1 |
1
컴퓨터 시스템에 의해 수행되는 이소시트르산 탈수소효소(Isocitrate DeHydrogenase; IDH) 유전형 변이 예측 방법에 있어서,복수의 뇌교종 환자들의 MRI 데이터 세트로부터의 T2* 자화율 신호 강도-시간 곡선(T2* susceptibility signal intensity-time curve)들의 시계열 패턴들이 학습된 순환 신경망(Recurrent Neural Network; RNN) 모델을 마련하는(establish) 단계; 및상기 RNN 모델을 사용하여 뇌교종 환자의 MRI 데이터로부터의 T2* 자화율 신호 강도-시간 곡선의 시계열 패턴을 분석함으로써, 상기 환자의 뇌교종에서의 IDH 와일드(wild) 또는 IDH 변이(mutant)를 예측하는 단계를 포함하는, IDH 유전형 변이 예측 방법
|
2 |
2
제1항에 있어서,상기 뇌교종 환자의 MRI 데이터는 상기 뇌교종 환자의 역동자화율대조기법(Dynamic Susceptibility Contrast; DSC) 관류 MRI 데이터를 포함하는, IDH 유전형 변이 예측 방법
|
3 |
3
제1항에 있어서,상기 복수의 뇌교종 환자들의 MRI 데이터 세트는 상기 뇌교종 환자들의 각각의 DSC 관류 MRI 데이터를 포함하고, 상기 뇌교종 환자들의 각각의 T1 강조 영상(T1WI), T2 강조 영상(T2WI), T2 강조 액체 감쇠 역전 회복(FLAIR) 영상 및 조영 증강 T1 강조 영상(CET1WI) 중 적어도 하나를 더 포함하는, IDH 유전형 변이 예측 방법
|
4 |
4
제1항에 있어서,상기 예측하는 단계는, 상기 RNN 모델의 콘볼루젼 신경망을 사용하여 상기 뇌교종 환자의 MRI 데이터에 포함된 종양을 복수의 세그먼트들로 구획화하는 단계; 및 상기 세그먼트들 각각에 대해 T2* 자화율 신호 강도-시간 곡선을 획득하는 단계를 포함하고, 상기 획득된 T2* 자화율 신호 강도-시간 곡선은 상기 RNN 모델에 대한 다차원의 입력이 되는, IDH 유전형 변이 예측 방법
|
5 |
5
제4항에 있어서,상기 복수의 세그먼트들은 강화 종양(enhancing tumor), 비-강화 종양(non-enhancing tumor) 및 종양 부근 부종(peritumoral edema)을 포함하고, 상기 획득하는 단계는 상기 뇌교종 환자의 전체 종양(whole tumor) 및 동맥 입력 함수(Arterial Input Function; AIF)의 각각과 연관된 T2* 자화율 신호 강도-시간 곡선을 더 획득하는, IDH 유전형 변이 예측 방법
|
6 |
6
제4항에 있어서,상기 예측하는 단계는, 상기 획득된 T2* 자화율 신호 강도-시간 곡선에 대해 강도 정규화 및 시계열적 정규화를 수행하는 단계를 포함하는, IDH 유전형 변이 예측 방법
|
7 |
7
제4항에 있어서,상기 획득된 T2* 자화율 신호 강도-시간 곡선과 연관된 윈도우의 크기는 상기 획득된 T2* 자화율 신호 강도-시간 곡선의 신호 하강 영역을 포함하도록 결정되는, IDH 유전형 변이 예측 방법
|
8 |
8
제1항에 있어서,상기 T2* 자화율 신호 강도-시간 곡선들의 각각은, 조영 증강 전(pre-contrast) 기준선부, 신호 하강부의 상승 경사부, 신호 하강부의 하강 경사부 및 포스트-볼루스 플레토(post-bolus plateau)부를 포함하는 세그먼트들로 구분되는, IDH 유전형 변이 예측 방법
|
9 |
9
제8항에 있어서,상기 RNN 모델은 상기 MRI 데이터 세트에 포함된 상기 복수의 뇌교종 환자들 각각의 MRI 데이터를 IDH 와일드(wild) 또는 IDH 변이(mutant)로 분류하고,FFN (Feed Forward Neural Network)로 구성된 어텐션 레이어(attention layer)를 사용하여 상기 T2* 자화율 신호 강도-시간 곡선들의 시계열 패턴들의 특징을 시각화하는 단계를 포함하고,상기 IDH 와일드로 분류되는 경우, 상기 세그먼트들 중 상기 신호 하강부의 상승 경사부 및 상기 포스트-볼루스 플레토가 강조되는 시계열 패턴의 특징이 최대 빈도로 시각화되고, 상기 IDH 변이로 분류되는 경우, 상기 세그먼트들 중 상기 조영 증강 전 기준선부와 상기 신호 하강부의 하강 경사부가 강조되는 시계열 패턴의 특징이 최대 빈도로 시각화되는, IDH 유전형 변이 예측 방법
|
10 |
10
제1항에 있어서,상기 예측하는 단계에 따라, 상기 IDH 와일드로 예측된 경우가 상기 IDH 변이로 예측된 경우에 비해, 상기 뇌교종 환자의 상대적 뇌혈류용적(relative cerebral blood volume; rCBV)의 값이 더 높게 나타나는, IDH 유전형 변이 예측 방법
|
11 |
11
제1항에 있어서,상기 RNN 모델은 장단기 메모리(Long Short-Term Memory; LSTM) 기반 모델인, IDH 유전형 변이 예측 방법
|
12 |
12
제11항에 있어서,상기 RNN 모델은 단일 레이어 양방향 LSTM을 포함하는 모델이고, LSTM 레이어의 이전에 1차원의 콘볼루젼 레이어를 포함하는, IDH 유전형 변이 예측 방법
|
13 |
13
제1항 내지 제12항 중 어느 한 항의 아이템 추천 방법을 컴퓨터에서 실행시키기 위해 컴퓨터 판독 가능 기록매체에 저장된 컴퓨터 프로그램
|
14 |
14
컴퓨터 시스템에 의해 수행되는 이소시트르산 탈수소효소(Isocitrate DeHydrogenase; IDH) 유전형 변이의 예측을 위한 순환 신경망(Recurrent Neural Network; RNN) 모델을 구축하는 방법에 있어서,복수의 뇌교종 환자들의 각 뇌교종 환자의 MRI 데이터로부터의 T2* 자화율 신호 강도-시간 곡선을 획득하는 단계; 상기 T2* 자화율 신호 강도-시간 곡선의 시계열 패턴을 학습하는 단계; 및상기 시계열 패턴의 학습에 기반하여, 상기 각 뇌교종 환자의 MRI 데이터를 IDH 와일드(wild) 또는 IDH 변이(mutant)로 분류하는 단계를 포함하는, RNN 모델을 구축하는 방법
|
15 |
15
제14항에 있어서, 상기 획득하는 단계는,상기 각 뇌교종 환자의 MRI 데이터에 포함된 종양을 콘볼루젼 신경망을 사용하여 복수의 세그먼트들로 구획화하는 단계; 및 상기 세그먼트들 각각에 대해 T2* 자화율 신호 강도-시간 곡선을 획득하는 단계를 포함하고,상기 획득된 T2* 자화율 신호 강도-시간 곡선은 상기 RNN 모델에 대한 다차원의 입력이 되는, RNN 모델을 구축하는 방법
|
16 |
16
제15항에 있어서,상기 복수의 세그먼트들은 강화 종양(enhancing tumor), 비-강화 종양(non-enhancing tumor) 및 종양 부근 부종(peritumoral edema)을 포함하고, 상기 획득하는 단계는 상기 뇌교종 환자의 전체 종양(whole tumor) 및 동맥 입력 함수(Arterial Input Function; AIF)의 각각과 연관된 T2* 자화율 신호 강도-시간 곡선을 더 획득하는, RNN 모델을 구축하는 방법
|
17 |
17
제14항에 있어서, 상기 획득하는 단계는,상기 획득된 T2* 자화율 신호 강도-시간 곡선에 대해 강도 정규화 및 시계열적 정규화를 수행하는 단계를 포함하는, RNN 모델을 구축하는 방법
|
18 |
18
제14항에 있어서,상기 획득된 T2* 자화율 신호 강도-시간 곡선과 연관된 윈도우의 크기는 상기 획득된 T2* 자화율 신호 강도-시간 곡선의 신호 하강 영역을 포함하도록 결정되는, RNN 모델을 구축하는 방법
|
19 |
19
제14항에 있어서,상기 각 뇌교종 환자의 MRI 데이터는 상기 각 뇌교종 환자의 DSC 관류 MRI 데이터를 포함하고, 상기 각 뇌교종 환자의 T1 강조 영상(T1WI), T2 강조 영상(T2WI), T2 강조 액체 감쇠 역전 회복(FLAIR) 영상 및 조영 증강 T1 강조 영상(CET1WI) 중 적어도 하나를 더 포함하는, RNN 모델을 구축하는 방법
|
20 |
20
이소시트르산 탈수소효소(Isocitrate DeHydrogenase; IDH) 유전형 변이 예측 시스템에 있어서,메모리; 및상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,상기 적어도 하나의 프로세서는,복수의 뇌교종 환자들의 MRI 데이터 세트로부터의 T2* 자화율 신호 강도-시간 곡선(T2* susceptibility signal intensity-time curve)들의 시계열 패턴들이 학습된 순환 신경망(Recurrent Neural Network; RNN) 모델을 마련하고,상기 RNN 모델을 사용하여 뇌교종 환자의 MRI 데이터로부터의 T2* 자화율 신호 강도-시간 곡선의 시계열 패턴을 분석함으로써, 상기 환자의 뇌교종에서의 IDH 와일드(wild) 또는 IDH 변이(mutant)를 예측하는, IDH 유전형 변이 예측 시스템
|