WO2022019655A1 - 관상동맥 진단영상 학습장치와 방법, 및 상기 학습장치와 방법을 통해 구축된 학습모델을 사용하는 유의한 관상동맥 협착 진단 장치 및 방법 - Google Patents

관상동맥 진단영상 학습장치와 방법, 및 상기 학습장치와 방법을 통해 구축된 학습모델을 사용하는 유의한 관상동맥 협착 진단 장치 및 방법 Download PDF

Info

Publication number
WO2022019655A1
WO2022019655A1 PCT/KR2021/009432 KR2021009432W WO2022019655A1 WO 2022019655 A1 WO2022019655 A1 WO 2022019655A1 KR 2021009432 W KR2021009432 W KR 2021009432W WO 2022019655 A1 WO2022019655 A1 WO 2022019655A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
coronary artery
coronary
learning model
learning
Prior art date
Application number
PCT/KR2021/009432
Other languages
English (en)
French (fr)
Inventor
김원태
강신욱
이명재
김동민
이재관
이관용
장기육
황병희
Original Assignee
(주)제이엘케이
가톨릭대학교 산학협력단
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 (주)제이엘케이, 가톨릭대학교 산학협력단 filed Critical (주)제이엘케이
Publication of WO2022019655A1 publication Critical patent/WO2022019655A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/507—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for determination of haemodynamic parameters, e.g. perfusion CT
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
    • A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Definitions

  • the present disclosure relates to a deep learning model learning technology, and more specifically, a method and apparatus for learning about a coronary artery diagnosis image based on a medical image, and a learning model built based on a medical image.
  • Deep learning learns a very large amount of data, and when new data is input, it selects an answer with the highest probability based on the learning result.
  • Such deep learning can operate adaptively according to an image, and since it automatically finds a characteristic factor in the process of learning a model based on data, attempts to utilize it in the field of artificial intelligence are increasing recently.
  • coronary angiography is used as a method for analyzing coronary artery stenosis
  • lesions are evaluated only by angiography
  • high-speed x-ray angiography is required to accurately analyze a coronary image, but it is difficult to apply it due to a radiation exposure problem that occurs during x-ray angiography.
  • the fractional flow reserve (FFR) test using a pressure wire which is a functional evaluation method that evaluates the significance of stent insertion for coronary artery stenosis, is better than the test using only x-ray angiography to determine the treatment method. It has proven superiority and is clinically used as a method of recommending stenting when FFR ⁇ 0.8, but it is not widely distributed due to the complexity of the procedure, use of drugs that induce hyperemia, and safety of invasive procedures.
  • the technical task of the present disclosure is to construct a coronary artery diagnostic image using a learning model, to determine the significance and functional ischemia of severe coronary artery stenosis based on this, and to provide a method and apparatus for determining whether stenting treatment is required accordingly.
  • Another technical object of the present disclosure is to provide a method and apparatus for constructing a learning model capable of constructing a highly reliable coronary artery diagnostic image.
  • an apparatus for diagnosing coronary artery stenosis includes a CA detection learning model for detecting a coronary artery region from an angiographic image of a diagnostic region including a coronary artery, and using the CA detection learning model, a coronary corresponding to the angiographic image A coronary artery image detector constituting an arterial image, and an interpolated image learning model constituting a learning-based sub-coronary image based on a motion change of the coronary image acquired based on a predetermined time unit, wherein the interpolated image A coronary artery image interpolator that generates a sub-coronary image corresponding to the coronary artery image using a learning model, and analyzes coronary artery stenosis by checking information provided by the coronary image detecting unit and the coronary image interpolating unit A coronary artery image analysis unit may be included.
  • an artificial intelligence-based method for diagnosing coronary artery stenosis may be provided.
  • the method includes a CA detection learning model that detects a coronary artery region from an angiographic image, and a learning-based sub-coronary image based on a motion change of the angiographic image acquired based on a predetermined time unit.
  • an apparatus for learning a learning model used for diagnosing coronary artery stenosis includes a coronary artery image learning unit for learning a CA detection learning model for detecting a coronary artery region from an angiographic image of a diagnostic region including a coronary artery, and the coronary artery image learning unit acquired based on a predetermined time unit.
  • An interpolation image learning model constituting a learning-based sub-coronary image is learned based on a change in motion of an arterial image, wherein the learning-based sub-coronary image is temporally interpolated between the coronary images. It may include a learning unit.
  • a method for learning a learning model used for diagnosing coronary artery stenosis includes a process of learning a CA detection learning model for detecting a coronary artery region from an angiographic image of a diagnostic region including a coronary artery, and Learning an interpolation image learning model constituting a learning-based sub-coronary image based on a change in motion, wherein the learning-based sub-coronary image may include a process characterized in that it temporally exists between the coronary images. have.
  • a method and apparatus for constructing a coronary artery diagnosis image using a learning model and diagnosing coronary artery stenosis based thereon may be provided.
  • a method and apparatus for easily and accurately determining whether to treat coronary artery stenosis using a coronary artery diagnosis image constructed based on a learning model may be provided.
  • a method and apparatus for constructing a learning model capable of constructing a highly reliable coronary artery diagnosis image may be provided.
  • FIG. 1 is a block diagram illustrating a configuration of an apparatus for learning a coronary artery diagnosis image according to an embodiment of the present disclosure.
  • FIG. 2A is a diagram illustrating a learning data set used in an apparatus for learning a coronary artery diagnosis image according to an embodiment of the present disclosure.
  • FIG. 2B is a diagram illustrating a relationship between a coronary artery image and a sub-coronary image used in the apparatus for learning a coronary artery diagnosis image according to an embodiment of the present disclosure.
  • 3A is a diagram illustrating a structure of a CA detection learning model provided in the apparatus for learning a coronary artery diagnosis image according to an embodiment of the present disclosure.
  • 3B is a diagram illustrating a structure of an interpolation image learning model provided in the apparatus for learning a coronary artery diagnosis image according to an embodiment of the present disclosure.
  • FIG. 4 is a block diagram illustrating a configuration of an apparatus for diagnosing coronary artery stenosis according to an embodiment of the present disclosure.
  • 5A and 5B are diagrams illustrating hemodynamic factors used in the apparatus for diagnosing coronary artery stenosis according to an embodiment of the present disclosure.
  • 6A and 6B are flowcharts illustrating a procedure of a method for learning a coronary artery diagnosis image according to an embodiment of the present disclosure.
  • FIGS. 7A to 7C are flowcharts illustrating a procedure of a method for diagnosing coronary artery stenosis according to an embodiment of the present disclosure.
  • FIG. 8 is a block diagram illustrating an apparatus and method for learning a coronary artery diagnosis image and a computing system for executing the apparatus and method for diagnosing coronary artery stenosis according to an embodiment of the present disclosure.
  • a component when a component is “connected”, “coupled” or “connected” to another component, it is not only a direct connection relationship, but also an indirect connection relationship in which another component exists in the middle. may also include.
  • a component when a component is said to "include” or “have” another component, it means that another component may be further included without excluding other components unless otherwise stated. .
  • first, second, etc. are used only for the purpose of distinguishing one component from other components, and unless otherwise specified, the order or importance between the components is not limited. Accordingly, within the scope of the present disclosure, a first component in one embodiment may be referred to as a second component in another embodiment, and similarly, a second component in one embodiment is referred to as a first component in another embodiment. can also be called
  • the components that are distinguished from each other are for clearly explaining each characteristic, and the components do not necessarily mean that the components are separated. That is, a plurality of components may be integrated to form one hardware or software unit, or one component may be distributed to form a plurality of hardware or software units. Accordingly, even if not specifically mentioned, such integrated or dispersed embodiments are also included in the scope of the present disclosure.
  • components described in various embodiments do not necessarily mean essential components, and some may be optional components. Accordingly, an embodiment composed of a subset of components described in one embodiment is also included in the scope of the present disclosure. In addition, embodiments including other components in addition to components described in various embodiments are also included in the scope of the present disclosure.
  • FIG. 1 is a block diagram illustrating a configuration of an apparatus for learning a coronary artery diagnosis image according to an embodiment of the present disclosure.
  • the coronary artery diagnostic image learning apparatus 100 is configured to receive an angiographic image of a heart region and learn an image of a coronary artery region (hereinafter, referred to as a 'coronary image'). and may include a coronary artery image learning unit 110 and an interpolation image learning unit 130 .
  • the angiography image of the heart region is an image obtained by angiography of the region where the heart organ of the body is located, and may be a two-dimensional X-ray angiography image, and the coronary artery image is a blood vessel of the heart region. From the contrast image, the region in which the coronary artery is located may be a segmented image.
  • the coronary artery image learning unit 110 is a component that performs learning on the coronary artery detection learning model (hereinafter, referred to as 'CA detection learning model') 111 , and Learning of the CA detection learning model 111 that outputs the coronary artery image corresponding to the input may be performed.
  • the coronary artery image learning unit 110 may include a CA detection learning control unit 113 that controls the learning of the CA detection learning model.
  • the coronary artery diagnosis image learning apparatus 100 may prepare a learning data set 200 (refer to FIG. 2A ) necessary for learning of the coronary artery image learning unit 110 and the interpolation image learning unit 130 .
  • the training data set 200 includes angiographic images 201, 202, and 203 of the heart region, and coronary artery images 211, 212, and 213 obtained by extracting a coronary region from the angiographic images 201, 202, and 203. can do.
  • the angiography images 201 , 202 , and 203 of the heart region may be two-dimensional X-ray-based images. Since the X-ray-based image is an image obtained using radiation, There is a limit to increasing the number of frames per second. Therefore, there is a limitation in diagnosing coronary artery disease using the angiographic images 201, 202, and 203 of the heart region, and there is a reliability problem in diagnosing the disease based on the angiographic images 201, 202, and 203.
  • the angiography images 201 , 202 , and 203 may be images constructed based on a commonly used number of frames per second, and the interpolation image learning unit 130 provides the commonly used coronary images 211 and 212 with a number of frames per second. , 213) to train the interpolation image learning model to interpolate a relatively larger number of frames.
  • the training data set 200 includes the sub-coronary images 221 and 222 obtained at a relatively higher frame rate than the coronary images 211 , 212 , and 213 based on the angiography images 201 , 202 , 203 . , 223) may be included.
  • the coronary images 211, 212, and 213 based on the angiography images 201, 202, and 203 may be images configured based on 7.5 fps, 10 fps, 15 fps, etc., and the sub-coronary images 221, 222, 223) is 30 fps, 60 fps. It is configured based on 120 fps and the like, and may be an image that exists between the coronary images 211, 212, and 213 temporally (refer to FIG. 2B).
  • the CA detection learning control unit 113 includes the CA detection learning model 111.
  • Angiography images 201 , 202 , and 203 are input to , and the coronary artery images 211 , 212 , and 213 may be controlled to be provided as a groundtruth of the CA detection learning model 111 (see FIG. 3A ).
  • the CA detection learning model 111 may be configured as a CNN-based learning model, and to be learned to output the coronary images 211 , 212 , 213 corresponding to the angiography images 201 , 202 , 203 .
  • the CA detection learning control unit 113 performs learning of the CA detection learning model 111 , and then inputs the angiography images 201 , 202 , 203 to the CA detection learning model 111 , and output values corresponding thereto can be confirmed, and the performance of the CA detection learning model 111 can be evaluated by comparing the checked output value with values of the coronary images 211 , 212 , and 213 of the training data set 200 .
  • the CA detection learning control unit 113 may control the performance of the CA detection learning model 111 by tuning the variables included in the CA detection learning model 111 .
  • the coronary artery image learning unit 110 may further include a preprocessing unit 112 that preprocesses the angiography images 201 , 202 , and 203 input to the CA detection learning model 111 .
  • the preprocessing unit 112 includes a BVE processing unit 112a that processes blood vessel enhancement (BVE) on the angiographic images 201 , 202 , and 203 , and sets the angiographic image subjected to the vessel enhancement to a predetermined threshold value. It may include a binarization processing unit 112b for configuring a binarized image by binarizing it based on .
  • BVE blood vessel enhancement
  • the binarization processing unit 112b may actively control a threshold value, which is a standard for binarization, in consideration of the state and environment of the angiography image subjected to the vessel enhancement process. Specifically, the binarization processing unit 112b may configure a binarized image by binarizing the contrast image that has been subjected to vessel enhancement through the BVE processing unit 112a based on a threshold value.
  • the threshold value serving as the binarization criterion may be determined by combining the angiographic images 201 , 202 , and 203 extracted by the image preprocessor 112 with statistical aspects and filters.
  • the binarization processing unit 112b may set a threshold value based on statistical values of pixel values of the initial images of the angiography images 201 , 202 , and 203 (eg, images captured before contrast medium is injected). Then, the binarization processing unit 112b resets the threshold by applying a filter such as a Kalman filter strong in noise removal, a histogram equalization filter, etc., and actively for each image (or frame) the threshold value can be set.
  • the binarization processing unit 112b may set a threshold value by reflecting pixel values of the angiographic images 201 , 202 , and 203 , and may flexibly adjust binarization based on the threshold value set in this way. As a result, the binarization processing unit 112b can actively control binarization even when the angiographic images 201 , 202 , and 203 in environments having different brightness or density are input.
  • the preprocessor 112 further includes a noise removing unit 112c that removes noise from the angiographic images 201, 202, and 203, and a data normalizing unit 112d that normalizes the angiographic image from which the noise has been removed.
  • the noise removal unit 112c and the data normalization unit 112d are preferably provided in front of the BVE processing unit 112a.
  • the coronary images 211, 212, and 213 detected through the CA detection learning model 111 may be separated by recognizing the same blood vessel as different entities, or separated into relatively small sizes to diagnose coronary artery stenosis.
  • the coronary artery image learning unit 110 may further include a post-processing unit 114 for post-processing the coronary artery images 211 , 212 , and 213 detected through the CA detection learning model 111 .
  • the post-processing unit 114 may be configured to connect the corresponding image.
  • the post-processing unit 114 may delete the corresponding coronary artery image. Specifically, the post-processing unit 114 removes noise from the coronary image detected by the CA detection learning model 111, maps the same blood vessels detected to be cut off, and detects a coronary artery image with a size relatively smaller than a predetermined size. Delete processing can be performed in .
  • the post-processing unit 114 may remove noise by adjusting the value of the artificial intelligence data detected from the CA detection learning model 111 . That is, the post-processing unit 114 may remove noise by applying a predetermined filter to the image data configured through the CA detection learning model 111 .
  • the filter used for noise removal may be a filter in which one or two or more selected from among an average value filter, a Gaussian filter, and a median value filter are combined.
  • the post-processing unit 114 may use an average value filter and a Gaussian filter to smooth images between pixels, and then apply a median filter to the processed result to remove noise.
  • the post-processing unit 114 may perform mapping of the same blood vessels, deletion of coronary images, and the like using morphology calculation and connection element labeling. In this case, since the used image uses a binary image, binarization processing is required. For example, the post-processing unit 114 may first perform an “erosion after expansion” operation, which is a “close” operation, in order to map the same blood vessels, and then process connection element labeling and the like. In this way, the post-processing unit 114 may effectively remove the darkly expressed region (ie, the region expressed close to 0) as noise through the “closed” operation. In addition, post-processor 114 may use connection element labeling to connect wide ranges that are not connected by a “closed” operation.
  • the post-processing unit 114 can separate by assigning the same value to a region in which the pixel value is 0, which is not broken, and furthermore, by giving the same value to a region expressed to be broken even though it is the same blood vessel, connection of the same blood vessel etc can be processed.
  • the post-processing unit 114 may minimize the noise of the image generated after mapping and perform an “open” operation for deletion from the coronary image, and through this, the noise is removed and an unnecessary area (eg, A protruding area, a blood vessel area having a size relatively smaller than a predetermined size, etc.) may be removed.
  • an unnecessary area eg, A protruding area, a blood vessel area having a size relatively smaller than a predetermined size, etc.
  • the interpolation image learning unit 130 as a component for building the interpolation image learning model 131, can perform learning of the interpolation image corresponding to the coronary artery image provided by the coronary artery image learning unit 110.
  • the interpolation image learning unit 130 may include an interpolation image learning control unit 133 for controlling the learning of the interpolation image learning model 131 .
  • the interpolation image learning unit 130 may receive the coronary artery images 211 , 212 , and 213 included in the data set 200 from the coronary artery image learning unit 110 , and the interpolation image learning control unit 133 may , using the coronary images 211 , 212 , and 213 as an input of the interpolation image learning model 131 , and using the above-described sub-coronary images 221 , 222 , 223 as the objective variables of the interpolation image learning model 131 . It can be controlled to use (see Fig. 3b).
  • the interpolation image learning model 131 may be configured as a CNN-based learning model, and a motion field is detected using a neural network that detects a motion field of the coronary images 211, 212, 213, and the detected motion It may be learned to construct the sub-coronary images 221 , 222 , and 223 based on the field.
  • the interpolation image learning control unit 133 performs learning of the interpolation image learning model 131, and then inputs the coronary images 211, 212, and 213 to the interpolated image learning model 131 to check output values corresponding thereto.
  • the performance of the interpolation image learning model 131 may be evaluated by comparing the confirmed output value with the values of the sub-coronary images 221 , 222 , and 223 of the training data set 200 .
  • the interpolation image learning control unit 133 controls the re-learning of the interpolation image learning model 131, or by tuning the variables included in the interpolation image learning model 131 to control the performance of the interpolation image learning model 131.
  • the interpolation image learning unit 130 detects an angiography image (or coronary artery image) and a motion field included in the interpolated image, and a blood flow information analysis unit ( 135) may be included.
  • the interpolation image learning control unit 133 may control the operation of the blood flow information analysis unit 135 , and may perform learning of the interpolation image learning model 131 based on the blood flow volume and blood flow velocity output from the blood flow information analysis unit 135 . or the performance of the interpolation image learning model 131 may be controlled.
  • the interpolation image learning unit 130 considers the relationship and motion change between angiographic images (or coronary artery images) acquired based on a predetermined time unit, and the arithmetic interpolation processing unit 137 for constructing an arithmetic-based interpolation image. ) may be further included.
  • the arithmetic interpolation processing unit 137 may construct an arithmetic-based interpolation image and provide the (arithmetic-based interpolation image) to the blood flow information analysis unit 135 . Based on this, the blood flow information analysis unit 135 may output the blood flow volume, blood flow velocity, etc. calculated based on the arithmetic-based interpolation image.
  • the interpolation image learning control unit 133 uses the blood flow rate and blood flow velocity calculated based on the arithmetic-based interpolation image, and the sub-coronary image 221, which is used as the objective variable of the interpolation image learning model 131.
  • the performance of the arithmetic interpolation processing unit 137 may be evaluated by comparing the blood flow rate, blood flow velocity, and the like of 222 and 223 .
  • the interpolation image learning control unit 133 tunes the variables included in the interpolation image learning model 131 based on the performance of the interpolation image learning model 131 and the performance of the arithmetic interpolation processing unit 137 to the interpolation image learning model. You can control the performance of (131). For example, when the performance of the interpolation image learning model 131 is relatively lower than that of the arithmetic interpolation processing unit 137, the interpolation image learning control unit 133 controls the re-learning of the interpolation image learning model 131, or interpolation The performance of the interpolated image learning model 131 may be controlled by tuning the variables included in the image learning model 131 .
  • the performance of the interpolation image learning model 131 and the performance of the arithmetic interpolation processing unit 137 are determined by analyzing the image characteristics of the sub-coronary image and the arithmetic-based interpolation image, or the sub-coronary image and the arithmetic-based interpolation image. It can be determined by analyzing the calculated blood flow volume, blood flow velocity, and the like based on the calculation.
  • FIG. 4 is a block diagram illustrating a configuration of an apparatus for diagnosing coronary artery stenosis according to an embodiment of the present disclosure.
  • the apparatus 400 for diagnosing coronary artery stenosis may be configured to receive an angiographic image of the heart region and detect a corresponding coronary artery stenosis, the coronary artery image detector 410 and the coronary artery. It may include an image interpolator 430 and a coronary artery image analyzer 450 .
  • the coronary artery image detection unit 410 may include a CA detection learning model 411 , which may be a learning model built by the above-described coronary artery diagnosis image learning apparatus 100 .
  • the CA detection learning model 411 may be configured as a CNN-based learning model, and may be a model trained to output a coronary artery image corresponding to an angiographic image.
  • the coronary artery image detection unit 410 post-processes the coronary image output from the preprocessing unit 412 that performs preprocessing of the angiography image input to the CA detection learning model 411 and the CA detection learning model 411 . It may further include a post-processing unit 414.
  • the preprocessor 412 may include a BVE processing unit 412a that processes blood vessel enhancement (BVE) for the angiographic image.
  • BVE blood vessel enhancement
  • the preprocessor 412 may further include a noise removing unit 412b that removes noise from the angiographic image, and a data normalizing unit 412c that normalizes the angiographic image from which the noise has been removed.
  • the noise removal unit 412b and the data normalization unit 412c are preferably provided in front of the BVE processing unit 412a.
  • the post-processing unit 414 may detect the center line of the blood vessel region from the coronary image output from the CA detection learning model 411 , and output an image in which the detected center line is applied to the coronary image. In this case, the post-processing unit 414 may perform centerline detection based on a minimal path approach.
  • the post-processing unit 414 provides an image to which the center line is applied to the coronary image
  • the present disclosure is not limited thereto, and may be variously changed by those skilled in the art of the present disclosure.
  • the post-processing unit 414 may output an image obtained by applying the center line of the blood vessel region to the binarized image by dividing the blood vessel region and the background region.
  • the coronary artery image detected through the CA detection learning model 411 may be separated by recognizing the same blood vessel as different entities, or may be separated into a relatively small size for diagnosing coronary artery stenosis.
  • the post-processing unit 414 may be configured to connect the corresponding images.
  • the post-processing unit 414 may delete the corresponding coronary artery image.
  • the merging or deletion of the coronary images may be performed on the coronary images output from the CA detection learning model 411, and the center line of the vascular region is detected from the images on which the merging or deletion of the coronary images has been completed. , the detected center line can be applied to the coronary image.
  • the coronary arteries may be continuously moved by heartbeat and respiration, and based on this, in the image output through the post-processing unit 414 , the blood vessel region may also be moved based on heartbeat and respiration. Therefore, even if movement occurs in the blood vessel, the starting point and the end point, which are the reference points of the center line of the blood vessel area, must be maintained at a designated position with respect to the blood vessel area to accurately perform frame counting.
  • the coronary artery image detection unit 410 may further include a motion tracking unit 415 for tracking a starting point and an ending point (or a pixel corresponding thereto) serving as a reference of the center line of the blood vessel region.
  • the motion tracking unit 415 performs a motion tracking technique based on the previously detected motion field for tracking the motion of an object included in the image, and the start and end points (or corresponding pixels) as a reference of the center line of the blood vessel area. can be tracked.
  • the motion tracking unit 415 may perform motion tracking on an image output through the post-processing unit 414 , or may perform motion tracking on an angiographic image of the heart region.
  • the coronary artery image detection unit 410 may further include a 3D image reconstruction unit 417 configured to construct a 3D coronary artery image by combining at least one coronary artery image output through the post-processing unit 414 .
  • the 3D image reconstruction unit 417 may configure a 3D image by combining at least one coronary artery image based on the center line of the coronary artery image.
  • the coronary artery image interpolation unit 430 may include an interpolation image learning model 431 , which may be a learning model built by the coronary artery diagnosis image learning apparatus 100 described above.
  • the interpolation image learning model 431 may be configured as a CNN-based learning model, and may generate a sub-coronary image corresponding to the coronary image.
  • the coronary artery image input to the interpolation image learning model 431 is an image detected and output by the coronary artery image detector 410 , and may be, for example, an image obtained by applying a center line to the coronary artery image.
  • the coronary artery image may be a frame image generated based on the first frame rate
  • the sub-coronary artery image is an image generated based on the second frame rate
  • the second frame rate is relatively higher than the first frame rate. It can be set to a larger value.
  • the coronary artery image is a frame image generated based on 7.5 fps, 10 fps, 15 fps, etc.
  • the sub-coronary image is 30 fps, 60 fps. It is generated based on 120 fps or the like, and may be a frame image temporally present between coronary images.
  • the interpolation image learning model 431 may be configured as a CNN-based learning model, detect a motion field of a coronary image, and configure a sub-coronary image based on the detected motion field.
  • the coronary artery image interpolator 430 may further include a post-processing unit 433 that performs post-processing on the sub-coronary image generated through the interpolation image learning model 431 .
  • the post-processing unit 433 may detect a center line of a blood vessel region from the sub-coronary image, and output an image obtained by applying the detected center line to the sub-coronary image. In this case, the post-processing unit 433 may perform centerline detection based on a minimal path approach.
  • the post-processing unit 433 provides an image in which the center line is applied to the sub-coronary image
  • the present disclosure is not limited thereto, and may be variously changed by those skilled in the art of the present disclosure. have.
  • the sub-coronary image detected through the interpolation image learning model 431 may be separated by recognizing the same blood vessel as different entities, or may be separated into a relatively small size for diagnosing coronary artery stenosis.
  • the post-processing unit 433 may be configured to connect the corresponding images.
  • the post-processing unit 433 may delete the sub-coronary image.
  • the merging or deletion of coronary images may be performed on the sub-coronary image output from the interpolation image learning model 431, and the center line of the blood vessel region is selected for the image on which the merging or deletion of the sub-coronary image has been completed. is detected, and the detected center line may be applied to the sub-coronary image.
  • the coronary arteries may be continuously moved by heartbeat and respiration, and based on this, in the image output through the post-processing unit 433 , the blood vessel region may also be moved based on heartbeat and respiration. Therefore, even if movement occurs in the blood vessel, the starting point and the end point, which are the reference points of the center line of the blood vessel area, must be maintained at a designated position with respect to the blood vessel area to accurately perform frame counting.
  • the coronary artery image interpolator 430 may further include a motion tracking unit 435 that tracks a start point and an end point (or a pixel corresponding thereto) as a reference of the center line of the blood vessel region. In this case, the motion tracking unit 435 may track a start point and an end point (or a corresponding pixel) as a reference of the center line of the blood vessel area based on a motion tracking technique for tracking the motion of an object included in the image.
  • the motion tracking unit 435 may perform motion tracking on an image output through the post-processing unit 433 , or may perform motion tracking on an angiographic image of the heart region.
  • the coronary artery image interpolator 430 analyzes at least one sub-coronary image output through the post-processing unit 433 , and based on whether the contrast agent is filled, the interpolation control unit controls interpolation of the sub-coronary image.
  • (437) may be further included.
  • the interpolation controller 437 checks whether the contrast agent is sufficiently filled in the coronary artery region or the sub-coronary artery region, and when the contrast agent is not sufficiently filled in the pixels of the corresponding region, in the interpolation image learning model 431 , It is possible to control the primary output sub-coronary image to be provided again as an input of the interpolation image learning model 431 .
  • the interpolation image learning model 431 is configured by re-interpolating the primary output sub-coronary image (eg, the primary sub-coronary image (eg, the image interpolated based on 30 fps)) of the secondary sub-coronary artery.
  • An image eg, an image interpolated at 60 fps
  • post-processing and motion tracking may be performed on the secondary sub-coronary image.
  • the interpolation controller 437 includes the interpolation image learning model 431, the post-processing unit 433, and An operation of the motion tracking unit 435 may be controlled.
  • the coronary artery image analyzer 450 may check the information provided by the coronary artery image detector 410 and the coronary artery image interpolator 430 , and analyze the coronary artery stenosis based thereon.
  • the coronary artery image analyzer 450 may include a CFD analyzer 451 , a TFC analyzer 452 , and an aFFR-based blood vessel analyzer 453 .
  • the CFD analysis unit 451 checks the blood flow rate or the blood flow velocity using the coronary artery image and the sub-coronary artery image, and calculates the flow rate at a desired point using a computational fluid dynamics (CFD) analysis.
  • CFD computational fluid dynamics
  • the TIMI frame count (TFC) analyzer 452 analyzes the coronary image and the sub-coronary image to analyze the time it takes to reach a specific boundary region of the distal part of the same coronary artery from the time the contrast agent is introduced into the coronary artery. can do. For example, when a contrast agent is injected into a blood vessel, a change in brightness in the blood vessel may occur in the angiogram, and the TFC analyzer 452 may check the time at which the contrast agent is filled in consideration of this.
  • TFC TIMI frame count
  • the TFC analyzer 452 may determine the change in brightness of the reference points based on the reference points on the center line of the blood vessel, and check the time for the contrast medium to be filled between the reference points based on this (change in the brightness of the reference points). In this case, the TFC analyzer 452 may calculate the time the contrast medium is filled by counting the frames in which the brightness changes of the reference points occur, that is, the frames of the coronary image and the frames of the sub-coronary image.
  • the aFFR-based blood vessel analyzer 453 may calculate angio fractional flow reserve (aFFR).
  • aFFR-based blood vessel analysis unit 453 may determine a significant stenosis causing myocardial ischemia only by coronary angiography in consideration of aFFR and WSP and determine whether coronary artery stent insertion is necessary.
  • the aFFR-based blood vessel analysis unit 453 determines the flow rate provided by the CFD analysis unit 451 and the information provided by the TFC analysis unit 452 (eg, from the time the contrast medium is introduced into the coronary artery). aFFR can be calculated using the time required to reach a specific border region of the distal part of the artery). aFFR refers to the ratio of the maximum blood flow measured in the area where the stenotic lesion appears to the maximum blood flow (imaginary value) of normal blood vessels in the coronary artery where the lesion is present, and can be expressed as the ratio of the pressure in the area in which the stenotic lesion appears.
  • aFFR 0.75
  • aFFR>0.8 0.8
  • aFFR 0.75 or more and 0.8 or less
  • the aFFR-based blood vessel analysis unit 453 may calculate the hemodynamic factor in consideration of the flow rate provided by the CFD analysis unit 451 and information provided by the TFC analysis unit 452 .
  • the hemodynamic factor may include a wall shear factor (WSP), and the wall shear factor (WSP) may include a wall shear stress (WSS), an oscillatory shear index (OSI), and the like.
  • WSP wall shear factor
  • WSP wall shear stress
  • OSI oscillatory shear index
  • the wall shear stress represents a force acting in the transverse direction of the member to generate a bending moment and acting on the cross section inside the blood vessel by a force that breaks the member.
  • the arrangement of endothelial cells is changed according to the magnitude of the wall shear stress, and in a state in which a stenotic lesion of a level lower than a predetermined level appears, a low wall shear stress is used as a predictor of the progression of stenosis.
  • the probability of rupture of an atherosclerotic plaque may be high in a region with a large averaged wall shear stress (AWSS).
  • the shear alternating current index (OSI) represents the change in direction, which is the alternating state of the wall shear stress (WSS), and when blood flow ideally flows in one direction, its magnitude becomes 0, and the direction of the shear stress completely changes with the passage of time. In more cases, it appears to be closer to 0.5. Accordingly, the region in which the shear change index (OSI) is relatively high may be a region in which blood flow is likely to be stagnant or regurgitated.
  • the aFFR-based blood vessel analysis unit 453 is based on the characteristics of the above-described hemodynamic factors (eg, wall shear factor (WSP), wall shear stress (WSS), shear alternation index (OSI), etc.), while the CFD analysis unit 451 ) and the information provided by the TFC analyzer 452, the hemodynamic factor may be calculated.
  • WSP wall shear factor
  • WSS wall shear stress
  • OSI shear alternation index
  • the aFFR-based blood vessel analyzer 453 can determine whether stenosis is stenosis by comprehensively considering not only aFFR but also hemodynamic factors, it is possible to diagnose stenosis more accurately and provide reliable results.
  • WSP wall shear factor
  • WSS wall shear stress
  • OSI shear alternating index
  • the aFFR-based blood vessel analysis unit 453 has exemplified determining whether the blood vessel is narrowed in consideration of hemodynamic factors together with aFFR, the present disclosure is not limited thereto, and various factors corresponding to the hemodynamic factors are considered. Thus, it is possible to determine whether a stenosis is present.
  • the factor corresponding to the hemodynamic factor is a hemodynamic approach using numerical analysis such as computational fluid dynamics (CFD) and fluid-structure interaction (FSI), but radiology Information (eg, Computed Tomography, Magnetic Resonance Image, Intravascular Ultrasound) can be used to simulate irregular blood vessel shapes or can be changed in various ways based on numerical analysis results and clinical results.
  • CFD computational fluid dynamics
  • FSI fluid-structure interaction
  • radiology Information eg, Computed Tomography, Magnetic Resonance Image, Intravascular Ultrasound
  • the coronary artery image analyzer 450 analyzes the time the contrast agent is washed out from the coronary artery region so that the coronary artery stenosis can be divided regardless of the general patient group and the patient group having a specific disease (Coronary Clearance Frame (CCFC)) Count) may include an analysis unit 454 and a myocardial microvessel and coronary sinus analysis unit 455 that analyzes the washout state of the contrast agent from the coronary artery region and analyzes the resistance of the myocardial microvascular region.
  • CCFC Coronary Clearance Frame
  • the resistance of the myocardial microvessel region analyzed by the myocardial microvessel and coronary sinus analysis unit 455 may be provided to the aFFR-based blood vessel analysis unit 453 , and the aFFR-based blood vessel analysis unit 453 is configured to provide myocardial microvascular analysis unit 453 .
  • the aFFR can be calculated by reflecting the resistance of the vascular region.
  • 6A and 6B are flowcharts illustrating a procedure of a method for learning a coronary artery diagnosis image according to an embodiment of the present disclosure.
  • the method for learning a coronary artery diagnosis image according to an embodiment of the present disclosure may be performed by the apparatus for learning a coronary artery diagnosis image according to the above-described embodiment of the present disclosure.
  • the angiography image of the heart region is an image obtained by angiography of the region in which the heart organ of the body is located, and may be a two-dimensional X-ray angiography image, and the coronary artery image is the heart region. From the angiography image of , the region in which the coronary artery is located may be a segmented image.
  • the coronary artery diagnostic image learning apparatus may prepare a data set for learning a coronary artery detection learning model (hereinafter, referred to as a 'CA detection learning model') (S600).
  • the training data set 200 (refer to FIG. 2A ) includes angiography images 201, 202, and 203 of the heart region and coronary artery images 211, 212, 213) may be included.
  • the angiography images 201 , 202 , and 203 of the heart region may be two-dimensional X-ray-based images. Since the X-ray-based image is an image obtained using radiation, There is a limit to increasing the number of frames per second. Therefore, there is a limitation in diagnosing coronary artery disease using the angiographic images 201, 202, and 203 of the heart region, and there is a reliability problem in diagnosing the disease based on the angiographic images 201, 202, and 203. It is also raised
  • the angiography images 201 , 202 , and 203 may be images constructed based on a commonly used number of frames per second.
  • the training data set 200 includes sub-coronary images 221, 222, and 223) may be included.
  • the coronary images 211, 212, and 213 based on the angiography images 201, 202, and 203 may be images configured based on 7.5 fps, 10 fps, 15 fps, etc.
  • the sub-coronary images 221, 222, 223) is 30 fps, 60 fps. It is configured based on 120 fps or the like, and may be an image that exists between the coronary images 211 , 212 , and 213 temporally (see FIG. 2B ).
  • the coronary artery diagnosis image learning apparatus may pre-process the angiography images 201, 202, and 203 to be used in the CA detection learning model.
  • the preprocessor operation includes an operation of removing noise from the angiographic images 201, 202, and 203 (S601a), an operation of normalizing the angiographic image from which noise has been removed (S601b), and an operation of removing noise from the angiographic images 201, 202, and 203.
  • the binarization processing operation may be configured to actively control a threshold value, which is a standard for binarization, in consideration of the state and environment of the angiographic image subjected to the vessel enhancement.
  • step S602 the coronary artery diagnosis image learning apparatus inputs the pre-processed image to the CA detection learning model, configures and provides the coronary images 211, 212, and 213 as the objective variable (groundtruth), and provides the CA detection learning model. learning can be done.
  • the coronary artery diagnosis image learning apparatus may input the angiography images 201 , 202 , and 203 to the CA detection learning model, and check output values corresponding thereto ( S603 ). Then, the coronary artery diagnosis image learning apparatus may compare the confirmed output value with the values of the coronary artery images 211 , 212 , and 213 of the training data set 200 to evaluate the performance of the CA detection learning model ( S604 ). Thereafter, the coronary artery diagnosis image learning apparatus may control the performance of the CA detection learning model by tuning variables included in the CA detection learning model in consideration of the performance evaluation result ( S605 ).
  • the coronary artery images 211 , 212 , and 213 detected through the CA detection learning model may be separated by recognizing the same blood vessel as different entities, or may be separated into a relatively small size for diagnosing coronary artery stenosis.
  • the coronary artery diagnosis image learning apparatus may post-process the coronary artery images 211 , 212 , and 213 detected through the CA detection learning model ( S606 ).
  • the coronary artery diagnosis image learning apparatus may be configured to connect the corresponding images. Also, when the coronary artery image detected through the CA detection learning model is configured to have a relatively smaller size than a predetermined size, the coronary artery diagnosis image learning apparatus may delete the corresponding coronary artery image.
  • the coronary artery diagnosis image learning apparatus may perform learning on the interpolation image learning model.
  • the coronary artery diagnosis image learning apparatus sets the coronary artery image post-processed in step S606 as an input of the interpolation image learning model, and sets the sub-coronary image 221 , 222 , 223 as a target variable of the interpolation image learning model.
  • learning of the interpolation image learning model can be performed.
  • the interpolation image learning model may be composed of a CNN-based learning model, detecting a motion field of the coronary images 211 , 212 , and 213 , and based on the detected motion field, the sub-coronary images 221 and 222 . , 223) can be learned to construct.
  • step S608 the coronary artery diagnosis image learning apparatus performs learning of the interpolated image learning model, and then inputs the coronary image to the interpolated image learning model to check an output value corresponding thereto, and sets the checked output value to the learning data set.
  • the performance of the interpolation image learning model may be evaluated.
  • the performance evaluation of the interpolation image learning model is exemplified by comparing the value output through the interpolation image learning model with the reference value of the training data set 200, but the present disclosure limits this it is not
  • the apparatus for learning a coronary artery diagnosis image may configure an arithmetic-based interpolation image in consideration of a relationship between angiography images (or coronary artery images) and a change in motion.
  • the coronary artery diagnosis image learning apparatus may evaluate the interpolation performance of the arithmetic-based interpolation image, compare the arithmetic-based interpolation performance and the performance of the interpolation image learning model, and evaluate the performance of the interpolation image learning model.
  • the arithmetic-based interpolation performance and the performance of the interpolation image learning model are determined by analyzing the image characteristics of the sub-coronary image and the arithmetic-based interpolation image, or the blood flow calculated based on the sub-coronary image and the arithmetic-based interpolation image; It can be determined by analyzing the blood flow rate, etc.
  • the coronary artery diagnosis image learning apparatus tunes the variables included in the liver image learning model), or re-learning the interpolation image learning model can be performed (S610).
  • FIGS. 7A to 7C are flowcharts illustrating a procedure of a method for diagnosing coronary artery stenosis according to an embodiment of the present disclosure.
  • the method for diagnosing coronary artery stenosis according to an embodiment of the present disclosure may be performed by the apparatus for diagnosing coronary artery stenosis according to the above-described embodiment of the present disclosure.
  • the apparatus for diagnosing coronary artery stenosis may build a CA detection learning model and an interpolation image learning model in advance ( S700 ).
  • the CA detection learning model and the interpolation image learning model may be constructed by the above-described coronary artery diagnosis image learning method.
  • the apparatus for diagnosing coronary artery stenosis may perform preprocessing on the angiographic image of the heart region.
  • the preprocessor operation includes the operation of removing noise from the angiographic image (S701a, see FIG. 7C), the operation of normalizing the angiographic image from which the noise has been removed (S701b), and the angiography images 201, 202, and 203. It may include an operation (S701c) of processing blood vessel enhancement (BVE) and the like.
  • the apparatus for diagnosing coronary artery stenosis may input the pre-processed image to the CA detection learning model to detect a coronary image corresponding to the angiographic image ( S702 ).
  • the apparatus for diagnosing coronary artery stenosis may detect a center line of the blood vessel region from the coronary image and output an image obtained by applying the detected center line to the coronary image.
  • the apparatus for diagnosing coronary artery stenosis may perform center line detection based on a minimal path approach.
  • the apparatus for diagnosing coronary artery stenosis provides an image in which a center line is applied to a coronary image
  • the present disclosure is not limited thereto, and may be variously changed by a person skilled in the art of the present disclosure.
  • the apparatus for diagnosing coronary artery stenosis may output an image obtained by applying the center line of the blood vessel region to an image binarized by dividing the blood vessel region and the background region.
  • the coronary images detected through the CA detection learning model may be separated by recognizing the same blood vessel as different entities, or may be separated into a relatively small size for diagnosing coronary artery stenosis.
  • the apparatus for diagnosing coronary artery stenosis may be configured to connect the coronary images detected through the CA detection learning model to the same blood vessel object.
  • the coronary artery image detected through the CA detection learning model is configured to have a relatively smaller size than a predetermined size
  • the coronary artery stenosis diagnosis apparatus may delete the corresponding coronary artery image.
  • the merging or deletion of coronary images may be performed on the coronary images output from the CA detection learning model, and the center line of the vascular region is detected from the images on which the merging or deletion of the coronary images has been completed.
  • a midline can be applied to coronary images.
  • the coronary arteries may be continuously moved by the heartbeat and respiration, and based on this, the vascular region may also be moved based on the heartbeat and respiration. Therefore, even if movement occurs in the blood vessel, the starting point and the end point, which are the reference points of the center line of the blood vessel area, must be maintained at a designated position with respect to the blood vessel area to accurately perform frame counting.
  • the apparatus for diagnosing coronary artery stenosis may track a starting point and an ending point (or a corresponding pixel) as a reference of the center line of the blood vessel region ( S704 ).
  • the apparatus for diagnosing coronary artery stenosis may track a start point and an end point (or a corresponding pixel), which are a reference of the center line of the blood vessel area, based on a motion tracking technique for tracking the motion of an object included in the image.
  • the apparatus for diagnosing coronary artery stenosis may perform motion tracking on a post-processed image or may perform motion tracking on an angiographic image of a heart region.
  • the apparatus for diagnosing coronary artery stenosis may construct a three-dimensional coronary artery image by combining at least one post-processed coronary artery image ( S705 ).
  • the apparatus for diagnosing coronary artery stenosis may configure a three-dimensional image by combining at least one coronary artery image based on the center line of the coronary artery image.
  • the apparatus for diagnosing coronary artery stenosis may generate a sub-coronary image corresponding to the coronary artery image by using the interpolated image learning model.
  • the coronary artery image input to the interpolation image learning model may be a frame image generated based on the first frame rate
  • the sub-coronary artery image is an image generated based on the second frame rate
  • the second frame rate is the first frame rate. It may be set to a value relatively larger than the frame rate.
  • the coronary image is a frame image generated based on 7.5 fps, 10 fps, 15 fps, etc.
  • the sub-coronary image is 30 fps, 60 fps. It is generated based on 120 fps or the like, and may be a frame image temporally present between the coronary images 211 , 212 , and 213 .
  • the interpolation image learning model may be configured as a CNN-based learning model, detect a motion field of an image to which a center line is applied to a coronary image, and configure a sub-coronary image based on the detected motion field.
  • the apparatus for diagnosing coronary artery stenosis may perform post-processing on the sub-coronary image.
  • the apparatus for diagnosing coronary artery stenosis may detect a center line of a blood vessel region from the sub-coronary image, and output an image obtained by applying the detected center line to the sub-coronary image.
  • the apparatus for diagnosing coronary artery stenosis may perform center line detection based on a minimal path approach.
  • the sub-coronary image may be separated by recognizing the same blood vessel as different entities, or may be separated into a relatively small size for diagnosing coronary artery stenosis.
  • the apparatus for diagnosing coronary artery stenosis may be configured to connect the sub-coronary images when the images of the same blood vessel are the same.
  • the apparatus for diagnosing coronary artery stenosis may delete the corresponding sub-coronary image.
  • the merging or deletion of coronary images may be performed on a sub-coronary image output from the interpolation image learning model, and the center line of the blood vessel region is detected from an image on which the merging or deletion of sub-coronary images has been completed, The detected center line may be applied to the sub-coronary image.
  • the coronary arteries may be continuously moved by the heartbeat and respiration, and based on this, the vascular region may also be moved based on the heartbeat and respiration. Therefore, even if movement occurs in the blood vessel, the starting point and the end point, which are the reference points of the center line of the blood vessel area, must be maintained at a designated position with respect to the blood vessel area to accurately perform frame counting.
  • the apparatus for diagnosing coronary artery stenosis may track a start point and an end point (or a corresponding pixel) as a reference of the center line of the blood vessel region (S708).
  • the apparatus for diagnosing coronary artery stenosis may control interpolation of the sub-coronary image based on whether the contrast medium is filled.
  • the apparatus for diagnosing coronary artery stenosis checks whether the contrast agent is sufficiently filled in the coronary artery region or the sub-coronary artery region, and when the contrast agent is not sufficiently filled in the pixels of the corresponding region (S709-No), interpolation image learning It can be controlled to provide the sub-coronary image primarily output from the model as an input of the interpolation image learning model again (S710).
  • the apparatus for diagnosing coronary artery stenosis is an image obtained by re-interpolating the sub-coronary image (eg, the primary sub-coronary image (eg, the image interpolated based on 30 fps)) output primarily using the interpolation image learning model.
  • a secondary sub-coronary image eg, an image interpolated at 60 fps mood
  • a secondary sub-coronary image eg, an image interpolated at 60 fps mood
  • the apparatus for diagnosing coronary artery stenosis may control the above-described reinterpolation, post-processing, and motion tracking to be performed until the pixels of the target region are sufficiently filled with the contrast agent.
  • step S711 the device for diagnosing coronary artery stenosis uses the coronary image and sub-coronary image to check the blood flow or blood flow velocity, and uses computational fluid dynamics (CFD) analysis at a desired point.
  • the flow rate can be calculated.
  • step S712 the coronary artery stenosis diagnosis apparatus analyzes the coronary image and the sub-coronary image, and the time taken from the time the contrast agent is introduced into the coronary artery to the specific boundary region of the distal part of the same coronary artery (TFC (TIMI) frame count)) can be analyzed.
  • TFC TIMI
  • the coronary artery stenosis diagnosis apparatus may check the time for which the contrast medium is filled in consideration of this. That is, the apparatus for diagnosing coronary artery stenosis may check the change in brightness of the reference points based on the reference points on the center line of the blood vessel, and check the time for the contrast medium to be filled between the reference points based on this (change in the brightness of the reference points).
  • the apparatus for diagnosing coronary artery stenosis may calculate the time the contrast medium is filled by counting frames in which brightness changes of reference points occur, that is, a frame of a coronary image and a frame of a sub-coronary image.
  • the apparatus for diagnosing coronary artery stenosis may calculate angio fractional flow reserve (aFFR) and estimate a dispersion ratio of blood flow generated in a branching blood vessel, which is a branching region (S715).
  • aFFR angio fractional flow reserve
  • aFFR refers to the ratio of the maximum blood flow measured in the area where the stenotic lesion appears to the maximum blood flow (imaginary value) of normal blood vessels in the coronary artery where the lesion is present, and can be expressed as the ratio of the pressure in the area in which the stenotic lesion appears.
  • aFFR 0.75
  • aFFR>0.8 0.8
  • aFFR 0.75 or more and 0.8 or less
  • the device for diagnosing coronary artery stenosis includes the flow rate provided by S711 and the information provided by S712 (eg, the time it takes to reach a specific boundary area distal to the distal part of the same coronary artery from the time the contrast agent is introduced into the coronary artery), etc.
  • hemodynamic factors can be calculated.
  • the hemodynamic factor may include a wall shear factor (WSP), and the wall shear factor (WSP) may include a wall shear stress (WSS), an oscillatory shear index (OSI), and the like.
  • WSP wall shear factor
  • WSP wall shear stress
  • OSI oscillatory shear index
  • the wall shear stress represents a force acting in the transverse direction of the member to generate a bending moment and acting on the cross section inside the blood vessel by a force that breaks the member.
  • the arrangement of endothelial cells is changed according to the magnitude of the wall shear stress, and in a state in which a stenotic lesion of a level lower than a predetermined level appears, a low wall shear stress is used as a predictor of the progression of stenosis.
  • AWSS Averaged Wall Shear Stress
  • the shear alternating current index (OSI) represents the change in direction, which is the alternating state of the wall shear stress (WSS), and when blood flow ideally flows in one direction, its magnitude becomes 0, and the direction of the shear stress completely changes with the passage of time. In more cases, it appears to be closer to 0.5. Accordingly, the region in which the shear change index (OSI) is relatively high may be a region in which blood flow is likely to be stagnant or regurgitated.
  • the device for diagnosing coronary artery stenosis is provided by the CFD analysis unit 451 based on the characteristics of the aforementioned hemodynamic factors (eg, wall shear factor (WSP), wall shear stress (WSS), shear alternating index (OSI), etc.)
  • the hemodynamic factor may be calculated using the flow rate and the information provided by the TFC analysis unit 452 .
  • the apparatus for diagnosing coronary artery stenosis can determine whether stenosis is stenosis by comprehensively considering not only aFFR but also hemodynamic factors, it is possible to more accurately diagnose stenosis and provide reliable results.
  • WSP wall shear factor
  • WSS wall shear stress
  • OSI shear alternating index
  • the apparatus for diagnosing coronary artery stenosis exemplifies the determination of whether a blood vessel is narrowed in consideration of hemodynamic factors together with aFFR
  • the present disclosure is not limited thereto, and whether stenosis is determined by considering various factors corresponding to hemodynamic factors. judgment can be made.
  • the factor corresponding to the hemodynamic factor is a hemodynamic approach using numerical analysis such as computational fluid dynamics (CFD) and fluid-structure interaction (FSI), but radiology Information (eg, Computed Tomography, Magnetic Resonance Image, Intravascular Ultrasound) can be used to simulate irregular blood vessel shapes or can be changed in various ways based on numerical analysis results and clinical results.
  • CFD computational fluid dynamics
  • FSI fluid-structure interaction
  • radiology Information eg, Computed Tomography, Magnetic Resonance Image, Intravascular Ultrasound
  • the coronary artery stenosis diagnostic device is designed to differentiate between the general patient group and the patient group with a specific disease, and the contrast medium is washed out from the coronary artery area (CCFC (Coronary Clearance Frame Count)) and coronary artery stenosis.
  • CCFC Coronacal Clearance Frame Count
  • step S715 it is preferable that the apparatus for diagnosing coronary artery stenosis calculates the aFFR by reflecting the resistance of the myocardial microvascular region.
  • FIG. 8 is a block diagram illustrating an apparatus and method for learning a coronary artery diagnosis image and a computing system for executing the apparatus and method for diagnosing coronary artery stenosis according to an embodiment of the present disclosure.
  • the computing system 1000 includes at least one processor 1100 , a memory 1300 , a user interface input device 1400 , a user interface output device 1500 , and storage connected through a bus 1200 . 1600 , and a network interface 1700 .
  • the processor 1100 may be a central processing unit (CPU) or a semiconductor device that processes instructions stored in the memory 1300 and/or the storage 1600 .
  • the memory 1300 and the storage 1600 may include various types of volatile or nonvolatile storage media.
  • the memory 1300 may include read only memory (ROM) and random access memory (RAM).
  • a software module resides in a storage medium (ie, memory 1300 and/or storage 1600 ) such as RAM memory, flash memory, ROM memory, EPROM memory, EEPROM memory, registers, hard disk, a removable disk, a CD-ROM. You may.
  • a storage medium ie, memory 1300 and/or storage 1600
  • An exemplary storage medium is coupled to the processor 1100 , the processor 1100 capable of reading information from, and writing information to, the storage medium.
  • the storage medium may be integrated with the processor 1100 .
  • the processor and storage medium may reside within an application specific integrated circuit (ASIC).
  • the ASIC may reside within the user terminal.
  • the processor and storage medium may reside as separate components within the user terminal.
  • Example methods of the present disclosure are expressed as a series of operations for clarity of description, but this is not intended to limit the order in which the steps are performed, and if necessary, each step may be performed simultaneously or in a different order.
  • other steps may be included in addition to the illustrated steps, other steps may be excluded from some steps, or additional other steps may be included except some steps.
  • various embodiments of the present disclosure may be implemented by hardware, firmware, software, or a combination thereof.
  • ASICs Application Specific Integrated Circuits
  • DSPs Digital Signal Processors
  • DSPDs Digital Signal Processing Devices
  • PLDs Programmable Logic Devices
  • FPGAs Field Programmable Gate Arrays
  • general purpose It may be implemented by a processor (general processor), a controller, a microcontroller, a microprocessor, and the like.
  • the scope of the present disclosure includes software or machine-executable instructions (eg, operating system, application, firmware, program, etc.) that cause operation according to the method of various embodiments to be executed on a device or computer, and such software or and non-transitory computer-readable media in which instructions and the like are stored and executable on a device or computer.
  • software or machine-executable instructions eg, operating system, application, firmware, program, etc.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Vascular Medicine (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

본 발명에 따르면, 유의한 관상동맥 협착을 진단하는 장치가 제공될 수 있다. 상기 인공지능 기반의 관상동맥 협착 진단 장치는 관상동맥(coronary artery)이 포함된 진단영역의 혈관조영 영상으로부터 관상동맥 영역을 검출하는 CA 검출 학습모델을 구비하며, 상기 CA 검출 학습모델을 사용하여 상기 혈관조영 영상에 대응되는 관상동맥 영상을 구성하는 관상동맥 영상 검출부와, 미리 정해진 시간 단위를 기준으로 획득된 상기 관상동맥 영상의 모션 변화에 기초하여 학습기반 서브 관상동맥 영상을 구성하는 보간영상 학습모델을 구비하며, 상기 보간영상 학습모델을 사용하여 상기 관상동맥 영상에 대응되는 서브 관상동맥 영상을 생성하는 관상동맥 영상 보간부와, 상기 관상동맥 영상 검출부 및 관상동맥 영상 보간부에서 제공되는 정보를 확인하여 유의한 관상동맥 협착을 분석하는 관상동맥 영상 분석부를 포함할 수 있다.

Description

관상동맥 진단영상 학습장치와 방법, 및 상기 학습장치와 방법을 통해 구축된 학습모델을 사용하는 유의한 관상동맥 협착 진단 장치 및 방법
본 개시는 딥러닝 모델 학습 기술에 관한 것이며, 보다 구체적으로는 의료영상을 기반으로 관상동맥 진단영상에 대한 학습을 수행하는 방법과 장치, 및 의료영상을 기반으로 구축된 학습모델을 사용하여 유의한 관상동맥 협착을 진단하는 방법과 장치에 대한 것이다.
딥러닝(deep learning)은 매우 방대한 양의 데이터를 학습하여, 새로운 데이터가 입력될 경우 학습 결과를 바탕으로 확률적으로 가장 높은 답을 선택하는 것이다. 이러한, 딥러닝은 영상에 따라 적응적으로 동작할 수 있으며, 데이터에 기초하여 모델을 학습하는 과정에서 특성인자를 자동으로 찾아내기 때문에 최근 인공 지능 분야에서 이를 활용하려는 시도가 늘어나고 있는 추세이다.
관상동맥의 협착을 분석하는 방법으로서 관상동맥 조영술이 사용되고 있으나, 조영술만으로 병변을 평가할 경우 조영술이 가지는 근본적인 제한점으로 인하여 실제 환자가 가진 관상동맥 질환을 정확하게 진단하지 못하는 문제가 있다. 특히, 관상동맥 영상을 정확하게 분석하기 위해서는 고속의 x-ray angiography가 요구되나, x-ray angiography의 촬영시 발생되는 방사선 노출문제로 이를 적용하기 어려운 문제가 있다.
조영술상 중등도 협착을 보이는 병변에 대해서는 x-ray angiography 만을 이용하여 치료방법을 결정하면 약물치료와 스텐트 삽입술 중의 어느 것이 더 임상적 예후를 호전시킬 수 있을 지 논란이 있다. 이때 치료방법 결정을 위해 관상동맥 협착에 대한 스텐트 삽입술 시 유의성을 평가하는 기능적 평가 방법인 압력철선(pressure wire)을 이용한 분획혈류예비력(fractional flow reserve, FFR) 검사법이 x-ray angiography 만을 이용한 검사법보다 우월성을 입증하였고, FFR≤0.8 시 스텐트 삽입술을 권고하는 방식으로 임상적으로 사용되고 있으나, 시술의 복잡성, 충혈(hyperemia) 유발 약제 사용, 침습적 시술의 안전성 등과 같은 이유로 보급되지 못하고 있는 실정이다.
본 개시의 기술적 과제는 학습모델을 사용하여 관상동맥 진단영상을 구성하고, 이를 기반으로 중증도 관상동맥 협착의 유의성과 기능적인 허혈을 판별하고 이에 따라 스텐트 삽입술 치료 필요 여부를 판단하는 방법 및 장치를 제공하는 것이다.
본 개시의 다른 기술적 과제는 신뢰도 높은 관상동맥 진단영상을 구성할 수 있는 학습 모델을 구축하는 방법 및 장치를 제공하는 것이다.
본 개시에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시의 일 양상에 따르면, 관상동맥 협착 진단 장치가 제공될 수 있다. 상기 장치는, 관상동맥(coronary artery)이 포함된 진단영역의 혈관조영 영상으로부터 관상동맥 영역을 검출하는 CA 검출 학습모델을 구비하며, 상기 CA 검출 학습모델을 사용하여 상기 혈관조영 영상에 대응되는 관상동맥 영상을 구성하는 관상동맥 영상 검출부와, 미리 정해진 시간 단위를 기준으로 획득된 상기 관상동맥 영상의 모션 변화에 기초하여 학습기반 서브 관상동맥 영상을 구성하는 보간영상 학습모델을 구비하며, 상기 보간영상 학습모델을 사용하여 상기 관상동맥 영상에 대응되는 서브 관상동맥 영상을 생성하는 관상동맥 영상 보간부와, 상기 관상동맥 영상 검출부 및 관상동맥 영상 보간부에서 제공되는 정보를 확인하여 관상동맥 협착을 분석하는 관상동맥 영상 분석부를 포함할 수 있다.
본 개시의 다른 양상에 따르면, 인공지능 기반의 관상동맥 협착 진단 방법이 제공될 수 있다. 상기 방법은, 혈관조영 영상으로부터 관상동맥(coronary artery) 영역을 검출하는 CA 검출 학습모델과, 미리 정해진 시간 단위를 기준으로 획득된 상기 혈관조영 영상의 모션 변화에 기초하여 학습기반 서브 관상동맥 영상을 구성하는 보간영상 학습모델을 학습하는 과정과, 상기 CA 검출 학습모델을 사용하여 상기 혈관조영 영상에 대응되는 관상동맥 영상을 구성하는 과정과, 상기 보간영상 학습모델을 사용하여 상기 관상동맥 영상에 대응되는 학습기반 서브 관상동맥 영상을 생성하는 과정과, 상기 관상동맥 영상 및 상기 학습기반 서브 관상동맥 영상을 확인하여 관상동맥 협착을 분석하는 과정을 포함할 수 있다.
본 개시의 또 다른 양상에 따르면, 관상동맥 협착 진단에 사용되는 학습모델을 학습하는 장치가 제공될 수 있다. 상기 장치는 관상동맥(coronary artery)이 포함된 진단영역의 혈관조영 영상으로부터 관상동맥 영역을 검출하는 CA 검출 학습모델을 학습하는 관상동맥 영상 학습부와, 미리 정해진 시간 단위를 기준으로 획득된 상기 관상동맥 영상의 모션 변화에 기초하여 학습기반 서브 관상동맥 영상을 구성하는 보간영상 학습모델을 학습하되, 상기 학습기반 서브 관상동맥 영상은, 시간적으로 상기 관상동맥 영상 사이에 존재하는 것을 특징으로 하는 보간영상 학습부를 포함할 수 있다.
본 개시의 또 다른 양상에 따르면, 관상동맥 협착 진단에 사용되는 학습모델을 학습하는 방법이 제공될 수 있다. 상기 방법은, 관상동맥(coronary artery)이 포함된 진단영역의 혈관조영 영상으로부터 관상동맥 영역을 검출하는 CA 검출 학습모델을 학습하는 과정과, 미리 정해진 시간 단위를 기준으로 획득된 상기 관상동맥 영상의 모션 변화에 기초하여 학습기반 서브 관상동맥 영상을 구성하는 보간영상 학습모델을 학습하되, 상기 학습기반 서브 관상동맥 영상은, 시간적으로 상기 관상동맥 영상 사이에 존재하는 것을 특징으로 하는 과정을 포함할 수 있다.
본 개시에 대하여 위에서 간략하게 요약된 특징들은 후술하는 본 개시의 상세한 설명의 예시적인 양상일 뿐이며, 본 개시의 범위를 제한하는 것은 아니다.
본 개시에 따르면, 학습모델을 사용하여 관상동맥 진단영상을 구성하고, 이를 기반으로 관상동맥 협착을 진단하는 방법 및 장치가 제공될 수 있다.
또한, 본 개시에 따르면, 학습모델을 기반으로 구성된 관상동맥 진단영상을 사용하여 관상동맥 협착에 대한 치료 여부를 용이하고 정확하게 결정하는 방법 및 장치가 제공될 수 있다.
또한, 본 개시에 따르면, 신뢰도 높은 관상동맥 진단영상을 구성할 수 있는 학습 모델을 구축하는 방법 및 장치가 제공될 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 일 실시예에 따른 관상동맥 진단영상 학습장치의 구성을 나타내는 블록도이다.
도 2a는 본 개시의 일 실시예에 따른 관상동맥 진단영상 학습장치에 사용되는 학습 데이터 셋을 예시하는 도면이다.
도 2b는 본 개시의 일 실시예에 따른 관상동맥 진단영상 학습장치에 사용되는 관상동맥 영상과 서브 관상동맥 영상 사이의 관계를 예시하는 도면이다.
도 3a는 본 개시의 일 실시예에 따른 관상동맥 진단영상 학습장치에 구비된 CA 검출 학습모델의 구조를 예시하는 도면이다.
도 3b는 본 개시의 일 실시예에 따른 관상동맥 진단영상 학습장치에 구비된 보간영상 학습모델의 구조를 예시하는 도면이다.
도 4는 본 개시의 일 실시예에 따른 관상동맥 협착 진단 장치의 구성을 나타내는 블록도이다.
도 5a 및 도 5b는 본 개시의 일 실시예에 따른 관상동맥 협착 진단 장치에서 사용되는 혈류역학적 인자를 예시하는 도면이다.
도 6a 및 도 6b는 본 개시의 일 실시예에 따른 관상동맥 진단영상 학습방법의 순서를 도시하는 흐름도이다.
도 7a 내지 도 7c는 본 개시의 일 실시예에 따른 관상동맥 협착 진단 방법의 순서를 도시하는 흐름도이다.
도 8은 본 개시의 일 실시예에 따른 관상동맥 진단영상 학습장치 및 방법과, 관상동맥 협착 진단 장치 및 방법을 실행하는 컴퓨팅 시스템을 예시하는 블록도이다.
이하에서는 첨부한 도면을 참고로 하여 본 개시의 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나, 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.
본 개시의 실시예를 설명함에 있어서 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그에 대한 상세한 설명은 생략한다. 그리고, 도면에서 본 개시에 대한 설명과 관계없는 부분은 생략하였으며, 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 개시에 있어서, 어떤 구성요소가 다른 구성요소와 "연결", "결합" 또는 "접속"되어 있다고 할 때, 이는 직접적인 연결관계뿐만 아니라, 그 중간에 또 다른 구성요소가 존재하는 간접적인 연결관계도 포함할 수 있다. 또한 어떤 구성요소가 다른 구성요소를 "포함한다" 또는 "가진다"고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 배제하는 것이 아니라 또 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 개시에 있어서, 제1, 제2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용되며, 특별히 언급되지 않는 한 구성요소들간의 순서 또는 중요도 등을 한정하지 않는다. 따라서, 본 개시의 범위 내에서 일 실시예에서의 제1 구성요소는 다른 실시예에서 제2 구성요소라고 칭할 수도 있고, 마찬가지로 일 실시예에서의 제2 구성요소를 다른 실시예에서 제1 구성요소라고 칭할 수도 있다.
본 개시에 있어서, 서로 구별되는 구성요소들은 각각의 특징을 명확하게 설명하기 위함이며, 구성요소들이 반드시 분리되는 것을 의미하지는 않는다. 즉, 복수의 구성요소가 통합되어 하나의 하드웨어 또는 소프트웨어 단위로 이루어질 수도 있고, 하나의 구성요소가 분산되어 복수의 하드웨어 또는 소프트웨어 단위로 이루어질 수도 있다. 따라서, 별도로 언급하지 않더라도 이와 같이 통합된 또는 분산된 실시예도 본 개시의 범위에 포함된다.
본 개시에 있어서, 다양한 실시예에서 설명하는 구성요소들이 반드시 필수적인 구성요소들은 의미하는 것은 아니며, 일부는 선택적인 구성요소일 수 있다. 따라서, 일 실시예에서 설명하는 구성요소들의 부분집합으로 구성되는 실시예도 본 개시의 범위에 포함된다. 또한, 다양한 실시예에서 설명하는 구성요소들에 추가적으로 다른 구성요소를 포함하는 실시예도 본 개시의 범위에 포함된다.
이하, 첨부한 도면을 참조하여 본 개시의 실시예들에 대해서 설명한다.
도 1은 본 개시의 일 실시예에 따른 관상동맥 진단영상 학습장치의 구성을 나타내는 블록도이다.
도 1을 참조하면, 관상동맥 진단영상 학습장치(100)는 심장영역의 혈관조영 영상을 입력받고, 관상동맥(coronary artery) 영역의 영상(이하, '관상동맥 영상'이라 함)을 학습하도록 구성될 수 있으며, 관상동맥 영상 학습부(110) 및 보간영상 학습부(130)를 포함할 수 있다.
본 개시의 일 실시예에서, 심장영역의 혈관조영 영상은 신체의 심장기관이 위치한 영역을 혈관조영술로 촬영한 영상으로서, 2차원 X-ray angiography 영상일 수 있으며, 관상동맥 영상은 심장영역의 혈관조영 영상으로부터, 관상동맥이 위치한 영역이 분할(segmentation)된 영상일 수 있다.
관상동맥 영상 학습부(110)는 관상동맥(coronary artery) 검출 학습모델(이하, 'CA 검출 학습모델'이라 함)(111)에 대한 학습을 수행하는 구성부로서, 심장영역의 혈관조영 영상의 입력에 대응되는 관상동맥 영상을 출력하는 CA 검출 학습모델(111)의 학습을 수행할 수 있다. 이를 위해, 관상동맥 영상 학습부(110)는 CA 검출 학습모델의 학습을 제어하는 CA 검출 학습 제어부(113)를 구비할 수 있다.
관상동맥 진단영상 학습장치(100)는 관상동맥 영상 학습부(110) 및 보간영상 학습부(130)의 학습에 필요한 학습 데이터 셋(200, 도 2a 참조)을 준비할 수 있다. 학습 데이터 셋(200)은 심장영역의 혈관조영 영상(201, 202, 203)과, 혈관조영 영상(201, 202, 203)에서 관상동맥 영역을 추출한 관상동맥 영상(211, 212, 213)을 포함할 수 있다.
추가적으로, 심장영역의 혈관조영 영상(201, 202, 203)은 2차원 X-ray 기반의 영상일 수 있는데, X-ray 기반의 영상은 방사선을 사용하여 획득되는 영상이므로 환자의 방사선 노출 문제로 인해 초당 프레임 수를 늘리는데 한계가 있다. 따라서, 심장영역의 혈관조영 영상(201, 202, 203)을 사용하여 관상동맥 질환을 진단하는데 한계가 있으며, 혈관조영 영상(201, 202, 203)을 기반으로 질환을 진단하는 것에 대한 신뢰성 문제가 제기되기도 한다. 혈관조영 영상(201, 202, 203)은 통상적으로 사용되는 초당 프레임 수에 기반하여 구성된 영상일 수 있으며, 보간영상 학습부(130)는 통상적으로 사용되는 초당 프레임 수의 관상동맥 영상(211, 212, 213)을 사용하여, 상대적으로 더 많은 수의 프레임을 보간하도록 보간영상 학습모델의 학습을 수행한다. 이를 위해, 학습 데이터 셋(200)은 혈관조영 영상(201, 202, 203)에 기초한 관상동맥 영상(211, 212, 213)보다 상대적으로 더 큰 프레임 레이트로 획득된 서브 관상동맥 영상(221, 222, 223)을 포함할 수 있다. 예컨대, 혈관조영 영상(201, 202, 203)에 기초한 관상동맥 영상(211, 212, 213)은 7.5fps, 10fps, 15fps 등을 기준으로 구성된 영상일 수 있으며, 서브 관상동맥 영상(221, 222, 223)은 30fps, 60fps. 120fps 등을 기준으로 구성되며, 시간적으로 관상동맥 영상(211, 212, 213)의 사이에 존재하는 영상일 수 있다(도 2b 참조).CA 검출 학습 제어부(113)는 CA 검출 학습모델(111)에 혈관조영 영상(201, 202, 203)이 입력되고, CA 검출 학습모델(111)의 목적 변수(groundtruth)로서 관상동맥 영상(211, 212, 213)이 제공되도록 제어할 수 있다(도 3a 참조). 이에 따라, CA 검출 학습모델(111)은 CNN 기반의 학습모델로 구성될 수 있으며, 혈관조영 영상(201, 202, 203)에 대응되는 관상동맥 영상(211, 212, 213)을 출력하도록 학습될 수 있다.
또한, CA 검출 학습 제어부(113)는 CA 검출 학습모델(111)의 학습을 수행한 후, CA 검출 학습모델(111)에 혈관조영 영상(201, 202, 203)을 입력하여, 그에 대응되는 출력값을 확인할 수 있으며, 확인된 출력값을 학습 데이터 셋(200)의 관상동맥 영상(211, 212, 213)의 값과 비교하여, CA 검출 학습모델(111)의 성능을 평가할 수 있다. 그리고, CA 검출 학습 제어부(113)는 CA 검출 학습모델(111)에 포함된 변수를 튜닝하여 CA 검출 학습모델(111)의 성능을 제어할 수 있다.
나아가, 관상동맥 영상 학습부(110)는 CA 검출 학습모델(111)에 입력되는 혈관조영 영상(201, 202, 203)의 전처리를 수행하는 전처리부(112)를 더 포함할 수 있다. 전처리부(112)는 혈관조영 영상(201, 202, 203)에 대한 혈관 강화(BVE; Blood Vessel Enhancement)를 처리하는 BVE 처리부(112a)와, 혈관 강화 처리된 상기 혈관조영 영상을 미리 정해진 임계값을 기준으로 이진화하여 이진화 영상을 구성하는 이진화 처리부(112b)를 포함할 수 있다. 나아가, 이진화 처리부(112b)는, 혈관 강화 처리된 혈관조영 영상의 상태 및 환경을 고려하여 이진화의 기준이되는 임계값을 능동적으로 제어할 수 있다. 구체적으로, 이진화 처리부(112b)는 BVE 처리부(112a)를 통해 혈관 강화 처리된 조영 영상을 임계값을 기준으로 이진화하여 이진화 영상을 구성할 수 있다. 이진화 기준이 되는 임계값은 이미지를 전처리부(112)에서 추출되는 혈관조영 영상(201, 202, 203)을 통계학적인 측면과 필터 등을 결합하여 결정될 수 있다. 예컨대, 이진화 처리부(112b)는 혈관조영 영상(201, 202, 203)의 초기 이미지(예, 조영제가 투입되지 전에 촬영된 이미지)에 대한 픽셀 값의 통계값을 기준으로 임계값을 설정할 수 있다. 그리고, 이진화 처리부(112b)는 노이즈 제거에 강한 칼만 필터(Kalman Filter)와 같은 필터와 히스토그램 평활화(Histogram Equalization) 필터 등을 적용하여 임계값을 재설정하고, 각 이미지(또는 프레임)마다 능동적으로 임계값을 설정할 수 있다. 이진화 처리부(112b)는 혈관조영 영상(201, 202, 203)의 픽셀 값을 반영하여 임계값을 설정할 수 있으며, 이렇게 설정된 임계값을 기준으로 이진화를 유동적으로 조절할 수 있다. 결국, 이진화 처리부(112b)는 밝기 또는 농도가 다른 환경의 혈관조영 영상(201, 202, 203)이 입력되더라도, 능동적으로 이진화를 제어할 수 있다.
나아가, 전처리부(112)는 혈관조영 영상(201, 202, 203)의 노이즈를 제거하는 노이즈 제거부(112c)와, 노이즈가 제거된 상기 혈관조영 영상을 정규화하는 데이터 정규화부(112d)를 더 포함할 수 있다. 노이즈 제거부(112c)와 데이터 정규화부(112d)는 BVE 처리부(112a)의 전단에 구비되는 것이 바람직하다.
추가적으로, CA 검출 학습모델(111)을 통해 검출되는 관상동맥 영상(211, 212, 213)은 동일한 혈관이 서로 다른 개체로 인식되어 분리되거나, 관상동맥 협착을 진단하기에는 상대적으로 너무 작은 크기로 분리될 수 있다. 이를 고려하여, 관상동맥 영상 학습부(110)는 CA 검출 학습모델(111)을 통해 검출되는 관상동맥 영상(211, 212, 213)을 후처리하는 후처리부(114)를 더 포함할 수 있다.
후처리부(114)는 CA 검출 학습모델(111)을 통해 검출되는 관상동맥 영상이 동일한 혈관 개체일 경우, 해당 영상을 연결하도록 구성될 수 있다. 또한, CA 검출 학습모델(111)을 통해 검출되는 관상동맥 영상이 미리 정해진 크기보다 상대적으로 작은 크기로 구성될 경우, 후처리부(114)는 해당 관상동맥 영상을 삭제 처리할 수 있다. 구체적으로, 후처리부(114)는 CA 검출 학습모델(111)에서 검출되는 관상동맥 영상의 노이즈 제거, 끊어지게 검출된 동일 혈관끼리의 매핑 및 정해진 크기보다 상대적으로 작은 크기로 검출 시에는 관상동맥 영상에서의 삭제 처리를 수행할 수 있다. 후처리부(114)는 CA 검출 학습모델(111)로부터 검출되는 인공지능 데이터의 값을 조절하여 노이즈를 제거할 수 있다. 즉, 후처리부(114)는 CA 검출 학습모델(111)을 통해 구성되는 영상 데이터에 소정의 필터를 적용하여 노이즈를 제거할 수 있다. 이때, 노이즈 제거에 사용되는 필터는 평균값 필터, 가우시안 필터, 중간값 필터 중, 선택된 하나 또는 둘 이상을 조합된 필터 일 수 있다. 바람직하게, 후처리부(114)는 평균값 필터 및 가우시안 필터를 사용하여 픽셀끼리의 영상을 부드럽게(smoothing) 처리한 후, 처리된 결과에 중간값 필터를 추가 적용하여 노이즈를 제거할 수 있다.
후처리부(114)는 모폴로지(morphology) 연산과 연결요소 레이블링을 사용하여 동일 혈관끼리의 매핑, 관상동맥 영상의 삭제 처리 등을 수행할 수 있다. 이때, 사용되는 영상은 바이너리 이미지를 사용하므로 이진화 처리를 필요로 한다. 예를 들어, 후처리부(114)는 동일 혈관끼리 매핑하기 위해 “닫힘” 연산인 “팽창 이후 침식” 연산을 먼저 수행한 후, 연결 요소 레이블링 등을 처리할 수 있다. 이와 같이, 후처리부(114)는 “닫힘” 연산을 통해 어둡게 표현된 영역(즉, 0에 가깝게 표현되는 영역)을 노이즈로 설정하여 효과적으로 제거할 수 있다. 또한, 후처리부(114)는 연결 요소 레이블링을 사용하여 “닫힘” 연산으로 연결되지 않은 넓은 범위를 연결할 수 있다. 즉, 후처리부(114)는 픽셀 값이 0으로 끊어지지 않는 영역에 대해 동일한 값을 부여하여 분리할 수 있으며, 나아가, 동일혈관이지만 끊어지게 표현된 영역에 대해 동일한 값을 부여하여 동일 혈관의 연결 등을 처리할 수 있다.
나아가, 후처리부(114)는 매핑 후 생성되는 영상의 노이즈를 최소화하고, 관상동맥 영상에서의 삭제를 위해 “열림” 연산을 수행할 수 있으며, 이를 통해, 노이즈를 제거하고, 불필요한 영역(예컨대, 돌출된 영역, 미리 정해진 크기보다 상대적으로 작은 크기의 혈관 영역 등)을 제거할 수 있다.
한편, 보간영상 학습부(130)는, 보간영상 학습모델(131)을 구축하는 구성부로서, 관상동맥 영상 학습부(110)가 제공하는 관상동맥 영상에 대응되는 보간영상의 학습을 수행할 수 있다. 이를 위해, 보간영상 학습부(130)는 보간영상 학습모델(131)의 학습을 제어하는 보간영상 학습 제어부(133)를 구비할 수 있다.
보간영상 학습부(130)는, 관상동맥 영상 학습부(110)로부터 데이터 셋(200)에 포함된 관상동맥 영상(211, 212, 213)을 제공받을 수 있으며, 보간영상 학습 제어부(133)는, 관상동맥 영상(211, 212, 213)을 보간영상 학습모델(131)의 입력으로 사용하고, 전술한 서브 관상동맥 영상(221, 222, 223)을 보간영상 학습모델(131)의 목적변수로 사용하도록 제어할 수 있다(도 3b 참조).
특히, 보간영상 학습모델(131)은 CNN 기반의 학습모델로 구성될 수 있으며, 관상동맥 영상(211, 212, 213)의 모션 필드를 검출하는 신경망을 이용하여 모션 필드를 검출하고, 검출된 모션 필드에 기초하여 서브 관상동맥 영상(221, 222, 223)을 구성하도록 학습될 수 있다.
보간영상 학습 제어부(133)는 보간영상 학습모델(131)의 학습을 수행한 후, 보간영상 학습모델(131)에 관상동맥 영상(211, 212, 213)을 입력하여, 그에 대응되는 출력값을 확인할 수 있으며, 확인된 출력값을 학습 데이터 셋(200)의 서브 관상동맥 영상(221, 222, 223)의 값과 비교하여, 보간영상 학습모델(131)의 성능을 평가할 수 있다. 그리고, 보간영상 학습 제어부(133)는 보간영상 학습모델(131)의 재학습을 제어하거나, 보간영상 학습모델(131)에 포함된 변수를 튜닝하여 보간영상 학습모델(131)의 성능을 제어할 수 있다.
또한, 보간영상 학습부(130)는 혈관조영 영상(또는 관상동맥 영상)과 보간영상에 포함된 모션 필드를 검출하고, 검출된 모션 필드에 기초하여 혈류량 및 혈류 속도를 검출하는 혈류정보 분석부(135)를 포함할 수 있다. 보간영상 학습 제어부(133)는 혈류정보 분석부(135)의 동작을 제어할 수 있으며, 혈류정보 분석부(135)에서 출력되는 혈류량 및 혈류 속도를 기반으로 보간영상 학습모델(131)의 학습을 제어하거나, 보간영상 학습모델(131)의 성능을 제어할 수 있다.
또한, 보간영상 학습부(130)는 미리 정해진 시간 단위를 기준으로 획득된 혈관조영 영상(또는 관상동맥 영상) 사이의 관계 및 모션 변화를 고려하여, 산술기반 보간영상을 구성하는 산술 보간 처리부(137)를 더 포함할 수 있다. 산술 보간 처리부(137)는 산술기반 보간영상을 구성하고, 이(산술기반 보간영상)를 혈류정보 분석부(135)에 제공할 수 있다. 이에 기초하여, 혈류정보 분석부(135)는 산술기반 보간영상을 기반으로 산출된 혈류량, 혈류 속도 등을 출력할 수 있다. 전술한 바에 기초하여, 보간영상 학습 제어부(133)는 산술기반 보간영상을 기반으로 산출된 혈류량, 혈류 속도 등을, 보간영상 학습모델(131)의 목적변수로 사용된 서브 관상동맥 영상(221, 222, 223)의 혈류량, 혈류 속도 등과 비교하여 산술 보간 처리부(137)의 성능을 평가할 수 있다.
나아가, 보간영상 학습 제어부(133)는 보간영상 학습모델(131)의 성능과 산술 보간 처리부(137)의 성능을 기반으로, 보간영상 학습모델(131)에 포함된 변수를 튜닝하여 보간영상 학습모델(131)의 성능을 제어할 수 있다. 예컨대, 보간영상 학습모델(131)의 성능이 산술 보간 처리부(137)의 성능보다 상대적으로 낮게 나타날 경우, 보간영상 학습 제어부(133)는 보간영상 학습모델(131)의 재학습을 제어하거나, 보간영상 학습모델(131)에 포함된 변수를 튜닝하여 보간영상 학습모델(131)의 성능을 제어할 수 있다. 이때, 보간영상 학습모델(131)의 성능과 산술 보간 처리부(137)의 성능은 서브 관상동맥 영상과 산술기반 보간영상의 영상 특성을 분석하여 결정하거나, 또는 서브 관상동맥 영상과 산술기반 보간영상에 기초하여 산출된 혈류량, 혈류속도 등을 분석하여 결정할 수 있다.
도 4는 본 개시의 일 실시예에 따른 관상동맥 협착 진단 장치의 구성을 나타내는 블록도이다.
도 4를 참조하면, 관상동맥 협착 진단 장치(400)는 심장영역의 혈관조영 영상을 입력받고, 이에 대응되는 관상동맥 협착 상태를 검출하도록 구성될 수 있으며, 관상동맥 영상 검출부(410), 관상동맥 영상 보간부(430) 및 관상동맥 영상 분석부(450)를 포함할 수 있다.
관상동맥 영상 검출부(410)는 CA 검출 학습모델(411)을 구비할 수 있으며 이(411)는 전술한 관상동맥 진단영상 학습장치(100)에 의해 구축된 학습 모델일 수 있다. CA 검출 학습모델(411)은 CNN 기반의 학습모델로 구성될 수 있으며, 혈관조영 영상에 대응되는 관상동맥 영상을 출력하도록 학습된 모델일 수 있다.
나아가, 관상동맥 영상 검출부(410)는 CA 검출 학습모델(411)에 입력되는 혈관조영 영상의 전처리를 수행하는 전처리부(412) 및 CA 검출 학습모델(411)에서 출력되는 관상동맥 영상을 후처리하는 후처리부(414)를 더 포함할 수 있다.
전처리부(412)는 혈관조영 영상에 대한 혈관 강화(BVE; Blood Vessel Enhancement)를 처리하는 BVE 처리부(412a)를 포함할 수 있다.
나아가, 전처리부(412)는 혈관조영 영상의 노이즈를 제거하는 노이즈 제거부(412b)와, 노이즈가 제거된 상기 혈관조영 영상을 정규화하는 데이터 정규화부(412c)를 더 포함할 수 있다. 노이즈 제거부(412b)와 데이터 정규화부(412c)는 BVE 처리부(412a)의 전단에 구비되는 것이 바람직하다.
또한, 후처리부(414)는 CA 검출 학습모델(411)에서 출력되는 관상동맥 영상으로부터 혈관 영역의 중앙선을 검출하고, 검출된 중앙선을 관상동맥 영상에 적용한 영상을 출력할 수 있다. 이때, 후처리부(414)는 최소 경로 접근법(minimal path approach)에 기초하여 중앙선 검출을 수행할 수 있다.
후처리부(414)가 관상동맥 영상에 중앙선을 적용한 영상을 제공하는 것을 예시하였으나, 본 개시가 이를 한정하는 것은 아니며, 본 개시의 기술분야에서 통상의 지식을 가진 자에 의해 다양하게 변경될 수 있다. 예컨대, 후처리부(414)는 혈관영역과 배경영역을 구분하여 이진화한 영상에 혈관 영역의 중앙선을 적용한 영상을 출력할 수도 있다.
추가적으로, CA 검출 학습모델(411)을 통해 검출되는 관상동맥 영상은 동일한 혈관이 서로 다른 개체로 인식되어 분리되거나, 관상동맥 협착을 진단하기에는 상대적으로 너무 작은 크기로 분리될 수 있다. 이를 고려하여, 후처리부(414)는 CA 검출 학습모델(411)을 통해 검출되는 관상동맥 영상이 동일한 혈관 개체일 경우, 해당 영상을 연결하도록 구성될 수 있다. 또한, CA 검출 학습모델(411)을 통해 검출되는 관상동맥 영상이 미리 정해진 크기보다 상대적으로 작은 크기로 구성될 경우, 후처리부(414)는 해당 관상동맥 영상을 삭제 처리할 수 있다.
관상동맥 영상의 병합 또는 삭제 처리는 CA 검출 학습모델(411)에서 출력되는 관상동맥 영상을 대상으로 이루어질 수 있으며, 관상동맥 영상의 병합 또는 삭제 처리가 완료된 영상을 대상으로 혈관 영역의 중앙선을 검출하고, 검출된 중앙선을 관상동맥 영상에 적용할 수 있다.
나아가, 관상 동맥은 심장 박동과 호흡에 의해 지속적으로 움직일 수 있으며, 이에 기초하여, 후처리부(414)를 통해 출력되는 영상에서, 혈관 영역 역시 심장 박동과 호흡을 기반으로 움직임이 발생될 수 있다. 따라서, 혈관에 움직임이 발생되더라도 혈관 영역 중앙선의 기준이되는 시작점과 끝점은 혈관 영역을 중심으로 지정된 위치에서 유지되어야 프레임 카운팅(frame counting)을 정확하게 수행할 수 있다. 전술한 바를 고려하여, 관상동맥 영상 검출부(410)는 혈관 영역 중앙선의 기준이되는 시작점과 끝점(또는 이에 대응되는 픽셀)을 추적하는 모션 트랙킹부(415)를 더 포함할 수 있다. 이때, 모션 트랙킹부(415)는 영상에 포함된 객체의 움직임을 추적하는 앞서 검출된 모션 필드를 바탕으로 모션 트래킹 기법을 수행하여 혈관 영역 중앙선의 기준이되는 시작점과 끝점(또는 이에 대응되는 픽셀)을 추적할 수 있다.
나아가, 모션 트랙킹부(415)는 후처리부(414)를 통해 출력되는 영상을 대상으로 모션 트래킹을 수행하거나, 또는 심장영역의 혈관조영 영상을 대상으로 모션 트래킹을 수행할 수 있다.
추가적으로, 관상동맥 영상 검출부(410)는 후처리부(414)를 통해 출력되는 적어도 하나의 관상동맥 영상을 조합하여 3차원의 관상동맥 영상을 구성하는 3차원 영상 재구성부(417)를 더 포함할 수 있다. 이때, 3차원 영상 재구성부(417)는 관상동맥 영상의 중심선을 기준으로 적어도 하나의 관상동맥 영상을 조합하여 3차원의 영상을 구성할 수 있다. 더불어 2차원 보간 영상을 기반으로 3차원 보간 영상을 구성하여 출력 또한 가능하다.
한편, 관상동맥 영상 보간부(430)는, 보간영상 학습모델(431)을 구비할 수 있으며, 이(431)는 전술한 관상동맥 진단영상 학습장치(100)에 의해 구축된 학습 모델일 수 있다. 보간영상 학습모델(431)은 CNN 기반의 학습모델로 구성될 수 있으며, 관상동맥 영상에 대응되는 서브 관상동맥 영상을 생성할 수 있다. 전술한 바와 같이, 보간영상 학습모델(431)에 입력되는 관상동맥 영상은 관상동맥 영상 검출부(410)를 통해 검출 및 출력되는 영상으로서, 예컨대, 중앙선을 관상동맥 영상에 적용한 영상일 수 있다. 이때, 관상동맥 영상은 제1프레임 레이트를 기준으로 생성된 프레임 영상일 수 있으며, 서브 관상동맥 영상은 제2프레임 레이트를 기준으로 생성되는 영상으로로서 제2프레임 레이트는 제1프레임 레이트보다 상대적으로 더 큰값으로 설정될 수 있다. 예를 들어, 관상동맥 영상이 7.5fps, 10fps, 15fps 등을 기준으로 생성된 프레임 영상일 경우, 서브 관상동맥 영상은 30fps, 60fps. 120fps 등을 기준으로 생성되며, 시간적으로 관상동맥 영상 사이에 존재하는 프레임 영상일 수 있다.
특히, 보간영상 학습모델(431)은 CNN 기반의 학습모델로 구성될 수 있으며, 관상동맥 영상의 모션 필드를 검출하고, 검출된 모션 필드에 기초하여 서브 관상동맥 영상을 구성할 수 있다.
관상동맥 영상 보간부(430)는 보간영상 학습모델(431)을 통해 생성된 서브 관상동맥 영상에 대한 후처리를 수행하는 후처리부(433)를 더 포함할 수 있다. 후처리부(433)는 서브 관상동맥 영상을 대상으로 혈관 영역의 중앙선을 검출하고, 검출된 중앙선을 서브 관상동맥 영상에 적용한 영상을 출력할 수 있다. 이때, 후처리부(433)는 최소 경로 접근법(minimal path approach)에 기초하여 중앙선 검출을 수행할 수 있다.
후처리부(433)가 중앙선을 서브 관상동맥 영상에 적용한 영상을 제공하는 것을 예시하였으나, 본 개시가 이를 한정하는 것은 아니며, 본 개시의 기술분야에서 통상의 지식을 가진 자에 의해 다양하게 변경될 수 있다.
추가적으로, 보간영상 학습모델(431)을 통해 검출되는 서브 관상동맥 영상은 동일한 혈관이 서로 다른 개체로 인식되어 분리되거나, 관상동맥 협착을 진단하기에는 상대적으로 너무 작은 크기로 분리될 수 있다. 이를 고려하여, 후처리부(433)는 보간영상 학습모델(431)을 통해 검출되는 서브 관상동맥 영상이 동일한 혈관 개체일 경우, 해당 영상을 연결하도록 구성될 수 있다. 또한, 보간영상 학습모델(431)을 통해 검출되는 서브 관상동맥 영상이 미리 정해진 크기보다 상대적으로 작은 크기로 구성될 경우, 후처리부(433)는 해당 서브 관상동맥 영상을 삭제 처리할 수 있다.
관상동맥 영상의 병합 또는 삭제 처리는 보간영상 학습모델(431)에서 출력되는 서브 관상동맥 영상을 대상으로 이루어질 수 있으며, 서브 관상동맥 영상의 병합 또는 삭제 처리가 완료된 영상을 대상으로 혈관 영역의 중앙선을 검출하고, 검출된 중앙선을 서브 관상동맥 영상에 적용할 수 있다.
나아가, 관상 동맥은 심장 박동과 호흡에 의해 지속적으로 움직일 수 있으며, 이에 기초하여, 후처리부(433)를 통해 출력되는 영상에서, 혈관 영역 역시 심장 박동과 호흡을 기반으로 움직임이 발생될 수 있다. 따라서, 혈관에 움직임이 발생되더라도 혈관 영역 중앙선의 기준이되는 시작점과 끝점은 혈관 영역을 중심으로 지정된 위치에서 유지되어야 프레임 카운팅(frame counting)을 정확하게 수행할 수 있다. 전술한 바를 고려하여, 관상동맥 영상 보간부(430)는 혈관 영역 중앙선의 기준이되는 시작점과 끝점(또는 이에 대응되는 픽셀)을 추적하는 모션 트랙킹부(435)를 더 포함할 수 있다. 이때, 모션 트랙킹부(435)는 영상에 포함된 객체의 움직임을 추적하는 모션 트래킹 기법을 기반으로 혈관 영역 중앙선의 기준이되는 시작점과 끝점(또는 이에 대응되는 픽셀)을 추적할 수 있다.
나아가, 모션 트랙킹부(435)는 후처리부(433)를 통해 출력되는 영상을 대상으로 모션 트래킹을 수행하거나, 또는 심장영역의 혈관조영 영상을 대상으로 모션 트래킹을 수행할 수 있다.
추가적으로, 관상동맥 영상 보간부(430)는 후처리부(433)를 통해 출력되는 적어도 하나의 서브 관상동맥 영상을 분석하여, 조영제의 채워짐 여부에 기초하여, 서브 관상동맥 영상의 보간을 제어하는 보간 제어부(437)를 더 포함할 수 있다. 예컨대, 보간 제어부(437)는 상기 관상동맥 영역 또는 서브 관상동맥 영역에 조영제가 충분하게 채워졌는지를 확인하고, 해당 영역의 픽셀에 조영제가 충분하게 채워지지 않았을 경우, 보간영상 학습모델(431)에서 1차적으로 출력된 서브 관상동맥 영상을 다시 보간영상 학습모델(431)의 입력으로 제공하도록 제어할 수 있다.
이에 따라, 보간영상 학습모델(431)은 1차적으로 출력된 서브 관상동맥 영상(예, 1차 서브 관상동맥 영상(예, 30fps 기준으로 보간된 영상))을 재보간하여 구성된 2차 서브 관상동맥 영상(예, 60fps 기분으로 보간된 영상)을 구성하여 출력할 수 있으며, 2차 서브 관상동맥 영상을 대상으로 후처리 및 모션 트랙킹이 수행될 수 있다.
나아가, 보간 제어부(437)는, 목적 영역의 픽셀에 조영제가 충분하게 채워질때까지 전술한 재보간, 후처리, 및 모션 트랙킹이 수행되도록 보간영상 학습모델(431), 후처리부(433), 및 모션 트랙킹부(435)의 동작을 제어할 수 있다.
한편, 관상동맥 영상 분석부(450)는 관상동맥 영상 검출부(410) 및 관상동맥 영상 보간부(430)에서 제공되는 정보를 확인하고, 이를 기반으로 관상동맥 협착을 분석할 수 있다.
예를 들어, 관상동맥 영상 분석부(450)는 CFD 분석부(451), TFC 분석부(452), 및 aFFR기반 혈관 분석부(453)를 포함할 수 있다.
CFD 분석부(451)는 관상동맥 영상 및 서브 관상동맥 영상을 사용하여 혈류량 또는 혈류 속도 등을 확인하고, 전산 유체 역학(Computational Fluid Dynamics, CFD) 분석을 사용하여 원하는 지점에서의 유속을 산출할 수 있다.
그리고, TFC(TIMI frame count) 분석부(452)는 관상동맥 영상 및 서브 관상동맥 영상을 분석하여 조영제가 관상동맥으로 유입된 시점부터 동일 관상동맥 원위부의 특정 경계 영역까지 도달하는데 소요되는 시간을 분석할 수 있다. 예를 들어, 조영제가 혈관에 주입될 경우 혈관조영사진에서 혈관 내의 밝기 변화가 발생될 수 있는데, TFC 분석부(452)는 이를 고려하여 조영제가 채워지는 시간을 확인할 수 있다. 즉, TFC 분석부(452)는 혈관 중앙선 위의 기준점들을 기준으로 해당 기준점들의 밝기 변화를 확인하고, 이(기준점들의 밝기 변화)에 기초하여 기준점들 사이에 조영제가 채워지는 시간을 확인할 수 있다. 이때, TFC 분석부(452)는 기준점들의 밝기 변화가 발생되는 프레임, 즉, 관상동맥 영상의 프레임 및 서브 관상동맥 영상의 프레임을 카운팅하여 조영제가 채워지는 시간을 산출할 수 있다.
특히, aFFR기반 혈관 분석부(453)는 aFFR(angio fractional flow reserve)을 산출할 수 있다. 또한, aFFR기반 혈관 분석부(453)는 aFFR과 WSP를 고려하여 관상동맥 조영술만으로 심근허혈을 유발하는 유의미한 협착을 판단하고 관상동맥 스텐트 삽입의 필요성 여부를 결정할 수 있다. 더불어 경도 협착 병변의 미래 진행 여부 예측 및 미래 심혈관사건을 일으킬 취약성 중증도 병변의 선별도 가능할 것이라 사료된다.
좀 더 구체적으로, aFFR기반 혈관 분석부(453)는 CFD 분석부(451)에서 제공되는 유속과, TFC 분석부(452)가 제공하는 정보(예, 조영제가 관상동맥으로 유입된 시점부터 동일 관상동맥 원위부의 특정 경계 영역까지 도달하는데 소요되는 시간) 등을 사용하여 aFFR을 산출할 수 있다. aFFR은 병변이 존재하는 관상동맥에서 정상혈관의 최대혈류(가상적인 수치)에 대한 협착 병변이 나타나는 영역에서 측정되는 최대혈류의 비를 의미하며, 협착 병변이 나타나는 영역의 압력의 비로 나타낼 수 있다. 일반적으로 aFFR이 0.75미만으로 나타날 경우(aFFR<0.75) 심근 허혈을 유발하는 협착이 발생되는 것으로 판단되며, aFFR이 0.8을 초과할 경우(aFFR>0.8) 협착을 배제할 수 있는 것으로 판단된다. aFFR이 0.75 이상이고 0.8이하일 경우(0.75≤aFFR≤0.8) 단순히 수치만으로 협착 여부를 판단하기 어려운 문제가 있다.
이를 고려하여, aFFR기반 혈관 분석부(453)는 CFD 분석부(451)에서 제공되는 유속과, TFC 분석부(452)가 제공하는 정보 등을 고려하여, 혈류역학적 인자를 산출할 수 있다. 예컨대, 혈류역학적 인자는 벽전단인자(WSP)를 포함할 수 있으며, 벽전단인자(WSP)는 벽전단응력(WSS, Wall Shear Stress), 전단교번지수(OSI, Oscillatory Shear Index) 등을 포함할 수 있다.
벽전단응력(WSS)은 부재의 횡방향으로 작용하여 벤딩 모멘트(Bending Moment)를 발생시키고 부재를 파단시키는 힘에 의해 혈관 내부의 단면에 작용하는 힘을 나타낸다. 그리고, 벽전단응력의 크기에 따라 내피 세포의 배열이 바뀌게 되며, 미리 정해진 수준보다 낮은 수준의 협착 병변이 나타나는 상태에서는 낮은 벽전단응력이 협착 진행을 예측하는 인자로서 사용된다. 반면, 미리 정해진 수준보다 높은 수준의 협착 병변이 나타나는 상태에서는, 평균 시간벽전단응력(AWSS, Averaged Wall Shear Stress)의 크기가 큰 영역에서 죽상경화반의 파열 가능성이 높게 나타날 수 있다.
한편, 전단교번지수(OSI)는 벽전단응력(WSS)의 교번 상태인 방향변화를 나타내며, 혈류가 한쪽 방향으로 이상적으로 흐르면 그 크기가 0이 되고 시간의 흐름에 대해 전단 응력의 방향이 완전히 바뀌는 경우가 많을수록 0.5에 가까워지도록 나타난다. 이에 따라, 전단교변지수(OSI)가 상대적으로 높게 나타나는 영역은 혈류가 정체되거나 역류할 가능성이 높은 영역일 수 있다.
aFFR기반 혈관 분석부(453)는 전술한 혈류역학적 인자(예, 벽전단인자(WSP), 벽전단응력(WSS), 전단교번지수(OSI) 등)의 특성을 기초로 하면서 CFD 분석부(451)에서 제공되는 유속과 TFC 분석부(452)가 제공하는 정보 등을 사용하여, 혈류역학적 인자를 산출할 수 있다.
이와 같이, aFFR기반 혈관 분석부(453)는 aFFR뿐 아니라, 혈류역학적 인자를 종합적으로 고려하여 협착 여부를 판단할 수 있으므로, 보다 정확하게 협착 여부를 진단할 수 있으며 신뢰도 높은 결과를 제공할 수 있다.
비록, 본 개시의 일 실시예에서, 혈류역학적 인자로서, 벽전단인자(WSP), 벽전단응력(WSS), 전단교번지수(OSI) 등을 예시하고 있으나, 본 개시가 이를 한정하는 것은 아니며, 혈류역학적 인자는 다양하게 변경되어 적용될 수 있다.
또한, aFFR기반 혈관 분석부(453)는 aFFR과 함께 혈류역학적 인자를 고려하여 혈관의 협착 여부를 판단하는 것을 예시하였으나, 본 개시가 이를 한정하는 것은 아니며, 혈류역학적 인자에 대응되는 다양한 인자를 고려하여 협착 여부 판단을 수행할 수 있다. 예를 들어, 혈류역학적 인자에 대응되는 인자는 전산유체역학(CFD, Computational Fluid Dynamics), 유체-고체 상호작용 (Fluid-Structure Interaction, FSI) 등의 수치해석을 이용한 혈류역학적 접근 방식이나, 영상의학정보(예, Computed Tomography, Magnetic Resonance Image, Intravascular Ultrasound)를 이용하여 불규칙한 혈관 형상을 모사하거나 수치해석결과와 임상결과를 분석하는 방식에 기초하여, 다양하게 변경될 수 있다.
나아가, 혈액을 투석하는 당뇨환자의 경우 심근 미세혈관의 저항에 차이가 생기므로, 일반 환자군과는 다른 aFFR 특성을 나타낸다. 이를 고려하여, 일반 환자군과 특정 질병을 갖는 환자군에 상관없이 관상동맥 협착을 분설할 수 있도록, 관상동맥 영상 분석부(450)는 관상동맥 영역에서 조영제가 씻겨나가는 시간을 분석하는 CCFC(Coronary Clearance Frame Count) 분석부(454)와, 관상동맥 영역에서 조영제가 씻겨나가는 상태를 분석하고 심근 미세혈관 영역의 저항을 분석하는 심근 미세혈관 및 관상동맥동 분석부(455)를 포함할 수 있다. 나아가, 심근 미세혈관 및 관상동맥동 분석부(455)를 통해 분석되는 심근 미세혈관 영역의 저항은 aFFR기반 혈관 분석부(453)에 제공될 수 있으며, aFFR기반 혈관 분석부(453)는 심근 미세혈관 영역의 저항을 반영하여 aFFR을 산출할 수 있다.
도 6a 및 도 6b는 본 개시의 일 실시예에 따른 관상동맥 진단영상 학습방법의 순서를 도시하는 흐름도이다.
본 개시의 일 실시예에 따른 관상동맥 진단영상 학습방법은 전술한 본 개시의 일 실시예에 따른 관상동맥 진단영상 학습장치에 의해 수행될 수 있다.
우선, 본 개시의 일 실시예에서, 심장영역의 혈관조영 영상은 신체의 심장기관이 위치한 영역을 혈관조영술로 촬영한 영상으로서, 2차원 X-ray angiography 영상일 수 있으며, 관상동맥 영상은 심장영역의 혈관조영 영상으로부터, 관상동맥이 위치한 영역이 분할(segmentation)된 영상일 수 있다.
관상동맥 진단영상 학습장치는 관상동맥(coronary artery) 검출 학습모델(이하, 'CA 검출 학습모델'이라 함)의 학습을 위한 데이터 셋을 준비할 수 있다(S600). 학습 데이터 셋(200, 도 2a 참조)은 심장영역의 혈관조영 영상(201, 202, 203)과, 혈관조영 영상(201, 202, 203)에서 관상동맥 영역을 추출한 관상동맥 영상(211, 212, 213)을 포함할 수 있다.
추가적으로, 심장영역의 혈관조영 영상(201, 202, 203)은 2차원 X-ray 기반의 영상일 수 있는데, X-ray 기반의 영상은 방사선을 사용하여 획득되는 영상이므로 환자의 방사선 노출 문제로 인해 초당 프레임 수를 늘리는데 한계가 있다. 따라서, 심장영역의 혈관조영 영상(201, 202, 203)을 사용하여 관상동맥 질환을 진단하는데 한계가 있으며, 혈관조영 영상(201, 202, 203)을 기반으로 질환을 진단하는 것에 대한 신뢰성 문제가 제기되기도 한다. 혈관조영 영상(201, 202, 203)은 통상적으로 사용되는 초당 프레임 수에 기반하여 구성된 영상일 수 있다. 나아가, 학습 데이터 셋(200)은 혈관조영 영상(201, 202, 203)에 기초한 관상동맥 영상(211, 212, 213)보다 상대적으로 더 큰 프레임 레이트로 획득된 서브 관상동맥 영상(221, 222, 223)을 포함할 수 있다. 예컨대, 혈관조영 영상(201, 202, 203)에 기초한 관상동맥 영상(211, 212, 213)은 7.5fps, 10fps, 15fps 등을 기준으로 구성된 영상일 수 있으며, 서브 관상동맥 영상(221, 222, 223)은 30fps, 60fps. 120fps 등을 기준으로 구성되며, 시간적으로 관상동맥 영상(211, 212, 213)의 사이에 존재하는 영상일 수 있다(도 2b 참조).
S601 단계에서, 관상동맥 진단영상 학습장치는 CA 검출 학습모델에 사용될 혈관조영 영상(201, 202, 203)의 전처리를 수행할 수 있다. 전처리부 동작은 혈관조영 영상(201, 202, 203)의 노이즈를 제거하는 동작(S601a)과, 노이즈가 제거된 상기 혈관조영 영상을 정규화하는 동작(S601b)과, 혈관조영 영상(201, 202, 203)에 대한 혈관 강화(BVE; Blood Vessel Enhancement)를 처리하는 동작(S601c)과, 혈관 강화 처리된 상기 혈관조영 영상을 미리 정해진 임계값을 기준으로 이진화하여 이진화 영상을 구성하는 이진화 처리 동작(S601d) 등을 포함할 수 있다. 이때, 이진화 처리 동작은 혈관 강화 처리된 혈관조영 영상의 상태 및 환경을 고려하여 이진화의 기준이되는 임계값을 능동적으로 제어하도록 구성될 수 있다.
S602 단계에서, 관상동맥 진단영상 학습장치는 CA 검출 학습모델에 전처리된 영상을 입력하고, 목적 변수(groundtruth)로서 관상동맥 영상(211, 212, 213)을 성정하여 제공하여, CA 검출 학습모델의 학습을 수행할 수 있다.
다음으로, 관상동맥 진단영상 학습장치는 CA 검출 학습모델에 혈관조영 영상(201, 202, 203)을 입력하여, 그에 대응되는 출력값을 확인할 수 있다(S603). 그리고, 관상동맥 진단영상 학습장치는 확인된 출력값을 학습 데이터 셋(200)의 관상동맥 영상(211, 212, 213)의 값과 비교하여, CA 검출 학습모델의 성능을 평가할 수 있다(S604). 이후, 관상동맥 진단영상 학습장치는 성능 평가 결과를 고려하여, CA 검출 학습모델에 포함된 변수를 튜닝하여 CA 검출 학습모델의 성능을 제어할 수 있다(S605).
추가적으로, CA 검출 학습모델을 통해 검출되는 관상동맥 영상(211, 212, 213)은 동일한 혈관이 서로 다른 개체로 인식되어 분리되거나, 관상동맥 협착을 진단하기에는 상대적으로 너무 작은 크기로 분리될 수 있다. 이를 고려하여, 관상동맥 진단영상 학습장치는 CA 검출 학습모델을 통해 검출되는 관상동맥 영상(211, 212, 213)을 후처리할 수 있다(S606).
예컨대, CA 검출 학습모델을 통해 검출되는 관상동맥 영상이 동일한 혈관 개체일 경우, 관상동맥 진단영상 학습장치는 해당 영상을 연결하도록 구성될 수 있다. 또한, CA 검출 학습모델을 통해 검출되는 관상동맥 영상이 미리 정해진 크기보다 상대적으로 작은 크기로 구성될 경우, 관상동맥 진단영상 학습장치는 해당 관상동맥 영상을 삭제 처리할 수 있다.
S607 단계에서, 관상동맥 진단영상 학습장치는 보간영상 학습모델에 대한 학습을 수행할 수 있다. 예컨대, 관상동맥 진단영상 학습장치는 S606 단계에서 후처리된 관상동맥 영상을 보간영상 학습모델의 입력으로 설정하고, 서브 관상동맥 영상(221, 222, 223)을 보간영상 학습모델의 목적변수로 설정하여 보간영상 학습모델의 학습을 수행할 수 있다. 이때, 보간영상 학습모델은 CNN 기반의 학습모델로 구성될 수 있는데, 관상동맥 영상(211, 212, 213)의 모션 필드를 검출하고, 검출된 모션 필드에 기초하여 서브 관상동맥 영상(221, 222, 223)을 구성하도록 학습될 수 있다.
S608 단계에서, 관상동맥 진단영상 학습장치는 보간영상 학습모델의 학습을 수행한 후, 보간영상 학습모델에 관상동맥 영상을 입력하여, 그에 대응되는 출력값을 확인할 수 있으며, 확인된 출력값을 학습 데이터 셋(200)의 서브 관상동맥 영상(221, 222, 223)의 값과 비교하여, 보간영상 학습모델의 성능을 평가할 수 있다.
본 개시의 일 실시예에서, 보간영상 학습모델의 성능 평가는 보간영상 학습모델을 통해 출력되는 값과 학습 데이터 셋(200)의 기준값을 비교하여 수행되는 것을 예시하고 있으나, 본 개시가 이를 한정하는 것은 아니다.
다른 예로서, 관상동맥 진단영상 학습장치는 혈관조영 영상(또는 관상동맥 영상) 사이의 관계 및 모션 변화를 고려하여, 산술기반 보간영상을 구성할 수 있다. 그리고, 관상동맥 진단영상 학습장치는 산술기반 보간영상의 보간 성능을 평가하고, 산술기반의 보간 성능과 보간영상 학습모델의 성능을 비교하여, 보간영상 학습모델의 성능을 평가할 수 있다. 이때, 산술기반의 보간 성능과 보간영상 학습모델의 성능은 서브 관상동맥 영상과 산술기반 보간영상의 영상 특성을 분석하여 결정하거나, 또는 서브 관상동맥 영상과 산술기반 보간영상에 기초하여 산출된 혈류량, 혈류속도 등을 분석하여 결정할 수 있다.
보간영상 학습모델의 성능 평가 결과가 미리 정해진 수준에 미치지 못할 경우(S609-아니오), 관상동맥 진단영상 학습장치는 간영상 학습모델)에 포함된 변수를 튜닝하거나, 보간영상 학습모델에 대한 재학습을 수행할 수 있다(S610).
도 7a 내지 도 7c는 본 개시의 일 실시예에 따른 관상동맥 협착 진단 방법의 순서를 도시하는 흐름도이다.
본 개시의 일 실시예에 따른 관상동맥 협착 진단 방법은 전술한 본 개시의 일 실시예에 따른 관상동맥 협착 진단 장치에 의해 수행될 수 있다.
우선, 관상동맥 협착 진단 장치는, CA 검출 학습모델과 보간영상 학습모델을 미리 구축할 수 있다(S700). CA 검출 학습모델과 보간영상 학습모델은 전술한 관상동맥 진단영상 학습방법에 의해 구축될 수 있다.
S701 단계에서, 관상동맥 협착 진단 장치는, 심장영역의 혈관조영 영상에 대한 전처리를 수행할 수 있다.
전처리부 동작은 혈관조영 영상의 노이즈를 제거하는 동작(S701a, 도 7c 참조)과, 노이즈가 제거된 상기 혈관조영 영상을 정규화하는 동작(S701b)과, 혈관조영 영상(201, 202, 203)에 대한 혈관 강화(BVE; Blood Vessel Enhancement)를 처리하는 동작(S701c) 등을 포함할 수 있다.
이후, 관상동맥 협착 진단 장치는, 전처리된 영상을 CA 검출 학습모델에 입력하여, 혈관조영 영상에 대응되는 관상동맥 영상을 검출할 수 있다(S702).
그리고, S703 단계에서, 관상동맥 협착 진단 장치는, 관상동맥 영상으로부터 혈관 영역의 중앙선을 검출하고, 검출된 중앙선을 관상동맥 영상에 적용한 영상을 출력할 수 있다. 이때, 관상동맥 협착 진단 장치는, 최소 경로 접근법(minimal path approach)에 기초하여 중앙선 검출을 수행할 수 있다.
관상동맥 협착 진단 장치가 중앙선을 관상동맥 영상에 적용한 영상을 제공하는 것을 예시하였으나, 본 개시가 이를 한정하는 것은 아니며, 본 개시의 기술분야에서 통상의 지식을 가진 자에 의해 다양하게 변경될 수 있다. 예컨대, 관상동맥 협착 진단 장치는 혈관영역과 배경영역을 구분하여 이진화한 영상에 혈관 영역의 중앙선을 적용한 영상을 출력할 수도 있다.
추가적으로, CA 검출 학습모델을 통해 검출되는 관상동맥 영상은 동일한 혈관이 서로 다른 개체로 인식되어 분리되거나, 관상동맥 협착을 진단하기에는 상대적으로 너무 작은 크기로 분리될 수 있다. 이를 고려하여, 관상동맥 협착 진단 장치는 CA 검출 학습모델을 통해 검출되는 관상동맥 영상이 동일한 혈관 개체일 경우, 해당 영상을 연결하도록 구성될 수 있다. 또한, CA 검출 학습모델을 통해 검출되는 관상동맥 영상이 미리 정해진 크기보다 상대적으로 작은 크기로 구성될 경우, 관상동맥 협착 진단 장치는 해당 관상동맥 영상을 삭제 처리할 수 있다.
관상동맥 영상의 병합 또는 삭제 처리는 CA 검출 학습모델에서 출력되는 관상동맥 영상을 대상으로 이루어질 수 있으며, 관상동맥 영상의 병합 또는 삭제 처리가 완료된 영상을 대상으로 혈관 영역의 중앙선을 검출하고, 검출된 중앙선을 관상동맥 영상에 적용할 수 있다.
나아가, 관상 동맥은 심장 박동과 호흡에 의해 지속적으로 움직일 수 있으며, 이에 기초하여, 혈관 영역 역시 심장 박동과 호흡을 기반으로 움직임이 발생될 수 있다. 따라서, 혈관에 움직임이 발생되더라도 혈관 영역 중앙선의 기준이되는 시작점과 끝점은 혈관 영역을 중심으로 지정된 위치에서 유지되어야 프레임 카운팅(frame counting)을 정확하게 수행할 수 있다. 전술한 바를 고려하여, 관상동맥 협착 진단 장치는 혈관 영역 중앙선의 기준이되는 시작점과 끝점(또는 이에 대응되는 픽셀)을 추적할 수 있다(S704). 이때, 관상동맥 협착 진단 장치는 영상에 포함된 객체의 움직임을 추적하는 모션 트래킹 기법을 기반으로 혈관 영역 중앙선의 기준이되는 시작점과 끝점(또는 이에 대응되는 픽셀)을 추적할 수 있다.
나아가, 관상동맥 협착 진단 장치는 후처리된 영상을 대상으로 모션 트래킹을 수행하거나, 또는 심장영역의 혈관조영 영상을 대상으로 모션 트래킹을 수행할 수 있다.
추가적으로, 관상동맥 협착 진단 장치는 후처리된 적어도 하나의 관상동맥 영상을 조합하여 3차원의 관상동맥 영상을 구성할 수 있다(S705). 이때, 관상동맥 협착 진단 장치는 관상동맥 영상의 중심선을 기준으로 적어도 하나의 관상동맥 영상을 조합하여 3차원의 영상을 구성할 수 있다. 더불어 2차원 보간 영상을 바탕으로 3차원 보간 영상 또한 재구성이 가능하다.
한편, S706 단계에서, 관상동맥 협착 진단 장치는 보간영상 학습모델을 사용하여 관상동맥 영상에 대응되는 서브 관상동맥 영상을 생성할 수 있다. 보간영상 학습모델에 입력되는 관상동맥 영상은 제1프레임 레이트를 기준으로 생성된 프레임 영상일 수 있으며, 서브 관상동맥 영상은 제2프레임 레이트를 기준으로 생성되는 영상으로로서 제2프레임 레이트는 제1프레임 레이트보다 상대적으로 더 큰값으로 설정될 수 있다. 예를 들어, 관상동맥 영상이 7.5fps, 10fps, 15fps 등을 기준으로 생성된 프레임 영상일 경우, 서브 관상동맥 영상은 30fps, 60fps. 120fps 등을 기준으로 생성되며, 시간적으로 관상동맥 영상(211, 212, 213)의 사이에 존재하는 프레임 영상일 수 있다.
특히, 보간영상 학습모델은 CNN 기반의 학습모델로 구성될 수 있으며, 관상동맥 영상에 중앙선을 적용한 영상의 모션 필드를 검출하고, 검출된 모션 필드에 기초하여 서브 관상동맥 영상을 구성할 수 있다.
S707 단계에서, 관상동맥 협착 진단 장치는 서브 관상동맥 영상에 대한 후처리를 수행할 수 있다. 예컨대, 관상동맥 협착 진단 장치는 서브 관상동맥 영상을 대상으로 혈관 영역의 중앙선을 검출하고, 검출된 중앙선을 서브 관상동맥 영상에 적용한 영상을 출력할 수 있다. 이때, 관상동맥 협착 진단 장치는 최소 경로 접근법(minimal path approach)에 기초하여 중앙선 검출을 수행할 수 있다.
추가적으로, 서브 관상동맥 영상은 동일한 혈관이 서로 다른 개체로 인식되어 분리되거나, 관상동맥 협착을 진단하기에는 상대적으로 너무 작은 크기로 분리될 수 있다. 이를 고려하여, 관상동맥 협착 진단 장치는 서브 관상동맥 영상이 동일한 혈관 개체일 경우, 해당 영상을 연결하도록 구성될 수 있다. 또한, 서브 관상동맥 영상이 미리 정해진 크기보다 상대적으로 작은 크기로 구성될 경우, 관상동맥 협착 진단 장치는 해당 서브 관상동맥 영상을 삭제 처리할 수 있다.
관상동맥 영상의 병합 또는 삭제 처리는 보간영상 학습모델에서 출력되는 서브 관상동맥 영상을 대상으로 이루어질 수 있으며, 서브 관상동맥 영상의 병합 또는 삭제 처리가 완료된 영상을 대상으로 혈관 영역의 중앙선을 검출하고, 검출된 중앙선을 서브 관상동맥 영상에 적용할 수 있다.
나아가, 관상 동맥은 심장 박동과 호흡에 의해 지속적으로 움직일 수 있으며, 이에 기초하여, 혈관 영역 역시 심장 박동과 호흡을 기반으로 움직임이 발생될 수 있다. 따라서, 혈관에 움직임이 발생되더라도 혈관 영역 중앙선의 기준이되는 시작점과 끝점은 혈관 영역을 중심으로 지정된 위치에서 유지되어야 프레임 카운팅(frame counting)을 정확하게 수행할 수 있다. 전술한 바를 고려하여, 관상동맥 협착 진단 장치는 혈관 영역 중앙선의 기준이되는 시작점과 끝점(또는 이에 대응되는 픽셀)을 추적할 수 있다(S708).
이후, 관상동맥 협착 진단 장치는, 조영제의 채워짐 여부에 기초하여, 서브 관상동맥 영상의 보간을 제어할 수 있다.
예컨대, 관상동맥 협착 진단 장치는 상기 관상동맥 영역 또는 서브 관상동맥 영역에 조영제가 충분하게 채워졌는지를 확인하고, 해당 영역의 픽셀에 조영제가 충분하게 채워지지 않았을 경우(S709-아니오), 보간영상 학습모델에서 1차적으로 출력된 서브 관상동맥 영상을 다시 보간영상 학습모델의 입력으로 제공하도록 제어할 수 있다(S710). 이에 따라, 관상동맥 협착 진단 장치는 보간영상 학습모델을 사용하여 1차적으로 출력된 서브 관상동맥 영상(예, 1차 서브 관상동맥 영상(예, 30fps 기준으로 보간된 영상))을 재보간한 영상, 즉, 2차 서브 관상동맥 영상(예, 60fps 기분으로 보간된 영상)을 구성하여 출력할 수 있다.
나아가, 관상동맥 협착 진단 장치는, 목적 영역의 픽셀에 조영제가 충분하게 채워질 때까지 전술한 재보간, 후처리, 및 모션 트랙킹이 수행되도록 제어할 수 있다.
한편, S711 단계에서, 관상동맥 협착 진단 장치는 관상동맥 영상 및 서브 관상동맥 영상을 사용하여 혈류량 또는 혈류 속도 등을 확인하고, 전산 유체 역학(Computational Fluid Dynamics, CFD) 분석을 사용하여 원하는 지점에서의 유속을 산출할 수 있다.
그리고, S712 단계에서, 관상동맥 협착 진단 장치는 관상동맥 영상 및 서브 관상동맥 영상을 분석하여 조영제가 관상동맥으로 유입된 시점부터 동일 관상동맥 원위부의 특정 경계 영역까지 도달하는데 소요되는 시간(TFC(TIMI frame count))을 분석할 수 있다.
예를 들어, 조영제가 혈관에 주입될 경우 혈관 내의 밝기 변화가 발생될 수 있는데, 관상동맥 협착 진단 장치는 이를 고려하여 조영제가 채워지는 시간을 확인할 수 있다. 즉, 관상동맥 협착 진단 장치는 혈관 중앙선 위의 기준점들을 기준으로 해당 기준점들의 밝기 변화를 확인하고, 이(기준점들의 밝기 변화)에 기초하여 기준점들 사이에 조영제가 채워지는 시간을 확인할 수 있다. 이때, 관상동맥 협착 진단 장치는 기준점들의 밝기 변화가 발생되는 프레임, 즉, 관상동맥 영상의 프레임 및 서브 관상동맥 영상의 프레임을 카운팅하여 조영제가 채워지는 시간을 산출할 수 있다.
특히, 관상동맥 협착 진단 장치는 aFFR(angio fractional flow reserve)을 산출하고, 혈관이 분기되는 영역인 혈관 분지에서 발생되는 혈류의 분산 비율을 추정할 수 있다(S715).
좀 더 구체적으로, S715 단계에서, 관상동맥 협착 진단 장치는 S711에서 제공되는 유속과, S712에서 제공하는 정보(예, 조영제가 관상동맥으로 유입된 시점부터 동일 관상동맥 원위부의 특정 경계 영역까지 도달하는데 소요되는 시간) 등을 사용하여 aFFR을 산출할 수 있다. aFFR은 병변이 존재하는 관상동맥에서 정상혈관의 최대혈류(가상적인 수치)에 대한 협착 병변이 나타나는 영역에서 측정되는 최대혈류의 비를 의미하며, 협착 병변이 나타나는 영역의 압력의 비로 나타낼 수 있다. 일반적으로 aFFR이 0.75미만으로 나타날 경우(aFFR<0.75) 심근 허혈을 유발하는 협착이 발생되는 것으로 판단되며, aFFR이 0.8을 초과할 경우(aFFR>0.8) 협착을 배제할 수 있는 것으로 판단된다. aFFR이 0.75 이상이고 0.8이하일 경우(0.75≤aFFR≤0.8) 단순히 수치만으로 협착 여부를 판단하기 어려운 문제가 있다.
이를 고려하여, 관상동맥 협착 진단 장치는 S711에서 제공되는 유속과, S712에서 제공하는 정보(예, 조영제가 관상동맥으로 유입된 시점부터 동일 관상동맥 원위부의 특정 경계 영역까지 도달하는데 소요되는 시간) 등을 고려하여, 혈류역학적 인자를 산출할 수 있다. 예컨대, 혈류역학적 인자는 벽전단인자(WSP)를 포함할 수 있으며, 벽전단인자(WSP)는 벽전단응력(WSS, Wall Shear Stress), 전단교번지수(OSI, Oscillatory Shear Index) 등을 포함할 수 있다.
벽전단응력(WSS)은 부재의 횡방향으로 작용하여 벤딩 모멘트(Bending Moment)를 발생시키고 부재를 파단시키는 힘에 의해 혈관 내부의 단면에 작용하는 힘을 나타낸다. 그리고, 벽전단응력의 크기에 따라 내피 세포의 배열이 바뀌게 되며, 미리 정해진 수준보다 낮은 수준의 협착 병변이 나타나는 상태에서는 낮은 벽전단응력이 협착 진행을 예측하는 인자로서 사용된다. 반면, 미리 정해진 수준보다 높은 수준의 협착 병변이 나타나는 상태에서는, 평군 시간벽전단응력(AWSS, Averaged Wall Shear Stress)의 크기가 큰 영역에서 죽상경화반의 파열 가능성이 높게 나타날 수 있다.
한편, 전단교번지수(OSI)는 벽전단응력(WSS)의 교번 상태인 방향변화를 나타내며, 혈류가 한쪽 방향으로 이상적으로 흐르면 그 크기가 0이 되고 시간의 흐름에 대해 전단 응력의 방향이 완전히 바뀌는 경우가 많을수록 0.5에 가까워지도록 나타난다. 이에 따라, 전단교변지수(OSI)가 상대적으로 높게 나타나는 영역은 혈류가 정체되거나 역류할 가능성이 높은 영역일 수 있다.
관상동맥 협착 진단 장치는 전술한 혈류역학적 인자(예, 벽전단인자(WSP), 벽전단응력(WSS), 전단교번지수(OSI) 등)의 특성을 기초로 하면서 CFD 분석부(451)에서 제공되는 유속과 TFC 분석부(452)가 제공하는 정보 등을 사용하여, 혈류역학적 인자를 산출할 수 있다.
이와 같이, 관상동맥 협착 진단 장치는 aFFR뿐 아니라, 혈류역학적 인자를 종합적으로 고려하여 협착 여부를 판단할 수 있으므로, 보다 정확하게 협착 여부를 진단할 수 있으며 신뢰도 높은 결과를 제공할 수 있다.
비록, 본 개시의 일 실시예에서, 혈류역학적 인자로서, 벽전단인자(WSP), 벽전단응력(WSS), 전단교번지수(OSI) 등을 예시하고 있으나, 본 개시가 이를 한정하는 것은 아니며, 혈류역학적 인자는 다양하게 변경되어 적용될 수 있다.
또한, 관상동맥 협착 진단 장치는 aFFR과 함께 혈류역학적 인자를 고려하여 혈관의 협착 여부를 판단하는 것을 예시하였으나, 본 개시가 이를 한정하는 것은 아니며, 혈류역학적 인자에 대응되는 다양한 인자를 고려하여 협착 여부 판단을 수행할 수 있다. 예를 들어, 혈류역학적 인자에 대응되는 인자는 전산유체역학(CFD, Computational Fluid Dynamics), 유체-고체 상호작용 (Fluid-Structure Interaction, FSI) 등의 수치해석을 이용한 혈류역학적 접근 방식이나, 영상의학정보(예, Computed Tomography, Magnetic Resonance Image, Intravascular Ultrasound)를 이용하여 불규칙한 혈관 형상을 모사하거나 수치해석결과와 임상결과를 분석하는 방식에 기초하여, 다양하게 변경될 수 있다.
나아가, 혈액을 투석하는 당뇨환자의 경우 심근 미세혈관의 저항에 차이가 생기므로, 일반 환자군과는 다른 aFFR 특성을 나타낸다. 이를 고려하여, 일반 환자군과 특정 질병을 갖는 환자군에 상관없이 관상동맥 협착을 분설할 수 있도록, 관상동맥 협착 진단 장치는 관상동맥 영역에서 조영제가 씻겨나가는 상태(CCFC(Coronary Clearance Frame Count))와 관상정맥동에 조영제가 차는 영상을 분석하여(S713)심근 미세혈관 영역의 저항을 분석할 수 있다(S714).
나아가, S715 단계에서, 관상동맥 협착 진단 장치는 심근 미세혈관 영역의 저항을 반영하여 aFFR을 산출하는 것이 바람직하다.
도 8은 본 개시의 일 실시예에 따른 관상동맥 진단영상 학습장치 및 방법과, 관상동맥 협착 진단 장치 및 방법을 실행하는 컴퓨팅 시스템을 예시하는 블록도이다.
도 8을 참조하면, 컴퓨팅 시스템(1000)은 버스(1200)를 통해 연결되는 적어도 하나의 프로세서(1100), 메모리(1300), 사용자 인터페이스 입력 장치(1400), 사용자 인터페이스 출력 장치(1500), 스토리지(1600), 및 네트워크 인터페이스(1700)를 포함할 수 있다.
프로세서(1100)는 중앙 처리 장치(CPU) 또는 메모리(1300) 및/또는 스토리지(1600)에 저장된 명령어들에 대한 처리를 실행하는 반도체 장치일 수 있다. 메모리(1300) 및 스토리지(1600)는 다양한 종류의 휘발성 또는 불휘발성 저장 매체를 포함할 수 있다. 예를 들어, 메모리(1300)는 ROM(Read Only Memory) 및 RAM(Random Access Memory)을 포함할 수 있다.
따라서, 본 명세서에 개시된 실시예들과 관련하여 설명된 방법 또는 알고리즘의 단계는 프로세서(1100)에 의해 실행되는 하드웨어, 소프트웨어 모듈, 또는 그 2 개의 결합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, 착탈형 디스크, CD-ROM과 같은 저장 매체(즉, 메모리(1300) 및/또는 스토리지(1600))에 상주할 수도 있다. 예시적인 저장 매체는 프로세서(1100)에 커플링되며, 그 프로세서(1100)는 저장 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기입할 수 있다. 다른 방법으로, 저장 매체는 프로세서(1100)와 일체형일 수도 있다. 프로세서 및 저장 매체는 주문형 집적회로(ASIC) 내에 상주할 수도 있다. ASIC는 사용자 단말기 내에 상주할 수도 있다. 다른 방법으로, 프로세서 및 저장 매체는 사용자 단말기 내에 개별 컴포넌트로서 상주할 수도 있다.
본 개시의 예시적인 방법들은 설명의 명확성을 위해서 동작의 시리즈로 표현되어 있지만, 이는 단계가 수행되는 순서를 제한하기 위한 것은 아니며, 필요한 경우에는 각각의 단계가 동시에 또는 상이한 순서로 수행될 수도 있다. 본 개시에 따른 방법을 구현하기 위해서, 예시하는 단계에 추가적으로 다른 단계를 포함하거나, 일부의 단계를 제외하고 나머지 단계를 포함하거나, 또는 일부의 단계를 제외하고 추가적인 다른 단계를 포함할 수도 있다.
본 개시의 다양한 실시예는 모든 가능한 조합을 나열한 것이 아니고 본 개시의 대표적인 양상을 설명하기 위한 것이며, 다양한 실시예에서 설명하는 사항들은 독립적으로 적용되거나 또는 둘 이상의 조합으로 적용될 수도 있다.
또한, 본 개시의 다양한 실시예는 하드웨어, 펌웨어(firmware), 소프트웨어, 또는 그들의 결합 등에 의해 구현될 수 있다. 하드웨어에 의한 구현의 경우, 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 범용 프로세서(general processor), 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.
본 개시의 범위는 다양한 실시예의 방법에 따른 동작이 장치 또는 컴퓨터 상에서 실행되도록 하는 소프트웨어 또는 머신-실행가능한 명령들(예를 들어, 운영체제, 애플리케이션, 펌웨어(firmware), 프로그램 등), 및 이러한 소프트웨어 또는 명령 등이 저장되어 장치 또는 컴퓨터 상에서 실행 가능한 비-일시적 컴퓨터-판독가능 매체(non-transitory computer-readable medium)를 포함한다.

Claims (20)

  1. 관상동맥 협착을 진단하는 장치에 있어서,
    관상동맥(coronary artery)이 포함된 진단영역의 혈관조영 영상으로부터 관상동맥 영역을 검출하는 CA 검출 학습모델을 구비하며, 상기 CA 검출 학습모델을 사용하여 상기 혈관조영 영상에 대응되는 관상동맥 영상을 구성하는 관상동맥 영상 검출부와,
    미리 정해진 시간 단위를 기준으로 획득된 상기 관상동맥 영상의 모션 변화에 기초하여 학습기반 서브 관상동맥 영상을 구성하는 보간영상 학습모델을 구비하며, 상기 보간영상 학습모델을 사용하여 상기 관상동맥 영상에 대응되는 서브 관상동맥 영상을 생성하는 관상동맥 영상 보간부와,
    상기 관상동맥 영상 검출부 및 관상동맥 영상 보간부에서 제공되는 정보를 확인하여 관상동맥 협착을 분석하는 관상동맥 영상 분석부를 포함하는 것을 특징으로 하는 인공지능 기반의 관상동맥 협착 진단 장치.
  2. 제1항에 있어서,
    상기 관상동맥 영상 검출부는,
    상기 혈관조영 영상에 대한 혈관 강화(BVE; Blood Vessel Enhancement)를 처리하는 BVE 처리부와,
    혈관 강화 처리된 상기 혈관조영 영상을 미리 정해진 임계값을 기준으로 이진화하여 이진화 영상을 구성하는 이진화 처리부를 구비하고,
    상기 혈관 강화 처리된 상기 혈관조영 영상 또는 상기 이진화 영상을 상기 CA 검출 학습모델에 제공하는 전처리부를 포함하는 것을 특징으로 하는 인공지능 기반의 관상동맥 협착 진단 장치.
  3. 제2항에 있어서,
    상기 전처리부는,
    상기 혈관조영 영상의 노이즈를 제거하는 노이즈 제거부와,
    노이즈가 제거된 상기 혈관조영 영상을 정규화하는 데이터 정규화부를 포함하는 것을 특징으로 하는 인공지능 기반의 관상동맥 협착 진단 장치.
  4. 제1항에 있어서,
    상기 관상동맥 영상 검출부는,
    상기 관상동맥 영상으로부터 혈관의 중앙선 추출을 처리하는 후처리부를 포함하는 것을 특징으로 하는 인공지능 기반의 관상동맥 협착 진단 장치.
  5. 제4항에 있어서,
    상기 후처리부는,
    상기 관상동맥 영상의 병합 또는 제거를 더 수행하는 것을 특징으로 하는 인공지능 기반의 관상동맥 협착 진단 장치.
  6. 제4항에 있어서,
    상기 관상동맥 영상 검출부는,
    상기 관상동맥 영상에 상기 혈관의 중앙선을 맵핑하고,
    상기 혈관의 중앙선이 맵핑된 상기 관상동맥 영상을 제공하는 결과 출력부를 포함하는 것을 특징으로 하는 인공지능 기반의 관상동맥 협착 진단 장치.
  7. 제1항에 있어서,
    상기 관상동맥 영상 검출부는,
    서로 다른 상기 관상동맥 영상에 포함된 적어도 하나의 기준점에 기초하여, 상기 서로 다른 관상동맥 영상에서 관상동맥의 움직임을 추적하는 모션 트랙킹부를 포함하는 것을 특징으로 하는 인공지능 기반의 관상동맥 협착 진단 장치.
  8. 제6항에 있어서,
    상기 관상동맥 영상 검출부는,
    상기 결과 출력부가 제공하는 상기 혈관의 중앙선이 맵핑된 상기 관상동맥 영상을 사용하여, 3차원 형태의 상기 관상동맥 영상 및 3차원 보간 영상을 구성하는 3차원 영상 구성부를 포함하는 것을 특징으로 하는 인공지능 기반의 관상동맥 협착 진단 장치.
  9. 제1항에 있어서,
    상기 관상동맥 영상 보간부는,
    상기 관상동맥 영상에 대응되는 상기 서브 관상동맥 영상의 모션 변화에 기초하여, 혈류량 및 혈류 속도를 추정하는 것을 특징으로 하는 인공지능 기반의 관상동맥 협착 진단 장치.
  10. 제1항에 있어서,
    상기 보간영상 학습모델은,
    상기 관상동맥 영상의 모션 필드를 검출하고, 상기 검출된 모션 필드에 기초하여 서브 관상동맥 영상을 구성하는 것을 특징으로 하는 인공지능 기반의 관상동맥 협착 진단 장치.
  11. 제1항에 있어서,
    상기 관상동맥 영상 보간부는,
    상기 서브 관상동맥 영상에서 상기 관상동맥 영역에 조영제의 채워짐 여부를 확인하고,
    상기 조영제의 채워짐 여부를 고려하여, 상기 보간영상 학습모델로 상기 서브 관상동맥 영상의 생성을 요청하는 보간 제어부를 포함하는 것을 특징으로 하는 인공지능 기반의 관상동맥 협착 진단 장치.
  12. 제1항에 있어서,
    상기 관상동맥 영상 분석부는,
    상기 관상동맥 영상 및 서브 관상동맥 영상을 사용하여, 전산 유체 역학(Computational Fluid Dynamics, CFD) 분석을 처리하여, 미리 정해진 영역에서의 유속을 산출하는 CFD 분석부와,
    상기 관상동맥 영상 및 서브 관상동맥 영상을 분석하여 조영제가 상기 관상동맥으로 유입된 시점부터 동일 관상동맥 원위부의 특정 경계 영역까지 도달하는데 소요되는 시간을 분석하는 TFC(TIMI frame count) 분석부와,
    상기 CFD 분석부 및 TFC 분석부가 제공하는 정보에 기초하여, aFFR(angio fractional flow reserve)을 산출하는 aFFR기반 혈관 분석부를 포함하는 것을 특징으로 하는 인공지능 기반의 유의한 관상동맥 협착 진단 장치.
  13. 제12항에 있어서,
    상기 aFFR기반 혈관 분석부는,
    상기 CFD 분석부 및 TFC 분석부가 제공하는 정보를 사용하여 혈류역학적 인자를 더 산출하고,
    상기 aFFR 및 혈류역학적 인자를 고려하여 혈관의 협착을 분석하는 것을 특징으로 하는 인공지능 기반의 유의한 관상동맥 협착 진단 장치.
  14. 제12항에 있어서,
    상기 aFFR기반 혈관 분석부는,
    혈관의 해부학적 구조, 혈관의 역학적 특성, 및 혈류 유속 사이의 관계를 고려하여 상기 혈류역학적 인자를 산출하는 것을 특징으로 하는 인공지능 기반의 유의한 관상동맥 협착 진단 장치.
  15. 제13항에 있어서,
    상기 혈류역학적 인자는,
    벽전단응력(WSS, Wall Shear Stress), 및 전단교번지수(OSI, Oscillatory Shear Index) 중 적어도 하나를 포함하는 것을 특징으로 하는 인공지능 기반의 유의한 관상동맥 협착 진단 장치.
  16. 제12항에 있어서,
    상기 관상동맥 영상 분석부는,
    상기 관상동맥 영역에서 조영제가 씻겨나가는 시간을 분석하는 CCFC(Coronary Clearance Frame Count) 및 관상정맥동 분석부를 더 포함하는 것을 특징으로 하는 인공지능 기반의 유의한 관상동맥 협착 진단 장치.
  17. 제16항에 있어서,
    상기 관상동맥 영상 분석부는,
    상기 관상동맥 영역에서 조영제가 씻겨나가는 상태와 관상정맥동에 조영제가 차는 상태에 기초하여, 심근 미세혈관 영역의 저항을 분석하는 심근 미세혈관 분석부를 더 포함하는 것을 특징으로 하는 인공지능 기반의 유의한 관상동맥 협착 진단 장치.
  18. 제17항에 있어서,
    상기 aFFR기반 혈관 분석부는,
    상기 심근 미세혈관 분석부에서 제공되는 상기 심근 미세혈관 영역의 저항을 고려하여, aFFR을 산출하는 것을 특징으로 하는 인공지능 기반의 유의한 관상동맥 협착 진단 장치.
  19. 관상동맥 협착을 진단하는 방법에 있어서,
    혈관조영 영상으로부터 관상동맥(coronary artery) 영역을 검출하는 CA 검출 학습모델과, 미리 정해진 시간 단위를 기준으로 획득된 상기 혈관조영 영상의 모션 변화에 기초하여 학습기반 서브 관상동맥 영상을 구성하는 보간영상 학습모델을 학습하는 과정과,
    상기 CA 검출 학습모델을 사용하여 상기 혈관조영 영상에 대응되는 관상동맥 영상을 구성하는 과정과,
    상기 보간영상 학습모델을 사용하여 상기 관상동맥 영상에 대응되는 학습기반 서브 관상동맥 영상을 생성하는 과정과,
    상기 관상동맥 영상 및 상기 학습기반 서브 관상동맥 영상을 확인하여 관상동맥 협착을 분석하는 과정을 포함하는 것을 특징으로 하는 인공지능 기반의 관상동맥 협착 진단 방법.
  20. 제19항에 있어서,
    상기 관상동맥 협착을 분석하는 과정은,
    상기 관상동맥 영상 및 서브 관상동맥 영상을 사용하여, 전산 유체 역학(Computational Fluid Dynamics, CFD) 분석을 처리하여, 미리 정해진 영역에서의 유속을 산출하는 과정과,
    상기 관상동맥 영상 및 서브 관상동맥 영상을 분석하여 조영제가 상기 관상동맥으로 유입된 시점부터 동일 관상동맥 원위부의 특정 경계 영역까지 도달하는데 소요되는 시간 TFC(TIMI frame count)을 분석하는 과정과,
    상기 미리 정해진 영역에서의 유속 및 TFC에 기초하여, aFFR(angio fractional flow reserve)을 산출하는 과정을 포함하는 것을 특징으로 하는 유의한 관상동맥 협착 진단 방법.
PCT/KR2021/009432 2020-07-21 2021-07-21 관상동맥 진단영상 학습장치와 방법, 및 상기 학습장치와 방법을 통해 구축된 학습모델을 사용하는 유의한 관상동맥 협착 진단 장치 및 방법 WO2022019655A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200090039A KR102217392B1 (ko) 2020-07-21 2020-07-21 관상동맥 진단영상 학습장치와 방법, 및 상기 학습장치와 방법을 통해 구축된 학습모델을 사용하는 유의한 관상동맥 협착 진단 장치 및 방법
KR10-2020-0090039 2020-07-21

Publications (1)

Publication Number Publication Date
WO2022019655A1 true WO2022019655A1 (ko) 2022-01-27

Family

ID=74687381

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/009432 WO2022019655A1 (ko) 2020-07-21 2021-07-21 관상동맥 진단영상 학습장치와 방법, 및 상기 학습장치와 방법을 통해 구축된 학습모델을 사용하는 유의한 관상동맥 협착 진단 장치 및 방법

Country Status (2)

Country Link
KR (1) KR102217392B1 (ko)
WO (1) WO2022019655A1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102217392B1 (ko) * 2020-07-21 2021-02-22 (주)제이엘케이 관상동맥 진단영상 학습장치와 방법, 및 상기 학습장치와 방법을 통해 구축된 학습모델을 사용하는 유의한 관상동맥 협착 진단 장치 및 방법
KR102460948B1 (ko) * 2021-03-19 2022-10-28 제주대학교 산학협력단 관상동맥 협착의 중증도 평가에 필요한 정보를 제공하는 방법
WO2023204622A1 (ko) * 2022-04-21 2023-10-26 한양대학교 산학협력단 스마트 혈류 역학 지표를 이용한 진단 보조 장치 및 방법

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130079694A (ko) * 2012-01-03 2013-07-11 연세대학교 산학협력단 혈관영상에서의 움직임 추정 방법 및 그 장치
KR20140120234A (ko) * 2013-04-02 2014-10-13 재단법인 아산사회복지재단 혈관의 직경 측정 방법
JP2015112232A (ja) * 2013-12-11 2015-06-22 株式会社東芝 画像解析装置、及び、ｘ線診断装置
KR20190021749A (ko) * 2017-08-23 2019-03-06 주식회사 메디웨일 Ct 영상을 이용하여 심혈관 병변을 판단하는 방법 및 애플리케이션
KR20190126517A (ko) * 2018-05-02 2019-11-12 한국항공대학교산학협력단 프레임율 변환 장치 및 방법
KR102217392B1 (ko) * 2020-07-21 2021-02-22 (주)제이엘케이 관상동맥 진단영상 학습장치와 방법, 및 상기 학습장치와 방법을 통해 구축된 학습모델을 사용하는 유의한 관상동맥 협착 진단 장치 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130079694A (ko) * 2012-01-03 2013-07-11 연세대학교 산학협력단 혈관영상에서의 움직임 추정 방법 및 그 장치
KR20140120234A (ko) * 2013-04-02 2014-10-13 재단법인 아산사회복지재단 혈관의 직경 측정 방법
JP2015112232A (ja) * 2013-12-11 2015-06-22 株式会社東芝 画像解析装置、及び、ｘ線診断装置
KR20190021749A (ko) * 2017-08-23 2019-03-06 주식회사 메디웨일 Ct 영상을 이용하여 심혈관 병변을 판단하는 방법 및 애플리케이션
KR20190126517A (ko) * 2018-05-02 2019-11-12 한국항공대학교산학협력단 프레임율 변환 장치 및 방법
KR102217392B1 (ko) * 2020-07-21 2021-02-22 (주)제이엘케이 관상동맥 진단영상 학습장치와 방법, 및 상기 학습장치와 방법을 통해 구축된 학습모델을 사용하는 유의한 관상동맥 협착 진단 장치 및 방법

Also Published As

Publication number Publication date
KR102217392B1 (ko) 2021-02-22

Similar Documents

Publication Publication Date Title
WO2022019655A1 (ko) 관상동맥 진단영상 학습장치와 방법, 및 상기 학습장치와 방법을 통해 구축된 학습모델을 사용하는 유의한 관상동맥 협착 진단 장치 및 방법
CN102209488B (zh) 图像处理设备和方法以及断层图像拍摄设备和方法
WO2021025461A1 (ko) 초음파 영상 기반의 기계 학습을 통한 관상동맥 병변 진단 시스템 및 이의 진단 방법
KR102272413B1 (ko) 관상동맥 혈관조영술 기반의 기계 학습을 통한 허혈 병변 정보 제공 장치, 정보 제공 방법 및 이의 기록매체
US8111885B2 (en) Image processing device and method
WO2021025459A1 (ko) 광 간섭 단층 영상 기반의 고위험 병변 진단 시스템 및 이의 진단 방법
WO2022045766A1 (ko) 말초동맥 진단영상 학습장치와 방법, 및 상기 학습장치와 방법을 통해 구축된 학습모델을 사용하는 유의한 말초동맥 질환 진단 장치 및 방법
KR102245219B1 (ko) 의료 영상에서 악성의심 병변을 구별하는 방법, 이를 이용한 의료 영상 판독 방법 및 컴퓨팅 장치
Zhou et al. Automated deep learning analysis of angiography video sequences for coronary artery disease
WO2016174090A1 (en) Computer-implemented method for identifying zones of stasis and stenosis in blood vessels
WO2021117043A1 (en) Automatic stenosis detection
WO2021191909A1 (en) Functional measurements of vessels using a temporal feature
KR102361354B1 (ko) 관상동맥 조영 영상에서 심장 협착증 질병 정보 제공 방법
Kishore et al. Automatic stenosis grading system for diagnosing coronary artery disease using coronary angiogram
Salahuddin et al. Multi-resolution 3d convolutional neural networks for automatic coronary centerline extraction in cardiac CT angiography scans
JP2023552645A (ja) リードの癒着の推定
Shujaat et al. Intelligent and Integrated Framework for Exudate Detection in Retinal Fundus Images.
KR102257295B1 (ko) 초음파 영상 기반의 기계 학습을 통한 취약성 죽상반 진단 시스템 및 이의 진단 방법
Edupuganti et al. A real and accurate ultrasound fetal imaging based heart disease detection using deep learning technology
Kulathilake et al. Region growing segmentation method for extracting vessel structures from coronary cine-angiograms
Lavi et al. Single-seeded coronary artery tracking in CT angiography
KR101366341B1 (ko) 비모수적 확률 모델과 스무딩 함수를 이용한 혈관 내 초음파 영상에서 내강 경계면 자동 분할 방법
JPH04307049A (ja) 心臓その他脈動体画像の解析装置
Jayanthi et al. Analysis on various segmentation techniques–IMT measurement of common carotid artery
Jevitha et al. Analysis of left main coronary bifurcation angle to detect stenosis

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: 21846497

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

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 1205A DATED 02/06/2023)

122 Ep: pct application non-entry in european phase

Ref document number: 21846497

Country of ref document: EP

Kind code of ref document: A1