| 1 |
1
의료 영상의 라디오믹스 특성(radiomics feature)을 이용하는 정신질환 진단 방법으로서,정신질환 진단 장치가 정신질환 환자와 정상인을 포함하는 제1 그룹에서 복수 개의 제1 의료 영상을 획득하고, 상기 의료 영상에서 뇌 영역을 분할하여 그로부터 복수 개의 라디오믹스 특성을 추출하는 학습 준비 단계;상기 정신질환 진단 장치가 상기 제1 의료 영상과 상기 추출된 라디오믹스 특성을 하나 이상의 기계 학습 분류 모델에 입력하여, 상기 추출된 라디오믹스 특성에 기초해 상기 제1 의료 영상을 정신질환 환자와 정상인으로 분류하는 방법을 학습시키는 학습 단계; 및상기 정신질환 진단 장치가 상기 제1 그룹과 다른 정신질환 환자와 정상인을 포함하는 제2 그룹에서 복수 개의 제2 의료 영상을 획득하고, 상기 제2 의료 영상에서 뇌 영역을 분할하여 그로부터 복수 개의 라디오믹스 특성을 추출하고, 상기 제2 의료 영상과 그로부터 추출한 상기 라디오믹스 특성을 상기 학습된 하나 이상의 기계 학습 분류 모델에 입력하여, 상기 제2 의료 영상을 정신질환 환자와 정상인으로 분류하는 분류 단계;를 포함하는, 정신질환 진단 방법
|
| 2 |
2
제1 항에 있어서,상기 학습 준비 단계 및 상기 분류 단계에서 상기 제1 의료 영상 및 상기 제2 의료 영상은 자기공명영상으로서 T1 강조 영상(T1-weighted image), ADC(apparent diffusion coefficient; 겉보기 확산 계수) 맵 및 FA(fractional anisotropy; 분할 이등방도) 맵 중 적어도 어느 하나인, 정신질환 진단 방법
|
| 3 |
3
제1 항에 있어서,상기 학습 준비 단계 및 상기 분류 단계는 상기 제1 의료 영상 및 상기 제2 의료 영상에서 뇌량(corpus callosum) 영역을 분할하고, 상기 분할된 뇌량 영역에 복수 개의 관심 영역(region of interest; ROI)을 설정하는, 정신질환 진단 방법
|
| 4 |
4
제3 항에 있어서,상기 복수 개의 관심 영역은 상기 분할된 뇌량 영역에 있어서 전측부(anterior), 전중앙부(mid-anteriror), 중앙부(central), 후중앙부(mid-posterior) 및 후측부(posterior)에 대응되는, 정신질환 진단 방법
|
| 5 |
5
제4 항에 있어서,상기 복수 개의 라디오믹스 특성은 상기 복수 개의 관심 영역에 대해 각각 선정된 형상 특성, 1차 특성 및 2차 특성 중 적어도 하나를 포함하는, 정신질환 진단 방법
|
| 6 |
6
제1 항에 있어서,상기 학습 단계는상기 제1 의료 영상과 상기 추출된 라디오믹스 특성을 복수 개의 기계 학습 분류 모델에 입력하고, 상기 추출된 라디오믹스 특성에 기초해 상기 복수 개의 기계 학습 분류 모델에 대해 상기 제1 의료 영상을 정신질환 환자와 정상인으로 분류하는 방법을 학습시키는 단계; 및상기 복수 개의 기계 학습 분류 모델의 상기 제1 그룹에 대한 분류 정확도를 측정한 다음, 가장 정확도가 높은 기계 학습 분류 모델을 선정하는 단계;를 포함하는, 정신질환 진단 방법
|
| 7 |
7
제1 항에 있어서,상기 분류 단계는 각각의 라디오믹스 특성의 정신질환 진단 기여도를 수치화하여, 상기 기여도의 합이 기 설정된 값을 초과하면 정신질환 환자로 분류하고, 상기 기여도의 합이 기 설정된 값 이하면 정상인으로 분류하는, 정신질환 진단 방법
|
| 8 |
8
제7 항에 있어서,상기 분류 단계는 각각의 라디오믹스 특성이 갖는 정신질환 진단 기여도를 상기 제2 그룹에 포함된 인원에 대해 개별적으로 나타내는, 정신질환 진단 방법
|
| 9 |
9
의료 영상의 라디오믹스 특성을 이용하는 정신질환 진단 장치로서,정신질환 환자와 정상인의 복수 개의 의료 영상을 획득하는 의료 영상 획득부;상기 의료 영상에서 복수 개의 라디오믹스 특성을 추출하는 특성 추출부;상기 의료 영상과 상기 추출된 라디오믹스 특성을 하나 이상의 기계 학습 분류 모델에 입력하여, 상기 의료 영상을 정신질환 환자와 정상인으로 분류하는 방법을 학습시키는 학습부; 및상기 의료 영상과 상기 추출된 라디오믹스 특성을 상기 학습된 하나 이상의 기계 학습 분류 모델에 입력하여, 상기 의료 영상을 정신질환 환자와 정상인으로 분류하는 분류부;를 포함하는, 정신질환 진단 장치
|
| 10 |
10
제9 항에 있어서,상기 의료 영상은 자기공명영상으로서 T1 강조 영상, ADC 맵 및 FA 맵 중 적어도 어느 하나인, 정신질환 진단 장치
|
| 11 |
11
제9 항에 있어서,상기 의료 영상에서 뇌량 영역을 분할하고, 상기 분할된 뇌량 영역에 복수 개의 관심 영역을 설정하는 영역 설정부를 더 포함하는, 정신질환 진단 장치
|
| 12 |
12
제11 항에 있어서,상기 복수 개의 관심 영역은 상기 분할된 뇌량 영역에 있어서 전측부, 전중앙부, 중앙부, 후중앙부 및 후측부에 대응되는, 정신질환 진단 장치
|
| 13 |
13
제12 항에 있어서,상기 복수 개의 라디오믹스 특성은 상기 복수 개의 관심 영역에 대해 각각 선정된 형상 특성, 1차 특성 및 2차 특성 중 적어도 하나를 포함하는, 정신질환 진단 장치
|
| 14 |
14
제9 항에 있어서,상기 학습부는 상기 의료 영상과 상기 추출된 라디오믹스 특성을 복수 개의 기계 학습 분류 모델에 입력하고, 상기 추출된 라디오믹스 특성에 기초해 상기 복수 개의 기계 학습 분류 모델에 대해 상기 의료 영상을 정신질환 환자와 정상인으로 분류하는 방법을 학습시키고,상기 복수 개의 기계 학습 분류 모델의 분류 정확도를 측정한 다음, 가장 정확도가 높은 기계 학습 분류 모델을 선정하는 판단부를 더 포함하는, 정신질환 진단 장치
|
| 15 |
15
제9 항에 있어서,각각의 라디오믹스 특성의 정신질환 진단 기여도를 수치화하여, 상기 기여도의 합이 기 설정된 값을 초과하면 정신질환 환자로 분류하고, 상기 기여도의 합이 기 설정된 값 이하면 정상인으로 분류하는, 정신질환 진단 장치
|
| 16 |
16
제9 항에 있어서,각각의 라디오믹스 특성이 갖는 정신질환 진단 기여도를 진단 대상 인원에 대해 개별적으로 나타내는 출력부를 더 포함하는, 정신질환 진단 장치
|
| 17 |
17
컴퓨터를 이용하여 제1항 내지 제8항 중 어느 한 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 저장 매체에 저장된 컴퓨터 프로그램
|
