WO2020180091A1 - 뇌 구조를 이용한 뇌 영상 보정 방법 및 장치 - Google Patents

뇌 구조를 이용한 뇌 영상 보정 방법 및 장치 Download PDF

Info

Publication number
WO2020180091A1
WO2020180091A1 PCT/KR2020/003017 KR2020003017W WO2020180091A1 WO 2020180091 A1 WO2020180091 A1 WO 2020180091A1 KR 2020003017 W KR2020003017 W KR 2020003017W WO 2020180091 A1 WO2020180091 A1 WO 2020180091A1
Authority
WO
WIPO (PCT)
Prior art keywords
brain
layer
regions
region
computer
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/KR2020/003017
Other languages
English (en)
French (fr)
Inventor
김동현
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.)
Neurophet Inc
Original Assignee
Neurophet Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Neurophet Inc filed Critical Neurophet Inc
Priority to EP20766766.8A priority Critical patent/EP3910584B1/en
Priority to JP2021551922A priority patent/JP7253068B2/ja
Publication of WO2020180091A1 publication Critical patent/WO2020180091A1/ko
Priority to US17/403,959 priority patent/US11967082B2/en
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three-dimensional [3D] modelling for computer graphics
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three-dimensional [3D] modelling for computer graphics
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/037—Emission tomography
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
    • G06T2219/20—Indexing scheme for editing of 3D models
    • G06T2219/2004—Aligning objects, relative positioning of parts

Definitions

  • the present invention relates to a method and apparatus for correcting a brain image using a brain structure.
  • Electrical brain stimulation refers to a method of applying an electric current to the brain by attaching electrodes inside or outside the head and flowing electric current. Electrical brain stimulation is a simple, non-invasive treatment method, and is widely used to treat various brain diseases depending on the location and type of stimulation.
  • EEG electroencephalogram
  • Both electrical brain stimulation and EEG electroencephalography are non-invasive tests and treatment methods, and have the advantage of being simple to perform.
  • a brain image of each subject to be treated is acquired, and treatment is performed through the acquired brain image.
  • it is important to acquire a brain image suitable for the purpose of the procedure and in particular, it is important to acquire a brain image in which each brain region is classified to match the actual structure of the brain. Therefore, there is a need to develop a method of classifying each brain region to match the actual structure of the brain through brain imaging.
  • the problem to be solved by the present invention is to provide a method and apparatus for correcting a brain image using a brain structure.
  • the problem to be solved by the present invention is to provide a method and apparatus for acquiring a brain image divided into a plurality of brain regions conforming to the layer arrangement structure of the brain.
  • the problem to be solved by the present invention is to provide a method and apparatus for detecting and correcting a brain region that does not satisfy the brain layer arrangement structure in a brain image.
  • a brain image correction method using a brain structure performed by a computer includes obtaining a head image including a brain of an object, and dividing the head image into a plurality of regions based on the brain structure. And performing correction for the plurality of regions using a layer arrangement condition of the brain.
  • the brain in the head image may be divided into the plurality of regions by using a learning model for labeling the brain based on a brain structure.
  • each of the plurality of regions may correspond to each brain region labeled based on a brain structure through the learning model.
  • the performing of the correction includes determining whether the plurality of regions meet the brain layer arrangement conditions, and the brain layer arrangement conditions among the plurality of regions. Extracting and correcting a region that does not correspond to the brain layer arrangement condition may be set based on a layer structure of the brain arranged in the order of skin, skull, cerebrospinal fluid, and brain internal regions.
  • the condition for arranging the layers of the brain is a first condition in which a layer disposed outside the layer corresponding to the skin does not exist, and the layer corresponding to the cerebrospinal fluid contacts the layer corresponding to the skin.
  • the step of extracting and correcting an area that does not meet the conditions for arranging the layers of the brain includes the conditions for arranging the layers of the brain to conform to the order of the skin, the skull, the cerebrospinal fluid, and the inner area of the brain. Areas that do not conform to can be rearranged.
  • it may further include performing 3D brain modeling of the object based on the head image corrected using the brain layer arrangement condition.
  • it may further include simulating electrical stimulation of the brain of the object based on the head image corrected using the brain layer arrangement condition.
  • An apparatus includes a memory that stores one or more instructions, and a processor that executes the one or more instructions stored in the memory, wherein the processor executes the one or more instructions, Acquiring a head image comprising a, dividing the head image into a plurality of regions based on a brain structure, and performing correction for the plurality of regions using a layer arrangement condition of the brain .
  • a computer program according to an embodiment of the present invention is combined with a computer that is hardware, and is stored in a computer-readable recording medium to perform a brain image correction method using the brain structure.
  • a brain image divided into more accurate brain regions can be generated by dividing the brain into regions according to the brain layer arrangement structure and performing correction for each divided brain region.
  • the present invention by dividing the brain by region using the layer arrangement structure of the brain, it is possible to obtain a brain image classified as a brain region suitable for an actual brain structure.
  • the present invention by acquiring a brain image in which each brain region is corrected to match the layer structure of the brain, it is possible to obtain a target point for applying more accurate electrical stimulation during electrical brain stimulation performed to treat various brain diseases. have. In addition, it is possible to improve the therapeutic effect by obtaining an accurate electrical stimulation point.
  • the present invention by using a learning model to divide each brain region according to the brain layer structure, it is possible to effectively classify each brain region in a brain image.
  • FIG. 1 is a flowchart schematically showing a method of correcting a brain image using a brain structure according to an embodiment of the present invention.
  • FIG. 2 to 7 illustrate an example of segmenting a brain based on a brain structure and labeling each brain region according to an embodiment of the present invention.
  • FIG. 8 is a diagram illustrating examples of a result of dividing a head image into a plurality of regions according to an embodiment of the present invention.
  • FIG. 9 is a diagram schematically showing the configuration of an apparatus 200 for performing a brain image correction method using a brain structure according to an embodiment of the present invention.
  • unit or “module” refers to a hardware component such as software, FPGA or ASIC, and the "unit” or “module” performs certain roles. However, “unit” or “module” is not meant to be limited to software or hardware.
  • the “unit” or “module” may be configured to be in an addressable storage medium, or may be configured to reproduce one or more processors.
  • “sub” or “module” refers to components such as software components, object-oriented software components, class components, and task components, processes, functions, properties, It includes procedures, subroutines, segments of program code, drivers, firmware, microcode, circuits, data, databases, data structures, tables, arrays and variables. Components and functions provided within “sub” or “module” may be combined into a smaller number of components and “sub” or “modules” or into additional components and “sub” or “modules”. Can be further separated.
  • ⁇ includes all various devices capable of performing arithmetic processing and providing results to a user.
  • computers are not only desktop PCs and notebooks, but also smart phones, tablet PCs, cellular phones, PCS phones, and synchronous/asynchronous systems.
  • a mobile terminal of the International Mobile Telecommunication-2000 (IMT-2000), a Palm Personal Computer (PC), a personal digital assistant (PDA), and the like may also be applicable.
  • a head mounted display (HMD) device includes a computing function
  • the HMD device may be a computer.
  • the computer may correspond to a server that receives a request from a client and performs information processing.
  • FIG. 1 is a flowchart schematically showing a method of correcting a brain image using a brain structure according to an embodiment of the present invention.
  • the method of FIG. 1 is described as being performed by a computer for convenience of explanation, but the subject of performing each step is not limited to a specific device and may be used in a sense of encompassing devices capable of performing computing processing. That is, in this embodiment, the computer may mean a device capable of performing a brain image correction method using a brain structure according to an embodiment of the present invention.
  • a method for correcting a brain image using a brain structure includes obtaining a head image including a brain of an object (S100), and multiple images of the head image are performed based on the brain structure. It may include dividing into regions of (S200), and performing correction (S300) for the plurality of regions using a layer arrangement condition of the brain.
  • S100 a head image including a brain of an object
  • S300 performing correction
  • the computer may acquire a head image including the brain of the object (S100).
  • the object may include a person or an animal, or a part of a person or a part of an animal.
  • Head image refers to a medical image taken of the head including the brain of an object, for example, Computed Tomography (CT) image, Magnetic Resonance Imaging (MRI) taken with medical imaging equipment. , Positron Emission Tomography (PET) image, and the like.
  • CT Computed Tomography
  • MRI Magnetic Resonance Imaging
  • PET Positron Emission Tomography
  • the head image may be a medical image taken including the subject's brain as well as the subject's skull and scalp (skin).
  • the computer may segment the head image of the object into a plurality of regions based on the brain structure (S200).
  • the computer may divide the head image of the object for each brain region based on the brain structure.
  • the brain structure may be formed in a layered structure, for example, a scalp (skin), a skull, cerebrospinal fluid, and an area inside the brain.
  • the inner region of the brain may include the cerebrum, the cerebellum, and the ventricle, and in the case of the cerebrum and the cerebellum, the layer structure may be further divided into gray matter and white matter.
  • the computer divides the head image of the object into a plurality of regions corresponding to the layer structure of the brain. can do.
  • the layer structure of the brain has been described as consisting of the scalp, the skull, cerebrospinal fluid, and the inner region of the brain (gray matter/white matter of the cerebral, gray matter/white matter of the cerebellum, ventricle), but this is only an example, and the present invention is limited thereto. It is not.
  • the brain structure may be classified in different ways, and the types of brain regions may be different according to the classification method.
  • the computer may divide the head image of the object into a plurality of regions through learning.
  • the computer may divide the brain included in the head image of the object into a plurality of regions by using a learning model that labels the brain by region based on the brain structure.
  • the learning model may be derived through learning using deep learning.
  • the computer may acquire a medical image photographed of a head including the brain from a plurality of objects, and perform learning (eg, a convolutional neural network; learning using a CNN) by using it as learning data.
  • learning eg, a convolutional neural network; learning using a CNN
  • the computer may divide the brain into a plurality of regions based on the layer structure of the brain, and learn the learning data to label each of the divided regions.
  • the computer can derive a learning model by learning the learning data. That is, the computer can perform learning based on the learning data, and a learning model that labels the brain by region based on the layer structure of the brain can be built in advance.
  • the computer may input a head image of a specific object to the learning model as an input value, and obtain an output value obtained by dividing the head image of a specific object into a plurality of regions from the learning model.
  • the outputted plurality of regions may correspond to respective brain regions labeled based on the layer structure of the brain through the learning model.
  • FIG. 2 to 7 illustrate an example of segmenting a brain based on a brain structure and labeling each brain region according to an embodiment of the present invention.
  • the brain structure may be composed of a layered structure arranged in the order of the scalp, skull, cerebrospinal fluid, and brain regions (gray matter/white matter of the cerebrum, gray matter/white matter of the cerebellum, ventricle).
  • the computer divides the brain into a plurality of brain regions as shown in FIGS. 2 to 7 based on the layer arrangement structure of the brain, and assigns a label value (i.e., identification value) to each of the divided regions for labeling. I can.
  • the computer may subdivide the inner region of the brain into cerebrum, cerebellum, and ventricle, and may assign a specific label value to each subdivided region.
  • Figure 2 (a) shows the region 10 corresponding to the cerebral gray matter (Cerebral Gray Matter) in the head image including the brain
  • Figure 2 (b) is the region corresponding to the cerebral white matter (Cerebral White Matter) It shows (11).
  • the computer may set the label value to 1 for the cerebral gray matter region (10), which is the outer region of the cerebrum, and the label value to 2 for the cerebral white matter region (11) that fills the inner region of the cerebrum. have.
  • Figure 3 (a) shows the area 20 corresponding to the cerebellar gray matter (Cerebellar Gray Matter) in the head image including the brain
  • Figure 3 (b) is the area corresponding to the cerebellar white matter (Cerebellar White Matter) It shows (21).
  • the computer may set the label value to 3 for the cerebellar gray matter region 20, which is the outer region of the cerebellum, and set the label value to 4, for the cerebellar white matter region 21 that fills the inner region of the cerebellum. have.
  • the computer may set the label value to 5 for the ventricular regions 30 corresponding to empty spaces connected to each other in the brain internal region.
  • the cerebrospinal fluid 40 refers to a liquid filling the outer side of the cerebral/cerebellar gray matter and between the skull.
  • the region 40 corresponding to the cerebrospinal fluid may include a superior saggitalsinus and a transverse sinus.
  • the sickle membrane may be classified as a part of cerebrospinal fluid.
  • the computer may set the label value to 6 for the cerebrospinal fluid region 40.
  • the computer may set the label value to 7 for the skull region 50.
  • the computer may set the label value to 8 for the skin area 60.
  • the computer may be divided into eight brain regions labeled with label values 1 to 8 based on the brain structure.
  • the division into eight brain regions may be based on a clinical layer structure.
  • the computer may divide the head image of a specific object acquired in step S100 into a plurality of regions to correspond to a brain region having a preset label value.
  • the computer may derive a learning model divided into eight brain regions labeled with label values 1 to 8 as shown in FIGS. 2 to 7 through learning using deep learning as described above.
  • the computer may input the head image of a specific object acquired in step S100 to the learning model, and as a result, obtain a head image divided into eight brain regions labeled with label values 1 to 8.
  • the computer may perform correction for a plurality of regions divided in step S200 using the brain layer arrangement condition (S300).
  • the computer determines whether the brain layer arrangement condition is met for the head image divided into a plurality of regions, and performs correction by extracting a region that does not meet the brain layer arrangement condition among the plurality of regions. can do.
  • the brain layer arrangement conditions are based on the brain layer structure in which the brain is placed in the order of skin, skull, cerebrospinal fluid, and brain regions (gray matter/white matter of the cerebrum, gray matter/white matter of the cerebellum, ventricle) as described above. It may be a condition set to.
  • the computer may set a condition to have an arrangement relationship consistent with the layer structure of the brain divided into eight brain regions labeled with label values 1 to 8 as shown in FIGS. 2 to 7.
  • the conditions for arranging the layers of the brain may include at least one of the following first to fifth conditions.
  • the first condition is that there should not be a layer disposed outside the layer corresponding to the skin. For example, an area having any label value cannot be disposed outside the area corresponding to the label value 8 (skin in FIG. 7 ).
  • the second condition is that the layer corresponding to the cerebrospinal fluid does not contact the layer corresponding to the skin.
  • the area corresponding to the label value 6 (cerebrospinal fluid in FIG. 5) should be arranged so as not to directly contact the area corresponding to the label value 8 (skin in FIG. 7).
  • the third condition is that the layer corresponding to the area inside the brain does not come into contact with the layer corresponding to the skull or skin.
  • the region corresponding to the label value 1 to 5 is the label value 7 (the skull in FIG. 6) or the label value 8 (the skin in FIG. 7). It should be arranged so that it does not directly touch the corresponding area.
  • the fourth condition is that the layer corresponding to the white matter in the brain inner region should not exist outside the layer corresponding to the gray matter (cortex) in the brain inner region.
  • the region corresponding to the label value 2 (the cerebral white matter in Fig. 2 (b)) should not be disposed outside the region corresponding to the label value 1 (the cerebral gray matter in Fig. 2 (a)).
  • the region corresponding to the label value 4 (cerebellar white matter in Fig. 3 (b)) should not be disposed outside the region corresponding to the label value 3 (cerebellar gray matter in Fig. 3 (a)).
  • the fifth condition is that in the layer structure of the brain, the distribution of all layers must be within a certain range. For example, all labels (label values 1 to 8) and label values that are not distributed within a certain range but distributed in an area outside the certain range must be minimized.
  • the computer has an arrangement relationship that matches the brain layer structure (eg, label values shown in FIGS. 2 to 7) for the head image divided into a plurality of regions based on the above-described first to fifth conditions. You can judge whether or not.
  • the computer may extract a region having an arrangement relationship that does not conform to the layer structure of the brain from the head image according to the determination result, and correct the extracted corresponding region. For example, in correcting an area that does not satisfy the conditions for arranging the layers of the brain, the computer may rearrange the corresponding area to match the order of the skin, the skull, the cerebrospinal fluid, and the brain inner area.
  • FIG. 8 is a diagram illustrating examples of a result of dividing a head image into a plurality of regions according to an embodiment of the present invention.
  • FIG. 8 may be a result of performing step S200.
  • the computer may determine whether or not the brain layer arrangement condition (first to fifth conditions) is satisfied for each divided brain region. .
  • the computer is used to determine the skin in the head image 100 based on the layer arrangement conditions (first to fifth conditions) of the brain. It may be recognized that another layer (eg, skull) 101 exists outside the layer corresponding to, and accordingly, it may be determined that the first condition is not satisfied. In this case, the computer may correct the layer region (eg, skull) 101 that does not satisfy the first condition to fit the layer structure of the brain. For example, the computer may correct the head image so that the layer region (eg, the skull) 101 that does not satisfy the first condition is disposed as an inner region of the skin.
  • the computer first obtains a skin layer region including a difference region equal to subtracting the original skull region before expansion from the region where the skull was expanded (binary dilation). can do. At this time, the skin layer area completely surrounds the skull. Next, the computer may extract a part newly enclosing the skull from among the skin layer regions including the difference region, and determine the extracted corresponding part as a'region existing outside the skin'. In this case, the computer extracts the'area existing outside the skin' from the image of the head, and thus it can be determined that the first condition in which a layer disposed outside the layer corresponding to the skin does not exist is not satisfied.
  • the computer is used to determine the cerebrospinal fluid in the head image 110 based on the layer arrangement condition (conditions 1 to 5) of the brain. It may be determined that the second condition is not satisfied by recognizing that a part 113 of the layer 111 corresponding to, and in contact with the part 113 of the layer 112 corresponding to the skin, exists. . In this case, the computer may correct the contact portion 113 that does not satisfy the second condition to fit the brain layer structure. For example, the computer may correct the head image so that the contact portion 113 is disposed as an inner area of the skin.
  • the computer first acquires a cranial layer region including a difference region by subtracting the original cerebrospinal fluid region before expansion from the region in which the cerebrospinal fluid was expanded (binary dilation). can do. At this time, the area of the skull layer completely surrounds the cerebrospinal fluid. Next, the computer may extract a portion newly surrounding the cerebrospinal fluid from the area of the skull layer including the difference area, and determine the extracted portion as'a portion in which the cerebrospinal fluid directly contacts the skin'. In this case, the computer extracts the'part of the cerebrospinal fluid in direct contact with the skin' from the head image, so that the layer corresponding to the cerebrospinal fluid does not satisfy the second condition of not contacting the layer corresponding to the skin.
  • a part of the layer corresponding to the brain area (eg, the brain area corresponding to label values 1-5) in the head image is based on the brain layer arrangement condition (conditions 1 to 5). Or/and when it is recognized that a part in contact with a part of the skin exists, it may be determined that the third condition is not satisfied.
  • the computer may correct the contact portion that does not satisfy the third condition according to the layer structure of the brain. For example, the computer may calibrate the head image so that the contact portion is placed inside the skull or/and skin.
  • the computer first subtracts the original brain internal region before expansion from the binary dilation region of the entire brain internal region (cerebrum, cerebellum, ventricle).
  • the cerebrospinal fluid layer region including the difference region of may be obtained.
  • the cerebrospinal fluid layer region completely surrounds the inner region of the brain.
  • the computer extracts a part newly enclosing the brain inner region from the cerebrospinal fluid layer region including the difference region, and determines the extracted part as'a part in which the brain inner region directly contacts the skull or/and skin'. have.
  • the computer extracts'the part in which the brain inner region directly contacts the skull or/and the skin' from the head image, so that the layer corresponding to the brain inner region does not contact the skull or the layer corresponding to the skin. You can see that you are not satisfied with
  • the computer is used in the head image 120 based on the layer arrangement conditions (first to fifth conditions) of the brain. It is recognized that some regions 121 of the layer corresponding to the white matter of the cerebrum exist outside the layer corresponding to the gray matter of the cerebrum, and accordingly, it may be determined that the fourth condition is not satisfied. In this case, the computer may correct some regions 121 that do not satisfy the fourth condition to fit the brain layer structure. For example, the computer may correct the head image so that some regions 121 that do not satisfy the fourth condition are placed inside the gray matter of the cerebrum.
  • the computer first obtains a first difference region equal to subtracting the original white matter region before expansion from the region in which the binary dilation is performed, and then removes the gray matter.
  • a second difference region equal to subtracting the original gray matter region before expansion from the binary dilation region may be obtained.
  • the computer may extract a common portion (ie, an intersection portion) of the first difference region and the second difference region, and determine the extracted common portion as'a portion in which gray matter does not enclose the white matter'.
  • the computer extracts the'part where gray matter does not enclose the white matter' from the image of the head, so that the layer corresponding to the white matter in the brain inner region should not exist outside the layer corresponding to the gray matter (cortex) in the brain inner region. It can be seen that the fourth condition is not satisfied.
  • the computer is used in the head image 130 based on the layer arrangement conditions (first to fifth conditions) of the brain. It can be determined that the fifth condition is not satisfied by recognizing that there is a portion 131 that is not distributed in a cluster with the entire brain region but is distributed at a location outside a certain range.
  • the computer may correct the portion 131 that does not satisfy the fifth condition according to the layer structure of the brain. For example, the computer may perform Connected Component-based Noise Rejection to correct the portion 131 that does not satisfy the fifth condition.
  • the computer performs a binary fill hole for the rest of the layer region except for the ventricle, and then connects component-based noise.
  • the region consisting of the largest lump can be extracted from the entire brain region.
  • the regions removed through noise removal based on the connection component among the entire brain regions may be determined as'the whole layer region and a portion not distributed within a certain range'.
  • the reference size e.g., 30% of the size of the largest lump
  • the'all layer It can be judged as'area and part not distributed within a certain range'.
  • the computer first rearranges each brain region according to the order of the layers of the brain (e.g., the order of skin, skull, cerebrospinal fluid, and internal brain regions), and the regions that still do not satisfy the fifth condition for each of the rearranged brain regions Whether it exists can be determined through noise reduction based on the connection component.
  • the order of the layers of the brain e.g., the order of skin, skull, cerebrospinal fluid, and internal brain regions
  • the computer may set a cube area of size NxNxN for an area that still does not satisfy the fifth condition, and check a layer (eg, a label value) to which the surrounding areas of the set cube area belong.
  • the computer may select a layer (eg, a label value) to which the surrounding regions most belong according to the confirmation result, and correct the region not satisfying the fifth condition to belong to the selected layer region.
  • the computer may determine whether or not the brain layer arrangement condition (first to fifth conditions) is satisfied for each divided brain region. .
  • the computer may determine whether or not it has an arrangement relationship matching the layer structure of the brain in the order of the fifth condition, the fourth condition, the third condition, the second condition, the first condition, and the fifth condition.
  • the computer may determine whether a portion of the head image divided into a plurality of regions is not clustered and distributed into a lump with the entire brain region, but is distributed at a location outside a predetermined range. In other words, the computer can detect a brain area that is far from the entire brain area.
  • the hole of each layer e.g., specific regions with label values 1 to 8 by dividing the brain by region based on the brain structure
  • a hole binary fill hole
  • the head image divided into a plurality of regions may be processed in a state where the holes are filled, and a brain region far from the entire brain region is removed. Therefore, the computer can proceed with the following process using the head image in the processed state.
  • the layer corresponding to the white matter of the cerebral should not exist outside the layer corresponding to the gray matter of the cerebral. It can be determined whether or not the fourth condition is satisfied.
  • the process of determining whether or not the fourth condition is satisfied has been described in detail with reference to FIG. 8, so a detailed description thereof will be omitted.
  • the computer may detect whether there is a'part where gray matter does not enclose white matter' from the head image, and may correct this.
  • the layer corresponding to the brain inner region contacts the skull or/and the skin. It can be determined whether or not the third condition that should not be satisfied is satisfied.
  • the process of determining whether or not the third condition is satisfied has been described in detail with reference to FIG. 8, so a detailed description thereof will be omitted.
  • the computer may detect whether there is a'part in which the inner region of the brain directly contacts the skull or/and the skin', and may correct this.
  • the computer will determine whether the layer corresponding to the cerebrospinal fluid satisfies the second condition in which the layer corresponding to the cerebrospinal fluid does not come into contact with the skin in the head image after undergoing the above-described hole filling operation and the connection component-based noise removal operation.
  • the computer may detect whether there is a'part in which cerebrospinal fluid directly contacts the skin', and may correct this.
  • the computer satisfies the first condition in which no other layer disposed outside the layer corresponding to the skin should exist in the head image after undergoing the above-described hole filling operation and noise removal operation based on the connected component. You can determine whether or not.
  • the process of determining whether or not the first condition is satisfied has been described in detail with reference to FIG. 8, so a detailed description thereof will be omitted.
  • the computer may detect whether there is a'region other than the skin outside the skin', and may correct this.
  • the computer may rearrange each layer region processed in the order of the above process, that is, the fourth condition, the third condition, the second condition, and the first condition, according to the brain structure.
  • each layer area that has gone through the above process is filled in through the hole filling operation, so each layer must be rearranged to fit the brain structure.
  • the computer can rearrange each layer in the order of skin, skull, cerebrospinal fluid, and brain regions.
  • the computer can check whether there is still a region that is far from the entire brain region for each relocated layer.
  • the computer may apply a connection component labeling technique to each of the rearranged layers. Thereafter, if there is an area distant from the entire brain area, the computer may set a cube area having a size of NxNxN and extract an area around the set cube area. In this case, the computer may determine the layer (eg, label value) to which the surrounding regions extracted from the cube region belong, and derive the layer most distributed around the cube. Accordingly, the computer can perform correction in which an area (corresponding cube area) that is far from the entire brain area is changed to a layer area most distributed around the entire brain area.
  • the computer has an arrangement relationship corresponding to the layer structure of the brain in the order of the fifth condition, the fourth condition, the third condition, the second condition, the first condition, and the fifth condition as described above for the head image. It is determined whether or not, and by performing correction for a layer that does not conform to the layer structure of the brain, it is possible to finally derive a brain image that conforms to the clinical brain structure.
  • the computer may acquire a corrected head image using the brain layer arrangement condition. Therefore, a more accurate head image divided into a plurality of brain regions can be derived.
  • the computer may generate a 3D brain image of the object by performing 3D brain modeling of the object based on the corrected head image. In this case, it is possible to obtain a 3D brain model suitable for a more accurate clinical brain layer structure.
  • the computer may simulate electrical stimulation of the brain of the object based on the corrected head image.
  • the computer may simulate the electrical stimulation of the subject's brain using a 3D brain image generated based on the corrected head image.
  • a general head image ie, a head image divided into an incorrect region
  • applying electrical stimulation to an incorrectly divided brain part may result in excessively high or low voltage and electric field values. That is, when a specific electrical stimulus is applied to a point of the subject's head and a path through which the specific electrical stimulus is propagated in the subject's brain is simulated, an accurate simulation result cannot be derived.
  • the head image in which each brain region is corrected to match the layer structure of the brain is used, a specific point on the head image of the object to apply electrical stimulation can be more accurately designated. Therefore, the accuracy of the simulation result can also be improved.
  • FIG. 9 is a diagram schematically showing the configuration of an apparatus 200 for performing a brain image correction method using a brain structure according to an embodiment of the present invention.
  • the processor 210 includes a connection path (eg, a bus, etc.) for transmitting and receiving signals with one or more cores (not shown), a graphic processing unit (not shown), and/or other components. ) Can be included.
  • a connection path eg, a bus, etc.
  • the processor 210 executes one or more instructions stored in the memory 220 to perform the brain image correction method using the brain structure described with reference to FIGS. 1 to 8.
  • the processor 210 executing one or more instructions stored in the memory 220 to obtain a head image including the brain of the object, dividing the head image into a plurality of regions based on a brain structure, And performing correction for the plurality of regions by using a layer arrangement condition of the brain.
  • the processor 210 temporarily and/or permanently stores a signal (or data) processed inside the processor 210, and a RAM (Random Access Memory, not shown) and a ROM (Read-Only Memory). , Not shown) may further include.
  • the processor 210 may be implemented in the form of a system on chip (SoC) including at least one of a graphic processing unit, RAM, and ROM.
  • SoC system on chip
  • the memory 220 may store programs (one or more instructions) for processing and controlling the processor 210. Programs stored in the memory 220 may be divided into a plurality of modules according to functions.
  • the brain image correction method using the brain structure according to the embodiment of the present invention described above may be implemented as a program (or application) to be executed in combination with a computer, which is hardware, and stored in a medium.
  • the above-described program is C, C++, JAVA, machine language, etc. that can be read by the computer's processor (CPU) through the device interface of the computer in order for the computer to read the program and execute the methods implemented as a program.
  • It may include a code (Code) coded in the computer language of.
  • code may include a functional code related to a function defining necessary functions for executing the methods, and a control code related to an execution procedure necessary for the processor of the computer to execute the functions according to a predetermined procedure. can do.
  • code may further include additional information required for the processor of the computer to execute the functions or code related to a memory reference to which location (address address) of the internal or external memory of the computer should be referenced. have.
  • the code uses the communication module of the computer to determine how It may further include a communication-related code for whether to communicate, what kind of information or media should be transmitted and received during communication.
  • the stored medium is not a medium that stores data for a short moment, such as a register, cache, memory, etc., but a medium that stores data semi-permanently and can be read by a device.
  • examples of the storage medium include, but are not limited to, ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, and the like. That is, the program may be stored in various recording media on various servers to which the computer can access, or on various recording media on the user's computer.
  • the medium may be distributed over a computer system connected through a network, and computer-readable codes may be stored in a distributed manner.
  • RAM Random Access Memory
  • ROM Read Only Memory
  • EPROM Erasable Programmable ROM
  • EEPROM Electrically Erasable Programmable ROM
  • Flash Memory hard disk, removable disk, CD-ROM, or It may reside on any type of computer-readable recording medium well known in the art to which the present invention pertains.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Optics & Photonics (AREA)
  • Pulmonology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

컴퓨터가 수행하는 뇌 구조를 이용한 뇌 영상 보정 방법이 제공된다. 상기 방법은 대상체의 뇌를 포함하는 두상 영상을 획득하는 단계, 상기 두상 영상을 뇌 구조에 기초하여 복수의 영역으로 분할하는 단계, 및 상기 복수의 영역에 대해 뇌의 레이어 배치 조건을 이용하여 보정을 수행하는 단계를 포함한다.

Description

뇌 구조를 이용한 뇌 영상 보정 방법 및 장치
본 발명은 뇌 구조를 이용한 뇌 영상 보정 방법 및 장치에 관한 것이다.
전기적 뇌자극은 전극을 머리 안 혹은, 밖에 부착시키고 전류를 흐르게 하여 최종적으로 뇌에 전류를 인가하는 방법을 말한다. 전기적 뇌자극은 간단하게 시술할 수 있는 비침습적 치료방법으로서, 자극을 가하는 위치 및 자극의 종류에 따라 다양한 뇌질환을 치료하는 데 널리 이용되고 있다.
또한, 대상체의 뇌 활동에 따른 전기활동을 측정할 수 있는 뇌파검사(Electroencephalogram, EEG)도 마찬가지로 신경과 및 신경정신과 치료에 널리 이용되고 있다.
전기적 뇌자극과 EEG 뇌파검사는 모두 비침습적 검사 및 치료방법으로서, 간단하게 시술할 수 있다는 장점이 있다. 또한, 이러한 시술을 하기 위해서는 시술 대상자 각각의 뇌 영상을 획득하고, 획득된 뇌 영상을 통해 치료를 수행한다. 이때, 시술 목적에 적합한 뇌 영상을 획득하는 것이 중요하며, 특히 뇌의 실제 구조와 일치하도록 각 뇌 영역을 분류한 뇌 영상을 획득하는 것이 중요하다. 따라서, 뇌 영상을 통해 뇌의 실제 구조와 일치하도록 각 뇌 영역을 분류하는 방법의 개발이 요구된다.
본 발명이 해결하고자 하는 과제는 뇌 구조를 이용한 뇌 영상 보정 방법 및 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 과제는 뇌의 레이어 배치 구조에 부합하는 복수의 뇌 영역으로 분할된 뇌 영상을 획득하는 방법 및 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 과제는 뇌 영상에서 뇌의 레이어 배치 구조를 만족하지 않는 뇌 영역을 검출하여 이를 보정하는 방법 및 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따른 컴퓨터가 수행하는 뇌 구조를 이용한 뇌 영상 보정 방법은, 대상체의 뇌를 포함하는 두상 영상을 획득하는 단계, 상기 두상 영상을 뇌 구조에 기초하여 복수의 영역으로 분할하는 단계, 및 상기 복수의 영역에 대해 뇌의 레이어 배치 조건을 이용하여 보정을 수행하는 단계를 포함한다.
본 발명의 일 실시예에 있어서, 상기 복수의 영역으로 분할하는 단계는, 뇌 구조에 기초하여 뇌를 라벨링하는 학습 모델을 이용하여, 상기 두상 영상 내의 뇌를 상기 복수의 영역으로 분할할 수 있다.
본 발명의 일 실시예에 있어서, 상기 복수의 영역 각각은, 상기 학습 모델을 통해 뇌 구조에 기초하여 라벨링된 각각의 뇌 영역에 대응할 수 있다.
본 발명의 일 실시예에 있어서, 상기 보정을 수행하는 단계는, 상기 복수의 영역에 대해 상기 뇌의 레이어 배치 조건에 부합하는지 여부를 판단하는 단계, 및 상기 복수의 영역 중에서 상기 뇌의 레이어 배치 조건에 부합하지 않는 영역을 추출하여 보정하는 단계를 포함하며, 상기 뇌의 레이어 배치 조건은, 피부, 두개골, 뇌척수액, 및 뇌 내부 영역 순서로 배치되는 뇌의 레이어 구조를 바탕으로 설정될 수 있다.
본 발명의 일 실시예에 있어서, 상기 뇌의 레이어 배치 조건은, 피부에 대응하는 레이어보다 외부에 배치된 레이어가 존재하지 않아야 하는 제1 조건, 뇌척수액에 대응하는 레이어가 피부에 대응하는 레이어와 접촉하지 않아야 하는 제2 조건, 뇌 내부 영역에 대응하는 레이어가 두개골 또는 피부에 대응하는 레이어와 접촉하지 않아야 하는 제3 조건, 뇌 내부 영역 내 백질에 대응하는 레이어가 뇌 내부 영역 내 회백질에 대응하는 레이어보다 외부에 존재하지 않아야 하는 제4 조건, 및 상기 뇌의 레이어 구조에서 전체 레이어의 배치 분포가 일정한 범위 내에 존재해야 하는 제5 조건 중 적어도 하나를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 뇌의 레이어 배치 조건에 부합하지 않는 영역을 추출하여 보정하는 단계는, 상기 피부, 두개골, 뇌척수액, 및 뇌 내부 영역의 순서에 부합하도록 상기 뇌의 레이어 배치 조건에 부합하지 않는 영역을 재배치할 수 있다.
본 발명의 일 실시예에 있어서, 상기 뇌의 레이어 배치 조건을 이용하여 보정된 상기 두상 영상을 기초로 상기 대상체의 3차원 뇌 모델링을 수행하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 뇌의 레이어 배치 조건을 이용하여 보정된 상기 두상 영상을 기초로 상기 대상체의 뇌에 대한 전기적 자극을 시뮬레이션하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따른 장치는, 하나 이상의 인스트럭션을 저장하는 메모리, 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하며, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 대상체의 뇌를 포함하는 두상 영상을 획득하는 단계, 상기 두상 영상을 뇌 구조에 기초하여 복수의 영역으로 분할하는 단계, 및 상기 복수의 영역에 대해 뇌의 레이어 배치 조건을 이용하여 보정을 수행하는 단계를 수행한다.
본 발명의 일 실시예에 따른 컴퓨터프로그램은 하드웨어인 컴퓨터와 결합되어, 상기 뇌 구조를 이용한 뇌 영상 보정 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된다.
본 발명에 따르면, 뇌의 레이어 배치 구조에 맞게 뇌를 영역별로 분할하고, 분할된 뇌 영역별로 보정을 수행함으로써 보다 정확한 뇌 영역으로 분할된 뇌 영상을 생성할 수 있다.
본 발명에 따르면, 뇌의 레이어 배치 구조를 이용하여 뇌를 영역별로 분할함으로써 보다 실제 뇌 구조에 맞는 뇌 영역으로 분류된 뇌 영상을 획득할 수 있다.
본 발명에 따르면, 뇌의 레이어 구조와 일치하도록 각 뇌 영역을 보정한 뇌 영상을 획득함으로써, 다양한 뇌질환을 치료하기 위해 시행되는 전기적 뇌자극 시에 보다 정확한 전기적 자극을 가할 타겟 지점을 획득할 수 있다. 또한, 정확한 전기적 자극 지점을 획득함으로써 치료 효과 또한 향상시킬 수 있다.
본 발명에 따르면, 뇌의 레이어 구조에 맞게 각 뇌 영역을 분할함에 있어 학습 모델을 사용함으로써 효과적으로 뇌 영상에서 각 뇌 영역을 분류할 수 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 뇌 구조를 이용한 뇌 영상 보정 방법을 개략적으로 도시한 흐름도이다.
도 2 내지 도 7은 본 발명의 일 실시예에 따라 뇌 구조를 기반으로 뇌를 분할하여 뇌 영역별로 라벨링하는 일례를 나타낸 것이다.
도 8은 본 발명의 일 실시예에 따라 두상 영상을 복수의 영역으로 분할한 결과의 예시들을 나타낸 도면이다.
도 9는 본 발명의 일 실시예에 따른 뇌 구조를 이용한 뇌 영상 보정 방법을 수행하는 장치(200)의 구성을 개략적으로 나타내는 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.
본 명세서에서 "컴퓨터"는 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 컴퓨터는 데스크 탑 PC, 노트북(Note Book) 뿐만 아니라 스마트폰(Smart phone), 태블릿 PC, 셀룰러폰(Cellular phone), 피씨에스폰(PCS phone; Personal Communication Service phone), 동기식/비동기식 IMT-2000(International Mobile Telecommunication-2000)의 이동 단말기, 팜 PC(Palm Personal Computer), 개인용 디지털 보조기(PDA; Personal Digital Assistant) 등도 해당될 수 있다. 또한, 헤드마운트 디스플레이(Head Mounted Display; HMD) 장치가 컴퓨팅 기능을 포함하는 경우, HMD장치가 컴퓨터가 될 수 있다. 또한, 컴퓨터는 클라이언트로부터 요청을 수신하여 정보처리를 수행하는 서버가 해당될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 뇌 구조를 이용한 뇌 영상 보정 방법을 개략적으로 도시한 흐름도이다.
도 1의 방법은 설명의 편의를 위하여 컴퓨터에 의하여 수행되는 것으로 서술하나, 각 단계의 수행주체가 특정 장치에 제한되는 것은 아니고 컴퓨팅 처리를 수행할 수 있는 장치를 포괄하는 의미로 사용될 수 있다. 즉, 본 실시예에서 컴퓨터는 본 발명의 실시예에 따른 뇌 구조를 이용한 뇌 영상 보정 방법을 수행할 수 있는 장치를 의미할 수 있다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 뇌 구조를 이용한 뇌 영상 보정 방법은, 대상체의 뇌를 포함하는 두상 영상을 획득하는 단계(S100), 상기 두상 영상을 뇌 구조에 기초하여 복수의 영역으로 분할하는 단계(S200), 및 상기 복수의 영역에 대해 뇌의 레이어 배치 조건을 이용하여 보정을 수행하는 단계(S300)를 포함할 수 있다. 이하, 각 단계에 대한 상세한 설명을 기재한다.
컴퓨터는 대상체의 뇌를 포함하는 두상 영상을 획득할 수 있다(S100).
여기서, 대상체(object)는 사람 또는 동물, 또는 사람의 일부 또는 동물의 일부를 포함할 수 있다.
두상 영상은 대상체의 뇌를 포함하는 머리 부분을 촬영한 의료영상을 말하며, 예를 들어 의료영상 촬영장비로 촬영한 컴퓨터 단층촬영(Computed Tomography; CT) 영상, 자기공명 영상(Magnetic Resonance Imaging; MRI), 양전자 단층촬영(Positron Emission Tomography; PET) 영상 등을 포함할 수 있다.
또한, 두상 영상은 대상체의 뇌뿐만 아니라 대상체의 두개골 및 두피(피부)를 포함하여 촬영된 의료영상일 수 있다.
컴퓨터는 대상체의 두상 영상을 뇌 구조에 기초하여 복수의 영역으로 분할(segmentation; 세그먼테이션)할 수 있다(S200).
일 실시예로, 컴퓨터는 뇌 구조를 기초로 뇌 영역별로 대상체의 두상 영상을 분할할 수 있다.
여기서, 뇌 구조는 레이어 구조로 이루어질 수 있으며, 예컨대 두피(피부), 두개골, 뇌척수액, 뇌 내부 영역으로 이루어질 수 있다. 또한, 뇌 내부 영역은 대뇌, 소뇌, 뇌실을 포함할 수 있으며, 대뇌와 소뇌의 경우 회백질과 백질로 더 세분화된 레이어 구조로 이루어질 수 있다.
즉, 컴퓨터는 두피, 두개골, 뇌척수액, 뇌 내부 영역(대뇌의 회백질/백질, 소뇌의 회백질/백질, 뇌실)을 기초로 하여, 대상체의 두상 영상을 뇌의 레이어 구조에 상응하는 복수의 영역으로 분할할 수 있다.
여기서, 뇌의 레이어 구조를 두피, 두개골, 뇌척수액, 뇌 내부 영역(대뇌의 회백질/백질, 소뇌의 회백질/백질, 뇌실)으로 이루어진 것으로 설명하였으나, 이는 하나의 예시일 뿐이며, 본 발명이 이에 한정되는 것은 아니다. 실시예에 따라서는 뇌의 구조를 다른 방식으로 분류할 수 있으며, 분류 방식에 따라 뇌 영역의 종류가 상이해질 수도 있다.
또한, 컴퓨터는 학습을 통해 대상체의 두상 영상을 복수의 영역으로 분할할 수도 있다. 일 실시예로, 컴퓨터는 뇌 구조에 기초하여 뇌를 영역별로 라벨링하는 학습 모델을 이용하여, 대상체의 두상 영상에 포함된 뇌를 복수의 영역으로 분할할 수 있다. 여기서, 학습 모델은 딥러닝을 이용한 학습을 통해 도출된 것일 수 있다.
예를 들어, 컴퓨터는 뇌를 포함하는 머리 부분을 촬영한 의료영상을 다수의 대상체로부터 획득하고, 이를 학습데이터로 이용하여 학습(예: Convolutional neural network; CNN을 이용한 학습)을 수행할 수 있다. 이때, 컴퓨터는 뇌의 레이어 구조를 바탕으로 뇌를 복수의 영역으로 분할하고, 분할된 복수의 영역 각각을 라벨링하도록 학습데이터를 학습시킬 수 있다. 그리고, 컴퓨터는 학습데이터를 학습함으로써 학습 모델을 도출할 수 있다. 즉, 컴퓨터는 학습데이터를 기초로 학습을 수행하여, 뇌의 레이어 구조를 바탕으로 뇌를 영역별로 라벨링하는 학습 모델을 미리 구축해 둘 수 있다. 따라서, 컴퓨터는 학습 모델에 특정한 대상체의 두상 영상을 입력값으로 입력하고, 학습 모델로부터 특정한 대상체의 두상 영상을 복수의 영역으로 분할한 출력값을 획득할 수 있다. 이때, 출력된 복수의 영역은 학습 모델을 통해 뇌의 레이어 구조에 기초하여 라벨링된 각각의 뇌 영역에 대응할 수 있다.
도 2 내지 도 7은 본 발명의 일 실시예에 따라 뇌 구조를 기반으로 뇌를 분할하여 뇌 영역별로 라벨링하는 일례를 나타낸 것이다.
상술한 바와 같이, 뇌 구조는 두피, 두개골, 뇌척수액, 뇌 내부 영역(대뇌의 회백질/백질, 소뇌의 회백질/백질, 뇌실)의 순서로 배치되는 레이어 구조로 이루어질 수 있다. 따라서, 컴퓨터는 이러한 뇌의 레이어 배치 구조를 바탕으로 도 2 내지 도 7에 도시된 바와 같이 복수의 뇌 영역으로 분할하고 분할된 각 영역에 대해 각각 라벨값(즉, 식별값)을 부여하여 라벨링할 수 있다.
일 실시예로, 컴퓨터는 뇌 내부 영역을 대뇌, 소뇌, 뇌실로 세분화할 수 있고, 세분화된 각 영역에 특정 라벨값을 부여할 수 있다.
도 2의 (a)는 뇌를 포함하는 두상 영상에서 대뇌 회백질(Cerebral Gray Matter)에 해당하는 영역(10)을 나타낸 것이고, 도 2의 (b)는 대뇌 백질(Cerebral White Matter)에 해당하는 영역(11)을 나타낸 것이다. 예를 들어, 컴퓨터는 대뇌의 바깥쪽 영역인 대뇌 회백질 영역(10)에 대해 라벨값을 1로 설정하고, 대뇌의 내부 영역을 채우고 있는 대뇌 백질 영역(11)에 대해 라벨값을 2로 설정할 수 있다.
도 3의 (a)는 뇌를 포함하는 두상 영상에서 소뇌 회백질(Cerebellar Gray Matter)에 해당하는 영역(20)을 나타낸 것이고, 도 3의 (b)는 소뇌 백질(Cerebellar White Matter)에 해당하는 영역(21)을 나타낸 것이다. 예를 들어, 컴퓨터는 소뇌의 바깥쪽 영역인 소뇌 회백질 영역(20)에 대해 라벨값을 3으로 설정하고, 소뇌의 내부 영역을 채우고 있는 소뇌 백질 영역(21)에 대해 라벨값을 4로 설정할 수 있다.
도 4는 뇌를 포함하는 두상 영상에서 뇌실(Ventricles; Lateral Ventricles)에 해당하는 영역(30)을 나타낸 것이다. 예를 들어, 컴퓨터는 뇌 내부 영역에서 서로 연결된 빈 공간에 해당하는 뇌실 영역(30)에 대해 라벨값을 5로 설정할 수 있다.
도 5는 뇌를 포함하는 두상 영상에서 뇌척수액(Cerebrospinal fluid; CSF)에 해당하는 영역(40)을 나타낸 것이다. 여기서, 뇌척수액(40)은 대뇌/소뇌 회백질의 바깥쪽과 두개골 사이를 채우고 있는 액체를 말한다. 실시예에 따라, 뇌척수액에 해당하는 영역(40)은 위시상정맥굴(superior saggitalsinus)과 횡정맥동(transverse sinus)을 포함할 수 있다. 또한, 겸상막의 경우 뇌척수액의 일부로 분류될 수도 있다. 예를 들어, 컴퓨터는 뇌척수액 영역(40)에 대해 라벨값을 6으로 설정할 수 있다.
도 6은 뇌를 포함하는 두상 영상에서 두개골(Skull)에 해당하는 영역(50)을 나타낸 것이다. 예를 들어, 컴퓨터는 두개골 영역(50)에 대해 라벨값을 7로 설정할 수 있다.
도 7은 뇌를 포함하는 두상 영상에서 피부(Skin)에 해당하는 영역(60)을 나타낸 것이다. 예를 들어, 컴퓨터는 피부 영역(60)에 대해 라벨값을 8로 설정할 수 있다.
도 2 내지 도 7에 도시된 바와 같이, 컴퓨터는 뇌 구조를 기초로 라벨값 1~8로 라벨링된 8개의 뇌 영역으로 분할할 수 있다. 여기서, 8개의 뇌 영역으로 분할한 것은 임상적인 레이어 구조에 기초한 것일 수 있다. 따라서, 컴퓨터는 단계 S100에서 획득한 특정한 대상체의 두상 영상에 대해, 기설정된 라벨값을 가지는 뇌 영역에 대응하도록 복수개의 영역으로 분할할 수 있다.
이때, 컴퓨터는 상술한 것처럼 딥러닝을 이용한 학습을 통해, 도 2 내지 도 7에 도시된 바와 같이 라벨값 1~8로 라벨링된 8개의 뇌 영역으로 분할된 학습 모델을 도출할 수 있다. 이 경우, 컴퓨터는 상기 학습 모델에 단계 S100에서 획득한 특정한 대상체의 두상 영상을 입력하고, 그 결과로서 라벨값 1~8로 라벨링된 8개의 뇌 영역으로 분할된 두상 영상을 획득할 수 있다.
다시 도 1을 참조하면, 컴퓨터는 단계 S200에서 분할된 복수의 영역에 대해 뇌의 레이어 배치 조건을 이용하여 보정을 수행할 수 있다(S300).
일 실시예로, 컴퓨터는 복수의 영역으로 분할된 두상 영상에 대해 뇌의 레이어 배치 조건에 부합하는지 여부를 판단하고, 복수의 영역 중에서 뇌의 레이어 배치 조건에 부합하지 않는 영역을 추출하여 보정을 수행할 수 있다.
여기서, 뇌의 레이어 배치 조건은 상술한 바와 같이, 뇌를 피부, 두개골, 뇌척수액, 뇌 내부 영역(대뇌의 회백질/백질, 소뇌의 회백질/백질, 뇌실)의 순서로 배치되는 뇌의 레이어 구조를 바탕으로 설정되는 조건일 수 있다. 예를 들어, 컴퓨터는 도 2 내지 도 7에 도시된 바와 같이 라벨값 1~8로 라벨링된 8개의 뇌 영역으로 분할된 뇌의 레이어 구조에 일치하는 배치 관계를 가지도록 조건을 설정할 수 있다.
일 실시예로, 뇌의 레이어 배치 조건은 다음 제1 내지 제5 조건 중 적어도 하나를 포함할 수 있다.
제1 조건은 피부에 대응하는 레이어보다 외부에 배치된 레이어가 존재하지 않아야 한다. 예를 들어, 라벨값 8(도 7의 피부)에 해당하는 영역의 외부에는 어떠한 라벨값을 가지는 영역도 배치될 수 없다.
제2 조건은 뇌척수액에 대응하는 레이어가 피부에 대응하는 레이어와 접촉하지 않아야 한다. 예를 들어, 라벨값 6(도 5의 뇌척수액)에 해당하는 영역은 라벨값 8(도 7의 피부)에 해당하는 영역과 직접 맞닿지 않도록 배치되어야 한다.
제3 조건은 뇌 내부 영역에 대응하는 레이어가 두개골 또는 피부에 대응하는 레이어와 접촉하지 않아야 한다. 예를 들어, 라벨값 1~5(도 2의 대뇌, 도 3의 소뇌, 도 4의 뇌실)에 해당하는 영역은 라벨값 7(도 6의 두개골) 또는 라벨값 8(도 7의 피부)에 해당하는 영역과 직접 맞닿지 않도록 배치되어야 한다.
제4 조건은 뇌 내부 영역 내 백질에 대응하는 레이어가 뇌 내부 영역 내 회백질(피질)에 대응하는 레이어보다 외부에 존재하지 않아야 한다. 예를 들어, 라벨값 2(도 2의 (b)의 대뇌 백질)에 해당하는 영역은 라벨값 1(도 2의 (a)의 대뇌 회백질)에 해당하는 영역보다 바깥으로 배치되지 않아야 한다. 또한, 라벨값 4(도 3의 (b)의 소뇌 백질)에 해당하는 영역은 라벨값 3(도 3의 (a)의 소뇌 회백질)에 해당하는 영역보다 바깥으로 배치되지 않아야 한다.
제5 조건은 뇌의 레이어 구조에서 전체 레이어의 배치 분포가 일정한 범위 내에 존재해야 한다. 예를 들어, 전체 라벨(라벨값 1~8)과 일정 범위 내에 분포되어 있지 않고 일정 범위를 벗어난 영역에 분포되어 있는 라벨값이 최소화되도록 해야한다.
즉, 컴퓨터는 상술한 제1 내지 제5 조건을 기초로 복수의 영역으로 분할된 두상 영상에 대해 뇌의 레이어 구조(예: 도 2 내지 도7에 도시된 라벨값)에 부합하는 배치 관계를 가지는지 여부를 판단할 수 있다. 컴퓨터는 판단 결과에 따라 두상 영상으로부터 뇌의 레이어 구조에 부합하지 못하는 배치 관계를 가지는 영역을 추출하고, 추출된 해당 영역을 보정할 수 있다. 예를 들어, 컴퓨터는 뇌의 레이어 배치 조건을 만족하지 못하는 영역을 보정함에 있어, 피부, 두개골, 뇌척수액, 뇌 내부 영역의 순서에 부합하도록 해당 영역을 재배치할 수 있다.
도 8은 본 발명의 일 실시예에 따라 두상 영상을 복수의 영역으로 분할한 결과의 예시들을 나타낸 도면이다. 예를 들어, 도 8은 단계 S200을 수행한 결과일 수 있다.
상술한 바와 같이, 컴퓨터는 대상체의 두상 영상을 복수의 뇌 영역으로 분할한 후, 분할된 각 뇌 영역에 대해 뇌의 레이어 배치 조건(제1 내지 제5조건)을 만족하는지 여부를 판단할 수 있다.
일례로, 도 8의 (a)와 같이 복수의 영역으로 분할된 두상 영상(100)의 경우, 컴퓨터는 뇌의 레이어 배치 조건(제1 내지 제5조건)을 바탕으로 두상 영상(100)에서 피부에 해당하는 레이어의 바깥쪽에 다른 레이어(예컨대, 두개골)(101)가 존재하는 것을 인식하고, 이에 따라 제1 조건을 만족하지 못하는 것으로 판단할 수 있다. 이 경우, 컴퓨터는 제1 조건을 만족하지 못하는 레이어 영역(예컨대, 두개골)(101)을 뇌의 레이어 구조에 맞게 보정할 수 있다. 예컨대, 컴퓨터는 제1 조건을 만족하지 못하는 레이어 영역(예컨대, 두개골)(101)을 피부의 내부 영역으로 배치되도록 두상 영상을 보정할 수 있다.
이때, 일 실시예로 제1 조건을 만족하는지 여부를 판단함에 있어서, 컴퓨터는 먼저 두개골을 확장(binary dilation)시킨 영역에서 확장 전의 원래 두개골 영역을 뺀 만큼의 차이 영역을 포함하는 피부 레이어 영역을 획득할 수 있다. 이때, 피부 레이어 영역은 두개골을 완전히 감싸게 된다. 다음으로, 컴퓨터는 차이 영역을 포함하는 피부 레이어 영역 중에서 새롭게 두개골을 감싸고 있는 부분을 추출하고, 추출된 해당 부분을 '피부의 외부에 존재하는 영역'으로 판단할 수 있다. 이 경우, 컴퓨터는 두상 영상으로부터 '피부의 외부에 존재하는 영역'을 추출함으로써, 피부에 대응하는 레이어보다 외부에 배치된 레이어가 존재하지 않아야 하는 제1 조건을 만족하지 않는다는 것을 파악할 수 있다.
다른 예로, 도 8의 (b)와 같이 복수의 영역으로 분할된 두상 영상(110)의 경우, 컴퓨터는 뇌의 레이어 배치 조건(제1 내지 제5조건)을 바탕으로 두상 영상(110)에서 뇌척수액에 해당하는 레이어(111)의 일부 영역이 피부에 해당하는 레이어(112)의 일부 영역과 접촉하는 부분(113)이 존재한다는 것을 인식하고, 이에 따라 제2 조건을 만족하지 못하는 것으로 판단할 수 있다. 이 경우, 컴퓨터는 제2 조건을 만족하지 못하는 접촉 부분(113)을 뇌의 레이어 구조에 맞게 보정할 수 있다. 예컨대, 컴퓨터는 접촉 부분(113)을 피부의 내부 영역으로 배치되도록 두상 영상을 보정할 수 있다.
이때, 일 실시예로 제2 조건을 만족하는지 여부를 판단함에 있어서, 컴퓨터는 먼저 뇌척수액을 확장(binary dilation)시킨 영역에서 확장 전의 원래 뇌척수액 영역을 뺀 만큼의 차이 영역을 포함하는 두개골 레이어 영역을 획득할 수 있다. 이때, 두개골 레이어 영역은 뇌척수액을 완전히 감싸게 된다. 다음으로, 컴퓨터는 차이 영역을 포함하는 두개골 레이어 영역 중에서 새롭게 뇌척수액을 감싸고 있는 부분을 추출하고, 추출된 해당 부분을 '뇌척수액이 피부와 직접 맞닿은 부분'으로 판단할 수 있다. 이 경우, 컴퓨터는 두상 영상으로부터 '뇌척수액이 피부와 직접 맞닿은 부분'을 추출함으로써, 뇌척수액에 대응하는 레이어가 피부에 대응하는 레이어와 접촉하지 않아야 하는 제2 조건을 만족하지 않는다는 것을 파악할 수 있다.
또 다른 예로, 컴퓨터는 뇌의 레이어 배치 조건(제1 내지 제5조건)을 바탕으로 두상 영상에서 뇌 내부 영역(예: 라벨값 1~5에 해당하는 뇌 영역)에 해당하는 레이어의 일부가 두개골 또는/및 피부의 일부와 접촉하는 부분이 존재한다는 것을 인식한 경우, 제3 조건을 만족하지 못하는 것으로 판단할 수 있다. 이 경우, 컴퓨터는 제3 조건을 만족하지 못하는 접촉 부분을 뇌의 레이어 구조에 맞게 보정할 수 있다. 예컨대, 컴퓨터는 접촉 부분을 두개골 또는/및 피부의 내부에 배치되도록 두상 영상을 보정할 수 있다.
이때, 일 실시예로 제3 조건을 만족하는지 여부를 판단함에 있어서, 컴퓨터는 먼저 뇌 내부 영역(대뇌, 소뇌, 뇌실) 전체를 확장(binary dilation)시킨 영역에서 확장 전 원래 뇌 내부 영역을 뺀 만큼의 차이 영역을 포함하는 뇌척수액 레이어 영역을 획득할 수 있다. 이때, 뇌척수액 레이어 영역은 뇌 내부 영역을 완전히 감싸게 된다. 다음으로, 컴퓨터는 차이 영역을 포함하는 뇌척수액 레이어 영역 중에서 새롭게 뇌 내부 영역을 감싸고 있는 부분을 추출하고, 추출된 해당 부분을 '뇌 내부 영역이 두개골 또는/및 피부와 직접 맞닿은 부분'으로 판단할 수 있다. 이 경우, 컴퓨터는 두상 영상으로부터 '뇌 내부 영역이 두개골 또는/및 피부와 직접 맞닿은 부분'을 추출함으로써, 뇌 내부 영역에 대응하는 레이어가 두개골 또는 피부에 대응하는 레이어와 접촉하지 않아야 하는 제3 조건을 만족하지 않는다는 것을 파악할 수 있다.
또 다른 예로, 도 8의 (c)와 같이 복수의 영역으로 분할된 두상 영상(120)의 경우, 컴퓨터는 뇌의 레이어 배치 조건(제1 내지 제5조건)을 바탕으로 두상 영상(120)에서 대뇌의 백질에 해당하는 레이어의 일부 영역(121)이 대뇌의 회백질에 해당하는 레이어보다 외부에 존재하는 것을 인식하고, 이에 따라 제4 조건을 만족하지 못하는 것으로 판단할 수 있다. 이 경우, 컴퓨터는 제4 조건을 만족하지 못하는 일부 영역(121)을 뇌의 레이어 구조에 맞게 보정할 수 있다. 예컨대, 컴퓨터는 제4 조건을 만족하지 못하는 일부 영역(121)을 대뇌의 회백질 내부에 배치되도록 두상 영상을 보정할 수 있다.
이때, 일 실시예로 제4 조건을 만족하는지 여부를 판단함에 있어서, 컴퓨터는 먼저 백질을 확장(binary dilation)시킨 영역에서 확장 전의 원래 백질 영역을 뺀 만큼의 제1 차이 영역을 획득하고, 회백질을 확장(binary dilation)시킨 영역에서 확장 전의 원래 회백질 영역을 뺀 만큼의 제2 차이 영역을 획득할 수 있다. 다음으로, 컴퓨터는 제1 차이 영역과 제2 차이 영역의 공통 부분(즉, 교집합 부분)을 추출하고, 추출된 공통 부분을 '회백질이 백질을 감싸지 않는 부분'으로 판단할 수 있다. 이 경우, 컴퓨터는 두상 영상으로부터 '회백질이 백질을 감싸지 않는 부분'을 추출함으로써, 뇌 내부 영역 내 백질에 대응하는 레이어가 뇌 내부 영역 내 회백질(피질)에 대응하는 레이어보다 외부에 존재하지 않아야 하는 제4 조건을 만족하지 않는다는 것을 파악할 수 있다.
또 다른 예로, 도 8의 (d)와 같이 복수의 영역으로 분할된 두상 영상(130)의 경우, 컴퓨터는 뇌의 레이어 배치 조건(제1 내지 제5조건)을 바탕으로 두상 영상(130)에서 전체 뇌 영역과 덩어리로 뭉쳐서 분포되어 있지 않고 일정 범위를 벗어난 위치에 분포되어 있는 부분(131)이 존재한다는 것을 인식하고, 이에 따라 제5 조건을 만족하지 못하는 것으로 판단할 수 있다. 이 경우, 컴퓨터는 제5 조건을 만족하지 못하는 부분(131)을 뇌의 레이어 구조에 맞게 보정할 수 있다. 예컨대, 컴퓨터는 연결 구성 요소 기반 노이즈 제거(Connected Component-based Noise Rejection)을 수행하여, 제5 조건을 만족하지 못하는 부분(131)을 제거하는 보정을 할 수 있다.
이때, 일 실시예로 제5 조건을 만족하는지 여부를 판단함에 있어서, 컴퓨터는 뇌실을 제외한 나머지 레이어 영역에 대해 홀(hole)을 채우는 연산(binary fill hole)을 수행하고, 이후 연결 구성 요소 기반 노이즈 제거를 수행하여 전체 뇌 영역 중에서 가장 큰 덩어리로 이루어진 영역을 추출할 수 있다. 이때, 전체 뇌 영역 중에서 연결 구성 요소 기반 노이즈 제거를 통해 제거된 영역들을 '전체 레이어 영역과 일정 범위 내에 분포되지 않은 부분'으로 판단할 수 있다. 여기서, 뇌실 영역에 대해서는 가장 큰 덩어리로 이루어진 영역의 크기에 기초하여 기준 크기(예컨대, 가장 큰 덩어리 크기에 비하여 30%의 크기)에 미치지 못하는 뇌실 영역이 존재할 경우, 해당 뇌실 영역에 대해 '전체 레이어 영역과 일정 범위 내에 분포되지 않은 부분'으로 판단할 수 있다.
여기서, 제5 조건을 만족하는지 여부를 판단할 때에 뇌실을 제외한 전체 뇌 영역에 대해 홀(hole)을 채우는 연산(binary fill hole)을 수행하기 때문에, 각 뇌 영역의 내부가 채워져 있어서 뇌의 레이어 순서에 맞게 재배치를 해야한다. 이 경우, 컴퓨터는 먼저 뇌의 레이어 순서(예컨대, 피부, 두개골, 뇌척수액, 뇌 내부 영역 순서)에 맞게 각 뇌 영역을 재배치하고, 재배치된 뇌 영역 각각에 대하여 여전히 제5 조건을 만족하지 못하는 영역이 존재하는지 여부를 연결 구성 요소 기반 노이즈 제거를 통해 판단할 수 있다. 다음으로, 컴퓨터는 여전히 제5 조건을 만족하지 못하는 영역에 대해 NxNxN 크기의 정육면체 영역을 설정하고, 설정된 정육면체 영역의 주변 영역들이 속하는 레이어(예컨대, 라벨값)를 확인할 수 있다. 컴퓨터는 확인 결과에 따라 주변 영역들이 가장 많이 속하는 레이어(예컨대, 라벨값)를 선택하여, 제5 조건을 만족하지 못하는 영역을 선택된 레이어 영역에 속하도록 보정할 수 있다.
상술한 바와 같이, 컴퓨터는 대상체의 두상 영상을 복수의 뇌 영역으로 분할한 후, 분할된 각 뇌 영역에 대해 뇌의 레이어 배치 조건(제1 내지 제5조건)을 만족하는지 여부를 판단할 수 있다.
이때, 컴퓨터는 제5 조건, 제4 조건, 제3 조건, 제2 조건, 제1 조건, 다시 제5 조건의 순서대로 뇌의 레이어 구조에 부합하는 배치 관계를 가지는지 여부를 판단할 수 있다.
일 실시예로, 먼저 컴퓨터는 복수의 영역으로 분할된 두상 영상에 대하여 전체 뇌 영역과 덩어리로 뭉쳐서 분포되어 있지 않고 일정 범위를 벗어난 위치에 분포되어 있는 부분이 존재하는지를 판단할 수 있다. 즉, 컴퓨터는 전체 뇌 영역과 동떨어진 뇌 영역을 검출할 수 있다. 이는 제5 조건에 부합하는지를 판단하는 과정에서, 각 레이어(예컨대, 뇌 구조를 기초로 뇌를 영역별로 분할하여 라벨값 1~8로 특정한 영역들)의 홀(hole)을 홀 채우기(binary fill hole) 연산을 통해 채우고, 뇌실(ventricle)을 제외한 레이어 영역을 연결 구성 요소 라벨 기법(연결 구성 요소 기반 노이즈 제거)을 통해 가장 큰 덩어리로 이루어진 영역만을 추출하는 과정에 해당한다.
이와 같은 과정을 통해서, 복수의 영역으로 분할된 두상 영상은 홀이 채워진 상태가 되고, 또한 전체 뇌 영역과 동떨어진 뇌 영역이 제거된 상태로 처리될 수 있다. 따라서, 컴퓨터는 이와 같이 처리된 상태의 두상 영상을 이용하여 다음의 과정을 진행할 수 있다.
다음으로, 컴퓨터는 상술한 바와 같은 홀 채우기 연산 및 연결 구성 요소 기반 노이즈 제거 연산을 거친 이후의 두상 영상에서, 대뇌의 백질에 해당하는 레이어가 대뇌의 회백질에 해당하는 레이어보다 외부에 존재하지 않아야 하는 제4 조건을 만족하는지 여부를 판단할 수 있다. 제4 조건을 만족하는지 여부를 판단하는 과정에 대해서는 도 8을 참조하여 상세히 설명하였으므로, 여기서는 구체적인 설명을 생략하도록 한다. 컴퓨터는 제4 조건의 판단 결과로서 두상 영상으로부터 '회백질이 백질을 감싸지 않는 부분'이 존재하는지 여부를 검출할 수 있고, 이를 보정할 수 있다.
다음으로, 컴퓨터는 상술한 바와 같은 홀 채우기 연산 및 연결 구성 요소 기반 노이즈 제거 연산을 거친 이후의 두상 영상에서, 뇌 내부 영역(대뇌, 소뇌, 뇌실)에 해당하는 레이어가 두개골 또는/및 피부와 접촉하지 않아야 하는 제3 조건을 만족하는지 여부를 판단할 수 있다. 제3 조건을 만족하는지 여부를 판단하는 과정에 대해서는 도 8을 참조하여 상세히 설명하였으므로, 여기서는 구체적인 설명을 생략하도록 한다. 컴퓨터는 제3 조건의 판단 결과로서 '뇌 내부 영역이 두개골 또는/및 피부와 직접 맞닿은 부분'이 존재하는지 여부를 검출할 수 있고, 이를 보정할 수 있다.
다음으로, 컴퓨터는 상술한 바와 같은 홀 채우기 연산 및 연결 구성 요소 기반 노이즈 제거 연산을 거친 이후의 두상 영상에서, 뇌척수액에 해당하는 레이어가 피부와 접촉하지 않아야 하는 제2 조건을 만족하는지 여부를 판단할 수 있다. 제2 조건을 만족하는지 여부를 판단하는 과정에 대해서는 도 8을 참조하여 상세히 설명하였으므로, 여기서는 구체적인 설명을 생략하도록 한다. 컴퓨터는 제2 조건의 판단 결과로서 '뇌척수액이 피부와 직접 맞닿은 부분'이 존재하는지 여부를 검출할 수 있고, 이를 보정할 수 있다.
다음으로, 컴퓨터는 상술한 바와 같은 홀 채우기 연산 및 연결 구성 요소 기반 노이즈 제거 연산을 거친 이후의 두상 영상에서, 피부에 해당하는 레이어보다 외부에 배치된 다른 레이어가 존재하지 않아야 하는 제1 조건을 만족하는지 여부를 판단할 수 있다. 제1 조건을 만족하는지 여부를 판단하는 과정에 대해서는 도 8을 참조하여 상세히 설명하였으므로, 여기서는 구체적인 설명을 생략하도록 한다. 컴퓨터는 제1 조건의 판단 결과로서 '피부의 외부에 피부가 아닌 다른 영역'이 존재하는지 여부를 검출할 수 있고, 이를 보정할 수 있다.
다음으로, 컴퓨터는 위의 과정, 즉 제4 조건, 제3 조건, 제2 조건, 제1 조건의 순서대로 처리된 각 레이어 영역에 대해, 뇌 구조에 맞게 재배치할 수 있다. 이때, 위의 과정을 거친 각 레이어 영역들은 홀 채우기 연산을 통해 내부가 채워져 있기 때문에, 뇌 구조에 맞게 각 레이어를 재배치해야 한다. 따라서, 컴퓨터는 피부, 두개골, 뇌척수액, 뇌 내부 영역의 순서로 각 레이어를 재배열할 수 있다.
각 레이어를 재배치한 이후, 컴퓨터는 재배치된 각 레이어에 대하여 여전히 전체 뇌 영역과 동떨어진 영역이 존재하는지를 확인할 수 있다. 이때, 컴퓨터는 재배치된 각 레이어에 대해 연결 구성 요소 라벨 기법을 적용할 수 있다. 이후, 컴퓨터는 전체 뇌 영역과 동떨어진 영역이 존재하면, NxNxN 크기의 정육면체 영역을 설정하고, 설정된 정육면체 영역의 주변 영역을 추출할 수 있다. 이때, 컴퓨터는 정육면체 영역으로부터 추출된 주변 영역들이 속하는 레이어(예컨대, 라벨값)를 확인하여, 해당 정육면체 주변에 가장 많이 분포된 레이어를 도출할 수 있다. 따라서, 컴퓨터는 전체 뇌 영역과 동떨어진 영역(해당 정육면체 영역)을 주변에 가장 많이 분포된 레이어 영역으로 변경하는 보정을 수행할 수 있다.
즉, 컴퓨터는 두상 영상에 대해 상술한 바와 같은 제5 조건, 제4 조건, 제3 조건, 제2 조건, 제1 조건, 다시 제5 조건의 순서대로 뇌의 레이어 구조에 부합하는 배치 관계를 가지는지 여부를 판단하고, 뇌의 레이어 구조에 부합하지 않는 레이어에 대해 보정을 수행함으로써, 최종적으로 임상적인 뇌 구조에 부합하는 뇌 영상을 도출할 수 있다.
도 1 내지 도 8을 참조하여 설명한 바에 따르면, 컴퓨터는 뇌의 레이어 배치 조건을 이용하여 보정된 두상 영상을 획득할 수 있다. 따라서, 보다 정확한 복수의 뇌 영역으로 분할된 두상 영상을 도출할 수 있다.
또한, 본 발명의 일 실시예에 따르면, 컴퓨터는 보정된 두상 영상을 기초로 대상체의 3차원 뇌 모델링을 수행하여, 대상체의 3차원 뇌 영상을 생성할 수 있다. 이 경우, 보다 정확한 임상적인 뇌의 레이어 구조에 맞는 3차원 뇌 모델을 획득할 수 있다.
또한, 본 발명의 일 실시예에 따르면, 컴퓨터는 보정된 두상 영상을 기초로 대상체의 뇌에 대한 전기적 자극을 시뮬레이션할 수 있다. 또는, 컴퓨터는 보정된 두상 영상을 기초로 생성된 3차원 뇌 영상을 이용하여 대상체의 뇌에 대한 전기적 자극을 시뮬레이션할 수도 있다.
본 발명의 일 실시예에서와 같이 뇌의 레이어 구조와 일치하도록 각 뇌 영역을 보정한 두상 영상을 이용하지 않고, 일반적인 두상 영상(즉, 잘못된 영역으로 분할된 두상 영상)을 이용하여 뇌 모델링이나 뇌에 대한 전기적 자극의 전달과정을 시뮬레이션할 경우, 잘못 분할된 뇌 부분에 대해 전기적 자극을 가하면 전압, 전기장 값 등이 지나치게 높거나 낮게 나올 수 있다. 즉, 대상체의 머리 일 지점에 특정 전기적 자극을 가하고, 특정 전기적 자극이 대상체의 뇌에서 전파되는 경로를 시뮬레이션함에 있어, 정확한 시뮬레이션 결과를 도출해낼 수 없게 된다.
그러나, 본 발명의 일 실시예에서는 뇌의 레이어 구조와 일치하도록 각 뇌 영역을 보정한 두상 영상을 이용하기 때문에, 대상체의 두상 영상상에서 전기적 자극을 가할 특정 지점을 보다 정확하게 지정할 수 있다. 따라서, 시뮬레이션 결과의 정확도 역시 향상될 수 있다.
도 9는 본 발명의 일 실시예에 따른 뇌 구조를 이용한 뇌 영상 보정 방법을 수행하는 장치(200)의 구성을 개략적으로 나타내는 도면이다.
도 9를 참조하면, 프로세서(210)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예를 들어, 버스(bus) 등)를 포함할 수 있다.
일 실시예에 따른 프로세서(210)는 메모리(220)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 도 1 내지 도 8과 관련하여 설명된 뇌 구조를 이용한 뇌 영상 보정 방법을 수행한다.
일례로, 프로세서(210)는 메모리(220)에 저장된 하나 이상의 인스트럭션을 실행함으로써 대상체의 뇌를 포함하는 두상 영상을 획득하는 단계, 상기 두상 영상을 뇌 구조에 기초하여 복수의 영역으로 분할하는 단계, 및 상기 복수의 영역에 대해 뇌의 레이어 배치 조건을 이용하여 보정을 수행하는 단계를 수행할 수 있다.
한편, 프로세서(210)는 프로세서(210) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(210)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.
메모리(220)에는 프로세서(210)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(220)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.
이상에서 전술한 본 발명의 일 실시예에 따른 뇌 구조를 이용한 뇌 영상 보정 방법은, 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.
상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.
상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

Claims (10)

  1. 컴퓨터가 수행하는, 뇌 구조를 이용한 뇌 영상 보정 방법에 있어서,
    대상체의 뇌를 포함하는 두상 영상을 획득하는 단계;
    상기 두상 영상을 뇌 구조에 기초하여 복수의 영역으로 분할하는 단계; 및
    상기 복수의 영역에 대해 뇌의 레이어 배치 조건을 이용하여 보정을 수행하는 단계를 포함하는, 뇌 구조를 이용한 뇌 영상 보정 방법.
  2. 제1항에 있어서,
    상기 복수의 영역으로 분할하는 단계는,
    뇌 구조에 기초하여 뇌를 라벨링하는 학습 모델을 이용하여, 상기 두상 영상 내의 뇌를 상기 복수의 영역으로 분할하는, 뇌 구조를 이용한 뇌 영상 보정 방법.
  3. 제2항에 있어서,
    상기 복수의 영역 각각은,
    상기 학습 모델을 통해 뇌 구조에 기초하여 라벨링된 각각의 뇌 영역에 대응하는 것인, 뇌 구조를 이용한 뇌 영상 보정 방법.
  4. 제1항에 있어서,
    상기 보정을 수행하는 단계는,
    상기 복수의 영역에 대해 상기 뇌의 레이어 배치 조건에 부합하는지 여부를 판단하는 단계; 및
    상기 복수의 영역 중에서 상기 뇌의 레이어 배치 조건에 부합하지 않는 영역을 추출하여 보정하는 단계를 포함하며,
    상기 뇌의 레이어 배치 조건은,
    피부, 두개골, 뇌척수액, 및 뇌 내부 영역 순서로 배치되는 뇌의 레이어 구조를 바탕으로 설정되는 것인, 뇌 구조를 이용한 뇌 영상 보정 방법.
  5. 제4항에 있어서,
    상기 뇌의 레이어 배치 조건은,
    피부에 대응하는 레이어보다 외부에 배치된 레이어가 존재하지 않아야 하는 제1 조건,
    뇌척수액에 대응하는 레이어가 피부에 대응하는 레이어와 접촉하지 않아야 하는 제2 조건,
    뇌 내부 영역에 대응하는 레이어가 두개골 또는 피부에 대응하는 레이어와 접촉하지 않아야 하는 제3 조건,
    뇌 내부 영역 내 백질에 대응하는 레이어가 뇌 내부 영역 내 회백질에 대응하는 레이어보다 외부에 존재하지 않아야 하는 제4 조건, 및
    상기 뇌의 레이어 구조에서 전체 레이어의 배치 분포가 일정한 범위 내에 존재해야 하는 제5 조건 중 적어도 하나를 포함하는, 뇌 구조를 이용한 뇌 영상 보정 방법.
  6. 제4항에 있어서,
    상기 뇌의 레이어 배치 조건에 부합하지 않는 영역을 추출하여 보정하는 단계는,
    상기 피부, 두개골, 뇌척수액, 및 뇌 내부 영역의 순서에 부합하도록 상기 뇌의 레이어 배치 조건에 부합하지 않는 영역을 재배치하는, 뇌 구조를 이용한 뇌 영상 보정 방법.
  7. 제1항에 있어서,
    상기 뇌의 레이어 배치 조건을 이용하여 보정된 상기 두상 영상을 기초로 상기 대상체의 3차원 뇌 모델링을 수행하는 단계를 더 포함하는, 뇌 구조를 이용한 뇌 영상 보정 방법.
  8. 제1항에 있어서,
    상기 뇌의 레이어 배치 조건을 이용하여 보정된 상기 두상 영상을 기초로 상기 대상체의 뇌에 대한 전기적 자극을 시뮬레이션하는 단계를 더 포함하는, 뇌 구조를 이용한 뇌 영상 보정 방법.
  9. 하나 이상의 인스트럭션을 저장하는 메모리; 및
    상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하며,
    상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    대상체의 뇌를 포함하는 두상 영상을 획득하는 단계;
    상기 두상 영상을 뇌 구조에 기초하여 복수의 영역으로 분할하는 단계; 및
    상기 복수의 영역에 대해 뇌의 레이어 배치 조건을 이용하여 보정을 수행하는 단계를 수행하는, 장치.
  10. 하드웨어인 컴퓨터와 결합되어, 제1항의 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램.
PCT/KR2020/003017 2019-03-05 2020-03-03 뇌 구조를 이용한 뇌 영상 보정 방법 및 장치 Ceased WO2020180091A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP20766766.8A EP3910584B1 (en) 2019-03-05 2020-03-03 Method and device for correcting brain image by using brain structure
JP2021551922A JP7253068B2 (ja) 2019-03-05 2020-03-03 脳の構造を用いた脳画像補正方法及び装置
US17/403,959 US11967082B2 (en) 2019-03-05 2021-08-17 Method and device for correcting brain image by using brain structure

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2019-0025001 2019-03-05
KR1020190025001A KR102207824B1 (ko) 2019-03-05 2019-03-05 뇌 구조를 이용한 뇌 영상 보정 방법 및 장치

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/403,959 Continuation US11967082B2 (en) 2019-03-05 2021-08-17 Method and device for correcting brain image by using brain structure

Publications (1)

Publication Number Publication Date
WO2020180091A1 true WO2020180091A1 (ko) 2020-09-10

Family

ID=72337914

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/003017 Ceased WO2020180091A1 (ko) 2019-03-05 2020-03-03 뇌 구조를 이용한 뇌 영상 보정 방법 및 장치

Country Status (5)

Country Link
US (1) US11967082B2 (ko)
EP (1) EP3910584B1 (ko)
JP (1) JP7253068B2 (ko)
KR (1) KR102207824B1 (ko)
WO (1) WO2020180091A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023545570A (ja) * 2020-10-20 2023-10-30 コーニンクレッカ フィリップス エヌ ヴェ 形状プライアを用いた及び用いないセグメンテーション結果によって解剖学的異常を検出すること

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102635484B1 (ko) * 2020-11-24 2024-02-14 고려대학교 산학협력단 뇌신경망 구조 영상처리 시스템, 뇌신경망 구조 영상처리 방법 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터-판독가능매체
KR102313658B1 (ko) * 2020-12-30 2021-10-19 뉴로핏 주식회사 뇌 영상 분석 방법, 뇌 영상 분석 장치 및 뇌 영상 분석 시스템
KR102313656B1 (ko) * 2020-12-30 2021-10-19 뉴로핏 주식회사 뇌 영상 분석 방법, 뇌 영상 분석 장치 및 뇌 영상 분석 시스템
EP4272636A4 (en) 2020-12-30 2024-09-04 Neurophet Inc. MEDICAL IMAGE ANALYSIS METHOD, MEDICAL IMAGE ANALYSIS DEVICE AND MEDICAL IMAGE ANALYSIS SYSTEM
KR102313662B1 (ko) * 2020-12-30 2021-10-19 뉴로핏 주식회사 이미지 품질 판단 장치 및 방법
KR102373761B1 (ko) * 2021-07-07 2022-03-15 뉴로핏 주식회사 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법, 서버 및 컴퓨터프로그램
WO2023282405A1 (ko) * 2021-07-07 2023-01-12 뉴로핏 주식회사 인공지능 모델을 활용한 최적의 자극 위치 산출 방법, 전극 모델 시뮬레이션 방법, 서버 및 컴퓨터프로그램
CN116807609B (zh) * 2023-04-24 2024-09-06 首都医科大学附属北京儿童医院 一种基于解剖毗邻关系三维模型的无创颅脑影像导航方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012531229A (ja) * 2009-07-03 2012-12-10 フォルシュングスツェントルム ユーリッヒ ゲーエムベーハー 知識に基づいた頭部の減衰関連領域のセグメンテーション
KR20140001294A (ko) * 2012-06-25 2014-01-07 한양대학교 산학협력단 맵 기반 분할 방법과 모폴로지 연산을 조합하여 그래프 컷 알고리즘에 적용시켜 해마를 추출하는 방법 및 시스템
KR20170116100A (ko) * 2015-03-31 2017-10-18 소니 주식회사 Ｔ1 ｍｒｉ로부터의 자동 3ｄ 분할 및 피질 표면 재구성
JP2019005557A (ja) * 2017-06-22 2019-01-17 キヤノンメディカルシステムズ株式会社 画像処理装置、磁気共鳴イメージング装置及び画像処理プログラム
KR101950815B1 (ko) * 2017-08-25 2019-02-21 뉴로핏 주식회사 패치 가이드 방법 및 프로그램

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5224179A (en) 1988-12-20 1993-06-29 At&T Bell Laboratories Image skeletonization method
JPH0628466A (ja) 1992-04-02 1994-02-04 Ezel Inc 画像の細線化方法
US5703965A (en) 1992-06-05 1997-12-30 The Regents Of The University Of California Image compression/decompression based on mathematical transform, reduction/expansion, and image sharpening
US6591004B1 (en) * 1998-09-21 2003-07-08 Washington University Sure-fit: an automated method for modeling the shape of cerebral cortex and other complex structures using customized filters and transformations
EP2400934A4 (en) * 2009-02-25 2015-07-08 Zimmer Inc TAILOR-MADE ORTHOPEDIC IMPLANTS AND APPROPRIATE PROCEDURES
WO2012135068A1 (en) * 2011-03-25 2012-10-04 Drexel University Functional near infrared spectrocopy based brain computer interface
US20160038770A1 (en) * 2013-04-26 2016-02-11 Thync, Inc. Focused transcranial ultrasound systems and methods for using them
US20160155364A1 (en) * 2013-07-11 2016-06-02 Cameron Piron Surgical training and imaging brain phantom
US9685793B2 (en) * 2013-09-15 2017-06-20 Glenn Gulak Method and system for a complementary metal oxide semiconductor wireless power receiver
US10292590B2 (en) * 2015-06-15 2019-05-21 Ricoh Company, Ltd. Optical examination method and optical examination device
JP6640530B2 (ja) 2015-10-30 2020-02-05 キヤノンメディカルシステムズ株式会社 磁気共鳴イメージング装置、医用画像処理装置及び画像処理方法
GB2570263B (en) * 2016-10-21 2021-03-17 Synaptive Medical Inc Mixed reality training system
US11373552B2 (en) * 2017-08-17 2022-06-28 Virginia Commonwealth University Anatomically accurate brain phantoms and methods for making and using the same
US11412933B2 (en) * 2019-07-19 2022-08-16 Brainsight Technology Private Limited System for analysing an activity of brain using magnetic resonance imaging (MRI) data

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012531229A (ja) * 2009-07-03 2012-12-10 フォルシュングスツェントルム ユーリッヒ ゲーエムベーハー 知識に基づいた頭部の減衰関連領域のセグメンテーション
KR20140001294A (ko) * 2012-06-25 2014-01-07 한양대학교 산학협력단 맵 기반 분할 방법과 모폴로지 연산을 조합하여 그래프 컷 알고리즘에 적용시켜 해마를 추출하는 방법 및 시스템
KR20170116100A (ko) * 2015-03-31 2017-10-18 소니 주식회사 Ｔ1 ｍｒｉ로부터의 자동 3ｄ 분할 및 피질 표면 재구성
JP2019005557A (ja) * 2017-06-22 2019-01-17 キヤノンメディカルシステムズ株式会社 画像処理装置、磁気共鳴イメージング装置及び画像処理プログラム
KR101950815B1 (ko) * 2017-08-25 2019-02-21 뉴로핏 주식회사 패치 가이드 방법 및 프로그램

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3910584A4 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023545570A (ja) * 2020-10-20 2023-10-30 コーニンクレッカ フィリップス エヌ ヴェ 形状プライアを用いた及び用いないセグメンテーション結果によって解剖学的異常を検出すること
JP7725580B2 (ja) 2020-10-20 2025-08-19 コーニンクレッカ フィリップス エヌ ヴェ 形状プライアを用いた及び用いないセグメンテーション結果によって解剖学的異常を検出すること

Also Published As

Publication number Publication date
EP3910584B1 (en) 2024-11-20
KR102207824B1 (ko) 2021-01-26
JP7253068B2 (ja) 2023-04-05
JP2022523788A (ja) 2022-04-26
KR20200106602A (ko) 2020-09-15
EP3910584A4 (en) 2022-11-09
EP3910584A1 (en) 2021-11-17
US11967082B2 (en) 2024-04-23
US20210374966A1 (en) 2021-12-02

Similar Documents

Publication Publication Date Title
WO2020180091A1 (ko) 뇌 구조를 이용한 뇌 영상 보정 방법 및 장치
WO2023095989A1 (ko) 뇌질환 진단을 위한 다중 모달리티 의료 영상 분석 방법 및 장치
WO2022119155A1 (ko) 설명 가능한 다중 심전도 부정맥 진단 장치 및 방법
CN105342569B (zh) 一种基于脑电分析的精神状态检测系统
WO2024034748A1 (ko) 심혈관 조영 영상을 이용한 신택스 스코어 산출 방법 및 시스템
WO2024177428A1 (ko) 의료 영상에 기초한 혈류 속도 산출 방법 및 시스템
WO2021177771A1 (ko) 의료 영상으로부터 바이오마커 발현을 예측하는 방법 및 시스템
WO2022231147A1 (ko) 방사선량 측정 자동 평가 방법 및 장치
WO2020231007A2 (ko) 의료기계 학습 시스템
WO2020180135A1 (ko) 뇌 질환 예측 장치 및 방법, 뇌 질환을 예측하기 위한 학습 장치
WO2019143179A1 (ko) 동일 피사체에 대하여 시간 간격을 두고 촬영된 영상 간에 동일 관심구역을 자동으로 검출하는 방법 및 이를 이용한 장치
KR102298253B1 (ko) 뇌 구조를 이용한 뇌 영상 보정 방법 및 장치
WO2025058347A1 (ko) 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법, 장치 및 컴퓨터프로그램
KR20210011471A (ko) 뇌 구조를 이용한 뇌 영상 보정 방법 및 장치
WO2023234622A1 (ko) 영상 공간 정규화와 이를 이용한 정량화 시스템 및 그 방법
WO2016200243A1 (ko) 미병 분류를 보조하는 컴퓨팅 장치 및 방법
CN113792798B (zh) 基于多源数据的模型训练方法、装置及计算机设备
WO2020159051A1 (ko) 10-20 시스템 기반의 위치 정보 제공 방법
WO2022119347A1 (ko) 초음파 영상 기반의 딥 러닝을 통한 관상동맥 경화반 조직 분석 방법, 장치 및 기록매체
WO2022119350A1 (ko) 초음파 영상 기반의 딥 러닝을 통한 관상동맥 스텐트 예측 방법, 장치 및 기록매체
CN114187474B (zh) 基于超促排卵方案的分类方法、装置、电子设备以及介质
WO2019164273A1 (ko) 수술영상을 기초로 수술시간을 예측하는 방법 및 장치
WO2023013959A1 (ko) 아밀로이드 베타 축적 예측 장치 및 방법
WO2025127334A1 (ko) 척추관 및 신경근관에서의 협착증 평가 방법 및 장치
WO2023153839A1 (ko) 2차원 mri를 이용한 치매 정보 산출 방법 및 분석장치

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: 20766766

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020766766

Country of ref document: EP

Effective date: 20210811

ENP Entry into the national phase

Ref document number: 2021551922

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE