特許 7511949 脳と関連した情報からの血管関数を抽出するための装置および方法｛Ａｐｐａｒａｔｕｓ ａｎｄ ｍｅｔｈｏｄ ｆｏｒ ｅｘｔｒａｃｔｉｎｇ ｖａｓｃｕｌａｒ ｆｕｎｃｔｉｏｎ ｆｒｏｍ ｂｒａｉｎ－ｒｅｌａｔｅｄ ｉｎｆｏｒｍａｔｉｏｎ｝

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】

(24)【登録日】2024-06-28

(45)【発行日】2024-07-08

(54)【発明の名称】脳と関連した情報からの血管関数を抽出するための装置および方法｛Ａｐｐａｒａｔｕｓ ａｎｄ ｍｅｔｈｏｄ ｆｏｒ ｅｘｔｒａｃｔｉｎｇ ｖａｓｃｕｌａｒ ｆｕｎｃｔｉｏｎ ｆｒｏｍ ｂｒａｉｎ－ｒｅｌａｔｅｄ ｉｎｆｏｒｍａｔｉｏｎ｝

(51)【国際特許分類】

   A61B 6/03 20060101AFI20240701BHJP

   A61B 6/50 20240101ALI20240701BHJP

   G06T 7/00 20170101ALI20240701BHJP

【ＦＩ】

A61B6/03 560J

A61B6/03 560T

A61B6/50 500B

A61B6/50 500D

G06T7/00 350C

G06T7/00 616

【請求項の数】 22

(21)【出願番号】P 2023150858

(22)【出願日】2023-09-19

【審査請求日】2023-09-19

(31)【優先権主張番号】10-2023-0086205

(32)【優先日】2023-07-04

(33)【優先権主張国・地域又は機関】KR

【早期審査対象出願】

(73)【特許権者】

【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】パク ギュ ハ

(72)【発明者】

【氏名】ドヒョン キム

(72)【発明者】

【氏名】ソン、スファ

【審査官】佐藤 賢斗

(56)【参考文献】

【文献】米国特許第０８８３７８００（ＵＳ，Ｂ１）

【文献】米国特許出願公開第２０１９／００３８１５０（ＵＳ，Ａ１）

【文献】国際公開第２０１７／１９２６２９（ＷＯ，Ａ１）

【文献】中国特許出願公開第１１２４５０９６１（ＣＮ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ａ６１Ｂ ６／００ － ６／５８

Ａ６１Ｂ ５／０５５

Ｇ０６Ｔ ７／００ － ７／９０

(57)【特許請求の範囲】

【請求項1】

外部から受信する脳と関連した情報から原本ＣＴイメージを抽出する情報受信部；
前記原本ＣＴイメージをＮＩＦＴＩファイル形式のイメージに変換させて時間シークエンス（Ｔｉｍｅ ｓｅｑｕｅｎｃｅ）データを獲得するＮＩＦＴＩイメージ変換部；
前記時間シークエンスデータを通じて前記原本ＣＴイメージに時間補間（ｔｉｍｅ ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用して、前記原本ＣＴイメージを各時間別３次元ＣＴイメージに変換させる時間補間部；
前記各時間別３次元ＣＴイメージをディープラーニング基盤血管分割ディープラーニングモデル１４１に通過させて血管分割マスクを予測し、時間（ｔｉｍｅ）軸を基準に前記３次元ＣＴイメージをスタッキング（Ｓｔａｃｋｉｎｇ）することで、４次元血管マスクイメージを生成する血管分割部；および
前記４次元血管マスクイメージの血管領域から血管関数として動脈関数を抽出し、前記動脈関数を利用して血流パラメーターを計算する血管関数抽出部；を含むことを特徴とする、脳と関連した情報からの血管関数を抽出するための装置。

【請求項2】

前記血管分割部が血管分割マスクを予測する過程と前記４次元血管マスクイメージを生成する過程との間で、Ｒｉｇｉｄ変換を基盤に前記各時間別３次元ＣＴイメージのモーションを補正するモーション補正部；をさらに含むことを特徴とする、請求項１に記載の脳と関連した情報からの血管関数を抽出するための装置。

【請求項3】

前記血管分割部は、
前記血管分割ディープラーニングモデルが予測するマスクがボーンマスク（ｂｏｎｅ Ｍａｓｋ）、ブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）、組織マスク（ｔｉｓｓｕｅ Ｍａｓｋ）、静脈マスク（ｖｅｉｎ Ｍａｓｋ）、動脈マスク（ａｒｔｅｒｙ Ｍａｓｋ）のうち少なくとも２つ以上含む前記４次元の血管マスクイメージの血管分割マスクを獲得することを特徴とする、請求項１に記載の脳と関連した情報からの血管関数を抽出するための装置。

【請求項4】

前記動脈マスクは、
前記血管関数抽出部が前記動脈関数を抽出するとき使用されることを特徴とする、請求項３に記載の脳と関連した情報からの血管関数を抽出するための装置。

【請求項5】

前記静脈マスクは、
前記血管関数抽出部が血管関数として静脈関数をさらに抽出するとき使用されることを特徴とする、請求項３に記載の脳と関連した情報からの血管関数を抽出するための装置。

【請求項6】

前記血管関数抽出部は、
前記４次元血管マスクイメージの血管領域でＳｌｉｃｅ座標、Ｈｅｉｇｈｔ座標、Ｗｉｄｔｈ座標に該当する各血管のピクセルポイントに該当する時間別位相で最も高い強度（Ｉｎｔｅｎｓｉｔｙ）の値を基盤に第１グラフを生成することを特徴とする、請求項１に記載の脳と関連した情報からの血管関数を抽出するための装置。

【請求項7】

前記血管関数抽出部は、
前記第１グラフを生成する過程でスパイクノイズ（ｓｐｉｋｅ ｎｏｉｓｅ）を除去することを特徴とする、請求項６に記載の脳と関連した情報からの血管関数を抽出するための装置。

【請求項8】

前記血管関数抽出部は、
前記第１グラフのうち強度が頂点（ｐｅａｋ）に最も早く到達する順序に基盤して前記第１グラフのＩｎｔｅｎｓｉｔｙを整列（ｓｏｒｔｉｎｇ）させて第２グラフを生成することを特徴とする、請求項６に記載の脳と関連した情報からの血管関数を抽出するための装置。

【請求項9】

前記第２グラフは、
前記第１グラフのうち強度が頂点（ｐｅａｋ）に最も早く到達する順序を基準に上位７０～９０％のグラフであることを特徴とする、請求項８に記載の脳と関連した情報からの血管関数を抽出するための装置。

【請求項10】

前記血管関数抽出部は、
前記第２グラフから頂点箇所の強度値が大きい順序に基盤して第３グラフを生成することを特徴とする、請求項８に記載の脳と関連した情報からの血管関数を抽出するための装置。

【請求項11】

前記第３グラフは、
前記第２グラフのうち頂点箇所の強度値が大きい順序を基準に上位１０～２０％のグラフであることを特徴とする、請求項１０に記載の脳と関連した情報からの血管関数を抽出するための装置。

【請求項12】

前記血管関数抽出部は、
前記第３グラフの時系列ポイント（Ｔｉｍｅ ｐｏｉｎｔ）ごとに強度の変化量の和に基盤して第４グラフを生成することを特徴とする、請求項１０に記載の脳と関連した情報からの血管関数を抽出するための装置。

【請求項13】

前記第４グラフは、
前記第３グラフのうち時系列ポイントごとに強度の変化量の和が大きい順序を基準に下位２０～４０％のグラフであることを特徴とする、請求項１２に記載の脳と関連した情報からの血管関数を抽出するための装置。

【請求項14】

前記血管関数抽出部は、
前記第４グラフで時間軸を基準にＩｎｔｅｎｓｉｔｙの平均を算出し、特定範囲外のポイント（ｐｏｉｎｔ）は外れ値と仮定して除去して、第５グラフを生成することを特徴とする、請求項１２に記載の脳と関連した情報からの血管関数を抽出するための装置。

【請求項15】

前記第５グラフは、
前記第４グラフで平均±１～３σ範囲外のポイントが外れ値として除去されたグラフであることを特徴とする、請求項１４に記載の脳と関連した情報からの血管関数を抽出するための装置。

【請求項16】

前記血管関数抽出部は、
前記第５グラフの残ったポイントに対してガウシアンフィッティング（Ｇａｕｓｓｉａｎ Ｆｉｔｔｉｎｇ）を遂行することで、第６グラフを生成することを特徴とする、請求項１４に記載の脳と関連した情報からの血管関数を抽出するための装置。

【請求項17】

前記血管関数抽出部は、
前記ガウシアンフィッティングの過程と同時に前記第４グラフのうちから前記第６グラフと距離（ｄｉｓｔａｎｃｅ）が最も近い複数個のグラフを抽出し、
前記複数個のグラフと前記第６グラフを基盤に候補グラフを生成することを特徴とする、請求項１６に記載の脳と関連した情報からの血管関数を抽出するための装置。

【請求項18】

前記候補グラフは、
使用者によってグラフが追加されるか削除されることを特徴とする、請求項１７に記載の脳と関連した情報からの血管関数を抽出するための装置。

【請求項19】

前記血管関数抽出部は、
前記第１グラフから前記候補グラフを生成するまでの過程に基盤して動脈関数基盤の動脈関数グラフを抽出し、
前記動脈関数グラフは、
前記候補グラフのグラフ追加または削除過程に基盤して前記動脈関数が補正されることを特徴とする、請求項１８に記載の脳と関連した情報からの血管関数を抽出するための装置。

【請求項20】

前記血管関数抽出部は、
前記補正された動脈関数を基盤に血流パラメーターであるＣＢＶ（ｅｒｅｂｒａｌ ｂｌｏｏｄ ｖｏｌｕｍｅ）、ＭＴＴ（ｍｅａｎ ｔｒａｎｓｉｔ ｔｉｍｅ）、ＣＢＦ（ｃａｐｉｌｌａｒｙ ｂｌｏｏｄ ｆｌｏｗ）を計算することを特徴とする、請求項１９に記載の脳と関連した情報からの血管関数を抽出するための装置。

【請求項21】

前記時間補間部は、
前記原本ＣＴイメージに１秒単位の時間補間を適用して、前記原本ＣＴイメージを１秒単位の各時間別３次元ＣＴイメージに変換させることを特徴とする、請求項１に記載の脳と関連した情報からの血管関数を抽出するための装置。

【請求項22】

（ａ）情報受信部が外部から受信する脳と関連した情報から原本ＣＴイメージを抽出するステップ；
（ｂ）ＮＩＦＴＩイメージ変換部が前記原本ＣＴイメージをＮＩＦＴＩファイル形式のイメージに変換させて時間シークエンス（Ｔｉｍｅ ｓｅｑｕｅｎｃｅ）データを獲得するステップ；
（ｃ）時間補間部が前記時間シークエンスデータを通じて前記原本ＣＴイメージに時間補間（ｔｉｍｅ ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用して、前記原本ＣＴイメージを各時間別３次元ＣＴイメージに変換させるステップ；
（ｄ）血管分割部が各時間別前記３次元ＣＴイメージをディープラーニング基盤血管分割ディープラーニングモデル１４１に通過させて血管分割マスクを予測し、時間（ｔｉｍｅ）軸を基準に前記３次元ＣＴイメージをスタッキング（Ｓｔａｃｋｉｎｇ）することで、４次元血管マスクイメージを生成するステップ；および
（ｅ）血管関数抽出部が前記４次元血管マスクイメージの血管領域から血管関数として動脈関数を抽出し、前記動脈関数を利用して血流パラメーターを計算するステップ；を含むことを特徴とする、脳と関連した情報からの血管関数を抽出するための方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、脳と関連した情報からの血管関数を抽出するための装置および方法に関し、脳と関連した情報から血管関数を正確に抽出することができる装置および方法に関する。

【背景技術】

【0002】

血流のような人体内の流体流れを非浸湿的に測定する方法においては、磁気共鳴映像機を利用した位相対照磁気共鳴映像技法が広く使用されている。前記の技法は、心電図のＲ－ｗａｖｅ直後血流速度の映像を０にする傾斜磁界パルスを使用して速度を反映しないリファレンス映像が撮影され、速度符号化傾斜磁界を利用して血流速度が反映された速度符号化映像が撮影される。以後、リファレンス映像と速度符号化映像が撮影される。これを連続的に心電図の一周期の間対をなして撮影し、位相符号化のサイズを異にしてｋ－空間を全て満たすまで撮影する。以後、撮影された映像を速度映像で再構成して、心電図の一周期間の血流速度を測定するようになる。

【0003】

しかし、このような技法は、血流を分析するのに当たり、血流速度のみが分かり、高い時間解像度および正確な血流の流れを表現するのに不足である問題点が指摘されてきた。

【0004】

このために、米国登録特許公報８，８３７，８００号などにおいては、動脈および静脈の流れを分析するために、医療映像を利用して動脈および静脈関数を導き出すために映像を構成するピクセルのうち一部を選択し、各ピクセルの信号を一般化およびガウシアントランスフォームを利用して各ピクセルが構成する血管に対する動脈関数および静脈関数を導き出す技法を提示している。

【0005】

しかし、このような従来の方法によっても、動脈関数および静脈関数を正確に導き出すことができず、エラーが発生する問題点が存在しており、特に、不正確な動脈関数によって医療映像から認識された血管から血流を正確に分析することができない問題点が指摘されてきた。

【0006】

したがって、本発明においては、血管から血流を正確に分析することができるように血管関数を正確に抽出することができる装置および方法を使用者に提供しようとする。

【0007】

具体的に、本発明は、Ｃｅｒｅｂｒａｌ ｂｌｏｏｄ ｆｌｏｗ（ＣＢＦ）、Ｃｅｒｅｂｒａｌ ｂｌｏｏｄ ｖｏｌｕｍｅ（ＣＢＶ）、Ｍｅａｎ Ｔｒａｎｓｉｔ Ｔｉｍｅ（ＭＴＴ）などのような血流パラメーターを正確に計算するために、原本ＣＴイメージに基づいて生成される脳と関連した情報から血管関数を抽出した後、不正確な動脈関数を補正して正確な動脈関数を獲得することができる脳と関連した情報からの血管関数を抽出するための装置および方法を使用者に提供しようとする。

【先行技術文献】

【特許文献】

【0008】

【文献】韓国登録特許公報第１０－１９９２０５７号（２０１９．０６．２４公告）

【文献】韓国登録特許公報第１０－１７５４２９１号（２０１７．０７．０６公告）

【文献】米国登録特許公報８，８３７，８００号（２０１４．０９．１６登録）

【発明の概要】

【発明が解決しようとする課題】

【0009】

本発明の目的は、脳と関連した情報からの血管関数を抽出するための装置および方法を使用者に提供することである。

【0010】

具体的に、本発明は、ＣＢＶ、ＭＴＴ、ＣＢＦのような血流パラメーターを正確に計算するために、原本ＣＴイメージに基づいて生成される脳と関連した情報から血管関数を抽出した後、不正確な動脈関数を補正して正確な動脈関数を獲得することができる脳と関連した情報からの血管関数を抽出するための装置および方法を使用者に提供しようとする。

【0011】

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】

【0012】

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血管関数抽出装置は、外部から受信する脳と関連した情報から原本ＣＴイメージを抽出する情報受信部；前記原本ＣＴイメージをＮＩＦＴＩファイル形式のイメージに変換させて時間シークエンス（Ｔｉｍｅ ｓｅｑｕｅｎｃｅ）データを獲得するＮＩＦＴＩイメージ変換部；前記時間シークエンスデータを通じて前記原本ＣＴイメージに時間補間（ｔｉｍｅ ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用して、前記原本ＣＴイメージを各時間別３次元ＣＴイメージに変換させる時間補間部；前記各時間別３次元ＣＴイメージをディープラーニング基盤血管分割ディープラーニングモデル１４１に通過させて血管分割マスクを予測し、時間（ｔｉｍｅ）軸を基準に前記３次元ＣＴイメージをスタッキング（Ｓｔａｃｋｉｎｇ）することで、４次元血管マスクイメージを生成する血管分割部；および前記４次元血管マスクイメージの血管領域から血管関数を抽出し、前記血管関数のうち一つである動脈関数を利用して血流パラメーターを計算する血管関数抽出部；を含むことができる。

【0013】

また、血管関数抽出装置は、前記血管分割部が血管分割マスクを予測する過程と前記４次元血管マスクイメージを生成する過程との間で、Ｒｉｇｉｄ変換を基盤に前記各時間別３次元ＣＴイメージのモーションを補正するモーション補正部；をさらに含むことができる。

【0014】

また、前記血管分割部は、前記血管分割ディープラーニングモデルが予測するマスクがボーンマスク（ｂｏｎｅ Ｍａｓｋ）、ブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）、組織マスク（ｔｉｓｓｕｅ Ｍａｓｋ）、静脈マスク（ｖｅｉｎ Ｍａｓｋ）、動脈マスク（ａｒｔｅｒｙ Ｍａｓｋ）をのうち少なくとも２つ以上含む前記４次元の血管マスクイメージの血管分割マスクを獲得することができる。

【0015】

また、前記動脈マスクは、前記血管関数抽出部が前記動脈関数を抽出するとき使用されることができる。

【0016】

また、前記静脈マスクは、前記血管関数抽出部が前記静脈関数を抽出するとき使用されることができる。

【0017】

また、前記血管関数抽出部は、前記４次元血管マスクイメージの血管領域でＳｌｉｃｅ座標、Ｈｅｉｇｈｔ座標、Ｗｉｄｔｈ座標に該当する各血管のピクセルポイントに該当する時間別位相で最も高い強度（Ｉｎｔｅｎｓｉｔｙ）の値を基盤に第１グラフを生成することができる。

【0018】

また、前記血管関数抽出部は、前記第１グラフを生成する過程でスパイクノイズ（ｓｐｉｋｅ ｎｏｉｓｅ）を除去することができる。

【0019】

また、前記血管関数抽出部は、前記第１グラフのうち強度が頂点（ｐｅａｋ）に最も早く到達する順序に基盤して前記第１グラフのＩｎｔｅｎｓｉｔｙを整列（ｓｏｒｔｉｎｇ）させて第２グラフを生成することができる。

【0020】

また、前記第２グラフは、前記第１グラフのうち強度が頂点（ｐｅａｋ）に最も早く到達する順序を基準に上位７０～９０％のグラフであってよい。

【0021】

また、前記血管関数抽出部は、前記第２グラフから頂点箇所の強度値が大きい順序に基盤して第３グラフを生成することができる。

【0022】

また、前記第３グラフは、前記第２グラフのうち頂点箇所の強度値が大きい順序を基準に上位１０～２０％のグラフであってよい。

【0023】

また、前記血管関数抽出部は、前記第３グラフの時系列ポイント（Ｔｉｍｅ ｐｏｉｎｔ）ごとに強度の変化量の和に基盤して第４グラフを生成することができる。

【0024】

また、前記第４グラフは、前記第３グラフのうち時系列ポイントごとに強度の変化量の和が大きい順序を基準に下位２０～４０％のグラフであってよい。

【0025】

また、前記血管関数抽出部は、前記第４グラフで時間軸を基準にＩｎｔｅｎｓｉｔｙの平均を算出し、特定範囲外のポイント（ｐｏｉｎｔ）は外れ値と仮定して除去して、第５グラフを生成することができる。

【0026】

また、前記第５グラフは、前記第４グラフで平均±１～３σ範囲外のポイントが外れ値として除去されたグラフであってよい。

【0027】

また、前記血管関数抽出部は、前記第５グラフの残ったポイントに対してガウシアンフィッティング（Ｇａｕｓｓｉａｎ Ｆｉｔｔｉｎｇ）を遂行することで、第６グラフを生成することができる。

【0028】

また、前記血管関数抽出部は、前記ガウシアンフィッティングの過程と同時に前記第４グラフのうちから前記第６グラフと距離（ｄｉｓｔａｎｃｅ）が最も近い複数個のグラフを抽出し、前記複数個のグラフと前記第６グラフを基盤に候補グラフを生成することができる。

【0029】

また、前記候補グラフは、使用者によってグラフが追加されるか削除されることができる。

【0030】

また、前記血管関数抽出部は、前記第１グラフから前記候補グラフを生成するまでの過程に基盤して動脈関数基盤の動脈関数グラフを抽出し、前記動脈関数グラフは、前記候補グラフのグラフ追加または削除過程に基盤して前記動脈関数が補正されることができる。

【0031】

また、前記血管関数抽出部は、前記補正された動脈関数を基盤に血流パラメーターであるＣＢＶ（ｅｒｅｂｒａｌ ｂｌｏｏｄ ｖｏｌｕｍｅ）、ＭＴＴ（ｍｅａｎ ｔｒａｎｓｉｔ ｔｉｍｅ）、ＣＢＦ（ｃａｐｉｌｌａｒｙ ｂｌｏｏｄ ｆｌｏｗ）を計算することができる。

【0032】

また、前記時間補間部は、前記原本ＣＴイメージに１秒単位の時間補間を適用して、前記原本ＣＴイメージを１秒単位の各時間別３次元ＣＴイメージに変換させることを特徴とする、脳と関連した情報からの血管関数を抽出するための装置。

【0033】

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血管関数抽出方法は、（ａ）情報受信部が外部から受信する脳と関連した情報から原本ＣＴイメージを抽出するステップ；（ｂ）ＮＩＦＴＩイメージ変換部が前記原本ＣＴイメージをＮＩＦＴＩファイル形式のイメージに変換させて時間シークエンス（Ｔｉｍｅ ｓｅｑｕｅｎｃｅ）データを獲得するステップ；（ｃ）時間補間部が前記時間シークエンスデータを通じて前記原本ＣＴイメージに時間補間（ｔｉｍｅ ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用して、前記原本ＣＴイメージを各時間別３次元ＣＴイメージに変換させるステップ；（ｄ）血管分割部が各時間別前記３次元ＣＴイメージをディープラーニング基盤血管分割ディープラーニングモデル１４１に通過させて血管分割マスクを予測し、時間（ｔｉｍｅ）軸を基準に前記３次元ＣＴイメージをスタッキング（Ｓｔａｃｋｉｎｇ）することで、４次元血管マスクイメージを生成するステップ；および（ｅ）血管関数抽出部が前記４次元血管マスクイメージの血管領域から血管関数を抽出し、前記血管関数のうち一つである動脈関数を利用して血流パラメーターを計算するステップ；を含むことができる。

【発明の効果】

【0034】

本発明によれば、脳と関連した情報からの血管関数を抽出するための装置および方法を使用者に提供することができる。

【0035】

具体的に、本発明は、ＣＢＶ、ＭＴＴ、ＣＢＦのような血流パラメーターを正確に計算するために、原本ＣＴイメージに基づいて生成される脳と関連した情報から血管関数を抽出した後、不正確な動脈関数を補正して正確な動脈関数を獲得することができる脳と関連した情報からの血管関数を抽出するための装置および方法を使用者に提供することができる。

【0036】

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】

【0037】

【図1】本発明の一実施例に係る脳と関連した情報からの血管関数を抽出するための装置のブロック構成度の一例を図示したものである。

【図2】図１で説明した血管関数装置によって遂行される血管関数抽出方法の一例を図示したものである。

【図3】図２で説明した血管分割ステップで血管分割方式を説明する図面である。

【図4】本発明の一実施例に係るモーション補正部のモーション補正概念を説明する図面である。

【図5】図２で説明したモーション補正ステップの一例を図示したものである。

【図6a】図２で説明した動脈および静脈関数抽出ステップで動脈および静脈関数抽出方式を説明する図面である。

【図6b】図２で説明した動脈および静脈関数抽出ステップで動脈および静脈関数抽出方式を説明する図面である。

【図6c】図２で説明した動脈および静脈関数抽出ステップで動脈および静脈関数抽出方式を説明する図面である。

【図7】図６で説明した候補グラフと対応されるポイントおよびイメージの一例を図示したものである。

【図8】図６で説明した血管関数抽出ステップにおけるグラフ抽出方法に基盤して抽出された動脈および静脈関数の一例を図示したものである。

【図9】ヘッド分割部のブロック構成度の一例を図示したものである。

【図10】図９で説明したヘッド分割部の動作を時間の流れによって表示したものである。

【発明を実施するための形態】

【0038】

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。

【0039】

以下、本発明の好ましい実施例に係る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。

【0040】

従来技術の問題点
血流のような人体内の流体流れを非浸湿的に測定する方法においては、磁気共鳴映像機を利用した位相対照磁気共鳴映像技法が広く使用されている。前記の技法は、心電図のＲ－ｗａｖｅ直後、血流速度の映像を０にする傾斜磁界パルスを使用して速度を反映しないリファレンス映像が撮影され、速度符号化傾斜磁界を利用して血流速度が反映された速度符号化映像が撮影される。以後、リファレンス映像と速度符号化映像が撮影される。これを連続的に心電図の一周期の間対をなして撮影し、位相符号化のサイズを異にしてｋ－空間を全て満たすまで撮影する。以後、撮影された映像を速度映像で再構成して、心電図の一周期間の血流速度を測定するようになる。

【0041】

しかし、このような技法は、血流を分析するのに当たり、血流速度のみが分かり、高い時間解像度および正確な血流の流れを表現するのに不足である問題点が指摘されてきた。

【0042】

このために、米国登録特許公報８，８３７，８００号などにおいては、動脈および静脈の流れを分析するために、医療映像を利用して動脈および静脈関数を導き出すために映像を構成するピクセルのうち一部を選択し、各ピクセルの信号を一般化およびガウシアントランスフォームを利用して各ピクセルが構成する血管に対する動脈関数および静脈関数を導き出す技法を提示している。

【0043】

しかし、このような従来の方法によっても、動脈関数および静脈関数を正確に導き出すことができず、エラーが発生する問題点が存在しており、特に、不正確な動脈関数によって医療映像から認識された血管から血流を正確に分析することができない問題点が指摘されてきた。

【0044】

したがって、本発明においては、血管から血流を正確に分析することができるように血管関数を正確に抽出することができる装置および方法を使用者に提供しようとする。

【0045】

具体的に、本発明は、ＣＢＶ、ＭＴＴ、ＣＢＦのような血流パラメーターを正確に計算するために、原本ＣＴイメージに基づいて生成される脳と関連した情報から血管関数を抽出した後、不正確な動脈関数を補正して正確な動脈関数を獲得することができる脳と関連した情報からの血管関数を抽出するための装置および方法を使用者に提供しようとする。

【0046】

血管関数抽出装置および方法
血管関数抽出装置１００は、ＣＴイメージおよび脳血管地図に基づいて生成された脳と関連した情報を基盤に血管関数を正確に抽出するが、このための構成要素は、図１に図示されたとおりである。

【0047】

図１は、本発明の一実施例に係る脳と関連した情報からの血管関数を抽出するための装置のブロック構成度の一例を図示したものである。

【0048】

図１を参照すると、本発明で提案する血管関数抽出装置１００は、血管関数を抽出するために情報受信部１１０、ＮＩＦＴＩイメージ変換部１２０、時間補間部１３０、血管分割部１４０、モーション補正部１５０および血管関数抽出部１６０を含むことができる。

【0049】

本明細書においては、血管関数抽出装置１００によって遂行される血管関数抽出方法Ｓ１００の過程を通じて血管関数抽出装置１００の構成要素について詳細に説明するようにする。

【0050】

このような血管関数抽出装置１００を利用して血管関数を正確に抽出するための方法である血管関数抽出方法Ｓ１００の過程は、図２に図示されたとおりである。

【0051】

図２は、図１で説明した血管関数装置によって遂行される血管関数抽出方法の一例を図示したものである。

【0052】

図２を参照すると、情報受信部１１０は、外部から脳と関連した情報を受信することができる（Ｓ１１０）。

【0053】

このとき、情報受信部１１０が受信する脳と関連した情報は、医学映像分野の標準形式（Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅ、ＤＩＣＯＭ）に合わせたデータとして、ＣＴイメージおよび脳血管地図を含むことができる。

【0054】

本明細書において、脳と関連した情報とＤｉｃｏｍ ｄａｔａ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。

【0055】

また、情報受信部１１０が受信したＤｉｃｏｍ ｄａｔａに含まれたＣＴイメージは、ヘッド分割部１０が受信する３次元形態の原本（Ｒａｗ）ＣＴイメージであってよい。

【0056】

情報受信部１１０は、受信したＤｉｃｏｍ ｄａｔａから原本ＣＴイメージと脳血管地図をそれぞれ抽出することができ、原本ＣＴイメージを除いた脳血管地図などの情報は、使用者に提供することができる。

【0057】

すなわち、情報受信部１１０は、原本ＣＴイメージを抽出することが目的であるので、外部から脳と関連した情報を受信する過程が後述されるヘッド分割部１０と同一に外部装備からＣＴイメージを受信する過程に代替されることもできる。

【0058】

図２を参照すると、ＮＩＦＴＩイメージ変換部１２０は、情報受信部１１０から原本ＣＴイメージを受信するとき、受信した原本ＣＴイメージをＮＩＦＴＩ（Ｎｅｕｒｏｉｍａｇｉｎｇ Ｉｎｆｏｒｍａｔｉｃｓ Ｔｅｃｈｎｏｌｏｇｙ Ｉｎｉｔｉａｔｉｖｅ）ファイル形式のイメージに変換させることができる（Ｓ１２０）。

【0059】

また、ＮＩＦＴＩイメージ変換部１２０は、原本ＣＴイメージをＮＩＦＴＩファイル形式のイメージに変換させることで、時間シークエンス（Ｔｉｍｅ ｓｅｑｕｅｎｃｅ）を獲得するようになる。

【0060】

図２を参照すると、時間補間部１３０は、ＮＩＦＴＩイメージ変換部１２０からＮＩＦＴＩファイル形式のイメージに変換された原本ＣＴイメージと時間シークエンスのデータを受信するとき、受信したＮＩＦＴＩファイル形式のイメージに変換された原本ＣＴイメージに時間補間（ｔｉｍｅ ｉｎｔｅｒｐｏｌａｔｉｏｎ）を適用することができる（Ｓ１３０）。

【0061】

このとき、原本ＣＴイメージは、時間補間部１３０から１秒単位の時間補間を適用されることができ、これを通じて１秒単位の各時間別３次元ＣＴイメージ（Ｄ）に変換されることができる。

【0062】

本明細書において、３次元ＣＴイメージ（Ｄ）は、Ｓｌｉｃｅ×Ｈｅｉｇｈｔ×Ｗｉｄｔｈの３Ｄイメージであってよい。

【0063】

図２を参照すると、血管分割部１４０は、時間補間部１３０から３次元イメージ（Ｄ）を受信するとき、受信した３次元ＣＴイメージ（Ｄ）を４次元のＣＴＰ（ＣＴ Ｐｅｒｆｕｓｉｏｎ）イメージに変換させ、４次元のＣＴＰイメージの血管分割マスク（ｓｅｇｍｅｎｔａｔｉｏｎ Ｍａｓｋ）を獲得することができる。

【0064】

このような血管分割部１４０が４次元のＣＴＰイメージの血管分割マスクを獲得するためのステップは、図３を通じて詳細に説明するようにする。

【0065】

図３は、図２で説明した血管分割ステップで血管分割方式を説明する図面である。

【0066】

図３を参照すると、血管分割部１４０は、４次元のＣＴＰ（ＣＴ Ｐｅｒｆｕｓｉｏｎ）イメージから血管分割マスク（ｓｅｇｍｅｎｔａｔｉｏｎ Ｍａｓｋ）を獲得するために、時間補間部１３０から３次元ＣＴイメージ（Ｄ）を受信するとき、各時間（ｔｉｍｅ）別３次元ＣＴイメージ（Ｄ）をディープラーニング基盤の血管分割ディープラーニングモデル１４１に通過させて血管分割マスク（Ｍａｓｋ）を予測（または獲得）することができる（Ｓ１４０）。

【0067】

このとき、ディープラーニング基盤血管分割ディープラーニングモデル１４１は、図面符号のみが異なるだけであって、後述されるヘッド分割部１０に構成されたＨｅａｄ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｎｅｔｗｏｒｋと同一の方式で学習および検証が完了したディープラーニングモデルであってよい。

【0068】

また、血管分割ディープラーニングモデル１４１が予測するＭａｓｋは、ボーンマスク（ｂｏｎｅ Ｍａｓｋ）、ブレーンマスク（Ｂｒａｉｎ Ｍａｓｋ）、組織マスク（ｔｉｓｓｕｅ Ｍａｓｋ）、静脈マスク（ｖｅｉｎ Ｍａｓｋ）、動脈マスク（ａｒｔｅｒｙ Ｍａｓｋ）などを少なくとも２つ以上含む血管分割マスク（ｓｅｇｍｅｎｔａｔｉｏｎ ｍａｓｋ）であってよい。

【0069】

血管分割ディープラーニングモデル１４１が予測した動脈マスク（ａｒｔｅｒｙ Ｍａｓｋ）は、動脈関数を抽出するために使用されることができ、静脈マスク（ｖｅｉｎ Ｍａｓｋ）は、静脈関数を抽出するために使用されることができる。

【0070】

血管分割部１４０は、血管分割マスクを予測（または獲得）した後、時間（ｔｉｍｅ）軸を基準に３次元ＣＴイメージ（Ｄ）をスタッキング（ｓｔａｃｋｉｎｇ）することで、４次元血管マスクイメージを生成することができる（Ｓ１５０）。

【0071】

本明細書において、４次元血管マスクイメージと４次元のＣＴＰイメージは、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。

【0072】

本明細書において、４次元血管マスクイメージは、３次元ＣＴイメージ（Ｄ）のスタック（ｓｔａｃｋ）を通じて生成されることによって、ｔｉｍｅ×Ｓｌｉｃｅ×Ｈｅｉｇｈｔ×Ｗｉｄｔｈの４Ｄイメージであってよい。

【0073】

また、血管分割部１４０は、上述したように４次元ＣＴＰイメージの各時間軸に対してＢｏｎｅ、Ｂｒａｉｎ、ｔｉｓｓｕｅ、ｖｅｉｎ、ａｒｔｅｒｙなどを分割させた後、全体Ｐｈａｓｅにブレーン（ｂｒａｉｎ）領域の関心領域（ｉｎｔｅｒｅｓｔ）を設定してブレーンに対する一つの関心ボリューム（Ｖｏｌｕｍｅ ｏｆ Ｉｎｔｅｒｅｓｔ、ＶＯＩ）を設定することができる。

【0074】

また図２を参照すると、モーション補正部１５０は、血管分割部１４０の各時間（ｔｉｍｅ）別３次元ＣＴイメージ（Ｄ）をディープラーニング基盤の血管分割ディープラーニングモデル１４１に通過させてマスク（Ｍａｓｋ）を予測するステップ（Ｓ１４０）と、時間（ｔｉｍｅ）軸を基準に３次元ＣＴイメージ（Ｄ）をスタッキング（ｓｔａｃｋｉｎｇ）するステップ（Ｓ１５０）との間で、３次元ＣＴイメージ（Ｄ）のモーション補正を進行することができる（Ｓ１４５）。

【0075】

このようなモーション補正部１５０のモーション補正ステップ（Ｓ１４５）は、必ずしも進行されることに限定されるものではなく、装置１００の使用者が設定することによって過程が省略されることもできる。

【0076】

一実施例において、モーション補正部１５０のモーション補正ステップ（Ｓ１４５）を説明するための図面は、図４および図５に図示されたとおりである。

【0077】

図４は、本発明の一実施例に係るモーション補正部のモーション補正概念を説明する図面である。

【0078】

患者の３次元ＣＴイメージ（Ｄ）を時間軸を基準に撮影する間、患者の頭部が微細にでも動くようになれば、正確な動脈および静脈関数を検出し難くなり、これにより、血流パラメーターも正確に計算し難くなる。

【0079】

このとき、０番目フレーム（ｆｒａｍｅ）の３次元ＣＴイメージ（Ｄ）を基準に見ると、患者の動きによってずれた特定フレームの３次元ＣＴイメージ（Ｄ）は、図４に図示されたように０番目フレームの３次元ＣＴイメージ（Ｄ）にＲｉｇｉｄ変換１４５ｂが適用される必要がある。

【0080】

ここで、Ｒｉｇｉｄ変換は、ユークリッド変換（Ｅｕｃｌｉｄｅａｎ ｔｒａｎｓｆｏｒｍａｔｉｏｎ）というが、形態とサイズを維持した状態で位置と方向のみ変更される変換を意味する。

【0081】

本明細書において、モーション補正部１５０は、０番目フレーム外のフレームの３次元ＣＴイメージ（Ｄ）に対して０番目フレームの３次元ＣＴイメージ（Ｄ）に対するＲｉｇｉｄ変換１４５ｂを予測した後、逆変換（Ｉｎｖｅｒｓｅ ｔｒａｎｓｆｏｒｍ）を適用することで、０番目フレームの３次元ＣＴイメージ（Ｄ）に残りフレームの３次元ＣＴイメージ（Ｄ）を合わせて前記３次元ＣＴイメージ（Ｄ）のモーションを補正することができ、このように３次元ＣＴイメージ（Ｄ）のモーションを補正するモーション補正ステップ（Ｓ１４５）の一例は、図５に図示されたとおりである。

【0082】

図５は、図２で説明したモーション補正ステップの一例を図示したものである。

【0083】

図５を参照すると、モーション補正部１５０は、モーション補正ステップ（Ｓ１４５）で、０番目フレームの３次元ＣＴイメージ（Ｄ）とともにそれぞれ１～Ｎフレームの３次元ＣＴイメージ（Ｄ）を人工知能モデルであるＲｉｇｉｄＮｅｔ（１４５ａ）に入力し、これを通じてＲｉｇｉｄ ｔｒａｎｓｆｏｒｍ１４５ｂを獲得して逆変換を計算した後、空間変換レイヤー１４５ｃ上で逆変換を１～Ｎフレームの３次元ＣＴイメージ（Ｄ）に適用することで、モーション補正が適用されて０番目フレームの３次元ＣＴイメージ（Ｄ）に合わせられた１～Ｎ補正フレームの３次元ＣＴイメージ（Ｄ’）を獲得することができる。

【0084】

一実施例において、血管分割部１４０は、スタッキングステップ（Ｓ１５０）で、０番目フレームの３次元ＣＴイメージ（Ｄ）と～Ｎ補正フレームの３次元ＣＴイメージ（Ｄ’）をスタッキングすることで、４次元血管マスクイメージを生成することができる。

【0085】

さらに図２を参照すると、血管関数抽出部１６０は、血管分割部１４０から４次元血管マスクイメージを受信するとき、受信した４次元血管マスクイメージの血管領域から抽出したグラフから血管関数を抽出した後、血管関数に含まれた不正確な動脈関数を補正することで血管関数を正確に抽出することができる（Ｓ１６０）。

【0086】

このような血管関数抽出部１６０の動脈および静脈関数抽出ステップ（Ｓ１６０）は、図６ないし図８を通じて詳細に説明するようにする。

【0087】

図６ａないし図６ｃは、図２で説明した動脈および静脈関数抽出ステップで動脈および静脈関数抽出方式を説明する図面であり、図７は、図６で説明した候補グラフと対応されるポイントおよびイメージの一例を図示したものであり、図８は、図６で説明した動脈および静脈関数抽出ステップにおけるグラフ抽出方法に基盤して抽出された動脈および静脈関数の一例を図示したものである。

【0088】

図６ａを参照すると、血管関数抽出部１６０は、血管分割部１４０から４次元血管マスクイメージを受信するとき、受信した４次元血管マスクイメージの血管領域で各血管のピクセルポイント（Ｓｌｉｃｅ、Ｈｅｉｇｈｔ、Ｗｉｄｔｈ座標）に相当する時間別位相で最も高い強度（Ｉｎｔｅｎｓｉｔｙ）の値を基盤とした第１グラフ１６１で生成することができる。

【0089】

このとき、血管関数抽出部１６０は、第１グラフ１６１を生成する過程で輝度が正常なピクセルと異なるノイズであるスパイクノイズ（ｓｐｉｋｅ ｎｏｉｓｅ）を除去することができる。

【0090】

第１グラフ１６１の生成後、血管関数抽出部１６０は、第１グラフ１６１のＩｎｔｅｎｓｉｔｙを整列（ｓｏｒｔｉｎｇ）させて第２グラフ１６２を生成することができる。

【0091】

このとき、第２グラフ１６２の生成基準は限定しないが、本明細書において、第２グラフ１６２は、第１グラフ１６１のうちＩｎｔｅｎｓｉｔｙが頂点（ｐｅａｋ）に最も早く到達する順序を基準に上位７０～９０％（好ましくは、８０％）のグラフであってよい。

【0092】

図６ｂを参照すると、血管関数抽出部１６０は、第２グラフ１６２の生成後、第２グラフ１６２からｐｅａｋ箇所のＩｎｔｅｎｓｉｔｙ値が大きい順序に基盤して第３グラフ１６３を生成することができる。

【0093】

このとき、第３グラフ１６３の生成基準は限定しないが、本明細書において、第３グラフ１６３は、第２グラフ１６２のうちｐｅａｋ箇所のＩｎｔｅｎｓｉｔｙ値が大きい順序を基準に上位１０～２０％（好ましくは、１０％）のグラフであってよい。

【0094】

第３グラフ１６３の生成後、血管関数抽出部１６０は、第３グラフ１６３の時系列ポイント（Ｔｉｍｅ ｐｏｉｎｔ）ごとにＩｎｔｅｎｓｉｔｙの変化量の和に基盤して第４グラフ１６４を生成することができる。

【0095】

このとき、第４グラフ１６４の生成基準は限定しないが、本明細書において、第４グラフ１６４は、第３グラフ１６３のうちＴｉｍｅ ｐｏｉｎｔごとにＩｎｔｅｎｓｉｔｙの変化量の和が大きい順序を基準に下位２０～４０％（好ましくは、３０％）のグラフであってよい。

【0096】

図６ｃを参照すると、血管関数抽出部１６０は、第４グラフ１６４の生成後、第４グラフ１６４で時間軸を基準にＩｎｔｅｎｓｉｔｙの平均を算出し、一例として、平均±１～３σ（好ましくは、１．５σ）範囲外のポイント（ｐｏｉｎｔ）は外れ値（ｏｕｔｌｉｅｒ）と仮定して除去して、第５グラフ１６５を生成することができる。

【0097】

第５グラフ１６５の生成後、血管関数抽出部１６０は、第５グラフ１６５の残ったｐｏｉｎｔに対してガウシアンフィッティング（Ｇａｕｓｓｉａｎ Ｆｉｔｔｉｎｇ）を遂行することで、第６グラフ１６６を生成することができる。

【0098】

このとき、血管関数抽出部１６０がガウシアンフィッティングを遂行するための方法は限定しないが、本明細書においては、複数個（例：５個）のガウシアン関数（Ｇａｕｓｓｉａｎ ｆｕｎｃｔｉｏｎ）を基盤にガウシアンフィッティングが遂行されることができる。

【0099】

血管関数抽出部１６０は、上述したガウシアンフィッティングの過程と同時に、第４グラフ１６４の中から第６グラフ１６６と距離（ｄｉｓｔａｎｃｅ）が最も近い複数個のグラフを抽出することができる。

【0100】

その後、血管関数抽出部１６０は、ガウシアンフィッティングを基盤に獲得された第６グラフ１６６と第４グラフ１６４の中から第６グラフ１６６と距離（ｄｉｓｔａｎｃｅ）が最も近い複数個のグラフを基盤に候補グラフ１６７を生成することができる。

【0101】

このとき、候補グラフ１６７を生成することは、装置１００の使用者が血管関数抽出部１６０から生成された候補グラフ１６７の中から除去しようとするグラフを削除するか、候補グラフ１６７に含まれていないグラフを追加で含ませることができるようにするためである。

【0102】

血管関数抽出部１６０から生成された候補グラフ１６７のグラフとそれぞれ対応される第１、２、３、４ポイント（１６７ａ、１６７ｂ、１６７ｃ、１６７ｄ）およびこれとそれぞれ対応される第１、２、３、４イメージ（１６８ａ、１６８ｂ、１６８ｃ、１６８ｄ）の一例は、図６に図示されたとおりである。

【0103】

このように、図７に図示されたポイント（１６７ａ～１６７ｄ）は、Ｓｌｉｃｅ座標、Ｈｅｉｇｈｔ座標、Ｗｉｄｔｈ座標を含むことができる。

【0104】

一方、動脈関数グラフ１６９ａと静脈関数グラフ１６９ｂは、図８に図示されたように、それぞれ上述した第１グラフ１６１から候補グラフ１６７を生成するまでの過程が同一に適用されることで、血管関数抽出部１６０から生成されることができる。

【0105】

このとき、血管関数抽出部１６０が第１グラフ１６１から候補グラフ１６７を生成するまでの過程を基盤に動脈関数グラフ１６９ａを生成することは、候補グラフ１６７を生成するためのグラフの追加または削除過程に基づいて不正確な動脈関数を補正するためである。

【0106】

このように、血管関数抽出部１６０は、動脈関数グラフ１６９ａの追加または削除を通じて不正確な動脈関数を補正することが可能であり、不正確な動脈関数を補正することで正確に補正された動脈関数を変数を基盤に計算されるＣＢＶ、ＭＴＴ、ＣＢＦのような血流パラメーターを正確に計算することができる。

【0107】

一実施例において、血管関数抽出部１６０は、血流パラメーターを正確に計算するための血流パラメーターモデルが構成され得る。

【0108】

血流パラメーターモデル
血管関数抽出部１６０の血流パラメーターモデルを具現するための方法は、次のとおりである。

【0109】

先に、血管関数抽出部１６０の血流パラメーターモデルは、行列分解方式のうち一つとして、高次元行列を低次元行列に分離する技法であるＳＶＤ（Ｓｉｎｇｕｌａｒ Ｖａｌｕｅ Ｄｅｃｏｍｐｏｓｉｔｉｏｎ）基盤接近法を通じて血流パラメーターを計算するように学習されることができる。

【0110】

血管関数抽出部１６０の血流パラメーターモデルは、血流パラメーターのうち一つであるＣＢＶ（ｃｅｒｅｂｒａｌ ｂｌｏｏｄ ｖｏｌｕｍｅ）を以下の［数１］を通じて計算することができる。

【数1】

【0111】

前記［数１］で、Ｃ_ｖはＶＯＩ Ｔｉｓｓｕｅの濃度変化、Ｃ_ａは動脈関数１５９ａであってよい。

【0112】

このように、血流パラメーターのうち一つであるＣＢＶを計算するためには、変数として動脈関数１５９ａが適用され、ＣＢＶを正確に計算するためには、不正確な動脈関数１５９ａを補正する過程が必要である。

【0113】

血管関数抽出部１６０の血流パラメーターモデルは、血流パラメーターのうち一つであるＭＴＴ（ｍｅａｎ ｔｒａｎｓｉｔ ｔｉｍｅ）を以下の［数２］を通じて計算することができる。

【数2】

【0114】

前記［数２］において、Ｆ_ｖは他の血流パラメーターであるＣＢＦ（ｃａｐｉｌｌａｒｙ ｂｌｏｏｄ ｆｌｏｗ）であってよい。

【0115】

一方、血管関数抽出部１６０の血流パラメーターモデルが特異値分解を遂行するための数式の一例は、以下の［数３］のとおりである。

【数3】

【0116】

前記［数３］において、Ｒは残余関数（Ｒｅｓｉｄｕｅ Ｆｕｎｃｔｉｏｎ）であり、Ｃ_ａとＣ_ｖはｔ＝０で値が０にＮｏｒｍａｌｉｚｅされることができる。

【0117】

血管関数抽出部１６０の血流パラメーターモデルが前記［数３］の数式に基づいてＳＶＤ基盤接近法を通じて行列を分解する数式は、以下の［数４］～［数８］のとおりである。

【数4】

【数5】

【数6】

【数7】

【数8】

【0118】

血管関数抽出部１６０の血流パラメーターモデルは、長方対角行列（Ｄｉａｇｏｎａｌ Ｍａｔｒｉｘ）である前記［数７］のＷ項に閾値を適用する方式でノイズに強靭な基底を見出すことが可能である。

【0119】

血流パラメーター計算
ＳＶＤ基盤接近法を通じて学習された血管関数抽出部１６０の血流パラメーターモデルは、血流パラメーターであるＣＢＦ、ＣＢＶ、ＭＴＴを計算することができるが、血流パラメーター間の関係は、以下の［数９］～［数１１］のとおりである。

【数9】

【数10】

【数11】

【0120】

血管関数抽出部１６０の血流パラメーターモデルは、血流パラメーターＣＢＦ、ＣＢＶ、ＭＴＴは相互間の関係が成立するように近似したｒ’値を基盤に血流パラメーターＣＢＦ、ＣＢＶ、ＭＴＴを計算することができる。

【0121】

このとき、血流パラメーターＣＢＦ、ＣＢＶ、ＭＴＴを計算するための条件は、平均脳密度の場合、１．０４ｇ／ｍｌ、ＣＢＦの単位は＃ｍｌ／１００ｇ／ｍｉｎ、ＣＢＶの単位はｍｌ／１００ｇであってよい。

【0122】

また、４次元のＣＴＰイメージは、１ｍｍの等方性ボクセル（ｉｓｏｔｒｏｐｉｃ ｖｏｘｅｌ）で再構成（ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ）されることができる。

【0123】

血管関数抽出部１６０の血流パラメーターモデルは、前記条件のように単位を合わせる場合、１／ｐ値で１００ｇ／１．０４を適用し、ＣＢＦをｐｌｏｔするときは、分（ｍｉｎ）基準であるので、６０ｓを掛けて計算された血流パラメーターを表示することができる。

【0124】

血管関数抽出装置の前端構成
本発明の血管関数抽出装置１００の前端には、ヘッド分割部１０が備えられ得る。

【0125】

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。

【0126】

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。

【0127】

ヘッド分割部
図９は、ヘッド分割部のブロック構成度の一例を図示したものである。

【0128】

図９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。

【0129】

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。

【0130】

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。

【0131】

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。

【0132】

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。

【0133】

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。

【0134】

（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。

【0135】

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。

【0136】

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。

【0137】

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（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業のうち少なくとも一つの後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行するようになる。

【0138】

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。

【0139】

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。

【0140】

また、Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ除去作業は、３次元上で連結されずに、離れている小さなｏｕｔｌｉｅｒ ｃｌｕｓｔｅｒを除去する作業である。

【0141】

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。

【0142】

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。

【0143】

ヘッド分割部の動作
図１０は、図９で説明したヘッド分割部の動作を時間の流れによって表示したものである。

【0144】

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。

【0145】

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。

【0146】

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。

【0147】

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。

【0148】

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（Ｏｕｔｌｉｅｒ Ｃｌｕｓｔｅｒ）除去作業のうち少なくとも一つの後処理（Ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ）を遂行するようになる。

【0149】

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予測するようになる。

【0150】

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。

【0151】

本発明が提供する効果
本発明によれば、脳と関連した情報からの血管関数を抽出するための装置および方法を使用者に提供することができる。

【0152】

具体的に、本発明は、ＣＢＶ、ＭＴＴ、ＣＢＦのような血流パラメーターを正確に計算するために、原本ＣＴイメージに基づいて生成される脳と関連した情報から血管関数を抽出した後、不正確な動脈関数を補正して正確な動脈関数を獲得することができる脳と関連した情報からの血管関数を抽出するための装置および方法を使用者に提供することができる。

【0153】

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。

【0154】

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。

【0155】

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。

【0156】

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。

【0157】

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。

【0158】

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。

【要約】

【課題】脳と関連した情報から血管関数を抽出するための装置および方法を提供する。
【解決手段】血管関数抽出装置は、脳と関連した情報から原本ＣＴイメージを抽出する情報受信部；原本ＣＴイメージをＮＩＦＴＩファイル形式のイメージに変換させて時間シークエンスデータを獲得するＮＩＦＴＩイメージ変換部；時間シークエンスデータを通じて原本ＣＴイメージに時間補間を適用して、原本ＣＴイメージを３次元ＣＴイメージに変換させる時間補間部；３次元ＣＴイメージをディープラーニングモデルに通過させて血管分割マスクを予測し、３次元ＣＴイメージをスタッキングすることで、４次元血管マスクイメージを生成する血管分割部；および４次元血管マスクイメージの血管領域から血管関数を抽出し、血管関数のうち一つである動脈関数を利用して血流パラメーターを計算する血管関数抽出部；を含むことができる。
【選択図】図１

【図1】

【図2】

【図3】

【図4】

【図5】

【図6a】

【図6b】

【図6c】

【図7】

【図8】

【図9】

【図10】