is a form of learning the network by minimizing the objective function, that is, the error of the evaluation accuracy of dementia.
  • CNN convolutional neural network
  • a convolutional layer that creates a feature map using a plurality of filters for each region of the image. layer
  • feature maps from low-level features such as points, lines, and planes to complex and meaningful high-level features by repeating the sub-sampling layer that allows you to extract features that are invariant to changes in position or rotation by reducing the size of the map.
  • Various levels of features can be extracted, and if the finally extracted features are used as an input value of an existing evaluation model, there is an advantage in that an evaluation model with higher accuracy can be constructed.
  • dementia evaluation model is not limited to such a CNN, and various types of dementia evaluation models may be used.
  • the generated dementia evaluation information may be stored or provided to an external entity through the user interface module 340 or the like.
  • the user interface module 340 may be through a predetermined display device, etc., and the storage of the dementia evaluation information may be performed by another device linked to the computing device 200, such as a PACS. .
  • FIG. 3 Although the components shown in FIG. 3 are illustrated as being realized in one computing device for convenience of description, it will be understood that a plurality of computing devices 200 performing the method of the present invention may be configured to interlock with each other.
  • FIG. 4 is a view showing a flow chart for explaining the dementia evaluation method according to the present invention.
  • the image acquisition module 311 implemented by the computing device 200 acquires a brain image of a subject or a computing device through the communication unit 210 It includes a step (S101) of supporting other devices linked to 200 to receive input.
  • the neuropsychological test result acquisition module 312 implemented by the computing device 200 acquires the neuropsychological test result of the subject or the computing device ( It may include a step (S102) of supporting other devices linked to 200) to receive input.
  • Neuropsychological test is a test that answers questions that can test the subject's cognitive function and evaluates the subject's cognitive function based on this.Questions to test memory, drawing tests to test spatial perception, etc. It can include a variety of tests.
  • the neuropsychological test may further include a question about a demographic variable of a subject and a question about a family history of dementia.
  • the neuropsychological test may include, but is not limited to, a consortium to establish a registry for alzheimer's disease (CERAD) test.
  • the neuropsychological test may further include items on genetic information and educational background information such as ApoE (Apolipoprotein E), and the items may be used for dementia evaluation.
  • An example of a neuropsychological test may correspond to Table 1.
  • the neuropsychological test may include questions about demographic factors such as age, gender, and race, questions about family history factors such as family history of dementia, family history types, and questions about various cognitive tests. .
  • the computing device generates a first map according to the number of neuropsychological test items (for example, seven), or a first map that is generated in response to each item according to the answer of each item. It is possible to determine the pixel value included in.
  • a specific method of generating the first map based on the neuropsychological test result will be described in more detail with reference to the accompanying drawings.
  • the neuropsychological test contents exemplarily presented in Table 1, the method of determining the number of first maps, and the method of determining the pixel values included in the first map are only exemplary, and an embodiment of the present invention refers to Table 1. It will be understood by those skilled in the art that it is not limited to the examples presented through.
  • the attention application module 320 implemented by the computing device 200 is at least one for applying a first attention to a brain image based on a neuropsychological test result. And generating a first map of (S200).
  • the attention application module 320 may determine information on the number of first maps to be generated later based on an item included in the neuropsychological test. For example, when 10 items are included in the neuropsychological test, the attention application module 320 may generate 10 first maps. In another embodiment, when ten items included in the neuropsychological test are divided into three different categories, the attention application module 320 may generate three first maps. For example, items included in the neuropsychological test may be classified into different categories based on Principal Component Analysis (PCA), and the number of first maps may be determined according to the number of categories.
  • PCA Principal Component Analysis
  • the attention application module 320 may determine information on the number of pixels included in the first map based on the number of pixels included in the brain image. For example, when the brain image includes (100 x 100 x 100) pixels, the attention application module 320 is the number of pixels so that each first map to be generated includes (100 x 100 x 100) pixels. Information can be determined.
  • the attention application module 320 may generate a first map based on the determined number information of the first map and information about the number of pixels.
  • a pixel value of a pixel included in each first map may be determined as a single value for each first map.
  • the determined single value may be determined based on an answer to an item of a neuropsychological test result corresponding to the first map. For example, pixel values of all pixels included in the first map generated corresponding to the second item of the neuropsychological test result may be determined to be the same value based on the answer to the second item of the neuropsychological test.
  • the second question is, for example, "Please tell me the names of as many types of clothes as possible during the time limit of 20 seconds.”
  • the pixel value is 1, and 6-10
  • the pixel value is set to 30, and if the pixel value is more than 10, the pixel value is set to 50, and if the user answers 7 types of clothes during the time limit, the pixel values of all pixels of the first map corresponding to the second question May be determined as 30.
  • the dementia evaluation method may further include the step of generating at least one second map for the input brain image in the same number as the number of the generated first maps (S300) by the attention application module.
  • the attention application module 320 may generate five second maps for brain images using a convolution module.
  • the second map may mean a feature map to which a weight is assigned to the brain image through the convolution module.
  • the attention application module 320 maps a first map to a second map and one-to-one, and generates a third map for each of the mapped first map and the second map. It may include the step (S400) of applying the first attention.
  • the attention application module 320 may apply the first attention to the input brain image by generating third maps based on Equations 1 to 2.
  • Is the neuropsychological test result Is a feature map generated based on the number determined based on the item of the neuropsychological test result, the number of pixels of the input brain image, and the pixel value determined based on the answer to each item, Is the first map, Is The second map generated based on the brain image through the convolution module as many as the number of, Represents the third map, Operation refers to multiplication operation for each channel.
  • the attention application module 320 is a mapped first map And second map The product of the pixel values of the pixels at the same location in the third map By assigning to the corresponding location of the third map Can be created.
  • the mapped first map And the second map The product of the pixel values of each (i,j,k)th pixel is a third map Mapped first map by being assigned to the (i,j,k)th pixel of And second map The third map corresponding to Can be generated.
  • the dementia evaluation method may include applying a second attention to the brain image based on the third map and the second map generated by the attention application module 320 (S500 ).
  • the attention application module 320 may apply the second attention to the brain image based on Equations 3 to 5.
  • Is the fourth map Is an extended fourth map expanded by generating as many as the number of second maps, Represents a fifth map.
  • the attention application module 320 all generated third maps A fourth map that is a single map based on the sum of corresponding pixel values of Can be created.
  • the attention application module 320 is a fourth map of Generated as many as And the second map 1 to 1, and mapped And the second map
  • the fifth map is the product of the pixel values of the pixels at the corresponding locations. Mapped by assigning to the corresponding location in And the second map Corresponding to Can be created. In this way, the attention application module 320 is And the second map for By generating, it is possible to apply the second attention to the brain image.
  • the dementia evaluation method may include performing, by the attention application module 320, a dementia evaluation on the brain image based on the brain image to which the second attention is applied and the dementia evaluation module 330 learned in advance (S600).
  • the dementia evaluation module 330 may include a Classification Module learned in advance based on the brain image to which the first attention and the second attention are applied.
  • the present invention is more simple and quick than the conventional method of injecting a substance conjugated to a radioisotope and monitoring the amyloid protein deposited in the brain across all the above-described examples and modifications. Dementia can be evaluated easily. In addition, it is expected that a greater number of patients with related diseases will benefit from the low cost through the method of the present application. Ultimately, with the aid of AI, it will not only expand the scope of the coverage of medical services, but also improve the workflow in the medical field.
  • the hardware may include a general-purpose computer and/or a dedicated computing device, or a specific computing device or special features or components of a specific computing device.
  • the processes may be realized by one or more microprocessors, microcontrollers, embedded microcontrollers, programmable digital signal processors or other programmable devices, with internal and/or external memory.
  • the processes can be configured to process application specific integrated circuits (ASICs), programmable gate arrays, programmable array logic (PAL) or electronic signals.
  • ASICs application specific integrated circuits
  • PAL programmable array logic
  • the machine-readable recording medium may include program instructions, data files, data structures, etc. alone or in combination.
  • the program instructions recorded on the machine-readable recording medium may be specially designed and configured for the present invention, or may be known and usable to those skilled in the computer software field.
  • Examples of machine-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical recording media such as CD-ROM, DVD, Blu-ray, and magnetic-optical media such as floptical disks.
  • program instructions include a processor, a processor architecture, or a heterogeneous combination of different hardware and software combinations, as well as any one of the aforementioned devices, or storage and compilation or interpreting to be executed on a machine capable of executing any other program instructions.
  • a structured programming language such as C
  • an object-oriented programming language such as C++
  • a high-level or low-level programming language assembly, hardware description languages and database programming languages and technologies
  • machine code This includes not only bytecode but also high-level language code that can be executed by a computer using an interpreter or the like.
  • the method and combinations of methods may be implemented as executable code that performs each step.
  • the method may be implemented as systems that perform the steps, and the methods may be distributed in several ways across devices or all functions may be integrated into one dedicated, standalone device or other hardware.
  • the means for performing the steps associated with the processes described above may include any hardware and/or software described above. All such sequential combinations and combinations are intended to be within the scope of this disclosure.
  • the hardware device may be configured to operate as one or more software modules to perform processing according to the present invention, and vice versa.
  • the hardware device may include a processor such as MPU, CPU, GPU, TPU, which is coupled with a memory such as ROM/RAM for storing program instructions and configured to execute instructions stored in the memory, and may include an external device and a signal It may include a communication unit that can send and receive.
  • the hardware device may include a keyboard, a mouse, and other external input devices for receiving commands written by developers.
  • Such equivalently or equivalently modified ones will include, for example, a logically equivalent method capable of producing the same result as that of carrying out the method according to the present invention. Is not to be limited by the above-described examples, and should be understood in the broadest possible meaning by law.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physiology (AREA)
  • Neurology (AREA)
  • Psychiatry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Mathematical Physics (AREA)
  • Pulmonology (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Optics & Photonics (AREA)
  • Psychology (AREA)
  • Neurosurgery (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

본 발명은 뇌 영상 및 신경 심리검사 결과를 통한 치매 평가 방법 및 이를 이용한 장치에 관한 것이다. 구체적으로, 본 발명에 따른 방법에 의하면, 치매 평가 방법은 신경 심리검사 결과에 기초하여, 상기 뇌 영상에 대한 어텐션을 적용하고, 상기 어텐션이 적용된 뇌 영상 및 미리 학습된 분류기에 기초하여 상기 뇌 영상에 대한 치매 평가를 수행할 수 있다.

Description

치매 평가 방법 및 이를 이용한 장치
본 발명은 치매 평가 방법 및 이를 이용한 장치에 관한 것이다.
현재, 알츠하이머성 치매는 아밀로이드 PET(positron emission tomography) 검사를 통해 평가되고 있다. 아밀로이드 PET 검사는 아밀로이드 단백질에 잘 결합하는 물질과 방사선동위원소를 결합시키고 환자에게 주사를 하여 뇌에 침착된 아밀로이드 단백질의 존재를 확인하는 방법이다.
아밀로이드 PET 검사는 치매 평가에 있어서, 비교적 정확한 진단 결과를 제공할 수 있지만, 검사 비용이 높은 문제점이 있다.
최근 치매 환자가 증가되고 있는 실정에서, 일정 수준 이상의 정확도를 가지면서 저렴한 비용의 평가 방법의 개발이 요구되고 있다.
선행 기술 문헌으로는 특허문헌 KR 10-2018-0138328이 있다.
본 발명은 뇌 영상 및 신경 심리검사 결과에 기초하여 치매를 평가하는 수단을 제공하는 것을 목적으로 한다.
구체적으로, 신경 심리검사 결과에 기초하여 생성된 특징 맵(feature map)을 통해 뇌 영상에 대한 어텐션(attention)을 적용하고, 어텐션이 적용된 뇌 영상을 미리 학습된 분류기에 입력함으로써 뇌 영상에 기초하여 치매를 평가하는 것을 목적으로 한다.
상기한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 효과를 실현하기 위한 본 발명의 특징적인 구성은 하기와 같다.
본 발명의 일 태양(aspect)에 따르면, 컴퓨팅 장치에 의해 수행되는, 뇌 영상 및 신경 심리검사 결과에 기초하여 치매를 평가하는 치매 평가 방법은 상기 신경 심리검사 결과에 기초하여, 상기 뇌 영상에 대한 제1 어텐션(attention)을 적용하기 위한 적어도 하나의 제1 맵을 생성하는 단계; 상기 제1 맵의 개수와 동일한 개수의, 상기 뇌 영상에 대한 적어도 하나의 제2 맵을 생성하는 단계; 상기 적어도 하나의 제1 맵 및 상기 적어도 하나의 제2 맵을 1 대 1로 매핑하고, 매핑된 제 1맵 및 제2 맵 각각에 대한 제3 맵들을 생성함으로써 상기 뇌 영상에 대한 상기 제1 어텐션을 적용하는 단계; 상기 적어도 하나의 제3 맵 및 상기 적어도 하나의 제2 맵에 기초하여 상기 뇌 영상에 대한 제2 어텐션을 적용하는 단계; 및 상기 제2 어텐션이 적용된 뇌 영상 및 미리 학습된 분류기에 기초하여 상기 뇌 영상에 대한 치매 평가를 수행하는 단계를 포함한다.
본 발명의 다른 태양에 따르면, 본 발명에 따른 치매 평가 방법을 수행하도록 구현된 명령어(instructions)를 포함하는, 기계 판독 가능한 비일시적 기록 매체에 저장된, 컴퓨터 프로그램도 제공된다.
본 발명의 또 다른 태양에 따르면, 뇌 영상 및 신경 심리검사 결과에 기초하여 치매를 평가하는 컴퓨팅 장치는 상기 뇌 영상 및 상기 신경 심리검사 결과를 수신하는 통신부; 및 상기 뇌 영상 및 상기 신경 심리검사 결과에 기초하여 상기 뇌 영상에 대한 치매 평가를 수행하는 프로세서를 포함하고, 상기 프로세서는 상기 신경 심리검사 결과에 기초하여, 상기 뇌 영상에 대한 제1 어텐션(attention)을 적용하기 위한 적어도 하나의 제1 맵을 생성하고, 상기 제1 맵의 개수와 동일한 개수의, 상기 뇌 영상에 대한 적어도 하나의 제2 맵을 생성하고, 상기 적어도 하나의 제1 맵을 상기 적어도 하나의 제2 맵에 1 대 1로 매핑하고, 매핑되는 제1 맵 및 제2 맵 사이에서 대응되는 픽셀들 사이의 픽셀 값의 곱셈 연산에 기초하여, 상기 매핑되는 제1 맵 및 제2 맵에 대한 제3 맵을 생성함으로써 상기 뇌 영상에 대한 상기 제1 어텐션을 적용하고, 상기 적어도 하나의 제3 맵 및 상기 적어도 하나의 제2 맵에 기초하여 상기 뇌 영상에 대한 제2 어텐션을 적용하고, 상기 제2 어텐션이 적용된 뇌 영상 및 미리 학습된 분류기에 기초하여 상기 뇌 영상에 대한 치매 평가를 수행할 수 있다.
본 발명에 의하면, 뇌 영상뿐만 아니라 신경 심리검사 결과를 함께 활용하여 알츠하이머성 치매를 평가할 수 있다. 이러한 방식은 서로 다른 모달리티(modality)에 해당하는 뇌 영상과 신경 심리검사 결과에 대해 인공 신경망을 개별적으로 학습하여야 하는 방식에 비해 간이한 방식이기 때문에, 뇌 영상과 신경 심리검사 결과 모두를 고려할 수 있는 평가 수단을 제공할 수 있다. 또한, 본 발명에 따르면 뇌 영상 분석 결과 및 신경 심리검사 결과의 상관 관계를 고려하여 치매를 보다 정확하게 평가할 수 있는 효과가 있다. 또한, 본원의 방식에는 아밀로이드 PET를 이용하는 방식에 비해 저렴한 비용으로 치매 평가를 수행할 수 있는 효과가 있다.
또한, 본 발명의 기술이 적용된 제품을 이용하면, 정신과/신경과 전문의가 부재한 지방에서도 치매 평가가 가능할 것이고, 국가 전체적으로 의료서비스 품질 향상을 기대할 수 있다.
본 발명의 실시 예의 설명에 이용되기 위하여 첨부된 아래 도면들은 본 발명의 실시 예들 중 단지 일부일 뿐이며, 본 발명이 속한 기술분야의 통상의 기술자에게 있어서는 발명적 작업이 이루어짐 없이 이 도면들에 기초하여 다른 도면들이 얻어질 수 있다.
도 1은 본 발명에 따른 치매 평가 방법을 개략적으로 설명하기 위한 도면이다.
도 2는 본 발명에 따른 치매 평가 방법을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.
도 3은 본 발명에 따른 치매 평가 방법을 수행하는 컴퓨팅 장치의 하드웨어 또는 소프트웨어 구성요소를 도시한 예시적 블록도이다.
도 4는 본 발명에 따른 치매 평가 방법을 설명하기 위한 흐름도를 도시하는 도면이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명의 목적들, 기술적 해법들 및 장점들을 분명하게 하기 위하여 본 발명이 실시될 수 있는 특정 실시 예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시 예는 통상의 기술자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다.
본 발명의 상세한 설명 및 청구항들에 걸쳐 이용된 "영상" 또는 "영상 데이터"라는 용어는 이산적 영상 요소들(예컨대, 2차원 영상에 있어서는 픽셀, 3차원 영상에 있어서는 복셀)로 구성된 다차원 데이터를 지칭한다. 예를 들어 "영상"은 (콘-빔형; cone-beam) 전산화 단층 촬영(computed tomography), MRI(magnetic resonance imaging), 초음파 또는 본 발명의 기술분야에서 공지된 임의의 다른 의료 영상 시스템의 의하여 수집된 피사체, 즉 피검체(subject)의 의료 영상일 수 있다. 또한 영상은 비의료적 맥락에서 제공될 수도 있는바, 예를 들어 원격 감지 시스템(remote sensing system), 전자현미경(electron microscopy) 등등이 있을 수 있다.
본 발명의 상세한 설명 및 청구항들에 걸쳐, '뇌 영상'은 (예컨대, 비디오 화면에 표시된) 눈으로 볼 수 있는 영상 또는 (예컨대, CT, MRI 검출기 등의 픽셀 출력에 대응되는 파일과 같은) 영상의 디지털 표현물을 지칭하는 용어이다. 통상의 기술자는 본 발명의 다양한 실시 예에서 이용되는 영상 형식들이 X선 영상, MRI, CT, PET(positron emission tomography), PET-CT, SPECT, SPECT-CT, MR-PET, 3D 초음파 영상 등등을 포함하나 예시적으로 열거된 형식에 한정되지 않는다는 점을 이해할 수 있을 것이다.
본 발명의 상세한 설명 및 청구항들에 걸쳐 'DICOM(Digital Imaging and Communications in Medicine; 의료용 디지털 영상 및 통신)' 표준은 의료용 기기에서 디지털 영상 표현과 통신에 이용되는 여러 가지 표준을 총칭하는 용어인바, DICOM 표준은 미국 방사선 의학회(ACR)와 미국 전기 공업회(NEMA)에서 구성한 연합 위원회에서 발표한다.
또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐 '의료영상 저장 전송 시스템(PACS; picture archiving and communication system)'은 DICOM 표준에 맞게 저장, 가공, 전송하는 시스템을 지칭하는 용어이며, X선, CT, MRI와 같은 디지털 의료영상 장비를 이용하여 획득된 의료영상 이미지는 DICOM 형식으로 저장되고 네트워크를 통하여 병원 내외의 단말로 전송이 가능하며, 이에는 판독 결과 및 진료 기록이 추가될 수 있다.
그리고 본 발명의 상세한 설명 및 청구항들에 걸쳐 '학습' 혹은 '러닝'은 절차에 따른 컴퓨팅(computing)을 통하여 기계 학습(machine learning)을 수행함을 일컫는 용어인바, 인간의 교육 활동과 같은 정신적 작용을 지칭하도록 의도된 것이 아님을 통상의 기술자는 이해할 수 있을 것이다.
그리고 본 발명의 상세한 설명 및 청구항들에 걸쳐, '포함하다'라는 단어 및 그 변형은 다른 기술적 특징들, 부가물들, 구성요소들 또는 단계들을 제외하는 것으로 의도된 것이 아니다. 또한, '하나' 또는 '한'은 하나 이상의 의미로 쓰인 것이며, '또 다른'은 적어도 두 번째 이상으로 한정된다.
통상의 기술자에게 본 발명의 다른 목적들, 장점들 및 특성들이 일부는 본 설명서로부터, 그리고 일부는 본 발명의 실시로부터 드러날 것이다. 아래의 예시 및 도면은 실례로서 제공되며, 본 발명을 한정하는 것으로 의도된 것이 아니다. 따라서, 특정 구조나 기능에 관하여 본 명세서에 개시된 상세 사항들은 한정하는 의미로 해석되어서는 아니되고, 단지 통상의 기술자가 실질적으로 적합한 임의의 상세 구조들로써 본 발명을 다양하게 실시하도록 지침을 제공하는 대표적인 기초 자료로 해석되어야 할 것이다.
더욱이 본 발명은 본 명세서에 표시된 실시 예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시 예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시 예에 관련하여 본 발명의 사상 및 범위를 벗어나지 않으면서 다른 실시 예로 구현될 수 있다. 또한, 각각의 개시된 실시 예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 사상 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
본 명세서에서 달리 표시되거나 분명히 문맥에 모순되지 않는 한, 단수로 지칭된 항목은, 그 문맥에서 달리 요구되지 않는 한, 복수의 것을 아우른다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
이하, 통상의 기술자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시 예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명에 따른 치매 평가 방법을 개략적으로 설명하기 위한 도면이다.
도 1을 참조하면, 치매 평가 방법을 수행하는 컴퓨팅 장치에 입력된 뇌 영상(101)은 치매 평가와 관련된 정보를 강조하기 위하여 제1 어텐션(110) 및 제2 어텐션(120)이 적용될 수 있다. 여기에서, 어텐션은 입력된 정보 중 일부 정보를 강조하여 주요 정보를 부각하기 위하여 수행되는 연산을 의미할 수 있다.
컴퓨팅 장치는 뇌 영상(101)에 대응되는 사용자가 수행한 신경 심리검사 결과(111)를 토대로 생성한 제1 맵(112)과, 콘볼루션 모듈(113)을 통해 뇌 영상(101)을 이용하여 생성된 제2 맵(114)의 채널별 곱 연산(channelwise product)(115)을 통해 제3 맵(116)을 생성함으로써, 뇌 영상(101)에 대한 제1 어텐션(110)을 적용할 수 있다.
컴퓨팅 장치는 생성된 모든 제3 맵(116)의 픽셀 단위 합 연산(121)을 수행함으로써, 단일 맵 형태인 제4 맵(122)를 생성하고, 제4 맵(122)과 제2 맵(114) 사이의 채널 별 곱 연산(123)을 통해 제5 맵(124)를 생성함으로써, 제2 어텐션(120)을 적용할 수 있다. 예를 들어, 제3 맵(116)이 12개가 존재하는 경우, 생성되는 제 4맵(122)의 각 픽셀들은 12개의 제3 맵(116)의 대응되는 픽셀들의 픽셀 값이 합산된 결과에 기초하여 결정될 수 있다. 컴퓨팅 장치는 동일한 제4 맵(122)을 제2 맵(114)의 개수만큼 생성하고, 생성된 제4 맵(122)들과 제2 맵(114) 사이의 채널별 곱셈 연산을 수행함으로써, 제5 맵(124)를 생성할 수 있다. 제1 어텐션(110) 및 제2 어텐션(120)을 수행하는 구체적인 방식은 이하 첨부되는 도면을 통해 보다 상세하게 설명된다.
컴퓨팅 장치는 치매 평가 모듈(130)에 제5 맵(124)을 입력함으로써 뇌 영상(101)에 기초하여 치매 평가를 수행할 수 있다. 제1 어텐션(110) 및 제2 어텐션(120)이 적용되어, 소정의 정보들이 강조된 뇌 영상(101)은 치매 평가 모듈(130)을 통해 치매 여부가 평가될 수 있다. 치매 평가 모듈(130)은 학습 데이터에 기초하여 미리 학습된 분류기를 포함할 수 있다. 미리 학습된 분류기는 제1 어텐션(110) 및 제2 어텐션(120)이 적용된 뇌 영상에 기초하여 생성되는 학습 데이터를 통해 치매 여부를 평가할 수 있도록 미리 학습된 인공 신경망일 수 있다.
도 2는 본 발명에 따른 치매 평가 방법을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.
도 2를 참조하면, 본 발명의 일 실시 예에 따른 컴퓨팅 장치(200)는, 통신부(210) 및 프로세서(220)를 포함하며, 상기 통신부(210)를 통하여 외부 컴퓨팅 장치(미도시)와 직간접적으로 통신할 수 있다.
구체적으로, 상기 컴퓨팅 장치(200)는, 전형적인 컴퓨터 하드웨어(예컨대, 컴퓨터 프로세서, 메모리, 스토리지, 입력 장치 및 출력 장치, 기타 기존의 컴퓨팅 장치의 구성요소들을 포함할 수 있는 장치; 라우터, 스위치 등과 같은 전자 통신 장치; 네트워크 부착 스토리지(NAS; network-attached storage) 및 스토리지 영역 네트워크(SAN; storage area network)와 같은 전자 정보 스토리지 시스템)와 컴퓨터 소프트웨어(즉, 컴퓨팅 장치로 하여금 특정의 방식으로 기능하게 하는 명령어들)의 조합을 이용하여 원하는 시스템 성능을 달성하는 것일 수 있다.
이와 같은 컴퓨팅 장치의 통신부(210)는 연동되는 타 컴퓨팅 장치와 요청과 응답을 송수신할 수 있는바, 일 예시로서 그러한 요청과 응답은 동일한 TCP(transmission control protocol) 세션(session)에 의하여 이루어질 수 있지만, 이에 한정되지는 않는바, 예컨대 UDP(user datagram protocol) 데이터그램(datagram)으로서 송수신될 수도 있을 것이다. 덧붙여, 넓은 의미에서 상기 통신부(210)는 명령어 또는 지시 등을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치, 프린터, 디스플레이, 기타 외부 출력장치를 포함할 수 있다.
또한, 컴퓨팅 장치의 프로세서(220)는 MPU(micro processing unit), CPU(central processing unit), GPU(graphics processing unit) 또는 TPU(tensor processing unit), 캐시 메모리(cache memory), 데이터 버스(data bus) 등의 하드웨어 구성을 포함할 수 있다. 또한, 운영체제, 특정 목적을 수행하는 애플리케이션의 소프트웨어 구성을 더 포함할 수도 있다.
도 3은 본 발명에 따른 치매 평가 방법을 수행하는 컴퓨팅 장치의 하드웨어 또는 소프트웨어 구성요소를 도시한 예시적 블록도이다.
도 3을 참조하여 본 발명에 따른 방법 및 장치의 구성을 간략히 개관하면, 컴퓨팅 장치(200)는 그 구성요소로서 영상 획득 모듈(311)을 포함할 수 있다. 이 영상 획득 모듈(311)은 본 발명에 따른 방법이 적용되는 뇌 영상을 획득하도록 구성되는바, 도 3에 도시된 개별 모듈들은, 예컨대, 컴퓨팅 장치(200)에 포함된 통신부(210)나 프로세서(220), 또는 상기 통신부(210) 및 프로세서(220)의 연동에 의하여 구현될 수 있음은 통상의 기술자가 이해할 수 있을 것이다. 뇌 영상은 예를 들어 통신부(210)를 통하여 연동되는 영상 촬영 기기 또는 의료영상 저장 전송 시스템(PACS)과 같은 외부 영상 저장 시스템으로부터 획득되는 것일 수 있으나 이에 한정되지는 않는다. 예를 들어, 뇌 영상은 (의료) 영상 촬영 기기를 통하여 촬영되어 DICOM 표준에 따라 PACS에 전송된 후 컴퓨팅 장치(200)의 영상 획득 모듈(311)에 의하여 획득될 수 있다.
컴퓨팅 장치(200)는 신경 심리검사 결과 획득 모듈(312)을 포함할 수 있다. 신경 심리검사 결과 획득 모듈(312)은 본 발명에 따른 방법이 적용되는 신경 심리검사 결과를 획득하도록 구성되고, 컴퓨팅 장치(200)에 포함된 통신부(210)나 프로세서(220), 또는 통신부(210) 및 프로세서(220)의 연동에 의해 구현될 수 있음은 통상의 기술자가 이해할 수 있을 것이다.
또한, 컴퓨팅 장치(200)는 입력된 뇌 영상에 어텐션을 적용하기 위한 어텐션 적용 모듈(320)을 더 포함할 수 있다. 어텐션 적용 모듈(320)은 신경 심리검사 결과에 기초하여 적어도 하나의 특징 맵을 생성하고, 생성된 특징 맵과 뇌 영상 사이의 채널별 곱셈 연산에 기초하여 뇌 영상에 대한 어텐션을 적용할 수 있다. 컴퓨팅 장치(220)는 어텐션 적용 모듈(320)을 통해 뇌 영상에 대한 분석과 신경 심리검사와 같은 임상 평가 데이터를 동시에 활용하여 치매 평가를 수행할 수 있는 수단을 제공할 수 있으며, 이를 통해 뇌 영상과 신경 심리검사의 상관 관계를 고려하여 치매 평가를 수행할 수 있다.
다음으로,어텐션 적용 모듈(320)로부터 어텐션이 적용된 뇌 영상은 치매 평가 모듈(330)에 전달될 수 있는데, 이 치매 평가 모듈(330)은 미리 학습된 분류기를 통해 치매 평가 정보를 생성하도록 구성될 수 있다. 치매 평가 모델의 일 예시로서 딥 러닝 모델(deep learning model)을 들 수 있는데, 이는 인공 신경망을 다층으로 쌓은 형태로 간략하게 설명할 수 있다. 즉, 깊은 구조의 네트워크라는 의미로 심층 신경망(deep neural network; 딥 뉴럴 네트워크)이라고 표현하며, 다층의 네트워크로 이루어진 구조에서 다량의 데이터를 학습시킴으로써 각각의 영상의 특징을 자동으로 학습하고, 이를 통해 목적 함수, 즉 치매의 평가 정확도의 에러(error)를 최소화시키는 방법으로 네트워크를 학습시켜 나아가는 형태이다. 이는, 인간 두뇌의 신경세포 간의 연결에 비교되는바, 이와 같은 심층 신경망은 AI의 차세대 모델로 자리잡아 가고 있다. 이 같은 딥 러닝 모델 중 특히 CNN(convolutional neural network; 합성곱 신경망)은 이미지의 분류에 적합한 모델로서, 이미지의 각 영역을 복수의 필터를 이용하여 특징 맵(feature map)을 만들어내는 합성층(convolution layer)과 특징 지도의 크기를 줄여 위치나 회전의 변화에 불변하는 특징을 추출할 수 있도록 하는 sub-sampling layer를 반복함으로써 점, 선, 면 등의 저수준의 특징에서부터 복잡하고 의미 있는 고수준의 특징까지 다양한 수준의 특징을 추출할 수 있게 되며, 최종적으로 추출된 특징을 기존 평가 모델의 입력값으로서 이용하면 더 높은 정확도의 평가 모델을 구축할 수 있게 되는 장점이 있다.
그러나 통상의 기술자는 치매 평가 모델이 이와 같은 CNN에 한정되지 않는다는 점을 이해할 수 있을 것인바, 다양한 종류의 치매 평가 모델이 이용될 수 있다.
치매 평가 정보가 생성되는 경우, 생성된 치매 평가 정보는 저장되거나 사용자 인터페이스 모듈(340) 등을 통하여 외부 엔티티(entity)에 제공될 수 있다. 외부 엔티티에 제공되는 때에는 상기 사용자 인터페이스 모듈(340)은 소정의 디스플레이 장치 등을 통할 수도 있으며, 상기 치매 평가 정보의 저장은 컴퓨팅 장치(200)에 연동되는 타 장치, 예컨대 PACS에 의하여 수행될 수도 있다.
도 3에 나타난 구성요소들은 설명의 편의상 하나의 컴퓨팅 장치에서 실현되는 것으로 예시되었으나, 본 발명의 방법을 수행하는 컴퓨팅 장치(200)는 복수개가 서로 연동되도록 구성될 수도 있다는 점이 이해될 것이다.
이제 본 발명에 따른 치매 평가 방법의 일 실시 예를 도 4를 참조하여 더 구체적으로 설명하기로 한다.
도 4는 본 발명에 따른 치매 평가 방법을 설명하기 위한 흐름도를 도시하는 도면이다.
도 4를 참조하면, 본 발명에 따른 치매 평가 방법은, 먼저, 컴퓨팅 장치(200)에 의하여 구현되는 영상 획득 모듈(311)이, 피검체의 뇌 영상을 획득하거나 통신부(210)를 통하여 컴퓨팅 장치(200)에 연동되는 타 장치로 하여금 입력받도록 지원하는 단계(S101)를 포함한다.
또한, 본 발명에 따른 치매 평가 방법은, 컴퓨팅 장치(200)에 의하여 구현되는 신경 심리검사 결과 획득 모듈(312)이, 피검체의 신경 심리검사 결과를 획득하거나 통신부(210)를 통하여 컴퓨팅 장치(200)에 연동되는 타 장치로 하여금 입력받도록 지원하는 단계(S102)를 포함할 수 있다.
신경 심리검사는 피검자의 인지 기능을 테스트할 수 있는 문항들에 대해 답변을 수행하고, 이에 기초하여 피검자의 인지 기능을 평가하는 검사로써, 기억력을 테스트하는 질문, 공간 지각력을 테스트하는 그림 그리기 테스트 등 다양한 테스트를 포함할 수 있다. 이외에도, 신경 심리검사는 피검자의 인구학적 변수에 대한 문항, 치매 가족력에 대한 문항을 더 포함할 수 있다. 예를 들어, 신경 심리검사는 CERAD(consortium to establish a registry for alzheimer's disease) 검사를 포함할 수 있으나, 이에 한정되지 않는다. 또한, 신경 심리검사는 ApoE(Apolipoprotein E)와 같은 유전적인 정보 및 학력 정보에 대한 항목을 더 포함할 수 있고, 해당 항목은 치매 평가에 활용될 수 있다.
신경 심리검사에 대한 일례는 표 1에 대응될 수 있다.
문항 답변
1. 나이 세
2. 성별 (a) 남 (b) 여
3. 인종 (a) 백인 (b) 흑인 (c) 아시안(d) 히스페닉 (e) 기타
4. 치매 가족력 (a) 유 (b) 무
5. 가족력 유형 (a) 부 (b) 모 (c) 형제 (d)조부 (e) 조모
6. 20초간 의류 종류를 최대한 말해주세요. (a) 0~5개 (b) 6~10개 (c) 10개 초과
7. 12분간 생각나는 동물을 최대한 말해주세요. (a) 0~10개 (b) 11~20개 (c) 21~30개(d) 30개 초과
표 1을 참조하면, 신경 심리검사는 나이, 성별, 인종과 같이 인구학적 요소에 대한 문항, 치매 가족력, 가족력 종류와 같이 가족력적 요소에 대한 문항, 각종 인지 테스트에 대한 문항 등을 포함할 수 있다.
컴퓨팅 장치는 이후 설명되는 바와 같이, 신경 심리검사 문항의 개수에 따라(예를 들어 7개)의 제1 맵을 생성하거나, 각각의 문항의 답변에 따라, 각 문항에 대응하여 생성되는 제1 맵에 포함되는 픽셀 값을 결정할 수 있다. 신경 심리검사 결과를 통해 제1 맵을 생성하는 구체적인 방식은 이후 첨부되는 도면을 통해 보다 상세하게 설명된다.
표 1을 통해 예시적으로 제시된 신경 심리검사 내용, 제1 맵의 개수를 결정하는 방식, 제1 맵에 포함되는 픽셀 값을 결정하는 방식은 예시적인 것에 불과하고, 본원 발명의 실시 예가 표 1을 통해 제시된 예시에 한정되는 것이 아님은 통상의 기술자가 이해할 것이다.
다음으로, 본 발명에 따른 치매 평가 방법은, 상기 컴퓨팅 장치(200)에 의하여 구현되는 어텐션 적용 모듈(320)이, 신경 심리검사 결과에 기초하여 뇌 영상에 대한 제1 어텐션을 적용하기 위한 적어도 하나의 제1 맵을 생성하는 단계 (S200)를 포함한다.
어텐션 적용 모듈(320)은 신경 심리검사에 포함된 문항에 기초하여 이후에 생성할 제1 맵의 개수 정보를 결정할 수 있다. 예를 들어, 신경 심리검사에 10개의 문항이 포함된 경우, 어텐션 적용 모듈(320)은 제1 맵을 10개 생성할 수 있다. 다른 실시 예에서는 신경 심리검사에 포함된 10개의 문항이 3개의 서로 다른 카테고리로 나누어지는 경우, 어텐션 적용 모듈(320)은 3개의 제1 맵을 생성할 수 있다. 예를 들어, 신경 심리검사에 포함되는 문항은 주성분 분석(Principal Component Analysis; PCA)에 기초하여 서로 다른 카테고리로 분류될 수 있고, 카테고리의 개수에 따라 제1 맵의 개수가 결정될 수 있다.
어텐션 적용 모듈(320)은 뇌 영상에 포함된 픽셀의 개수에 기초하여 제1 맵에 포함되는 픽셀 개수 정보를 결정할 수 있다. 예를 들어, 뇌 영상이 (100 x 100 x 100)개의 픽셀을 포함하는 경우, 어텐션 적용 모듈(320)은 생성될 각각의 제1 맵이 (100 x 100 x 100)개의 픽셀을 포함하도록 픽셀 개수 정보를 결정할 수 있다.
어텐션 적용 모듈(320)은 결정된 제1 맵의 개수 정보, 픽셀 개수 정보에 기초하여 제1 맵을 생성할 수 있다. 각각의 제1 맵에 포함되는 픽셀의 픽셀 값은 각각의 제1 맵에 대하여 단일 값으로 결정될 수 있다. 또한, 결정되는 단일 값은 제1 맵에 대응되는 신경 심리검사 결과의 문항에 대한 답변에 기초하여 결정될 수 있다. 예를 들어, 신경 심리검사 결과의 두번째 문항에 대응하여 생성된 제1 맵에 포함되는 모든 픽셀의 픽셀 값은 신경 심리검사 두번째 문항의 답변에 기초하여 동일한 값으로 결정될 수 있다. 보다 구체적으로, 두번째 문항이 예를 들어, "제한 시간 20초 동안 되도록 많은 옷 종류의 이름을 말씀하여 주십시오."이고, 답변 개수에 따라 0~5개의 경우 픽셀값이 1로, 6~10개의 경우 픽셀값이 30으로, 10개를 초과하는 경우 픽셀값이 50으로 결정된 상황에서, 사용자가 제한시간 동안 7개의 옷 종류를 답변한 경우, 두번째 문항에 대응되는 제1 맵의 모든 픽셀의 픽셀값은 30으로 결정될 수 있다.
치매 평가 방법은 어텐션 적용 모듈(320)이, 생성된 제1 맵의 개수와 동일한 개수의, 입력된 뇌 영상에 대한 적어도 하나의 제2 맵을 생성하는 단계(S300)를 더 포함할 수 있다. 예를 들어, 제1 맵이 5개 생성된 경우, 어텐션 적용 모듈(320)은 콘볼루션 모듈(Convolution Module)을 이용하여, 뇌 영상에 대한 5개의 제2 맵을 생성할 수 있다. 제2 맵은 콘볼루션 모듈을 통해 뇌 영상에 가중치가 부여된 특징 맵을 의미할 수 있다.
치매 평가 방법은 어텐션 적용 모듈(320)이, 제1 맵을 제2 맵과 1 대 1로 매핑하고, 매핑된 제1 맵 및 제2 맵 각각에 대한 제3 맵을 생성함으로써 상기 뇌 영상에 대한 상기 제1 어텐션을 적용하는 단계(S400)을 포함할 수 있다. 어텐션 적용 모듈(320)은 수학식 1 내지 수학식 2에 기초하여 제3 맵들을 생성함으로써 입력된 뇌 영상에 대한 제1 어텐션을 적용할 수 있다.
Figure PCTKR2020011150-appb-img-000001
Figure PCTKR2020011150-appb-img-000002
Figure PCTKR2020011150-appb-img-000003
Figure PCTKR2020011150-appb-img-000004
는 신경 심리검사 결과,
Figure PCTKR2020011150-appb-img-000005
는 신경 심리검사 결과의 문항에 기초하여 결정된 개수, 입력된 뇌 영상의 픽셀 수 및 각 문항에 대한 답변에 기초하여 결정되는 픽셀 값에 기초하여 생성된 특징 맵,
Figure PCTKR2020011150-appb-img-000006
은 제1 맵,
Figure PCTKR2020011150-appb-img-000007
는
Figure PCTKR2020011150-appb-img-000008
의 개수만큼 콘볼루션 모듈을 통해 뇌영상에 기초하여 생성된 제2 맵,
Figure PCTKR2020011150-appb-img-000009
은 제3 맵을 나타내고,
Figure PCTKR2020011150-appb-img-000010
연산은 채널별 곱셈 연산을 의미한다.
구체적으로, 어텐션 적용 모듈(320)은 매핑된 제1 맵
Figure PCTKR2020011150-appb-img-000011
과 제2 맵
Figure PCTKR2020011150-appb-img-000012
에서 동일한 위치에 존재하는 픽셀의 픽셀값 곱을 제3 맵
Figure PCTKR2020011150-appb-img-000013
의 대응 위치에 할당함으로써 제3 맵
Figure PCTKR2020011150-appb-img-000014
을 생성할 수 있다. 예를 들어, 매핑된 제1 맵
Figure PCTKR2020011150-appb-img-000015
및 제2 맵
Figure PCTKR2020011150-appb-img-000016
각각의 (i,j,k)번째 픽셀의 픽셀 값의 곱을 제3 맵
Figure PCTKR2020011150-appb-img-000017
의 (i,j,k)번째 픽셀에 할당됨으로써, 매핑된 제1 맵
Figure PCTKR2020011150-appb-img-000018
과 제2 맵
Figure PCTKR2020011150-appb-img-000019
에 대응하는 제3 맵
Figure PCTKR2020011150-appb-img-000020
이 생성될 수 있다.
치매 평가 방법은 어텐션 적용 모듈(320)이 생성된 제3 맵 및 제2 맵에 기초하여 뇌 영상에 대한 제2 어텐션을 적용하는 단계(S500)을 포함할 수 있다. 어텐션 적용 모듈(320)은 수학식 3 내지 수학식 5에 기초하여 뇌 영상에 제2 어텐션을 적용할 수 있다.
Figure PCTKR2020011150-appb-img-000021
Figure PCTKR2020011150-appb-img-000022
Figure PCTKR2020011150-appb-img-000023
Figure PCTKR2020011150-appb-img-000024
는 제4 맵,
Figure PCTKR2020011150-appb-img-000025
는 제4 맵을 제2 맵의 개수만큼 생성함으로써 확장한 확장 제4 맵,
Figure PCTKR2020011150-appb-img-000026
는 제5 맵을 나타낸다.
구체적으로, 어텐션 적용 모듈(320)은 생성된 모든 제3 맵들
Figure PCTKR2020011150-appb-img-000027
의 대응되는 픽셀 값들의 합에 기초하여 단일 맵인 제4 맵
Figure PCTKR2020011150-appb-img-000028
을 생성할 수 있다. 어텐션 적용 모듈(320)는 제4 맵
Figure PCTKR2020011150-appb-img-000029
을
Figure PCTKR2020011150-appb-img-000030
의 개수만큼 생성한
Figure PCTKR2020011150-appb-img-000031
와 제2 맵
Figure PCTKR2020011150-appb-img-000032
을 1 대 1로 매핑하고, 매핑된
Figure PCTKR2020011150-appb-img-000033
와 제2 맵
Figure PCTKR2020011150-appb-img-000034
상호 대응되는 위치의 픽셀의 픽셀 값의 곱을 제5 맵
Figure PCTKR2020011150-appb-img-000035
의 대응되는 위치에 할당함으로써 매핑된
Figure PCTKR2020011150-appb-img-000036
와 제2 맵
Figure PCTKR2020011150-appb-img-000037
에 대응되는
Figure PCTKR2020011150-appb-img-000038
을 생성할 수 있다. 이와 같이 어텐션 적용 모듈(320)은 매핑된 모든
Figure PCTKR2020011150-appb-img-000039
와 제2 맵
Figure PCTKR2020011150-appb-img-000040
에 대한
Figure PCTKR2020011150-appb-img-000041
를 생성함으로써, 뇌 영상에 제2 어텐션을 적용할 수 있다.
치매 평가 방법은 어텐션 적용 모듈(320)이 제2 어텐션이 적용된 뇌 영상 및 미리 학습된 치매 평가 모듈(330)에 기초하여 상기 뇌 영상에 대한 치매 평가를 수행하는 단계(S600)을 포함할 수 있다. 예를 들어, 치매 평가 모듈(330)은 제1 어텐션 및 제2 어텐션이 적용된 뇌 영상에 기초하여 미리 학습된 분류기(Classification Module)를 포함할 수 있다.
이와 같이 본 발명은 전술한 모든 실시 예 및 변형례에 걸쳐, 본원 발명의 방식은 방사선동위원소를 결합시킨 물질을 주입하고, 뇌에 침착된 아밀로이드 단백질을 모니터링하는 기존의 방식에 비해 보다 간이하고 신속하게 치매를 평가할 수 있다. 또한, 본원의 방식을 통해 저렴한 비용을 통해 보다 많은 수의 관련 질환 환자들이 혜택을 볼 수 있을 것으로 예상된다. 궁극적으로 AI의 조력으로써 의료 서비스의 수혜의 범위를 확장할 수 있을 뿐만 아니라, 의료 현장에서의 워크플로를 개선할 수 있을 것이다.
위 실시 예의 설명에 기초하여 해당 기술분야의 통상의 기술자는, 본 발명의 방법 및/또는 프로세스들, 그리고 그 단계들이 하드웨어, 소프트웨어 또는 특정 용례에 적합한 하드웨어 및 소프트웨어의 임의의 조합으로 실현될 수 있다는 점을 명확하게 이해할 수 있다. 상기 하드웨어는 범용 컴퓨터 및/또는 전용 컴퓨팅 장치 또는 특정 컴퓨팅 장치 또는 특정 컴퓨팅 장치의 특별한 모습 또는 구성요소를 포함할 수 있다. 상기 프로세스들은 내부 및/또는 외부 메모리를 가지는, 하나 이상의 마이크로프로세서, 마이크로컨트롤러, 임베디드 마이크로컨트롤러, 프로그래머블 디지털 신호 프로세서 또는 기타 프로그래머블 장치에 의하여 실현될 수 있다. 게다가, 혹은 대안으로서, 상기 프로세스들은 주문형 집적회로(application specific integrated circuit; ASIC), 프로그래머블 게이트 어레이(programmable gate array), 프로그래머블 어레이 로직(Programmable Array Logic; PAL) 또는 전자 신호들을 처리하기 위해 구성될 수 있는 임의의 다른 장치 또는 장치들의 조합으로 실시될 수 있다. 더욱이 본 발명의 기술적 해법의 대상물 또는 선행 기술들에 기여하는 부분들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 기계 판독 가능한 기록 매체에 기록될 수 있다. 상기 기계 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 기계 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다. 기계 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD, Blu-ray와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 전술한 장치들 중 어느 하나뿐만 아니라 프로세서, 프로세서 아키텍처 또는 상이한 하드웨어 및 소프트웨어의 조합들의 이종 조합, 또는 다른 어떤 프로그램 명령어들을 실행할 수 있는 기계 상에서 실행되기 위하여 저장 및 컴파일 또는 인터프리트될 수 있는, C와 같은 구조적 프로그래밍 언어, C++ 같은 객체지향적 프로그래밍 언어 또는 고급 또는 저급 프로그래밍 언어(어셈블리어, 하드웨어 기술 언어들 및 데이터베이스 프로그래밍 언어 및 기술들)를 사용하여 만들어질 수 있는바, 기계어 코드, 바이트코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 이에 포함된다.
따라서 본 발명에 따른 일 태양에서는, 앞서 설명된 방법 및 그 조합들이 하나 이상의 컴퓨팅 장치들에 의하여 수행될 때, 그 방법 및 방법의 조합들이 각 단계들을 수행하는 실행 가능한 코드로서 실시될 수 있다. 다른 일 태양에서는, 상기 방법은 상기 단계들을 수행하는 시스템들로서 실시될 수 있고, 방법들은 장치들에 걸쳐 여러 가지 방법으로 분산되거나 모든 기능들이 하나의 전용, 독립형 장치 또는 다른 하드웨어에 통합될 수 있다. 또 다른 일 태양에서는, 위에서 설명한 프로세스들과 연관된 단계들을 수행하는 수단들은 앞서 설명한 임의의 하드웨어 및/또는 소프트웨어를 포함할 수 있다. 그러한 모든 순차 결합 및 조합들은 본 개시서의 범위 내에 속하도록 의도된 것이다.
예를 들어, 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다. 상기 하드웨어 장치는, 프로그램 명령어를 저장하기 위한 ROM/RAM 등과 같은 메모리와 결합되고 상기 메모리에 저장된 명령어들을 실행하도록 구성되는 MPU, CPU, GPU, TPU와 같은 프로세서를 포함할 수 있으며, 외부 장치와 신호를 주고 받을 수 있는 통신부를 포함할 수 있다. 덧붙여, 상기 하드웨어 장치는 개발자들에 의하여 작성된 명령어들을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치를 포함할 수 있다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시 예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시 예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 사람이라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.
그와 같이 균등하게 또는 등가적으로 변형된 것에는, 예컨대 본 발명에 따른 방법을 실시한 것과 동일한 결과를 낼 수 있는, 논리적으로 동치(logically equivalent)인 방법이 포함될 것인바, 본 발명의 진의 및 범위는 전술한 예시들에 의하여 제한되어서는 아니되며, 법률에 의하여 허용 가능한 가장 넓은 의미로 이해되어야 한다.

Claims (16)

  1. 컴퓨팅 장치에 의해 수행되는, 뇌 영상 및 신경 심리검사 결과에 기초하여 치매를 평가하는 치매 평가 방법에 있어서,
    상기 신경 심리검사 결과에 기초하여, 상기 뇌 영상에 대한 제1 어텐션(attention)을 적용하기 위한 적어도 하나의 제1 맵을 생성하는 단계;
    상기 제1 맵의 개수와 동일한 개수의, 상기 뇌 영상에 대한 적어도 하나의 제2 맵을 생성하는 단계;
    상기 적어도 하나의 제1 맵을 상기 적어도 하나의 제2 맵과 1 대 1로 매핑하고, 매핑된 제1 맵 및 제2 맵 각각에 대한 제3 맵들을 생성함으로써 상기 뇌 영상에 대한 상기 제1 어텐션을 적용하는 단계;
    상기 적어도 하나의 제3 맵 및 상기 적어도 하나의 제2 맵에 기초하여 상기 뇌 영상에 대한 제2 어텐션을 적용하는 단계; 및
    상기 제2 어텐션이 적용된 뇌 영상 및 미리 학습된 분류기에 기초하여 상기 뇌 영상에 대한 치매 평가를 수행하는 단계
    를 포함하는, 치매 평가 방법.
  2. 제1항에 있어서,
    상기 적어도 하나의 제1 맵을 생성하는 단계는,
    신경 심리검사의 문항에 기초하여 상기 적어도 하나의 제1 맵의 개수 정보를 결정하는 단계;
    상기 뇌 영상의 픽셀 개수에 기초하여 상기 적어도 하나의 제1 맵 각각의 픽셀 개수 정보를 결정하는 단계; 및
    상기 제1 맵의 개수 정보 및 상기 픽셀 개수 정보에 기초하여 상기 적어도 하나의 제1 맵을 생성하는 단계
    를 포함하는, 치매 평가 방법.
  3. 제2항에 있어서,
    상기 적어도 하나의 제1 맵을 생성하는 단계는,
    상기 적어도 하나의 제1 맵 각각에 대응되는 상기 신경 심리검사의 문항에 대한 답변에 기초하여 상기 제1 맵 각각에 포함되는 픽셀들의 픽셀 값을 결정하는 단계
    를 더 포함하고,
    상기 제1 맵 각각에 포함되는 픽셀들의 픽셀 값은 상기 제1 맵 별로 단일 값으로 결정되는, 치매 평가 방법.
  4. 제1항에 있어서,
    상기 제1 어텐션을 적용하는 단계는,
    상기 매핑된 제1 맵과 제2 맵의 대응 픽셀 사이의 픽셀 값에 대한 곱셈에 기초하여 상기 매핑된 제1 맵 및 제2 맵에 대한 제3 맵을 생성하는 단계
    를 포함하는, 치매 평가 방법.
  5. 제1항에 있어서,
    상기 제2 어텐션을 적용하는 단계는,
    상기 생성된 제3 맵들 사이에서, 대응되는 픽셀들의 픽셀 값에 대한 합 연산에 기초하여 제4 맵을 생성하는 단계;
    상기 제4 맵과 상기 적어도 하나의 제2 맵 각각의 대응되는 픽셀의 픽셀 값에 대한 곱셈 연산에 기초하여 적어도 하나의 제5 맵을 생성하는 단계
    를 포함하는, 치매 평가 방법.
  6. 컴퓨팅 장치로 하여금, 제1항의 방법을 수행하도록 구현된 명령어(instructions)를 포함하는, 기계 판독 가능한 비일시적 기록 매체.
  7. 컴퓨팅 장치에 의해 수행되는, 뇌 영상 및 신경 심리검사 결과에 기초하여 치매를 평가하는 치매 평가 방법에 있어서,
    상기 신경 심리검사 결과에 기초하여 생성된 적어도 하나의 제1 맵을 이용하여 상기 뇌 영상에 대해 어텐션을 적용하는 단계; 및
    상기 어텐션이 적용된 뇌 영상 및 미리 학습된 분류기에 기초하여 상기 뇌 영상에 대한 치매 평가를 수행하는 단계
    를 포함하는, 치매 평가 방법.
  8. 제7항에 있어서,
    상기 어텐션을 적용하는 단계는,
    상기 제1 맵을 이용한 제1 어텐션이 적용된 상기 뇌 영상에 대응되는 적어도 하나의 제2 맵을 생성하는 단계;
    상기 제2 맵을 이용한 제2 어텐션이 적용된 상기 뇌 영상에 대응하는 제3 맵을 생성하는 단계
    를 포함하고,
    상기 치매 평가를 수행하는 단계는,
    상기 제3 맵 및 상기 분류기에 기초하여 상기 뇌 영상에 대한 치매 평가를 수행하는, 치매 평가 방법.
  9. 제8항에 있어서,
    상기 제2 맵을 생성하는 단계는,
    상기 적어도 하나의 제1 맵의 개수와 동일한 개수의 제4 맵을 상기 뇌 영상을 이용하여 생성하고,
    상기 적어도 하나의 제1 맵 각각을, 상기 제4 맵 중 어느 하나와 1 대 1로 매핑하고, 매핑된 제1 맵 및 제4 맵에서 대응되는 픽셀 사이의 연산에 기초하여 상기 제2 맵을 생성하는, 치매 평가 방법.
  10. 제7항에 있어서,
    상기 적어도 하나의 제1 맵은,
    신경 심리검사의 문항의 개수에 기초하여 결정된 제1 맵의 개수 정보, 상기 뇌 영상의 픽셀 개수에 기초하여 결정된 제1 맵의 픽셀 개수 정보에 기초하여 생성되는, 치매 평가 방법.
  11. 제10항에 있어서,
    상기 적어도 하나의 제1 맵 각각에 포함되는 픽셀 값은,
    상기 적어도 하나의 제1 맵 각각에 대응되는 신경 심리검사의 문항에 대한 답변에 기초하여 결정되는, 치매 평가 방법.
  12. 제11항에 있어서,
    상기 적어도 하나의 제1 맵 각각에 포함되는 픽셀 값은,
    상기 적어도 하나의 제1 맵 별로 상기 답변에 따라 미리 설정된 단일값으로 결정되는, 치매 평가 방법.
  13. 제9항에 있어서,
    상기 제2 맵에 포함되는 픽셀 값은,
    상기 매핑된 제1 맵과 제4 맵의 대응 픽셀 사이의 픽셀 값에 대한 곱셈 연산에 기초하여 결정되는, 치매 평가 방법.
  14. 제9항에 있어서,
    상기 제3 맵을 생성하는 단계는,
    상기 적어도 하나의 제2 맵 사이에서, 대응되는 픽셀들 사이의 픽셀 값에 대한 합 연산에 기초하여 제5 맵을 생성하는 단계; 및
    상기 제5 맵과, 각각의 제 4맵에 대하여, 대응되는 픽셀 사이의 픽셀값에 대한 곱셈 연산에 기초하여 상기 제3 맵을 생성하는 단계
    를 포함하는, 치매 평가 방법.
  15. 컴퓨팅 장치로 하여금, 제7항의 방법을 수행하도록 구현된 명령어(instructions)를 포함하는, 기계 판독 가능한 비일시적 기록 매체.
  16. 뇌 영상 및 신경 심리검사 결과에 기초하여 치매를 평가하는 컴퓨팅 장치에 있어서,
    상기 뇌 영상 및 상기 신경 심리검사 결과를 수신하는 통신부; 및
    상기 뇌 영상 및 상기 신경 심리검사 결과에 기초하여 상기 뇌 영상에 대한 치매 평가를 수행하는 프로세서
    를 포함하고,
    상기 프로세서는,
    상기 신경 심리검사 결과에 기초하여, 상기 뇌 영상에 대한 제1 어텐션(attention)을 적용하기 위한 적어도 하나의 제1 맵을 생성하고,
    상기 제1 맵의 개수와 동일한 개수의, 상기 뇌 영상에 대한 적어도 하나의 제2 맵을 생성하고,
    상기 적어도 하나의 제1 맵을 상기 적어도 하나의 제2 맵에 1 대 1로 매핑하고, 매핑되는 제1 맵 및 제2 맵 사이에서 대응되는 픽셀들 사이의 픽셀 값의 곱셈 연산에 기초하여, 상기 매핑되는 제1 맵 및 제2 맵에 대한 제3 맵을 생성함으로써 상기 뇌 영상에 대한 상기 제1 어텐션을 적용하고,
    상기 적어도 하나의 제3 맵 및 상기 적어도 하나의 제2 맵에 기초하여 상기 뇌 영상에 대한 제2 어텐션을 적용하고,
    상기 제2 어텐션이 적용된 뇌 영상 및 미리 학습된 분류기에 기초하여 상기 뇌 영상에 대한 치매 평가를 수행하는, 컴퓨팅 장치.
PCT/KR2020/011150 2019-08-21 2020-08-21 치매 평가 방법 및 이를 이용한 장치 WO2021034138A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2019-0102632 2019-08-21
KR1020190102632A KR102067412B1 (ko) 2019-08-21 2019-08-21 치매 평가 방법 및 이를 이용한 장치

Publications (1)

Publication Number Publication Date
WO2021034138A1 true WO2021034138A1 (ko) 2021-02-25

Family

ID=69370210

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/011150 WO2021034138A1 (ko) 2019-08-21 2020-08-21 치매 평가 방법 및 이를 이용한 장치

Country Status (2)

Country Link
KR (1) KR102067412B1 (ko)
WO (1) WO2021034138A1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102067412B1 (ko) * 2019-08-21 2020-01-17 서울대학교병원 치매 평가 방법 및 이를 이용한 장치
KR102336058B1 (ko) 2020-07-14 2021-12-07 주식회사 휴런 자기공명영상을 이용한 대뇌 미세출혈 탐지 장치 및 방법
KR102383058B1 (ko) * 2021-10-22 2022-04-08 주식회사 뉴로젠 시공간 기억 검사와 뇌 영상 정보를 활용한 인지 장애 예측 장치 및 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101709855B1 (ko) * 2015-05-29 2017-02-24 조선대학교산학협력단 알츠하이머 병변 예측의 정보를 제공하는 방법
KR20170118540A (ko) * 2016-04-15 2017-10-25 이화여자대학교 산학협력단 의료 영상 처리 방법 및 의료 영상 처리 장치
KR101929965B1 (ko) * 2017-11-01 2018-12-17 가천대학교 산학협력단 Relm과 pca 특징을 이용한 구조적 mri 영상 기반의 치매 진단 방법 및 그 장치
KR20190088730A (ko) * 2018-01-19 2019-07-29 사회복지법인 삼성생명공익재단 아밀로이드 양성 경도인지장애 환자의 치매 진행을 예측하여 분류하는 방법 및 장치
KR102067412B1 (ko) * 2019-08-21 2020-01-17 서울대학교병원 치매 평가 방법 및 이를 이용한 장치

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2931281B1 (fr) * 2008-05-15 2014-07-18 Univ Paris Curie Procede et systeme automatise d'assistance au pronostic de la maladie d'alzheimer, et procede d'apprentissage d'un tel systeme
KR101611367B1 (ko) * 2013-11-18 2016-04-12 재단법인 아산사회복지재단 뇌질환 진단 서비스 장치 및 방법
KR102075503B1 (ko) 2017-06-21 2020-02-10 주식회사 데이터사이언스랩 치매 예측 시스템 및 그 구동방법
KR102097188B1 (ko) * 2017-08-03 2020-04-10 사회복지법인 삼성생명공익재단 신경심리검사를 이용한 치매 발병 예측 방법 및 예측 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101709855B1 (ko) * 2015-05-29 2017-02-24 조선대학교산학협력단 알츠하이머 병변 예측의 정보를 제공하는 방법
KR20170118540A (ko) * 2016-04-15 2017-10-25 이화여자대학교 산학협력단 의료 영상 처리 방법 및 의료 영상 처리 장치
KR101929965B1 (ko) * 2017-11-01 2018-12-17 가천대학교 산학협력단 Relm과 pca 특징을 이용한 구조적 mri 영상 기반의 치매 진단 방법 및 그 장치
KR20190088730A (ko) * 2018-01-19 2019-07-29 사회복지법인 삼성생명공익재단 아밀로이드 양성 경도인지장애 환자의 치매 진행을 예측하여 분류하는 방법 및 장치
KR102067412B1 (ko) * 2019-08-21 2020-01-17 서울대학교병원 치매 평가 방법 및 이를 이용한 장치

Also Published As

Publication number Publication date
KR102067412B1 (ko) 2020-01-17
KR102067412B9 (ko) 2021-09-14

Similar Documents

Publication Publication Date Title
Min et al. Overview of deep learning in gastrointestinal endoscopy
WO2021034138A1 (ko) 치매 평가 방법 및 이를 이용한 장치
WO2019103440A1 (ko) 피검체의 의료 영상의 판독을 지원하는 방법 및 이를 이용한 장치
US11101032B2 (en) Searching a medical reference image
KR101898575B1 (ko) 진행성 병변에 대한 미래 상태를 예측하는 방법 및 이를 이용한 장치
WO2019143177A1 (ko) 일련의 슬라이스 영상을 재구성하는 방법 및 이를 이용한 장치
JP2023169313A (ja) 診断支援システムおよび方法
CN1448877A (zh) 处理医学重要数据的方法
WO2019143021A1 (ko) 영상의 열람을 지원하는 방법 및 이를 이용한 장치
WO2021137454A1 (ko) 인공지능 기반의 사용자 의료정보 분석 방법 및 시스템
US20200005088A1 (en) Methods and apparatus to adapt medical image interfaces based on learning
JP6980309B2 (ja) 再構成された画像群に基づく画像提供方法およびこれを利用した装置
WO2023095989A1 (ko) 뇌질환 진단을 위한 다중 모달리티 의료 영상 분석 방법 및 장치
WO2019124836A1 (ko) 제1 의료 영상의 관심 영역을 제2 의료 영상 위에 맵핑하는 방법 및 이를 이용한 장치
WO2019098415A1 (ko) 자궁경부암에 대한 피검체의 발병 여부를 판정하는 방법 및 이를 이용한 장치
CN110427994A (zh) 消化道内镜图像处理方法、装置、存储介质、设备及系统
CN113658721A (zh) 阿尔兹海默疾病进程预测方法
WO2022145841A1 (ko) 병변 판독 방법 및 이를 위한 장치
WO2021054700A1 (ko) 치아 병변 정보 제공 방법 및 이를 이용한 장치
WO2019132067A1 (ko) 의료 정보 제공 시스템
WO2023113285A1 (ko) 신체 영상의 관리 방법 및 이를 이용한 장치
WO2023013959A1 (ko) 아밀로이드 베타 축적 예측 장치 및 방법
WO2023027248A1 (ko) 데이터 생성 방법 및 이를 이용한 학습방법 및 장치
KR20190088371A (ko) 진행성 병변의 미래 영상을 생성하는 방법 및 이를 이용한 장치
WO2020230972A1 (ko) 훈련된 심층 신경망 모델의 재현 성능을 개선하는 방법 및 이를 이용한 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: 20855757

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: 20855757

Country of ref document: EP

Kind code of ref document: A1