KR102611037B1

KR102611037B1 - 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치 및 방법

Info

Publication number: KR102611037B1
Application number: KR1020230086205A
Authority: KR
Inventors: 박규하; 김도현; 송수화
Original assignee: 주식회사 휴런
Priority date: 2023-07-04
Filing date: 2023-07-04
Publication date: 2023-12-08
Anticipated expiration: 2043-07-04
Also published as: JP7511949B1; KR102633581B1; KR102633582B1; JP2025009651A; US12026883B1; KR102611037B9

Abstract

본 발명의 일 양상인 혈관 함수 추출 장치는, 외부로부터 수신하는 뇌와 관련된 정보에서 원본 CT 이미지를 추출하는 정보 수신부; 상기 원본 CT 이미지를 NIFTI 파일 형식의 이미지로 변환시켜 시간 시퀀스(Time sequence) 데이터를 획득하는 NIFTI 이미지 변환부; 상기 시간 시퀀스 데이터를 통해 상기 원본 CT 이미지에 시간 보간(time interpolation)을 적용하여 상기 원본 CT 이미지를 각 시간별 3차원 CT 이미지로 변환시키는 시간 보간부; 상기 각 시간별 3차원 CT 이미지를 딥러닝 기반 혈관 분할 딥러닝 모델(141)에 통과시켜 혈관 분할 마스크를 예측하며, 시간(time) 축을 기준으로 상기 3차원 CT 이미지를 스태킹(Stacking)함으로써 4차원 혈관 마스크 이미지를 생성하는 혈관 분할부; 및 상기 4차원 혈관 마스크 이미지의 혈관 영역으로부터 혈관 함수를 추출하며, 상기 혈관 함수 중 하나인 동맥 함수를 이용하여 혈류 파라미터를 계산하는 혈관 함수 추출부;를 포함할 수 있다.

Description

뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치 및 방법{Apparatus and method for extracting vascular function from brain-related information}

본 발명은 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치 및 방법에 관한 것으로, 뇌와 관련된 정보로부터 혈관 함수를 정확하게 추출할 수 있는 장치 및 방법에 관한 것이다.

혈류와 같은 인체 내의 유체 흐름을 비침습적으로 측정하는 방법에서는, 자기 공명 영상기를 이용한 위상 대조자기 공명 영상 기법이 널리 사용되고 있다. 상기의 기법은, 심전도의 R-wave 직후 혈류 속도의 영상을 0으로 하는 경사자계 펄스를 사용하여 속도를 반영하지 않는 레퍼런스 영상이 촬영되고, 속도부호화 경사자계를 이용하여 혈류 속도가 반영된 속도부호화 영상이 촬영된다. 이후 레퍼런스 영상과 속도 부호화 영상이 촬영된다. 이를 연속적으로 심전도의 한 주기동안 짝지어 촬영하고, 위상부호화의 크기를 달리하며 k-공간을 다 채울 때까지 촬영한다. 이후, 촬영된 영상을 속도 영상으로 재구성하여, 심전도의 한 주기 동안의 혈류 속도를 측정하게 된다.

그러나 이러한 기법은, 혈류를 분석하는 데 있어서 혈류 속도만을 알 수 있고, 높은 시간해상도 및 정확한 혈류의 흐름을 표현하는 데 부족한 문제점이 지적되어 왔다.

이를 위하여, 미국 등록특허공보 8,837,800호 등에서는, 동맥 및 정맥의 흐름을 분석하기 위하여, 의료영상을 이용하여 동맥 및 정맥 함수를 도출하기 위해서 영상을 구성하는 픽셀 중 일부를 선택하고, 각 픽셀들의 신호를 일반화 및 가우시안 트랜스폼을 이용하여 각 픽셀들이 구성하는 혈관에 대한 동맥함수 및 정맥함수를 도출하는 기법을 제시하고 있다.

그러나 이러한 종래의 방법에 의해서도, 동맥함수 및 정맥함수를 정확하게 도출하지 못하고 오류가 발생하는 문제점이 존재하고 있으며, 특히 부정확한 동맥함수에 의해 의료영상으로부터 인식된 혈관으로부터 혈류를 정확히 분석하지 못하는 문제점이 지적되어 왔다.

따라서, 본 발명에서는 혈관으로부터 혈류를 정확히 분석할 수 있도록 혈관 함수를 정확하게 추출할 수 있는 장치 및 방법을 사용자에게 제공하고자 한다.

구체적으로 본 발명은 Cerebral blood flow (CBF), Cerebral blood volume (CBV), Mean Transit Time (MTT) 등과 같은 혈류 파라미터를 정확하게 계산하기 위해 원본 CT 이미지를 기초로 생성되는 뇌와 관련된 정보로부터 혈관 함수를 추출한 후, 부정확한 동맥 함수를 보정하여 정확한 동맥 함수를 획득할 수 있는 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치 및 방법을 사용자에게 제공하고자 한다.

대한민국 등록특허공보 제10-1992057호(2019.06.24 공고) 대한민국 등록특허공보 제10-1754291호(2017.07.06 공고) 미국 등록특허공보 8,837,800호(2014.09.16 등록)

본 발명의 목적은 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치 및 방법을 사용자에게 제공하는 것이다.

구체적으로 본 발명은 CBV, MTT, CBF와 같은 혈류 파라미터를 정확하게 계산하기 위해 원본 CT 이미지를 기초로 생성되는 뇌와 관련된 정보로부터 혈관 함수를 추출한 후, 부정확한 동맥 함수를 보정하여 정확한 동맥 함수를 획득할 수 있는 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치 및 방법을 사용자에게 제공하고자 한다.

한편, 본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

상기의 기술적 과제를 달성하기 위한 본 발명의 일 양상인 혈관 함수 추출 장치는, 외부로부터 수신하는 뇌와 관련된 정보에서 원본 CT 이미지를 추출하는 정보 수신부; 상기 원본 CT 이미지를 NIFTI 파일 형식의 이미지로 변환시켜 시간 시퀀스(Time sequence) 데이터를 획득하는 NIFTI 이미지 변환부; 상기 시간 시퀀스 데이터를 통해 상기 원본 CT 이미지에 시간 보간(time interpolation)을 적용하여 상기 원본 CT 이미지를 각 시간별 3차원 CT 이미지로 변환시키는 시간 보간부; 상기 각 시간별 3차원 CT 이미지를 딥러닝 기반 혈관 분할 딥러닝 모델(141)에 통과시켜 혈관 분할 마스크를 예측하며, 시간(time) 축을 기준으로 상기 3차원 CT 이미지를 스태킹(Stacking)함으로써 4차원 혈관 마스크 이미지를 생성하는 혈관 분할부; 및 상기 4차원 혈관 마스크 이미지의 혈관 영역으로부터 혈관 함수를 추출하며, 상기 혈관 함수 중 하나인 동맥 함수를 이용하여 혈류 파라미터를 계산하는 혈관 함수 추출부;를 포함할 수 있다.

또한, 혈관 함수 추출 장치는 상기 혈관 분할부가 혈관 분할 마스크를 예측하는 과정과 상기 4차원 혈관 마스크 이미지를 생성하는 과정의 사이에서, Rigid 변환을 기반으로 상기 각 시간별 3차원 CT 이미지의 모션을 보정하는 모션 보정부;를 더 포함할 수 있다.

또한, 상기 혈관 분할부는, 상기 혈관 분할 딥러닝 모델이 예측하는 마스크가 본 마스크(bone Mask), 브레인 마스크(Brain Mask), 조직 마스크(tissue Mask), 정맥 마스크(vein Mask), 동맥 마스크(artery Mask)를 중 적어도 둘 이상 포함하는 상기 4차원의 혈관 마스크 이미지의 혈관 분할 마스크를 획득할 수 있다.

또한, 상기 동맥 마스크는, 상기 혈관 함수 추출부가 상기 동맥 함수를 추출할 때 사용될 수 있다.

또한, 상기 정맥 마스크는, 상기 혈관 함수 추출부가 상기 정맥 함수를 추출할 때 사용될 수 있다.

또한, 상기 혈관 함수 추출부는, 상기 4차원 혈관 마스크 이미지의 혈관 영역에서 Slice 좌표, Height 좌표, Width 좌표에 해당하는 각 혈관의 픽셀 포인트에 해당하는 시간별 위상에서 가장 높은 세기(Intensity)의 값을 기반으로 제1 그래프를 생성할 수 있다.

또한, 상기 혈관 함수 추출부는, 상기 제1 그래프를 생성하는 과정에서 스파이크 노이즈(spike noise)를 제거할 수 있다.

또한, 상기 혈관 함수 추출부는, 상기 제1 그래프 중 세기가 정점(peak)에 가장 빨리 도달하는 순서에 기반하여 상기 제1 그래프의 Intensity를 정렬(sorting)시켜 제2 그래프를 생성할 수 있다.

또한, 상기 제2 그래프는, 상기 제1 그래프 중 세기가 정점(peak)에 가장 빨리 도달하는 순서를 기준으로 상위 70~90%의 그래프일 수 있다.

또한, 상기 혈관 함수 추출부는, 상기 제2 그래프로부터 정점 지점의 세기 값이 큰 순서에 기반하여 제3 그래프를 생성할 수 있다.

또한, 상기 제3 그래프는, 상기 제2 그래프 중 정점 지점의 세기 값이 큰 순서를 기준으로 상위 10~20%의 그래프일 수 있다.

또한, 상기 혈관 함수 추출부는, 상기 제3 그래프의 시계열 포인트(Time point)마다 세기의 변화량 합에 기반하여 제4 그래프를 생성할 수 있다.

또한, 상기 제4 그래프는, 상기 제3 그래프 중 시계열 포인트마다 세기의 변화량 합이 큰 순서를 기준으로 하위 20~40%의 그래프일 수 있다.

또한, 상기 혈관 함수 추출부는, 상기 제4 그래프에서 시간 축을 기준으로 Intensity의 평균을 산출하고, 특정 범위 밖의 포인트(point)들은 이상값으로 가정하고 제거하여 제5 그래프를 생성할 수 있다.

또한, 상기 제5 그래프는, 상기 제4 그래프에서 평균 ±1~3σ 범위 밖의 포인트들이 이상값으로서 제거된 그래프일 수 있다.

또한, 상기 혈관 함수 추출부는, 상기 제5 그래프의 남은 포인트들에 대해 가우시안 피팅(Gaussian Fitting)을 수행함으로써 제6 그래프를 생성할 수 있다.

또한, 상기 혈관 함수 추출부는, 상기 가우시안 피팅의 과정과 동시에 상기 제4 그래프 중에서 상기 제6 그래프와 거리(distance)가 가장 가까운 복수개의 그래프를 추출하고, 상기 복수개의 그래프와 상기 제6 그래프를 기반으로 후보 그래프를 생성할 수 있다.

또한, 상기 후보 그래프는, 사용자에 의해 그래프가 추가되거나 삭제될 수 있다.

또한, 상기 혈관 함수 추출부는, 상기 제1 그래프로부터 상기 후보 그래프를 생성하기까지의 과정에 기반하여 동맥 함수 기반의 동맥 함수 그래프를 추출하며, 상기 동맥 함수 그래프는, 상기 후보 그래프의 그래프 추가 또는 삭제 과정에 기반하여 상기 동맥 함수가 보정될 수 있다.

또한, 상기 혈관 함수 추출부는, 상기 보정된 동맥 함수를 기반으로 혈류 파라미터인 CBV(erebral blood volume), MTT(mean transit time), CBF(capillary blood flow)를 계산할 수 있다.

또한, 상기 시간 보간부는, 상기 원본 CT 이미지에 1초 단위의 시간 보간을 적용하여 상기 원본 CT 이미지를 1초 단위의 각 시간별 3차원 CT 이미지로 변환시키는 것을 특징으로 하는 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치.

한편, 상기의 기술적 과제를 달성하기 위한 본 발명의 다른 일 양상인 혈관 함수 추출 방법은, (a) 정보 수신부가 외부로부터 수신하는 뇌와 관련된 정보에서 원본 CT 이미지를 추출하는 단계; (b) NIFTI 이미지 변환부가 상기 원본 CT 이미지를 NIFTI 파일 형식의 이미지로 변환시켜 시간 시퀀스(Time sequence) 데이터를 획득하는 단계; (c) 시간 보간부가 상기 시간 시퀀스 데이터를 통해 상기 원본 CT 이미지에 시간 보간(time interpolation)을 적용하여 상기 원본 CT 이미지를 각 시간별 3차원 CT 이미지로 변환시키는 단계; (d) 혈관 분할부가 각 시간별 상기 3차원 CT 이미지를 딥러닝 기반 혈관 분할 딥러닝 모델(141)에 통과시켜 혈관 분할 마스크를 예측하며, 시간(time) 축을 기준으로 상기 3차원 CT 이미지를 스태킹(Stacking)함으로써 4차원 혈관 마스크 이미지를 생성하는 단계; 및 (e) 혈관 함수 추출부가 상기 4차원 혈관 마스크 이미지의 혈관 영역으로부터 혈관 함수를 추출하며, 상기 혈관 함수 중 하나인 동맥 함수를 이용하여 혈류 파라미터를 계산하는 단계;를 포함할 수 있다.

본 발명에 따르면, 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치 및 방법을 사용자에게 제공할 수 있다.

구체적으로 본 발명은 CBV, MTT, CBF와 같은 혈류 파라미터를 정확하게 계산하기 위해 원본 CT 이미지를 기초로 생성되는 뇌와 관련된 정보로부터 혈관 함수를 추출한 후, 부정확한 동맥 함수를 보정하여 정확한 동맥 함수를 획득할 수 있는 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치 및 방법을 사용자에게 제공할 수 있다.

한편, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시예에 따른 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치의 블록구성도의 일례를 도시한 것이다.
도 2는 도 1에서 설명한 혈관 함수 장치에 의해 수행되는 혈관 함수 추출 방법의 일례를 도시한 것이다.
도 3은 도 2에서 설명한 혈관 분할 단계에서 혈관 분할 방식을 설명하는 도면이다.
도 4는 본 발명의 일 실시예에 따른 모션 보정부의 모션 보정 개념을 설명하는 도면이다.
도 5는 도 2에서 설명한 모션 보정 단계의 일례를 도시한 것이다.
도 6a 내지 도 6c는 도 2에서 설명한 동맥 및 정맥 함수 추출 단계에서 동맥 및 정맥 함수 추출 방식을 설명하는 도면이다.
도 7은 도 6에서 설명한 후보 그래프와 대응되는 포인트 및 이미지의 일례를 도시한 것이다.
도 8은 도 6에서 설명한 혈관 함수 추출 단계에서의 그래프 추출 방법에 기반하여 추출된 동맥 및 정맥 함수의 일례를 도시한 것이다.
도 9는 헤드 분할부의 블록구성도의 일례를 도시한 것이다.
도 10은 도 9에서 설명한 헤드 분할부의 동작을 시간의 흐름에 따라 표시한 것이다.

이하, 도면을 참조하여 본 발명의 바람직한 일 실시예에 대해서 설명한다. 또한, 이하에 설명하는 실시예는 특허청구범위에 기재된 본 발명의 내용을 부당하게 한정하지 않으며, 본 실시 형태에서 설명되는 구성 전체가 본 발명의 해결 수단으로서 필수적이라고는 할 수 없다.

이하 본 발명의 바람직한 실시 예에 따른 장치 및 방법을 첨부된 도면을 참조하여 상세하게 설명한다.

종래기술의 문제점

혈류와 같은 인체 내의 유체 흐름을 비침습적으로 측정하는 방법에서는, 자기 공명 영상기를 이용한 위상 대조자기 공명 영상 기법이 널리 사용되고 있다. 상기의 기법은, 심전도의 R-wave 직후 혈류 속도의 영상을 0으로 하는 경사자계 펄스를 사용하여 속도를 반영하지 않는 레퍼런스 영상이 촬영되고, 속도부호화 경사자계를 이용하여 혈류 속도가 반영된 속도부호화 영상이 촬영된다. 이후 레퍼런스 영상과 속도 부호화 영상이 촬영된다. 이를 연속적으로 심전도의 한 주기동안 짝지어 촬영하고, 위상부호화의 크기를 달리하며 k-공간을 다 채울때까지 촬영한다. 이후, 촬영된 영상을 속도 영상으로 재구성하여, 심전도의 한 주기 동안의 혈류 속도를 측정하게 된다.

혈관 함수 추출 장치 및 방법

혈관 함수 추출 장치(100)는 CT 이미지 및 뇌 혈관 지도를 기초로 생성된 뇌와 관련된 정보를 기반으로 혈관 함수를 정확하게 추출하는데, 이를 위한 구성요소는 도 1에 도시된 바와 같다.

도 1은 본 발명의 일 실시예에 따른 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치의 블록구성도의 일례를 도시한 것이다.

도 1을 참조하면, 본 발명에서 제안하는 혈관 함수 추출 장치(100)는 혈관 함수를 추출하기 위해 정보 수신부(110), NIFTI 이미지 변환부(120), 시간 보간부(130), 혈관 분할부(140), 모션 보정부(150) 및 혈관 함수 추출부(160)를 포함할 수 있다.

본 명세서에서는, 혈관 함수 추출 장치(100)에 의해 수행되는 혈관 함수 추출 방법(S100)의 과정을 통해 혈관 함수 추출 장치(100)의 구성요소에 대해 자세히 설명하도록 하겠다.

이러한 혈관 함수 추출 장치(100)를 이용하여 혈관 함수를 정확하기 추출하기 위한 방법인 혈관 함수 추출 방법(S100)의 과정은 도 2에 도시된 바와 같다.

도 2는 도 1에서 설명한 혈관 함수 장치에 의해 수행되는 혈관 함수 추출 방법의 일례를 도시한 것이다.

도 2를 참조하면, 정보 수신부(110)는 외부로부터 뇌와 관련된 정보를 수신할 수 있다(S110).

이때, 정보 수신부(110)가 수신하는 뇌와 관련된 정보는 의학 영상 분야의 표준 형식(Digital Imaging and Communications in Medicine, DICOM)에 맞춘 데이터로서, CT 이미지 및 뇌 혈관 지도를 포함할 수 있다.

본 명세서에서 뇌와 관련된 정보와 Dicom data는 혼용해서 사용될 수 있고, 2개의 용어가 지칭하는 의미는 동일하다.

또한, 정보 수신부(110)가 수신한 Dicom data에 포함된 CT 이미지는 헤드 분할부(10)가 수신하는 3차원 형태의 원본(Raw) CT 이미지일 수 있다.

정보 수신부(110)는 수신한 Dicom data로부터 원본 CT 이미지와 뇌 혈관 지도를 각각 추출할 수 있으며, 원본 CT 이미지를 제외한 뇌 혈관 지도 등의 정보는 사용자에게 제공할 수 있다.

즉, 정보 수신부(110)는 원본 CT 이미지를 추출하는 것이 목적이므로, 외부로부터 뇌와 관련된 정보를 수신하는 과정이 후술될 헤드 분할부(10)와 동일하게 외부 장비로부터 CT 이미지를 수신하는 과정으로 대체될 수도 있다.

도 2를 참조하면, NIFTI 이미지 변환부(120)는 정보 수신부(110)로부터 원본 CT 이미지를 수신할 때, 수신한 원본 CT 이미지를 NIFTI(Neuroimaging Informatics Technology Initiative) 파일 형식의 이미지로 변환시킬 수 있다(S120).

또한, NIFTI 이미지 변환부(120)는 원본 CT 이미지를 NIFTI 파일 형식의 이미지로 변환시킴으로써, 시간 시퀀스(Time sequence)를 획득하게 된다.

도 2를 참조하면, 시간 보간부(130)는 NIFTI 이미지 변환부(120)로부터 NIFTI 파일 형식의 이미지로 변환된 원본 CT 이미지와 시간 시퀀스의 데이터를 수신할 때, 수신한 NIFTI 파일 형식의 이미지로 변환된 원본 CT 이미지에 시간 보간(time interpolation)을 적용할 수 있다(S130).

이때, 원본 CT 이미지는 시간 보간부(130)로부터 1초 단위의 시간 보간을 적용받을 수 있으며, 이를 통해 1초 단위의 각 시간별 3차원 CT 이미지(D)로 변환될 수 있다.

본 명세서에서 3차원 CT 이미지(D)는 Slice×Height×Width의 3D 이미지일 수 있다.

도 2를 참조하면, 혈관 분할부(140)는 시간 보간부(130)로부터 3차원 이미지(D)를 수신할 때, 수신한 3차원 CT 이미지(D)를 4차원의 CTP(CT Perfusion) 이미지로 변환시키며, 4차원의 CTP 이미지의 혈관 분할 마스크(segmentation Mask)를 획득할 수 있다.

이러한 혈관 분할부(140)가 4차원의 CTP 이미지의 혈관 분할 마스크를 획득하기 위한 단계는 도 3을 통해 자세히 설명하도록 하겠다.

도 3은 도 2에서 설명한 혈관 분할 단계에서 혈관 분할 방식을 설명하는 도면이다.

도 3을 참조하면, 혈관 분할부(140)는 4차원의 CTP(CT Perfusion) 이미지로부터 혈관 분할 마스크(segmentation Mask)를 획득하기 위해, 시간 보간부(130)로부터 3차원 CT 이미지(D)를 수신할 때, 각 시간(time)별 3차원 CT 이미지(D)를 딥러닝 기반의 혈관 분할 딥러닝 모델(141)에 통과시켜 혈관 분할 마스크(Mask)를 예측(또는 획득)할 수 있다(S140).

이때, 딥러닝 기반 혈관 분할 딥러닝 모델(141)은 도면부호만 다를 뿐 후술될 헤드 분할부(10)에 구성된 Head Segmentation Network와 동일한 방식으로 학습 및 검증이 완료된 딥러닝 모델일 수 있다.

또한, 혈관 분할 딥러닝 모델(141)이 예측하는 Mask는 본 마스크(bone Mask), 브레인 마스크(Brain Mask), 조직 마스크(tissue Mask), 정맥 마스크(vein Mask), 동맥 마스크(artery Mask) 등을 적어도 둘 이상 포함하는 혈관 분할 마스크(segmentation mask)일 수 있다.

혈관 분할 딥러닝 모델(141)이 예측한 동맥 마스크(artery Mask)는 동맥 함수를 추출하기 위해 사용될 수 있으며, 정맥 마스크(vein Mask)는 정맥 함수를 추출하기 위해 사용될 수 있다.

혈관 분할부(140)는 혈관 분할 마스크를 예측(또는 획득)한 후, 시간(time) 축을 기준으로 3차원 CT 이미지(D)를 스태킹(stacking)함으로써, 4차원 혈관 마스크 이미지를 생성할 수 있다(S150).

본 명세서에서 4차원 혈관 마스크 이미지와 4차원의 CTP 이미지는 혼용해서 사용될 수 있고, 2개의 용어가 지칭하는 의미는 동일하다.

본 명세서에서 4차원 혈관 마스크 이미지는 3차원 CT 이미지(D)의 스택(stack)을 통해 생성됨에 따라, time×Slice×Height×Width의 4D 이미지일 수 있다.

또한, 혈관 분할부(140)는 상술한 바와 같이 4차원 CTP 이미지의 각 시간 축에 대하여 Bone, Brain, tissue, vein, artery 등을 분할시킨 후, 전체 Phase에 브레인(brain) 영역의 관심 영역(interest)을 설정하여 브레인에 대한 하나의 관심 볼륨(Volume of Interest, VOI)을 설정할 수 있다.

다시 도 2를 참조하면, 모션 보정부(150)는 혈관 분할부(140)의 각 시간(time)별 3차원 CT 이미지(D)를 딥러닝 기반의 혈관 분할 딥러닝 모델(141)에 통과시켜 마스크(Mask)를 예측하는 단계(S140)와, 시간(time) 축을 기준으로 3차원 CT 이미지(D)를 스태킹(stacking)하는 단계(S150)의 사이에서, 3차원 CT 이미지(D)의 모션 보정을 진행할 수 있다(S145).

이러한 모션 보정부(150)의 모션 보정 단계(S145)는 반드시 진행되는 것으로 한정되는 것은 아니며, 장치(100)의 사용자가 설정하는 것에 따라 과정이 생략될 수도 있다.

일 실시예에서, 모션 보정부(150)의 모션 보정 단계(S145)를 설명하기 위한 도면은 도 4 및 도 5에 도시된 바와 같다.

도 4는 본 발명의 일 실시예에 따른 모션 보정부의 모션 보정 개념을 설명하는 도면이다.

환자의 3차원 CT 이미지(D)를 시간 축을 기준으로 촬영하는동안 환자의 두부가 미세하게라도 움직이게 되면 정확한 동맥 및 정맥 함수를 검출하기 어렵게 되며, 이에 따라 혈류 파라마티도 정확하게 계산하기 어렵게 된다.

이때, 0번째 프레임(frame)의 3차원 CT 이미지(D)를 기준으로 보면, 환자의 움직임으로 인해 틀어진 특정 프레임의 3차원 CT 이미지(D)는 도 4에 도시된 바와 같이 0번째 프레임의 3차원 CT 이미지(D)에 Rigid 변환(145b)이 적용될 필요가 있다.

여기서, Rigid 변환은 유클리디언 변환(Euclidean transformation)이라고 하는데, 형태와 크기를 유지한 상태로 위치와 방향만 변경되는 변환을 의미한다.

본 명세서에서, 모션 보정부(150)는 0번째 프레임 외 프레임의 3차원 CT 이미지(D)에 대해 0번째 프레임의 3차원 CT 이미지(D)에 대한 Rigid 변환(145b)을 예측한 후 역변환(Inverse transform)을 적용함으로써, 0번째 프레임의 3차원 CT 이미지(D)에 나머지 프레임의 3차원 CT 이미지(D)를 맞춰 상기 3차원 CT 이미지(D)의 모션을 보정할 수 있으며, 이와 같이 3차원 CT 이미지(D)의 모션을 보정하는 모션 보정 단계(S145)의 일례는 도 5에 도시된 바와 같다.

도 5는 도 2에서 설명한 모션 보정 단계의 일례를 도시한 것이다.

도 5를 참조하면, 모션 보정부(150)는 모션 보정 단계(S145)에서, 0번째 프레임의 3차원 CT 이미지(D)와 함께 각각 1~N 프레임의 3차원 CT 이미지(D)를 인공지능 모델인 RigidNet(145a)에 입력하며, 이를 통해 Rigid transform(145b)을 획득하여 역변환을 계산한 후, 공간 변환 레이어(145c)상에서 역변환을 1~N 프레임의 3차원 CT 이미지(D)에 적용함으로써, 모션 보정이 적용되어 0번째 프레임의 3차원 CT 이미지(D)에 맞춰진 1~N 보정 프레임의 3차원 CT 이미지(D')를 획득할 수 있다.

일 실시예에서, 혈관 분할부(140)는 스태킹 단계(S150)에서, 0번째 프레임의 3차원 CT 이미지(D)과 ~N 보정 프레임의 3차원 CT 이미지(D')를 스태킹함으로써, 4차원 혈관 마스크 이미지를 생성할 수 있다.

다시 도 2를 참조하면, 혈관 함수 추출부(160)는 혈관 분할부(140)로부터 4차원 혈관 마스크 이미지를 수신할 때, 수신한 4차원 혈관 마스크 이미지의 혈관 영역에서 추출한 그래프로부터 혈관 함수를 추출한 후, 혈관 함수에 포함된 부정확한 동맥 함수를 보정함으로써 혈관 함수를 정확하게 추출할 수 있다(S160).

이러한 혈관 함수 추출부(160)의 동맥 및 정맥 함수 추출 단계(S160)는 도 6 내지 도 8을 통해 자세히 설명하도록 하겠다.

도 6a 내지 도 6c는 도 2에서 설명한 동맥 및 정맥 함수 추출 단계에서 동맥 및 정맥 함수 추출 방식을 설명하는 도면이며, 도 7은 도 6에서 설명한 후보 그래프와 대응되는 포인트 및 이미지의 일례를 도시한 것이고, 도 8은 도 6에서 설명한 동맥 및 정맥 함수 추출 단계에서의 그래프 추출 방법에 기반하여 추출된 동맥 및 정맥 함수의 일례를 도시한 것이다.

도 6a를 참조하면, 혈관 함수 추출부(160)는 혈관 분할부(140)로부터 4차원 혈관 마스크 이미지를 수신할 때, 수신한 4차원 혈관 마스크 이미지의 혈관 영역에서 각 혈관의 픽셀 포인트(Slice, Height, Width 좌표)에 해당하는 시간별 위상에서 가장 높은 세기(Intensity)의 값을 기반으로 한 제1 그래프(161)로 생성할 수 있다.

이때, 혈관 함수 추출부(160)는 제1 그래프(161)를 생성하는 과정에서 휘도가 정상적인 픽셀과 다른 노이즈인 스파이크 노이즈(spike noise)를 제거할 수 있다.

제1 그래프(161) 생성 후, 혈관 함수 추출부(160)는 제1 그래프(161)의 Intensity를 정렬(sorting)시켜 제2 그래프(162)를 생성할 수 있다.

이때, 제2 그래프(162)의 생성 기준은 한정하지 아니하나, 본 명세서에서 제2 그래프(162)는 제1 그래프(161) 중 Intensity가 정점(peak)에 가장 빨리 도달하는 순서를 기준으로 상위 70~90%(바람직하게는, 80%)의 그래프일 수 있다.

도 6b를 참조하면, 혈관 함수 추출부(160)는 제2 그래프(162) 생성 후, 제2 그래프(162)로부터 peak 지점의 Intensity 값이 큰 순서에 기반하여 제3 그래프(163)를 생성할 수 있다.

이때, 제3 그래프(163)의 생성 기준은 한정하지 아니하나, 본 명세서에서 제3 그래프(163)는 제2 그래프(162) 중 peak 지점의 Intensity 값이 큰 순서를 기준으로 상위 10~20%(바람직하게는, 10%)의 그래프일 수 있다.

제3 그래프(163) 생성 후, 혈관 함수 추출부(160)는 제3 그래프(163)의 시계열 포인트(Time point)마다 Intensity의 변화량 합에 기반하여 제4 그래프(164)를 생성할 수 있다.

이때, 제4 그래프(164)의 생성 기준은 한정하지 아니하나, 본 명세서에서 제4 그래프(164)는 제3 그래프(163) 중 Time point마다 Intensity의 변화량 합이 큰 순서를 기준으로 하위 20~40%(바람직하게는, 30%)의 그래프일 수 있다.

도 6c를 참조하면, 혈관 함수 추출부(160)는 제4 그래프(164) 생성 후, 제4 그래프(164)에서 시간 축을 기준으로 Intensity의 평균을 산출하고, 일례로 평균 ±1~3σ(바람직하게는, 1.5σ) 범위 밖의 포인트(point)들은 이상값(outlier)으로 가정하고 제거하여 제5 그래프(165)를 생성할 수 있다.

제5 그래프(165) 생성 후, 혈관 함수 추출부(160)는 제5 그래프(165)의 남은 point들에 대해 가우시안 피팅(Gaussian Fitting)을 수행함으로써 제6 그래프(166)를 생성할 수 있다.

이때, 혈관 함수 추출부(160)가 가우시안 피팅을 수행하기 위한 방법은 한정하지 아니하나, 본 명세서에서는 복수개(예: 5개)의 가우시안 함수(Gaussian function)를 기반으로 가우시안 피팅이 수행될 수 있다.

혈관 함수 추출부(160)는 상술한 가우시안 피팅의 과정과 동시에, 제4 그래프(164) 중에서 제6 그래프(166)와 거리(distance)가 가장 가까운 복수개의 그래프를 추출할 수 있다.

그 후, 혈관 함수 추출부(160)는 가우시안 피팅을 기반으로 획득된 제6 그래프(166)와 제4 그래프(164) 중에서 제6 그래프(166)와 거리(distance)가 가장 가까운 복수개의 그래프를 기반으로 후보 그래프(167)를 생성할 수 있다.

이때, 후보 그래프(167)를 생성하는 것은 장치(100)의 사용자가 혈관 함수 추출부(160)로부터 생성된 후보 그래프(167) 중에서 제거하고 싶은 그래프를 삭제하거나, 후보 그래프(167)에 포함되지 않은 그래프를 추가적으로 포함시킬 수 있도록 하기 위함이다.

혈관 함수 추출부(160)로부터 생성된 후보 그래프(167)의 그래프와 각각 대응되는 제1, 2, 3, 4 포인트(167a, 167b, 167c, 167d) 및 이와 각각 대응되는 제1, 2, 3, 4 이미지(168a, 168b, 168c, 168d)의 일례는 도 6에 도시된 바와 같다.

이와 같이, 도 7에 도시된 포인트들(167a~167d)은 Slice 좌표, Height 좌표, Width 좌표를 포함할 수 있다.

한편, 동맥 함수 그래프(169a)와 정맥 함수 그래프(169b)는 도 8에 도시된 바와 같이, 각각 상술한 제1 그래프(161)로부터 후보 그래프(167)를 생성하기까지의 과정이 동일하게 적용됨으로써, 혈관 함수 추출부(160)로부터 생성될 수 있다.

이때, 혈관 함수 추출부(160)가 제1 그래프(161)로부터 후보 그래프(167)를 생성하기까지의 과정을 기반으로 동맥 함수 그래프(169a)를 생성하는 것은, 후보 그래프(167)를 생성하기 위한 그래프의 추가 또는 삭제 과정을 기초로 부정확한 동맥 함수를 보정하기 위함이다.

이와 같이, 혈관 함수 추출부(160)는 동맥 함수 그래프(169a)의 추가 또는 삭제를 통해 부정확한 동맥 함수를 보정하는 것이 가능하며, 부정확한 동맥 함수를 보정함으로써 정확하게 보정된 동맥 함수를 변수를 기반으로 계산되는 CBV, MTT, CBF와 같은 혈류 파라미터를 정확하게 계산할 수 있다.

일 실시예에서, 혈관 함수 추출부(160)는 혈류 파라미터를 정확히 계산하기 위한 혈류 파라미터 모델이 구성될 수 있다.

혈류 파라미터 모델

혈관 함수 추출부(160)의 혈류 파라미터 모델을 구현하기 위한 방법은 다음과 같다.

먼저, 혈관 함수 추출부(160)의 혈류 파라미터 모델은 행렬분해 방식 중 하나로서 고차원 행렬을 저차원 행렬로 분리하는 기법인 SVD(Singular Value Decomposition) 기반 접근법을 통해 혈류 파라미터를 계산하도록 학습될 수 있다.

혈관 함수 추출부(160)의 혈류 파라미터 모델은 혈류 파라미터 중 하나인 CBV(cerebral blood volume)를 이하의 [수학식 1]을 통해 계산할 수 있다.

상기 [수학식 1]에서, C_v는 VOI Tissue의 농도 변화, C_a는 동맥 함수(159a)일 수 있다.

이와 같이, 혈류 파라미터 중 하나인 CBV를 계산하기 위해서는 변수로서 동맥 함수(159a)가 적용되며, CBV를 정확히 계산하기 위해서는 부정확한 동맥 함수(159a)를 보정하는 과정이 필요하다.

혈관 함수 추출부(160)의 혈류 파라미터 모델은 혈류 파라미터 중 하나인 MTT(mean transit time)를 이하의 [수학식 2]을 통해 계산할 수 있다.

상기 [수학식 2]에서, F_v는 다른 혈류 파라미터인 CBF(capillary blood flow)일 수 있다.

한편, 혈관 함수 추출부(160)의 혈류 파라미터 모델이 특이값 분해를 수행하기 위한 수식의 일례는 이하의 [수학식 3]과 같다.

상기 [수학식 3]에서, R은 잔여 함수(Residue Function)이며, C_a와 C_v는 t=0에서 값이 0으로 Normalize될 수 있다.

혈관 함수 추출부(160)의 혈류 파라미터 모델이 상기 [수학식 3]의 수식을 기초로 SVD 기반 접근법을 통해 행렬을 분해하는 수식은 이하의 [수학식 4] 내지 [수학식 8]과 같다.

혈관 함수 추출부(160)의 혈류 파라미터 모델은 직사각 대각 행렬(Diagonal Matrix)인 상기 [수학식 7]의 W항에 임계치를 적용하는 방식으로 노이즈에 강인한 기저를 찾는 것이 가능하다.

혈류 파라미터 계산

SVD 기반 접근법을 통해 학습된 혈관 함수 추출부(160)의 혈류 파라미터 모델은 혈류 파라미터인 CBF, CBV, MTT를 계산할 수 있는데, 혈류 파라미터간의 관계는 이하의 [수학식 9] 내지 [수학식 11]과 같다.

혈관 함수 추출부(160)의 혈류 파라미터 모델은 혈류 파라미터 CBF, CBV, MTT는 서로 간의 관계가 성립되도록 근사된 r'값을 기반으로 혈류 파라미터 CBF, CBV, MTT을 계산할 수 있다.

이때, 혈류 파라미터 CBF, CBV, MTT를 계산하기 위한 조건은 평균 뇌 밀도의 경우 1.04g/ml, CBF의 단위는 #ml/100g/min, CBV의 단위는 ml/100g일 수 있다.

또한, 4차원의 CTP 이미지는 1mm의 등방성 복셀(isotropic voxel)로 재구성(reconstruction)될 수 있다.

혈관 함수 추출부(160)의 혈류 파라미터 모델은 상기 조건과 같이 단위를 맞춰줄 경우, 1/p 값으로 100g/1.04를 적용하고, CBF를 plot할 때는 분(min) 기준이므로 60s를 곱하여 계산된 혈류 파라미터를 표시할 수 있다.

혈관 함수 추출 장치의 전단 구성

본 발명의 혈관 함수 추출 장치(100)의 전단에는 헤드 분할부(10)가 구비될 수 있다.

헤드 분할부(10)는 CT 이미지를 수신하고, CT 이미지를 두개골과 뇌를 분리해 줄 수 있는 헤드 분할 네트워크(Head Segmentation Network)를 통과시켜 두개골의 본 마스크(Bone Mask), 뇌의 브레인 마스크(Brain Mask) 및 뇌와 관련된 혈관 마스크(Vessel Mask)를 예측할 수 있다.

또한, 헤드 분할부(10)는 예측된 브레인 마스크와 혈관 마스크를 조합하여, CT 이미지로부터 뇌 영역만을 포함하는 브레인 이미지를 추출할 수 있다.

헤드 분할부

도 9는 헤드 분할부의 블록구성도의 일례를 도시한 것이다.

도 9를 참조하면, 헤드 분할부(10)는 이미지 수신부(11), 헤드 전처리부(12), 사전 학습된 헤드 분할 네트워크부(13), 헤드 후처리부(14) 및 예측 결과 산출부(15)를 포함할 수 있다.

본 발명이 분석하고자 하는 관심 영역은 뇌(Brain)이고, skull의 두께와 형태는 사람마다 다르므로, 헤드 분할부(10)를 통해, 두개골과 뇌 영역을 분리해 줄 수 있는 딥러닝 기반 Head Segmentation Network를 통과하여 각각의 Bone, Brain, Vessel Mask를 예측한 뒤 Brain Mask와 Vessel Mask를 조합하여 원본 CT image로부터 온전한 Brain 영역을 추출하는 작업을 수행하게 된다.

먼저, 이미지 수신부(11)는 외부 장비로부터 CT 이미지를 수신한다.

다음으로, 헤드 전처리부(12)는 Raw CT image의 3차원 영상을 2D Axial slice로 분할한 뒤 segmentation 하고자 하는 slice의 인접 슬라이스들을 concatenate 하여 input 데이터를 구성하게 된다.

구체적으로 input 데이터는 헤드 전처리부(12)의 Pre-processing을 거쳐 사전 학습된 헤드 분할 네트워크부(13)에 입력된다.

헤드 전처리부(12)는 (1) Resize,(2) HU Windowing,(3) Normalize 등의 작업을 수행할 수 있다.

(1) 리사이징(Resizing) 작업은 헤드 분할 네트워크가 요구하는 크기로 영상을 축소 및/또는 확대하는 작업이다.

다음으로, (2) HU 윈도윙(Windowing) 작업은 Hounsfield unit(HU)의 상한 및 하한을 설정하는 작업이다.

또한, 노말라이징(Normalizing) 작업은 설정된 하한으로부터 사항까지의 HU Level을 결정하고, HU Level을 결정된 [0, 1] 간격으로 맵핑(mapping) 하는 작업이다. 대표적으로, HU 윈도윙(Windowing)의 하한부터 상한의 HU Level을 [0, 1] 간격으로 맵핑(mapping)하는 방식이 적용될 수 있다.

전 처리된 CT 이미지가 사전 학습된 헤드 분할 네트워크부(13)를 통과하고, 헤드 분할 네트워크(13)를 통과한 CT 이미지에 대해, 헤드 후처리부(14)가 브레인 VOI 크랍(Brain VOI Crop) 작업 및 특이치 클러스터(Outlier Cluster) 제거 작업 중 적어도 하나인 후 처리(Post-processing)를 수행하게 된다.

사전 학습된 헤드 분할 네트워크부(13)는 관심 영역인 뇌(brain) 영역을 추출할 수 있도록, 두개골과 뇌 영역에 대해 미리 학습된 딥러닝 기반Segmentation Network이다.

여기서 브레인 VOI 크랍(Brain VOI Crop) 작업은 브레인에 대한 관심 볼륨(Volume of Interest) 영역 이외의 영역을 제거한 후 크기를 재조정하는 작업이다.

또한, Outlier Cluster 제거 작업은 3차원 상에서 연결되지 않고 동떨어져 있는 작은 outlier cluster을 제거하는 작업이다.

이후, 예측 결과 산출부(15)는 후 처리된 CT 이미지를 기반으로 상기 본 마스크(Bone Mask), 브레인 마스크(Brain Mask) 및 혈관 마스크(Vessel Mask)를 예측하게 된다.

즉, 두개골의 본 마스크(Bone Mask), 뇌의 브레인 마스크(Brain Mask) 및 뇌와 관련된 혈관 마스크(Vessel Mask)를 예측하고, 예측된 브레인 마스크와 혈관 마스크를 조합하여, 최초 입력된 CT 이미지로부터 뇌 영역만을 포함하는 브레인 이미지를 추출할 수 있다.

헤드 분할부의 동작

도 10은 도 9에서 설명한 헤드 분할부의 동작을 시간의 흐름에 따라 표시한 것이다.

도 10을 참조하면, 이미지 수신부(11)는 외부 장비로부터 CT 이미지를 수신한다.

헤드 전처리부(12)는 전술한(1) Resize(2) HU Windowing(3) Normalize 등의 작업을 수행할 수 있다.

이후, 예측 결과 산출부(15)는 후 처리된 CT 이미지를 기반으로 상기 본 마스크(Bone Mask, 17), 브레인 마스크(Brain Mask, 18) 및 혈관 마스크(Vessel Mask, 19)를 포함하는 정보(15) 예측하게 된다.

즉, 두개골의 본 마스크(Bone Mask, 17), 뇌의 브레인 마스크(Brain Mask, 18) 및 뇌와 관련된 혈관 마스크(Vessel Mask, 19)를 예측하고, 예측된 브레인 마스크(18)와 혈관 마스크(19)를 조합하여, 최초 입력된 CT 이미지로부터 뇌 영역만을 포함하는 브레인 이미지(K)를 추출할 수 있다.

본 발명이 제공하는 효과

상술한 본 발명의 실시예들은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.

하드웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.

펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 상기 메모리 유닛은 상기 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 상기 프로세서와 데이터를 주고 받을 수 있다.

상술한 바와 같이 개시된 본 발명의 바람직한 실시예들에 대한 상세한 설명은 당업자가 본 발명을 구현하고 실시할 수 있도록 제공되었다. 상기에서는 본 발명의 바람직한 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 본 발명의 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 예를 들어, 당업자는 상술한 실시예들에 기재된 각 구성을 서로 조합하는 방식으로 이용할 수 있다. 따라서, 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다.

본 발명은 본 발명의 정신 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다. 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다. 또한, 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함할 수 있다.

Claims

외부로부터 수신하는 뇌와 관련된 정보에서 원본 CT 이미지를 추출하는 정보 수신부;
상기 원본 CT 이미지를 NIFTI 파일 형식의 이미지로 변환시켜 시간 시퀀스(Time sequence) 데이터를 획득하는 NIFTI 이미지 변환부;
상기 시간 시퀀스 데이터를 통해 상기 원본 CT 이미지에 시간 보간(time interpolation)을 적용하여 상기 원본 CT 이미지를 각 시간별 3차원 CT 이미지로 변환시키는 시간 보간부;
상기 각 시간별 3차원 CT 이미지를 딥러닝 기반 혈관 분할 딥러닝 모델(141)에 통과시켜 혈관 분할 마스크를 예측하며, 시간(time) 축을 기준으로 상기 3차원 CT 이미지를 스태킹(Stacking)함으로써 4차원 혈관 마스크 이미지를 생성하는 혈관 분할부; 및
상기 4차원 혈관 마스크 이미지의 혈관 영역으로부터 혈관 함수를 추출하며, 상기 혈관 함수 중 하나인 동맥 함수를 이용하여 혈류 파라미터를 계산하는 혈관 함수 추출부;를 포함하는 것을 특징으로 하는 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치.
◈청구항 2은(는) 설정등록료 납부시 포기되었습니다.◈

제 1 항에 있어서,
상기 혈관 분할부가 혈관 분할 마스크를 예측하는 과정과 상기 4차원 혈관 마스크 이미지를 생성하는 과정의 사이에서, Rigid 변환을 기반으로 상기 각 시간별 3차원 CT 이미지의 모션을 보정하는 모션 보정부;를 더 포함하는 것을 특징으로 하는 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치.
제 1 항에 있어서,
상기 혈관 분할부는,
상기 혈관 분할 딥러닝 모델이 예측하는 마스크가 본 마스크(bone Mask), 브레인 마스크(Brain Mask), 조직 마스크(tissue Mask), 정맥 마스크(vein Mask), 동맥 마스크(artery Mask)를 중 적어도 둘 이상 포함하는 상기 4차원의 혈관 마스크 이미지의 혈관 분할 마스크를 획득하는 것을 특징으로 하는 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치.
제 3 항에 있어서,
상기 동맥 마스크는,
상기 혈관 함수 추출부가 상기 동맥 함수를 추출할 때 사용되는 것을 특징으로 하는 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치.
제 3 항에 있어서,
상기 정맥 마스크는,
상기 혈관 함수 추출부가 정맥 함수를 추출할 때 사용되는 것을 특징으로 하는 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치.
제 1 항에 있어서,
상기 혈관 함수 추출부는,
상기 4차원 혈관 마스크 이미지의 혈관 영역에서 Slice 좌표, Height 좌표, Width 좌표에 해당하는 각 혈관의 픽셀 포인트에 해당하는 시간별 위상에서 가장 높은 세기(Intensity)의 값을 기반으로 제1 그래프를 생성하는 것을 특징으로 하는 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치.
제 6 항에 있어서,
상기 혈관 함수 추출부는,
상기 제1 그래프를 생성하는 과정에서 스파이크 노이즈(spike noise)를 제거하는 것을 특징으로 하는 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치.
제 6 항에 있어서,
상기 혈관 함수 추출부는,
상기 제1 그래프 중 세기가 정점(peak)에 가장 빨리 도달하는 순서에 기반하여 상기 제1 그래프의 Intensity를 정렬(sorting)시켜 제2 그래프를 생성하는 것을 특징으로 하는 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치.
제 8 항에 있어서,
상기 제2 그래프는,
상기 제1 그래프 중 세기가 정점(peak)에 가장 빨리 도달하는 순서를 기준으로 상위 70~90%의 그래프인 것을 특징으로 하는 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치.
제 8 항에 있어서,
상기 혈관 함수 추출부는,
상기 제2 그래프로부터 정점 지점의 세기 값이 큰 순서에 기반하여 제3 그래프를 생성하는 것을 특징으로 하는 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치.
제 10 항에 있어서,
상기 제3 그래프는,
상기 제2 그래프 중 정점 지점의 세기 값이 큰 순서를 기준으로 상위 10~20%의 그래프인 것을 특징으로 하는 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치.
제 10 항에 있어서,
상기 혈관 함수 추출부는,
상기 제3 그래프의 시계열 포인트(Time point)마다 세기의 변화량 합에 기반하여 제4 그래프를 생성하는 것을 특징으로 하는 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치.
제 12 항에 있어서,
상기 제4 그래프는,
상기 제3 그래프 중 시계열 포인트마다 세기의 변화량 합이 큰 순서를 기준으로 하위 20~40%의 그래프인 것을 특징으로 하는 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치.
제 12 항에 있어서,
상기 혈관 함수 추출부는,
상기 제4 그래프에서 시간 축을 기준으로 Intensity의 평균을 산출하고, 특정 범위 밖의 포인트(point)들은 이상값으로 가정하고 제거하여 제5 그래프를 생성하는 것을 특징으로 하는 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치.
제 14 항에 있어서,
상기 제5 그래프는,
상기 제4 그래프에서 평균 ±1~3σ 범위 밖의 포인트들이 이상값으로서 제거된 그래프인 것을 특징으로 하는 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치.
제 14 항에 있어서,
상기 혈관 함수 추출부는,
상기 제5 그래프의 남은 포인트들에 대해 가우시안 피팅(Gaussian Fitting)을 수행함으로써 제6 그래프를 생성하는 것을 특징으로 하는 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치.
제 16 항에 있어서,
상기 혈관 함수 추출부는,
상기 가우시안 피팅의 과정과 동시에 상기 제4 그래프 중에서 상기 제6 그래프와 거리(distance)가 가장 가까운 복수개의 그래프를 추출하고,
상기 복수개의 그래프와 상기 제6 그래프를 기반으로 후보 그래프를 생성하는 것을 특징으로 하는 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치.
제 17 항에 있어서,
상기 후보 그래프는,
사용자에 의해 그래프가 추가되거나 삭제되는 것을 특징으로 하는 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치.
제 18 항에 있어서,
상기 혈관 함수 추출부는,
상기 제1 그래프로부터 상기 후보 그래프를 생성하기까지의 과정에 기반하여 동맥 함수 기반의 동맥 함수 그래프를 추출하며,
상기 동맥 함수 그래프는,
상기 후보 그래프의 그래프 추가 또는 삭제 과정에 기반하여 상기 동맥 함수가 보정되는 것을 특징으로 하는 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치.
제 19 항에 있어서,
상기 혈관 함수 추출부는,
상기 보정된 동맥 함수를 기반으로 혈류 파라미터인 CBV(erebral blood volume), MTT(mean transit time), CBF(capillary blood flow)를 계산하는 것을 특징으로 하는 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치.
제 1 항에 있어서,
상기 시간 보간부는,
상기 원본 CT 이미지에 1초 단위의 시간 보간을 적용하여 상기 원본 CT 이미지를 1초 단위의 각 시간별 3차원 CT 이미지로 변환시키는 것을 특징으로 하는 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치.
◈청구항 22은(는) 설정등록료 납부시 포기되었습니다.◈

(a) 정보 수신부가 외부로부터 수신하는 뇌와 관련된 정보에서 원본 CT 이미지를 추출하는 단계;
(b) NIFTI 이미지 변환부가 상기 원본 CT 이미지를 NIFTI 파일 형식의 이미지로 변환시켜 시간 시퀀스(Time sequence) 데이터를 획득하는 단계;
(c) 시간 보간부가 상기 시간 시퀀스 데이터를 통해 상기 원본 CT 이미지에 시간 보간(time interpolation)을 적용하여 상기 원본 CT 이미지를 각 시간별 3차원 CT 이미지로 변환시키는 단계;
(d) 혈관 분할부가 각 시간별 상기 3차원 CT 이미지를 딥러닝 기반 혈관 분할 딥러닝 모델(141)에 통과시켜 혈관 분할 마스크를 예측하며, 시간(time) 축을 기준으로 상기 3차원 CT 이미지를 스태킹(Stacking)함으로써 4차원 혈관 마스크 이미지를 생성하는 단계; 및
(e) 혈관 함수 추출부가 상기 4차원 혈관 마스크 이미지의 혈관 영역으로부터 혈관 함수를 추출하며, 상기 혈관 함수 중 하나인 동맥 함수를 이용하여 혈류 파라미터를 계산하는 단계;를 포함하는 것을 특징으로 하는 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 방법.