WO2023195724A1 - 동맥류의 형상학적 인자와 혈류 역학적 인자를 바탕으로 인공지능을 활용한 동맥류 파열 예측 방법 및 그 장치 - Google Patents

동맥류의 형상학적 인자와 혈류 역학적 인자를 바탕으로 인공지능을 활용한 동맥류 파열 예측 방법 및 그 장치 Download PDF

Info

Publication number
WO2023195724A1
WO2023195724A1 PCT/KR2023/004488 KR2023004488W WO2023195724A1 WO 2023195724 A1 WO2023195724 A1 WO 2023195724A1 KR 2023004488 W KR2023004488 W KR 2023004488W WO 2023195724 A1 WO2023195724 A1 WO 2023195724A1
Authority
WO
WIPO (PCT)
Prior art keywords
aneurysm
rupture
moment
point
inertia
Prior art date
Application number
PCT/KR2023/004488
Other languages
English (en)
French (fr)
Inventor
오제훈
양현동
김용배
김정재
조광천
Original Assignee
한양대학교 에리카산학협력단
연세대학교 산학협력단
가톨릭관동대학교산학협력단
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 한양대학교 에리카산학협력단, 연세대학교 산학협력단, 가톨릭관동대학교산학협력단 filed Critical 한양대학교 에리카산학협력단
Publication of WO2023195724A1 publication Critical patent/WO2023195724A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • A61B5/02014—Determining aneurysm
    • 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
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Definitions

  • the present invention relates to a method and device for predicting aneurysm rupture.
  • it relates to a method and device for predicting aneurysm rupture using artificial intelligence based on the morphological and hemodynamic factors of the aneurysm.
  • An aneurysm is a sac in an artery that causes part of the blood vessel to become enlarged and look like a balloon. Aneurysms can occur anywhere in the arteries of the body, including the brain, heart, and lower extremities.
  • cerebral aneurysm refers to a disease in which intracranial brain blood vessels swell or expand like balloons, and are classified into small, large, and extra-large depending on their size.
  • a brain aneurysm ruptures, a subarachnoid hemorrhage occurs, causing symptoms such as nausea, vomiting, loss of consciousness, and coma, and can even cause serious health problems such as death.
  • Methods for diagnosing cerebral aneurysms include ultrasound, computed tomography (CT), CT angiography, magnetic resonance imaging (MRI), MR angiography, and angiography.
  • a conventional method of diagnosing the possibility of rupture of a cerebral aneurysm is to use volume among morphological factors calculated through image data of the cerebral aneurysm.
  • Another conventional method of diagnosing a cerebral aneurysm is to determine the aspect ratio of the cerebral aneurysm.
  • a large aspect ratio means that the size is enlarged on one side, so the possibility of rupture may be high.
  • Patent Document 0001 Korean Patent No. 10-1974786
  • the technical problem to be solved by the present invention is to derive the moment of inertia using the morphological factors of the aneurysm, input the moment of inertia together with the hemodynamic factors into an artificial neural network to obtain the risk of rupture of the aneurysm, and obtain the risk of rupture of the aneurysm. Based on this, a method and device for predicting the possibility of aneurysm rupture are provided.
  • a method for predicting aneurysm rupture according to an embodiment of the present invention for achieving the above technical problem includes acquiring a blood vessel image; Deriving a moment of inertia based on the blood vessel image; Obtaining hemodynamic parameters; Outputting a risk of rupture when the moment of inertia and the hemodynamic factor are input to a pre-trained artificial neural network; And if the risk of rupture is greater than a predetermined rupture threshold, predicting that rupture is possible, and if not greater, predicting that rupture is not possible.
  • the morphological factors and hemodynamic factors of the aneurysm are input into an artificial neural network to derive the risk of rupture and predict the possibility of rupture based on this.
  • FIG. 1 is a configuration diagram of an aneurysm rupture prediction device according to an embodiment of the present invention.
  • Figure 2 is an example to explain a method of deriving the moment of inertia of an aneurysm according to an embodiment of the present invention.
  • Figure 3 is an example to explain the difference in effect between a conventional method and the present invention, according to an embodiment of the present invention.
  • Figure 4 is a flowchart of a method for predicting aneurysm rupture, according to an embodiment of the present invention.
  • Figure 5 is a flowchart of a method for deriving the moment of inertia of an aneurysm according to an embodiment of the present invention.
  • Figure 6 is a configuration diagram of an artificial neural network according to an embodiment of the present invention.
  • FIG. 7 is an example of a Receiver Operating Characteristic (ROC) curve according to an embodiment of the present invention.
  • ROC Receiver Operating Characteristic
  • a part includes a certain element throughout the specification, this means that, unless specifically stated to the contrary, it does not exclude other elements but may further include other elements.
  • terms such as “unit”, “module”, “unit”, etc. used in the specification mean a unit that processes at least one function or operation, and include software, hardware components such as FPGA or ASIC, or software and hardware. It can be implemented by combining .
  • terms such as “part”, “module”, and “unit” are not limited to software or hardware.
  • a “part”, “module”, “unit”, etc. may be configured to reside on an addressable storage medium and may be configured to reproduce on one or more processors.
  • terms such as “part”, “module”, and “unit” refer to components such as software components, object-oriented software components, class components, and task components, and processes. , functions, properties, procedures, subroutines, segments of program code, drivers, firmware, microcode, circuits, data, databases, data structures, tables, arrays, and variables.
  • first may be named a second component, and similarly, the second component may also be named a first component without departing from the scope of the present invention.
  • the term “and/or” includes any one item among a plurality of related items or a combination of a plurality of related items.
  • FIG. 1 is a configuration diagram of an aneurysm rupture prediction device according to an embodiment of the present invention. The configuration of an aneurysm rupture prediction device according to an embodiment of the present invention will be described with reference to FIG. 1.
  • the aneurysm rupture prediction device 100 includes a blood vessel image acquisition unit 110, a moment of inertia calculation unit 120, a hemodynamic factor acquisition unit 130, a rupture prediction unit 160, and an artificial neural network ( 140) and a threshold setting unit 150.
  • the blood vessel image acquisition unit 110 may acquire an image including a blood vessel in which an aneurysm has occurred.
  • the aneurysm described in the present invention may be a cerebral aneurysm.
  • the image may be obtained by diagnosis using ultrasound, computed tomography (CT), computed tomography angiography (CT angiography), magnetic resonance imaging (MRI), MR angiography, or angiography.
  • CT computed tomography
  • MRI magnetic resonance imaging
  • MR angiography magnetic resonance imaging
  • angiography angiography
  • the above diagnostic method is illustrative and not limited thereto.
  • the image may include a 2-dimensional (2D) image or a 3-dimensional (3D) image.
  • the moment of inertia calculation unit 120 may calculate and derive the moment of inertia of the aneurysm.
  • the moment of inertia is a physical quantity that represents the extent to which a rotating object continues to rotate.
  • m is the mass and r is the distance from the axis of rotation to the point mass.
  • Equation 2 For n point masses rotating around the same axis, the total moment of inertia is the sum of the moments of inertia of each point mass as shown in Equation 2 below.
  • Equation 3 When random masses other than point masses are distributed in space along the density ⁇ (r), the sum for each mass point can be converted into an integral and the moment of inertia can be defined as in Equation 3 below.
  • the moment of inertia is used to numerically express the morphological factors of the aneurysm.
  • volume, width-to-length ratio, etc. were used as morphological factors of an aneurysm, but these values were insufficient to accurately predict the rupture of aneurysms with various shapes.
  • the morphological value of the aneurysm By expressing the morphological value of the aneurysm as a moment of inertia, it is possible to compare how far the point mass of the aneurysm is from the central axis. For similar masses, a larger moment of inertia means that the point mass is further away from the central axis. Aneurysms with a larger moment of inertia can be judged to have a more swollen shape. Because aneurysms with greater swelling are more likely to rupture, the moment of inertia can be used to predict the likelihood of rupture.
  • the moment of inertia Using the moment of inertia, the possibility of rupture of an aneurysm of a complex shape can be accurately predicted. There were limitations in predicting the possibility of rupture of aneurysms of complex shapes based on conventional volume or aspect ratio. In comparison, the moment of inertia can accurately indicate how swollen an aneurysm of a complex shape is, so the possibility of rupture can be more accurately predicted.
  • the moment of inertia can be normalized through Equation 4 below and used to predict the possibility of rupture.
  • the moment of inertia can be calculated using Equation 5 below, using r 3 ( Skewness) or r 4 (kurtosis) instead of using only r 2 (square of distance).
  • the hemodynamic factor acquisition unit 130 may acquire hemodynamic factors of blood vessels included in the blood vessel image.
  • the hemodynamic factors may include at least one of blood flow, systolic blood pressure, diastolic blood pressure, and blood vessel wall elasticity, but this is only an example and is not limited thereto.
  • the hemodynamic factor acquisition unit 130 may acquire the hemodynamic factor through hemodynamic monitoring.
  • Hemodynamic monitoring is the observation of hemodynamic variables (blood pressure, heart rate, etc.) over time.
  • Blood pressure can be monitored invasively using a blood pressure transducer assembly, or non-invasively by repeatedly measuring blood pressure using a blood pressure cuff that is inflated with air.
  • the hemodynamic factor acquisition unit 130 may receive the hemodynamic factors from a hemodynamic monitoring device in a wired or wireless manner. Alternatively, the values of the hemodynamic factors may be directly input from the user using the aneurysm rupture prediction device 100.
  • the artificial neural network 140 is a neural network learned to output the risk of rupture based on previously collected data on moment of inertia, hemodynamic factors, and rupture possibility.
  • ANN Artificial Neural Network
  • Artificial neural network also called artificial neural network, is a machine learning algorithm created by imitating the principles and structure of human neural networks. It imitates the process in which neurons in the human brain receive a certain signal, stimulus, etc., and transmit the resulting signal when that stimulus exceeds a certain threshold. Artificial neural networks can learn neural networks through the process of adjusting internal weights using backpropagation.
  • the artificial neural network 140 can output the risk of rupture when receiving the moment of inertia and hemodynamic factors.
  • the risk of rupture may be a value between 0 and 1.
  • the moment of inertia and hemodynamic factors corresponding to the rupture risk of 0 or 1 can be collected and used for learning.
  • the artificial neural network 140 may include any one of ANN, Deep Neural Network (DNN), Convolution Neural Network (CNN), Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), or Gated Recurrent Units (GRU). This is only an example and is not limited to this.
  • DNN Deep Neural Network
  • CNN Convolution Neural Network
  • RNN Recurrent Neural Network
  • LSTM Long Short-Term Memory
  • GRU Gated Recurrent Units
  • the operation of the artificial neural network 140 is discussed in detail in the description of FIG. 6.
  • the threshold setting unit 150 may set a rupture threshold that serves as a standard for determining the possibility of rupture based on the rupture risk output from the artificial neural network 140.
  • the threshold setting unit 150 may derive a rupture threshold based on an OC (Receiver Operating Characteristic) curve generated using the learned artificial neural network 140.
  • OC Receiveiver Operating Characteristic
  • the ROC curve is a graph that shows the performance of a classification model at all classification thresholds, with the x-axis being FPR (1-specificity) and the y-axis being TPR (sensitivity).
  • the ROC curve is a graph expressing the relationship between sensitivity and specificity.
  • the ROC curve evaluates the model's performance using AUC (Area Under Curve). The larger the AUC, the more accurate the classification.
  • the ROC curve can be used as a means to evaluate the performance of an artificial intelligence model.
  • a large AUC of the ROC curve may mean that the output of the artificial intelligence model is accurate. For example, if an artificial intelligence model that determines cancer or not determines cancer as cancer and non-cancer as not cancer, the AUC will be 1, but it judges cancer as not cancer or judges non-cancer as cancer. If there is a case, AUC may have a value of 0 to 1.
  • the threshold setting unit 150 may input the moment of inertia and hemodynamic factors collected in advance into the learned artificial neural network 140 and generate an ROC curve based on the output.
  • the threshold setting unit 150 may derive the point of the ROC curve closest to the coordinates (0, 1) of the ROC curve graph, and set the sensitivity of the point as the rupture threshold.
  • the threshold setting unit 150 may obtain a point where the ROC curve and a straight line with a slope of 1 intersect, and derive the largest value among the sensitivities of the intersection point as the rupture threshold.
  • threshold setting unit 150 The operation of the threshold setting unit 150 is discussed in detail in the description of FIG. 7.
  • the rupture prediction unit 160 inputs the moment of inertia derived from the moment of inertia calculation unit 120 and the hemodynamic factor obtained from the hemodynamic factor acquisition unit 130 into the artificial neural network 140, and The possibility of rupture of the aneurysm can be determined by comparing the output rupture risk with the rupture threshold value derived from the threshold setting unit 150.
  • the rupture prediction unit 160 can use the rupture threshold as a standard to determine the possibility of rupture because the rupture risk has a value of 0 to 1.
  • the rupture prediction unit 160 may determine that rupture is possible if the rupture risk is greater than the rupture threshold.
  • the rupture prediction unit 160 may determine that rupture is not possible if the rupture risk is not greater than the rupture threshold.
  • Figure 2 is an example to explain a method of deriving the moment of inertia of an aneurysm according to an embodiment of the present invention. With reference to Figure 2, a method for deriving the moment of inertia of an aneurysm will be described.
  • FIG. 2 is a simplified example of a blood vessel 300 and an aneurysm 200 included in a blood vessel image for explanation.
  • the moment of inertia calculation unit 120 derives intersection surfaces 410 and 420 where the blood vessel 300 and the aneurysm 200 intersect.
  • the intersection surfaces 410 and 420 may be curved surfaces created along the point where the blood vessel 300 and the aneurysm 200 meet.
  • the moment of inertia calculation unit 120 derives the center line 310 of the blood vessel 300.
  • the center line 310 may be an imaginary line passing through the center of the blood vessel 300.
  • the moment of inertia calculation unit 120 first encounters the intersection surfaces 410 and 420 when the first cross section 320, which is a virtual cross section perpendicular to the center line 310, moves in the first direction 325 along the center line 310.
  • the first point 210 can be derived.
  • the first direction 325 may be a direction from one end of the blood vessel 300 toward the aneurysm 200. As shown in FIG. 2, for convenience of explanation, the direction from left to right is assumed to be the first direction 325.
  • the moment of inertia calculation unit 120 first encounters the intersection surfaces 410 and 420 when the second cross section 330, which is a virtual cross section perpendicular to the center line 310, moves in the second direction 335 along the center line 310.
  • the second point 220 can be derived.
  • the second direction 335 is different from the first direction 325 and may be a direction toward the aneurysm 200 at the other end of the blood vessel 300, which is different from the one end.
  • the second direction 335 may be opposite to the first direction 325.
  • the second direction 335 may be a direction from right to left.
  • the moment of inertia calculation unit 120 may derive a virtual first line 250 connecting the first point 210 and the second point 220.
  • the moment of inertia calculation unit 120 may derive a different third point 230 and a fourth point 240 that are furthest from the first line 250 among the points on the intersection surfaces 410 and 420.
  • the third point 230 may be a point located at an edge of one side of the intersection surfaces 410 and 420 divided by the first line 250.
  • the third point 230 may be the point furthest from the first line 250 among the points located on the first intersection 410.
  • the fourth point 240 may be a point located at an edge of a side different from the side where the third point 230 is located among the intersection surfaces 410 and 420 divided by the first line 250.
  • the fourth point may be the point furthest from the first line 250 among the points located on the second intersection 420.
  • the moment of inertia calculation unit 120 may derive a virtual second line 260 connecting the third point 230 and the fourth point 240.
  • the moment of inertia calculation unit 120 may derive a virtual cross-section that includes the first line 250 and is parallel to the second line 260 as the bottom surface 270 of the aneurysm 200.
  • the moment of inertia calculation unit 120 may derive the moment of inertia (Iz) of the aneurysm 200 using the rotation axis 280 in a direction perpendicular to the floor surface 270.
  • the moment of inertia calculation unit 120 is centered on the vertical rotation axis 280, and calculates the height h and the plane direction angle ( ) for a point mass m located at a distance r(h, ), the moment of inertia (Iz) can be derived using Equation 6 below.
  • the mass of the aneurysm is almost clinically the same, and the moment of inertia (Iz) can be derived using the average mass of the aneurysm.
  • the degree of swelling is more important than the mass of the aneurysm, so the distance r(h, ) can be derived from the blood vessel image to derive the moment of inertia (Iz).
  • the point load m and the distance r (h, ), the moment of inertia (Iz) can be derived by integration.
  • the moment of inertia calculation unit 120 assumes that the x and y axes are arbitrarily orthogonal on the bottom surface 270, and calculates the moment of inertia (Ix) of the aneurysm 200 with the x axis as the rotation axis.
  • the moment of inertia (Iy) of the aneurysm 200 can be derived by using the y-axis as the rotation axis.
  • Figure 3 is an example to explain the difference in effect between a conventional method and the present invention, according to an embodiment of the present invention.
  • the conventional method for predicting aneurysm rupture used the aspect ratio of the aneurysm.
  • the moment of inertia may also be larger, and in this case, the conventional method and aneurysm prediction may have the same results.
  • the aspect ratio is much higher on the left, but the moments of inertia are similar, and since the likelihood of rupture appears to be similar based on the shape of the aneurysm alone, it can be said that prediction based on the moment of inertia is more accurate.
  • using the moment of inertia according to an embodiment of the present invention can predict aneurysm rupture equally or more accurately than the conventional method.
  • Figure 4 is a flowchart of a method for predicting aneurysm rupture, according to an embodiment of the present invention. Referring to Figure 4, a method for predicting aneurysm rupture will be described.
  • the blood vessel image acquisition unit 110 may acquire a blood vessel image (S110).
  • the moment of inertia calculation unit 120 may derive the moment of inertia of the aneurysm based on the blood vessel image (S120).
  • the hemodynamic factor acquisition unit 130 may acquire hemodynamic factors related to the blood vessel (S130).
  • the hemodynamic factors may include at least one of blood flow, systolic blood pressure, diastolic blood pressure, and blood vessel wall elasticity.
  • the rupture prediction unit 160 may input the moment of inertia and hemodynamic factors into the learned artificial neural network 140 and obtain the risk of rupture from the artificial neural network 140 (S140).
  • the artificial neural network 140 may be trained in advance to output a rupture risk based on previously collected data on moment of inertia, hemodynamic factors, and rupture possibility.
  • the rupture prediction unit 160 may compare the rupture risk and the rupture threshold (S150).
  • the rupture threshold may be derived by the threshold setting unit 150 based on the ROC curve for the artificial neural network 140.
  • the rupture prediction unit 160 may predict that rupture is not possible if the rupture risk is not greater than the rupture threshold (S160).
  • the rupture prediction unit 160 may predict that rupture is possible if the rupture risk is greater than the rupture threshold (S170).
  • Figure 5 is a flowchart of a method for deriving the moment of inertia of an aneurysm according to an embodiment of the present invention. Referring to Figure 5, a method for deriving the moment of inertia of an aneurysm will be described in detail.
  • the moment of inertia calculation unit 120 can derive the intersection surface of the blood vessel and the aneurysm (S210).
  • the moment of inertia calculation unit 120 may derive a center line, which is a virtual line passing through the center of the blood vessel (S220).
  • the moment of inertia calculation unit 120 may derive a first point at which a virtual cross section perpendicular to the center line first meets the intersection surface while moving in a first direction along the center line (S230).
  • the first direction may be a direction from one end of the blood vessel toward the aneurysm.
  • the moment of inertia calculation unit 120 may derive a second point where a virtual cross section perpendicular to the center line first meets the intersection surface while moving in a second direction along the center line (S240).
  • the second direction is different from the first direction and may be a direction toward the aneurysm at the other end of the blood vessel.
  • the moment of inertia calculation unit 120 may derive a virtual first line connecting the first point and the second point (S250).
  • the moment of inertia calculation unit 120 may derive a different third point and a fourth point furthest from the first line among the points on the intersection surface (S260).
  • the third point may be a point located at an edge of one side of the intersection divided by the first line.
  • the fourth point may be a point located at an edge of a side different from the side where the third point is located among the intersection surfaces divided by the first line.
  • the moment of inertia calculation unit 120 may derive a second virtual line connecting the third point and the fourth point (S270).
  • the moment of inertia calculation unit 120 may derive a virtual cross-section that includes the first line and is parallel to the second line as the bottom surface of the aneurysm (S280).
  • the moment of inertia calculation unit 120 may derive the moment of inertia using the rotation axis in a direction perpendicular to the floor surface (S290).
  • Figure 6 is a configuration diagram of an artificial neural network according to an embodiment of the present invention. The artificial neural network will be described with reference to FIG. 6.
  • An artificial neural network may include an input layer, a hidden layer, and an output layer.
  • An artificial neural network may include one or more hidden layers. The more hidden layers included, the more accurate learning is possible and accurate output can be expected. However, since the time required for calculation increases, the number of hidden layers cannot be increased indefinitely.
  • Artificial neural networks can learn to produce desired output based on input. This learning can be done by adjusting the weight of the activation function in the hidden layer through backpropagation.
  • artificial nerves can be implemented using TensorFlow, Keras, Theano, Pytorch, Apache MXNet, and Microsoft CNTK. You can.
  • the artificial neural network 140 can output a value indicating the risk of rupture when receiving the moment of inertia and hemodynamic factors.
  • the hemodynamic factor may be one or more values, and accordingly, the artificial neural network 140 may receive two or more data inputs.
  • the risk of rupture may range from 0 to 1.
  • the moment of inertia and hemodynamic data with a rupture risk of 1 and the moment of inertia and hemodynamic data with a rupture risk of 0 can be input to the artificial neural network 140.
  • FIG. 7 is an example of a Receiver Operating Characteristic (ROC) curve according to an embodiment of the present invention. The use of the ROC curve to set the rupture threshold is explained with reference to Figure 7.
  • ROC Receiver Operating Characteristic
  • the ROC curve is mainly used in medicine and is used as a way to evaluate the usefulness of a testing method. As various models related to artificial intelligence emerge, it is also used as a means of evaluating the accuracy of artificial intelligence models.
  • the ROC curve may be a graph with values of sensitivity on the y-axis and (1-specificity) on the x-axis.
  • sensitivity refers to the proportion of aneurysms predicted to be ruptureable that actually ruptured
  • specificity refers to the proportion of aneurysms predicted to be not ruptureable that actually did not rupture. According to this, in the case of a 100% accurate artificial neural network, both sensitivity and specificity can be 1.
  • AUC Area Under the Curve
  • an ROC curve for the artificial neural network can be created.
  • the artificial neural network progresses in learning, it outputs more accurate rupture risk values, and accordingly, the AUC can get closer to 1.
  • the ROC curve indicated by AUC 0.88 rather than AUC 0.75 indicates a more accurate artificial neural network and may indicate an artificial neural network that has learned more.
  • the threshold setting unit 150 may create an ROC curve of the learned artificial neural network 140 and derive a rupture threshold based on this.
  • the threshold setting unit 150 may derive the sensitivity of the point of the ROC curve closest to the coordinates (0, 1) of the ROC curve graph as the rupture threshold. .
  • the threshold setting unit 150 may derive the largest value among the sensitivities at the point where the ROC curve and a straight line with a slope of 1 intersect as the rupture threshold.
  • the present invention provides an aneurysm rupture prediction method using artificial intelligence based on the morphological and hemodynamic factors of the aneurysm, and the device inputs the morphological and hemodynamic factors of the aneurysm into an artificial neural network to derive the risk of rupture. Based on this, the possibility of rupture can be predicted, and by deriving and using the moment of inertia of the aneurysm based on morphological factors, the possibility of rupture for an aneurysm of atypical shape can be more accurately predicted, so it has high industrial applicability.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Vascular Medicine (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Cardiology (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Neurosurgery (AREA)
  • Fuzzy Systems (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

본 발명은 동맥류의 형상학적 인자와 혈류 역학적 인자를 바탕으로 인공지능을 활용한 동맥류 파열 예측 방법 및 그 장치에 관한 발명이다. 본 발명의 일 실시예에 따른 동맥류 파열 예측 방법은, 혈관 영상을 획득하는 단계; 상기 혈관 영상을 바탕으로 관성 모멘트를 도출하는 단계; 혈류 역학적 인자를 획득하는 단계; 상기 관성 모멘트와 상기 혈류 역학적 인자가 사전에 학습된 인공신경망에 입력되면 파열 위험도가 출력되는 단계; 및 상기 파열 위험도가 사전에 정해진 파열 임계값 보다 크면 파열 가능 있음으로 예측하고, 크지 않으면 파열 가능 없음으로 예측하는 단계;를 포함할 수 있다.

Description

동맥류의 형상학적 인자와 혈류 역학적 인자를 바탕으로 인공지능을 활용한 동맥류 파열 예측 방법 및 그 장치
본 발명은 동맥류의 파열 예측 방법 및 그 장치에 관한 발명이다. 보다 자세하게는 동맥류의 형상학적 인자와 혈류 역학적 인자를 바탕으로 인공지능을 활용한 동맥류 파열 예측 방법 및 그 장치에 관한 것이다.
동맥류는 동맥에 생긴 주머니로, 혈관의 일부가 늘어나 풍선처럼 보이는 것을 의미한다. 동맥류는 뇌, 심장, 하지 등 우리 몸에 있는 동맥 어디에나 생길 수 있다.
특히, 뇌동맥류는 두개내 뇌의 혈관이 풍선처럼 부풀어 오르거나 팽창하는 질환을 뜻하며, 그 크기에 따라 소형, 대형 그리고 초대형으로 분류된다. 뇌동맥류가 파열이 되면 지주막하 출혈이 발생하게 되고, 메스꺼움과 구토, 의식 소실, 그리고 혼수 상태와 같은 증상이 나타나고, 심지어 사망과 같은 심각한 건강 문제를 일으킬 수 있다.
하지만, 대부분의 파열되지 않은 뇌동맥류는 증상을 일으키기 않기 때문에 적절한 영상 검사를 수행하여 뇌동맥류 발생 유무를 진단하고, 더 나아가 불필요한 치료를 방지하게 위해 뇌동맥류의 파열 가능성을 평가하여 치료 여부를 판단하는 것이 중요하다.
뇌동맥류를 진단하는 방법으로는 초음파 검사, 전산화 단층촬영 (CT), 전산화 단층 혈관 조영술(CT angiography), 자기공명영상(MRI), 자기공명 혈관 조영술(MR angiography), 혈관 조영술 등이 있다.
종래의 뇌동맥류의 파열 가능성을 진단하는 방법은 뇌동맥류의 영상 데이터를 통해 계산되는 형상학적 인자들 중 체적을 사용하는 것이다. 일반적으로 뇌동맥류의 체적이 크면 클수록 크기가 크다는 것을 의미하기 때문에 파열 가능성이 높을 수는 있다.
하지만, 많은 수의 뇌동맥류는 굉장히 복잡한 형상을 가지고 있기 때문에, 단순히 체적만 가지고는 뇌동맥류의 형상을 판단할 수 없는 경우가 많다.
종래의 뇌동맥류를 진단하는 다른 방법은, 뇌동맥류의 가로 세로 비율로 판단하는 것이다. 일반적으로 가로 세로 비율이 크다는 것은 한 쪽으로 크기가 비대해진 것을 의미하기 대문에 파열 가능성이 높을 수 있다. 하지만 복잡한 형상의 뇌동맥류에 대하여 일괄적으로 가로 세로 비율만 가지고 파열 가능성을 판단하는 것은 한계가 있다.
따라서, 뇌동맥류의 형상학적 인자를 이용하여 뇌동맥류의 파열 가능성을 보다 정확하게 예측하는 방법에 대한 수요가 늘어나고 있다.
[선행기술문헌]
[특허문헌]
(특허문헌 0001) 한국 등록특허 제10-1974786호
본 발명이 해결하고자 하는 기술적 과제는, 동맥류의 형상학적 인자를 이용하여 관성 모멘트를 도출하고, 상기 관성 모멘트를 혈류 역학적 인자와 함께 인공신경망에 입력하여 상기 동맥류의 파열 위험도를 획득하며, 상기 파열 위험도를 바탕으로 동맥류 파열의 가능성을 예측하는 방법 및 그 장치를 제공하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 달성하기 위한 본 발명의 일 실시예에 따른 동맥류 파열 예측 방법은, 혈관 영상을 획득하는 단계; 상기 혈관 영상을 바탕으로 관성 모멘트를 도출하는 단계; 혈류 역학적 인자를 획득하는 단계; 상기 관성 모멘트와 상기 혈류 역학적 인자가 사전에 학습된 인공신경망에 입력되면 파열 위험도가 출력되는 단계; 및 상기 파열 위험도가 사전에 정해진 파열 임계값보다 크면 파열 가능 있음으로 예측하고, 크지 않으면 파열 가능 없음으로 예측하는 단계;를 포함할 수 있다.
상기와 같은 본 발명에 따르면, 동맥류의 형상학적 인자 및 혈류 역학적 인자를 인공신경망에 입력하여 파열 위험도를 도출하고 이를 바탕으로 파열 가능성을 예측할 수 있다.
또한, 상기와 같은 본 발명에 따르면 형상학적 인자를 바탕으로 동맥류의 관성 모멘트를 도출하고 이를 이용함으로써, 비정형적인 형상의 동맥류에 관한 파열 가능성을 보다 정확하게 예측할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른, 동맥류 파열 예측 장치의 구성도이다.
도 2는 본 발명의 일 실시예에 따른, 동맥류의 관성 모멘트를 도출하는 방법을 설명하기 위한 예시이다.
도 3은 본 발명의 일 실시예에 따른, 종래의 방법과 본 발명의 효과 차이를 설명하기 위한 예시이다.
도 4는 본 발명의 일 실시예에 따른, 동맥류 파열 예측 방법의 순서도이다.
도 5는 본 발명의 일 실시예에 따른, 동맥류의 관성 모멘트를 도출하는 방법의 순서도이다.
도 6은 본 발명의 일 실시예에 따른, 인공신경망의 구성도이다.
도 7은 본 발명의 일 실시예에 따른, ROC(Receiver Operating Characteristic) 커브(curve)의 예시이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에서 사용되는 "부", "모듈", "유닛" 등의 용어는 적어도 하나의 기능 또는 동작을 처리하는 단위를 의미하며, 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소, 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있다. 그렇지만 "부", "모듈", "유닛" 등의 용어가 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부", "모듈", "유닛" 등은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부", "모듈", "유닛" 등의 용어는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다.
아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.
"제1", "제2" 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 구성 요소들은 용어들에 의해 한정되지는 않는다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. "및/또는" 이라는 용어는 복수의 관련된 항목들의 조합 또는 복수의 관련된 항목들 중의 어느 하나의 항목을 포함한다.
이하에서 도 1 내지 도 7을 참조하여, 본 발명의 일 실시예를 설명한다.
도 1은 본 발명의 일 실시예에 따른, 동맥류 파열 예측 장치의 구성도이다. 도 1을 참조하여 본 발명의 일 실시예에 따른 동맥류 파열 예측 장치의 구성을 설명한다.
본 발명의 일 실시예에 따른 동맥류 파열 예측 장치(100)는 혈관 영상 획득부(110), 관성 모멘트 연산부(120), 혈류 역학적 인자 획득부(130), 파열 예측부(160), 인공신경망(140) 및 임계값 설정부(150)를 포함할 수 있다.
혈관 영상 획득부(110)는 동맥류가 발생된 혈관을 포함하는 영상을 획득할 수 있다.
본 발명에 기재된 동맥류는 뇌동맥류일 수 있다.
상기 영상은 초음파 검사, 전산화 단층촬영(CT), 전산화 단층 혈관 조영술(CT angiography), 자기공명영상(MRI), 자기공명 혈관 조영술(MR angiography) 또는 혈관 조영술을 이용한 진단에 의해서 획득될 수 있다. 상기 진단 방법은 예시적이며 이에 한정되지 않는다.
상기 영상은 2D(2 dimension) 영상 또는 3D(3 dimension) 영상을 포함할 수 있다.
관성 모멘트 연산부(120)는 동맥류의 관성 모멘트를 계산하여 도출할 수 있다.
관성 모멘트(moment of inertia)는 물리학에서 회전하고 있는 물체가 회전을 지속하려고 하는 크기를 나타내는 물리량을 말한다.
물리학에서, 어떤 주어진 축을 중심으로 회전하는 점질량에 대한 스칼라 관성 모멘트(I)는 다음의 수학식 1과 같이 정의된다.
Figure PCTKR2023004488-appb-img-000001
여기서, m 은 질량, r은 회전축으로부터 점질량까지의 거리이다.
같은 축을 중심으로 회전하는 n개의 점질량들에 대해서 총 관성 모멘트는 다음의 수학식 2와 같이 각 점질량들의 관성 모멘트의 합이 된다.
Figure PCTKR2023004488-appb-img-000002
점질량들이 아닌 임의의 질량이 공간에 밀도 ρ(r)을 따라 분포되어 있을 때에는, 각 질점에 대한 합을 적분으로 바꾸어 주고 다음의 수학식 3과 같이 관성 모멘트를 정의할 수 있다.
Figure PCTKR2023004488-appb-img-000003
본 발명의 일 실시예에 따르면, 동맥류의 형상학적 인자를 수치적으로 표현하기 위하여 관성 모멘트를 이용한다. 종래에는 동맥류의 형상학적 인자를 체적, 가로 세로의 비율 등을 활용하였지만, 이러한 수치는 다양한 형상을 가진 동맥류의 파열을 정확하게 예측하기에 부족하였다.
동맥류의 형상학적 수치를 관성 모멘트로 표현하면, 중심축으로부터 동맥류의 점질량이 얼마나 떨어져 있는지 비교할 수 있게 된다. 비슷한 질량일 때 관성 모멘트가 크다는 것은 중심축으로부터 점질량이 더 멀리 떨어져 있다는 것을 의미한다. 더 큰 관성 모멘트를 가지는 동맥류는 더 부풀어 있는 형상이라고 판단될 수 있다. 부푼 정도가 큰 동맥류는 파열 가능성이 더 높기 때문에, 파열 가능성을 예측하는데 관성 모멘트를 활용할 수 있다.
관성 모멘트를 이용하면, 복잡한 형상의 동맥류의 파열 가능성도 정확하게 예측할 수 있다. 종래의 체적 또는 가로세로비율은 바탕으로 복잡한 형상의 동맥류의 파열 가능성을 예측하는 것은 한계가 있었다. 이에 비하여, 관성 모멘트는 복잡한 형상의 동맥류에 대하여도 얼마나 부풀어 있는지를 정확하게 나타낼 수 있기 때문에, 파열 가능성을 보다 정확하게 예측할 수 있다.
또한, 관성 모멘트 단독으로만 사용하는 것이 아닌, 혈관의 직경, 동맥류의 체적, 가로 및 세로의 길이, 그리고, Neck(동맥류 입구면) 면적 등을 포함하는 상기 혈관 및 상기 동맥류 형상에 관련된 인자들을 이용하여 다음의 수학식 4를 통해 관성 모멘트를 정규화 시켜 파열 가능성 예측에 사용될 수 있다.
Figure PCTKR2023004488-appb-img-000004
또한, r2(거리의 제곱)만을 사용하는 것이 아니라, r3(Skewness) 또는 r4(kurtosis)을 이용하여 다음의 수학식 5를 통해 관성 모멘트를 연산할 수 있다.
Figure PCTKR2023004488-appb-img-000005
동맥류의 관성 모멘트 도출 방법은 도 2 내지 도 3의 설명에서 자세하게 다룬다.
혈류 역학적 인자 획득부(130)는, 상기 혈관 영상에 포함된 혈관의 혈류 역학적 인자를 획득할 수 있다.
상기 혈류 역학적 인자는, 혈류량, 수축기 혈압, 이완기 혈압 및 혈관벽 탄력성 중에서 적어도 하나를 포함할 수 있지만, 이것은 예시에 불과하며 이에 한정되지 않는다.
혈류 역학적 인자 획득부(130)는 혈류 역학 모니터링을 통해서 상기 혈류 역학적 인자를 획득할 수 있다. 혈류 역학 모니터링은 시간의 지남에 따라 혈류 역학적 변수(혈압, 심장 박동 등)에 대해 관찰하는 것이다. 혈압의 모니터링은 혈압 트랜스듀서 조립체를 이용해 침습적인 방법으로 할 수도 있고, 비침습적인 방법으로 공기로 부풀려서 사용하는 혈압 측정 커프(blood pressure cuff)를 이용해 반복적으로 측정하는 방법이 있다.
혈류 역학적 인자 획득부(130)는 혈류 역학 모니터링 장치로부터 유선 또는 무선 방식으로 상기 혈류 역학적 인자를 전송받을 수 있다. 또는, 동맥류 파열 예측 장치(100)를 사용하는 사용자로부터 상기 혈류 역학적 인자의 수치를 직접 입력 받을 수 있다.
혈류 역학적 인자를 획득하는 것은 본 발명인 속한 기술 분야에 속한 통상의 기술자에게 자명한 기술이기 때문에 자세한 설명은 생략한다.
인공신경망(140)은 사전에 수집된 관성 모멘트, 혈류 역학적 인자 및 파열 가능성의 데이터를 바탕으로 파열 위험도를 출력하도록 학습된 신경망이다.
인공신경망이라고 불리는 ANN(Artificial Neural Network)은 사람의 신경망 원리와 구조를 모방하여 만든 기계학습 알고리즘이다. 인간의 뇌에서 뉴런들이 어떤 신호, 자극 등을 받고, 그 자극이 어떠한 임계값(threshold)을 넘어서면 결과 신호를 전달하는 과정을 모방한 것이다. 인공신경망은 역전파 등을 이용하여 내부의 가중치를 조정하는 과정을 통하여 신경망을 학습시킬 수 있다.
본 발명의 일 실시예에 따른 인공신경망(140)은 관성 모멘트와 혈류 역학적 인자를 입력받으면, 파열 위험도를 출력할 수 있다. 상기 파열 위험도는 0 내지 1 사이의 값일 수 있다.
인공신경망(140)을 사전에 학습시키기 위하여, 파열 위험도가 0 또는 1에 해당하는 각각의 관성모멘트와 혈류 역학적 인자를 수집하여 학습에 이용할 수 있다.
인공신경망(140)은 ANN, DNN(Deep Neural Network), CNN(Convolution Neural Network), RNN(Recurrent Neural Network), LSTM(Long Short-Term Memory) 또는 GRU(Gated Recurrent Units)중에서 어느 하나를 포함할 수 있으며, 이것은 예시에 불과하면 이에 한정되지 않는다.
인공신경망(140)의 동작에 관하여 도 6의 설명에서 자세하게 다룬다.
임계값 설정부(150)는, 인공신경망(140)에서 출력된 파열 위험도를 바탕으로 파열 가능성을 판단하기 위한 기준이 되는 파열 임계값을 설정할 수 있다.
임계값 설정부(150)는 학습된 인공신경망(140)을 이용하여 생성된 OC(Receiver Operating Characteristic) 커브(curve)를 바탕으로 파열 임계값을 도출할 수 있다.
ROC 커브는 모든 분류 임계값에서 분류 모델의 성능을 보여주는 그래프로 x축이 FPR(1-특이도), y축이 TPR(민감도)인 그래프이다. ROC 커브는 민감도와 특이도의 관계를 표현한 그래프이다. ROC 커브는 AUC(Area Under Curve: 그래프 아래의 면적)를 이용해 모델의 성능을 평가한다. AUC가 클수록 정확히 분류함을 뜻한다.
ROC 커브는 인공지능 모델의 성능을 평가하기 위한 수단으로 사용될 수 있다. ROC 커브의 AUC가 크다는 것은 인공지능 모델의 출력이 정확하다는 것은 의미할 수 있다. 예를 들어, 암인지 아닌지 판단하는 인공지능 모델이 암을 암으로 판단하고 암이 아닌 것은 암이 아닌 것으로 판단하면 AUC가 1이 되지만, 암을 암이 아닌 것으로 판단하거나 암이 아닌 것은 암으로 판단하는 경우가 있다면 AUC 가 0 내지 1의 값을 가질 수 있다.
임계값 설정부(150)는 학습된 인공신경망(140)에 사전에 수집된 관성 모멘트와 혈류 역학적 인자를 입력하고 그 출력을 바탕으로 ROC 커브를 생성할 수 있다.
임계값 설정부(150)는 상기 ROC 커브 그래프의 좌표 (0, 1)과 가장 가까운 ROC 커브의 지점을 도출하고, 상기 지점의 민감도(sensitivity)을 상기 파열 임계값으로 설정할 수 있다.
임계값 설정부(150)는 상기 ROC 커브와 기울기가 1인 직선이 교차하는 지점을 획득하고, 상기 교차하는 지점의 민감도(sensitivity) 중에서 가장 큰 값을 상기 파열 임계값으로 도출할 수 있다.
임계값 설정부(150)의 동작은 도 7의 설명에서 자세하게 다룬다.
파열 예측부(160)는, 관성 모멘트 연산부(120)에서 도출된 관성 모멘트와 혈류 역학적 인자 획득부(130)에서 획득된 혈류 역학적인자를 인공신경망(140)에 입력하고, 인공신경망(140)에서 출력된 파열 위험도와 임계값 설정부(150)에서 도출된 파열 임계값을 비교하여 동맥류의 파열 가능성을 판단할 수 있다.
파열 예측부(160)는 상기 파열 위험도가 0 내지 1의 값을 가지기 때문에 파열 가능성을 판단하기 위해 상기 파열 임계값을 기준으로 이용할 수 있다.
파열 예측부(160)는 상기 파열 위험도가 상기 파열 임계값보다 크면 파열 가능 있음으로 판단할 수 있다. 파열 예측부(160)는 상기 파열 위험도가 상기 파열 임계값보다 크지 않으면, 파열 가능 없음으로 판단할 수 있다.
도 2는 본 발명의 일 실시예에 따른, 동맥류의 관성 모멘트를 도출하는 방법을 설명하기 위한 예시이다. 도 2를 참조하여, 동맥류의 관성 모멘트를 도출하는 방법을 설명한다.
도 2는 혈관 영상에 포함된 혈관(300)과 동맥류(200)를 설명을 위하여 간단히 도시한 예시이다.
관성 모멘트 연산부(120)는 혈관(300)과 동맥류(200)가 교차하는 교차면(410, 420)을 도출한다. 교차면(410, 420)은 혈관(300)과 동맥류(200)가 접하는 지점을 따라 생성된 곡면일 수 있다.
관성 모멘트 연산부(120)는 혈관(300)의 중심선(310)을 도출한다. 중심선(310)은 혈관(300)의 중심을 관통하는 가상의 선일 수 있다.
관성 모멘트 연산부(120)는 중심선(310)에 수직하는 가상의 단면인 제1 단면(320)이 중심선(310)을 따라 제1 방향(325)으로 이동할 때 교차면(410, 420)과 처음 만나는 제1 지점(210)을 도출할 수 있다. 제1 방향(325)은 혈관(300)의 일단에서 동맥류(200)를 향하는 방향일 수 있다. 도 2에 도시된 것과 같이 설명의 편의를 위하여 왼쪽에서 오른쪽으로 향하는 방향을 제1 방향(325)으로 가정한다.
관성 모멘트 연산부(120)는 중심선(310)에 수직하는 가상의 단면인 제2 단면(330)이 중심선(310)을 따라 제2 방향(335)으로 이동할 때 교차면(410, 420)과 처음 만나는 제2 지점(220)을 도출할 수 있다. 제2 방향(335)은 제1 방향(325)와 다른 방향이며, 혈관(300)의 상기 일단과 다른 타단에서 동맥류(200)를 향하는 방향일 수 있다. 제2 방향(335)은 제1 방향(325)과는 반대 방향일 수 있다. 설명의 편의를 위하여 제2 방향(335)은 오른쪽에서 왼쪽으로 향하는 방향일 수 있다.
관성 모멘트 연산부(120)는 제1 지점(210)과 제2 지점(220)을 연결하는 가상의 제1 라인(250)을 도출할 수 있다.
관성 모멘트 연산부(120)는 교차면(410, 420) 상의 점 중에서 제1 라인(250)으로부터 가장 멀리 떨어진 서로 다른 제3 지점(230) 및 제4 지점(240)을 도출할 수 있다. 제3 지점(230)은, 제1 라인(250)에 의해서 분할된 교차면(410, 420)의 어느 한면의 가장자리에 위치한 지점일 수 있다. 설명의 편의를 위하여 제3 지점(230)은 제1 교차면(410) 상에 위치한 지점 중에서 제1 라인(250)으로부터 가장 멀리 떨어진 지점일 수 있다. 제4 지점(240)은 제1 라인(250)에 의해서 분할된 교차면(410, 420) 중에서 제3 지점(230)이 위치한 면과 다른 면의 가장자리에 위치한 지점일 수 있다. 설명의 편의를 위하여 제4 지점은 제2 교차면(420) 상에 위치한 지점 중에서 제1 라인(250)으로부터 가장 멀리 떨어진 지점일 수 있다.
관성 모멘트 연산부(120)는 제3 지점(230)과 제4 지점(240)을 연결하는 가상의 제2 라인(260)을 도출할 수 있다.
관성 모멘트 연산부(120)는 제1 라인(250)을 포함하면서 제2 라인(260)과 평행한 가상의 단면을 동맥류(200)의 바닥면(270)으로 도출할 수 있다.
관성 모멘트 연산부(120)는 바닥면(270)에 수직하는 방향을 회전축(280)으로 동맥류(200)의 관성 모멘트(Iz)를 도출할 수 있다.
관성 모멘트 연산부(120)는 수직 방향 회전축(280)을 중심으로, 높이 h와 평면 방향 각(
Figure PCTKR2023004488-appb-img-000006
)에 위치한 점질량 m에 대하여 거리 r(h,
Figure PCTKR2023004488-appb-img-000007
) 인 경우, 다음의 수학식 6으로 관성 모멘트(Iz)를 도출할 수 있다.
Figure PCTKR2023004488-appb-img-000008
본 발명의 일 실시예에 따르면, 동맥류의 질량은 임상학적으로 거의 대부분 동일하다고 가정하고, 동맥류의 평균적인 질량을 이용하여 관성 모멘트(Iz)를 도출할 수 있다. 동맥류의 파열을 예측하기 위하여, 동맥류의 질량보다는 부풀어 있는 정도가 더 중요하기 때문에, 질량보다는 거리 r(h,
Figure PCTKR2023004488-appb-img-000009
)를 혈관 영상에서 도출하여 관성 모멘트(Iz)를 도출할 수 있다.
본 발명의 다른 실시예에 따르면, 점짐량 m과 거리 r(h,
Figure PCTKR2023004488-appb-img-000010
)에 관하여 적분으로 관성 모멘트(Iz)를 도출할 수 있다.
본 발명의 또 다른 실시예에 따르면, 관성 모멘트 연산부(120)는 바닥면(270) 상에 임의로 직교하는 x 축과 y 축을 가정하고, x 축을 회전축으로 동맥류(200)의 관성 모멘트(Ix)를 도출하거나 y 축을 회전축으로 동맥류(200)의 관성 모멘트(Iy)를 도출할 수 있다.
도 3은 본 발명의 일 실시예에 따른, 종래의 방법과 본 발명의 효과 차이를 설명하기 위한 예시이다.
동맥류 파열을 예측하는 종래의 방법은 동맥류의 가로 세로 비율(aspect ratio)을 이용하였다.
도 3의 첫 줄을 참조하면, 가로 세로 비율이 더 큰 경우, 관성 모멘트도 더 크게 나올 수 있어, 이러한 경우는 종래의 방법과 동맥류 예측은 동일한 결과일 수 있다.
도 3의 두번째 줄을 참조하면, 가로 세로 비율은 차이가 거의 없지만, 관성 모멘트의 차이는 더 크게 나는 것을 알 수 있으며, 동맥류의 형상으로 보면 오른쪽 동맥류가 더 부풀어 있기 때문에 관성 모멘트를 바탕으로 동맥류 파열을 예측하는 것이 더 정확할 수 있다.
도 3의 세번째 줄을 참조하면, 가로 세로 비율은 왼쪽이 훨씬 더 높지만, 관성 모멘트는 서로 비슷하고, 동맥류의 형상만으로는 파열 가능성이 비슷해 보이기 때문에, 관성 모멘트로 예측하는 것이 더 정확하다고 할 수 있다.
도 3을 참조하여 종래의 방법과 비교하면, 본 발명의 일 실시예에 따른 관성 모멘트를 이용하는 것이 종래 방법 대비 동일하거나 더 정확하게 동맥류 파열을 예측할 수 있다.
도 4는 본 발명의 일 실시예에 따른, 동맥류 파열 예측 방법의 순서도이다. 도 4를 참조하여, 동맥류 파열을 예측하는 방법을 설명한다.
혈관 영상 획득부(110)는 혈관 영상을 획득할 수 있다(S110).
관성 모멘트 연산부(120)는 상기 혈관 영상을 바탕으로 동맥류의 관성 모멘트를 도출할 수 있다(S120).
혈류 역학적 인자 획득부(130)는 상기 혈관에 관한 혈류 역학적 인자를 획득할 수 있다(S130).
상기 혈류 역학적 인자는, 혈류량, 수축기 혈압, 이완기 혈압 및 혈관벽 탄력성 중에서 적어도 하나를 포함할 수 있다.
파열 예측부(160)는 관성 모멘트와 혈류 역학적 인자를 학습된 인공신경망(140)에 입력하고, 인공신경망(140)으로부터 파열 위험도 획득할 수 있다(S140).
인공신경망(140)은 사전에 수집된 관성 모멘트, 혈류 역학적 인자 및 파열 가능성의 데이터를 바탕으로 파열 위험도를 출력하도록 사전에 학습될 수 있다.
파열 예측부(160)는 상기 파열 위험도와 상기 파열 임계값을 비교할 수 있다(S150).
상기 파열 임계값은 임계값 설정부(150)에서 인공신경망(140)에 관한 ROC 커브를 바탕으로 도출될 수 있다.
파열 예측부(160)는 상기 파열 위험도가 상기 파열 임계값보다 크지 않으면, 파열 가능 없음으로 예측할 수 있다(S160).
파열 예측부(160)는 상기 파열 위험도가 상기 파열 임계값보다 크면, 파열 가능 있음으로 예측할 수 있다(S170).
도 5는 본 발명의 일 실시예에 따른, 동맥류의 관성 모멘트를 도출하는 방법의 순서도이다. 도 5를 참조하여, 동맥류의 관성 모멘트를 도출하는 방법을 자세히 설명한다.
관성 모멘트 연산부(120)는 혈관과 동맥류의 교차면을 도출할 수 있다(S210).
관성 모멘트 연산부(120)는 상기 혈관의 중심을 관통하는 가상의 선인 중심선을 도출할 수 있다(S220).
관성 모멘트 연산부(120)는 상기 중심선에 수직하는 가상의 단면이 상기 중심선을 따라 제1 방향으로 이동하면서 상기 교차면과 처음 만나는 제1 지점을 도출할 수 있다(S230).
상기 제1 방향은 상기 혈관의 일단에서 상기 동맥류를 향하는 방향일 수 있다.
관성 모멘트 연산부(120)는 상기 중심선에 수직하는 가상의 단면이 상기 중심선을 따라 제2 방향으로 이동하면서 상기 교차면과 처음 만나는 제2 지점을 도출할 수 있다(S240).
상기 제2 방향은 상기 제1 방향과는 다른 방향이며, 상기 혈관의 일단과 다른 타단에서 상기 동맥류를 향하는 방향일 수 있다.
관성 모멘트 연산부(120)는 상기 제1 지점과 상기 제2 지점을 연결하는 가상의 제1 라인을 도출할 수 있다(S250).
관성 모멘트 연산부(120)는 상기 교차면 상의 점 중에서 상기 제1 라인으로부터 가장 멀리 떨어진 서로 다른 제3 지점 및 제4 지점을 도출할 수 있다(S260).
상기 제3 지점은, 상기 제1 라인에 의해서 분할된 상기 교차면의 어느 한면의 가장자리에 위치한 지점일 수 있다.
상기 제4 지점은, 상기 제1 라인에 의해서 분할된 상기 교차면 중에서 상기 제3 지점이 위치한 면과 다른 면의 가장자리에 위치한 지점일 수 있다.
관성 모멘트 연산부(120)는 상기 제3 지점과 상기 제4 지점을 연결하는 가상의 제2 라인을 도출할 수 있다(S270).
관성 모멘트 연산부(120)는 상기 제1 라인을 포함하면서 상기 제2 라인과 평행한 가상의 단면을 상기 동맥류의 바닥면으로 도출할 수 있다(S280).
관성 모멘트 연산부(120)는 상기 바닥면에 수직인 방향을 회전축으로 관성 모멘트를 도출할 수 있다(S290).
도 6은 본 발명의 일 실시예에 따른, 인공신경망의 구성도이다. 도 6을 참조하여 인공신경망에 관하여 설명한다.
인공신경망은 입력층(input layer), 은닉층(hidden layer) 및 출력층(output layer)를 포함할 수 있다. 인공신경망은 은닉층을 하나 이상 포함할 수 있다. 은닉층을 많이 포함할수록 좀 더 정확한 학습이 가능하여 정확한 출력을 기대할 수 있으나, 연산에 소요되는 시간이 늘어나기 때문에, 무한정 은닉층을 늘릴 수는 없다.
인공신경망은 입력에 대하여 원하는 출력이 나오도록 학습이 가능하다. 이러한 학습은, 역전파를 통하여 은닉층에 있는 활성 함수의 웨이트(weight)를 조정하는 방식으로 진행될 수 있다.
인공신경망을 구현한 프레임워크(framework)는 본 발명이 속한 기술 분야에서 널리 사용되고 있다. 예를 들어, 인공신경만은 텐서플로우(TensorFlow), 케라스(Keras), 테아노(Theano), 파이토치(Pytorch), 아파치(Apache) MXNet, 마이 크로소프트(Microsoft) CNTK 등을 활용하여 구현될 수 있다.
본 발명의 일 실시예에 따르면, 인공신경망(140)은 관성 모멘트와 혈류 역학적 인자를 입력 받으면, 파열 위험도를 가리키는 값을 출력할 수 있다.
상기 혈류 역학적 인자는 하나 이상의 값일 수 있으며, 이에 따라 인공신경망(140)은 2 이상 데이터(data)를 입력 받을 수 있다.
상기 파열 위험도는 0 내지 1 범위의 값일 수 있다.
인공신경망(140)을 학습시키기 위하여, 파열 위험도가 1인 관성 모멘트와 혈류 역학적 데이터와, 파열 위험도가 0인 관성 모멘트와 혈류 역학적 데이터를 인공신경망(140)에 입력시킬 수 있다.
도 7은 본 발명의 일 실시예에 따른, ROC(Receiver Operating Characteristic) 커브(curve)의 예시이다. 도 7을 참조하여 파열 임계값을 설정하기 위한 ROC 커브의 이용을 설명한다.
ROC 커브는 주로 의학에서 많이 사용되며, 검사 방법의 유용성을 평가하는 방법으로 사용된다. 인공지능에 관한 여러 모델이 나오면서, 인공지능 모델의 정확성을 평가하는 수단으로도 활용된다.
도 7에 도시된 것과 같이, ROC 커브는 y 축은 민감도(sensitivity), x 축은 (1-특이도(specificity))의 값을 가지는 그래프(graph)일 수 있다. 민감도와 특이도에 대하여 예를 들어 설명하면, 민감도는 파열 가능으로 예측한 동맥류 중에서 실제 파열된 비율을 가리키고, 특이도는 파열 가능하지 않은 것으로 예측한 동맥류 중에서 실제 파열되지 않은 비율을 가리킬 수 있다. 이에 따르면, 100% 정확한 인공신경망인 경우 민감도와 특이도는 모두 1일 수 있다.
ROC 커브에서 그래프의 아래 영역 넓이를 AUC(Area Under the Curve)라고 하며, AUC가 클수록 완벽한 검사 방법으로 평가될 수 있다. 예를 들어, 민감도와 특이도가 모두 1인 경우 AUC는 1의 값을 가진다.
사전에 수집된 관성 모멘트, 혈류 역학적 인자 및 파열 위험도를 바탕으로 인공신경망을 학습시키면, 인공신경망에 관한 ROC 커브를 작성할 수 있다.
인공신경망이 학습이 진행될수록 보다 정확한 파열 위험도 값을 출력하게 되고 이에 따라 AUC도 1에 가까워질 수 있다.
도 7을 참조하면, AUC 0.75 보다 AUC 0.88이 가리키는 ROC 커브가 더 정확한 인공신경망을 가리키며, 좀 더 학습이 많이 된 인공신경망을 가리킬 수 있다.
임계값 설정부(150)는 학습된 인공신경망(140)의 ROC 커브를 작성하고, 이를 바탕으로 파열 임계값을 도출할 수 있다.
본 발명의 일 실시예에 따르면, 임계값 설정부(150)는 상기 ROC 커브 그래프의 좌표 (0, 1)과 가장 가까운 ROC 커브의 지점의 민감도(sensitivity)을 상기 파열 임계값으로 도출할 수 있다.
본 발명의 다른 실시예에 따르면, 임계값 설정부(150)는 상기 ROC 커브와 기울기가 1인 직선이 교차하는 지점의 민감도(sensitivity) 중에서 가장 큰 값을 상기 파열 임계값으로 도출할 수 있다.
본원 발명의 실시예 들과 관련된 기술 분야에서 통상의 지식을 가진 자는 상기 기재의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로, 개시된 방법들은 한정적인 관점이 아닌 설명적 관점에서 고려되어야 한다. 본 발명의 범위는 발명의 상세한 설명이 아닌 특허청구 범위에 나타나며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
본 발명은 동맥류의 형상학적 인자와 혈류 역학적 인자를 바탕으로 인공지능을 활용한 동맥류 파열 예측 방법 및 그 장치에 의해 동맥류의 형상학적 인자 및 혈류 역학적 인자를 인공신경망에 입력하여 파열 위험도를 도출하고 이를 바탕으로 파열 가능성을 예측할 수 있고, 형상학적 인자를 바탕으로 동맥류의 관성 모멘트를 도출하고 이를 이용함으로써, 비정형적인 형상의 동맥류에 관한 파열 가능성을 보다 정확하게 예측할 수 있으므로, 산업상 이용가능성이 높다.
[부호의 설명]
100: 동맥류 파열 예측 장치
110: 혈관 영상 획득부
120: 관성 모멘트 연산부
130: 혈류 역학적 인자 획득부
140: 인공신경망
150: 임계값 설정부
160: 파열 예측부

Claims (14)

  1. 혈관 영상을 획득하는 단계;
    상기 혈관 영상을 바탕으로 관성 모멘트를 도출하는 단계;
    혈류 역학적 인자를 획득하는 단계;
    상기 관성 모멘트와 상기 혈류 역학적 인자가 사전에 학습된 인공신경망에 입력되면 파열 위험도가 출력되는 단계; 및
    상기 파열 위험도가 사전에 정해진 파열 임계값보다 크면 파열 가능 있음으로 예측하고, 크지 않으면 파열 가능 없음으로 예측하는 단계;를 포함하는
    동맥류 파열 예측 방법.
  2. 제1항에 있어서,
    상기 관성 모멘트를 도출하는 단계는,
    상기 혈관과 동맥류가 교차하는 교차면을 도출하는 단계;
    상기 혈관의 중심선을 도출하는 단계;
    상기 중심선에 수직하는 가상의 단면인 제1 단면이 상기 중심선을 따라 제1 방향으로 이동할 때 상기 교차면과 처음 만나는 제1 지점을 도출하는 단계;
    상기 중심선에 수직하는 가상의 단면인 제2 단면이 상기 중심선을 따라 제2 방향으로 이동할 때 상기 교차면과 처음 만나는 제2 지점을 도출하는 단계;
    상기 제1 지점과 상기 제2 지점을 연결하는 가상의 제1 라인을 도출하는 단계;
    상기 교차면 상의 점 중에서 상기 제1 라인으로부터 가장 멀리 떨어진 서로 다른 제3 지점 및 제4 지점을 도출하는 단계;
    상기 제3 지점과 상기 제4 지점을 연결하는 가상의 제2 라인을 도출하는 단계;
    상기 제1 라인을 포함하면서 상기 제2 라인과 평행한 가상의 단면을 상기 동맥류의 바닥면으로 도출하는 단계; 및
    상기 바닥면에 수직 방향을 회전축으로 상기 동맥류의 관성 모멘트를 도출하는 단계;를 더 포함하는,
    동맥류 파열 예측 방법.
  3. 제2항에 있어서,
    상기 제1 방향은,
    상기 혈관의 일단에서 상기 동맥류를 향하는 방향이며,
    상기 제2 방향은,
    상기 일단과 다른 상기 혈관의 타단에서 상기 동맥류를 향하는 방향이고,
    상기 제3 지점은,
    상기 제1 라인에 의해서 분할된 상기 교차면의 어느 한면의 가장자리에 위치한 지점이며,
    상기 제4 지점은,
    상기 제1 라인에 의해서 분할된 상기 교차면 중에서 상기 제3 지점이 위치한 면과 다른 면의 가장자리에 위치한 지점인,
    동맥류 파열 예측 방법.
  4. 제1항에 있어서,
    상기 관성 모멘트를 도출하는 단계는,
    상기 혈관의 직경, 상기 동맥류의 체적, 가로 및 세로의 길이, 그리고 Neck (동맥류 입구면) 면적을 포함하는 상기 혈관 및 상기 동맥류 형상에 관련된 인자들을 이용하여 관성 모멘트를 정규화 시키는 단계;를 더 포함하는,
    동맥류 파열 예측 방법.
  5. 제1항에 있어서,
    상기 관성 모멘트를 도출하는 단계는,
    r3(Skewness) 또는 r4(kurtosis)을 이용하여 관성 모멘트를 연산하는 단계;를 더 포함하는,
    동맥류 파열 예측 장치.
  6. 제1항에 있어서,
    상기 혈류 역학적 인자는,
    혈류량, 수축기 혈압, 이완기 혈압 및 혈관벽 탄력성 중에서 적어도 하나를 포함하는,
    동맥류 파열 예측 방법.
  7. 제1항에 있어서,
    상기 혈관 영상을 획득하는 단계 이전에,
    사전에 준비된 관성 모멘트, 혈류 역학적 인자 및 파열 위험도의 데이터를 바탕으로 상기 인공신경망을 학습시키는 단계;를 더 포함하는,
    동맥류 파열 예측 방법.
  8. 제1항에 있어서,
    상기 혈관 영상을 획득하는 단계 이전에,
    상기 사전에 학습된 인공신경망에서 출력되는 파열 위험도의 정확성을 검증한 ROC(Receiver Operating Characteristic) 커브(curve)를 생성하는 단계; 및
    상기 ROC 커브를 바탕으로 상기 파열 임계값을 도출하는 단계;를 더 포함하는,
    동맥류 파열 예측 방법.
  9. 제8항에 있어서,
    상기 파열 임계값을 도출하는 단계는,
    상기 ROC 커브 그래프의 좌표 (0, 1)과 가장 가까운 ROC 커브의 지점을 도출하는 단계; 및
    상기 지점의 민감도(sensitivity)을 상기 파열 임계값으로 도출하는 단계;를 포함하는,
    동맥류 파열 예측 방법.
  10. 제8항에 있어서,
    상기 파열 임계값을 도출하는 단계는,
    상기 ROC 커브와 기울기가 1인 직선이 교차하는 지점을 획득하는 단계; 및
    상기 교차하는 지점의 민감도(sensitivity) 중에서 가장 큰 값을 상기 파열 임계값으로 도출하는 단계;를 포함하는,
    동맥류 파열 예측 방법.
  11. 혈관의 영상을 획득하는 혈관 영상 획득부;
    상기 혈관 영상을 바탕으로 상기 혈관과 동맥류가 교차하는 교차면을 도출하고, 상기 교차면을 바탕으로 상기 동맥류의 관성 모멘트를 도출하는 관성 모멘트 연산부;
    혈류량, 수축기 혈압, 이완기 혈압 및 혈관벽 탄력성 중에서 적어도 하나를 포함하는 혈류 역학적 인자를 획득하는 혈류 역학적 인자 획득부;
    사전에 수집된 관성 모멘트, 혈류 역학적 인자 및 파열 위험도의 데이터를 바탕으로 학습된 인공신경망;
    상기 인공신경망을 이용하여 생성된 ROC 커브를 바탕으로 파열 임계값을 도출하는 임계값 설정부; 및
    상기 도출된 관성 모멘트 및 상기 획득된 혈류 역학적 인자를 인공신경망에서 입력하고, 상기 인공신경망에서 출력된 파열 위험도가 상기 파열 임계값보다 크면 상기 동맥류의 파열 가능성 있음으로 예측하는 파열 예측부;를 포함하는
    동맥류 파열 예측 장치.
  12. 제11항에 있어서,
    상기 관성 모멘트 연산부는,
    상기 혈관과 동맥류가 교차하는 교차면을 도출하고, 상기 혈관의 중심선을 도출하며, 상기 중심선에 수직하는 가상의 단면인 제1 단면이 상기 중심선을 따라 제1 방향으로 이동할 때 상기 교차면과 처음 만나는 제1 지점을 도출하고, 상기 중심선에 수직하는 가상의 단면인 제2 단면이 상기 중심선을 따라 제2 방향으로 이동할 때 상기 교차면과 처음 만나는 제2 지점을 도출하며, 상기 제1 지점과 상기 제2 지점을 연결하는 가상의 제1 라인을 도출하고, 상기 교차면 상의 점 중에서 상기 제1 라인으로부터 가장 멀리 떨어진 서로 다른 제3 지점 및 제4 지점을 도출하며, 상기 제3 지점과 상기 제4 지점을 연결하는 가상의 제2 라인을 도출하고, 상기 제1 라인을 포함하면서 상기 제2 라인과 평행한 가상의 단면을 상기 동맥류의 바닥면으로 도출하며, 상기 바닥면에 수직 방향을 축으로 상기 동맥류의 관성 모멘트를 도출하고,
    상기 제1 방향은,
    상기 혈관의 일단에서 상기 동맥류를 향하는 방향이며,
    상기 제2 방향은,
    상기 일단과 다른 상기 혈관의 타단에서 상기 동맥류를 향하는 방향이고,
    상기 제3 지점은,
    상기 제1 라인에 의해서 분할된 상기 교차면의 어느 한면의 가장자리에 위치한 지점이며,
    상기 제4 지점은,
    상기 제1 라인에 의해서 분할된 상기 교차면 중에서 상기 제3 지점이 위치한 면과 다른 면의 가장자리에 위치한 지점인,
    동맥류 파열 예측 장치.
  13. 제11항에 있어서,
    상기 관성 모멘트 연산부는,
    상기 혈관의 직경, 상기 동맥류의 체적, 가로 및 세로의 길이, 그리고 Neck (동맥류 입구면) 면적을 포함하는 상기 혈관 및 상기 동맥류 형상에 관련된 인자들을 이용하여 관성 모멘트를 정규화 시키는,
    동맥류 파열 예측 장치.
  14. 제11항에 있어서,
    상기 관성 모멘트 연산부는,
    r3(Skewness) 또는 r4(kurtosis)을 이용하여 관성 모멘트를 연산하는,
    동맥류 파열 예측 장치.
PCT/KR2023/004488 2022-04-05 2023-04-04 동맥류의 형상학적 인자와 혈류 역학적 인자를 바탕으로 인공지능을 활용한 동맥류 파열 예측 방법 및 그 장치 WO2023195724A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0041961 2022-04-05
KR1020220041961A KR20230143278A (ko) 2022-04-05 2022-04-05 동맥류의 형상학적 인자와 혈류 역학적 인자를 바탕으로 인공지능을 활용한 동맥류 파열 예측 방법 및 그 장치

Publications (1)

Publication Number Publication Date
WO2023195724A1 true WO2023195724A1 (ko) 2023-10-12

Family

ID=88243210

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/004488 WO2023195724A1 (ko) 2022-04-05 2023-04-04 동맥류의 형상학적 인자와 혈류 역학적 인자를 바탕으로 인공지능을 활용한 동맥류 파열 예측 방법 및 그 장치

Country Status (2)

Country Link
KR (1) KR20230143278A (ko)
WO (1) WO2023195724A1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170128699A (ko) * 2016-05-13 2017-11-23 이에이트 주식회사 혈관 내 정보 가시화 방법, 이를 실행하는 장치 및 기록 매체에 저장된 혈류 유체 해석 시뮬레이션 프로그램
JP2018000981A (ja) * 2017-08-23 2018-01-11 東芝メディカルシステムズ株式会社 動脈瘤破裂リスク解析プログラム及びシステム
JP2020168262A (ja) * 2019-04-05 2020-10-15 有限会社 ライブエイド 血管瘤の破裂リスク評価方法、評価装置およびプログラム
KR20210072952A (ko) * 2019-12-10 2021-06-18 한양대학교 에리카산학협력단 동맥류 파열 예측 장치 및 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101974786B1 (ko) 2018-08-17 2019-05-31 (주)제이엘케이인스펙션 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 방법 및 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170128699A (ko) * 2016-05-13 2017-11-23 이에이트 주식회사 혈관 내 정보 가시화 방법, 이를 실행하는 장치 및 기록 매체에 저장된 혈류 유체 해석 시뮬레이션 프로그램
JP2018000981A (ja) * 2017-08-23 2018-01-11 東芝メディカルシステムズ株式会社 動脈瘤破裂リスク解析プログラム及びシステム
JP2020168262A (ja) * 2019-04-05 2020-10-15 有限会社 ライブエイド 血管瘤の破裂リスク評価方法、評価装置およびプログラム
KR20210072952A (ko) * 2019-12-10 2021-06-18 한양대학교 에리카산학협력단 동맥류 파열 예측 장치 및 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BA DECHUN, ZHU ZHIPENG, YUE XIANGJI, XU PING, YAN PENGFEI, XIAO DONGDONG: "Computational Fluid Dynamics Analysis of Carotid–Ophthalmic Aneurysms with Concomitant Ophthalmic Artery Infundibulum in a Patient-Specific Model", WORLD NEUROSURGERY, vol. 125, 1 May 2019 (2019-05-01), AMSTERDAM, NL , pages e1023 - e1033, XP093097762, ISSN: 1878-8750, DOI: 10.1016/j.wneu.2019.02.002 *
DHAR SUJAN, TREMMEL MARKUS, MOCCO J, KIM MINSUOK, YAMAMOTO JUNICHI, SIDDIQUI ADNAN H., HOPKINS L. NELSON, MENG HUI: "MORPHOLOGY PARAMETERS FOR INTRACRANIAL ANEURYSM RUPTURE RISK ASSESSMENT", NEUROSURGERY, vol. 63, no. 2, 1 August 2008 (2008-08-01), US , pages 185 - 197, XP093097761, ISSN: 0148-396X, DOI: 10.1227/01.NEU.0000316847.64140.81 *

Also Published As

Publication number Publication date
KR20230143278A (ko) 2023-10-12

Similar Documents

Publication Publication Date Title
WO2022019402A1 (ko) 시계열 생체 신호 기반의 인공신경망 모델 학습 컴퓨터 프로그램 및 방법
CN109285602B (zh) 用于自我检查用户眼睛的主模块、系统和方法
WO2023195724A1 (ko) 동맥류의 형상학적 인자와 혈류 역학적 인자를 바탕으로 인공지능을 활용한 동맥류 파열 예측 방법 및 그 장치
WO2017074080A1 (ko) 수면 중 뇌졸중 판단 장치 및 방법
CN110693510A (zh) 一种注意力缺陷多动障碍辅助诊断装置及其使用方法
US11730364B2 (en) Apparatus and methods for supporting reading of fundus image
JP2017127562A (ja) 運動情報取得装置および運動情報取得方法
CN112669972A (zh) 基于大数据深度学习的中医个人风险分合协同预测方法
WO2023017875A1 (ko) 안저영상을 기초로 생체 계측치를 예측하는 장치 및 방법
CN114469072A (zh) 用摄像机自动预测婴儿心理发育的方法
WO2021187699A1 (ko) 경동맥 초음파 진단 시스템
WO2003061472A1 (fr) Appareil de diagnostic pour nouveau-nes ou nourrissons
CN209899360U (zh) 九眼位照相仪
Bueno-Palomeque et al. QRS-T angles as markers for heart sphericity in subjects with intrauterine growth restriction: a simulation study
WO2022158727A1 (ko) 생체 이미지 판독 지원 장치 및 방법
WO2022255674A1 (ko) 설명 가능한 생체 이미지 판독 지원 장치 및 방법
KR20200049195A (ko) 녹내장 의증 진단을 위한 안저영상 분석 방법
WO2024072067A1 (ko) 멀티모달 딥 러닝 모델을 이용한 녹내장 환자의 미래 시야 예측 방법
Jugunta et al. Exploring the Insights of Bat Algorithm-Driven XGBRNN (BARXG) for Optimal Fetal Health Classification in Pregnancy Monitoring.
WO2023195554A1 (ko) 녹내장 위험도 진단 장치 및 방법
US20240032850A1 (en) Evaluation device, method, and program for evaluating ability to identify object
WO2023132392A1 (ko) 입자 기반의 시뮬레이션을 통해 경동맥에서의 혈류 특성을 분석하는 방법 및 시스템
Bobrova et al. Development of a simulation model of fetal activity signal source
EP4220653A1 (en) Medical system and medical information processing device
WO2022265023A1 (ja) 視野検査方法、視野検査装置、および視野検査プログラム

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: 23784949

Country of ref document: EP

Kind code of ref document: A1