KR102425857B1 - 혈관 분할에 기초하여 혈관 영상을 처리하는 방법 및 장치 - Google Patents

혈관 분할에 기초하여 혈관 영상을 처리하는 방법 및 장치 Download PDF

Info

Publication number
KR102425857B1
KR102425857B1 KR1020210086439A KR20210086439A KR102425857B1 KR 102425857 B1 KR102425857 B1 KR 102425857B1 KR 1020210086439 A KR1020210086439 A KR 1020210086439A KR 20210086439 A KR20210086439 A KR 20210086439A KR 102425857 B1 KR102425857 B1 KR 102425857B1
Authority
KR
South Korea
Prior art keywords
blood vessel
region
vascular
target
image
Prior art date
Application number
KR1020210086439A
Other languages
English (en)
Inventor
권지훈
송교석
권휘
박세영
김영학
박지원
김영인
김완영
김유정
이윤희
Original Assignee
주식회사 메디픽셀
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 주식회사 메디픽셀 filed Critical 주식회사 메디픽셀
Priority to KR1020210086439A priority Critical patent/KR102425857B1/ko
Priority to US17/922,883 priority patent/US20240221355A1/en
Priority to PCT/KR2021/018497 priority patent/WO2023277283A1/ko
Priority to EP21935454.5A priority patent/EP4137053A4/en
Priority to JP2022568587A priority patent/JP7479080B2/ja
Priority to KR1020220011553A priority patent/KR20230005727A/ko
Application granted granted Critical
Publication of KR102425857B1 publication Critical patent/KR102425857B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/273—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion removing elements interfering with the pattern to be recognised
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Epidemiology (AREA)
  • Molecular Biology (AREA)
  • Optics & Photonics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Primary Health Care (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Physiology (AREA)
  • Vascular Medicine (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Urology & Nephrology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

일 실시예에 따른 프로세서에 의해 수행되는 혈관 영상 처리 방법은, 혈관 영상으로부터 혈관 영상에 포함된 전체 혈관에 대응하는 제1 혈관 영역, 타겟 혈관(target vessel) 및 타겟 혈관과 연결되는 하나 이상의 혈관 분지에 대응하는 제2 혈관 영역, 및 타겟 혈관에 대응하는 제3 혈관 영역을 추출하는 단계, 및 혈관 영상으로부터 추출된 제1 혈관 영역, 제2 혈관 영역, 및 제3 혈관 영역에 기초하여, 혈관 영상에서 혈관 구조를 예측하는 단계를 포함할 수 있다.

Description

혈관 분할에 기초하여 혈관 영상을 처리하는 방법 및 장치{METHOD AND APPARATUS FOR PROCESSING VASCULAR IMAGE BASED ON BLOOD VESSEL SEGMENTATION}
이하, 혈관 분할에 기초하여 혈관 영상을 처리하는 방법에 관한 기술이 제공된다.
심혈관, 뇌혈관, 말초혈관을 치료하기 위해 카테터를 이용하여 스텐트 등을 삽입하는 중재적 시술이 널리 보급되어 있다. 시술을 진행하기 전에 환자 병변의 심각성을 심혈관 조영술을 통해 영상으로 평가한다. 병변의 심각성을 정량적으로 평가하기 위해서는 혈관의 정보를 알 수 있어야 하고, 이를 위하여 혈관 분할에 대한 연구가 지속적으로 진행되고 있다. 혈관 분할 정보는 중심선 추출, 분지 각도 측정, 병변 위치 예측 등에 다양하게 활용된다. 최근에는 딥러닝 기반의 혈관 분할 방법이 개발되고 있으며, 기존 방법 대비 높은 성능을 갖는다.
기존의 혈관 영역 분석 방법은 혈관 영역과 비혈관 영역으로 이진 분할(binary segmentation)을 적용하고 있다. 기존 방법으로는, 혈관 영역이 겹쳐지는 경우에 연결성이 불분명해져 혈관 트리 구조를 파악하기 어려운 문제가 발생한다. 혈관 트리 구조의 분석이 잘못될 경우, 분할된 혈관이 어떤 혈관인지 판정하는 정확도가 떨어지게 된다. 또한, 혈관 트리 구조를 잘못 분석하는 경우에 실제로 연결되지 않은 혈관을 이용하여 병변 여부를 오인할 수 있고, 혈관 단위 마다 다른 점수를 부가하여 진단하는 SYNTAX 스코어의 적용에 있어서 오류의 원인이 되기도 한다. 따라서, 혈관 트리 구조를 정확하게 분석하는 것이 필요하다. 더 나아가, 시술도구를 네비게이션 하기 위하여 혈관 트리 구조를 정확히 분석하는 것이 필요하다.
일 실시예에 따른 프로세서에 의해 수행되는 혈관 영상 처리 방법은, 혈관 영상으로부터 상기 혈관 영상에 포함된 전체 혈관에 대응하는 제1 혈관 영역, 타겟 혈관(target vessel) 및 상기 타겟 혈관과 연결되는 하나 이상의 혈관 분지에 대응하는 제2 혈관 영역, 및 상기 타겟 혈관에 대응하는 제3 혈관 영역을 추출하는 단계, 및 상기 혈관 영상으로부터 추출된 상기 제1 혈관 영역, 상기 제2 혈관 영역, 및 상기 제3 혈관 영역에 기초하여, 상기 혈관 영상에서 혈관 구조를 예측하는 단계를 포함할 수 있다.
상기 혈관 구조를 예측하는 단계는, 상기 혈관 영상에서 혈관에 대응하는 각 지점을, 상기 타겟 혈관, 상기 타겟 혈관과 연결되는 상기 하나 이상의 혈관 분지, 및 상기 타겟 혈관과 분리된 별도 혈관 중 하나에 속하는 것으로 분류하는 단계를 포함할 수 있다.
상기 혈관 구조를 예측하는 단계는, 상기 제1 혈관 영역, 상기 제2 혈관 영역, 및 상기 제3 혈관 영역을 서로 오버랩함으로써 상기 혈관 영상에서 상기 타겟 혈관에 대응하는 영역을 예측하는 단계를 포함할 수 있다.
상기 추출하는 단계는, 상기 제1 혈관 영역의 추출을 상기 제2 혈관 영역의 추출 및 상기 제3 혈관 영역의 추출보다 선행하여 수행하는 단계, 상기 제1 혈관 영역으로부터 혈관 분지들이 분기하는 분지점을 포함하는 영역 및 상이한 혈관들이 서로 겹치는 영역 중 적어도 하나를 포함하는 교차 영역(cross region)을 추출하는 단계, 및 상기 추출된 교차 영역에 기초하여 상기 혈관 영상으로부터 상기 제2 혈관 영역 및 상기 제3 혈관 영역을 추출하는 단계를 포함할 수 있다.
일 실시예에 따른 프로세서에 의해 수행되는 혈관 영상 처리 방법은, 상기 혈관 영상에서 예측된 혈관 구조의 오류(error)를 수정하는 단계를 더 포함할 수 있다.
상기 예측된 혈관 구조의 오류를 수정하는 단계는, 상기 혈관 영상과 상이한 시간에 촬영된 다른 혈관 영상을 획득하는 단계, 및 상기 혈관 영상에서 예측된 혈관 구조와 상기 획득된 다른 혈관 영상에서 예측된 혈관 구조를 비교한 결과에 기초하여, 상기 혈관 영상에서 예측된 혈관 구조의 오류를 수정하는 단계를 포함할 수 있다.
상기 예측된 혈관 구조의 오류를 수정하는 단계는, 상기 예측된 혈관 구조로부터 획득된 타겟 혈관의 직경(diameter), 상기 예측된 혈관 구조로부터 획득된 타겟 혈관의 말단 방향, 및 병변 정보 중 적어도 하나 또는 둘 이상의 조합에 기초하여 상기 예측된 혈관 구조의 오류를 수정하는 단계를 포함할 수 있다.
상기 예측된 혈관 구조의 오류를 수정하는 단계는, 상기 제1 혈관 영역에서 상기 제2 혈관 영역에 대응하는 영역을 제거하여 생성된 후보 별도 혈관 영역과, 상기 제2 혈관 영역에서 상기 제3 혈관 영역에 대응하는 영역을 제거하여 생성된 후보 혈관 분지 영역에 기초하여, 상기 혈관 영상에서 혈관 구조를 수정하는 단계를 포함할 수 있다.
일 실시예에 따른 혈관 영상 처리 장치는, 혈관 영상을 획득하는 영상 획득부, 및 상기 혈관 영상으로부터 상기 혈관 영상에 포함된 전체 혈관에 대응하는 제1 혈관 영역, 타겟 혈관 및 상기 타겟 혈관과 연결되는 하나 이상의 혈관 분지에 대응하는 제2 혈관 영역, 및 상기 타겟 혈관에 대응하는 제3 혈관 영역을 추출하고, 상기 혈관 영상으로부터 추출된 상기 제1 혈관 영역, 상기 제2 혈관 영역, 및 상기 제3 혈관 영역에 기초하여, 상기 혈관 영상에서 혈관 구조를 예측하는 프로세서를 포함할 수 있다.
일 실시예에 따른 혈관 영상 처리 장치는 혈관 영상에서 타겟 혈관, 타겟 혈관과 연결된 혈관 분지, 및 타겟 혈관과 분리된 별도 혈관으로 위상을 나누어 혈관 영역을 추출할 수 있고, 추출된 결과를 조합하여 혈관 구조를 보다 정확히 예측할 수 있다.
일 실시예에 따른 혈관 영상 처리 장치는 혈관에 다른 위상을 부여하여 혈관 영상을 분할함으로써, 종래의 혈관 중첩(overlap)에 의한 혈관 구조 예측의 어려움을 해결할 수 있다.
도 1은 일 실시예에 따른 혈관 영상을 처리하는 방법을 도시한 흐름도이다.
도 2a 내지 도 2c는 일 실시예에 따른 혈관 영상 처리 장치가 추출한 혈관 영역을 표시한 도면이다.
도 3은 일 실시예에 따른 혈관 영상 처리 장치가 혈관 영상의 혈관 구조를 예측하는 과정을 설명한다.
도 4는 일 실시예에 따른 혈관 영상 처리 장치 제1 혈관 영역에서 추출된 교차 영역(cross region)에 기초하여 제2 혈관 영역 및 제3 혈관 영역을 추출하는 과정을 설명한다.
도 5 내지 도 6은 일 실시예에 따른 혈관 영상 처리 장치가 예측된 혈관 구조의 오류(error)를 수정하는 과정을 설명한다.
도 7은 일 실시예에 따른 혈관 영상 처리 장치를 개략적으로 도시한 블록도이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 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 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 일 실시예에 따른 혈관 영상을 처리하는 방법을 도시한 흐름도이다.
우선, 단계(110)에서 혈관 영상 처리 장치는 혈관 영상(blood vessel image)으로부터 혈관 영상에 포함된 전체 혈관에 대응하는 제1 혈관 영역, 타겟 혈관(target vessel) 및 타겟 혈관과 연결되는 하나 이상의 혈관 분지에 대응하는 제2 혈관 영역, 및 타겟 혈관에 대응하는 제3 혈관 영역을 추출할 수 있다.
혈관 영상에 포함된 전체 혈관은, 타겟 혈관, 타겟 혈관과 연결된 하나 이상의 분지 혈관, 별도 혈관으로 구성될 수 있다. 타겟 혈관은 주혈관(major vessel)을 나타낼 수 있다. 혈관 분지는 타겟 혈관과 직접적으로 또는 간접적으로 연결되는 타겟 혈관에서 분기된 혈관을 나타낼 수 있다. 별도 혈관은 타겟 혈관과 분리된 별도의 혈관을 나타낼 수 있다. 예를 들어, 혈관 영상은 좌관상동맥(left coronary artery, LCA)을 촬영한 영상을 나타낼 수 있다. 좌관상동맥(LCA)은 좌전하행지(left anterior descending, LAD)와 좌선회관상동맥(left circumflex artery, LCX)로 구분될 수 있다. 타겟 혈관이 좌전하행지 내의 주혈관을 나타내는 경우, 별도 혈관은 좌선회관상동맥을 나타낼 수 있다.
일 실시예에 따른 혈관 영상 처리 장치는 혈관 영상 촬영 장치에 의해 촬영된 혈관 영상을 획득할 수 있다. 혈관 영상은 생체(living body)의 혈관을 촬영한 영상으로서, 혈관조영술(coronary angiography, 이하 CAG) 영상 및/또는 자기공명영상(Magnetic Resonance Imaging, 이하 MRI)을 이용하여 생성될 수 있다. 예를 들어, 혈관 영상은 조영제가 주입된 생체에 대해 엑스선 촬영함으로써 획득된 영상일 수 있다.
일 실시예에 따르면, 혈관 영상 처리 장치는 기계 학습 모델(machine learning model)에 기초하여 혈관 영상으로부터 제1 혈관 영역, 제2 혈관 영역, 제3 혈관 영역을 각각 추출할 수 있다. 기계 학습 모델은 혈관 영상의 입력에 응답하여 혈관 영상으로부터 혈관 영역을 추출하도록 설계된 기계 학습 구조를 갖는 하나 이상의 모델로서, 예를 들어, 뉴럴 네트워크(neural network)를 포함할 수 있다. 혈관 영상 처리 장치는 획득된 혈관 영상에 대해 상술한 기계 학습 모델에 따른 연산을 수행함으로써 혈관 영역의 추출 결과를 산출할 수 있다.
혈관 영상 처리 장치는 혈관의 형태, 종류 및/또는 혈관 영역에 따라 복수의 기계 학습 모델들 중 목표 혈관의 추출에 사용할 기계 학습 모델을 선택적으로 이용할 수도 있다. 목표 혈관이란 혈관 영상으로서 추출하고자 하는 혈관으로서, 예를 들어, 혈관 영상에 포함된 전체 혈관, 주혈관과 주혈관과 연결된 혈관 분지, 및 주혈관 중 하나일 수 있다. 그러나, 반드시 목표 혈관을 위의 예시로 한정하는 것은 아니다. 일 실시예에 따르면, 혈관 영상 처리 장치는 목표 혈관에 따라 복수의 기계 학습 모델들을 저장할 수 있다. 예를 들어, 혈관 영상 처리 장치는 추출하고자 하는 목표 혈관을 선택하고, 선택된 목표 혈관에 대응하는 기계 학습 모델을 로딩할 수 있다. 혈관 영상 처리 장치는 로딩된 기계 학습 모델을 이용하여 혈관 영상으로부터 목표 혈관의 추출 결과를 생성할 수 있다. 기계 학습 모델들의 각각의 트레이닝된 파라미터는 서로 다를 수 있고, 더 나아가, 서로 기계 학습 구조(예를 들어, 컨볼루션 뉴럴 네트워크, U-net 구조 등)가 다를 수도 있다.
예를 들어, 혈관 영상 처리 장치는 혈관 영상 내에서 혈관 영상에 포함된 전체 혈관을 추출하도록 학습된 기계 학습 모델을 사용하여 제1 혈관 영역을 추출할 수 있다. 혈관 영상 처리 장치는 혈관 영상 내에서 타겟 혈관(예를 들어, 주혈관)과 타겟 혈관과 연결된 혈관 분지를 추출하도록 학습된 기계 학습 모델을 사용하여 제2 혈관 영역을 추출할 수 있다. 혈관 영상 처리 장치는 혈관 영상 내의 타겟 혈관을 추출하도록 학습된 기계 학습 모델을 사용하여 제3 혈관 영역을 추출할 수 있다.
예를 들어, 기계 학습 모델의 출력 데이터는 혈관 영상의 복수의 지점들에서 각 지점의 목표 혈관(예를 들어, 전체 혈관, 주혈관 등)을 지시할 가능성(예를 들어, 확률)에 대응하는 스코어(score)에 대한 정보를 포함할 수 있다. 여기서 목표 혈관이란, 해당 기계 학습 모델이 추출하고자 하는 혈관(예를 들어, 전체 혈관, 주혈관, 또는 주혈관과 주혈관과 연결된 혈관 분지)을 나타낼 수 있다. 혈관 영상 처리 장치는 출력 데이터에서 임계 값 이상의 스코어를 갖는 지점을 목표 혈관에 대응하는 영역으로 결정함으로써 추출 결과를 생성할 수 있다. 다른 예를 들어, 기계 학습 모델의 출력 데이터는, 혈관 영상으로부터 분할(segment)된 혈관 영역으로서, 혈관 영상의 복수의 지점들 중 목표 혈관으로서 추출된 지점을 포함할 수 있다. 목표 혈관의 추출 결과는, 예를 들어, 혈관 영상의 지점들 중 목표 혈관으로서 추출된 지점들의 집합 및/또는 혈관 영상으로부터 분할된 목표 혈관에 대응하는 영역에 대한 영상일 수 있다.
참고로, 뉴럴 네트워크는 딥 뉴럴 네트워크(DNN, deep neural network)를 포함할 수 있다. DNN은 완전 연결 네트워크(fully connected network), 딥 컨볼루셔널 네트워크(deep convolutional network) 및 리커런트 뉴럴 네트워크(recurrent neural network) 등을 포함할 수 있다. 뉴럴 네트워크는 딥 러닝에 기반하여 비선형적 관계에 있는 입력 데이터 및 출력 데이터를 서로 매핑함으로써 객체 분류, 객체 인식, 및 레이더 이미지 인식 등을 수행할 수 있다. 딥 러닝은 빅 데이터 세트로부터 객체 인식과 같은 문제를 해결하기 위한 기계 학습 기법으로 지도식(supervised) 또는 비지도식(unsupervised) 학습을 통해 입력 데이터 및 출력 데이터를 서로 매핑할 수 있다. 지도식 학습의 경우, 상술한 기계 학습 모델은 트레이닝 입력(예를 들어, 트레이닝을 위한 혈관 영상) 및 해당 트레이닝 입력에 매핑된 트레이닝 출력(예를 들어, 트레이닝을 위한 혈관 영상에 대해 전문가 등에 의해 목표 혈관으로 분할된 참값(ground truth) 영상)의 쌍을 포함하는 트레이닝 데이터에 기초하여 트레이닝될 수 있다. 예를 들어, 기계 학습 모델은 트레이닝 입력으로부터 트레이닝 출력을 출력하도록 트레이닝될 수 있다. 트레이닝 중의 기계 학습 모델(이하, '임시 모델')은 트레이닝 입력에 응답하여 임시 출력을 생성할 수 있고, 임시 출력 및 트레이닝 출력(예를 들어, 참값) 간의 손실이 최소화되도록 트레이닝될 수 있다. 트레이닝 과정 동안 기계 학습 모델의 파라미터(예를 들어, 뉴럴 네트워크에서 노드들/레이어들 간의 연결 가중치)가 손실에 따라 업데이트될 수 있다.
다음으로, 단계(120)에서 혈관 영상 처리 장치는 혈관 영상으로부터 추출된 제1 혈관 영역, 제2 혈관 영역, 제3 혈관 영역에 기초하여 혈관 영상에서의 혈관 구조를 예측할 수 있다. 혈관 구조의 예측은 혈관 영상에서 혈관에 대응하는 각 지점에 대한 분류를 나타낼 수 있다. 혈관 영상 처리 장치는 혈관 영상에서 혈관에 대응하는 각 지점을 타겟 혈관, 타겟 혈관과 연결되는 하나 이상의 혈관 분지, 타겟 혈관과 분리된 별도 혈관 중 하나에 속하는 것으로 분류할 수 있다. 혈관 영상 처리 장치는 혈관 영상에서 타겟 혈관, 타겟 혈관과 연결된 혈관 분지, 타겟 혈관과 분리된 별도 혈관으로 위상을 나누어 혈관 영역을 예측함으로써 혈관의 구조를 보다 정확히 예측할 수 있다. 이하에서는, 제1 혈관 영역, 제2 혈관 영역, 제3 혈관 영역에 기초하여 혈관 영상에서의 혈관 구조를 예측하는 방법에 대하여 자세히 설명한다.
도 2a 내지 도 2c는 일 실시예에 따른 혈관 영상 처리 장치가 추출한 혈관 영역을 표시한 도면이다.
혈관 영상 처리 장치는 혈관 영상 촬영 장치에 의해 촬영된 혈관 영상(200)을 획득할 수 있다.
도 2a에서, 혈관 영상 처리 장치는 혈관 영상(200)으로부터 혈관 영상에 포함된 전체 혈관에 대응하는 제1 혈관 영역(210)을 추출할 수 있다. 혈관 영상에 포함된 전체 혈관은 타겟 혈관, 타겟 혈관과 연결되는 혈관 분지, 타겟 혈관과 분리된 별도 혈관을 포함할 수 있다.
도 2b에서, 혈관 영상 처리 장치는 혈관 영상(200)으로부터 타겟 혈관 및 타겟 혈관과 연결되는 하나 이상의 혈관 분지에 대응하는 제2 혈관 영역(220)을 추출할 수 있다. 예를 들어, 타겟 혈관은 주혈관(major vessel)일 수 있다. 타겟 혈관과 연결되는 혈관 분지는 타겟 혈관에서 분기되어 직접적으로 연결되는 혈관 분지 뿐만 아니라, 타겟 혈관에서 분기된 혈관 분지에서 다시 분기되는 혈관 분지를 포함한다. 타겟 혈관과 연결되는 혈관 분지는 타겟 혈관을 따라 간접적으로 연결되는 혈관 분지가 포함된다.
도 2c에서, 혈관 영상 처리 장치는 혈관 영상(200)으로부터 타겟 혈관에 대응하는 제3 혈관 영역(230)을 추출할 수 있다.
일 실시예에 따른 혈관 영상 처리 장치는 혈관 영상(200)으로부터 추출된 제1 혈관 영역(210), 제2 혈관 영역(220), 및 제3 혈관 영역(230)에 기초하여 혈관 영상에서 혈관 구조를 예측할 수 있다. 혈관 영상 처리 장치는 혈관 영상에서 혈관에 대응하는 각 지점을, 타겟 혈관, 타겟 혈관과 연결되는 하나 이상의 혈관 분지, 타겟 혈관과 분리된 별도 혈관 중 하나에 속하는 것으로 분류할 수 있다. 혈관 영상 처리 장치는 제1 혈관 영역, 제2 혈관 영역, 제3 혈관 영역에 기초하여, 혈관 영상에서 타겟 혈관에 대응하는 영역, 타겟 혈관과 연결된 혈관 분지에 대응하는 영역, 타겟 혈관과 분리된 별도 혈관에 대응하는 영역을 예측할 수 있다. 여기서, 타겟 혈관과 분리된 별도 혈관이란, 타겟 혈관으로부터 직접적으로 또는 간접적으로 연결되지 않는 혈관으로, 타겟 혈관으로부터 분리된(disconnected) 혈관을 나타낼 수 있다. 예를 들어, 타겟 혈관과 분리된 별도 혈관은 혈관의 시작 지점에서 타겟 혈관과 다른 방향으로 분기된 혈관을 나타낼 수 있다.
도 3은 일 실시예에 따른 혈관 영상 처리 장치가 혈관 영상의 혈관 구조를 예측하는 과정을 설명한다.
일 실시예에 따른 혈관 영상 처리 장치는 혈관 영상으로부터 추출된 제1 혈관 영역(310), 제2 혈관 영역(320), 및 제3 혈관 영역(330)에 대한 결과를 앙상블(ensemble)하여 혈관 영상(340)에서의 혈관 구조를 예측할 수 있다.
일 실시예에 따르면, 혈관 영상 처리 장치는 혈관 영상으로부터 추출된 제1 혈관 영역(310), 제2 혈관 영역(320), 및 제3 혈관 영역(330)에 기초하여, 혈관 영상에서 타겟 혈관에 대응하는 영역(341)을 예측할 수 있다. 더 나아가, 혈관 영상 처리 장치는 혈관 영상으로부터 추출된 제1 혈관 영역(310), 제2 혈관 영역(320), 및 제3 혈관 영역(330)에 기초하여, 혈관 영상에서 타겟 혈관과 연결되는 하나 이상의 혈관 분지에 대응하는 영역(342) 및 타겟 혈관과 분리된 별도 혈관에 대응하는 영역(343)을 각각 예측할 수 있다. 혈관 영상 처리 장치는 제1 혈관 영역(310), 제2 혈관 영역(320), 및 제3 혈관 영역(330)을 앙상블(ensemble)하여 혈관 영상에서 혈관 구조의 예측 정확도를 향상시킬 수 있다.
이하에서는, 혈관 영상 처리 장치가 제1 혈관 영역(310), 제2 혈관 영역(320), 및 제3 혈관 영역(330)에 기초하여 타겟 혈관에 대응하는 영역을 예측하는 과정에 관한 몇가지 실시예를 소개한다.
일 실시예에 따르면, 혈관 영상 처리 장치는 제1 혈관 영역(310), 제2 혈관 영역(320), 및 제3 혈관 영역(330)을 서로 오버랩(overlap)함으로써 혈관 영상에서 타겟 혈관에 대응하는 영역을 예측할 수 있다. 제1 혈관 영역, 제2 혈관 영역은 타겟 혈관에 대응하는 영역을 포함하여 추출하고 있으며, 제3 혈관 영역은 타겟 혈관에 대응하는 영역을 추출하고 있다. 따라서, 혈관 영상 처리 장치는 제1 혈관 영역, 제2 혈관 영역, 및 제3 혈관 영역을 앙상블함으로써 혈관 영상에서 타겟 혈관에 대응하는 영역을 예측할 수 있다. 예를 들어, 혈관 영상 처리 장치는 제3 혈관 영역(330)과 제2 혈관 영역(320)을 서로 오버랩하여 겹쳐지는 영역을 타겟 혈관에 대응하는 영역인 것으로 결정할 수 있다. 다른 예를 들어, 혈관 영상 처리 장치는 제3 혈관 영역(330)과 제1 혈관 영역(310)을 서로 오버랩하여 겹쳐지는 영역을 타겟 혈관에 대응하는 영역인 것으로 결정할 수 있다. 또 다른 예를 들어, 혈관 영상 처리 장치는 제3 혈관 영역(330)과 제2 혈관 영역(320)이 서로 겹쳐지는 영역을 제3 혈관 영역(330)과 제1 혈관 영역(310)이 서로 겹쳐지는 영역과 비교함으로써 타겟 혈관에 대응하는 영역을 결정할 수도 있다. 타겟 혈관에 대응하는 영역을 예측하는 방법은 위의 예시로 한정되지는 않으며, 추출된 혈관 영역들을 서로 오버랩함으로써 다양한 방식으로 예측될 수 있다.
다른 일 실시예에 따르면, 혈관 영상 처리 장치는 제1 혈관 영역(310)으로부터 타겟 혈관에 대응하는 영역을 구분(divide)할 수 있다. 혈관 영상 처리 장치는 제2 혈관 영역(320)으로부터 타겟 혈관에 대응하는 영역을 구분할 수 있다. 혈관 영상 처리 장치는 제1 혈관 영역(310)으로부터 타겟 혈관에 대응하여 구분된 영역, 제2 혈관 영역(320)으로부터 타겟 혈관에 대응하여 구분된 영역, 제3 혈관 영역(330) 중 둘 이상의 조합에 기초하여 혈관 영상에서 타겟 혈관에 대응하는 영역(341)을 예측할 수 있다. 예를 들어, 혈관 영상 처리 장치는 제1 혈관 영역(310)으로부터 타겟 혈관에 대응하는 영역을 이미지 프로세싱(image processing)을 통해 구분할 수 있다. 제1 혈관 영역은 타겟 혈관, 타겟 혈관과 연결되는 혈관 분지, 타겟 혈관과 분리된 별도 혈관을 모두 포함하는 영역이기 때문에, 제1 혈관 영역으로부터 타겟 혈관에 대응하는 영역을 구분하기 위해서는 별도의 이미지 프로세싱이 필요하다. 마찬가지로, 제2 혈관 영역은 타겟 혈관 및 타겟 혈관과 연결되는 혈관 분지를 포함하는 영역이기 때문에, 제2 혈관 영역으로부터 타겟 혈관에 대응하는 영역을 이미지 프로세싱을 통해 구분할 수 있다.
혈관 영상 처리 장치는 혈관 영상에 포함된 지점들 중 제1 혈관 영역으로부터 구분된 타겟 혈관 영역에 대응하는 지점에 '1'의 스코어(score)를 부여할 수 있고, 나머지 지점에 '0'의 스코어를 부여할 수 있다. 마찬가지로, 혈관 영상 처리 장치는 제2 혈관 영역으로부터 추출된 타겟 혈관 영역에 대응하는 지점에 '1'의 스코어를 부여할 수 있고, 나머지 지점에 '0'의 스코어를 부여할 수 있다. 혈관 영상 처리 장치는 제3 혈관 영역에 대응하는 지점에 '1'의 스코어를 부여할 수 있고, 나머지 지점에 '0'의 스코어를 부여할 수 있다. 예를 들어, 혈관 영상 처리 장치는 혈관 영상에서 지점 마다 부여된 세번의 스코어의 평균(average)을 산출할 수 있고, 임계 스코어(예를 들어, 0.5)를 초과하는 평균 스코어를 갖는 지점이 타겟 혈관에 속하는 지점인 것으로 결정할 수 있다. 다른 예를 들어, 혈관 영상 처리 장치는 부여된 세번의 스코어가 모두 '1'인 지점만을 타겟 혈관에 속하는 지점인 것으로 결정할 수도 있다.
혈관 영상 처리 장치는 제1 혈관 영역의 추출 결과로부터 각 지점에 타겟 혈관을 지시할 가능성(예를 들어, 확률)에 대응하는 스코어를 부여할 수도 있다. 마찬가지로, 혈관 영상 처리 장치는 제2 혈관 영역의 추출 결과, 제3 혈관의 추출 결과의 각각에서 지점 마다 타겟 혈관을 지시할 가능성에 대응하는 스코어를 부여할 수 있다. 이후, 혈관 영상 처리 장치는 혈관 영상에 포함된 지점 마다 부여된 세번의 스코어의 평균을 산출할 수 있고, 임계 스코어를 초과하는 평균 스코어를 갖는 지점이 타겟 혈관에 속하는 지점인 것으로 결정할 수 있다.
도 4는 일 실시예에 따른 혈관 영상 처리 장치 제1 혈관 영역에서 추출된 교차 영역(cross region)에 기초하여 제2 혈관 영역 및 제3 혈관 영역을 추출하는 과정을 설명한다.
일 실시예에 따른 혈관 영상 처리 장치는 혈관 영상(400)으로부터 제1 혈관 영역의 추출을 제2 혈관 영역의 추출 및 제3 혈관 영역의 추출보다 선행하여 수행할 수 있다. 혈관 영상 처리 장치는 제1 혈관 영역으로부터 혈관 분지들이 분기하는 분지점을 포함하는 영역(411, 412) 및 상이한 혈관들이 서로 겹치는 영역(421, 422) 중 적어도 하나를 포함하는 교차 영역(cross region)을 추출할 수 있다. 혈관 영상 처리 장치는 추출된 교차 영역에 기초하여 혈관 영상으로부터 제2 혈관 영역 및 제3 혈관 영역을 추출할 수 있다.
보다 구체적으로, 혈관 영상 처리 장치는 혈관 영상(400)으로부터 혈관 영상에 포함된 전체 혈관에 대한 제1 혈관 영역을 추출할 수 있다. 제1 혈관 영역은 타겟 혈관, 타겟 혈관과 연결된 혈관 분지, 타겟 혈관과 분리된 별도 혈관을 모두 포함하는 영역을 나타낸다. 혈관 영상 처리 장치는 제1 혈관 영역에서 교차 영역을 추출할 수 있다. 교차 영역은 혈관 분지들이 분기하는 분기점(branch point)을 포함하는 영역 및 상이한 혈관들이 서로 겹치는 영역을 포함한다. 혈관 분지들이 분기하는 분기점은 둘 이상의 혈관 분지가 합쳐지는 지점 및/또는 복수의 혈관 분지들로 나눠지는 지점을 나타낼 수 있다. 혈관 영상(400)에 포함된 혈관에 대응하는 혈관 영역은 다수의 분기점을 가질 수 있다. 상이한 혈관들이 서로 겹치는 영역이란, 예를 들어, 타겟 혈관과 타겟 혈관과 분리된 별도의 혈관이 혈관 영상에 서로 겹쳐서 나타나는 영역을 나타낼 수 있다. 혈관 영상(400)은 엑스선 등을 3차원의 혈관에 조사하여 획득된 2차원 조사 영상이기 때문에, 혈관 영상(400)에서는 특정 혈관이 그보다 깊게 위치된 혈관을 가리는 현상이 발생한다. 다시 말해, 상이한 혈관들이 서로 겹치는 영역은 혈관들이 실제로 서로 관통하는 영역이 아닌, 깊이(depth)가 서로 달라 특정 혈관이 다른 혈관을 가리는 영역을 나타낼 수 있다.
일 실시예에 따른 혈관 영상 처리 장치는 혈관 영상 처리 장치는 혈관 영상으로부터 제1 혈관 영역, 제2 혈관 영역, 및 제3 혈관 영역을 각각 개별적으로 추출할 수 있으나, 제1 혈관 영역, 제2 혈관 영역, 및 제3 혈관 영역을 서로 연동하여 출력할 수도 있다. 일 실시예에 따르면, 혈관 영상 처리 장치는 제1 혈관 영역에서 추출된 교차 영역에 기초하여 혈관 영상으로부터 제2 혈관 영역 및 제3 혈관 영역을 추출할 수 있다. 예를 들어, 혈관 영상 처리 장치는 제1 혈관 영역에서 추출된 교차 영역에 대한 정보를 제2 혈관 영역을 추출하는 네트워크(network)에 입력할 수 있고, 네트워크는 입력된 교차 영역에 대한 정보를 활용하여 혈관 영상으로부터 제2 혈관 영역을 보다 정확히 추출할 수 있다. 마찬가지로, 혈관 영상 처리 장치는 제1 혈관 영역에서 추출된 교차 영역에 대한 정보를 제3 혈관 영역을 추출하는 네트워크에 입력하고, 네트워크는 입력된 정보에 기초하여 제3 혈관 영역을 보다 정확히 추출할 수 있다. 여기서, 네트워크는 혈관 영상에서 혈관 영역을 추출하기 위한 네트워크로, 예를 들어, 뉴럴 네트워크(neural network)일 수 있다. 더 나아가, 혈관 영상 처리 장치는 교차 영역에 대한 정보를 네트워크에 입력하는 경우, 혈관 분지들이 분기하는 분기점을 포함하는 영역에 대한 정보 및 상이한 혈관들이 서로 겹치는 영역에 대한 정보를 서로 구분하여 입력할 수 있다.
도 5 내지 도 6은 일 실시예에 따른 혈관 영상 처리 장치가 예측된 혈관 구조의 오류(error)를 수정하는 과정을 설명한다.
일 실시예에 따른 혈관 영상 처리 장치는 혈관 영상에서 혈관에 대응하는 각 지점을, 타겟 혈관, 타겟 혈관과 연결되는 하나 이상의 혈관 분지, 타겟 혈관과 분리된 별도 혈관 중 하나에 속하는 것으로 분류함으로써, 혈관 영상의 혈관 구조를 예측할 수 있다. 일 실시예에 따른 혈관 영상 처리 장치는 예측된 혈관 구조의 오류(error)를 수정할 수 있다. 예를 들어, 혈관 영상 처리 장치의 예측된 혈관 구조는, 타겟 혈관과 분리된 별도 혈관에 속하는 지점을 타겟 혈관에 속하는 지점으로 잘못 분류하는 오류를 포함할 수 있다. 다른 예를 들어, 예측된 혈관 구조는 타겟 혈관과 연결된 혈관 분지에 속하는 지점을 타겟 혈관에 속하는 지점으로 잘못 분류하는 오류를 포함할 수 있다. 이 경우, 혈관 영상 처리 장치는 다양한 방법을 사용하여 예측된 혈관 구조를 검증하고, 예측된 혈관 구조에서 오류인 것으로 판단되는 영역을 자동적으로(automatically) 수정할 수 있다. 이하에서는, 혈관 영상 처리 장치가 예측된 혈관 구조의 오류를 수정하는 다양한 방법에 관하여 설명한다.
일 실시예에 따르면, 혈관 영상 처리 장치는 기존의 혈관 영상(이하, '대상 혈관 영상')과 상이한 시간에 촬영된 다른 혈관 영상을 사용하여 예측된 혈관 구조의 오류를 수정할 수 있다. 먼저 혈관 영상 처리 장치는 대상 혈관 영상과 상이한 시간에 촬영된 다른 혈관 영상을 혈관 영상 촬영 장치로부터 획득할 수 있다. 혈관 영상 처리 장치는 하나 또는 둘 이상의 다른 혈관 영상을 획득할 수 있다. 혈관 영상 처리 장치는 대상 혈관 영상에서 예측된 혈관 구조와 다른 혈관 영상에서 예측된 혈관 구조를 비교할 수 있고, 비교한 결과에 기초하여 대상 혈관 영상에서 예측된 혈관 구조의 오류(error)를 수정할 수 있다. 혈관 영상 처리 장치는 다른 혈관 영상에 대하여서도 대상 혈관 영상에서 혈관 구조를 예측하는 방법과 유사한 방법으로 혈관 구조를 예측할 수 있다. 다시 말해, 혈관 영상 처리 장치는 다른 혈관 영상에 대하여서도, 전체 혈관에 대한 혈관 영역, 타겟 혈관과 타겟 혈관과 연결되는 하나 이상의 혈관 분지에 대한 혈관 영역, 타겟 혈관에 대한 혈관 영역을 추출하고, 추출된 결과에 기초하여 다른 혈관 영상에 대한 혈관 구조를 예측할 수 있다.
혈관 영상 처리 장치는 복수의 다른 혈관 영상을 획득할 수 있다. 혈관 영상 처리 장치는 복수의 다른 혈관 영상 마다 예측된 혈관 구조를 산출하여 대상 혈관 영상의 예측된 혈관 구조와 비교할 수 있다. 일 실시예에 따르면, 혈관 영상 처리 장치는 다른 혈관 영상 마다 혈관 구조를 나타내는 혈관 트리(blood vessel tree)를 생성할 수 있다. 도 5를 참조하면, 특정 혈관 영상(510)으로부터 생성된 혈관 트리(530)를 살펴볼 수 있다. 혈관 트리(530)는 분기점들(531) 및 혈관 라인들(535)로 구성될 수 있다. 혈관 영상 처리 장치는 대상 혈관 영상 및 복수의 다른 혈관 영상 마다 개별적으로 혈관 트리를 생성할 수 있다. 혈관 트리(530)에는 타겟 혈관, 타겟 혈관과 연결된 혈관 분지, 타겟 혈관과 분리된 다른 혈관이 서로 구별되도록 표시될 수도 있다.
혈관 영상 처리 장치는 생성된 혈관 트리들 중 가장 유사도가 높은 혈관 트리를 선택할 수 있다. 예를 들어, 혈관 영상 처리 장치는 생성된 혈관 트리들 중 해당하는 혈관 트리 마다 다른 혈관 트리들과의 유사한 정도를 계산함으로써 유사도를 산출할 수 있다. 혈관 영상 처리 장치는 생성된 혈관 트리들 중 가장 유사도가 높은 혈관 트리를 선택할 수 있다. 혈관 영상 처리 장치는 선택된 혈관 트리에 부합하도록 대상 혈관의 예측된 혈관 구조를 수정할 수 있다. 예를 들어, 혈관 영상 처리 장치는 선택된 혈관 트리에 기초하여, 타겟 혈관으로 분류되는 지점을 타겟 혈관과 분리된 혈관 분지 또는 타겟 혈관과 연결된 혈관 분지로 다시 분류할 수 있다.
혈관 영상 처리 장치는 혈관 트리를 생성하는 방법 외에도 상이한 시간 촬영된 혈관 영상을 이용하여 혈관 구조를 보다 정확히 예측할 수 있다. 혈관은 심장 박동에 의해 동적으로 이동하기 때문에, 2차원 혈관 영상 내에서 서로 멀어지는 혈관은 서로 분리된 혈관인 것으로 판단될 수 있다. 따라서, 혈관 영상 처리 장치는 상이한 시간에 촬영된 복수의 혈관 영상들을 사용하여 분리된 혈관과 연결된 혈관을 보다 정확히 구분할 수 있고, 구분된 결과에 따라 예측된 혈관 구조를 수정할 수 있다.
일 실시예에 따른 혈관 영상 처리 장치는 예측된 혈관 구조로부터 획득된 타겟 혈관의 직경(diameter), 예측된 혈관 구조로부터 획득된 타겟 혈관의 말단 방향, 및 병변 정보 중 적어도 하나 또는 둘 이상의 조합에 기초하여 예측된 혈관 구조의 오류를 수정할 수 있다.
일 실시예에 따르면, 혈관 영상 처리 장치는 예측된 혈관 구조로부터 타겟 혈관에 관한 정보를 획득할 수 있다. 혈관 영상 처리 장치는 예측된 혈관 구조로부터 타겟 혈관에 대응하는 혈관 영역을 예측할 수 있다. 혈관 영상 처리 장치는 예측된 타겟 혈관에 대응하는 혈관 영역에 기초하여 타겟 혈관의 직경(diameter)을 산출할 수 있다. 혈관은 혈류가 이동하는 방향에 따라 혈관의 직경이 감소한다. 예를 들어, 혈관 영상 처리 장치는 혈류가 이동하는 방향에 대하여 타겟 혈관의 직경을 산출할 수 있고, 타겟 혈관의 직경이 임계 길이를 초과하여 증가하는 경우에는 예측된 혈관 구조에 오류가 있다고 판단할 수 있다. 혈관 영상 처리 장치는 타겟 혈관의 직경이 임계 길이를 초과하여 증가된 경우에 응답하여, 임계 길이를 초과하는 타겟 혈관의 일부 영역에서 혈관 구조의 예측에 오류가 있는 것으로 판단할 수 있다. 혈관 영상 처리 장치는 오류가 있는 것으로 판단된 타겟 혈관의 일부 영역을 중심으로 혈관 구조를 수정할 수 있다.
일 실시예에 따르면, 혈관 영상 처리 장치는 예측된 혈관 구조로부터 타겟 혈관의 말단 방향을 산출할 수 있다. 혈관 영상 처리 장치는 타겟 혈관의 말단 방향에 기초하여 예측된 혈관 구조의 오류를 수정할 수 있다. 예를 들어, 타겟 혈관이 주혈관인 경우를 가정한다. 주혈관의 말단은 주로 좌측 방향을 향한다. 따라서, 혈관 영상 처리 장치는 예측된 혈관 구조로부터 주혈관의 말단 방향이 좌측을 향하지 않는 경우, 예측된 혈관 구조에 오류가 있다고 판단할 수 있다. 혈관 영상 처리 장치는 타겟 혈관이 말단 방향이 좌측을 향하도록 주혈관과 연결된 혈관 분지로 분류된 일부 지점들을 타겟 혈관에 대응하는 영역으로 재분류함으로써, 예측된 혈관 구조의 오류를 수정할 수 있다.
일 실시예에 따르면, 혈관 영상 처리 장치는 병변 정보에 기초하여 예측된 혈관 구조의 오류를 수정할 수 있다. 예를 들어, 혈관 영상 처리 장치는 병변에 대한 정보를 획득하기 위하여 혈관 구조를 예측할 수 있다. 병변에 대한 정보는 병변이 혈관 구조 상에서 위치하는 지점에 대한 정보를 포함할 수 있다. 혈관 영상 처리 장치는 예측된 혈관 구조로부터 병변에 대한 정보를 획득할 수 있다. 그러나, 혈관 영상 처리 장치는 예측된 혈관 구조에서 타겟 혈관에 대응하는 영역에 대상 병변이 전혀 발견되지 않아 대상 병변에 대한 정보를 전혀 획득할 수 없는 경우, 예측된 혈관 구조에 오류가 있다고 판단할 수 있다. 이러한 경우, 혈관 영상 처리 장치는 기존의 타겟 혈관과 분리된 별도 혈관을 타겟 혈관으로 재지정할 수 있다. 혈관 영상 처리 장치는 재지정된 타겟 혈관에 기초하여 혈관 영상에서 혈관 구조를 재예측할 수 있고, 재예측된 혈관 구조에 따라 기존 예측된 혈관 구조의 오류를 수정할 수 있다. 예를 들어, 혈관 영상 처리 장치가 좌선하행지(LAD)를 타겟 혈관으로 지정하여 혈관 구조를 예측하였으나 병변이 좌선하행지(LAD)에서 전혀 검출되지 않은 경우를 가정한다. 이 경우, 혈관 영상 처리 장치는 좌선하행지와 다른 혈관인 좌선회관상동맥(LCX)를 타겟 혈관으로 재지정하여 혈관 구조를 다시 예측함으로써 기존에 예측된 혈관 구조를 수정할 수 있다.
도 6은 일 실시예에 따른 혈관 영상 처리 장치가 제1 혈관 영역, 제2 혈관 영역, 및 제3 혈관 영역 중 둘 이상의 조합에 기초하여 예측된 혈관 구조를 수정하는 과정을 설명한다.
일 실시예에 따른 혈관 영상 처리 장치는 제1 혈관 영역에서 제2 혈관 영역에 대응하는 영역을 제거하여 생성된 후보 별도 혈관 영역과, 제2 혈관 영역에서 제3 혈관 영역에 대응하는 영역을 제거하여 생성된 후보 혈관 분지 영역에 기초하여, 혈관 영상에서 예측된 혈관 구조의 오류를 수정할 수 있다.
혈관 영상 처리 장치는 제1 혈관 영역에서 제2 혈관 영역에 대응하는 영역을 제거함으로써 후보 별도 혈관 영역(603)을 생성할 수 있다. 제1 혈관 영역은 타겟 혈관, 타겟 혈관과 연결된 혈관 분지, 및 별도 혈관을 모두 포함하는 영역이고, 제2 혈관 영역은 타겟 혈관, 및 타겟 혈관과 연결된 혈관 분지를 포함하는 영역이다. 따라서, 제1 혈관 영역에서 제2 혈관 영역에 대응하는 영역을 제거함으로써, 별도 혈관으로 분류될 확률이 높은 후보 별도 혈관 영역이 생성될 수 있다. 또한, 혈관 영상 처리 장치는 제2 혈관 영역에서 제3 혈관 영역에 대응하는 영역을 제거함으로써 후보 혈관 분지 영역(602)을 생성할 수 있다. 다시 말해, 혈관 영상 처리 장치는 제2 혈관 영역에서 제3 혈관 영역에 대응하는 영역을 제거함으로써, 타겟 혈관에 연결된 혈관 분지로 분류될 확률이 높은 후보 혈관 분지 영역을 생성할 수 있다.
예를 들어, 혈관 영상 처리 장치가 혈관 영관에서 예측된 혈관 구조에 따라 혈관 영역(610)이 타겟 혈관과 연결된 혈관 분지에 대응하는 영역으로 분류된 경우를 가정한다. 혈관 영상 처리 장치는 혈관 영역(610)이 후보 혈관 분지 영역(602)에서 벗어나 후보 별도 혈관 영역(603)과 오버랩되는 경우, 예측된 혈관 구조에 오류가 있는 것으로 판단할 수 있다. 혈관 영상 처리 장치는 예측된 혈관 구조에 따라 혈관 분지에 대응하는 영역으로 분류된 혈관 영역(610)이 후보 혈관 분지 영역(602)에서 벗어나 후보 별도 혈관 영역(603)과 임계 면적을 초과하여 오버랩 되는 경우, 예측된 혈관 구조에 오류가 있는 것으로 판단할 수 있다. 이 경우, 혈관 영상 처리 장치는 예측된 혈관 구조의 오류를 수정하여, 혈관 영역(611)이 혈관 분지에 대응하는 영역인 것으로 예측을 변경할 수 있다. 타겟 혈관과 연결되는 혈관 분지와 타겟 혈관과 분리된 별도 혈관은 2차원 투시 영상 상에서 겹치는 경우가 자주 발생한다. 이때, 혈관 분지와 별도 혈관이 겹치는 영역에서부터 별도 혈관에 대응하는 영역을 혈관 분지로 오인하는 등의 혈관 구조 예측에 오류가 발생할 수 있다. 혈관 영상 처리 장치는 예측된 혈관 구조를 생성된 후보 별도 혈관 영역(603)과 후보 혈관 분지 영역(602)을 이용하여 수정함으로써, 보다 정확한 혈관 구조를 예측할 수 있다.
더 나아가, 혈관 영상 처리 장치는 처음부터 제1 혈관 영역에서 제2 혈관 영역에 대응하는 영역을 제거하여 생성된 후보 별도 혈관 영역과 제2 혈관 영역에서 제3 혈관 영역에 대응하는 영역을 제거하여 생성된 후보 혈관 분지 영역에 기초하여, 혈관 영상의 혈관 구조를 예측할 수 있다. 예를 들어, 혈관 영상 처리 장치는 별도 혈관에 대응하는 영역이 임계 영역 이상으로 후보 혈관 분지 영역과 오버랩되지 않고, 혈관 분지에 대응하는 영역이 임계 영역 이상으로 후보 별도 혈관 영역과 오버랩되지 않도록 혈관 구조를 예측할 수 있다.
도 7은 일 실시예에 따른 혈관 영상 처리 장치를 개략적으로 도시한 블록도이다.
일 실시예에 따른 혈관 영상을 처리하는 시스템(700)은 혈관 영상 처리 장치(710) 및 혈관 영상 촬영 장치(720)를 포함할 수 있다. 혈관 영상 처리 장치(710)는 영상 획득부(711), 프로세서(712), 및 메모리(713)를 포함할 수 있다.
영상 획득부(711)는 혈관 영상 촬영 장치(720)에 의해 촬영된 혈관 영상을 획득할 수 있다. 영상 획득부(711)는 유무선 데이터 통신을 통해 혈관 영상 촬영 장치(720)로부터 혈관 영상을 획득할 수 있다. 다만, 이로 한정하는 것은 아니며, 영상 획득부(711)에 혈관 영상 촬영 장치(720)가 통합되어 구성될 수도 있다.
프로세서(712)는 혈관 영상으로부터 혈관 영상에 포함된 전체 혈관을 지시하는 제1 혈관 영역, 타겟 혈관 및 타겟 혈관과 연결되는 하나 이상의 혈관 분지를 지시하는 제2 혈관 영역, 및 타겟 혈관을 지시하는 제3 혈관 영역을 추출할 수 있다. 또한, 프로세서(712)는 혈관 영상으로부터 추출된 제1 혈관 영역, 제2 혈관 영역, 및 제3 혈관 영역에 기초하여, 혈관 영상에서 혈관 구조를 예측할 수 있다. 다시 말해, 프로세서(712)는 혈관 영상에서 타겟 혈관, 타겟 혈관 및 타겟 혈관과 연결된 혈관 분지, 타겟 혈관과 분리된 별도 혈관으로 위상을 나누어 혈관 영역을 예측함으로써 혈관의 구조를 예측할 수 있다. 이외에도 프로세서(712)는 도 1 내지 도 6에서의 동작들을 수행할 수 있다.
메모리(713)는 혈관 영상 촬영 장치(720)로부터 획득된 혈관 영상을 저장할 수 있다. 또한, 메모리(713)는 형관 영상 내에서 제1 혈관 영역, 제2 혈관 영역, 및 제3 혈관 영역을 저장할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 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.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (17)

  1. 프로세서에 의해 수행되는 혈관 영상 처리 방법에 있어서,
    혈관 영상으로부터 타겟 혈관(target vessel), 상기 타겟 혈관과 연결되는 혈관 분지, 및 상기 타겟 혈관과 분리된 별도 혈관을 모두 포함하는 영역인 제1 혈관 영역, 상기 타겟 혈관 및 상기 타겟 혈관과 연결되는 혈관 분지를 포함하는 영역인 제2 혈관 영역, 및 상기 타겟 혈관을 포함하는 영역인 제3 혈관 영역을 각각 추출하는 단계; 및
    상기 혈관 영상으로부터 추출된 상기 제1 혈관 영역, 상기 제2 혈관 영역, 및 상기 제3 혈관 영역에 기초하여, 상기 혈관 영상에서 혈관 구조를 예측하는 단계
    를 포함하고,
    상기 혈관 구조를 예측하는 단계는,
    상기 제1 혈관 영역, 상기 제2 혈관 영역, 및 상기 제3 혈관 영역을 서로 오버랩함으로써 상기 혈관 영상에서 상기 타겟 혈관에 대응하는 영역을 예측하는 단계
    를 포함하는 혈관 영상 처리 방법.
  2. 제1항에 있어서,
    상기 혈관 구조를 예측하는 단계는,
    상기 혈관 영상에서 혈관에 대응하는 각 지점을, 상기 타겟 혈관, 상기 타겟 혈관과 연결되는 하나 이상의 혈관 분지, 및 상기 타겟 혈관과 분리된 별도 혈관 중 하나에 속하는 것으로 분류하는 단계
    를 포함하는 혈관 영상 처리 방법.
  3. 삭제
  4. 제1항에 있어서,
    상기 추출하는 단계는,
    상기 제1 혈관 영역의 추출을 상기 제2 혈관 영역의 추출 및 상기 제3 혈관 영역의 추출보다 선행하여 수행하는 단계;
    상기 제1 혈관 영역으로부터 혈관 분지들이 분기하는 분지점을 포함하는 영역 및 상이한 혈관들이 서로 겹치는 영역 중 적어도 하나를 포함하는 교차 영역(cross region)을 추출하는 단계; 및
    상기 추출된 교차 영역에 기초하여 상기 혈관 영상으로부터 상기 제2 혈관 영역 및 상기 제3 혈관 영역을 추출하는 단계
    를 포함하는 혈관 영상 처리 방법.
  5. 제1항에 있어서,
    상기 혈관 영상에서 예측된 혈관 구조의 오류(error)를 수정하는 단계
    를 더 포함하는 혈관 영상 처리 방법.
  6. 제5항에 있어서,
    상기 예측된 혈관 구조의 오류를 수정하는 단계는,
    상기 혈관 영상과 상이한 시간에 촬영된 다른 혈관 영상을 획득하는 단계; 및
    상기 혈관 영상에서 예측된 혈관 구조와 상기 획득된 다른 혈관 영상에서 예측된 혈관 구조를 비교한 결과에 기초하여, 상기 혈관 영상에서 예측된 혈관 구조의 오류를 수정하는 단계
    를 포함하는 혈관 영상 처리 방법.
  7. 제5항에 있어서,
    상기 예측된 혈관 구조의 오류를 수정하는 단계는,
    상기 예측된 혈관 구조로부터 획득된 타겟 혈관의 직경(diameter), 상기 예측된 혈관 구조로부터 획득된 타겟 혈관의 말단 방향, 및 병변 정보 중 적어도 하나 또는 둘 이상의 조합에 기초하여 상기 예측된 혈관 구조의 오류를 수정하는 단계
    를 포함하는 혈관 영상 처리 방법.
  8. 제5항에 있어서,
    상기 예측된 혈관 구조의 오류를 수정하는 단계는,
    상기 제1 혈관 영역에서 상기 제2 혈관 영역에 대응하는 영역을 제거하여 생성된 후보 별도 혈관 영역과, 상기 제2 혈관 영역에서 상기 제3 혈관 영역에 대응하는 영역을 제거하여 생성된 후보 혈관 분지 영역에 기초하여, 상기 혈관 영상에서 예측된 혈관 구조의 오류를 수정하는 단계
    를 포함하는 혈관 영상 처리 방법.
  9. 하드웨어와 결합되어 제1항, 제2항, 제4항 내지 제8항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
  10. 혈관 영상 처리 장치에 있어서,
    혈관 영상을 획득하는 영상 획득부; 및
    상기 혈관 영상으로부터 타겟 혈관, 상기 타겟 혈관과 연결되는 혈관 분지, 및 상기 타겟 혈관과 분리된 별도 혈관을 모두 포함하는 영역인 제1 혈관 영역, 상기 타겟 혈관 및 상기 타겟 혈관과 연결되는 혈관 분지를 포함하는 영역인 제2 혈관 영역, 및 상기 타겟 혈관을 포함하는 영역인 제3 혈관 영역을 각각 추출하고, 상기 혈관 영상으로부터 추출된 상기 제1 혈관 영역, 상기 제2 혈관 영역, 및 상기 제3 혈관 영역에 기초하여, 상기 혈관 영상에서 혈관 구조를 예측하는 프로세서
    를 포함하고,
    상기 프로세서는,
    상기 제1 혈관 영역, 상기 제2 혈관 영역, 및 상기 제3 혈관 영역을 서로 오버랩함으로써 상기 혈관 영상에서 상기 타겟 혈관에 대응하는 영역을 예측하는,
    혈관 영상 처리 장치.
  11. 제10항에 있어서,
    상기 프로세서는,
    상기 혈관 영상에서 혈관에 대응하는 각 지점을, 상기 타겟 혈관, 상기 타겟 혈관과 연결되는 하나 이상의 혈관 분지, 및 상기 타겟 혈관과 분리된 별도 혈관 중 하나에 속하는 것으로 분류하는,
    혈관 영상 처리 장치.
  12. 삭제
  13. 제10항에 있어서,
    상기 프로세서는,
    상기 제1 혈관 영역의 추출을 상기 제2 혈관 영역의 추출 및 상기 제3 혈관 영역의 추출보다 선행하여 수행하고, 상기 제1 혈관 영역으로부터 혈관 분지들이 분기하는 분지점을 포함하는 영역 및 상이한 혈관들이 서로 겹치는 영역 중 적어도 하나를 포함하는 교차 영역을 추출하며, 상기 추출된 교차 영역(cross region)에 기초하여 상기 혈관 영상으로부터 상기 제2 혈관 영역 및 상기 제3 혈관 영역을 추출하는,
    혈관 영상 처리 장치.
  14. 제10항에 있어서,
    상기 프로세서는,
    상기 혈관 영상에서 예측된 혈관 구조의 오류(error)를 수정하는,
    혈관 영상 처리 장치.
  15. 제14항에 있어서,
    상기 프로세서는,
    상기 혈관 영상과 상이한 시간에 촬영된 다른 혈관 영상을 획득하고, 상기 혈관 영상에서 예측된 혈관 구조와 상기 획득된 다른 혈관 영상에서 예측된 혈관 구조를 비교한 결과에 기초하여, 상기 혈관 영상에서 예측된 혈관 구조의 오류를 수정하는,
    혈관 영상 처리 장치.
  16. 제14항에 있어서,
    상기 프로세서는,
    상기 예측된 혈관 구조로부터 획득된 타겟 혈관의 직경(diameter), 상기 예측된 혈관 구조로부터 획득된 타겟 혈관의 말단 방향, 및 병변 정보 중 적어도 하나 또는 둘 이상의 조합에 기초하여 상기 예측된 혈관 구조의 오류를 수정하는,
    혈관 영상 처리 장치.
  17. 제14항에 있어서,
    상기 프로세서는,
    상기 제1 혈관 영역에서 상기 제2 혈관 영역에 대응하는 영역을 제거하여 생성된 후보 별도 혈관 영역과, 상기 제2 혈관 영역에서 상기 제3 혈관 영역에 대응하는 영역을 제거하여 생성된 후보 혈관 분지 영역에 기초하여, 상기 혈관 영상에서 예측된 혈관 구조의 오류를 수정하는,
    혈관 영상 처리 장치.
KR1020210086439A 2021-07-01 2021-07-01 혈관 분할에 기초하여 혈관 영상을 처리하는 방법 및 장치 KR102425857B1 (ko)

Priority Applications (6)

Application Number Priority Date Filing Date Title
KR1020210086439A KR102425857B1 (ko) 2021-07-01 2021-07-01 혈관 분할에 기초하여 혈관 영상을 처리하는 방법 및 장치
US17/922,883 US20240221355A1 (en) 2021-07-01 2021-12-08 Method and apparatus for processing vascular image based on blood vessel segmentation
PCT/KR2021/018497 WO2023277283A1 (ko) 2021-07-01 2021-12-08 혈관 분할에 기초하여 혈관 영상을 처리하는 방법 및 장치
EP21935454.5A EP4137053A4 (en) 2021-07-01 2021-12-08 METHOD AND DEVICE FOR PROCESSING BLOOD VESSEL IMAGE BASED ON BLOOD VESSEL SEGMENTATION
JP2022568587A JP7479080B2 (ja) 2021-07-01 2021-12-08 血管分割に基づいて血管映像を処理する方法及び装置
KR1020220011553A KR20230005727A (ko) 2021-07-01 2022-01-26 혈관 분할에 기초하여 혈관 영상을 처리하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210086439A KR102425857B1 (ko) 2021-07-01 2021-07-01 혈관 분할에 기초하여 혈관 영상을 처리하는 방법 및 장치

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020220011553A Division KR20230005727A (ko) 2021-07-01 2022-01-26 혈관 분할에 기초하여 혈관 영상을 처리하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102425857B1 true KR102425857B1 (ko) 2022-07-29

Family

ID=82606409

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020210086439A KR102425857B1 (ko) 2021-07-01 2021-07-01 혈관 분할에 기초하여 혈관 영상을 처리하는 방법 및 장치
KR1020220011553A KR20230005727A (ko) 2021-07-01 2022-01-26 혈관 분할에 기초하여 혈관 영상을 처리하는 방법 및 장치

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020220011553A KR20230005727A (ko) 2021-07-01 2022-01-26 혈관 분할에 기초하여 혈관 영상을 처리하는 방법 및 장치

Country Status (5)

Country Link
US (1) US20240221355A1 (ko)
EP (1) EP4137053A4 (ko)
JP (1) JP7479080B2 (ko)
KR (2) KR102425857B1 (ko)
WO (1) WO2023277283A1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140015964A (ko) * 2012-07-27 2014-02-07 삼성전자주식회사 혈관 구조에 기초하여 환자에 특화된 대상 장기의 모델을 생성하는 방법 및 장치
JP2017060682A (ja) * 2015-09-25 2017-03-30 富士フイルム株式会社 画像処理装置、及び画像処理装置の作動方法、並びに内視鏡システム
JP2018202163A (ja) * 2017-06-01 2018-12-27 株式会社根本杏林堂 医療画像処理システムおよび医療画像処理方法
JP2019521733A (ja) * 2016-05-16 2019-08-08 キャスワークス リミテッド 画像からの血管の選択方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9858387B2 (en) 2013-01-15 2018-01-02 CathWorks, LTD. Vascular flow assessment
JP6271458B2 (ja) 2015-02-25 2018-01-31 富士フイルム株式会社 画像処理装置、方法、及びプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140015964A (ko) * 2012-07-27 2014-02-07 삼성전자주식회사 혈관 구조에 기초하여 환자에 특화된 대상 장기의 모델을 생성하는 방법 및 장치
JP2017060682A (ja) * 2015-09-25 2017-03-30 富士フイルム株式会社 画像処理装置、及び画像処理装置の作動方法、並びに内視鏡システム
JP2019521733A (ja) * 2016-05-16 2019-08-08 キャスワークス リミテッド 画像からの血管の選択方法
JP2018202163A (ja) * 2017-06-01 2018-12-27 株式会社根本杏林堂 医療画像処理システムおよび医療画像処理方法

Also Published As

Publication number Publication date
EP4137053A4 (en) 2023-10-25
WO2023277283A1 (ko) 2023-01-05
KR20230005727A (ko) 2023-01-10
JP7479080B2 (ja) 2024-05-08
US20240221355A1 (en) 2024-07-04
EP4137053A1 (en) 2023-02-22
JP2023536034A (ja) 2023-08-23

Similar Documents

Publication Publication Date Title
US11216950B2 (en) Method and system for automatically segmenting blood vessel in medical image by using machine learning and image processing algorithm
US10115039B2 (en) Method and system for machine learning based classification of vascular branches
CN104217418B (zh) 钙化血管的分割
KR102521660B1 (ko) 복수의 예측 결과를 활용한 혈관 영상 추출 방법 및 장치
KR102050649B1 (ko) 2차원 x-선 조영영상의 혈관 구조 추출 방법, 이를 수행하기 위한 기록매체 및 장치
CN111696089A (zh) 一种动静脉确定方法、装置、设备和存储介质
KR102562317B1 (ko) 자동으로 혈관 영상을 처리하는 방법 및 장치
KR102483198B1 (ko) 혈관 영상에 기초한 주요 혈관 영역 추출 방법 및 장치
CN109360209B (zh) 一种冠状血管分割方法及***
US20230351550A1 (en) Method and device for processing blood vessel image on basis of user input
KR102356341B1 (ko) 혈관 내 의료 도구 삽입 장치를 위한 가이드 데이터 제공 방법 및 장치
JP2023506107A (ja) 冠状動脈の分割方法、装置、電子デバイス及びコンピュータ読取可能な記憶媒体
CN114066969A (zh) 一种医学图像分析方法以及相关产品
KR102425857B1 (ko) 혈관 분할에 기초하여 혈관 영상을 처리하는 방법 및 장치
KR102479645B1 (ko) 병변 결정 방법 및 장치
KR102542972B1 (ko) 3차원 혈관 구조를 생성하는 방법 및 장치
KR102310740B1 (ko) 구조화된 혈관 분지 정보에 기초한 의료 시술 히스토리 검색 방법
KR102349199B1 (ko) 곡선 유사성에 기반한 가이드와이어 검출 방법 및 장치
EP4386665A1 (en) Image processing apparatus, method, and program
EP4099219A1 (en) Method and device for determining presence of tumor
Shim et al. Object-oriented approach to the automatic segmentation of bones from pediatric hand radiographs

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant