WO2023177151A1 - 3차원 의료 데이터의 처리 방법, 프로그램 및 장치 - Google Patents

3차원 의료 데이터의 처리 방법, 프로그램 및 장치 Download PDF

Info

Publication number
WO2023177151A1
WO2023177151A1 PCT/KR2023/003237 KR2023003237W WO2023177151A1 WO 2023177151 A1 WO2023177151 A1 WO 2023177151A1 KR 2023003237 W KR2023003237 W KR 2023003237W WO 2023177151 A1 WO2023177151 A1 WO 2023177151A1
Authority
WO
WIPO (PCT)
Prior art keywords
space data
dimensional
data
generating
space
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2023/003237
Other languages
English (en)
French (fr)
Inventor
정우진
김현지
김지영
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industry Academic Cooperation Foundation of Catholic University of Korea
Airs Medical Inc
Original Assignee
Industry Academic Cooperation Foundation of Catholic University of Korea
Airs Medical Inc
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 Industry Academic Cooperation Foundation of Catholic University of Korea, Airs Medical Inc filed Critical Industry Academic Cooperation Foundation of Catholic University of Korea
Publication of WO2023177151A1 publication Critical patent/WO2023177151A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
    • G01R33/5611—Parallel magnetic resonance imaging, e.g. sensitivity encoding [SENSE], simultaneous acquisition of spatial harmonics [SMASH], unaliasing by Fourier encoding of the overlaps using the temporal dimension [UNFOLD], k-t-broad-use linear acquisition speed-up technique [k-t-BLAST], k-t-SENSE

Definitions

  • the present disclosure relates to data processing technology, and specifically to a method of processing 3D medical data to generate 2D input data for a neural network model.
  • Magnetic resonance imaging (MRI) devices are equipment that requires considerable imaging time. Therefore, in the medical industry, accelerated imaging technology to shorten the imaging time of magnetic resonance imaging is very important and continues to develop.
  • the premise of accelerated imaging of magnetic resonance imaging is that data is acquired in the signal domain, so-called k-space, rather than the image domain that humans see. At this time, the image domain and K-space can be connected through an operation called Fourier transform.
  • K-space-based artificial intelligence models emerged, and all of the magnetic resonance imaging accelerated artificial intelligence models that are currently considered to have the best performance are K-space-based models. consist of.
  • model expansion is necessary to apply three-dimensional data to these models.
  • the network capacity becomes so large that it inevitably exceeds the limits of currently supported computer hardware. Therefore, it is impossible to learn a model for expansion to 3D data.
  • This disclosure was developed in response to the above-described background technology, and seeks to improve acceleration performance for a 2D K-space-based artificial intelligence model through the process of converting and compressing 3D K-space data into 2D data.
  • the purpose is to provide a method for doing so.
  • a method of processing 3D data performed by a computing device includes restoring three-dimensional first k-space data generated through accelerated imaging or accelerated simulation to generate three-dimensional second k-space data; And based on the operation on the first channel of the second K-space data, generating three-dimensional third K-space data having characteristics of an image domain in the first channel. It can be included.
  • the accelerated simulation may include an operation that under-samples three-dimensional K-space data.
  • generating the second K-space data may include generating the second space data by applying a parallel imaging technique to the first K-space data.
  • the parallel imaging technique generates the second k-space data based on eigenvector decomposition of an autocalibrating signal (ACS) line of the first k-space data. Techniques may be included.
  • ACS autocalibrating signal
  • generating the third K-space data may include generating the third K-space data based on a Fourier transform of the second K-space data for the first channel. It may include steps.
  • generating the third K-space data may include using a first neural network model to generate the third K-space based on feature values of the first channel of the second K-space data. It may include a step of generating data.
  • the first channel may correspond to the Z-axis direction of the second K-space data.
  • the method may further include generating two-dimensional fourth K-space data based on the third K-space data.
  • the step of generating the fourth K-space data may include slicing the third K-space data based on the first channel of the third K-space data, thereby generating the fourth K-space data. It may include the step of generating space data.
  • the method may further include generating image data based on the fourth K-space data using a second neural network model.
  • a computer program stored in a computer-readable storage medium When the computer program is executed on one or more processors, it performs operations for processing 3D data. At this time, the operations include restoring three-dimensional first K-space data generated through accelerated imaging or accelerated simulation to generate three-dimensional second K-space data; and generating three-dimensional third K-space data having image domain characteristics in the first channel based on an operation on the first channel of the second K-space data.
  • a computing device for processing 3D medical data includes a processor including at least one core; a memory containing program codes executable on the processor; and a network unit for receiving medical data.
  • the processor restores the three-dimensional first K-space data generated through accelerated imaging or accelerated simulation to generate three-dimensional second K-space data, and the first K-space data of the second K-space data Based on the operation on one channel, three-dimensional third K-space data having characteristics of the image domain can be generated in the first channel.
  • the present disclosure can provide a method for improving acceleration performance for a 2D K-space based artificial intelligence model through the process of converting and compressing 3D K-space data into 2D data.
  • FIG. 1 is a block diagram of a computing device according to an embodiment of the present disclosure.
  • Figure 2 is a conceptual diagram showing a processing process of 3D medical data according to an embodiment of the present disclosure.
  • Figure 3 is a conceptual diagram showing a processing process of 3D medical data according to an embodiment of the present disclosure.
  • Figure 4 is a flowchart showing a method of processing 3D medical data according to an embodiment of the present disclosure.
  • the term “or” is intended to mean an inclusive “or” and not an exclusive “or.” That is, unless otherwise specified in the present disclosure or the meaning is not clear from the context, “X uses A or B” should be understood to mean one of natural implicit substitutions. For example, unless otherwise specified in the present disclosure or the meaning is not clear from the context, “X uses A or B” means that It can be interpreted as one of the cases where all B is used.
  • N is a natural number
  • N is a natural number
  • components performing different functional roles may be distinguished as first components or second components.
  • components that are substantially the same within the technical spirit of the present disclosure but must be distinguished for convenience of explanation may also be distinguished as first components or second components.
  • module refers to a computer-related entity, firmware, software or part thereof, hardware or part thereof.
  • the “module” or “unit” can be understood as a term referring to an independent functional unit that processes computing resources, such as a combination of software and hardware.
  • the “module” or “unit” may be a unit composed of a single element, or may be a unit expressed as a combination or set of multiple elements.
  • a “module” or “part” in the narrow sense is a hardware element or set of components of a computing device, an application program that performs a specific function of software, a process implemented through the execution of software, or a program. It can refer to a set of instructions for execution, etc.
  • module or “unit” may refer to the computing device itself constituting the system, or an application running on the computing device.
  • module or “unit” may be defined in various ways within a range understandable to those skilled in the art based on the contents of the present disclosure.
  • model refers to a system implemented using mathematical concepts and language to solve a specific problem, a set of software units to solve a specific problem, or a process to solve a specific problem. It can be understood as an abstract model of a process.
  • a neural network “model” may refer to an overall system implemented as a neural network that has problem-solving capabilities through learning. At this time, the neural network can have problem-solving capabilities by optimizing parameters connecting nodes or neurons through learning.
  • a neural network “model” may include a single neural network or a neural network set in which multiple neural networks are combined.
  • image used in this disclosure may refer to multidimensional data composed of discrete image elements.
  • image can be understood as a term referring to a digital representation of an object that can be seen by the human eye.
  • image may refer to multidimensional data consisting of elements corresponding to pixels in a two-dimensional image.
  • Image may refer to multidimensional data consisting of elements corresponding to voxels in a three-dimensional image.
  • the term “medical image archiving and communication system” refers to the storage, processing, and processing of medical images in accordance with the DICOM (digital imaging and communications in medicine) standard. It can refer to a transmitting system.
  • the “medical image storage and transmission system” is linked with digital medical imaging equipment to produce medical images such as magnetic resonance imaging (MRI) and computed tomography (CT) images, and other digital medical images. It can be saved according to communication standards.
  • the “medical image storage and transmission system” can transmit medical images to terminals inside and outside the hospital through a communication network. At this time, meta information such as reading results and medical records may be added to the medical image.
  • K-space used in the present disclosure can be understood as an array of numbers representing the spatial frequency of a magnetic resonance image.
  • K-space can be understood as a frequency space corresponding to a three-dimensional space corresponding to magnetic resonance space coordinates.
  • Frier transform used in this disclosure can be understood as a computational medium that allows explaining the relationship between the time domain and the frequency domain.
  • “Fourier transform” used in the present disclosure can be understood as a broad concept representing a computational process for mutual transformation between the time domain and the frequency domain. Therefore, the "Fourier transform” used in this disclosure is a concept that encompasses both the Fourier transform in the narrow sense, which decomposes a signal in the time domain into the frequency domain, and the inverse Fourier transform, which transforms the signal in the frequency domain into the time domain. It can be understood as
  • FIG. 1 is a block diagram of a computing device according to an embodiment of the present disclosure.
  • the computing device 100 may be a hardware device or part of a hardware device that performs comprehensive processing and calculation of data, or may be a software-based computing environment connected to a communication network.
  • the computing device 100 may be a server that performs intensive data processing functions and shares resources, or it may be a client that shares resources through interaction with the server.
  • the computing device 100 may be a cloud system in which a plurality of servers and clients interact to comprehensively process data. Since the above description is only an example related to the type of computing device 100, the type of computing device 100 may be configured in various ways within a range understandable to those skilled in the art based on the contents of the present disclosure.
  • a computing device 100 may include a processor 110, a memory 120, and a network unit 130. there is. However, since FIG. 1 is only an example, the computing device 100 may include other components for implementing a computing environment. Additionally, only some of the configurations disclosed above may be included in computing device 100.
  • the processor 110 may be understood as a structural unit including hardware and/or software for performing computing operations.
  • the processor 110 may read a computer program and perform data processing for machine learning.
  • the processor 110 may process computational processes such as processing input data for machine learning, extracting features for machine learning, and calculating errors based on backpropagation.
  • the processor 110 for performing such data processing includes a central processing unit (CPU), a general purpose graphics processing unit (GPGPU), a tensor processing unit (TPU), and a custom processing unit (TPU). It may include a semiconductor (ASIC: application specific integrated circuit), or a field programmable gate array (FPGA: field programmable gate array). Since the type of processor 110 described above is only an example, the type of processor 110 may be configured in various ways within a range understandable to those skilled in the art based on the contents of the present disclosure.
  • the processor 110 may process three-dimensional K-space data to generate input data for a neural network model that generates image data based on two-dimensional K-space data.
  • the 3D K-space data processed by the processor 110 may be accelerated K-space data.
  • the three-dimensional K-space data processed by the processor 110 may be data generated through accelerated simulation from general photographed K-space data.
  • the three-dimensional K-space data generated through accelerated simulation may be data acquired from a medical image storage and transmission system through the network unit 130, or data generated through accelerated simulation performed by the processor 110 itself. It may be.
  • accelerated imaging can be understood as an imaging technique that shortens imaging time by reducing the number of excitations (NEX) for magnetic resonance signals compared to general imaging.
  • the number of excitations can be understood as the number of repetitions when repeatedly acquiring lines of magnetic resonance signals in the K-space region. Therefore, as the number of excitations increases, the capturing time of the magnetic resonance image may increase proportionally. That is, when the number of excitations is reduced when taking a magnetic resonance image, accelerated imaging with a shortened magnetic resonance image taking time can be implemented.
  • accelerated imaging can be understood as an imaging technique that obtains an image with relatively low resolution by obtaining a narrower range of signals in the phase encoding direction in the K-space domain.
  • accelerated shooting of the present disclosure can be understood as a shooting technique that reduces phase resolution compared to general shooting.
  • Phase resolution can be understood as the number of lines sampled in the phase encoding direction in the K-space domain divided by a preset reference value. Therefore, as the phase resolution increases, the capturing time of the magnetic resonance image may increase proportionally. That is, when the phase resolution is reduced when capturing a magnetic resonance image, accelerated imaging with a shortened magnetic resonance image capturing time can be implemented.
  • accelerated shooting can be understood as a shooting technique that shortens shooting time by increasing the acceleration factor compared to regular shooting.
  • the acceleration index is a term used in parallel imaging techniques, and can be understood as the number of signal lines fully sampled in K-space divided by the number of signal lines sampled through imaging.
  • an acceleration index of 2 can be understood as acquiring half the number of signal lines compared to the number of fully sampled signal lines when acquiring a line by sampling a magnetic resonance signal in the phase encoding direction. Therefore, as the acceleration index increases, the capturing time of the magnetic resonance image may decrease proportionally. That is, if the acceleration index is increased when taking a magnetic resonance image, accelerated imaging with a shortened magnetic resonance image taking time can be implemented.
  • accelerated imaging can be understood as an imaging technique that generates a magnetic resonance image by acquiring a sub-sampled magnetic resonance signal.
  • subsampling can be understood as an operation of sampling a magnetic resonance signal at a sampling rate lower than the Nyquist sampling rate. Therefore, the magnetic resonance image of the present disclosure may be an image obtained by sampling a magnetic resonance signal at a sampling rate lower than the Nyquist sampling rate.
  • Accelerated simulation of the present disclosure can be understood as a computational technique for under sampling 3D K-space data generated through regular or accelerated imaging.
  • undersampling can be understood as a method of processing magnetic resonance signals at a lower sampling rate based on the three-dimensional K-space data to be processed.
  • accelerated simulation may include computational techniques to generate subsampled three-dimensional K-space data based on fully sampled three-dimensional K-space data.
  • accelerated simulation may include computational techniques to sample magnetic resonance signals using subsampled three-dimensional K-space data at a lower sampling rate. Acceleration simulation may be performed by the processor 110 of the present disclosure, or may be performed through a separate external system.
  • the processor 110 can restore 3D K-space data generated through accelerated imaging or accelerated simulation.
  • the processor 110 can initialize 3D K-space data generated through accelerated imaging or accelerated simulation.
  • the processor 110 may reconstruct the magnetic resonance signal of three-dimensional K-space data generated through accelerated imaging or accelerated simulation using any one of the mathematical restoration techniques included in the parallel imaging technique.
  • the processor 110 can reconstruct the autocalibrating signal (ACS) line of the 3D K-space data to restore the 3D K-space data to a level equivalent to that of regular imaging.
  • the processor 110 reconstructs the magnetic resonance signal line based on a linear combination of adjacent lines to the magnetic resonance signal line of the 3D K-space data to restore the 3D K-space data to a level equivalent to that of regular imaging. You may.
  • the processor 110 performs accelerated imaging or accelerated simulation using a sensitivity map based on sensitivity information for each channel of the coil to obtain 3D K-space data. It is also possible to reconstruct the 3D K-space data generated through
  • the processor 110 may use 3D K-space data restored through a mathematical restoration technique or the like to generate 3D K-space data having characteristics of an image domain in a specific channel.
  • the channel can be understood as a concept corresponding to the dimension of K-space data.
  • the processor 110 may perform an inverse Fourier transform along a specific channel of the restored three-dimensional K-space data to generate three-dimensional K-space data having the characteristics of the image domain in the specific channel.
  • the processor 110 uses a predetermined neural network model to generate three-dimensional K-space data with characteristics of the image domain in a specific channel based on the characteristic values of the specific channel of the restored three-dimensional K-space data. It may be possible. Through this process, the processor 110 can generate three-dimensional K-space data that has image domain characteristics in a specific channel and maintains K-space characteristics in channels other than the specific channel.
  • the processor 110 may generate a plurality of two-dimensional K-space data based on three-dimensional K-space data having image domain characteristics in a specific channel. At this time, a plurality of sets of two-dimensional K-space data may correspond to three-dimensional K-space data.
  • the two-dimensional K-space data generated through the above-described preprocessing may be used as training data for a neural network model that generates image data based on K-space data, or may be used as inference data. That is, the processor 110 can generate image data by inputting the two-dimensional K-space data generated through the previous preprocessing into the neural network model. At this time, the computational process of generating image data may correspond to a learning process of a neural network model or an inference process.
  • the memory 120 may be understood as a structural unit including hardware and/or software for storing and managing data processed in the computing device 100. That is, the memory 120 can store any type of data generated or determined by the processor 110 and any type of data received by the network unit 130.
  • the memory 120 may be a flash memory type, hard disk type, multimedia card micro type, card type memory, or random access memory (RAM). ), SRAM (static random access memory), ROM (read-only memory), EEPROM (electrically erasable programmable read-only memory), PROM (programmable read-only memory), magnetic memory , may include at least one type of storage medium among a magnetic disk and an optical disk.
  • the memory 120 may include a database system that controls and manages data in a predetermined system. Since the type of memory 120 described above is only an example, the type of memory 120 may be configured in various ways within a range understandable to those skilled in the art based on the contents of the present disclosure.
  • the memory 120 can manage data necessary for the processor 110 to perform operations, a combination of data, and program code executable on the processor 110 by structuring and organizing them.
  • the memory 120 may store medical data received through the network unit 130, which will be described later.
  • the memory 120 includes program code that operates the neural network model to process three-dimensional medical data, program code that operates the processor 110 to generate image data based on feature interpretation (or inference) of the neural network model, and program code. As the is executed, the generated K-space data, image data, etc. can be stored.
  • the network unit 130 may be understood as a structural unit that transmits and receives data through any type of known wired or wireless communication system.
  • the network unit 130 is a local area network (LAN), wideband code division multiple access (WCDMA), long term evolution (LTE), and WiBro (wireless).
  • broadband internet 5th generation mobile communication (5G), ultra wide-band wireless communication, ZigBee, radio frequency (RF) communication, wireless LAN, wireless fidelity ), data transmission and reception can be performed using a wired or wireless communication system such as near field communication (NFC), or Bluetooth. Since the above-described communication systems are only examples, the wired and wireless communication systems for data transmission and reception of the network unit 130 may be applied in various ways other than the above-described examples.
  • the network unit 130 may receive data necessary for the processor 110 to perform calculations through wired or wireless communication with any system or client. Additionally, the network unit 130 may transmit data generated through the calculation of the processor 110 through wired or wireless communication with any system or any client. For example, the network unit 130 may receive medical data through communication with a medical image storage and transmission system, a cloud server that performs tasks such as standardization of medical data, or a computing device. The network unit 130 may transmit image data corresponding to the output of the neural network model and verification data confirmed during the calculation process of the processor 110 through communication with the above-described system, server, or computing device.
  • FIGS 2 and 3 are conceptual diagrams showing the processing process of 3D medical data according to an embodiment of the present disclosure.
  • the processor 110 of the computing device 100 can preprocess three-dimensional K-space data.
  • preprocessing can be understood as an operation that generates two-dimensional K-space data based on three-dimensional K-space data.
  • the processor 110 may perform preprocessing to convert and compress three-dimensional K-space data into two-dimensional K-space data.
  • the processor 110 may generate input data for a K-space-based neural network model through preprocessing.
  • the processor 110 may generate three-dimensional first K-space data 20 by performing accelerated simulation on the three-dimensional K-space initial data 10.
  • the 3D K-space initial data 10 may be normal imaged data or accelerated imaged data.
  • the processor 110 may perform an acceleration simulation that undersamples the K-space initial data 10 with a higher acceleration index compared to the K-space initial data 10 that can be expressed as X.
  • the processor 110 can generate first K-space data 20 that can be expressed as F(X) through this accelerated simulation.
  • the processor 110 may generate three-dimensional second K-space data 30 by restoring the first K-space data 20 through a parallel imaging technique. For example, the processor 110 may generate the second K-space data 30 based on eigenvector decomposition of the automatic correction signal line of the first K-space data 20. The processor 110 reconstructs the automatic correction signal line through eigenvector decomposition of the automatic correction signal line of the first K-space data 20, and generates the second K in the form restored from the first K-space data 20.
  • -Space data (30) can be created. That is, the processor 110 initializes the first K-space data 20 based on the automatic correction signal line of the first K-space data 20 to generate the second K-space data that can be expressed as G(F(X)). Space data 30 can be generated.
  • the processor 110 generates three-dimensional third K-space data 40 having image domain characteristics in the first channel based on the operation on the first channel of the second K-space data 30. You can.
  • the processor 110 may generate the third K-space data 40 based on the inverse Fourier transform of the first channel of the second K-space data 30.
  • the processor 110 may generate the third K-space data 40 based on the feature value of the first channel of the second K-space data 30 using the first neural network model. For example, the processor 110 performs an inverse Fourier transform on the Z-axis direction of the second K-space data 30 to produce third K-space data ( 40) can be created.
  • K Spatial coordinates can be expressed as ( K That is, the processor 110 performs an inverse Fourier transform on the Z-axis direction of the second K-space data, so that only the Z-axis feature value has characteristics of the image domain, and the remaining X-axis feature values and Y-axis feature values have K-space characteristics. It is possible to generate third K-space data 40 that maintains the same.
  • the processor 110 may generate two-dimensional fourth K-space data 50 based on the three-dimensional third K-space data 40.
  • the processor 110 generates two-dimensional fourth K-space data 50 by slicing the third K-space data 40 based on the first channel of the third K-space data 40. can be created.
  • the processor 110 may slice the third K-space data 40 along the Z-axis direction of the third K-space data 40. Since the third K-space data 40 has K-space features for the X and Y axes and image domain features for the Z axis, when the processor 110 slices along the Z axis direction, the existing 2 Fourth K-space data 50 whose characteristics match the dimensional K-space data can be generated.
  • preprocessing of 3D K-space data by the processor 110 of the present disclosure may be a task of optimizing a neural network model developed based on 2D data to be able to process 3D K-Space data. . Therefore, when acquiring a three-dimensional magnetic resonance image through accelerated imaging, such as magnetic resonance imaging of children and adults, the preprocessing of the present disclosure can be effectively used.
  • the processor 110 may generate image data 60 based on the fourth K-space data 50 using the second neural network model 200.
  • the second neural network model 200 may include a model that receives two-dimensional K-space data and generates two-dimensional image data.
  • the fourth K-space data 50 used as an input to the second neural network model 200 may be training data or inference data of the second neural network model 200.
  • Figure 4 is a flowchart showing a method of processing 3D medical data according to an embodiment of the present disclosure.
  • the computing device 100 can restore three-dimensional first K-space data and generate three-dimensional second K-space data (S100). .
  • the computing device 100 may generate three-dimensional second K-space data by restoring the three-dimensional first K-space data using a mathematical technique or a predetermined neural network model.
  • the first K-space data may be data accelerated by a magnetic resonance imaging device and transmitted through a medical image storage and transmission system.
  • the first K-space data may be data generated by the computing device 100 through accelerated simulation based on data received through a medical image storage and transmission system through normal or accelerated imaging from a magnetic resonance imaging device.
  • the computing device 100 may generate three-dimensional third K-space data having image domain characteristics in the first channel based on the operation on the first channel of the second K-space data (S200). . Since each channel corresponds to the dimension of the K-space data, the computing device 100 converts the feature value for one of the three channels of the second K-space data into 3 channels that have the characteristics of the image domain only in that channel. Third K-space data of the dimension can be generated. At this time, the computing device 100 may use a mathematical technique such as Fourier transform or a predetermined neural network model.
  • the computing device 100 may generate two-dimensional fourth K-space data based on the third K-space data (S300).
  • the computing device 100 may generate two-dimensional fourth K-space data by slicing the third K-space data along the first channel direction of the third K-space data. By slicing the third K-space data along the first channel direction, a plurality of data having two-dimensional K-space characteristics excluding the image domain characteristics can be generated.
  • the two-dimensional fourth K-space data generated through step S300 can be easily used as input data for existing models based on two-dimensional K-space.
  • two-dimensional data that can be appropriately processed in the model can be generated and used from three-dimensional data without tuning the model, thereby eliminating the problem of hardware capacity exceedance in an accelerated shooting-based environment, etc. can be improved effectively.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 3차원 의료 데이터의 처리 방법, 프로그램 및 장치가 개시된다. 상기 방법은, 가속화 촬영 혹은 가속화 시뮬레이션(simulation)을 통해 생성된 3차원의 제 1 케이-스페이스(k-space) 데이터를 복원하여, 3차원의 제 2 케이-스페이스 데이터를 생성하는 단계; 및 상기 제 2 케이-스페이스 데이터의 제 1 채널(channel)에 대한 연산을 기초로, 상기 제 1 채널에서 이미지 도메인(domain)의 특성을 갖는 3차원의 제 3 케이-스페이스 데이터를 생성하는 단계를 포함할 수 있다.

Description

3차원 의료 데이터의 처리 방법, 프로그램 및 장치
본 개시의 내용은 데이터 처리 기술에 관한 것으로, 구체적으로 신경망 모델의 2차원 입력 데이터를 생성하기 위한 3차원 의료 데이터의 처리 방법에 관한 것이다.
자기 공명 영상(MRI: magnetic resonance imaging) 장치는 촬영 시간이 상당히 요구되는 장비이다. 따라서, 의료 업계에서 자기 공명 영상의 촬영 시간을 단축시키기 위한 가속화 촬영 기술은 매우 중요한 부분을 차지하고 있고, 계속된 발전을 해오고 있다. 자기 공명 영상의 가속화 촬영은, 자기 공명 영상이 사람이 보는 이미지 도메인(domain)이 아닌 신호 도메인, 이른바 케이-스페이스(k-space)라는 도메인에서 데이터가 획득이 된다는 것이 전제가 된다. 이때, 이미지 도메인과 케이-스페이스는 푸리에 변환(fourier transform)이라는 연산을 통해 연결이 될 수 있다.
최근에는 인공지능을 기반으로 하는 자기 공명 영상의 가속화 기술들이 많이 나오고 있다. 가장 기본적인 인공지능 모델의 학습 방식은 가속화 된 이미지 도메인의 영상을 입력으로, 가속화 하지 않은 이미지 도메인 영상을 출력으로 학습하는 방식이다. 그러나, 이미지 도메인의 영상은 데이터 처리 과정에서 정보가 압축이 되기 때문에, 인공지능 모델의 성능이 제한적일 수 밖에 없다. 이를 극복하기 위해, 이미지 도메인 기반의 모델이 아닌, 케이-스페이스 기반의 인공지능 모델이 나타나게 되었고, 현재 가장 성능이 우수하다 여겨지는 자기 공명 영상의 가속화 인공지능 모델들은 모두 케이-스페이스 기반의 모델로 이루어져 있다.
다만, 이러한 모델들의 구조는 모두 2차원 데이터를 기준으로 개발이 되어있기 때문에, 3차원 데이터를 이러한 모델들에 적용하기 위해서는 모델의 확장이 필요하다. 그런데, 3차원 데이터로의 확장을 위해서는, 네트워크의 용량이 너무 커져서 현재 지원하는 컴퓨터 하드웨어의 한계를 초과할 수 밖에 없다. 따라서, 3차원 데이터로의 확장을 위한 모델의 학습이 불가능한 상황이다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 3차원 케이-스페이스 데이터를 2차원 데이터로 변환 및 압축하는 과정을 통해, 2차원 케이-스페이스 기반의 인공지능 모델에 대한 가속화 성능 향상을 도모할 수 있는 방법을 제공하는 것을 목적으로 한다.
다만, 본 개시에서 해결하고자 하는 과제는 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재를 근거로 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 3차원 데이터의 처리 방법이 개시된다. 상기 방법은, 가속화 촬영 혹은 가속화 시뮬레이션(simulation)을 통해 생성된 3차원의 제 1 케이-스페이스(k-space) 데이터를 복원하여, 3차원의 제 2 케이-스페이스 데이터를 생성하는 단계; 및 상기 제 2 케이-스페이스 데이터의 제 1 채널(channel)에 대한 연산을 기초로, 상기 제 1 채널에서 이미지 도메인(domain)의 특성을 갖는 3차원의 제 3 케이-스페이스 데이터를 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 가속화 시뮬레이션은, 3차원의 케이-스페이스 데이터를 언더 샘플링(under sampling)하는 연산을 포함할 수 있다.
대안적으로, 상기 제 2 케이-스페이스 데이터를 생성하는 단계는, 상기 제 1 케이-스페이스 데이터에 병렬 영상 기법을 적용하여, 상기 제 2 스페이스 데이터를 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 병렬 영상 기법은, 상기 제 1 케이-스페이스 데이터의 자동 보정 신호(ACS: autocalibrating signal) 라인의 고유 벡터 분해(eigenvector decomposition)를 기초로, 상기 제 2 케이-스페이스 데이터를 생성하는 기법을 포함할 수 있다.
대안적으로, 상기 제 3 케이-스페이스 데이터를 생성하는 단계는, 상기 제 2 케이-스페이스 데이터의 상기 제 1 채널에 대한 푸리에 변환(fourier transform)을 기초로, 상기 제 3 케이-스페이스 데이터를 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 제 3 케이-스페이스 데이터를 생성하는 단계는, 제 1 신경망 모델을 사용하여, 상기 제 2 케이-스페이스 데이터의 상기 제 1 채널의 특징 값을 기초로, 상기 제 3 케이-스페이스 데이터를 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 제 1 채널은, 상기 제 2 케이-스페이스 데이터의 Z축 방향에 대응될 수 있다.
대안적으로, 상기 방법은, 상기 제 3 케이-스페이스 데이터를 기초로, 2차원의 제 4 케이-스페이스 데이터를 생성하는 단계를 더 포함할 수 있다.
대안적으로, 상기 제 4 케이-스페이스 데이터를 생성하는 단계는, 상기 제 3 케이-스페이스 데이터의 제 1 채널을 기준으로 상기 제 3 케이-스페이스 데이터를 슬라이싱(slicing)함으로써, 상기 제 4 케이-스페이스 데이터를 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 방법은, 제 2 신경망 모델을 사용하여, 상기 제 4 케이-스페이스 데이터를 기초로 이미지 데이터를 생성하는 단계를 더 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램(program)이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서(processor)에서 실행되는 경우, 3차원 데이터를 처리하기 위한 동작들을 수행하도록 한다. 이때, 상기 동작들은, 가속화 촬영 혹은 가속화 시뮬레이션을 통해 생성된 3차원의 제 1 케이-스페이스 데이터를 복원하여, 3차원의 제 2 케이-스페이스 데이터를 생성하는 동작; 및 상기 제 2 케이-스페이스 데이터의 제 1 채널에 대한 연산을 기초로, 상기 제 1 채널에서 이미지 도메인의 특성을 갖는 3차원의 제 3 케이-스페이스 데이터를 생성하는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 3차원 의료 데이터를 처리하기 위한 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 코어(core)를 포함하는 프로세서; 상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory); 및 의료 데이터를 수신하기 위한 네트워크부(network unit)를 포함할 수 있다. 이때, 상기 프로세서는, 가속화 촬영 혹은 가속화 시뮬레이션을 통해 생성된 3차원의 제 1 케이-스페이스 데이터를 복원하여, 3차원의 제 2 케이-스페이스 데이터를 생성하고, 상기 제 2 케이-스페이스 데이터의 제 1 채널에 대한 연산을 기초로, 상기 제 1 채널에서 이미지 도메인의 특성을 갖는 3차원의 제 3 케이-스페이스 데이터를 생성할 수 있다.
본 개시는 3차원 케이-스페이스 데이터를 2차원 데이터로 변환 및 압축하는 과정을 통해, 2차원 케이-스페이스 기반의 인공지능 모델에 대한 가속화 성능 향상을 도모할 수 있는 방법을 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따른 3차원 의료 데이터의 처리 과정을 나타낸 개념도이다.
도 3은 본 개시의 일 실시예에 따른 3차원 의료 데이터의 처리 과정을 나타낸 개념도이다.
도 4는 본 개시의 일 실시예에 따른 3차원 의료 데이터의 처리 방법을 나타낸 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 개시의 기술 분야에서 통상의 지식을 가진 자(이하, 당업자)가 용이하게 실시할 수 있도록 본 개시의 실시예가 상세히 설명된다. 본 개시에서 제시된 실시예들은 당업자가 본 개시의 내용을 이용하거나 또는 실시할 수 있도록 제공된다. 따라서, 본 개시의 실시예들에 대한 다양한 변형들은 당업자에게 명백할 것이다. 즉, 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며, 이하의 실시예에 한정되지 않는다.
본 개시의 명세서 전체에 걸쳐 동일하거나 유사한 도면 부호는 동일하거나 유사한 구성요소를 지칭한다. 또한, 본 개시를 명확하게 설명하기 위해서, 도면에서 본 개시에 대한 설명과 관계없는 부분의 도면 부호는 생략될 수 있다.
본 개시에서 사용되는 "또는" 이라는 용어는 배타적 "또는" 이 아니라 내포적 "또는" 을 의미하는 것으로 의도된다. 즉, 본 개시에서 달리 특정되지 않거나 문맥상 그 의미가 명확하지 않은 경우, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 이해되어야 한다. 예를 들어, 본 개시에서 달리 특정되지 않거나 문맥상 그 의미가 명확하지 않은 경우, "X는 A 또는 B를 이용한다" 는 X가 A를 이용하거나, X가 B를 이용하거나, 혹은 X가 A 및 B 모두를 이용하는 경우 중 어느 하나로 해석될 수 있다.
본 개시에서 사용되는 "및/또는" 이라는 용어는 열거된 관련 개념들 중 하나 이상의 개념의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
본 개시에서 사용되는 "포함한다" 및/또는 "포함하는" 이라는 용어는, 특정 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는" 이라는 용어는, 하나 이상의 다른 특징, 다른 구성요소 및/또는 이들에 대한 조합의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다.
본 개시에서 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 단수는 일반적으로 "하나 또는 그 이상" 을 포함할 수 있는 것으로 해석되어야 한다.
본 개시에서 사용되는 "제 N(N은 자연수)" 이라는 용어는 본 개시의 구성요소들을 기능적 관점, 구조적 관점, 혹은 설명의 편의 등 소정의 기준에 따라 상호 구별하기 위해 사용되는 표현으로 이해될 수 있다. 예를 들어, 본 개시에서 서로 다른 기능적 역할을 수행하는 구성요소들은 제 1 구성요소 혹은 제 2 구성요소로 구별될 수 있다. 다만, 본 개시의 기술적 사상 내에서 실질적으로 동일하나 설명의 편의를 위해 구분되어야 하는 구성요소들도 제 1 구성요소 혹은 제 2 구성요소로 구별될 수도 있다.
한편, 본 개시에서 사용되는 용어 "모듈(module)", 또는 "부(unit)" 는 컴퓨터 관련 엔티티(entity), 펌웨어(firmware), 소프트웨어(software) 혹은 그 일부, 하드웨어(hardware) 혹은 그 일부, 소프트웨어와 하드웨어의 조합 등과 같이 컴퓨팅 자원을 처리하는 독립적인 기능 단위를 지칭하는 용어로 이해될 수 있다. 이때, "모듈", 또는 "부"는 단일 요소로 구성된 단위일 수도 있고, 복수의 요소들의 조합 혹은 집합으로 표현되는 단위일 수도 있다. 예를 들어, 협의의 개념으로서 "모듈", 또는 "부"는 컴퓨팅 장치의 하드웨어 요소 또는 그 집합, 소프트웨어의 특정 기능을 수행하는 응용 프로그램, 소프트웨어 실행을 통해 구현되는 처리 과정(procedure), 또는 프로그램 실행을 위한 명령어 집합 등을 지칭할 수 있다. 또한, 광의의 개념으로서 "모듈", 또는 "부"는 시스템을 구성하는 컴퓨팅 장치 그 자체, 또는 컴퓨팅 장치에서 실행되는 애플리케이션 등을 지칭할 수 있다. 다만, 상술한 개념은 하나의 예시일 뿐이므로, "모듈", 또는 "부"의 개념은 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 정의될 수 있다.
본 개시에서 사용되는 "모델(model)" 이라는 용어는 특정 문제를 해결하기 위해 수학적 개념과 언어를 사용하여 구현되는 시스템, 특정 문제를 해결하기 위한 소프트웨어 단위의 집합, 혹은 특정 문제를 해결하기 위한 처리 과정에 관한 추상화 모형으로 이해될 수 있다. 예를 들어, 신경망(neural network) "모델" 은 학습을 통해 문제 해결 능력을 갖는 신경망으로 구현되는 시스템 전반을 지칭할 수 있다. 이때, 신경망은 노드(node) 혹은 뉴런(neuron)을 연결하는 파라미터(parameter)를 학습을 통해 최적화하여 문제 해결 능력을 가질 수 있다. 신경망 "모델" 은 단일 신경망을 포함할 수도 있고, 복수의 신경망들이 조합된 신경망 집합을 포함할 수도 있다.
본 개시에서 사용되는 "영상" 이라는 용어는 이산적 이미지 요소들로 구성된 다차원 데이터를 지칭할 수 있다. 다시 말해, "영상"은 사람의 눈으로 볼 수 있는 대상의 디지털 표현물을 지칭하는 용어로 이해될 수 있다. 예를 들어, "영상" 은 2차원 이미지에서 픽셀에 해당하는 요소들로 구성된 다차원 데이터를 지칭할 수 있다. "영상"은 3차원 이미지에서 복셀에 해당하는 요소들로 구성된 다차원 데이터를 지칭할 수 있다.
본 개시에서 사용되는 "의료 영상 저장 전송 시스템(PACS: picture archiving and communication system)" 이라는 용어는 의료용 디지털 영상 및 통신(DICOM: digital imaging and communications in medicine) 표준에 맞게 의료 영상을 저장, 가공, 및 전송하는 시스템을 지칭할 수 있다. 예를 들어, "의료 영상 저장 전송 시스템" 은 디지털 의료 영상 촬영 장비와 연동되어 자기 공명 영상(MRI: magnetic resonance imaging), 컴퓨터 단층 촬영(CT: computed tomography) 영상 등과 같은 의료 영상을 의료용 디지털 영상 및 통신 표준에 맞춰 저장할 수 있다. "의료 영상 저장 전송 시스템" 은 통신 네트워크를 통해 병원 내외의 단말로 의료 영상을 전송할 수 있다. 이때, 의료 영상에는 판독 결과 및 진료 기록 등과 같은 메타(meta) 정보가 추가될 수 있다.
본 개시에서 사용되는 "케이-스페이스(k-space)" 라는 용어는 자기 공명 영상의 공간 주파수를 나타내는 숫자의 배열로 이해될 수 있다. 다시 말해서, "케이-스페이스" 는 자기 공명 공간 좌표에 해당하는 3차원 공간에 대응되는 주파수 공간으로 이해될 수 있다.
본 개시에서 사용되는 "푸리에 변환(fourier transform)" 이라는 용어는 시간 영역과 주파수 영역의 연관성을 설명할 수 있게 하는 연산 매개체로 이해될 수 있다. 다시 말해, 본 개시에서 사용되는 "푸리에 변환" 은 시간 영역과 주파수 영역의 상호 변환을 위한 연산 과정을 나타내는 광의의 개념으로 이해될 수 있다. 따라서, 본 개시에서 사용되는 "푸리에 변환" 은 시간 영역의 신호를 주파수 영역으로 분해하는 협의의 푸리에 변환 및 주파수 영역의 신호를 시간 영역으로 변환하는 역 푸리에 변환(inverse fourier transform)을 모두 포괄하는 개념으로 이해될 수 있다.
전술한 용어의 설명은 본 개시의 이해를 돕기 위한 것이다. 따라서, 전술한 용어를 본 개시의 내용을 한정하는 사항으로 명시적으로 기재하지 않은 경우, 본 개시의 내용을 기술적 사상을 한정하는 의미로 사용하는 것이 아님을 주의해야 한다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 데이터의 종합적인 처리 및 연산을 수행하는 하드웨어 장치 혹은 하드웨어 장치의 일부일 수도 있고, 통신 네트워크로 연결되는 소프트웨어 기반의 컴퓨팅 환경일 수도 있다. 예를 들어, 컴퓨팅 장치(100)는 집약적 데이터 처리 기능을 수행하고 자원을 공유하는 주체인 서버일 수도 있고, 서버와의 상호 작용을 통해 자원을 공유하는 클라이언트(client)일 수도 있다. 또한, 컴퓨팅 장치(100)는 복수의 서버들 및 클라이언트들이 상호 작용하여 데이터를 종합적으로 처리하는 클라우드 시스템(cloud system)일 수도 있다. 상술한 기재는 컴퓨팅 장치(100)의 종류와 관련된 하나의 예시일 뿐이므로, 컴퓨팅 장치(100)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
도 1을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 프로세서(processor)(110), 메모리(memory)(120), 및 네트워크부(network unit)(130)를 포함할 수 있다. 다만, 도 1은 하나의 예시일 뿐이므로, 컴퓨팅 장치(100)는 컴퓨팅 환경을 구현하기 위한 다른 구성들을 포함할 수 있다. 또한, 상기 개시된 구성들 중 일부만이 컴퓨팅 장치(100)에 포함될 수도 있다.
본 개시의 일 실시예에 따른 프로세서(110)는 컴퓨팅 연산을 수행하기 위한 하드웨어 및/또는 소프트웨어를 포함하는 구성 단위로 이해될 수 있다. 예를 들어, 프로세서(110)는 컴퓨터 프로그램을 판독하여 기계 학습을 위한 데이터 처리를 수행할 수 있다. 프로세서(110)는 기계 학습을 위한 입력 데이터의 처리, 기계 학습을 위한 특징 추출, 역전파(backpropagation)에 기반한 오차 계산 등과 같은 연산 과정을 처리할 수 있다. 이와 같은 데이터 처리를 수행하기 위한 프로세서(110)는 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit), 주문형 반도체(ASIC: application specific integrated circuit), 혹은 필드 프로그래머블 게이트 어레이(FPGA: field programmable gate array) 등을 포함할 수 있다. 상술한 프로세서(110)의 종류는 하나의 예시일 뿐이므로, 프로세서(110)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
프로세서(110)는 3차원의 케이-스페이스 데이터를 처리하여, 2차원의 케이-스페이스 데이터를 기초로 이미지 데이터를 생성하는 신경망 모델의 입력 데이터를 생성할 수 있다. 이때, 프로세서(110)가 처리하는 3차원의 케이-스페이스 데이터는 가속화 촬영된 케이-스페이스 데이터일 수 있다. 또한, 프로세서(110)가 처리하는 3차원의 케이-스페이스 데이터는 일반 촬영된 케이-스페이스 데이터로부터 가속화 시뮬레이션(simulation)을 통해 생성된 데이터일 수 있다. 가속화 시뮬레이션을 통해 생성된 3차원의 케이-스페이스 데이터는 네트워크부(130)를 통해 의료 영상 저장 전송 시스템으로부터 획득된 데이터일 수도 있고, 프로세서(110)가 자체적으로 수행하는 가속화 시뮬레이션을 통해 생성된 데이터일 수도 있다.
본 개시에서 가속화 촬영은 일반적인 촬영 대비 자기 공명 신호에 대한 여기 횟수(NEX: number of excitations)를 감소시켜 촬영 시간을 단축시키는 촬영 기법으로 이해될 수 있다. 여기 횟수는 케이-스페이스 영역에서 자기 공명 신호의 라인들을 반복 획득할 때의 반복된 횟수로 이해될 수 있다. 따라서, 여기 횟수가 증가함에 따라 자기 공명 영상의 촬영 시간이 비례하여 증가할 수 있다. 즉, 자기 공명 영상의 촬영 시에 여기 횟수를 감소시키는 경우, 자기 공명 영상의 촬영 시간이 단축된 가속화 촬영이 구현될 수 있다.
본 개시에서 가속화 촬영은 케이-스페이스 영역에서 위상 인코딩(encoding) 방향으로 더 좁은 범위의 신호를 얻음으로써, 해상도가 상대적으로 낮은 영상을 획득하는 촬영 기법으로 이해될 수 있다. 다시 말해, 본 개시의 가속화 촬영은 일반적인 촬영 대비 페이즈 레졸루션(phase resolution)을 감소시킨 촬영 기법으로 이해될 수 있다. 페이즈 레졸루션은 케이-스페이스 영역에서 위상 인코딩 방향으로 샘플링 된 라인의 개수를 미리 설정된 기준 값으로 나눈 값으로 이해될 수 있다. 따라서, 페이즈 레졸루션이 증가함에 따라, 자기 공명 영상의 촬영 시간이 비례하여 증가할 수 있다. 즉, 자기 공명 영상의 촬영 시에 페이즈 레졸루션을 감소시키는 경우, 자기 공명 영상의 촬영 시간이 단축된 가속화 촬영이 구현될 수 있다.
본 개시에서 가속화 촬영은 일반적인 촬영에 비해 가속화 지수(acceleration factor)를 높여 촬영 시간을 단축시키는 촬영 기법으로 이해될 수 있다. 가속화 지수는 병렬 영상 기법에서 사용되는 용어로서, 케이-스페이스에서 풀 샘플링(full sampling)된 신호 라인의 개수를 촬영을 통해 샘플링 된 신호 라인의 개수로 나눈 값으로 이해될 수 있다. 예를 들어, 가속화 지수가 2 라는 것은, 위상 인코딩 방향으로 자기 공명 신호를 샘플링 하여 라인을 획득할 때, 풀 샘플링 된 신호 라인의 개수 대비 절반의 신호 라인의 개수를 획득하는 것으로 이해될 수 있다. 따라서, 가속화 지수가 증가함에 따라, 자기 공명 영상의 촬영 시간이 비례하여 감소할 수 있다. 즉, 자기 공명 영상의 촬영 시에 가속화 지수를 증가시키는 경우, 자기 공명 영상의 촬영 시간이 단축된 가속화 촬영이 구현될 수 있다.
본 개시에서 가속화 촬영은 서브 샘플링(sub sampling) 된 자기 공명 신호를 획득하여 자기 공명 영상을 생성하는 촬영 기법으로 이해될 수 있다. 이때, 서브 샘플링은 나이키스트 샘플링 레이트(nyquist sampling rate)보다 낮은 샘플링 레이트로 자기 공명 신호를 샘플링 하는 작업으로 이해될 수 있다. 따라서, 본 개시의 자기 공명 영상은 나이키스트 샘플링 레이트보다 낮은 샘플링 레이트로 자기 공명 신호를 샘플링 하여 획득된 영상일 수 있다.
본 개시의 가속화 시뮬레이션은 일반 촬영 혹은 가속화 촬영을 통해 생성된 3차원의 케이-스페이스 데이터를 언더 샘플링(under sampling)하는 연산 기법으로 이해될 수 있다. 이때, 언더 샘플링은 처리 대상인 3차원의 케이-스페이스 데이터를 기준으로 더 낮은 샘플링 레이트로 자기 공명 신호를 처리하는 방식으로 이해될 수 있다. 예를 들어, 가속화 시뮬레이션은 풀 샘플링 된 3차원의 케이-스페이스 데이터를 기초로 서브 샘플링 된 3차원의 케이-스페이스 데이터를 생성하는 연산 기법을 포함할 수 있다. 또한, 가속화 시뮬레이션은 서브 샘플링 된 3차원의 케이-스페이스 데이터를 더 낮은 샘플링 레이트로 자기 공명 신호를 샘플링 하는 연산 기법을 포함할 수 있다. 가속화 시뮬레이션은 본 개시의 프로세서(110)에 의해 수행될 수도 있고, 별도의 외부 시스템을 통해 수행될 수도 있다.
다만, 상술한 가속화 촬영 혹은 가속화 시뮬레이션의 설명은 하나의 예시일 뿐이므로, 가속화 촬영의 개념은 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 정의될 수 있다.
프로세서(110)는 가속화 촬영 혹은 가속화 시뮬레이션을 통해 생성된 3차원의 케이-스페이스 데이터를 복원할 수 있다. 프로세서(110)는 가속화 촬영 혹은 가속화 시뮬레이션을 통해 생성된 3차원의 케이-스페이스 데이터를 초기화 할 수 있다. 예를 들어, 프로세서(110)는 병렬 영상 기법에 포함된 수학적 복원 기법 중 어느 하나를 사용하여 가속화 촬영 혹은 가속화 시뮬레이션을 통해 생성된 3차원의 케이-스페이스 데이터의 자기 공명 신호를 재구성할 수 있다. 구체적으로, 프로세서(110)는 3차원의 케이-스페이스 데이터의 자동 보정 신호(ACS: autocalibrating signal) 라인을 재구성 하여 일반 촬영과 대등한 수준으로 3차원의 케이-스페이스 데이터를 복원할 수 있다. 프로세서(110)는 3차원 케이-스페이스 데이터의 자기 공명 신호 라인에 대한 인접 라인의 선형 조합을 기초로, 자기 공명 신호 라인을 재구성 하여 일반 촬영과 대등한 수준으로 3차원의 케이-스페이스 데이터를 복원할 수도 있다. 또한, 프로세서(110)는 프로세서(110)는 3차원 케이-스페이스 데이터를 획득하기 위한 코일의 각 채널 별 민감도(sensitivity) 정보에 기반한 민감도 지도(sensitivity map)을 이용하여, 가속화 촬영 혹은 가속화 시뮬레이션을 통해 생성된 3차원 케이-스페이스 데이터를 재구성 할 수도 있다.
프로세서(110)는 수학적 복원 기법 등을 통해 복원된 3차원의 케이-스페이스 데이터를 사용하여, 특정 채널에서 이미지 도메인의 특성을 갖는 3차원의 케이-스페이스 데이터를 생성할 수 있다. 여기서 채널은 케이-스페이스 데이터의 차원에 대응되는 개념으로 이해될 수 있다. 예를 들어, 프로세서(110)는 복원된 3차원의 케이-스페이스 데이터의 특정 채널을 따라 역 푸리에 변환을 수행하여, 특정 채널에서 이미지 도메인의 특성을 갖는 3차원의 케이-스페이스 데이터를 생성할 수 있다. 프로세서(110)는 소정의 신경망 모델을 사용하여, 복원된 3차원의 케이-스페이스 데이터의 특정 채널의 특징 값을 기초로 특정 채널에서 이미지 도메인의 특성을 갖는 3차원의 케이-스페이스 데이터를 생성할 수도 있다. 이러한 과정을 통해 프로세서(110)는 특정 채널에서는 이미지 도메인의 특성을 가지면서도 특정 채널을 제외한 나머지 채널에서는 케이-스페이스 특성을 유지하는 3차원의 케이-스페이스 데이터를 생성할 수 있다.
프로세서(110)는 특정 채널에서 이미지 도메인의 특성을 갖는 3차원의 케이-스페이스 데이터를 기초로, 복수의 2차원의 케이-스페이스 데이터를 생성할 수 있다. 이때, 복수의 2차원의 케이-스페이스 데이터의 집합은 3차원의 케이-스페이스 데이터에 대응될 수 있다. 상술한 전처리를 통해 생성된 2차원의 케이-스페이스 데이터는, 케이-스페이스 데이터를 기초로 이미지 데이터를 생성하는 신경망 모델의 학습 데이터로 사용될 수도 있고, 추론 데이터로 사용될 수도 있다. 즉, 프로세서(110)는 앞선 전처리를 통해 생성된 2차원의 케이-스페이스 데이터를 신경망 모델에 입력하여 이미지 데이터를 생성할 수 있다. 이때, 이미지 데이터를 생성하는 연산 과정은 신경망 모델의 학습 과정에 대응될 수도 있고, 추론 과정에 대응될 수도 있다.
본 개시의 일 실시예에 따른 메모리(120)는 컴퓨팅 장치(100)에서 처리되는 데이터를 저장하고 관리하기 위한 하드웨어 및/또는 소프트웨어를 포함하는 구성 단위로 이해될 수 있다. 즉, 메모리(120)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 데이터 및 네트워크부(130)가 수신한 임의의 형태의 데이터를 저장할 수 있다. 예를 들어, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리, 램(RAM: random access memory), 에스램(SRAM: static random access memory), 롬(ROM: read-only memory), 이이피롬(EEPROM: electrically erasable programmable read-only memory), 피롬(PROM: programmable read-only memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(120)는 데이터를 소정의 체제로 통제하여 관리하는 데이터베이스(database) 시스템을 포함할 수도 있다. 상술한 메모리(120)의 종류는 하나의 예시일 뿐이므로, 메모리(120)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
메모리(120)는 프로세서(110)가 연산을 수행하는데 필요한 데이터, 데이터의 조합, 및 프로세서(110)에서 실행 가능한 프로그램 코드(code) 등을 구조화 및 조직화 하여 관리할 수 있다. 예를 들어, 메모리(120)는 후술할 네트워크부(130)를 통해 수신된 의료 데이터를 저장할 수 있다. 메모리(120)는 신경망 모델이 3차원의 의료 데이터를 처리하도록 동작시키는 프로그램 코드, 프로세서(110)가 신경망 모델의 특징 해석(혹은 추론)을 기초로 이미지 데이터를 생성하도록 동작시키는 프로그램 코드 및 프로그램 코드가 실행됨에 따라 생성된 케이-스페이스 데이터, 이미지 데이터 등을 저장할 수 있다.
본 개시의 일 실시예에 따른 네트워크부(130)는 임의의 형태의 공지된 유무선 통신 시스템을 통해 데이터를 송수신하는 구성 단위로 이해될 수 있다. 예를 들어, 네트워크부(130)는 근거리 통신망(LAN: local area network), 광대역 부호 분할 다중 접속(WCDMA: wideband code division multiple access), 엘티이(LTE: long term evolution), 와이브로(WiBro: wireless broadband internet), 5세대 이동통신(5G), 초광역대 무선통신(ultra wide-band), 지그비(ZigBee), 무선주파수(RF: radio frequency) 통신, 무선랜(wireless LAN), 와이파이(wireless fidelity), 근거리 무선통신(NFC: near field communication), 또는 블루투스(Bluetooth) 등과 같은 유무선 통신 시스템을 사용하여 데이터 송수신을 수행할 수 있다. 상술한 통신 시스템들은 하나의 예시일 뿐이므로, 네트워크부(130)의 데이터 송수신을 위한 유무선 통신 시스템은 상술한 예시 이외에 다양하게 적용될 수 있다.
네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트 등과의 유무선 통신을 통해, 프로세서(110)가 연산을 수행하는데 필요한 데이터를 수신할 수 있다. 또한, 네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트 등과의 유무선 통신을 통해, 프로세서(110)의 연산을 통해 생성된 데이터를 송신할 수 있다. 예를 들어, 네트워크부(130)는 의료 영상 저장 전송 시스템, 의료 데이터의 표준화 등의 작업을 수행하는 클라우드 서버, 혹은 컴퓨팅 장치 등과의 통신을 통해, 의료 데이터를 수신할 수 있다. 네트워크부(130)는 전술한 시스템, 서버, 혹은 컴퓨팅 장치 등과의 통신을 통해, 신경망 모델의 출력에 대응되는 이미지 데이터 및 프로세서(110)의 연산 과정에서 확인되는 검증 데이터 등을 송신할 수 있다.
도 2 및 도 3은 본 개시의 일 실시예에 따른 3차원 의료 데이터의 처리 과정을 나타낸 개념도이다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 프로세서(110)는 3차원의 케이-스페이스 데이터를 전처리 할 수 있다. 이때, 전처리는 3차원의 케이-스페이스 데이터를 기초로 2차원의 케이-스페이스 데이터를 생성하는 연산으로 이해될 수 있다. 프로세서(110)는 3차원의 케이-스페이스 데이터를 2차원의 케이-스페이스 데이터로 변환 및 압축하는 전처리를 수행할 수 있다. 프로세서(110)는 전처리를 통해 케이-스페이스 기반의 신경망 모델의 입력 데이터를 생성할 수 있다.
도 2를 참조하면, 프로세서(110)는 3차원의 케이-스페이스 초기 데이터(10)에 대한 가속화 시뮬레이션을 수행하여 3차원의 제 1 케이-스페이스 데이터(20)를 생성할 수 있다. 이때, 3차원의 케이-스페이스 초기 데이터(10)는 일반 촬영된 데이터일 수도 있고, 가속화 촬영된 데이터일 수도 있다. 예를 들어, 프로세서(110)는 X로 표현 가능한 케이-스페이스 초기 데이터(10) 대비 높은 가속화 지수로 케이-스페이스 초기 데이터(10)를 언더 샘플링 하는 가속화 시뮬레이션을 수행할 수 있다. 프로세서(110)는 이러한 가속화 시뮬레이션을 통해 F(X)로 표현 가능한 제 1 케이-스페이스 데이터(20)를 생성할 수 있다.
프로세서(110)는 병렬 영상 기법을 통해 제 1 케이-스페이스 데이터(20)를 복원하여 3차원의 제 2 케이-스페이스 데이터(30)를 생성할 수 있다. 예를 들어, 프로세서(110)는 제 1 케이-스페이스 데이터(20)의 자동 보정 신호 라인의 고유 벡터 분해(eigenvector decomposition)를 기초로, 제 2 케이-스페이스 데이터(30)를 생성할 수 있다. 프로세서(110)는 제 1 케이-스페이스 데이터(20)의 자동 보정 신호 라인의 고유 벡터 분해를 통해 자동 보정 신호 라인을 재구성하여, 제 1 케이-스페이스 데이터(20)로부터 복원된 형태의 제 2 케이-스페이스 데이터(30)를 생성할 수 있다. 즉, 프로세서(110)는 제 1 케이-스페이스 데이터(20)의 자동 보정 신호 라인을 기준으로 제 1 케이-스페이스 데이터(20)를 초기화하여 G(F(X))로 표현 가능한 제 2 케이-스페이스 데이터(30)를 생성할 수 있다.
프로세서(110)는 제 2 케이-스페이스 데이터(30)의 제 1 채널에 대한 연산을 기초로, 제 1 채널에서 이미지 도메인의 특성을 갖는 3차원의 제 3 케이-스페이스 데이터(40)를 생성할 수 있다. 프로세서(110)는 제 2 케이-스페이스 데이터(30)의 제 1 채널에 대한 역 푸리에 변환을 기초로, 제 3 케이-스페이스 데이터(40)를 생성할 수 있다. 프로세서(110)는 제 1 신경망 모델을 사용하여, 제 2 케이-스페이스 데이터(30)의 제 1 채널의 특징 값을 기초로 제 3 케이-스페이스 데이터(40)를 생성할 수도 있다. 예를 들어, 프로세서(110)는 제 2 케이-스페이스 데이터(30)의 Z축 방향에 대해 역 푸리에 변환을 수행하여 H(G(F(X)))로 표현 가능한 제 3 케이-스페이스 데이터(40)를 생성할 수 있다. 제 2 케이-스페이스 데이터(30)의 3차원 공간 좌표가 (KXn, KYn, KZn)로 표현된다고 가정하면, 역 푸리에 변환을 통해 생성되는 제 3 케이-스페이스 데이터(40)의 3차원 공간 좌표는 (KXn, Kyn, Zn)으로 표현될 수 있다. 즉, 프로세서(110)는 제 2 케이-스페이스 데이터의 Z축 방향에 대한 역 푸리에 변환을 통해, Z축 특징 값만 이미지 도메인의 특성을 가지고 나머지 X축 특징 값 및 Y축 특징 값은 케이-스페이스 특성을 그대로 유지하는 제 3 케이-스페이스 데이터(40)를 생성할 수 있다.
도 3을 참조하면, 프로세서(110)는 3차원의 제 3 케이-스페이스 데이터(40)를 기초로, 2차원의 제 4 케이-스페이스 데이터(50)를 생성할 수 있다. 프로세서(110)는 제 3 케이-스페이스 데이터(40)의 제 1 채널을 기준으로 제 3 케이-스페이스 데이터(40)를 슬라이싱(slicing)함으로써, 2차원의 제 4 케이-스페이스 데이터(50)를 생성할 수 있다. 예를 들어, 프로세서(110)는 제 3 케이-스페이스 데이터(40)의 Z축 방향을 따라 제 3 케이-스페이스 데이터(40)를 슬라이싱 할 수 있다. 제 3 케이-스페이스 데이터(40)는 X축 및 Y축에 대해서는 케이-스페이스 특징, Z축에 대해서는 이미지 도메인의 특징을 가지므로, 프로세서(110)가 Z축 방향을 따라 슬라이싱 하게 되면, 기존 2차원 케이-스페이스 데이터와 특성이 일치하는 제 4 케이-스페이스 데이터(50)를 생성할 수 있다.
상술한 3차원 케이-스페이스 데이터에 대한 전처리를 통해 케이-스페이스 기반으로 이미지 데이터를 생성하는 제 2 신경망 모델(200)의 입력에 적절한 데이터를 생성할 수 있다. 즉, 본 개시의 프로세서(110)에 의한 3차원 케이-스페이스 데이터에 대한 전처리는, 2차원 데이터를 기준으로 개발된 신경망 모델이 3차원 케이-스페이스 데이터를 처리할 수 있도록 최적화 하는 작업일 수 있다. 따라서, 소아 및 성인에 대한 자기 공명 영상 촬영과 같이 가속화 촬영을 통해 3차원으로 자기 공명 영상을 획득하는 경우, 본 개시의 전처리가 효과적으로 사용될 수 있다.
프로세서(110)는 제 2 신경망 모델(200)을 사용하여 제 4 케이-스페이스 데이터(50)를 기초로 이미지 데이터(60)를 생성할 수 있다. 이때, 제 2 신경망 모델(200)은 2차원의 케이-스페이스 데이터를 입력받아 2차원의 이미지 데이터를 생성하는 모델을 포함할 수 있다. 이때, 제 2 신경망 모델(200)의 입력으로 사용되는 제 4 케이-스페이스 데이터(50)는 제 2 신경망 모델(200)의 학습 데이터일 수도 있고, 추론 데이터일 수도 있다.
도 4는 본 개시의 일 실시예에 따른 3차원 의료 데이터의 처리 방법을 나타낸 순서도이다.
도 4를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 3차원의 제 1 케이-스페이스 데이터를 복원하여, 3차원의 제 2 케이-스페이스 데이터를 생성할 수 있다(S100). 컴퓨팅 장치(100)는 수학적 기법 혹은 소정의 신경망 모델을 이용하여 3차원의 제 1 케이-스페이스 데이터를 복원함으로써, 3차원의 제 2 케이-스페이스 데이터를 생성할 수 있다. 이때, 제 1 케이-스페이스 데이터는 자기 공명 영상 장치에서 가속화 촬영되어 의료 영상 저장 전송 시스템을 통해 전달받은 데이터일 수 있다. 제 1 케이-스페이스 데이터는 자기 공명 영상 장치에서 일반 촬영 혹은 가속화 촬영되어 의료 영상 저장 전송 시스템을 통해 전달받은 데이터를 기초로 컴퓨팅 장치(100)가 자체적으로 가속화 시뮬레이션을 통해 생성한 데이터일 수도 있다.
컴퓨팅 장치(100)는 제 2 케이-스페이스 데이터의 제 1 채널에 대한 연산을 기초로, 제 1 채널에서 이미지 도메인의 특성을 갖는 3차원의 제 3 케이-스페이스 데이터를 생성할 수 있다(S200). 각 채널은 케이-스페이스 데이터의 차원에 대응되므로, 컴퓨팅 장치(100)는 제 2 케이-스페이스 데이터의 3개의 채널 중 1개의 채널에 대한 특징 값을 변환하여 해당 채널에서만 이미지 도메인의 특성을 갖는 3차원의 제 3 케이-스페이스 데이터를 생성할 수 있다. 이때, 컴퓨팅 장치(100)는 푸리에 변환과 같은 수학적 기법을 사용할 수도 있고, 소정의 신경망 모델을 사용할 수도 있다.
컴퓨팅 장치(100)는 제 3 케이-스페이스 데이터를 기초로, 2차원의 제 4 케이-스페이스 데이터를 생성할 수 있다(S300). 컴퓨팅 장치(100)는 제 3 케이-스페이스 데이터의 제 1 채널 방향을 따라 제 3 케이-스페이스 데이터를 슬라이싱 함으로써, 2차원의 제 4 케이-스페이스 데이터를 생성할 수 있다. 제 1 채널 방향을 따라 제 3 케이-스페이스 데이터를 슬라이싱 하게 되면, 이미지 도메인의 특성을 제외하고 2차원의 케이-스페이스 특성을 갖는 데이터를 복수개 생성할 수 있다. S300 단계를 통해 생성된 2차원의 제 4 케이-스페이스 데이터는 2차원 케이-스페이스 기반의 기존 모델들의 입력 데이터로서 손쉽게 사용될 수 있다. 즉, 본 개시의 S100 내지 S300 단계를 통해, 모델에 대한 튜닝(tuning) 없이도 모델에서 적절히 처리 가능한 2차원 데이터를 3차원 데이터로부터 생성하여 사용할 수 있도록 함으로써, 가속화 촬영 기반 환경의 하드웨어 용량 초과 문제 등을 효과적으로 개선할 수 있다.
앞서 설명된 본 개시의 다양한 실시예는 추가 실시예와 결합될 수 있고, 상술한 상세한 설명에 비추어 당업자가 이해 가능한 범주에서 변경될 수 있다. 본 개시의 실시예들은 모든 면에서 예시적인 것이며, 한정적이 아닌 것으로 이해되어야 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성요소들도 결합된 형태로 실시될 수 있다. 따라서, 본 개시의 특허청구범위의 의미, 범위 및 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다.

Claims (12)

  1. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 3차원 의료 데이터의 처리 방법으로서,
    가속화 촬영 혹은 가속화 시뮬레이션(simulation)을 통해 생성된 3차원의 제 1 케이-스페이스(k-space) 데이터를 복원하여, 3차원의 제 2 케이-스페이스 데이터를 생성하는 단계; 및
    상기 제 2 케이-스페이스 데이터의 제 1 채널(channel)에 대한 연산을 기초로, 상기 제 1 채널에서 이미지 도메인(domain)의 특성을 갖는 3차원의 제 3 케이-스페이스 데이터를 생성하는 단계;
    를 포함하는,
    방법.
  2. 제 1 항에 있어서,
    상기 가속화 시뮬레이션은,
    3차원의 케이-스페이스 데이터를 언더 샘플링(under sampling)하는 연산을 포함하는,
    방법.
  3. 제 1 항에 있어서,
    상기 제 2 케이-스페이스 데이터를 생성하는 단계는,
    상기 제 1 케이-스페이스 데이터에 병렬 영상 기법을 적용하여, 상기 제 2 스페이스 데이터를 생성하는 단계;
    를 포함하는,
    방법.
  4. 제 3 항에 있어서,
    상기 병렬 영상 기법은,
    상기 제 1 케이-스페이스 데이터의 자동 보정 신호(ACS: autocalibrating signal) 라인의 고유 벡터 분해(eigenvector decomposition)를 기초로, 상기 제 2 케이-스페이스 데이터를 생성하는 기법을 포함하는,
    방법.
  5. 제 1 항에 있어서,
    상기 제 3 케이-스페이스 데이터를 생성하는 단계는,
    상기 제 2 케이-스페이스 데이터의 상기 제 1 채널에 대한 푸리에 변환(fourier transform)을 기초로, 상기 제 3 케이-스페이스 데이터를 생성하는 단계;
    를 포함하는,
    방법.
  6. 제 1 항에 있어서,
    상기 제 3 케이-스페이스 데이터를 생성하는 단계는,
    제 1 신경망 모델을 사용하여, 상기 제 2 케이-스페이스 데이터의 상기 제 1 채널의 특징 값을 기초로, 상기 제 3 케이-스페이스 데이터를 생성하는 단계;
    를 포함하는,
    방법.
  7. 제 1 항에 있어서,
    상기 제 1 채널은,
    상기 제 2 케이-스페이스 데이터의 Z축 방향에 대응되는,
    방법.
  8. 제 1 항에 있어서,
    상기 제 3 케이-스페이스 데이터를 기초로, 2차원의 제 4 케이-스페이스 데이터를 생성하는 단계;
    를 더 포함하는,
    방법.
  9. 제 8 항에 있어서,
    상기 제 4 케이-스페이스 데이터를 생성하는 단계는,
    상기 제 3 케이-스페이스 데이터의 제 1 채널을 기준으로 상기 제 3 케이-스페이스 데이터를 슬라이싱(slicing)함으로써, 상기 제 4 케이-스페이스 데이터를 생성하는 단계;
    를 포함하는,
    방법.
  10. 제 8 항에 있어서,
    제 2 신경망 모델을 사용하여, 상기 제 4 케이-스페이스 데이터를 기초로 이미지 데이터를 생성하는 단계;
    를 더 포함하는,
    방법.
  11. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램(program)으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서(processor)에서 실행되는 경우, 3차원 의료 데이터를 처리하기 위한 동작들을 수행하도록 하며,
    상기 동작들은,
    가속화 촬영 혹은 가속화 시뮬레이션(simulation)을 통해 생성된 3차원의 제 1 케이-스페이스(k-space) 데이터를 복원하여, 3차원의 제 2 케이-스페이스 데이터를 생성하는 동작; 및
    상기 제 2 케이-스페이스 데이터의 제 1 채널(channel)에 대한 연산을 기초로, 상기 제 1 채널에서 이미지 도메인(domain)의 특성을 갖는 3차원의 제 3 케이-스페이스 데이터를 생성하는 동작;
    을 포함하는,
    컴퓨터 프로그램.
  12. 3차원 의료 데이터를 처리하기 위한 컴퓨팅 장치로서,
    적어도 하나의 코어(core)를 포함하는 프로세서(processor);
    상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory); 및
    의료 데이터를 수신하기 위한 네트워크부(network unit);
    를 포함하고,
    상기 프로세서는,
    가속화 촬영 혹은 가속화 시뮬레이션(simulation)을 통해 생성된 3차원의 제 1 케이-스페이스(k-space) 데이터를 복원하여, 3차원의 제 2 케이-스페이스 데이터를 생성하고,
    상기 제 2 케이-스페이스 데이터의 제 1 채널(channel)에 대한 연산을 기초로, 상기 제 1 채널에서 이미지 도메인(domain)의 특성을 갖는 3차원의 제 3 케이-스페이스 데이터를 생성하는,
    장치.
PCT/KR2023/003237 2022-03-17 2023-03-09 3차원 의료 데이터의 처리 방법, 프로그램 및 장치 Ceased WO2023177151A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0033280 2022-03-17
KR1020220033280A KR102462513B1 (ko) 2022-03-17 2022-03-17 3차원 의료 데이터의 처리 방법, 프로그램 및 장치

Publications (1)

Publication Number Publication Date
WO2023177151A1 true WO2023177151A1 (ko) 2023-09-21

Family

ID=84040885

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/003237 Ceased WO2023177151A1 (ko) 2022-03-17 2023-03-09 3차원 의료 데이터의 처리 방법, 프로그램 및 장치

Country Status (2)

Country Link
KR (1) KR102462513B1 (ko)
WO (1) WO2023177151A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102462513B1 (ko) * 2022-03-17 2022-11-03 주식회사 에어스메디컬 3차원 의료 데이터의 처리 방법, 프로그램 및 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101886575B1 (ko) * 2017-06-26 2018-08-07 연세대학교 산학협력단 언더샘플링된 자기 공명 영상의 재구성 장치 및 방법
KR101923184B1 (ko) * 2017-08-25 2018-11-28 삼성전자주식회사 뉴럴 네트워크를 이용한 영상 복원 방법 및 그 자기 공명 영상 장치
KR102462513B1 (ko) * 2022-03-17 2022-11-03 주식회사 에어스메디컬 3차원 의료 데이터의 처리 방법, 프로그램 및 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102328214B1 (ko) 2021-05-17 2021-11-19 (주)제이엘케이 의료 데이터의 전처리를 통한 의료 데이터베이스 구축 시스템 및 동작 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101886575B1 (ko) * 2017-06-26 2018-08-07 연세대학교 산학협력단 언더샘플링된 자기 공명 영상의 재구성 장치 및 방법
KR101923184B1 (ko) * 2017-08-25 2018-11-28 삼성전자주식회사 뉴럴 네트워크를 이용한 영상 복원 방법 및 그 자기 공명 영상 장치
KR102462513B1 (ko) * 2022-03-17 2022-11-03 주식회사 에어스메디컬 3차원 의료 데이터의 처리 방법, 프로그램 및 장치

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
EUNJU CHA; EUNG YEOP KIM; JONG CHUL YE: "k-Space Deep Learning for Parallel MRI: Application to Time-Resolved MR Angiography", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 3 June 2018 (2018-06-03), 201 Olin Library Cornell University Ithaca, NY 14853 , XP080886516 *
LEE, SEONG-WHAN ; LI, STAN Z: "SAT 2015 18th International Conference, Austin, TX, USA, September 24-27, 2015", vol. 11070 Chap.28, 16 September 2018, SPRINGER , Berlin, Heidelberg , ISBN: 3540745491, article EO TAEJOON; SHIN HYUNGSEOB; KIM TAESEONG; JUN YOHAN; HWANG DOSIK: "Translation of 1D Inverse Fourier Transform of K-space to an Image Based on Deep Learning for Accelerating Magnetic Resonance Imaging", pages: 241 - 249, XP047485862, 032548, DOI: 10.1007/978-3-030-00928-1_28 *
SOUZA ROBERTO; BENTO MARIANA; NOGOVITSYN NIKITA; CHUNG KEVIN J.; LOOS WALLACE; LEBEL R. MARC; FRAYNE RICHARD: "Dual-domain cascade of U-nets for multi-channel magnetic resonance image reconstruction", MAGNETIC RESONANCE IMAGING, ELSEVIER SCIENCE., TARRYTOWN, NY, US, vol. 71, 17 June 2020 (2020-06-17), TARRYTOWN, NY, US , pages 140 - 153, XP086202736, ISSN: 0730-725X, DOI: 10.1016/j.mri.2020.06.002 *

Also Published As

Publication number Publication date
KR102462513B1 (ko) 2022-11-03

Similar Documents

Publication Publication Date Title
CN111178542B (zh) 基于机器学习建模的系统和方法
CN110766769B (zh) 一种磁共振图像重建方法、装置、设备和介质
US11941732B2 (en) Multi-slice MRI data processing using deep learning techniques
EP4386579B1 (en) Retrieval model training method and apparatus, retrieval method and apparatus, device and medium
KR102428725B1 (ko) 영상 개선 방법 및 이를 수행하는 컴퓨터 프로그램
WO2023229384A1 (ko) 학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치
WO2024039043A1 (ko) 학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치
WO2023249372A1 (ko) 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치
CN113256529A (zh) 图像处理方法、装置、计算机设备及存储介质
WO2022216073A1 (ko) 슬라이스 레졸루션 향상이 적용된 자기 공명 영상 처리 장치 및 그 방법
KR20220082302A (ko) 리스케일링과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법
WO2023249402A1 (ko) 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치
CN115830001B (zh) 肠道图像处理方法、装置、存储介质及电子设备
KR102462513B1 (ko) 3차원 의료 데이터의 처리 방법, 프로그램 및 장치
WO2023128074A1 (ko) 스캔 파라미터를 이용하는 자기 공명 영상 처리 방법 및 장치
WO2024053828A1 (ko) 인공 신경망 기반 해상도 향상 방법, 프로그램 및 장치
CN114972118B (zh) 检查图像的降噪方法、装置、可读介质和电子设备
WO2024010248A1 (ko) 딥러닝 기반 의료 데이터의 품질 개선 방법, 프로그램 및 장치
WO2023249411A1 (ko) 데이터 처리 방법, 컴퓨터 프로그램 및 장치
US20260141688A1 (en) Method, program, and apparatus for processing medical data for training of deep learning model
Kumar et al. Fractional Sailfish Optimizer with Deep Convolution Neural Network for Compressive Sensing Based Magnetic Resonance Image Reconstruction
WO2023017963A1 (ko) 노이즈 투 노이즈 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법
WO2026014777A1 (ko) 인공지능을 기반으로 하는 소자 시뮬레이션의 이상 탐지 방법, 프로그램 및 장치
WO2017007286A1 (ko) 병렬 자기공명영상 처리장치 및 방법
CN118658061A (zh) 电力设备状态监测和模型训练方法、电子设备及存储介质

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: 23771030

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 23771030

Country of ref document: EP

Kind code of ref document: A1