WO2025005388A1 - 뇌 ct에서 예측한 부피를 이용한 치매 관련 정보 산출 방법 및 분석장치 - Google Patents

뇌 ct에서 예측한 부피를 이용한 치매 관련 정보 산출 방법 및 분석장치 Download PDF

Info

Publication number
WO2025005388A1
WO2025005388A1 PCT/KR2024/003074 KR2024003074W WO2025005388A1 WO 2025005388 A1 WO2025005388 A1 WO 2025005388A1 KR 2024003074 W KR2024003074 W KR 2024003074W WO 2025005388 A1 WO2025005388 A1 WO 2025005388A1
Authority
WO
WIPO (PCT)
Prior art keywords
dementia
brain
region
interest
related information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/KR2024/003074
Other languages
English (en)
French (fr)
Inventor
박채정
김수종
구윤아
서상원
장혜민
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung Life Public Welfare Foundation
Original Assignee
Samsung Life Public Welfare Foundation
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 Samsung Life Public Welfare Foundation filed Critical Samsung Life Public Welfare Foundation
Priority to EP24832176.2A priority Critical patent/EP4736769A1/en
Publication of WO2025005388A1 publication Critical patent/WO2025005388A1/ko
Priority to US19/398,339 priority patent/US20260080535A1/en
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • 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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • 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
    • 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
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • 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
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • 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
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
    • 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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5294—Devices using data or image processing specially adapted for radiation diagnosis involving using additional data, e.g. patient information, image labeling, acquisition parameters
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Definitions

  • the technology described below is a method for predicting dementia-related information of a subject using brain CT images.
  • Dementia is a syndrome that causes cognitive functions such as memory, language, and judgment to deteriorate in the future.
  • Alzheimer's disease is the most common type of dementia.
  • Brain imaging such as MRI (Magnetic Resonance Imaging) and PET are used to diagnose Alzheimer's disease.
  • 3D(dimensional) MRI and PET-CT(positron emission tomography-Computed Tomography) take a lot of time and money to take pictures.
  • CT has no restrictions such as the presence of metal substances in the human body, can be obtained much faster than MRI, and is relatively inexpensive.
  • the technology described below is intended to provide a method for producing dementia-related information, such as dementia presence, dementia risk, and brain atrophy, using only brain CT images.
  • a method for producing dementia-related information using a volume predicted from a brain CT includes a step of an analysis device receiving a brain CT image of a subject, a step of the analysis device inputting the brain CT image into a learned segmentation model to extract regions of interest, a step of the analysis device inputting pixel information of the regions of interest into a first learned model to predict the volume of at least one region among the regions of interest, and a step of the analysis device inputting the volume of the at least one region into a second learned model to produce dementia-related information of the subject.
  • An analysis device for calculating dementia-related information using a volume predicted from a brain CT includes an interface device for receiving a brain CT image of a subject, a segmentation model for extracting a region of interest from the brain CT image, a storage device for storing a first learning model for receiving information on a region of interest of the brain and predicting a volume, and a second learning model for calculating dementia-related information, and a calculation device for inputting the received brain CT image into the segmentation model to extract regions of interest, inputting pixel information of the extracted regions of interest into the first learning model to predict a volume of at least one region among the regions of interest, and inputting the volume of the at least one region into the second learning model to calculate dementia-related information of the subject.
  • the technology described below extracts regions of interest from CT images and derives dementia-related information based on the volume of the region of interest.
  • the technology described below can quickly and inexpensively derive significant dementia-related information using only CT images.
  • Figure 1 is an example of a system that produces dementia-related information based on CT images.
  • Figure 2 is an example of a process for producing dementia-related information using brain CT images.
  • Figure 3 is an example of the process of learning a segmentation model that extracts a region of interest from a brain CT image.
  • Figure 4 is an example of the learning process of a learning model that predicts the volume of a region of interest based on the extracted region of interest.
  • Figure 5 is an example of the learning process of a learning model that produces dementia-related information based on the volume of a brain region of interest.
  • Figure 6 is an example of an analysis device that produces dementia-related information of a subject using a brain CT image.
  • first, second, A, B, etc. may be used to describe various components, these components are not limited by these terms, and are only used to distinguish one component from another.
  • first component may be referred to as the second component, and similarly, the second component may also be referred to as the first component.
  • the term and/or includes any combination of a plurality of related described items or any item among a plurality of related described items.
  • each process constituting the method may occur in a different order from the stated order unless the context clearly states a specific order. That is, each process may occur in the same order as the stated order, may be performed substantially simultaneously, or may be performed in the opposite order.
  • the technology described below is a technology that produces dementia-related information from brain CT.
  • Dementia below includes Alzheimer's dementia.
  • Dementia-related information refers to information related to dementia diagnosis or dementia prediction.
  • dementia-related information may be at least one of the following information: dementia onset, dementia risk, dementia possibility, dementia-related score, dementia prognosis prediction, brain atrophy degree, beta amyloid (amyloid-ß, Aß) positivity, tau protein positivity, brain age, etc.
  • the analysis device can take the form of a computer device such as a PC, a smart device, a network server, a data processing-dedicated chipset, etc.
  • the analysis device can use multiple learning models to derive dementia-related information based on brain images.
  • the analysis device can use a segmentation model to extract regions of interest from the CT.
  • the analysis device can use a classification model to derive dementia-related information from the CT or regions of interest.
  • Fig. 1 is an example of a system (100) that produces dementia-related information based on CT images.
  • an example of an analysis device being a computer terminal (130) and a server (140) is illustrated.
  • the CT imaging device (110) captures a CT image of a subject.
  • the CT image is an image of a brain region (brain CT image).
  • the brain CT image generated by the CT imaging device (110) can be stored in a separate database such as an Electronic Medical Record (EMR, 120).
  • EMR Electronic Medical Record
  • the computer terminal (130) can receive a brain CT image of a subject from a CT imaging device (110) or EMR (120) through a wired or wireless network. In some cases, the computer terminal (130) may be a device physically connected to the CT imaging device (110). The computer terminal (130) can preprocess the brain CT image in a predetermined manner.
  • the computer terminal (130) extracts regions of interest (areas) from a brain CT image.
  • the computer terminal (130) can extract regions of interest (areas) from a brain CT image using a learned segmentation model.
  • the computer terminal (130) can estimate the volume of the regions of interest (areas) using the learned model.
  • the computer terminal (130) can produce dementia-related information about the subject based on the volume of the regions of interest (areas) using the learned model.
  • User A can check dementia-related information through the computer terminal (130).
  • the server (140) can receive a brain CT image of a subject from a CT imaging device (110) or EMR (120) via a wireless network.
  • the server (140) can preprocess the brain CT image on a regular basis.
  • the server (140) extracts regions of interest (areas of interest) from a brain CT image.
  • the server (140) can extract regions of interest (areas of interest) from a brain CT image using a learned segmentation model.
  • the server (140) can estimate the volume of the regions of interest (areas of interest) using the learned model.
  • the server (140) can produce dementia-related information about the subject based on the volume of the regions of interest (areas of interest) using the learned model.
  • the server (140) can transmit the dementia-related information to a user terminal. User A can check the dementia-related information through the user terminal.
  • Figure 2 is an example of a process (200) for producing dementia-related information using a brain CT image.
  • the analysis device can produce dementia-related information about a subject based on a brain CT image.
  • the analysis device receives a brain CT image of the subject (210).
  • the brain CT may be composed of multiple slices.
  • the subject analyzed by the analysis device may be all of the multiple slices or at least one slice among the multiple slices.
  • the analysis device can preprocess brain CT images in a uniform manner.
  • the analysis device can extract the entire brain region from the brain CT image.
  • the analysis device can use a pre-trained segmentation model.
  • the analysis device can extract the entire brain region from the brain MRI image using the CIVET pipeline to generate an answer, and the segmentation model can be trained to extract the entire brain region from the brain CT image based on the answer (the entire brain region of the brain MRI image).
  • the analysis device can extract the entire brain region from the brain CT image using the trained segmentation model.
  • the analysis device can normalize the size or resolution of the subject's brain CT image to a certain size.
  • the analysis device extracts a region of interest from the input brain CT image (220).
  • the analysis device can extract a region of interest using a segmentation model learned in advance.
  • the analysis device can extract a plurality of regions of interest using the segmentation model.
  • the regions of interest correspond to regions for calculating the volume of the corresponding region.
  • the region of interest can include at least one of a cerebrospinal fluid (CSF) region and a ventricle region.
  • CSF cerebrospinal fluid
  • the region of interest can include at least one of a frontal CSF region, a temporal CSF region, a parietal CSF region, an occipital CSF region, an anterior lateral ventricle region, a posterior lateral ventricle region, and an around hippocampal CSF region.
  • CSF cerebrospinal fluid
  • the analysis device can estimate the volume of the extracted region(s) of interest (230).
  • the analysis device can estimate the volume of the specific region of interest by using a learning model (e.g., a regression analysis model) that has learned in advance the relationship between the number of pixels for the specific region of interest and the volume of the region.
  • a learning model e.g., a regression analysis model
  • the analysis device needs to uniformly normalize the size of the brain CT image or the region of interest.
  • the analysis device can estimate the volume of the specific region of interest based on the uniformly normalized brain CT image.
  • the learning model can be prepared in advance for each of a plurality of regions of interest.
  • the analysis device can individually estimate the volume of the corresponding region by using learning models for each of the frontal cerebrospinal fluid region, the temporal cerebrospinal fluid region, the parietal cerebrospinal fluid region, the occipital cerebrospinal fluid region, the anterior lateral ventricle region, the posterior lateral ventricle region, and the cerebrospinal fluid region around the hippocampus.
  • the analysis device can also estimate the volume of the region of interest by additionally using the subject's clinical information (gender, age, etc.) in addition to the brain CT image.
  • the analysis device can produce dementia-related information about the subject based on the volume of the region(s) of interest (240).
  • the analysis device can produce dementia-related information based on the volume of the region(s) of interest using a learning model.
  • the analysis device can produce dementia-related information about the subject using additional clinical information (age, gender, APOE4 genotype, etc.) in addition to the volume of the region(s) of interest.
  • the researcher constructed the aforementioned learning models using data from the population that visited the affiliated medical institution (Samsung Seoul Hospital).
  • the population consisted of dementia patients (Alzheimer's disease dementia, ADD) and normal controls (NC).
  • the population was selected as subjects who had both MRI and CT scans within a certain period (1 year).
  • the population excluded young normal subjects and dementia patients with cardiovascular disease.
  • the population data included MRI, CT, clinical information (gender, age, APOE4 phenotype), and dementia (label value).
  • the total number of subjects in the population was 895. Table 1 below shows the population information.
  • the researcher used 716 data (80%) of the 895 subjects as training data and 179 data (20%) as test data. Verification was performed using 5-fold cross validation.
  • Figure 3 is an example of a process (300) for learning a segmentation model that extracts a region of interest from a brain CT image.
  • the researcher normalized the brain CT images used as learning data to a certain size.
  • the researcher enhanced the learning data through brightness adjustment, image flipping (horizontal flip), etc. for the learning data.
  • a learning device refers to a computer device capable of processing image data and performing the learning process of a machine learning model.
  • the learning device learns a segmentation model using medical images of multiple subjects.
  • Fig. 3 illustrates an example of a process of learning a segmentation model using data of subject i.
  • the learning device constructs learning data for learning the learning model (310).
  • the learning data can be constructed from brain images of a population (including dementia patients and normal people).
  • the CT image DB (database) stores brain CT images of the population.
  • the MRI image DB stores brain MRI images of the population.
  • the MRI image DB includes information on regions of interest in brain images. The information on regions of interest can be regions of interest labeled automatically or manually by an expert.
  • the learning device constructs learning data by extracting CT images and MRI images (including information on regions of interest) of the same subject.
  • the learning device performs a process of learning a segmentation model that extracts a region of interest using learning data (320).
  • the learning device performs learning based on data about a specific patient among the learning data.
  • the learning device can repeatedly perform the learning process using data about a number of patients in the learning data.
  • the learning device receives a 3D MRI image (including information on a region of interest) of subject i (311).
  • the learning device receives a 2D or 3D CT image of subject i (312).
  • the region of interest may be a ROI in a 2D image or a VOI (Volume of Interest) in a 3D image.
  • the learning device aligns a brain MRI image and a brain CT image (320). The learning device aligns images of the same brain region of the same subject.
  • the learning device builds a segmentation model using aligned brain CT and brain MRI.
  • the segmentation model can be a semantic segmentation model.
  • the segmentation model can be a fully convolutional network (FCN)-based model such as U-net.
  • FCN fully convolutional network
  • the segmentation model predicts the region of interest based on the brain CT image.
  • the segmentation model is trained to extract the same region of interest from the brain CT image by referencing the region of interest in the brain MRI image, which is the correct answer.
  • the regions of interest can be multiple regions as described above.
  • the regions of interest can include frontal cerebrospinal fluid regions, temporal cerebrospinal fluid regions, parietal cerebrospinal fluid regions, occipital cerebrospinal fluid regions, anterior lateral ventricle regions, posterior lateral ventricle regions, and perihippocampal cerebrospinal fluid regions.
  • the learning device can build a segmentation model for each region of interest.
  • the researcher also constructed multiple segmentation models for each area of interest.
  • the researcher constructed a U-net-based segmentation model.
  • the researcher constructed a segmentation model (2D image-based segmentation model) using each axial slice in the training data.
  • the researcher constructed a segmentation model (3D image-based segmentation model) using 3D CT of the training data.
  • Table 2 shows the results of evaluating the performance of the constructed segmentation models.
  • the researcher performed 5-fold cross-validation on the validation data to evaluate the performance of the 2D image-based segmentation model and the 3D image-based segmentation model.
  • Fig. 4 is an example of a learning process (400) of a learning model that predicts the volume of a region of interest based on an extracted region of interest.
  • the learning model predicts the volume of an interest potion based on the aforementioned region of interest.
  • the learning in Fig. 4 assumes that the region of interest described above has been extracted from a brain CT image of a subject belonging to the population. That is, the learning device can use the region of interest calculated using the segmentation model of Fig. 3.
  • the learning device extracts input data based on regions of interest extracted from a brain CT image (410).
  • the input data includes regions of interest(s) extracted by the segmentation model.
  • the input data includes the actual volume (correct value) of a specific region of interest.
  • the actual volume can be derived from MRI.
  • the input data may include clinical information (gender, age) about the subject.
  • the learning device performs a process of learning a learning model by utilizing the extracted input data (420).
  • the learning device repeats the learning process of the learning model by utilizing input data extracted from brain CT images of multiple subjects.
  • the learning device can build a learning model that predicts volume by region of interest.
  • the learning device calculates the total number of pixels for the region of interest.
  • the regions of interest can be, as described above, the frontal cerebrospinal fluid region, the temporal cerebrospinal fluid region, the parietal cerebrospinal fluid region, the occipital cerebrospinal fluid region, the anterior lateral ventricle region, the posterior lateral ventricle region, and the cerebrospinal fluid region around the hippocampus.
  • the learning device builds a learning model by comparing the number of pixels in the region of interest with the volume (correct answer) of the region of interest. Through this process, the learning model learns to predict the volume of the region of interest.
  • the correct answer is the volume of a specific region of interest derived from brain MRI of subjects belonging to the population.
  • the learning model can be constructed as an individual model depending on the information to be predicted.
  • the learning model is a machine learning model and can be implemented as one of various types of models.
  • the researcher used a regression model.
  • the researcher individually constructed a model for predicting the volume of the anterior CSF (anterior CSF model), a model for predicting the volume of the temporal CSF (temporal CSF model), a model for predicting the volume of the parietal CSF (parietal CSF model), a model for predicting the volume of the occipital CSF (occipital CSF model), a model for predicting the volume of the anterior lateral ventricle (lateral ventricle model), a model for predicting the volume of the posterior lateral ventricle (posterior lateral ventricle model), and a model for predicting the volume of the cerebrospinal fluid region around the hippocampus (hippocampal CSF model).
  • the learning model can be trained using clinical information (age and gender) in addition to the size of the region of interest.
  • the researcher compared the predicted volume of the region of interest extracted from the brain CT image with the correct value measured from the 3D MRI using the segmentation model described above.
  • the researcher segmented the region of interest using each of the two segmentation models constructed, and compared the predicted volume with the correct value based on this result.
  • the performance evaluation results of the volume prediction model are shown in Table 3 below.
  • the performance index is the Pearson Correlation Coefficient.
  • the researcher repeated 10 cross validations 10 times (permutations).
  • the volume of the region of interest predicted by the learning model showed a significant correlation with the actual correct value.
  • Correlation r (Volume prediction of segmented regions of interest based on 2D images) Correlation r (Volume prediction of segmented regions of interest based on 3D images) Frontal cerebrospinal fluid area 0.838 0.868 Temporal cerebrospinal fluid area 0.827 0.878 Cerebrospinal fluid area of the parietal region 0.868 0.905 Occipital cerebrospinal fluid area 0.761 0.824 anterior lateral ventricular area 0.984 0.984 Posterior lateral ventricular area 0.981 0.981 Cerebrospinal fluid area around the hippocampus 0.945 0.944
  • Figure 5 is an example of a learning process (500) of a learning model that produces dementia-related information based on the volume of a brain region of interest.
  • the learning model that produces dementia-related information can be implemented as any one of various types of machine learning models.
  • the researcher implemented a model that produces dementia-related information using a deep learning model.
  • the learning in Fig. 5 assumes that the volume of the brain region of interest and clinical information for the subjects belonging to the population have been acquired.
  • the learning device can use the volume of each region of interest of the subjects calculated using the learning model in Fig. 4.
  • the learning device acquires input data, which is learning data (510).
  • the learning device extracts the volume of a specific region of interest extracted from the brain CT images of subjects belonging to the population.
  • the brain region volume may include the volume of the frontal cerebrospinal fluid region, the temporal cerebrospinal fluid region, the parietal cerebrospinal fluid region, the occipital cerebrospinal fluid region, the anterior lateral ventricle region, the posterior lateral ventricle region, and the cerebrospinal fluid region around the hippocampus.
  • the learning device may construct a learning model to produce dementia-related information based on some of the regions of interest among the multiple regions of interest.
  • the learning device acquires clinical information of the subjects.
  • the clinical information may include age, gender, and APOE4 phenotype.
  • the learning device may construct a learning model to derive dementia-related information by using some of the clinical information in addition to the volume of the region(s) of interest.
  • the learning data may include the volume of a specific brain region calculated using the learning model of Fig. 3.
  • the learning data may include the cerebral cortex thickness and the volume of a specific brain region calculated from brain images of actual subjects. The researcher used the volume of a region of interest calculated from the results of 3D MRI analysis of an actual subject as the learning data.
  • the learning device performs a process of learning a learning model by utilizing the extracted input data (520).
  • the learning device repeats the learning process of the learning model by utilizing input data extracted from a number of subjects.
  • the learning device performs learning by inputting the extracted input data into the learning model and comparing the value (predicted value) output by the learning model with the correct answer.
  • the learning model is trained to predict dementia-related information of the subject.
  • the correct answer is dementia-related information of the subject.
  • the researcher constructed a learning model to classify dementia patients or normal people.
  • the researcher used 90% of the population data as learning data and 10% of the data as verification data.
  • the multiple learning models constructed by the researcher are shown in Table 3 below.
  • the learning models were largely constructed as a model that uses only the volume of regions of interest (Model A), a model that uses the volume of regions of interest and clinical information (age and gender) (Model B), and a model that uses the volume of regions of interest and clinical information (age, gender, and APOE4 phenotype) (Model C).
  • Each model group was constructed by dividing it into models that use 1, 2, 3, 4, 6, and 7 (total) regions of interest among the total regions of interest.
  • Table 4 shows the model groups using four different ROIs and the training data used to build different models in each group.
  • the model in Table 4 below is a model that predicts whether the subject has dementia (dementia or normal).
  • the training model in Figure 4 corresponds to a model that binary classifies whether the subject has dementia or is normal.
  • Model classification model name Input Features Model A Model A1 3 ROIs (aLV/pLV/HippCSF) Model A2 4 ROIs (F/T/P/O) Model A3 6 ROIs (F/T/P/O/aLV/pLV) Model A4 7 ROIs (F/T/P/O/aLV/pLV/HippCSF) Model A5 2 ROIs (aLV/pLV) Model A6 1 ROIs (HippCSF) Model B Model B1 3 ROIs (aLV/pLV/HippCSF)+(age, sex) Model B2 4 ROIs (F/T/P/O)+(Age, Gender) Model B3 6 ROIs (F/T/P/O/aLV/pLV)+(age, gender) Model B4 7ROIs (F/T/P/O/aLV/pLV/HippCSF)+(age, sex) Model B5 2 ROIs (aLV/pLV)+(age, sex, APOE4) Model B
  • F frontal CSF
  • T temporal CSF
  • P parietal CSF
  • O occipital CSF
  • aLV anterior lateral ventricle
  • pLV posterior lateral ventricle
  • HippCSF perihippocampal CSF
  • the researcher verified the constructed learning model. Meanwhile, in the verification process, the researcher used the cerebral cortex thickness and brain region volume predicted by the learning model of Fig. 4 as input data for the learning model of Fig. 5. The researcher performed 10-fold cross-validation.
  • the verification results are as shown in Table 5 below.
  • 3D CIVET is the classification result using the volume value obtained from CIVET.
  • Table 5 shows the classification result using the region of interest segmented by the 2D image-based segmentation model and the classification result using the region of interest segmented by the 3D image-based segmentation model.
  • the verification compared the result predicted by the learning model with the correct answer.
  • the performance indices used were the area under the receiver operating characteristic curve (AUC) and the area under the precision-recall curve (AUPRC).
  • Model Type 3D CIVET Classification performance using 2D image-based segmentation model Classification performance using 3D image-based segmentation model AUC AUPRC AUC AUPRC AUC AUPRC Model A1 0.791 0.772 0.783 0.767 0.784 0.769 Model A2 0.767 0.737 0.738 0.730 0.772 0.735 Model A3 0.779 0.744 0.746 0.737 0.779 0.738 Model A4 0.780 0.746 0.746 0.738 0.773 0.734 Model A5 0.805 0.772 0.801 0.776 0.800 0.776 Model A6 0.800 0.784 0.766 0.766 0.777 0.763 Model B1 0.924 0.903 0.894 0.893 0.900 0.892 Model B2 0.882 0.870 0.838 0.837 0.884 0.881 Model B3 0.910 0.897 0.872 0.866 0.902 0.899 Model B4 0.930 0.913 0.908 0.899 0.916 0.907 Model B5 0.8
  • Fig. 6 is an example of an analysis device (600) that uses brain CT images to derive dementia-related information for a subject.
  • the analysis device (600) may be implemented in various physical forms.
  • the analysis device (600) may take the form of a computer device such as a PC, a smart device, a network server, a data processing-dedicated chipset, etc.
  • the analysis device (600) may be connected to brain imaging equipment or may be an integrated device.
  • the analysis device (600) may include a storage device (610), a memory (620), a computational device (630), an interface device (640), a communication device (650), and an output device (660).
  • the storage device (610) can store a brain CT image of a subject generated by CT scanning equipment.
  • the storage device (610) can store clinical information of the subject.
  • the clinical information can include at least one of age, gender, and APOE4 genotype.
  • the storage device (610) can store a segmentation model for extracting a region of interest from a brain CT image (slice).
  • the storage device (610) can store a learning model that predicts the volume of a region of interest based on information of the region of interest.
  • the learning model that predicts the volume of a specific brain region of interest is called a first learning model.
  • the region of interest includes at least one of a frontal cerebrospinal fluid region, a temporal cerebrospinal fluid region, a parietal cerebrospinal fluid region, an occipital cerebrospinal fluid region, an anterior lateral ventricle region, a posterior lateral ventricle region, and a cerebrospinal fluid region around the hippocampus.
  • the first learning model can be prepared for each region of interest.
  • the storage device (610) can store a learning model that calculates dementia-related information using the volume of the region of interest.
  • the learning model that calculates dementia-related information is called the second learning model.
  • the second learning model can be implemented as various models depending on the type of input data as described above.
  • the second learning model can be at least one of various types, such as (i) a model that uses only the volume of the region of interest as input data (Model A), (ii) a model that uses the volume of the region of interest and clinical information (age, gender) as input data (Model B), or (iii) a model that uses the volume of the region of interest and clinical information (age, gender, and APEO4) as input data (Model C).
  • the region of interest used by the learning model can be all or a part of the seven regions of interest as described in Table 3.
  • the dementia-related information inferred by the second learning model may be at least one of the following information: dementia onset, dementia risk, dementia possibility, dementia-related score, dementia prognosis prediction, brain atrophy degree, beta amyloid-ß (Aß) positivity, tau protein positivity, brain age, etc.
  • the dementia-related information may vary depending on the type of learning data (correct answer value) used by the second learning model.
  • the memory (620) can store data and information generated during the process in which the analysis device (600) derives dementia-related information from a brain CT image.
  • the interface device (640) is a device that receives certain commands and data from the outside.
  • the interface device (640) can receive a brain CT image of a subject from a physically connected input device or an external storage device.
  • the interface device (640) can also transmit dementia-related information predicted based on the brain CT image to an external object.
  • the communication device (650) refers to a configuration that receives and transmits certain information through a wired or wireless network.
  • the communication device (650) can receive a brain CT image of a subject from an external object.
  • the communication device (650) can also transmit dementia-related information predicted based on the brain CT image to an external object such as a user terminal.
  • the interface device (640) may be a device that internally transmits data received from a communication device (650).
  • the output device (660) is a device that outputs certain information.
  • the output device (660) can output interfaces required for data processing, brain images, regions of interest distinguished from brain images, dementia-related information calculated based on regions of interest, etc.
  • the computational device (630) can preprocess the brain CT image of the subject in a predetermined manner. For example, the computational device (630) can normalize the brain CT image to a predetermined size or resolution.
  • the computational device (630) can input the subject's brain CT image into the learned segmentation model to extract the region of interest.
  • the computational device (630) can input the subject's brain CT image into the learned segmentation model in slice units to extract the region of interest.
  • the region of interest may be at least one of the frontal cerebrospinal fluid region, temporal cerebrospinal fluid region, parietal cerebrospinal fluid region, occipital cerebrospinal fluid region, anterior lateral ventricle region, posterior lateral ventricle region, and parahippocampal cerebrospinal fluid region.
  • the computational device (630) can extract size information for the region(s) of interest.
  • the computational device (630) can calculate the sum of pixels for each region of interest.
  • the computational device (630) can estimate the volume of the region of interest based on the number of pixels of the region of interest.
  • the computational device (630) can calculate the volume of the region of interest based on the number of pixels of the region of interest using the first learning model described above.
  • the computational device (630) can estimate the volume of each of the plurality of regions of interest using the first learning model constructed for each region of interest.
  • the computational device (630) can input the volume of the region of interest predicted by the first learning model into the second learning model to produce dementia-related information of the subject.
  • the computational device (630) can input the volume of at least one region among the frontal cerebrospinal fluid region, the temporal cerebrospinal fluid region, the parietal cerebrospinal fluid region, the occipital cerebrospinal fluid region, the anterior lateral ventricle region, the posterior lateral ventricle region, and the cerebrospinal fluid region around the hippocampus into the second learning model to produce dementia-related information of the subject.
  • the computational device (630) can input clinical information (at least one of age, gender, and APOE4 genotype) in addition to the volume of the region of interest into the second learning model to produce dementia-related information of the subject. This process is as described in FIG. 5.
  • the computational device (630) may be a device such as a processor, AP, or chip embedded with a program that processes data and performs certain operations.
  • the brain CT image analysis method or dementia-related information generation method as 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 provided by being stored in a temporary or non-transitory computer readable medium.
  • a non-transitory readable medium refers to a medium that semi-permanently stores data and can be read by a device, rather than a medium that stores data for a short period of time, such as a register, cache, or memory.
  • the various applications or programs described above may be stored and provided in a non-transitory readable medium, such as a CD, DVD, hard disk, Blu-ray disk, USB, memory card, ROM (read-only memory), PROM (programmable read only memory), EPROM (Erasable PROM, EPROM), EEPROM (Electrically EPROM), or flash memory.
  • Temporarily readable media refers to various types of RAM such as Static RAM (SRAM), Dynamic RAM (DRAM), Synchronous DRAM (SDRAM), Double Data Rate SDRAM (DDR SDRAM), Enhanced SDRAM (ESDRAM), Synclink DRAM (SLDRAM), and Direct Rambus RAM (DRRAM).
  • SRAM Static RAM
  • DRAM Dynamic RAM
  • SDRAM Synchronous DRAM
  • DDR SDRAM Double Data Rate SDRAM
  • ESDRAM Enhanced SDRAM
  • SLDRAM Synclink DRAM
  • DRRAM Direct Rambus RAM

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Optics & Photonics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Physiology (AREA)
  • Neurology (AREA)
  • Dentistry (AREA)
  • Pulmonology (AREA)
  • Neurosurgery (AREA)
  • Multimedia (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

뇌 CT에서 예측한 부피를 이용한 치매 관련 정보 산출 방법은 분석장치가 대상자의 뇌 CT(Computed Tomography) 영상을 입력받는 단계, 상기 분석장치가 상기 뇌 CT 영상을 학습된 세그멘테이션 모델에 입력하여 관심 영역들을 추출하는 단계, 상기 분석장치가 상기 관심 영역들의 픽셀 정보를 사전에 학습된 제1 학습모델에 입력하여 상기 관심 영역들 중 적어도 하나의 영역의 부피를 예측하는 단계 및 상기 분석장치가 상기 적어도 하나의 영역의 부피를 사전에 학습된 제2 학습 모델에 입력하여 상기 대상자의 치매 관련 정보를 산출하는 단계를 포함한다.

Description

뇌 CT에서 예측한 부피를 이용한 치매 관련 정보 산출 방법 및 분석장치
이하 설명하는 기술은 뇌 CT 영상을 이용하여 대상자의 치매 관련 정보를 예측하는 기법이다.
치매(dementia)는 기억, 언어, 판단력 등 인지 기능 장래를 초래하는 증후군을 말한다. 알츠하이머(Alzheimer's disease)는 치매의 가장 흔한 유형이다. 알츠하이머 진단에는 MRI(Magnetic Resonance Imaging), PET 등의 뇌 영상이 사용되고 있다.
3D(dimensional) MRI 및 PET-CT(positron emission tomography-Computed Tomography)는 촬영에 시간 및 비용이 높게 소요된다. 이에 반하여 CT는 인체 내 금속물질 존재 등과 같은 제한 조건이 없고, MRI에 비하여 매우 빠르게 획득가능하며 상대적으로 비용도 저렴하다.
이하 설명하는 기술은 뇌 CT 영상만을 이용하여 치매 여부, 치매 위험도, 뇌 위축도 등과 같은 치매 관련 정보를 산출하는 기법을 제공하고자 한다.
뇌 CT에서 예측한 부피를 이용한 치매 관련 정보 산출 방법은 분석장치가 대상자의 뇌 CT 영상을 입력받는 단계, 상기 분석장치가 상기 뇌 CT 영상을 학습된 세그멘테이션 모델에 입력하여 관심 영역들을 추출하는 단계, 상기 분석장치가 상기 관심 영역들의 픽셀 정보를 사전에 학습된 제1 학습모델에 입력하여 상기 관심 영역들 중 적어도 하나의 영역의 부피를 예측하는 단계 및 상기 분석장치가 상기 적어도 하나의 영역의 부피를 사전에 학습된 제2 학습 모델에 입력하여 상기 대상자의 치매 관련 정보를 산출하는 단계를 포함한다.
뇌 CT에서 예측한 부피를 이용하여 치매 관련 정보를 산출하는 분석장치는 대상자의 뇌 CT 영상을 입력받는 인터페이스 장치, 뇌 CT 영상에서 관심 영역을 추출하는 세그멘테이션 모델, 뇌의 관심 영역 정보를 입력받아 부피를 예측하는 제1 학습모델 및 치매 관련 정보를 산출하는 제2 학습모델을 저장하는 저장장치 및 상기 입력받은 뇌 CT 영상을 상기 세그멘테이션 모델에 입력하여 관심 영역들을 추출하고, 상기 추출한 관심 영역들의 픽셀 정보를 상기 제1 학습모델에 입력하여 상기 관심 영역들 중 적어도 하나의 영역의 부피를 예측하고, 상기 적어도 하나의 영역의 부피를 상기 제2 학습 모델에 입력하여 상기 대상자의 치매 관련 정보를 산출하는 연산장치를 포함한다.
이하 설명하는 기술은 CT 영상에서 관심 영역을 추출하고, 관심 영역의 부피를 기준으로 치매 관련 정보를 산출한다. 이하 설명하는 기술은 CT 영상만을 이용하여 유의한 치매 관련 정보를 빠르고 저렴하게 산출할 수 있다.
도 1은 CT 영상을 기준으로 치매 관련 정보를 산출하는 시스템에 대한 예이다.
도 2는 뇌 CT 영상을 이용하여 치매 관련 정보를 산출하는 과정에 대한 예이다.
도 3은 뇌 CT 영상에서 관심 영역을 추출하는 세그멘테이션 모델을 학습하는 과정의 예이다.
도 4는 추출한 관심 영역을 기준으로 관심 영역의 부피를 예측하는 학습모델의 학습 과정의 예이다.
도 5는 뇌 관심 영역 부피를 기준으로 치매 관련 정보를 산출하는 학습모델의 학습 과정의 예이다.
도 6은 뇌 CT 영상을 이용하여 대상자의 치매 관련 정보를 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.
이하 설명하는 기술은 뇌 CT에서 치매 관련 정보를 산출하는 기술이다.
이하 치매는 알츠하이머성 치매를 포함한다.
치매 관련 정보는 치매 진단 내지 치매 예측과 관련된 정보를 의미한다. 예컨대, 치매 관련 정보는 치매 발병 여부, 치매 위험도, 치매 가능성, 치매 관련 점수, 치매 예후 예측, 뇌 위축 정도, 베타 아밀로이드(amyloid-ß, Aß) 양성 여부, 타우(tau) 단백질 양성 여부, 뇌 연령 등과 같은 정보 중 적어도 하나일 수 있다.
이하 뇌 CT를 분석하여 대상자에 대한 치매 관련 정보를 산출하는 장치를 분석장치라고 명명한다. 분석장치는 PC와 같은 컴퓨터 장치, 스마트 기기, 네트워크의 서버, 데이터 처리 전용 칩셋 등의 형태를 가질 수 있다.
분석장치는 다수의 학습모델을 이용하여 뇌 영상을 기준으로 치매 관련 정보를 산출할 수 있다. 분석장치는 세그멘테이션(segmentation) 모델을 이용하여 CT에서 관심 영역(들)을 추출할 수 있다. 또한, 분석장치는 분류 모델을 이용하여 CT 또는 관심 영역(들)로부터 치매 관련 정보를 산출할 수 있다.
도 1은 CT 영상을 기준으로 치매 관련 정보를 산출하는 시스템(100)에 대한 예이다. 도 1에서 분석장치는 컴퓨터 단말(130) 및 서버(140)인 예를 도시하였다.
CT 촬영 장치(110)는 대상자에 대한 CT 영상을 촬영한다. CT 영상은 뇌 영역에 대한 영상(뇌 CT 영상)이다. CT 촬영 장치(110)가 생성한 뇌 CT 영상은 EMR(Electronic Medical Record, 120)과 같은 별도의 데이터베이스에 저장될 수 있다.
컴퓨터 단말(130)은 유선 또는 무선 네트워크를 통해 CT 촬영 장치(110) 또는 EMR(120)로부터 대상자의 뇌 CT 영상을 입력받을 수 있다. 경우에 따라 컴퓨터 단말(130)은 CT 촬영 장치(110)와 물리적으로 연결된 장치일 수도 있다. 컴퓨터 단말(130)은 뇌 CT 영상을 일정하게 전처리할 수 있다.
컴퓨터 단말(130)은 뇌 CT 영상에서 관심 영역(들)을 추출한다. 컴퓨터 단말(130)은 학습된 세그멘테이션 모델을 이용하여 뇌 CT 영상에서 관심 영역(들)을 추출할 수 있다. 컴퓨터 단말(130)은 학습모델을 이용하여 관심 영역(들)에 대한 부피를 추정할 수 있다. 컴퓨터 단말(130)은 학습모델을 이용하여 관심 영역(들)에 대한 부피를 기준으로 대상자에 대한 치매 관련 정보를 산출할 수 있다. 사용자 A는 컴퓨터 단말(130)을 통해 치매 관련 정보를 확인할 수 있다.
서버(140)는 무선 네트워크를 통해 CT 촬영 장치(110) 또는 EMR(120)로부터 대상자의 뇌 CT 영상을 입력받을 수 있다. 서버(140)는 뇌 CT 영상을 일정하게 전처리할 수 있다.
서버(140)는 뇌 CT 영상에서 관심 영역(들)을 추출한다. 서버(140)는 학습된 세그멘테이션 모델을 이용하여 뇌 CT 영상에서 관심 영역(들)을 추출할 수 있다. 서버(140)는 학습모델을 이용하여 관심 영역(들)에 대한 부피를 추정할 수 있다. 서버(140)는 학습모델을 이용하여 관심 영역(들)에 대한 부피를 기준으로 대상자에 대한 치매 관련 정보를 산출할 수 있다. 서버(140)는 치매 관련 정보를 사용자 단말에 전송할 수 있다. 사용자 A는 사용자 단말을 통해 치매 관련 정보를 확인할 수 있다.
도 2는 뇌 CT 영상을 이용하여 치매 관련 정보를 산출하는 과정(200)에 대한 예이다. 분석장치는 뇌 CT 영상을 기준으로 대상자에 대한 치매 관련 정보를 산출할 수 있다.
분석장치는 대상자의 뇌 CT 영상을 입력받는다(210). 뇌 CT는 다수의 슬라이스들로 구성될 수 있다. 분석장치가 분석하는 대상은 다수의 슬라이스들 전체 또는 다수의 슬라이스들 중 적어도 하나의 슬라이스일 수 있다.
분석장치는 뇌 CT 영상을 일정하게 전처리할 수 있다.
예컨대, 분석장치는 뇌 CT 영상에서 전체 뇌 영역을 추출할 수 있다. 이 과정에서 분석장치는 사전에 학습된 세그멘테이션 모델을 이용할 수 있다. 분석장치는 CIVET 파이프라인을 이용하여 뇌 MRI 영상에서 전체 뇌 영역을 추출하여 정답을 생성하고, 세그멘테이션 모델이 정답(뇌 MRI 영상의 전체 뇌 영역)을 기준으로 뇌 CT 영상에서 전체 뇌 영역을 추출하도록 학습할 수 있다. 이후 분석장치는 학습된 세그멘테이션 모델을 이용하여 뇌 CT 영상에서 전체 뇌 영역을 추출할 수 있다.
또한, 분석장치는 대상자의 뇌 CT 영상의 크기 내지 해상도를 일정한 크기로 정규화할 수 있다.
분석장치는 입력받은 뇌 CT 영상에서 관심 영역을 추출한다(220). 분석장치는 사전에 학습된 세그멘테이션 모델을 이용하여 관심 영역을 추출할 수 있다. 분석장치는 세그멘테이션 모델을 이용하여 다수의 관심 영역들을 추출할 수 있다. 관심 영역들은 해당 영역의 부피를 산출하기 위한 영역에 해당한다.
관심 영역은 뇌척수액(cerebrospinal fluid, CSF) 영역 및 뇌실(ventricle) 영역 중 적어도 하나를 포함할 수 있다. 관심 영역들은 전두부 뇌척수액 영역(frontal CSF), 측두부 뇌척수액 영역(temporal CSF), 두정부 뇌척수액 영역(parietal CSF), 후두부 뇌척수액 영역(occipital CSF), 전 측뇌실 영역(anterior lateral ventricle), 후 측뇌실 영역(posterior lateral ventricle) 및 해마 주변 뇌척수액 영역(around hippocampal CSF) 중 적어도 하나를 포함할 수 있다.
분석장치는 추출한 관심 영역(들)에 대한 부피를 추정할 수 있다(230). 분석장치는 특정 관심 영역에 대한 픽셀들의 개수와 해당 영역의 부피와의 관계를 사전에 학습한 학습모델(예컨대, 회귀분석모델)을 이용하여 특정 관심 영역의 부피를 추정할 수 있다. 이를 위하여 분석장치는 뇌 CT 영상 내지 관심 영역의 크기를 일정하게 정규화할 필요가 있다. 분석장치는 일정하게 정규화된 뇌 CT 영상을 기준으로 특정 관심 영역의 부피를 추정할 수 있다. 이때 학습모델은 다수의 관심 영역들별로 사전에 마련될 수 있다. 예컨대, 분석장치는 전두부 뇌척수액 영역, 측두부 뇌척수액 영역, 두정부 뇌척수액 영역, 후두부 뇌척수액 영역, 전 측뇌실 영역, 후 측뇌실 영역 및 해마 주변 뇌척수액 영역 각각에 대한 학습모델을 이용하여 개별적으로 해당 영역의 부피를 추정할 수 있다.
한편, 분석장치는 뇌 CT 영상 외에 대상자의 임상 정보(성별, 나이 등)를 추가로 더 이용하여 관심 영역의 부피를 추정할 수도 있다.
분석장치는 관심 영역(들)의 부피를 기준으로 대상자에 대한 치매 관련 정보를 산출할 수 있다(240). 분석장치는 학습모델을 이용하여 관심 영역(들)의 부피를 기준으로 치매 관련 정보를 산출할 수 있다. 또한, 분석장치는 관심 영역(들)의 부피 외에 추가적인 임상정보(나이, 성별, APOE4 유전자 형 등)를 더 이용하여 대상자의 치매 관련 정보를 산출할 수 있다.
연구자는 소속된 의료 기관(삼성서울병원)에 내원한 모집단의 데이터를 이용하여 전술한 학습모델들을 구축하였다. 모집단은 치매 환자(Alzheimer's disease dementia, ADD)들과 정상인(normal control, NC)들로 구성하였다. 모집단은 일정 기간(1년) 내에 MRI와 CT를 모두 촬영한 대상자들로 선정하였다. 모집단은 나이가 너무 어린 정상인을 배제하였고, 심혈관계 질환을 갖는 치매 환자도 배제하였다. 모집단의 데이터는 MRI, CT, 임상 정보(성별, 나이, APOE4 표현형) 및 치매 여부(라벨값)를 포함한다. 전체 모집단의 대상자들의 수는 895명이었다. 아래 표 1은 모집단에 대한 정보이다. 연구자는 895명 중 80%인 716명 데이터를 학습 데이터로 이용하고, 20%인 179명 데이터를 테스트 데이터로 이용하였다. 검증은 5 교차 검증(5-fold cross validation)으로 진행하였다.
　 Total NC ADD
Subjects, N (%) 895 (100.0) 457 (51.1) 438 (48.9)
Age, mean years (SD,표준편차) 67.4 (11.4) 66.8 (12.5) 68.0 (10.2)
Female, N (%) 541 (60.4) 279 (60.9) 262 (59.8)
APOEε4 carriers, N(%) 322 (36.0) 86 (18.8) 236 (51.5)
전두부 뇌척수액 영역, 평균 부피(mm3) 61052.5 50380.9 72187.0
측두부 뇌척수액 영역, 평균 부피 (mm3) 36534.9 31169.5 42133.0
두정부 뇌척수액 영역, 평균 부피 (mm3) 36045.5 29592.5 42778.3
후두부 뇌척수액 영역, 평균 부피 (mm3) 14828.4 13150.0 16579.6
전 측뇌실 영역, 평균 부피 (mm3) 17687.3 13955.5 21581.1
후 측뇌실 영역, 평균 부피(mm3) 20476.3 14904.4 26289.8
해마 주변 뇌척수액 영역, 평균 부피 (mm3) 7577.0 5562.8 9678.6
도 3은 뇌 CT 영상에서 관심 영역을 추출하는 세그멘테이션 모델을 학습하는 과정(300)의 예이다. 연구자는 학습 데이터로 사용하는 뇌 CT 영상들을 일정한 크기로 정규화하였다. 또한, 연구자는 학습 데이터에 대한 밝기 조절, 영상 반전(horiziontal flip) 등을 통하여 학습 데이터를 증강하였다.
이하 모델의 학습 과정은 학습장치가 수행한다고 설명한다. 연구자는 학습장치를 이용하여 세그멘테이션 모델을 구축하였다. 학습장치는 영상 데이터 처리 및 기계학습모델의 학습 과정 수행이 가능한 컴퓨터 장치를 의미한다.
학습장치는 다수 대상자들의 의료 영상을 이용하여 세그멘테이션 모델을 학습한다. 다만, 도 3은 대상자 i의 데이터를 이용하여 세그멘테이션 모델을 학습하는 과정을 예로 설명한다.
학습장치는 학습모델의 학습을 위한 학습데이터를 구축한다(310). 학습데이터는 모집단(치매 환자 및 정상인 포함)의 뇌 영상으로부터 구축될 수 있다. CT 영상 DB(데이터베이스)는 모집단의 뇌 CT 영상을 저장한다. MRI 영상 DB는 모집단의 뇌 MRI 영상을 저장한다. MRI 영상 DB는 뇌 영상에서의 관심 영역 정보를 포함한다. 관심 영역 정보는 자동으로 또는 전문가에 의해서 수동으로 라벨링된 관심 영역일 수 있다. 학습장치는 동일한 대상자에 대한 CT 영상과 MRI 영상(관심 영역 정보 포함)을 추출하여 학습데이터를 구축한다.
학습장치는 학습 데이터를 이용하여 관심 영역을 추출하는 세그멘테이션 모델을 학습하는 과정을 수행한다(320). 학습장치는 학습 데이터 중 특정 환자에 대한 데이터를 기준으로 학습을 수행한다. 학습장치는 학습 데이터에 있는 다수의 환자들에 대한 데이터를 이용하여 반복적으로 학습 과정을 수행할 수 있다.
학습장치는 대상자 i의 3D MRI 영상(관심 영역 정보 포함)을 입력받는다(311). 또한 학습장치는 대상자 i의 2D 또는 3D CT 영상을 입력받는다(312). 관심 영역은 2차원 영상에서의 ROI이거나, 3차원 영상의 VOI(Volume of Interest)일 수도 있다. 학습장치는 뇌 MRI 영상과 뇌 CT 영상을 정합한다(320). 학습장치는 동일 대상자의 동일 뇌 부위에 대한 영상을 정합한다.
학습장치는 정합한 뇌 CT와 뇌 MRI를 이용하여 세그멘테이션 모델을 구축한다. 세그멘테이션 모델은 시멘틱 세그멘테이션 모델일 수 있다. 예컨대, 세그멘테이션 모델은 U-net과 같은 FCN(Fully convolutional network) 기반의 모델일 수 있다.
세그멘테이션 모델은 뇌 CT 영상을 기준으로 관심 영역을 예측한다. 학습 과정에서 세그멘테이션 모델은 정답값인 뇌 MRI 영상에서의 관심 영역을 참조하여 뇌 CT 영상에서 동일한 관심 영역을 추출하도록 학습된다.
관심 영역들은 전술한 바와 같이 다수의 영역일 수 있다. 관심 영역들은 전두부 뇌척수액 영역, 측두부 뇌척수액 영역, 두정부 뇌척수액 영역, 후두부 뇌척수액 영역, 전 측뇌실 영역, 후 측뇌실 영역 및 해마 주변 뇌척수액 영역들을 포함할 수 있다. 학습장치는 관심 영역별로 세그멘테이션 모델을 구축할 수 있다.
연구자도 관심 영역별로 다수의 세그멘테이션 모델들을 구축하였다. 연구자는 U-net 기반의 세그멘테이션 모델을 구축하였다. 연구자는 학습 데이터에서 평면 슬라이스(axial slice)들 각각을 이용하여 세그멘테이션 모델(2D 영상 기반 세그멘테이션 모델)을 구축하였다. 또한, 연구자는 학습 데이터의 3D CT를 이용하여 세그멘테이션 모델(3D 영상 기반 세그멘테이션 모델)을 구축하였다. 아래 표 2는 구축한 세그멘테이션 모델의 성능을 평가한 결과이다. 연구자는 검증 데이터에 대하여 5 교차 검증을 수행하여 2D 영상 기반 세그멘테이션 모델 및 3D 영상 기반 세그멘테이션 모델의 성능을 평가하였다.
2D 영상 기반 세그멘테이션 모델 2D (n=179)
전두부
뇌척수액 영역		 측두부
뇌척수액 영역		 두정부
뇌척수액 영역		 후두부
뇌척수액 영역		 전 측뇌실 영역 후 측뇌실 영역 해마 주변
뇌척수액 영역
1 Fold 0.5686 0.4832 0.5711 0.4294 0.8848 0.8573 0.6511
2 Fold 0.5682 0.4786 0.5686 0.4246 0.8833 0.8563 0.6476
3 Fold 0.5815 0.4949 0.5813 0.4443 0.8816 0.8557 0.6442
4 Fold 0.5836 0.4938 0.5835 0.4434 0.8822 0.8548 0.6435
5 Fold 0.5711 0.4872 0.5714 0.4311 0.8849 0.8584 0.6613
3D 영상 기반 세그멘테이션 모델 (n=179)
전두부 뇌척수액 영역 측두부 뇌척수액 영역 두정부 뇌척수액 영역 후두부 뇌척수액 영역 전 측뇌실 영역 후 측뇌실 영역 해마 주변 뇌척수액 영역
1 Fold 0.5827 0.4885 0.5903 0.4449 0.8851 0.8603 0.6278
2 Fold 0.5865 0.4907 0.5922 0.448 0.8837 0.859 0.6273
3 Fold 0.594 0.4967 0.6037 0.4608 0.8832 0.8593 0.6201
4 Fold 0.6026 0.5023 0.6063 0.4613 0.8823 0.8563 0.6181
5 Fold 0.5864 0.4907 0.594 0.4494 0.8862 0.8611 0.6357
도 4는 추출한 관심 영역을 기준으로 관심 영역의 부피를 예측하는 학습모델의 학습 과정(400)의 예이다. 도 3에서 학습 모델은 전술한 관심 영역을 기준으로 관심 영약의 부피를 예측한다.
도 4의 학습은 모집단에 속한 대상자의 뇌 CT 영상에서 전술한 관심 영역을 추출한 상태를 전제로 한다. 즉, 학습장치는 도 3의 세그멘테이션 모델을 이용하여 산출한 관심 영역을 이용할 수 있다.
학습장치는 뇌 CT 영상에서 추출한 관심 영역들을 기준으로 입력 데이터를 추출한다(410). 입력 데이터는 세그멘테이션 모델이 추출하는 관심 영역(들)을 포함한다. 입력 데이터는 특정 관심 영역의 실제 부피(정답값)를 포함한다. 실제 부피는 MRI로부터 산출될 수 있다. 나아가, 입력 데이터는 대상자에 대한 임상 정보(성별, 나이)를 포함할 수도 있다.
학습장치는 추출한 입력 데이터를 활용하여 학습 모델을 학습하는 과정을 수행한다(420). 학습장치는 다수의 대상자의 뇌 CT 영상에서 추출한 입력 데이터를 이용하여 학습 모델의 학습 과정을 반복한다. 학습장치는 관심 영역별로 부피를 예측하는 학습모델을 구축할 수 있다.
학습장치는 관심 영역에 대한 전체 픽셀 개수를 산출한다. 관심 영역들은 전술한 바와 같이 각각 전두부 뇌척수액 영역, 측두부 뇌척수액 영역, 두정부 뇌척수액 영역, 후두부 뇌척수액 영역, 전 측뇌실 영역, 후 측뇌실 영역 및 해마 주변 뇌척수액 영역일 수 있다.
학습장치는 관심 영역의 픽셀 개수와 해당 관심 영역의 부피(정답값)를 비교하면서 학습 모델을 구축한다. 이 과정을 통하여 학습 모델은 관심 영역의 부피를 예측하도록 학습된다. 정답은 모집단에 속한 대상자들의 뇌 MRI에서 산출한 특정 관심 영역의 부피이다.
학습 모델은 예측하고자 하는 정보에 따라 개별적인 모델로 구축될 수 있다. 학습 모델은 기계학습모델이며 다양한 유형의 모델 중 하나로 구현될 수 있다. 연구자는 회귀모델(regression model)을 이용하였다. 연구자는 전부두 CSF의 부피를 예측하는 모델(전부두 CSF 모델), 측두부의 CSF의 부피를 예측하는 모델(측두부 CSF 모델), 두정부의 CSF의 부피를 예측하는 모델(두정부 CSF 모델), 후두부의 CSF의 부피를 예측하는 모델(후두부 CSF 모델), 전 측뇌실의 부피를 예측하는 모델(측뇌실 모델), 후 측뇌실의 부피를 예측하는 모델(후 측뇌실 모델) 및 해마 주변 뇌척수액 영역의 부피를 예측하는 모델(해마 CSF 모델)을 개별적으로 구축하였다.
나아가, 학습모델은 해당 관심 영역의 크기 외에 임상 정보(나이 및 성별)을 더 이용하여 학습될 수 있다.
연구자는 구축한 부피 예측 모델의 성능을 평가하였다.
연구자는 전술한 세그멘테이션 모델로 뇌 CT 영상에서 추출한 관심 영역의 예측 부피와 3D MRI에서 측정한 정답값을 비교하였다. 연구자는 구축한 2가지 세그멘테이션 모델 각각을 이용하여 관심 영역을 분할하고, 이 결과를 기준으로 부피를 예측한 결과와 정답값을 비교하였다. 부피 예측 모델은 성능 평가 결과는 아래 표 3과 같다. 성능 지표는 피어슨 상관 계수(Pearson Correlation Coefficient)이다. 연구자는 10번의 교차 검증(cross validation)을 10번 반복(permutation)하였다. 학습모델이 예측한 관심 영역의 부피는 실제 정답값과 상당한 상관도를 보였다.
관심 영역 Correlation r
(2D 영상 기반 구분한 관심 영역의 부피 예측) 		Correlation r
(3D 영상 기반 구분한 관심 영역의 부피 예측)
전두부 뇌척수액 영역 0.838 0.868
측두부 뇌척수액 영역 0.827 0.878
두정부 뇌척수액 영역 0.868 0.905
후두부 뇌척수액 영역 0.761 0.824
전 측뇌실 영역 0.984 0.984
후 측뇌실 영역 0.981 0.981
해마 주변 뇌척수액 영역 0.945 0.944
도 5는 뇌 관심 영역 부피를 기준으로 치매 관련 정보를 산출하는 학습모델의 학습 과정(500)의 예이다. 치매 관련 정보를 산출하는 학습 모델은 다양한 기계학습모델 유형 중 어느 하나로 구현될 수 있다. 연구자는 딥러닝 모델로 치매 관련 정보를 산출하는 모델을 구현하였다.
도 5의 학습은 모집단에 속한 대상자에 대한 뇌 관심 영역의 부피 및 임상정보를 획득한 상태를 전제로 한다. 예컨대, 학습장치는 도 4의 학습모델을 이용하여 산출한 대상자의 관심 영역별 부피를 이용할 수 있다.
학습장치는 학습데이터인 입력 데이터를 획득한다(510).
학습장치는 모집단에 속한 대상자들의 뇌 CT 영상에서 추출한 특정 관심 영역의 부피를 추출한다. 뇌 영역 부피는 전두부 뇌척수액 영역, 측두부 뇌척수액 영역, 두정부 뇌척수액 영역, 후두부 뇌척수액 영역, 전 측뇌실 영역, 후 측뇌실 영역 및 해마 주변 뇌척수액 영역의 부피를 포함할 수 있다. 나아가, 학습장치는 다수의 관심 영역들 중 일부 관심 영역들을 기준으로 치매 관련 정보를 산출하도록 학습 모델을 구축할 수 있다.
또한, 학습장치는 대상자들의 임상 정보를 획득한다. 임상 정보는 나이, 성별 및 APOE4 표현형을 포함할 수 있다. 학습장치는 관심 영역(들)의 부피 외에 임상 정보 중 일부 정보를 더 이용하여 치매 관련 정보를 산출하도록 학습 모델을 구축할 수 있다.
학습 데이터는 도 3의 학습 모델을 이용하여 산출한 특정 뇌 영역의 부피를 포함할 수 있다. 또는 학습 데이터는 실제 대상자들의 뇌 영상으로부터 산출한 대뇌 피질 두께 및 특정 뇌 영역의 부피를 포함할 수도 있다. 연구자는 실제 대상자의 3D MRI 분석 결과에서 산출한 관심 영역의 부피를 학습 데이터로 이용하였다.
학습장치는 추출한 입력 데이터를 활용하여 학습 모델을 학습하는 과정을 수행한다(520). 학습장치는 다수의 대상자에서 추출한 입력 데이터를 이용하여 학습 모델의 학습 과정을 반복한다.
학습장치는 추출한 입력 데이터를 학습 모델에 입력하여 학습 모델이 출력하는 값(예측하는 값)과 정답을 비교하면서 학습을 수행한다. 학습 모델은 대상자의 치매 관련 정보를 예측하도록 학습된다. 이때 정답은 해당 대상자의 치매 관련 정보이다.
연구자는 치매 환자 또는 정상인을 분류하는 학습 모델을 구축하였다. 연구자는 모집단의 데이터 중 90%를 학습 데이터로 이용하였고, 10%의 데이터를 검증데이터로 이용하였다. 연구자가 구축한 다수의 학습모델은 아래의 표 3과 같다. 학습 모델은 크게 관심 영역들의 부피만을 이용하는 모델(모델 A), 관심 영역들의 부피와 임상 정보(나이 및 성별)을 이용하는 모델(모델 B) 및 관심 영역들의 부피와 임상 정보(나이, 성별 및 APOE4 표현형)을 이용하는 모델(모델 C)로 구축하였다. 각 모델군은 전체 관심 영역들 중 1개, 2개, 3개, 4개, 6개 및 7개(전체)의 관심 영역들을 이용하는 모델로 구분하여 구축되었다.
표 4는 4개의 서로 다른 ROI를 이용한 모델군과 각 군에서 서로 다른 모델 구축을 위하여 사용한 학습 데이터를 나타낸다. 아래 표 4에서 모델은 대상자의 치매 여부(치매 또는 정상)를 예측하는 모델이다. 즉, 도 4에서 학습 모델이 대상자가 치매인지 정상인지 이진 분류하는 모델에 해당한다.
모델분류 모델명 입력 특징


모델 A		 모델 A1 3 ROIs (aLV/pLV/HippCSF)
모델 A2 4 ROIs (F/T/P/O)
모델 A3 6 ROIs (F/T/P/O/aLV/pLV)
모델 A4 7 ROIs (F/T/P/O/aLV/pLV/HippCSF)
모델 A5 2 ROIs (aLV/pLV)
모델 A6 1 ROIs (HippCSF)


모델 B
 모델 B1 3 ROIs (aLV/pLV/HippCSF)+(나이, 성별)
모델 B2 4 ROIs (F/T/P/O)+(나이, 성별)
모델 B3 6 ROIs (F/T/P/O/aLV/pLV)+(나이, 성별)
모델 B4 7ROIs (F/T/P/O/aLV/pLV/HippCSF)+(나이, 성별)
모델 B5 2 ROIs (aLV/pLV)+(나이, 성별, APOE4)
모델 B6 1 ROIs (HippCSF)+(나이, 성별, APOE4)


모델 C		 모델 C1 3 ROIs (aLV/pLV/HippCSF)+(나이, 성별, APOE4)
모델 C2 4 ROIs (F/T/P/O)+(나이, 성별, APOE4)
모델 C3 6 ROIs (F/T/P/O/aLV/pLV)+(나이, 성별, APOE4)
모델 C4 7 ROIs (F/T/P/O/aLV/pLV/HippCSF)+(나이, 성별, APOE4)
모델 C5 2 ROIs (aLV/pLV)+(나이, 성별, APOE4)
모델 C6 1 ROIs (HippCSF)+(나이, 성별, APOE4)
표 4에서 관심 영역(ROI)은 약어로 표시하였다. F는 전두부 CSF, T는 측두부 CSF, P는 두정부 CSF, O는 후두부 CSF, aLV는 전 측뇌실, pLV는 후 측뇌실, HippCSF는 해마 주변 CSF를 의미한다.
연구자는 구축한 학습 모델을 검증하였다. 한편, 검증 과정에서 연구자는 도 4의 학습모델이 예측한 대뇌 피질 두께 및 뇌 영역 부피를 도 5의 학습 모델의 입력 데이터로 이용하였다. 연구자는 10-폴드 교차 검증을 수행하였다. 검증 결과는 아래 표 5와 같다. 표 5에서 3D CIVET은 CIVET에서 얻은 부피값을 이용하여 분류한 결과이다. 표 5는 2D 영상 기반 세그멘테이션 모델로 구분한 관심 영역을 이용하여 분류한 결과와 3D 영상 기반 세그멘테이션 모델로 구분한 관심 영역을 이용하여 분류한 결과를 나타낸다. 검증은 학습 모델이 예측한 결과와 정답을 비교하였다. 성능 지표는 AUC(area under the receiver operating characteristic curve) 및 AUPRC(area under the precision-recall curve)를 이용하였다.
모델종류 3D CIVET 2D영상 기반 세그멘테이션 모델 이용한 분류 성능 3D영상 기반 세그멘테이션 모델 이용한 분류 성능
AUC AUPRC AUC AUPRC AUC AUPRC
모델 A1 0.791 0.772 0.783 0.767 0.784 0.769
모델 A2 0.767 0.737 0.738 0.730 0.772 0.735
모델 A3 0.779 0.744 0.746 0.737 0.779 0.738
모델 A4 0.780 0.746 0.746 0.738 0.773 0.734
모델 A5 0.805 0.772 0.801 0.776 0.800 0.776
모델 A6 0.800 0.784 0.766 0.766 0.777 0.763
모델 B1 0.924 0.903 0.894 0.893 0.900 0.892
모델 B2 0.882 0.870 0.838 0.837 0.884 0.881
모델 B3 0.910 0.897 0.872 0.866 0.902 0.899
모델 B4 0.930 0.913 0.908 0.899 0.916 0.907
모델 B5 0.863 0.870 0.854 0.865 0.862 0.874
모델 B6 0.912 0.882 0.885 0.879 0.885 0.872
모델 C1 0.945 0.903 0.920 0.897 0.934 0.899
모델 C2 0.926 0.899 0.877 0.869 0.937 0.927
모델 C3 0.935 0.915 0.893 0.886 0.937 0.929
모델 C4 0.944 0.913 0.919 0.905 0.942 0.917
모델 C5 0.903 0.910 0.905 0.914 0.904 0.915
모델 C6 0.935 0.893 0.907 0.889 0.921 0.887
표 5를 살펴보면 전체적으로 3D CIVET을 이용한 결과와 세그멘테이션 모델을 이용한 결과가 성능의 차이가 크지 않았다. 또한, 2D 영상 기반 세그멘테이션 모델을 이용하여 추출한 관심 영역의 부피 등을 이용하여 분류한 결과도 치매 관련 정보 산출에 충분히 유의한 것을 알 수 있다. 표 5를 살펴보면 모델 A, 모델 B 및 모델 C가 모두 유의한 성능을 보였고, 전반적으로 추가적인 임상 정보를 사용하는 모델이 조금 더 높은 성능은 보였다. 나아가 표 5를 살펴보면 전 측뇌실 영역(aLV), 후 측뇌실 영역(pLV), 해마 주변 뇌척수액 영역(hipp CSF)를 사용하는 모델이 상대적으로 성능이 높았다.
도 6은 뇌 CT 영상을 이용하여 대상자의 치매 관련 정보를 산출하는 분석장치(600)에 대한 예이다. 분석장치(600)는 물리적으로 다양한 형태로 구현될 수 있다. 예컨대, 분석장치(600)는 PC와 같은 컴퓨터 장치, 스마트기기, 네트워크의 서버, 데이터 처리 전용 칩셋 등의 형태를 가질 수 있다. 한편, 분석장치(600)는 뇌 영상 장비에 연결되거나 일체형의 장치일 수도 있다.
분석장치(600)는 저장장치(610), 메모리(620), 연산장치(630), 인터페이스 장치(640), 통신장치(650) 및 출력장치(660)를 포함할 수 있다.
저장장치(610)는 CT 촬영 장비에서 생성된 대상자의 뇌 CT 영상을 저장할 수 있다.
저장장치(610)는 대상자의 임상 정보를 저장할 수 있다. 임상 정보는 나이, 성별 및 APOE4 유전자형 중 적어도 하나를 포함할 수 있다.
저장장치(610)는 뇌 CT 영상(슬라이스)에서 관심 영역을 추출하기 위한 세그멘테이션 모델을 저장할 수 있다.
저장장치(610)는 관심 영역의 정보를 기준으로 해당 관심 영역의 부피를 예측하는 학습모델을 저장할 수 있다. 특정 뇌 관심 영역의 부피를 예측하는 학습모델을 제1 학습모델이라고 명명한다. 관심 영역은 전두부 뇌척수액 영역, 측두부 뇌척수액 영역, 두정부 뇌척수액 영역, 후두부 뇌척수액 영역, 전 측뇌실 영역, 후 측뇌실 영역 및 해마 주변 뇌척수액 영역 중 적어도 하나를 포함한다. 전술한 바와 같이 제1 학습모델은 관심 영역별로 마련될 수 있다.
또한, 저장장치(610)는 관심 영역의 부피를 이용하여 치매 관련 정보를 산출하는 학습모델을 저장할 수 있다. 치매 관련 정보를 산출하는 학습모델을 제2 학습모델이라고 명명한다. 제2 학습모델은 전술한 바와 같이 입력 데이터의 종류에 따라 다양한 모델로 구현될 수 있다. 제2 학습 모델은 (i) 관심 영역의 부피만을 입력 데이터로 이용하는 모델(모델 A), (ii) 관심 영역의 부피 및 임상 정보(나이, 성별)를 입력 데이터로 이용하는 모델(모델 B) 또는 (iii) 관심 영역의 부피 및 임상 정보(나이, 성별 및 APEO4)를 입력 데이터로 이용하는 모델(모델 C)와 같이 다양한 유형 중 적어도 하나일 수 있다. 또한, 학습 모델이 이용하는 관심 영역은 표 3에서 설명한 바와 같이 7개의 관심 영역들 전체 또는 관심 영역들 중 일부일 수도 있다.
제2 학습 모델이 추론하는 치매 관련 정보는 치매 발병 여부, 치매 위험도, 치매 가능성, 치매 관련 점수, 치매 예후 예측, 뇌 위축 정도, 베타 아밀로이드(amyloid-ß, Aß) 양성 여부, 타우(tau) 단백질 양성 여부, 뇌 연령 등과 같은 정보 중 적어도 하나일 수 있다. 치매 관련 정보는 제2 학습 모델이 이용하는 학습 데이터(정답값)의 유형에 따라 달라질 수 있다.
메모리(620)는 분석장치(600)가 뇌 CT 영상에서 치매 관련 정보를 산출하는 과정에서 생성되는 데이터 및 정보 등을 저장할 수 있다.
인터페이스 장치(640)는 외부로부터 일정한 명령 및 데이터를 입력받는 장치이다. 인터페이스 장치(640)는 물리적으로 연결된 입력 장치 또는 외부 저장장치로부터 대상자의 뇌 CT 영상을 입력받을 수 있다. 인터페이스 장치(640)는 뇌 CT 영상을 기준으로 예측한 치매 관련 정보를 외부 객체에 전달할 수도 있다.
통신장치(650)는 유선 또는 무선 네트워크를 통해 일정한 정보를 수신하고 전송하는 구성을 의미한다. 통신장치(650)는 외부 객체로부터 대상자의 뇌 CT 영상을 수신할 수 있다. 통신장치(650)는 뇌 CT 영상을 기준으로 예측한 치매 관련 정보를 사용자 단말과 같은 외부 객체에 송신할 수도 있다.
인터페이스 장치(640)는 통신장치(650)에서 수신하는 데이터를 내부로 전달받는 장치일 수 있다.
출력장치(660)는 일정한 정보를 출력하는 장치이다. 출력장치(660)는 데이터 처리 과정에 필요한 인터페이스, 뇌 영상, 뇌 영상에서 구분한 관심 영역, 관심 영역 기준 산출한 치매 관련 정보 등을 출력할 수 있다.
연산 장치(630)는 대상자의 뇌 CT 영상을 일정하게 전처리할 수 있다. 예컨대, 연산 장치(630)는 뇌 CT 영상을 일정한 크기 내지 해상도로 정규화할 수 있다.
연산 장치(630)는 대상자의 뇌 CT 영상을 학습된 세그멘테이션 모델에 입력하여 관심 영역을 추출할 수 있다. 연산 장치(630)는 대상자의 뇌 CT 영상을 슬라이스 단위로 학습된 세그멘테이션 모델에 입력하여 관심 영역을 추출할 수 있다.
관심 영역은 전두부 뇌척수액 영역, 측두부 뇌척수액 영역, 두정부 뇌척수액 영역, 후두부 뇌척수액 영역, 전 측뇌실 영역, 후 측뇌실 영역 및 해마 주변 뇌척수액 영역 중 적어도 하나일 수 있다.
연산 장치(630)는 관심 영역(들)에 대한 크기 정보를 추출할 수 있다. 연산 장치(630)는 관심 영역 각각에 대한 픽셀 합산 개수를 산출할 수 있다. 연산 장치(630)는 관심 영역별로 관심 영역의 픽셀 개수를 기준으로 해당 관심 영역의 부피를 추정할 수 있다. 연산 장치(630)는 전술한 제1 학습 모델을 이용하여 해당 관심 영영의 픽셀 개수를 기준으로 해당 관심 영영의 부피를 산출할 수 있다. 연산 장치(630)는 관심 영역별로 구축된 제1 학습모델을 이용하여 다수의 관심 영역 각각에 대한 부피를 추정할 수 있다.
연산 장치(630)는 제1 학습모델에 예측한 관심 영역(들)의 부피를 제2 학습모델에 입력하여 대상자의 치매 관련 정보를 산출할 수 있다. 예컨대, 연산 장치(630)는 전두부 뇌척수액 영역, 측두부 뇌척수액 영역, 두정부 뇌척수액 영역, 후두부 뇌척수액 영역, 전 측뇌실 영역, 후 측뇌실 영역 및 해마 주변 뇌척수액 영역 중 적어도 하나의 영역에 대한 부피를 제2 학습 모델에 입력하여 대상자의 치매 관련 정보를 산출할 수 있다. 또한 연산 장치(630)는 관심 영역의 부피 외에 임상 정보(나이, 성별, APOE4 유전자형 중 적어도 하나)를 더 제2 학습모델에 입력하여 대상자의 치매 관련 정보를 산출할 수 있다. 이 과정은 도 5에서 설명한 바와 같다.
연산 장치(630)는 데이터를 처리하고, 일정한 연산을 처리하는 프로세서, AP, 프로그램이 임베디드된 칩과 같은 장치일 수 있다.
또한, 상술한 바와 같은 뇌 CT 영상 분석 방법 내지 치매 관련 정보 산출 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 (10)

  1. 분석장치가 대상자의 뇌 CT(Computed Tomography) 영상을 입력받는 단계;
    상기 분석장치가 상기 뇌 CT 영상을 학습된 세그멘테이션 모델에 입력하여 관심 영역들을 추출하는 단계;
    상기 분석장치가 상기 관심 영역들의 픽셀 정보를 사전에 학습된 제1 학습모델에 입력하여 상기 관심 영역들 중 적어도 하나의 영역의 부피를 예측하는 단계; 및
    상기 분석장치가 상기 적어도 하나의 영역의 부피를 사전에 학습된 제2 학습 모델에 입력하여 상기 대상자의 치매 관련 정보를 산출하는 단계를 포함하되,
    상기 관심 영역들은 전두부 뇌척수액 영역, 측두부 뇌척수액 영역, 두정부 뇌척수액 영역, 후두부 뇌척수액 영역, 전 측뇌실 영역, 후 측뇌실 영역 및 해마 주변 뇌척수액 영역 중 복수의 영역들을 포함하는 뇌 CT에서 예측한 부피를 이용한 치매 관련 정보 산출 방법.
  2. 제1항에 있어서,
    상기 제1 학습모델은 상기 관심 영역들별로 사전에 마련된 복수의 학습모델들을 포함하는 뇌 CT에서 예측한 부피를 이용한 치매 관련 정보 산출 방법.
  3. 제1항에 있어서,
    상기 제2 학습모델은 상기 대상자의 나이, 상기 대상자의 성별 및 상기 대상자의 APOE4 유전자형 중 적어도 하나의 정보를 더 입력받아 상기 대상자의 치매 관련 정보를 산출하는 뇌 CT에서 예측한 부피를 이용한 치매 관련 정보 산출 방법.
  4. 제1항에 있어서,
    상기 치매 관련 정보는 치매 발병 여부, 치매 위험도, 치매 가능성, 치매 관련 점수, 치매 예후 예측, 뇌 위축 정도, 베타 아밀로이드(amyloid-ß, Aß) 양성 여부, 타우(tau) 단백질 양성 여부 및 뇌 연령 중 하나인 뇌 CT에서 예측한 부피를 이용한 치매 관련 정보 산출 방법.
  5. 제1항에 있어서,
    상기 세그멘테이션 모델은 상기 관심 영역들별로 사전에 마련된 복수의 모델들을 포함하는 뇌 CT에서 예측한 부피를 이용한 치매 관련 정보 산출 방법.
  6. 대상자의 뇌 CT(Computed Tomography) 영상을 입력받는 인터페이스 장치;
    뇌 CT 영상에서 관심 영역을 추출하는 세그멘테이션 모델, 뇌의 관심 영역 정보를 입력받아 부피를 예측하는 제1 학습모델 및 치매 관련 정보를 산출하는 제2 학습모델을 저장하는 저장장치; 및
    상기 입력받은 뇌 CT 영상을 상기 세그멘테이션 모델에 입력하여 관심 영역들을 추출하고, 상기 추출한 관심 영역들의 픽셀 정보를 상기 제1 학습모델에 입력하여 상기 관심 영역들 중 적어도 하나의 영역의 부피를 예측하고, 상기 적어도 하나의 영역의 부피를 상기 제2 학습 모델에 입력하여 상기 대상자의 치매 관련 정보를 산출하는 연산장치를 포함하되,
    상기 관심 영역들은 전두부 뇌척수액 영역, 측두부 뇌척수액 영역, 두정부 뇌척수액 영역, 후두부 뇌척수액 영역, 전 측뇌실 영역, 후 측뇌실 영역 및 해마 주변 뇌척수액 영역 중 복수의 영역들을 포함하는 뇌 CT에서 예측한 부피를 이용하여 치매 관련 정보를 산출하는 분석장치.
  7. 제6항에 있어서,
    상기 세그멘테이션 모델은 상기 관심 영역들별로 사전에 마련된 복수의 모델들을 포함하는 뇌 CT에서 예측한 부피를 이용하여 치매 관련 정보를 산출하는 분석장치.
  8. 제6항에 있어서,
    상기 제1 학습모델은 상기 관심 영역들별로 사전에 마련된 복수의 학습모델들을 포함하는 뇌 CT에서 예측한 부피를 이용하여 치매 관련 정보를 산출하는 분석장치.
  9. 제6항에 있어서,
    상기 제2 학습모델은 상기 대상자의 나이, 상기 대상자의 성별 및 상기 대상자의 APOE4 유전자형 중 적어도 하나의 정보를 더 입력받아 상기 대상자의 치매 관련 정보를 산출하는 뇌 CT에서 예측한 부피를 이용하여 치매 관련 정보를 산출하는 분석장치.
  10. 제6항에 있어서,
    상기 치매 관련 정보는 치매 발병 여부, 치매 위험도, 치매 가능성, 치매 관련 점수, 치매 예후 예측, 뇌 위축 정도, 베타 아밀로이드(amyloid-ß, Aß) 양성 여부, 타우(tau) 단백질 양성 여부 및 뇌 연령 중 하나인 뇌 CT에서 예측한 부피를 이용하여 치매 관련 정보를 산출하는 분석장치.
PCT/KR2024/003074 2023-06-27 2024-03-11 뇌 ct에서 예측한 부피를 이용한 치매 관련 정보 산출 방법 및 분석장치 Ceased WO2025005388A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP24832176.2A EP4736769A1 (en) 2023-06-27 2024-03-11 Method for calculating dementia-related information using volume predicted by brain ct and analysis device thereof
US19/398,339 US20260080535A1 (en) 2023-06-27 2025-11-24 Method for calculating dementia-related information using volume predicted by brain ct and analysis device thereof

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020230082852A KR102712064B1 (ko) 2023-06-27 2023-06-27 뇌 ct에서 예측한 부피를 이용한 치매 관련 정보 산출 방법 및 분석장치
KR10-2023-0082852 2023-06-27

Publications (1)

Publication Number Publication Date
WO2025005388A1 true WO2025005388A1 (ko) 2025-01-02

Family

ID=92912992

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2024/003074 Ceased WO2025005388A1 (ko) 2023-06-27 2024-03-11 뇌 ct에서 예측한 부피를 이용한 치매 관련 정보 산출 방법 및 분석장치

Country Status (4)

Country Link
US (1) US20260080535A1 (ko)
EP (1) EP4736769A1 (ko)
KR (2) KR102712064B1 (ko)
WO (1) WO2025005388A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101957811B1 (ko) * 2018-08-07 2019-03-13 주식회사 뷰노 의료 영상에 기반하여 피검체의 치매에 대한 중증도를 산출하는 방법 및 이를 이용한 장치
KR20190030151A (ko) * 2017-09-13 2019-03-21 이재준 영상 분석 방법, 장치 및 컴퓨터 프로그램
KR20200062589A (ko) * 2018-11-27 2020-06-04 재단법인 아산사회복지재단 뇌 mri 영상의 뇌 영역별 분할을 통한 치매 예측 장치 및 방법
KR20210029318A (ko) * 2019-09-05 2021-03-16 고려대학교 산학협력단 Ct 영상 기반 부위별 대뇌 피질 수축율 예측 방법 및 장치
KR20230056825A (ko) * 2021-10-20 2023-04-28 경북대학교 산학협력단 Pet/ct 영상의 자동 정량화를 이용한 알츠하이머병 예측 방법 및 이를 수행하는 알츠하이머병 예측 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102680579B1 (ko) * 2021-10-18 2024-07-01 사회복지법인 삼성생명공익재단 3d ct 영상에서 추출한 2d 영상들을 이용하여 병변을 예측하는 방법 및 분석장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190030151A (ko) * 2017-09-13 2019-03-21 이재준 영상 분석 방법, 장치 및 컴퓨터 프로그램
KR101957811B1 (ko) * 2018-08-07 2019-03-13 주식회사 뷰노 의료 영상에 기반하여 피검체의 치매에 대한 중증도를 산출하는 방법 및 이를 이용한 장치
KR20200062589A (ko) * 2018-11-27 2020-06-04 재단법인 아산사회복지재단 뇌 mri 영상의 뇌 영역별 분할을 통한 치매 예측 장치 및 방법
KR20210029318A (ko) * 2019-09-05 2021-03-16 고려대학교 산학협력단 Ct 영상 기반 부위별 대뇌 피질 수축율 예측 방법 및 장치
KR20230056825A (ko) * 2021-10-20 2023-04-28 경북대학교 산학협력단 Pet/ct 영상의 자동 정량화를 이용한 알츠하이머병 예측 방법 및 이를 수행하는 알츠하이머병 예측 장치

Also Published As

Publication number Publication date
KR20250000910A (ko) 2025-01-03
EP4736769A1 (en) 2026-05-06
US20260080535A1 (en) 2026-03-19
KR102712064B1 (ko) 2024-09-27

Similar Documents

Publication Publication Date Title
Tufail et al. Binary classification of Alzheimer’s disease using sMRI imaging modality and deep learning
Liu et al. Anatomical landmark based deep feature representation for MR images in brain disease diagnosis
Cheng et al. Multimodal manifold-regularized transfer learning for MCI conversion prediction
Miao et al. MMTFN: Multi‐modal multi‐scale transformer fusion network for Alzheimer's disease diagnosis
WO2023095989A1 (ko) 뇌질환 진단을 위한 다중 모달리티 의료 영상 분석 방법 및 장치
Jia et al. Deep learning and multimodal feature fusion for the aided diagnosis of Alzheimer's disease
Ragab et al. [Retracted] Multiclass Classification of Chest X‐Ray Images for the Prediction of COVID‐19 Using Capsule Network
Balboni et al. The impact of transfer learning on 3D deep learning convolutional neural network segmentation of the hippocampus in mild cognitive impairment and Alzheimer disease subjects
Bhatele et al. Neurodegenerative diseases-Caps: a capsule network based early screening system for the classification of neurodegenerative diseases
Kato et al. Machine/deep learning‐assisted hemoglobin level prediction using palpebral conjunctival images
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
WO2015085319A1 (en) Gross feature recognition of anatomical images based on atlas grid
Liu et al. A bag of semantic words model for medical content-based retrieval
WO2025005388A1 (ko) 뇌 ct에서 예측한 부피를 이용한 치매 관련 정보 산출 방법 및 분석장치
KR102608205B1 (ko) 2차원 mri에서 예측한 부피를 이용한 치매 정보 산출 방법 및 분석장치
CN120707940A (zh) 一种基于个体差异结构协变网络与机器学习的精神疾病分类方法和系统
Yashodhar et al. Classification and feature selection of Alzheimer’s disease for MRI data utilizing convolutional neural network and support vector machine
WO2025075244A1 (ko) 인공지능모델 구축을 위한 라디오믹스 특징 선별 방법 및 분석장치
Gadewar et al. Synthesizing study-specific controls using generative models on open access datasets for harmonized multi-study analyses
Sheriff et al. Retracted: An enhanced ensemble machine learning classification method to detect attention deficit hyperactivity for various artificial intelligence and telecommunication applications
Shibata et al. Deep-learning assessment of hippocampal magnetic susceptibility in Alzheimer's disease
WO2023153839A1 (ko) 2차원 mri를 이용한 치매 정보 산출 방법 및 분석장치
WO2024090677A1 (ko) 대뇌외 뇌척수액 영역의 부피에 기반한 치매 관련 지표 산출 방법 및 분석장치
WO2024128681A1 (ko) Tau-PET에서 치매 예측을 위한 관심 영역 추출 방법, CT와 Tau-PET을 이용한 치매 단계 예측 방법 및 분석장치
WO2024167062A1 (ko) 비디오 프레임 보간 모델을 이용하여 mri를 증강하는 방법 및 영상처리장치

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: 24832176

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2024832176

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2024832176

Country of ref document: EP

Effective date: 20260127

ENP Entry into the national phase

Ref document number: 2024832176

Country of ref document: EP

Effective date: 20260127