WO2023013959A1 - 아밀로이드 베타 축적 예측 장치 및 방법 - Google Patents

아밀로이드 베타 축적 예측 장치 및 방법 Download PDF

Info

Publication number
WO2023013959A1
WO2023013959A1 PCT/KR2022/011042 KR2022011042W WO2023013959A1 WO 2023013959 A1 WO2023013959 A1 WO 2023013959A1 KR 2022011042 W KR2022011042 W KR 2022011042W WO 2023013959 A1 WO2023013959 A1 WO 2023013959A1
Authority
WO
WIPO (PCT)
Prior art keywords
amyloid beta
brain mri
image
unit
mri images
Prior art date
Application number
PCT/KR2022/011042
Other languages
English (en)
French (fr)
Inventor
박준영
박종성
Original Assignee
주식회사 뉴로젠
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 뉴로젠 filed Critical 주식회사 뉴로젠
Publication of WO2023013959A1 publication Critical patent/WO2023013959A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Definitions

  • the present invention relates to an apparatus and method for predicting amyloid beta accumulation, and more particularly, to an apparatus and method for predicting amyloid beta accumulation based on brain MRI images of a patient.
  • Mild cognitive impairment is thought to be a precursor to Alzheimer's disease (AD).
  • AD Alzheimer's disease
  • PET amyloid positron emission tomography
  • An object of the present invention is to provide an apparatus and method for predicting amyloid beta accumulation based on brain MRI images of a patient.
  • an apparatus for predicting accumulation of amyloid beta includes: a data acquisition unit acquiring brain MRI images of a patient; A processor predicting accumulation of amyloid beta in the patient based on the brain MRI images acquired by the data acquisition unit, wherein the processor divides the brain MRI images acquired by the data acquisition unit into anatomical regions; ; an image selection unit for selecting a brain MRI image including a specific anatomical region the most among the brain MRI images segmented by the image segmentation unit; an image quantification unit calculating a thickness or volume for each anatomical region segmented in the image segmentation unit; and an amyloid beta accumulation prediction unit that predicts the amyloid beta accumulation of the patient based on the brain MRI image selected by the image selection unit and the thickness or volume of each anatomical part calculated by the image quantification unit.
  • the image selection unit may extract a brain MRI image including a specific anatomical region the most among the brain MRI images divided by the image segmentation unit, and select a predetermined number of brain MRI images before and after the extracted brain MRI image. .
  • the brain MRI images obtained by the data acquisition unit may be T1 type brain MRI images.
  • the specific anatomical region of the image selector may be the hippocampus.
  • the brain MRI images acquired by the data acquisition unit may further include T2 type or FLAIR type brain MRI images, and the amyloid beta accumulation prediction unit may use the brain MRI image selected by the image selection unit and the brain MRI image calculated by the image quantification unit.
  • the accumulation of amyloid beta in the patient may be predicted based on the thickness or volume of each anatomical part and the T2 type or FLAIR type brain MRI images acquired by the data acquisition unit.
  • the data obtaining unit may obtain patient information of the patient and provide the obtained information to the amyloid beta accumulation predicting unit, and the amyloid beta accumulation predicting unit may obtain the brain MRI image selected by the image selection unit and the anatomical region calculated by the image quantification unit.
  • Amyloid beta accumulation of the patient may be predicted based on the star thickness or volume and the patient information provided by the data acquisition unit.
  • the patient information may include age and gender.
  • the patient information may further include an APOE gene test result, and the data acquisition unit may provide a value reflecting the ApOE gene type in the APOE gene test result to the amyloid beta accumulation prediction unit.
  • the patient information may further include a neuropsychological test score
  • the neuropsychological test is K-MMSE (Korean-Mini Mental State Examination), CDR (Clinical Dementia Rating), SVLT (Seoul Verbal Leaning Test), RCFT (Ray Complex Figure Test), K-CWST (Korean-Color Word Stroop Test), COWAT (Controlled Oral Word Association Test), K-BNT (Korean-Boston Naming Test), GDS (Geriatric Depression Scale), Barthel-ADL (Activities of Daily Living).
  • K-MMSE Korean-Mini Mental State Examination
  • CDR Cosmetic Dementia Rating
  • SVLT Seoul Verbal Leaning Test
  • RCFT Ray Complex Figure Test
  • K-CWST Korean-Color Word Stroop Test
  • COWAT Controlled Oral Word Association Test
  • K-BNT Korean-Boston Naming Test
  • GDS Gaeriatric Depression Scale
  • Barthel-ADL
  • a method for predicting amyloid beta accumulation includes acquiring brain MRI images of a patient; Segmenting the brain MRI images obtained in the obtaining step by anatomical part; selecting a brain MRI image including a specific anatomical region the most from among the brain MRI images divided in the segmenting step; Calculating a thickness or volume for each anatomical part divided in the dividing step; and estimating accumulation of amyloid beta in the patient based on the brain MRI image selected in the selecting step and the thickness or volume of each anatomical part calculated in the calculating step.
  • the present invention can predict amyloid beta accumulation at low cost and with high accuracy based on MRI images without performing PET examination.
  • the present invention can also predict amyloid beta accumulation with high accuracy based on T2 or FLAIR type brain MRI images together with T1 type brain MRI images.
  • the present invention can also predict amyloid beta accumulation with high accuracy by further using patient information in addition to brain MRI images.
  • FIG. 1 is a diagram illustrating an amyloid beta accumulation predicting apparatus according to an embodiment of the present disclosure.
  • FIG. 2 is a diagram showing an amyloid beta accumulation prediction device according to another embodiment of the present disclosure.
  • FIG. 3 is a diagram showing the peripheral configuration of the amyloid beta accumulation predicting device shown in FIG. 1 or FIG. 2 .
  • FIG. 4 is a diagram illustrating a method for predicting amyloid beta accumulation according to another embodiment of the present disclosure.
  • each step may occur in a different order from the specified order unless a specific order is clearly described in context. That is, each step may be performed in the same order as specified, may be performed substantially simultaneously, or may be performed in the reverse order.
  • each component in the present specification is merely a classification for each main function in charge of each component. That is, two or more components may be combined into one component, or one component may be divided into two or more for each more subdivided function.
  • each component may additionally perform some or all of the functions of other components in addition to its main function, and some of the main functions of each component are dedicated to other components. may be performed.
  • Each component may be implemented as hardware or software, or as a combination of hardware and software.
  • An apparatus for predicting amyloid beta accumulation is a device capable of predicting the possibility of a positive result in a brain PET test from brain MRI images of a patient without performing a PET (Positron Emission Tomography) test, and is mounted on an electronic device or as a housing. It can be wrapped and formed into a separate device.
  • Electronic devices include medical imaging devices, electronic medical devices, desktop computers, laptop computers, mobile phones, smart phones, tablets, personal digital assistants (PDA), portable multimedia players (PMPs), navigation devices, MP3 players, digital cameras, wearable devices, and the like. It may include, but is not limited to.
  • FIG. 1 is a diagram illustrating an amyloid beta accumulation predicting apparatus according to an embodiment of the present disclosure.
  • an amyloid beta accumulation prediction apparatus 100 may include a data acquisition unit 110 and a processor 120 .
  • the data acquisition unit 110 may obtain MRI images of the patient's brain.
  • the patient's brain MRI images may be T1-type MRI images.
  • the T1-type MRI images are T1-type 2-dimensional MRI images, each of which is sequentially accumulated.
  • the data acquisition unit 110 includes an MRI apparatus, and may acquire MRI images of the patient's brain by capturing MRI images of the patient's brain using the MRI apparatus.
  • the data acquisition unit 110 may obtain MRI images of the patient's brain by receiving MRI images of the patient's brain from an external device that captures and/or stores MRI images of the patient.
  • the data acquisition unit 110 may use a wired or wireless communication technology.
  • wireless communication technologies include Bluetooth communication, Bluetooth Low Energy (BLE) communication, Near Field Communication (NFC), WLAN communication, Zigbee communication, Infrared Data Association (IrDA) communication, and WFD. (Wi-Fi Direct) communication, UWB (ultra-wideband) communication, Ant + communication, WIFI communication, RFID (Radio Frequency Identification) communication, 3G communication, 4G communication and 5G communication, etc. may be included, but is not limited thereto.
  • the processor 120 may predict the possibility of a positive result in brain PET examination, that is, the accumulation of amyloid beta, based on the brain MRI images obtained by the data acquisition unit 110 .
  • the processor 120 may include an image preprocessing unit 130, an image segmentation unit 140, an image selection unit 150, an image quantification unit 160, and an amyloid beta accumulation prediction unit 170.
  • the image pre-processing unit 130 may pre-process brain MRI images acquired by the data acquisition unit 110 .
  • the image pre-processing unit 130 may pre-process acquired brain MRI images by using various image normalization algorithms capable of normalizing and removing effects of heterogeneity between images.
  • the image segmentation unit 140 may segment the brain MRI images processed by the image pre-processing unit 130 according to anatomical parts. According to an exemplary embodiment, the image segmentation unit 140 may segment each brain MRI image by anatomical region using an image segmentation model.
  • the image segmentation model may be generated in advance through learning based on brain MRI images for learning divided into respective anatomical regions.
  • the image segmentation model may include a machine learning model or a deep learning model, for example, Fully Convolutional Network (FCN), DeepLab, U-Net, Attention U-Net, ReSeg, Conditional Random Field (CRF), etc., but is limited thereto. It is not.
  • the image selection unit 150 may select a brain MRI image including the most of a specific anatomical region from among brain MRI images divided by the image segmentation unit 140 .
  • the specific anatomical region may be the hippocampus.
  • the image selector 150 extracts an MRI image including the hippocampus the most when a specific anatomical part is the hippocampus in T1 type MRI images, and displays more images before and after the extracted MRI image. MRI images may be selected together.
  • the image quantification unit 160 may analyze the brain MRI images divided by the anatomical part divided by the image segmentation unit 140 to calculate the thickness or volume for each anatomical part. For example, the image quantification unit 160 may calculate the thickness or volume for each anatomical part using the number of voxels, the voxel spacing, and the image cross-section thickness of each anatomical part.
  • the amyloid beta accumulation prediction unit 170 can predict the patient's amyloid beta accumulation based on the brain MRI image selected by the image selection unit 150 and the thickness or volume of each anatomical region calculated by the image quantification unit 160. .
  • the amyloid beta accumulation predictor 170 may predict the amyloid beta accumulation of the patient using an amyloid beta accumulation prediction model.
  • the amyloid beta accumulation prediction model is built in advance through learning based on the brain MRI images of multiple patients, the thickness or volume of each anatomical part, and the brain PET test results (positive or negative) corresponding to them, and is stored in an internal or external database.
  • the amyloid beta accumulation prediction model is a machine learning model or a deep learning model, such as a Convolutional Neural Network (CNN), a Deep Neural Network (DNN), a Recurrent Neural Network (RNN), and the like. It may include, but is not limited to.
  • CNN Convolutional Neural Network
  • DNN Deep Neural Network
  • RNN Recurrent Neural Network
  • FIG. 2 is a diagram showing an amyloid beta accumulation prediction device according to another embodiment of the present disclosure.
  • the amyloid beta accumulation predicting apparatus 100 may include a data acquisition unit 110 and a processor 120 .
  • the data acquisition unit 110 may acquire multiple types of brain MRI images of the patient.
  • the plurality of types of MRI images may include two different types of MRI images, eg, T1 images and T2 or FLAIR images.
  • the data acquisition unit 110 may further include patient information along with a plurality of brain MRI images of the patient.
  • patient information may include age, gender, education level, APOE genetic test results, neuropsychological test scores, and the like.
  • Patient information can be provided to the amyloid beta accumulation predictor 170 as a numerical value without special preprocessing.
  • the data acquisition unit 110 may provide a value reflecting the APOE gene type in the APOE gene test result to the amyloid beta accumulation prediction unit 170 .
  • the APOE gene is a gene located on chromosome 19, and the APOE gene type is divided into six types: e2/e2, e2/e3, e3/e3, e2/e4, e3/e4, and e3/e4. Among them, a person who has at least one e4 type is called an APOE e4 holder, and a person who does not have any e4 type is called an APOE e4 non-holder. The reason is that among APOE genotypes, e4 is known to be one of the strongest genetic risk factors for Alzheimer's disease. On the other hand, recently, it has been gradually revealed that the e4 allele is associated with amyloid beta accumulation.
  • the neuropsychological tests are K-MMSE (Korean-Mini Mental State Examination), CDR (Clinical Dementia Rating), SVLT (Seoul Verbal Leaning Test), RCFT (Ray Complex Figure Test), K-CWST (Korean-Color Word Stroop Test) ), COWAT (Controlled Oral Word Association Test), K-BNT (Korean-Boston Naming Test), GDS (Geriatric Depression Scale), Barthel-ADL (Activities of Daily Living), etc., preferably RCFT. .
  • the processor 120 may control the overall operation of the amyloid beta accumulation predicting apparatus 100 .
  • the processor 120 may predict the possibility of a positive result in brain PET examination, that is, the accumulation of amyloid beta, based on the brain MRI images obtained by the data acquisition unit 110 .
  • the processor 120 includes an image preprocessing unit 130, an image segmentation unit 140, an image selection unit 150, an image quantification unit 160, a second image preprocessing unit 210, and an amyloid beta accumulation predicting unit ( 170) may be included.
  • the image pre-processing unit 130 may pre-process brain MRI images acquired by the data acquisition unit 110 .
  • the image pre-processing unit 130 may pre-process acquired brain MRI images by using various image normalization algorithms capable of normalizing and removing effects of heterogeneity between images.
  • the image segmentation unit 140 may segment the brain MRI images processed by the image pre-processing unit 130 according to anatomical parts. According to an exemplary embodiment, the image segmentation unit 140 may segment each brain MRI image by anatomical region using an image segmentation model.
  • the image selection unit 150 may select a brain MRI image including the most of a specific anatomical region from among brain MRI images divided by the image segmentation unit 140 .
  • the specific anatomical region may be the hippocampus.
  • the image selector 150 may extract a 2D image including the hippocampus region the most in a coronal direction and further select a plurality of images forward and backward.
  • the image quantification unit 160 may analyze the brain MRI images divided by the anatomical part divided by the image segmentation unit 140 to calculate the thickness or volume for each anatomical part. For example, the image quantification unit 160 may calculate the thickness or volume for each anatomical part using the number of voxels, the voxel spacing, and the image cross-section thickness of each anatomical part. For example, when an anatomical part is divided into 80 regions in the image segmentation unit 140, the image quantization unit 160 may calculate the thickness or volume for each anatomical part.
  • the second image pre-processing unit 210 slightly pre-processes the T2 type or FLAIR type 3D brain MRI image, and selects single or multiple brain MRI images cut in an axial direction.
  • the amyloid beta accumulation predictor 170 includes the brain MRI image selected by the image selector 150, the thickness or volume of each anatomical region calculated by the image quantification unit 160, and preprocessing by the second image preprocessor 210. Therefore, the accumulation of amyloid beta in the patient can be predicted based on the selected T2 type or FLAIR type single or multiple brain MRI images.
  • the amyloid beta accumulation predictor 170 preprocesses the brain MRI image selected by the image selector 150, the thickness or volume of each anatomical part calculated by the image quantification unit 160, and the second image preprocessor 210.
  • the patient's amyloid beta accumulation can be predicted based on the selected T2 type or FLAIR type single or multiple brain MRI images and patient information.
  • FIG. 3 is a diagram showing the peripheral configuration of the amyloid beta accumulation predicting device shown in FIG. 1 or FIG. 2 .
  • the amyloid beta accumulation predicting device 200 includes a data acquisition unit 110, a processor 120, an input unit 310, a storage unit 320, a communication unit 330, and an output unit 340. can do.
  • the image acquisition unit 110 and the processor 120 are the same as those described above with reference to FIG. 1 , detailed descriptions thereof will be omitted.
  • the input unit 310 may receive various manipulation signals and information from the user.
  • the input unit 310 may include a key pad, a dome switch, a touch pad, a jog wheel, a jog switch, and hardware/software buttons. etc. may be included.
  • a touch pad forms a mutual layer structure with a display, it may be referred to as a touch screen.
  • the storage unit 320 may store programs or commands for operation of the amyloid beta accumulation predicting device 200 , and may store data input to the amyloid beta accumulation predicting device 200 and processed data. Also, the storage unit 320 may store an image segmentation model and an amyloid beta accumulation prediction model.
  • the storage unit 320 is a flash memory type, a hard disk type, a multimedia card micro type, a card type memory (eg, SD or XD memory, etc.), RAM (Random Access Memory, RAM), SRAM (Static Random Access Memory), ROM (Read Only Memory, ROM), EEPROM (Electrically Erasable Programmable Read Only Memory), PROM (Programmable Read Only Memory), magnetic memory, magnetic disk, optical disk At least one type of storage medium may be included.
  • the amyloid beta accumulation predicting device 200 may operate an external storage medium such as a web storage that performs the storage function of the storage unit 320 on the Internet.
  • the communication unit 330 may communicate with an external device.
  • the communication unit 330 may transmit data input to the amyloid beta accumulation prediction device 200, stored data, processed data, etc. to an external device, or receive various data for predicting amyloid beta accumulation from the external device. there is.
  • the external device may be a medical device using data input to the amyloid beta accumulation predicting device 200, stored data, processed data, or the like, or a printing or display device for outputting results.
  • the external device may be a digital TV, desktop computer, mobile phone, smart phone, tablet, laptop, PDA (Personal Digital Assistants), PMP (Portable Multimedia Player), navigation device, MP3 player, digital camera, wearable device, etc., but is limited thereto It doesn't work.
  • the communication unit 330 may communicate with an external device using wired or wireless communication technology.
  • the wireless communication technology includes Bluetooth communication, BLE (Bluetooth Low Energy) communication, Near Field Communication (NFC), WLAN communication, Zigbee communication, Infrared Data Association (IrDA) communication, and WFD. (Wi-Fi Direct) communication, UWB (ultra-wideband) communication, Ant+ communication, WIFI communication, RFID (Radio Frequency Identification) communication, 3G communication, 4G communication, and 5G communication, etc., but this is only an example. , but is not limited thereto.
  • the output unit 340 may output data input to the amyloid beta accumulation predicting apparatus 200, stored data, processed data, and the like. According to an embodiment, the output unit 340 may output the obtained brain MRI images, patient information, and amyloid beta accumulation prediction result by at least one of an auditory method, a visual method, and a tactile method. . To this end, the output unit 340 may include a display, a speaker, a vibrator, and the like.
  • FIG. 4 is a diagram illustrating a method for predicting amyloid beta accumulation according to another embodiment of the present disclosure.
  • the amyloid beta accumulation predicting method of FIG. 4 may be performed by the amyloid beta accumulation predicting device 100 of FIG. 1 or FIG. 2 .
  • the data acquisition unit 110 acquires brain MRI images of the patient and patient information (S410).
  • the data acquisition unit 110 may acquire multiple types of brain MRI images of the patient.
  • the plurality of types of MRI images may include two different types of MRI images, eg, T1 images and T2 or FLAIR images.
  • the data acquisition unit 110 may further include patient information along with a plurality of brain MRI images of the patient.
  • patient information may include age, gender, education level, APOE genetic test results, neuropsychological test scores, and the like.
  • the image pre-processing unit 130 pre-processes the brain MRI images acquired by the data acquiring unit 110 (S420).
  • the image pre-processing unit 130 may pre-process acquired brain MRI images by using various image normalization algorithms capable of normalizing and removing effects of heterogeneity between images, for example.
  • the image segmentation unit 140 segments the brain MRI images processed by the image pre-processing unit 130 according to anatomical parts (S430). According to an exemplary embodiment, the image segmentation unit 140 may segment each brain MRI image by anatomical region using an image segmentation model.
  • the image selection unit 150 selects a brain MRI image including a specific anatomical part the most among the brain MRI images divided by the image segmentation unit 140 (S440).
  • the specific anatomical region may be the hippocampus.
  • the image selector 150 may extract a 2D image including the hippocampus region the most in a coronal direction and select a plurality of images forward and backward.
  • the image quantification unit 160 analyzes the brain MRI images divided for each anatomical part segmented by the image segmentation unit 140 and calculates the thickness or volume for each anatomical part (S450).
  • the image quantification unit 160 may calculate the thickness or volume for each anatomical part using, for example, the number of voxels, the voxel spacing, and the image cross-section thickness of each anatomical part. For example, when an anatomical part is divided into 80 regions in the image segmentation unit 140, the image quantization unit 160 may calculate the thickness or volume for each anatomical part.
  • the second image preprocessing unit 210 may preprocess a T2 type or FLAIR type 3D brain MRI image (S460).
  • the second image preprocessing unit 210 may cut the preprocessed brain MRI images in an axial direction and select a single or multiple brain MRI images.
  • the amyloid beta accumulation predictor 170 preprocesses the brain MRI image selected by the image selection unit 150, the thickness or volume of each anatomical part calculated by the image quantification unit 160, and the second image preprocessor 210.
  • the accumulation of amyloid beta in the patient is predicted based on single or multiple brain MRI images of the selected T2 type or FLAIR type (S470).
  • the amyloid beta accumulation predictor 170 preprocesses the brain MRI image selected by the image selector 150, the thickness or volume of each anatomical part calculated by the image quantification unit 160, and the second image preprocessor 210.
  • the accumulation of amyloid beta in the patient can be predicted based on the selected T2 type or FLAIR type single or multiple brain MRI images and patient information.
  • a computer-readable recording medium may include all types of recording devices storing data that can be read by a computer system. Examples of computer-readable recording media may include ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical disk, and the like. In addition, the computer-readable recording medium may be distributed among computer systems connected through a network, and may be written and executed as computer-readable codes in a distributed manner.

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)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Psychiatry (AREA)
  • Artificial Intelligence (AREA)
  • Psychology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Bioethics (AREA)
  • Hospice & Palliative Care (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Neurology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Social Psychology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)

Abstract

본 발명은 아밀로이드 베타 축적 예측 장치 및 방법에 관한 것으로, 일 실시예에 따른 아밀로이드 베타 축적 예측 장치는, 환자의 뇌 MRI 영상들을 획득하는 데이터 획득부; 데이터 획득부에서 획득된 뇌 MRI 영상들을 기반으로 환자의 아밀로이드 베타 축적을 예측하는 프로세서를 포함하고, 프로세서는, 데이터 획득부에서 획득된 뇌 MRI 영상들을 해부학적 부위별로 분할하는 영상 분할부; 영상 분할부에서 분할된 뇌 MRI 영상들 중에서 특정의 해부학적 부위를 가장 많이 포함하는 뇌 MRI 영상을 선택하는 영상 선택부; 영상 분할부에서 분할된 해부학적 부위별로 두께 또는 부피를 산출하는 영상 정량화부; 및 영상 선택부에서 선택된 뇌 MRI 영상 및 영상 정량화부에서 산출된 해부학적 부위별 두께 또는 부피를 기반으로 환자의 아밀로이드 베타 축적을 예측하는 아밀로이드 베타 축적 예측부를 포함할 수 있다.

Description

아밀로이드 베타 축적 예측 장치 및 방법
본 발명은 아밀로이드 베타 축적 예측 장치 및 방법에 관한 것으로, 특히 환자의 뇌 MRI 영상들을 기반으로 아밀로이드 베타 축적을 예측할 수 있는 아밀로이드 베타 축적 예측 장치 및 방법에 관한 것이다.
경도인지장애(mild cognitive impairment, MCI)는 알츠하이머 병(alzheimer's disease, AD)의 전조 단계로 생각되고 있다. 일반적으로 경도인지장애를 판단하기 위해서는 아밀로이드 양전자 단층촬영(PET) 검사를 이용한다.
그러나 PET 검사는 경제적 요인(비용), 사회적 요인(가용성), 환자 또는 간병인의 태도(예컨대, 안전, 환자 및 간병인의 부담 및 방사선 노출 등) 등과 같은 비의학적 요인들에 의해 의료 실무상 임상적 유용성은 제한적이다.
따라서, PET 검사를 하지 않고, 아밀로이드 베타 축적을 예측하는 기술이 필요하다.
본 발명은 환자의 뇌 MRI 영상들을 기반으로 아밀로이드 베타 축적을 예측할 수 있는 아밀로이드 베타 축적 예측 장치 및 방법을 제공하는 것을 목적으로 한다.
상술한 목적을 달성하기 위해, 본 개시의 일 실시예에 따른 아밀로이드 베타 축적 예측 장치는, 환자의 뇌 MRI 영상들을 획득하는 데이터 획득부; 상기 데이터 획득부에서 획득된 뇌 MRI 영상들을 기반으로 상기 환자의 아밀로이드 베타 축적을 예측하는 프로세서를 포함하고, 상기 프로세서는 상기 데이터 획득부에서 획득된 뇌 MRI 영상들을 해부학적 부위별로 분할하는 영상 분할부; 상기 영상 분할부에서 분할된 뇌 MRI 영상들 중에서 특정의 해부학적 부위를 가장 많이 포함하는 뇌 MRI 영상을 선택하는 영상 선택부; 상기 영상 분할부에서 분할된 해부학적 부위별로 두께 또는 부피를 산출하는 영상 정량화부; 및 상기 영상 선택부에서 선택된 뇌 MRI 영상 및 상기 영상 정량화부에서 산출된 해부학적 부위별 두께 또는 부피를 기반으로 상기 환자의 아밀로이드 베타 축적을 예측하는 아밀로이드 베타 축적 예측부를 포함할 수 있다.
상기 영상 선택부는 상기 영상 분할부에서 분할된 뇌 MRI 영상들 중에서 특정의 해부학적 부위를 가장 많이 포함하는 뇌 MRI 영상을 추출하고, 추출된 뇌 MRI 영상을 전후로 소정 갯수의 뇌 MRI 영상들을 선택할 수 있다.
상기 데이터 획득부에서 획득된 뇌 MRI 영상들은 T1 타입의 뇌 MRI 영상들일 수 있다.
상기 영상 선택부의 특정의 해부학적 부위는 해마일 수 있다.
상기 데이터 획득부에서 획득된 뇌 MRI 영상들은 T2 타입 또는 FLAIR 타입의 뇌 MRI 영상들을 더 포함할 수 있고, 상기 아밀로이드 베타 축적 예측부는 상기 영상 선택부에서 선택된 뇌 MRI 영상, 상기 영상 정량화부에서 산출된 해부학적 부위별 두께 또는 부피, 및 상기 데이터 획득부에서 획득된 T2 타입 또는 FLAIR 타입의 뇌 MRI 영상들을 기반으로 상기 환자의 아밀로이드 베타 축적을 예측할 수 있다.
상기 데이터 획득부는 상기 환자의 환자 정보를 획득하여 상기 아밀로이드 베타 축적 예측부에 제공할 수 있고, 상기 아밀로이드 베타 축적 예측부는 상기 영상 선택부에서 선택된 뇌 MRI 영상, 상기 영상 정량화부에서 산출된 해부학적 부위별 두께 또는 부피, 및 상기 데이터 획득부에서 제공된 환자 정보를 기반으로 상기 환자의 아밀로이드 베타 축적을 예측할 수 있다.
상기 환자 정보는 나이 및 성별을 포함할 수 있다.
상기 환자 정보는 아포이(APOE) 유전자 검사결과를 더 포함할 수 있고, 상기 데이터 획득부는 상기 아포이 유전자 검사결과에서 아포이 유전자 타입을 반영한 값을 상기 아밀로이드 베타 축적 예측부에 제공할 수 있다.
상기 환자 정보는 신경심리검사 점수를 더 포함할 수 있고, 상기 신경심리검사는 K-MMSE(Korean-Mini Mental State Examination), CDR(Clinical Dementia Rating), SVLT(Seoul Verbal Leaning Test), RCFT(Ray Complex Figure Test), K-CWST(Korean-Color Word Stroop Test), COWAT(Controlled Oral Word Association Test), K-BNT(Korean-Boston Naming Test), GDS(Geriatric Depression Scale), Barthel-ADL(Activities of Daily Living) 중 하나일 수 있다.
본 개시의 다른 실시예에 따른 아밀로이드 베타 축적 예측 방법은, 환자의 뇌 MRI 영상들을 획득하는 단계; 상기 획득하는 단계에서 획득된 뇌 MRI 영상들을 해부학적 부위별로 분할하는 단계; 상기 분할하는 단계에서 분할된 뇌 MRI 영상들 중에서 특정의 해부학적 부위를 가장 많이 포함하는 뇌 MRI 영상을 선택하는 단계; 상기 분할하는 단계에서 분할된 해부학적 부위별로 두께 또는 부피를 산출하는 단계; 및 상기 선택하는 단계에서 선택된 뇌 MRI 영상 및 상기 산출하는 단계에서 산출된 해부학적 부위별 두께 또는 부피를 기반으로 상기 환자의 아밀로이드 베타 축적을 예측하는 단계를 포함할 수 있다.
상술한 구성에 의해, 본 발명은 PET 검사를 하지 않고, MRI 영상들을 기반으로 저비용이면서도 높은 정확도로 아밀로이드 베타 축적을 예측할 수 있다.
본 발명은 또한, T1 타입의 뇌 MRI 영상들과 함께 T2 또는 FLAIR 타입의 뇌 MRI 영상들을 기반으로 높은 정확도로 아밀로이드 베타 축적을 예측할 수 있다.
본 발명은, 또한 뇌 MRI 영상들 이외에 환자 정보를 더 이용하여 높은 정확도로 아밀로이드 베타 축적을 예측할 수 있다.
도 1은 본 개시의 일 실시예에 따른 아밀로이드 베타 축적 예측 장치를 도시하는 도면이다.
도 2는 본 개시의 또 하나의 실시예에 따른 아밀로이드 베타 축적 예측 장치를 도시하는 도면이다.
도 3은 도 1 또는 도 2에 도시된 아밀로이드 베타 축적 예측 장치의 주변 구성을 도시하는 도면이다.
도 4는 본 개시의 또 다른 실시예에 따른 아밀로이드 베타 축적 예측 방법을 도시하는 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 일 실시예를 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
한편, 각 단계들에 있어, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않은 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 수행될 수 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하고, '포함하다' 또는 '가지다' 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주 기능별로 구분한 것에 불과하다. 즉, 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있다. 각 구성부는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
본 개시에 따른 아밀로이드 베타 축적 예측 장치는 PET(Positron Emission Tomography) 검사를 하지 않고, 환자의 뇌 MRI 영상들로부터 뇌 PET 검사 시 양성이 나올 가능성을 예측할 수 있는 장치로, 전자 장치에 탑재되거나 하우징으로 감싸져 별개의 장치로 형성될 수 있다. 전자 장치는 의료용 영상 장치, 전자의료기기, 데스크탑 컴퓨터, 노트북, 휴대폰, 스마트폰, 태블릿, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션 장치, MP3 플레이어, 디지털 카메라, 웨어러블 디바이스 등을 포함할 수 있으나 이에 한정되는 것은 아니다.
도 1은 본 개시의 일 실시예에 따른 아밀로이드 베타 축적 예측 장치를 도시하는 도면이다.
도 1을 참조하면, 아밀로이드 베타 축적 예측 장치(100)는 데이터 획득부(110) 및 프로세서(120)를 포함할 수 있다.
데이터 획득부(110)는 환자의 뇌 MRI 영상들을 획득할 수 있다. 환자의 뇌 MRI 영상들은 T1 타입의 MRI 영상들일 수 있는데, 여기서 T1 타입의 MRI 영상들이란 T1 타입의 2차원 MRI 영상들로 각각이 순차적으로 축적되어 있는 바 실제로는 T1 타입의 3차원 MRI 영상에 해당한다.
일 실시예에 따르면, 데이터 획득부(110)는 MRI 장치를 포함하며, MRI 장치를 이용하여 환자의 뇌 MRI 영상들을 촬영함으로써, 환자의 뇌 MRI 영상들을 획득할 수 있다.
다른 실시예에 따르면, 데이터 획득부(110)는 환자의 MRI 영상들을 촬영 및/또는 저장하는 외부 장치로부터 환자의 뇌 MRI 영상들을 수신함으로써, 환자의 뇌 MRI 영상들을 획득할 수 있다. 이때, 데이터 획득부(110)는 유무선 통신 기술을 이용할 수 있다. 여기서 무선 통신 기술은 블루투스(bluetooth) 통신, BLE(Bluetooth Low Energy) 통신, 근거리 무선 통신(Near Field Communication, NFC), WLAN 통신, 지그비(Zigbee) 통신, 적외선(Infrared Data Association, IrDA) 통신, WFD(Wi-Fi Direct) 통신, UWB(ultra-wideband) 통신, Ant+ 통신, WIFI 통신, RFID(Radio Frequency Identification) 통신, 3G 통신, 4G 통신 및 5G 통신 등을 포함할 수 있으나 이에 한정되는 것은 아니다.
프로세서(120)는 아밀로이드 베타 축적 예측 장치(100)의 전반적인 동작을 제어할 수 있다.
프로세서(120)는 데이터 획득부(110)에서 획득된 뇌 MRI 영상들을 기반으로 뇌 PET 검사 시 양성이 나올 가능성, 즉 아밀로이드 베타 축적을 예측할 수 있다. 이를 위해 프로세서(120)는 영상 전처리부(130), 영상 분할부(140), 영상 선택부(150), 영상 정량화부(160) 및 아밀로이드 베타 축적 예측부(170)를 포함할 수 있다.
영상 전처리부(130)는 데이터 획득부(110)에서 획득된 뇌 MRI 영상들을 전처리할 수 있다. 예를 들면, 영상 전처리부(130)는 영상 간 이질성에 따른 영향을 제거하고 정규화할 수 있는 다양한 영상 정규화 알고리즘을 이용하여 획득된 뇌 MRI 영상들을 전처리할 수 있다.
영상 분할부(140)는 영상 전처리부(130)에서 처리된 뇌 MRI 영상들을 해부학적 부위별로 분할(segmentation)할 수 있다. 예시적 실시예에 따르면, 영상 분할부(140)는 영상 분할 모델을 이용하여 각 뇌 MRI 영상을 해부학적 부위별로 분할할 수 있다. 여기서 영상 분할 모델은 각 해부학적 부위로 분할된 학습용 뇌 MRI 영상들을 기반으로 학습을 통해 미리 생성될 수 있다. 영상 분할 모델은 머신러닝 모델 또는 딥러닝 모델 예를 들어, FCN(Fully Convolutional Network), DeepLab, U-Net, Attention U-Net, ReSeg, CRF(Conditional Random Field) 등을 포함할 수 있으나 이에 한정되는 것은 아니다.
영상 선택부(150)는 영상 분할부(140)에서 분할된 뇌 MRI 영상들 중에서 특정의 해부학적 부위를 가장 많이 포함하는 뇌 MRI 영상을 선택할 수 있다. 여기서 뇌 MRI 영상들이 T1 타입의 MRI 영상들이면, 특정의 해부학적 부위는 해마일 수 있다.
예시적 실시예에 따르면, 영상 선택부(150)는 T1 타입의 MRI 영상들에서 특정의 해부학적 부위가 해마이면, 해마를 가장 많이 포함하는 MRI 영상이 추출되고, 추출된 MRI 영상을 전후로 더 많은 MRI 영상들이 함께 선택될 수 있다.
영상 정량화부(160)는 영상 분할부(140)에서 분할된 해부학적 부위별로 분할된 뇌 MRI 영상들을 분석하여 해부학적 부위별로 두께 또는 부피를 산출할 수 있다. 예를 들어, 영상 정량화부(160)는 각 해부학적 부위의 복셀(voxel) 개수, 복셀 간격 및 영상 단면 두께 등을 이용하여 해부학적 부위별로 두께 또는 부피를 산출할 수 있다.
아밀로이드 베타 축적 예측부(170)는 영상 선택부(150)에서 선택된 뇌 MRI 영상, 영상 정량화부(160)에서 산출된 각 해부학적 부위의 두께 또는 부피를 기반으로 환자의 아밀로이드 베타 축적을 예측할 수 있다. 예시적 실시예에 따르면, 아밀로이드 베타 축적 예측부(170)는 아밀로이드 베타 축적 예측 모델을 이용하여 환자의 아밀로이드 베타 축적을 예측할 수 있다. 여기서 아밀로이드 베타 축적 예측 모델은 다수 환자의 뇌 MRI 영상 및 각 해부학적 부위의 두께 또는 부피와, 이들에 대응하는 뇌 PET 검사 결과(양성 또는 음성)를 기반으로 학습을 통해 미리 구축되어 내부 또는 외부 데이터베이스에 저장될 수 있다. 아밀로이드 베타 축적 예측 모델은 머신러닝 모델 또는 딥러닝 모델, 예를 들어, 합성곱 신경망(Convolutional Neural Network, CNN), 심층 신경망(Deep Neural Network, DNN), 순환 신경망(Recurrent Neural Network, RNN) 등을 포함할 수 있으나 이에 한정되는 것은 아니다.
도 2는 본 개시의 또 하나의 실시예에 따른 아밀로이드 베타 축적 예측 장치를 도시하는 도면이다.
도 2을 참조하면, 아밀로이드 베타 축적 예측 장치(100)는 데이터 획득부(110) 및 프로세서(120)를 포함할 수 있다.
데이터 획득부(110)는 환자의 복수 타입의 뇌 MRI 영상들을 획득할 수 있다. 여기서 복수 타입의 MRI 영상들은 상이한 2개의 타입의 MRI 영상들, 예컨대, T1 영상들 및 T2 또는 FLAIR 영상들을 포함할 수 있다.
데이터 획득부(110)는 환자의 복수의 뇌 MRI 영상들과 함께 환자 정보를 더 포함할 수 있다. 여기서 환자 정보는 나이, 성별, 교육수준, 아포이(APOE) 유전자 검사 결과, 신경심리검사 점수 등을 포함할 수 있다. 환자 정보는 숫자값으로 특별한 전처리없이 아밀로이드 베타 축적 예측부(170)에 제공될 수 있다.
데이터 획득부(110)는 APOE 유전자 검사결과에서 APOE 유전자 타입을 반영한 값을 아밀로이드 베타 축적 예측부(170)에 제공할 수 있다.
APOE 유전자는 19번 염색체 안에 있는 유전자로, APOE 유전자 타입은 e2/e2, e2/e3, e3/e3, e2/e4, e3/e4, e3/e4의 총 6가지 타입으로 나누어진다. 이들 중에서 e4 타입을 한 개 이상 가지고 있는 사람을 APOE e4 보유자라고 하고, e4 타입이 하나도 없는 사람을 APOE e4 비보유자라 한다. 그 이유는 APOE 유전자 타입 중에서 e4는 알츠하이머 치매를 일으키는 가장 강력한 유전적 위험인자 중 하나로 알려져 있기 때문이다. 한편, 최근에는 e4 대립 유전자(allele)가 아밀로이드 베타 축적과 연관이 있음에 대해 조금씩 밝혀지고 있다.
여기서 신경심리검사는 K-MMSE(Korean-Mini Mental State Examination), CDR(Clinical Dementia Rating), SVLT(Seoul Verbal Leaning Test), RCFT(Ray Complex Figure Test), K-CWST(Korean-Color Word Stroop Test), COWAT(Controlled Oral Word Association Test), K-BNT(Korean-Boston Naming Test), GDS(Geriatric Depression Scale), Barthel-ADL(Activities of Daily Living) 등을 포함하며, 바람직하게는 RCFT일 수 있다.
프로세서(120)는 아밀로이드 베타 축적 예측 장치(100)의 전반적인 동작을 제어할 수 있다.
프로세서(120)는 데이터 획득부(110)에서 획득된 뇌 MRI 영상들을 기반으로 뇌 PET 검사 시 양성이 나올 가능성, 즉 아밀로이드 베타 축적을 예측할 수 있다. 이를 위해 프로세서(120)는 영상 전처리부(130), 영상 분할부(140), 영상 선택부(150), 영상 정량화부(160), 제2 영상 전처리부(210) 및 아밀로이드 베타 축적 예측부(170)를 포함할 수 있다.
영상 전처리부(130)는 데이터 획득부(110)에서 획득된 뇌 MRI 영상들을 전처리할 수 있다. 예를 들면, 영상 전처리부(130)는 영상 간 이질성에 따른 영향을 제거하고 정규화할 수 있는 다양한 영상 정규화 알고리즘을 이용하여 획득된 뇌 MRI 영상들을 전처리할 수 있다.
영상 분할부(140)는 영상 전처리부(130)에서 처리된 뇌 MRI 영상들을 해부학적 부위별로 분할(segmentation)할 수 있다. 예시적 실시예에 따르면, 영상 분할부(140)는 영상 분할 모델을 이용하여 각 뇌 MRI 영상을 해부학적 부위별로 분할할 수 있다.
영상 선택부(150)는 영상 분할부(140)에서 분할된 뇌 MRI 영상들 중에서 특정의 해부학적 부위를 가장 많이 포함하는 뇌 MRI 영상을 선택할 수 있다. 여기서 뇌 MRI 영상들이 T1 타입의 MRI 영상들이면, 특정의 해부학적 부위는 해마일 수 있다. 영상 선택부(150)는 예를 들어, 해마 영역을 관상(coronal) 방향으로 가장 많이 포함하고 있는 2차원 이미지를 추출하고 전후로 복수매를 더 선택할 수 있다.
영상 정량화부(160)는 영상 분할부(140)에서 분할된 해부학적 부위별로 분할된 뇌 MRI 영상들을 분석하여 해부학적 부위별로 두께 또는 부피를 산출할 수 있다. 예를 들어, 영상 정량화부(160)는 각 해부학적 부위의 복셀 개수, 복셀 간격 및 영상 단면 두께 등을 이용하여 해부학적 부위별로 두께 또는 부피를 산출할 수 있다. 영상 정량화부(160)는 예를 들어 영상 분할부(140)에서 해부학적 부위가 80개 영역으로 분할되면 각 해부학적 부위별로 두께 또는 부피를 산출할 수 있다.
제2 영상 전처리부(210)는 T2 타입 또는 FLAIR 타입의 3차원의 뇌 MRI 영상을 약간 전처리하고, 축(axial) 방향으로 자른 단일 또는 복수 매의 뇌 MRI 영상을 선택할 수 있다.
아밀로이드 베타 축적 예측부(170)는 영상 선택부(150)에서 선택된 뇌 MRI 영상, 영상 정량화부(160)에서 산출된 각 해부학적 부위의 두께 또는 부피, 및 제2 영상 전처리부(210)에서 전처리되어 선택된 T2 타입 또는 FLAIR 타입의 단일 또는 복수 매의 뇌 MRI 영상들을 기반으로 환자의 아밀로이드 베타 축적을 예측할 수 있다.
아밀로이드 베타 축적 예측부(170)는 영상 선택부(150)에서 선택된 뇌 MRI 영상, 영상 정량화부(160)에서 산출된 각 해부학적 부위의 두께 또는 부피, 제2 영상 전처리부(210)에서 전처리되어 선택된 T2 타입 또는 FLAIR 타입의 단일 또는 복수 매의 뇌 MRI 영상들, 및 환자 정보를 기반으로 환자의 아밀로이드 베타 축적을 예측할 수 있다.
도 3은 도 1 또는 도 2에 도시된 아밀로이드 베타 축적 예측 장치의 주변 구성을 도시하는 도면이다.
도 3을 참조하면, 아밀로이드 베타 축적 예측 장치(200)는 데이터 획득부(110), 프로세서(120), 입력부(310), 저장부(320), 통신부(330) 및 출력부(340)를 포함할 수 있다. 여기서, 영상 획득부(110) 및 프로세서(120)는 도 1을 참조하여 전술한 바와 같으므로 그 상세한 설명은 생략하기로 한다.
입력부(310)는 사용자로부터 다양한 조작신호 및 정보를 입력 받을 수 있다. 일 실시예에 따르면, 입력부(310)는 키 패드(key pad), 돔 스위치(dome switch), 터치 패드(touch pad), 조그 휠(Jog wheel), 조그 스위치(Jog switch), 하드웨어/소프트웨어 버튼 등을 포함할 수 있다. 특히, 터치 패드가 디스플레이와 상호 레이어 구조를 이룰 경우, 이를 터치 스크린이라 부를 수 있다.
저장부(320)는 아밀로이드 베타 축적 예측 장치(200)의 동작을 위한 프로그램 또는 명령들을 저장할 수 있고, 아밀로이드 베타 축적 예측 장치(200)에 입력되는 데이터 및 처리된 데이터를 저장할 수 있다. 또한, 저장부(320)는 영상 분할 모델 및 아밀로이드 베타 축적 예측 모델 등을 저장할 수 있다.
저장부(320)는 플래시 메모리 타입(flash memory type), 하드 디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예컨대, SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read Only Memory), PROM(Programmable Read Only Memory), 자기 메모리, 자기 디스크, 광디스크 등 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 아밀로이드 베타 축적 예측 장치(200)는 인터넷 상에서 저장부(320)의 저장 기능을 수행하는 웹 스토리지(web storage) 등 외부 저장 매체를 운영할 수도 있다.
통신부(330)는 외부 장치와 통신을 수행할 수 있다. 예컨대, 통신부(330)는 아밀로이드 베타 축적 예측 장치(200)에 입력된 데이터, 저장된 데이터, 처리된 데이터 등을 외부 장치로 전송하거나, 외부 장치로부터 아밀로이드 베타 축적을 예측하기 위한 다양한 데이터를 수신할 수 있다.
이때, 외부 장치는 아밀로이드 베타 축적 예측 장치(200)에 입력된 데이터, 저장된 데이터, 처리된 데이터 등을 사용하는 의료 장비, 결과물을 출력하기 위한 프린트 또는 디스플레이 장치일 수도 있다. 이외에도 외부 장치는 디지털 TV, 데스크탑 컴퓨터, 휴대폰, 스마트 폰, 태블릿, 노트북, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션 장치, MP3 플레이어, 디지털 카메라, 웨어러블 디바이스 등일 수 있으나, 이에 제한되지 않는다.
통신부(330)는 유무선 통신 기술을 이용하여 외부 장치와 통신할 수 있다. 이때 무선 통신 기술은 블루투스(bluetooth) 통신, BLE(Bluetooth Low Energy) 통신, 근거리 무선 통신(Near Field Communication, NFC), WLAN 통신, 지그비(Zigbee) 통신, 적외선(Infrared Data Association, IrDA) 통신, WFD(Wi-Fi Direct) 통신, UWB(ultra-wideband) 통신, Ant+ 통신, WIFI 통신, RFID(Radio Frequency Identification) 통신, 3G 통신, 4G 통신 및 5G 통신 등을 포함할 수 있으나 이는 일 예에 불과할 뿐이며, 이에 한정되는 것은 아니다.
출력부(340)는 아밀로이드 베타 축적 예측 장치(200)에 입력된 데이터, 저장된 데이터, 처리된 데이터 등을 출력할 수 있다. 일 실시예에 따르면, 출력부(340)는 획득된 뇌 MRI 영상들 및 환자 정보와, 아밀로이드 베타 축적 예측 결과 등을 청각적 방법, 시각적 방법 및 촉각적 방법 중 적어도 하나의 방법으로 출력할 수 있다. 이를 위해 출력부(340)는 디스플레이, 스피커, 진동기 등을 포함할 수 있다.
도 4는 본 개시의 또 다른 실시예에 따른 아밀로이드 베타 축적 예측 방법을 도시하는 도면이다.
도 4의 아밀로이드 베타 축적 예측 방법은 도 1 또는 도 2의 아밀로이드 베타 축적 예측 장치(100)에 의해 수행될 수 있다.
데이터 획득부(110)는 환자의 뇌 MRI 영상들 및 환자 정보를 획득한다(S410). 데이터 획득부(110)는 환자의 복수 타입의 뇌 MRI 영상들을 획득할 수 있다. 여기서 복수 타입의 MRI 영상들은 상이한 2개의 타입의 MRI 영상들, 예컨대, T1 영상들 및 T2 또는 FLAIR 영상들을 포함할 수 있다. 데이터 획득부(110)는 환자의 복수의 뇌 MRI 영상들과 함께 환자 정보를 더 포함할 수 있다. 여기서 환자 정보는 나이, 성별, 교육수준, APOE 유전자 검사 결과, 신경심리검사 점수 등을 포함할 수 있다.
영상 전처리부(130)는 데이터 획득부(110)에서 획득된 뇌 MRI 영상들을 전처리한다(S420). 영상 전처리부(130)는 예를 들어, 영상 간 이질성에 따른 영향을 제거하고 정규화할 수 있는 다양한 영상 정규화 알고리즘을 이용하여 획득된 뇌 MRI 영상들을 전처리할 수 있다.
영상 분할부(140)는 영상 전처리부(130)에서 처리된 뇌 MRI 영상들을 해부학적 부위별로 분할(segmentation)한다(S430). 예시적 실시예에 따르면, 영상 분할부(140)는 영상 분할 모델을 이용하여 각 뇌 MRI 영상을 해부학적 부위별로 분할할 수 있다.
영상 선택부(150)는 영상 분할부(140)에서 분할된 뇌 MRI 영상들 중에서 특정의 해부학적 부위를 가장 많이 포함하는 뇌 MRI 영상을 선택한다(S440). 여기서 뇌 MRI 영상들이 T1 타입의 MRI 영상들이면, 특정의 해부학적 부위는 해마일 수 있다. 영상 선택부(150)는 예를 들어, 해마 영역을 관상(coronal) 방향으로 가장 많이 포함하고 있는 2차원 이미지를 추출하고 전후로 복수매를 선택할 수 있다.
영상 정량화부(160)는 영상 분할부(140)에서 분할된 해부학적 부위별로 분할된 뇌 MRI 영상들을 분석하여 해부학적 부위별로 두께 또는 부피를 산출한다(S450). 영상 정량화부(160)는 예를 들어, 각 해부학적 부위의 복셀 개수, 복셀 간격 및 영상 단면 두께 등을 이용하여 해부학적 부위별로 두께 또는 부피를 산출할 수 있다. 영상 정량화부(160)는 예를 들어 영상 분할부(140)에서 해부학적 부위가 80개 영역으로 분할되면 각 해부학적 부위별로 두께 또는 부피를 산출할 수 있다.
제2 영상 전처리부(210)는 T2 타입 또는 FLAIR 타입의 3차원의 뇌 MRI 영상을 전처리할 수 있다(S460). 제2 영상 전처리부(210)는 전처리된 뇌 MRI 영상들을 축(axial) 방향으로 자르고, 자른 단일 또는 복수 매의 뇌 MRI 영상을 선택할 수 있다.
아밀로이드 베타 축적 예측부(170)는 영상 선택부(150)에서 선택된 뇌 MRI 영상, 영상 정량화부(160)에서 산출된 각 해부학적 부위의 두께 또는 부피 및 제2 영상 전처리부(210)에서 전처리되어 선택된 T2 타입 또는 FLAIR 타입의 단일 또는 복수 매의 뇌 MRI 영상들을 기반으로 환자의 아밀로이드 베타 축적을 예측한다(S470). 아밀로이드 베타 축적 예측부(170)는 영상 선택부(150)에서 선택된 뇌 MRI 영상, 영상 정량화부(160)에서 산출된 각 해부학적 부위의 두께 또는 부피, 제2 영상 전처리부(210)에서 전처리되어 선택된 T2 타입 또는 FLAIR 타입의 단일 또는 복수 매의 뇌 MRI 영상들 및 환자 정보를 기반으로 환자의 아밀로이드 베타 축적을 예측할 수 있다.
상술한 실시예들은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함할 수 있다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 디스크 등을 포함할 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드로 작성되고 실행될 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 범위는 전술한 실시예에 한정되지 않고 특허청구범위에 기재된 내용과 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.

Claims (18)

  1. 환자의 뇌 MRI 영상들을 획득하는 데이터 획득부;
    상기 데이터 획득부에서 획득된 뇌 MRI 영상들을 기반으로 상기 환자의 아밀로이드 베타 축적을 예측하는 프로세서를 포함하고,
    상기 프로세서는,
    상기 데이터 획득부에서 획득된 뇌 MRI 영상들을 해부학적 부위별로 분할하는 영상 분할부;
    상기 영상 분할부에서 분할된 뇌 MRI 영상들 중에서 특정의 해부학적 부위를 가장 많이 포함하는 뇌 MRI 영상을 선택하는 영상 선택부;
    상기 영상 분할부에서 분할된 해부학적 부위별로 두께 또는 부피를 산출하는 영상 정량화부; 및
    상기 영상 선택부에서 선택된 뇌 MRI 영상 및 상기 영상 정량화부에서 산출된 해부학적 부위별 두께 또는 부피를 기반으로 상기 환자의 아밀로이드 베타 축적을 예측하는 아밀로이드 베타 축적 예측부를 포함하는 것을 특징으로 하는 아밀로이드 베타 축적 예측 장치.
  2. 제1항에 있어서,
    상기 영상 선택부는 상기 영상 분할부에서 분할된 뇌 MRI 영상들 중에서 특정의 해부학적 부위를 가장 많이 포함하는 뇌 MRI 영상을 추출하고, 추출된 뇌 MRI 영상을 전후로 소정 갯수의 뇌 MRI 영상들을 선택하는 것을 특징으로 하는 아밀로이드 베타 축적 예측 장치.
  3. 제1항 또는 제2항에 있어서,
    상기 데이터 획득부에서 획득된 뇌 MRI 영상들은 T1 타입의 뇌 MRI 영상들인 것을 특징으로 하는 아밀로이드 베타 축적 예측 장치.
  4. 제3항에 있어서,
    상기 영상 선택부의 특정의 해부학적 부위는 해마인 것을 특징으로 하는 아밀로이드 베타 축적 예측 장치.
  5. 제3항에 있어서,
    상기 데이터 획득부에서 획득된 뇌 MRI 영상들은 T2 타입 또는 FLAIR 타입의 뇌 MRI 영상들을 더 포함하고,
    상기 아밀로이드 베타 축적 예측부는 상기 영상 선택부에서 선택된 뇌 MRI 영상, 상기 영상 정량화부에서 산출된 해부학적 부위별 두께 또는 부피, 및 상기 데이터 획득부에서 획득된 T2 타입 또는 FLAIR 타입의 뇌 MRI 영상들을 기반으로 상기 환자의 아밀로이드 베타 축적을 예측하는 것을 특징으로 하는 아밀로이드 베타 축적 예측 장치.
  6. 제1항 또는 제2항에 있어서,
    상기 데이터 획득부는 상기 환자의 환자 정보를 획득하여 상기 아밀로이드 베타 축적 예측부에 제공하고,
    상기 아밀로이드 베타 축적 예측부는 상기 영상 선택부에서 선택된 뇌 MRI 영상, 상기 영상 정량화부에서 산출된 해부학적 부위별 두께 또는 부피, 및 상기 데이터 획득부에서 제공된 환자 정보를 기반으로 상기 환자의 아밀로이드 베타 축적을 예측하는 것을 특징으로 하는 아밀로이드 베타 축적 예측 장치.
  7. 제6항에 있어서,
    상기 환자 정보는 나이 및 성별을 포함하는 것을 특징으로 하는 아밀로이드 베타 축적 예측 장치.
  8. 제7항에 있어서,
    상기 환자 정보는 아포이(APOE) 유전자 검사결과를 더 포함하고,
    상기 데이터 획득부는 상기 아포이 유전자 검사결과에서 아포이 유전자 타입을 반영한 값을 상기 아밀로이드 베타 축적 예측부에 제공하는 것을 특징으로 하는 아밀로이드 베타 축적 예측 장치.
  9. 제8항에 있어서,
    상기 환자 정보는 신경심리검사 점수를 더 포함하고,
    상기 신경심리검사는 K-MMSE(Korean-Mini Mental State Examination), CDR(Clinical Dementia Rating), SVLT(Seoul Verbal Leaning Test), RCFT(Ray Complex Figure Test), K-CWST(Korean-Color Word Stroop Test), COWAT(Controlled Oral Word Association Test), K-BNT(Korean-Boston Naming Test), GDS(Geriatric Depression Scale), Barthel-ADL(Activities of Daily Living) 중 하나인 것을 특징으로 하는 아밀로이드 베타 축적 예측 장치.
  10. 환자의 뇌 MRI 영상들을 획득하는 단계;
    상기 획득하는 단계에서 획득된 뇌 MRI 영상들을 해부학적 부위별로 분할하는 단계;
    상기 분할하는 단계에서 분할된 뇌 MRI 영상들 중에서 특정의 해부학적 부위를 가장 많이 포함하는 뇌 MRI 영상을 선택하는 단계;
    상기 분할하는 단계에서 분할된 해부학적 부위별로 두께 또는 부피를 산출하는 단계; 및
    상기 선택하는 단계에서 선택된 뇌 MRI 영상 및 상기 산출하는 단계에서 산출된 해부학적 부위별 두께 또는 부피를 기반으로 상기 환자의 아밀로이드 베타 축적을 예측하는 단계를 포함하는 것을 특징으로 하는 아밀로이드 베타 축적 예측 방법.
  11. 제10항에 있어서,
    상기 선택하는 단계는 상기 분할하는 단계에서 분할된 뇌 MRI 영상들 중에서 특정의 해부학적 부위를 가장 많이 포함하는 뇌 MRI 영상을 추출하고, 추출된 뇌 MRI 영상을 전후로 소정 갯수의 뇌 MRI 영상들을 선택하는 것을 특징으로 하는 아밀로이드 베타 축적 예측 방법.
  12. 제10항 또는 제11항에 있어서,
    상기 획득하는 단계에서 획득된 뇌 MRI 영상들은 T1 타입의 뇌 MRI 영상들인 것을 특징으로 하는 아밀로이드 베타 축적 예측 방법.
  13. 제12항에 있어서,
    상기 선택하는 단계의 특정의 해부학적 부위는 해마인 것을 특징으로 하는 아밀로이드 베타 축적 예측 방법.
  14. 제12항에 있어서,
    상기 획득하는 단계에서 획득된 뇌 MRI 영상들은 T2 타입 또는 FLAIR 타입의 뇌 MRI 영상들을 더 포함하고,
    상기 예측하는 단계는 상기 선택하는 단계에서 선택된 뇌 MRI 영상, 상기 산출하는 단계에서 산출된 해부학적 부위별 두께 또는 부피, 및 상기 획득하는 단계에서 획득된 T2 타입 또는 FLAIR 타입의 뇌 MRI 영상들을 기반으로 상기 환자의 아밀로이드 베타 축적을 예측하는 것을 특징으로 하는 아밀로이드 베타 축적 예측 방법.
  15. 제10항 또는 제11항에 있어서,
    상기 획득하는 단계는 상기 환자의 환자 정보를 획득하여 상기 예측하는 단계에 제공하고,
    상기 예측하는 단계는 상기 선택하는 단계에서 선택된 뇌 MRI 영상, 상기 산출하는 단계에서 산출된 해부학적 부위별 두께 또는 부피, 및 상기 획득하는 단계에서 제공된 환자 정보를 기반으로 상기 환자의 아밀로이드 베타 축적을 예측하는 것을 특징으로 하는 아밀로이드 베타 축적 예측 방법.
  16. 제15항에 있어서,
    상기 환자 정보는 나이 및 성별을 포함하는 것을 특징으로 하는 아밀로이드 베타 축적 예측 방법.
  17. 제16항에 있어서,
    상기 환자 정보는 아포이(APOE) 유전자 검사결과를 더 포함하고,
    상기 데이터 획득부는 상기 아포이 유전자 검사결과에서 아포이 유전자 타입을 반영한 값을 상기 예측하는 단계에 제공하는 것을 특징으로 하는 아밀로이드 베타 축적 예측 방법.
  18. 제17항에 있어서,
    상기 환자 정보는 신경심리검사 점수를 더 포함하고,
    상기 신경심리검사는 K-MMSE(Korean-Mini Mental State Examination), CDR(Clinical Dementia Rating), SVLT(Seoul Verbal Leaning Test), RCFT(Ray Complex Figure Test), K-CWST(Korean-Color Word Stroop Test), COWAT(Controlled Oral Word Association Test), K-BNT(Korean-Boston Naming Test), GDS(Geriatric Depression Scale), Barthel-ADL(Activities of Daily Living) 중 하나인 것을 특징으로 하는 아밀로이드 베타 축적 예측 방법.
PCT/KR2022/011042 2021-08-03 2022-07-27 아밀로이드 베타 축적 예측 장치 및 방법 WO2023013959A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2021-0101714 2021-08-03
KR1020210101714A KR102456338B1 (ko) 2021-08-03 2021-08-03 아밀로이드 베타 축적 예측 장치 및 방법

Publications (1)

Publication Number Publication Date
WO2023013959A1 true WO2023013959A1 (ko) 2023-02-09

Family

ID=83804929

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/011042 WO2023013959A1 (ko) 2021-08-03 2022-07-27 아밀로이드 베타 축적 예측 장치 및 방법

Country Status (2)

Country Link
KR (1) KR102456338B1 (ko)
WO (1) WO2023013959A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102615492B1 (ko) * 2022-10-28 2023-12-19 사회복지법인 삼성생명공익재단 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법 및 분석장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009541863A (ja) * 2006-06-21 2009-11-26 レキシコル メディカル テクノロジー エルエルシー 痴呆および痴呆型障害を分析および評価するためのシステムおよび方法
KR20180097214A (ko) * 2017-02-23 2018-08-31 고려대학교 산학협력단 딥러닝을 사용하여 재발 부위를 예측하고, pet 이미지를 생성하는 방법과 장치
KR20190063275A (ko) * 2017-11-29 2019-06-07 서울대학교산학협력단 뇌 아밀로이드 축적 양성 예측 모델 및 이를 이용한 예측 방법
KR20190135908A (ko) * 2019-02-01 2019-12-09 (주)제이엘케이인스펙션 인공지능 기반 치매 진단 방법 및 장치
KR20200073156A (ko) * 2018-12-13 2020-06-23 서울대학교산학협력단 머신러닝 기반의 아밀로이드 베타 축적을 예측하는 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009541863A (ja) * 2006-06-21 2009-11-26 レキシコル メディカル テクノロジー エルエルシー 痴呆および痴呆型障害を分析および評価するためのシステムおよび方法
KR20180097214A (ko) * 2017-02-23 2018-08-31 고려대학교 산학협력단 딥러닝을 사용하여 재발 부위를 예측하고, pet 이미지를 생성하는 방법과 장치
KR20190063275A (ko) * 2017-11-29 2019-06-07 서울대학교산학협력단 뇌 아밀로이드 축적 양성 예측 모델 및 이를 이용한 예측 방법
KR20200073156A (ko) * 2018-12-13 2020-06-23 서울대학교산학협력단 머신러닝 기반의 아밀로이드 베타 축적을 예측하는 방법 및 장치
KR20190135908A (ko) * 2019-02-01 2019-12-09 (주)제이엘케이인스펙션 인공지능 기반 치매 진단 방법 및 장치

Also Published As

Publication number Publication date
KR102456338B1 (ko) 2022-10-20

Similar Documents

Publication Publication Date Title
Wang et al. Should health care demand interpretable artificial intelligence or accept “black box” medicine?
Holzinger et al. Why imaging data alone is not enough: AI-based integration of imaging, omics, and clinical data
WO2021049729A1 (ko) 인공지능 모델을 이용한 폐암 발병 가능성 예측 방법 및 분석 장치
Ye et al. Discriminative multi-task feature selection for multi-modality classification of Alzheimer’s disease
WO2019143177A1 (ko) 일련의 슬라이스 영상을 재구성하는 방법 및 이를 이용한 장치
Sivakumar et al. A novel method to detect bleeding frame and region in wireless capsule endoscopy video
WO2016125978A1 (en) Method and apparatus for displaying medical image
WO2023013959A1 (ko) 아밀로이드 베타 축적 예측 장치 및 방법
WO2019143179A1 (ko) 동일 피사체에 대하여 시간 간격을 두고 촬영된 영상 간에 동일 관심구역을 자동으로 검출하는 방법 및 이를 이용한 장치
WO2021034138A1 (ko) 치매 평가 방법 및 이를 이용한 장치
WO2021137454A1 (ko) 인공지능 기반의 사용자 의료정보 분석 방법 및 시스템
Kessel et al. Review of developments in electronic, clinical data collection, and documentation systems over the last decade–are we ready for big data in routine health care?
WO2022145841A1 (ko) 병변 판독 방법 및 이를 위한 장치
CN109003662A (zh) 医师信息的提供方法、装置、设备及存储介质
CN115206512B (zh) 基于物联网的医院信息管理方法及装置
WO2022197044A1 (ko) 뉴럴 네트워크를 이용한 방광병변 진단 방법 및 그 시스템
US20130275124A1 (en) Generation of pictorial reporting diagrams of lesions in anatomical structures
Collorone et al. Single-subject structural cortical networks in clinically isolated syndrome
US20200286615A1 (en) Method for analysing a medical imaging data set, system for analysing a medical imaging data set, computer program product and a computer-readable medium
JP7044113B2 (ja) 提示方法、提示システム、及びプログラム
WO2023121051A1 (ko) 환자 정보 제공 방법, 환자 정보 제공 장치, 및 컴퓨터 판독 가능한 기록 매체
WO2023113285A1 (ko) 신체 영상의 관리 방법 및 이를 이용한 장치
Amruthalingam et al. Objective hand eczema severity assessment with automated lesion anatomical stratification
KR102423315B1 (ko) 인지기능 정상군을 대상으로 수행하는 아밀로이드 양성을 예측하는 장치 및 방법
CN111192679B (zh) 一种影像数据异常的处理方法、装置及存储介质

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: 22853337

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE