기술개요
○ 인공지능을 활용해 PET의 대사 정보와 MRI의 고해상도 해부학적 정보를 정밀하게
융합함으로써 진단 정확도와 영상 해상도를 향상시키는 기술임
○ 딥러닝 기반의 변환 및 융합 모델을 적용하여 영상 간 왜곡 없이 자동화된 정합을 가능하게 함
기술 개발 배경
○ PET은 대사적 변화를 잘 탐지하지만 해부학적 해상도가 낮고, MRI는 구조 정보를
정밀하게 제공하지만 대사 병변 파악이 어려워 두 영상을 융합하는 것이 뇌질환, 암, 심혈관
질환 등 다양한 질환의 진단과 치료에 필수적임
○ 기존 영상 융합 기술은 정렬 오차, 시간 소모, 수작업 개입 등의 한계와 PET-MRI
복합장비의 고비용으로 인한 개별 촬영 후 정합 과정에서 발생하는 오류로 인해 임상
적용에 제약이 있음
기술내용 및 차별성
○ 기존 수작업 기반의 정합 방식과 달리, 본 기술은 조건부 GAN 구조와 의료영상 학습 데이터를 활용하여 PET과 MRI 간 구조 및 기능
정보를 자동으로 정밀 융합하며, 수작업 없이도 다양한 해부학적 조건에서 일관된 정합 품질을 확보할 수 있음
○ 고정밀 융합 영상을 통해 병변의 위치와 특성을 직관적으로 파악할 수 있도록 하여 진단 정확도를 높이며, 의료진의 영상 해석을
간소화하고 고비용 장비 없이도 유연하게 활용 가능한 임상 환경 제공이 가능함
기술개요
○ 인공지능을 활용해 PET의 대사 정보와 MRI의 고해상도 해부학적 정보를 정밀하게
융합함으로써 진단 정확도와 영상 해상도를 향상시키는 기술임
○ 딥러닝 기반의 변환 및 융합 모델을 적용하여 영상 간 왜곡 없이 자동화된 정합을 가능하게 함
기술 개발 배경
○ PET은 대사적 변화를 잘 탐지하지만 해부학적 해상도가 낮고, MRI는 구조 정보를
정밀하게 제공하지만 대사 병변 파악이 어려워 두 영상을 융합하는 것이 뇌질환, 암, 심혈관
질환 등 다양한 질환의 진단과 치료에 필수적임
○ 기존 영상 융합 기술은 정렬 오차, 시간 소모, 수작업 개입 등의 한계와 PET-MRI
복합장비의 고비용으로 인한 개별 촬영 후 정합 과정에서 발생하는 오류로 인해 임상
적용에 제약이 있음
기술내용 및 차별성
○ 기존 수작업 기반의 정합 방식과 달리, 본 기술은 조건부 GAN 구조와 의료영상 학습 데이터를 활용하여 PET과 MRI 간 구조 및 기능
정보를 자동으로 정밀 융합하며, 수작업 없이도 다양한 해부학적 조건에서 일관된 정합 품질을 확보할 수 있음
○ 고정밀 융합 영상을 통해 병변의 위치와 특성을 직관적으로 파악할 수 있도록 하여 진단 정확도를 높이며, 의료진의 영상 해석을
간소화하고 고비용 장비 없이도 유연하게 활용 가능한 임상 환경 제공이 가능함