ES2971911T3 - Aparato y método para proporcionar información sobre la enfermedad de parkinson mediante el uso de imágenes de neuromelanina - Google Patents
Aparato y método para proporcionar información sobre la enfermedad de parkinson mediante el uso de imágenes de neuromelanina Download PDFInfo
- Publication number
- ES2971911T3 ES2971911T3 ES21166617T ES21166617T ES2971911T3 ES 2971911 T3 ES2971911 T3 ES 2971911T3 ES 21166617 T ES21166617 T ES 21166617T ES 21166617 T ES21166617 T ES 21166617T ES 2971911 T3 ES2971911 T3 ES 2971911T3
- Authority
- ES
- Spain
- Prior art keywords
- image
- neuromelanin
- region
- parkinson
- unit
- 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.)
- Active
Links
- 208000018737 Parkinson disease Diseases 0.000 title claims abstract description 123
- 238000003384 imaging method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims description 76
- 238000010191 image analysis Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000007781 pre-processing Methods 0.000 claims abstract description 29
- 210000004556 brain Anatomy 0.000 claims abstract description 17
- 239000000090 biomarker Substances 0.000 claims abstract description 9
- 206010003694 Atrophy Diseases 0.000 claims description 61
- 230000037444 atrophy Effects 0.000 claims description 61
- 238000010606 normalization Methods 0.000 claims description 35
- 230000011218 segmentation Effects 0.000 claims description 23
- 239000003814 drug Substances 0.000 claims description 16
- 229940079593 drug Drugs 0.000 claims description 16
- 210000003625 skull Anatomy 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 210000004062 tegmentum mesencephali Anatomy 0.000 claims description 3
- 230000005291 magnetic effect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 24
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 12
- 239000002547 new drug Substances 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 8
- VYFYYTLLBUKUHU-UHFFFAOYSA-N dopamine Chemical group NCCC1=CC=C(O)C(O)=C1 VYFYYTLLBUKUHU-UHFFFAOYSA-N 0.000 description 8
- 229910052742 iron Inorganic materials 0.000 description 6
- 210000003523 substantia nigra Anatomy 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 208000015122 neurodegenerative disease Diseases 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 210000005013 brain tissue Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 229960003638 dopamine Drugs 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000002600 positron emission tomography Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000003463 organelle Anatomy 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- SFLSHLFXELFNJZ-QMMMGPOBSA-N (-)-norepinephrine Chemical compound NC[C@H](O)C1=CC=C(O)C(O)=C1 SFLSHLFXELFNJZ-QMMMGPOBSA-N 0.000 description 2
- XUMBMVFBXHLACL-UHFFFAOYSA-N Melanin Chemical compound O=C1C(=O)C(C2=CNC3=C(C(C(=O)C4=C32)=O)C)=C2C4=CNC2=C1C XUMBMVFBXHLACL-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000003576 central nervous system agent Substances 0.000 description 2
- 210000000805 cytoplasm Anatomy 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 210000005064 dopaminergic neuron Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 210000000627 locus coeruleus Anatomy 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 229960002748 norepinephrine Drugs 0.000 description 2
- SFLSHLFXELFNJZ-UHFFFAOYSA-N norepinephrine Natural products NCC(O)C1=CC=C(O)C(O)=C1 SFLSHLFXELFNJZ-UHFFFAOYSA-N 0.000 description 2
- 230000001151 other effect Effects 0.000 description 2
- 239000000902 placebo Substances 0.000 description 2
- 229940068196 placebo Drugs 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 210000003934 vacuole Anatomy 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 208000024806 Brain atrophy Diseases 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 206010073306 Exposure to radiation Diseases 0.000 description 1
- 208000034819 Mobility Limitation Diseases 0.000 description 1
- 206010052904 Musculoskeletal stiffness Diseases 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 206010002026 amyotrophic lateral sclerosis Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002886 autophagic effect Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 150000003943 catecholamines Chemical class 0.000 description 1
- 230000030833 cell death Effects 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 238000012362 drug development process Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 210000003712 lysosome Anatomy 0.000 description 1
- 230000001868 lysosomic effect Effects 0.000 description 1
- 230000004142 macroautophagy Effects 0.000 description 1
- 210000001259 mesencephalon Anatomy 0.000 description 1
- 229910021645 metal ion Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004877 mucosa Anatomy 0.000 description 1
- 210000003061 neural cell Anatomy 0.000 description 1
- 238000010984 neurological examination Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000005298 paramagnetic effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 235000004252 protein component Nutrition 0.000 description 1
- 235000018102 proteins Nutrition 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
- 206010040882 skin lesion Diseases 0.000 description 1
- 231100000444 skin lesion Toxicity 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/4806—Functional imaging of brain activation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
- A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR 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]
- G06T2207/10096—Dynamic contrast-enhanced magnetic resonance imaging [DCE-MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20128—Atlas-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Neurology (AREA)
- Physiology (AREA)
- Neurosurgery (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- High Energy & Nuclear Physics (AREA)
- Evolutionary Computation (AREA)
- Psychiatry (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Developmental Disabilities (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
Abstract
El aparato que proporciona información sobre la enfermedad de Parkinson que utiliza una imagen de neuromelanina según un aspecto de la presente divulgación incluye una unidad receptora de imágenes que adquiere una imagen de resonancia magnética obtenida capturando el cerebro de un paciente; una unidad de preprocesamiento de imágenes que preprocesa la imagen de resonancia magnética adquirida para observar la región de neuromelanina utilizada como biomarcador de imágenes de la enfermedad de Parkinson; una unidad de procesamiento de imágenes que analiza la imagen de MRI preprocesada para clasificar una primera imagen que incluye la región de neuromelanina y detecta la región de neuromelanina a partir de la primera imagen clasificada; y una unidad de análisis de imágenes que diagnostica si el paciente tiene la enfermedad de Parkinson analizando si la región de neuromelanina detectada es normal. (Traducción automática con Google Translate, sin valor legal)
Description
DESCRIPCIÓN
Aparato y método para proporcionar información sobre la enfermedad de parkinson mediante el uso de imágenes de neuromelanina
Antecedentes de la descripción
Campo de la invención
La presente divulgación se refiere a un aparato y un método para proporcionar información sobre la enfermedad de Parkinson mediante el uso de una imagen de neuromelanina y, más en particular, a un aparato y un método para proporcionar información personalizada relacionada con la enfermedad de Parkinson mediante el análisis de imágenes por resonancia magnética (en adelante abreviadas como “MRI”) relacionadas con la neuromelanina basado en la inteligencia artificial (AI).
Descripción del estado de la técnica relacionado
El trastorno neurodegenerativo se refiere a una enfermedad que causa una función cerebral anormal a medida que las células nerviosas mueren debido a algunas razones.
Los trastornos neurodegenerativos representativos incluyen habitualmente la enfermedad de Alzheimer, la enfermedad de Parkinson y, con menos frecuencia, la enfermedad de Lou Gehrig.
Entre los trastornos neurodegenerativos, la enfermedad de Parkinson es un trastorno neurodegenerativo representativo por el cual se destruyen las células neurales y está acompañado por depresión y ansiedad junto con síntomas tales como rigidez, temblores en las manos y en los pies y dificultad para caminar, por lo que la calidad de vida se ve ampliamente deteriorada.
El trastorno neurodegenerativo se diagnostica mediante un método no invasivo de diagnóstico sin contacto con la mucosa, lesión cutánea y cavidad corporal interna más allá de un orificio corporal natural o artificial.
En el documento WO 2020/077098 A1, se describe un método para determinar una función de dopamina de un paciente, que incluye recibir información por imágenes del cerebro del paciente, que determina una concentración de neuromelanina del paciente y determinar la función de dopamina en función de la concentración de neuromelanina. La información que se correlaciona con un trastorno cerebral del paciente, tal como enfermedad de Parkinson, se puede determinar en función de la función de dopamina.
En el documento CN 111681 184 A, se describe un método de reconstrucción de imágenes de neuromelanina que comprende las siguientes etapas: obtener N conjuntos de imágenes de amplitud de una secuencia QSM; determinar los primeros M grupos de imágenes de amplitud en los N grupos de imágenes de amplitud; determinar cada grupo de imágenes de amplitud en los primeros M grupos de imágenes de amplitud como una imagen de amplitud con tiempo de eco breve; y realizar la reconstrucción de imágenes en función de los M grupos de imágenes de amplitud con tiempo de eco breve para obtener imágenes de neuromelanina correspondientes a los N grupos de imágenes de amplitud. En función de las imágenes de neuromelanina, se puede evaluar la condición de un paciente con enfermedad de Parkinson mediante el uso de un método de aprendizaje profundo.
[Documento de la técnica relacionada!
[Documento de patentel
1. Patente registrada coreana N.° 10-1754291 (publicada el 6 de julio de 2017)
2. Publicación de solicitud de patente sin examinar coreana N.° 10-2016-0058812 (publicada el 25 de mayo de 2016)
Sumario
Hasta el momento, se ha utilizado la tomografía por emisión de positrones (PET) [18F]FP-CIT con el uso de isótopos como el método más objetivo para diagnosticar la enfermedad de Parkinson y para hacer un diagnóstico diferencial de parkisionismo inducido por fármacos.
Sin embargo, la PET [18F]FP-CIT es un método de prueba muy costoso y conlleva un alto riesgo de exposición a radiación.
Por lo tanto, se necesita desarrollar una tecnología para hacer un diagnóstico temprano de la enfermedad de Parkinson al observar una región de neuromelanina mediante el uso de MRI.
La invención se define en las reivindicaciones adjuntas. Un objeto de la presente divulgación es resolver los problemas descritos anteriormente y proporcionar un aparato y un método para ayudar a diagnosticar la enfermedad de Parkinson de manera temprana al predecir un riesgo de padecer la enfermedad de Parkinson de acuerdo con edades al analizar la MRI. El método en sí mismo al igual que cualquier método de diagnóstico mencionado no se incluye en el alcance de la invención reivindicada, que se refiere solo a un aparato que proporciona información sobre enfermedad de Parkinson y un sistema que comprende tal aparato.
Otro objeto de la presente divulgación es proporcionar un aparato y un método para generar información personalizada relacionada con la enfermedad de Parkinson al analizar una imagen de neuromelanina propuesta como un biomarcador de imagen de la enfermedad de Parkinson.
Además, un objeto de la presente divulgación es proporcionar un aparato y un método que preprocesen una imagen de MRI adquirida para observar una imagen de neuromelanina, analicen la imagen de m Ri preprocesada para clasificar una imagen que incluya la imagen de neuromelanina, detecten una imagen de neuromelanina a partir de la imagen clasificada y predigan el riesgo de padecer la enfermedad de Parkinson de acuerdo con la edad del paciente por medio de la neuromelanina detectada y la información clínica.
Además, un objeto de la presente divulgación es proporcionar un aparato y un método que realicen al menos una operación de ajuste de ángulos, ampliación de imagen y recorte en función de una imagen de la cual se elimina una región del cráneo, detecten una región que incluye la neuromelanina mediante el uso de un modelo de red neural profunda, realicen una normalización espacial mediante el uso de una imagen de plantilla y generen una imagen de CR en la que se mapea un valor de relación de contraste (CR) para cada vóxel de la imagen para predecir un riesgo de padecer la enfermedad de Parkinson.
Además, un objeto de la presente divulgación es proporcionar un aparato y un método que segmenten una región vulnerable predeterminada en función de una imagen de CR generada y calculen una media de CR en la región vulnerable segmentada para realizar el preprocesamiento de la imagen.
Además, un objeto de la presente divulgación es proporcionar un aparato y un método que proporcionen una función de estudio longitudinal al generar una plantilla dentro del sujeto y al realizar normalización espacial mediante el uso de datos de región de neuromelanina incluidos en una pluralidad de imágenes de MRI cuando hay una pluralidad de imágenes de MRI generadas con respecto al mismo sujeto (cuando se analiza una pluralidad de imágenes de MRI capturadas de la misma persona en diferentes momentos).
Además, un objeto de la presente divulgación es proporcionar un aparato y un método que calculen un volumen de una región de neuromelanina de un paciente, calculen un grado de atrofia de neuromelanina mediante el uso del volumen calculado de la región de neuromelanina y la información clínica adquirida en conjunto y predigan el riesgo de padecer la enfermedad de Parkinson del paciente en función del grado de atrofia de neuromelanina calculado. Además, un objeto de la presente divulgación es proporcionar un aparato y un método que calculen una velocidad de atrofia de neuromelanina de un paciente mediante el uso de una pluralidad de grados de atrofia de neuromelanina adquiridos de la misma persona en diferentes momentos, y muestren y proporcionen la tasa de atrofia de neuromelanina del paciente en diversas formas.
Además, un objeto de la presente divulgación es proporcionar un dispositivo, un sistema y un método que aumenten una probabilidad ensayos clínicos exitosos al predecir un riesgo de padecer la enfermedad de Parkinson mediante el uso de la inteligencia artificial.
Mientras tanto, los objetos técnicos a lograr en la presente divulgación no se limitan a los objetos técnicos antes mencionados, y otro objeto técnico no mencionado será claramente entendido por las personas del oficio de nivel medio a partir de la siguiente descripción.
De acuerdo con un aspecto de la presente divulgación para lograr el objeto técnico, un aparato de predicción de riesgo de padecer la enfermedad de Parkinson que usa una imagen de neuromelanina incluye una unidad de recepción de imágenes que adquiere una imagen de MRI obtenida al capturar el cerebro de un paciente; una unidad de preprocesamiento de imágenes que preprocesa la imagen de MRI adquirida para observar la región de neuromelanina utilizada como un biomarcador de imagen de la enfermedad de Parkinson; una unidad de procesamiento de imágenes que analiza la imagen de MRI preprocesada para clasificar una primera imagen que incluye la región de neuromelanina y detecta la región de neuromelanina a partir de la primera imagen clasificada; y una unidad de análisis de imágenes que estandariza el volumen de región de neuromelanina detectada junto con la información clínica para predecir un riesgo de padecer la enfermedad de Parkinson de acuerdo con la edad del paciente.
Además, la unidad de preprocesamiento de imágenes genera una imagen de relación de contraste (CR) en función de la imagen de MRI adquirida.
Además, la unidad de preprocesamiento de imágenes incluye: una unidad de eliminación de cráneo que elimina una región del cráneo de la imagen de MRI adquirida; una unidad de recorte de imágenes que realiza al menos una operación de ajuste de ángulos, ampliación de imagen y recorte, en función de la imagen en la que se elimina la región del cráneo; una unidad de clasificación de región de neuromelanina que detecta una primera región que incluye la neuromelanina mediante el uso de un modelo de red neural profunda, en función de la imagen transmitida de la unidad de recorte de imágenes; una unidad de normalización espacial que realiza la normalización espacial mediante el uso de una imagen de plantilla en función de una imagen en la que se detecta la primera región; una unidad de generación de imágenes de CR que genera una imagen de CR en la que se mapea el valor de relación de contraste (CR) para cada vóxel de la imagen en función de la imagen espacialmente normalizada; y una unidad de cálculo que segmenta una región vulnerable predeterminada y calcula una media de CR en la región vulnerable segmentada, en función de la imagen de CR generada.
Además, la unidad de clasificación de región de neuromelanina muestra un límite de la primera región a identificar y puede recortar una imagen de la primera región.
Además, la unidad de normalización espacial puede realizar la normalización espacial mediante el uso de al menos una de una primera imagen de plantilla generada a partir de una imagen de MRI de neuromelanina de una persona normal y una segunda imagen de plantilla generada a partir de la imagen anatómica en función de una MRI ponderada por T1.
Además, el aparato incluye también una unidad de segmentación de región de referencia que segmenta una región de referencia mediante el uso de un método de segmentación basado en Atlas, en función de la imagen espacialmente normalizada y calcula una media de valor en la región de referencia segmentada y la unidad de generación de imágenes de CR puede calcular el valor de relación de contraste mediante el uso de la media de valor calculada.
Además, el valor de relación de contraste se puede calcular mediante la siguiente ecuación 1.
En la ecuación 1, CR<v>es el valor de relación de contraste, SI<v>es una intensidad de señal de cada vóxel y meanSIRef se refiere a la media de valor.
Además, la región de referencia segmentada puede ser una región de pedúnculos cerebrales.
Además, la región vulnerable predeterminada puede ser una región que se distingue significativamente de más de una referencia predeterminada cuando se compara una región de neuromelanina del grupo normal y una región de neuromelanina de un grupo de pacientes.
Además, la región vulnerable predeterminada puede incluir una región de nigrosoma 1 y una región de nigrosoma 2. Cuando se ingresa una pluralidad de imágenes de MRI con respecto al mismo sujeto (una pluralidad de imágenes de MRI capturadas de la misma persona en diferentes momentos), el aparato puede incluir además una unidad de generación de plantilla que genera una plantilla dentro del sujeto mediante el uso de datos de región de neuromelanina incluidos en la pluralidad de imágenes de MRI y la unidad de normalización espacial realiza la normalización espacial mediante el uso de la plantilla dentro del sujeto y la plantilla dentro del sujeto se puede usar para un estudio longitudinal del mismo sujeto.
Además, la unidad de procesamiento de imágenes calcula un volumen de la región de neuromelanina en función de la primera imagen y la unidad de análisis de imágenes puede predecir el riesgo de padecer la enfermedad de Parkinson del paciente mediante el uso del volumen calculado de la región de neuromelanina y la información clínica.
Además, la unidad de procesamiento de imágenes puede calcular el volumen de la región de neuromelanina mediante el uso de una cantidad de vóxeles relacionados con la primera imagen y un tamaño de vóxel.
Además, la unidad de procesamiento de imágenes puede clasificar la primera imagen en función de un algoritmo de corte de grafos que utiliza una imagen de primer plano configurada en vóxeles que tiene una alta probabilidad de incluir una región de neuromelanina y una imagen de fondo generada en función de la imagen de primer plano. Además, la unidad de procesamiento de imágenes puede clasificar la primera imagen en función de una red neural profunda entrenada con datos en los que una imagen cerebral y una imagen de región de neuromelanina se etiquetan.
Además, la unidad de procesamiento de imágenes extrae un factor que es igual o más alto que una señal de intensidad predeterminada y puede clasificar la primera imagen mediante el uso del factor extraído.
Además, la unidad de procesamiento de imágenes calcula un volumen de la región de neuromelanina en función de la primera imagen e incluye además: una unidad de recepción de información clínica que adquiere información clínica, la unidad de análisis de imágenes que calcula un grado de atrofia de neuromelanina mediante el uso del volumen calculado de la región de neuromelanina y la información clínica adquirida en conjunto y que puede predecir el riesgo de padecer la enfermedad de Parkinson del paciente de acuerdo con las edades en función del grado de atrofia de neuromelanina calculado.
Además, el grado de atrofia de neuromelanina se puede calcular al comparar un volumen de la región de neuromelanina extraída de una imagen de un grupo normal y un volumen de la región de neuromelanina del paciente.
Además, la unidad de análisis de imágenes puede convertir el grado de atrofia de neuromelanina calculado en información de percentil de acuerdo con edades.
Además, la unidad de análisis de imágenes calcula una velocidad de atrofia de neuromelanina del paciente mediante el uso de una pluralidad de grados de atrofia de neuromelanina adquiridos para la misma persona capturados en diferentes momentos e incluye además una unidad de salida de información de diagnóstico que muestra la velocidad de atrofia de neuromelanina del paciente.
Mientras tanto, de acuerdo con otro aspecto de la presente divulgación para lograr el objeto técnico, en un sistema que aumenta una probabilidad de ensayos clínicos exitosos al cribar un grupo de pacientes que tiene un alto riesgo de padecer la enfermedad de Parkinson mediante el uso de un aparato de predicción de riesgo de padecer la enfermedad de Parkinson que incluye una unidad de recepción de imágenes, una unidad de preprocesamiento de imágenes, una unidad de procesamiento de imágenes y una unidad de análisis de imágenes y una unidad de gestión central y/o un servidor que se comunica con el aparato que proporciona información sobre enfermedad de Parkinson, donde la unidad de recepción de imágenes adquiere imágenes de MRI obtenidas al capturar el cerebro de una pluralidad de pacientes que es un grupo de candidatos experimentales para el ensayo clínico para demostrar la eficacia de fármaco, la unidad de preprocesamiento de imágenes preprocesa la imagen de MRI adquirida para observar la región de neuromelanina utilizada como un biomarcador de imagen de la enfermedad de Parkinson, la unidad de procesamiento de imágenes analiza la imagen de MRI preprocesada para clasificar una primera imagen que incluye la región de neuromelanina y detecta la región de neuromelanina a partir de la primera imagen clasificada, la unidad de análisis de imágenes analiza si la región de neuromelanina detectada es normal para transmitir al menos una información sobre un primer paciente que tiene la enfermedad de Parkinson, entre la pluralidad de pacientes, a la unidad de gestión central y/o al servidor, y la unidad de gestión central y/o el servidor puede usar el resultado del ensayo clínico para el primer paciente para demostrar la eficacia de fármaco.
Como se describió anteriormente, de acuerdo con el aparato y el método que proporcionan información sobre enfermedad de Parkinson de acuerdo con la presente divulgación, solo las imágenes que incluyen la región de neuromelanina se clasifican a partir de la m Ri y la región de neuromelanina se analiza a partir de la imagen clasificada para predecir el riesgo de padecer la enfermedad de Parkinson de acuerdo con la edad.
Además, de acuerdo con la presente divulgación, la enfermedad de Parkinson se diagnostica mediante el uso de la imagen, de modo que la enfermedad de Parkinson se diagnostica de manera precisa mediante el uso del equipo de MRI, que se proporciona generalmente, y la precisión de los resultados de diagnóstico se mejora.
Además, de acuerdo con la presente divulgación, se puede observar solo la región de neuromelanina.
Específicamente, la imagen de MRI adquirida se preprocesa para observar la imagen de neuromelanina, la imagen de MRI preprocesada se analiza para clasificar una imagen que incluye la imagen de neuromelanina, donde la imagen de neuromelanina se detecta a partir de la imagen clasificada y, si la región de neuromelanina detectada es normal, se analiza para diagnosticar si el paciente tiene la enfermedad de Parkinson.
Además, de acuerdo con la presente divulgación, la región de neuromelanina puede detectarse eficazmente mediante aprendizaje automático.
Específicamente, de acuerdo con la presente divulgación, la enfermedad de Parkinson se puede diagnosticar al realizar al menos una operación de ajuste de ángulo, ampliación de imagen y recorte en función de una imagen de la cual se elimina una región del cráneo, detectar una región que incluye neuromelanina mediante el uso de un modelo de red neural profunda, realizar una normalización espacial mediante el uso de una imagen de plantilla y generar una imagen de CR en la que se mapea un valor de relación de contraste (CR) para cada vóxel de la imagen para diagnosticar la enfermedad de Parkinson.
Además, de acuerdo con la presente divulgación, es posible proporcionar un aparato y un método que segmentan una región vulnerable predeterminada en función de una imagen de CR generada y calculan una media de CR en la región vulnerable segmentada para realizar el preprocesamiento de la imagen.
Además, de acuerdo con la presente divulgación, es posible proporcionar una función de estudio longitudinal al generar una plantilla dentro del sujeto y realizar una normalización espacial mediante el uso de los datos de la región de neuromelanina incluidos en una pluralidad de imágenes de MRI cuando existe una pluralidad de entradas de imágenes de MRI con respecto al mismo objeto.
Además, de acuerdo con la presente divulgación, es posible proporcionar un aparato y un método que calculan un volumen de una región de neuromelanina de un paciente, calculan un grado de atrofia de neuromelanina mediante el uso del volumen calculado de la región de neuromelanina y la información clínica adquirida en conjunto y diagnostican si el paciente tiene la enfermedad de Parkinson en función del grado de atrofia de neuromelanina calculado.
Además, de acuerdo con la presente divulgación, la velocidad de atrofia de neuromelanina del paciente se calcula mediante el uso de una pluralidad de grados de atrofia de neuromelanina adquiridos en un período predeterminado y la velocidad de atrofia de neuromelanina del paciente se muestra y se proporcionar en diversas formas.
Además, de acuerdo con la presente divulgación, un resultado de ensayos clínicos para la demostración de eficacia de fármaco se determina al mostrar una significancia estadística que indica si se puede lograr un efecto esperado previsto para participantes del ensayo clínico. Sin embargo, cuando se aplican el método y el aparato para diagnosticar la enfermedad de Parkinson de acuerdo con la presente divulgación, solo los pacientes con enfermedad de Parkinson a los que los nuevos fármacos se dirigen exactamente se incluyen como sujetos de ensayo clínico, de modo que la probabilidad de ensayos clínicos exitosos pueda aumentarse tanto como sea posible.
Es decir, el método para diagnosticar la enfermedad de Parkinson mediante el uso de inteligencia artificial de acuerdo con la presente divulgación puede utilizarse para cribar un grupo de pacientes y un grupo normal para aumentar la probabilidad de ensayos clínicos exitosos.
Un objeto técnico a lograr en la presente divulgación no se limita a los efectos mencionados anteriormente, y otros efectos no mencionados serán claramente entendidos por las personas del oficio de nivel medio a partir de la descripción a continuación.
Breve descripción de los dibujos
Lo anterior y otros aspectos, características y ventajas de la presente divulgación se comprenderán más claramente a partir de la siguiente descripción detallada junto con los dibujos adjuntos, en donde:
La figura 1 ilustra un diagrama de bloques de un aparato que proporciona información sobre enfermedad de Parkinson de acuerdo con la presente divulgación.
La figura 2 ilustra un ejemplo de un diagrama d bloques de una unidad de preprocesamiento de imágenes de acuerdo con la presente divulgación.
La figura 3 ilustra un ejemplo de eliminación de tejido no cerebral, tal como cráneo, de la MRI de neuromelanina, de acuerdo con la presente divulgación.
La figura 4 ilustra un ejemplo de un funcionamiento de una unidad de preprocesamiento de imágenes que redistribuye la imagen en una dirección positiva al tiempo que mantiene constantes los cosenos de espacio y dirección de la imagen, de acuerdo con la presente divulgación.
La figura 5 ilustra un ejemplo de una clasificación de una región de neuromelanina, de acuerdo con la presente divulgación.
La figura 6 ilustra un ejemplo de la normalización espacial de la MRI de neuromelanina de entrada a una imagen de plantilla, de acuerdo con la presente divulgación.
La figura 7 ilustra un ejemplo de una segmentación y un cálculo de una región de referencia, de acuerdo con la presente divulgación.
La figura 8 ilustra un ejemplo de una imagen de CR generada al mapear un valor de relación de contraste (CR) para cada vóxel, de acuerdo con la presente divulgación.
Las figuras 9A y 9B ilustran un ejemplo de segmentación de una región vulnerable y cálculo de una media de CR, en función de una imagen de relación de contraste (CR) generada en la figura 8.
Las figuras 10 y 11 ilustran un ejemplo de generación y uso de una plantilla dentro del sujeto cuando se ingresa una pluralidad de imágenes de MRI de neuromelanina, de acuerdo con la presente divulgación. La figura 12 es una vista para explicar una configuración de una unidad de procesamiento de imágenes que segmenta una región de neuromelanina y calcula un volumen, de acuerdo con la presente divulgación. La figura 13 es una vista para explicar un método que utiliza un corte de grafos, con respecto al funcionamiento de la unidad de procesamiento de imágenes de acuerdo con la presente divulgación.
La figura 14 es una vista para explicar un método mediante el uso de aprendizaje profundo, con respecto al funcionamiento de la unidad de procesamiento de imágenes de acuerdo con la presente divulgación.
La figura 15 ilustra un ejemplo para adquirir información de grado de atrofia de neuromelanina de acuerdo con edades, mediante el uso del volumen de neuromelanina y la información clínica, mediante una unidad de análisis de imágenes de la presente divulgación.
La figura 16 ilustra un ejemplo que muestra de manera visible información de percentiles de acuerdo con edades, mediante una unidad de salida de información de diagnóstico, de acuerdo con la presente divulgación.
Descripción detallada de la forma de realización preferida
En adelante, una forma de realización de ejemplo de la presente divulgación se describirá con referencia a los dibujos adjuntos. Las formas de realización de ejemplo que se describirán a continuación no limitan indebidamente los contenidos de la presente divulgación establecidos en las reivindicaciones y no se puede decir que la configuración completa descrita en la presente forma de realización es esencial como una solución para la presente divulgación.
En adelante, un aparato que proporciona información sobre enfermedad de Parkinson y un método de acuerdo con una forma de realización de ejemplo de la presente divulgación se describirán en detalle con referencia a los dibujos adjuntos.
Mientras tanto, el significado de “diagnóstico” que se aplicará de acuerdo con la presente divulgación incluye todos los significados de determinar información relacionada con la enfermedad de Parkinson al igual que determinar si existe una enfermedad de Parkinson.
Por ejemplo, el significado de “diagnóstico” puede incluir todas las determinaciones de información de predicción de grado de atrofia cerebral de acuerdo con edades, información de percentil cerebral de acuerdo con edades e información de riesgo cerebral relacionado con la enfermedad de Parkinson incluso si no existe enfermedad de Parkinson.
Neuromelanina y enfermedad de Parkinson
La neuromelanina es un pigmento oscuro insoluble compuesto por melanina, proteína, lípido e iones de metal. Las neuronas que incluyen neuromelanina están presentes en un área del cerebro específica de un sistema nervioso central humano y una concentración es muy alta en neuronas dopaminérgicas de sustancia negra (SN) y neuronas de noradrenalina de locus coeruleus (LC).
La neuromelanina se sintetiza por oxidación dependiente de hierro de dopamina, norepinefrina y catecolamina presente en el citoplasma.
Cuando la neuromelanina está presente inicialmente en el citoplasma, la neuromelanina se acumula en organelos por macroautofagia y las vacuolas se acoplan a vacuolas autofágicas que incluyen lisosomas y componentes de proteína para formar finalmente organelos que incluyen neuromelanina.
Los organelos que contienen neuromelanina primero aparecen entre los dos y tres años de edad y se acumulan gradualmente con el paso del tiempo. Se sabe que las neuronas aumentan hasta aproximadamente los 60 años de edad y, luego, disminuyen.
Se sabe que la enfermedad de Parkinson (PD) es causada por componentes de hierro que se depositan en la SN del mesencéfalo.
El hierro genera la presión de los tejidos cerebrales y la muerte de las células.
La neuromelanina en la SN cumple una función en la retención de componentes de hierro introducidos desde el exterior, de modo que cuando el hierro se deposita y sobrepasa un límite que la neuromelanina puede aceptar, se genera una presión en los tejidos, que puede causar la enfermedad de Parkinson.
El componente de hierro puede capturarse en imágenes de manera no invasiva por medio de MRI sensible a neuromelanina (NM-MRI) mediante el uso de la propiedad paramagnética de los complejos de neuromelanina y hierro.
La NM-MRI genera una señal de hiperintensidad del complejo de neuromelanina.
La NM-MRI se verifica al medir una pérdida de neuronas dopaminérgicas de la SN y varios estudios han demostrado que la NM-MRI permite que se pueda observar la pérdida de la neurona que contiene la neuromelanina de la SN del paciente con enfermedad de Parkinson.
Como resultado, cuando se cuantifica el grado de neuromelanina en la NM-MRI, la enfermedad de Parkinson puede diagnosticarse de manera temprana para prevenirla o se puede establecer un cronograma de tratamiento.
Sin embargo, el grado de la neuromelanina varía en función de las edades, de modo que es difícil conocer el estado del individuo.
En consecuencia, existe una necesidad creciente de la creación de un dispositivo, un sistema y un método que proporcionen información sobre la atrofia de neuromelanina de acuerdo con la edad mediante un modelo de aprendizaje automático y que permitan la predicción de prognosis a través del estudio longitudinal, al utilizar edades y diversa información clínica.
Aparato que proporciona información sobre enfermedad de Parkinson mediante el uso de imagen de neuromelaninaLa figura 1 ilustra un diagrama de bloques de un aparato que proporciona información sobre enfermedad de Parkinson de acuerdo con la presente divulgación.
Un aparato que proporciona información sobre enfermedad de Parkinson 1 de acuerdo con una forma de realización de ejemplo de la presente divulgación incluye una unidad de recepción de imágenes 20, una unidad de preprocesamiento de imágenes 25, una unidad de procesamiento de imágenes 30, una unidad de análisis de imágenes 40 y una unidad de salida de información de diagnóstico 50, como se ilustra en la figura 1.
En primer lugar, la unidad de recepción de imágenes 20 puede adquirir imágenes de MRI obtenidas al capturar el cerebro de un paciente.
La unidad de recepción de imágenes 20 puede adquirir adicionalmente imágenes de PET relacionadas con el cerebro del paciente, además de la MRI.
A continuación, la unidad de preprocesamiento de imágenes 25 proporciona una función de preprocesamiento de la imagen de MRI adquirida para observar una región de neuromelanina que se utiliza como un biomarcador de imagen de la enfermedad de Parkinson.
Como la función más importante de la unidad de preprocesamiento de imágenes 25, la unidad de preprocesamiento de imágenes 25 puede generar una imagen de relación de contraste (CR) en función de la imagen de MRI adquirida. Además, la unidad de procesamiento de imágenes 30 proporciona una función de análisis de la imagen de MRI preprocesada para clasificar una primera imagen que incluye la región de neuromelanina y detecta la región de neuromelanina a partir de la primera imagen.
La unidad de procesamiento de imágenes 30 puede calcular un volumen de la región de neuromelanina en función de la primera imagen y la unidad de análisis de imágenes 40 puede diagnosticar la enfermedad de Parkinson del paciente en función del volumen calculado de la región de neuromelanina.
La unidad de procesamiento de imágenes 30 puede calcular el volumen de la región de neuromelanina mediante el uso de una cantidad de vóxeles relacionados con la primera imagen y un tamaño de vóxel.
Además, la unidad de análisis de imágenes 40 puede analizar si la región de neuromelanina detectada es normal para diagnosticar si el paciente tiene la enfermedad de Parkinson.
Además, la unidad de análisis de imágenes 40 calcula un grado de atrofia de neuromelanina mediante el uso del volumen calculado de la región de neuromelanina y la información clínica adquirida en conjunto, y puede diagnosticar si el paciente tiene la enfermedad de Parkinson en función del grado de atrofia de neuromelanina calculado.
Además, la unidad de análisis de imágenes 40 puede convertir el grado de atrofia de neuromelanina calculado en información de percentil de acuerdo con edades.
Cuando la unidad de análisis de imágenes 40 calcula una velocidad de atrofia de neuromelanina del paciente mediante el uso de una pluralidad de grados de atrofia de neuromelanina adquirida en un período predeterminado, la unidad de salida de información de diagnóstico 50 puede proporcionar una función para mostrar la velocidad de atrofia de neuromelanina del paciente en diversas formas.
En adelante, los papeles y las funciones de los componentes se describirán en detalle con referencia a los dibujos.Configuración y funcionamiento de la unidad de preprocesamiento de imágenes
La figura 2 ilustra un ejemplo de un diagrama de bloques de una unidad de preprocesamiento de imágenes de acuerdo con la presente divulgación.
La unidad de preprocesamiento de imágenes 25 apunta a generar una imagen de relación de contraste (CR) en función de la imagen de MRI adquirida.
Con referencia a la figura 2, la unidad de preprocesamiento de imágenes 25 incluye una unidad de eliminación de cráneo 100, una unidad de recorte de imágenes 110, una unidad de clasificación de región de neuromelanina 120, una unidad de normalización espacial 130, una unidad de cálculo y segmentación de la región de referencia 140, una unidad de generación de imágenes de CR 150 y una unidad de cálculo de imágenes de CR 160.
En primer lugar, la unidad de eliminación de cráneo 100 proporciona una función de eliminación de la región del cráneo de la imagen de MRI adquirida.
La figura 3 ilustra un ejemplo de eliminación de tejido no cerebral, tal como cráneo, de la MRI de neuromelanina, de acuerdo con la presente divulgación.
La figura 3 (a) ilustra un ejemplo de imagen de MRI de neuromelanina (NM-MRI) de entrada y la figura 3 (b) ilustra un ejemplo en el que se elimina un tejido no cerebral de la NM-MRI.
A continuación, la unidad de recorte de imágenes 110 proporciona una función de realización de al menos una operación de ajuste de ángulo, ampliación de imagen y recorte, en función de la imagen en la que se eliminó la región del cráneo.
La figura 4 ilustra un ejemplo de un funcionamiento de una unidad de preprocesamiento de imágenes que redistribuye la imagen en una dirección positiva al tiempo que mantiene constantes los cosenos de espacio y dirección de la imagen, de acuerdo con la presente divulgación.
La figura 4 (a) ilustra un ejemplo de una imagen antes del recorte y la figura 4 (b) ilustra un ejemplo de un resultado de redistribución de la imagen en una dirección positiva al tiempo que mantiene constantes los cosenos de espacio y dirección de la imagen.
Además, la unidad de clasificación de región de neuromelanina 120 proporciona una función de detección de una primera región que incluye la neuromelanina mediante el uso de un modelo de red neural profunda, en función de la imagen transmitida desde la unidad de recorte de imágenes.
En este momento, la unidad de clasificación de región de neuromelanina 120 puede mostrar el límite de la primera región a identificar y recorta la imagen de la primera imagen.
La figura 5 ilustra un ejemplo de una clasificación de una región de neuromelanina, de acuerdo con la presente divulgación.
Con referencia a la figura 5, la imagen transmitida desde la unidad de recorte de imágenes 110 se ilustra en la figura 5 (a) y un ejemplo en el que se detecta una región que incluye la neuromelanina en la NM-MRI completa por medio de un modelo de red neural profunda ilustrado en la figura 5 (b) se ilustra en la figura 5 (c).
Además, como se ilustra en la figura 5 (d), se muestra un límite alrededor de este y, luego, la imagen puede ser recortada.
Además, la unidad de normalización espacial 130 proporciona una función de realización de la normalización espacial mediante el uso de una imagen de plantilla en función de una imagen en la que se detectó la primera región.
En este momento, la unidad de normalización espacial 130 realiza la normalización espacial mediante el uso de al menos una de una primera imagen de plantilla generada a partir de una imagen de MRI de neuromelanina de una persona normal y una segunda imagen de plantilla generada a partir de la imagen anatómica en función de una MRI ponderada por T1.
Además, la unidad de normalización espacial 130 empareja la primera imagen de plantilla después del emparejamiento mediante el uso de la segunda imagen de plantilla para realizar la normalización espacial.
La normalización espacial se refiere a la normalización espacial de la NM-MRI de entrada con respecto a la imagen de plantilla de acuerdo con la presente divulgación, donde la normalización espacial utiliza cualquiera de los dos métodos.
De acuerdo con el primer método, se realiza la normalización espacial con respecto a la plantilla de NM-MRI y la plantilla de NM-MRI se refiere a una plantilla generada desde la NM-MRI de una pluralidad de personas normales. De acuerdo con el segundo método, se utiliza una imagen anatómica, tal como MRI ponderada por T1.
La figura 6 ilustra un ejemplo de la normalización espacial de la MRI de neuromelanina de entrada a una imagen de plantilla, de acuerdo con la presente divulgación.
Como se ilustra en las figuras 6 (a) a (c), los dos métodos descritos anteriormente pueden combinarse, de modo que después del emparejamiento de una imagen de MRI ponderada por T1 de alta resolución de un individuo con la plantilla de T1, la NM-MRI del individuo se normaliza espacialmente.
Además, la unidad de cálculo y segmentación de la región de referencia 140 proporciona una función de segmentación de la región de referencia mediante el uso de un método de segmentación basado en Atlas, en función de la imagen espacialmente normalizada y de cálculo de una media de valor en la región de referencia segmentada
La región de referencia segmentada puede ser una región de pedúnculos cerebrales.
Es decir, la región de referencia se segmenta mediante el método de segmentación basado en Atlas al que se aplica un atlas predefinido y la media en la región de referencia se puede calcular en la NM-MRI.
En este proceso, un experto puede utilizar un método que usa conocimientos previos o un método de segmentación que usa una imagen de referencia (atlas) definida en un espacio de plantilla.
La figura 7 ilustra un ejemplo de una segmentación y un cálculo de una región de referencia, de acuerdo con la presente divulgación.
Con referencia a la figura 7, como la región de referencia roja, se ilustran una primera región de referencia 141 y una segunda región de referencia 142.
Además, la unidad de generación de imágenes de CR 150 proporciona una función de generación de una imagen de CR en la que el valor de relación de contraste (CR) se mapea a cada vóxel de la imagen, en función de la imagen normalizada espacialmente.
La figura 8 ilustra un ejemplo de una imagen de CR generada al mapear un valor de relación de contraste (CR) para cada vóxel, de acuerdo con la presente divulgación.
Mientras tanto, la unidad de generación de imágenes de CR 150 puede calcular un valor de relación de contraste mediante el uso de una media de valor calculado por la unidad de cálculo y segmentación de la región de referencia 140.
El valor de relación de contraste se puede calcular mediante la siguiente ecuación 1.
En la ecuación 1, CRv es el valor de relación de contraste, SIv es una intensidad de señal de cada vóxel y meanSlRef se refiere a la media de valor.
Además, la unidad de cálculo de CR 160 proporciona una función de segmentación de una región vulnerable predeterminada en función de la imagen de Cr generada y de cálculo de una media de CR en la región vulnerable predeterminada.
Aquí, la región vulnerable predeterminada puede ser una región que se distingue significativamente de más de una referencia predeterminada cuando se compara una región de neuromelanina del grupo normal y una región de neuromelanina de un grupo de pacientes.
De manera representativa, la región vulnerable predeterminada puede incluir una región de nigrosoma 1 y una región de nigrosoma 2.
Las figuras 9A y 9B ilustran un ejemplo de segmentación de una región vulnerable y cálculo de una media de CR, en función de una imagen de relación de contraste (CR) generada en la figura 8.
La región vulnerable es una región que estadísticamente difiere de manera significativa de las regiones de neuromelanina del grupo normal y el grupo de pacientes y las figuras 9A (a) y (b) las Figuras 9B (a) a (d) ilustran regiones (50 de personas normales y 50 de IPD) que estadísticamente difieren de manera significativa de la región de neuromelanina.
Cuando las regiones de las figuras 9A (a) y (b) las figuras 9B (a) a (d) se superponen con plantillas de imágenes ponderadas por mapa de susceptibilidad (SMWI), las regiones pueden corresponder a las regiones de nigrosoma 1 y nigrosoma 2.
Aquí, el nigrosoma 1 y nigrosoma 2 son áreas que se ven afectadas en enfermedades de Parkinson tempranas. Además, la media de CR de la región vulnerable se puede calcular mediante una combinación de las regiones de nigrosoma 1 y 2 o áreas izquierda y derecha.
La media de CR calculado en la presente se puede utilizar en la unidad de análisis de imágenes 40.
Mientras tanto, de acuerdo con otra forma de realización de ejemplo de la presente divulgación, se puede proponer un método que genera y utiliza una plantilla dentro del sujeto para un estudio longitudinal.
Las figuras 10 y 11 ilustran un ejemplo de generación y uso de una plantilla dentro del sujeto cuando se ingresa una pluralidad de imágenes de MRI de neuromelanina, de acuerdo con la presente divulgación.
Con referencia a la figura 10, cuando se ingresa una pluralidad de imágenes de MRI con respecto al mismo sujeto, se puede incluir además una unidad de generación de plantilla 200 que genera una plantilla dentro del sujeto mediante el uso de datos de la región de neuromelanina incluida en la pluralidad de imágenes de MRI.
En este momento, la unidad de normalización espacial 130 realiza la normalización espacial mediante el uso de la plantilla dentro del sujeto y la plantilla dentro del sujeto se puede utilizar para el estudio longitudinal para el mismo sujeto.
Como se describió anteriormente, durante el estudio longitudinal, cuando se agrega la plantilla dentro del sujeto que genera el proceso, la plantilla dentro del sujeto como se ilustra en la figura 11 (c) se puede generar mediante el uso de imágenes de NM-MRI de entrada (dos o más) como se ilustra en las figuras 11 (a) y (b).
Con el fin de observar la variación de datos para la misma persona capturados en diferentes momentos, se genera la plantilla dentro del sujeto, y la plantilla dentro del sujeto puede minimizar la variabilidad de las imágenes capturadas en diferentes momentos de acuerdo con el paso del tiempo.
Es decir, la plantilla dentro del sujeto se puede considerar como una imagen (plantilla) promediada a lo largo del tiempo.
Configuración y funcionamiento de la unidad de procesamiento de imágenes
La unidad de procesamiento de imágenes 30 proporciona una función de segmentación de un área de clasificación de región de neuromelanina y de cálculo de un volumen.
La figura 12 es una vista que explica una configuración de una unidad de procesamiento de imágenes que segmenta una región de neuromelanina y calcula un volumen, de acuerdo con la presente divulgación.
Con referencia a la figura 12, la unidad de procesamiento de imágenes 30 incluye una unidad de segmentación 31 que analiza la imagen de MRI preprocesada y clasifica una primera imagen que incluye la región de neuromelanina y una unidad de cálculo de volumen 32 que detecta la región de neuromelanina a partir de la primera imagen clasificada y calcula un volumen de la región de neuromelanina.
La unidad de cálculo de volumen 32 puede calcular el volumen de la región de neuromelanina mediante el uso de una cantidad de vóxeles relacionados a la primera imagen y un tamaño de vóxel.
Mientras tanto, como un método para analizar la imagen de MRI preprocesada para clasificar la primera imagen que incluye la región de neuromelanina mediante la unidad de segmentación 31, se puede utilizar uno de los tres métodos siguientes:
(1) un método que utiliza cortes de grafos
(2) un método que utiliza aprendizaje profundo
(3) un método que utiliza valores de umbral específicos
En primer lugar, la unidad de segmentación 31 puede clasificar la primera imagen en función de un algoritmo de corte de grafos que utiliza una imagen de primer plano configurada en vóxeles que tiene una alta probabilidad de incluir una región de neuromelanina y una imagen de fondo generada en función de la imagen de primer plano. La figura 13 es una vista para explicar un método que utiliza un corte de grafos, con respecto a la operación de la unidad de procesamiento de imágenes de acuerdo con la presente divulgación.
Con referencia a las figuras 13 (a) a (c), como un método para segmentar el área de clasificación de la región de neuromelanina mediante el uso del algoritmo de cortes de grafos, se ilustra un ejemplo de segmentación mediante el uso de una imagen de primer plano y una imagen de fondo.
Aquí, la imagen de primer plano es una imagen configurada en vóxeles que tiene una alta probabilidad de ser una región de neuromelanina y la imagen de fondo es una imagen generada en función de la imagen de primer plano. A continuación, la unidad de segmentación 31 puede clasificar la primera imagen en función de una red neural profunda entrenada con datos en los que una imagen cerebral y un área de región de neuromelanina se etiquetan con respecto al método que utiliza aprendizaje profundo.
La figura 14 es una vista para explicar un método mediante el uso de aprendizaje profundo, con respecto a la operación de la unidad de procesamiento de imágenes de acuerdo con la presente divulgación.
Con referencia a las figuras 14 (a) a (c), se ilustra un ejemplo de segmentación de la región de neuromelanina mediante el uso de un módulo de red neural profunda entrenado con datos en los que la imagen del cerebro y la región de neuromelanina están etiquetadas.
Finalmente, la unidad de segmentación 31 puede extraer un factor que es igual o más alto que una señal de intensidad predeterminada y clasificar la primera imagen mediante el uso del factor extraído, con respecto al método que utiliza valores de umbral específicos.
De acuerdo con este método, solo las intensidades de señal que son más altas que un umbral se utilizan para segmentación, y el valor de umbral se pueden calcular de la siguiente manera.
Como un proceso para calcular un volumen de neuromelanina mediante el uso de un valor de umbral, puede ser necesario un proceso para seleccionar un factor de calibración optimizado para calcular una intensidad de señal y una variación de contraste.
Además, el factor de calibración específico puede aumentar el valor de SD en 0,25 y otro umbral se puede calcular mediante la siguiente ecuación 2.
Como un resultado, en función de la ecuación 2 anterior, la segmentación se lleva a cabo mediante valores restantes que son más altos que el umbral para realizar la segmentación de la región de neuromelanina.
Configuración y funcionamiento de la unidad de análisis de imágenes y unidad de salida de información de diagnóstico
Como se describió anteriormente, la unidad de procesamiento de imágenes 30 puede calcular un volumen de la región de neuromelanina en función de la primera región y de acuerdo con la forma de realización de ejemplo de la presente divulgación, se puede utilizar adicionalmente una unidad de recepción de información clínica 60 que adquiere información clínica.
En este momento, la unidad de análisis de imágenes 40 puede calcular un grado de atrofia de neuromelanina mediante el uso del volumen calculado de la región de neuromelanina y la información clínica adquirida en conjunto. Además, la unidad de análisis de imágenes 40 puede diagnosticar si el paciente tiene enfermedad de Parkinson en función del grado de atrofia de neuromelanina calculado.
, el grado de atrofia de neuromelanina se puede calcular al comparar un volumen de la región de neuromelanina extraída de una imagen de un grupo normal y un volumen de la región de neuromelanina del paciente.
Además, la unidad de análisis de imágenes 40 puede convertir el grado de atrofia de neuromelanina calculado en información de percentil de acuerdo con edades.
Además, la unidad de análisis de imágenes 40 puede calcular una velocidad de atrofia de neuromelanina del paciente mediante el uso de una pluralidad de grados de atrofia de neuromelanina adquirida en un período predeterminado.
En lo siguiente, la velocidad de atrofia de neuromelanina del paciente deducida por la unidad de análisis de imágenes 40 se puede mostrar y proporcionar en diversas formas mediante la unidad de salida de información de diagnóstico 50.
La figura 15 ilustra un ejemplo para adquirir información de grado de atrofia de neuromelanina de acuerdo con edades, mediante el uso del volumen de neuromelanina y la información clínica, mediante una unidad de análisis de imágenes de la presente divulgación.
Con referencia a las figuras 15 (a) a (c), la unidad de análisis de imágenes 40 calcula un grado de atrofia de neuromelanina, mediante el uso del volumen calculado de la región de neuromelanina y la información clínica adquirida, diagnostica si el paciente tiene enfermedad de Parkinson en función del grado de atrofia de neuromelanina calculado, y puede convertir el grado de atrofia de neuromelanina calculado en información de percentiles de acuerdo con edades.
Específicamente, la unidad de análisis de imágenes 40 puede adquirir el grado de atrofia de neuromelanina de acuerdo con edades mediante el uso de los volúmenes de neuromelanina y la información clínica. El índice de atrofia se refiere a un valor obtenido al convertir el volumen de neuromelanina de entrada del individuo en función de una puntuación estándar calculada mediante el volumen de neuromelanina extraído de la imagen de un grupo normal de acuerdo con edades.
La ecuación 3 siguiente es una ecuación que básicamente adquiere una puntuación estándar que incluye la puntación z y puntuación t.
En la ecuación 3, Vind es un volumen de neuromelanina extraída del individuo, pNC es un volumen de neuromelanina medio de una población NC y aNC es una desviación estándar de un volumen de neuromelanina de una población NC.
La puntuación estándar se puede calcular en diversos métodos de acuerdo con la información clínica de entrada. De manera representativa, la ecuación 4 siguiente propone un método para calcular una puntuación estándar (puntuación W) en la que se corrige la edad.
[E cu a c ió n 4]
En la ecuación 4, Vind es un volumen de neuromelanina extraída del individuo, X es un valor previsto en el que se corrige la edad y aNC es una desviación estándar de un volumen de neuromelanina de una población NC.
Un modelo de aprendizaje automático que se puede aplicar a la presente divulgación puede ser un módulo en el que se aprenden un volumen de neuromelanina y la información clínica de la persona normal y un grado de atrofia. Además, de acuerdo con la presente divulgación, cuando el volumen de neuromelanina del individuo y la información clínica se ingresan, puede generarse un índice de atrofia para el individuo y la edad, y este índice de atrofia se puede convertir en información de percentil de acuerdo con edades a ser generada.
La figura 16 ilustra un ejemplo que muestra de manera visible información de percentiles de acuerdo con edades, mediante una unidad de salida de información de diagnóstico, de acuerdo con la presente divulgación.
Con referencia a la figura 16, un masculino de 52 años de edad tiene un grado de atrofia de 0,83 y percentil 72, y, por lo tanto, se puede llevar a cabo de manera correspondiente una gestión y un tratamiento personalizados.
Además, de acuerdo con la presente divulgación, el estudio longitudinal se puede realizar mediante diagnóstico periódico.
El estudio longitudinal se puede llevar a cabo al calcular una velocidad de atrofia mediante el uso de NM-MRI capturadas para la misma persona con un período predeterminado.
Aquí, la velocidad de atrofia se refiere a un grado cambiado de un volumen de neuromelanina como datos iniciales y un volumen de neuromelanina como datos de seguimiento, y se puede proporcionar a través de la unidad de salida de información de diagnóstico 50 en diversas formas.
Por ejemplo, se puede proporcionar información que indique que “un volumen de neuromelanina de un masculino de 65 años de edad se redujo en aproximadamente 8,5 % durante 1,31 años”.
Como otro ejemplo, se puede proporcionar información que indique que “un volumen de neuromelanina de un femenino de 63 años de edad se redujo en aproximadamente 2 ml durante 1,23 años”.
Método de diagnóstico de enfermedad de Parkinson
Un método para diagnosticar la enfermedad de Parkinson se explicará en función de la configuración descrita anteriormente de la presente divulgación.
En primer lugar, se lleva a cabo una etapa S10 de adquisición de una imagen de MRI adquirida al capturar el cerebro de un paciente mediante la unidad de recepción de imágenes 20.
En este momento, la unidad de recepción de imágenes 20 puede adquirir adicionalmente una imagen PET relacionada con el cerebro del paciente además de la MRI.
A continuación, la unidad de preprocesamiento de imágenes 25 realiza la etapa S20 de preprocesamiento de la imagen de MRI adquirida para observar una región de neuromelanina que se utiliza como un biomarcador de imagen de la enfermedad de Parkinson.
Aquí, como la función más importante de la unidad de preprocesamiento de imágenes 25, la unidad de preprocesamiento de imágenes 25 puede generar una imagen de relación de contraste (CR) en función de la imagen de MRI adquirida.
Además, la unidad de procesamiento de imágenes 30 analiza la imagen de MRI preprocesada para clasificar una primera imagen que incluye la región de neuromelanina (S30).
A continuación, la unidad de procesamiento de imágenes 30 realiza una operación para detectar la región de neuromelanina de la primera imagen clasificada (S40).
La unidad de procesamiento de imágenes 30 puede calcular un volumen de la región de neuromelanina en función de la primera imagen y la unidad de análisis de imágenes 40 diagnostica la enfermedad de Parkinson del paciente en función del volumen calculado de la región de neuromelanina.
La unidad de procesamiento de imágenes 30 puede calcular el volumen de la región de neuromelanina mediante el uso de una cantidad de vóxeles relacionados con la primera imagen y un tamaño de vóxel.
Después de la etapa S40, la unidad de análisis de imágenes 40 puede analizar si la región de neuromelanina detectada es normal para diagnosticar si el paciente tiene enfermedad de Parkinson (S50).
En la etapa S50, la unidad de análisis de imágenes 40 calcula un grado de atrofia de neuromelanina mediante el uso del volumen calculado de la región de neuromelanina y la información clínica adquirida en conjunto, y puede diagnosticar si el paciente tiene la enfermedad de Parkinson en función del grado de atrofia de neuromelanina calculado.
Además, la unidad de análisis de imágenes 40 puede convertir el grado de atrofia de neuromelanina calculado en información de percentil de acuerdo con edades.
A continuación, la unidad de análisis de imágenes 40 puede calcular una velocidad de atrofia de neuromelanina del paciente mediante el uso de una pluralidad de grados de atrofia de neuromelanina adquirida en un período predeterminado (S60) y la unidad de salida de información de diagnóstico 50 puede proporcionar una función para mostrar la velocidad de atrofia de neuromelanina del paciente en diversas formas (S70).
Método para aumentar la probabilidad de ensayo clínico exitoso mediante el uso de un método para el diagnóstico de enfermedad de Parkinson mediante el uso de inteligencia artificial para cribar el grupo de pacientes y grupo normal
El método y aparato para diagnosticar la enfermedad de Parkinson de acuerdo con la presente divulgación como se describió anteriormente se utilizan para cribar el grupo de pacientes y el grupo normal para aumentar una probabilidad de ensayos clínicos exitosos.
Es decir, la presente divulgación puede proporcionar un dispositivo, un sistema y un método para utilizar el método para diagnosticar la enfermedad de Parkinson mediante el uso de inteligencia artificial para cribar un grupo de pacientes y un grupo normal para aumentar la probabilidad de ensayos clínicos exitosos.
Un resultado de ensayos clínicos para la demostración de eficacia de fármaco se determina al mostrar una significancia estadística que indica si se puede lograr un efecto esperado previsto para participantes del ensayo clínico. Sin embargo, cuando se aplican el método y el aparato para diagnosticar la enfermedad de Parkinson de acuerdo con la presente divulgación, solo los pacientes con enfermedad de Parkinson a los que los nuevos fármacos se dirigen exactamente se incluyen como sujetos de ensayo clínico, de modo que la probabilidad de ensayos clínicos exitosos pueda aumentarse tanto como sea posible.
En primer lugar, se describirán anticipadamente los problemas de ensayos clínicos de nuevos fármacos existentes. Un resultado de ensayos clínicos para la demostración de eficacia de fármaco se determina al mostrar una significancia estadística que indica si se puede lograr un efecto esperado previsto para participantes del ensayo clínico.
Mientras tanto, en el caso de la enfermedad de Parkinson, es inevitable basarse en la evaluación UPDRS, examen neurológico y la evaluación de etapas de Hoehn & Yarr (etapas 0 a 5) para medir si los síntomas mejoraron mediante la eficacia de fármaco. Sin embargo, estos métodos se basan en cuestionarios y tienen problemas en cuanto a que la escala de datos no se detalla.
Por lo tanto, a fin de probar la significancia estadística, un valor numérico de una escala de evaluación necesita estar aumentado significativa y estadísticamente antes y después de la medicación o en comparación con un grupo de placebo. Cuanto más alto el valor de aumento previsto, más pequeña la cantidad de sujetos diana y más alta la probabilidad de alcanzar significancia estadística.
En este caso, si el valor de aumento previsto es pequeño, la cantidad de sujetos diana aumenta también, y la dificultad de prueba estadística aumenta.
Como un resultado, es muy difícil aumentar una etapa de escala de evaluación de la enfermedad de Parkinson, de modo que existe un problema en cuanto a que la posibilidad de aprobar el ensayo clínico es muy baja.
En la presente divulgación, a fin de resolver el problema descrito anteriormente, solo los pacientes con enfermedad de Parkinson a los que el nuevo fármaco se dirige exactamente se incluyen como sujetos de los ensayos clínicos para aumentar una probabilidad de ensayos clínicos exitosos tanto como sea posible.
Uno de los factores de falla importantes en un proceso de desarrollo de nuevo fármaco para fármacos del sistema nerviosos central es la dificultad de cribar los sujetos correctos y cribar un grupo de respuesta al fármaco.
Debido a que una tasa de respuesta al placebo para los fármacos del sistema nervioso central es particularmente alta, una estrategia importante para aumentar la tasa de éxito es reducir la heterogeneidad del grupo de sujetos y establecer un biomarcador que puede prever una reactividad del fármaco.
Además, ya que toma un largo tiempo confirmar la enfermedad de Parkinson (aproximadamente tres meses), una prueba de cribado es difícil, de modo que existe un problema en cuanto a que es muy complejo incluir solo los pacientes de enfermedad de Parkinson a los que los nuevos fármacos se dirigen como sujetos de los ensayos clínicos.
Por lo tanto, el método para diagnosticar la enfermedad de Parkinson mediante el uso de inteligencia artificial de acuerdo con la presente divulgación puede utilizarse para cribar un grupo de pacientes y un grupo normal para aumentar la probabilidad de ensayos clínicos exitosos.
De acuerdo con la forma de realización de ejemplo de la presente divulgación, en primer lugar, se lleva a cabo una etapa S100 de reclutar un grupo de candidatos experimentales para un ensayo clínico para demostrar una eficacia de fármaco.
A continuación, se lleva a cabo una etapa S110 de adquisición de una imagen con respecto a una pluralidad de grupos de candidatos experimentales, una etapa S120 de preprocesamiento de la imagen de MRI adquirida para observar la región de neuromelanina utilizada como un biomarcador de imagen de la enfermedad de Parkinson, una etapa S130 de análisis de la imagen de MRI preprocesada para clasificar la primera imagen que incluye la región de neuromelanina, una etapa S140 de detección de la región de neuromelanina a partir de la primera imagen clasificada y una etapa S150 de análisis para determinar si la región de neuromelanina detectada es normal para diagnosticar si el paciente tiene la enfermedad de Parkinson.
Las etapas S110 a S150 corresponden a las etapas S10 a S50 descritas anteriormente, respectivamente, de modo que la descripción redundante se omitirá para clarificar la memoria descriptiva.
A continuación, cuando un resultado de diagnóstico se deriva a través de la etapa S150, se puede llevar a cabo una etapa S160 de clasificación de la pluralidad de grupos de candidatos experimentales en un grupo de pacientes de enfermedad de Parkinson real y un grupo de pacientes normales en función del resultado de diagnóstico.
En este caso, una etapa S170 de realizar un ensayo clínico y una etapa S180 de demostración de una eficacia de fármaco en un resultado de ensayo clínico se llevan a cabo solo en el sujeto clasificado como grupo de pacientes de enfermedad de Parkinson real. Por lo tanto, solo los pacientes con enfermedad de Parkinson a los que el nuevo fármaco se dirige exactamente se incluyen como sujetos de ensayo clínico, de modo que la probabilidad del ensayo clínico exitoso pueda aumentarse.
Como un resultado, el método para diagnosticar la enfermedad de Parkinson mediante el uso de inteligencia artificial de acuerdo con la presente divulgación puede utilizarse para cribar un grupo de pacientes y un grupo normal para aumentar la probabilidad de ensayos clínicos exitosos.
Las etapas S100 a S180 descritas anteriormente se pueden llevar a cabo independientemente mediante el aparato que proporciona información sobre enfermedad de Parkinson 1 o se pueden aplicar para llevar a cabo la operación total en conjunto con el aparato que proporciona información sobre enfermedad de Parkinson 1 al proporcionar un servidor separado o un dispositivo de gestión central separado.
Además, en la descripción anterior, aunque se describió un método para aumentar la eficacia del desarrollo del nuevo fármaco en función de la enfermedad de Parkinson, una eficacia de un nuevo fármaco también se puede demostrar mediante la división de etapas que representan la gravedad de la enfermedad de Parkinson.
Por ejemplo, los estados de la pluralidad de pacientes se dividen en N etapas en función de la tecnología propuesta por la presente divulgación, y solo grupos de pacientes que corresponden a cada etapa se seleccionan para realizar los ensayos clínicos. Por lo tanto, la eficacia del nuevo fármaco y la probabilidad de ensayos clínicos exitosos en etapas precisas puede aumentarse.
Efecto de acuerdo con la presente divulgación
Como se describió anteriormente, de acuerdo con el aparato y el método que proporcionan información sobre enfermedad de Parkinson de acuerdo con la presente divulgación, solo las imágenes que incluyen la región de neuromelanina se clasifican a partir de la MRI y la región de neuromelanina se analiza a partir de la imagen clasificada para diagnosticar la enfermedad de Parkinson.
Además, de acuerdo con la presente divulgación, la enfermedad de Parkinson se diagnostica mediante el uso de la imagen, de modo que la enfermedad de Parkinson se diagnostique de manera precisa mediante el uso del equipo de MRI, que se proporciona generalmente, y la precisión de los resultados de diagnóstico se mejora.
Además, de acuerdo con la presente divulgación, se puede observar solo la región de neuromelanina.
Específicamente, la imagen de MRI adquirida se preprocesa para observar la imagen de neuromelanina, la imagen de MRI preprocesada se analiza para clasificar una imagen que incluye la imagen de neuromelanina, donde la imagen de neuromelanina se detecta a partir de la imagen clasificada y, si la región de neuromelanina detectada es normal, se analiza para diagnosticar si el paciente tiene la enfermedad de Parkinson.
Además, de acuerdo con la presente divulgación, la región de neuromelanina puede detectarse eficazmente mediante aprendizaje automático.
Específicamente, de acuerdo con la presente divulgación, la enfermedad de Parkinson se puede diagnosticar al realizar al menos una operación de ajuste de ángulo, ampliación de imagen y recorte en función de una imagen de la cual se elimina una región del cráneo, detectar una región que incluye neuromelanina mediante el uso de un modelo de red neural profunda, realizar una normalización espacial mediante el uso de una imagen de plantilla y generar una imagen de CR en la que se mapea un valor de relación de contraste (CR) para cada vóxel de la imagen para diagnosticar la enfermedad de Parkinson.
Además, de acuerdo con la presente divulgación, es posible proporcionar un aparato y un método que segmentan una región vulnerable predeterminada en función de una imagen de CR generada y calculan una media de CR en la región vulnerable segmentada para realizar el preprocesamiento de la imagen.
Además, de acuerdo con la presente divulgación, es posible proporcionar una función de estudio longitudinal al generar una plantilla dentro del sujeto y realizar una normalización espacial mediante el uso de los datos de la región de neuromelanina incluidos en una pluralidad de imágenes de MRI cuando existe una pluralidad de entradas de imágenes de MRI con respecto al mismo objeto.
Además, de acuerdo con la presente divulgación, es posible calcular un volumen de una región de neuromelanina de un paciente, calcular un grado de atrofia de neuromelanina mediante el uso del volumen calculado de la región de neuromelanina y la información clínica adquirida en conjunto y diagnosticar si el paciente tiene la enfermedad de Parkinson en función del grado de atrofia de neuromelanina calculado.
Además, de acuerdo con la presente divulgación, la velocidad de atrofia de neuromelanina del paciente se calcula mediante el uso de una pluralidad de grados de atrofia de neuromelanina adquirida en un período predeterminado y la velocidad de atrofia de neuromelanina del paciente se muestra y se proporciona en diversas formas.
Además, de acuerdo con la presente divulgación, un resultado de ensayos clínicos para la demostración de eficacia de fármaco se determina al mostrar una significancia estadística que indica si se puede lograr un efecto esperado previsto para participantes del ensayo clínico. Sin embargo, cuando se aplican el método y el aparato para diagnosticar la enfermedad de Parkinson de acuerdo con la presente divulgación, solo los pacientes con enfermedad de Parkinson a los que los nuevos fármacos se dirigen exactamente se incluyen como sujetos de ensayo clínico, de modo que la probabilidad de ensayos clínicos exitosos pueda aumentarse tanto como sea posible.
Es decir, el método para diagnosticar la enfermedad de Parkinson mediante el uso de inteligencia artificial de acuerdo con la presente divulgación puede utilizarse para cribar un grupo de pacientes y un grupo normal para aumentar la probabilidad de ensayos clínicos exitosos.
Mientras tanto, un objeto técnico a lograr en la presente divulgación no se limita a los efectos mencionados anteriormente, y otros efectos no mencionados serán claramente entendidos por las personas del oficio de nivel medio a partir de la descripción a continuación.
Las formas de realización de ejemplo descritas anteriormente de la presente divulgación se pueden implementar a través de diversos métodos. Por ejemplo, las formas de realización de ejemplo de la presente divulgación se pueden implementar mediante un hardware, un firmware, un software o una combinación de estos.
Cuando la forma de realización de ejemplo se implementa mediante el hardware, el método de acuerdo con la forma de realización de ejemplo de la presente divulgación se puede implementar mediante uno o más circuitos integrados de aplicación específica (ASIC), procesadores de señales digitales (DSP), dispositivos de procesamiento digital de señales (DSPD), dispositivos de lógica programada (PLD), matrices de puerta programable en campo (FPGA), un procesador, un controlador, un microcontrolador o un microprocesador.
Cuando se implementa la forma de realización de ejemplo mediante el firmware o el software, el método de acuerdo con la forma de realización de ejemplo de la presente divulgación se puede implementar mediante un módulo, un procedimiento o una función que realiza una función o las operaciones descritas anteriormente. El código de software se almacena en la unidad de memoria para ser activado por el procesador. La unidad de memoria está ubicada dentro o fuera del procesador y puede intercambiar datos con el procesador, mediante diversas unidades conocidas.
Como se describió anteriormente, la descripción detallada de las formas de realización de ejemplo de la presente divulgación se proporciona de manera tal que las personas del oficio de nivel medio implementen y lleven a cabo la presente divulgación. Mientras que la divulgación se describió con referencia a las formas de realización preferidas, las personas del oficio de nivel medio entenderán que se pueden hacer diversos cambios y modificaciones de la presente divulgación dentro del alcance de las reivindicaciones. Por ejemplo, las personas del oficio de nivel medio pueden utilizar las configuraciones divulgadas en las formas de realización de ejemplo descritas anteriormente al combinarlas entre sí. Por lo tanto, la presente divulgación no pretende estar limitada a las formas de realización de ejemplo descritas anteriormente, sino como se asigna en el alcance de las reivindicaciones.
La presente divulgación se puede implementar en otra forma específica dentro del alcance de las reivindicaciones. Por lo tanto, la descripción detallada no debe analizarse de manera restrictiva en todos los aspectos y debe considerarse de ejemplo. El alcance de la presente divulgación se determina mediante el alcance de las reivindicaciones. La presente divulgación no pretende estar limitada a las formas de realización de ejemplo descritas anteriormente, la invención se define mediante las reivindicaciones adjuntas.
Claims (14)
- REIVINDICACIONES 1. Un aparato que proporciona información sobre enfermedad de Parkinson (1) mediante el uso de una imagen de neuromelanina, que comprende: - una unidad de recepción de imágenes (20), que está configurada para adquirir una imagen de MRI obtenida al capturar el cerebro de un paciente; - una unidad de preprocesamiento de imágenes (25), que está configurada para preprocesar la imagen de MRI adquirida para observar la región de neuromelanina utilizada como un biomarcador de imagen de la enfermedad de Parkinson; - una unidad de procesamiento de imágenes (30), que está configurada para analizar la imagen de MRI preprocesada para clasificar una primera imagen que incluye la región de neuromelanina y que está configurada para detectar la región de neuromelanina a partir de la primera imagen clasificada; y - una unidad de análisis de imágenes (40), que está configurada para analizar la región de neuromelanina detectada para determinar información del paciente relacionada con la enfermedad de Parkinson, en donde la unidad de procesamiento de imágenes (30) está configurada para calcular un volumen de la región de la neuromelanina en función de la primera imagen, en donde el aparato (1) además incluye una unidad de recepción de información clínica (60), que está configurada para adquirir información clínica que incluye la edad del paciente, en donde la unidad de análisis de imágenes (40) está configurada para calcular un grado de atrofia de neuromelanina al comparar un volumen de la región de neuromelanina del paciente y un volumen de la región de neuromelanina extraída de una imagen de un grupo normal mediante el uso del volumen calculado de la región de neuromelanina y la información clínica adquirida, respectivamente, en donde la unidad de análisis de imágenes (40) está configurada para determinar información del paciente relacionada con la enfermedad de Parkinson en función del grado de atrofia de neuromelanina calculado, en donde la unidad de preprocesamiento de imágenes (25) está configurada para generar una imagen de relación de contraste (CR) en función de la imagen de MRI adquirida, en donde la unidad de preprocesamiento de imágenes (25) incluye: - una unidad de eliminación de cráneo (100), que está configurada para eliminar una región del cráneo de la imagen de MRI adquirida; - una unidad de recorte de imágenes (110), que está configurada para realizar al menos una operación de ajuste de ángulo, ampliación de imagen y recorte, en función de la imagen en la que se eliminó la región del cráneo; - una unidad de clasificación de región de neuromelanina (120), que está configurada para detectar una primera región que incluye la neuromelanina mediante el uso de un modelo de red neural profunda, en función de la imagen transmitida desde la unidad de recorte de imágenes (110); - una unidad de normalización espacial (130), que está configurada para realizar normalización espacial mediante el uso de una imagen de plantilla en función de una imagen en la que se detectó la primera región; - una unidad de generación de imágenes de CR (150), que está configurada para generar una imagen de CR en la que el valor de relación de contraste (CR) se mapea a cada vóxel de la imagen, en función de la imagen normalizada espacialmente; y - una unidad de cálculo que está configurada para segmentar una región vulnerable predeterminada y calcula una media de CR en la región vulnerable segmentada, en función de la imagen de CR generada, en donde el aparato que proporciona información sobre enfermedad de Parkinson (1) comprende además una unidad de segmentación de región de referencia que está configurada para segmentar una región de referencia en función de un método de segmentación basado en Atlas mediante el uso de una imagen de referencia definida en un espacio de plantilla, en función de la imagen normalizada espacialmente y que está configurado para calcular un valor medio en la región de referencia segmentada, y en donde la unidad de generación de imágenes de CR (150) está configurada para calcular el valor de relación de contraste mediante el uso del valor medio calculado.
- 2. El aparato que proporciona información sobre enfermedad de Parkinson (1) de acuerdo con la reivindicación 1, en donde la unidad de generación de imágenes de CR (150) está configurada para calcular el valor de relación de contraste mediante la siguiente ecuación 1: [E c u a c ió n 1]en donde la ecuación 1, CRv es el valor de relación de contraste, SIv es una intensidad de señal de cada vóxel y meanSIRef se refiere a la media de valor.
- 3. El aparato que proporciona información sobre enfermedad de Parkinson (1) de acuerdo con la reivindicación 1 o 2, en donde la unidad de clasificación de región de neuromelanina (120) está configurada para mostrar un límite de la primera región a ser identificada y para recortar una imagen de la primera región.
- 4. El aparato que proporciona información sobre enfermedad de Parkinson (1) de acuerdo con la reivindicación 1 o 2, en donde la unidad de normalización espacial (130) está configurada para realizar la normalización espacial mediante el uso de al menos una de una primera imagen de plantilla generada a partir de una imagen de MRI de neuromelanina de una persona normal y una segunda imagen de plantilla generada a partir de una imagen anatómica en función de una MRI ponderada por T1.
- 5. El aparato que proporciona información sobre enfermedad de Parkinson (1) de acuerdo con la reivindicación 4, en donde la unidad de normalización espacial (130) está configurada para realizar la normalización espacial al emparejar la primera imagen de plantilla después del emparejamiento mediante el uso de la segunda imagen de plantilla.
- 6. El aparato que proporciona información sobre enfermedad de Parkinson (1) de acuerdo con la reivindicación 1 o 2, en donde la región de referencia segmentada es una región de pedúnculos cerebrales.
- 7. El aparato que proporciona información sobre enfermedad de Parkinson (1) de acuerdo con la reivindicación 1 o 2, en donde la región vulnerable predeterminada es una región que difiere significativamente de más de una referencia predeterminada cuando se compara una región de neuromelanina del grupo normal y una región de neuromelanina de un grupo de pacientes.
- 8. El aparato que proporciona información sobre enfermedad de Parkinson (1) de acuerdo con la reivindicación 7, en donde la región vulnerable predeterminada incluye una región de nigrosoma 1 y una región de nigrosoma 2.
- 9. El aparato que proporciona información sobre enfermedad de Parkinson (1) de acuerdo con la reivindicación 1 o 2, que comprende además: cuando se ingresa una pluralidad de imágenes de MRI con respecto al mismo sujeto, una unidad de generación de plantilla (200), que está configurada para generar una plantilla dentro del sujeto que es una imagen promediada de acuerdo con el paso de tiempo mediante el uso de los datos de la región de neuromelanina incluidos en la pluralidad de imágenes de MRI, en donde la unidad de normalización espacial (130) está configurada para realizar la normalización espacial mediante el uso de la plantilla dentro del sujeto y la plantilla dentro del sujeto se utilizará para un estudio longitudinal para el mismo sujeto.
- 10. El aparato que proporciona información sobre enfermedad de Parkinson (1) de acuerdo con la reivindicación 1 o 2, en donde la unidad de procesamiento de imágenes (30) está configurada para calcular el volumen de la región de neuromelanina mediante el uso de una cantidad de vóxeles relacionados con la primera imagen y un tamaño de vóxel.
- 11. El aparato que proporciona información sobre enfermedad de Parkinson (1) de acuerdo con la reivindicación 10, en donde la unidad de procesamiento de imágenes (30) está configurada para clasificar la primera imagen en función de un algoritmo de cortes de grafos que está configurado para utilizar una imagen de primer plano configurada mediante vóxeles que tienen una alta probabilidad de incluir una región de neuromelanina y una imagen de fondo generada en función de la imagen de primer plano, o en donde la unidad de procesamiento de imágenes (30) está configurada para clasificar la primera imagen en función de una red neural profunda entrenada con datos en los que están etiquetadas una imagen del cerebro y una región de neuromelanina.
- 12. El aparato que proporciona información sobre enfermedad de Parkinson (1) de acuerdo con la reivindicación 10, en donde la unidad de procesamiento de imágenes (30) está configurada para extraer un factor que es igual o más alto que una señal de intensidad predeterminada y para clasificar la primera imagen mediante el uso del factor extraído.
- 13. El aparato que proporciona información sobre enfermedad de Parkinson (1) de acuerdo con la reivindicación 1 o 2, en donde la unidad de análisis de imágenes (40) está configurada para convertir el grado de atrofia de neuromelanina calculado en información de percentil de acuerdo con edades, y/o en donde la unidad de análisis de imágenes (40) está configurada para calcular una velocidad de atrofia de neuromelanina del paciente mediante el uso de una pluralidad de grados de atrofia de neuromelanina adquiridos en un período predeterminado y además incluye una unidad de salida de información de diagnóstico (50), que está configurada para mostrar la velocidad de atrofia de neuromelanina del paciente.
- 14. Un sistema para aumentar una probabilidad de ensayos clínicos exitosos al cribar un grupo de pacientes que tiene la enfermedad de Parkinson mediante el uso de un aparato que proporciona información sobre enfermedad de Parkinson (1) de acuerdo con cualquiera de las reivindicaciones 1 a 13, que incluye además una unidad de gestión central y/o un servidor que están configurado para comunicarse con el aparato que proporciona información sobre enfermedad de Parkinson (1), en donde la unidad de recepción de imágenes (20) está configurada para adquirir imágenes de MRI obtenidas al capturar el cerebro de una pluralidad de pacientes que es un grupo de candidatos experimentales de ensayo clínico para la demostración de eficacia de fármaco, en donde la unidad de análisis de imágenes (40) está configurada además para transmitir al menos una información acerca de un primer paciente que satisface una primera condición, entre la pluralidad de pacientes, a la unidad de gestión central y/o al servidor, en función de la información del paciente, y en donde la unidad de gestión central y/o el servidor están configurados para usar el resultado del ensayo clínico para el primer paciente para demostrar la eficacia del fármaco.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210016667A KR102256345B1 (ko) | 2021-02-05 | 2021-02-05 | 뉴로멜라닌 영상을 이용한 파킨슨병 정보 제공 장치 및 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
ES2971911T3 true ES2971911T3 (es) | 2024-06-10 |
Family
ID=75362445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES21166617T Active ES2971911T3 (es) | 2021-02-05 | 2021-04-01 | Aparato y método para proporcionar información sobre la enfermedad de parkinson mediante el uso de imágenes de neuromelanina |
Country Status (6)
Country | Link |
---|---|
US (1) | US11207019B1 (es) |
EP (1) | EP4039186B1 (es) |
JP (1) | JP6942278B1 (es) |
KR (5) | KR102256345B1 (es) |
CN (1) | CN113077448B (es) |
ES (1) | ES2971911T3 (es) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL305267A (en) * | 2021-03-11 | 2023-10-01 | Terran Biosciences Inc | Systems, devices and methods for harmonizing imaging datasets including biomarkers |
KR20230123786A (ko) | 2022-02-17 | 2023-08-24 | 충남대학교산학협력단 | 섬유기반 스트레인 센서가 적용된 파킨슨병 진단장치 |
WO2023235766A2 (en) * | 2022-05-31 | 2023-12-07 | University Of Ottawa Institute Of Mental Health Research | Methods for acquiring and analyzing neuromelanin-sensitive mri |
KR102582731B1 (ko) * | 2022-09-30 | 2023-09-25 | 주식회사 브라이토닉스이미징 | 뇌영상 분석 방법 및 시스템 |
KR102600668B1 (ko) * | 2022-10-18 | 2023-11-10 | 메디컬아이피 주식회사 | 질병예측방법 및 그 장치 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8160676B2 (en) * | 2006-09-08 | 2012-04-17 | Medtronic, Inc. | Method for planning a surgical procedure |
CN101681515A (zh) * | 2007-06-21 | 2010-03-24 | 皇家飞利浦电子股份有限公司 | 基于模型的痴呆的辨别诊断和显著性水平的交互设置 |
WO2013165573A1 (en) * | 2012-05-04 | 2013-11-07 | Emory University | Methods, systems and computer readable storage media storing instructions for imaging and determining information associated with regions of the brain |
US9600881B2 (en) * | 2012-05-04 | 2017-03-21 | Emory University | Methods, systems and computer readable storage media storing instructions for imaging and determining information associated with regions of the brain |
KR101540254B1 (ko) | 2013-06-24 | 2015-07-30 | 경북대학교 산학협력단 | 당을 감지하는 화학감각수용체를 발현하는 세포를 이용한 바이오 센서 및 이를 포함하는 알츠하이머 진단 기기 |
SG11201601453YA (en) | 2013-09-20 | 2016-03-30 | Transmural Biotech S L | Image analysis techniques for diagnosing diseases |
CN104899884A (zh) * | 2015-06-03 | 2015-09-09 | 浙江工业大学 | 一种用于早期帕金森症预测的综合分析方法 |
KR101860566B1 (ko) | 2016-12-06 | 2018-05-23 | 경희대학교 산학협력단 | 파킨슨병을 진단하기 위한 정보제공방법 |
KR101908126B1 (ko) | 2017-03-21 | 2018-12-18 | 한국원자력의학원 | 다중 의료영상 분석 시스템 및 방법 |
KR101754291B1 (ko) | 2017-04-04 | 2017-07-06 | 이현섭 | 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법 |
KR102068836B1 (ko) | 2018-01-29 | 2020-02-11 | 한림대학교 산학협력단 | 파킨슨병의 진단을 위한 입력 패턴 생성 장치 및 방법 |
KR20210076055A (ko) * | 2018-10-10 | 2021-06-23 | 더 트러스티스 오브 컬럼비아 유니버시티 인 더 시티 오브 뉴욕 | 인간 뇌에서의 도파민 기능의 비침습적 대리 척도로서의 신경 멜라닌 감지 자기 공명 이미징을 위한 시스템, 방법 및 컴퓨터 액세스가능 매체 |
WO2020206385A1 (en) * | 2019-04-05 | 2020-10-08 | Earli Inc. | Improved methods and compositions for synthetic biomarkers |
KR102058884B1 (ko) | 2019-04-11 | 2019-12-24 | 주식회사 홍복 | 치매를 진단을 하기 위해 홍채 영상을 인공지능으로 분석하는 방법 |
CN110232679A (zh) * | 2019-05-24 | 2019-09-13 | 潘丹 | 一种阿尔茨海默症遗传生物标志物确定方法及*** |
KR102097738B1 (ko) * | 2020-03-03 | 2020-04-06 | 주식회사 휴런 | 인공지능 기반 파킨슨 병 진단 장치 및 방법 |
CN111681184B (zh) * | 2020-06-09 | 2023-02-24 | 复旦大学附属华山医院 | 一种神经黑色素图像重建方法、装置、设备和存储介质 |
-
2021
- 2021-02-05 KR KR1020210016667A patent/KR102256345B1/ko active IP Right Grant
- 2021-04-01 ES ES21166617T patent/ES2971911T3/es active Active
- 2021-04-01 EP EP21166617.7A patent/EP4039186B1/en active Active
- 2021-04-02 JP JP2021063383A patent/JP6942278B1/ja active Active
- 2021-04-02 US US17/220,985 patent/US11207019B1/en active Active
- 2021-04-06 CN CN202110368053.9A patent/CN113077448B/zh active Active
- 2021-05-18 KR KR1020210064024A patent/KR102278010B1/ko active IP Right Grant
- 2021-05-18 KR KR1020210064022A patent/KR102288077B1/ko active IP Right Grant
- 2021-05-18 KR KR1020210064025A patent/KR102278011B1/ko active IP Right Grant
- 2021-05-18 KR KR1020210064023A patent/KR102288078B1/ko active IP Right Grant
Also Published As
Publication number | Publication date |
---|---|
KR102256345B1 (ko) | 2021-05-28 |
KR102278011B1 (ko) | 2021-07-15 |
EP4039186B1 (en) | 2023-12-27 |
CN113077448B (zh) | 2022-04-26 |
CN113077448A (zh) | 2021-07-06 |
JP2022120755A (ja) | 2022-08-18 |
KR102288077B1 (ko) | 2021-08-11 |
EP4039186A1 (en) | 2022-08-10 |
KR102278010B1 (ko) | 2021-07-15 |
KR102288078B1 (ko) | 2021-08-11 |
US11207019B1 (en) | 2021-12-28 |
JP6942278B1 (ja) | 2021-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2971911T3 (es) | Aparato y método para proporcionar información sobre la enfermedad de parkinson mediante el uso de imágenes de neuromelanina | |
Adler et al. | Novel surface features for automated detection of focal cortical dysplasias in paediatric epilepsy | |
CN111904449B (zh) | 基于人工智能的脑卒中诊断装置及方法 | |
Jin et al. | Automated detection of focal cortical dysplasia type II with surface‐based magnetic resonance imaging postprocessing and machine learning | |
Ajina et al. | Human blindsight is mediated by an intact geniculo-extrastriate pathway | |
ES2906220T3 (es) | Aparato y procedimiento de diagnóstico de la enfermedad de Parkinson con base en la inteligencia artificial (IA) | |
CN111602173B (zh) | 脑部断层扫描数据分析方法 | |
US20140275960A1 (en) | Functional magnetic resonance imaging biomarker of neural abnormality | |
JP2017520305A (ja) | 急性脳虚血患者における組織領域の区分法及び予測法 | |
WO2019015567A1 (zh) | 一种检测大脑功能的***及其装置 | |
KR102189622B1 (ko) | 뇌출혈 여부 및 종류를 분류하는 인공지능 시스템 기반의 뇌졸중 진단 장치 | |
JP2006208250A (ja) | 画像データの領域分類解析システム | |
Ptak et al. | Visual object agnosia is associated with a breakdown of object-selective responses in the lateral occipital cortex | |
Lin et al. | Using deep learning in ultrasound imaging of bicipital peritendinous effusion to grade inflammation severity | |
KR20190068254A (ko) | 병변 발생 시점 추정 방법, 장치 및 프로그램 | |
US20230082155A1 (en) | Integrated system for safe intracranial administration of cells | |
JP2021518205A (ja) | 神経学的検査システム | |
KR102363221B1 (ko) | 뇌 영상을 이용한 특발 정상압 수두증의 진단 방법 및 시스템 | |
Ripart et al. | Automated and Interpretable Detection of Hippocampal Sclerosis in temporal lobe epilepsy: AID-HS | |
Yan et al. | White matter changes as an independent predictor of Alzheimer’s disease | |
KR20210024853A (ko) | 영상 진단기기를 이용한 특발성 정상압 수두증의 진단 방법 및 시스템 | |
KR102293945B1 (ko) | 플로우 포화 펄스를 사용하여 뉴로멜라닌 콘트라스트 정보를 획득할 수 있는 장치 및 방법 | |
Pham | Brain lesion detection in MRI with fuzzy and geostatistical models | |
Tsagkas | Spinal cord volume quantification and clinical application in multiple sclerosis | |
Quatre et al. | Improving rehabilitation of deaf patients by advanced imaging before cochlear implantation |