1 |
1
프로세서에 의해 수행되는 방법에 있어서,환자의 뇌(brain)의 대상 영역에 기초하는 서로 다른 복수의 MRI(Magnetic Resonance Imaging) 슬라이스 이미지들을 획득하는 단계;상기 복수의 MRI 슬라이스 이미지들 중 적어도 하나로부터 획득된 제1 입력 이미지에 분할 모델(segmentation model)을 적용함으로써, 상기 제1 입력 이미지로부터 경색 영역(infarct region)을 검출하는 단계; 및상기 제1 입력 이미지로부터 상기 경색 영역이 검출되는 경우에 응답하여, 상기 복수의 MRI 슬라이스 이미지들 중 적어도 하나로부터 획득된 제2 입력 이미지에 분류 모델(classification model)을 적용함으로써 상기 환자의 뇌졸중 발생 시각으로부터의 시간 길이가 임계 시간 길이를 초과할 가능성 점수(possibility score)를 산출하는 단계를 포함하는 방법
|
2 |
2
제1항에 있어서,상기 복수의 MRI 슬라이스 이미지들 획득하는 단계는,상기 대상 영역으로부터, DWI(Diffusion Weighted Imaging) B1000 이미지, ADC(Apparent Diffusion Coefficient) 이미지, 및 FLAIR(Fluid-Attenuated Inversion Recovery) 이미지 중 적어도 둘을 획득하는 단계를 포함하는,방법
|
3 |
3
제1항에 있어서,상기 복수의 MRI 슬라이스 이미지들 획득하는 단계는,상기 대상 영역에 기초하는 복수의 원본 MRI 슬라이스 이미지들의 크기 및 위치 중 적어도 하나를 각 원본 MRI 슬라이스 이미지의 뇌 영역을 기준으로 조정하는 단계;상기 복수의 원본 MRI 슬라이스 이미지들 중 하나로부터 뇌 영역에 대응하는 마스크(mask)를 추출하는 단계; 및상기 추출된 마스크를 상기 복수의 원본 MRI 슬라이스 이미지들에 적용함으로써 뇌 영역을 포함하는 상기 복수의 MRI 슬라이스 이미지를 획득하는 단계를 포함하는,방법
|
4 |
4
제1항에 있어서,상기 경색 영역을 검출하는 단계는,상기 복수의 MRI 슬라이스 이미지들 중 적어도 하나를 상기 제1 입력 이미지의 채널(channel)로서 획득하는 단계; 및상기 획득된 채널을 가지는 상기 제1 입력 이미지에 상기 분할 모델을 적용함으로써 상기 제1 입력 이미지의 상기 경색 영역을 검출하는 단계를 포함하는,방법
|
5 |
5
제1항에 있어서,상기 가능성 점수를 산출하는 단계는,상기 제1 입력 이미지로부터 상기 경색 영역이 검출되는 경우에 응답하여, 상기 복수의 MRI 슬라이스 이미지들 중 적어도 하나를 상기 제2 입력 이미지의 채널(channel)로서 획득하는 단계; 및상기 획득된 채널을 가지는 상기 제2 입력 이미지에 상기 분류 모델을 적용함으로써 상기 가능성 점수를 산출하는 단계를 포함하는,방법
|
6 |
6
제5항에 있어서,상기 제2 입력 이미지의 채널로서 획득하는 단계는,상기 제1 입력 이미지의 획득을 위한 MRI 슬라이스 이미지의 개수와 다른 개수의 MRI 슬라이스 이미지를 상기 제2 입력 이미지의 채널로서 획득하는 단계를 포함하는,방법
|
7 |
7
제1항에 있어서,상기 환자에 관한 복수의 MRI 슬라이스 이미지들의 획득, 경색 영역의 검출, 및 가능성 점수의 산출을 반복하는 단계; 및복수의 가능성 점수들 중 적어도 하나에 기초하여 상기 환자의 뇌졸중 발생 시각으로부터의 시간 길이가 임계 시간 길이를 초과하는지 여부를 결정하는 단계를 더 포함하는 방법
|
8 |
8
제7항에 있어서,상기 환자의 뇌졸중 발생 시각으로부터의 시간 길이가 임계 시간 길이를 초과하는지 여부를 결정하는 단계는,상기 복수의 가능성 점수들 전체에 대한 상기 복수의 가능성 점수들 중 임계 점수를 초과하는 가능성 점수의 비율에 기초하여, 상기 환자의 뇌졸중 발생 시각으로부터의 시간 길이가 상기 임계 시간 길이를 초과하는지 여부를 결정하는 단계를 포함하는,방법
|
9 |
9
제7항에 있어서,상기 환자의 뇌졸중 발생 시각으로부터의 시간 길이가 임계 시간 길이를 초과하는지 여부를 결정하는 단계는,복수의 가능성 점수들 중에서, 경색 영역의 크기에 기초하여 선택된 대표 가능성 점수에 기초하여 상기 환자의 뇌졸중 발생 시각으로부터의 시간 길이가 상기 임계 시간 길이를 초과하는지 여부를 결정하는 단계를 포함하는, 방법
|
10 |
10
제1항에 있어서,상기 분류 모델의 트레이닝을 위한 제1 트레이닝 입력으로부터 경색 영역을 포함하는 영역을 분할함으로써, 사전 학습(pre-training)을 위한 제2 트레이닝 입력을 획득하는 단계;상기 제2 트레이닝 입력에 기초하여 상기 분류 모델을 사전 학습시키는 단계; 및상기 제1 트레이닝 입력에 기초하여 상기 사전 학습된 분류 모델을 파인 튜닝(fine tuning)하는 단계를 더 포함하는 방법
|
11 |
11
제10항에 있어서,상기 제2 트레이닝 입력을 획득하는 단계는,상기 제1 트레이닝 입력에 기초한 이미지에 상기 분할 모델을 적용함으로써 상기 제1 트레이닝 입력으로부터 상기 경색 영역을 검출하는 단계; 및상기 검출된 상기 경색 영역에 기초하여 상기 제2 트레이닝 입력을 획득하는 단계를 포함하는,방법
|
12 |
12
하드웨어와 결합되어 제1항 내지 제11항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램
|
13 |
13
환자의 뇌(brain)의 대상 영역에 기초하는 서로 다른 복수의 MRI(Magnetic Resonance Imaging) 슬라이스 이미지들을 획득하고, 상기 복수의 MRI 슬라이스 이미지들 중 적어도 하나로부터 획득된 제1 입력 이미지에 분할 모델(segmentation model)을 적용함으로써, 상기 제1 입력 이미지로부터 경색 영역(infarct region)을 검출하며, 상기 제1 입력 이미지로부터 상기 경색 영역이 검출되는 경우에 응답하여, 상기 복수의 MRI 슬라이스 이미지들 중 적어도 하나로부터 획득된 제2 입력 이미지에 분류 모델(classification model)을 적용함으로써 상기 환자의 뇌졸중 발생 시각으로부터의 시간 길이가 임계 시간 길이를 초과할 가능성 점수(possibility score)를 산출하는 프로세서를 포함하는 장치
|
14 |
14
제13항에 있어서,상기 프로세서는,상기 대상 영역으로부터, DWI(Diffusion Weighted Imaging) B1000 이미지, ADC(Apparent Diffusion Coefficient) 이미지, 및 FLAIR(Fluid-Attenuated Inversion Recovery) 이미지 중 적어도 둘을 획득하는,장치
|
15 |
15
제13항에 있어서,상기 프로세서는,상기 대상 영역에 기초하는 복수의 원본 MRI 슬라이스 이미지들의 크기 및 위치 중 적어도 하나를 각 원본 MRI 슬라이스 이미지의 뇌 영역을 기준으로 조정하고,상기 복수의 원본 MRI 슬라이스 이미지들 중 하나로부터 뇌 영역에 대응하는 마스크(mask)를 추출하며,상기 추출된 마스크를 상기 복수의 원본 MRI 슬라이스 이미지들에 적용함으로써 뇌 영역을 포함하는 상기 복수의 MRI 슬라이스 이미지를 획득하는,장치
|
16 |
16
제13항에 있어서,상기 프로세서는,상기 복수의 MRI 슬라이스 이미지들 중 적어도 하나를 상기 제1 입력 이미지의 채널(channel)로서 획득하고,상기 획득된 채널을 가지는 상기 제1 입력 이미지에 상기 분할 모델을 적용함으로써 상기 제1 입력 이미지의 상기 경색 영역을 검출하는,장치
|
17 |
17
제13항에 있어서,상기 프로세서는,상기 제1 입력 이미지로부터 상기 경색 영역이 검출되는 경우에 응답하여, 상기 복수의 MRI 슬라이스 이미지들 중 적어도 하나를 상기 제2 입력 이미지의 채널(channel)로서 획득하고,상기 획득된 채널을 가지는 상기 제2 입력 이미지에 상기 분류 모델을 적용함으로써 상기 가능성 점수를 산출하는,장치
|
18 |
18
제17항에 있어서,상기 프로세서는,상기 제1 입력 이미지의 획득을 위한 MRI 슬라이스 이미지의 개수와 다른 개수의 MRI 슬라이스 이미지를 상기 제2 입력 이미지의 채널로서 획득하는,장치
|
19 |
19
제13항에 있어서,상기 프로세서는,상기 환자에 관한 복수의 MRI 슬라이스 이미지들의 획득, 경색 영역의 검출, 및 가능성 점수의 산출을 반복하고,복수의 가능성 점수들 중 적어도 하나에 기초하여 상기 환자의 뇌졸중 발생 시각으로부터의 시간 길이가 임계 시간 길이를 초과하는지 여부를 결정하는,장치
|
20 |
20
제19항에 있어서,상기 프로세서는,상기 복수의 가능성 점수들 전체에 대한 상기 복수의 가능성 점수들 중 임계 점수를 초과하는 가능성 점수의 비율에 기초하여, 상기 환자의 뇌졸중 발생 시각으로부터의 시간 길이가 상기 임계 시간 길이를 초과하는지 여부를 결정하는,장치
|
21 |
21
제19항에 있어서,상기 프로세서는,복수의 가능성 점수들 중에서, 경색 영역의 크기에 기초하여 선택된 대표 가능성 점수에 기초하여 상기 환자의 뇌졸중 발생 시각으로부터의 시간 길이가 상기 임계 시간 길이를 초과하는지 여부를 결정하는,장치
|
22 |
22
제13항에 있어서,상기 프로세서는,상기 분류 모델의 트레이닝을 위한 제1 트레이닝 입력으로부터 경색 영역을 포함하는 영역을 분할함으로써, 사전 학습(pre-training)을 위한 제2 트레이닝 입력을 획득하고,상기 제2 트레이닝 입력에 기초하여 상기 분류 모델을 사전 학습시키며,상기 제1 트레이닝 입력에 기초하여 상기 사전 학습된 분류 모델을 파인 튜닝(fine tuning)하는,장치
|
23 |
23
제22항에 있어서,상기 프로세서는,상기 제1 트레이닝 입력에 기초한 이미지에 상기 분할 모델을 적용함으로써 상기 제1 트레이닝 입력으로부터 상기 경색 영역을 검출하고,상기 검출된 상기 경색 영역에 기초하여 상기 제2 트레이닝 입력을 획득하는,장치
|