WO2023017919A1 - 관절 상태를 정량화하기 위한 의료 영상 분석 방법, 의료 영상 분석 장치, 및 의료 영상 분석 시스템 - Google Patents

관절 상태를 정량화하기 위한 의료 영상 분석 방법, 의료 영상 분석 장치, 및 의료 영상 분석 시스템 Download PDF

Info

Publication number
WO2023017919A1
WO2023017919A1 PCT/KR2021/018218 KR2021018218W WO2023017919A1 WO 2023017919 A1 WO2023017919 A1 WO 2023017919A1 KR 2021018218 W KR2021018218 W KR 2021018218W WO 2023017919 A1 WO2023017919 A1 WO 2023017919A1
Authority
WO
WIPO (PCT)
Prior art keywords
medical image
joint
region
target
image analysis
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.)
Ceased
Application number
PCT/KR2021/018218
Other languages
English (en)
French (fr)
Inventor
이재준
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Crescom Co Ltd
Original Assignee
Crescom Co Ltd
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 Crescom Co Ltd filed Critical Crescom Co Ltd
Priority to JP2022508473A priority Critical patent/JP7473992B2/ja
Priority to EP21851945.2A priority patent/EP4343779A4/en
Priority to US17/634,761 priority patent/US12243224B2/en
Publication of WO2023017919A1 publication Critical patent/WO2023017919A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Measuring devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1075—Measuring physical dimensions, e.g. size of the entire body or parts thereof for measuring dimensions by non-invasive methods, e.g. for determining thickness of tissue layer
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Measuring devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1079—Measuring physical dimensions, e.g. size of the entire body or parts thereof using optical or photographic means
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4528—Joints
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20036—Morphological image processing
    • 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]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical

Definitions

  • the present application relates to a medical image analysis method, a medical image analysis device, and a medical image analysis system. Specifically, the present application relates to a medical image analysis method, a medical image analysis device, and a medical image analysis system for calculating joint state information obtained by quantifying joint states.
  • joint spacing In analyzing joint conditions, one of the most important factors is joint spacing, and the reduction of joint spacing is known to have an important relationship with rheumatoid arthritis, degenerative arthritis, cartilage wear, and joint conditions in various parts of the body. . In particular, many studies have proven that joint spacing values are significantly related to joint pain.
  • the joint condition was estimated based on the absolute value of the joint interval.
  • the absolute value of joint spacing may vary significantly depending on external factors such as gender, race, and body type.
  • an error may occur in the absolute value of the joint interval depending on a recording device system and a program for capturing an image.
  • a millimeter-scale error occurs, since the numerical change is large, it may cause inaccurate results in identifying the reduction rate of joint spacing compared to normal and comparing with other patients or monitoring the prognosis.
  • there is a limitation in determining the joint condition based on the absolute value of the joint interval Accordingly, development of a medical image analysis method, apparatus, and system capable of obtaining objective joint condition information while minimizing the influence of external factors is required.
  • One problem to be solved by the present invention is to provide a medical image analysis method for calculating joint state information, a medical image analysis device, and a medical image analysis system.
  • a medical image analysis method includes acquiring a target medical image; detecting a target joint gap region from the target medical image; obtaining a first value related to a width of a joint region from the target medical image; obtaining a second value related to a joint spacing from the target joint spacing area; and calculating a target joint condition index indicating a condition of a joint based on the first value and the second value.
  • An apparatus for analyzing a medical image includes an image acquiring unit acquiring a target medical image; and a controller that provides joint state information based on the target medical image, wherein the controller acquires the target medical image, detects a target joint gap region from the target medical image, and obtains the target joint space from the target medical image.
  • a first value related to the width of the part is obtained
  • a second value related to the joint distance is obtained from the target joint distance area
  • a target joint state representing a state of a joint is obtained based on the first value and the second value. It can be configured to calculate an indicator.
  • objective joint condition information can be obtained by minimizing the influence of external factors such as body shape, race, and gender.
  • FIG. 1 is a schematic diagram of a medical image analysis system according to an embodiment of the present application.
  • FIG. 2 is a diagram illustrating operations of a medical image analysis apparatus according to an embodiment of the present application.
  • FIG. 3 is a flowchart illustrating a method of analyzing a medical image according to an embodiment of the present application.
  • FIG. 4 is a flowchart embodying a step of detecting a target joint gap region according to an embodiment of the present application.
  • FIG. 5 is a diagram illustrating an aspect of detecting a region of interest and a target joint gap region according to an embodiment of the present application.
  • FIG. 6 is a flowchart illustrating a method of training a neural network model for obtaining a target joint gap area according to an embodiment of the present application.
  • FIG. 7 is a diagram illustrating an aspect of learning a neural network model for obtaining a target joint gap area according to an embodiment of the present application.
  • FIG. 8 is a flowchart embodying a step of detecting a target joint gap region according to an embodiment of the present application.
  • FIG. 9 is a schematic diagram illustrating an aspect of obtaining a target joint gap area using a trained neural network model according to an embodiment of the present application.
  • FIG. 10 is a flowchart embodying a step of obtaining a first value related to a width of a joint part according to an embodiment of the present application.
  • FIG. 11 is a diagram illustrating an aspect of obtaining a first value according to an embodiment of the present application.
  • FIG. 12 is a flowchart embodying a step of obtaining a second value related to a joint interval according to an embodiment of the present application.
  • FIG. 13 is a diagram illustrating an aspect of obtaining a second value according to an embodiment of the present application.
  • a medical image analysis method includes acquiring a target medical image; detecting a target joint gap region from the target medical image; obtaining a first value related to a width of a joint region from the target medical image; obtaining a second value related to a joint spacing from the target joint spacing area; and calculating a target joint condition index indicating a condition of a joint based on the first value and the second value.
  • the detecting of the target joint gap region may include detecting a region of interest from the target medical image; and obtaining the target joint gap region included in the region of interest by performing segmentation on the region of interest.
  • the region of interest may be acquired using a first neural network model learned to receive medical images and output regions including joint regions.
  • the segmentation may be performed using a second neural network model learned to output a joint gap region by receiving a medical image including a region of interest.
  • the obtaining of the first value may include: detecting a first point and a second point adjacent to a boundary between a bone region and an outer region of the bone from the target medical image; obtaining first coordinate information of the first point and second coordinate information of the second point; and calculating the first value based on the first coordinate information and the second coordinate information.
  • the first point and the second point may be obtained based on a difference between brightness of the bone region included in the target medical image and brightness of an outer region of the bone.
  • the first point and the second point receive a medical image including the bone region and an outer region of the bone, and the first region corresponding to the first point and the first region It can be obtained through a neural network model trained to output the second area corresponding to the two points.
  • the obtaining of the second value may include obtaining a section of interest from among the joint gap region; obtaining a plurality of joint spacing values within the region of interest; and obtaining the second value based on the plurality of joint distance values.
  • the second value may be a minimum value among the plurality of joint distance values or an average value of the plurality of joint distance values.
  • the target joint condition index may be defined as a ratio of the second value to the first value.
  • a computer-readable recording medium recording a program for executing the medical image analysis method may be provided.
  • An apparatus for analyzing a medical image includes an image acquiring unit acquiring a target medical image; and a controller that provides joint state information based on the target medical image, wherein the controller acquires the target medical image, detects a target joint gap region from the target medical image, and obtains the target joint space from the target medical image.
  • a first value related to the width of the part is obtained
  • a second value related to the joint distance is obtained from the target joint distance area
  • a target joint state representing a state of a joint is obtained based on the first value and the second value. It can be configured to calculate an indicator.
  • FIGS. 1 to 13 the medical image analysis method, medical image analysis apparatus, and medical image analysis system of the present application will be described with reference to FIGS. 1 to 13 .
  • FIG. 1 is a schematic diagram of a medical image analysis system 10 according to an embodiment of the present application.
  • the medical image analysis system 10 may include a medical image acquisition device 100 and a medical image analysis device 1000 .
  • the medical image capture device 100 may capture a medical image.
  • the medical image capture device 100 may include any type of medical image including magnetic resonance imaging, computerized tomography equipment, X-ray equipment, and the like. It may mean encompassing a device that obtains.
  • a medical image obtained by the medical image capture device 100 may be a 2D image. In this case, the medical image may include pixel information related to pixel coordinates, color, and intensity.
  • a medical image obtained by the medical image capture device 100 may be a 3D image. In this case, the medical image may include pixel information related to the coordinates, color, and intensity of the voxel.
  • the medical image analysis apparatus 1000 may obtain joint state information by analyzing a medical image. More specifically, the medical image analysis apparatus 1000 may detect a joint area from a medical image and quantify information related to a joint condition based on the joint area.
  • the joint area may include an inter-articular area (or a joint space area), a bone area adjacent to the inter-articular area, and the like.
  • the medical image analysis apparatus 1000 may include a transceiver 1100, a memory 1200, and a controller 1300.
  • the transceiver 1100 of the medical image analysis apparatus 1000 may communicate with any external device including the medical image capture apparatus 100 .
  • the medical image analysis apparatus 1000 may receive a medical image captured by the medical image capture apparatus 100 through the transceiver 1100 .
  • the medical image analysis apparatus 1000 may transmit acquired joint state information to an arbitrary external device including the medical image capture apparatus 100 through the transceiver 1100 .
  • the medical image analysis apparatus 1000 may transmit and receive various types of data by accessing a network through a transceiver.
  • the transceiver may largely include a wired type and a wireless type. Since the wired type and the wireless type each have advantages and disadvantages, the medical image analysis apparatus 1000 may be provided with both the wired type and the wireless type in some cases.
  • a wireless local area network (WLAN)-based communication method such as Wi-Fi may be mainly used.
  • a wireless type a cellular communication, eg, LTE, 5G-based communication method may be used.
  • the wireless communication protocol is not limited to the above example, and any suitable wireless type communication method may be used.
  • LAN Local Area Network
  • USB Universal Serial Bus
  • the memory 1200 of the medical image analysis apparatus 1000 may store various kinds of information. Various types of data may be temporarily or semi-permanently stored in the memory 1200 . Examples of the memory 1200 include a hard disk drive (HDD), a solid state drive (SSD), a flash memory, a read-only memory (ROM), a random access memory (RAM), and the like. This can be.
  • the memory 1200 may be provided in a form embedded in the medical image analysis apparatus 1000 or in a detachable form.
  • the memory 1200 includes an operating system (OS) for driving the medical image analysis device 1000, a program for operating each component of the medical image analysis device 1000, and the components of the medical image analysis device 1000.
  • OS operating system
  • Various data required for operation may be stored.
  • the controller 1300 may control overall operations of the medical image analysis apparatus 1000 .
  • the controller 1300 analyzes medical images, such as an operation of detecting a region of interest or a target joint gap region from a target medical image, an operation of quantifying a width of a joint part, an operation of quantifying a joint gap, and an operation of calculating joint state information.
  • Overall operation of the device 1000 may be controlled.
  • the controller 1300 may load and execute a program for overall operation of the medical image analysis apparatus 1000 from the memory 1100 .
  • the processor may be implemented as an application processor (AP), a central processing unit (CPU), a microcontroller unit (MCU), or similar devices according to hardware, software, or a combination thereof.
  • AP application processor
  • CPU central processing unit
  • MCU microcontroller unit
  • the medical image analysis apparatus 1000 may include any suitable input unit and/or output unit.
  • the medical image analysis apparatus 1000 may receive a user's input necessary for analyzing a medical image through an input unit.
  • the medical image analysis apparatus 1000 may obtain a user's input for allocating label information to each of a plurality of areas included in a medical image through an input unit.
  • the medical image analysis apparatus 1000 may obtain a user's input for setting a region of interest of a joint interval region for acquiring a joint interval value through an input unit.
  • the medical image analysis apparatus 1000 may output a result of comparing a target joint condition index and/or a target joint condition index and a reference joint condition index to be described later through an output unit.
  • the medical image analysis apparatus 1000 may detect a joint gap region from a medical image. Also, the medical image analysis apparatus 1000 may calculate joint state information based on the joint gap area.
  • FIG. 2 is a diagram illustrating operations of the medical image analysis apparatus 1000 according to an embodiment of the present application.
  • the medical image analysis apparatus 1000 may include an image acquisition unit.
  • the image acquisition unit of the medical image analysis apparatus 1000 may obtain a target medical image obtained from the medical image acquisition apparatus 100 .
  • the image capture unit may acquire a target medical image from an external device including the medical image capture device 100 through the transceiver 1100 .
  • the medical image analysis apparatus 1000 may include a region of interest detector.
  • the region of interest detector of the medical image analysis apparatus 1000 may detect the region of interest included in the target medical image.
  • the ROI detector may detect a ROI including a joint region from the target medical image.
  • the joint area may include a joint space area and/or a bone area adjacent to the joint space area.
  • the ROI detector may detect the ROI using an artificial intelligence technique.
  • An operation of detecting a region of interest will be described in detail with reference to FIGS. 4 and 5 .
  • an operation of detecting a region of interest from a target medical image may be omitted.
  • an operation of detecting the region of interest by the region of interest detector may be omitted.
  • the medical image analysis apparatus 1000 may include a joint gap area detector.
  • the joint gap region detector of the medical image analysis apparatus 1000 according to an embodiment of the present application may detect a target joint gap region from a target medical image.
  • the joint gap region detector may detect the target joint gap region from a region of interest including the joint region included in the target medical image.
  • the target joint gap region may refer to a region between arbitrary joints included in the target medical image.
  • the joint gap area detector may obtain a target joint gap area by using an artificial intelligence technique.
  • the joint gap region detector may acquire the target joint gap region by using a neural network model trained on the basis of a training set in which the interjoint region (or joint gap region) is assigned (or labeled) to the medical image. Contents of acquiring the target joint gap region will be described in detail with reference to FIGS. 4 to 9 .
  • the medical image analysis apparatus 1000 may include a joint condition quantification analysis unit.
  • the joint state quantification analysis unit may include a joint width analysis unit and a joint spacing analysis unit.
  • the joint state quantification analysis unit of the medical image analysis apparatus 1000 according to an embodiment of the present application may calculate joint state information based on a joint region and/or a target joint gap region.
  • the joint width analysis unit of the medical image analysis apparatus 1000 may perform an operation of quantifying the width of a joint part based on the joint area included in the target medical image.
  • the joint width analyzer of the medical image analysis apparatus 1000 detects an outer point of the joint using an arbitrary image processing technique or an artificial intelligence technique, and quantifies the width of the joint based on the coordinate information of the outer point. information can be derived. Details of quantifying the width of the joint will be described in detail in FIGS. 10 and 11 .
  • the joint spacing analysis unit of the medical image analysis apparatus 1000 may perform an operation of quantifying a joint spacing based on a target joint spacing area.
  • the joint gap analyzer of the medical image analysis apparatus 1000 may obtain a region of interest related to the target joint gap region and obtain at least one joint gap value within the region of interest.
  • the joint spacing analysis unit of the medical image analysis apparatus 1000 may calculate quantitative information related to the joint spacing based on at least one joint spacing value. The content of quantifying the joint spacing will be described in detail in FIGS. 12 and 13 .
  • the medical image analysis apparatus 1000 may calculate joint state information based on quantitative information related to the width of a joint and quantitative information related to a joint interval.
  • the joint condition quantitative analysis unit of the medical image analysis apparatus 1000 may calculate a joint condition index indicating a joint condition based on quantitative information related to a width of a joint and quantitative information related to a joint interval.
  • FIG. 3 is a flowchart illustrating a method of analyzing a medical image according to an embodiment of the present application.
  • a medical image analysis method includes acquiring a target medical image (S1100), detecting a target joint gap region (S1200), and obtaining a first value related to the width of a joint (S1200). It may include (S1300), obtaining a second value related to the joint interval (S1400), and calculating a target joint condition index indicating the state of the joint (S1500).
  • the medical image analysis apparatus 1000 may acquire a target medical image as an analysis target.
  • the medical image analysis apparatus 1000 may obtain a target medical image from the medical image acquisition apparatus 100 or any external device including a database through the transceiver 1100 .
  • the medical image analysis apparatus 1000 may detect the target joint gap region from the target medical image.
  • the medical image analysis apparatus 1000 acquires, as a region of interest, a region including a joint part included in the target medical image from a target medical image, and precisely analyzes the region of interest to obtain a target joint gap region. It can be.
  • the medical image analysis apparatus 1000 may be implemented to acquire a target joint gap region included in the target medical image from the target medical image.
  • 4 is a flowchart embodying a step of detecting a target joint gap region according to an embodiment of the present application.
  • 5 is a diagram illustrating an aspect of detecting a region of interest and a target joint gap region according to an embodiment of the present application.
  • Obtaining the target joint gap region (S1200) may include detecting a region of interest from the target medical image (S1210) and acquiring a target joint gap region included in the region of interest (S1220).
  • the medical image analysis apparatus 1000 may be implemented to detect a region including a joint region from the target medical image as the region of interest.
  • the medical image analysis apparatus 1000 may acquire a region including a joint region as a region of interest by using any suitable artificial intelligence technique.
  • the medical image analysis apparatus 1000 may receive a target medical image and detect a region of interest (ROI) by using a first neural network model trained to output a region including a joint region as a region of interest.
  • ROI region of interest
  • the first neural network model may be learned based on the medical image and label information assigned to the medical image as a joint area.
  • the label information may be automatically assigned to the medical image using arbitrary software or may be manually assigned to the medical image by an arbitrary operator.
  • the first neural network model may be trained to receive a medical image and minimize a difference between an output value and label information related to a joint region.
  • the first neural network model may be an artificial neural network model based on deep learning.
  • the artificial neural network there may be a convolutional neural network, a recurrent neural network, a deep neural network, a generative adversarial network, and the like. However, this is only an example and should be interpreted in a comprehensive sense that includes all of the above-described artificial neural networks, various other types of artificial neural networks, and artificial neural networks in a combination thereof, and does not necessarily have to be a deep learning series.
  • the medical image analysis apparatus 1000 may detect the target joint gap region from the target medical image.
  • the medical image analysis apparatus 1000 may obtain a target joint space region including an inter-joint region by performing segmentation on the region of interest of the target medical image. For example, segmentation of the region of interest may be performed using any suitable artificial intelligence technique.
  • the medical image analysis apparatus 1000 receives a target medical image including a region of interest and detects a target joint gap region by using a second neural network model learned to output an inter-joint region. It can be.
  • a neural network model may be used as a model for obtaining a target joint gap area.
  • a neural network model may serve as a machine learning model.
  • a typical example of a machine learning model may be an artificial neural network.
  • a representative example of an artificial neural network is a deep learning artificial neural network including an input layer that receives data, an output layer that outputs results, and a hidden layer that processes data between the input layer and the output layer.
  • Specific examples of artificial neural networks include a Convolution Neural Network, a Recurrent Neural Network, a Deep Neural Network, a Generative Adversarial Network, and the like.
  • a neural network should be interpreted as a comprehensive meaning that includes all of the above-described artificial neural networks, various other types of artificial neural networks, and artificial neural networks in a combination thereof, and does not necessarily have to be a deep learning series.
  • the machine learning model does not necessarily have to be in the form of an artificial neural network model, and in addition, nearest neighbor algorithm (KNN), random forest (Random Forest), support vector machine (SVM), principal component analysis (PCA), etc. may be included.
  • KNN nearest neighbor algorithm
  • Random Forest random forest
  • SVM support vector machine
  • PCA principal component analysis
  • the techniques mentioned above may include all of the ensemble forms or even forms combined in various ways.
  • centering on the artificial neural network it is disclosed in advance that the artificial neural network may be replaced with another machine learning model unless otherwise specified.
  • the algorithm for obtaining the target joint space region in the present specification is not necessarily limited to a machine learning model. That is, the algorithm for obtaining the target joint gap area may include various judgment/determination algorithms other than a machine learning model. Therefore, it should be noted that the algorithm for acquiring the target joint gap area in the present specification should be understood as a comprehensive meaning including all types of algorithms for calculating the joint gap area based on medical images. However, in the following description, for convenience of description, the artificial neural network model will be mainly described.
  • FIGS. 6 to 9 Details of learning a neural network model for acquiring a target joint gap region according to an embodiment of the present application will be described in detail with reference to FIGS. 6 and 7 .
  • FIGS. 8 and 9 details of obtaining a target joint gap region using the learned neural network model will be described.
  • FIG. 6 is a flowchart illustrating a method of training a neural network model for obtaining a target joint gap area according to an embodiment of the present application.
  • a method of training a neural network model for obtaining a target joint gap region may be performed in the medical image analysis apparatus 1000 .
  • the method of learning the neural network model for obtaining the target joint gap area may be performed in an external device separate from the medical image analysis apparatus 1000 .
  • learning of a neural network model for acquiring a target joint gap area is performed in the medical image analysis apparatus 1000 .
  • this is only an example and is not construed as being limited thereto.
  • a method for learning a neural network model for obtaining a target joint gap region includes acquiring a medical image database (S2100), preparing a learning set (S2200), and learning a neural network (S2100). S2300) and obtaining a learned neural network model (S2400).
  • the medical image analysis apparatus 1000 obtains a medical image database including a plurality of medical images from the medical image acquisition device 100 or an external device including an arbitrary database.
  • the medical image analysis apparatus 1000 may obtain a prepared training set by allocating label information to an inter-joint region included in the medical image.
  • the operation of assigning label information to the inter-articular region may be performed using any appropriate software or manually by any operator, similarly to the above description.
  • the medical image analysis apparatus 1000 may learn the neural network model based on the medical image and the training set.
  • FIG. 7 is a diagram illustrating an aspect of learning a neural network model for obtaining a target joint gap area according to an embodiment of the present application.
  • a neural network model may include an input layer, an output layer, and a hidden layer.
  • the input layer may receive a medical image
  • the output layer may output an output value related to an inter-articular region.
  • the hidden layer may have a plurality of nodes connecting the input layer and the output layer.
  • the medical image analysis apparatus 1000 may train a neural network to output joint space area information representing an inter-joint area based on a medical image.
  • the medical image analysis apparatus 1000 may input a medical image to an input layer and obtain an output value related to an inter-joint region through an output layer.
  • the medical image analysis apparatus 1000 may adjust a weight (or parameter) of a node included in a hidden layer based on a difference between label information related to the joint gap region included in the training set and an output value.
  • the medical image analysis apparatus 1000 inputs a first medical image acquired from a medical image database to an input layer, output values output through an output layer, and first label information allocated to a joint gap region of the first medical image.
  • a weight (or parameter) of a node included in the hidden layer may be updated based on the difference between .
  • the medical image analysis apparatus 1000 inputs an Nth medical image obtained from a medical image database to an input layer, output values output through an output layer, and Nth label information allocated to a joint gap region of the Nth medical image. Weights (or parameters) of nodes included in the hidden layer may be repeatedly updated based on the difference between .
  • the apparatus 1000 for analyzing medical images can train a neural network model by repeatedly adjusting weights (or parameters) of nodes included in hidden layers so that a difference between label information and an output value related to the joint gap region is minimized. .
  • the method of learning a neural network model for obtaining a target joint gap region may include acquiring a second learned neural network model ( S2400 ).
  • the medical image analysis apparatus 1000 sets the weights or parameters of nodes included in the learned hidden layer so that the output value and label information output through the output layer are minimized. can be obtained Alternatively, in acquiring the learned second neural network model ( S1400 ), the medical image analysis apparatus 1000 may obtain a second neural network model including a hidden layer including a node having the aforementioned weights or parameters.
  • the neural network model for obtaining the target joint gap region may further include verifying the neural network.
  • the medical image analysis apparatus 1000 may verify a neural network model based on at least a part of a training set. Specifically, the medical image analysis apparatus 1000 may input at least some of the medical images included in the training set to an input layer of a neural network model and obtain an output value output through an output layer. In addition, the medical image analysis apparatus 1000 determines whether the weight (or parameter) of the node included in the hidden layer of the neural network model is appropriate by comparing the similarity between the output value and the label information related to the medical image included in the training set. can be verified.
  • the target medical image may include a plurality of joint regions.
  • the medulla bone image may include several joint regions.
  • the medical image analysis apparatus 1000 may be implemented to learn a neural network model for each joint region and detect a joint gap region using at least one neural network model learned for each joint region. .
  • a joint gap region included in the first joint region is detected using the learned first joint detection neural network model, and for a second joint region, the learned second joint detection neural network model is used to detect the joint interval region included in the first joint region.
  • the medical image analysis apparatus 1000 may be configured to detect a joint gap region included in the second joint region.
  • FIG. 8 is a flowchart embodying a step of detecting a target joint gap region according to an embodiment of the present application.
  • Detecting a target joint gap area includes acquiring a learned second neural network model (S3100) and acquiring a target joint gap area using the learned second neural network model. Step S3200 may be included.
  • the medical image analysis apparatus 1000 may obtain the learned second neural network model. For example, weights or parameters of nodes of the second neural network model may be obtained. As another example, the medical image analysis apparatus 1000 may obtain a neural network including a hidden layer including nodes having weights or parameters acquired through learning.
  • step S3200 of acquiring the target joint gap region using the learned second neural network model the medical image analysis apparatus 1000 according to an embodiment of the present application is based on the learned second neural network model and the target medical image.
  • the target joint spaced area can be obtained.
  • FIG. 9 is a schematic diagram illustrating an aspect of obtaining a target joint gap area using a trained neural network model according to an embodiment of the present application.
  • the medical image analysis apparatus 1000 inputs a target medical image (or a target medical image including a region of interest) to the input layer of the learned second neural network model, and obtains information related to the target joint gap region through the output layer.
  • the medical image analysis apparatus 1000 outputs the target medical image (based on the learned second neural network model and the target medical image).
  • a target joint gap region included in a medical image including a region of interest may be acquired.
  • the method of analyzing a medical image may include obtaining a first value related to the width of a joint (S1300).
  • 10 is a flowchart embodying a step (S1300) of obtaining a first value related to the width of a joint part according to an embodiment of the present application.
  • 11 is a diagram illustrating an aspect of obtaining a first value according to an embodiment of the present application.
  • Acquiring a first value related to the width of a joint region includes detecting a first point and a second point adjacent to a boundary between a bone region and an outer region of the bone from the target medical image.
  • Step (S1310), obtaining first coordinate information of a first point and second coordinate information of a second point (S1320), and calculating a first value based on the first coordinate information and second coordinate information ( S1330) may be included.
  • the medical image analysis apparatus 1000 determines the inter-joint region included in the target medical image and the second point. It is possible to detect the adjacent bone region and the outer region of the bone. In detail, the medical image analysis apparatus 1000 determines the first point P1 adjacent to the boundary between the bone region R1 adjacent to the joint and the outer region R2 of the bone from the target medical image (or the medical image including the region of interest). and the second point P2 may be detected.
  • the medical image analysis apparatus 1000 may detect the first point P1 and the second point P2 using an arbitrary image processing technique.
  • the medical image analysis apparatus 1000 processes a target medical image using an arbitrary image processing technique, and detects a first point P1 and a second point P2 based on brightness of the processed target medical image. can do.
  • the medical image analysis apparatus 1000 determines the bone region R1 and the outer region R2 based on the difference between the first brightness of the bone region R1 and the second brightness of the outer region R2.
  • the boundary of the liver may be obtained, and a first point P1 and a second point P2 adjacent to the boundary may be obtained.
  • the medical image analysis apparatus 1000 may detect the first point P1 and the second point P2 using an artificial intelligence technique. For example, the medical image analysis apparatus 1000 may train a neural network model that acquires both end points of a bone based on a medical image and label information on both end points of a bone adjacent to an inter-articular region. In this case, the medical image analysis apparatus 1000 may detect both end points of the bone, eg, the first point P1 and the second point P2, by using the learned neural network model.
  • the medical image analysis apparatus 1000 determines the detected first and second points P1 and P2. Coordinate information can be obtained.
  • the target medical image may include a plurality of cells (eg, pixels or voxels), and the target medical image may include cell coordinate information.
  • the medical image analysis apparatus 1000 may obtain first coordinate information based on the coordinates of the cell corresponding to the first point P1 and based on the coordinates of the cell corresponding to the second point P2 Second coordinate information may be obtained.
  • the medical image analysis apparatus 1000 is related to the width of the joint based on the first coordinate information and the second coordinate information.
  • a first value can be obtained.
  • the first coordinate information e.g., e1(x,y)
  • the second coordinate information e.g., e2(x,y)
  • the medical image analysis apparatus 1000 calculates the first value related to the width of the joint by using a Euclidean distance calculation method.
  • the medical image analysis apparatus 1000 may be implemented to calculate a first value related to the width of a joint region in consideration of an alignment direction of a target medical image.
  • the method of analyzing a medical image may include acquiring a second value related to the joint spacing ( S1400 ).
  • FIG. 12 is a flowchart embodying a step (S1400) of acquiring a second value related to a joint interval according to an embodiment of the present application.
  • 13 is a diagram illustrating an aspect of obtaining a second value according to an embodiment of the present application.
  • Obtaining a second value related to the joint distance includes obtaining a region of interest (S1410) and obtaining a plurality of joint distance values within the region of interest (S1420). ), and obtaining a second value based on a plurality of joint spacing values (S1430).
  • the medical image analysis apparatus 1000 may obtain a section of interest.
  • the medical image analysis apparatus 1000 may obtain, as a region of interest, an inter-joint region known to be of high clinical importance in determining a joint state.
  • a region known as a region in which cartilage is present and associated with severe pain due to arthritis may be obtained as a region of interest.
  • the region of interest may be the above-mentioned both end points of the bone (eg, the first point P1 and the second point P2), the width between the both end points of the bone (eg, the first value), or the above-described clinical It can be automatically obtained by utilizing statistical ratios of important intervals.
  • a user may input a section of interest through an arbitrary input unit, and the medical image analysis apparatus 1000 may acquire the section of interest based on the user's input.
  • a section of interest may be divided into several sub-sections, and may be continuous or discontinuous.
  • the medical image analysis apparatus 1000 may obtain at least one joint distance value within the interest period. For example, the medical image analysis apparatus 1000 may obtain at least one joint distance value of an inter-joint region within the first ROI. Also, the medical image analysis apparatus 1000 may obtain at least one joint spacing value of a joint spacing area within the second ROI.
  • the coordinate information of the joint spacing region may be used by the medical image analysis apparatus 1000 to acquire the joint spacing value.
  • the medical image analysis apparatus 1000 may be implemented to obtain a joint spacing value based on coordinate information of a boundary defining a joint spacing region within a region of interest (eg, a first region of interest or a second region of interest).
  • a region of interest e.g, a first region of interest or a second region of interest.
  • this is only an example, and the medical image analysis apparatus 1000 may obtain the joint distance value within the ROI using any suitable method.
  • the medical image analysis apparatus 1000 performs a joint spacing based on at least one joint spacing value obtained from a target joint spacing region within the ROI.
  • a second value related to the interval may be obtained.
  • the medical image analysis apparatus 1000 may acquire a minimum value among a plurality of joint spacing values as a second value related to the joint spacing.
  • the medical image analysis apparatus 1000 may obtain an average value of a plurality of joint spacing values as a second value related to the joint spacing.
  • the medical image analysis apparatus 1000 may obtain the second value by assigning an appropriate weight to a minimum value among a plurality of joint distance values and an average value of a plurality of joint distance values.
  • a step of calculating a target joint condition index representing a condition of a joint may be included (S1500).
  • the medical image analysis apparatus 1000 performs the target joint condition index based on the first value related to the width of the joint and the second value related to the joint interval. can be calculated.
  • the medical image analysis apparatus 1000 may calculate a target joint condition index defined as a ratio of a second value to a first value.
  • the medical image analysis apparatus 1000 may calculate the minimum joint distance value relative to the first value (width value of the joint part) as the target joint condition index.
  • the medical image analysis apparatus 1000 may calculate the average joint spacing value compared to the first value (width value of the joint part) as the target joint condition index.
  • the target joint condition index obtained according to an embodiment of the present application may be quantified by linking a joint spacing value affected by various external factors such as race, gender, age, and the like to the width of the joint. Accordingly, the target joint condition index obtained according to an embodiment of the present application can minimize the influence of various external factors such as race, gender, age, and the like, and can provide objective joint condition information.
  • the medical image analysis apparatus 1000 may perform an operation of comparing and analyzing the target joint condition index with the reference joint condition index of the normal joint group.
  • the medical image analysis apparatus 1000 may obtain a joint state data set from an arbitrary database.
  • the joint state data set may include a reference medical image representing a normal joint, a joint width value calculated from the reference medical image, and a joint interval value calculated from the reference medical image.
  • the medical image analysis apparatus 1000 may calculate the reference joint condition index of the normal group from the joint condition data set. For example, the medical image analysis apparatus 1000 calculates a first joint condition index (eg, a minimum joint distance value compared to a width value of a joint part) from a first reference medical image related to a normal joint, and calculates a second criterion related to a normal joint. A second joint condition index (eg, a minimum joint distance value versus a width value of a joint part) may be calculated from the medical image. Also, the medical image analysis apparatus 1000 may calculate a reference joint condition index based on the first joint condition index and the second joint condition index. For example, the reference joint condition index may be calculated as an average value of a plurality of joint condition indexes of the normal group including the first joint condition index and the second joint condition index.
  • a first joint condition index eg, a minimum joint distance value compared to a width value of a joint part
  • a second joint condition index eg, a minimum joint distance value versus
  • the medical image analysis apparatus 1000 may quantify a target joint condition index by comparing it with a reference joint condition index.
  • the medical image analysis apparatus 1000 may calculate a reduction rate of a target joint condition index compared to a reference joint condition index.
  • the reduction rate may be defined as ((reference joint condition index - target joint condition index)/reference joint condition index) * 100.
  • the reference joint condition index e.g., the minimum joint distance value versus the width value of the joint part
  • the target joint condition index e.g., the value of the joint width part versus the minimum joint distance value
  • the medical image analysis apparatus 1000 may quantify a reduction rate indicating that the joint condition of the subject to be analyzed is a state in which the joint interval is narrowed compared to the normal joint, as the reduction rate is 75% compared to the normal joint.
  • the reference joint condition index (eg, the minimum joint distance value compared to the width value of the joint part), which is the average value of the knee joint condition index of the normal group, is 0.06
  • the target joint condition index (eg, the value of the joint width part) If the relative minimum joint distance value) is 0.015
  • the reduction rate can be calculated as about 75%.
  • the medical image analysis apparatus 1000 can quantify the reduction rate of the joint state of the analysis subject's knee compared to the normal knee joint by 75%, indicating that the analysis subject's knee joint interval is narrowed compared to the normal knee joint.
  • the above numerical values are only examples for convenience of explanation, and are not limited to this.
  • the medical image analysis apparatus 1000 may compare conditions between joints of the same person or analyze changes in joint conditions over time.
  • the medical image analysis apparatus 1000 according to the present invention may provide information on the joint condition of the subject of analysis by quantifying the joint condition between other people.
  • the medical image analysis apparatus 1000 may output joint state information or comparative analysis results with a normal group through an arbitrary output unit.
  • the medical image analysis apparatus 1000 according to an embodiment of the present application may transmit the acquired target joint condition index or a comparative analysis result with a normal group to an arbitrary external device including the medical image acquisition apparatus 100.
  • Any external device that has received the target joint condition index or the result of comparison and analysis with the normal group may output the joint condition information or the result of comparison and analysis with the normal group through an arbitrary output unit.
  • a joint state can be more accurately estimated based on objective joint state information.
  • Various operations of the above-described medical image analysis apparatus 1000 may be stored in the memory 1200 of the medical image analysis apparatus 1000, and the controller 1300 of the medical image analysis apparatus 1000 may store the operations in the memory 1200. Can be provided to perform actions.

Landscapes

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

Abstract

본 출원의 일 실시예에 따른 의료 영상 분석 방법은, 대상 의료 영상을 획득하는 단계; 상기 대상 의료 영상으로부터 대상 관절 간격 영역을 검출하는 단계; 상기 대상 의료 영상으로부터 관절 부위의 폭과 관련된 제1 값을 획득하는 단계; 상기 대상 관절 간격 영역으로부터 관절 간격과 관련된 제2 값을 획득하는 단계; 및 상기 제1 값 및 상기 제2 값에 기초하여, 관절의 상태를 나타내는 대상 관절 상태 지표를 산출하는 단계;를 포함한다.

Description

관절 상태를 정량화하기 위한 의료 영상 분석 방법, 의료 영상 분석 장치, 및 의료 영상 분석 시스템
본 출원은 의료 영상 분석 방법, 의료 영상 분석 장치, 및 의료 영상 분석 시스템에 관한 것이다. 구체적으로 본 출원은 관절 상태를 정량화한 관절 상태 정보를 연산하는 의료 영상 분석 방법, 의료 영상 분석 장치, 및 의료 영상 분석 시스템에 관한 것이다.
이미지 세그멘테이션 기술의 향상으로 인해, 의료 영상을 세그멘테이션하여 각종 질환과 관련된 진단 보조 지표 등을 산출하는 것이 가능해지면서, 최근 의료 영상 분석 분야가 주목받고 있다. 특히, 관절 상태 정보를 제공하기 위하여 의료 영상 분석 기술이 다방면으로 연구되고 있다.
관절 상태를 분석하는 데 있어서, 가장 중요한 요소 중 하나는 관절 간격이며, 관절 간격의 감소는 류마티스 관절염, 퇴행성 관절염, 연골의 마모 상태, 신체의 다양한 부위의 관절 상태 등과 중요한 연관관계가 있는 것으로 알려져 있다. 특히, 많은 연구에서 관절 간격 수치는 관절의 통증과도 상당히 연관성이 있음이 증명되고 있다.
그러나, 종래에는 관절 간격의 절대적인 수치에 기초하여 관절 상태를 추정하였다. 다만, 관절 간격의 절대적인 수치는 성별, 인종, 체형 등 외부 요인에 따라 유의미하게 달라질 수 있다. 또한 관절 간격의 절대적 수치는 영상을 촬영하는 촬영기기 시스템과 프로그램에 따라 오차가 발생할 수 있다. 이경우 밀리미터 스케일의 오차가 발생하더라도 수치의 변화가 크기 때문에, 정상 대비 관절 간격의 감소율을 파악하고 다른 환자들과의 비교나 예후를 추적 관찰함에 있어 부정확한 결과를 초래할 수 있다. 다시 말해, 관절 간격의 절대적인 수치에 기초하여 관절 상태를 파악하는 데 한계가 존재하는 실정이다. 이에, 외부 요인에 영향을 최소화하면서 객관적인 관절 상태 정보를 획득할 수 있는 의료 영상 분석 방법, 장치 및 시스템의 개발이 요구된다.
본 발명이 해결하고자 하는 일 과제는, 관절 상태 정보를 연산하는 의료 영상 분석 방법, 의료 영상 분석 장치, 및 의료 영상 분석 시스템을 제공하는 것이다.
본 발명이 해결하고자 하는 과제가 상술한 과제로 제한되는 것은 아니며, 언급되지 아니한 과제들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 출원의 일 실시예에 따른 의료 영상 분석 방법은, 대상 의료 영상을 획득하는 단계; 상기 대상 의료 영상으로부터 대상 관절 간격 영역을 검출하는 단계; 상기 대상 의료 영상으로부터 관절 부위의 폭과 관련된 제1 값을 획득하는 단계; 상기 대상 관절 간격 영역으로부터 관절 간격과 관련된 제2 값을 획득하는 단계; 및 상기 제1 값 및 상기 제2 값에 기초하여, 관절의 상태를 나타내는 대상 관절 상태 지표를 산출하는 단계;를 포함할 수 있다.
본 출원의 일 실시예에 따른 의료 영상 분석 장치는, 대상 의료 영상을 획득하는 영상 획득부; 및 상기 대상 의료 영상에 기초하여 관절 상태 정보를 제공하는 컨트롤러;를 포함하되, 상기 컨트롤러는, 대상 의료 영상을 획득하고, 상기 대상 의료 영상으로부터 대상 관절 간격 영역을 검출하고, 상기 대상 의료 영상으로부터 관절 부위의 폭과 관련된 제1 값을 획득하고, 상기 대상 관절 간격 영역으로부터 관절 간격과 관련된 제2 값을 획득하고, 상기 제1 값 및 상기 제2 값에 기초하여, 관절의 상태를 나타내는 대상 관절 상태 지표를 산출하도록 구성될 수 있다.
본 발명의 과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 출원의 실시예에 따른 의료 영상 분석 방법, 장치 및 시스템에 의하면, 체형, 인종, 성별 등의 외부 요인의 영향을 최소화하여 객관적인 관절 상태 정보가 획득될 수 있다.
본 발명의 효과가 상술한 효과들로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 본 출원의 일 실시예에 따른 의료 영상 분석 시스템의 개략도이다.
도 2는 본 출원의 일 실시예에 따른 의료 영상 분석 장치의 동작들을 나타낸 도면이다.
도 3은 본 출원의 일 실시예에 따른 의료 영상을 분석하는 방법을 나타낸 순서도이다.
도 4는 본 출원의 일 실시예에 따른 대상 관절 간격 영역을 검출하는 단계를 구체화한 순서도이다.
도 5는 본 출원의 일 실시예에 따른 관심 영역과 대상 관절 간격 영역을 검출하는 일 양상을 도시한 도면이다.
도 6은 본 출원의 일 실시예에 따른 대상 관절 간격 영역을 획득하기 위한 신경망 모델을 학습시키는 방법을 도시한 순서도이다.
도 7은 본 출원의 일 실시예에 따른 대상 관절 간격 영역을 획득하기 위한 신경망 모델을 학습시키는 일 양상을 도시한 도면이다.
도 8은 본 출원의 일 실시예에 따른 대상 관절 간격 영역을 검출하는 단계를 구체화한 순서도이다.
도 9는 본 출원의 일 실시예에 따른 학습된 신경망 모델을 이용하여 대상 관절 간격 영역을 획득하는 일 양상을 도시한 개략도이다.
도 10은 본 출원의 일 실시예에 따른 관절 부위의 폭과 관련된 제1 값을 획득하는 단계를 구체화한 순서도이다.
도 11은 본 출원의 일 실시예에 따른 제1 값을 획득하는 일 양상을 도시한 도면이다.
도 12은 본 출원의 일 실시예에 따른 관절 간격과 관련된 제2 값을 획득하는 단계를 구체화한 순서도이다.
도 13은 본 출원의 일 실시예에 따른 제2 값을 획득하는 일 양상을 도시한 도면이다.
본 출원의 일 실시예에 따른 의료 영상 분석 방법은, 대상 의료 영상을 획득하는 단계; 상기 대상 의료 영상으로부터 대상 관절 간격 영역을 검출하는 단계; 상기 대상 의료 영상으로부터 관절 부위의 폭과 관련된 제1 값을 획득하는 단계; 상기 대상 관절 간격 영역으로부터 관절 간격과 관련된 제2 값을 획득하는 단계; 및 상기 제1 값 및 상기 제2 값에 기초하여, 관절의 상태를 나타내는 대상 관절 상태 지표를 산출하는 단계;를 포함할 수 있다.
본 출원의 일 실시예에 따르면, 상기 대상 관절 간격 영역을 검출하는 단계는, 상기 대상 의료 영상으로부터 관심 영역을 검출하는 단계; 및 상기 관심 영역에 대한 세그멘테이션을 수행하여 상기 관심 영역에 포함된 상기 대상 관절 간격 영역을 획득하는 단계;를 포함할 수 있다.
본 출원의 일 실시예에 따르면, 상기 관심 영역은, 의료 영상을 수신하여 관절 부위를 포함한 영역을 출력하도록 학습된 제1 신경망 모델을 이용하여 획득될 수 있다.
본 출원의 일 실시예에 따르면, 상기 세그멘테이션은, 관심 영역을 포함하는 의료 영상을 수신하여 관절 간격 영역을 출력하도록 학습된 제2 신경망 모델을 이용하여 수행될 수 있다.
본 출원의 일 실시예에 따르면, 상기 제1 값을 획득하는 단계는, 상기 대상 의료 영상으로부터 뼈 영역과 뼈의 외측 영역 간의 경계에 인접한 제1 지점 및 제2 지점을 검출하는 단계; 상기 제1 지점의 제1 좌표 정보 및 상기 제2 지점의 제2 좌표 정보를 획득하는 단계; 및 상기 제1 좌표 정보 및 상기 제2 좌표 정보에 기초하여 상기 제1 값을 계산하는 단계;를 포함할 수 있다.
본 출원의 일 실시예에 따르면, 상기 제1 지점 및 상기 제2 지점은, 상기 대상 의료 영상에 포함된 상기 뼈 영역의 밝기와 상기 뼈의 외측 영역의 밝기의 차이에 기초하여 획득될 수 있다.
본 출원의 일 실시예에 따르면, 상기 제1 지점 및 상기 제2 지점은, 상기 뼈 영역 및 상기 뼈의 외측 영역을 포함하는 의료 영상을 수신하여 상기 제1 지점에 대응되는 제1 영역 및 상기 제2 지점에 대응되는 제2 영역을 출력하도록 학습된 신경망 모델을 통하여 획득될 수 있다.
본 출원의 일 실시예에 따르면, 상기 제2 값을 획득하는 단계는, 상기 관절 간격 영역 중에서 관심 구간을 획득하는 단계; 상기 관심 구간 내에서의 복수의 관절 간격 값을 획득하는 단계; 및 상기 복수의 관절 간격 값에 기초하여 상기 제2 값을 획득하는 단계;를 포함할 수 있다.
본 출원의 일 실시예에 따르면, 상기 제2 값은, 상기 복수의 관절 간격 값 중 최소 값이거나 상기 복수의 관절 간격 값의 평균 값일 수 있다.
본 출원의 일 실시예에 따르면, 상기 대상 관절 상태 지표는 상기 제2 값의 상기 제1 값에 대한 비율로 정의될 수 있다.
본 출원의 일 실시예에 따르면, 상기 의료 영상 분석 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체가 제공될 수 있다.
본 출원의 일 실시예에 따른 의료 영상 분석 장치는, 대상 의료 영상을 획득하는 영상 획득부; 및 상기 대상 의료 영상에 기초하여 관절 상태 정보를 제공하는 컨트롤러;를 포함하되, 상기 컨트롤러는, 대상 의료 영상을 획득하고, 상기 대상 의료 영상으로부터 대상 관절 간격 영역을 검출하고, 상기 대상 의료 영상으로부터 관절 부위의 폭과 관련된 제1 값을 획득하고, 상기 대상 관절 간격 영역으로부터 관절 간격과 관련된 제2 값을 획득하고, 상기 제1 값 및 상기 제2 값에 기초하여, 관절의 상태를 나타내는 대상 관절 상태 지표를 산출하도록 구성될 수 있다.
본 출원의 상술한 목적, 특징들 및 장점은 첨부된 도면과 관련된 다음의 상세한 설명을 통해 보다 분명해질 것이다. 다만, 본 출원은 다양한 변경을 가할 수 있고 여러 가지 실시예들을 가질 수 있는 바, 이하에서는 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다.
명세서 전체에 걸쳐서 동일한 참조번호들은 원칙적으로 동일한 구성요소들을 나타낸다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명하며, 이에 대한 중복되는 설명은 생략하기로 한다.
본 출원과 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 출원의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.
또한, 이하의 실시예에서 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.
이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.
도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타낸 것으로, 본 발명이 반드시 도시된 바에 한정되지 않는다.
어떤 실시예가 달리 구현 가능한 경우에 특정한 프로세스의 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 프로세스가 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 진행될 수 있다.
이하의 실시예에서, 구성 요소 등이 연결되었다고 할 때, 구성 요소들이 직접적으로 연결된 경우뿐만 아니라 구성요소들 중간에 구성 요소들이 개재되어 간접적으로 연결된 경우도 포함한다.
예컨대, 본 명세서에서 구성 요소 등이 전기적으로 연결되었다고 할 때, 구성 요소 등이 직접 전기적으로 연결된 경우뿐만 아니라, 그 중간에 구성 요소 등이 개재되어 간접적으로 전기적 연결된 경우도 포함한다.
이하에서는 도 1 내지 도 13을 참고하여 본 출원의 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템에 관하여 설명한다.
도 1은 본 출원의 일 실시예에 따른 의료 영상 분석 시스템(10)의 개략도이다.
본 출원의 일 실시예에 따른 의료 영상 분석 시스템(10)은 의료 영상 획득 장치(100) 및 의료 영상 분석 장치(1000)를 포함할 수 있다.
의료 영상 획득 장치(100)는 의료 영상을 촬영할 수 있다. 예컨대, 의료 영상 획득 장치(100)는 자기 공명 영상 장치(magnetic resonance imaging), 컴퓨터 단층 촬영 장치(computerized tomography equipment), X-선 장치(X-ray equipment) 등을 포함하여 임의의 형태의 의료 영상을 획득하는 장치를 포괄하는 의미일 수 있다. 의료 영상 획득 장치(100)에 의해 획득된 의료 영상은 2차원 형태의 영상일 수 있다. 이때, 의료 영상은 픽셀의 좌표, 색상, 강도 등과 관련된 픽셀 정보를 포함할 수 있다. 의료 영상 획득 장치(100)에 의해 획득된 의료 영상은 3차원 형태의 영상일 수 있다. 이때, 의료 영상은 복셀의 좌표, 색상, 강도와 관련된 픽셀 정보를 포함할 수 있다.
본 출원의 일 실시예에 따른 의료 영상 분석 장치(1000)는 의료 영상을 분석하여 관절 상태 정보를 획득할 수 있다. 보다 구체적으로, 의료 영상 분석 장치(1000)는 의료 영상으로부터 관절 영역을 검출하고, 관절 영역에 기초하여 관절 상태와 관련된 정보들을 정량화할 수 있다. 여기서 관절 영역이란 관절 사이 영역(혹은 관절 간격 영역), 관절 사이 영역에 인접한 뼈 영역 등을 포함하는 의미일 수 있다.
본 출원의 일 실시예에 따른 의료 영상 분석 장치(1000)는 송수신부(1100), 메모리(1200) 및 컨트롤러(1300)를 포함할 수 있다.
의료 영상 분석 장치(1000)의 송수신부(1100)는 의료 영상 획득 장치(100)를 포함한 임의의 외부 기기와 통신을 수행할 수 있다. 예컨대, 의료 영상 분석 장치(1000)는, 송수신부(1100)를 통해, 의료 영상 획득 장치(100)가 촬영한 의료 영상을 수신할 수 있다. 또한, 의료 영상 분석 장치(1000)는, 송수신부(1100)를 통해, 획득한 관절 상태 정보를 의료 영상 획득 장치(100)를 포함한 임의의 외부 기기로 송신할 수 있다.
의료 영상 분석 장치(1000)는, 송수신부를 통해 네트워크에 접속하여 각종 데이터를 송수신할 수 있다. 송수신부는 크게 유선 타입과 무선 타입을 포함할 수 있다. 유선 타입과 무선 타입은 각각의 장단점을 가지므로, 경우에 따라서 의료 영상 분석 장치(1000)에는 유선 타입과 무선 타입이 동시에 마련될 수도 있다. 여기서, 무선 타입의 경우에는 주로 와이파이(Wi-Fi) 같은 WLAN(Wireless Local Area Network) 계열의 통신 방식을 이용할 수 있다. 또는, 무선 타입의 경우에는 셀룰러 통신, 예컨대, LTE, 5G 계열의 통신 방식을 이용할 수 있다. 다만, 무선 통신 프로토콜이 상술한 예시에 제한되는 것은 아니며, 임의의 적절한 무선 타입의 통신 방식을 이용하는 것도 가능하다. 유선 타입의 경우에는 LAN(Local Area Network)이나 USB(Universal Serial Bus) 통신이 대표적인 예이며 그 외의 다른 방식도 가능하다.
의료 영상 분석 장치(1000)의 메모리(1200)는 각종 정보를 저장할 수 있다. 메모리(1200)에는 각종 데이터가 임시적으로 또는 반영구적으로 저장될 수 있다. 메모리(1200)의 예로는 하드 디스크(HDD: Hard Disk Drive), SSD(Solid State Drive), 플래쉬 메모리(flash memory), 롬(ROM: Read-Only Memory), 램(RAM: Random Access Memory) 등이 있을 수 있다. 메모리(1200)는 의료 영상 분석 장치(1000)에 내장되는 형태나 탈부착 가능한 형태로 제공될 수 있다. 메모리(1200)에는 의료 영상 분석 장치(1000)를 구동하기 위한 운용 프로그램(OS: Operating System)이나 의료 영상 분석 장치(1000)의 각 구성을 동작시키기 위한 프로그램을 비롯해 의료 영상 분석 장치(1000)의 동작에 필요한 각종 데이터가 저장될 수 있다.
컨트롤러(1300)는 의료 영상 분석 장치(1000)의 전반적인 동작을 제어할 수 있다. 예컨대, 컨트롤러(1300)는 대상 의료 영상으로부터 관심 영역이나 대상 관절 간격 영역을 검출하는 동작, 관절 부위의 폭을 정량화하는 동작, 관절 간격을 정량화하는 동작 및 관절 상태 정보를 산출하는 동작 등 의료 영상 분석 장치(1000)의 전반적인 동작을 제어할 수 있다. 구체적으로 컨트롤러(1300)는 메모리(1100)로부터 의료 영상 분석 장치(1000)의 전반적인 동작을 위한 프로그램을 로딩하여 실행할 수 있다. 프로세서는 하드웨어나 소프트웨어 또는 이들의 조합에 따라 AP(Application Processor), CPU(Central Processing Unit), MCU(Microcontroller Unit)나 이와 유사한 장치로 구현될 수 있다. 이때, 하드웨어적으로는 전기적 신호를 처리하여 제어 기능을 수행하는 전자 회로 형태로 제공될 수 있으며, 소프트웨어적으로는 하드웨어적 회로를 구동시키는 프로그램이나 코드 형태로 제공될 수 있다.
한편 도 1에서는 도시하지 않았지만, 의료 영상 분석 장치(1000)는 임의의 적절한 입력부 및/또는 출력부를 포함할 수 있다. 구체적으로 의료 영상 분석 장치(1000)는 입력부를 통하여, 의료 영상의 분석에 필요한 사용자의 입력을 수신할 수 있다. 예컨대, 의료 영상 분석 장치(1000)는 입력부를 통하여, 의료 영상에 포함된 복수의 영역 각각에 라벨 정보를 할당하는 사용자의 입력을 획득할 수 있다. 다른 예를 들어, 의료 영상 분석 장치(1000)는 입력부를 통하여, 관절 간격 값을 획득하기 위한 관절 간격 영역의 관심 구간을 설정하는 사용자의 입력을 획득할 수 있다.
또한, 의료 영상 분석 장치(1000)는 출력부를 통하여, 후술할 대상 관절 상태 지표 및/또는 대상 관절 상태 지표와 기준 관절 상태 지표를 비교한 결과를 출력할 수 있다.
이하에서는 도 2 내지 도 13을 참고하여, 본 출원의 일 실시예에 따른 의료 영상 분석 장치(1000)의 동작을 구체적으로 서술한다.
본 출원의 일 실시예에 따른 의료 영상 분석 장치(1000)는 의료 영상으로부터 관절 간격 영역을 검출할 수 있다. 또한, 의료 영상 분석 장치(1000)는 관절 간격 영역에 기초하여 관절 상태 정보를 산출할 수 있다.
도 2는 본 출원의 일 실시예에 따른 의료 영상 분석 장치(1000)의 동작들을 나타낸 도면이다.
본 출원의 일 실시예에 따른 의료 영상 분석 장치(1000)는 영상 획득부를 포함할 수 있다. 구체적으로 의료 영상 분석 장치(1000)의 영상 획득부는 의료 영상 획득 장치(100)로부터 획득된 대상 의료 영상을 획득할 수 있다. 예컨대, 영상 획득부는 송수신부(1100)를 통하여 의료 영상 획득 장치(100)을 포함한 임의의 외부 장치로부터 대상 의료 영상을 획득할 수 있다.
본 출원의 일 실시예에 따른 의료 영상 분석 장치(1000)는 관심 영역 검출부를 포함할 수 있다.
본 출원의 일 실시예에 따른 의료 영상 분석 장치(1000)의 관심 영역 검출부는 대상 의료 영상에 포함된 관심 영역을 검출할 수 있다. 예컨대, 관심 영역 검출부는 대상 의료 영상으로부터 관절 영역을 포함하는 관심 영역을 검출할 수 있다. 여기서 관절 영역은 전술한 바와 같이 관절 간격 영역 및/또는 관절 간격 영역에 인접한 뼈 영역을 포함할 수 있다.
구체적으로 관심 영역 검출부는 인공지능 기법을 활용하여 관심 영역을 검출할 수 있다. 관심 영역을 검출하는 동작에 대하여는 도 4 및 도 5와 관련하여 구체적으로 서술한다. 다만, 대상 의료 영상으로부터 관심 영역을 검출하는 동작은 생략될 수 있다. 예컨대, 대상 의료 영상으로부터 후술할 관절 간격 영역을 바로 검출 가능한 경우, 관심 영역 검출부의 관심 영역을 검출하는 동작은 생략될 수 있다.
본 출원의 일 실시예에 따른 의료 영상 분석 장치(1000)는 관절 간격 영역 검출부를 포함할 수 있다. 본 출원의 일 실시예에 따른 의료 영상 분석 장치(1000)의 관절 간격 영역 검출부는 대상 의료 영상으로부터 대상 관절 간격 영역을 검출할 수 있다. 일 예로, 관절 간격 영역 검출부는 대상 의료 영상에 포함된 관절 영역을 포함하는 관심 영역으로부터 대상 관절 간격 영역을 검출할 수 있다. 여기서 대상 관절 간격 영역이란, 대상 의료 영상에 포함된 임의의 관절 간의 사이 영역을 의미할 수 있다. 일 실시예에 따르면, 관절 간격 영역 검출부는 인공 지능 기법을 활용하여 대상 관절 간격 영역을 획득할 수 있다. 예컨대, 관절 간격 영역 검출부는 의료 영상에 관절 사이 영역(혹은 관절 간격 영역)을 할당(혹은 라벨링)한 학습 세트에 기초하여 학습된 신경망 모델을 이용하여 대상 관절 간격 영역을 획득할 수 있다. 대상 관절 간격 영역을 획득하는 내용에 대하여는 도 4 내지 도 9와 관련하여 구체적으로 서술한다.
본 출원의 일 실시예에 따른 의료 영상 분석 장치(1000)는 관절 상태 정량화 분석부를 포함할 수 있다. 이때, 관절 상태 정량화 분석부는 관절 폭 분석부와 관절 간격 분석부를 포함할 수 있다. 본 출원의 일 실시예에 따른 의료 영상 분석 장치(1000)의 관절 상태 정량화 분석부는 관절 영역 및/또는 대상 관절 간격 영역에 기초하여 관절 상태 정보를 연산할 수 있다.
의료 영상 분석 장치(1000)의 관절 폭 분석부는 대상 의료 영상에 포함된 관절 영역에 기초하여 관절 부위의 폭을 정량화하는 동작을 수행할 수 있다. 예컨대, 의료 영상 분석 장치(1000)의 관절 폭 분석부는 임의의 이미지 처리 기법 혹은 인공지능 기법을 활용하여 관절 부위의 외측 지점을 검출하고, 외측 지점의 좌표 정보에 기초하여 관절 부위의 폭과 관련된 정량 정보를 산출할 수 있다. 관절 부위의 폭을 정량화하는 내용에 대하여는 도 10 및 도 11에서 구체적으로 서술한다.
본 출원의 일 실시예에 따른 의료 영상 분석 장치(1000)의 관절 간격 분석부는 대상 관절 간격 영역에 기초하여 관절 간격을 정량화하는 동작을 수행할 수 있다. 예컨대, 의료 영상 분석 장치(1000)의 관절 간격 분석부는 대상 관절 간격 영역과 관련된 관심 구간을 획득하고, 관심 구간 내에서의 적어도 하나의 관절 간격 값을 획득할 수 있다. 또한, 의료 영상 분석 장치(1000)의 관절 간격 분석부는 적어도 하나의 관절 간격 값에 기초하여 관절 간격과 관련된 정량 정보를 연산할 수 있다. 관절 간격을 정량화하는 내용에 대하여는 도 12 및 도 13에서 구체적으로 서술한다.
본 출원의 일 실시예에 따른 의료 영상 분석 장치(1000)는 관절 부위의 폭과 관련된 정량 정보 및 관절 간격과 관련된 정량 정보에 기초하여 관절 상태 정보를 산출할 수 있다. 예컨대, 의료 영상 분석 장치(1000)의 관절 상태 정량화 분석부는 관절 부위의 폭과 관련된 정량 정보 및 관절 간격과 관련된 정량 정보에 기초하여 관절 상태를 나타내는 관절 상태 지표를 산출할 수 있다.
도 3을 참고한다. 도 3은 본 출원의 일 실시예에 따른 의료 영상을 분석하는 방법을 나타낸 순서도이다.
본 출원의 일 실시예에 따른 의료 영상 분석 방법은 대상 의료 영상을 획득하는 단계(S1100), 대상 관절 간격 영역을 검출하는 단계(S1200), 관절 부위의 폭과 관련된 제1 값을 획득하는 단계(S1300), 관절 간격과 관련된 제2 값을 획득하는 단계(S1400) 및 관절의 상태를 나타내는 대상 관절 상태 지표를 산출하는 단계(S1500)를 포함할 수 있다.
대상 의료 영상을 획득하는 단계(S1100)에서는, 의료 영상 분석 장치(1000)는, 분석 대상인 대상 의료 영상을 획득할 수 있다. 예컨대, 의료 영상 분석 장치(1000)는, 송수신부(1100)를 통하여, 의료 영상 획득 장치(100) 혹은 데이터베이스를 포함한 임의의 외부 장치로부터 대상 의료 영상을 획득할 수 있다.
대상 관절 간격 영역을 검출하는 단계(S1200)에서는, 의료 영상 분석 장치(1000)는 대상 의료 영상으로부터 대상 관절 간격 영역을 검출할 수 있다. 일 예로, 의료 영상 분석 장치(1000)는 대상 의료 영상으로부터, 대상 의료 영상에 포함된 관절 부위를 포함하는 영역을 관심 영역으로 획득하고, 관심 영역을 정밀하게 분석하여 대상 관절 간격 영역을 획득하도록 구현될 수 있다. 다른 예로, 의료 영상 분석 장치(1000)는 대상 의료 영상으로부터, 대상 의료 영상에 포함된 대상 관절 간격 영역을 획득하도록 구현될 수 있다.
이하에서는 대상 의료 영상으로부터 관심 영역을 획득하고, 관심 영역을 정밀하게 분석하여 대상 관절 간격 영역을 획득하는 실시예를 중심으로 서술하나, 이는 예시에 불과하여 이에 제한적으로 해석되지 않는다.
도 4 및 도 5를 참고한다. 도 4는 본 출원의 일 실시예에 따른 대상 관절 간격 영역을 검출하는 단계를 구체화한 순서도이다. 도 5는 본 출원의 일 실시예에 따른 관심 영역과 대상 관절 간격 영역을 검출하는 일 양상을 도시한 도면이다.
대상 관절 간격 영역을 획득하는 단계(S1200)는 대상 의료 영상으로부터 관심 영역을 검출하는 단계(S1210) 및 관심 영역에 포함된 대상 관절 간격 영역을 획득하는 단계(S1220)를 포함할 수 있다.
대상 의료 영상으로부터 관심 영역을 검출하는 단계(S1210)에서는, 의료 영상 분석 장치(1000)는, 대상 의료 영상으로부터 관절 부위를 포함한 영역을 관심 영역으로 검출하도록 구현될 수 있다. 일 예로, 의료 영상 분석 장치(1000)는 임의의 적절한 인공지능 기법을 활용하여 관절 부위를 포함한 영역을 관심 영역으로 획득할 수 있다. 구체적으로 의료 영상 분석 장치(1000)는, 대상 의료 영상을 수신하고 관절 부위를 포함한 영역을 관심 영역으로 출력하도록 학습된 제1 신경망 모델을 이용하여 관심 영역(ROI)을 검출하도록 구현될 수 있다.
여기서, 제1 신경망 모델은 의료 영상 및 의료 영상에 관절 부위 영역임을 할당한 라벨 정보에 기초하여 학습될 수 있다. 이때, 라벨 정보는 임의의 소프트웨어를 이용하여 자동적으로 의료 영상에 할당될 수 있거나 임의의 시술자에 의해 수동적으로 의료 영상에 할당될 수 있다. 보다 구체적으로 제1 신경망 모델은 의료 영상을 수신하고, 출력 값과 관절 부위 영역과 관련된 라벨 정보 간의 차이가 최소화되도록 학습될 수 있다. 한편, 제1 신경망 모델은 딥 러닝 계열의 인공 신경망 모델일 수 있다. 인공 신경망의 세부적인 예시들로는, 합성곱 인공 신경망(Convolution Neural Network), 순환신경망(Recurrent Neural Network), 심층신경망(Deep Neural Network), 생산적 적대 신경망(Generative Adversarial Network) 등이 있을 수 있다. 다만, 이는 예시에 불과하며 상술한 인공 신경망, 그 외의 다양한 형태의 인공 신경망 및 이들이 조합된 형태의 인공 신경망을 모두 포함하는 포괄적인 의미로 해석되어야 하며, 반드시 딥 러닝 계열이어야만 하는 것도 아니다.
관심 영역에 포함된 대상 관절 간격 영역을 획득하는 단계(S1220)에서는, 의료 영상 분석 장치(1000)는, 대상 의료 영상으로부터 대상 관절 간격 영역을 검출할 수 있다. 구체적으로 의료 영상 분석 장치(1000)는 대상 의료 영상의 관심 영역에 대하여 세그멘테이션을 수행하여 관절 사이 영역을 포함하는 대상 관절 간격 영역을 획득할 수 있다. 일 예로, 관심 영역에 대한 세그멘테이션은 임의의 적절한 인공지능 기법을 활용하여 수행될 수 있다.
다시 도 5를 참고하면, 의료 영상 분석 장치(1000)는, 관심 영역을 포함하는 대상 의료 영상을 수신하고 관절 사이 영역을 출력하도록 학습된 제2 신경망 모델을 활용하여 대상 관절 간격 영역을 검출하도록 구현될 수 있다.
일 예에 따르면, 대상 관절 간격 영역을 획득하기 위한 모델로 신경망 모델을 이용할 수 있다. 신경망 모델은 기계학습 모델로 제공될 수 있다. 기계학습 모델의 대표적인 예로는, 인공 신경망(Artificial Neural Network)이 있을 수 있다. 구체적으로 인공 신경망의 대표적인 예로는 데이터를 입력받는 입력 레이어, 결과를 출력하는 출력 레이어 및 입력 레이어와 출력 레이어 사이에서 데이터를 처리하는 히든 레이어(hidden layer)를 포함하는 딥 러닝 계열의 인공 신경망이 있다. 인공 신경망의 세부적인 예시들로는, 합성곱 인공 신경망(Convolution Neural Network), 순환신경망(Recurrent Neural Network), 심층신경망(Deep Neural Network), 생산적 적대 신경망(Generative Adversarial Network) 등이 있으며, 본 명세서에서 인공 신경망은 상술된 인공 신경망, 그 외의 다양한 형태의 인공 신경망 및 이들이 조합된 형태의 인공 신경망을 모두 포함하는 포괄적인 의미로 해석되어야 하며, 반드시 딥 러닝 계열이어야만 하는 것도 아니다.
뿐만 아니라, 기계학습 모델이 반드시 인공 신경망 모델 형태이어야만 하는 것은 아니며, 이외에도 최근접 이웃 알고리즘(KNN), 랜덤 포레스트(RandomForest), 서포트 벡터 머신(SVM), 주성분분석법(PCA) 등이 포함될 수 있다. 혹은 이상에서 언급된 기법들이 앙상블된 형태나 그 외에 다양한 방식으로 조합된 형태까지도 전부 포함할 수 있다. 한편, 인공 신경망을 중심으로 언급되는 실시예들에서 특별한 언급이 없는 한 인공 신경망이 다른 기계학습 모델로 대체될 수 있음을 미리 밝혀둔다.
나아가, 본 명세서에서 대상 관절 간격 영역을 획득하는 알고리즘이 반드시 기계학습 모델로 한정되는 것은 아니다. 즉, 대상 관절 간격 영역을 획득하는 알고리즘은 기계학습 모델이 아닌 다양한 판단/결정 알고리즘이 포함될 수도 있다. 따라서, 본 명세서에서 대상 관절 간격 영역을 획득하는 알고리즘은 의료 영상에 기초하여 관절 간격 영역을 연산하는 모든 형태의 알고리즘을 모두 포함하는 포괄적인 의미로 이해되어야 함을 밝혀 둔다. 다만 이하에서는 설명의 편의를 위하여 인공 신경망 모델을 중심으로 설명하기로 한다.
이하에서는 도 6 내지 도 9를 참고하여 본 출원의 일 실시예에 따른 신경망 모델을 이용하여 대상 관절 간격 영역을 획득하는 내용에 대하여 설명한다. 구체적으로 도 6 내지 도 7을 참고하여 본 출원의 일 실시예에 따른 대상 관절 간격 영역을 획득하기 위한 신경망 모델을 학습시키는 내용을 설명한다. 또한, 도 8 내지 도 9를 참고하여 학습된 신경망 모델을 이용하여 대상 관절 간격 영역을 획득하는 내용을 설명한다.
도 6을 참고한다. 도 6은 본 출원의 일 실시예에 따른 대상 관절 간격 영역을 획득하기 위한 신경망 모델을 학습시키는 방법을 도시한 순서도이다. 대상 관절 간격 영역을 획득하기 위한 신경망 모델을 학습시키는 방법은 의료 영상 분석 장치(1000)에서 수행될 수 있다. 다만, 대상 관절 간격 영역을 획득하기 위한 신경망 모델을 학습시키는 방법은 의료 영상 분석 장치(1000)와는 별도의 외부 장치에서 수행될 수도 있다. 이하에서는 의료 영상 분석 장치(1000)에서 대상 관절 간격 영역을 획득하기 위한 신경망 모델의 학습이 수행되는 것으로 서술한다. 다만, 이는 예시에 불과하며, 이에 제한적으로 해석되지 않는다.
본 출원의 일 실시예에 따른 대상 관절 간격 영역을 획득하기 위한 신경망 모델을 학습시키는 방법은 의료 영상 데이터베이스를 획득하는 단계(S2100), 학습 세트를 준비하는 단계(S2200), 신경망을 학습시키는 단계(S2300) 및 학습된 신경망 모델을 획득하는 단계(S2400)를 포함할 수 있다.
의료 영상 데이터베이스를 획득하는 단계(S2100)에서는, 의료 영상 분석 장치(1000)는 의료 영상 획득 장치(100) 또는 임의의 데이터베이스를 포함하는 외부 장치로부터 복수의 의료 영상을 포함하는 의료 영상 데이터베이스를 획득할 수 있다.
학습 세트를 준비하는 단계(S2200)에서는, 의료 영상 분석 장치(1000)는 의료 영상에 포함된 관절 사이 영역에 라벨 정보를 할당하여 준비된 학습 세트를 획득할 수 있다. 관절 사이 영역에 라벨 정보를 할당하는 동작은, 전술한 바와 유사하게, 임의의 적절한 소프트웨어를 이용하여 수행되거나, 임의의 시술자에 의해 수동적으로 수행될 수 있다.
신경망을 학습하는 단계(S2300)에서는, 의료 영상 분석 장치(1000)는 의료 영상 및 학습 세트에 기초하여 신경망 모델을 학습시킬 수 있다.
도 7을 참고한다. 도 7은 본 출원의 일 실시예에 따른 대상 관절 간격 영역을 획득하기 위한 신경망 모델을 학습시키는 일 양상을 도시한 도면이다.
신경망 모델은 입력 레이어, 출력 레이어 및 히든 레이어를 포함할 수 있다. 입력 레이어는 의료 영상을 수신할 수 있으며, 출력 레이어는 관절 사이 영역과 관련된 출력 값을 출력할 수 있다. 히든 레이어는 입력 레이어와 출력 레이어를 연결하는 복수의 노드를 가질 수 있다.
본 출원의 일 실시예에 따른 의료 영상 분석 장치(1000)는 의료 영상에 기초하여 관절 사이 영역을 나타내는 관절 간격 영역 정보를 출력하도록 신경망을 학습시킬 수 있다. 구체적으로 의료 영상 분석 장치(1000)는 입력 레이어에 의료 영상을 입력하고, 출력 레이어를 통하여 관절 사이 영역과 관련된 출력 값을 획득할 수 있다. 또한, 의료 영상 분석 장치(1000)는 학습 세트에 포함된 관절 간격 영역과 관련된 라벨 정보와 출력 값의 차이에 기초하여 히든 레이어에 포함된 노드의 가중치(혹은 파라미터)를 조절할 수 있다. 예컨대, 의료 영상 분석 장치(1000)는 의료 영상 데이터베이스로부터 획득한 제1 의료 영상을 입력 레이어에 입력하고, 출력 레이어를 통하여 출력되는 출력값과 제1 의료 영상의 관절 간격 영역에 할당된 제1 라벨 정보의 차이에 기초하여 히든 레이어에 포함된 노드의 가중치(혹은 파라미터)를 갱신할 수 있다. 또한, 의료 영상 분석 장치(1000)는 의료 영상 데이터베이스로부터 획득한 제N 의료 영상을 입력 레이어에 입력하고, 출력 레이어를 통하여 출력되는 출력값과 제N 의료 영상의 관절 간격 영역에 할당된 제N 라벨 정보의 차이에 기초하여 히든 레이어에 포함된 노드의 가중치(혹은 파라미터)를 반복적으로 갱신할 수 있다.
구체적으로 의료 영상 분석 장치(1000)는 관절 간격 영역과 관련된 라벨 정보와 출력 값의 차이가 최소화되도록 히든 레이어에 포함된 노드의 가중치(혹은 파라미터)를 반복적으로 조절함으로써, 신경망 모델을 학습시킬 수 있다.
다시 도 6을 참고하면, 본 출원의 일 실시예에 따른 대상 관절 간격 영역을 획득하기 위한 신경망 모델을 학습시키는 방법은 학습된 제2 신경망 모델을 획득하는 단계(S2400)를 포함할 수 있다. 학습된 제2 신경망 모델을 획득하는 단계(S2400)에서는, 의료 영상 분석 장치(1000)는 출력 레이어를 통하여 출력되는 출력 값과 라벨 정보가 최소화되도록 학습된 히든 레이어에 포함된 노드의 가중치 혹은 파라미터를 획득할 수 있다. 혹은 학습된 제2 신경망 모델을 획득하는 단계(S1400)에서는, 의료 영상 분석 장치(1000)는 전술한 가중치 혹은 파라미터를 갖는 노드를 포함하는 히든 레이어를 포함하는 제2 신경망 모델을 획득할 수 있다.
한편, 도 6에는 도시하지 않았으나 본 출원의 일 실시예에 따른 대상 관절 간격 영역을 획득하기 위한 신경망 모델은 신경망을 검증하는 단계를 더 포함할 수 있다. 예컨대, 의료 영상 분석 장치(1000)는 학습 세트의 적어도 일부에 기초하여 신경망 모델을 검증할 수 있다. 구체적으로, 의료 영상 분석 장치(1000)는 학습 세트에 포함된 의료 영상 중 적어도 일부를 신경망 모델의 입력 레이어에 입력하고, 출력 레이어를 통하여 출력되는 출력 값을 획득할 수 있다. 또한, 의료 영상 분석 장치(1000)는 출력 값과 학습 세트에 포함된 의료 영상과 관련된 라벨 정보와의 유사도를 비교함으로써, 신경망 모델의 히든 레이어에 포함된 노드의 가중치(혹은 파라미터)가 적절한지 여부를 검증할 수 있다.
한편, 대상 의료 영상은 복수 개의 관절 영역을 포함할 수 있다. 예컨대, 수골 영상은 여러 개의 관절 영역을 포함하고 있을 수 있다. 이때, 본 출원의 일 실시예에 따른 의료 영상 분석 장치(1000)는 관절 영역 별로 신경망 모델을 학습시키고, 관절 영역 별로 학습된 적어도 하나의 신경망 모델을 이용하여 관절 간격 영역을 검출하도록 구현될 수 있다. 예컨대, 제1 관절 영역에 대하여는 학습된 제1 관절 검출 신경망 모델을 이용하여 제1 관절 영역에 포함된 관절 간격 영역을 검출하고, 제2 관절 영역에 대하여는 학습된 제2 관절 검출 신경망 모델을 이용하여 제2 관절 영역에 포함된 관절 간격 영역을 검출하도록 의료 영상 분석 장치(1000)가 구성될 수 있다. 다만, 이는 예시에 불과하며, 관절 사이 영역의 형태가 유사한 경우에는 단일 신경망 모델을 이용할 수도 있을 것이다.
도 8을 참고한다. 도 8은 본 출원의 일 실시예에 따른 대상 관절 간격 영역을 검출하는 단계를 구체화한 순서도이다.
본 출원의 일 실시예에 따른 대상 관절 간격 영역을 검출하는 단계(S1200)는 학습된 제2 신경망 모델을 획득하는 단계(S3100) 및 학습된 제2 신경망 모델을 이용하여 대상 관절 간격 영역을 획득하는 단계(S3200)를 포함할 수 있다.
학습된 제2 신경망 모델을 획득하는 단계(S3100)에서는, 의료 영상 분석 장치(1000)는 학습된 제2 신경망 모델을 획득할 수 있다. 예컨대, 제2 신경망 모델의 노드의 가중치 혹은 파라미터를 획득할 수 있다. 다른 예를 들어, 의료 영상 분석 장치(1000)는 학습을 통하여 획득한 가중치 혹은 파라미터를 갖는 노드를 포함하는 히든 레이어를 포함하는 신경망을 획득할 수 있다.
학습된 제2 신경망 모델을 이용하여 대상 관절 간격 영역을 획득하는 단계(S3200)에서는, 본 출원의 일 실시예에 따른 의료 영상 분석 장치(1000)는 학습된 제2 신경망 모델 및 대상 의료 영상에 기초하여 대상 관절 간격 영역을 획득할 수 있다.
도 9를 참고한다. 도 9는 본 출원의 일 실시예에 따른 학습된 신경망 모델을 이용하여 대상 관절 간격 영역을 획득하는 일 양상을 도시한 개략도이다.
의료 영상 분석 장치(1000)는 학습된 제2 신경망 모델의 입력 레이어에 대상 의료 영상(혹은 관심 영역이 포함된 대상 의료 영상)을 입력하고, 출력 레이어를 통하여 대상 관절 간격 영역과 관련된 정보를 획득할 수 있다. 학습된 제2 신경망 모델은 의료 영상에 기초하여 관절 간격 영역 정보를 출력하도록 학습이 되었기 때문에, 의료 영상 분석 장치(1000)는 학습된 제2 신경망 모델 및 대상 의료 영상에 기초하여, 대상 의료 영상(혹은 관심 영역이 포함된 의료 영상)에 포함된 대상 관절 간격 영역을 획득할 수 있다.
다시 도 3을 참고하면, 본 출원의 일 실시예에 따른 의료 영상 분석 방법은 관절 부위의 폭과 관련된 제1 값을 획득하는 단계(S1300)를 포함할 수 있다.
도 10 및 도 11을 참고한다. 도 10은 본 출원의 일 실시예에 따른 관절 부위의 폭과 관련된 제1 값을 획득하는 단계(S1300)를 구체화한 순서도이다. 도 11은 본 출원의 일 실시예에 따른 제1 값을 획득하는 일 양상을 도시한 도면이다.
본 출원의 일 실시예에 따른 관절 부위의 폭과 관련된 제1 값을 획득하는 단계(S1300)는 대상 의료 영상으로부터 뼈 영역과 뼈의 외측 영역 간의 경계에 인접한 제1 지점 및 제2 지점을 검출하는 단계(S1310), 제1 지점의 제1 좌표 정보 및 제2 지점의 제2 좌표 정보를 획득하는 단계(S1320) 및 제1 좌표 정보 및 제2 좌표 정보에 기초하여 제1 값을 계산하는 단계(S1330)를 포함할 수 있다.
대상 관절 간격 영역으로부터 뼈 영역과 뼈의 외측 영역 간의 경계에 인접한 제1 지점 및 제2 지점을 검출하는 단계(S1310)에서는, 의료 영상 분석 장치(1000)는 대상 의료 영상에 포함된 관절 사이 영역과 인접한 뼈 영역과 뼈의 외측 영역을 검출할 수 있다. 구체적으로 의료 영상 분석 장치(1000)는 대상 의료 영상(혹은 관심 영역을 포함하는 의료 영상)으로부터 관절에 인접한 뼈 영역(R1)과 뼈의 외측 영역(R2) 간의 경계에 인접한 제1 지점(P1) 및 제2 지점(P2)를 검출할 수 있다.
일 예로, 의료 영상 분석 장치(1000)는 임의의 이미지 처리 기법을 이용하여 제1 지점(P1) 및 제2 지점(P2)을 검출할 수 있다. 예컨대, 의료 영상 분석 장치(1000)는 대상 의료 영상을 임의의 이미지 처리 기법을 이용하여 프로세싱하고, 프로세싱된 대상 의료 영상의 밝기에 기초하여 제1 지점(P1) 및 제2 지점(P2)을 검출할 수 있다. 구체적으로 의료 영상 분석 장치(1000)는 뼈 영역(R1)의 제1 밝기와 뼈의 외측 영역(R2)의 제2 밝기의 차이에 기초하여, 뼈 영역(R1)과 뼈의 외측 영역(R2) 간의 경계를 획득할 수 있으며, 경계에 인접한 제1 지점(P1) 및 제2 지점(P2)을 획득할 수 있다.
다른 예로, 의료 영상 분석 장치(1000)는 임의의 인공지능 기법을 활용하여 제1 지점(P1) 및 제2 지점(P2)을 검출할 수 있다. 예컨대, 의료 영상 분석 장치(1000)는, 의료 영상 및 관절 사이 영역에 인접한 뼈의 양 끝 지점에 대한 라벨 정보에 기초하여, 뼈의 양 끝 지점을 획득하는 신경망 모델을 학습시킬 수 있다. 이때, 의료 영상 분석 장치(1000)는 학습된 신경망 모델을 이용하여 뼈의 양 끝 지점, 예컨대, 제1 지점(P1) 및 제2 지점(P2)을 검출할 수 있다.
제1 지점의 제1 좌표 정보 및 제2 지점의 제2 좌표 정보를 획득하는 단계(S1320)에서는, 의료 영상 분석 장치(1000)는 검출된 제1 지점(P1) 및 제2 지점(P2)의 좌표 정보를 획득할 수 있다. 구체적으로 대상 의료 영상은 복수의 셀(예, 픽셀 혹은 복셀)로 구성될 수 있으며, 대상 의료 영상은 셀의 좌표 정보를 포함할 수 있다. 이때, 의료 영상 분석 장치(1000)는 제1 지점(P1)에 대응되는 셀의 좌표에 기초하여 제1 좌표 정보를 획득할 수 있으며, 제2 지점(P2)에 대응되는 셀의 좌표에 기초하여 제2 좌표 정보를 획득할 수 있다.
제1 좌표 정보 및 제2 좌표 정보에 기초하여 제1 값을 계산하는 단계(S1330)에서는, 의료 영상 분석 장치(1000)는 제1 좌표 정보 및 제2 좌표 정보에 기초하여 관절 부위의 폭과 관련된 제1 값을 획득할 수 있다. 예컨대, 도 11과 같이 두개의 뼈가 상하로 위치한 대상 의료 영상에서 뼈의 양 끝 지점인 제1 지점(P1)의 제1 좌표 정보(예, e1(x,y))와 제2 지점(P2)의 제2 좌표 정보(예, e2(x,y))를 획득하였다면, 의료 영상 분석 장치(1000)는 유클리디언 거리를 연산하는 방법을 이용하여 관절 부위의 폭과 관련된 제1 값을 |e1(x,y) - e2(x,y)|으로 연산하도록 구현될 수 있다. 다만, 이는 설명의 예시에 불과하며, 의료 영상 분석 장치(1000)는 대상 의료 영상의 정렬 방향을 고려하여 관절 부위의 폭과 관련된 제1 값을 연산하도록 구현될 수 있을 것이다.
다시 도 3을 참고하면, 본 출원의 일 실시예에 따른 의료 영상 분석 방법은 관절 간격과 관련된 제2 값을 획득하는 단계(S1400)를 포함할 수 있다.
도 12 및 도 13을 참고한다. 도 12은 본 출원의 일 실시예에 따른 관절 간격과 관련된 제2 값을 획득하는 단계(S1400)를 구체화한 순서도이다. 도 13은 본 출원의 일 실시예에 따른 제2 값을 획득하는 일 양상을 도시한 도면이다.
본 출원의 일 실시예에 따른 관절 간격과 관련된 제2 값을 획득하는 단계(S1400)는, 관심 구간을 획득하는 단계(S1410), 관심 구간 내에서의 복수의 관절 간격 값을 획득하는 단계(S1420), 및 복수의 관절 간격 값에 기초하여 제2 값을 획득하는 단계(S1430)를 포함할 수 있다.
관절 간격 영역 중에서 관심 구간을 획득하는 단계(S1410)에서는, 의료 영상 분석 장치(1000)는 관심 구간을 획득할 수 있다. 일 예로, 의료 영상 분석 장치(1000)는 관절의 상태를 파악하는 데 임상적 중요도가 높은 것으로 알려진 관절 사이 영역을 관심 구간으로 획득할 수 있다. 예컨대, 무릎 관절의 경우에는, 연골이 존재하고 관절염에 의한 심각한 통증과 관련된 영역으로 알려진 구간을 관심 구간으로 획득할 수 있다.
일 예로, 관심 구간은 전술한 뼈의 양 끝 지점(예, 제1 지점(P1), 제2 지점(P2)), 뼈의 양 끝 지점 간의 폭(예, 제1 값) 혹은 전술한 임상적으로 중요한 구간의 통계적인 비율 등을 활용하여 자동적으로 획득될 수 있다. 다른 예로, 임의의 입력부를 통하여 사용자는 관심 구간을 입력할 수 있으며, 의료 영상 분석 장치(1000)는 사용자의 입력에 기초하여 관심 구간을 획득할 수 있다.
한편, 관심 구간은 여러 개의 하위 구간으로 구분될 수 있으며, 연속적이거나 불연속적일 수 있다.
관심 구간 내에서의 복수의 관절 간격 값을 획득하는 단계(S1420)에서는, 의료 영상 분석 장치(1000)는 관심 구간 내에서 적어도 하나의 관절 간격 값을 획득할 수 있다. 예컨대, 의료 영상 분석 장치(1000)는 제1 관심 구간 내에서의 관절 사이 영역의 적어도 하나의 관절 간격 값을 획득할 수 있다. 또한, 의료 영상 분석 장치(1000)는 제2 관심 구간 내에서의 관절 간격 영역의 적어도 하나의 관절 간격 값을 획득할 수 있다.
의료 영상 분석 장치(1000)가 관절 간격 값을 획득하는 데에는 관절 간격 영역의 좌표 정보가 이용될 수 있다. 예컨대, 의료 영상 분석 장치(1000)는 관심 구간(예, 제1 관심 구간 혹은 제2 관심 구간) 내의 관절 간격 영역을 정의하는 바운더리의 좌표 정보에 기초하여 관절 간격 값을 획득하도록 구현될 수 있다. 다만, 이는 예시에 불과하며, 의료 영상 분석 장치(1000)는 임의의 적절한 방법을 이용하여 관심 구간 내에서의 관절 간격 값을 획득할 수 있다.
복수의 관절 간격 값에 기초하여 제2 값을 획득하는 단계(S1430)에서는, 의료 영상 분석 장치(1000)는 관심 구간 내에서의 대상 관절 간격 영역으로부터 획득한 적어도 하나의 관절 간격 값에 기초하여 관절 간격과 관련된 제2 값을 획득할 수 있다. 예컨대, 의료 영상 분석 장치(1000)는 복수의 관절 간격 값 중 최소값을 관절 간격과 관련된 제2 값으로 획득할 수 있다. 다른 예로, 의료 영상 분석 장치(1000)는 복수의 관절 간격 값들의 평균 값을 관절 간격과 관련된 제2 값으로 획득할 수 있다. 또 다른 예로, 의료 영상 분석 장치(1000)는 복수의 관절 간격 값 중 최소값과 복수의 관절 간격 값의 평균 값에 임의의 적절한 가중치를 부여하여 제2 값을 획득할 수 있다.
다시 도 3을 참고하면, 본 출원의 일 실시예에 따른 관절의 상태를 나타내는 대상 관절 상태 지표를 산출하는 단계(S1500)를 포함할 수 있다.
관절의 상태를 나타내는 대상 관절 상태 지표를 산출하는 단계(S1500)에서는, 의료 영상 분석 장치(1000)는 관절 부위의 폭과 관련된 제1 값 및 관절 간격과 관련된 제2 값에 기초하여 대상 관절 상태 지표를 산출할 수 있다. 일 예로, 의료 영상 분석 장치(1000)는 제2 값의 제1 값에 대한 비율로 정의되는 대상 관절 상태 지표를 연산할 수 있다. 구체적으로, 제2 값이 최소 관절 간격 값인 경우, 의료 영상 분석 장치(1000)는 제1 값(관절 부위의 폭 값) 대비 최소 관절 간격 값을 대상 관절 상태 지표로 연산할 수 있다. 또는 제2 값이 평균 관절 간격 값인 경우, 의료 영상 분석 장치(1000)는 제1 값(관절 부위의 폭 값) 대비 평균 관절 간격 값을 대상 관절 상태 지표로 연산할 수 있다.
본 출원의 일 실시예에 따라 획득된 대상 관절 상태 지표는 인종, 성별, 나이 등 여러 외부 인자에 따라 영향을 받는 관절 간격 값을, 관절 부위의 폭과 연계시켜 정량화될 수 있다. 이에 따라, 본 출원의 일 실시예에 따라 획득된 대상 관절 상태 지표는 인종, 성별, 나이 등 여러 외부 인자에 대한 영향이 최소화될 수 있으며 객관적인 관절 상태 정보를 제공할 수 있다.
한편, 본 출원의 일 실시예에 따른 의료 영상 분석 장치(1000)는 대상 관절 상태 지표를 정상 관절군의 기준 관절 상태 지표와 비교분석하는 동작을 수행할 수 있다. 구체적으로 의료 영상 분석 장치(1000)는 임의의 데이터베이스로부터 관절 상태 데이터 세트를 획득할 수 있다. 이때, 관절 상태 데이터 세트는 정상 관절을 나타내는 기준 의료 영상, 기준 의료 영상으로부터 산출된 관절 부위의 폭 값, 기준 의료 영상으로부터 산출된 관절 간격 값 등을 포함할 수 있다.
의료 영상 분석 장치(1000)는 관절 상태 데이터 세트로부터 정상군의 기준 관절 상태 지표를 산출할 수 있다. 예컨대, 의료 영상 분석 장치(1000)는 정상 관절과 관련된 제1 기준 의료 영상으로부터 제1 관절 상태 지표(예, 관절 부위의 폭 값 대비 최소 관절 간격 값)를 산출하고, 정상 관절과 관련된 제2 기준 의료 영상으로부터 제2 관절 상태 지표(예, 관절 부위의 폭 값 대비 최소 관절 간격 값)를 산출할 수 있다. 또한, 의료 영상 분석 장치(1000)는 제1 관절 상태 지표 및 제2 관절 상태 지표에 기초하여 기준 관절 상태 지표를 산출할 수 있다. 예컨대, 기준 관절 상태 지표는 제1 관절 상태 지표와 제2 관절 상태 지표를 포함하여 정상군의 복수의 관절 상태 지표들의 평균값으로 계산될 수 있다.
본 출원의 일 실시예에 따른 의료 영상 분석 장치(1000)는 대상 관절 상태 지표를 기준 관절 상태 지표와 비교하여 정량화할 수 있다. 일 예로, 의료 영상 분석 장치(1000)는 기준 관절 상태 지표 대비 대상 관절 상태 지표의 감소율을 연산할 수 있다. 일 예로, 감소율은 ((기준 관절 상태 지표 - 대상 관절 상태 지표)/기준 관절 상태 지표)*100 로 정의될 수 있다. 예컨대, 정상군들의 관절 상태 지표의 평균 값인 기준 관절 상태 지표(예컨대, 관절 부위의 폭 값 대비 최소관절간격값)가 0.22이고, 대상 관절 상태 지표(예컨대, 관절 폭 부위의 값 대비 최소관절간격값)가 0.055라면, 감소율은 약 75%로 연산될 수 있다. 다시 말해, 의료 영상 분석 장치(1000)는 분석 대상자의 관절 상태가 정상 관절 대비 감소율이 75%로 정상 관절 대비 관절 간격이 좁아진 상태임을 나타내는 감소율을 정량화할 수 있다.
다른 예를 들어, 정상군들의 무릎의 관절 상태 지표의 평균 값인 기준 관절 상태 지표(예컨대, 관절 부위의 폭 값 대비 최소관절간격값)가 0.06이고, 대상 관절 상태 지표(예컨대, 관절 폭 부위의 값 대비 최소관절간격값)가 0.015라면, 감소율은 약 75%로 연산될 수 있다. 다시 말해, 의료 영상 분석 장치(1000)는 분석 대상자의 무릎의 관절 상태가 정상 무릎 관절 대비 감소율이 75%로, 정상 무릎 관절 대비 분석 대상자의 무릎 관절 간격이 좁아진 상태임을 나타내는 감소율을 정량화할 수 있다. 다만 상술한 수치들은 설명의 편의를 위한 예시에 불과하며, 이에 제한해석되지 않는다.
이러한 비교 분석을 통하여 본 출원의 일 실시예에 따른 의료 영상 분석 장치(1000)는 동일인의 관절 간의 상태를 비교하거나 시간에 따른 관절 상태의 변화를 분석할 수 있다. 또한, 따른 의료 영상 분석 장치(1000)는 타인 간의 관절 상태를 정량화하여 분석 대상자의 관절 상태에 대한 정보를 제공할 수 있다.
한편 도시하지는 않았지만, 본 출원의 일 실시예에 따른 의료 영상 분석 장치(1000)는 임의의 출력부를 통하여 관절 상태 정보 또는 정상군과의 비교 분석 결과를 출력할 수 있다. 혹은 본 출원의 일 실시예에 따른 의료 영상 분석 장치(1000)는 획득한 대상 관절 상태 지표 또는 정상군과의 비교 분석 결과를 의료 영상 획득 장치(100)를 포함한 임의의 외부 장치로 송신할 수 있다. 대상 관절 상태 지표 또는 정상군과의 비교 분석 결과를 수신한 임의의 외부 장치는, 임의의 출력부를 통하여 관절 상태 정보 또는 정상군과의 비교 분석 결과를 출력할 수 있다.
본 출원의 실시예에 따른 의료 영상 분석 방법, 장치 및 시스템에 의하면, 체형, 인종, 성별 등의 외부 요인의 영향을 최소화한 객관적인 관절 상태 정보를 제공할 수 있다. 또한, 본 출원의 실시예에 따른 의료 영상 분석 방법, 장치 및 시스템에 의하면, 객관적인 관절 상태 정보에 기초하여 관절 상태를 보다 정확하게 추정할 수 있다.
상술한 의료 영상 분석 장치(1000)의 다양한 동작들은 의료 영상 분석 장치(1000)의 메모리(1200)에 저장될 수 있으며, 의료 영상 분석 장치(1000)의 컨트롤러(1300)는 메모리(1200)에 저장된 동작들을 수행하도록 제공될 수 있다.
이상에서 실시 형태들에 설명된 특징, 구조, 효과 등은 본 발명의 적어도 하나의 실시 형태에 포함되며, 반드시 하나의 실시 형태에만 한정되는 것은 아니다. 나아가, 각 실시 형태에서 예시된 특징, 구조, 효과 등은 실시 형태들이 속하는 분야의 통상의 지식을 가지는 자에 의해 다른 실시 형태들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
또한, 이상에서 실시 형태를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시 형태의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 즉, 실시 형태에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (12)

  1. 의료 영상을 획득하고, 의료 영상에 기초하여 관절의 형태학적 분석을 수행하는 장치가 의료 영상을 분석하는 방법에 있어서, 상기 방법은,
    대상 의료 영상을 획득하는 단계;
    상기 대상 의료 영상으로부터 대상 관절 간격 영역을 검출하는 단계;
    상기 대상 의료 영상으로부터 관절 부위의 폭과 관련된 제1 값을 획득하는 단계;
    상기 대상 관절 간격 영역으로부터 관절 간격과 관련된 제2 값을 획득하는 단계; 및
    상기 제1 값 및 상기 제2 값에 기초하여, 관절의 상태를 나타내는 대상 관절 상태 지표를 산출하는 단계;를 포함하는,
    의료 영상 분석 방법.
  2. 제1 항에 있어서,
    상기 대상 관절 간격 영역을 검출하는 단계는,
    상기 대상 의료 영상으로부터 관심 영역을 검출하는 단계; 및
    상기 관심 영역에 대한 세그멘테이션을 수행하여 상기 관심 영역에 포함된 상기 대상 관절 간격 영역을 획득하는 단계;를 포함하는,
    의료 영상 분석 방법.
  3. 제2 항에 있어서,
    상기 관심 영역은, 의료 영상을 수신하여 관절 부위를 포함한 영역을 출력하도록 학습된 제1 신경망 모델을 이용하여 획득되는,
    의료 영상 분석 방법.
  4. 제3 항에 있어서,
    상기 세그멘테이션은, 관심 영역을 포함하는 의료 영상을 수신하여 관절 간격 영역을 출력하도록 학습된 제2 신경망 모델을 이용하여 수행되는,
    의료 영상 분석 방법.
  5. 제1 항에 있어서,
    상기 제1 값을 획득하는 단계는,
    상기 대상 의료 영상으로부터 뼈 영역과 뼈의 외측 영역 간의 경계에 인접한 제1 지점 및 제2 지점을 검출하는 단계;
    상기 제1 지점의 제1 좌표 정보 및 상기 제2 지점의 제2 좌표 정보를 획득하는 단계; 및
    상기 제1 좌표 정보 및 상기 제2 좌표 정보에 기초하여 상기 제1 값을 계산하는 단계;를 포함하는,
    의료 영상 분석 방법.
  6. 제5 항에 있어서,
    상기 제1 지점 및 상기 제2 지점은,
    상기 대상 의료 영상에 포함된 상기 뼈 영역의 밝기와 상기 뼈의 외측 영역의 밝기의 차이에 기초하여 획득되는,
    의료 영상 분석 방법.
  7. 제5 항에 있어서,
    상기 제1 지점 및 상기 제2 지점은,
    상기 뼈 영역 및 상기 뼈의 외측 영역을 포함하는 의료 영상을 수신하여 상기 제1 지점에 대응되는 제1 영역 및 상기 제2 지점에 대응되는 제2 영역을 출력하도록 학습된 신경망 모델을 통하여 획득되는,
    의료 영상 분석 방법.
  8. 제1 항에 있어서,
    상기 제2 값을 획득하는 단계는,
    상기 관절 간격 영역 중에서 관심 구간을 획득하는 단계;
    상기 관심 구간 내에서의 복수의 관절 간격 값을 획득하는 단계; 및
    상기 복수의 관절 간격 값에 기초하여 상기 제2 값을 획득하는 단계;를 포함하는,
    의료 영상 분석 방법.
  9. 제8 항에 있어서,
    상기 제2 값은,
    상기 복수의 관절 간격 값 중 최소 값이거나 상기 복수의 관절 간격 값의 평균 값인,
    의료 영상 분석 방법.
  10. 제1 항에 있어서,
    상기 대상 관절 상태 지표는 상기 제2 값의 상기 제1 값에 대한 비율로 정의되는,
    의료 영상 분석 방법.
  11. 컴퓨터에 제1 항 내지 제10 항 중 어느 하나의 항에 따른 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체.
  12. 의료 영상을 분석하여 관절의 상태와 관련된 정보를 연산하는 의료 영상 분석 장치에 있어서, 상기 의료 영상 분석 장치는,
    대상 의료 영상을 획득하는 영상 획득부; 및
    상기 대상 의료 영상에 기초하여 관절 상태 정보를 제공하는 컨트롤러;를 포함하되,
    상기 컨트롤러는,
    대상 의료 영상을 획득하고, 상기 대상 의료 영상으로부터 대상 관절 간격 영역을 검출하고, 상기 대상 의료 영상으로부터 관절 부위의 폭과 관련된 제1 값을 획득하고, 상기 대상 관절 간격 영역으로부터 관절 간격과 관련된 제2 값을 획득하고, 상기 제1 값 및 상기 제2 값에 기초하여, 관절의 상태를 나타내는 대상 관절 상태 지표를 산출하도록 구성된,
    의료 영상 분석 장치.
PCT/KR2021/018218 2021-08-11 2021-12-03 관절 상태를 정량화하기 위한 의료 영상 분석 방법, 의료 영상 분석 장치, 및 의료 영상 분석 시스템 Ceased WO2023017919A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2022508473A JP7473992B2 (ja) 2021-08-11 2021-12-03 関節状態を定量化するための医療映像分析方法、医療映像分析装置、および医療映像分析システム
EP21851945.2A EP4343779A4 (en) 2021-08-11 2021-12-03 Medical image analysis method, medical image analysis device, and medical image analysis system for quantifying joint condition
US17/634,761 US12243224B2 (en) 2021-08-11 2021-12-03 Medical image analysis method, medical image analysis apparatus, and medical image analysis system for quantifying joint condition

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210105754A KR102842473B1 (ko) 2021-08-11 2021-08-11 관절 상태를 정량화하기 위한 의료 영상 분석 방법, 의료 영상 분석 장치, 및 의료 영상 분석 시스템
KR10-2021-0105754 2021-08-11

Publications (1)

Publication Number Publication Date
WO2023017919A1 true WO2023017919A1 (ko) 2023-02-16

Family

ID=85200727

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/018218 Ceased WO2023017919A1 (ko) 2021-08-11 2021-12-03 관절 상태를 정량화하기 위한 의료 영상 분석 방법, 의료 영상 분석 장치, 및 의료 영상 분석 시스템

Country Status (5)

Country Link
US (1) US12243224B2 (ko)
EP (1) EP4343779A4 (ko)
JP (1) JP7473992B2 (ko)
KR (2) KR102842473B1 (ko)
WO (1) WO2023017919A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118762044A (zh) * 2024-03-05 2024-10-11 北京大学第三医院（北京大学第三临床医学院） 医学图像处理方法、装置以及存储介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20250166416A1 (en) * 2023-11-21 2025-05-22 Metatech (Ap) Inc. System and method for hand movements recognition and analysis
KR102916312B1 (ko) 2025-10-17 2026-01-26 주식회사 스포클립에이아이 Ai 기반으로 사용자의 스포츠 일상에 관한 콘텐츠 영상을 제작하기 위한 장치 및 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004057804A (ja) * 2002-06-05 2004-02-26 Fuji Photo Film Co Ltd 骨関節評価方法、装置およびそのためのプログラム
JP2016144535A (ja) * 2015-02-06 2016-08-12 国立大学法人名古屋大学 骨間距離測定装置、骨間距離測定方法、コンピュータを骨間距離測定装置として機能させるためのプログラム及び該プログラムを記憶した記録媒体
KR20180092797A (ko) * 2017-02-10 2018-08-20 연세대학교 산학협력단 의료 영상에 기반하여 상태를 진단하는 장치 및 방법
KR101968144B1 (ko) * 2018-10-11 2019-08-13 가톨릭대학교 산학협력단 척추 및 경추의 경사각 자동 진단 장치 및 방법
JP2021023548A (ja) * 2019-08-06 2021-02-22 キヤノンメディカルシステムズ株式会社 医用画像処理装置、医用画像処理システム、医用画像処理プログラム、及び医用画像処理方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6160866A (en) * 1991-02-13 2000-12-12 Lunar Corporation Apparatus for bilateral femur measurement
US5509042A (en) * 1991-02-13 1996-04-16 Lunar Corporation Automated determination and analysis of bone morphology
WO2012021861A2 (en) * 2010-08-13 2012-02-16 Mckinnon, Brian William Detection of anatomical landmarks
US20160180520A1 (en) * 2014-12-17 2016-06-23 Carestream Health, Inc. Quantitative method for 3-d joint characterization
KR102444274B1 (ko) * 2019-07-17 2022-09-16 주식회사 크레스콤 관절염 심각도 정밀 분석 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004057804A (ja) * 2002-06-05 2004-02-26 Fuji Photo Film Co Ltd 骨関節評価方法、装置およびそのためのプログラム
JP2016144535A (ja) * 2015-02-06 2016-08-12 国立大学法人名古屋大学 骨間距離測定装置、骨間距離測定方法、コンピュータを骨間距離測定装置として機能させるためのプログラム及び該プログラムを記憶した記録媒体
KR20180092797A (ko) * 2017-02-10 2018-08-20 연세대학교 산학협력단 의료 영상에 기반하여 상태를 진단하는 장치 및 방법
KR101968144B1 (ko) * 2018-10-11 2019-08-13 가톨릭대학교 산학협력단 척추 및 경추의 경사각 자동 진단 장치 및 방법
JP2021023548A (ja) * 2019-08-06 2021-02-22 キヤノンメディカルシステムズ株式会社 医用画像処理装置、医用画像処理システム、医用画像処理プログラム、及び医用画像処理方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118762044A (zh) * 2024-03-05 2024-10-11 北京大学第三医院（北京大学第三临床医学院） 医学图像处理方法、装置以及存储介质

Also Published As

Publication number Publication date
KR20250111270A (ko) 2025-07-22
US20230360198A1 (en) 2023-11-09
EP4343779A1 (en) 2024-03-27
KR102842473B1 (ko) 2025-08-05
JP7473992B2 (ja) 2024-04-24
EP4343779A4 (en) 2025-04-09
JP2023541078A (ja) 2023-09-28
US12243224B2 (en) 2025-03-04
KR20230023899A (ko) 2023-02-20

Similar Documents

Publication Publication Date Title
WO2023017919A1 (ko) 관절 상태를 정량화하기 위한 의료 영상 분석 방법, 의료 영상 분석 장치, 및 의료 영상 분석 시스템
WO2023153569A1 (ko) 무릎 관절 상태의 분석 방법 및 이를 수행하기 위한 장치
WO2019132170A1 (ko) 학습용 데이터 관리방법, 장치 및 프로그램
WO2017022882A1 (ko) 의료 영상의 병리 진단 분류 장치 및 이를 이용한 병리 진단 시스템
WO2019235828A1 (ko) 투 페이스 질병 진단 시스템 및 그 방법
WO2016171341A1 (ko) 클라우드 기반 병리 분석 시스템 및 방법
WO2020196985A1 (ko) 비디오 행동 인식 및 행동 구간 탐지 장치 및 방법
WO2016163755A1 (ko) 품질 측정 기반의 얼굴 인식 방법 및 장치
WO2021010777A1 (ko) 관절염 심각도 정밀 분석 장치 및 방법
WO2022131642A1 (ko) 의료 영상 기반 질환 중증도 결정 장치 및 방법
WO2020032559A2 (ko) 뉴럴 네트워크를 이용한 질병의 진단 시스템 및 방법
WO2025211482A1 (ko) 위성 데이터 결측 보완 방법 및 시스템
WO2025071103A1 (ko) 가축 개체군의 출하 정보 산출 장치 및 방법과, 상기 출하 정보 산출 장치를 포함하는 출하 정보 산출 시스템
WO2024029698A1 (ko) 뇌혈류 데이터를 연산하는 방법 및 뇌혈류 데이터를 연산하기 위한 신경망 모델의 학습 방법
WO2019221586A1 (ko) 의료영상 관리 시스템, 방법 및 컴퓨터 판독 가능한 기록매체
WO2024090786A1 (ko) 레이더 데이터에 기반한 낙상 감지 모델의 학습 방법
WO2015076433A1 (ko) 지역 미세 패턴을 이용한 얼굴 영상 분석 방법
WO2014058165A1 (ko) 단일객체의 크기를 추정하는 영상 감시장치 및 방법
WO2025170396A1 (ko) 다중 인공 신경망 기반 추정 선량 검사 방법
WO2025018825A1 (ko) 영상 및 비영상 데이터를 이용한 질병 예후 통합 예측 방법, 장치 및 컴퓨터 프로그램
WO2022177069A1 (ko) 라벨링 방법 및 이를 위한 컴퓨팅 장치
WO2023128059A1 (en) Method and apparatus for tumor purity based on pathological slide image
WO2023136695A1 (ko) 환자의 가상 폐 모델을 생성하는 장치 및 방법
WO2023121161A1 (ko) 모션 증폭 장치 및 이를 사용하는 방법
WO2023204342A1 (ko) 딥러닝 기반 이미지 변환 방법 및 그 시스템

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2022508473

Country of ref document: JP

Kind code of ref document: A

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21851945

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2021851945

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2021851945

Country of ref document: EP

Effective date: 20231219

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 11202400677X

Country of ref document: SG

WWG Wipo information: grant in national office

Ref document number: 17634761

Country of ref document: US