WO2022145537A1 - 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템 - Google Patents

의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템 Download PDF

Info

Publication number
WO2022145537A1
WO2022145537A1 PCT/KR2020/019412 KR2020019412W WO2022145537A1 WO 2022145537 A1 WO2022145537 A1 WO 2022145537A1 KR 2020019412 W KR2020019412 W KR 2020019412W WO 2022145537 A1 WO2022145537 A1 WO 2022145537A1
Authority
WO
WIPO (PCT)
Prior art keywords
target
medical image
morphological
image
scan condition
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/KR2020/019412
Other languages
English (en)
French (fr)
Inventor
김동현
김은영
류준환
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
Priority to PCT/KR2020/019412 priority Critical patent/WO2022145537A1/ko
Priority to JP2021565122A priority patent/JP7319723B2/ja
Priority to EP20931711.4A priority patent/EP4272636A4/en
Application filed by Neurophet Inc filed Critical Neurophet Inc
Priority to US17/515,466 priority patent/US12045978B2/en
Publication of WO2022145537A1 publication Critical patent/WO2022145537A1/ko
Anticipated expiration legal-status Critical
Priority to JP2023115372A priority patent/JP7619662B2/ja
Priority to US18/653,811 priority patent/US12417534B2/en
Priority to JP2024230629A priority patent/JP7852870B2/ja
Priority to JP2024230559A priority patent/JP7852869B2/ja
Priority to JP2024230689A priority patent/JP2025065115A/ja
Priority to US19/303,495 priority patent/US20250384553A1/en
Ceased legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • 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
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/20036—Morphological image processing
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Definitions

  • the present application relates to a medical image analysis method for analyzing a medical image, a medical image analysis apparatus, and a medical image analysis system.
  • medical image analysis technology is being used in various fields to provide an auxiliary diagnostic index for dementia, and it is essential to more accurately calculate the morphological characteristics of a specific area from a medical image to provide objective dementia diagnostic assistance information. .
  • the conventional medical image analysis technology has several limitations due to the presence of errors in the medical image itself, such as artifacts that are not suitable for image segmentation in the medical image. Accordingly, there is a limitation in that the diagnostic auxiliary information for the same object may be different.
  • the conventional medical image analysis technology uses a method of performing image segmentation after standardizing a brain included in a medical image with respect to a standard brain model, thereby providing completely “personalized” diagnostic auxiliary information for an object. It has the problem of not being able to do it, so it has limitations in situations where high accuracy is required.
  • An object of the present invention is to provide a medical image analysis method, a medical image analysis apparatus, and a medical image analysis system that provide information related to a medical image.
  • the medical image analysis method disclosed in the present application includes a first morphological value obtained from a first medical image obtained under a first scan condition and related to a target element, and a second medical image obtained under a second scan condition and obtained from the target element. obtaining a calibration parameter calculated based on a correlation between a second morphological value associated with the element; acquiring a target medical image acquired under the second scan condition; obtaining a target region related to the target element from the target medical image by segmenting the target medical image into a plurality of regions corresponding to a plurality of elements including the target element; obtaining a target morphological value related to the target element based on voxel data corresponding to the target area; obtaining a corrected morphological value based on the target morphological value and the correction parameter; and outputting a morphological index based on the corrected morphological value.
  • An apparatus for analyzing a medical image disclosed in the present application includes: an image acquisition unit configured to acquire a target medical image; and a controller providing medical image analysis information based on the target medical image.
  • the controller includes: a first morphological value obtained from a first medical image obtained under a first scan condition and related to a target element; Obtaining a correction parameter calculated based on a correlation between related second morphological values, obtaining a target medical image obtained under the second scan condition, and generating the target medical image including the target element.
  • a target area related to the target element is obtained from the target medical image by performing segmentation into a plurality of areas corresponding to the plurality of elements, and the target element is based on voxel data corresponding to the target area. obtain a target morphological value associated with .
  • a medical image analysis method disclosed in the present application includes: acquiring a target medical image; obtaining a target scan condition related to the target medical image; obtaining a target morphological value related to the target element based on voxel data of a target region corresponding to the target element included in the target medical image; determining a target calibration parameter among one or more calibration parameters based on the target scan condition; and outputting a morphological index based on the determined target correction parameter and the target morphological value, wherein the determining of the target correction parameter includes, when the target scan condition corresponds to the first scan condition, the The target correction parameter is determined as a first correction parameter for correcting a first morphological value related to a target element obtained under the first scan condition, and when the target scan condition corresponds to the second scan condition, the target correction The parameter may include determining as a second correction parameter for correcting a second morphological value related to the target element obtained under the second scan condition different from the first scan condition.
  • An apparatus for analyzing a medical image disclosed in the present application includes: an image acquisition unit configured to acquire a target medical image; and a controller providing medical image analysis information based on the target medical image. wherein the controller acquires a target scan condition related to the target medical image, and a target morphological value related to the target element based on voxel data of a target region corresponding to the target element included in the target medical image.
  • the target calibration parameter is determined as a first calibration parameter for correcting a first morphological value related to a target element obtained under the first scan condition, wherein the target scan condition is By determining the target correction parameter as a second correction parameter for correcting a second morphological value associated with the target element obtained under a second scan condition that is different from the first scan condition, when it corresponds to the second scan condition and determine the target calibration parameter.
  • the morphological index is calculated based on the medical image of the object, and the morphological index is more accurately calculated by appropriately applying the correction parameter in consideration of the scan condition in which the medical image is obtained or the position of the target element. can do.
  • user convenience can be improved by selectively providing the necessary index information to the user from among various index information obtained through the analysis of the target medical image.
  • FIG. 1 is a schematic diagram of a medical image analysis system according to an embodiment of the present application.
  • FIG. 2 is a schematic diagram of an image analysis apparatus 2000, a learning apparatus 2200, a correction parameter obtaining apparatus 2400, and an output apparatus 2600 for image analysis according to an embodiment of the present application
  • FIG. 3 is a block diagram of an image analysis apparatus according to an embodiment of the present application.
  • FIG. 4 is a block diagram of an output device according to an embodiment of the present application.
  • FIG. 5 illustrates an example of an image alignment operation of the image analysis apparatus 2000 .
  • FIG. 6 illustrates an example of an image alignment operation of the image analysis apparatus 2000 .
  • FIG. 7 is a diagram illustrating a flowchart of a process for image segmentation according to an embodiment of the present application.
  • FIG. 8 is a flowchart of a learning method of a neural network model of the learning apparatus 2200 according to an embodiment of the present application.
  • FIG 9 is an exemplary structural diagram of an image data set according to an embodiment of the present application.
  • 10 is an example of an artificial neural network model that can be used by the learning apparatus 2200 according to an embodiment of the present application.
  • 11 is another example of an artificial neural network model that can be used by the learning apparatus 2200 according to an embodiment of the present application.
  • FIG. 12 is a flowchart of an image segmentation method using a neural network model of the image analysis apparatus 2000 according to an embodiment of the present application.
  • FIG. 13 is an exemplary structural diagram of a target image according to an embodiment of the present application.
  • FIG. 14 is an example of images obtained based on a result value obtained by a segmentation process of the image analysis apparatus 2000 according to an embodiment of the present application.
  • 15 is a diagram illustrating a flowchart of a process for image segmentation according to an embodiment of the present application.
  • 16 is an exemplary structural diagram of image data sets according to an embodiment of the present application.
  • 17 is a diagram illustrating a flowchart of a process for image segmentation according to an embodiment of the present application.
  • FIG. 18 is a diagram for describing an image quality determination process according to an embodiment.
  • 19 is a diagram for explaining an image analysis apparatus that performs an image quality determination process.
  • 20 is a diagram for explaining an image quality determination module.
  • 21 is a diagram for explaining a first image quality determination process.
  • FIG. 22 is a diagram for describing a first image quality determining unit.
  • 23 is a diagram for explaining a second image quality determination process.
  • 24 is a diagram for exemplarily explaining that the second image quality determination process determines an artifact occurrence location in a medical image using an artificial neural network model.
  • 25 is a diagram for explaining a neural network model for acquiring artifact information according to an embodiment.
  • 26 is a diagram for explaining a third image quality determination process.
  • 27 is a diagram for explaining an embodiment of a third image quality determination process.
  • 29 is a diagram illustrating an image in which an artifact has occurred.
  • FIG. 30 is a diagram for explaining determining whether an artifact is generated to overlap an ROI in a fourth image quality determination process according to another exemplary embodiment
  • 31 is a diagram for explaining an image quality related information output module according to an exemplary embodiment.
  • 32 is a diagram for exemplarily explaining a first error information screen.
  • 33 and 34 are diagrams for exemplarily explaining the second error information screen.
  • 35 and 36 are diagrams for exemplarily explaining a third error information screen.
  • 37 and 38 are diagrams for exemplarily explaining a fourth error information screen.
  • FIG. 39 is a diagram for exemplarily explaining a selection window output by the image quality related information output module 3900 .
  • FIG. 40 is a diagram for exemplarily explaining a selection window output by the image quality related information output module 3900 .
  • 41 to 43 are diagrams for explaining first to third quality determination processes.
  • 44 and 45 are diagrams for explaining a fourth quality determination process.
  • 46 and 47 are diagrams for explaining a fifth quality determination process.
  • 48 is a flowchart illustrating an operation of an image analysis method implemented by the image analysis apparatus 2000 according to an embodiment of the present application.
  • 49 is an exemplary diagram of an image alignment method implemented by the image analysis apparatus 2000 according to an embodiment of the present application.
  • 50 is a flowchart of an image analysis method according to an embodiment of the present application.
  • 51 is a diagram illustrating an example of a method of correcting the first boundary of the first inner region of the skull according to an embodiment of the present application.
  • FIG. 52 is a diagram illustrating an example of a second internal region obtained according to a method of correcting a first boundary of a first internal region of a skull according to an embodiment of the present application.
  • 53 is a diagram illustrating another example of a method of correcting the first boundary of the first inner region of the skull according to an embodiment of the present application.
  • 54 to 57 are exemplary views illustrating information related to a morphological index output according to an embodiment of the present application.
  • FIG. 58 is a flowchart illustrating an operation of a morphological numerical correction method implemented by the image analysis apparatus 2000 according to an embodiment of the present application.
  • 59 is a flowchart of an image analysis method according to an embodiment of the present application.
  • 60 is a flowchart illustrating an operation of a method for obtaining a correction parameter implemented by the apparatus for obtaining a correction parameter 2400 according to an embodiment of the present application.
  • 61 is an exemplary diagram for explaining information included in a plurality of image data sets according to an embodiment of the present application.
  • FIG. 62 is a graph illustrating an example of correlation analysis for obtaining a correction parameter of the apparatus 2400 for obtaining a correction parameter according to an embodiment of the present application.
  • 63 is a graph illustrating another example of correlation analysis for obtaining a correction parameter of the apparatus 2400 for obtaining a correction parameter according to an embodiment of the present application.
  • 64 is an exemplary diagram for describing information included in a plurality of image data sets according to an embodiment of the present application.
  • 65 is an exemplary diagram of correlation analysis between morphological values according to a location where a target element is distributed in a skull according to an embodiment of the present application.
  • 66 is a flowchart of an image analysis method according to an embodiment of the present application.
  • 67 is a diagram schematically illustrating a user interface according to an embodiment of the present application.
  • 68 is a diagram for describing a medical information output process according to an embodiment.
  • 69 is a diagram for describing an image analysis apparatus according to an exemplary embodiment.
  • 70 is a diagram for explaining a medical data acquisition module.
  • 71 is a diagram for explaining a medical information acquisition module.
  • 72 is a diagram for explaining a diagnostic auxiliary information obtaining module.
  • 73 is a diagram for explaining a diagnostic auxiliary information output module.
  • 74 is a diagram for illustrating related indicators for some target diseases.
  • 75 is a diagram for describing a medical information output screen according to an exemplary embodiment.
  • 76 is a diagram for explaining a medical information output process according to another embodiment.
  • 77 is a diagram for describing an image analysis apparatus according to another exemplary embodiment.
  • 78 is a diagram for explaining a selection information obtaining module.
  • 79 is a diagram for explaining a selection information output module.
  • 80 and 81 are diagrams for explaining a selection information output screen.
  • the method includes: acquiring a target medical image including at least one artifact; acquiring artifact information related to the artifact based on the target medical image, the artifact information including an artifact region indicating a region in which the artifact is distributed; Using a first neural network model, based on the target medical image, obtaining a plurality of regions each corresponding to one or more anatomically distinguished elements -
  • the first neural network model includes the plurality of regions based on the medical image is learned to obtain a region of , wherein the plurality of regions include a first region corresponding to the first element, a second region corresponding to the second element, and a third region corresponding to the third element; obtaining a degree of overlap between the artifact region and a region of interest, wherein the region of interest includes at least a portion of the first region; a first quality determination step of determining the quality of the target medical image based on the overlapping degree; and outputting quality-related
  • the first element is a skull, and the first region includes a region corresponding to the skull, wherein the region of interest may be the skull region or an internal region of the skull.
  • the second element may be an element related to diagnosis of a target disease, and the region of interest may include at least a portion of the second region.
  • the artifact region is obtained using a second neural network model trained to determine whether an artifact is present in the medical image, wherein the artifact region is obtained from the second neural network model and is an object present in the target medical image.
  • the relevance to the target artifact on the feature map may be a region equal to or greater than a reference value.
  • the artifact area includes a first area and a second area positioned within the first area, wherein the first area is an area on the feature map that has a relevance to the target artifact equal to or greater than a first reference value, and the second area may be a region on the feature map that has a relevance to the target artifact equal to or greater than a second reference value greater than the first reference value.
  • the artifact region may be obtained using a second neural network model trained to segment a region corresponding to the artifact included in the medical image.
  • the determining of the degree of overlap may include acquiring an outer line of the artifact area and an outer line of the ROI from the target medical image, and the outer line of the artifact area and the outer line of the ROI are set on the medical image.
  • the method may include determining whether the artifact and the region of interest overlap, based on whether they overlap.
  • the first quality determination step may include determining that the quality of the target medical image is normal when there are less than two intersection points where the outline of the artifact region and the outline of the region of interest overlap on the target medical image, and the intersection is If there are two or more, it may include determining that the quality of the target medical image is abnormal.
  • the determining of the degree of overlap may include: acquiring, on the target medical image, the number of common pixels included in both the artifact region and the region of interest; and determining a degree of overlap between the artifact and the region of interest by using the number of common pixels.
  • the quality of the target medical image is abnormal when the number of common pixels exceeds a predetermined reference value, and when the number of common pixels is less than or equal to a predetermined reference value, the quality of the target medical image is normal It may include judging that
  • the method further includes a second quality determination step of determining the quality of the target medical image based on the third area, wherein the second quality determination step includes: obtaining a morphological index based on the third area;
  • the method may include determining whether the morphological index satisfies a quantitative criterion.
  • the morphological index may be obtained based on the first region and the third region.
  • the morphological index may be obtained based on a ratio of a volume of the first region to a volume of the third region.
  • the third region may be a region corresponding to an element positioned at the bottom of the target medical image.
  • the third region may be a region corresponding to an element related to diagnosis of a target disease.
  • the outputting of the quality-related information of the medical image includes displaying error information generated based on the first quality determination and a selection window related to the error information, wherein the error information includes the artifact information and the plurality of pieces of information. It may contain information about the area of
  • the selection window includes a first object
  • the method for analyzing a medical image includes performing a subsequent operation according to a user's selection of the first object, wherein the subsequent operation includes: the target medical image analysis operation; It may include any one of an operation of correcting a target medical image or an operation of re-photographing the target medical image.
  • a medical image analysis apparatus includes: an acquisition unit configured to acquire a medical image; a processing unit configured to obtain image quality information based on the medical image; and an output unit configured to output the image quality information, wherein the processing unit acquires a target medical image including an artifact through the acquiring unit, and acquires artifact information related to the artifact based on the target medical image and - the artifact information includes an artifact area indicating a region in which the artifact is distributed; obtain a region of - the first neural network model is trained to acquire the plurality of regions based on the medical image, wherein the plurality of regions are a first region corresponding to a first element and a first region corresponding to a second element comprising a second region and a third region corresponding to a third element, obtaining an overlapping degree of the artifact region and a region of interest, wherein the region of interest includes at least a portion of the first region, the overlapping degree may perform a first quality determination of the target medical
  • the first element is a skull, and the first region includes a region corresponding to the skull, wherein the region of interest may be the skull region or an internal region of the skull.
  • the second element may be an element related to diagnosis of a target disease, and the region of interest may include at least a portion of the second region.
  • the artifact region is obtained using a second neural network model trained to determine whether an artifact is present in the medical image, wherein the artifact region is obtained from the second neural network model and is an object present in the target medical image.
  • the relevance to the target artifact on the feature map may be a region equal to or greater than a reference value.
  • the artifact area includes a first area and a second area positioned within the first area, wherein the first area is an area on the feature map that has a relevance to the target artifact equal to or greater than a first reference value, and the second area may be a region on the feature map that has a relevance to the target artifact equal to or greater than a second reference value greater than the first reference value.
  • the artifact region may be obtained using a second neural network model trained to segment a region corresponding to the artifact included in the medical image.
  • the processing unit may be configured to obtain an outer line of the artifact region and an outer line of the ROI from the target medical image, and based on whether the outer line of the artifact region and the outer line of the ROI overlap on the medical image Accordingly, it may be determined whether the artifact and the region of interest overlap.
  • the processing unit is configured to determine that the quality of the target medical image is normal when there are less than two intersections between the outer line of the artifact area and the outer line of the ROI overlapping on the target medical image. It may be determined that the quality of the target medical image is abnormal.
  • the processing unit may obtain, on the target medical image, the number of common pixels included in both the artifact region and the region of interest, and determine a degree of overlap between the artifact and the region of interest by using the number of common pixels have.
  • the processing unit may determine that the quality of the target medical image is abnormal when the number of common pixels exceeds a predetermined reference value, and determine that the quality of the target medical image is normal when the number of common pixels is less than or equal to a predetermined reference value have.
  • the processing unit may obtain a morphological index based on the third region, and perform a second quality determination based on whether the morphological index satisfies a quantitative criterion.
  • the morphological index may be obtained based on the first region and the third region.
  • the morphological index may be obtained based on a ratio of a volume of the first region to a volume of the third region.
  • the third region may be a region corresponding to an element positioned at the bottom of the target medical image.
  • the third region may be a region corresponding to an element related to diagnosis of a target disease.
  • a brain image including voxel data is obtained; by segmenting the brain image into a plurality of regions including a cranial region and a reference region to obtain a first boundary defining a first internal region inside the cranial region and the reference region; obtaining a second inner region having a second boundary by modifying at least a portion of the first boundary associated with the first inner region based on the reference region, a portion of the second inner region being in the first inner region included and comprising the target element; obtaining a first volume value associated with the target element based on voxel data corresponding to the target element; obtaining a second volume value related to the second inner region based on voxel data included in the second boundary; and calculating a volume index of the target element based on the first volume value and the second volume value.
  • the method may further include aligning the brain image to obtain the second internal region.
  • aligning the brain image may include: acquiring a first feature region and a second feature region from the brain image;
  • the first characteristic region is a region corresponding to an anterior commissure
  • the second characteristic region is a region corresponding to a posterior commissure
  • the first The feature point may be included in a boundary defining a region corresponding to the anterior commissure
  • the second feature point may be included in a boundary defining a region corresponding to the posterior commissure.
  • aligning the brain image may include: acquiring data related to a direction of the brain image included in the brain image; obtaining a photographing direction of the brain image based on data related to the direction of the brain image; and aligning the brain image so that the photographing direction corresponds to a reference direction.
  • acquiring the second inner region includes: acquiring a reference plane adjacent to the reference region from the brain image; and obtaining the second inner area having the second boundary by modifying a part of the first boundary of the first inner area based on the reference plane.
  • the reference plane is a plane parallel to a transverse plane of the brain image
  • obtaining the second inner region is an upper side of the reference plane modifying a portion located below the reference plane of the first boundary based on the first inner region located in ; and obtaining the second inner region having the second boundary based on the modified first boundary.
  • the reference region may be a region corresponding to the cerebellum, and the reference plane may be adjacent to a lower edge of a boundary defining the corresponding region of the cerebellum.
  • the reference region may be a region corresponding to the cerebellum, and the reference plane may be adjacent to a lower edge of a boundary defining the corresponding region of the cerebellum.
  • acquiring the second internal region includes: acquiring a first feature region and a second feature region from the brain image; calculating a first feature point from the first feature region and calculating a second feature point from the second feature region; obtaining a reference direction connecting the first feature point and the second feature point based on the first feature point and the second feature point; obtaining a reference plane parallel to the reference direction; and obtaining the second inner area having the second boundary by modifying a part of the first boundary of the first inner area based on the reference plane.
  • the reference region may be a region corresponding to the cervical vertebra
  • the reference plane may be adjacent to the region corresponding to the cervical vertebra and may be perpendicular to a sagittal plane.
  • acquiring the second inner region is based on the first inner region located on the upper side of the reference plane of the reference plane of the first boundary. Corrected the lower part; and obtaining the second inner region having the second boundary based on the modified first boundary.
  • the volume index may be defined as a ratio of the first volume value to the second volume value.
  • calculating the volume index of the target element obtains a first correction parameter for correcting the first volume value -
  • the first correction parameter determines whether the brain image is acquired based on the acquired scan condition or the position of the target element; and calculating the first volume correction value based on the first correction parameter and the first volume value; obtaining a second correction parameter for correcting the second volume value, wherein the second correction parameter is obtained based on a scan condition in which the brain image is obtained or a position of the target element; and calculating the second volume correction value based on the second correction parameter and the second volume value; and calculating the volume index based on the first volume correction value and the second volume correction value.
  • the scan conditions under which the brain image is acquired are the magnetic field strength related to the resolution of the brain image of the brain image acquisition device, the manufacturer of the brain image acquisition device, and the brain image acquisition device. It may relate to at least one of the setting parameters related to the shape of the magnetic field to be generated.
  • an image acquisition unit for acquiring a brain image; and a controller that provides brain image analysis information based on the brain image, wherein the controller acquires a brain image including voxel data and uses the brain image to a plurality of regions including a skull region and a reference region
  • a first boundary defining a first internal region that is inside the cranial region and the reference region are obtained, and based on the reference region, at least of the first boundary associated with the first internal region.
  • the controller may be configured to align the brain image to obtain the second inner region.
  • the controller obtains a first feature region and a second feature region from the brain image, calculates a first feature point from the first feature region, and uses the second feature region Calculating a second feature point, obtaining a photographing direction of the brain image based on the first characteristic point and the second characteristic point, and aligning the brain image by aligning the brain image so that the photographing direction is parallel to a reference direction can be configured.
  • the first characteristic region is a region corresponding to an anterior commissure
  • the second characteristic region is a region corresponding to a posterior commissure
  • the first The feature point may be included in a boundary defining a region corresponding to the anterior commissure
  • the second feature point may be included in a boundary defining a region corresponding to the posterior commissure.
  • the controller acquires data related to a direction of the brain image included in the brain image, and a photographing direction of the brain image based on the data related to the direction of the brain image may be configured to obtain and align the brain image by aligning the brain image so that the photographing direction corresponds to a reference direction.
  • the controller obtains a reference plane adjacent to the reference region from the brain image, and selects a part of the first boundary of the first internal region based on the reference plane. and modifying to obtain the second inner area having the second boundary, thereby obtaining the second inner area.
  • the reference plane is a plane parallel to a transverse plane of the brain image
  • the controller the first modifying a portion of the first boundary located below the reference plane based on the inner area, and obtaining the second inner area having the second boundary based on the modified first boundary, whereby the second may be configured to obtain an inner region.
  • the reference region may be a region corresponding to the cerebellum, and the reference plane may be adjacent to a lower edge of a boundary defining the corresponding region of the cerebellum.
  • the controller obtains a first feature region and a second feature region from the brain image, calculates a first feature point from the first feature region, and uses the second feature region calculating a second feature point, obtaining a reference direction connecting the first feature point and the second feature point based on the first feature point and the second feature point, obtaining a reference plane parallel to the reference direction, and obtaining the second inner area by modifying a part of the first boundary of the first inner area based on the reference plane to obtain the second inner area having the second boundary.
  • the reference region may be a region corresponding to the cervical vertebra
  • the reference plane may be adjacent to the region corresponding to the cervical vertebra and may be perpendicular to a sagittal plane.
  • the controller based on the first inner region located on the upper side of the reference plane, the portion located below the reference plane of the first boundary and obtain the second inner region having the second boundary based on the modified first boundary.
  • the controller may be configured to define the volume index as a ratio of the first volume value to the second volume value.
  • the controller obtains a first correction parameter for correcting the first volume value, wherein the first correction parameter is a scan condition under which the brain image is obtained or the target element. is obtained based on the position; and calculates the first volume correction value based on the first correction parameter and the first volume value to obtain the first volume correction value, and corrects the second volume value obtain a second calibration parameter for: the second calibration parameter is obtained based on a scan condition in which the brain image is obtained or a position of the target element; and, according to the second calibration parameter and the second volume value the volume of the target element by calculating the second volume correction value based on the second volume correction value to obtain the second volume correction value, and calculating the volume index based on the first volume correction value and the second volume correction value; It may be configured to calculate an indicator.
  • the scan conditions under which the brain image is acquired are the magnetic field strength related to the resolution of the brain image of the brain image acquisition device, the manufacturer of the brain image acquisition device, and the brain image acquisition device. It may relate to at least one of the setting parameters related to the shape of the magnetic field to be generated.
  • the correction parameter includes a parameter for calculating the first morphological value based on the second morphological value, and obtaining the corrected morphological value comprises: and obtaining the corrected morphological value, which is a morphological estimate value of the target element under the first scan condition, based on the target morphological value and the correction parameter.
  • the correction parameter includes a parameter related to a linear function for calculating the first morphological value based on the second morphological value
  • the corrected morphological value Acquiring may include acquiring the corrected morphological value based on the linear function including the target morphological value and the parameter.
  • the first scan condition and the second scan condition include a magnetic field strength related to a resolution of a medical image of a medical image acquisition apparatus, a manufacturer of the medical image acquisition apparatus, and the medical image acquisition It may relate to at least one of the setting parameters related to the shape of the magnetic field generated by the device.
  • the target medical image is obtained from a first object having a first characteristic
  • the correction parameter is the first medical image obtained from a second object having the first characteristic and obtained from the second medical image, wherein the first characteristic may be related to an age or gender of the subject.
  • the segmentation may be performed using a neural network provided to acquire a plurality of regions corresponding to a plurality of elements based on the target medical image.
  • the method further includes: converting the target medical image acquired under the second scan condition into a medical image corresponding to the image acquired under the first scan condition, wherein the segmentation comprises: This may be performed based on the converted medical image.
  • the correction parameter is obtained from the second medical image obtained under the second magnetic field strength, and the target a parameter set for converting the second morphological value associated with an element into the first morphological value associated with a target element obtained from the first medical image obtained under a first magnetic field strength;
  • the corrected morphological value may be obtained based on the target morphological value and the parameter set.
  • an image acquisition unit configured to acquire a target medical image; and a controller providing medical image analysis information based on the target medical image.
  • the controller includes: a first morphological value obtained from a first medical image obtained under a first scan condition and related to a target element; Obtaining a correction parameter calculated based on a correlation between related second morphological values, obtaining a target medical image obtained under the second scan condition, and generating the target medical image including the target element.
  • a target area related to the target element is obtained from the target medical image by performing segmentation into a plurality of areas corresponding to the plurality of elements, and the target element is based on voxel data corresponding to the target area. obtain a target morphological value associated with .
  • the correction parameter includes a parameter for calculating the first morphological value based on the second morphological value
  • the controller includes: the target morphological value and the Based on the correction parameter, the corrected morphological value, which is a morphological estimate value of the target element under the first scan condition, may be obtained.
  • the correction parameter includes a parameter related to a linear function for calculating the first morphological value based on the second morphological value
  • the controller includes: and obtain the corrected morphological value based on the linear function including the morphological value and the parameter.
  • the first scan condition and the second scan condition include a magnetic field strength related to a resolution of a medical image of the medical image acquisition device, a manufacturer of the medical image acquisition device, and the medical image acquisition device. It may relate to at least one of a setting parameter relating to a type of magnetic field generated by the device.
  • the target medical image is obtained from a first object having a first characteristic
  • the correction parameter is the first medical image obtained from a second object having the first characteristic and obtained from the second medical image, wherein the first characteristic may be related to an age or gender of the subject.
  • the segmentation may be performed using a neural network provided to acquire a plurality of regions corresponding to a plurality of elements based on the target medical image.
  • the controller converts the target medical image acquired under the second scan condition into a medical image corresponding to the image acquired under the first scan condition, and the segmentation is It may be configured to be performed based on the converted medical image.
  • the apparatus further includes an output module for outputting the morphological index and morphological information obtained based on the morphological index database, wherein the morphological information includes the morphological index database and the morphological index database.
  • Percentile information on the morphological index database of the morphological index related to the object of the target medical image is included based on the morphological index, and the output module outputs the morphological information reflecting the percentile information.
  • the correction parameter is obtained from the second medical image obtained under the second magnetic field strength, and the target a parameter set for converting the second morphological value associated with an element into the first morphological value associated with a target element obtained from the first medical image obtained under a first magnetic field strength;
  • the corrected morphological value may be obtained based on the target morphological value and the parameter set.
  • a target medical image is acquired; obtaining a target scan condition related to the target medical image; obtaining a target morphological value related to the target element based on voxel data of a target region corresponding to the target element included in the target medical image; determining a target calibration parameter among one or more calibration parameters based on the target scan condition; and outputting a morphological index based on the determined target correction parameter and the target morphological value, wherein the determining of the target correction parameter includes, when the target scan condition corresponds to the first scan condition, The target correction parameter is determined as a first correction parameter for correcting a first morphological value related to a target element obtained under a first scan condition, and when the target scan condition corresponds to the second scan condition, the target The correction parameter may include determining as a second correction parameter for correcting a second morphological value related to the target element obtained under a second scan condition different from the first scan condition.
  • outputting the morphological index may include, when the target scan condition corresponds to the first scan condition, based on the target morphological value and the first correction parameter. 1 calculate a corrected morphological index, wherein when the target scan condition corresponds to the second scan condition, the first corrected morphological index is different from the first corrected morphological index based on the target morphological value and the second calibration parameter calculating a second corrected morphological index; and outputting the first corrected morphological index when the target scan condition corresponds to the first scan condition, and outputting the second corrected morphological index when the target scan condition corresponds to the second scan condition.
  • Output box may include.
  • a reference scan condition as a criterion for determining the target correction parameter is obtained; may further include.
  • the first correction parameter includes a parameter for calculating a morphological value obtained under the first scan condition as a morphological estimate value under a third scan condition
  • the second correction parameter includes a parameter for calculating a morphological value obtained under the second scan condition as a morphological estimate value under a third scan condition
  • calculating the first corrected morphological index comprises: the target morphological value and obtaining the first corrected morphological value, which is a morphological estimate of the target element under the second scan condition, based on the first correction parameter
  • calculating the second corrected morphological index comprises: , obtaining the second corrected morphological value, which is a morphological estimate value of the target element under the third scan condition, based on the target morphological value and the second correction parameter.
  • the first correction parameter is a first parameter related to a first linear function for calculating the morphological value obtained under the first scan condition as a morphological estimate value under the third scan condition.
  • the second calibration parameter comprises a second parameter set associated with a second linear function for calculating a morphological value obtained under the second scan condition as a morphological estimate under a third scan condition, wherein calculating a first corrected morphological index comprises obtaining the first corrected morphological value based on the first linear function including the target morphological value and the first parameter set;
  • Calculating the second corrected morphological index may include obtaining the second corrected morphological value based on the second linear function including the target morphological value and the second parameter set.
  • the first scan condition, the second scan condition, and the target scan condition include a magnetic field strength related to a resolution of a medical image of a medical image acquisition device, and a manufacturer of the medical image acquisition device and a setting parameter related to a shape of a magnetic field generated by the medical image acquisition device.
  • the target medical image is obtained from an object having a first characteristic
  • the first correction parameter or the second correction parameter is obtained from the object having the first characteristic. It is obtained from the first medical image and the second medical image, and the first characteristic may be related to an age or gender of the object.
  • obtaining the target morphological value may include segmenting the target medical image into a plurality of regions corresponding to a plurality of elements including at least the target element, obtaining a target area related to the target element from the target medical image; and obtaining the target morphological value based on voxel data corresponding to the target area, wherein the segmentation is a neural network provided to obtain a plurality of areas corresponding to a plurality of elements based on the target medical image.
  • the method further includes: converting the target medical image acquired under the target scan condition into a medical image corresponding to the image captured under a scan condition other than the target scan condition; Segmentation may be performed based on the converted medical image.
  • the first correction parameter is the target obtained under the first magnetic field strength.
  • a first parameter set for correcting the first morphological value associated with an element wherein the second correction parameter comprises a first parameter set for correcting the second morphological value associated with the target element obtained under a second magnetic field strength.
  • the determining of the target correction parameter includes: when the target scan condition corresponds to the first magnetic field strength, the target correction parameter is determined as the first parameter set, and the target scan condition is When it corresponds to the second magnetic field strength, the target correction parameter may include determining as a second parameter set.
  • an image acquisition unit configured to acquire a target medical image; and a controller providing medical image analysis information based on the target medical image.
  • the controller acquires a target scan condition related to the target medical image, and a target morphological value related to the target element based on voxel data of a target region corresponding to the target element included in the target medical image.
  • the target calibration parameter is determined as a first calibration parameter for correcting a first morphological value related to a target element obtained under the first scan condition, wherein the target scan condition is By determining the target correction parameter as a second correction parameter for correcting a second morphological value associated with the target element obtained under a second scan condition that is different from the first scan condition, when it corresponds to the second scan condition and determine the target calibration parameter.
  • the controller when the target scan condition corresponds to the first scan condition, the controller is configured to configure the first corrected morphology based on the target morphological value and the first correction parameter calculate an index, and when the target scan condition corresponds to the second scan condition, the second corrected shape different from the first corrected morphological index based on the target morphological value and the second correction parameter calculates a morphological index, outputs the first corrected morphological index when the target scan condition corresponds to the first scan condition, and outputs the second corrected morphological index when the target scan condition corresponds to the second scan condition It may be configured to output the morphological index by outputting the morphological index.
  • the first correction parameter includes a parameter for calculating a morphological value obtained under the first scan condition as a morphological estimate value under a third scan condition
  • the second correction parameter includes a parameter for calculating the morphological value obtained under the second scan condition as a morphological estimate value under the third scan condition
  • the controller is configured to: Calculate the first corrected morphological index by obtaining the first corrected morphological value, which is a morphological estimate of the target element under the second scan condition, based on the target morphological value and the second correction parameter to calculate the second corrected morphological index by obtaining the second corrected morphological value that is a morphological estimate value of the target element under the third scan condition.
  • the first correction parameter is a first parameter related to a first linear function for calculating the morphological value obtained under the first scan condition as a morphological estimate value under the third scan condition.
  • the second calibration parameter comprises a second parameter set associated with a second linear function for calculating a morphological value obtained under the second scan condition as a morphological estimate under a third scan condition, wherein a controller, based on the first linear function including the target morphological value and the first parameter set, obtains the first corrected morphological value to calculate the first corrected morphological index; and calculate the second corrected morphological index by obtaining the second corrected morphological value based on the second linear function including a target morphological value and the second parameter set.
  • the first scan condition and the second scan condition include a magnetic field strength related to a resolution of a medical image of the medical image acquisition device, a manufacturer of the medical image acquisition device, and the medical image acquisition device. It may relate to at least one of a setting parameter relating to a type of magnetic field generated by the device.
  • the target medical image is obtained from an object having a first characteristic
  • the target correction parameter including at least one of the first correction parameter and the second correction parameter may include: It is obtained from the first medical image and the second medical image obtained from the object having a first characteristic, wherein the first characteristic may be related to an age or gender of the object.
  • the controller performs segmentation of the target medical image into a plurality of regions corresponding to a plurality of elements including at least the target element, thereby extracting the target medical image from the target medical image. obtain a target area related to a target element, and obtain the target morphological value based on voxel data corresponding to the target area, wherein the segmentation includes a plurality of elements corresponding to a plurality of elements based on the target medical image.
  • a neural network provided to obtain regions of
  • the controller converts the target medical image acquired under the target scan condition into a medical image corresponding to an image captured under a scan condition other than the target scan condition, and the conversion It may be configured to perform the segmentation based on the obtained medical image.
  • the first correction parameter is the target obtained under the first magnetic field strength.
  • a first parameter set for correcting the first morphological value associated with an element wherein the second correction parameter comprises a first parameter set for correcting the second morphological value associated with the target element obtained under a second magnetic field strength.
  • two parameter sets wherein when the target scan condition corresponds to the first magnetic field strength, the target correction parameter is determined as the first parameter set, and the target scan condition determines the second magnetic field strength
  • the target correction parameter may be configured to determine the target correction parameter by determining the second parameter set.
  • a first correction parameter is obtained for correcting a first morphological value related to a first brain element; obtaining a second correction parameter for correcting a second morphological value associated with a second brain element different from the first brain element; acquiring a target brain image; The first region by segmenting the target brain image into a plurality of brain regions including a first region corresponding to the first brain element, a second region corresponding to the second brain element, and a skull region; obtaining a third region associated with the second region and an inner region of the cranial region; acquiring a first brain morphological index related to the first brain element based on voxel data corresponding to the first region, voxel data corresponding to the third region, and the first correction parameter; and acquiring a second brain morphological index related to the second brain element based on voxel data corresponding to the second region, voxel data corresponding to the third region, and the second correction parameter.
  • the method further includes: acquiring a reference morphological value related to the inner region based on voxel data corresponding to the third region, and acquiring the first brain morphological index
  • the method may include: acquiring a first target morphological value related to the first brain element based on voxel data corresponding to the first region; calculating a first corrected morphological value associated with a first brain element based on the first target morphological value and the first correction parameter; and calculating the first brain morphological index based on the first corrected morphological value and the reference morphological value, wherein obtaining the second brain morphological index comprises: obtaining a second target morphological value associated with the second brain element based on the corresponding voxel data; calculating a second corrected morphological value associated with a second brain element based on the second target morphological value and the second correction parameter; and calculating the second brain morphological index based on the second corrected morphological value and the reference
  • the first morphological value and the second morphological value are values obtained under a first scan condition
  • the target brain image is obtained under the first scan condition
  • the first calibration parameter comprises a first parameter for calculating a third morphological value associated with the first brain element obtained under a second scan condition different from the first scan condition based on the first morphological value
  • the second correction parameter includes a second parameter for calculating a fourth morphological value related to the second brain element obtained under the second scan condition based on the second morphological value
  • Calculating a 1 corrected morphological value includes: based on the first target morphological value and the first correction parameter, the first corrected morphology that is a morphological estimate of the first brain element under the second scan condition.
  • calculating the second corrected morphological value comprises: based on the second target morphological value and the second correction parameter, the second brain element under the second scan condition. and obtaining the second corrected morphological value that is a morphological estimate of .
  • the first correction parameter includes a first parameter set related to a first linear function for calculating the third morphological value based on the first morphological value
  • the second correction parameter comprises a second parameter set associated with a second linear function for calculating the fourth morphological value based on the second morphological value
  • the first corrected morphological value is Calculating comprises obtaining the first corrected morphological value based on the first target morphological value and a first parameter set associated with the first linear function
  • the second corrected morphological value is Calculating may include obtaining the second corrected morphological value based on the second target morphological value and a second parameter set associated with the second linear function.
  • the first region corresponding to the first brain element may be located adjacent to the skull region compared to the second region corresponding to the second brain element .
  • the first brain element is related to an element performing a first brain function
  • the second brain element performs a second brain function different from the first brain function. It can be related to elements.
  • the first scan condition and the second scan condition are the magnetic field strength related to the resolution of the brain image of the brain image acquisition device, the manufacturer of the brain image acquisition device, and the brain image acquisition It may relate to at least one of the setting parameters related to the shape of the magnetic field generated by the device.
  • the target brain image is obtained from a first object having a first characteristic
  • the first correction parameter and the second correction parameter are the second object having the first characteristic. It is obtained from the first brain image and the second brain image obtained from
  • the segmentation is a plurality of brains corresponding to a plurality of brain elements including the first brain element, the second brain element, and the skull based on the target brain image. This can be done using a neural network provided to acquire regions.
  • pre-processing the target brain image further comprising, wherein the pre-processing of the target brain image includes performing pre-processing on the first region by a first method, It includes performing preprocessing of a second method different from the first method with respect to the two regions, and the segmentation may be performed based on the preprocessed target brain image.
  • the first corrected morphological value is a volume value related to the first brain element obtained by the target brain image
  • the second target morphological value is the target brain image is a volume value associated with the second brain element obtained as It may be calculated as the second corrected morphological value with respect to the reference morphological value.
  • an image acquisition unit for acquiring a target brain image; and a controller providing brain image analysis information based on the target brain image, wherein the controller obtains a first correction parameter for correcting a first morphological value related to a first brain element, and Obtaining a second correction parameter for correcting a second morphological value related to a second brain element different from a brain element, obtaining a target brain image, and applying the target brain image to a first region corresponding to the first brain element , a third region associated with the first region, the second region, and an inner region of the cranial region by performing segmentation into a plurality of brain regions including a second region corresponding to the second brain element and a cranial region to obtain a first brain morphological index related to the first brain element based on voxel data corresponding to the first region, voxel data corresponding to the third region, and the first correction parameter; and acquire a second brain morphological index related to the second brain element
  • the controller is configured to acquire a reference morphological value related to the inner region based on voxel data corresponding to the third region, and a voxel corresponding to the first region obtain a first target morphological value associated with the first brain element based on data, and a first corrected morphological value associated with the first brain element based on the first target morphological value and the first correction parameter and calculating the first brain morphological index based on the first corrected morphological value and the reference morphological value to obtain the first brain morphological index, and voxels corresponding to the second region obtain a second target morphological value associated with the second brain element based on data, and a second corrected morphological value associated with a second brain element based on the second target morphological value and the second correction parameter and calculating the second brain morphological index based on the second corrected morphological value and the reference morphological value to obtain the second brain morphological index.
  • the first morphological value and the second morphological value are values obtained under a first scan condition
  • the target brain image is obtained under the first scan condition
  • the first calibration parameter comprises a first parameter for calculating a third morphological value associated with the first brain element obtained under a second scan condition different from the first scan condition based on the first morphological value
  • the second correction parameter includes a second parameter for calculating a fourth morphological value related to the second brain element obtained under the second scan condition based on the second morphological value
  • the controller calculates the first corrected morphological value, which is a morphological estimate value of the first brain element under the second scan condition, based on the first target morphological value and the first correction parameter, and the second target and calculate the second corrected morphological value, which is a morphological estimate of the second brain element under the second scan condition, based on the morphological value and the second correction parameter.
  • the first correction parameter includes a first parameter set related to a first linear function for calculating the third morphological value based on the first morphological value
  • the second correction parameter comprises a second parameter set associated with a second linear function for calculating the fourth morphological value based on the second morphological value
  • the first corrected morphological value is Calculating comprises obtaining the first corrected morphological value based on the first target morphological value and a first parameter set associated with the first linear function
  • the controller is configured to: calculate the first corrected morphological value based on a first set of parameters associated with the first linear function, and the second target morphological value based on the second target morphological value and a second set of parameters associated with the second linear function. to calculate the second corrected morphological value.
  • the first region corresponding to the first brain element may be located adjacent to the skull region compared to the second region corresponding to the second brain element .
  • the first brain element is related to an element performing a first brain function
  • the second brain element performs a second brain function different from the first brain function. It can be related to elements.
  • the first scan condition and the second scan condition are the magnetic field strength related to the resolution of the brain image of the brain image acquisition device, the manufacturer of the brain image acquisition device, and the brain image acquisition It may relate to at least one of a setting parameter relating to a type of magnetic field generated by the device.
  • the controller may include, wherein the target brain image is obtained from a first object having a first characteristic, and the first correction parameter and the second correction parameter determine the first characteristic. Branches are obtained from a first brain image and a second brain image obtained from a second object, wherein the first characteristic may be related to an age or gender of the object.
  • the segmentation is a plurality of brains corresponding to a plurality of brain elements including the first brain element, the second brain element, and the skull based on the target brain image. This can be done using a neural network provided to acquire regions.
  • the controller pre-processes the target brain image, and the segmentation is performed based on the pre-processed target brain image, but the first region is pre-processed by a first method
  • the second region may be configured to perform a different pre-processing from the first method.
  • the first corrected morphological value is a volume value related to the first brain element obtained by the target brain image
  • the second target morphological value is the target brain image is a volume value associated with the second brain element obtained as It may be calculated as the second corrected morphological value with respect to the reference morphological value.
  • the brain image analysis may be performed by acquiring a plurality of brain regions by performing segmentation on the brain image, calculating a brain-related morphological index, and outputting it to the user.
  • the reliability of the brain image analysis result is improved by checking the quality of the brain image, or the morphological value or morphological index of a specific brain region obtained is corrected.
  • a user-friendly report by improving the accuracy of brain image analysis results, calculating the morphological value or morphological index of a specific brain region from the brain image to be analyzed, providing personalized analysis results, or providing users with only selective information Various techniques are disclosed, such as providing
  • a medical image analysis system may include an image acquisition apparatus 1000 and an image analysis apparatus 2000 .
  • the image acquisition apparatus 1000 may acquire an image and transmit it to the image analysis apparatus 2000 through a network.
  • the image acquisition apparatus 1000 may be an apparatus for acquiring magnetic resonance imaging (MRI).
  • the magnetic resonance image acquired by the image acquisition apparatus 1000 may be transmitted to the image analysis apparatus 2000 through a network.
  • the image acquisition apparatus 1000 may be an apparatus for acquiring a computed tomography (CT) image.
  • CT computed tomography
  • the computed tomography image acquired by the image acquisition apparatus 1000 may be transmitted to the image analysis apparatus 2000 through a network.
  • the image obtaining apparatus 1000 may be an apparatus for obtaining an image obtained by radiography.
  • the radiographic image acquired by the image acquisition apparatus 1000 may be transmitted to the image analysis apparatus 2000 through a network.
  • the image obtaining apparatus 1000 may be an apparatus for obtaining an image obtained by positron emission tomography (PET).
  • PET positron emission tomography
  • image acquisition device 1000 is merely an example, and is not limited thereto, and should be interpreted as encompassing any suitable device or system used for medical imaging.
  • the image acquired by the image acquisition apparatus 1000 may be a two-dimensional image.
  • the image may include pixel information related to pixel coordinates, color, intensity, and the like.
  • the image acquired by the image acquisition apparatus 1000 may be a three-dimensional image.
  • the image may include pixel information related to the coordinates, color, and intensity of the voxel.
  • the image acquired by the image acquisition apparatus 1000 may include information related to image alignment.
  • the image acquisition apparatus 1000 may also acquire data ijk related to the direction of the photographed image in consideration of the direction RAS of the reference coordinate axis of the object 100 .
  • the image acquisition device acquires the data ijk related to the direction of the photographed image in consideration of the information (xyz) on the coordinate axis of the image acquisition device and the information (RAS) on the reference coordinate axis of the object 100 .
  • the image acquisition apparatus 1000 may acquire data related to the magnetic field strength of the image, data related to the manufacturer of the image device, data related to a setting parameter of the image device, data related to the object of the image, and the like.
  • the data related to the magnetic field strength may include data related to the strength of the magnetic field applied to the object when a medical image is acquired using a magnetic field (eg, MRI).
  • a magnetic field eg, MRI
  • data corresponding to “1.5T” may correspond to data related to the magnetic field strength.
  • the setting parameters of the imaging device may include parameters that can be adjusted or controlled by the imaging device to acquire a medical image.
  • the setting parameters of the imaging device include repetition time (TR, Repetition Time), which means the time between successive pulse sequences applied to the same slice, time between RF pulse transmission and echo signal reception (TE, Time to Echo), A time constant related to the rate at which excited protons return to equilibrium (T1), a time constant related to the rate at which excited protons reach equilibrium or out of phase with each other (T2), proton density (PD, Proton density), or any of these It may mean encompassing a combination of repetition time (TR, Repetition Time), which means the time between successive pulse sequences applied to the same slice, time between RF pulse transmission and echo signal reception (TE, Time to Echo), A time constant related to the rate at which excited protons return to equilibrium (T1), a time constant related to the rate at which excited protons reach equilibrium or out of phase with each other (T2), proton density (PD, Proton density), or any of these It may mean
  • the above-described data may be processed as metadata in the acquired image and transmitted to the image analysis apparatus 2000 or may be transmitted to the image analysis apparatus 2000 separately from the image.
  • the image acquisition apparatus 1000 may be an apparatus for acquiring medical images such as MRI, CT, and X-ray.
  • the image acquisition apparatus 1000 may acquire images under various scan conditions.
  • an image may be acquired under a scanning condition in which the magnetic field strength is 1.5 Tesla (hereinafter, T). Also, an image may be acquired under a scan condition in which the magnetic field strength is 3T. Also, an image may be acquired under a scan condition in which the magnetic field strength is 7T or 8T.
  • the TR Repetition Time
  • TE Time to Echo
  • PD proton density
  • excited protons of the image acquisition device 1000 are Under the scan conditions of the set parameters consisting of a time constant (T1) related to the rate of return to equilibrium, a time constant (T2) related to the rate at which excited protons reach equilibrium or out of phase with each other, or any combination thereof can be obtained.
  • T1 time constant related to the rate of return to equilibrium
  • T2 time constant
  • the image acquisition apparatus 1000 may be a CT-related apparatus, and in this case, a voltage, a current, an exposure time, a scanning time ( An image may be acquired under scanning conditions of setting parameters related to scanning time), projection, and any combinations thereof.
  • the image acquisition apparatus 1000 may be an X-ray-related apparatus, and in this case, tube voltage, tube current, imaging time, and distance between the X-ray tube apparatus and the detector that can be set in the X-ray image apparatus Images can be acquired under scan conditions of setting parameters related to (SID), the angle of the x-ray tube support device, and any combination thereof.
  • SID setting parameters related to
  • the image may be obtained differently depending on the tendency of the operator (applicator) to irradiate the radiation.
  • information on the propensity of the operator may be parameterized.
  • the parameter for the operator's propensity may be used as a factor to consider in relation to correcting a morphological value or a morphological index in consideration of a scan condition to be described later.
  • the morphological value or morphological index may be corrected according to the propensity of the operator.
  • the image analysis apparatus 2000 may acquire the operator's identification information in relation to the scan condition.
  • the image analysis apparatus 2000 may be implemented to acquire a correction parameter for correcting a morphological value or a morphological index based on the operator's identification information. For example, the image analysis apparatus 2000 may determine the correlation between the first morphological value calculated from the first image photographed by the first operator and the second morphological value calculated from the second image photographed by the second operator. Based on the correction parameter for estimating the morphological value calculated from the target image obtained from the first operator as the morphological value associated with the second operator (or the morphological value calculated from the target image obtained from the second operator) 1) a correction parameter for estimating the morphological value associated with the operator) can be obtained.
  • the image acquisition apparatus 1000 may be an MRI apparatus or a CT apparatus using positron emission tomography (PET).
  • PET imaging drugs related to radiopharmaceuticals may be used.
  • a drug (or tracer) such as 18F-florbetapir, 18F-florbetaben, 18F-flutemetamol, 18F-Florapronol, etc. may be used to measure amyloid beta.
  • a drug (or tracer) such as 18F-flortaucipir may be used.
  • the drug to be used may be used differently depending on the manufacturer of the image acquisition device. At this time, information on the drug used may be parameterized.
  • a parameter for a drug used for the image acquisition device may be used as a scan condition, and may be used as a factor to consider in relation to correcting a morphological value or a morphological index in consideration of a scan condition to be described later.
  • the morphological value or the morphological index may be corrected according to the manufacturer of the image acquisition device and the drug used. More specifically, the image analysis device 2000 may acquire information on the manufacturer of the image acquisition device and the drug used, and calculates morphological values or morphological indicators based on the information on the manufacturer of the image acquisition device and the drug used. It may be implemented to obtain a correction parameter for correcting.
  • the image analysis apparatus 2000 uses a first morphological value calculated from a first image photographed using a first drug (eg, 18F-florbetapir) and a second drug (eg, 18F-florbetaben). Estimating the morphological value calculated from the target image obtained using the first drug as the morphological value obtained using the second drug based on the correlation between the second morphological values calculated from the second image A first correction parameter for (or a correction parameter for estimating a morphological value calculated from a target image obtained by using the second drug as a morphological value obtained by using the first drug) may be obtained.
  • a first correction parameter for or a correction parameter for estimating a morphological value calculated from a target image obtained by using the second drug as a morphological value obtained by using the first drug
  • the image analysis apparatus 2000 provides a correlation between the second morphological value calculated from the second image photographed using the second drug and the third morphological value calculated from the third image photographed using the third drug Based on the relationship, a second calibration parameter for estimating the morphological value calculated from the target image obtained using the second drug as the morphological value obtained using the third drug (eg, 18F-flutemetamol) (or A correction parameter for estimating the morphological value calculated from the target image obtained using the third drug as the morphological value obtained using the second drug) may be obtained. In this case, the first correction parameter and the second correction parameter may be different.
  • the image acquisition apparatus 1000 may acquire an image under a scan condition including at least one or more setting parameters.
  • an image may be acquired under scan conditions based on various combinations of the above-described setting parameters.
  • the image may be acquired under a first scan condition in which the setting parameters are the first combination.
  • an image may be acquired under a second scan condition in which the setting parameter is the second combination and the magnetic field strength is the first strength.
  • the present invention is not limited thereto, and images acquired by the image acquiring apparatus 1000 may be images acquired under various scanning conditions according to various combinations of setting parameters.
  • the image acquisition apparatus 1000 may be configured with a plurality of image acquisition apparatuses 1000 .
  • the plurality of image acquisition devices 1000 may be devices manufactured by different manufacturers. Images acquired by devices manufactured by different manufacturers may have different characteristics, such as brightness and intensity, even if scanning conditions and setting parameters are the same. Accordingly, even if a medical image is obtained for the same object, morphological indices based on the medical image may be different depending on the manufacturer's device.
  • a correction parameter acquisition operation for controlling a scan condition, a setting parameter, or a variable according to a manufacturer of an image device is required by the correction parameter acquiring device 2400 according to an embodiment of the present application, which will be described later.
  • the image acquired by the image acquiring apparatus 1000 may include information related to an anatomical structure of a specific part of the body.
  • a specific part of the body may correspond to any part where medical imaging can be utilized.
  • the images related to the brain are mainly described, but this is only an example and the various embodiments disclosed in the present application are any suitable body parts other than the brain (for example, , lung, breast, heart, joint, blood vessel, etc.) can also be applied.
  • the image acquisition apparatus 1000 may be implemented in the form of a server.
  • the server may be configured to store the medical image and information related to the medical image.
  • the server may be implemented to modify or process a medical image and information related to the medical image.
  • the medical images may be stored in a memory or a server of the image analysis apparatus 2000 and used to calculate a correction parameter, perform quality control, or output an analysis result. In this regard, it will be described later in detail below.
  • FIG. 2 is a schematic diagram of an image analysis apparatus 2000, a learning apparatus 2200, a correction parameter obtaining apparatus 2400, and an output apparatus 2600 for image analysis according to an embodiment of the present application.
  • the image analysis apparatus 2000 performs an operation of segmenting the image obtained from the image obtaining apparatus 1000 using the artificial neural network learned by the learning apparatus 2200 or calculating the morphological index of the target element included in the image. can be done
  • the learning apparatus 2200 may perform an operation of learning a neural network model for image segmentation or a neural network model for image quality control, using a plurality of image data sets.
  • the correction parameter obtaining apparatus 2400 uses a plurality of image data sets and data related to the scan condition to obtain a morphological value or morphological value related to a target element of the target image (or target image) obtained by the image analysis apparatus 2000 .
  • An operation of calculating a correction parameter for correcting the indicator may be performed.
  • the image analysis apparatus 2000, the learning apparatus 2200, and the correction parameter obtaining apparatus 2400 shown in FIG. 2 may be implemented to transmit and receive data to each other using any communication method.
  • the image analysis apparatus 2000 , the learning apparatus 2200 , and the correction parameter obtaining apparatus 2400 may be implemented to share a server.
  • the image analysis apparatus 2000 , the learning apparatus 2200 , and the correction parameter acquisition apparatus 2400 are illustrated as being provided as separate apparatuses, but this is only an example, and the image analysis apparatus 2000 ), the learning apparatus 2200 and/or the correction parameter obtaining apparatus 2400 may be implemented as a single apparatus. Alternatively, some of the image analysis device 2000 , the learning device 2200 , and the correction parameter acquisition device 2400 may be provided as separate devices, and the remaining devices may be implemented as a single device.
  • FIG. 3 is a block diagram of an image analysis apparatus 2000 according to an embodiment of the present application.
  • the image analysis apparatus 2000 may include a first communication module 2010 , a first memory 2020 , and a first controller 2030 .
  • the first communication module 2010 may communicate with any external device including the image acquisition device 1000 , the learning device 2200 , the correction parameter acquisition device 2400 , and an output device 2600 to be described later.
  • the image analysis device 2000 transmits/receives an image from the image acquisition device 1000 through the first communication module 2010 or the learning device 2200 , the parameter acquisition device 2400 , and an output device 2600 to be described later. ), it can transmit and receive data with external devices including repeaters and servers.
  • the image analysis apparatus 2000 obtains, through the first communication module 2010 , an image acquired from the image acquisition device 1000 , information about a neural network model learned from the learning device 2200 , and correction parameters Information related to the calculated calibration parameter may be received from the device 2400 .
  • the image analysis apparatus 2000 transmits, through the first communication module 2010, information related to the scan condition of the image to the correction parameter obtaining apparatus 2400 or outputs information related to the analysis result. (2600).
  • the image analysis apparatus 2000 may access the Internet through the first communication module 2010 and upload various data related to images, information related to scan conditions, and information related to analysis results.
  • the first communication module 2010 is largely divided into a wired type and a wireless type. Since the wired type and the wireless type have their respective strengths and weaknesses, in some cases, the image analysis apparatus 2000 may be provided with both the wired type and the wireless type at the same time.
  • LAN Local Area Network
  • USB Universal Serial Bus
  • a communication method of a Wireless Personal Area Network (WPAN) series such as Bluetooth or Zigbee may be mainly used.
  • the wireless communication module may use a wireless local area network (WLAN)-based communication method such as Wi-Fi or other known communication methods.
  • WLAN wireless local area network
  • the first memory 2020 may store various types of information. Various data may be temporarily or semi-permanently stored in the first memory 2020 . Examples of the first memory 2020 include a hard disk (HDD), a solid state drive (SSD), a flash memory, a read-only memory (ROM), and a random access memory (RAM). ), and so on.
  • HDD hard disk
  • SSD solid state drive
  • flash memory a read-only memory
  • RAM random access memory
  • the first memory 2020 may be provided in a form embedded in the image analysis apparatus 2000 or in a form detachable.
  • the first memory 2020 includes an operating system (OS) for driving the image analysis apparatus 2000 or a program for operating each component of the image analysis apparatus 2000 , and an operation of the image analysis apparatus 2000 .
  • OS operating system
  • the first controller 2030 may control the overall operation of the image analysis apparatus 2000 .
  • the first controller 2030 may load and execute a program for the operation of the image analysis apparatus 2000 from the first memory 2020 .
  • the first controller 2030 may be implemented as a central processing unit (CPU) or a similar device according to hardware, software, or a combination thereof. In hardware, it may be provided in the form of an electronic circuit that performs a control function by processing electrical signals, and in software, it may be provided in the form of a program or code for driving a hardware circuit.
  • CPU central processing unit
  • the image analysis apparatus 2000 may include an input module 2040 and an output module 2050 .
  • the image analysis apparatus 2000 may obtain a user's input using the input module 2040 and the output module 2050 and output information corresponding to the user's input.
  • the image analysis apparatus 2000 uses the input module 2040 to obtain a user input requesting data acquisition, a user input instructing pre-processing, a user input related to image segmentation, and a reference scan condition related to calculation of a morphological index
  • a user input may be obtained for , and corresponding information may be output through the output module 2050 .
  • the user may input conditions or settings related to analysis of the image analysis apparatus 2000 through the input module 2040 .
  • the user may set a reference scan condition related to a correction parameter for correcting a morphological value or a morphological index obtained from the target image through the input module 2040 .
  • the image analysis apparatus 2000 may correct a morphological value or a morphological index based on the reference scan condition received from the input module 2040 .
  • the input module 2040 may be implemented in various forms, such as a mouse, a keyboard, and a touch pad.
  • the output module 2050 may be provided to output a notification or an image analysis result during an image analysis operation of the image analysis apparatus 2000 .
  • a notification window indicating that an artifact exists in the target image may be provided through the output module 2050 .
  • a notification window may be provided through the output module 2050 to select whether to analyze the image because there is a serious artifact in the target image. have.
  • the segmentation result may be provided through the output module 2050 .
  • the analysis result of the target image may be provided through the output module 2050 .
  • the output module 2050 may be implemented in various forms, such as a display.
  • the image analysis apparatus 2000 may further include a user interface for obtaining a user's input through the input module 2040 and outputting information corresponding to the user's input through the output module 2050 .
  • the image analysis apparatus 2000 according to an embodiment of the present application is illustrated as including the input module 2040 and the output module 2050 , but this is only an example, and the input module 2040 and output The image analysis apparatus 2000 in which the module 2050 is omitted may be provided.
  • the image analysis apparatus 2000 may be implemented in the form of a server.
  • the server may be configured to store the medical image transmitted from the image acquisition device 1000 and information related to the medical image.
  • the server may be implemented to modify or process the medical image transmitted from the image acquisition device 1000 and information related to the medical image.
  • the server of the image analysis apparatus 2000 may be implemented separately from the server of the image acquisition apparatus 1000 , but is not limited thereto, and the server of the image analysis apparatus 1000 and the server of the image analysis apparatus 2000 are single It may be implemented in one form. In other words, the image acquisition apparatus 1000 and the image analysis apparatus 2000 may be implemented as having a common server.
  • the image analysis apparatus 2000 may be implemented to communicate with the output apparatus 2600 .
  • the output device 2600 may be implemented to receive the analysis result of the image analysis device 2000 and output the image analysis result to the user in a visual form.
  • the output device 2600 may be implemented to receive information related to image quality from the image analysis device 2000 and output it to the user.
  • the output device 2600 may be implemented to output an index related to image quality or a comment related to reliability of an image analysis result related to image quality.
  • the output device 2600 may be implemented to receive an analysis result related to a morphological index from the image analysis device 2000 and output it to a user.
  • the output device 2600 may be implemented to output an analysis result related to a morphological index of an object to a user by comparing and analyzing it with statistical data of a comparison object group.
  • the statistical data of the comparison subject group and the result of comparative analysis may be processed and outputted as statistical information in the form of any appropriate graph.
  • the output device 2600 may be implemented to provide analysis results related to morphological indices of a plurality of parts of the object together.
  • the output device 2600 may be provided to output information related to where a body part related to the morphological index corresponds in a visual form while outputting an analysis result related to the morphological index of the object. will be.
  • the output device 2600 may be implemented to receive the segmentation result of the image from the image analysis device 2000 and output it to the user.
  • the segmentation result of the image analysis apparatus 2000 may be a labeled result in the image.
  • the image analysis device 2000 or the output device 2600 may visually process the image according to the anatomical structure of the body based on the labeling result, and the output device 2600 may visually display the anatomical structure of the body. It can be implemented to output an image separated by .
  • the output device 2600 may be implemented to receive a report from the image analysis device 2000 and output it to the user.
  • FIG. 4 is a block diagram of an output device according to an embodiment of the present application.
  • the output device 2600 may include a second communication module 2610 , a second memory 2620 , and a second controller 2630 .
  • the second communication module 2610 may communicate with any external device including the image acquisition apparatus 1000 and the image analysis apparatus 2000 .
  • the output device 2600 may transmit and receive images from the image acquisition device 1000 or an image analysis result from the image analysis device 2000 through the second communication module 2610 .
  • the output device 2600 may transmit/receive data to and from arbitrary external devices including a repeater through the second communication module 2610 .
  • the output device 2600 may perform an analysis result related to the quality of images acquired from the image acquisition device 1000 and images acquired from the image analysis device 2000 through the second communication module 2610 . Data related to reliability, data on a segmentation result of an image, data such as a morphological index, and the like may be received. As another example, the output device 2600 transmits or outputs data related to a user input received from an input module 2640 to be described later to the image analysis device 2000 through the second communication module 2610 . Data processed on the device 2600 may be transmitted to the image analysis device 2000 . As another example, the output device 2600 may access the Internet through the second communication module 2610 to upload data related to a user's input and data processed on the output device 2600 .
  • the second communication module 2610 is largely divided into a wired type and a wireless type. Since the wired type and the wireless type have their respective strengths and weaknesses, in some cases, the image analysis apparatus 2000 may be provided with both the wired type and the wireless type at the same time.
  • LAN Local Area Network
  • USB Universal Serial Bus
  • a communication method of a Wireless Personal Area Network (WPAN) series such as Bluetooth (RPuetooth) or Zigbee may be mainly used.
  • the wireless communication module may use a wireless local area network (WLAN)-based communication method such as Wi-Fi or other known communication methods.
  • WLAN wireless local area network
  • the second memory 2620 may store various types of information. Various data may be temporarily or semi-permanently stored in the second memory 2620 . Examples of the second memory 2620 include a hard disk (HDD), a solid state drive (SSD), a flash memory, a read-only memory (ROM), and a random access memory (RAM). ), and so on.
  • HDD hard disk
  • SSD solid state drive
  • flash memory a read-only memory
  • RAM random access memory
  • the second memory 2620 may be provided in a form embedded in the output device 2600 or detachable form.
  • Data may be stored. For example, various data related to an image, information related to an analysis result, and user input data may be stored in the second memory 2620 .
  • the second controller 2630 may control the overall operation of the output device 2600 .
  • the second controller 2630 may load and execute a program for the operation of the output device 2600 from the second memory 2620 .
  • the second controller 2630 may be implemented as a central processing unit (CPU) or a similar device according to hardware, software, or a combination thereof. In hardware, it may be provided in the form of an electronic circuit that performs a control function by processing electrical signals, and in software, it may be provided in the form of a program or code for driving a hardware circuit.
  • CPU central processing unit
  • the output device 2600 may include an input module 2640 and an output module 2650 .
  • the output device 2600 may obtain a user's input using the input module 2640 and the output module 2650 and output information corresponding to the user's input.
  • the output device 2600 includes a user input requesting data acquisition using the input module 2640, a user input instructing pre-processing, a user input related to image segmentation, and a reference scan condition related to calculation of morphological indicators and A related user input may be obtained, and corresponding information may be output through the output module 2650 .
  • the output device 2600 may further include a user interface for obtaining a user's input through the input module 2640 and outputting information corresponding to the user's input through the output module 2650 .
  • the user may input a condition or setting related to the output of the output device 2600 through the input module 2640 , or may select a part of a plurality of output data.
  • the user may set a reference scan condition related to a correction parameter for correcting a morphological value or a morphological index obtained from the target image through the input module 2640 .
  • the output device 2600 corresponds to the corrected morphological value or the corrected morphological index based on the reference scan condition (eg, magnetic field strength, manufacturer, setting parameter of the image device, etc.) received from the input module 2640 . It may be implemented to output an analysis result.
  • the reference scan condition eg, magnetic field strength, manufacturer, setting parameter of the image device, etc.
  • a scan condition for the magnetic field strength may be input through the input module 2640 .
  • the output device 2600 may be implemented to output a corrected image analysis result based on the scan condition for the magnetic field strength input by the user.
  • the output device 2600 may transmit input data related to the scan condition for the magnetic field strength input by the user to the image analysis device 2000 , and the image analysis device 2000 may transmit the input data based on the received user input.
  • the image analysis result may be corrected based on the obtained correction parameter and transmitted to the output device 2600 .
  • the output device 2600 may be implemented to receive the correction parameter from the image analysis device 2000, correct the image analysis result, and output it.
  • the output device 2600 may be implemented to receive a user input through the input module 2640 in order to output any type of information that the user wants to be provided without being limited thereto. have.
  • the input module 2640 may be implemented in various forms, such as a mouse, a keyboard, and a touch pad.
  • the output module 2650 may be provided to output an image analysis result received from the image analysis apparatus 2000 .
  • the output device 2600 transmits, through the output module 2650 , whether an artifact exists in the target image received from the image analysis device 2000, and information on the reliability of the analysis result resulting from the text or arbitrary information. can be output in an appropriate visual form of
  • the output device 2600 may output the segmentation result of the target image received from the image analysis device 2000 through the output module 2650 .
  • the segmentation result may be implemented to divide and output the anatomical structure of the body in a visual graphic form.
  • the output device 2600 may output an analysis result of the target image received from the image analysis device 2000 through the output module 2650 .
  • the analysis result of the target image may be output in the form of a report.
  • it may be implemented so that the morphological value or morphological index of an anatomical structure included in the analysis result of the target image is output using a statistical technique such as a graph.
  • morphological values or morphological indicators of anatomical structures included in the analysis result of the target image may be compared with statistical data of a comparison target group and output using a statistical technique such as a graph.
  • the output module 2650 may be implemented in various forms, such as a display.
  • the image analysis device 2000 and the output device 2600 have been described as separate devices. However, this is only an example, and the image analysis device 2000 and the output device 2600 may be implemented as a single device.
  • the image analysis apparatus 2000 receives the medical image transmitted from the image acquisition apparatus 1000 , and performs pre-processing such as alignment of the medical image, normalization of brightness or intensity of the medical image, and noise removal. ) can be done.
  • the image analysis apparatus 2000 may receive the medical image transmitted from the image acquisition apparatus 1000 and perform segmentation of the medical image.
  • the segmentation of the medical image according to an embodiment of the present application may be performed using a learned neural network model.
  • the image analysis apparatus 2000 may perform an operation of controlling the quality of a medical image. Accordingly, according to the image analysis apparatus 2000 according to an embodiment of the present application, it is possible to increase the reliability of the medical image analysis result.
  • the image analysis apparatus 2000 may perform an operation of calculating a morphological index based on a medical image obtained from an object. Accordingly, according to the image analysis apparatus 2000 according to an exemplary embodiment of the present application, an accurate morphological index may be calculated in relation to the anatomical structure of the body of the object. Through this, there is an advantageous effect of being able to provide an accurate and objective indicator of the subject's disease. In particular, since a morphological index can be calculated by image segmentation without matching a brain image related to an object to a standard brain model, it is possible to provide a diagnostic auxiliary index related to a personalized brain disease.
  • the image analysis apparatus 2000 may perform an operation of correcting a morphological value or a morphological index in consideration of a scan condition or a body part in which a medical image is obtained. Accordingly, according to the image analysis apparatus 2000 according to an exemplary embodiment of the present application, an accurate morphological index may be calculated in relation to the anatomical structure of the body of the object. In other words, there may be a slight error in the morphological value calculated according to the scan condition or body part. It is possible to correct the calculated morphological values or morphological indicators. Through this, there is an advantageous effect of being able to provide an accurate and objective indicator of the subject's disease.
  • the image analysis apparatus 2000 gives priority to various image analysis results according to the state of an object or a diagnostic field, and outputs the selected image analysis results based on the priority. can be done Accordingly, according to the image analysis apparatus 2000 according to an embodiment of the present application, user convenience can be improved by selectively providing index information necessary for the user from among various index information obtained through analysis of a target medical image.
  • medical images, brain images, and target images are used interchangeably, but this is only for convenience of explanation, and medical images, brain images, and target images (or target images) are all image analysis It should be construed as referring to an image to be analyzed by the devices 2000 , 3000 , 4000 .
  • the following contents may be performed by the image analysis apparatuses 2000 , 3000 , and 4000 according to an embodiment of the present application.
  • Reference numerals designating the image analysis apparatus are merely used to distinguish and explain operations of the image analysis apparatus for convenience of description, and the image analysis apparatus is not limited by the reference numerals.
  • the image analysis apparatus 2000 may acquire a brain image and information related to the brain image.
  • the image analysis apparatus 2000 may acquire a brain image from the image acquisition apparatus 1000 . Also, the image analysis apparatus 2000 may acquire information related to a brain image from the image acquisition apparatus 1000 or an arbitrary external device (eg, a server).
  • an arbitrary external device eg, a server
  • the image analysis apparatus 2000 may acquire a brain image and data related to the brain image from the image acquisition apparatus 1000 through the first communication module 2010 .
  • the form of the brain image may be a form of various medical images.
  • the brain image may be in DICOM, Neuroimaging Ingormatics Technology Initiative (Nifti), or any suitable format.
  • the data related to the brain image may include data included in the brain image, data related to a scan condition in which the brain image is obtained, and data about an object of the brain image.
  • the data included in the brain image may be data related to pixels or voxels included in the brain image, data related to the orientation of the brain image, and arbitrary metadata structured with respect to the brain image.
  • data related to a scan condition in which a brain image, which will be described later, is obtained or data about an object of the brain image may be structured with respect to the brain image as metadata.
  • the data related to the scan condition in which the brain image was acquired may be the magnetic field strength of the image acquisition device 1000 from which the brain image was acquired, a setting parameter of the image device of the image acquisition device 1000, or data related to the manufacturer of the imaging device. have.
  • the image analysis apparatus 2000 obtains data related to the scan conditions and corrects the morphological values. can be performed. This will be described later in detail with reference to FIGS. 58 to 67 .
  • the data on the object of the brain image may be personal information or medical information about the object of the target image to be analyzed by the image analysis apparatus 2000 .
  • the data on the subject of the brain image includes personal information related to the subject's gender, age, etc., questionnaire information related to brain diseases (eg, dementia, Alzheimer's disease, depression, stroke, etc.) or information related to an underlying disease, etc. It may include various types of related medical information.
  • the image analysis apparatus 2000 may be configured to correct a morphological value or morphological index obtained from the target image.
  • the correction parameter may be determined as the correction parameter obtained from the first brain image and the second brain image obtained from the second object having the first characteristic.
  • the image analysis apparatus 2000 may set a correction parameter for correcting a morphological value or a morphological index obtained from the target image by using a correction parameter obtained from a second object having a similar age and the same sex as that of the first object of the target image. can be decided with
  • data related to the subject's gender and age may be considered to output a relative percentile of the subject's morphological index according to gender and age using a statistical technique.
  • the image analysis apparatus 2000 may acquire information related to an operation related to brain image analysis.
  • the image analysis apparatus 2000 may acquire information related to a brain-related template for pre-processing or aligning a brain image from an arbitrary external device. In this regard, it will be described later in detail with reference to FIGS. 5, 6 and 48 .
  • the image analysis apparatus 2000 may acquire information related to a brain atlas, which is a reference for segmenting a brain image, from an arbitrary external device.
  • the information related to the brain atlas may be information related to the atlas related to the structure of the brain.
  • atlas related to brain structures include Automated Anatomical Labeling (Tzourio-Mazoyer 2002), Desikan-Killiany Atlas (Desikan 2006), Destrieux Atlas (Destrieux 2010), Harvard-Oxford cortical/subcortical atlases (Makris 2006), MICCAI 2012 Multi-Atlas Labeling Workshop and Challenge (Neuromorphometrics), Hammersmith atlas (Hammers 2003, Gousias 2008, Faillenot 2017), HCP MMP 1.0 (Glasser 2016), JuBrain/Juelich histological atlas (Eickhoff 2005) or MarsAtlas (Auzias 2016) have.
  • the information related to the brain atlas may be information related to the atlas related to the function of the brain.
  • atlas related to brain function include Mindboggle 101 (Klein 2012), Cortical Area Parcellation from Resting-State Correlations (Gordon 2016), Consensual Atlas of REsting-state Network (CAREN, Doucet 2019), Brainnetome Atlas parcellation (Fan).
  • the image analysis apparatus 2000 may transmit information on the brain atlas related to the above-described brain to the learning apparatus 2200 , and the learning apparatus 2200 is configured for segmentation of a brain image based on the information on the brain atlas. It can be implemented to train a neural network model.
  • the above-described information on the atlas related to the brain structure or the atlas related to brain functions is only an example, and the image analysis apparatus 2000 acquires any appropriate brain-related atlas information to obtain an image of the learning device 2200 . It can be implemented as a basis for training an artificial neural network model for segmentation.
  • the image analysis apparatus 2000 may receive a user's input from the input module 2040 of the image analysis apparatus 2000 or the input module 2640 of the output apparatus 2600 .
  • the image analysis apparatus 2000 may obtain a user input related to a diagnosis target disease.
  • the image analysis apparatus 2000 may obtain a user input related to a brain disease (eg, dementia, depression, stroke, etc.) corresponding to a diagnosis target disease related to the target image.
  • a brain disease eg, dementia, depression, stroke, etc.
  • the image analysis apparatus 2000 may obtain a user input related to a patient.
  • the image analysis apparatus 2000 may obtain a user input related to a patient's gender, age, name, etc. related to the target image.
  • the image analysis apparatus 2000 may obtain a user input related to image analysis.
  • the image analysis apparatus 2000 may obtain a user input related to image preprocessing.
  • the image analysis apparatus 2000 may obtain a user input related to image processing, such as correcting the intensity of the target image or removing noise.
  • the image analysis apparatus 2000 may obtain a user input related to segmentation.
  • the image analysis apparatus 2000 may obtain a user input for correcting labeling data output from a brain atlas and a neural network model considered for segmentation.
  • the image analysis apparatus 2000 may receive a user input for a scan condition in which a target image is captured through an input module.
  • Information on the scan condition in which the target image is captured may be obtained by being included as metadata of the target image, but may also be obtained through a user input.
  • the image analysis apparatus 2000 receives, through an input module, a user input for a reference scan condition related to a reference scan condition related to a correction parameter for correcting a morphological value or a morphological index associated with a brain calculated based on a segmentation result. can do.
  • the image analysis apparatus 2000 may obtain a correction parameter based on a user input for a reference scan condition and correct a morphological value or morphological index related to the brain. In this regard, it will be described later in detail with reference to FIGS. 66 and 67 .
  • the image analysis apparatus 2000 may receive a user input for selecting some of the output results or giving priority to the user input through the input module.
  • the image analysis apparatus 2000 may be implemented to selectively output information on an analysis result to be output based on a user input or to output an analysis result reflecting the user's priority. In this regard, it will be described later in detail with reference to FIGS. 68 to 81 .
  • Data obtained by the image analysis apparatus 2000 may be stored in the first memory 2020 of the image analysis apparatus 2000 or any external device (eg, a server) of the image analysis apparatus 2000 .
  • data obtained by the image analysis apparatus 2000 may be transmitted to the learning apparatus 2200 or the correction parameter obtaining apparatus 2400 .
  • data obtained by the image analysis device 2000 may be transmitted to the output device 2600 or may be transmitted to an arbitrary external device (eg, a server).
  • the image analysis apparatus 2000 may perform image pre-processing.
  • the image analysis apparatus 2000 may perform preprocessing to improve image analysis accuracy.
  • the image analysis apparatus 2000 may be provided to perform image pre-processing to derive a more accurate segmentation result before performing the image segmentation operation.
  • the image analysis apparatus 2000 may be provided to convert the format of the image acquired from the image acquisition apparatus 1000 .
  • the neural network model can be trained more stably and accurately. More specifically, it may be more stable and accurate to perform image analysis using an image having the same format as the image used for training the neural network model.
  • the image analysis apparatus 2000 according to an embodiment of the present application may be provided to convert the format of the image acquired from the image acquisition apparatus 1000 .
  • the image analysis apparatus 2000 may perform an operation of converting an image of a first format obtained from the image acquisition apparatus 1000 into an image of a second format.
  • the format of the image acquired from the image acquisition apparatus 1000 may be a DICOM format commonly used in medical images.
  • the segmentation or morphological index of the image may be calculated based on the DICOM format image.
  • the image analysis apparatus 2000 may be provided to convert the format of the image acquired from the image acquisition apparatus 1000 into the Nifti format.
  • the above-described format is merely an example, and the image analysis apparatus 2000 may be provided to perform a conversion operation into any suitable format other than the Nifti format, if necessary.
  • the format of the image acquired from the image acquisition device 1000 may be a medical image of any format other than the DICOM format, and even in this case, the image analysis device 2000 is provided to perform a conversion operation into any appropriate format it could be
  • the image analysis apparatus 2000 may be provided to remove noise that may exist in the image acquired from the image acquisition apparatus 1000 or to correct artifacts.
  • a blurring technique and a technique using a median filter may be used to remove noise.
  • the image analysis apparatus 2000 can derive a more accurate image segmentation result by removing noise and correcting artifacts, and can calculate a morphological index based on the segmentation result with improved accuracy. Therefore, high reliability. As such, it can provide an objective diagnostic aid for diseases related to the brain.
  • the image analysis apparatus 2000 may be provided to perform an operation of correcting the intensity of the image acquired from the image acquisition apparatus 1000 .
  • the image analysis apparatus 2000 may be provided to perform an operation of correcting the intensity of the image acquired from the image acquisition apparatus 1000 .
  • intensity By appropriately correcting intensity, noise that may exist in an image can be removed, and an image specialized for an anatomical structure of the brain to be analyzed can be obtained.
  • the image analysis apparatus 2000 may be provided to perform an operation of smoothing the image acquired from the image acquisition apparatus 1000 .
  • a technique using blurring (RPurring) or a Gaussian filter may be used as a method of smoothing an image.
  • the image analysis apparatus 2000 may be provided to adjust a ratio of the image acquired from the image acquisition apparatus 1000 or perform an operation of cropping the image.
  • the image analysis apparatus 2000 may be implemented to utilize any suitable cropping technique to crop the image.
  • the image analysis apparatus 2000 may control any suitable image, such as an on-demand image resizing, a lambda image resizing, a resizing method using the CILanczosScaleTransform filter, or a resizing method using a CIFilter, in order to adjust the ratio of the image. It may be implemented to utilize a resizing technique.
  • the image analysis apparatus 2000 may perform an operation of converting an image obtained from the image obtaining apparatus 1000 into an image captured under a scan condition different from a scan condition in which the image was captured.
  • the image analysis apparatus 2000 may be provided to convert an image captured under the first scan condition of the MRI apparatus into an estimated image as captured under the second scan condition of the MRI apparatus.
  • This image conversion operation may be performed using MR converting technology or an artificial intelligence model.
  • the present invention is not limited thereto, and the image analysis apparatus 2000 may be provided to perform image conversion in consideration of scanning conditions using any suitable software or image processing technology.
  • the image analysis apparatus 2000 may be implemented to perform a pre-processing operation corresponding to a pre-processing operation on an image in the learning apparatus 2200, which will be described later.
  • the image analysis device 2000 pre-processes the target image using the pre-processing technique corresponding to the first pre-processing technique. can be implemented. Through this, image segmentation using the neural network model can be implemented more stably and accurately.
  • FIG. 5 illustrates an example of an image alignment operation of the image analysis apparatus 2000 .
  • FIG. 6 illustrates an example of an image alignment operation of the image analysis apparatus 2000 .
  • the image analysis apparatus 2000 may be implemented to align the brain images based on data related to the orientation of the brain images included in the brain images.
  • the image analysis apparatus 2000 may be implemented to perform an operation of aligning the brain image before performing the image segmentation operation.
  • the image acquisition apparatus 1000 considers the direction (R-A-S) of the reference coordinate axis of the object 100 and acquires data (i, j, k) related to the direction of the photographed image together. can do.
  • the image acquisition apparatus 1000 considers information (x, y, z) on the coordinate axes of the image acquisition apparatus 1000 and information (R-A-S) on the reference coordinate axes of the object 100 of the captured image.
  • Direction-related data (i, j, k) can be obtained.
  • Data related to the orientation of the image may be structured as metadata for the image.
  • the image may be transmitted to the image analysis apparatus 2000 separately from the image.
  • the image analysis apparatus 2000 may be implemented to align the images to correspond to the RAS direction (Right-Anterior-Superior direction) of the object 100 based on the data i-j-k related to the image direction.
  • RAS direction Light-Anterior-Superior direction
  • the image analysis apparatus 2000 may be implemented to perform spatial normalization of brain images.
  • an artificial neural network model for segmentation of a brain image may be stably driven with respect to a brain image corresponding to a spatial distribution of a learning image used as "learning data".
  • learning data used as "learning data”.
  • the image analysis apparatus 2000 may be implemented to perform spatial normalization of the brain image in order to reduce spatial uncertainty of the brain image.
  • the image analysis apparatus 2000 may be implemented to perform spatial normalization of a brain image based on a brain template. Specifically, the image analysis apparatus 2000 may convert the coordinates of the brain image so that the spatial distribution of the brain image becomes optimal for the artificial neural network model by matching the brain image to the brain template.
  • a brain template for registering a brain image may be an MNI template, a Talairach template, or the like.
  • the image analysis apparatus 2000 performs an operation of matching the brain image to the brain template.
  • “matching” may mean simply matching the positional space of the brain image, rather than an operation corresponding to the internal elements of the brain of the brain template.
  • the spatial normalization operation of the image analysis apparatus 2000 it is possible to remove spatial uncertainty for the image, thereby securing the stability of the segmentation operation using the neural network, and obtaining a segmentation result with improved accuracy.
  • data related to the transformed coordinates can be generated by matching the brain image to the brain template.
  • Data related to the transformed coordinates may be used to transform the original coordinates of the brain image after segmentation, which will be described later, is completed.
  • the image analysis apparatus 2000 may be implemented to convert the segmentation result obtained based on the spatial distribution of the brain template to correspond to the original brain image by using the data related to the transformed coordinates.
  • the user can receive an analysis result for the brain image with respect to the original coordinates.
  • a morphological index related to a brain image when output through an output module, it may be output as a morphological index corrected using a correction parameter.
  • the image is inversely transformed based on the transformed coordinates, that is, the original brain image. Based on the visual information related to the brain may be output.
  • the image segmentation operation may be performed using a learned neural network model.
  • the image segmentation operation according to an embodiment of the present application may be implemented using any suitable method.
  • FIG. 7 is a diagram illustrating a flowchart of a process for image segmentation according to an embodiment of the present application.
  • the process for image segmentation includes a learning process (P1000) of an artificial neural network model for image segmentation and a segmentation process (P2000) of a target image using the learned artificial neural network model.
  • P1000 learning process
  • P2000 segmentation process
  • the learning process P1000 may be implemented by the learning apparatus 2200 according to an embodiment of the present application.
  • the segmentation process P2000 may be implemented by the image analysis apparatus 2000 according to an embodiment of the present application.
  • the parameters of the neural network model obtained by the learning process P1000 implemented in the learning apparatus 2200 may be transmitted to the image analysis apparatus 2000 through any suitable communication module.
  • the image analysis apparatus 2000 may be implemented to perform segmentation of the target image based on the parameters of the neural network model obtained by the learning process P1000.
  • the learning process (P1000) includes a process (P1100) of obtaining an image data set, a process (P1200) of training a neural network model, a process (P1300) of verifying a neural network model, and parameters of the neural network model It may include a process P1400 of obtaining.
  • FIG. 8 is a flowchart of a learning method of a neural network model of the learning apparatus 2200 according to an embodiment of the present application.
  • the method of learning a neural network model of the learning apparatus 2200 includes the steps of obtaining an image data set (S1100), screening the image data set (S1200), and image data It may include preprocessing and alignment of the set (S1300), learning and verifying the neural network model (S1400), and obtaining the neural network model parameters (S1500).
  • the learning apparatus 2200 may obtain the image data sets from the image obtaining apparatus 1000 or any external devices.
  • FIG. 9 is an exemplary structural diagram of an image data set according to an embodiment of the present application.
  • the image data set DS acquired by the learning apparatus 2200 may include at least one or more image data.
  • the image data set DS obtained by the learning device 2200 may include at least one or more image data such as the first image data ID1, the second image data ID2, and the nth image data IDn.
  • the image data included in the image data set DS acquired by the learning device 2200 may include data related to images and labels.
  • the first image data ID1 included in the image data set DS may include data related to the first image I1 and the first label L1 .
  • the first label L1 may be obtained by manually labeling the first image I1 from a clinician capable of diagnosing a brain disease.
  • the first label L1 may be automatically labeled and obtained using any suitable image segmentation technique.
  • Data related to images and labels included in image data may be a basis for training an artificial neural network model in relation to a learning method according to an embodiment of the present application and validating the artificial neural network model.
  • image data included in the image data set DS may include data related to a scan condition.
  • the data related to the scan condition may be data related to the magnetic field strength, a setting parameter of the imaging device, and/or data related to the manufacturer of the imaging device.
  • data related to the scan condition may be structured as meta data with respect to the image data.
  • the first image data ID1 may include data related to the first scan condition SC1 related to the scan condition in which the first image data ID1 was captured. For example, if the first image data ID1 was photographed under a magnetic field strength of 3T, information related to the magnetic field strength corresponding to 3T is structured as metadata with respect to the first image data ID1 to obtain a data set ( S1100 ) ) through the learning device 2200 .
  • the data related to the scan condition included in the image data may be considered to obtain a correction parameter for correcting a morphological value or a morphological index corresponding to a target element obtained from a target image, which will be described later.
  • the image data of the image data set including the second image data ID2 or the nth image data IDn is It may contain data related to images, labels, and scanning conditions.
  • the learning apparatus 2200 may be implemented to acquire information related to a brain atlas related to a brain structure or a brain function for segmentation related to a brain image.
  • the learning apparatus 2200 may acquire information related to the brain atlas related to the above-described brain structure or brain function from the image analysis apparatus 2000 or any external device.
  • the learning apparatus 2200 may be implemented to train an artificial neural network model to be described later in consideration of information related to the brain atlas or to verify the artificial neural network model.
  • the learning apparatus 2200 screens the image data set obtained in the step of obtaining the image data set (S1100) or includes it in the image data set It may be implemented to perform an operation of selecting only some image data from among the image data.
  • some image data among the acquired image data sets may not be suitable for training an artificial neural network model for segmentation.
  • some image data may include serious artifacts or significant noise. Such image data may not be suitable for training an artificial neural network model.
  • the learning apparatus 2200 may be implemented to screen image data included in the acquired image data set or to select image data effective for training an artificial neural network model.
  • the learning apparatus 2200 In the pre-processing and aligning of the image data set (S1300), the learning apparatus 2200 according to an embodiment of the present application removes noise or artifacts of an image included in the image data set, or pre-processes to correct the intensity of the image It may be implemented to perform an action.
  • the learning device 2200 is implemented to align an image based on data related to the orientation of the image, or to align the image by spatial normalization by matching the image to a brain template can be
  • the pre-processing operation of the image analysis apparatus 2000 described above and the image alignment operation described above with reference to FIGS. 5 to 6 may be provided to be implemented in the learning apparatus in the same manner.
  • the image analysis apparatus 2000 may perform image pre-processing and alignment operations through data transmission/reception between the learning apparatus 2200 and the image analysis apparatus 2000 , and then transfer the image to the learning apparatus 2200 .
  • the training apparatus 2200 for image segmentation may train an artificial neural network model for image segmentation.
  • the artificial neural network model may include an input layer for receiving image data, an output layer for outputting a labeling result that is a segmentation result, and a hidden layer including at least one node.
  • the learning apparatus 2200 may be implemented to receive image data included in the obtained image data set through an input layer, and obtain a labeling result for the image data obtained by the neural network model through an output layer. .
  • the learning apparatus 2200 may be implemented to learn an artificial neural network configured to receive the first image data ID1 as an input and output the first 'label L1' through an output layer. Also, the learning apparatus 2200 may input the second image data ID2 as an input layer and obtain a second 'label L2' output through the output layer.
  • the learning apparatus 2200 may learn the artificial neural network in consideration of the brain atlas related to the aforementioned brain structure or the brain atlas related to brain functions.
  • the learning apparatus may learn a neural network model to segment a brain image based on a predetermined brain atlas.
  • the brain atlas may include a plurality of brain regions including a first brain region and a second brain region.
  • the learning apparatus uses an image in which a first region corresponding to the first brain region and a second region corresponding to the second brain region are labeled, and a neural network model to obtain the first region and the second region by inputting the image. can learn
  • the learning apparatus 2200 is implemented to train an artificial neural network model for segmentation of image data included in image data sets based on Desikan-Killiany Atlas (Desikan 2006).
  • Desikan-Killiany Atlas (Desikan 2006) is an atlas used to acquire regions corresponding to a plurality of brain regions in a cerebral cortex including a plurality of brain regions including a first brain region and a second brain region.
  • the learning apparatus 2400 uses the image data in which the first region corresponding to the first brain region and the second region corresponding to the second brain region are labeled in consideration of Desikan-Killiany Atlas (Desikan 2006), It is possible to train a neural network model to segment cortical regions of the brain.
  • brain atlas is merely an example, and any suitable brain atlas may be considered according to the purpose of segmentation of image data or a region of interest.
  • the learning apparatus 2200 may be implemented to learn a neural network model according to a scan condition in which image data is captured.
  • the learning apparatus 2200 may be implemented to use the first neural network model to segment a plurality of regions from the first image in the first image obtained under the first scan condition.
  • the learning apparatus 2200 may be implemented to use the second neural network model to segment a plurality of regions from the second image in the second image obtained under the second scan condition.
  • the learning apparatus 2200 may differently train the neural network model according to a scan condition in which an image is captured.
  • the image analysis apparatus 2000 segments the target image obtained under the first scan condition using the learned first neural network model, and the second scan condition The target image obtained under can be implemented to segment using the learned second neural network model.
  • the image analysis apparatus 2000 can perform segmentation of the target image using the optimal neural network model for each scan condition, it is possible to obtain a plurality of regions more stably and accurately. have.
  • FIGS. 10 to 11 an example of an artificial neural network model that can be used by the learning apparatus 2200 according to an embodiment of the present application will be described with reference to FIGS. 10 to 11 .
  • 10 is an example of an artificial neural network model that can be used by the learning apparatus 2200 according to an embodiment of the present application.
  • 11 is another example of an artificial neural network model that can be used by the learning apparatus 2200 according to an embodiment of the present application.
  • a learning apparatus 2200 may utilize U-net as an artificial neural network for image segmentation.
  • U-net used for image segmentation may have an architecture including a contraction path and an expansion path.
  • the contraction path of the U-net may be configured such that two convolutions and max pooling are successively performed.
  • image-related characteristics may be extracted from the contraction path of the U-net.
  • the U-net may be configured to recover the size of the characteristic map by additionally including the expansion path.
  • the extension path of the U-net may be configured such that up-convolution and two convolutions are successively performed.
  • the size of the image and the characteristic map may be extracted from the extension path of U-net.
  • the U-net architecture is configured to concatenate the characteristic map of the same level, so that it is possible to provide characteristic-related location information from the contraction path to the expansion path.
  • the parameter of at least one node of the included layer of U-net so that the difference between the label of the input image and the label of the output segmentation map is minimized may be adjusted.
  • the learning apparatus 2200 may utilize U-net++ as an artificial neural network for image segmentation.
  • U-net++ is an artificial neural network model using the high-density block idea of DenseNet to improve the performance of U-net.
  • a convolution layer exists in the skip path to bridge the semantic gap between the encoder and decoder feature maps, and to the skip path. It differs from U-net in that dense skip connections exist to improve gradient flow.
  • the learning apparatus 2200 may be implemented to input an input image to the input layer of the U-net++ neural network model and obtain label information output through the output layer.
  • the learning apparatus 2200 may adjust a parameter or weight of at least one node of the hidden layer included in Unet++ based on a difference between the label information included in the input image and the label information output from the neural network model.
  • the learning apparatus 2200 is implemented to repeatedly perform the operation of adjusting the parameters or weights of at least one node described above, so that the difference between the label information included in the input image and the label information output from the neural network model is minimized. It is possible to obtain the parameters or weights of the node.
  • the learning apparatus 2200 may perform an operation of learning the artificial neural network model based on the output label result.
  • step (S1400) of learning the artificial neural network model data related to the label included in the image data obtained from the step (S1100) of acquiring the image data set may be acquired.
  • the learning apparatus 2200 may be implemented to learn the artificial neural network model based on the image data and the labeling data output through the output layer of the neural network model.
  • the learning apparatus 2200 is based on the difference between the labeling data included in the image data and the labeling data output through the output layer of the neural network model, the weight of at least one node included in the hidden layer of the neural network model or It can be implemented to train a neural network model by adjusting parameters.
  • the learning apparatus 2200 may obtain the labeling data corresponding to the 1A label L1A by inputting the first image data ID1 as an input layer of the artificial neural network.
  • the learning apparatus may train the neural network model based on the labeling data corresponding to the first label L1 included in the first image data ID1 and the labeling data related to the first label L1A.
  • the learning device 2200 performs a neural network model by adjusting the weights or parameters of at least one node included in the hidden layer of the neural network model based on the difference between the first label L1 and the first label L1A. It can be implemented to learn.
  • the learning apparatus 2200 may obtain the labeling data corresponding to the iA-th label LiA by inputting the i-th image data IDi to the input layer of the artificial neural network.
  • the learning apparatus may train the neural network model based on the labeling data corresponding to the i-th label Li included in the i-th image data IDi and the labeling data related to the iA-th label LiA.
  • the learning apparatus 2200 builds a neural network model by adjusting a weight or parameter of at least one node included in a hidden layer of the neural network model based on the difference between the i-th label (Li) and the iA label (LiA). It can be implemented to learn.
  • i may be any number.
  • step S1400 of verifying the artificial neural network model the learning apparatus 2200 according to an embodiment of the present application may verify the artificial neural network model.
  • the learning apparatus 2200 may obtain labeling data output through a learned neural network model based on at least one image data included in the image data set DS. .
  • the learning apparatus 2200 may verify the learned neural network model based on labeling data related to at least one image data and labeling data output through the learned neural network model.
  • the learning apparatus 2200 compares the similarity between labeling data related to at least one image data and labeling data output through the learned neural network model, so that the parameter or weight of the node of the hidden layer of the learned neural network model is You can verify that it is appropriate.
  • the learning apparatus 2200 trains the artificial neural network model with respect to image data included in the image data set and verifies the artificial neural network model By repeatedly performing , it is possible to obtain a neural network model including at least one node having a weight or parameter that minimizes the difference between the label-related data included in the image data and the label-related data output from the artificial neural network.
  • the obtained node parameters or weights may be used in an artificial neural network model for image segmentation of the segmentation process P2000.
  • the image analysis apparatus 2000 disclosed in the present application may use various image segmentation algorithms, including image segmentation using an artificial neural network.
  • the image segmentation algorithm may be provided as a machine learning model.
  • the machine learning model there may be an artificial neural network.
  • an artificial neural network is a deep learning-based artificial neural network that includes an input layer that receives data, an output layer that outputs a result, and a hidden layer that processes data between the input and output layers. .
  • artificial neural networks include a convolutional neural network, a recurrent neural network, a deep neural network, a generative adversarial network, and the like, and in the present specification, artificial The neural network should be interpreted in a comprehensive sense including all of the artificial neural networks described above, other various types of artificial neural networks, and artificial neural networks in a combination thereof, and does not necessarily have to be a deep learning series.
  • the machine learning model does not necessarily have to be in the form of an artificial neural network model, and in addition, Nearest Neighbor Algorithm (KNN), Random Forest, Support Vector Machine (SVM), Principal Component Analysis (PCA), etc. may be included.
  • KNN Nearest Neighbor Algorithm
  • SVM Support Vector Machine
  • PCA Principal Component Analysis
  • the above-mentioned techniques may include an ensemble form or a form in which various other methods are combined.
  • the artificial neural network can be replaced with another machine learning model unless otherwise specified in the embodiments mentioned mainly with the artificial neural network.
  • the image segmentation algorithm is not necessarily limited to a machine learning model. That is, the image segmentation algorithm may include various judgment/decision algorithms rather than a machine learning model.
  • image segmentation algorithm should be understood as a comprehensive meaning including all types of algorithms that perform segmentation using image data.
  • the segmentation process P2000 may include a data acquisition process P2100 and a segmentation process P2200 using a learned neural network model.
  • the segmentation process P2000 may be implemented by the image analysis apparatus 2000 according to an embodiment of the present application.
  • FIG. 12 is a flowchart of an image segmentation method using a neural network model of the image analysis apparatus 2000 according to an embodiment of the present application.
  • the image segmentation method using the neural network model of the image analysis apparatus 2000 includes acquiring target image data ( S2100 ), and acquiring segmentation information using a learned neural network and outputting segmentation information (S2300).
  • the image analysis apparatus 2000 may acquire the target image from the image acquiring apparatus 1000 . Also, the image analysis apparatus 2000 may acquire target object information related to the target image or information related to a scan condition in which the target image is captured from the image acquisition device 1000 or any external device.
  • target object information related to the target image or information related to a scan condition in which the target image is captured may be considered in acquiring a correction parameter to be described later. In this regard, it will be described in detail with reference to FIGS. 58 to 67 .
  • FIG. 13 is an exemplary structural diagram of a target image according to an embodiment of the present application.
  • target image data acquired by the image analysis apparatus 2000 may include information on the target image TI.
  • information about the target image TI may include information related to coordinates, intensity, color, etc. of a pixel.
  • the target image data may include target object information TO.
  • the information on the target object information TO may be information on personal information of an object (eg, a brain disease test patient) related to the target image TI.
  • the information on the target object information TO may be information related to a name, age, gender, etc. of an object (eg, a brain disease test patient).
  • the image analysis apparatus 2000 may acquire information on the target object information TO from any external device.
  • the image analysis apparatus 2000 may acquire information on the target object information TO by recognizing structured metadata with respect to the target image data.
  • the target image data may include information about the target scan condition (TSC).
  • the information on the target scan condition TSC may be information related to the scan condition in which the target image TI is captured.
  • the information on the target scan condition TSC may include a magnetic field strength in which the target image TI is photographed, a setting parameter of an imaging device in which the target image TI is photographed, or an image device in which the target image TI is photographed. It may be information related to the manufacturer.
  • the image analysis apparatus 2000 may acquire information about the target scan condition TSC from any external device.
  • the image analysis apparatus 2000 may acquire information about the target scan condition (TSC) by acquiring structured metadata with respect to the target image data.
  • the image analysis apparatus 2000 may be implemented to input the target image data acquired in the data acquisition process P2100 as an input layer of the learned neural network model.
  • the image analysis apparatus 2000 is configured to segment the target image data using the weights and/or parameters of the nodes of the artificial neural network model obtained according to the learning process P1000 implemented in the learning apparatus 2200 described above. It can be implemented to be used in an artificial neural network model.
  • the learned neural network model based on the node weight and/or the node parameters obtained from the learning device 2200 may be provided to receive target image data through an input layer and output a result of labeling the target image TI as a result of segmenting the target image TI through the output layer.
  • the image analysis apparatus 2000 may acquire segmentation information related to labeling of the target image through the output layer of the learned neural network model.
  • the result output through the output layer of the artificial neural network model may include a plurality of target regions obtained from the target image of the target image data.
  • a result output through the output layer of the neural network model may be in a labeling form corresponding to a plurality of target regions obtained from the target image.
  • a result output through the output layer of the neural network model may be in the form of labeling data including a first label defining a first region obtained from the target image, and a second label defining a second region.
  • the result output through the output layer of the neural network model may be in a form in which a first color is overlaid on a first area of the target image and a second color is overlaid on a second area of the target image based on the first label.
  • the first area and the second area may be more easily distinguished.
  • the output result may be configured in an arbitrary form for distinguishing the first area and the second area.
  • the segmentation information output through the output layer of the neural network model may be in the form of dividing the target image into a plurality of regions based on a predetermined brain atlas.
  • the learning apparatus trains the neural network model to divide the learning image into a first region corresponding to the first brain region and a second region corresponding to the second brain region based on a predetermined brain atlas.
  • the segmentation information output through the output layer of the neural network model is applied to the first and second brain regions corresponding to the first brain region of the target image.
  • the output may be divided into a plurality of regions including two regions.
  • the image analysis apparatus 2000 may perform an operation of calculating a morphological value corresponding to a specific region based on the segmentation information output through the output layer.
  • the image analysis apparatus 2000 may be implemented to calculate a morphological value representing a morphological character related to the first brain region based on the segmentation information related to the first region output through the output layer.
  • a morphological character may relate to volume, thickness, length or shape, and the like.
  • the image analysis apparatus 2000 overlays visual graphics on a plurality of brain regions based on the segmentation information output through the output layer to output the output module of the output apparatus 2600 . 2650 or the output module 2050 of the image analysis apparatus 2000 may be implemented to be displayed to the user.
  • FIG. 14 is an example of images obtained based on segmentation information obtained by a segmentation process of the image analysis apparatus 2000 according to an embodiment of the present application.
  • the diagram shown in the upper part of FIG. 14 is an example of an image output based on a segmentation result for an image obtained from T1-MRI.
  • 14 is an example of an image output based on a segmentation result for an image obtained from T2-Flair MRI.
  • Corresponding segmentation information may be obtained.
  • the image analysis apparatus 2000 corresponds to white matter, gray matter, ventricle, white matter hyperintensity (WMH) region, etc. by a segmentation process for an image obtained from T2-Flair MRI. segmentation information can be obtained.
  • WH white matter hyperintensity
  • the user can visually check the segmentation result, and thus can easily check the segmentation result.
  • an advantageous effect of improving the user's understanding of an auxiliary indicator for diagnosing a brain disease may be provided.
  • the artificial neural network model used in FIG. 7 may be implemented as at least one artificial neural network model.
  • FIGS. 15 to 17 a flowchart of a process for image segmentation using at least one artificial neural network model according to an embodiment of the present application will be described with reference to FIGS. 15 to 17 .
  • characteristic contents in the case of using a plurality of artificial neural network models will be mainly described.
  • the contents described in relation to FIGS. 7 to 14 may be analogically applied to the embodiments to be described later in relation to FIGS. 15 to 17 .
  • 15 is a diagram illustrating a flowchart of a process for image segmentation according to the present embodiment.
  • the neural network model learning process P1200 of the learning process P1000 of FIG. 7 is a process P1210 for learning the first neural network model and a process P1220 for learning the second neural network model. can be configured.
  • the first neural network model may be trained to acquire a first region corresponding to the first brain region and a second region corresponding to the second brain region.
  • the second neural network model may be trained to acquire the third region and the fourth region included in the first region that may be obtained from the first neural network model.
  • the first neural network model may be trained to acquire regions (eg, cranial region, cerebrospinal fluid (CSF) region, cortical region, medulla region) corresponding to the macroscopic structure of the brain
  • the second neural network model may be It may be learned to acquire regions corresponding to the detailed structure of the brain (eg, regions corresponding to brain elements located in the cortex, regions corresponding to brain elements located in the medulla).
  • the first neural network model may be trained to acquire regions corresponding to brain regions corresponding to the first brain atlas.
  • the second neural network model may be trained to acquire regions corresponding to brain regions corresponding to the second brain atlas.
  • the first neural network model may be trained to acquire regions (eg, cranial region, cerebrospinal fluid (CSF) region, cortical region, and medulla region) corresponding to the macroscopic structure of the brain.
  • the second neural network model may be trained to acquire regions corresponding to brain regions corresponding to the brain atlas.
  • the second neural network model may be trained to acquire regions corresponding to a plurality of brain regions based on Desikan-Killiany Atlas (Desikan 2006), and the second neural network model learned based on Desikan-Killiany Atlas (Desikan 2006)
  • Two neural network models can be trained to acquire regions including the frontal lobe, temporal lobe, parietal lobe, occipital lobe, lateral ventricle, amygdala and hippocampus.
  • the process P1210 for training the first neural network model and the process P1220 for training the second neural network model may be independently performed.
  • the data sets used in the process P1210 for training the first neural network model and the process P1220 for training the second neural network model may be independent.
  • FIG. 16 is an exemplary structural diagram of image data sets according to an embodiment of the present application.
  • the image data set shown on the left side of FIG. 16 may be an image data set for training the first neural network model.
  • the image data set shown on the right side of FIG. 16 may be an image data set for training the second neural network model.
  • the image data set DS for training the first neural network model includes first image data including information related to a first image I1 and a first label L1a related to first regions. can do.
  • the image data set DS for training the second neural network model may include the first image data including information related to the first image I1 and the 1b label L1b related to the second regions. .
  • the learning apparatus uses the first neural network model to input the first image data ID1 to the input layer of the artificial neural network to obtain output labeling data corresponding to the first label L1a' related to the first regions. can do.
  • the learning apparatus performs the labeling data corresponding to the label L1a related to the first regions included in the first image data ID1 and the output labeling data related to the label 1a′ label L1a′ related to the first region. Based on this, an artificial neural network model can be trained.
  • the learning apparatus 2200 is implemented to adjust the weight or parameter of at least one node included in the hidden layer of the neural network model based on the difference between the 1a label L1a and the 1a' label L1a' can be Also, by repeatedly performing the above-described process of training the first neural network model, parameters related to the first neural network model related to the first region may be acquired.
  • the learning apparatus uses the second neural network model to input the first image data to the input layer of the artificial neural network to obtain output labeling data corresponding to the first label L1b' related to the second regions.
  • the learning apparatus outputs labeling data corresponding to the 1b label L1b related to the second areas included in the first image data ID1 and the output labeling data related to the 1b label L1b' related to the second area.
  • An artificial neural network model can be trained based on For example, the learning device 2200 is implemented to adjust the weight or parameter of at least one node included in the hidden layer of the neural network model based on the difference between the 1b label (L1b) and the 1b' label (L1b'). can be In addition, by repeatedly performing the above-described process of training the second neural network model, parameters related to the second neural network model related to the second region may be acquired.
  • the parameters related to the first neural network model obtained in the learning process P1000 may be used in the first neural network model for image segmentation corresponding to the first region of the segmentation process P2000 (P2210), and the learning process (P2210)
  • the parameters related to the second neural network model obtained in P1000) may be implemented to be used (P2220) by the second neural network model for image segmentation corresponding to the second region of the segmentation process (P2000).
  • the label 1a included in the image data related to the first neural network model is a label related to the first region
  • the label 1b included in the image data related to the second neural network model is a label related to the second region.
  • the image data of the first and second neural network models may include label information related to the first region and the second region, and when training the first neural network model, only label information related to the first region is used, When the second neural network model is trained, it may be implemented to use only label information related to the second region.
  • the present invention is not limited thereto, and the first neural network model and the second neural network model may share at least some layers. In other words, the first neural network model and the second neural network model may include at least one common layer.
  • the process of learning the first neural network model and the process of learning the second neural network model may be independent, but may be taught to be related to each other.
  • learning to be related to each other includes using data output from one neural network model as input data of the other neural network model, and using arbitrary data generated from one neural network model in another neural network model. It can mean encompassing all forms.
  • FIG. 17 is a diagram illustrating a flowchart of a process for image segmentation according to an embodiment of the present application.
  • the process ( P1200 ) of training the neural network model of the learning process ( P1000 ) includes a process ( P1211 ) of training a first neural network model and a process ( P1211 ) of training a second neural network model ( P1221), but may be implemented such that data related to a result output from the first neural network model is input to the second neural network model as input data.
  • the learning apparatus 2200 may configure the second neural network model to receive labeling data related to the first region.
  • the labeling data related to the first region may be obtained by manually labeling the first region corresponding to the first brain region with respect to the image data, or may be obtained using any automatic labeling software.
  • the labeling data related to the first region may be data manually labeled by a clinician with respect to image data input to the first neural network model.
  • the first neural network model may be trained to output labeling data related to the first region, and in this case, the labeling data related to the first region input to the second neural network model is the labeling output from the first neural network model. It can be data.
  • the second neural network model may be trained to output labeling data related to the second region based on the labeling data and image data related to the first region.
  • the learning apparatus 2200 may obtain labeling data related to the first region through the first neural network model and obtain labeling data related to the second region through the second neural network model. can be implemented. Accordingly, the learning apparatus 2200 may train the first neural network model and the second neural network model to obtain labeling data related to the first region and the second region.
  • the learning apparatus 2200 is configured to perform at least the first neural network model based on the difference between the labeling data associated with the label associated with the first region and the second region and the labeling data associated with the first region and the second region of the image data set. It may be provided to adjust a weight or parameter of one node or adjust a weight or parameter of at least one node of the second neural network model.
  • the parameters related to the first neural network model and the second neural network model obtained in the learning processor P1000 are the first neural network model and the second neural network model for image segmentation corresponding to the first region and the second region of the segmentation process P2000. It can be used for neural network models.
  • the first region or the second region may be a region related to an anatomical structure of the brain, and may be one of regions partitioned based on the brain atlas described above. Also, the first region or the second region may be a region showing a significant association related to a brain disease.
  • the above-described learning process of the neural network model is only an example, and the image segmentation operation is learned using various combinations or connections of at least one neural network model having any appropriate form, type, and parameter, and the neural network model is verified. It may be possible to obtain the parameters of the neural network model.
  • the image analysis apparatus 2000 may be implemented to update or update the learned artificial neural network model in the segmentation process P2000.
  • the image analysis apparatus 2000 may be implemented so that segmentation information obtained by segmenting the target image by the segmentation process P2200 using the learned neural network model can be modified manually or using arbitrary software.
  • the image analysis apparatus 2000 may be implemented to update or update the artificial neural network model by modifying the weight of at least one or more nodes of the learned neural network model or the parameters of at least one or more nodes based on the corrected segmentation information. have.
  • the image analysis apparatus may perform a function of determining the quality of an image.
  • the image analysis apparatus may have a quality criterion for determining the quality of the image, and may determine whether an input image satisfies the quality criterion.
  • the image quality determination may mean determining whether the medical image acquired by the image acquisition device has a quality above a certain level.
  • the image quality determination may mean determining whether medical information having a reliability level higher than or equal to a certain level can be obtained from the medical image acquired by the image acquisition device.
  • Image quality determination may be performed together with detailed operations constituting an image analysis operation.
  • the image quality determination operation may be performed together with the image acquisition operation, image preprocessing operation, image segmentation operation, and/or medical information output operation described herein.
  • the image quality determination operation may be performed before or after the at least one detailed operation is performed.
  • the image quality determination operation may be performed based on information obtained as a result of performing the detailed operation.
  • the image quality determination operation may be performed to determine whether a criterion for performing a detailed operation is satisfied.
  • the image quality determination may be performed based on image data.
  • the image quality determination may be performed based on the raw image data.
  • the image quality determination may be performed based on the pre-processed medical image.
  • the image quality determination may be performed based on a result of segmentation of the medical image.
  • the image quality determination may be performed based on a result of analyzing the medical image.
  • the image quality determination may be performed based on non-image data related to the image data.
  • the image quality determination may be performed based on at least one of metadata information about a medical image, artifact information included in the medical image, or ROI information secured through medical image segmentation.
  • the image quality determination may be performed differently for each corresponding detailed operation.
  • the first quality determination may be performed based on the raw data before the preprocessing operation.
  • a pre-processing operation may be performed on an image that satisfies the first quality criterion.
  • the second quality determination may be performed based on raw data or a preprocessed image before the segmentation operation.
  • a segmentation operation may be performed on an image that satisfies the second quality criterion.
  • the third quality determination may be performed based on raw data, a preprocessed image, or an image segmentation result before image analysis. Image analysis may be performed on an image that satisfies the third quality criterion.
  • the first to third quality criteria may be different from each other.
  • Information obtained through image quality determination may be output.
  • the information obtained through the image quality determination may include information that is a basis for the image quality determination.
  • the information that is the basis for determining the image quality may include whether there is a defect in the image, information about the format of the image, conditions for acquiring the image, and the like.
  • Information obtained through image quality determination may be used to generate or provide information related to whether a subsequent operation is performed.
  • the image analysis apparatus 2000 may be provided to perform an operation of calculating the brain morphology index of the object based on the segmentation result of the object image.
  • the image analysis apparatus 2000 may acquire an internal region of the skull and a region corresponding to the target element based on the segmentation result. Also, the image analysis apparatus 2000 may additionally perform an operation of correcting a boundary corresponding to the inner region of the skull in order to calculate the morphological index of the target element.
  • the image analysis apparatus 2000 may additionally perform an operation of aligning the brain image in order to correct the boundary of the inner region of the skull.
  • the image analysis apparatus 2000 may be provided to perform an operation of correcting a morphological value or a morphological index of the brain calculated based on the segmentation result of the target image.
  • the image analysis apparatus 2000 may acquire a region corresponding to the target element and pixel or voxel data corresponding to the target element based on the segmentation result. In this case, the image analysis apparatus 2000 may acquire a morphological value of the target element based on pixel or voxel data corresponding to the target element.
  • the image analysis apparatus 2000 may perform an operation of correcting the morphological value of the target element in consideration of the scan condition in which the target image is obtained or the location of the target element in the target image so as to output a more accurate morphological index. have.
  • the image analysis apparatus 2000 may obtain a correction parameter in consideration of the scan condition or the location of the target element from the correction parameter acquisition apparatus 2400 in order to correct the morphological value of the target element. It may be provided to perform an operation of outputting a morphological index of the target element based on the morphological value.
  • the image output apparatus may provide the user with diagnosis auxiliary information based on various types of medical information obtained through image analysis.
  • the diagnosis auxiliary information may include information obtained through processing of various types of medical information obtained from a medical image.
  • the diagnosis auxiliary information may include information obtained by processing medical information, for example, diagnosis information based on medical information, analysis information, prescription information, and the like.
  • the operation of providing diagnostic auxiliary information may be performed together with a detailed operation constituting the operation of outputting an image.
  • the operation of providing diagnostic auxiliary information may include an image acquisition operation described herein, an operation for acquiring medical information from an image, an operation for acquiring diagnostic assistance information among the acquired information, an operation for outputting diagnostic assistance information, and/or a diagnosis assistance operation. It may be performed together with an operation of providing a comment based on the information. A detailed description of each of the above-described operations will be provided later.
  • the image output apparatus may selectively provide index information necessary for a user from among various medical information obtained through image analysis.
  • the selective information provision may include selectively providing only necessary medical information to the user from among various medical information obtainable through the image analysis apparatus.
  • the optional information providing operation may be performed together with a detailed operation constituting the image output operation.
  • the selective information providing operation is based on the image acquisition operation described herein, the operation of acquiring medical information from the image, the operation of acquiring selective information among the acquired information, the operation of outputting the optional information, and/or the selective information. This may be performed in conjunction with the action of providing a comment. A detailed description of each of the above-described operations will be provided later.
  • the image analysis method according to an embodiment of the present application is performed by the above-described image analysis apparatus 2000 , the learning apparatus 2200 , the correction parameter obtaining apparatus 2400 or the output apparatus 2600 . do.
  • the image analysis method according to an embodiment of the present application includes the above-described image analysis device 2000 , the learning device 2200 , the correction parameter acquisition device 2400 , or the output device ( 2600) is not limited. That is, the image analysis method described later does not necessarily have to be performed only by the image analysis apparatus 2000 , the learning apparatus 2200 , the correction parameter acquisition apparatus 2400 , or the output apparatus 2600 , and the above-described image analysis apparatus 2000 . , it is also possible to be performed by another system or device having a function similar to that of the learning device 2200 , the correction parameter acquiring device 2400 , or the output device 2600 .
  • a variety of information is obtained from medical images to determine the patient's health status.
  • analysis must be performed based on medical images that have quality above a certain level and satisfy necessary conditions.
  • the medical image acquired by the image acquisition device may have an unsuitable quality (or property) for image analysis to take place.
  • the image may have formal or material flaws that are inappropriate for medical data acquisition.
  • a medical image may not be consistent due to the brightness of the image, the resolution of the image, the area where the image was taken, the direction the image was taken, the angle at which the image was taken, or various defects that may occur in the image due to other problems that may occur during the image. It may not be of higher quality than the standard.
  • the format of the image such as the format and size of the image file, may not satisfy the necessary conditions.
  • the analysis result may also not have reliability above a certain level. Accordingly, in order to derive an analysis result capable of having a higher level of reliability, an image quality determination must be made as to whether an image acquired by the image acquisition device has a quality above a certain level.
  • artificial intelligence may be utilized to overcome the above-described limitations and to determine the improved quality of a photographed medical image. That is, the image analysis apparatus according to an embodiment may perform high-level medical image quality determination by using artificial intelligence.
  • FIG. 18 is a diagram for describing an image quality determination process according to an embodiment.
  • the image quality determination process may include a medical image acquisition step S3000 , a medical image quality determination step S3300 , and a medical image quality related information output step S3500 .
  • the step of outputting medical image quality related information ( S3500 ) may be omitted.
  • the image quality determination process may further include preprocessing the medical image and/or segmenting the medical image.
  • 19 is a diagram for explaining an image analysis apparatus 3000 that performs an image quality determination process.
  • the image analysis apparatus 3000 may perform an image quality determination process.
  • the image analysis apparatus 3000 may include one or more modules for determining image quality.
  • the image analysis apparatus 3000 may include at least one of a preprocessing performing module 3300 , an image segmentation module 3500 , an image quality determining module 3700 , and an image quality related information output module 3900 .
  • image quality determination process described below may be performed by the above-described image analysis apparatus 3000 or the apparatus or system described throughout this specification.
  • the image acquisition apparatus may acquire a medical image.
  • the medical image may include, but is not limited to, images such as computed tomography (CT), magnetic resonance imaging (MRI), and X-ray.
  • CT computed tomography
  • MRI magnetic resonance imaging
  • X-ray X-ray
  • the MRI image may include various types of images that can be captured by MRI imaging equipment, for example, a T1-weighted image, a T2-weighted image, or a FLAIR image.
  • the MRI image may include images photographed on various types of planes, for example, axial, sagittal, or coronal planes photographed by MRI imaging equipment.
  • the image analysis apparatus 3000 may acquire a medical image in which at least a portion is not completely photographed.
  • the image analysis apparatus 3000 may acquire a medical image in which at least a portion of the target area is omitted or improperly captured.
  • the image acquisition apparatus may acquire a medical image having a quality below a certain level.
  • the image acquisition apparatus may acquire a medical image in which it is difficult to expect extraction of medical information having a certain level of reliability or higher.
  • the image acquisition device may acquire a medical image having an abnormal file structure or missing patient information.
  • the image acquisition apparatus may acquire a medical image including at least one noise.
  • the noise may mean various types of defects or conditions that affect the acquisition of information based on an image.
  • the image quality determination process according to an embodiment may include pre-processing the medical image.
  • the image quality determination process according to an embodiment may include preprocessing the medical image acquired by the image acquisition device to be suitable for image quality determination to be performed.
  • the image pre-processing step may include performing various pre-processing processes such as correcting the brightness, size, ratio, direction, or resolution of the image so that the detection of artifacts included in the medical image can be performed more smoothly.
  • the image pre-processing step includes performing various pre-processing processes such as correcting the brightness, size, ratio, direction, or resolution of the image so that information on anatomical structures included in the medical image can be acquired more smoothly.
  • the image pre-processing step may include performing various pre-processing processes for determining image quality, and since detailed information on this has been described above, redundant content will be omitted.
  • An image quality determination process may include segmenting the medical image.
  • the image quality determination process according to an embodiment may include segmenting the medical image acquired by the image acquisition device for image quality determination.
  • the image segmentation step may include performing medical image segmentation to obtain information related to an artifact included in the medical image.
  • the image segmentation step may include performing segmentation of an area corresponding to an artifact included in the medical image.
  • the image segmentation step may include segmenting the medical image so that image quality can be determined based on at least a part of a region of the human body included in the medical image.
  • the image segmentation step may include segmenting the medical image to obtain information about an anatomical or functional structure of a human body that may be a basis for determining image quality.
  • the image segmentation step may include segmenting an area corresponding to the structure of the human body included in the medical image.
  • the image segmentation step may include acquiring a region corresponding to a structure used for image quality determination.
  • Segmentation of a region corresponding to the structure of the human body may be performed using a neural network model.
  • the segmentation of the region corresponding to the structure may be performed using a neural network model trained to segment the region included in the medical image.
  • the image segmentation step may include performing segmentation of the medical image using a pre-trained neural network model to obtain at least one segmented region.
  • the at least one segmented region may correspond to different anatomical or functional structures, respectively.
  • the at least one segmented region may include a region corresponding to a human body structure used for quality determination. For segmentation of a region corresponding to an anatomical or functional structure, content related to image segmentation described throughout this specification may be similarly applied.
  • 20 is a diagram for explaining the image quality determination module 3700 .
  • the image quality determination module 3700 includes a first image quality determination unit 3710 , a second image quality determination unit 3730 , a third image quality determination unit 3750 , or a fourth image quality determination unit At least one of (3770) may be included.
  • the first image quality determining unit 3710 may determine the image quality based on metadata information
  • the second image quality determining unit 3730 may determine the image quality based on the noise information.
  • the third image quality determining unit 3750 may determine the quality of the image based on the anatomically segmented segmentation information
  • the fourth image quality determining unit 3770 may provide complex information, for example, noise information and anatomy. The quality of the image may be determined based on the relationship between the negatively segmented segmentation information. Details of the first image quality determining unit 3710 to the fourth image quality determining unit 3770 will be described later.
  • the neural network model for performing image quality determination may be differently learned and performed according to the type of medical image acquired by the image acquisition device.
  • the image quality determination model of the image analysis apparatus 3000 may be a model that is learned and performed based on the CT image.
  • the image quality determination model of the image analysis apparatus 3000 may be a model that is learned and performed based on the MRI image.
  • the first image quality determining unit 3710 may be performed based on metadata information to determine whether image analysis can be normally performed.
  • the metadata information may include information about the medical image acquired from the image acquisition device. More specifically, the metadata information may include at least one of file structure information of the medical image and patient information input to the medical image.
  • 21 is a diagram for explaining a first image quality determination process.
  • the first image quality determination process includes a medical image acquisition step (S3711), a non-image information acquisition step (S3713), a non-image information normality determination step (S3715), and a non-image-related information output step (S3717) may be included.
  • the non-image information acquisition step S3713 may include acquiring medical image information from a medical image.
  • the non-image information obtaining step S3713 may include obtaining non-image information from the medical image.
  • the non-image information may include file structure information of the medical image or patient information input to the medical image.
  • the file structure information of the medical image may include information about the file format of the medical image, the format of the medical image, or the size of the file, but is not limited thereto.
  • the patient information may include, but is not limited to, information related to personal information such as the patient's name and age, information related to the time the patient took a medical image, or information about the patient's health status.
  • the step of determining whether the non-image information is normal may include determining image quality based on the non-image information extracted from the medical image.
  • the step of determining whether non-image information is normal may include determining image quality based on at least one of file structure information and patient information from a medical image.
  • the determining whether the non-image information is normal may determine whether the file structure of the medical image is abnormal.
  • the file structure of the medical image may mean the file format of the medical image, the format of the medical image, or the size of the file, but is not limited thereto.
  • the non-image information normal determination step S3715 is a file of the medical image. It may include determining whether the format or format is a file format or format suitable for performing image analysis by the image analysis apparatus 3000 . Accordingly, the determining whether non-image information is normal ( S3715 ) may include acquiring information on whether image analysis can be normally performed based on the file structure information of the medical image.
  • the step of determining whether non-image information is normal may include determining whether patient information is omitted in the medical image acquired from the image acquisition device.
  • the patient information may include, but is not limited to, personal information such as the patient's name and age, or information about the patient's health status.
  • the determining whether non-image information is normal ( S3715 ) is performed on the medical image. It may include determining whether patient information is included. Accordingly, the step of determining whether the non-image information is normal ( S3715 ) may include acquiring information on whether patient information is input to the medical image.
  • 22 is a diagram for explaining the first image quality determining unit 3710 .
  • the first image quality determining unit 3710 may include at least one of a non-image information obtaining unit 3711 and a non-image information normal determining unit 3717 .
  • the non-image information obtaining unit 3711 may include a file structure information obtaining unit 3713 or a patient information obtaining unit 3715 .
  • the non-image information obtaining unit 3711 may obtain non-image information based on the obtained medical image.
  • the acquired medical image may include raw data before the pre-processing operation or an image on which the pre-processing operation is performed.
  • the non-image information determining unit 3717 may determine whether the non-image information is normal based on the non-image information obtained by the non-image information obtaining unit 3711 .
  • the non-image information normal determination unit 3717 may output information about a result of determining whether the non-image information is normal.
  • the non-image information normal determination unit 3717 may include information on whether image analysis can be normally performed based on the file structure information of the medical image or information on whether patient information is input to the medical image can be printed out.
  • the second image quality determining unit 3730 may perform a function of extracting noise information included in the image.
  • the noise information may mean various types of defects or states that affect the acquisition of information based on an image.
  • the noise information may include information related to the resolution of the image, information related to the brightness of the image, or information about artifacts generated in the image. .
  • 23 is a diagram for explaining a second image quality determination process.
  • the second image quality determination process includes: obtaining a medical image ( S3731 ), determining whether an artifact occurs in the medical image ( S3733 ), obtaining artifact information from the medical image ( S3735 ), and outputting artifact information (S3737) may be included.
  • the step of determining whether an artifact is generated in the medical image may include determining whether an artifact is included in the medical image.
  • the artifact may include noise related to pixels that do not faithfully show anatomical structures in the medical image.
  • the artifact may include a motion artifact, a bias artifact, a zipper artifact, a ghost artifact, a spike artifact, etc., but is not limited thereto, and may include a variety of known artifacts.
  • the step of acquiring artifact information from the medical image may include acquiring information about the artifact generated in the medical image.
  • the artifact information may include information related to the artifact, for example, information on whether or not the artifact has occurred, information on the location of the occurrence of the artifact, information on the type of the generated artifact, information on the degree of occurrence of the artifact, and the like.
  • the step of determining whether an artifact occurs in the medical image ( S3733 ) or the step of acquiring artifact information from the medical image ( S3735 ) may include performing using a learned neural network model.
  • the step of determining whether an artifact has occurred in the medical image ( S3733 ) may include determining whether an artifact has occurred in the medical image using the learned neural network model.
  • the step of determining whether an artifact is generated in the medical image (S3733) and the step of acquiring artifact information from the medical image (S3735) are separately expressed, but each step uses a single neural network model to determine whether or not an artifact occurs and information related to the artifact may include obtaining
  • the neural network model may acquire whether an artifact has occurred based on the medical image.
  • the neural network model may acquire, based on the input medical image, whether an artifact exists in a specific region of the acquired medical image.
  • the neural network model may acquire artifact information based on the medical image.
  • the neural network model may acquire information on whether or not an artifact has occurred, information on an artifact occurrence location, information on a type of the generated artifact, and information on an occurrence degree of an artifact, based on the input medical image.
  • the artifact information may be acquired based on a medical image acquired by the image acquisition device.
  • the artifact information may be obtained using a neural network model trained to obtain the artifact information based on the medical image.
  • a classifier algorithm for classifying or predicting an input image with respect to one or more labels may be used.
  • various types of algorithms may be used. For example, k-nearest neighbor, support vector machine, artificial neural network, decision tree, self-organizing map, logical Logistic regression or the like may be used.
  • the artificial neural network may be a classifier, hybrid classifiers, ensemble classifiers, a linear regression neural network, or the like.
  • the artificial neural network may include a Convolutional Neural Network (CNN).
  • An artificial neural network may be a supervised learning, unsupervised learning, or reinforcement learning model.
  • a neural network model may be provided in the form of a classifier.
  • the neural network model includes an input layer (IL), a pooling layer (PL), a convolutional neural network layer (CL), a full-connection layer (FCL), a hidden layer (HL), an output layer (OL), and the like.
  • a feature vector may be obtained based on the input image.
  • the neural network model may be prepared in the form of a classifier that classifies input images into one or more labels.
  • the neural network model may be prepared in the form of a regression model.
  • the neural network model may be prepared as a regression model that obtains a linear output value for specific artifact information based on an image as an input.
  • the neural network model may acquire output information by using a medical image obtained by photographing a specific region of the human body as an input.
  • the output information may indicate whether the input image includes the target object.
  • the output layer of the neural network model may include an output node to which a probability function is assigned.
  • the output layer of the neural network model may include an output node to which a probability function indicating whether the target image includes the target object is assigned.
  • the output layer may include, with respect to one or more target objects, an output node to which one or more probability functions indicating whether an input image includes each target object are assigned.
  • a neural network model can be trained to obtain artifact information.
  • the neural network model may be trained to obtain artifact information based on training data including one or more medical images labeled with artifact information.
  • the neural network model may be trained to obtain an artifact region based on training data including one or more medical images labeled with the artifact region.
  • the artifact learning data may include a plurality of medical images.
  • the artifact learning data may include medical images taken in various ways, for example, CT, MRI, or X-ray images.
  • the artifact training data may include a plurality of medical images including artifacts of various types, ranges, sizes, shapes, or positions.
  • the artifact learning data may include a medical image to which an artifact label indicating whether or not an artifact has occurred is attached.
  • the artifact learning data may include a medical image obtained by photographing various parts of the human body and to which an artifact label indicating whether or not an artifact has occurred is attached.
  • the artifact label may be differently assigned according to the occurrence location of the artifact, the occurrence degree of the artifact, the shape of the artifact or the type of the artifact.
  • the artifact learning data may include a medical image masked in the artifact generation region.
  • the artifact learning data may include masked (or labeled) medical images with respect to one or more artifact generating regions.
  • the artifact learning data may include medical images that are masked (or labeled) differently with respect to a plurality of types of artifact generating regions.
  • the artifact learning data may include a medical image displayed in a first color for occurrence of a first type of artifact and displayed with a second color for occurrence of a second type of artifact.
  • the neural network model may be trained using the aforementioned artifact training data.
  • the neural network model may be supervised, unsupervised, or reinforcement trained to obtain artifact information based on a medical image by using the artifact learning data.
  • a neural network model can be trained using a backpropagation method.
  • the neural network model may be trained to classify medical images according to whether or not they contain artifacts using artifact learning data including medical images labeled with or without artifacts.
  • the neural network model may be trained to classify medical images according to types of artifacts included in the medical images.
  • the neural network model can be trained to obtain whether a target image includes each type of artifact with respect to a plurality of artifacts through artifact learning data including medical images labeled with respect to the presence or absence of multiple types of artifacts.
  • the neural network model may be trained to acquire artifact region information through artifact learning data.
  • the neural network model may be trained to detect an artifact-generating region from a target image by using artifact learning data including a medical image masked at the artifact-generating region with respect to one or more types of artifacts.
  • the neural network model uses artifact learning data including a medical image labeled with respect to a plurality of types of artifact occurrence regions, and for each of a plurality of artifacts included in a medical image, an area in which each artifact is distributed and/or an artifact region for the type can be learned to obtain information.
  • the neural network model may be trained using a plurality of artifact training data.
  • the neural network model may be trained using first artifact training data including a medical image having a first type of artifact and second artifact training data including a medical image having a second type of artifact.
  • a plurality of neural network models may be trained and used.
  • the first neural network model may be trained based on the first artifact training data
  • the second neural network model may be trained based on the second artifact training data.
  • the second artifact training data may be at least partially different from the first artifact training data.
  • FIG. 24 is a diagram for exemplarily explaining that the second image quality determination process determines the location of the artifact in the medical image by using the artificial neural network model.
  • the neural network model may acquire artifact region information regarding an artifact occurrence location by inputting a medical image acquired through an image acquisition device.
  • the step of acquiring artifact information from the medical image may include acquiring information about the artifact area in the medical image.
  • the artifact area information may be provided in the form of a mark for indicating an area where the artifact is likely to be located in the medical image, for example, in the form of a saliency map in the form of a heat map.
  • the artifact region information may be a feature map obtained from a neural network model that determines whether artifacts exist or a neural network model that acquires artifact information.
  • the artifact region may be a region in which relevance to the target artifact is greater than or equal to a reference value on the feature map based on the feature map obtained from the trained neural network model and related to the target artifact existing in the target medical image.
  • the artifact area may include a first area and a second area positioned within the first area.
  • the first region may be a region having a relevance to a target artifact equal to or greater than a first reference value on the feature map.
  • the second region may be a region having a relevance to a target artifact on the feature map equal to or greater than a second reference value greater than the first reference value.
  • the step of obtaining artifact information from the medical image (S3735) includes a first original image (a), a second original image (b), and a third original including artifacts. It may include acquiring an image (c).
  • the first original image (a) to the third original image (c) may be images photographed on different planes, respectively.
  • the first original image (a) to the third original image (c) may be images captured at the same point in time for the same subject.
  • the step of obtaining artifact information from the medical image (S3735) is a first artifact image (d), a second artifact image (e), a second artifact image in which the position of the artifact is expressed 3 may include acquiring an artifact image (f).
  • the first artifact image (d) may be an image in which artifact area information obtained based on the first original image (a) is displayed in the first original image (a).
  • the second artifact image (e) may be an image in which artifact area information obtained based on the second original image (b) is displayed in the second original image (b).
  • the third artifact image f may be an image in which artifact area information obtained based on the third original image c is displayed in the third original image c.
  • the first to third artifact images are the first to fourth regions A1 to A4 in the order in which the artifacts are most likely to be located in the medical image.
  • This may be the displayed image.
  • the first area A1 to the fourth area A4 may correspond to areas in which the artifact is located in the image.
  • the first area A1 to the fourth area A4 may be an area including at least a portion of an area in which an artifact is located in the image.
  • the first area A1 may be an area included in the second area A2 .
  • the second area A2 may be an area included in the third area A3 .
  • the third area A3 may be an area included in the fourth area A4 .
  • the artifact area information may include a bounding box for displaying an area in which the artifact is located in the medical image.
  • the artifact area information may include coordinate information, pixel information, and the like at which the artifact is located in the medical image.
  • the second image quality determining unit 3730 may use artificial neural network models such as Backpropagation Based Method (BBMs), Activation Based Method (ABMs), Pertubation Based Method (PBMs), etc. to acquire artifact occurrence location information.
  • BBMs Backpropagation Based Method
  • ABSMs Activation Based Method
  • PBMs Pertubation Based Method
  • the BBMs method may include LRP (Layer-wise Relevance Propagation), DeepLIFT, SmoothGrad, VarGrad, etc.
  • the ABMs method includes CAM (Class Activation Map), Grad-CAM (Gradient-Class Activation Map), etc. may exist, and as the PBMs method, there may be LIME (Local Interpretable Model-Agnostic Explanation), etc.
  • the third image quality determining unit 3750 performs a quality determination in consideration of whether the segmentation information satisfies a quantitative criterion based on segmentation information obtained by anatomically segmenting a medical image obtained from the image acquisition device. can do.
  • the third image quality determining unit 3750 may determine whether at least some of the anatomical structures included in the medical image satisfy a predetermined quantitative criterion.
  • the third image quality determining unit 3750 may determine whether a value related to a predetermined region included in the image and corresponding to a part of the human body satisfies a criterion. The third image quality determining unit 3750 may determine whether at least a portion of the anatomical structure of the human body photographed through the image photographing apparatus is completely photographed.
  • the disease may be determined based on morphological indices of at least some of the photographed regions of the human body. If the imaging is not completely done, the result of the diagnosis of disease cannot have a certain level of reliability. Therefore, since each region of the human body must be completely photographed, the third image quality determining unit 3750 considers whether the morphological index based on the anatomical region of the human body included in the medical image satisfies a generally required reference value. It may perform a function of determining whether the photographing of each region of the human body has been completely completed.
  • the disease when the image analysis apparatus 3000 analyzes an MRI image of the brain, the disease may be determined by calculating a ratio of volume values for each anatomical region of the brain. If the volume value of ⁇ does not satisfy the generally required standard value, the disease determination result cannot have a certain level of reliability. In this case, if a specific area of the brain has not been completely photographed, and the disease determination is made based on the volume value of the corresponding area, the result of the disease determination may be inaccurate. Accordingly, the third image quality determining unit 3750 determines whether imaging of each region of the brain has been completely performed in consideration of whether the morphological index for each region of the brain included in the MRI image satisfies a generally required reference value. It can perform a function to determine whether or not
  • 26 is a diagram for explaining a third image quality determination process.
  • the third image quality determination process includes an image segmentation information acquisition step (S3751), a quality determination target region acquisition step (S3753), a target region morphological index acquisition step (S3755), and a morphological index of the target region and comparing with a reference value (S3757).
  • the image segmentation information obtaining step S3751 may include obtaining segmentation information obtained based on the medical image segmented by the image segmentation module 3500 .
  • the segmentation information may include information about an anatomical structure of a human body obtained by segmenting a medical image.
  • the segmentation information may include a morphological index of at least a partial region of an anatomical structure of a human body obtained by segmenting a medical image.
  • the segmentation information may include a morphological value of at least a partial region of an anatomical structure of a human body obtained by segmenting a medical image.
  • the morphological indicator may be obtained based on the morphological value.
  • the morphological indicator may be obtained based on a plurality of morphological values, for example, a first morphological value and a second morphological value.
  • the morphological index may be obtained based on a ratio of the first morphological value to the second morphological value.
  • the first morphological value may be the cerebellum
  • the second morphological value may be an anatomical region within the skull
  • the morphological index obtained by the ratio of the first morphological value to the second morphological value is It may mean an ICV value.
  • the morphological value may be information about an area, volume, location, or shape of at least a partial region of an anatomical structure of the human body.
  • the step of obtaining the quality determination target region may include specifying a target region on which a third image quality determination is to be performed based on the segmentation information.
  • the target region may include at least a partial region of an anatomical structure of a human body obtained through medical image segmentation.
  • the target region may include at least a partial region that may affect the reliability of the disease determination result among the anatomical structures of the human body.
  • the target region may include a region located at the outermost part from the center of the medical image among the anatomical structures of the human body acquired through medical image segmentation.
  • the target region may include a region serving as a basis for disease diagnosis among anatomical structures of the human body acquired through medical image segmentation.
  • the target region may include any one of the leftmost, right, upper, or lower regions among the anatomical structures of the human body acquired through medical image segmentation.
  • the target region may include at least a part of the brain internal region obtained through medical image segmentation.
  • the step of obtaining the morphological index of the target region ( S3755 ) may include acquiring the morphological index of the specified target region.
  • the step of obtaining the morphological indicator of the target region ( S3755 ) may include acquiring the morphological indicator of the target region based on at least a portion of a plurality of medical images obtained by the image acquisition device.
  • the step of acquiring the morphological index of the target region ( S3755 ) may include acquiring a morphological value of the target region based on at least a part of a plurality of medical images obtained by the image acquisition device.
  • the step of comparing the morphological index of the target region with a reference value may include comparing the morphological index or morphological value of the target region with a predetermined reference value.
  • the predetermined reference value may mean an average value of the morphological values of the target region for a plurality of ordinary people.
  • the predetermined reference value may refer to an index or measurement value related to the target region when medical information having a certain level of reliability or higher can be obtained when diagnosing a disease based on the morphological indicator of the target region.
  • 27 is a diagram for explaining an embodiment of a third image quality determination process.
  • the third image quality determination process may include performing quality determination based on a brain medical image.
  • the third image quality determination process may include performing a quality determination as to whether the segmentation information satisfies a quantitative criterion based on segmentation information obtained by anatomically segmenting a medical image of the brain. have.
  • the image segmentation information acquisition step S3751 may include receiving segmentation information obtained by anatomically segmenting an MRI image obtained by photographing the brain.
  • the quality determination target region acquisition step S3753 may include specifying a quality determination target region among each anatomically segmented brain regions, for example, a predetermined region corresponding to the cerebellum among each anatomically segmented brain regions. .
  • the segmentation information received in the image segmentation information acquisition step S3751 is based on an MRI image in which a predetermined region corresponding to a part of the brain is not completely photographed. It may be information obtained through
  • the criterion regarding whether the cerebellum has been completely photographed may be applied as the same criterion as the criterion for defining the cranial inner region based on the morphological value of the cerebellum in the part describing the ICV of the present specification.
  • segmentation information obtained based on a first target region image in which at least a portion of a predetermined region corresponding to the cerebellum is not photographed among each region of the brain may include receiving.
  • the segmentation information obtained based on the second target region image in which a predetermined region corresponding to the cerebellum among each region of the brain is all captured may include
  • the step of obtaining the morphological indicator of the target region may include acquiring a morphological indicator of the quality judgment target region, for example, a value of the volume of the cerebellum specified as the quality judgment target region.
  • the step of obtaining the morphological indicator of the target region may include comparing the morphological indicator of the target region with a reference value.
  • the step of obtaining the morphological index of the target region may include determining whether a quantitative criterion is satisfied by comparing a volume value of the cerebellum specified as the target region with a predetermined reference value.
  • the predetermined reference value may refer to a morphological index of the cerebellum obtained based on an image of a second target region in which a predetermined region corresponding to the cerebellum is completely captured as shown in FIG. 27B .
  • the predetermined reference value may be obtained based on a morphological index of the cerebellum obtained based on a plurality of images in which a predetermined region corresponding to the cerebellum is completely captured.
  • the predetermined reference value may be an average value of cerebellar volume values obtained based on a plurality of images.
  • the step of comparing the morphological index of the target region with a reference value is obtained based on the image of the first target region in which at least a portion of a predetermined region corresponding to the cerebellum is not photographed as shown in FIG. 27(a). Comparing the morphological index of the cerebellum with the morphological index of the cerebellum obtained based on the image of the second target region of FIG. can do. Comparing the morphological index of the target region with a reference value (S3757) determines whether the volume value of the cerebellum obtained based on the first target region image of FIG. It may include performing an image quality determination based on .
  • the third image quality determination process may include performing image quality determination after specifying the quality determination target region again.
  • an index other than the region corresponding to the cerebellum may be used as an index for image quality determination.
  • the volume (or ICV) of a region corresponding to the skull or cerebrum may be used as an index of quality determination.
  • a morphological index eg, an ICV value of the cerebellum
  • a reference value e.g., a morphological index obtained based on a region corresponding to the cerebellum
  • the fourth image quality determining unit 3770 may be configured to perform an image based on the relationship between segmentation information obtained by anatomically segmenting the medical image obtained from the image obtaining apparatus and artifact information extracted from the medical image obtained from the image obtaining apparatus. A quality judgment can be performed. For example, the fourth image quality determiner 3770 may determine whether an artifact generated in the medical image overlaps with at least a part of anatomical structures included in the medical image.
  • the disease may be determined based on segmentation information obtained by anatomically segmenting each area of the human body. , in this case, if an artifact is generated in segmentation information that can be a basis for disease determination, the result of disease determination based on the corresponding medical image may not have a certain level of reliability or higher.
  • the fourth image quality determining unit 3770 considers whether the artifact has an effect on segmentation information that can be a basis for determining a disease even when an artifact is generated in the medical image to determine whether the medical image can be analyzed normally. It can perform a function to determine whether or not
  • the disease when the image analysis apparatus 3000 analyzes an MRI image of the brain, the disease may be determined based on segmentation information obtained by anatomically segmenting each region of the brain. If an artifact is generated in at least a part of the segmented anatomical regions of the brain, the result of the disease determination based on the corresponding medical image may not have a certain level of reliability or higher. Accordingly, the fourth image quality determining unit 3770 determines whether the medical image can be normally analyzed in consideration of whether an artifact has occurred in at least a part of the anatomical structure of each region of the brain included in the MRI image. function can be performed.
  • the fourth image quality determination process includes an artifact occurrence location information acquisition step (S3771), an image segmentation information acquisition step (S3773), a region of interest acquisition step (S3775), and an artifact occurrence location and interest It may include a step (S3777) of determining the relationship of the region.
  • the step of acquiring artifact occurrence location information may include acquiring artifact occurrence location information.
  • the artifact generation location information may be obtained from the image analysis apparatus 3000 .
  • Artifact occurrence location information includes artifact area information on the location of artifact occurrence, for example, a heat map-type saliency map indicating an area where artifacts are likely to be located in a medical image, and displaying a region where artifacts are located in the medical image. may include a bounding box, coordinate information or pixel information on which artifacts are located in the medical image, and a detailed description thereof will be omitted since it has been described above in relation to the second image quality determination unit 3730 .
  • Artifacts referred to below may include noise, for example, various types of defects or conditions that affect image-based information acquisition.
  • artifacts may include various image defects resulting from improper image sampling in addition to image resolution and image brightness.
  • the image segmentation information obtaining step S3773 may include obtaining segmentation information obtained based on the medical image segmented by the image segmentation module 3500 .
  • the image segmentation information may include information obtained by anatomically segmenting a medical image.
  • the image segmentation information may include segmentation information obtained by anatomically segmenting an MRI image obtained by photographing the brain, and a detailed description thereof will be omitted since it has been described above in relation to the third image quality determination unit 3750 . do.
  • the ROI-obtaining step S3775 may include acquiring information related to the ROI based on segmentation information obtained by anatomically segmenting the medical image.
  • the ROI-obtaining operation S3775 may include acquiring information related to the ROI from among segmentation information obtained by anatomically segmenting a medical image.
  • one or more regions may be obtained by segmenting the medical image, and a region corresponding to the ROI may be obtained.
  • the region of interest may include at least a partial region of an anatomical structure of a human body obtained through medical image segmentation.
  • the region of interest may be predefined as a region corresponding to a specific anatomical (or functional) element on the medical image.
  • the region of interest may include an outermost region from the center of the medical image among the anatomical structures of the human body acquired through medical image segmentation.
  • the region of interest may include a region serving as a basis for disease diagnosis among anatomical structures of the human body acquired through medical image segmentation.
  • the region of interest may include at least a portion of a cranial region and a cranial internal region of the brain obtained through medical image segmentation when image quality is determined based on an MRI image of the brain.
  • the region of interest may be a factor related to diagnosis of a target disease.
  • the step of determining the relationship between the artifact occurrence location and the ROI may include determining the relationship between the artifact occurrence location and the ROI.
  • quality determination is performed based on information on the region of interest among the anatomical structures of the human body obtained by segmenting the information on the artifact included in the medical image and the medical image.
  • image quality may be determined based on whether the degree of overlap between the artifact generated in the medical image and the region of interest affects the reliability of the disease determination result below a certain level. have.
  • the determining step (S3777) of the relationship between the location of the artifact and the region of interest is whether at least some of the artifacts generated in the medical image are located on the region of interest, or whether at least some of the artifacts generated in the medical image overlap the region of interest. based on the quality judgment.
  • the step of determining the relationship between the artifact occurrence position and the region of interest may include determining the relationship between the artifact occurrence position and the region of interest based on the relationship between the region of interest and a baseline (artifact boundary) related to the location of the artifact.
  • the artifact boundary may be an outer line of the artifact area.
  • An artifact boundary may be obtained from a neural network model that determines whether an artifact is present and based on a saliency map (eg, CAM) associated with estimating the location of the artifact.
  • an outer line of the artifact region and an outer line of the region of interest are obtained from the medical image, and whether the outer line of the artifact region and the outer line of the region of interest overlap on the medical image. based on , determining whether the artifact and the region of interest overlap.
  • the image analysis apparatus 3000 may determine that the quality of the medical image is normal when there are less than two intersections where the outer line of the artifact area and the outer line of the ROI overlap on the medical image. Alternatively, when there are two or more intersection points, the image analysis apparatus 3000 may determine that the quality of the target medical image is abnormal.
  • the number of common pixels included in both the artifact region and the region of interest is obtained from the medical image, and the degree of overlap between the artifact and the region of interest by using the number of common pixels may include judging
  • the image analysis apparatus 3000 may determine that the quality of the medical image is abnormal when the number of common pixels exceeds a predetermined reference value. Alternatively, when the number of common pixels is less than or equal to a predetermined reference value, the image analysis apparatus 3000 may determine that the quality of the medical image is normal.
  • the step of determining the relationship between the artifact generation position and the region of interest may include determining whether an artifact has occurred in at least a portion of the region of interest, for example, the skull region or the skull inner region.
  • the step of determining the relationship between the location of the artifact and the region of interest may include determining whether the artifact is overlapped in at least a portion of the region of interest, for example, the skull region and the skull inner region.
  • FIGS. 28 and 29 are diagram illustrating an image in which an artifact has occurred.
  • an image quality determination process according to the occurrence range of the artifact will be described with reference to FIGS. 28 and 29 .
  • an image including artifacts overlapping the skull region and the internal region of the skull may be acquired.
  • an image including an artifact overlapping a portion of the skull region may be acquired.
  • the region of interest may be an internal region of the skull or a region corresponding to the skull.
  • the relationship between the location of the artifact and the region of interest Determining may include determining that the region of interest and the artifact occurrence location overlap.
  • determining the relationship between the location of the artifact and the region of interest is the region of interest. and determining that the artifact occurrence location does not overlap.
  • determining the relationship between the location of the artifact and the region of interest is the region of interest and the region of interest. It may include determining that the artifact occurrence locations overlap.
  • the artifact illustrated in FIG. 29 may mean an area determined as an artifact area.
  • the region determined as the artifact region may be acquired through a segmentation neural network model for acquiring the artifact region or a classifier model for acquiring artifact information, and related content will be described in more detail below.
  • the fourth image quality determination may include acquiring a plurality of reference regions related to the artifact, and determining the quality of the image based on the overlap of each reference region and the ROI.
  • the step of determining the relationship between the location of the artifact and the region of interest may include determining image quality based on artifact information related to the location of the artifact and the region in which the region of interest is distributed.
  • the step of determining the relationship between the location of the artifact and the region of interest may include determining image quality based on information about a probability that an artifact is located in a specific region in the medical image and information on the region of interest.
  • the step of determining the relationship between the location of the artifact and the region of interest may include determining whether a degree of overlap between the artifact generated in the medical image and the region of interest exceeds a predetermined reference value.
  • the information about the probability that the artifact is located in a specific region in the medical image may include artifact region information.
  • the artifact region information may include a first artifact region to an n-th artifact region in the order in which the artifacts are most likely to be located in the medical image.
  • the artifact area may include a first area and a second area positioned within the first area as described above in the second image quality determination process, wherein the first area has a first reference value in relation to the target artifact on the feature map. It may be an area equal to or greater than the first reference value, and the second area may be an area greater than or equal to a second reference value in which relevance to a target artifact is greater than the first reference value on the feature map.
  • FIG. 30 is a diagram for explaining determining whether an artifact is generated to overlap an ROI in a fourth image quality determination process according to another exemplary embodiment
  • the artifact area is a first artifact area (AR1), a second artifact area (AR2), a third artifact area (AR3), or A fourth artifact area AR4 may be included.
  • the first artifact area AR1 to the fourth artifact area AR4 may include at least a portion of an area in which an artifact is located in the image.
  • the artifact area may be the first artifact area AR1 , the second artifact area AR2 , the third artifact area AR3 , and the fourth artifact area AR4 in the order of showing a high correlation with the artifact.
  • the artifact area may include an area (eg, the third artifact area AR3 and the fourth artifact area AR4) having a relevance to the target artifact equal to or greater than the first reference value on the feature map.
  • the artifact area may include an area (eg, the first artifact area AR1 and the second artifact area AR2) having a relevance to the target artifact on the feature map that is greater than or equal to a second reference value greater than the first reference value.
  • the overlapping degree of the artifact and the ROI may be determined using the number of common pixels included in both the artifact region and the ROI. For example, when the number of common pixels included in both the third artifact area A3 and the fourth artifact area A4 and the area of interest exceeds a predetermined reference value, the image analysis apparatus 3000 determines that the quality of the medical image is reduced. can be judged to be abnormal. As another example, when the number of common pixels included in both the first artifact area A1 and the second artifact area A2 and the area of interest is less than or equal to a predetermined reference value, the image analysis apparatus 3000 determines that the quality of the medical image is normal. can judge
  • the outer line of the artifact area may be used as an artifact boundary.
  • An artifact boundary may be determined based on a feature map related to an artifact area as shown in FIG. 30A .
  • the artifact boundary may be determined as a boundary of any one of the first artifact areas AR1 to AR4 as shown in FIG. 30B .
  • An artifact boundary may be determined as an average of boundaries of the first artifact area AR1 to the fourth artifact area AR4 .
  • the artifact boundary may be an outer line of the first area (eg, a region having a relevance to a target artifact on the feature map that is equal to or greater than the first reference value).
  • the artifact boundary may be an outer line of the second area (eg, an area having a relevance to a target artifact on the feature map that is greater than or equal to a second reference value greater than the first reference value).
  • Determining the relationship between the location of the artifact and the region of interest based on the relationship between the artifact boundary and the region of interest includes performing a quality judgment based on whether the artifact boundary and the region of interest overlap or not can do.
  • the image analysis apparatus 3000 determines that the quality of the target medical image is abnormal.
  • the step of determining the relationship between the location of the artifact and the region of interest includes performing quality judgment based on whether or not the region of interest overlaps with any one of the plurality of artifacts or the degree of overlap. can do.
  • the image output device may include an image quality related information output module 3900 .
  • the image quality related information output module 3900 may output an image quality determination result performed by the image quality determination module 3700 of the image analysis apparatus 3000 . Also, the image quality related information output module 3900 may output information generated based on the image quality determination result performed by the image quality determination module 3700 of the image analysis apparatus 3000 .
  • the image output device or the image analysis device may obtain a user input instructing an additional operation in response to the output of the selection window.
  • 31 is a diagram for explaining an image quality related information output module according to an exemplary embodiment.
  • the image quality related information output module 3900 may include at least one of an error information output unit 3910 and a selection window output unit 3930 .
  • the error information output unit 3910 may output error information regarding information obtained based on the image quality determination result.
  • the selection window output unit 3930 may output a selection window regarding information acquired based on the image quality determination result.
  • the error information output unit 3910 and the selection window output unit 3930 may output information determined based on independent image quality determination results.
  • the error information output unit 3910 may output error information determined based on the first quality determination result
  • the selection window output unit 3930 may output a selection window determined based on the second quality determination result.
  • the error information output unit 3910 and the selection window output unit 3930 may output information determined based on the same image quality determination result.
  • the error information output unit 3910 may output error information determined based on the first quality determination result
  • the selection window output unit 3930 may output a selection window determined based on the first quality determination result.
  • the error information output unit 3910 and the selection window output unit 3930 are exemplified as being distinguished, but this is merely an example, and the error information output unit 3910 and the selection window output unit 3930 are one unit. It may be provided in a physical or logical configuration.
  • the image quality related information output module 3900 may output error information generated based on the quality determination result and a selection window corresponding to the error information.
  • the selection window output unit 3930 may output a selection window for obtaining a user instruction related to an additionally performable operation based on the quality determination result.
  • the image quality related information output module 3900 may output at least one of error information and a selection window in text or image format.
  • the image quality related information output module 3900 may output error information.
  • the error information may include information obtained based on the image quality determination result performed by the image quality determination module 3700 .
  • the error information includes first error information related to the first image quality determination result, second error information related to the second image quality determination result, third error information related to the third image quality determination result, and the fourth image quality determination result It may include at least one of the fourth error information related to .
  • the image quality related information output module 3900 may output a first error information screen.
  • the first error information may include information obtained based on the first image quality determination result.
  • the first error information may include information obtained based on metadata information of the medical image.
  • the image quality-related information output module 3900 may be configured to receive information about the file structure of the medical image obtained from the image acquisition device, for example, when there is an error in the file format of the medical image, the format of the medical image, or the size of the file.
  • 1 Error information screen can be displayed.
  • the first error information screen may include a first notification window indicating that there is an error in the file structure information of the medical image or information about the file structure of the medical image.
  • the image quality-related information output module 3900 may include patient information on the medical image acquired from the image acquisition device, for example, information related to personal information such as the patient's name and age, and information related to the time the medical image was taken.
  • the first error information screen may be output.
  • the first error information may include a first notification window indicating that patient information is missing from the medical image or patient information that is missing or included in the medical image.
  • 32 is a diagram for exemplarily explaining a first error information screen.
  • the first error information screen is a medical image (MI) based on the first image quality determination, file structure information (DI) of the medical image, or patient information (PI) input to the medical image may include at least one of
  • the medical image MI may be an image in which the medical image used to determine the first image quality is displayed.
  • the file structure information DI of the medical image may include first file structure information regarding the format of the medical image, second file structure information regarding the format of the medical image, or third file structure information regarding the size of the medical image.
  • the first error information screen includes a detailed information object, and the output screen has more detailed information regarding the medical image (MI) or file structure information (DI) according to the user's selection of the detailed information object Content (eg, the patient's date of birth, the patient's address, the photographing time, the photographing location, the photographing device, etc.) may be additionally displayed.
  • the first error information screen may include a first notification window CO including first information indicating that the medical image is abnormal as a result of the first image quality determination.
  • the first notification window CO may include an error code indicating that there is an error in the file structure of the medical image or that patient information is missing from the medical image.
  • the first error information screen includes a detailed information object, and the output screen includes detailed information about the first information according to a user selection for the detailed information object (eg, a description of an error code, generation of an error message) Causes, manuals that can respond to error messages, etc.) can be additionally displayed.
  • the image quality related information output module 3900 may output a second error information screen.
  • the second error information may include information obtained based on the second image quality determination result.
  • the second error information may include information obtained based on the noise information.
  • the second error information may include information acquired based on various types of defects or conditions that affect acquisition of information based on the image.
  • the image quality related information output module 3900 may output the second error information screen when noise is included in the medical image acquired from the image acquisition device.
  • the image quality related information output module 3900 may output the second error information in text or image format.
  • the image quality related information output module 3900 may output the second error information screen when an artifact is included in the medical image acquired from the image acquisition device.
  • the second error information screen may include an error message indicating that an artifact is included in the medical image.
  • the second error information may include any one of information about a location where an artifact is generated in the medical image, information about an occurrence degree of the artifact, information about a range of occurrence of the artifact, or information about the type of the artifact.
  • the second error information screen may include text or an image.
  • the second error information screen may include a display, for example, an image in the form of a heat map, for indicating an area where the artifact is likely to be located in the medical image.
  • the second error information screen may include an image indicating a bounding box indicating the location of the artifact in the medical image.
  • the second error information screen may include an image for indicating anatomical segmentation information in the medical image.
  • 33 and 34 are diagrams for exemplarily explaining the second error information screen.
  • the second error information screen may include a medical image MI display area related to the second image quality determination.
  • the second error information screen may include an artifact information (AF) output area.
  • AF artifact information
  • the medical image MI may be an image in which an area in which an artifact is likely to be located in the medical image is emphasized based on the second image quality determination.
  • the medical image MI may be an image in which a region determined to be highly related to an artifact is emphasized in the form of a heat map.
  • the medical image MI may be enlarged or reduced so that the type, occurrence range, shape, and the like of the artifact may be checked in more detail according to a user manipulation.
  • the artifact information AF may include at least one of information on the type of artifact, information on an area where the artifact is likely to be located, and information on the degree of occurrence of the artifact.
  • the second error information screen includes a detailed information object, and the output screen includes more detailed information about the medical image (MI) or artifact information (AF) according to the user selection for the detailed information object (eg, specific information within the image).
  • Information on the probability of the artifact being located in the region, heat map information on the occurrence range of the artifact, boundary information, etc.) may be additionally displayed.
  • the second error information screen may include a second notification window CO including second information on an artifact included in the medical image.
  • the second notification window CO may include a message in which an error code indicating that an artifact has occurred in the medical image is displayed.
  • the second error information screen includes a detailed information object, and the output screen includes detailed information about the second information according to a user selection for the detailed information object (eg, a description of an error code, generation of an error message) Causes, manuals that can respond to error messages, etc.) can be additionally displayed.
  • the artifact information AF includes first artifact information AF1 including information on the type of artifact, and second artifact information AF2 including information on an area where the artifact is likely to be located. Alternatively, it may include the third artifact information AF3 including information on the degree of occurrence of the artifact.
  • the first artifact information AF1 may include information on the type of artifact, information on whether to correct the image in which the artifact is generated, and the like.
  • the information on whether to correct the image in which the artifact is generated may include information obtained based on any one of the type of artifact, the location of the occurrence, the range of occurrence, and the degree of occurrence of the artifact.
  • the second artifact information AF2 may include information on a region where an artifact is likely to be located in the medical image, and information on an analysisable region among regions corresponding to an anatomical structure in the medical image.
  • the information on the analyzeable region may be obtained based on the anatomical segmentation information and the artifact occurrence location information.
  • the information about the diagnosis region is information about a region that does not overlap with an artifact among regions corresponding to anatomical structures in the medical image or a region with a low degree of overlap with artifacts among regions corresponding to anatomical structures in the medical image. information may be included.
  • the diagnosable disease may vary according to the analysis possible region.
  • the third artifact information AF3 may include information about the occurrence degree, level, range, and the like of the artifact.
  • the image analysis apparatus may determine whether to proceed with image analysis based on the third artifact information AF3 . For example, even when an artifact is generated in the medical image, the image analysis apparatus determines that the image analysis can be performed when it is determined based on the third artifact information AF3 that the degree of occurrence of the artifact is lower than a predetermined reference value can do.
  • the image quality related information output module 3900 may output a third error information screen.
  • the third error information may include information obtained based on the third image quality determination result. Also, the third error information may include information obtained based on segmentation information obtained by anatomically segmenting a medical image obtained from the image obtaining apparatus.
  • the image quality-related information output module 3900 may display a third error information screen when at least a part of anatomical structures included in a medical image acquired from the image acquisition device does not satisfy a predetermined quantitative criterion. can be printed out.
  • the image quality related information output module 3900 may output a third error information screen when a value related to a predetermined region included in the medical image and corresponding to a part of the human body does not satisfy the criterion.
  • the image quality-related information output module 3900 may display a third error information screen when the volume value of a predetermined region corresponding to a part of the brain included in the MRI image of the brain does not satisfy a predetermined reference value. can be printed out.
  • the image quality related information output module 3900 may output the third error information screen in text or image format.
  • the third error information may include an error message indicating that at least some of the anatomical structures in the medical image are abnormal or information regarding the abnormal anatomical structure.
  • the third error information may include information related to a target region for which quality determination is to be performed based on the image segmentation result.
  • the third error information may include information related to at least a partial region that may affect the reliability of the disease determination result among the anatomical structures of the human body acquired through image segmentation.
  • the third error information may include information about a morphological index or morphological value of at least a partial region of an anatomical structure of a human body obtained by segmenting a medical image, for example, an area, a volume, a location, or a shape.
  • the third error information may include information about a morphological index of the target region or a result of comparing a morphological value with a predetermined reference value.
  • the third error information may include information regarding whether at least a portion of anatomical structures included in the medical image satisfies a predetermined quantitative criterion.
  • the third error information screen may include text or an image.
  • the third error information screen may include texts representing morphological indicators or morphological values of at least a portion of an anatomical structure of a human body obtained by segmenting a medical image.
  • the third error information screen may include an image in which a target region corresponding to an anatomical structure that is a criterion for quality determination is displayed on the original medical image.
  • 35 and 36 are diagrams for exemplarily explaining a third error information screen.
  • the third error information screen may include a medical image MI or area information RI related to a third image quality determination.
  • the medical image MI may include information related to the target region used for determining the third image quality based on the image segmentation result.
  • the medical image may include an image in which information related to a target region for which quality determination is to be performed, for example, the cerebellum is expressed.
  • the third error information screen may include a button for enlarging or reducing the medical image MI in order to check information on a region corresponding to an anatomical structure in the medical image in more detail.
  • the region information (RI) includes any one of information related to the target region for which image quality determination is to be performed, information about a portion that has not been completely captured in a medical image, or information on whether the target region satisfies a predetermined quantitative criterion.
  • the third error information screen includes the detailed information object
  • the output screen includes more detailed information (eg, quality) regarding the medical image (MI) or area information (RI) according to the user selection for the detailed information object. information on the area of the human body that has been the target of judgment, information about the image region that has been the target of quality judgment, etc.) may be additionally displayed.
  • the third error information screen may include a third notification window CO including third information on a region corresponding to an anatomical structure in a medical image.
  • the third notification window CO may include a message in which error information regarding a region corresponding to an anatomical structure in the medical image, for example, an error code indicating that segmentation information does not satisfy a predetermined quantitative criterion is displayed.
  • the third error information screen includes a detailed information object, and the output screen includes detailed information about the third information according to the user selection for the detailed information object (eg, a description of an error code, generation of an error message) Causes, manuals that can respond to error messages, etc.) can be additionally displayed.
  • the region information RI includes a first target region included in a first part of a medical image and first region information ( RI1), the second target region included in the second part of the medical image and the second region information RI2 including information on whether the second target region satisfies a predetermined quantitative criterion or an anatomical structure in the medical image It may include third area information RI3 including information regarding the arrangement of , and information regarding whether to correct or not.
  • the first region information RI1 may include information on whether a morphological index or morphological value of a target region located above the medical image, for example, the frontal lobe satisfies a predetermined quantitative criterion. .
  • the second region information RI2 may include information on whether a morphological index or morphological value of a target region, for example, the cerebellum, located below the medical image satisfies a predetermined quantitative criterion.
  • the third region information RI3 includes information on the arrangement of anatomical structures in the medical image, for example, information on whether an anatomical structure in the medical image is photographed at an angle, and determination information on whether the medical image can be corrected based thereon. may include.
  • the image quality related information output module 3900 may output a fourth error information screen.
  • the fourth error information may include information obtained based on the fourth image quality determination result.
  • the image quality related information output module 3900 may output a fourth error information screen when an artifact generated in the medical image overlaps with at least a part of anatomical structures included in the medical image.
  • the fourth error information may include information obtained based on a relationship between segmentation information obtained by anatomically segmenting the medical image obtained from the image obtaining apparatus and artifact information extracted from the medical image obtained from the image obtaining apparatus.
  • the fourth error information may include information regarding whether an artifact has occurred in at least a part of an anatomical structure of each region of the brain included in the MRI image.
  • the fourth error information may include information on whether an artifact generated in the medical image overlaps with at least a part of anatomical structures included in the medical image. Also, the fourth error information may include information about an overlapping degree of at least a portion of an artifact generated in the medical image and an anatomical structure included in the medical image. In addition, the fourth error information may include information about the reliability of the disease determination result through analysis of the medical image based on the degree of overlap between the artifact generated in the medical image and at least a part of anatomical structures included in the medical image. have.
  • the fourth error information may include information on a relationship between a probability that an artifact is located in a specific region in the medical image and a region of interest.
  • the fourth error information includes a first artifact area, which is an area where artifacts are most likely to be located within the medical image, a second artifact area, which is an area where artifacts are most likely to be located within the medical image, or an artifact within the medical image.
  • At least one of information about the third artifact area which is an area with a low probability of being located, may be included.
  • the first to third artifact regions may be visually emphasized on the original medical image.
  • the first to third artifact regions may be displayed as a heat map to be superimposed on the original medical image.
  • the fourth error information screen may include text or an image.
  • the fourth error information screen may include artifact area information on an anatomical structure of a human body obtained by segmenting a medical image, for example, a saliency map in the form of a heat map indicating a region where artifacts are likely to be located in the medical image. , a bounding box for displaying a region in which an artifact is located in a medical image, and an image in which coordinate information or pixel information in which an artifact is located in the medical image is displayed.
  • 37 and 38 are diagrams for exemplarily explaining a fourth error information screen.
  • the fourth error information screen may include at least one of a medical image (MI) related to a fourth image quality determination or information (QI) related to a relationship between an artifact and a region of interest. have.
  • MI medical image
  • QI information
  • the medical image MI may be an image in which a region of interest is displayed in the image.
  • the medical image MI may be an image in which a region in which an artifact is highly likely to be located is displayed in a specific region within the image.
  • the medical image MI may indicate a degree of overlap between the ROI and the artifact acquired based on the location information of the artifact.
  • the medical image MI may display information related to the region where the ROI and the artifact overlap, for example, the area, shape, and number of pixels of the overlapped region.
  • the medical image MI may indicate a ratio of the ROI and the region overlapping the artifact among the ROI.
  • the medical image MI may be an image in which a relationship between a region of interest and a probability that an artifact is located in a specific region within the medical image is displayed.
  • the medical image MI may be an image displayed so that an area corresponding to an artifact is visually emphasized on the target medical image.
  • the medical image MI may be an image in which a region corresponding to an artifact is displayed on a target medical image in a heat map format, or a boundary line, for example, an outer line, of a region corresponding to the artifact is displayed.
  • the medical image MI may be an image displayed so that a portion where the artifact and the region of interest overlap is visually emphasized.
  • the medical image MI may be an image in which a region corresponding to an artifact is displayed on a target medical image.
  • the medical image MI may be an image in which a boundary line, for example, an outer line, of a region corresponding to an artifact is displayed on the target medical image.
  • the medical image MI may be an image in which a region corresponding to an artifact is displayed on a target medical image in a heat map format.
  • the information on the relationship between the artifact and the region of interest may include, but is not limited to, information about the type of the region of interest, overlapping information between the region of interest and the artifact, or quality determination result information based on the overlapping information.
  • the fourth error information screen includes the detailed information object
  • the output screen contains information about the medical image (MI) or information on the relationship between the artifact and the region of interest (QI) according to the user selection for the detailed information object.
  • Details e.g., information expressing the degree of overlap between the region of interest and the artifact by dividing it into more granular steps, information expressing the degree of overlap between the region of interest and the artifact numerically, and details on the overlapping portion of the artifact with the region of interest information, etc.
  • the fourth error information screen may include a fourth notification window CO including fourth information on the ROI in the medical image.
  • the fourth notification window CO may include a message in which an error code including information indicating that the artifact overlaps with at least a portion of the ROI is displayed.
  • the fourth error information screen includes a detailed information object
  • the output screen includes detailed information about the fourth information (eg, a description of an error code, generation of an error message according to a user selection for the detailed information object).
  • causes, manuals that can respond to error messages, etc. can be additionally displayed.
  • the fourth notification window CO includes an object for selecting whether to continue image analysis when at least a portion of the region of interest overlaps with an artifact, and the image analysis apparatus 3900 provides the user's response to the image analysis progress object. Depending on your choice, you can proceed with image analysis.
  • the fourth notification window CO includes an object that stops image analysis when at least a portion of the region of interest and the artifact overlap, and the image analysis device 3900 stops image analysis according to the user's selection of the object to stop image analysis.
  • the information on the relationship between the artifact and the region of interest includes the artifact information QI1 generated in the medical image, the region of interest information QI2 on the region corresponding to the anatomical structure in the medical image, or the artifact. and at least one of information QI3 regarding a degree of overlap of a region corresponding to an anatomical structure.
  • the fourth error information includes, when the region of interest is specified as a skull, information on whether an artifact has occurred in a predetermined region corresponding to the skull, information on the degree of overlap of the artifact with a predetermined region corresponding to the skull, etc. may include
  • 39 and 40 are diagrams for exemplarily explaining a selection window output by the image quality related information output module 3900 .
  • image analysis may be continuously performed when a predetermined criterion, for example, a criterion regarding the type or degree of defect present in the medical data is satisfied. Accordingly, even if there are certain flaws in the medical data, the image analysis does not stop uniformly, but determines whether to proceed with image analysis according to a predetermined criterion or performs image analysis after correcting or re-photographing the medical image. By allowing the process to be performed again, image analysis can be performed economically and efficiently in terms of time and cost.
  • a predetermined criterion for example, a criterion regarding the type or degree of defect present in the medical data is satisfied. Accordingly, even if there are certain flaws in the medical data, the image analysis does not stop uniformly, but determines whether to proceed with image analysis according to a predetermined criterion or performs image analysis after correcting or re-photographing the medical image.
  • the image quality determination process of the present invention may include, when a certain defect occurs in the medical data, providing a criterion for determining whether the image analysis apparatus can continue to analyze the image despite the defect.
  • the image quality determination process provides information related to the quality of medical data to the user, and determines whether to proceed with image analysis according to the user's selection or decides whether to perform image analysis again after correcting or re-photographing the medical image. can provide a means to
  • the image quality related information output module 3900 may output a selection window based on the image quality determination result.
  • the image quality-related information output module 3900 may output a selection window when it is determined that the image quality is not normal through image quality determination.
  • the image quality-related information output module 3900 may output image quality-related information after performing image analysis when it is determined that the image quality is normal through image quality determination.
  • the selection window may include a message generated based on the image quality determination.
  • the selection window may include a message indicating that the quality of the medical image is not suitable for image analysis to be performed based on the image quality determination.
  • the image quality related information output module 3900 may output a selection window based on the image quality determination result.
  • the image quality-related information output module 3900 may output a selection window for obtaining a user instruction related to image analysis when it is determined that the image quality is not normal through image quality determination. Accordingly, even when a defect occurs in the medical data, the image analysis apparatus may continue to analyze the image according to the user's selection based on a predetermined criterion. Even when a defect occurs in the medical data, the image analysis apparatus may correct or re-image the medical image according to a user's selection and then perform image analysis again.
  • the selection window may include a message generated based on the image quality determination result performed by the image quality determination module 3700 .
  • the selection window may include a message generated based on results performed by the first image quality determining unit 3710 to the fourth image quality determining unit 3770 .
  • the selection window may include a message generated based on the image quality determination.
  • the selection window may include a message indicating that the quality of the medical image does not satisfy a certain level based on the image quality determination.
  • the selection window may include a message indicating that the quality of the medical image is not suitable for image analysis to be performed based on the image quality determination.
  • the selection window may include a first button and a second button for obtaining the user's consent to the above-described message.
  • the image analysis apparatus may output an additional message for selecting whether to proceed with image analysis according to the user's selection of the first button.
  • the image analysis apparatus may output more detailed information about the message according to the user's selection of the second button.
  • the selection window may include a first selection window for obtaining a user instruction related to image analysis by the image analysis apparatus. That is, the image quality-related information output module 3900 performs the first selection for obtaining a user instruction as to whether or not to continue image analysis by the image analysis apparatus based on the result performed by the image quality determination module 3700 . window can be printed.
  • the selection window may include a second selection window for obtaining a user's instruction regarding the operation of re-performing the image quality determination process. That is, the image quality-related information output module 3900 outputs a second selection window for obtaining a user's instruction on whether to proceed with the image quality determination process again based on the result performed by the image quality determination module 3700.
  • the image quality related information output module 3900 may output a first selection window. have.
  • the first selection window may output a first message regarding artifact information included in the medical image, for example, whether or not an artifact has occurred, an artifact occurrence location, an artifact occurrence degree, an artifact occurrence range, or an artifact type.
  • the image quality related information output module 3900 obtains a user's instruction related to re-performing the image quality determination process A second selection window can be output.
  • the second selection window may output a second message requesting a user's instruction as to whether or not to proceed with the image quality determination process again after correcting artifacts included in the medical image.
  • the second selection window may output a second message requesting a user's instruction as to whether or not to proceed with the image quality determination process again after re-photographing the medical image.
  • image quality related The information output module 3900 may output a first selection window.
  • the first selection window may include a morphological index or morphological value of at least a partial region among regions acquired through medical image segmentation, for example, a first message regarding an area, volume, location, or shape of the corresponding region.
  • the image quality related information output module 3900 may output a second selection window for obtaining a user's instruction related to the operation of re-performing the image quality determination process.
  • the second selection window may output a second message requesting a user instruction regarding whether to proceed with the image quality determination process again after correcting the anatomical segmentation information in the medical image.
  • the second selection window may output a second message requesting a user's instruction as to whether or not to proceed with the image quality determination process again after re-photographing the medical image.
  • the image quality related information output module 3900 may output a first selection window.
  • the first selection window may output a first message regarding relationship information between the artifact and the ROI included in the medical image, for example, the overlapping degree between the artifact and the ROI, and location information of the artifact existing in the ROI.
  • the image quality related information output module 3900 provides a user A second selection window for obtaining a user's instruction related to re-performing the image quality determination process may be output.
  • the second selection window may output a second message requesting a user's instruction regarding whether to proceed with the image quality determination process again after correcting at least a part of anatomical structures included in the medical image.
  • the second selection window may output a second message requesting a user's instruction as to whether or not to proceed with the image quality determination process again after re-photographing the medical image.
  • 41 to 43 are diagrams for explaining first to third quality determination processes.
  • data as a standard for quality determination, a quality standard as a standard for quality determination, and output quality information may be different.
  • the first to third quality determination processes include a medical image acquisition step (S3000), a medical image quality determination step (S3300), a medical image preprocessing step (S3200), and a medical image segmentation step (S3400).
  • the step of outputting medical image quality related information ( S3500 ) may be included.
  • the first quality determination process includes a medical image acquisition step (S3000), a medical image quality determination step (S3300), a medical image preprocessing step (S3200), a medical image segmentation step (S3400), and medical image quality related information It may be performed in the order of the output step (S3500).
  • the medical image quality determination step S3300 may include determining the image quality based on the raw data before the pre-processing operation.
  • the medical image pre-processing step S3200 may include performing pre-processing on the image on which the medical image quality determination has been performed.
  • the second quality determination process includes a medical image acquisition step (S3000), a medical image preprocessing step (S3200), a medical image quality determination step (S3300), a medical image segmentation step (S3400), and medical image quality related information It may be performed in the order of the output step (S3500).
  • the medical image quality determination step S3300 may include determining the image quality based on the pre-processed image.
  • the medical image segmentation step S3400 may include performing segmentation on the image on which the medical image quality determination has been performed.
  • the third quality determination process includes a medical image acquisition step (S3000), a medical image preprocessing step (S3200), a medical image segmentation step (S3400), a medical image quality determination step (S3300), and medical image quality related information It may be performed in the order of the output step (S3500).
  • the medical image quality determination step S3300 may include determining the image quality based on the image on which the pre-processing operation and the segmentation operation have been performed.
  • 44 and 45 are diagrams for explaining a fourth quality determination process.
  • the fourth quality determination process includes a medical image acquisition step (S3000), a first image quality determination step (S3310), a medical image preprocessing step (S3200), a medical image segmentation step (S3400), and a second image quality It may include a determination step (S3320), a third image quality determination step (S3330), a fourth image quality determination step (S3340), and a medical image quality-related information output step (S3500).
  • the first image quality determination step S3310 may include performing a first image quality determination based on the raw data before the pre-processing operation.
  • the second to fourth image quality determination steps may include performing a second image quality determination based on the image on which the pre-processing operation and the segmentation operation have been performed.
  • the order of the second to fourth image quality determination steps does not limit the invention described herein, and the order of each step may be changed.
  • the second image quality determination step S3320 may be performed.
  • the second image quality determination step S3320 and the third image quality determination step S3330 may be performed in parallel based on the image on which the preprocessing operation and the segmentation operation have been performed.
  • the image analysis apparatus 3000 may acquire a medical image from the image acquisition apparatus ( S3910 ).
  • the image analysis apparatus 3000 may determine the primary image quality based on the acquired medical image ( S3911 ).
  • the primary image quality determination may include a series of quality determinations performed before the medical image segmentation operation.
  • the primary image quality determination may include a quality determination performed based on metadata of a medical image.
  • the image analysis apparatus 3000 may stop the image analysis and output medical image quality related information ( S3918 ).
  • the image analysis apparatus 3000 may perform medical image segmentation ( S3913 ). Also, the image analysis apparatus 3000 may determine the secondary image quality based on the medical image on which the segmentation operation is performed ( S3914 ).
  • the image analysis apparatus 3000 continues to analyze the medical image (S3917) and then outputs medical image quality related information (S3918) can do.
  • the image analysis apparatus 3000 may stop the image analysis.
  • the image analysis apparatus 3000 may output medical image quality related information after stopping the image analysis ( S3918 ).
  • the image analysis apparatus 3000 stops the image analysis, corrects the medical image, and then performs the image quality determination process. can be done again.
  • the image analysis apparatus 3000 may retake a medical image after stopping image analysis and then perform the image quality determination process again.
  • the image analysis apparatus 3000 continues to perform image analysis (S3917) and then outputs medical image quality related information (S3918).
  • 46 and 47 are diagrams for explaining a fifth quality determination process.
  • the fifth quality determination process includes a medical image acquisition step (S3000), a first image quality determination step (S3310), a medical image preprocessing step (S3200), a second image quality determination step (S3320), and a medical image It may include a segmentation step (S3400), a third image quality determination step (S3330), a fourth image quality determination step (S3340), and a medical image quality related information output step (S3500).
  • the first image quality determination step S3310 may include performing a first image quality determination based on the raw data before the pre-processing operation.
  • the second image quality determination step S3320 may include quality determination based on the image on which the pre-processing operation has been performed.
  • the third image quality determination step S3330 and the fourth image quality determination step S3340 may include quality determination based on the image on which the segmentation operation has been performed.
  • the order of the third image quality determination step S3330 and the fourth image quality determination step S3340 does not limit the invention described herein, and the order of each step may be changed.
  • the third image quality determination step S3330 and the fourth image quality determination step S3340 may be performed in parallel based on the image on which the preprocessing operation and the segmentation operation have been performed.
  • the image analysis apparatus 3000 may acquire a medical image from the image acquisition apparatus ( S3920 ).
  • the image analysis apparatus 3000 may perform a primary image quality determination based on the acquired medical image ( S3921 ).
  • the image analysis apparatus 3000 may stop the image analysis and output medical image quality related information ( S3929 ).
  • the image analysis apparatus 3000 may perform a secondary image quality determination ( S3923 ).
  • the secondary image quality determination may include a series of quality determinations performed before the image segmentation operation.
  • the image analysis apparatus 3000 may perform medical image segmentation based on the medical image on which the secondary image quality determination is performed ( S3924 ). Also, the image analysis apparatus 3000 may perform a tertiary image quality determination based on the segmentation information on which the medical image segmentation is performed ( 3925 ). Here, the tertiary image quality determination may include a series of quality determinations performed after the image segmentation operation.
  • the image analysis apparatus 3000 may continue to analyze the medical image and then output medical image quality related information ( S3929 ). .
  • the image analysis apparatus 3000 may stop the image analysis 3000 and output medical image quality related information ( S3929 ).
  • the medical image quality-related information may include information based on primary to tertiary image quality determination.
  • the image analysis apparatus 3000 may continue to perform image analysis and then output medical image quality related information ( S3929 ).
  • the medical image quality-related information may include information based on primary to tertiary image quality determination.
  • the image quality determination process according to the present specification may be implemented in an order other than the order described in FIGS. 44 to 47 .
  • the degree of brain contraction is indexed and used as an auxiliary index for diagnosis of dementia.
  • various indicators related to the degree of brain contraction and an intracranial volume analysis (ICV Analysis) is used to provide an auxiliary indicator related to the diagnosis of dementia as an example to obtain the indicators.
  • ICV Analysis intracranial volume analysis
  • a method of matching the target image of the subject to a standard brain model was used.
  • the method of matching the target image of the object to the standard brain model could be inaccurate because the volume analysis considering race was not properly reflected due to differences in the standard brain model between races.
  • the image analysis apparatus 2000 may perform segmentation of the target image without matching the target image of the object to a standard brain model to acquire the skull and internal regions of the object, based on this It can provide the advantageous effect that the accuracy of the analysis of the cranial internal volume can be improved.
  • FIG. 48 is a flowchart illustrating an operation of an image analysis method implemented by the image analysis apparatus 2000 according to an embodiment of the present application. Specifically, FIG. 48 is a flowchart illustrating an operation of acquiring a brain morphological index implemented by the image analysis apparatus 2000 according to an embodiment of the present application.
  • An image analysis method includes: acquiring an image (S4100); It may include an image pre-processing step and image alignment step (S4200), an image segmentation step (S4300), and a step of obtaining a morphological index (S4400).
  • the image analysis apparatus 2000 may acquire a target image from the image acquiring apparatus 1000 .
  • the above-described image pre-processing operations may be performed.
  • the image analysis apparatus 2000 performs pre-processing of the target image, such as converting the format of the target image, removing noise from the image, or correcting the intensity of the image. It may be implemented to perform an action.
  • the image analysis apparatus 2000 may input a target image having a direction corresponding to the direction of the image of the training data of the neural network model to the neural network model, and thus a unified standard Analysis results can be derived under
  • the image analysis apparatus 2000 may be implemented to align the orientation of the image based on data related to the orientation of the brain image structured as metadata for the target image. For example, the image analysis apparatus 2000 matches a photographed brain image with respect to left and right, anterior and posterior, and superior and inferior directions of the object by using metadata of the target image. image alignment operation can be performed.
  • the image analysis apparatus 2000 may be implemented to perform spatial normalization of a target image as a method of an image alignment operation.
  • the image analysis apparatus 2000 may be implemented to perform spatial normalization of the target image based on the brain template. More specifically, the image analysis apparatus 2000 may convert the coordinates of the target image so that the spatial distribution of the target image becomes optimal for the artificial neural network model by matching the target image to the brain template, and align the target image.
  • the image analysis apparatus 2000 may be implemented to align the target image based on the feature region in the target image.
  • FIG. 49 is an exemplary diagram of an image alignment method implemented by the image analysis apparatus 2000 according to an embodiment of the present application.
  • feature regions corresponding to an anterior commissure (AC) and a posterior commissure (PC) may exist in the brain image.
  • the image analysis apparatus 2000 may be implemented to perform spatial alignment of the target image based on the AC-PC line connecting the anterior commissure AC and the posterior commissure PC.
  • the first image may be photographed in the first direction
  • the second image may be photographed in the second direction
  • the third image may be photographed in the third direction. Since the images were taken in a random direction, the images acquired from the image acquisition apparatus 1000 may not be spatially aligned. In this case, the image analysis apparatus 2000 may unify the directions of the images by spatially aligning the images.
  • the first image may be acquired with the AC-PC line L1 connecting the anterior commissure AC1 and the posterior commissure PC1 facing in the first direction
  • the second image may be obtained with the anterior commissure AC2
  • the AC-PC line L2 connecting the posterior commissure PC2 may be acquired in a state that is directed in the second direction
  • the third image is an AC-PC line connecting the anterior commissure AC3 and the posterior commissure PC3 (L3) may be obtained in a state facing in the third direction.
  • the image analysis apparatus 2000 may be implemented to align the images so that the AC-PC lines L1 , L2 , and L3 of each image spatially face the same reference direction.
  • the image analysis apparatus 2000 may align the second image and the third image by using the AC-PC line L1 from which the first image is obtained as a reference direction.
  • the image analysis apparatus 2000 may obtain an input for a reference direction from the user, and may align the first image, the second image, and the third image based on the user's input.
  • the target image may be aligned with respect to an arbitrary reference direction so that the image analysis apparatus 2000 unifies the direction of the target image to be analyzed.
  • the feature region in the image has been described as anterior commissure and posterior commissure, this is only an example, and any suitable feature region for performing spatial alignment of the target image may be utilized.
  • the image analysis apparatus 2000 may be implemented to align the images so that the center of the two eyes and the line connecting the centers of the two eyes face the same direction.
  • the image analysis apparatus 2000 may be implemented to align the target image by matching the target image with respect to the template generated based on the above-described AC-PC line (or plane).
  • the method of aligning the target image so that the AC-PC lines of the images included in the target image are in the same direction with reference to FIG. 49 has been described, it is not limited thereto, and a standard template including information about the AC-PC line may be created, and may also align the target image by matching the target image to a standard template.
  • the image analysis apparatus 2000 may improve segmentation accuracy of a target image using an artificial neural network by performing spatial alignment of the target image.
  • volume analysis such as intracranial volume analysis (ICV analysis)
  • ICV analysis intracranial volume analysis
  • the image analysis apparatus 2000 may segment the target image according to the image segmentation operation described above with reference to FIGS. 7 to 17 .
  • the image analysis apparatus 2000 is configured to obtain (a morphological value corresponding to a target element/a morphological volume value corresponding to a second internal region) as an example of a morphological index to be described later. can be implemented.
  • the image analysis apparatus 2000 needs to obtain at least a region corresponding to the target element and a region corresponding to the second inner region from the target image.
  • the second internal region may be a region included in the internal region of the skull. Accordingly, the image analysis apparatus 2000 may be implemented to acquire at least a region corresponding to the skull and an internal region of the skull from the target image.
  • the image analysis apparatus 2000 may acquire the second internal region by correcting a boundary related to the internal region of the skull obtained from the target image.
  • the reference region may be the basis. Accordingly, the image analysis apparatus 2000 may be implemented to obtain a region corresponding to the reference region from the target image.
  • the target image may be divided into a plurality of regions including at least a skull region and a region corresponding to the target element by the segmentation operation of the image analysis apparatus 2000 .
  • a reference region serving as a reference for correcting a boundary of an internal region of the skull, which will be described later, may be additionally acquired by the segmentation operation of the image analysis apparatus 2000 .
  • the reference region as a reference for correcting the boundary of the inner region of the skull may be a region corresponding to the cerebellum or a region corresponding to the cervical vertebrae.
  • this is only an example, and it is self-evident that a region corresponding to an arbitrary brain element may be acquired as a reference region as needed to define the internal region of the skull.
  • the image analysis apparatus 2000 may acquire the internal region of the skull based on the region of the skull obtained by segmentation.
  • the image analysis apparatus 2000 may calculate a morphological index ( S4400 ).
  • the morphological index may be interpreted as information including quantitative information or qualitative information that may be obtained from an image.
  • a morphological index related to a brain volume may be obtained as a morphological index.
  • the shape of the morphological indicators associated with the volume of the brain may vary.
  • the morphological index may include a normalized brain parenchymal volume (NBV), a regional brain parenchymal volume (RBPV), and the like.
  • NBV normalized brain parenchymal volume
  • RBPV regional brain parenchymal volume
  • the image analysis method may be implemented to calculate a morphological index related to ICV.
  • the morphological indices related to ICV may be defined as (morphological values corresponding to the target element/morphological volume values corresponding to the second internal region), and the morphological indices related to ICV are brain diseases (eg, depression). , dementia) can be used as an auxiliary indicator for diagnosis.
  • the image analysis apparatus 2000 may be implemented to correct the boundary of the inner region of the skull and to calculate the morphological index based on the corrected boundary. .
  • FIG. 50 is a diagram illustrating a flowchart of an image analysis method according to an embodiment of the present application, and in detail, the step S4400 of FIG. 48 is subdivided.
  • the step of calculating the morphological index according to an embodiment of the present application (S4400), the step of obtaining the first boundary of the first internal region of the skull (S4410), by modifying the first boundary Obtaining a second internal region having a second boundary (S4420), acquiring a morphological volume value of the second internal region (S4430), acquiring a morphological volume value of a region corresponding to a target element (S4430) S4440) and calculating the morphological volume index (S4450) may be further included.
  • the image analysis apparatus 2000 is based on the skull area obtained in the image segmentation step (S4300) in the first internal region of the skull and the first internal region of the skull A corresponding first boundary may be acquired.
  • FIG. 51 is a diagram illustrating an example of a method of correcting the first boundary of the first inner region of the skull according to an embodiment of the present application.
  • the image analysis apparatus 2000 may acquire the first internal region IR1 of the skull based on the skull region SR obtained in the image segmentation step S4300 . Also, the image analysis apparatus 2000 may acquire the first boundary BD1 corresponding to the first internal region IR1 of the skull based on the acquired first internal region IR1 of the skull.
  • the image analysis apparatus 2000 may acquire a region corresponding to the cerebrospinal fluid (CSF) in the image segmentation step S4300, and may acquire a skull region based on the region corresponding to the cerebrospinal fluid (CSF). have.
  • the image analysis apparatus 2000 may acquire the skull region by using an external boundary of a region corresponding to the cerebrospinal fluid (CSF) as an internal boundary of the skull region.
  • the image analysis apparatus 2000 may acquire the outer boundary of the region corresponding to the cerebrospinal fluid CSF as the first boundary BD1 .
  • the image analysis apparatus 2000 may acquire an inner boundary of a region corresponding to the cerebrospinal fluid (CSF) as the first boundary BD1 .
  • CSF cerebrospinal fluid
  • the above-described first boundary is merely an example, and the image analysis apparatus 2000 is a first boundary (BD1) composed of arbitrary regions between the external boundary and the internal boundary of the region corresponding to the cerebrospinal fluid (CSF).
  • BD1 first boundary
  • CSF cerebrospinal fluid
  • the image analysis apparatus 2000 may smooth or correct a boundary corresponding to the obtained internal region of the skull (eg, a first internal region or a second internal region to be described later). There may be a possibility that the boundaries corresponding to the specifically obtained internal region of the skull are not clear or there is an error. Accordingly, the image analysis apparatus 2000 may smooth a boundary corresponding to a boundary corresponding to the acquired internal region of the skull or correct an error related to the boundary.
  • the image analysis apparatus 2000 may be implemented to use any suitable image intensity correction method and smoothing method, such as the above-described image pre-processing method.
  • the image analysis apparatus 2000 may obtain a user input for correcting the boundary through the input module, and may be implemented to correct the boundary based on the user input.
  • the image analysis apparatus 2000 may be implemented to use any suitable noise removal method, such as the image pre-processing technique described above.
  • the image analysis apparatus 2000 provides a first boundary BD1 related to the first internal region IR1 of the skull based on the reference region RR obtained in the image segmentation step S4300. An operation to correct some may be performed.
  • the location or size of a region corresponding to the brain included in the acquired image may be different according to a photographing method of the image.
  • the brain region included in the first internal region of the skull acquired by the first imaging method may be different from the brain region included in the first internal region of the skull acquired by the second imaging scheme.
  • the image analysis apparatus 2000 may correct a part of the first boundary corresponding to the first internal region of the skull, and based on the “common standard” for the target image, the first boundary Since an operation for correcting a part can be performed, meaningful information for disease diagnosis assistance can be acquired, and disease diagnosis assistance indicators can be acquired according to a common criterion for each target image.
  • FIGS. 51 and 52 is a diagram illustrating an example of a second internal region obtained according to a method of correcting a first boundary of a first internal region of a skull according to an embodiment of the present application.
  • the first boundary BD1 obtained in the above-described image segmentation step S4300 may be a 3D boundary.
  • the image analysis apparatus 2000 is a reference plane (or 2D image slice, RP) can be obtained. Also, in order to obtain the reference plane RP, the image analysis apparatus 2000 may use a feature region included in a sagittal plane image as shown in FIGS. 51 and 52 .
  • the image analysis apparatus 2000 may acquire the reference plane RP related to the reference region RR.
  • the image analysis apparatus 2000 may acquire the reference plane RP adjacent to the reference region RR from the target image.
  • the image analysis apparatus 2000 may obtain a plane adjacent to a lower edge of a boundary defining the reference region RR as the reference plane RP.
  • the reference plane RP may be a plane parallel to a transverse plane of the target image and perpendicular to a sagittal plane.
  • the reference region RR may be a region corresponding to the cerebellum.
  • the image analysis apparatus 2000 may obtain the second boundary BD2 by correcting a part of the first boundary of the first inner region based on the obtained reference plane RP. For example, the image analysis apparatus 2000 corrects a portion of the first boundary BD1 positioned on the lower side of the reference plane RP and the first positioned on the upper side of the reference plane RP. The second boundary BD2 may be acquired based on the boundary BD1 .
  • the image analysis apparatus 2000 is implemented to correct the first boundary by replacing a portion of the first boundary located below the reference plane RP with a reference line or reference plane included in the reference plane RP.
  • the image analysis apparatus 2000 may acquire the second boundary by correcting the first boundary, and may acquire the second internal region of the skull having the second boundary.
  • the image analysis apparatus 2000 modifies a portion of the first boundary BD1 based on the reference plane RP, thereby providing a second region necessary for providing information related to disease diagnosis assistance. Since the internal region BD2 can be acquired and the morphological index can be calculated based on the second internal region BD2 acquired according to a common criterion for the target image, meaningful information can be obtained to aid in disease diagnosis. have.
  • the image analysis apparatus 2000 is configured based on a reference plane (RP, for example, a reference plane including a lower edge of the reference region RR) adjacent to the reference region RR.
  • a reference plane for example, a reference plane including a lower edge of the reference region RR
  • the second inner region IR2 of the skull having the second boundary BD2 may be obtained.
  • the portion of the first boundary BD1 below the reference plane RP is replaced with the reference plane of the reference plane RP, so that the first boundary BD1 is corrected.
  • the second inner region IR2 having the second boundary BD may be obtained.
  • the image analysis apparatus (2000) may also perform a corresponding boundary correction operation on a brain image related to a coronal plane and a transverse plane among brain images.
  • FIG. 53 is a diagram illustrating another example of a method of correcting the first boundary of the first inner region of the skull according to an embodiment of the present application.
  • the image analysis apparatus 2000 uses a region corresponding to a cervical vertebrae as a reference region RR to be the first of the first internal region IR1 of the skull. It may be implemented to correct a part of the boundary BD1.
  • the image analysis apparatus 2000 may acquire the C1 region related to the cervical vertebra. In this case, the image analysis apparatus 2000 may correct a part of the first boundary BD1 of the first internal region IR1 of the skull based on the region C1 related to the cervical vertebrae.
  • the image analysis apparatus 2000 may obtain a first feature region and a second feature region from the target image.
  • the first characteristic region may be a region corresponding to the anterior commissure (AC)
  • the second characteristic region may be a region corresponding to the posterior commissure (PC).
  • the image analysis apparatus 2000 may be implemented to calculate a first feature point from the first feature region and calculate a second feature point from the second feature region.
  • the image analysis apparatus 2000 may include a center point of a region corresponding to the anterior commissure AC, which may be the first feature region, or a superior edge included in a boundary defining a region corresponding to the anterior commissure AC. edge), the first feature point may be calculated based on a region corresponding to an inferior edge.
  • the image analysis apparatus 2000 includes a center point of a region corresponding to the posterior commissure (PC), which may be a second characteristic region, or an upper edge included in a boundary defining a region corresponding to the posterior commissure (PC); The second feature point may be calculated based on an area corresponding to a lower edge or the like.
  • PC posterior commissure
  • the second feature point may be calculated based on an area corresponding to a lower edge or the like.
  • the image analysis apparatus 2000 may acquire a reference plane based on the calculated first and second feature points.
  • the image analysis apparatus 2000 may obtain the reference direction based on the center point of the anterior commissure AC and the central point of the posterior commissure PC on the sagittal plane. For example, the image analysis apparatus 2000 may obtain a reference direction connecting the central point of the anterior commissure AC and the central point of the posterior commissure PC. In this case, the image analysis apparatus 2000 may acquire the reference plane P2 adjacent to the reference region RR and parallel to the reference direction.
  • the image analysis apparatus 2000 may obtain the first plane P1 including the center point of the anterior commissure AC and the central point of the posterior commissure PC, and perpendicular to the sagittal plane P1. .
  • the image analysis apparatus 2000 may acquire the reference plane P2 adjacent to the reference region RR and parallel to the first plane P1 .

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

본 출원의 일 실시예에 따른 의료 영상 분석 방법은, 제1 스캔 조건 하에서 획득된 제1 의료 영상으로부터 획득되고 타겟 요소와 관련된 제1 형태학적 값과 제2 스캔 조건 하에서 획득된 제2 의료 영상으로부터 획득되고 상기 타겟 요소와 관련된 제2 형태학적 값 사이의 상관 관계(correlation)에 기초하여 계산된 보정 파라미터를 획득함; 상기 제2 스캔 조건 하에서 획득된 타겟 의료 영상을 획득함; 상기 타겟 의료 영상을 상기 타겟 요소를 포함하는 복수의 요소들에 대응되는 복수의 영역들로 세그멘테이션을 수행함으로써, 상기 타겟 의료 영상으로부터 상기 타겟 요소에 관련된 타겟 영역을 획득함; 상기 타겟 영역에 대응하는 복셀(voxel) 데이터에 기초하여 상기 타겟 요소와 관련된 타겟 형태학적 값을 획득함; 상기 타겟 형태학적 값 및 상기 보정 파라미터에 기초하여 보정된 형태학적 값을 획득함; 및 상기 보정된 형태학적 값에 기초하여 형태학적 지표를 출력함;을 포함한다.

Description

의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템
본 출원은 의료 영상을 분석하는 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템에 관한 것이다.
이미지 세그멘테이션 기술의 향상으로 인해, 의료 영상을 세그멘테이션하여 질환과 관련된 진단 보조 지표 등을 산출하는 것이 가능해지면서, 최근 의료 영상 분석 분야가 주목받고 있다.
특히, 치매의 진단 보조 지표를 제공하기 위하여 의료 영상 분석 기술이 다방면으로 이용되고 있으며, 객관적인 치매 진단 보조 정보를 제공하기 위하여 의료 영상으로부터 특정 영역의 형태학적 특성을 보다 정확하게 계산하는 것이 필수적으로 요구된다.
그러나 종래의 의료 영상 분석 기술은, 의료 영상 내에 이미지 세그멘테이션에 적합하지 않은 아티팩트(Artifact)가 포함되어 있는 등 의료 영상 자체에 오류가 존재함에 따른 여러 제약을 안고 있으며, 의료 영상이 획득된 스캔 조건에 따라 동일한 대상체에 대한 진단 보조 정보가 상이할 수 있다는 한계점을 가지고 있다. 또한, 종래의 의료 영상 분석 기술은, 의료 영상에 포함된 뇌를 표준 뇌 모델에 대하여 표준화한 이후에 이미지 세그멘테이션을 수행하는 방식을 사용하여, 대상체에 대하여 완전히 "개인화"된 진단 보조 정보를 제공할 수 없다는 문제점을 가지고 있어 높은 정확도가 요구되는 상황에서는 한계점을 가지고 있는 상황이다.
이에, 이미지에 노이즈가 포함된 경우라 할지라도 판단 가능한 진단 정보의 경우 사용자에게 제공할 수 있도록 하는 이미지 분석 방법 및 장치의 개발이 요구된다. 의료 영상이 촬영된 스캔 조건을 고려하여 진단 보조 정보를 획득하고 대상체에 대하여 개인화된 진단 보조 정보를 획득하기 위한 이미지 분석 방법 및 장치의 개발이 요구된다.
본 발명의 일 과제는, 의료 영상과 관련된 정보를 제공하는 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템을 제공하는 것이다.
본 발명이 해결하고자 하는 과제가 상술한 과제로 제한되는 것은 아니며, 언급되지 아니한 과제들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 출원에 개시된 의료 영상 분석 방법은, 제1 스캔 조건 하에서 획득된 제1 의료 영상으로부터 획득되고 타겟 요소와 관련된 제1 형태학적 값과 제2 스캔 조건 하에서 획득된 제2 의료 영상으로부터 획득되고 상기 타겟 요소와 관련된 제2 형태학적 값 사이의 상관 관계(correlation)에 기초하여 계산된 보정 파라미터를 획득함; 상기 제2 스캔 조건 하에서 획득된 타겟 의료 영상을 획득함; 상기 타겟 의료 영상을 상기 타겟 요소를 포함하는 복수의 요소들에 대응되는 복수의 영역들로 세그멘테이션을 수행함으로써, 상기 타겟 의료 영상으로부터 상기 타겟 요소에 관련된 타겟 영역을 획득함; 상기 타겟 영역에 대응하는 복셀(voxel) 데이터에 기초하여 상기 타겟 요소와 관련된 타겟 형태학적 값을 획득함; 상기 타겟 형태학적 값 및 상기 보정 파라미터에 기초하여 보정된 형태학적 값을 획득함; 및 상기 보정된 형태학적 값에 기초하여 형태학적 지표를 출력함;을 포함할 수 있다.
본 출원에 개시된 의료 영상 분석 장치는, 타겟 의료 영상을 획득하는 영상 획득부; 및 상기 타겟 의료 영상에 기초하여 의료 영상 분석 정보를 제공하는 컨트롤러; 를 포함하되, 상기 컨트롤러는, 제1 스캔 조건 하에서 획득된 제1 의료 영상으로부터 획득되고 타겟 요소와 관련된 제1 형태학적 값과 제2 스캔 조건 하에서 획득된 제2 의료 영상으로부터 획득되고 상기 타겟 요소와 관련된 제2 형태학적 값 사이의 상관 관계(correlation)에 기초하여 계산된 보정 파라미터를 획득하고, 상기 제2 스캔 조건 하에서 획득된 타겟 의료 영상을 획득하고, 상기 타겟 의료 영상을 상기 타겟 요소를 포함하는 복수의 요소들에 대응되는 복수의 영역들로 세그멘테이션을 수행함으로써, 상기 타겟 의료 영상으로부터 상기 타겟 요소에 관련된 타겟 영역을 획득하고, 상기 타겟 영역에 대응하는 복셀(voxel) 데이터에 기초하여 상기 타겟 요소와 관련된 타겟 형태학적 값을 획득하고, 상기 타겟 형태학적 값 및 상기 보정 파라미터에 기초하여 보정된 형태학적 값을 획득하고, 상기 보정된 형태학적 값에 기초하여 형태학적 지표를 출력하도록 구성될 수 있다.
본 출원에 개시된 의료 영상 분석 방법은, 타겟 의료 영상을 획득함; 상기 타겟 의료 영상과 관련된 타겟 스캔 조건을 획득함; 상기 타겟 의료 영상에 포함된 타겟 요소에 대응되는 타겟 영역의 복셀 데이터에 기초하여 상기 타겟 요소와 관련된 타겟 형태학적 값을 획득함; 상기 타겟 스캔 조건에 기초하여, 하나 이상의 보정 파라미터 중 타겟 보정 파라미터를 결정함; 및 상기 결정된 타겟 보정 파라미터 및 상기 타겟 형태학적 값에 기초하여 형태학적 지표를 출력함;을 포함하되, 상기 타겟 보정 파라미터를 결정하는 것은, 상기 타겟 스캔 조건이 제1 스캔 조건에 대응되는 경우, 상기 타겟 보정 파라미터는 상기 제1 스캔 조건 하에서 획득된 타겟 요소와 관련된 제1 형태학적 값을 보정하기 위한 제1 보정 파라미터로 결정하고, 상기 타겟 스캔 조건이 제2 스캔 조건에 대응되는 경우, 상기 타겟 보정 파라미터는, 상기 제1 스캔 조건과는 상이한 상기 제2 스캔 조건 하에서 획득된 상기 타겟 요소와 관련된 제2 형태학적 값을 보정하기 위한 제2 보정 파라미터로 결정하는 것을 포함할 수 있다.
본 출원에 개시된 의료 영상 분석 장치는, 타겟 의료 영상을 획득하는 영상 획득부; 및 상기 타겟 의료 영상에 기초하여 의료 영상 분석 정보를 제공하는 컨트롤러; 를 포함하되, 상기 컨트롤러는, 상기 타겟 의료 영상과 관련된 타겟 스캔 조건을 획득하고, 상기 타겟 의료 영상에 포함된 타겟 요소에 대응되는 타겟 영역의 복셀 데이터에 기초하여 상기 타겟 요소와 관련된 타겟 형태학적 값을 획득하고, 상기 타겟 스캔 조건에 기초하여 하나 이상의 보정 파라미터 중 타겟 보정 파라미터를 결정하고, 상기 결정된 타겟 보정 파라미터 및 상기 타겟 형태학적 값에 기초하여 형태학적 지표를 출력하도록 구성되되, 상기 타겟 스캔 조건이 상기 제1 스캔 조건에 대응되는 경우, 상기 타겟 보정 파라미터를 제1 스캔 조건 하에서 획득된 타겟 요소와 관련된 제1 형태학적 값을 보정하기 위한 제1 보정 파라미터로 결정하고, 상기 타겟 스캔 조건이 상기 제2 스캔 조건에 대응되는 경우, 상기 타겟 보정 파라미터를 상기 제1 스캔 조건과는 상이한 제2 스캔 조건 하에서 획득된 상기 타겟 요소와 관련된 제2 형태학적 값을 보정하기 위한 제2 보정 파라미터로 결정함으로써 상기 타겟 보정 파라미터를 결정하도록 구성될 수 있다.
본 발명의 과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 출원의 실시예에 의하면, 대상 의료 이미지에 대한 퀄리티 분석을 수행하며 그 분석 결과에 대한 정보를 사용자에게 제공하여 의료 이미지 분석 결과에 대한 신뢰도를 높일 수 있다.
본 출원의 실시예에 의하면, 대상체의 의료 이미지에 기반하여 형태학적 지표를 산출하며 의료 이미지가 획득된 스캔 조건 혹은 타겟 요소의 위치를 고려하여 보정 파라미터를 적절하게 적용함으로써 보다 정확하게 형태학적 지표를 산출할 수 있다.
본 출원의 실시예에 의하면, 대상 의료 이미지의 분석을 통해 획득되는 다양한 지표 정보 중 사용자에게 필요한 지표 정보를 선택적으로 제공하여 사용자 편의를 증진시킬 수 있다.
본 발명의 효과가 상술한 효과들로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 본 출원의 일 실시예에 따른 의료 이미지 분석 시스템에 관한 개략도이다.
도 2는 본 출원의 일 실시예에 따른 이미지 분석을 위한 이미지 분석 장치(2000), 학습 장치(2200), 보정 파라미터 획득 장치(2400) 및 출력 장치(2600)의 개략도이다
도 3은 본 출원의 일 실시예에 따른 이미지 분석 장치에 관한 블록도이다.
도 4는 본 출원의 일 실시예에 따른 출력 장치의 블록도이다.
도 5는 이미지 분석 장치(2000)의 이미지 정렬 동작의 일 예를 도시한다.
도 6은 이미지 분석 장치(2000)의 이미지 정렬 동작의 일 예를 도시한다.
도 7은 본 출원의 일 실시예에 따른 이미지 세그멘테이션을 위한 프로세스의 흐름도를 도시한 도면이다.
도 8은 본 출원의 일 실시예에 따른 학습 장치(2200)의 신경망 모델의 학습 방법에 대한 순서도이다.
도 9는 본 출원의 일 실시예에 따른 이미지 데이터 세트의 예시적인 구조도이다.
도 10은 본 출원의 일 실시예에 따른 학습 장치(2200)가 이용할 수 있는 인공 신경망 모델의 일 예이다.
도 11은 본 출원의 일 실시예에 따른 학습 장치(2200)가 이용할 수 있는 인공 신경망 모델의 다른 예이다.
도 12는 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)의 신경망 모델을 이용한 이미지 세그멘테이션 방법에 대한 순서도이다.
도 13은 본 출원의 일 실시예에 따른 대상 이미지의 예시적인 구조도이다.
도 14는 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)의 세그멘테이션 프로세스에 의해 획득된 결과값에 기초하여 획득된 이미지의 예시들이다.
도 15는 본 출원의 일 실시예에 따른 이미지 세그멘테이션을 위한 프로세스의 흐름도를 도시한 도면이다.
도 16은 본 출원의 일 실시예에 따른 이미지 데이터 세트들의 예시적인 구조도이다.
도 17은 본 출원의 일 실시예에 따른 이미지 세그멘테이션을 위한 프로세스의 흐름도를 도시한 도면이다.
도 18은 일 실시예에 따른 이미지 품질 판단 프로세스를 설명하기 위한 도면이다.
도 19는 이미지 품질 판단 프로세스를 수행하는 이미지 분석 장치를 설명하기 위한 도면이다.
도 20은 이미지 품질 판단 모듈을 설명하기 위한 도면이다.
도 21은 제1 이미지 품질 판단 프로세스를 설명하기 위한 도면이다.
도 22는 제1 이미지 품질 판단부를 설명하기 위한 도면이다.
도 23은 제2 이미지 품질 판단 프로세스를 설명하기 위한 도면이다.
도 24는 제2 이미지 품질 판단 프로세스가 인공 신경망 모델을 이용하여 의료 이미지 내의 아티팩트 발생 위치를 판단하는 것을 예시적으로 설명하기 위한 도면이다.
도 25는 일 실시예에 따른 아티팩트 정보 획득을 위한 신경망 모델을 설명하기 위한 도면이다.
도 26은 제3 이미지 품질 판단 프로세스를 설명하기 위한 도면이다.
도 27은 제3 이미지 품질 판단 프로세스의 일 실시예를 설명하기 위한 도면이다.
도 28은 제4 이미지 품질 판단 프로세스를 설명하기 위한 도면이다.
도 29는 아티팩트가 발생한 이미지를 예시하기 위한 도면이다.
도 30는 다른 실시예에 따른 제4 이미지 품질 판단 프로세스에서 아티팩트가 관심 영역과 중첩되어 발생되었는지 판단하는 것을 설명하기 위한 도면이다.
도 31은 일 실시예에 따른 이미지 품질 관련 정보 출력 모듈을 설명하기 위한 도면이다.
도 32는 제1 에러 정보 화면을 예시적으로 설명하기 위한 도면이다.
도 33 및 도 34는 제2 에러 정보 화면을 예시적으로 설명하기 위한 도면이다.
도 35 및 도36는 제3 에러 정보 화면을 예시적으로 설명하기 위한 도면이다.
도 37 및 도 38은 제4 에러 정보 화면을 예시적으로 설명하기 위한 도면이다.
도 39는 이미지 품질 관련 정보 출력 모듈(3900)이 출력하는 선택창을 예시적으로 설명하기 위한 도면이다.
도 40는 이미지 품질 관련 정보 출력 모듈(3900)이 출력하는 선택창을 예시적으로 설명하기 위한 도면이다.
도 41 내지 도 43은 제1 내지 제3 품질 판단 프로세스를 설명하기 위한 도면이다.
도 44 및 도 45는 제4 품질 판단 프로세스를 설명하기 위한 도면이다.
도 46 및 도 47은 제5 품질 판단 프로세스를 설명하기 위한 도면이다.
도 48은 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)에 의해 구현되는 이미지 분석 방법의 일 동작을 도시한 흐름도이다.
도 49는 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)에 의해 구현되는 이미지 정렬 방법의 예시적인 도면이다.
도 50은 본 출원의 일 실시예에 따른 이미지 분석 방법의 흐름도이다.
도 51은 본 출원의 일 실시예에 따른 두개골의 제1 내부 영역의 제1 바운더리를 수정하는 방법의 일 예를 도시한 도면이다.
도 52는 본 출원의 일 실시예에 따른 두개골의 제1 내부 영역의 제1 바운더리를 수정하는 방법에 따라 획득된 제2 내부영역의 일 예를 도시한 도면이다.
도 53은 본 출원의 일 실시예에 따른 두개골의 제1 내부 영역의 제1 바운더리를 수정하는 방법의 다른 예를 도시한 도면이다.
도 54 내지 도 57은 본 출원의 일 실시예에 따라 출력되는 형태학적 지표와 관련된 정보들을 도시한 예시적인 도면이다.
도 58은 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)에 의해 구현되는 형태학적 수치의 보정 방법을 일 동작을 도시한 흐름도이다.
도 59는 본 출원의 일 실시예에 따른 이미지 분석 방법의 흐름도이다.
도 60은 본 출원의 일 실시예에 따른 보정 파라미터 획득 장치(2400)에 의해 구현되는 보정 파라미터의 획득 방법의 일 동작을 도시한 흐름도이다.
도 61은 본 출원의 일 실시예에 따른 복수의 이미지 데이터 세트들이 포함하는 정보들을 설명하기 위한 예시적인 도면이다.
도 62는 본 출원의 일 실시예에 따른 보정 파라미터 획득 장치(2400)의 보정 파라미터를 획득하기 위한 상관관계 분석의 일 예를 도시한 그래프이다.
도 63은 본 출원의 일 실시예에 따른 보정 파라미터 획득 장치(2400)의 보정 파라미터를 획득하기 위한 상관관계 분석의 다른 예를 도시한 그래프이다.
도 64는 본 출원의 일 실시예에 따른 복수의 이미지 데이터 세트들이 포함하는 정보들을 설명하기 위한 예시적인 도면이다.
도 65는 본 출원의 일 실시예에 따른 타겟 요소가 두개골 내에 분포하는 위치에 따른 형태학적 값들 간의 상관관계 분석의 예시적인 도면이다.
도 66은 본 출원의 일 실시예에 따른 이미지 분석 방법의 흐름도이다.
도 67은 본 출원의 일 실시예에 따른 유저 인터페이스를 개략화한 도면이다.
도 68은 일 실시예에 따른 의료 정보 출력 프로세스를 설명하기 위한 도면이다.
도 69는 일 실시예에 따른 이미지 분석 장치를 설명하기 위한 도면이다.
도 70은 의료 데이터 획득 모듈을 설명하기 위한 도면이다.
도 71은 의료 정보 획득 모듈을 설명하기 위한 도면이다.
도 72는 진단 보조 정보 획득 모듈을 설명하기 위한 도면이다.
도 73는 진단 보조 정보 출력 모듈을 설명하기 위한 도면이다.
도 74는 몇몇 대상 질병에 대하여, 관련된 지표를 예시하기 위한 도면이다.
도 75는 일 실시예에 따른 의료 정보 출력 화면을 설명하기 위한 도면이다.
도 76는 다른 실시예에 따른 의료 정보 출력 프로세스를 설명하기 위한 도면이다.
도 77은 다른 실시예에 따른 이미지 분석 장치를 설명하기 위한 도면이다.
도 78은 선별 정보 획득 모듈을 설명하기 위한 도면이다.
도 79은 선별 정보 출력 모듈을 설명하기 위한 도면이다.
도 80 및 도 81은 선별 정보 출력 화면을 설명하기 위한 도면이다.
본 출원의 일 실시예에 따른 의료 이미지 분석 방법에 있어서, 상기 방법은, 적어도 하나의 아티팩트를 포함하는 대상 의료 이미지를 획득하는 단계; 상기 대상 의료 이미지에 기초하여, 상기 아티팩트와 관련된 아티팩트 정보를 획득하는 단계- 상기 아티팩트 정보는 상기 아티팩트가 분포하는 영역을 나타내는 아티팩트 영역을 포함함 -; 제1 신경망 모델을 이용하여, 상기 대상 의료 이미지에 기초하여, 해부학적으로 구분되는 하나 이상의 요소에 각각 대응되는 복수의 영역을 획득하는 단계- 상기 제1 신경망 모델은, 의료 이미지에 기초하여 상기 복수의 영역을 획득하도록 학습되고, 상기 복수의 영역은 제1 요소에 대응되는 제1 영역, 제2 요소에 대응되는 제2 영역 및 제3 요소에 대응되는 제3 영역을 포함함 -; 상기 아티팩트 영역과 관심 영역의 중첩 정도를 획득하는 단계- 상기 관심 영역은 상기 제1 영역의 적어도 일부를 포함함-; 상기 중첩 정도에 기초하여 상기 대상 의료 이미지의 품질 판단을 수행하는 제1 품질 판단 단계; 및 상기 제1 품질 판단에 기초하여, 상기 대상 의료 이미지의 품질 관련 정보를 출력하는 단계를 포함할 수 있다.
상기 제1 요소는 두개골이고, 상기 제1 영역은 상기 두개골에 대응되는 영역을 포함하되, 상기 관심 영역은 상기 두개골 영역 또는 두개골의 내부 영역일 수 있다.
상기 제2 요소는 대상 질병의 진단과 관련된 요소이고, 상기 관심 영역은 상기 제2 영역의 적어도 일부를 포함할 수 있다.
상기 아티팩트 영역은, 상기 의료 이미지에 아티팩트가 존재하는지 여부를 판단하도록 학습된 제2 신경망 모델을 이용하여 획득되되, 상기 아티팩트 영역은, 상기 제2 신경망 모델로부터 획득되고 상기 대상 의료 이미지에 존재하는 대상 아티팩트와 관련된 특징맵에 기초하여, 상기 특징맵 상에서 상기 대상 아티팩트와의 관련성이 기준값 이상인 영역일 수 있다.
상기 아티팩트 영역은, 제1 영역 및 상기 제1 영역 내에 위치되는 제2 영역을 포함하되, 상기 제1 영역은 상기 특징맵 상에서 상기 대상 아티팩트와의 관련성이 제1 기준값 이상인 영역이고, 상기 제2 영역은 상기 특징맵 상에서 상기 대상 아티팩트와의 관련성이 상기 제1 기준값보다 큰 제2 기준값 이상인 영역일 수 있다.
상기 아티팩트 영역은, 상기 의료 이미지에 포함되는 상기 아티팩트에 대응되는 영역을 세그멘테이션 하도록 학습된 제2 신경망 모델을 이용하여 획득될 수 있다.
상기 중첩 정도를 판단하는 단계는, 상기 대상 의료 이미지 상에서, 상기 아티팩트 영역의 외곽 라인 및 상기 관심 영역의 외곽 라인을 획득하고, 상기 아티팩트 영역의 외곽 라인과 상기 관심 영역의 외곽 라인이 상기 의료 이미지 상에서 중첩되는지 여부에 기초하여, 상기 아티팩트와 상기 관심 영역의 중첩 여부를 판단하는 것을 포함할 수 있다.
상기 제1 품질 판단 단계는, 상기 아티팩트 영역의 외곽 라인과 상기 관심 영역의 외곽 라인이 상기 대상 의료 이미지 상에서 중첩되는 교차점이 2개 미만인 경우 상기 대상 의료 이미지의 품질이 정상이라고 판단하고, 상기 교차점이 2개 이상인 경우 상기 대상 의료 이미지의 품질이 비정상이라고 판단하는 것을 포함할 수 있다.
상기 중첩 정도를 판단하는 단계는, 상기 대상 의료 이미지 상에서, 상기 아티팩트 영역 및 상기 관심 영역에 모두 포함되는 공통 픽셀의 수를 획득하는 단계; 및 상F기 공통 픽셀의 수를 이용하여 상기 아티팩트와 상기 관심 영역의 중첩 정도를 판단하는 단계를 포함할 수 있다.
상기 제1 품질 판단 단계는, 상기 공통 픽셀수가 미리 정해진 기준 값을 초과하는 경우 상기 대상 의료 이미지의 품질이 비정상이라고 판단하고, 상기 공통 픽셀수가 미리 정해진 기준 값 이하인 경우 상기 대상 의료 이미지의 품질이 정상이라고 판단하는 것을 포함할 수 있다.
상기 제3 영역에 기초하여 상기 대상 의료 이미지의 품질 판단을 수행하는 제2 품질 판단 단계를 더 포함하되, 상기 제2 품질 판단 단계는, 상기 제3 영역에 기초하여 형태학적 지표를 획득하는 단계 및 상기 형태학적 지표가 정량적인 기준을 만족하는지 판단하는 단계를 포함할 수 있다.
상기 형태학적 지표는 상기 제1 영역 및 상기 제3 영역에 기초하여 획득될 수 있다.
상기 형태학적 지표는 상기 제1 영역의 부피와 상기 제3 영역의 부피의 비율에 기초하여 획득될 수 있다.
상기 제3 영역은 상기 대상 의료 이미지의 가장 하단에 위치하는 요소에 대응되는 영역일 수 있다.
상기 제3 영역은 대상 질병의 진단과 관련된 요소에 대응되는 영역일 수 있다.
상기 의료 이미지의 품질 관련 정보를 출력하는 단계는, 상기 제1 품질 판단에 기초하여 생성된 에러 정보 및 상기 에러 정보와 관련된 선택창을 표시하는 것을 포함하되, 상기 에러 정보는 상기 아티팩트 정보 및 상기 복수의 영역에 관한 정보를 포함할 수 있다.
상기 선택창은 제1 오브젝트를 포함하고, 상기 의료 이미지 분석 방법은 상기 제1 오브젝트에 대한 사용자의 선택에 따라 후속 동작을 진행하는 것을 포함하되, 상기 후속 동작은, 상기 대상 의료 이미지 분석 동작, 상기 대상 의료 이미지를 보정하는 동작 또는 상기 대상 의료 이미지를 재 촬영하는 동작 중 어느 하나를 포함할 수 있다.
본 출원의 다른 실시예에 따른 의료 이미지 분석 장치는, 의료 이미지를 획득하는 획득부; 상기 의료 이미지에 기초하여 이미지 품질 정보를 획득하는 처리부; 및 상기 이미지 품질 정보를 출력하는 출력부;를 포함하되, 상기 처리부는, 상기 획득부를 통하여, 아티팩트를 포함하는 대상 의료 이미지를 획득하고, 상기 대상 의료 이미지에 기초하여 상기 아티팩트와 관련된 아티팩트 정보를 획득하고- 상기 아티팩트 정보는 상기 아티팩트가 분포하는 영역을 나타내는 아티팩트 영역을 포함함 -, 제1 신경망 모델을 이용하여, 상기 대상 의료 이미지에 기초하여, 해부학적으로 구분되는 하나 이상의 요소에 각각 대응되는 복수의 영역을 획득하고- 상기 제1 신경망 모델은, 상기 의료 이미지에 기초하여 상기 복수의 영역을 획득하도록 학습되고, 상기 복수의 영역은 제1 요소에 대응되는 제1 영역, 제2 요소에 대응되는 제2 영역 및 제3 요소에 대응되는 제3 영역을 포함함 -, 상기 아티팩트 영역과 관심 영역의 중첩 정도를 획득하고- 상기 관심 영역은 상기 제1 영역의 적어도 일부를 포함함 -, 상기 중첩 정도에 기초하여 상기 대상 의료 이미지의 제1 품질 판단을 수행하고, 상기 출력부는 상기 제1 품질 판단에 기초하여 상기 대상 의료 이미지의 품질 관련 정보를 출력할 수 있다.
상기 제1 요소는 두개골이고, 상기 제1 영역은 상기 두개골에 대응되는 영역을 포함하되, 상기 관심 영역은 상기 두개골 영역 또는 두개골의 내부 영역일 수 있다.
상기 제2 요소는 대상 질병의 진단과 관련된 요소이고, 상기 관심 영역은 상기 제2 영역의 적어도 일부를 포함할 수 있다.
상기 아티팩트 영역은, 상기 의료 이미지에 아티팩트가 존재하는지 여부를 판단하도록 학습된 제2 신경망 모델을 이용하여 획득되되, 상기 아티팩트 영역은, 상기 제2 신경망 모델로부터 획득되고 상기 대상 의료 이미지에 존재하는 대상 아티팩트와 관련된 특징맵에 기초하여, 상기 특징맵 상에서 상기 대상 아티팩트와의 관련성이 기준값 이상인 영역일 수 있다.
상기 아티팩트 영역은, 제1 영역 및 상기 제1 영역 내에 위치되는 제2 영역을 포함하되, 상기 제1 영역은 상기 특징맵 상에서 상기 대상 아티팩트와의 관련성이 제1 기준값 이상인 영역이고, 상기 제2 영역은 상기 특징맵 상에서 상기 대상 아티팩트와의 관련성이 상기 제1 기준값보다 큰 제2 기준값 이상인 영역일 수 있다.
상기 아티팩트 영역은, 상기 의료 이미지에 포함되는 상기 아티팩트에 대응되는 영역을 세그멘테이션 하도록 학습된 제2 신경망 모델을 이용하여 획득될 수 있다.
상기 처리부는, 상기 대상 의료 이미지 상에서, 상기 아티팩트 영역의 외곽 라인 및 상기 관심 영역의 외곽 라인을 획득하고, 상기 아티팩트 영역의 외곽 라인과 상기 관심 영역의 외곽 라인이 상기 의료 이미지 상에서 중첩되는지 여부에 기초하여, 상기 아티팩트와 상기 관심 영역의 중첩 여부를 판단할 수 있다.
상기 처리부는, 상기 아티팩트 영역의 외곽 라인과 상기 관심 영역의 외곽 라인이 상기 대상 의료 이미지 상에서 중첩되는 교차점이 2개 미만인 경우 상기 대상 의료 이미지의 품질이 정상이라고 판단하고, 상기 교차점이 2개 이상인 경우 상기 대상 의료 이미지의 품질이 비정상이라고 판단할 수 있다.
상기 처리부는, 상기 대상 의료 이미지 상에서, 상기 아티팩트 영역 및 상기 관심 영역에 모두 포함되는 공통 픽셀의 수를 획득하고, 상기 공통 픽셀의 수를 이용하여 상기 아티팩트와 상기 관심 영역의 중첩 정도를 판단할 수 있다.
상기 처리부는, 상기 공통 픽셀수가 미리 정해진 기준 값을 초과하는 경우 상기 대상 의료 이미지의 품질이 비정상이라고 판단하고, 상기 공통 픽셀수가 미리 정해진 기준 값 이하인 경우 상기 대상 의료 이미지의 품질이 정상이라고 판단할 수 있다.
상기 처리부는, 상기 제3 영역에 기초하여 형태학적 지표를 획득하고, 상기 형태학적 지표가 정량적인 기준을 만족하는지에 기초하여 제2 품질 판단을 수행할 수 있다.
상기 형태학적 지표는 상기 제1 영역 및 상기 제3 영역에 기초하여 획득될 수 있다.
상기 형태학적 지표는 상기 제1 영역의 부피와 상기 제3 영역의 부피의 비율 기초하여 획득될 수 있다.
상기 제3 영역은 상기 대상 의료 이미지의 가장 하단에 위치하는 요소에 대응되는 영역일 수 있다.
상기 제3 영역은 대상 질병의 진단과 관련된 요소에 대응되는 영역일 수 있다.
본 출원에 개시된 뇌 영상 분석 방법에 따르면, 복셀 데이터를 포함하는 뇌 영상을 획득함; 상기 뇌 영상을 두개골 영역 및 레퍼런스 영역을 포함하는 복수의 영역들로 세그멘테이션을 수행함으로써, 상기 두개골 영역의 내부인 제1 내부 영역을 정의하는 제1 바운더리 및 상기 레퍼런스 영역을 획득함; 상기 레퍼런스 영역에 기초하여 상기 제1 내부 영역과 관련된 상기 제1 바운더리의 적어도 일부를 수정함으로써 제2 바운더리를 갖는 제2 내부 영역을 획득함- 상기 제2 내부 영역의 일부는 상기 제1 내부 영역에 포함되며 상기 타겟 요소를 포함함-; 상기 타겟 요소에 대응되는 복셀 데이터에 기초하여 상기 타겟 요소와 관련된 제1 체적 값을 획득함; 상기 제2 바운더리에 포함된 복셀 데이터에 기초하여 상기 제2 내부 영역과 관련된 제2 체적 값을 획득함; 상기 제1 체적 값 및 상기 제2 체적 값에 기초하여 상기 타겟 요소의 체적 지표를 계산함;을 포함할 수 있다.
본 출원에 개시된 뇌 영상 분석 방법에 따르면, 상기 제2 내부 영역을 획득하기 위하여 상기 뇌 영상을 정렬함;을 더 포함할 수 있다.
본 출원에 개시된 뇌 영상 분석 방법에 따르면, 상기 뇌 영상을 정렬하는 것은, 상기 뇌 영상으로부터 제1 특징 영역 및 제2 특징 영역을 획득함;
상기 제1 특징 영역으로부터 제1 특징점을 산출하며 상기 제2 특징 영역으로부터 제2 특징점을 산출함; 상기 제1 특징점 및 상기 제2 특징점에 기초하여 상기 뇌 영상의 촬영 방향을 획득함; 및 상기 촬영 방향이 기준 방향과 평행하도록 상기 뇌 영상을 정렬함;을 포함할 수 있다.
본 출원에 개시된 뇌 영상 분석 방법에 따르면, 상기 제1 특징 영역은 전측 교련(anterior commissure)에 대응되는 영역이며, 상기 제2 특징 영역은 후측 교련(posterior commissure)에 대응되는 영역이며, 상기 제1 특징점은 상기 전측 교련에 대응되는 영역을 정의하는 바운더리에 포함되며, 상기 제2 특징점은 상기 후측 교련에 대응되는 영역을 정의하는 바운더리에 포함될 수 있다.
본 출원에 개시된 뇌 영상 분석 방법에 따르면, 상기 뇌 영상을 정렬하는 것은, 상기 뇌 영상에 포함된 상기 뇌 영상의 방향과 관련된 데이터를 획득함; 상기 뇌 영상의 방향과 관련된 데이터에 기초하여 상기 뇌 영상의 촬영 방향을 획득함; 및 상기 촬영 방향이 기준 방향에 대응하도록 상기 뇌 영상을 정렬함;을 포함할 수 있다.
본 출원에 개시된 뇌 영상 분석 방법에 따르면, 상기 제2 내부 영역을 획득하는 것은, 상기 뇌 영상으로부터 상기 레퍼런스 영역에 인접하는 기준 평면을 획득함; 및 상기 기준 평면에 기초하여 상기 제1 내부 영역의 상기 제1 바운더리의 일부를 수정하여 상기 제2 바운더리를 갖는 상기 제2 내부 영역을 획득함;을 포함할 수 있다.
본 출원에 개시된 뇌 영상 분석 방법에 따르면, 상기 기준 평면은 상기 뇌 영상의 횡평면(transverse plane)과 평행한 평면이며, 상기 제2 내부 영역을 획득하는 것은, 상기 기준 평면의 상측(upper side)에 위치하는 상기 제1 내부 영역에 기초하여 상기 제1 바운더리의 상기 기준 평면의 하측에 위치하는 부분을 수정함; 및 상기 수정된 제1 바운더리에 기초하여 상기 제2 바운더리를 갖는 상기 제2 내부 영역을 획득함;을 포함할 수 있다.
본 출원에 개시된 뇌 영상 분석 방법에 따르면, 상기 레퍼런스 영역은 소뇌에 대응되는 영역이며, 상기 기준 평면은 상기 소뇌의 대응되는 영역을 정의하는 바운더리의 하부 가장자리(inferior edge)에 인접할 수 있다.
본 출원에 개시된 뇌 영상 분석 방법에 따르면, 상기 레퍼런스 영역은 소뇌에 대응되는 영역이며, 상기 기준 평면은 상기 소뇌의 대응되는 영역을 정의하는 바운더리의 하부 가장자리(inferior edge)에 인접할 수 있다.
본 출원에 개시된 뇌 영상 분석 방법에 따르면, 상기 제2 내부 영역을 획득하는 것은, 상기 뇌 영상으로부터 제1 특징 영역 및 제2 특징 영역을 획득함; 상기 제1 특징 영역으로부터 제1 특징점을 산출하며 상기 제2 특징 영역으로부터 제2 특징점을 산출함; 상기 제1 특징점 및 상기 제2 특징점에 기초하여 상기 제1 특징점 및 상기 제2 특징점을 연결하는 기준 방향을 획득함; 상기 기준 방향에 대하여 평행한 기준 평면을 획득함; 및 상기 기준 평면에 기초하여 상기 제1 내부 영역의 상기 제1 바운더리의 일부를 수정하여 상기 제2 바운더리를 갖는 상기 제2 내부 영역을 획득함;을 포함할 수 있다.
본 출원에 개시된 뇌 영상 분석 방법에 따르면, 상기 레퍼런스 영역은 목뼈에 대응되는 영역이며, 상기 기준 평면은, 상기 목뼈에 대응되는 영역에 인접하며 시상면(sagittal plane)과 수직일 수 있다.
본 출원에 개시된 뇌 영상 분석 방법에 따르면, 상기 제2 내부 영역을 획득하는 것은, 상기 기준 평면의 상측(upper side)에 위치하는 상기 제1 내부 영역에 기초하여 상기 제1 바운더리의 상기 기준 평면의 하측에 위치하는 부분을 수정함; 및 기 수정된 제1 바운더리에 기초하여 상기 제2 바운더리를 갖는 상기 제2 내부 영역을 획득함;을 포함할 수 있다.
본 출원에 개시된 뇌 영상 분석 방법에 따르면, 상기 체적 지표는 상기 제2 체적 값에 대한 상기 제1 체적 값의 비율로서 정의될 수 있다.
본 출원에 개시된 뇌 영상 분석 방법에 따르면, 상기 타겟 요소의 상기 체적 지표를 계산하는 것은, 상기 제1 체적 값을 보정하기 위한 제1 보정 파라미터를 획득함-상기 제1 보정 파라미터는 상기 뇌 영상이 획득된 스캔 조건 또는 상기 타겟 요소의 위치에 기초하여 획득됨-; 및 상기 제1 보정 파라미터 및 상기 제1 체적 값에 기초하여 상기 제1 체적 보정 값을 계산함;을 포함하는 제1 체적 보정 값을 획득함; 상기 제2 체적 값을 보정하기 위한 제2 보정 파라미터를 획득함-상기 제2 보정 파라미터는 상기 뇌 영상이 획득된 스캔 조건 또는 상기 타겟 요소의 위치에 기초하여 획득됨-; 및 상기 제2 보정 파라미터 및 상기 제2 체적 값에 기초하여 상기 제2 체적 보정 값을 계산함;을 포함하는 제2 체적 보정 값을 획득함; 및 상기 제1 체적 보정 값 및 상기 제2 체적 보정 값에 기초하여 상기 체적 지표를 계산함;을 더 포함할 수 있다.
본 출원에 개시된 뇌 영상 분석 방법에 따르면, 상기 뇌 영상이 획득된 스캔 조건은, 뇌 영상 획득 장치의 뇌 영상의 해상도와 관련되는 자기장 강도, 상기 뇌 영상 획득 장치의 제조사 및 상기 뇌 영상 획득 장치의 생성되는 자기장의 형태와 관련된 세팅 파라미터 중 적어도 하나와 관련될 수 있다.
본 출원에 개시된 뇌 영상 분석 장치에 따르면, 뇌 영상을 획득하는 영상 획득부; 및 상기 뇌 영상에 기초하여 뇌 영상 분석 정보를 제공하는 컨트롤러;를 포함하되, 상기 컨트롤러는, 복셀 데이터를 포함하는 뇌 영상을 획득하고, 상기 뇌 영상을 두개골 영역 및 레퍼런스 영역을 포함하는 복수의 영역들로 세그멘테이션을 수행함으로써, 상기 두개골 영역의 내부인 제1 내부 영역을 정의하는 제1 바운더리 및 상기 레퍼런스 영역을 획득하고, 상기 레퍼런스 영역에 기초하여 상기 제1 내부 영역과 관련된 상기 제1 바운더리의 적어도 일부를 수정함으로써 제2 바운더리를 갖는 제2 내부 영역을 획득- 상기 제2 내부 영역의 일부는 상기 제1 내부 영역에 포함되며 상기 타겟 요소를 포함함-하고, 상기 타겟 요소에 대응되는 복셀 데이터에 기초하여 상기 타겟 요소와 관련된 제1 체적 값을 획득하고, 상기 제2 바운더리에 포함된 복셀 데이터에 기초하여 상기 제2 내부 영역과 관련된 제2 체적 값을 획득하고, 상기 제1 체적 값 및 상기 제2 체적 값에 기초하여 상기 타겟 요소의 체적 지표를 계산하도록 구성될 수 있다.
본 출원에 개시된 뇌 영상 분석 장치에 따르면, 상기 컨트롤러는, 상기 제2 내부 영역을 획득하기 위하여 상기 뇌 영상을 정렬하도록 구성될 수 있다.
본 출원에 개시된 뇌 영상 분석 장치에 따르면, 상기 컨트롤러는, 상기 뇌 영상으로부터 제1 특징 영역 및 제2 특징 영역을 획득하고, 상기 제1 특징 영역으로부터 제1 특징점을 산출하며 상기 제2 특징 영역으로부터 제2 특징점을 산출하고, 상기 제1 특징점 및 상기 제2 특징점에 기초하여 상기 뇌 영상의 촬영 방향을 획득하고, 상기 촬영 방향이 기준 방향과 평행하도록 상기 뇌 영상을 정렬하여 상기 뇌 영상을 정렬하도록 구성될 수 있다.
본 출원에 개시된 뇌 영상 분석 장치에 따르면, 상기 제1 특징 영역은 전측 교련(anterior commissure)에 대응되는 영역이며, 상기 제2 특징 영역은 후측 교련(posterior commissure)에 대응되는 영역이며, 상기 제1 특징점은 상기 전측 교련에 대응되는 영역을 정의하는 바운더리에 포함되며, 상기 제2 특징점은 상기 후측 교련에 대응되는 영역을 정의하는 바운더리에 포함될 수 있다.
본 출원에 개시된 뇌 영상 분석 장치에 따르면, 상기 컨트롤러는, 상기 뇌 영상에 포함된 상기 뇌 영상의 방향과 관련된 데이터를 획득하고, 상기 뇌 영상의 방향과 관련된 데이터에 기초하여 상기 뇌 영상의 촬영 방향을 획득하고, 상기 촬영 방향이 기준 방향에 대응하도록 상기 뇌 영상을 정렬하여 상기 뇌 영상을 정렬하도록 구성될 수 있다.
본 출원에 개시된 뇌 영상 분석 장치에 따르면, 상기 컨트롤러는, 상기 뇌 영상으로부터 상기 레퍼런스 영역에 인접하는 기준 평면을 획득하고, 상기 기준 평면에 기초하여 상기 제1 내부 영역의 상기 제1 바운더리의 일부를 수정하여 상기 제2 바운더리를 갖는 상기 제2 내부 영역을 획득함으로써, 상기 제2 내부 영역을 획득하도록 구성될 수 있다.
본 출원에 개시된 뇌 영상 분석 장치에 따르면, 상기 기준 평면은 상기 뇌 영상의 횡평면(transverse plane)과 평행한 평면이며, 상기 컨트롤러는, 상기 기준 평면의 상측(upper side)에 위치하는 상기 제1 내부 영역에 기초하여 상기 제1 바운더리의 상기 기준 평면의 하측에 위치하는 부분을 수정하고, 상기 수정된 제1 바운더리에 기초하여 상기 제2 바운더리를 갖는 상기 제2 내부 영역을 획득함으로써, 상기 제2 내부 영역을 획득하도록 구성될 수 있다.
본 출원에 개시된 뇌 영상 분석 장치에 따르면, 상기 레퍼런스 영역은 소뇌에 대응되는 영역이며, 상기 기준 평면은 상기 소뇌의 대응되는 영역을 정의하는 바운더리의 하부 가장자리(inferior edge)에 인접할 수 있다.
본 출원에 개시된 뇌 영상 분석 장치에 따르면, 상기 컨트롤러는, 상기 뇌 영상으로부터 제1 특징 영역 및 제2 특징 영역을 획득하고, 상기 제1 특징 영역으로부터 제1 특징점을 산출하며 상기 제2 특징 영역으로부터 제2 특징점을 산출하고, 상기 제1 특징점 및 상기 제2 특징점에 기초하여 상기 제1 특징점 및 상기 제2 특징점을 연결하는 기준 방향을 획득하고, 상기 기준 방향에 대하여 평행한 기준 평면을 획득하고, 상기 기준 평면에 기초하여 상기 제1 내부 영역의 상기 제1 바운더리의 일부를 수정하여 상기 제2 바운더리를 갖는 상기 제2 내부 영역을 획득함으로써, 상기 제2 내부 영역을 획득하도록 구성될 수 있다.
본 출원에 개시된 뇌 영상 분석 장치에 따르면, 상기 레퍼런스 영역은 목뼈에 대응되는 영역이며, 상기 기준 평면은, 상기 목뼈에 대응되는 영역에 인접하며 시상면(sagittal plane)과 수직일 수 있다.
본 출원에 개시된 뇌 영상 분석 장치에 따르면, 상기 컨트롤러는, 상기 기준 평면의 상측(upper side)에 위치하는 상기 제1 내부 영역에 기초하여 상기 제1 바운더리의 상기 기준 평면의 하측에 위치하는 부분을 수정하고, 상기 수정된 제1 바운더리에 기초하여 상기 제2 바운더리를 갖는 상기 제2 내부 영역을 획득하도록 구성될 수 있다.
본 출원에 개시된 뇌 영상 분석 장치에 따르면, 상기 컨트롤러는, 상기 제2 체적 값에 대한 상기 제1 체적 값의 비율로 상기 체적 지표를 정의하도록 구성될 수 있다.
본 출원에 개시된 뇌 영상 분석 장치에 따르면, 상기 컨트롤러는, 상기 제1 체적 값을 보정하기 위한 제1 보정 파라미터를 획득-상기 제1 보정 파라미터는 상기 뇌 영상이 획득된 스캔 조건 또는 상기 타겟 요소의 위치에 기초하여 획득됨-;하고, 상기 제1 보정 파라미터 및 상기 제1 체적 값에 기초하여 상기 제1 체적 보정 값을 계산하여 상기 제1 체적 보정 값을 획득하고, 상기 제2 체적 값을 보정하기 위한 제2 보정 파라미터를 획득-상기 제2 보정 파라미터는 상기 뇌 영상이 획득된 스캔 조건 또는 상기 타겟 요소의 위치에 기초하여 획득됨-;하고, 상기 제2 보정 파라미터 및 상기 제2 체적 값에 기초하여 상기 제2 체적 보정 값을 계산하여 상기 제2 체적 보정 값을 획득하고, 상기 제1 체적 보정 값 및 상기 제2 체적 보정 값에 기초하여 상기 체적 지표를 계산함으로써, 상기 타겟 요소의 상기 체적 지표를 계산하도록 구성될 수 있다.
본 출원에 개시된 뇌 영상 분석 장치에 따르면, 상기 뇌 영상이 획득된 스캔 조건은, 뇌 영상 획득 장치의 뇌 영상의 해상도와 관련되는 자기장 강도, 상기 뇌 영상 획득 장치의 제조사 및 상기 뇌 영상 획득 장치의 생성되는 자기장의 형태와 관련된 세팅 파라미터 중 적어도 하나와 관련될 수 있다.
본 출원에 개시된 의료 영상 분석 방법에 따르면, 제1 스캔 조건 하에서 획득된 제1 의료 영상으로부터 획득되고 타겟 요소와 관련된 제1 형태학적 값과 제2 스캔 조건 하에서 획득된 제2 의료 영상으로부터 획득되고 상기 타겟 요소와 관련된 제2 형태학적 값 사이의 상관 관계(correlation)에 기초하여 계산된 보정 파라미터를 획득함; 상기 제2 스캔 조건 하에서 획득된 타겟 의료 영상을 획득함; 상기 타겟 의료 영상을 상기 타겟 요소를 포함하는 복수의 요소들에 대응되는 복수의 영역들로 세그멘테이션을 수행함으로써, 상기 타겟 의료 영상으로부터 상기 타겟 요소에 관련된 타겟 영역을 획득함; 상기 타겟 영역에 대응하는 복셀(voxel) 데이터에 기초하여 상기 타겟 요소와 관련된 타겟 형태학적 값을 획득함; 상기 타겟 형태학적 값 및 상기 보정 파라미터에 기초하여 보정된 형태학적 값을 획득함; 및 상기 보정된 형태학적 값에 기초하여 형태학적 지표를 출력함;을 포함할 수 있다.
본 출원에 개시된 의료 영상 분석 방법에 따르면, 상기 보정 파라미터는 상기 제2 형태학적 값에 기초하여 상기 제1 형태학적 값을 계산하기 위한 파라미터를 포함하고, 상기 보정된 형태학적 값을 획득하는 것은, 상기 타겟 형태학적 값 및 상기 보정 파라미터에 기초하여, 상기 제1 스캔 조건 하에서의 상기 타겟 요소의 형태학적 추정값인 상기 보정된 형태학적 값을 획득하는 것을 포함할 수 있다.
본 출원에 개시된 의료 영상 분석 방법에 따르면, 상기 보정 파라미터는, 상기 제2 형태학적 값에 기초하여 상기 제1 형태학적 값을 계산하기 위한 선형 함수와 관련된 파라미터를 포함하고, 상기 보정된 형태학적 값을 획득하는 것은, 상기 타겟 형태학적 값 및 상기 파라미터를 포함하는 상기 선형 함수에 기초하여, 상기 보정된 형태학적 값을 획득하는 것을 포함할 수 있다.
본 출원에 개시된 의료 영상 분석 방법에 따르면, 상기 제1 스캔 조건 및 상기 제2 스캔 조건은 의료 영상 획득 장치의 의료 영상의 해상도와 관련되는 자기장 강도, 상기 의료 영상 획득 장치의 제조사 및 상기 의료 영상 획득 장치의 생성되는 자기장의 형태와 관련된 세팅 파라미터 중 적어도 하나와 관련될 수 있다.
본 출원에 개시된 의료 영상 분석 방법에 따르면, 상기 타겟 의료 영상은 제1 특성을 가지는 제1 대상체로부터 획득되고, 상기 보정 파라미터는, 상기 제1 특성을 가지는 제2 대상체로부터 획득된 상기 제1 의료 영상 및 상기 제2 의료 영상으로부터 획득되되, 상기 제1 특성은 대상체의 나이 또는 성별과 관련될 수 있다.
본 출원에 개시된 의료 영상 분석 방법에 따르면, 상기 세그멘테이션은, 상기 타겟 의료 영상에 기초하여 복수의 요소들에 대응되는 복수의 영역들을 획득하도록 제공되는 신경망을 사용하여 수행될 수 있다.
본 출원에 개시된 의료 영상 분석 방법에 따르면, 상기 제2 스캔 조건 하에서 획득된 상기 타겟 의료 영상을 상기 제1 스캔 조건 하에서 획득된 영상에 대응하는 의료 영상으로 변환함;을 더 포함하며, 상기 세그멘테이션은 상기 변환된 의료 영상에 기초하여 수행될 수 있다.
본 출원에 개시된 의료 영상 분석 방법에 따르면, 상기 제1 스캔 조건 및 상기 제2 스캔 조건이 자기장 강도와 관련되는 경우, 상기 보정 파라미터는 제2 자기장 강도 하에서 획득된 상기 제2 의료 영상으로부터 획득되고 타겟 요소와 관련된 상기 제2 형태학적 값을, 제1 자기장 강도 하에서 획득된 상기 제1 의료 영상으로부터 획득되고 타겟 요소와 관련된 상기 제1 형태학적 값으로 변환하기 위한 파라미터 세트를 포함하며, 상기 타겟 의료 영상이 상기 제2 자기장 강도 하에서 획득된 경우, 상기 보정된 형태학적 값은, 상기 타겟 형태학적 값 및 상기 파라미터 세트에 기초하여 획득될 수 있다.
본 출원에 개시된 의료 영상 분석 장치에 따르면, 타겟 의료 영상을 획득하는 영상 획득부; 및 상기 타겟 의료 영상에 기초하여 의료 영상 분석 정보를 제공하는 컨트롤러; 를 포함하되, 상기 컨트롤러는, 제1 스캔 조건 하에서 획득된 제1 의료 영상으로부터 획득되고 타겟 요소와 관련된 제1 형태학적 값과 제2 스캔 조건 하에서 획득된 제2 의료 영상으로부터 획득되고 상기 타겟 요소와 관련된 제2 형태학적 값 사이의 상관 관계(correlation)에 기초하여 계산된 보정 파라미터를 획득하고, 상기 제2 스캔 조건 하에서 획득된 타겟 의료 영상을 획득하고, 상기 타겟 의료 영상을 상기 타겟 요소를 포함하는 복수의 요소들에 대응되는 복수의 영역들로 세그멘테이션을 수행함으로써, 상기 타겟 의료 영상으로부터 상기 타겟 요소에 관련된 타겟 영역을 획득하고, 상기 타겟 영역에 대응하는 복셀(voxel) 데이터에 기초하여 상기 타겟 요소와 관련된 타겟 형태학적 값을 획득하고, 상기 타겟 형태학적 값 및 상기 보정 파라미터에 기초하여 보정된 형태학적 값을 획득하고, 상기 보정된 형태학적 값에 기초하여 형태학적 지표를 출력하도록 구성될 수 있다.
본 출원에 개시된 의료 영상 분석 장치에 따르면, 상기 보정 파라미터는 상기 제2 형태학적 값에 기초하여 상기 제1 형태학적 값을 계산하기 위한 파라미터를 포함하고, 상기 컨트롤러는, 상기 타겟 형태학적 값 및 상기 보정 파라미터에 기초하여, 상기 제1 스캔 조건 하에서의 상기 타겟 요소의 형태학적 추정값인 상기 보정된 형태학적 값을 획득할 수 있다.
본 출원에 개시된 의료 영상 분석 장치에 따르면, 상기 보정 파라미터는, 상기 제2 형태학적 값에 기초하여 상기 제1 형태학적 값을 계산하기 위한 선형 함수와 관련된 파라미터를 포함하고, 상기 컨트롤러는, 상기 타겟 형태학적 값 및 상기 파라미터를 포함하는 상기 선형 함수에 기초하여, 상기 보정된 형태학적 값을 획득하도록 구성될 수 있다.
본 출원에 개시된 의료 영상 분석 장치에 따르면, 상기 제1 스캔 조건 및 상기 제2 스캔 조건은 의료 영상 획득 장치의 의료 영상의 해상도와 관련되는 자기장 강도, 상기 의료 영상 획득 장치의 제조사 및 상기 의료 영상 획득 장치의 생성되는 자기장의 형태와 관련된 세팅 파라미터 세팅 파라미터 중 적어도 하나와 관련될 수 있다.
본 출원에 개시된 의료 영상 분석 장치에 따르면, 상기 타겟 의료 영상은 제1 특성을 가지는 제1 대상체로부터 획득되고, 상기 보정 파라미터는, 상기 제1 특성을 가지는 제2 대상체로부터 획득된 상기 제1 의료 영상 및 상기 제2 의료 영상으로부터 획득되되, 상기 제1 특성은 대상체의 나이 또는 성별과 관련될 수 있다.
본 출원에 개시된 의료 영상 분석 장치에 따르면, 상기 세그멘테이션은, 상기 타겟 의료 영상에 기초하여 복수의 요소들에 대응되는 복수의 영역들을 획득하도록 제공되는 신경망을 사용하여 수행될 수 있다.
본 출원에 개시된 의료 영상 분석 장치에 따르면, 상기 컨트롤러는, 상기 제2 스캔 조건 하에서 획득된 상기 타겟 의료 영상을 상기 제1 스캔 조건 하에서 획득된 영상에 대응하는 의료 영상으로 변환하며, 상기 세그멘테이션은 상기 변환된 의료 영상에 기초하여 수행되도록 구성될 수 있다.
본 출원에 개시된 의료 영상 분석 장치에 따르면, 상기 형태학적 지표 및 형태학적 지표 데이터베이스에 기초하여 획득한 형태학적 정보를 출력하는 출력 모듈을 더 포함하되, 상기 형태학적 정보는 상기 형태학적 지표 데이터베이스 및 상기 형태학적 지표에 기초하여, 상기 타겟 의료 영상의 대상체와 관련된 상기 형태학적 지표의 상기 형태학적 지표 데이터베이스에 대한 백분위 정보를 포함하며, 상기 출력 모듈은 상기 백분위 정보를 반영하는 상기 형태학적 정보를 출력하도록 구성될 수 있다.
본 출원에 개시된 의료 영상 분석 장치에 따르면, 상기 제1 스캔 조건 및 상기 제2 스캔 조건이 자기장 강도와 관련되는 경우, 상기 보정 파라미터는 제2 자기장 강도 하에서 획득된 상기 제2 의료 영상으로부터 획득되고 타겟 요소와 관련된 상기 제2 형태학적 값을, 제1 자기장 강도 하에서 획득된 상기 제1 의료 영상으로부터 획득되고 타겟 요소와 관련된 상기 제1 형태학적 값으로 변환하기 위한 파라미터 세트를 포함하며, 상기 타겟 의료 영상이 상기 제2 자기장 강도 하에서 획득된 경우, 상기 보정된 형태학적 값은, 상기 타겟 형태학적 값 및 상기 파라미터 세트에 기초하여 획득될 수 있다.
본 출원에 개시된 의료 영상 분석 방법에 따르면, 타겟 의료 영상을 획득함; 상기 타겟 의료 영상과 관련된 타겟 스캔 조건을 획득함; 상기 타겟 의료 영상에 포함된 타겟 요소에 대응되는 타겟 영역의 복셀 데이터에 기초하여 상기 타겟 요소와 관련된 타겟 형태학적 값을 획득함; 상기 타겟 스캔 조건에 기초하여, 하나 이상의 보정 파라미터 중 타겟 보정 파라미터를 결정함; 및 상기 결정된 타겟 보정 파라미터 및 상기 타겟 형태학적 값에 기초하여 형태학적 지표를 출력함;을 포함하되, 상기 타겟 보정 파라미터를 결정하는 것은, 상기 타겟 스캔 조건이 상기 제1 스캔 조건에 대응되는 경우, 상기 타겟 보정 파라미터는 제1 스캔 조건 하에서 획득된 타겟 요소와 관련된 제1 형태학적 값을 보정하기 위한 제1 보정 파라미터로 결정하고, 상기 타겟 스캔 조건이 상기 제2 스캔 조건에 대응되는 경우, 상기 타겟 보정 파라미터는, 상기 제1 스캔 조건과는 상이한 제2 스캔 조건 하에서 획득된 상기 타겟 요소와 관련된 제2 형태학적 값을 보정하기 위한 제2 보정 파라미터로 결정하는 것을 포함할 수 있다.
본 출원에 개시된 의료 영상 분석 방법에 따르면, 상기 형태학적 지표를 출력하는 것은, 상기 타겟 스캔 조건이 상기 제1 스캔 조건에 대응되는 경우 상기 타겟 형태학적 값 및 상기 제1 보정 파라미터에 기초하여 상기 제1 보정된 형태학적 지표를 계산하며, 상기 타겟 스캔 조건이 상기 제2 스캔 조건에 대응되는 경우 상기 타겟 형태학적 값 및 상기 제2 보정 파라미터에 기초하여 상기 제1 보정된 형태학적 지표와는 상이한 상기 제2 보정된 형태학적 지표를 계산함; 및 상기 타겟 스캔 조건이 상기 제1 스캔 조건에 대응되는 경우 상기 제1 보정된 형태학적 지표를 출력하며, 상기 타겟 스캔 조건이 상기 제2 스캔 조건에 대응되는 경우 상기 제2 보정된 형태학적 지표를 출력함;을 포함할 수 있다.
본 출원에 개시된 의료 영상 분석 방법에 따르면, 상기 타겟 보정 파라미터를 결정하기 위한 기준이 되는 레퍼런스 스캔 조건을 획득함; 을 더 포함할 수 있다.
본 출원에 개시된 의료 영상 분석 방법에 따르면, 상기 제1 보정 파라미터는 상기 제1 스캔 조건 하에서 획득된 형태학적 값을 제3 스캔 조건 하에서의 형태학적 추정값으로 계산하기 위한 파라미터를 포함하고, 상기 제2 보정 파라미터는 상기 제2 스캔 조건 하에서 획득된 형태학적 값을 제3 스캔 조건 하에서의 형태학적 추정값으로 계산하기 위한 파라미터를 포함하되, 상기 제1 보정된 형태학적 지표를 계산하는 것은, 상기 타겟 형태학적 값 및 상기 제1 보정 파라미터에 기초하여, 상기 제2 스캔 조건 하에서의 상기 타겟 요소의 형태학적 추정값인 상기 제1 보정된 형태학적 값을 획득하는 것을 포함하며, 상기 제2 보정된 형태학적 지표를 계산하는 것은, 상기 타겟 형태학적 값 및 상기 제2 보정 파라미터에 기초하여, 상기 제3 스캔 조건 하에서의 상기 타겟 요소의 형태학적 추정값인 상기 제2 보정된 형태학적 값을 획득하는 것을 포함할 수 있다.
본 출원에 개시된 의료 영상 분석 방법에 따르면, 상기 제1 보정 파라미터는 상기 제1 스캔 조건 하에서 획득된 형태학적 값을 제3 스캔 조건 하에서의 형태학적 추정값으로 계산하기 위한 제1 선형 함수와 관련된 제1 파라미터 세트를 포함하고, 상기 제2 보정 파라미터는 상기 제2 스캔 조건 하에서 획득된 형태학적 값을 제3 스캔 조건 하에서의 형태학적 추정값으로 계산하기 위한 제2 선형 함수와 관련된 제2 파라미터 세트를 포함하며, 상기 제1 보정된 형태학적 지표를 계산하는 것은, 상기 타겟 형태학적 값 및 상기 제1 파라미터 세트를 포함하는 상기 제1 선형 함수에 기초하여, 상기 제1 보정된 형태학적 값을 획득하는 것을 포함하며, 상기 제2 보정된 형태학적 지표를 계산하는 것은, 상기 타겟 형태학적 값 및 상기 제2 파라미터 세트를 포함하는 상기 제2 선형 함수에 기초하여, 상기 제2 보정된 형태학적 값을 획득하는 것을 포함할 수 있다.
본 출원에 개시된 의료 영상 분석 방법에 따르면, 상기 제1 스캔 조건, 상기 제2 스캔 조건 및 상기 타겟 스캔 조건은 의료 영상 획득 장치의 의료 영상의 해상도와 관련되는 자기장 강도, 상기 의료 영상 획득 장치의 제조사 및 상기 의료 영상 획득 장치의 생성되는 자기장의 형태와 관련된 세팅 파라미터 세팅 파라미터 중 적어도 하나와 관련될 수 있다.
본 출원에 개시된 의료 영상 분석 방법에 따르면, 상기 타겟 의료 영상은 제1 특성을 가지는 대상체로부터 획득되고, 상기 제1 보정 파라미터 또는 상기 제2 보정 파라미터는, 상기 제1 특성을 가지는 대상체로부터 획득된 상기 제1 의료 영상 및 상기 제2 의료 영상으로부터 획득되되, 상기 제1 특성은 대상체의 나이 또는 성별과 관련될 수 있다.
본 출원에 개시된 의료 영상 분석 방법에 따르면, 상기 타겟 형태학적 값을 획득하는 것은, 상기 타겟 의료 영상을 적어도 상기 타겟 요소를 포함하는 복수의 요소들에 대응되는 복수의 영역들로 세그멘테이션을 수행함으로써, 상기 타겟 의료 영상으로부터 상기 타겟 요소에 관련된 타겟 영역을 획득함; 및 상기 타겟 영역에 대응되는 복셀 데이터에 기초하여 상기 타겟 형태학적 값을 획득함을 포함하며, 상기 세그멘테이션은 상기 타겟 의료 영상에 기초하여 복수의 요소들에 대응되는 복수의 영역들을 획득하도록 제공되는 신경망을 사용하여 수행될 수 있다.
본 출원에 개시된 의료 영상 분석 방법에 따르면, 상기 타겟 스캔 조건 하에서 획득된 상기 타겟 의료 영상을 상기 타겟 스캔 조건 이외의 스캔 조건 하에서 촬영된 영상에 대응하는 의료 영상으로 변환함;을 더 포함하며, 상기 세그멘테이션은 상기 변환된 의료 영상에 기초하여 수행될 수 있다.
본 출원에 개시된 의료 영상 분석 방법에 따르면, 상기 제1 스캔 조건, 상기 제2 스캔 조건 및 상기 타겟 스캔 조건이 자기장 강도와 관련되는 경우, 상기 제1 보정 파라미터는 제1 자기장 강도 하에서 획득된 상기 타겟 요소와 관련된 상기 제1 형태학적 값을 보정하기 위한 제1 파라미터 세트를 포함하며, 상기 제2 보정 파라미터는 제2 자기장 강도 하에서 획득된 상기 타겟 요소와 관련된 상기 제2 형태학적 값을 보정하기 위한 제2 파라미터 세트를 포함하며, 상기 타겟 보정 파라미터를 결정하는 것은, 상기 타겟 스캔 조건이 상기 제1 자기장 강도에 대응되는 경우, 상기 타겟 보정 파라미터는 상기 제1 파라미터 세트로 결정하고, 상기 타겟 스캔 조건이 상기 제2 자기장 강도에 대응되는 경우, 상기 타겟 보정 파라미터는, 제2 파라미터 세트로 결정하는 것을 포함할 수 있다.
본 출원에 개시된 의료 영상 분석 장치에 따르면, 타겟 의료 영상을 획득하는 영상 획득부; 및 상기 타겟 의료 영상에 기초하여 의료 영상 분석 정보를 제공하는 컨트롤러; 를 포함하되, 상기 컨트롤러는, 상기 타겟 의료 영상과 관련된 타겟 스캔 조건을 획득하고, 상기 타겟 의료 영상에 포함된 타겟 요소에 대응되는 타겟 영역의 복셀 데이터에 기초하여 상기 타겟 요소와 관련된 타겟 형태학적 값을 획득하고, 상기 타겟 스캔 조건에 기초하여 하나 이상의 보정 파라미터 중 타겟 보정 파라미터를 결정하고, 상기 결정된 타겟 보정 파라미터 및 상기 타겟 형태학적 값에 기초하여 형태학적 지표를 출력하도록 구성되되, 상기 타겟 스캔 조건이 상기 제1 스캔 조건에 대응되는 경우, 상기 타겟 보정 파라미터를 제1 스캔 조건 하에서 획득된 타겟 요소와 관련된 제1 형태학적 값을 보정하기 위한 제1 보정 파라미터로 결정하고, 상기 타겟 스캔 조건이 상기 제2 스캔 조건에 대응되는 경우, 상기 타겟 보정 파라미터를 상기 제1 스캔 조건과는 상이한 제2 스캔 조건 하에서 획득된 상기 타겟 요소와 관련된 제2 형태학적 값을 보정하기 위한 제2 보정 파라미터로 결정함으로써 상기 타겟 보정 파라미터를 결정하도록 구성될 수 있다.
본 출원에 개시된 의료 영상 분석 장치에 따르면, 상기 컨트롤러는, 상기 타겟 스캔 조건이 상기 제1 스캔 조건에 대응되는 경우 상기 타겟 형태학적 값 및 상기 제1 보정 파라미터에 기초하여 상기 제1 보정된 형태학적 지표를 계산하며, 상기 타겟 스캔 조건이 상기 제2 스캔 조건에 대응되는 경우 상기 타겟 형태학적 값 및 상기 제2 보정 파라미터에 기초하여 상기 제1 보정된 형태학적 지표와는 상이한 상기 제2 보정된 형태학적 지표를 계산하며, 상기 타겟 스캔 조건이 상기 제1 스캔 조건에 대응되는 경우 상기 제1 보정된 형태학적 지표를 출력하며, 상기 타겟 스캔 조건이 상기 제2 스캔 조건에 대응되는 경우 상기 제2 보정된 형태학적 지표를 출력함으로써 상기 형태학적 지표를 출력하도록 구성될 수 있다.
본 출원에 개시된 의료 영상 분석 장치에 따르면, 상기 제1 보정 파라미터는 상기 제1 스캔 조건 하에서 획득된 형태학적 값을 제3 스캔 조건 하에서의 형태학적 추정값으로 계산하기 위한 파라미터를 포함하고, 상기 제2 보정 파라미터는 상기 제2 스캔 조건 하에서 획득된 형태학적 값을 제3 스캔 조건 하에서의 형태학적 추정값으로 계산하기 위한 파라미터를 포함하되, 상기 컨트롤러는, 상기 타겟 형태학적 값 및 상기 제1 보정 파라미터에 기초하여, 상기 제2 스캔 조건 하에서의 상기 타겟 요소의 형태학적 추정값인 상기 제1 보정된 형태학적 값을 획득하여 상기 제1 보정된 형태학적 지표를 계산하며, 상기 타겟 형태학적 값 및 상기 제2 보정 파라미터에 기초하여, 상기 제3 스캔 조건 하에서의 상기 타겟 요소의 형태학적 추정값인 상기 제2 보정된 형태학적 값을 획득하여 상기 제2 보정된 형태학적 지표를 계산하도록 구성될 수 있다.
본 출원에 개시된 의료 영상 분석 장치에 따르면, 상기 제1 보정 파라미터는 상기 제1 스캔 조건 하에서 획득된 형태학적 값을 제3 스캔 조건 하에서의 형태학적 추정값으로 계산하기 위한 제1 선형 함수와 관련된 제1 파라미터 세트를 포함하고, 상기 제2 보정 파라미터는 상기 제2 스캔 조건 하에서 획득된 형태학적 값을 제3 스캔 조건 하에서의 형태학적 추정값으로 계산하기 위한 제2 선형 함수와 관련된 제2 파라미터 세트를 포함하며, 상기 컨트롤러는, 상기 타겟 형태학적 값 및 상기 제1 파라미터 세트를 포함하는 상기 제1 선형 함수에 기초하여, 상기 제1 보정된 형태학적 값을 획득하여 상기 제1 보정된 형태학적 지표를 계산하며, 상기 타겟 형태학적 값 및 상기 제2 파라미터 세트를 포함하는 상기 제2 선형 함수에 기초하여, 상기 제2 보정된 형태학적 값을 획득하여 상기 제2 보정된 형태학적 지표를 계산하도록 구성될 수 있다.
본 출원에 개시된 의료 영상 분석 장치에 따르면, 상기 제1 스캔 조건 및 상기 제2 스캔 조건은 의료 영상 획득 장치의 의료 영상의 해상도와 관련되는 자기장 강도, 상기 의료 영상 획득 장치의 제조사 및 상기 의료 영상 획득 장치의 생성되는 자기장의 형태와 관련된 세팅 파라미터 세팅 파라미터 중 적어도 하나와 관련될 수 있다.
본 출원에 개시된 의료 영상 분석 장치에 따르면, 상기 타겟 의료 영상은 제1 특성을 가지는 대상체로부터 획득되고, 상기 제1 보정 파라미터 및 상기 제2 보정 파라미터 중 적어도 하나를 포함하는 상기 타겟 보정 파라미터는, 상기 제1 특성을 가지는 대상체로부터 획득된 상기 제1 의료 영상 및 상기 제2 의료 영상으로부터 획득되되, 상기 제1 특성은 대상체의 나이 또는 성별과 관련될 수 있다.
본 출원에 개시된 의료 영상 분석 장치에 따르면, 상기 컨트롤러는, 상기 타겟 의료 영상을 적어도 상기 타겟 요소를 포함하는 복수의 요소들에 대응되는 복수의 영역들로 세그멘테이션을 수행함으로써, 상기 타겟 의료 영상으로부터 상기 타겟 요소에 관련된 타겟 영역을 획득하며, 상기 타겟 영역에 대응되는 복셀 데이터에 기초하여 상기 타겟 형태학적 값을 획득하도록 구성되며, 상기 세그멘테이션은 상기 타겟 의료 영상에 기초하여 복수의 요소들에 대응되는 복수의 영역들을 획득하도록 제공되는 신경망을 사용하여 수행될 수 있다.
본 출원에 개시된 의료 영상 분석 장치에 따르면, 상기 컨트롤러는, 상기 타겟 스캔 조건 하에서 획득된 상기 타겟 의료 영상을 상기 타겟 스캔 조건 이외의 스캔 조건 하에서 촬영된 영상에 대응하는 의료 영상으로 변환하며, 상기 변환된 의료 영상에 기초하여 상기 세그멘테이션을 수행하도록 구성될 수 있다.
본 출원에 개시된 의료 영상 분석 장치에 따르면, 상기 제1 스캔 조건, 상기 제2 스캔 조건 및 상기 타겟 스캔 조건이 자기장 강도와 관련되는 경우, 상기 제1 보정 파라미터는 제1 자기장 강도 하에서 획득된 상기 타겟 요소와 관련된 상기 제1 형태학적 값을 보정하기 위한 제1 파라미터 세트를 포함하며, 상기 제2 보정 파라미터는 제2 자기장 강도 하에서 획득된 상기 타겟 요소와 관련된 상기 제2 형태학적 값을 보정하기 위한 제2 파라미터 세트를 포함하며, 상기 컨트롤러는, 상기 타겟 스캔 조건이 상기 제1 자기장 강도에 대응되는 경우, 상기 타겟 보정 파라미터는 상기 제1 파라미터 세트로 결정하고, 상기 타겟 스캔 조건이 상기 제2 자기장 강도에 대응되는 경우, 상기 타겟 보정 파라미터는, 제2 파라미터 세트로 결정함으로써, 상기 타겟 보정 파라미터를 결정하도록 구성될 수 있다.
본 출원에 개시된 뇌 영상 분석 방법에 따르면, 제1 뇌 요소와 관련된 제1 형태학적 값을 보정하기 위한 제1 보정 파라미터를 획득함; 제1 뇌 요소와 다른 제2 뇌 요소와 관련된 제2 형태학적 값을 보정하기 위한 제2 보정 파라미터를 획득함; 타겟 뇌 영상을 획득함; 상기 타겟 뇌 영상을 상기 제1 뇌 요소에 대응되는 제1 영역, 상기 제2 뇌 요소에 대응되는 제2 영역 및 두개골 영역을 포함하는 복수의 뇌 영역들로 세그멘테이션을 수행함으로써, 상기 제1 영역, 상기 제2 영역 및 상기 두개골 영역의 내부 영역과 관련된 제3 영역을 획득함; 상기 제1 영역에 대응되는 복셀 데이터, 상기 제3 영역에 대응되는 복셀 데이터 및 상기 제1 보정 파라미터에 기초하여 상기 제1 뇌 요소와 관련된 제1 뇌 형태학적 지표를 획득함; 및 상기 제2 영역에 대응되는 복셀 데이터, 상기 제3 영역에 대응되는 복셀 데이터 및 상기 제2 보정 파라미터에 기초하여 상기 제2 뇌 요소와 관련된 제2 뇌 형태학적 지표를 획득함;을 포함할 수 있다.
본 출원에 개시된 뇌 영상 분석 방법에 따르면, 상기 제3 영역에 대응되는 복셀 데이터에 기초하여 상기 내부 영역과 관련된 기준 형태학적 값을 획득함;을 더 포함하며, 상기 제1 뇌 형태학적 지표를 획득하는 것은, 상기 제1 영역에 대응되는 복셀 데이터에 기초하여 상기 제1 뇌 요소와 관련된 제1 타겟 형태학적 값을 획득함; 상기 제1 타겟 형태학적 값과 상기 제1 보정 파라미터에 기초하여 제1 뇌 요소와 관련된 제1 보정된 형태학적 값을 계산함; 및 상기 제1 보정된 형태학적 값 및 상기 기준 형태학적 값에 기초하여 상기 제1 뇌 형태학적 지표를 계산함;을 포함하며, 상기 제2 뇌 형태학적 지표를 획득하는 것은, 상기 제2 영역에 대응되는 복셀 데이터에 기초하여 상기 제2 뇌 요소와 관련된 제2 타겟 형태학적 값을 획득함; 상기 제2 타겟 형태학적 값과 상기 제2 보정 파라미터에 기초하여 제2 뇌 요소와 관련된 제2 보정된 형태학적 값을 계산함; 및 상기 제2 보정된 형태학적 값 및 상기 기준 형태학적 값에 기초하여 상기 제2 뇌 형태학적 지표를 계산함;을 포함할 수 있다.
본 출원에 개시된 뇌 영상 분석 방법에 따르면, 상기 제1 형태학적 값 및 상기 제2 형태학적 값은 제1 스캔 조건 하에서 획득된 값이며, 상기 타겟 뇌 영상은 상기 제1 스캔 조건 하에서 획득되며, 상기 제1 보정 파라미터는 상기 제1 형태학적 값에 기초하여 상기 제1 스캔 조건과는 상이한 제2 스캔 조건 하에서 획득된 상기 제1 뇌 요소와 관련된 제3 형태학적 값을 계산하기 위한 제1 파라미터를 포함하고, 상기 제2 보정 파라미터는 상기 제2 형태학적 값에 기초하여 상기 제2 스캔 조건 하에서 획득된 상기 제2 뇌 요소와 관련된 제4 형태학적 값을 계산하기 위한 제2 파라미터를 포함하며, 상기 제1 보정된 형태학적 값을 계산하는 것은, 상기 제1 타겟 형태학적 값 및 상기 제1 보정 파라미터에 기초하여, 상기 제2 스캔 조건 하에서의 상기 제1 뇌 요소의 형태학적 추정값인 상기 제1 보정된 형태학적 값을 획득하는 것을 포함하며, 상기 제2 보정된 형태학적 값을 계산하는 것은, 상기 제2 타겟 형태학적 값 및 상기 제2 보정 파라미터에 기초하여, 상기 제2 스캔 조건 하에서의 상기 제2 뇌 요소의 형태학적 추정값인 상기 제2 보정된 형태학적 값을 획득하는 것을 포함할 수 있다.
본 출원에 개시된 뇌 영상 분석 방법에 따르면, 상기 제1 보정 파라미터는, 상기 제1 형태학적 값에 기초하여 상기 제3 형태학적 값을 계산하기 위한 제1 선형 함수와 관련된 제1 파라미터 세트를 포함하고, 상기 제2 보정 파라미터는, 상기 제2 형태학적 값에 기초하여 상기 제4 형태학적 값을 계산하기 위한 제2 선형 함수와 관련된 제2 파라미터 세트를 포함하며, 상기 제1 보정된 형태학적 값을 계산하는 것은, 상기 제1 타겟 형태학적 값 및 상기 제1 선형 함수와 관련된 제1 파라미터 세트에 기초하여 상기 제1 보정된 형태학적 값을 획득하는 것을 포함하며, 상기 제2 보정된 형태학적 값을 계산하는 것은, 상기 제2 타겟 형태학적 값 및 상기 제2 선형 함수와 관련된 제2 파라미터 세트에 기초하여 상기 제2 보정된 형태학적 값을 획득하는 것을 포함할 수 있다.
본 출원에 개시된 뇌 영상 분석 방법에 따르면, 상기 제1 뇌 요소에 대응되는 상기 제1 영역은, 상기 제2 뇌 요소에 대응되는 상기 제2 영역과 비교하여 상기 두개골 영역에 인접하여 위치할 수 있다.
본 출원에 개시된 뇌 영상 분석 방법에 따르면, 상기 제1 뇌 요소는 제1 뇌 기능을 수행하는 요소와 관련되며, 상기 제2 뇌 요소는 상기 제1 뇌 기능과는 상이한 제2 뇌 기능을 수행하는 요소와 관련될 수 있다.
본 출원에 개시된 뇌 영상 분석 방법에 따르면, 상기 제1 스캔 조건 및 상기 제2 스캔 조건은 뇌 영상 획득 장치의 뇌 영상의 해상도와 관련되는 자기장 강도, 상기 뇌 영상 획득 장치의 제조사 및 상기 뇌 영상 획득 장치의 생성되는 자기장의 형태와 관련된 세팅 파라미터 중 적어도 하나와 관련될 수 있다.
본 출원에 개시된 뇌 영상 분석 방법에 따르면, 상기 타겟 뇌 영상은 제1 특성을 가지는 제1 대상체로부터 획득되고, 상기 제1 보정 파라미터 및 상기 제2 보정 파라미터는, 상기 제1 특성을 가지는 제2 대상체로부터 획득된 제1 뇌 영상 및 제2 뇌 영상으로부터 획득되되, 상기 제1 특성은 대상체의 나이 또는 성별과 관련될 수 있다.
본 출원에 개시된 뇌 영상 분석 방법에 따르면, 상기 세그멘테이션은, 상기 타겟 뇌 영상에 기초하여 상기 제1 뇌 요소, 상기 제2 뇌 요소 및 상기 두개골을 포함하는 복수의 뇌 요소들에 대응되는 복수의 뇌 영역들을 획득하도록 제공되는 신경망을 사용하여 수행될 수 있다.
본 출원에 개시된 뇌 영상 분석 방법에 따르면, 상기 타겟 뇌 영상을 전처리함;을 더 포함하되, 상기 타겟 뇌 영상을 전처리하는 것은, 상기 제1 영역에 대하여는 제1 방법으로 전처리를 수행하되, 상기 제2 영역에 대하여는 제1 방법과는 상이한 제2 방법의 전처리를 수행하는 것을 포함하며, 상기 세그멘테이션은 상기 전처리된 상기 타겟 뇌 영상에 기초하여 수행될 수 있다.
본 출원에 개시된 뇌 영상 분석 방법에 따르면, 상기 제1 보정된 형태학적 값은 상기 타겟 뇌 영상으로 획득된 상기 제1 뇌 요소와 관련된 체적값이며, 상기 제2 타겟 형태학적 값은 상기 타겟 뇌 영상으로 획득된 상기 제2 뇌 요소와 관련된 체적값이며, 상기 제1 뇌 형태학적 지표는 상기 기준 형태학적 값에 대한 상기 제1 보정된 형태학적 값으로 계산되며, 상기 제2 뇌 형태학적 지표는 상기 기준 형태학적 값에 대한 상기 제2 보정된 형태학적 값으로 계산될 수 있다.
본 출원에 개시된 뇌 영상 분석 장치에 따르면, 타겟 뇌 영상을 획득하는 영상 획득부; 및 상기 타겟 뇌 영상에 기초하여 뇌 영상 분석 정보를 제공하는 컨트롤러;를 포함하되, 상기 컨트롤러는, 제1 뇌 요소와 관련된 제1 형태학적 값을 보정하기 위한 제1 보정 파라미터를 획득하고, 제1 뇌 요소와 다른 제2 뇌 요소와 관련된 제2 형태학적 값을 보정하기 위한 제2 보정 파라미터를 획득하고, 타겟 뇌 영상을 획득하고, 상기 타겟 뇌 영상을 상기 제1 뇌 요소에 대응되는 제1 영역, 상기 제2 뇌 요소에 대응되는 제2 영역 및 두개골 영역을 포함하는 복수의 뇌 영역들로 세그멘테이션을 수행함으로써, 상기 제1 영역, 상기 제2 영역 및 상기 두개골 영역의 내부 영역과 관련된 제3 영역을 획득하고, 상기 제1 영역에 대응되는 복셀 데이터, 상기 제3 영역에 대응되는 복셀 데이터 및 상기 제1 보정 파라미터에 기초하여 상기 제1 뇌 요소와 관련된 제1 뇌 형태학적 지표를 획득하고, 상기 제2 영역에 대응되는 복셀 데이터, 상기 제3 영역에 대응되는 복셀 데이터 및 상기 제2 보정 파라미터에 기초하여 상기 제2 뇌 요소와 관련된 제2 뇌 형태학적 지표를 획득하도록 구성될 수 있다.
본 출원에 개시된 뇌 영상 분석 장치에 따르면, 상기 컨트롤러는, 상기 제3 영역에 대응되는 복셀 데이터에 기초하여 상기 내부 영역과 관련된 기준 형태학적 값을 획득하도록 구성되며, 상기 제1 영역에 대응되는 복셀 데이터에 기초하여 상기 제1 뇌 요소와 관련된 제1 타겟 형태학적 값을 획득하고, 상기 제1 타겟 형태학적 값과 상기 제1 보정 파라미터에 기초하여 제1 뇌 요소와 관련된 제1 보정된 형태학적 값을 계산하고, 상기 제1 보정된 형태학적 값 및 상기 기준 형태학적 값에 기초하여 상기 제1 뇌 형태학적 지표를 계산하여 상기 제1 뇌 형태학적 지표를 획득하며, 상기 제2 영역에 대응되는 복셀 데이터에 기초하여 상기 제2 뇌 요소와 관련된 제2 타겟 형태학적 값을 획득하고, 상기 제2 타겟 형태학적 값과 상기 제2 보정 파라미터에 기초하여 제2 뇌 요소와 관련된 제2 보정된 형태학적 값을 계산하고, 상기 제2 보정된 형태학적 값 및 상기 기준 형태학적 값에 기초하여 상기 제2 뇌 형태학적 지표를 계산하여 상기 제2 뇌 형태학적 지표를 획득하도록 구성될 수 있다.
본 출원에 개시된 뇌 영상 분석 장치에 따르면, 상기 제1 형태학적 값 및 상기 제2 형태학적 값은 제1 스캔 조건 하에서 획득된 값이며, 상기 타겟 뇌 영상은 상기 제1 스캔 조건 하에서 획득되며, 상기 제1 보정 파라미터는 상기 제1 형태학적 값에 기초하여 상기 제1 스캔 조건과는 상이한 제2 스캔 조건 하에서 획득된 상기 제1 뇌 요소와 관련된 제3 형태학적 값을 계산하기 위한 제1 파라미터를 포함하고, 상기 제2 보정 파라미터는 상기 제2 형태학적 값에 기초하여 상기 제2 스캔 조건 하에서 획득된 상기 제2 뇌 요소와 관련된 제4 형태학적 값을 계산하기 위한 제2 파라미터를 포함하며, 상기 컨트롤러는, 상기 제1 타겟 형태학적 값 및 상기 제1 보정 파라미터에 기초하여 상기 제2 스캔 조건 하에서의 상기 제1 뇌 요소의 형태학적 추정값인 상기 제1 보정된 형태학적 값을 계산하며, 상기 제2 타겟 형태학적 값 및 상기 제2 보정 파라미터에 기초하여 상기 제2 스캔 조건 하에서의 상기 제2 뇌 요소의 형태학적 추정값인 상기 제2 보정된 형태학적 값을 계산하도록 구성될 수 있다.
본 출원에 개시된 뇌 영상 분석 장치에 따르면, 상기 제1 보정 파라미터는, 상기 제1 형태학적 값에 기초하여 상기 제3 형태학적 값을 계산하기 위한 제1 선형 함수와 관련된 제1 파라미터 세트를 포함하고, 상기 제2 보정 파라미터는, 상기 제2 형태학적 값에 기초하여 상기 제4 형태학적 값을 계산하기 위한 제2 선형 함수와 관련된 제2 파라미터 세트를 포함하며, 상기 제1 보정된 형태학적 값을 계산하는 것은, 상기 제1 타겟 형태학적 값 및 상기 제1 선형 함수와 관련된 제1 파라미터 세트에 기초하여 상기 제1 보정된 형태학적 값을 획득하는 것을 포함하며, 상기 컨트롤러는, 상기 제1 타겟 형태학적 값 및 상기 제1 선형 함수와 관련된 제1 파라미터 세트에 기초하여 상기 제1 보정된 형태학적 값을 계산하며, 상기 제2 타겟 형태학적 값 및 상기 제2 선형 함수와 관련된 제2 파라미터 세트에 기초하여 상기 제2 보정된 형태학적 값을 계산하도록 구성될 수 있다.
본 출원에 개시된 뇌 영상 분석 장치에 따르면, 상기 제1 뇌 요소에 대응되는 상기 제1 영역은, 상기 제2 뇌 요소에 대응되는 상기 제2 영역과 비교하여 상기 두개골 영역에 인접하여 위치할 수 있다.
본 출원에 개시된 뇌 영상 분석 장치에 따르면, 상기 제1 뇌 요소는 제1 뇌 기능을 수행하는 요소와 관련되며, 상기 제2 뇌 요소는 상기 제1 뇌 기능과는 상이한 제2 뇌 기능을 수행하는 요소와 관련될 수 있다.
본 출원에 개시된 뇌 영상 분석 장치에 따르면, 상기 제1 스캔 조건 및 상기 제2 스캔 조건은 뇌 영상 획득 장치의 뇌 영상의 해상도와 관련되는 자기장 강도, 상기 뇌 영상 획득 장치의 제조사 및 상기 뇌 영상 획득 장치의 생성되는 자기장의 형태와 관련된 세팅 파라미터 세팅 파라미터 중 적어도 하나와 관련될 수 있다.
본 출원에 개시된 뇌 영상 분석 장치에 따르면, 상기 컨트롤러는, 상기 타겟 뇌 영상은 제1 특성을 가지는 제1 대상체로부터 획득되고, 상기 제1 보정 파라미터 및 상기 제2 보정 파라미터는, 상기 제1 특성을 가지는 제2 대상체로부터 획득된 제1 뇌 영상 및 제2 뇌 영상으로부터 획득되되, 상기 제1 특성은 대상체의 나이 또는 성별과 관련될 수 있다.
본 출원에 개시된 뇌 영상 분석 장치에 따르면, 상기 세그멘테이션은, 상기 타겟 뇌 영상에 기초하여 상기 제1 뇌 요소, 상기 제2 뇌 요소 및 상기 두개골을 포함하는 복수의 뇌 요소들에 대응되는 복수의 뇌 영역들을 획득하도록 제공되는 신경망을 사용하여 수행될 수 있다.
본 출원에 개시된 뇌 영상 분석 장치에 따르면, 상기 컨트롤러는, 상기 타겟 뇌 영상을 전처리하며, 상기 세그멘테이션은 상기 전처리된 상기 타겟 뇌 영상에 기초하여 수행하되, 상기 제1 영역에 대하여는 제1 방법으로 전처리를 수행하되, 상기 제2 영역에 대하여는 제1 방법과는 상이한 전처리를 수행하도록 구성될 수 있다.
본 출원에 개시된 뇌 영상 분석 장치에 따르면, 상기 제1 보정된 형태학적 값은 상기 타겟 뇌 영상으로 획득된 상기 제1 뇌 요소와 관련된 체적값이며, 상기 제2 타겟 형태학적 값은 상기 타겟 뇌 영상으로 획득된 상기 제2 뇌 요소와 관련된 체적값이며, 상기 제1 뇌 형태학적 지표는 상기 기준 형태학적 값에 대한 상기 제1 보정된 형태학적 값으로 계산되며, 상기 제2 뇌 형태학적 지표는 상기 기준 형태학적 값에 대한 상기 제2 보정된 형태학적 값으로 계산될 수 있다.
본 출원의 상술한 목적, 특징들 및 장점은 첨부된 도면과 관련된 다음의 상세한 설명을 통해 보다 분명해질 것이다. 다만, 본 출원은 다양한 변경을 가할 수 있고 여러 가지 실시예들을 가질 수 있는 바, 이하에서는 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다.
명세서 전체에 걸쳐서 동일한 참조번호들은 원칙적으로 동일한 구성요소들을 나타낸다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명하며, 이에 대한 중복되는 설명은 생략하기로 한다.
본 출원과 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 출원의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.
또한, 이하의 실시예에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.
도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타낸 것으로, 본 발명이 반드시 도시된 바에 한정되지 않는다.
어떤 실시예가 달리 구현 가능한 경우에 특정한 프로세스의 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 프로세스가 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 진행될 수 있다.
이하의 실시예에서, 구성 요소 등이 연결되었다고 할 때, 구성 요소들이 직접적으로 연결된 경우뿐만 아니라 구성요소들 중간에 구성 요소들이 개재되어 간접적으로 연결된 경우도 포함한다.
예컨대, 본 명세서에서 구성 요소 등이 전기적으로 연결되었다고 할 때, 구성 요소 등이 직접 전기적으로 연결된 경우뿐만 아니라, 그 중간에 구성 요소 등이 개재되어 간접적으로 전기적 연결된 경우도 포함한다.
이하에서는 본 출원의 뇌 영상 분석 장치, 뇌 영상 분석 시스템 및 뇌 영상 분석 방법에 관하여 설명한다. 여기서, 뇌 영상 분석은 뇌 영상에 대하여 세그멘테이션을 수행함으로써 복수의 뇌 영역을 획득한 후 뇌와 관련된 형태학적 지표를 계산하고 이를 사용자에게 출력함으로써 수행될 수 있다.
본 출원에서는 이러한 뇌 영상 분석의 정확도와 신뢰도를 개선하기 위하여, 뇌 영상의 퀄리티를 체크하여 뇌 영상 분석 결과에 대한 신뢰도를 개선하거나, 획득된 특정 뇌 영역의 형태학적 값 혹은 형태학적 지표를 보정하여 뇌 영상 분석 결과의 정확도를 개선하거나, 분석될 뇌 영상 자체로부터 특정 뇌 영역의 형태학적 값 혹은 형태학적 지표을 계산하여 개인 맞춤형인 분석 결과를 제공하거나, 사용자에게 선별적인 정보만을 제공하여 사용자 친화적인 레포트를 제공하는 등의 다양한 기법들을 개시한다.
이하에서는 본 출원의 일 실시예에 따른 의료 이미지 분석 방법 및 의료 이미지 분석 장치 및 의료 이미지 분석 시스템에 관하여 설명한다.
도 1은 본 출원의 일 실시예에 따른 의료 이미지 분석 시스템에 관한 개략도이다. 도 1을 참고하면, 본 출원의 일 실시예에 따른 의료 이미지 분석 시스템은 이미지 획득 장치(1000) 및 이미지 분석 장치(2000)를 포함할 수 있다.
이미지 획득 장치(1000)는 이미지를 획득하여 네트워크를 통하여 이미지 분석 장치(2000)에 송신할 수 있다.
일 예로, 이미지 획득 장치(1000)는 자기 공명 영상(MRI, Magnetic Resonance Imaging)을 획득하기 위한 장치일 수 있다. 이때, 이미지 획득 장치(1000)에 획득된 자기 공명 영상은 네트워크를 통하여 이미지 분석 장치(2000)로 전달될 수 있다.
다른 예로, 이미지 획득 장치(1000)는 컴퓨터 단층 촬영(CT, Computed Tomography) 영상을 획득하기 위한 장치일 수 있다. 이때, 이미지 획득 장치(1000)에 획득된 컴퓨터 단층 촬영 영상은 네트워크를 통하여 이미지 분석 장치(2000)로 전달될 수 있다.
또 다른 예로, 이미지 획득 장치(1000)는 방사선 촬영(Radiography)에 의하여 획득된 영상을 획득하기 위한 장치일 수 있다. 이때, 이미지 획득 장치(1000)에 획득된 방사선 촬영 영상은 네트워크를 통하여 이미지 분석 장치(2000)로 전달될 수 있다.
또 다른 예로, 이미지 획득 장치(1000)는 양전자 방사 단층 촬영법(positron emission tomography, PET)에 의하여 획득된 영상을 획득하기 위한 장치일 수 있다.
다만 상술한 이미지 획득 장치(1000)는 예시에 불과하며, 이에 제한되지 않고, 의학 촬영(medical imaging)에 활용되는 임의의 적절한 장치나 시스템을 포괄하는 의미로 해석되어야 할 것이다.
이미지 획득 장치(1000)에 의해 획득된 이미지는 2차원 형태의 이미지일 수 있다. 이때, 이미지는 픽셀의 좌표, 색상, 강도 등과 관련된 픽셀 정보를 포함할 수 있다.
이미지 획득 장치(1000)에 의해 획득된 이미지는 3차원 형태의 이미지일 수 있다. 이때, 이미지는 복셀의 좌표, 색상, 강도와 관련된 픽셀 정보를 포함할 수 있다.
이미지 획득 장치(1000)에 의해 획득된 이미지는 이미지의 정렬과 관련된 정보를 포함할 수 있다. 예를 들어, 이미지 획득 장치(1000)는 대상체(100)의 기준 좌표축의 방향(RAS)을 고려하여, 촬영된 이미지의 방향과 관련된 데이터(ijk)를 함께 획득할 수 있다. 구체적으로 이미지 획득 장치는 이미지 획득 장치의 좌표 축에 대한 정보(xyz) 및 대상체(100)의 기준 좌표 축에 대한 정보(RAS)를 고려하여 촬영된 이미지의 방향과 관련된 데이터(ijk)를 획득할 수 있다.
이미지 획득 장치(1000)는 이미지의 자기장 세기와 관련된 데이터, 이미지 장치의 제조사와 관련된 데이터, 이미지 장치의 세팅 파라미터와 관련된 데이터, 이미지의 대상체와 관련된 데이터 등을 획득할 수 있다.
자기장 세기와 관련된 데이터란 자기장을 이용하여 의료 이미지를 획득하는 경우(예, MRI)에 있어서, 대상체에 대하여 인가되는 자기장의 세기와 관련된 데이터를 포괄하는 의미일 수 있다. 예를 들어, 대상 이미지가 1.5T(Tesla)의 자기장 세기 조건 하에서 획득된 경우에는 "1.5T"에 대응되는 데이터가 자기장 세기와 관련된 데이터에 해당할 수 있다. 다만 1.5T에 제한되지 않고, 3T, 7T, 8T 등 의료 영상을 획득하기 위하여 일반적으로 사용되는 자기장 세기에 대응되는 데이터가 자기장 세기와 관련된 데이터에 해당될 수 있다.
이미지 장치의 세팅 파라미터란 의료 영상을 획득하기 위하여 이미지 장치에서 조절하거나 제어할 수 있는 파라미터를 포괄하는 의미일 수 있다. 예를 들어, 이미지 장치의 세팅 파라미터는 동일한 슬라이스에 적용된 연속 펄스 시퀀스 사이의 시간을 의미하는 반복시간(TR, Repetition Time), RF 펄스 전달과 에코 신호 수신 사이의 시간(TE, Time to Echo), 여기된 양성자가 평형 상태로 돌아가는 속도와 관련된 시간 상수(T1), 여기 된 양성자가 평형에 도달하거나 서로 위상을 벗어나는 속도와 관련된 시간 상수(T2), 양성자 밀도(PD, Proton density) 혹은 이들의 임의의 조합을 포괄하는 의미일 수 있다.
다만 상술한 예시에 제한되지 않고 자기장 특성과 관련된 임의의 파라미티를 포함하는 의미로 해석되어야 한다. 또한, 자기장을 이용하여 대상 이미지를 획득하는 것에 제한되지 않고, CT 방식 혹은 방사선(예, X-ray) 조사 방식을 이용하는 이미지 장치와 관련된 임의의 파라미터를 포함하는 의미로서 해석되어야 한다.
이때, 상술한 데이터들은 획득된 이미지 내에 메타 데이터로 처리되어 이미지 분석 장치(2000)로 송신되거나 이미지와는 별개로 이미지 분석 장치(2000)로 전달될 수 있다.
이미지 획득 장치(1000)는 MRI, CT 및 X-ray 등 의료용 이미지를 획득하는 장치일 수 있다.
이미지 획득 장치(1000)는 다양한 스캔 조건 하에서 이미지를 획득할 수 있다.
예를 들어, 이미지 장치가 MRI인 경우에는 자기장 세기가 1.5 Tesla(이하 T)인 스캔 조건 하에서 이미지가 획득될 수 있다. 또한, 자기장 세기가 3T인 스캔 조건 하에서 이미지가 획득될 수 있다. 또한, 자기장 세기가 7T 혹은 8T인 스캔 조건 하에서 이미지가 획득될 수 있다.
다른 예를 들어, 이미지 획득 장치(1000)가 MRI인 경우에는 상술한 바와 같이 이미지 획득 장치(1000)의 TR(Repetition Time), TE(Time to Echo), 양성자 밀도(PD) 혹은 여기된 양성자가 평형 상태로 돌아가는 속도와 관련된 시간 상수(T1), 여기 된 양성자가 평형에 도달하거나 서로 위상을 벗어나는 속도와 관련된 시간 상수(T2) 혹은 이들의 임의의 조합으로 구성되는 세팅 파라미터의 스캔 조건 하에서 이미지가 획득될 수 있다.
또 다른 예를 들어, 이미지 획득 장치(1000)는 CT와 관련된 장치일 수 있으며, 이때, CT 장치에 세팅될 수 있는 전압(voltage), 전류(Current), 노출 시간(Exposure time), 스캐닝 타임(Scanning time), 프로젝션(projection) 및 이들의 임의의 조합들과 관련된 세팅 파라미터의 스캔 조건 하에서 이미지가 획득될 수 있다.
또 다른 예를 들어, 이미지 획득 장치(1000)는 X-ray와 관련된 장치일 수 있으며, 이때, X-ray 이미지 장치에 세팅될 수 있는 관전압, 관전류, 촬영 시간, X선관장치와 디텍터 사이의 거리(SID), X선관 지지장치의 각도 및 이들의 임의의 조합과 관련된 세팅 파라미터의 스캔 조건 하에서 이미지가 획득될 수 있다.
또한, 방사선을 조사하는 시술자(applicator)의 성향에 따라 이미지가 상이하게 획득될 수 있다. 이때, 시술자의 성향에 대한 정보가 파라미터화될 수 있다. 또한, 시술자의 성향에 대한 파라미터는 후술할 스캔 조건을 고려하여 형태학적 값이나 형태학적 지표를 보정하는 것과 관련하여 하나의 고려 요소로 이용될 수 있다. 다시 말해, 시술자의 성향에 따라 형태학적 값이나 형태학적 지표를 보정할 수 있다. 좀 더 구체적으로 일 실시예에 따른 이미지 분석 장치(2000)는 스캔 조건과 관련하여, 시술자의 식별 정보를 획득할 수 있다. 또한 이미지 분석 장치(2000)는 시술자의 식별 정보에 기초하여 형태학적 값이나 형태학적 지표를 보정하기 위한 보정 파라미터를 획득하도록 구현될 수 있다. 예컨대, 이미지 분석 장치(2000)는 제1 시술자에 의해 촬영된 제1 이미지로부터 계산된 제1 형태학적 값과 제2 시술자에 의해 촬영된 제2 이미지로부터 계산된 제2 형태학적 값 간의 상관관계에 기초하여, 제1 시술자로부터 획득된 대상 이미지로부터 계산된 형태학적 값을 제2 시술자와 관련된 형태학적 값으로 추정하기 위한 보정 파라미터(또는 제2 시술자로부터 획득된 대상 이미지로부터 계산된 형태학적 값을 제1 시술자와 관련된 형태학적 값으로 추정하기 위한 보정 파라미터)를 획득할 수 있다.
또 다른 예를 들어, 이미지 획득 장치(1000)는 양전자 방사 단층 촬영법(positron emission tomography, PET)을 사용하는 MRI 장치 또는 CT 장치일 수 있다. PET 촬영법을 이용하는 경우 방사성 의약품과 관련된 약물이 이용될 수 있다. 예컨대, 아밀로이드 베타(amyloid beta)를 측정하기 위하여는 18F-florbetapir, 18F-florbetaben, 18F-flutemetamol, 18F-Florapronol 등과 같은 약품(혹은 트레이서(tracer))이 사용될 수 있다. 타우(tau) 단백질을 측정하기 위하여는 18F-flortaucipir 등과 같은 약품(혹은 트레이서(tracer))이 사용될 수 있다. 사용되는 약물은 이미지 획득 장치의 제조사에 따라 상이하게 사용될 수 있다. 이때, 사용되는 약물에 대한 정보가 파라미터화될 수 있다. 이미지 획득 장치에 대하여 사용되는 약물에 대한 파라미터는 스캔 조건으로서 사용될 수 있으며, 후술할 스캔 조건을 고려하여 형태학적 값이나 형태학적 지표를 보정하는 것과 관련하여 하나의 고려 요소로 이용될 수 있다. 다시 말해, 이미지 획득 장치의 제조사 및 사용되는 약물에 기초하여 따라 형태학적 값이나 형태학적 지표를 보정할 수 있다. 좀 더 구체적으로 이미지 분석 장치(2000)는 이미지 획득 장치의 제조사 및 사용되는 약물의 정보를 획득할 수 있으며, 이미지 획득 장치의 제조사 및 사용되는 약물의 정보에 기초하여 형태학적 값이나 형태학적 지표를 보정하기 위한 보정 파라미터를 획득하도록 구현될 수 있다. 예컨대, 이미지 분석 장치(2000)는 제1 약물(예, 18F-florbetapir)을 사용하여 촬영된 제1 이미지로부터 계산된 제1 형태학적 값과 제2 약물(예, 18F-florbetaben)을 사용하여 촬영된 제2 이미지로부터 계산된 제2 형태학적 값 간의 상관관계에 기초하여, 제1 약물을 사용하여 획득된 대상 이미지로부터 계산된 형태학적 값을 제2 약물을 사용하여 획득된 형태학적 값으로 추정하기 위한 제1 보정 파라미터(또는 제2 약물을 사용하여 획득된 대상 이미지로부터 계산된 형태학적 값을 제1 약물을 사용하여 획득된 형태학적 값으로 추정하기 위한 보정 파라미터)를 획득할 수 있다. 또한, 이미지 분석 장치(2000)는 제2 약물을 사용하여 촬영된 제2 이미지로부터 계산된 제2 형태학적 값과 제3 약물을 사용하여 촬영된 제3 이미지로부터 계산된 제3 형태학적 값 간의 상관관계에 기초하여, 제2 약물을 사용하여 획득된 대상 이미지로부터 계산된 형태학적 값을 제3 약물(예, 18F-flutemetamol)을 사용하여 획득된 형태학적 값으로 추정하기 위한 제2 보정 파라미터(또는 제3 약물을 사용하여 획득된 대상 이미지로부터 계산된 형태학적 값을 제2 약물을 사용하여 획득된 형태학적 값으로 추정하기 위한 보정 파라미터)를 획득할 수 있다. 이때, 제1 보정 파라미터와 제2 보정 파라미터는 상이할 수 있다.
또한, 이미지 획득 장치(1000)는 적어도 하나 이상의 세팅 파라미터를 포함하는 스캔 조건 하에서 이미지가 획득될 수 있다. 다시 말해, 상술한 세팅 파라미터들의 다양한 조합에 기초한 스캔 조건 하에서 이미지가 획득될 수 있다.
예를 들어, 세팅 파라미터가 제1 조합인 제1 스캔 조건 하에서 이미지가 획득될 수 있다. 또한 세팅 파라미터가 제2 조합이며, 자기장 세기가 제1 세기인 제2 스캔 조건 하에서 이미지가 획득될 수 있다. 이에 제한되지 않으며, 이미지 획득 장치(1000)에 의해 획득되는 이미지들은 세팅 파라미터의 다양한 조합에 따른 다양한 스캔 조건 하에서 획득된 이미지들일 수 있다.
또한, 이미지 획득 장치(1000)는 복수 개의 이미지 획득 장치(1000)로 구성될 수 있다.
이때, 복수의 이미지 획득 장치(1000)는 상이한 제조사에 의해 제조된 장치일 수 있다. 상이한 제조사에 제조된 장치에 의해 획득된 이미지들은, 스캔 조건과 세팅 파라미터가 동일하더라도 밝기, 강도 등 일부 특성이 상이할 수 있다. 따라서, 동일한 대상체에 대하여 의료 이미지를 획득하더라도 제조사 장치에 따라 의료 이미지에 기초한 형태학적 지표가 상이할 수 있다.
따라서, 후술할 본 출원의 일 실시예에 따른 보정 파라미터 획득 장치(2400)에 의하여 스캔 조건과 세팅 파라미터 혹은 이미지 장치의 제조사에 따른 변수를 통제하기 위한 보정 파라미터 획득 동작이 요구된다.
이미지 획득 장치(1000)에 의해 획득된 이미지는 신체의 특정 부위의 해부학적 구조와 관련된 정보를 포함할 수 있다. 또한, 신체의 특정 부위는 의학 촬영(medical imaging)이 활용될 수 있는 모든 부위에 대응될 수 있다. 설명의 편의를 위하여 후술할 도면과 명세서에서는 뇌(brain)와 관련된 이미지를 중심으로 서술하나, 이는 예시에 불과하며 본 출원에 개시된 다양한 실시예들은 뇌 이외의 임의의 적절한 신체의 부위(예를 들어, 폐, 유방, 심장, 관절, 혈관 등)에 대하여도 적용될 수 있다.
한편, 본 출원의 일 실시예에 따른 이미지 획득 장치(1000)는 서버의 형태로 구현될 수 있다. 이때, 서버는 의료 이미지 및 의료 이미지와 관련된 정보들을 저장하도록 구성될 수 있다. 또한 서버는 의료 이미지 및 의료 이미지와 관련된 정보들을 수정하거나 가공(processing)하도록 구현될 수 있다.
또한 의료 이미지들은 이미지 분석 장치(2000)의 메모리 혹은 서버에 저장되어 보정 파라미터를 계산하거나 퀄리티 컨트롤을 수행하거나 분석 결과를 출력하는 데 활용될 수 있다. 이와 관련하여는, 이하에서 자세히 후술한다.
이하에서는 도 2를 참고하여, 본 출원의 일 실시예에 따른 이미지 분석을 위한 이미지 분석 장치(2000), 학습 장치(2200), 보정 파라미터 획득 장치(2400) 및 출력 장치(2600)를 설명한다. 도 2는 본 출원의 일 실시예에 따른 의료 이미지 분석을 위한 이미지 분석 장치(2000), 학습 장치(2200), 보정 파라미터 획득 장치(2400) 및 출력 장치(2600)의 개략도이다.
이미지 분석 장치(2000)는 이미지 획득 장치(1000)로부터 획득된 이미지를 학습 장치(2200)에 의해 학습된 인공신경망을 이용하여 세그멘테이션하거나, 이미지 내에 포함된 타겟 요소의 형태학적 지표를 계산하는 동작을 수행할 수 있다.
학습 장치(2200)는 복수의 이미지 데이터 세트를 이용하여, 이미지의 세그멘테이션을 위한 신경망 모델 혹은 이미지의 퀄리티 컨트롤을 위한 신경망 모델 등을 학습시키는 동작을 수행할 수 있다.
보정 파라미터 획득 장치(2400)는 복수의 이미지 데이터 세트와 스캔 조건에 관한 데이터를 이용하여, 이미지 분석 장치(2000)에서 획득한 타겟 이미지(혹은 대상 이미지)의 타겟 요소와 관련된 형태학적 값이나 형태학적 지표를 보정하기 위한 보정 파라미터를 계산하는 동작을 수행할 수 있다.
도 2에 도시된 이미지 분석 장치(2000), 학습 장치(2200) 및 보정 파라미터 획득 장치(2400)는 임의의 통신 방식을 이용하여 서로 데이터들을 송수신하도록 구현될 수 있다.
예를 들어, 이미지 분석 장치(2000), 학습 장치(2200) 및 보정 파라미터 획득 장치(2400)는 서버를 공유하도록 구현될 수 있다.
도 2에 도시한 바에 따르면, 이미지 분석 장치(2000), 학습 장치(2200) 및 보정 파라미터 획득 장치(2400)가 별개의 장치로 제공되는 것으로 도시하였으나, 이는 예시에 불과하며, 이미지 분석 장치(2000), 학습 장치(2200) 및/또는 보정 파라미터 획득 장치(2400)는 단일한 장치로 구현될 수도 있을 것이다. 혹은 이미지 분석 장치(2000), 학습 장치(2200) 및 보정 파라미터 획득 장치(2400) 중 일부는 별개의 장치로 제공하고 나머지 장치는 단일한 장치로 구현될 수 있다.
이하에서는 도 3을 참고하여 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)의 구성을 서술한다. 도 3은 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)에 관한 블록도이다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 제1 통신 모듈(2010), 제1 메모리(2020), 제1 컨트롤러(2030)를 포함할 수 있다.
제1 통신 모듈(2010)은 이미지 획득 장치(1000), 학습 장치(2200), 보정 파라미터 획득 장치(2400) 및 후술할 출력 장치(2600)를 포함한 임의의 외부 기기와 통신을 수행할 수 있다. 다시 말해, 이미지 분석 장치(2000)는 제1 통신 모듈(2010)을 통해, 이미지 획득 장치(1000)로부터 이미지를 송수신하거나 학습 장치(2200), 파라미터 획득 장치(2400) 및 후술할 출력 장치(2600), 중계기 및 서버 등을 포함한 외부 기기들과 데이터의 송수신을 할 수 있다.
예를 들어, 이미지 분석 장치(2000)는, 제1 통신 모듈(2010)을 통해, 이미지 획득 장치(1000)로부터 획득된 이미지, 학습 장치(2200)로부터 학습된 신경망 모델에 관한 정보, 보정 파라미터 획득 장치(2400)로부터 계산된 보정 파라미터와 관련된 정보들을 수신할 수 있다. 또 다른 예를 들어, 이미지 분석 장치(2000)는, 제1 통신 모듈(2010)을 통해, 이미지의 스캔 조건과 관련된 정보를 보정 파라미터 획득 장치(2400)로 송신하거나 분석 결과와 관련된 정보들을 출력 장치(2600)로 송신할 수 있다. 또 다른 예로, 이미지 분석 장치(2000)는 제1 통신 모듈(2010)을 통해 인터넷에 접속하여 이미지와 관련된 각종 데이터, 스캔 조건과 관련된 정보, 분석 결과와 관련된 정보들을 업로드할 수 있다.
제1 통신 모듈(2010)은 크게 유선 타입과 무선 타입으로 나뉜다. 유선 타입과 무선 타입은 각각의 장단점을 가지므로, 경우에 따라서는 이미지 분석 장치(2000)에는 유선 타입과 무선 타입이 동시에 마련될 수도 있다.
여기서, 유선 타입의 경우에는 LAN(Local Area Network)이나 USB(Universal Serial Bus) 통신이 대표적인 예이며 그 외의 다른 방식도 가능하다.
또 여기서, 무선 타입의 경우에는 주로 블루투스(Bluetooth)나 직비(Zigbee)와 같은 WPAN(Wireless Personal Area Network) 계열의 통신 방식을 이용할 수 있다. 그러나, 무선 통신 프로토콜이 이로 제한되는 것은 아니므로 무선 타입의 통신 모듈은 와이파이(Wi-Fi) 같은 WLAN(Wireless Local Area Network) 계열의 통신 방식이나 그 외의 알려진 다른 통신 방식을 이용하는 것도 가능하다.
제1 메모리(2020)는 각종 정보를 저장할 수 있다. 제1 메모리(2020)에는 각종 데이터가 임시적으로 또는 반영구적으로 저장될 수 있다. 제1 메모리(2020)의 예로는 하드 디스크(HDD: Hard Disk Drive), SSD(Solid State Drive), 플래쉬 메모리(flash memory), 롬(ROM: Read-Only Memory), 램(RAM: Random Access Memory) 등이 있을 수 있다.
제1 메모리(2020)는 이미지 분석 장치(2000)에 내장되는 형태나 탈부착 가능한 형태로 제공될 수 있다. 제1 메모리(2020)에는 이미지 분석 장치(2000)를 구동하기 위한 운용 프로그램(OS: Operating System)이나 이미지 분석 장치(2000)의 각 구성을 동작시키기 위한 프로그램을 비롯해 이미지 분석 장치(2000)의 동작에 필요한 각종 데이터가 저장될 수 있다. 예를 들어, 제1 메모리(2020)에는 이미지와 관련된 각종 데이터, 스캔 조건과 관련된 정보, 분석 결과와 관련된 정보들이 저장될 수 있다.
제1 컨트롤러(2030)는 이미지 분석 장치(2000)의 전반적인 동작을 제어할 수 있다. 예를 들어, 제1 컨트롤러(2030)는 제1 메모리(2020)로부터 이미지 분석 장치(2000)의 동작을 위한 프로그램을 로딩하여 실행할 수 있다.
제1 컨트롤러(2030)는 하드웨어나 소프트웨어 또는 이들의 조합에 따라 CPU(Central Processing Unit)나 이와 유사한 장치로 구현될 수 있다. 하드웨어적으로 전기적 신호를 처리하여 제어 기능을 수행하는 전자 회로 형태로 제공될수 있으며, 소프트웨어적으로는 하드웨어적 회로를 구동시키는 프로그램이나 코드 형태로 제공될 수 있다.
한편, 도 3을 다시 참고하면, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 입력 모듈(2040)과 출력 모듈(2050)을 포함할 수 있다.
이때, 이미지 분석 장치(2000)는 입력 모듈(2040) 및 출력 모듈(2050)을 이용하여 사용자의 입력을 획득하고, 사용자의 입력에 대응되는 정보를 출력할 수 있다. 예컨대, 이미지 분석 장치(2000)는 입력 모듈(2040)을 이용하여 데이터 획득을 요청하는 사용자 입력, 전 처리를 지시하는 사용자 입력, 이미지 세그멘테이션과 관련된 사용자 입력 및 형태학적 지표의 계산과 관련된 레퍼런스 스캔 조건에 대한 사용자 입력을 획득하고, 대응되는 정보를 출력 모듈(2050)을 통하여 출력할 수 있다.
일 예로, 사용자는 입력 모듈(2040)을 통하여 이미지 분석 장치(2000)의 분석과 관련된 조건이나 설정을 입력할 수 있다.
예를 들어, 사용자는 입력 모듈(2040)을 통하여 타겟 이미지로부터 획득된 형태학적 값이나 형태학적 지표를 보정하기 위한 보정 파라미터와 관련된 레퍼런스 스캔 조건을 설정할 수 있다. 이때, 이미지 분석 장치(2000)는 입력 모듈(2040)로부터 수신된 레퍼런스 스캔 조건에 기초하여 형태학적 값이나 형태학적 지표의 보정을 수행할 수 있다.
입력 모듈(2040)은 마우스, 키보드, 터치 패드 등 다양한 형태로 구현될 수 있다.
출력 모듈(2050)은 이미지 분석 장치(2000)의 이미지 분석 동작 상에서 알림이나 이미지 분석 결과 등을 출력하도록 제공될 수 있다.
예를 들어, 이미지 분석 장치(2000)가 이미지의 퀄리티를 체크하는 동작을 수행하는 경우, 타겟 이미지에 아티팩트가 존재한다는 알림창이 출력 모듈(2050)을 통하여 제공될 수 있다.
다른 예를 들어, 이미지 분석 장치(2000)가 이미지의 퀄리티를 체크하는 동작을 수행하는 경우, 타겟 이미지에 심각한 아티팩트가 존재하여 이미지 분석 여부를 선택하도록 알림창이 출력 모듈(2050)을 통하여 제공될 수 있다.
또 다른 예를 들어, 이미지 분석 장치(2000)가 타겟 이미지의 세그멘테이션 동작을 수행하는 경우, 세그멘테이션의 결과가 출력 모듈(2050)을 통하여 제공될 수 있다.
또 다른 예를 들어, 이미지 분석 장치(2000)가 타겟 이미지의 분석이 완료된 경우, 타겟 이미지의 분석 결과가 출력 모듈(2050)을 통하여 제공될 수 있다.
출력 모듈(2050)은 디스플레이 등 다양한 형태로 구현될 수 있다.
또한, 이미지 분석 장치(2000)는 입력 모듈(2040)을 통하여 사용자의 입력을 획득하고 출력 모듈(2050)을 통하여 사용자의 입력에 대응되는 정보를 출력하기 위한 유저 인터페이스를 더 포함할 수 있다.
도 3에서는, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)가 입력 모듈(2040) 및 출력 모듈(2050)을 포함하는 것으로 도시하였으나, 이는 예시에 불과하며, 입력 모듈(2040) 및 출력 모듈(2050)이 생략된 이미지 분석 장치(2000)가 제공될 수 있다.
한편, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 서버의 형태로 구현될 수 있다. 이때, 서버는 이미지 획득 장치(1000)로부터 송신된 의료 이미지 및 의료 이미지와 관련된 정보들을 저장하도록 구성될 수 있다. 또한 서버는 이미지 획득 장치(1000)로부터 송신된 의료 이미지 및 의료 이미지와 관련된 정보들을 수정하거나 가공(processing)하도록 구현될 수 있다.
또한, 이미지 분석 장치(2000)의 서버는 이미지 획득 장치(1000)의 서버와 별개로 구현될 수 있으나, 이에 제한되지 않으며 이미지 획득 장치(1000)의 서버와 이미지 분석 장치(2000)의 서버는 단일한 형태로 구현될 수 있다. 다시 말해, 이미지 획득 장치(1000)와 이미지 분석 장치(2000)은 공통의 서버를 가지는 형태로 구현될 수 있다.
한편, 다시 도 2를 참고하면, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 출력 장치(2600)와 통신을 수행하도록 구현될 수 있다.
본 출원의 일 실시예에 따른 출력 장치(2600)는 이미지 분석 장치(2000)의 분석 결과를 수신하여, 사용자에게 이미지 분석 결과를 시각적인 형태로 출력하도록 구현될 수 있다.
일 실시예로, 본 출원의 일 실시예에 따른 출력 장치(2600)는 이미지 분석 장치(2000)로부터 이미지의 퀄리티와 관련된 정보를 수신 받아 사용자에게 출력하도록 구현될 수 있다. 예를 들어, 출력 장치(2600)는 이미지의 퀄리티와 관련된 지표나 이미지의 퀄리티와 관련된 이미지 분석 결과의 신뢰도와 관련된 코멘트를 출력하도록 구현될 수 있다.
일 실시예로, 본 출원의 일 실시예에 따른 출력 장치(2600)는 이미지 분석 장치(2000)로부터 형태학적 지표와 관련된 분석 결과를 수신 받아 사용자에게 출력하도록 구현될 수 있다.
예를 들어, 출력 장치(2600)는 대상체의 형태학적 지표와 관련된 분석 결과를 비교 대상체 집단의 통계 자료와 비교 분석한 결과를 사용자에게 출력하도록 구현될 수 있다. 이때, 비교 대상체 집단의 통계 자료와 비교 분석한 결과는 임의의 적절한 그래프와 같은 형태의 통계적인 정보로 가공되어 출력될 수 있다. 또한, 출력 장치(2600)는 대상체의 복수의 부위의 형태학적 지표와 관련된 분석 결과들을 함께 제공하도록 구현될 수 있다.
다른 예를 들어, 출력 장치(2600)는 대상체의 형태학적 지표와 관련된 분석 결과를 출력하면서, 형태학적 지표와 관련된 신체 부위가 어디에 해당하는 지와 관련된 정보를 시각적인 형태로 출력하도록 제공될 수 있을 것이다.
일 실시예로, 본 출원의 일 실시예에 따른 출력 장치(2600)는 이미지 분석 장치(2000)로부터 이미지의 세그멘테이션 결과를 수신 받아 사용자에게 출력되도록 구현될 수 있다. 예를 들어, 이미지 분석 장치(2000)의 세그멘테이션 결과는 이미지 내의 라벨링된 결과일 수 있다. 이때, 이미지 분석 장치(2000) 혹은 출력 장치(2600)는 라벨링된 결과에 기초하여 신체의 해부학적 구조에 따라 시각적으로 이미지를 가공할 수 있으며, 출력 장치(2600)는 신체의 해부학적 구조를 시각적으로 구분한 이미지를 사용자에게 출력하도록 구현될 수 있다.
일 실시예로, 본 출원의 일 실시예에 따른 출력 장치(2600)는 이미지 분석 장치(2000)로부터 레포트를 수신 받아 사용자에게 출력되도록 구현될 수 있다.
이하에서는 도 4를 참고하여 본 출원의 일 실시예에 따른 출력 장치(2600)의 구성과 동작에 대하여 서술한다. 도 4는 본 출원의 일 실시예에 따른 출력 장치의 블록도이다.
본 출원의 일 실시예에 따른 출력 장치(2600)는 제2 통신 모듈(2610), 제2 메모리(2620), 제2 컨트롤러(2630)를 포함할 수 있다.
제2 통신 모듈(2610)은 이미지 획득 장치(1000), 이미지 분석 장치(2000)를 포함한 임의의 외부 기기와 통신을 수행할 수 있다. 다시 말해, 출력 장치(2600)는 제2 통신 모듈(2610)을 통해, 이미지 획득 장치(1000)로부터 이미지들을 송수신하거나 이미지 분석 장치(2000)로부터 이미지 분석 결과를 송수신할 수 있다. 또한 출력 장치(2600)는 제2 통신 모듈(2610)을 통해, 중계기 등을 포함한 임의의 외부 기기들과 데이터의 송수신을 할 수 있다.
예를 들어, 출력 장치(2600)는, 제2 통신 모듈(2610)을 통해, 이미지 획득 장치(1000)로부터 획득된 이미지들, 이미지 분석 장치(2000)로부터 획득된 이미지의 퀄리티와 관련된 분석 결과의 신뢰도에 관련된 데이터, 이미지의 세그멘테이션 결과에 대한 데이터, 형태학적 지표와 같은 데이터 등을 수신할 수 있다. 또 다른 예를 들어, 출력 장치(2600)는, 제2 통신 모듈(2610)을 통해, 후술할 입력 모듈(2640)로부터 수신된 사용자의 입력과 관련된 데이터를 이미지 분석 장치(2000)로 송신하거나 출력 장치(2600) 상에서 가공된 데이터들을 이미지 분석 장치(2000)로 송신할 수 있다. 또 다른 예로, 출력 장치(2600)는 제2 통신 모듈(2610)을 통해 인터넷에 접속하여 사용자의 입력과 관련된 데이터, 출력 장치(2600) 상에서 가공된 데이터들을 업로드할 수 있다.
제2 통신 모듈(2610)은 크게 유선 타입과 무선 타입으로 나뉜다. 유선 타입과 무선 타입은 각각의 장단점을 가지므로, 경우에 따라서는 이미지 분석 장치(2000)에는 유선 타입과 무선 타입이 동시에 마련될 수도 있다.
여기서, 유선 타입의 경우에는 LAN(Local Area Network)이나 USB(Universal Serial Bus) 통신이 대표적인 예이며 그 외의 다른 방식도 가능하다.
또 여기서, 무선 타입의 경우에는 주로 블루투스(RPuetooth)나 직비(Zigbee)와 같은 WPAN(Wireless Personal Area Network) 계열의 통신 방식을 이용할 수 있다. 그러나, 무선 통신 프로토콜이 이로 제한되는 것은 아니므로 무선 타입의 통신 모듈은 와이파이(Wi-Fi) 같은 WLAN(Wireless Local Area Network) 계열의 통신 방식이나 그 외의 알려진 다른 통신 방식을 이용하는 것도 가능하다.
제2 메모리(2620)는 각종 정보를 저장할 수 있다. 제2 메모리(2620)에는 각종 데이터가 임시적으로 또는 반영구적으로 저장될 수 있다. 제2 메모리(2620)의 예로는 하드 디스크(HDD: Hard Disk Drive), SSD(Solid State Drive), 플래쉬 메모리(flash memory), 롬(ROM: Read-Only Memory), 램(RAM: Random Access Memory) 등이 있을 수 있다.
제2 메모리(2620)는 출력 장치(2600)에 내장되는 형태나 탈부착 가능한 형태로 제공될 수 있다. 제2 메모리(2620)에는 출력 장치(2600)를 구동하기 위한 운용 프로그램(OS: Operating System)이나 출력 장치(2600)의 각 구성을 동작시키기 위한 프로그램을 비롯해 출력 장치(2600)의 동작에 필요한 각종 데이터가 저장될 수 있다. 예를 들어, 제2 메모리(2620)에는 이미지와 관련된 각종 데이터, 분석 결과와 관련된 정보 및 사용자의 입력 데이터들이 저장될 수 있다.
제2 컨트롤러(2630)는 출력 장치(2600)의 전반적인 동작을 제어할 수 있다. 예를 들어, 제2 컨트롤러(2630)는 제2 메모리(2620)로부터 출력 장치(2600)의 동작을 위한 프로그램을 로딩하여 실행할 수 있다.
제2 컨트롤러(2630)는 하드웨어나 소프트웨어 또는 이들의 조합에 따라 CPU(Central Processing Unit)나 이와 유사한 장치로 구현될 수 있다. 하드웨어적으로 전기적 신호를 처리하여 제어 기능을 수행하는 전자 회로 형태로 제공될수 있으며, 소프트웨어적으로는 하드웨어적 회로를 구동시키는 프로그램이나 코드 형태로 제공될 수 있다.
한편, 도 4를 다시 참고하면, 본 출원의 일 실시예에 따른 출력 장치(2600)는 입력 모듈(2640) 및 출력 모듈(2650)을 포함할 수 있다.
이때, 출력 장치(2600)는 입력 모듈(2640) 및 출력 모듈(2650)을 이용하여 사용자의 입력을 획득하고, 사용자의 입력에 대응되는 정보를 출력할 수 있다.
예컨대, 출력 장치(2600)는 입력 모듈(2640)을 이용하여 데이터 획득을 요청하는 사용자 입력, 전 처리를 지시하는 사용자 입력, 이미지 세그멘테이션과 관련된 사용자 입력 및 형태학적 지표의 계산과 관련된 레퍼런스 스캔 조건과 관련된 사용자 입력을 획득하고, 대응되는 정보를 출력 모듈(2650)을 통하여 출력할 수 있다.
이때, 출력 장치(2600)는 입력 모듈(2640)을 통하여 사용자의 입력을 획득하고 출력 모듈(2650)을 통하여 사용자의 입력에 대응되는 정보를 출력하기 위한 유저 인터페이스를 더 포함할 수 있다.
일 실시예로, 사용자는 입력 모듈(2640)을 통하여 출력 장치(2600)의 출력과 관련된 조건이나 설정을 입력하거나 출력된 복수의 데이터 중 일부를 선택할 수 있다.
일 예로, 사용자는 입력 모듈(2640)을 통하여 타겟 이미지로부터 획득된 형태학적 값이나 형태학적 지표를 보정하기 위한 보정 파라미터와 관련된 레퍼런스 스캔 조건을 설정할 수 있다. 이때, 출력 장치(2600)는 입력 모듈(2640)로부터 수신된 레퍼런스 스캔 조건(예, 자기장 강도, 제조사, 이미지 장치의 세팅 파라미터 등)에 기초하여 보정된 형태학적 값이나 보정된 형태학적 지표에 대응되는 분석 결과를 출력하도록 구현될 수 있다.
예를 들어, 사용자가 자기장 강도를 변화시켜 변화된 자기장 강도에 따른 이미지 분석 결과를 제공받고자 한다면, 자기장 강도에 대한 스캔 조건을 입력 모듈(2640)을 통하여 입력할 수 있다. 이때, 출력 장치(2600)는 사용자에 의해 입력된 자기장 강도에 대한 스캔 조건에 기초하여 보정된 이미지 분석 결과를 출력하도록 구현될 수 있다. 이때, 출력 장치(2600)는 사용자에 의해 입력된 자기장 강도에 대한 스캔 조건과 관련된 입력 데이터를 이미지 분석 장치(2000)로 송신할 수 있으며, 이미지 분석 장치(2000)는 수신된 사용자의 입력에 기초하여 획득한 보정 파라미터에 기초하여 이미지 분석 결과를 수정하여 출력 장치(2600)로 전달할 수 있다. 물론, 출력 장치(2600)가 이미지 분석 장치(2000)로부터 보정 파라미터를 수신 받아 이미지 분석 결과를 수정하여 출력하도록 구현될 수 있다.
이와 관련하여는, 도 66 및 도 67과 관련하여 보다 구체적으로 후술한다.
다만 상술한 내용은 예시에 불과하며, 이에 제한되지 않고 사용자가 제공받고자 하는 임의의 형태의 정보를 출력하기 위하여 출력 장치(2600)가 입력 모듈(2640)을 통하여 사용자의 입력을 수신하도록 구현될 수 있다.
입력 모듈(2640)은 마우스, 키보드, 터치 패드 등 다양한 형태로 구현될 수 있다.
출력 모듈(2650)은 이미지 분석 장치(2000)로부터 수신된 이미지 분석 결과 등을 출력하도록 제공될 수 있다.
예를 들어, 출력 장치(2600)는, 출력 모듈(2650)을 통하여, 이미지 분석 장치(2000)로부터 수신한 타겟 이미지에 아티팩트가 존재하는지 여부, 그로 인한 분석 결과의 신뢰도에 대한 정보를 텍스트나 임의의 적절한 시각적인 형태로 출력할 수 있다.
다른 예를 들어, 출력 장치(2600)는, 출력 모듈(2650)을 통하여, 이미지 분석 장치(2000)로부터 수신한 타겟 이미지의 세그멘테이션의 결과를 출력할 수 있다. 이때, 세그멘테이션 결과는 시각적인 그래픽 형태로 신체의 해부학적 구조를 나누어 출력하도록 구현될 수 있다.
또 다른 예를 들어, 출력 장치(2600)는, 출력 모듈(2650)을 통하여, 이미지 분석 장치(2000)로부터 수신한 타겟 이미지의 분석 결과를 출력할 수 있다. 이때, 타겟 이미지의 분석 결과는 레포트의 형식으로 출력될 수 있다. 또한, 타겟 이미지의 분석 결과에 포함된 해부학적 구조의 형태학적 값이나 형태학적 지표가 그래프와 같은 통계적인 기법을 이용하여 출력되도록 구현될 수 있다. 또한, 타겟 이미지의 분석 결과에 포함된 해부학적 구조의 형태학적 값이나 형태학적 지표들은 비교 대상체 집단의 통계 자료와 비교하여 그래프와 같은 통계적인 기법을 이용하여 출력되도록 구현될 수 있다.
출력 모듈(2650)은 디스플레이 등 다양한 형태로 구현될 수 있다.
상술한 바에 따르면, 이미지 분석 장치(2000)와 출력 장치(2600)는 분리된 장치로 설명하였다. 다만, 이는 예시에 불과하며 이미지 분석 장치(2000)와 출력 장치(2600)는 단일한 장치로 구현될 수 있다.
이미지 분석 장치(2000)는 이미지 획득 장치(1000)로부터 전달된 의료 이미지를 수신하여, 의료 이미지의 정렬, 의료 이미지의 밝기 혹은 강도(intensity) 등의 정규화, 노이즈 제거 등의 전 처리(pre-processing)를 수행할 수 있다.
또한, 이미지 분석 장치(2000)는 이미지 획득 장치(1000)로부터 전달된 의료 이미지를 수신하여, 의료 이미지의 세그멘테이션을 수행할 수 있다. 이때, 본 출원의 일 실시예에 따른 의료 이미지의 세그멘테이션은 학습된 신경망 모델을 이용하여 수행될 수 있다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 의료 이미지의 퀄리티를 컨트롤하는 동작을 수행할 수 있다. 따라서, 본 출원의 일 실시예의 이미지 분석 장치(2000)에 따르면, 의료 이미지 분석 결과에 대한 신뢰도를 높일 수 있다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 대상체로부터 획득된 의료 이미지에 기초하여 형태학적 지표를 계산하는 동작을 수행할 수 있다. 따라서, 본 출원의 일 실시예의 이미지 분석 장치(2000)에 따르면, 대상체의 신체의 해부학적 구조와 관련되어 정확한 형태학적 지표가 계산될 수 있다. 이를 통하여 대상체의 질환에 대한 정확하고 객관적인 지표를 제공할 수 있다는 유리한 효과가 존재한다. 특히, 대상체와 관련된 뇌 이미지를 표준 뇌 모델에 정합하지 않고 이미지 세그멘테이션하여 형태학적 지표를 계산할 수 있기 때문에 개인화된 뇌 질환과 관련된 진단 보조 지표를 제공할 수 있다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는, 의료 이미지가 획득된 스캔 조건 혹은 신체 부위를 고려하여, 형태학적 값이나 형태학적 지표를 보정하는 동작을 수행할 수 있다. 따라서, 본 출원의 일 실시예의 이미지 분석 장치(2000)에 따르면, 대상체의 신체의 해부학적 구조와 관련되어 정확한 형태학적 지표가 계산될 수 있다. 다시 말해, 스캔 조건이나 신체 부위에 따라 계산된 형태학적 값에 약간의 오차가 존재할 수 있는데, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는, 스캔 조건이나 신체 부위를 고려하여 1차적으로 계산된 형태학적 값이나 형태학적 지표를 보정할 수 있다. 이를 통하여, 대상체의 질환에 대한 정확하고 객관적인 지표를 제공할 수 있다는 유리한 효과가 존재한다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는, 다양한 이미지 분석 결과에 대하여 대상체의 상태 혹은 진단 분야에 따라 우선 순위를 부여하여 우선 순위에 기초하여 선별된 이미지 분석 결과들을 출력하는 동작을 수행할 수 있다. 따라서, 본 출원의 일 실시예의 이미지 분석 장치(2000)에 따르면, 대상 의료 이미지의 분석을 통해 획득되는 다양한 지표 정보 중 사용자에게 필요한 지표 정보를 선택적으로 제공하여 사용자 편의를 증진시킬 수 있다.
이하에서는 이미지 분석 장치(2000)의 일 실시예에 의해 수행되는 몇몇 동작들에 대해서 보다 구체적으로 설명한다.
이하에서는 설명의 편의를 위하여 뇌(brain)와 관련된 이미지를 분석하는 실시예를 중심으로 서술한다. 다만, 뇌에 제한되지 않으며 본 출원에 개시된 다양한 실시예들은 뇌 이외의 임의의 적절한 신체의 부위에 대한 의료 이미지에 대하여도 적용될 수 있다.
또한, 이하에서는 의료 이미지, 뇌 이미지, 대상 이미지(혹은 타겟 이미지) 등을 혼용하여 사용하나, 이는 설명의 편의를 위한 것일 뿐이며, 의료 이미지, 뇌 이미지, 대상 이미지(혹은 타겟 이미지)는 모두 이미지 분석 장치(2000, 3000, 4000)에 의해 분석될 이미지를 지칭하는 것으로 해석되어야 한다.
또한, 이하에서의 내용은 본 출원의 일 실시예에 따른 이미지 분석 장치(2000, 3000, 4000)에 의해 수행될 수 있다. 이미지 분석 장치를 지칭하는 도면 부호는 설명의 편의상 단순히 이미지 분석 장치의 동작들을 구별하여 설명하기 위하여 구분한 것에 불과하며, 도면 부호에 의하여 이미지 분석 장치가 제한되지 않는다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 뇌 이미지 및 뇌 이미지와 관련된 정보를 획득할 수 있다.
구체적으로 이미지 분석 장치(2000)는 이미지 획득 장치(1000)로부터 뇌 이미지를 획득할 수 있다. 또한 이미지 분석 장치(2000)는 이미지 획득 장치(1000) 혹은 임의의 외부 장치(예, 서버)로부터 뇌 이미지와 관련된 정보를 획득할 수 있다.
좀 더 구체적으로 이미지 분석 장치(2000)는 제1 통신 모듈(2010)을 통하여 이미지 획득 장치(1000)로부터 뇌 이미지와 뇌 이미지와 관련된 데이터들을 획득할 수 있다.
이때, 뇌 이미지의 형식은 다양한 의료 이미지의 형식일 수 있다. 예를 들어, 뇌 이미지는 DICOM, Nifti(Neuroimaging Ingormatics Technology Initiative), 혹은 임의의 적절한 포맷일 수 있다.
뇌 이미지와 관련된 데이터들은 뇌 이미지에 포함된 데이터들, 뇌 이미지가 획득된 스캔 조건과 관련된 데이터, 뇌 이미지의 대상체에 대한 데이터들을 포괄하는 의미일 수 있다.
이때, 뇌 이미지에 포함된 데이터들은 뇌 이미지 내에 포함된 픽셀 혹은 복셀과 관련된 데이터, 뇌 이미지의 방향(orientation)과 관련된 데이터 및 뇌 이미지에 대하여 구조화된 임의의 메타 데이터(metadata)일 수 있다.
특히, 후술할 뇌 이미지가 획득된 스캔 조건과 관련된 데이터 혹은 뇌 이미지의 대상체에 대한 데이터들이 메타데이터로서 뇌 이미지에 대하여 구조화될 수 있다.
한편, 뇌 이미지가 획득된 스캔 조건과 관련된 데이터들은 뇌 이미지가 획득된 이미지 획득 장치(1000)의 자기장 세기, 이미지 획득 장치(1000)의 이미지 장치의 세팅 파라미터 혹은 이미지 장치의 제조사와 관련된 데이터들일 수 있다.
스캔 조건에 따라 뇌 이미지로부터 획득된 형태학적 수치들이 영향을 받을 수 있기 때문에, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 스캔 조건과 관련된 데이터를 획득하여 형태학적 수치들에 대한 보정을 수행할 수 있다. 이와 관련하여는 도 58 내지 도 67과 관련하여 자세히 후술한다.
뇌 이미지의 대상체에 대한 데이터들은, 이미지 분석 장치(2000)에 의해 분석될 타겟 이미지의 대상체의 관한 인적 정보들이나 의료 정보들일 수 있다. 예를 들어, 뇌 이미지의 대상체에 대한 데이터들은 대상체의 성별, 나이 등과 관련된 인적 정보들 및 뇌질환 (예, 치매, 알츠하이머 병, 우울증, 뇌졸증 등)과 관련된 설문조사 정보 혹은 기저 질환과 관련된 정보 등과 관련된 각종 의료 정보들을 포함할 수 있다.
특히, 성별과 나이는 뇌질환에 있어 중요한 변수들이기 때문에, 대상체의 성별과 나이와 관련된 데이터들은 이미지 분석 장치(2000)가 보정 파라미터를 결정하거나 획득하는 데 기초가 될 수 있다. 예를 들어, 분석할 대상 이미지가 성별 및 나이와 관련된 제1 특성을 가지는 제1 대상체로부터 획득되었을 경우, 이미지 분석 장치(2000)는 대상 이미지로부터 획득된 형태학적 값이나 형태학적 지표를 보정하기 위한 보정 파라미터를, 제1 특성을 가지는 제2 대상체로부터 획득된 제1 뇌 영상 및 제2 뇌 영상으로부터 획득된 보정 파라미터로 결정할 수 있다. 예컨대, 이미지 분석 장치(2000)는 대상 이미지의 제1 대상체와 유사한 나이 및 동일한 성별을 가지는 제2 대상체로부터 획득된 보정 파라미터를 대상 이미지로부터 획득된 형태학적 값이나 형태학적 지표를 보정하기 위한 보정 파라미터로 결정할 수 있다.
또는, 대상체의 성별과 나이와 관련된 데이터들은 성별과 나이에 따른 대상체의 형태학적 지표의 상대적인 백분위를 통계학적인 기법을 활용하여 출력하는데 고려될 수 있다.
또한, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 뇌 이미지 분석과 관련된 동작과 관련된 정보들을 획득할 수 있다.
구체적으로 이미지 분석 장치(2000)는, 뇌 이미지를 전 처리하거나 정렬하기 위한 뇌와 관련된 템플릿(Template)과 관련된 정보들을 임의의 외부 장치로부터 획득할 수 있다. 이와 관련하여는, 도 5, 도 6 및 도 48과 관련하여 자세히 후술한다.
또한, 이미지 분석 장치(2000)는, 임의의 외부 장치로부터 뇌 이미지를 세그멘테이션하기 위한 기준이 되는 뇌 아틀라스와 관련된 정보들을 획득할 수 있다.
일 예로, 뇌 아틀라스와 관련된 정보들은 뇌의 구조와 관련된 아틀라스와 관련된 정보일 수 있다. 예를 들어, 뇌의 구조와 관련된 아틀라스는 Automated Anatomical Labeling (Tzourio-Mazoyer 2002), Desikan-Killiany Atlas (Desikan 2006), Destrieux Atlas (Destrieux 2010), Harvard-Oxford cortical/subcortical atlases (Makris 2006), MICCAI 2012 Multi-Atlas Labeling Workshop and Challenge (Neuromorphometrics), Hammersmith atlas (Hammers 2003, Gousias 2008, Faillenot 2017), HCP MMP 1.0 (Glasser 2016), JuBrain/Juelich histological atlas (Eickhoff 2005) 혹은 MarsAtlas (Auzias 2016)일 수 있다.
다른 예로, 뇌 아틀라스와 관련된 정보들은 뇌의 기능과 관련된 아틀라스와 관련된 정보일 수 있다. 예를 들어, 뇌의 기능과 관련된 아틀라스는 Mindboggle 101 (Klein 2012), Cortical Area Parcellation from Resting-State Correlations (Gordon 2016), Consensual Atlas of REsting-state Network (CAREN, Doucet 2019), Brainnetome Atlas parcellation (Fan 2016), Local-Global Parcellation of the Human Cerebral Cortex (Schaefer 2018), Human Motor Area Template (Mayka 2005), Sensorimotor Area Tract Template (Archer 2017), AICHA: An atlas of intrinsic connectivity of homotopic areas (Joliot 2015), Yeo 2011 functional parcellations (Yeo 2011), PrAGMATiC (Huth 2016), fMRI-based random parcellations (Craddock 2011), Voxelwise parcellations (Lead-DBS), SUIT Cerebellar parcellation (Diedrichsen 2006) 혹은 Buckner functional cerebellar parcellation (Buckner 2011)일 수 있다.
이미지 분석 장치(2000)는 상술한 뇌와 관련된 뇌 아틀라스에 대한 정보를 학습 장치(2200)로 송신할 수 있으며, 학습 장치(2200)는 뇌 아틀라스에 대한 정보를 기초로, 뇌 이미지의 세그멘테이션을 위한 신경망 모델을 학습하도록 구현될 수 있다.
다만, 상술한 뇌의 구조와 관련된 아틀라스 혹은 뇌의 기능과 관련된 아틀라스에 대한 정보는 예시일 뿐이며, 이미지 분석 장치(2000)는 임의의 적절한 뇌와 관련된 아틀라스 정보를 획득하여 학습 장치(2200)의 이미지 세그멘테이션을 위한 인공 신경망 모델을 학습시키는 데 기초가 되도록 구현될 수 있다.
이미지 분석 장치(2000)는, 이미지 분석 장치(2000)의 입력 모듈(2040) 혹은 출력 장치(2600)의 입력 모듈(2640)로부터 사용자의 입력을 수신할 수 있다.
이미지 분석 장치(2000)는, 진단 대상 질병과 관련된 사용자 입력을 획득할 수 있다. 예컨대, 이미지 분석 장치(2000)는 대상 이미지와 관련된 진단 대상 질병에 대응되는 뇌 질환(예, 치매, 우울증, 뇌졸증 등)과 관련된 사용자 입력을 획득할 수 있다.
이미지 분석 장치(2000)는 환자와 관련된 사용자 입력을 획득할 수 있다. 예컨대, 이미지 분석 장치(2000)는 대상 이미지와 관련된 환자의 성별, 나이, 이름 등과 관련된 사용자의 입력을 획득할 수 있다.
이미지 분석 장치(2000)는, 이미지 분석과 관련된 사용자 입력을 획득할 수 있다.
일 예로, 이미지 분석 장치(2000)는, 이미지의 전처리와 관련된 사용자 입력을 획득할 수 있다. 예를 들어, 이미지 분석 장치(2000)는 대상 이미지의 인텐시티를 보정하거나 노이즈를 제거하는 등 이미지를 처리(processing)하는 것과 관련된 사용자 입력을 획득할 수 있다.
일 예로, 이미지 분석 장치(2000)는, 세그멘테이션과 관련된 사용자 입력을 획득할 수 있다. 예를 들어, 이미지 분석 장치(2000)는, 세그멘테이션에 고려되는 뇌 아틀라스, 신경망 모델로부터 출력되는 라벨링 데이터를 수정하기 위한 사용자 입력을 획득할 수 있다.
일 예로, 이미지 분석 장치(2000)는 대상 이미지가 촬영된 스캔 조건에 대한 사용자 입력을 입력 모듈을 통하여 수신할 수 있다. 대상 이미지가 촬영된 스캔 조건에 대한 정보는 대상 이미지의 메타 데이터로 포함되어 획득될 수 있으나, 사용자 입력으로도 획득될 수 있다.
일 예로, 이미지 분석 장치(2000)는 세그멘테이션 결과에 기초하여 계산된 뇌와 관련된 형태학적 값이나 형태학적 지표를 보정하기 위한 보정 파라미터의 기준과 관련된 레퍼런스 스캔 조건에 대한 사용자 입력을 입력 모듈을 통하여 수신할 수 있다. 이때, 이미지 분석 장치(2000)는 레퍼런스 스캔 조건 등에 대한 사용자 입력에 기초하여 보정 파라미터를 획득하고 뇌와 관련된 형태학적 값이나 형태학적 지표를 보정할 수 있다. 이와 관련하여는, 도 66 및 도 67과 관련하여 자세히 후술한다.
다른 예를 들어, 이미지 분석 장치(2000)는 이미지 분석 결과를 출력하는 경우, 출력하는 결과들 중 일부를 선택하거나 우선 순위를 부여하기 위한 사용자 입력을 입력 모듈을 통하여 수신할 수 있다. 이때, 이미지 분석 장치(2000)는 사용자 입력에 기초하여 출력될 분석 결과의 정보를 선별적으로 출력하거나 사용자의 우선 순위를 반영한 분석 결과를 출력하도록 구현될 수 있다. 이와 관련하여는, 도 68 내지 도 81에서 자세히 후술한다.
이미지 분석 장치(2000)가 획득된 데이터들은 이미지 분석 장치(2000)의 제1 메모리(2020) 혹은 이미지 분석 장치(2000)의 임의의 외부 장치(예, 서버)에 저장될 수 있다. 또한 이미지 분석 장치(2000)가 획득된 데이터들은 학습 장치(2200) 혹은 보정 파라미터 획득 장치(2400)에 송신될 수 있다. 또는 이미지 분석 장치(2000)가 획득된 데이터들은 출력 장치(2600)에 송신되거나 임의의 외부 장치(예, 서버)에 송신될 수 있다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 이미지의 전 처리를 수행할 수 있다. 이미지 분석 장치(2000)는 이미지 분석 정확도를 향상시키기 위한 전처리를 수행할 수 있다. 이미지 분석 장치(2000)는 이미지를 세그멘테이션의 동작을 수행하기 전에, 보다 정확한 세그멘테이션 결과를 도출하기 위한 이미지의 전 처리를 수행하도록 제공될 수 있다.
일 예로 이미지 분석 장치(2000)는 이미지 획득 장치(1000)로부터 획득된 이미지의 형식의 변환을 수행하도록 제공될 수 있다. 구체적으로 분석할 이미지들의 형식을 통일함으로써 신경망 모델을 보다 안정적이고 정확하게 학습시킬 수 있다. 좀 더 구체적으로 신경망 모델의 학습에 이용된 이미지와 동일한 형식을 가지는 이미지를 이용하여 이미지 분석을 수행하는 것이 보다 안정적이고 정확할 수 있다. 따라서, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 이미지 획득 장치(1000)로부터 획득된 이미지의 형식의 변환을 수행하도록 제공될 수 있다.
일 예로, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 이미지 획득 장치(1000)로부터 획득된 제1 형식의 이미지를 제2 형식인 이미지로 변환하는 동작을 수행할 수 있다. 예를 들어, 이미지 획득 장치(1000)로부터 획득된 이미지의 형식은 의료 이미지에서 일반적으로 사용하는 DICOM 형식일 수 있다. 이때, DICOM 형식의 이미지를 기초로 이미지의 세그멘테이션이나 형태학적 지표를 계산할 수도 있다.
다만, 뇌 이미지를 분석하는 데 있어, 뇌 영상분석계통에서는 Nifti 형식의 뇌 이미지를 이용하여 이미지를 분석하거나 인공신경망을 학습시키는 것이 상대적으로 용이할 수 있다. 따라서, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 이미지 획득 장치(1000)로부터 획득된 이미지의 형식을 Nifti 형식으로 변환하는 동작을 수행하도록 제공될 수 있다.
다만, 상술한 형식은 예시에 불과하며 이미지 분석 장치(2000)는 필요에 따라 Nifti 형식 이외의 임의의 적절한 형식으로의 변환 동작을 수행하도록 제공될 수 있을 것이다. 또한, 이미지 획득 장치(1000)로부터 획득된 이미지의 형식이 DICOM 형식 이외의 임의의 형식의 의료 이미지일 수 있으며 이 경우에도 이미지 분석 장치(2000)는 임의의 적절한 형식으로의 변환 동작을 수행하도록 제공될 수 있을 것이다.
일 예로, 이미지 분석 장치(2000)는 이미지 획득 장치(1000)로부터 획득된 이미지에 존재할 수 있는 노이즈(noise)를 제거하거나 아티팩트(artifact)의 보정을 수행하도록 제공될 수 있다. 예를 들어, 노이즈를 제거하기 위하여 블러링 기법 및 미디안 필터(Median filter)를 이용한 기법이 이용될 수 있다. 이미지 분석 장치(2000)는 노이즈를 제거하고, 아티팩트의 보정을 수행함으로써, 보다 정확한 이미지의 세그멘테이션 결과를 도출할 수 있으며, 정확도가 개선된 세그멘테이션 결과에 기초하여 형태학적 지표를 계산할 수 있기 때문에 높은 신뢰도로 뇌와 관련된 질환에 대하여 객관적인 진단 보조 지표를 제공할 수 있다.
일 예로, 이미지 분석 장치(2000)는 이미지 획득 장치(1000)로부터 획득된 이미지의 인텐시티(intensity)를 보정하는 동작을 수행하도록 제공될 수 있다. 인텐시티(intensity)를 적절하게 보정함으로써, 이미지에 존재할 수 있는 노이즈(noise)를 제거할 수 있으며, 분석하고자 하는 뇌의 해부학 구조에 특화된 이미지를 획득할 수 있다.
일 예로, 이미지 분석 장치(2000)는 이미지 획득 장치(1000)로부터 획득된 이미지를 스무딩 처리하는 동작을 수행하도록 제공될 수 있다. 예를 들어, 이미지를 스무딩 처리하는 방법으로서 블러링(RPurring), 가우시안 필터(Gaussian filter)를 이용한 기법이 이용될 수 있다.
일 예로, 이미지 분석 장치(2000)는 이미지 획득 장치(1000)로부터 획득된 이미지의 비율을 조절하거나 이미지를 자르는 동작을 수행하도록 제공될 수 있다. 예를 들어, 이미지 분석 장치(2000)는 이미지를 자르기 위하여 임의의 적절한 크롭(crop) 기법을 활용하도록 구현될 수 있다. 혹은 이미지 분석 장치(2000)는 이미지의 비율을 조절하기 위하여 온디맨드 이미지 리사이징(Ondemand image resizing) 람다 이미지 리사이징(Lambda image resizing), CILanczosScaleTransform 필터를 이용한 리사이징 방법, CIFilter를 이용한 리사이징 방법 등 임의의 적절한 이미지 리사이징 기법을 활용하도록 구현될 수 있다.
일 예로, 이미지 분석 장치(2000)는 이미지 획득 장치(1000)로부터 획득된 이미지를 이미지가 촬영된 스캔 조건과 상이한 스캔 조건 하에서 촬영된 이미지로 변환하는 동작을 수행할 수 있다. 예를 들어, 이미지 분석 장치(2000)는 MRI 장치의 제1 스캔 조건 하에서 촬영된 이미지를 MRI 장치의 제2 스캔 조건 하에서 촬영된 것과 같은 추정 이미지로 변환하는 동작을 수행하도록 제공될 수 있다. 이러한 이미지 변환 동작은 MR 컨버팅 기술 혹은 인공 지능 모델을 이용하여 수행될 수 있을 것이다. 다만, 이에 제한되지 않으며, 이미지 분석 장치(2000)는 임의의 적절한 소프트웨어 혹은 이미지 프로세싱 기술을 이용하여 스캔 조건을 고려하여 이미지의 변환을 수행하도록 제공될 수 있을 것이다.
일 예로, 이미지 분석 장치(2000)는 후술할 학습 장치(2200)에서의 이미지에 대한 전처리 동작에 대응하는 전처리 동작을 수행하도록 구현될 수 있다. 예를 들어, 학습 장치(2200)에서 이미지를 제1 전처리 기법을 사용하여 신경망 모델을 학습시킨 경우에는, 이미지 분석 장치(2000)는 제1 전처리 기법에 대응하는 전 처리 기법으로 대상 이미지를 전처리하도록 구현될 수 있다. 이를 통하여 신경망 모델을 이용하는 이미지 세그멘테이션이 보다 안정적으로 정확하게 구현될 수 있다.
이하에서는 도 5 내지 도 6을 참고하여 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)의 이미지 정렬 관련 동작에 대하여 서술한다.
도 5는 이미지 분석 장치(2000)의 이미지 정렬 동작의 일 예를 도시한다.
도 6은 이미지 분석 장치(2000)의 이미지 정렬 동작의 일 예를 도시한다.
이미지 분석 장치(2000)는 뇌 이미지에 포함된 뇌 이미지의 방향(orientation)과 관련된 데이터에 기초하여, 뇌 이미지를 정렬시키는 동작을 수행하도록 구현될 수 있다.
일 예로, 이미지 분석 장치(2000)는 이미지의 세그멘테이션 동작을 수행하기 전에 뇌 이미지를 정렬시키는 동작을 수행하도록 구현될 수 있다.
예를 들어, 도 5를 참고하면 이미지 획득 장치(1000)는 대상체(100)의 기준 좌표축의 방향(R-A-S)을 고려하여, 촬영된 이미지의 방향과 관련된 데이터(i,j,k)를 함께 획득할 수 있다. 구체적으로 이미지 획득 장치(1000)는 이미지 획득 장치(1000)의 좌표 축에 대한 정보(x,y,z) 및 대상체(100)의 기준 좌표 축에 대한 정보(R-A-S)를 고려하여 촬영된 이미지의 방향과 관련된 데이터(i,j,k)를 획득할 수 있다.
이미지의 방향과 관련된 데이터는 이미지에 대하여 메타 데이터로 구조화될 수 있다. 혹은 이미지와는 별도로 이미지 분석 장치(2000)로 전달될 수 있다.
이미지 분석 장치(2000)는 이미지 방향과 관련된 데이터(i-j-k)를 기초로 하여, 대상체(100)의 RAS 방향(Right-Anterior-Superior 방향)에 대응되도록 이미지를 정렬하도록 구현될 수 있다.
상술한 이미지 분석 장치(2000)의 이미지 정렬 동작에 의하면, 세그멘테이션 동작을 수행하기 전에, 세그멘테이션의 기초가 되는 뇌 이미지들을 공통된 방향으로 정렬시킬 수 있기 때문에 부정확한 세그멘테이션 결과를 미연에 방지하고, 신경망의 세그멘테이션 동작의 안정성을 확보할 수 있다.
이미지 분석 장치(2000)는 뇌 이미지의 공간 정규화를 수행하도록 구현될 수 있다.
구체적으로 뇌 이미지의 세그멘테이션 등을 위한 인공 신경망 모델은 "학습 데이터"로 이용된 학습 이미지의 공간적 분포에 대응되는 뇌 이미지에 대하여 안정적으로 구동될 수 있다. 다시 말해, 뇌 이미지가 학습 이미지의 공간적 분포와 상이한 경우, 학습된 인공 신경망이 안정적으로 구동되지 않을 가능성이 존재한다.
따라서, 이미지 분석 장치(2000)는 뇌 이미지의 공간적 불확실성을 줄이기 위하여 뇌 이미지의 공간 정규화를 수행하도록 구현될 수 있다.
일 예로, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 뇌 템플렛에 기초하여 뇌 이미지의 공간 정규화를 수행하도록 구현될 수 있다. 구체적으로 이미지 분석 장치(2000)는 뇌 이미지를 뇌 템플렛에 정합함으로써 뇌 이미지의 공간적 분포를 인공 신경망 모델에 대하여 최적의 상태가 되도록 뇌 이미지의 좌표를 변환할 수 있다.
예를 들어, 뇌 이미지를 정합시키기 위한 뇌 템플릿은 MNI 템플렛, Talairach 템플릿 등일 수 있다.
상술한 바에 따르면, 이미지 분석 장치(2000)가 뇌 이미지를 뇌 템플렛에 정합시키는 동작을 수행한다고 서술하였다. 이때, "정합"이란 뇌 이미지의 뇌의 내부 요소들을 뇌 템플렛의 뇌의 내부 요소에 대응하는 동작이 아니라 단순히 뇌 이미지의 위치적인 공간을 정합하는 의미일 수 있다.
상술한 이미지 분석 장치(2000)의 공간 정규화 동작에 의하면, 이미지에 대한 공간적 불확실성을 제거할 수 있어 신경망을 이용한 세그멘테이션 동작의 안정성을 확보할 있으며, 정확도가 향상된 세그멘테이션 결과를 획득할 수 있다.
또한, 뇌 이미지가 뇌 템플렛에 대하여 정합됨으로써 변환된 좌표와 관련된 데이터가 생성될 수 있다. 변환된 좌표와 관련된 데이터는 후술할 세그멘테이션이 완료된 후, 뇌 이미지의 본래의 좌표로 변환하는 데 이용될 수 있다. 다시 말해, 이미지 분석 장치(2000)는 변환된 좌표와 관련된 데이터를 이용하여 뇌 템플릿의 공간적 분포에 기초하여 획득된 세그멘테이션 결과를 원본 뇌 이미지에 대응되도록 변환하는 동작을 수행하도록 구현될 수 있다.
이러한 이미지 분석 장치(2000)의 동작을 통하여 사용자는 본래의 좌표에 대한 뇌 이미지에 대하여 분석 결과를 제공받을 수 있게 된다.
예를 들어, 뇌 이미지와 관련된 형태학적 지표를 출력 모듈을 통하여 출력하는 경우에는 보정 파라미터를 이용하여 보정한 형태학적 지표 등으로 출력될 수 있다. 반면, 뇌의 시각적인 정보(예, 도 57에 도시된 info. 13, 혹은 세그멘테이션 결과 등)를 출력 모듈을 통하여 출력하는 경우에는 상술한 변환된 좌표에 기초하여 역변환된 이미지, 즉 원본 뇌 이미지에 기초하여 뇌와 관련된 시각적인 정보들이 출력될 수 있다.
이하에서는 도 7 내지 도 17을 참고하여 본 출원의 일 실시예에 따른 학습 장치(2200) 및 이미지 분석 장치(2000)의 이미지 세그멘테이션과 관련된 동작에 대하여 서술한다.
본 출원의 일 실시예에 따르면, 이미지 세그멘테이션 동작은 학습된 신경망 모델을 이용하여 수행될 수 있다. 다만, 신경망 모델을 이용하지 않더라도 임의의 적절한 방법을 이용하여 본 출원의 일 실시예에 따른 이미지 세그멘테이션 동작이 구현될 수 있다.
이하에서는 이미지 세그멘테이션을 위한 신경망 모델을 학습시키는 동작과 학습된 신경망 모델을 이용하여 이미지 세그멘테이션을 수행하는 내용을 중심으로 서술한다.
도 7을 참고한다. 도 7은 본 출원의 일 실시예에 따른 이미지 세그멘테이션을 위한 프로세스의 흐름도를 도시한 도면이다.
도 7을 참고하면, 본 출원의 일 실시예에 따른 이미지 세그멘테이션을 위한 프로세스는, 이미지 세그멘테이션을 위한 인공신경망 모델의 학습 프로세스(P1000)와 학습된 인공신경망 모델을 이용한 대상 이미지의 세그멘테이션 프로세스(P2000)를 포함할 수 있다.
이때, 학습 프로세스(P1000)는 본 출원의 일 실시예에 따른 학습 장치(2200)에 의해 구현될 수 있다.
또한, 세그멘테이션 프로세스(P2000)는 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)에 의해 구현될 수 있다.
이때, 학습 장치(2200)에서 구현되는 학습 프로세스(P1000)에 의해 획득된 신경망 모델의 파라미터는 임의의 적절한 통신 모듈을 통하여 이미지 분석 장치(2000)로 송신될 수 있다.
이때, 이미지 분석 장치(2000)는 학습 프로세스(P1000)에 의해 획득된 신경망 모델의 파라미터에 기초하여 대상 이미지의 세그멘테이션을 수행하도록 구현될 수 있다.
본 출원의 일 실시예에 따른 학습 프로세스(P1000)는 이미지 데이터 세트를 획득하는 프로세스(P1100), 신경망 모델을 학습시키는 프로세스(P1200), 신경망 모델을 검증하는 프로세스(P1300) 및 신경망 모델의 파라미터를 획득하는 프로세스(P1400)를 포함할 수 있다.
이하에서 도 8을 참고하여, 본 출원의 일 실시예에 따른 학습 장치(2200)의 신경망 모델의 학습 방법을 설명한다. 도 8은 본 출원의 일 실시예에 따른 학습 장치(2200)의 신경망 모델의 학습 방법에 대한 순서도이다.
도 8을 참고하면, 본 출원의 일 실시예에 따른 학습 장치(2200)의 신경망 모델의 학습 방법은 이미지 데이터 세트를 획득하는 단계(S1100), 이미지 데이터 세트를 스크리닝하는 단계(S1200), 이미지 데이터 세트의 전처리 및 정렬(S1300), 신경망 모델의 학습 및 검증 단계(S1400) 및 신경망 모델 파라미터를 획득하는 단계(S1500)를 포함할 수 있다.
이미지 데이터 세트를 획득하는 단계(S1100)에서, 본 출원의 일 실시예에 따른 학습 장치(2200)는 이미지 획득 장치(1000) 혹은 임의의 외부 장치들로부터 이미지 데이터 세트들을 획득할 수 있다.
도 9를 참고한다. 도 9는 본 출원의 일 실시예에 따른 이미지 데이터 세트의 예시적인 구조도이다.
학습 장치(2200)가 획득하는 이미지 데이터 세트(DS)는 적어도 하나 이상의 이미지 데이터들을 포함할 수 있다. 다시 말해, 학습 장치(2200)가 획득하는 이미지 데이터 세트(DS)는 제1 이미지 데이터(ID1), 제2 이미지 데이터(ID2) 및 제n 이미지 데이터(IDn) 등 적어도 하나 이상의 이미지 데이터를 포함할 수 있다.
이때, 학습 장치(2200)가 획득하는 이미지 데이터 세트(DS)에 포함된 이미지 데이터는, 이미지 및 라벨과 관련된 데이터를 포함할 수 있다.
예를 들어, 도 9를 참고하면, 이미지 데이터 세트(DS)에 포함된 제1 이미지 데이터(ID1)는 제1 이미지(I1) 및 제1 라벨(L1)과 관련된 데이터를 포함할 수 있다.
구체적으로 제1 라벨(L1)은 뇌 질환을 진단할 수 있는 임상의로부터 수동으로 제1 이미지(I1)에 대하여 라벨링되어 획득될 수 있다. 혹은 제1 라벨(L1)은 임의의 적절한 이미지 세그멘테이션 기법을 이용하여 자동으로 라벨링되어 획득될 수 있다.
이미지 데이터에 포함된 이미지 및 라벨과 관련된 데이터는 본 출원의 일 실시예에 따른 학습 방법과 관련하여 인공 신경망 모델을 학습시키고 인공 신경망 모델을 검증하는 데 기초가 될 수 있다.
한편, 이미지 데이터 세트(DS)에 포함된 이미지 데이터는 스캔 조건과 관련된 데이터를 포함할 수 있다. 이때, 스캔 조건과 관련된 데이터는 상술한 바와 같이 자기장 강도와 관련된 데이터, 이미지 장치의 세팅 파라미터 및/또는 이미지 장치의 제조사와 관련된 데이터일 수 있다. 또한, 스캔 조건과 관련된 데이터는 이미지 데이터에 대하여 메타 데이터로서 구조화될 수 있다.
일 예로, 도 9를 참고하면, 제1 이미지 데이터(ID1)는 제1 이미지 데이터(ID1)가 촬영된 스캔 조건과 관련된 제1 스캔 조건(SC1)과 관련된 데이터를 포함할 수 있다. 예를 들어, 제1 이미지 데이터(ID1)가 3T의 자기장 강도 하에서 촬영되었다면, 3T에 대응되는 자기장 강도와 관련된 정보가 제1 이미지 데이터(ID1)에 대하여 메타 데이터로서 구조화되어 데이터 세트 획득 단계(S1100)를 통하여 학습 장치(2200)로 획득될 수 있다.
이미지 데이터에 포함된 스캔 조건과 관련된 데이터는, 후술할 대상 이미지로부터 획득된 타겟 요소에 대응되는 형태학적 값 혹은 형태학적 지표를 보정하기 위한 보정 파라미터를 획득하는데 고려될 수 있다.
도 9에서는 제1 이미지 데이터(ID1)에 포함된 데이터만을 도시하였으나, 이는 예시에 불과하며, 제2 이미지 데이터(ID2) 혹은 제n 이미지 데이터(IDn) 등을 포함하는 이미지 데이터 세트의 이미지 데이터는 이미지, 라벨 및 스캔 조건과 관련된 데이터를 포함할 수 있다.
추가적으로 학습 장치(2200)는 뇌 이미지와 관련된 세그멘테이션을 위하여 뇌 구조 혹은 뇌 기능과 관련된 뇌 아틀라스(atlas)와 관련된 정보를 획득하도록 구현될 수 있다.
구체적으로, 학습 장치(2200)는 상술한 뇌의 구조 혹은 뇌의 기능과 관련된 뇌 아틀라스와 관련된 정보를 이미지 분석 장치(2000) 혹은 임의의 외부 장치로부터 획득할 수 있다.
이때, 학습 장치(2200)는 뇌 아틀라스와 관련된 정보를 고려하여 후술할 인공 신경망 모델을 학습시키거나 인공 신경망 모델을 검증하도록 구현될 수 있다.
이미지 데이터 세트를 스크리닝하는 단계(S1200)에서, 본 출원의 일 실시예에 따른 학습 장치(2200)는 이미지 데이터 세트를 획득하는 단계(S1100)에서 획득된 이미지 데이터 세트를 스크리닝하거나 이미지 데이터 세트에 포함된 이미지 데이터 중에서 일부 이미지 데이터만을 선별하는 동작을 수행하도록 구현될 수 있다.
일 예로, 획득된 이미지 데이터 세트 중에 일부 이미지 데이터들은 세그멘테이션을 위한 인공 신경망 모델을 학습하는 데 적절하지 않을 수 있다. 예를 들어, 일부 이미지 데이터들은 심각한 아티팩트(Artifact)나 심각한 노이즈를 포함할 수 있다. 이러한 이미지 데이터들은 인공 신경망 모델을 학습시키는 데 적절치 않을 수 있다.
따라서, 학습 장치(2200)는 획득된 이미지 데이터 세트에 포함된 이미지 데이터를 스크리닝하거나 인공 신경망 모델을 학습시키는데 유효한 이미지 데이터를 선별하도록 구현될 수 있다.
이미지 데이터 세트의 전처리 및 정렬하는 단계(S1300)에서, 본 출원의 일 실시예에 따른 학습 장치(2200)는 이미지 데이터 세트에 포함된 이미지의 노이즈나 아티팩트를 제거하거나, 이미지의 인텐시티를 보정하는 전처리 동작을 수행하도록 구현될 수 있다.
또한, 본 출원의 일 실시예에 따른 학습 장치(2200)는 이미지의 방향과 관련된 데이터에 기초하여 이미지를 정렬하거나, 이미지를 뇌 템플릿에 정합하여 공간 정규화를 하여 이미지를 정렬하는 동작을 수행하도록 구현될 수 있다.
이와 관련하여는, 상술한 이미지 분석 장치(2000)의 전처리 동작과 도 5 내지 도 6과 관련하여 상술한 이미지의 정렬 동작이 동일하게 학습 장치에서 구현되도록 제공될 수 있다. 혹은 학습 장치(2200)와 이미지 분석 장치(2000) 간의 데이터 송수신을 통하여 이미지 분석 장치(2000)에서 이미지의 전처리 및 정렬 동작을 수행한 후 학습 장치(2200)로 전달하도록 구현될 수 있을 것이다.
신경망 모델의 학습 및 검증 단계(S1400)에서, 본 출원의 일 실시예에 따른 이미지 세그멘테이션을 위한 학습 장치(2200)는 이미지 세그멘테이션을 위한 인공 신경망 모델을 학습시킬 수 있다.
구체적으로 인공 신경망 모델은 이미지 데이터를 입력받기 위한 입력 레이어, 세그멘테이션 결과인 라벨링 결과를 출력하기 위한 출력 레이어 및 적어도 하나 이상의 노드를 포함하는 히든 레이어를 포함할 수 있다.
이때, 학습 장치(2200)는, 획득된 이미지 데이터 세트에 포함된 이미지 데이터를 입력 레이어를 통하여 입력받고, 신경망 모델에 의해 획득된 이미지 데이터에 대한 라벨링 결과를 출력 레이어를 통하여 획득하도록 구현될 수 있다.
예를 들어, 학습 장치(2200)는 제1 이미지 데이터(ID1)를 입력으로 하고, 출력 레이어를 통하여 제1' 라벨(L1')을 출력하도록 구성된 인공 신경망을 학습하도록 구현될 수 있다. 또한, 학습 장치(2200)는 제2 이미지 데이터(ID2)를 입력 레이어로 입력하며, 출력 레이어를 통하여 출력된 제2' 라벨(L2')을 획득할 수 있다.
또한, 본 출원의 일 실시예에 따른 학습 장치(2200)는 상술한 뇌의 구조와 관련된 뇌의 아틀라스 혹은 뇌의 기능과 관련된 뇌의 아틀라스를 고려하여 인공 신경망을 학습시킬 수 있다.
일 실시예에 따른 학습 장치는, 미리 정해진 뇌 아틀라스에 기초하여 뇌 이미지를 분할하도록 신경망 모델을 학습할 수 있다. 뇌 아틀라스는 제1 뇌 영역 및 제2 뇌 영역을 포함하는 복수의 뇌 영역을 포함할 수 있다. 학습 장치는, 제1 뇌 영역에 대응되는 제1 영역 및 제2 뇌 영역에 대응되는 제2 영역이 라벨링된 이미지를 이용하고, 이미지를 입력으로 하여 제1 영역 및 제2 영역을 획득하도록 신경망 모델을 학습할 수 있다.
예를 들어, 본 출원의 일 실시예에 따른 학습 장치(2200)는 Desikan-Killiany Atlas (Desikan 2006)를 기초로 이미지 데이터 세트들에 포함된 이미지 데이터의 세그멘테이션을 위한 인공 신경망 모델을 학습시키도록 구현될 수 있다. Desikan-Killiany Atlas (Desikan 2006)는 제1 뇌 영역 및 제2 뇌 영역을 포함하는 복수의 뇌 영역을 포함하는 피질(cerebral cortex)을 복수의 뇌 영역에 대응되는 영역을 획득하도록 이용되는 아틀라스이다.
이때, 학습 장치(2400)는 Desikan-Killiany Atlas (Desikan 2006)를 고려하여, 제1 뇌 영역에 대응하는 제1 영역 및 제2 뇌 영역에 대응하는 제2 영역이 라벨링된 이미지 데이터를 이용하여, 뇌의 피질 영역을 세그멘테이션하기 위한 신경망 모델을 학습시킬 수 있다.
다만, 상술한 뇌 아틀라스는 예시에 불과하며, 이미지 데이터의 세그멘테이션의 목적이나 관심 영역에 따라 임의의 적절한 뇌 아틀라스가 고려될 수 있다.
또한, 본 출원의 일 실시예에 따른 학습 장치(2200)는 이미지 데이터가 촬영된 스캔 조건에 따라 신경망 모델을 학습시키도록 구현될 수 있다.
예를 들어, 학습 장치(2200)는 제1 스캔 조건에서 획득된 제1 이미지는 제1 이미지로부터 복수의 영역을 세그멘테이션하도록 제1 신경망 모델을 이용하도록 구현될 수 있다. 반면, 학습 장치(2200)는 제2 스캔 조건에서 획득된 제2 이미지는, 제2 이미지로부터 복수의 영역을 세그멘테이션하도록 제2 신경망 모델을 이용하도록 구현될 수 있다. 다시 말해, 학습 장치(2200)는 이미지가 촬영된 스캔 조건에 따라 신경망 모델을 상이하게 학습시킬 수 있다.
또한, 세그멘테이션 프로세스(P2000)에서 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는, 제1 스캔 조건 하에서 획득된 타겟 이미지는 학습된 제1 신경망 모델을 이용하여 세그멘테이션하며, 제2 스캔 조건 하에서 획득된 타겟 이미지는 학습된 제2 신경망 모델을 이용하여 세그멘테이션하도록 구현될 수 있다.
이를 통하여, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 스캔 조건별로 최적의 신경망 모델을 이용하여 타겟 이미지의 세그멘테이션을 수행할 수 있기 때문에, 복수의 영역들을 보다 안정적이고 정확하게 획득할 수 있다.
이하에서는 도 10 내지 도 11을 참고하여 본 출원의 일 실시예에 따른 학습 장치(2200)가 이용할 수 있는 인공 신경망 모델의 예시에 대하여 서술한다.
도 10은 본 출원의 일 실시예에 따른 학습 장치(2200)가 이용할 수 있는 인공 신경망 모델의 일 예이다.
도 11은 본 출원의 일 실시예에 따른 학습 장치(2200)가 이용할 수 있는 인공 신경망 모델의 다른 예이다.
도 10을 참고하면, 본 출원의 일 실시예에 따른 학습 장치(2200)는 이미지 세그멘테이션을 위한 인공 신경망으로 U-net을 활용할 수 있다.
이미지 세그멘테이션에 활용되는 U-net은 수축 경로(Contraction path) 및 확장 경로(Expansion Path)를 포함하는 아키텍처로 구성될 수 있다.
구체적으로 U-net의 수축 경로는 2번의 컨볼루전(convolution) 및 맥스 풀링(max pooling)이 연속적으로 수행되도록 구성될 수 있다. 이때, U-net의 수축 경로에서는 이미지와 관련된 특성들이 추출될 수 있다.
하지만, 수축 경로에서는 특성 맵의 크기 또한 줄어들기 때문에 U-net은 확장 경로를 추가적으로 포함하여 특성 맵의 크기를 복구하도록 구성될 수 있다.
U-net의 확장 경로는 업-컨볼루전(Up-convolution) 및 2번의 컨볼루전(convolution)이 연속적으로 수행되도록 구성될 수 있다. 이때, U-net의 확장 경로에서는 이미지와 특성 맵의 크기가 추출될 수 있다.
추가적으로 U-net은 동일한 레벨의 특성 맵을 콘카테네이션(concatenation) 하도록 아키텍처가 구성되어 수축 경로에서 확장 경로로 특성과 관련된 위치 정보를 제공할 수 있다.
이때, 입력 이미지(Input Image)의 라벨과 출력 세그멘테이션 맵의 라벨 차이에 기초하여, 입력 이미지의 라벨과 출력 세그멘테이션 맵의 라벨 차이가 최소가 되도록 U-net의 포함된 레이어의 적어도 하나의 노드의 파라미터 혹은 가중치가 조절될 수 있다.
또한, 도 11을 참고하면, 본 출원의 일 실시예에 따른 학습 장치(2200)는 이미지 세그멘테이션을 위한 인공 신경망으로 U-net++을 활용할 수 있다. U-net++은 U-net의 성능을 향상시키기 위하여 DenseNet의 고밀도 블록 아이디어를 사용한 인공 신경망 모델로서, 스킵 경로에 컨볼루션 레이어가 존재하여 인코더 및 디코더 특성 맵 사이의 시맨틱 갭을 연결하며, 스킵 경로에 덴스 스킵 연결이 존재하여 그래디언트 흐름을 향상시키는 점에서 U-net과의 차이점이 존재한다.
구체적으로, 학습 장치(2200)는 U-net++ 신경망 모델의 입력 레이어에 대하여 입력 이미지를 입력하고 출력 레이어를 통하여 출력된 라벨 정보를 획득하도록 구현될 수 있다. 이때, 학습 장치(2200)는 입력 이미지에 포함된 라벨 정보와 신경망 모델로부터 출력되는 라벨 정보의 차이에 기초하여 Unet++의 포함된 히든 레이어의 적어도 하나의 노드의 파라미터 혹은 가중치를 조절할 수 있다.
구체적으로 학습 장치(2200)는 상술한 적어도 하나의 노드의 파라미터 혹은 가중치를 조절하는 동작을 반복적으로 수행하도록 구현되어, 입력 이미지에 포함된 라벨 정보와 신경망 모델로부터 출력되는 라벨 정보의 차이가 최소화되는 노드의 파라미터 혹은 가중치를 획득할 수 있다.
상술한 바와 같이, 본 출원의 일 실시예에 따른 학습 장치(2200)는 출력된 라벨 결과에 기초하여 인공 신경망 모델을 학습시키는 동작을 수행할 수 있다.
구체적으로 인공 신경망 모델을 학습하는 단계(S1400)에서는, 이미지 데이터 세트를 획득하는 단계(S1100)로부터 획득된 이미지 데이터에 포함된 라벨과 관련된 데이터를 획득할 수 있다.
이때, 학습 장치(2200)는 이미지 데이터 및 신경망 모델의 출력 레이어를 통하여 출력되는 라벨링 데이터에 기초하여 인공신경망 모델을 학습시키도록 구현될 수 있다.
좀 더 구체적으로, 학습 장치(2200)는 이미지 데이터에 포함된 라벨링 데이터와 신경망 모델의 출력 레이어를 통하여 출력되는 라벨링 데이터의 차이에 기초하여 신경망 모델의 히든 레이어에 포함된 적어도 하나의 노드의 가중치나 파라미터를 조절함으로써 신경망 모델을 학습시키도록 구현될 수 있다.
일 예로, 학습 장치(2200)는 제1 이미지 데이터(ID1)를 인공 신경망의 입력 레이어로 입력하여 제1A 라벨(L1A)에 대응하는 라벨링 데이터를 획득할 수 있다. 이때, 학습 장치는 제1 이미지 데이터(ID1)에 포함된 제1 라벨(L1)에 대응되는 라벨링 데이터 및 제1A 라벨(L1A)에 관련된 라벨링 데이터에 기초하여 신경망 모델을 학습시킬 수 있다. 예를 들어, 학습 장치(2200)는 제1 라벨(L1)과 제1A 라벨(L1A)의 차이에 기초하여 신경망 모델의 히든 레이어에 포함된 적어도 하나의 노드의 가중치나 파라미터를 조절시킴으로써 신경망 모델을 학습시키도록 구현될 수 있다.
다른 예로, 학습 장치(2200)는 제i 이미지 데이터(IDi)를 인공 신경망의 입력 레이어로 입력하여 제iA 라벨(LiA)에 대응하는 라벨링 데이터를 획득할 수 있다. 이때, 학습 장치는 제i 이미지 데이터(IDi)에 포함된 제i 라벨(Li)에 대응되는 라벨링 데이터 및 제iA 라벨(LiA)에 관련된 라벨링 데이터에 기초하여 신경망 모델을 학습시킬 수 있다. 예를 들어, 학습 장치(2200)는 제i 라벨(Li)과 제iA 라벨(LiA)의 차이에 기초하여 신경망 모델의 히든 레이어에 포함된 적어도 하나의 노드의 가중치나 파라미터를 조절시킴으로써 신경망 모델을 학습시키도록 구현될 수 있다. 여기서 i는 임의의 수일 수 있다.
인공 신경망 모델을 검증하는 단계(S1400)에서, 본 출원의 일 실시예에 따른 학습 장치(2200)는 인공 신경망 모델을 검증할 수 있다.
일 예로, 본 출원의 일 실시예에 따른 학습 장치(2200)는 이미지 데이터 세트(DS)에 포함된 적어도 하나의 이미지 데이터에 기초하여, 학습된 신경망 모델을 통하여 출력되는 라벨링 데이터를 획득할 수 있다. 이때, 학습 장치(2200)는 적어도 하나의 이미지 데이터와 관련된 라벨링 데이터 및 학습된 신경망 모델을 통하여 출력되는 라벨링 데이터에 기초하여 학습된 신경망 모델을 검증할 수 있다.
예를 들어, 학습 장치(2200)는 적어도 하나의 이미지 데이터와 관련된 라벨링 데이터 및 학습된 신경망 모델을 통하여 출력되는 라벨링 데이터의 유사도를 비교함으로써, 학습된 신경망 모델의 히든 레이어의 노드의 파라미터 혹은 가중치가 적절한 지 여부를 검증할 수 있다.
인공 신경망 모델을 획득하는 단계(S1500)에서, 본 출원의 일 실시예에 따른 학습 장치(2200)는 이미지 데이터 세트에 포함된 이미지 데이터들에 대하여 인공 신경망 모델을 학습시키고 인공 신경망 모델을 검증하는 동작을 반복 수행함으로써, 이미지 데이터에 포함된 라벨과 관련된 데이터와 인공 신경망의 출력되는 라벨과 관련된 데이터 간의 차이가 최소화되는 가중치나 파라미터를 가지는 적어도 하나의 노드를 포함하는 신경망 모델을 획득할 수 있다.
획득된 노드의 파라미터나 가중치는 세그멘테이션 프로세스(P2000)의 이미지 세그멘테이션을 위한 인공 신경망 모델에 이용될 수 있다.
상술한 바에 따르면 인공 신경망을 이용한 세그멘테이션을 중심으로 서술하였으나, 본 출원에 개시된 이미지 분석 장치(2000)는, 인공 신경망을 이용한 이미지 세그멘테이션을 포함하여 다양한 이미지 세그멘테이션 알고리즘을 이용할 수 있다.
일 예로, 이미지 세그멘테이션 알고리즘은 기계학습 모델로 제공될 수 있다. 기계학습 모델의 대표적인 예로는, 인공 신경망(Artificial Neural Network)이 있을 수 있다. 구체적으로 인공 신경망의 대표적인 예로는 데이터를 입력받는 입력 레이어, 결과를 출력하는 출력 레이어 및 입력 레이어와 출력 레이어 사이에서 데이터를 처리하는 히든 레이어(hidden layer)를 포함하는 딥 러닝 계열의 인공 신경망이 있다. 인공 신경망의 세부적인 예시들로는, 합성곱 인공 신경망(Convolution Neural Network), 순환신경망(Recurrent Neural Network), 심층신경망(Deep Neural Network), 생산적 적대 신경망(Generative Adversarial Network) 등이 있으며, 본 명세서에서 인공 신경망은 상술된 인공 신경망, 그 외의 다양한 형태의 인공 신경망 및 이들이 조합된 형태의 인공 신경망을 모두 포함하는 포괄적인 의미로 해석되어야 하며, 반드시 딥 러닝 계열이어야만 하는 것도 아니다.
뿐만 아니라, 기계학습 모델이 반드시 인공 신경망 모델 형태이어야만 하는 것은 아니며, 이외에도 최근접 이웃 알고리즘(KNN), 랜덤 포레스트(RandomForest), 서포트 벡터 머신(SVM), 주성분분석법(PCA) 등이 포함될 수 있으며, 이상에서 언급된 기법들이 앙상블된 형태나 그 외에 다양한 방식으로 조합된 형태까지도 전부 포함할 수 있다. 한편, 인공 신경망을 중심으로 언급되는 실시예들에서 특별한 언급이 없는 한 인공 신경망이 다른 기계학습 모델로 대체될 수 있음을 미리 밝혀둔다.
나아가, 본 명세서에서 이미지 세그멘테이션 알고리즘이 반드시 기계학습 모델로 한정되는 것은 아니다. 즉, 이미지 세그멘테이션 알고리즘은 기계학습 모델이 아닌 다양한 판단/결정 알고리즘이 포함될 수도 있다.
따라서, 본 명세서에서 이미지 세그멘테이션 알고리즘은 이미지 데이터를 이용하여 세그멘테이션을 수행하는 모든 형태의 알고리즘을 모두 포함하는 포괄적인 의미로 이해되어야 함을 밝혀 둔다.
다시 도 7을 참고하면, 본 출원의 일 실시예에 따른 세그멘테이션 프로세스(P2000)는 데이터 획득 프로세스(P2100) 및 학습된 신경망 모델을 이용한 세그멘테이션 프로세스(P2200)를 포함할 수 있다.
세그멘테이션 프로세스(P2000)는 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)에 의해 구현될 수 있다.
이하에서는 도 12를 참고하여, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)의 신경망 모델을 이용한 이미지 세그멘테이션 동작을 설명한다. 도 12는 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)의 신경망 모델을 이용한 이미지 세그멘테이션 방법에 대한 순서도이다.
도 12를 참고하면, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)의 신경망 모델을 이용한 이미지 세그멘테이션 방법은 대상 이미지 데이터를 획득하는 단계(S2100), 학습된 신경망을 이용하여 세그멘테이션 정보를 획득하는 단계(S2200) 및 세그멘테이션 정보를 출력하는 단계(S2300)를 포함할 수 있다.
구체적으로 대상 이미지 데이터를 획득하는 단계(S2000)에서, 이미지 분석 장치(2000)는 이미지 획득 장치(1000)로부터 대상 이미지를 획득할 수 있다. 또한 이미지 분석 장치(2000)는 이미지 획득 장치(1000) 혹은 임의의 외부 장치로부터 대상 이미지와 관련된 대상 객체 정보 혹은 대상 이미지가 촬영된 스캔 조건과 관련된 정보를 획득할 수 있다.
이때, 대상 이미지와 관련된 대상 객체 정보 혹은 대상 이미지가 촬영된 스캔 조건과 관련된 정보들은, 후술할 보정 파라미터를 획득하는 것에 고려될 수 있다. 이와 관련하여는, 도 58 내지 도 67과 관련하여 자세히 서술한다.
도 13을 참고한다. 도 13은 본 출원의 일 실시예에 따른 대상 이미지의 예시적인 구조도이다.
일 예로, 본 출원의 일 실시예에 따라 이미지 분석 장치(2000)가 획득하는 대상 이미지 데이터는 대상 이미지(TI)에 대한 정보를 포함할 수 있다. 예를 들어, 대상 이미지(TI)에 대한 정보는 픽셀의 좌표, 강도, 색상 등과 관련된 정보를 포괄할 수 있다.
다른 예로, 대상 이미지 데이터는 대상 객체 정보(TO)를 포함할 수 있다. 예를 들어, 대상 객체 정보(TO)에 대한 정보는 대상 이미지(TI)와 관련된 대상체(예, 뇌질환 검사 환자)의 인적 사항에 대한 정보일 수 있다. 예를 들어, 대상 객체 정보(TO)에 대한 정보는 대상체(예, 뇌질환 검사 환자)의 이름, 나이, 성별 등과 관련된 정보들일 수 있다. 이때, 이미지 분석 장치(2000)는 임의의 외부 장치로부터 대상 객체 정보(TO)에 대한 정보를 획득할 수 있다. 혹은 이미지 분석 장치(2000)는 대상 이미지 데이터에 대하여 구조화된 메타 데이터를 인식함으로써 대상 객체 정보(TO)에 대한 정보를 획득할 수 있다.
다른 예로, 대상 이미지 데이터는 대상 스캔 조건(TSC)에 대한 정보를 포함할 수 있다. 예를 들어, 대상 스캔 조건(TSC)에 대한 정보는 대상 이미지(TI)가 촬영된 스캔 조건과 관련된 정보일 수 있다. 예를 들어, 대상 스캔 조건(TSC)에 대한 정보는 대상 이미지(TI)가 촬영된 자기장 강도, 대상 이미지(TI)가 촬영된 이미지 장치의 세팅 파라미터 혹은 대상 이미지(TI)가 촬영된 이미지 장치의 제조사와 관련된 정보들일 수 있다. 이때, 이미지 분석 장치(2000)는 임의의 외부 장치로부터 대상 스캔 조건(TSC)에 대한 정보를 획득할 수 있다. 혹은 이미지 분석 장치(2000)는 대상 이미지 데이터에 대하여 구조화된 메타 데이터를 획득함으로써 대상 스캔 조건(TSC)에 대한 정보를 획득할 수 있다.
다시 도 7을 참고하면, 이미지 분석 장치(2000)는, 데이터 획득 프로세스(P2100)에서 획득된 대상 이미지 데이터를 학습된 신경망 모델의 입력 레이어로 입력하도록 구현될 수 있다.
이때, 이미지 분석 장치(2000)는, 상술한 학습 장치(2200)에서 구현되는 학습 프로세스(P1000)에 따라 획득된 인공 신경망 모델의 노드의 가중치 및/또는 노드의 파라미터를 대상 이미지 데이터를 세그멘테이션 하기 위한 인공신경망 모델에 활용하도록 구현될 수 있다.
다시, 도 12를 참고하면, 학습된 신경망 모델을 이용하여 세그멘테이션 정보를 획득하는 단계(S2200)에서, 학습 장치(2200)로부터 획득된 노드의 가중치 및/또는 노드의 파라미터에 기초한 학습된 신경망 모델은, 대상 이미지 데이터를 입력 레이어를 통하여 입력 받아 대상 이미지(TI)를 세그멘테이션한 결과로서 대상 이미지(TI)를 라벨링한 결과를 출력 레이어를 통하여 출력하도록 제공될 수 있다. 이때, 이미지 분석 장치(2000)는 학습된 신경망 모델의 출력 레이어를 통하여 대상 이미지의 라벨링과 관련된 세그멘테이션 정보를 획득할 수 있다.
이때, 인공 신경망 모델의 출력 레이어를 통하여 출력되는 결과는 대상 이미지 데이터의 대상 이미지로부터 획득된 복수의 대상 영역을 포함할 수 있다.
신경망 모델의 출력 레이어를 통하여 출력되는 결과는 대상 이미지로부터 획득된 복수의 대상 영역에 대응되는 라벨링 형태일 수 있다. 예를 들어, 신경망 모델의 출력 레이어를 통하여 출력되는 결과는 대상 이미지로부터 획득된 제1 영역을 정의하는 제1 라벨, 제2 영역을 정의하는 제2 라벨을 포함하는 라벨링 데이터의 형태일 수 있다.
이때, 신경망 모델의 출력 레이어를 통하여 출력되는 결과는 제1 라벨에 기초하여 대상 이미지의 제1 영역에 제1 색상을 오버레이하고 대상 이미지의 제2 영역에 제2 색상을 오버레이한 형태일 수 있다. 이를 통하여 제1 영역과 제2 영역이 보다 수월하게 구별될 수 있다. 다만, 상술한 내용은 예시에 불과하며 제1 영역과 제2 영역을 구별하기 위한 임의의 형태로서 출력 결과를 구성할 수 있다.
또한, 신경망 모델의 출력 레이어를 통하여 출력되는 세그멘테이션 정보는 미리 정해진 뇌 아틀라스에 기초하여 대상 이미지를 복수의 영역으로 구획된 형태일 수 있다. 예를 들어, 상술한 바와 같이 학습 장치는 미리 정해진 뇌 아틀라스에 기초하여 학습 이미지를 제1 뇌 영역에 대응되는 제1 영역 및 제2 뇌 영역에 대응하는 제2 영역으로 분할하도록 신경망 모델을 학습할 수 있다. 이때, 미리 정해진 뇌 아틀라스에 기초하여 학습된 신경망 모델을 이용하기 때문에, 신경망 모델의 출력 레이어를 통하여 출력되는 세그멘테이션 정보는 대상 이미지의 제1 뇌 영역에 대응되는 제1 영역 및 제2 뇌 영역에 제2 영역을 포함하는 복수의 영역으로 구획된 형태로 출력될 수 있다.
이미지 분석 장치(2000)는 출력 레이어를 통하여 출력되는 세그멘테이션 정보에 기초하여, 특정 영역에 대응되는 형태학적 수치를 계산하는 동작을 수행할 수 있다.
일 예로, 이미지 분석 장치(2000)는 출력 레이어를 통하여 출력된 제1 영역과 관련된 세그멘테이션 정보에 기초하여 제1 뇌 영역과 관련된 형태학적 특성(morphological character)을 나타내는 형태학적 수치를 계산하도록 구현될 수 있다. 예를 들면, 형태학적 특성(morphological character)은 부피, 두께, 길이 혹은 형태 등과 관련될 수 있다.
세그멘테이션 정보를 출력하는 단계(S2300)에서, 이미지 분석 장치(2000)는 출력 레이어를 통하여 출력되는 세그멘테이션 정보에 기초하여, 복수의 뇌 영역에 대하여 시각적인 그래픽을 오버레이하여 출력 장치(2600)의 출력 모듈(2650) 혹은 이미지 분석 장치(2000)의 출력 모듈(2050)을 통하여 사용자에게 디스플레이하도록 구현될 수 있다.
도 14를 참고한다. 도 14는 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)의 세그멘테이션 프로세스에 의해 획득된 세그멘테이션 정보에 기초하여 획득된 이미지의 예시들이다.
구체적으로, 도 14의 상측에 도시된 도면은 T1-MRI로부터 획득된 이미지에 대한 세그멘테이션 결과에 기초하여 출력되는 이미지의 예시이다. 도 14의 하측에 도시된 도면은 T2-Flair MRI로부터 획득된 이미지에 대한 세그멘테이션 결과에 기초하여 출력되는 이미지의 예시이다.
예를 들어, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 T1-MRI로부터 획득된 이미지에 대한 세그멘이션 프로세스에 의하여 전두엽, 측두엽, 두정엽, 후두엽, 외측 뇌실, 편도체, 해마 영역 등에 대응하는 세그멘테이션 정보를 획득할 수 있다.
예를 들어, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 T2-Flair MRI로부터 획득된 이미지에 대한 세그멘이션 프로세스에 의하여 백질, 회백질, 뇌실, WMH(white matter hyperintensity) 영역 등에 대응하는 세그멘테이션 정보를 획득할 수 있다.
상술한 이미지 분석 장치(2000)의 이미지 세그멘테이션 동작에 의하면, 사용자는 세그멘테이션 결과를 시각적으로 확인할 수 있어 용이하게 세그멘테이션 결과를 확인할 수 있다. 또한, 사용자의 뇌 질환 진단의 보조 지표에 대한 이해도를 향상시킬 수 있다는 유리한 효과가 제공될 수 있다.
한편, 도 7에서 사용되는 인공 신경망 모델은 적어도 하나의 인공 신경망 모델로 구현될 수 있다.
이하에서는, 도 15 내지 도 17을 참고하여, 적어도 하나의 인공 신경망 모델을 이용하는 본 출원의 일 실시예에 따른 이미지 세그멘테이션을 위한 프로세스의 흐름도를 서술한다. 구체적으로 도 7의 인공 신경망 모델을 학습시키는 프로세스(P1200)와 관련하여 복수의 인공 신경망 모델을 이용하는 경우의 특징적인 내용들을 중심으로 서술한다. 도 7 내지 도 14와 관련되어 서술한 내용은, 도 15 내지 도 17과 관련하여 후술할 실시예에도 유추적용될 수 있다.
도 15는 본 실시예에 따른 이미지 세그멘테이션을 위한 프로세스의 흐름도를 도시한 도면이다.
일 예로, 도 15를 참고하면, 도 7의 학습 프로세스(P1000)의 신경망 모델 학습 프로세스(P1200)는 제1 신경망 모델을 학습시키는 프로세스(P1210) 및 제2 신경망 모델을 학습시키는 프로세스(P1220)로 구성될 수 있다.
일 예로, 제1 신경망 모델은 제1 뇌 영역에 대응하는 제1 영역 및 제2 뇌 영역에 대응하는 제2 영역을 획득하도록 학습될 수 있다. 이때, 제2 신경망 모델은 제1 신경망 모델로부터 획득될 수 있는 제1 영역에 포함된 제3 영역 및 제4 영역을 획득하도록 학습될 수 있다. 다시 말해, 제1 신경망 모델은 뇌의 거시적인 구조에 대응되는 영역들(예, 두개골 영역, 뇌 척수액(CSF) 영역, 피질 영역, 수질 영역)을 획득하도록 학습될 수 있으며, 제2 신경망 모델은 뇌의 세부적인 구조에 대응되는 영역들(예, 피질 내에 위치하는 뇌 요소들에 대응되는 영역, 수질 내에 위치하는 뇌 요소들에 대응되는 영역)을 획득하도록 학습될 수 있다.
다른 예로, 제1 신경망 모델은 제1 뇌 아틀라스에 대응되는 뇌 영역들에 대응되는 영역들을 획득하도록 학습될 수 있다. 반면 제2 신경망 모델은 제2 뇌 아틀라스에 대응되는 뇌 영역들에 대응되는 영역들을 획득하도록 학습될 수 있다.
또 다른 예로, 제1 신경망 모델은 뇌의 거시적인 구조에 대응되는 영역들(예, 두개골 영역, 뇌 척수액(CSF) 영역, 피질 영역, 수질 영역)을 획득하도록 학습될 수 있다. 반면, 제2 신경망 모델은 뇌 아틀라스에 대응되는 뇌 영역들에 대응되는 영역들을 획득하도록 학습될 수 있다. 예를 들어, 제2 신경망 모델은 Desikan-Killiany Atlas (Desikan 2006)에 기초하여 복수의 뇌 영역에 대응되는 영역들을 획득하도록 학습될 수 있으며, Desikan-Killiany Atlas (Desikan 2006)에 기초하여 학습된 제2 신경망 모델은 전두엽, 측두엽, 두정엽, 후두엽, 외측 뇌실, 편도체 및 해마를 포함하는 영역들을 획득하도록 학습될 수 있다.
제1 신경망 모델을 학습시키는 프로세스(P1210)와 제2 신경망 모델을 학습시키는 프로세스(P1220)는 독립적으로 수행될 수 있다.
구체적으로 제1 신경망 모델을 학습시키는 프로세스(P1210)와 제2 신경망 모델을 학습시키는 프로세스(P1220)에 활용되는 데이터 세트는 독립적일 수 있다.
도 16을 참고한다. 도 16은 본 출원의 일 실시예에 따른 이미지 데이터 세트들의 예시적인 구조도이다. 구체적으로 도 16의 왼쪽에 도시된 이미지 데이터 세트는 제1 신경망 모델을 학습시키기 위한 이미지 데이터 세트일 수 있다. 반면 도 16의 오른쪽에 도시된 이미지 데이터 세트는 제2 신경망 모델을 학습시키기 위한 이미지 데이터 세트일 수 있다.
예를 들어, 제1 신경망 모델을 학습시키기 위한 이미지 데이터 세트(DS)는 제1 이미지(I1) 및 제1 영역들과 관련된 제1a 라벨(L1a)과 관련된 정보를 포함하는 제1 이미지 데이터를 포함할 수 있다. 반면 제2 신경망 모델을 학습시키기 위한 이미지 데이터 세트(DS)는 제1 이미지(I1) 및 제2 영역들과 관련된 제1b 라벨(L1b)과 관련된 정보를 포함하는 제1 이미지 데이터를 포함할 수 있다.
이때, 학습 장치는 제1 신경망 모델을 이용하여, 제1 이미지 데이터(ID1)를 인공 신경망의 입력 레이어로 입력하여 제1 영역들과 관련된 제1a 라벨(L1a')에 대응하는 출력 라벨링 데이터를 획득할 수 있다. 이때, 학습 장치는 제1 이미지 데이터(ID1)에 포함된 제1 영역들과 관련된 라벨(L1a)에 대응되는 라벨링 데이터 및 제1 영역과 관련된 제1a' 라벨(L1a')에 관련된 출력 라벨링 데이터에 기초하여 인공 신경망 모델을 학습시킬 수 있다. 예를 들어, 학습 장치(2200)는 제1a 라벨(L1a)과 제1a' 라벨(L1a')의 차이에 기초하여 신경망 모델의 히든 레이어에 포함된 적어도 하나의 노드의 가중치나 파라미터를 조절하도록 구현될 수 있다. 또한 상술한 제1 신경망 모델을 학습시키는 프로세스를 반복적으로 수행함으로써, 제1 영역과 관련된 제1 신경망 모델과 관련된 파라미터를 획득할 수 있다.
반면, 학습 장치는 제2 신경망 모델을 이용하여, 제1 이미지 데이터를 인공 신경망의 입력 레이어로 입력하여 제2 영역들과 관련된 제1b' 라벨(L1b')에 대응하는 출력 라벨링 데이터를 획득할 수 있다. 이때, 학습 장치는 제1 이미지 데이터(ID1)에 포함된 제2 영역들과 관련된 제1b 라벨(L1b)에 대응되는 라벨링 데이터 및 제2 영역과 관련된 제1b 라벨(L1b')에 관련된 출력 라벨링 데이터에 기초하여 인공 신경망 모델을 학습시킬 수 있다. 예를 들어, 학습 장치(2200)는 제1b 라벨(L1b)과 제1b' 라벨(L1b')의 차이에 기초하여 신경망 모델의 히든 레이어에 포함된 적어도 하나의 노드의 가중치나 파라미터를 조절하도록 구현될 수 있다. 또한, 상술한 제2 신경망 모델을 학습시키는 프로세스를 반복적으로 수행함으로써, 제2 영역과 관련된 제2 신경망 모델과 관련된 파라미터를 획득할 수 있다.
또한, 학습 프로세스(P1000)에서 획득된 제1 신경망 모델과 관련된 파라미터는 세그멘테이션 프로세스(P2000)의 제1 영역에 대응되는 이미지 세그멘테이션을 위한 제1 신경망 모델에 이용될 수 있으며(P2210), 학습 프로세스(P1000)에서 획득된 제2 신경망 모델과 관련된 파라미터는 세그멘테이션 프로세스(P2000)의 제2 영역에 대응되는 이미지 세그멘테이션을 위한 제2 신경망 모델에 이용(P2220)되도록 구현될 수 있을 것이다.
다만, 도 16에 따르면, 제1 신경망 모델과 관련된 이미지 데이터에 포함된 제1a 라벨은 제1 영역과 관련된 라벨이며 제2 신경망 모델과 관련된 이미지 데이터에 포함된 제1b 라벨은 제2 영역과 관련된 라벨인 것으로 도시되었으나, 이는 예시에 불과하며 이에 제한되지 않는다. 예를 들어, 제1 및 2 신경망 모델의 이미지 데이터는 제1 영역 및 제2 영역과 관련된 라벨 정보를 포함할 수 있으며, 제1 신경망 모델을 학습시키는 경우에는 제1 영역과 관련된 라벨 정보만을 이용하고 제2 신경망 모델을 학습시키는 경우에는 제2 영역과 관련된 라벨 정보만을 이용하도록 구현될 수 있을 것이다.
또한, 상술한 바에 따르면, 제1 신경망 모델과 제2 신경망 모델이 독립적인 것으로 서술되었으나, 이에 제한되지 않으며, 제1 신경망 모델과 제2 신경망 모델은 적어도 일부 레이어를 공유할 수 있다. 다시 말해, 제1 신경망 모델과 제2 신경망 모델은 공통되는 레이어를 적어도 하나 포함할 수 있다.
한편, 제1 신경망 모델을 학습시키는 프로세스와 제2 신경망 모델을 학습시키는 프로세스는 독립적일 수 있으나, 서로 관련되도록 학습시킬 수 있다. 여기서, 서로 관련되도록 학습시킨다 것은 둘 중 하나의 신경망 모델에서 출력되는 데이터를 다른 신경망 모델의 입력 데이터로 사용하는 것을 포함하여, 둘 중 하나의 신경망 모델에서 생성된 임의의 데이터를 다른 신경망 모델에서 이용하는 모든 형태를 포괄하는 것을 의미할 수 있다.
도 17을 참고한다. 도 17은 본 출원의 실시예에 따른 이미지 세그멘테이션을 위한 프로세스의 흐름도를 도시한 도면이다.
일 실시예로, 본 출원의 일 실시예에 따른 학습 프로세스(P1000)의 신경망 모델을 학습시키는 프로세스(P1200)는 제1 신경망 모델을 학습시키는 프로세스(P1211) 및 제2 신경망 모델을 학습시키는 프로세스(P1221)를 포함하되, 제1 신경망 모델로부터 출력되는 결과와 관련된 데이터가 제2 신경망 모델에 입력 데이터로 입력되도록 구현될 수 있다.
일 예로, 학습 장치(2200)는 제2 신경망 모델이 제1 영역과 관련된 라벨링 데이터를 입력받도록 구성할 수 있다. 이때, 제1 영역과 관련된 라벨링 데이터는 이미지 데이터에 대하여 제1 뇌 영역에 대응되는 제1 영역을 수동으로 라벨링됨으로써 획득되거나, 임의의 자동 라벨링 소프트웨어를 이용하여 획득될 수 있다.
예를 들어, 제1 영역과 관련된 라벨링 데이터는 제1 신경망 모델에 입력되는 이미지 데이터에 대하여 임상의에 의하여 수동으로 라벨링된 데이터일 수 있다.
다른 예를 들어, 제1 신경망 모델은 제1 영역과 관련된 라벨링 데이터를 출력하도록 학습될 수 있으며, 이때, 제2 신경망 모델에 입력되는 제1 영역과 관련된 라벨링 데이터는 제1 신경망 모델로부터 출력되는 라벨링 데이터일 수 있다.
이때, 제2 신경망 모델은 제1 영역과 관련된 라벨링 데이터 및 이미지 데이터에 기초하여 제2 영역과 관련된 라벨링 데이터를 출력하도록 학습될 수 있다.
따라서, 본 출원의 일 실시예에 따른 학습 장치(2200)는 제1 신경망 모델을 통하여 제1 영역과 관련된 라벨링 데이터를 획득할 수 있으며 제2 신경망 모델을 통하여 제2 영역과 관련된 라벨링 데이터를 획득하도록 구현될 수 있다. 따라서, 학습 장치(2200)는 제1 영역 및 제2 영역과 관련된 라벨링 데이터를 획득하도록 제1 신경망 모델 및 제2 신경망 모델을 학습시킬 수 있다.
또한, 학습 장치(2200)는 제1 영역 및 제2 영역과 관련된 라벨과 관련된 라벨링 데이터 및 이미지 데이터 세트의 제1 영역 및 제2 영역과 관련된 라벨링 데이터의 차이에 기초하여, 제1 신경망 모델의 적어도 하나의 노드의 가중치나 파라미터를 조절하거나 제2 신경망 모델의 적어도 하나의 노드의 가중치나 파라미터를 조절하도록 제공될 수 있다.
또한, 학습 프로세서(P1000)에서 획득된 제1 신경망 모델 및 제2 신경망 모델과 관련된 파라미터는 세그멘테이션 프로세스(P2000)의 제1 영역 및 제2 영역에 대응되는 이미지 세그멘테이션을 위한 제1 신경망 모델 및 제2 신경망 모델에 이용될 수 있다.
이때, 제1 영역 또는 제2 영역은 뇌의 해부학적 구조와 관련된 영역일 수 있으며, 상술한 뇌 아틀라스에 기초하여 구획된 영역 중 하나일 수 있다. 또한 제1 영역 또는 제2 영역은 뇌 질환과 관련된 유의미한 연관성을 나타내는 영역일 수 있다.
다만, 상술한 신경망 모델의 학습 프로세스는 예시에 불과하며, 임의의 적절한 형태, 유형, 파라미터를 가진 적어도 하나 이상의 신경망 모델의 다양한 조합이나 연결관계를 이용하여 이미지 세그멘테이션 동작을 학습시키고 신경망 모델을 검증하여 신경망 모델의 파라미터를 획득할 수 있을 것이다.
한편, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 세그멘테이션 프로세스(P2000)에서, 학습된 인공 신경망 모델을 갱신하거나 업데이트하도록 구현될 수 있다.
일 예로, 이미지 분석 장치(2000)는, 학습된 신경망 모델을 이용한 세그멘테이션 프로세스(P2200)에 의해 대상 이미지를 세그멘테이션하여 획득된 세그멘테이션 정보를 수동으로 또는 임의의 소프트웨어를 이용하여 수정 가능하도록 구현될 수 있다. 이때, 이미지 분석 장치(2000)는 수정된 세그멘테이션 정보에 기초하여, 학습된 신경망 모델의 적어도 하나 이상의 노드의 가중치나 적어도 하나 이상의 노드의 파라미터를 수정함으로써, 인공 신경망 모델을 갱신하거나 업데이트하도록 구현될 수 있다.
일 실시예에 따른 이미지 분석 장치는 이미지의 품질을 판단하는 기능을 수행할 수 있다. 이미지 분석 장치는 이미지의 품질을 판단하기 위한 품질 기준을 가지고, 입력되는 이미지가 품질 기준을 만족하는지 여부를 판단할 수 있다.
보다 구체적으로, 이미지 품질 판단은 이미지 획득 장치에 의해 획득된 의료 이미지가 일정 수준 이상의 품질을 갖추고 있는지 판단하는 것을 의미할 수 있다. 다시 말해, 이미지 품질 판단은 이미지 획득 장치에 의해 획득된 의료 이미지로부터 일정 수준 이상의 신뢰도를 가지는 의료 정보의 획득이 가능한지 판단하는 것을 의미할 수 있다.
이미지 품질 판단은 이미지 분석 동작을 구성하는 세부 동작과 함께 수행될 수 있다. 예컨대, 이미지 품질 판단 동작은 본 명세서에서 설명하는 이미지 획득 동작, 이미지 전처리 동작, 이미지 세그멘테이션 동작 및/또는 의료 정보 출력 동작과 함께 수행될 수 있다.
이미지 품질 판단 동작은 적어도 하나의 세부 동작의 수행 전에 또는 수행 후에 수행될 수 있다. 이미지 품질 판단 동작은 세부 동작의 수행 결과 얻어진 정보에 기초하여 수행될 수 있다. 이미지 품질 판단 동작은 세부 동작을 수행하기 위한 기준을 만족하는지 판단하기 위하여 수행될 수 있다.
이미지 품질 판단은 이미지 데이터에 기초하여 수행될 수 있다. 이미지 품질 판단은 이미지 로데이터를 기초로 수행될 수 있다. 이미지 품질 판단은 전처리가 수행된 의료 이미지를 기초로 수행될 수 있다. 다른 예로, 이미지 품질 판단은 의료 이미지를 세그멘테이션(segmentation)한 결과를 기초로 수행될 수 있다. 또다른 예로, 이미지 품질 판단은 의료 이미지를 분석한 결과를 기초로 수행될 수 있다.
이미지 품질 판단은 이미지 데이터와 관련된 비-이미지 데이터에 기초하여 수행될 수 있다. 이미지 품질 판단은 의료 이미지에 관한 메타데이터(metadata) 정보, 의료 이미지에 포함되어 있는 아티팩트 정보 또는 의료 이미지 세그멘테이션(segmentation)을 통해 확보된 관심 영역 정보 중 적어도 어느 하나를 기초로 수행될 수 있다.
일 실시예에 따르면, 이미지 품질 판단은 대응되는 세부 동작 별로 달리 수행될 수 있다.
예컨대, 제1 품질 판단은 전처리 동작 전에 로데이터에 기초하여 수행될 수 있다. 이때, 제1 품질 기준을 만족하는 이미지에 대하여 전처리 동작이 수행될 수 있다. 또 예컨대, 제2 품질 판단은, 세그멘테이션 동작 전에 로데이터 또는 전처리된 이미지에 기초하여 수행될 수 있다. 이때, 제2 품질 기준을 만족하는 이미지에 대하여 세그멘테이션 동작이 수행될 수 있다. 또 예컨대, 제3 품질 판단은, 이미지 분석 전에, 로데이터, 전처리된 이미지 또는 이미지 세그멘테이션 결과에 기초하여 수행될 수 있다. 제3 품질 기준을 만족하는 이미지에 대하여 이미지 분석이 수행될 수 있다. 제1 내지 제3 품질 기준은 서로 다를 수 있다.
이미지 품질 판단을 통하여 획득된 정보는 출력될 수 있다. 이미지 품질 판단을 통하여 획득된 정보는 이미지 품질 판단의 근거가 되는 정보를 포함할 수 있다. 이미지 품질 판단의 근거가 되는 정보는 이미지에 흠결이 존재하는지 여부, 이미지의 형식 정보, 이미지의 획득 조건 등을 포함할 수 있다. 이미지 품질 판단을 통하여 획득된 정보는, 후속 동작의 수행 여부와 관련된 정보의 생성 또는 제공에 이용될 수 있다.
이미지 품질 판단의 구체적인 실시예에 대하여는 후술하도록 한다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 대상 이미지의 세그멘테이션 결과에 기초하여 대상체의 뇌 형태학적 지표를 계산하는 동작을 수행하도록 제공될 수 있다.
구체적으로, 이미지 분석 장치(2000)는 세그멘테이션 결과에 기초하여 두개골의 내부 영역과 타겟 요소에 대응되는 영역을 획득할 수 있다. 또한, 이미지 분석 장치(2000)는 타겟 요소의 형태학적 지표를 계산하기 위하여 두개골의 내부 영역에 대응되는 바운더리를 수정하는 동작을 추가적으로 수행할 수 있다.
또한, 이미지 분석 장치(2000)는 두개골의 내부 영역의 바운더리를 수정하기 위하여 뇌 이미지를 정렬하는 동작을 추가적으로 수행할 수 있다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)의 대상체의 뇌 형태학적 지표를 계산하는 동작은 도 48 내지 도 57과 관련하여 자세히 후술하도록 한다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 대상 이미지의 세그멘테이션 결과에 기초하여 계산된 뇌의 형태학적 값 혹은 형태학적 지표를 보정하는 동작을 수행하도록 제공될 수 있다.
구체적으로, 이미지 분석 장치(2000)는 세그멘테이션 결과에 기초하여 타겟 요소에 대응되는 영역과 타겟 요소에 대응되는 픽셀이나 복셀 데이터를 획득할 수 있다. 이때, 이미지 분석 장치(2000)는 타겟 요소에 대응되는 픽셀이나 복셀 데이터에 기초하여 타겟 요소의 형태학적 값을 획득할 수 있다.
또한, 이미지 분석 장치(2000)는 보다 정확한 형태학적 지표를 출력하도록, 대상 이미지가 획득된 스캔 조건이나 대상 이미지 내에 타겟 요소의 위치를 고려하여 타겟 요소의 형태학적 값을 보정하는 동작을 수행할 수 있다.
이때, 이미지 분석 장치(2000)는 타겟 요소의 형태학적 값을 보정하기 위하여 보정 파라미터 획득 장치(2400)로부터 스캔 조건이나 타겟 요소의 위치를 고려한 보정 파라미터를 획득할 수 있으며, 보정 파라미터 및 타겟 요소의 형태학적 값에 기초하여 타겟 요소의 형태학적 지표를 출력하는 동작을 수행하도록 제공될 수 있다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)의 뇌의 형태학적 값 혹은 형태학적 지표를 보정하는 동작은 도 58 내지 도 67과 관련하여 자세히 후술하도록 한다.
일 실시예에 따른 이미지 출력 장치는 이미지 분석을 통해 획득되는 다양한 의료 정보를 기초로 진단 보조 정보를 사용자에게 제공할 수 있다. 여기서, 진단 보조 정보는 의료 이미지로부터 획득되는 다양한 의료 정보의 가공을 통해 획득되는 정보를 포함할 수 있다. 예를 들어, 진단 보조 정보는 의료 정보를 가공하여 획득된 정보 예컨대, 의료 정보에 기초한 진단 정보, 분석 정보, 처방 정보 등을 포함할 수 있다.
진단 보조 정보 제공 동작은 이미지 출력 동작을 구성하는 세부 동작과 함께 수행될 수 있다. 예컨대, 진단 보조 정보 제공 동작은 본 명세서에서 설명하는 이미지 획득 동작, 이미지로부터 의료 정보를 획득하는 동작, 획득된 정보 중 진단 보조 정보를 획득하는 동작, 진단 보조 정보를 출력하는 동작 및/또는 진단 보조 정보에 기초하여 코멘트를 제공하는 동작과 함께 수행될 수 있다. 상술한 각각의 동작에 관한 자세한 설명은 후술하도록 한다.
다른 실시예에 따른 이미지 출력 장치는 이미지 분석을 통해 획득되는 다양한 의료 정보 중 사용자에게 필요한 지표 정보를 선택적으로 제공할 수 있다. 여기서, 선택적 정보 제공은 이미지 분석 장치를 통해 획득할 수 있는 다양한 의료 정보 중 사용자에게 필요한 의료 정보만을 선택적으로 제공하는 것을 포함할 수 있다.
선택적 정보 제공 동작은 이미지 출력 동작을 구성하는 세부 동작과 함께 수행될 수 있다. 예컨대, 선택적 정보 제공 동작은 본 명세서에서 설명하는 이미지 획득 동작, 이미지로부터 의료 정보를 획득하는 동작, 획득된 정보 중 선택적 정보를 획득하는 동작, 선택적 정보를 출력하는 동작 및/또는 선택적 정보에 기초하여 코멘트를 제공하는 동작과 함께 수행될 수 있다. 상술한 각각의 동작에 관한 자세한 설명은 후술하도록 한다.
이상에서는 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)의 구성과 동작에 대하여 서술하였다. 이하에서는 본 실시예에 따른 이미지 분석 방법에 관하여 보다 구체적으로 설명한다.
이하의 설명에서는 본 출원의 일 실시예에 따른 이미지 분석 방법이 상술한 이미지 분석 장치(2000), 학습 장치(2200), 보정 파라미터 획득 장치(2400) 혹은 출력 장치(2600)에 의해 수행되는 것으로 설명한다. 다만, 이는 설명의 편의를 위한 것에 불과하므로, 본 출원의 일 실시예에 따른 이미지 분석 방법이 상술한 이미지 분석 장치(2000), 학습 장치(2200), 보정 파라미터 획득 장치(2400) 혹은 출력 장치(2600)로 한정되는 것은 아니다. 즉, 후술되는 이미지 분석 방법이 반드시 이미지 분석 장치(2000), 학습 장치(2200), 보정 파라미터 획득 장치(2400) 혹은 출력 장치(2600)에 의해서만 수행되어야 하는 것은 아니며 상술한 이미지 분석 장치(2000), 학습 장치(2200), 보정 파라미터 획득 장치(2400) 혹은 출력 장치(2600)와 유사한 기능을 갖는 다른 시스템이나 장치 등에 의해 수행되는 것도 가능하다.
환자의 건강 상태를 판단하기 위해 의료 이미지로부터 다양한 정보가 획득되는데, 정확한 정보를 획득하기 위하여는 일정 수준 이상의 품질을 가지고 필요 조건을 만족하는 의료 이미지를 기초로 분석이 이루어져야 한다.
보다 구체적으로, 이미지 획득 장치에 의해 획득된 의료 이미지는 이미지 분석이 이루어지기에 적합하지 않은 품질(또는 성질)을 가질 수 있다. 예컨대, 이미지는 의료 데이터 획득에 부적절한 형식적 또는 실질적 흠결을 가질 수 있다. 예를 들어, 이미지의 밝기, 이미지의 해상도, 촬영이 이루어진 부위, 촬영이 이루어진 방향, 촬영이 이루어진 각도 또는 그 밖의 촬영 중에 발생할 수 있는 문제로 인해 이미지 내에 발생된 다양한 결함 등으로 인해 의료 이미지는 일정 수준 이상의 품질을 구비하지 못할 수 있다. 또는, 이미지 파일의 형식, 크기 등 이미지의 형식이 필요 조건을 만족하지 아니할 수 있다.
상기와 같은 일정 수준 이상의 품질을 가지지 않는 의료 이미지를 기초로 분석이 이루어지는 경우, 그 분석 결과 또한 일정 수준 이상의 신뢰도를 구비하지 못할 수 있다. 이에 따라, 보다 높은 수준의 신뢰도를 가질 수 있는 분석 결과의 도출을 위해서는 이미지 획득 장치에 의해 획득된 이미지가 일정 수준 이상의 품질을 가지고 있는지에 관한 이미지 품질 판단이 이루어져야 한다.
기존에는 촬영 장비를 통해 획득한 의료 이미지에 불량한 부분이 있는지 판단하기 위해 검수자가 직접 일일이 판단하였다. 다만, 검수자의 관점, 검수자의 경험, 검수자의 컨디션에 따라 판단 결과가 일정하지 않을 수 있어 일정한 수준의 정확도 높은 품질 판단이 이루어지기 어려운 한계점이 존재하였다.
일 실시예에 따르면, 상술한 한계점을 극복하고, 촬영된 의료 이미지의 향상된 품질 판단을 위하여 인공지능이 활용될 수 있다. 즉, 일 실시예에 따른 이미지 분석 장치는 인공지능을 활용하여 높은 수준의 의료 이미지 품질 판단을 수행할 수 있다.
도 18은 일 실시예에 따른 이미지 품질 판단 프로세스를 설명하기 위한 도면이다.
도 18을 참조하면, 일 실시예에 따른 이미지 품질 판단 프로세스는 의료 이미지 획득 단계(S3000), 의료 이미지 품질 판단 단계(S3300) 및 의료 이미지 품질 관련 정보 출력 단계(S3500)를 포함할 수 있다. 이 경우, 의료 이미지 품질 관련 정보 출력 단계(S3500)는 생략될 수 있다. 한편, 이미지 품질 판단 프로세스는 의료 이미지를 전처리하는 단계 및/또는 의료 이미지를 세그멘테이션하는 단계를 더 포함할 수 있다.
도 19는 이미지 품질 판단 프로세스를 수행하는 이미지 분석 장치(3000)를 설명하기 위한 도면이다.
도 19를 참조하면, 이미지 분석 장치(3000)는 이미지 품질 판단 프로세스를 수행할 수 있다. 이미지 분석 장치(3000)는 이미지 품질 판단을 수행하기 위한 하나 이상의 모듈을 포함할 수 있다. 예컨대, 이미지 분석 장치(3000)는 전처리 수행 모듈(3300), 이미지 세그멘테이션 모듈(3500) 또는 이미지 품질 판단 모듈(3700), 이미지 품질 관련 정보 출력 모듈(3900) 중 적어도 어느 하나를 포함할 수 있다.
이하에서는, 이미지 품질 판단 프로세스의 각 단계에 대하여 보다 구체적인 예를 들어 설명한다. 이하에서 설명하는 이미지 품질 판단 프로세스는 전술한 이미지 분석 장치(3000) 또는 본 명세서 전반에 걸쳐 설명하는 장치 또는 시스템에 의하여 수행될 수 있다.
일 실시예에 따른 이미지 획득 장치는 의료 이미지를 획득할 수 있다. 예시적으로, 의료 이미지는 CT(Computed Tomography), MRI(Magnetic resonance imaging), X-ray 등의 이미지를 포함할 수 있으나, 이에 한정되는 것은 아니다. 이 경우, MRI 이미지는 MRI 촬영 장비에 의해 촬영될 수 있는 다양한 종류의 영상 예컨대, T1강조영상, T2강조영상 또는 FLAIR영상 등을 포함할 수 있다. 또한, MRI 이미지는 MRI 촬영 장비에 의해 촬영되는 다양한 종류의 평면 예컨대, Axial, Sagittal 또는 Coronal 평면에서 촬영된 이미지를 포함할 수 있다.
일 실시예에 따른 이미지 획득 장치는 이미지 분석 장치(3000)는, 적어도 일부가 온전히 촬영되지 않은 의료 이미지를 획득할 수 있다. 예컨대, 이미지 분석 장치(3000)는, 대상 영역 중 적어도 일부가 누락되거나 부적절하게 촬영된 의료 이미지를 획득할 수 있다.
예를 들어, 이미지 획득 장치는 일정 수준 이하의 품질을 가지는 의료 이미지를 획득할 수 있다. 이미지 획득 장치는 일정 수준 이상의 신뢰도를 가지는 의료 정보의 추출을 기대하기 어려운 의료 이미지를 획득할 수 있다. 다른 예로, 이미지 획득 장치는 파일 구조가 비정상적이거나 환자 정보가 누락되어 있는 의료 이미지를 획득할 수 있다. 또 다른 예로, 이미지 획득 장치는 적어도 하나의 노이즈를 포함하고 있는 의료 이미지를 획득할 수 있다. 여기서, 노이즈는 이미지에 기초한 정보 획득에 영향을 미치는 다양한 종류의 결함 내지 상태를 의미할 수 있다.
일 실시예에 따른 이미지 품질 판단 프로세스는 의료 이미지를 전처리하는 단계를 포함할 수 있다. 예컨대, 일 실시예에 따른 이미지 품질 판단 프로세스는 이미지 품질 판단이 수행되기에 적합하도록 이미지 획득 장치에 의해 획득된 의료 이미지를 전처리하는 단계를 포함할 수 있다.
예시적으로, 이미지 전처리 단계는 의료 이미지 내에 포함되어 있는 아티팩트의 검출이 보다 원활히 이루어질 수 있도록 이미지의 밝기, 크기, 비율, 방향 또는 해상도를 보정하는 등의 다양한 전처리 과정을 수행하는 것을 포함할 수 있다. 다른 예로, 이미지 전처리 단계는 의료 이미지 내에 포함되어 있는 해부학적 구조에 관한 정보의 획득이 보다 원활히 이루어질 수 있도록 이미지의 밝기, 크기, 비율, 방향 또는 해상도를 보정하는 등의 다양한 전처리 과정을 수행하는 것을 포함할 수 있다.
그 밖에도, 이미지 전처리 단계는 이미지 품질 판단을 위한 다양한 전처리 과정을 수행하는 것을 포함할 수 있으며, 이에 관한 자세한 내용은 상술한바 있으므로 중복되는 내용은 생략하도록 한다.
일 실시예에 따른 이미지 품질 판단 프로세스는 의료 이미지를 세그멘테이션(segmentation)하는 단계를 포함할 수 있다. 예컨대, 일 실시예에 따른 이미지 품질 판단 프로세스는 이미지 품질 판단을 위하여 이미지 획득 장치에 의해 획득된 의료 이미지를 세그멘테이션하는 단계를 포함할 수 있다.
예시적으로, 이미지 세그멘테이션 단계는 의료 이미지 내에 포함되어 있는 아티팩트와 관련된 정보의 획득을 위해 의료 이미지 세그멘테이션을 수행하는 것을 포함할 수 있다. 보다 구체적인 예로, 이미지 세그멘테이션 단계는 의료 이미지 내에 포함되어 있는 아티팩트와 대응되는 영역의 세그멘테이션을 수행하는 것을 포함할 수 있다.
아티팩트에 대응되는 영역의 세그멘테이션은, 의료 이미지에 포함된 아티팩트에 대응되는 영역을 획득하도록 학습된 신경망 모델을 이용하여 수행될 수 있다. 아티팩트 영역을 세그멘테이션하는 것은, 아티팩트 영역이 라벨링된 하나 이상의 의료 이미지를 포함하는 학습 데이터를 이용하여 학습된 신경망 모델을 이용하여 수행될 수 있다.
다른 예로, 이미지 세그멘테이션 단계는 의료 이미지 내에 포함되어 있는 인체의 영역 중 적어도 일부에 기초하여 이미지 품질 판단이 이루어질 수 있도록 의료 이미지를 세그멘테이션하는 것을 포함할 수 있다. 보다 구체적인 예로, 이미지 세그멘테이션 단계는 이미지 품질 판단의 기초가 될 수 있는 인체의 해부학적 또는 기능적 구조에 관한 정보를 얻기 위해 의료 이미지를 세그멘테이션하는 것을 포함할 수 있다. 이미지 세그멘테이션 단계는 의료 이미지 내에 포함되어 있는 인체의 구조와 대응되는 영역의 세그멘테이션하는 것을 포함할 수 있다. 이미지 세그멘테이션 단계는 이미지 품질 판단에 이용되는 구조에 대응되는 영역을 획득하는 것을 포함할 수 있다.
인체의 구조에 대응되는 영역의 세그멘테이션은 신경망 모델을 이용하여 수행될 수 있다. 구조에 대응되는 영역의 세그멘테이션은 의료 이미지에 포함된 영역을 세그멘테이션하도록 학습된 신경망 모델을 이용하여 수행될 수 있다. 이미지 세그멘테이션 단계는 미리 학습된 신경망 모델을 이용하여 의료 이미지의 세그멘테이션을 수행하여 적어도 하나의 세그멘테이션된 영역을 획득하는 것을 포함할 수 있다. 이 경우, 적어도 하나의 세그멘테이션된 영역은 각각 다른 해부학적 또는 기능적 구조에 대응될 수 있다. 또한, 적어도 하나의 세그멘테이션된 영역은 품질 판단에 이용되는 인체 구조에 대응되는 영역을 포함할 수 있다. 해부학적 또는 기능적 구조에 대응되는 영역의 세그멘테이션은, 본 명세서 전반에 걸쳐 설명되는 이미지의 세그멘테이션과 관련된 내용이 유사하게 적용될 수 있다.
도 20은 이미지 품질 판단 모듈(3700)을 설명하기 위한 도면이다.
도 20을 참조하면, 이미지 품질 판단 모듈(3700)은 제1 이미지 품질 판단부(3710), 제2 이미지 품질 판단부(3730), 제3 이미지 품질 판단부(3750) 또는 제4 이미지 품질 판단부(3770) 중 적어도 어느 하나를 포함할 수 있다.
예시적으로, 제1 이미지 품질 판단부(3710)는 메타데이터 정보에 기초하여 이미지의 품질을 판단할 수 있고, 제2 이미지 품질 판단부(3730)는 노이즈 정보에 기초하여 이미지의 품질을 판단할 수 있고, 제3 이미지 품질 판단부(3750)는 해부학적으로 세그멘테이션된 세그멘테이션 정보에 기초하여 이미지의 품질을 판단할 수 있으며, 제4 이미지 품질 판단부(3770)는 복합 정보 예컨대, 노이즈 정보와 해부학적으로 세그멘테이션된 세그멘테이션 정보 간의 관계에 기초하여 이미지의 품질을 판단할 수 있다. 제1 이미지 품질 판단부(3710) 내지 제4 이미지 품질 판단부(3770)에 관한 자세한 내용은 후술하도록 한다.
일 실시예에 따른 이미지 품질 판단을 수행하는 신경망 모델은 이미지 획득 장치에 의해 획득되는 의료 이미지의 종류에 따라 다르게 학습 및 수행될 수 있다. 예시적으로, 이미지 획득 장치에 의해 획득되는 의료 이미지의 종류가 CT 이미지인 경우, 이미지 분석 장치(3000)의 이미지 품질 판단 모델은 CT 이미지에 기초하여 학습되고 수행되는 모델일 수 있다. 다른 예로, 이미지 획득 장치에 의해 획득되는 의료 이미지의 종류가 MRI인 경우, 이미지 분석 장치(3000)의 이미지 품질 판단 모델은 MRI 이미지에 기초하여 학습되고 수행되는 모델일 수 있다.
일 실시예에 따른 제1 이미지 품질 판단부(3710)는 이미지 분석이 정상적으로 이루어질 수 있는지 여부를 판단하기 위해 메타데이터 정보에 기초하여 수행될 수 있다. 이때, 메타데이터 정보는 이미지 획득 장치로부터 획득한 의료 이미지에 관한 정보를 포함할 수 있다. 보다 구체적으로, 메타데이터 정보는 의료 이미지의 파일 구조 정보 또는 의료 이미지에 입력되어 있는 환자 정보 중 적어도 어느 하나를 포함할 수 있다.
도 21은 제1 이미지 품질 판단 프로세스를 설명하기 위한 도면이다.
도 21을 참조하면, 제1 이미지 품질 판단 프로세스는 의료 이미지 획득 단계(S3711), 비-이미지 정보 획득 단계(S3713), 비-이미지 정보 정상 여부 판단 단계(S3715) 및 비-이미지 관련 정보 출력 단계(S3717)를 포함할 수 있다.
비-이미지 정보 획득 단계(S3713)는 의료 이미지로부터 의료 이미지 정보를 획득하는 것을 포함할 수 있다. 비-이미지 정보 획득 단계(S3713)는 의료 이미지로부터 비-이미지 정보를 획득하는 것을 포함할 수 있다. 여기서, 비-이미지 정보는 의료 이미지의 파일 구조 정보 또는 의료 이미지에 입력되어 있는 환자 정보를 포함할 수 있다.
이때, 의료 이미지의 파일 구조 정보는 의료 이미지의 파일 형식, 의료 이미지의 포맷 또는 파일의 크기에 관한 정보를 포함할 수 있으나, 이에 한정되는 것은 아니다. 또한, 환자 정보는 환자의 성명, 나이 등의 인적 사항과 관련된 정보, 환자가 의료 이미지를 촬영한 시점과 관련된 정보 또는 환자의 건강 상태에 관한 정보 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
비-이미지 정보 정상 여부 판단 단계(S3715)는 의료 이미지로부터 추출한 비-이미지 정보에 기초하여 이미지 품질 판단을 수행하는 것을 포함할 수 있다. 비-이미지 정보 정상 여부 판단 단계(S3715)는 의료 이미지로부터 파일 구조 정보 또는 환자 정보 중 적어도 어느 하나에 기초하여 이미지 품질 판단을 수행하는 것을 포함할 수 있다.
일 실시예에 따르면, 비-이미지 정보 정상 여부 판단 단계(S3715)는 의료 이미지의 파일 구조가 비정상적인지 여부를 판단할 수 있다. 여기서 의료 이미지의 파일 구조는 의료 이미지의 파일 형식, 의료 이미지의 포맷 또는 파일의 크기를 의미할 수 있으나 이에 한정되는 것은 아니다.
예를 들어, 의료 이미지의 파일 형식 또는 포맷은 이미지 분석 장치(3000)에 의해 이미지 분석이 수행되기에 적합한 파일 형식 또는 포맷이어야 하므로, 비-이미지 정보 정상 여부 판단 단계(S3715)는 의료 이미지의 파일 형식 또는 포맷이 이미지 분석 장치(3000)에 의해 이미지 분석이 수행되기에 적합한 파일 형식 또는 포맷인지 여부를 판단하는 것을 포함할 수 있다. 이에 따라, 비-이미지 정보 정상 여부 판단 단계(S3715)는 의료 이미지의 파일 구조 정보에 기초하여 이미지 분석이 정상적으로 이루어질 수 있는지 여부에 관한 정보를 획득하는 것을 포함할 수 있다.
다른 실시예에 따르면, 비-이미지 정보 정상 여부 판단 단계(S3715)는 이미지 획득 장치로부터 획득한 의료 이미지에 환자 정보가 누락되어 있는지 여부를 판단하는 것을 포함할 수 있다. 여기서 환자 정보는 환자의 성명, 나이 등의 인적 사항 또는 환자의 건강 상태에 관한 정보를 포함할 수 있으나 이에 한정되는 것은 아니다.
예를 들어, 의료 이미지에 환자 정보가 포함되어 있지 않으면 이미지 분석 장치(3000)에 의한 이미지 분석 결과가 어느 환자에 관한 것인지 알 수 없으므로, 비-이미지 정보 정상 여부 판단 단계(S3715)는 의료 이미지에 환자 정보가 포함되어 있는지 여부를 판단하는 것을 포함할 수 있다. 이에 따라, 비-이미지 정보 정상 여부 판단 단계(S3715)는 의료 이미지에 환자 정보가 입력되어 있는지 여부에 관한 정보를 획득하는 것을 포함할 수 있다.
도 22는 제1 이미지 품질 판단부(3710)를 설명하기 위한 도면이다.
도 22를 참조하면, 제1 이미지 품질 판단부(3710)는 비-이미지 정보 획득부(3711) 또는 비-이미지 정보 정상 여부 판단부(3717) 중 적어도 하나를 포함할 수 있다.
비-이미지 정보 획득부(3711)는 파일 구조 정보 획득부(3713) 또는 환자 정보 획득부(3715)를 포함할 수 있다. 비-이미지 정보 획득부(3711)는 획득된 의료 이미지에 기초하여 비-이미지 정보를 획득할 수 있다. 이 경우, 획득된 의료 이미지는 전처리 동작 전의 로데이터 또는 전처리 동작이 수행된 이미지를 포함할 수 있다.
비-이미지 정보 정상 여부 판단부(3717)는 비-이미지 정보 획득부(3711)에서 획득한 비-이미지 정보에 기초하여 비-이미지 정보가 정상인지 여부를 판단할 수 있다. 비-이미지 정보 정상 여부 판단부(3717)는 비-이미지 정보가 정상인지 여부를 판단한 결과에 관한 정보를 출력할 수 있다. 예시적으로, 비-이미지 정보 정상 여부 판단부(3717)는 의료 이미지의 파일 구조 정보에 기초하여 이미지 분석이 정상적으로 이루어질 수 있는지 여부에 관한 정보 또는 의료 이미지에 환자 정보가 입력되어 있는지 여부에 관한 정보를 출력할 수 있다.
일 실시예에 따른 제2 이미지 품질 판단부(3730)는 이미지 내에 포함되어 있는 노이즈 정보를 추출하는 기능을 수행할 수 있다. 여기서, 노이즈 정보는 이미지에 기초한 정보 획득에 영향을 미치는 다양한 종류의 결함 내지 상태를 의미할 수 있다. 예컨대, 노이즈 정보는 이미지의 해상도와 관련된 정보, 이미지의 밝기와 관련된 정보 또는 이미지에 발생된 아티팩트 정보를 포함할 수 있으며, 이 외에 부적절한 영상 샘플링의 결과로 만들어지는 다양한 화상의 결함을 의미할 수 있다.
도 23은 제2 이미지 품질 판단 프로세스를 설명하기 위한 도면이다.
도 23을 참조하면, 제2 이미지 품질 판단 프로세스는 의료 이미지 획득 단계(S3731), 의료 이미지 내 아티팩트 발생 여부 판단 단계(S3733), 의료 이미지로부터 아티팩트 정보를 획득하는 단계(S3735) 및 아티팩트 정보 출력 단계(S3737)를 포함할 수 있다.
의료 이미지 내 아티팩트 발생 여부 판단 단계(S3733)는 의료 이미지 내에 아티팩트가 포함되어 있는지 여부를 판단하는 것을 포함할 수 있다. 여기서, 아티팩트는 의료 이미지에서 해부학적 구조를 충실하게 보여주지 않는 픽셀에 관련된 노이즈를 포함할 수 있다. 예시적으로, 아티팩트는 Motion artifact, Bias artifact, Zipper artifact, Ghost artifact, Spike artifact 등의 종류를 포함할 수 있으나, 이에 한정되는 것은 아니며 기 알려진 다양한 종류의 아티팩트를 포함할 수 있다.
의료 이미지로부터 아티팩트 정보를 획득하는 단계(S3735)는 의료 이미지 내에 발생된 아티팩트에 관한 정보를 획득하는 것을 포함할 수 있다. 여기서, 아티팩트 정보는 아티팩트와 관련 있는 정보 예컨대, 아티팩트의 발생 여부에 관한 정보, 아티팩트 발생 위치에 관한 정보, 발생된 아티팩트의 종류에 관한 정보, 아티팩트의 발생 정도에 관한 정보 등을 포함할 수 있다.
일 실시예에 따르면, 의료 이미지 내 아티팩트 발생 여부 판단 단계(S3733) 또는 의료 이미지로부터 아티팩트 정보를 획득하는 단계(S3735)는 학습된 신경망 모델을 이용하여 수행하는 것을 포함할 수 있다. 의료 이미지 내 아티팩트 발생 여부 판단 단계(S3733)는 학습된 신경망 모델을 이용하여 의료 이미지 내에 아티팩트가 발생되었는지 여부를 판단하는 것을 포함할 수 있다. 도면에서는 의료 이미지 내 아티팩트 발생 여부 판단 단계(S3733)와 의료 이미지로부터 아티팩트 정보를 획득하는 단계(S3735)를 구분 지어 표현하였지만, 각 단계는 하나의 신경망 모델을 이용하여 아티팩트 발생 여부 및 아티팩트와 관련된 정보를 획득하는 것을 포함할 수 있다.
신경망 모델은 의료 이미지에 기초하여 아티팩트 발생 여부를 획득할 수 있다. 신경망 모델은 입력된 의료 이미지에 기초하여, 획득된 의료 이미지의 특정 영역 내에 아티팩트가 존재하는지 여부를 획득할 수 있다.
또한, 신경망 모델은 의료 이미지에 기초하여 아티팩트 정보를 획득할 수 있다. 신경망 모델은 입력된 의료 이미지에 기초하여 아티팩트의 발생 여부에 관한 정보, 아티팩트 발생 위치에 관한 정보, 발생된 아티팩트의 종류에 관한 정보, 아티팩트의 발생 정도에 관한 정보를 획득할 수 있다.
아티팩트 정보는 이미지 획득 장치에 의해 획득된 의료 이미지에 기초하여 획득될 수 있다. 예시적으로, 아티팩트 정보는 의료 이미지에 기초하여 아티팩트 정보를 획득하도록 학습된 신경망 모델을 이용하여 획득될 수 있다.
아티팩트 정보 획득을 위하여, 입력 이미지를 하나 이상의 라벨에 대하여 분류 또는 예측하는 분류기 알고리즘이 이용될 수 있다. 분류 또는 예측을 위하여, 다양한 형태의 알고리즘이 이용될 수 있다. 예컨대, K-최근접이웃(k-nearest neighbor), 서포트벡터머신(Support Vector Machine), 인공신경망(Artificial Neural Nerwork), 의사결정나무(Decision Tree), 자기조직화 맵(Self-organizing map), 논리적 회귀(Logistic regression) 등이 이용될 수 있다.
인공 신경망은 분류기, 하이브리드형 분류기 (Hybrid classifiers), 앙상블형 분류기 (Ensemble classifiers), 선형 회귀(Linear Regression) 신경망 등일 수 있다. 인공 신경망은 CNN(Convolutional Neural Network)을 포함할 수 있다. 인공 신경망은 지도 학습, 비지도 학습 또는 강화 학습된 모델일 수 있다.
도 25는 일 실시예에 따른 아티팩트 정보 획득을 위한 신경망 모델을 설명하기 위한 도면이다. 도 25를 참조하면, 일 실시예에 따른 신경망 모델은 분류기 형태로 마련될 수 있다. 일 실시예에 따르면, 신경망 모델은 입력 레이어(IL), 풀링 레이어(PL), 컨벌루션 신경망 레이어(CL), 전연결 레이어(FCL), 히든 레이어(HL) 및 출력 레이어(OL) 등을 포함하고, 입력 이미지에 기초하여 특징 벡터를 획득할 수 있다. 신경망 모델은 입력 이미지를 하나 이상의 라벨로 분류하는 분류기 형태로 마련될 수 있다. 또는 신경망 모델은 회귀 모델 형태로 마련될 수도 있다. 신경망 모델은 입력에 이미지에 기초하여, 특정 아티팩트 정보에 대한 선형 출력값을 획득하는 회귀 모델로 마련될 수 있다.
신경망 모델은 인체의 특정 영역을 촬영하여 획득된 의료 이미지를 입력으로 하여, 출력 정보를 획득할 수 있다. 출력 정보는 입력된 이미지가 대상 오브젝트를 포함하는지 여부를 나타낼 수 있다. 예컨대, 신경망 모델의 출력 레이어는 확률 함수가 부여된 출력 노드를 포함할 수 있다. 신경망 모델의 출력 레이어는 대상 이미지가 대상 오브젝트를 포함하는지 여부를 나타내는 확률 함수가 부여된 출력 노드를 포함할 수 있다. 출력 레이어는 하나 이상의 대상 오브젝트에 대하여, 입력 이미지가 각각의 대상 오브젝트를 포함하는지 여부를 나타내는 하나 이상의 확률 함수가 부여된 출력 노드를 포함할 수 있다.
신경망 모델은 아티팩트 정보를 획득하도록 학습될 수 있다. 신경망 모델은, 아티팩트 정보가 라벨링된 의료 이미지를 하나 이상 포함하는 학습 데이터에 기초하여, 아티팩트 정보를 획득하도록 학습될 수 있다. 신경망 모델은, 아티팩트 영역이 라벨링된 의료 이미지를 하나 이상 포함하는 학습 데이터에 기초하여, 아티팩트 영역을 획득하도록 학습될 수 있다.
아티팩트 학습 데이터는 복수의 의료 이미지를 포함할 수 있다. 아티팩트 학습 데이터는 다양한 방식으로 촬영되는 의료 이미지 예컨대, CT, MRI 또는 X-ray 이미지를 포함할 수 있다. 아티팩트 학습 데이터는 다양한 종류, 범위, 크기, 모양 또는 위치의 아티팩트가 포함된 복수의 의료 이미지를 포함할 수 있다.
아티팩트 학습 데이터는 아티팩트 발생 유무를 나타내는 아티팩트 라벨이 부여된 의료 이미지를 포함할 수 있다. 아티팩트 학습 데이터는 인체의 다양한 부위를 촬영하여 획득되고 아티팩트 발생 유무를 나타내는 아티팩트 라벨이 부여된 의료 이미지를 포함할 수 있다. 여기서, 아티팩트 라벨은 아티팩트의 발생 위치, 아티팩트의 발생 정도, 아티팩트의 발생 모양 또는 아티팩트의 종류 등에 따라 달리 부여될 수 있다.
아티팩트 학습 데이터는 아티팩트 발생 영역에 마스킹된 의료 이미지를 포함할 수 있다. 아티팩트 학습 데이터는 하나 이상의 아티팩트 발생 영역에 대하여 마스킹(또는 라벨링)된 의료 이미지를 포함할 수 있다. 아티팩트 학습 데이터는 복수 종류의 아티팩트 발생 영역에 대하여 서로 달리 마스킹(또는 라벨링)된 의료 이미지를 포함할 수 있다. 예컨대, 아티팩트 학습 데이터는 제1 종류의 아티팩트 발생에 대하여 제1 색상으로 표시되고, 제2 종류의 아티팩트 발생에 대하여 제2 색상으로 표시된 의료 이미지를 포함할 수 있다.
신경망 모델은 상술한 아티팩트 학습 데이터를 이용하여 학습될 수 있다. 신경망 모델은 아티팩트 학습 데이터를 이용하여, 의료 이미지에 기초하여 아티팩트 정보를 획득하도록 지도, 비지도 또는 강화 학습될 수 있다. 신경망 모델은 역전파 방식을 이용하여 학습될 수 있다.
신경망 모델은 의료 이미지를 아티팩트 발생 여부가 라벨링된 의료 이미지를 포함하는 아티팩트 학습 데이터를 이용하여 아티팩트를 포함하는지 여부에 따라 분류하도록 학습될 수 있다. 신경망 모델은 의료 이미지를 의료 이미지에 포함된 아티팩트의 종류에 따라 분류하도록 학습될 수 있다. 신경망 모델은 복수 종류의 아티팩트의 유무에 대하여 라벨링된 의료 이미지를 포함하는 아티팩트 학습 데이터를 통하여, 복수의 아티팩트에 대하여, 대상 이미지가 각 종류의 아티팩트를 포함하는지 여부를 획득하도록 학습될 수 있다.
신경망 모델은 아티팩트 학습 데이터를 통하여 아티팩트 영역 정보를 획득하도록 학습될 수 있다. 신경망 모델은 하나 이상의 종류의 아티팩트에 대하여 아티팩트 발생 부위에 마스킹된 의료 이미지를 포함하는 아티팩트 학습 데이터를 이용하여 대상 이미지로부터 아티팩트 발생 영역을 검출하도록 학습될 수 있다. 신경망 모델은 복수 종류의 아티팩트 발생 영역에 대하여 라벨링된 의료 이미지를 포함하는 아티팩트 학습 데이터를 통하여, 의료 이미지에 포함된 복수의 아티팩트 각각에 대하여, 각 아티팩트가 분포하는 영역 및/또는 종류에 대한 아티팩트 영역 정보를 획득하도록 학습될 수 있다.
신경망 모델은 복수의 아티팩트 학습 데이터를 이용하여 학습될 수도 있다. 신경망 모델은 제1 종류의 아티팩트를 가지는 의료 이미지를 포함하는 제1 아티팩트 학습 데이터 및 제2 종류의 아티팩트를 가지는 의료 이미지를 포함하는 제2 아티팩트 학습 데이터를 이용하여 학습될 수 있다.
한편, 복수의 신경망 모델이 학습 및 이용될 수도 있다. 제1 신경망 모델은 제1 아티팩트 학습 데이터에 기초하여 학습되고, 제2 신경망 모델은 제2 아티팩트 학습 데이터에 기초하여 학습될 수 있다. 제2 아티팩트 학습 데이터는 제1 아티팩트 학습 데이터와 적어도 일부 상이할 수 있다.
도 24는 제2 이미지 품질 판단 프로세스가 인공 신경망 모델을 이용하여 의료 이미지 내의 아티팩트 발생 위치를 판단하는 것을 예시적으로 설명하기 위한 도면이다. 도 24를 참조하면, 신경망 모델은 이미지 획득 장치를 통해 획득된 의료 이미지를 입력으로 하여 아티팩트 발생 위치에 관한 아티팩트 영역 정보를 획득할 수 있다.
도 24를 참조하면, 의료 이미지로부터 아티팩트 정보를 획득하는 단계(S3735)는 의료 이미지 내의 아티팩트 영역 정보를 획득하는 것을 포함할 수 있다.
아티팩트 영역 정보는 의료 이미지 내에서 아티팩트가 위치할 가능성이 높은 영역을 나타내기 위한 표시, 예컨대 히트맵 형태의 샐리언시 맵 형태로 구비될 수 있다. 아티팩트 영역 정보는 아티팩트 유무를 판단하는 신경망 모델 또는 아티팩트 정보를 획득하는 신경망 모델로부터 획득된 특징맵일 수 있다.
아티팩트 영역은, 학습된 신경망 모델로부터 획득되고 대상 의료 이미지에 존재하는 대상 아티팩트와 관련된 특징맵에 기초하여 특징맵 상에서 대상 아티팩트와의 관련성이 기준값 이상인 영역일 수 있다. 아티팩트 영역은, 제1 영역 및 상기 제1 영역 내에 위치되는 제2 영역을 포함할 수 있다. 제1 영역은 특징맵 상에서 대상 아티팩트와의 관련성이 제1 기준값 이상인 영역일 수 있다. 제2 영역은 특징맵 상에서 대상 아티팩트와의 관련성이 제1 기준값보다 큰 제2 기준값 이상인 영역일 수 있다.
도 24의 (a) 내지 (c)를 참조하면, 의료 이미지로부터 아티팩트 정보를 획득하는 단계(S3735)는 아티팩트가 포함된 제1 원본 이미지(a), 제2 원본 이미지(b), 제3 원본 이미지(c)를 획득하는 것을 포함할 수 있다. 이 경우, 제1 원본 이미지(a) 내지 제3 원본 이미지(c)는 각각 서로 다른 평면에서 촬영된 이미지일 수 있다. 제1 원본 이미지(a) 내지 제3 원본 이미지(c)는 동일한 피검자에 대하여 동일 시점에서 촬영된 이미지일 수 있다.
도 24의 (d) 내지 (f)를 참조하면, 의료 이미지로부터 아티팩트 정보를 획득하는 단계(S3735)는 아티팩트의 위치가 표현된 제1 아티팩트 이미지(d), 제2 아티팩트 이미지(e), 제3 아티팩트 이미지(f)를 획득하는 것을 포함할 수 있다. 여기서, 제1 아티팩트 이미지(d)는 제1 원본 이미지(a)에 기초하여 획득된 아티팩트 영역 정보가 제1 원본 이미지(a)에 표시된 이미지일 수 있다. 제2 아티팩트 이미지(e)는 제2 원본 이미지(b)에 기초하여 획득된 아티팩트 영역 정보가 제2 원본 이미지(b)에 표시된 이미지일 수 있다. 제3 아티팩트 이미지(f)는 제3 원본 이미지(c)에 기초하여 획득된 아티팩트 영역 정보가 제3 원본 이미지(c)에 표시된 이미지일 수 있다.
또한, 도 24의 (d) 내지 (f)를 참조하면, 제1 내지 제3 아티팩트 이미지는 의료 이미지 내에서 아티팩트가 위치할 가능성이 높은 순서로 제1 영역(A1) 내지 제4 영역(A4)이 표시된 이미지 일 수 있다. 여기서, 제1 영역(A1) 내지 제4 영역(A4)은 이미지 내 아티팩트가 위치하는 영역과 대응되는 영역일 수 있다. 제1 영역(A1) 내지 제4 영역(A4)은 이미지 내 아티팩트가 위치하는 영역의 적어도 일부를 포함하는 영역일 수 있다. 제1 영역(A1)은 제2 영역(A2)에 포함되는 영역일 수 있다. 제2 영역(A2)은 제3 영역(A3)에 포함되는 영역일 수 있다. 제3 영역(A3)은 제4 영역(A4)에 포함되는 영역일 수 있다.
도면에는 도시되지 않았지만, 아티팩트 영역 정보는 의료 이미지 내에서 아티팩트가 위치하는 영역을 표시하기 위한 바운딩 박스를 포함할 수 있다. 아티팩트 영역 정보는 의료 이미지 내에서 아티팩트가 위치하는 좌표 정보, 픽셀 정보 등을 포함할 수 있다. 예시적으로, 제2 이미지 품질 판단부(3730)는 아티팩트 발생 위치 정보를 획득하기 위해 BBMs(Backpropagation Based Method), ABMs(Activation Based Method), PBMs(Pertubation Based Method) 등의 인공 신경망 모델을 이용할 수 있으며, 여기서, BBMs 방법으로는 LRP(Layer-wise Relevance Propagation), DeepLIFT, SmoothGrad, VarGrad 등이 있을 수 있고, ABMs 방법으로는 CAM(Class Activation Map), Grad-CAM(Gradient-Class Activation Map) 등이 있을 수 있으며, PBMs 방법으로는 LIME(Local Interpretable Model-Agnostic Explanation) 등이 있을 수 있다.
일 실시예에 따른 제3 이미지 품질 판단부(3750)는 이미지 획득 장치로부터 획득한 의료 이미지를 해부학적으로 세그멘테이션한 세그멘테이션 정보에 기초하여, 세그멘테이션 정보가 정량적인 기준을 만족하는지를 고려하여 품질 판단을 수행할 수 있다. 보다 구체적인 예로, 제3 이미지 품질 판단부(3750)는 의료 이미지가 포함하고 있는 해부학적 구조 중 적어도 일부가 미리 정해진 정량적인 기준을 만족하는지를 판단할 수 있다.
제3 이미지 품질 판단부(3750)는 이미지 내에 포함되고 인체의 일 부위에 대응되는 소정 영역과 관련된 값이 기준을 만족하는지 여부를 판단할 수 있다. 제3 이미지 품질 판단부(3750)는 이미지 촬영 장치를 통해 촬영된 인체의 해부학적 구조 중 적어도 일부가 온전히 촬영되었는지 여부를 판단할 수 있다.
예를 들어, 인체의 특정 부위를 이미지 촬영 장치를 통해 촬영한 후 이를 분석하는 경우, 촬영된 인체의 영역 중 적어도 일부의 형태학적 지표를 통해 질병을 판단할 수 있는데, 이때, 인체의 각 영역의 촬영이 온전히 이루어지지 않은 경우 질병 판단의 결과는 일정 수준 이상의 신뢰도를 가질 수 없다. 따라서, 인체의 각 영역은 온전히 촬영되어야 하므로, 제3 이미지 품질 판단부(3750)는 의료 이미지가 포함하고 있는 인체의 해부학적 영역에 기초한 형태학적 지표가 일반적으로 요구되는 기준 값을 만족하는지를 고려하여 인체의 각 영역의 촬영이 온전히 이루어졌는지 여부를 판단하는 기능을 수행할 수 있다.
보다 구체적인 예로, 이미지 분석 장치(3000)가 뇌에 관한 MRI 이미지를 분석하는 경우, 뇌의 각 해부학적 영역에 관한 부피 값의 비율을 계산하여 질병을 판단할 수 있는데, 이때 촬영된 뇌의 특정 영역의 부피 값이 일반적으로 요구되는 기준 값을 만족하지 않는 경우 질병 판단 결과는 일정 수준 이상의 신뢰도를 가질 수 없다. 이때, 뇌의 특정 영역이 온전히 촬영되지 못하였다면 해당 영역의 부피 값을 기초로 질병 판단이 이루어지게 되면 질병 판단의 결과는 부정확할 수 있다. 이에 따라, 제3 이미지 품질 판단부(3750)는 MRI 이미지가 포함하고 있는 뇌의 각 영역에 관한 형태학적 지표가 일반적으로 요구되는 기준 값을 만족하는지를 고려하여 뇌의 각 영역의 촬영이 온전히 이루어졌는지 여부를 판단하는 기능을 수행할 수 있다.
도 26은 제3 이미지 품질 판단 프로세스를 설명하기 위한 도면이다.
도 26을 참조하면, 제3 이미지 품질 판단 프로세스는 이미지 세그멘테이션 정보 획득 단계(S3751), 품질 판단 대상 영역 획득 단계(S3753), 대상 영역의 형태학적 지표 획득 단계(S3755) 및 대상 영역의 형태학적 지표를 기준 값과 비교하는 단계(S3757)를 포함할 수 있다.
이미지 세그멘테이션 정보 획득 단계(S3751)는 이미지 세그멘테이션 모듈(3500)에 의해 세그멘테이션된 의료 이미지에 기초하여 획득된 세그멘테이션 정보를 획득하는 것을 포함할 수 있다.
세그멘테이션 정보는 의료 이미지를 세그멘테이션하여 얻어지는 인체의 해부학적 구조에 관한 정보를 포함할 수 있다. 세그멘테이션 정보는 의료 이미지를 세그멘테이션하여 얻어지는 인체의 해부학적 구조 중 적어도 일부 영역의 형태학적 지표를 포함할 수 있다. 또한, 세그멘테이션 정보는 의료 이미지를 세그멘테이션하여 얻어지는 인체의 해부학적 구조 중 적어도 일부 영역의 형태학적 값을 포함할 수 있다.
형태학적 지표는 형태학적 값에 기초하여 획득될 수 있다. 형태학적 지표는 복수의 형태학적 값 예컨대, 제1 형태학적 값과 제2 형태학적 값에 기초하여 획득될 수 있다. 예를 들어, 형태학적 지표는 제1 형태학적 값과 제2 형태학적 값의 비율에 기초하여 획득될 수 있다. 이 경우, 제1 형태학적 값은 소뇌일 수 있고, 제2 형태학적 값은 두개골 내의 해부학적 영역일 수 있으며, 제1 형태학적 값과 제2 형태학적 값의 비율에 의해 획득된 형태학적 지표는 ICV 값을 의미할 수 있다. 형태학적 값은 인체의 해부학적 구조 중 적어도 일부 영역의 면적, 부피, 위치 또는 모양 등에 관한 정보일 수 있다.
품질 판단 대상 영역 획득 단계(S3753)는 세그멘테이션 정보에 기초하여 제3 이미지 품질 판단을 수행할 대상 영역을 특정하는 것을 포함할 수 있다. 여기서, 대상 영역은 의료 이미지 세그멘테이션을 통하여 획득한 인체의 해부학적 구조 중 적어도 일부 영역을 포함할 수 있다. 또한, 대상 영역은 인체의 해부학적 구조 중 질병 판단 결과의 신뢰도에 영향을 미칠 수 있는 적어도 일부 영역을 포함할 수 있다.
예시적으로, 대상 영역은 의료 이미지 세그멘테이션을 통하여 획득한 인체의 해부학적 구조 중 의료 이미지의 중심에서 가장 외측에 위치한 영역을 포함할 수 있다. 대상 영역은 의료 이미지 세그멘테이션을 통하여 획득한 인체의 해부학적 구조 중 질병 진단의 근거가 되는 영역을 포함할 수 있다. 대상 영역은 의료 이미지 세그멘테이션을 통하여 획득한 인체의 해부학적 구조 중 가장 좌측, 우측, 상측 또는 하측에 위치한 영역 중 어느 하나를 포함할 수 있다. 대상 영역은 뇌에 관한 의료 이미지를 기초로 이미지 품질 판단이 수행되는 경우, 대상 영역은 의료 이미지 세그멘테이션을 통하여 획득한 뇌의 두개골 내부 영역 중 적어도 일부를 포함할 수 있다.
대상 영역의 형태학적 지표 획득 단계(S3755)는 특정된 대상 영역에 관한 형태학적 지표를 획득하는 단계를 포함할 수 있다. 예시적으로, 대상 영역의 형태학적 지표 획득 단계(S3755)는 이미지 획득 장치에 의해 확보된 복수의 의료 이미지들 중 적어도 일부에 기초하여 대상 영역의 형태학적 지표를 획득하는 것을 포함할 수 있다. 대상 영역의 형태학적 지표 획득 단계(S3755)는 이미지 획득 장치에 의해 확보된 복수의 의료 이미지들 중 적어도 일부에 기초하여 대상 영역의 형태학적 값을 획득하는 것을 포함할 수 있다.
대상 영역의 형태학적 지표를 기준 값과 비교하는 단계(S3757)는 대상 영역의 형태학적 지표 또는 형태학적 값을 미리 정해진 기준 값과 비교하는 것을 포함할 수 있다. 여기서, 미리 정해진 기준 값이란 다수의 일반인을 대상으로 대상 영역의 형태학적 값의 평균값을 의미할 수 있다. 미리 정해진 기준 값이란 대상 영역의 형태학적 지표를 기초로 질병 판단 시 일정 수준 이상의 신뢰도를 가지는 의료 정보의 획득이 가능한 때의 대상 영역과 관련된 지표 또는 측정 값을 의미할 수 있다.
도 27은 제3 이미지 품질 판단 프로세스의 일 실시예를 설명하기 위한 도면이다.
도 27의 (a) 내지 (c)를 참조하면, 일 시시예에 따른 제3 이미지 품질 판단 프로세스는 뇌에 관한 의료 이미지를 기초로 품질 판단을 수행하는 것을 포함할 수 있다. 일 실시예에 따르면, 제3 이미지 품질 판단 프로세스는 뇌에 관한 의료 이미지를 해부학적으로 세그멘테이션한 세그멘테이션 정보에 기초하여, 세그멘테이션 정보가 정량적인 기준을 만족하는지에 관한 품질 판단을 수행하는 것을 포함할 수 있다.
이미지 세그멘테이션 정보 획득 단계(S3751)는 뇌를 촬영한 MRI 이미지를 해부학적으로 세그멘테이션한 세그멘테이션 정보를 수신하는 것을 포함할 수 있다. 품질 판단 대상 영역 획득 단계(S3753)는 해부학적으로 세그멘테이션된 뇌의 각 영역 중 품질 판단 대상 영역 예컨대, 해부학적으로 세그멘테이션된 뇌의 각 영역 중 소뇌에 대응하는 소정 영역을 특정하는 것을 포함할 수 있다.
예시적으로, 품질 판단 대상 영역이 소뇌에 대응하는 소정 영역인 경우, 이미지 세그멘테이션 정보 획득 단계(S3751)에서 수신되는 세그멘테이션 정보는 뇌의 일 부위에 대응되는 소정 영역이 온전히 촬영되지 못한 MRI 이미지에 기초하여 획득된 정보일 수 있다. 여기서, 소뇌가 온전히 촬영되었는지에 관한 기준은 본 명세서의 ICV를 설명하는 파트에서 소뇌의 형태학적 값에 기초하여 두개골 내부 영역을 정의하는 기준과 동일한 기준으로 적용될 수 있다.
도 27의 (a)를 참조하면, 이미지 세그멘테이션 정보 획득 단계(S3751)는 뇌의 각 영역 중 소뇌에 대응되는 소정 영역의 적어도 일부가 촬영되지 못한 제1 대상 영역 이미지에 기초하여 획득된 세그멘테이션 정보를 수신하는 것을 포함할 수 있다.
도 27의 (b)를 참조하면, 이미지 세그멘테이션 정보 획득 단계(S3751)는 뇌의 각 영역 중 소뇌에 대응되는 소정 영역이 모두 촬영된 제2 대상 영역 이미지에 기초하여 획득된 세그멘테이션 정보를 수신하는 것을 포함할 수 있다.
도 27의 (c)를 참조하면, 이미지 세그멘테이션 정보 획득 단계(S3751)는 뇌의 각 영역 중 소뇌에 대응되는 소정 영역이 모두 촬영되었으나 소뇌 외에 다른 해부학적 구조에 대응되는 영역 중 적어도 일부가 온전히 촬영되지 못한 제3 대상 영역 이미지에 기초하여 획득된 세그멘테이션 정보를 수신하는 것을 포함할 수 있다.
대상 영역의 형태학적 지표 획득 단계(S3755)는 품질 판단 대상 영역의 형태학적 지표 예컨대, 품질 판단 대상 영역으로 특정된 소뇌의 부피 값을 획득하는 것을 포함할 수 있다. 대상 영역의 형태학적 지표 획득 단계(S3755)는 대상 영역의 형태학적 지표를 기준 값과 비교하는 것을 포함할 수 있다. 대상 영역의 형태학적 지표 획득 단계(S3755)는 대상 영역으로 특정된 소뇌의 부피 값을 미리 정해진 기준 값과 비교하여 정량적인 기준을 만족하는지 여부를 판단하는 것을 포함할 수 있다.
예시적으로, 미리 정해진 기준 값은 도 27의 (b)와 같이 소뇌에 대응되는 소정 영역이 온전히 촬영된 제2 대상 영역 이미지에 기초하여 획득된 소뇌의 형태학적 지표를 의미할 수 있다. 미리 정해진 기준 값은 소뇌에 대응되는 소정 영역이 온전히 촬영된 복수의 이미지에 기초하여 획득된 소뇌의 형태학적 지표에 기초하여 획득될 수 있다. 미리 정해진 기준 값은 복수의 이미지에 기초하여 획득된 소뇌의 부피 값들의 평균값일 수 있다.
이 경우, 대상 영역의 형태학적 지표를 기준 값과 비교하는 단계(S3757)는 도 27의 (a)와 같이 소뇌에 대응되는 소정 영역의 적어도 일부가 촬영되지 못한 제1 대상 영역 이미지에 기초하여 획득된 소뇌의 형태학적 지표를 도 27의 (b)의 제2 대상 영역 이미지에 기초하여 획득된 소뇌의 형태학적 지표 즉, 미리 정해진 기준 값과 비교하여 정량적인 기준을 만족하는지 여부를 판단하는 것을 포함할 수 있다. 대상 영역의 형태학적 지표를 기준 값과 비교하는 단계(S3757)는 도 27의 (a)의 제1 대상 영역 이미지에 기초하여 획득된 소뇌의 부피 값이 미리 정해진 기준 값보다 일정 범위 이상의 차이를 보이는지에 기초하여 이미지 품질 판단을 수행하는 것을 포함할 수 있다.
도 27의 (c)를 참조하면, 대상 영역으로 특정된 소뇌에 대응되는 영역은 온전히 촬영되었으나 소뇌 외에 다른 해부학적 구조에 대응되는 영역 중 적어도 일부가 온전히 촬영되지 못한 제3 대상 영역 이미지의 경우, 제3 이미지 품질 판단 프로세스는 품질 판단 대상 영역을 다시 특정한 후 이미지 품질 판단을 수행하는 것을 포함할 수 있다.
도 27의 (c)를 참조하면, 소뇌에 대응되는 영역을 기준으로 하여 이미지 품질 판단을 수행하는 경우, 이미지 하방(Inferior)의 누락에 대하여는 판단이 가능하나, 이미지 상방(Superior)의 누락에 대하여는 판단이 어려울 수 있다. 이러한 문제점을 방지하기 위하여, 소뇌에 대응되는 영역 외에 다른 지표를 이미지 품질 판단의 지표로 활용할 수 있다. 예컨대, 두개골 내지 대뇌에 대응되는 영역의 부피(또는 ICV)를 품질 판단의 지표로 활용할 수 있다.
또는, 소뇌에 대응되는 영역에 기초하여 획득되는 형태학적 지표(예컨대, 소뇌의 ICV값)이 기준 값 이상인 경우, 소뇌를 제외한 다른 영역의 촬영이 불완전하게 이루어진 것으로 판단할 수도 있다.
일 실시예에 따른 제4 이미지 품질 판단부(3770)는 이미지 획득 장치로부터 획득한 의료 이미지를 해부학적으로 세그멘테이션한 세그멘테이션 정보와 이미지 획득 장치로부터 획득한 의료 이미지에서 추출한 아티팩트 정보 간의 관계에 기초하여 이미지 품질 판단을 수행할 수 있다. 예시적으로, 제4 이미지 품질 판단부(3770)는 의료 이미지 내에 발생된 아티팩트가 의료 이미지에 포함되어 있는 해부학적 구조 중 적어도 일부와 중첩되는지 여부를 판단할 수 있다.
예를 들어, 이미지 분석 장치(3000)가 인체의 특정 부위를 이미지 촬영 장치를 통해 촬영한 후 이를 분석하는 경우, 인체의 각 영역을 해부학적으로 세그멘테이션한 세그멘테이션 정보에 기초하여 질병을 판단할 수 있는데, 이때 질병 판단의 근거가 될 수 있는 세그멘테이션 정보에 아티팩트가 발생되어 있는 경우 해당 의료 이미지에 기초한 질병 판단의 결과는 일정 수준 이상의 신뢰도를 가질 수 없다. 반대로, 의료 이미지 내에 아티팩트가 발생되어 있더라도 아티팩트가 질병 판단의 근거가 될 수 있는 세그멘테이션 정보에 영향을 미치지 않는 경우 예컨대, 아티팩트가 세그멘테이션 정보와 중첩되지 않는 영역에 발생된 경우에는 해당 의료 이미지에 기초한 질병 판단의 결과는 일정 수준을 만족하는 신뢰도를 가질 수 있다. 따라서, 제4 이미지 품질 판단부(3770)는 의료 이미지 내에 아티팩트가 발생된 경우에도, 질병 판단의 근거가 될 수 있는 세그멘테이션 정보에 아티팩트가 영향을 미치는지를 고려하여 정상적으로 의료 이미지의 분석이 이루어질 수 있는지 여부를 판단하는 기능을 수행할 수 있다.
보다 구체적인 예로, 이미지 분석 장치(3000)가 뇌에 관한 MRI 이미지를 분석하는 경우, 뇌의 각 영역을 해부학적으로 세그멘테이션한 세그멘테이션 정보에 기초하여 질병을 판단할 수 있는데, 이때 질병 판단의 근거가 될 수 있는 세그멘테이션된 뇌의 해부학적 영역 중 적어도 일부에 아티팩트가 발생되어 있는 경우 해당 의료 이미지에 기초한 질병 판단의 결과는 일정 수준 이상의 신뢰도를 가질 수 없다. 이에 따라, 제4 이미지 품질 판단부(3770)는 MRI 이미지가 포함하고 있는 뇌의 각 영역의 해부학적 구조 중 적어도 일부에 아티팩트가 발생되었는지를 고려하여 정상적으로 의료 이미지의 분석이 이루어질 수 있는지 여부를 판단하는 기능을 수행할 수 있다.
도 28은 제4 이미지 품질 판단 프로세스를 설명하기 위한 도면이다.
도 28을 참조하면, 제4 이미지 품질 판단 프로세스는 아티팩트 발생 위치 정보 획득 단계(S3771), 이미지 세그멘테이션 정보 획득 단계(S3773), 관심 영역(Region of interest) 획득 단계(S3775) 및 아티팩트 발생 위치와 관심 영역의 관계 판단 단계(S3777)를 포함할 수 있다.
아티팩트 발생 위치 정보 획득 단계(S3771)는 아티팩트 발생 위치 정보를 획득하는 것을 포함할 수 있다. 이때, 아티팩트 발생 위치 정보는 이미지 분석 장치(3000)로부터 획득될 수 있다. 아티팩트 발생 위치 정보는 아티팩트 발생 위치에 관한 아티팩트 영역 정보 예컨대, 의료 이미지 내에서 아티팩트가 위치할 가능성이 높은 영역을 나타내는 히트맵 형태의 샐리언시 맵, 의료 이미지 내에서 아티팩트가 위치하는 영역을 표시하기 위한 바운딩 박스, 의료 이미지 내에서 아티팩트가 위치하는 좌표 정보 또는 픽셀 정보 등을 포함할 수 있으며, 이에 관한 설명은 제2 이미지 품질 판단부(3730)와 관련하여 상술한 바 있으므로 자세한 설명은 생략한다.
이하에서 말하는 아티팩트는 노이즈 예컨대, 이미지에 기초한 정보 획득에 영향을 미치는 다양한 종류의 결함 내지 상태를 포함할 수 있다. 또한, 아티팩트는 이미지의 해상도, 이미지의 밝기 이 외에 부적절한 영상 샘플링의 결과로 만들어지는 다양한 화상의 결함을 포함할 수 있다.
이미지 세그멘테이션 정보 획득 단계(S3773)는 이미지 세그멘테이션 모듈(3500)에 의해 세그멘테이션된 의료 이미지에 기초하여 획득된 세그멘테이션 정보를 획득하는 것을 포함할 수 있다. 여기서, 이미지 세그멘테이션 정보는 의료 이미지를 해부학적으로 세그멘테이션하여 획득한 정보를 포함할 수 있다. 이미지 세그멘테이션 정보는 뇌를 촬영한 MRI 이미지를 해부학적으로 세그멘테이션하여 획득한 세그멘테이션 정보를 포함할 수 있으며, 이에 관한 설명은 제3 이미지 품질 판단부(3750)과 관련하여 상술한 바 있으므로 자세한 설명은 생략한다.
관심 영역 획득 단계(S3775)는 의료 이미지를 해부학적으로 세그멘테이션한 세그멘테이션 정보에 기초하여 관심 영역과 관련된 정보를 획득하는 것을 포함할 수 있다. 관심 영역 획득 단계(S3775)는 의료 이미지를 해부학적으로 세그멘테이션한 세그멘테이션 정보 중에서 관심 영역과 관련된 정보를 획득하는 것을 포함할 수 있다. 관심 영역 획득 단계(S3775)는 의료 이미지를 세그멘테이션 하여 하나 이상의 영역을 획득하고, 관심 영역에 대응되는 영역을 획득할 수 있다.
관심 영역은 의료 이미지 세그멘테이션을 통하여 획득한 인체의 해부학적 구조 중 적어도 일부 영역을 포함할 수 있다. 관심 영역은, 의료 이미지 상의 특정 해부학적(또는 기능적) 요소에 대응되는 영역으로 미리 정의될 수 있다. 관심 영역은 의료 이미지 세그멘테이션을 통하여 획득한 인체의 해부학적 구조 중 의료 이미지의 중심에서 가장 외측에 위치한 영역을 포함할 수 있다. 관심 영역은 의료 이미지 세그멘테이션을 통하여 획득한 인체의 해부학적 구조 중 질병 진단의 근거가 되는 영역을 포함할 수 있다. 관심 영역은 뇌에 관한 MRI이미지를 기초로 이미지 품질 판단이 수행되는 경우, 의료 이미지 세그멘테이션을 통하여 획득한 뇌의 두개골 영역 및 두개골 내부 영역 중 적어도 일부를 포함할 수 있다. 관심 영역은 대상 질병의 진단과 관련된 요소일 수 있다.
아티팩트 발생 위치와 관심 영역의 관계 판단 단계(S3777)는 아티팩트 발생 위치와 관심 영역의 관계를 판단하는 것을 포함할 수 있다. 아티팩트 발생 위치와 관심 영역의 관계 판단 단계(S3777)는 의료 이미지 내에 포함되어 있는 아티팩트의 정보와 의료 이미지를 세그멘테이션하여 얻어지는 인체의 해부학적 구조 중 관심 영역에 관한 정보를 기초로 품질 판단을 수행하는 것을 포함할 수 있다. 아티팩트 발생 위치와 관심 영역의 관계 판단 단계(S3777)는 의료 이미지 내에 발생된 아티팩트와 관심 영역의 중첩 정도가 질병 판단 결과의 신뢰도에 일정 수준 이하로 영향을 미치는지에 기초하여 이미지 품질 판단을 수행할 수 있다.
아티팩트 발생 위치와 관심 영역의 관계 판단 단계(S3777)는 의료 이미지 내에 발생된 아티팩트 중 적어도 일부가 관심 영역 상에 위치하였는지, 또는, 의료 이미지 내에 발생된 아티팩트 중 적어도 일부가 관심 영역과 중첩되는지 여부에 기초하여 품질 판단을 수행하는 것을 포함할 수 있다.
아티팩트 발생 위치와 관심 영역의 관계 판단 단계(S3777)는 아티팩트의 위치와 관련된 기준선(artifact boundary)과 관심 영역의 관계에 기초하여, 아티팩트 발생 위치와 관심 영역의 관계를 판단하는 것을 포함할 수 있다. 여기서, 아티팩트 기준선(artifact boundary)는 아티팩트 영역의 외곽 라인일 수 있다. 아티팩트 기준선(artifact boundary)은, 아티팩트 유무를 판단하는 신경망 모델로부터 획득되고 아티팩트의 위치 추정과 관련된 샐리언시 맵(예컨대, CAM)에 기초하여 획득될 수 있다.
아티팩트 발생 위치와 관심 영역의 관계 판단 단계(S3777)는 의료 이미지 상에서 아티팩트 영역의 외곽 라인 및 관심 영역의 외곽 라인을 획득하고, 아티팩트 영역의 외곽 라인과 관심 영역의 외곽 라인이 의료 이미지 상에서 중첩되는지 여부에 기초하여, 아티팩트와 관심 영역의 중첩 여부를 판단하는 것을 포함할 수 있다. 이 경우, 이미지 분석 장치(3000)는 아티팩트 영역의 외곽 라인과 관심 영역의 외곽 라인이 의료 이미지 상에서 중첩되는 교차점이 2개 미만인 경우 의료 이미지의 품질이 정상이라고 판단할 수 있다. 또는, 이미지 분석 장치(3000)는 교차점이 2개 이상인 경우 상기 대상 의료 이미지의 품질이 비정상이라고 판단할 수 있다.
아티팩트 발생 위치와 관심 영역의 관계 판단 단계(S3777)는 의료 이미지 상에서, 아티팩트 영역 및 관심 영역에 모두 포함되는 공통 픽셀의 수를 획득하고, 공통 픽셀의 수를 이용하여 아티팩트와 상기 관심 영역의 중첩 정도를 판단하는 것을 포함할 수 있다. 이 경우, 이미지 분석 장치(3000)는 공통 픽셀수가 미리 정해진 기준 값을 초과하는 경우 의료 이미지의 품질이 비정상이라고 판단할 수 있다. 또는, 이미지 분석 장치(3000)는 공통 픽셀수가 미리 정해진 기준 값 이하인 경우 의료 이미지의 품질이 정상이라고 판단할 수 있다.
아티팩트 발생 위치와 관심 영역의 관계 판단 단계(S3777)는 관심영역 예컨대, 두개골 영역 또는 두개골 내부 영역 중 적어도 일부에 아티팩트가 발생되었는지 여부에 관한 판단을 수행하는 것을 포함할 수 있다. 아티팩트 발생 위치와 관심 영역의 관계 판단 단계(S3777)는 관심 영역 예컨대, 두개골 영역 및 두개골 내부 영역 중 적어도 일부에 아티팩트가 중첩되었는지 여부에 관한 판단을 수행하는 것을 포함할 수 있다.
도 29는 아티팩트가 발생한 이미지를 예시하기 위한 도면이다. 이하에서는, 도 28 및 29를 참조하여, 아티팩트의 발생 범위에 따른, 이미지 품질 판단 프로세스에 대하여 설명한다.
도 29의 (a)를 참조하면, 두개골 영역 및 두개골의 내부 영역과 중첩되는 아티팩트를 포함하는 이미지가 획득될 수 있다. 도 29의 (b)를 참조하면, 두개골 영역의 일부와 중첩되는 아티팩트를 포함하는 이미지가 획득될 수 있다. 도 29의 (a) 및 (b)를 참조하면, 관심 영역은, 두개골 내부 영역 또는 두개골에 대응되는 영역일 수 있다.
도 29의(a)를 참조하면, 대상 의료 이미지가 두개골 영역 및 두개골의 내부 영역과 중첩되는 아티팩트를 포함하고, 관심 영역이 두개골 내부 영역 또는 두개골 영역인 경우, 아티팩트 발생 위치와 관심 영역의 관계를 판단하는(S3777) 것은, 관심 영역과 아티팩트 발생 위치가 중첩되는 것으로 판단하는 것을 포함할 수 있다.
도 29(b)를 참조하면, 대상 의료 이미지가 두개골 영역과 중첩되는 아티팩트를 포함하고, 관심 영역이 두개골 내부 영역인 경우, 아티팩트 발생 위치와 관심 영역의 관계를 판단하는(S3777) 것은, 관심 영역과 아티팩트 발생 위치가 중첩되지 않는 것으로 판단하는 것을 포함할 수 있다.
도 29(b)를 참조하면, 대상 의료 이미지가 두개골 영역과 중첩되는 아티팩트를 포함하고, 관심 영역이 두개골 영역인 경우, 아티팩트 발생 위치와 관심 영역의 관계를 판단하는(S3777) 것은, 관심 영역과 아티팩트 발생 위치가 중첩되는 것으로 판단하는 것을 포함할 수 있다.
도 29에서 예시하는 아티팩트는 아티팩트 영역으로 판단된 영역을 의미할 수 있다. 아티팩트 영역으로 판단된 영역은, 아티팩트 영역을 획득하는 세그멘테이션 신경망 모델 또는 아티팩트 정보를 획득하는 분류기 모델을 통하여 획득될 수 있으며, 관련 내용은 이하에서 보다 자세히 설명한다.
제4 이미지 품질 판단은 아티팩트와 관련된 복수의 기준 영역을 획득하고, 각 기준 영역과 관심 영역의 중첩에 기초하여 이미지의 품질을 판단하는 것을 포함할 수 있다.
일 실시예에 따른 아티팩트 발생 위치와 관심 영역의 관계 판단 단계(S3777)는 아티팩트의 위치와 관련된 아티팩트 정보와, 관심 영역이 분포하는 영역에 기초하여 이미지 품질 판단을 수행하는 것을 포함할 수 있다. 아티팩트 발생 위치와 관심 영역의 관계 판단 단계(S3777)는 의료 이미지 내의 특정 영역에 아티팩트가 위치할 확률에 관한 정보와 관심 영역 정보에 기초하여 이미지 품질 판단을 수행하는 것을 포함할 수 있다. 아티팩트 발생 위치와 관심 영역의 관계 판단 단계(S3777)는 의료 이미지 내에 발생된 아티팩트와 관심 영역의 중첩 정도가 미리 정해진 기준 값을 초과하는지를 판단하는 것을 포함할 수 있다.
의료 이미지 내의 특정 영역에 아티팩트가 위치할 확률에 관한 정보는 아티팩트 영역 정보를 포함할 수 있다. 여기서, 아티팩트 영역 정보는 의료 이미지 내에서 아티팩트가 위치할 가능성이 높은 순서로 제1 아티팩트 영역 내지 제n 아티팩트 영역을 포함할 수 있다. 아티팩트 영역은 제2 이미지 품질 판단 프로세스에서 상술한 바와 같이 제1 영역 및 상기 제1 영역 내에 위치되는 제2 영역을 포함할 수 있고, 제1 영역은 특징맵 상에서 대상 아티팩트와의 관련성이 제1 기준값 이상인 영역일 수 있으며, 제2 영역은 특징맵 상에서 대상 아티팩트와의 관련성이 제1 기준값보다 큰 제2 기준값 이상인 영역일 수 있다.
도 30는 다른 실시예에 따른 제4 이미지 품질 판단 프로세스에서 아티팩트가 관심 영역과 중첩되어 발생되었는지 판단하는 것을 설명하기 위한 도면이다.
도 30의 (b)를 참조하면, 아티팩트 영역은 의료 이미지 내에서 아티팩트가 위치할 가능성이 높은 순서로 제1 아티팩트(AR1) 영역, 제2 아티팩트 영역(AR2), 제3 아티팩트 영역(AR3) 또는 제4 아티팩트 영역(AR4)을 포함할 수 있다. 제1 아티팩트 영역(AR1) 내지 제4 아티팩트 영역(AR4)은 이미지 내 아티팩트가 위치하는 영역의 적어도 일부를 포함할 수 있다. 아티팩트 영역은 아티팩트와 높은 연관성을 보이는 순서대로 제1 아티팩트 영역(AR1), 제2 아티팩트 영역(AR2), 제3 아티팩트 영역(AR3) 및 제4 아티팩트 영역(AR4)일 수 있다.
또는, 아티팩트 영역은 특징맵 상에서 대상 아티팩트와의 관련성이 제1 기준값 이상인 영역(예를 들어, 제3 아티팩트 영역(AR3) 및 제4 아티팩트 영역(AR4))을 포함할 수 있다. 아티팩트 영역은 특징맵 상에서 대상 아티팩트와의 관련성이 제1 기준값보다 큰 제2 기준값 이상인 영역(예를 들어, 제1 아티팩트 영역(AR1) 및 제2 아티팩트 영역(AR2))을 포함할 수 있다.
도 30의 (b)를 참조하면, 아티팩트 영역 및 관심 영역에 모두 포함되는 공통 픽셀의 수를 이용하여 아티팩트와 관심 영역의 중첩 정도를 판단할 수 있다. 예를 들어, 제3 아티팩트 영역(A3) 및 제4 아티팩트 영역(A4)과 관심 영역에 모두 포함되는 공통 픽셀의 수가 미리 정해진 기준 값을 초과하는 경우 이미지 분석 장치(3000)는 의료 이미지의 품질이 비정상이라고 판단할 수 있다. 다른 예로, 제1 아티팩트 영역(A1) 및 제2 아티팩트 영역(A2)과 관심 영역에 모두 포함되는 공통 픽셀의 수가 미리 정해진 기준 값을 이하인 경우 이미지 분석 장치(3000)는 의료 이미지의 품질이 정상이라고 판단할 수 있다.
도 30의 (c)를 참조하면, 아티팩트 영역의 외곽 라인이 아티팩트 기준선(artifact boundary)으로 이용될 수 있다. 아티팩트 기준선(artifact boundary)은, 도 30의 (a)와 같은 아티팩트 영역과 관련된 특징맵에 기초하여 결정될 수 있다. 아티팩트 기준선(artifact boundary)은, 도 30의 (b)와 같은 제1 아티팩트 영역(AR1) 내지 제4 아티팩트 영역(AR4) 중 어느 하나의 바운더리로 결정될 수 있다. 아티팩트 기준선(artifact boundary)은 제1 아티팩트 영역(AR1) 내지 제4 아티팩트 영역(AR4)의 바운더리의 평균으로 결정될 수 있다.
아티팩트 기준선(artifact boundary)은 제1 영역(예컨대, 특징맵 상에서 대상 아티팩트와의 관련성이 제1 기준값 이상인 영역)의 외곽 라인일 수 있다. 아티팩트 기준선(artifact boundary)은 제2 영역(예컨대, 특징맵 상에서 대상 아티팩트와의 관련성이 제1 기준값보다 큰 제2 기준값 이상인 영역)의 외곽 라인일 수 있다.
아티팩트 기준선(artifact boundary)과 관심 영역의 관계에 기초하여, 아티팩트 발생 위치와 관심 영역의 관계를 판단하는 것은, 아티팩트 기준선(artifact boundary)과 관심 영역의 중첩 여부에 기초하여 품질 판단을 수행하는 것을 포함할 수 있다.
도 30의 (c)와 같이 아티팩트 기준선(artifact boundary)과 관심 영역의 외곽 라인이 의료 이미지 상에서 중첩되는 교차점이 2개 이상인 경우, 이미지 분석 장치(3000)는 대상 의료 이미지의 품질이 비정상이라고 판단할 수 있다.
대상 이미지 내에 복수의 아티팩트가 존재하는 경우, 아티팩트 발생 위치와 관심 영역의 관계 판단 단계(S3777)는 복수의 아티팩트 중 어느 하나와 관심 영역의 중첩 여부 또는 중첩 정도에 기초하여 품질 판단을 수행하는 것을 포함할 수 있다.
이미지 출력 장치는 이미지 품질 관련 정보 출력 모듈(3900)을 포함할 수 있다. 이미지 품질 관련 정보 출력 모듈(3900)은 이미지 분석 장치(3000)의 이미지 품질 판단 모듈(3700)이 수행한 이미지 품질 판단 결과를 출력할 수 있다. 또한, 이미지 품질 관련 정보 출력 모듈(3900)은 이미지 분석 장치(3000)의 이미지 품질 판단 모듈(3700)이 수행한 이미지 품질 판단 결과에 기초하여 생성된 정보를 출력할 수 있다.
이미지 출력 장치 또는 이미지 분석 장치는, 선택창 출력에 응답하여, 추가적인 동작을 지시하는 사용자 입력을 획득할 수 있다.
도 31은 일 실시예에 따른 이미지 품질 관련 정보 출력 모듈을 설명하기 위한 도면이다.
도 31을 참조하면, 이미지 품질 관련 정보 출력 모듈(3900)은 에러 정보 출력부(3910) 또는 선택창 출력부(3930) 중 적어도 어느 하나를 포함할 수 있다. 이 경우, 에러 정보 출력부(3910)는 이미지 품질 판단 결과를 기초로 획득한 정보에 관한 에러 정보를 출력할 수 있다. 선택창 출력부(3930)는 이미지 품질 판단 결과를 기초로 획득한 정보에 관한 선택창을 출력할 수 있다.
에러 정보 출력부(3910)와 선택창 출력부(3930)는 각각 독립된 이미지 품질 판단 결과에 기초하여 결정된 정보를 출력할 수 있다. 예컨대, 에러 정보 출력부(3910)는 제1 품질 판단 결과에 기초하여 결정된 에러 정보를 출력하고, 선택창 출력부(3930)는 제2 품질 판단 결과에 기초하여 결정된 선택창을 출력할 수 있다.
또는, 에러 정보 출력부(3910)와 선택창 출력부(3930)는 동일한 이미지 품질 판단 결과에 기초하여 결정된 정보를 출력할 수 있다. 에러 정보 출력부(3910)는 제1 품질 판단 결과에 기초하여 결정된 에러 정보를 출력하고, 선택창 출력부(3930)는 제1 품질 판단 결과에 기초하여 결정된 선택창을 출력할 수 있다.
도 31에서는, 에러 정보 출력부(3910)와 선택창 출력부(3930)가 구별되는 것으로 예시하였으나, 이는 예시에 불과하며, 에러 정보 출력부(3910)와 선택창 출력부(3930)는 하나의 물리적 또는 논리적 구성으로 마련될 수 있다. 예컨대, 이미지 품질 관련 정보 출력 모듈(3900)은 품질 판단 결과에 기초하여 생성된 에러 정보 및 에러 정보에 대응되는 선택창을 출력할 수도 있다.
선택창 출력부(3930)는 품질 판단 결과에 기초하여, 추가적으로 수행 가능한 동작과 관련한 사용자 지시를 획득하기 위한 선택창을 출력할 수 있다.
이미지 품질 관련 정보 출력 모듈(3900)은 에러 정보 또는 선택창 중 적어도 어느 하나를 텍스트 또는 이미지 형식으로 출력할 수 있다.
이미지 품질 관련 정보 출력 모듈(3900)은 에러 정보를 출력할 수 있다. 이 경우, 에러 정보는 이미지 품질 판단 모듈(3700)이 수행한 이미지 품질 판단 결과를 기초로 획득된 정보를 포함할 수 있다. 또한, 에러 정보는 제1 이미지 품질 판단 결과와 관련된 제1 에러 정보, 제2 이미지 품질 판단 결과와 관련된 제2 에러 정보, 제3 이미지 품질 판단 결과와 관련된 제3 에러 정보 및 제4 이미지 품질 판단 결과와 관련된 제4 에러 정보 중 적어도 어느 하나를 포함할 수 있다.
이미지 품질 관련 정보 출력 모듈(3900)은 제1 에러 정보 화면을 출력할 수 있다. 제1 에러 정보는 제1 이미지 품질 판단 결과를 기초로 획득한 정보를 포함할 수 있다. 제1 에러 정보는 의료 이미지의 메타데이터 정보에 기초하여 획득한 정보를 포함할 수 있다.
일 실시예에 따르면, 이미지 품질 관련 정보 출력 모듈(3900)은 이미지 획득 장치로부터 획득한 의료 이미지의 파일 구조 정보 예컨대, 의료 이미지의 파일 형식, 의료 이미지의 포맷 또는 파일의 크기에 이상이 있는 경우 제1 에러 정보 화면을 출력할 수 있다. 이 경우, 제1 에러 정보 화면은 의료 이미지의 파일 구조 정보에 이상이 있다는 제1 알림창 또는 의료 이미지의 파일 구조에 관한 정보를 포함할 수 있다.
다른 실시예에 따르면, 이미지 품질 관련 정보 출력 모듈(3900)은 이미지 획득 장치로부터 획득한 의료 이미지에 환자 정보 예컨대, 환자의 성명, 나이 등의 인적 사항과 관련된 정보, 의료 이미지를 촬영한 시점과 관련된 정보 또는 환자의 건강 상태에 관한 정보 등이 누락되어 있는 경우 제1 에러 정보 화면을 출력할 수 있다. 이 경우, 제1 에러 정보는 의료 이미지에 환자 정보가 누락되어 있다는 제1 알림창 또는 의료 이미지에 누락 또는 포함되어 있는 환자 정보를 포함할 수 있다.
도 32는 제1 에러 정보 화면을 예시적으로 설명하기 위한 도면이다.
도 32의 (a)를 참조하면, 제1 에러 정보 화면은 제1 이미지 품질 판단에 기초한 의료 이미지(MI), 의료 이미지의 파일 구조 정보(DI) 또는 의료 이미지에 입력되어 있는 환자 정보(PI) 중 적어도 어느 하나를 포함할 수 있다.
이 경우, 의료 이미지(MI)는 제1 이미지 품질 판단에 사용된 의료 이미지가 표시된 이미지일 수 있다. 의료 이미지의 파일 구조 정보(DI)는 의료 이미지의 형식에 관한 제1 파일 구조 정보, 의료 이미지의 포맷에 관한 제2 파일 구조 정보 또는 의료 이미지의 크기에 관한 제3 파일 구조 정보를 포함할 수 있다. 이 경우, 도면에는 도시되지 않았으나 제1 에러 정보 화면은 상세 정보 오브젝트를 포함하고, 출력 화면은 상세 정보 오브젝트에 대한 사용자 선택에 따라, 의료 이미지(MI) 또는 파일 구조 정보(DI)에 관한 보다 상세한 내용(예를 들어, 환자의 생년월일, 환자의 주소, 촬영 시점, 촬영 장소, 촬영 장치 등)을 추가적으로 표시할 수 있다.
도 32의 (b)를 참조하면, 제1 에러 정보 화면은 제1 이미지 품질 판단 결과 의료 이미지가 비정상적이라는 제1 정보를 포함하는 제1 알림창(CO)을 포함할 수 있다. 예시적으로, 제1 알림창(CO)은 의료 이미지의 파일 구조에 이상이 있거나 의료 이미지에 환자 정보가 누락되었다는 에러 코드를 포함할 수 있다. 이 경우, 제1 에러 정보 화면은 상세 정보 오브젝트를 포함하고, 출력 화면은 상세 정보 오브젝트에 대한 사용자 선택에 따라 제1 정보에 관한 상세한 내용(예를 들어, 에러 코드에 관한 설명, 에러 메시지의 발생 원인, 에러 메시지에 대응할 수 있는 매뉴얼 등)을 추가적으로 표시할 수 있다.
이미지 품질 관련 정보 출력 모듈(3900)은 제2 에러 정보 화면을 출력할 수 있다. 제2 에러 정보는 제2 이미지 품질 판단 결과를 기초로 획득한 정보를 포함할 수 있다. 제2 에러 정보는 노이즈 정보에 기초하여 획득한 정보를 포함할 수 있다. 제2 에러 정보는 이미지에 기초한 정보 획득에 영향을 미치는 다양한 종류의 결함 내지 상태를 기초로 획득한 정보를 포함할 수 있다.
일 실시예에 따르면, 이미지 품질 관련 정보 출력 모듈(3900)은 이미지 획득 장치로부터 획득한 의료 이미지에 노이즈가 포함되어 있는 경우 제2 에러 정보 화면을 출력할 수 있다. 이미지 품질 관련 정보 출력 모듈(3900)은 제2 에러 정보를 텍스트 또는 이미지 형식으로 출력할 수 있다.
예시적으로, 이미지 품질 관련 정보 출력 모듈(3900)은 이미지 획득 장치로부터 획득한 의료 이미지에 아티팩트가 포함되어 있는 경우 제2 에러 정보 화면을 출력할 수 있다. 제2 에러 정보 화면은 의료 이미지 내에 아티팩트가 포함되어 있음을 알려주는 에러 메시지를 포함할 수 있다. 또한, 제2 에러 정보는 의료 이미지 내에 아티팩트가 발생된 위치에 관한 정보, 아티팩트의 발생 정도에 관한 정보, 아티팩트의 발생 범위에 관한 정보 또는 아티팩트의 종류에 관한 정보 중 어느 하나를 포함할 수 있다.
제2 에러 정보 화면은 텍스트 또는 이미지를 포함할 수 있다. 예를 들어, 제2 에러 정보 화면은 의료 이미지 내에서 아티팩트가 위치할 가능성이 높은 영역을 나타내기 위한 표시, 예컨대 히트맵 형태의 이미지를 포함할 수 있다. 다른 예로, 제2 에러 정보 화면은 의료 이미지 내에서 아티팩트의 위치를 나타내는 바운딩 박스를 나타내는 이미지를 포함할 수 있다. 또 다른 예로, 제2 에러 정보 화면은 의료 이미지 내의 해부학적 세그멘테이션 정보를 나타내기 위한 이미지를 포함할 수 있다.
도 33 및 도 34는 제2 에러 정보 화면을 예시적으로 설명하기 위한 도면이다.
도 33의 (a)를 참조하면, 제2 에러 정보 화면은 제2 이미지 품질 판단과 관련 있는 의료 이미지(MI) 표시 영역을 포함할 수 있다. 제2 에러 정보 화면은 아티팩트 정보(AF) 출력 영역을 포함할 수 있다.
의료 이미지(MI)는 제2 이미지 품질 판단에 기초하여 의료 이미지 내에 아티팩트가 위치할 가능성이 높은 영역이 강조된 이미지일 수 있다. 의료 이미지(MI)는 아티팩트와 관련이 높은 것으로 판단된 영역이 히트맵 형태로 강조된 이미지일 수 있다. 의료 이미지(MI)는, 사용자 조작에 따라, 아티팩트의 종류, 발생 범위, 형태 등을 보다 자세히 확인할 수 있도록 확대 또는 축소될 수 있다.
아티팩트 정보(AF)는 아티팩트의 종류에 관한 정보, 아티팩트가 위치할 가능성이 높은 영역에 관한 정보 또는 아티팩트의 발생 정도에 관한 정보 중 적어도 어느 하나를 포함할 수 있다. 제2 에러 정보 화면은 상세 정보 오브젝트를 포함하고, 출력 화면은 상세 정보 오브젝트에 대한 사용자 선택에 따라, 의료 이미지(MI) 또는 아티팩트 정보(AF)에 관한 보다 상세한 내용(예를 들어, 이미지 내 특정 영역에 아티팩트가 위치할 확률에 관한 정보, 아티팩트의 발생 범위에 관한 히트맵 정보 또는 바운더리 정보 등)을 추가적으로 표시할 수 있다.
도 33의 (b)를 참조하면, 제2 에러 정보 화면은 의료 이미지 내에 포함된 아티팩트에 관한 제2 정보를 포함하는 제2 알림창(CO)를 포함할 수 있다. 예시적으로, 제2 알림창(CO)은 의료 이미지 내에 아티팩트가 발생되었다는 에러 코드가 표시된 메시지를 포함할 수 있다. 이 경우, 제2 에러 정보 화면은 상세 정보 오브젝트를 포함하고, 출력 화면은 상세 정보 오브젝트에 대한 사용자 선택에 따라 제2 정보에 관한 상세한 내용(예를 들어, 에러 코드에 관한 설명, 에러 메시지의 발생 원인, 에러 메시지에 대응할 수 있는 매뉴얼 등)을 추가적으로 표시할 수 있다.
도 34를 참조하면, 아티팩트 정보(AF)는 아티팩트의 종류에 관한 정보를 포함하는 제1 아티팩트 정보(AF1), 아티팩트가 위치할 가능성이 높은 영역에 관한 정보를 포함하는 제2 아티팩트 정보(AF2) 또는 아티팩트의 발생 정도에 관한 정보를 포함하는 제3 아티팩트 정보(AF3)를 포함할 수 있다.
제1 아티팩트 정보(AF1)는 아티팩트의 종류에 관한 정보, 아티팩트가 발생된 이미지의 보정 가부에 관한 정보 등을 포함할 수 있다. 이 경우, 아티팩트가 발생된 이미지의 보정 가부에 관한 정보는 아티팩트의 종류, 발생 위치, 발생 범위 또는 발생 정도 중 어느 하나에 기초하여 획득된 정보를 포함할 수 있다.
제2 아티팩트 정보(AF2)는 의료 이미지 내에서 아티팩트가 위치할 가능성이 높은 영역에 관한 정보, 의료 이미지 내의 해부학적 구조에 대응되는 영역 중 분석 가능 영역 등에 관한 정보를 포함할 수 있다. 이 경우, 분석 가능 영역에 관한 정보는 해부학적 세그멘테이션 정보와 아티팩트 발생 위치 정보에 기초하여 획득될 수 있다. 예시적으로, 진단 영역에 관한 정보는 의료 이미지 내의 해부학적 구조에 대응되는 영역 중 아티팩트와 중첩되지 않는 영역에 관한 정보 또는 의료 이미지 내의 해부학적 구조에 대응되는 영역 중 아티팩트와 중첩 정도가 낮은 영역에 관한 정보 등을 포함할 수 있다. 이때, 분석 가능 영역에 따라 진단 가능 질병은 달라질 수 있다.
제3 아티팩트 정보(AF3)은 아티팩트의 발생 정도, 레벨, 범위 등에 관한 정보를 포함할 수 있다. 이 경우, 이미지 분석 장치는 제3 아티팩트 정보(AF3)에 기초하여 이미지 분석 진행 가부에 관한 판단을 수행할 수 있다. 예를 들어, 이미지 분석 장치는 의료 이미지 내에 아티팩트가 발생된 경우에도 제3 아티팩트 정보(AF3)에 기초하여 아티팩트의 발생 정도가 미리 정해진 기준 값보다 낮다고 판단되는 경우 이미지 분석 진행을 수행할 수 있다고 판단할 수 있다.
이미지 품질 관련 정보 출력 모듈(3900)은 제3 에러 정보 화면을 출력할 수 있다. 제3 에러 정보는 제3 이미지 품질 판단 결과를 기초로 획득한 정보를 포함할 수 있다. 또한, 제3 에러 정보는 이미지 획득 장치로부터 획득한 의료 이미지를 해부학적으로 세그멘테이션한 세그멘테이션 정보에 기초로 획득한 정보를 포함할 수 있다.
일 실시예에 따르면, 이미지 품질 관련 정보 출력 모듈(3900)은 이미지 획득 장치로부터 획득한 의료 이미지가 포함하고 있는 해부학적 구조 중 적어도 일부가 미리 정해진 정량적인 기준을 만족하지 않는 경우 제3 에러 정보 화면을 출력할 수 있다. 예를 들어, 이미지 품질 관련 정보 출력 모듈(3900)은 의료 이미지 내에 포함되고 인체의 일 부위에 대응되는 소정 영역과 관련된 값이 기준을 만족하지 않는 경우 제3 에러 정보 화면을 출력할 수 있다. 보다 구체적인 예로, 이미지 품질 관련 정보 출력 모듈(3900)은 뇌에 관한 MRI 이미지에 포함되어 있는 뇌의 일 부위에 대응되는 소정 영역의 부피 값이 미리 정해진 기준 값을 만족하지 않는 경우 제3 에러 정보 화면을 출력할 수 있다. 또한, 이미지 품질 관련 정보 출력 모듈(3900)은 제3 에러 정보 화면을 텍스트 또는 이미지 형식으로 출력할 수 있다.
제3 에러 정보는 의료 이미지 내의 해부학적 구조 중 적어도 일부에 이상이 있다는 에러 메시지 또는 이상이 있는 해부학적 구조에 관한 정보를 포함할 수 있다. 보다 구체적인 예로, 제3 에러 정보는 이미지 세그멘테이션 결과를 기초로 품질 판단을 수행할 대상 영역에 관련된 정보를 포함할 수 있다. 제3 에러 정보는 이미지 세그멘테이션을 통하여 획득한 인체의 해부학적 구조 중 질병 판단 결과의 신뢰도에 영향을 미칠 수 있는 적어도 일부 영역에 관련된 정보를 포함할 수 있다.
제3 에러 정보는 의료 이미지를 세그멘테이션하여 얻어지는 인체의 해부학적 구조 중 적어도 일부 영역의 형태학적 지표 또는 형태학적 값 예컨대, 면적, 부피, 위치 또는 모양 등에 관한 정보를 포함할 수 있다.
제3 에러 정보는 대상 영역의 형태학적 지표 또는 형태학적 값과 미리 정해진 기준 값의 비교 결과에 관한 정보를 포함할 수 있다. 보다 구체적인 예로, 제3 에러 정보는 의료 이미지가 포함하고 있는 해부학적 구조 중 적어도 일부가 미리 정해진 정량적인 기준을 만족하는지에 관한 정보를 포함할 수 있다.
제3 에러 정보 화면은 텍스트 또는 이미지를 포함할 수 있다. 제3 에러 정보 화면은 의료 이미지를 세그멘테이션하여 얻어지는 인체의 해부학적 구조 중 적어도 일부 영역의 형태학적 지표 또는 형태학적 값을 수치로 나타낸 텍스트를 포함할 수 있다. 제3 에러 정보 화면은 품질 판단의 기준이 되는 해부학적 구조에 대응되는 대상 영역이 원본 의료 이미지상에 표시된 이미지를 포함할 수 있다.
도 35 및 도 36은 제3 에러 정보 화면을 예시적으로 설명하기 위한 도면이다.
도 35의 (a)를 참조하면, 제3 에러 정보 화면은 제3 이미지 품질 판단과 관련 있는 의료 이미지(MI) 또는 영역 정보(RI)를 포함할 수 있다.
이 경우, 의료 이미지(MI)는 이미지 세그멘테이션 결과를 기초로 제3 이미지 품질 판단에 이용되는 대상 영역에 관련된 정보를 포함할 수 있다. 예를 들어, 의료 이미지의 하측이 온전히 촬영되었는지 판단하는 경우, 의료 이미지는 품질 판단을 수행할 대상 영역, 예컨대, 소뇌와 관련된 정보가 표현된 이미지를 포함할 수 있다. 제3 에러 정보 화면은 의료 이미지 내의 해부학적 구조에 대응되는 영역에 관한 정보를 보다 자세히 확인하기 위해 의료 이미지(MI)를 확대 또는 축소할 수 있는 버튼을 포함할 수 있다. 또한, 영역 정보(RI)는 이미지 품질 판단을 수행할 대상 영역과 관련된 정보, 의료 이미지에서 온전히 촬영되지 못한 부분에 관한 정보 또는 대상 영역이 미리 정해진 정량적인 기준을 만족하는지에 관한 정보 중 어느 하나를 포함할 수 있다. 이때, 제3 에러 정보 화면은 상세 정보 오브젝트를 포함하고, 출력 화면은 상세 정보 오브젝트에 대한 사용자 선택에 따라, 의료 이미지(MI) 또는 영역 정보(RI)에 관한 보다 상세한 내용(예를 들어, 품질 판단의 대상이 된 인체의 영역 정보, 품질 판단의 대상이 된 이미지 영역에 관한 정보 등)을 추가적으로 표시할 수 있다.
도 35의 (b)를 참조하면, 제3 에러 정보 화면은 의료 이미지 내의 해부학적 구조에 대응되는 영역에 관한 제3 정보를 포함하는 제3 알림창(CO)을 포함할 수 있다. 예시적으로, 제3 알림창(CO)은 의료 이미지 내의 해부학적 구조에 대응되는 영역에 관한 에러 정보 예컨대, 세그멘테이션 정보가 미리 정해진 정량적인 기준을 만족하지 못하였다는 에러 코드가 표시된 메시지를 포함할 수 있다. 이 경우, 제3 에러 정보 화면은 상세 정보 오브젝트를 포함하고, 출력 화면은 상세 정보 오브젝트에 대한 사용자 선택에 따라 제3 정보에 관한 상세한 내용(예를 들어, 에러 코드에 관한 설명, 에러 메시지의 발생 원인, 에러 메시지에 대응할 수 있는 매뉴얼 등)을 추가적으로 표시할 수 있다.
도 36를 참조하면, 영역 정보(RI)는 의료 이미지의 제1 부분에 포함된 제1 대상 영역 및 제1 대상 영역이 미리 정해진 정량적인 기준을 만족하는지에 관한 정보를 포함하는 제1 영역 정보(RI1), 의료 이미지의 제2 부분에 포함된 제2 대상 영역 및 제2 대상 영역이 미리 정해진 정량적인 기준을 만족하는지에 관한 정보를 포함하는 제2 영역 정보(RI2) 또는 의료 이미지 내의 해부학적 구조의 배치에 관한 정보 및 보정 가부에 관한 정보를 포함하는 제3 영역 정보(RI3)를 포함할 수 있다.
예시적으로, 제1 영역 정보(RI1)는 의료 이미지의 상부에 위치하는 대상 영역 예컨대, 전두엽에 관한 형태학적 지표 또는 형태학적 값이 미리 정해진 정량적인 기준을 만족하는지에 관한 정보를 포함할 수 있다.
제2 영역 정보(RI2)는 의료 이미지의 하부에 위치하는 대상 영역 예컨대, 소뇌에 관한 형태학적 지표 또는 형태학적 값이 미리 정해진 정량적인 기준을 만족하는지에 관한 정보를 포함할 수 있다.
제3 영역 정보(RI3)는 의료 이미지 내의 해부학적 구조의 배치에 관한 정보 예컨대, 의료 이미지 내의 해부학적 구조가 기울어져 촬영되었는지에 관한 정보 및 이에 기초하여 의료 이미지를 보정할 수 있는지에 관한 판단 정보를 포함할 수 있다.
이미지 품질 관련 정보 출력 모듈(3900)은 제4 에러 정보 화면을 출력할 수 있다. 제4 에러 정보는 제4 이미지 품질 판단 결과를 기초로 획득한 정보를 포함할 수 있다.
일 실시예에 따르면, 이미지 품질 관련 정보 출력 모듈(3900)은 의료 이미지 내에 발생된 아티팩트가 의료 이미지에 포함되어 있는 해부학적 구조 중 적어도 일부와 중첩되는 경우 제4 에러 정보 화면을 출력할 수 있다.
제4 에러 정보는 이미지 획득 장치로부터 획득한 의료 이미지를 해부학적으로 세그멘테이션한 세그멘테이션 정보와 이미지 획득 장치로부터 획득한 의료 이미지에서 추출한 아티팩트 정보 간의 관계를 기초로 획득한 정보를 포함할 수 있다. 예시적으로, 제4 에러 정보는 MRI 이미지가 포함하고 있는 뇌의 각 영역의 해부학적 구조 중 적어도 일부에 아티팩트가 발생되었는지에 관한 정보를 포함할 수 있다.
제4 에러 정보는 의료 이미지 내에 발생된 아티팩트가 의료 이미지에 포함되어 있는 해부학적 구조 중 적어도 일부와 중첩되는지에 관한 정보를 포함할 수 있다. 또한, 제4 에러 정보는 의료 이미지 내에 발생된 아티팩트와 의료 이미지 내에 포함되어 있는 해부학적 구조 중 적어도 일부의 중첩 정도에 관한 정보를 포함할 수 있다. 또한, 제4 에러 정보는 의료 이미지 내에 발생된 아티팩트와 의료 이미지 내에 포함되어 있는 해부학적 구조 중 적어도 일부의 중첩 정도에 기초하여 의료 이미지의 분석을 통한 질병 판단 결과의 신뢰도에 관한 정보를 포함할 수 있다.
제4 에러 정보는 의료 이미지 내의 특정 영역에 아티팩트가 위치할 확률과 관심 영역 간의 관계에 관한 정보를 포함할 수 있다. 또한, 제4 에러 정보는 의료 이미지 내에서 아티팩트가 위치할 가능성이 높은 영역인 제1 아티팩트 영역, 의료 이미지 내에서 아티팩트가 위치할 가능성이 보통인 영역인 제2 아티팩트 영역 또는 의료 이미지 내에서 아티팩트가 위치할 가능성이 낮은 영역인 제3 아티팩트 영역에 관한 정보 중 적어도 어느 하나를 포함할 수 있다. 제1 내지 제3 아티팩트 영역은 원본 의료 이미지 상에 시각적으로 강조될 수 있다. 제1 내지 제3 아티팩트 영역은 히트맵 형태로, 원본 의료 이미지 상에 중첩되어 표시될 수 있다.
제4 에러 정보 화면은 텍스트 또는 이미지를 포함할 수 있다. 예를 들어, 제4 에러 정보 화면은 의료 이미지를 세그멘테이션하여 얻어지는 인체의 해부학적 구조 상에 아티팩트 영역 정보 예컨대, 의료 이미지 내에서 아티팩트가 위치할 가능성이 높은 영역을 나타내는 히트맵 형태의 샐리언시 맵, 의료 이미지 내에서 아티팩트가 위치하는 영역을 표시하기 위한 바운딩 박스, 의료 이미지 내에서 아티팩트가 위치하는 좌표 정보 또는 픽셀 정보 등을 표시한 이미지를 포함할 수 있다.
도 37 및 도 38은 제4 에러 정보 화면을 예시적으로 설명하기 위한 도면이다.
도 37의 (a)를 참조하면, 제4 에러 정보 화면은 제4 이미지 품질 판단과 관련 있는 의료 이미지(MI) 또는 아티팩트와 관심 영역 간의 관계에 관한 정보(QI) 중 적어도 어느 하나를 포함할 수 있다.
의료 이미지(MI)는 이미지 내에 관심 영역이 표시된 이미지일 수 있다. 의료 이미지(MI)는 이미지 내의 특정 영역에 아티팩트가 위치할 가능성이 높은 영역이 표시된 이미지일 수 있다.
의료 이미지(MI)는 아티팩트의 위치 정보에 기초하여 획득된 관심 영역과 아티팩트의 중첩 정도를 표시할 수 있다. 예를 들어, 의료 이미지(MI)는 관심 영역과 아티팩트가 중첩된 영역에 관련된 정보 예컨대, 중첩된 영역의 면적, 모양, 픽셀의 수 등을 표시할 수 있다. 의료 이미지(MI)는 관심 영역과 관심 영역 중 아티팩트와 중첩되는 영역의 비율을 표시할 수 있다.
의료 이미지(MI)는 의료 이미지 내의 특정 영역에 아티팩트가 위치할 확률과 관심 영역 간의 관계가 표시된 이미지일 수 있다.
예를 들어, 의료 이미지(MI)는 대상 의료 이미지 상에 아티팩트에 대응되는 영역이 시각적으로 강조되도록 표시된 이미지일 수 있다. 의료 이미지(MI)는 대상 의료 이미지 상에 아티팩트에 대응되는 영역이 히트맵 형식으로 표시되거나 아티팩트에 대응되는 영역의 경계선 예컨대, 외곽 라인이 표시된 이미지일 수 있다.
또는, 의료 이미지(MI)는 아티팩트와 관심 영역이 중첩되는 부분이 시각적으로 강조되도록 표시된 이미지일 수 있다. 의료 이미지(MI)는 대상 의료 이미지 상에 아티팩트에 대응되는 영역이 표시된 이미지일 수 있다. 의료 이미지(MI)는 대상 의료 이미지 상에 아티팩트에 대응되는 영역의 경계선 예컨대, 외곽 라인이 표시된 이미지일 수 있다. 의료 이미지(MI)는 대상 의료 이미지 상에 아티팩트에 대응되는 영역이 히트맵 형식으로 표시된 이미지일 수 있다.
아티팩트와 관심 영역 간의 관계에 관한 정보(QI)는 관심 영역의 종류에 관한 정보, 관심 영역과 아티팩트의 중첩 정보 또는 중첩 정보에 기초한 품질 판단 결과 정보 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
이 경우, 제4 에러 정보 화면은 상세 정보 오브젝트를 포함하고, 출력 화면은 상세 정보 오브젝트에 대한 사용자 선택에 따라, 의료 이미지(MI) 또는 아티팩트와 관심 영역 간의 관계에 관한 정보(QI)에 관한 보다 상세한 내용(예를 들면, 관심 영역과 아티팩트가 중첩되는 정도를 보다 세분화된 단계로 나누어 표현한 정보, 관심 영역과 아티팩트가 중첩되는 정도를 수치로 나타낸 정보, 관심 영역 중 아티팩트와 중첩되는 부분에 관한 상세 정보 등)을 추가적으로 표시할 수 있다.
도 37의 (b)를 참조하면, 제4 에러 정보 화면은 의료 이미지 내의 관심 영역에 관한 제4 정보를 포함하는 제4 알림창(CO)을 포함할 수 있다.
제4 알림창(CO)은 관심 영역 중 적어도 일부와 아티팩트가 중첩되었다는 정보가 포함된 에러 코드가 표시된 메시지를 포함할 수 있다. 이 경우, 제4 에러 정보 화면은 상세 정보 오브젝트를 포함하고, 출력 화면은 상세 정보 오브젝트에 대한 사용자 선택에 따라 제4 정보에 관한 상세한 내용(예를 들어, 에러 코드에 관한 설명, 에러 메시지의 발생 원인, 에러 메시지에 대응할 수 있는 매뉴얼 등)을 추가적으로 표시할 수 있다.
제4 알림창(CO)은 관심 영역 중 적어도 일부와 아티팩트가 중첩된 경우 계속하여 이미지 분석을 진행할지 여부를 선택할 수 있는 오브젝트를 포함하고, 이미지 분석 장치(3900)는 이미지 분석 진행 오브젝트에 대한 사용자의 선택에 따라 계속하여 이미지 분석을 진행할 수 있다.
제4 알림창(CO)은 관심 영역 중 적어도 일부와 아티팩트가 중첩된 경우 이미지 분석을 중단 오브젝트를 포함하고, 이미지 분석 장치(3900)는 이미지 분석 중단 오브젝트에 대한 사용자의 선택에 따라 이미지 분석을 중단할 수 있다.
도 38을 참조하면, 아티팩트와 관심 영역 간의 관계에 관한 정보(QI)는 의료 이미지 내에 발생된 아티팩트 정보(QI1), 의료 이미지 내의 해부학적 구조에 대응되는 영역에 관한 관심 영역 정보(QI2) 또는 아티팩트와 해부학적 구조에 대응되는 영역의 중첩 정도에 관한 정보(QI3) 중 적어도 하나를 포함할 수 있다. 예시적으로, 제4 에러 정보는 관심 영역이 두개골로 특정된 경우, 두개골에 대응되는 소정 영역에 아티팩트가 발생되어 있는지에 관한 정보, 두개골에 대응되는 소정 영역과 아티팩트의 중첩 정도에 관한 정보 등을 포함할 수 있다.
도 39 및 도 40은 이미지 품질 관련 정보 출력 모듈(3900)이 출력하는 선택창을 예시적으로 설명하기 위한 도면이다.
상술한 바와 같이 획득된 의료 데이터에 부적절한 형식적 또는 실질적 흠결이 존재하는 경우 상기 의료 데이터에 기초한 이미지 분석의 결과는 일정 수준 이상의 신뢰도를 갖기 어려울 수 있다.
다만, 의료 데이터에 형식적 또는 실질적 흠결이 존재하더라도, 일정 기준 예컨대, 의료 데이터에 존재하는 흠결의 종류 또는 정도에 관한 기준을 만족하는 경우 이미지 분석이 계속하여 수행될 수 있다. 이에 따라, 의료 데이터에 일정 흠결이 존재하는 경우에도, 일률적으로 이미지 분석의 진행을 중단하는 것이 아니라, 일정 기준에 따라 이미지 분석의 진행 여부를 결정하거나 의료 이미지를 보정 또는 재촬영한 후 이미지 분석을 다시 진행할 수 있도록 함으로써, 시간 및 비용 측면에서 경제적이고 효율적으로 이미지 분석을 수행할 수 있다.
본 발명의 이미지 품질 판단 프로세스는 의료 데이터에 일정 흠결이 발생한 경우, 상기 흠결에도 불구하고 이미지 분석 장치가 이미지 분석을 계속하여 수행할 수 있을지 판단할 수 있는 기준을 제공하는 것을 포함할 수 있다. 또한, 이미지 품질 판단 프로세스는 의료 데이터의 품질과 관련된 정보를 사용자에게 제공하고, 사용자의 선택에 따라 이미지 분석의 진행 여부가 결정되거나 의료 이미지를 보정 또는 재촬영한 후 이미지 분석의 재수행이 결정되도록 하는 수단을 제공할 수 있다.
도 39을 참조하면, 이미지 품질 관련 정보 출력 모듈(3900)은 이미지 품질 판단 결과에 기초하여 선택창을 출력할 수 있다. 이미지 품질 관련 정보 출력 모듈(3900)은 이미지 품질 판단을 통해 이미지의 품질이 정상적이지 않다고 판단되는 경우 선택창을 출력할 수 있다. 이미지 품질 관련 정보 출력 모듈(3900)은 이미지 품질 판단을 통해 이미지의 품질이 정상적이라고 판단되는 경우 이미지 분석을 진행한 후 이미지 품질 관련 정보를 출력할 수 있다.
선택창은 이미지 품질 판단에 기초하여 생성된 메시지를 포함할 수 있다. 선택창은 이미지 품질 판단에 기초하여 의료 이미지의 품질이 이미지 분석 진행이 수행되기에 적합하지 않음을 나타내는 메시지를 포함할 수 있다.
도 40을 참조하면, 이미지 품질 관련 정보 출력 모듈(3900)은 이미지 품질 판단 결과에 기초하여 선택창을 출력할 수 있다. 이미지 품질 관련 정보 출력 모듈(3900)은 이미지 품질 판단을 통해 이미지 품질이 정상적이지 않다고 판단되는 경우, 이미지 분석 진행과 관련한 사용자 지시를 획득하기 위한 선택창을 출력할 수 있다. 이에 따라, 이미지 분석 장치는 의료 데이터에 흠결이 발생한 경우에도, 일정 기준에 기초한 사용자의 선택에 따라 이미지 분석을 계속하여 진행할 수 있다. 이미지 분석 장치는 의료 데이터에 흠결이 발생한 경우에도, 사용자의 선택에 따라 의료 이미지를 보정 또는 재촬영한 후 이미지 분석을 다시 진행할 수 있다.
선택창은 이미지 품질 판단 모듈(3700)이 수행한 이미지 품질 판단 결과에 기초하여 생성된 메시지를 포함할 수 있다. 선택창은 제1 이미지 품질 판단부(3710) 내지 제4 이미지 품질 판단부(3770)가 수행한 결과에 기초하여 생성된 메시지를 포함할 수 있다. 선택창은 이미지 품질 판단에 기초하여 생성된 메시지를 포함할 수 있다. 선택창은 이미지 품질 판단에 기초하여 의료 이미지의 품질이 일정 수준을 만족하지 못하고 있음을 나타내는 메시지를 포함할 수 있다. 선택창은 이미지 품질 판단에 기초하여 의료 이미지의 품질이 이미지 분석 진행이 수행되기에 적합하지 않음을 나타내는 메시지를 포함할 수 있다.
선택창은 상술한 메시지에 대한 사용자의 동의 여부를 획득하기 위한 제1 버튼 및 제2 버튼을 포함할 수 있다. 이미지 분석 장치는 사용자의 제1 버튼의 선택에 따라 이미지 분석 진행 여부를 선택할 수 있는 추가적인 메시지를 출력할 수 있다. 이미지 분석 장치는 사용자의 제2 버튼의 선택에 따라 상기 메시지에 관한 보다 상세한 내용을 출력할 수 있다.
선택창은 이미지 분석 장치에 의한 이미지 분석 진행과 관련한 사용자 지시를 획득하기 위한 제1 선택창을 포함할 수 있다. 즉, 이미지 품질 관련 정보 출력 모듈(3900)은 이미지 품질 판단 모듈(3700)이 수행한 결과에 기초하여 이미지 분석 장치에 의한 이미지 분석을 계속하여 진행할지 여부에 관한 사용자 지시를 획득하기 위한 제1 선택창을 출력할 수 있다.
선택창은 이미지 품질 판단 프로세스를 다시 수행하는 동작과 관련한 사용자의 지시를 획득하기 위한 제2 선택창을 포함할 수 있다. 즉, 이미지 품질 관련 정보 출력 모듈(3900)은 이미지 품질 판단 모듈(3700)이 수행한 결과에 기초하여 이미지 품질 판단 프로세스를 다시 진행할지에 관한 사용자의 지시를 획득하기 위한 제2 선택창을 출력할 수 있다.
일 실시예에 따르면, 제2 이미지 품질 판단부(3730)에 의한 품질 판단 결과 의료 이미지 내에 아티팩트가 포함되어 있다고 판단되는 경우, 이미지 품질 관련 정보 출력 모듈(3900)은 제1 선택창을 출력할 수 있다.
제1 선택창은 의료 이미지 내에 포함되어 있는 아티팩트 정보 예컨대, 아티팩트 발생 여부, 아티팩트 발생 위치, 아티팩트 발생 정도, 아티팩트 발생 범위 또는 아티팩트 종류 등에 관한 제1 메시지를 출력할 수 있다.
제2 이미지 품질 판단부(3730)에 의한 품질 판단 결과 의료 이미지 내에 아티팩트가 포함되어 있다고 판단되는 경우, 이미지 품질 관련 정보 출력 모듈(3900)은 이미지 품질 판단 프로세스의 재 수행과 관련한 사용자의 지시를 획득할 수 있는 제2 선택창을 출력할 수 있다.
제2 선택창은 의료 이미지 내에 포함되어 있는 아티팩트를 보정 후 다시 이미지 품질 판단 프로세스를 진행할 것인지 여부에 관한 사용자의 지시를 요청하는 제2 메시지를 출력할 수 있다. 제2 선택창은 의료 이미지를 재촬영한 후 다시 이미지 품질 판단 프로세스를 진행할 것인지 여부에 관한 사용자의 지시를 요청하는 제2 메시지를 출력할 수 있다.
다른 실시예에 따르면, 제3 이미지 품질 판단부(3750)에 의한 품질 판단 결과 의료 이미지를 해부학적으로 세그멘테이션한 세그멘테이션 정보에 기초하여 세그멘테이션 정보가 정량적인 기준을 만족하지 못한다고 판단되는 경우, 이미지 품질 관련 정보 출력 모듈(3900)은 제1 선택창을 출력할 수 있다.
제1 선택창은 의료 이미지 세그멘테이션을 통하여 획득한 영역 중 적어도 일부 영역에 관한 형태학적 지표 또는 형태학적 값, 예컨대, 해당 영역의 면적, 부피, 위치 또는 모양 등에 관한 제1 메시지를 포함할 수 있다.
제3 이미지 품질 판단부(3750)에 의한 품질 판단 결과 의료 이미지를 해부학적으로 세그멘테이션한 세그멘테이션 정보에 기초하여 세그멘테이션 정보가 정량적인 기준을 만족하지 못한다고 판단되는 경우, 이미지 품질 관련 정보 출력 모듈(3900)은 이미지 품질 판단 프로세스의 재 수행 동작과 관련한 사용자의 지시를 획득할 수 있는 제2 선택창을 출력할 수 있다.
제2 선택창은 의료 이미지 내의 해부학적 세그멘테이션 정보를 보정 후 다시 이미지 품질 판단 프로세스를 진행할 것인지 여부에 관한 사용자 지시를 요청하는 제2 메시지를 출력할 수 있다. 제2 선택창은 의료 이미지를 재촬영한 후 다시 이미지 품질 판단 프로세스를 진행할 것인지 여부에 관한 사용자의 지시를 요청하는 제2 메시지를 출력할 수 있다.
일 실시예에 따르면, 제4 이미지 품질 판단부(3770)에 의한 품질 판단 결과 의료 이미지 내에 발생된 아티팩트가 의료 이미지에 포함되어 있는 해부학적 구조 중 적어도 일부와 중첩되는 경우, 이미지 품질 관련 정보 출력 모듈(3900)은 제1 선택창을 출력할 수 있다.
제1 선택창은 의료 이미지 내에 포함되어 있는 아티팩트와 관심 영역의 관계 정보 예컨대, 아티팩트와 관심 영역의 중첩 정도, 관심 영역 내에 존재하는 아티팩트의 위치 정보 등에 관한 제1 메시지를 출력할 수 있다.
제4 이미지 품질 판단부(3770)에 의한 품질 판단 결과 의료 이미지 내에 발생된 아티팩트가 의료 이미지에 포함되어 있는 해부학적 구조 중 적어도 일부와 중첩되는 경우, 이미지 품질 관련 정보 출력 모듈(3900)은 사용자가 이미지 품질 판단 프로세스를의 재 수행과 관련한 사용자의 지시를 획득할 수 있는 제2 선택창을 출력할 수 있다.
제2 선택창은 의료 이미지 내에 포함되어 있는 해부학적 구조 중 적어도 일부를 보정 후 다시 이미지 품질 판단 프로세스를 진행할 것인지 여부에 관한 사용자의 지시를 요청하는 제2 메시지를 출력할 수 있다. 제2 선택 창은 의료 이미지를 재촬영한 후 다시 이미지 품질 판단 프로세스를 진행할 것인지 여부에 관한 사용자의 지시를 요청하는 제2 메시지를 출력할 수 있다.
이하에서는 다양한 실시예에 따른 품질 판단 프로세스를 설명한다. 특별한 설명이 없는 한 각 단계의 내용은 본 명세서에서 전술한 내용이 유사하게 적용될 수 있다.
도 41 내지 도 43은 제1 내지 제3 품질 판단 프로세스를 설명하기 위한 도면이다. 제1 내지 제4 품질 판단 프로세스는 품질 판단의 기준이 되는 데이터, 품질 판단의 기준이 되는 품질 기준, 출력되는 품질 정보 등이 상이할 수 있다.
도 41 내지 도 43을 참조하면, 제1 내지 제3 품질 판단 프로세스는 의료 이미지 획득 단계(S3000), 의료 이미지 품질 판단 단계(S3300), 의료 이미지 전처리 단계(S3200), 의료 이미지 세그멘테이션 단계(S3400) 또는 의료 이미지 품질 관련 정보 출력 단계(S3500)를 포함할 수 있다.
도 41을 참조하면, 제1 품질 판단 프로세스는 의료 이미지 획득 단계(S3000), 의료 이미지 품질 판단 단계(S3300), 의료 이미지 전처리 단계(S3200), 의료 이미지 세그멘테이션 단계(S3400) 및 의료 이미지 품질 관련 정보 출력 단계(S3500) 순서로 수행될 수 있다. 이 경우, 의료 이미지 품질 판단 단계(S3300)는 전처리 동작 전에 로데이터에 기초하여 이미지 품질 판단을 수행하는 것을 포함할 수 있다. 의료 이미지 전처리 단계(S3200)는 의료 이미지 품질 판단이 수행된 이미지에 대하여 전처리를 수행하는 것을 포함할 수 있다.
도 42을 참조하면, 제2 품질 판단 프로세스는 의료 이미지 획득 단계(S3000), 의료 이미지 전처리 단계(S3200), 의료 이미지 품질 판단 단계(S3300), 의료 이미지 세그멘테이션 단계(S3400) 및 의료 이미지 품질 관련 정보 출력 단계(S3500) 순서로 수행될 수 있다. 이 경우, 의료 이미지 품질 판단 단계(S3300)는 전처리가 수행된 이미지를 기초로 이미지 품질 판단을 수행하는 것을 포함할 수 있다. 의료 이미지 세그멘테이션 단계(S3400)는 의료 이미지 품질 판단이 수행된 이미지에 대하여 세그멘테이션을 수행하는 것을 포함할 수 있다.
도 43을 참조하면, 제3 품질 판단 프로세스는 의료 이미지 획득 단계(S3000), 의료 이미지 전처리 단계(S3200), 의료 이미지 세그멘테이션 단계(S3400) 의료 이미지 품질 판단 단계(S3300), 및 의료 이미지 품질 관련 정보 출력 단계(S3500) 순서로 수행될 수 있다. 이 경우, 의료 이미지 품질 판단 단계(S3300)는 전처리 동작 및 세그멘테이션 동작이 수행된 이미지에 기초하여 이미지 품질 판단을 수행하는 것을 포함할 수 있다.
도 44 및 도 45는 제4 품질 판단 프로세스를 설명하기 위한 도면이다.
도 44를 참조하면, 제4 품질 판단 프로세스는 의료 이미지 획득 단계(S3000), 제1 이미지 품질 판단 단계(S3310), 의료 이미지 전처리 단계(S3200), 의료 이미지 세그멘테이션 단계(S3400), 제2 이미지 품질 판단 단계(S3320), 제3 이미지 품질 판단 단계(S3330), 제4 이미지 품질 판단 단계(S3340) 및 의료 이미지 품질 관련 정보 출력 단계(S3500)를 포함할 수 있다.
제1 이미지 품질 판단 단계(S3310)는 전처리 동작 전에 로데이터에 기초하여 제1 이미지 품질 판단을 수행하는 것을 포함할 수 있다. 제2 내지 제4 이미지 품질 판단 단계는 전처리 동작 및 세그멘테이션 동작이 수행된 이미지에 기초하여 제2 이미지 품질 판단을 수행하는 것을 포함할 수 있다. 이때, 제2 내지 제4 이미지 품질 판단 단계의 순서는 본 명세서에서 설명하는 발명의 내용을 한정하는 것은 아니며, 각 단계의 순서는 변경될 수 있다.
예를 들어, 전처리 동작 및 세그멘테이션 동작이 수행된 이미지에 기초하여 제3 이미지 품질 판단 단계(S3330)가 수행된 후 제2 이미지 품질 판단 단계(S3320)가 수행될 수 있다. 또는, 전처리 동작 및 세그멘테이션 동작이 수행된 이미지에 기초하여 제2 이미지 품질 판단 단계(S3320)와 제3 이미지 품질 판단 단계(S3330)는 병렬적으로 수행될 수 있다.
도 45를 참조하면, 이미지 분석 장치(3000)는 이미지 획득 장치로부터 의료 이미지를 획득(S3910)할 수 있다. 이미지 분석 장치(3000)는 획득된 의료 이미지에 기초하여 1차 이미지 품질 판단을 수행(S3911)할 수 있다. 여기서, 1차 이미지 품질 판단은 의료 이미지 세그멘테이션 동작 전에 수행되는 일련의 품질 판단을 포함할 수 있다. 예를 들어, 1차 이미지 품질 판단은 의료 이미지의 메타데이터에 기초하여 수행되는 품질 판단을 포함할 수 있다.
이때, 1차 이미지 품질 판단 결과 이미지 품질이 일정 조건을 만족하지 못한다고 판단되는 경우, 이미지 분석 장치(3000)는 이미지 분석의 진행을 중단하고 의료 이미지 품질 관련 정보를 출력(S3918)할 수 있다.
1차 이미지 품질 판단 결과 이미지 품질이 일정 조건을 만족한다고 판단되는 경우, 이미지 분석 장치(3000)는 의료 이미지 세그멘테이션을 수행(S3913)할 수 있다. 또한, 이미지 분석 장치(3000)는 세그멘테이션 동작이 수행된 의료 이미지에 기초하여 2차 이미지 품질 판단을 수행(S3914)할 수 있다.
2차 이미지 품질 판단 결과 의료 이미지 내의 관심 영역에 아티팩트가 발생되지 않았다고 판단되는 경우, 이미지 분석 장치(3000)는 의료 이미지 분석을 계속하여 수행(S3917)한 후 의료 이미지 품질 관련 정보를 출력(S3918)할 수 있다.
2차 이미지 품질 판단 결과 의료 이미지 내의 관심 영역에 아티팩트가 발생되었다고 판단되는 경우, 이미지 분석 장치(3000)는 이미지 분석의 진행을 중단할 수 있다. 이 경우, 이미지 분석 장치(3000)는 이미지 분석의 진행을 중단한 후 의료 이미지 품질 관련 정보를 출력(S3918)할 수 있다. 예시적으로, 2차 이미지 품질 판단 결과 의료 이미지 내의 관심 영역에 아티팩트가 발생되었다고 판단되는 경우, 이미지 분석 장치(3000)는 이미지 분석의 진행을 중단한 후 의료 이미지를 보정한 다음 이미지 품질 판단 프로세스를 다시 수행할 수 있다. 다른 예로, 이미지 분석 장치(3000)는 이미지 분석의 진행을 중단한 후 의료 이미지를 재촬영한 다음 이미지 품질 판단 프로세스를 다시 수행할 수 있다.
2차 이미지 품질 판단 결과 의료 이미지 내의 관심 영역에 아티팩트가 발생되지 않았다고 판단되는 경우, 이미지 분석 장치(3000)는 이미지 분석을 계속하여 수행(S3917)한 후 의료 이미지 품질 관련 정보를 출력(S3918)할 수 있다.
도 46 및 도 47은 제5 품질 판단 프로세스를 설명하기 위한 도면이다.
도 46을 참조하면, 제5 품질 판단 프로세스는 의료 이미지 획득 단계(S3000), 제1 이미지 품질 판단 단계(S3310), 의료 이미지 전처리 단계(S3200), 제2 이미지 품질 판단 단계(S3320), 의료 이미지 세그멘테이션 단계(S3400), 제3 이미지 품질 판단 단계(S3330), 제4 이미지 품질 판단 단계(S3340) 및 의료 이미지 품질 관련 정보 출력 단계(S3500)를 포함할 수 있다.
제1 이미지 품질 판단 단계(S3310)는 전처리 동작 전에 로데이터에 기초하여 제1 이미지 품질 판단을 수행하는 것을 포함할 수 있다. 제2 이미지 품질 판단 단계(S3320)는 전처리 동작이 수행된 이미지에 기초하여 품질 판단을 수행하는 것을 포함할 수 있다. 제3 이미지 품질 판단 단계(S3330) 및 제4 이미지 품질 판단 단계(S3340)는 세그멘테이션 동작이 수행된 이미지에 기초하여 품질 판단을 수행하는 것을 포함할 수 있다.
제3 이미지 품질 판단 단계(S3330) 및 제4 이미지 품질 판단 단계(S3340)의 순서는 본 명세서에서 설명하는 발명의 내용을 한정하는 것은 아니며, 각 단계의 순서는 변경될 수 있다. 예를 들어, 전처리 동작 및 세그멘테이션 동작이 수행된 이미지에 기초하여 제3 이미지 품질 판단 단계(S3330)와 제4 이미지 품질 판단 단계(S3340)는 병렬적으로 수행될 수 있다.
도 47을 참조하면, 이미지 분석 장치(3000)는 이미지 획득 장치로부터 의료 이미지를 획득(S3920)할 수 있다. 이미지 분석 장치(3000)는 획득된 의료 이미지에 기초하여 1차 이미지 품질 판단을 수행(S3921)할 수 있다.
1차 이미지 품질 판단 결과 이미지 품질이 일정 조건을 만족하지 못한다고 판단되는 경우, 이미지 분석 장치(3000)는 이미지 분석의 진행을 중단하고 의료 이미지 품질 관련 정보를 출력(S3929)할 수 있다.
1차 이미지 품질 판단 결과 이미지 품질이 일정 조건을 만족한다고 판단되는 경우, 이미지 분석 장치(3000)는 2차 이미지 품질 판단을 수행(S3923)할 수 있다. 여기서, 2차 이미지 품질 판단은 이미지 세그멘테이션 동작 전에 수행되는 일련의 품질 판단을 포함할 수 있다.
이미지 분석 장치(3000)는 2차 이미지 품질 판단이 수행된 의료 이미지에 기초하여 의료 이미지 세그멘테이션을 수행(S3924)할 수 있다. 또한, 이미지 분석 장치(3000)는 의료 이미지 세그멘테이션이 수행된 세그멘테이션 정보에 기초하여 3차 이미지 품질 판단을 수행(3925)할 수 있다. 여기서, 3차 이미지 품질 판단은 이미지 세그멘테이션 동작 후에 수행되는 일련의 품질 판단을 포함할 수 있다.
3차 이미지 품질 판단 결과 의료 이미지 내의 관심 영역에 아티팩트가 발생되지 않았다고 판단되는 경우, 이미지 분석 장치(3000)는 의료 이미지 분석을 계속하여 수행한 후 의료 이미지 품질 관련 정보를 출력(S3929)할 수 있다.
3차 이미지 품질 판단 결과 의료 이미지 내의 관심 영역에 아티팩트가 발생되었다고 판단되는 경우, 이미지 분석 장치(3000)는 이미지 분석의 진행을 중단3000하고, 의료 이미지 품질 관련 정보를 출력(S3929)할 수 있다. 여기서, 의료 이미지 품질 관련 정보란 1차 내지 3차 이미지 품질 판단에 기초한 정보를 포함할 수 있다.
3차 이미지 품질 판단 결과 의료 이미지 내의 관심 영역에 아티팩트가 발생되지 않았다고 판단되는 경우, 이미지 분석 장치(3000)는 이미지 분석을 계속하여 수행한 후 의료 이미지 품질 관련 정보를 출력(S3929)할 수 있다. 여기서, 의료 이미지 품질 관련 정보란 1차 내지 3차 이미지 품질 판단에 기초한 정보를 포함할 수 있다.
본 명세서에 따른 이미지 품질 판단 프로세스는 도 44 내지 도 47에 설명된 순서 외의 다른 순서로도 구현될 수 있다.
뇌와 관련된 질환, 특히 치매와 관련하여, 뇌의 수축 정도가 지표화되어 치매 진단의 보조 지표로 사용되고 있다. 뇌의 수축 정도와 관련하여 다양한 지표가 있으며, 그 지표를 획득하기 위한 일 예로 두개골 내부 부피 분석(Intracranial Volume Analysis, ICV Analysis)이 치매 진단과 관련된 보조 지표를 제공하는데 사용되고 있다. 다만, 종래의 두개골 내부 부피 분석은, 대상체의 대상 이미지를 표준 뇌 모델에 정합시키는 방법을 사용하였다. 다만, 표준 뇌 모델에 대상체의 대상 이미지를 정합하는 방식은, 인종 간의 표준 뇌 모델의 차이가 존재하여 인종을 고려한 부피 분석이 제대로 반영되지 않아 부정확할 수 있다는 문제가 존재하였다. 또한, 개인별 두뇌 구조를 표준 뇌 모델에 정합시킴에 따라, 개인의 두뇌에 대한 특성을 반영하는 부피 분석에는 한계가 존재한다는 문제가 존재하였다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 대상체의 대상 이미지를 표준 뇌 모델에 정합하지 않고, 대상 이미지의 세그멘테이션을 수행하여 대상체의 두개골과 그 내부 영역을 획득할 수 있으며, 이에 기초한 두개골 내부 부피 분석의 정확도가 개선될 수 있다는 유리한 효과를 제공할 수 있다.
이하에서는 도 48 내지 도 57을 참고하여, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)에 의해 구현되는 부피 분석 방법을 구체적으로 서술한다.
도 48을 참고한다. 도 48은 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)에 의해 구현되는 이미지 분석 방법의 일 동작을 도시한 흐름도이다. 구체적으로 도 48은 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)에 의해 구현되는 뇌의 형태학적 지표를 획득하는 동작을 도시한 흐름도이다.
본 출원의 일 실시예에 따른 이미지 분석 방법은 이미지를 획득하는 단계(S4100); 이미지의 전처리 단계 및 이미지 정렬 단계(S4200), 이미지 세그멘테이션 단계(S4300) 및 형태학적 지표를 획득하는 단계(S4400)를 포함할 수 있다.
이미지를 획득하는 단계(S4100)에서, 이미지 분석 장치(2000)는 이미지 획득 장치(1000)로부터 대상 이미지를 획득할 수 있다.
이미지의 전처리 및 이미지의 정렬 단계(S4200)에서는, 상술한 이미지의 전 처리 동작들이 수행될 수 있다. 예를 들어, 이미지의 전처리 및 이미지의 정렬 단계(S4200)에서, 이미지 분석 장치(2000)는 대상 이미지의 형식의 변환, 이미지의 노이즈 제거 혹은 이미지의 인텐시티(intensity) 보정과 같은 대상 이미지의 전 처리 동작을 수행하도록 구현될 수 있다.
또한, 이미지의 전처리 및 이미지의 정렬 단계(S4200)에서는, 도 5 내지 도 6과 관련하여 상술한, 이미지의 정렬 동작들이 수행될 수 있다. 대상 이미지를 정렬함으로써, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 신경망 모델의 학습 데이터의 이미지의 방향과 대응되는 방향을 가진 대상 이미지를 신경망 모델에 입력할 수 있어, 통일된 기준 하에 분석 결과를 도출할 수 있다.
일 예로, 이미지 분석 장치(2000)는 대상 이미지에 대하여 메타데이터(metadata)로서 구조화된 뇌 이미지의 방향(orientation)과 관련된 데이터에 기초하여 이미지의 방향을 정렬하는 동작을 수행하도록 구현될 수 있다. 예를 들어, 이미지 분석 장치(2000)는 대상 이미지의 메타 데이터를 이용하여, 촬영된 뇌 이미지를 대상체의 좌우(left, right), 전후(anterior, posterior), 상하(superial, inferior)에 대하여 일치시키는 이미지 정렬 동작을 수행할 수 있다.
다른 예로, 이미지 분석 장치(2000)는, 이미지의 정렬 동작의 한 방법으로서 대상 이미지의 공간 정규화를 수행하도록 구현될 수 있다. 구체적으로 이미지 분석 장치(2000)는 뇌 템플릿에 기초하여 대상 이미지의 공간 정규화를 수행하도록 구현될 수 있다. 보다 구체적으로 이미지 분석 장치(2000)는 대상 이미지를 뇌 템플렛에 정합함으로써 대상 이미지의 공간적 분포를 인공 신경망 모델에 대하여 최적의 상태가 되도록 대상 이미지의 좌표를 변환하고, 대상 이미지를 정렬할 수 있다.
일 예로, 이미지 분석 장치(2000)는 대상 이미지 내의 특징 영역을 기초로 하여 대상 이미지를 정렬하는 동작을 수행하도록 구현될 수 있다.
도 49를 참고한다. 도 49는 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)에 의해 구현되는 이미지 정렬 방법의 예시적인 도면이다.
예를 들어, 도 49를 참고하면, 뇌 이미지에는 전측 교련(anterior commissure, AC)과 후측 교련(posterior commissure, PC)에 대응되는 특징 영역이 존재할 수 있다. 이때, 이미지 분석 장치(2000)는 전측 교련(AC)과 후측 교련(PC)을 연결하는 AC-PC 라인을 기준으로 대상 이미지의 공간 정렬(spatial alignment) 동작을 수행하도록 구현될 수 있다.
예를 들어, 제1 이미지는 제1 방향에서 촬영되었으며, 제2 이미지는 제2 방향에서 촬영되었으며, 제3 이미지는 제3 방향에서 촬영되었을 수 있다. 랜덤한 방향에서 촬영이 되었기 때문에 이미지 획득 장치(1000)로부터 획득된 이미지들은 공간적으로 정렬이 되지 않은 상태일 수 있다. 이때, 이미지 분석 장치(2000)는 각 이미지들을 공간적으로 정렬함으로써 이미지의 방향을 통일시킬 수 있다.
예컨대, 제1 이미지는 전측 교련(AC1)과 후측 교련(PC1)을 연결하는 AC-PC 라인(L1)이 제1 방향으로 향하는 상태로 획득될 수 있으며, 제2 이미지는 전측 교련(AC2)과 후측 교련(PC2)을 연결하는 AC-PC 라인(L2)이 제2 방향으로 향하는 상태로 획득될 수 있으며, 제3 이미지는 전측 교련(AC3)과 후측 교련(PC3)을 연결하는 AC-PC 라인(L3)이 제3 방향으로 향하는 상태로 획득될 수 있다.
이때, 이미지 분석 장치(2000)는 각 이미지들의 AC-PC 라인(L1, L2, L3)가 공간적으로 동일한 기준 방향을 향하도록 이미지를 정렬하도록 구현될 수 있다.
예를 들어, 이미지 분석 장치(2000)는 제1 이미지가 획득된 AC-PC 라인(L1)을 기준 방향으로 하여, 제2 이미지와 제3 이미지를 정렬시킬 수 있다.
다른 예를 들어, 이미지 분석 장치(2000)는 사용자로부터 기준 방향에 대한 입력을 획득할 수 있으며, 사용자의 입력에 기초하여 제1 이미지, 제2 이미지 및 제3 이미지를 정렬할 수 있다.
다만, 상술한 내용은 예시에 불과하며, 이미지 분석 장치(2000)가 분석할 대상 이미지의 방향을 통일시키도록 임의의 기준 방향에 대하여 대상 이미지를 정렬시킬 수 있다.
또한, 상술한 바에 따르면, 이미지 내의 특징 영역을 전측 교련, 후측 교련으로 설명하였으나 이는 예시에 불과하며, 대상 이미지의 공간 정렬을 수행하기 위한 임의의 적절한 특징 영역이 활용될 수 있을 것이다. 예를 들어, 두 안구의 중심과 두 안구의 중심을 연결한 라인이 동일한 방향을 향하도록 이미지를 정렬하도록 이미지 분석 장치(2000)가 구현될 수 있다.
또한, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 상술한 AC-PC 라인(혹은 평면)에 기초하여 생성된 템플릿에 대하여, 대상 이미지를 정합함으로써 대상 이미지를 정렬하도록 구현될 수 있다. 다시 말해 도 49와 관련하여 대상 이미지에 포함된 이미지들의 AC-PC 라인이 동일한 방향이 되도록 대상 이미지를 정렬하는 방식으로 설명하였으나, 이에 제한되지 않고 AC-PC 라인에 대한 정보가 포함된 표준 템플릿이 생성될 수 있으며, 대상 이미지를 표준 템플릿에 정합시킴으로써 대상 이미지를 정렬할 수도 있다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 대상 이미지의 공간 정렬을 수행함으로써, 인공신경망을 이용하는 대상 이미지의 세그멘테이션 정확도를 향상시킬 수 있다.
또한, 두개골 내부 부피 분석(Intracranial Volume Analysis, ICV Analysis)과 같은 부피 분석 시, 체적 값을 계산할 내부 영역을 정의해야 하는데, 일 실시예에 따른 이미지 분석 장치(2000)는 공통된 기준에 따라 정렬된 대상 이미지에 대하여 내부 영역을 정의하도록 구현될 수 있기 때문에 부피 분석의 재현성이나 정확도를 높일 수 있다.
이미지 세그멘테이션 단계(S4300)에서, 이미지 분석 장치(2000)는, 도 7 내지 도 17과 관련하여 상술한 이미지 세그멘테이션 동작에 따라, 대상 이미지의 세그멘테이션을 수행할 수 있다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 후술할 형태학적 지표의 일 예로서, (타겟 요소에 대응되는 형태학적 값/제2 내부영역에 대응되는 형태학적 체적값)을 획득하도록 구현될 수 있다. 이때, 형태학적 지표를 계산하기 위하여는, 이미지 분석 장치(2000)는 대상 이미지로부터 적어도 타겟 요소에 대응되는 영역과 제2 내부 영역에 대응되는 영역을 획득하여야 한다.
이때, 제2 내부 영역은 두개골의 내부 영역에 포함된 영역일 수 있다. 따라서, 이미지 분석 장치(2000)는 대상 이미지로부터 적어도 두개골에 대응하는 영역과 두개골의 내부 영역을 획득하도록 구현될 수 있다.
또한, 이미지 분석 장치(2000)는 대상 이미지로부터 획득된 두개골의 내부 영역과 관련된 바운더리를 수정함으로써 제2 내부 영역을 획득할 수 있다. 이때, 두개골의 내부 영역과 관련된 바운더리를 수정하기 위하여 레퍼런스 영역이 기초가 될 수 있다. 따라서, 이미지 분석 장치(2000)는 대상 이미지로부터 레퍼런스 영역에 대응되는 영역을 획득하도록 구현될 수 있다.
따라서, 이미지 분석 장치(2000)의 세그멘테이션 동작에 의해 대상 이미지는 적어도 두개골 영역 및 타겟 요소에 대응되는 영역을 포함하는 복수의 영역으로 구획될 수 있다. 또한, 이미지 분석 장치(2000)의 세그멘테이션 동작에 의해 후술할 두개골의 내부 영역의 바운더리를 수정하기 위해 기준이 되는 레퍼런스 영역이 추가적으로 획득될 수 있다.
일 예로, 두개골의 내부 영역의 바운더리를 수정하기 위해 기준이 되는 레퍼런스 영역은 소뇌에 대응되는 영역 혹은 목뼈(cervical vertebrae)에 대응되는 영역일 수 있다. 다만, 이는 예시에 불과하며 두개골의 내부 영역을 정의하기 위하여 필요에 따라 임의의 뇌 요소에 대응되는 영역을 레퍼런스 영역으로 획득할 수 있음은 자명하다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 세그멘테이션에 의해 획득된 두개골 영역에 기초하여 두개골의 내부 영역을 획득할 수 있다.
본 출원의 일 실시예에 따른 이미지 분석 방법에 따르면, 이미지 분석 장치(2000)는 형태학적 지표를 계산(S4400)할 수 있다. 이때, 형태학적 지표는 이미지로부터 획득될 수 있는 정략적인 정보 혹은 정성적인 정보를 포괄하는 정보로 해석될 수 있을 것이다.
일 예로, 본 출원의 일 실시예에 따른 이미지 분석 방법에 의하면, 형태학적 지표로서 뇌의 체적과 관련된 형태학적 지표를 획득될 수 있다.
뇌의 체적과 관련된 형태학적 지표의 형태는 다양할 수 있다.
예를 들어, 형태학적 지표는 NBV(Normalized brain parenchymal volume), RBPV(Regional Brain Parenchymal volume) 등을 포함할 수 있다.
다른 예를 들어, 본 출원의 일 실시예에 따른 이미지 분석 방법에 의하면, ICV와 관련된 형태학적 지표를 계산하도록 구현될 수 있다. 이때, ICV와 관련된 형태학적 지표는 (타겟 요소에 대응되는 형태학적 값/제2 내부영역에 대응되는 형태학적 체적값)으로 정의될 수 있으며, ICV와 관련된 형태학적 지표는 뇌질환(예, 우울증, 치매) 진단의 보조 지표로 사용될 수 있다.
이하에서는 정확도가 개선되고 개인화된 ICV와 관련된 형태학적 지표를 계산하기 위한 본 출원의 일 실시예에 따른 이미지 분석 방법을 중심으로 설명한다.
형태학적 지표를 계산하는 단계(S4400)에서는, 이미지 분석 장치(2000)는, 두개골의 내부 영역의 바운더리를 수정하며, 수정된 바운더리에 기초하여 형태학적 지표를 계산하는 동작을 수행하도록 구현될 수 있다.
이하에서는 도 50을 참고하여 형태학적 지표를 계산하는 단계(S4400)에 대하여 보다 구체적으로 서술한다. 도 50은 본 출원의 일 실시예에 따른 이미지 분석 방법의 흐름도를 나타낸 도면이며, 구체적으로 도 48의 상기 S4400 단계를 세분화한 도면이다.
도 50을 참고하면, 본 출원의 일 실시예에 따른 형태학적 지표를 계산하는 단계(S4400)는, 두개골의 제1 내부영역의 제1 바운더리를 획득하는 단계(S4410), 제1 바운더리를 수정하여 제2 바운더리를 갖는 제2 내부 영역을 획득하는 단계(S4420), 제2 내부 영역의 형태학적 체적값을 획득하는 단계(S4430), 타겟 요소에 대응되는 영역의 형태학적 체적 값을 획득하는 단계(S4440) 및 형태학적 체적 지표를 계산하는 단계(S4450)를 더 포함할 수 있다.
구체적으로, 형태학적 지표를 계산하는 단계(S4400)에서, 이미지 분석 장치(2000)는 이미지 세그멘테이션 단계(S4300)에서 획득된 두개골 영역에 기초하여 두개골의 제1 내부 영역 및 두개골의 제1 내부 영역에 대응되는 제1 바운더리를 획득할 수 있다.
도 51을 참고한다. 도 51은 본 출원의 일 실시예에 따른 두개골의 제1 내부 영역의 제1 바운더리를 수정하는 방법의 일 예를 도시한 도면이다.
도 51을 참고하면, 이미지 분석 장치(2000)는 이미지 세그멘테이션 단계(S4300)에서 획득된 두개골 영역(SR)에 기초하여 두개골의 제1 내부영역(IR1)을 획득할 수 있다. 또한, 이미지 분석 장치(2000)는 획득한 두개골의 제1 내부영역(IR1)에 기초하여 두개골의 제1 내부영역(IR1)에 대응되는 제1 바운더리(BD1)를 획득할 수 있다.
일 예로, 이미지 분석 장치(2000)는 이미지 세그멘테이션 단계(S4300)에서 뇌 척수액(CSF)에 대응되는 영역을 획득할 수 있으며, 뇌 척수액(CSF)에 대응되는 영역에 기초하여 두개골 영역을 획득할 수 있다. 예를 들어, 이미지 분석 장치(2000)는 뇌 척수액(CSF)에 대응되는 영역의 외부 바운더리를 두개골 영역의 내부 바운더리로 하여 두개골 영역을 획득할 수 있다.
이때, 이미지 분석 장치(2000)는 뇌 척수액(CSF)에 대응되는 영역의 외부 바운더리를 제1 바운더리(BD1)로 획득할 수 있다.
혹은, 이미지 분석 장치(2000)는 뇌 척수액(CSF)에 대응되는 영역의 내부 바운더리를 제1 바운더리(BD1)로 획득할 수 있다.
다만, 상술한 제1 바운더리는 예시에 불과하며 이미지 분석 장치(2000)는 뇌 척수액(CSF)에 대응되는 영역의 외부 바운더리와 내부 바운더리의 사이의 임의의 영역들로 구성된 제1 바운더리(BD1)로 획득할 수 있다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 획득된 두개골의 내부 영역(예, 제1 내부영역 혹은 후술할 제2 내부 영역)에 대응되는 바운더리를 스무딩하거나 보정할 수 있다. 구체적으로 획득된 두개골의 내부 영역에 대응되는 바운더리들이 선명하지 않거나 오차가 존재할 가능성이 존재할 수 있다. 따라서, 이미지 분석 장치(2000)는 획득된 두개골의 내부 영역에 대응되는 바운더리에 대응되는 바운더리를 스무딩하거나 바운더리와 관련된 오차를 보정할 수 있다.
예컨대, 바운더리가 선명하지 않은 경우에는, 이미지 분석 장치(2000)는 상술한 이미지 전처리 기법 등과 같이 임의의 적절한 이미지의 인텐시티 보정 방법 및 스무딩 방법을 사용하도록 구현될 수 있다.
예컨대, 획득된 바운더리에 오차가 존재하는 경우에는, 이미지 분석 장치(2000)는 입력 모듈을 통하여 바운더리를 수정하는 사용자 입력을 획득할 수 있으며, 사용자 입력에 기초하여 바운더리를 수정하도록 구현될 수 있다. 혹은 이미지 분석 장치(2000)는 상술한 이미지 전처리 기법 등과 같이 임의의 적절한 노이즈 제거 방법 등을 사용하도록 구현될 수 있다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 이미지 세그멘테이션 단계(S4300)에서 획득된 레퍼런스 영역(RR)에 기초하여 두개골의 제1 내부영역(IR1)와 관련된 제1 바운더리(BD1)의 일부를 수정하는 동작을 수행할 수 있다.
대상 이미지마다 이미지의 촬영 방식에 따라 획득된 이미지 내에 포함된 뇌에 대응되는 영역의 위치나 크기 등이 상이할 수 있다.
예를 들어, 제1 촬영 방식에 의해 획득된 두개골의 제1 내부 영역이 포함하는 뇌 영역과 제2 촬영 방식에 의해 획득된 두개골의 제1 내부 영역이 포함하는 뇌 영역이 상이할 수 있다.
따라서, 질병 진단 보조에 유관한 정보를 제공하는데 필요한 영역을 포함하면서도 이미지의 촬영 방식에 영향을 받지 않는 바운더리 정의 방식이 필요하다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는, 두개골의 제1 내부 영역에 대응되는 제1 바운더리의 일부를 수정할 수 있으며, 대상 이미지에 대하여 "공통된 기준"에 기초하여 제1 바운더리의 일부를 수정하는 동작을 수행할 수 있기 때문에 질병 진단 보조에 의미있는 정보를 획득할 수 있으며 대상 이미지마다 공통된 기준에 따라 질병 진단 보조 지표를 획득할 수 있다.
이하에서는 도 51 및 도 52를 참고하여, 본 출원의 일 실시예에 따른 두개골의 제1 내부 영역의 제1 바운더리를 수정하는 방법의 일 예를 서술한다. 도 52는 본 출원의 일 실시예에 따른 두개골의 제1 내부 영역의 제1 바운더리를 수정하는 방법에 따라 획득된 제2 내부영역의 일 예를 도시한 도면이다.
상술한 이미지 세그멘테이션 단계(S4300)에서 획득된 제1 바운더리(BD1)는 3D의 바운더리일 수 있다.
이때, 이미지 분석 장치(2000)는 질병 진단 보조에 의미 있는 정보를 제공하기 위한 필요 영역을 획득하기 위해, 3D인 제1 바운더리를 수정하기 위하여, 수정의 기준이 되는 기준 평면(혹은 2D 이미지 슬라이스, RP)를 획득할 수 있다. 또한, 기준 평면(RP)을 획득하기 위하여 이미지 분석 장치(2000)는 도 51 및 도 52에 도시된 바와 같이 시상면(Saggital plane) 이미지에 포함된 특징 영역을 이용할 수 있다.
예컨대, 이미지 분석 장치(2000)는 레퍼런스 영역(RR)과 관련된 기준 평면(RP)을 획득할 수 있다. 이미지 분석 장치(2000)는 대상 이미지로부터 레퍼런스 영역(RR)에 인접하는 기준 평면(RP)을 획득할 수 있다. 예를 들어, 이미지 분석 장치(2000)는 레퍼런스 영역(RR)을 정의하는 바운더리의 하부 가장자리(inferior edge)에 인접하는 평면을 기준 평면(RP)으로 획득할 수 있다. 기준 평면(RP)은 타겟 이미지의 횡평면(transverse plane)과 평행하고 시상면(Saggital plane)에 대하여 수직한 평면일 수 있다. 이때, 레퍼런스 영역(RR)은 소뇌에 대응되는 영역일 수 있다.
이미지 분석 장치(2000)는 획득한 기준 평면(RP)에 기초하여 제1 내부영역의 제1 바운더리의 일부를 수정하여 제2 바운더리(BD2)를 획득할 수 있다. 예컨대, 이미지 분석 장치(2000)는 기준 평면(RP)의 하측(bottom side)에 위치하는 제1 바운더리(BD1)의 부분을 수정하고 기준 평면(RP)의 상측(upper side)에 위치하는 제1 바운더리(BD1)에 기초하여 제2 바운더리(BD2)를 획득할 수 있다.
좀 더 구체적으로 이미지 분석 장치(2000)는 기준 평면(RP)의 하측에 위치하는 제1 바운더리의 부분을 상기 기준 평면(RP)에 포함된 기준선이나 기준면으로 대체함으로써, 제1 바운더리를 수정하도록 구현될 수 있다.
이미지 분석 장치(2000)는 제1 바운더리를 수정하여 제2 바운더리를 획득할 수 있으며, 제2 바운더리를 갖는 두개골의 제2 내부 영역을 획득할 수 있다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 기준 평면(RP)에 기초하여 제1 바운더리(BD1)의 일부를 수정함으로써, 질병 진단 보조에 유관한 정보를 제공하는데 필요한 영역인 제2 내부 영역(BD2)을 획득할 수 있으며, 대상 이미지에 대하여 공통된 기준에 따라 획득된 제2 내부 영역(BD2)에 기초하여 형태학적 지표를 계산할 수 있기 때문에 질병 진단 보조에 의미있는 정보가 획득될 수 있다.
도 52를 참고하면, 이미지 분석 장치(2000)는 레퍼런스 영역(RR)에 인접하는 기준 평면(RP, 예, 레퍼런스 영역(RR)의 하부 가장자리(inferior edge)를 포함하는 기준 평면)을 기준으로 제1 바운더리(BD1)의 일부를 수정하여, 제2 바운더리(BD2)를 갖는 두개골의 제2 내부 영역(IR2)을 획득할 수 있다. 이때, 도 51과 비교하면, 기준 평면(RP)의 하측에 있는 제1 바운더리(BD1)의 부분이 기준 평면(RP)의 기준면으로 대체됨으로써, 제1 바운더리(BD1)가 수정된 것을 확인할 수 있다. 또한, 제1 바운더리(BD1)를 수정함으로써, 제2 바운더리(BD)를 갖는 제2 내부 영역(IR2)이 획득될 수 있다.
도 51 및 52에서는 뇌 이미지 중 시상면(sagittal plane)과 관련된 뇌 이미지에 대하여만 두개골의 제1 내부 영역(IR)의 제1 바운더리(BD1)의 일부를 수정하는 예를 도시하였으나, 이미지 분석 장치(2000)는 뇌 이미지 중 관상면(coronal plane) 및 횡평면(transverse plane)과 관련된 뇌 이미지에 대하여도 대응되는 바운더리 수정 동작을 수행할 수 있다.
이하에서는 도 53을 참고하여, 본 출원의 일 실시예에 따른 두개골의 제1 내부 영역의 제1 바운더리를 수정하는 방법의 다른 예를 서술한다. 도 53은 본 출원의 일 실시예에 따른 두개골의 제1 내부 영역의 제1 바운더리를 수정하는 방법의 다른 예를 도시한 도면이다.
도 53을 참고하면, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 목뼈(cervical vertebrae)에 대응되는 영역을 레퍼런스 영역(RR)으로 하여 두개골의 제1 내부영역(IR1)의 제1 바운더리(BD1)의 일부를 수정하도록 구현될 수 있다.
일 예로, 이미지 분석 장치(2000)는 목뼈와 관련된 C1 영역을 획득할 수 있다. 이때, 이미지 분석 장치(2000)는 목뼈(cervical vertebrae)와 관련된 C1 영역에 기초하여 두개골의 제1 내부영역(IR1)의 제1 바운더리(BD1)의 일부를 수정할 수 있다.
이미지 분석 장치(2000)는 대상 이미지로부터 제1 특징 영역 및 제2 특징 영역을 획득할 수 있다. 예를 들어, 제1 특징 영역은 전측 교련(AC)에 대응되는 영역일 수 있으며, 제2 특징 영역은 후측 교련(PC)에 대응되는 영역일 수 있다.
이미지 분석 장치(2000)는 제1 특징 영역으로부터 제1 특징점을 산출하며, 제2 특징 영역으로부터 제2 특징점을 산출하도록 구현될 수 있다.
예를 들어, 이미지 분석 장치(2000)는 제1 특징 영역일 수 있는 전측 교련(AC)에 대응되는 영역의 중심점이나 전측 교련(AC)에 대응되는 영역을 정의하는 바운더리에 포함된 상부 가장자리(Superior edge), 하부 가장자리(inferior edge) 등에 대응되는 영역에 기초하여 제1 특징점을 산출할 수 있다. 또한 이미지 분석 장치(2000)는 제2 특징 영역일 수 있는 후측 교련(PC)에 대응되는 영역의 중심점 혹은 후측 교련(PC)에 대응되는 영역을 정의하는 바운더리에 포함된 상부 가장자리(Superior edge), 하부 가장자리(inferior edge) 등에 대응되는 영역에 기초하여 제2 특징점을 산출할 수 있다.
또한, 이미지 분석 장치(2000)는 산출된 제1 특징점 및 제2 특징점에 기초하여 기준 평면을 획득할 수 있다.
예컨대, 이미지 분석 장치(2000)는, 시상면(Saggital) 상에서 전측 교련(AC)의 중심점과 후측 교련(PC)의 중심점에 기초하여 기준 방향을 획득할 수 있다. 예를 들어, 이미지 분석 장치(2000)는 전측 교련(AC)의 중심점과 후측 교련(PC)의 중심점을 연결하는 기준 방향을 획득할 수 있다. 이때, 이미지 분석 장치(2000)는, 레퍼런스 영역(RR)에 인접하며 기준 방향과 평행한 기준 평면(P2)를 획득할 수 있다.
다른 예를 들어, 이미지 분석 장치(2000)는 전측 교련(AC)의 중심점과 후측 교련(PC)의 중심점을 포함하고, 시상면(Saggital)에 수직한 제1 평면(P1)을 획득할 수 있다. 이때, 이미지 분석 장치(2000)는 레퍼런스 영역(RR)에 인접하며 제1 평면(P1)과 평행한 기준 평면(P2)를 획득할 수 있다.
이미지 분석 장치(2000)는 기준 평면(P2)에 기초하여 제1 내부영역의 제1 바운더리(B1)의 일부를 수정하여 제2 바운더리(BD2)를 획득할 수 있다. 예컨대, 이미지 분석 장치(2000)는 기준 평면(P2)의 하측(bottom side)에 위치하는 제1 바운더리(BD1)의 부분을 수정하고 기준 평면(P2)의 상측(upper side)에 위치하는 제1 바운더리(BD1)에 기초하여 제2 바운더리(BD2)를 획득할 수 있다.
좀 더 구체적으로 이미지 분석 장치(2000)는 기준 평면(P2)의 하측에 위치하는 제1 바운더리(BD1)의 부분을 상기 기준 평면(P2)에 포함된 기준선이나 기준면으로 대체함으로써, 제1 바운더리(BD1)를 수정하도록 구현될 수 있다
이미지 분석 장치(2000)는 수정된 제1 바운더리에 기초하여 제2 바운더리(BD2)를 획득할 수 있으며, 제2 바운더리(BD2)를 갖는 두개골의 제2 내부 영역(IR2)을 획득할 수 있다.
도 53에서는 뇌 이미지 중 시상면(sagittal plane)과 관련된 뇌 이미지에 대하여만 두개골의 제1 내부 영역(IR)의 제1 바운더리(BD1)의 일부를 수정하는 예를 도시하였으나, 이미지 분석 장치(2000)는 뇌 이미지 중 관상면(coronal plane) 및 횡평면(transverse plane)과 관련된 뇌 이미지에 대하여도 대응되는 바운더리 수정 동작을 수행할 수 있다.
또한, 도 53에서는 목뼈(cervical vertebrae)의 C1 영역에 기초하여 두개골의 제1 내부영역(IR1)의 제1 바운더리(BD1)의 일부를 수정하는 것으로 서술하였으나, 반드시 목뼈(cervical vertebrae)의 C1 영역에 기초하여 제1 바운더리(BD1)를 수정하는 것에 제한되지 않는다. 예를 들어 목뼈(cervical vertebrae)의 다른 영역들에 기초하여 제1 바운더리(BD1)를 수정할 수도 있으며, 뇌 이미지 내에 두드러지는 특징을 가진 영역에 기초하여 제1 바운더리(BD1)를 수정하도록 이미지 분석 장치(2000)가 구현될 수 있다.
또한, 도 53에서는, 기준 평면(P2)을 전측 교련(AC) 및 후측 교련(PC)에 기초하여 획득된 제1 평면(P1)에 평행한 평면으로 예시하였으나, 이는 예시에 불과하며, 이미지 분석 장치(2000)는 대상 이미지의 횡평면(transverse plane)과 평행하며 C1 영역을 포함하는 평면을 기준 평면(P2)으로 획득할 수 있으며, 기준 평면(P2)에 기초하여 제1 바운더리(BD1)를 수정하도록 구현될 수 있다.
또한, 도 51 내지 도 53에 의하면, 이차원 이미지에 대하여 바운더리를 수정하는 것으로 도시되었으나, 이는 설명의 편의를 위한 것일 뿐, 3차원 이미지에 대하여 바운더리를 수정하여 내부영역을 획득하는 것으로 해석되어야 할 것이다.
다시 도 50을 참고하면, 본 출원의 일 실시예에 따른 이미지 분석 방법은, 제2 내부 영역의 형태학적 체적값을 획득하는 단계(S4430)를 포함할 수 있다.
구체적으로, 제2 내부 영역의 형태학적 체적값을 획득하는 단계(S4430)에서, 이미지 분석 장치(2000)는 획득한 제2 내부 영역에 기초하여 형태학적 체적값을 계산할 수 있다. 구체적으로 이미지 분석 장치(2000)는 제2 내부 영역에 대응되는 복셀 데이터에 기초하여 제2 내부 영역에 대응되는 형태학적 체적값을 획득할 수 있다.
또한, 본 출원의 일 실시예에 따른 이미지 분석 방법은, 타겟 요소의 형태학적 체적값을 획득하는 단계(S4440)를 포함할 수 있다.
구체적으로, 타겟 요소의 형태학적 체적값을 획득하는 단계(S4440)에서, 이미지 분석 장치(2000)는 이미지 세그멘테이션 단계(S4300) 단계에서 획득한 타겟 요소에 대응하는 영역에 기초하여, 타겟 요소와 관련된 형태학적 체적값을 계산할 수 있다. 구체적으로 이미지 분석 장치(2000)는 타겟 요소에 대응되는 복셀 데이터에 기초하여 타겟 요소에 대응되는 형태학적 체적값을 획득하도록 제공될 수 있다.
또한, 본 출원의 일 실시예에 따른 이미지 분석 방법은, 형태학적 지표를 계산하는 단계(S4450)를 포함할 수 있다. 구체적으로 형태학적 지표를 계산하는 단계(S4450)에서, 이미지 분석 장치(2000)는 상기 S4430 단계에서 획득된 제2 내부 영역에 대응되는 형태학적 체적 값과 상기 S4450 단계에서 획득된 타겟 요소에 대응되는 형태학적 체적 값에 기초하여 형태학적 지표를 계산할 수 있다.
일 예로, 형태학적 지표는 제2 내부 영역에 대응되는 형태학적 체적 값에 대한 타겟 요소에 대응되는 형태학적 체적 값의 비율로 정의되는 지표일 수 있다.
예를 들어, 형태학적 지표=(타겟 요소에 대응되는 형태학적 값/제2 내부영역에 대응되는 형태학적 체적값)일 수 있다.
또한, 계산된 형태학적 지표는 치매, 우울증, 뇌졸증 등과 관련된 뇌 질환과 관련된 진단 보조 지표로서 의미 있는 정보를 제공할 수 있다.
도 48 및 도 50에는 도시되지 않았으나, 상기 S4430 단계에서 획득된 제2 내부영역에 대응되는 형태학적 체적 값과 상기 S4440 단계에서 획득된 타겟 요소에 대응되는 형태학적 체적 값 각각은, 스캔 조건과 관련된 보정 파라미터 혹은 타겟 요소의 위치와 관련된 보정 파라미터에 기초하여 보정될 수 있다. 이때, 이미지 분석 장치(2000)는 제2 내부영역에 대응되는 형태학적 보정 체적 값과 타겟 요소에 대응되는 형태학적 보정 체적 값에 기초하여 형태학적 지표를 최종적으로 계산하도록 구현될 수 있다. 이와 관련하여는, 도 58 내지 도 67과 관련하여 자세히 후술한다.
이하에서는 도 54 내지 도 57을 참고하여, 본 출원의 일 실시예에 따라 출력되는 형태학적 지표와 관련된 정보들의 예시 및 그 정보들을 출력하기 위한 이미지 획득 장치(2000)의 동작을 설명한다. 도 54 내지 도 57은 본 출원의 일 실시예에 따라 출력되는 형태학적 지표와 관련된 정보들을 도시한 예시적인 도면이다.
후술할 출력되는 형태학적 지표와 관련된 정보들은 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)의 출력 모듈(2050) 혹은 출력 장치(2600)를 통하여 출력될 수 있다.
도 54를 참고하면, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)로부터 출력되는 형태학적 지표와 관련된 정보는 전체 두개골 내 용적(ICV, Info. 1)을 포함할 수 있다.
예를 들어, 전체 두개골 내 용적(ICV, Info. 1)은 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)가 대상 이미지의 두개골의 내부 영역에 대응되는 복셀 데이터에 기초하여 획득한 체적 값일 수 있다.
이때, 상술한 바와 같이, 이미지 분석 장치(2000)는 두개골의 내부 영역을 정의하기 위하여 대상 이미지의 세그멘테이션 결과에 기초하여 획득된 두개골의 제1 내부영역의 제1 바운더리의 일부를 수정하여 제2 바운더리를 갖는 제2 내부영역을 획득할 수 있다. 이때, 바람직한 실시예에 따르면, 전체 두개 내 용적(ICV, Info. 1)은 제2 내부 영역에 대응되는 대상 이미지의 복셀 데이터에 기초하여 획득된 값일 수 있다.
도 54를 다시 참고하면, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)로부터 출력되는 형태학적 지표와 관련된 정보는 타겟 요소들의 부피(Info. 2), 형태학적 지표(Info. 3) 및 형태학적 지표의 백분위 정보(Info. 4)를 포함할 수 있다. 다시 말해, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 타겟 요소들의 부피(Info. 2), 형태학적 지표(Info. 3) 및 형태학적 지표의 백분위(Info. 4)를 포함한 형태학적 지표와 관련된 정보를 출력할 수 있다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)로부터 출력되는 정보는 타겟 요소는 뇌에 위치하는 다양한 영역과 관련된 정보일 수 있다. 이때, 타겟 요소는 뇌 질환과 유의미하게 관련된 영역일 수 있다. 예를 들어, 타겟 요소는 치매와 같은 뇌 질환과 관련된 해마, 외측 뇌실, 전두엽, 측두엽, 두정엽, 후두엽, 편도체와 관련된 영역일 수 있다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 대상 이미지를 상술한 영역들을 포함하는 복수의 뇌 영역으로 세그멘테이션한 후, 각각의 영역에 대응되는 복셀 데이터에 기초하여 타겟 요소들의 각각의 부피 값(체적 값)을 획득하여 출력하도록 제공될 수 있다.
또한, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 획득된 타겟 요소들의 부피 값을 획득하고, 대상 이미지가 촬영된 스캔 조건 혹은 타겟 요소의 위치 등을 고려하여 타겟 요소들의 부피 값을 보정할 수 있다.
이때, 도 54의 타겟 요소들의 부피(Info. 2)는 보정된 부피 값일 수 있다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)로부터 출력되는 형태학적 지표(Info. 3)는 두개골의 내부 영역에 대응되는 체적과 타겟 요소에 대응되는 영역의 체적의 비율일 수 있다. 예를 들어, 도 54를 참고하면, 이미지 분석 장치(2000)로부터 출력되는 형태학적 지표(Info. 3)는 전체 두개 내 용적(ICV, Info. 1)에 대한 타겟 요소들의 체적값(혹은 부피값, Info. 2)의 비율일 수 있다.
다만, 이는 예시에 불과하며, 체적에 제한되지 않고 임의의 적절한 뇌 질환과 관련된 형상, 길이, 두께 등과 관련된 형태학적 지표를 획득하여 출력하도록 이미지 분석 장치(2000)가 제공될 수 있을 것이다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 형태학적 지표 데이터베이스를 획득하고, 이에 기초하여 대상체의 형태학적 지표의 백분위(Info. 4)를 획득할 수 있다. 이미지 분석 장치(2000)로부터 출력되는 형태학적 지표의 백분위(Info. 4)는 비교 대상군의 형태학적 지표들에서 위치하는 대상체의 형태학적 지표(Info. 3)의 백분위와 관련된 정보일 수 있다. 이때, 비교 대상군은 대상 이미지의 대상체의 성별 혹은 나이를 고려하여 획득된 대상군일 수 있다.
구체적으로, 이미지 분석 장치(2000)는, 비교 대상 뇌 이미지에 기초하여 획득된 형태학적 지표를 하나 이상 포함하는 형태학적 지표 데이터베이스를 이용하여, 대상체의 형태학적 지표의 백분위 정보를 획득할 수 있다.
예컨대, 이미지 분석 장치(2000)는, 형태학적 지표 데이터베이스로부터 획득된 ICV와 관련된 형태학적 값이나 형태학적 지표를 하나 이상 포함하는 ICV 데이터를 획득하고, 대상체의 대상 이미지에 기초하여 획득된 ICV와 관련된 형태학적 값이나 형태학적 지표의 ICV 데이터 상에서의 백분위를 획득할 수 있다.
일 예로, 이미지 분석 장치(2000)는 대상 이미지의 대상체의 성별 혹은 나이와 관련된 대상체의 정보를 획득하고, 대상체의 정보에 기초하여 형태학적 지표 데이터베이스를 획득할 수 있다. 형태학적 지표 데이터베이스는, 대상체의 정보와 유사한 특성(성별, 나이 등)을 가지는 비교 대상군의 뇌 이미지에 기초하여 획득된 하나 이상의 형태학적 지표를 포함할 수 있다.
이미지 분석 장치(2000)는, 획득된 형태학적 지표 데이터베이스를 이용하여, 대상체의 형태학적 지표의 백분위 정보를 획득할 수 있다.
예컨대, 이미지 분석 장치(2000)는, 60대 남성의 뇌 이미지에 기초하여 획득된 ICV와 관련된 형태학적 값이나 형태학적 지표를 하나 이상 포함하는 ICV 데이터를 획득하고, 60대 남성인 대상체의 뇌 이미지에 기초하여 획득된 ICV 값과 관련된 형태학적 값이나 형태학적 지표의 ICV 데이터 상에서의 백분위를 획득할 수 있다.
다른 예로, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 대상 이미지와 관련된 대상체의 정보(예, 나이 혹은 성별)를 획득하고, 데이터베이스 혹은 메모리(2020)에 저장된 복수의 뇌 이미지들 중에서 대상체의 정보를 고려하여 비교 대상군 뇌 이미지를 선별할 수 있다.
이미지 분석 장치(2000)는 선별된 비교 대상군 뇌 이미지들로부터, 대상 이미지로부터 형태학적 지표를 획득한 동작과 유사한 동작을 통하여, 타겟 요소에 대응하는 ICV와 관련된 형태학적 값이나 형태학적 지표를 하나 이상 포함하는 ICV 데이터를 획득할 수 있다.
이미지 분석 장치(2000)는 대상 이미지로부터 획득된 ICV 값과 관련된 형태학적 값이나 형태학적 지표와 비교 대상군 뇌 이미지들로부터 획득된 ICV 데이터를 비교하여 대상 이미지로부터 획득된 ICV 값과 관련된 형태학적 값이나 형태학적 지표의 ICV 데이터 상에서의 백분위를 계산할 수 있을 것이다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)로부터 출력되는 타겟 요소들의 부피(Info. 2), 형태학적 지표(Info. 3) 및 형태학적 지표의 백분위(Info. 4)와 관련된 정보들은 좌반구와 우반구에 대하여 개별적으로 각각 획득되어 출력될 수 있다.
다만, 도 54에 도시된 형태학적 지표와 관련된 정보들은 예시에 불과하며, 임의의 적절한 정보들이, 이미지 분석 장치(2000)로부터 추가적으로 획득되어 출력될 수 있음은 물론이다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)로부터 출력되는 타겟 요소들의 부피(Info. 2), 형태학적 지표(Info. 3) 혹은 형태학적 지표의 백분위(Info. 4)와 관련된 정보들은 임의의 적절한 그래프를 활용한 통계학적 기법으로 형태학적 지표와 관련된 정보들이 가공(processing)되어 출력될 수 있다.
이하에서는 도 55 내지 도 57을 참고하여, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)에 의해, 형태학적 지표와 관련된 정보들이 가공되어 출력되는 예시적인 내용들을 서술한다.
도 55를 참고하면, 출원의 일 실시예에 따른 이미지 분석 장치(2000)로부터 출력되는 형태학적 지표와 관련된 정보는 형태학적 지표의 백분위(Info. 5), 형태학적 지표의 백분위에 대한 그래프(Info. 6, 7) 및 뇌 질환과 관련된 위험도(Info. 8)와 관련된 정보를 포함할 수 있다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)로부터 출력되는 형태학적 지표의 백분위(Info. 5)는 좌반구에 위치하는 타겟 요소와 우반구에 위치하는 타겟 요소에 대하여 획득된 수치일 수 있다.
예를 들어, 도 55를 참고하면, 전두엽, 측두엽, 두정엽, 후두엽, 대상회, 해마 및 시상에 대하여 획득된 형태학적 지표의 백분위 값이 시각적으로 출력될 수 있다. 이때, 좌반구에 위치하는 전두엽 등에 대한 형태학적 지표의 백분위와 우반구에 위치하는 전두엽 등에 대한 형태학적 지표의 백분위들이 함께 시각적으로 출력될 수 있다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)로부터 출력되는 형태학적 지표의 백분위에 대한 그래프(Info. 6, 7)는, 도 54와 관련하여 서술한, 대상체의 형태학적 지표(Info. 3)와 비교 대상군 뇌 이미지들로부터 획득된 형태학적 지표를 비교하여 계산된 대상체의 형태학적 지표의 백분위에 기초하여 생성될 수 있다.
이때, 그래프는 형태학적 지표의 백분위를 시각적으로 표시하도록 제공될 수 있으며, 대상체의 형태학적 지표의 백분위가 어디에 분포하는지를 나타내는 백분위와 관련된 눈금자(Info. 7)를 포함할 수 있다.
또한, 그래프는 좌반구에 대한 형태학적 지표의 백분위와 우반구에 대한 형태학적 지표의 백분위를 구별되도록 표시하여 제공될 수 있다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)로부터 출력되는 뇌 질환과 관련된 위험도(Info. 8)와 관련된 정보는, 대상체의 형태학적 지표의 백분위에 기초하여 위험도가 계산될 수 있으며, 위험도에 따라 시각적으로 상이하게 출력되도록 제공될 수 있다.
구체적으로, 이미지 분석 장치(2000)는 뇌 질환과 관련된 위험도(Info. 8)와 관련하여, 형태학적 지표의 백분위에 대하여 미리 결정된 임계값이 설정되도록 제공될 수 있다. 이때, 미리 결정된 임계값은 위험도의 정도(예, 주의, 위험, 정상)에 따라 상이하게 미리 설정될 수 있다.
이때, 이미지 분석 장치(2000)는 대상체의 형태학적 지표의 백분위가 미리 결정된 제1 임계값보다 작은 경우에는, 대상체가 뇌 질환이 존재할 수 있어 위험하다는 정보를 시각적으로 출력하도록 구현될 수 있다. 예를 들어, 도 55를 참고하면, 이미지 분석 장치(2000)는 대상체의 좌반구, 우반구에 위치하는 해마의 형태학적 지표의 백분위가 미리 결정된 제1 임계값보다 작아 위험하다고 판단할 수 있으며, 위험하다는 판단 결과에 기초하여 해마와 관련된 형태학적 지표의 백분위를 제1 색상(예, 빨간색)으로 출력하도록 구현될 수 있다.
또한, 이미지 분석 장치(2000)는 대상체의 형태학적 지표의 백분위가 미리 결정된 제1 임계값보다 크며 미리 결정된 제2 임계값보다 작은 경우에는 대상체가 뇌 질환이 존재할 가능성이 어느정도 존재하여 주의가 필요하다는 정보를 시각적으로 출력하도록 구현될 수 있다. 예를 들어, 이미지 분석 장치(2000)는, 대상체의 좌반구, 우반구에 위치하는 특정 타겟 요소의 형태학적 지표의 백분위가 미리 결정된 제1 임계값보다 크며 미리 결정된 제2 임계값보다 작은 경우에는, 주의가 필요하다고 판단하도록 구현될 수 있고, 주의가 필요하다는 판단에 기초하여 특정 타겟 요소의 형태학적 지표의 백분위를 제2 색상(예, 주황색)으로 출력하도록 구현될 수 있다.
다만, 상술한 위험도에 따라 상이한 색상으로 출력하는 것은 예시에 불과하며, 이에 제한되지 않고 임의의 적절한 방법을 활용하여 뇌 질환과 관련된 위험도와 관련된 정보를 제공하도록 이미지 분석 장치(2000)가 구현될 수 있음은 물론이다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 대상 이미지로부터 획득된 대상체의 형태학적 지표와, 비교 대상군 뇌 이미지들로부터 획득된 형태학적 지표들과 관련된 정보를 제공하도록 구현될 수 있다.
구체적으로, 도 55와 관련하여 상술한 바와 같이, 이미지 분석 장치(2000)는 대상 이미지의 대상체의 나이 혹은 성별을 포함하는 대상체의 정보에 기초하여, 형태학적 지표 데이터베이스로부터 비교 대상군의 형태학적 지표들을 획득할 수 있다.
이때, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 대상체의 정보에 따라 대상체의 형태학적 지표와 비교 대상군의 형태학적 지표를 시각적인 그래프의 형태로 출력하도록 구현될 있다. 이때, 대상체의 정보에 따른 비교 대상군의 형태학적 지표는 비교 대상군의 형태학적 지표들의 평균값 및 뇌 질환에 대한 위험도와 관련되어 미리 결정된 임계값들에 대응되는 비교 대상군들의 형태학적 지표들을 반영하여 출력되도록 구현될 수 있다.
도 56을 참고한다. 도 56은 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)에 의해 출력되는 형태학적 지표와 관련된 정보들의 예시를 도시한 그래프이다.
일 예로, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)에 의해 출력되는 형태학적 지표는 대상 이미지와 관련된 대상체의 정보(예, 나이 혹은 성별)에 따른 대상체의 형태학적 지표(Info. 9)로서 출력될 수 있다.
이때, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 대상체의 뇌질환과 관련된 정보를 제공하기 위하여 대상체의 형태학적 지표(Info. 9)와 함께 비교 대상군의 형태학적 지표들(Info. 10, Info. 11)을 추가적으로 출력하도록 구현될 수 있다.
예를 들어, 이미지 분석 장치(2000)는 상술한 바와 같이, 대상체의 나이(예, 도 56의 79세)를 고려하여, 형태학적 지표 데이터베이스로부터 70대와 80대의 비교 대상군의 형태학적 지표 정보들을 획득할 수 있다. 이때, 이미지 분석 장치(2000)는 나이를 고려하여 획득된 비교 대상군의 형태학적 지표 정보의 평균값(Info. 10)을 획득하여 출력하도록 구현될 수 있다.
다른 예를 들어, 이미지 분석 장치(2000)는 상술한 바와 같이, 뇌질환과 관련된 위험도에 대한 정보를 제공하도록 비교 대상군들의 형태학적 지표들과 관련된 임계값들이 설정될 수 있다. 예를 들어, 대상체의 형태학적 지표의 백분위가 5% 미만에 해당하는 경우에는 위험하다는 판단을 하도록 이미지 분석 장치(2000)은 임계값이 미리 설정되도록 구현될 수 있다. 혹은 대상체의 형태학적 지표의 백분위가 5% 이상 10% 미만에 해당하는 경우에는 주의가 필요하다는 판단을 하도록 이미지 분석 장치(2000)은 임계값이 미리 설정되도록 구현될 수 있다.
이때, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 뇌질환에 대한 위험도와 관련되어 미리 설정된 임계값에 대응되는 비교 대상군들의 형태학적 지표들(Info. 11)을 출력하도록 구현될 수 있다. 이때, 비교 대상군들의 형태학적 지표들(Info. 11)는, 대상체의 나이와 같은 대상체의 정보에 따라 출력될 수 있다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 대상체의 형태학적 지표의 백분위와 뇌질환에 대한 위험도와 관련되어 미리 설정된 임계값에 기초하여, 뇌 질환에 대한 위험도와 관련된 정보(Info. 12)를 출력하도록 제공될 수 있다.
예를 들어, 대상체의 형태학적 지표의 백분위가 5% 미만에 해당하는 경우에는 위험하다는 판단을 하도록 이미지 분석 장치(2000)는 임계값이 미리 설정되도록 구현될 수 있다. 이때, 대상체의 형태학적 지표의 백분위가 5% 미만에 해당하는 경우에는 이미지 분석 장치(2000)는 대상체가 특정 뇌질환에 대하여 위험한 상태일 수 있다는 정보를 시각적으로 출력하도록 구현될 수 있다. 예를 들어 도 56을 참고하면, 대상체의 형태학적 지표(Info. 9)가 제1 색상(예, 빨간색)으로 표시되어 출력되도록 이미지 분석 장치(2000)가 구현될 수 있다.
혹은 대상체의 형태학적 지표의 백분위가 5% 이상 10% 미만에 해당하는 경우에는 주의가 필요하다는 판단을 하도록 이미지 분석 장치(2000)은 임계값이 미리 설정되도록 구현될 수 있다. 이때, 대상체의 형태학적 지표의 백분위가 5% 이상 및 10% 미만에 해당하는 경우에는 이미지 분석 장치(2000)는 대상체가 특정 뇌질환에 대하여 주의가 필요한 상태일 수 있다는 정보를 시각적으로 출력하도록 구현될 수 있다. 예를 들어, 대상체의 형태학적 지표(Info. 9)가 제2 색상(예, 주황색)으로 표시되어 출력되도록 이미지 분석 장치(2000)가 구현될 수 있다.
다만, 상술한 내용은 예시에 불과하며 이에 제한되지 않는다. 즉, 이미지 분석 장치(2000)는 임의의 적절한 방식을 이용하여 대상체의 뇌질환에 대한 위험도와 관련된 정보를 출력하도록 구현될 수 있다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 타겟 요소의 3차원 구조 혹은 타겟 요소가 뇌 내부에 어디에 위치하는지에 대한 정보를 제공하기 위하여 3차원 뇌 정보와 관련된 정보를 시각적으로 출력하도록 제공될 수 있다. 이하에서는 도 57을 참고하여, 본 출원의 일 실시예에 따라 출력되는 형태학적 지표와 관련된 정보들의 예시 및 그 정보들을 출력하기 위한 이미지 획득 장치(2000)의 동작을 설명한다.
예를 들어, 이미지 분석 장치(2000)는 3차원 뇌 템플렛과 관련된 데이터를 추가적으로 획득할 수 있으며, 대상 이미지에 대한 세그멘테이션에 의해 획득된 타겟 요소와 대응되는 영역 및 3차원 뇌 템플렛에 관련된 데이터에 기초하여, 타겟 요소의 3차원 구조 혹은 타겟 요소가 뇌 내부에 어디에 위치하는지에 대한 정보를 시각적인 그래픽 형태(Info. 13)로 출력할 수 있다.
또한, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 3차원 뇌 템플렛과 관련된 데이터 및 상술한 바에 따라 계산된 타겟 요소와 관련된 형태학적 지표의 백분위에 기초하여, 타겟 요소와 관련된 형태학적 지표의 백분위에 대한 정보를 3차원 뇌 템플렛에 오버레이(Info. 14)시켜 출력하도록 구현될 수 있다. 예를 들어, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 타겟 요소와 관련된 형태학적 지표의 백분위에 따라 상이한 색상을 3차원 뇌 템플렛에 오버레이시켜, 타겟 요소의 부피 위축도와 관련된 정보를 제공하도록 구현될 수 있다.
또한, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 사용자로부터 입력 모듈을 통하여 세부적인 형태학적 지표와 관련된 정보를 출력하기 위한 입력을 수신하고, 사용자의 입력에 대응되는 출력을 출력 모듈을 통하여 사용자에게 출력하도록 구현될 수 있다. 예를 들어, 도 57에 도시된 3차원 뇌 템플렛의 특정 뇌 영역에 대한 사용자의 입력이 획득되면, 이미지 분석 장치(2000)는 획득된 입력에 대응되는 특정 뇌 영역에 대한 형태학적 지표와 관련된 정보들(예, 도 54 내지 도 56에 도시된 정보들 등)을 출력하도록 제공될 수 있다.
다만, 도 57에 도시된 형태학적 지표와 관련된 정보들은 예시에 불과하며, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 임의의 적절한 방법으로 타겟 요소와 관련된 형태학적 지표의 백분위에 대한 정보를 3차원적으로 제공하도록 구현될 수 있을 것이다.
또한, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 대상체와 관련된 형태학적 지표와 관련된 정보들을 시간적인 변수에 따라 출력하도록 구현될 수 있다. 예를 들어, 이미지 분석 장치(2000)는 제1 시점에서의 대상체로부터 획득된 형태학적 지표와 관련된 정보들(예, 도 54 내지 도 57에 도시된 정보들)과 제2 시점에서의 대상체로부터 획득된 형태학적 지표와 관련된 정보들(예, 도 54 내지 도 57에 도시된 정보들)을 출력하도록 구현될 수 있다. 특히, 뇌 질환과 관련되어 비교 대상 군과의 형태학적 지표를 비교하는 것도 중요하지만, 대상체의 형태학적 지표를 시간적 변수에 따라 분석하는 것도 중요할 수 있다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 제1 시점에서의 대상체로부터 획득된 뇌 이미지로부터 상술한 이미지 분석 동작들을 통하여 제1 시점에서의 형태학적 지표와 관련된 정보들을 획득할 수 있으며, 제1 시점과는 상이한 제2 시점에서의 대상체로부터 획득된 뇌 이미지로부터 상술한 이미지 분석 동작들을 통하여 제2 시점에서의 형태학적 지표와 관련된 정보들을 획득할 수 있다. 이때, 이미지 분석 장치(2000)는 제1 시점에서의 형태학적 지표와 관련된 정보들과 제2 시점에서의 형태학적 지표와 관련된 정보들은 다양한 통계 기법을 통하여 사용자에게 출력하도록 구현될 수 있다.
다만, 도 54 내지 도 57와 관련하여 상술한 형태학적 지표와 관련된 정보들은 예시에 불과하며, 임의의 적절한 형태의 뇌 질환과 관련된 정보들이 임의의 적절한 방법으로 사용자에게 출력될 수 있을 것이다.
뇌와 관련된 질환, 특히 치매와 관련하여 뇌의 수축 정도를 수치화한 지표가 치매 진단의 보조 지표로 사용되고 있다. 이때, 뇌의 수축 정도와 관련된 수치는 뇌 이미지가 촬영된 스캔 조건 혹은 타겟 요소의 위치에 따라 상이하게 측정될 수 있다. 여기에서 타겟 요소의 위치란 타겟 요소가 두개골 내부에 분포하는 위치를 의미할 수 있다.
예를 들어, 동일한 대상체에 대하여 획득된 형태학적 지표, 즉 뇌의 수축 정도와 관련된 수치는 뇌 이미지가 촬영된 이미지 획득 장치의 자기장의 세기, 이미지 획득 장치의 제조사 혹은 이미지 획득 장치의 세팅 파라미터를 포함하는 스캔 조건에 의존할 수 있다. 구체적인 예를 들어, 동일한 대상체에 대하여 획득된 형태학적 지표가 자기장의 세기라는 변수에 따라 상이하게 측정될 수 있다.
다른 예를 들어, 동일한 대상체에 대하여 획득된 형태학적 지표, 즉 타겟 요소의 수축 정도와 관련된 수치는 타겟 요소의 두개골 내에서의 위치에 따라 상이하게 측정될 수 있다.
따라서, 형태학적 지표를 뇌 이미지가 촬영된 스캔 조건이나 타겟 요소의 위치에 따라 보정하는 것이 요구된다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는, 뇌 이미지가 촬영된 스캔 조건이나 타겟 요소의 위치를 고려하여, 타겟 요소의 형태학적 값이나 형태학적 지표를 보정하는 동작을 수행하도록 구현될 수 있다.
따라서, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는, 뇌 질환과 관련된 뇌의 수축 정도와 관련된 형태학적 지표를 보다 정확하게 획득할 수 있으며, 보다 객관적인 형태학적 지표를 뇌 질환과 관련된 진단 보조 정보로 사용자에게 제공할 수 있다는 유리한 효과를 제공할 수 있다.
이하에서는 도 58 내지 도 67을 참고하여, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)에 의해 구현되는 형태학적 수치의 보정 방법을 구체적으로 서술한다. 이하에서는 체적과 관련된 형태학적 수치를 중심으로 서술하나 이에 제한되지 않으며, 체적 이외의 뇌 질환의 지표가 될 수 있는 대상 부위의 형태, 두께, 길이 등 임의의 적절한 형태학적 특성에 대하여도 동일하게 보정 방법이 적용될 수 있다.
도 58을 참고한다. 도 58은 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)에 의해 구현되는 형태학적 수치의 보정 방법을 일 동작을 도시한 흐름도이다. 구체적으로 도 58은 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)에 의해 구현되는 뇌와 관련된 형태학적 값이나 뇌와 관련된 형태학적 지표를 보정하는 동작을 도시한 흐름도이다.
본 출원의 일 실시예에 따른 형태학적 수치의 보정 방법은, 타겟 이미지 및 타겟 이미지의 스캔 조건을 획득하는 단계(S5100); 타겟 이미지의 세그멘테이션 단계(S5200) 및 뇌 형태학적 지표를 보정하는 단계(S5300)를 포함할 수 있다.
타겟 이미지 및 타겟 이미지의 스캔 조건을 획득하는 단계(S5100)에서, 이미지 분석 장치(2000)는 이미지 획득 장치(1000)로부터 타겟 이미지를 획득할 수 있다. 타겟 이미지는 이미지 분석 장치(2000)로부터 분석될 뇌 이미지를 포괄하는 의미일 수 있다. 다시 말해, 타겟 이미지는 이미지 분석 장치(2000)로부터 타겟 요소의 형태학적 값이나 형태학적 지표가 계산될 대상 뇌 이미지를 포괄할 수 있다.
또한, 타겟 이미지 및 타겟 이미지의 스캔 조건을 획득하는 단계(S5100)에서, 이미지 분석 장치(2000)는 이미지 획득 장치(1000)로부터 타겟 이미지가 촬영된 스캔 조건과 관련된 정보를 획득할 수 있다. 타겟 이미지가 촬영된 스캔 조건과 관련된 정보는 상술한 바와 같이, 타겟 이미지에 대하여 메타데이터로서 구조화되어, 타겟 이미지를 이미지 획득 장치(1000)로부터 획득함으로써 함께 획득될 수 있다. 혹은 타겟 이미지가 촬영된 스캔 조건과 관련된 정보는 타겟 이미지와는 별개로 임의의 외부 장치로부터 획득될 수 있다.
타겟 이미지의 세그멘테이션 단계(S5200)에서, 이미지 분석 장치(2000)는, 도 7 내지 도 17과 관련하여 상술한 이미지 세그멘테이션 동작에 따라, 타겟 이미지의 세그멘테이션을 수행할 수 있다.
일 예에 따르면, 이미지 분석 장치(2000)의 세그멘테이션 동작을 통하여, 타겟 이미지에 포함되는 적어도 하나의 타겟 요소를 획득할 수 있다.
또한, 이미지 분석 장치(2000)의 세그멘테이션 동작에 의해 후술할 두개골의 내부 영역을 획득할 수 있다. 두개골의 내부 영역을 획득하기 위하여 이미지 분석 장치(2000)는 도 48 및 도 57과 관련하여 상술한, 두개골의 제1 내부 영역의 제1 바운더리의 일부를 수정하여 제2 바운더리를 갖는 두개골의 제2 내부 영역을 획득하는 동작을 수행하도록 구현될 수 있다.
또한, 이미지 분석 장치(2000)에 제공되는 신경망 모델은 스캔 조건에 따라 뇌 이미지를 세그멘테이션을 수행하도록 학습될 수 있다. 예를 들어, 제1 스캔 조건 하에서 획득된 뇌 이미지를 포함하는 학습 데이터로부터 학습된 제1 신경망 모델이 제1 스캔 조건 하에서 획득된 타겟 이미지를 세그멘테이션하도록 제공될 수 있다. 다른 예를 들어, 제2 스캔 조건 하에서 획득된 뇌 이미지를 포함하는 학습 데이터로부터 학습된 제2 신경망 모델이 제2 스캔 조건 하에서 획득된 타겟 이미지를 세그멘테이션하도록 제공될 수 있다.
도 58에 의하면, 타겟 이미지의 전처리 및 타겟 이미지의 정렬 단계는 도시되어 있지 않지만, 도 48과 관련하여 서술한 이미지의 전처리 및 이미지의 정렬 단계(S4200)에서의 이미지 분석 장치(2000)의 동작들이 동일하게 적용될 수 있다.
이하에서는 도 59를 참고하여 뇌 형태학적 지표를 보정하는 단계(S5300)의 일 실시예에 대하여 보다 구체적으로 서술한다. 도 59는 본 출원의 일 실시예에 따른 이미지 분석 방법의 흐름도를 나타낸 도면이며, 구체적으로 도 58의 상기 S52600 단계를 세분화한 도면이다.
도 59를 참고하면, 본 출원의 일 실시예에 따른 뇌 형태학적 지표를 보정하는 단계(S5300)는, 세그멘테이션 결과에 기초하여 타겟 요소의 형태학적 값을 획득하는 단계(S5310), 보정 파리미터를 획득하는 단계(S5320), 형태학적 값 및 보정 파라미터에 기초하여 형태학적 보정값을 획득하는 단계(S5330) 및 형태학적 보정 값을 기초로 뇌 형태학적 지표를 획득 및 출력하는 단계(S5340)를 더 포함할 수 있다.
세그멘테이션 결과에 기초하여 타겟 요소의 형태학적 값을 획득하는 단계(S5310)에서, 이미지 분석 장치(2000)는, 세그멘테이션 동작에 의해 획득된 타겟 요소에 대응되는 영역과 관련된 타겟 이미지의 복셀 데이터에 기초하여 타겟 요소와 관련된 형태학적 값을 획득할 수 있다. 혹은 이미지 분석 장치(2000)는, 세그멘테이션 동작에 의해 획득된 두개골의 내부 영역과 관련된 타겟 이미지의 복셀 데이터에 기초하여 두개골의 내부 영역과 관련된 형태학적 값을 획득할 수 있다.
또한, 세그멘테이션 결과에 기초하여 타겟 요소의 형태학적 값을 획득하는 단계(S5310)에서, 이미지 분석 장치(2000)는, 타겟 요소와 관련된 형태학적 값과 두개골의 내부 영역과 관련된 형태학적 값에 기초하여 타겟 요소와 관련된 형태학적 지표를 획득할 수 있다.
이때, 타겟 요소의 형태학적 값이나 뇌 형태학적 지표는 타겟 요소의 부피, 두께, 길이 및 형태 등을 포함하는 형태학적 특성(morphological character)와 관련된 수치일 수 있다.
보정 파리미터를 획득하는 단계(S5320)에서, 이미지 분석 장치(2000)는, 파라미터 획득 장치(2400)으로부터 보정 파라미터를 획득하여 타겟 요소와 관련된 형태학적 값 혹은 두개골의 내부 영역과 관련된 형태학적 값을 보정하는 동작을 수행하도록 구현될 수 있다.
또는, 보정 파리미터를 획득하는 단계(S5320)에서, 이미지 분석 장치(2000)는, 파라미터 획득 장치(2400)으로부터 보정 파라미터를 획득하여 타겟 요소와 관련된 형태학적 지표를 보정하는 동작을 수행하도록 구현될 수 있다. 즉, 도 59에 따르면, 타겟 요소의 형태학적 값에 대하여 보정 파라미터를 적용하여 보정하는 것으로 도시하였으나, 이는 예시에 불과하며 이에 제한되지 않고 타겟 요소의 형태학적 값 및 두개골의 내부 영역과 관련된 형태학적 값에 기초하여 계산된 뇌 형태학적 지표에 대하여 보정 파라미터를 적용하여 출력하도록 이미지 분석 장치(2000)가 구현될 수 있다.
이때, 파라미터 획득 장치(2400)는 스캔 조건 혹은 타겟 요소의 위치에 따른 형태학적 값과 관련된 상관관계 분석을 통하여 보정 파라미터들을 획득할 수 있다. 보정 파리미터를 획득하는 단계(S5320)와 관련한 보정 파라미터 획득 장치(2400)의 동작에 대하여는, 도 60 내지 도 65와 관련하여 자세히 후술한다.
형태학적 값 및 보정 파라미터에 기초하여 형태학적 보정값을 획득하는 단계(S5330)에서, 이미지 분석 장치(2000)는, 타겟 요소에 대응되는 형태학적 값과 보정 파라미터 획득 장치(2400)로부터 획득한 보정 파라미터에 기초하여 타겟 요소와 관련된 형태학적 보정값을 획득하는 동작을 수행하도록 구현될 수 있다.
보정 파라미터는 제1 스캔 조건 하에서 획득된 타겟 요소와 관련된 형태학적 값을 제2 스캔 조건 하에서 획득된 형태학적 값으로 근사하거나 추정하기 위한 파라미터일 수 있다.
예컨대, 이미지 분석 장치(2000)는, 타겟 요소에 대응되는 형태학적 값 및 보정 파라미터 획득 장치(2400)로부터 획득된 변환 함수에 포함된 보정 파라미터에 기초하여, 타겟 요소와 관련된 형태학적 보정값을 획득할 수 있다.
이때, 변환 함수는 임의의 n차 함수일 수 있으며, 보정 파라미터는 변환 함수에 포함된 계수를 의미할 수 있다.
예컨대, 보정 파라미터는 제1 스캔 조건 하에서 획득된 타겟 요소와 관련된 제1 형태학적 값과 제2 스캔 조건 하에서 획득된 타겟 요소와 관련된 제2 형태학적 값 간의 상관관계 분석을 통하여 획득된 변환 함수로부터 획득될 수 있다. 예를 들어, 제1 형태학적 값과 제2 형태학적 값 간의 상관관계 분석을 통하여 획득된 1차 함수가 y=a*x+b라면, a와 b가 제1 스캔 조건 하에서 획득된 타겟 요소의 형태학적 값을 제2 스캔 조건 하에서 획득된 형태학적 값으로 근사하거나 추정하기 위한 보정 파라미터일 수 있다. 이미지 분석 장치(2000)는 제1 스캔 조건 하에서 획득된 타겟 이미지로부터 획득된 타겟 요소와 관련된 형태학적 값에 보정 파라미터(a)를 곱하고, 보정 파라미터(b)를 더함으로써, 제2 스캔 조건 하에서 획득된 형태학적 값으로 근사하거나 추정할 수 있다.
한편, 타겟 이미지로부터 획득된 타겟 요소의 위치에 따라 타겟 요소의 형태학적 측정값과 형태학적 참값(혹은 형태학적 기준값)에 대한 차이가 상이할 수 있다. 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 타겟 요소의 위치를 고려하여 타겟 요소의 형태학적 측정값을 보정할 수 있다,
예를 들어, 이미지 분석 장치(2000)는 제1 뇌 요소의 형태학적 측정값을 제1 뇌 요소의 형태학적 참값(혹은 형태학적 기준값)으로 근사시키기 위하여 보정 파라미터 획득 장치(2400)로부터 제1 보정 파라미터를 획득할 수 있다.
반면, 이미지 분석 장치(2000)는 제2 뇌 요소의 형태학적 측정 값을 제2 뇌 요소의 형태학적 참값(혹은 형태학적 기준값)으로 근사시키기 위하여 보정 파라미터 획득 장치(2400)로부터 제2 보정 파라미터를 획득할 수 있다.
또한, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 스캔 조건 및 타겟 요소의 위치와 관련된 변수를 모두 고려하여 보정 파라미터를 획득할 수 있다.
예컨대, 이미지 분석 장치(2000)는 제1 스캔 조건 하에서 획득된 타겟 이미지의 제1 뇌 요소과 관련된 형태학적 값에 대하여는 제1 보정 파라미터를 이용하여 제2 스캔 조건 하에서 획득된 형태학적 값으로 근사할 수 있다. 반면, 이미지 분석 장치(2000)는 제1 스캔 조건 하에서 획득된 타겟 이미지의 제2 뇌 요소과 관련된 형태학적 값에 대하여는 제2 보정 파라미터를 이용하여 제2 스캔 조건 하에서 획득된 형태학적 값으로 근사할 수 있다.
예를 들어, 제1 뇌 요소와 관련하여 제1 형태학적 값과 제2 형태학적 값 간의 상관관계 분석을 통하여 획득된 1차 함수가 y=a1*x+b1라면, a1와 b1가 제1 스캔 조건 하에서 획득된 제1 뇌 요소의 형태학적 값을 제2 스캔 조건 하에서 획득된 형태학적 값으로 근사하기 위한 보정 파라미터일 수 있다. 반면, 제2 뇌 요소와 관련하여 제1 형태학적 값과 제2 형태학적 값 간의 상관관계 분석을 통하여 획득된 1차 함수가 y=a2*x+b2라면, a2와 b2가 제1 스캔 조건 하에서 획득된 제2 뇌 요소의 형태학적 값을 제2 스캔 조건 하에서 획득된 형태학적 값으로 근사하기 위한 보정 파라미터일 수 있다.
이미지 분석 장치(2000)는 제1 스캔 조건 하에서 획득된 타겟 이미지로부터 획득된 제1 뇌 요소와 관련된 형태학적 값에 보정 파라미터(a1)를 곱하고, 보정 파라미터(b1)를 더함으로써, 제2 스캔 조건 하에서 획득된 형태학적 값으로 근사할 수 있다. 반면 제1 스캔 조건 하에서 획득된 타겟 이미지와 관련된 제2 뇌 요소에 대하여, 이미지 분석 장치(2000)는 제2 뇌 요소와 관련된 형태학적 값에 보정 파라미터(a2)를 곱하고, 보정 파라미터(b2)를 더함으로써, 제2 스캔 조건 하에서 획득된 형태학적 값으로 근사할 수 있다.
다만 상술한 변환 함수는 예시에 불과하며, 임의의 적절한 함수를 획득함으로써 스캔 조건을 고려한 형태학적 값의 보정이 수행될 수 있을 것이다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 다양한 스캔 조건 하에서 획득된 값들에 기초하여 일관된 스캔 조건 하에서 획득된 값으로 형태학적 값을 근사할 수 있으며, 이를 통하여 일관성 있는 뇌질환과 관련된 진단 보조 지표를 제공할 수 있다.
또한, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 타겟 요소의 위치를 고려하여 보정 파라미터를 상이하게 획득하여 보정을 수행할 수 있기 때문에 보다 정확한 뇌질환과 관련된 진단 보조 지표를 제공할 수 있다.
형태학적 보정 값을 기초로 뇌 형태학적 지표를 획득 및 출력하는 단계(S5340)에서, 이미지 분석 장치(2000)는, 타겟 요소와 관련된 제1 형태학적 보정값과 두개골의 내부 영역과 관련된 제2 형태학적 보정값에 기초하여 뇌 형태학적 지표를 계산하여 출력하도록 구현될 수 있다.
일 예로, 뇌 형태학적 지표는 제2 형태학적 보정 값에 대한 제1 형태학적 보정 값으로 정의될 수 있다. 다만, 이는 예시에 불과하며, 뇌질환과 관련된 임의의 적절한 진단 보조 지표로 뇌 형태학적 지표가 정의될 수 있다.
한편, 타겟 요소가 복수 개일 수 있다. 다시 말해, 타겟 요소가 제1 뇌 요소 및 제2 뇌 요소를 포함할 수 있다.
이때, 이미지 분석 장치(2000)는 타겟 이미지를 세그멘테이션하여 제1 뇌 요소에 대응되는 제1 영역, 제2 뇌 요소에 대응되는 제2 영역 및 두개골 영역을 획득할 수 있다. 또한, 이미지 분석 장치(2000)는 두개골 영역에 기초하여 두개골의 내부 영역을 획득할 수 있다.
이때, 이미지 분석 장치(2000)는 상술한 바와 같이 보정 파라미터 및 제1 영역의 복셀 데이터에 기초하여 제1 뇌 요소와 제1 보정된 형태학적 값을 계산할 수 있으며, 보정 파라미터 및 제2 영역의 복셀 데이터에 기초하여 제2 뇌 요소와 제2 보정된 형태학적 값을 계산할 수 있다. 또한, 이미지 분석 장치(2000)는 두개골의 내부 영역에 대응되는 복셀 데이터에 기초하여 두개골의 내부 영역과 관련된 기준 형태학적 값을 획득할 수 있으며, 이 값은 뇌 형태학적 지표를 계산하는 데 기준이 될 수 있다. 이때, 제1 뇌 요소와 관련된 보정 파라미터와 제2 뇌 요소와 관련된 보정 파라미터는 상이할 수 있다. 이와 관련하여는 도 64와 관련하여 후술한다.
이미지 분석 장치(2000)는 제1 보정된 형태학적 값 및 기준 형태학적 값에 기초하여 제1 뇌 요소와 관련된 제1 뇌 형태학적 지표를 계산할 수 있다. 또한, 이미지 분석 장치(2000)는 제2 보정된 형태학적 값 및 기준 형태학적 값에 기초하여 제2 뇌 요소와 관련된 제2 뇌 형태학적 지표를 계산할 수 있다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 타겟 이미지의 대상체의 나이 및 성별 등을 포함한 특성을 고려하여 타겟 이미지로부터 획득된 형태학적 값을 보정하기 위한 보정 파라미터를 결정할 수 있다.
예를 들어, 타겟 이미지가 성별 및 나이와 관련된 제1 특성을 가지는 제1 대상체로부터 획득되었을 경우, 이미지 분석 장치(2000)는 타겟 이미지로부터 획득된 형태학적 값을 보정하기 위한 보정 파라미터를, 제1 특성을 가지는 제2 대상체로부터 획득된 제1 뇌 영상 및 제2 뇌 영상으로부터 획득된 보정 파라미터로 결정할 수 있다. 예컨대, 이미지 분석 장치(2000)는 타겟 이미지의 제1 대상체와 유사한 나이 및 동일한 성별을 가지는 제2 대상체로부터 획득된 보정 파라미터를 타겟 이미지로부터 획득된 형태학적 값이나 형태학적 지표를 보정하기 위한 보정 파라미터로 결정할 수 있다.
형태학적 보정 값을 기초로 뇌 형태학적 지표를 획득 및 출력하는 단계(S5340)에서, 이미지 분석 장치(2000)는 획득된 뇌 형태학적 지표와 관련된 정보를 출력 모듈(2050)이나 출력 장치(2600)에 포함된 출력 모듈(2650)를 통하여 출력할 수 있다. 구체적으로 이미지 분석 장치(2000)는 도 54 내지 도 57과 관련된 정보들을 유사하게 시각적으로 출력하도록 구현될 수 있다.
한편, 도 59에 따르면, 타겟 요소와 관련된 형태학적 값에 대하여 보정을 한 후 타겟 요소와 관련된 뇌 형태학적 지표를 출력하는 것으로 도시하였으나, 타겟 요소와 관련된 형태학적 값에 기초하여 뇌 형태학적 지표를 계산한 후 보정 파라미터를 고려하여 뇌 형태학적 지표를 보정하여 출력하는 방식으로도 이미지 분석 장치(2000)와 파라미터 획득 장치(2400)가 구현될 수도 있다.
본 실시예에 따르면, 이미지 분석 장치(2000)는 제1 스캔 조건 하에서 촬영된 타겟 이미지의 타겟 요소와 관련된 영역에 대응되는 타겟 형태학적 값을, 제1 스캔 조건 이외의 제2 스캔 조건 혹은 제3 스캔 조건 하에서의 타겟 요소의 형태학적 추정값으로 계산할 수 있다.
따라서, 본 실시예에 따른 이미지 분석 장치(2000)는 타겟 형태학적 값을 보다 정확도가 높은 스캔 조건에 대응하는 형태학적 추정값으로 자유롭게 보정할 수 있어 정확도가 개선된 따른 형태학적 지표 정보들을 출력할 수 있다.
이하에서는 도 60 내지 도 65를 참고하여, 본 출원의 일 실시예에 따른 보정 파라미터 획득 장치(2400)가 보정 파라미터를 획득하는 동작에 대하여 구체적으로 서술한다.
도 60은 본 출원의 일 실시예에 따른 보정 파라미터 획득 장치(2400)에 의해 구현되는 보정 파라미터의 획득 방법의 일 동작을 도시한 흐름도이다. 후술할 보정 파라미터는 본 출원의 일 실시예에 따른 보정 파라미터 획득 장치(2400)에 의해 획득될 수 있다. 다시 말해, 도 60에 개시된 보정 파라미터를 획득하는 동작은 보정 파라미터 획득 장치(2400)에 의해 구현될 수 있다.
도 60을 참고하면, 본 출원의 일 실시예에 따른 보정 파라미터의 획득 방법은 복수의 뇌 이미지 데이터 세트들을 획득하는 단계(S6100), 적어도 하나 이상의 데이터 세트의 스캔 조건에 따른 형태학적 값의 상관관계를 분석하는 단계(S6200) 및 상관관계 분석 결과에 기초하여 보정 파라미터를 획득하는 단계(S6300)를 포함할 수 있다.
복수의 뇌 이미지 데이터 세트들을 획득하는 단계(S6100)에서, 본 출원의 일 실시예에 따른 보정 파라미터 획득 장치(2400)는 복수의 뇌 이미지 데이터 세트들을 획득할 수 있다. 이때, 보정 파라미터 획득 장치(2400)는 복수의 뇌 이미지 데이터 세트들은 이미지 획득 장치(1000) 혹은 임의의 외부 장치로부터 획득할 수 있다.
도 61을 참고한다. 도 61은 본 출원의 일 실시예에 따른 복수의 뇌 이미지 데이터 세트들이 포함하는 정보들을 설명하기 위한 예시적인 도면이다.
복수의 뇌 이미지 데이터 세트들은, 뇌 이미지와 관련된 타겟 요소에 대응되는 영역의 형태학적 수치 혹은 형태학적 지표에 관한 정보를 포함할 수 있다.
또한, 복수의 뇌 이미지 데이터 세트들, 뇌 이미지가 획득된 스캔 조건 혹은 타겟 요소의 위치에 대한 정보와 그 스캔 조건 혹은 타겟 요소의 위치와 관련하여 획득된 형태학적 수치 혹은 형태학적 지표에 관한 정보를 포함할 수 있다.
일 예로, 제1 데이터 세트는, 제1 스캔 조건 하에서 획득된 제1 뇌 이미지(IM1)로부터 계산된 제1 형태학적 수치(혹은 제1 형태학적 지표, V1)와 관련된 정보 및 제2 스캔 조건 하에서 획득된 제2 뇌 이미지(IM2)로부터 계산된 제2 형태학적 수치(혹은 제2 형태학적 지표, V2)와 관련된 정보를 포함할 수 있다. 또한, 제1 데이터 세트는 제3 스캔 조건 하에서 획득된 제3 뇌 이미지(IM3)로부터 계산된 제3 형태학적 수치(혹은 제3 형태학적 지표, V3)와 관련된 정보를 더 포함할 수 있다.
또한, 복수의 뇌 이미지 데이터 세트들은 제1 데이터 세트와 그 형태가 유사한 다양한 뇌 데이터들을 더 포함할 수 있다. 예를 들어, 제n 데이터 세트는, 제1 스캔 조건 하에서 획득된 제1 뇌 이미지(IM1n)로부터 계산된 제1 형태학적 수치(혹은 제1 형태학적 지표, V1n)와 관련된 정보 및 제2 스캔 조건 하에서 획득된 제2 뇌 이미지(IM2n)로부터 계산된 제2 형태학적 수치(혹은 제2 형태학적 지표, V2n)와 관련된 정보를 포함할 수 있다. 또한, 제n 데이터 세트는 제3 스캔 조건 하에서 획득된 제3 뇌 이미지(IM3n)로부터 계산된 제3 형태학적 수치(혹은 제3 형태학적 지표, V3n)와 관련된 정보를 더 포함할 수 있다.
바람직하게는, 복수의 뇌 이미지 데이터 세트들은, 동일한 대상체에 대하여 획득된 뇌 이미지들의 스캔 조건에 따른 형태학적 수치(혹은 형태학적 지표) 포함할 수 있다. 예를 들어, 도 61을 참고하면, 제1 데이터 세트에 포함된 제1 뇌 이미지(IM1), 제2 뇌 이미지(IM2) 및 제3 뇌 이미지(IM3)는 제1 대상체로부터 획득된 뇌 이미지들일 수 있다. 또한, 제n 데이터 세트에 포함된 제1 뇌 이미지(IM1n), 제2 뇌 이미지(IM2n) 및 제3 뇌 이미지(IM3n)는 제n 대상체로부터 획득된 뇌 이미지들일 수 있다.
이때, 제1 스캔 조건 내지 제3 스캔 조건은 이미지 획득 장치의 이미지의 해상도와 관련되는 자기장의 세기(또는 자기장의 강도), 이미지 획득 장치에 설정될 수 있는, 생성되는 자기장의 형태와 관련된 세팅 파라미터, 이미지 획득 장치의 제조사의 종류 혹은 이들의 조합과 관련된 조건들일 수 있다.
한편, 본 출원의 일 실시예에 따른 보정 파라미터 획득 장치(2400)는 대상체의 특성을 고려한 데이터 세트를 이용하여 보정 파라미터를 획득할 수 있다. 보정 파라미터 획득 장치(2400)는 하나 이상의 동일한 특성(예컨대, 나이 또는 성별)을 가지는 대상체들로부터 획득된 데이터 세트를 이용하여 보정 파라미터를 획득할 수 있다. 보정 파라미터 획득 장치(2400)는, 타겟 이미지에 대응되는 대상체의 특성과 대응되는 특성을 가지는 데이터 세트에 기초하여 획득된 보정 파라미터가 타겟 이미지의 분석에 이용되도록, 하나 이상의 보정 파라미터를 이미지 분석 장치(2000)로 전달할 수 있다.
다시 도 60을 참고하면, 본 출원의 일 실시예에 따른 보정 파라미터의 획득 방법은 적어도 하나의 데이터 세트의 스캔 조건과 형태학적 값의 상관관계를 분석하는 단계(S6200)를 포함할 수 있다.
적어도 하나의 데이터 세트의 스캔 조건과 형태학적 값의 상관관계를 분석하는 단계(S6200)에서, 본 출원의 일 실시예에 따른 보정 파라미터 획득 장치(2400)는 복수의 뇌 이미지 데이터 세트들 중 적어도 하나 이상의 데이트 세트들에 포함된 스캔 조건에 따른 형태학적 수치(혹은 형태학적 지표) 간의 상관관계를 분석하도록 구현될 수 있다. 이때, 본 출원의 일 실시예에 따른 보정 파라미터 획득 장치(2400)에 의해 구현되는 상관관계의 분석은 선형 분석, 비선형 분석 및 회귀 분석 등 다양한 통계 기법을 활용하여 구현될 수 있다.
본 출원의 일 실시예에 따른 보정 파라미터의 획득 방법은 상관관계 분석 결과에 기초하여 보정 파라미터를 획득하는 단계(S6300)를 포함할 수 있다.
구체적으로, 보정 파라미터 획득 장치(2400)는, 복수의 뇌 이미지 데이터 세트들 중 적어도 하나 이상의 데이트 세트들에 포함된 제i 데이터 세트로부터, 제1 스캔 조건에서 획득된 제1 형태학적 수치(V1i), 제2 스캔 조건에서 획득된 제2 형태학적 수치(V2i) 및 제3 스캔 조건에서 획득된 제3 형태학적 수치(V3i)를 획득할 수 있다.
또한 보정 파라미터 획득 장치(2400)는, 제i 데이터 세트뿐만 아니라 임의의 제j 데이터 세트로부터, 제1 스캔 조건에서 획득된 제1 형태학적 수치(V1j), 제2 스캔 조건에서 획득된 제2 형태학적 수치(V2j) 및 제3 스캔 조건에서 획득된 제3 형태학적 수치(V3j)를 획득할 수 있다.
이때, 본 출원의 일 실시예에 따른 보정 파라미터 획득 장치(2400)는 제i, j 데이터 세트로부터 획득된 제1 형태학적 수치 및 제2 형태학적 수치 간의 상관관계를 분석할 수 있으며, 상관관계 분석 결과에 기초하여 제1 스캔 조건 하에서 획득된 형태학적 수치와 제2 스캔 조건 하에서 획득된 형태학적 수치 간의 보정 파라미터를 획득할 수 있다.
또한, 보정 파라미터 획득 장치(2400)는 제i, j 데이터 세트로부터 획득된 제2 형태학적 수치 및 제3 형태학적 수치 간의 상관관계를 분석할 수 있으며, 상관관계 분석 결과에 기초하여 제2 스캔 조건 하에서 획득된 형태학적 수치와 제3 스캔 조건 하에서 획득된 형태학적 수치 간의 보정 파라미터를 획득할 수 있다.
또한, 보정 파라미터 획득 장치(2400)는 제i, j 데이터 세트로부터 획득된 제1 형태학적 수치 및 제3 형태학적 수치 간의 상관관계를 분석할 수 있으며, 상관관계 분석 결과에 기초하여 제1 스캔 조건 하에서 획득된 형태학적 수치와 제3 스캔 조건 하에서 획득된 형태학적 수치 간의 보정 파라미터를 획득할 수 있다.
예컨대, 보정 파라미터 획득 장치(2400)는 제1 스캔 조건 하에서 획득된 제1 형태학적 수치와 제2 스캔 조건 하에서 획득된 제2 형태학적 수치에 기초한 상관관계 분석을 통하여 제1 스캔 조건 하에서 획득된 형태학적 수치를 제2 스캔 조건 하에서 측정된 형태학적 수치로 변환하는 보정 파라미터를 획득할 수 있다. 혹은 제2 스캔 조건 하에서 획득된 형태학적 수치를 제1 스캔 조건 하에서 측정된 형태학적 수치로 변환하는 보정 파라미터를 획득할 수 있다.
예컨대, 보정 파라미터는 제1 스캔 조건 하에서 획득된 타겟 요소와 관련된 제1 형태학적 값과 제2 스캔 조건 하에서 획득된 타겟 요소와 관련된 제2 형태학적 값 간의 상관관계 분석을 통하여 획득된 변환 함수로부터 획득될 수 있다. 예를 들어, 제1 형태학적 값과 제2 형태학적 값 간의 상관관계 분석을 통하여 획득된 1차 함수가 y=a*x+b라면, a와 b가 제1 스캔 조건 하에서 획득된 타겟 요소의 형태학적 값을 제2 스캔 조건 하에서 획득된 형태학적 값으로 근사하기 위한 보정 파라미터일 수 있다.
또한 보정 파라미터 획득 장치(2400)는, 상술한 바와 유사하게 상관관계 분석을 통하여, 제2 스캔 조건 하에서 획득된 타겟 요소의 형태학적 값을 제3 스캔 조건 하에서 획득된 타겟 요소의 형태학적 값으로 근사하기 위한 보정 파라미터, 제1 스캔 조건 하에서 획득된 타겟 요소의 형태학적 값을 제3 스캔 조건 하에서 획득된 타겟 요소의 형태학적 값으로 근사하기 위한 보정 파라미터, 제2 스캔 조건 하에서 획득된 타겟 요소의 형태학적 값을 제1 스캔 조건 하에서 획득된 타겟 요소의 형태학적 값으로 근사하기 위한 보정 파라미터 또는 제3 스캔 조건 하에서 획득된 타겟 요소의 형태학적 값을 제1 스캔 조건 하에서 획득된 타겟 요소의 형태학적 값으로 근사하기 위한 보정 파라미터를 획득할 수 있다.
도 62 및 도 63을 참고한다.
도 62는 본 출원의 일 실시예에 따른 보정 파라미터 획득 장치(2400)의 보정 파라미터를 획득하기 위한 상관관계 분석의 일 예를 도시한 그래프이다.
도 63은 본 출원의 일 실시예에 따른 보정 파라미터 획득 장치(2400)의 보정 파라미터를 획득하기 위한 상관관계 분석의 다른 예를 도시한 그래프이다.
도 62를 참고하면, 보정 파라미터 획득 장치(2400)는 제i 데이터 세트로부터, 제1 자기장 강도(예, 1.5T) 하에서 획득된 형태학적 수치(예, 타겟 요소의 부피)와 제2 자기장 강도(예, 3T 혹은 8T) 하에서 획득된 형태학적 수치(예, 타겟 요소의 부피)를 획득할 수 있다. 이때, 보정 파라미터 획득 장치(2400)는 도 62에 도시된 선형 분석과 같은 임의의 적절한 통계학적 기법을 활용한 상관관계 분석법에 의하여 제1 자기장 강도(예, 1.5T) 하에서 획득된 형태학적 수치와 제2 자기장 강도(예, 3T 혹은 8T) 하에서 획득된 형태학적 수치 간의 보정 파라미터를 획득할 수 있다. 보정 파라미터 획득 장치(2400)는 제1 자기장 강도 하에서 획득된 형태학적 수치를 제2 자기장 강도 하에서 획득된 형태학적 수치로 보정하기 위한 보정 파라미터를 획득할 수 있다.
도 63을 참고하면, 보정 파라미터 획득 장치(2400)는 제j 데이터 세트로부터, 제1 제조사의 이미지 장치로부터 획득된 형태학적 수치(예, 타겟 요소의 부피)와 제2 제조사의 이미지 장치로부터 획득된 형태학적 수치(예, 타겟 요소의 부피)를 획득할 수 있다. 이때, 보정 파라미터 획득 장치(2400)는 도 63에 도시된 선형 분석과 같은 임의의 적절한 통계학적 기법을 활용한 상관관계 분석법에 의하여 제1 제조사의 이미지 장치로부터 획득된 형태학적 수치와 제2 제조사의 이미지 장치로부터 획득된 형태학적 수치 간의 보정 파라미터를 획득할 수 있다. 보정 파라미터 획득 장치(2400)는 제1 제조사의 이미지 장치로부터 획득된 뇌 이미지로부터 획득된 형태학적 수치를 제2 제조사의 이미지 장치로부터 획득된 뇌 이미지로부터 획득된 형태학적 수치로 보정하기 위한 보정 파라미터를 획득할 수 있다.
다만, 도 63 및 도 64에서 서술된 상관관계 분석은 예시에 불과하며, 비선형 분석 혹은 회귀분석 등 임의의 적절한 통계학적 기법을 활용하여 스캔 조건에 따른 형태학적 수치 간의 보정 파라미터를 획득할 수 있을 것이다.
또한, 도 63 및 도 64는 스캔 조건으로서 각각 자기장 강도와 제조사의 변수를 고려한 형태학적 수치 간의 보정 파라미터를 획득하는 방법에 대하여 예시하였으나, 유사한 방식으로 이미지 장치의 세팅 파라미터와 관련된 스캔 조건을 고려하여 보정 파라미터를 획득할 수 있음은 자명하다.
또한, 자기장 강도와 관련된 스캔 조건, 제조사와 관련된 스캔 조건 및 이미지 장치의 세팅 파라미터와 관련된 스캔 조건 중 적어도 2 이상의 스캔 조건을 고려하여 스캔 조건에 따른 형태학적 수치 간의 보정 파라미터를 획득할 수 있음은 물론이다.
다시 도 60을 참고한다. 본 출원의 일 실시예에 따른 보정 파라미터의 획득 방법은 적어도 하나 이상의 데이터 세트의 스캔 조건에 따른 형태학적 값의 상관관계를 분석하는 단계(S6200)를 포함할 수 있다. 이때, 보정 파라미터 획득 장치(2400)는 스캔 조건 이외의 타겟 요소의 위치와 관련된 정보를 고려하여 상관관계 분석을 수행하여 보정 파라미터를 획득하도록 구현될 수 있다.
다시 말해, 스캔 조건이 동일하더라도 타겟 요소의 위치에 따라 형태학적 지표를 보정하기 위한 파라미터가 상이할 수 있는데, 본 출원의 일 실시예에 따른 보정 파라미터 획득 장치(2400)는, 타겟 요소의 위치를 고려하여 형태학적 지표를 보정하기 위한 보정 파라미터를 획득하도록 구현될 수 있다.
구체적으로 타겟 이미지로부터 획득된 타겟 요소의 위치에 따라 타겟 요소의 형태학적 측정값과 형태학적 참값(혹은 형태학적 기준값)에 대한 차이가 상이할 수 있다. 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 타겟 요소의 위치를 고려하여 타겟 요소의 형태학적 측정값을 보정할 수 있다,
예를 들어, 이미지 분석 장치(2000)는 제1 뇌 요소의 형태학적 측정값을 제1 뇌 요소의 형태학적 참값(혹은 형태학적 기준값)으로 근사시키기 위하여 보정 파라미터 획득 장치(2400)로부터 제1 보정 파라미터를 획득할 수 있다. 반면 이미지 분석 장치(2000)는 제2 뇌 요소의 형태학적 측정값을 제2 뇌 요소의 형태학적 참값(혹은 형태학적 기준값)으로 근사시키기 위하여 보정 파라미터 획득 장치(2400)로부터 제2 보정 파라미터를 획득할 수 있다.
다른 예를 들어, 이미지 분석 장치(2000)는 제1 뇌 요소의 형태학적 측정값을 제1 뇌 요소의 형태학적 참값(혹은 형태학적 기준값)으로 근사시키기 위하여 보정 파라미터 획득 장치(2400)로부터 제1 보정 파라미터를 획득할 수 있다. 반면, 이미지 분석 장치(2000)는 제2 뇌 요소의 형태학적 측정 값은 제2 뇌 요소의 형태학적 참값(혹은 형태학적 기준값)과 실질적으로 동일하다고 판단할 수 있으며 보정 파라미터 획득 장치(2400)로부터 제2 보정 파라미터를 획득하지 않도록 구현될 수 있다.
다시 말해, 이미지 분석 장치(2000)는 타겟 요소의 위치에 따라 형태학적 측정값의 보정 여부를 다르게 수행하도록 구현될 수 있다.
이때, 뇌 요소의 형태학적 측정 값과 뇌 요소의 형태학적 참값이 실질적으로 동일한 지를 판단하기 위한 임의의 형태의 임계값이 설정될 수 있다.
이하에서는 스캔 조건 이외의 타겟 요소의 위치와 관련된 정보를 더 고려함에 따라 본 출원의 일 실시예에 따른 보정 파라미터의 획득 방법에 대하여 변경되거나 추가되는 내용을 중심으로 서술한다.
복수의 뇌 이미지 데이터 세트들을 획득하는 단계(S6100)에서, 본 출원의 일 실시예에 따른 보정 파라미터 획득 장치(2400)는 이미지 획득 장치(1000) 혹은 임의의 외부 장치로부터 복수의 뇌 이미지 데이터 세트들을 획득할 수 있다. 이때, 보정 파라미터 획득 장치(2400)는 데이터베이스 혹은 임의의 외부 장치로부터 복수의 뇌 이미지 데이터 세트들을 획득할 수 있다.
도 64를 참고한다. 도 64는 본 출원의 일 실시예에 따른 복수의 뇌 이미지 데이터 세트들이 포함하는 정보들을 설명하기 위한 예시적인 도면이다.
복수의 뇌 이미지 데이터 세트들은, 뇌 이미지가 획득된 스캔 조건 및 타겟 요소의 위치에 따른 형태학적 수치 혹은 형태학적 지표에 관한 정보를 포함할 수 있다.
일 예로, 제1 데이터 세트는, 제1 스캔 조건 하에서 획득된 제1 뇌 이미지(IM1)의 제1 부위에 대응되는 영역으로부터 계산된 형태학적 수치(혹은 형태학적 지표, V1)와 관련된 정보 및 제1 스캔 조건 하에서 획득된 제1 뇌 이미지(IM1)의 제2 부위에 대응되는 영역으로부터 계산된 형태학적 수치(혹은 형태학적 지표, V2)와 관련된 정보를 포함할 수 있다. 또한, 제1 데이터 세트는, 제2 스캔 조건 하에서 획득된 제2 뇌 이미지(IM2)의 제1 부위에 대응되는 영역으로부터 계산된 형태학적 수치(혹은 형태학적 지표, V1')와 관련된 정보 및 제2 스캔 조건 하에서 획득된 제2 뇌 이미지(IM2)의 제2 부위에 대응되는 영역으로부터 계산된 형태학적 수치(혹은 형태학적 지표, V2')와 관련된 정보를 포함할 수 있다.
또한, 복수의 뇌 이미지 데이터들을 제1 데이터 세트와 유사한 다양한 뇌 데이터들을 더 포함할 수 있다. 예를 들어, 제n 데이터 세트는, 제1 스캔 조건 하에서 획득된 제n 뇌 이미지(IMn)의 제1 부위에 대응되는 영역으로부터 계산된 형태학적 수치(혹은 형태학적 지표, V1n)와 관련된 정보 및 제1 스캔 조건 하에서 획득된 제1 뇌 이미지(IM1n)의 제2 부위에 대응되는 영역으로부터 계산된 형태학적 수치(혹은 형태학적 지표, V2n)와 관련된 정보를 포함할 수 있다. 또한, 제n 데이터 세트는, 제2 스캔 조건 하에서 획득된 제2 뇌 이미지(IM2n)의 제1 부위에 대응되는 영역으로부터 계산된 형태학적 수치(혹은 형태학적 지표, V1n')와 관련된 정보 및 제2 스캔 조건 하에서 획득된 제2 뇌 이미지(IM2n)의 제2 부위에 대응되는 영역으로부터 계산된 형태학적 수치(혹은 형태학적 지표, V2n')와 관련된 정보를 포함할 수 있다.
이때, 제2 부위는 제1 부위와 비교하여 두개골에 인접하여 위치될 수 있다. 즉 제1 부위와 제2 부위는 두개골 내에서 서로 상이한 위치에 존재하는 뇌 요소일 수 있다.
또한, 제1 부위와 제2 부위는 해부학적으로 구별될 수 있다.
또는, 제1 부위와 제2 부위는 서로 상이한 기능을 수행할 수 있다. 다시 말해, 제1 부위는 제1 뇌 기능을 수행하는 뇌 요소인 반면, 제2 부위는 제2 뇌 기능을 수행하는 뇌 요소일 수 있다.
다시 도 60을 참고하면, 본 출원의 일 실시예에 따른 보정 파라미터의 획득 방법은 적어도 하나의 데이터 세트의 스캔 조건에 따른 형태학적 값의 상관관계를 분석하는 단계(S6200) 및 상관관계 분석 결과에 기초하여 보정 파라미터를 획득하는 단계(S6300)를 포함할 수 있다.
이때, 본 출원의 일 실시예에 따른 보정 파라미터의 획득 방법은 적어도 하나 이상의 데이터 세트의 스캔 조건 및 "타겟 요소가 분포하는 위치"에 따른 형태학적 값들에 기초하여 상관관계 분석을 수행할 수 있다.
도 65를 참고한다. 도 65는 본 출원의 일 실시예에 따른 타겟 요소의 위치에 따른 형태학적 값들 간의 상관관계 분석의 예시적인 도면이다. 이때, x축은 제1 스캔 조건에서 획득된 형태학적 수치이며, y축은 제2 스캔 조건에서 획득된 형태학적 수치일 수 있다.
일 예로, 도 65를 참고하면, 보정 파라미터 획득 장치(2400)는 임의의 제i 데이터 세트에 포함된 제1 부위(예, frontal lobe 영역)와 관련하여, 제1 스캔 조건 하(예, 1.5T)에서 촬영된 제i 뇌 이미지(IM1i)로부터 획득된 형태학적 수치(V1i) 및 제2 스캔 조건 하(예, 3T 혹은 8T)에서 촬영된 제i 뇌 이미지(IM2i)로부터 획득된 형태학적 수치(V1i')들에 기초하여 제1 부위에 대한 제1 보정 파라미터를 획득할 수 있다.
다른 예로, 도 65를 참고하면, 보정 파라미터 획득 장치(2400)는 임의의 제j 데이터 세트에 포함된 제2 부위(예, cerebellum 영역)와 관련하여, 제1 스캔 조건 하(예, 1.5T)에서 촬영된 제j 뇌 이미지(IM1j)로부터 획득된 형태학적 수치(V2j) 및 제2 스캔 조건 하(예, 3T 혹은 8T)에서 촬영된 제j 뇌 이미지(IM2j)로부터 획득된 형태학적 수치(V2j')들에 기초하여 제2 부위에 대한 제2 보정 파라미터를 획득할 수 있다.
이때, 제1 부위에 대한 제1 보정 파라미터와 제2 부위에 대한 제2 보정 파라미터는 상이할 수 있다.
예컨대, 제1 보정 파라미터는 제1 스캔 조건 하에서 획득된 제1 부위와 관련된 형태학적 수치를 제2 스캔 조건 하에서 측정된 제1 부위와 관련된 형태학적 수치로 근사하는 파라미터를 포함할 수 있다. 혹은 제1 보정 파라미터는 제2 스캔 조건 하에서 획득된 제1 부위와 관련된 형태학적 수치를 제1 스캔 조건 하에서 측정된 제1 부위와 관련된 형태학적 수치로 근사하는 파라미터를 포함할 수 있다.
예컨대, 제1 보정 파라미터는 제1 스캔 조건 하에서 획득된 제1 부위와 관련된 형태학적 값과 제2 스캔 조건 하에서 획득된 제1 부위와 관련된 형태학적 값 간의 상관관계 분석을 통하여 획득된 변환 함수로부터 획득될 수 있다. 예를 들어, 제1 형태학적 값과 제2 형태학적 값 간의 상관관계 분석을 통하여 획득된 1차 함수가 y=a1*x+b1라면, a1과 b1이 제1 스캔 조건 하에서 획득된 제1 부위의 형태학적 값을 제2 스캔 조건 하에서 획득된 제1 부위의 형태학적 값으로 근사하기 위한 파라미터일 수 있다.
반면, 제2 보정 파라미터는 제1 스캔 조건 하에서 획득된 "제2 부위"와 관련된 형태학적 수치와 제2 스캔 조건 하에서 획득된 "제2 부위" 관련된 형태학적 수치에 기초한 상관관계 분석을 통하여, 제1 스캔 조건 하에서 획득된 제2 부위와 관련된 형태학적 수치를 제2 스캔 조건 하에서 측정된 제2 부위와 관련된 형태학적 수치로 근사하는 파라미터를 포함할 수 있다. 혹은 제2 보정 파라미터는 제2 스캔 조건 하에서 획득된 제2 부위와 관련된 형태학적 수치를 제2 스캔 조건 하에서 측정된 제2 부위와 관련된 형태학적 수치로 근사하는 파라미터를 포함할 수 있다.
예컨대, 제2 보정 파라미터는 제1 스캔 조건 하에서 획득된 제2 부위와 관련된 형태학적 값과 제2 스캔 조건 하에서 획득된 제2 부위와 관련된 형태학적 값 간의 상관관계 분석을 통하여 획득된 변환 함수로부터 획득될 수 있다. 예를 들어, 제1 형태학적 값과 제2 형태학적 값 간의 상관관계 분석을 통하여 획득된 1차 함수가 y=a2*x+b2라면, a2와 b2가 제1 스캔 조건 하에서 획득된 제2 부위의 형태학적 값을 제2 스캔 조건 하에서 획득된 제2 부ㅇ위의 형태학적 값으로 근사하기 위한 보정 파라미터일 수 있다.
또한 보정 파라미터 획득 장치(2400)는, 상술한 바와 유사하게 상관관계 분석을 통하여, 제2 스캔 조건 하에서 획득된 제1 부위의 형태학적 값을 제3 스캔 조건 하에서 획득된 제1 부위의 형태학적 값으로 근사하기 위한 보정 파라미터, 제2 스캔 조건 하에서 획득된 제2 부위의 형태학적 값을 제3 스캔 조건 하에서 획득된 제2 부위의 형태학적 값으로 근사하기 위한 보정 파라미터를 획득할 수 있다.
또한 보정 파라미터 획득 장치(2400)는, 상술한 바와 유사하게 상관관계 분석을 통하여, 제1 스캔 조건 하에서 획득된 제1 부위의 형태학적 값을 제3 스캔 조건 하에서 획득된 제1 부위의 형태학적 값으로 근사하기 위한 보정 파라미터, 제1 스캔 조건 하에서 획득된 제2 부위의 형태학적 값을 제3 스캔 조건 하에서 획득된 제2 부위의 형태학적 값으로 근사하기 위한 보정 파라미터를 획득할 수 있다.
본 출원의 일 실시예에 따른 보정 파라미터 획득 장치(2400)는 타겟 요소의 위치에 대한 변수를 고려하여 보정 파라미터를 부위별로 보다 정확하게 획득할 수 있으며, 부위별로 스캔 조건에 따라 영항을 받는 형태학적 수치나 지표를 보상할 수 있다는 유리한 효과가 존재한다.
따라서, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 보다 정확하고 객관적인 뇌 질환과 관련된 형태학적 지표 및 뇌 질환 진단 보조 지표를 사용자에게 제공할 수 있다는 장점이 존재한다.
추가적으로 본 출원의 일 실시예에 따른 보정 파라미터 획득 장치(2400)는 뇌의 좌반구, 우반구 모두에 존재하는 타겟 요소(예, 제1 뇌 요소 및 제2 뇌 요소)에 대하여 상술한 보정 파라미터 획득 동작을 각각 수행하도록 구현될 수 있다.
예를 들어, 도 65와 관련된 일 예에서는, 보정 파라미터 획득 장치(2400)는 좌반구에 위치하는 제1 부위(예, Frontal lobe)에 대하여 상관관계 분석을 수행하여 보정 파라미터를 획득할 수 있다.
또한, 보정 파라미터 획득 장치(2400)는 우반구에 위치하는 제1 부위(예, Frontal lobe)에 대하여도 상관관계 분석을 수행하여 보정 파라미터를 획득하도록 구현될 수 있으며, 제1 부위에 대하여 획득된 보정 파라미터는 좌반구와 우반구에 따라 상이할 수 있다.
한편, 이미지 분석 장치(2000)로부터 출력되는 타겟 요소와 관련된 형태학적 값이나 타겟 요소와 관련된 형태학적 지표를 이미지 분석 장치(2000)의 사용자가 목표하는 스캔 조건에 대응하는 형태학적 값이나 형태학적 지표로 수정할 필요성이 존재할 수 있다. 예를 들어, 출력되는 타겟 요소와 관련된 형태학적 값 등이 제1 스캔 조건 하에서 획득된 형태학적 값에 기초하여 획득된 값일 때, 사용자는 제1 스캔 조건이 아닌 제2 스캔 조건 하에서 획득된 형태학적 값에 대응하는 결과들로 타겟 요소와 관련된 형태학적 정보들을 출력받기를 원할 수 있다.
본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 입력 모듈을 통하여 사용자로부터 레퍼런스 스캔 조건과 관련된 입력을 획득할 수 있으며, 사용자 입력에 대응하는 타겟 요소와 관련된 형태학적 정보들을 출력하도록 구현될 수 있다.
이하에서는 도 66을 참고하여, 레퍼런스 스캔 조건과 관련된 사용자의 입력에 기초하여 뇌 형태학적 지표를 보정하는 다른 실시예에 대하여 보다 구체적으로 서술한다. 도 66은 본 출원의 일 실시예에 따른 이미지 분석 방법의 흐름도를 나타낸 도면이며, 구체적으로 도 58의 상기 S5300 단계를 세분화한 도면이다.
도 66을 참고하면, 본 출원의 일 실시예에 따른 뇌 형태학적 지표를 보정하는 단계(S5300)는, 세그멘테이션 결과에 기초하여 타겟 요소의 타겟 형태학적 값을 획득하는 단계(S5410), 레퍼런스 스캔 조건을 획득하는 단계(S5420) 및 타겟 이미지의 스캔 조건과 레퍼런스 스캔 조건이 대응되는지 여부를 판단하는 단계(S5430)를 포함할 수 있다.
이때, 타겟 이미지의 스캔 조건과 레퍼런스 스캔 조건이 대응된다면, 본 출원의 일 실시예에 따른 뇌 형태학적 지표를 보정하는 단계(S5300)는, 타겟 형태학적 값을 기초로 뇌 형태학적 지표를 출력하는 단계(S5440)를 포함할 수 있다.
한편, 타겟 이미지의 스캔 조건과 레퍼런스 스캔 조건이 대응되지 않는다면, 본 출원의 일 실시예에 따른 뇌 형태학적 지표를 보정하는 단계(S5300)는, 보정 파라미터를 획득하는 단계(S5450), 타겟 형태학적 값 및 보정 파라미터에 기초하여 타겟 형태학적 보정값을 획득하는 단계(S5460) 및 타겟 형태학적 보정값을 기초로 뇌 형태학적 지표를 출력하는 단계(S5470)를 포함할 수 있다.
세그멘테이션 결과에 기초하여 타겟 요소의 타겟 형태학적 값을 획득하는 단계(S5410)에서, 이미지 분석 장치(2000)는, 세그멘테이션 동작에 의해 획득된 타겟 요소에 대응되는 영역과 관련된 타겟 이미지의 복셀 데이터에 기초하여 타겟 요소와 관련된 타겟 형태학적 값을 획득할 수 있다.
혹은 이미지 분석 장치(2000)는, 세그멘테이션 동작에 의해 획득된 두개골의 내부 영역과 관련된 타겟 이미지의 복셀 데이터에 기초하여 두개골의 내부 영역과 관련된 형태학적 값을 획득할 수 있다.
또한, 세그멘테이션 결과에 기초하여 타겟 요소의 타겟 형태학적 값을 획득하는 단계(S5410)에서, 이미지 분석 장치(2000)는, 타겟 요소와 관련된 형태학적 값과 두개골의 내부 영역과 관련된 형태학적 값에 기초하여 타겟 요소와 관련된 타겟 요소의 뇌 형태학적 지표를 획득할 수 있다.
이때, 타겟 형태학적 값이나 뇌 형태학적 지표는 부피, 두께, 길이 및 형태 등을 포함하는 형태학적 특성(morphological character)와 관련된 수치일 수 있다.
레퍼런스 스캔 조건을 획득하는 단계(S5420)에서, 이미지 분석 장치(2000)는, 이미지 분석 장치(2000)에 포함된 입력 모듈(2040)을 통하여 사용자의 레퍼런스 스캔 조건과 관련된 입력을 획득할 수 있다. 혹은 이미지 분석 장치(2000)는, 출력 장치(2600)의 입력 모듈(2640)을 통하여 사용자의 레퍼런스 스캔 조건과 관련된 입력을 획득할 수 있다.
혹은 레퍼런스 스캔 조건은 미리 설정되어 있을 수 있다. 이미지 분석 장치(2000)는 미리 설정된 레퍼런스 스캔 조건과 관련된 정보를 획득할 수 있다.
이때, 레퍼런스 스캔 조건은 자기장 세기, 이미지 장치의 세팅 파라미터 혹은 이미지 장치의 제조사와 관련된 스캔 조건일 수 있다. 또는 레퍼런스 스캔 조건은 형태학적 지표를 획득하고자 하는 타겟 요소의 위치를 추가적으로 고려한 스캔 조건일 수 있다
이미지 분석 장치(2000)는 레퍼런스 스캔 조건을 획득함으로써, 레퍼런스 스캔 조건에 대응하는 타겟 요소의 형태학적 값이나 뇌 형태학적 지표를 출력하거나 보정할 수 있다. 예를 들어, 사용자는 레퍼런스 스캔 조건을 입력함으로써, 레퍼런스 스캔 조건 하에서 측정된 값으로 추정된 타겟 요소와 관련된 형태학적 값이나 뇌 형태학적 지표를 제공받을 수 있다.
타겟 이미지의 스캔 조건과 레퍼런스 스캔 조건이 대응되는지 여부를 판단하는 단계(S5430)에서, 이미지 분석 장치(2000)는 획득된 레퍼런스 스캔 조건과 타겟 이미지가 촬영된 스캔 조건이 대응되는지 여부를 판단할 수 있다.
구체적으로, 이미지 분석 장치(2000)는 이미지 획득 장치(1000)나 혹은 임의의 외부 장치(예, 서버)로부터 타겟 이미지가 촬영된 스캔 조건과 관련된 정보를 획득할 수 있다.
예를 들어, 상술한 바와 같이, 타겟 이미지가 촬영된 스캔 조건이 타겟 이미지에 대하여 메타 데이터로서 구조화될 수 있으며, 이미지 분석 장치(2000)는 타겟 이미지가 촬영된 스캔 조건와 관련된 메타 데이터를 인식함으로써, 타겟 이미지가 촬영된 스캔 조건과 관련된 정보를 획득할 수 있다.
다른 예를 들어, 이미지 분석 장치(2000)는 타겟 이미지가 촬영된 스캔 조건을 입력 모듈을 통하여 사용자로부터 입력받아 타겟 이미지가 촬영된 스캔 조건을 획득할 수 있다.
다른 예를 들어, 상술한 바와 같이, 타겟 이미지가 촬영된 스캔 조건과 관련된 정보는 임의의 외부 장치로부터 획득될 수 있다.
이때, 이미지 분석 장치(2000)는 획득한 타겟 이미지가 촬영된 스캔 조건과 레퍼런스 스캔 조건이 대응하는지 여부를 판단할 수 있다.
예를 들어, 타겟 이미지가 자기장 세기가 1.5T에서 촬영되었으며, 사용자로부터 레퍼런스 스캔 조건으로 자기장 세기 3T과 관련된 정보가 획득되었다면, 이미지 분석 장치(2000)는 타겟 이미지의 스캔 조건과 레퍼런스 스캔 조건이 대응되지 않는다고 판단할 수 있다.
반면, 타겟 이미지가 자기장 세기가 3T에서 촬영되었으며, 자기장 세기 3T과 관련된 레퍼런스 스캔 조건이 획득되었다면, 이미지 분석 장치(2000)는 타겟 이미지의 스캔 조건과 레퍼런스 스캔 조건이 대응된다고 판단할 수 있다.
다른 예를 들어, 타겟 이미지가 제1 제조사에 의해 제조된 이미지 장치에서 촬영되었으며, 제2 제조사와 관련된 레퍼런스 스캔 조건이 획득되었다면, 이미지 분석 장치(2000)는 타겟 이미지의 스캔 조건과 레퍼런스 스캔 조건이 대응되지 않는다고 판단할 수 있다.
반면, 타겟 이미지가 제1 제조사에 의해 제조된 이미지 장치에서 촬영되었으며, 제1 제조사와 관련된 레퍼런스 스캔 조건이 획득되었다면, 이미지 분석 장치(2000)는 타겟 이미지의 스캔 조건과 레퍼런스 스캔 조건이 대응된다고 판단할 수 있다.
타겟 이미지의 스캔 조건과 레퍼런스 스캔 조건이 대응되는지 여부를 판단하는 단계(S5430)에서, 이미지 분석 장치(2000)가 타겟 이미지의 스캔 조건과 레퍼런스 스캔 조건이 대응된다고 판단한다면, 이미지 분석 장치(2000)는 세그멘테이션 결과에 기초하여 획득한 타겟 요소의 타겟 형태학적 값을 기초로 뇌 형태학적 지표를 출력하도록 구현될 수 있다. (S5440)
다시 말해, 타겟 이미지의 스캔 조건과 레퍼런스 스캔 조건이 대응된다면, 사용자가 제공받고자 하는 스캔 조건으로의 보정이 수행되지 않아도 무방하기에 이미지 분석 장치(2000)는 세그멘테이션 결과에 기초하여 획득한 타겟 요소의 타겟 형태학적 값을 기초로 뇌 형태학적 지표를 출력하도록 구현될 수 있다.
반면, 타겟 이미지의 스캔 조건과 레퍼런스 스캔 조건이 대응되는지 여부를 판단하는 단계(S5430)에서, 이미지 분석 장치(2000)가 타겟 이미지의 스캔 조건과 레퍼런스 스캔 조건이 대응되지 않는다고 판단한다면, 이미지 분석 장치(2000)는 보정 파라미터 획득 장치(2400)로부터 타겟 이미지의 스캔 조건과 레퍼런스 스캔 조건에 대응되는 상관관계 분석에 기초하여 획득된 보정 파라미터를 획득하도록 구현될 수 있다. (S5450)
예를 들어, 타겟 이미지가 자기장 세기가 1.5T에서 촬영되었으며, 자기장 세기 3T과 관련된 레퍼런스 스캔 조건이 획득되었다면, 이미지 분석 장치(2000)는, 보정 파라미터 획득 장치(2400)로부터 자기장 세기가 1.5T에서 촬영된 제1 이미지로부터 획득된 제1 형태학적 값을 자기장 세기가 3T에서 촬영된 제2 이미지로부터 획득된 제2 형태학적 값으로 변환하거나 근사하는 보정 파라미터를 획득하도록 구현될 수 있다. 또는 이미지 분석 장치(2000)는, 보정 파라미터 획득 장치(2400)로부터 획득된 보정 파라미터 데이터베이스로부터 자기장 세기가 1.5T에서 촬영된 제1 이미지로부터 획득된 제1 형태학적 값을 자기장 세기가 3T에서 촬영된 제2 이미지로부터 획득된 제2 형태학적 값으로 변환하거나 근사하는 파리미터를 보정 파라미터로 결정할 수 있다.
다른 예를 들어, 타겟 이미지가 제1 제조사에 의해 제조된 이미지 장치에서 촬영되었으며, 제2 제조사와 관련된 레퍼런스 스캔 조건이 획득되었다면, 이미지 분석 장치(2000)는, 보정 파라미터 획득 장치(2400)로부터 제1 제조사의 이미지 장치로 촬영된 제1 이미지로부터 획득된 제1 형태학적 값과 제2 제조사의 이미지 장치로 촬영된 촬영된 제2 이미지로부터 획득된 제2 형태학적 값으로 변환하거나 근사하는 보정 파라미터를 획득하도록 구현될 수 있다. 또는 이미지 분석 장치(2000)는, 보정 파라미터 획득 장치(2400)로부터 획득된 보정 파라미터 데이터베이스로부터 제1 제조사의 이미지 장치로 촬영된 제1 이미지로부터 획득된 제1 형태학적 값과 제2 제조사의 이미지 장치로 촬영된 촬영된 제2 이미지로부터 획득된 제2 형태학적 값으로 변환하거나 근사하는 파라미터를 보정 파라미터로 결정하도록 구현될 수 있다.
타겟 형태학적 값 및 보정 파라미터에 기초하여 타겟 형태학적 보정값을 획득하는 단계(S5460)에서, 이미지 분석 장치(2000)는 획득한 보정 파라미터 및 세그멘테이션 결과에 기초하여 획득한 타겟 요소의 타겟 형태학적 값에 기초하여 타겟 형태학적 보정값(혹은 보정된 타겟 형태학적 값)을 획득할 수 있다.
예를 들어, 타겟 이미지가 자기장 세기가 1.5T에서 촬영되었으며, 자기장 세기 3T과 관련된 레퍼런스 스캔 조건이 획득되었다면, 이미지 분석 장치(2000)는 1.5T에서 촬영된 뇌 이미지로부터 획득한 타겟 요소와 관련된 형태학적 값(혹은 형태학적 지표)을 3T에서 획득된 것에 대응될 수 있는 형태학적 값(혹은 형태학적 지표)으로 보정할 수 있는 제1 보정 파라미터를 획득할 수 있다. 이때, 이미지 분석 장치(2000)는 타겟 이미지의 세그멘테이션 결과에 기초하여 획득한 타겟 요소와 관련된 타겟 형태학적 값(혹은 타겟 형태학적 지표)에 제1 보정 파라미터를 적용함으로써, 타겟 형태학적 보정값을 획득할 수 있다.
다른 예를 들어, 타겟 이미지가 제1 제조사에 의해 제조된 이미지 장치에서 촬영되었으며, 제2 제조사와 관련된 레퍼런스 스캔 조건이 획득되었다면, 이미지 분석 장치(2000)는 제1 제조사의 이미지 장치로 촬영된 뇌 이미지로부터 획득한 타겟 요소와 관련된 형태학적 값(혹은 형태학적 지표)을 제2 제조사의 이미지 장치로부터 획득된 것에 대응될 수 있는 형태학적 값(혹은 형태학적 지표)으로 보정할 수 있는 제2 보정 파라미터를 획득할 수 있다. 이때, 이미지 분석 장치(2000)는 타겟 이미지의 세그멘테이션 결과에 기초하여 획득한 타겟 요소와 관련된 타겟 형태학적 값(혹은 타겟 형태학적 지표)에 제2 보정 파라미터를 적용함으로써, 타겟 형태학적 보정값을 획득할 수 있다.
타겟 형태학적 보정값을 기초로 뇌 형태학적 지표를 출력하는 단계(S5470)에서, 이미지 분석 장치(2000)는 타겟 형태학적 보정값을 기초로 타겟 요소와 관련된 뇌 형태학적 지표를 출력할 수 있다.
예를 들어, 이미지 분석 장치(2000)는 타겟 이미지의 세그멘테이션 결과에 따라 획득된 두개골의 내부 영역에 대응되는 형태학적 값과 타겟 형태학적 보정값을 기초로 타겟 요소와 관련된 뇌 형태학적 지표를 계산하여 출력하도록 구현될 수 있다. 좀 더 구체적으로 두개골의 내부 영역에 대응되는 형태학적 값에 대한 타겟 형태학적 보정값의 비율을 타겟 요소와 관련된 뇌 형태학적 지표로 계산하여 출력하도록 이미지 분석 장치(2000)가 구현될 수 있다.
이때, 두개골의 내부 영역에 대응되는 형태학적 값은 상술한 바와 같이 사용자의 레퍼런스 스캔 조건의 입력에 따라 보정 파라미터를 획득하여 보정된 값일 수 있다.
상술한 바에 따르면, 스캔 조건으로 자기장 세기와 이미지 장치의 제조사와 관련된 내용을 중심으로 서술하였으나, 이에 제한되지 않으며, 이미지 장치와 관련된 세팅 파라미터에 대한 스캔 조건에 대하여도 유사하게 적용될 수 있다.
또한, 도 66에 따르면, 이미지 분석 장치(2000)가 타겟 이미지의 스캔 조건과 레퍼런스 스캔 조건이 대응되는지 여부를 판단하며, 판단한 결과에 따라 보정 파라미터를 획득하거나 결정하는 것으로 설명하였으나, 이에 제한되지 않으며, 이미지 분석 장치(2000)가 타겟 이미지의 스캔 조건과 레퍼런스 스캔 조건이 대응되는지 여부를 판단하는 과정이 생략될 수 있다. 예컨대, 이미지 분석 장치(2000)는 레퍼런스 스캔 조건 및 타겟 이미지의 스캔 조건을 획득하고, 레퍼런스 스캔 조건 및 타겟 이미지의 스캔 조건에 기초하여 결정된 보정 파라미터에 기초하여 타겟 형태학적 보정값이나 뇌 형태학적 지표를 획득하도록 구현될 수 있을 것이다.
이하에서는 도 67을 참고하여, 본 출원의 일 실시예에 따라 출력되는 형태학적 지표와 관련된 정보들의 예시 및 사용자의 레퍼런스 스캔 조건과 관련된 입력을 수신하는 유저 인터페이스를 설명한다. 도 67은 본 출원의 일 실시예에 따른 유저 인터페이스를 개략화한 도면이다.
도 67을 참고하면, 본 출원의 일 실시예에 따른 유저 인터페이스는 입력 모듈(2040 혹은 2640)을 통하여 레퍼런스 스캔 조건과 관련된 사용자의 입력을 획득하고, 출력 모듈(2050 혹은 2650)을 통하여 레퍼런스 스캔 조건과 관련된 사용자의 입력에 대응되는 정보를 출력하도록 제공될 수 있다. 이때, 출력 모듈(2050 혹은 2650)은 스마트폰의 디스플레이, 모니터의 디스플레이 등 임의의 적절한 형태로서 구현될 수 있다.
일 예로, 이미지 분석 장치(2000)는, 이미지 분석 장치(2000)의 출력 모듈(2050) 혹은 출력 장치(2600)의 출력 모듈(2650)을 통하여, 형태학적 지표와 관련된 정보들을 출력할 수 있다.
이때, 이미지 분석 장치(2000)는 현재 스캔 조건에 대한 정보(O1)를 출력하도록 구현될 수 있다. 구체적으로 이미지 분석 장치(2000)는 출력되는 형태학적 지표와 관련된 정보들이 어떠한 스캔 조건에 대응되어 출력되는 것인지와 관련된 정보들(O1)을 출력하도록 구현될 수 있다. 예를 들어, 도 67을 다시 참고하면, 현재 출력되는 형태학적 지표와 관련된 정보들은, 타겟 이미지가 제1 제조사에 의해 제조된 이미지 장치에서 1.5T의 자기장 세기에 대응하는 스캔 조건 하에서 획득된 것을 나타내는 정보들을 포함할 수 있다.
본 출원의 일 실시예에 따른 유저 인터페이스는 사용자의 레퍼런스 스캔 조건에 대한 입력을 획득하기 위한 체크박스들을 포함한 레퍼런스 스캔 조건에 대한 정보(O2)를 출력하도록 구현될 수 있다.
구체적으로 사용자는 입력 모듈을 통하여 자기장 세기과 관련된 레퍼런스 스캔 조건에 대응되는 체크박스를 선택하도록 유저 인터페이스가 구현될 수 있으며, 이미지 분석 장치(2000)는 유저 인터페이스를 통하여 자기장 세기와 관련된 레퍼런스 스캔 조건을 획득할 수 있다.
또한 사용자는 입력 모듈을 통하여 제조사와 관련된 레퍼런스 스캔 조건에 대응되는 체크박스를 선택하도록 유저 인터페이스가 구현될 수 있으며, 이미지 분석 장치(2000)는 유저 인터페이스를 통하여 제조사와 관련된 관련된 레퍼런스 스캔 조건을 획득할 수 있다. 레퍼런스 스캔 조건에 대한 정보(O2)는 체크 박스 이외의 다른 형태의 입력 인터페이스를 통하여 입력될 수도 있다.
예를 들어, 도 67을 참고하면, 사용자는 입력 모듈을 통하여, 현재 출력되는 형태학적 지표와 관련된 정보(예, 제1 제조사에 의해 제조된 이미지 장치에서 1.5T의 자기장 세기에 대응하는 스캔 조건 하에서 계산된 정보들(F1, G1, T1))들을 제1 제조사에 의해 제조된 이미지 장치에서 3T의 자기장 세기에 대응하는 스캔 조건 하에서 획득된 것과 같은 형태학적 지표와 관련된 정보들로 변환하기 위한 입력 데이터를 입력할 수 있다.
이때, 이미지 분석 장치(2000)는, 도 67과 관련되어 상술한, 획득된 레퍼런스 스캔 조건에 기초하여 대응되는 보정 파라미터를 획득하고, 형태학적 값(혹은 형태학적 지표)을 보정하여 출력하는 동작을 수행하도록 구현될 수 있다.
이때, 이미지 분석 장치(2000)는 보정된 형태학적 값 혹은 보정된 형태학적 지표에 기초하여, 기존에 출력된 형태학적 지표와 관련된 정보들을 변경하여 출력하도록 구현될 수 있다.
예를 들어, 사용자으로부터 획득된 레퍼런스 스캔 조건에 따라 계산된 형태학적 값이나 형태학적 지표가 변경될 수 있으며, 이에 기초하여 뇌 부피 백분위 그래프(G1)가 수정되어 출력 모듈(2050)를 통하여 출력되도록 구현될 수 있다.
다른 예를 들어, 사용자으로부터 획득된 레퍼런스 스캔 조건에 따라 계산된 형태학적 값이나 형태학적 지표가 변경될 수 있으며, 이에 기초하여 뇌 부피 상세분석표(T1)에 포함된 형태학적 값이나 형태학적 지표와 관련된 백분위와 같은 수치들이 수정되어 출력 모듈(2050)를 통하여 출력되도록 구현될 수 있다.
또 다른 예를 들어, 사용자으로부터 획득된 레퍼런스 스캔 조건에 따라 계산된 형태학적 값이나 형태학적 지표가 변경될 수 있으며, 이에 기초하여 뇌 부피 위축도(F1)에 포함된 형태학적 지표와 관련된 백분위에 따른 색상이 수정되어 출력 모듈(2050)를 통하여 출력되도록 구현될 수 있다.
다만 도 67에 도시된 유저 인터페이스는 예시에 불과하며, 유저 인터페이스는 임의의 적절한 방법을 통하여 사용자의 임의의 적절한 입력을 획득하고, 사용자 입력에 기초하여 변경되는 이미지 분석 장치의 분석 결과를 임의의 적절한 방법으로 출력하도록 구현될 수 있을 것이다.
본 실시예에 따르면, 이미지 분석 장치(2000)는 제1 스캔 조건 하에서 촬영된 타겟 이미지의 타겟 요소와 관련된 영역에 대응되는 타겟 형태학적 값을, 사용자의 입력에 기초하여 제1 스캔 조건 이외의 제2 스캔 조건 혹은 제3 스캔 조건 하에서의 타겟 요소의 형태학적 추정값으로 계산할 수 있다.
따라서, 본 실시예에 따른 이미지 분석 장치(2000)는 타겟 형태학적 값을 사용자가 원하는 스캔 조건에 대응하는 형태학적 추정값으로 자유롭게 보정할 수 있어 사용자가 원하는 스캔 조건에 따른 형태학적 지표 정보들을 사용자에게 제공할 수 있다는 유리한 효과가 존재한다.
한편, 본 출원의 일 실시예에 따른 형태학적 수치를 보정하기 위한 일 예는 도 58의 세그멘테이션 단계(S5200) 이전에도 수행될 수 있다. 다시 말해, 형태학적 수치를 보다 정확히 획득하기 위하여 이미지 분석 장치(2000)는 세그멘테이션 단계(S5200) 이전에 보정 동작을 수행하도록 구현될 수 있다.
이때, 본 출원의 일 실시예에 따르면, 타겟 이미지가 획득된 스캔 조건별로 타겟 이미지와 관련된 보정이 다르게 구현될 수 있다.
일 예로, 이미지 분석 장치(2000)는 타겟 이미지의 인텐시티(intentsity)의 정규화(Regularization)과 같은 동작을 수행하도록 제공될 수 있다. 이때, 타겟 이미지가 획득된 스캔 조건별로 인텐시티(intentsity)의 정규화(Regularization)의 보정 방법이 상이하게 구현될 수 있다.
다른 예로, 이미지 분석 장치(2000)는 타겟 이미지를 목표하는 자기장 세기 혹은 세팅 파라미터와 관련된 스캔 조건에 대응되는 뇌 이미지로 변환하는 동작을 수행하도록 구현될 수 있다. 예를 들어, 이미지 분석 장치(2000)는 MR 시뮬레이터(MR simulator) 등과 같은 임의의 적절한 소프트웨어, 이미지 변환 기법 혹은 학습된 인공 신경망을 이용하여, 타겟 이미지를 목표하는 스캔 조건에 대응되는 뇌 이미지로 변환할 수 있다. 이때, 타겟 이미지가 획득된 스캔 조건별로, 특히 타겟 이미지가 획득된 세팅 파라미터(예, TR, TE 등)를 고려하여 MR 시뮬레이터(MR simulator) 등의 이미지 변환 파라미터를 상이하게 제공함으로써 타겟 이미지의 보정이 수행될 수 있다. 이때, 이미지 분석 장치(2000)는 스캔 조건을 고려하여 타겟 이미지를 목표하는 스캔 조건에 대응되는 뇌 이미지로 변환하기 위한 변환 파라미터를 획득하거나 계산하도록 구현될 수 있다.
또는 타겟 요소의 위치별로 타겟 이미지와 관련된 보정이 다르게 제공될 수 있다.
일 예로, 이미지 분석 장치(2000)는 제1 뇌 요소에 대응되는 제1 영역에 대하여는 제1 방법으로 전처리를 수행하되, 제2 뇌 요소에 대응되는 제2 영역에 대하여는 제1 방법과는 상이한 제2 방법의 전처리를 수행하도록 구현될 수 있다.
예컨대, 제1 뇌 요소에 대응되는 제1 영역은, 제2 뇌 요소에 대응되는 제2 영역과 비교하여 두개골 영역에 인접하여 위치될 수 있다. 이때, 타겟 이미지의 해상도나 선명도와 관련하여 제1 영역은, 제2 영역에 비하여 상대적으로 선명하지 않을 수 있다. 이때, 이미지 분석 장치(2000)는 제1 영역에 대하여는 제1 방법을 이용하여 제1 영역의 선명도를 개선하는 전 처리를 수행하도록 구현될 수 있으며, 제2 영역에 대하여는 임의의 적절한 제2 방법을 이용하여 이미지 분석의 정확도를 개선하기 위한 전 처리를 수행하도록 구현될 수 있다.
상술한 바에 따르면, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 세그멘테이션 결과에 기초하여 획득된 형태학적 수치(예, 형태학적 값이나 형태학적 지표)에 대한 보정뿐만 아니라, 세그멘테이션 이전에 스캔 조건 등을 고려하여 추가적인 보정을 수행할 수 있기 때문에 보다 정확한 형태학적 수치를 획득할 수 있다는 유리한 효과가 존재할 수 있다.
따라서, 본 출원의 일 실시예에 따른 이미지 분석 장치(2000)는 객관적인 뇌 질환과 관련된 진단 보조 지표를 사용자에게 제공할 수 있다는 장점이 존재할 수 있다.
의료 이미지의 분석을 통해 다양한 지표 정보가 획득될 수 있고, 상기 지표 정보들로부터 도출될 수 있는 의료 정보 또한 다양할 수 있다. 예를 들어, 상기 지표 정보들로부터 도출될 수 있는 의료 정보는 상기 지표 정보들의 분석을 통해 획득되는 진단 정보, 분석 정보 또는 처방 정보에 관한 것일 수 있다.
이 경우, 획득되는 다양한 지표 정보 중 사용자에게 필요한 정보는 각각의 사용자마다 상이할 수 있다. 이에 따라, 의료 이미지가 포함하고 있는 다양한 지표 정보 중 사용자에게 필요한 지표 정보가 선별적으로 제공되어야 할 필요성이 존재한다. 또는, 의료 이미지가 포함하고 있는 다양한 지표 정보 중 사용자의 관심에 따라 선택된 지표 정보가 선별적으로 제공되어야 할 필요성도 존재한다. 즉, 사용자에게 필요한 정보를, 환자 정보 또는 사용자 정보 등에 따라 달리 제공함으로써, 의료 이미지로부터 도출된 지표 정보를 일률적으로 제공하는 것에 비하여, 사용자의 정보 취득이 보다 용이해질 수 있다.
일 실시예에 따르면, 이미지 출력 장치는 촬영된 의료 이미지의 분석을 통해 획득되는 다양한 지표 정보 중 사용자에게 필요한 지표 정보를 선택적으로 제공할 수 있다.
도 68은 일 실시예에 따른 의료 정보 출력 프로세스를 설명하기 위한 도면이다.
도 68을 참조하면, 일 실시예에 따른 의료 정보 출력 프로세스는 의료 데이터 획득 단계(S4100), 의료 정보 획득 단계(S4200), 진단 보조 정보 획득 단계(S4300) 및 진단 보조 정보 출력 단계(S4400)를 포함할 수 있다.
도 69는 일 실시예에 따른 이미지 분석 장치를 설명하기 위한 도면이다.
도 69를 참조하면, 일 실시예에 따른 이미지 분석 장치(4000)는 의료 정보를 출력할 수 있다. 이미지 분석 장치(4000)는 의료 데이터 획득 모듈(4100), 의료 정보 획득 모듈(4200), 진단 보조 정보 획득 모듈(4300) 및 진단 보조 정보 출력 모듈(4400)을 포함할 수 있다.
도면에서는 의료 데이터가 이미지 분석 장치를 통해 획득되는 것으로 표시되어 있으나, 의료 데이터는 이미지 획득 장치에 의해 획득될 수도 있다.
도 70은 의료 데이터 획득 모듈을 설명하기 위한 도면이다.
도 70을 참조하면, 의료 데이터 획득 모듈(4100)은 이미지 데이터 획득부(4110) 또는 비-이미지 데이터 획득부(4130) 중 어느 하나를 포함할 수 있다. 의료 데이터는 이미지 데이터 또는 비-이미지 데이터 중 어느 하나를 포함할 수 있다.
이미지 데이터 획득부(4110)는 이미지 데이터를 획득할 수 있다. 여기서, 이미지 데이터는 다양한 종류의 의료 이미지 또는 의료 영상을 포함할 수 있다. 이미지 데이터는 복수의 의료 이미지 또는 의료 영상을 포함할 수 있다.
비-이미지 데이터 획득부(4130)는 비-이미지 데이터를 획득할 수 있다. 여기서, 비-이미지 데이터는 건강과 관련된 문진표 데이터를 포함할 수 있다. 비-이미지 데이터는 이미지 데이터에 기초하여 획득된 비-이미지 정보를 포함할 수 있다.
도 71은 의료 정보 획득 모듈(4200)을 설명하기 위한 도면이다.
의료 정보 획득 모듈(4200)은 의료 데이터에 기초하여 의료 정보를 획득할 수 있다. 의료 정보는 대상체의 건강 상태와 관련한 다양한 정보를 포함할 수 있다. 의료 정보는 대상체와 관련한 다양한 지표 정보 예컨대, 인체의 일 영역에 관한 면적, 부피, 위치 또는 모양 등을 포함할 수 있다.
도 71을 참조하면, 의료 정보 획득 모듈(4200)은 제1 의료 정보 획득부(4210) 또는 제2 의료 정보 획득부(4230) 중 어느 하나를 포함할 수 있다.
제1 의료 정보 획득부(4210)는 제1 의료 정보를 획득할 수 있다. 제2 의료 정보 획득부(4230)는 제2 의료 정보를 획득할 수 있다. 이 경우, 제1 의료 정보 또는 제2 의료 정보는 학습된 신경망을 이용하여 의료 데이터를 기초로 획득된 정보를 포함할 수 있다. 제1 의료 정보 또는 제2 의료 정보는 의료 데이터와 로데이터를 포함할 수 있다. 제1 의료 정보 또는 제2 의료 정보는 의료 데이터를 기초로 획득되는 형태학적 지표 또는 형태학적 값을 포함할 수 있다.
제1 의료 정보 획득부(4210) 및 제2 의료 정보 획득부(4230)는 각각 독립된 의료 데이터에 기초하여 의료 정보를 획득할 수 있다. 제1 의료 정보 획득부(4210)은 제1 의료 데이터에 기초하여 의료 정보를 획득하고, 제2 의료 정보 획득부(4230)는 제2 의료 데이터에 기초하여 의료 정보를 획득할 수 있다. 예시적으로, 제1 의료 정보 획득부(4210)은 이미지 데이터에 기초하여 의료 정보를 획득하고, 제2 의료 정보 획득부(4230)는 비-이미지 데이터에 기초하여 의료 정보를 획득할 수 있다.
또는, 제1 의료 정보 획득부(4210) 및 제2 의료 정보 획득부(4230)는 공통되는 의료 데이터에 기초하여 의료 정보를 획득할 수 있다. 제1 의료 정보 획득부(4210) 및 제2 의료 정보 획득부(4230)는 제1 의료 데이터에 기초하여 의료 정보를 획득할 수 있다. 예시적으로, 제1 의료 정보 획득부(4210) 및 제2 의료 정보 획득부(4230)는 이미지 데이터 또는 비-이미지 데이터에 기초하여 의료 정보를 획득할 수 있다.
도 71에서는, 제1 의료 정보 획득부(4210)와 제2 의료 정보 획득부(4230)가 구별되는 것으로 예시하였으나, 이는 예시에 불과하며 제1 의료 정보 획득부(4210)와 제2 의료 정보 획득부(4230)는 하나의 물리적 또는 논리적 구성으로 마련될 수 있다.
도 72는 진단 보조 정보 획득 모듈(4300)을 설명하기 위한 도면이다.
진단 보조 정보 획득 모듈(4300)은 진단 보조 정보를 획득할 수 있다. 진단 보조 정보는 학습된 신경망을 이용하여 의료 정보를 기초로 획득된 정보일 수 있다. 진단 보조 정보는 의료 정보를 가공하여 획득된 정보일 수 있다. 예컨대, 진단 보조 정보는 의료 정보에 기초한 질병 진단 정보, 의료 정보 분석 정보, 처방 정보 등을 포함할 수 있다. 진단 보조 정보는 이미지 형태 또는 텍스트 형태일 수 있다.
또한, 진단 보조 정보는 본 명세서에서 예시된 이미지 분석과 관련된 정보 예컨대, 이미지 품질 관련 정보, ICV 관련 정보, Calibration 관련 정보 또는 세그멘테이션(segmentation) 관련 정보를 포함할 수 있다.
도 72를 참조하면, 진단 보조 정보 획득 모듈(4300)은 제1 진단 보조 정보 획득부(4310) 또는 제2 진단 보조 정보 획득부(4330) 중 어느 하나를 포함할 수 있다.
제1 진단 보조 정보 획득부(4310)는 제1 진단 보조 정보를 획득할 수 있다. 제2 진단 보조 정보 획득부(4330)는 제2 진단 보조 정보를 획득할 수 있다.
제1 진단 보조 정보 획득부(4310) 및 제2 진단 보조 정보 획득부(4330)는 각각 독립된 의료 정보에 기초하여 진단 보조 정보를 획득할 수 있다. 제1 진단 보조 정보 획득부(4310)는 제1 의료 정보에 기초하여 진단 보조 정보를 획득하고, 제2 진단 보조 정보 획득부(4330)는 제2 의료 정보에 기초하여 진단 보조 정보를 획득할 수 있다. 예시적으로, 제1 진단 보조 정보 획득부(4310)는 이미지 데이터에 기초하여 진단 보조 정보를 획득하고, 제2 진단 보조 정보 획득부(7313)는 비-이미지 데이터에 기초하여 진단 보조 정보를 획득할 수 있다.
또는, 제1 진단 보조 정보 획득부(4310) 및 제2 진단 보조 정보 획득부(4330)는 공통되는 의료 정보에 기초하여 진단 보조 정보를 획득할 수 있다. 제1 진단 보조 정보 획득부(4310) 및 제2 진단 보조 정보 획득부(4330)는 제1 의료 정보에 기초하여 진단 보조 정보를 획득할 수 있다. 예시적으로, 제1 의료 정보는 이미지 데이터 또는 비-이미지 데이터일 수 있다.
도 72에서는, 제1 진단 보조 정보 획득부(4310)와 제2 진단 보조 정보 획득부(4330)가 구별되는 것으로 예시하였으나, 이는 예시에 불과하며 제1 진단 보조 정보 획득부(4310)와 제2 진단 보조 정보 획득부(4330)는 하나의 물리적 또는 논리적 구성으로 마련될 수 있다.
도 73는 진단 보조 정보 출력 모듈(4400)을 설명하기 위한 도면이다.
도 73을 참조하면, 진단 보조 정보 출력 모듈(4400)은 진단 보조 정보 출력부(4410), 코멘트 생성부(4420) 또는 코멘트 출력부(4430)를 포함할 수 있다.
진단 보조 정보 출력부(4410)는 진단 보조 정보를 출력할 수 있다. 진단 보조 정보 출력부(4410)는 복수의 진단 보조 정보(예컨대, 처방 정보 및 대상 질병 관련 지표 정보)를 출력할 수 있다. 예컨대, 진단 보조 정보 출력부(4410)는 제1 진단 보조 정보와 제2 진단 보조 정보에 기초한 정보를 출력할 수 있다. 진단 보조 정보 출력부(4410)는 진단 보조 정보를 이미지 또는 비-이미지 형태로 가공한 정보를 출력할 수 있다.
코멘트 생성부(4420)는 진단 보조 정보에 기초하여 결정된 코멘트를 생성할 수 있다. 코멘트 생성부(4420)는 복수의 진단 보조 정보에 기초하여 결정된 코멘트를 생성할 수 있다. 예컨대, 코멘트 생성부(4420)는 제1 질병과 관련된 제1 진단 보조 정보와 제2 질병과 관련된 제2 진단 보조 정보에 기초하여 제1 코멘트를 생성할 수 있다. 이 경우, 제1 코멘트는 제1 질병과 관련된 정보 및/또는 제1 질병에 대한 처방 내지 의료적 처치와 관련된 정보를 포함할 수 있다.
치매와 관련된 제1 보조 정보 예컨대, 해마의 수축 정도에 관한 정보와 치매와 관련된 제2 보조 정보 예컨대, 해마의 모양과 관련한 정보에 기초하여 제1 코멘트를 생성할 수 있다.
제1 코멘트는 대상체가 치매 위험도가 00%로 치매 초기 단계에 해당할 수 있다는 메시지를 나타낼 수 있다. 또한, 제1 코멘트는 대상체가 치매 초기 단계에 해당하므로 인지 능력이 저하될 수 있다는 메시지를 나타낼 수 있다.
한편, 진단 보조 정보 출력 모듈은, 복수의 미리 정해진 조건에 기초하여, 획득한 의료 정보가 만족하는 조건에 따라, 진단 보조 정보 또는 코멘트를 달리 출력할 수 있다.
예컨대, 복수의 미리 정해진 조건은, 하나 이상의 의료 정보에 대한 기준값을 포함하는 제1 조건 및 하나 이상의 의료 정보에 대한 기준값을 포함하고 제1 조건과 적어도 일부 상이한 제2 조건을 포함하고, 진단 보조 정보 출력 모듈은, 획득한 복수의 의료 정보가 제1 조건을 만족하는 경우 제1 진단 보조 정보(또는 제1 코멘트)를 출력하고, 획득한 복수의 의료 정보가 제2 조건을 만족하는 경우 제2 진단 보조 정보(또는 제2 코멘트)를 출력할 수 있다.
제1 조건은 제1 질병과 관련되고, 제1 의료 정보에 대한 제1 조건 및 제2 의료 정보에 대한 제2 조건을 포함할 수 있다. 제1 의료 정보에 대한 제1 조건은 제1 의료 정보가 제1 기준값을 초과하는 것을 포함하고, 제2 의료 정보에 대한 제2 조건은 제2 의료 정보가 제2 기준값을 초과하는 것을 포함할 수 있다. 제2 조건은 제2 질병과 관련되고, 제1 조건과 유사하게 구현될 수 있다.
이하에서는, 진단 보조 정보 및/또는 코멘트 생성에 기초가 되는 미리 정해진 조건에 대하여, 몇몇 실시예를 들어 설명한다.
도 74는 몇몇 대상 질병에 대하여, 관련된 지표를 예시하기 위한 도면이다.
도 74를 참조하면, 알츠하이머성 치매의 경우, 측두엽 위축 지표, 두정엽 위축 지표 및 해마 위축 지표와 관련될 수 있다. 혈관성 치매의 경우, 측두엽 위축 지표, 두정엽 위축 지표, 해마 위축 지표, 백질 병변 위축 지표 및 대상회 위축 지표와 관련될 수 있다. 전두측두엽(FTLD) 치매의 경우, 전두엽 위축 지표, 측두엽 위축 지표 및 해마 위축 지표와 관련될 수 있다.
각 질병과 지표 사이의 상관관계는 상이할 수 있다. 예컨대, 해마 위축 지표가 측두엽 위축 지표 및 두정엽 위축 지표보다 알츠하이머성 치매와 높은 연관성을 가질 수 있다. 백질 병변 지표가 해마 위축 지표 보다 혈관성 치매와 높은 연관성을 가지고, 해마 위축 지표가 전두엽 위축 지표, 측두엽 위축 지표 및 두정엽 위축 지표보다 혈관성 치매와 높은 연관성을 가질 수 있다. 전두엽 위축 지표 및 측두엽 위축 지표가 해마 위축 지표보다 전두측두엽 치매와 높은 연관성을 가질 수 있다.
진단 보조 정보 출력 모듈(4400)은, 도 74에서 예시하는 것과 같은 지표(의료 정보)와 질병 사이의 연관 관계에 기초하여 생성된 진단 보조 정보를 출력할 수 있다.
예컨대, 도 74를 참조하면, 의료 정보에 따르면 전두엽 지표, 측두엽 지표 및 해마 지표가 각각 임계값 이상인 경우, 진단 보조 정보 출력 모듈(4400)은, 대상체가 FTLD에 대하여 위험군에 속함을 나타내는 진단 보조 정보를 출력할 수 있다. 또는, 해마 지표, 측두엽 지표 및 두정엽 지표가 각각 임계값 이상인 경우, 진단 보조 정보 출력 모듈(4400)은, 대상체가 AD(Alzheimer’s disease)에 대하여 위험군에 속함을 나타내는 진단 보조 정보를 출력할 수 있다.
도 75는 일 실시예에 따른 의료 정보 출력 화면을 설명하기 위한 도면이다.
도 75를 참조하면, 의료 정보 출력 화면은 환자 정보(PI), 이미지 정보(RI), 지표 정보(FI), 진단 정보(DI) 또는 코멘트(CMT)를 포함할 수 있다.
이미지 정보(RI)는 진단 보조 정보와 관련된 의료 이미지가 표시된 이미지를 포함할 수 있다. 지표 정보(FI)는 의료 데이터로부터 획득된 의료 정보와 관련된 정보를 포함할 수 있다. 진단 정보(DI)는 의료 정보로부터 획득된 진단 보조 정보 예컨대, 질병 진단 정보, 의료 정보 분석 정보, 처방 정보 등을 포함할 수 있다.
코멘트(CMT)는 진단 보조 정보에 기초하여 생성된 코멘트를 포함할 수 있다. 도 74를 함께 참조하면, 전두엽 지표, 측두엽 지표 및 해마 지표가 각각 임계값 이상인 경우, ‘전두엽 및 측두엽의 위축 정도가 정상인에 비해 높은 수치를 나타내고, 해마의 위축 정도가 위험 수준이므로 FTLD(Frontal-temporal lobe dementia) 질병의 발생이 의심되는 상황’임을 나타내는 코멘트를 제공할 수 있다.
또는, 해마 지표, 측두엽 지표 및 두정엽 지표가 각각 임계값 이상인 경우, ‘해마의 위축 정도가 정상인인에 비해 높은 수치를 나타내고, 측두엽 및 두정엽의 위축 정도가 위험 수준에 해당하므로, AD(Alzheimer’s disease) 질병이 의심되는 상황’임을 나타내는 코멘트를 제공할 수 있다.
코멘트(CMT)는 진단 보조 정보에 기초하여 생성되는 처방 정보를 포함할 수 있다. 도 74를 함께 참조하면, 측두엽 지표, 두정엽 지표 및 해마 지표가 각각 임계값 이상인 경우, ‘알츠하이머 침해가 의심되는 상황이므로, 제1 처방 정보 예컨대, 아스피린 등의 혈소판 응집억제제, 와파린 등의 항응고제, 혈류순환개선제, 아세틸콜린 분해효소 억제제의 처방이 요구됨’을 나타내는 코멘트를 제공할 수 있다.
또는, 전두엽 지표, 측두엽 지표 및 해마 지표가 각각 임계값 이상인 경우, ‘전두측두엽 치매가 의심되는 상황이므로, 제2 처방 예컨대, 항정신병 약물, 항우울제, 항불안제, 수면제 등의 정신과적 약물에 관한 처방이 요구됨’을 나타내는 코멘트를 제공할 수 있다.
의료 이미지의 분석을 통해 다양한 지표 정보가 획득될 수 있는데, 상기 다양한 지표 정보를 사용자에게 일률적으로 표시 또는 제공하는 경우, 사용자(예를 들어, 임상의)가 필요에 따라 정보를 선별적으로 획득하여야 하는 불편함이 존재한다. 이에 따라, 사용자의 편의를 증진하기 위해, 사용자 정보 내지 환자 정보에 따라 의료 정보를 달리 제공하여야 할 필요성이 있다.
일 실시예에 따른 이미지 장치는 의료 데이터를 획득하고, 의료 데이터에 기초하여 복수의 의료 정보(예컨대, ICV 기타 형태학적 지표)를 획득하고, 의료 정보를 재구성한 후, 재구성된 정보를 제공할 수 있다.
재구성된 정보는 사용자 정보 또는 환자 정보에 기초하여 재구성된 정보일 수 있다. 여기서, 사용자 정보는 진료 과목, 카테고리, 평소 선호하는 지표들에 대한 사용자의 선택 등을 포함하고, 환자 정보는 환자 인적 사항, 환자의 건강 상태에 관한 정보, 환자의 의료 데이터를 분석하여 얻은 정보, 환자의 과거 진료 이력 등을 포함할 수 있다.
또는, 재구성된 정보는 상술한 사용자 정보 내지 환자 정보에 기초하여 획득된 복수의 의료 정보에 관한 우선 순위 또는 정렬 순서가 결정된 정보를 포함할 수 있다.
또는, 재구성된 정보는 획득된 복수의 의료 정보 중 상술한 사용자 정보 내지 환자 정보에 기초하여 우선적으로 선별된 일부 의료 정보를 포함할 수 있다.
진단 보조 정보 출력 모듈(4400)이 재구성된 정보를 제공하는 것은, 사용자 정보 내지 환자 정보에 기초하여 우선 순위가 높은 의료 정보가 상단에 표시되도록 제공하는 것을 포함할 수 있다. 또는, 진단 보조 정보 출력 모듈(4400)이 재구성된 정보를 제공하는 것은, 상술한 사용자 정보 내지 환자 정보에 기초하여 선별된 의료 정보를 제공하는 것을 포함할 수 있다.
이하에서는, 의료 정보를 선별적으로 제공하는 장치 및 방법에 대하여 보다 구체적으로 설명한다.
도 76는 다른 실시예에 따른 의료 정보 출력 프로세스를 설명하기 위한 도면이다.
도 76를 참조하면, 다른 실시예에 따른 의료 정보 출력 프로세스는 의료 데이터 획득 단계(S4100), 의료 정보 획득 단계(S4200), 선별 정보 획득 단계(S4700) 및 선별 정보 출력 단계(S4900)를 포함할 수 있다.
도 77은 다른 실시예에 따른 이미지 분석 장치를 설명하기 위한 도면이다.
도 77을 참조하면, 다른 실시예에 따른 이미지 분석 장치(4000)는 의료 정보를 출력할 수 있다. 이미지 분석 장치(4000)는 의료 데이터 획득 모듈(4100), 의료 정보 획득 모듈(4200), 선별 정보 획득 모듈(4700) 및 선별 정보 출력 모듈(4900)을 포함할 수 있다. 도면에서는 의료 데이터가 이미지 분석 장치를 통해 획득되는 것으로 표시되어 있으나, 의료 데이터는 이미지 획득 장치에 의해 획득될 수도 있다.
선별 정보 획득 모듈(4700)은 선별 정보를 획득할 수 있다.
선별 정보는 의료 정보를 기초로 획득된 정보일 수 있다. 선별 정보는 학습된 신경망 모델을 이용하여 의료 정보를 기초로 획득된 정보일 수 있다. 선별 정보는 의료 정보 중에서 질병 판단의 근거가 되는 정보일 수 있다. 선별 정보는 의료 정보 중 학습된 신경망 모델을 이용하여 선택된 정보를 의미할 수 있다.
선별 정보는 의료 정보 중 미리 정해진 선별 기준에 의해 선택된 정보를 의미할 수 있다.
일 실시예에 따르면, 선별 기준은 환자 정보를 기초로 결정될 수 있다. 선별 기준은 이미지 데이터에 기초하여 획득된 의료 정보 중 환자의 상태와 관련 있는 정보를 이미지 데이터 또는 비-이미지 데이터에 기초하여 획득된 의료 정보에서 선택하도록 정해질 수 있다.
선별 기준은 이미지 데이터에 기초하여 획득된 의료 정보 중 환자의 상태와 관련 있는 정보가 선별되도록 정해질 수 있다.
선별 기준은 기준 의료 정보에 따라 미리 정해진 의료 정보 세트가 선별되도록 정해질 수 있다. 구체적인 예로, 기준 의료 정보가 해마의 수축 정도인 경우, 선별 기준은, 해마의 수축 정도가 기준값 이상인 경우, 미리 정해진 하나 이상의 의료 정보가 출력되도록 정해질 수 있다. 이때, 선별되는 하나 이상의 의료 정보는 해마의 수축과 관련된 의료 정보일 수 있다. 예컨대, 해마의 수축은 혈관성 치매와 높은 관련성을 가지고, 선별되는 하나 이상의 의료 정보는, 혈관성 치매의 진단에 이용되는 측두엽 위축 정보 및 두정엽 위축 정보를 포함할 수 있다.
선별 기준은 사용자의 선택에 따라 미리 정해진 의료 정보 세트가 선별되도록 정해질 수 있다. 구체적인 예로, 사용자가 제1 진료과(예컨대, 영상의학과)에 속해 있는 경우, 선별 기준은, 사용자가 제1 진료과(예컨대, 영상의학과)인 경우, 미리 정해진 하나 이상의 의료 정보가 출력되도록 정해질 수 있다. 선별 정보 출력 모듈(4900)은 복수의 진료과(또는 항목) 중 어느 하나를 선택하는 사용자 입력에 기초하여, 선택된 진료과에 대응되는 의료 정보를 선별적으로 제공할 수 있다. 이때, 선별되는 하나 이상의 의료 정보는 제1 진료과(예컨대, 영상의학과)에서 다루어지는 의료 정보일 수 있다. 예컨대, 사용자가 제1 진료과에 속해있는 경우, 선별 정보 출력 모듈(4900)은 제1 진료과를 선택하는 사용자 입력에 응답하여, 제1 지표를 포함하는 의료 정보를 출력할 수 있다. 제1 지표는 제1 진료과에 대응되도록 미리 정해질 수 있다. 제1 진료과(예컨대, 영상의학과)는 제1 지표(예컨대, 백질 병변 등)와 높은 관련성을 가질 수 있다.
선별 기준은 의사의 관심 대상 질병에 따라 미리 정해진 의료 정보 세트가 선별되도록 정해질 수 있다. 구체적인 예로, 의사가 제1 질병(예컨대, 치매)를 관심 대상으로 하는 경우, 선별 기준은, 의사가 제1 질병(예컨대, 치매)인 경우, 미리 정해진 하나 이상의 의료 정보가 출력되도록 정해질 수 있다. 선별 정보 출력 모듈(4900)은 복수의 관심 대상 질병 중 어느 하나를 선택하는 사용자 입력에 기초하여, 선택된 질병에 대응되는 의료 정보를 선별적으로 제공할 수 있다. 이때, 선별되는 하나 이상의 의료 정보는 제1 질병(예컨대, 치매)와 높은 관련성을 가지는 의료 정보일 수 있다.
도 78은 선별 정보 획득 모듈을 설명하기 위한 도면이다.
도 78을 참조하면, 선별 정보 획득 모듈(4700)은 제1 선별 정보 획득부(4710) 또는 제2 선별 정보 획득부(4730)을 포함할 수 있다.
제1 선별 정보 획득부(4710)는 의료 정보 중 제1 선별 기준에 따라 선택된 제1 선별 정보를 획득할 수 있다.
제2 선별 정보 획득부(4730)는 의료 정보 중 제2 선별 기준에 따라 선택된 제2 선별 정보를 획득할 수 있다.
제1 선별 기준은 사용자 정보 또는 환자 정보와 관련된 기준 중 어느 하나일 수 있다. 제2 선별 기준은 사용자 정보 또는 환자 정보와 관련된 기준 중 제1 선별 기준과 상이한 어느 하나일 수 있다. 일 예로, 제1 선별 기준은 사용자 정보(예컨대, 의사의 진료과의 종류, 의사의 관심 대상)에 기초한 기준일 수 있고, 제2 선별 기준은 환자 정보(예컨대, 환자 인적 사항, 환자의 의료 데이터를 분석하여 얻은 정보, 환자의 과거 진료 이력)에 기초한 기준일 수 있다.
도 79은 선별 정보 출력 모듈(4900)을 설명하기 위한 도면이다.
도 79을 참조하면, 선별 정보 출력 모듈(4900)은 선별 정보 정렬부(4910), 선별 정보 출력부(4920), 코멘트 생성부(4930) 및 코멘트 출력부(4940)을 포함할 수 있다.
선별 정보 정렬부(4910)는 선별 정보 획득 모듈(4700)을 통해 획득된 선별 정보를 미리 정해진 정렬 기준에 따라 정렬할 수 있다. 정렬 기준은 선별 정보가 상술한 선별 기준에 가장 부합하는 순서로 정렬되도록 정해진 기준을 포함할 수 있다.
선별 정보 정렬부(4910)는 선별 정보가 선별 정보의 유형 별로 정렬되도록 정해진 기준에 따라 선별 정보를 정렬할 수 있다. 예컨대, 선별 정보 정렬부(4910)는 제1 질병과 관련된 선별 정보, 제2 질병과 관련된 선별 정보를 분류하여 정렬하도록 정해진 기준을 포함할 수 있다. 선별 정보 정렬부(4910)는 생략될 수 있다.
선별 정보 출력부(4920)는 선별 정보를 출력할 수 있다. 선별 정보 출력부(4920)는 선별 정보에 포함되는 복수의 의료 정보 중 일부를 출력할 수 있다. 선별 정보 출력부(4920)는 선별 정보에 포함되는 복수의 의료 정보 중 선별 기준에 부합하는 정도가 높은 일부 정보를 출력할 수 있다.
코멘트 생성부(4930)는 선별 정보에 기초하여 코멘트를 생성할 수 있다. 코멘트 생성부(4930)는 복수의 선별 정보에 기초하여 코멘트를 생성할 수 있다. 예컨대, 코멘트 생성부(4930)는 제1 질병과 관련된 제1 선별 정보와 제1 질병과 관련된 제2 선별 정보에 기초하여 제1 코멘트를 생성할 수 있다. 이 경우, 제1 코멘트는 제1 질병과 관련된 정보 및/또는 제1 질병에 대한 처방 내지 의료적 처치와 관련된 정보를 포함할 수 있다.
예시적으로, 치매와 관련된 제1 선별 정보 예컨대, 해마의 수축 정도에 관한 정보와 치매와 관련된 제2 선별 정보 예컨대, 해마의 모양과 관련한 정보에 기초하여 제1 코멘트를 생성할 수 있다. 이 경우, 제1 코멘트는 대상체는 치매 위험도가 00%로 치매 초기 단계에 해당할 수 있다는 메시지를 나타낼 수 있다. 또한, 제1 코멘트는 대상체가 치매 초기 단계에 해당하므로 인지 능력이 저하될 수 있다는 메시지를 나타낼 수 있다. 또한, 제1 코멘트는 대상체의 치매 진행 정도에 기초한 처방 정보를 나타낼 수 있다.
도 80 및 도 81은 선별 정보 출력 화면을 설명하기 위한 도면이다.
도 80를 참조하면, 일 실시예에 따른 선별 정보 출력 화면은 의료 정보 중 환자 정보와 관련된 정보를 선택하도록 정해진 선별 기준에 따라 선택된 정보에 기초한 출력화면일 수 있다.
일 실시예에 따른 선별 정보 출력 화면은 환자 정보(PI), 이미지 정보(MI), 질병 정보(DI), 선별 정보(SI), 분석 정보(AN) 또는 코멘트(CMT)를 포함할 수 있다.
이미지 정보(MI)는 선별 기준(예컨대, 환자 정보에 따른 선별 기준)에 따라 선택된 선별 정보와 관련된 의료 이미지를 포함할 수 있다.
질병 정보(DI)는 제1 선별 기준에 따라 선택된 선별 정보에 기초하여 획득된 질병 정보를 포함할 수 있다. 이 경우, 질병 정보(DI)는 대상체에 발생될 수 있는 적어도 하나 이상의 질병 정보 및 대상체에 해당 질병이 발생될 확률에 관한 정보를 포함할 수 있다. 질병 정보(DI)는 대상체에 발생될 수 있는 복수의 질병 정보가 일정 기준에 따라 정렬된 정보를 포함할 수 있다.
선별 정보(SI)는 의료 정보에 포함되어 있는 해부학적 지표 중 환자 정보와 관련된 해부학적 지표를 포함할 수 있다. 선별 정보(SI)는 질병 정보(DI)와 연관성이 있는 해부학적 지표를 포함할 수 있다. 예컨대, 사용자가 복수의 질병 정보 중 제1 질병 정보를 선택하는 경우, 선별 정보 출력 화면은 제1 질병과 관련 있는 해부학적 지표에 관한 제1 선별 정보를 제공할 수 있다. 사용자가 복수의 질병 정보 중 제1 질병 정보 및 제2 질병 정보를 선택하는 경우, 선별 정보 출력 화면은 제1 질병 정보 및 제2 질병 정보와 관련 있는 해부학적 지표에 관한 제2 선별 정보를 제공할 수 있다.
분석 정보(AN)는 대상체에 관한 의료 데이터에 기초하여 획득된 종합 분석 결과 예컨대, 레포트 형식의 종합 분석 결과를 포함할 수 있다.
코멘트(CMT)는 선별 정보에 기초하여 생성된 코멘트를 포함할 수 있다. 코멘트에 관련하여서는 본 명세서에서 상술한 내용이 적용될 수 있다. 코멘트는, 의료 정보 중 제1 질병을 기초로 획득된 선별 정보에 기초하여 제1 질병과 관련한 코멘트를 생성할 수 있다. 예컨대, 도 80을 참조하면, 코멘트는, 알츠하이머와 관련된 제1 선별 정보(예컨대, 해마 위축 정도) ,제2 선별 정보(예컨대, 전두엽 위축 정도) 및 대상체의 알츠하이머 위험 정도와 관련된 정보를 포함할 수 있다.
코멘트는, 복수의 질병 정보 중 어느 하나를 선택하는 사용자 입력에 응답하여 변경될 수 있다. 예컨대, 도 80에서, 사용자가 혈관성 치매 질병 정보 오브젝트를 선택함에 따라, 코멘트는 대상체의 혈관성 치매 위험 정도 및 대상체의 혈관성 치매에 관련된 선별 정보를 포함하는 것으로 변경될 수 있다.
도 81을 참조하면, 다른 실시예에 따른 선별 정보 출력 화면은 의료 정보 중 진료과에 따라 관련된 정보를 선택하도록 정해진 선별 기준에 따라 선택된 정보에 기초한 출력화면일 수 있다.
다른 실시예에 따른 선별 정보 출력화면은 환자 정보(PI), 이미지 정보(MI), 진료과 정보(CAT), 선별 정보(SI), 분석 정보(AN) 또는 코멘트(CMT)를 포함할 수 있다.
이미지 정보(MI)는 선별 기준(예컨대, 진료 과목에 따른 선별 기준)에 따라 선택된 선별 정보와 관련된 의료 이미지를 포함할 수 있다.
진료과 정보(CAT)는 제2 선별 기준에 따라 선택된 선별 정보에 기초하여 획득된 질병 정보를 포함할 수 있다. 이 경우, 진료과 정보(CAT)는 대상체와 관련된 의료 데이터를 분석하는 진료과 리스트를 포함할 수 있다. 진료과 리스트는 대상체와 관련된 의료 데이터의 분석을 요하는 적어도 하나 이상의 진료과를 포함할 수 있다.
선별 정보(SI)는 의료 정보에 포함되어 있는 해부학적 지표 중 선택된 진료과 정보(CAT)와 관련된 해부학적 지표를 포함할 수 있다. 선별 정보(SI)는 선택된 진료과 정보(CAT))와 연관성이 있는 해부학적 지표를 포함할 수 있다. 예컨대, 사용자가 복수의 진료과 중 제1 진료과를 선택하는 경우, 선별 정보 출력 화면은 제1 진료과와 관련 있는 해부학적 지표에 관한 제3 선별 정보를 제공할 수 있다. 사용자가 복수의 진료과 중 제1 진료과 및 제2 진료과를 선택하는 경우, 선별 정보 출력 화면은 제1 진료과 및 제2 진료과와 관련 있는 해부학적 지표에 관한 제4 선별 정보를 제공할 수 있다.
분석 정보(AN)는 대상체에 관한 의료 데이터에 기초하여 획득된 종합 분석 결과 예컨대, 레포트 형식의 종합 분석 결과를 포함할 수 있다.
코멘트(CMT)는 선별 정보에 기초하여 생성된 코멘트를 포함할 수 있다. 코멘트와 관련하여서는 본 명세서에서 상술한 내용이 적용될 수 있다. 코멘트는, 제1 진료과와 관련되어 획득된 선별 정보에 기초하여 제1 진료과와 관련한 코멘트를 생성할 수 있다. 예컨대, 도 81을 참조하면, 코멘트는, 신경과와 관련된 제1 선별 정보 및 제2 선별 정보와 관련된 정보를 포함할 수 있다.
코멘트는, 복수의 진료 과 중 어느 하나를 선택하는 사용자의 입력에 응답하여 변경될 수 있다. 예컨대, 도 81에서, 사용자가 영상학과 오브젝트를 선택함에 따라, 코멘트는 영상학과에서 필요로 하는 선별 정보를 포함하는 것으로 변경될 수 있다.
상술한 이미지 분석 장치(2000)의 이미지 분석 방법들은 이미지 분석 장치(2000)의 제1 메모리(2020)에 저장될 수 있으며, 이미지 분석 장치(2000)의 제1 컨트롤러(2030)는 제1 메모리(2020)에 저장된 이미지 분석 방법들을 수행하도록 제공될 수 있다.
본 출원에 개시된 뇌 영상 분석 방법, 뇌 영상 분석 장치 및 뇌 영상 분석 시스템은 뇌 영상을 분석하는 데 이용될 수 있다.
특히, 본 출원에 개시된 뇌 영상 분석 방법, 뇌 영상 분석 장치 및 뇌 영상 분석 시스템은, 정확도와 신뢰도가 높은 뇌 질환과 관련된 정보를 제공하는 모든 분야에 적용될 수 있다. 예를 들어, 뇌 질환을 진단하는 보조 지표를 계산하거나 뇌 질환과 관련된 보조 지표를 제공하는 건강 검진 분야 등에 활용될 수 있다.
다만, 본 출원에 개시된 뇌 영상 분석 방법, 뇌 영상 분석 장치 및 뇌 영상 분석 시스템은, 뇌 영상뿐만 아니라 모든 의료 이미지에 대하여도 적용될 수 있다. 따라서, 뇌 질환을 진단하는 보조 지표뿐만 아니라 다양한 질환을 진단하는 것을 보조하기 위한 특정 부위의 길이, 형상, 체적, 두께 등과 관련된 형태학적 지표를 획득하고 제공하기 위한 모든 분야에 대하여 적용될 수 있다.
이상에서 실시 형태들에 설명된 특징, 구조, 효과 등은 본 발명의 적어도 하나의 실시 형태에 포함되며, 반드시 하나의 실시 형태에만 한정되는 것은 아니다. 나아가, 각 실시 형태에서 예시된 특징, 구조, 효과 등은 실시 형태들이 속하는 분야의 통상의 지식을 가지는 자에 의해 다른 실시 형태들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
또한, 이상에서 실시 형태를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시 형태의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 즉, 실시 형태에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (36)

  1. 의료 영상을 획득하고, 상기 의료 영상에 기초하여 형태학적 분석을 수행하는 장치가 상기 의료 영상을 분석하는 방법에 있어서, 상기 방법은,
    제1 스캔 조건 하에서 획득된 제1 의료 영상으로부터 획득되고 타겟 요소와 관련된 제1 형태학적 값과 제2 스캔 조건 하에서 획득된 제2 의료 영상으로부터 획득되고 상기 타겟 요소와 관련된 제2 형태학적 값 사이의 상관 관계(correlation)에 기초하여 계산된 보정 파라미터를 획득함;
    상기 제2 스캔 조건 하에서 획득된 타겟 의료 영상을 획득함;
    상기 타겟 의료 영상을 상기 타겟 요소를 포함하는 복수의 요소들에 대응되는 복수의 영역들로 세그멘테이션을 수행함으로써, 상기 타겟 의료 영상으로부터 상기 타겟 요소에 관련된 타겟 영역을 획득함;
    상기 타겟 영역에 대응하는 복셀(voxel) 데이터에 기초하여 상기 타겟 요소와 관련된 타겟 형태학적 값을 획득함;
    상기 타겟 형태학적 값 및 상기 보정 파라미터에 기초하여 보정된 형태학적 값을 획득함; 및
    상기 보정된 형태학적 값에 기초하여 형태학적 지표를 출력함;을 포함하는,
    의료 영상 분석 방법.
  2. 제1 항에 있어서,
    상기 보정 파라미터는 상기 제2 형태학적 값에 기초하여 상기 제1 형태학적 값을 계산하기 위한 파라미터를 포함하고,
    상기 보정된 형태학적 값을 획득하는 것은, 상기 타겟 형태학적 값 및 상기 보정 파라미터에 기초하여, 상기 제1 스캔 조건 하에서의 상기 타겟 요소의 형태학적 추정값인 상기 보정된 형태학적 값을 획득하는 것을 포함하는,
    의료 영상 분석 방법.
  3. 제2 항에 있어서,
    상기 보정 파라미터는, 상기 제2 형태학적 값에 기초하여 상기 제1 형태학적 값을 계산하기 위한 선형 함수와 관련된 파라미터를 포함하고,
    상기 보정된 형태학적 값을 획득하는 것은, 상기 타겟 형태학적 값 및 상기 파라미터를 포함하는 상기 선형 함수에 기초하여, 상기 보정된 형태학적 값을 획득하는 것을 포함하는,
    의료 영상 분석 방법.
  4. 제1 항에 있어서,
    상기 제1 스캔 조건 및 상기 제2 스캔 조건은 의료 영상 획득 장치의 의료 영상의 해상도와 관련되는 자기장 강도, 상기 의료 영상 획득 장치의 제조사 및 상기 의료 영상 획득 장치의 생성되는 자기장의 형태와 관련된 세팅 파라미터 중 적어도 하나와 관련된,
    의료 영상 분석 방법.
  5. 제1 항에 있어서,
    상기 타겟 의료 영상은 제1 특성을 가지는 제1 대상체로부터 획득되고,
    상기 보정 파라미터는, 상기 제1 특성을 가지는 제2 대상체로부터 획득된 상기 제1 의료 영상 및 상기 제2 의료 영상으로부터 획득되되,
    상기 제1 특성은 대상체의 나이 또는 성별과 관련되는,
    의료 영상 분석 방법.
  6. 제1 항에 있어서,
    상기 세그멘테이션은, 상기 타겟 의료 영상에 기초하여 복수의 요소들에 대응되는 복수의 영역들을 획득하도록 제공되는 신경망을 사용하여 수행되는,
    의료 영상 분석 방법.
  7. 제1 항에 있어서,
    상기 방법은,
    상기 제2 스캔 조건 하에서 획득된 상기 타겟 의료 영상을 상기 제1 스캔 조건 하에서 획득된 영상에 대응하는 의료 영상으로 변환함;을 더 포함하며,
    상기 세그멘테이션은 상기 변환된 의료 영상에 기초하여 수행되는,
    의료 영상 분석 방법.
  8. 제1 항에 있어서,
    상기 제1 스캔 조건 및 상기 제2 스캔 조건이 자기장 강도와 관련되는 경우, 상기 보정 파라미터는 제2 자기장 강도 하에서 획득된 상기 제2 의료 영상으로부터 획득되고 타겟 요소와 관련된 상기 제2 형태학적 값을, 제1 자기장 강도 하에서 획득된 상기 제1 의료 영상으로부터 획득되고 타겟 요소와 관련된 상기 제1 형태학적 값으로 변환하기 위한 파라미터 세트를 포함하며,
    상기 타겟 의료 영상이 상기 제2 자기장 강도 하에서 획득된 경우, 상기 보정된 형태학적 값은, 상기 타겟 형태학적 값 및 상기 파라미터 세트에 기초하여 획득되는,
    의료 영상 분석 방법.
  9. 의료 영상을 분석하는 장치에 있어서,
    타겟 의료 영상을 획득하는 영상 획득부; 및
    상기 타겟 의료 영상에 기초하여 의료 영상 분석 정보를 제공하는 컨트롤러; 를 포함하되,
    상기 컨트롤러는,
    제1 스캔 조건 하에서 획득된 제1 의료 영상으로부터 획득되고 타겟 요소와 관련된 제1 형태학적 값과 제2 스캔 조건 하에서 획득된 제2 의료 영상으로부터 획득되고 상기 타겟 요소와 관련된 제2 형태학적 값 사이의 상관 관계(correlation)에 기초하여 계산된 보정 파라미터를 획득하고, 상기 제2 스캔 조건 하에서 획득된 타겟 의료 영상을 획득하고, 상기 타겟 의료 영상을 상기 타겟 요소를 포함하는 복수의 요소들에 대응되는 복수의 영역들로 세그멘테이션을 수행함으로써, 상기 타겟 의료 영상으로부터 상기 타겟 요소에 관련된 타겟 영역을 획득하고, 상기 타겟 영역에 대응하는 복셀(voxel) 데이터에 기초하여 상기 타겟 요소와 관련된 타겟 형태학적 값을 획득하고, 상기 타겟 형태학적 값 및 상기 보정 파라미터에 기초하여 보정된 형태학적 값을 획득하고, 상기 보정된 형태학적 값에 기초하여 형태학적 지표를 출력하도록 구성된,
    의료 영상 분석 장치.
  10. 제9 항에 있어서,
    상기 보정 파라미터는 상기 제2 형태학적 값에 기초하여 상기 제1 형태학적 값을 계산하기 위한 파라미터를 포함하고,
    상기 컨트롤러는,
    상기 타겟 형태학적 값 및 상기 보정 파라미터에 기초하여, 상기 제1 스캔 조건 하에서의 상기 타겟 요소의 형태학적 추정값인 상기 보정된 형태학적 값을 획득하도록 구성된,
    의료 영상 분석 장치.
  11. 제10 항에 있어서,
    상기 보정 파라미터는, 상기 제2 형태학적 값에 기초하여 상기 제1 형태학적 값을 계산하기 위한 선형 함수와 관련된 파라미터를 포함하고,
    상기 컨트롤러는,
    상기 타겟 형태학적 값 및 상기 파라미터를 포함하는 상기 선형 함수에 기초하여, 상기 보정된 형태학적 값을 획득하도록 구성된,
    의료 영상 분석 장치.
  12. 제9 항에 있어서,
    상기 제1 스캔 조건 및 상기 제2 스캔 조건은 의료 영상 획득 장치의 의료 영상의 해상도와 관련되는 자기장 강도, 상기 의료 영상 획득 장치의 제조사 및 상기 의료 영상 획득 장치의 생성되는 자기장의 형태와 관련된 세팅 파라미터 세팅 파라미터 중 적어도 하나와 관련된,
    의료 영상 분석 장치.
  13. 제9 항에 있어서,
    상기 타겟 의료 영상은 제1 특성을 가지는 제1 대상체로부터 획득되고,
    상기 보정 파라미터는, 상기 제1 특성을 가지는 제2 대상체로부터 획득된 상기 제1 의료 영상 및 상기 제2 의료 영상으로부터 획득되되,
    상기 제1 특성은 대상체의 나이 또는 성별과 관련되는,
    의료 영상 분석 장치.
  14. 제9 항에 있어서,
    상기 세그멘테이션은, 상기 타겟 의료 영상에 기초하여 복수의 요소들에 대응되는 복수의 영역들을 획득하도록 제공되는 신경망을 사용하여 수행되는,
    의료 영상 분석 장치.
  15. 제9 항에 있어서,
    상기 컨트롤러는,
    상기 제2 스캔 조건 하에서 획득된 상기 타겟 의료 영상을 상기 제1 스캔 조건 하에서 획득된 영상에 대응하는 의료 영상으로 변환하며, 상기 세그멘테이션은 상기 변환된 의료 영상에 기초하여 수행되도록 구성된,
    의료 영상 분석 장치.
  16. 제9 항에 있어서,
    상기 장치는,
    상기 형태학적 지표 및 형태학적 지표 데이터베이스에 기초하여 획득한 형태학적 정보를 출력하는 출력 모듈을 더 포함하되,
    상기 형태학적 정보는 상기 형태학적 지표 데이터베이스 및 상기 형태학적 지표에 기초하여, 상기 타겟 의료 영상의 대상체와 관련된 상기 형태학적 지표의 상기 형태학적 지표 데이터베이스에 대한 백분위 정보를 포함하며,
    상기 출력 모듈은 상기 백분위 정보를 반영하는 상기 형태학적 정보를 출력하도록 구성된,
    의료 영상 분석 장치.
  17. 제9 항에 있어서,
    상기 제1 스캔 조건 및 상기 제2 스캔 조건이 자기장 강도와 관련되는 경우, 상기 보정 파라미터는 제2 자기장 강도 하에서 획득된 상기 제2 의료 영상으로부터 획득되고 타겟 요소와 관련된 상기 제2 형태학적 값을, 제1 자기장 강도 하에서 획득된 상기 제1 의료 영상으로부터 획득되고 타겟 요소와 관련된 상기 제1 형태학적 값으로 변환하기 위한 파라미터 세트를 포함하며,
    상기 타겟 의료 영상이 상기 제2 자기장 강도 하에서 획득된 경우, 상기 보정된 형태학적 값은, 상기 타겟 형태학적 값 및 상기 파라미터 세트에 기초하여 획득되는,
    의료 영상 분석 장치.
  18. 의료 영상을 획득하고, 상기 의료 영상에 기초하여 형태학적 분석을 수행하는 장치가 의료 영상을 분석하는 방법에 있어서, 상기 방법은,
    타겟 의료 영상을 획득함;
    상기 타겟 의료 영상과 관련된 타겟 스캔 조건을 획득함;
    상기 타겟 의료 영상에 포함된 타겟 요소에 대응되는 타겟 영역의 복셀 데이터에 기초하여 상기 타겟 요소와 관련된 타겟 형태학적 값을 획득함;
    상기 타겟 스캔 조건에 기초하여, 하나 이상의 보정 파라미터 중 타겟 보정 파라미터를 결정함; 및
    상기 결정된 타겟 보정 파라미터 및 상기 타겟 형태학적 값에 기초하여 형태학적 지표를 출력함;을 포함하되,
    상기 타겟 보정 파라미터를 결정하는 것은,
    상기 타겟 스캔 조건이 제1 스캔 조건에 대응되는 경우, 상기 타겟 보정 파라미터는 상기 제1 스캔 조건 하에서 획득된 타겟 요소와 관련된 제1 형태학적 값을 보정하기 위한 제1 보정 파라미터로 결정하고,
    상기 타겟 스캔 조건이 제2 스캔 조건에 대응되는 경우, 상기 타겟 보정 파라미터는, 상기 제1 스캔 조건과는 상이한 상기 제2 스캔 조건 하에서 획득된 상기 타겟 요소와 관련된 제2 형태학적 값을 보정하기 위한 제2 보정 파라미터로 결정하는 것을 포함하는,
    의료 영상 분석 방법.
  19. 제18 항에 있어서,
    상기 형태학적 지표를 출력하는 것은,
    상기 타겟 스캔 조건이 상기 제1 스캔 조건에 대응되는 경우 상기 타겟 형태학적 값 및 상기 제1 보정 파라미터에 기초하여 상기 제1 보정된 형태학적 지표를 계산하며, 상기 타겟 스캔 조건이 상기 제2 스캔 조건에 대응되는 경우 상기 타겟 형태학적 값 및 상기 제2 보정 파라미터에 기초하여 상기 제1 보정된 형태학적 지표와는 상이한 상기 제2 보정된 형태학적 지표를 계산함; 및
    상기 타겟 스캔 조건이 상기 제1 스캔 조건에 대응되는 경우 상기 제1 보정된 형태학적 지표를 출력하며, 상기 타겟 스캔 조건이 상기 제2 스캔 조건에 대응되는 경우 상기 제2 보정된 형태학적 지표를 출력함;을 포함하는,
    의료 영상 분석 방법.
  20. 제19 항에 있어서,
    상기 타겟 보정 파라미터를 결정하기 위한 기준이 되는 레퍼런스 스캔 조건을 획득함; 을 더 포함하는,
    의료 영상 분석 방법.
  21. 제20 항에 있어서,
    상기 제1 보정 파라미터는 상기 제1 스캔 조건 하에서 획득된 형태학적 값을 제3 스캔 조건 하에서의 형태학적 추정값으로 계산하기 위한 파라미터를 포함하고, 상기 제2 보정 파라미터는 상기 제2 스캔 조건 하에서 획득된 형태학적 값을 제3 스캔 조건 하에서의 형태학적 추정값으로 계산하기 위한 파라미터를 포함하되,
    상기 제1 보정된 형태학적 지표를 계산하는 것은, 상기 타겟 형태학적 값 및 상기 제1 보정 파라미터에 기초하여, 상기 제2 스캔 조건 하에서의 상기 타겟 요소의 형태학적 추정값인 상기 제1 보정된 형태학적 값을 획득하는 것을 포함하며,
    상기 제2 보정된 형태학적 지표를 계산하는 것은, 상기 타겟 형태학적 값 및 상기 제2 보정 파라미터에 기초하여, 상기 제3 스캔 조건 하에서의 상기 타겟 요소의 형태학적 추정값인 상기 제2 보정된 형태학적 값을 획득하는 것을 포함하는,
    의료 영상 분석 방법.
  22. 제19 항에 있어서,
    상기 제1 보정 파라미터는 상기 제1 스캔 조건 하에서 획득된 형태학적 값을 제3 스캔 조건 하에서의 형태학적 추정값으로 계산하기 위한 제1 선형 함수와 관련된 제1 파라미터 세트를 포함하고, 상기 제2 보정 파라미터는 상기 제2 스캔 조건 하에서 획득된 형태학적 값을 제3 스캔 조건 하에서의 형태학적 추정값으로 계산하기 위한 제2 선형 함수와 관련된 제2 파라미터 세트를 포함하며,
    상기 제1 보정된 형태학적 지표를 계산하는 것은, 상기 타겟 형태학적 값 및 상기 제1 파라미터 세트를 포함하는 상기 제1 선형 함수에 기초하여, 상기 제1 보정된 형태학적 값을 획득하는 것을 포함하며,
    상기 제2 보정된 형태학적 지표를 계산하는 것은, 상기 타겟 형태학적 값 및 상기 제2 파라미터 세트를 포함하는 상기 제2 선형 함수에 기초하여, 상기 제2 보정된 형태학적 값을 획득하는 것을 포함하는,
    의료 영상 분석 방법.
  23. 제18 항에 있어서,
    상기 제1 스캔 조건, 상기 제2 스캔 조건 및 상기 타겟 스캔 조건은 의료 영상 획득 장치의 의료 영상의 해상도와 관련되는 자기장 강도, 상기 의료 영상 획득 장치의 제조사 및 상기 의료 영상 획득 장치의 생성되는 자기장의 형태와 관련된 세팅 파라미터 세팅 파라미터 중 적어도 하나와 관련된,
    의료 영상 분석 방법.
  24. 제18 항에 있어서,
    상기 타겟 의료 영상은 제1 특성을 가지는 대상체로부터 획득되고,
    상기 제1 보정 파라미터 또는 상기 제2 보정 파라미터는, 상기 제1 특성을 가지는 대상체로부터 획득된 상기 제1 의료 영상 및 상기 제2 의료 영상으로부터 획득되되,
    상기 제1 특성은 대상체의 나이 또는 성별과 관련되는,
    의료 영상 분석 방법.
  25. 제18 항에 있어서,
    상기 타겟 형태학적 값을 획득하는 것은,
    상기 타겟 의료 영상을 적어도 상기 타겟 요소를 포함하는 복수의 요소들에 대응되는 복수의 영역들로 세그멘테이션을 수행함으로써, 상기 타겟 의료 영상으로부터 상기 타겟 요소에 관련된 타겟 영역을 획득함; 및
    상기 타겟 영역에 대응되는 복셀 데이터에 기초하여 상기 타겟 형태학적 값을 획득함을 포함하며,
    상기 세그멘테이션은 상기 타겟 의료 영상에 기초하여 복수의 요소들에 대응되는 복수의 영역들을 획득하도록 제공되는 신경망을 사용하여 수행되는,
    의료 영상 분석 방법.
  26. 제24 항에 있어서,
    상기 방법은,
    상기 타겟 스캔 조건 하에서 획득된 상기 타겟 의료 영상을 상기 타겟 스캔 조건 이외의 스캔 조건 하에서 촬영된 영상에 대응하는 의료 영상으로 변환함;을 더 포함하며,
    상기 세그멘테이션은 상기 변환된 의료 영상에 기초하여 수행되는,
    의료 영상 분석 방법.
  27. 제18 항에 있어서,
    상기 제1 스캔 조건, 상기 제2 스캔 조건 및 상기 타겟 스캔 조건이 자기장 강도와 관련되는 경우, 상기 제1 보정 파라미터는 제1 자기장 강도 하에서 획득된 상기 타겟 요소와 관련된 상기 제1 형태학적 값을 보정하기 위한 제1 파라미터 세트를 포함하며, 상기 제2 보정 파라미터는 제2 자기장 강도 하에서 획득된 상기 타겟 요소와 관련된 상기 제2 형태학적 값을 보정하기 위한 제2 파라미터 세트를 포함하며,
    상기 타겟 보정 파라미터를 결정하는 것은,
    상기 타겟 스캔 조건이 상기 제1 자기장 강도에 대응되는 경우, 상기 타겟 보정 파라미터는 상기 제1 파라미터 세트로 결정하고,
    상기 타겟 스캔 조건이 상기 제2 자기장 강도에 대응되는 경우, 상기 타겟 보정 파라미터는, 제2 파라미터 세트로 결정하는 것을 포함하는,
    의료 영상 분석 방법.
  28. 의료 영상을 분석하는 장치에 있어서,
    타겟 의료 영상을 획득하는 영상 획득부; 및
    상기 타겟 의료 영상에 기초하여 의료 영상 분석 정보를 제공하는 컨트롤러; 를 포함하되,
    상기 컨트롤러는,
    상기 타겟 의료 영상과 관련된 타겟 스캔 조건을 획득하고, 상기 타겟 의료 영상에 포함된 타겟 요소에 대응되는 타겟 영역의 복셀 데이터에 기초하여 상기 타겟 요소와 관련된 타겟 형태학적 값을 획득하고, 상기 타겟 스캔 조건에 기초하여 하나 이상의 보정 파라미터 중 타겟 보정 파라미터를 결정하고, 상기 결정된 타겟 보정 파라미터 및 상기 타겟 형태학적 값에 기초하여 형태학적 지표를 출력하도록 구성되되,
    상기 타겟 스캔 조건이 상기 제1 스캔 조건에 대응되는 경우, 상기 타겟 보정 파라미터를 제1 스캔 조건 하에서 획득된 타겟 요소와 관련된 제1 형태학적 값을 보정하기 위한 제1 보정 파라미터로 결정하고,
    상기 타겟 스캔 조건이 상기 제2 스캔 조건에 대응되는 경우, 상기 타겟 보정 파라미터를 상기 제1 스캔 조건과는 상이한 제2 스캔 조건 하에서 획득된 상기 타겟 요소와 관련된 제2 형태학적 값을 보정하기 위한 제2 보정 파라미터로 결정함으로써 상기 타겟 보정 파라미터를 결정하도록 구성된,
    의료 영상 분석 장치.
  29. 제28 항에 있어서,
    상기 컨트롤러는,
    상기 타겟 스캔 조건이 상기 제1 스캔 조건에 대응되는 경우 상기 타겟 형태학적 값 및 상기 제1 보정 파라미터에 기초하여 상기 제1 보정된 형태학적 지표를 계산하며, 상기 타겟 스캔 조건이 상기 제2 스캔 조건에 대응되는 경우 상기 타겟 형태학적 값 및 상기 제2 보정 파라미터에 기초하여 상기 제1 보정된 형태학적 지표와는 상이한 상기 제2 보정된 형태학적 지표를 계산하며, 상기 타겟 스캔 조건이 상기 제1 스캔 조건에 대응되는 경우 상기 제1 보정된 형태학적 지표를 출력하며, 상기 타겟 스캔 조건이 상기 제2 스캔 조건에 대응되는 경우 상기 제2 보정된 형태학적 지표를 출력함으로써 상기 형태학적 지표를 출력하도록 구성되는,
    의료 영상 분석 장치.
  30. 제29 항에 있어서,
    상기 제1 보정 파라미터는 상기 제1 스캔 조건 하에서 획득된 형태학적 값을 제3 스캔 조건 하에서의 형태학적 추정값으로 계산하기 위한 파라미터를 포함하고, 상기 제2 보정 파라미터는 상기 제2 스캔 조건 하에서 획득된 형태학적 값을 제3 스캔 조건 하에서의 형태학적 추정값으로 계산하기 위한 파라미터를 포함하되,
    상기 컨트롤러는,
    상기 타겟 형태학적 값 및 상기 제1 보정 파라미터에 기초하여, 상기 제2 스캔 조건 하에서의 상기 타겟 요소의 형태학적 추정값인 상기 제1 보정된 형태학적 값을 획득하여 상기 제1 보정된 형태학적 지표를 계산하며,
    상기 타겟 형태학적 값 및 상기 제2 보정 파라미터에 기초하여, 상기 제3 스캔 조건 하에서의 상기 타겟 요소의 형태학적 추정값인 상기 제2 보정된 형태학적 값을 획득하여 상기 제2 보정된 형태학적 지표를 계산하도록 구성되는,
    의료 영상 분석 장치.
  31. 제30 항에 있어서,
    상기 제1 보정 파라미터는 상기 제1 스캔 조건 하에서 획득된 형태학적 값을 제3 스캔 조건 하에서의 형태학적 추정값으로 계산하기 위한 제1 선형 함수와 관련된 제1 파라미터 세트를 포함하고, 상기 제2 보정 파라미터는 상기 제2 스캔 조건 하에서 획득된 형태학적 값을 제3 스캔 조건 하에서의 형태학적 추정값으로 계산하기 위한 제2 선형 함수와 관련된 제2 파라미터 세트를 포함하며,
    상기 컨트롤러는,
    상기 타겟 형태학적 값 및 상기 제1 파라미터 세트를 포함하는 상기 제1 선형 함수에 기초하여, 상기 제1 보정된 형태학적 값을 획득하여 상기 제1 보정된 형태학적 지표를 계산하며,
    상기 타겟 형태학적 값 및 상기 제2 파라미터 세트를 포함하는 상기 제2 선형 함수에 기초하여, 상기 제2 보정된 형태학적 값을 획득하여 상기 제2 보정된 형태학적 지표를 계산하도록 구성되는,
    의료 영상 분석 장치.
  32. 제28 항에 있어서,
    상기 제1 스캔 조건 및 상기 제2 스캔 조건은 의료 영상 획득 장치의 의료 영상의 해상도와 관련되는 자기장 강도, 상기 의료 영상 획득 장치의 제조사 및 상기 의료 영상 획득 장치의 생성되는 자기장의 형태와 관련된 세팅 파라미터 세팅 파라미터 중 적어도 하나와 관련된,
    의료 영상 분석 장치.
  33. 제28 항에 있어서,
    상기 타겟 의료 영상은 제1 특성을 가지는 대상체로부터 획득되고,
    상기 제1 보정 파라미터 및 상기 제2 보정 파라미터 중 적어도 하나를 포함하는 상기 타겟 보정 파라미터는, 상기 제1 특성을 가지는 대상체로부터 획득된 상기 제1 의료 영상 및 상기 제2 의료 영상으로부터 획득되되,
    상기 제1 특성은 대상체의 나이 또는 성별과 관련되는,
    의료 영상 분석 장치.
  34. 제28 항에 있어서,
    상기 컨트롤러는,
    상기 타겟 의료 영상을 적어도 상기 타겟 요소를 포함하는 복수의 요소들에 대응되는 복수의 영역들로 세그멘테이션을 수행함으로써, 상기 타겟 의료 영상으로부터 상기 타겟 요소에 관련된 타겟 영역을 획득하며, 상기 타겟 영역에 대응되는 복셀 데이터에 기초하여 상기 타겟 형태학적 값을 획득하도록 구성되며,
    상기 세그멘테이션은 상기 타겟 의료 영상에 기초하여 복수의 요소들에 대응되는 복수의 영역들을 획득하도록 제공되는 신경망을 사용하여 수행되는,
    의료 영상 분석 장치.
  35. 제34 항에 있어서,
    상기 컨트롤러는,
    상기 타겟 스캔 조건 하에서 획득된 상기 타겟 의료 영상을 상기 타겟 스캔 조건 이외의 스캔 조건 하에서 촬영된 영상에 대응하는 의료 영상으로 변환하며, 상기 변환된 의료 영상에 기초하여 상기 세그멘테이션을 수행하도록 구성되는,
    의료 영상 분석 장치.
  36. 제28 항에 있어서,
    상기 제1 스캔 조건, 상기 제2 스캔 조건 및 상기 타겟 스캔 조건이 자기장 강도와 관련되는 경우, 상기 제1 보정 파라미터는 제1 자기장 강도 하에서 획득된 상기 타겟 요소와 관련된 상기 제1 형태학적 값을 보정하기 위한 제1 파라미터 세트를 포함하며, 상기 제2 보정 파라미터는 제2 자기장 강도 하에서 획득된 상기 타겟 요소와 관련된 상기 제2 형태학적 값을 보정하기 위한 제2 파라미터 세트를 포함하며,
    상기 컨트롤러는,
    상기 타겟 스캔 조건이 상기 제1 자기장 강도에 대응되는 경우, 상기 타겟 보정 파라미터는 상기 제1 파라미터 세트로 결정하고,
    상기 타겟 스캔 조건이 상기 제2 자기장 강도에 대응되는 경우, 상기 타겟 보정 파라미터는, 제2 파라미터 세트로 결정함으로써, 상기 타겟 보정 파라미터를 결정하도록 구성된,
    의료 영상 분석 장치.
PCT/KR2020/019412 2020-12-30 2020-12-30 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템 Ceased WO2022145537A1 (ko)

Priority Applications (10)

Application Number Priority Date Filing Date Title
PCT/KR2020/019412 WO2022145537A1 (ko) 2020-12-30 2020-12-30 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템
JP2021565122A JP7319723B2 (ja) 2020-12-30 2020-12-30 医療映像分析方法、医療映像分析装置及び医療映像分析システム
EP20931711.4A EP4272636A4 (en) 2020-12-30 2020-12-30 MEDICAL IMAGE ANALYSIS METHOD, MEDICAL IMAGE ANALYSIS DEVICE AND MEDICAL IMAGE ANALYSIS SYSTEM
US17/515,466 US12045978B2 (en) 2020-12-30 2021-10-30 Medical image analysis method, medical image analysis device, and medical image analysis system
JP2023115372A JP7619662B2 (ja) 2020-12-30 2023-07-13 医療映像分析方法、医療映像分析装置及び医療映像分析システム
US18/653,811 US12417534B2 (en) 2020-12-30 2024-05-02 Medical image analysis method, medical image analysis device, and medical image analysis system
JP2024230689A JP2025065115A (ja) 2020-12-30 2024-12-26 イメージ品質判断装置及び方法
JP2024230559A JP7852869B2 (ja) 2020-12-30 2024-12-26 脳映像分析方法、脳映像分析装置及び脳映像分析システム
JP2024230629A JP7852870B2 (ja) 2020-12-30 2024-12-26 脳映像分析方法、脳映像分析装置及び脳映像分析システム
US19/303,495 US20250384553A1 (en) 2020-12-30 2025-08-19 Medical image analysis method, medical image analysis device, and medical image analysis system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2020/019412 WO2022145537A1 (ko) 2020-12-30 2020-12-30 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/515,466 Continuation US12045978B2 (en) 2020-12-30 2021-10-30 Medical image analysis method, medical image analysis device, and medical image analysis system

Publications (1)

Publication Number Publication Date
WO2022145537A1 true WO2022145537A1 (ko) 2022-07-07

Family

ID=82118880

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/019412 Ceased WO2022145537A1 (ko) 2020-12-30 2020-12-30 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템

Country Status (4)

Country Link
US (3) US12045978B2 (ko)
EP (1) EP4272636A4 (ko)
JP (5) JP7319723B2 (ko)
WO (1) WO2022145537A1 (ko)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7358120B2 (ja) * 2019-08-30 2023-10-10 キヤノン株式会社 情報処理装置、断層撮影装置、情報処理方法およびプログラム
JP7391113B2 (ja) * 2020-01-20 2023-12-04 オリンパス株式会社 学習用医療画像データ作成装置、学習用医療画像データ作成方法及びプログラム
EP3882852A1 (en) * 2020-03-17 2021-09-22 Koninklijke Philips N.V. Training alignment of a plurality of images
EP4272636A4 (en) * 2020-12-30 2024-09-04 Neurophet Inc. MEDICAL IMAGE ANALYSIS METHOD, MEDICAL IMAGE ANALYSIS DEVICE AND MEDICAL IMAGE ANALYSIS SYSTEM
JPWO2022215529A1 (ko) * 2021-04-05 2022-10-13
WO2022264751A1 (ja) * 2021-06-16 2022-12-22 富士フイルム株式会社 医用画像処理装置、医用画像処理方法、及びプログラム
US20230169753A1 (en) 2021-11-29 2023-06-01 Medtronic Navigation, Inc. System and Method for Identifying Feature in an Image of a Subject
US12548671B2 (en) * 2022-02-18 2026-02-10 Omniscient Neurotechnology Pty Limited Automated machine learning systems and methods for mapping brain regions to clinical outcomes
WO2024150721A1 (ja) * 2023-01-13 2024-07-18 国立大学法人滋賀医科大学 情報処理装置、情報処理方法、及びプログラム
WO2025070723A1 (ja) * 2023-09-29 2025-04-03 株式会社エム 脳画像解析装置、脳画像解析システムおよび脳画像解析プログラム
CN118502239B (zh) * 2024-05-09 2025-08-05 深圳市达辰威科技集团有限公司 一种电子鼻的分析学习控制系统
CN119943354B (zh) * 2025-02-05 2025-10-28 电子科技大学 一种基于时空动力学的精神分裂症辅助诊断方法
KR102946093B1 (ko) * 2025-08-18 2026-03-31 주식회사 밤볼 Mri 기반 해마 분석을 이용한 경도인지장애와 알츠하이머병 진단 시스템 및 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060227929A1 (en) * 2005-04-07 2006-10-12 Kabushiki Kaisha Toshiba X-ray ct apparatus
WO2014167935A1 (ja) * 2013-04-08 2014-10-16 株式会社 日立メディコ Ｘ線ｃｔ装置、再構成演算装置、及び再構成演算方法
JP2018167025A (ja) * 2017-03-29 2018-11-01 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および医用処理装置
JP2019171019A (ja) * 2018-03-28 2019-10-10 旭化成エレクトロニクス株式会社 心磁計測装置、較正方法、および較正プログラム
KR102099415B1 (ko) * 2018-02-23 2020-04-09 서울대학교산학협력단 Ct 데이터와 광학 데이터의 정합성능 향상 방법 및 그 장치

Family Cites Families (44)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07204170A (ja) * 1994-01-25 1995-08-08 Hitachi Ltd 活性化領域抽出方法
DE19953308A1 (de) * 1998-11-25 2000-06-08 Siemens Corp Res Inc Vorrichtung und Verfahren zum Implementieren eines Bild-Spreadsheets
JP2001209785A (ja) 1999-11-19 2001-08-03 Fujitsu Ltd 画像処理装置、画像処理方法、および画像処理プログラム記憶媒体
US7450983B2 (en) * 2003-03-18 2008-11-11 University Of Cincinnati Automated brain MRI and CT prescriptions in Talairach space
JP5010167B2 (ja) * 2005-04-07 2012-08-29 株式会社東芝 Ｘ線ｃｔ装置
JP4812420B2 (ja) 2005-12-12 2011-11-09 株式会社東芝 磁気共鳴イメージング装置および画像補正評価方法
WO2008073842A1 (en) 2006-12-08 2008-06-19 Molecular Image Inc. Methods for diagnosis and monitoring of neurologic diseases using magnetic resonance methods
US20090088620A1 (en) 2007-10-01 2009-04-02 Koninklijke Philips Electronics N. V. Quantitative clinical and pre-clinical imaging
JP2010264148A (ja) * 2009-05-18 2010-11-25 Ge Medical Systems Global Technology Co Llc スライス決定装置、磁気共鳴イメージング装置、スライス設定方法、およびプログラム
US8693760B2 (en) * 2009-06-25 2014-04-08 Hitachi Medical Corporation Medical imaging apparatus
JP2014513622A (ja) 2011-03-29 2014-06-05 ボストン サイエンティフィック ニューロモデュレイション コーポレイション 治療刺激提供システムのための通信インタフェース
EP2800979A4 (en) * 2012-01-06 2015-06-24 Childrens Hosp Medical Center CORRELATION IMAGING FOR A MULTISCAN MRI WITH MULTI-CHANNEL DATA ACQUISITION
KR102154734B1 (ko) 2013-06-10 2020-09-10 삼성전자주식회사 의료 영상 촬영 방법 및 장치, 및 개인화된 파라미터 값의 생성 방법
JP6404029B2 (ja) * 2013-10-01 2018-10-10 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及び撮像計画プログラム
US10175325B2 (en) * 2014-04-25 2019-01-08 New York University System, method, and computer-accessible medium for determining at least one characteristic of at least one tissue or at least one MRI measurement condition of the at least one tissue using active contrast encoding magnetic resonance imaging procedure(s)
US20160306936A1 (en) 2015-04-15 2016-10-20 Canon Kabushiki Kaisha Diagnosis support system, information processing method, and program
JP2016209267A (ja) 2015-05-08 2016-12-15 コニカミノルタ株式会社 医用画像処理装置及びプログラム
DE102015221876A1 (de) * 2015-11-06 2017-05-11 Siemens Healthcare Gmbh Verfahren zum Auswerten von medizinischen Bilddaten eines Untersuchungsobjekts
JP6114846B2 (ja) 2016-02-02 2017-04-12 株式会社日立製作所 磁気共鳴イメージング装置
JP6570460B2 (ja) * 2016-02-25 2019-09-04 富士フイルム株式会社 評価装置、方法およびプログラム
EP3381362A1 (en) * 2017-03-31 2018-10-03 Koninklijke Philips N.V. Magnetic resonance image quality determination
US10346974B2 (en) 2017-05-18 2019-07-09 Toshiba Medical Systems Corporation Apparatus and method for medical image processing
JP7152192B2 (ja) 2017-06-13 2022-10-12 キヤノンメディカルシステムズ株式会社 画像処理装置、医用画像診断装置及び画像処理プログラム
JP7246864B2 (ja) 2017-06-22 2023-03-28 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
JP7252206B2 (ja) 2017-08-17 2023-04-04 コーニンクレッカ フィリップス エヌ ヴェ 画像アーチファクト特定及び除去のための深層学習ネットワークを有する超音波システム
KR101995900B1 (ko) * 2017-09-11 2019-07-04 뉴로핏 주식회사 3차원 뇌지도 생성 방법 및 프로그램
US10489907B2 (en) * 2017-11-13 2019-11-26 Siemens Healthcare Gmbh Artifact identification and/or correction for medical imaging
EP3730040B1 (en) * 2017-12-20 2025-10-29 Medi Whale Inc. Method and apparatus for assisting in diagnosis of cardiovascular disease
JP6998760B2 (ja) 2017-12-25 2022-01-18 浜松ホトニクス株式会社 脳画像解析装置、脳画像解析方法、及び脳画像解析プログラム
US20190266436A1 (en) * 2018-02-26 2019-08-29 General Electric Company Machine learning in an imaging modality service context
KR102125127B1 (ko) 2018-03-05 2020-06-19 고려대학교 산학협력단 딥러닝 기반 뇌 질환 진단 방법
US12039699B2 (en) 2018-05-25 2024-07-16 Vidur MAHAJAN Method and system for simulating and constructing original medical images from one modality to other modality
JP7158904B2 (ja) 2018-06-14 2022-10-24 社会福祉法人 恩賜財団済生会熊本病院 治療方針決定支援装置、治療方針決定支援装置の作動方法、および治療方針決定支援プログラム
KR20200005407A (ko) 2018-07-06 2020-01-15 주식회사 메디웨일 안구 이미지 기반의 진단 보조 이미지 제공 장치
JP7140606B2 (ja) * 2018-08-29 2022-09-21 富士フイルムヘルスケア株式会社 画像処理装置、画像処理方法、画像処理プログラム及び磁気共鳴イメージング装置
JP7098498B2 (ja) 2018-10-01 2022-07-11 富士フイルム株式会社 疾患領域を判別する判別器の学習装置、方法及びプログラム、疾患領域を判別する判別器、並びに疾患領域判別装置及びプログラム
US12390108B2 (en) * 2018-10-11 2025-08-19 Advanced Telecommunications Research Institute International Brain functional connectivity correlation value adjustment method, brain functional connectivity correlation value adjustment system, brain activity classifier harmonization method, brain activity classifier harmonization system, and brain activity biomarker system
US11011257B2 (en) * 2018-11-21 2021-05-18 Enlitic, Inc. Multi-label heat map display system
KR102207824B1 (ko) 2019-03-05 2021-01-26 뉴로핏 주식회사 뇌 구조를 이용한 뇌 영상 보정 방법 및 장치
US11393087B2 (en) 2019-03-22 2022-07-19 Children's Hospital Medical Center Objective analysis of medical image data for white matter abnormality
KR102058884B1 (ko) 2019-04-11 2019-12-24 주식회사 홍복 치매를 진단을 하기 위해 홍채 영상을 인공지능으로 분석하는 방법
CN110298479B (zh) * 2019-05-20 2021-09-03 北京航空航天大学 一种基于脑功能网络的脑体积萎缩预测方法
US20200402229A1 (en) * 2019-06-24 2020-12-24 Carestream Health, Inc. X-ray image quality control system
EP4272636A4 (en) 2020-12-30 2024-09-04 Neurophet Inc. MEDICAL IMAGE ANALYSIS METHOD, MEDICAL IMAGE ANALYSIS DEVICE AND MEDICAL IMAGE ANALYSIS SYSTEM

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060227929A1 (en) * 2005-04-07 2006-10-12 Kabushiki Kaisha Toshiba X-ray ct apparatus
WO2014167935A1 (ja) * 2013-04-08 2014-10-16 株式会社 日立メディコ Ｘ線ｃｔ装置、再構成演算装置、及び再構成演算方法
JP2018167025A (ja) * 2017-03-29 2018-11-01 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および医用処理装置
KR102099415B1 (ko) * 2018-02-23 2020-04-09 서울대학교산학협력단 Ct 데이터와 광학 데이터의 정합성능 향상 방법 및 그 장치
JP2019171019A (ja) * 2018-03-28 2019-10-10 旭化成エレクトロニクス株式会社 心磁計測装置、較正方法、および較正プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4272636A4 *

Also Published As

Publication number Publication date
US20220207722A1 (en) 2022-06-30
JP7619662B2 (ja) 2025-01-22
US20240281969A1 (en) 2024-08-22
JP7852869B2 (ja) 2026-04-28
JP2023134655A (ja) 2023-09-27
JP2025065114A (ja) 2025-04-17
US20250384553A1 (en) 2025-12-18
JP7852870B2 (ja) 2026-04-28
JP2025065115A (ja) 2025-04-17
US12417534B2 (en) 2025-09-16
EP4272636A1 (en) 2023-11-08
JP7319723B2 (ja) 2023-08-02
US12045978B2 (en) 2024-07-23
EP4272636A4 (en) 2024-09-04
JP2025065113A (ja) 2025-04-17
JP2023512367A (ja) 2023-03-27

Similar Documents

Publication Publication Date Title
WO2022145537A1 (ko) 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템
WO2019039912A1 (ko) 진단 보조 시스템 및 그 제어 방법
WO2015108306A1 (en) Medical image providing apparatus and medical image processing method of the same
WO2019125026A1 (ko) 심혈관 질병 진단 보조 방법 및 장치
WO2022004956A1 (ko) 진단 보조 방법 및 장치
WO2017030276A1 (ko) 의료영상 표시장치 및 의료영상 처리방법
WO2015122687A1 (en) Tomography apparatus and method of displaying a tomography image by the tomography apparatus
WO2020009292A1 (ko) 안저 이미지 관리 장치 및 안저 이미지의 품질 판단 방법
WO2017023105A1 (en) Tomography imaging apparatus and method of reconstructing tomography image
WO2016140424A1 (en) Tomography imaging apparatus and method of reconstructing tomography image
WO2015126189A1 (en) Tomography apparatus and method of reconstructing a tomography image by the tomography apparatus
WO2016190517A1 (en) Medical image display apparatus and method of providing user interface
EP3104782A1 (en) Tomography apparatus and method of displaying a tomography image by the tomography apparatus
EP3220826A1 (en) Method and apparatus for processing medical image
WO2019083227A1 (en) MEDICAL IMAGE PROCESSING METHOD, AND MEDICAL IMAGE PROCESSING APPARATUS IMPLEMENTING THE METHOD
WO2022145544A1 (ko) 진단보조정보를 제공하는 방법 및 이를 수행하는 장치
WO2015060656A1 (en) Magnetic resonance imaging apparatus and method
WO2020242239A1 (ko) 앙상블 학습 알고리즘을 이용한 인공지능 기반 진단 보조 시스템
WO2017142183A1 (ko) 영상처리장치, 영상처리방법 및 이를 기록한 기록매체
EP3107457A1 (en) Tomography apparatus and method of reconstructing a tomography image by the tomography apparatus
WO2021132851A1 (ko) 전자 장치, 두피 케어 시스템 및 그들의 제어 방법
WO2019164271A1 (ko) 가상신체모델 생성 방법 및 장치
WO2024035131A1 (ko) 갑상선 안질환 상태 모니터링 방법 및 이를 수행하는 시스템
WO2022145538A1 (ko) 특성 정보를 고려한 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템
WO2019164275A1 (ko) 수술도구 및 카메라의 위치 인식 방법 및 장치

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2021565122

Country of ref document: JP

Kind code of ref document: A

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20931711

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020931711

Country of ref document: EP

Effective date: 20230731