WO2024043356A1 - 흉부 이미지 기반 중증환자용 근감소증 진단 시스템 및 방법 - Google Patents

흉부 이미지 기반 중증환자용 근감소증 진단 시스템 및 방법 Download PDF

Info

Publication number
WO2024043356A1
WO2024043356A1 PCT/KR2022/012622 KR2022012622W WO2024043356A1 WO 2024043356 A1 WO2024043356 A1 WO 2024043356A1 KR 2022012622 W KR2022012622 W KR 2022012622W WO 2024043356 A1 WO2024043356 A1 WO 2024043356A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
sarcopenia
chest
rmi
image
Prior art date
Application number
PCT/KR2022/012622
Other languages
English (en)
French (fr)
Inventor
박철
정창원
최성규
김태훈
이충섭
Original Assignee
원광대학교산학협력단
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 원광대학교산학협력단 filed Critical 원광대학교산학협력단
Priority to PCT/KR2022/012622 priority Critical patent/WO2024043356A1/ko
Publication of WO2024043356A1 publication Critical patent/WO2024043356A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/03—Detecting, measuring or recording fluid pressure within the body other than blood pressure, e.g. cerebral pressure; Measuring pressure in body tissues or organs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Definitions

  • the present invention relates to a sarcopenia diagnosis system and method for critically ill patients based on chest images that allows for simpler and more convenient measurement of sarcopenia in severely ill patients.
  • DXA imaging is a test method that allows imaging with the patient's cooperation, but it is very difficult to image ICU patients or seriously ill patients, and the patient's exercise ability is greatly reduced, making it difficult to measure grip strength and check gait status. There is an impossible problem.
  • the present invention is based on chest images taken before the patient's long-term hospitalization, and is based on chest images that allow sarcopenia in seriously ill patients to be measured more simply and conveniently using artificial intelligence.
  • This relates to a sarcopenia diagnosis system and method for severely ill patients.
  • At least one of chest image, body information, immune information, nutritional information, and sarcopenia degree is acquired as a data set through interconnection with an external device, and a data acquisition unit for storing; a chest image analysis unit that extracts respiratory muscles from the chest image and generates and outputs a Respiratory Muscle Index (RMI) based on the volume of the respiratory muscles;
  • RMI Respiratory Muscle Index
  • a learning data generator that generates a plurality of learning data having as output conditions; a prediction model learning unit that machine-trains a prediction model implemented by an artificial neural network using the plurality of learning data;
  • the analysis data generation unit replaces the chest image with RMI and generates analysis data including RMI, body information, immune information, and nutritional information.
  • a sarcopenia diagnosis unit that predicts and reports the degree of sarcopenia corresponding to the analysis data through the prediction model.
  • the chest image is taken based on the T3 and T4 thoracic vertebrae, and is characterized as an image in which the respiratory muscles of the pectoralis major, intercostal muscles, subscapularis, and infraspinatus are present.
  • the immune information is characterized in that it includes at least one of lymphocyte count and neutrophil/lymphocyte ratio.
  • the nutritional information is characterized by including at least one of body mass index (BMI), blood albumin cholesterol, and creatinine/cystatin C ratio (albumin, cholesterol, serum creatinine/serum cystatin C).
  • BMI body mass index
  • C creatinine/cystatin C ratio
  • the physical information is characterized in that it includes at least one of age, gender, height, weight, and disease history.
  • the prediction model is characterized by being implemented with an artificial neural network.
  • a plurality of data sets consisting of a patient's chest image, body information, immune information, nutritional information, and degree of sarcopenia are acquired from previously acquired and stored medical data.
  • each of the chest images is image processed and replaced with RMI (Respiratory Muscle Index);
  • RMI Respiratory Muscle Index
  • the present invention allows diagnosing sarcopenia in seriously ill patients using chest images obtained through various examination procedures performed before the patient's long-term hospitalization, thereby diagnosing sarcopenia without the patient's additional imaging process and physical ability evaluation process. Allow this to be carried out.
  • diagnostic accuracy can be further improved by diagnosing the degree of sarcopenia by additionally using blood test results such as immune information and nutritional information in addition to chest images.
  • 1 is a diagram for explaining the respiratory muscles to be used in the present invention.
  • Figure 2 is a diagram for explaining a sarcopenia diagnosis system for seriously ill patients based on chest images according to an embodiment of the present invention.
  • Figure 3 is a diagram illustrating an example of implementation of a prediction model according to an embodiment of the present invention.
  • Figure 4 is a diagram for explaining a chest image analysis method according to an embodiment of the present invention.
  • Figure 5 is a diagram for explaining a prediction model learning method according to an embodiment of the present invention.
  • Figure 6 is a diagram for explaining in more detail a method for predicting bonding performance according to an embodiment of the present invention.
  • block diagrams herein should be understood as representing a conceptual view of an example circuit embodying the principles of the invention.
  • all flow diagrams, state transition diagrams, pseudo-code, etc. are understood to represent various processes that can be substantially represented on a computer-readable medium and are performed by a computer or processor, whether or not the computer or processor is explicitly shown. It has to be.
  • 1 is a diagram for explaining the respiratory muscles to be used in the present invention.
  • the breathing muscles to be used in the present invention are mainly located in the thoracic region (T2 to T12) based on the spine, and the muscles used when exhaling and the muscles used when inhaling are paired. It exists.
  • Muscles related to inhalation include the external intercostal muscles, levator ribs, levator posterior superior, pectoralis major, sternocleidomastoid, and scalene muscles, and muscles related to exhalation (exhalation) include internal intercostal muscles, subcostal muscles, subscapularis, levator posterior inferior, and transverse thoracic muscles. This exists.
  • the present invention acquires a chest image including the pectoralis major, intercostal muscles, subscapularis, and infraspinatus muscles based on the positions of the T3 and T4 thoracic vertebrae, and makes it possible to diagnose sarcopenia based on this.
  • the chest image at this time allows the patient to use the chest image taken to check the patient's condition before entering the intensive care unit, allowing the patient to perform a minimum of imaging operations for diagnosing sarcopenia.
  • Figure 2 is a diagram for explaining a sarcopenia diagnosis system for seriously ill patients based on chest images according to an embodiment of the present invention.
  • the system of the present invention includes a data acquisition unit 110, a chest image analysis unit 120, a learning data generation unit 130, a prediction model learning unit 140, and an analysis data generation unit 150. ) and sarcopenia diagnosis unit 160.
  • the data acquisition unit 110 is linked to an external device such as a hospital EMR (electronic medical record) and an imaging test device, and provides at least one of the chest image, physical information, immune information, nutritional information, and sarcopenia level of a specific patient. Acquire and store a data set containing one.
  • an external device such as a hospital EMR (electronic medical record) and an imaging test device, and provides at least one of the chest image, physical information, immune information, nutritional information, and sarcopenia level of a specific patient. Acquire and store a data set containing one.
  • the patient's chest image of the present invention may be an image taken of the patient's chest through an imaging test device such as CT (Computer Tomography), MRI (Magnetic Resonance Imaging), etc.
  • CT Computer Tomography
  • MRI Magnetic Resonance Imaging
  • the chest image is most preferably an image taken based on the T3 and T4 thoracic vertebrae and includes the pectoralis major, intercostal muscles, subscapularis, and infraspinatus, but is not limited to this.
  • Physical information may include at least one of age, gender, height, weight, and disease history.
  • Immune information may include at least one of lymphocyte count and neutrophil/lymphocyte ratio
  • nutritional information may include body mass index (BMI), blood albumin cholesterol, and creatinine/cystatin C ratio.
  • BMI body mass index
  • the information may include at least one of (albumin, cholesterol, serum creatinine/serum cystatin C), and both immune information and nutritional information can be obtained using a blood test device.
  • the chest image analysis unit 120 acquires a segmentation image in which only the respiratory muscle area is extracted from the patient's chest image, calculates the volume of the respiratory muscle based on the segmentation image, and calculates the volume of the respiratory muscle (RMI). Convert to Index) and output.
  • the learning data generator 130 obtains and stores the above data sets according to the degree of sarcopenia through the data acquisition unit 110. Then, the RMI corresponding to each chest image is calculated through the chest image analysis unit 120. In addition, a large number of learning data are generated that have RMI, body information, immune information, and nutritional information as input conditions and the degree of sarcopenia as output conditions.
  • the prediction model learning unit 140 machine-learns the prediction model (M) through a plurality of learning data so that the prediction model (M) has a correlation between RMI, immune information, nutritional information, and sarcopenia.
  • the prediction model (M) can be implemented as an artificial neural network consisting of an input layer, a hidden layer, and an output layer, such as a recurrent neural network (RNN), a convolutional neural network (CNN), or a deep neural network (DNN), as shown in FIG. 3.
  • RNN recurrent neural network
  • CNN convolutional neural network
  • DNN deep neural network
  • machine learning classifies a large number of learning data into training data, validation data, and test data, then repeatedly learns the prediction model (M) through the training data, and verifies the accuracy through the validation data, while verifying the prediction model (M). This can be done by tuning the hyperparameters of M, evaluating the performance of the prediction model (M) through test data, and then terminating iterative learning when the preset conditions are met.
  • the specifics of machine learning are as follows: Of course, the method may change in various ways in the future.
  • the analysis data generation unit 150 acquires the chest image, body information, immune information, and nutritional information of the patient to be diagnosed through the data acquisition unit 110, and then sends the RMI corresponding to the chest image to the chest image analysis unit 120. Calculated through . It then generates analysis data that has RMI, physical information, immune information, and nutritional information as input conditions and the degree of sarcopenia as output conditions.
  • the sarcopenia diagnosis unit 160 inputs the analysis data into the learned prediction model (M), diagnoses the degree of sarcopenia corresponding to the current analysis data through the prediction model (M), stores and notifies the diagnosis results, or is in charge. It should be provided to preset external devices such as medical staff terminals and hospital EMRs.
  • Figure 4 is a diagram for explaining a chest image analysis method according to an embodiment of the present invention.
  • multiple two-dimensional chest images are obtained by sequentially capturing the patient's chest (S1).
  • each chest image is converted into a segmentation image in which only the respiratory muscles remain through a respiratory muscle detection algorithm (S2).
  • the respiratory muscle detection algorithm may be implemented as an artificial intelligence network (for example, a U-Net model or a generative model derived from the U-Net model) in which the correlation between the chest image and the respiratory muscles is pre-learned, but is limited to this.
  • an artificial intelligence network for example, a U-Net model or a generative model derived from the U-Net model
  • the U-Net model is a model named because the network shape is similar to the letter U. It is often used as a segmentation network in the medical field as it can go from simple classification to localization. there is.
  • the volume of the respiratory muscles is calculated by counting the number of voxels occupied by the respiratory muscles in the 3D image (S4).
  • the volume of the respiratory muscles is converted into RMI (Respiratory muscle index) according to preset conversion standards and output (S5).
  • RMI Respiratory muscle index
  • S5 preset conversion standards and output
  • volume is a three-dimensional concept. Even in this case, I would like to ask whether it is advisable to divide the respiratory muscle volume by the square of the patient's height.
  • Figure 5 is a diagram for explaining a prediction model learning method according to an embodiment of the present invention.
  • the learning data generator 130 acquires a large data set of at least one of chest image, body information, immune information, nutritional information, and sarcopenia degree from previously acquired and stored medical data. and save (S11).
  • the RMI corresponding to each chest image in the data set is calculated through the chest image analysis unit 120 (S12).
  • the prediction model (M) is generated through RMI, immune information, and A prediction model (M) is machine-learned to establish a correlation between nutritional information and the degree of sarcopenia (S14).
  • Figure 6 is a diagram for explaining in more detail a method for predicting bonding performance according to an embodiment of the present invention.
  • the analysis data generation unit 150 operates the chest image analysis unit 120. After calculating the RMI corresponding to each chest image, analysis data with input conditions for RMI, body information, immune information, and nutritional information is generated (S22).
  • the sarcopenia diagnosis unit 160 inputs the analysis data into the prediction model (M), diagnoses the degree of sarcopenia corresponding to the current input conditions through the prediction model (M) (S23), and stores the diagnosis result. and notify or provide it to a preset external device (S24).

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Hematology (AREA)
  • Optics & Photonics (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 흉부 이미지 기반 중증환자용 근감소증 진단 시스템 및 방법에 관한 것으로, 이는 외부 장치와의 상호 연동을 통해 흉부 이미지, 신체 정보, 면역 정보, 영양 정보, 및 근감소증 정도 중 적어도 하나를 데이터 셋트로써 획득 및 저장하는 데이터 획득부; 상기 흉부 이미지로부터 호흡 근육을 추출하고, 상기 호흡 근육의 부피에 기반하여 RMI(Respiratory Muscle Index)를 생성 및 출력하는 흉부 이미지 분석부; 상기 데이터 셋트 다수개를 근감소증 정도에 따라 구분하여 획득 및 저장한 후, 데이터 셋트내 흉부 이미지 각각을 RMI로 대체하고, RMI, 신체 정보, 면역 정보, 영양 정보를 입력 조건으로 가지며, 근감소증 정도를 출력 조건으로 가지는 학습 데이터 다수개를 생성하는 학습 데이터 생성부; 상기 학습 데이터 다수개를 통해 인공 신경망으로 구현된 예측 모델을 기계 학습시키는 예측 모델 학습부; 진단 대상 환자의 흉부 이미지, 신체 정보, 면역 정보, 영양 정보가 획득되면, 흉부 이미지를 RMI로 대체한 후, RMI, 신체 정보, 면역 정보, 영양 정보를 포함하는 분석 데이터를 생성하는 분석 데이터 생성부; 및 상기 예측 모델을 통해 상기 분석 데이터에 대응되는 근감소증 정도를 예측 및 통보하는 근감소증 진단부를 포함할 수 있다.

Description

흉부 이미지 기반 중증환자용 근감소증 진단 시스템 및 방법
본 발명은 중증환자의 근감소증을 보다 간단하고 편리하게 측정할 수 있도록 하는 흉부 이미지 기반 중증환자용 근감소증 진단 시스템 및 방법에 관한 것이다.
근감소증에 대한 연구는 그리 오래되지 않았으며 근감소증의 진단기준이 정립되지 않아 연구마다 다른 진단기준을 사용하였기 때문에 유병률에 대한 보고가 다르지만, 일반적으로 젊은 기준 집단의 평균값보다 2 표준 편차 이하로 ASM(appendicular skeletal muscle mass)/height2이 감소된 것을 근감소증으로 정의한다.
이러한 기준에 의하면, 70세 미만에서는 15~25%, 80세 이상에서는 남자 50%, 여자 40% 이상으로 증가되어 있고 나이, 동반 질환, 비만, 소득 등을 보정 하여도 근감소증과 신체장애가 연관이 있음을 알 수 있다.
과거 다수의 역학 연구에서 팔 근육의 단부피 또는 팔의 둘레를 이용한 근육량과 사망률 간의 연관 관계를 연구하였으며, 나이, 성별, 일상생활 능력, 동반 질환, 인지기능, 우울증 등을 보정하여도 낮은 근육량과 사망률은 연관이 있음이 확인되었다.
이에 종래에는 1) DXA(Dual energy X-ray Absorptiometry)를 이용하여 근육량을 평가한 결과, 2) 둘째, 수압식 악력계 또는 스프링탄성 악력계를 통해 측정되는 환자 악력 기반으로 근력을 평가한 결과, 3) 셋째, 환자 보행 속도 기반으로 신체 수행 능력을 평가한 결과에 기반하여 근감소증을 진단하도록 하고 있다.
한편 중환자실에 장기 재원 중인 환자의 대부분은 움직임이 거의 없는 상태여서 근감소증과 높은 연관성을 가지나, 환자 거동이 매우 힘든 환자 특성 상 상기의 방법들을 이용하여 근감소증을 진단하기가 어려운 문제가 있다. 즉, 환자 이동의 제약으로 인해 DXA 촬영은 환자의 협조가 가능한 상태에서 촬영이 가능한 검사 방법으로 중환자실환자 혹은 중증환자의 촬영이 매우 어려우며, 환자 운동 능력이 크게 떨어져 악력 측정 및 보행 상태 확인 자체가 불가능한 문제가 있다.
이에 상기와 같은 문제점을 해결하기 위한 것으로서, 본 발명은 환자의 장기 입원 전에 촬영하는 흉부 이미지에 기반하여, 중증환자의 근감소증을 인공지능 방식으로 보다 간단하고 편리하게 측정할 수 있도록 하는 흉부 이미지 기반 중증환자용 근감소증 진단 시스템 및 방법에 관한 것이다.
또한 흉부 이미지 이외에 면역 정보 및 영양 정보와 같은 혈액 검사 결과를 추가 이용하여 보다 정확한 근감소증 진단이 가능하도록 하는 흉부 이미지 기반 중증환자용 근감소증 진단 시스템을 제공하고자 한다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 본 발명이 속하는 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기 과제를 해결하기 위한 수단으로서, 본 발명의 일 실시 형태에 따르면 외부 장치와의 상호 연동을 통해 흉부 이미지, 신체 정보, 면역 정보, 영양 정보, 및 근감소증 정도 중 적어도 하나를 데이터 셋트로써 획득 및 저장하는 데이터 획득부; 상기 흉부 이미지로부터 호흡 근육을 추출하고, 상기 호흡 근육의 부피에 기반하여 RMI(Respiratory Muscle Index)를 생성 및 출력하는 흉부 이미지 분석부; 상기 데이터 셋트 다수개를 근감소증 정도에 따라 구분하여 획득 및 저장한 후, 데이터 셋트내 흉부 이미지 각각을 RMI로 대체하고, RMI, 신체 정보, 면역 정보, 영양 정보를 입력 조건으로 가지며, 근감소증 정도를 출력 조건으로 가지는 학습 데이터 다수개를 생성하는 학습 데이터 생성부; 상기 학습 데이터 다수개를 통해 인공 신경망으로 구현된 예측 모델을 기계 학습시키는 예측 모델 학습부; 진단 대상 환자의 흉부 이미지, 신체 정보, 면역 정보, 영양 정보가 획득되면, 흉부 이미지를 RMI로 대체한 후, RMI, 신체 정보, 면역 정보, 영양 정보를 포함하는 분석 데이터를 생성하는 분석 데이터 생성부; 및 상기 예측 모델을 통해 상기 분석 데이터에 대응되는 근감소증 정도를 예측 및 통보하는 근감소증 진단부를 포함하는 흉부 이미지 기반 중증환자용 근감소증 진단 시스템을 제공한다. 상기 흉부 이미지는 T3 및 T4 흉추를 기준으로 촬영되며, 대흉근, 늑간근, 견갑하근, 및 극하근의 호흡 근육이 존재하는 이미지인 것을 특징으로 한다.
상기 면역 정보는 림프구 수 (lymphocyte count), 중성구/림프구 비율 (neutrophil/ lymphocyte ratio) 중 적어도 하나를 포함한 정보인 것을 특징으로 한다.
상기 영양 정보는 체질량지수(BMI)나 혈중 알부민 콜레스테롤, 크리아티닌/Cystatin C 비율 (albumin, cholesterol, serum creatinine/serum cystatin C) 중 적어도 하나를 포함한 정보인 것을 특징으로 한다.
상기 신체 정보는 나이, 성별, 신장, 몸무게, 질환 이력 중 적어도 하나를 포함한 정보인 것을 특징으로 한다.
상기 예측 모델은 인공 신경망으로 구현되는 것을 특징으로 한다.
상기 과제를 해결하기 위한 수단으로서, 본 발명의 다른 실시 형태에 따르면 기 획득 및 저장된 의료 데이터로부터 환자의 흉부 이미지, 신체 정보, 면역 정보, 영양 정보, 및 근감소증 정도로 구성되는 다수의 데이터 셋트를 획득하되, 상기 흉부 이미지 각각은 이미지 처리하여 RMI(Respiratory Muscle Index)로 대체하는 단계; RMI, 신체 정보, 면역 정보, 영양 정보를 입력 조건으로 가지며, 근감소증 정도를 출력 조건으로 가지는 학습 데이터 다수개를 생성하고, 학습 데이터 다수개를 통해 인공 신경망으로 구현된 예측 모델을 기계 학습시키는 단계; 진단 대상 환자의 흉부 이미지, 신체 정보, 면역 정보, 영양 정보가 획득되면, 흉부 이미지에 대응되는 RMI를 산출한 후, RMI, 신체 정보, 면역 정보, 영양 정보를 포함하는 분석 데이터를 생성하는 단계; 및 상기 예측 모델을 통해 상기 분석 데이터에 대응되는 근감소증 정도를 예측 및 통보하는 단계를 포함하며, 상기 예측 모델은 인공 신경망으로 구현되는 것을 특징으로 하는 흉부 이미지 기반 중증환자용 근감소증 진단 방법을 제공한다.
본 발명은 환자의 장기 입원 전에 수행되는 각종 검사 과정을 통해 획득되는 흉부 이미지를 이용하여 중증환자의 근감소증을 진단할 수 있도록 함으로써, 환자의 추가적인 영상 촬영 과정 및 신체 능력 평가 과정 없이도 근감소증 진단 동작이 수행될 수 있도록 한다.
또한 흉부 이미지 이외에 면역 정보 및 영양 정보와 같은 혈액 검사 결과를 추가 이용하여 근감소증 정도를 진단하도록 함으로써, 진단 정확도가 보다 향상될 수 있도록 한다.
도 1은 본 발명에서 이용하고자 하는 호흡 근육을 설명하기 위한 도면이다.
도 2은 본 발명의 일 실시예에 따른 흉부 이미지 기반 중증환자용 근감소증 진단 시스템을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 예측 모델의 구현 예를 도시한 도면이다.
도 4은 본 발명의 일 실시예에 따른 흉부 이미지 분석 방법을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 예측 모델 학습 방법을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 접합성능 예측 방법을 보다 상세하게 설명하기 위한 도면이다.
이하의 내용은 단지 본 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시되지 않았지만 본 발명의 원리를 구현하고 본 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시예들은 원칙적으로, 본 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이와 같이 특별히 열거된 실시예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.
또한, 본 발명의 원리, 관점 및 실시예들 뿐만 아니라 특정 실시예를 열거하는 모든 상세한 설명은 이러한 사항의 구조적 및 기능적 균등물을 포함하도록 의도되는 것으로 이해되어야 한다. 또한 이러한 균등물들은 현재 공지된 균등물뿐만 아니라 장래에 개발될 균등물 즉 구조와 무관하게 동일한 기능을 수행하도록 발명된 모든 소자를 포함하는 것으로 이해되어야 한다.
따라서, 예를 들어, 본 명세서의 블럭도는 본 발명의 원리를 구체화하는 예시적인 회로의 개념적인 관점을 나타내는 것으로 이해되어야 한다. 이와 유사하게, 모든 흐름도, 상태 변환도, 의사 코드 등은 컴퓨터가 판독 가능한 매체에 실질적으로 나타낼 수 있고 컴퓨터 또는 프로세서가 명백히 도시되었는지 여부를 불문하고 컴퓨터 또는 프로세서에 의해 수행되는 다양한 프로세스를 나타내는 것으로 이해되어야 한다.
도 1은 본 발명에서 이용하고자 하는 호흡 근육을 설명하기 위한 도면이다.
도 1에 도시된 바와 같이, 본 발명에서 이용하고자 하는 호흡 근육은 척추 기준으로 흉추 부위(T2~T12)에 주로 위치되며, 숨을 내쉴 때 사용하는 근육과 들이마실 때 사용하는 근육이 한 쌍으로 존재하고 있다.
흡기(들숨) 관련 근육으로는 외늑간근, 늑골거근, 상후거근, 대흉근, 흉쇄유돌근, 사각근 등이 있으며, 호기(날숨) 관련 근육으로는 내늑간근, 늑하근, 견갑하근, 하후거근, 흉횡근 등이 존재한다.
그리고 이러한 호흡 근육은 나이가 들수록 점차 약해지며, 이와 함께 기낭(폐포)과 폐 안의 모세혈관 수가 감소하게 된다.
따라서 환자가 흡입하는 공기에서 다소 더 적은 양의 산소가 흡수되며, 폐의 탄성이 더 떨어지게 되는 악순환이 발생하게 된다.
이에 본 발명은 T3 및 T4 흉추 위치를 기반으로 대흉근, 늑간근, 견갑하근, 극하근이 포함된 흉부 이미지를 획득하고, 이를 기반으로 근감소증을 진단할 수 있도록 한다.
또한 이때의 흉부 이미지는 환자가 중환자실 입실 전에 환자 상태 체크를 위해 촬영해 둔 흉부 이미지를 이용할 수 있도록 함으로써, 환자가 근감소증 진단을 위한 이미지 촬영 동작이 최소한으로 수행될 수 있도록 한다.
도 2은 본 발명의 일 실시예에 따른 흉부 이미지 기반 중증환자용 근감소증 진단 시스템을 설명하기 위한 도면이다.
도 2에 도시된 바와 같이, 본 발명의 시스템은 데이터 획득부(110), 흉부 이미지 분석부(120), 학습 데이터 생성부(130), 예측 모델 학습부(140), 분석 데이터 생성부(150) 및 근감소증 진단부(160) 등을 포함한다.
데이터 획득부(110)는 병원 EMR(Electronic medical record)와 영상 촬영 검사 장치 등과 같은 외부 장치와 연동되어, 이를 통해 특정 환자의 흉부 이미지, 신체 정보, 면역 정보, 영양 정보, 및 근감소증 정도 중 적어도 하나를 포함하는 데이터 셋트를 획득 및 저장한다.
본 발명의 환자 흉부 이미지는 CT(Computer Tomography), MRI(??Magnetic Resonance Imaging) 등과 같은 영상 촬영 검사 장치를 통해 환자 흉부를 촬영한 이미지일 수 있다. 이때, 흉부 이미지는 앞서 설명한 바와 같이 T3 및 T4 흉추를 기준으로 대흉근, 늑간근, 견갑하근, 및 극하근이 포함되도록 촬영된 이미지인 것이 가장 바람직하나, 이에 한정될 필요는 없다.
신체 정보는 나이, 성별, 신장, 몸무게, 질환 이력 중 적어도 하나를 포함한 정보일 수 있다.
면역 정보는 림프구 수 (lymphocyte count), 중성구/림프구 비율 (neutrophil/ lymphocyte ratio) 중 적어도 하나를 포함한 정보일 수 있고, 영양 정보는 체질량지수(BMI)나 혈중 알부민 콜레스테롤, 크리아티닌/Cystatin C 비율 (albumin, cholesterol, serum creatinine/serum cystatin C) 중 적어도 하나를 포함한 정보일 수 있으며, 면역 정보와 영양 정보 모두 혈액 검사 장치를 획득될 수 있다.
흉부 이미지 분석부(120)는 환자 흉부 이미지로부터 호흡 근육 영역만을 추출한 세그멘테이션 이미지(segmentation image)를 획득하고, 세그멘테이션 이미지(segmentation image)에 기반하여 호흡 근육의 부피를 산출한 후, 이를 RMI(Respiratory Muscle Index)로 변환하여 출력한다.
학습 데이터 생성부(130)는 데이터 획득부(110)를 통해 상기의 데이터 셋트를 근감소증 정도에 따라 구분하여 획득 및 저장한다. 그리고 각 흉부 이미지에 대응되는 RMI를 흉부 이미지 분석부(120)를 통해 산출한다. 그리고 RMI, 신체 정보, 면역 정보, 영양 정보를 입력 조건으로 가지며, 근감소증 정도를 출력 조건으로 가지는 학습 데이터 다수개를 생성한다.
예측 모델 학습부(140)는 예측 모델(M)이 RMI, 면역 정보 및 영양 정보와 근감소증 간의 상관관계를 가지도록, 다수개의 학습 데이터를 통해 예측 모델(M)을 기계 학습시킨다.
본 발명에서 예측 모델(M)은 도 3에서와 같이 순환 신경망(RNN), 콘볼루션 신경망(CNN), 심층 신경망(DNN) 등과 같이 입력층, 은닉층 및 출력층으로 구성되는 인공 신경망으로 구현할 수 있으나, 이에 한정될 필요는 없다.
더하여, 기계 학습은 다수의 학습 데이터를 훈련 데이터, 검증 데이터, 시험 데이터로 분류한 후, 훈련 데이터를 통해서는 예측 모델(M)을 반복 학습시키고, 검증 데이터를 통해서는 정확도를 검증하면서 예측 모델(M)의 하이퍼파라미터를 튜닝(tuning)하고, 시험 데이터를 통해 예측 모델(M)의 성능을 평가한 후, 기 설정된 조건을 만족시키면 반복 학습을 종료하는 방식으로 수행될 수 있으나, 기계 학습의 구체적 방법은 차후 다양하게 변화될 수 있음 물론 당연하다.
분석 데이터 생성부(150)는 진단 대상 환자의 흉부 이미지, 신체 정보, 면역 정보 및 영양 정보를 데이터 획득부(110)를 통해 획득한 후, 흉부 이미지에 대응되는 RMI를 흉부 이미지 분석부(120)를 통해 산출한다. 그리고 RMI, 신체 정보, 면역 정보, 영양 정보를 입력 조건으로 가지며, 근감소증 정도를 출력 조건으로 가지는 분석 데이터를 생성한다.
근감소증 진단부(160)는 분석 데이터를 학습 완료된 예측 모델(M)에 입력하여 예측 모델(M)을 통해 현재 분석 데이터에 대응되는 근감소증 정도를 진단하고, 진단 결과를 저장 및 통보하거나, 담당 의료진 단말 및 병원 EMR 등과 같은 기 설정된 외부 장치에 제공하도록 한다.
도 4은 본 발명의 일 실시예에 따른 흉부 이미지 분석 방법을 설명하기 위한 도면이다.
먼저, 환자 흉부를 연속 촬영한 2차원의 흉부 이미지를 다수개 획득한다(S1).
그리고 호흡 근육 검출 알고리즘을 통해 흉부 이미지 각각을 호흡 근육만이 잔존하는 세그멘테이션 이미지로 변환한다(S2).
이때, 호흡 근육 검출 알고리즘은 흉부 이미지와 호흡 근육간의 상관관계가 사전 학습된 인공 지능망(예를 들어, U-Net 모델 또는 U-Net 모델에서 파생된 생성모델)으로 구현될 수 있으나, 이에 한정될 필요는 없다. 참고로, U-Net 모델은 네트워크의 형태가 알파벳 U와 비슷한 형태를 나타낸다고 하여 명명된 모델로, 이는 단순 분류(Classification)에서 더 나아가 국소화(Localization)까지 가능하여 의약분야의 세그멘테이션 네트워크로 자주 이용되고 있다.
그리고 세그멘테이션 이미지들을 3차원 이미지로 재구성한 후(S3), 3차원 이미지 상에서 호흡 근육이 차지하는 복셀 개수를 카운팅함으로써, 호흡 근육의 부피를 산출한다(S4).
그리고 호흡 근육의 부피를 기 설정된 변환 기준에 따라 RMI(Respiratory muscle index)로 변환하여 출력하도록 한다(S5). 예를 들어, RMI는 호흡 근육의 부피를 환자 신장의 제곱으로 나누는 방식으로 RMI 변환될 수 있으나, 이에 한정되지는 않는다.
*면적은 2차원 개념인데 반해 부피는 3차원 개념입니다. 이러한 경우에도, 호흡 근육의 부피를 환자 신장의 제곱으로 나누는 게 바람직한지 문의드립니다.
도 5는 본 발명의 일 실시예에 따른 예측 모델 학습 방법을 설명하기 위한 도면이다.
먼저, 학습 데이터 생성부(130)는 예측 모델 학습이 요청되면, 기 획득 및 저장된 의료 데이터로부터 흉부 이미지, 신체 정보, 면역 정보, 영양 정보, 및 근감소증 정도 중 적어도 하나를 데이터 셋트를 대용량으로 획득 및 저장한다(S11).
그리고 흉부 이미지 분석부(120)를 통해 데이터 셋트내 흉부 이미지 각각에 대응되는 RMI를 산출한다(S12).
그리고 RMI, 신체 정보, 면역 정보, 영양 정보를 입력 조건으로 가지며, 근감소증 정도를 출력 조건으로 가지는 대용량의 학습 데이터를 생성한 후(S13), 이들을 통해 예측 모델(M)이 RMI, 면역 정보 및 영양 정보와 근감소증 정도간의 상관관계를 가지도록 예측 모델(M)을 기계 학습시킨다(S14).
도 6은 본 발명의 일 실시예에 따른 접합성능 예측 방법을 보다 상세하게 설명하기 위한 도면이다.
예측 모델(M)의 학습이 완료된 상태에서, 진단 대상 환자의 흉부 이미지, 신체 정보, 면역 정보 및 영양 정보가 입력되면(S21), 분석 데이터 생성부(150)는 흉부 이미지 분석부(120)를 통해 흉부 이미지 각각에 대응되는 RMI를 산출한 후, RMI, 신체 정보, 면역 정보, 영양 정보를 입력 조건을 가지는 분석 데이터를 생성한다(S22).
그러면 근감소증 진단부(160)는 분석 데이터를 예측 모델(M)에 입력하여, 예측 모델(M)을 통해 현재의 입력 조건에 대응되는 근감소증 정도를 진단한 후(S23), 진단 결과를 저장 및 통보하거나, 기 설정된 외부 장치에 제공하도록 한다(S24).
이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형 실시가 가능한 것은 물론이고, 이러한 변형 실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.

Claims (7)

  1. 외부 장치와의 상호 연동을 통해 흉부 이미지, 신체 정보, 면역 정보, 영양 정보, 및 근감소증 정도 중 적어도 하나를 데이터 셋트로써 획득 및 저장하는 데이터 획득부;
    상기 흉부 이미지로부터 호흡 근육을 추출하고, 상기 호흡 근육의 부피에 기반하여 RMI(Respiratory Muscle Index)를 생성 및 출력하는 흉부 이미지 분석부;
    상기 데이터 셋트 다수개를 근감소증 정도에 따라 구분하여 획득 및 저장한 후, 데이터 셋트내 흉부 이미지 각각을 RMI로 대체하고, RMI, 신체 정보, 면역 정보, 영양 정보를 입력 조건으로 가지며, 근감소증 정도를 출력 조건으로 가지는 학습 데이터 다수개를 생성하는 학습 데이터 생성부;
    상기 학습 데이터 다수개를 통해 인공 신경망으로 구현된 예측 모델을 기계 학습시키는 예측 모델 학습부;
    진단 대상 환자의 흉부 이미지, 신체 정보, 면역 정보, 영양 정보가 획득되면, 흉부 이미지를 RMI로 대체한 후, RMI, 신체 정보, 면역 정보, 영양 정보를 포함하는 분석 데이터를 생성하는 분석 데이터 생성부; 및
    상기 예측 모델을 통해 상기 분석 데이터에 대응되는 근감소증 정도를 예측 및 통보하는 근감소증 진단부를 포함하는 흉부 이미지 기반 중증환자용 근감소증 진단 시스템.
  2. 제1항에 있어서, 상기 흉부 이미지는
    T3 및 T4 흉추를 기준으로 촬영되며, 대흉근, 늑간근, 견갑하근, 및 극하근의 호흡 근육이 존재하는 이미지인 것을 특징으로 하는 흉부 이미지 기반 중증환자용 근감소증 진단 시스템.
  3. 제1항에 있어서, 상기 면역 정보는
    림프구 수 (lymphocyte count), 중성구/림프구 비율 (neutrophil/ lymphocyte ratio) 중 적어도 하나를 포함한 정보인 것을 특징으로 하는 흉부 이미지 기반 중증환자용 근감소증 진단 시스템.
  4. 제1항에 있어서, 상기 영양 정보는
    체질량지수(BMI)나 혈중 알부민 콜레스테롤, 크리아티닌/Cystatin C 비율 (albumin, cholesterol, serum creatinine/serum cystatin C) 중 적어도 하나를 포함한 정보인 것을 특징으로 하는 흉부 이미지 기반 중증환자용 근감소증 진단 시스템.
  5. 제1항에 있어서, 상기 신체 정보는
    나이, 성별, 신장, 몸무게, 질환 이력 중 적어도 하나를 포함한 정보인 것을 특징으로 하는 흉부 이미지 기반 중증환자용 근감소증 진단 시스템.
  6. 제1항에 있어서, 상기 예측 모델은
    인공 신경망으로 구현되는 것을 특징으로 하는 흉부 이미지 기반 중증환자용 근감소증 진단 시스템.
  7. 기 획득 및 저장된 의료 데이터로부터 환자의 흉부 이미지, 신체 정보, 면역 정보, 영양 정보, 및 근감소증 정도로 구성되는 다수의 데이터 셋트를 획득하되, 상기 흉부 이미지 각각은 이미지 처리하여 RMI(Respiratory Muscle Index)로 대체하는 단계;
    RMI, 신체 정보, 면역 정보, 영양 정보를 입력 조건으로 가지며, 근감소증 정도를 출력 조건으로 가지는 학습 데이터 다수개를 생성하고, 학습 데이터 다수개를 통해 인공 신경망으로 구현된 예측 모델을 기계 학습시키는 단계;
    진단 대상 환자의 흉부 이미지, 신체 정보, 면역 정보, 영양 정보가 획득되면, 흉부 이미지에 대응되는 RMI를 산출한 후, RMI, 신체 정보, 면역 정보, 영양 정보를 포함하는 분석 데이터를 생성하는 단계; 및
    상기 예측 모델을 통해 상기 분석 데이터에 대응되는 근감소증 정도를 예측 및 통보하는 단계를 포함하며,
    상기 예측 모델은
    인공 신경망으로 구현되는 것을 특징으로 하는 흉부 이미지 기반 중증환자용 근감소증 진단 방법.
PCT/KR2022/012622 2022-08-24 2022-08-24 흉부 이미지 기반 중증환자용 근감소증 진단 시스템 및 방법 WO2024043356A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/KR2022/012622 WO2024043356A1 (ko) 2022-08-24 2022-08-24 흉부 이미지 기반 중증환자용 근감소증 진단 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2022/012622 WO2024043356A1 (ko) 2022-08-24 2022-08-24 흉부 이미지 기반 중증환자용 근감소증 진단 시스템 및 방법

Publications (1)

Publication Number Publication Date
WO2024043356A1 true WO2024043356A1 (ko) 2024-02-29

Family

ID=90013604

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/012622 WO2024043356A1 (ko) 2022-08-24 2022-08-24 흉부 이미지 기반 중증환자용 근감소증 진단 시스템 및 방법

Country Status (1)

Country Link
WO (1) WO2024043356A1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200108686A (ko) * 2019-03-11 2020-09-21 가천대학교 산학협력단 딥러닝 알고리즘을 이용한 근감소증 분석 프로그램 및 애플리케이션
KR20200120076A (ko) * 2019-04-11 2020-10-21 경상대학교산학협력단 기계학습을 이용한 근감소증 예측장치
KR20230020032A (ko) * 2021-08-02 2023-02-10 원광대학교산학협력단 흉부 이미지 기반 중증환자용 근감소증 진단 시스템 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200108686A (ko) * 2019-03-11 2020-09-21 가천대학교 산학협력단 딥러닝 알고리즘을 이용한 근감소증 분석 프로그램 및 애플리케이션
KR20200120076A (ko) * 2019-04-11 2020-10-21 경상대학교산학협력단 기계학습을 이용한 근감소증 예측장치
KR20230020032A (ko) * 2021-08-02 2023-02-10 원광대학교산학협력단 흉부 이미지 기반 중증환자용 근감소증 진단 시스템 및 방법

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LIN JI, ZHANG WEITENG, HUANG YUNSHI, CHEN WEISHENG, WU RUISEN, CHEN XIAODONG, LOU NENG, WANG PENGFEI: "Sarcopenia is associated with the neutrophil/lymphocyte and platelet/lymphocyte ratios in operable gastric cancer patients: a prospective study", CANCER MANAGEMENT AND RESEARCH, DOVE MEDICAL PRESS LTD., GB, vol. Volume 10, 1 January 2018 (2018-01-01), GB , pages 4935 - 4944, XP093142371, ISSN: 1179-1322, DOI: 10.2147/CMAR.S175421 *
NAGANO A.; WAKABAYASHI HIDETAKA; MAEDA K.; KOKURA Y.; MIYAZAKI S.; MORI T.; FUJIWARA D.: "Respiratory Sarcopenia and Sarcopenic Respiratory Disability: Concepts, Diagnosis, and Treatment", THE JOURNAL OF NUTRITION, HEALTH, SPRINGER PARIS, PARIS, vol. 25, no. 4, 1 January 1900 (1900-01-01), Paris, pages 507 - 515, XP037417032, ISSN: 1279-7707, DOI: 10.1007/s12603-021-1587-5 *
NAKANISHI SHUHEI, IWAMOTO MASAHIRO, SHINOHARA HISANORI, IWAMOTO HIDEYUKI, KANETO HIDEAKI: "Significance of body mass index for diagnosing sarcopenia is equivalent to slow gait speed in Japanese individuals with type 2 diabetes: Cross‐sectional study using outpatient clinical data", JOURNAL OF DIABETES INVESTIGATION, WILEY-BLACKWELL PUBLISHING ASIA, AUSTRALIA, vol. 12, no. 3, 1 March 2021 (2021-03-01), Australia , pages 417 - 424, XP093142373, ISSN: 2040-1116, DOI: 10.1111/jdi.13366 *

Similar Documents

Publication Publication Date Title
WO2018155765A1 (ko) 컴퓨터 단층촬영 영상에서 플라크를 분석하기 위한 방법 및 장치
WO2021060700A1 (ko) 비디오투시 연하검사 판독 장치 및 방법
WO2022158654A1 (ko) 의료영상을 이용한 인체성분 분석 방법 및 그 장치
WO2019098415A1 (ko) 자궁경부암에 대한 피검체의 발병 여부를 판정하는 방법 및 이를 이용한 장치
Emokpae et al. Smart multimodal telehealth-IoT system for COVID-19 patients
WO2023022507A1 (ko) 2개 유도의 비동시적 심전도를 기반으로 동시적 심전도를 생성하는 방법
WO2014084441A1 (ko) 가속도 센서를 이용한 환자분석 장치 및 방법
Almeida et al. Lung ultrasound for point-of-care COVID-19 pneumonia stratification: computer-aided diagnostics in a smartphone. First experiences classifying semiology from public datasets
WO2020179950A1 (ko) 딥러닝 기반 뇌 질환 진행 예측 방법 및 장치
Masadeh et al. An efficient machine learning-based COVID-19 identification utilizing chest X-ray images
Enireddy et al. Detection of COVID-19 using hybrid ResNet and SVM
KR102701543B1 (ko) 흉부 이미지 기반 중증환자용 근감소증 진단 시스템 및 방법
Prasad et al. An approach to detect COVID-19 disease from CT scan images using CNN-VGG16 model
WO2024043356A1 (ko) 흉부 이미지 기반 중증환자용 근감소증 진단 시스템 및 방법
WO2022010075A1 (ko) 의료영상을 기초로 인체 조직을 분석하는 방법 및 그 장치
WO2019132067A1 (ko) 의료 정보 제공 시스템
Teli TeliNet: Classifying CT scan images for COVID-19 diagnosis
WO2023027248A1 (ko) 데이터 생성 방법 및 이를 이용한 학습방법 및 장치
Wibowo Classification of Lung Opacity, COVID-19, and Pneumonia from Chest Radiography Images Based on Convolutional Neural Networks
WO2022119325A1 (ko) 두부단순촬영 영상을 활용한 수면 무호흡증 진단 보조 시스템 및 이를 이용한 진단 보조 정보의 제공 방법
Noor et al. Deep Feature Detection Approach for COVID-19 Classification based on X-ray Images
Fahad et al. Diagnosis of COVID-19 based on artificial intelligence models and physiological sensors
Naskinova On convolutional neural networks for chest X-ray classification
Remaigui et al. A New Deep Learning Architecture for Pneumonia Detection in Pediatrics
Xiao et al. Denxfpn: pulmonary pathologies detection based on dense feature pyramid networks

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: 22956562

Country of ref document: EP

Kind code of ref document: A1