KR20220105723A - 인공 신경망 기반의 의료 영상 분석 장치, 방법 및 이의 학습 방법 - Google Patents

인공 신경망 기반의 의료 영상 분석 장치, 방법 및 이의 학습 방법 Download PDF

Info

Publication number
KR20220105723A
KR20220105723A KR1020210008378A KR20210008378A KR20220105723A KR 20220105723 A KR20220105723 A KR 20220105723A KR 1020210008378 A KR1020210008378 A KR 1020210008378A KR 20210008378 A KR20210008378 A KR 20210008378A KR 20220105723 A KR20220105723 A KR 20220105723A
Authority
KR
South Korea
Prior art keywords
image
medical image
read
network
parameter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
KR1020210008378A
Other languages
English (en)
Other versions
KR102548203B1 (ko
Inventor
김남국
조성만
서준범
오상영
윤지혜
Original Assignee
재단법인 아산사회복지재단
울산대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 재단법인 아산사회복지재단, 울산대학교 산학협력단 filed Critical 재단법인 아산사회복지재단
Priority to KR1020210008378A priority Critical patent/KR102548203B1/ko
Publication of KR20220105723A publication Critical patent/KR20220105723A/ko
Application granted granted Critical
Publication of KR102548203B1 publication Critical patent/KR102548203B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5288—Devices using data or image processing specially adapted for radiation diagnosis involving retrospective matching to a physiological signal
    • G06N3/0427—
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Veterinary Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

본 발명에 따르면, 동일 진단 대상자에 대해 다른 시점에 촬상되어 획득된 제1 의료 영상과 제2 의료 영상을 입력 받고, 미리 학습된 의료 영상 분석 모델을 이용하여, 상기 제1 의료 영상과 제2 의료 영상 사이의 변화를 판별하는 인공 신경망 기반의 의료 영상 분석 장치, 방법 및 이의 학습 방법이 개시된다.

Description

인공 신경망 기반의 의료 영상 분석 장치, 방법 및 이의 학습 방법 {APPARATUS AND METHOD FOR ANALYZING MEDICAL IMAGE BASED ON ARTIFICIAL NEURAL NETWORK AND LEARNING METHOD THEREOF}
본 발명은 의료 영상 분석 장치, 방법 및 이의 학습 방법에 관한 것이다.
X선 촬영은 영상의학 분야에서 인체 내부의 영상을 얻을 수 있는 기법으로 다양한 질병의 진단 및 치료 분야에서 사용되어 왔으며, 단순 흉부 촬영, 단순 복부 촬영, 단순 골격 촬영, 단순 부비동 촬영, 단순 경부 연조직(neck soft tissue) 촬영, 유방 촬영 등 진단 목적에 따라 전후 사진, 측면 또는 대각선 촬영 등으로 얻을 수 있다.
이러한 X선 촬영은 컴퓨터 단층촬영(CT), 자기공명영상(MRI) 등의 검사에 비하여 가격이 매우 저렴하고, 검사법이 간단하면서도 이를 통해 진단되는 질환의 수는 많다.
하지만, X선 영상을 통해 변화를 구분하는 일은, 환자의 호흡, 자세, 나이 등의 변화는 무시하면서 영상의학과 의사가 판단하는 기준에서 질환에 따른 변화만을 구분해야 하므로 기존 CNN 네트워크를 사용하여 해결하기에는 어려움이 있다.
본 발명의 일 실시예에 따른 해결하고자 하는 과제는, 임의의 피검자의 판독 영상들을 이용하여 학습된 모델을 이용하여 동일 진단 대상자에 대해 획득된 의료 영상 간의 변화를 판별하도록 하는 것을 포함한다.
또한, 판독 영상 각각의 특징 맵이 서로 유사해지도록 하는 것을 포함한다.
본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 수 있다.
상기 과제를 해결하기 위해, 본 발명의 일 실시예에 따른 인공 신경망 기반의 의료 영상 분석 장치는, 미리 학습된 의료 영상 분석 모델이 저장된 메모리 및 동일 진단 대상자에 대해 다른 시점에 촬상되어 획득된 제1 의료 영상과 제2 의료 영상을 입력 받고, 상기 의료 영상 분석 모델을 이용하여, 상기 제1 의료 영상과 제2 의료 영상 사이의 변화를 판별하는 프로세서를 포함하며, 상기 의료 영상 분석 모델은, 기 판독된 임의의 피검자의 제1 판독 영상과 제2 판독 영상을 학습 입력 영상으로 하고, 상기 제1 판독 영상과 제2 판독 영상 사이의 변화를 판독한 정보를 판독 레이블로 하여 학습된 것이다.
여기서, 상기 프로세서는, 상기 제1 의료 영상과 제2 의료 영상 사이의 변화 중 질환에 따른 변화 영역을 판별할 수 있다.
여기서, 상기 판별된 변화 영역은, 상기 진단 대상자의 호흡, 자세 및 나이 변화에 따른 영향은 최소화 되어 있을 수 있다.
본 발명의 또 다른 실시예에 따른 인공 신경망 기반의 의료 영상 분석 모델 학습 방법은, 프로세서가, 기 판독된 임의의 피검자의 제1 판독 영상과 제2 판독 영상을 학습 입력 영상으로 하고, 상기 제1 판독 영상과 제2 판독 영상 사이의 변화를 판독한 정보를 판독 레이블로 하여 제1 네트워크에 입력시키는 단계 및 상기 제1 판독 영상과 상기 제2 판독 영상의 유사도 값의 출력 결과에 기초하여, 상기 제1 네트워크의 제1 파라미터를 조정하는 단계를 포함한다.
본 발명의 또 다른 실시예에 따른 인공 신경망 기반의 의료 영상 분석 모델 학습 방법은, 동일 진단 대상자에 대해 다른 시점에 촬상되어 획득된 제1 의료 영상과 제2 의료 영상을 입력 받는 단계 및 미리 학습된 의료 영상 분석 모델을 이용하여, 상기 제1 의료 영상과 제2 의료 영상 사이의 변화를 판별하는 단계를 포함하며, 상기 의료 영상 분석 모델은, 기 판독된 임의의 피검자의 제1 판독 영상과 제2 판독 영상을 학습 입력 영상으로 하고, 상기 제1 판독 영상과 제2 판독 영상 사이의 변화를 판독한 정보를 판독 레이블로 하여 학습된 것이다.
또한, 기 판독된 임의의 피검자의 제1 판독 영상과 제2 판독 영상을 학습 입력 영상으로 하고, 상기 제1 판독 영상과 제2 판독 영상 사이의 변화를 판독한 정보를 판독 레이블로 하여 제1 네트워크에 입력시키는 단계 및 상기 제1 판독 영상과 상기 제2 판독 영상의 유사도 값의 출력 결과에 기초하여, 상기 제1 네트워크의 제1 파라미터를 조정하는 단계를 포함하는 의료 영상 분석 모델 학습 방법을 수행하도록 하는 명령어를 포함하는 컴퓨터 프로그램이 저장된 기록매체를 제공할 수 있다.
또한, 기 판독된 임의의 피검자의 제1 판독 영상과 제2 판독 영상을 학습 입력 영상으로 하고, 상기 제1 판독 영상과 제2 판독 영상 사이의 변화를 판독한 정보를 판독 레이블로 하여 제1 네트워크에 입력시키는 단계 및 상기 제1 판독 영상과 상기 제2 판독 영상의 유사도 값의 출력 결과에 기초하여, 상기 제1 네트워크의 제1 파라미터를 조정하는 단계를 포함하는 의료 영상 분석 모델 학습 방법을 수행하도록 하는 명령어를 포함하는 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램을 제공할 수 있다.
이상에서 설명한 바와 같이 본 발명의 실시예들에 의하면, 기 학습된 모델을 이용하여 동일 진단 대상자에 대해 획득된 의료 영상에서 질환에 따른 변화를 판별할 수 있다.
또한, 판독 영상 각각의 특징 맵이 서로 유사해지도록 하므로 판독의 오차를 줄일 수 있다.
여기에서 명시적으로 언급되지 않은 효과라 하더라도, 본 발명의 기술적 특징에 의해 기대되는 이하의 명세서에서 기재된 효과 및 그 잠정적인 효과는 본 발명의 명세서에 기재된 것과 같이 취급된다.
도 1은 본 발명의 일 실시예에 따른 인공 신경망 기반의 의료 영상 분석 장치를 나타낸 블록도이다.
도 2는 본 발명의 일 실시예에 따른 인공 신경망 기반의 의료 영상 분석 방법을 나타낸 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 의료 영상 분석 모델 학습 방법을 나타낸 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 의료 영상 분석 모델의 학습에 이용되는 학습 입력 영상을 예로 들어 나타낸 것이다.
도 5는 본 발명의 일 실시예에 따른 의료 영상 분석 모델의 예시적인 구조를 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 의료 영상 분석 모델의 제1 네트워크와 제2 네트워크를 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 의료 영상 분석 모델의 제2 네트워크에 따른 효과를 설명하기 위한 도면이다.
이하, 본 발명에 관련된 인공 신경망 기반의 의료 영상 분석 장치, 방법 및 이의 학습 방법에 대하여 도면을 참조하여 보다 상세하게 설명한다. 그러나, 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 설명하는 실시예에 한정되는 것이 아니다. 그리고, 본 발명을 명확하게 설명하기 위하여 설명과 관계없는 부분은 생략되며, 도면의 동일한 참조부호는 동일한 부재임을 나타낸다.
이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
본 발명은 인공 신경망 기반의 의료 영상 분석 장치, 방법 및 이의 학습 방법에 관한 것이다.
도 1은 본 발명의 일 실시예에 따른 인공 신경망 기반의 의료 영상 분석 장치를 나타낸 블록도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 인공 신경망 기반의 의료 영상 분석 장치(10)는 프로세서(11) 및 메모리(12)를 포함한다.
본 발명의 일 실시예에 따른 인공 신경망 기반의 의료 영상 분석 장치(10)는 피검자의 X선 영상으로부터 질환에 의한 변화를 판독하기 위한 장치이다.
구체적으로, 피검자의 natural variation(호흡, 나이, 촬영 자세) 등의 변화에 강인하게 학습할 수 있도록 하는 모듈을 이용하여 실제 영상의학과 의사들이 판독하는 절차처럼 동작한다.
이를 위해, 변화를 구분하기 위한 CNN 구조로 설계되며, 다중 레이블을 활용한다. 인공 신경망 기반의 의료 영상 분석 장치(10)의 의료 영상 분석 모델은 제1 네트워크, 제2 네트워크 및 질환 정보 제공 신경망을 포함하며, 다중 레이블은 X선 영상의 변화를 판독한 정보인 판독 레이블, X선 영상의 타겟 픽셀값인 조정 레이블 및 질환에 따른 변화를 판독한 정보인 질환 레이블을 포함할 수 있다.
메모리(12)는 프로세서(11)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있고, 미리 학습된 의료 영상 분석 모델이 저장되며, 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어, SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 컴퓨터 판독 가능한 저장매체를 포함할 수 있다.
메모리(12)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있으며, 후술할 미리 학습된 의료 영상 분석 모델이 소프트웨어 모듈로 구성될 수 있다.
프로세서(11)는 메모리(12)에 저장된 하나 이상의 인스트럭션을 실행하며, 구체적으로, 동일 진단 대상자에 대해 다른 시점에 촬상되어 획득된 제1 의료 영상과 제2 의료 영상을 입력 받고, 의료 영상 분석 모델을 이용하여, 제1 의료 영상과 제2 의료 영상 사이의 변화를 판별한다.
구체적으로, 제1 의료 영상과 제2 의료 영상 사이의 변화 중 질환에 따른 변화 영역을 판별하며, 판별된 변화 영역은, 진단 대상자의 호흡, 자세 및 나이 변화에 따른 영향은 최소화 되어 있다.
여기서, 프로세서(11)는 기능에 따라 복수 개의 모듈들로 구분될 수도 있고, 하나의 프로세서에서 기능들을 수행할 수도 있다. 프로세서는 중앙처리장치(central processing unit(CPU)), 어플리케이션 프로세서(application processor(AP)), 마이크로 컨트롤러 유닛(micro controller unit(MCU)) 또는 커뮤니케이션 프로세서(communication processor(CP)) 중 하나 또는 그 이상을 포함할 수 있다.
본 발명의 일 실시예에 따른 인공 신경망 기반의 의료 영상 분석 장치(10)의 의료 영상 분석 모델은, 기 판독된 임의의 피검자의 제1 판독 영상과 제2 판독 영상을 학습 입력 영상으로 하고, 제1 판독 영상과 제2 판독 영상 사이의 변화를 판독한 정보를 판독 레이블로 하여 학습된 것이다.
의료 영상 분석 모델은 하기 도 5에서 상세히 설명한다.
도 2는 본 발명의 일 실시예에 따른 인공 신경망 기반의 의료 영상 분석 방법을 나타낸 흐름도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 인공 신경망 기반의 의료 영상 분석 방법은 의료 영상 분석 장치에 의해 수행되며, 단계 S10에서 동일 진단 대상자에 대해 다른 시점에 촬상되어 획득된 제1 의료 영상과 제2 의료 영상을 입력 받는다.
단계 S20에서 미리 학습된 의료 영상 분석 모델을 이용하여, 제1 의료 영상과 제2 의료 영상 사이의 변화를 판별한다.
구체적으로, 제1 의료 영상과 제2 의료 영상 사이의 변화 중 질환에 따른 변화 영역을 판별하며, 판별된 변화 영역은, 진단 대상자의 호흡, 자세 및 나이 변화에 따른 영향은 최소화 되어 있다.
여기서, 의료 영상 분석 모델은, 기 판독된 임의의 피검자의 제1 판독 영상과 제2 판독 영상을 학습 입력 영상으로 하고, 제1 판독 영상과 제2 판독 영상 사이의 변화를 판독한 정보를 판독 레이블로 하여 학습된 것이다.
도 3은 본 발명의 일 실시예에 따른 의료 영상 분석 모델 학습 방법을 나타낸 흐름도이다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 의료 영상 분석 모델 학습 방법은 프로세서에 의해 수행되며, 단계 S110에서 기 판독된 임의의 피검자의 제1 판독 영상과 제2 판독 영상을 학습 입력 영상으로 하고, 제1 판독 영상과 제2 판독 영상 사이의 변화를 판독한 정보를 판독 레이블로 하여 제1 네트워크에 입력시킨다.
단계 S120에서 제1 판독 영상과 제2 판독 영상의 유사도 값의 출력 결과에 기초하여, 제1 네트워크의 제1 파라미터를 조정한다.
여기서, 제1 네트워크의 제1 파라미터를 조정하는 단계(S120)는, 제1 판독 영상으로부터 제1 특징 벡터를 추출하고, 제2 판독 영상으로부터 제2 특징 벡터를 추출하여, 제1 특징 벡터와 제2 특징 벡터가 적어도 하나의 레이어를 통과함에 따라 생성된 제1 특징 맵과 제2 특징 맵을 통합 레이어를 이용하여 통합한 후, 다수의 레이어 구조를 통과한 유사도 값의 출력 결과에 기초하여 제1 파라미터를 조정한다.
단계 S130에서 제1 네트워크의 적어도 하나의 레이어를 통과한 제1 판독 영상 및 제2 판독 영상과 타겟 픽셀값을 조정 레이블로 하여 제2 네트워크에 입력시킨다.
단계 S140에서 제1 네트워크의 적어도 하나의 레이어를 통과한 제1 판독 영상 및 제2 판독 영상 각각의 특징 맵(feature map) 유사도 값이 최대값이 되도록 제2 네트워크의 제2 파라미터를 조정한다.
단계 S150에서 제1 네트워크와 제2 네트워크의 적어도 하나의 레이어를 통과한 제1 판독 영상 및 제2 판독 영상과 질환에 따른 변화를 판독한 정보를 질환 레이블로 하여, 질환 정보 제공 신경망에 입력시킨다.
단계 S160에서 질환의 유무에 따른 출력 결과에 기초하여, 질환 정보 제공 신경망의 제3 파라미터를 조정한다.
여기서, 제1 파라미터, 제2 파라미터 및 제3 파라미터는, 제1 네트워크, 제2 네트워크 및 질환 정보 제공 신경망을 통해 최종적으로 반환된 출력에 기초하여, 갱신된다.
도 4는 본 발명의 일 실시예에 따른 의료 영상 분석 모델의 학습에 이용되는 학습 입력 영상을 예로 들어 나타낸 것이다.
본 발명의 일 실시예에 따른 의료 영상 분석 모델의 학습에 이용되는 학습 입력 영상은 기 판독된 임의의 피검자의 제1 판독 영상과 제2 판독 영상을 이용한다.
도 4에 나타난 바와 같이, 본 발명의 일 실시예에 따른 의료 영상 분석 모델의 학습은 약 40만 쌍의 Chest X-ray follow-up 데이터를 활용하여 전체 학습을 진행한다.
학습 입력 영상은, 환자가 서로 다른 시간에 찍은 영상으로 구성되어 있으며, 이전에 찍은 영상(a)인 제1 판독 영상을 baseline, 이 후에 찍은 영상(b)인 제2 판독 영상을 follow-up 이라 지칭한다.
x-ray 데이터인 학습 입력 영상은 8bit의 png 형태로 변형되어 네트워크 입력에 사용되며, 학습 과정에서 랜덤 크롭, 랜덤 밝기변환, 랜덤 회전의 데이터 증강 기법을 사용하여 학습된다. 입력 데이터는 0부터 1사이 값으로 정규화 되어서 의료 영상 분석 모델을 학습시키기 위해 입력된다.
도 5는 본 발명의 일 실시예에 따른 의료 영상 분석 모델의 예시적인 구조를 설명하기 위한 도면이다.
도 5를 참조하면, 본 발명의 일 실시예에 따른 의료 영상 분석 모델은 제1 네트워크(110, 120, 130, 140), 제2 네트워크(200) 및 질환 정보 제공 신경망(310, 320)을 포함한다.
구체적으로, 제1 네트워크(110, 120, 130, 140)는 제1 파라미터를 기초로 제1 판독 영상(영상 A)과 제2 판독 영상(영상 B) 사이의 유사도 값을 반환하는 적어도 하나의 레이어를 포함한다.
구체적으로, 제1 네트워크는, 제1 모듈(110)을 이용하여 제1 판독 영상으로부터 제1 특징 벡터를 추출하고, 제2 모듈(120)을 이용하여 제2 판독 영상으로부터 제2 특징 벡터를 추출하여, 제1 특징 벡터와 제2 특징 벡터가 적어도 하나의 레이어를 통과함에 따라 생성된 제1 특징 맵과 제2 특징 맵을 통합 레이어(130)를 이용하여 통합한 후, 다수의 레이어 구조(140)를 통과하여 특징맵 유사도 값을 반환하도록 학습된다.
여기서, 제1 판독 영상(영상 A)은 baseline(영상 A)이고, 제2 판독 영상(영상 B)은 follow-up(영상 B)이며, 제1 모듈(110)과 제2 모듈(120)은 ResNet으로 구현된다.
예를 들어, 제1 네트워크의 제1 모듈(110)과 제2 모듈(120)은 샴 네트워크를 구성한다. 샴 네트워크는 두 개의 입력에 대해 독립적으로 두 개의 합성곱 신경망을 실행한 뒤 비교하는 네트워크 구성이다.
샴 네트워크의 학습은 두 네트워크에 두 사진을 입력으로 넣고 합성곱 신경망으로 인코딩을 시킨 후, 만일 두 사진이 비슷하다면 인코딩 사이의 거리 값은 작아야 하며, 두 사진이 다르다면 인코딩 사이의 거리 값은 커지는 조건을 만족시키도록 학습된다.
이를 통해, 제1 판독 영상과 제2 판독 영상 간의 유사도 값을 이용하여 변화 여부를 판별할 수 있게 되는 것이다.
구체적으로, baseline(영상 A)과 follow-up(영상 B)을 입력 받아 각각 ResNet(110, 120)을 통과하고 여기에서 나온 latent vector를 normal/abnormal, change/no-change 구분에 활용하게 된다.
또한, 통합 레이어(130)는 concat 레이어로 구현되며, 다수의 레이어 구조(140)는 MLP를 통과하는 구조를 사용한다.
즉, change/no-change를 구분하기 위해서, baseline에서 나온 latent vector와 follow-up에서 나온 latent vector를 concat하고, MLP를 통과하는 구조를 사용한다.
그러나, 제1 네트워크의 구성만으로는 환자의 호흡, 나이, 촬영 자세에 따른 변화를 제외할 수 없으므로, 제2 네트워크와 질환 정보 제공 신경망을 추가하여 상호 보완적으로 설계한다.
제2 네트워크(200)는 제1 네트워크의 적어도 하나의 레이어를 통과한 제1 판독 영상과 제2 판독 영상 각각의 특징 맵 유사도 값이 최대값이 되도록, 타겟 픽셀값을 조정 레이블로 하여 제2 파라미터가 조정되도록 학습된다.
여기서, 타겟 픽셀값은 제1 판독 영상과 제2 판독 영상이 피검자의 자세에 따라 X선의 방향과 일부 어긋난 경우에 발생하는 차이를 보정하기 위해 제1 판독 영상을 기준으로 한 픽셀값을 의미한다.
제2 네트워크(200)는 Attention Module로 구현되며, baseline과 follow-up 사진에서 나온 각각의 특징 맵(feature map)이 서로 같은 형태를 가지도록 만드는 효과가 있다.
여기서, 서로 같은 형태를 가지도록 만드는 것은, 제1 판독 영상과 제2 판독 영상이 피검자의 자세에 따라 X선의 방향과 일부 어긋난 경우에 발생하는 차이를 보정하기 위해 제1 판독 영상을 기준으로 하고, X선의 방향이 동일한 상태에서 피검자가 촬영된 것처럼 제2 판독 영상의 형태를 보정하는 것이다.
이를 위해, 두 영상의 픽셀 값을 기반으로 픽셀 값이 유사하도록 보정을 수행하게 된다.
질환 정보 제공 신경망(310, 320)은 질환의 유무를 출력하도록, 제1 판독 영상과 제2 판독 영상의 질환에 따른 변화를 판독한 정보를 질환 레이블로 하여 제3 파라미터가 조정되도록 학습된다.
여기서, 질환 정보 제공 신경망(310, 320)은 Cross-Entropy Softmax 알고리즘을 이용한다.
질환에 따른 변화를 판독한 정보는, 실제 기록지에서 판독문을 분석한 결과를 이용하여 질환의 종류를 기록한 정보이다.
예를 들어, 질환의 종류는 흉부 X선 영상을 통해 판독 가능한 폐암, 폐결핵, 폐렴, 기흉을 포함할 수 있다.
이를 이용하여, 영상의 변화를 판별하더라도, 호흡에 의한 변화는 제외하고, 질환에 따른 변화만을 판별할 수 있게 된다.
여기서, 제1 파라미터, 제2 파라미터 및 제3 파라미터는, 제1 네트워크, 제2 네트워크 및 질환 정보 제공 신경망을 통해 최종적으로 반환된 출력에 기초하여, 갱신된다.
전체 학습의 Loss는 수학식 1과 같이 설계될 수 있다.
Figure pat00001
여기서, Ldisease, Lchange는 Cross-Entropy 또는 Pairwise Loss (Triplet, Contrastive 등)이 사용될 수 있다. λ는 각 Loss의 가중치를 나타내는 요소로 사용한다.
Ldisease는 본 발명의 일 실시예에서 각각의 X-ray가 병이 있는지 없는지에 대한 판단을 수행함으로써 normal, abnormal를 구분하기 위한 정보를 마련하는 기능을 하며, 질환 정보 제공 신경망에서 사용된다.
Lchange는 본 발명의 일 실시예에서 두 장의 follow-up x-ray를 입력으로 받아, change 인지 Change, no-change인지 구분할 수 있도록 하며, 제1 네트워크에서 사용된다.
Lmatching은 baseline과 follow-up 사진에서 서로 같은 곳을 바라볼 수 있도록 하며, 제2 네트워크에서 사용된다.
Ldisease와 Lmatching을 사용함으로써, 한 장의 x-ray 사진에서 병변이 있는 곳에 대하여 집중을 한 이후에, 다른 한장의 x-ray 사진에서 같은 곳에 병이 있는지 확인할 수 있다.
도 6은 본 발명의 일 실시예에 따른 의료 영상 분석 모델의 제1 네트워크와 제2 네트워크를 설명하기 위한 도면이다.
상기 도 5에서는 제1 네트워크의 하나의 ResNet과 제2 네트워크의 Attention Module이 연결되는 것으로 도시하였지만, 발명의 다양한 실시예에 따르면, 제1 네트워크의 다수의 모듈(111, 112, 113, 114, 115) 각각에 제2 네트워크의 Attention Module(210, 220, 230, 240)이 각각 연결되어, 제1 네트워크의 각각의 레이어를 통과한 제1 판독 영상과 제2 판독 영상 각각의 특징 맵 유사도 값이 최대값이 되도록 순차적으로 Attention Module의 파라미터를 조정할 수 있다.
이에 따라, 제1 네트워크에서 차원이 다른 각각의 레이어를 통과한 제1 판독 영상과 제2 판독 영상 각각의 서로 다른 픽셀 값이 제2 네트워크의 Attention Module를 통과하면서 각각의 픽셀 값이 유사해질 수 있다.
구체적으로, Attention Module을 통과한 두 특징 맵(feature map)이 같은 곳을 바라보도록 만드는 Region Matching Loss를 설계한다.
여기서, 같은 곳을 바라보도록 만드는 것은 제1 판독 영상과 제2 판독 영상이 피검자의 자세에 따라 X선의 방향과 일부 어긋난 경우에 발생하는 차이를 보정하기 위해 제1 판독 영상을 기준으로 하고, X선의 방향이 동일한 상태에서 피검자가 촬영된 것처럼 제2 판독 영상의 형태를 보정하는 것으로, 코사인 유사도가 최대가 되도록 두 영상의 attention을 일치시키는 Region Matching Loss를 설계한다.
Region Matching Loss는 하기 수학식 2로 정의된다.
Figure pat00002
여기서, Fb와 Ff는 각각 baseline과 follow-up에서 나온 특징 맵(feature map)을 의미한다.
Region Matching Loss는 서로 다른 두 장의 특징맵 유사도 값을 계산하여, feature map을 서로 유사하게 만들도록 하는 효과가 있다.
두 장의 feature map이 서로 유사해야 Loss가 최소화 되는 구조를 가지고 있어서, 이 손실함수를 추가하여 학습하면 baseline과 follow-up의 feature map이 서로 유사해지는 효과를 가질 수 있다.
도 7은 본 발명의 일 실시예에 따른 의료 영상 분석 모델의 제2 네트워크에 따른 효과를 설명하기 위한 도면이다.
도 7의 (a)는 baseline과 basline의 feature map을 나타낸 것이고, 도 7의 (b)는 follow-up 과 follow-up의 feature map을 나타낸 것이다.
본 발명의 일 실시예에 따른 제2 네트워크의 Region matching module을 사용하여 나온 feature map은, 촬영 자세가 다름에도 불구하고, feature map 에서 서로 같은 곳이 activation 됨을 확인할 수 있다.
또한, 기 판독된 임의의 피검자의 제1 판독 영상과 제2 판독 영상을 학습 입력 영상으로 하고, 상기 제1 판독 영상과 제2 판독 영상 사이의 변화를 판독한 정보를 판독 레이블로 하여 제1 네트워크에 입력시키는 단계 및 상기 제1 판독 영상과 상기 제2 판독 영상의 유사도 값의 출력 결과에 기초하여, 상기 제1 네트워크의 제1 파라미터를 조정하는 단계;를 포함하는 의료 영상 분석 모델 학습 방법을 수행하도록 하는 명령어를 포함하는 컴퓨터 프로그램이 저장된 기록매체를 제공할 수 있다.
또한, 기 판독된 임의의 피검자의 제1 판독 영상과 제2 판독 영상을 학습 입력 영상으로 하고, 상기 제1 판독 영상과 제2 판독 영상 사이의 변화를 판독한 정보를 판독 레이블로 하여 제1 네트워크에 입력시키는 단계 및 상기 제1 판독 영상과 상기 제2 판독 영상의 유사도 값의 출력 결과에 기초하여, 상기 제1 네트워크의 제1 파라미터를 조정하는 단계를 포함하는 의료 영상 분석 모델 학습 방법을 수행하도록 하는 명령어를 포함하는 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램을 제공할 수 있다.
이러한 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(Floptical disk)와 같은 자기-광매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상의 설명은 본 발명의 일 실시예에 불과할 뿐, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명의 본질적 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현할 수 있을 것이다. 따라서 본 발명의 범위는 전술한 실시예에 한정되지 않고 특허 청구 범위에 기재된 내용과 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.

Claims (18)

  1. 의료 영상 분석 장치에 있어서,
    미리 학습된 의료 영상 분석 모델이 저장된 메모리; 및
    동일 진단 대상자에 대해 다른 시점에 촬상되어 획득된 제1 의료 영상과 제2 의료 영상을 입력 받고, 상기 의료 영상 분석 모델을 이용하여, 상기 제1 의료 영상과 제2 의료 영상 사이의 변화를 판별하는 프로세서;를 포함하며,
    상기 의료 영상 분석 모델은, 기 판독된 임의의 피검자의 제1 판독 영상과 제2 판독 영상을 학습 입력 영상으로 하고, 상기 제1 판독 영상과 제2 판독 영상 사이의 변화를 판독한 정보를 판독 레이블로 하여 학습된 것인 의료 영상 분석 장치.
  2. 제1항에 있어서,
    상기 프로세서는, 상기 제1 의료 영상과 제2 의료 영상 사이의 변화 중 질환에 따른 변화 영역을 판별하는 의료 영상 분석 장치.
  3. 제2항에 있어서,
    상기 판별된 변화 영역은, 상기 진단 대상자의 호흡, 자세 및 나이 변화에 따른 영향은 최소화 되어 있는 의료 영상 분석 장치.
  4. 제1항에 있어서,
    상기 의료 영상 분석 모델은, 제1 파라미터를 기초로 상기 제1 판독 영상과 상기 제2 판독 영상 사이의 유사도 값을 반환하는 적어도 하나의 레이어를 포함하는 제1 네트워크를 포함하는 의료 영상 분석 장치.
  5. 제4항에 있어서,
    상기 제1 네트워크는, 상기 제1 판독 영상으로부터 제1 특징 벡터를 추출하고, 상기 제2 판독 영상으로부터 제2 특징 벡터를 추출하여, 상기 제1 특징 벡터와 상기 제2 특징 벡터가 적어도 하나의 레이어를 통과함에 따라 생성된 제1 특징 맵과 제2 특징 맵을 통합 레이어를 이용하여 통합한 후, 다수의 레이어 구조를 통과함에 기초해 상기 제1 특징 맵과 상기 제2 특징 맵의 특징맵 유사도 값을 반환하도록 학습되는 의료 영상 분석 장치.
  6. 제5항에 있어서,
    상기 의료 영상 분석 모델은, 상기 특징맵 유사도 값이 최대값이 되도록, 타겟 픽셀값을 조정 레이블로 하여 제2 파라미터가 조정되도록 학습되어 있는 제2 네트워크를 포함하는 의료 영상 분석 장치.
  7. 제6항에 있어서,
    상기 의료 영상 분석 모델은, 질환의 유무를 출력하도록, 상기 제1 판독 영상과 상기 제2 판독 영상의 질환에 따른 변화를 판독한 정보를 질환 레이블로 하여 제3 파라미터가 조정되도록 학습되어 있는 질환 정보 제공 신경망을 포함하는 의료 영상 분석 장치.
  8. 제7항에 있어서,
    상기 제1 파라미터, 상기 제2 파라미터 및 상기 제3 파라미터는, 상기 제1 네트워크, 제2 네트워크 및 질환 정보 제공 신경망을 통해 최종적으로 반환된 출력에 기초하여, 갱신되는 의료 영상 분석 장치.
  9. 의료 영상 분석 모델 학습 방법에 있어서,
    프로세서가, 기 판독된 임의의 피검자의 제1 판독 영상과 제2 판독 영상을 학습 입력 영상으로 하고, 상기 제1 판독 영상과 제2 판독 영상 사이의 변화 영역을 판독한 정보를 판독 레이블로 하여 제1 네트워크에 입력시키는 단계; 및
    상기 제1 판독 영상과 상기 제2 판독 영상의 유사도 값의 출력 결과에 기초하여, 상기 제1 네트워크의 제1 파라미터를 조정하는 단계;를 포함하는 의료 영상 분석 모델 학습 방법.
  10. 제9항에 있어서,
    상기 제1 네트워크의 제1 파라미터를 조정하는 단계는,
    상기 제1 판독 영상으로부터 제1 특징 벡터를 추출하고, 상기 제2 판독 영상으로부터 제2 특징 벡터를 추출하여, 상기 제1 특징 벡터와 상기 제2 특징 벡터가 적어도 하나의 레이어를 통과함에 따라 생성된 제1 특징 맵과 제2 특징 맵을 통합 레이어를 이용하여 통합한 후, 다수의 레이어 구조를 통과함에 기초해 상기 제1 특징 맵과 상기 제2 특징 맵의 특징맵 유사도 값의 출력 결과에 기초하여 상기 제1 파라미터를 조정하는 의료 영상 분석 모델 학습 방법.
  11. 제10항에 있어서,
    상기 제1 네트워크의 적어도 하나의 레이어를 통과한 제1 판독 영상 및 제2 판독 영상과 타겟 픽셀값을 조정 레이블로 하여 제2 네트워크에 입력시키는 단계; 및
    상기 특징맵 유사도 값이 최대값이 되도록 상기 제2 네트워크의 제2 파라미터를 조정하는 단계;를 포함하는 의료 영상 분석 모델 학습 방법.
  12. 제11항에 있어서,
    상기 제1 네트워크와 상기 제2 네트워크의 적어도 하나의 레이어를 통과한 제1 판독 영상 및 제2 판독 영상과 질환에 따른 변화를 판독한 정보를 질환 레이블로 하여, 질환 정보 제공 신경망에 입력시키는 단계; 및
    상기 질환의 유무에 따른 출력 결과에 기초하여, 상기 질환 정보 제공 신경망의 제3 파라미터를 조정하는 단계;를 포함하는 의료 영상 분석 모델 학습 방법.
  13. 제12항에 있어서,
    상기 제1 파라미터, 상기 제2 파라미터 및 상기 제3 파라미터는, 상기 제1 네트워크, 제2 네트워크 및 질환 정보 제공 신경망을 통해 최종적으로 반환된 출력에 기초하여, 갱신되는 의료 영상 분석 모델 학습 방법.
  14. 의료 영상 분석 장치에 의해 수행되는 의료 영상 분석 방법에 있어서,
    동일 진단 대상자에 대해 다른 시점에 촬상되어 획득된 제1 의료 영상과 제2 의료 영상을 입력 받는 단계; 및
    미리 학습된 의료 영상 분석 모델을 이용하여, 상기 제1 의료 영상과 제2 의료 영상 사이의 변화 영역을 판별하는 단계;를 포함하며,
    상기 의료 영상 분석 모델은, 기 판독된 임의의 피검자의 제1 판독 영상과 제2 판독 영상을 학습 입력 영상으로 하고, 상기 제1 판독 영상과 제2 판독 영상 사이의 변화를 판독한 정보를 판독 레이블로 하여 학습된 것인 의료 영상 분석 방법.
  15. 제14항에 있어서,
    상기 제1 의료 영상과 제2 의료 영상 사이의 변화 영역을 판별하는 단계는, 상기 제1 의료 영상과 제2 의료 영상 사이의 변화 중 질환에 따른 변화 영역을 판별하는 의료 영상 분석 방법.
  16. 제15항에 있어서,
    상기 판별된 변화 영역은, 상기 진단 대상자의 호흡, 자세 및 나이 변화 중 적어도 하나에 따른 영향은 최소화 되어 있는 의료 영상 분석 방법.
  17. 기 판독된 임의의 피검자의 제1 판독 영상과 제2 판독 영상을 학습 입력 영상으로 하고, 상기 제1 판독 영상과 제2 판독 영상 사이의 변화를 판독한 정보를 판독 레이블로 하여 제1 네트워크에 입력시키는 단계; 및
    상기 제1 판독 영상과 상기 제2 판독 영상의 유사도 값의 출력 결과에 기초하여, 상기 제1 네트워크의 제1 파라미터를 조정하는 단계;를 포함하는 의료 영상 분석 모델 학습 방법을 수행하도록 하는 명령어를 포함하는 컴퓨터 프로그램이 저장된 기록매체.
  18. 기 판독된 임의의 피검자의 제1 판독 영상과 제2 판독 영상을 학습 입력 영상으로 하고, 상기 제1 판독 영상과 제2 판독 영상 사이의 변화를 판독한 정보를 판독 레이블로 하여 제1 네트워크에 입력시키는 단계; 및
    상기 제1 판독 영상과 상기 제2 판독 영상의 유사도 값의 출력 결과에 기초하여, 상기 제1 네트워크의 제1 파라미터를 조정하는 단계;를 포함하는 의료 영상 분석 모델 학습 방법을 수행하도록 하는 명령어를 포함하는 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램.
KR1020210008378A 2021-01-20 2021-01-20 인공 신경망 기반의 의료 영상 분석 장치, 방법 및 이의 학습 방법 Active KR102548203B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210008378A KR102548203B1 (ko) 2021-01-20 2021-01-20 인공 신경망 기반의 의료 영상 분석 장치, 방법 및 이의 학습 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210008378A KR102548203B1 (ko) 2021-01-20 2021-01-20 인공 신경망 기반의 의료 영상 분석 장치, 방법 및 이의 학습 방법

Publications (2)

Publication Number Publication Date
KR20220105723A true KR20220105723A (ko) 2022-07-28
KR102548203B1 KR102548203B1 (ko) 2023-06-29

Family

ID=82607613

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210008378A Active KR102548203B1 (ko) 2021-01-20 2021-01-20 인공 신경망 기반의 의료 영상 분석 장치, 방법 및 이의 학습 방법

Country Status (1)

Country Link
KR (1) KR102548203B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240045688A (ko) * 2022-09-30 2024-04-08 서울여자대학교 산학협력단 복수의 손실 함수 기반의 인공지능 모델을 이용하여 종양 악성도를 예측하는 방법 및 장치
KR20240064989A (ko) 2022-11-04 2024-05-14 경희대학교 산학협력단 의학적 결정 지원 장치 및 방법
KR20240163861A (ko) * 2023-05-11 2024-11-19 가천대학교 산학협력단 다중 호흡 패턴 검출 방법, 이를 수행하는 기록 매체 및 다중 호흡 패턴 검출 장치

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2025053296A1 (ko) * 2023-09-04 2025-03-13 프로메디우스 주식회사 인공 신경망 기반의 의료 영상 분석 장치, 방법 및 이의 학습 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140052524A (ko) * 2012-10-24 2014-05-07 삼성전자주식회사 환자의 자세 변화에 따른 의료 영상을 보정하는 방법, 장치 및 시스템
JP2020025786A (ja) * 2018-08-14 2020-02-20 富士フイルム株式会社 画像処理装置、方法及びプログラム
JP2020064476A (ja) * 2018-10-18 2020-04-23 コニカミノルタ株式会社 情報処理装置及びプログラム
JP2020516427A (ja) * 2017-04-11 2020-06-11 ケイロン メディカル テクノロジーズ リミテッド 腫瘍進行のｒｅｃｉｓｔ評価

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140052524A (ko) * 2012-10-24 2014-05-07 삼성전자주식회사 환자의 자세 변화에 따른 의료 영상을 보정하는 방법, 장치 및 시스템
JP2020516427A (ja) * 2017-04-11 2020-06-11 ケイロン メディカル テクノロジーズ リミテッド 腫瘍進行のｒｅｃｉｓｔ評価
JP2020025786A (ja) * 2018-08-14 2020-02-20 富士フイルム株式会社 画像処理装置、方法及びプログラム
JP2020064476A (ja) * 2018-10-18 2020-04-23 コニカミノルタ株式会社 情報処理装置及びプログラム

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240045688A (ko) * 2022-09-30 2024-04-08 서울여자대학교 산학협력단 복수의 손실 함수 기반의 인공지능 모델을 이용하여 종양 악성도를 예측하는 방법 및 장치
KR20240064989A (ko) 2022-11-04 2024-05-14 경희대학교 산학협력단 의학적 결정 지원 장치 및 방법
US12603178B2 (en) 2022-11-04 2026-04-14 University-Industry Cooperation Group Of Kyung Hee University Apparatus and methods for supporting medical decisions
KR20240163861A (ko) * 2023-05-11 2024-11-19 가천대학교 산학협력단 다중 호흡 패턴 검출 방법, 이를 수행하는 기록 매체 및 다중 호흡 패턴 검출 장치

Also Published As

Publication number Publication date
KR102548203B1 (ko) 2023-06-29

Similar Documents

Publication Publication Date Title
KR102548203B1 (ko) 인공 신경망 기반의 의료 영상 분석 장치, 방법 및 이의 학습 방법
US12530775B2 (en) Model-based deep learning for globally optimal surface segmentation
US20250029707A1 (en) Apparatus and method for processing medical image using predicted metadata
US20210390695A1 (en) Image classification method, apparatus, and device, storage medium, and medical electronic device
Chen et al. Multiview two-task recursive attention model for left atrium and atrial scars segmentation
US20190201106A1 (en) Identification and tracking of a predefined object in a set of images from a medical image scanner during a surgical procedure
CN111597946B (zh) 图像生成器的处理方法、图像生成方法及装置
Štern et al. Automated age estimation from hand MRI volumes using deep learning
US20120170823A1 (en) System and method for image based multiple-modality cardiac image alignment
JP7457011B2 (ja) 異常検出方法、異常検出プログラム、異常検出装置、サーバ装置及び情報処理方法
KR102477632B1 (ko) 적대적 생성 신경망을 이용한 영상 학습 장치 및 방법
CN118247284A (zh) 图像处理模型的训练方法、图像处理方法
CN112767403A (zh) 医学影像分割模型训练方法、医学影像分割方法及装置
Almeida et al. cOOpD: reformulating COPD classification on chest CT scans as anomaly detection using contrastive representations
WO2025111326A1 (en) Wound assessment and classification
CN111524109A (zh) 头部医学影像的评分方法和装置、电子设备及存储介质
Morishita et al. Potential usefulness of biological fingerprints in chest radiographs for automated patient recognition and identification1
US11200671B2 (en) Reference image guided object detection in medical image processing
KR20220046798A (ko) 폐 손상 진단 장치, 방법 및 기록매체
KR102766587B9 (ko) 의료 영상을 기초로 딥러닝 알고리즘을 이용하여 질병 예측을 수행하기 위한 방법 및 장치
CN116525076A (zh) 阿尔兹海默症辅助诊断模型获取方法及装置
KR20220007744A (ko) 인공신경망을 이용한 신장암의 진단 방법 및 그 장치
CN118212156B (zh) 一种基于bs-ldm模型的高分辨率胸部x光图像骨抑制方法
Longuefosse et al. Lung ct synthesis using gans with conditional normalization on registered ultrashort echo-time mri
KR102136107B1 (ko) 뼈 감쇄된 x-선 영상의 정합 장치 및 방법

Legal Events

Date Code Title Description
A201 Request for examination
PA0109 Patent application

St.27 status event code: A-0-1-A10-A12-nap-PA0109

PA0201 Request for examination

St.27 status event code: A-1-2-D10-D11-exm-PA0201

P11-X000 Amendment of application requested

St.27 status event code: A-2-2-P10-P11-nap-X000

P13-X000 Application amended

St.27 status event code: A-2-2-P10-P13-nap-X000

PN2301 Change of applicant

St.27 status event code: A-3-3-R10-R13-asn-PN2301

St.27 status event code: A-3-3-R10-R11-asn-PN2301

P11-X000 Amendment of application requested

St.27 status event code: A-2-2-P10-P11-nap-X000

P13-X000 Application amended

St.27 status event code: A-2-2-P10-P13-nap-X000

PN2301 Change of applicant

St.27 status event code: A-3-3-R10-R13-asn-PN2301

St.27 status event code: A-3-3-R10-R11-asn-PN2301

R18-X000 Changes to party contact information recorded

St.27 status event code: A-3-3-R10-R18-oth-X000

R18-X000 Changes to party contact information recorded

St.27 status event code: A-3-3-R10-R18-oth-X000

D13-X000 Search requested

St.27 status event code: A-1-2-D10-D13-srh-X000

R18-X000 Changes to party contact information recorded

St.27 status event code: A-3-3-R10-R18-oth-X000

D14-X000 Search report completed

St.27 status event code: A-1-2-D10-D14-srh-X000

PG1501 Laying open of application

St.27 status event code: A-1-1-Q10-Q12-nap-PG1501

E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

St.27 status event code: A-1-2-D10-D21-exm-PE0902

N231 Notification of change of applicant
PN2301 Change of applicant

St.27 status event code: A-3-3-R10-R13-asn-PN2301

St.27 status event code: A-3-3-R10-R11-asn-PN2301

E13-X000 Pre-grant limitation requested

St.27 status event code: A-2-3-E10-E13-lim-X000

P11-X000 Amendment of application requested

St.27 status event code: A-2-2-P10-P11-nap-X000

P13-X000 Application amended

St.27 status event code: A-2-2-P10-P13-nap-X000

P22-X000 Classification modified

St.27 status event code: A-2-2-P10-P22-nap-X000

R18-X000 Changes to party contact information recorded

St.27 status event code: A-3-3-R10-R18-oth-X000

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

St.27 status event code: A-1-2-D10-D22-exm-PE0701

PR0701 Registration of establishment

St.27 status event code: A-2-4-F10-F11-exm-PR0701

PR1002 Payment of registration fee

St.27 status event code: A-2-2-U10-U11-oth-PR1002

Fee payment year number: 1

PG1601 Publication of registration

St.27 status event code: A-4-4-Q10-Q13-nap-PG1601

R17-X000 Change to representative recorded

St.27 status event code: A-5-5-R10-R17-oth-X000

P22-X000 Classification modified

St.27 status event code: A-4-4-P10-P22-nap-X000

R18-X000 Changes to party contact information recorded

St.27 status event code: A-5-5-R10-R18-oth-X000

P22-X000 Classification modified

St.27 status event code: A-4-4-P10-P22-nap-X000