KR101797501B1 - Apparatus and method for analyzing brain disease using magnetic resonance imaging and functional magnetic resonance imaging - Google Patents
Apparatus and method for analyzing brain disease using magnetic resonance imaging and functional magnetic resonance imaging Download PDFInfo
- Publication number
- KR101797501B1 KR101797501B1 KR1020110111440A KR20110111440A KR101797501B1 KR 101797501 B1 KR101797501 B1 KR 101797501B1 KR 1020110111440 A KR1020110111440 A KR 1020110111440A KR 20110111440 A KR20110111440 A KR 20110111440A KR 101797501 B1 KR101797501 B1 KR 101797501B1
- Authority
- KR
- South Korea
- Prior art keywords
- brain
- feature vector
- group
- difference
- volume
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/4806—Functional imaging of brain activation
Landscapes
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Neurology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Neurosurgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Psychology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
MRI 및 fMRI를 이용한 뇌 질환 분석 장치 및 방법이 개시된다. 뇌 질환 분석 장치는 뇌 질환과 관련된 실험군과 대조군 각각으로부터 MRI(Magnetic Resonant Image)과 fMRI(functional MRI)를 수집하는 영상 수집부; 상기 실험군과 대조군의 MRI로부터 뇌 영역의 부피를 계산하여 상기 뇌 영역의 그룹간 부피 차이에 기초한 제1 특징 벡터를 결정하는 부피 분석부; 상기 실험군과 대조군의 fMRI로부터 뇌 영역의 활성화도를 계산하여 상기 뇌 영역의 그룹간 활성화도 차이에 기초한 제2 특징 벡터를 결정하는 활성화도 분석부; 및 상기 제1 특징 벡터와 및 상기 제2 특징 벡터 중 적어도 하나의 특징 벡터를 뇌 질환을 분석하기 위한 특징 벡터로 추출하는 특징 추출부를 포함할 수 있다.An apparatus and method for analyzing brain diseases using MRI and fMRI are disclosed. An apparatus for analyzing a brain disease includes an image collecting unit for collecting MRI (Magnetic Resonant Image) and fMRI (functional MRI) from each of an experimental group and a control group related to brain diseases; A volume analyzer for calculating a volume of a brain region from the MRI of the test group and the control group to determine a first feature vector based on a volume difference between groups of the brain regions; An activity analyzer for calculating a degree of activation of the brain region from the fMRI of the experimental group and the control group to determine a second feature vector based on the difference in activation degree between the brain regions; And a feature extracting unit that extracts at least one of the first feature vector and the second feature vector as a feature vector for analyzing a brain disease.
Description
본 발명의 일실시예들은 뇌 질환 분석 장치 및 방법에 관한 것으로, 보다 구체적으로는 MRI와 fMRI를 이용하여 뇌 질환을 분석하기 위한 특징 벡터를 추출하고, 특징 벡터를 이용하여 뇌 질환인지 여부를 판단하는 장치 및 방법에 관한 것이다.More particularly, the present invention relates to an apparatus and method for analyzing a brain disease, and more particularly, a feature vector for analyzing a brain disease is extracted using MRI and fMRI, And more particularly,
사회가 발전하면서, 알츠하이머 질환(Alzheimer Diseases)와 같은 퇴행성 신경질환(Neurogenerative Diseases)이 증가하고 있다. 퇴행성 신경질환의 경우, 뇌와 관련된 질환이기 때문에 침습하지 않고 진단하는 방법이 필요하다. 그러나, 침습하지 않고 뇌 질환에 걸렸는 지 판단하는 경우, 정확도가 떨어지는 문제점이 있다.As society develops, neurogenerative diseases such as Alzheimer's Diseases are increasing. In the case of degenerative neurological diseases, it is a brain-related disease, so a method of diagnosis without invasion is necessary. However, there is a problem that accuracy is low when it is judged whether or not it has suffered from brain disease without invasion.
그래서, 침습하지 않고도 진단 대상인 사용자가 뇌 질환에 걸렸는 지 여부를 정확하게 판단할 수 있는 방법이 필요하다.Thus, there is a need for a method that can accurately determine whether a user to be diagnosed has suffered from a brain disorder without invasion.
본 발명의 일실시예에 따른 뇌 질환 분석 장치는 뇌 질환과 관련된 실험군과 대조군 각각으로부터 MRI(Magnetic Resonant Image)과 fMRI(functional MRI)를 수집하는 영상 수집부; 상기 실험군과 대조군의 MRI로부터 뇌 영역의 부피를 계산하여 상기 뇌 영역의 그룹간 부피 차이에 기초한 제1 특징 벡터를 결정하는 부피 분석부; 상기 실험군과 대조군의 fMRI로부터 뇌 영역의 활성화도를 계산하여 상기 뇌 영역의 그룹간 활성화도 차이에 기초한 제2 특징 벡터를 결정하는 활성화 정도 분석부; 및 상기 제1 특징 벡터와 및 상기 제2 특징 벡터 중 적어도 하나의 특징 벡터를 뇌 질환을 분석하기 위한 특징 벡터로 추출하는 특징 추출부를 포함할 수 있다.An apparatus for analyzing brain diseases according to an embodiment of the present invention includes an image collecting unit for collecting MRI (Magnetic Resonant Image) and fMRI (functional MRI) from an experimental group and a control group related to brain diseases; A volume analyzer for calculating a volume of a brain region from the MRI of the test group and the control group to determine a first feature vector based on a volume difference between groups of the brain regions; An activation degree analyzer for calculating a degree of activation of the brain region from the fMRI of the experimental group and the control group to determine a second feature vector based on the difference in activation degree between the brain regions; And a feature extracting unit that extracts at least one of the first feature vector and the second feature vector as a feature vector for analyzing a brain disease.
본 발명의 일실시예에 따른 뇌 질환 분석 장치는 상기 특징 벡터를 이용하여 진단 대상이 뇌 질환에 걸렸는 지 여부를 판단하는 뇌 질환 분석부를 더 포함할 수 있다.The apparatus for analyzing brain diseases according to an embodiment of the present invention may further include a brain disease analyzing unit for determining whether the diagnostic object has a brain disease using the feature vector.
본 발명의 일실시예에 따른 뇌 질환 분석 방법은 뇌 질환과 관련된 실험군과 대조군 각각으로부터 MRI(Magnetic Resonant Image)과 fMRI(functional MRI)를 수집하는 단계; 상기 실험군과 대조군의 MRI로부터 뇌 영역의 부피를 계산하여 상기 뇌 영역의 그룹간 부피 차이에 기초한 제1 특징 벡터를 결정하는 단계; 상기 실험군과 대조군의 fMRI로부터 뇌 영역의 활성화도를 계산하여 상기 뇌 영역의 그룹간 활성화도 차이에 기초한 제2 특징 벡터를 결정하는 단계; 및 상기 제1 특징 벡터와 및 상기 제2 특징 벡터 중 적어도 하나의 특징 벡터를 뇌 질환을 분석하기 위한 특징 벡터로 추출하는 단계를 포함할 수 있다.The method for analyzing brain diseases according to an embodiment of the present invention includes collecting MRI (Magnetic Resonant Image) and fMRI (functional MRI) from each of an experimental group and a control group related to brain diseases; Calculating a volume of the brain region from the MRI of the experimental group and the control group to determine a first feature vector based on the volume difference between groups of the brain regions; Calculating a degree of activation of the brain region from the fMRI of the experimental group and the control group to determine a second characteristic vector based on the difference in activation between groups of the brain regions; And extracting at least one of the first feature vector and the second feature vector as a feature vector for analyzing a brain disease.
본 발명의 일실시예에 따른 뇌 질환 분석 방법은 상기 특징 벡터를 이용하여 진단 대상이 뇌 질환에 걸렸는 지 여부를 판단하는 단계를 더 포함할 수 있다.The method for analyzing brain diseases according to an embodiment of the present invention may further include the step of determining whether the diagnostic object is infected with the brain disease using the feature vector.
본 발명의 일실시예에 따르면, MRI와 fMRI로부터 뇌 영역과 관련된 부피 차이, 또는 활성화도 차이에 기초한 특징 벡터를 추출하고, 특징 벡터를 이용하여 진단 대상이 뇌 질환에 걸렸는 지 여부를 판단함으로써 뇌 질환을 보다 정확하게 진단할 수 있다.According to an embodiment of the present invention, a feature vector based on a volume difference or an activation degree difference related to a brain region is extracted from an MRI and an fMRI, and a feature vector is used to determine whether or not the diagnosis object has a brain disease, The disease can be diagnosed more accurately.
도 1은 본 발명의 일실시예에 따른 뇌 질환 분석 장치를 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 뇌 질환 분석 장치의 세부 구성을 도시한 블록 다이어그램이다.
도 3은 본 발명의 일실시예에 따라 뇌 질환 분석 장치의 동작을 도시한 플로우차트이다.
도 4는 본 발명의 일실시예에 따른 뇌 영역을 조절하는 과정을 도시한 도면이다.
도 5는 본 발명의 일실시예에 따른 실험군과 대조군 사이에 해마의 부피를 비교한 도면이다.
도 6은 본 발명의 일실시예에 따른 해마와 뇌실의 부피 차이를 도시한 도면이다.
도 7은 본 발명의 일실시예에 따라 그룹간 활성화도 차이를 도시한 도면이다.
도 8은 본 발명의 일실시예에 따라 fMRI와 MRI로부터 결정된 바이오마커에 대한 에러율을 도시한 도면이다.1 is a view showing a brain disease analyzing apparatus according to an embodiment of the present invention.
2 is a block diagram showing a detailed configuration of a brain disease analyzing apparatus according to an embodiment of the present invention.
3 is a flow chart showing the operation of the brain disease analysis apparatus according to an embodiment of the present invention.
4 is a diagram illustrating a process of adjusting a brain region according to an embodiment of the present invention.
FIG. 5 is a graph comparing volumes of hippocampus between an experimental group and a control group according to an embodiment of the present invention.
FIG. 6 is a diagram illustrating a volume difference between the hippocampus and the ventricle according to an embodiment of the present invention.
FIG. 7 is a diagram showing a difference in activation degree among groups according to an embodiment of the present invention.
8 is a graph showing error rates for biomarkers determined from fMRI and MRI according to an embodiment of the present invention.
이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다. DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 일실시예에 따른 뇌 질환 분석 장치를 도시한 도면이다.1 is a view showing a brain disease analyzing apparatus according to an embodiment of the present invention.
도 1을 참고하면, 뇌 질환 분석 장치(101)는 뇌 질환과 관련된 실험군(102)인 제1 그룹과 대조군(103)인 제2 그룹으로부터 fMRI(functional MRI)와 MRI를 수집할 수 있다. 여기서, 뇌 질환은 알츠하이머를 포함할 수 있다. 그러나, 본 발명에서 언급하는 뇌 질환은 알츠하이머에 한정되지 않고, 퇴행성 신경 질환과 관련된 다수의 뇌 질환을 포함할 수 있다.Referring to FIG. 1, the brain
실험군(102)은 뇌 질환에 걸린 복수의 사용자들을 의미하고, 대조군(103)은 정상적인 복수의 사용자들을 의미한다. 일반적으로, 알츠하이머와 같은 퇴행성 신경 질환은 노인에게 많이 발생하기 때문에, 대조군(103)은 정상적인 노인들로 구성될 수 있다.The
뇌 질환 분석 장치(101)는 수집한 MRI를 이용하여 실험군(102)과 대조군(103) 간에 뇌 영역의 부피 차이를 계산할 수 있다. 이 때, 부피 차이를 계산하는 대상은 복수의 뇌 영역 중 뇌 질환과 관련된 뇌 영역을 의미한다. 그리고, 뇌 질환 분석 장치(101)는 수집한 fMRI를 이용하여 실험군(102)과 대조군(103) 간에 뇌 영역의 활성화도 차이를 계산할 수 있다.The
그러면, 뇌 질환 분석 장치(101)는 부피 차이와 활성화도 차이를 이용하여 진단 대상(104)의 뇌 질환을 판단하기 위한 특징 벡터를 추출할 수 있다. 뇌 질환 분석 장치(101)는 특징 벡터를 이용하여 진단 대상(104)이 뇌 질환에 걸렸는 지 여부에 대한 진단 결과(105)를 도출할 수 있다.Then, the brain
이하에서는 뇌 질환을 판단하기 위한 특징 벡터를 추출하는 과정에 대해 보다 구체적으로 설명하기로 한다.Hereinafter, a process of extracting a feature vector for determining a brain disease will be described in more detail.
도 2는 본 발명의 일실시예에 따른 뇌 질환 분석 장치의 세부 구성을 도시한 블록 다이어그램이다.2 is a block diagram showing a detailed configuration of a brain disease analyzing apparatus according to an embodiment of the present invention.
도 2를 참고하면, 뇌 질환 분석 장치(101)는 영상 수집부(201), 부피 분석부(202), 활성화도 분석부(203), 특징 추출부(204) 및 뇌 질환 판단부(205)를 포함할 수 있다.2, the brain
영상 수집부(201)는 뇌 질환과 관련된 실험군(102)과 대조군(103) 각각으로부터 MRI(Magnetic Resonant Image)과 fMRI(functional MRI)를 수집할 수 있다. 여기서, 실험군(102)은 뇌 질환에 걸린 그룹을 의미하고, 대조군(103)은 뇌 질환에 걸리지 않은 그룹을 의미한다. 예를 들어, 실험군(102)은 알츠하이머에 걸린 그룹을 의미한고, 대조군(103)은 알츠하이머에 걸리지 않은 정상적인 그룹을 의미한다.The
부피 분석부(202)는 실험군(102)과 대조군(103)의 MRI로부터 뇌 영역의 부피를 계산하여 뇌 영역의 그룹간 부피 차이에 기초한 제1 특징 벡터를 결정할 수 있다. 여기서, 제1 특징 벡터는, 뇌 영역의 그룹간 부피 차이가 미리 설정한 부피 차이 기준값 이상인 것으로 정의될 수 있다.The
일례로, 부피 분석부(202)는 실험군(102)과 대조군(103) 각각으로부터 수집한 MRI을 이용하여 뇌 영역을 분류하고, 분류된 뇌 영역에 대해 그룹간 부피 차이를 계산할 수 있다. 이 때, 부피 분석부(202)는 뇌 질환과 관련된 뇌 영역인 측두엽(medial temporal lobe)을 구성하는 해마(hippocampus), 편도체(amygdala) 또는 뇌실(ventricle)의 그룹간 부피 차이를 계산할 수 있다.For example, the
활성화도 분석부(203)는 실험군(102)과 대조군(103)의 fMRI로부터 뇌 영역의 활성화도를 계산하여 뇌 영역의 그룹간 활성화도 차이에 기초한 제2 특징 벡터를 결정할 수 있다. 일례로, 활성화도 분석부(203)는 선형 모델을 이용하여 fMRI로부터 뇌 영역의 뇌 영역의 그룹간 활성화도 차이를 계산할 수 있다. 여기서, 제2 특징 벡터는 뇌 영역의 그룹간 활성화도 차이가 미리 설정한 활성화도 기준값 이상인 것으로 정의될 수 있다.The
특징 추출부(204)는 제1 특징 벡터와 및 제2 특징 벡터 중 적어도 하나의 특징 벡터를 뇌 질환을 분석하기 위한 특징 벡터로 추출할 수 있다. 일례로, 특징 추출부(204)는 교차 검증(Cross-Validation)을 이용하여 뇌 질환의 진단율이 높은 특징 벡터를 추출할 수 있다.The
특징 벡터를 추출하는 과정에 대해서는 도 3에서 보다 구체적으로 설명하기로 한다.The process of extracting the feature vector will be described in more detail with reference to FIG.
뇌 질환 판단부(205)는 특징 벡터를 이용하여 진단 대상이 뇌 질환에 걸렸는 지 여부를 판단할 수 있다.The brain
도 3은 본 발명의 일실시예에 따라 뇌 질환 분석 장치의 동작을 도시한 플로우차트이다.3 is a flow chart showing the operation of the brain disease analysis apparatus according to an embodiment of the present invention.
단계(S301)에서, 뇌 질환 분석 장치(101)는 실험군(102)과 대조군(103)으로부터 수집한 MRI에서 뇌 영역을 분류할 수 있다. 이 때, 뇌 질환 분석 장치(101)는 특정 알고리즘을 통해 자동으로 뇌 영역을 분류할 수 있다. 또는 실제로 MRI로부터 뇌 영역을 수동으로 분류할 수 있다.In step S301, the brain
단계(S302)에서, 뇌 질환 분석 장치(101)는 뇌 전체의 부피(Intracranial Volume: ICV)를 이용하여 뇌 영역 각각을 정규화할 수 있다.In step S302, the brain
단계(S303)에서, 뇌 질환 분석 장치(101)는 2 sample t-test를 통해 실험군(102)과 대조군(103) 간에 부피 차이가 명확한 뇌 영역을 식별할 수 있다. 여기서, 부피 차이가 명확하다는 것은 실험군(102)과 대조군(103) 사이의 부피 차이가 미리 설정한 부피 차이 기준값 이상인 것을 의미한다. 단계(303)를 통해 식별된 뇌 영역의 정규화된 부피는 MRI에 기초한 제1 특징 벡터가 될 수 있다. 여기서, 제1 특징 벡터는 MRI에 기초한 바이오마커에 대응한다.In step S303, the brain
그리고, 단계(S304)에서, 뇌 질환 분석 장치(101)는 실험군(102)과 대조군(103)으로부터 수집한 fMRI에 대해 SPM2를 이용하여 전처리를 수행할 수 있다. 구체적으로, 뇌 질환 분석 장치(101)는 (i) Slice timing correction, (b) head motion correction, (c) normalization to the Motreal Neurological Institue(MNI) coordinate 및 (d)spatial smoothing with 8mm isotropic full-width-at-half-maximum Gaussian kernel의 과정으로 이루어진 SPM2를 이용하여 fMRI를 전처리할 수 있다.In step S304, the brain
단계(S305)에서, 뇌 질환 분석 장치(101)는 일반 선형 모델(General Linear Model: GLM)을 이용하여 뇌 영역에 대해 작업 기반(task-realated)의 활성화도(neuronal activity)를 추정할 수 있다.In step S305, the brain
단계(S306)에서, 뇌 질환 분석 장치(101)는 실험군(102)과 대조군(103) 간에 2 sample t-test를 통해 그룹 레벨 분석(group level analysis)을 수행하고, 2 그룹 간에 활성화도 차이가 명확한 뇌 영역을 식별할 수 있다. 이 때, 활성화도 차이가 명확하다는 것은 실험군(102)과 대조군(103) 사이의 활성화도 차이가 미리 설정한 활성화도 차이 기준값 이상인 것을 의미한다. 단계(306)를 통해 식별된 뇌 영역의 활성화도는 fMRI에 기초한 제2 특징 벡터가 될 수 있다. 여기서, 제2 특징 벡터는 fMRI에 기초한 바이오마커에 대응한다.In step S306, the brain
단계(S307)에서, 뇌 질환 분석 장치(101)는 제1 특징 벡터와 제2 특징 벡터 중 뇌 질환을 분석하기 위한 특징 벡터를 추출할 수 있다. 즉, 뇌 질환 분석 장치(101)는 뇌 질환을 분석할 때 진단 결과의 정확도가 높게 도출되기 위한 특징 벡터를 추출할 수 있다. 그리고, 단계(S308)에서, 뇌 질환 분석 장치(101)는 SVM(Support Vector Machine)을 통해 교차 검증을 수행하여 보다 정확한 특징 벡터를 추출할 수 있다. 단계(S307)와 단계(S308)은 반복적으로 수행될 수 있다.In step S307, the brain
도 4는 본 발명의 일실시예에 따른 뇌 영역을 조절하는 과정을 도시한 도면이다.4 is a diagram illustrating a process of adjusting a brain region according to an embodiment of the present invention.
그림(401)은 뇌 질환을 분석하기 위한 뇌 영역이 자동으로 분류된 결과를 의미한다. 그리고, 그림(402)은 뇌 질환을 분석하기 위한 뇌 영역이 자동으로 분류된 결과를 수동으로 보정한 결과를 의미한다. 특정 알고리즘을 통해 뇌 영역이 자동으로 분류된 경우, 분류 결과의 정확도가 낮을 수 있다. 그러면, 뇌 질환 분석 장치(101)는 사용자의 입력 신호에 기초하여 자동으로 분류된 뇌 영역을 수동으로 보정할 수 있다.Figure (401) shows the results of automatic classification of brain regions for analyzing brain diseases. And, Figure (402) means a result obtained by manually correcting the results of automatically classifying brain regions for analyzing brain diseases. If the brain regions are automatically classified through a particular algorithm, the accuracy of the classification results may be low. Then, the brain
도 5는 본 발명의 일실시예에 따른 실험군과 대조군 사이에 해마의 부피를 비교한 도면이다.FIG. 5 is a graph comparing volumes of hippocampus between an experimental group and a control group according to an embodiment of the present invention.
그림(501)은 뇌 질환에 걸리지 않은 대조군의 뇌 영역 중 하나인 해마 영역의 부피를 의미한다. 그림(502)은 뇌 질환에 걸린 실험군의 뇌 영역 중 하나인 해마 영역의 부피를 의미한다. 그림(501)과 그림(502)를 살펴보면, 해마 영역의 부피가 감소한 것을 알 수 있다. 특히, 뇌 질환 중 퇴행성 신경 질환인 알츠하이머는 병리학적 특성에 따라 해마 영역의 부피가 감소하는 것을 알 수 있다.Figure 501 represents the volume of the hippocampal region, one of the brain regions of the control group that did not suffer from brain disease. Figure (502) refers to the volume of the hippocampal region, one of the brain regions of the experimental group with brain disease. Looking at figures 501 and 502, it can be seen that the volume of the hippocampal region has decreased. In particular, Alzheimer's disease, a neurodegenerative neurodegenerative disease of the brain, shows a decrease in the volume of the hippocampal region according to pathological characteristics.
즉, 본 발명의 일실시예에 따르면, 뇌 질환 분석 장치(101)는 뇌 질환과 관련도가 높은 뇌 영역의 부피를 특징 벡터로 설정하여 진단 대상이 뇌 질환에 걸렸는 지 여부를 보다 정확하게 판단할 수 있다.That is, according to one embodiment of the present invention, the brain
도 6은 본 발명의 일실시예에 따른 해마와 뇌실의 부피 차이를 도시한 도면이다.FIG. 6 is a diagram illustrating a volume difference between the hippocampus and the ventricle according to an embodiment of the present invention.
구체적으로, 도 6은 실험군(MCI)과 대조군(HC)간에 좌측/우측 뇌실(lateral venricle)의 부피 차이를 나타낸다. 그리고, 도 6은 실험군(MCI)과 대조군(HC) 간에 좌측/우측 해마의 부피 차이를 나타낸다.Specifically, FIG. 6 shows the volume difference of the left / right ventricle (lateral venicle) between the experimental group (MCI) and the control group (HC). 6 shows the volume difference of the left / right hippocampus between the experimental group (MCI) and the control group (HC).
도 7은 본 발명의 일실시예에 따라 그룹간 활성화도 차이를 도시한 도면이다.FIG. 7 is a diagram showing a difference in activation degree among groups according to an embodiment of the present invention.
도 7을 참고하면, 실험군과 대조군 간에 뇌 영역의 활성화도 차이를 나타낸다. 여기서, 뇌 영역은 left caudate, left precuneus, right calcarine gyrus, right hippocampus, right inferior frontal gyrus, left middle occipital gyrus, right superior occipital gyrus, and left inferior frontal gyrus를 포함할 수 있다.Referring to FIG. 7, there is a difference in activation of the brain region between the experimental group and the control group. Here, the brain region may include left caudate, left precuneus, right calcane gyrus, right hippocampus, right inferior frontal gyrus, left middle occipital gyrus, right superior occipital gyrus, and left inferior frontal gyrus.
도 8은 본 발명의 일실시예에 따라 fMRI와 MRI로부터 결정된 바이오마커에 대한 에러율을 도시한 도면이다.8 is a graph showing error rates for biomarkers determined from fMRI and MRI according to an embodiment of the present invention.
그래프(801)는 4개의 MRI 기반 바이오마커를 이용하여 진단 대상이 뇌 질환에 걸렸는 지 여부를 판단한 진단 결과의 에러율을 의미한다. 그리고, 그래프(802)는 8개의 fMRI 기반 바이오마커를 이용하여 진단 대상이 뇌 질환에 걸렸는 지 여부를 판단한 진단 결과의 에러율을 의미한다. 또한, 그래프(803)는 4개의 MRI 기반 바이오마커와 5개의 fMRI 기반 바이오마커를 이용하여 진단 대상이 뇌 질환에 걸렸는 지 여부를 판단한 진단 결과의 에러율을 의미한다. 그래프(803)의 경우, 에러율이 가장 낮게 도출되는 것을 알 수 있다.The
본 발명의 실시 예에 따른 방법들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. The methods according to embodiments of the present invention may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, and the like, alone or in combination. The program instructions recorded on the medium may be those specially designed and configured for the present invention or may be available to those skilled in the art of computer software.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.While the invention has been shown and described with reference to certain preferred embodiments thereof, it will be understood by those of ordinary skill in the art that various changes in form and details may be made therein without departing from the spirit and scope of the invention as defined by the appended claims. This is possible.
그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.Therefore, the scope of the present invention should not be limited to the described embodiments, but should be determined by the equivalents of the claims, as well as the claims.
101: 뇌 질환 분석 장치
102: 실험군
103: 대조군
104: 진단 대상
105: 진단 결과101: brain disease analyzer
102: Experimental group
103: Control group
104: Diagnostic target
105: Diagnostic result
Claims (15)
상기 실험군과 대조군의 MRI로부터 뇌 영역의 부피를 계산하여 상기 뇌 영역의 그룹간 부피 차이에 기초한 제1 특징 벡터를 결정하는 부피 분석부;
상기 실험군과 대조군의 fMRI로부터 뇌 영역의 활성화도를 계산하여 상기 뇌 영역의 그룹간 활성화도 차이에 기초한 제2 특징 벡터를 결정하는 활성화도 분석부; 및
상기 제1 특징 벡터와 및 상기 제2 특징 벡터 중 적어도 하나의 특징 벡터를 뇌 질환을 분석하기 위한 특징 벡터로 추출하는 특징 추출부
를 포함하는 뇌 질환 분석 장치.An image collection unit for collecting MRI (Magnetic Resonant Image) and fMRI (functional MRI) from each of an experimental group and a control group related to brain diseases;
A volume analyzer for calculating a volume of a brain region from the MRI of the test group and the control group to determine a first feature vector based on a volume difference between groups of the brain regions;
An activity analyzer for calculating a degree of activation of the brain region from the fMRI of the experimental group and the control group to determine a second feature vector based on the difference in activation degree between the brain regions; And
A feature extraction unit for extracting at least one of the first feature vector and the second feature vector as a feature vector for analyzing a brain disease,
And a brain disease diagnosis device.
상기 부피 분석부는,
상기 실험군과 대조군 각각으로부터 수집한 MRI을 이용하여 뇌 영역을 분류하고, 상기 분류된 뇌 영역에 대해 그룹간 부피 차이를 계산하는 것을 특징으로 하는 뇌 질환 분석 장치.The method according to claim 1,
Wherein the volume analyzer comprises:
Wherein brain regions are classified using the MRIs collected from each of the experimental group and the control group, and a group-to-group volume difference is calculated for the classified brain regions.
상기 부피 분석부는,
상기 뇌 질환과 관련된 뇌 영역인 측두엽(medial temporal lobe)을 구성하는 해마(hippocampus), 편도체(amygdala) 또는 뇌실(ventricle)의 그룹간 부피 차이를 계산하는 것을 특징으로 하는 뇌 질환 분석 장치.3. The method of claim 2,
Wherein the volume analyzer comprises:
Wherein a difference in group volume of a hippocampus, an amygdala or a ventricle constituting a medial temporal lobe, which is a brain region related to the brain disease, is calculated.
상기 활성화도 분석부는,
선형 모델을 이용하여 상기 fMRI로부터 뇌 영역의 뇌 영역의 그룹간 활성화도 차이를 계산하는 것을 특징으로 하는 뇌 질환 분석 장치.The method according to claim 1,
Wherein the activation degree analyzing unit comprises:
And calculating a difference between groups of brain regions of the brain region from the fMRI using a linear model.
상기 제1 특징 벡터는,
상기 뇌 영역의 그룹간 부피 차이가 미리 설정한 부피 차이 기준값 이상인 것으로 정의되고,
상기 제2 특징 벡터는,
상기 뇌 영역의 그룹간 활성화도 차이가 미리 설정한 활성화도 기준값 이상인 것으로 정의되는 것을 특징으로 하는 뇌 질환 분석 장치.The method according to claim 1,
Wherein the first feature vector comprises:
Wherein a volume difference between the groups of the brain regions is defined as being equal to or greater than a predetermined volume difference reference value,
Wherein the second feature vector comprises:
Wherein the activation degree difference between the groups of brain regions is defined to be equal to or greater than a predetermined activation degree reference value.
상기 특징 추출부는,
교차 검증(Cross-Validation)을 이용하여 뇌 질환의 진단율이 높은 특징 벡터를 추출하는 것을 특징으로 하는 뇌 질환 분석 장치.The method according to claim 1,
The feature extraction unit may extract,
And a feature vector having a high diagnostic rate of a brain disease is extracted using a cross-validation.
상기 특징 벡터를 이용하여 진단 대상이 뇌 질환에 걸렸는 지 여부를 판단하는 뇌 질환 분석부
를 더 포함하는 뇌 질환 분석 장치.The method according to claim 1,
A brain disease analyzing unit for determining whether or not the diagnosis object has a brain disease using the feature vector,
Further comprising:
상기 실험군과 대조군의 MRI로부터 뇌 영역의 부피를 계산하여 상기 뇌 영역의 그룹간 부피 차이에 기초한 제1 특징 벡터를 결정하는 단계;
상기 실험군과 대조군의 fMRI로부터 뇌 영역의 활성화도를 계산하여 상기 뇌 영역의 그룹간 활성화도 차이에 기초한 제2 특징 벡터를 결정하는 단계; 및
상기 제1 특징 벡터와 및 상기 제2 특징 벡터 중 적어도 하나의 특징 벡터를 뇌 질환을 분석하기 위한 특징 벡터로 추출하는 단계
를 포함하는 뇌 질환 분석 방법.Collecting MRI (Magnetic Resonant Image) and fMRI (functional MRI) from each of the experimental group and the control group related to the brain disease;
Calculating a volume of the brain region from the MRI of the test group and the control group to determine a first feature vector based on the volume difference between groups of the brain regions;
Calculating a degree of activation of the brain region from the fMRI of the experimental group and the control group to determine a second characteristic vector based on the difference in activation between groups of the brain region; And
Extracting at least one feature vector of the first feature vector and the second feature vector as a feature vector for analyzing a brain disease
Wherein the method comprises the steps of:
상기 제1 특징 벡터를 결정하는 단계는,
상기 실험군과 대조군 각각으로부터 수집한 MRI을 이용하여 뇌 영역을 분류하고, 상기 분류된 뇌 영역에 대해 그룹간 부피 차이를 계산하는 것을 특징으로 하는 뇌 질환 분석 방법.9. The method of claim 8,
Wherein the step of determining the first feature vector comprises:
Wherein the brain regions are classified using the MRIs collected from the experimental group and the control group, and the group-to-group volume difference is calculated for the classified brain regions.
상기 제1 특징 벡터를 결정하는 단계는,
상기 뇌 질환과 관련된 뇌 영역인 측두엽(medial temporal lobe)을 구성하는 해마(hippocampus), 편도체(amygdala) 또는 뇌실(ventricle)의 그룹간 부피 차이를 계산하는 것을 특징으로 하는 뇌 질환 분석 방법.10. The method of claim 9,
Wherein the step of determining the first feature vector comprises:
Wherein a difference in group volume between a hippocampus, an amygdala or a ventricle constituting a medial temporal lobe, which is a brain region related to the brain disease, is calculated.
상기 제2 특징 벡터를 결정하는 단계는,
선형 모델을 이용하여 상기 fMRI로부터 뇌 영역의 뇌 영역의 그룹간 활성화도 차이를 계산하는 것을 특징으로 하는 뇌 질환 분석 방법.9. The method of claim 8,
Wherein the step of determining the second feature vector comprises:
And calculating a difference between groups of brain regions of the brain region from the fMRI using a linear model.
상기 제1 특징 벡터는,
상기 뇌 영역의 그룹간 부피 차이가 미리 설정한 부피 차이 기준값 이상인 것으로 정의되고,
상기 제2 특징 벡터는,
상기 뇌 영역의 그룹간 활성화도 차이가 미리 설정한 활성화도 기준값 이상인 것으로 정의되는 것을 특징으로 하는 뇌 질환 분석 방법.9. The method of claim 8,
Wherein the first feature vector comprises:
Wherein a volume difference between the groups of the brain regions is defined as being equal to or greater than a predetermined volume difference reference value,
Wherein the second feature vector comprises:
Wherein the activation degree difference between the groups of the brain regions is defined as being equal to or greater than a predetermined activation degree reference value.
상기 뇌 질환을 분석하기 위한 특징 벡터로 추출하는 단계는,
교차 검증(Cross-Validation)을 이용하여 뇌 질환의 진단율이 높은 특징 벡터를 추출하는 것을 특징으로 하는 뇌 질환 분석 방법.9. The method of claim 8,
Wherein the step of extracting the feature vector for analyzing the brain disease comprises:
Wherein a feature vector having a high diagnostic rate of a brain disease is extracted using a cross-validation method.
상기 특징 벡터를 이용하여 진단 대상이 뇌 질환에 걸렸는 지 여부를 판단하는 단계
를 더 포함하는 뇌 질환 분석 방법.9. The method of claim 8,
Determining whether or not the diagnosis target has a brain disease using the feature vector
Further comprising the steps of:
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US41195010P | 2010-11-10 | 2010-11-10 | |
| US61/411,950 | 2010-11-10 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20120050379A KR20120050379A (en) | 2012-05-18 |
| KR101797501B1 true KR101797501B1 (en) | 2017-11-16 |
Family
ID=46267897
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020110111440A Active KR101797501B1 (en) | 2010-11-10 | 2011-10-28 | Apparatus and method for analyzing brain disease using magnetic resonance imaging and functional magnetic resonance imaging |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101797501B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021045505A1 (en) * | 2019-09-03 | 2021-03-11 | 고려대학교 산학협력단 | Apparatus for hierarchically diagnosing brain atrophy disease on basis of brain thickness information |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101297412B1 (en) * | 2012-06-19 | 2013-08-19 | 고려대학교 산학협력단 | Apparatus and method for generating pseudo fmri data |
| KR101563153B1 (en) | 2013-07-24 | 2015-10-26 | 삼성전자주식회사 | Method and apparatus for processing medical image signal |
| KR101611367B1 (en) | 2013-11-18 | 2016-04-12 | 재단법인 아산사회복지재단 | Apparatus and method for servicing diagnosis of brain disease |
| WO2015199255A1 (en) * | 2014-06-25 | 2015-12-30 | 삼성전자 주식회사 | Apparatus and method for supporting computer-aided diagnosis |
| KR101718130B1 (en) | 2016-02-12 | 2017-03-20 | 서울대학교산학협력단 | Method of dividing and system for brain region using magnetic resonance imaging |
| KR101944069B1 (en) * | 2016-12-29 | 2019-01-30 | 주식회사 마이다스아이티 | Method and apparatus for deciding Alzheimer's disease based on machine learning |
| KR101754291B1 (en) * | 2017-04-04 | 2017-07-06 | 이현섭 | Medical image processing system and method for personalized brain disease diagnosis and status determination |
| KR102294164B1 (en) * | 2020-04-10 | 2021-08-31 | 주식회사 쓰리케이비카스 | Brain ct image data management system for prediction of hemorrhagic complication |
| KR102589997B1 (en) * | 2020-09-15 | 2023-10-17 | 성균관대학교산학협력단 | Brain connectivity marker of sustained pain and diagnosis method of sustained pain using the same |
| KR102717544B1 (en) * | 2021-08-10 | 2024-10-15 | 조선대학교산학협력단 | Providing method of diagnostic information on brain disease using gray-level co-occurrence matrix and pyramid directional filter bank contourlet transform with kernel support vector machine |
| CN114334140B (en) * | 2022-03-08 | 2022-07-19 | 之江实验室 | Disease prediction system and device based on multi-relational functional connectivity matrix |
| CN116313131B (en) * | 2023-05-24 | 2023-09-15 | 山东大学 | Brain network difference recognition system, equipment and storage medium based on imitation variables |
| KR20250042891A (en) | 2023-09-20 | 2025-03-28 | 동국대학교 산학협력단 | Methods and apparatus for analyzing lesion locations in brain diseases |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005237441A (en) | 2004-02-24 | 2005-09-08 | Kokuritsu Seishin Shinkei Center | Method and apparatus for supporting diagnosis of encephalopathy |
| WO2008056638A1 (en) | 2006-11-06 | 2008-05-15 | Fujifilm Ri Pharma Co., Ltd. | Brain image diagnosis supporting method, program, and recording method |
| JP2008132320A (en) | 2007-10-25 | 2008-06-12 | Fujifilm Ri Pharma Co Ltd | Diagnostic imaging support system |
| JP2010528744A (en) | 2007-06-07 | 2010-08-26 | メンティス キュラ イーエイチエフ． | System and method for generating quantitative measurements reflecting disease severity |
-
2011
- 2011-10-28 KR KR1020110111440A patent/KR101797501B1/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005237441A (en) | 2004-02-24 | 2005-09-08 | Kokuritsu Seishin Shinkei Center | Method and apparatus for supporting diagnosis of encephalopathy |
| WO2008056638A1 (en) | 2006-11-06 | 2008-05-15 | Fujifilm Ri Pharma Co., Ltd. | Brain image diagnosis supporting method, program, and recording method |
| JP2010528744A (en) | 2007-06-07 | 2010-08-26 | メンティス キュラ イーエイチエフ． | System and method for generating quantitative measurements reflecting disease severity |
| JP2008132320A (en) | 2007-10-25 | 2008-06-12 | Fujifilm Ri Pharma Co Ltd | Diagnostic imaging support system |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021045505A1 (en) * | 2019-09-03 | 2021-03-11 | 고려대학교 산학협력단 | Apparatus for hierarchically diagnosing brain atrophy disease on basis of brain thickness information |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20120050379A (en) | 2012-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101797501B1 (en) | Apparatus and method for analyzing brain disease using magnetic resonance imaging and functional magnetic resonance imaging | |
| Salvatore et al. | Machine learning on brain MRI data for differential diagnosis of Parkinson's disease and Progressive Supranuclear Palsy | |
| Eskildsen et al. | Prediction of Alzheimer's disease in subjects with mild cognitive impairment from the ADNI cohort using patterns of cortical thinning | |
| Teipel et al. | Relevance of magnetic resonance imaging for early detection and diagnosis of Alzheimer disease | |
| Frankó et al. | Evaluating Alzheimer’s disease progression using rate of regional hippocampal atrophy | |
| Rana et al. | Regions-of-interest based automated diagnosis of Parkinson’s disease using T1-weighted MRI | |
| De Santis et al. | Evidence of early microstructural white matter abnormalities in multiple sclerosis from multi-shell diffusion MRI | |
| US20130116540A1 (en) | Systems and methods for detection and prediction of brain disorders based on neural network interaction | |
| Bachman et al. | Corpus callosum shape and size changes in early Alzheimer's disease: A longitudinal MRI study using the OASIS brain database | |
| AU2017290785B2 (en) | Methods, apparatuses, and systems for creating 3-dimensional representations exhibiting geometric and surface characteristics of brain lesions | |
| Sargolzaei et al. | A practical guideline for intracranial volume estimation in patients with Alzheimer's disease | |
| Knake et al. | In vivo demonstration of microstructural brain pathology in progressive supranuclear palsy: a DTI study using TBSS | |
| Giulietti et al. | Whole brain white matter histogram analysis of diffusion tensor imaging data detects microstructural damage in mild cognitive impairment and alzheimer's disease patients | |
| EP3350625B1 (en) | Determining a brain condition using early time frame pet image analysis | |
| KR102021541B1 (en) | Computing system and method for identifying and visualizing cerebral thrombosis based on medical images | |
| EP3003156B1 (en) | Amyloid pet brain scan quantification based on cortical profiles | |
| JP2017124039A (en) | Image processing device and image processing program | |
| JP2008237747A (en) | Device for region of interest determination | |
| Duncan et al. | Identifying preseizure state in intracranial EEG data using diffusion kernels | |
| KR101944069B1 (en) | Method and apparatus for deciding Alzheimer's disease based on machine learning | |
| KR101317040B1 (en) | Method and system for classifying functional alternation patterns of default mode network in progression of normal aging to mild cognitive impairment and alzheimer's disease | |
| CN118645234A (en) | Machine learning method and device for modeling magnetic resonance brain gray matter volume | |
| Zhou et al. | Survival time prediction of patients with glioblastoma multiforme tumors using spatial distance measurement | |
| TW201835564A (en) | Method for identifying neurological disease with magnetic resonance imaging image associated with brain image partitions | |
| US12274529B2 (en) | Systems and methods for imaging of neurovascular-coupling |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20111028 |
|
| PG1501 | Laying open of application | ||
| PA0201 | Request for examination |
Patent event code: PA02012R01D Patent event date: 20161028 Comment text: Request for Examination of Application Patent event code: PA02011R01I Patent event date: 20111028 Comment text: Patent Application |
|
| E902 | Notification of reason for refusal | ||
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20170501 Patent event code: PE09021S01D |
|
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20170808 |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20171108 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20171109 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration | ||
| PR1001 | Payment of annual fee |
Payment date: 20201020 Start annual number: 4 End annual number: 4 |
|
| PR1001 | Payment of annual fee |
Payment date: 20211021 Start annual number: 5 End annual number: 5 |
|
| PR1001 | Payment of annual fee |
Payment date: 20221020 Start annual number: 6 End annual number: 6 |
|
| PR1001 | Payment of annual fee |
Payment date: 20231017 Start annual number: 7 End annual number: 7 |
|
| PR1001 | Payment of annual fee |
Payment date: 20241017 Start annual number: 8 End annual number: 8 |