WO2024090677A1 - 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법 및 분석장치 - Google Patents

대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법 및 분석장치 Download PDF

Info

Publication number
WO2024090677A1
WO2024090677A1 PCT/KR2022/021527 KR2022021527W WO2024090677A1 WO 2024090677 A1 WO2024090677 A1 WO 2024090677A1 KR 2022021527 W KR2022021527 W KR 2022021527W WO 2024090677 A1 WO2024090677 A1 WO 2024090677A1
Authority
WO
WIPO (PCT)
Prior art keywords
region
dementia
extracerebral
cerebrospinal fluid
interest
Prior art date
Application number
PCT/KR2022/021527
Other languages
English (en)
French (fr)
Inventor
서상원
장혜민
박유현
구형연
Original Assignee
사회복지법인 삼성생명공익재단
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 사회복지법인 삼성생명공익재단 filed Critical 사회복지법인 삼성생명공익재단
Publication of WO2024090677A1 publication Critical patent/WO2024090677A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume

Definitions

  • the technology described below is a technique for calculating dementia-related information based on brain images.
  • Dementia is a syndrome that causes loss of cognitive functions such as memory, language, and judgment.
  • cognitive functions such as memory, language, and judgment.
  • dementia dementia
  • Alzheimer's disease is the most common form of dementia.
  • Dementia is a disease that progresses over a long period of time, and its pathology accumulates even before clinical symptoms appear. Therefore, early diagnosis of dementia is very important in delaying the onset of dementia symptoms and managing them.
  • Brain imaging such as MRI (Magnetic Resonance Imaging) and PET (positron emission tomography) is used to diagnose dementia.
  • cerebral cortex thickness is used as a factor related to dementia.
  • cerebral cortex thickness has some limitations as an accurate indicator for diagnosing dementia.
  • the technology described below seeks to provide a technique for calculating dementia-related information based on other regions of interest that can be extracted from brain images instead of the cerebral cortex.
  • the method for calculating dementia-related indicators based on the volume of the extracerebral cerebrospinal fluid region includes the steps of an analysis device receiving a brain image of a subject, and the analysis device selecting a region of interest from the brain image. It includes a step of classifying, calculating the volume or area of the region of interest by the analysis device, and calculating a dementia-related index for the subject based on the volume or area by the analysis device.
  • the method of calculating a dementia-related index based on the volume of the extracerebral cerebrospinal fluid area includes the steps of an analysis device receiving a brain image of a subject, the analysis device classifying a region of interest in the brain image, and the analysis device determining the region of interest in the brain image. It includes the step of inputting a region into a pre-trained learning model to calculate a dementia-related index for the subject.
  • the analysis device for calculating dementia-related indicators includes an input device that receives a subject's brain image, and a calculation device that classifies a region of interest in the brain image and calculates a dementia-related index based on the region of interest.
  • the region of interest includes the extracerebral cerebrospinal fluid region.
  • the technique described below provides an estimate of the degree of brain atrophy in brain imaging, focusing on areas of extracerebral cerebrospinal fluid that are clearly distinct from other brain structures. Therefore, the technology described below can provide robust dementia-related information regardless of differences in characteristics of imaging equipment.
  • Figure 1 is an example of estimating cerebral cortex thickness from a medical image.
  • Figure 2 is an example of a system that calculates dementia-related indicators by analyzing brain images.
  • Figure 3 is an example of a process for calculating dementia-related indicators by analyzing brain images.
  • Figure 4 is an example of the process of calculating dementia-related indicators based on the extracerebral cerebrospinal fluid area and ventricular area.
  • Figure 5 shows the evaluation results of the relevance of the lateral ventricle and extracerebral cerebrospinal fluid region to dementia evaluation.
  • Figure 6 shows the evaluation results of the relevance of extracerebral cerebrospinal fluid sub-regions to dementia evaluation.
  • Figure 7 shows the performance evaluation results of a classifier built based on the lateral ventricle and extracerebral cerebrospinal fluid area.
  • Figure 8 shows the performance evaluation results of a classifier that additionally used patient information in the model of Figure 7.
  • Figure 9 shows the performance evaluation results of a classifier using patient information in the lateral ventricle and extracerebral cerebrospinal fluid sub-regions.
  • Figure 10 is an example of the process of calculating dementia-related indicators using a learning model.
  • Figure 11 is an example of an analysis device that calculates dementia-related indicators.
  • first, second, A, B, etc. may be used to describe various components, but the components are not limited by the terms, and are only used for the purpose of distinguishing one component from other components. It is used only as For example, a first component may be named a second component without departing from the scope of the technology described below, and similarly, the second component may also be named a first component.
  • the term and/or includes any of a plurality of related stated items or a combination of a plurality of related stated items.
  • each component is responsible for. That is, two or more components, which will be described below, may be combined into one component, or one component may be divided into two or more components for more detailed functions.
  • each of the components described below may additionally perform some or all of the functions handled by other components, and some of the main functions handled by each component may be performed by other components. Of course, it can also be carried out exclusively by .
  • each process that makes up the method may occur in a different order from the specified order unless a specific order is clearly stated in the context. That is, each process may occur in the same order as specified, may be performed substantially simultaneously, or may be performed in the opposite order.
  • FIG. 1 is an example of estimating cerebral cortex thickness from a medical image.
  • Figure 1 is an example of measuring or estimating the thickness of the cerebral cortex from an MRI image.
  • the cerebral cortex corresponds to the gray area between the white solid and dotted lines. Therefore, the thickness of the cerebral cortex can be accurately measured only when the white area inside the solid white line and the gray area between the solid white line and the dotted line are clearly distinguished.
  • medical imaging equipment is provided by various vendors, and even equipment produced by the same vendor may have different parameters for image generation depending on the type of equipment.
  • the population includes 605 participants in the normal group and 616 participants in the dementia group who were examined at Samsung Seoul Hospital from 2015 to 2021. All participants underwent dementia evaluation, including brain MRI and amyloid PET.
  • the normal group consisted of amyloid-negative subjects
  • the dementia group consisted of amyloid-positive subjects.
  • Table 1 above shows the results of measuring the subjects' cerebral cortex thickness using imaging equipment Archieva and Ingenia from the same manufacturer (Philips) used at the medical institution to which the researchers belong.
  • Aß(-) NC refers to a normal control group without amyloid beta accumulation
  • Aß(+) ADD refers to a group of Alzheimer's patients with amyloid beta accumulation.
  • MRI images taken with achieva and ingenia devices are used.
  • cerebral cortical thickness There was no significant difference in cerebral cortical thickness.
  • Aß(-) NC there was a significant difference in the temporal and occipital measurements of the two devices. In other words, as the researchers expected, the measured cerebral cortex thickness was somewhat different when the types of medical devices were different even from the same vendor. This is because there are differences in parameter values set for different video equipment.
  • Extracerebral cerebrospinal fluid (Extracerebral CSF) are shown.
  • the extracerebral cerebrospinal fluid area is the gyrus and the sulcus area between the gyri.
  • Extracerebral cerebrospinal fluid areas appear black or very dark on MRI images.
  • the extracerebral cerebrospinal fluid area corresponds to a visually distinct area compared to the gray cerebral cortex area on MRI. Therefore, it can be assumed that the extracerebral cerebrospinal fluid area will be an area that can be relatively accurately distinguished by an image processing technique or segmentation model of a computer device.
  • Table 2 above shows the results of measuring the length (or size) of the extracerebral cerebrospinal fluid area using the Achieva and Ingenia devices for the population described in Table 1. Looking at the results in Table 2, there was no significant difference in the length of the extracerebral cerebrospinal fluid area between the two devices in Aß(+) ADD and Aß(-) NC. In other words, as predicted by the researchers, it can be assumed that the extracerebral cerebrospinal fluid area has distinct imaging characteristics compared to the cerebral cortex area.
  • the thickness of the cerebral cortex is an indicator of the degree of brain atrophy. As the degree of atrophy becomes more severe, the thickness of the cerebral cortex becomes thinner. Additionally, the size of the extracerebral cerebrospinal fluid area also correlates with the degree of brain atrophy. As the degree of atrophy becomes more severe, the size of the extracerebral cerebrospinal fluid area increases.
  • dementia refers to Alzheimer's dementia.
  • the technology described below is a technology for diagnosing dementia or predicting the possibility of developing dementia, focusing on the extracerebral cerebrospinal fluid area.
  • the size of the extracerebral cerebrospinal fluid area can be evaluated by the gap or distance between gyri. Alternatively, the size of the extracerebral cerebrospinal fluid area can be assessed by the area of a specific sulcus. The size of the area can be calculated from a 2D (dimension) image. Alternatively, the size of the extracerebral cerebrospinal fluid area can be evaluated by the volume of a specific sulcus. Volume can be calculated from a 3D image or 2D slices.
  • Analysis devices may take the form of computer devices such as PCs, smart devices, network servers, and chipsets dedicated to data processing.
  • the analysis device can calculate the size or volume of a specific extracerebral cerebrospinal fluid area in a brain image using traditional image processing techniques. Alternatively, the analysis device may calculate the size or volume of a specific extracerebral cerebrospinal fluid area using a deep learning network type model. The analysis device can calculate the degree of brain atrophy based on the size or volume of the extracerebral cerebrospinal fluid area. Furthermore, the analysis device can analyze brain images and calculate dementia diagnosis or prediction results for the subject.
  • the analysis device analyzes brain images and calculates dementia-related indicators.
  • dementia-related indicators correspond to information or factors related to the progression of dementia.
  • Dementia-related indicators are the size or volume of the extracerebral cerebrospinal fluid area, the degree of brain atrophy assessed by the size or volume of the extracerebral cerebrospinal fluid area, and the presence or absence of dementia (or dementia) assessed by the size/volume (or degree of brain atrophy) of the extracerebral cerebrospinal fluid area. It may include at least one piece of information including the degree of progress.
  • Figure 2 is an example of a system 100 that calculates dementia-related indicators by analyzing brain images.
  • Figure 2 shows an example in which the analysis device is a computer terminal 130 and a server 140.
  • Medical imaging equipment 110 generates brain images (eg, MRI images) for a patient. Brain images generated by the medical imaging equipment 110 may be stored in a separate database, such as an Electronic Medical Record (EMR) 120.
  • EMR Electronic Medical Record
  • the user (A) can obtain dementia-related indicators by analyzing brain images using the computer terminal 130.
  • the computer terminal 130 may receive a brain image of a specific subject from the medical imaging equipment 110 or the EMR 120 through a wired or wireless network. In some cases, the computer terminal 130 may be a device physically connected to the medical imaging equipment 110.
  • the computer terminal 130 extracts the extracerebral cerebrospinal fluid region from the brain image.
  • the computer terminal 130 can calculate dementia-related indicators based on the extracerebral cerebrospinal fluid area.
  • the computer terminal 130 can estimate the size or volume of the extracerebral cerebrospinal fluid area.
  • the computer terminal 130 can estimate the degree of brain atrophy according to the size or volume of the extracerebral cerebrospinal fluid area.
  • the computer terminal 130 can estimate the presence of dementia, the possibility of dementia onset, or the degree of dementia progression, etc., depending on the size/volume of the extracerebral cerebrospinal fluid area or the degree of brain atrophy.
  • User A can check the analysis results on the computer terminal 130.
  • the server 140 may receive a brain image of a specific subject from the medical imaging equipment 110 or the EMR 120.
  • the server 140 extracts the extracerebral cerebrospinal fluid area from the brain image.
  • the server 140 may calculate dementia-related indicators based on the extracerebral cerebrospinal fluid area.
  • the server 140 may estimate the size or volume of the extracerebral cerebrospinal fluid area.
  • the server 140 can estimate the degree of brain atrophy according to the size or volume of the extracerebral cerebrospinal fluid area.
  • the server 140 can estimate the presence of dementia, the possibility of dementia onset, or the degree of dementia progression, etc., depending on the size/volume of the extracerebral cerebrospinal fluid area or the degree of brain atrophy.
  • the server 140 may transmit the results of analyzing the brain image to user A's terminal. User A can check the analysis results through the user terminal.
  • the computer terminal 130 and/or server 140 may store the analysis results in the EMR 120.
  • Figure 3 is an example of a process 200 for calculating dementia-related indicators by analyzing brain images.
  • the analysis device receives the subject's brain image (MRI image) (210).
  • the analysis device can consistently preprocess the input brain image data (220).
  • Data preprocessing may be a process of generating a mask by extracting the brain structure surface structure or model from the input image.
  • the analysis device can extract the entire brain region from a brain MRI image using the CIVET pipeline.
  • the analysis device can extract brain regions from MRI slices.
  • the analysis device can extract brain regions in a three-dimensional form by extracting brain regions from consecutive MRI slices.
  • the analysis device can generate a mask of the entire brain region from the brain image.
  • the analysis device can create a mask of a specific area in the brain image.
  • the specific region may include at least one of an extracerebral cerebrospinal fluid region, an extracerebral cerebrospinal fluid sub-region, a ventricle region, and a ventricular sub-region.
  • the extracerebral cerebrospinal fluid sub-region and ventricular sub-region are described later.
  • the data preprocessing process for mask creation may be an optional process. If a technique for automatically extracting ROI (region of interest) is used among image processing techniques, the analysis device may not prepare a mask in advance.
  • the analysis device can segment the entire brain region from the subject's brain image (230).
  • the analysis device can segment the entire brain region using the mask prepared during the data preprocessing process.
  • the analysis device can segment the entire brain region using a segmentation model.
  • the analysis device can segment ROI in the entire brain region (240).
  • the analysis device can segment the ROI using a mask prepared during the data preprocessing process.
  • the analysis device can segment the ROI using a segmentation model.
  • the ROI includes the extracerebral cerebrospinal fluid area.
  • the ROI may include areas other than the extracerebral cerebrospinal fluid area.
  • the ROI may be composed of sub-regions that can be extracted from the extracerebral cerebrospinal fluid region. Specific ROI will be described later.
  • the analysis device can calculate the volume for the divided ROI (250).
  • the analysis device can calculate the volume of the 3D ROI using a commercial program or algorithm. Meanwhile, the analysis device can also calculate the area for the two-dimensional ROI in the MRI slice. The analysis device can calculate the area of the ROI in all slices or in a specific selected slice.
  • the analysis device can estimate the degree of brain atrophy based on the volume or area of the ROI (260).
  • the dementia-related indicator in Figure 3 is the degree of brain atrophy.
  • the volume of the ROI or the area of a specific point(s) has a certain correlation with the degree of brain atrophy.
  • the correlation between the volume (or area) of the ROI and the degree of brain atrophy can be prepared in advance in the form of a table.
  • the analysis device can estimate the degree of the subject's right brain axis based on the volume (or area) of the calculated ROI.
  • the analysis device can estimate the degree of the subject's right brain axis using a function that has the volume (or area) of the calculated ROI as a variable.
  • the function may be a public formula.
  • the function may be a formula prepared in advance through regression analysis.
  • the ROI includes the extracerebral cerebrospinal fluid area. Furthermore, the ROI may include at least some of the individual sub-regions of the extracerebral cerebrospinal fluid region. Additionally, the ROI may also include ventricular areas that are relatively distinct because they are not white or gray on MRI. Furthermore, the ROI may include at least some of the individual sub-regions of the ventricular region. The ROI may be any one of the various areas or any of the possible combinations of the various areas. ROI candidates are shown in Table 3 below.
  • Extracerebral CSF Extracerebral cerebrospinal fluid area
  • Extracerebral CSF Extracerebral cerebrospinal fluid area
  • frontal 1-2.temporal
  • 1-3.parietal 1-4.occipital (occipital)
  • Ventricle ventricular area
  • 2-1.lateral lateral ventricle
  • 2-2.third third ventricle
  • Possible ROIs include: (i) The ROI may be at least one of the entire extracerebral cerebrospinal fluid region and the entire ventricular region. (ii) Additionally, the ROI may be at least one of the entire extracerebral cerebrospinal fluid region and ventricular sub-regions. (iii) Additionally, the ROI may be at least one of extracerebral cerebrospinal fluid sub-regions and the entire ventricular region. (iv) Additionally, the ROI may be at least one of extracerebral cerebrospinal fluid sub-regions and ventricular sub-regions.
  • Figure 4 is an example of a process 300 for calculating dementia-related indicators based on the extracerebral cerebrospinal fluid area and ventricular area.
  • Figure 4 is an example of calculating a dementia-related index using sub-regions of ROI.
  • the analysis device receives the subject's brain image (MRI image) (310).
  • the analysis device can consistently preprocess the input brain image data (320).
  • Data preprocessing may be a process of generating a mask by extracting the brain structure surface structure or model from the input image.
  • the analysis device can create a mask of the entire brain region from brain images. Additionally, the analysis device can create a mask of a specific area in the brain image.
  • the specific region may include at least one of an extracerebral cerebrospinal fluid region, an extracerebral cerebrospinal fluid sub-region, a ventricular region, and a ventricular sub-region.
  • the data preprocessing process for mask creation may be an optional process. If a technique for automatically extracting ROI is used among image processing techniques, the analysis device may not prepare a mask in advance.
  • the analysis device can segment the entire ROI area in the subject's brain image (330).
  • the analysis device can segment the entire brain region using the mask prepared during the data preprocessing process.
  • the analysis device can segment the entire brain region using a segmentation model.
  • the analysis device can segment specific ROIs across entire brain regions.
  • the analysis device may segment at least one of the extracerebral cerebrospinal fluid sub-regions using a mask (340). Additionally, the analysis device may segment at least one of the ventricular sub-regions using a mask (350).
  • the analysis device may segment the target ROI using a segmentation model.
  • the analysis device can calculate the volume for the divided ROI (360).
  • the analysis device can calculate the volume of the 3D ROI using a commercial program or algorithm. Meanwhile, the analysis device can also calculate the area for the two-dimensional ROI in the MRI slice. The analysis device can calculate the area of the ROI in all slices or in a specific selected slice.
  • the analysis device can normalize each brain region using the subject's entire brain volume (Intracranial Volume: ICV) (370).
  • the analysis device can constantly correct the size or volume of the target ROI based on ICV.
  • the ICV-based correction process may be an optional process.
  • the analysis device can estimate the degree of brain atrophy based on the volume or area of the ROI (380).
  • the analysis device can estimate the degree of brain atrophy based on the volume or area corrected based on ICV. For example, the analysis device can normalize the volume by dividing the volume (or area) of the ROI by the ICV.
  • the dementia-related indicator in Figure 4 is the degree of brain atrophy.
  • the analysis device can estimate the degree of brain atrophy of the subject by comparing the volume (or area) of the calculated ROI with a previously prepared reference. Alternatively, the analysis device can estimate the degree of brain atrophy of the subject using a function that has the volume (or area) of the calculated ROI as a variable.
  • FIG. 5 shows the evaluation results of the relevance of the lateral ventricle and extracerebral cerebrospinal fluid region to dementia evaluation.
  • A(-) NC is a normal group without amyloid beta accumulation
  • A(+) ADD is an Alzheimer's patient group with amyloid beta accumulation.
  • each of the lateral ventricle area and the extracerebral cerebrospinal fluid area can be an ROI.
  • the lateral ventricle area can be an indicator to distinguish between the normal group and the patient group (p ⁇ 0.001).
  • the total extracerebral cerebrospinal fluid area can also be an indicator to distinguish between the normal group and the patient group (p ⁇ 0.001).
  • FIG 6 shows the evaluation results of the relevance of extracerebral cerebrospinal fluid sub-regions to dementia evaluation.
  • Extracerebral cerebrospinal fluid subregions include the frontal (F), temporal (T), parietal (P), and occipital (O) regions.
  • A(-) NC is a normal group without amyloid beta accumulation
  • A(+) ADD is an Alzheimer's patient group with amyloid beta accumulation.
  • each extracerebral cerebrospinal fluid sub-region can be an ROI (p ⁇ 0.001).
  • the classifier was implemented as a machine learning model.
  • the classifier may be implemented as another model, such as a deep learning model.
  • Figure 7 shows the performance evaluation results of a classifier built based on the lateral ventricle and extracerebral cerebrospinal fluid area.
  • Figure 7 shows the performance of two models (Model 1 and Model 2).
  • Model 1 and Model 2 are models that calculate dementia-related indicators using only brain images.
  • Model 1 is a model that uses the lateral ventricle and the entire extracerebral cerebrospinal fluid area as ROI.
  • the model uses the lateral ventricle and extracerebral cerebrospinal fluid sub-regions as ROI.
  • the AUC (Area Under the ROC Curve) of Model 1 was 0.808.
  • the extracerebral cerebrospinal fluid subregions used in Model 2 are the frontal region (F), temporal region (T), parietal region (P), and occipital region (O).
  • the AUC (Area Under the ROC Curve) of the model was 0.854. Although Model 2 had slightly higher performance than Model 1, it can be seen that both Model 1 and Model 2 were sufficiently significant for diagnosing or predicting dementia.
  • Figure 8 shows the performance evaluation results of a classifier using additional patient information in the lateral ventricle and the entire extracerebral cerebrospinal fluid region.
  • Figure 8 shows the performance of two models (Model 3 and Model 4).
  • Model 3 and Model 4 are models that calculate dementia-related indicators using brain images and patient information.
  • Model 3 and Model 4 are pre-trained models using brain images and patient information.
  • Model 3 is a model that uses additional patient information (age, gender, education level) in Model 1.
  • Model 3 is a model that calculates dementia-related indicators using (i) the lateral ventricle and the entire extracerebral cerebrospinal fluid area extracted from brain images, and (ii) patient information (age, gender, education level).
  • the AUC of Model 3 was 0.829.
  • Model 4 is a model that uses additional patient information (age, gender, education level) and clinical information (APOE e4) in Model 1.
  • Model 3 uses (i) the lateral ventricle and the entire extracerebral cerebrospinal fluid area extracted from brain images, (ii) patient information (age, gender, education level), and (iii) patient clinical information (APOE e4) to create dementia-related indicators. It is a model that calculates .
  • APOE e4 refers to genotype information of genes related to dementia.
  • the AUC of Model 4 was 0.883.
  • Model 3 and Model 4 had higher performance than Model 1. Therefore, it can be seen that both Model 3 and Model 4 are sufficiently significant for diagnosing or predicting dementia.
  • Figure 9 shows the performance evaluation results of a classifier using patient information in the lateral ventricle and extracerebral cerebrospinal fluid sub-regions.
  • Figure 9 shows the performance of two models (Model 5 and Model 6).
  • Model 5 and Model 6 are models that calculate dementia-related indicators using brain images and patient information.
  • Model 5 and Model 6 are pre-trained models using brain images and patient information.
  • Model 5 calculates dementia-related indicators using (i) ventricular sub-regions and extracerebral cerebrospinal fluid sub-regions (F, P, T, O) extracted from brain images and (ii) patient information (age, gender, education level) It is a model that does.
  • the AUC of Model 5 was 0.889.
  • Model 6 consists of (i) ventricular sub-regions and extracerebral cerebrospinal fluid sub-regions (F, P, T, O) extracted from brain images, (ii) patient information (age, gender, education level), and (iii) patient clinical information ( This is a model that calculates dementia-related indicators using APOE e4).
  • the AUC of Model 6 was 0.932.
  • Model 5 and Model 6 had higher performance than Model 2. Therefore, it can be seen that both Model 5 and Model 6 are sufficiently significant for diagnosing or predicting dementia.
  • the ROIs related to dementia-related indicators are (i) the entire extracerebral cerebrospinal fluid area, (ii) all sub-regions of the extracerebral cerebrospinal fluid area, (iii) some of the sub-regions of the extracerebral cerebrospinal fluid area, and (iv) the entire extracerebral cerebrospinal fluid area.
  • Figure 10 is an example of a process 400 for calculating dementia-related indicators using a learning model.
  • Figure 10 shows a case where a learning model is used for both the process of extracting ROI from a brain MRI image and the process of predicting dementia-related indicators based on ROI.
  • the analysis device receives the subject's brain image (MRI image) (410).
  • the analysis device may input the input brain image into a previously learned segmentation model (420).
  • Segmentation models can be implemented as models of various types or structures.
  • the segmentation model may be a U-net-based model.
  • the segmentation model can segment various ROIs according to their type or learning process.
  • the segmentation model can segment ROI in 3D brain images.
  • the segmentation model may segment the ROI in two-dimensional individual slices. As described above, ROI may use some of various areas. Segmentation models can be prepared in advance for each specific ROI.
  • the segmentation model may be (i) a model that segments the entire extracerebral cerebrospinal fluid area, (ii) a model that segments at least some of the extracerebral cerebrospinal fluid sub-regions, (iii) a model that segments the entire extracerebral cerebrospinal fluid area + the lateral ventricle area. , (iv) at least some of the extracerebral cerebrospinal fluid sub-regions + a model for dividing the lateral ventricle region, etc.
  • the segmentation model can be built in advance as a model that divides any one of various ROIs according to the learning data and learning process.
  • the analysis device can obtain the results (ROI classification) output by the segmentation model (430).
  • a classification model is a model that calculates dementia-related indicators by inputting images or images and patient information.
  • the classification model is a machine learning model. Accordingly, the classification model may be any one of various types of models.
  • the classification model is one of decision tree, RF (random forest), KNN (K-nearest neighbor), Naive Bayes, SVM (support vector machine), ANN (artificial neural network), regression model, etc. It may be a model implemented in a manner.
  • ANN artificial neural network
  • the classification model may be a CNN (Convolutional Neural Network)-based model.
  • the analysis device can obtain dementia-related indicators output by the classification model (450).
  • Dementia-related indicators may be information such as the volume of the ROI, the degree of brain atrophy, or the degree of dementia progression.
  • the classification model can calculate dementia-related indicators using only ROI. Additionally, the classification model can calculate dementia-related indicators by inputting ROI and patient information (age, gender, education level, etc.) into the classification model. Furthermore, the classification model can calculate dementia-related indicators by inputting ROI, patient information (age, gender, education level, etc.), and clinical information (APOE e4, etc.) into the classification model.
  • a learning model may be used for either the process of extracting ROI or the process of predicting dementia-related indicators. That is, (i) the analysis device can extract the ROI using a segmentation model and estimate the degree of brain atrophy by calculating the volume of the extracted ROI. Volume calculation and determination of the degree of brain atrophy are as described in Figures 3 and 4. Alternatively, (ii) the analysis device may extract an ROI using a mask and input the extracted ROI into the classification model of FIG. 10 to calculate a dementia-related index. The process of extracting ROI using a mask is the same as described in FIGS. 3 and 4.
  • FIG 11 is an example of an analysis device 500 that calculates dementia-related indicators.
  • the analysis device 500 corresponds to the above-described analysis devices (130 and 140 in FIG. 1).
  • the analysis device 500 may be physically implemented in various forms.
  • the analysis device 500 may take the form of a computer device such as a PC, a network server, or a chipset dedicated to data processing.
  • the analysis device 500 may include a storage device 510, a memory 520, an arithmetic device 530, an interface device 540, a communication device 550, and an output device 560.
  • the storage device 510 may store a subject's brain image (MRI image) generated by medical imaging equipment.
  • MRI image a subject's brain image generated by medical imaging equipment.
  • the storage device 510 can store patient information and clinical information about the subject. Patient information and clinical information are as described above.
  • the storage device 510 may store a code or program that calculates dementia-related indicators from brain images.
  • the storage device 510 may store mask(s) extracted from brain images.
  • the storage device 510 may store a segmentation model for extracting ROI from a brain image.
  • the segmentation model is a pre-trained model.
  • the storage device 510 may receive ROI as input and store a classification model that calculates dementia-related indicators.
  • the classification model is a pre-trained model.
  • the storage device 510 may store dementia-related indicators for the subject.
  • the memory 520 may store data and information generated while the analysis device 500 calculates dementia-related indicators from brain images.
  • the interface device 540 is a device that receives certain commands and data from the outside.
  • the interface device 540 may receive the subject's brain image from a physically connected input device or an external storage device.
  • the interface device 540 may receive patient information and/or clinical information of a subject from a physically connected input device or an external storage device.
  • the interface device 540 may transmit dementia-related indicators calculated based on brain images to an external object.
  • the communication device 550 refers to a configuration that receives and transmits certain information through a wired or wireless network.
  • the communication device 550 may receive a subject's brain image from an external object.
  • the communication device 550 may receive patient information and/or clinical information of a subject from an external object.
  • the communication device 550 may transmit dementia-related indicators calculated based on brain images to an external object such as a user terminal.
  • the interface device 540 and the communication device 550 are components that exchange certain data with a user or other physical object, they can also be collectively referred to as input/output devices. If limited to information or data input functions, the interface device 540 and communication device 550 may be referred to as input devices.
  • the output device 560 is a device that outputs certain information.
  • the output device 560 can output an interface required for the data processing process, a brain image, an ROI divided from the brain image, and dementia-related indicators calculated based on the ROI.
  • the computing device 530 may constantly preprocess the subject's brain image.
  • the data preprocessing process is as described in FIG. 3.
  • the computing device 530 may generate mask(s) for dividing the entire brain region and ROI through a data pre-processing process.
  • the computing device 530 may segment the entire brain region in the brain image using a mask for the entire brain region. Furthermore, the computing device 530 may segment the target ROI in the entire brain region using a mask for a specific ROI. ROI may vary as described above. For example, the ROI may be any one of the entire extracerebral cerebrospinal fluid area, extracerebral cerebrospinal fluid sub-regions, entire extracerebral cerebrospinal fluid area + lateral ventricle area, and extracerebral cerebrospinal fluid sub-regions + lateral ventricle area.
  • the computing device 530 may segment the ROI in the input brain image using a segmentation model.
  • the calculation device 530 may calculate the volume or area for the divided ROI.
  • the calculation device 530 may calculate the volume or area for the ROI using any one of commercial programs for calculating the volume of a brain region. Furthermore, the calculation device 530 can normalize the volume of the initially calculated ROI based on the ICV.
  • the calculation device 530 may estimate the degree of brain atrophy based on the final ROI volume or area. Alternatively, the calculation device 530 may estimate the degree of dementia of the subject based on the final ROI volume or area. Alternatively, the computing device 530 may estimate the degree of dementia of the subject based on the degree of brain atrophy of the subject.
  • the computing device 530 may calculate a dementia-related index by inputting the ROI into a pre-built classification model. Additionally, the computing device 530 can calculate dementia-related indicators by inputting ROI and patient information (age, gender, education level, etc.) into a classification model. Furthermore, the computing device 530 can input ROI, patient information (age, gender, education level, etc.), and clinical information (APOE e4, etc.) into a classification model to calculate dementia-related indicators.
  • the computing device 530 may be a device such as a processor that processes data and performs certain operations, an AP, or a chip with an embedded program.
  • the brain image processing method, dementia-related indicator calculation method, or dementia prediction method described above may be implemented as a program (or application) including an executable algorithm that can be executed on a computer.
  • the program may be stored and provided in a temporary or non-transitory computer readable medium.
  • a non-transitory readable medium refers to a medium that stores data semi-permanently and can be read by a device, rather than a medium that stores data for a short period of time, such as registers, caches, and memories.
  • the various applications or programs described above include CD, DVD, hard disk, Blu-ray disk, USB, memory card, ROM (read-only memory), PROM (programmable read only memory), and EPROM (Erasable PROM, EPROM).
  • EEPROM Electrically EPROM
  • Temporarily readable media include Static RAM (SRAM), Dynamic RAM (DRAM), Synchronous DRAM (SDRAM), Double Data Rate SDRAM (DDR SDRAM), and Enhanced SDRAM (Enhanced RAM). It refers to various types of RAM, such as SDRAM (ESDRAM), synchronous DRAM (Synclink DRAM, SLDRAM), and Direct Rambus RAM (DRRAM).
  • SRAM Static RAM
  • DRAM Dynamic RAM
  • SDRAM Synchronous DRAM
  • DDR SDRAM Double Data Rate SDRAM
  • Enhanced SDRAM Enhanced SDRAM
  • ESDRAM synchronous DRAM
  • SLDRAM synchronous DRAM
  • DRRAM Direct Rambus RAM

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Neurology (AREA)
  • Geometry (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Child & Adolescent Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Neurosurgery (AREA)
  • Developmental Disabilities (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)

Abstract

뇌 영상에서 치매 관련 지표를 산출하는 방법은 분석장치가 대상자의 뇌 영상을 입력받는 단계, 상기 분석장치가 상기 뇌 영상에서 관심 영역을 구분하는 단계, 상기 분석장치가 상기 관심 영역의 부피 또는 면적을 산출하는 단계 및 상기 분석장치가 상기 부피 또는 면적을 기준으로 상기 대상자에 대한 치매 관련 지표를 산출하는 단계를 포함한다.

Description

대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법 및 분석장치
이하 설명하는 기술은 뇌 영상을 기준으로 치매 관련 정보를 산출하는 기법이다.
치매(dementia)는 기억, 언어, 판단력 등 인지 기능 장래를 초래하는 증후군을 말한다. 치매는 다양한 유형이 있는데 알츠하이머(Alzheimer's disease)가 치매의 가장 흔한 형태이다.
치매는 장기간에 걸쳐 진행되는 병이며 임상적 양상이 나타나기 전부터 그 병리가 축적된다. 따라서, 치매 조기 진단은 치매 증상 발현 지연 및 관리에 매우 중요하다.
치매 진단은 MRI(Magnetic Resonance Imaging), PET(positron emission tomography) 등의 뇌 영상이 사용되고 있다. 대표적으로 대뇌 피질 두께(Cortical thickness)가 치매와 연관된 인자로 활용되고 있다.
다만, 대뇌 피질 두께는 의료 기관에서 사용하는 영상 장비(vendor)에 따라 측정되는 값에 편차가 발생한다. 따라서, 대뇌 피질 두께는 치매 진단을 위한 정확한 지표로서는 다소 한계가 있다고 하겠다.
이하 설명하는 기술은 대뇌 피질 대신에 뇌 영상에서 추출 가능한 다른 관심 영역을 기준으로 치매 관련 정보를 산출하는 기법을 제공하고자 한다.
대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법은 분석장치가 대상자의 뇌 영상을 입력받는 단계, 상기 분석장치가 상기 뇌 영상에서 관심 영역을 구분하는 단계, 상기 분석장치가 상기 관심 영역의 부피 또는 면적을 산출하는 단계 및 상기 분석장치가 상기 부피 또는 면적을 기준으로 상기 대상자에 대한 치매 관련 지표를 산출하는 단계를 포함한다.
다른 측면에서 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법은 분석장치가 대상자의 뇌 영상을 입력받는 단계, 상기 분석장치가 상기 뇌 영상에서 관심 영역을 구분하는 단계 및 상기 분석장치가 상기 관심 영역을 사전에 학습된 학습모델에 입력하여 상기 대상자에 대한 치매 관련 지표를 산출하는 단계를 포함한다.
치매 관련 지표를 산출하는 분석장치는 대상자의 뇌 영상을 입력받는 입력장치 및 상기 뇌 영상에서 관심 영역을 구분하고, 상기 관심 영역을 기준으로 치매 관련 지표를 산출하는 연산장치를 포함한다. 상기 관심 영역은 대뇌외 뇌척수액 영역을 포함한다.
이하 설명하는 기술은 뇌 영상에서 뇌의 다른 구조와 뚜렷하게 구분되는 대뇌외 뇌척수액 영역을 중심으로 뇌 위축 정도를 제공한다. 따라서, 이하 설명하는 기술은 영상 장비의 특성 차이에 관계없이 강인한 치매 관련 정보를 제공할 수 있다.
도 1은 의료 영상에서 대뇌 피질 두께를 추정하는 예이다.
도 2는 뇌 영상을 분석하여 치매 관련 지표를 산출하는 시스템에 대한 예이다.
도 3은 뇌 영상을 분석하여 치매 관련 지표를 산출하는 과정에 대한 예이다.
도 4는 대뇌외 뇌척수액 영역 및 뇌실 영역을 기준으로 치매 관련 지표를 산출하는 과정에 대한 예이다.
도 5는 측뇌실 및 대뇌외 뇌척수액 영역의 치매 평가 관련성에 대한 평가 결과이다.
도 6은 대뇌외 뇌척수액 서브 영역의 치매 평가 관련성에 대한 평가 결과이다.
도 7은 측뇌실과 대뇌외 뇌척수액 영역을 기준으로 구축한 분류기의 성능 평가 결과이다.
도 8은 도 7의 모델에 환자 정보를 추가로 사용한 분류기의 성능 평가 결과이다.
도 9는 측뇌실과 대뇌외 뇌척수액 서브 영역에 환자 정보를 사용한 분류기의 성능 평가 결과이다.
도 10은 학습모델을 이용하여 치매 관련 지표를 산출하는 과정에 대한 예이다.
도 11은 치매 관련 지표를 산출하는 분석장치에 대한 예이다.
이하 설명하는 기술은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 이하 설명하는 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 이하 설명하는 기술의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 해당 구성요소들은 상기 용어들에 의해 한정되지는 않으며, 단지 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 이하 설명하는 기술의 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 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
본 명세서에서 사용되는 용어에서 단수의 표현은 문맥상 명백하게 다르게 해석되지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함한다" 등의 용어는 설명된 특징, 개수, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 의미하는 것이지, 하나 또는 그 이상의 다른 특징들이나 개수, 단계 동작 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하지 않는 것으로 이해되어야 한다.
도면에 대한 상세한 설명을 하기에 앞서, 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다.
또, 방법 또는 동작 방법을 수행함에 있어서, 상기 방법을 이루는 각 과정들은 문맥상 명백하게 특정 순서를 기재하지 않은 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 과정들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
알츠하이머는 의료 영상에서 파악되는 대뇌 피질의 두께를 기준으로 진단하고 있다. 도 1은 의료 영상에서 대뇌 피질 두께를 추정하는 예이다. 도 1은 MRI 영상에서 대뇌 피질의 두께를 측정 내지 추정하는 예이다. 도 1에서 대뇌 피질은 흰색 실선과 점선 사이의 회색 영역에 해당한다. 따라서, 대뇌 피질의 두께는 흰색 실선 안쪽의 흰색 영역과 흰색 실선과 점선 사이의 회색 영역을 명확하게 구분해야만 정확하게 측정될 수 있다. 한편, 의료 영상 장비는 다양한 벤더들이 제공하고 있고, 심지어 동일한 벤더가 생산한 장비도 장비 종류에 따라 영상 생성을 위한 파라미터들이 다를 수 있다.
연구자는 소속된 의료 기관(삼성서울병원)에 내원한 모집단의 데이터를 수집하였다. 모집단은 2015년부터 2021년까지 삼성서울병원에서 검사받은 정상 그룹 605명 및 치매를 가진 그룹 616명의 참가자들을 포한한다. 모든 참가자들은 뇌 MRI, 아밀로이드(amyloid) PET 등의 치매 평가를 받았다. 여기서 정상 그룹은 아밀로이드 음성인 대상자, 치매 그룹은 아밀로이드 양성인 대상자로 구성하였다.
측정 대상 Aß(-) NC Aß(+) ADD
장비 종류 Achieva Ingenia P value Achieva Ingenia P value
모집단 수 N 581 24 588 28
Cortical
thickness		 Frontal 3.16 ± 0.11 3.17 ± 0.09 0.530 3.01 ± 0.15 3.00 ± 0.12 0.762
Parietal 3.08 ± 0.11 3.08 ± 0.13 0.895 2.87 ± 0.20 2.86 ± 0.17 0.747
Temporal 3.29 ± 0.11 3.38 ± 0.13 0.001 3.06 ± 0.18 3.06 ± 0.18 0.857
Occipital 2.99 ± 0.16 3.08 ± 0.19 0.011 2.79 ± 0.19 2.78 ± 0.18 0.632
Global 3.13 ± 0.11 3.17 ± 0.12 0.059 2.94 ± 0.15 2.93 ± 0.14 0.711
상기 표 1은 연구자들이 소속된 의료 기관에서 사용하는 동일 제조사(필립스)의 영상 장비 Archieva와 Ingenia로 대상자들의 대뇌 피질 두께를 측정한 결과이다. Aß(-) NC는 아밀로이드 베타 축적이 없는 정상군(normal control)이고, Aß(+) ADD는 아밀로이드 베타 축적이 있는 알츠하이머 환자군을 말한다.Aß(+) ADD에서는 achieva 및 ingenia 기기에서 촬영한 MRI의 대뇌 피질 두께에 유의한 차이가 없었다. 그러나, Aß(-) NC에서는 두 기기의 측두엽(temporal) 및 후두엽(occipital) 측정치가 유의한 차이가 있었다. 즉, 연구자가 예상한 바와 같이 동일한 벤더의 의료 기기라도 종류가 다른 경우 측정된 대뇌 피질 두께가 다소 상이하게 나왔다. 이는 서로 다른 영상 장비들에 설정된 파라미터값에 차이가 있기 때문이다.
도 1에서 대뇌외 뇌척수액(Extracerebral cerebrospinal fluid, Extracerebral CSF) 영역 중 일부 영역을 표시하였다. 대뇌외 뇌척수액 영역은 이랑(gyrus)과 이랑 사이의 고랑(sulcus) 영역이다. 대뇌외 뇌척수액 영역은 MRI 영상에서 검은색 또는 매우 어두운 색으로 나타난다. 즉, 대뇌외 뇌척수액 영역은 MRI에서 회색의 대뇌 피질 영역에 비하여 시각적으로 뚜렷하게 구별되는 영역에 해당한다. 따라서, 대뇌외 뇌척수액 영역은 컴퓨터 장치의 영상 처리 기법 내지 세그멘테이션(segmentation) 모델에 의하여 비교적 정확하게 구분될 수 있는 영역이 될 것이라고 추정할 수 있다.
측정 대상 Aß(-) NC Aß(+) ADD
장비 종류 Achieva Ingenia P value Achieva Ingenia P value
모집단 수 N 581 24 588 28
CSF space Lateral
Ventricle		 0.01 ± 0.01 0.01 ± 0.00 0.378 0.02 ± 0.01 0.02 ± 0.01 0.705
Extracerebral
CSF		 0.46 ± 0.05 0.46 ± 0.05 0.742 0.52 ± 0.05 0.51 ± 0.04 0.285
상기 표 2는 표 1에서 설명한 모집단에 대하여 achieva 및 ingenia 기기로 대뇌외 뇌척수액 영역의 길이(내지 크기)를 측정한 결과이다. 표 2의 결과를 살펴보면 대뇌외 뇌척수액 영역의 길이는 Aß(+) ADD 및 Aß(-) NC에서 두 개의 기기간 유의한 차이가 없는 것으로 나타났다. 즉, 연구자가 예측한 바와 같이 대뇌 피질 영역에 비하여 대뇌외 뇌척수액 영역에 뚜렷하게 구분되는 영상 특징을 갖는다고 추정할 수 있다.대뇌 피질의 두께는 뇌 위축 정도는 나타내는 지표이다. 위축 정도가 심해지면 대뇌 피질의 두께는 얇아진다. 또한, 대뇌외 뇌척수액 영역의 크기도 뇌 위축 정도와 상관 관계가 있다. 위축 정도가 심해지면, 대뇌외 뇌척수액 영역의 크기는 증가한다.
이하 치매는 알츠하이머성 치매를 의미한다.
이하 설명하는 기술은 대뇌외 뇌척수액 영역을 중심으로 치매 진단 또는 치매 발병 가능성을 예측하는 기술이다.
대뇌외 뇌척수액 영역의 크기는 이랑과 이랑 사이의 간격 내지 거리로 평가될 수 있다. 또는 대뇌외 뇌척수액 영역의 크기는 특정 고랑의 면적으로 평가될 수 있다. 면적의 크기는 2D(dimension) 영상으로부터 산출될 수 있다. 또는 대뇌외 뇌척수액 영역의 크기는 특정 고랑의 부피(volume)로 평가될 수 있다. 부피는 3D 영상 또는 2D 슬라이스들로부터 산출될 수 있다.
이하 뇌 영상을 분석하여 대상자에 대한 치매 관련 지표를 산출하는 장치를 분석장치라고 명명한다. 분석장치는 PC와 같은 컴퓨터 장치, 스마트 기기, 네트워크의 서버, 데이터 처리 전용 칩셋 등의 형태를 가질 수 있다.
분석장치는 전통적인 영상 처리 기법을 이용하여 뇌 영상에서 특정 대뇌외 뇌척수액 영역의 크기 내지 부피를 산출할 수 있다. 또는 분석장치는 딥러닝 네트워크 유형의 모델을 이용하여 특정 대뇌외 뇌척수액 영역의 크기 내지 부피를 산출할 수도 있다. 분석장치는 대뇌외 뇌척수액 영역의 크기 내지 부피를 기준으로 뇌 위축 정도를 산출할 수 있다. 나아가, 분석장치는 뇌 영상을 분석하여 해당 대상자의 치매 진단이나 예측 결과를 산출할 수 있다.
분석장치는 뇌 영상을 분석하여 치매 관련 지표를 산출한다. 여기서 치매 관련 지표는 치매 진행과 관련된 정보 내지 인자에 해당한다. 치매 관련 지표는 대뇌외 뇌척수액 영역의 크기 내지 부피, 대뇌외 뇌척수액 영역의 크기 내지 부피로 평가되는 뇌 위축 정도 및 대뇌외 뇌척수액 영역의 크기/부피(또는 뇌 위축 정도)로 평가되는 치매 여부(또는 치매 진행 정도)를 포함하는 정보 중 적어도 하나를 포함할 수 있다.
도 2는 뇌 영상을 분석하여 치매 관련 지표를 산출하는 시스템(100)에 대한 예이다. 도 2에서 분석장치는 컴퓨터 단말(130) 및 서버(140)인 예를 도시하였다.
의료 영상 장비(110)는 환자에 대한 뇌 영상(예컨대, MRI 영상)을 생성한다. 의료 영상 장비(110)가 생성한 뇌 영상은 EMR(Electronic Medical Record, 120)과 같은 별도의 데이터베이스에 저장될 수 있다.
도 2에서 사용자(A)는 컴퓨터 단말(130)을 이용하여 뇌 영상을 분석하여 치매 관련 지표를 획득할 수 있다. 컴퓨터 단말(130)은 유선 또는 무선 네트워크를 통해 의료 영상 장비(110) 또는 EMR(120)로부터 특정 대상자의 뇌 영상을 입력받을 수 있다. 경우에 따라 컴퓨터 단말(130)은 의료 영상 장비(110)와 물리적으로 연결된 장치일 수도 있다. 컴퓨터 단말(130)은 뇌 영상에서 대뇌외 뇌척수액 영역을 추출한다. 컴퓨터 단말(130)은 대뇌외 뇌척수액 영역을 기준으로 치매 관련 지표를 산출할 수 있다. (i) 컴퓨터 단말(130)은 대뇌외 뇌척수액 영역의 크기 내지 부피를 추정할 수 있다. (ii) 컴퓨터 단말(130)은 대뇌외 뇌척수액 영역의 크기 내지 부피에 따라 뇌 위축 정도를 추정할 수 있다. (iii) 컴퓨터 단말(130)은 대뇌외 뇌척수액 영역의 크기/부피 또는 뇌 위축 정도에 따라 치매 여부, 치매 발현 가능성 또는 치매 진행 정도 등을 추정할 수 있다. 사용자 A는 컴퓨터 단말(130)에서 분석 결과를 확인할 수 있다.
서버(140)는 의료 영상 장비(110) 또는 EMR(120)로부터 특정 대상자의 뇌 영상을 수신할 수 있다. 서버(140)는 뇌 영상에서 대뇌외 뇌척수액 영역을 추출한다. 서버(140)는 대뇌외 뇌척수액 영역을 기준으로 치매 관련 지표를 산출할 수 있다. (i) 서버(140)는 대뇌외 뇌척수액 영역의 크기 내지 부피를 추정할 수 있다. (ii) 서버(140)는 대뇌외 뇌척수액 영역의 크기 내지 부피에 따라 뇌 위축 정도를 추정할 수 있다. (iii) 서버(140)는 대뇌외 뇌척수액 영역의 크기/부피 또는 뇌 위축 정도에 따라 치매 여부, 치매 발현 가능성 또는 치매 진행 정도 등을 추정할 수 있다. 서버(140)는 뇌 영상을 분석한 결과를 사용자 A의 단말에 전송할 수 있다. 사용자 A는 사용자 단말을 통해 분석 결과를 확인할 수 있다.
컴퓨터 단말(130) 및/또는 서버(140)는 분석 결과를 EMR(120)에 저장할 수도 있다.
도 3은 뇌 영상을 분석하여 치매 관련 지표를 산출하는 과정(200)에 대한 예이다.
분석장치는 대상자의 뇌 영상(MRI 영상)을 입력받는다(210).
분석장치는 입력된 뇌 영상 데이터를 일정하게 전처리할 수 있다(220). 데이터 전처리는 입력 영상에서 뇌 구조 표면 구조 내지 모델을 추출하여 마스크(mask)를 생성하는 과정일 수 있다. 예컨대, 분석장치는 CIVET 파이프라인을 이용하여 뇌 MRI 영상에서 전체 뇌 영역을 추출할 수 있다. 분석장치는 MRI 슬라이스에 뇌 영역을 추출할 수 있다. 분석장치는 연속된 MRI 슬라이스들에서 뇌 영역을 추출하여 3차원 형태의 뇌 영역을 추출할 수 있다. 정리하면, (i) 분석장치는 뇌 영상에서 전체 뇌 영역의 마스크를 생성할 수 있다. 또한 (ii) 분석장치는 뇌 영상에서 특정 영역의 마스크를 생성할 수도 있다. 특정 영역은 대뇌외 뇌척수액 영역, 대뇌외 뇌척수액 서브 영역, 뇌실(ventricle) 영역 및 뇌실 서브 영역 중 적어도 하나를 포함할 수 있다. 대뇌외 뇌척수액 서브 영역 및 뇌실 서브 영역은 후술한다.
한편, 마스크 생성을 위한 데이터 전처리 과정은 선택적인(optional) 과정일 수 있다. 영상 처리 기법 중 ROI(region of interest, 관심 영역)을 자동으로 추출하는 기법을 이용한다면, 분석장치는 마스크를 사전에 마련하지 않을 수도 있다.
분석장치는 대상자의 뇌 영상에서 전체 뇌 영역을 분할(segmentation)할 수 있다(230). 분석장치는 데이터 전처리 과정에서 마련한 마스크를 이용하여 전체 뇌 영역을 분할할 수 있다. 또는 분석장치는 세그멘테이션 모델을 이용하여 전체 뇌 영역을 분할할 수 있다.
분석장치는 전체 뇌 영역에서 ROI를 분할할 수 있다(240). 분석장치는 데이터 전처리 과정에서 마련한 마스크를 이용하여 ROI를 분할할 수 있다. 또는 분석장치는 세그멘테이션 모델을 이용하여 ROI를 분할할 수 있다. ROI는 대뇌외 뇌척수액 영역을 포함한다. ROI는 대뇌외 뇌척수액 영역 외에 다른 영역을 포함할 수 있다. 또한, ROI는 대뇌외 뇌척수액 영역에서 추출가능한 서브 영역들로 구성될 수도 있다. 구체적인 ROI에 대해서는 후술한다.
분석장치는 분할한 ROI에 대한 부피를 산출할 수 있다(250). 분석장치는 상용 프로그램이나 알고리즘을 이용하여 3차원 ROI에 대한 부피를 산출할 수 있다. 한편, 분석장치는 MRI 슬라이스에서 2차원 ROI에 대한 면적을 산출할 수도 있다. 분석장치는 전체 슬라이스들 또는 선택된 특정 슬라이스에서 ROI의 면적을 산출할 수 있다.
분석장치는 ROI의 부피 또는 면적을 기준으로 뇌 위축 정도를 추정할 수 있다(260). 도 3의 치매 관련 지표는 뇌 위축 정도이다. ROI의 부피 또는 특정 지점(들)의 면적은 뇌 위축 정도와 일정한 상관 관계를 갖는다. ROI의 부피(또는 면적)와 뇌 위축 정도의 상관 관계는 사전에 테이블 형태로 마련될 수 있다. 이 경우 분석장치는 산출된 ROI의 부피(또는 면적)를 기준으로 대상자의 뇌 우축 정도를 추정할 수 있다. 또는 분석장치는 산출된 ROI의 부피(또는 면적)를 변수로 갖는 함수를 이용하여 대상자의 뇌 우축 정도를 추정할 수 있다. 이때 함수는 공개된 수식일 수 있다. 또는 이때 함수는 회귀분석을 통해 사전에 마련된 수식일 수도 있다.
ROI는 대뇌외 뇌척수액 영역을 포함한다. 나아가, ROI는 대뇌외 뇌척수액 영역의 개별 서브 영역들 중 적어도 일부를 포함할 수도 있다. 또한 ROI는 MRI에서 백색 또는 회색이 아니어서 비교적 뚜렷하게 구별되는 뇌실 영역도 포함할 수 있다. 나아가, ROI는 뇌실 영역의 개별 서브 영역들 중 적어도 일부를 포함할 수도 있다. ROI는 다양한 영역들 중 어느 하나 또는 다양한 영역들의 가능한 조합 중 어느 하나일 수 있다. ROI 후보들은 아래 표 3과 같다.
전체 영역 서브 영역

1. Extracerebral CSF
(대뇌외 뇌척수액 영역)		 1-1. frontal (전두부)
1-2.temporal (측두부)
1-3.parietal (두정부)
1-4.occipital (후두부)

2. Ventricle (뇌실 영역)		 2-1.lateral (측뇌실)
2-2.third (제3뇌실)
2-3.fourth (제4뇌실)
가능한 ROI는 다음과 같다. (i) ROI는 전체 대뇌외 뇌척수액 영역 및 전체 뇌실 영역 중 적어도 하나일 수 있다. (ii) 또한, ROI는 전체 대뇌외 뇌척수액 영역 및 뇌실 서브 영역들 중 적어도 하나일 수 있다. (iii) 또한, ROI는 대뇌외 뇌척수액 서브 영역들 및 전체 뇌실 영역 중 적어도 하나일 수 있다. (iv) 또한, 또한, ROI는 대뇌외 뇌척수액 서브 영역들 및 뇌실 서브 영역들 중 적어도 하나일 수 있다.
도 4는 대뇌외 뇌척수액 영역 및 뇌실 영역을 기준으로 치매 관련 지표를 산출하는 과정(300)에 대한 예이다. 도 4는 ROI 중 서브 영역들을 이용하여 치매 관련 지표를 산출하는 예이다.
분석장치는 대상자의 뇌 영상(MRI 영상)을 입력받는다(310).
분석장치는 입력된 뇌 영상 데이터를 일정하게 전처리할 수 있다(320). 데이터 전처리는 입력 영상에서 뇌 구조 표면 구조 내지 모델을 추출하여 마스크를 생성하는 과정일 수 있다. 분석장치는 뇌 영상에서 전체 뇌 영역의 마스크를 생성할 수 있다. 또한, 분석장치는 뇌 영상에서 특정 영역의 마스크를 생성할 수도 있다. 특정 영역은 대뇌외 뇌척수액 영역, 대뇌외 뇌척수액 서브 영역, 뇌실 영역 및 뇌실 서브 영역 중 적어도 하나를 포함할 수 있다.
한편, 마스크 생성을 위한 데이터 전처리 과정은 선택적인 과정일 수 있다. 영상 처리 기법 중 ROI를 자동으로 추출하는 기법을 이용한다면, 분석장치는 마스크를 사전에 마련하지 않을 수도 있다.
분석장치는 대상자의 뇌 영상에서 전체 ROI 영역을 분할할 수 있다(330). 분석장치는 데이터 전처리 과정에서 마련한 마스크를 이용하여 전체 뇌 영역을 분할할 수 있다. 또는 분석장치는 세그멘테이션 모델을 이용하여 전체 뇌 영역을 분할할 수 있다.
분석장치는 전체 뇌 영역에서 특정 ROI를 분할할 수 있다. 분석장치는 마스크를 이용하여 대뇌외 뇌척수액 서브 영역 중 적어도 하나를 분할할 수 있다(340). 또한, 분석장치는 마스크를 이용하여 뇌실 서브 영역 중 적어도 하나를 분할할 수 있다(350). 분석장치는 세그멘테이션 모델을 이용하여 목표 ROI를 분할할 수도 있다.
분석장치는 분할한 ROI에 대한 부피를 산출할 수 있다(360). 분석장치는 상용 프로그램이나 알고리즘을 이용하여 3차원 ROI에 대한 부피를 산출할 수 있다. 한편, 분석장치는 MRI 슬라이스에서 2차원 ROI에 대한 면적을 산출할 수도 있다. 분석장치는 전체 슬라이스들 또는 선택된 특정 슬라이스에서 ROI의 면적을 산출할 수 있다.
분석장치는 대상자의 뇌 전체의 부피(Intracranial Volume: ICV)를 이용하여 뇌 영역 각각을 정규화할 수 있다(370). 분석장치는 ICV 기준으로 타깃 ROI의 크기 내지 부피를 일정하게 보정할 수 있다. ICV 기반한 보정 과정은 선택적인 과정일 수 있다.
분석장치는 ROI의 부피 또는 면적을 기준으로 뇌 위축 정도를 추정할 수 있다(380). 분석장치는 ICV 기준으로 보정된 부피 또는 면적을 기준으로 뇌 위축 정도를 추정할 수 있다. 예컨대, 분석장치는 ROI의 부피(또는 면적)를 ICV로 나누어 부피를 정규화할 수 있다.
도 4의 치매 관련 지표는 뇌 위축 정도이다. 분석장치는 산출된 ROI의 부피(또는 면적)와 사전에 마련된 레퍼런스를 비교하여 대상자의 뇌 위축 정도를 추정할 수 있다. 또는 분석장치는 산출된 ROI의 부피(또는 면적)를 변수로 갖는 함수를 이용하여 대상자의 뇌 위축 정도를 추정할 수 있다.
연구자는 치매 관련 지표를 산출하기 위한 ROI를 선별하였다.
연구자는 뇌실 서브 영역 중 측뇌실(lateral ventricle) 및 전체 대뇌외 뇌척수액 영역(extracerebral CSF)의 치매 관련성에 대하여 확인하였다. 도 5는 측뇌실 및 대뇌외 뇌척수액 영역의 치매 평가 관련성에 대한 평가 결과이다. 도 5에서 A(-) NC는 아밀로이드 베타 축적이 없는 정상군이고, A(+) ADD는 아밀로이드 베타 축적이 있는 알츠하이머 환자군이다. 도 5의 결과를 살펴보면 측뇌실 영역 및 대뇌외 뇌척수액 영역 각각이 ROI가 될 수 있다. (i) 측뇌실 영역은 정상군과 환자군을 구분할 수 있는 지표가 될 수 있다(p<0.001). 또한, (ii) 전체 대뇌외 뇌척수액 영역도 정상군과 환자군을 구분할 수 있는 지표가 될 수 있다(p<0.001).
연구자는 대뇌외 뇌척수액 서브 영역들 각각의 치매 관련성에 대하여 확인하였다. 도 6은 대뇌외 뇌척수액 서브 영역의 치매 평가 관련성에 대한 평가 결과이다. 대뇌외 뇌척수액 서브 영역들은 전두부 영역(frontal, F), 측두부 영역(temporal, T), 두정부 영역(parietal, P) 및 후두부 영역(occipital, O)을 포함한다. 도 6에서 A(-) NC는 아밀로이드 베타 축적이 없는 정상군이고, A(+) ADD는 아밀로이드 베타 축적이 있는 알츠하이머 환자군이다. 도 6의 결과를 살펴보면 대뇌외 뇌척수액 서브 영역 각각이 ROI가 될 수 있다(p<0.001).
연구자는 선별한 ROI를 기준으로 치매 관련 지표를 산출하는 모델(분류기)을 구축하였다. 분류기는 기계학습모델로 구현하였다. 연구자는 전술한 모집단의 데이터 중 70%를 학습 데이터로 이용하였고, 나머지 30%를 검증 데이터로 이용하였다. 연구자는 R의 glm()을 이용하여 로지스틱 회귀(logistic regression)를 수행하였다. 다만, 분류기는 딥러닝 모델과 같은 다른 모델로 구현될 수도 있다.
도 7은 측뇌실과 대뇌외 뇌척수액 영역을 기준으로 구축한 분류기의 성능 평가 결과이다. 도 7은 두 개의 모델들(Model 1 및 Model 2)의 성능을 나타낸다. Model 1 및 Model 2는 뇌 영상만을 이용하여 치매 관련 지표를 산출하는 모델이다. Model 1은 ROI로 측뇌실과 전체 대뇌외 뇌척수액 영역을 사용한 모델이다. Model 는 ROI로 측뇌실과 대뇌외 뇌척수액 서브 영역들을 사용한 모델이다. Model 1의 AUC(Area Under the ROC Curve)는 0.808이었다. Model 2에서 사용한 대뇌외 뇌척수액 영역 서브 영역들은 전두부 영역(F), 측두부 영역(T), 두정부 영역(P) 및 후두부 영역(O)이다. Model의 AUC(Area Under the ROC Curve)는 0.854이었다. Model 2가 Model 1보다 조금 더 성능이 높았지만, Model 1 및 Model 2 모두 치매 진단 내지 예측에 충분히 유의하다는 것을 알 수 있다.
도 8은 측뇌실과 전체 대뇌외 뇌척수액 영역에 환자 정보를 추가로 사용한 분류기의 성능 평가 결과이다. 도 8은 두 개의 모델들(Model 3 및 Model 4)의 성능을 나타낸다. Model 3 및 Model 4는 뇌 영상 및 환자 정보를 이용하여 치매 관련 지표를 산출하는 모델이다. Model 3 및 Model 4는 뇌 영상 및 환자 정보를 이용하여 사전에 학습된 모델이다.
Model 3은 Model 1에 추가적인 환자 정보(나이, 성별, 교육 수준)를 더 이용한 모델이다. 즉, Model 3은 (i) 뇌 영상에서 추출한 측뇌실과 전체 대뇌외 뇌척수액 영역 및 (ii) 환자 정보(나이, 성별, 교육 수준)를 이용하여 치매 관련 지표를 산출하는 모델이다. Model 3의 AUC는 0.829이었다.
Model 4는 Model 1에 추가적인 환자 정보(나이, 성별, 교육 수준) 및 임상 정보(APOE e4)를 더 이용한 모델이다. 즉, Model 3은 (i) 뇌 영상에서 추출한 측뇌실과 전체 대뇌외 뇌척수액 영역, (ii) 환자 정보(나이, 성별, 교육 수준) 및 (iii) 환자 임상 정보(APOE e4)를 이용하여 치매 관련 지표를 산출하는 모델이다. APOE e4는 치매과 연관된 유전자의 유전형 정보를 의미한다. Model 4의 AUC는 0.883이었다.
Model 3 및 Model 4가 모두 Model 1보다 성능이 높았다. 따라서, Model 3 및 Model 4 모두 치매 진단 내지 예측에 충분히 유의하다는 것을 알 수 있다.
도 9는 측뇌실과 대뇌외 뇌척수액 서브 영역에 환자 정보를 사용한 분류기의 성능 평가 결과이다. 도 9는 두 개의 모델들(Model 5 및 Model 6)의 성능을 나타낸다. Model 5 및 Model 6은 뇌 영상 및 환자 정보를 이용하여 치매 관련 지표를 산출하는 모델이다. Model 5 및 Model 6은 뇌 영상 및 환자 정보를 이용하여 사전에 학습된 모델이다.
Model 5는 (i) 뇌 영상에서 추출한 뇌실 서브 영역과 대뇌외 뇌척수액 서브 영역(F,P,T,O) 및 (ii) 환자 정보(나이, 성별, 교육 수준)를 이용하여 치매 관련 지표를 산출하는 모델이다. Model 5의 AUC는 0.889이었다.
Model 6은 (i) 뇌 영상에서 추출한 뇌실 서브 영역과 대뇌외 뇌척수액 서브 영역(F,P,T,O), (ii) 환자 정보(나이, 성별, 교육 수준) 및 (iii) 환자 임상 정보(APOE e4)를 이용하여 치매 관련 지표를 산출하는 모델이다. Model 6의 AUC는 0.932이었다.
Model 5 및 Model 6은 모두 Model 2보다 성능이 높았다. 따라서, Model 5 및 Model 6은 모두 치매 진단 내지 예측에 충분히 유의하다는 것을 알 수 있다.
정리하면, 치매 관련 지표 관련한 ROI는 (i) 전체 대뇌외 뇌척수액 영역, (ii) 대뇌외 뇌척수액 영역 전체 서브 영역들, (iii) 대뇌외 뇌척수액 영역 서브 영역들 중 일부 영역, (iv) 전체 대뇌외 뇌척수액 영역 + 측뇌실, (v) 대뇌외 뇌척수액 영역 전체 서브 영역들 + 측뇌실 및 (vi) 대뇌외 뇌척수액 영역 서브 영역들 중 일부 영역 + 측뇌실, (vii) 대뇌외 뇌척수액 영역 서브 영역들 중 적어도 일부 영역 + 뇌실 서브 영역이 모두 유의하다는 것을 알 수 있다. 한편, 실험적으로 ROI로 대뇌외 뇌척수액 영역 서브 영역들을 사용한 분류기가 전체 대뇌외 뇌척수액 영역을 사용한 분류기보다 조금 더 성능이 높았다. 또한, 뇌 MRI만을 사용하는 분류기도 충분히 유의한 성능을 보였다. 나아가, 뇌 MRI 영상외에 환자 정보 등의 추가 정보를 사용하는 경우 분류기의 성능이 향상되는 것을 확인하였다.
도 10은 학습모델을 이용하여 치매 관련 지표를 산출하는 과정(400)에 대한 예이다. 도 10은 뇌 MRI 영상에서 ROI를 추출하는 과정 및 ROI 기반하여 치매 관련 지표를 예측하는 과정을 모두 학습모델을 이용한 경우이다.
분석장치는 대상자의 뇌 영상(MRI 영상)을 입력받는다(410).
분석장치는 입력된 뇌 영상을 사전에 학습된 세그멘테이션 모델에 입력할 수 있다(420). 세그멘테이션 모델은 다양한 유형이나 구조의 모델로 구현될 수 있다. 예컨대, 세그멘테이션 모델은 U-net 기반의 모델일 수 있다. 세그멘테이션 모델은 그 종류나 학습 과정에 따라 다양한 ROI를 분할할 수 있다. 세그멘테이션 모델은 3차원 뇌 영상에서 ROI를 분할할 수 있다. 또는 세그멘테이션 모델은 2차원 개별 슬라이스에서 ROI를 분할할 수도 있다. ROI는 전술한 바와 같이 다양한 영역 중 일부 영역이 사용될 수 있다. 세그멘테이션 모델은 특정 ROI 별로 사전에 마련될 수 있다. 예컨대, 세그멘테이션 모델은 (i) 전체 대뇌외 뇌척수액 영역을 분할하는 모델, (ii) 대뇌외 뇌척수액 서브 영역들 중 적어도 일부를 분할하는 모델, (iii) 전체 대뇌외 뇌척수액 영역 + 측뇌실 영역을 분할하는 모델, (iv) 대뇌외 뇌척수액 서브 영역들 중 적어도 일부 + 측뇌실 영역을 분할하는 모델 등과 같이 다양할 수 있다. 세그멘테이션 모델은 학습 데이터 및 학습 과정에 따라 다양한 ROI 중 어느 하나를 분할하는 모델로 사전에 구축될 수 있다.
분석장치는 세그멘테이션 모델이 출력하는 결과물(ROI 구분)을 획득할 수 있다(430).
분석장치는 ROI를 사전에 학습된 분류 모델에 입력한다(440). 분류 모델은 영상 또는 영상 및 환자 정보를 입력하여 치매 관련 지표를 산출하는 모델이다.
분류 모델은 기계학습 모델이다. 따라서, 분류 모델은 다양한 유형의 모델 중 어느 하나일 수 있다. 예컨대, 분류 모델은 결정 트리, RF(random forest), KNN(K-nearest neighbor), 나이브 베이즈(Naive Bayes), SVM(support vector machine), ANN(artificial neural network), 회귀모델 등 중 어느 하나의 방식으로 구현된 모델일 수 있다. ANN도 다양한 유형의 모델이 존재한다. 예컨대, 분류 모델은 CNN(Convolutional Neural Network) 기반의 모델일 수 있다.
분석장치는 분류모델이 출력하는 치매 관련 지표를 획득할 수 있다(450). 치매 관련 지표는 ROI의 부피, 뇌 위축 정도 또는 치매 진행 정도와 같은 정보일 수 있다.
분류모델은 ROI만을 이용하여 치매 관련 지표를 산출할 수 있다. 또한, 분류모델은 ROI 및 환자 정보(나이, 성별, 교육 수준 등)을 분류 모델에 입력하여 치매 관련 지표를 산출할 수 있다. 나아가, 분류모델은 ROI, 환자 정보(나이, 성별, 교육 수준 등) 및 임상 정보(APOE e4 등)을 분류 모델에 입력하여 치매 관련 지표를 산출할 수도 있다.
한편, 도 10과 달리 ROI를 추출하는 과정 또는 치매 관련 지표를 예측하는 과정 중 어느 하나만을 학습 모델을 이용할 수도 있다. 즉, (i) 분석장치는 세그멘테이션 모델을 이용하여 ROI를 추출하고, 추출된 ROI에 대한 부피를 산출하여 뇌 위축 정도를 추정할 수 있다. 부피 산출 및 뇌 위축 정도 결정은 도 3 내지 도 4에서 설명한 바와 같다. 또는 (ii) 분석장치는 마스크를 사용하여 ROI를 추출하고, 추출된 ROI를 도 10의 분류 모델에 입력하여 치매 관련 지표를 산출할 수도 있다. 마스크를 이용하여 ROI를 추출하는 과정은 도 3 내지 도 4에서 설명한 바와 같다.
도 11은 치매 관련 지표를 산출하는 분석장치(500)에 대한 예이다. 분석장치(500)는 전술한 분석장치(도 1의 130 및 140)에 해당한다. 분석장치(500)는 물리적으로 다양한 형태로 구현될 수 있다. 예컨대, 분석장치(500)는 PC와 같은 컴퓨터 장치, 네트워크의 서버, 데이터 처리 전용 칩셋 등의 형태를 가질 수 있다.
분석장치(500)는 저장장치(510), 메모리(520), 연산장치(530), 인터페이스 장치(540), 통신장치(550) 및 출력장치(560)를 포함할 수 있다.
저장장치(510)는 의료 영상 장비에서 생성된 대상자의 뇌 영상(MRI 영상)을 저장할 수 있다.
저장장치(510)는 대상자에 대한 환자 정보 및 임상 정보를 저장할 수 있다. 환자 정보 및 임상 정보는 전술한 바와 같다.
저장장치(510)는 뇌 영상에서 치매 관련 지표를 산출하는 코드 내지 프로그램을 저장할 수 있다.
저장장치(510)는 뇌 영상에서 추출한 마스크(들)를 저장할 수 있다.
저장장치(510)는 뇌 영상에서 ROI를 추출하기 위한 세그멘테이션 모델을 저장할 수 있다. 세그멘테이션 모델은 사전에 학습된 모델이다.
저장장치(510)는 ROI를 입력받아 치매 관련 지표를 산출하는 분류 모델을 저장할 수 있다. 분류 모델은 사전에 학습된 모델이다.
저장장치(510)는 대상자에 대한 치매 관련 지표를 저장할 수 있다.
메모리(520)는 분석장치(500)가 뇌 영상에서 치매 관련 지표를 산출하는 과정에서 생성되는 데이터 및 정보 등을 저장할 수 있다.
인터페이스 장치(540)는 외부로부터 일정한 명령 및 데이터를 입력받는 장치이다. 인터페이스 장치(540)는 물리적으로 연결된 입력 장치 또는 외부 저장장치로부터 대상자의 뇌 영상을 입력받을 수 있다. 인터페이스 장치(540)는 물리적으로 연결된 입력 장치 또는 외부 저장장치로부터 대상자의 환자 정보 및/또는 임상 정보를 입력받을 수 있다. 인터페이스 장치(540)는 뇌 영상을 기준으로 산출한 치매 관련 지표를 외부 객체에 전달할 수도 있다.
통신장치(550)는 유선 또는 무선 네트워크를 통해 일정한 정보를 수신하고 전송하는 구성을 의미한다. 통신장치(550)는 외부 객체로부터 대상자의 뇌 영상을 수신할 수 있다. 통신장치(550)는 외부 객체로부터 대상자의 환자 정보 및/또는 임상 정보를 수신할 수 있다. 통신장치(550)는 뇌 영상을 기준으로 산출한 치매 관련 지표를 사용자 단말과 같은 외부 객체에 송신할 수도 있다.
인터페이스 장치(540) 및 통신장치(550)는 사용자 또는 다른 물리적 객체로부터 일정한 데이터를 주고받는 구성이므로, 포괄적으로 입출력장치라고도 명명할 수 있다. 정보 내지 데이터 입력 기능에 한정하면 인터페이스 장치(540) 및 통신장치(550)는 입력장치라고 할 수도 있다.
출력장치(560)는 일정한 정보를 출력하는 장치이다. 출력장치(560)는 데이터 처리 과정에 필요한 인터페이스, 뇌 영상, 뇌 영상에서 분할한 ROI, ROI 기준 산출한 치매 관련 지표 등을 출력할 수 있다.
연산 장치(530)는 대상자의 뇌 영상을 일정하게 전처리할 수 있다. 데이터 전처리 과정은 도 3에서 설명한 바와 같다. 연산 장치(530)는 데이터 전처리 과정을 통하여 뇌 영역 전체 및 ROI를 분할하기 위한 마스크(들)를 생성할 수 있다.
연산 장치(530)는 뇌 영역 전체에 대한 마스크를 이용하여 뇌 영상에서 전체 뇌 영역을 분할할 수 있다. 나아가, 연산 장치(530)는 특정 ROI에 대한 마스크를 이용하여 전체 뇌 영역에서 목표하는 ROI를 분할할 수 있다. ROI는 전술한 바와 같이 다양할 수 있다. 예컨대, ROI는 전체 대뇌외 뇌척수액 영역, 대뇌외 뇌척수액 서브 영역들, 전체 대뇌외 뇌척수액 영역 + 측뇌실 영역 및 대뇌외 뇌척수액 서브 영역들 + 측뇌실 영역 중 어느 하나일 수 있다.
연산 장치(530)는 세그멘테이션 모델을 이용하여 입력되는 뇌 영상에서 ROI를 분할할 수도 있다.
연산 장치(530)는 분할한 ROI에 대한 부피 또는 면적을 산출할 수 있다. 연산 장치(530)는 뇌 영역의 부피를 산출하기 위한 상용 프로그램 중 어느 하나를 이용하여 ROI에 대한 부피 또는 면적을 산출할 수 있다. 나아가, 연산 장치(530)는 초기 산출한 ROI의 부피를 ICV 기준으로 정규화할 수 잇다.
연산 장치(530)는 최종적인 ROI 부피 또는 면적을 기준으로 뇌 위축 정도를 추정할 수 있다. 또는 연산 장치(530)는 최종적인 ROI 부피 또는 면적을 기준으로 대상자의 치매 정도를 추정할 수 있다. 또는 연산 장치(530)는 대상자의 뇌 위축 정도를 기준으로 대상자의 치매 정도를 추정할 수 있다.
연산 장치(530)는 ROI를 사전에 구축된 분류 모델에 입력하여 치매 관련 지표를 산출할 수 있다. 또한, 연산 장치(530)는 ROI 및 환자 정보(나이, 성별, 교육 수준 등)을 분류 모델에 입력하여 치매 관련 지표를 산출할 수 있다. 나아가, 연산 장치(530)는 ROI, 환자 정보(나이, 성별, 교육 수준 등) 및 임상 정보(APOE e4 등)을 분류 모델에 입력하여 치매 관련 지표를 산출할 수 있다.
연산 장치(530)는 데이터를 처리하고, 일정한 연산을 처리하는 프로세서, AP, 프로그램이 임베디드된 칩과 같은 장치일 수 있다.
또한, 상술한 바와 같은 뇌 영상 처리 방법, 치매 관련 지표 산출 방법 내지 치매 예측 방법은 컴퓨터에서 실행될 수 있는 실행가능한 알고리즘을 포함하는 프로그램(또는 어플리케이션)으로 구현될 수 있다. 상기 프로그램은 일시적 또는 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장되어 제공될 수 있다.
비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM (read-only memory), PROM (programmable read only memory), EPROM(Erasable PROM, EPROM) 또는 EEPROM(Electrically EPROM) 또는 플래시 메모리 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.
일시적 판독 가능 매체는 스태틱 램(Static RAM，SRAM), 다이내믹 램(Dynamic RAM，DRAM), 싱크로너스 디램 (Synchronous DRAM，SDRAM), 2배속 SDRAM(Double Data Rate SDRAM，DDR SDRAM), 증강형 SDRAM(Enhanced SDRAM，ESDRAM), 동기화 DRAM(Synclink DRAM，SLDRAM) 및 직접 램버스 램(Direct Rambus RAM，DRRAM) 과 같은 다양한 RAM을 의미한다.
본 실시예 및 본 명세서에 첨부된 도면은 전술한 기술에 포함되는 기술적 사상의 일부를 명확하게 나타내고 있는 것에 불과하며, 전술한 기술의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시례는 모두 전술한 기술의 권리범위에 포함되는 것이 자명하다고 할 것이다.

Claims (19)

  1. 분석장치가 대상자의 뇌 영상을 입력받는 단계;
    상기 분석장치가 상기 뇌 영상에서 관심 영역을 구분하는 단계;
    상기 분석장치가 상기 관심 영역의 부피 또는 면적을 산출하는 단계; 및
    상기 분석장치가 상기 부피 또는 면적을 기준으로 상기 대상자에 대한 치매 관련 지표를 산출하는 단계를 포함하되,
    상기 관심 영역은 대뇌외 뇌척수액(Extracerebral cerebrospinal fluid) 영역을 포함하는 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법.
  2. 제1항에 있어서,
    상기 치매 관련 지표는 뇌 위축 정도, 치매 여부 및 치매 진행 정도 중 적어도 하나를 포함하는 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법.
  3. 제1항에 있어서,
    상기 분석 장치는 상기 뇌 영상을 전처리하여 생성되는 마스크를 이용하여 상기 관심 영역을 구분하는 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법.
  4. 제1항에 있어서,
    상기 관심 영역은
    뇌실 영역을 더 포함하고,
    상기 뇌실 영역은 측뇌실을 포함하는 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법.
  5. 제1항에 있어서,
    상기 관심 영역은 대뇌외 뇌척수액 영역에 포함된 서브 영역이고, 상기 서브 영역은 전두부 영역(frontal), 측두부 영역(temporal), 두정부 영역(parietal) 및 후두부 영역(occipital) 중 적어도 하나를 포함하는 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법.
  6. 분석장치가 대상자의 뇌 영상을 입력받는 단계;
    상기 분석장치가 상기 뇌 영상에서 관심 영역을 구분하는 단계; 및
    상기 분석장치가 상기 관심 영역을 사전에 학습된 학습모델에 입력하여 상기 대상자에 대한 치매 관련 지표를 산출하는 단계를 포함하되,
    상기 관심 영역은 대뇌외 뇌척수액(Extracerebral cerebrospinal fluid) 영역을 포함하는 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법.
  7. 제6항에 있어서,
    상기 분석장치는 상기 뇌 영상을 사전에 학습된 세그멘테이션 모델에 입력하여 상기 관심 영역을 구분하는 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법.
  8. 제6항에 있어서,
    상기 관심 영역은 상기 대뇌외 뇌척수액 영역의 전체와 측뇌실 영역을 포함하는 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법.
  9. 제6항에 있어서,
    상기 관심 영역은 대뇌외 뇌척수액 영역에 포함된 서브 영역이고, 상기 서브 영역은 전두부 영역(frontal), 측두부 영역(temporal), 두정부 영역(parietal) 및 후두부 영역(occipital) 중 적어도 하나를 포함하는 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법.
  10. 제9항에 있어서,
    상기 관심 영역은 측뇌실 영역을 더 포함하는 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법.
  11. 제9항에 있어서,
    상기 분석장치는 상기 대상자의 추가 정보를 상기 학습모델에 더 입력하여 상기 치매 관련 지표를 산출하고,
    상기 추가 정보는 상기 대상자의 나이, 성별, 교육 수준 및 APOE e4 유전자형 중 적어도 하나를 포함하는 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법.
  12. 대상자의 뇌 영상을 입력받는 입력장치; 및
    상기 뇌 영상에서 관심 영역을 구분하고, 상기 관심 영역을 기준으로 치매 관련 지표를 산출하는 연산장치를 포함하되,
    상기 관심 영역은 대뇌외 뇌척수액 영역(Extracerebral cerebrospinal fluid)을 포함하는 치매 관련 지표를 산출하는 분석장치.
  13. 제12항에 있어서,
    상기 연산장치는 상기 뇌 영상을 전처리하여 생성되는 마스크를 이용하여 상기 관심 영역을 구분하는 치매 관련 지표를 산출하는 분석장치.
  14. 제12항에 있어서,
    상기 연산장치는 상기 뇌 영상을 사전에 학습된 세그멘테이션 모델에 입력하여 상기 관심 영역을 구분하는 치매 관련 지표를 산출하는 분석장치.
  15. 제12항에 있어서,
    상기 연산장치는 상기 관심 영역의 부피 또는 면적을 기준으로 상기 치매 관련 지표를 산출하는 치매 관련 지표를 산출하는 분석장치.
  16. 제12항에 있어서,
    상기 연산장치는 상기 관심 영역을 사전에 학습된 학습모델에 입력하여 상기 치매 관련 지표를 산출하는 치매 관련 지표를 산출하는 분석장치.
  17. 제12항에 있어서,
    상기 관심 영역은 상기 대뇌외 뇌척수액 영역의 전체와 측뇌실 영역을 포함하는 치매 관련 지표를 산출하는 분석장치.
  18. 제12항에 있어서,
    상기 관심 영역은 대뇌외 뇌척수액 영역에 포함된 서브 영역이고, 상기 서브 영역은 전두부 영역(frontal), 측두부 영역(temporal), 두정부 영역(parietal) 및 후두부 영역(occipital) 중 적어도 하나를 포함하는 치매 관련 지표를 산출하는 분석장치.
  19. 제12항에 있어서,
    상기 관심 영역은 대뇌외 뇌척수액 영역에 포함된 서브 영역이고, 상기 서브 영역은 전두부 영역(frontal), 측두부 영역(temporal), 두정부 영역(parietal) 및 후두부 영역(occipital) 중 적어도 하나 및 측뇌실 영역을 포함하는 치매 관련 지표를 산출하는 분석장치.
PCT/KR2022/021527 2022-10-28 2022-12-28 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법 및 분석장치 WO2024090677A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220141232A KR102615492B1 (ko) 2022-10-28 2022-10-28 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법 및 분석장치
KR10-2022-0141232 2022-10-28

Publications (1)

Publication Number Publication Date
WO2024090677A1 true WO2024090677A1 (ko) 2024-05-02

Family

ID=89385499

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/021527 WO2024090677A1 (ko) 2022-10-28 2022-12-28 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법 및 분석장치

Country Status (2)

Country Link
KR (1) KR102615492B1 (ko)
WO (1) WO2024090677A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101754291B1 (ko) * 2017-04-04 2017-07-06 이현섭 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법
KR20190135908A (ko) * 2019-02-01 2019-12-09 (주)제이엘케이인스펙션 인공지능 기반 치매 진단 방법 및 장치
KR20200007244A (ko) * 2018-07-12 2020-01-22 서울대학교병원 치매 조기 진단용 복합 텍스처 인덱스의 생성 방법
KR20210024853A (ko) * 2019-08-26 2021-03-08 경북대학교 산학협력단 영상 진단기기를 이용한 특발성 정상압 수두증의 진단 방법 및 시스템
KR102456338B1 (ko) * 2021-08-03 2022-10-20 주식회사 뉴로젠 아밀로이드 베타 축적 예측 장치 및 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102250954B1 (ko) 2018-11-27 2021-05-12 재단법인 아산사회복지재단 뇌 mri 영상의 뇌 영역별 분할을 통한 치매 예측 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101754291B1 (ko) * 2017-04-04 2017-07-06 이현섭 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법
KR20200007244A (ko) * 2018-07-12 2020-01-22 서울대학교병원 치매 조기 진단용 복합 텍스처 인덱스의 생성 방법
KR20190135908A (ko) * 2019-02-01 2019-12-09 (주)제이엘케이인스펙션 인공지능 기반 치매 진단 방법 및 장치
KR20210024853A (ko) * 2019-08-26 2021-03-08 경북대학교 산학협력단 영상 진단기기를 이용한 특발성 정상압 수두증의 진단 방법 및 시스템
KR102456338B1 (ko) * 2021-08-03 2022-10-20 주식회사 뉴로젠 아밀로이드 베타 축적 예측 장치 및 방법

Also Published As

Publication number Publication date
KR102615492B1 (ko) 2023-12-19

Similar Documents

Publication Publication Date Title
Liu et al. Anatomical landmark based deep feature representation for MR images in brain disease diagnosis
US11900647B2 (en) Image classification method, apparatus, and device, storage medium, and medical electronic device
Alam et al. Alzheimer disease classification using KPCA, LDA, and multi‐kernel learning SVM
Liu et al. View‐centralized multi‐atlas classification for Alzheimer's disease diagnosis
Ye et al. Discriminative multi-task feature selection for multi-modality classification of Alzheimer’s disease
WO2019143179A1 (ko) 동일 피사체에 대하여 시간 간격을 두고 촬영된 영상 간에 동일 관심구역을 자동으로 검출하는 방법 및 이를 이용한 장치
Liu et al. An enhanced multi-modal brain graph network for classifying neuropsychiatric disorders
WO2023095989A1 (ko) 뇌질환 진단을 위한 다중 모달리티 의료 영상 분석 방법 및 장치
Li et al. Classification of brain disease in magnetic resonance images using two-stage local feature fusion
Guan et al. Big data analytics on lung cancer diagnosis framework with deep learning
Guo et al. A novel conversion prediction method of MCI to AD based on longitudinal dynamic morphological features using ADNI structural MRIs
Chen et al. Individualized prediction of schizophrenia based on the whole‐brain pattern of altered white matter tract integrity
Innat et al. A convolutional attention mapping deep neural network for classification and localization of cardiomegaly on chest X-rays
WO2024090677A1 (ko) 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법 및 분석장치
Gajula et al. An MRI brain tumour detection using logistic regression-based machine learning model
Bhatele et al. Neurodegenerative diseases-Caps: a capsule network based early screening system for the classification of neurodegenerative diseases
Hasan et al. Detection of Parkinson’s Disease from T2-Weighted Magnetic Resonance Imaging Scans Using EfficientNet-V2
WO2023153839A1 (ko) 2차원 mri를 이용한 치매 정보 산출 방법 및 분석장치
Lyu et al. Classification of mild cognitive impairment by fusing neuroimaging and gene expression data: classification of mild cognitive impairment by fusing neuroimaging and gene expression data
Gafuroğlu et al. Joint prediction and classification of brain image evolution trajectories from baseline brain image with application to early dementia
KR102608205B1 (ko) 2차원 mri에서 예측한 부피를 이용한 치매 정보 산출 방법 및 분석장치
Wang et al. SVFR: A novel slice-to-volume feature representation framework using deep neural networks and a clustering model for the diagnosis of Alzheimer's disease
WO2024029697A1 (ko) 뇌질환 위험도를 예측하는 방법 및 뇌질환 위험도 분석 모델의 학습 방법
WO2023101203A1 (ko) X 레이 영상을 이용한 병소 체적 정보 추정 방법 및 분석장치
Tembhurne Classification of COVID-19 patients from HRCT score prediction in CT images using transfer learning approach