KR101974786B1 - 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 방법 및 시스템 - Google Patents

Abstract

뇌동맥류 병변의 특성을 이용하여 인공지능 기반으로 뇌동맥류의 중증도를 진단하여 정량적 평가수치를 획득하고 누적된 평가 수치로부터 효과적으로 예후 예측을 수행하는 방법 및 시스템이 개시된다. 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 시스템은, 다중 혈관투영영상으로부터 뇌동맥류 병변영역을 추출하는 병변영역 추출부와, 추출된 병변영역으로부터 병변위치와 병변구조를 포함한 병변정보를 추출하는 병변정보 추출부와, 추출된 병변정보로부터 정량적 중증도를 추출하는 중증도 추출부를 포함한다.

Description

뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 방법 및 시스템{METHOD AND SYSTEM FOR PREDICTING SEVERITY AND PROGNOSIS USING CHARACTERISTICS OF CEREBRAL ANEURYSM LESIONS}

본 발명의 실시예는 뇌동맥류 병변의 특성을 이용하여 인공지능 기반으로 뇌동맥류의 중증도를 진단하여 정량적 평가수치를 획득하고 누적된 평가 수치로부터 효과적으로 예후 예측을 수행하는 방법 및 시스템에 관한 것이다.

뇌동맥류는 대표적인 뇌혈관 질환 중 하나로 뇌동맥의 일부가 꽈리처리 부풀어 오르는 병변을 말한다. 뇌동맥류의 중증도가 심하면 뇌혈관이 터지는 출혈성뇌출혈(hemorrhagic stroke)로 발전할 수 있다. 뇌동맥류는 1980년대에 들어서면서 CT()혈관조영술, MR 혈관조형술 기법이 도입되면서 진단할 수 있게 되었다. 뇌출혈은 뇌혈관이 혈전 등에 의해 막히는 뇌경색과 함께 뇌졸중으로도 불린다.

뇌졸중을 진단하는 종래의 일례로는 국내 등록특허 제10-1740464호의 '뇌졸중 진단 및 예후 예측 방법 및 시스템'이 개시되어 있다. 이 종래 기술은 MRI(magnetic resonance images)로 뇌졸중을 진단하고 그 예후를 예측하는 시스템으로써, 복수의 뇌 영상들을 표준 뇌 영상을 기준으로 정렬하고, 각 뇌영상으로부터 병변 영역을 검출하고, 검출된 병변 영역들을 맵핑하여 하나의 맵핑 영상을 생성하고, 맵핑 영상을 스케일링하여 표준 뇌 영상에 정합하고, 정합된 맵핑 영상에 대해 영상 보정을 수행하고, 맵핑 영상을 3차원 데이터 공간에 수납하여 3차원 병변 영상을 생성하고, 3차원 병변 영상으로부터 심층 신경망을 이용하여 뇌졸중을 진단하는 구성을 개시한다.

하지만, 전술한 종래 기술은 뇌동맥류 병변의 특성을 반영하고 있지 못하므로 뇌동맥류를 진단하는데는 효율적이지 못한다. 즉, 뇌동맥류 병변은 뇌혈관이 비정상적으로 부풀어 오르는 병변이므로 각 뇌동맥류의 평균 크기를 기준으로 일정 크기 이상의 변화가 있을 때 뇌동맥류로 진단할 수 있다. 따라서, 뇌동맥류의 진단에는 뇌동맥류 병변의 크기에 대한 판별 과정이 반영되어야 한다. 하지만, 전술한 종래 기술은 뇌동맥류의 크기나 진단 과정에 반영하고 있지 못하므로, 뇌동맥류 병변의 진단에 효과적이지 못하다고 할 수 있다.

병변을 진단하고 예측하는 또 다른 종래 기술로는 국내 등록특허 제10-1830314호의 '인공지능 기반 베이지안 네트워크를 이용한 췌장암 진단에 필요한 정보제공 방법, 컴퓨터 프로그램 및 컴퓨터 판독 가능한 기록 매체'가 개시되어 있다. 이 종래 기술은 인공지능 기술로 췌장암 진단에 필요한 정보를 제공하고 췌장암의 예후를 예측한다. 즉, 이 종래 기술은 인공 지능 또는 머신 러닝을 통해서 획득한 통계 자료인 복통, 구토나 소화 불량, 체중 감소, 황달, 급성 당뇨, CA 19-9 암 표지자, 흡연 여부, 가족력, 남자인 경우 및 여자인 경우 등의 항목에 대한 췌장암 발병 확률로 구성된 췌장암 환자 의료 정보를 학습하여 통계 리포트를 생성시키고, 이에 기초하여 췌장암일 확률을 계산하는 구성을 개시한다.

하지만, 이 종래 기술의 대상 질환은 자기공명영상(MRI)을 직접적으로 사용하지 않으며, 영상이 아닌 환자 진단 정보를 포함한 통계 리포터로부터 인공지능을 이용하여 췌장함의 예후를 예측한다.

이와 같이, 뇌동맥류를 진단하는데 있어서 뇌동맥류 병변의 특성을 이용하여 자동화되면서 좀더 구체적이고 기존 대비 유의미있게 향상된 정확도를 가지는 뇌동맥류 진단 및 예후 예측 방안이 요구되고 있다.

본 발명은 뇌동맥류 병변 진단과 관련된 기술 분야의 요구에 부응하기 위해 도출된 것으로, 본 발명의 목적은 뇌동맥류 병변의 특성을 이용하여 인공지능 기반으로 뇌동맥류의 중증도를 진단하고 정량적 평가점수를 획득하며 누적된 평가점수로부터 효과적으로 뇌동맥류의 예후 예측을 수행하는 뇌동맥류 진단 방법 및 시스템을 제공하는데 있다.

본 발명의 다른 목적은 혈관영상을 사용하며 진단하고 뇌동맥류의 크기와 위치를 바탕으로 예후를 예측하는 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 방법 및 시스템을 제공하는데 있다.

본 발명의 또 다른 목적은 혈관투영영상에 기초하여 뇌동맥류 중증도를 나타내는 정량적 평가 수치를 획득하는 장치와, 뇌동맥류 중증도의 정량적 평가 수치 획득 장치를 실행하기 위한 프로그램을 기록한 컴퓨터로 판독가능한 기록매체를 제공하는데 있다.

상기 기술적 과제를 해결하기 위하여 본 발명의 일 측면에 따른 시스템은, 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 시스템으로서, 다중 혈관투영영상으로부터 뇌동맥류 병변영역을 추출하는 병변영역 추출부; 상기 추출된 병변영역으로부터 딥러닝 구조를 이용하여 병변위치와 병변구조를 포함한 병변정보를 추출하는 병변정보 추출부; 및 상기 추출된 병변정보로부터 정량적 중증도를 추출하는 중증도 추출부를 포함한다.

일실시예에서, 상기 병변영역 추출부는, 혈관 정보를 포함하는 3차원 MR(magnetic resonance) TOF(time-of-flight) 데이터로부터 MIP(maximum intensity projection) 방식이나 체적 렌더링(volume rendering) 방식을 이용하여 육면체 형태의 병변 후보 볼륨을 생성하는 영상처리부를 구비할 수 있다.

일실시예에서, 상기 병변영역 추출부는, 상기 병변 후보 볼륨에서 6개 이상의 투영영상들을 기본단위 셋 또는 하나의 복셀로 생성하는 투영영상 생성부를 더 구비할 수 있다.

일실시예에서, 상기 병변정보 추출부는 상기 6개 이상의 투영영상들로부터의 각 병변후보의 위치 좌표들을 매칭하여 병변 결합 정보를 생성하는 병변결합정보 생성부를 구비할 수 있다.

또한, 상기 병변정보 추출부는 상기 6개 이상의 투영영상들 각각으로부터 상기 병변영역 내 병변후보에 대한 넓이들을 구비하고, 상기 넓이들로부터 병변부피를 계산하는 병변부피 계산부를 구비할 수 있다.

일실시예에서, 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 시스템은, 상기 추출된 병변정보로부터 또는 상기 정량적 중증도로부터 상기 뇌동맥류 병변의 예후를 예측하는 예후 예측부를 더 포함할 수 있다. 상기 예후 예측부는 상기 뇌동맥류 병변의 발생위치와 모양과 크기변화로부터 산출되는 상기 정량적 중증도의 진단 점수에 기초하여 예후를 예측할 수 있다.

상기 기술적 과제를 해결하기 위하여 본 발명의 다른 측면에 따른 방법은, 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 방법으로서, 다중 혈관투영영상으로부터 뇌동맥류 병변후보를 추출하는 단계; 상기 추출된 병변후보의 위치정보에 기초하여 상기 다중 혈관투영영상의 각 투영영상에서 이상 혈관 병변을 추출하는 단계; 상기 각 투영영상으로부터 얻은 이상 혈관 병변 정보의 위치정보에 기초하여 MRA(magnetic resonance angiography) 영상에서 뇌동맥류 이상혈관을 추출하는 단계; 및 상기 추출된 뇌동맥류 이상혈관의 병변정보로부터 정량적 중증도를 추출하는 단계를 포함한다.

일실시예에서, 상기 정량적 중증도를 추출하는 단계는, 상기 뇌동맥류 병변의 발생위치와 모양과 크기변화로부터 상기 정량적 중증도의 진단 점수를 산출할 수 있다.

일실시예에서, 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 방법은, 상기 뇌동맥류 병변의 발생위치와 모양과 크기변화 및 상기 진단 점수에 기초하여 상기 뇌동맥류 병변의 예후를 예측하는 단계를 더 포함할 수 있다.

전술한 뇌동맥류 병변을 이용한 중등도 및 예후 예측 방법 및 시스템을 사용하는 경우에는, 뇌동맥류를 진단하고 예후를 예측하는데 있어서 뇌동맥류 병변의 특성을 이용하여 기존 대비 유의미하게 향상된 진단 정확도를 가진 자동화된 뇌동맥류 진단 방법 및 시스템을 제공할 수 있다.

또한, 혈관투영영상의 인공신경망이나 딥러닝 또는 인공지능 분석의 결과로부터 혈관투영영상의 국소적인 특징으로 나타나는 뇌단동맥류 병변 영역을 효과적으로 추출하고, 이를 통해 뇌동맥류의 중증도를 신뢰성 높게 판별할 수 있다. 특히, 3차워 MR TOF로부터 다중 혈관투영영상을 추출하고 다중 혈관투영영상의 각 2차원 투영영상에 대하여 뇌동맥류 병변을 학습하고 뇌동맥류 병변영역을 구별(segmentation)하는데 이용함으로써 복잡한 연산을 생략하고 효율적으로 뇌동맥류 병변을 진단할 수 있다.

또한, 추적 대상인 혈관투영(Angiography) 영상에서 획득한 뇌동맥류 병변 부피와 정보를 가지고 추후 뇌출혈 여부를 수치적으로 나타낼 수 있으며, 뇌동맥류 병변의 위치와 부피의 정량적 수치를 획득하고, 이를 뇌동맥류의 중중도를 나타내는데 이용할 수 있으며, 뇌동맥류 병변의 크기나 모양과 시간에 따른 크기변화에 기초하여 뇌동맥류 병변의 예후를 효과적으로 예측할 수 있다.

또한, 본 발명에 의하면, 혈관투영영상에 기초하여 뇌동맥류 중증도를 나타내는 정량적 평가 수치를 획득하는 장치와, 뇌동맥류 중증도의 정량적 평가 수치 획득 장치를 실행하기 위한 프로그램을 기록한 컴퓨터로 판독가능한 기록매체를 제공할 수 있다.

도 1은 본 발명의 일실시예에 따른 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 시스템(이하 '뇌동맥류 진단 시스템'이라 함)에 대한 블록도이다.
도 2는 도 1의 뇌동맥류 시스템의 데이터처리부에 대한 블록도이다.
도 3은 도 2의 데이터처리부에서 병변후보영역을 추출하는 과정을 설명하기 위한 도면이다.
도 4는 도 3의 병변후보영역에 대한 다중 혈관투영영상을 생성하는 과정을 설명하기 위한 도면이다.
도 5은 도 4의 다중 혈관투영영상에 대한 예시도이다.
도 6은 도 5의 다중 혈관투영영상에 대한 딥러닝 아키텍처의 예시도이다.
도 7은 도 2의 데이터처리부의 작동 원리를 설명하기 위한 흐름도이다.
도 8은 도 5의 혈관투영영상으로부터 추출된 병변 정보를 토대로 중증도를 추출하는 과정을 설명하기 위한 예시도이다.
도 9는 도 8의 병변 정보에 따른 뇌질환을 진단하여 표시하는 뇌혈관 이미지에 대한 예시도이다.
도 10은 본 실시예의 뇌동맥류 병변의 진단에 채용할 수 있는 뇌동맥류의 주요 발생 위치를 설명하기 위한 도면이다.
도 11은 본 실시예의 뇌동맥류 병변의 예후 예측에 채용할 수 있는 뇌동맥류 병변의 시간에 따른 크기변화를 예시한 그래프이다.
도 12는 본 실시예의 뇌동맥류 병변의 예후 예측에 채용할 수 있는 뇌동맥류의 모양을 예시한 도면이다.
도 13은 본 발명의 다른 실시예에 따른 뇌맥동류 진단 시스템의 블록도이다.
도 14는 본 실시예의 방법에 의해 추출한 병변 정보로부터 분류기를 활용하여 진단 점수나 중증도를 계산하고 예후 예측을 수행하는 과정을 설명하기 위한 개략적인 도면이다.

이하 본 발명의 바람직한 실시예를 도면을 참조하여 상세히 설명하기로 한다.

도 1은 본 발명의 일실시예에 따른 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 시스템(이하 '뇌동맥류 진단 시스템'이라 함)에 대한 블록도이다.

본 실시예의 뇌동맥류 진단 시스템은 뇌동맥류의 정량적 평가 수치를 획득하는 장치에 대응될 수 있다. 뇌동맥류 진단 시스템은 뇌동맥류에서 병변영역을 추출하는 영역 추출부, 추출된 병변 영역에서 딥러닝 구조를 이용하여 구조, 위치, 크기, 부피 등을 추출하는 정보 추출부, 및 뇌동맥류의 중증도를 추출하는 중증도 추출부를 포함할 수 있다. 여기서, 영역 추출부는 병변영역 추출부에 대응하고, 정보 추출부는 병변정보 추출부에 대응한다. 또한, 중증도는 국제기관이나 국가에서 규정한 단계(PHASE) 규칙을 따를 수 있으나, 이에 한정되지는 않는다.

도 1을 참조하면, 본 실시예에 따른 뇌동맥류 진단 시스템(10)은 기본적인 하드웨어 구조로서 데이터처리부(10)를 구비하고, 추가로 제어부(2), 저장부(4), 영상획득부(6), 표시부(8) 또는 이들의 조합을 추가로 더 구비하도록 구현될 수 있다. 뇌동맥류 진단 시스템(10)은 3차원 MR(magnetic resonance) TOF(time-of-flight) 영상인 혈관투영영상에 딥러닝이나 인공지능을 적용하여 뇌동맥류나 뇌혈관 질환을 효율적으로 진단하고, 중증도를 정량적 수치로 산출하고, 병변의 예후 예측 결과를 출력하도록 이루어진다.

각 구성요소를 좀더 구체적으로 설명하면, 제어부(2)는 저장부(4)에 저장되는 프로그램이나 소프트웨어 모듈을 수행하여 뇌동맥류 병변의 진단 점수를 산출하고 예후를 예측하는 방법을 구현하기 위한 시스템의 각 구성요소를 제어할 수 있다. 제어부(2)는 프로세서 또는 마이크로프로세서로 구현될 수 있다.

저장부(4)는 뇌동맥류의 중증도 및 예후 예측 방법을 구현하기 위한 프로그램이나 소프트웨어 모듈을 저장할 수 있다. 저장부(4)는 외부 장치로부터 전송되는TOF MRA(magnetic resonance angiography) 영상을 저장할 수 있다. 저장부(4)는 TOF MRA 영상에서 추출된 소정 사이즈의 병변 후보 볼륨을 저장할 수 있다. 또한, 저장부(4)는 병변 후보 볼륨으로부터 얻은 6개 이상의 2차원 투영영상들을 저장할 수 있다. 6개 이상의 2차원 투영영상들은 기본단위 셋의 다중 혈관투영영상이나 하나의 복셀로 설정된 다중 혈관투영영상에 대응될 수 있다. 또한, 저장부(4)는 딥러닝이나 인공지능을 위한 프로그램이나 소프트웨어 모듈을 저장할 수 있다.

딥러닝이나 인공지능을 수행하는 아키텍처는 6개 방향 이상의 2차원 투영영상들 각각으로부터 뇌동맥류 병변에 대한 구조나 모양 및 위치를 학습하고, 학습된 각 투영영상의 학습결과를 하나의 다중 혈관투영영상의 복셀 단위 혹은 세트 단위로 출력하도록 이루어질 수 있다. 즉, 딥러닝 구조는 6개 방향 이상의 2차원 투영영상들 각각에 대하여 투영영상 내 병변의 구체적인 구조와 위치를 학습하고, 적어도 6개의 투영영상에서의 좌표들로부터 매칭을 통해 병변 결합 정보를 생성하도록 구현될 수 있다. 이러한 병변 결합 정보는 6개 이상의 투영영상들 각각의 2차원 좌표들로부터 생성된 3차원 좌표 또는 공간좌표를 포함할 수 있고, 각 투영영상의 병변에 대한 넓이로부터 추정되는 병변의 부피를 포함할 수 있다. 또한, 병변 결합 정보는 동일한 환자나 동일한 병변에 대하여 시간 흐름에 따라 추적이 가능하게 저장될 수 있다.

영상획득부(6)는 외부 장치로부터 혈관 정보를 포함한 TOF MRA 데이터를 획득할 수 있다. 영상획득부(6)는 MRI(magnetic resonance images) 장치, MRA 장치 등에 연결되어 사람이나 환자의 뇌를 촬영한 3차원 영상을 획득할 수 있다. 이러한 영상획득부(6)는 MRI 장치의 영상저장장치에 직접 접근하여 영상을 읽어오거나 가져오는 방식, MRI 장치에 연결된 영상전송장치로부터 영상을 수신하는 방식 등 다양한 방식으로 구현가능하다. 획득된 영상은 저장부(4)에 저장될 수 있다.

영상획득부(6)에서 획득하는 영상은 혈관 투영영상을 포함한다. 혈관 투영영상은 CT 혈관조형술(computed tomography angiography, CTA)에 의한 영상 데이터, 자기공명영상(MRI) 장치 또는 자기공명 혈관조형술(magnetic resonance angiography, MRA)에 의한 영상 데이터를 포함할 수 있다. 또한, 혈관 투영영상은 3차원 TOF(time of flight) 데이터를 포함할 수 있다.

TOF는 인플로우 효과(in-flow effect)와 플로우 관련 강화 효과(flow-related enhancement effect) 즉, 움직이는 혈류와 정지된 주위 조직과의 포화정도의 차이를 이용하여 얻어지는 혈관영상을 얻는 기법을 지칭한다. TOF에는 포화 정도에 따른 불균질성을 극복하기 위하여 MOTSA(multiple overlapping thin slap angiography), TONE(tilted optimized non-saturating excitation) 기법 등이 사용될 수 있다. 또한, 영상의 품질을 좋게 하기 위하여 TOF에는 MT(magnetization transfer), Gradient moment nulling(GMN, flow compensation) 기법이 추가로 사용될 수 있다.

전술한 CTA, MRI 또는 MRA로부터 얻은 혈관 투영영상은 본 실시예의 뇌동맥류 진단 시스템의 입력 이미지로 사용될 수 있다.

뇌동맥류의 특성에 따른 진단을 위해 입력 이미지는 대퇴통맥(femoral artery)을 통하여 양측 내경통맥(internal carotid artery) 및 일측 혹은 양측 척추동맥 (vertebral artery)을 각각 선택하여 혈관촬영을 시행하여 얻을 영상을 포함할 수 있다. 또한, 입력 이미지는 각각의 내경동맥 및 척추동맥 조영시 전후면과 측면 영상을 기본으로 얻고，또한 필요에 따라 사위변(oblique view), 경안면(transfacial view), 또는 악하경정위(submentovertical view)와 같은 추가의 투사(projection) 영상을 포함할 수 있다.

또한, 뇌동맥류의 크기와 뇌동맥류 경부의 크기를 측정하거나, 뇌동맥류를 경부의 크기별로 분류하거나, 큰 경부를 가지는 뇌동맥류를 크기별로 분류하기 위하여, 입력 이미지는 뇌동맥류 경부 분석정도에 대해서 평가하기 위한 영상들을 포함할 수 있다. 일례로, 입력 이미지는 다중 혈관투영영상을 재구성한 영상 즉 6개 이상의 투영영상에서 동맥류의 경부를 분석하기 위한 4개의 영상 즉 외부영상, 모동맥 방향에서의 내부영상, 동맥류의 돔 방향에서의 내부영상, 동맥류의 단면영상을 포함할 수 있다.

표시부(8)는 저장부(4)에 저장된 데이터 정보, 영상획득부(6)에서 획득한 영상 정보, 데이터처리부(10)에서 처리하는 병변후보볼륨 정보, 혈관투영영상 정보, 딥러닝이나 인공지능의 학습과정이나 학습결과에 대한 정보, 뇌동맥류 진단결과에 대한 진단점수나 중증도 등을 시각적, 청각적 또는 이들의 혼합 방식으로 출력하도록 이루어질 수 있다. 진단점수나 중증도는 정량적 수치로 표시될 수 있다. 표시부(8)는 디스플레이 장치를 포함할 수 있다.

데이터처리부(10)는 혈관 정보를 포함하는 3차원 MR TOF 데이터로부터 다중 혈관투영영상을 획득하고, 다중 혈관투영영상으로부터 뇌동맥류 병변후보를 추출하고, 추출된 병변후보의 위치정보에 기초하여 다중 혈관투영영상의 각 투영영상에서 이상 혈관 병변을 추출하고, 각 투영영상으로부터 얻은 이상 혈관 병변 정보의 위치정보에 기초하여 MRA(magnetic resonance angiography) 영상에서 뇌동맥류 이상혈관을 추출하고, 추출된 뇌동맥류 이상혈관의 병변정보로부터 정량적 중증도를 추출하는 일련의 단계들을 포함하여 구현될 수 있다.

데이터처리부(10)는 뇌동맥류 병변의 특성을 이용하여 뇌동맥류의 진단 점수를 정략적으로 산출하고 뇌동맥류의 예후를 예측하도록 이루어진다. 이를 위해, 데이터처리부(10)는 중증도를 추출하는 단계에서 뇌동맥류 병변의 발생위치와 모양과 크기변화로부터 뇌동맥류의 정량적 중증도의 진단 점수를 산출할 수 있다. 또한, 데이터처리부(10)는 뇌동맥류 병변의 발생위치와 모양과 크기변화 및 상기의 진단 점수에 기초하여 뇌동맥류 병변의 예후를 예측하는 단계를 더 포함할 수 있다. 이러한 데이터처리부(10)에 의하면, 추출한 병변정보에 기초하여 뇌동맥류의 중증도를 산출하거나 뇌출혈 가능 확률을 계산하도록 이루어질 수 있다.

도 2는 도 1의 뇌동맥류 시스템의 데이터처리부에 대한 블록도이다. 도 3은 도 2의 데이터처리부에서 병변후보영역을 추출하는 과정을 설명하기 위한 도면이다. 도 4는 도 3의 병변후보영역에 대한 다중 혈관투영영상을 생성하는 과정을 설명하기 위한 도면이다. 도 5은 도 4의 다중 혈관투영영상에 대한 예시도이다. 도 6은 도 5의 다중 혈관투영영상에 대한 딥러닝 아키텍처의 예시도이다. 도 7은 도 2의 데이터처리부의 작동 원리를 설명하기 위한 흐름도이다.

도 2를 참조하면, 본 실시예에 따른 데이터처리부(10)는 병변영역 추출부(100), 병변정보 추출부(300), 중증도 추출부(500) 및 예후 예측부(600)를 포함한다. 본 실시예에서 데이터처리부(10)의 병변영역 추출부(100)는 영상처리부(102) 및 투영영상 생성부(104)를 구비하고, 병변정보 추출부(300)는 딥러닝 학습부(200)를 구비할 수 있다. 딥러닝 학습부(200)는 인공지능 학습부에 대응될 수 있다.

데이터처리부(10)의 각 구성요소를 좀더 구체적으로 설명하면, 먼저 병변영역 추출부(100)는 혈관 정보를 포함한 3차원 MR(magnetic resonance) TOF(time-of-flight) 데이터로부터 다중 혈관투영영상을 추출한다. 여기서, 다중 혈관투영영상은 3차원 MR TOF 데이터에서 추출한 3차원 병변 영역이나 병변 후보 볼륨으로부터 얻은 복수의 2차원 투영영상들을 포함한다. 본 실시예에서 다중 혈관투영영상은 효율적인 딥러닝 학습과 병변정보 추출을 위해 준비되며, 이를 위해 병변영역 추출부(100)는 영상처리부(102) 및 투영영상 생성부(104)를 구비한다.

영상처리부(102)는 도 3에 도시한 바와 같이 3차원 MR TOF 데이터(110)로부터 최대투사강도(maximal intensity projection, MIP) 방식을 이용하여 미리 설정된 사이즈의 육면체 형태의 병변 후보 볼륨(120)을 생성할 수 있다. MIP는 투사 방향에서 가장 높은 밀도가 표시되는 영상으로서 혈관조영술 사진과 유사하게 투영 영상을 생성하는 방식을 나타낸다.

또한, 영상처리부(102)는 3차원 MR TOF 데이터(110)에서 미리 설정된 위치나 의사에 의해 지정되는 위치나 이러한 위치에 있는 병변 후보를 중심으로 병변 후보 볼륨(120)을 생성할 수 있다. 병변 후보 볼륨(120)은 병변 영역 추출과 딥러닝 학습에 이용하는 것과 병변 정보 추출에 있어 데이터 처리의 신속 및 효율을 고려하여 직육면체 혹은 정육면체 형태를 구비할 수 있다.

또한, 영상처리부(102)는 볼륨 렌더링(volume rendering) 방식을 이용하여 투영 영상을 생성할 수 있다. 볼륨 렌더링에서는 볼륨 안의 모든 3차원 화소(voxel)가 최종 영상에 관여하며 볼륨을 자르거나 회전이 가능하고 깊이 정보와 원근감이 표현가능하다. 이러한 영상처리부(102)는 MIP 방식에 더하여 투명도를 조절하거나 회전하여 혈관이나 주위 구조물을 잘 표현하도록 구현될 수 있다.

투영영상 생성부(104)는 도 4에 도시한 바와 같이 병변 후보 볼륨(120)에서 6개 이상의 투영영상들(도 5의 A1 내지 A6 참조)을 기본단위 셋 또는 하나의 복셀로 하는 다중 혈관투영영상(도 5의 130)을 생성할 수 있다. 여기서, 6개 이상의 투영영상들은 육면체의 각 면과 직교하는 방향들(D1 내지 D6)에서 각각 획득한 투영영상들을 포함할 수 있고, 이러한 투영영상들 각각은 2차원 투영영상으로서 혈관 정보를 서로 다른 방향에서 투영하여 표시할 수 있다.

또한, 투영영상 생성부(104)는 구현에 따라 병변 후보 볼륨(120)을 회전시키면서 복수 방향에서의 투영 영상(A5 등)을 생성할 수 있다. 일례로, 투영영상 생성부(104)는 투영영상의 생성 시 병변 후보 볼륨(120)을 회전시키면서 얻은 사전 투영영상이나 더미 투영영상에서 병변 후보의 크기나 부피가 가장 큰 회전 각도에서 투영영상을 획득하도록 구현될 수 있다.

전술한 다중 혈관투영영상(130)을 준비하는데 있어서, 본 실시예의 병변영역 추출부(100)는 기설정된 방향들이나 임의의 방향들에서 2차원 투영영상 다수개를 얻고, 얻은 소정 개수의 다수의 2차원 투영영상들-여기서, 다수의 2차원 투영영상들은 위에서 언급한 6면과 직교하는 방향들(D1 내지 D6)에서 얻은 6개 방향의 투영영상들을 포함함-에서 병변 후보의 구조나 위치에 따라 적어도 6개의 일부 투영영상을 선택하도록 이루어질 수 있다. 즉, 일부 투영영상의 선택은 병변 후보의 구조나 위치에 따라 다수의 2차원 투영영상들 중 병변 후보가 실제 병변일 가능성이 가장 높은 투영영상을 선택하도록 구현될 수 있다.

다시 도 2를 참조하면, 병변정보 추출부(300)는, 뇌동맥류 병변정보 추출부 또는 뇌혈관 질환 병변정보 추출부로 명명될 수 있으며, 딥러닝 아키텍처(도 6 참조)나 인공지능 아키텍처가 다중 혈관투영영상 내 복수의 2차원 투영영상들 각각으로부터 뇌동맥류나 뇌혈관 질환의 병변, 병변영역 또는 병변구조를 학습하고 그 결과(학습결과)를 출력할 때, 학습결과에 따라서 혹은 학습결과에 기초하여 다중 혈관투영영상으로부터 병변정보를 추출하도록 구현될 수 있다.

일례로, 병변정보 추출부(300)는 딥러닝 구조를 통해 학습된 뇌혈관 질환의 병변에 기초하여 6개 이상의 2차원 투영영상들 각각의 병변 후보에 대한 학습에 기초하여 병변의 크기, 위치 및 부피를 포함한 병변 정보를 추출할 수 있다.

여기서, 딥러닝 아키텍처는 6개 이상의 투영영상들 각각의 병변, 병변영역 또는 병변후보에 대하여 합성곱 신경망(convolutional neural network, CNN), 디컨볼루션(deconvolution), 스킵 컨넥션(skip connection) 등을 사용하여 학습하도록 구현될 수 있다.

예를 들면, 딥러닝 아키텍처는 컨볼루션 네트워크와 디컨볼루션 네트워크 및 숏컷(shortcut)을 포함한 형태를 구비할 수 있다. 즉, 딥러닝 아키텍처는, 도 6에 도시한 바와 같이, 분석 대상 영상인 3차원 MR(magnetic resonance) TOF(time-of-flight)의 국소적인 특징을 추출하기 위하여, 3X3 크기의 컬러 컨볼루션 레이어(convolution layer)와 액티베이션 레이어(ReLU)를 쌓고 2X2 크기의 필터를 스트라이드(stride) 1로 적용하여 다음 하위 깊이 레벨로 연결되는 컨볼루션 블록의 연산을 4회 반복하여 수행하고, 그 다음에 2X2 크기의 디컨볼루션 레이어(deconvolution layer)와 액티베이션 레이어(ReLU)를 적용하여 다음 상위 깊이 레벨로 연결된 후 3X3 크기의 컬러 컨볼루션 레이어와 액티베이션 레이어를 쌓는 역컨볼루션 블록의 연산을 4회 반복하여 수행하며, 여기서 각 레벨의 컨볼루션 블록의 연산을 포함한 컨볼루션 네트워크의 각 레벨의 컨볼루션 블록의 이미지에 동일 레벨의 역컨볼루션 네트워크의 대응 레벨의 컨볼루션 결과를 갖다 붙이고(copy and contatenate) 각 블록에서 컨볼루션 연산을 각각 수행하도록 이루어질 수 있다.

컨볼루션 네트워크와 디컨볼루션 네트워크 내 컨볼루션 블록은 conv-ReLU-conv 레이어들의 조합으로 구현될 수 있다. 그리고, 딥러닝 아키텍처의 출력은 컨볼루션 네트워크이나 디컨볼루션 네트워크에 연결되는 분류기를 통해 얻어질 수 있으나, 이에 한정되지는 않는다. 분류기는 FCN(fully connectivity network) 기법을 이용하여 영상에서 국소적인 특징을 추출하는데 이용될 수 있다.

또한, 딥러닝 아키텍처는 구현에 따라서 컨볼루션 볼록 내에 인셉션 모듈(inseption module) 또는 멀티 필터 경로(multi filter pathway)를 추가로 사용하도록 구현될 수 있다. 인셉션 모듈 또는 멀티 필터 경로 내 서로 다른 필터는 1×1 필터를 포함할 수 있다.

참고로, 딥러닝 아키텍처에서 입력(input) 이미지가 가로 32, 세로 32, 그리고 RGB 채널을 가지는 경우, 입력 이미지(X)의 크기는 [32x32x3]일 수 있다. 딥러닝 아키텍처의 CNN(convloultional neural network)에서 콘볼루션(convolutional, CONV) 레이어는 입력 이미지의 일부 영역과 연결되며, 이 연결된 영역과 자신의 가중치의 내적 연산(dot product)을 계산할 수 있다.

ReLU(rectified linear unit) 레이어는 max(0,x)와 같이 각 요소에 적용되는 액티베이션 함수(activation function)이다. ReLU 레이어는 볼륨의 크기를 변화시키지 않는다.

POOLING 레이어는 (가로, 세로) 차원에 대해 다운샘플링(downsampling) 또는 서브샘블링(subsampling)을 수행하여 감소된 볼륨을 출력할 수 있다.

그리고, 전연결(fully-connected, FC) 레이어는 클래스 점수들을 계산해 예컨대 [1x1x10]의 크기를 갖는 볼륨을 출력할 수 있다. 이 경우, 10개 숫자들은 10개 카테고리에 대한 클래스 점수에 해당한다. 전연결 레이어는 이전 볼륨의 모든 요소와 연결된다.

여기서, 어떤 레이어는 모수(parameter)를 갖지만 어떤 레이어는 모수를 갖지 않을 수 있다. CONV/FC 레이어들은 액티베이션 함수로서 단순히 입력 볼륨만이 아니라 가중치(weight)와 바이어스(bias)를 포함할 수 있다. 한편, ReLU/POOLING 레이어들은 고정된 함수로서, CONV/FC 레이어의 모수들은 각 이미지에 대한 클래스 점수가 해당 이미지의 레이블과 같아지도록 그라디언트 디센트(gradient descent)로 학습될 수 있다.

다시 도 2를 참조하면, 중증도 추출부(500)는, 뇌동맥류 중증도 추출부, 뇌혈관 질환 증증도 추출부, 또는 뇌출혈 가능 확률 추출부로 지칭될 수 있으며, 병변정보 추출부(300)에서 추출된 병변정보로부터 뇌동맥류 중증도나 뇌출혈 가능 확률(stroke probability)을 계산할 수 있다.

또한, 중증도 추출부(500)는 표시부에 연결되어 자동 진단된 뇌동맥류나 뇌혈관 질병에 대한 병변의 크기, 위치, 부피 및 중증도를 화면에 표시할 수 있고, 입출력 장치를 통해 사용자나 의사로부터 받은 입력 신호에 따라 출력 데이터의 배열, 위치, 기준값 등을 변환하여 표시부에 제공하도록 구현될 수 있다.

또한, 중증도 추출부(500)는 3차원 MR TOF 데이터에서 사용자나 의사에 의해 지정된 일부 병변 정보와 일치하거나 차이를 가지는 자동 진단 병변 정보를 제공할 수 있다.

또한, 중증도 추출부(500)는 미리 정해진 시간 흐름에 따라 획득한 복수의 병변 정보와 복수의 병변 정보로부터의 진단 점수를 정량적 수치들로 표시할 수 있다.

예후 예측부(600)는 뇌동맥류 병변의 구조, 발생위치, 모양, 크기변화 또는 이들의 조합에 기초하여 뇌동맥류 병변의 예후를 예측할 수 있다. 또한, 예후 예측부(600)는 중증도 추출부(500)의 진단 점수나 시간 흐름에 따른 진단 점수들에 기초하여 뇌동맥류 병변의 예후를 예측할 수 있다.

전술한 뇌동맥류 진단 시스템의 데이터처리부(10)의 작동 원리를 도 7을 참조하여 설명하면 다음과 같다.

먼저, 병변영역 추출부는 3차원 MR TOF 데이터로부터 뇌동맥류 병변후보를 포함한 다중 혈관투영영상을 추출한다(S71). 병변후보는 병변후보영역 또는 병변영역에 대응될 수 있다.

본 단계(S71)에서 병변영역 추출부는 3차원 MR TOF의 영상 데이터를 처리하여 미리 설정된 뇌동맥류나 뇌혈관 질환에 대한 병변후보나 병변영역을 포함한 육면체 형태의 병변 후보 볼륨으로 생성하고, 병변 후보 볼륨에서 다중 혈관투영영상를 추출하도록 구현될 수 있다.

물론, 병변영역 추출부는 구현에 따라서 다중 혈관투영영상을 생성하는 별도의 영상처리 장치로부터 다중 혈관투영영상을 제공받도록 구현될 수 있다. 여기서 영상처리 장치는 3차원 MR TOF 데이터로부터 MIP(maximum intensity projection) 방식을 이용하여 복수의 2차워 투영영상들을 출력하는 장치를 포함할 수 있다.

다음, 병변정보 추출부는 다중 혈관투영영상에 포함된 2차원 투영영상들 각각으로부터 딥러닝 구조를 이용하여 뇌동맥류 병변후보를 추출할 수 있다(S72).

본 단계(S72)에서 혹은 본 단계의 후단이나 서브단계에서 병변정보 추출부는 딥러닝 구조의 학습결과에 따라서 혹은 학습결과에 기초하여 다중 혈관투영영상으로부터 병변후보 내 이상혈관병변을 추출할 수 있다(S73).

일례로, 병변정보 추출부는 다중 혈관투영영상의 각 투영영상으로부터 추출되는 병변영역 또는 병변후보에 대한 딥러닝 학습결과가 기준값 이상일 때, (혹은 구현에 따라 기준값 이하일 때) 해당 병변후보를 병변으로 구별(segmentation)하고, 해당 병변에 대한 정보를 추출하도록 구현될 수 있다.

특히, 본 실시예의 병변정보 추출부는 6개 이상의 투영영상들을 하나의 복셀 혹은 기준단위 셋으로 설정하고, 하나의 기준단위 셋의 각 투영영상에 대한 학습결과의 전체 평균, 최고와 최저를 제외한 학습결과의 평균, 학습결과의 값이 큰 순서대로 일정 개수의 평균 등에서 선택되는 적어도 어느 하나의 방식을 적용하여 병변 후보를 병변으로 구별하도록 이루어질 수 있다. 이러한 6개 이상의 2차원 투영영상들을 이용하면, 3차원 영상을 이용한 학습의 경우에 비해 학습시간을 단축하고 학습결과를 효과적으로 조합하여 진단 정확도를 향상시킬 수 있다.

전술한 병변정보 추출부는 이상혈관병변을 추출한 후에 추출된 이상혈관병변에 대한 병변정보를 추출할 수 있다. 여기서, 병변정보는 3차워 MR TOF 데이터에 포함된 기본정보이거나 기본정보에 기초하여 얻은 변환정보를 포함할 수 있다.

기본정보는 TOF 내 각 이미지의 위치정보를 포함할 수 있다. 예를 들면, 이상혈관병변의 위치는 3차원 MR TOF 데이터를 생성할 때 MRI 장비에서 각 영상에 저장하는 좌표를 이용하여 추출될 수 있다. 이러한 좌표 또는 위치정보는 병변영역을 추출할 때 출력 또는 이미지에 동일하게 포함되거나 이를 기준으로 수정된 형태로 포함될 수 있다. 좌표는 병변의 2차원 단면의 대략적인 중심점을 기준으로 설정될 수 있다.

또한, 병변정보 추출부는 전술한 위치 좌표나 위치 정보에 기초하여 각 투영영상에서 병변의 구조나 크기를 계산할 수 있다. 게다가, 병변정보 추출부는 병변의 위치와 구조에 기초하여 병변의 부피를 계산할 수 있다.

병변의 부피는 6개 이상의 투영영상들에서 획득되는 각 투영영상에서의 병변의 크기로부터 계산될 수 있다. 여기서, 6개 이상의 투영영상들은 이상혈관병변의 대략적인 체적 중심에 대한 3차원 직교좌표계의 x축, y축 및 z축에 대응하는 방향에서 획득한 영상들일 수 있다.

또한, 병변의 부피는 동일한 방향에서 시간 또는 깊이 차이를 갖고 추출한 복수의 2차원 투영영상들에서 각 투영영상의 2차원 병변의 구조나 위치로부터 개략적으로 계산될 수 있다.

전술한 병변정보 추출부에 의하면, 병변정보 추출부는 각 투영영상의 이상혈관병변의 위치정보를 토대로 MRA 영상에서 국소적으로 작은 뇌동맥류 이상혈관을 효과적으로 추출할 수 있다(S74).

다음, 중증도 추출부는 이상혈관의 병변정보로부터 정량적 수치로 표현되는 중증도를 추출한다(S75). 중증도 추출부는 병변 정보에 포함된 뇌동맥류나 뇌혈관 질환의 병변의 구조, 위치 및 부피에 기초하여 뇌동맥류의 중증도나 뇌졸중 가능 확률을 계산할 수 있다.

한편, 중증도를 정량적 수치로 표시하는데 있어서, 중증도 추출부는, 자체 연구에 따라 미리 설정되거나, 딥러닝 학습을 통해 미리 설정되거나, 국내 혹은 국제 기준에 따라 미리 설정된 중증도 단계들을 기준으로 중증도를 정량적 수치로 출력할 수 있다. 중증도는 원 등의 소정 모양 내 색상이나 색상의 농도나 진하기로 표현되거나, 백분율로 표시되거나, 미리 설정된 복수의 레벨 또는 등급 중 어느 하나로 표시될 수 있다.

다음, 예후 예측부는 이상혈관의 병변정보로부터 뇌동맥류 병변의 예후를 예측할 수 있다(S76). 예후 예측부는 병변정보 추출부에서 추출한 병변정보 내 뇌동맥류 병변의 구조, 위치 및 부피에 기초하여 뇌동맥류 병변의 예후를 예측할 수 있다. 특히, 예후 예측부는 동일한 환자에 대한 시간 경과에 따른 복수의 병변정보로부터 뇌동맥류 병변의 예후를 예측할 수 있다.

여기서, 병변정보는 뇌동맥류의 특성에 따른 정보를 포함할 수 있다. 예를 들면, 병변정보는 뇌동맥류의 종류, 뇌동맥류의 크기 또는 뇌동맥류 경부의 크기에 대한 정보를 포함할 수 있다. 특히, 뇌동맥류의 종류, 뇌동맥류의 크기 또는 뇌동맥류 경부의 크기에 대한 정보는 시간의 흐름에 따른 변화된 정보를 포함할 수 있다.

전술한 구성에 의하면, 예후 예측부는 뇌동맥류의 종류(혹은 경부의 크기)와 구조(혹은 크기나 부피)에 따라 뇌동맥류 병변의 예후를 예측할 수 있다. 이러한 예후 예측은 중증도 추출부에서 뇌동맥류의 종류(혹은 경부의 크기)와 구조(혹은 크기나 부피)에 따라 계산된 진단 점수에 기초하여 수행될 수 있다.

도 8은 도 5의 혈관투영영상으로부터 추출된 병변 정보를 토대로 중증도를 추출하는 과정을 설명하기 위한 예시도이다. 도 9는 도 8의 병변 정보에 따른 뇌질환을 진단하여 표시하는 뇌혈관 이미지에 대한 예시도이다. 도 10은 본 실시예의 뇌동맥류 병변의 진단에 채용할 수 있는 뇌동맥류의 주요 발생 위치를 설명하기 위한 도면이다.

도 8을 참조하면, 본 실시예에 따른 뇌동맥류 진단 시스템은 중증도 추출부 및 예후 예측부 중 적어도 어느 하나를 위한 사용자 인터페이스(700)를 구비할 수 있다. 사용자 인터페이스(700)는 넓은 의미에서 뇌동맥류 진단 시스템으로부터 병변정보, 진단점수(또는 중증도), 예후 예측결과 또는 이들의 조합을 출력할 수 있는 장치나 이러한 장치의 기능을 수행하는 입출력 장치를 포함할 수 있다.

사용자 인터페이스(700)는 뇌동맥류 진단 시스템에 연결되는 데스크탑 컴퓨터, 개인휴대단말기(PDA), 모바일 단말, 네트워크 단말, 서버 장치 중 적어도 어느 하나에서 해당 기능을 수행하는 적어도 일부의 수단이나 구성부로 대체될 수 있다.

사용자 인터페이스(700)는 병변영역 추출부에서 추출된 각 투영영상(A1 내지 A6) 상에 병변정보 추출부에서 추출한 병변(CA)의 중첩하여 표시할 수 있다. 또한, 사용자 인터페이스(700)는 병변정보 추출부의 병변정보 중 병변의 크기, 위치 및 부피와 중증도 추출부의 뇌졸중 가능 확률(또는 진단점수)을 기재된 순서대로 사용자 인터페이스(700)의 화면 오른쪽에 위에서 아래로 나열된 영역들(711, 712, 713, 714) 내에 순서대로 표시할 수 있다.

또한, 사용자 인터페이스(700)는 입력데이터, 병변영역, 학습정보, 병변 일반정보, 병변크기 상세정보, 병변위치 상세정보, 병변부피 상세정보, 중증도 계산조건 등을 표시하는 관련 정보 및 설정 표시 영역(720)을 구비할 수 있다.

또한, 사용자 인터페이스(700)는 데이터 출력이나 데이터 출력 포맷 변환 등을 위한 환경 설정용 사용자 인터페이스(730)를 더 구비할 수 있다.

또한, 사용자 인터페이스(700)는 도 9에 도시한 바와 같이 뇌동맥류 병변에 대하여 의미있게 구별된 이상혈관을 표시부의 화면에 출력되는 뇌동맥 영상(106) 위에 중첩되는 박스 형태(108)로 그 위치를 지정하여 표시할 수 있다. 의미있게 구별되는 적어도 하나의 이상혈관은 중증도에 따라서 혹은 예후 예측 결과에 따라 해당 동맥 혈관이나 이상 혈관 부분에 다양한 색상으로 표시될 수 있다.

뇌동맥 혈관은, 도 10의 박스 영역(109) 내에 도시한 바와 같이, 뇌기저동맥(basilar artery, BV1), 후대뇌동맥(posterior cerebral artery, BV2), 후교통동맥(posterior communicating artery), 내경동맥(internal carotid artery, BV4), 중간대뇌동맥(middle cerebral artery, BV5), 전대뇌동맥(anterior cerebral artery, BV6) 및 전교통동맥(anterior communicating artery, BV7)을 포함할 수 있다. 여기서 뇌동맥류(CA1, CA2, CA3, CA4)는 상기의 주요 뇌동맥 혈관들의 연결 부위 등에서 상대적으로 많이 발생하고 있다.

따라서, 본 실시예에서는 뇌동맥류의 호발부위에 대한 가중치를 병변 위치에 부여하여 병변 후보 볼륨의 생성이나 병변 후보의 학습이나 병변의 구별에 반영할 수 있다. 호발부위의 뇌동맥류(CA1, CA2, CA3, CA4)인 경우, 기재된 순서대로 통계적으로 상대적으로 작은 발생확률을 갖는 제1 뇌동맥류(CA1)의 가중치가 가장 작고 제4 뇌동맥류(CA4)의 가중치가 가장 클 수 있다.

도 11은 본 실시예의 뇌동맥류 병변의 예후 예측에 채용할 수 있는 뇌동맥류 병변의 시간에 따른 크기변화를 예시한 그래프이다. 도 12는 본 실시예의 뇌동맥류 병변의 예후 예측에 채용할 수 있는 뇌동맥류의 모양을 예시한 도면이다.

본 실시예에 따른 뇌동맥류 진단 시스템은 시간에 따라 환자의 뇌동맥류 병변의 크기변화와 병변의 종류나 형태를 반영하여 진단 점수를 산출하고, 예후를 예측하도록 구현될 수 있다.

예를 들면, 도 11에 나타낸 바와 같이, 본 실시예에서는 뇌동맥류로 진단이 확정된 일부 환자들(환자1 내지 환자3)에 대하여 2개월 단위로 혹은 일정 크기(5㎜) 이상인 경우에는 1개월 단위로 MRA 영상을 통해 얻은 관심 뇌동맥류 병변의 크기변화를 기록하고 있다.

또한, 도 12에 도시한 바와 같이, 본 실시예에서는 뇌동맥류의 종류나 형태를 구분하여 기록할 수 있다. 뇌동맥류는 도 12의 (a)에 도시한 주머니 모양의 뇌동맥류(CA5)이거나 도 12의 (b)에 도시한 방추형 뇌동맥류(CA6)일 수 있다. 또한, 주머니 모양의 뇌동맥류에서 경부 혹은 목(neck)이 넓은 형태나 좁은 형태로 구분될 수 있다. 뇌동맥류의 경부는 해당 뇌동맥의 직경에 대한 비율을 기준으로 넓거나 좁은 형태가 구분될 수 있다.

일례로, 주머니 모양의 뇌동맥류의 크기(size of pouch)는 작은(12㎜ 미만), 큰(12~24㎜), 거대(25㎜ 이상) 동맥류로 나누어 평가할 수 있고, 뇌동맥류 경부의 크기(size of neck)는 작은(<4㎜), 큰(≥4㎜), 상대적으로 넓은 경우로 나누어 평가할 수 있다. 상대적으로 넓은 경우는 뇌동맥의 직경(aneurysmal diameter)과 거의 유사한 경부 사이즈(≒1)를 가진 경우일 수 있다.

전술한 구성에 의하면, 본 실시예의 뇌동맥류 진단 시스템은 뇌동맥류의 종류, 뇌동맥류의 경부의 크기나 구분, 뇌동맥류의 크기, 및 시간에 따른 뇌동맥류의 크기변화에 따라 뇌동맥류의 중증도를 정량적 수치로 계산하여 표시하거나, 그 예후를 예측하여 출력할 수 있다. 정량적 수치 또는 진단 점수는 뇌동백류가 좋은 없는 상태이거나 그 크기가 미미한 경우에 대한 기초점수(예컨대 제로(zero))에서 가장 위험하고 위급한 상태를 나타내는 점수(예컨대 10) 사이에서 정해지는 점수 레벨들을 포함할 수 있다.

도 13은 본 발명의 다른 실시예에 따른 뇌맥동류 진단 시스템의 블록도이다. 도 14는 본 실시예의 방법에 의해 추출한 병변 정보로부터 분류기를 활용하여 진단 점수나 중증도를 계산하고 예후 예측을 수행하는 과정을 설명하기 위한 개략적인 도면이다.

도 13을 참조하면, 본 실시예에 따른 뇌동맥류 진단 시스템의 데이터처리부(10)는 병변영역 추출부(100), 병변정보 추출부(300), 중증도 추출부(500) 및 예후 예측부(600)를 포함한다.

뇌동맥류 진단 시스템은 통신서브시스템을 통해 네트워크에 연결되고, 네트워트 상에서 연결되는 딥러닝 학습정보 제공장치(200a)와 신호 및 데이터를 송수신할 수 있다. 통신서브시스템은 영상획득부(도 1의 식별번호 8 참조)에 포함될 수 있다.

딥러닝 학습정보 제공장치(200a)는 네트워크를 통해 의료 영상 제공 장치, 의료 영상 저장 장치, MRI 등의 의료 장비에 연결될 수 있고, 3차원 MR TOF 데이터를 획득하여 딥러닝 학습을 수행할 수 있다.

뇌질환 진단 시스템은 병변영역 추출부(100)에서 생성한 다중 혈관투영영상을 딥러닝 학습정보 제공장치(200a)에 제공하고, 딥러닝 학습정보 제공장치(200a)로부터 하나의 복셀에 포함된 6개 이상의 투영영상들 각각에 대한 학습정보나 학습결과를 수신할 수 있다.

병변정보 추출부(300)는 딥러닝 학습부(200)에서의 학습결과나 인공지능 진단결과에 기초하여 병변 또는 병변 영역과 상기 병변 영역에 포함된 병변 후보에 대한 병변 정보를 출력할 수 있다.

중증도 추출부(500)는 병변정보 추출부(300)에서 추출된 병변 정보나 상기 병변 정보 내 병변 부피로부터 분류기를 활용하여 병변의 크기(size), 위치(location), 부피(volume), 뇌동맥류 중증도 수치 또는 뇌출혈 가능 확률(stroke probability)을 계산할 수 있다.

병변정보 추출부(300) 및 중증도 추출부(500)의 기타 구성이나 작동 원리는 전술한 실시예의 대응 구성요소와 실질적으로 동일하므로 설명의 중복을 피하기 위해 여기서는 그 상세설명을 생략하기로 한다.

전술한 경우, 병변정보 추출부(300)는 딥러닝 아키텍처나 인공지능 아키넥처를 포함하지 않으므로 그 구성을 간소화할 수 있는 장점이 있다. 또한, 뇌질환 진단 서비스를 제공하는 서비스 제공자는 뇌질환 진단 시스템이나 MRI 장비로부터 3차원 MR TOF 데이터를 받고, 딥러닝 학습을 수행한 후 학습정보를 뇌질환 진단 시스템에 제공하도록 동작할 수 있다.

한편, 구현에 따라서 뇌질환 진단 서비스를 제공하는 서비스 제공자는 병변영역 추출부와 딥러닝 학습부를 구비한 딥러닝 학습정보 제공장치(200a)를 포함하도록 구현될 수 있다. 이 경우, 딥러닝 학습정보 제공장치(200a)는 네트워크를 통해 연결되는 클라이언트 단말이나 사용자 단말에 딥러닝 학습 정보를 제공함으로써 클라이언트 단말이나 사용자 단말에서 간편하게 병변정보를 추출하거나 표시하고 중증도를 출력하도록 구현될 수 있다.

본 실시예에 의하면, 뇌동맥류 진단 시스템은 도 14에 도시한 바와 같이 뇌동맥류 진단 방법에 의해 뇌혈관 정보를 포함한 혈관투영영상(BVs)으로부터 인공지능, 딥러닝 구조 또는 이들 중 어느 하나를 포함하는 분류기(810)를 활용하여 뇌졸증 가능 확률(stroke probability)이나 진단 점수(phase score)나 중증도(grade)를 자동으로 계산하여 사용자 인터페이스 화면(820)에 표시하거나 뇌동맥류의 예후를 예측하여 사용자 인터페이스 화면(820) 상에 자동으로 출력하도록 구현될 수 있다.

또한, 본 실시예에 따른 뇌동맥류 진단 시스템은 뇌동맥류를 효율적으로 구별하면서 구별한 병변정보를 정량적 수치 혹은 진단 점수로 출력하고, 뇌동맥류의 예후를 효과적으로 예측할 수 있다. 즉, 뇌혈관 질환 중의 하나인 뇌지주막하 출혈은 약 75%가 뇌동맥류의 파열에 의한 것으로 알려져 있다. 이러한 뇌동맥류는 동맥 구조의 선천적 이상으로 인해 발생한다고 알려져 왔으나，최근에는 혈역학적인 스트레스에 의한 동맥의 퇴행성 변화가 크게 관여하는 것으로 알려져 있다. 특히, 뇌동맥류의 파열에 의한 뇌지주막하 출혈이 있는 경우, 출혈 후 수일 내에 사망률이 가장 높으며, 재출혈이 있는 경우 사망률이 급격히 증가하는 것으로 알려져 있다. 따라서 환자의 신경학적 상태가 양호하거나，생명을 위협할 정도의 큰 혈종이 있는 경우에는 조기 수술이 필요한데, 이러한 뇌동맥류의 신속하고 정밀한 진단에 본 발명은 유용하게 사용될 수 있다.

본 발명은 도면을 참조한 실시예를 중심으로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점은 자명하다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (10)

1. 다중 혈관투영영상으로부터 뇌동맥류 병변영역을 추출하는 병변영역 추출부;
   상기 추출된 병변영역으로부터 딥러닝 구조를 이용하여 병변구조와 병변위치를 포함한 병변정보를 추출하는 병변정보 추출부; 및
   상기 추출된 병변정보로부터 정량적 중증도를 추출하는 중증도 추출부;
   를 포함하며,
   상기 병변영역 추출부는, 혈관 정보를 포함하는 3차원 MR(magnetic resonance) TOF(time-of-flight) 데이터로부터 MIP(maximum intensity projection) 방식이나 체적 렌더링(volume rendering) 방식을 이용하여 육면체 형태의 병변 후보 볼륨을 생성하는 영상처리부와, 상기 병변 후보 볼륨에서 6개 이상의 투영영상들을 기본단위 셋 또는 하나의 복셀로 생성하는 투영영상 생성부를 구비하는 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 시스템.
2. 삭제
3. 삭제
4. 청구항 1에 있어서,
   상기 병변정보 추출부는 상기 6개 이상의 투영영상들로부터의 각 병변후보의 위치 좌표들을 매칭하여 병변 결합 정보를 생성하는 병변결합정보 생성부를 구비하는, 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 시스템.
5. 청구항 1에 있어서,
   상기 병변정보 추출부는 상기 6개 이상의 투영영상들 각각으로부터 상기 병변영역 내 병변후보에 대한 넓이들을 구비하고, 상기 넓이들로부터 병변부피를 계산하는 병변부피 계산부를 구비하는, 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 시스템.
6. 청구항 1에 있어서,
   상기 추출된 병변정보로부터 또는 상기 정량적 중증도로부터 상기 뇌동맥류 병변의 예후를 예측하는 예후 예측부를 더 포함하며,
   상기 예후 예측부는 상기 뇌동맥류 병변의 발생위치와 모양과 크기변화로부터 산출되는 상기 정량적 중증도의 진단 점수에 기초하여 예후를 예측하는, 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 시스템.
7. 삭제
8. 삭제
9. 삭제
10. 삭제

Images