知財求人 - 知財ポータルサイト「IP Force」
特開2024-144011未加工ＣＴイメージの幾何学的整列および前処理のための人工知能基盤装置および方法｛Ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ－ｂａｓｅｄ ｄｅｖｉｃｅｓ ａｎｄ ｍｅｔｈｏｄｓ ｆｏｒ ｇｅｏｍｅｔｒｉｃ ａｌｉｇｎｍｅｎｔ ａｎｄ ｐｒｅｐｒｏｃｅｓｓｉｎｇ ｏｆ ｒａｗ ＣＴ ｉｍａｇｅｓ｝
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024144011
(43)【公開日】2024-10-11
(54)【発明の名称】未加工ＣＴイメージの幾何学的整列および前処理のための人工知能基盤装置および方法｛Ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ－ｂａｓｅｄ ｄｅｖｉｃｅｓ ａｎｄ ｍｅｔｈｏｄｓ ｆｏｒ ｇｅｏｍｅｔｒｉｃ ａｌｉｇｎｍｅｎｔ ａｎｄ ｐｒｅｐｒｏｃｅｓｓｉｎｇ ｏｆ ｒａｗ ＣＴ ｉｍａｇｅｓ｝
(51)【国際特許分類】
A61B 6/03 20060101AFI20241003BHJP
G06T 7/00 20170101ALI20241003BHJP
G06T 1/00 20060101ALI20241003BHJP
G06T 3/147 20240101ALI20241003BHJP
G06T 3/18 20240101ALI20241003BHJP
G06T 7/11 20170101ALI20241003BHJP
【ＦＩ】
A61B6/03 360J
A61B6/03 360T
G06T7/00 614
G06T1/00 290B
G06T1/00 315
G06T3/00 755
G06T3/00 770
G06T7/00 350B
G06T7/11
【審査請求】有
【請求項の数】11
【出願形態】ＯＬ
(21)【出願番号】P 2023150856
(22)【出願日】2023-09-19
(11)【特許番号】
(45)【特許公報発行日】2024-05-30
(31)【優先権主張番号】10-2023-0042266
(32)【優先日】2023-03-30
(33)【優先権主張国・地域又は機関】KR
(71)【出願人】
【識別番号】520110216
【氏名又は名称】ヒューロン カンパニー，リミテッド
(74)【代理人】
【識別番号】110001519
【氏名又は名称】弁理士法人太陽国際特許事務所
(72)【発明者】
【氏名】ソン、ジ ウ
(72)【発明者】
【氏名】ドヒョン キム
(72)【発明者】
【氏名】ソン、スファ
【テーマコード（参考）】
4C093
5B057
5L096
【Ｆターム（参考）】
4C093AA22
4C093DA02
4C093DA04
4C093FF11
4C093FF16
4C093FF37
4C093FF42
5B057AA09
5B057BA03
5B057CA02
5B057CA08
5B057CA13
5B057CA16
5B057CB02
5B057CB08
5B057CB13
5B057CB16
5B057CC02
5B057CD02
5B057CD03
5B057CD05
5B057CD11
5B057CE02
5B057CE08
5B057DB03
5B057DB05
5B057DB09
5L096AA03
5L096AA06
5L096AA09
5L096BA06
5L096BA13
5L096DA01
5L096DA02
5L096EA03
5L096EA05
5L096EA13
5L096EA14
5L096EA15
5L096EA16
5L096FA19
5L096FA25
5L096HA13
(57)【要約】
【課題】本発明は、未加工ＣＴイメージの幾何学的整列および前処理のための人工知能基盤装置および方法に関する。
【解決手段】本発明によれば、各特性によって局所的な誤差に敏感な場合、線形変換のみを適用して中央整列されたＲｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用することができ、患者間の関心領域を空間的に一致させるか、モニタリングが必要な場合、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用することができる。
【選択図】図１
【解決手段】本発明によれば、各特性によって局所的な誤差に敏感な場合、線形変換のみを適用して中央整列されたＲｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用することができ、患者間の関心領域を空間的に一致させるか、モニタリングが必要な場合、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用することができる。
【選択図】図１
【特許請求の範囲】
【請求項1】
ヘッド分割部がＣＴイメージを受信する第１ステップ；
前記ヘッド分割部が前記ＣＴイメージを頭蓋骨と脳を分離することができるヘッド分割ネットワーク（Ｈｅａｄ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）を通過させて前記頭蓋骨のボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、前記脳のブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および前記脳と関連する血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測する第２ステップ；
前記ヘッド分割部が前記予測されたブレーンマスクと血管マスクを組み合わせて、前記ＣＴイメージから前記脳領域のみを含むブレーンイメージを抽出する第３ステップ；
剛体整合部が、複数のデータを共通した空間に整列するための基準として活用するために、特定標本の特性を融合して標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データをアトラス部から受信し、前記ヘッド分割部からブレーンイメージを受信する第４ステップ；
前記剛体整合部が前記テンプレートデータと前記ブレーンイメージと間の剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）およびアフィン整合（Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎ）を遂行して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を獲得する第５ステップ；
前記剛体整合部が前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて前記ブレーンイメージに整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換に整列された第１整列ブレーンイメージを獲得する第６ステップ；
非剛体整合部が、前記テンプレートデータの３次元ボリューム（Ｖｏｌｕｍｅ）と前記第１整列ブレーンイメージの３次元ボリュームを予め学習された非－剛体整合ネットワーク（Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｎｅｔｗｏｒｋ）に入力して、３次元ボクセル（ｖｏｘｅｌ）別の移動ベクターである変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を抽出する第７ステップ；
前記非剛体整合部が前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいて前記第１整列ブレーンイメージにボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を遂行し、前記第６ステップより実際の脳により正確に整合された第２整列ブレーンイメージを獲得する第８ステップ；
神経血管分割部が前記第２整列ブレーンイメージを神経血管解剖学的分割ネットワーク（Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）に通過させて、前記第２整列ブレーンイメージから脳血管地図を抽出する第９ステップ；および
判断部が前記脳血管地図に基づいて前記脳と関連した情報を提供する第１０ステップ；を含む、情報提供方法。
前記ヘッド分割部が前記ＣＴイメージを頭蓋骨と脳を分離することができるヘッド分割ネットワーク（Ｈｅａｄ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）を通過させて前記頭蓋骨のボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、前記脳のブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および前記脳と関連する血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測する第２ステップ；
前記ヘッド分割部が前記予測されたブレーンマスクと血管マスクを組み合わせて、前記ＣＴイメージから前記脳領域のみを含むブレーンイメージを抽出する第３ステップ；
剛体整合部が、複数のデータを共通した空間に整列するための基準として活用するために、特定標本の特性を融合して標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データをアトラス部から受信し、前記ヘッド分割部からブレーンイメージを受信する第４ステップ；
前記剛体整合部が前記テンプレートデータと前記ブレーンイメージと間の剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）およびアフィン整合（Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎ）を遂行して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を獲得する第５ステップ；
前記剛体整合部が前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて前記ブレーンイメージに整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換に整列された第１整列ブレーンイメージを獲得する第６ステップ；
非剛体整合部が、前記テンプレートデータの３次元ボリューム（Ｖｏｌｕｍｅ）と前記第１整列ブレーンイメージの３次元ボリュームを予め学習された非－剛体整合ネットワーク（Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｎｅｔｗｏｒｋ）に入力して、３次元ボクセル（ｖｏｘｅｌ）別の移動ベクターである変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を抽出する第７ステップ；
前記非剛体整合部が前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいて前記第１整列ブレーンイメージにボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を遂行し、前記第６ステップより実際の脳により正確に整合された第２整列ブレーンイメージを獲得する第８ステップ；
神経血管分割部が前記第２整列ブレーンイメージを神経血管解剖学的分割ネットワーク（Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）に通過させて、前記第２整列ブレーンイメージから脳血管地図を抽出する第９ステップ；および
判断部が前記脳血管地図に基づいて前記脳と関連した情報を提供する第１０ステップ；を含む、情報提供方法。
【請求項2】
前記第２ステップは、
前記ＣＴイメージに対してリサイジング（Ｒｅｓｉｚｉｎｇ）作業、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行する第２－１ステップ；
前記前処理されたＣＴイメージが前記ヘッド分割ネットワークを通過する第２－２ステップ；
前記ヘッド分割ネットワークを通過した前記ＣＴイメージに対してブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業および特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業のうち少なくとも一つである後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行する第２－３ステップ；および
前記後処理されたＣＴイメージを基盤に前記ボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、ブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測する第２－４ステップ；を含む、請求項１に記載の情報提供方法。
前記ＣＴイメージに対してリサイジング（Ｒｅｓｉｚｉｎｇ）作業、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行する第２－１ステップ；
前記前処理されたＣＴイメージが前記ヘッド分割ネットワークを通過する第２－２ステップ；
前記ヘッド分割ネットワークを通過した前記ＣＴイメージに対してブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業および特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業のうち少なくとも一つである後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行する第２－３ステップ；および
前記後処理されたＣＴイメージを基盤に前記ボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、ブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測する第２－４ステップ；を含む、請求項１に記載の情報提供方法。
【請求項3】
前記第２－１ステップで、
前記リサイジング（Ｒｅｓｉｚｉｎｇ）作業は、前記ヘッド分割ネットワークが要求するサイズに映像を縮小および／または拡大する作業であり、
前記ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業であり、
前記およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、前記設定された下限から前記上限までのＨＵ Ｌｅｖｅｌを決定し、決定されたレベル間隔でマッピングする作業であり、
前記第２－３ステップで、
前記ブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業は、前記ブレーンに対する関心ボリューム（Ｖｏｌｕｍｅ ｏｆ Ｉｎｔｅｒｅｓｔ）領域以外の領域を除去した後、サイズを再調整する作業であり、
前記特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業である、請求項２に記載の情報提供方法。
前記リサイジング（Ｒｅｓｉｚｉｎｇ）作業は、前記ヘッド分割ネットワークが要求するサイズに映像を縮小および／または拡大する作業であり、
前記ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業であり、
前記およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、前記設定された下限から前記上限までのＨＵ Ｌｅｖｅｌを決定し、決定されたレベル間隔でマッピングする作業であり、
前記第２－３ステップで、
前記ブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業は、前記ブレーンに対する関心ボリューム（Ｖｏｌｕｍｅ ｏｆ Ｉｎｔｅｒｅｓｔ）領域以外の領域を除去した後、サイズを再調整する作業であり、
前記特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業である、請求項２に記載の情報提供方法。
【請求項4】
前記アトラス部の標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データは、解剖学的なパターンまたは特性が保存されるように前記特定標本データを中央に整列して予め指定された水準によって整合後、合成して構成することで生成される、請求項１に記載の情報提供方法。
【請求項5】
前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいた整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、
移動（Ｔｒａｎｓｌａｔｉｏｎ）、回転（ｒｏｔａｔｉｏｎ、）およびスケール（ｓｃａｌｅ）変換を含む線形変換を適用して、前記ブレーンイメージが潰れることなく、元の割合が維持されたまま変形されるようにする、請求項１に記載の情報提供方法。
移動（Ｔｒａｎｓｌａｔｉｏｎ）、回転（ｒｏｔａｔｉｏｎ、）およびスケール（ｓｃａｌｅ）変換を含む線形変換を適用して、前記ブレーンイメージが潰れることなく、元の割合が維持されたまま変形されるようにする、請求項１に記載の情報提供方法。
【請求項6】
前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいた非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、
前記ボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用して、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて１次整列されたブレーンイメージに細部的な２次整列を遂行して、前記実際の脳にさらに一致する形態になるように整列を遂行する、請求項５に記載の情報提供方法。
前記ボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用して、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて１次整列されたブレーンイメージに細部的な２次整列を遂行して、前記実際の脳にさらに一致する形態になるように整列を遂行する、請求項５に記載の情報提供方法。
【請求項7】
前記第６ステップで、前記ボーンマスク、ブレーンマスクおよび血管マスクに前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて前記整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換に整列された第１整列ボーンマスク、ブレーンマスクおよび血管マスクが獲得され、
前記第８ステップで、前記第１整列ボーンマスク、ブレーンマスクおよび血管マスクに前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいてボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して、第２整列ボーンマスク、ブレーンマスクおよび血管マスクが獲得され、
前記第１０ステップで、前記判断部は、前記脳血管地図に基づいて第２整列ボーンマスク、ブレーンマスクおよび血管マスクのうち少なくとも一つをさらに利用して前記情報を提供する、請求項１に記載の情報提供方法。
前記第８ステップで、前記第１整列ボーンマスク、ブレーンマスクおよび血管マスクに前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいてボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して、第２整列ボーンマスク、ブレーンマスクおよび血管マスクが獲得され、
前記第１０ステップで、前記判断部は、前記脳血管地図に基づいて第２整列ボーンマスク、ブレーンマスクおよび血管マスクのうち少なくとも一つをさらに利用して前記情報を提供する、請求項１に記載の情報提供方法。
【請求項8】
前記第１０ステップの以後、
前記第２整列ブレーンイメージ、第２整列ボーンマスク、ブレーンマスクおよび血管マスクは、前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を逆変換適用して、前記第１整列ブレーンイメージ、第１整列ボーンマスク、ブレーンマスクおよび血管マスクを抽出することが可能であり、
前記第１整列ブレーンイメージ、第１整列ボーンマスク、ブレーンマスクおよび血管マスクは、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を逆変換適用して、前記ブレーンイメージ、前記ボーンマスク、ブレーンマスクおよび血管マスクを抽出することが可能である、請求項７に記載の情報提供方法。
前記第２整列ブレーンイメージ、第２整列ボーンマスク、ブレーンマスクおよび血管マスクは、前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を逆変換適用して、前記第１整列ブレーンイメージ、第１整列ボーンマスク、ブレーンマスクおよび血管マスクを抽出することが可能であり、
前記第１整列ブレーンイメージ、第１整列ボーンマスク、ブレーンマスクおよび血管マスクは、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を逆変換適用して、前記ブレーンイメージ、前記ボーンマスク、ブレーンマスクおよび血管マスクを抽出することが可能である、請求項７に記載の情報提供方法。
【請求項9】
前記第９ステップは、
前記第２整列ブレーンイメージに対して、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業、ノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業およびパッチサンプリング（Ｐａｔｃｈ Ｓａｍｐｌｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行する第９－１ステップ；
前記前処理された第２整列ブレーンイメージが前記神経血管解剖学的分割ネットワークを通過する第９－２ステップ；
前記神経血管解剖学的分割ネットワークを通過した前記第２整列ブレーンイメージに対して特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）を除去する後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行する第９－３ステップ；および
前記後処理された第２整列ブレーンイメージを基盤に前記脳血管地図を抽出する第９－４ステップ；を含む、請求項１に記載の情報提供方法。
前記第２整列ブレーンイメージに対して、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業、ノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業およびパッチサンプリング（Ｐａｔｃｈ Ｓａｍｐｌｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行する第９－１ステップ；
前記前処理された第２整列ブレーンイメージが前記神経血管解剖学的分割ネットワークを通過する第９－２ステップ；
前記神経血管解剖学的分割ネットワークを通過した前記第２整列ブレーンイメージに対して特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）を除去する後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行する第９－３ステップ；および
前記後処理された第２整列ブレーンイメージを基盤に前記脳血管地図を抽出する第９－４ステップ；を含む、請求項１に記載の情報提供方法。
【請求項10】
前記第９－１ステップで、
前記ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業であり、
前記およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、前記設定された下限から前記上限までのＨＵ Ｌｅｖｅｌを決定し、決定されたレベル間隔でマッピングする作業であり、
前記パッチサンプリング（Ｐａｔｃｈ Ｓａｍｐｌｉｎｇ）作業は、ＧＰＵメモリ（Ｍｅｍｏｒｙ）活用のために、前記３次元ボリューム（Ｖｏｌｕｍｅ）のサブボリューム（ｓｕｂ－ｖｏｌｕｍｅ）をパッチ（ｐａｔｃｈ）で構成してインプットデータ（ｉｎｐｕｔ ｄａｔａ）を生成する作業であり、
前記第９－３ステップで、
前記特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業である、請求項９に記載の情報提供方法。
前記ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業であり、
前記およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、前記設定された下限から前記上限までのＨＵ Ｌｅｖｅｌを決定し、決定されたレベル間隔でマッピングする作業であり、
前記パッチサンプリング（Ｐａｔｃｈ Ｓａｍｐｌｉｎｇ）作業は、ＧＰＵメモリ（Ｍｅｍｏｒｙ）活用のために、前記３次元ボリューム（Ｖｏｌｕｍｅ）のサブボリューム（ｓｕｂ－ｖｏｌｕｍｅ）をパッチ（ｐａｔｃｈ）で構成してインプットデータ（ｉｎｐｕｔ ｄａｔａ）を生成する作業であり、
前記第９－３ステップで、
前記特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業である、請求項９に記載の情報提供方法。
【請求項11】
前記第９ステップで、前記脳血管地図は、動脈の解剖学的構造を区分して抽出され、
前記第１０ステップで、前記情報は、血管構造による適応症を区分するデータを含む、請求項１に記載の情報提供方法。
前記第１０ステップで、前記情報は、血管構造による適応症を区分するデータを含む、請求項１に記載の情報提供方法。
【請求項12】
前記血管構造による適応症は、大血管閉塞（Ｌａｒｇｅ Ｖｅｓｓｅｌ Ｏｃｃｌｕｓｉｏｎ、ＬＶＯ）および動脈流（Ａｎｅｕｒｙｓｍ）を含み、
前記第１０ステップで、前記情報は、前記適応症が探知および／または予測された前記脳血管地図上の位置情報および偽陽性（Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ）と関連した情報を含む、請求項１１に記載の情報提供方法。
前記第１０ステップで、前記情報は、前記適応症が探知および／または予測された前記脳血管地図上の位置情報および偽陽性（Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ）と関連した情報を含む、請求項１１に記載の情報提供方法。
【請求項13】
ＣＴイメージを受信し、前記ＣＴイメージを頭蓋骨と脳を分離することができるヘッド分割ネットワーク（Ｈｅａｄ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）を通過させて前記頭蓋骨のボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、前記脳のブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および前記脳と関連する血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測し、前記予測されたブレーンマスクと血管マスクを組み合わせて、前記ＣＴイメージから前記脳領域のみを含むブレーンイメージを抽出するヘッド分割部；
複数のデータを共通した空間に整列するための基準として活用するために、特定標本の特性を融合して標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データをアトラス部から受信し、前記ヘッド分割部からブレーンイメージを受信し、前記テンプレートデータと前記ブレーンイメージと間の剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）およびアフィン整合（Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎ）を遂行して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を獲得し、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて前記ブレーンイメージに整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換に整列された第１整列ブレーンイメージを獲得する剛体整合部；
前記テンプレートデータの３次元ボリューム（Ｖｏｌｕｍｅ）と前記第１整列ブレーンイメージの３次元ボリュームを予め学習された非－剛体整合ネットワーク（Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｎｅｔｗｏｒｋ）に入力して、３次元ボクセル（ｖｏｘｅｌ）別の移動ベクターである変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を抽出し、前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいて前記第１整列ブレーンイメージにボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を遂行して、前記剛体整合部の結果物より実際の脳により正確に整合された第２整列ブレーンイメージを獲得する非剛体整合部；
前記第２整列ブレーンイメージを神経血管解剖学的分割ネットワーク（Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）に通過させて、前記第２整列ブレーンイメージから脳血管地図を抽出する神経血管分割部；および
前記脳血管地図に基づいて前記脳と関連した情報を提供する判断部；を含む装置。
複数のデータを共通した空間に整列するための基準として活用するために、特定標本の特性を融合して標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データをアトラス部から受信し、前記ヘッド分割部からブレーンイメージを受信し、前記テンプレートデータと前記ブレーンイメージと間の剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）およびアフィン整合（Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎ）を遂行して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を獲得し、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて前記ブレーンイメージに整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換に整列された第１整列ブレーンイメージを獲得する剛体整合部；
前記テンプレートデータの３次元ボリューム（Ｖｏｌｕｍｅ）と前記第１整列ブレーンイメージの３次元ボリュームを予め学習された非－剛体整合ネットワーク（Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｎｅｔｗｏｒｋ）に入力して、３次元ボクセル（ｖｏｘｅｌ）別の移動ベクターである変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を抽出し、前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいて前記第１整列ブレーンイメージにボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を遂行して、前記剛体整合部の結果物より実際の脳により正確に整合された第２整列ブレーンイメージを獲得する非剛体整合部；
前記第２整列ブレーンイメージを神経血管解剖学的分割ネットワーク（Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）に通過させて、前記第２整列ブレーンイメージから脳血管地図を抽出する神経血管分割部；および
前記脳血管地図に基づいて前記脳と関連した情報を提供する判断部；を含む装置。
【請求項14】
前記ヘッド分割部は、
前記ＣＴイメージに対してリサイジング（Ｒｅｓｉｚｉｎｇ）作業、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行し、
前記前処理されたＣＴイメージが前記ヘッド分割ネットワークを通過するようにし、
前記ヘッド分割ネットワークを通過した前記ＣＴイメージに対してブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業および特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業のうち少なくとも一つである後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行し、
前記後処理されたＣＴイメージを基盤に前記ボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、ブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測し、
前記リサイジング（Ｒｅｓｉｚｉｎｇ）作業は、前記ヘッド分割ネットワークが要求するサイズに映像を縮小および／または拡大する作業であり、
前記ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業であり、
前記およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、前記設定された下限から前記上限までのＨＵ Ｌｅｖｅｌを決定し、決定されたレベル間隔でマッピングする作業であり、
前記ブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業は、前記ブレーンに対する関心ボリューム（Ｖｏｌｕｍｅ ｏｆ Ｉｎｔｅｒｅｓｔ）領域以外の領域を除去した後、サイズを再調整する作業であり、
前記特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業である、請求項１３に記載の装置。
前記ＣＴイメージに対してリサイジング（Ｒｅｓｉｚｉｎｇ）作業、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行し、
前記前処理されたＣＴイメージが前記ヘッド分割ネットワークを通過するようにし、
前記ヘッド分割ネットワークを通過した前記ＣＴイメージに対してブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業および特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業のうち少なくとも一つである後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行し、
前記後処理されたＣＴイメージを基盤に前記ボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、ブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測し、
前記リサイジング（Ｒｅｓｉｚｉｎｇ）作業は、前記ヘッド分割ネットワークが要求するサイズに映像を縮小および／または拡大する作業であり、
前記ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業であり、
前記およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、前記設定された下限から前記上限までのＨＵ Ｌｅｖｅｌを決定し、決定されたレベル間隔でマッピングする作業であり、
前記ブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業は、前記ブレーンに対する関心ボリューム（Ｖｏｌｕｍｅ ｏｆ Ｉｎｔｅｒｅｓｔ）領域以外の領域を除去した後、サイズを再調整する作業であり、
前記特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業である、請求項１３に記載の装置。
【請求項15】
前記アトラス部の標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データは、解剖学的なパターンまたは特性が保存されるように前記特定標本データを中央に整列して予め指定された水準によって整合後、合成して構成することで生成され、
前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいた整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、移動（Ｔｒａｎｓｌａｔｉｏｎ）、回転（ｒｏｔａｔｉｏｎ、）およびスケール（ｓｃａｌｅ）変換を含む線形変換を適用して、前記ブレーンイメージが潰れることなく、元の割合が維持されたまま変形されるようにし、
前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいた非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、前記ボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用して、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて１次整列されたブレーンイメージに細部的な２次整列を遂行して、前記実際の脳にさらに一致する形態になるように整列を遂行する、請求項１３に記載の装置。
前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいた整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、移動（Ｔｒａｎｓｌａｔｉｏｎ）、回転（ｒｏｔａｔｉｏｎ、）およびスケール（ｓｃａｌｅ）変換を含む線形変換を適用して、前記ブレーンイメージが潰れることなく、元の割合が維持されたまま変形されるようにし、
前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいた非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、前記ボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用して、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて１次整列されたブレーンイメージに細部的な２次整列を遂行して、前記実際の脳にさらに一致する形態になるように整列を遂行する、請求項１３に記載の装置。
【請求項16】
前記ボーンマスク、ブレーンマスクおよび血管マスクも前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて前記整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換に整列された第１整列ボーンマスク、ブレーンマスクおよび血管マスクが獲得され、
前記第１整列ボーンマスク、ブレーンマスクおよび血管マスクも前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいてボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して、第２整列ボーンマスク、ブレーンマスクおよび血管マスクが獲得され、
前記判断部は、前記脳血管地図に基づいて第２整列ボーンマスク、ブレーンマスクおよび血管マスクのうち少なくとも一つをさらに利用して前記情報を提供し、
前記第２整列ブレーンイメージ、第２整列ボーンマスク、ブレーンマスクおよび血管マスクは、前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を逆変換適用して、前記第１整列ブレーンイメージ、第１整列ボーンマスク、ブレーンマスクおよび血管マスクを抽出することが可能であり、
前記第１整列ブレーンイメージ、第１整列ボーンマスク、ブレーンマスクおよび血管マスクは、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を逆変換適用して、前記ブレーンイメージ、前記ボーンマスク、ブレーンマスクおよび血管マスクを抽出することが可能である、請求項１３に記載の装置。
前記第１整列ボーンマスク、ブレーンマスクおよび血管マスクも前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいてボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して、第２整列ボーンマスク、ブレーンマスクおよび血管マスクが獲得され、
前記判断部は、前記脳血管地図に基づいて第２整列ボーンマスク、ブレーンマスクおよび血管マスクのうち少なくとも一つをさらに利用して前記情報を提供し、
前記第２整列ブレーンイメージ、第２整列ボーンマスク、ブレーンマスクおよび血管マスクは、前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を逆変換適用して、前記第１整列ブレーンイメージ、第１整列ボーンマスク、ブレーンマスクおよび血管マスクを抽出することが可能であり、
前記第１整列ブレーンイメージ、第１整列ボーンマスク、ブレーンマスクおよび血管マスクは、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を逆変換適用して、前記ブレーンイメージ、前記ボーンマスク、ブレーンマスクおよび血管マスクを抽出することが可能である、請求項１３に記載の装置。
【請求項17】
前記神経血管分割部は、
前記第２整列ブレーンイメージに対して、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業、ノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業およびパッチサンプリング（Ｐａｔｃｈ Ｓａｍｐｌｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行し、
前記前処理された第２整列ブレーンイメージが前記神経血管解剖学的分割ネットワークを通過させ、
前記神経血管解剖学的分割ネットワークを通過した前記第２整列ブレーンイメージに対して特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）を除去する後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行し、
前記後処理された第２整列ブレーンイメージを基盤に前記脳血管地図を抽出し、
前記ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業であり、
前記およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、前記設定された下限から前記上限までのＨＵ Ｌｅｖｅｌを決定し、決定されたレベル間隔でマッピングする作業であり、
前記パッチサンプリング（Ｐａｔｃｈ Ｓａｍｐｌｉｎｇ）作業は、ＧＰＵメモリ（Ｍｅｍｏｒｙ）活用のために、前記３次元ボリューム（Ｖｏｌｕｍｅ）のサブボリューム（ｓｕｂ－ｖｏｌｕｍｅ）をパッチ（ｐａｔｃｈ）で構成してインプットデータ（ｉｎｐｕｔ ｄａｔａ）を生成する作業であり、
前記特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業である、請求項１３に記載の装置。
前記第２整列ブレーンイメージに対して、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業、ノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業およびパッチサンプリング（Ｐａｔｃｈ Ｓａｍｐｌｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行し、
前記前処理された第２整列ブレーンイメージが前記神経血管解剖学的分割ネットワークを通過させ、
前記神経血管解剖学的分割ネットワークを通過した前記第２整列ブレーンイメージに対して特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）を除去する後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行し、
前記後処理された第２整列ブレーンイメージを基盤に前記脳血管地図を抽出し、
前記ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業であり、
前記およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、前記設定された下限から前記上限までのＨＵ Ｌｅｖｅｌを決定し、決定されたレベル間隔でマッピングする作業であり、
前記パッチサンプリング（Ｐａｔｃｈ Ｓａｍｐｌｉｎｇ）作業は、ＧＰＵメモリ（Ｍｅｍｏｒｙ）活用のために、前記３次元ボリューム（Ｖｏｌｕｍｅ）のサブボリューム（ｓｕｂ－ｖｏｌｕｍｅ）をパッチ（ｐａｔｃｈ）で構成してインプットデータ（ｉｎｐｕｔ ｄａｔａ）を生成する作業であり、
前記特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業である、請求項１３に記載の装置。
【請求項18】
前記脳血管地図は、動脈の解剖学的構造を区分して抽出され、
前記情報は、血管構造による適応症を区分するデータを含み、
前記血管構造による適応症は、大血管閉塞（Ｌａｒｇｅ Ｖｅｓｓｅｌ Ｏｃｃｌｕｓｉｏｎ、ＬＶＯ）および動脈流（Ａｎｅｕｒｙｓｍ）を含み、
前記判断部が提供する前記情報は、前記適応症が探知および／または予測された前記脳血管地図上の位置情報および偽陽性（Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ）と関連した情報を含む、請求項１３に記載の装置。
前記情報は、血管構造による適応症を区分するデータを含み、
前記血管構造による適応症は、大血管閉塞（Ｌａｒｇｅ Ｖｅｓｓｅｌ Ｏｃｃｌｕｓｉｏｎ、ＬＶＯ）および動脈流（Ａｎｅｕｒｙｓｍ）を含み、
前記判断部が提供する前記情報は、前記適応症が探知および／または予測された前記脳血管地図上の位置情報および偽陽性（Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ）と関連した情報を含む、請求項１３に記載の装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、未加工ＣＴイメージの幾何学的整列および前処理のための人工知能基盤装置および方法に関する。より詳細には、任意のｒａｗ ＣＴ ｉｍａｇｅが入力されたとき、一貫した方向とサイズに変換できるｐｒｏｃｅｓｓを適用して、患者の頭蓋骨のサイズと形態、撮影方向などによって生じる多様性を最小化できる装置および方法に関する。
【背景技術】
【0002】
コンピュータ断層撮影は、このようなＸ線で人体の一断面周囲を細いＸ線を通じて投射し、このＸ線が人体を通過して減少される量を測定してイメージにしたものである。
【0003】
腎臓のような臓器の密度には、少しずつの差があるため、Ｘ線が投射された方向によって吸収される程度が異に現れることから、この検査を通じて人体臓器をイメージで見ることができる。
【0004】
コンピュータ断層撮影にも種類が多いが、一般的な断層撮影であるシングルスライスＣＴ（ｓｉｎｇｌｅ ｓｌｉｃｅ ＣＴ）、ヘリカルＣＴ（Ｈｅｌｉｃａｌ ＣＴ）、多重スライスＣＴ（Ｍｕｌｔｉ－ｓｌｉｃｅ ＣＴ、ＭＳＣＴ）がある。これは、一回の回転に一つの写真を撮影することができるコンピュータ断層撮影方式がシングルスライスＣＴである。
【0005】
ヘリカルＣＴの場合、人体の周囲でＸ線を螺旋形に旋回させて撮影するものであり、既存のシングルスライスＣＴでは、２層の隙間を撮ることができないが、ヘリカルＣＴでは隙間なしに撮影されるため、より細密な映像を得ることができ、全身写真を早く獲得することができるということが長所である。
【0006】
多重スライスＣＴの場合、速く円錐状でＸ線投影を実施し、一回の回転で６４個の個別イメージを撮影することができる。
【0007】
電子ビーム断層撮影（Ｅｌｅｃｔｒｏｎ ｂｅａｍ ｔｏｍｏｇｒａｐｈｙ、ＥＢＴ）は、Ｘ線チューブの負極と正極との間を移動する電子の経路に偏向コイルを使用して回転するように十分なサイズのＸ線チューブを構成するＣＴの特定の形態である。
【0008】
コンピュータ断層撮影は、Ｘ線チューブと探知機が互いに連結されているとともに、一緒に左右に移動し、角度を動かして回るようになり、Ｘ線は直線で放出され、空中へ放出されたレーダー用電磁波を通じて放出されたＸ線を円錐形に集めるようになる。
【0009】
このように獲得したデータを一連の断面映像を生成する断層再構成方式を利用してデータを処理し、この映像のピクセル（マトリックスのサイズと視野を基準にした２次元単位）は、相対的光度単位で表示される。
【0010】
一般的に、ディープラーニングモデルで安定した性能を導き出すためには、学習データ分布とテストデータ分布との間の乖離を最小化することを目標とする。
【0011】
このために、学習ステップではｔｒａｉｎデータの多様性を増強して学習し、ｔｅｓｔステップでは標準化および一般化したデータを推論するようになる。
ＣＴ Ｉｍａｇｅは、撮影者、メーカー、状況、担当部署によって撮影されたＰｒｏｔｏｃｏｌが大きく変わる。
ＣＴ Ｉｍａｇｅは、撮影者、メーカー、状況、担当部署によって撮影されたＰｒｏｔｏｃｏｌが大きく変わる。
【0012】
同じ患者であってもＰｒｏｔｏｃｏｌが異なる場合、撮影された３次元映像の幾何学的パターンが変わるので、２Ｄ Ａｘｉａｌ、Ｃｏｒｏｎａｌ、Ｓａｇｉｔｔａｌ断面で見られる映像が異なって見えることがある。
【0013】
毎度、異なるＰｒｏｔｏｃｏｌで撮影された映像は、人／ディープラーニングモデルから診断正確度を低減する要因となり得る。
【0014】
すなわち、医療データのうちＣＴ Ａｎｇｉｏｇｒａｐｈｙを撮影する一連の過程は、各病院のｖｅｎｄｏｒと撮影者の習慣によって撮影角度、撮影領域、ｐａｔｉｅｎｔ ｏｒｉｅｎｔａｔｉｏｎ、ｓｌｉｃｅ ｔｈｉｃｋｎｅｓｓ、ｓｌｉｃｅ ｉｎｔｅｒｖａｌなどのｐｒｏｔｏｃｏｌは状況によって異なるため、データは幾何学的に多様なｖａｒｉａｎｃｅを有する問題点がある。
【0015】
代表的な例を挙げると、ＨＵ（Ｈｏｕｎｓｆｉｅｌｄ Ｕｎｉｔ）値が一定でないことがある。
【0016】
ピクセルの値は、小さくは－１０２４、大きくは３０７１の値を有するようになり、これをＣＴ数字と言い、ＣＴ数字は物質の線吸収係数、拡大定数、水の線吸収係数で構成された一つの式であり、この数字は固定された値であって、骨は１０００以上の値を有し、水は０、空気は－１０００の値を有するなど、物質によってどの値のＣＴ数字を有するのかが表で整理されている。この数字は、ＣＴを商用化したハウンズフィールドの名を取って、ＨＵ（Ｈｏｕｎｓｆｉｅｌｄ Ｕｎｉｔ）という単位を使用する。
【0017】
ＣＴ数字は、物質の線吸収係数から水の線吸収係数を引いた後、拡大定数を掛けて水の線吸収係数を除して計算することができる。Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）は、ＣＴ映像を表現する標準化した形態の値であって、標準温度と圧力で水は０ＨＵ、空気は－１０００ＨＵと正義された値である。
【0018】
しかし、実際臨床で撮影された映像を比較すると、撮影装備、モデル、気温、圧力、機関別に設定された撮影プロトコル（注射エネルギーおよび放射量など）などの多様な要素によって検体のＨＵ値が一定でないという問題点が存在する。
【0019】
また、放射線被爆（Ｒａｄｉａｔｉｏｎ Ｅｘｐｏｓｕｒｅ）などを考慮してＬｏｗ－ｄｏｓｅ ＣＴ ｉｍａｇｅを患者に適用する場合、撮影プロトコルで設定した放射線注射量が低くなり、これにより、ＣＴ映像にノイズが多く合成される問題点などが存在する。
【0020】
したがって、任意のＲＡＷ ＣＴ ｉｍａｇｅが入力されたとき、一貫した方向とサイズに変換できるｐｒｏｃｅｓｓを適用することで、患者の頭蓋骨のサイズと形態、撮影方向などによって生じる多様性を最小化できる装置および方法に技術開発の要求が台頭している。
【先行技術文献】
【特許文献】
【0021】
【特許文献1】韓国特許登録番号１０－１９９２０５７号（２０１９年６月２４日公告）
【特許文献2】韓国特許登録番号１０－１７５４２９１号（２０１７年７月６日公告）
【発明の概要】
【発明が解決しようとする課題】
【0022】
本発明の目的は、未加工ＣＴイメージの幾何学的整列および前処理のための人工知能基盤装置および方法を使用者に提供することである。
【0023】
具体的に、本発明は、任意のｒａｗ ＣＴ ｉｍａｇｅが入力されたとき、一貫した方向とサイズに変換できるｐｒｏｃｅｓｓを適用して、患者の頭蓋骨のサイズと形態、撮影方向などによって生じる多様性を最小化できる人工知能基盤装置および方法を使用者に提供しようとする。
【0024】
一方、本発明において成そうとする技術的課題は、以上において言及した技術的課題に制限されず、言及していないまた他の技術的課題は、下記の記載から本発明の属する技術分野における通常の知識を有する者に明確に理解され得るだろう。
【課題を解決するための手段】
【0025】
前記の技術的課題を達成するための本発明の一態様である情報提供方法は、ヘッド分割部がＣＴイメージを受信する第１ステップ；前記ヘッド分割部が前記ＣＴイメージを頭蓋骨と脳を分離することができるヘッド分割ネットワーク（Ｈｅａｄ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）を通過させて前記頭蓋骨のボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、前記脳のブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および前記脳と関連する血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測する第２ステップ；前記ヘッド分割部が前記予測されたブレーンマスクと血管マスクを組み合わせて、前記ＣＴイメージから前記脳領域のみを含むブレーンイメージを抽出する第３ステップ；剛体整合部が、複数のデータを共通した空間に整列するための基準として活用するために、特定標本の特性を融合して標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データをアトラス部から受信し、前記ヘッド分割部からブレーンイメージを受信する第４ステップ；前記剛体整合部が前記テンプレートデータと前記ブレーンイメージと間の剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）およびアフィン整合（Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎ）を遂行して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を獲得する第５ステップ；前記剛体整合部が前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて前記ブレーンイメージに整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換に整列された第１整列ブレーンイメージを獲得する第６ステップ；非剛体整合部が、前記テンプレートデータの３次元ボリューム（Ｖｏｌｕｍｅ）と前記第１整列ブレーンイメージの３次元ボリュームを予め学習された非剛体整合ネットワーク（Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｎｅｔｗｏｒｋ）に入力して、３次元ボクセル（ｖｏｘｅｌ）別の移動ベクターである変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を抽出する第７ステップ；前記非剛体整合部が前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいて前記第１整列ブレーンイメージにボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を遂行し、前記第６ステップより実際の脳により正確に整合された第２整列ブレーンイメージを獲得する第８ステップ；神経血管分割部が前記第２整列ブレーンイメージを神経血管解剖学的分割ネットワーク（Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）に通過させて、前記第２整列ブレーンイメージから脳血管地図を抽出する第９ステップ；および判断部が前記脳血管地図に基づいて前記脳と関連した情報を提供する第１０ステップ；を含むことができる。
【0026】
また、前記第２ステップは、前記ＣＴイメージに対してリサイジング（Ｒｅｓｉｚｉｎｇ）作業、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行する第２－１ステップ；前記前処理されたＣＴイメージが前記ヘッド分割ネットワークを通過する第２－２ステップ；前記ヘッド分割ネットワークを通過した前記ＣＴイメージに対してブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業および特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業のうち少なくとも一つである後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行する第２－３ステップ；および前記後処理されたＣＴイメージを基盤に前記ボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、ブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測する第２－４ステップ；を含むことができる。
【0027】
また、前記第２－１ステップで、前記リサイジング（Ｒｅｓｉｚｉｎｇ）作業は、前記ヘッド分割ネットワークが要求するサイズに映像を縮小および／または拡大する作業であり、前記ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業であり、ノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、前記設定された下限から前記上限までのＨＵ Ｌｅｖｅｌを決定し、決定されたレベル間隔でＨＵ Ｌｅｖｅｌを［０、１］間隔でマッピング（ｍａｐｐｉｎｇ）する作業であり、前記第２－３ステップで、前記ブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業は、前記ブレーンに対する関心ボリューム（Ｖｏｌｕｍｅ ｏｆ Ｉｎｔｅｒｅｓｔ）領域以外の領域を除去した後、サイズを再調整する作業であり、前記特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業であってよい。
【0028】
また、前記アトラス部の標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データは、解剖学的なパターンまたは特性が保存されるように前記特定標本データを中央に整列して予め指定された水準によって非剛体整合後、合成して構成することで生成されることができる。
【0029】
また、剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）を通じて得た変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいた整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、移動（Ｔｒａｎｓｌａｔｉｏｎ）、回転（ｒｏｔａｔｉｏｎ、）およびスケール（ｓｃａｌｅ）変換を含む線形変換を適用して、前記ブレーンイメージが潰れることなく、元の割合が維持されたまま変形されるようにすることができる。
【0030】
また、前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいた非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、前記ボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用して、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて１次整列されたブレーンイメージに細部的なな２次整列を遂行して、前記実際の脳にさらに一致する形態になるように整列を遂行することができる。
また、前記第６ステップで、前記ボーンマスク、ブレーンマスクおよび血管マスクに前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて前記整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換に整列された第１整列ボーンマスク、ブレーンマスクおよび血管マスクが獲得され、前記第８ステップで、前記第１整列ボーンマスク、ブレーンマスクおよび血管マスクに前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいてボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して、第２整列ボーンマスク、ブレーンマスクおよび血管マスクが獲得され、前記第１０ステップで、前記判断部は、前記脳血管地図に基づいて第２整列ボーンマスク、ブレーンマスクおよび血管マスクのうち少なくとも一つをさらに利用して前記情報を提供することができる。
また、前記第６ステップで、前記ボーンマスク、ブレーンマスクおよび血管マスクに前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて前記整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換に整列された第１整列ボーンマスク、ブレーンマスクおよび血管マスクが獲得され、前記第８ステップで、前記第１整列ボーンマスク、ブレーンマスクおよび血管マスクに前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいてボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して、第２整列ボーンマスク、ブレーンマスクおよび血管マスクが獲得され、前記第１０ステップで、前記判断部は、前記脳血管地図に基づいて第２整列ボーンマスク、ブレーンマスクおよび血管マスクのうち少なくとも一つをさらに利用して前記情報を提供することができる。
【0031】
また、前記第１０ステップの以後、前記第２整列ブレーンイメージ、第２整列ボーンマスク、ブレーンマスクおよび血管マスクは、前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を逆変換適用して、未加工ＣＴイメージ原本の空間に前記第１整列ブレーンイメージ、第１整列ボーンマスク、ブレーンマスクおよび血管マスクに復元／逆変換することが可能であり、前記第１整列ブレーンイメージ、第１整列ボーンマスク、ブレーンマスクおよび血管マスクは、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を逆変換適用して、未加工ＣＴイメージ原本の空間に前記ブレーンイメージ、前記ボーンマスク、ブレーンマスクおよび血管マスクを復元／逆変換するのが可能であり得る。
【0032】
また、前記第９ステップは、前記第２整列ブレーンイメージに対して、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業、ノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業およびパッチサンプリング（Ｐａｔｃｈ Ｓａｍｐｌｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行する第９－１ステップ；前記前処理された第２整列ブレーンイメージが前記神経血管解剖学的分割ネットワークを通過する第９－２ステップ；前記神経血管解剖学的分割ネットワークを通過した前記第２整列ブレーンイメージに対して特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）を除去する後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行する第９－３ステップ；および前記後処理された第２整列ブレーンイメージを基盤に前記脳血管地図を抽出する第９－４ステップ；を含むことができる。
【0033】
また、前記第９－１ステップで、前記ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業であり、前記およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、前記設定された下限から前記上限までのＨＵ Ｌｅｖｅｌを決定し、決定されたレベル間隔でＨＵ Ｌｅｖｅｌを［０、１］間隔でマッピング（ｍａｐｐｉｎｇ）する作業であり、前記パッチサンプリング（Ｐａｔｃｈ Ｓａｍｐｌｉｎｇ）作業は、ＧＰＵメモリ（Ｍｅｍｏｒｙ）活用のために、前記３次元ボリューム（Ｖｏｌｕｍｅ）のサブボリューム（ｓｕｂ－ｖｏｌｕｍｅ）をパッチ（ｐａｔｃｈ）で構成してインプットデータ（ｉｎｐｕｔ ｄａｔａ）を生成する作業であり、前記第９－３ステップで、前記特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業であってよい。
【0034】
また、前記第９ステップで、前記脳血管地図は、動脈の解剖学的構造を区分して抽出され、前記第１０ステップで、前記情報は、血管構造による適応症を区分するデータを含むことができる。
【0035】
また、前記血管構造による適応症は、大血管閉塞（Ｌａｒｇｅ Ｖｅｓｓｅｌ Ｏｃｃｌｕｓｉｏｎ、ＬＶＯ）および動脈流（Ａｎｅｕｒｙｓｍ）を含み、前記第１０ステップで、前記情報は、前記適応症が探知および／または予測された前記脳血管地図上の位置情報および偽陽性（Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ）と関連した情報を含むことができる。
【0036】
一方、前記の技術的課題を達成するための本発明の他の一態様である装置は、ＣＴイメージを受信し、前記ＣＴイメージを頭蓋骨と脳を分離することができるヘッド分割ネットワーク（Ｈｅａｄ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）を通過させて前記頭蓋骨のボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、前記脳のブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および前記脳と関連する血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測し、前記予測されたブレーンマスクと血管マスクを組み合わせて、前記ＣＴイメージから前記脳領域のみを含むブレーンイメージを抽出するヘッド分割部；複数のデータを共通した空間に整列するための基準として活用するために、特定標本の特性を融合して標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データをアトラス部から受信し、前記ヘッド分割部からブレーンイメージを受信し、前記テンプレートデータと前記ブレーンイメージと間の剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）およびアフィン整合（Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎ）を遂行して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を獲得し、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて前記ブレーンイメージに整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換に整列された第１整列ブレーンイメージを獲得する剛体整合部；前記テンプレートデータの３次元ボリューム（Ｖｏｌｕｍｅ）と前記第１整列ブレーンイメージの３次元ボリュームを予め学習された非－剛体整合ネットワーク（Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｎｅｔｗｏｒｋ）に入力して、３次元ボクセル（ｖｏｘｅｌ）別の移動ベクターである変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を抽出し、前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいて前記第１整列ブレーンイメージにボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を遂行して、前記剛体整合部の結果物より実際の脳により正確に整合された第２整列ブレーンイメージを獲得する非剛体整合部；前記第２整列ブレーンイメージを神経血管解剖学的分割ネットワーク（Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）に通過させて、前記第２整列ブレーンイメージから脳血管地図を抽出する神経血管分割部；および前記脳血管地図に基づいて前記脳と関連した情報を提供する判断部；を含むことができる。
【0037】
また、前記ヘッド分割部は、前記ＣＴイメージに対してリサイジング（Ｒｅｓｉｚｉｎｇ）作業、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行し、前記前処理されたＣＴイメージが前記ヘッド分割ネットワークを通過するようにし、前記ヘッド分割ネットワークを通過した前記ＣＴイメージに対してブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業および特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業のうち少なくとも一つである後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行し、前記後処理されたＣＴイメージを基盤に前記ボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、ブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測し、前記リサイジング（Ｒｅｓｉｚｉｎｇ）作業は、前記ヘッド分割ネットワークが要求するサイズに映像を縮小および／または拡大する作業であり、前記ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業であり、前記およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、前記設定された下限から前記上限までのＨＵ Ｌｅｖｅｌを決定し、ＨＵ Ｌｅｖｅｌを決定された［０、１］間隔でマッピング（ｍａｐｐｉｎｇ）する作業であり、前記ブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業は、前記ブレーンに対する関心ボリューム（Ｖｏｌｕｍｅ ｏｆ Ｉｎｔｅｒｅｓｔ）領域以外の領域を除去した後、サイズを再調整する作業であり、前記特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業であってよい。
【0038】
また、前記アトラス部の標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データは、解剖学的なパターンまたは特性が保存されるように前記特定標本データを中央に整列して予め指定された水準によって非剛体整合後、合成して構成することで生成され、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいた整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、移動（Ｔｒａｎｓｌａｔｉｏｎ）、回転（ｒｏｔａｔｉｏｎ、）およびスケール（ｓｃａｌｅ）変換を含む線形変換を適用して、前記ブレーンイメージが潰れることなく、元の割合が維持されたまま変形されるようにし、前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいた非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、前記ボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用して、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて１次整列されたブレーンイメージに細部的なな２次整列を遂行して、前記実際の脳にさらに一致する形態になるように整列を遂行することができる。
【0039】
また、前記ボーンマスク、ブレーンマスクおよび血管マスクも前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて前記整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換に整列された第１整列ボーンマスク、ブレーンマスクおよび血管マスクが獲得され、前記第１整列ボーンマスク、ブレーンマスクおよび血管マスクも前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいてボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して、第２整列ボーンマスク、ブレーンマスクおよび血管マスクが獲得され、前記判断部は、前記脳血管地図に基づいて第２整列ボーンマスク、ブレーンマスクおよび血管マスクのうち少なくとも一つをさらに利用して前記情報を提供し、前記第２整列ブレーンイメージ、第２整列ボーンマスク、ブレーンマスクおよび血管マスクは、前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を逆変換適用して、前記第１整列ブレーンイメージ、第１整列ボーンマスク、ブレーンマスクおよび血管マスクを抽出することが可能であり、前記第１整列ブレーンイメージ、第１整列ボーンマスク、ブレーンマスクおよび血管マスクは、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を逆変換適用して、未加工ＣＴイメージ原本の空間に前記ブレーンイメージ、前記ボーンマスク、ブレーンマスクおよび血管マスクを抽出することができる。
【0040】
また、前記神経血管分割部は、前記第２整列ブレーンイメージに対して、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業、ノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業およびパッチサンプリング（Ｐａｔｃｈ Ｓａｍｐｌｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行し、前記前処理された第２整列ブレーンイメージが前記神経血管解剖学的分割ネットワークを通過させ、前記神経血管解剖学的分割ネットワークを通過した前記第２整列ブレーンイメージに対して特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）を除去する後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行し、前記後処理された第２整列ブレーンイメージを基盤に前記脳血管地図を抽出し、前記ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業であり、前記およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、前記設定された下限から前記上限までのＨＵ Ｌｅｖｅｌを決定し、ＨＵ Ｌｅｖｅｌを決定された［０、１］間隔でマッピング（ｍａｐｐｉｎｇ）する作業であり、前記パッチサンプリング（Ｐａｔｃｈ Ｓａｍｐｌｉｎｇ）作業は、ＧＰＵメモリ（Ｍｅｍｏｒｙ）活用のために、前記３次元ボリューム（Ｖｏｌｕｍｅ）のサブボリューム（ｓｕｂ－ｖｏｌｕｍｅ）をパッチ（ｐａｔｃｈ）で構成してインプットデータ（ｉｎｐｕｔ ｄａｔａ）を生成する作業であり、前記特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業であってよい。
【0041】
もちろん全ての作業は、ＧＰＵ／ＣＰＵで全て作業が可能であり、ＧＰＵを活用すれば、ＣＰＵより通常１０～１００倍速い速度を得ることができる。
ただし、３Ｄ Ｖｏｌｕｍｅを全てＧＰＵメモリに割り当てることは難しいため、本発明においては、ｓｕｂ－ｖｏｌｕｍｅに分けてｉｎｐｕｔ ｄａｔａを生成することである。一方、装着されたＧＰＵ性能によって全体ｖｏｌｕｍｅを使用してもよい。
ただし、３Ｄ Ｖｏｌｕｍｅを全てＧＰＵメモリに割り当てることは難しいため、本発明においては、ｓｕｂ－ｖｏｌｕｍｅに分けてｉｎｐｕｔ ｄａｔａを生成することである。一方、装着されたＧＰＵ性能によって全体ｖｏｌｕｍｅを使用してもよい。
【0042】
また、前記脳血管地図は、動脈の解剖学的構造を区分して抽出され、前記情報は、血管構造による適応症を区分するデータを含み、前記血管構造による適応症は、大血管閉塞（Ｌａｒｇｅ Ｖｅｓｓｅｌ Ｏｃｃｌｕｓｉｏｎ、ＬＶＯ）および動脈流（Ａｎｅｕｒｙｓｍ）を含み、前記判断部が提供する前記情報は、前記適応症が探知および／または予測された前記脳血管地図上の位置情報および偽陽性（Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ）と関連した情報を含むことができる。
【発明の効果】
【0043】
本発明によれば、未加工ＣＴイメージの幾何学的整列および前処理のための人工知能基盤装置および方法を使用者に提供することができる。
【0044】
本発明は、任意のｒａｗ ＣＴ ｉｍａｇｅが入力されたとき、一貫した方向とサイズに変換できるｐｒｏｃｅｓｓを適用して、患者の頭蓋骨のサイズと形態、撮影方向などによって生じる多様性を最小化できる人工知能基盤装置および方法を使用者に提供することができる。
【0045】
本発明は、医療データのうちＣＴ Ａｎｇｉｏｇｒａｐｈｙを撮影する一連の過程は、各病院のｖｅｎｄｏｒと撮影者の習慣によって撮影角度、撮影領域、ｐａｔｉｅｎｔ ｏｒｉｅｎｔａｔｉｏｎ、ｓｌｉｃｅ ｔｈｉｃｋｎｅｓｓ、ｓｌｉｃｅ ｉｎｔｅｒｖａｌなどのｐｒｏｔｏｃｏｌは状況によって異なるため、データは幾何学的に多様なｖａｒｉａｎｃｅを有する問題点を解消することができる。
【0046】
一般的に、各データのＡｘｉａｌ軸のスライスを確認してみる場合、各スライスで現れる解剖学的なパターンと様相が毎度異なって現れ、医療データを分析する過程で多様な撮影ｐｒｏｔｏｃｏｌによって現れるデータｖａｒｉａｎｃｅは、正確度を落とす主要な原因になるが、本発明が提案する幾何学的整列（Ｒｅｇｉｓｔｒａｔｉｏｎ）過程は、このようなデータｖａｒｉａｎｃｅを最小化できる。
【0047】
また、本発明が提案する方式は、Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を全て提供し、原本ＣＴＡへの逆変換過程もまた有効である。
【0048】
本発明によれば、各特性によって局所的な誤差に敏感な場合、線形変換のみ適用して中央整列されたＲｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用することができ、患者間の関心領域を空間的に一致させるか、モニタリングが必要な場合、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用することができる。
【0049】
また、各Ｒｉｇｉｄ／Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ上で分析された結果は、原本ＣＴＡの空間に逆変換して原本ＣＴＡ映像でセグメントまたは分析結果を視覚化することができる。
【0050】
また、本発明においては、原本ＣＴ映像で脳の特定区画（Ｍ１～Ｍ６）を活用して区分する場合、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを遂行した後、該当空間の標準区画（Ｍ１～Ｍ６）Ｍａｓｋを適用して抽出して分析することができる。同様に、原本ＣＴ空間に逆変換して原本ＣＴ映像に表記することができる。
【0051】
また、本発明においては、Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ、Ｂｒａｉｎ Ａｎａｔｏｍｙなど各血管と脳領域の解剖学的な情報が必要な場合、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを通じて整合した後、特定領域を区別することができる。同様に原本ＣＴ空間に逆変換して原本ＣＴ映像でも表記することができる。
【0052】
また、本発明においては、Ａｎｅｕｒｙｓｍ、Ｔｕｍｏｒなど、ｍｏｎｉｔｏｒｉｎｇが必要な場合、同一患者の互いに異なる時間帯に撮影した映像をＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを遂行して一致させて病弁の進行状況を見せることができる。
【0053】
一方、本発明において得られる効果は、以上において言及した効果に制限されず、言及していないまた他の効果は、下記の記載から本発明の属する技術の分野における通常の知識を有する者に明確に理解され得るだろう。
【図面の簡単な説明】
【0054】
【図1】本発明と関連して、未加工ＣＴイメージが入力されたとき、一貫した方向とサイズに変換可能な装置のブロック構成度の一例を図示したものである。
【図5a】Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの適用を説明するための図面である。
【図5b】Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの適用を説明するための図面である。
【図6a】Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを一緒に適用して縁、血管、解剖学的構造などをさらに安定して一致させることができる結果を説明する図面である。
【図6b】Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを一緒に適用して縁、血管、解剖学的構造などをさらに安定して一致させることができる結果を説明する図面である。
【図7】本発明に適用されるアトラス部の標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データの生成過程を説明する図面である。
【図10】本発明と関連して、未加工ＣＴイメージが入力されたとき、一貫した方向とサイズに変換可能な方法を順序図で示したものである。
【図14】Ｒｉｇｉｄ／Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ上で分析された結果は、原本ＣＴＡの空間に逆変換して原本ＣＴＡ映像でセグメントまたは分析結果を使用する一例を表示したものである。
【発明を実施するための形態】
【0055】
以下、図面を参照して、本発明の好ましい一実施例について説明する。また、以下に説明する実施例は、特許請求の範囲に記載された本発明の内容を不当に限定せず、本実施形態で説明される構成全体が本発明の解決手段として必須とはいえない。
【0056】
以下、本発明の好ましい実施例に係る人工知能基盤前処理装置および方法を添付の図面を参照して詳細に説明する。
【0057】
従来技術の問題点
ディープラーニングモデルで安定した性能を導き出すためには、学習データ分布とテストデータ分布との間の乖離を最小化しなければならないが、このために、学習ステップではｔｒａｉｎデータの多様性を増強して学習し、ｔｅｓｔステップでは標準化および一般化したデータを推論するようになる。
ディープラーニングモデルで安定した性能を導き出すためには、学習データ分布とテストデータ分布との間の乖離を最小化しなければならないが、このために、学習ステップではｔｒａｉｎデータの多様性を増強して学習し、ｔｅｓｔステップでは標準化および一般化したデータを推論するようになる。
【0058】
ＣＴ Ｉｍａｇｅは、撮影者、メーカー、状況、担当部署によって撮影されたＰｒｏｔｏｃｏｌが大きく変わるが、同じ患者であるにもかかわらず、Ｐｒｏｔｏｃｏｌが異なる場合、撮影された３次元映像の幾何学的パターンが変わるので、２Ｄ Ａｘｉａｌ、Ｃｏｒｏｎａｌ、Ｓａｇｉｔｔａｌ断面で見える映像が異に見られることがある。
【0059】
毎度、異なるＰｒｏｔｏｃｏｌで撮影された映像は、人／ディープラーニングモデルから診断正確度を低減する要因となり得る。
【0060】
医療データのうちＣＴ Ａｎｇｉｏｇｒａｐｈｙを撮影する一連の過程は、各病院のｖｅｎｄｏｒと撮影者の習慣によって撮影角度、撮影領域、ｐａｔｉｅｎｔ ｏｒｉｅｎｔａｔｉｏｎ、ｓｌｉｃｅ ｔｈｉｃｋｎｅｓｓ、ｓｌｉｃｅ ｉｎｔｅｒｖａｌなどのｐｒｏｔｏｃｏｌは状況によって異なるので、データは幾何学的に多様なｖａｒｉａｎｃｅを有する。
【0061】
一般的に、各データのＡｘｉａｌ軸のスライスを確認する場合、各スライスで現れる解剖学的なパターンと様相が毎度異に現れる。
【0062】
医療データを分析する過程で多様な撮影ｐｒｏｔｏｃｏｌによって現れるデータｖａｒｉａｎｃｅは、正確度を落とす主要な原因となり得る。
【0063】
したがって、本明細書においては、前記問題を解消することができるように、未加工ＣＴイメージが入力されたとき、一貫した方向とサイズに変換可能な人工知能基盤装置および方法を使用者に提供しようとする。
【0064】
具体的に、本発明は、任意のｒａｗ ＣＴ ｉｍａｇｅが入力されたとき、一貫した方向とサイズに変換できるｐｒｏｃｅｓｓを適用して、患者の頭蓋骨のサイズと形態、撮影方向などによって生じる多様性を最小化できる人工知能基盤装置および方法を使用者に提供しようとする。
【0065】
人工知能装置
図１は、本発明と関連して、未加工ＣＴイメージが入力されたとき、一貫した方向とサイズに変換可能な装置のブロック構成度の一例を図示したものである。
図１は、本発明と関連して、未加工ＣＴイメージが入力されたとき、一貫した方向とサイズに変換可能な装置のブロック構成度の一例を図示したものである。
【0066】
図１を参照すると、本発明が提案する人工知能装置１は、ヘッド分割部１０、剛体整合部２０、非剛体整合部３０、アトラス部４０、３次元神経血管分割部５０、判断部６０などを含むことができる。
【0067】
ヘッド分割部１０は、ＣＴイメージを受信し、ＣＴイメージを頭蓋骨と脳を分離することができるヘッド分割ネットワーク（Ｈｅａｄ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）を通過させて頭蓋骨のボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、脳のブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および脳と関連する血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測することができる。
【0068】
また、ヘッド分割部１０は、予測されたブレーンマスクと血管マスクを組み合わせて、ＣＴイメージから脳領域のみを含むブレーンイメージを抽出することができる。
【0069】
次に、アトラス部４０は、複数のデータを共通した空間に整列するための基準として活用するために、特定標本の特性を融合して標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データを生成して剛体整合部２０に伝達する。
【0070】
ここで、アトラス部４０の標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データは、解剖学的なパターンまたは特性が保存されるように、前記特定標本データを中央に整列して予め指定された水準によって非剛体整合後、合成して構成することで生成される。
【0071】
また、剛体整合部２０は、標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データをアトラス部４０から受信し、ヘッド分割部１０からブレーンイメージを受信する。
【0072】
以後、剛体整合部２０は、テンプレートデータとブレーンイメージと間の剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）およびアフィン整合（Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎ）を遂行して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を獲得する。
【0073】
また、剛体整合部２０は、変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいてブレーンイメージに整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換に整列された第１整列ブレーンイメージを獲得するようになる。
【0074】
変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいた整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、移動（Ｔｒａｎｓｌａｔｉｏｎ）、回転（ｒｏｔａｔｉｏｎ、）およびスケール（ｓｃａｌｅ）変換を含む線形変換を適用して、前記ブレーンイメージが潰れることなく、元の割合が維持されたまま変形されるようにする。
【0075】
一方、非剛体整合部３０は、テンプレートデータの３次元ボリューム（Ｖｏｌｕｍｅ）と第１整列ブレーンイメージの３次元ボリュームを予め学習された非－剛体整合ネットワーク（Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｎｅｔｗｏｒｋ）に入力して、３次元ボクセル（ｖｏｘｅｌ）別の移動ベクターである変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を抽出することができる。
【0076】
また、非剛体整合部３０は、変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいて第１整列ブレーンイメージにボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を遂行して、剛体整合部の結果物より実際の脳により正確に整合された第２整列ブレーンイメージを獲得することができる。
【0077】
変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいた非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、前記ボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用して、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて１次整列されたブレーンイメージに細部的なな２次整列を遂行して、前記実際の脳にさらに一致する形態になるように整列を遂行するようになる。
【0078】
以後、３次元神経血管分割部５０は、第２整列ブレーンイメージを神経血管解剖学的分割ネットワーク（Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）に通過させて第２整列ブレーンイメージから脳血管地図を抽出することができる。
【0079】
また、判断部６０は、脳血管地図に基づいて脳と関連した情報を提供することができる。
【0080】
ここで、脳血管地図は、動脈の解剖学的構造を区分して抽出されることができる。
【0081】
また、脳と関連した情報は、血管構造による適応症を区分するデータを含むことができる。
【0082】
代表的に、血管構造による適応症は、大血管閉塞（Ｌａｒｇｅ Ｖｅｓｓｅｌ Ｏｃｃｌｕｓｉｏｎ、ＬＶＯ）および動脈流（Ａｎｅｕｒｙｓｍ）などを含む。
【0083】
また、判断部６０が提供する情報は、適応症が探知および／または予測された脳血管地図上の位置情報および偽陽性（Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ）と関連した情報を含むこともできる。
【0084】
以下においては、ヘッド分割部１０、剛体整合部２０、非剛体整合部３０、アトラス部４０、３次元神経血管分割部５０に対して図面を参照してより具体的に説明する。
【0085】
【0086】
図２を参照すると、ヘッド分割部１０は、イメージ受信部１１、ヘッド前処理部１２、事前学習されたヘッド分割ネットワーク部１３、ヘッド後処理部１４および予測結果算出部１５を含むことができる。
【0087】
本発明が分析しようとする関心領域は、脳（Ｂｒａｉｎ）であり、ｓｋｕｌｌの厚さと形態は人によって異なるので、ヘッド分割部１０を通じて、頭蓋骨と脳領域を分離することができるディープラーニング基盤Ｈｅａｄ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋを通過してそれぞれのＢｏｎｅ、Ｂｒａｉｎ、Ｖｅｓｓｅｌ Ｍａｓｋを予測した後、Ｂｒａｉｎ ＭａｓｋとＶｅｓｓｅｌ Ｍａｓｋを組み合わせて原本ＣＴ ｉｍａｇｅから完全なＢｒａｉｎ領域を抽出する作業を遂行するようになる。
【0088】
先に、イメージ受信部１１は、外部装備からＣＴイメージを受信する。
【0089】
次に、ヘッド前処理部１２は、Ｒａｗ ＣＴ ｉｍａｇｅの３次元映像を２Ｄ Ａｘｉａｌ ｓｌｉｃｅで分割した後、ｓｅｇｍｅｎｔａｔｉｏｎしようとするｓｌｉｃｅの隣接スライスをｃｏｎｃａｔｅｎａｔｅしてｉｎｐｕｔデータを構成するようになる。
【0090】
具体的に、ｉｎｐｕｔデータは、ヘッド前処理部１２のＰｒｅ－ｐｒｏｃｅｓｓｉｎｇを経て事前学習されたヘッド分割ネットワーク部１３に入力される。
【0091】
ヘッド前処理部１２は、（１）Ｒｅｓｉｚｅ（２）ＨＵ Ｗｉｎｄｏｗｉｎｇ（３）Ｎｏｒｍａｌｉｚｅなどの作業を遂行することができる。
【0092】
（１）リサイジング（Ｒｅｓｉｚｉｎｇ）作業は、ヘッド分割ネットワークが要求するサイズに映像を縮小および／または拡大する作業である。
【0093】
次に、（２）ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業である。
【0094】
また、ノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、設定された下限から上限までのＨＵ Ｌｅｖｅｌを決定し、ＨＵ Ｌｅｖｅｌを決定された［０、１］間隔でマッピング（ｍａｐｐｉｎｇ）する作業である。代表的に、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）の下限から上限のＨＵ Ｌｅｖｅｌを［０、１］間隔でマッピング（ｍａｐｐｉｎｇ）する方式が適用され得る。
【0095】
前処理されたＣＴイメージが事前学習されたヘッド分割ネットワーク部１３を通過し、ヘッド分割ネットワーク１３を通過したＣＴイメージに対して、ヘッド後処理部１４がブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業および特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業のうち少なくとも一つである後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行するようになる。
【0096】
事前学習されたヘッド分割ネットワーク部１３は、関心領域である脳（ｂｒａｉｎ）領域を抽出することができるように、頭蓋骨と脳領域に対して予め学習されたディープラーニング基盤Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋである。
【0097】
ここで、ブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業は、ブレーンに対する関心ボリューム（Ｖｏｌｕｍｅ ｏｆ Ｉｎｔｅｒｅｓｔ）領域以外の領域を除去した後、サイズを再調整する作業である。
【0098】
また、Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ除去作業は、３次元上で連結されずにかけ離れている小さいｏｕｔｌｉｅｒ ｃｌｕｓｔｅｒを除去する作業である。
【0099】
以後、予測結果算出部１５は、後処理されたＣＴイメージを基盤に前記ボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、ブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測するようになる。
【0100】
すなわち、頭蓋骨のボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、脳のブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および脳と関連する血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測し、予測されたブレーンマスクと血管マスクを組み合わせて、最初入力されたＣＴイメージから脳領域のみを含むブレーンイメージを抽出することができる。
【0101】
【0102】
図３を参照すると、剛体整合部２０は、抽出された脳イメージ受信部２１、アトラス部イメージ受信部２２、剛体接合遂行部２３、剛体接合ワピング部２４を含む。
【0103】
先決的にアトラス部４０の標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データは、解剖学的なパターンまたは特性が保存されるように前記特定標本データを中央に整列して予め指定された水準によって非剛体整合後、合成して構成することで生成される。
【0104】
アトラス部イメージ受信部２２は、前記アトラス部４０から標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データを受信し、抽出された脳イメージ受信部２１は、ヘッド分割部１０から抽出された脳領域のみを含むブレーンイメージを受信する。
【0105】
剛体接合遂行部２３は、テンプレートデータとブレーンイメージと間の剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）およびアフィン整合（Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎ）を遂行して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を獲得することができる。
【0106】
以後、剛体接合ワピング部２４は、変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいてブレーンイメージに整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換に整列された第１整列ブレーンイメージを獲得することができる。
【0107】
整理すると、剛体接合ワピング部２４は、変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいた整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、平行移動（Ｔｒａｎｓｌａｔｉｏｎ）、回転（ｒｏｔａｔｉｏｎ、）およびスケール（ｓｃａｌｅ）変換を含む線形変換を適用して、前記ブレーンイメージが潰れることなく、元の割合が維持されたまま変形されるようにすることができる。
【0108】
【0109】
図４を参照すると、非剛体整合部３０は、剛体整合ワピングされた脳イメージ受信部３１、アトラス部イメージ受信部３２、非剛体合遂行部３３および非剛体整合ワピング部３４を含む。
【0110】
先に、アトラス部イメージ受信部３２は、前記アトラス部４０から標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データを受信し、剛体整合ワピングされた脳イメージ受信部３１は、剛体接合ワピング部２４の結果物である第１整列ブレーンイメージを獲得する。
【0111】
以後、非剛体整合遂行部３３は、テンプレートデータの３次元ボリューム（Ｖｏｌｕｍｅ）と第１整列ブレーンイメージの３次元ボリュームを予め学習された非－剛体整合ネットワーク（Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｎｅｔｗｏｒｋ）に入力して、３次元ボクセル（ｖｏｘｅｌ）別の移動ベクターである変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を抽出することができる。
【0112】
また、非剛体整合ワピング部３４は、変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいて前記第１整列ブレーンイメージにボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を遂行して、前記剛体整合部の結果物より実際の脳により正確に整合された第２整列ブレーンイメージを獲得することができる。
【0113】
整理すると、変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいた非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、前記ボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて１次整列されたブレーンイメージに細部的なな２次整列を遂行して実際の脳にさらに一致する形態になるように整列を遂行する。
【0114】
したがって、本発明においては、各特性によって局所的な誤差に敏感な場合、線形変換のみを適用して中央整列されたＲｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用すると同時に、患者間の関心領域を空間的に一致させるか、モニタリングが必要な場合、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用する。
【0115】
本発明がＲｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを一緒に利用する理由に対して具体的に説明する。
図５ａおよび図５ｂは、Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの適用を説明するための図面である。
図５ａおよび図５ｂは、Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの適用を説明するための図面である。
【0116】
図５ａを参照すると、Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの目的は、２Ｄ／３ＤデータからＡｆｆｉｎｅ Ｍａｔｒｉｘを得ることを目標とする。
Ｔｒａｎｓｌａｔｉｏｎ、ｒｏｔａｔｉｏｎ、ｓｃａｌｅ変換などの線形的な変換だけ可能であり、移動対象が（潰れることなく）元の割合が維持されたまま変形される。
Ｔｒａｎｓｌａｔｉｏｎ、ｒｏｔａｔｉｏｎ、ｓｃａｌｅ変換などの線形的な変換だけ可能であり、移動対象が（潰れることなく）元の割合が維持されたまま変形される。
【0117】
また、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの目的は、２Ｄ／３Ｄデータからピクセル単位の移動ベクターフィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を得ることを目標とする。
【0118】
ピクセル単位でどのような位置にｗａｒｐｉｎｇが遂行されなければならないのかが決定されるので、全ての形態の変換が可能であるので、Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎに比べて細部的なな一致度を高めることができる。
【0119】
図５ｂの（ａ）は、Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ変換の例示を図示したものであり、（ｂ）は、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ変換の例示を図示したものである。
【0120】
ただし、Ｎｏｎ－Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ自体は、局所変形に特化されており、移動半径が大きい変形は難しいという問題点がある。
【0121】
したがって、本発明においては、Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎでずれている中央を合わせた後、細部的なな２次整列を遂行するとき、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを活用する方式を適用する。
【0122】
代表的に、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを遂行する方式は、よく知られているディープラーニング基盤のＶｏｘｅｌＭｏｒｐｈを通じて遂行されることができる。
【0123】
該当方式は、既存の古典的なＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ方式に比べて１００倍以上の速い速度と高い正確度を見せることができる。
【0124】
図６ａおよび図６ｂは、Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを一緒に適用して、縁、血管、解剖学的構造などをさらに安定的に一致させ得る結果を説明する図面である。
【0125】
【0126】
また、Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果、中央整列されてＯｒｉｇｉｎａｌ ＣＴＡに比べて安定した結果を見せるが、脳の形態差がある場合、若干の変形が見られることを確認することができる。
【0127】
前記Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果物にＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを適用した結果を確認すると、大部分が実際の脳のコンテンツと一致する結果が見られる。
【0128】
すなわち、Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎだけを遂行したときに比べて、２つの方式を順次に適用する場合には、縁、血管、解剖学的構造などをさらに安定的に一致させることができる。
【0129】
また、Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ方式の適用時に活用されるＡｔｌａｓについて説明する。
【0130】
図７は、本発明に適用されるアトラス部の標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データの生成過程を説明する図面である。
【0131】
Ｍｅｄｉｃａｌ分野でＡｔｌａｓ（Ｔｅｍｐｌａｔｅ）は、特定標本の特性を融合して標準化した一つのデータであって、一般的にＲｅｇｉｓｔｒａｔｉｏｎを通じて多様なデータを共通した空間に整列するための基準として活用される。
【0132】
ＭＲＩデータの場合、ＭＮＩという標準化したＡｔｌａｓが存在するが、ＣＴの場合、このような標準化したＡｔｌａｓが存在しないため、新たに生成する過程が必要である。
【0133】
図７を参照すると、Ａｔｌａｓ生成方法で正常または特定適応症を有する３０～５０人のＣＴＡを標本に設定して適用され得る。
【0134】
ここで、Ａｔｌａｓは、解剖学的なパターンまたは特性が保存されなければならないので、初期の各標本データを中央に整列して一定の水準一致するように構成することができる。
【0135】
以後、古典的なＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを遂行して非常に一致するように整合した後、各データをよく融合してＡｔｌａｓを生成することができる。
【0136】
本発明においては、古典的なＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎは時間が長くかかり、成功し難いという短所があるので、ディープラーニング基盤生成モデル（Ｇｅｎｅｒａｔｉｖｅ Ｍｏｄｅｌ）を活用する。該当ディープラーニングモデルは、教師なし（Ｕｎｓｕｐｅｒｖｉｓｅｄ）学習を通じて、それぞれの非整列されたＣＴＡを説明することができる最適化されたＮｏｎ－ｒｉｇｉｄ Ｔｅｍｐｌａｔｅ／Ａｔｌａｓを生成し出し得るように学習される。
【0137】
【0138】
図８で生成されたＡｔｌａｓは、左／右対称になり得るように、後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓ）されて、Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ方式に適用され得る。
【0139】
提案するＡｔｌａｓ、Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ過程は、前述のデータｖａｒｉａｎｃｅを最小化できるという長所がある。
【0140】
本発明が提案する方式は、Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を全て提供し、原本ＣＴＡへの逆変換過程もまた有効であり得る。
【0141】
各特性によって、局所的な誤差に敏感な場合、線形変換のみを適用して中央整列されたＲｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用することができ、患者間の関心領域を空間的に一致させるか、モニタリングが必要な場合、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用することができる。
【0142】
また、各Ｒｉｇｉｄ／Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ上で分析された結果は、原本ＣＴＡの空間に逆変換して原本ＣＴＡ映像でセグメントまたは分析結果を視覚化することもできる。
【0143】
本発明に適用されるＣＴ Ａｔｌａｓの場合、Ｒｉｇｉｄ／Ａｆｆｉｎｅ整列された正常群１００人のＣＴＡからディープラーニング基盤生成モデル（Ｇｅｎｅｒａｔｉｖｅ Ｍｏｄｅｌ）を学習してＮｏｎ－ｒｉｇｉｄ Ｔｅｍｐｌａｔｅ／Ａｔｌａｓを抽出した後、左／右対称を合わせたｓｙｍｍｅｔｒｉｃ Ｔｅｍｐｌａｔｅ／Ａｔｌａｓを活用して適用され得る。
【0144】
本明細書において、ＴｅｍｐｌａｔｅとＡｔｌａｓは混用して使用されることができ、２個の用語が指称する意味は同一である。
【0145】
また、抽出されたＢｒａｉｎ ｉｍａｇｅは、ＣＴ ＡｔｌａｓとＲｉｇｉｄ／Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎを通じて線形変換（回転／スケール／移動など）で１次整列された映像を得るようになり、以後、より正確な整合のために、Ｎｏｎ－Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｍｏｄｅｌを通じてピクセル／ボクセル単位のＲｅｇｉｓｔｒａｔｉｏｎを遂行し、各Ｒｅｇｉｓｔｒａｔｉｏｎの結果、抽出されたＴｒａｎｓｆｏｒｍａｔｉｏｎ ｐａｒａｍｅｔｅｒ、Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄは、それぞれのｍａｓｋとＣＴ ｉｍａｇｅを変換するのに活用され得る。
【0146】
３次元神経血管分割部
３次元神経血管分割部５０は、整列されたＢｒａｉｎ ｉｍａｇｅから血管構造を抽出することができるようにディープラーニング基盤Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋを通じて脳血管地図を抽出する。
３次元神経血管分割部５０は、整列されたＢｒａｉｎ ｉｍａｇｅから血管構造を抽出することができるようにディープラーニング基盤Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋを通じて脳血管地図を抽出する。
【0147】
このとき、Ｖｅｓｓｅｌ Ｍａｓｋとは異なり、Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙは、各動脈の解剖学的構造を区分することができ、判断部６０は、追ってＮｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙを血管構造による適応症を区分するのに活用することができる。
【0148】
【0149】
図９を参照すると、３次元神経血管分割部５０は、非剛体整合ワピングされた脳イメージ受信部５１、分割前処理部５２、事前学習された神経血管分割ネットワーク部５３、分割後処理部５４および３次元神経血管生成部５４．５を含むことができる。
【0150】
非剛体整合ワピングされた脳イメージ受信部５１は、非剛体整合部３０から第２整列ブレーンイメージを受信する。
【0151】
以後、第２整列ブレーンイメージは、神経血管解剖学的分割ネットワーク（Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）を通過し、Ｐｒｅ－Ｐｒｏｃｅｓｓｉｎｇされたｉｎｐｕｔ ｄａｔａは、前記Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ予測およびＰｏｓｔ－ｐｒｏｃｅｓｓｉｎｇを通じてＮｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ生成することができるようになる。
【0152】
分割前処理部５２は、第２整列ブレーンイメージに対して、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業、ノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業およびパッチサンプリング（Ｐａｔｃｈ Ｓａｍｐｌｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行することができる。
【0153】
ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業である。
【0154】
また、ノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、前記設定された下限から前記上限までのＨＵ Ｌｅｖｅｌを決定し、ＨＵ Ｌｅｖｅｌを決定された［０、１］間隔でマッピング（ｍａｐｐｉｎｇ）する作業である。
また、パッチサンプリング（Ｐａｔｃｈ Ｓａｍｐｌｉｎｇ）作業は、ＧＰＵメモリ（Ｍｅｍｏｒｙ）活用のために、前記３次元ボリューム（Ｖｏｌｕｍｅ）のサブボリューム（ｓｕｂ－ｖｏｌｕｍｅ）をパッチ（ｐａｔｃｈ）で構成してインプットデータ（ｉｎｐｕｔ ｄａｔａ）を生成する作業である。
また、パッチサンプリング（Ｐａｔｃｈ Ｓａｍｐｌｉｎｇ）作業は、ＧＰＵメモリ（Ｍｅｍｏｒｙ）活用のために、前記３次元ボリューム（Ｖｏｌｕｍｅ）のサブボリューム（ｓｕｂ－ｖｏｌｕｍｅ）をパッチ（ｐａｔｃｈ）で構成してインプットデータ（ｉｎｐｕｔ ｄａｔａ）を生成する作業である。
【0155】
全ての作業は、ＧＰＵ／ＣＰＵで全て作業が可能であり、ＧＰＵを活用すれば、ＣＰＵより通常１０～１００倍速い速度を得ることができる。ただし、３Ｄ Ｖｏｌｕｍｅを全てＧＰＵメモリに割り当てることは難しいため、ｓｕｂ－ｖｏｌｕｍｅに分けてｉｎｐｕｔ ｄａｔａを生成する。一方、装着されたＧＰＵ性能によって全体ｖｏｌｕｍｅを使用してもよい。
【0156】
ここで、前処理された第２整列ブレーンイメージが神経血管解剖学的分割ネットワーク５３を通過するようになり、神経血管解剖学的分割ネットワーク５３を通過した第２整列ブレーンイメージに対して特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）を除去する後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を分割後処理部５４が遂行する。
【0157】
特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業である。
また、３次元神経血管生成部５４．５が後処理された第２整列ブレーンイメージを基盤に前記脳血管地図を抽出するようになる。
また、３次元神経血管生成部５４．５が後処理された第２整列ブレーンイメージを基盤に前記脳血管地図を抽出するようになる。
【0158】
前記モデルから抽出されたＮｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙは、Ｌａｒｇｅ Ｖｅｓｓｅｌ Ｏｃｃｌｕｓｉｏｎ（ＬＶＯ）、Ａｎｅｕｒｙｓｍなど、血管別適応症を探知、予測した結果で位置を可視化するか、Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ予測をｓｕｐｐｒｅｓｓすることに活用されることができる。
【0159】
すなわち、判断部６０が提供する情報は、適応症が探知および／または予測された脳血管地図上の位置情報および偽陽性（Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ）と関連した情報をさらに含むことができる。
【0160】
人工知能方法
図１０は、本発明と関連して、未加工ＣＴイメージが入力されたとき、一貫した方向とサイズに変換可能な方法を順序図で示したものである。
図１０は、本発明と関連して、未加工ＣＴイメージが入力されたとき、一貫した方向とサイズに変換可能な方法を順序図で示したものである。
【0161】
前述のとおり、本発明が提案する方法は、（１）Ｒａｗ ＣＴ ｉｍａｇｅの分割作業、（２）Ｒｅｇｉｓｔｒａｔｉｏｎ作業および（３）Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ作業に区分される。
【0162】
（１）Ｒａｗ ＣＴ ｉｍａｇｅの分割作業
私たちの関心領域はＢｒａｉｎであり、ｓｋｕｌｌの厚さと形態は人によって異なる。したがって、頭蓋骨と脳領域を分離できるＨｅａｄ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋを通過して、それぞれのＢｏｎｅ、Ｂｒａｉｎ、Ｖｅｓｓｅｌ Ｍａｓｋを予測した後、Ｂｒａｉｎ ＭａｓｋとＶｅｓｓｅｌ Ｍａｓｋを組み合わせて原本ＣＴ ｉｍａｇｅから完全なＢｒａｉｎ領域を抽出する。
私たちの関心領域はＢｒａｉｎであり、ｓｋｕｌｌの厚さと形態は人によって異なる。したがって、頭蓋骨と脳領域を分離できるＨｅａｄ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋを通過して、それぞれのＢｏｎｅ、Ｂｒａｉｎ、Ｖｅｓｓｅｌ Ｍａｓｋを予測した後、Ｂｒａｉｎ ＭａｓｋとＶｅｓｓｅｌ Ｍａｓｋを組み合わせて原本ＣＴ ｉｍａｇｅから完全なＢｒａｉｎ領域を抽出する。
【0163】
（２） Ｒｅｇｉｓｔｒａｔｉｏｎ作業
抽出されたＢｒａｉｎ ｉｍａｇｅは、ＣＴ ＡｔｌａｓとＲｉｇｉｄ／Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎを通じて線形変換（回転／スケール／移動など）で１次整列された映像を得るようになる。以後、より正確な整合のために、Ｎｏｎ－Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｍｏｄｅｌを通じてピクセル／ボクセル単位のＲｅｇｉｓｔｒａｔｉｏｎを遂行する。各Ｒｅｇｉｓｔｒａｔｉｏｎの結果、抽出されたＴｒａｎｓｆｏｒｍａｔｉｏｎ ｐａｒａｍｅｔｅｒ、Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄは、それぞれのｍａｓｋとＣＴ ｉｍａｇｅを変換するのに活用される。
抽出されたＢｒａｉｎ ｉｍａｇｅは、ＣＴ ＡｔｌａｓとＲｉｇｉｄ／Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎを通じて線形変換（回転／スケール／移動など）で１次整列された映像を得るようになる。以後、より正確な整合のために、Ｎｏｎ－Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｍｏｄｅｌを通じてピクセル／ボクセル単位のＲｅｇｉｓｔｒａｔｉｏｎを遂行する。各Ｒｅｇｉｓｔｒａｔｉｏｎの結果、抽出されたＴｒａｎｓｆｏｒｍａｔｉｏｎ ｐａｒａｍｅｔｅｒ、Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄは、それぞれのｍａｓｋとＣＴ ｉｍａｇｅを変換するのに活用される。
【0164】
（３）Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ作業
整列されたＢｒａｉｎ ｉｍａｇｅから血管構造を抽出することができるようにＮｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋを通じて脳血管地図を抽出する。Ｖｅｓｓｅｌ Ｍａｓｋとは異なり、Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙは、各動脈の解剖学的構造を区分する。追って、Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙは、血管構造による適応症を区分するのに活用されることができる。
整列されたＢｒａｉｎ ｉｍａｇｅから血管構造を抽出することができるようにＮｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋを通じて脳血管地図を抽出する。Ｖｅｓｓｅｌ Ｍａｓｋとは異なり、Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙは、各動脈の解剖学的構造を区分する。追って、Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙは、血管構造による適応症を区分するのに活用されることができる。
【0165】
図１０を参照して、本発明に係る方法をより具体的に説明する。
【0166】
図１０を参照すると、ヘッド分割部１０がＣＴイメージを受信し、事前学習されたヘッド分割ネットワーク部１３がＣＴイメージを頭蓋骨と脳を分離するようになり、頭蓋骨のボーンマスク（Ｂｏｎｅ Ｍａｓｋ、１７）、脳のブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ、１８）および脳と関連する血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ、１９）を予測するようになる。
【0167】
また、ヘッド分割部１０が予測されたブレーンマスクと血管マスクを組み合わせ１６て、ＣＴイメージから脳領域のみを含むブレーンイメージ（Ｋ）を抽出するようになる。
【0168】
以後、剛体整合部２０が複数のデータを共通した空間に整列するための基準として活用するために、特定標本の特性を融合して標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データをアトラス部４０から受信し、ヘッド分割部１０からブレーンイメージ（Ｋ）を受信する。
【0169】
剛体整合部２０の剛体整合遂行部２３および剛体整合ワピング部２４は、テンプレートデータとブレーンイメージ（Ｋ）との間の剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）およびアフィン整合（Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎ）を遂行して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ、２６）を獲得することができる。
【0170】
また、剛体整合部２０は、変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ、２６）に基づいてブレーンイメージ（Ｋ）に整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ、２４）を適用して線形変換に整列された第１整列ブレーンイメージ（Ｒ）を獲得することができる。
【0171】
また、非剛体整合部３０が、融合して標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データをアトラス部４０から受信し、剛体整合部２０から第１整列ブレーンイメージ（Ｒ）を受信する。
【0172】
以後、非剛体整合遂行部３３は、テンプレートデータの３次元ボリューム（Ｖｏｌｕｍｅ）と第１整列ブレーンイメージの３次元ボリュームを予め学習された非－剛体整合ネットワーク（Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｎｅｔｗｏｒｋ）に入力して、３次元ボクセル（ｖｏｘｅｌ）別の移動ベクターである変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ、３６）を抽出する。
【0173】
また、非剛体整合ワピング部３４は、変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいて前記第１整列ブレーンイメージ（Ｒ）にボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用３７、３８する非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ、３４）を遂行して、実際の脳により正確に整合された第２整列ブレーンイメージ（Ｎ）を獲得するようになる。
【0174】
以後、神経血管分割部５０が第２整列ブレーンイメージ（Ｎ）を神経血管解剖学的分割ネットワーク（Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ、５３）に通過させて第２整列ブレーンイメージから脳血管地図５５を抽出するようになる。
【0175】
以後、判断部６０が脳血管地図に基づいて脳と関連した情報を提供することができる。
【0176】
一方、剛体整合部２０は、ボーンマスク１７、ブレーンマスク１８および血管マスク１９に変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ、２６）に基づいて整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ、２４）を適用して、線形変換に整列された第１整列ボーンマスク、ブレーンマスクおよび血管マスクを獲得することも可能であり得る。
【0177】
また、非剛体整合部３０は、第１整列ボーンマスク、ブレーンマスクおよび血管マスクに変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ、３６）に基づいてボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ、３４）を適用して、第２整列ボーンマスク５７、ブレーンマスク５８および血管マスク５９が獲得され得る。
【0178】
判断部６０は、脳血管地図５５に基づいて第２整列ボーンマスク５７、ブレーンマスク５８および血管マスク５９のうち少なくとも一つをさらに利用して情報を提供することもできる。
【0179】
逆に、前記第２整列ブレーンイメージ（Ｎ）、第２整列ボーンマスク５７、ブレーンマスク５８および血管マスク５９は、変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ、３６）を逆変換適用して第１整列ブレーンイメージ（Ｒ）、第１整列ボーンマスク、ブレーンマスクおよび血管マスクを抽出することが可能である。
【0180】
さらに第１整列ブレーンイメージ（Ｒ）、第１整列ボーンマスク、ブレーンマスクおよび血管マスクは、変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ、２６）を逆変換適用して、未加工ＣＴイメージ原本の空間にブレーンイメージ（Ｋ）、ボーンマスク１７、ブレーンマスク１８および血管マスク１９を抽出することも可能であり得る。
【0181】
【0182】
図１０を参照すると、イメージ受信部１１は、外部装備からＣＴイメージを受信する。
【0183】
次に、ヘッド前処理部１２は、Ｒａｗ ＣＴ ｉｍａｇｅの３次元映像を２Ｄ Ａｘｉａｌ ｓｌｉｃｅで分割した後、ｓｅｇｍｅｎｔａｔｉｏｎしようとするｓｌｉｃｅの隣接スライスをｃｏｎｃａｔｅｎａｔｅしてｉｎｐｕｔデータを構成するようになる。
【0184】
具体的に、ｉｎｐｕｔデータは、ヘッド前処理部１２のＰｒｅ－ｐｒｏｃｅｓｓｉｎｇを経て事前学習されたヘッド分割ネットワーク部１３に入力される。
【0185】
ヘッド前処理部１２は、前述した（１）Ｒｅｓｉｚｅ（２）ＨＵ Ｗｉｎｄｏｗｉｎｇ（３）Ｎｏｒｍａｌｉｚｅなどの作業を遂行することができる。
【0186】
前処理されたＣＴイメージが事前学習されたヘッド分割ネットワーク部１３を通過し、ヘッド分割ネットワーク１３を通過したＣＴイメージに対して、ヘッド後処理部１４がブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業および特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業のうち少なくとも一つである後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行するようになる。
【0187】
以後、予測結果、算出部１５は、後処理されたＣＴイメージを基盤に前記ボーンマスク（Ｂｏｎｅ Ｍａｓｋ、１７）、ブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ、１８）および血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ、１９）を含む情報１５を予測するようになる。
【0188】
すなわち、頭蓋骨のボーンマスク（Ｂｏｎｅ Ｍａｓｋ、１７）、脳のブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ、１８）および脳と関連する血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ、１９）を予測し、予測されたブレーンマスク１８と血管マスク１９を組み合わせて、最初入力されたＣＴイメージから脳領域のみを含むブレーンイメージ（Ｋ）を抽出することができる。
【0189】
【0190】
図１２の（ａ）を参照すると、アトラス部イメージ受信部２２は、前記アトラス部４０から標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データを受信し、抽出された脳イメージ受信部２１は、ヘッド分割部１０から抽出された脳領域のみを含むブレーンイメージ（Ｋ）を受信する。
【0191】
剛体接合遂行部２３は、テンプレートデータとブレーンイメージと間の剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）およびアフィン整合（Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎ）を遂行して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を獲得することができる。
【0192】
以後、剛体接合ワピング部２４は、変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいてブレーンイメージに整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換に整列された第１整列ブレーンイメージ（Ｒ）を獲得することができる。
【0193】
整理すると、剛体接合ワピング部２４は、変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいた整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、平行移動（Ｔｒａｎｓｌａｔｉｏｎ）、回転（ｒｏｔａｔｉｏｎ、）およびスケール（ｓｃａｌｅ）変換を含む線形変換を適用して、前記ブレーンイメージが潰れることなく、元の割合が維持されたまま変形されるようにすることができる。
【0194】
また、図１２の（ｂ）を参照すると、アトラス部イメージ受信部３２は、前記アトラス部４０から標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データを受信し、剛体整合ワピングされた脳イメージ受信部３１は、剛体接合ワピング部２４の結果物である第１整列ブレーンイメージ（Ｒ）を獲得する。
【0195】
以後、非剛体整合遂行部３３は、テンプレートデータの３次元ボリューム（Ｖｏｌｕｍｅ）と第１整列ブレーンイメージの３次元ボリュームを予め学習された非－剛体整合ネットワーク（Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｎｅｔｗｏｒｋ）に入力して、３次元ボクセル（ｖｏｘｅｌ）別の移動ベクターである変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を抽出することができる。
【0196】
また、非剛体整合ワピング部３４は、変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいて前記第１整列ブレーンイメージにボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を遂行して、前記剛体整合部の結果物より実際の脳により正確に整合された第２整列ブレーンイメージ（Ｎ）を獲得することができる。
【0197】
整理すると、変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいた非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、前記ボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて１次整列されたブレーンイメージ（Ｒ）に細部的なな２次整列を遂行して実際の脳にさらに一致する形態（Ｎ）になるように整列を遂行する。
【0198】
【0199】
図１３に図示されているように、本発明においては、各特性によって局所的な誤差に敏感な場合、線形変換のみを適用して中央整列されたＲｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用すると同時に、患者間の関心領域を空間的に一致させるか、モニタリングが必要な場合、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用する。
【0200】
本発明がＲｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを一緒に利用する理由は、前述のとおり、Ｔｒａｎｓｌａｔｉｏｎ、ｒｏｔａｔｉｏｎ、ｓｃａｌｅ変換などの線形的な変換だけ可能であり、移動対象が（潰れることなく）元の割合が維持されたまま変形されるＲｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ効果と２Ｄ／３Ｄデータからピクセル単位の移動ベクターフィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を得るＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの効果を同時に適用するためである。
【0201】
Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの場合、ピクセル単位でどのような位置にｗａｒｐｉｎｇが遂行されなければならないのかが決定されるので、全ての形態の変換が可能であるので、Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎに比べて細部的なな一致度を高めることができる。
【0202】
図５ｂの（ａ）は、Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ変換の例示を図示したものであり、（ｂ）は、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ変換の例示を図示したものである。
【0203】
ただし、Ｎｏｎ－Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ自体は局所変形に特化されており、移動半径が大きい変形は難しいという問題点がある。
【0204】
したがって、本発明においては、Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎでずれている中央を合わせた後、細部的な２次整列を遂行するとき、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを活用する方式を適用する。
【0205】
一般的なＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ方式は、ＣＰＵを通じて遅く処理されるが、ディープラーニング基盤方式は、ＧＰＵを活用することができるため速い。
【0206】
したがって、ＶｏｘｅｌＭｏｒｐｈというネットワークを通じてＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを遂行して速度的利点を得ることができる。
【0207】
該当方式は、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを遂行するためのネットワークを生成するための古典的なＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ方式に比べて１００倍以上の速い速度と高い正確度を見せることができる。
【0208】
提案するＲｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ過程は、前述のデータｖａｒｉａｎｃｅを最小化できるという長所がある。
【0209】
図１４は、Ｒｉｇｉｄ／Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ上で分析された結果は原本ＣＴＡの空間に逆変換して原本ＣＴＡ映像でセグメントまたは分析結果を使用する一例を表示したものである。
【0210】
図１４に図示されているように、本発明が提案する方式は、Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を全て提供し、原本ＣＴＡへの逆変換過程もまた有効であり得る。
【0211】
各特性によって局所的な誤差に敏感な場合、線形変換のみを適用して中央整列されたＲｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用することができ、患者間の関心領域を空間的に一致させるか、モニタリングが必要な場合、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用することができる。
【0212】
また、各Ｒｉｇｉｄ／Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ上で分析された結果は、原本ＣＴＡの空間に逆変換して原本ＣＴＡ映像でセグメントまたは分析結果を視覚化することもできる。
【0213】
図１４を参照すると、第２整列ブレーンイメージ（Ｎ）、第２整列ボーンマスク５７、ブレーンマスク５８および血管マスク５９は、変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ、３６）を逆変換適用３４Ｉして、第１整列ブレーンイメージ（Ｒ）、第１整列ボーンマスク、ブレーンマスクおよび血管マスクを抽出することが可能である。
【0214】
さらに、第１整列ブレーンイメージ（Ｒ）、第１整列ボーンマスク、ブレーンマスクおよび血管マスクは、変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ、２６）を逆変換適用２４Ｉして、ブレーンイメージ（Ｋ）、ボーンマスク１７、ブレーンマスク１８および血管マスク１９を抽出するのもできる。
【0215】
【0216】
図１５を参照すると、非剛体整合ワピングされた脳イメージ受信部５１は、非剛体整合部３０から第２整列ブレーンイメージ（Ｎ）を受信する。
【0217】
分割前処理部５２は、第２整列ブレーンイメージ（Ｎ）に対して、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業、ノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業およびパッチサンプリング（Ｐａｔｃｈ Ｓａｍｐｌｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行することができる。
【0218】
ここで、前処理された第２整列ブレーンイメージが神経血管解剖学的分割ネットワーク５３を通過するようになり、神経血管解剖学的分割ネットワーク５３を通過した第２整列ブレーンイメージに対して特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）を除去する後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を分割後処理部５４が遂行する。
【0219】
特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業である。
また、３次元神経血管生成部５４．５が後処理された第２整列ブレーンイメージを基盤に前記脳血管地図５５を抽出するようになる。
また、３次元神経血管生成部５４．５が後処理された第２整列ブレーンイメージを基盤に前記脳血管地図５５を抽出するようになる。
【0220】
前記モデルから抽出されたＮｅｕｒｏｖａｓｃｕｌａｒ ＡｎａｔｏｍｙはＬａｒｇｅ Ｖｅｓｓｅｌ Ｏｃｃｌｕｓｉｏｎ（ＬＶＯ）、Ａｎｅｕｒｙｓｍなど、血管別適応症を探知、予測した結果で位置を可視化するか、Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ予測をｓｕｐｐｒｅｓｓすることに活用されることができる。
【0221】
すなわち、判断部６０が提供する情報は、適応症が探知および／または予測された脳血管地図上の位置情報および偽陽性（Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ）と関連した情報をさらに含むことができる。
【0222】
本発明が提供する効果
本発明によれば、未加工ＣＴイメージが入力されたとき、一貫した方向とサイズに変換可能な人工知能基盤装置および方法を使用者に提供することができる。
本発明によれば、未加工ＣＴイメージが入力されたとき、一貫した方向とサイズに変換可能な人工知能基盤装置および方法を使用者に提供することができる。
【0223】
本発明は、任意のｒａｗ ＣＴ ｉｍａｇｅが入力されたとき、一貫した方向とサイズに変換できるｐｒｏｃｅｓｓを適用して、患者の頭蓋骨のサイズと形態、撮影方向などによって生じる多様性を最小化できる人工知能基盤装置および方法を使用者に提供することができる。
【0224】
本発明は、医療データのうちＣＴ Ａｎｇｉｏｇｒａｐｈｙを撮影する一連の過程は、各病院のｖｅｎｄｏｒと撮影者の習慣によって撮影角度、撮影領域、ｐａｔｉｅｎｔ ｏｒｉｅｎｔａｔｉｏｎ、ｓｌｉｃｅ ｔｈｉｃｋｎｅｓｓ、ｓｌｉｃｅ ｉｎｔｅｒｖａｌなどのｐｒｏｔｏｃｏｌは状況によって異なるので、データは幾何学的に多様なｖａｒｉａｎｃｅを有する問題点を解消することができる。
【0225】
一般的に、各データのＡｘｉａｌ軸のスライスを確認する場合、各スライスで現れる解剖学的なパターンと様相が毎度異に現れ、医療データを分析する過程で多様な撮影ｐｒｏｔｏｃｏｌによって現れるデータｖａｒｉａｎｃｅは正確度を落とす主要な原因になるが、本発明が提案する幾何学的整列（Ｒｅｇｉｓｔｒａｔｉｏｎ）過程は、このようなデータｖａｒｉａｎｃｅを最小化できる。
【0226】
また、本発明が提案する方式は、Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を全て提供し、原本ＣＴＡへの逆変換過程もまた有効である。
【0227】
本発明によれば、各特性によって局所的な誤差に敏感な場合、線形変換のみを適用して中央整列されたＲｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用することができ、患者間の関心領域を空間的に一致させるか、モニタリングが必要な場合、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用することができる。
【0228】
また、各Ｒｉｇｉｄ／Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ上で分析された結果は、原本ＣＴＡの空間に逆変換して原本ＣＴＡ映像でセグメントまたは分析結果を視覚化することができる。
【0229】
また、本発明においては、原本ＣＴ映像で脳の特定区画（Ｍ１～Ｍ６）を活用して区分する場合、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを遂行した後、該当空間の標準区画（Ｍ１～Ｍ６）Ｍａｓｋを適用して抽出して分析することができる。同様に、原本ＣＴ空間に逆変換して原本ＣＴ映像に表記することができる。
【0230】
また、本発明においては、Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ、Ｂｒａｉｎ Ａｎａｔｏｍｙなど、各血管と脳領域の解剖学的な情報が必要な場合、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを通じて整合した後、特定領域を区別することができる。同様に、原本ＣＴ空間に逆変換して原本ＣＴ映像でも表記することができる。
【0231】
また、本発明においては、Ａｎｅｕｒｙｓｍ、Ｔｕｍｏｒなど、ｍｏｎｉｔｏｒｉｎｇが必要な場合、同一患者の互いに異なる時間帯に撮影した映像をＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを遂行して一致させて、病弁の進行状況を見せることができる。
【0232】
一方、本発明において得られる効果は、以上において言及した効果に制限されず、言及していないまた他の効果は、下記の記載から本発明の属する技術の分野における通常の知識を有する者に明確に理解され得るだろう。
【0233】
上述した本発明の実施例は、多様な手段を通して具現され得る。例えば、本発明の実施例は、ハードウェア、ファームウェア（ｆｉｒｍｗａｒｅ）、ソフトウェア、またはそれらの結合等により具現され得る。
【0234】
ハードウェアによる具現の場合、本発明の実施例に係る方法は、一つまたはそれ以上のＡＳＩＣｓ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔｓ）、ＤＳＰｓ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒｓ）、ＤＳＰＤｓ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｄｅｖｉｃｅｓ）、ＰＬＤｓ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅｓ）、ＦＰＧＡｓ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙｓ）、プロセッサ、コントローラ、マイクロコントローラ、マイクロプロセッサなどによって具現され得る。
【0235】
ファームウェアやソフトウェアによる具現の場合、本発明の実施例に係る方法は、以上において説明された機能または動作を遂行するモジュール、手順または関数などの形態で具現され得る。ソフトウェアコードは、メモリユニットに格納されてプロセッサにより駆動され得る。前記メモリユニットは、前記プロセッサ内部または外部に位置して、既に公知になった多様な手段により前記プロセッサとデータをやり取りすることができる。
【0236】
上述したように開示された本発明の好ましい実施例についての詳細な説明は、当業者が本発明を具現し、実施できるように提供された。前記では本発明の好ましい実施例を参照して説明したが、該当技術の分野の熟練した当業者は、本発明の領域から外れない範囲内で本発明を多様に修正および変更させ得ることが理解できるだろう。例えば、当業者は、上述した実施例に記載の各構成を互いに組み合わせる方式で利用できる。従って、本発明は、ここに示された実施形態に制限されるためのものではなく、ここで開示された原理および新規な特徴と一致する最も広い範囲を付与するためのものである。
【0237】
本発明は、本発明の精神および必須特徴を外れない範囲で他の特定の形態に具体化されることができる。したがって、前記の詳細な説明は、全ての面で制限的に解釈されてはならず、例示的なものと考慮されるべきである。本発明の範囲は、添付の請求項の合理的解析により決定されるべきであり、本発明の等価的範囲内での全ての変更は、本発明の範囲に含まれる。本発明は、ここに示された実施形態に制限されるためのものではなく、ここで開示された原理および新規な特徴と一致する最も広い範囲を付与するためのものである。また、特許請求の範囲で明示的な引用関係がない請求項を結合して実施例を構成するか出願後の補正により新たな請求項として含むことができる。
【図1】
【図2】
【図3】
【図4】
【図5a】
【図5b】
【図6a】
【図6b】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【手続補正書】
【提出日】2023-11-17
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
ヘッド分割部がＣＴイメージを受信する第１ステップ；
前記ヘッド分割部が前記ＣＴイメージを頭蓋骨と脳を分離することができるヘッド分割ネットワーク（Ｈｅａｄ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）を通過させて前記頭蓋骨のボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、前記脳のブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および前記脳と関連する血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測する第２ステップ；
前記ヘッド分割部が前記予測されたブレーンマスクと血管マスクを組み合わせて、前記ＣＴイメージから前記脳領域のみを含むブレーンイメージを抽出する第３ステップ；
剛体整合部が、複数のデータを共通した空間に整列するための基準として活用するために、特定標本の特性を融合して標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データをアトラス部から受信し、前記ヘッド分割部からブレーンイメージを受信する第４ステップ；
前記剛体整合部が前記テンプレートデータと前記ブレーンイメージと間の剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）およびアフィン整合（Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎ）を遂行して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を獲得する第５ステップ；
前記剛体整合部が前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて前記ブレーンイメージに整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換に整列された第１整列ブレーンイメージを獲得する第６ステップ；
非剛体整合部が、前記テンプレートデータの３次元ボリューム（Ｖｏｌｕｍｅ）と前記第１整列ブレーンイメージの３次元ボリュームを予め学習された非－剛体整合ネットワーク（Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｎｅｔｗｏｒｋ）に入力して、３次元ボクセル（ｖｏｘｅｌ）別の移動ベクターである変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を抽出する第７ステップ；
前記非剛体整合部が前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいて前記第１整列ブレーンイメージにボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を遂行し、前記第６ステップより実際の脳により正確に整合された第２整列ブレーンイメージを獲得する第８ステップ；
神経血管分割部が前記第２整列ブレーンイメージを神経血管解剖学的分割ネットワーク（Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）に通過させて、前記第２整列ブレーンイメージから脳血管地図を抽出する第９ステップ；および
判断部が前記脳血管地図に基づいて前記脳と関連した情報を提供する第１０ステップ；を含み、
前記第２ステップは、
前記ＣＴイメージに対してリサイジング（Ｒｅｓｉｚｉｎｇ）作業、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行する第２－１ステップ；
前記前処理されたＣＴイメージが前記ヘッド分割ネットワークを通過する第２－２ステップ；
前記ヘッド分割ネットワークを通過した前記ＣＴイメージに対してブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業および特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業のうち少なくとも一つである後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行する第２－３ステップ；および
前記後処理されたＣＴイメージを基盤に前記ボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、ブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を
予測する第２－４ステップ；を含む、情報提供方法。
前記ヘッド分割部が前記ＣＴイメージを頭蓋骨と脳を分離することができるヘッド分割ネットワーク（Ｈｅａｄ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）を通過させて前記頭蓋骨のボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、前記脳のブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および前記脳と関連する血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測する第２ステップ；
前記ヘッド分割部が前記予測されたブレーンマスクと血管マスクを組み合わせて、前記ＣＴイメージから前記脳領域のみを含むブレーンイメージを抽出する第３ステップ；
剛体整合部が、複数のデータを共通した空間に整列するための基準として活用するために、特定標本の特性を融合して標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データをアトラス部から受信し、前記ヘッド分割部からブレーンイメージを受信する第４ステップ；
前記剛体整合部が前記テンプレートデータと前記ブレーンイメージと間の剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）およびアフィン整合（Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎ）を遂行して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を獲得する第５ステップ；
前記剛体整合部が前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて前記ブレーンイメージに整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換に整列された第１整列ブレーンイメージを獲得する第６ステップ；
非剛体整合部が、前記テンプレートデータの３次元ボリューム（Ｖｏｌｕｍｅ）と前記第１整列ブレーンイメージの３次元ボリュームを予め学習された非－剛体整合ネットワーク（Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｎｅｔｗｏｒｋ）に入力して、３次元ボクセル（ｖｏｘｅｌ）別の移動ベクターである変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を抽出する第７ステップ；
前記非剛体整合部が前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいて前記第１整列ブレーンイメージにボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を遂行し、前記第６ステップより実際の脳により正確に整合された第２整列ブレーンイメージを獲得する第８ステップ；
神経血管分割部が前記第２整列ブレーンイメージを神経血管解剖学的分割ネットワーク（Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）に通過させて、前記第２整列ブレーンイメージから脳血管地図を抽出する第９ステップ；および
判断部が前記脳血管地図に基づいて前記脳と関連した情報を提供する第１０ステップ；を含み、
前記第２ステップは、
前記ＣＴイメージに対してリサイジング（Ｒｅｓｉｚｉｎｇ）作業、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行する第２－１ステップ；
前記前処理されたＣＴイメージが前記ヘッド分割ネットワークを通過する第２－２ステップ；
前記ヘッド分割ネットワークを通過した前記ＣＴイメージに対してブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業および特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業のうち少なくとも一つである後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行する第２－３ステップ；および
前記後処理されたＣＴイメージを基盤に前記ボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、ブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を
予測する第２－４ステップ；を含む、情報提供方法。
【請求項2】
前記第２－１ステップで、
前記リサイジング（Ｒｅｓｉｚｉｎｇ）作業は、前記ヘッド分割ネットワークが要求するサイズに映像を縮小および／または拡大する作業であり、
前記ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業であり、
前記ノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、前記設定された下限から前記上限までのＨＵ Ｌｅｖｅｌを決定し、決定されたレベル間隔でマッピングする作業であり、
前記第２－３ステップで、
前記ブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業は、前記ブレーンに対する関心ボリューム（Ｖｏｌｕｍｅ ｏｆ Ｉｎｔｅｒｅｓｔ）領域以外の領域を除去した後、サイズを再調整する作業であり、
前記特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業である、請求項１に記載の情報提供方法。
前記リサイジング（Ｒｅｓｉｚｉｎｇ）作業は、前記ヘッド分割ネットワークが要求するサイズに映像を縮小および／または拡大する作業であり、
前記ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業であり、
前記ノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、前記設定された下限から前記上限までのＨＵ Ｌｅｖｅｌを決定し、決定されたレベル間隔でマッピングする作業であり、
前記第２－３ステップで、
前記ブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業は、前記ブレーンに対する関心ボリューム（Ｖｏｌｕｍｅ ｏｆ Ｉｎｔｅｒｅｓｔ）領域以外の領域を除去した後、サイズを再調整する作業であり、
前記特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業である、請求項１に記載の情報提供方法。
【請求項3】
前記アトラス部の標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データは、解剖学的なパターンまたは特性が保存されるように前記特定標本データを中央に整列して予め指定された水準によって整合後、合成して構成することで生成される、請求項１に記載の情報提供方法。
【請求項4】
前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいた整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、
移動（Ｔｒａｎｓｌａｔｉｏｎ）、回転（ｒｏｔａｔｉｏｎ、）およびスケール（ｓｃａｌｅ）変換を含む線形変換を適用して、前記ブレーンイメージが潰れることなく、元の割合が維持されたまま変形されるようにする、請求項１に記載の情報提供方法。
移動（Ｔｒａｎｓｌａｔｉｏｎ）、回転（ｒｏｔａｔｉｏｎ、）およびスケール（ｓｃａｌｅ）変換を含む線形変換を適用して、前記ブレーンイメージが潰れることなく、元の割合が維持されたまま変形されるようにする、請求項１に記載の情報提供方法。
【請求項5】
前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいた非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、
前記ボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用して、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて１次整列されたブレーンイメージに細部的な２次整列を遂行して、前記実際の脳にさらに一致する形態になるように整列を遂行する、請求項４に記載の情報提供方法。
前記ボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用して、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて１次整列されたブレーンイメージに細部的な２次整列を遂行して、前記実際の脳にさらに一致する形態になるように整列を遂行する、請求項４に記載の情報提供方法。
【請求項6】
前記第９ステップで、前記脳血管地図は、動脈の解剖学的構造を区分して抽出され、
前記第１０ステップで、前記情報は、血管構造による適応症を区分するデータを含む、請求項１に記載の情報提供方法。
前記第１０ステップで、前記情報は、血管構造による適応症を区分するデータを含む、請求項１に記載の情報提供方法。
【請求項7】
前記血管構造による適応症は、大血管閉塞（Ｌａｒｇｅ Ｖｅｓｓｅｌ Ｏｃｃｌｕｓｉｏｎ、ＬＶＯ）および動脈流（Ａｎｅｕｒｙｓｍ）を含み、
前記第１０ステップで、前記情報は、前記適応症が探知および／または予測された前記脳血管地図上の位置情報および偽陽性（Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ）と関連した情報を含む、請求項６に記載の情報提供方法。
前記第１０ステップで、前記情報は、前記適応症が探知および／または予測された前記脳血管地図上の位置情報および偽陽性（Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ）と関連した情報を含む、請求項６に記載の情報提供方法。
【請求項8】
ＣＴイメージを受信し、前記ＣＴイメージを頭蓋骨と脳を分離することができるヘッド分割ネットワーク（Ｈｅａｄ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）を通過させて前記頭蓋骨のボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、前記脳のブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および前記脳と関連する血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測し、前記予測されたブレーンマスクと血管マスクを組み合わせて、前記ＣＴイメージから前記脳領域のみを含むブレーンイメージを抽出するヘッド分割部；
複数のデータを共通した空間に整列するための基準として活用するために、特定標本の特性を融合して標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データをアトラス部から受信し、前記ヘッド分割部からブレーンイメージを受信し、前記テンプレートデータと前記ブレーンイメージと間の剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）およびアフィン整合（Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎ）を遂行して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を獲得し、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて前記ブレーンイメージに整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換に整列された第１整列ブレーンイメージを獲得する剛体整合部；
前記テンプレートデータの３次元ボリューム（Ｖｏｌｕｍｅ）と前記第１整列ブレーンイメージの３次元ボリュームを予め学習された非－剛体整合ネットワーク（Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｎｅｔｗｏｒｋ）に入力して、３次元ボクセル（ｖｏｘｅｌ）別の移動ベクターである変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を抽出し、前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいて前記第１整列ブレーンイメージにボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を遂行して、前記剛体整合部の結果物より実際の脳により正確に整合された第２整列ブレーンイメージを獲得する非剛体整合部；
前記第２整列ブレーンイメージを神経血管解剖学的分割ネットワーク（Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）に通過させて、前記第２整列ブレーンイメージから脳血管地図を抽出する神経血管分割部；および
前記脳血管地図に基づいて前記脳と関連した情報を提供する判断部；を含み、
前記ヘッド分割部は、
前記ＣＴイメージに対してリサイジング（Ｒｅｓｉｚｉｎｇ）作業、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行し、
前記前処理されたＣＴイメージが前記ヘッド分割ネットワークを通過するようにし、
前記ヘッド分割ネットワークを通過した前記ＣＴイメージに対してブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業および特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業のうち少なくとも一つである後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行し、
前記後処理されたＣＴイメージを基盤に前記ボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、ブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測する装置。
複数のデータを共通した空間に整列するための基準として活用するために、特定標本の特性を融合して標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データをアトラス部から受信し、前記ヘッド分割部からブレーンイメージを受信し、前記テンプレートデータと前記ブレーンイメージと間の剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）およびアフィン整合（Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎ）を遂行して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を獲得し、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて前記ブレーンイメージに整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換に整列された第１整列ブレーンイメージを獲得する剛体整合部；
前記テンプレートデータの３次元ボリューム（Ｖｏｌｕｍｅ）と前記第１整列ブレーンイメージの３次元ボリュームを予め学習された非－剛体整合ネットワーク（Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｎｅｔｗｏｒｋ）に入力して、３次元ボクセル（ｖｏｘｅｌ）別の移動ベクターである変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を抽出し、前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいて前記第１整列ブレーンイメージにボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を遂行して、前記剛体整合部の結果物より実際の脳により正確に整合された第２整列ブレーンイメージを獲得する非剛体整合部；
前記第２整列ブレーンイメージを神経血管解剖学的分割ネットワーク（Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）に通過させて、前記第２整列ブレーンイメージから脳血管地図を抽出する神経血管分割部；および
前記脳血管地図に基づいて前記脳と関連した情報を提供する判断部；を含み、
前記ヘッド分割部は、
前記ＣＴイメージに対してリサイジング（Ｒｅｓｉｚｉｎｇ）作業、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行し、
前記前処理されたＣＴイメージが前記ヘッド分割ネットワークを通過するようにし、
前記ヘッド分割ネットワークを通過した前記ＣＴイメージに対してブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業および特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業のうち少なくとも一つである後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行し、
前記後処理されたＣＴイメージを基盤に前記ボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、ブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測する装置。
【請求項9】
前記リサイジング（Ｒｅｓｉｚｉｎｇ）作業は、前記ヘッド分割ネットワークが要求するサイズに映像を縮小および／または拡大する作業であり、
前記ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業であり、
前記ノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、前記設定された下限から前記上限までのＨＵ Ｌｅｖｅｌを決定し、決定されたレベル間隔でマッピングする作業であり、
前記ブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業は、前記ブレーンに対する関心ボリューム（Ｖｏｌｕｍｅ ｏｆ Ｉｎｔｅｒｅｓｔ）領域以外の領域を除去した後、サイズを再調整する作業であり、
前記特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業である、請求項８に記載の装置。
前記ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業であり、
前記ノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、前記設定された下限から前記上限までのＨＵ Ｌｅｖｅｌを決定し、決定されたレベル間隔でマッピングする作業であり、
前記ブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業は、前記ブレーンに対する関心ボリューム（Ｖｏｌｕｍｅ ｏｆ Ｉｎｔｅｒｅｓｔ）領域以外の領域を除去した後、サイズを再調整する作業であり、
前記特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業である、請求項８に記載の装置。
【請求項10】
前記アトラス部の標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データは、解剖学的なパターンまたは特性が保存されるように前記特定標本データを中央に整列して予め指定された水準によって整合後、合成して構成することで生成され、
前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいた整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、移動（Ｔｒａｎｓｌａｔｉｏｎ）、回転（ｒｏｔａｔｉｏｎ、）およびスケール（ｓｃａｌｅ）変換を含む線形変換を適用して、前記ブレーンイメージが潰れることなく、元の割合が維持されたまま変形されるようにし、
前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいた非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、前記ボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用して、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて１次整列されたブレーンイメージに細部的な２次整列を遂行して、前記実際の脳にさらに一致する形態になるように整列を遂行する、請求項８に記載の装置。
前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいた整合ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、移動（Ｔｒａｎｓｌａｔｉｏｎ）、回転（ｒｏｔａｔｉｏｎ、）およびスケール（ｓｃａｌｅ）変換を含む線形変換を適用して、前記ブレーンイメージが潰れることなく、元の割合が維持されたまま変形されるようにし、
前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいた非整合ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、前記ボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用して、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて１次整列されたブレーンイメージに細部的な２次整列を遂行して、前記実際の脳にさらに一致する形態になるように整列を遂行する、請求項８に記載の装置。
【請求項11】
前記脳血管地図は、動脈の解剖学的構造を区分して抽出され、
前記情報は、血管構造による適応症を区分するデータを含み、
前記血管構造による適応症は、大血管閉塞（Ｌａｒｇｅ Ｖｅｓｓｅｌ Ｏｃｃｌｕｓｉｏｎ、ＬＶＯ）および動脈流（Ａｎｅｕｒｙｓｍ）を含み、
前記判断部が提供する前記情報は、前記適応症が探知および／または予測された前記脳血管地図上の位置情報および偽陽性（Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ）と関連した情報を含む、請求項８に記載の装置。
前記情報は、血管構造による適応症を区分するデータを含み、
前記血管構造による適応症は、大血管閉塞（Ｌａｒｇｅ Ｖｅｓｓｅｌ Ｏｃｃｌｕｓｉｏｎ、ＬＶＯ）および動脈流（Ａｎｅｕｒｙｓｍ）を含み、
前記判断部が提供する前記情報は、前記適応症が探知および／または予測された前記脳血管地図上の位置情報および偽陽性（Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ）と関連した情報を含む、請求項８に記載の装置。
【手続補正書】
【提出日】2024-04-10
【手続補正1】
【補正対象書類名】明細書
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、未加工ＣＴイメージの幾何学的整列および前処理のための人工知能基盤装置および方法に関する。より詳細には、任意のｒａｗ ＣＴ ｉｍａｇｅが入力されたとき、一貫した方向とサイズに変換できるｐｒｏｃｅｓｓを適用して、患者の頭蓋骨のサイズと形態、撮影方向などによって生じる多様性を最小化できる装置および方法に関する。
【背景技術】
【0002】
コンピュータ断層撮影は、このようなＸ線で人体の一断面周囲を細いＸ線を通じて投射し、このＸ線が人体を通過して減少される量を測定してイメージにしたものである。
【0003】
腎臓のような臓器の密度には、少しずつの差があるため、Ｘ線が投射された方向によって吸収される程度が異に現れることから、この検査を通じて人体臓器をイメージで見ることができる。
【0004】
コンピュータ断層撮影にも種類が多いが、一般的な断層撮影であるシングルスライスＣＴ（ｓｉｎｇｌｅ ｓｌｉｃｅ ＣＴ）、ヘリカルＣＴ（Ｈｅｌｉｃａｌ ＣＴ）、多重スライスＣＴ（Ｍｕｌｔｉ－ｓｌｉｃｅ ＣＴ、ＭＳＣＴ）がある。これは、一回の回転に一つの写真を撮影することができるコンピュータ断層撮影方式がシングルスライスＣＴである。
【0005】
ヘリカルＣＴの場合、人体の周囲でＸ線を螺旋形に旋回させて撮影するものであり、既存のシングルスライスＣＴでは、２層の隙間を撮ることができないが、ヘリカルＣＴでは隙間なしに撮影されるため、より細密な映像を得ることができ、全身写真を早く獲得することができるということが長所である。
【0006】
多重スライスＣＴの場合、速く円錐状でＸ線投影を実施し、一回の回転で６４個の個別イメージを撮影することができる。
【0007】
電子ビーム断層撮影（Ｅｌｅｃｔｒｏｎ ｂｅａｍ ｔｏｍｏｇｒａｐｈｙ、ＥＢＴ）は、Ｘ線チューブの負極と正極との間を移動する電子の経路に偏向コイルを使用して回転するように十分なサイズのＸ線チューブを構成するＣＴの特定の形態である。
【0008】
コンピュータ断層撮影は、Ｘ線チューブと探知機が互いに連結されているとともに、一緒に左右に移動し、角度を動かして回るようになり、Ｘ線は直線で放出され、空中へ放出されたレーダー用電磁波を通じて放出されたＸ線を円錐形に集めるようになる。
【0009】
このように獲得したデータを一連の断面映像を生成する断層再構成方式を利用してデータを処理し、この映像のピクセル（マトリックスのサイズと視野を基準にした２次元単位）は、相対的光度単位で表示される。
【0010】
一般的に、ディープラーニングモデルで安定した性能を導き出すためには、学習データ分布とテストデータ分布との間の乖離を最小化することを目標とする。
【0011】
このために、学習ステップではｔｒａｉｎデータの多様性を増強して学習し、ｔｅｓｔ
ステップでは標準化および一般化したデータを推論するようになる。
ＣＴ Ｉｍａｇｅは、撮影者、メーカー、状況、担当部署によって撮影されたＰｒｏｔｏｃｏｌが大きく変わる。
ステップでは標準化および一般化したデータを推論するようになる。
ＣＴ Ｉｍａｇｅは、撮影者、メーカー、状況、担当部署によって撮影されたＰｒｏｔｏｃｏｌが大きく変わる。
【0012】
同じ患者であってもＰｒｏｔｏｃｏｌが異なる場合、撮影された３次元映像の幾何学的パターンが変わるので、２Ｄ Ａｘｉａｌ、Ｃｏｒｏｎａｌ、Ｓａｇｉｔｔａｌ断面で見られる映像が異なって見えることがある。
【0013】
毎度、異なるＰｒｏｔｏｃｏｌで撮影された映像は、人／ディープラーニングモデルから診断正確度を低減する要因となり得る。
【0014】
すなわち、医療データのうちＣＴ Ａｎｇｉｏｇｒａｐｈｙを撮影する一連の過程は、各病院のｖｅｎｄｏｒと撮影者の習慣によって撮影角度、撮影領域、ｐａｔｉｅｎｔ ｏｒｉｅｎｔａｔｉｏｎ、ｓｌｉｃｅ ｔｈｉｃｋｎｅｓｓ、ｓｌｉｃｅ ｉｎｔｅｒｖａｌなどのｐｒｏｔｏｃｏｌは状況によって異なるため、データは幾何学的に多様なｖａｒｉａｎｃｅを有する問題点がある。
【0015】
代表的な例を挙げると、ＨＵ（Ｈｏｕｎｓｆｉｅｌｄ Ｕｎｉｔ）値が一定でないことがある。
【0016】
ピクセルの値は、小さくは－１０２４、大きくは３０７１の値を有するようになり、これをＣＴ数字と言い、ＣＴ数字は物質の線吸収係数、拡大定数、水の線吸収係数で構成された一つの式であり、この数字は固定された値であって、骨は１０００以上の値を有し、水は０、空気は－１０００の値を有するなど、物質によってどの値のＣＴ数字を有するのかが表で整理されている。この数字は、ＣＴを商用化したハウンズフィールドの名を取って、ＨＵ（Ｈｏｕｎｓｆｉｅｌｄ Ｕｎｉｔ）という単位を使用する。
【0017】
ＣＴ数字は、物質の線吸収係数から水の線吸収係数を引いた後、拡大定数を掛けて水の線吸収係数を除して計算することができる。Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）は、ＣＴ映像を表現する標準化した形態の値であって、標準温度と圧力で水は０ＨＵ、空気は－１０００ＨＵと正義された値である。
【0018】
しかし、実際臨床で撮影された映像を比較すると、撮影装備、モデル、気温、圧力、機関別に設定された撮影プロトコル（注射エネルギーおよび放射量など）などの多様な要素によって検体のＨＵ値が一定でないという問題点が存在する。
【0019】
また、放射線被爆（Ｒａｄｉａｔｉｏｎ Ｅｘｐｏｓｕｒｅ）などを考慮してＬｏｗ－ｄｏｓｅ ＣＴ ｉｍａｇｅを患者に適用する場合、撮影プロトコルで設定した放射線注射量が低くなり、これにより、ＣＴ映像にノイズが多く合成される問題点などが存在する。
【0020】
したがって、任意のＲＡＷ ＣＴ ｉｍａｇｅが入力されたとき、一貫した方向とサイズに変換できるｐｒｏｃｅｓｓを適用することで、患者の頭蓋骨のサイズと形態、撮影方向などによって生じる多様性を最小化できる装置および方法に技術開発の要求が台頭している。
【先行技術文献】
【特許文献】
【0021】
【特許文献1】韓国特許登録番号１０－１９９２０５７号（２０１９年６月２４日公告）
【特許文献2】韓国特許登録番号１０－１７５４２９１号（２０１７年７月６日公告）
【発明の概要】
【発明が解決しようとする課題】
【0022】
本発明の目的は、未加工ＣＴイメージの幾何学的整列および前処理のための人工知能基盤装置および方法を使用者に提供することである。
【0023】
具体的に、本発明は、任意のｒａｗ ＣＴ ｉｍａｇｅが入力されたとき、一貫した方向とサイズに変換できるｐｒｏｃｅｓｓを適用して、患者の頭蓋骨のサイズと形態、撮影方向などによって生じる多様性を最小化できる人工知能基盤装置および方法を使用者に提供しようとする。
【0024】
一方、本発明において成そうとする技術的課題は、以上において言及した技術的課題に制限されず、言及していないまた他の技術的課題は、下記の記載から本発明の属する技術分野における通常の知識を有する者に明確に理解され得るだろう。
【課題を解決するための手段】
【0025】
前記の技術的課題を達成するための本発明の一態様である情報提供方法は、ヘッド分割部がＣＴイメージを受信する第１ステップ；前記ヘッド分割部が前記ＣＴイメージを頭蓋骨と脳を分離することができるヘッド分割ネットワーク（Ｈｅａｄ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）を通過させて前記頭蓋骨のボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、前記脳のブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および前記脳と関連する血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測する第２ステップ；前記ヘッド分割部が前記予測されたブレーンマスクと血管マスクを組み合わせて、前記ＣＴイメージから前記脳領域のみを含むブレーンイメージを抽出する第３ステップ；剛体整合部が、複数のデータを共通した空間に整列するための基準として活用するために、特定標本の特性を融合して標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データをアトラス部から受信し、前記ヘッド分割部からブレーンイメージを受信する第４ステップ；前記剛体整合部が前記テンプレートデータと前記ブレーンイメージと間の剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）およびアフィン整合（Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎ）を遂行して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を獲得する第５ステップ；前記剛体整合部が前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて前記ブレーンイメージに剛体ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換によって整列された第１整列ブレーンイメージを獲得する第６ステップ；非剛体整合部が、前記テンプレートデータの３次元ボリューム（Ｖｏｌｕｍｅ）と前記第１整列ブレーンイメージの３次元ボリュームを予め学習された非剛体整合ネットワーク（Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｎｅｔｗｏｒｋ）に入力して、３次元ボクセル（ｖｏｘｅｌ）別の移動ベクターである変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を抽出する第７ステップ；前記非剛体整合部が前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいて前記第１整列ブレーンイメージにボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非剛体ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を遂行し、前記第６ステップより実際の脳により正確に整合された第２整列ブレーンイメージを獲得する第８ステップ；神経血管分割部が前記第２整列ブレーンイメージを神経血管解剖学的分割ネットワーク（Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）に通過させて、前記第２整列ブレーンイメージから脳血管地図を抽出する第９ステップ；および判断部が前記脳血管地図に基づいて前記脳と関連した情報を提供する第１０ステップ；を含むことができる。
【0026】
また、前記第２ステップは、前記ＣＴイメージに対してリサイジング（Ｒｅｓｉｚｉｎｇ）作業、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行する第２－１ステップ；前記前処理されたＣＴイメージが前記ヘッド分割ネットワークを通過する第２－２ステップ；前記ヘッド分割ネットワークを通過した前記ＣＴイメージに対してブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業および特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業のうち少なくとも一つである後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行する第２－３ステップ；および前記後処理されたＣＴイメージを基盤に前記ボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、ブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測する第２－４ステップ；を含むことができる。
【0027】
また、前記第２－１ステップで、前記リサイジング（Ｒｅｓｉｚｉｎｇ）作業は、前記ヘッド分割ネットワークが要求するサイズに映像を縮小および／または拡大する作業であり、前記ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業であり、ノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、前記設定された下限から前記上限までのＨＵ Ｌｅｖｅｌを決定し、決定されたレベル間隔でＨＵ Ｌｅｖｅｌを［０、１］間隔でマッピング（ｍａｐｐｉｎｇ）する作業であり、前記第２－３ステップで、前記ブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業は、前記ブレーンに対する関心ボリューム（Ｖｏｌｕｍｅ ｏｆ Ｉｎｔｅｒｅｓｔ）領域以外の領域を除去した後、サイズを再調整する作業であり、前記特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業であってよい。
【0028】
また、前記アトラス部の標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データは、解剖学的なパターンまたは特性が保存されるように前記特定標本データを中央に整列して予め指定された水準によって非剛体整合後、合成して構成することで生成されることができる。
【0029】
また、剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）を通じて得た変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいた剛体ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、移動（Ｔｒａｎｓｌａｔｉｏｎ）、回転（ｒｏｔａｔｉｏｎ、）およびスケール（ｓｃａｌｅ）変換を含む線形変換を適用して、前記ブレーンイメージが潰れることなく、元の割合が維持されたまま変形されるようにすることができる。
【0030】
また、前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいた非剛体ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、前記ボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用して、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて１次整列されたブレーンイメージに細部的な２次整列を遂行して、前記実際の脳にさらに一致する形態になるように整列を遂行することができる。
また、前記第６ステップで、前記ボーンマスク、ブレーンマスクおよび血管マスクに前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて前記剛体ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換によって整列された第１整列ボーンマスク、ブレーンマスクおよび血管マスクが獲得され、前記第８ステップで、前記第１整列ボーンマスク、ブレーンマスクおよび血管マスクに前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいてボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非剛体ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して、第２整列ボーンマスク、ブレーンマスクおよび血管マスクが獲得
され、前記第１０ステップで、前記判断部は、前記脳血管地図に基づいて第２整列ボーンマスク、ブレーンマスクおよび血管マスクのうち少なくとも一つをさらに利用して前記情報を提供することができる。
また、前記第６ステップで、前記ボーンマスク、ブレーンマスクおよび血管マスクに前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて前記剛体ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換によって整列された第１整列ボーンマスク、ブレーンマスクおよび血管マスクが獲得され、前記第８ステップで、前記第１整列ボーンマスク、ブレーンマスクおよび血管マスクに前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいてボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非剛体ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して、第２整列ボーンマスク、ブレーンマスクおよび血管マスクが獲得
され、前記第１０ステップで、前記判断部は、前記脳血管地図に基づいて第２整列ボーンマスク、ブレーンマスクおよび血管マスクのうち少なくとも一つをさらに利用して前記情報を提供することができる。
【0031】
また、前記第１０ステップの以後、前記第２整列ブレーンイメージ、第２整列ボーンマスク、ブレーンマスクおよび血管マスクは、前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を逆変換適用して、未加工ＣＴイメージ原本の空間に前記第１整列ブレーンイメージ、第１整列ボーンマスク、ブレーンマスクおよび血管マスクに復元／逆変換することが可能であり、前記第１整列ブレーンイメージ、第１整列ボーンマスク、ブレーンマスクおよび血管マスクは、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を逆変換適用して、未加工ＣＴイメージ原本の空間に前記ブレーンイメージ、前記ボーンマスク、ブレーンマスクおよび血管マスクを復元／逆変換するのが可能であり得る。
【0032】
また、前記第９ステップは、前記第２整列ブレーンイメージに対して、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業、ノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業およびパッチサンプリング（Ｐａｔｃｈ Ｓａｍｐｌｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行する第９－１ステップ；前記前処理された第２整列ブレーンイメージが前記神経血管解剖学的分割ネットワークを通過する第９－２ステップ；前記神経血管解剖学的分割ネットワークを通過した前記第２整列ブレーンイメージに対して特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）を除去する後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行する第９－３ステップ；および前記後処理された第２整列ブレーンイメージを基盤に前記脳血管地図を抽出する第９－４ステップ；を含むことができる。
【0033】
また、前記第９－１ステップで、前記ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業であり、前記およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、前記設定された下限から前記上限までのＨＵ Ｌｅｖｅｌを決定し、決定されたレベル間隔でＨＵ Ｌｅｖｅｌを［０、１］間隔でマッピング（ｍａｐｐｉｎｇ）する作業であり、前記パッチサンプリング（Ｐａｔｃｈ Ｓａｍｐｌｉｎｇ）作業は、ＧＰＵメモリ（Ｍｅｍｏｒｙ）活用のために、前記３次元ボリューム（Ｖｏｌｕｍｅ）のサブボリューム（ｓｕｂ－ｖｏｌｕｍｅ）をパッチ（ｐａｔｃｈ）で構成してインプットデータ（ｉｎｐｕｔ ｄａｔａ）を生成する作業であり、前記第９－３ステップで、前記特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業であってよい。
【0034】
また、前記第９ステップで、前記脳血管地図は、動脈の解剖学的構造を区分して抽出され、前記第１０ステップで、前記情報は、血管構造による適応症を区分するデータを含むことができる。
【0035】
また、前記血管構造による適応症は、大血管閉塞（Ｌａｒｇｅ Ｖｅｓｓｅｌ Ｏｃｃｌｕｓｉｏｎ、ＬＶＯ）および動脈流（Ａｎｅｕｒｙｓｍ）を含み、前記第１０ステップで、前記情報は、前記適応症が探知および／または予測された前記脳血管地図上の位置情報および偽陽性（Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ）と関連した情報を含むことができる。
【0036】
一方、前記の技術的課題を達成するための本発明の他の一態様である装置は、ＣＴイメージを受信し、前記ＣＴイメージを頭蓋骨と脳を分離することができるヘッド分割ネットワーク（Ｈｅａｄ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）を通過させて前記頭蓋骨のボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、前記脳のブレーンマスク（Ｂｒａｉｎ Ｍａ
ｓｋ）および前記脳と関連する血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測し、前記予測されたブレーンマスクと血管マスクを組み合わせて、前記ＣＴイメージから前記脳領域のみを含むブレーンイメージを抽出するヘッド分割部；複数のデータを共通した空間に整列するための基準として活用するために、特定標本の特性を融合して標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データをアトラス部から受信し、前記ヘッド分割部からブレーンイメージを受信し、前記テンプレートデータと前記ブレーンイメージと間の剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）およびアフィン整合（Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎ）を遂行して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を獲得し、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて前記ブレーンイメージに剛体ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換によって整列された第１整列ブレーンイメージを獲得する剛体整合部；前記テンプレートデータの３次元ボリューム（Ｖｏｌｕｍｅ）と前記第１整列ブレーンイメージの３次元ボリュームを予め学習された非－剛体整合ネットワーク（Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｎｅｔｗｏｒｋ）に入力して、３次元ボクセル（ｖｏｘｅｌ）別の移動ベクターである変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を抽出し、前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいて前記第１整列ブレーンイメージにボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非剛体ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を遂行して、前記剛体整合部の結果物より実際の脳により正確に整合された第２整列ブレーンイメージを獲得する非剛体整合部；前記第２整列ブレーンイメージを神経血管解剖学的分割ネットワーク（Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）に通過させて、前記第２整列ブレーンイメージから脳血管地図を抽出する神経血管分割部；および前記脳血管地図に基づいて前記脳と関連した情報を提供する判断部；を含むことができる。
ｓｋ）および前記脳と関連する血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測し、前記予測されたブレーンマスクと血管マスクを組み合わせて、前記ＣＴイメージから前記脳領域のみを含むブレーンイメージを抽出するヘッド分割部；複数のデータを共通した空間に整列するための基準として活用するために、特定標本の特性を融合して標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データをアトラス部から受信し、前記ヘッド分割部からブレーンイメージを受信し、前記テンプレートデータと前記ブレーンイメージと間の剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）およびアフィン整合（Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎ）を遂行して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を獲得し、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて前記ブレーンイメージに剛体ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換によって整列された第１整列ブレーンイメージを獲得する剛体整合部；前記テンプレートデータの３次元ボリューム（Ｖｏｌｕｍｅ）と前記第１整列ブレーンイメージの３次元ボリュームを予め学習された非－剛体整合ネットワーク（Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｎｅｔｗｏｒｋ）に入力して、３次元ボクセル（ｖｏｘｅｌ）別の移動ベクターである変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を抽出し、前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいて前記第１整列ブレーンイメージにボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非剛体ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を遂行して、前記剛体整合部の結果物より実際の脳により正確に整合された第２整列ブレーンイメージを獲得する非剛体整合部；前記第２整列ブレーンイメージを神経血管解剖学的分割ネットワーク（Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）に通過させて、前記第２整列ブレーンイメージから脳血管地図を抽出する神経血管分割部；および前記脳血管地図に基づいて前記脳と関連した情報を提供する判断部；を含むことができる。
【0037】
また、前記ヘッド分割部は、前記ＣＴイメージに対してリサイジング（Ｒｅｓｉｚｉｎｇ）作業、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行し、前記前処理されたＣＴイメージが前記ヘッド分割ネットワークを通過するようにし、前記ヘッド分割ネットワークを通過した前記ＣＴイメージに対してブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業および特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業のうち少なくとも一つである後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行し、前記後処理されたＣＴイメージを基盤に前記ボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、ブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測し、前記リサイジング（Ｒｅｓｉｚｉｎｇ）作業は、前記ヘッド分割ネットワークが要求するサイズに映像を縮小および／または拡大する作業であり、前記ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業であり、前記およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、前記設定された下限から前記上限までのＨＵ Ｌｅｖｅｌを決定し、ＨＵ Ｌｅｖｅｌを決定された［０、１］間隔でマッピング（ｍａｐｐｉｎｇ）する作業であり、前記ブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ
Ｃｒｏｐ）作業は、前記ブレーンに対する関心ボリューム（Ｖｏｌｕｍｅ ｏｆ Ｉｎｔｅｒｅｓｔ）領域以外の領域を除去した後、サイズを再調整する作業であり、前記特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業であってよい。
Ｃｒｏｐ）作業は、前記ブレーンに対する関心ボリューム（Ｖｏｌｕｍｅ ｏｆ Ｉｎｔｅｒｅｓｔ）領域以外の領域を除去した後、サイズを再調整する作業であり、前記特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業であってよい。
【0038】
また、前記アトラス部の標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データは、解剖学的なパターンまたは特性が保存されるように前記特定標本データを中央に整列して予め指定された水準によって非剛体整合後、合成して構成することで生成され、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいた剛体ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、移動（Ｔｒａｎｓｌａｔｉｏｎ）、回転（ｒｏｔａｔｉｏｎ、）およびスケール（ｓｃａｌｅ）変換を含む線形変換を適用して、前記ブレーンイメージが潰れることなく、元の割合が維持されたまま変形されるようにし、前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいた非剛体ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、前記ボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用して、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて１次整列されたブレーンイメージに細部的な２次整列を遂行して、前記実際の脳にさらに一致する形態になるように整列を遂行することができる。
【0039】
また、前記ボーンマスク、ブレーンマスクおよび血管マスクも前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて前記剛体ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換によって整列された第１整列ボーンマスク、ブレーンマスクおよび血管マスクが獲得され、前記第１整列ボーンマスク、ブレーンマスクおよび血管マスクも前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいてボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非剛体ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して、第２整列ボーンマスク、ブレーンマスクおよび血管マスクが獲得され、前記判断部は、前記脳血管地図に基づいて第２整列ボーンマスク、ブレーンマスクおよび血管マスクのうち少なくとも一つをさらに利用して前記情報を提供し、前記第２整列ブレーンイメージ、第２整列ボーンマスク、ブレーンマスクおよび血管マスクは、前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ
Ｆｉｅｌｄ）を逆変換適用して、前記第１整列ブレーンイメージ、第１整列ボーンマスク、ブレーンマスクおよび血管マスクを抽出することが可能であり、前記第１整列ブレーンイメージ、第１整列ボーンマスク、ブレーンマスクおよび血管マスクは、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を逆変換適用して、未加工ＣＴイメージ原本の空間に前記ブレーンイメージ、前記ボーンマスク、ブレーンマスクおよび血管マスクを抽出することができる。
Ｆｉｅｌｄ）を逆変換適用して、前記第１整列ブレーンイメージ、第１整列ボーンマスク、ブレーンマスクおよび血管マスクを抽出することが可能であり、前記第１整列ブレーンイメージ、第１整列ボーンマスク、ブレーンマスクおよび血管マスクは、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を逆変換適用して、未加工ＣＴイメージ原本の空間に前記ブレーンイメージ、前記ボーンマスク、ブレーンマスクおよび血管マスクを抽出することができる。
【0040】
また、前記神経血管分割部は、前記第２整列ブレーンイメージに対して、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業、ノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業およびパッチサンプリング（Ｐａｔｃｈ Ｓａｍｐｌｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行し、前記前処理された第２整列ブレーンイメージが前記神経血管解剖学的分割ネットワークを通過させ、前記神経血管解剖学的分割ネットワークを通過した前記第２整列ブレーンイメージに対して特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）を除去する後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行し、前記後処理された第２整列ブレーンイメージを基盤に前記脳血管地図を抽出し、前記ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業であり、前記およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、前記設定された下限から前記上限までのＨＵ
Ｌｅｖｅｌを決定し、ＨＵ Ｌｅｖｅｌを決定された［０、１］間隔でマッピング（ｍａｐｐｉｎｇ）する作業であり、前記パッチサンプリング（Ｐａｔｃｈ Ｓａｍｐｌｉｎｇ）作業は、ＧＰＵメモリ（Ｍｅｍｏｒｙ）活用のために、前記３次元ボリューム（Ｖｏｌｕｍｅ）のサブボリューム（ｓｕｂ－ｖｏｌｕｍｅ）をパッチ（ｐａｔｃｈ）で構成してインプットデータ（ｉｎｐｕｔ ｄａｔａ）を生成する作業であり、前記特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業であってよい。
Ｌｅｖｅｌを決定し、ＨＵ Ｌｅｖｅｌを決定された［０、１］間隔でマッピング（ｍａｐｐｉｎｇ）する作業であり、前記パッチサンプリング（Ｐａｔｃｈ Ｓａｍｐｌｉｎｇ）作業は、ＧＰＵメモリ（Ｍｅｍｏｒｙ）活用のために、前記３次元ボリューム（Ｖｏｌｕｍｅ）のサブボリューム（ｓｕｂ－ｖｏｌｕｍｅ）をパッチ（ｐａｔｃｈ）で構成してインプットデータ（ｉｎｐｕｔ ｄａｔａ）を生成する作業であり、前記特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業であってよい。
【0041】
もちろん全ての作業は、ＧＰＵ／ＣＰＵで全て作業が可能であり、ＧＰＵを活用すれば、ＣＰＵより通常１０～１００倍速い速度を得ることができる。
ただし、３Ｄ Ｖｏｌｕｍｅを全てＧＰＵメモリに割り当てることは難しいため、本発明
においては、ｓｕｂ－ｖｏｌｕｍｅに分けてｉｎｐｕｔ ｄａｔａを生成することである。一方、装着されたＧＰＵ性能によって全体ｖｏｌｕｍｅを使用してもよい。
ただし、３Ｄ Ｖｏｌｕｍｅを全てＧＰＵメモリに割り当てることは難しいため、本発明
においては、ｓｕｂ－ｖｏｌｕｍｅに分けてｉｎｐｕｔ ｄａｔａを生成することである。一方、装着されたＧＰＵ性能によって全体ｖｏｌｕｍｅを使用してもよい。
【0042】
また、前記脳血管地図は、動脈の解剖学的構造を区分して抽出され、前記情報は、血管構造による適応症を区分するデータを含み、前記血管構造による適応症は、大血管閉塞（Ｌａｒｇｅ Ｖｅｓｓｅｌ Ｏｃｃｌｕｓｉｏｎ、ＬＶＯ）および動脈流（Ａｎｅｕｒｙｓｍ）を含み、前記判断部が提供する前記情報は、前記適応症が探知および／または予測された前記脳血管地図上の位置情報および偽陽性（Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ）と関連した情報を含むことができる。
【発明の効果】
【0043】
本発明によれば、未加工ＣＴイメージの幾何学的整列および前処理のための人工知能基盤装置および方法を使用者に提供することができる。
【0044】
本発明は、任意のｒａｗ ＣＴ ｉｍａｇｅが入力されたとき、一貫した方向とサイズに変換できるｐｒｏｃｅｓｓを適用して、患者の頭蓋骨のサイズと形態、撮影方向などによって生じる多様性を最小化できる人工知能基盤装置および方法を使用者に提供することができる。
【0045】
本発明は、医療データのうちＣＴ Ａｎｇｉｏｇｒａｐｈｙを撮影する一連の過程は、各病院のｖｅｎｄｏｒと撮影者の習慣によって撮影角度、撮影領域、ｐａｔｉｅｎｔ ｏｒｉｅｎｔａｔｉｏｎ、ｓｌｉｃｅ ｔｈｉｃｋｎｅｓｓ、ｓｌｉｃｅ ｉｎｔｅｒｖａｌなどのｐｒｏｔｏｃｏｌは状況によって異なるため、データは幾何学的に多様なｖａｒｉａｎｃｅを有する問題点を解消することができる。
【0046】
一般的に、各データのＡｘｉａｌ軸のスライスを確認してみる場合、各スライスで現れる解剖学的なパターンと様相が毎度異なって現れ、医療データを分析する過程で多様な撮影ｐｒｏｔｏｃｏｌによって現れるデータｖａｒｉａｎｃｅは、正確度を落とす主要な原因になるが、本発明が提案する幾何学的整列（Ｒｅｇｉｓｔｒａｔｉｏｎ）過程は、このようなデータｖａｒｉａｎｃｅを最小化できる。
【0047】
また、本発明が提案する方式は、Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を全て提供し、原本ＣＴＡへの逆変換過程もまた有効である。
【0048】
本発明によれば、各特性によって局所的な誤差に敏感な場合、線形変換のみ適用して中央整列されたＲｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用することができ、患者間の関心領域を空間的に一致させるか、モニタリングが必要な場合、Ｎｏｎ－ｒｉｇｉｄ
Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用することができる。
Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用することができる。
【0049】
また、各Ｒｉｇｉｄ／Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ上で分析された結果は、原本ＣＴＡの空間に逆変換して原本ＣＴＡ映像でセグメントまたは分析結果を視覚化することができる。
【0050】
また、本発明においては、原本ＣＴ映像で脳の特定区画（Ｍ１～Ｍ６）を活用して区分する場合、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを遂行した後、該当空間の標準区画（Ｍ１～Ｍ６）Ｍａｓｋを適用して抽出して分析することができる。同様に、原本ＣＴ空間に逆変換して原本ＣＴ映像に表記することができる。
【0051】
また、本発明においては、Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ、Ｂｒａｉｎ
Ａｎａｔｏｍｙなど各血管と脳領域の解剖学的な情報が必要な場合、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを通じて整合した後、特定領域を区別することができる。同様に原本ＣＴ空間に逆変換して原本ＣＴ映像でも表記することができる。
Ａｎａｔｏｍｙなど各血管と脳領域の解剖学的な情報が必要な場合、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを通じて整合した後、特定領域を区別することができる。同様に原本ＣＴ空間に逆変換して原本ＣＴ映像でも表記することができる。
【0052】
また、本発明においては、Ａｎｅｕｒｙｓｍ、Ｔｕｍｏｒなど、ｍｏｎｉｔｏｒｉｎｇが必要な場合、同一患者の互いに異なる時間帯に撮影した映像をＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを遂行して一致させて病弁の進行状況を見せることができる。
【0053】
一方、本発明において得られる効果は、以上において言及した効果に制限されず、言及していないまた他の効果は、下記の記載から本発明の属する技術の分野における通常の知識を有する者に明確に理解され得るだろう。
【図面の簡単な説明】
【0054】
【図1】本発明と関連して、未加工ＣＴイメージが入力されたとき、一貫した方向とサイズに変換可能な装置のブロック構成度の一例を図示したものである。
【図5a】Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの適用を説明するための図面である。
【図5b】Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの適用を説明するための図面である。
【図6a】Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを一緒に適用して縁、血管、解剖学的構造などをさらに安定して一致させることができる結果を説明する図面である。
【図6b】Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを一緒に適用して縁、血管、解剖学的構造などをさらに安定して一致させることができる結果を説明する図面である。
【図7】本発明に適用されるアトラス部の標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データの生成過程を説明する図面である。
【図10】本発明と関連して、未加工ＣＴイメージが入力されたとき、一貫した方向とサイズに変換可能な方法を順序図で示したものである。
【図14】Ｒｉｇｉｄ／Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ上で分析された結果は、原本ＣＴＡの空間に逆変換して原本ＣＴＡ映像でセグメントまたは分析結果を使用する一例を表示したものである。
【発明を実施するための形態】
【0055】
以下、図面を参照して、本発明の好ましい一実施例について説明する。また、以下に説明する実施例は、特許請求の範囲に記載された本発明の内容を不当に限定せず、本実施形態で説明される構成全体が本発明の解決手段として必須とはいえない。
【0056】
以下、本発明の好ましい実施例に係る人工知能基盤前処理装置および方法を添付の図面を参照して詳細に説明する。
【0057】
従来技術の問題点
ディープラーニングモデルで安定した性能を導き出すためには、学習データ分布とテストデータ分布との間の乖離を最小化しなければならないが、このために、学習ステップではｔｒａｉｎデータの多様性を増強して学習し、ｔｅｓｔステップでは標準化および一般化したデータを推論するようになる。
ディープラーニングモデルで安定した性能を導き出すためには、学習データ分布とテストデータ分布との間の乖離を最小化しなければならないが、このために、学習ステップではｔｒａｉｎデータの多様性を増強して学習し、ｔｅｓｔステップでは標準化および一般化したデータを推論するようになる。
【0058】
ＣＴ Ｉｍａｇｅは、撮影者、メーカー、状況、担当部署によって撮影されたＰｒｏｔｏｃｏｌが大きく変わるが、同じ患者であるにもかかわらず、Ｐｒｏｔｏｃｏｌが異なる場合、撮影された３次元映像の幾何学的パターンが変わるので、２Ｄ Ａｘｉａｌ、Ｃｏｒｏｎａｌ、Ｓａｇｉｔｔａｌ断面で見える映像が異に見られることがある。
【0059】
毎度、異なるＰｒｏｔｏｃｏｌで撮影された映像は、人／ディープラーニングモデルから診断正確度を低減する要因となり得る。
【0060】
医療データのうちＣＴ Ａｎｇｉｏｇｒａｐｈｙを撮影する一連の過程は、各病院のｖｅｎｄｏｒと撮影者の習慣によって撮影角度、撮影領域、ｐａｔｉｅｎｔ ｏｒｉｅｎｔａｔｉｏｎ、ｓｌｉｃｅ ｔｈｉｃｋｎｅｓｓ、ｓｌｉｃｅ ｉｎｔｅｒｖａｌなどのｐｒｏｔｏｃｏｌは状況によって異なるので、データは幾何学的に多様なｖａｒｉａｎｃｅを有する。
【0061】
一般的に、各データのＡｘｉａｌ軸のスライスを確認する場合、各スライスで現れる解剖学的なパターンと様相が毎度異に現れる。
【0062】
医療データを分析する過程で多様な撮影ｐｒｏｔｏｃｏｌによって現れるデータｖａｒｉａｎｃｅは、正確度を落とす主要な原因となり得る。
【0063】
したがって、本明細書においては、前記問題を解消することができるように、未加工ＣＴイメージが入力されたとき、一貫した方向とサイズに変換可能な人工知能基盤装置および方法を使用者に提供しようとする。
【0064】
具体的に、本発明は、任意のｒａｗ ＣＴ ｉｍａｇｅが入力されたとき、一貫した方向とサイズに変換できるｐｒｏｃｅｓｓを適用して、患者の頭蓋骨のサイズと形態、撮影方向などによって生じる多様性を最小化できる人工知能基盤装置および方法を使用者に提供しようとする。
【0065】
人工知能装置
図１は、本発明と関連して、未加工ＣＴイメージが入力されたとき、一貫した方向とサイズに変換可能な装置のブロック構成度の一例を図示したものである。
図１は、本発明と関連して、未加工ＣＴイメージが入力されたとき、一貫した方向とサイズに変換可能な装置のブロック構成度の一例を図示したものである。
【0066】
図１を参照すると、本発明が提案する人工知能装置１は、ヘッド分割部１０、剛体整合部２０、非剛体整合部３０、アトラス部４０、３次元神経血管分割部５０、判断部６０などを含むことができる。
【0067】
ヘッド分割部１０は、ＣＴイメージを受信し、ＣＴイメージを頭蓋骨と脳を分離することができるヘッド分割ネットワーク（Ｈｅａｄ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）を通過させて頭蓋骨のボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、脳のブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および脳と関連する血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測することができる。
【0068】
また、ヘッド分割部１０は、予測されたブレーンマスクと血管マスクを組み合わせて、ＣＴイメージから脳領域のみを含むブレーンイメージを抽出することができる。
【0069】
次に、アトラス部４０は、複数のデータを共通した空間に整列するための基準として活用するために、特定標本の特性を融合して標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データを生成して剛体整合部２０に伝達する。
【0070】
ここで、アトラス部４０の標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データは、解剖学的なパターンまたは特性が保存されるように、前記特定標本データを中央に整列して予め指定された水準によって非剛体整合後、合成して構成することで生成される。
【0071】
また、剛体整合部２０は、標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データをアトラス部４０から受信し、ヘッド分割部１０からブレーンイメージを受信する。
【0072】
以後、剛体整合部２０は、テンプレートデータとブレーンイメージと間の剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）およびアフィン整合（Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎ）を遂行して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を獲得する。
【0073】
また、剛体整合部２０は、変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいてブレーンイメージに剛体ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換によって整列された第１整列ブレーンイメージを獲得するようになる。
【0074】
変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいた剛体ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、移動（Ｔｒａｎｓｌａｔｉｏｎ）、回転（ｒｏｔａｔｉｏｎ、）およびスケール（ｓｃａｌｅ）変換を含む線形変換を適用して、前記ブレーンイメージが潰れることなく、元の割合が維持されたまま変形されるようにする。
【0075】
一方、非剛体整合部３０は、テンプレートデータの３次元ボリューム（Ｖｏｌｕｍｅ）と第１整列ブレーンイメージの３次元ボリュームを予め学習された非－剛体整合ネットワーク（Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｎｅｔｗｏｒｋ）に入力して、３次元ボクセル（ｖｏｘｅｌ）別の移動ベクターである変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を抽出することができる。
【0076】
また、非剛体整合部３０は、変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいて第１整列ブレーンイメージにボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非剛体ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を遂行して、剛体整合部の結果物より実際の脳により正確に整合された第２整列ブレーンイメージを獲得することができる。
【0077】
変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいた非剛体ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、前記ボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用して、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて１次整列されたブレーンイメージに細部的な２次整列を遂行して、前記実際の脳にさらに一致する形態になるように整列を遂行するようになる。
【0078】
以後、３次元神経血管分割部５０は、第２整列ブレーンイメージを神経血管解剖学的分割ネットワーク（Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）に通過させて第２整列ブレーンイメージから脳血管地図を抽出することができる。
【0079】
また、判断部６０は、脳血管地図に基づいて脳と関連した情報を提供することができる。
【0080】
ここで、脳血管地図は、動脈の解剖学的構造を区分して抽出されることができる。
【0081】
また、脳と関連した情報は、血管構造による適応症を区分するデータを含むことができる。
【0082】
代表的に、血管構造による適応症は、大血管閉塞（Ｌａｒｇｅ Ｖｅｓｓｅｌ Ｏｃｃｌｕｓｉｏｎ、ＬＶＯ）および動脈流（Ａｎｅｕｒｙｓｍ）などを含む。
【0083】
また、判断部６０が提供する情報は、適応症が探知および／または予測された脳血管地図上の位置情報および偽陽性（Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ）と関連した情報を含むこともできる。
【0084】
以下においては、ヘッド分割部１０、剛体整合部２０、非剛体整合部３０、アトラス部４０、３次元神経血管分割部５０に対して図面を参照してより具体的に説明する。
【0085】
【0086】
図２を参照すると、ヘッド分割部１０は、イメージ受信部１１、ヘッド前処理部１２、事前学習されたヘッド分割ネットワーク部１３、ヘッド後処理部１４および予測結果算出部１５を含むことができる。
【0087】
本発明が分析しようとする関心領域は、脳（Ｂｒａｉｎ）であり、ｓｋｕｌｌの厚さと形態は人によって異なるので、ヘッド分割部１０を通じて、頭蓋骨と脳領域を分離することができるディープラーニング基盤Ｈｅａｄ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋを通過してそれぞれのＢｏｎｅ、Ｂｒａｉｎ、Ｖｅｓｓｅｌ Ｍａｓｋを予測した後、Ｂｒａｉｎ ＭａｓｋとＶｅｓｓｅｌ Ｍａｓｋを組み合わせて原本ＣＴ ｉｍａｇｅから完全なＢｒａｉｎ領域を抽出する作業を遂行するようになる。
【0088】
先に、イメージ受信部１１は、外部装備からＣＴイメージを受信する。
【0089】
次に、ヘッド前処理部１２は、Ｒａｗ ＣＴ ｉｍａｇｅの３次元映像を２Ｄ Ａｘｉａｌ ｓｌｉｃｅで分割した後、ｓｅｇｍｅｎｔａｔｉｏｎしようとするｓｌｉｃｅの隣接スライスをｃｏｎｃａｔｅｎａｔｅしてｉｎｐｕｔデータを構成するようになる。
【0090】
具体的に、ｉｎｐｕｔデータは、ヘッド前処理部１２のＰｒｅ－ｐｒｏｃｅｓｓｉｎｇを経て事前学習されたヘッド分割ネットワーク部１３に入力される。
【0091】
ヘッド前処理部１２は、（１）Ｒｅｓｉｚｅ（２）ＨＵ Ｗｉｎｄｏｗｉｎｇ（３）Ｎｏｒｍａｌｉｚｅなどの作業を遂行することができる。
【0092】
（１）リサイジング（Ｒｅｓｉｚｉｎｇ）作業は、ヘッド分割ネットワークが要求するサイズに映像を縮小および／または拡大する作業である。
【0093】
次に、（２）ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業である。
【0094】
また、ノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、設定された下限から上限までのＨＵ Ｌｅｖｅｌを決定し、ＨＵ Ｌｅｖｅｌを決定された［０、１］間隔でマッピング（ｍａｐｐｉｎｇ）する作業である。代表的に、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）の下限から上限のＨＵ Ｌｅｖｅｌを［０、１］間隔でマッピング（ｍａｐｐｉｎｇ）する方式が適用され得る。
【0095】
前処理されたＣＴイメージが事前学習されたヘッド分割ネットワーク部１３を通過し、ヘッド分割ネットワーク１３を通過したＣＴイメージに対して、ヘッド後処理部１４がブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業および特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業のうち少なくとも一つである後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行するようになる。
【0096】
事前学習されたヘッド分割ネットワーク部１３は、関心領域である脳（ｂｒａｉｎ）領域を抽出することができるように、頭蓋骨と脳領域に対して予め学習されたディープラーニング基盤Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋである。
【0097】
ここで、ブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業は、ブレーンに対する関心ボリューム（Ｖｏｌｕｍｅ ｏｆ Ｉｎｔｅｒｅｓｔ）領域以外の領域を除去した後、サイズを再調整する作業である。
【0098】
また、Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ除去作業は、３次元上で連結されずにかけ離れている小さいｏｕｔｌｉｅｒ ｃｌｕｓｔｅｒを除去する作業である。
【0099】
以後、予測結果算出部１５は、後処理されたＣＴイメージを基盤に前記ボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、ブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測するようになる。
【0100】
すなわち、頭蓋骨のボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、脳のブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および脳と関連する血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測し、予測されたブレーンマスクと血管マスクを組み合わせて、最初入力されたＣＴイメージから脳領域のみを含むブレーンイメージを抽出することができる。
【0101】
【0102】
図３を参照すると、剛体整合部２０は、抽出された脳イメージ受信部２１、アトラス部イメージ受信部２２、剛体整合遂行部２３、剛体整合ワーピング部２４を含む。
【0103】
先決的にアトラス部４０の標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データは、解剖学的なパターンまたは特性が保存されるように前記特定標本データを中央に整列して予め指定された水準によって非剛体整合後、合成して構成することで生成される。
【0104】
アトラス部イメージ受信部２２は、前記アトラス部４０から標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データを受信し、抽出された脳イメージ受信部２１は、ヘッド分割部１０から抽出された脳領域のみを含むブレーンイメージを受信する。
【0105】
剛体整合遂行部２３は、テンプレートデータとブレーンイメージと間の剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）およびアフィン整合（Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎ）を遂行して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を獲得することができる。
【0106】
以後、剛体整合ワーピング部２４は、変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいてブレーンイメージに剛体ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換によって整列された第１整列ブレーンイメージを獲得することができる。
【0107】
整理すると、剛体整合ワーピング部２４は、変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいた剛体ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、平行移動（Ｔｒａｎｓｌａｔｉｏｎ）、回転（ｒｏｔａｔｉｏｎ、）およびスケール（ｓｃａｌｅ）変換を含む線形変換を適用して、前記ブレーンイメージが潰れることなく、元の割合が維持されたまま変形されるようにすることができる。
【0108】
【0109】
図４を参照すると、非剛体整合部３０は、剛体整合ワーピングされた脳イメージ受信部３１、アトラス部イメージ受信部３２、非剛体合遂行部３３および非剛体整合ワーピング部３４を含む。
【0110】
先に、アトラス部イメージ受信部３２は、前記アトラス部４０から標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データを受信し、剛体整合ワーピングされた脳イメージ受信部３１は、剛体整合ワーピング部２４の結果物である第１整列ブレーンイメージを獲得する。
【0111】
以後、非剛体整合遂行部３３は、テンプレートデータの３次元ボリューム（Ｖｏｌｕｍｅ）と第１整列ブレーンイメージの３次元ボリュームを予め学習された非－剛体整合ネットワーク（Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｎｅｔｗｏｒｋ）に入力して、３次元ボクセル（ｖｏｘｅｌ）別の移動ベクターである変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を抽出することができる。
【0112】
また、非剛体整合ワーピング部３４は、変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいて前記第１整列ブレーンイメージにボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非剛体ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を遂行して、前記剛体整合部の結果物より実際の脳により正確に整合された第２整列ブレーンイメージを獲得することができる。
【0113】
整理すると、変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいた非剛体ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、前記ボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて１次整列されたブレーンイメージに細部的な２次整列を遂行して実際の脳にさらに一致する形態になるように整列を遂行する。
【0114】
したがって、本発明においては、各特性によって局所的な誤差に敏感な場合、線形変換のみを適用して中央整列されたＲｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用すると同時に、患者間の関心領域を空間的に一致させるか、モニタリングが必要な場合、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用する。
【0115】
本発明がＲｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを一緒に利用する理由に対して具体的に説明する。
図５ａおよび図５ｂは、Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの適用を説明するための図面である。
図５ａおよび図５ｂは、Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの適用を説明するための図面である。
【0116】
図５ａを参照すると、Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの目的は、２Ｄ／３ＤデータからＡｆｆｉｎｅ Ｍａｔｒｉｘを得ることを目標とする。
Ｔｒａｎｓｌａｔｉｏｎ、ｒｏｔａｔｉｏｎ、ｓｃａｌｅ変換などの線形的な変換だけ可能であり、移動対象が（潰れることなく）元の割合が維持されたまま変形される。
Ｔｒａｎｓｌａｔｉｏｎ、ｒｏｔａｔｉｏｎ、ｓｃａｌｅ変換などの線形的な変換だけ可能であり、移動対象が（潰れることなく）元の割合が維持されたまま変形される。
【0117】
また、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの目的は、２Ｄ／３Ｄデータからピクセル単位の移動ベクターフィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を得ることを目標とする。
【0118】
ピクセル単位でどのような位置にｗａｒｐｉｎｇが遂行されなければならないのかが決定されるので、全ての形態の変換が可能であるので、Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎに比べて細部的な一致度を高めることができる。
【0119】
図５ｂの（ａ）は、Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ変換の例示を図示したものであり、（ｂ）は、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ変換の例示を図示したものである。
【0120】
ただし、Ｎｏｎ－Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ自体は、局所変形に特化されており、移動半径が大きい変形は難しいという問題点がある。
【0121】
したがって、本発明においては、Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎでずれている中央を合わせた後、細部的な２次整列を遂行するとき、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを活用する方式を適用する。
【0122】
代表的に、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを遂行する方式は、よく知られているディープラーニング基盤のＶｏｘｅｌＭｏｒｐｈを通じて遂行されることができる。
【0123】
該当方式は、既存の古典的なＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ方式に比べて１００倍以上の速い速度と高い正確度を見せることができる。
【0124】
図６ａおよび図６ｂは、Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－Ｒｉｇｉｄ
Ｒｅｇｉｓｔｒａｔｉｏｎを一緒に適用して、縁、血管、解剖学的構造などをさらに安定的に一致させ得る結果を説明する図面である。
Ｒｅｇｉｓｔｒａｔｉｏｎを一緒に適用して、縁、血管、解剖学的構造などをさらに安定的に一致させ得る結果を説明する図面である。
【0125】
【0126】
また、Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果、中央整列されてＯｒｉｇｉｎａ
ｌ ＣＴＡに比べて安定した結果を見せるが、脳の形態差がある場合、若干の変形が見られることを確認することができる。
ｌ ＣＴＡに比べて安定した結果を見せるが、脳の形態差がある場合、若干の変形が見られることを確認することができる。
【0127】
前記Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果物にＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを適用した結果を確認すると、大部分が実際の脳のコンテンツと一致する結果が見られる。
【0128】
すなわち、Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎだけを遂行したときに比べて、２つの方式を順次に適用する場合には、縁、血管、解剖学的構造などをさらに安定的に一致させることができる。
【0129】
また、Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ方式の適用時に活用されるＡｔｌａｓについて説明する。
【0130】
図７は、本発明に適用されるアトラス部の標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データの生成過程を説明する図面である。
【0131】
Ｍｅｄｉｃａｌ分野でＡｔｌａｓ（Ｔｅｍｐｌａｔｅ）は、特定標本の特性を融合して標準化した一つのデータであって、一般的にＲｅｇｉｓｔｒａｔｉｏｎを通じて多様なデータを共通した空間に整列するための基準として活用される。
【0132】
ＭＲＩデータの場合、ＭＮＩという標準化したＡｔｌａｓが存在するが、ＣＴの場合、このような標準化したＡｔｌａｓが存在しないため、新たに生成する過程が必要である。
【0133】
図７を参照すると、Ａｔｌａｓ生成方法で正常または特定適応症を有する３０～５０人のＣＴＡを標本に設定して適用され得る。
【0134】
ここで、Ａｔｌａｓは、解剖学的なパターンまたは特性が保存されなければならないので、初期の各標本データを中央に整列して一定の水準一致するように構成することができる。
【0135】
以後、古典的なＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを遂行して非常に一致するように整合した後、各データをよく融合してＡｔｌａｓを生成することができる。
【0136】
本発明においては、古典的なＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎは時間が長くかかり、成功し難いという短所があるので、ディープラーニング基盤生成モデル（Ｇｅｎｅｒａｔｉｖｅ Ｍｏｄｅｌ）を活用する。該当ディープラーニングモデルは、教師なし（Ｕｎｓｕｐｅｒｖｉｓｅｄ）学習を通じて、それぞれの非整列されたＣＴＡを説明することができる最適化されたＮｏｎ－ｒｉｇｉｄ Ｔｅｍｐｌａｔｅ／Ａｔｌａｓを生成し出し得るように学習される。
【0137】
【0138】
図８で生成されたＡｔｌａｓは、左／右対称になり得るように、後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓ）されて、Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ方式に適用され得る。
【0139】
提案するＡｔｌａｓ、Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ過程は、前述のデータｖａｒｉａｎｃｅを最小化できるという長所がある。
【0140】
本発明が提案する方式は、Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を全て提供し、原本ＣＴＡへの逆変換過程もまた有効であり得る。
【0141】
各特性によって、局所的な誤差に敏感な場合、線形変換のみを適用して中央整列されたＲｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用することができ、患者間の関心領域を空間的に一致させるか、モニタリングが必要な場合、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用することができる。
【0142】
また、各Ｒｉｇｉｄ／Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ上で分析された結果は、原本ＣＴＡの空間に逆変換して原本ＣＴＡ映像でセグメントまたは分析結果を視覚化することもできる。
【0143】
本発明に適用されるＣＴ Ａｔｌａｓの場合、Ｒｉｇｉｄ／Ａｆｆｉｎｅ整列された正常群１００人のＣＴＡからディープラーニング基盤生成モデル（Ｇｅｎｅｒａｔｉｖｅ Ｍｏｄｅｌ）を学習してＮｏｎ－ｒｉｇｉｄ Ｔｅｍｐｌａｔｅ／Ａｔｌａｓを抽出した後、左／右対称を合わせたｓｙｍｍｅｔｒｉｃ Ｔｅｍｐｌａｔｅ／Ａｔｌａｓを活用して適用され得る。
【0144】
本明細書において、ＴｅｍｐｌａｔｅとＡｔｌａｓは混用して使用されることができ、２個の用語が指称する意味は同一である。
【0145】
また、抽出されたＢｒａｉｎ ｉｍａｇｅは、ＣＴ ＡｔｌａｓとＲｉｇｉｄ／Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎを通じて線形変換（回転／スケール／移動など）で１次整列された映像を得るようになり、以後、より正確な整合のために、Ｎｏｎ－Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｍｏｄｅｌを通じてピクセル／ボクセル単位のＲｅｇｉｓｔｒａｔｉｏｎを遂行し、各Ｒｅｇｉｓｔｒａｔｉｏｎの結果、抽出されたＴｒａｎｓｆｏｒｍａｔｉｏｎ ｐａｒａｍｅｔｅｒ、Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄは、それぞれのｍａｓｋとＣＴ ｉｍａｇｅを変換するのに活用され得る。
【0146】
３次元神経血管分割部
３次元神経血管分割部５０は、整列されたＢｒａｉｎ ｉｍａｇｅから血管構造を抽出することができるようにディープラーニング基盤Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋを通じて脳血管地図を抽出する。
３次元神経血管分割部５０は、整列されたＢｒａｉｎ ｉｍａｇｅから血管構造を抽出することができるようにディープラーニング基盤Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋを通じて脳血管地図を抽出する。
【0147】
このとき、Ｖｅｓｓｅｌ Ｍａｓｋとは異なり、Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙは、各動脈の解剖学的構造を区分することができ、判断部６０は、追ってＮｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙを血管構造による適応症を区分するのに活用することができる。
【0148】
【0149】
図９を参照すると、３次元神経血管分割部５０は、非剛体整合ワーピングされた脳イメージ受信部５１、分割前処理部５２、事前学習された神経血管分割ネットワーク部５３、分割後処理部５４および３次元神経血管生成部５４．５を含むことができる。
【0150】
非剛体整合ワーピングされた脳イメージ受信部５１は、非剛体整合部３０から第２整列ブレーンイメージを受信する。
【0151】
以後、第２整列ブレーンイメージは、神経血管解剖学的分割ネットワーク（Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）を通過し、Ｐｒｅ－Ｐｒｏｃｅｓｓｉｎｇされたｉｎｐｕｔ ｄａｔａは、前記Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ予測およびＰｏｓｔ－ｐｒｏｃｅｓｓｉｎｇを通じてＮｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ生成することができるようになる。
【0152】
分割前処理部５２は、第２整列ブレーンイメージに対して、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業、ノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業およびパッチサンプリング（Ｐａｔｃｈ Ｓａｍｐｌｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行することができる。
【0153】
ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業である。
【0154】
また、ノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、前記設定された下限から前記上限までのＨＵ Ｌｅｖｅｌを決定し、ＨＵ Ｌｅｖｅｌを決定された［０、１］間隔でマッピング（ｍａｐｐｉｎｇ）する作業である。
また、パッチサンプリング（Ｐａｔｃｈ Ｓａｍｐｌｉｎｇ）作業は、ＧＰＵメモリ（Ｍｅｍｏｒｙ）活用のために、前記３次元ボリューム（Ｖｏｌｕｍｅ）のサブボリューム（ｓｕｂ－ｖｏｌｕｍｅ）をパッチ（ｐａｔｃｈ）で構成してインプットデータ（ｉｎｐｕｔ ｄａｔａ）を生成する作業である。
また、パッチサンプリング（Ｐａｔｃｈ Ｓａｍｐｌｉｎｇ）作業は、ＧＰＵメモリ（Ｍｅｍｏｒｙ）活用のために、前記３次元ボリューム（Ｖｏｌｕｍｅ）のサブボリューム（ｓｕｂ－ｖｏｌｕｍｅ）をパッチ（ｐａｔｃｈ）で構成してインプットデータ（ｉｎｐｕｔ ｄａｔａ）を生成する作業である。
【0155】
全ての作業は、ＧＰＵ／ＣＰＵで全て作業が可能であり、ＧＰＵを活用すれば、ＣＰＵより通常１０～１００倍速い速度を得ることができる。ただし、３Ｄ Ｖｏｌｕｍｅを全てＧＰＵメモリに割り当てることは難しいため、ｓｕｂ－ｖｏｌｕｍｅに分けてｉｎｐｕｔ ｄａｔａを生成する。一方、装着されたＧＰＵ性能によって全体ｖｏｌｕｍｅを使用してもよい。
【0156】
ここで、前処理された第２整列ブレーンイメージが神経血管解剖学的分割ネットワーク５３を通過するようになり、神経血管解剖学的分割ネットワーク５３を通過した第２整列ブレーンイメージに対して特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）を除去する後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を分割後処理部５４が遂行する。
【0157】
特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業である。
また、３次元神経血管生成部５４．５が後処理された第２整列ブレーンイメージを基盤に前記脳血管地図を抽出するようになる。
また、３次元神経血管生成部５４．５が後処理された第２整列ブレーンイメージを基盤に前記脳血管地図を抽出するようになる。
【0158】
前記モデルから抽出されたＮｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙは、Ｌａｒｇｅ Ｖｅｓｓｅｌ Ｏｃｃｌｕｓｉｏｎ（ＬＶＯ）、Ａｎｅｕｒｙｓｍなど、血管別適応症を探知、予測した結果で位置を可視化するか、Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ予測をｓｕｐｐｒｅｓｓすることに活用されることができる。
【0159】
すなわち、判断部６０が提供する情報は、適応症が探知および／または予測された脳血管地図上の位置情報および偽陽性（Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ）と関連した情報をさらに含むことができる。
【0160】
【0161】
前述のとおり、本発明が提案する方法は、（１）Ｒａｗ ＣＴ ｉｍａｇｅの分割作業、（２）Ｒｅｇｉｓｔｒａｔｉｏｎ作業および（３）Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ作業に区分される。
【0162】
（１）Ｒａｗ ＣＴ ｉｍａｇｅの分割作業
私たちの関心領域はＢｒａｉｎであり、ｓｋｕｌｌの厚さと形態は人によって異なる。したがって、頭蓋骨と脳領域を分離できるＨｅａｄ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋを通過して、それぞれのＢｏｎｅ、Ｂｒａｉｎ、Ｖｅｓｓｅｌ Ｍａｓｋを予測した後、Ｂｒａｉｎ ＭａｓｋとＶｅｓｓｅｌ Ｍａｓｋを組み合わせて原本ＣＴ ｉｍａｇｅから完全なＢｒａｉｎ領域を抽出する。
私たちの関心領域はＢｒａｉｎであり、ｓｋｕｌｌの厚さと形態は人によって異なる。したがって、頭蓋骨と脳領域を分離できるＨｅａｄ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋを通過して、それぞれのＢｏｎｅ、Ｂｒａｉｎ、Ｖｅｓｓｅｌ Ｍａｓｋを予測した後、Ｂｒａｉｎ ＭａｓｋとＶｅｓｓｅｌ Ｍａｓｋを組み合わせて原本ＣＴ ｉｍａｇｅから完全なＢｒａｉｎ領域を抽出する。
【0163】
（２） Ｒｅｇｉｓｔｒａｔｉｏｎ作業
抽出されたＢｒａｉｎ ｉｍａｇｅは、ＣＴ ＡｔｌａｓとＲｉｇｉｄ／Ａｆｆｉｎｅ
Ｒｅｇｉｓｔｒａｔｉｏｎを通じて線形変換（回転／スケール／移動など）で１次整列された映像を得るようになる。以後、より正確な整合のために、Ｎｏｎ－Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｍｏｄｅｌを通じてピクセル／ボクセル単位のＲｅｇｉｓｔｒａｔｉｏｎを遂行する。各Ｒｅｇｉｓｔｒａｔｉｏｎの結果、抽出されたＴｒａｎｓｆｏｒｍａｔｉｏｎ ｐａｒａｍｅｔｅｒ、Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄは、それぞれのｍａｓｋとＣＴ ｉｍａｇｅを変換するのに活用される。
抽出されたＢｒａｉｎ ｉｍａｇｅは、ＣＴ ＡｔｌａｓとＲｉｇｉｄ／Ａｆｆｉｎｅ
Ｒｅｇｉｓｔｒａｔｉｏｎを通じて線形変換（回転／スケール／移動など）で１次整列された映像を得るようになる。以後、より正確な整合のために、Ｎｏｎ－Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｍｏｄｅｌを通じてピクセル／ボクセル単位のＲｅｇｉｓｔｒａｔｉｏｎを遂行する。各Ｒｅｇｉｓｔｒａｔｉｏｎの結果、抽出されたＴｒａｎｓｆｏｒｍａｔｉｏｎ ｐａｒａｍｅｔｅｒ、Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄは、それぞれのｍａｓｋとＣＴ ｉｍａｇｅを変換するのに活用される。
【0164】
（３）Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ作業
整列されたＢｒａｉｎ ｉｍａｇｅから血管構造を抽出することができるようにＮｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋを通じて脳血管地図を抽出する。Ｖｅｓｓｅｌ Ｍａｓｋとは異なり、Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙは、各動脈の解剖学的構造を区分する。追って、Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙは、血管構造による適応症を区分するのに活用されることができる。
整列されたＢｒａｉｎ ｉｍａｇｅから血管構造を抽出することができるようにＮｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋを通じて脳血管地図を抽出する。Ｖｅｓｓｅｌ Ｍａｓｋとは異なり、Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙは、各動脈の解剖学的構造を区分する。追って、Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙは、血管構造による適応症を区分するのに活用されることができる。
【0165】
図１０を参照して、本発明に係る方法をより具体的に説明する。
【0166】
図１０を参照すると、ヘッド分割部１０がＣＴイメージを受信し、事前学習されたヘッド分割ネットワーク部１３がＣＴイメージを頭蓋骨と脳を分離するようになり、頭蓋骨のボーンマスク（Ｂｏｎｅ Ｍａｓｋ、１７）、脳のブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ、１８）および脳と関連する血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ、１９）を予測するようになる。
【0167】
また、ヘッド分割部１０が予測されたブレーンマスクと血管マスクを組み合わせ１６て、ＣＴイメージから脳領域のみを含むブレーンイメージ（Ｋ）を抽出するようになる。
【0168】
以後、剛体整合部２０が複数のデータを共通した空間に整列するための基準として活用するために、特定標本の特性を融合して標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データをアトラス部４０から受信し、ヘッド分割部１０からブレーンイメージ（Ｋ）を受信する。
【0169】
剛体整合部２０の剛体整合遂行部２３および剛体整合ワーピング部２４は、テンプレートデータとブレーンイメージ（Ｋ）との間の剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）およびアフィン整合（Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎ）を遂行して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ、２６）を獲得すること
ができる。
ができる。
【0170】
また、剛体整合部２０は、変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ、２６）に基づいてブレーンイメージ（Ｋ）に剛体ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ、２４）を適用して線形変換によって整列された第１整列ブレーンイメージ（Ｒ）を獲得することができる。
【0171】
また、非剛体整合部３０が、融合して標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データをアトラス部４０から受信し、剛体整合部２０から第１整列ブレーンイメージ（Ｒ）を受信する。
【0172】
以後、非剛体整合遂行部３３は、テンプレートデータの３次元ボリューム（Ｖｏｌｕｍｅ）と第１整列ブレーンイメージの３次元ボリュームを予め学習された非－剛体整合ネットワーク（Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｎｅｔｗｏｒｋ）に入力して、３次元ボクセル（ｖｏｘｅｌ）別の移動ベクターである変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ、３６）を抽出する。
【0173】
また、非剛体整合ワーピング部３４は、変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいて前記第１整列ブレーンイメージ（Ｒ）にボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用３７、３８する非剛体ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ、３４）を遂行して、実際の脳により正確に整合された第２整列ブレーンイメージ（Ｎ）を獲得するようになる。
【0174】
以後、神経血管分割部５０が第２整列ブレーンイメージ（Ｎ）を神経血管解剖学的分割ネットワーク（Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ、５３）に通過させて第２整列ブレーンイメージから脳血管地図５５を抽出するようになる。
【0175】
以後、判断部６０が脳血管地図に基づいて脳と関連した情報を提供することができる。
【0176】
一方、剛体整合部２０は、ボーンマスク１７、ブレーンマスク１８および血管マスク１９に変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ、２６）に基づいて剛体ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ、２４）を適用して、線形変換によって整列された第１整列ボーンマスク、ブレーンマスクおよび血管マスクを獲得することも可能であり得る。
【0177】
また、非剛体整合部３０は、第１整列ボーンマスク、ブレーンマスクおよび血管マスクに変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ、３６）に基づいてボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非剛体ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ、３４）を適用して、第２整列ボーンマスク５７、ブレーンマスク５８および血管マスク５９が獲得され得る。
【0178】
判断部６０は、脳血管地図５５に基づいて第２整列ボーンマスク５７、ブレーンマスク５８および血管マスク５９のうち少なくとも一つをさらに利用して情報を提供することもできる。
【0179】
逆に、前記第２整列ブレーンイメージ（Ｎ）、第２整列ボーンマスク５７、ブレーンマスク５８および血管マスク５９は、変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ、３６）を逆変換適用して第１整列ブレーンイメージ（Ｒ）、第１整列ボーンマスク、ブレーンマスクおよび血管マスクを抽出することが可能である。
【0180】
さらに第１整列ブレーンイメージ（Ｒ）、第１整列ボーンマスク、ブレーンマスクおよび血管マスクは、変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ、２６）を逆変換適用して、未加工ＣＴイメージ原本の空間にブレーンイメージ（Ｋ）、ボーンマスク１７、ブレーンマスク１８および血管マスク１９を抽出することも可能であり得る。
【0181】
【0182】
図１０を参照すると、イメージ受信部１１は、外部装備からＣＴイメージを受信する。
【0183】
次に、ヘッド前処理部１２は、Ｒａｗ ＣＴ ｉｍａｇｅの３次元映像を２Ｄ Ａｘｉａｌ ｓｌｉｃｅで分割した後、ｓｅｇｍｅｎｔａｔｉｏｎしようとするｓｌｉｃｅの隣接スライスをｃｏｎｃａｔｅｎａｔｅしてｉｎｐｕｔデータを構成するようになる。
【0184】
具体的に、ｉｎｐｕｔデータは、ヘッド前処理部１２のＰｒｅ－ｐｒｏｃｅｓｓｉｎｇを経て事前学習されたヘッド分割ネットワーク部１３に入力される。
【0185】
ヘッド前処理部１２は、前述した（１）Ｒｅｓｉｚｅ（２）ＨＵ Ｗｉｎｄｏｗｉｎｇ（３）Ｎｏｒｍａｌｉｚｅなどの作業を遂行することができる。
【0186】
前処理されたＣＴイメージが事前学習されたヘッド分割ネットワーク部１３を通過し、ヘッド分割ネットワーク１３を通過したＣＴイメージに対して、ヘッド後処理部１４がブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業および特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業のうち少なくとも一つである後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行するようになる。
【0187】
以後、予測結果、算出部１５は、後処理されたＣＴイメージを基盤に前記ボーンマスク（Ｂｏｎｅ Ｍａｓｋ、１７）、ブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ、１８）および血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ、１９）を含む情報１５を予測するようになる。
【0188】
すなわち、頭蓋骨のボーンマスク（Ｂｏｎｅ Ｍａｓｋ、１７）、脳のブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ、１８）および脳と関連する血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ、１９）を予測し、予測されたブレーンマスク１８と血管マスク１９を組み合わせて、最初入力されたＣＴイメージから脳領域のみを含むブレーンイメージ（Ｋ）を抽出することができる。
【0189】
【0190】
図１２の（ａ）を参照すると、アトラス部イメージ受信部２２は、前記アトラス部４０から標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データを受信し、抽出された脳イメージ受信部２１は、ヘッド分割部１０から抽出された脳領域のみを含むブレーンイメージ（Ｋ）を受信する。
【0191】
剛体整合遂行部２３は、テンプレートデータとブレーンイメージと間の剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）およびアフィン整合（Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎ）を遂行して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を獲得することができる。
【0192】
以後、剛体整合ワーピング部２４は、変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいてブレーンイメージに剛体ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換によって整列された第１整列ブレーンイメージ（Ｒ）を獲得することができる。
【0193】
整理すると、剛体整合ワーピング部２４は、変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいた剛体ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、平行移動（Ｔｒａｎｓｌａｔｉｏｎ）、回転（ｒｏｔａｔｉｏｎ、）およびスケール（ｓｃａｌｅ）変換を含む線形変換を適用して、前記ブレーンイメージが潰れることなく、元の割合が維持されたまま変形されるようにすることができる。
【0194】
また、図１２の（ｂ）を参照すると、アトラス部イメージ受信部３２は、前記アトラス部４０から標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データを受信し、剛体整合ワーピングされた脳イメージ受信部３１は、剛体整合ワーピング部２４の結果物である第１整列ブレーンイメージ（Ｒ）を獲得する。
【0195】
以後、非剛体整合遂行部３３は、テンプレートデータの３次元ボリューム（Ｖｏｌｕｍｅ）と第１整列ブレーンイメージの３次元ボリュームを予め学習された非－剛体整合ネットワーク（Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｎｅｔｗｏｒｋ）に入力して、３次元ボクセル（ｖｏｘｅｌ）別の移動ベクターである変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を抽出することができる。
【0196】
また、非剛体整合ワーピング部３４は、変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいて前記第１整列ブレーンイメージにボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非剛体ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を遂行して、前記剛体整合部の結果物より実際の脳により正確に整合された第２整列ブレーンイメージ（Ｎ）を獲得することができる。
【0197】
整理すると、変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいた非剛体ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、前記ボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて１次整列されたブレーンイメージ（Ｒ）に細部的な２次整列を遂行して実際の脳にさらに一致する形態（Ｎ）になるように整列を遂行する。
【0198】
【0199】
図１３に図示されているように、本発明においては、各特性によって局所的な誤差に敏感な場合、線形変換のみを適用して中央整列されたＲｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用すると同時に、患者間の関心領域を空間的に一致させるか、モニタリングが必要な場合、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用する。
【0200】
本発明がＲｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを一緒に利用する理由は、前述のとおり、Ｔｒａｎｓｌａｔｉｏｎ、ｒｏｔａｔｉｏｎ、ｓｃａｌｅ変換などの線形的な変換だけ可能であり、移動対象が（潰れることなく）元の割合が維持されたまま変形されるＲｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ効
果と２Ｄ／３Ｄデータからピクセル単位の移動ベクターフィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を得るＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの効果を同時に適用するためである。
果と２Ｄ／３Ｄデータからピクセル単位の移動ベクターフィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を得るＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの効果を同時に適用するためである。
【0201】
Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの場合、ピクセル単位でどのような位置にｗａｒｐｉｎｇが遂行されなければならないのかが決定されるので、全ての形態の変換が可能であるので、Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎに比べて細部的な一致度を高めることができる。
【0202】
図５ｂの（ａ）は、Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ変換の例示を図示したものであり、（ｂ）は、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ変換の例示を図示したものである。
【0203】
ただし、Ｎｏｎ－Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ自体は局所変形に特化されており、移動半径が大きい変形は難しいという問題点がある。
【0204】
したがって、本発明においては、Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎでずれている中央を合わせた後、細部的な２次整列を遂行するとき、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを活用する方式を適用する。
【0205】
一般的なＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ方式は、ＣＰＵを通じて遅く処理されるが、ディープラーニング基盤方式は、ＧＰＵを活用することができるため速い。
【0206】
したがって、ＶｏｘｅｌＭｏｒｐｈというネットワークを通じてＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを遂行して速度的利点を得ることができる。
【0207】
該当方式は、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを遂行するためのネットワークを生成するための古典的なＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ方式に比べて１００倍以上の速い速度と高い正確度を見せることができる。
【0208】
提案するＲｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ過程は、前述のデータｖａｒｉａｎｃｅを最小化できるという長所がある。
【0209】
図１４は、Ｒｉｇｉｄ／Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ上で分析された結果は原本ＣＴＡの空間に逆変換して原本ＣＴＡ映像でセグメントまたは分析結果を使用する一例を表示したものである。
【0210】
図１４に図示されているように、本発明が提案する方式は、Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を全て提供し、原本ＣＴＡへの逆変換過程もまた有効であり得る。
【0211】
各特性によって局所的な誤差に敏感な場合、線形変換のみを適用して中央整列されたＲｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用することができ、患者間の関心領域を空間的に一致させるか、モニタリングが必要な場合、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用することができる。
【0212】
また、各Ｒｉｇｉｄ／Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ上で分析された結果は、原本ＣＴＡの空間に逆変換して原本ＣＴＡ映像でセグメントまたは分析結果を視覚化することもできる。
【0213】
図１４を参照すると、第２整列ブレーンイメージ（Ｎ）、第２整列ボーンマスク５７、ブレーンマスク５８および血管マスク５９は、変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ
Ｆｉｅｌｄ、３６）を逆変換適用３４Ｉして、第１整列ブレーンイメージ（Ｒ）、第１整列ボーンマスク、ブレーンマスクおよび血管マスクを抽出することが可能である。
Ｆｉｅｌｄ、３６）を逆変換適用３４Ｉして、第１整列ブレーンイメージ（Ｒ）、第１整列ボーンマスク、ブレーンマスクおよび血管マスクを抽出することが可能である。
【0214】
さらに、第１整列ブレーンイメージ（Ｒ）、第１整列ボーンマスク、ブレーンマスクおよび血管マスクは、変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ、２６）を逆変換適用２４Ｉして、ブレーンイメージ（Ｋ）、ボーンマスク１７、ブレーンマスク１８および血管マスク１９を抽出するのもできる。
【0215】
【0216】
図１５を参照すると、非剛体整合ワーピングされた脳イメージ受信部５１は、非剛体整合部３０から第２整列ブレーンイメージ（Ｎ）を受信する。
【0217】
分割前処理部５２は、第２整列ブレーンイメージ（Ｎ）に対して、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業、ノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業およびパッチサンプリング（Ｐａｔｃｈ Ｓａｍｐｌｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行することができる。
【0218】
ここで、前処理された第２整列ブレーンイメージが神経血管解剖学的分割ネットワーク５３を通過するようになり、神経血管解剖学的分割ネットワーク５３を通過した第２整列ブレーンイメージに対して特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）を除去する後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を分割後処理部５４が遂行する。
【0219】
特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業である。
また、３次元神経血管生成部５４．５が後処理された第２整列ブレーンイメージを基盤に前記脳血管地図５５を抽出するようになる。
また、３次元神経血管生成部５４．５が後処理された第２整列ブレーンイメージを基盤に前記脳血管地図５５を抽出するようになる。
【0220】
前記モデルから抽出されたＮｅｕｒｏｖａｓｃｕｌａｒ ＡｎａｔｏｍｙはＬａｒｇｅ
Ｖｅｓｓｅｌ Ｏｃｃｌｕｓｉｏｎ（ＬＶＯ）、Ａｎｅｕｒｙｓｍなど、血管別適応症を探知、予測した結果で位置を可視化するか、Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ予測をｓｕｐｐｒｅｓｓすることに活用されることができる。
Ｖｅｓｓｅｌ Ｏｃｃｌｕｓｉｏｎ（ＬＶＯ）、Ａｎｅｕｒｙｓｍなど、血管別適応症を探知、予測した結果で位置を可視化するか、Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ予測をｓｕｐｐｒｅｓｓすることに活用されることができる。
【0221】
すなわち、判断部６０が提供する情報は、適応症が探知および／または予測された脳血管地図上の位置情報および偽陽性（Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ）と関連した情報をさらに含むことができる。
【0222】
本発明が提供する効果
本発明によれば、未加工ＣＴイメージが入力されたとき、一貫した方向とサイズに変換可能な人工知能基盤装置および方法を使用者に提供することができる。
本発明によれば、未加工ＣＴイメージが入力されたとき、一貫した方向とサイズに変換可能な人工知能基盤装置および方法を使用者に提供することができる。
【0223】
本発明は、任意のｒａｗ ＣＴ ｉｍａｇｅが入力されたとき、一貫した方向とサイズに変換できるｐｒｏｃｅｓｓを適用して、患者の頭蓋骨のサイズと形態、撮影方向などによって生じる多様性を最小化できる人工知能基盤装置および方法を使用者に提供することができる。
【0224】
本発明は、医療データのうちＣＴ Ａｎｇｉｏｇｒａｐｈｙを撮影する一連の過程は、各病院のｖｅｎｄｏｒと撮影者の習慣によって撮影角度、撮影領域、ｐａｔｉｅｎｔ ｏｒｉｅｎｔａｔｉｏｎ、ｓｌｉｃｅ ｔｈｉｃｋｎｅｓｓ、ｓｌｉｃｅ ｉｎｔｅｒｖａｌなどのｐｒｏｔｏｃｏｌは状況によって異なるので、データは幾何学的に多様なｖａｒｉａｎｃｅを有する問題点を解消することができる。
【0225】
一般的に、各データのＡｘｉａｌ軸のスライスを確認する場合、各スライスで現れる解剖学的なパターンと様相が毎度異に現れ、医療データを分析する過程で多様な撮影ｐｒｏｔｏｃｏｌによって現れるデータｖａｒｉａｎｃｅは正確度を落とす主要な原因になるが、本発明が提案する幾何学的整列（Ｒｅｇｉｓｔｒａｔｉｏｎ）過程は、このようなデータｖａｒｉａｎｃｅを最小化できる。
【0226】
また、本発明が提案する方式は、Ｒｉｇｉｄ ＲｅｇｉｓｔｒａｔｉｏｎとＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を全て提供し、原本ＣＴＡへの逆変換過程もまた有効である。
【0227】
本発明によれば、各特性によって局所的な誤差に敏感な場合、線形変換のみを適用して中央整列されたＲｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用することができ、患者間の関心領域を空間的に一致させるか、モニタリングが必要な場合、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎの結果を活用することができる。
【0228】
また、各Ｒｉｇｉｄ／Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ上で分析された結果は、原本ＣＴＡの空間に逆変換して原本ＣＴＡ映像でセグメントまたは分析結果を視覚化することができる。
【0229】
また、本発明においては、原本ＣＴ映像で脳の特定区画（Ｍ１～Ｍ６）を活用して区分する場合、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを遂行した後、該当空間の標準区画（Ｍ１～Ｍ６）Ｍａｓｋを適用して抽出して分析することができる。同様に、原本ＣＴ空間に逆変換して原本ＣＴ映像に表記することができる。
【0230】
また、本発明においては、Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ、Ｂｒａｉｎ
Ａｎａｔｏｍｙなど、各血管と脳領域の解剖学的な情報が必要な場合、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを通じて整合した後、特定領域を区別することができる。同様に、原本ＣＴ空間に逆変換して原本ＣＴ映像でも表記することができる。
Ａｎａｔｏｍｙなど、各血管と脳領域の解剖学的な情報が必要な場合、Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを通じて整合した後、特定領域を区別することができる。同様に、原本ＣＴ空間に逆変換して原本ＣＴ映像でも表記することができる。
【0231】
また、本発明においては、Ａｎｅｕｒｙｓｍ、Ｔｕｍｏｒなど、ｍｏｎｉｔｏｒｉｎｇが必要な場合、同一患者の互いに異なる時間帯に撮影した映像をＮｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎを遂行して一致させて、病弁の進行状況を見せることができる。
【0232】
一方、本発明において得られる効果は、以上において言及した効果に制限されず、言及していないまた他の効果は、下記の記載から本発明の属する技術の分野における通常の知識を有する者に明確に理解され得るだろう。
【0233】
上述した本発明の実施例は、多様な手段を通して具現され得る。例えば、本発明の実施例は、ハードウェア、ファームウェア（ｆｉｒｍｗａｒｅ）、ソフトウェア、またはそれらの結合等により具現され得る。
【0234】
ハードウェアによる具現の場合、本発明の実施例に係る方法は、一つまたはそれ以上のＡＳＩＣｓ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉ
ｒｃｕｉｔｓ）、ＤＳＰｓ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒｓ）、ＤＳＰＤｓ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｄｅｖｉｃｅｓ）、ＰＬＤｓ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅｓ）、ＦＰＧＡｓ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙｓ）、プロセッサ、コントローラ、マイクロコントローラ、マイクロプロセッサなどによって具現され得る。
ｒｃｕｉｔｓ）、ＤＳＰｓ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒｓ）、ＤＳＰＤｓ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｄｅｖｉｃｅｓ）、ＰＬＤｓ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅｓ）、ＦＰＧＡｓ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙｓ）、プロセッサ、コントローラ、マイクロコントローラ、マイクロプロセッサなどによって具現され得る。
【0235】
ファームウェアやソフトウェアによる具現の場合、本発明の実施例に係る方法は、以上において説明された機能または動作を遂行するモジュール、手順または関数などの形態で具現され得る。ソフトウェアコードは、メモリユニットに格納されてプロセッサにより駆動され得る。前記メモリユニットは、前記プロセッサ内部または外部に位置して、既に公知になった多様な手段により前記プロセッサとデータをやり取りすることができる。
【0236】
上述したように開示された本発明の好ましい実施例についての詳細な説明は、当業者が本発明を具現し、実施できるように提供された。前記では本発明の好ましい実施例を参照して説明したが、該当技術の分野の熟練した当業者は、本発明の領域から外れない範囲内で本発明を多様に修正および変更させ得ることが理解できるだろう。例えば、当業者は、上述した実施例に記載の各構成を互いに組み合わせる方式で利用できる。従って、本発明は、ここに示された実施形態に制限されるためのものではなく、ここで開示された原理および新規な特徴と一致する最も広い範囲を付与するためのものである。
【0237】
本発明は、本発明の精神および必須特徴を外れない範囲で他の特定の形態に具体化されることができる。したがって、前記の詳細な説明は、全ての面で制限的に解釈されてはならず、例示的なものと考慮されるべきである。本発明の範囲は、添付の請求項の合理的解析により決定されるべきであり、本発明の等価的範囲内での全ての変更は、本発明の範囲に含まれる。本発明は、ここに示された実施形態に制限されるためのものではなく、ここで開示された原理および新規な特徴と一致する最も広い範囲を付与するためのものである。また、特許請求の範囲で明示的な引用関係がない請求項を結合して実施例を構成するか出願後の補正により新たな請求項として含むことができる。
【手続補正2】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
ヘッド分割部がＣＴイメージを受信する第１ステップ、
前記ヘッド分割部が前記ＣＴイメージを頭蓋骨と脳を分離することができるヘッド分割ネットワーク（Ｈｅａｄ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）を通過させて前記頭蓋骨のボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、前記脳のブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および前記脳と関連する血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測する第２ステップ、
前記ヘッド分割部が前記予測されたブレーンマスクと血管マスクを組み合わせて、前記ＣＴイメージから前記脳の領域のみを含むブレーンイメージを抽出する第３ステップ、
剛体整合部が、複数のデータを共通した空間に整列するための基準として活用するために、特定標本の特性を融合して標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データをアトラス部から受信し、前記ヘッド分割部からブレーンイメージを受信する第４ステップ、
前記剛体整合部が前記テンプレートデータと前記ブレーンイメージと間の剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）およびアフィン整合（Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎ）を遂行して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を獲得する第５ステップ、
前記剛体整合部が前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて前記ブレーンイメージに剛体ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換によって整列された第１整列ブレーンイメージを獲得する第６ステップ、
非剛体整合部が、前記テンプレートデータの３次元ボリューム（Ｖｏｌｕｍｅ）と前記第１整列ブレーンイメージの３次元ボリュームを予め学習された非－剛体整合ネットワーク（Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｎｅｔｗｏｒｋ）に入力して、３次元ボクセル（ｖｏｘｅｌ）別の移動ベクターである変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を抽出する第７ステップ、
前記非剛体整合部が前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいて前記第１整列ブレーンイメージにボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非剛体ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を遂行し、前記第６ステップより実際の脳により正確に整合された第２整列ブレーンイメージを獲得する第８ステップ、
神経血管分割部が前記第２整列ブレーンイメージを神経血管解剖学的分割ネットワーク（Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）に通過させて、前記第２整列ブレーンイメージから脳血管地図を抽出する第９ステップ、および
判断部が前記脳血管地図に基づいて前記脳と関連した情報を提供する第１０ステップ、を含み、
前記第２ステップは、
前記ＣＴイメージに対してリサイジング（Ｒｅｓｉｚｉｎｇ）作業、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行する第２－１ステップ、
前記前処理されたＣＴイメージが前記ヘッド分割ネットワークを通過する第２－２ステップ、
前記ヘッド分割ネットワークを通過した前記ＣＴイメージに対してブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業および特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業のうち少なくとも一つである後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行する第２－３ステップ、および
前記後処理されたＣＴイメージを基盤に前記ボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、ブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測する第２－４ステップ、を含む、情報提供方法。
前記ヘッド分割部が前記ＣＴイメージを頭蓋骨と脳を分離することができるヘッド分割ネットワーク（Ｈｅａｄ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）を通過させて前記頭蓋骨のボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、前記脳のブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および前記脳と関連する血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測する第２ステップ、
前記ヘッド分割部が前記予測されたブレーンマスクと血管マスクを組み合わせて、前記ＣＴイメージから前記脳の領域のみを含むブレーンイメージを抽出する第３ステップ、
剛体整合部が、複数のデータを共通した空間に整列するための基準として活用するために、特定標本の特性を融合して標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データをアトラス部から受信し、前記ヘッド分割部からブレーンイメージを受信する第４ステップ、
前記剛体整合部が前記テンプレートデータと前記ブレーンイメージと間の剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）およびアフィン整合（Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎ）を遂行して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を獲得する第５ステップ、
前記剛体整合部が前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて前記ブレーンイメージに剛体ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換によって整列された第１整列ブレーンイメージを獲得する第６ステップ、
非剛体整合部が、前記テンプレートデータの３次元ボリューム（Ｖｏｌｕｍｅ）と前記第１整列ブレーンイメージの３次元ボリュームを予め学習された非－剛体整合ネットワーク（Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｎｅｔｗｏｒｋ）に入力して、３次元ボクセル（ｖｏｘｅｌ）別の移動ベクターである変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を抽出する第７ステップ、
前記非剛体整合部が前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいて前記第１整列ブレーンイメージにボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非剛体ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を遂行し、前記第６ステップより実際の脳により正確に整合された第２整列ブレーンイメージを獲得する第８ステップ、
神経血管分割部が前記第２整列ブレーンイメージを神経血管解剖学的分割ネットワーク（Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）に通過させて、前記第２整列ブレーンイメージから脳血管地図を抽出する第９ステップ、および
判断部が前記脳血管地図に基づいて前記脳と関連した情報を提供する第１０ステップ、を含み、
前記第２ステップは、
前記ＣＴイメージに対してリサイジング（Ｒｅｓｉｚｉｎｇ）作業、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行する第２－１ステップ、
前記前処理されたＣＴイメージが前記ヘッド分割ネットワークを通過する第２－２ステップ、
前記ヘッド分割ネットワークを通過した前記ＣＴイメージに対してブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業および特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業のうち少なくとも一つである後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行する第２－３ステップ、および
前記後処理されたＣＴイメージを基盤に前記ボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、ブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測する第２－４ステップ、を含む、情報提供方法。
【請求項2】
前記第２－１ステップで、
前記リサイジング（Ｒｅｓｉｚｉｎｇ）作業は、前記ヘッド分割ネットワークが要求するサイズに映像を縮小および／または拡大する作業であり、
前記ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業であり、
前記ノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、前記設定された下限から前記上限までのＨＵ Ｌｅｖｅｌを決定し、決定されたレベル間隔でマッピングする作業であり、
前記第２－３ステップで、
前記ブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業は、前記脳に対する関心ボリューム（Ｖｏｌｕｍｅ ｏｆ Ｉｎｔｅｒｅｓｔ）領域以外の領域を除去した後、サイズを再調整する作業であり、
前記特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業である、請求項１に記載の情報提供方法。
前記リサイジング（Ｒｅｓｉｚｉｎｇ）作業は、前記ヘッド分割ネットワークが要求するサイズに映像を縮小および／または拡大する作業であり、
前記ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業であり、
前記ノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、前記設定された下限から前記上限までのＨＵ Ｌｅｖｅｌを決定し、決定されたレベル間隔でマッピングする作業であり、
前記第２－３ステップで、
前記ブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業は、前記脳に対する関心ボリューム（Ｖｏｌｕｍｅ ｏｆ Ｉｎｔｅｒｅｓｔ）領域以外の領域を除去した後、サイズを再調整する作業であり、
前記特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業である、請求項１に記載の情報提供方法。
【請求項3】
前記アトラス部の標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データは、解剖学的なパターンまたは特性が保存されるように前記特定標本のデータを中央に整列して予め指定された水準によって整合後、合成して構成することで生成される、請求項１に記載の情報提供方法。
【請求項4】
前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいた剛体ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、
移動（Ｔｒａｎｓｌａｔｉｏｎ）、回転（ｒｏｔａｔｉｏｎ、）およびスケール（ｓｃａｌｅ）変換を含む線形変換を適用して、前記ブレーンイメージが潰れることなく、元の割合が維持されたまま変形されるようにする、請求項１に記載の情報提供方法。
移動（Ｔｒａｎｓｌａｔｉｏｎ）、回転（ｒｏｔａｔｉｏｎ、）およびスケール（ｓｃａｌｅ）変換を含む線形変換を適用して、前記ブレーンイメージが潰れることなく、元の割合が維持されたまま変形されるようにする、請求項１に記載の情報提供方法。
【請求項5】
前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいた非剛体ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、
前記ボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用し
て、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて１次整列されたブレーンイメージに細部的な２次整列を遂行して、前記実際の脳にさらに一致する形態になるように整列を遂行する、請求項４に記載の情報提供方法。
前記ボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用し
て、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて１次整列されたブレーンイメージに細部的な２次整列を遂行して、前記実際の脳にさらに一致する形態になるように整列を遂行する、請求項４に記載の情報提供方法。
【請求項6】
前記第９ステップで、前記脳血管地図は、動脈の解剖学的構造を区分して抽出され、
前記第１０ステップで、前記情報は、血管構造による適応症を区分するデータを含む、請求項１に記載の情報提供方法。
前記第１０ステップで、前記情報は、血管構造による適応症を区分するデータを含む、請求項１に記載の情報提供方法。
【請求項7】
前記血管構造による適応症は、大血管閉塞（Ｌａｒｇｅ Ｖｅｓｓｅｌ Ｏｃｃｌｕｓｉｏｎ、ＬＶＯ）および動脈流（Ａｎｅｕｒｙｓｍ）を含み、
前記第１０ステップで、前記情報は、前記適応症が探知および／または予測された前記脳血管地図上の位置情報および偽陽性（Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ）と関連した情報を含む、請求項６に記載の情報提供方法。
前記第１０ステップで、前記情報は、前記適応症が探知および／または予測された前記脳血管地図上の位置情報および偽陽性（Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ）と関連した情報を含む、請求項６に記載の情報提供方法。
【請求項8】
ＣＴイメージを受信し、前記ＣＴイメージを頭蓋骨と脳を分離することができるヘッド分割ネットワーク（Ｈｅａｄ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）を通過させて前記頭蓋骨のボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、前記脳のブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および前記脳と関連する血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測し、前記予測されたブレーンマスクと血管マスクを組み合わせて、前記ＣＴイメージから前記脳の領域のみを含むブレーンイメージを抽出するヘッド分割部、
複数のデータを共通した空間に整列するための基準として活用するために、特定標本の特性を融合して標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データをアトラス部から受信し、前記ヘッド分割部からブレーンイメージを受信し、前記テンプレートデータと前記ブレーンイメージと間の剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）およびアフィン整合（Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎ）を遂行して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を獲得し、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて前記ブレーンイメージに剛体ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換によって整列された第１整列ブレーンイメージを獲得する剛体整合部、
前記テンプレートデータの３次元ボリューム（Ｖｏｌｕｍｅ）と前記第１整列ブレーンイメージの３次元ボリュームを予め学習された非－剛体整合ネットワーク（Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｎｅｔｗｏｒｋ）に入力して、３次元ボクセル（ｖｏｘｅｌ）別の移動ベクターである変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を抽出し、前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいて前記第１整列ブレーンイメージにボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非剛体ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を遂行して、前記剛体整合部の結果物より実際の脳により正確に整合された第２整列ブレーンイメージを獲得する非剛体整合部、
前記第２整列ブレーンイメージを神経血管解剖学的分割ネットワーク（Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）に通過させて、前記第２整列ブレーンイメージから脳血管地図を抽出する神経血管分割部、および
前記脳血管地図に基づいて前記脳と関連した情報を提供する判断部、を含み、
前記ヘッド分割部は、
前記ＣＴイメージに対してリサイジング（Ｒｅｓｉｚｉｎｇ）作業、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行し、
前記前処理されたＣＴイメージが前記ヘッド分割ネットワークを通過するようにし、
前記ヘッド分割ネットワークを通過した前記ＣＴイメージに対してブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業および特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業のうち少なくとも一つである後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行し、
前記後処理されたＣＴイメージを基盤に前記ボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、ブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測する装置。
複数のデータを共通した空間に整列するための基準として活用するために、特定標本の特性を融合して標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データをアトラス部から受信し、前記ヘッド分割部からブレーンイメージを受信し、前記テンプレートデータと前記ブレーンイメージと間の剛体整合（Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ）およびアフィン整合（Ａｆｆｉｎｅ Ｒｅｇｉｓｔｒａｔｉｏｎ）を遂行して変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）を獲得し、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて前記ブレーンイメージに剛体ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を適用して線形変換によって整列された第１整列ブレーンイメージを獲得する剛体整合部、
前記テンプレートデータの３次元ボリューム（Ｖｏｌｕｍｅ）と前記第１整列ブレーンイメージの３次元ボリュームを予め学習された非－剛体整合ネットワーク（Ｎｏｎ－ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｎｅｔｗｏｒｋ）に入力して、３次元ボクセル（ｖｏｘｅｌ）別の移動ベクターである変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）を抽出し、前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいて前記第１整列ブレーンイメージにボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用する非剛体ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）を遂行して、前記剛体整合部の結果物より実際の脳により正確に整合された第２整列ブレーンイメージを獲得する非剛体整合部、
前記第２整列ブレーンイメージを神経血管解剖学的分割ネットワーク（Ｎｅｕｒｏｖａｓｃｕｌａｒ Ａｎａｔｏｍｙ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋ）に通過させて、前記第２整列ブレーンイメージから脳血管地図を抽出する神経血管分割部、および
前記脳血管地図に基づいて前記脳と関連した情報を提供する判断部、を含み、
前記ヘッド分割部は、
前記ＣＴイメージに対してリサイジング（Ｒｅｓｉｚｉｎｇ）作業、ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業およびノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業のうち少なくとも一つである前処理（Ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を遂行し、
前記前処理されたＣＴイメージが前記ヘッド分割ネットワークを通過するようにし、
前記ヘッド分割ネットワークを通過した前記ＣＴイメージに対してブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業および特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業のうち少なくとも一つである後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行し、
前記後処理されたＣＴイメージを基盤に前記ボーンマスク（Ｂｏｎｅ Ｍａｓｋ）、ブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）および血管マスク（Ｖｅｓｓｅｌ Ｍａｓｋ）を予測する装置。
【請求項9】
前記リサイジング（Ｒｅｓｉｚｉｎｇ）作業は、前記ヘッド分割ネットワークが要求するサイズに映像を縮小および／または拡大する作業であり、
前記ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業であり、
前記ノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、前記設定された下限から前記上限までのＨＵ Ｌｅｖｅｌを決定し、決定されたレベル間隔でマッピングする作業であり、
前記ブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業は、前記脳に対する関心ボリューム（Ｖｏｌｕｍｅ ｏｆ Ｉｎｔｅｒｅｓｔ）領域以外の領域を除去した後、サイズを再調整する作業であり、
前記特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業である、請求項８に記載の装置。
前記ＨＵウィンドウィング（Ｗｉｎｄｏｗｉｎｇ）作業は、Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ（ＨＵ）の上限および下限を設定する作業であり、
前記ノーマライジング（Ｎｏｒｍａｌｉｚｉｎｇ）作業は、前記設定された下限から前記上限までのＨＵ Ｌｅｖｅｌを決定し、決定されたレベル間隔でマッピングする作業であり、
前記ブレーンＶＯＩクロップ（Ｂｒａｉｎ ＶＯＩ Ｃｒｏｐ）作業は、前記脳に対する関心ボリューム（Ｖｏｌｕｍｅ ｏｆ Ｉｎｔｅｒｅｓｔ）領域以外の領域を除去した後、サイズを再調整する作業であり、
前記特異値クラスター（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業は、３次元上で連結されずにかけ離れている特異値クラスターを除去する作業である、請求項８に記載の装置。
【請求項10】
前記アトラス部の標準化したテンプレート（Ｔｅｍｐｌａｔｅ）データは、解剖学的なパターンまたは特性が保存されるように前記特定標本のデータを中央に整列して予め指定された水準によって整合後、合成して構成することで生成され、
前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいた剛体ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、移動（Ｔｒａｎｓｌａｔｉｏｎ）、回転（ｒｏｔａｔｉｏｎ、）およびスケール（ｓｃａｌｅ）変換を含む線形変換を適用して、前記ブレーンイメージが潰れることなく、元の割合が維持されたまま変形されるようにし、
前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいた非剛体ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、前記ボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用して、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて１次整列されたブレーンイメージに細部的な２次整列を遂行して、前記実際の脳にさらに一致する形態になるように整列を遂行する、請求項８に記載の装置。
前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいた剛体ワーピング（Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、移動（Ｔｒａｎｓｌａｔｉｏｎ）、回転（ｒｏｔａｔｉｏｎ、）およびスケール（ｓｃａｌｅ）変換を含む線形変換を適用して、前記ブレーンイメージが潰れることなく、元の割合が維持されたまま変形されるようにし、
前記変形フィールド（Ｄｅｆｏｒｍａｔｉｏｎ Ｆｉｅｌｄ）に基づいた非剛体ワーピング（Ｎｏｎ－Ｒｉｇｉｄ Ｗａｒｐｉｎｇ）は、前記ボクセル単位のグリッド補間（Ｇｒｉｄ Ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用して、前記変換媒介変数（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）に基づいて１次整列されたブレーンイメージに細部的な２次整列を遂行して、前記実際の脳にさらに一致する形態になるように整列を遂行する、請求項８に記載の装置。
【請求項11】
前記脳血管地図は、動脈の解剖学的構造を区分して抽出され、
前記情報は、血管構造による適応症を区分するデータを含み、
前記血管構造による適応症は、大血管閉塞（Ｌａｒｇｅ Ｖｅｓｓｅｌ Ｏｃｃｌｕｓｉｏｎ、ＬＶＯ）および動脈流（Ａｎｅｕｒｙｓｍ）を含み、
前記判断部が提供する前記情報は、前記適応症が探知および／または予測された前記脳血管地図上の位置情報および偽陽性（Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ）と関連した情報を含む、請求項８に記載の装置。
前記情報は、血管構造による適応症を区分するデータを含み、
前記血管構造による適応症は、大血管閉塞（Ｌａｒｇｅ Ｖｅｓｓｅｌ Ｏｃｃｌｕｓｉｏｎ、ＬＶＯ）および動脈流（Ａｎｅｕｒｙｓｍ）を含み、
前記判断部が提供する前記情報は、前記適応症が探知および／または予測された前記脳血管地図上の位置情報および偽陽性（Ｆａｌｓｅ－Ｐｏｓｉｔｉｖｅ）と関連した情報を含む、請求項８に記載の装置。
【手続補正3】
【補正対象書類名】図面
【補正対象項目名】図３
【補正方法】変更
【補正の内容】
【図3】
【手続補正4】
【補正対象書類名】図面
【補正対象項目名】図４
【補正方法】変更
【補正の内容】
【図4】
【手続補正5】
【補正対象書類名】図面
【補正対象項目名】図９
【補正方法】変更
【補正の内容】
【図9】
【手続補正6】
【補正対象書類名】図面
【補正対象項目名】図１０
【補正方法】変更
【補正の内容】
【図10】
【手続補正7】
【補正対象書類名】図面
【補正対象項目名】図１２
【補正方法】変更
【補正の内容】
【図12】
【手続補正8】
【補正対象書類名】図面
【補正対象項目名】図１３
【補正方法】変更
【補正の内容】
【図13】
【手続補正9】
【補正対象書類名】図面
【補正対象項目名】図１４
【補正方法】変更
【補正の内容】
【図14】
