KR101978317B1 - Ｃｔ 영상 데이터베이스 기반 심장 영상의 영역화 방법 및 그 장치 - Google Patents

Ｃｔ 영상 데이터베이스 기반 심장 영상의 영역화 방법 및 그 장치 Download PDF

Info

Publication number
KR101978317B1
KR101978317B1 KR1020170026147A KR20170026147A KR101978317B1 KR 101978317 B1 KR101978317 B1 KR 101978317B1 KR 1020170026147 A KR1020170026147 A KR 1020170026147A KR 20170026147 A KR20170026147 A KR 20170026147A KR 101978317 B1 KR101978317 B1 KR 101978317B1
Authority
KR
South Korea
Prior art keywords
image
heart
database
prediction model
images
Prior art date
Application number
KR1020170026147A
Other languages
English (en)
Other versions
KR20180099119A (ko
Inventor
장혁재
하성민
홍윤미
홍영택
정성희
전병환
장영걸
김세근
Original Assignee
연세대학교 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 연세대학교 산학협력단 filed Critical 연세대학교 산학협력단
Priority to KR1020170026147A priority Critical patent/KR101978317B1/ko
Publication of KR20180099119A publication Critical patent/KR20180099119A/ko
Application granted granted Critical
Publication of KR101978317B1 publication Critical patent/KR101978317B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/503—Clinical applications involving diagnosis of heart
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5288—Devices using data or image processing specially adapted for radiation diagnosis involving retrospective matching to a physiological signal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Abstract

컴퓨터 단층촬영(CT; computed tomography) 영상 데이터베이스에 기반하여 심장 영상을 영역화하기 위한 방법이 제시된다. 상기 방법은, 후향적 동조화(retrospective gating) 기법으로 촬영된 심장의 전체 주기 영상의 데이터베이스(database)를 구축하는 단계; 상기 구축된 데이터베이스를 딥 러닝(deep learning) 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하는 단계; 및 전향적 동조화(prospective gating) 기법으로 촬영된 심장 영상에 상기 심장 영상 영역화 예측 모델을 적용함으로써 심장의 전체 주기 영상을 획득하는 단계를 포함할 수 있다.

Description

ＣＴ 영상 데이터베이스 기반 심장 영상의 영역화 방법 및 그 장치{CT IMAGE DATABASE-BASED CARDIAC IMAGE SEGMENTATION METHOD AND AN APPARATUS THEREOF}
본 발명은 CT 영상 데이터베이스 기반의 심장 영역 영역화 방법 및 그 장치에 관한 발명으로서, 보다 구체적으로는 후향적 동조화 기법으로 촬영된 심장의 전체 주기 영상으로 데이터베이스를 구축하고 이를 기계 학습시킴으로써 예측 모델을 생성하여 생성된 예측 모델에 전향적 동조화 기법으로 촬영된 심장의 영상을 적용함으로써 심장의 전체 주기 영상을 획득하는 CT 영상 데이터베이스 기반의 심장 영역 영역화 방법 및 그 장치에 관한 발명이다.
인간의 심장은 혈액을 효과적으로 방출하기 위해서 심근을 일정한 순서에 따라 작동시키는 명령 체계가 갖추어져 있다. 심장은 일정한 순서에 따라 수축과 이완을 반복하면서 동맥에 혈액을 공급하는 기능을 한다. 만약 심장이 정해진 순서에 따라 움직이지 않게 되면, 심장은 효율적으로 동맥에 혈액을 공급할 수 없게 된다. 참고로, 이와 같은 심장의 박동은 심장 세포 내의 세포 전압의 규칙적인 변화에 따라 심근 세포가 수축/이완함으로써 이루어진다.
이와 같이 심장은 인체에서 가장 중요한 기관 중 하나인데, 이러한 심장의 질환을 검사하기 위한 다양한 방법들이 의학계에서 시행되고 있다. 컴퓨터 단층촬영(computed tomography; CT)은 인체의 많은 기관들을 실물 모양대로 촬영함으로써 의료 현장에서의 진료에 많은 도움을 주고 있는 촬영 기법이다.
하지만, 심장은 분당 60회 내지 100회로 비교적 빠르게 박동하기 때문에 과거의 컴퓨터 단층촬영 장비로는 심장 영상을 제대로 획득하지 못하였다. 최근에 들어서는 컴퓨터 단층촬영 기술이 급격하게 발전함에 따라 끊임없이 박동하고 있는 심장도 정밀하게 촬영하는 것이 가능하게 되고, 특히 심장 검사에 많이 사용되고 있는 64채널 다검출기 컴퓨터 단층촬영(64 channel MDCT)은 음성 예측율이 높다는 장점이 있다.
이와 관련하여, 인체의 다른 기관과 비교하여 심장은 지속적으로 움직이는 구조를 가지기 때문에, 일반적으로 CT 촬영시에 ECG(electrocardiogram; 심전도) 동조화 방식을 통해 심장의 움직임이 가장 적은 순간을 예측하여 해당 시점에서 심장을 촬영함으로써 심장 영상을 획득하는 방식을 취하고 있다.
도 1은 이러한 일반적인 심장의 주기, 및 이러한 심장 주기에 따른 영상 획득의 예를 도시한다.
심장의 주기는 크게 수축기(systole) 및 이완기(diastole)로 이루어지고, 도 1에 도시된 바와 같이 심장은 분당 60회 내지 100회의 심박수로 수축기와 이완기를 반복하게 된다.
심실의 구출분획(驅出分劃; ejection fraction)을 평가하기 위해서는 이완기 말기의 볼륨(volume)(예컨대, 도 1의 (a)) 및 수축기 말기의 볼륨(예컨대, 도 1의 (b))을 획득해야만 하고, 획득된 심장 수축기/이완기 볼륨의 비교를 통해서 예컨대 비대성 심근증(hypertrophic cardiomypathy) 등을 판단할 수 있다.
이러한 심장의 수축기와 이완기를 판단하는 척도로서 심장 R-R 주기를 측정하는 심전도 동조화(ECG gating) 장비를 사용하는데, 이 심전도 동조화 장비를 이용하여 획득된 주기 정보를 이용하여 수축기 말기 및 이완기 말기의 심장 촬영을 수행하는 방식이 전향적 동조화(prosepctive gating) 기법이다.
상기 전향적 동조화 기법의 경우, 환자의 방사선 피폭량이 적다는 장점이 있으나 촬영시 적절한 타이밍을 맞추지 못한다면 심장을 재촬영해야 한다는 문제점이 있다.
심장의 다른 촬영 방식으로서 후향적 동조화(retrospective gating) 기법이 있는데, 이는 환자 심장 주기에 무관하게 환자의 심장을 연속적으로 촬영한 후에 저장된 심전도를 이용하여 R-R 주기를 소정의 개수로(예컨대, 10번) 분할하여 촬영하는 방식이다.
이 방식은 심장의 전체 주기에서 복수 회 촬영을 수행하므로 재촬영의 문제가 발생하지는 않지만, 촬영의 횟수가 증가함에 따라 환자의 방사선 피폭량이 매우 증가한다는 치명적인 단점이 있다. 이러한 문제를 해결하기 위해서 수축기 말기와 이완기 말기 때에만 높은 선량을 통해 고화질의 영상을 획득하고 나머지 부분에서는 낮은 선량을 통해 전체 주기의 영상을 확보하는 방법도 사용되고 있으나, 전향적 동조화 기법보다 더 높은 방사선의 피폭량의 문제 그리고 낮은 선량으로 인한 저화질 영상의 문제가 여전히 존재한다.
[특허 문헌 1] 대한민국등록특허번호 제10-1619802호(발명의 명칭: "심장 좌심실의 3차원 영상 생성 방법 및 그 장치")
그러므로, 본 발명은 상기한 문제점들을 해결하고자 안출된 것으로서, 본 발명은 CT 촬영을 위한 방사선 피폭량을 최소한으로 유지하면서도 동시에 고화질의 심장 주기 전체 영상을 확보할 수 있는 CT 영상 데이터베이스 기반 심장 영상의 영역화 방법 및 그 장치를 제공하는 것을 목적으로 한다.
상기한 기술적 과제를 해결하기 위한 본 발명의 일 실시예에 따른 컴퓨터 단층촬영(CT; computed tomography) 영상 데이터베이스에 기반하여 심장 영상을 영역화하기 위한 방법은, 후향적 동조화(retrospective gating) 기법으로 촬영된 심장의 전체 주기 영상의 데이터베이스(database)를 구축하는 단계; 상기 구축된 데이터베이스를 딥 러닝(deep learning) 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하는 단계; 및 전향적 동조화(prospective gating) 기법으로 촬영된 심장 영상에 상기 심장 영상 영역화 예측 모델을 적용함으로써 심장의 전체 주기 영상을 획득하는 단계를 포함할 수 있다.
또한, 본 발명의 다른 실시예에 따른 CT 영상 데이터베이스에 기반하여 심장 영상을 영역화하기 위한 방법은, 후향적 동조화 기법으로 촬영된 심장의 전체 주기 영상의 데이터베이스를 구축하는 단계; 상기 구축된 데이터베이스를 딥 러닝 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하는 단계; 및 상기 후향적 동조화 기법으로 촬영되고, 제1 CT 선량을 갖는 영상 및 상기 제1 CT 선량보다 적은 제2 CT 선량을 갖는 저화질의 영상이 혼합된 심장 영상에 상기 심장 영상 영역화 예측 모델을 적용함으로써 고화질의 심장의 전체 주기 영상을 획득하는 단계를 포함할 수 있다.
여기서, 상기 구축된 데이터베이스를 딥 러닝 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하는 단계는, 복수의 상기 심장의 전체 주기 영상 각각으로부터 합성곱 신경망(CNN)을 이용하여 심장 영상을 추출하는 단계; 상기 추출된 심장 영상 각각을 순환 신경망(RNN)을 이용하여 기계 학습(machine training)시키는 단계; 및 상기 기계 학습된 심장 영상들에 기초하여 상기 심장 영상 영역화 예측 모델을 구축하는 단계를 포함할 수 있다.
여기서, 상기 추출된 심장 영상 각각을 순환 신경망(RNN)을 이용하여 기계 학습(machine training)시키는 단계는, 상기 추출된 심장 영상 각각에 대해 LSTM(Long Short Term Memory)을 적용하는 단계; 및 상기 LSTM이 적용된 심장 영상 각각에 예측 가중치(predicted weight)를 부여하는 단계를 포함할 수 있다.
여기서, 상기 전향적 동조화 기법으로 촬영된 심장 영상은, 심장의 수축기 말기의 영상 및 상기 심장의 이완기 말기의 영상 중 적어도 하나를 포함할 수 있다.
또한, 본 발명의 일 실시예에 따른 영상 처리 장치는, 심장의 CT 영상을 수신하도록 구성되는 영상 수신부와, 상기 영상 수신부에서 수신된 심장 CT 영상을 처리하도록 구성되는 영상 처리부와, 상기 영상 처리부에서 영상 처리된 심장 영상을 디스플레이하도록 구성되는 디스플레이부와, 그리고 상기 영상 수신부, 상기 영상 처리부 및 상기 디스플레이부를 제어하도록 구성되는 제어부를 포함하고, 상기 영상 처리부는, 후향적 동조화 기법으로 촬영된 심장의 전체 주기 영상의 데이터베이스를 구축하도록 구성되는 데이터베이스 구축유닛; 상기 구축된 데이터베이스를 딥 러닝 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하도록 구성되는 예측모델 생성유닛; 및 전향적 동조화 기법으로 촬영된 심장 영상에 상기 심장 영상 영역화 예측 모델을 적용함으로써 심장의 전체 주기 영상을 획득하도록 구성되는 영상획득유닛을 포함할 수 있다.
또한, 본 발명의 다른 실시예에 따른 영상 처리 장치는, 심장의 CT 영상을 수신하도록 구성되는 영상 수신부와, 상기 영상 수신부에서 수신된 심장 CT 영상을 처리하도록 구성되는 영상 처리부와, 상기 영상 처리부에서 영상 처리된 심장 영상을 디스플레이하도록 구성되는 디스플레이부와, 그리고 상기 영상 수신부, 상기 영상 처리부 및 상기 디스플레이부를 제어하도록 구성되는 제어부를 포함하고, 상기 영상 처리부는, 후향적 동조화 기법으로 촬영된 심장의 전체 주기 영상의 데이터베이스를 구축하도록 구성되는 데이터베이스 구축유닛; 상기 구축된 데이터베이스를 딥 러닝 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하도록 구성되는 예측모델 생성유닛; 및 상기 후향적 동조화 기법으로 촬영되고, 제1 CT 선량을 갖는 영상 및 상기 제1 CT 선량보다 적은 제2 CT 선량을 갖는 영상이 저화질의 혼합된 심장 영상에 상기 심장 영상 영역화 예측 모델을 적용함으로써 고화질의 심장의 전체 주기 영상을 획득하도록 구성되는 영상획득유닛을 포함할 수 있다.
여기서, 상기 예측모델 생성유닛은, 복수의 상기 심장의 전체 주기 영상 각각으로부터 합성곱 신경망(CNN)을 이용하여 심장 영상을 추출하도록 구성되는 심장영상 추출유닛; 상기 추출된 심장 영상 각각을 순환 신경망(RNN)을 이용하여 기계 학습(machine training)시키도록 구성되는 기계학습유닛; 및 상기 기계 학습된 심장 영상들에 기초하여 상기 심장 영상 영역화 예측 모델을 구축하도록 구성되는 예측모델 구축유닛을 포함할 수 있다.
여기서, 상기 기계학습유닛은, 상기 추출된 심장 영상 각각에 대해 LSTM(Long Short Term Memory)을 적용하고, 그리고 상기 LSTM이 적용된 심장 영상 각각에 예측 가중치를 부여하도록 구성될 수 있다.
여기서, 상기 전향적 동조화 기법으로 촬영된 심장 영상은, 심장의 수축기 말기의 영상 및 상기 심장의 이완기 말기의 영상 중 적어도 하나를 포함할 수 있다.
본 발명의 일 실시예에 따른 CT 영상 데이터베이스 기반 심장 영상의 영역화 방법 및 그 장치에 의하면, CT 촬영을 위한 방사선 피폭량을 최소한으로 유지하면서도 동시에 고화질의 심장 주기 전체 영상을 확보하는 것이 가능하다.
도 1은 일반적인 심장의 박동 주기 및 이완기/수축기의 영상을 예시적으로 도시한다.
도 2는 본 발명의 일 실시예에 따른 CT 영상 데이터베이스에 기반한 심장 영상 영역화 예측 모델의 생성을 설명하기 위한 개략도이다.
도 3a 내지 도 3c는 도 2에서 생성된 예측 모델을 이용하여 고화질의 심장 전체 주기 영상을 획득하는 과정을 설명하기 위한 개략도이다.
도 4a 및 도 4b는 본 발명의 일 실시예에 따른 CT 영상 데이터베이스 기반 심장 영상의 영역화 방법을 설명하는 순서도이다.
도 5는 도 4의 예측모델 생성단계(S420)의 세부 순서도이다.
도 6a는 본 발명의 일 실시예에 따른 CT 영상 데이터베이스 기반 심장 영상의 영역화 방법을 수행하도록 구성되는 영상 처리 장치의 블록도이고, 도 6b는 도 6a의 예측모델 생성유닛(632)의 세부적인 블록도이다.
이하 본 발명의 바람직한 실시예들의 상세한 설명이 첨부된 도면들을 참조하여 설명될 것이다. 도면들 중 동일한 구성들은 가능한 한 어느 곳에서든지 동일한 부호들을 나타내고 있음을 유의하여야 한다. 이하의 설명에서 구체적인 특정 사항들이 나타나고 있는데, 이는 본 발명의 보다 전반적인 이해를 돕기 위해 제공된 것이다. 그리고 본 발명을 설명함에 있어, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명은 생략한다.
본 명세서에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 본 발명이 속하는 기술 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 본 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 명세서에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 명세서의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
도 2는 본 발명의 일 실시예에 따른 CT 영상 데이터베이스에 기반한 심장 영상 영역화 예측 모델의 생성을 설명하기 위한 개략도이고, 도 3a 내지 도 3c는 도 2에서 생성된 예측 모델을 이용하여 고화질의 심장 전체 주기 영상을 획득하는 과정을 설명하기 위한 개략도이며, 도 4a 및 도 4b는 본 발명의 일 실시예에 따른 CT 영상 데이터베이스 기반 심장 영상의 영역화 방법을 설명하기 위한 순서도를 도시한다.
도 2 내지 도 4를 참조하면, 먼저 본 발명의 일 실시예에 따른 CT 영상 데이터베이스 기반 심장 영상의 영역화 방법은, 후향적 동조화 기법으로 촬영된 심장의 전체 주기 영상의 데이터베이스를 구축하는 단계(S410); 상기 구축된 데이터베이스를 딥 러닝 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하는 단계(S420); 및 전향적 동조화 기법으로 촬영된 심장 영상에 상기 심장 영상 영역화 예측 모델을 적용함으로써 심장의 전체 주기 영상을 획득하는 단계(S430)를 포함할 수 있다.
참고로, 이하의 설명에서는 본 발명의 용이한 이해를 위해서 심장의 좌심실(left ventricle) 영상을 일 예로서 설명하지만, 본 발명에서 기술하는 영상 처리 방법의 일련의 단계들이 심장의 우심실(right ventricle), 좌심방(left atrium), 우심방(right atrium) 등의 다른 심장 영역의 영상들에도 동일하게 적용될 수 있음은 명백할 것이다.
또한, 이하의 설명에서는 본 발명의 용이한 이해를 위해 컴퓨터 단층촬영(CT) 영상을 일 예로서 기술하지만, X-선(X-ray) 영상, 초음파(ultrasonic wave) 영상, 자기공명영상(MRI; magnetic resonance imaging) 등 다른 촬영 기법에 의한 영상들에도 본 발명에 따른 실시예들이 동등하게 적용될 수 있음은 명백할 것이다.
본 발명의 일 실시예에 따른 영상 영역화 방법을 구체적으로 기술하면, 먼저, 후향적 동조화 기법으로 촬영된 심장의 전체 주기 영상의 데이터베이스를 구축하는 단계(S410)가 수행될 수 있다. 여기서, 상기 후향적 동조화(retrospective gating) 기법은 환자 심장 주기에 무관하게 환자의 심장을 연속적으로 촬영한 후에 저장된 심전도를 이용하여 R-R 주기를 소정의 개수(예컨대, 10개)로 분할하여 촬영하는 방식을 의미한다.
도 2에 예시적으로 도시된 입력(10)은 이러한 후향적 동조화 기법으로 촬영된 심장의 전체 주기 영상을 포함하는데, 이하에서는 본 발명의 용이한 이해를 위해 '10개 영상'을 예시적으로 기술하지만 심장 전체 주기 내의 영상 분할의 개수는 다양한 실시예들에 따라 가변될 수 있음은 명백할 것이다.
또한, 본 발명에 따른 실시예들의 용이한 이해를 위해, 10개의 촬영 영상들 각각에 대해서 "0% x1", "10% x2", "20% x3", "30% x4", "40% x5", "50% x6", "60% x7", "70% x8", "80% x9" 및 "90% x10"을 각각 표시하였다.
본 발명의 일 실시예에 따른 데이터베이스(DB)는 계층형 데이터베이스, 네트워크형 데이터베이스, 관계형 데이터베이스, NoSQL 데이터베이스 등 임의의 타입의 데이터베이스를 포함할 수 있다.
또한, 이러한 후향적 동조화 기법에 의해 촬영된 심장 전체 주기 영상의 데이터베이스화는 후술할 심장 영상 영역화 예측 모델 생성의 기초가 되며, 따라서 심장 전체 주기 영상의 데이터베이스화는 본 발명의 일 실시예에 따른 영상 영역화 방법을 구현함에 있어서 중요한 토대가 된다. 참고로, 이러한 심장 영상의 데이터베이스(DB) 구축은 개인별로, 연령별로, 성별로, 지역별로, 등 다양한 실시예들에 따라 다양한 방식으로 수행될 수 있다.
후향적 동조화 기법으로 촬영된 심장의 전체 주기 영상의 데이터베이스가 구축되면(S410), 그 구축된 데이터베이스를 딥 러닝(deep learning) 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하는 단계(S420)가 수행될 수 있다.
보다 구체적으로, 심장 영상 영역화 예측 모델을 생성하는 단계(S420)는, 복수의 심장의 전체 주기 영상 각각으로부터 합성곱 신경망(CNN)을 이용하여 심장 영상을 추출하는 단계(S421); 상기 추출된 심장 영상 각각을 순환 신경망(RNN)을 이용하여 기계 학습시키는 단계(S422); 및 상기 기계 학습된 심장 영상들에 기초하여 상기 심장 영상 영역화 예측 모델을 구축하는 단계(S423)를 포함할 수 있다.
추가적으로, 상기 추출된 심장 영상 각각을 순환 신경망(RNN)을 이용하여 기계 학습시키는 단계(S422)는, 상기 추출된 심장 영상 각각에 대해 LSTM(Long Short Term Memory)을 적용하는 단계; 및 상기 LSTM이 적용된 심장 영상 각각에 예측 가중치를 부여하는 단계를 더 포함할 수 있다.
여기서, 합성곱 신경망(CNN; Convolutional Neural Network)(20)은 하나 또는 여러 개의 합성곱 레이어와 그 위에 올려진 일반적인 인공 신경망 레이어들로 이루어져 합성곱 레이어에서 전처리를 수행하는 구조를 갖는 신경망에 해당하며, 적용 예에 따라 컨볼루션 신경망, 회선 신경망, 뇌회로망 등으로 지칭될 수도 있다.
구축된 데이터베이스에 포함된 복수의 심장 전체 주기 영상들(예컨대, 도 2에서는 "10개"의 영상을 예시함) 각각에 대해서 합성곱 신경망(CNN)(20)의 딥 러닝 기술을 이용하여 기계 학습을 수행하면, 심장 영상들 각각으로부터 심장의 심장 영상만이 추출될 수 있다(S421). 참고로, 본 발명의 실시예들에는 합성곱 신경망(CNN)의 특징이 실질상 그대로 적용되므로, 본 단락에서는 합성곱 신경망(CNN)의 보다 상세한 설명은 생략하기로 한다.
복수의 심장 전체 주기 영상들로부터 합성곱 신경망(CNN)을 이용하여 심장 영상이 추출되면, 추출된 심장 영상 각각을 순환 신경망(RNN)(30)을 이용하여 기계 학습시키는 단계(S422)가 수행될 수 있다. 예컨대, 도 2에 도시된 바와 같이, 순환 신경망(RNN)을 이용한 기계 학습은, 추출된 심장 영상 각각에 대해 LSTM(Long Short Term Memory)(31)을 적용하는 단계와, 상기 LSTM이 적용된 심장 영상 각각에 예측 가중치(PW; predicted weight)(32)를 부여하는 단계를 포함할 수 있다.
참고로, 순환 신경망(RNN; Recurrent Neural Network)은 현재의 데이터와 과거의 데이터를 동시에 고려하는 딥 러닝 기법으로서, 순환 신경망(RNN)은 인공 신경망을 구성하는 유닛 사이의 연결이 방향성 사이클(directed cycle)을 구성하는 신경망을 나타낸다.
또한, 순환 신경망(RNN)은 임의의 입력을 처리하기 위해서 신경망 내부의 메모리를 활용할 수 있고, 이러한 특징에 의해 순환 신경망(RNN)은 필기체 인식 등의 분야에서 활용되며 높은 인식률을 갖는 장점이 있다.
참고로, 순환 신경망(RNN)을 구성할 수 있는 구조에는 다양한 방식이 사용될 수 있는데, 예컨대 완전순환망(Fully Recurrent Network), 홉필드망(Hopfield Network), 엘만망(Elman Network), ESN(Echo state network), LSTM(Long short term memory network), 양방향(Bi-directional) RNN, CTRNN(Continuous-time RNN), 계층적 RNN, 2차 RNN 등이 대표적인 예이다. 또한, 순환 신경망(RNN)을 학습시키기 위한 방법으로서, 경사 하강법, Hessian Free Optimization, Global Optimization Method 등의 방식이 사용될 수 있다.
도 2에 도시된 바와 같이, 본 발명의 실시예에 따른 기계 학습은 여러 순환 신경망(RNN) 방식들 중에서 LSTM(장단기 기억)(31)에 의해 구현됨을 예시한다. LSTM의 경우 장기 의존성(long-term dependencies)을 학습할 수 있는 특별한 종류의 순환 신경망(RNN)에 해당하며, LSTM(31)이 적용된 각각의 심장 영상에 예측 가중치(PW, 32)가 부여될 수 있다.
그러므로, 특정 시간(예컨대, t)의 영상은 순환 신경망(RNN)(30) 기반의 합성곱 신경망(CNN)(20)을 이용하여 기계 학습됨으로써, 상기 특정 시간 전(예컨대, t-1)/후(예컨대, t+1) 시간의 영상에 대한 정보를 예측 가중치의 비율만큼 또한 포함할 수 있다.
이와 같이, 순환 신경망(RNN)(30) 기반의 합성곱 신경망(CNN)(20)을 이용하여 기계 학습을 수행하는 결과로서 고화질의 출력(40)이 획득될 수 있고, 이렇게 획득된 심장 영상의 출력(40) 영상을 이용하여 심장 전체 주기의 영상을 예측할 수 있는 모델의 구축이 가능하게 된다.
도 3a 및 도 3b는 도 2에서 생성된 예측 모델을 이용하여 고화질의 심장 전체 주기 영상을 획득하는 과정을 설명하기 위한 개략도이다.
도 2에서 CT 영상 데이터베이스에 기반하여 심장 영상 영역화 예측 모델이 구축된 이후에, 도 3은 구축된 심장 영상 영역화 예측 모델(50)을 이용하여 심장의 전체 주기 영상을 획득하는 과정을 나타내는 예시도를 도시한다.
보다 구체적으로, 도 3a는 전향적 동조화 기법으로 촬영된 심장 영상(예컨대, 70% x8)에 심장 영상 영역화 예측 모델(50)을 적용함으로써 심장의 전체 주기 영상을 획득하는 실시예를 도시한다. 참고로, 이 경우에는 입력 영상의 형태와 주변 조직과의 명암도(intensity)를 고려하여 전체 주기의 심장 영상을 생성하게 된다.
또한, 도 3b는 후향적 동조화 기법으로 촬영되되 제1 CT 선량을 갖는 영상과 상기 제1 CT 선량보다 적은 제2 CT 선량을 갖는 영상이 혼합된 심장 영상(즉, 선량이 구별되는 복수의 심장 영상)에 상기 심장 영상 영역화 예측 모델(50)을 적용함으로써 심장의 전체 주기 영상을 획득(예컨대, 도 4b의 S430')하는 실시예를 예시적으로 도시한다. 참고로, 이 경우에는 입력 영상의 대략적인 형태를 고려한 예측모델링을 통해 고화질의 전체 주기 영상을 생성하게 된다.
참고로, 도 3a에서는 전향적 동조화 기법으로 촬영된 단일의 심장 영상을 예시로 도시하였지만, 본 발명의 추가의 실시예에 따르면 상기 심장 영상 영역화 예측 모델(50)에 입력되는 영상은, 전향적 동조화 기법으로 촬영된 심장의 수축기 말기의 영상 및 상기 심장의 이완기 말기의 영상 중 적어도 하나를 포함할 수 있다.
그러므로, 본 발명의 일 실시예에 따른 CT 영상 데이터베이스 기반 심장 영상의 영역화 방법에 따르면, 도 3a에 도시된 바와 같이 전향적 동조화 기법으로 획득한 영상을 이용하여 고화질의 심장의 전체 주기 영상을 확보하는 것이 가능하고, 또한 도 3b에 도시된 바와 같이 후향적 동조화 기법으로 획득되되 높은 선량과 낮은 선량이 구별되는 영상들을 이용하여 고화질의 심장의 전체 주기 영상을 확보하는 것이 가능하게 된다.
다시 말하면, 본 발명의 일 실시예에 따른 CT 영상 데이터베이스 기반 심장 영상의 영역화 방법 및 장치에 의하면, 종래의 방식과 비교하여, 낮은 선폭량으로 촬영된 영상에 기초하여 고화질의 심장 전체 주기 영상을 획득하는 것이 가능하게 된다.
추가하여, 도 3b에 도시된 심장영상 영역화 예측모델(50)이 영상 대 영상의 화질개선의 측면에서 응용될 수 있고, 이를 도 3c에 개략적으로 도시한다.
도 3c에 도시된 바와 같이, 도 3b의 심장영상 영역화 예측모델(50)은 심장영역 화질개선모델(50')로서 응용될 수 있고, 후향적 동조화 기법으로 획득되되 높은 선량과 낮은 선량이 구별되는 영상들을 입력할 경우 고화질의 영상 출력이 가능하게 된다.
도 6a는 본 발명의 일 실시예에 따른 CT 영상 데이터베이스 기반 심장 영상의 영역화 방법을 수행하도록 구성되는 영상 처리 장치의 블록도이고, 도 6b는 도 6a의 예측모델 생성유닛(632)의 세부적인 블록도이다.
참고로, 도 4a, 도 4b 및 도 5에 도시된 본 발명의 일 실시예에 따른 CT 영상 데이터베이스 기반 심장 영상의 영역화 방법을 구성하는 일련의 단계들(S410 내지 S430/S430')은 컴퓨터에서 실행될 수 있는 프로그램으로서 작성가능하고, 예컨대 컴퓨터는 영상 처리 장치로서 구현될 수 있으며, 컴퓨터 판독가능한 기록매체를 이용해 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있으며, 도 6a는 본 발명의 일 실시예에 따른 CT 영상 데이터베이스 기반 심장 영상의 영역화 방법을 수행하도록 구성되는 영상 처리 장치(600)의 블록도를 도시한다.
도 6a에 도시된 바와 같이, 본 발명의 일 실시예에 따른 영상 처리 장치(600)는 제어부(610)와, 영상수신부(620)와, 영상처리부(630)와, 그리고 디스플레이부(640)를 포함할 수 있다.
참고로, 도 6a에 도시된 블록도의 영상 처리 장치(600)의 각 엘리먼트들은 본 발명의 용이한 이해를 위한 일 예에 불과할 뿐, 도 6a에 도시된 엘리먼트 이외의 엘리먼트가 영상 처리 장치(600)에 추가적으로 포함될 수 있음은 명백할 것이다.
영상수신부(620)는 심장 CT 영상을 수신하도록 구성될 수 있다. 예컨대, ㄷ도 4의 S410에서 후향적 동조화 기법으로 촬영된 심장 CT 영상의 데이터베이스를 구축하기 위해서는 이러한 영상을 수신해야 하는데, 상기 영상수신부(620)를 통해서 후향적 동조화 기법으로 촬영된 심장 CT 영상을 수신하는 것이 가능하다.
영상처리부(630)는 영상수신부(620)를 통해 수신된 심장 영상을 처리하도록 구성될 수 있다. 보다 구체적으로, 도 6a에 도시된 바와 같이, 본 발명의 일 실시예에 따른 영상처리부(630)는 데이터베이스 구축유닛(631), 예측모델 생성유닛(632), 및 영상획득유닛(633)을 포함할 수 있다.
상기 데이터베이스 구축유닛(631)은 후향적 동조화 기법으로 촬영된 심장의 전체 주기 영상의 데이터베이스를 구축하도록 구성될 수 있다. 또한, 상기 예측모델 생성유닛(632)은 상기 구축된 데이터베이스를 딥 러닝 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하도록 구성될 수 있다. 또한, 상기 영상획득유닛(633)은 전향적 동조화 기법으로 촬영된 심장 영상에 상기 심장 영상 영역화 예측 모델을 적용함으로써 심장의 전체 주기 영상을 획득하도록 구성될 수 있거나, 또는 상기 후향적 동조화 기법으로 촬영되되, 제1 CT 선량을 갖는 영상 및 상기 제1 CT 선량보다 적은 제2 CT 선량을 갖는 영상이 혼합된 심장 영상을 상기 심장 영상 영역화 예측 모델을 적용함으로써 심장의 전체 주기 영상을 획득하도록 구성될 수 있다.
이와 관련하여, 상기 예측모델 생성유닛(632)은, 도 6b에 도시된 바와 같이, 복수의 상기 심장의 전체 주기 영상 각각으로부터 합성곱 신경망(CNN)을 이용하여 심장 영상을 추출하도록 구성되는 심장영상 추출유닛(632a); 상기 추출된 심장 영상 각각을 순환 신경망(RNN)을 이용하여 기계 학습시키도록 구성되는 기계학습유닛(632b); 및 상기 기계 학습된 심장 영상들에 기초하여 상기 심장 영상 영역화 예측 모델을 구축하도록 구성되는 예측모델 구축유닛(632c)으로 구성될 수 있다.
영상처리부(630)의 각각의 유닛들(631, 632, 633, 634)의 구체적인 동작 및 설명은 도 2 내지 도 5와 관련하여 설명한 바와 실질상 동일하므로 본 단락에서는 중복적인 설명은 생략하도록 한다.
여기서, 상기 영상획득유닛(633)에 의해 고화질의 심장 전체 주기의 영상이 획득되면, 획득된 심장 전체 주기 영상이 디스플레이부(640)로 전달되어 상기 디스플레이부(640)에 의해서 해당 심장 영상이 디스플레이될 수 있다. 즉, 상기 디스플레이부(640)는 영상처리부(630)에서 처리된 심장 CT 영상을 출력하도록 구성될 수 있다.
또한, 상기 제어부(610)는 영상수신부(620), 영상처리부(630) 및 디스플레이부(640)를 총괄적으로 제어하도록 구성될 수 있다. 예컨대, 상기 제어부(610)는 단일의 제어기(controller)로서 구현될 수 있거나, 또는 복수의 마이크로제어기(micro-controller)로서 구현될 수도 있다.
그러므로, 본 발명의 일 실시예에 따른 CT 영상 데이터베이스 기반 심장 영상의 영역화 방법 및 그 장치에 의하면, CT 촬영을 위한 방사선 피폭량을 최소한으로 유지하면서도 동시에 고화질의 심장 주기 전체 영상을 확보하는 것이 가능하다.
상술한 본 발명의 일 실시 예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 컴퓨터로 판독 가능한 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다.
컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
50: 심장 영상 영역화 예측 모델
600: 영상 처리 장치 610: 제어부
620: 영상 수신부 630: 영상 처리부
631: 데이터베이스 구축유닛 632: 예측모델 생성유닛
632a: 심장영상 추출유닛 632b: 기계학습유닛
632c: 예측모델 구축유닛 633: 영상획득유닛
640: 디스플레이부

Claims (10)

  1. 영상 처리 장치에서 수행되는 컴퓨터 단층촬영(CT; computed tomography) 영상 데이터베이스에 기반하여 심장 영상을 영역화하기 위한 방법으로서,
    후향적 동조화(retrospective gating) 기법으로 촬영된 심장의 전체 주기 영상의 데이터베이스(database)를 구축하는 단계;
    상기 구축된 데이터베이스를 딥 러닝(deep learning) 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하는 단계; 및
    전향적 동조화(prospective gating) 기법으로 촬영된 심장 영상에 상기 심장 영상 영역화 예측 모델을 적용함으로써 심장의 전체 주기 영상을 획득하는 단계
    를 포함하는,
    CT 영상 데이터베이스에 기반하여 심장 영상을 영역화하기 위한 방법.
  2. 영상 처리 장치에서 수행되는 CT 영상 데이터베이스에 기반하여 심장 영상을 영역화하기 위한 방법으로서,
    후향적 동조화 기법으로 촬영된 심장의 전체 주기 영상의 데이터베이스를 구축하는 단계;
    상기 구축된 데이터베이스를 딥 러닝 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하는 단계; 및
    상기 후향적 동조화 기법으로 촬영되고, 제1 CT 선량을 갖는 영상 및 상기 제1 CT 선량보다 적은 제2 CT 선량을 갖는 저화질의 영상이 혼합된 심장 영상에 상기 심장 영상 영역화 예측 모델을 적용함으로써 고화질의 심장의 전체 주기 영상을 획득하는 단계
    를 포함하는,
    CT 영상 데이터베이스에 기반하여 심장 영상을 영역화하기 위한 방법.
  3. 제 1 항에 또는 제 2 항에 있어서,
    상기 구축된 데이터베이스를 딥 러닝 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하는 단계는,
    복수의 상기 심장의 전체 주기 영상 각각으로부터 합성곱 신경망(CNN)을 이용하여 심장 영상을 추출하는 단계;
    상기 추출된 심장 영상 각각을 순환 신경망(RNN)을 이용하여 기계 학습(machine training)시키는 단계; 및
    상기 기계 학습된 심장 영상들에 기초하여 상기 심장 영상 영역화 예측 모델을 구축하는 단계
    를 포함하는,
    CT 영상 데이터베이스에 기반하여 심장 영상을 영역화하기 위한 방법.
  4. 제 3 항에 있어서,
    상기 추출된 심장 영상 각각을 순환 신경망(RNN)을 이용하여 기계 학습(machine training)시키는 단계는,
    상기 추출된 심장 영상 각각에 대해 LSTM(Long Short Term Memory)을 적용하는 단계; 및
    상기 LSTM이 적용된 심장 영상 각각에 예측 가중치(predicted weight)를 부여하는 단계
    를 포함하는,
    CT 영상 데이터베이스에 기반하여 심장 영상을 영역화하기 위한 방법.
  5. 제 1 항에 있어서,
    상기 전향적 동조화 기법으로 촬영된 심장 영상은, 심장의 수축기 말기의 영상 및 상기 심장의 이완기 말기의 영상 중 적어도 하나를 포함하는,
    CT 영상 데이터베이스에 기반하여 심장 영상을 영역화하기 위한 방법.
  6. 제 1 항 또는 제 2 항에 따른 방법을 수행하도록 구성되는 영상 처리 장치로서,
    심장의 CT 영상을 수신하도록 구성되는 영상 수신부와,
    상기 영상 수신부에서 수신된 심장 CT 영상을 처리하도록 구성되는 영상 처리부와,
    상기 영상 처리부에서 영상 처리된 심장 영상을 디스플레이하도록 구성되는 디스플레이부와, 그리고
    상기 영상 수신부, 상기 영상 처리부 및 상기 디스플레이부를 제어하도록 구성되는 제어부
    를 포함하고,
    상기 영상 처리부는,
    후향적 동조화 기법으로 촬영된 심장의 전체 주기 영상의 데이터베이스를 구축하도록 구성되는 데이터베이스 구축유닛;
    상기 구축된 데이터베이스를 딥 러닝 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하도록 구성되는 예측모델 생성유닛; 및
    전향적 동조화 기법으로 촬영된 심장 영상에 상기 심장 영상 영역화 예측 모델을 적용함으로써 심장의 전체 주기 영상을 획득하도록 구성되는 영상획득유닛
    을 포함하는,
    영상 처리 장치.
  7. 제 1 항 또는 제 2 항에 따른 방법을 수행하도록 구성되는 영상 처리 장치로서,
    심장의 CT 영상을 수신하도록 구성되는 영상 수신부와,
    상기 영상 수신부에서 수신된 심장 CT 영상을 처리하도록 구성되는 영상 처리부와,
    상기 영상 처리부에서 영상 처리된 심장 영상을 디스플레이하도록 구성되는 디스플레이부와, 그리고
    상기 영상 수신부, 상기 영상 처리부 및 상기 디스플레이부를 제어하도록 구성되는 제어부
    를 포함하고,
    상기 영상 처리부는,
    후향적 동조화 기법으로 촬영된 심장의 전체 주기 영상의 데이터베이스를 구축하도록 구성되는 데이터베이스 구축유닛;
    상기 구축된 데이터베이스를 딥 러닝 기반 기계 학습시킴으로써 심장 영상 영역화 예측 모델을 생성하도록 구성되는 예측모델 생성유닛; 및
    상기 후향적 동조화 기법으로 촬영되고, 제1 CT 선량을 갖는 영상 및 상기 제1 CT 선량보다 적은 제2 CT 선량을 갖는 저화질의 영상이 혼합된 심장 영상에 상기 심장 영상 영역화 예측 모델을 적용함으로써 고화질의 심장의 전체 주기 영상을 획득하도록 구성되는 영상획득유닛
    을 포함하는,
    영상 처리 장치.
  8. 제 6 항에 있어서,
    상기 예측모델 생성유닛은,
    복수의 상기 심장의 전체 주기 영상 각각으로부터 합성곱 신경망(CNN)을 이용하여 심장 영상을 추출하도록 구성되는 심장영상 추출유닛;
    상기 추출된 심장 영상 각각을 순환 신경망(RNN)을 이용하여 기계 학습(machine training)시키도록 구성되는 기계학습유닛; 및
    상기 기계 학습된 심장 영상들에 기초하여 상기 심장 영상 영역화 예측 모델을 구축하도록 구성되는 예측모델 구축유닛
    을 포함하는,
    영상 처리 장치.
  9. 제 8 항에 있어서,
    상기 기계학습유닛은,
    상기 추출된 심장 영상 각각에 대해 LSTM(Long Short Term Memory)을 적용하고, 그리고 상기 LSTM이 적용된 심장 영상 각각에 예측 가중치를 부여하도록 구성되는,
    영상 처리 장치.
  10. 제 6 항에 있어서,
    상기 전향적 동조화 기법으로 촬영된 심장 영상은, 심장의 수축기 말기의 영상 및 상기 심장의 이완기 말기의 영상 중 적어도 하나를 포함하는,
    영상 처리 장치.
KR1020170026147A 2017-02-28 2017-02-28 Ｃｔ 영상 데이터베이스 기반 심장 영상의 영역화 방법 및 그 장치 KR101978317B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170026147A KR101978317B1 (ko) 2017-02-28 2017-02-28 Ｃｔ 영상 데이터베이스 기반 심장 영상의 영역화 방법 및 그 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170026147A KR101978317B1 (ko) 2017-02-28 2017-02-28 Ｃｔ 영상 데이터베이스 기반 심장 영상의 영역화 방법 및 그 장치

Publications (2)

Publication Number Publication Date
KR20180099119A KR20180099119A (ko) 2018-09-05
KR101978317B1 true KR101978317B1 (ko) 2019-05-14

Family

ID=63594359

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170026147A KR101978317B1 (ko) 2017-02-28 2017-02-28 Ｃｔ 영상 데이터베이스 기반 심장 영상의 영역화 방법 및 그 장치

Country Status (1)

Country Link
KR (1) KR101978317B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023075480A1 (ko) * 2021-10-28 2023-05-04 주식회사 온택트헬스 의료 영상의 예측된 목적 부위에 대한 임상 파라미터를 제공하기 위한 방법, 장치, 레이블링을 위한 의료 영상을 선별하기 위한 방법 및 장치

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102157867B1 (ko) * 2018-11-13 2020-09-18 서강대학교산학협력단 딥러닝에 기반한 고속 양전자단층촬영 영상 획득 장치 및 방법
KR102039146B1 (ko) 2019-03-21 2019-10-31 주식회사 루닛 멀티 도메인 앙상블 학습 방법 및 그 장치
KR102267219B1 (ko) * 2019-06-27 2021-06-21 에이아이메딕(주) 혈관 세그멘테이션 방법
KR102166835B1 (ko) 2019-10-28 2020-10-16 주식회사 루닛 신경망 학습 방법 및 그 장치
CN110755104A (zh) * 2019-11-05 2020-02-07 四川大学华西医院 基于3d多通道卷积神经网络的肝硬化门脉高压无创评估方法
CN111062948B (zh) * 2019-11-18 2022-09-13 北京航空航天大学合肥创新研究院 一种基于胎儿四腔心切面图像的多组织分割方法
KR20230071493A (ko) * 2021-11-16 2023-05-23 대구대학교 산학협력단 신경망을 이용한 부정맥 분류 시스템 및 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040264627A1 (en) 2003-06-25 2004-12-30 Besson Guy M. Dynamic multi-spectral X-ray projection imaging
JP2007526016A (ja) 2003-06-25 2007-09-13 シーメンス　メディカル　ソリューションズ　ユーエスエー　インコーポレイテッド 心撮像の自動局所心筋評価を行うシステム及び方法
JP2007527743A (ja) 2004-02-03 2007-10-04 シーメンス　メディカル　ソリューションズ　ユーエスエー　インコーポレイテッド 心臓関連の病気及び状態のための自動診断及び意思決定支援用システム及び方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7809426B2 (en) * 2004-04-29 2010-10-05 The Cleveland Clinic Foundation Acquiring contrast-enhanced, T1 weighted, cine magnetic resonance images
KR101664432B1 (ko) * 2014-02-12 2016-10-10 삼성전자주식회사 단층 영상 장치 및 그에 따른 단층 영상 디스플레이 방법
KR101619802B1 (ko) 2014-06-18 2016-05-11 기초과학연구원 심장 좌심실의 3차원 영상 생성 방법 및 그 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040264627A1 (en) 2003-06-25 2004-12-30 Besson Guy M. Dynamic multi-spectral X-ray projection imaging
JP2007526016A (ja) 2003-06-25 2007-09-13 シーメンス　メディカル　ソリューションズ　ユーエスエー　インコーポレイテッド 心撮像の自動局所心筋評価を行うシステム及び方法
JP2007527743A (ja) 2004-02-03 2007-10-04 シーメンス　メディカル　ソリューションズ　ユーエスエー　インコーポレイテッド 心臓関連の病気及び状態のための自動診断及び意思決定支援用システム及び方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023075480A1 (ko) * 2021-10-28 2023-05-04 주식회사 온택트헬스 의료 영상의 예측된 목적 부위에 대한 임상 파라미터를 제공하기 위한 방법, 장치, 레이블링을 위한 의료 영상을 선별하기 위한 방법 및 장치

Also Published As

Publication number Publication date
KR20180099119A (ko) 2018-09-05

Similar Documents

Publication Publication Date Title
KR101978317B1 (ko) Ｃｔ 영상 데이터베이스 기반 심장 영상의 영역화 방법 및 그 장치
JP6101871B2 (ja) 医用画像取得パラメータを識別するシステム及び方法
US9672651B2 (en) Four-dimensional reconstruction of regions exhibiting multiple phases of periodic motion
US11723722B2 (en) Methods and systems for guidance in cardiac resynchronization therapy
KR102402628B1 (ko) 인간의 심장 및 심방을 모델링하는 방법 및 시스템
US11269036B2 (en) System and method for phase unwrapping for automatic cine DENSE strain analysis using phase predictions and region growing
US10238355B2 (en) Tomography apparatus and method of reconstructing tomography image thereof
Juergens et al. Automated threshold-based 3D segmentation versus short-axis planimetry for assessment of global left ventricular function with dual-source MDCT
KR101929412B1 (ko) 영상 데이터베이스 기반 2차원 x-선 영상 및 3차원 ct 영상의 실시간 정합 방법 및 그 장치
JP2006075601A (ja) 解剖学的構造のセグメント化方法
US11160523B2 (en) Systems and methods for cardiac imaging
CN102727233B (zh) 用于获得检查对象的四维图像数据组的方法、装置和***
WO2019162874A1 (en) Mapping binned medical data
EP2220618B1 (en) Apparatus for determining a parameter of a moving object
JP2001148005A (ja) 動いている対象物の三次元画像を再構成する方法
CN109345606B (zh) 心脏图像重建方法、装置、计算机设备和可读存储介质
Dogan et al. Effects of heart rate, filling and slice thickness on the accuracy of left ventricular volume measurements in a dynamic cardiac phantom using ECG-gated MDCT
Perperidis Spatio-temporal registration and modelling of the heart using cardiovascular MR imaging
JP7298018B2 (ja) 医用画像データのゲーティング
Müller et al. Catheter artifact reduction (CAR) in dynamic cardiac chamber imaging with interventional C-arm CT
Manohar et al. Prediction of CRT Response Using a Lead Placement Score Derived from 4DCT
Müller 3-D Imaging of the Heart Chambers with C-arm CT
Lakshmi Anatomical photo representations for cardiac imaging training
KR20230033125A (ko) 심실 구축률 측정을 통한 심부전 진단 방법
CN117731312A (zh) 一种医学图像的扫描方法和***

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant