KR102103281B1

KR102103281B1 - 뇌혈관 질환의 진단을 위한 ａｉ 기반의 보조 진단 시스템

Info

Publication number: KR102103281B1
Application number: KR1020190097356A
Authority: KR
Inventors: 최우식; 김태규; 김화평; 최종문
Original assignee: 주식회사 딥노이드
Priority date: 2019-08-09
Filing date: 2019-08-09
Publication date: 2020-04-23

Abstract

본 발명은 뇌혈관 질환의 진단을 위한 AI 기반의 보조 진단 시스템에 관한 것이다. 본 발명에 따른 AI 기반의 보조 진단 시스템은 뇌혈관 질환이 레이블된 복수의 MRA 영상이 저장된 학습 데이터베이스와, 상기 학습 데이터베이스에 저장된 각각의 상기 MRA 영상에 공간 좌표계를 등록하는 좌표계 등록 모듈과, 상기 좌표계 등록 모듈에 의해 각각 상기 공간 좌표계가 등록된 상기 MRA 영상을 기 등록된 딥러닝 기반의 학습 모델을 통해 학습하는 AI 모듈을 포함하며; 상기 좌표계 등록 모듈은 (a) 상기 MRA 영상으로부터 혈관 영역을 추출하는 단계와, (b) 상기 혈관 영역에서 기 설정된 3개의 해부학적 제1 포인트를 추출하는 단계와, (c) 3개의 상기 제1 포인트가 형성하는 제1 평면에 대한 법선 벡터를 제1 좌표 벡터로 결정하는 단계와, (d) 상기 제1 평면을 사이에 두고 양측에 위치하는 기 설정된 2개의 해부학적 제2 포인트를 추출하는 단계와, (e) 2개의 상기 제2 포인트를 연결하는 직선과 상기 제1 평면이 만나는 위치를 좌표 원점으로 추출하는 단계와, (f) 기 설정된 해부학적 제3 포인트를 추출하는 단계와, (g) 2개의 상기 제2 포인트와 상기 제3 포인트가 형성하는 제2 평면을 추출하고, 상기 제1 평면과 상기 제2 평면이 교차하는 교차선을 추출하는 단계와, (h) 상기 교차선에 기초하여 제2 좌표 벡터를 결정하는 단계와, (i) 상기 제1 좌표 벡터와 상기 제2 좌표 벡터를 각각 상기 좌표 원점으로 이동시켜 제1 좌표축과 제2 좌표축을 결정하는 단계와, (j) 상기 제1 좌표축과 상기 제2 좌표축에 각각 직교하는 제3 좌표축을 결정하여 상기 공간 좌표계를 등록하는 단계를 수행하는 것을 특징으로 한다.

Description

뇌혈관 질환의 진단을 위한 ＡＩ 기반의 보조 진단 시스템{AI BASED ASSISTANCE DIAGNOSIS SYSTEM FOR DIAGNOSING CEREBROVASCULAR DISEASE}

본 발명은 뇌혈관 질환의 진단을 위한 AI 기반의 보조 진단 시스템에 관한 것으로서, 보다 상세하게는 뇌동맥류와 같은 뇌혈관 질환을 딥러닝 기반의 학습 모델을 통해 판독하는데 있어 학습 및 판독의 정확도를 높일 수 있는 뇌혈관 질환의 진단을 위한 AI 기반의 보조 진단 시스템에 관한 것이다.

현대 의학에서 효과적인 질병의 진단 및 환자의 치료를 위해 의료 영상은 매우 중요한 도구이다. 또한, 영상 기술 발달은 더욱 정교한 의료 영상 데이터를 획득 가능하게 하고 있다. 이러한 정교함의 대가로 데이터의 양은 점차 방대해지고 있어 의료 영상 데이터를 인간의 시각에 의존하여 분석하는 데 어려움이 많다. 이에, 최근 십여 년 동안 임상 의사 결정 지원 시스템 및 컴퓨터 보조 판독 시스템은 의료 영상 자동 분석에 있어서 필수적인 역할을 수행하여 왔다.

종래의 임상 의사 결정 지원 시스템 또는 컴퓨터 보조 판독 시스템은 병변 영역을 검출하여 표시하거나 판독 정보를 의료진 또는 의료 종사자 등(이하 사용자)에게 제시한다.

일례로, 한국 공개특허 제10-2017-0017614호에 개시된 '의료 영상 기반의 질환 진단 정보 산출 방법 및 장치'에서는, 분석 대상 객체가 촬영된 관심 영역을 검출하고, 변동계수를 산출하고, 변동계수 이미지를 작성하고 이를 기준 샘플과 비교하는 단계를 포함하고, CT, MRI, MRA 및 초음파 영상 촬영 장치 등을 통해 획득된 의료 영상을 활용하여 환자의 질환 정도를 진단하는 효과를 언급하고 있다.

특히, 근래에 딥러닝(Deep learning)과 같은 기계 학습(Machine learning)을 기반으로 하는 인공지능(AI) 기술은 의료 영상을 이용하여 환자의 질병을 판독하는데 있어 비약적인 발전을 가져오는데 바탕이 되고 있다.

딥러닝이란 사람의 신경세포(Biological Neuron)를 모사하여 기계가 학습하도록 하는 인공신경망(Artificial Neural Network) 기반의 기계 학습법을 의미한다. 최근, 딥러닝 기술은 이미지 인식 분야에서 비약적으로 발전하고 있고, 의료 영상을 이용한 판독 분야에서도 널리 사용되고 있다.

의료 영상에서의 딥러닝 기술은 질병을 포함하는 다수의 의료 영상과 해당 질병을 학습 데이터로 하여 기계 학습이 진행되어 기계 학습 모델(이하, '학습 모델'이라 함)이 생성되고, 판독 대상 의료 영상이 학습 모델에 입력되면 병변 여부를 진단하게 된다.

상기와 같이, 딥러닝 기반의 기계 학습법은 학습 모델을 생성하는데 사용되는 학습 데이터, 예컨대, 다수의 병변 영상과 다수의 정상 영상을 수집하고, 수집된 병변 영상과 정상 영상을 학습하여 생성된 학습 모델이 새로이 입력된 판독 대상 의료 영상의 병변 여부를 판독하게 되는 바, 다양하면서도 많은 학습 데이터가 학습에 사용될 때 판독 결과의 정확성을 높일 수 있다. 뿐만 아니라, 판독 대상 의료 영상이 학습 데이터와 유사할 때, 판독 결과의 정확성이 높아질 수 있다.

상기와 같은 딥러닝 기반의 보조 진단 시스템은 뇌혈관 질환, 예컨대 뇌동맥류와 같은 질환을 진단하는데도 적용이 요구되고 있다. 도 1은 MRA 영상을 기반으로 획득된 뇌혈관의 3차원 영상의 예를 나타낸 도면이다.

도 1에 도시된 바와 같이, 뇌혈관의 경우, 보는 방향에 따라 그 형상이 다르게 나타나고 있어, 뇌동맥류의 경우 보는 방향에 따라 정상으로 보일 수 있어, 판독의 정확성을 높이는데 한계가 있다.

딥러닝 기반의 학습 모델을 이용한 영상 판독에 있어 판독의 정확도를 높이는 방법의 하나로 영상 내의 각 위치에서의 좌표값을 함께 입력하는 방법이 제안되고 있다. 이는 좌표값을 갖는 학습 이미지를 이용하여 학습된 학습 모델은 동일하게 좌표값을 갖는 판독 대상 이미지가 입력될 때 좌표값을 판독에 활용하여 정확도를 높이는 원리이다.

그러나, 도 1에 도시된 바와 같이, MRA 영상의 경우 촬영 위치나 거리 등에 따라 달라질 수 있고, 사람에 따라 달라질 수 있어, MRA 영상 내에서 특정 위치를 중심으로 좌표계를 설정하게 되면, 영상마다 동일 좌표가 다른 위치를 특정하게 되는 문제가 발생하게 된다.

이에, 본 발명은 상기와 같은 문제점을 해소하기 위해 안출된 것으로서, 뇌동맥류와 같은 뇌혈관 질환을 딥러닝 기반의 학습 모델을 통해 판독하는데 있어, 확습 모델이 학습할 학습 이미지들에 동일한 좌표계를 등록해줌으로써, 학습 및 판독의 정확도를 높일 수 있는 뇌혈관 질환의 진단을 위한 AI 기반의 보조 진단 시스템을 제공하는데 그 목적이 있다.

상기 목적은 본 발명에 따라, 뇌혈관 질환의 진단을 위한 AI 기반의 보조 진단 시스템에 있어서, 뇌혈관 질환이 레이블된 복수의 MRA 영상이 저장된 학습 데이터베이스와, 상기 학습 데이터베이스에 저장된 각각의 상기 MRA 영상에 공간 좌표계를 등록하는 좌표계 등록 모듈과, 상기 좌표계 등록 모듈에 의해 각각 상기 공간 좌표계가 등록된 상기 MRA 영상을 기 등록된 딥러닝 기반의 학습 모델을 통해 학습하는 AI 모듈을 포함하며; 상기 좌표계 등록 모듈은 (a) 상기 MRA 영상으로부터 혈관 영역을 추출하는 단계와, (b) 상기 혈관 영역에서 기 설정된 3개의 해부학적 제1 포인트를 추출하는 단계와, (c) 3개의 상기 제1 포인트가 형성하는 제1 평면에 대한 법선 벡터를 제1 좌표 벡터로 결정하는 단계와, (d) 상기 제1 평면을 사이에 두고 양측에 위치하는 기 설정된 2개의 해부학적 제2 포인트를 추출하는 단계와, (e) 2개의 상기 제2 포인트를 연결하는 직선과 상기 제1 평면이 만나는 위치를 좌표 원점으로 추출하는 단계와, (f) 기 설정된 해부학적 제3 포인트를 추출하는 단계와, (g) 2개의 상기 제2 포인트와 상기 제3 포인트가 형성하는 제2 평면을 추출하고, 상기 제1 평면과 상기 제2 평면이 교차하는 교차선을 추출하는 단계와, (h) 상기 교차선에 기초하여 제2 좌표 벡터를 결정하는 단계와, (i) 상기 제1 좌표 벡터와 상기 제2 좌표 벡터를 각각 상기 좌표 원점으로 이동시켜 제1 좌표축과 제2 좌표축을 결정하는 단계와, (j) 상기 제1 좌표축과 상기 제2 좌표축에 각각 직교하는 제3 좌표축을 결정하여 상기 공간 좌표계를 등록하는 단계를 수행하는 것을 특징으로 하는 뇌혈관 질환의 진단을 위한 AI 기반의 보조 진단 시스템에 의해서 달성된다.

여기서, 상기 (b) 단계는 (b1) 후교통동맥과 내경동맥의 교점 한 쌍을 2개의 상기 제1 포인트로 추출하는 단계와; (b2) 상기 후교통동맥과 후대뇌동맥의 교점 한 쌍을 추출하는 단계와; (b3) 상기 후교통동맥과 후대뇌동맥의 교점 한 쌍의 중심점을 1개의 상기 제1 포인트로 추출하는 단계를 포함할 수 있다.

또한, 상기 (d) 단계는 (d1) 전교통동맥의 중심점을 하나의 상기 제2 포인트로 추출하는 단계와; (d2) 뇌기저동맥과 상기 후대뇌동맥의 경계점을 다른 하나의 상기 제2 포인트로 추출하는 단계를 포함할 수 있다.

그리고, 상기 (f) 단계에서는 상기 뇌기저동맥과 척추동맥의 경계점을 상기 제3 포인트로 추출할 수 있다.

그리고, 진단 대상인 신규 MRA 영상이 입력되는 영상 인터페이스부를 더 포함하고; 상기 좌표계 등록 모듈은 상기 신규 MRA 영상에 대해 상기 공간 좌표계를 등록하여 상기 AI 모듈에 전달하며; 상기 AI 모듈은 상기 공간 좌표계가 등록된 상기 신규 MRA 영상 내의 질환 여부를 상기 학습 모델을 통해 진단할 수 있다.

상기와 같은 구성에 따라, 본 발명에 따르면, 뇌혈관을 구성하는 개별 혈관의 해부학적 구조를 기반으로 하여 얻어지는 다수의 포인트들을 이용하여 공간 좌표계를 생성하여, 학습에 사용되는 다수의 뇌혈관 학습 이미지에 통일된 공간 좌표계가 등록 가능하게 됨으로써, 판독 정확도가 높은 학습 모델의 생성이 가능한 뇌혈관 병변의 진단을 위한 AI 기반의 보조 진단 시스템이 제공된다.

도 1은 MRA 영상을 기반으로 획득된 뇌혈관의 3차원 영상의 예를 나타낸 도면이고,
도 2는 본 발명에 따른 뇌혈관 병변의 진단을 위한 AI 기반의 보조 진단 시스템의 구성을 나타낸 도면이고,
도 3은 본 발명에 따른 뇌혈관 병변의 진단을 위한 AI 기반의 보조 진단 시스템에서 공간 좌표계를 등록하는 과정을 나타낸 도면이고,
도 4 내지 도 17은 도 3에 도시된 공간 좌표계를 등록 과정을 설명하기 위한 도면이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 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.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하에서는 첨부된 도면을 참조하여 본 발명에 따른 실시예들을 상세히 설명한다.

도 2는 본 발명에 따른 뇌혈관 병변의 진단을 위한 AI 기반의 보조 진단 시스템(100)의 구성을 나타낸 도면이다. 도 2를 참조하여 설명하면, 본 발명에 따른 AI 기반의 보조 진단 시스템(100)은 학습 데이터베이스(120), 좌표계 등록 모듈(140) 및 AI 모듈(130)을 포함한다. 또한, 본 발명에 따른 AI 기반의 보조 진단 시스템(100)은 영상 인터페이스부(150) 및 메인 프로세서(110)를 포함할 수 있다.

학습 데이터베이스(120)에는 뇌혈관 질환이 레이블된(Labeled) 복수의 MRA 영상이 학습 데이터로 저장된다. 그리고, 좌표계 등록 모듈(140)은 학습 데이터베이스(120)에 저장된 각각의 MRA 영상에 공간 좌표계를 등록한다. 그리고, AI 모듈(130)은 좌표계 등록 모듈(140)에 의해 각각 공간 좌표계가 등록된 MRA 영상을 기 등록된 딥러닝 기반의 학습 모델을 통해 학습한다.

영상 인터페이스부(150)로는 판독 대상이 되는 신규 MRA 영상이 입력되는데, 신규 MRA 영상이 입력되면 좌표계등록 모듈(140)은 신규 MRA 영상에 대해 공간 좌표계를 등록하여 AI 모듈(130)로 전달하고, AI 모듈(130)은 공간 좌표계가 등록된 신규 MRA 영상 내의 질환 여부를 학습 모델을 통해 진단한다.

메인 프로세서(110)는 본 발명에 따른 AI 기반의 보조 진단 시스템(100)의 작동을 위한 CPU, 메모리 등의 하드웨어적인 구성과, 운영체제(OS)와 같은 소프트웨어적 구성을 포함한다.

이하에서는, 도 3을 참조하여, 본 발명에 따른 AI 기반의 보조 진단 시스템(100)에서 MAR 영상에 공간 좌표계를 등록하는 과정에 대해 상세히 설명한다.

먼저, MRA 영상으로부터 혈관 영역을 추출한다. MRA 영상 내에서 혈관 영역만을 추출하는 방법은 기 공지된 다양한 방법이 적용 가능하다. 혈관 영역이 추출되면, 제1 평면(PL1)의 추출 과정이 수행된다(S30). 그런 다음, 제1 평면(PL1)에 대한 법선 벡터가 산출되고, 도 4의 (a)에 도시된 바와 같이, 법선 벡터가 제1 좌표 벡터로 결정된다(S31)

제1 평면(PL1)의 추출을 위해, 도 4의 (a)에 도시된 바와 같이, 혈관 영역에서 기 설정된 해부학적인 3개의 제1 포인트(P1_L, P1_R, P2_C)가 추출된다. 먼저, 도 5에 도시된 바와 같이, 후교통동맥(PCom, Posterior communicating artery)과 내경동맥(ICA, Internal carotid artery)의 교점 한 쌍이 2개의 제1 포인트(P1_L, P1_R)로 추출된다.

그리고, 도 6에 도시된 바와 같이, 후교통동맥(PCom, Posterior communicating artery)과 후대뇌동맥(PCA, Posterior cerebral artery)의 교점 한 쌍(P2_L, P2_R)이 추출된다. 그리고, 도 7에 도시된 바와 같이, 후교통동맥(PCom, Posterior communicating artery)과 후대뇌동맥(PCA, Posterior cerebral artery)의 교점 한 쌍(P2_L, P2_R)의 중심점이 나머지 1개의 제1 포인트(P2_C)로 추출된다.

상기와 같이 뇌혈관을 구성하는 개별 혈관의 해부학적인 구조로부터 3개의 제1 포인트(P1_L, P1_R, P2_C)가 추출되면, 도 8에 도시된 바와 같이, 3개의 제1 포인트가 형성하는 제1 평면(PL1)이 혈관 영역 내에 형성되고, 도 9에 도시된 바와 같이, 제1 평면(PL1)의 법선 벡터가 제1 좌표 벡터로 결정된다. 여기서, 제1 좌표 벡터는 공간 좌표계를 구성하는 하나의 축, 예컨대 z축을 결정하는데 적용되는데, 이에 대한 설명은 후술한다.

제1 좌표 벡터가 결정되면, 공간 좌표계의 좌표 원점(O)을 추출하는 과정이 진행된다(S32). 본 발명에서 좌표 원점은, 도 4의 (b)에 도시된 바와 같이, 제1 평면(PL1)을 사이에 두고 양측에 위치하는 기 설정된 2개의 해부학적 제2 포인트(P3_C, P4)를 이용하여 추출된다.

먼저, 도 10에 도시된 바와 같이, 전교통동맥(ACom, Anterior communicating artery)의 중심점이 하나의 제2 포인트(P3_C)로 추출된다. 그런 다음, 도 11에 도시된 바와 같이, 뇌기저동맥(BA, Basilar arter)과 후대뇌동맥(PCA, Posterior cerebral artery)의 경계점이 다른 하나의 제2 포인트(P4)로 추출된다.

상기와 같이 2개의 제2 포인트(P3_C, P4)가 추출되면, 도 4의 (b) 및 도 12에 도시된 바와 같이, 2개의 (P3_C, P4)를 연결하는 직선과 제1 평면(PL1)이 만나는 위치를 좌표 원점(O)을 추출하게 된다(S32).

좌표 원점(O)이 추출되면, 제2 평면을 추출하는 과정이 진행된다(S33). 먼저, 기 설정된 해부학적 제3 포인트(P5)가 추출된다. 본 발명에서는 도 13에 도시된 바와 같이, 뇌기저동맥(BA, Basilar artery)과 척추동맥(VA, Vertebral artery)의 경계점이 제3 포인트(P5)로 추출되는 것을 예로 한다.

그런 다음, 2개의 제2 포인트(P3_C, P4)와 하나의 제3 포인트(P5)가 형성하는 제2 평면(PL2)이, 도 14에 도시된 바와 같이 추출된다(S33). 그리고, 도 4의 (c) 및 도 15에 도시된 바와 같이, 제1 평면(PL1)과 제2 평면(PL2)이 교차하는 교차선이 추출되고(S34), 해당 교차선에 기초하여, 도 16에 도시된 바와 같이, 제2 좌표 벡터가 결정된다. 즉 교차선은 평면의 법선 벡터와는 직교하는 바, 제2 좌표 벡터가 평면 좌표계의 다른 하나의 축 방향이 될 수 있다.

여기서, 제2 좌표 벡터의 방향은 제1 포인트(P1_L, P1_R, P2_C), 제2 포인트(P3_C, P4), 또는 제3 포인트(P5) 중 하나를 기준으로 결정될 수 있다. 예를 들어, 제1 포인트 중 P1_L과 가까워지는 방향을 제2 좌표 벡터의 방향으로 결정할 수 있다.

상기와 같이 제1 좌표 벡터와 제2 좌표 벡터가 결정되면, 도 16에 도시된 바와 같이, 제1 좌표 벡터와 제2 좌표 벡터를 좌표 원점(O)으로 이동시키게 되면(S36), 제2 좌표축과 제2 좌표축, 예컨대, z축과 x축이 설정되고, 제1 좌표축과 제2 좌표축에 각각 직교하는 제3 좌표축이 결정됨으로써(S37), 공간 좌표계가 등록 가능하게 된다.

상기와 같이, 뇌혈관을 구성하는 해부학적인 개별 혈관들 간의 해부학적인 구조를 기반으로 공간 좌표계를 결정함으로써, 촬영 영상의 방향 등의 원인에 따라 MRA 이미지가 다소 차이가 나더라도 MRA 이미지에 동일한 좌표계의 설정이 가능하게 된다.

따라서, 이를 통해 학습된 학습 모델은 공간 좌표계가 등록되지 않은 학습 모델에 비해 판정 정확도가 높아지는 효과가 제공된다.

비록 본 발명의 몇몇 실시예들이 도시되고 설명되었지만, 본 발명이 속하는 기술분야의 통상의 지식을 가진 당업자라면 본 발명의 원칙이나 정신에서 벗어나지 않으면서 본 실시예를 변형할 수 있음을 알 수 있을 것이다. 발명의 범위는 첨부된 청구항과 그 균등물에 의해 정해질 것이다.

100 : AI 기반의 보조 진단 시스템
110 : 메인 프로세서 120 : 학습 데이터베이스
130 : AI 모듈 140 : 좌표계 등록 모듈
150 : 영상 인터페이스부

Claims

뇌혈관 질환의 진단을 위한 AI 기반의 보조 진단 시스템에 있어서,
뇌혈관 질환이 레이블된 복수의 MRA 영상이 저장된 학습 데이터베이스와,
상기 학습 데이터베이스에 저장된 각각의 상기 MRA 영상에 공간 좌표계를 등록하는 좌표계 등록 모듈과,
상기 좌표계 등록 모듈에 의해 각각 상기 공간 좌표계가 등록된 상기 MRA 영상을 기 등록된 딥러닝 기반의 학습 모델을 통해 학습하는 AI 모듈을 포함하며;
상기 좌표계 등록 모듈은
(a) 상기 MRA 영상으로부터 혈관 영역을 추출하는 단계와,
(b) 상기 혈관 영역에서 기 설정된 3개의 해부학적 제1 포인트를 추출하는 단계와,
(c) 3개의 상기 제1 포인트가 형성하는 제1 평면에 대한 법선 벡터를 제1 좌표 벡터로 결정하는 단계와,
(d) 상기 제1 평면을 사이에 두고 양측에 위치하는 기 설정된 2개의 해부학적 제2 포인트를 추출하는 단계와,
(e) 2개의 상기 제2 포인트를 연결하는 직선과 상기 제1 평면이 만나는 위치를 좌표 원점으로 추출하는 단계와,
(f) 기 설정된 해부학적 제3 포인트를 추출하는 단계와,
(g) 2개의 상기 제2 포인트와 상기 제3 포인트가 형성하는 제2 평면을 추출하고, 상기 제1 평면과 상기 제2 평면이 교차하는 교차선을 추출하는 단계와,
(h) 상기 교차선에 기초하여 제2 좌표 벡터를 결정하는 단계와,
(i) 상기 제1 좌표 벡터와 상기 제2 좌표 벡터를 각각 상기 좌표 원점으로 이동시켜 제1 좌표축과 제2 좌표축을 결정하는 단계와,
(j) 상기 제1 좌표축과 상기 제2 좌표축에 각각 직교하는 제3 좌표축을 결정하여 상기 공간 좌표계를 등록하는 단계를 수행하는 것을 특징으로 하는 뇌혈관 질환의 진단을 위한 AI 기반의 보조 진단 시스템.
제1항에 있어서,
상기 (b) 단계는
(b1) 후교통동맥과 내경동맥의 교점 한 쌍을 2개의 상기 제1 포인트로 추출하는 단계와;
(b2) 상기 후교통동맥과 후대뇌동맥의 교점 한 쌍을 추출하는 단계와;
(b3) 상기 후교통동맥과 후대뇌동맥의 교점 한 쌍의 중심점을 1개의 상기 제1 포인트로 추출하는 단계를 포함하는 것을 특징으로 하는 뇌혈관 질환의 진단을 위한 AI 기반의 보조 진단 시스템.
제2항에 있어서,
상기 (d) 단계는
(d1) 전교통동맥의 중심점을 하나의 상기 제2 포인트로 추출하는 단계와;
(d2) 뇌기저동맥과 상기 후대뇌동맥의 경계점을 다른 하나의 상기 제2 포인트로 추출하는 단계를 포함하는 것을 특징으로 하는 뇌혈관 질환의 진단을 위한 AI 기반의 보조 진단 시스템.
제3항에 있어서,
상기 (f) 단계에서는 상기 뇌기저동맥과 척추동맥의 경계점을 상기 제3 포인트로 추출하는 것을 특징으로 하는 뇌혈관 질환의 진단을 위한 AI 기반의 보조 진단 시스템.
제1항에 있어서,
진단 대상인 신규 MRA 영상이 입력되는 영상 인터페이스부를 더 포함하고;
상기 좌표계 등록 모듈은 상기 신규 MRA 영상에 대해 상기 공간 좌표계를 등록하여 상기 AI 모듈에 전달하며;
상기 AI 모듈은 상기 공간 좌표계가 등록된 상기 신규 MRA 영상 내의 질환 여부를 상기 학습 모델을 통해 진단하는 것을 특징으로 하는 AI 기반의 보조 진단 시스템.