ホーム > 特許ランキング > ＮＥＵＲＯＰＨＥＴ ＩＮＣ．
知財求人 - 知財ポータルサイト「IP Force」
(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】P2024156783
(43)【公開日】2024-11-06
(54)【発明の名称】診断補助情報の提供方法およびそれの実行する装置
(51)【国際特許分類】
A61B 5/055 20060101AFI20241029BHJP
G06T 7/00 20170101ALI20241029BHJP
G06T 7/11 20170101ALI20241029BHJP
【ＦＩ】
A61B5/055 380
G06T7/00 350C
G06T7/00 612
G06T7/11
【審査請求】有
【請求項の数】11
【出願形態】ＯＬ
(21)【出願番号】P 2024123085
(22)【出願日】2024-07-30
(62)【分割の表示】P 2023133067の分割
【原出願日】2020-12-30
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．ＺＩＧＢＥＥ
(71)【出願人】
【識別番号】520062384
【氏名又は名称】ニューロフェット インコーポレイテッド
【氏名又は名称原語表記】ＮＥＵＲＯＰＨＥＴ ＩＮＣ．
【住所又は居所原語表記】１２Ｆ， １２４， Ｔｅｈｅｒａｎ－ｒｏ， Ｇａｎｇｎａｍ－ｇｕ， Ｓｅｏｕｌ ０６２３４， Ｒｅｐｕｂｌｉｃ ｏｆ Ｋｏｒｅａ
(74)【代理人】
【識別番号】110002262
【氏名又は名称】ＴＲＹ国際弁理士法人
(72)【発明者】
【氏名】キム ドンヒョン
(72)【発明者】
【氏名】イ ミンホ
(57)【要約】 （修正有）
【課題】メディカルイメージを分析して診断補助情報を提供する方法およびそれを実行するためのシステムを提供する。
【解決手段】本発明は、メディカルイメージを分析して診断補助情報を提供する方法に関し、イメージを取得するステップ、脳の領域を反映する特徴値をラベリングするステップ、上記脳イメージ内に基準バウンダリを決めるステップ、第１病気インデックスおよび第２病気インデックスを計算するステップ、上記第１病気インデックスおよび上記第２病気インデックスに基づいて診断補助情報を提供するステップを含む診断補助情報の提供方法に関する。
【選択図】図５
【解決手段】本発明は、メディカルイメージを分析して診断補助情報を提供する方法に関し、イメージを取得するステップ、脳の領域を反映する特徴値をラベリングするステップ、上記脳イメージ内に基準バウンダリを決めるステップ、第１病気インデックスおよび第２病気インデックスを計算するステップ、上記第１病気インデックスおよび上記第２病気インデックスに基づいて診断補助情報を提供するステップを含む診断補助情報の提供方法に関する。
【選択図】図５
【特許請求の範囲】
【請求項1】
診断補助装置により行われるメディカルイメージのセグメンテーションのための人工神経ネットワークの学習方法であって、
第１条件で取得され、脳に関連する第１領域に関連する情報を含む第１イメージデータ及び第２条件で取得された第２イメージデータを取得するステップと、
第１入力データを取得するために、第２イメージデータ内で第２領域情報を決めるステップと、ここで、上記第２領域情報は、上記第１領域情報に基づいて、上記第２イメージデータに対応するように生成されており、
人工神経ネットワークが、第１ターゲット領域に関する情報を含む第１出力データを出力するように、上記第１入力データ及び上記第２イメージデータを上記人工神経ネットワークに入力して、上記人工神経ネットワークを学習させるステップと、
上記第１出力データ内の上記第１ターゲット領域の少なくとも一部を形態学的に修正して、上記第１出力データを第２入力データに変換するステップと、
上記人工神経ネットワークが、上記第２イメージデータから観測される第２特性と異なる第１特性を反映する第２ターゲット領域を出力するように、上記第２入力データ及び上記第２イメージデータを入力して、上記人工神経ネットワークを学習させるステップと、を含む
ことを特徴とするメディカルイメージのセグメンテーションのための人工神経ネットワークの学習方法。
第１条件で取得され、脳に関連する第１領域に関連する情報を含む第１イメージデータ及び第２条件で取得された第２イメージデータを取得するステップと、
第１入力データを取得するために、第２イメージデータ内で第２領域情報を決めるステップと、ここで、上記第２領域情報は、上記第１領域情報に基づいて、上記第２イメージデータに対応するように生成されており、
人工神経ネットワークが、第１ターゲット領域に関する情報を含む第１出力データを出力するように、上記第１入力データ及び上記第２イメージデータを上記人工神経ネットワークに入力して、上記人工神経ネットワークを学習させるステップと、
上記第１出力データ内の上記第１ターゲット領域の少なくとも一部を形態学的に修正して、上記第１出力データを第２入力データに変換するステップと、
上記人工神経ネットワークが、上記第２イメージデータから観測される第２特性と異なる第１特性を反映する第２ターゲット領域を出力するように、上記第２入力データ及び上記第２イメージデータを入力して、上記人工神経ネットワークを学習させるステップと、を含む
ことを特徴とするメディカルイメージのセグメンテーションのための人工神経ネットワークの学習方法。
【請求項2】
第１特性は、解剖学的特性であり、
第１領域は、解剖学的特性が反映された脳の器官、位置又は部位の少なくともいずれか１つの領域に関する情報を含む
ことを特徴とする請求項１に記載のメディカルイメージのセグメンテーションのための人工神経ネットワークの学習方法。
第１領域は、解剖学的特性が反映された脳の器官、位置又は部位の少なくともいずれか１つの領域に関する情報を含む
ことを特徴とする請求項１に記載のメディカルイメージのセグメンテーションのための人工神経ネットワークの学習方法。
【請求項3】
上記人工神経ネットワークは、
第２条件に対応する第２特性を反映する第２領域に関する情報を出力するように学習される
ことを特徴とする請求項１に記載のメディカルイメージのセグメンテーションのための人工神経ネットワークの学習方法。
第２条件に対応する第２特性を反映する第２領域に関する情報を出力するように学習される
ことを特徴とする請求項１に記載のメディカルイメージのセグメンテーションのための人工神経ネットワークの学習方法。
【請求項4】
上記第２特性は、病変的特性であり、
上記第２領域情報は、白質高強度信号に関連する情報を含む
ことを特徴とする請求項３に記載のメディカルイメージのセグメンテーションのための人工神経ネットワークの学習方法。
上記第２領域情報は、白質高強度信号に関連する情報を含む
ことを特徴とする請求項３に記載のメディカルイメージのセグメンテーションのための人工神経ネットワークの学習方法。
【請求項5】
第１条件で取得された入力イメージデータを取得するステップと、ここで、上記入力イメージデータは、上記第１条件と対応する第１特性を反映しており、
上記入力イメージデータを入力して人工神経ネットワーク（ここで、上記人工神経ネットワークは、第２条件と対応する第２特性を反映した第２イメージデータに基づいたランニングセットを利用して学習される。）の出力結果として、結果イメージデータを取得するステップと、を含み、
上記結果イメージデータは、少なくとも第１特性に関連する病変情報を指示する第１領域及び第２特性に関連する構造的情報を指示する第２領域を含む
ことを特徴とする人工神経ネットワークを利用してメディカルイメージをセグメンテーションする方法。
上記入力イメージデータを入力して人工神経ネットワーク（ここで、上記人工神経ネットワークは、第２条件と対応する第２特性を反映した第２イメージデータに基づいたランニングセットを利用して学習される。）の出力結果として、結果イメージデータを取得するステップと、を含み、
上記結果イメージデータは、少なくとも第１特性に関連する病変情報を指示する第１領域及び第２特性に関連する構造的情報を指示する第２領域を含む
ことを特徴とする人工神経ネットワークを利用してメディカルイメージをセグメンテーションする方法。
【請求項6】
上記病変情報は、白質高強度信号（ＷＭＨ）を含む
ことを特徴とする請求項５に記載の人工神経ネットワークを利用してメディカルイメージをセグメンテーションする方法。
ことを特徴とする請求項５に記載の人工神経ネットワークを利用してメディカルイメージをセグメンテーションする方法。
【請求項7】
上記結果イメージデータは、白質高強度信号が発生した解剖学的位置情報を提供する
ことを特徴とする請求項６に記載の人工神経ネットワークを利用してメディカルイメージをセグメンテーションする方法。
ことを特徴とする請求項６に記載の人工神経ネットワークを利用してメディカルイメージをセグメンテーションする方法。
【請求項8】
請求項１～７のいずれか１項に記載の方法を駆動するためのプログラムが記録されたコンピュータ判読可能記録媒体。
【請求項9】
診断補助情報の提供装置において、
入力イメージデータを取得する通信モジュール、
上記入力イメージデータを分析するコントローラー、を含み、
上記コントローラーは、第１条件に対応する第１特性を反映する上記入力イメージデータを、第２条件と対応する第２特性を反映した第２イメージデータに基づいたランニングセットを利用して学習された人工神経ネットワークに入力して結果イメージデータを取得しており、
上記結果イメージデータは、少なくとも第１特性に関連する病変情報を指示する第１領域及び第２特性に関連する構造的情報を指示する第２領域を含む
ことを特徴とする診断補助情報の提供装置。
入力イメージデータを取得する通信モジュール、
上記入力イメージデータを分析するコントローラー、を含み、
上記コントローラーは、第１条件に対応する第１特性を反映する上記入力イメージデータを、第２条件と対応する第２特性を反映した第２イメージデータに基づいたランニングセットを利用して学習された人工神経ネットワークに入力して結果イメージデータを取得しており、
上記結果イメージデータは、少なくとも第１特性に関連する病変情報を指示する第１領域及び第２特性に関連する構造的情報を指示する第２領域を含む
ことを特徴とする診断補助情報の提供装置。
【請求項10】
上記病変情報は、白質高強度信号（ＷＭＨ）を含む
ことを特徴とする請求項９に記載の診断補助情報の提供装置。
ことを特徴とする請求項９に記載の診断補助情報の提供装置。
【請求項11】
上記結果イメージデータは、白質高強度信号が発生した解剖学的位置情報を提供する
ことを特徴とする請求項１０に記載の診断補助情報の提供装置。
ことを特徴とする請求項１０に記載の診断補助情報の提供装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、メディカルイメージを分析して診断補助情報を提供する方法およびそれを実行するためのシステムに関し、特に、メディカルイメージを複数の領域にセグメンテーションして、上記複数の領域同士の関連関係に基づいて診断補助情報を提供する方法及びそれを実行するためのシステムに関するものである。
【背景技術】
【0002】
現代の医療技術分野では、メディカルイメージを精密に分析して病気関連情報をより正確に提供するための多様な技法への要求がますます増大している。このような趨勢の中で、メディカルイメージを分析して統一化された病気インデックスを提供する次世代医療技術が脚光を浴びている。
【0003】
メディカルイメージを分析して病気関連情報を提供するためのインデックスを算出する方式は、多様な文献により公開されてある。しかし、このような論文のほとんどは、メディカルイメージを分析する医師の臨床的判断が介入されていて、患者に提供される病気関連情報が医師によっては過度に主観的で偏差が激しいという限界点があった。
【0004】
また、メディカルイメージによって病気関連情報を提供するためにイメージセグメンテーションを行う場合でも、メディカルイメージの取得条件によりメディカルイメージ内でセグメンテーションできる領域が変わる。このため、特定の一つのメディカルイメージ内では病気に関する十分な情報を取得しにくくて、正確な診断補助情報を提供するためには、多様な条件で取得されたメディカルイメージをそれぞれセグメンテーションしなければならないという煩わしさが存在した。
【発明の概要】
【発明が解決しようとする課題】
【0005】
本発明の解決しようとする課題は、メディカルイメージを分析して病気に関するインデックスを算出することにおいて、画一化された基準を提供して、医師の主観的判断による影響を除去することである。
【0006】
また、本発明の解決しようとする課題は、高度に訓練された人工神経ネットワークを利用してメディカルイメージを分析することにより、客観的で画一化された病気インデックスを算出することである。
【0007】
また、本発明の解決しようとする課題は、メディカルイメージが有する性質に対応の病気インデックスを算出して、メディカルイメージの多様性による影響が除去された病気情報を提供することである。
【0008】
また、本発明の解決しようとする課題は、一つのメディカルイメージから少なくとも２つ以上の固有特性を有するセグメンテーション結果を取得することによって、病気関連情報の提供に多様性を増加させることである。
【課題を解決するための手段】
【0009】
本発明の実施形態による診断補助情報の提供装置は、脳に関連するＭＲＩイメージを取得する通信モジュール、上記イメージを分析するためのプログラムが記憶されたメモリー、上記メモリーに記憶されたプログラムを利用して、脳に関連する上記ＭＲＩイメージを分析するコントローラーを含んでおり、上記コントローラーは、上記イメージから脳室領域および白質高強度信号領域を区別し、上記脳室領域から予め決められた距離の分だけ離れた基準バウンダリを設定し、上記基準バウンダリ内に存在の白質高強度信号領域に基づいた第１病気インデックス、および上記基準バウンダリ外に存在の白質高強度信号領域に基づいた第２病気インデックスを計算し、上記第１病気インデックスおよび上記第２病気インデックスに基づいて診断補助情報を提供することができる。
【0010】
本発明の他の一つの実施形態による診断補助情報の提供方法は、複数のセル（ｃｅｌｌ）を含む脳イメージを取得するステップ、上記複数のセルに脳の領域を反映するための特徴値をラベリングするステップ、ここで、上記脳の領域は、脳室および白質高強度信号（ｗｈｉｔｅｍａｔｔｅｒ ｈｙｐｅｒｉｎｔｅｎｓｉｔｙ）を含み、上記脳イメージ内に基準バウンダリを決めるステップ、ここで、上記基準バウンダリは、上記脳室から予め決められた距離の分だけ離れたセルの集合として定義され、上記基準バウンダリ内に位置した白質高強度信号を表す特徴値でラベリングされたセルに関連のある第１病気インデックス、および上記基準バウンダリ外に位置した白質高強度信号を表す特徴値でラベリングされたセルに関連のある第２病気インデックスを計算するステップ、上記第１病気インデックスおよび上記第２病気インデックスに基づいて診断補助情報を提供するステップを含む、脳に関連の診断補助情報を提供することができる方法である。
【発明の効果】
【0011】
本発明によれば、メディカルイメージにより病気インデックスを算出するときに画一化された基準を提供することによって、患者の状態から客観的で明瞭な病気情報を提供することができる。
【0012】
本発明によれば、メディカルイメージに含まれた特性が反映される基準の算定方法を提供することによって、多様なメディカルイメージに適用できる病気情報の提供方法を提供することができる。
【0013】
本発明によれば、高度に訓練された人工神経ネットワークを利用してメディカルイメージを分析することによって、医師の臨床的判断が除去された、客観的で明瞭な病気情報を提供することができる。
本発明によれば、少なくとも２つ以上の異なる特性を有するメディカルイメージを通じて学習された人工神経ネットワークを利用することによって、患者の持つ病気の特性に対応のメディカルイメージに対する病気情報を正確に提供することができる。
本発明によれば、少なくとも２つ以上の異なる特性を有するメディカルイメージを通じて学習された人工神経ネットワークを利用することによって、患者の持つ病気の特性に対応のメディカルイメージに対する病気情報を正確に提供することができる。
【図面の簡単な説明】
【0014】
【発明を実施するための形態】
【0015】
本発明の実施形態による診断補助情報を提供装置は、脳に関連するＭＲＩイメージを取得する通信モジュール、上記イメージを分析するためのプログラムが記憶されたメモリー、上記メモリーに記憶されたプログラムを利用して、脳に関連する上記ＭＲＩイメージを分析するコントローラーを含んでおり、上記コントローラーは、上記イメージから脳室領域および白質高強度信号領域を区別し、上記脳室領域から予め決められた距離の分だけ離れた基準バウンダリを設定し、上記基準バウンダリ内に存在の白質高強度信号領域に基づいた第１病気インデックス、および上記基準バウンダリ外に存在の白質高強度信号領域に基づいた第２病気インデックスを計算し、上記第１病気インデックスおよび上記第２病気インデックスに基づいて診断補助情報を提供することができる
【0016】
本発明の他の実施形態による診断補助情報を提供方法は、複数のセル（ｃｅｌｌ）を含む脳イメージを取得するステップ、上記複数のセルに脳の領域を反映するための特徴値をラベリングするステップ、ここで、上記脳の領域は、脳室および白質高強度信号（ｗｈｉｔｅｍａｔｔｅｒ ｈｙｐｅｒｉｎｔｅｎｓｉｔｙ）を含み、上記脳イメージ内に基準バウンダリを決めるステップ、ここで、上記基準バウンダリは、上記脳室から予め決められた距離の分だけ離れたセルの集合として定義され、上記基準バウンダリ内に位置した白質高強度信号を表す特徴値でラベリングされたセルに関連のある第１病気インデックス、および上記基準バウンダリ外に位置した白質高強度信号を表す特徴値でラベリングされたセルに関連のある第２病気インデックスを計算するステップ、上記第１病気インデックスおよび上記第２病気インデックスに基づいて診断補助情報を提供するステップを含む、脳に関連の診断補助情報を提供することができる方法である。
【0017】
以下、添付の図面の詳細な説明を通じて、本発明の上述した目的、特徴および長所をより明らかにする。もちろん、本発明は多様な変更による実施形態で実現することができるが、以下では特定の実施形態を例として図示し、それを詳細に説明する。
【0018】
図面において、層および領域の厚さは明確性を表すために拡大して示されており、構成要素（ｅｌｅｍｅｎｔ）または層が他の構成要素または層の「上（ｏｎ）」または「上方（ｏｎ）」に位置するとの記載は、他の構成要素または層のすぐ上の方にいる場合だけでなく、中間に他の層または他の構成要素を介在した場合も全部含んでいる。本明細書において、同じ符号は原則的に同じ構成要素を示す。なお、各実施形態に係る図面において、同じ思想範囲内の同じ機能を有する構成要素は、同じ符号を使って説明する。
【0019】
本発明に関する周知機能または構成の具体的な説明が本発明の要旨に不必要と判断される場合、その詳細な説明を省略する。また、本明細書の説明に利用される数字（例えば、第１，第２など）は、一つの構成要素と他の構成要素を区分するための識別記号に過ぎない。
【0020】
また、以下の説明において、構成要素の単位を表す「モジュール」や「部」は、明細書作成の容易さを考えて付けた用語であって、その用語自体による区別的な意味または役割はない。
【0021】
本明細書は、メディカルイメージを分析して、メディカルイメージに関連する診断補助情報の提供方法およびその方法を実施するシステムに関する。
【0022】
ここで、本明細書における「メディカルイメージ」は、医療産業で取得することができる多様なイメージを含むと解釈可能である。即ち、本明細書におけるメディカルイメージは、医療産業で利用される多様な装置から取得することができるイメージの通称である。一例として、磁気共鳴映像（ＭＲＩ）のようにコンピュータトモグラフィー（ＣＴ）装置で取得したイメージがある。他の一例として、エックス線撮影装置（Ｘ－ｒａｙ）で取得したメディカルイメージがある。もちろん、メディカルイメージは、このようなイメージに限定されるものではなく、一般のカメラ装置で取得することができる写真など、医療産業分野で取得できるすべてのイメージを含むことができる。
【0023】
また、一つの実施形態によるメディカルイメージの対象客体は、医療産業の対象となるすべての被撮影客体を含むことができる。一例として、メディカルイメージが患者のイメージであることもある。具体的には、メディカルイメージを患者の身体特定部位のイメージにすることができる。より具体的な例とし、メディカルイメージは、痴呆が疑われる患者の脳に関連する写真であることもあり、肺癌が疑われる患者の肺に関連するイメージであることもある。この以外、他の実施形態によるメディカルイメージの対象客体は、人間から採取した身体組織であることもある。
【0024】
即ち、本明細書におけるメディカルイメージは、本発明の思想に従うイメージ分析方法によってイメージ内の病気情報を取得しようとする、医療産業におけるすべての被撮影客体に関するイメージであることもあり、医療産業で利用される多様な装置により取得し且つ形（ｆｏｒｍ）を有するイメージであることもある。ただし、本明細書の以下の説明では、説明の便宜上、人体の脳に関連する磁気共鳴映像（以下、「ＭＲＩ」と称する）に関して主に説明するが、本発明の思想がそれに限定されることではない。
【0025】
また、本明細書における「診断補助情報」とは、メディカルイメージから判断できる、病気に関連して客観的に判断することができる包括的な情報を意味する。一例として、本明細書での診断補助情報は、特定病気の存否である。他の一例として、診断補助情報は特定病気の進行度合である。また他の一例として、診断補助情報は病気の深刻度である。さらに他の一例として、診断補助情報は平均集団に備えた特定患者の疾患程度を数値的に表したものである。この他にも、本明細書では、前述のようにメディカルイメージ内で判断することができる病気に関連するすべての情報を通称して「診断補助情報」と表現することができる。
【0026】
【0027】
【0028】
【0029】
本実施形態において、システム（１００００）は映像取得装置（１０００）および映像分析装置（２０００）を含んでいる。
【0030】
映像取得装置（１０００）は、被撮影客体からメディカルイメージを取得することができる。ここで、映像取得装置（１０００）は、メディカルイメージを取得できる多様な装置またはシステムを意味する。一例として、図１に示されたように、映像取得装置（１０００）はＭＲＩ装置である。ただし、前述したように、本明細書で意味する映像取得装置（１０００）は、ＭＲＩ装置に限定されない。
【0031】
映像分析装置（２０００）は、映像取得装置（１０００）から取得されたメディカルイメージを分析して診断補助情報を提供することができる。具体的に、映像分析装置（２０００）は、メディカルイメージから病気に関連する多くのインデックスを抽出して、抽出されたインデックスに基づいて診断補助情報を計算することができる。映像分析装置（２０００）で実行されるメディカルイメージの分析動作に関しては、後文で詳細に説明する。
【0032】
また、上文では映像取得装置（１０００）と映像分析装置（２０００）をそれぞれ別途の装置であると説明したが、これは一例に過ぎず、診断補助情報提供システム（１００００）として具現されることができる多様な形態を含んでいる。即ち、実施形態による映像分析装置（２０００）は別途のサーバー（ｓｅｒｖｅｒ）として具現されることもでき、映像取得装置（１０００）に統合されたプログラムとして具現されることもできる。ただし、本明細書では、説明の便宜のために、別途の映像分析装置（２０００）で具現されたシステム（１００００）に対して説明する。
【0033】
以下では、図面を参照して、実施形態による映像取得装置と映像分析装置の構成に対して説明する。
【0034】
図３は実施形態による映像取得装置の構成を示したブロック図である。
【0035】
図３のように、実施形態による映像取得装置（１０００）は、第１コントローラー（１００２）、イメージ取得モジュール（１２００）、第１メモリー（１４００）および第１通信モジュール（１８００）を含んでいる。
【0036】
本実施形態において、第１コントローラー（１００２）は、イメージ取得モジュール（１２００）で取得したメディカルイメージを、第１通信モジュール（１８００）を通じて映像分析装置（２０００）に伝送することができる。
【0037】
以下では、実施形態による映像取得装置（１０００）の各構成に対して説明する。
【0038】
本実施形態によれば、イメージ取得モジュール（１２００）は、被撮影客体に対する撮影結果を取得することができる。ここで、イメージ取得モジュール（１２００）は、多様なメディカルイメージを取得するための構成を含むことができる。一例として、イメージ取得モジュール（１２００）は磁気共鳴映像（ＭＲＩ）イメージを取得するための構成であってもいい。他の一例として、イメージ取得モジュール（１２００）はＸ－ｒａｙまたはＣＴ映像を取得するための構成であってもいい。
【0039】
ここで、第１コントローラー（１００２）は、イメージ取得モジュールの設定パラメーターを調節することができる。例えば、イメージ取得モジュール（１２００）がＭＲＩイメージを取得するための構成である場合、第１コントローラー（１００２）はＭＲＩイメージ装置の繰返し時間（ＴＲ）およびエコ時間（ＴＥ）を調節することができる。これにより、ＭＲＩイメージ装置はＴ１－ｗｅｉｇｈｔｅｄイメージまたはＴ２－ｗｅｉｇｈｔｅｄイメージを取得することができる。また、第１コントローラー（１００２）は、ＭＲＩイメージ装置でＦＬＡＩＲ映像を取得するように逆パルス（ｉｎｖｅｒｓｉｏｎ ｐｕｌｓｅ）に関連したパラメーターを調節することができる。
【0040】
実施形態による第１通信モジュール（１８００）は、外部装置または外部サーバーと通信を行うことができる。映像取得装置（１０００）は、第１通信モジュール（１８００）を通じて、映像分析装置（２０００）または外部機器（または、サーバー）とデータ通信を行うことができる。
例えば、映像取得装置（１０００）は第１通信モジュール（１８００）を利用して、メディカルイメージまたはメディカルイメージに関連したデータを、映像分析装置（２０００）または外部機器に伝送することができる。
例えば、映像取得装置（１０００）は第１通信モジュール（１８００）を利用して、メディカルイメージまたはメディカルイメージに関連したデータを、映像分析装置（２０００）または外部機器に伝送することができる。
【0041】
第１通信モジュール（１８００）は、主に、有線タイプと無線タイプに分かれている。有線タイプと無線タイプはそれぞれの長短所を有しているので、場合によって、映像取得装置（１０００）に有線タイプと無線タイプを同時に用意することもできる。
【0042】
ここで、有線タイプの場合にはＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）やＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）通信が代表的であるが、その他の方式であってもいい。
【0043】
また、無線タイプの場合には、主にブルートゥース(登録商標)（Ｒlｕｅｔｏｏｔｈ）やジグビー（Ｚｉｇｂｅｅ）のようなＷＰＡＮ（Ｗｉｒｅｌｅｓｓ Ｐｅｒｓｏｎａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）系列の通信方式を利用することができる。しかし、無線通信のプロトコルがこれに制限されることではないため、無線タイプの通信モジュールは、ワイ・ファイ（Ｗｉ－Ｆｉ）のようなＷＬＡＮ（Ｗｉｒｅｌｅｓｓ Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）系列の通信方式やその他に知らされている通信方式を利用してもいい。
【0044】
第１メモリー（１４００）は各種情報を保存することができる。第１メモリー（１４００）には各種データが一時的にまたは半永久的に保存される。第１メモリー（１４００）の例として、ハードディスク（ＨＤＤ：Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、フラッシュメモリー（ｆｌａｓｈ ｍｅｍｏｒｙ）、ロム（ＲＯＭ：Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）、ラム（ＲＡＭ：Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などがある。
【0045】
第１メモリー（１４００）には、映像取得装置（１０００）を駆動するための運用プログラム（ＯＳ：Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）や、映像取得装置（１０００）の各構成を動作させるためのプログラムをはじめとして、映像取得装置（１０００）の動作に必要な各種データが保存される。
【0046】
実施形態による第１コントローラー（１００２）は、映像取得装置（１０００）の全般的な動作を制御することができる。例えば、第１コントローラー（１００２）は、取得モジュール（１２００）からメディカルイメージを受信して第１通信モジュール（１８００）を通じてデータ分析装置（２０００）に伝送するように、制御信号を生成することができる。
【0047】
第１コントローラー（１００２）は、ハードウェアやソフトウェアまたはこれらの組み合せにより、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やこれと類似の装置で具現することができる。ハードウェア的には、電気的信号を処理して制御機能を実行する電子回路の形態で提供されることができ、ソフトウェア的には、ハードウェア的回路を駆動させるプログラムやコードの形態で提供されることができる。
【0048】
映像取得装置（１０００）は、別途の電源部を有するか、有線あるいは無線により外部から電源を供給してもらい、電源部を制御するスイッチを持つことができる。
【0049】
図４は、実施形態による映像分析装置の構成を示すブロック図である。
【0050】
図４を参照してみると、映像分析装置（２０００）は、第２コントローラー（２００２）、第２メモリー（２４００）、ディスプレイモジュール（２６００）および第２通信モジュール（２８００）を含んでいる。
【0051】
本実施例によれば、第２コントローラー（２００２）は、第２通信モジュール（２８００）を通じて映像取得装置（１０００）からメディカルイメージを取得し、第２メモリー（２４００）に保存されている分析のためのプログラムを利用して上記メディカルイメージを分析して、メディカルイメージから診断補助情報を計算することができる。
【0052】
以下、実施形態による映像分析装置（２０００）の各構成に対して説明する。
【0053】
第２メモリー（２４００）は、映像分析装置（２０００）の各種の情報を保存することができる。
【0054】
第２メモリー（２２００）には、映像分析装置（２０００）を駆動するための運用プログラムや映像分析装置（２０００）の各構成を動作させるためのプログラムをはじめ、映像分析装置（２０００）の動作に必要な各種のデータを保存することができる。例えば、第２メモリー（２４００）には、メディカルイメージを加工するためのプログラム、および／または加工されたメディカルイメージを分析するためのプログラムなどを保存することができる。上記プログラムは、マシンランニングのアルゴリズムで具現されることができ、具体的な説明は後述する。
【0055】
第２メモリー（２４００）は、その例として、ハードディスク（ＨＤＤ：Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、フラッシュメモリー（ｆｌａｓｈ ｍｅｍｏｒｙ）、ロム（ＲＯＭ：Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）、ラム（ＲＡＭ：Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などがある。
【0056】
第２メモリー（２４００）には、映像分析装置（２０００）を駆動するための運用プログラム（ＯＳ：Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）や、映像分析装置（２０００）の各構成を動作させるためのプログラムをはじめ、映像分析装置（２０００）の動作に必要な各種のデータを保存することができる。
【0057】
第２通信モジュール（２８００）は、外部機器または外部サーバーと通信を行うことができる。映像分析装置（２０００）は第２通信モジュール（２８００）を利用して、映像取得装置（１０００）または外部サーバーとデータ通信を行うことができる。例えば、映像分析装置（２０００）は第２通信モジュール（２８００）を利用して、映像取得装置（１０００）から診断補助情報を提供するに必要なメディカルイメージを取得することができる。
【0058】
第２通信モジュール（２８００）は、大きく分けて有線タイプと無線タイプがある。有線タイプと無線タイプはそれぞれの長短所を持つので、場合によっては有線タイプと無線タイプを同時に映像分析装置（２０００）に用意することもできる。
【0059】
ここで、有線タイプの場合は、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）やＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）通信が代表的な例であり、その以外の他の方式も可能である。
【0060】
また、無線タイプの場合は、主に、ブルートゥース(登録商標)（Ｒlｕｅｔｏｏｔｈ）やジグビー（Ｚｉｇｂｅｅ）のようなＷＰＡＮ（Ｗｉｒｅｌｅｓｓ Ｐｅｒｓｏｎａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）系列の通信方式を利用することができる。もちろん、無線通信プロトコルはこれに制限されず、無線タイプの通信モジュールは、Ｗｉ－Ｆｉ（Ｗｉ－Ｆｉ）のようなＷＬＡＮ（Ｗｉｒｅｌｅｓｓ Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）系列の通信方式やその他の知られている通信方式を利用することも可能である。
【0061】
第２コントローラー（２００２）は映像分析装置（２０００）の全般的な動作を制御することができる。例えば、第２コントローラー（２００２）は、第２メモリー（２４００）からイメージデータの加工および分析のためのプログラムをローディングして、映像取得装置（１０００）から取得したメディカルイメージを加工および分析して、その結果を第２通信モジュール（２８００）によって外部機器または外部サーバーに提供するように、制御信号を生成することができる。映像分析装置（２０００）で実行される具体的な診断補助情報の提供方法については後文で詳しく説明する。
【0062】
第２コントローラー（２００２）は、ハードウェアやソフトウェアまたはこれらの組合により、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やこれと類似の装置で具現することができる。ハードウェア的には、電気的信号を処理して制御機能を実行する電子回路の形態で提供されることができ、ソフトウェア的には、ハードウェア的回路を駆動させるプログラムやコードの形態で提供すされることができる。
【0063】
また、映像分析装置（２０００）は、メディカルイメージ分析結果を出力するための別途のディスプレイモジュール（２６００）をさらに含むことができる。ディスプレイモジュールは、ユーザーに情報を提供できるように多様に具現されることができる。ここで、第２コントローラー（２００２）は、映像取得装置（１０００）から取得したメディカルイメージを加工および分析して、その結果をディスプレイモジュール（２６００）によって提供するための制御信号を生成することもできる。
【0064】
以下では、実施形態による診断補助情報提供システムが実行する、メディカルイメージを分析して診断補助情報を提供する方法について具体的に説明する。
【0065】
図５は実施形態による診断補助情報提供システムで実行される診断補助情報の提供方法の概括的フローチャートである。
【0066】
図５を参照すれば、実施形態による診断補助情報の提供動作は、メディカルイメージを取得するステップ（Ｓ１０００）、取得したメディカルイメージを分析するステップ（Ｓ１２００）、および分析結果に基づいて診断補助情報を提供するステップ（Ｓ１４００）を含んでいる。
【0067】
まず、実施形態による診断補助情報提供システム（１００００）は、被撮影客体からメディカルイメージを取得することができる。具体的に、映像取得装置（１０００）は、患者または試料のような被撮影客体から、診断補助情報を取得するためのメディカルイメージを取得することができる。より具体的に、映像取得装置（１０００）内のイメージ取得モジュール（１２００）は、被撮影客体を撮影してメディカルイメージを取得し、第１通信モジュール（１８００）を通じて、取得したメディカルイメージを映像分析装置（２０００）に伝送することができる。ここで、メディカルイメージは複数個あってもいい。即ち、映像取得装置（１０００）は、被撮影客体から、特定方向または特定平面に対する複数個の断層イメージを取得することができる。
【0068】
ここで、複数のメディカルイメージは３次元の情報を含むことができる。即ち、メディカルイメージは３Ｄイメージとして取得されることもできる。
【0069】
また、特定方向および特定平面は、被撮影客体の横平面（ｔｒａｎｓｖｅｒｓｅ ｐｌａｎｅ）、矢状面（ｓａｇｇｉｔａｌ ｐｌａｎｅ）、冠状面（ｃｏｒｏｎａｌ ｐｌａｎｅ）など、被撮影客体から取得できるすべての方向と平面に関する情報を含むことができる。
【0070】
そして、診断補助情報提供システム（１００００）はメディカルイメージを分析することができる（Ｓ１２００）。映像分析装置（２０００）は映像取得装置（１０００）から伝送されたメディカルイメージを分析することができる。具体的に、第２コントローラー（２００２）は、第２メモリー（２４００）に保存されたイメージの分析のためのプログラムを利用して、第２通信モジュール（２８００）を通じて受信したメディカルイメージを分析することができる。一例として、第２コントローラー（２００２）は、第２メモリー（２４００）に保存されたプログラムを利用して、メディカルイメージをセグメンテーションすることができる。
【0071】
その後、診断補助情報提供システム（１００００）は、メディカルイメージの分析結果に基づいて診断補助情報を取得することができる（Ｓ１４００）。即ち、映像分析装置（２０００）は、第２メモリー（２４００）に保存された診断補助情報取得のためのプログラムを利用して、分析されたメディカルイメージからメディカルイメージに含まれた診断補助情報を取得することができる。第２コントローラー（２００２）は第２通信モジュール（２８００）を通じて、計算された診断補助情報を外部機器または外部サーバーで伝送するか、別途に用意したディスプレイモジュール（２６００）などを利用して診断補助情報を出力することができる。
【0072】
以上のように、実施例にて診断補助情報提供システム（１００００）で実行される診断補助情報の提供方法について概括的に説明した。以下、診断補助情報提供システム（１００００）で実行される診断補助情報の提供方法の各ステップに対し、細分化された動作や内容について説明する。
【0073】
まず、メディカルイメージ取得ステップ（Ｓ１０００）に関し、実施形態により、映像取得装置（１０００）で取得できる多様なメディカルイメージを例示して説明する。
【0074】
図６は、実施形態によるメディカルイメージの例を示している。
【0075】
図６を参照すれば、実施形態によるメディカルイメージは多様な形態で具現される映像取得装置（１０００）により取得されることができる。メディカルイメージは、多様なコンピュータ断層映像撮影装置で撮影した映像である。また、前述したように、メディカルイメージは複数個のスライスイメージ（ｓｌｉｃｅ ｉｍａｇｅ）で構成された断層映像の集合であってもいい。
【0076】
一例として、メディカルイメージはＭＲＩ装置で撮影されたＭＲＩイメージである。（ａ）、（ｂ）はＭＲＩ装置で撮影した患者の各身体部位を示した図であり。他の一例として、メディカルイメージはＸ－ｒａｙ装置で撮影されたＸ－ｒａｙイメージである。（ｃ）はＸ－ｒａｙ装置で撮影した患者のＸ－ｒａｙイメージを示した図である。また他の一例として、メディカルイメージはＣＴ装置で撮影したＣＴイメージである。（ｄ）はＣＴ装置で撮影した患者のＣＴイメージを示した図である。
【0077】
また、実施形態によるメディカルイメージは、各身体部位に関するイメージである。再び図６を参照してみると、メディカルイメージは患者の脳や肺などの臓器だけではなく、脊椎のような骨格、神経構造を全部含む身体部位に関するイメージである。
【0078】
実施形態によるメディカルイメージは、メディカルイメージを取得する映像取得装置（１０００）の設定パラメーターによって、イメージ内に含まれた情報が変わることもある。
【0079】
図７は、本実施例の多様な取得条件によるメディカルイメージの例を示した図である。
【0080】
図７を参照すれば、実施形態による映像取得装置（１０００）は、装置のパラメーター設定により多様な映像を取得することができる。例示的に、映像取得装置（１０００）が１２ＭＲＩ装置で具現された場合、映像取得装置（１０００）は、マグネチックコンディション（ｍａｇｎｅｔｉｃ ｃｏｎｄｉｔｉｏｎ）に関するパラメーターを調節することによって、多様な情報を含むメディカルイメージを取得することができる。
【0081】
より具体的な例として、映像取得装置（１０００）は、短いＴＲ／ＴＥ時間を有するようにパラメーターを設定して、Ｔ１－ｗｅｉｇｈｔｅｄイメージを取得することができる。Ｔ１－ｗｅｉｇｈｔｅｄイメージは信号強度が高いため、解剖学的構造物を明確に区分することに役立つ。即ち、Ｔ１－ｗｅｉｇｈｔｅｄイメージは、人体の解剖学的特性を判断することに主に利用される。
【0082】
また、映像取得装置（１０００）は、長いＴＲ／ＴＥ時間を有するようにパラメーターを設定してＴ２－ｗｅｉｇｈｔｅｄイメージを取得することができるし、逆パルス（ｉｎｖｅｒｓｉｏｎ ｐｕｌｓｅ）を利用してＦＬＡＩＲ（Ｆｌｕｉｄ ａｔｔｅｎｕａｔｅｄ ｉｎｖｅｒｓｉｏｎ ｒｅｃｏｖｅｒｙ）イメージを取得することもできる。Ｔ２－ｗｅｉｇｈｔｅｄイメージとＦＬＡＩＲイメージは、水分を含む領域が白く見えることが特徴であり、病変領域は主に水分含有量が高いので、病変領域を発見するに有効に利用される。
【0083】
この他にも、拡散強調映像（ＤＷＩ）やＰＥＴ、ｆＭＲＩなどの特殊撮影技法を利用したメディカルイメージも本発明の思想に含まれる。
【0084】
以上のように、実施形態によるメディカルイメージ取得ステップ（Ｓ１０００）で取得する多様なメディカルイメージの例を説明した。以下、取得したメディカルイメージを分析するステップ（Ｓ１２００）に対する細部内容について説明する。
【0085】
図８は、実施形態による映像分析装置が実行するメディカルイメージ分析動作の細部動作を説明するためのフローチャートである。
【0086】
図８のように、実施形態によるメディカルイメージ分析動作は、メディカルイメージをセグメンテーションするステップ（Ｓ２００２）、セグメンテーションされたメディカルイメージから病気インデックスを抽出するステップ（Ｓ２００４）、抽出された病気インデックスに基づいて診断補助情報を取得するステップ（Ｓ２００６）を含むことができる。
【0087】
まず、映像分析装置（２０００）はメディカルイメージをセグメンテーションすることができる（Ｓ２００２）。具体的に、第２コントローラー（２００２）は、第２メモリー（２４００）に保存されたイメージセグメンテーションのためのプログラムを利用して、メディカルイメージをセグメンテーションすることができる。例示的に、第２コントローラー（２００２）は、脳に関連するメディカルイメージを脳の領域ごとにセグメンテーションすることができる。ここで、脳の領域は、メディカルイメージ内で発見される病変を意味することもでき、また、メディカルイメージ内で発見される脳の構造的な領域を意味することもできる。即ち、メディカルイメージ内で発見される脳の領域は、イメージ内で区別できるすべての客体を含むことができる。つまり、第２コントローラー（２００２）は、脳に関連するメディカルイメージを少なくとも２以上の領域に区分されるようにセグメンテーションすることができる。
【0088】
第２メモリー（２００２）に保存されたイメージセグメンテーションのためのプログラムは、マシンランニングのアルゴリズムで具現でき、これについては後文で詳細に説明する。
【0089】
メディカルイメージセグメンテーションステップ（Ｓ２００２）の後、映像分析装置（２０００）はセグメンテーションされたメディカルイメージから病気インデックスを抽出することができる（Ｓ２００４）。具体的に、第２コントローラー（２００２）は、第２メモリー（２４００）に保存されたアルゴリズムを利用して、セグメンテーションされたメディカルイメージに含まれた各領域に基づいて病気インデックスを抽出することができる。
【0090】
本明細書において、病気インデックスは、メディカルイメージ内の脳の各領域同士の関係を特定病気に関連して表現したインデックスで定義されることができる。病気インデックスは、例示的に、パジェカスケール（Ｆａｚｅｋａｓ ｓｃａｌｅ）、ＡＲＷＭＣ（Ａｇｅ－ｒｅｌａｔｅｄ ｗｈｉｔｅｍａｔｔｅｒ ｃｈａｎｇｅ）、Ｐｏｓｔｅｒｉｏｒ ａｔｒｏｐｈｙ ｓｃｏｒｅ ｏｆ ｐａｒｉｅｔａｌ ａｔｒｏｐｈｙ、ＭＴＡ（Ｍｅｄｉａｌ ｔｅｍｐｏｒａｌ ｌｏｂｅ ａｔｒｏｐｈｙ ｓｃｏｒｅ）、Ｏｒｂｉｔｏ－Ｆｒｏｎｔａｌ、Ａｎｔｅｒｉｏｒ Ｃｉｎｇｕｌａｔｅ、Ｆｒｏｎｔｏ－Ｉｎｓｕｌａ、Ａｎｔｅｒｉｏｒ Ｔｅｍｐｏｒａｌ Ｓｃａｌｅなどを含んでおり、メディカルイメージから病気関連情報を抽出することが可能な多様なインデックスを利用することができる。
【0091】
病気インデックス抽出ステップ（Ｓ２００４）の後、映像分析装置（２０００）は抽出された病気インデックスに基づいて診断補助情報を提供することができる。具体的に、第２コントローラー（２００２）は、第２メモリー（２４００）に保存されたアルゴリズムを利用して、抽出された病気インデックスに基づいてメディカルイメージから病気関連情報を取得し、取得した結果を出力することができる。
【0092】
以下、病気インデックス抽出のためにセグメンテーションされたメディカルイメージの例を説明してから、図９を参照してセグメンテーションされたメディカルイメージから病気インデックスを抽出する多様な実施例について説明する。
【0093】
図９は、実施形態によるセグメンテーションされたメディカルイメージの例を示した図である。
【0094】
図９をみると、映像分析装置（２０００）でセグメンテーションされたメディカルイメージの例が図示されている。
【0095】
図９において、映像分析装置（２０００）はメディカルイメージをセグメンテーションすることができる。ここで、セグメンテーションは、映像分析装置（２０００）がメディカルイメージに含まれた単位セル（ｃｅｌｌ）に特定値を付与することを意味する。具体的に、セグメンテーションは、第２コントローラー（２００２）がメディカルイメージに含まれたピクセル（ｐｉｘｅｌ）やボクセル（ｖｏｘｅｌ）などに特徴値をラベリングすることを意味する。一例として、第２コントローラー（２００２）は、メディカルイメージに含まれた複数のピクセルに、脳の領域を指す特徴値をラベリングすることができる。
【0096】
映像分析装置（２０００）は、メディカルイメージの形式（ｆｏｒｍ）に対応できるように、メディカルイメージをセグメンテーションすることができる。ここで、メディカルイメージの形式（ｆｏｒｍ）は、メディカルイメージの取得時の取得条件に対応することができる。一例として、メディカルイメージが特定のマグネチックコンディションの条件で撮影される場合、メディカルイメージはＴ１－ｗｅｉｇｈｔｅｄイメージの形式（ｆｏｒｍ）を有することができる。以下理解すべきこととして、説明の便宜上、メディカルイメージの形式（ｆｏｒｍ）とメディカルイメージの取得条件などの用語を混用して説明するが、本明細書の思想が用語の使用により変わることではない。また、メディカルイメージの形式（ｆｏｒｍ）やメディカルイメージの取得条件により、メディカルイメージが含んでいる特性（例えば、解剖学的特性または病変的特性）が変わることがあるので、メディカルイメージの特性という用語も混用されるはずである。
【0097】
具体的に、第２コントローラー（２００２）は第２メモリー（２４００）に保存されたイメージセグメンテーションのためのプログラムを利用して、メディカルイメージの特性が反映できるようにメディカルイメージをセグメンテーションすることができる。
【0098】
第２コントローラー（２００２）は、メディカルイメージに含まれたピクセルに脳の領域を指す値をラベリングすることができる。即ち、ＦＬＡＩＲイメージで具現されたメディカルイメージ内であれば、第２コントローラー（２００２）は白質、灰白質、脳室などで区別されたピクセルにそれぞれの領域を指す値をラベリングすることができる。
【0099】
例示的に、（ａ）は映像分析装置（２０００）がＴ１－ｗｅｉｇｈｔｅｄ ＭＲＩイメージをセグメンテーションしたことを示し、 （ｂ）は映像分析装置（２０００）がＴ２－ＦＬＡＩＲ ＭＲＩイメージをセグメンテーションしたことを示す。
【0100】
図面に図示したように、（ａ）の Ｔ１－ｗｅｉｇｈｔｅｄ ＭＲＩイメージは、脳の解剖学的特性の把握が容易になる。即ち、映像分析装置（２０００）がＴ１－ｗｅｉｇｈｔｅｄ ＭＲＩイメージをセグメンテーションする場合、映像分析装置（２０００）は、脳を構成する各部分が区別できるようにセグメンテーションすることができる。例えば、実施形態による映像分析装置（２０００）は、大脳、小脳、間脳、海馬など、脳に含まれた機関が区別できるように脳イメージをセグメンテーションすることができ、側頭葉、前頭葉、後頭葉など脳の部位別位置ごとに区別できるように脳をセグメンテーションすることもできるし、これらを組み合せてセグメンテーションすることも可能である。このように、脳の解剖学的特性がよく観測できるＴ１－ｗｅｉｇｈｔｅｄ ＭＲＩイメージを分析して診断補助情報を取得する場合、映像分析装置（２０００）は、萎縮性アルツハイマーとともに、脳の解剖学的特性に関連がある病気情報を容易に分析することができる。
【0101】
また、（ｂ） のＴ２ ＦＬＡＩＲ ＭＲＩイメージは、脳の病変的特性の把握が容易になる。実施形態による映像分析装置（２０００）でＴ２－ＦＬＡＩＲ ＭＲＩイメージをセグメンテーションする場合、映像分析装置（２０００）は、脳の病変的特性が区別できるようにメディカルイメージをセグメンテーションすることができる。ここで、脳の病変的特性は、メディカルイメージから観測できる白質高強度信号（ｗｈｉｔｅ ｍａｔｔｅｒ ｈｙｐｅｒｉｎｔｅｎｓｉｔｙ、以下「ＷＭＨ」と称する）によって検出することができる。即ち、映像分析装置（２０００）は、Ｔ２－ＦＬＡＩＲ ＭＲＩイメージの中で、ＷＭＨと脳を構成する物質や他の領域が区別できるようにメディカルイメージをセグメンテーションすることができる。ここで、脳（または、人の頭）を構成する物質には、白質（ｗｈｉｔｅ ｍａｔｔｅｒ）、灰白質（ｇｒａｙｍａｔｔｅｒ）、スカル（ｓｋｕｌｌ）などがあり、他の領域には脳室（ｖｅｎｔｒｉｃｌｅ）などがある。映像分析装置（２０００）はＷＭＨの位置と脳の他の構成との関係に基づいて病気インデックスを抽出することができ、これについては後文で詳細に説明する。
【0102】
図面では例示的にＴ１－ｗｅｉｇｈｔｅｄ ＭＲＩイメージとＴ２－ＦＬＡＩＲ ＭＲＩイメージを主に説明したが、前述した通り、本明細書の思想はこれに限定されず、ＤＷＩ、ＳＷＩなどの他のマグネチックコンディションの条件で撮影したＭＲＩイメージや、Ｘ－ｒａｙ、ＣＴなど他の撮影機器で撮影したメディカルイメージは全部利用することができる。
【0103】
また、映像分析装置（２０００）は、特定特性を有する（即ち、特定取得条件で取得された）メディカルイメージが他の特性に関する情報を含むように、セグメンテーションを実行することもできる。具体的に、第２コントローラー（２００２）は、第２メモリー（２４００）に保存されたマシンランニングアルゴリズムを利用して第１条件で撮影され且つ第１特性を有するメディカルイメージに、第１特性だけでなく、第２条件で撮影した場合に取得できる第２特性の情報を共に含むように、セグメンテーションを実行することができる。例えば、Ｔ２－ＦＬＡＩＲ ＭＲＩイメージをセグメンテーションする場合、映像分析装置（２０００）はＴ１－ｗｅｉｇｈｔｅｄ ＭＲＩイメージで観測できる解剖学的情報も共に含まれるようにＴ２－ＦＬＡＩＲイメージをセグメンテーションすることができる。これについて後文で図面を参照しながら詳細に説明する。
【0104】
以下、セグメンテーションされたメディカルイメージから病気インデックスを抽出する具体的な方法の一つの実施例に対し、図面を参照して説明する。
【0105】
図１０は本実施例のメディカルイメージから病気インデックスを抽出する方法の一例を示したフローチャートであり、図１１は基準領域と基準バウンダリが図示されたメディカルイメージの一例を示し、図１２は対象領域の領域情報を取得する場合の一例を示し、図１３は対象領域の領域情報を取得する場合の他の一例を示している。図１４は計算された病気インデックスに基づいて取得された診断補助情報が提供される場合の具現例である。
【0106】
まず、図１０を参照しながら概括的なフローに対して説明する。本実施形態において、映像分析装置（２０００）でセグメンテーションされたメディカルイメージから病気インデックスを抽出する方法は、セグメンテーションされたメディカルイメージから基準領域を検出するステップ（Ｓ２１０２）、検出された基準領域に基づいて基準バウンダリを設定するステップ（Ｓ２１０４）、基準バウンダリと対象領域の関係に基づいて病気インデックスを抽出するステップ（Ｓ２１０６）を含んでいる。
【0107】
映像分析装置（２０００）はセグメンテーションされたメディカルイメージから基準領域を検出することができる（Ｓ２１０２）。具体的に、第２コントローラー（２００２）は、セグメンテーションされたメディカルイメージで基準領域を指示するよう、ラベリングされたピクセルを検出して、これらの集合を基準領域に判断することができる。ここで、基準領域とは、後述のように、メディカルイメージ内に含まれて特定病気インデックスを計算するための基準になる領域を意味する。一例として、基準領域は脳室（ｖｅｎｔｒｉｃｌｅ）領域である。他の一例として、基準領域は白質領域である。
【0108】
ここで、基準領域は、基準領域を指示するようにラベリングされたピクセルの集合の中で、一定領域以上のバッファー領域が追加された領域である。なお、基準領域は、基準領域を指示するようにラベリングされたピクセルの集合の中で、外郭部分の一定のピクセルを除去した領域で定義することができる。
【0109】
また、映像分析装置（２０００）は、セグメンテーションされたメディカルイメージから、分析対象に対応する領域を検出することができる。具体的に、第２コントローラー（２００２）は、分析対象を指示するようラベリングされたピクセルを検出して、これらの集合を分析対象領域（以下「対象領域」と称する）に判断することができる。ここで、対象領域は、後述のようにメディカルイメージの中に含まれることがあり、特定病気インデックスを計算するための分析の対象になる領域を意味することもある。一例として、対象領域はＷＭＨ領域を意味する。対象領域を検出する方式は、前述した脳室領域を検出する方式と似ているので、詳しい説明は省略する。
【0110】
基準領域が検出されると、映像分析装置（２０００）は検出された基準領域に基づいて基準バウンダリを設定することができる（Ｓ２１０４）。具体的に、第２コントローラー（２００２）は、メディカルイメージの中で検出された脳室領域から、予め決めた距離の分だけ離れている境界を基準バウンダリとして設定することができる。
【0111】
ここで、基準バウンダリは、後述のように、基準領域と対象領域との関係を導き出して病気インデックスを抽出するための基準になる境界を意味する。即ち、アルツハイマーに関連の病気情報を判断する際にＦａｚｅｋａｓ ｓｃａｌｅのような病気インデックスが利用される場合、脳室（ｖｅｎｔｒｉｃｌｅ）とＷＭＨの間の位置的関係が重要なインデックスとして利用でき、上記脳室（ｖｅｎｔｒｉｃｌｅ）とＷＭＨの間の位置的関係を把握するための基準として、基準バウンダリが利用される。この時、脳室の場合はＦａｚｅｋａｓ ｓｃａｌｅの基準領域に、ＷＭＨの場合はＦａｚｅｋａｓ ｓｃａｌｅの対象領域に決定されることができる。
【0112】
また、ここで基準バウンダリを取得するために、基準領域内の任意の地点から予め決められた距離が計算できる。即ち、例えば、基準バウンダリは、基準領域の外郭にあるピクセルから予め決められた距離の分だけ離れたピクセルの集合を意味する。この場合、予め決められた距離の基準となる方向は、基準領域の境界面の法線方向が望ましい。他の例として、基準バウンダリは、基準領域の中心から予め決められた距離の分だけ離れたピクセルの集合を意味する。
【0113】
図１１を参照して基準バウンダリに関して説明する。
【0114】
図１１には、Ｔ２－ＦＬＡＩＲ ＭＲＩイメージ内に脳室（ｖｅｎｔｒｉｃｌｅ）、ＷＭＨ、白質、灰白質、スカルなどがセグメンテーションされた結果が図示されている。
【0115】
映像分析装置（２０００）は病気インデックスとしてＦａｚｅｋａｓ ｓｃａｌｅを利用することができる。具体的に、第２コントローラー（２００２）は、脳室領域を基準領域に決め、ＷＭＨ領域を対象領域で決めてＦａｚｅｋａｓ ｓｃａｌｅを計算することができる。ここで、第２コントローラー（２００２）は、Ｆａｚｅｋａｓ ｓｃａｌｅを計算するための基準バウンダリとして、脳室（ｖｅｎｔｒｉｃｌｅ）でラベリングされたピクセルから予め決められた距離の分だけ離れたピクセルの集合を基準バウンダリに設定することができる。また、基準バウンダリは脳室領域の外郭にあるピクセルから算定できるし、予め決められた距離は１０ｍｍで計算されることができる。ただし、これは例示的な数値に過ぎず、５ｍｍないし１５ｍｍの範囲内で任意の距離が決められる。
【0116】
図１１を参照すれば、基準バウンダリの内部と外部に共にＷＭＨが存在することで図示されている。基準バウンダリの内部および外部に存在するＷＭＨは、診断補助情報を判断するのに重要な要因（ｆａｃｔｏｒ）として作用する。具体的に、ＷＭＨが占める領域に関する情報（以下「領域情報」と称する）と基準バウンダリの間の関係が診断補助情報に密接な関連性がある。そして、ＷＭＨがセグメンテーションされたメディカルイメージからＷＭＨの領域情報を算出する方法については、図１２ないし図１３を参照して説明する。
【0117】
医学的研究によれば、一般的に、脳の領域の中、相対的に脳室と近い白質領域が相対的に脳室と遠く離れた白質領域より変性が容易になる傾向がある。したがって、メディカルイメージに含まれた脳室の周り形成されたＷＭＨ領域と相対的に脳室から遠く離れたＷＭＨ領域は、それぞれ病気に関する異なる情報を含むことができる。これに伴い、メディカルイメージ内に含まれたＷＭＨ領域を分析する際には脳室との距離を考慮して分析する必要がある。
【0118】
【0119】
図１２のように、実施形態による映像分析装置（２０００）はメディカルイメージ内の対象領域の領域情報を取得することができる。具体的に、第２コントローラー（２００２）はセグメンテーションの結果に基づいて、メディカルイメージ内の対象領域に対する領域情報を取得することができる。ここで、領域情報は特定領域の厚さまたは広さを意味する。また、後述のように、メディカルイメージが３Ｄで具現される場合、領域情報は体積を意味する。
【0120】
まず、Ｆａｚｅｋａｓ ｓｃａｌｅを基礎にして病気インデックスを計算する場合、メディカルイメージに含まれた基準領域の近くに存在する、即ち前述した基準バウンダリ内に存在する対象領域の領域情報を計算する方法について説明する。
【0121】
映像分析装置（２０００）は、基準領域から対象領域までの距離に基づいて、対象領域の領域情報を取得することができる。具体的に、第２コントローラー（２００２）は、メディカルイメージ内で基準領域にラベリングされた領域から対象領域にラベリングされた領域までの距離に基づいて、対象領域の領域情報を計算することができる。
【0122】
例えば、第２コントローラー（２００２）は、メディカルイメージ内の脳室にラベリングされた領域からＷＭＨにラベリングされた領域までの距離に基づいて、ＷＭＨ領域の厚さを計算することができる。ここで、距離の基準は、脳室にラベリングされた領域のバウンダリから法線方向に定義できる。また、計算されたＷＭＨの厚さのうち、最も大きく出てくる長さをＷＭＨの厚さとして測定することができる。より具体的に、第２コントローラー（２００２）は、脳室にラベリングされた領域のバウンダリから法線方向に向かって、最も近く位置したＷＭＨ領域を第１ポイントに決め、最も遠く位置したＷＭＨ領域を第２ポイントに決めて、第１ポイントと第２ポイントの間の距離をＷＭＨ領域の厚さ（幅）として判断することができる。ここで、若しＷＭＨ領域が脳室領域と連結されて（くっついて）形成される場合、第１ポイントは脳室上の一つのポイントに決定されることもできる。
【0123】
即ち、異なる表現をしてみると、第２コントローラー（２００２）は、メディカルイメージ内の脳室領域のバウンダリから法線方向に向かってレイ（ｒａｙ）を生成して、生成されたレイ（ｒａｙ）とＷＭＨにラベリングされたピクセルとの接点を考慮してＷＭＨの厚さを計算することができる。ここで、レイ（ｒａｙ）とＷＭＨにラベリングされたピクセルとの接点は、脳室領域とＷＭＨ領域の間の距離が近く測定される第１接点および最も遠く測定される第２接点を含むことができる。即ち、第２コントローラー（２００２）は、上記第１接点および第２接点の間の距離を考慮してＷＭＨ領域の厚さ（幅）を計算することができる。ここで、第１接点が脳室領域上に存在できるということは、前述した通りである。
【0124】
レイ（ｒａｙ）を利用した方式は、前述した基準バウンダリ内に位置するＷＭＨに適用することが好ましいが、必ずこれに制限されず、基準バウンダリ以外のＷＭＨに対しても同じ方式が適用できる。
【0125】
また、図１３には、基準バウンダリ以外のＷＭＨに対する領域情報の計算方式が図示されている。
【0126】
図１３を参照すれば、映像分析装置（２０００）は主成分分析法を利用して対象領域の領域情報を取得することができる。具体的に、第２コントローラー（２００２）は、主成分分析法（ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ）を利用して対象領域の少なくとも２以上の主成分を抽出し、抽出された主成分に基づいて対象領域の領域情報を計算することができる。
【0127】
例えば、第２コントローラー（２００２）は、メディカルイメージ内のＷＭＨにラベリングされた領域において、少なくとも２以上の軸に対する主成分を抽出することができる。ここで、主成分は多様に抽出されるが、ＷＭＨにラベリングされた領域において短軸（ｓｈｏｒｔ ａｘｉｓ）および長軸（ｌｏｎｇ ａｘｉｓ）で抽出されることが望ましい。主成分が抽出されれば、第２コントローラー（２００２）は抽出された主成分に基づいてＷＭＨにラベリングされた領域の厚さを計算することができる。
【0128】
即ち、異なる表現をしてみると、第２コントローラー（２００２）は、ＷＭＨにラベリングされた領域に対して、主成分分析法を行って長軸および短軸に対する方向と大きさを取得して、長軸に対する長さに基づいてＷＭＨにラベリングされた領域の厚さを計算することができる。または、第２コントローラー（２００２）がＷＭＨ領域の幅を計算するのように表現してもいい。
【0129】
以上では、メディカルイメージから、病気インデックスを取得するために利用される対象領域の領域情報を計算する方式について説明した。また、対象領域の領域情報を取得することにおいて、対象領域と基準領域との位置関係も考慮されるとのことについても説明した。
【0130】
以下では、再び図１０を参照して、計算されたＷＭＨの領域情報と基準バウンダリに基づいて病気インデックスを抽出する方法について説明する。
【0131】
再び図１０を参照してみると、映像分析装置（２０００）は、メディカルイメージ内に設定された基準バウンダリと対象領域の領域情報に基づいて、病気インデックスを計算することができる（Ｓ２１０６）。
【0132】
具体的に、第２コントローラー（２００２）は、基準バウンダリと対象領域間の関連関係、および対象領域の領域情報を総合的に考慮して、病気インデックスを計算することができる。
【0133】
ここで、関連関係の一例として、ＷＭＨが基準バウンダリ内部または外部に位置することに対する可否である
【0134】
具体的な例として、ＷＭＨの厚さが大きいほど病気の深刻性が高いと判断されることが一般的であるが、実施形態による病気インデックスの抽出方法は、ＷＭＨの厚さだけではなく、ＷＭＨが基準バウンダリ内に存在するか、基準バウンダリ外に存在するかの可否を総合的に考慮することができる。
【0135】
【0136】
【0137】
表１は、既存の医師の主観により病気インデックス計算する基準を示した例である。
【0138】
表１を参照すれば、既存の医療産業現場で利用されるパジェカスケール（Ｆａｚｅｋａｓ ｓｃａｌｅ）を計算するための基準例が示されている。パジェカスケール（Ｆａｚｅｋａｓ ｓｃａｌｅ）は色々な論文に掲載された病気インデックスの計算方法であって、医療産業現場で公信力のある病気インデックスの計算方法として利用されている。しかし、表１にも示されたように、既存の医療産業では、曖昧な基準に基づいて医師の主観により病気インデックスを計算しているので、患者に客観的な診断情報または診断補助情報を提供することができない問題点があった。
【0139】
表２は、本実施例の映像分析装置が実行する病気インデックス計算の基準を示している。
【0140】
これに対し、表２を参照してみると、実施形態による映像分析装置（２０００）は、明確な基準により病気インデックスを計算することができる。具体的に、第２コントローラー（２００２）は、第２メモリー（２４００）に保存された病気インデックスを計算するための基準にしたがって、メディカルイメージから病気インデックスを計算することができる。
【0141】
ここで、映像分析装置（２０００）が病気インデックスを計算するための基準は、医療産業現場で予め取得された色々な診断結果ないしは診断補助結果に基づいて決定することができる。即ち、本実施例によれば、映像分析装置（２０００）は、医療産業現場から予め取得されて病気インデックスが計算された複数のメディカルイメージを分析した結果として定量化された基準を利用して、メディカルイメージから病気インデックスを計算できることである、。
【0142】
即ち、映像分析装置（２０００）は、メディカルイメージを分析して所定の基準により計算する病気インデックスを決めて、計算が決定された病気インデックスに対応する病気インデックスの等級を計算することができる。具体的に、第２コントローラー（２００２）は、基準領域から基準バウンダリを判断して、決定された基準バウンダリと対象領域の間の関係を考慮して計算する病気インデックスを決めて、決定された病気インデックスに対応する等級値を計算することができる。
【0143】
ここで、計算する病気インデックスを決めるための所定の基準は、前述した基準バウンダリになることができる。例えば、対象領域が基準バウンダリ内に存在するかまたは対象領域が基準バウンダリの外部に存在するかの可否により、映像分析装置（２０００）が計算する病気インデックスの種類が変わることができる。
【0144】
ここで、同じ病気インデックスを計算することにおいて、病気インデックスの等級を区別するための基準が存在することができる。一例で、予め決められた基準は、対象領域の領域情報に関連した基準である。
【0145】
再び表２を参照すれば、実施形態による病気インデックスは、第１ないし第３病気インデックスを含むことができる。表２に図示された病気インデックスはＦａｚｅｋａｓ ｓｃａｌｅを意味することになる。第１病気インデックスは、脳室周囲の白質（Ｐｅｒｉ－ｖｅｎｔｒｉｃｕｌａｒ ｗｈｉｔｅ ｍａｔｔｅｒ）に関連した病気インデックスであり、第２病気インデックスは、深部白質（Ｄｅｅｐ ｗｈｉｔｅ ｍａｔｔｅｒ）に関連した病気インデックスを表し、第３病気インデックスは、第１および第２病気インデックスを考慮して計算される総合（Ｔｏｔａｌ）インデックスを表すことができる。
【0146】
ここで、基準バウンダリは第１病気インデックスと第２病気インデックスを区分するために利用されることができる。即ち、前述した通り、第２コントローラー（２００２）は、基準バウンダリを利用して、基準バウンダリ内の対象領域から第１病気インデックスを計算することができる。第２コントローラー（２００２）は、基準バウンダリを利用して、基準バウンダリ外の対象領域から第２病気インデックスを計算することができる。
【0147】
また、同じ病気インデックスの中で等級を区別することができる。即ち、第２コントローラー（２００２）は、予め決められた基準により、メディカルイメージから特定病気インデックスに対応する等級値を計算することができる。
【0148】
ここで、予め決められた基準は、対象領域の領域情報に関することができる。一例で、対象領域を指示するセル（ｃｅｌｌ）が存在しない場合や、予め決められた数以下に判断された場合、第２コントローラー（２００２）は、特定病気インデックスの等級値が０だと判断することができる。他の例で、対象領域の厚さが第１値以上で取得された場合、第２コントローラー（２００２）は、特定病気インデックスの等級値が１だと判断することができる。また他の例で、対象領域の厚さが第２値以上で取得された場合、第２コントローラー（２００２）は特定病気インデックスの等級値が２だと判断することができる。また他の例で、対象領域の厚さが第３値以上で測定された場合や、他の対象領域と連結される場合、第２コントローラー（２００２）は、特定病気インデックスの等級値が３だと判断することができる。
【0149】
即ち、表２を参照した例をみると、第２コントローラー（２００２）はメディカルイメージの分析結果として、基準バウンダリ内に含まれた対象領域に基づいて第１病気インデックスを計算することができ、上記基準バウンダリ内に含まれた対象領域の領域情報を考慮して第１病気インデックスに関連した等級値を計算することができる。
【0150】
また、映像分析装置（２０００）は同じメディカルイメージ内で、第１病気インデックスと第２病気インデックスに関連した値を全部計算することもできる。メディカルイメージのセグメンテーション結果、基準バウンダリ内外部に全部対象領域が存在する場合、第２コントローラー（２００２）は第１病気インデックスおよび第２病気インデックスに関する等級を全部計算することができる。
【0151】
また、映像分析装置（２０００）は、第１病気インデックスおよび／または第２病気インデックスを考慮して第３病気インデックスを計算することもできる。
【0152】
図１４は、実施例におる病気インデックスおよび病気インデックスに基づいた診断補助情報を提供するディスプレイの一つの実施例である。
【0153】
図１４を参照してみると、映像分析装置（２０００）は病気インデックスに基づいて診断補助情報を提供することができる。具体的に、第２コントローラー（２００２）はメディカルイメージの分析結果によって病気インデックスを取得することができ、取得した病気インデックスに基づいて診断補助情報を提供することができる。
【0154】
図面を参照しながら具体的な例を説明すれば、第２コントローラー（２００２）は、メディカルイメージの分析結果を基礎にして、基準バウンダリ内の対象領域に関する病気インデックスを提供することができる。また、病気インデックスに基づいて、病気インデックスがいかなる意味を有するかに関して情報を提供することもできる。
【0155】
ここで、前述した通り、病気インデックスは、メディカルイメージ内で判断できる病気の進行度合または深刻度に関する尺度（または基準）を意味する。例えば、病気インデックスの基準がＦａｚｅｋａｓ ｓｃａｌｅであれば、病気インデックスはＦａｚｅｋａｓ ｓｃａｌｅの等級で表現されることができる。
【0156】
また、診断補助情報は、上記病気インデックスに基づいて判断できる病気の関連情報を意味する。例えば、前述した病気インデックスがＦａｚｅｋａｓ ｓｃａｌｅで特定等級が計算される場合、診断補助情報は、現在の病気の進行度合、正常範疇との差、年齢別平均との差など病気インデックスから推測可能な病気関連情報を意味する。
【0157】
メディカルイメージから取得できる診断補助情報と比較対象になる診断補助情報、例えば、年齢別平均値、正常な人の病気インデックス値などは予め取得されて、第２メモリー（２４００）に保存されることができ、持続的にアップデートされることができる。
【0158】
説明した通り、映像分析装置（２０００）で明確な基準を設定し、メディカルイメージから病気インデックスを抽出し、抽出された病気インデックスに基づいて診断補助情報を提供することにより、今まで医療産業で医師の主観的な判断に依存した病気関連情報より、客観的で正確な診断補助情報の取得が可能になる効果をもたらすことができる。
【0159】
以上のように、診断補助情報の提供方法の実施例として、予め決められた基準バウンダリを利用する方法について説明した。ただし、メディカルイメージの特性にしたがって、固定された基準バウンダリを利用することより、メディカルイメージの特性を考慮して基準バウンダリが修正されることが、より正確な診断補助情報を提供するのに必要となることもある。
【0160】
以下、図面を参照しながら、診断補助情報を提供する方法の他の実施例として、修正された基準バウンダリを利用する方法について説明する。
【0161】
まず、図１５を参照して、メディカルイメージから病気インデックスを抽出して、病気情報を取得する他の実施例について概括的に説明する。
【0162】
図１５は、実施形態による、修正された基準バウンダリを利用して診断補助情報を提供する方法の例を示すフローチャートである。
【0163】
図１５を参照すれば、実施形態による診断補助情報の提供方法は、セグメンテーションされたメディカルイメージから基準領域を検出するステップ（Ｓ２２０２）、検出された基準領域に基づいて基準バウンダリを設定するステップ（Ｓ２２０４）、基準バウンダリと非関心領域のオーバーラップ可否を判断するステップ（Ｓ２２０６）、基準バウンダリを修正するステップ（Ｓ２２０８）、および修正された基準バウンダリに基づいて病気インデックスを取得するステップ（Ｓ２２１０）を含んでいる。
【0164】
映像分析装置（２０００）は、図１０ないし図１４を参照して説明した実施例で実行した動作と類似していて、基準領域検出ステップ（Ｓ２２０２）、検出された基準領域に基づいて基準バウンダリを設定するステップ（Ｓ２２０４）を実行するので、ここでは詳しい説明を省略する。
【0165】
基準バウンダリが設定されれば、映像分析装置（２０００）は、設定された基準バウンダリがセグメンテーションされたメディカルイメージの非関心領域とオーバーラップされるかの可否を判断することができる（Ｓ２２０６）。具体的に、第２コントローラー（２００２）はメディカルイメージ内で、設定された基準バウンダリに該当するピクセルが、非関心領域を指示した値でラベリングされたピクセルに含まれるかの可否を判断することができる。ここで、非関心領域は灰白質領域である。
【0166】
ここで、図１６を参照して説明する。
【0167】
図１６は、実施形態による基準バウンダリと非関心領域がオーバーラップされた場合を示している。
【0168】
図１６を参照すれば、メディカルイメージ内の灰白質でラベリングされた領域に、基準バウンダリがオーバーラップされたのが図示されている。
【0169】
一般的に、ＷＭＨは白質に主に発生するが、灰白質領域にはＷＭＨが発見されない。この理由のため、基準バウンダリが灰白質領域を侵す状況に既存のように病気インデックスを抽出する場合は、病気インデックスが不正確に計算されることがあり、これに伴い、病気インデックスに基づいた診断補助情報も同じく不正確な情報である確率が高くなる。したがって、基準バウンダリが灰白質領域などにオーバーラップされた場合、基準バウンダリを修正して、修正された基準バウンダリによって病気インデックスを計算する必要がある。
【0170】
本明細書の以下の説明では、白質領域のように対象領域（例えばＷＭＨ）が観測できる領域に対して「関心領域」と称し、灰白質領域のように対象領域（ＷＭＨ）が観測されない領域に対しては「非関心領域」という用語を使うようにする。
【0171】
したがって、第２コントローラー（２００２）は、メディカルイメージをセグメンテーションして基準バウンダリを設定してから、基準バウンダリが灰白質でラベリングされた領域の少なくとも一部とオーバーラップされる場合、基準バウンダリを修正することができる（Ｓ２２０８）。
【0172】
再び図１５を参照してみると、基準バウンダリが修正されれば、映像分析装置（２０００）は修正された基準バウンダリに基づいて病気インデックスを取得することができる（Ｓ２２１０）。病気インデックスを取得する方法については、図１０ないし図１４を参照して説明した実施例と似ているので、詳しい説明は省略する。
【0173】
以下、基準バウンダリを修正の例示に対し図面を参照して説明する。
【0174】
【0175】
図１７ａおよび図１７ｂを参照してみると、映像分析装置（２０００）は基準バウンダリを修正することができる。具体的に、第２コントローラー（２００２）は、基準バウンダリを修正して、修正された基準バウンダリが、非関心領域でラベリングされた領域と基準領域でラベリングされた領域との間に位置するように変更することができる。ここで、基準バウンダリは、基準領域と非関心領域との間隔を予め決められた割合で内分するように位置することができる。ここで、予め決められた比率は、多様な要因を考慮して設定することができる。一例として、予め決められた比率は非関心領域と基準領域との間の距離を考慮して決定することができる。即ち、第２コントローラー（２００２）は、基準領域と非関心領域との間の距離、非関心領域とオーバーラップされる基準バウンダリの位置および／または基準領域の形状などを含むメディカルイメージの中で考慮できる多様な要素を反映して、基準バウンダリを修正することができる。
【0176】
図面を参照して具体的な例を説明すると、図１７ａの場合には、非関心領域（灰白質）と基準領域（脳室）との間の距離が相対的に近くて、基準バウンダリが相対的に非関心領域の多くの部分にオーバーラップされているのが図示されている。この場合、第２コントローラーは、非関心領域と基準領域との間の距離を考慮して、修正された基準バウンダリが灰白質領域と脳室領域の中間（脳室と灰白質間の距離を５：５に内分するところ）に位置するように、基準バウンダリを修正することができる。
【0177】
また、図１７ｂの場合には、非関心領域（灰白質）と基準領域（脳室）との間の距離が相対的に遠くて、基準バウンダリが相対的に非関心領域の少ない部分にオーバーラップされたのが図示されている。この場合、第２コントローラー（２００２）は、修正された基準バウンダリが非関心領域により近づくように、基準バウンダリを修正することができる。
【0178】
また、本実施例によれば、一つのメディカルイメージで決定された基準バウンダリが、複数の非関心領域とオーバーラップされる場合がある。即ち、例示的に、図１７（ａ）と図１７（ｂ）のような状況が一つのメディカルイメージ内で発生することもできる。
【0179】
このような場合、第２コントローラー（２００２）は、基準バウンダリ内において非関心領域とオーバーラップされる第１区間と第２区間とが異なる比率を有するように、基準バウンダリを修正することができる。例示的に、第２コントローラー（２００２）は、第１区間では図１７ａに示したように基準バウンダリを修正することができ、第２区間では図１７ｂに示したように基準バウンダリを修正することができる。
【0180】
これを異なる表現にしてみると、第２コントローラー（２００２）は、非関心領域と基準領域との間の距離が第１距離である位置において、基準領域から基準バウンダリまでの距離と、基準バウンダリから非関心領域までの距離に対する比率が第１値になるように設定して、非関心領域と基準領域との間の距離が第２距離である位置において、基準領域から基準バウンダリまでの距離と、基準バウンダリから非関心領域までの距離に対する比率が第２値になるように、基準バウンダリを修正することができる。ここで、第２距離が第１距離より大きい時、第２値が第１値より小さいように基準バウンダリを修正することができる。例えば、基準領域と非関心領域との間の距離が相対的に遠くなればなるほど、修正された基準バウンダリは非関心領域側に偏って位置することができる。
【0181】
具体的な例として、第２コントローラー（２００２）は、灰白質と脳室との間の距離が相対的に近い第１区域の場合、基準バウンダリが灰白質と脳室との間の距離を５：５に内分するように基準バウンダリを修正し、灰白質と脳室との間の距離が相対的に遠い第２区域の場合、灰白質と脳室との間の距離を３：７に内分するように基準バウンダリを修正することができる。ここで、灰白質と脳室との間の距離を内分する比率は、予め設定されることができる。
【0182】
また、第２コントローラー（２００２）は、基準バウンダリと非関心領域がオーバーラップされる領域のみに対して、基準バウンダリを修正することもでき、基準バウンダリ全体を修正することもできる。それだけではなく、第２コントローラー（２００２）は、基準バウンダリと灰白質領域がオーバーラップされる領域に加えて、追加したバッファー領域に対しても基準バウンダリを修正することが可能である。これについては図１８を参照して具体的に説明する。
【0183】
図１８は、実施例により、一部が修正された基準バウンダリおよび全体的に修正された基準バウンダリの例示を示している。
【0184】
図１８を参照すれば、映像分析装置（２０００）は基準バウンダリの全部または一部を修正することができる。具体的に、第２コントローラー（２００２）は、基準領域と非関心領域との関係を考慮して、基準バウンダリの全部を修正するか、または一部を修正することができる。
【0185】
例えば、基準領域と非関心領域の間の距離が特定の一部分のみで近くなっておれば、該当の特定の一部分に対応する基準バウンダリの一部区間のみで基準バウンダリを修正し、全体的に非関心領域と基準領域との間の距離が類似に測定されておれば、基準バウンダリを全般的に修正することができる。しかし、これは例に過ぎず、基準バウンダリを全体的にまたは部分的に修正する状況は多様であってもいい。
【0186】
図面を参照して例示的に説明する。図面には、全体的に修正された基準バウンダリと、一部だけが修正された基準バウンダリが図示されている。
【0187】
基準バウンダリが全般的に修正された例に関して先に説明する。
【0188】
映像分析装置（２０００）は基準バウンダリを全体的に修正することができる。具体的に、第２コントローラー（２００２）は、基準領域と非関心領域との間の距離を考慮して基準バウンダリを全体的に修正することができる。
【0189】
第２コントローラー（２００２）は、基準バウンダリと非関心領域がオーバーラップされた区間において、基準バウンダリの修正に相応するように、基準バウンダリの全部を修正することができる。
【0190】
または、第２コントローラー（２００２）は、基準バウンダリと非関心領域がオーバーラップされた区間だけではなく、基準バウンダリのすべての区間において基準領域と非関心領域の間の距離を考慮して基準バウンダリを修正することができる。
【0191】
例えば、第２コントローラー（２００２）が、第１領域での非関心領域と基準領域の間の距離を考慮して、第１領域において非関心領域と基準領域の間の距離を内分した位置に対応するように基準バウンダリを全般的に修正できるとの表現もある。
【0192】
また、第２コントローラー（２００２）は、基準バウンダリのすべての区間に対して、基準領域の全般の領域と非関心領域の間の距離を考慮して、基準バウンダリを全般的に修正することもできる。
【0193】
また、映像分析装置（２０００）は基準バウンダリの一部だけを修正することができる。具体的に、第２コントローラー（２００２）は、基準バウンダリと非関心領域がオーバーラップされた区間に対応する一部区間のみに対して、基準バウンダリを修正することができる。ここで、第２コントローラー（２００２）は、基準バウンダリと非関心領域がオーバーラップされる区間にバッファー区間を追加した部分に対しても基準バウンダリを修正することができ、一部区間を除去した区間のみに対して基準バウンダリを修正することもできる。
【0194】
これを違う表現にすると、第２コントローラー（２００２）は、基準バウンダリと非関心領域の間の距離が予め決められた距離より近い区間に対しては、基準バウンダリと基準領域とが第１距離を有するように基準バウンダリを決め、基準バウンダリと非関心領域の間の距離が予め決められた距離より遠い区間に対しては、基準バウンダリと基準領域とが第２距離を有するように基準バウンダリを決めることができる。ここで、予め決められた距離は、図１０ないし図１４を参照して説明した基準バウンダリと基準領域の間の距離に対応できる。
【0195】
図面を参照すれば、一部が修正された基準バウンダリと全体的に修正された基準バウンダリ１，全体的に修正された基準バウンダリ２は、いずれも、非関心領域（灰白質）と基準領域とが近づいて位置した区間で似た形態を現すのが図示されている。ただし、全体的に修正された基準バウンダリ１は、非関心領域と基準領域の間の距離が遠くなった区間でも、同じ距離ぐらい基準領域と離れていることがよく現れている。これに比べ、全体的に修正された基準バウンダリ２は、基準バウンダリのすべての区間において、非関心領域と基準領域を予め決められた割合に内分する位置に基準バウンダリが位置するように決定された。
【0196】
ただし、一部だけを修正した基準バウンダリの場合であっても、修正された基準バウンダリがやわらかい形状を維持するように、基準バウンダリの修正された領域と既存の基準バウンダリとを滑らかに連結する必要がある。
【0197】
以下、基準バウンダリの一部を修正する場合の、既存の基準バウンダリと修正された基準バウンダリの間の連結関係に対して図面を参照して説明する。
【0198】
図１９は、実施形態による一部が修正された基準バウンダリの具体的な修正過程の例を示している。
【0199】
図１９を参照すれば、映像分析装置（２０００）は、修正された基準バウンダリと既存の基準バウンダリを連結することができる。具体的に、第２コントローラー（２００２）は、基準領域と非関心領域との間の距離を考慮して、基準バウンダリの修正される範囲を決めて、修正された基準バウンダリの一部領域から既存の基準バウンダリを連結することができる。
【0200】
まず、第２コントローラー（２００２）は、基準領域と非関心領域との間の距離が臨界距離以下になる第１地点から、基準領域と非関心領域との間の距離が臨界距離以下になる第２地点まで基準バウンダリを修正することができる。ただし、これは例示に過ぎず、第１地点は、基準バウンダリと非関心領域がオーバーラップされる任意の地点や、非関心領域と基準領域との間の距離が予め決められた距離以下になる任意の地点に選択されることもできる。また、基準バウンダリを修正する方法については、前述した実施例あるいはその他の本発明の思想に統合される方法が利用されることができる。
【0201】
その後、第２コントローラー（２００２）は、基準バウンダリが修正された領域の終端点である第１地点または第２地点と、既存の基準バウンダリが再び始まる区間である第３地点を連結することができる。ここで、既存の基準バウンダリによる第３地点と基準領域との間の距離は、図１０ないし図１４で説明したように予め決められることができる。
【0202】
第２コントローラー（２００２）は、第１地点または第２地点の位置値と第３地点の位置値との間を補間して、第１地点または第２地点と第３地点とを連結することができる。ここで、第２地点と第３地点との間の補間区間は、その長さが多様に設定されることができる。一例として、補間区間は、非関心領域と関心領域との間の距離を考慮して設定されることができる。
【0203】
図面を参照して具体的な例を説明する。
【0204】
第２コントローラー（２００２）は、灰白質と脳室の間の距離が近いところや、既存の基準バウンダリが灰白質領域とオーバーラップされる区間に対して、基準バウンダリを一部修正することができる。第２コントローラー（２００２）は、修正された基準バウンダリの一側に位置した第１地点と、既存の基準バウンダリ上に位置した第３地点間とを補間して連結することができる。ここで、第２地点は、灰白質と脳室との間の距離が臨界距離以上になる地点に選択されることができる。または、第２地点は修正された基準バウンダリと非関心領域との間の距離が臨界距離以上になる地点に選択されることができる。
【0205】
このように、実施形態による映像分析装置（２０００）は、既存の基準バウンダリと修正された基準バウンダリを滑らかに連結することによって、病気インデックスを計算するための基準バウンダリをより明確に設定することができ、明確に設定された基準バウンダリにより、映像分析装置（２０００）の取得する病気インデックスの正確性が向上できる。
【0206】
修正された基準バウンダリにより病気インデックスが計算されれば、映像分析装置（２０００）は、修正された基準バウンダリを利用して取得した病気インデックスに基づいて、診断補助情報を提供することができる。具体的に、第２コントローラー（２００２）は、修正された基準バウンダリを利用したメディカルイメージの分析結果で病気インデックスを取得することができ、取得した病気インデックスに基づいて診断補助情報を提供することができる。提供される病気インデックスまたは病気情報に関する内容は、図１４での説明と似ているので詳しい説明は省略する。
【0207】
以上に説明した通り、修正された基準バウンダリを利用することによって、一律的な基準バウンダリを利用する場合に比べ、より多様なイメージから正確な病気インデックスを取得することができる。
【0208】
また、以上の説明では基準バウンダリが灰白質領域とオーバーラップされる場合のみ基準バウンダリを修正することについて説明したが、初めから基準バウンダリを図１５ないし図１９で説明した通り設定することも可能であり、分野（ｆｉｅｌｄ）の要求にしたがって適切な基準バウンダリ設定方法を選用することができる。
【0209】
本明細書の以上の説明では、主に一つのメディカルイメージを分析する方法に対して説明した。
【0210】
以下では、映像分析装置（２０００）が複数のメディカルイメージを分析する場合の、複数のメディカルイメージから診断補助情報を提供する方法について説明する。
【0211】
図２０は、映像分析装置（２０００）が複数のメディカルイメージから診断補助情報を提供する方法に関する概略的なフローチャートである。
【0212】
図２０のように、複数のメディカルイメージからの診断補助情報の提供方法は、複数のメディカルイメージを取得するステップ（Ｓ３２００）、複数のメディカルイメージから病気インデックスを取得するステップ（Ｓ３４００）、および複数の病気インデックスに基づいて診断補助情報を提供するステップ（Ｓ３６００）を含んでいる。
【0213】
まず、映像分析装置（２０００）は、複数のメディカルイメージを取得することができる（Ｓ３２００）。具体的に、第２コントローラー（２００２）は、第２通信モジュール（２８００）を通じて、映像取得装置（１０００）から複数のメディカルイメージを取得することができる。ここで、複数のメディカルイメージは、被撮影客体を撮影した断層イメージの集合である。一例として、複数のメディカルイメージは被撮影客体に対するＭＲＩスライスイメージの集合である。
【0214】
以下、映像分析装置（２０００）は複数のメディカルイメージから病気インデックスを取得することができる（Ｓ３４００）。具体的に、第２コントローラー（２００２）は、第２メモリー（２４００）に保存された病気インデックスを取得するためのプログラムを利用して、複数のメディカルイメージに対する病気インデックスを取得することができる。ここで、第２コントローラー（２００２）は、複数のメディカルイメージの各々に対する病気インデックスを取得することもでき、複数のメディカルイメージの中の一部に対する病気インデックスを取得することもできる。病気インデックスを取得する方法については前述した説明と似ているので、詳しい説明は省略する。
【0215】
複数の病気インデックスが取得されれば、映像分析装置（２０００）は複数の病気インデックスに基づいて診断補助情報を提供することができる（Ｓ３６００）。具体的に、第２コントローラー（２００２）は、取得した複数のメディカルイメージに関する病気インデックスを総合的に考慮して診断補助情報を取得し、それを提供することができる。ここで、第２コントローラー（２００２）は、病気インデックスが計算された複数のメディカルイメージの全部に対する診断補助情報を提供することもでき、病気インデックスが計算された複数のメディカルイメージの中の一部のみに対する診断補助情報を提供することもできる。映像分析装置（２０００）により複数のメディカルイメージに対する診断補助情報を提供する方式に対しては、後文で詳しく説明する。
【0216】
以下、実施形態による複数のメディカルイメージの例示と、複数のメディカルイメージに基づいて診断補助情報を提供する方法に対して、図面を参照して説明する。
【0217】
図２１は、実施形態による複数のメディカルイメージの一例を示している。
【0218】
図２１を参照すれば、映像分析装置（２０００）は被撮影客体に関する複数の断層イメージを取得することができる。具体的に、第２コントローラー（２００２）は、第２通信モジュール（２８００）を通じて、被撮影客体の複数の断面のイメージを含む複数のメディカルイメージを取得することができる。ここで、複数の断層イメージはがスライスイメージの集合で構成されるということは、前述と同じである。
【0219】
図２１には、ＭＲＩイメージ装置で取得した複数のメディカルイメージに関する例示が図示されている。
【0220】
図２１を参照すれば、複数のメディカルイメージは、被撮影客体の第１軸に平行の複数の平面に関するスライスイメージを含む。また、各スライスイメージは、互いに所定の距離の分だけ離隔した位置での被撮影客体に対する情報を含むことができる。即ち、各々のスライスイメージは、被撮影客体に関してそれぞれ異なる情報を含む。このように、複数のメディカルイメージは、被撮影客体の色々な断面に関する情報を包括的に含んでおり、映像分析装置（２０００）は、複数のメディカルイメージを分析することによって、被撮影客体の全般に関する診断補助情報を取得することができる。
【0221】
図２２は、それぞれ他の情報を含んでいるスライスイメージの例、およびこれによる診断補助情報の提供に関する一例を示している。
【0222】
図２２を参照すれば、一つの被撮影客体に対し他の断面を撮影した複数のメディカルイメージの例を図示されている。具体的に、図２２は、人の脳を撮影したＭＲＩイメージの色々なスライスイメージの集合を示している。
【0223】
（ａ）の場合は、脳の上部側の断面に関するＭＲＩスライスイメージであり、（ｂ）の場合は、脳の中の側断面に関するＭＲＩスライスイメージを示している。
【0224】
（ｂ）に比べて（ａ）は、脳の上部に位置する領域の断面を撮影したイメージであって、脳室の大きさが（ｂ）より小さく撮影された。また、（ａ）と（ｂ）に含まれた白質領域と灰白質領域は違うように図示されていて、最も重要なのは、ＷＭＨで区別された領域情報を異なって含んでいることがわかる。
【0225】
前述した通り、本実施例の病気インデックスは、基準領域と対象領域の領域情報の関係に基づいて取得することができる。したがって、被撮影客体の色々な位置での断面を含む複数のメディカルイメージの各々から互いに異なる病気インデックスが計算されることができる。具体的な例として、脳の上部側の断面を撮影した（ａ）の場合、３等級の病気インデックスが計算され、脳の中の側断面を撮影した（ｂ）の場合、２等級の病気インデックスが計算された。
【0226】
このような場合、（ａ）に関する診断補助情報および（ｂ）に関する診断補助情報が全部取得されるし、映像分析装置（２０００）は、すべてのイメージに対する診断補助情報や、一部イメージに対する診断補助情報を取得して提供することができる。
【0227】
即ち、実施形態による映像分析装置（２０００）は、被撮影客体の色々な断面を撮影した複数のメディカルイメージに対する病気インデックスを計算することができて、計算された病気インデックスに基づいて診断補助情報を提供することができる。
【0228】
また、映像分析装置（２０００）は、病気インデックスが計算されたメディカルイメージすべてに関して診断補助情報を提供することもでき、一部のみに関して診断補助情報を提供することもできる。
【0229】
映像分析装置（２０００）は、病気インデックスが計算されたメディカルイメージの中の一部イメージを選択して、選択されたメディカルイメージに対し診断補助情報を提供することができる。具体的に、第２コントローラー（２００２）は、診断インデックスが計算されたメディカルイメージ中、所定の情報を含んでいるイメージを選択し、所定の情報を含むイメージに対し病気インデックスを計算して診断補助情報を提供することができる。
【0230】
ここで、診断補助情報の提供用のメディカルイメージを選択する基準は多様である。即ち、映像分析装置（２０００）は、病気インデックスの種類や等級に基づいて、診断補助情報の提供用のメディカルイメージを選択することもできる。
【0231】
例えば、映像分析装置（２０００）は、病気インデックスが計算されたメディカルイメージの中で、病気の進行度合の最も深刻さを現わす病気インデックスの等級計算の基礎になったメディカルイメージに対する診断補助情報を提供することができる。他の例として、映像分析装置（２０００）は、病気インデックスが計算されたメディカルイメージの中で、病気の状態が最も好転したことを現わす病気インデックスの等級計算の基礎になったメディカルイメージに対する診断補助情報を提供することもできる。また他の例として、映像分析装置（２０００）は、病気インデックスが計算されたメディカルイメージの中で、複数のメディカルイメージから計算された病気インデックスの平均値（または、中間値）を現わす病気インデックスの等級計算の基礎になったメディカルイメージに対する診断補助情報を提供することもできる。
【0232】
他の例として、映像分析装置（２０００）は、病気インデックスの種類を考慮して、第１病気インデックスが高く測定されたメディカルイメージに関して診断補助情報を提供することもでき、第２病気インデックスが高く測定されたメディカルイメージに関して診断補助情報を提供することもでき、これらを組み合せて診断補助情報を提供することもできる。また、映像分析装置（２０００）は、病気インデックスの種類と等級を考慮して、診断補助情報の提供用のメディカルイメージを選択できるということも当然である。
【0233】
このように、病気インデックスの種類や等級により他の診断補助情報が計算されることがあるので、映像分析装置（２０００）は、被撮影客体（例えば、主に患者の場合）の特性を考慮して病気インデックスの種類や等級を考慮して、診断補助情報を提供するためのメディカルイメージを選択することによって、患者に適合した診断補助情報を提供することができる。
【0234】
他の実施例として、映像分析装置（２０００）は、複数のメディカルイメージから病気インデックスを計算するための候補イメージを選択して、選択された候補イメージから取得した病気インデックスに基づいて診断補助情報を提供することもできる。
【0235】
以下、映像分析装置（２０００）が候補イメージから取得した病気インデックスに基づいて診断補助情報を提供する方法について、図面を参照しながら説明する。
【0236】
図２３は、候補イメージから診断補助情報を取得する方法を概略的に説明するためのフローチャートである。
【0237】
図２３を参照すれば、映像分析装置（２０００）が候補イメージから診断補助情報を取得する方法は、複数のメディカルイメージを取得するステップ（Ｓ１２０２）、複数のメディカルイメージをセグメンテーションするステップ（Ｓ１２１２）、セグメンテーションされた複数のイメージの中で候補イメージを判断するステップ（Ｓ１２２２）、選択された候補イメージに対する病気インデックスを取得するステップ（Ｓ１４０２）、および取得された病気インデックスに基づいて診断補助情報を提供するステップ（Ｓ１６０２）を含むことができる。
【0238】
まず、映像分析装置（２０００）は、映像取得装置（１０００）から複数のメディカルイメージを取得することができる（Ｓ１２０２）。複数のメディカルイメージを取得するステップ（Ｓ１２０２）は、図２０での説明と似ているので、詳しい説明は省略する。
【0239】
その後、映像分析装置（２０００）は、複数のメディカルイメージをセグメンテーションすることができる（Ｓ１２１２）。メディカルイメージに対するセグメンテーションについても、前述した説明と類似にして実行されることができので、詳しい説明は省略する。
【0240】
セグメンテーションが実行されれば、映像分析装置（２０００）はセグメンテーションされた複数のメディカルイメージから候補イメージを決めることができる（Ｓ１２２２）。具体的に、第２コントローラー（２００２）は、予め決められた基準により、セグメンテーションされた複数のメディカルイメージの中で、予め決められた基準を満たす候補イメージを決めることができる。候補イメージに関する詳細な説明は、図面を参照して後述する。
【0241】
候補イメージを決めたら、映像分析装置（２０００）は候補イメージから病気インデックスを取得することができる（Ｓ１４０２）。具体的に、第２コントローラー（２００２）は、候補イメージの全部または一部に対し、第２メモリー（２００２）に保存された病気インデックス計算のためのプログラムを利用して病気インデックスを取得することができる。病気インデックスを取得する方法は、前述の説明と似ているように実行できるので、具体的な説明は省略する。
【0242】
病気インデックスが取得できたら、映像分析装置（２０００）は取得された病気インデックスに基づいて、診断補助情報を取得し提供することができる（Ｓ１６０２）。具体的に、第２コントローラー（２００２）は、一つ以上の候補イメージから取得された病気インデックスに基づいて、診断補助情報を提供することができる。ここで、第２コントローラー（２００２）が複数の候補イメージから診断補助情報を提供する方法は、図２０ないし図２２で説明した通り、複数のメディカルイメージから診断補助情報を提供する方法が適用できる。
【0243】
以下、複数のメディカルイメージから候補イメージが抽出された例、および抽出された候補イメージから病気インデックスを計算して診断補助情報を提供する例を対し、図面を参照しながら説明する。
【0244】
図２４は、実施形態による候補イメージの例示を示している。
【0245】
図２４を参照すれば、映像分析装置（２０００）は候補イメージを選択することができる。具体的に、第２コントローラー（２００２）は映像取得装置（１０００）から取得した複数のメディカルイメージの中で、一つ以上の候補イメージを選択することができる。ここで、候補イメージは、複数のメディカルイメージの中で予め決められた基準を満たすイメージである。
【0246】
ここで、予め決められた基準は、計算しようとする病気インデックスに対応するように決定することができる。一例として、予め決められた基準は、基準領域の包含有無である。即ち、第２コントローラー（２００２）は、複数のメディカルイメージの中で基準領域に関する情報を含むイメージを候補イメージとして選択することができる。他の一例として、予め決められた基準は、対象領域の包含有無である。即ち、第２コントローラー（２００２）は、複数のメディカルイメージの中で対象領域に関する情報を含むイメージを候補イメージとして選択することができる。また、第２コントローラー（２００２）は、対象領域と基準領域を共に含むメディカルイメージを候補イメージとして選択することができる。
【0247】
また、ここで、候補イメージは図面に示されたように、候補イメージ範囲内に含まれる一つ以上のイメージで決定されることもできる。ここで、候補イメージ範囲は、同じ被撮影客体を一つの軸に対する色々な平面で撮影した連続的な順序を有する断層メディカルイメージの中で、予め決められた条件を満足する第１メディカルイメージから、予め決められた条件を満足する第２メディカルまでの範囲を意味する。ここで、第１メディカルイメージから第２メディカルイメージまでの範囲は、第１メディカルイメージと第２メディカルイメージの間の、順次的に位置する複数のメディカルイメージを含むことができる。
【0248】
即ち、図面を参照して具体的な例を説明すると、基準領域が脳室領域である場合、ｓａｇｇｉｔａｌ軸に対するｔｒａｎｓｖｅｒｓｅ平面を連続的な断面で撮影した複数のメディカルイメージの中で、脳室が含まれたメディカルイメージの中の最も下部に位置した第１メディカルイメージから、脳室が含まれたメディカルイメージの中最も上部に位置した第２メディカルイメージまでの間が候補イメージ範囲と設定されることができる。
【0249】
他の表現として、第２コントローラー（２００２）は、メディカルイメージに含まれた予め設定の条件に対応のピクセルの数が臨界値の以下かまたは以上かに基づいて、候補イメージまたは候補イメージの範囲を選択することができる。
【0250】
具体的に、第２コントローラー（２００２）は、メディカルイメージのセグメンテーション結果を分析して、脳室とラベリングされたピクセルの数が臨界値以下であるか否かを判断することができる。第２コントローラー（２００２）は、メディカルイメージに含まれた脳室とラベリングされたピクセルの数が臨界値以上または超過した場合に、上記メディカルイメージを候補イメージとして決めることができる。
【0251】
また、第２コントローラー（２００２）が候補イメージの範囲を設定する場合、隣接した２個のメディカルイメージの分析結果、一つのイメージに含まれた脳室とラベリングされたピクセルの数が臨界値未満または以下で、他の一つのイメージに含まれた脳室とラベリングされたピクセルの数が臨界値以上または超過になっておれば、上記他の一つのイメージが候補イメージの範囲の境界として設定されることができる。
【0252】
図２５は、実施形態による候補イメージから診断補助情報を提供する例を示している。
【0253】
図２５を参照すれば、映像分析装置（２０００）は候補イメージから診断補助情報を提供することができる。具体的に、第２コントローラー（２００２）は、候補イメージから病気インデックスを取得して、取得した病気インデックスに基づいて診断補助情報を提供することができる。
【0254】
病気インデックスを算出する方式については、前述した説明の通りであるため、具体的な説明は省略する。
【0255】
図２５に示したように、（ａ）の場合は、候補イメージではないメディカルイメージで、（ｂ）の場合は、候補イメージに決定されたメディカルイメージである。
【0256】
本実施例により病気インデックスを計算することにおいて、被撮影客体の特定領域がメディカルイメージ内に含まれることが重要である。例えば、実施形態による病気インデックスの取得方法は、脳室とＷＭＨの相関関係によって導出できるが、このような場合、メディカルイメージ内に脳室が含まれていないならば病気インデックスの算出が難しくなり、これにより正確な診断補助情報が提供できない場合もある。即ち、図２５の（ａ）の場合は脳の上端部を撮影したメディカルイメージであって、メディカルイメージ内に脳室領域が含まれていないため、実施形態による病気インデックスの計算方法が適用できないこともある。
【0257】
（ｂ）の場合は、脳室領域がメディカルイメージ内に含まれており、第２コントローラー（２００２）は（ｂ）のようなメディカルイメージを分析して病気インデックスを計算することができ、計算された病気インデックスに基づいて診断補助情報を取得することができる。
【0258】
また、被撮影客体に関するすべてのメディカルイメージを分析する場合、映像分析装置（２０００）の演算量が過度になって演算速度が遅くなり、これに伴い演算過程でエラーが発生することもある。
【0259】
しかし、本実施例の候補イメージを利用した診断補助情報の提供方法によれば、複数のイメージをセグメンテーションした後、病気インデックスを計算する候補イメージを先に決めて、決められた候補イメージのみに対して病気インデックスを計算するので、演算量を減少させることで演算速度が速くなり、演算の正確度が向上することができる。
【0260】
図２６は、実施形態による診断補助情報を提供する他の実現例である。
【0261】
図２６を参照すれば、実施形態による映像分析装置（２０００）は、候補イメージ中の少なくとも一つ以上のイメージに関する診断補助情報を提供することができる。具体的に、第２コントローラー（２００２）は、候補イメージに選択されたメディカルイメージの中で、予め決められた条件を満たす少なくとも一つ以上のイメージに関する診断補助情報を提供することができる。
【0262】
ここで、予め決められた条件は病気インデックスを考慮して決めることができる。一例として、予め決められた条件は、最も激しい病気進行度合を指示する病気インデックス値である。即ち、第２コントローラー（２００２）は、候補イメージの病気インデックスの中で病気インデックスが最も激しい病気の進行度合を表す特定のメディカルイメージを、診断補助情報を提供するためのメディカルイメージとして選択することができる。
【0263】
また、メディカルイメージから複数の病気インデックスが計算できる場合、予め決められた条件は、各々の病気インデックスを全部考慮して決定されることもある。即ち、第２コントローラー（２００２）は、複数の病気インデックスのそれぞれに対する特定の候補イメージを、診断補助情報提供のためのメディカルイメージとして全部選ぶことができ、複数の病気インデックスのうち、一部に対する特定の候補イメージのみを診断補助情報提供のためのメディカルイメージとして選ぶことができる。
【0264】
図面を参照して具体的な例を説明してみると、第２コントローラー（２００２）は、複数のメディカルイメージのうち、第１病気インデックスに関する予め決められた条件を満たすメディカルイメージに関した診断補助情報を、ディスプレイモジュール（２６００）を通じて提供することができる。ここで、予め決められた条件は、複数の候補イメージのうち、第１病気インデックスの等級が最も高く計算されたか否かである。また、第２コントローラー（２００２）は、複数のメディカルイメージのうち、第２病気インデックスに関する予め決められた条件を満たすメディカルイメージに関する診断補助情報を、ディスプレイモジュール（２６００）を通じて提供することができ、第１病気インデックスおよび第２病気インデックスに関する予め決められた条件を満たすメディカルイメージのすべてに対する診断補助情報を提供することもできる。
【0265】
以上のように、複数のメディカルイメージから病気インデックスを計算するための候補イメージを決める方法や、一つのメディカルイメージに関する病気インデックスを算出する方法を中心に説明した。
【0266】
【0267】
図２７は、実施形態による複数のイメージに基づいて病気インデックスを取得する方法を説明するためのフローチャートである。
【0268】
図２７を参照すれば、実施形態による複数のイメージに基づいて病気インデックスを取得する方法は、複数のメディカルイメージを取得するステップ（Ｓ４２００）、複数のメディカルイメージに対するセグメンテーションを実行するステップ（Ｓ４４００）、第１イメージのターゲット領域情報を取得するステップ（Ｓ４６００）、第１イメージのターゲット領域情報に基づいて第２イメージの病気インデックスを取得するステップ（Ｓ４８００）を含んでいる。
【0269】
まず、複数のメディカルイメージを取得して（Ｓ４２００）、複数のメディカルイメージに対するセグメンテーションを実行するステップ（Ｓ４４００）は、前述した動作に類似して実行できるので、具体的な説明は省略する。
【0270】
い
メディカルイメージに対するセグメンテーションを実行した後、映像分析装置（２０００）は、第１イメージに対するターゲット領域に関する情報を取得することができる（Ｓ４６００）。具体的に、第２コントローラー（２００２）は、計算しようとする病気インデックスに対応するターゲット領域に対し情報を取得することができる。ここで、ターゲット領域は、特定病気インデックスを計算するには必須的に必要な領域を意味する。具体的な内容については後述する。
メディカルイメージに対するセグメンテーションを実行した後、映像分析装置（２０００）は、第１イメージに対するターゲット領域に関する情報を取得することができる（Ｓ４６００）。具体的に、第２コントローラー（２００２）は、計算しようとする病気インデックスに対応するターゲット領域に対し情報を取得することができる。ここで、ターゲット領域は、特定病気インデックスを計算するには必須的に必要な領域を意味する。具体的な内容については後述する。
【0271】
ターゲット領域に関する情報を取得すれば、映像分析装置（２０００）は第１イメージのターゲット領域情報に基づいて第２イメージの病気インデックスを計算することができる。具体的に、第２コントローラー（２００２）は、第１イメージから取得したターゲット領域情報と第２イメージに含まれている被撮影客体に関連した領域情報に基づいて、第２イメージに関連した病気インデックスを計算することができる。これに関する例は後文で説明する。
【0272】
以下では、図面を参照しながら、第１イメージの情報を考慮して第２イメージの病気インデックスを算出する方法に対して、具体的な例を挙げて説明する。
【0273】
図２８は、本実施例により、第１イメージの情報を考慮して第２イメージの病気インデックスを算出する過程を現わした例示である。
【0274】
本実施例によれば、映像分析装置（２０００）は第１イメージから直接第２イメージの病気インデックスを計算することができる。具体的に、第２コントローラー（２００２）は、第１イメージに含まれた第１領域情報と第２イメージに含まれた第２領域情報の関係に基づいて、第２イメージの病気インデックスを計算することができる。ここで、第１領域情報は、第１イメージに含まれた基準領域に関する情報である。また、第２領域情報は、第２イメージに含まれた対象領域に関する情報である。
【0275】
病気インデックスを計算するには、基準領域に関する情報はメディカルイメージ内に含まれていないのに、対象領域に関する情報は含まれている場合がある。このような場合、病気インデックスを計算するための要件が十分しないため、病気インデックスを計算するのが難解であるが、場合によってこのようなメディカルイメージに対しても病気インデックスを計算する必要がある。
【0276】
例示的に、図２８を参照すれば、第１スライスイメージの場合はＷＭＨに関する情報が含まれているが、脳室に関する情報が含まれていない。このような場合、脳室とＷＭＨとの関係から導出される病気インデックスは、第１スライスイメージから導出されるのが難解である。しかし、ＷＭＨは病気に関する重要な情報を内包している可能性が高くて、より正確な診断補助情報を提供するためにＷＭＨが発見されたイメージに対しては病気インデックスを計算することが望ましい。
【0277】
このような場合、第２コントローラー（２００２）は、第１イメージと第２イメージの関係に基づいて、第１イメージに関する情報を考慮して第２イメージの病気インデックスを計算することができる。ここで、第１イメージと第２イメージの関係は予め取得することができる。一例として、第１イメージと第２イメージの関係は、スライスイメージ同士間の距離である。
【0278】
さらに図面を参照し、具体的な例を挙げて説明する。
【0279】
第２コントローラー（２００２）は、まず複数のメディカルイメージに対するセグメンテーションの結果として、メディカルイメージ内に病気インデックスを計算するための対象領域は含まれているが、基準領域は含まれていない第１イメージを決めることができる。例えば、第２コントローラー（２００２）は、実施形態による病気インデックスを計算するためには、脳室およびＷＭＨに関する情報が必要であっても、メディカルイメージ内にＷＭＨに関する情報のみが含まれ、脳室に関する情報が含まれていない第１イメージを選択することができる。
【0280】
次に、第２コントローラー（２００２）は、第１イメージの近所の他のメディカルイメージの中で、第１イメージに含まれていない基準領域を含んでいる第２イメージを選択することができる。ここで、第２イメージは、第１イメージとすぐに隣接したイメージであるが、これに限定されていない。例えば、第２コントローラー（２００２）は、第１イメージの周辺に位置された（例えば、矢状面（ｓａｇｇｉｔａｌ）軸での第１イメージからの距離が所定距離以下である）メディカルイメージの中で、病気インデックスを計算するための脳室領域を含んでいる第２イメージを選択することができる。
【0281】
第２イメージが選ばれたら、第２コントローラー（２００２）は、第２イメージに含まれた基準領域と第１イメージに含まれた対象領域の関係に基づいて、病気インデックスを計算することができる。例えば、第２コントローラー（２００２）は、第２イメージに含まれた脳室領域から第１イメージに含まれたＷＭＨまでの距離情報および第２イメージに含まれたＷＭＨの領域情報に基づいて、第２イメージ内の病気インデックスを計算することができる。ここで、第１イメージと第２イメージとの間の距離は予め取得して保存することができる。
【0282】
また、ここで、第２イメージに含まれた基準領域と第１イメージに含まれた対象領域との間の関係を導出するための基準は多様に決定されることができる。一例として、第２コントローラー（２００２）は、第２イメージに含まれた脳室領域の中心から第１イメージに含まれたＷＭＨ領域までの距離に基づいて、病気インデックスを計算することができる。他の一例として、第２コントローラー（２００２）は、第２イメージに含まれた脳室領域のうち、第１イメージに含まれたＷＭＨ領域と最も近い脳室領域から第１イメージに含まれたＷＭＨ領域までの距離に基づいて、病気インデックスを計算することも可能である。例示した方法以外でも、第２イメージに含まれた脳室領域から第１イメージに含まれたＷＭＨ領域までの距離が計算できる基準であれば、多様な方法が本発明の思想に統合されるとは当業者であれば理解できることである。
【0283】
以下、図面を参照して、第１イメージから間接的に第２イメージの病気インデックスを計算する方法について説明する。
【0284】
図２９は、本実施例により、第１イメージの情報を考慮して第２イメージの病気インデックスを算出する過程を現わした他例を示している。
【0285】
本実施例によれば、映像分析装置（２０００）は第１イメージから間接的に第２イメージの病気インデックスを計算することができる。具体的に、第２コントローラー（２００２）は、第１イメージに含まれた基準領域に関する情報から間接的に取得された第２イメージ内の基準セルと第２イメージ内に含まれた対象領域の関係に基づいて、第２イメージの病気インデックスを計算することができる。
【0286】
図面を参照して具体的な例を挙げて説明する。
【0287】
第２コントローラー（２００２）は、図２７で説明した通りであって、まず複数のメディカルイメージに対するセグメンテーションの結果で、メディカルイメージ内に病気インデックスを計算するための対象領域は含まれているが、基準領域は含まれていない第１イメージを決めることができる。
【0288】
例えば、第２コントローラー（２００２）は、実施形態による病気インデックスを計算するためには脳室およびＷＭＨに関する情報が必要であっても、メディカルイメージ内にＷＭＨに関する情報のみが含まれ、脳室に関する情報が含まれていない第１イメージを選ぶことができる。
【0289】
次に、第２コントローラー（２００２）は、第１イメージと隣接した他のメディカルイメージの中で、第１イメージにｓは含まれていない基準領域を含んでいる第２イメージを選択することができる。例えば、第２コントローラー（２００２）は、第１イメージの近くに位置したメディカルイメージの中で、病気インデックスを計算するための脳室領域を含んでいる第２イメージを選ぶことができる。
【0290】
第２イメージが選ばれたら、第２コントローラー（２００２）は、第２イメージに含まれた基準領域に関する情報に基づいて、第１イメージ上に第２イメージに含まれた基準領域に対応する基準セルを決めることができる。例えば、第２コントローラー（２００２）は、第２イメージに含まれた脳室領域に関する情報に基づいて、第１イメージ上に第２イメージに含まれた脳室領域に対応する基準セル（ｃｅｌｌ）を決めることができる。
【0291】
基準セルが決定されれば、第２コントローラー（２００２）は、第１イメージに含まれた基準セルと対象領域に関する情報に基づいて、病気インデックスを計算することができる。即ち、例えば第２コントローラー（２００２）は、第１イメージに含まれた脳室領域に対応する第２領域の基準セルを脳室と見なして、第１イメージに含まれたＷＭＨとの関係を導出して、病気インデックスを計算することができる。基準セルとＷＭＨの関係に基づいて病気インデックスを計算する方式に対しては、前述の説明と類似した病気インデックスの計算方法が適用できるのは当然である。
【0292】
以上のように、本実施例によれば、映像分析装置（２０００）は正確な病気インデックスを取得するために複数のメディカルイメージを利用して病気インデックスを計算し、これに基づいて診断補助情報を提供することができる。
【0293】
これに加えて、実施形態による診断補助情報提供システム（１００００）は、メディカルイメージを３Ｄモデリングした３Ｄメディカルモデルでも病気インデックスを計算して、診断補助情報を提供することができる。
【0294】
【0295】
図３０は、実施形態による３Ｄメディカルモデルに基づいて診断補助情報を提供する方法の一例を説明するためのフローチャートである。
【0296】
本実施例により、映像分析装置（２０００）が実行する３Ｄメディカルモデルに基づいて診断補助情報を提供する方法は、複数のメディカルイメージを取得するステップ（Ｓ５２００）、複数のメディカルイメージに対するセグメンテーションを実行するステップ（Ｓ５４００）、セグメンテーションされたメディカルイメージに基づいて３次元モデリングを実行するステップ（Ｓ５６００）、３次元モデリングに基づいて病気インデックスを取得するステップ（Ｓ５８００）を含んでいる。
【0297】
複数のメディカルイメージを取得するステップ（Ｓ５２００）および複数のメディカルイメージに対するセグメンテーションを実行するステップ（Ｓ５４００）については、前述した説明と類似したように実行することができて、詳しい説明は省略する。
【0298】
複数のメディカルイメージに対するセグメンテーションを実行すると、映像分析装置（２０００）は、セグメンテーションされた複数のメディカルイメージに基づいて、３Ｄメディカルモデルを取得することができる（Ｓ５６００）。具体的に、第２コントローラー（２００２）は、被撮影客体を連続的な断面で撮影した複数のメディカルイメージを加工して、３Ｄメディカルモデルを生成することができる。ここで、３Ｄメディカルモデルは、複数のセグメンテーションされたメディカルイメージを基に生成されて、複数の脳領域情報を反映する３Ｄピクセル情報を含むことができる。即ち、３次元上で複数の脳領域別にセグメンテーションされることができる。また、前述した基準バウンダリは３次元上で形成されることができる。
【0299】
３Ｄメディカルモデルを取得すると、映像分析装置（２０００）は、取得された３Ｄメディカルモデルに基づいて病気インデックスを取得し診断補助情報を提供することができる。具体的に、第２コントローラー（２００２）は、第２メモリー（２４００）に保存された病気インデックスの取得のためのプログラムを利用して、３Ｄメディカルモデルから病気インデックスを算出して、算出された病気インデックスから診断補助情報を取得することができる。
【0300】
以下、３Ｄメディカルモデルから病気インデックスを算出して診断補助情報を提供する例について、図面を参照して説明する。
【0301】
【0302】
図３１を参照すると、映像分析装置（２０００）は、３Ｄメディカルモデルに含まれた領域情報に基づいて病気インデックスを取得することができる。具体的に、第２コントローラー（２００２）は、３Ｄメディカルモデルに含まれている被撮影客体の一つ以上の特定領域情報に基づいて、病気インデックスを計算することができる。ここで、一つ以上の特定領域は、前述した通り、対象領域および基準領域を含むことができる。具体的に、３次元上で表現された対象領域または基準領域とラベリングされたセル（例えば、ボクセルを（ｖｏｘｅｌ））である。また、ここで、第２コントローラー（２００２）は、一つ以上の被撮影客体に含まれた領域間の関係を導出するための基準を設定することができる。
【0303】
一例として、第２コントローラー（２００２）は、３Ｄメディカルモデルに含まれている脳室領域とＷＭＨ領域に基づいて、病気インデックスを計算することができる。ここで、第２コントローラー（２００２）は、前述した例示と類似に、脳室領域とＷＭＨ領域の間の関係を導出するために基準バウンダリを設定することができる。即ち、第２コントローラー（２００２）は、３次元上の脳室領域から予め設定された距離の分だけ離れたセル（ｃｅｌｌ）の集合を基準バウンダリに設定することができる。また、前述したメディカルイメージで設定された基準バウンダリに類似にして、第２コントローラー（２００２）は多様な方式で基準バウンダリを設定したり修正することができる。
【0304】
第２コントローラー（２００２）は、３次元で形成された基準バウンダリに基づいて、ＷＭＨ領域との関係を考慮して病気インデックスを計算することができる。ここで、基準バウンダリとＷＭＨとの関係は前述した説明に似ている。また、２次元のメディカルイメージで３次元の３Ｄモデリングを実行することに伴って、被撮影客体の領域に関する情報、一例として対象領域に関する領域情報は、３次元的な物理量になる。即ち、第２コントローラー（２００２）は、２次元のメディカルイメージでは取得できなかった被撮影客体に含まれた特定領域の厚さのような３次元情報も、３Ｄモデリングを通じて取得することができる。他の例として、ＷＭＨに関する情報は、ＷＭＨでタギングされたセル（ｃｅｌｌ）に対応する体積（または、数）である。
【0305】
図３２を参照すれば、映像分析装置（２０００）は、３Ｄメディカルモデルに含まれた複数の平面に基づいて、病気インデックスを算出して診断補助情報を提供することができる。具体的に、第２コントローラー（２００２）は、３Ｄメディカルモデルに含まれた被撮影客体に関し且つ少なくとも一つ以上の特定領域に関する情報を含む１以上の平面に基づいて、病気インデックスを計算して、診断補助情報を提供することができる。
【0306】
３Ｄモデリングを実行することにより、病気インデックスを算出するための特定領域間の関係を導出するのが容易になる長所がある。即ち、前述した通り、スライスイメージを分析して病気インデックスを計算する場合、スライスイメージ内に病気インデックスを算出するための被撮影客体に含まれた必須領域に関する情報が含まれていないのであれば、病気インデックスを容易に取得することができないだけではなく、取得した病気インデックスの正確度が低くなる可能性がある。
【0307】
しかし、３Ｄモデリングを実行して病気インデックスを計算する場合、病気インデックスの計算に必須の領域が全部含まれるように平面を決めて、該当平面に対し病気インデックスを計算することによって病気インデックスの正確度が向上することができる。
【0308】
図面を参照して具体的な例を説明する。
【0309】
図３２を再び参照してみると、第２コントローラー（２００２）は、脳室領域と第１ＷＭＨ領域が全部含まれるように、予め設定された基準に対応するように第１平面を設定して、設定された第１平面に対する病気インデックスを計算することができる。ここで、第１平面を設定する基準は多様である。一例として、第１平面は、対象領域と基準領域との間の距離を考慮して設定された平面である。より具体的な例として、第１平面は、ＷＭＨ領域と脳室領域との間の距離が最小になる直線を含むように設定された平面である。
【0310】
他の一例として、第２コントローラー（２００２）は、平面内に含まれる対象領域の数を考慮して第２平面を設定し、設定された第２平面に対する病気インデックスを計算することができる。例えば、第２コントローラー（２００２）は、基準領域に関する情報を含むことに加えて、最も多い数の対象領域を含むように第２平面を設定することができる。また、第２コントローラー（２００２）は、対象領域でラベリングされたピクセルの数が最大になるように第２平面を設定することもできる。
【0311】
即ち、第２コントローラー（２００２）は、多様な基準により第１対象領域および基準領域が含まれるように第１平面を設定することもでき、第２対象領域および基準領域が含まれるように第２平面を設定することもできる。この時、第１平面と第２平面は所定の角度を形成することができる。このように、映像分析装置（２０００）は、３Ｄメディカルモデルのベースになったメディカルイメージが含まれた平面と所定の角度を成す平面に対しても、基準領域と対象領域に対する関係を導出することができて、病気インデックスを計算したり診断補助情報を提供することもできる。
【0312】
以上では、多様な実施例により、診断補助情報提供システム（１００００）が実行する一つまたは複数のメディカルイメージから病気インデックスを取得して、取得した病気インデックスに基づいて診断補助情報を提供する方法の例について説明した。
【0313】
以上で説明した通り、本実施形態の診断補助情報提供システム（１００００）で実行される診断補助情報の提供方法によれば、メディカルイメージから明確で一律的な基準を有し且つ自動化されたアルゴリズムまたはプログラムに基づいて病気インデックスを計算することで、人間の主観的な判断が排除されて、より客観的な病気インデックスが計算でき、これによりもっと正確な診断補助情報を提供することができる。
【0314】
以下では、実施形態による診断補助情報提供システム（１００００）が、メディカルイメージからメディカルイメージ内に含まれた特定領域に対してセグメンテーションを実行する方法について説明する。
【0315】
本実施例によれば、診断補助情報提供システム（１００００）は、メディカルイメージをセグメンテーションすることができる。具体的に、映像分析装置（２０００）は、映像取得装置（１０００）からメディカルイメージを取得して、取得されたメディカルイメージをセグメンテーションすることができる。より具体的には、第２コントローラー（２００２）は、第２メモリー（２４００）に保存されたイメージのセグメンテーションのためのアルゴリズムを利用して、メディカルイメージをセグメンテーションすることができる。
【0316】
以下、図面を参照して説明する。
【0317】
図３３は、本実施例により、映像分析装置が実行するメディカルイメージのセグメンテーション動作を概括的に示している。
【0318】
本実施例によれば、映像分析装置（２０００）は、インプットデータの入力を受けて、アウトプットデータを出力することができる。具体的に、第２コントローラー（２００２）は、映像取得装置（１０００）から取得したメディカルイメージをインプットデータとしてイメージのセグメンテーションのためのアルゴリズムに入力して、メディカルイメージがセグメンテーションされたアウトプットデータを取得することができる。
【0319】
実施形態による映像分析装置（２０００）は、イメージのセグメンテーションのための多様なアルゴリズムを利用することができる。
【0320】
一例として、イメージのセグメンテーションのためのアルゴリズムは、マシンラーニングモデルで提供されることができる。マシンラーニングモデルの代表的な例として、人工神経ネットワーク（Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）がある。具体的に、人工神経ネットワークの代表的な例として、データの入力を受け入れる入力層レイヤー、結果を出力する出力層、および入力層ーと出力層の間でデータを処理する隠れ層（ｈｉｄｄｅｎ ｌａｙｅｒ）を含むディープラーニング系列の人工神経ネットワークがある。
【0321】
人工神経ネットワークの細部的な例として、畳み込みニューラルネットワーク （Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、回帰型ニューラルネットワーク （Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ディープニューラルネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）などがあって、本明細書で人工神経ネットワークは上述された人工神経ネットワーク、その他の多様な形態の人工神経ネットワークおよびこれらを組み合せた形態の人工神経ネットワークを全部含む包括的な意味で解釈されるべきで、必ずディップランニング系列でなければならない。
【0322】
これだけではなく、マシンラーニングモデルが必ず人工神経ネットワークモデル形態であるわけではなく、その他にも最近傍アルゴリズム（ＫＮＮ）、ランダムフォレスト（Ｒａｎｄｏｍ Ｆｏｒｅｓｔ）、サポートベクターマシン（ＳＶＭ）、主成分分析法（ＰＣＡ）などが含まれ、以上に記載された技法がアンサンブルなった形態や、その他に多様な方式で組み合せた形態も全部含むことができる。一方、人工神経ネットワークを中心に記載される実施例において、特別な記載がない限り、人工神経ネットワークが異なるマシンラーニングモデルで代替される可能性も明らかである。
【0323】
しかも、本明細書において、イメージセグメンテーションのためのアルゴリズムが必ずマシンラーニングモデルに限定されるのではない。即ち、イメージセグメンテーションのためのアルゴリズムは、マシンラーニングモデルでない多様な判断／決定アルゴリズムを含むこともできる。
【0324】
したがって、本明細書において、イメージセグメンテーションのためのアルゴリズムは、メディカルイメージを分析してメディカルイメージ内に含まれた領域を区別するすべての形態のアルゴリズムを全部含む包括的な意味であることも理解すべきである。
【0325】
【0326】
図３４は、実施形態による人工神経ネットワークモデルの具現例を示している。
【0327】
図３４を参照すれば、本発明の実施形態による映像分析装置（２０００）は、イメージセグメンテーションのための人工神経ネットワークでＵ－ｎｅｔを活用することができる。
【0328】
イメージセグメンテーションによく活用されるＵ－ｎｅｔは、収縮経路（Ｃｏｎｔｒａｃｔｉｏｎ ｐａｔｈ）および拡張経路（Ｅｘｐａｎｓｉｏｎ Ｐａｔｈ）を含むアーキテクチャーで構成されることができる。
【0329】
具体的に、Ｕ－ｎｅｔの収縮経路は２度のコンボリューション（ｃｏｎｖｏｌｕｔｉｏｎ）および最大プーリング（ｍａｘ ｐｏｏｌｉｎｇ）が連続的に実行されるように構成できる。この時、Ｕ－ｎｅｔの収縮経路においてはイメージに関連した特性が抽出できる。
【0330】
しかし、収縮経路では、特性マップの大きさも減るので、Ｕ－ｎｅｔは拡張経路を追加的に含んで特性マップの大きさを復旧するように構成できる。
【0331】
Ｕ－ｎｅｔの拡張経路は、アップコンボリューション（Ｕｐ－ｃｏｎｖｏｌｕｔｉｏｎ）および２度のコンボリューション（ｃｏｎｖｏｌｕｔｉｏｎ）が連続的に実行されるように構成できる。この時、Ｕ－ｎｅｔの拡張経路ではイメージと特性マップの大きさが抽出されることができる。
【0332】
追加的に、Ｕ－ｎｅｔは、同じレベルの特性マップをコンカチネーション（ｃｏｎｃａｔｅｎａｔｉｏｎ）するようにアーキテクチャーが構成されて、収縮経路で拡張経路に、特性に関する位置情報を提供することができる。
【0333】
この時、入力イメージ（Ｉｎｐｕｔ Ｉｍａｇｅ）のラベルと出力セグメンテーションマップとのラベル差に基づいて、入力イメージのラベルと出力セグメンテーションマップとのラベル差が最小になるよう、Ｕ－ｎｅｔの含まれたレイヤーの少なくとも一つのノードのパラメーターあるいは加重値を調節する。
【0334】
図３５は、実施形態による人工神経ネットワークモデルの他の具現例を示している。
【0335】
図３５を参照すれば、実施形態による映像分析装置（２０００）は、イメージセグメンテーションのための人工神経ネットワークでＵ－ｎｅｔ＋＋を活用することができる。Ｕ－ｎｅｔ＋＋はＵ－ｎｅｔの性能を向上させるために、ＤｅｎｓｅＮｅｔの高密度ブロックアイディアを使った人工神経ネットワークモデルとして、スキップ経路にコンボリューションレイヤーが存在してエンコーダーおよびデコーダーの特性マップの間のセマンティックギャップを連結し、スキップ経路にテンススキップ連結が存在して勾配流れを向上させる点でＵ－ｎｅｔとの差異点が存在する。
【0336】
具体的に、映像分析装置（２０００）は、Ｕ－ｎｅｔ＋＋神経ネットワークモデルの入力レイヤーに対し入力イメージを入力し、出力レイヤーを通じて出力されたラベル情報を取得するように具現できる。この時、映像分析装置（２０００）は、入力イメージに含まれたラベル情報と神経ネットワークモデルから出力されるラベル情報の差に基づいて、Ｕｎｅｔ＋＋の含まれた隠れ層の少なくとも一つのノードのパラメーターあるいは加重値を調節することができる。
【0337】
より具体的には、第２コントローラー（２００２）は、上述した少なくとも一つのノードのパラメーターあるいは加重値を調節する動作を繰り返して実行するように具現されて、入力イメージに含まれたラベル情報と神経ネットワークモデルから出力される、ラベル情報の差が最小化されるノードのパラメーターあるいは加重値を取得することができる。
【0338】
図３６は、実施形態による人工神経ネットワークモデルを利用したセグメンテーション結果を例示している。
【0339】
実施形態によれば、映像分析装置（２０００）は、メディカルイメージの特性に基づいて、メディカルイメージをセグメンテーションすることができる。具体的に、第２コントローラー（２００２）は、メディカルイメージが取得された条件に対応するように、メディカルイメージをセグメンテーションすることができる。
【0340】
ここで、メディカルイメージが取得された条件は、映像取得装置（１０００）の設定パラメーターにより変わることができる。一例として、メディカルイメージが取得された条件は、映像取得装置（１０００）の予め設定された磁気状態パラメーター値である。具体的に、映像取得装置（１０００）がＭＲＩ装置で具現された場合、ＴＲ／ＴＥ値の設定によりＴ１－ｗｅｉｇｈｔｅｄイメージまたはＴ２－ｗｅｉｇｈｔｅｄイメージが取得されることができて、第２コントローラー（２００２）は、取得されたイメージに対応するようにイメージをセグメンテーションすることができる。ここで、メディカルイメージの取得条件にしたがう特性は前述した通りである。
【0341】
図面を参照して具体的な例を挙げて説明する。
【0342】
図３６を参照すれば、同じ被撮影客体でそれぞれ取得したＴ１－ｗｅｉｇｈｔｅｄイメージとＴ２－ＦＬＡＩＲイメージのセグメンテーション結果が図示されている。
【0343】
実施形態によれば、第２コントローラー（２００２）はＴ１－ｗｅｉｇｈｔｅｄイメージをセグメンテーションすることができる。ここで、Ｔ１－ｗｅｉｇｈｔｅｄイメージは解剖学的特性を判断するためにセグメンテーションできる。図面に図示された通り、Ｔ１－ｗｅｉｇｈｔｅｄイメージをセグメンテーションした結果は、Ｔ２－ＦＬＡＩＲイメージをセグメンテーションした結果に比べて、灰白質外殼領域のシワの部分がもっと鮮明にセグメンテーションされたことが確認できる。
【0344】
また、実施形態によれば、第２コントローラー（２００２）はＴ２－ＦＬＡＩＲイメージをセグメンテーションすることができる。ここで、Ｔ２－ＦＬＡＩＲイメージは、病変的特性を判断するためにセグメンテーションできる。図面に図示された通り、Ｔ２－ＦＬＡＩＲイメージをセグメンテーションした結果は、Ｔ１－ｗｅｉｇｈｔｅｄイメージをセグメンテーションした結果に比較して、ＷＭＨ領域に対する情報をもっと含んでいることが図示されている。
【0345】
このように、同じ被撮影客体から取得したメディカルイメージであっても、映像取得装置（１０００）の取得条件によりメディカルイメージに含まれた特性（例えば解剖学的特性、病変的特性）が変わって、メディカルイメージの特性によりメディカルイメージで観測できる情報も変わることがある。
【0346】
しかし、必要に応じて、色々なメディカルイメージの特性が総合的に考慮される場合、より正確な診断補助情報を提供することができる。したがって、以下では、複数の特性を含むようにメディカルイメージをセグメンテーションする過程について説明する。
【0347】
図３７は、実施形態により複数の特性を含むようにセグメンテーションされたメディカルイメージの例を示している。
【0348】
図３７を参照すれば、実施形態による映像分析装置（２０００）は、取得条件によって変わる少なくとも２以上の特性が一つのメディカルイメージに含まれるように、メディカルイメージをセグメンテーションすることができる。具体的に、第２コントローラー（２００２）は、第１イメージをベースにして、第２イメージの特性が含まれるように第１イメージをセグメンテーションすることができる。
【0349】
図面を参照して具体的な例を挙げて説明する。
【0350】
第２コントローラー（２００２）は、第１特性を含む第１メディカルイメージをインプットデータとして人工神経ネットワークに入力して、第１特性および第２メディカルイメージに関する第２特性がラベリングされたアウトプットデータを取得することができる。ここで、人工神経ネットワークは、第２特性を有する第２イメージに関するラーニングセットを基礎にして学習することができる。例えば、ここでの第１特性は解剖学的特性または構造的特性であって、これにより、第１イメージはＴ１－ｗｅｉｇｈｔｅｄイメージである。また、第２特性は病変的特性であって、これにより、第２イメージはＴ２－ＦＬＡＩＲイメージである。
【0351】
より具体的な例として、（ａ）とともに、第２コントローラー（２００２）は、病変的特性を含む第１イメージ（例示では、Ｔ２－ＦＬＡＩＲイメージ）をインプットデータとして実施例による人工神経ネットワークに入力することができる。
【0352】
ここで、第１イメージに関するラーニングセットのみで学習された人工神経ネットワークを利用する場合、第２コントローラー（２００２）は（ｂ）とともに、第１特性（即ち、病変的特性）のみを含むセグメンテーション結果だけを出力することになる。
【0353】
ただし、本発明の実施形態による人工神経ネットワークは、第１特性に関する第１イメージおよび第２特性に関する第２イメージのすべてに基づいたラーニングセットを利用して学習することができる。これによって、第２コントローラー（２００２）は、第１イメージを上記人工神経ネットワークに入力して、（ｃ）とともに第１特性および第２特性が全部反映された第１イメージに対するセグメンテーション結果を取得することができる。
【0354】
このように、一つの特性を含むメディカルイメージをセグメンテーションする場合にも複数の特性に関する情報を共に取得することによって、一つのメディカルイメージから多様な病気関連情報を取得することができ、実施形態による映像分析装置（２０００）は、メディカルイメージからより正確で多様な診断補助情報を提供することができる。
【0355】
以下、実施形態による人工神経ネットワークの学習過程に対して、図面を参照して説明する。
【0356】
図３８は、実施形態による人工神経ネットワークの学習過程を説明するためのフローチャートである。
【0357】
実施形態による人工神経ネットワークは、学習データを利用して学習することができる。ここで、実施形態による人工神経ネットワークは、人工神経ネットワークアルゴリズムを駆動できる多様な装置を通じて学習されることができる。一例として、人工神経ネットワークは、映像分析装置（２０００）を通じて学習されることができる。本明細書では、説明の便宜のために、人工神経ネットワークが映像分析装置（２０００）を通じて学習されることを説明したが、これに対し限定されず、他の人工神経ネットワークの駆動のための装置を通じて学習できることも理解すべきである。
【0358】
図３９を参照すれば、実施形態による人工神経ネットワークの学習過程は、第１特性を含む第１イメージをセグメンテーションするステップ（Ｓ６０００）、第２特性を含む第２イメージを基に第１イメージのセグメンテーション情報を整合するステップ（Ｓ６２００）、整合されたイメージと第２イメージを利用して１次学習を実行するステップ（Ｓ６４００）、１次学習の出力結果を含む第２イメージに対し形態学的に修正するステップ（Ｓ６６００）、および形態学的に修正されたセグメンテーション結果を含む第２イメージを利用して２次学習を実行するステップ（Ｓ６８００）を含んでいる。
【0359】
まず、映像分析装置（２０００）は、第１特性を含む第１イメージをセグメンテーションすることができる（Ｓ６０００）。具体的に、第２コントローラー（２００２）は、第１取得条件で取得される第１特性に関する情報が含まれるように、第１イメージをセグメンテーションすることができる。これを違う表現にすると、映像取得装置（１０００）が第１パラメーターと設定された時、取得される第１特性を含む第１イメージをセグメンテーションすることができる。
【0360】
第１イメージをセグメンテーションした後、映像分析装置（２０００）は、第２イメージを基にしてセグメンテーションされた第１イメージと第２イメージを整合することができる（Ｓ６２００）。具体的に、第２コントローラー（２００２）は、第２特性を含む第２イメージ上に、第１特性を含むようにセグメンテーションされた第１イメージを整合して、第１特性に関するセグメンテーションされた情報を含む第２イメージを取得することができる。これを別の表現にすると、映像取得装置（１０００）の第２パラメーターと設定された時に取得される第２特性を含む第２イメージ上に、前述した第１特性を含むようにセグメンテーションされた第１イメージを整合することもある。これについては後文で詳しく説明する。
【0361】
第１イメージと第２イメージが整合した後、映像分析装置（２０００）は、整合された第２イメージと整合されていない第２イメージを利用して１次学習を実行することができる（Ｓ６４００）。具体的に、第２コントローラー（２００２）は、実施形態による人工神経ネットワークが第２イメージから第１特性を含んだセグメンテーション結果を出力するように、第２イメージと第１特性が反映されるように整合なされた第２イメージを利用して、人工神経ネットワークを学習させることができる。
【0362】
即ち、人工神経ネットワークは、第１特性がラベリングされた第２イメージと原本第２イメージを含むラーニングセットを利用して学習することができる。これによって、人工神経ネットワークは、第２イメージを入力データとして入力を受けて、第１特性がラベリングされた第２イメージを出力することができる。ここで、ラーニングセットが原本第２イメージを含むということで説明したが、原本第２イメージ以外でも、加工された第２イメージが利用できる。一例として、第２イメージは、第２特性を含むようにセグメンテーションされた第２イメージである。また、その他の前処理過程が実行された第２イメージであってもいい。ただし、本明細書の以下の説明では説明の便宜のために、主に、人工神経ネットワークが原本第２イメージに基づいたランニングセットを利用して学習することを説明する。
【0363】
人工神経ネットワークが一次的に学習された後、映像分析装置（２０００）は、１次学習された人工神経ネットワークのアウトプットイメージに対して形態学的（ｍｏｒｐｈｏｌｏｇｉｃａｌ）修正を実行することができる（Ｓ６６００）。具体的に、第２コントローラー（２００２）は、原本第２イメージデータを上記人工神経ネットワークに入力して出力された第２特性を含むようにセグメンテーションされた第２イメージに対し、セグメンテーション結果の正確度を高めるために形態学的修正を実行することができる。
【0364】
一次的に学習した人工神経ネットワークは、第１特性に関する情報を正確に含んでいない場合もある。したがって、実施形態による映像分析装置（２０００）は、第１特性を含む第１イメージに基づいて人工神経ネットワークの１次アウトプットデータを形態学的に修正することによって、人工神経ネットワークが第１特性に関する情報を第２イメージ上でより正確に区別できるように、人工神経ネットワークの演算正確度を向上させることができる。
【0365】
人工神経ネットワークの１次アウトプットデータに対する形態学的修正が完了すれば、映像分析装置（２０００）は、形態学的に修正された第２イメージに基づいて人工神経ネットワークを２次的に学習させることができる（Ｓ６８００）。具体的に、第２コントローラー（２００２）は、形態学的に修正されて第１特性がラベリングされた第２イメージを含むラーニングセットに基づいて、実施形態のよる人工神経ネットワークを学習させることができる。即ち、実施形態による人工神経ネットワークは、形態学的に修正された第１特性が反映されるようにラベリングされた第２イメージを含むラーニングセットを利用して学習することによって、第２イメージからより正確に第１特性に関する情報が反映されるようにセグメンテーションを実行することができる。
【0366】
以下、図面を参照して、実施形態による人工神経ネットワークの学習過程に対して例示を説明する。
【0367】
図３９は、実施形態による第１イメージと第２イメージの整合過程を示す例である。
【0368】
図３９を参照すれば、実施形態による映像分析装置（２０００）は、第１イメージと第２イメージとを整合することができる。具体的に、第２コントローラー（２００２）は、第１イメージと第２イメージの間の整合マトリックスを取得することができる。ここで、整合マトリックスは、第１イメージと第２イメージの間の変換関数を意味する。即ち、実施形態による整合マトリックスは、同じ被撮影客体に対する第１イメージと第２イメージの相互間に対し、第１イメージに含まれた第１ポイントと第２イメージに含まれた第２ポイントの間の相関関係を現わした関数であると表現することもできる。ここで、第１ポイントおよび第２ポイントはピクセルを意味する場合もあり、ピクセルの集合を意味する場合もある。
【0369】
実施形態による映像分析装置（２０００）は、整合マトリックスを利用して、第１特性に対してセグメンテーションされた第１イメージに基づいて、第２イメージを第１イメージのセグメンテーション結果と対応するように加工することができる。即ち、第２コントローラー（２００２）は、第１特性に関する第１イメージのセグメンテーション結果が第２イメージに反映されるように、第２イメージをセグメンテーションすることができる。ここで、前述した通り、第２イメージは第２特性を含むように予めセグメンテーションされることもできる。即ち、第２コントローラー（２００２）は、第１特性および第２特性が全部反映されるように第２イメージをセグメンテーションすることもできる。
【0370】
より具体的な例示として、第１イメージはＴ１－ｗｅｉｇｈｔｅｄイメージで、第２イメージはＴ２－ＦＬＡＩＲイメージであってもいい。即ち、映像分析装置（２０００）は、先にＴ１－ｗｅｉｇｈｔｅｄイメージとＴ２－ＦＬＡＩＲイメージを整合して整合マトリックスを取得することができる。
【0371】
また、映像分析装置（２０００）は、Ｔ１－ｗｅｉｇｈｔｅｄイメージの解剖学的特性や構造的特性が反映されるようにＴ１－ｗｅｉｇｈｔｅｄイメージをセグメンテーションすることができる。例えば、第２コントローラー（２００２）は、脳の特定領域が区別されるようにＴ１－ｗｅｉｇｈｔｅｄイメージを加工することができる。より具体的に、第２コントローラー（２００２）は、大脳、小脳、間脳、海馬など、脳に含まれた機関が区別できるように脳をセグメンテーションすることができタツノオトシゴなど脳に含まれた機関が区別されるように、Ｔ１－ｗｅｉｇｈｔｅｄイメージをセグメンテーションすることができ、側頭葉、前頭葉、後頭葉など脳の部位別位置ごとに区別できるように脳をセグメンテーションすることもできるし、これらを組み合せてセグメンテーションすることも可能である。
【0372】
そして、映像分析装置（２０００）は整合マトリックスを利用して、Ｔ１－ｗｅｉｇｈｔｅｄイメージのセグメンテーション結果がＴ２－ＦＬＡＩＲイメージに反映されるように、セグメンテーションされたＴ１－ｗｅｉｇｈｔｅｄイメージをＴ２－ＦＬＡＩＲイメージに整合することができる。
【0373】
これにより、映像分析装置（２０００）は、解剖学的特性が反映されるようにセグメンテーションされたＴ２－ＦＬＡＩＲイメージを取得することができる。具体的に、第２コントローラー（２００２）は、メディカルイメージで観測できるＷＭＨまたは脳を構成する物質である白質（ｗｈｉｔｅ ｍａｔｔｅｒ）、灰白質（ｇｒａｙ ｍａｔｔｅｒ）などが区別されるＴ２－ＦＬＡＩＲ映像に、前述した解剖学的特性が反映されるようにＴ２－ＦＬＡＩＲイメージをセグメンテーションすることができる。上記解剖学的特性が反映されるようにセグメンテーションされたＴ２－ＦＬＡＩＲイメージは、前述した通り人工神経ネットワークの１次学習に利用されることができる。
【0374】
図４０は、実施形態による形態学的（ｍｏｒｐｈｏｌｏｇｉｃａｌ）修正の例を示している。
【0375】
図４０を参照すれば、実施形態による映像分析装置（２０００）は、メディカルイメージに対するセグメンテーション結果を形態学的に修正することができる。具体的に、第２コントローラー（２００２）は、第２イメージに含まれた第１特性を反映するセグメンテーション結果を形態学的に修正することができる。形態学的に修正されたセグメンテーション結果を含む第２イメージは、第１特性をより正確に反映することができる。
【0376】
図面を参照して具体的な例を説明する。
【0377】
上述した通り、人工神経ネットワークは、解剖学的特性が反映されるようにセグメンテーションされたＴ２－ＦＬＡＩＲイメージと原本Ｔ２－ＦＬＡＩＲイメージを利用して１次学習することができる。１次学習の結果として、人工神経ネットワークは、Ｔ２－ＦＬＡＩＲイメージを入力受けてＴ１－ｗｅｉｇｈｔｅｄイメージの特性（解剖学的または構造的特性）が反映されるようにセグメンテーションされたＴ２－ＦＬＡＩＲイメージを出力することができる。人工神経ネットワークの出力結果であるＴ２－ＦＬＡＩＲイメージは、Ｔ１－ｗｅｉｇｈｔｅｄイメージの特性を反映するようにセグメンテーションされたが、一部領域で不完全であるため修正が必要となる。
【0378】
（ａ）の場合は、実施形態による人工神経ネットワークの１次学習結果として、セグメンテーションされた区域の外郭部分が解剖学的特性を不完全に反映してセグメンテーションされたのが図示されている。これに比べて、（ｂ）は、形態学的に修正された人工神経ネットワークの１次出力として、セグメンテーションされた外郭部分が解剖学的特性をよく反映するように修正されているのが図示されている。
【0379】
より具体的に、（ａ）の場合、一部の灰白質領域が区別されておらず、各領域の境界線が部分的に切れていることが図示されている。また、不完全な学習により領域が間違ってラベリングされたノイズも含まれている。
【0380】
しかし、形態学的に修正されたメディカルイメージは灰白質領域がよく区別されていて、各領域の境界線が明確に特定領域を区別しているのが図示されている。
【0381】
ここで、本実施形態によれば、第２コントローラー（２００２）は脳構造の特性をベースにして形態学的修正を実行することができる。一般的に、脳室を含んだ脳の領域は、３次元上で２６種類の方式で連結されなければならない。したがって、第２コントローラー（２００２）は、脳の各領域同士間の連結関係に基づいて、セグメンテーションされたメディカルイメージ内に含まれたノイズを減少することができる。
【0382】
また、ここで、脳室はその他の非組織（ｎｏｎｅ－ｔｉｓｓｕｅ）と間違って区別されて、非組織に間違ってラベリングされる。この場合、脳室領域の誤ったラベリングを補償するために、第２コントローラー（２００２）は、フィルホール（ｆｉｌｌ－ｈｏｌｅ）方法を利用して脳室領域をラベリングすることができる。
【0383】
このように、実施形態による人工神経ネットワークは、形態学的にセグメンテーション結果が修正された結果の入力によって再学習し、含もうとする特性がより正確に反映されるように結果を出力することができる。
【0384】
図４１は、実施形態による映像分析装置の人工神経ネットワークを利用した展開（ｄｅｐｌｏｙｉｎｇ）過程を説明するためのフローチャートである。
【0385】
図４１を参照すれば、実施形態による映像分析装置（２０００）の人工神経ネットワークを利用した展開（ｄｅｐｌｏｙｉｎｇ）過程は、第１特性を含む第１イメージを入力するステップ（Ｓ７０００）、および第１特性および第２特性が含まれたセグメンテーション結果を含むように加工された第１イメージを出力するステップ（Ｓ７２００）を含んでいる。
【0386】
まず、映像分析装置（２０００）は、第１特性を含む第１イメージを人工神経ネットワークに入力することができる（Ｓ７０００）。具体的に、第２コントローラー（２００２）は、十分に学習されて第２メモリー（２４００）に保存された人工神経ネットワークに第１特性を含む第１イメージを入力することができる。ここで、人工神経ネットワークは、上述された学習過程を経て十分に学習されている。
【0387】
第１イメージを入力すれば、映像分析装置（２０００）は、人工神経ネットワークの出力結果として、第１イメージに関連した第１特性および第１イメージと異なる形式の第２イメージに関連した第２特性を含むように、加工された第１イメージを取得することができる（Ｓ７２００）。具体的に、第２コントローラー（２００２）は、第１イメージに関連した第１特性および第１イメージと異なる第２イメージに関連した第２特性が総合的に区別されるように、セグメンテーションされた第１イメージを取得することができる。
【0388】
このように、実施形態による人工神経ネットワークの学習過程にしたがって十分に学習された人工神経ネットワークを利用することによって、映像分析装置（２０００）は、第１特性のみを含んだメディカルイメージを人工神経ネットワークに入力しても、第１特性および第１特性と異なる第２特性とを全部含むようにセグメンテーションされたメディカルイメージを取得することができる。これによって、関連情報を取得しようとする病気を分析するための多様な情報を取得することができ、多様な情報を分析することによって病気に関連しても多様な情報をユーザーに提供することができる。
【0389】
図４２は、実施形態による人工神経ネットワークの最終出力結果の一例を示している。
【0390】
図４２を参照すれば、映像分析装置（２０００）は、第１イメージを人工神経ネットワークに入力して、多様な特性が含まれるように加工された第１イメージを取得することができる。具体的に、第２コントローラー（２００２）は第１特性が反映された第１イメージを人工神経ネットワークに入力して、第１特性と異なる特性がもっと反映されるようにセグメンテーションされた第１イメージを取得することができる。
【0391】
図面を参照して具体的な例を説明すると、映像分析装置（２０００）は、Ｔ２－ＦＬＡＩＲイメージを人工神経ネットワークに入力して、Ｔ１－ｗｅｉｇｈｔｅｄイメージの特性が反映されるように加工されたイメージを取得することができる。
【0392】
具体的に、第２コントローラー（２００２）は、Ｔ１－ｗｅｉｇｈｔｅｄイメージの特性およびＴ２－ＦｌＡＩＲイメージの特性が反映されたラーニングセットに基づいて、十分に学習された人工神経ネットワークにＴ２－ＦＬＡＩＲイメージを入力して、Ｔ１－ｗｅｉｇｈｔｅｄイメージの特性が反映されるようにセグメンテーションされたＴ２－ＦＬＡＩＲイメージを取得することができる。ここで、人工神経ネットワークは、Ｔ２－ＦＬＡＩＲイメージの既存の特性を反映してセグメンテーションするように学習されるのは当然のことである。即ち、本実施形態による人工神経ネットワークは、Ｔ２－ＦＬＡＩＲイメージを入力データにして、Ｔ１－ｗｅｉｇｈｔｅｄイメージにおいて観測の容易な解剖学的または構造的特性が反映されるだけではなく、Ｔ２－ＦＬＡＩＲイメージにおいて観測の容易な病変的特性すべてを含むようにセグメンテーションされたイメージを取得することができる。
【0393】
より具体的な例を説明すると、実施形態による人工神経ネットワークの最終出力は、ＷＭＨのような病変的特性および白質、灰白質などの脳を構成する物質がよく区別されるＴ２－ＦＬＡＩＲイメージを基盤にして、脳に含まれた機関および脳の部位別位置とともに、Ｔ１－ｗｅｉｇｈｔｅｄイメージの特性が全部含まれるようにセグメンテーションされることができる。
【0394】
実施形態による方法は、多様なコンピュータ手段を通じて実行できるプログラム命令形態で具現されて、コンピュータ判読可能な記録媒体に記録されることができる。上記コンピュータ判読可能な記録媒体は、プログラム命令、データファイル、データ構造などを単独でまたは組み合せて含むことができる。上記媒体に記録されるプログラム命令は、実施例のために特に設計されて構成されたものや、コンピュータソフトウェアの当業者に公示されて使用可能になっているものである。コンピュータ判読可能記録媒体の例として、ハードディスク、フロッピーディスクおよび磁気テープのような磁気メディア（ｍａｇｎｅｔｉｃ ｍｅｄｉａ）、ＣＤ－ＲＯＭ、ＤＶＤのような光記録媒体（ｏｐｔｉｃａｌ ｍｅｄｉａ）、フロプティカルディスク （ｆｌｏｐｔｉｃａｌ ｄｉｓｋ）のような磁気－光媒体（ｍａｇｎｅｔｏ－ｏｐｔｉｃａｌ ｍｅｄｉａ）、およびロム（ＲＯＭ）、ラム（ＲＡＭ）、フラッシュメモリなどのようにプログラム命令を保存して実行するように特別に構成されたハードウェア装置が含まれる。プログラム命令の例には、コンパイラによって作られる機械語コードだけでなく、インタープリタなどを使ってコンピュータによって実行できる高級言語コードを含む。上述したハードウェア装置は、実施例の動作を実行するために一つ以上のソフトウェアモジュールとして作動できるように構成されるし、その役も同じである。
【0395】
以上のように、限定された実施例や図面によって本発明の実施形態を説明したが、当技術分野で通常の知識を持った者ならば以上の記載に基づいて多様な修正および変形をすることは可能である。例えば、説明した技術が、説明された方法と異なる順序で実行されたり、および／または説明されたシステム、構造、装置、回路などの構成要素が説明された方法と違う形態で結合または組み合せたり、他の構成要素または均等物によって置き換えまたは置換されたりしても、適切な結果を達成することができる。
【0396】
したがって、他の具現、他の実施例および特許請求範囲と均等なものも、本発明の特許請求の範囲に属する。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17a】
【図17b】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
【図24】
【図25】
【図26】
【図27】
【図28】
【図29】
【図30】
【図31】
【図32】
【図33】
【図34】
【図35】
【図36】
【図37】
【図38】
【図39】
【図40】
【図41】
【図42】
