KR20180022607A - 다양한 측정으로부터의 의료 측정 데이터에 기초한 결과 데이터의 결정 - Google Patents

Abstract

본 발명은 검사 대상(O)의 의료 측정 데이터(MD1, MD2, MD3, MD4, MD5)에 기초하여 결과 데이터(ED)를 결정하는 방법에 관한 것이며, 상기 측정 데이터는, 바람직하게는 상이한 측정 장치들(1, 2, 3)로, 다양한 측정들(Ia, Ib, Id, Ic, Ie)에서 수집된 것이다. 이 방법의 범주 내에서, 다양한 측정들(Ia, Ib, Id, Ic, Ie)의 측정 값들이 값 튜플들(TP1)의 도움을 받아 표현되는, 높은 차원의 제1 파라미터 공간(PR, PR1)이 형성되고, 여기서 다양한 측정들(Ia, Ib, Id, Ic, Ie)의 측정 값들은 검사 대상(O)에서의 그들의 공간적 배열에 기초하여 그리고/또는 그들의 서로에 대한 시간적 배열에 기초하여 값 튜플(TP1)에 할당된다. 제1 파라미터 공간(PR1)에서, 결과 데이터(ED)를 획득하기 위해, 제1 파라미터 공간(PR1)보다 더 낮은 차원을 갖는 적어도 하나의 추가 파라미터 공간(PR2)에의 적어도 하나의 매핑 함수(AF1)를 사용하여 값 튜플들(TP1)이 분석된다. 게다가, 결과 데이터(ED)가 출력되며, 바람직하게는 시각화된다. 그에 부가하여, 결과 데이터(ED)를 결정하기 위한 대응하는 장치(10)가 기술된다.

Description

다양한 측정으로부터의 의료 측정 데이터에 기초한 결과 데이터의 결정{DETERMINATION OF RESULT DATA ON THE BASIS OF MEDICAL MEASUREMENT DATA FROM VARIOUS MEASUREMENTS}

본 발명은 검사 대상의 의료 측정 데이터 - 상기 측정 데이터는, 바람직하게는 상이한 측정 장치들을 사용해, 다양한 측정들에서 수집됨 - 에 기초하여 결과 데이터를 결정하는 방법에 관한 것이다. 본 발명은 게다가 이 방법을 구현하기 위한 대응하는 장치에 관한 것이다.

의료 진단, 특히 영상화 진단(imaging diagnostics)에서, 다중 파라미터(multi-parametric) - 상세하게는 "멀티모달(multimodal)" - 데이터 기록의 중요성이 점점 더 커지고 있다. "데이터 기록"은 여기서 의료 측정 데이터의 수집을 의미하는 것으로 이해되며, 이것은 이하에서 주로 영상 데이터를 지칭하지만, 그것만을 지칭하는 것은 아니다. 측정 데이터는 상이한 파라미터들과 관련한 다중 파라미터 데이터이다. "멀티모달"은 여기서 데이터가 상이한 모달리티(modality)들, 즉 의료 측정 장치들, 상세하게는 MRT(magnetic resonance tomograph), CT(computer tomograph), PET(positron emission tomograph) 장치들, 초음파 시스템들 등과 같은 의료 영상화 장치들로 취득된다는 것을 의미한다. 이것의 예들은, 예컨대, 게다가 PET 스캔(PET scan)과 연계된, 다중 파라미터 자기 공명 프로토콜들이다. 이 시점에서 언급되어야만 하는 것은, 멀티모달 측정 데이터가 따라서 이 의미에서, MRT/PET 장치들와 같은, 조합형 장치들 상에서 생성된 측정 데이터이기도 하다는 것, 즉 조합형 장치에서 상이한 측정 원리들을 사용하여 수집된 측정 데이터가 상이한 모달리티들로부터의 측정 데이터로 볼 수 있다는 것이다.

전통적으로, 다중 파라미터, 상세하게는 멀티모달, 측정 데이터 및/또는 영상들의 진단은 다양한 접근법들을 사용하여 수행된다: 하나의 방법에서, 다양한 대비도(contrast)들 또는 영상들이 순차적으로 표시된다 - 즉, 진단자가 영상들을 연속적으로 판독한다 -. 이것의 일 예는 종양을 확산 영상화 하이-b-값 영상(diffusion imaging high-b-value image)에서 고신호강도(hyperintense) 및 확산 영상화 ADC 영상(diffusion imaging ADC image)(ADC = apparent diffusion coefficient)에서 저신호강도(hypointense)로서 검출하는 것이다. 추가의 방법에서는, 대비도들이 병합되어 보여진다. 예를 들어, MRT 측정의 T2 대비도가 PET 스캔과 중첩될 수 있으며, 이를 위해 영상들이 이전에 서로 위치맞춤(register)되어 있다. 상세하게는, 시각화 및 분석 가능한 것들이 결과적으로 지금까지는 대체로 일차원 히스토그램 및 2차원 산점도(scatter plot)로 제한되었다. 아주 특정의 대비도 조합들 또는 다양한 영상들의 조합들(이후부터 "파라미터 맵(parameter map)"이라고도 지칭됨)에 대해서는, 예를 들어, 종양 진단에서의 하이-b-값 및 ADC 값에 대해서와 같이, 진단 파라미터 조합들이 이미 알려져 있다. 이것에 의해 사전에 계산적으로 값들을 조합하고 이어서 조합 값을 파라미터 맵의 형태로 표시 및/또는 분석하는 것이 가능하다. 그렇지만, 끊임없이 증가하는 수의 가능한 대비도들에 대해서는 이러한 연계성들이 일반적으로 알려져 있지 않다. 이러한 절차들은 따라서 값들의 아주 특정의 조합들로, 원칙적으로 특정의 값 조합들이 특정의 진단들에 대해 관련성이 있다는 것을 사전에 알고 있는 그러한 경우들로 제한된다.

임상 현실에서는, 결과적으로 점점 증가하는 이용가능한 환자 데이터의 양이 전통적인 진단 방법들을 사용하여 적절하게 분석되는 것이 더 이상 가능하지 않을 위험이 있다. 그 결과, 다중 파라미터 영상화의 잠재적 이점들이 어쩌면 항상 최적으로 이용되고 있는 것은 아니다.

본 발명의 목적은, 진단에서 각종의 측정 데이터를 고려하는 것을 단순화시킬 수 있는, 검사 대상의 의료 측정 데이터에, 상세하게는 복수의 다양한 측정들에 기초하여 결과 값들을 결정하기 위한 대안적인 방법, 및 이를 위한 대응하는 장치를 생성하는 데 있다.

이 목적은 청구항 1에 청구된 바와 같은 방법에서 그리고 청구항 16에 청구된 바와 같은 장치에서 달성된다.

본 발명에 따른 방법은 적어도 하기의 방법 단계들을 포함한다:

먼저, 다양한 측정들의 측정 값들이 값 튜플(value tuple)들의 도움을 받아 표현되는, 높은 차원의 제1 파라미터 공간이 형성된다. 여기서, 다양한 측정들의 측정 값들은 그들의 공간적 배열에 기초하여, 예컨대, 화소 단위로(즉, 복셀 단위(voxel-wise)로 또는 픽셀 단위(pixel-wise)로) 또는 영역 단위로, 그리고/또는 그들의 서로에 대한 시간적 배열에 기초하여 값 튜플에 할당된다. 원칙적으로 그리고 가장 바람직한 실시예에서, 따라서 각각의 화소에 대해 단일 값 튜플이 결정될 수 있다. 그렇지만, 화소 그룹에 대해, 상세하게는 검사 대상에서의 미리 정의된 관심 영역에 대해서도, 공유 값 튜플을 결정하는 것이 또한 기본적으로 가능하다.

따라서 분석에서 고려되어야 하는 측정 값들이 여기서 높은 차원의 파라미터 공간에서의 벡터들로서 해석되며, 벡터들은 값 튜플들에 의해 정의된다. 값 튜플의 개별 값들은 이 경우에 명시된 측정 파라미터와 관련한 측정 값들이고, 따라서 측정 파라미터들은 높은 차원의 파라미터 공간의 좌표들을 형성한다. 이러한 높은 차원의 파라미터 공간은 적어도 4개의 차원들, 바람직하게는 적어도 5개의 차원들, 그러나 특히 바람직하게는 훨씬 더 많은 차원들, 예컨대, 아주 특히 바람직하게는 적어도 10개의 차원들 또는 적어도 20개의 차원들을 갖는 것이 바람직하다. 각각의 차원은 여기서 고려되어야 하는 파라미터에 대응한다.

측정 값들이 (이전에 설명된 바와 같이 정의되는) 높은 차원의 제1 파라미터 공간에서 값 튜플들 또는 벡터들의 형태로 배열되면, 이 제1 파라미터 공간 내의 값 튜플들이 제1 파라미터 공간보다 더 낮은 차원을 갖는 적어도 하나의 추가 파라미터 공간에의 적어도 하나의 매핑 함수를 사용하여 분석된다. 이 분석은, 예컨대, 값 튜플들의 절대 및/또는 상대 위치, 공간에서의 그들의 밀도 등과 관련한 분석을 포함한다. 매핑 함수는 여기서 나중에 보다 상세히 설명될 상이한 함수 유형들을 포함할 수 있다. 값 튜플들 또는 벡터들의 차원은 이 매핑 함수에 의해 제2 파라미터 공간으로 감소된다. 차원이 감소된 값 튜플들이 이어서 곧바로 결과 데이터일 수 있거나, 나중에 설명될 것인 바와 같이, 추가 매핑 함수들에 의해 그들의 차원이 훨씬 더 많이 감소될 수 있다.

궁극적으로, 결과 데이터(이러한 방식으로 조합됨), 즉, 예를 들어, 보다 낮은 차원의 공간의 벡터들 또는 값 튜플들이 이어서 출력되고, 바람직하게는 시각화된다. 대체로, 아주 높은 차원의 제1 파라미터 공간의 경우에도, 3개의 차원들이 그래픽으로(graphically) 비교적 잘 표현될 수 있기 때문에, 데이터가 궁극적으로 최대 4개의 차원들, 특히 바람직하게는 최대 3개의 차원들로 감소되는 것이 바람직하며, 색상 또는 3차원 공간에서의 다른 라벨링(labeling)이 제4 차원으로서 사용되는 것이 가능하다. 환언하면, 결과 데이터가 진단자에 의해 쉽게 이해될 수 있는 방식으로 시각화될 수 있는 정도까지 차원이 감소되는 것이 바람직하다. 제1 파라미터 공간 자체가 4개의 차원들만을 갖는 경우(예컨대, 나중에 제공되는 크게 단순화된 예들을 제외하고는 거의 그렇지 않음), 결과 데이터가 적어도 3개의 차원들 - 바람직하게는 최대 2개의 차원들 - 로 감소되어야만 한다.

따라서, 본 방법의 중심 착상은 다중 파라미터 의료 데이터를 높은 차원의 파라미터 공간으로서 해석하는 것에 있다. 언급된 바와 같이, 이 측정 데이터는 바람직하게는 다중 파라미터 영상 데이터이다. 그렇지만, 이는 또한 그에 부가하여 실험실 측정 값들, 병력 데이터(anamnesis data) 또는 이전 검사 시기들로부터의 데이터일 수 있다. 그에 부가하여, 예컨대, 자동 장기 세그먼트화(automatic organ segmentation)에 의한 체적측정(volumetry)과 같은, 적당한 전처리 단계들을 통해, 추가 파라미터들이 영상 데이터로부터 도출될 수 있고, 이들이 차례로 부가의 차원들로서 해석될 수 있다. 후술될 것인 바와 같이, 다양한 측정 데이터를 높은 차원의 파라미터 공간에서의 연계된 값 튜플들로서 해석하는 것은, 상세하게는 적어도 부분적으로 자동으로, 어떤 경우에 또한 완전히 자동으로 수행될 수도 있는 - 이는 진단을 상당히 지원할 수 있음 -, 복수의 분석 옵션(analysis option)들을 가능하게 한다. 진단이 결과적으로 미리 정의된 표시가능한 파라미터 맵들 - 이들이 이어서 중첩되거나 진단자에게 순차적으로 보여져야만 하며, 이는 진단의 품질을 진단자의 경험 및 지식에 크게 의존하게 만듦 - 을 생성하는 것으로 더 이상 제한되지 않는다.

다양한 측정들로부터의 검사 대상의 의료 측정 데이터에 기초하여 이러한 조합된 결과들을 결정하기 위한 본 발명에 따른 장치는 그에 대응하여 앞서 기술된 방법 단계들을 실행하도록 설계된다.

본 발명에 따른 장치의 주요 컴포넌트(component)들은 여기서 소프트웨어 컴포넌트(software component)들의 형태로 구현될 수 있다. 그렇지만, 기본적으로, 이 컴포넌트들은 또한 부분적으로, 상세하게는 특히 빠른 계산들이 관여되는 경우, 소프트웨어 지원 하드웨어(software-supported hardware), 예를 들어, FPGA들 등의 형태로 구현될 수 있다. 이와 유사하게, 필요한 인터페이스들은, 예를 들어, 다른 소프트웨어 컴포넌트들로부터의 데이터의 전송 만이 관여되는 경우에, 소프트웨어 인터페이스(software interface)들로서 구현될 수 있다. 그렇지만, 이들이 또한 적당한 소프트웨어에 의해 제어되는 하드웨어 기반 인터페이스들로 구현될 수 있다.

본 발명에 따른 장치는, 예컨대, 그 자체가 측정 데이터를 기록하기 위한 모달리티들 또는 장치들과 독립적인 컴퓨터 유닛(computer unit), 예를 들어, 요구된 측정 데이터, 상세하게는 영상 데이터를, 예컨대, 병원(practice) 또는 의원(clinic) 내의 RIS(radiological information system)와 같은 의료 데이터 네트워크를 통해, 각자의 모달리티들 또는 장치들로부터 그리고/또는 데이터가 저장되어 있는 메모리로부터, 수신하는 워크스테이션(workstation) 상의 적당한 소프트웨어 컴포넌트에 의해 구현될 수 있다. 그렇지만, 원칙적으로, 본 장치는 또한, 측정 직후에 본 발명에 따른 방법 또는 그의 부분들을 수행하기 위해, 예를 들어, 그의 제어기에 또는 그에 직접 연결된 평가 스테이션에 배치된, 모달리티, 상세하게는 MRT/PET 장치와 같은 조합형 장치의 일부일 수 있다. 그에 따라, 측정 데이터의 수집이 한편으로는 단순히, 영상 데이터 또는 파라미터 맵들과 같은, 대응하는 완성된 측정 데이터의 전송을 포함할 수 있지만, 원시 데이터(raw data)의 취득 그리고 임의로 영상 데이터 또는 파라미터 맵들의 재구성 또는 계산을 위한 방법 단계들도 포함할 수 있다.

대체로 소프트웨어 기반인 구현은 지금까지 사용된 워크스테이션들 또는 제어기들이 또한 본 발명에 따른 방식으로 동작하기 위해 소프트웨어 업데이트에 의해 간단한 방식으로 업그레이드(upgrade)될 수 있다는 이점을 갖는다. 이에 따라, 본 목적이 또한, 프로그램이 컴퓨터 유닛에서 실행될 때 본 발명에 따른 방법의 모든 단계들을 실행하기 위한 프로그램 섹션(program section)들을 갖는, 컴퓨터 유닛(예를 들어, 의료 데이터 네트워크의 워크스테이션)의 저장 장치에 직접 로딩(loading)될 수 있는 컴퓨터 프로그램을 갖는 대응하는 컴퓨터 프로그램 제품에서 달성된다. 이러한 컴퓨터 프로그램 제품은, 컴퓨터 프로그램 이외에, 예컨대, 설명서(documentation) 및/또는 소프트웨어를 사용하기 위한, 예컨대, 하드웨어 키(동글(dongle) 등)와 같은 하드웨어 컴포넌트들을 비롯한, 부가의 컴포넌트들과 같은 부가의 컴포넌트들을 임의로 포함할 수 있다.

컴퓨터 유닛에서 판독되어 그에 의해 실행될 수 있는 컴퓨터 프로그램의 프로그램 섹션들이 저장되는, 컴퓨터 판독가능 매체, 예를 들어, 메모리 스틱, 하드 디스크 또는 다른 전송가능 또는 일체형 데이터 매체가 컴퓨터 유닛으로의 전송을 위해 그리고/또는 컴퓨터 유닛 상에 또는 그 내에의 저장을 위해 사용될 수 있다. 컴퓨터 유닛은 이를 위해, 예컨대, 함께 동작하는 하나 이상의 마이크로프로세서들 등을 가질 수 있다.

본 발명의 추가적인 특히 유리한 설계들 및 추가적인 개발들은 종속 청구항들 및 이하의 설명으로부터 나타날 것이고, 하나의 청구항 카테고리의 독립 청구항들이 또한 다른 청구항 카테고리의 종속 청구항들과 유사하게 추가로 개발되는 것과 다양한 예시적인 실시예들의 특징들이 새로운 예시적인 실시예들을 형성하기 위해 결합되는 것이 가능하다.

앞서 이미 언급된 바와 같이, 다양한 측정들이 상세하게는 상이한 측정 장치들 또는 모달리티들에서 나올 수 있다. 그렇지만, 원칙적으로, 바람직한 절차에서, 동일한 대상의 또는 동일한 관심 영역(region of interest)(ROI)의 다양한 측정들이 똑같은 측정들, 즉, 상세하게는, 단지 상이한 시기들에 기록된, 동일하거나 거의 똑같은 측정 파라미터들을 갖는 동일한 종류 또는 동일한 유형의 측정들을 포함하는 것이 또한 가능하다. 이들은 또한 다양한 측정들을 포함한다. 이것의 일 예는 다양한 시기들에서, 예를 들어, 조영제(contrast medium)의 축적(accumulation) 및/또는 고갈(depletion)을 관찰하기 위해 적절한 시간 간격들로 연속적으로, 장기 또는 종양 조직과 같은 명시된 대상에서 조영제를 측정하는 것이다. 조영제 강도(contrast medium intensity)를 나타내는, 다양한 화소들에서의 측정 값들은 이어서 차례로 벡터들 또는 값 튜플들로서 해석될 수 있다. 여기서, 다양한 다른 측정들과의 조합이 또한 가능하다 - 즉, 예를 들어, 특정 화소에서의 시간적 측정(temporal measurement)들을 포함하는 이 벡터가 전체 값 튜플(overall value tuple) 내에 부분 벡터(partial vector) 또는 부분 값 튜플(partial value tuple)만을 형성하는 것이 가능하다 -. 따라서, 예를 들어, 조영제 축적 및 고갈 동안 상이한 장치들로 다양한 측정들이 또한 수행될 수 있다. 이어서, 값 튜플은, 예를 들어, 특정 화소에 할당되고, 값 튜플의 개별 값들은 특정 시기들에서의 제1 측정을 포함하는 부분 값 튜플 및 특정 시기들에서의 다른 측정을 포함하는 제2 부분 값 튜플을 포함하며, 이 부분 값 튜플들은 전체 값 튜플을 형성하기 위해 단순히 연속적으로 링크(link)된다. 예를 들어, 10개의 시점들에서 2개의 파라미터 값들이 각각 수집되는 경우, 총 20개의 값을 포함하는 값 튜플이 생성될 것이다. 이 값 튜플은 이어서 20차원 파라미터 공간에서의 벡터로서 해석되고 본 발명의 범주 내에서 그에 대응하여 분석될 수 있다.

앞서 이전에 언급된 바와 같이, 다양한 매핑 함수 옵션(mapping function option)들이 있다. 특히 바람직한 함수 유형들은 하기의 것들을 포함한다:

- 색상 공간 또는 색상 공간을 (부분공간(subspace)으로서) 포함하는 공간, 예를 들어, 3개의 차원들이 적색(R), 녹색(G) 및 청색(B) 색상들로 정의되는 RGB 색상 공간에의 매핑.

- 이산적 부류(discrete class)들에의 매핑 또는 할당. 이러한 이산적 부류들은, 예컨대, 전립선 암종(prostate carcinoma)들에 대한 부류들 PI-RADS 1 내지 PI-RADS 5를 갖는 시스템과 같은 분류들일 수 있다. 환언하면, 이러한 매핑 함수를 사용하여, 예컨대, 특정 영역들의 검사 대상 및/또는 하위대상(sub-object)들의 - 적어도 부분 자동 - 분류가 행해질 수 있다. 이것은, 예들을 참조하여 후술될 것인 바와 같이, 바람직하게는 파라미터 공간들 중 하나에서의 값 튜플들의 배열에 기초하여 가능하다.

- 예를 들어, 양성(benign)/악성(malign)과 같은, 임상적으로 관련성있는 시맨틱 좌표축(clinically relevant semantic coordinate axis)들 또는 차원들을 갖는 공간에의 매핑. 예를 들어, 특정 파라미터 조합이 악성을 나타낼 확률이 매우 높은 반면, 다른 파라미터 조합이 양성 조직의 특징을 나타내는 것으로 알려진 경우, 이 참조점들로부터의 거리에 기초하여 새로 분류될 조직에 대해 대응하는 부류 소속의 확률이 표시될 수 있다.

- 바람직한 수학적 특성들을 갖는 좌표계에의 매핑. 이것의 일 예는, 나중에 보다 상세히 설명되는, 주축 변환(principal axis transformation)의 사용일 것이다.

- 파라미터 공간의 (미리) 정의된 구역들에 걸친 적분(integration) 및/또는 투영(projection). 이것의 일 예는, 이러한 방식으로 체적 또는 전체 "하중"(overall "load")을 평가하기 위해, 특정 파라미터 구역에 있는 복셀들을 합산하는 것일 것이다. 특정 파라미터 구역이 다양한 등급들의 종양 조직의 특징을 나타내는 경우, 종양 조직으로 인한 전체 하중은, 예컨대, 합산에 의해 결정될 수 있다. 여기에서, 낮은 종양 등급을 갖는 높은 체적은 높은 등급의 종양 조직을 갖는 낮은 체적과 동일한 전체 하중을 가져올 수 있다. 다른 예는 시간적 차원을 갖는 데이터의 처리이다. 여기서, 시간 곡선 아래의 면적 또는 각각의 복셀의 시간적 변동성(temporal variability)을 매핑하기 위해 합산이 사용될 수 있거나, 예를 들어, 파라미터의 시간적 최솟값 또는 최댓값을 결정하기 위해 투영이 사용될 수 있다.

이와 유사하게, 높은 차원의 파라미터 공간으로부터 보다 낮은 차원의 파라미터 공간에의 매핑을 가능하게 하는 매핑 함수들을 형성하기 위해, 상기 함수 유형들 및/또는 추가적인 함수 유형들의 조합이 가능하다.

매우 특히 바람직한 절차에서, 차원 감소가 다단계로 일어난다. 이를 위해, 결과 데이터를 획득하기 위해, 중간 결과 데이터가 바람직하게는 초기에 제1 파라미터 공간으로부터 제2 파라미터 공간에의 제1 매핑 함수에 의해 결정될 수 있다. 이 중간 결과 데이터는 이어서, 예컨대, 제2 파라미터 공간, 즉 보다 낮은 차원의 파라미터 공간에서의 값 튜플들의 형태로 다시 이용가능할 수 있다. 제2 파라미터 공간에서의 중간 결과 데이터가 이어서 차례로 분석될 수 있고, 분석은 그러면 제2 파라미터 공간보다 더 낮은 차원을 갖는 적어도 하나의 제3 파라미터 공간에의 적어도 하나의 제2 매핑 함수를 사용하여 다시 수행된다. 이는, 그 중에서도, 각각의 파라미터 공간에서 그곳에 존재하는 파라미터 값들에 대해 적당한 분석이 수행될 수 있다는 이점을 제공한다.

특히 바람직하게는, 제1 매핑 함수 및 제2 매핑 함수는 상이한 함수 유형들을 포함하거나 또는 상이한 분석 원리들에 기초한다. 예를 들어, 이러한 방식으로 먼저 높은 차원의 제1 파라미터 공간의 차원을 하나 이상의 차원들만큼 감소시키기 위해, 제1 매핑 함수에서, 나중에 보다 상세히 설명될, 값 튜플들의 그룹화 또는 클러스터링(clustering)이 먼저 일어나고, 추가로, 이 클러스터들에 기초하여, 주축 분석이 있는 것이 가능할 것이다. 주축들에 의해 주어질 수 있는 좌표축들을 가질 수 있는 제2 매핑 공간에서, 이러한 방식으로 추가적인 차원 감소를 달성하기 위해 그리고 특정 값 튜플들을, 앞서 설명된 바와 같이, 추가 매핑 함수에 대응하는 특정 구역들 또는 특성들에 할당하기 위해, 분할선(dividing line)들 등이 이어서 차례로 설정될 수 있다.

결과적으로 파라미터 공간에서 값 튜플들을 분석하기 위한 상이한 옵션들이 있다. 어떤 특히 중요한 변형들이 이하에서 명시되며, 상이한 변형들의 조합이 또한 언제든지 가능하다.

바람직하게는, 분석, 상세하게는 또한 부류들 등에의 할당이 파라미터 공간의 경계 초평면(boundary hyperplane)과 관련하여 파라미터 공간에서의 값 튜플들의 위치들을 고려하여 수행된다. 경계 초평면은 여기서 고려 중인 파라미터 공간을 구역들로 분할하는 임의의 경계인 것으로 이해된다. 이 경계 초평면들은, 예를 들어, 2차원 파라미터 공간에서의 경계선 또는 3차원 파라미터 공간에서의 표면과 같은, 선으로 된 또는 평면으로 된 초평면들일 수 있다. 그렇지만, 이들은 또한 임의의 형상의 초평면 또는 초곡면(hypersurface), 즉 구부러진 또는 만곡된 초평면 또는 초곡면, 상세하게는 또한 닫힌 초평면/초곡면(closed hyperplane/hypersurface), 예를 들어 3차원 파라미터 공간에서의 구 또는 입방체(cuboid)의 표면일 수 있다. 이러한 경계 초평면들은, 예를 들어, 특정 화소들과 연관되어 있는 값 튜플들이 파라미터 공간의 특정 부분에 있는지를 간단한 방식으로 확인하는 것을 가능하게 함으로써 대상(장기, 구조물, 조직 등)의 특성분석 또는 분류를 단순화시킬 수 있고, 결과적으로, 화소들에 의해 표현되는 대상이 특정 부류 내에 속하는지 또는 특정 방식으로 특성분석될 수 있는지에 관한 진술이 행해질 수 있다.

앞서 이미 언급된 바와 같이, 값 튜플들의 특성들을 분리하여(in isolation) 추가로 검사하기 위해 값 튜플들을 값-튜플 그룹들에 할당하는 것을 포함하도록 - 즉, 클러스터링이 수행됨 - 추가의 바람직한 방법에 따라 분석이 수행된다. 이 클러스터링은 바람직하게는 완전 자동으로 또는 반자동으로 수행되지만, 수동으로 행해질 수도 있다.

특히 바람직하게는, 파라미터 공간에서의 값-튜플 그룹 또는 다수의 값-튜플 그룹들 또는 클러스터들의 배열이 분석에서 고려될 수 있다. 배열의 분석은 여기서 또한 위치 및 범위 또는 형상을 커버할 수 있다.

값-튜플 그룹의 배열은 바람직하게는 또한 파라미터 공간에서의 값 튜플들의 집단적 위치(collective position)를 고려하여 결정되거나 정의될 수 있다. 이러한 집단적 위치는, 예컨대, 값-튜플 그룹의 중심점의 무게 중심의 위치 등일 수 있다.

게다가, 값 튜플들 또는 값-튜플 그룹들의 분석은 적어도 하나의 참조 값 튜플, 상세하게는 참조 값-튜플 그룹에 관련한 위치를 고려하여 수행될 수 있다. 참조 값 튜플들 또는 참조 값-튜플 그룹들은 여기서 참조 측정들, 예를 들어, 특정 테스트 그룹들에 대한, 예컨대, 특정 임상상(clinical picture)들을 갖는 환자들에 대한 그리고 건강한 테스트 피험자들에 대한 측정들의 데이터 수집에 기초할 수 있다.

게다가, 값 튜플들의 분석은 파라미터 공간 내에서의 세그먼트화를 포함할 수 있다. 이러한 세그먼트화의 경우에, 예를 들어, 구역들이, 높은 차원의 큐브 세그먼트화 또는 높은 차원의 타원체들로서 볼 수도 있는, 특정 파라미터 구간들로 제한되는 것에 의해 수동으로 정의될 수 있다. 파라미터 공간이 이미 그래픽으로 쉽게 표현될 수 있는 경우에, 이것이 또한 수동으로 수행되는 것이 가능하고, 진단자는 경계선들을 그리는 것에 의해 특정 값 튜플 그룹을 분리시킨다. 따라서, 이러한 세그먼트화는 원칙적으로 앞서 추가로 기술된 파라미터 공간 내에 경계 초평면들을 명시하는 것에 대응한다. 그렇지만, 프리핸드 세그먼트화(freehand segmentation)가 수행되는 경우, 이것이 파라미터 공간의 2차원 또는 3차원 시각적 표현으로 상호작용적으로 플로팅(plot)되고 원래의 파라미터 공간 상으로 자동으로 밀려날(extrude) 수도 있다. 이러한 자동 밀려남(automatic extrusion)은 비가시(투영된) 차원에서 가장 조밀하게 점유된 파라미터 구역의 자동 선택으로 대체될 수도 있다. 이것은 공간적-시간적 MIP(spatial-temporal MIP)에서의 "상관된 커서(correlated cursor)"와 유사하다: 이 방법에서, 2D 상으로 투영된 영상을 클릭하는 것에 의해 4차원 공간으로부터의 지점이 자동으로 할당된다. 2차원 영상은 여기서 공간적 및 시간적 투영을 보여준다 - 즉, 각각의 복셀에 대해, 먼저 시간의 경과에 따른 최고 신호 강도가 결정되고 이어서 이 얻어진 (3차원) 시간적 MIP에서 공간적 주시 방향(spatial viewing direction)을 따른 최고 신호 강도가 결정된다. 이 2차원 영상을 클릭하는 것에 의해, 먼저 3차원 시간적 MIP에서의 공간적 위치(x, y, z)(주시 방향을 따른 최댓값의 위치)가 결정되고, 이어서 시간적 좌표들(지점 (x,y,z)에 대한 시간축을 따른 최댓값의 위치)이 결정된다.

추가의 옵션은 문턱값들에 기초한 또는 앞서 기술된 클러스터링 - 즉, 예컨대, k-평균 클러스터링(k-means clustering), 퍼지 C-평균 클러스터링(fuzzy C-means clustering) 또는 지역 성장 방법(regional growth method)과 같은 클러스터 검출 기법의 사용 - 에 의한 반자동 또는 자동 세그먼트화이다. 예컨대, 가우시안 혼합 모델(Gaussian mixture model)들에 대한 "기댓값 최대화(expectation maximization)"와 같은 파라미터 표현들의 피팅(fitting)도 가능하다.

분석이 모폴리지 연산(morphological operation)들 및/또는 필터링(filtering)을 포함할 수도 있다. 모폴리지 연산들은 여기서, 영상 처리에서 이미 사용된 바와 같은, 예를 들어, 열기 연산(opening operation), 닫기 연산(closing operation), 침식 연산(erosion operation), 팽창(dilation) 및/또는 스무딩(smoothing)을 지칭하는 것으로 이해된다.

하위구역(sub-area)들의 불 조합(Boolean combination)을 통해 특정 구역들을 정의하는 것, 예컨대, 영역이 제3 영역이 아니라 다른 영역에 소속되어 있다는 사실에 의해 정의되는 것이 또한 가능하다.

바람직한 실시예에서, 파라미터 공간에서의 값 튜플들의 변화, 바람직하게는 개별 값 튜플들 또는 값-튜플 그룹들의 배열이나 집단적 위치의 시간적 이동(temporal shift)의 분석을 포함하는 시간적 분석이 또한 수행될 수 있다. 예를 들어, 검사 시기들에 걸친 클러스터의 평균값의 이동은 치료 반응의 임상 지표(clinical indicator)일 수 있다.

특히 바람직한 실시예에서, 분석은 머신 러닝 방법(machine learning method)을 포함할 수 있거나 머신 러닝 방법들이 분석에서 사용될 수 있다. 머신 러닝 기법들은 분류 또는 특성분석에 특히 적절하다. 이것은, 측정 값들 또는 검사 대상들을 분류하거나 특성분석하는 범주 내에서, 각각의 분석으로 새로운 데이터가 데이터베이스에 추가될 수 있고, 새로운 데이터가 - 임의로 다른 검사들에 의한 검증 이후에 - 차례로 참조 값 튜플들 또는 참조 값-튜플 그룹들(또는 참조 클러스터들)로서 사용될 수 있기 때문에, 참조 값 튜플들을 사용하는 방법들에 특히 적용된다.

상세하게는, 상기 높은 차원의, 다중 파라미터 환자 데이터 또는 의료 측정 데이터는 또한 임상적으로 관련성이 있는 부류들(예컨대, 예상 종양 유전자형을 갖는 양성, 악성 종양)로의 분류 또는 연속적인 파라미터 값들 (예컨대, 악성 확률; 종래의 실험실 값들의 대용물)로의 회귀(regression)에 대응할 수 있는 패턴들을 식별하기 위해 머신 러닝 기법들의 도움을 받아 분석될 수 있다. 새로운 환자 데이터의 할당을 예측하기 위한 분류기(classifier)는 바람직하게는 또한 (임상적) 분류가 알려져 있는 다수의 검사 대상들 또는 환자들로부터의 다중 파라미터 데이터에 의해 훈련될 수 있다. 즉, 데이터가, 앞서 설명된 바와 같이, 차후의 분석을 위한 참조 데이터로서 사용된다. 동시에, 분류기의 결정 규칙이 바람직하게는 이어서 장래에 수동 영상 기반 진단에서 의사 결정 기준으로서 기능하기 위해 추출될 수 있다. 예를 들어, 분류들을 위한 결정 트리(decision tree)들이 자동으로 학습될 수 있다. 인공 신경망들이 또한 머신 러닝 기법들에 대해 사용될 수 있다.

파라미터 공간의 그래픽 표현에서, 예컨대, 벡터들/글리프(glyph)들에 의한 색상 스케일 또는 설명에의 매핑과 같은 확장된 시각화 기법들에 의해 보다 높은 차원들이 또한 포함될 수 있다. 예를 들어, 다수의 검사 시기들이 2D 산점도에서 상이한 색상들로 표현될 수 있거나 점 구름(point cloud)(클러스터)의 이동(shift)이 산점도에서 벡터에 의해 표현될 수 있다.

바람직하게는, 결과 데이터의 시각화는 공간 영역 표현에서의, 즉 검사 대상의 해부학적 영상에서의 화소들 및/또는 영역들을, 특히 바람직하게는 컬러로, 라벨링하는 것을 포함한다. 라벨링은 여기서 제1 및/또는 추가 파라미터 공간에서의 값 튜플들의 분석, 상세하게는 또한 가능한 시간적 분석의 결과에 따라 수행될 수 있다. 환언하면, 높은 차원의 파라미터 값들 또는 낮은 차원의 공간에 투영되는 파라미터 값들이 시각화를 위해 백매핑(back-mapping) 또는 확장된 백매핑(extended back-mapping)에 의해 해부학적 영상 데이터와 병합될 수 있다. 히스토그램 채색(histogram coloring)에 부가하여, 예컨대, 양성 또는 악성 영역들과 같은 시맨틱 부류들 또는 특정 부류에 소속할 확률 값들이, 상세하게는 컬러로, 라벨링하는 것에 의해 시각화될 수 있다. 상세하게는, 시간적 분석이 또한 - 앞서 이미 언급된 바와 같이 - 색상들 또는 벡터들에 의해 시각화될 수 있다 - 예컨대, 시간적 이동이 산점도에서 벡터로서 시각화될 수 있다 -.

다중 파라미터 데이터의 시각화에서, 이전의 연구들로부터 알려진 모델들 또는 결과들도 파라미터 공간에서 참조들로서 플로팅될 수 있는 것이 특히 바람직하다. 예를 들어, 높은 차원의 직사각형들, 타원체들 또는 초평면들 또는 다른 결정 경계들과 같은 수동 또는 (반)자동으로 정의된 파라미터 구역들이 데이터 상에 그래픽적으로 중첩될 수 있다.

요약하면, 따라서 본 발명에 따른 방법에 의해 하기의 장점들이 달성된다:

- 데이터 차원의 감소,

- 향상된 시각화 기법들 및 백매핑,

- 높은 차원의 파라미터 공간들에서의 특정 구역들에 대한 세그먼트화 기법,

- 다중 파라미터 데이터의 자동 분석을 위한 회귀 및 분류 기법들,

- 종래의 영상 기반 진단에 대한 새로운 결정 규칙들의 추출.

본 발명에 따른 다중 파라미터 측정 데이터의 처리의 가능성은 결과적으로 개선된 진단 및 치료를 위해 그리고 게다가 이어서 또한 비용 절감을 위해 및 최적화된 검사 및 치료 경로들을 위해 이용될 수 있다.

본 발명이 예시적인 실시예들에 기초한 첨부 도면들을 참조하여 이하에서 보다 상세히 또다시 설명될 것이다. 다양한 도면들에서 동일한 컴포넌트들에는 똑같은 참조 번호들이 부기되어 있다.
도 1은 본 발명의 예시적인 실시예에 따른 방법의 흐름도.
도 2는 3개의 파라미터들 및 이들에 대해 결정된 주축들에서의 점 구름의 일 예를 개략적으로 나타낸 도면.
도 3은 감소된 차원을 갖는 주축들 상으로 변환된 도 2의 점 구름을 개략적으로 나타낸 도면.
도 4는 도 3에 따른 감소된 파라미터 공간에서의 3개의 영역들의 세그먼트화의 단순화된 예를 나타낸 도면.
도 5는 도 4의 영역들에의 그들의 영역적 소속(모폴로지 소스 복셀(morphological source voxel)들에의 역매핑)에 따라 검사 대상의 해부학적 영상 또는 공간 영역 표현에서의 화소들의 라벨링의 단순화된 예를 나타낸 도면.
도 6은 자동 클러스터링에 의한 하위 그룹(subgroup)들의 결정의 단순화된 예를 나타낸 도면.
도 7은 문턱값들(경계선들)에 기초한 가능한 영상 기반 진단의 단순화된 예를 나타낸 도면.
도 8은 전립선을 통한 자기 공명 단면 영상에서의 라벨링된 관심 영역(ROI)들의 일 예를 개략적으로 나타낸 도면.
도 9는 도 8에서의 라벨링된 관심 영역들에서 전립선의 동적 조영제 자기 공명 측정에서의 상이한 시간 곡선들의 일 예를 나타낸 도면.
도 10은 도 9에 따른 측정으로부터의 측정 값들에 대한 2차원 파라미터 공간에서의 경계선들의 도움을 받은 클러스터링 및 세그먼트화의 일 예를 나타낸 도면.
도 11은 선으로 된 결정 경계들의 도움을 받은 가능한 분류의 일 예를 나타낸 도면.
도 12는 본 발명의 예시적인 실시예에 따른 다양한 측정들로부터의 의료 측정 데이터에 기초하여 결과 데이터를 결정하기 위해 다수의 모달리티들이 연결되고 장치가 연결되어 있는 의료 데이터 네트워크를 개략적으로 나타낸 도면.

도 1에 도시된 프로세스 흐름의 예에서, 상이한 측정들(Ia, Ib, Ic, Id, Ie)로부터의 측정 데이터(MD1, MD2, MD3, MD4, MD5)가 먼저 방법 단계 II에서 전송된다. 이 측정들(Ia, Ib, Ic, Id, Ie)은, 예를 들어, 상이한 장치들 상에서, 예컨대, 방법 단계(Ia)에서는 MRT 장치 상에서, 방법 단계(Ib)에서는 CT 장치 상에서, 방법 단계(Ic)에서는 초음파 장치 상에서, 방법 단계(Id)에서는 PET 장치 상에서 수행될 수 있고, 예를 들어, 방법 단계(Ie)에서는, 예를 들어, PSA 값들 또는 다른 혈액 값들과 같은 실험실 값들의 전달 또는 입력이 관여된다. 원칙적으로, 추가적인 장치들 또는, ECG 데이터 등과 같은, 측정 데이터가 또한 추가될 수 있다. 그렇지만, 마찬가지로, 상이한 측정들이 또한 하나의 동일한 장치 상에서 수행될 수 있으며, 상이한 파라미터들이 평가되고, 예를 들어, MRT 측정에서의 상이한 대비도들 등이 동일하거나 매우 유사한 파라미터들로 그러나 상이한 시기들에서 그리고/또는 조영제를 사용하는 것 또는 사용하지 않는 것과 같은 상이한 조건들 하에서 평가된다.

많은 경우에, 관련된 측정 데이터(MD1, MD2, MD3, MD4, MD5)는 영상 데이터 또는 파라미터 맵들이다. 이것은 2차원 데이터, 예컨대, 체적 데이터와 같은 3차원 데이터 또는 심지어 4차원 데이터, 예를 들어, 특정 시간 간격들로 기록된 체적 데이터일 수 있으며, 따라서 시간은 제4 차원을 나타낸다.

방법 단계(II)에서, 데이터의 예비 분석 또는 높은 차원의 파라미터 공간(PR1)에 대한 값 튜플들(TP1)로의 그룹화가 수행될 수 있다 - 즉, 측정 값들이 벡터들로 컴파일될 수 있으며, 하나의 벡터는, 예를 들어, 임의로 또한 상이한 시기들에서의, 화소(픽셀 또는 복셀)의 측정 데이터를 포함한다 -. 그렇지만, 마찬가지로, 하나의 값 튜플은 또한 화소들의 그룹에 대한, 임의로 또한, 각각, 특정 장기 또는 특정 영역에 대한, 상이한 시기들에서의 값을 포함할 수 있다.

값 튜플(TP1)이 측정 데이터(MD1, MD2, MD3, MD4, MD5)의 개별 측정 값들로부터 형성되는, 높은 차원의 제1 파라미터 공간(PR1)이 이어서 단계(III)에서 분석된다. 이 분석은, 개략적으로 도시된 바와 같이, 또한 데이터 필터링(FI) 및/또는 모폴리지 연산(MO)들을 포함할 수 있다 - 즉, 한 유형의 전처리가 높은 차원의 제1 파라미터 공간(PR1) 내에서 행해진다 -.

그렇지만, 높은 차원의 파라미터 공간(PR1)에서의 분석은 상세하게는 보다 낮은 차원의 파라미터 공간(PR2)에서의 제1 매핑 함수(AF1)의 도움을 받는 매핑을 포함한다. 예를 들어, 20개 초과의 차원들을 갖는 파라미터 공간(PR1)이 여기서, 예를 들어, 5개 또는 6개의 차원들을 갖는 파라미터 공간(PR2)에 매핑될 수 있다. 이것은 매핑 함수(AF1)의 선택에만 의존할 것이다. 이것의 예들은 나중에 주어질 것이다.

방법 단계(IV)에서, 제2의 보다 낮은 차원의 파라미터 공간(PR2)에서 제1 매핑 함수(AF1)에 의해 획득된 값 튜플들(TP2)의 분석이 행해진다. 여기서, 보다 높은 차원의 파라미터 공간(PR1)에서 단계(III)에서 사용된 것과 동일한 분석 방법들이, 물론 보다 낮은 차원들에 맞춰 적절히 조정되어, 사용될 수 있다. 그렇지만, 대체로, 관여된 분석 방법들이 상이하다.

예를 들어, 단계(III)에서의 제1 스테이지에서, 제1 파라미터 공간(PR1)의 특정 차원들에 관련한 값-튜플 그룹들에의 클러스터링이 수행될 수 있을 것이다. 매핑 함수(AF1)가 이어서 클러스터링이 수행된 이 차원들을 정확히 나타내는 다수의 파라미터 값들이 클러스터들 중 하나에의 할당을 나타내는 하나의 파라미터 값으로 단순히 대체되도록 선택될 수 있다. 이러한 방식으로, 상당한 차원 감소가 달성될 수 있다. 후속 스테이지에서, 보다 낮은 차원의 파라미터 공간(PR2)에서의 분석에서 하위분류(subclassification) 등이 이어서 또다시 수행될 수 있다. 이를 위해, 예를 들어, 새로운 감소된 값 튜플들(TP2)이 경계 초평면과 관련하여 어디에 위치되는지가 체크될 수 있다. 원칙적으로, 제2 파라미터 공간(PR2)에서의 이 추가 분석에서, 매핑이 또한 제3의 훨씬 더 낮은 차원의 파라미터 공간(PR3)에의 (추가의) 매핑 함수(AF2)에 의해 수행되고, 여기서 값 튜플들은 이어서 대응하는 값 튜플들(TP3)에 의해 표현된다. 추가의 파라미터 공간(PR3)에서, 임의의 분석 및 추가 감소가 이어서, 바람직하게는 또한 추가의 훨씬 더 낮은 차원의 파라미터 공간에의 매핑 함수를 사용로, 또다시 수행될 수 있다.

이 변형이 도 1에 도시되어 있지 않지만, 여기서 마지막 파라미터 공간(PR3)에서의 분석 동안 결과 데이터(ED)가 즉각 결정되는 스테이지가 빠르면 단계(V)에서 도달되고, 이어서 결과 데이터(ED)가 단계(VI)에서 출력 또는 시각화된다. 그렇지만, 원칙적으로, 3개보다 훨씬 더 많은 스테이지들이 또한 가능할 것이다.

출력 또는 시각화는, 예를 들어, 검사 대상의 공간 영역에의 백매핑, 즉 해부학적 영상에서의 중첩 등을 포함할 수 있다. 그에 부가하여, 그렇지만, 이 결과 데이터는 또한 검사 대상, 즉, 예컨대, 환자 또는 장기 또는 환자의 특정 조직 부위의 개별 분류 또는 특성분석의 출력만을 포함할 수 있다. 이 시점에서, 주목할 점은 분류의 경우에 결과 데이터(ED)가 보통 진단자에 의해 일반적으로 확인될 수 있거나 확인되어야만 하는 진단 제안일 뿐이라는 것이다. 마찬가지로, 분류 또는 특성분석이 검사 대상 또는 장기 또는 조직 부위들이 이 분류 또는 특성분석에 대응할 확률에 관한 정보로 행해지는 것이 또한 가능하다.

도 12는 이러한 방법이 구현될 수 있는 장치(10)를 개략적으로 나타낸 것이다. 다양한 장치들이 데이터 버스(5)를 통해 서로 연결되어 있는, 의료 네트워크, 예를 들어, RIS(radiological information system)가 여기에 도시되어 있다. 본 경우는 먼저 검사 대상(O)에 대해 측정들이 수행되고 측정 데이터가 획득될 수 있는 모달리티들(1, 2, 3), 측정 데이터, 상세하게는 원시 데이터, 영상 데이터 등을 보관(file)하기 위한 대용량 저장 장치(6), 및 의료 측정 데이터에 기초하여 결과 데이터를 결정하기 위한 본 발명에 따른 장치(10)에 관한 것이다. 추가의 장치들, 상세하게는 또한 외부 네트워크, 예를 들어, 인터넷 등에의 인터페이스가 그에 부가하여 이 네트워크에 또는 데이터 버스(5)에 연결될 수 있다.

도시된 예에서, 모달리티들 중 하나(1)는 MRT-PET 겸용 장치(1)이다. 다른 모달리티(2)는 컴퓨터 단층촬영기(1)이다. 추가의 모달리티(3), 예를 들어, 초음파 장치, X-레이 장치 등이 기호로만 도시되어 있다. 그에 부가하여 방법 내에서 이 값들을 전송하고 사용하기 위해 실험실 값들 등의 전송을 위한 추가의 인터페이스가 또한 여기서 제공될 수 있다.

본 발명에 따른 장치(10)는 여기서 먼저 데이터 인터페이스(21)를 통해 데이터 버스(5)에 그리고 추가의 데이터 인터페이스(22)를 통해 장치(10)를 작동시키기 위한 단말(11)에 연결되는 컴퓨터 유닛(20)을 포함한다. 컴퓨팅 유닛(computing unit)(20)은 또한 본 발명에 따른 방법을 구현하기 위한 데이터 처리 대책들 및 계산들을 실행하는 데 필요한 소프트웨어 컴포넌트들을 포함하는 대응하는 소프트웨어 모듈(23)을 포함한다. 컴퓨터 유닛(20)은 보통 필요한 소프트웨어 컴포넌트들이 저장되는 적당한 저장 장치(여기서 도시되지 않음)(하드 디스크(들), RAM 등)를 추가로 포함한다.

단말(11)은, 여기서 간단한 스크린으로서 기호화되어 있는, 출력 유닛(12), 및, 예를 들어, 키보드(13) 및/또는, 여기서 마우스로 기호화되어 있는, 포인팅 장치(14)와 같은 입력 유닛들을 포함한다. 물론, 스크린(12)은 또한 터치스크린 등의 형태를 취할 수 있다. 장치 전체(10), 즉 단말(11) 또는 사용자 인터페이스(11)와 함께 컴퓨터 유닛(20)은, 예를 들어, 의료 데이터 네트워크에서의 진단을 위한 통례적인 워크스테이션의 형태로 구현될 수 있다.

단말을 통해, 진단자는 특정 데이터를 선택하고, 이것을 표시할 수 있으며 그리고/또는 그래픽 사용자 인터페이스, 즉 화면(12) 및 키보드(13) 및 마우스(14) 또는 다른 적절한 도구들의 도움을 받아, 임의로 라벨(label)들 및 경계선들을 배치하고 세그먼트화 등을 수행할 수 있으며, 이에 대해서는 이하에서 설명될 것이다. 마찬가지로, 데이터를 저장하고, 원하는 분석 방법들 또는 파라미터 공간들의 차원들과 관련하여 컴퓨팅 유닛(20)을 구성하는 등을 위해 명령들이 제공될 수 있다. 환언하면, 이 방법의 범주 내에서 지원되거나 사용자에 의해 개시될 동작들에 관한 모든 사용자 행동들이, 예를 들어, 이 단말의 도움을 받아 수행될 수 있다.

특정 분석 기법들, 매핑 함수들 및 시각화 방법들과 관련한 기본적인 절차는 간단한 예들의 도움을 받아 추가 도면들을 참조하여 이하에서 설명될 것이다. 도면들이 이 목적을 위해 사용된 경우, 주어진 예들이 표현가능성을 이유로 3차원으로 제한되지만, 이 동작들이 또한 대체로 높은 차원의 파라미터 공간들에서 구현될 수 있다.

예를 들어, 도 2 및 도 3은 주축 변환의 도움을 받아 데이터 차원의 감소가 수행될 수 있는 방법을 나타낸 것이다. 도 2는 좌표축들(P1, P2, P3)을 갖는 3차원 공간에서의 점 구름(그 자체는 도시되지 않음), 즉, 예를 들어, 값 튜플들의 클러스터의 적합화된 엔벨로프(adapted envelope)를 개략적으로 나타내고 있다. 이 좌표축들(P1, P2, P3)은 값 튜플에서의 대응하는 파라미터 값에 의해 표현되는 파라미터들이다. 값 튜플들의 이러한 클러스터링이 어떻게 수행될 수 있는지는 도 6의 도움을 받아 나중에 설명될 것이다.

여기서 도 2에 도시된 3차원 뷰에서, 이러한 클러스터 또는 관심의 점 구름이 시각적으로 기록될 수 있다. 그렇지만, 정량화를 위해, 3개의 출력 파라미터들 또는 좌표들(P1, P2, P3) 모두가 또한 여기서 검사되어야만 한다. 종종, 데이터가, 이하의 예에서 평면인 또는 거의 평면인 타원과 같은, 낮은 차원의 부분공간들로 제한된다. 주축들(a, b) 및 적당한 좌표들이 이 3차원 공간에서 종래의 주축 변환에 의해 결정될 수 있다. 점 구름 또는 클러스터 C가 이어서 좌표축들(P1', P2') - 하나의 좌표축(P1')은 타원의 하나의 주축(a)의 방향으로 뻗어 있고 다른 좌표축(P2')은 타원의 다른 주축(b)의 방향으로 뻗어 있음 - 을 갖는 2차원으로 감소된 파라미터 공간(PR2)에서 그에 따라 표현될 수 있다. 3차원으로부터 2차원으로의 감소의 경우에, 이것이, 도 2 및 도 3에서와 같이, 여전히 용이하게 표현될 수 있다. 그렇지만, 이 기본 원리가 상당히 더 높은 차원의 공간들에 적용될 수 있다는 것은 분명하다. 차원의 감소로 인해, 점 구름이 그러면 원래 더 높은 차원의 파라미터 공간에서 가능했던 것보다, 사용자 친화적인 방법들, 본 경우에서와 같이, 예컨대, 관심 영역들의 2차원 정의, 문턱값들의 규정 등에 의해 실질적으로 더 용이하게 분석될 수 있다.

이것은 이하의 간단한 예에서 도 4를 참조하여 설명될 것이다. 여기서, 도 4의 점 구름(클러스터)은 2개의 문턱값들(t1 및 t2)의 도움을 받아 3개의 구역들로 분할된다. 이 문턱값들(t1, t2)은 여기서 2차원 파라미터 공간(PR2)의 가상 초평면들(HE1, HE2)을 형성한다. 값 튜플들은 따라서 파라미터 공간 내의 상이한 영역들, 여기서 파라미터 P1'의 문턱값 t1 미만의 모든 값 튜플, 파라미터 P1'에 관련한 문턱값들 t1과 t2 사이의 모든 값 튜플들 및 파라미터 P1'에 관련한 문턱값 t2 초과의 모든 값들에 할당될 수 있다. 특정의 의학적 관련성 또는 진술, 예를 들어, "추정된 건강한 조직", "추정된 악성 종양의 조직" 또는 "추정된 양성 종양의 조직"에 따라 문턱값들(t1, t2) 또는 초평면들(HE1, HE2)의 설정이 물론 유용하게 수행된다. 이 원칙은 임의의 보다 높은 차원의 공간에도 적용될 수 있다.

도 5에 도시된 바와 같이, 예컨대, 색상 코딩에 의해, 값 튜플들의 영역적 소속을 원래의 모폴로지 복셀들에 역매핑하는 것이 이어서 가능하다. 환언하면, 색상 값이 여기서, 도 4에 도시된 바와 같은 공간(PR2)에서의 영역적 소속에 기초하여, 원래의 영상의 특정 화소를 나타내거나 표현하는 각각의 값 튜플에 할당되고, 이 색상 값은 이어서 공간 영역 표현(ORD)에서 대응하는 화소, 즉 픽셀 또는 복셀을 라벨링하는 데 사용된다. 이 착색된 라벨들(M1, M2, M3) 덕분에, 진단자는 따라서 공간 영역 표현(ORD)에서 도 4에서의 파라미터 공간(PR2) 내에 관련된 화소들이 어느 영역 또는 어떤 부류들에 할당되어야 하는지를 즉각 인식할 수 있다. 라벨링이 상세하게는 또한 화소들의 대응하는 라벨링을 포함하는 마스크를 해부학적 영상에 중첩하는 것에 의해 수행할 수 있다.

도 6은, 문턱값들이 도 4 에서와 같이 설정되는 것 대신에, 차원이 감소된 공간에서 점 구름이 분석될 수 있는 다른 방법을 나타낸 것이다. 일 예로서, 여기서 자동 클러스터링 알고리즘들의 도움을 받아, 점 구름 또는 대형 클러스터 내에 하위 그룹(sub-group)들 또는 하위 클러스터(sub-cluster)들(C1, C2)이 어떻게 차례로 정의되는지가 보여진다. 이 클러스터들(C1, C2) 또는 하위 클러스터들(C1, C2)에 대해서, 임의의 클러스터에 대해서와 같이, 집단적 마커 점(collective marker point)들, 여기서, 예컨대, 중심점들(MP1, MP2) 또는 클러스터들(C1, C2)의 무게 중심들 또는 다른 "클러스터 중심들"이 또한 정의될 수 있다.

시간적 분석이 수행되는 경우, 즉 추가의 차원에서 개별 값 튜플들이 (예를 들어, 시간 축을 추가하는 것만으로) 각각의 경우에 고려중인 파라미터 공간들 내에 시간에 걸쳐 배열될 수 있는 경우, 시간적 거동이 평가된 후에, 공간에서의 이러한 클러스터(C1, C2)의 이동은 또한 라벨링되거나 표시될 수 있다. 이러한 시간적 이동(ZV)이 또한, 예를 들어, 집단적 점(collective point), 여기서 클러스터(C1)의 중심점(MP1)이 시간에 따라 움직이는 방향을 나타내는 벡터로 표현될 수 있다.

시간적 분산(temporal variance)이 또한 의학적으로 관련성있는 정보를 포함할 수 있기 때문에, 시간에 따른 거동의 표시가 종종 유용하다. 예컨대, 치료의 성공을 체크하기 위한 경과 또는 후속 측정(progress or follow-up measurement)들의 일부로서, 예를 들어, 보다 넓게 이격된 시간 간격들에서의 상이한 측정들이 관여되는 경우에, 특히 이러할 수 있다. 이러한 방식으로, 클러스터(C1)의 시간적 이동(ZV)에 대한 벡터의 도움을 받아, 치료가 효과가 있는지 여부를 매우 잘 시각화하는 것이 가능하다.

상세하게는, 새로운 환자 사례에 대해 특정의 부류 소속의 확률을 결정하기 위해 환자 집단에서의 검출된 클러스터 중심들을 사용하는 것이 가능하다 - 즉, 여기서 수행되는 분석들 또는 프로세스에서 결정된 클러스터들의 집단적 값들 또는 중심들(또는 중심점들, 무게 중심들 등)이, 이어서, 다른 환자들의 측정 값들의 분석들에서 이들을 사용하여, 조직, 장기 등의 분류 또는 특성분석을 수행할 수 있기 위해, 예를 들어, 이어서 참조 값들로서 사용될 수 있다 -.

게다가, 본 발명에 따른 방법을 사용하여 종래의 영상 기반 진단에 대한 새로운 결정 규칙들을 추출하는 것이 또한 가능하다. 본 발명에 따른 방법의 범주 내에서, 예컨대, 탐색된 하위 그룹이 또한 간단한 문턱값 형성에 의해 원래의 파라미터 공간에서 적절히 정확하게 구분될 수 있는 것으로 밝혀진다면, 이 결과가 영상 기반 진단 규칙으로 변환될 수 있다.

특히 간단한 예가 도 7을 참조하여 여기서 보여진다. 여기서 추가 분석들의 범주 내에서, 파라미터(P1)와 관련한 복셀 강도가 한계 값(e1)보다 아래쪽에, 즉 영상에서의 초평면(HE3)의 좌측에 있는 경우, 그리고 이와 동시에 파라미터(P2)와 관련한 복셀 강도가 한계 값(e2)보다 큰, 즉 영상에서의 초평면(HE4)보다 위쪽에 있는 경우, 이 복셀이 그룹(G1)에, 예를 들어, 건강한 조직에 속한다고 확인되었다. 그렇지 않으면, 그것은 병변이 있는 조직을 나타내는 그룹(G2)에 속한다.

게다가, 본 발명에 따른 방법의 보다 구체적인 예시적인 실시예들이 이하의 단순화된 형태로 설명될 것이다.

예 1: 동적 조영제-보조 관류 MRT(dynamic contrast-medium-assisted perfusion MRT)에 의한 건강한 조직과 병든 조직의 구분

도 8 내지 도 10의 도움을 받아 설명되는 이 예에서, 관련된 측정들은 동적 조영제-보조 관류 MRT 측정들이다. 이 경우에, 조영제의 투여 동안, 다수의, 전형적으로 4개 내지 50개의, 체적들이 취득된다. 조영제의 축적 거동이 상이한 조직 유형들 및 상이한 장기들 간에 상이하며, 결과적으로 또한 건강한 조직과 병든 조직(종양 등) 간의 구분을 가능하게 한다. 이와 관련하여, 전립선에서의 상이한 관심 영역들(ROI1, ROI2, ROI3)이 도 8에 개략적으로 나타내어져 있다. 도 9는 이와 관련하여 전립선에서의 이러한 동적 조영제-보조 MRT에 대한 상이한 시간 곡선들을 나타낸다. 이와 관련하여, 시간 t(단위: 초)에 걸친 조영제 축적 곡선들(임의적인 단위[a.u.]의 강도)이 각각 도시되어 있으며, 도 9의 상이한 영역들(ROI1, ROI2, ROI3)에 대한 각각의 경우에서 평균 값이 사용된다. 문헌 또는 특히 시판 중인 제품 해결책들에서, 이러한 조영제-보조 동태(contrast-medium-assisted dynamics)의 분석에 대한 상이한 접근법들이 존재한다. 예를 들어, 조영제 워시-인(wash-in) 또는 워시-아웃(wash-out)의 증가는 각각의 복셀의 시간 곡선에서 계산될 수 있다.

본 발명에 따르면, 시간에 따른 각각의 개별 화소, 즉 복셀 또는 픽셀의 영상 강도의 곡선이 파라미터 벡터로 해석될 수 있다. 각각의 화소에 대해 p개의 기록된 시간 위상(time phase)들이 있는 경우, 이것은 p차원 파라미터 공간에서의 p차원 벡터를 제공한다. 본 발명의 범주 내에서, 이러한 p차원 파라미터 공간이 이제 분석될 수 있고, 매핑 함수의 도움을 받아, 효율적인 표현 또는 사용이 가능하도록 처리될 수 있다. 이와 관련하여, 명확히 주목할 점은, 동적 조영제-보조 관류 MRT 데이터의 분석이 또한 확산-가중된 MRT 데이터(diffusion-weighted MRT data) 또는 일반적인 다중 파라미터 영상화 데이터에 대해 유사하게 수행될 수 있다는 것이다.

예를 들어, 훈련 측정들 등의 범주 내에서, 예컨대, k = 5개의 부류들 "종양", "괴사", "건강한 장기 1 조직", "건강한 장기 2 조직", "혈관"과 같은 다양한 부류들에 대해, 예컨대, 조직병리학적으로 알려진 조직 특성들을 갖는 환자들로부터의 예시적인 신호 곡선들이 생성되거나 이용가능하게 될 수 있다. 이 참조 데이터의 도움을 받아, 언급된 5개의 부류들 각각에 소속될 확률이 이어서 미지의 조직 특성을 갖는 각각의 신호 곡선에 대한 p차원 파라미터 공간에서 추정될 수 있다. 이러한 할당 함수에 의해, 파라미터 공간의 차원이 결과적으로 p로부터 k - 즉, 여기서 5개의 클래스들 - 로 감소될 수 있다. 참조 곡선들이 이전에 생성된 라이브러리로부터 비롯되기 때문에, 이 차원 감소는 데이터 독립적으로 수행된다.

그렇지만, 대안적으로, 데이터 의존적 차원 감소들도 유사하게 수행될 수 있으며, 외부 참조 곡선들이 프로세스에서 꼭 사용될 필요 없이, 연구로부터의 유사한 시간 곡선들이 자동으로 그룹화되고 클러스터들에 할당된다. 이러한 종류의 것은 k-최근접 이웃 분류(k-nearest neighbor classification)들을 사용하는 알고리즘으로 구현될 수 있다.

차원 감소를 위한 대안적인 데이터 의존적 기법은 여기서 또한 다시 말하지만 주축 변환이다. 각각의 공간 점에 대한 데이터 벡터는 제1 차원들에서 가장 큰 변동이 집계되는 새로운 기초에 매핑될 수 있다. 이것은 또한 보다 높은 차원들을 폐기하는 것에 의해 차원을 유용하게 감소시키는 옵션을 제공한다. 연속적인 부류 소속 확률들을 가정하여, 각각의 화소가 또한 특정의 부류에 할당될 수 있다.

게다가, 각각의 화소가 상이한 낮은 차원의 보다 명확한 기초와 관련하여 시각화될 수 있다. 도 10에 도시된 도표에서, 최대 조영제 강도(피크 향상 강도(peak enhancement intensity)) 및 이 최댓값의 시간적 위치(피크 도달 시간(time to peak))는 표현가능한 벡터 공간에 대한 기초로서 사용된다(도 10은 임의적인 축 스케일링을 갖는 개략적인 표현에 불과하고; 플로팅된 클러스터들도 여기서 임의적이며 그 자체가 명확성의 이유로만 선택됨). 특정의 부류에의 부류 소속은 색상으로(또는 도 10에서와 같이 상이한 기호들로) 신호될 수 있다. 따라서, 이 도표에서, 총 8개의 상이한 클러스터들은 대동맥을 나타내는 화소들에 대한 클러스터(C3), 종양 조직을 포함하는 클러스터(C4), 건강한 전립선 조직에 대한 클러스터(C5), 건강한 방광 조직에 대한 클러스터(C6) 및, 꼬인 초평면(kinked hyperplane)(HE5) 또는 경계선에 의해 파라미터 공간(PR2)의 나머지 구역으로부터 분할되는, 이 파라미터 공간(PR) 내의 영역에 위치되기 때문에, 둘 다 괴사성 조직을 나타내는 2개의 클러스터들(C7, C8)을 형성한다. 클러스터링을 위해, 이전의 연구들로부터의 참조 값 튜플들(RT)이 사용될 수 있다(예로서, 여기서 상이한 클러스터들에 대해 몇 개의 참조 값 튜플들(RT)이 기호로 나타내어져 있음). 초평면(HE5)이, 예를 들어, 이전의 연구들로부터 알려져 있을 수 있다. 여기서, 그 중에서도 특히, 예를 들어, 괴사성 조직이 전형적으로 매우 느린 조영제 워시-인 및 매우 낮은 피크 향상을 나타낸다는 것의 인식에 의해 조정(justify)될 수 있는, 하나 이상의 결정 경계들이 있을 수 있다. 지원으로서, 이러한 결정 경계들이 실제 데이터 점들로 시각화될 수 있다.

이와 달리, 또한 도 10에 나타낸 바와 같이, 시각적으로 식별가능한 결정 경계들이 또한 간단한 종래의 결정 규칙들로 다시 변환될 수 있다. 본 경우에, 예를 들어, "피크 도달 시간" 파라미터가 초평면(HE5)에 의해 정의된 문턱값보다 더 크고 "피크 향상 강도" 파라미터가 초평면(HE5)에 의해 정의된 문턱값보다 더 낮으면, 조직은 아마도 "괴사성"이다.

그에 부가하여, 알려진 클러스터 중심들 또는 대응하는 확률 밀도 분포들이 표시될 수 있다. 도 10의 예에서, 괴사성 조직이 어쩌면 상이한 조직 프로세스(tissue process)들에 의해 야기되는 2개의 하위 클러스터들(C7, C8)에 그룹화되어 있다는 것을 알 수 있다. 가능한 공간적 연결(spatial connection)을 체크하기 위해, 진단자는 파라미터 공간에서 괴사성으로서 라벨링된 화소들 또는 값 튜플들의 일부분을 선택할 수 있다. 이것은, 예컨대, 사용자 인터페이스 또는 단말의 도움을 받아 프리핸드 세그먼트화(SG)에 의해 가능하다. 이러한 프리핸드 세그먼트화(SG)는 도 10에서 점선 기호로 나타내어져 있다.

이것에 의해 선택된 값 튜플들 또는 화소들이 이어서 차례로 백매핑 프로세스에서 적당한 해부학적 영상과 중첩될 수 있다. 그렇지만, 원칙적으로, 모든 값 튜플들 또는 화소들의 백매핑이 동시에 수행할 수 있고, 각각의 점은 색상 코딩되거나 그의 부류 소속에 따라 기호로 인코딩(encoding)된다.

이미 언급된 특정 방법들에서, 다시 말하지만 머신 러닝 방법을 사용한 데이터 분석이 또한 가능하다. 정확한 임상 진단 및 치료를 위해, 특정 병리학적 소견 또는 바이오마커(biomarker)(혈청 값 등)가 종종 중요하다. 머신 러닝 방법의 도움을 받은 데이터 분석을 통해, 컴퓨터 시스템들은, 이 경우에 합성적인, 이러한 대용 바이오마커들 상으로의 다중 파라미터 의료 영상 데이터의 자동 매핑을 수행하도록 훈련될 수 있다. 예를 들어, 이러한 시스템은 주어진 PSA 값들 및 조직병리학적 소견(생검 글리슨 점수(biopsy Gleason score))은 물론 대응하는 다중 파라미터 MRT 영상화를 사용한 전립선 암 환자 데이터세트들의 자동 분석을 통해, 영상 파라미터들과 글리슨 점수 또는 PSA 값 사이의 상관관계를 학습할 수 있다. 이 상관관계 모델은 차후에, 생검이 수행될 필요 없이, 영상 데이터에 기초하여 새로운 환자들에 대한 글리슨 점수 값을 예측하는 데 사용할 수 있다.

예 2: MRT 측정들에 의한 동맥내 치료(intra-arterial therapy)의 치료 성공의 평가

특히 간 종양들 등에 대한 동맥내 치료들의 경우에, 하나의 목표는 치료가 효과가 있는지 또는 대안의 치료들로 대체되어야 하는지를 MRT 경과 모니터링(MRT progress monitoring)에서의 변화들의 검출을 통해 조기에 확인하는 것이다. 치료 반응(therapy response)은, 예를 들어, "반응군(responder)", "준반응군(semi-responder)" 및 "비반응군(non-responder)"으로서 분류될 수 있다. 이를 위해, 조영제-보조 간 동태(contrast-medium-assisted liver dynamics)를 포함한, 다양한 MR 대비도들, 전형적으로 각각의 경우에 대략 12개의 체적들이 치료 전후에 취득된다.

문헌에서 그리고 실제로, 변화들의 분석에 대한 상이한 접근법들이 존재한다. 예를 들어, 타겟 영역, 즉 종양에 대한 평균 ADC 값 또는 평균 VE(venous enhancement)가 이 목적을 위해 언제든지 결정될 수 있다. 여기서 평균 ADC 값 및 평균 VE 값의 변화들에 기초하여 치료 반응을 평가하기 위해 간단한 문턱값들을 사용하는 것이 가능하다.

본 발명에 따른 방법의 범주 내에서, 그에 부가하여 영상 강도의 진행은 물론 각각의 개별 화소에 대한 부가의 속성들(공간 좌표, 취득 파라미터, 간 체적, AFP, 빌리루빈(bilirubin) 등과 같은 혈액 값)을 파라미터 벡터로서 해석하는 것이 가능할 것이다. 예를 들어, 타겟 영역에서의 각각의 화소에 대한 12개의 MR 대비도들 및 2개의 검사 시간들만으로 24차원 파라미터 벡터가 산출된다. 이러한 방식으로, 모든 화소가 고려되는 것이 아니라, 타겟 영역의 모든 화소들의 평균 값만이 고려되고, 그 결과, 예컨대, 종양 내의 이질성(heterogeneity)과 같은 공간적 정보가 손실되는 종래 기술과 달리, 완전 분석(full analysis)이 가능하다.

차원 감소를 달성하기 위해, 앞서 이미 언급된 방법들이 다시 사용될 수 있고, 예를 들어, 차분 계산이 또한 여기서 차원 감소로서 사용될 수 있으며, 그로써, 예컨대, 제1 시점에서의 ADC 값으로부터 제2 시점에서의 ADC 값을 뺀 것이 결정되고, 값 튜플을 한 차원만큼 감소시키기 위해 값 튜플 내의 2개의 값들이 이러한 방식으로 차분 값으로 대체된다. 추가 옵션은 주 성분 분석(principal component analysis), 예를 들어, ADC, VE, 지방 비율(fat fraction)과 같은 3개의 파라미터들로부터 2개의 파라미터들로의 감소의 도움을 받아 보다 적은 차원들을 갖는 새로운 기초로의 차원 감소일 것이다.

여기서도, 다시 말하지만, 예컨대, 높은 차원의 파라미터 공간에서의 파라미터 값들 또는 개별 값 튜플들의 위치를 알려진 치료 과정에 있는 환자들로부터의 대응하는 값 튜플들과 비교하는 것에 의해, 각각의 개별 화소 또는 전체 종양 체적을 앞서 열거된 부류들 중에서 가장 가능성이 높은 특정 부류에 할당하는 것이 가능하다. 즉, 참조 값 튜플들이 여기서 참조되며, 이러한 방식으로 개별 화소들 또는 영역의 직접 분류가 수행된다. 이와 유사하게, 특정 결정 경계들, 즉, 예를 들어, ADC 값 또는 VE 값이 적어도 특정 퍼센트만큼 변한 것과 같은, 경계면들 또는 경계선들로서 사용될 수 있는 초평면들이 이전의 연구들로부터 알려져 있을 수 있다. 이러한 일 예는 도 11에 매우 간단한 개략적 형태로 나타내어져 있다. 여기서 하나의 축에 제1 및 제2 측정들로부터의 VE 값들의 차이(% 단위로 되어 있는 ΔVE)를 포함하고 다른 축에 2개의 측정들로부터의 ADC 점수들의 차이(% 단위로 되어 있는 ΔADC)를 포함하는 파라미터 공간이 플로팅되어 있다. 알려진 연구들에 기초하여, 전체 공간을 4개의 사분면들로 분할하는, 2개의 초평면들(HE6, HE7) - 이 영상에서 간단한 경계선들의 형태로 되어 있음 - 이 결정될 수 있다. 값 튜플들이 어느 구역에 배열되어 있는지에 따라, 그들이 부류들 중 하나, 즉 "비반응군"(NR) 부류 또는 "준반응군"(SR) 부류 또는 "반응군"(RE) 부류 중 어느 하나에 할당되어야 한다. 도 11에서, 표현하기가 보다 간단하기 때문에, 2차원 공간만이 나타내어져 있다는 것은 명백하다. 그렇지만, 이 원칙은 임의의 보다 높은 차원의 공간들에도 적용될 수 있다. 그렇지만, 전체 공간이 적절히 낮은 차원을 가지면, 이러한 결정 경계들이 또한 지원으로서 실제 데이터 점들로 시각화될 수 있다.

이와 달리, 시각적으로 식별된 결정 경계들이, 다시 말하지만, 여기서도 간단한 종래의 결정 규칙들로 거슬러 올라갈 수 있다. 게다가, 알려진 클러스터 중심들 또는 대응하는 확률 밀도 분포들이 표시될 수 있다.

가능한 공간적 연결을 체크하기 위해, 사용자는 파라미터 공간에서, 예컨대, "비반응군"으로서 라벨링된 화소들의 일부분을 선택할 수 있다. 이것은, 다시 말하지만, 예를 들어, 프리핸드 세그먼트화에 의해 가능하다. 이 선택된 데이터 점들은 이어서, 앞서 기술된 바와 같이, 해부학적 영상에서 또는 공간 영역 표현에서 대응하는 화소들을 라벨링하기 위해 백매핑으로서 적당한 해부학적 영상과 중첩될 수 있다. 이 프로세스에서, 모든 데이터 점들의 동시적인 백매핑이 수행될 수 있고, 여기서 각각의 점은 그의 부류 소속에 따라 색상 코딩된다.

여기서도, 다시 말하지만, 머신 러닝 방법들의 도움을 받은 데이터 분석이 가능하다. 따라서, 바람직하게는, 예를 들어, 관찰된 파라미터 조합들로부터 치료 성공을 예측하기 위해 인공 신경망들이 사용된다.

예 3: 전립선 암종들에서의 종양 등급들의 컴퓨터 지원 평가(computer-aided assessment)

여기서 목표는 이러한 방식으로 환자들이 어쩌면 불필요한 생검 또는 심지어 전절제(total resection)를 피하도록 하기 위해 다중 파라미터 MRT를 통해 전립선 암종들에서의 종양 등급을 결정하는 것이다. 수정된 목적의 경우, 이전에 눈에 띄지 않거나 양성인 부위가 악성 병변으로 발전하는 경우, 그것이 경과 모니터링의 과정에서 자동으로 검출될 수 있다.

검사는 여기서, 보통 동적 대비도 향상된 관류도 포함하는, 다수의 MR 대비도들로 이루어져 있다.

여기서도, 각각의 개별 화소의 영상 강도는 물론 부가의 속성들, 즉 공간 좌표들, 취득 파라미터, 전립선 체적 및 PSA와 같은 혈액 값들의 진행이, 다시 말하지만, 파라미터 벡터들로서 해석될 수 있다. 각각의 화소에 대해 12개의 MR 대비도들이 수행되면, 여기서도, 다시 말하지만, 적어도 12차원 파라미터 벡터가 생성된다.

여기서 단순히 각각의 개별 화소에 대해 ADC 또는 Ktrans와 같은 모델 파라미터들을 계산하는 것에 의해 차원 감소가 수행될 수 있다. 이 파라미터들은 상이한 확산 가중에 의한 확산 영상화에서의 신호 곡선에 대한 확립된 파라미터 모델들의 필수적인 부분이거나 상이한 시기들에서의 대비도 동태로부터의 것일 수 있다.

게다가, 차원들의 감소가 또한 여기서 주성분 분석의 도움을 받아 가능하다. 예를 들어, 주성분 분석의 도움을 받아, ADC, Ktrans, T2 신호 강도의 3개의 파라미터들로부터 2개의 파라미터들로의 감소가 가능할 것이다.

본 방법의 도움을 받아 결정된 종양의 등급, 또는 화소가 임상적으로 유의미한 종양에 대응할 확률이 공간적 할당을 단순화시키기 위해 공간 영역 또는 해부학적 영상 상에 새로운 파라미터 맵으로서 색상 코딩되어 중첩될 수 있다. 마찬가지로, 머신 러닝 방법은 물론 여기서도 사용될 수 있다.

예 4: 다중 파라미터 자기 공명 데이터의 산점도 분석

여기서 하나의 목적은 제2 예시적인 실시예와 유사한 방식으로 1회 이상의 다중 파라미터 자기 공명 측정들에 기초한 치료 반응들의 조기 평가이다.

여기서도, 치료 이전에, 치료 동안 그리고 치료 이후에, 전형적으로 다양한 MR 대비도들, 예컨대, 각각의 경우에 12개의 체적들이 취득된다. 지금은 이전과 같이 구역들 전체에 대한 ADC, VE 또는 유사한 값들의 평균 값들의 도움을 받아 동작하는 대신에, 각각의 개별 화소의 영상 강도의 진행은 물론 부가의 속성들이, 다시 말하지만, 이제 본 발명의 범주 내에서 파라미터 벡터들로서 해석된다. 총 p개의 파라미터들을 검사하면 적어도 p차원 값 분포가 얻어진다.

이 경우에도, 다시 말하지만, 이러한 방식으로 값 튜플 내의 값들의 수를 감소시키기 위해 특정의 파라미터 값들을 서로 상쇄 - 예를 들어, 차이 또는 비율이 형성됨 - 시키는 것에 의해, 개별 화소들에 대해 파라미터 감소가 가능하다.

여기서도, 다시 말하지만, 주성분 분석 또는 유사한 종류의 차원 감소가 가능하다.

게다가, 고려 중인 타겟 체적이 또한 여기서 분석될 수 있고, 파라미터 공간에서의 하위 구역들이 선택되며 이 구역에 위치된 값 튜플들이, 이러한 방식으로 파라미터 공간과 해부학적 영상의 특정의 값 구역들 사이의 공간적 연결을 가능하게 하기 위해, 예컨대, 원래의 공간 영역 또는 해부학적 영상에서의 백매핑 프로세스에서 상이한 색상들로 라벨링된다.

그에 부가하여, 데이터가 (다른 예들 모두에서도 우연히 그런 것처럼) 히스토그램들의 형태로도 표현될 수 있다. 이것의 일 예는 개별 화소들에 대한 ADC 값의 분포를 보여주는 히스토그램일 것이다. 예를 들어, 종양 조직에 대한 전형적인 ADC 값의 범위에 있는 특정 ADC 값에 관한 단일 피크를 갖는 모노모달 분포(monomodal distribution)로부터의 보다 높은 또는 보다 낮은 값들 쪽으로의(즉, 바이모달 분포(bimodal distribution)로의) 히스토그램 분포의 변화가 점점 더 많은 화소들이 괴사를 보이고 마찬가지로 점점 더 많은 화소들이, 골수(bone marrow)의 정상 ADC 값에 대응하는, 낮은 ADC 값을 갖는다는 해석을 가능하게 할 것이다. 다른 한편으로, 종양 조직 값을 나타내는 화소들의 수가 감소하고 있다. 이것은 그러면 치료가 성공적이라는 것을 나타낸다.

이러한 히스토그램 표현은, 특정의 경계선들을 정의하고 개별 화소들에 대한 개별 값 튜플들을 특정의 부류들에 할당하며 이어서 이 부류 소속을 다시 공간 영역에의 백매핑의 범주 내에서 표현하기 위해, 자동으로, 반자동으로, 또는, 간단히 표현될 수 있는 경우, 수동으로도 평가될 수 있다. 이것에 의해, 다시 말하지만, 치료가 어느 공간 영역들에서 효과가 있는지가 보여질 수 있다. 이러한 방식으로, 예컨대, 해부학적 영상에서의 공간적 무게 중심, 특정의 대비도들 또는 대비도들의 조합들과 같은 공간 파라미터들이 따라서 또한 그들의 임상적 관련성과 관련하여 체크될 수 있다. 예를 들어, 말초 전이가 체간(trunk)에서의 전이와 비교하여 예후를 상당히 악화시킨 것으로 알려져 있다. 본 발명에 따른 방법의 범주 내에서, 이것이 이전보다 더 쉽게 검출될 수 있다.

본 발명에 따른 방법의 주요 장점은 또한 예컨대, 이질성의 분포의 자동 분석, 또는 히스토그램의 모드들의 수 또는 클러스터들의 수의 자동 정의가 데이터의 임상적 해석을 가속화할 수 있고, 보다 큰 객관성을 확보하기 위해 정량화를 단순화시킬 수 있다는 것이다.

머신 러닝 방법들이 여기서 특히 적절할 수 있다. 예를 들어, 기댓값 최대화 알고리즘이 클러스터들을 찾기 위한 2차원 히스토그램에서의 또는 보다 높은 차원의 공간에서의 모드들을 지정하기 위해 머신 러닝 방법의 일부로서 사용될 수 있다. 게다가, 다시 말하지만, 다른 환자들로부터의 데이터에 기초하여 머신 러닝 알고리즘들의 도움을 받아 유사한 임상적 목적들을 가지고 이전에 학습된 산점도(= 점 구름) 결정 경계들을 자동으로 플로팅하거나 배치하는 것이 가능하다.

자동 장기 세그먼트화와 함께, 이러한 방식으로 진단을 더욱 더 구조화하거나 파라미터들의 분포의 장기 특정 표현(organ-specific expression)들을 나타내기 위해 상이한 기준들이, 예를 들어, 각각의 장기 및 신체 부위에도, 각각, 적용될 수 있다.

결론적으로, 한번 더 주목할 점은, 앞서 상세히 기술된 제어 장치들이, 본 발명의 범주를 벗어나지 않으면서 아주 다양한 방법들로 본 기술분야의 통상의 기술자에 의해 수정될 수 있는, 예시적인 실시예들에 불과하다는 것이다. 게다가, 단수 표현 "한" 또는 "어떤"의 사용은 관련된 특징들이 또한 두 번 이상 존재할 수 있을 가능성을 배제하지 않는다. 마찬가지로, 개별 유닛들 또는 모듈들로서 지정 및/또는 기술된 본 발명의 요소들이 임의로 또한 공간적으로 분산될 수 있는 다수의 상호작용하는 하위 컴포넌트들로 이루어져 있다는 것이 배제되지 않는다.

Claims (18)

1. 검사 대상(examination object)(O)의 의료 측정 데이터(MD1, MD2, MD3, MD4, MD5)에 기초하여 결과 데이터(ED)를 결정하는 방법으로서, 상기 측정 데이터는, 바람직하게는 상이한 측정 장치들(1, 2, 3)로, 다양한 측정들(Ia, Ib, Id, Ic, Ie)에서 수집되며, 상기 방법은:
   - 상기 다양한 측정들(Ia, Ib, Id, Ic, Ie)의 측정 값들이 값 튜플(value tuple)들(TP1)의 도움을 받아 표현되는, 높은 차원의 제1 파라미터 공간(PR, PR1)을 형성하는 단계 - 상기 다양한 측정들(Ia, Ib, Id, Ic, Ie)의 상기 측정 값들은 상기 검사 대상(O)에서의 그들의 공간적 배열에 기초하여 그리고/또는 그들의 서로에 대한 시간적 배열에 기초하여 값 튜플(TP1)에 할당됨 -,
   - 결과 데이터(ED)를 획득하기 위해, 상기 제1 파라미터 공간(PR1)보다 더 낮은 차원을 갖는 적어도 하나의 추가 파라미터 공간(PR2)에의 적어도 하나의 매핑 함수(AF1)를 사용하여 상기 높은 차원의 제1 파라미터 공간(PR1)에서 상기 값 튜플(TP1)을 분석하는 단계,
   - 상기 결과 데이터(ED)를 출력하는, 바람직하게는 시각화하는 단계를 포함하는, 방법.
2. 제1항에 있어서, 상기 다양한 측정들은 다양한 시기들에서의 똑같은 측정들을 포함하는, 방법.
3. 제1항 또는 제2항에 있어서, 상기 매핑 함수(AF1)는
   - 색상 공간에의 매핑,
   - 이산적 부류(discrete class)들에의 매핑.
   - 임상적으로 관련성있는 시맨틱 좌표축(clinically relevant semantic coordinate axis)들을 갖는 공간에의 매핑,
   - 특히 주축 변환(principal axis transformation)을 사용하여, 바람직한 수학적 특성들을 갖는 좌표계에의 매핑,
   - 상기 파라미터 공간의 정의된 구역들에 걸친 적분(integration) 및/또는 투영(projection)
   의 함수 유형들 중 적어도 하나를 포함하는, 방법.
4. 제1항 내지 제3항 중 어느 한 항에 있어서, 상기 결과 데이터(ED)를 획득하기 위해, 중간 결과 데이터가 먼저 상기 제1 파라미터 공간(PR1)으로부터 제2 파라미터 공간(PR2)에의 제1 매핑 함수(AF1)에 의해 결정되고, 이 중간 결과 데이터가 분석되며, 상기 분석은 상기 제2 파라미터 공간(PR2)보다 더 낮은 차원을 갖는 적어도 제3 파라미터 공간(PR3)에의 적어도 제2 매핑 함수(AF2)를 사용하여 수행되며,
   상기 제1 매핑 함수(AF1) 및 상기 제2 매핑 함수(AF2)는 바람직하게는 상이한 함수 유형들을 포함하는, 방법.
5. 제1항 내지 제4항 중 어느 한 항에 있어서, 상기 분석은 파라미터 공간(PR, PR2)의 경계 초평면(boundary hyperplane)(HE1, HE2, ..., HE7)과 관련한 상기 파라미터 공간(PR, PR2)에서의 값 튜플들(TP1, TP2, TP3)의 위치들을 고려하여 수행되는, 방법.
6. 제1항 내지 제5항 중 어느 한 항에 있어서, 상기 분석은 상기 값 튜플들을 값-튜플 그룹들(C1, C2, ..., C8)에 할당하는 것을 포함하는, 방법.
7. 제6항에 있어서, 상기 파라미터 공간(PR)에서의 값-튜플 그룹(C1, C2, ..., C8)의 배열을 분석하는 단계를 포함하는, 방법.
8. 제7항에 있어서, 상기 파라미터 공간(PR)에서의 상기 값-튜플 그룹(C1, C2, ..., C8)의 집단적 위치(collective position)(MP1, MP2)를 고려하여 상기 값-튜플 그룹(C1, C2, ..., C8)의 상기 배열이 결정되는, 방법.
9. 제1항 내지 제8항 중 어느 한 항에 있어서, 상기 값 튜플들(TP1, TP2, TP3)의 상기 분석은 적어도 하나의 참조 값 튜플(reference value tuple)(RT)과 관련한 위치를 고려하여 수행되는, 방법.
10. 제1항 내지 제9항 중 어느 한 항에 있어서, 상기 값 튜플들의 상기 분석은 세그먼트화(segmentation)(SG)를 포함하는, 방법.
11. 제1항 내지 제10항 중 어느 한 항에 있어서, 상기 분석은 모폴리지 연산(morphological operation)들(MO) 및/또는 필터링(FI)을 포함하는, 방법.
12. 제1항 내지 제11항 중 어느 한 항에 있어서, 상기 파라미터 공간에서의 값 튜플들의 변화, 바람직하게는 개별 값 튜플들의 또는 값-튜플 그룹(C1)의 상기 배열의 시간적 이동(temporal shift)(ZV)의 시간적 분석을 포함하는, 방법.
13. 제1항 내지 제12항 중 어느 한 항에 있어서, 상기 분석은 머신 러닝 방법(machine learning method)을 포함하는, 방법.
14. 제1항 내지 제13항 중 어느 한 항에 있어서, 상기 결과 데이터의 상기 시각화는 공간 영역 표현(spatial domain representation)(ORD)에서의 상기 검사 대상의 화소들 및/또는 영역들을, 바람직하게는 컬러로, 라벨링하는 것(M1, M2, M3)을 포함하고, 상기 라벨링은 상기 제1 및/또는 추가 파라미터 공간(PR, PR1, PR2, PR3)에서의 상기 값 튜플들(TP1, TP2, TP3)의 상기 분석의 결과에 따라 수행되는, 방법.
15. 제13항 또는 제14항에 있어서, 상기 결과 데이터의 상기 시각화는 색상들 및/또는 벡터들(ZV)에 의한 상기 시간적 분석의 시각화를 포함하는, 방법.
16. 검사 대상(O)의 의료 측정 데이터(MD1, MD2, MD3, MD4, MD5)에 기초하여 결과 데이터(ED)를 결정하는 장치(10)로서, 상기 측정 데이터는, 바람직하게는 상이한 측정 장치들(1, 2, 3)로, 다양한 측정들(Ia, Ib, Id, Ic, Ie)에서 수집되며,
    상기 장치(10)는
    - 상기 다양한 측정들(Ia, Ib, Id, Ic, Ie)의 측정 값들이 값 튜플들(TP1)의 도움을 받아 표현되는, 높은 차원의 제1 파라미터 공간(PR, PR1)을 형성하는 단계 - 상기 다양한 측정들(Ia, Ib, Id, Ic, Ie)의 상기 측정 값들은 상기 검사 대상(O)에서의 그들의 공간적 배열에 기초하여 그리고/또는 그들의 서로에 대한 시간적 배열에 기초하여 값 튜플(TP1)에 할당됨 -,
    - 결과 데이터(ED)를 획득하기 위해, 상기 제1 파라미터 공간(PR1)보다 더 낮은 차원을 갖는 적어도 하나의 추가 파라미터 공간(PR2)에의 적어도 하나의 매핑 함수(AF1)를 사용하여 상기 높은 차원의 제1 파라미터 공간(PR1)에서 상기 값 튜플(TP1)을 분석하는 단계,
    - 상기 결과 데이터(ED)를 출력하는, 바람직하게는 시각화하는 단계를 실행하도록 설계되는, 장치.
17. 컴퓨터 유닛(20)의 저장 장치에 직접 로딩될 수 있는 컴퓨터 프로그램을 갖는 컴퓨터 프로그램 제품으로서, 상기 컴퓨터 프로그램 제품이 상기 컴퓨팅 유닛(20)에서 실행될 때, 제1항 내지 제15항 중 어느 한 항에 청구된 방법의 모든 단계들을 실행하기 위한 프로그램 섹션들을 갖는, 컴퓨터 프로그램 제품.
18. 컴퓨터 유닛(20)에서 판독되고 그에 의해 실행될 수 있는 프로그램 섹션들이 상기 컴퓨터 유닛(20)에 의해 실행될 때 제1항 내지 제15항 중 어느 한 항에 청구된 방법의 모든 단계들을 실행하기 위해 상기 프로그램 섹션들이 저장되어 있는 컴퓨터 판독가능 매체.
    

Images