KR101971764B1 - 혈관 촬영 영상을 이용한 혈관 분석 방법 및 장치 - Google Patents

혈관 촬영 영상을 이용한 혈관 분석 방법 및 장치 Download PDF

Info

Publication number
KR101971764B1
KR101971764B1 KR1020160026145A KR20160026145A KR101971764B1 KR 101971764 B1 KR101971764 B1 KR 101971764B1 KR 1020160026145 A KR1020160026145 A KR 1020160026145A KR 20160026145 A KR20160026145 A KR 20160026145A KR 101971764 B1 KR101971764 B1 KR 101971764B1
Authority
KR
South Korea
Prior art keywords
stent
image
characteristic information
blood vessel
target
Prior art date
Application number
KR1020160026145A
Other languages
English (en)
Other versions
KR20170104065A (ko
Inventor
유홍기
김진원
남형수
Original Assignee
한양대학교 산학협력단
고려대학교 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 한양대학교 산학협력단, 고려대학교 산학협력단 filed Critical 한양대학교 산학협력단
Priority to KR1020160026145A priority Critical patent/KR101971764B1/ko
Priority to PCT/KR2017/002213 priority patent/WO2017150894A1/ko
Publication of KR20170104065A publication Critical patent/KR20170104065A/ko
Application granted granted Critical
Publication of KR101971764B1 publication Critical patent/KR101971764B1/ko

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
    • A61B5/02—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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/12—Diagnosis using ultrasonic, sonic or infrasonic waves in body cavities or body tracts, e.g. by using catheters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • 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
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Vascular Medicine (AREA)

Abstract

혈관 촬영 영상에서, 혈관 내벽 및 스텐트를 추출하고, 스텐트의 오부착 정도 및 신생 내막의 두께를 분석할 수 있는 혈관 분석 방법 및 장치가 개시된다. 개시된 혈관 분석 방법은 타겟 혈관에 대한 혈관 단층 촬영 영상에서, 지역 최대 밝기 값을 포함하는 스텐트 후보군을 결정하는 단계; 상기 타겟 혈관에 대한 혈관 단층 촬영 영상을 이용하여, 상기 스텐트 후보군에 대한 제1특성 정보를 추출하는 단계; 및 상기 제1특성 정보와, 혈관 단층 촬영 영상으로부터 생성된 레퍼런스 스텐트에 대한 제2특성 정보를 이용하여, 상기 스텐트 후보군에서 타겟 스텐트를 검출하는 단계를 포함한다.

Description

혈관 촬영 영상을 이용한 혈관 분석 방법 및 장치{METHOD AND DEVICE FOR ANALIZING BLOOD VESSEL USING BLOOD VESSEL IMAGE}
본 발명은 혈관 촬영 영상을 이용한 혈관 분석 방법 및 장치에 관한 것으로서, 더욱 상세하게는 혈관 촬영 영상에서, 혈관 내벽 및 스텐트를 추출하고, 스텐트의 오부착 정도 및 신생 내막의 두께를 분석할 수 있는 혈관 분석 방법 및 장치에 관한 것이다.
혈관 내에 스텐트를 삽입 하는 경우, 스텐트의 혈관에 대한 외벽 협착 여부의 파악이 중요하다. 그리고, 시술 후 스텐트 스트럿(strut)상에서 신생내막 세포가 자라게 되는데, 이러한 내막 세포의 과잉성장으로 인해 혈관이 다시 좁아질 수 있다.
따라서 시술 후 혈관 내 스텐트가 잘 협착되었는지 여부, 스트럿과 내막 세포의 성장에 의한 신생내막의 두께 등을 확인하거나, 환자의 상태, 스텐트의 구조 및 표면에서 표출되는 약물 성분에 따른 다양한 임상결과를 확인하는 과정이 필요한데, 이 때, 혈관 촬영 영상이 이용된다. 혈관 촬영 기술로 X선 혈관조영술 (X-ray Angiography), 혈관내 초음파 (Intravascular Ultrasound), 혈관내광단층촬영기술 (IV-OCT; Intravascular Optical Coherence Tomography) 등이 이용된다.
하지만, 현재 혈관 촬영 영상을 이용하여 스텐트나 혈관 내벽, 신생 내막의 두께를 계산하는 과정은 대부분 수작업을 통해 이루어지고 있다. 따라서 혈관 촬영 영상을 이용하여 자동으로 혈관을 분석할 수 있는 연구가 필요하다.
관련 선행문헌으로 대한민국 공개특허 제2014-0092102호가 있다.
본 발명은 혈관 촬영 영상에서, 혈관 내벽 및 스텐트를 추출하고, 스텐트의 오부착 정도 및 신생 내막의 두께를 분석할 수 있는 혈관 분석 방법 및 장치를 제공하기 위한 것이다.
상기한 목적을 달성하기 위한 본 발명의 일 실시예에 따르면, 타겟 혈관에 대한 혈관 단층 촬영 영상에서, 지역 최대 밝기 값을 포함하는 스텐트 후보군을 결정하는 단계; 상기 타겟 혈관에 대한 혈관 단층 촬영 영상을 이용하여, 상기 스텐트 후보군에 대한 제1특성 정보를 추출하는 단계; 및 상기 제1특성 정보와, 혈관 단층 촬영 영상으로부터 생성된 레퍼런스 스텐트에 대한 제2특성 정보를 이용하여, 상기 스텐트 후보군에서 타겟 스텐트를 검출하는 단계를 포함하는 혈관 촬영 영상을 이용한 혈관 분석 방법를 제공한다.
또한 상기한 목적을 달성하기 위한 본 발명의 다른 실시예에 따르면, 타겟 혈관에 대한 혈관 단층 촬영 영상을 입력받는 영상 입력부; 상기 타겟 혈관에 대한 혈관 단층 촬영 영상에서, 지역 최대 밝기 값을 포함하는 스텐트 후보군을 결정하는 후보군 결정부; 상기 타겟 혈관에 대한 혈관 단층 촬영 영상을 이용하여, 상기 스텐트 후보군에 대한 제1특성 정보를 추출하는 특성 정보 추출부; 및 상기 제1특성 정보와, 혈관 단층 촬영 영상으로부터 생성된 레퍼런스 스텐트에 대한 제2특성 정보를 이용하여, 상기 스텐트 후보군에서 타겟 스텐트를 검출하는 스텐트 검출부를 포함하는 혈관 촬영 영상을 이용한 혈관 분석 장치를 제공한다.
본 발명에 따르면, 혈관 단층 촬영 영상을 이용하여 혈관 내벽, 타겟 스텐트 및 신생 내막의 경계선을 빠르고 정확하게 검출할 수 있으며, 추출 결과를 통해 신생 내막의 두께, 그리고 스텐트의 돌출 거리 및 오부착 거리에 대한 정보를 제공할 수 있다.
또한 본 발명에 따르면, 검출된 다양한 임상 지표(혈관 내벽, 타겟 스텐트, 신생 내막의 경계선, 신생 내막의 두께, 스텐트의 돌출 거리 및 오부착 거리)를 통해 의사의 진단을 도울 수 있으며, 관련 질환의 이해를 높일 수 있다.
도 1은 본 발명의 일실시예에 따른 혈관 촬영 영상을 이용한 혈관 분석 장치를 설명하기 위한 도면이다.
도 2는 본 발명의 일실시예에 따른 데이터 처리부를 설명하기 위한 도면이다.
도 3은 혈관 단층 촬영 영상과 극좌표 변환 영상을 도시하는 도면이다.
도 4는 본 발명에 따른 혈관 내벽 추출을 설명하기 위한 도면이다.
도 5는 본 발명에 따른 스텐트 후보군을 설명하기 위한 도면이다.
도 6은 레퍼런스 스텐트에 대한 라인 프로파일 및 A-라인 프로파일을 나타내는 도면이다.
도 7은 스텐트의 돌출 거리 및 오부착 거리 그리고 신생 내막의 두께를 설명하기 위한 도면이다.
도 8은 본 발명의 일실시예에 따른 혈관 촬영 영상을 이용한 혈관 분석 방법을 설명하기 위한 도면이다.
도 9는 스텐트 검출을 위한 다중 계층 인공 신경망을 도시하는 도면이다.
도 10은 본 발명에 따라 계산된 스텐트의 돌출 거리 및 신생 내막 두께와 수동으로 계산된 스텐트의 돌출 거리 및 신생 내막 두께의 상관 계수 측정 및 블랜드-앨트먼 분석 결과를 도시하는 도면이다.
도 11은 비교적 작은 수준의 스텐트의 돌출 거리 및 신생 내막 두께에 대한 상관 계수 측정 및 블랜드-앨트먼 분석 결과를 도시하는 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
이하에서, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일실시예에 따른 혈관 촬영 영상을 이용한 혈관 분석 장치를 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명에 따른 혈관 분석 장치는 영상 입력부(110), 데이터 처리부(120) 및 데이터 출력부(130)를 포함한다.
영상 입력부(110)는 타겟 혈관에 대한 혈관 단층 촬영 영상을 입력받는다. 혈관 단층 촬영 영상은 일실시예로서, 혈관내 초음파 영상, 혈관내 광단층 촬영 영상 등일 수 있다. 또는 영상 입력부(110)는 예를 들어 카테터일 수 있으며, 직접 타겟 혈관에 삽입되어 혈관 단층 촬영 영상을 입력받을 수 있다.
데이터 처리부(120)는 타겟 혈관에 대한 혈관 단층 촬영 영상을 이용하여, 혈관 내벽 및 타겟 혈관 내에 삽입된 타겟 스텐트를 추출한다. 또한 실시예에 따라서, 데이터 처리부(120)는 스텐트에 의해 생성되는 신생 내막의 경계선을 추출할 수 있으며, 추출된 혈관 내벽, 타겟 스텐트 및 신생 내막의 경계선을 이용하여 신생 내막의 두께(Neointimal thickness), 그리고 스텐트의 돌출 거리(Protrusion distance) 및 오부착 거리(Malapposition distance)를 계산할 수 있다.
데이터 출력부(130)는 데이터 처리부(120)의 처리 결과를 출력하며, 입력된 혈관 단층 촬영 영상에 대해 처리 결과를 출력할 수 있다. 예를 들어, 데이터 출력부(130)는 혈관 단층 영상에 추출된 혈관 내벽, 타겟 스텐트 등을 표시할 수 있다.
본 발명에 따르면, 혈관 단층 촬영 영상을 이용하여 혈관 내벽, 타겟 스텐트 및 신생 내막의 경계선을 빠르고 정확하게 검출할 수 있으며, 추출 결과를 통해 신생 내막의 두께, 그리고 스텐트의 돌출 거리 및 오부착 거리에 대한 정보를 제공할 수 있다.
또한 본 발명에 따르면, 검출된 다양한 임상 지표(혈관 내벽, 타겟 스텐트, 신생 내막의 경계선, 신생 내막의 두께, 스텐트의 돌출 거리 및 오부착 거리)를 통해 의사의 진단을 도울 수 있으며, 관련 질환의 이해를 높일 수 있다.
도 2는 본 발명의 일실시예에 따른 데이터 처리부(120)를 설명하기 위한 도면이다. 도 3은 혈관 단층 촬영 영상과 극좌표 변환 영상을 도시하는 도면이며, 도 4는 본 발명에 따른 혈관 내벽 추출을 설명하기 위한 도면이다. 도 5는 본 발명에 따른 스텐트 후보군을 설명하기 위한 도면이다. 도 6은 레퍼런스 스텐트에 대한 라인 프로파일 및 A-라인 프로파일을 나타내는 도면이다.
도 2를 참조하면, 데이터 처리부(120)는 전처리부(210), 혈관 내벽 추출부(220), 후보군 결정부(230), 특성 정보 추출부(240), 스텐트 검출부(250) 및 수치 연산부(260)를 포함한다. 데이터 처리부(120)의 구성 요소는 검출되는 임상 지표에 따라 다양하게 구성될 수 있다. 먼저, 데이터 처리부(120)의 혈관 내벽 검출 과정을 설명하고, 스텐트 검출 과정, 및 그외 임상 지표 검출 과정을 설명하기로 한다.
<혈관 내벽 검출>
혈관 단층 촬영 영상은 각 화소별 밝기로 표현될 수 있는데, 전처리부(210)는 혈관의 깊이 방향의 반사 프로파일(A-line), 즉 밝기 값이 획득될 수 있도록, 타겟 혈관에 대한 혈관 단층 촬영 영상에 대해 극좌표(r,θ) 변환을 수행한다. 이 때, 전처리부(210)는 혈관 단층 촬영 영상의 노이즈를 줄이기 위해 가우시안 저대역 필터링 등의 전처리를 수행한 후 극좌표 변환을 수행할 수 있다.
일예로서, 도 3(a)와 같은 혈관 단층 촬영 영상은 극좌표 변환을 통해 도 3(b)와 같은 영상으로 변환될 수 있으며, 도 3(b)에서 깊이 방향(r)은 혈관 중심에서 혈관 내벽을 향하는 방향에 대응된다.
전처리부(210)는 극좌표 변환이 수행된 영상을 이용하여, 깊이 방향에 대해 1차 경사 영상을 생성하며, 추가적으로 2차 경사 영상을 생성할 수 있다. 1차 경사 영상(Gr) 및 2차 경사 영상(Grr)은 [수학식 1]을 통해 생성될 수 있다.
Figure 112016021074410-pat00001
여기서,
Figure 112016021074410-pat00002
는 극좌표 변환이 수행된 영상을 나타내며, 편미분을 통해 경사 영상이 얻어질 수 있다. 편미분에 의해 밝기 값이 급격히 변환되는 영역이 검출될 수 있는데, 예를 들어 에지(edge) 영역이 검출될 수 있다. 전처리부(210)는 에지 특성을 나타내는 혈관 내벽 및 스텐트를 추출하기 위해 1차 및 2차 경사 영상을 생성한다.
그리고 전처리부(210)는 혈관 촬영시 함께 촬영될 수 있는 카테터(catheter)나 가이드 와이어(guide wire) 부분을 1차 및 2차 경사 영상에서 제거함으로써, 정확한 검출을 지원할 수 있다.
전처리부(210)는 전술된 기능 이외, 실시예에 따라서 다양한 기능을 부가적으로 지원하거나 또는 전술된 기능중 일부 기능을 선택적으로 제공할 수 있다.
혈관 내벽 추출부(220)는 극좌표 변환된 영상에서 기 설정된 밝기 값을 나타내는 부분을 혈관 내벽을 결정하며, 이 때 1차 경사 영상을 이용할 수 있다. 또한 신생 내막의 경계선 역시 혈관 내벽의 일종이므로 혈관 내벽 추출부(220)는 혈관 내벽과 같이 신생 내막의 경계선을 결정할 수 있다.
보다 구체적으로, 혈관 내벽 추출부(220)는 혈관 단층 촬영 영상의 최대 밝기 값에 대해 기 설정된 비율만큼의 밝기 값을 나타내는 부분을 혈관 내벽으로 결정할 수 있다. 기 설정된 비율은 실시예에 따라서 다양하게 설정될 수 있으며, 예를 들어 최대 밝기 값의 20%일 수 있다. 혈관 단층 촬영 영상의 최대 밝기 값을 나타내는 부분은 인체 조직보다 반사율이 좋은 금속 재질의 스텐트가 위치한 부분일 확률이 높으며, 혈관 내벽의 밝기 값은 스텐트의 밝기 값보다 작기 때문에, 혈관 내벽 추출부(220)는 혈관 단층 촬영 영상의 최대 밝기 값보다 어두운 부분을 혈관 내벽으로 결정한다.
이 때, 혈관 내벽 추출부(220)는 1차 경사 영상을 이용하지 않고, 극좌표 변환된 영상에서 기 설정된 밝기 값을 나타내는 부분을 혈관 내벽을 결정할 수도 있지만, 혈관 내벽을 보다 정확히 추출하기 위해, 1차 경사 영상을 이용하여, 혈관 단층 촬영 영상에 존재할 수 있는 아티팩트(artifact)를 제거할 수 있다.
예를 들어, 혈관 내벽 추출부(220)는 1차 경사 영상에서 임계값 이상의 음의 값을 나타내는 값만을 취하여 도 4(b)와 같은 영상을 생성할 수 있다. 도 4(b)는 도 4(a)에 도시된 극좌표 변환된 혈관 단층 촬영 영상의, 1차 경사 영상으로부터 생성된 영상으로서, 1차 경사 영상의 변환된 형태이기 때문에, 에지 정보를 포함한다. 도 4(b)에서 붉은색 점선이 통과하는 영역이 임시 혈관 내벽 후보군(temporary lumen contour)으로서, 도 4(a)와 비교해보면 극좌표 변환된 혈관 단층 촬영 영상에서의 에지 부분임을 알 수 있다. 혈관 내벽 추출부(220)는 에지 정보에 따라 결정된 임시 혈관 내벽 후보군 중에서 가장 넓은 영역의 임시 혈관 내벽 후보군(Clargest)을 기준으로 거리 및 상대적인 각도 등을 고려하여 최종적으로 노란색으로 표시된 영역을 혈관 내벽 후보군으로 결정한다.
도 4(b)의 하얀색 부분은 Clargest 를 기준으로 멀리 이격되어 있기 때문에 혈관 내벽 후보군에서 제외되며, 결국, 도 4(b)의 노란색 영역을 통해, 도 4(a) 영상에서 혈관 내벽(노란색, result of lumen contour detection)이 추출될 수 있다.
< 스텐트 검출>
후보군 결정부(230)는 타겟 혈관에 대한 혈관 단층 촬영 영상에서, 지역 최대 밝기 값(local maximum intensity)을 포함하는 영역을 스텐트 후보군으로 결정한다. 후보군 결정부(230)는 일실시예로서 전술된 2차 경사 영상을 이용하여, 혈관 단층 촬영 영상에서 지역 최대 밝기 값을 나타내는 영역을 검출할 수 있다. 전술된 바와 같이, 스텐트가 위치한 영역은 금속 재질의 특성상 최대 밝기 값을 나타낼 확률이 높고, 2차 경사 영상은 지역 최대 값 정보를 포함하므로, 후보군 결정부(230)는 제2차 경사 영상을 통해 확인할 수 있는 혈관 단층 촬영 영상의 지역 최대 밝기 값을 나타내는 스텐트 후보군을 결정할 수 있다.
도 5에 도시된 영상에서, 초록색 선은 2차 경사 영상을 통해 얻어진 지역 최대 밝기 값을 나타내는 스텐트 후보군을 나타내며, 붉은 점은 지역 최대 밝기 값을 나타내는 영역의 중앙값 지점을 나타낸다. 일예로서, 도 4 및 도 5에서 혈관 내벽으로부터 돌출된 지역 최대 값을 포함하는 영역이 타겟 스텐트로 검출될 수 있다.
특성 정보 추출부(240)는 타겟 혈관에 대한 혈관 단층 촬영 영상을 이용하여, 스텐트 후보군에 대한 제1특성 정보를 추출한다. 그리고 스텐트 검출부(250)는 제1특성 정보와, 혈관 단층 촬영 영상으로부터 생성된 레퍼런스 스텐트에 대한 제2특성 정보를 이용하여, 스텐트 후보군에서 타겟 스텐트를 추출한다.
특성 정보는 통계적 특성 정보(Statistical Features) 및 기하학적 특성 정보(Geometrical Features) 중 적어도 하나 이상을 포함할 수 있다.
통계적 특성 정보는 문자 그대로 통계적으로 얻을 수 있는 스텐트에 대한 특성 정보를 나타내며, 혈관 단층 촬영 영상(OCT Intensity Image)에서의 통계적 특성 정보, 경사 영상(Gradient Image)에 대한 통계적 특성 정보를 포함할 수 있다. 혈관 단층 촬영 영상 및 경사 영상에서의 스텐트에 대한 특성을 통계적으로 분석하여 레퍼런스 스텐트에 대한 통계적 특성 정보가 획득될 수 있다. 길이 등의 기하학적 특성 정보 역시 혈관 단층 촬영 영상의 분석을 통해 획득될 수 있다.
즉, 스텐트 검출부(250)는 혈관 단층 촬영 영상 및 경사 영상을 이용하여 스텐트 후보군에 대한 제1특성 정보를 추출하고, 레퍼런스 스텐트에 대한 제2특성 정보와 제1특성 정보를 비교하여, 스텐트 후보군에서 제2특성 정보와 유사한 특성을 나타내는 영역을 타겟 스텐트로 추출할 수 있다. 이 때, 혈관 단층 촬영 영상의 극좌표 변환 영상이 특성 정보 추출에 이용될 수 있다.
통계적 특성 정보 및 기하학적 특성 정보는 일실시예로서 [표 1]과 같을 수 있으며, 실시예에 따라서 다양하게 설정될 수 있다.
Figure 112016021074410-pat00003
일실시예로서, 레퍼런스 스텐트 및 스텐트 후보군에 대한 통계적 특성 정보 및 기하학적 특성 정보는 극좌표 변환된 영상 및 경사 영상의 밝기 값으로부터 얻어질 수 있다. 레퍼런스 스텐트에 대한 극좌표 변환된 영상 및 경사 영상의 밝기 값은 도 6(a) 및 도 6(b)와 같은 라인 프로파일로 표현될 수 있다. 도 6(a)는 극좌표 θ(angle, 극좌표 변환된 영상에서의 가로 축)에 따른 라인 프로파일(밝기 값, intensity, amplitude)을 나타내며, 도 6(b)는 스텐트 후보군의 중앙 지점 (도 5의 붉은 점)의 극좌표 r(depth, 극좌표 변환된 영상에서의 세로 축)에 따른 A-라인 프로파일(밝기 값 intensity)을 나타낸다. 마찬가지로 스텐트 후보군에 대한 극좌표 변환된 영상 및 경사 영상의 밝기 값은 도 6과 같이 표현될 수 있다.
[표 1] 및 도 6을 참조하여, 레퍼런스 스텐트에 대한 특성 정보를 자세히 설명하면, 레퍼런스 스텐트의 혈관 단층 촬영 영상에 대한 통계적 특성 정보는 도 6(a)의 fn 프로파일로부터 얻어질 수 있으며, 최대 밝기값(Maximum Intensity), 중앙 밝기값(Medial Intensity), 평균 밝기값(Mean Intensity), 밝기 분산값(Intensity Variance), 밝기 변동계수(Intensity Coefficient Of Variance), 밝기 왜도값(Intensity Skewness) 및 밝기 첨도값(Intensity Kurtosis)중 적어도 하나 이상을 포함할 수 있다.
그리고 레퍼런스 스텐트의 2차 경사 영상에 대한 통계적 특성 정보는 도 6(a)의 Grr 프로파일로부터 얻어질 수 있으며, 최대 밝기값(Maximum Amplitude), 중앙 밝기값(Medial Amplitude), 평균 밝기값(Mean Amplitude), 밝기 분산값(Amplitude Variance), 밝기 변동계수(Amplitude Coefficient Of Variance), 밝기 왜도값(Amplitude Skewness) 및 밝기 첨도값(Amplitude Kurtosis)중 적어도 하나 이상을 포함할 수 있다.
또한 레퍼런스 스텐트의 혈관 단층 촬영 영상에 대한 기하학적 특성 정보는, 혈관 단층 촬영 영상에서의 밝기 값에 따른 스텐트의 길이, 스텐트의 제1밝기 값 및 제2밝기 값 사이의 관계 정보 중 적어도 하나 이상을 포함할 수 있다. 일실시예로서, 제1 및 제2밝기 값은 최대 밝기 값, 최대 밝기 값의 절반, 1/5이 되는 밝기 값 및 스텐트 종단에서의 밝기 값 중 선택될 수 있다.
도 3 및 도 6을 참조하여 설명하면, 스텐트의 길이(Length)는 일예로서, 도 3(a)와 같은 혈관 단층 촬영 영상에서의 스텐트의 길이에 대응될 수 있으며, [수학식 2]과 같이 계산될 수 있다.
Figure 112016021074410-pat00004
여기서, L은 혈관 단층 촬영 영상에서의 스텐트의 길이이며, N은 극좌표 변환된 영상에서의 스텐트 후보군의 화소 개수, (
Figure 112016021074410-pat00005
)은 극좌표 변환된 영상에서의 스텐트 후보군을 구성하는 극좌표 (depth, angle)을 의미한다.
관계 정보로서, 도 6(b)에서 최대 밝기 값(M) 및 절반의 밝기 값(M/2)을 나타내는 지점 사이의 거리(Whalf , A Half Length), 최대 밝기 값(M) 및 1/5 밝기 값을 나타내는 지점 사이의 거리(A Fifth Length), 절반의 밝기 값(M/2)을 나타내는 지점에서 프로파일의 끝 사이(μbehind)의 밝기 평균값(Behind Profile Mean), 절반의 밝기 값(M/2)을 나타내는 지점에서 프로파일의 끝 사이(μbehind)의 밝기 분산값(Behind Profile Variance), 절반의 밝기 값(M/2)을 나타내는 지점에서 프로파일의 끝 사이(μbehind)의 밝기 변동계수(Behind Profile COV), 최대 밝기 값(M) 및 절반의 밝기 값(M/2)을 나타내는 지점 사이의 기울기(Slope), 최대 밝기 값(M) 대비 μbehind 구간의 평균 밝기 값의 비율(Peak-to-Shadow Ratio) 등이 포함될 수 있다.
스텐트 후보군에 대한 특성 정보 역시, 레퍼런스 스텐트에 대한 특성 정보와 같이 추출될 수 있다.
결국, 스텐트 검출부(250)는 제1 및 제2특성 정보를 이용하여, 타겟 스텐트를 검출할 수 있다.
< 타겟 스텐트의 돌출 거리 및 오부착 거리, 신생 내막의 두께>
타겟 스텐트의 돌출 거리 및 오부착 거리 그리고 신생 내막의 두께는 도 7과 같이 정의될 수 있다. 즉, 혈관 내벽(710), 신생 내막의 경계선(720) 및 타겟 스텐트(730)가 검출되면, 수치 연산부(260)는 타겟 스텐트(730)의 위치, 혈관 내벽(710) 및 신생 내막의 경계선(720)을 이용하여, 타겟 스텐트의 돌출 거리(PD) 및 오부착 거리(MD)와 신생 내막의 두께(NT)를 계산할 수 있다.
타겟 스텐트의 두께는 시술된 스텐트의 스펙 정보로부터 획득될 수 있다.
도 8은 본 발명의 일실시예에 따른 혈관 촬영 영상을 이용한 혈관 분석 방법을 설명하기 위한 도면이다. 도 9는 스텐트 검출을 위한 다중 계층 인공 신경망을 도시하는 도면이다. 도 8에서는 도 1에서 설명된 혈관 분석 장치의 혈관 분석 방법이 일실시예로서 설명된다.
본 발명에 따른 혈관 분석 장치는 타겟 혈관에 대한 혈관 단층 촬영 영상에서, 지역 최대 밝기 값을 포함하는 스텐트 후보군을 결정(S810)하고, 타겟 혈관에 대한 혈관 단층 촬영 영상을 이용하여, 스텐트 후보군에 대한 제1특성 정보를 추출(S820)한다.
그리고 혈관 분석 장치는 제1특성 정보와, 혈관 단층 촬영 영상으로부터 생성된 레퍼런스 스텐트에 대한 제2특성 정보를 이용하여, 스텐트 후보군에서 타겟 스텐트를 검출(S830)한다. 일실시예로서, 혈관 분석 장치는 제1특성 정보와 제2특성 정보를 비교하고, 유사한 특성을 나타내거나 특성이 매칭되는 스텐트를 스텐트 후보군에서 타겟 스텐트로 검출할 수 있으며, 이를 위해 인공 신경망을 이용할 수 있다.
일실시예로서, 본 발명에서 이용되는 인공 신경망은 도 9에 도시된 바와 같이, 입력층(L1), 은닉층(L2) 및 출력층(L3)으로 구성될 수 있다. 인공 신경망은 최근 딥러닝(deep learning) 관련하여 많이 이용되고 있는 기술로서, 훈련(training) 모드에서 노드를 연결하는 연결선의 가중치가 조정되며, 분류(classification) 모드에서 입력값에 대해 참값(true) 또는 거짓값(false)으로 분류가 수행된다.
본 발명에서는 훈련 모드에서 제2특성 정보가 이용되며, 분류 모드에서 입력층으로 스텐트 후보군에 대한 제1특성 정보가 입력된다. 인공 신경망의 훈련을 위해, [표 1]에 표시된 특성 정보 중에서 선택된 제2특성 정보가 이용될 수 있다. 훈련 및 분류 과정의 반복을 통해, 분류 성능이 가장 좋은 특성 정보가 선택될 수 있다.
제1특성 정보는 입력층에서 입력되어 은닉층을 거쳐 출력층으로 전달되며, 각각의 노드는 가중치와 입력값을 이용하여 기 설정된 연산을 수행한다. 최종적으로 출력층은 제2특성 정보와 유사한 제1특성 정보를 나타내는 스텐트를 타겟 스텐트로 분류하는 결과를 출력할 수 있다.
입력층의 노드의 개수는 입력되는 제1특성 정보의 개수에 따라 결정될 수 있으며, [표 1]에서 * 표시가 된 특성 정보가 제1특성 정보로 이용될 경우, 11개의 노드가 이용될 수 있다. 은닉층의 개수 및 은닉층의 노드의 개수는 인공 신경망 알고리즘에 따라 다양하게 설정될 수 있으며, 출력층의 노드는 최종적으로 분류되는 값에 따라 결정될 수 있다.
정리하면, 혈관 분석 장치는 제2특성 정보를 통해 훈련된 인공신경망에 대해, 제1특성 정보를 입력값으로 이용하여, 상기 타겟 스텐트를 검출할 수 있다.
한편, 실시예에 따라서 본 발명에 따른 혈관 분석 방법은 타겟 혈관에 대한 혈관 단층 촬영 영상에 대한 극좌표 변환을 수행하는 단계 및 변환 영상의 깊이 방향에 대한 1차 경사 영상을 이용하여, 기 설정된 밝기 값을 나타내는 부분을 혈관 내벽 및 신생 내막의 경계선으로 결정하는 단계를 더 포함할 수 있다.
또한 실시예에 따라서 본 발명에 따른 혈관 분석 방법은 타겟 스텐트의 위치, 상기 혈관 내벽 및 신생 내막의 경계선을 이용하여, 타겟 스텐트의 돌출 거리 및 오부착 거리 그리고 신생 내막의 두께를 계산하는 단계를 더 포함할 수 있다.
도 10은 본 발명에 따라 계산된 스텐트의 돌출 거리 및 신생 내막 두께와 수동으로 계산된 스텐트의 돌출 거리 및 신생 내막 두께의 상관 계수 측정 및 블랜드-앨트먼(Bland-Altman) 분석 결과를 도시하는 도면이다. 그리고 도 11은 비교적 작은 수준의 스텐트의 돌출 거리 및 신생 내막 두께에 대한 상관 계수 측정 및 블랜드-앨트먼 분석 결과를 도시하는 도면이다.
수동 계산은 해당 분야의 전문가인 심혈관내과 의사 및 심혈관 OCT 연구원(R1, R2)에 의해 이루어졌으며, 본 발명에 따른 계산 결과는 [표 1]에서 * 표시가 된 특성 정보를 통해 계산된 결과이다. 도 10 및 도 11에 도시된 바와 같이, 본 발명에 따른 계산 결과(Algorithm)와 수동 계산 결과는 매우 큰 상관 관계를 나타냄을 확인할 수 있으며, 큰 편차없는 계산 결과가 도출되었음을 확인할 수 있다.
한편, [표 2]는 전문가(R1, R2)에 의한 스텐트 검출 결과 및 본 발명에 따른 스텐트 검출 결과(Algorithm)에 대한 양성 예측도(PPV, Positive Predictive Value)와 진양성률(TPR, True Positive Rate)를 나타내며, 신생내막 유무(Uncovered, Covered), 스텐트 주변의 조직의 종류(Fibrotic, Lipid, Calcification, Side-Branch, Thrombus, Arterial Dissection) 및 영상의 질(Suboptimal Quality) 등에 따른 다양한 환경에서의 양성 예측도 및 진양성률을 나타낸다.
[표 2]에 기재된 바와 같이, 본 발명에 따른 스텐트 검출 결과는 전문가에 의한 수동 검출 결과 대비 96.5%의 양성 예측도와 92.9%의 진양성률을 나타내며, 매우 높은 정확도를 나타냄을 알 수 있다.
Figure 112016021074410-pat00006
앞서 설명한 기술적 내용들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예들을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 하드웨어 장치는 실시예들의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.

Claims (15)

  1. 혈관 분석 장치의 혈관 촬영 영상을 이용한 혈관 분석 방법에 있어서,
    타겟 혈관에 대한 혈관 단층 촬영 영상에서, 지역 최대 밝기 값을 포함하는 스텐트 후보군을 결정하는 단계;
    상기 타겟 혈관에 대한 혈관 단층 촬영 영상을 이용하여, 상기 스텐트 후보군에 대한 제1특성 정보를 추출하는 단계; 및
    상기 제1특성 정보와, 혈관 단층 촬영 영상으로부터 생성된 레퍼런스 스텐트에 대한 제2특성 정보를 이용하여, 상기 스텐트 후보군에서 타겟 스텐트를 검출하는 단계
    를 포함하는 혈관 촬영 영상을 이용한 혈관 분석 방법.
  2. 제 1항에 있어서,
    상기 제1 및 제2특성 정보는
    통계적 특성 정보 및 기하학적 특성 정보 중 적어도 하나 이상을 포함하는
    혈관 촬영 영상을 이용한 혈관 분석 방법.
  3. 제 2항에 있어서,
    상기 통계적 특성 정보는
    상기 혈관 단층 촬영 영상에 대한 통계적 특성 정보; 및
    상기 혈관 단층 촬영 영상의 경사 영상에 대한 통계적 특성 정보
    를 포함하는 혈관 촬영 영상을 이용한 혈관 분석 방법.
  4. 제 3항에 있어서,
    상기 통계적 특성 정보는
    최대 밝기값, 중앙 밝기값, 평균 밝기값, 밝기 분산값, 밝기 변동계수, 밝기 왜도값 및 밝기 첨도값 중 적어도 하나 이상을 포함하는
    혈관 촬영 영상을 이용한 혈관 분석 방법.
  5. 제 3항에 있어서,
    상기 경사 영상은
    상기 혈관 단층 촬영 영상을 극좌표계로 변환한 영상의 깊이 방향에 대한 2차 경사 영상인
    혈관 촬영 영상을 이용한 혈관 분석 방법.
  6. 제 2항에 있어서,
    상기 기하학적 특성 정보는
    상기 혈관 단층 촬영 영상에 대한 기하학적 특성 정보이며,
    상기 기하학적 특성 정보는
    밝기 값에 따른 스텐트의 길이, 스텐트의 제1밝기 값 및 제2밝기 값 사이의 관계 정보 중 적어도 하나 이상을 포함하는
    혈관 촬영 영상을 이용한 혈관 분석 방법.
  7. 제 1항에 있어서,
    상기 스텐트 후보군에서 타겟 스텐트를 검출하는 단계는
    상기 제2특성 정보를 통해 훈련된 인공신경망에 대해, 상기 제1특성 정보를 입력값으로 이용하여, 상기 타겟 스텐트를 검출하는
    혈관 촬영 영상을 이용한 혈관 분석 방법.
  8. 제 1항에 있어서,
    타겟 혈관에 대한 혈관 단층 촬영 영상에 대한 극좌표 변환을 수행하는 단계; 및
    상기 극좌표 변환 영상의 깊이 방향에 대한 1차 경사 영상을 이용하여, 기 설정된 밝기 값을 나타내는 부분을 혈관 내벽 또는 신생 내막의 경계선으로 결정하는 단계
    를 포함하는 혈관 촬영 영상을 이용한 혈관 분석 방법.
  9. 제 8항에 있어서,
    상기 타겟 스텐트의 위치, 상기 혈관 내벽 및 신생 내막의 경계선을 이용하여, 상기 타겟 스텐트의 돌출 거리(Protrusion distance) 및 오부착 거리(Malapposition distance) 그리고 상기 신생 내막의 두께(Neointimal thickness)를 계산하는 단계
    를 더 포함하는 혈관 촬영 영상을 이용한 혈관 분석 방법.
  10. 타겟 혈관에 대한 혈관 단층 촬영 영상을 입력받는 영상 입력부;
    상기 타겟 혈관에 대한 혈관 단층 촬영 영상에서, 지역 최대 밝기 값을 포함하는 스텐트 후보군을 결정하는 후보군 결정부;
    상기 타겟 혈관에 대한 혈관 단층 촬영 영상을 이용하여, 상기 스텐트 후보군에 대한 제1특성 정보를 추출하는 특성 정보 추출부; 및
    상기 제1특성 정보와, 혈관 단층 촬영 영상으로부터 생성된 레퍼런스 스텐트에 대한 제2특성 정보를 이용하여, 상기 스텐트 후보군에서 타겟 스텐트를 검출하는 스텐트 검출부
    를 포함하는 혈관 촬영 영상을 이용한 혈관 분석 장치.
  11. 제 10항에 있어서,
    상기 제1 및 제2특성 정보는
    통계적 특성 정보 및 기하학적 특성 정보 중 적어도 하나 이상을 포함하는
    혈관 촬영 영상을 이용한 혈관 분석 장치.
  12. 제 11항에 있어서,
    상기 통계적 특성 정보는
    최대 밝기값, 중앙 밝기값, 평균 밝기값, 밝기 분산값, 밝기 변동계수, 밝기 왜도값 및 밝기 첨도값 중 적어도 하나 이상을 포함하는
    혈관 촬영 영상을 이용한 혈관 분석 장치.
  13. 제 11항에 있어서,
    상기 기하학적 특성 정보는
    상기 혈관 단층 촬영 영상에 대한 기하학적 특성 정보이며,
    상기 기하학적 특성 정보는
    밝기 값에 따른 스텐트의 길이, 스텐트의 제1밝기 값 및 제2밝기 값 사이의 관계 정보 중 적어도 하나 이상을 포함하는
    혈관 촬영 영상을 이용한 혈관 분석 장치.
  14. 제 10항에 있어서,
    상기 스텐트 검출부는
    상기 제2특성 정보를 통해 훈련된 인공신경망에 대해, 상기 제1특성 정보를 입력값으로 이용하여, 상기 타겟 스텐트를 검출하는
    혈관 촬영 영상을 이용한 혈관 분석 장치.
  15. 제 10항에 있어서,
    타겟 혈관에 대한 혈관 단층 촬영 영상에 대한 극좌표 변환을 수행하는 전처리부;
    상기 극좌표 변환 영상의 깊이 방향에 대한 1차 경사 영상을 이용하여, 기 설정된 밝기 값을 나타내는 부분을 혈관 내벽 및 신생 내막의 경계선으로 결정하는 혈관 내벽 추출부; 및
    상기 타겟 스텐트의 위치, 상기 혈관 내벽 및 신생 내막의 경계선을 이용하여, 상기 타겟 스텐트의 돌출 거리(Protrusion distance) 및 오부착 거리(Malapposition distance) 그리고 상기 신생 내막의 두께(Neointimal thickness)를 계산하는 수치 연산부
    를 더 포함하는 혈관 촬영 영상을 이용한 혈관 분석 장치.
KR1020160026145A 2016-03-04 2016-03-04 혈관 촬영 영상을 이용한 혈관 분석 방법 및 장치 KR101971764B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020160026145A KR101971764B1 (ko) 2016-03-04 2016-03-04 혈관 촬영 영상을 이용한 혈관 분석 방법 및 장치
PCT/KR2017/002213 WO2017150894A1 (ko) 2016-03-04 2017-02-28 혈관 촬영 영상을 이용한 혈관 분석 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160026145A KR101971764B1 (ko) 2016-03-04 2016-03-04 혈관 촬영 영상을 이용한 혈관 분석 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20170104065A KR20170104065A (ko) 2017-09-14
KR101971764B1 true KR101971764B1 (ko) 2019-04-24

Family

ID=59743021

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160026145A KR101971764B1 (ko) 2016-03-04 2016-03-04 혈관 촬영 영상을 이용한 혈관 분석 방법 및 장치

Country Status (2)

Country Link
KR (1) KR101971764B1 (ko)
WO (1) WO2017150894A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102058348B1 (ko) * 2017-11-21 2019-12-24 서울여자대학교 산학협력단 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 장치 및 방법
KR102143940B1 (ko) 2018-04-03 2020-08-13 고려대학교 산학협력단 다기능 신경망을 활용한 혈관탐지 및 망막부종진단 장치 및 그 방법
KR102343889B1 (ko) * 2019-08-05 2021-12-30 재단법인 아산사회복지재단 초음파 영상 기반의 기계 학습을 통한 관상동맥 병변 진단 시스템 및 이의 진단 방법
KR102246966B1 (ko) * 2020-01-29 2021-04-30 주식회사 아티큐 신체의 목적 타겟 위치 확인 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100094127A1 (en) 2008-10-14 2010-04-15 Lightlab Imaging, Inc. Methods for stent strut detection and related measurement and display using optical coherence tomography
KR101462402B1 (ko) 2014-03-25 2014-11-17 연세대학교 산학협력단 심혈관oct영상생성방법 및 이를 이용한 스텐트 검출방법
JP2015150369A (ja) 2014-02-19 2015-08-24 株式会社ワイディ ステント検出装置、ステント画像表示装置、およびそのプログラムと方法。

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9307926B2 (en) * 2012-10-05 2016-04-12 Volcano Corporation Automatic stent detection
KR101427028B1 (ko) * 2013-01-15 2014-08-05 연세대학교 산학협력단 스텐트가 삽입된 혈관 분석 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100094127A1 (en) 2008-10-14 2010-04-15 Lightlab Imaging, Inc. Methods for stent strut detection and related measurement and display using optical coherence tomography
JP2015150369A (ja) 2014-02-19 2015-08-24 株式会社ワイディ ステント検出装置、ステント画像表示装置、およびそのプログラムと方法。
KR101462402B1 (ko) 2014-03-25 2014-11-17 연세대학교 산학협력단 심혈관oct영상생성방법 및 이를 이용한 스텐트 검출방법

Also Published As

Publication number Publication date
WO2017150894A1 (ko) 2017-09-08
KR20170104065A (ko) 2017-09-14

Similar Documents

Publication Publication Date Title
US9355474B2 (en) Method of processing optical coherence tomography images
US7801343B2 (en) Method and apparatus for inner wall extraction and stent strut detection using intravascular optical coherence tomography imaging
Plissiti et al. An automated method for lumen and media-adventitia border detection in a sequence of IVUS frames
JP6898927B2 (ja) 血管内画像における影の検出および検証
Faraji et al. Segmentation of arterial walls in intravascular ultrasound cross-sectional images using extremal region selection
JP5498299B2 (ja) ２次元超音波映像に対応する２次元ｃｔ映像を提供するシステムおよび方法
CN106780495B (zh) 基于oct的心血管植入支架自动检测与评估方法及***
KR101971764B1 (ko) 혈관 촬영 영상을 이용한 혈관 분석 방법 및 장치
US11071489B2 (en) Annotation of a wavefront with evaluation of the ratio of a bipolar derivative to a local unipolar minimum derivative
Nam et al. Automated detection of vessel lumen and stent struts in intravascular optical coherence tomography to evaluate stent apposition and neointimal coverage
CN107613874A (zh) 用于评估血管狭窄的方法和装置
KR101697880B1 (ko) 적응적 임계값 영상분할을 이용한 ct 영상 동맥경화반 용적 측정방법 및 장치
Chiastra et al. Reconstruction of stented coronary arteries from optical coherence tomography images: Feasibility, validation, and repeatability of a segmentation method
Pociask et al. Fully automated lumen segmentation method for intracoronary optical coherence tomography
EP4045138A1 (en) Systems and methods for monitoring the functionality of a blood vessel
CN110060261B (zh) 一种基于光学相干层析成像***的血管分割方法
JP2015150369A (ja) ステント検出装置、ステント画像表示装置、およびそのプログラムと方法。
Cheng et al. Detection of arterial calcification in mammograms by random walks
KR101366341B1 (ko) 비모수적 확률 모델과 스무딩 함수를 이용한 혈관 내 초음파 영상에서 내강 경계면 자동 분할 방법
Tung et al. Automatic detection of coronary stent struts in intravascular OCT imaging
Zahnd et al. Semi-automated quantification of fibrous cap thickness in intracoronary optical coherence tomography
Lee et al. Automatic Detection of Dense Calcium and Acoustic Shadow in Intravascular Ultrasound Images by Dual-threshold-based Segmentation Approach.
Filho et al. Automated calcification detection and quantification in intravascular ultrasound images by adaptive thresholding
Huang et al. Automatic side branch detection in optical coherence tomography images using adjacent frame correlation information
US20230005139A1 (en) Fibrotic Cap Detection In Medical Images

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant