KR101740464B1 - 뇌졸중 진단 및 예후 예측 방법 및 시스템 - Google Patents

뇌졸중 진단 및 예후 예측 방법 및 시스템 Download PDF

Info

Publication number
KR101740464B1
KR101740464B1 KR1020160136308A KR20160136308A KR101740464B1 KR 101740464 B1 KR101740464 B1 KR 101740464B1 KR 1020160136308 A KR1020160136308 A KR 1020160136308A KR 20160136308 A KR20160136308 A KR 20160136308A KR 101740464 B1 KR101740464 B1 KR 101740464B1
Authority
KR
South Korea
Prior art keywords
image
lesion
stroke
mapping
images
Prior art date
Application number
KR1020160136308A
Other languages
English (en)
Inventor
김동억
김원태
강신욱
이명재
김동민
Original Assignee
(주)제이엘케이인스펙션
동국대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)제이엘케이인스펙션, 동국대학교 산학협력단 filed Critical (주)제이엘케이인스펙션
Priority to KR1020160136308A priority Critical patent/KR101740464B1/ko
Application granted granted Critical
Publication of KR101740464B1 publication Critical patent/KR101740464B1/ko
Priority to EP17862939.0A priority patent/EP3543880B1/en
Priority to PCT/KR2017/010091 priority patent/WO2018074739A1/ko
Priority to JP2019543150A priority patent/JP6859445B2/ja
Priority to CN201780071711.XA priority patent/CN109997200B/zh
Priority to US16/343,776 priority patent/US10952613B2/en

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • 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
    • G06F19/345—
    • 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
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • 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
    • 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
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • A61B5/7425—Displaying combinations of multiple images regardless of image source, e.g. displaying a reference anatomical image with a live image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • A61B5/02014—Determining aneurysm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • 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
    • G06T2207/20—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
    • G06T2207/30—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)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Neurology (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • General Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Neurosurgery (AREA)
  • Fuzzy Systems (AREA)
  • Psychology (AREA)

Abstract

본 발명은 뇌졸중을 정확하게 진단하고 뇌졸중의 환자 상태를 신뢰성있게 예측할 수 있는 뇌졸중 진단 및 예후 예측 방법 및 시스템을 제공한다. 상기 뇌졸중 진단 및 예후 예측 시스템은 인간의 뇌의 적어도 일부를 포함하는 복수 개의 영상들을 수신하도록 구성된 영상 획득부; 상기 복수개의 영상들을 표준 뇌 영상을 기준으로 정렬하는 영상 정렬부; 상기 복수개의 영상들로부터 각각 병변 영역들 검출하고, 상기 검출된 병변 영역들에 맵핑하여 하나의 맵핑 영상을 생성하는 병변 영역 검출 및 맵핑부; 상기 맵핑 영상을 스케일링함으로써 표준 뇌 영상에 정합하고, 상기 맵핑 영상에 대해 영상 보정을 수행하는 정합 및 보정부; 상기 맵핑 영상을 3차원 데이터 공간에 수납함으로써 3차원 병변 영상을 생성하는 3차원 영상 생성부; 및 상기 3차원 병변 영상에 기초하여 뇌졸중을 진단하는 뇌졸중 진단부를 포함한다.

Description

뇌졸중 진단 및 예후 예측 방법 및 시스템 {METHOD AND SYSTEM FOR DIAGNOSIS AND PROGNOSIS OF STROKE AND SYSTME THEREFOR}
본 발명은 뇌졸중 진단 및 예후 예측 방법 및 이를 위한 시스템에 관한 것으로서, 보다 상세하게는 뇌졸중을 정확하게 진단하고 뇌졸중의 환자 상태를 신뢰성있게 예측할 수 있는 뇌졸중 진단 및 예후 예측 방법 및 시스템을 제공하는 것에 관한 것이다.
뇌졸중(stroke or apoplexy)은 뇌혈류 이상으로 인해 갑작스레 유발된 국소적인 신경학적 결손 증상을 통칭하는 말이다. 뇌졸중은 증상에 대한 용어로서, 의학적인 질병으로 칭할 때에는 뇌혈관 질환이라고 한다. 뇌졸중은 크게 뇌경색과 뇌출혈로 분류된다.
종래의 뇌졸중 진단은 숙련된 전문의에 의하여, 그 원인을 판정하고 중증도를 평가하였다. 국제적인 기준으로 사용되는 뇌졸중 원인의 분별법은 TOAST (Trial of Org 10172 in Acute Stroke Treatment) 기준을 활용하고 있다. TOAST 분류법은 현재까지 가장 보편적으로 사용되는 분류법이다. 발생기전에 따라 대동맥죽상경화(large artery atherosclerosis), 심인성색전(cardioembolism), 소동맥폐색(small artery occlusion), 기타 원인(other causes), 원인 불명(undetermined cause) 등으로 분류한다.
또한, 초기 신경학적 결손의 정도 (중증도)는 뇌졸중 예후의 결정 인자로서 매우 중요하다고 알려져 있다. 초기 신경학적 결손 정도를 측정하기 위하여 여러 가지 척도를 사용하고 있지만 타당성, 신뢰도, 측정 용이성 등을 모두 만족시키기에는 부족한 것이 사실이다. 중증도 평가는 NIHSS에 의하여 분별하고 있다.
NIHSS (National Institute of Health Stroke Scale)는 타당성과 신뢰도가 높다고 알려져 있어 국내에서도 가장 많이 이용되고 있다. 임상 연구에서는 신경학적 결손의 중증도를 정량적으로 측정하는 것이 필요하지만 실제 임상에서는 정량적 측정과 분석에 이르지는 못하고 서술적으로 측정하여 기록하는 경우가 대부분이다. 또한 3개월후 mRS 기준을 이용하여 뇌졸중 치료후의 상태를 평가하는 방법이 있다.
한편, 종래기술로는 조직 병증을 평가하고, 병리학적 병증을 진단하거나, 이를 위한 기법이 제안되고 있다. 예컨대, 2016년 5월 25일 공개번호 제10-2016-0058812호로 공개된 "질환을 진단하기 위한 영상 분석 기법”, 2015년 8월 27일 공개번호 제10-2015-0098119호로 공개된 "의료 영상 내 거짓양성 병변후보 제거 시스템 및 방법”, 2015년 9월 30일 공개번호 제10-2015-0108701호로 공개된 "의료 영상 내 해부학적 요소 시각화 시스템 및 방법” 등이 있다.
상기 특허 공개 제10-2016-0058812호에서 조직 병증을 평가하고, 병리학적 병증을 진단하거나, 이의 예후 또는 이에 대한 위험을 평가하기 위한 기법이 개시되어 있다. 상기 기법은 동물 또는 인간 조직의 적어도 일부를 포함하는 영상을 수신하도록 구성된 영상 획득 모듈; 상기 획득된 영상에 분석 구역을 표시하도록 구성된 경계 획정 모듈; 상기 분석 구역으로부터 정량적 정보를 추출하도록 구성된 특징 추출 모듈; 및 상기 조직의 병증을 평가하기 위해 상기 추출된 정보를 수신하고 적어도 하나의 검출 알고리즘을 적용하도록 구성된 기계 학습 모듈을 포함한다.
전술한 종래 문헌들은 뇌졸중의 진단 및 예후 예측를 위한 것이라기 보다 일반적인 질병이나 병변에 따른 진단을 수행하기 위한 기술을 개시하고 있다. 한편, 뇌졸중의 진단, 예후 예측을 위해서는 방대한 MRI영상자료와 환자의 임상정보를 모두 고려하여야 하므로, 그 진단을 위한 시간이 많이 소요될 뿐만 아니라 의료진의 숙련도에 따라서도 그 진단 결과에 편차가 클 수 있다.
따라서, 뇌졸중을 빠르게 진단하면서도 진단결과의 편차를 극소화 한 결과를 제공하므로써, 의료진의 최종 진단과 예후예측의 정확성을 높이고, 그에 따른 최적의 의료적 조치가 이루어 지도록 하는 기술에 대한 필요성이 있다.
KR 10-2016-0058812호 A (2016.05.25.) KR 10-2015-0098119 A (2015.08.27.) KR 10-2015-0108701 A (2015.09.30.)
본 발명은 전술한 바와 같은 점에 착안하여 창출된 것으로서, 뇌졸중을 정확하게 진단하고 뇌졸중의 환자 상태를 신뢰성있게 예측할 수 있는 뇌졸중 진단 및 예후 예측 방법 및 시스템을 제공하는 것을 목적으로 한다.
본 발명의 일 실시예에 따라, 뇌졸중 진단 및 예후 예측 시스템은 인간의 뇌의 적어도 일부를 포함하는 복수 개의 영상들을 수신하도록 구성된 영상 획득부; 상기 복수개의 영상들을 표준 뇌 영상을 기준으로 정렬하는 영상 정렬부; 상기 복수개의 영상들로부터 각각 병변 영역들 검출하고, 상기 검출된 병변 영역들에 맵핑하여 하나의 맵핑 영상을 생성하는 병변 영역 검출 및 맵핑부; 상기 맵핑 영상을 스케일링함으로써 표준 뇌 영상에 정합하고, 상기 맵핑 영상에 대해 영상 보정을 수행하는 정합 및 보정부; 상기 맵핑 영상을 3차원 데이터 공간에 수납함으로써 3차원 병변 영상을 생성하는 3차원 영상 생성부; 및 상기 3차원 병변 영상에 기초하여 뇌졸중을 진단하는 뇌졸중 진단부를 포함한다.
상기 병변 영역 검출 및 맵핑부는 상기 복수개의 영상들의 정합 위치 정보에 기초하여 상기 맵핑된 병변의 위치를 상기 표준 뇌 영상에 정합할 수 있다.
상기 3차원 영상 생성부는 3차원 병변 영상을 생성하기 전에 상기 병변 영상에 대해 병변의 유무에 따라 상기 병변 영상의 픽셀 정보를 바이너리화하고 상기 병변 영상의 크기를 조절할 수 있다.
상기 뇌졸중 진단부는 상기 수납된 3차원 병변 영상의 특징을 심층 신경망을 이용하여 추출하고 상기 추출된 3차원 병변 영상의 특징에 기초하여 뇌졸중의 원인을 분류함으로써 뇌졸중을 진단할 수 있다.
상기 심층 신경망은 3차원 합성곱 신경망(convolutional neural network: CNN)을 포함할 수 있다.
상기 뇌졸중 진단부는 상기 진단된 뇌졸중의 중증도를 분류할 수 있다.
상기 뇌졸중 진단부는 상기 병변 영상으로부터 3주내의 위독 리스크를 예측하고 소정 시간 후의 환자 상태를 예측할 수 있다.
상기 복수개의 영상들은 MRI 영상들일 수 있으며, 상기 MRI 영상들은 확산 강조 영상(Diffusion weighted imaging, DWI), 유체감쇄반전(Fluid Attenuated Inversion Recovery, FLAIR) 영상, 경사 에코(Gradient Echo, GE) 영상, 및 T2 강조 영상(T2 weighted image, T2)을 포함할 수 있다.
본 발명의 다른 실시예에 따라, 뇌졸중 진단 및 예후 예측 방법은 인간의 뇌의 적어도 일부를 포함하는 복수 개의 영상들을 획득하는 단계; 상기 복수개의 영상들을 표준 뇌를 기준으로 정렬하는 단계; 상기 복수개의 영상들로부터 각각 병변 영역들 검출하고, 상기 검출된 병변 영역들에 맵핑하여 하나의 맵핑 영상을 생성하는 단계; 상기 맵핑 영상을 스케일링함으로써 표준 뇌 영상에 정합하고, 상기 맵핑 영상에 대해 영상 보정을 수행하는 단계; 상기 맵핑 영상을 3차원 데이터 공간에 수납함으로써 3차원 병변 영상을 생성하는 단계’ 및 상기 3차원 병변 영상에 기초하여 뇌졸중을 진단하는 단계를 포함한다.
상기 하나의 맵핑 영상을 생성하는 단계는 상기 정합의 위치 정보에 기초하여 상기 맵핑된 병변의 위치를 상기 표준 뇌 영상에 정합하는 단계를 포함할 수 있다.
뇌졸중 진단 및 예후 예측 방법은 상기 3차원 병변 영상을 생성하기 전에 상기 병변 영상에 대해 병변의 유무에 따라 상기 병변 영상의 픽셀 정보를 바이너리화하고, 상기 병변 영상의 크기를 조절하는 단계를 더 포함할 수 있다.
상기 뇌졸중을 진단하는 단계는 상기 수납된 3차원 병변 영상의 정보의 특징을 3차원 합성곱 신경망(convolutional neural network: CNN)을 이용하여 추출하는 단계를 포함할 수 있다.
상기 뇌졸중을 진단하는 단계는 상기 진단된 뇌졸중의 중증도를 분류하는 단계를 포함할 수 있다.
상기 뇌졸중을 진단하는 단계는 상기 병변 영상으로부터 3주내의 위독 리스크를 예측하고 소정 시간 후의 환자 상태를 예측할 수 있다.
본 발명의 실시예들에 따라, 뇌졸중의 원인 및 중증도를 클래스별 정확도와 함께 가시화하여 정량적, 통계적 결과를 제공할 수 있으며, 의사의 최종 진단에 참고가 되며 환자에게 논증적 설명이 가능하게 한다.
도 1은 본 발명의 일 실시예에 따른 뇌졸중 진단 및 예후 예측 시스템의 블럭도이다.
도 2는 본 발명에 따른 3차원 데이터 공간을 모식적으로 나타낸 도면이다.
도 3은 본 발명의 일실시예에 따른 뇌졸증 진단부의 블록도를 도시한다.
도 4는 심층 신경망의 예를 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 뇌졸중 진단 및 예후 예측 방법의 흐름도이다.
도 6은 본 발명의 일시예에 따른 뇌졸중 진단 방법의 흐름도를 도시한다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 발명의 일 실시예에 따른 뇌졸중 진단 및 예후 예측 시스템의 블럭도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 뇌졸중 진단 및 예후 예측 시스템(100)은 영상 획득부(110), 영상 정렬부(120), 병변 영역 검출 및 맵핑부(130), 정합 및 보정부(140), 3차원 영상 생성부(150), 및 뇌졸중 진단부(160)를 포함한다.
영상 획득부(110)는 뇌졸중을 진단하는데 사용되는 의료 영상들을 획득한다. 구체적으로, 영상 획득부(110)는 의료 영상 기기로부터 MR (Magnetic Resonance) 영상(Magnetic Resonance Imaing (MRI) 영상이라고도 한다)을 획득한다. 일 실시예에 따라, 상기 MR 영상들은 확산 강조 영상(Diffusion weighted imaging, DWI), 유체감쇄반전(FluidAttenuated Inversion Recovery, FLAIR) 영상, 경사 에코(Gradient Echo, GE) 영상, 및 T2 강조 영상(T2 weighted image, T2)을 포함한다. 다시 말해, 영상 획득부(110)는 진단에서 이용하기 위한 MRI영상으로서 확산강조영상(DWI), T2강조영상, FLAIR영상, T1강조영상의 4개의 다른 시퀀스를 이용하여 취득한 MR영상을 사용한다. 영상 획득부(110)는 획득된 의료 영상들을 영상 정렬부(120)으로 전달한다.
영상 정렬부(120)는 상기 복수개의 영상들을 MNI (Montreal Neurological Institute) 표준 뇌 영상의 좌표로 맞추어 표준화하며 좌표로 표현가능한 표준 뇌 영상을 기준으로 뇌의 위치와 방향을 선형이동 및 회전으로 보정한다. 즉, 영상 정렬부(120)는 입력된 MR 영상에 대해 MNI 템플릿(template)를 기준으로 표준화를 수행한다. 여기서 표준 뇌 영상은 뇌졸중의 진단에 사용하는 비교 영상이며, 환자의 뇌 영상을 분석할 때 병변의 유무 및 중증도를 판단하는데 사용된다. 표준 뇌 영상은 인종별, 성별, 연령별로 다를 수 있다. 예컨대, 표준 뇌 영상은 한국인의 표준 뇌 영상일 수 있다.
병변 영역 검출 및 맵핑부(130)는 복수개의 영상들에 대하여 병변 영역을 검출하고 맵핑을 수행한다. 구체적으로, 병변 영역 검출 및 맵핑부(130)는 상기 복수개의 영상들로부터 각각 병변 영역들 검출하고, 상기 검출된 병변 영역들에 맵핑하여 하나의 맵핑 영상을 생성한다. 또한, 병변 영역 검출 및 맵핑부(130)는 복수개의 영상들의 정합 위치 정보에 기초하여 상기 맵핑된 병변의 위치를 상기 표준 뇌 영상에 정합한다. 예컨대, 병변 영역 검출 및 맵핑부(130)는 병변영역을 검출하여 병변영역의 정보를 MNI 공간(space)상에 바이너리(binary) 형식으로 출력이 가능하게 한다.
정합 및 보정부(140)는 상기 맵핑 영상을 스케일링함으로써 표준 뇌 영상에 정합하고, 상기 맵핑 영상에 대해 영상 보정을 수행한다. 구체적으로, 정합 및 보정부(140)는 환자의 뇌의 크기를 선형 또는 비선형적으로 변형시켜 표준뇌 영상에 정합하며, 이때의 정합의 위치정보를 근거로 맵핑된 병변의 위치를 표준뇌 영상의 좌표로 정합한 후 영상 보정을 수행한다. 영상 보정은 영상에 포함된 노이즈를 제거하거나 밝기를 조정하는 동작 등을 포함한다.
3차원 병변 영상 생성부(150)는 상기 맵핑 영상을 3차원 데이터 공간에 수납함으로써 3차원 병변 영상을 생성한다. 또한, 3차원 병변 영상 생성부(150)는 표준뇌 좌표에 정합된 병변의 맵핑 영상을 전처리할 수 있다. 구체적으로, 3차원 병변 영상 생성부(150)는 맵핑 영상의 전처리시, 병변의 유무에 따라 픽셀 정보를 {1, 0}으로 바이너리화를 하고, 병변 영상의 크기를 필요에 따라 조절할 수 있다. 예컨대, 병변 영상의 크기는 원래 크기의 1/2 또는 1/4로 축소될 수 있다. 예컨대, 3차원 병변 영상 생성부(150)는 모든 영상을 평균 영상을 기준으로 재정렬하고 환자의 뇌를 MNI(Montreal Neurological Institute) 표준 뇌영상의 좌표로 맞추어 표준화하며 가로, 세로, 높이가 각각 8mm인 정규 분포 커널을 사용하여 데이터 값을 평탄화하는 일련의 과정을 통해 영상 데이터를 전처리한다.
각각의 시퀀스에서 얻어진 MR영상은 3차원의 데이터 공간으로 재구성하고 각각의 병변의 영역이 3차원의 좌표공간으로 표시가능하게 한다. 또한, 각각의 시퀀스에서 얻어진 MR 영상은 전처리 단계에서 중요도에 따라 하중을 주어서 3차원 공간에서 하나의 병변맵으로 통합한다.
3차원 병변 영상 생성부(150)는 필요한 전처리가 끝난 맵핑 영상을 각각의 영상 취득을 위한 시퀀스별로 3차원의 데이터 공간을 작성하여 수납함으로써 3차원 병변 영상을 생성한다. 도 2는 본 발명에 따른 3차원 데이터 공간을 모식적으로 나타낸 도면이다. 도 2에 도시된 바와 같이, 3차원 데이터 수납공간은 표준뇌로 정합한 후의 각 영상이 가지는 가로 픽셀수 × 세로 픽셀수 ×포함된 뇌의 슬라이스수로 할당되어 진다. 풀링 레이어에서 저장하는 값은 병변 정보만을 가지는 화상의 경우 평균값을 사용하며, 원본의 MR 데이터의 경우 최대값을 사용한다
뇌졸중 진단부(160)는 상기 3차원 병변 영상에 기초하여 뇌졸중 원인을 분석함으로써 뇌졸증을 진단한다.
도 3은 본 발명의 일실시예에 따른 뇌졸증 진단부의 블록도를 도시한다.
도 3을 참조하면, 뇌졸중 진단부(160)는 3차원 병변 영상 특징 추출부(161), 뇌졸중 원인 분류부(162), 중증도 분류부(163), 3주내 리스트 예측부(164) 및 환자 상태 예측부(165)를 포함한다.
3차원 병변 영상 특징 추출부(161)는 3차원 데이터 수납 공간에 수납된 3차원 병변 영상의 특징을 심층 신경망을 이용하여 추출할 수 있다. 도 4는 심층 신경망의 예를 나타낸 도면이다. 도 4에 도시된 바와 같이, 심층 신경망의 설계 과정에서는 분류 및 분석 내용에 따라 데이터 필터의 크기를 정방 또는 이방형으로 설정한다. 다시 말해, 필터 구성을 영상과 두께 방향에서 필요에 따라서 각 시퀀스별로 정방 및 이방성으로 설계할 수 있다. 상기 심층 신경망은 3차원 합성곱 신경망(3-Dimensional Convolutional Neural Network, CNN)일 수 있다.
뇌졸중 원인 분류부(162)는 상기 추출된 3차원 병변 영상의 특징에 기초하여 뇌졸중 원인을 분류함으로써 뇌졸증을 진단할 수 있다. 뇌졸중의 원인 분류는 국제기준인 TOAST 분류 기준을 사용한다. 구체적으로 뇌졸중 원인 분류부(162)는 뇌졸중의 원인을 국제기준인 TOAST 분류를 기준한 분류 중 대동맥죽상경화(large artery atherosclerosis), 심인성색전(cardioembolism), 소동맥폐색(small artery occlusion) 주로 하며 분류하며, 각각의 분류결과 어느 한개의 분류기준으로 판정이 어려운 경우에 대해서는 기타 질환으로 분류한다.
중증도 분류부(163)은 상기 진단된 뇌졸중의 중증도를 분류할 수 있다. 중증도 분류는 국제기준인 NIHSS 분류를 바탕으로 수행될 수 있다. 중증도 분류부(163)는 뇌졸중의 중증도 분류를 위해 국제기준의 NIHSS의 기준을 바탕으로 분류기준을 구성하며, 판정의 간편성을 위하여 다음과 같은 4단계로 분류한다. 중증도 분류부(163)는 NIHSS의 0에 해당하는 기준을 “증상없음”으로 분류하며, NIHSS점수의1~4의 범위를 “중증도 낮음”, NIHSS점수의 5~15 범위를 “중증도 보통”, NIHSS점수의 16~20 범위를 “중증도 위험”으로 분류, NIHSS점수 21~42의 범위를 “중증도 심각”으로 분류한다.
3주내 리스크 예측부(164)는 상기 병변 영상으로부터 3주내의 위독 리스크를 예측한다. 3주내 리스크 예측부(164)는 환자의 입원후 3주 이내의 환자 상태의 악화 가능성을 리스크를 백분율로 예측하고 위험도율의 90%이상을 리스크 아주 높음으로 분류하며, 70%~90%를 위험도 높음, 30%~70%를 위험도 보통, 30%미만을 위험도 적음으로 분류한다
또한, 환자 상태 예측부(165)는 소정 시간 후의 환자 상태를 예측한다. 구체적으로, 환자 상태 예측부(165)는 3개월 후의 환자상태 분류를 국제기준인 mRS 분류규정에 기초하여 수행한다. 상기 뇌졸중 원인 분류부(162), 중증도 분류부(163), 및 환자 상태 예측부(165)는 알고리즘 구성에 따라서 각각의 분류기준의 스코어링 범위를 정하여 재구성하여 사용할 수 있다.
이와 같이, 본 발명의 뇌졸중 진단 및 예후 예측 시스템에 따라 뇌졸중 분류 및 분석된 내용은 진단서 및 예후예측 보고서 작성시 분류의 클래스별 정확도와 함께 가시화하여 정량적, 통계적 결과를 제공하며 의사의 최종 진단에 참고가 되며 환자에게 논증적 설명이 가능하게 한다.
이와 같이, 본 발명에서는 딥러닝 알고리즘을 활용하여 지도학습된 인공지능 진단 및 예측 소프트웨어를 이용하여, 뇌졸중의 원인과 중증도 별로 분류하고, 입원후 3주내의 악화리스크와 3개월후의 환자상태를 예측가능한 플렛폼을 제공한다.
도 5는 본 발명의 일 실시예에 따른 뇌졸중 진단 및 예후 예측 방법의 흐름도이다. 먼저, 뇌졸중 진단 및 예후 예측 시스템은 단계 210에서 인간의 뇌의 적어도 일부를 포함하는 복수 개의 영상들을 획득한다. 상기 복수개의 영상들은 MR 영상들일 수 있으며, MR 영상은 확산 강조 영상, 유체감쇄반전 (FLAIR) 영상, 경사 에코영상, 및 T2 강조 영상을 포함한다.
이어서, 뇌졸중 진단 및 예후 예측 시스템은 단계 220에서 상기 복수개의 영상들을 표준 뇌를 기준으로 정렬한다. 구체적으로, 뇌졸중 진단 및 예후 예측 시스템은 상기 복수개의 영상들을 MNI (Montreal Neurological Institute) 표준 뇌 영상의 좌표로 맞추어 표준화하며 좌표로 표현가능한 표준 뇌 영상을 기준으로 뇌의 위치와 방향을 선형이동 및 회전으로 보정한다.
뇌졸중 진단 및 예후 예측 시스템은 단계 230에서 상기 복수개의 영상들로부터 각각 병변 영역들 검출하고, 상기 검출된 병변 영역들에 맵핑하여 하나의 맵핑 영상을 생성한다.
그런 다음, 뇌졸중 진단 및 예후 예측 시스템은 단계 240에서 상기 맵핑 영상을 스케일링함으로써 표준 뇌 영상에 정합하고, 상기 맵핑 영상에 대해 영상 보정을 수행한다. 구체적으로, 뇌졸중 진단 및 예후 예측 시스템은 환자의 뇌의 크기를 선형 또는 비선형적으로 변형시켜 표준뇌 영상에 정합하며, 이때의 정합의 위치정보를 근거로 맵핑된 병변의 위치를 표준뇌 영상의 좌표로 정합한 후 영상 보정을 수행한다.
이후, 뇌졸중 진단 및 예후 예측 시스템은 단계 250에서 상기 맵핑 영상을 3차원 데이터 공간에 수납함으로써 3차원 병변 영상을 생성한다. 또한, 도시되지 않았지만, 뇌졸중 진단 및 예후 예측 시스템은 표준뇌 좌표에 정합된 병변의 맵핑 영상을 전처리할 수 있다. 맵핑 영상의 전처리시, 뇌졸중 진단 및 예후 예측 시스템은 병변의 유무에 따라 픽셀 정보를 {1, 0}으로 바이너리화를 하고, 병변 영상의 크기를 필요에 따라 조절할 수 있다. 이 경우, 뇌졸중 진단 및 예후 예측 시스템은 전처리가 끝난 맵핑 영상을 각각의 영상 취득을 위한 시퀀스별로 3차원의 데이터 공간을 작성하여 수납함으로써 3차원 병변 영상을 생성한다
이어서, 뇌졸중 진단 및 예후 예측 시스템은 단계 260에서 상기 3차원 병변 영상으로부터 심층 신경망에 기초하여 뇌졸중을 진단한다.
도 6은 본 발명의 일시예에 따른 뇌졸중 진단 방법의 흐름도를 도시한다.
도 6을 참조하면, 뇌졸중 진단 및 예후 예측 시스템은 단계 310에서 3차원 데이터 수납 공간에 수납된 3차원 병변 영상의 특징을 심층 신경망을 이용하여 추출할 수 있다. 상기 심층 신경망은 3차원 합성곱 신경망(Convolutional Neural Network, CNN)일 수 있다.
뇌졸중 진단 및 예후 예측 시스템은 단계 320에서 상기 추출된 3차원 병변 영상의 특징에 기초하여 뇌졸중 원인을 분류한다. 뇌졸중의 원인 분류는 국제기준인 TOAST 분류 기준을 사용한다. 또한, 뇌졸중 진단 및 예후 예측 시스템은 단계 330에서 상기 진단된 뇌졸중의 중증도를 분류한다. 중증도 분류는 국제기준인 NIHSS 분류를 바탕으로 수행될 수 있다.
뇌졸중 진단 및 예후 예측 시스템은 단계 340에서 상기 병변 영상으로부터 3주내의 위독 리스크를 예측한다. 구체적으로, 뇌졸중 진단 및 예후 예측 시스템은 단계 340에서 환자의 입원후 3주 이내의 환자 상태의 악화 가능성을 리스크를 백분율로 예측하고 위험도율의 90%이상을 리스크 아주 높음으로 분류하며, 70%~90%를 위험도 높음, 30%~70%를 위험도 보통, 30%미만을 위험도 적음으로 분류한다
또한, 뇌졸중 진단 및 예후 예측 시스템은 단계 350에서 소정 시간 후의 환자 상태를 예측한다. 구체적으로, 뇌졸중 진단 및 예후 예측 시스템은 3개월 후의 환자상태 분류를 국제기준인 mRS 분류규정에 기초하여 수행한다.
본 발명의 실싱예에 따라 딥러닝 알고리즘을 활용하여 지도학습된 인공지능 진단 및 예측 소프트웨어를 이용하여, 뇌졸중의 원인과 중증도 별로 분류하고, 입원후 3주내의 악화리스크와 3개월후의 환자상태를 예측가능한 플렛폼을 제공한다.
그에 따라, 본 발명의 실시예에 따라, 뇌졸중을 정확하게 진단하고 뇌졸중의 환자 상태를 신뢰성있게 예측할 수 있다.
한편, 본 발명의 상세한 설명에서는 첨부된 도면에 의해 참조되는 바람직한 실시 예를 중심으로 구체적으로 기술되었으나, 본 발명의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능함은 물론이다. 그러므로 본 발명의 범위는 설명된 실시 예에 국한되어 정해져서는 안되며 후술하는 특허청구의 범위뿐 아니라 이 특허청구의 범위와 균등한 것들에 의해서 정해져야 한다.

Claims (15)

  1. 뇌졸중 진단 및 예후 예측 시스템에 있어서,
    인간의 뇌의 적어도 일부를 포함하는 복수 개의 영상들을 수신하도록 구성된 영상 획득부;
    상기 복수개의 영상들을 표준 뇌 영상을 기준으로 정렬하는 영상 정렬부;
    상기 복수개의 영상들로부터 각각 병변 영역들 검출하고, 상기 검출된 병변 영역들에 맵핑하여 하나의 맵핑 영상을 생성하는 병변 영역 검출 및 맵핑부;
    상기 맵핑 영상을 스케일링함으로써 표준 뇌 영상에 정합하고, 상기 맵핑 영상에 대해 영상 보정을 수행하는 정합 및 보정부;
    상기 맵핑 영상을 3차원 데이터 공간에 수납함으로써 3차원 병변 영상을 생성하는 3차원 영상 생성부;
    상기 3차원 병변 영상에 기초하여 뇌졸중을 진단하는 뇌졸중 진단부를 포함하며,
    상기 뇌졸중 진단부는 상기 수납된 3차원 병변 영상의 특징을 심층 신경망을 이용하여 추출하고 상기 추출된 3차원 병변 영상을 활용하여 훈련된 심층 신경망에 기초하여 뇌졸중을 진단하는 것을 특징으로 하는 뇌졸중 진단 및 예후 예측 시스템.
  2. 제1항에 있어서, 상기 병변 영역 검출 및 맵핑부는 상기 복수개의 영상들의 정합 위치 정보에 기초하여 상기 맵핑된 병변의 위치를 상기 표준 뇌 영상에 정합하는 것을 특징으로 하는 뇌졸중 진단 및 예후 예측 시스템.
  3. 제1항에 있어서, 상기 3차원 영상 생성부는 3차원 병변 영상을 생성하기 전에 상기 병변 영상에 대해 병변의 유무에 따라 상기 병변 영상의 픽셀 정보를 바이너리화하고 상기 병변 영상의 크기를 조절하는 것을 특징으로 하는 뇌졸중 진단 및 예후 예측 시스템.
  4. 삭제
  5. 제1항에 있어서, 상기 심층 신경망은 3차원 합성곱 신경망(convolutional neural network: CNN)을 포함하는 것을 특징으로 하는 뇌졸중 진단 및 예후 예측 시스템.
  6. 제1항에 있어서, 상기 뇌졸중 진단부는 상기 진단된 뇌졸중의 중증도를 분류하는 것을 특징으로 하는 뇌졸중 진단 및 예후 예측 시스템.
  7. 제1항에 있어서, 상기 뇌졸중 진단부는 상기 병변 영상으로부터 3주내의 위독 리스크를 예측하고 소정 시간 후의 환자 상태를 예측하는 것을 특징으로 하는 뇌졸중 진단 및 예후 예측 시스템.
  8. 제1항에 있어서, 상기 복수개의 영상들은 MRI 영상들인 것을 특징으로 하는 뇌졸중 진단 및 예후 예측 시스템.
  9. 제8항에 있어서, 상기 MRI 영상들은 확산 강조 영상(Diffusion weighted imaging, DWI), 유체감쇄반전(FluidAttenuated Inversion Recovery, FLAIR) 영상, 경사 에코(Gradient Echo, GE) 영상, 및 T2 강조 영상(T2 weighted image, T2)을 포함하는 것을 특징으로 하는 하는 뇌졸중 진단 및 예후 예측 시스템.
  10. 뇌졸중 진단 및 예후 예측 방법에 있어서,
    인간의 뇌의 적어도 일부를 포함하는 복수 개의 영상들을 획득하는 단계;
    상기 복수개의 영상들을 표준 뇌를 기준으로 정렬하는 단계;
    상기 복수개의 영상들로부터 각각 병변 영역들 검출하고, 상기 검출된 병변 영역들에 맵핑하여 하나의 맵핑 영상을 생성하는 단계;
    상기 맵핑 영상을 스케일링함으로써 표준 뇌 영상에 정합하고, 상기 맵핑 영상에 대해 영상 보정을 수행하는 단계;
    상기 맵핑 영상을 3차원 데이터 공간에 수납함으로써 3차원 병변 영상을 생성하는 단계; 및
    상기 3차원 병변 영상에 기초하여 뇌졸중을 진단하는 단계를 포함하며,
    상기 뇌졸중을 진단하는 단계는 상기 수납된 3차원 병변 영상의 특징을 심층 신경망을 이용하여 추출하고 상기 추출된 3차원 병변 영상을 활용하여 훈련된 심층 신경망에 기초하여 뇌졸중을 진단하는 것을 특징으로 하는 뇌졸중 진단 및 예후 예측 방법.
  11. 제10항에 있어서, 상기 하나의 맵핑 영상을 생성하는 단계는 상기 정합의 위치 정보에 기초하여 상기 맵핑된 병변의 위치를 상기 표준 뇌 영상에 정합하는 단계를 포함하는 것을 특징으로 하는 뇌졸중 진단 및 예후 예측 방법.
  12. 제10항에 있어서, 상기 3차원 병변 영상을 생성하기 전에 상기 병변 영상에 대해 병변의 유무에 따라 상기 병변 영상의 픽셀 정보를 바이너리화하고, 상기 병변 영상의 크기를 조절하는 단계를 더 포함하는 것을 특징으로 하는 뇌졸중 진단 및 예후 예측 방법.
  13. 제10항에 있어서, 상기 뇌졸중을 진단하는 단계는 상기 수납된 3차원 병변 영상의 정보의 특징을 3차원 합성곱 신경망(convolutional neural network: CNN)을 이용하여 추출하는 단계를 포함하는 것을 특징으로 하는 뇌졸중 진단 및 예후 예측 방법.
  14. 제10항에 있어서, 상기 뇌졸중을 진단하는 단계는 상기 진단된 뇌졸중의 중증도를 분류하는 단계를 포함하는 것을 특징으로 하는 뇌졸중 진단 및 예후 예측 방법.
  15. 제10항에 있어서, 상기 뇌졸중을 진단하는 단계는 상기 병변 영상으로부터 3주내의 위독 리스크를 예측하고 소정 시간 후의 환자 상태를 예측하는 단계를 포함하는 것을 특징으로 하는 뇌졸중 진단 및 예후 예측 방법.
KR1020160136308A 2016-10-20 2016-10-20 뇌졸중 진단 및 예후 예측 방법 및 시스템 KR101740464B1 (ko)

Priority Applications (6)

Application Number Priority Date Filing Date Title
KR1020160136308A KR101740464B1 (ko) 2016-10-20 2016-10-20 뇌졸중 진단 및 예후 예측 방법 및 시스템
EP17862939.0A EP3543880B1 (en) 2016-10-20 2017-09-14 Stroke diagnosis and prognosis system
PCT/KR2017/010091 WO2018074739A1 (ko) 2016-10-20 2017-09-14 뇌졸중 진단 및 예후 예측 방법 및 시스템
JP2019543150A JP6859445B2 (ja) 2016-10-20 2017-09-14 脳卒中の診断及び予後予測方法システム及びその作動方法
CN201780071711.XA CN109997200B (zh) 2016-10-20 2017-09-14 脑中风诊断以及预后预测方法及***
US16/343,776 US10952613B2 (en) 2016-10-20 2017-09-14 Stroke diagnosis and prognosis prediction method and system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160136308A KR101740464B1 (ko) 2016-10-20 2016-10-20 뇌졸중 진단 및 예후 예측 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR101740464B1 true KR101740464B1 (ko) 2017-06-08

Family

ID=59221727

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160136308A KR101740464B1 (ko) 2016-10-20 2016-10-20 뇌졸중 진단 및 예후 예측 방법 및 시스템

Country Status (6)

Country Link
US (1) US10952613B2 (ko)
EP (1) EP3543880B1 (ko)
JP (1) JP6859445B2 (ko)
KR (1) KR101740464B1 (ko)
CN (1) CN109997200B (ko)
WO (1) WO2018074739A1 (ko)

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101893557B1 (ko) * 2017-12-29 2018-08-30 (주)제이엘케이인스펙션 영상 처리 장치 및 방법
KR101898575B1 (ko) * 2018-01-18 2018-09-13 주식회사 뷰노 진행성 병변에 대한 미래 상태를 예측하는 방법 및 이를 이용한 장치
KR101938992B1 (ko) * 2017-06-19 2019-01-15 한국과학기술원 진단 이유 설명이 생성되는 cad 시스템 및 그 방법
KR101958188B1 (ko) 2018-10-12 2019-03-14 신성대학 산학협력단 음성 분석을 기반으로 하는 뇌졸중 판단 시스템 및 그 방법
WO2019083227A1 (en) * 2017-10-26 2019-05-02 Samsung Electronics Co., Ltd. MEDICAL IMAGE PROCESSING METHOD, AND MEDICAL IMAGE PROCESSING APPARATUS IMPLEMENTING THE METHOD
KR101974786B1 (ko) * 2018-08-17 2019-05-31 (주)제이엘케이인스펙션 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 방법 및 시스템
KR20190070432A (ko) 2017-12-13 2019-06-21 (주)엔텔스 영상 데이터를 분석하는 인공 지능을 이용한 질병 진단 방법 및 진단 시스템
KR102001398B1 (ko) * 2018-01-25 2019-07-18 재단법인 아산사회복지재단 기계학습을 통한 뇌질환 상태변화 예측방법, 장치 및 프로그램
KR20190088371A (ko) * 2018-01-18 2019-07-26 주식회사 뷰노 진행성 병변의 미래 영상을 생성하는 방법 및 이를 이용한 장치
KR20190105210A (ko) * 2018-02-22 2019-09-16 고려대학교 산학협력단 통합 의료 진단 서비스 제공 시스템 및 그 방법
WO2020032325A1 (ko) * 2018-08-06 2020-02-13 전북대학교산학협력단 다중 모달리티 영상 생성 기법을 이용한 의료영상진단시스템
KR20200025853A (ko) * 2018-08-31 2020-03-10 주식회사 뉴로게이저 구조적 자기공명영상을 이용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치
JP2020054580A (ja) * 2018-10-01 2020-04-09 富士フイルム株式会社 疾患領域を判別する判別器の学習装置、方法及びプログラム、疾患領域を判別する判別器、並びに疾患領域判別装置及びプログラム
KR20200041813A (ko) * 2018-10-11 2020-04-22 (주)제이엘케이인스펙션 암 영역에 대한 딥러닝 모델 학습 장치 및 방법
WO2020111463A1 (ko) * 2018-11-29 2020-06-04 주식회사 휴런 Aspect 스코어 추정 시스템 및 방법
WO2020139011A1 (ko) * 2018-12-27 2020-07-02 (주)제이엘케이 뇌병변 정보 제공 장치 및 방법
KR20200083401A (ko) * 2020-06-23 2020-07-08 주식회사 휴런 영상 데이터세트의 특징을 정규화 및 표준화하는 전처리 과정이 적용된 aspect 스코어 추정 방법
KR20200083400A (ko) * 2020-06-23 2020-07-08 주식회사 휴런 뇌졸중 환자의 영상을 기반으로 aspect 스코어를 추정하는 시스템
KR20200083402A (ko) * 2020-06-23 2020-07-08 주식회사 휴런 뇌졸중 관련 병변을 분리하는 과정이 적용된 aspect 스코어 추정 방법
WO2020204313A1 (ko) * 2019-04-03 2020-10-08 한림대학교 산학협력단 Gba 유전자의 단일염기다형성을 포함하는 뇌동맥류 진단용 snp 마커
KR102166647B1 (ko) 2019-10-15 2020-11-13 주식회사 리드브레인 블록 기반 유연한 ai 모델을 이용한 지능형 의료 진단 및 진료 시스템
KR102186893B1 (ko) 2019-10-15 2020-12-04 주식회사 리드브레인 인공지능 기반 커리큘럼 학습 방법을 이용한 의료 영상 처리 시스템 및 지능형 의료 진단 및 진료 시스템
KR20210099411A (ko) * 2020-02-04 2021-08-12 (주)헬스허브 역방향 피팅을 통한 신체 사이즈 측정 장치 및 그 방법
JP2022515465A (ja) * 2018-12-24 2022-02-18 ジェイエルケイ カンパニー，リミテッド 機械学習に基づくｇｒｅ画像を活用した血栓分類方法及びシステム
KR20220046058A (ko) * 2020-10-06 2022-04-14 연세대학교 산학협력단 딥러닝 모델을 이용한 병변 영역 추출 기반의 뇌경색 예측 방법 및 그를 위한 장치
WO2022131642A1 (ko) * 2020-12-16 2022-06-23 가천대학교 산학협력단 의료 영상 기반 질환 중증도 결정 장치 및 방법
WO2022182178A1 (ko) * 2021-02-24 2022-09-01 (주) 제이엘케이 딥러닝 기반의 뇌출혈 진단 장치 및 방법
CN115019919A (zh) * 2022-06-16 2022-09-06 江苏省人民医院（南京医科大学第一附属医院） 基于深度学习的脑卒中早期康复后功能预测模型建立方法

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543139B (zh) * 2017-09-22 2021-09-17 杭州海康威视数字技术股份有限公司 卷积运算方法、装置、计算机设备及计算机可读存储介质
US11087273B1 (en) * 2017-12-14 2021-08-10 Amazon Technologies, Inc. Item recognition system using reference images
JP6933617B2 (ja) * 2018-09-03 2021-09-08 富士フイルム株式会社 診療支援装置
CN110070935B (zh) * 2019-03-20 2021-04-30 中国科学院自动化研究所 基于对抗神经网络的医学图像合成方法、分类方法及装置
KR102097738B1 (ko) * 2020-03-03 2020-04-06 주식회사 휴런 인공지능 기반 파킨슨 병 진단 장치 및 방법
CN111613321A (zh) * 2020-04-16 2020-09-01 杭州电子科技大学 一种基于密集卷积神经网络的心电图卒中辅助诊断方法
US20210338330A1 (en) * 2020-05-04 2021-11-04 SCA Robotics Artificial intelligence based vascular mapping and interventional procedure assisting platform based upon dynamic flow based imaging and biomarkers
KR102582293B1 (ko) * 2020-09-09 2023-09-25 사회복지법인 삼성생명공익재단 내이기관의 내림프수종 비율 측정 방법 및 그 장치
US20240136062A1 (en) * 2020-09-10 2024-04-25 Ohara Pharmaceutical Co., Ltd. Stroke diagnosis and therapy assistance system, stroke state information providing device, and stroke state information providing program
TWI768483B (zh) * 2020-09-28 2022-06-21 臺北醫學大學 用於識別腦白質高信號之方法及裝置
KR102289648B1 (ko) * 2021-02-03 2021-08-18 주식회사 휴런 의료 영상 기반 허혈성 뇌졸중 검출 및 형태 분류 방법, 장치 및 시스템
CN113180633A (zh) * 2021-04-28 2021-07-30 济南大学 基于深度学习的mr影像肝癌术后复发风险预测方法及***
WO2023068049A1 (ja) * 2021-10-21 2023-04-27 株式会社カネカ 予測システム、予測装置、及び、予測方法
CN117238483B (zh) * 2023-11-10 2024-02-27 哈尔滨海鸿基业科技发展有限公司 一种儿童脑瘫诊断设备

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006114003A1 (en) * 2005-04-27 2006-11-02 The Governors Of The University Of Alberta A method and system for automatic detection and segmentation of tumors and associated edema (swelling) in magnetic resonance (mri) images
US8019142B2 (en) * 2005-11-21 2011-09-13 Agency For Science, Technology And Research Superimposing brain atlas images and brain images with delineation of infarct and penumbra for stroke diagnosis
US8320647B2 (en) * 2007-11-20 2012-11-27 Olea Medical Method and system for processing multiple series of biological images obtained from a patient
US20090317330A2 (en) * 2007-12-21 2009-12-24 Baker Idi Heart And Diabetes Institute Holdings Limited Diagnosis and treatment of diseases involving platelet activation
JP2012115658A (ja) * 2010-11-12 2012-06-21 Toshiba Corp 画像診断装置
US9646138B2 (en) * 2011-12-30 2017-05-09 The Johns Hopkins University Bioimaging grid
CN103635784A (zh) * 2012-05-15 2014-03-12 松下电器产业株式会社 光声振动计
KR101388546B1 (ko) * 2012-08-29 2014-04-23 고려대학교 산학협력단 기능성 자기 공명 영상을 사용한 뇌기능 진단 시스템 및 방법
EP2708244A1 (en) * 2012-09-14 2014-03-19 Stichting Katholieke Universiteit Contrast agent and its use for imaging.
CN108452443B (zh) * 2012-10-26 2021-05-18 优瑞技术公司 利用对放射疗法的生理反应的成像对治疗评估的***
DE102012111385B4 (de) * 2012-11-23 2018-05-03 Diers Engineering Gmbh Bestimmen der räumlichen Lage und Orientierung der Wirbelkörper der Wirbelsäule
CN105705098A (zh) 2013-09-20 2016-06-22 透壁生物技术公司 用于诊断疾病的图像分析技术
KR101611367B1 (ko) * 2013-11-18 2016-04-12 재단법인 아산사회복지재단 뇌질환 진단 서비스 장치 및 방법
KR20150094877A (ko) * 2014-02-11 2015-08-20 한국전자통신연구원 3d 영상 분석 및 지식 기반 병변 진단 및 예후 예측 시스템
KR20150098119A (ko) 2014-02-19 2015-08-27 삼성전자주식회사 의료 영상 내 거짓양성 병변후보 제거 시스템 및 방법
KR20150108701A (ko) 2014-03-18 2015-09-30 삼성전자주식회사 의료 영상 내 해부학적 요소 시각화 시스템 및 방법

Cited By (45)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101938992B1 (ko) * 2017-06-19 2019-01-15 한국과학기술원 진단 이유 설명이 생성되는 cad 시스템 및 그 방법
WO2019083227A1 (en) * 2017-10-26 2019-05-02 Samsung Electronics Co., Ltd. MEDICAL IMAGE PROCESSING METHOD, AND MEDICAL IMAGE PROCESSING APPARATUS IMPLEMENTING THE METHOD
KR20190070432A (ko) 2017-12-13 2019-06-21 (주)엔텔스 영상 데이터를 분석하는 인공 지능을 이용한 질병 진단 방법 및 진단 시스템
KR101893557B1 (ko) * 2017-12-29 2018-08-30 (주)제이엘케이인스펙션 영상 처리 장치 및 방법
WO2019132592A1 (ko) * 2017-12-29 2019-07-04 (주)제이엘케이인스펙션 영상 처리 장치 및 방법
KR102222816B1 (ko) * 2018-01-18 2021-03-04 주식회사 뷰노 진행성 병변의 미래 영상을 생성하는 방법 및 이를 이용한 장치
KR101898575B1 (ko) * 2018-01-18 2018-09-13 주식회사 뷰노 진행성 병변에 대한 미래 상태를 예측하는 방법 및 이를 이용한 장치
KR20190088371A (ko) * 2018-01-18 2019-07-26 주식회사 뷰노 진행성 병변의 미래 영상을 생성하는 방법 및 이를 이용한 장치
US11842493B2 (en) 2018-01-25 2023-12-12 The Asan Foundation Method and apparatus for predicting brain disease change through machine learning and program for the same
KR102001398B1 (ko) * 2018-01-25 2019-07-18 재단법인 아산사회복지재단 기계학습을 통한 뇌질환 상태변화 예측방법, 장치 및 프로그램
WO2019147066A1 (ko) * 2018-01-25 2019-08-01 재단법인 아산사회복지재단 기계학습을 통한 뇌질환 상태변화 예측방법, 장치 및 프로그램
KR20190105210A (ko) * 2018-02-22 2019-09-16 고려대학교 산학협력단 통합 의료 진단 서비스 제공 시스템 및 그 방법
KR102243830B1 (ko) * 2018-02-22 2021-04-23 고려대학교 산학협력단 통합 의료 진단 서비스 제공 시스템 및 그 방법
WO2020032325A1 (ko) * 2018-08-06 2020-02-13 전북대학교산학협력단 다중 모달리티 영상 생성 기법을 이용한 의료영상진단시스템
KR101974786B1 (ko) * 2018-08-17 2019-05-31 (주)제이엘케이인스펙션 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 방법 및 시스템
KR102319326B1 (ko) 2018-08-31 2021-10-29 주식회사 뉴로게이저 구조적 자기공명영상을 이용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치
KR20200025853A (ko) * 2018-08-31 2020-03-10 주식회사 뉴로게이저 구조적 자기공명영상을 이용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치
JP2020054580A (ja) * 2018-10-01 2020-04-09 富士フイルム株式会社 疾患領域を判別する判別器の学習装置、方法及びプログラム、疾患領域を判別する判別器、並びに疾患領域判別装置及びプログラム
JP7129870B2 (ja) 2018-10-01 2022-09-02 富士フイルム株式会社 疾患領域を判別する判別器の学習装置、方法及びプログラム、疾患領域を判別する判別器、並びに疾患領域判別装置及びプログラム
KR20200041813A (ko) * 2018-10-11 2020-04-22 (주)제이엘케이인스펙션 암 영역에 대한 딥러닝 모델 학습 장치 및 방법
KR102150853B1 (ko) * 2018-10-11 2020-09-03 (주)제이엘케이 암 영역에 대한 딥러닝 모델 학습 장치 및 방법
KR101958188B1 (ko) 2018-10-12 2019-03-14 신성대학 산학협력단 음성 분석을 기반으로 하는 뇌졸중 판단 시스템 및 그 방법
KR102143465B1 (ko) * 2018-11-29 2020-08-11 주식회사 휴런 Aspect 스코어 추정 시스템 및 방법
WO2020111463A1 (ko) * 2018-11-29 2020-06-04 주식회사 휴런 Aspect 스코어 추정 시스템 및 방법
KR20200064818A (ko) * 2018-11-29 2020-06-08 주식회사 휴런 Aspect 스코어 추정 시스템 및 방법
US10950337B1 (en) 2018-11-29 2021-03-16 Heuron Co., Ltd. Aspect score estimating system and method
JP2022515465A (ja) * 2018-12-24 2022-02-18 ジェイエルケイ カンパニー，リミテッド 機械学習に基づくｇｒｅ画像を活用した血栓分類方法及びシステム
WO2020139011A1 (ko) * 2018-12-27 2020-07-02 (주)제이엘케이 뇌병변 정보 제공 장치 및 방법
US11922624B2 (en) 2018-12-27 2024-03-05 Jlk Inc. Brain lesion information provision device and method
WO2020204313A1 (ko) * 2019-04-03 2020-10-08 한림대학교 산학협력단 Gba 유전자의 단일염기다형성을 포함하는 뇌동맥류 진단용 snp 마커
KR102166647B1 (ko) 2019-10-15 2020-11-13 주식회사 리드브레인 블록 기반 유연한 ai 모델을 이용한 지능형 의료 진단 및 진료 시스템
KR102186893B1 (ko) 2019-10-15 2020-12-04 주식회사 리드브레인 인공지능 기반 커리큘럼 학습 방법을 이용한 의료 영상 처리 시스템 및 지능형 의료 진단 및 진료 시스템
KR20210099411A (ko) * 2020-02-04 2021-08-12 (주)헬스허브 역방향 피팅을 통한 신체 사이즈 측정 장치 및 그 방법
KR102351373B1 (ko) 2020-02-04 2022-01-14 (주)헬스허브 역방향 피팅을 통한 신체 사이즈 측정 장치 및 그 방법
KR20200083402A (ko) * 2020-06-23 2020-07-08 주식회사 휴런 뇌졸중 관련 병변을 분리하는 과정이 적용된 aspect 스코어 추정 방법
KR20200083401A (ko) * 2020-06-23 2020-07-08 주식회사 휴런 영상 데이터세트의 특징을 정규화 및 표준화하는 전처리 과정이 적용된 aspect 스코어 추정 방법
KR20200083400A (ko) * 2020-06-23 2020-07-08 주식회사 휴런 뇌졸중 환자의 영상을 기반으로 aspect 스코어를 추정하는 시스템
KR102177296B1 (ko) * 2020-06-23 2020-11-11 주식회사 휴런 뇌졸중 환자의 영상을 기반으로 aspect 스코어를 추정하는 시스템
KR102151942B1 (ko) * 2020-06-23 2020-09-04 주식회사 휴런 영상 데이터세트의 특징을 정규화 및 표준화하는 전처리 과정이 적용된 aspect 스코어 추정 방법
KR102151943B1 (ko) * 2020-06-23 2020-09-04 주식회사 휴런 뇌졸중 관련 병변을 분리하는 과정이 적용된 aspect 스코어 추정 방법
KR20220046058A (ko) * 2020-10-06 2022-04-14 연세대학교 산학협력단 딥러닝 모델을 이용한 병변 영역 추출 기반의 뇌경색 예측 방법 및 그를 위한 장치
KR102447400B1 (ko) 2020-10-06 2022-09-28 연세대학교 산학협력단 딥러닝 모델을 이용한 병변 영역 추출 기반의 뇌경색 예측 방법 및 그를 위한 장치
WO2022131642A1 (ko) * 2020-12-16 2022-06-23 가천대학교 산학협력단 의료 영상 기반 질환 중증도 결정 장치 및 방법
WO2022182178A1 (ko) * 2021-02-24 2022-09-01 (주) 제이엘케이 딥러닝 기반의 뇌출혈 진단 장치 및 방법
CN115019919A (zh) * 2022-06-16 2022-09-06 江苏省人民医院（南京医科大学第一附属医院） 基于深度学习的脑卒中早期康复后功能预测模型建立方法

Also Published As

Publication number Publication date
JP6859445B2 (ja) 2021-04-14
US20190246904A1 (en) 2019-08-15
CN109997200B (zh) 2023-05-12
WO2018074739A1 (ko) 2018-04-26
EP3543880A1 (en) 2019-09-25
CN109997200A (zh) 2019-07-09
EP3543880B1 (en) 2024-02-28
US10952613B2 (en) 2021-03-23
JP2020506012A (ja) 2020-02-27
EP3543880A4 (en) 2020-08-12
EP3543880C0 (en) 2024-02-28

Similar Documents

Publication Publication Date Title
KR101740464B1 (ko) 뇌졸중 진단 및 예후 예측 방법 및 시스템
US20210369195A1 (en) Method and system for disease analysis and interpretation
JP5699936B2 (ja) 医用画像処理装置の作動方法、装置およびプログラム
US9510756B2 (en) Method and system for diagnosis of attention deficit hyperactivity disorder from magnetic resonance images
Shahzad et al. Vessel specific coronary artery calcium scoring: an automatic system
CN104414636B (zh) 基于磁共振图像的脑微出血计算机辅助检测***
WO2021179491A1 (zh) 图像处理方法、装置、计算机设备和存储介质
US11151722B2 (en) System and method for estimating synthetic quantitative health values from medical images
Klein et al. Early diagnosis of dementia based on intersubject whole-brain dissimilarities
CN111932492B (zh) 一种医学图像处理方法、装置及计算机可读存储介质
US20130303900A1 (en) Method and apparatus for processing of stroke ct scans
JP2023540910A (ja) 病変検出のための共同訓練を伴う接続機械学習モデル
Sengupta et al. An Empirical Analysis on Detection and Recognition of Intra-Cranial Hemorrhage (ICH) using 3D Computed Tomography (CT) images
Tariq et al. Opportunistic screening for low bone density using abdominopelvic computed tomography scans
Alexopoulos et al. Early detection of knee osteoarthritis using deep learning on knee magnetic resonance images
KR102536369B1 (ko) 인공 지능 기반 위 내시경 영상 진단 보조 시스템 및 방법
KR102360615B1 (ko) 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법
Jóźwiak et al. Conceptual improvements in computer-aided diagnosis of acute stroke
US11915829B2 (en) Perihematomal edema analysis in CT images
US20220375087A1 (en) Cerebral hemorrhage analysis in ct images
Unde et al. Brain MRI Image Analysis for Alzheimer’s Disease Diagnosis Using Mask R-CNN
CN118016228A (zh) 自动鼻咽癌检测和筛查mri报告生成
Khazendar et al. Automatic identification of miscarriage cases supported by decision strength using ultrasound images of the gestational sac
Tang et al. Analysis of two variants of U-net for pulmonary nodule segmentation: attention U-net and Dense-Attention U-net
Dey Review on Novel Approach to observation of Brain Image Anomaly

Legal Events

Date Code Title Description
GRNT Written decision to grant