KR100998630B1 - 폐질환 자동 분류 방법 - Google Patents
폐질환 자동 분류 방법 Download PDFInfo
- Publication number
- KR100998630B1 KR100998630B1 KR1020080071987A KR20080071987A KR100998630B1 KR 100998630 B1 KR100998630 B1 KR 100998630B1 KR 1020080071987 A KR1020080071987 A KR 1020080071987A KR 20080071987 A KR20080071987 A KR 20080071987A KR 100998630 B1 KR100998630 B1 KR 100998630B1
- Authority
- KR
- South Korea
- Prior art keywords
- lung
- disease
- texture
- shape
- analysis
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 208000019693 Lung disease Diseases 0.000 title claims abstract description 46
- 210000004072 lung Anatomy 0.000 claims abstract description 96
- 238000004458 analytical method Methods 0.000 claims abstract description 50
- 201000010099 disease Diseases 0.000 claims abstract description 48
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 48
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000000877 morphologic effect Effects 0.000 claims abstract description 8
- 238000010835 comparative analysis Methods 0.000 claims abstract description 4
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000002591 computed tomography Methods 0.000 description 13
- 230000005856 abnormality Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 description 3
- 208000029523 Interstitial Lung disease Diseases 0.000 description 2
- 208000011623 Obstructive Lung disease Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013170 computed tomography imaging Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010007882 Cellulitis Diseases 0.000 description 1
- 206010014561 Emphysema Diseases 0.000 description 1
- 206010038687 Respiratory distress Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002440 hepatic effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/46—Arrangements for interfacing with the operator or the patient
- A61B6/461—Displaying means of special interest
- A61B6/466—Displaying means of special interest adapted to display 3D data
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- High Energy & Nuclear Physics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Optics & Photonics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
본 발명은, (a) CT 기법을 통해 획득된 3차원 흉부 볼륨데이터로부터 폐 영역을 구분하고, 상기 폐 영역의 질감 및 형태 분석을 위해 화질 전처리를 수행하는 단계; (b) 상기 폐 영역의 질감 및 형태를, 기 저장된 특정 질환별 폐 부분의 질감 및 형태 데이터와 비교 분석하는 단계; 및 (c) 상기 비교 분석에 따라, 상기 폐 영역의 각 부분을 상기 특정 질환별로 분류하는 단계를 포함하는 폐질환 자동 분류 방법을 제공한다.
개시된 폐질환 자동 분류 방법에 따르면, 폐질환 환자의 3차원 CT영상 촬영을 통해 환자의 질환 중증도를 판단할 수 있게 한다. 즉, 폐의 지역적인 질감 및 형태적 특수성을 이용하여, 폐 영역의 각 부분을 질환별로 자동으로 분류하여, 폐의 어느 부분이 얼마나 특정 질환에 침범되었는지에 관한 정량화된 자료를 제공하는데 도움이 될 수 있다.
Description
본 발명은 폐질환 자동 분류 방법에 관한 것으로서, 보다 상세하게는 폐질환 환자의 CT영상의 질감 및 형태 분석을 이용한 폐질환 자동 분류 방법에 관한 것이다.
미만성 폐질환(Diffuse interstitial lung disease;DILD)은 다양한 폐실질에 영향을 주는 질환으로서, 호흡곤란을 일으키게 한다. 이러한 미만성 폐질환은 약 200여개의 다양한 폐실질 이상을 포괄하므로, 폐실질 이상의 크기나 진행을 알기가 어렵다.
최근, 이러한 미만성 폐질환을 진단하는 영상검사로서, 고해상도 전산화단층촬영이 표준으로 이용되고 있다. 미만성 폐질환의 진단에 쓰이는 주요 고해상도 전산화단층 촬영술(High Resolution Computed tomography;HRCT)의 영상 특성은, 폐 실질의 파괴 혹은 과팽창으로 말미암은 다양한 폐실질 이상의 존재와 그 특징의 파악에 이용된다.
그러나, 폐실질에 대한 다양한 이상부위의 분포, 모양 등의 특징을 이용한 감별 진단 및 그 평가의 정확도는, 상기의 방법에 있어서 제한적인 것으로 알려져 있다. 이러한 제한은 환자의 호흡 수준에 따라 폐실질이 변하는 문제, 추적 관찰 동안 폐실질의 변이 문제, 관찰자의 정성적 평가 문제 등에 의한다.
보다 객관적인 방법으로서, 컴퓨터 프로그램을 이용하여 CT영상의 질감 또는 형상 특성을 추출하는 방법이 소개되고 있으며, Chabat 등은 이를 폐쇄성 폐질환의 감별 진단에 시도한 바 있다. 하지만, 이 방법은 폐쇄성 폐질환에 적용된 것이고, 또한 폐의 질감만을 사용할 뿐 기존의 질환을 판단하는 중요한 기준인 저음영 부위의 형태를 직접적으로 사용하지 않는 문제점이 있다.
본원 발명은, 임상적으로 중요한 판단 기준으로 알려진 폐의 질감 및 형태 분석을 이용하여 폐 질환을 자동 분류하는 폐질환 자동 분류 방법을 제공하는데 목적이 있다.
본 발명은, (a) CT 기법을 통해 획득된 3차원 흉부 볼륨데이터로부터 폐 영역을 구분하고, 상기 폐 영역의 질감 및 형태 분석을 위해 화질 전처리를 수행하는 단계; (b) 상기 폐 영역의 질감 및 형태를, 기 저장된 특정 질환별 폐 부분의 질감 및 형태 데이터와 비교 분석하는 단계; 및 (c) 상기 비교 분석에 따라, 상기 폐 영역의 각 부분을 상기 특정 질환별로 분류하는 단계를 포함하는 폐질환 자동 분류 방법을 제공한다.
여기서, 상기 방법은, 특정 3차원 흉부 볼륨데이터로부터, 특정 질환을 대표하는 폐 부분에 대한 화질 전처리를 수행하여, 특정 질환별 폐 부분의 질감 및 형태 데이터를 기계학습하는 단계; 및 (e) 상기 기계학습을 통하여, 상기 폐 부분의 질감 및 형태 데이터를 상기 특정 질환별로 자동 분류하는 자동분류자를 생성하는 단계를 더 포함한다. 이때 상기 (b) 단계 내지 (c) 단계는, 상기 자동분류자를 이용하여, 상기 폐 영역의 질감 및 형태를 분석하여, 상기 폐 영역의 각 부분을 상기 특정 질환별로 자동 분류할 수 있다.
한편, 본 발명은, 상기 폐질환 자동 분류 방법을 컴퓨터에서 실행시키기 위 한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공한다.
본원 발명에 따른 폐질환 자동 분류 방법은, 폐질환 환자의 3차원 CT영상 촬영을 통해 환자의 질환 중증도를 판단할 수 있게 한다. 또한, 특정 질환별 폐 부분의 질감 및 형상에 대한 기계 학습을 수행하여 자동 분류자를 생성한 경우, 전체 폐 영역에 대한 각 부분별 질환을 보다 신뢰성 있게 진단 및 평가 분류할 수 있다.
즉, 상기 폐질환 자동 분류 방법은, 폐의 지역적인 질감 및 형태적 특수성을 이용하여, 폐 영역의 각 부분을 질환별로 자동으로 분류하여, 폐의 어느 부분이 얼마나 특정 질환에 감염되었는지에 관한 정량화된 자료를 제공하는데 도움이 될 수 있다. 이러한 자료는 환자의 호흡 수준에 둔감한 기존의 알려진 다른 지표에 비해 더욱 중요한 자료로 이용될 수 있다.
도 1은 본 발명의 실시예에 따른 폐질환 자동 분류 방법의 흐름도이다. 도 2는 도 1의 다른 흐름도이고, 도 3은 도 1의 방법을 위한 시스템 구성도이다.
먼저, 상기 폐질환 자동 분류 방법의 설명에 앞서, 상기 방법을 위한 폐질환 자동 분류 시스템(100)에 관하여 설명하면 다음과 같다. 상기 폐질환 자동 분류 시스템(100)은 촬영부(110), 표시부(130), 입력부(120) 및 제어분석부(140)를 포함한다.
상기 촬영부(110)는 3차원 흉부 볼륨데이터를 CT 기법에 의해 촬영하여 그 촬영정보를 획득한다. 상기 제어분석부(140)는 상기 획득된 촬영정보에서 폐 영역 에 대한 전처리를 수행한 이후, 상기 폐 영역의 질감 및 형태 분석을 통해, 폐질환을 자동 분류한다. 물론, 이외에도 상기 제어분석부(140)는 상기 촬영부(110), 표시부(130), 입력부(120) 등의 각 구성요소의 제어가 가능하다.
한편, 상기 입력부(120)는 사용자(전문가 혹은 의사)로부터 각종 조작신호를 입력 받아 상기 제어분석부(140)로 전송 가능하다. 상기 표시부(130)는 상기 촬영정보 이외에도, 자동 분류된 폐질환 정보를 시각화하여 화면으로 표시 가능하다. 또한, 상기 제어분석부(140)는 상기 입력부(120)에 입력된 신호를 처리하여 그에 대응되는 동작을 표시부(130)에 전송하여, 해당 사항이 실시간 화면으로 표시되도록 한다.
이하에서는, 본 발명의 실시예에 따른 폐질환 자동 분류 방법에 관하여 도 1 내지 도 3을 참조로 하여 보다 상세히 설명하고자 한다.
먼저, 상기 제어분석부(140)는 상기 촬영부(110)에서 CT 기법을 통해 획득된 3차원 흉부 볼륨데이터를 전송받아, 상기 3차원 흉부 볼륨데이터로부터 폐 영역을 구분하고, 상기 폐 영역의 질감 및 형태 분석을 위해 화질 전처리를 수행한다(S110).
여기서, 상기 제어분석부(140)는 상기 촬영부(110)에서 전송받은 3차원 흉부 볼륨데이터로부터, 상기 폐 영역을 객체로 인식하고, 왼쪽 폐와 오른쪽 폐를 구분하는 작업을 수행할 수 있다. 그리고, 상기 화질의 전처리 과정은, 상기 폐 영역의 각 질감과 형태 분석을 위한 노이즈 제거, 필터링, 신호대잡음비(SNR) 증가 등의 과정을 포함한다. 상기한 전처리 과정에 따르면, 상기 제어분석부(140)의 분석 정 확도의 향상에 기여할 수 있다.
한편, 상기 획득되는 볼륨데이터는, 상기 촬영부(110)에서 촬영된 데이터 이외에도, 외부에서 촬영되어 상기 입력부(130)를 통해 입력받은 볼륨데이터일 수 있다. 한편, 상기 질감 및 형태 분석에 관해서는 추후에 상세히 설명하고자 한다.
이러한 전처리 단계(S110) 이후, 상기 제어분석부(140)는 상기 폐 영역의 질감 및 형태를, 기 저장된 특정 질환별 폐 부분의 질감 및 형태 데이터와 비교 분석한다(S120). 즉, 상기 기 저장된 특정 질환별 폐 부분의 질감 및 형태 데이터는, 현재 촬영된 폐 영역의 각 부분에 대한 폐질환 분석의 기준 자료로 이용된다.
다음으로, 상기 제어분석부(140)는 상기한 비교 분석에 따라, 상기 폐 영역의 각 부분을 상기 특정 질환별로 분류할 수 있다(S130). 즉, 이상과 같은 폐질환 자동 분류 방법은, 입력된 임의의 폐 영상에 대하여, 그 질감 및 형태 분석을 통해, 폐 영역의 각 부분별로 해당되는 폐질환을 자동으로 분류할 수 있다.
이하에서는, 상기 제어분석부(140)에 기 저장된 특정 질환별 폐 부분의 질감 및 형태 데이터를 취득하는 방법과 이를 이용한 자동분류자 생성에 관하여, 도 1 또는 도 2를 참조하여, 보다 상세히 설명하고자 한다. 물론, 상기 특정 질환별 폐 부분의 질감 및 형태 데이터의 취득 방법은, 상기 S110단계에서 해당 폐 영역의 질감 및 형태 분석을 위한 화질 전처리 과정에서도 동일하게 적용 가능하다.
먼저, 상기 제어분석부(140)는 하나 또는 복수 개의 특정 3차원 흉부 볼륨데이터로부터, 특정 질환을 대표하는 폐 부분에 대한 화질 전처리를 수행하여, 특정 질환별 폐 부분의 질감 및 형태 데이터를 기계학습한다(S140). 물론, 상기 특정 3 차원 흉부 볼륨데이터는 상기 촬영부(110)에서 촬영된 데이터 혹은, 외부에서 별도 촬영되어 입력부(130)에서 입력받은 데이터일 수 있다.
그리고, 상기 제어분석부(140)는 상기한 기계학습을 통하여, 상기 폐 부분의 질감 및 형태 데이터를 상기 특정 질환별로 자동 분류하는 자동분류자를 생성한다(S150). 이에 따라, 상기 S110단계 이후의 상기 제어분석부(140)는, 상기 생성된 자동분류자를 이용하여, 상기 폐 영역의 질감 및 형태를 분석하여(S120), 상기 폐 영역의 각 부분을 상기 특정 질환별로 자동 분류하게 된다(S130). 여기서, 상기 S140단계 내지 S150단계에 따른 자동분류자 생성 과정은, 상기 S110단계 이전에 미리 수행될 수 있으나, 상기 S120단계 이전의 그 어떠한 시점에 수행되어도 무관하다.
이하에서는, 상기 S140 단계 내지 S150단계를 더욱 상세히 설명하고자 한다. 먼저, 촬영부(110)에서 촬영되거나 혹은 입력부(130)를 통해 입력된 특정 3차원 흉부 볼륨데이터는, DICOM 파일 형태로 상기 제어분석부(140) 내의 폐분할 모듈에 입력된다. 상기 폐분할 모듈은, 입력된 볼륨데이터로부터 폐 영상을 해석하여, 폐 영역만을 분할한다(S141).
즉, 상기 폐분할 모듈은, 상기 폐 영역은 '1'의 값, 폐가 아닌 영역은 '0'의 값을 가지는 영상인 폐마스크를 생성할 수 있다. 이러한 폐마스크는, 상기 질감 및 형상 분석 과정에서, 필요한 계산 영역을 결정하는 역할을 한다. 물론, 상기 S140단계에서 수행되는 폐분할, 폐마스크 생성 등의 과정은 영상의 전처리 과정에 해당되는 것으로서, 상기 S110단계에서도 동일하게 적용 가능하다.
그리고, 상기 입력부(120)는, 흉부 영상의학전문의 등의 전문가로부터, 상기 폐 영역 중에서도 특정 폐 질환을 대표하는 영역(ROI;Region Of Interest), 즉 관심영역 부분을 입력받는다(S142). 상기 입력된 특정 3차원 흉부 볼륨데이터, 상기 폐마스크 , 그리고 상기 관심영역(ROI)은 상기 제어분석부(140)가 수행하는 기계학습의 입력 데이터로 작용된다. 도 4 내지 도 6은 전문가가 특정한 다양한 폐 형태(정상, 간유리질 음영, 망형 음영, 봉와상폐, 기종, 경화) 위에 상기 관심영역(ROI) 부분을 선택받은 영상의 예를 나타낸다.
여기서, 상기 제어분석부(140)는, 상기 선택받은 관심영역(ROI) 부분의 영상에 대한 노이즈 제거, 필터링, 신호대잡음비 조절 등의 전처리를 수행한다(S143). 그리고, 상기 전처리된 영상에 대해, 해당 부분의 각종 질감 및 형태 분석 요인을 계산한다(S144).
여기서, 상기 S144단계에서 형태 분석시, 상기 폐 영역에 대한 저음영 부위의 형태 분석을 수행한다. 상기 저음영 부위는 질환을 판단하는 중요한 기준이 된다. 즉, 저음영 부위의 형태 분석을 통해 폐질환 분류의 신뢰성이 향상될 수 있다. 물론, 이러한 저음영 부위의 형태 분석은, 상기 S110단계에서 수행되는 형태 분석에도 동일하게 적용되어야 한다.
상기 질감 및 형태 분석 요소에 관하여 표 1 및 표 2를 참조로 하여 설명하면 다음과 같다.
[표 1] : 질감 분석 요소
상기 표 1은 질감 분석 요소로서, 대표적인 13가지 질감 요소의 예를 표시한 것이다. 이를 기반으로, 상기 제어분석부(140)는 컴퓨터 단층 촬영된 폐 영상에 대하여 히스토그램 분석, 그래디언트 영상 분석, 런랭스 분석, 코오커런스 매트릭스 분석 등을 수행하여, 상기 13개의 질감 요소를 계산할 수 있다.
[표 2] : 형태 분석 요소
상기 표 2는 형태 분석 기법을 통한 저음영 부위의 형태 정량화 과정을 나타낸다. 그 예로서, 폐질환의 주요한 지표인 저음영부위에 대해, 임계설정(Thresholding) 기법(-950HU, 임계값)을 적용하여, 클러스터(Cluster)를 생성할 수 있다. 또한, 상기 형태 분석은, 형상 분석 기법인 탑햇 트랜스폼(Top-hat transform)을 이용한 방법과, 각 관심영역(ROI) 내의 클러스터의 숫자, 평균 면적, 표준편차, 원형성 등을 이용한 방법을 포함하여 2가지 분류로 나누어질 수 있다.
상기 클러스터 분석에서 원형성을 분석하는 수식은 다음과 같다. 하나의 관심영역(ROI) 내에 대하여, 인식된 클러스터별로 그 원형성과 영상비의 각 평균 및 표준편차를 계산할 수 있다. 원형성과 영상비의 계산식은 수학식 1 및 수학식 2를 참조한다.
[수학식 1]
[수학식 2]
한편, 상기 제어분석부(140)는 상기와 같이 질감 및 형태 요소를 추출한 이후, 상기 질감 분석 및 형태 분석 요소의 최적화를 수행하게 된다(S145). 이후, 제어분석부(140)는 최적화된 요소를 이용하여 특정 질환별 폐 부분의 질감 및 형태 데이터를 기계학습한다(S146).
또한, 제어분석부(140)는 상기한 기계학습을 통하여, 상기 폐 부분의 질감 및 형태 데이터를 상기 특정 질환별로 자동 분류하는 자동분류자를 생성한다(S150). 도 7 내지 도 9는 상기 자동분류자에 의해 자동 분류된 폐 영상의 예를 나타낸다.
한편, 상기 최적화 과정시, 여러 개의 질감 분석 및 형태 분석 요소 중에서 폐질환 분류에 도움이 되는 요소를 구분해 내기 위하여, 전향적인 특징 선택(feature selection) 기법을 사용할 수 있다. 이는 하나의 요소를 가지고 학습한 이후, 그 정확도를 평가하여 정확도가 가장 높은 요소를 선택하고, 그런 다음 이 선택된 요소의 기반에서 선택되지 않은 남은 요소들을 추가했을 때, 가장 좋은 정확도를 나타내는 요인을 순차적으로 선택하는 방식이다. 이 방법과 함께, 학습 데이터의 선택 오류를 피하기 위해, 5-폴딩(5-folding) 기법을 사용한다. 이는 학습 요소의 정확도를 산출할 때, 5개의 임의 그룹으로 나누고, 이중 4개 그룹은 학습 과정(S146)에 이용하고, 나머지 1개 그룹은 성능 테스트 과정(S147)에 이용하여, 이후 생성되는 자동분류자(S150)의 정확도를 산출하는 방식이다. 이러한 테스트 과정(S147)과 자동분류자(S150)의 결과를 이용하여 최종 분류결과를 생성할 수 있다.
이상 상술한 폐질환 자동 분류 방법을 요약하면 다음과 같다. 먼저, 임의 입력된 폐영상을 통해 자동으로 폐 영역을 인식하여 질감 및 형태 분석을 위한 전처리를 수행(S110)한다. 이후에는, 상기 S150단계에서 생성된 자동분류자를 이용하여, 폐 영역의 모든 각 부분에 대하여 폐질환을 분석(S120)한 후, 상기 각 부분을 특정 질환별로 분류하게 된다(S130).
한편, 상기 폐질환 분류 단계(S130) 이후, 상기 표시부(130)는, 상기 폐 영역의 각 부분을 상기 특정 질환별로 분류한 결과를, 화면으로 가시화하여 표현할 수 있다(S140). 예를 들어, CT 기법을 통해 획득된 기존의 CT영상에 그 분류 결과를 오버레이하여 표현함으로써, 질환의 평가 및 진단을 용이하게 할 수 있다.
그리고, 상기 제어분석부(140)는 상기 폐 영역의 각 부분에 대해, 상기 특정 질환별 면적 및 위치를 연산하여 수치화할 수 있다. 도 10은 폐 질환이 자동 분류된 임의 폐에 정량적 데이터가 표시된 영상의 예시도이다. 즉, 도 10을 참조하면, 상기 표시부(130)는 이렇게 수치화된 특정 질환별 면적 및 위치를 화면에 가시화하여 표시할 수 있다.
이상과 같이, 상기 폐질환 자동 분류 방법은, 폐질환 환자에서 3차원 CT영상 촬영을 통해 환자의 질환 중증도를 판단할 수 있게 한다. 즉, 3차원 컴퓨터 단층 촬영에 의해서 얻어진 폐 데이터에 관하여, 특정 질환별 질감 및 형상 분석을 통하여 기계 학습을 수행하고, 이 학습에 의해 얻어진 자동 분류자를 이용하여 전체 폐를 질환별로 분류할 수 있게 한다.
또한, 상기한 방법은, 폐의 지역적인 질감 및 형태적 특수성을 이용하여, 폐 영역의 각 부분을 질환별로 자동으로 분류하여, 폐의 어느 부분이 얼마나 특정 질환에 감염되었는지 정량화한 자료를 제공하는데 도움이 될 수 있다. 이러한 자료는 환자의 호흡 수준에 둔감한 기존의 알려진 다른 지표에 비해 더욱 중요한 자료가 될 수 있다. 더욱이, 상기 폐질환 자동 분류 방법은, 다양한 종류의 폐질환 분류에 적용이 가능하나, 그 중에서도 특히 미만성 폐질환(Diffuse interstitial lung disease;DILD)의 자동 분류시 더욱 효과적으로 적용될 수 있다.
한편, 이상과 같은 상기 폐질환 자동 분류 방법은, 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있고 실행될 수 있는 매체로서 데이터가 저장되는 모든 종류의 기록장치를 포함한다.
컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CO-ROM, 자기 테이프, 플로피디스크, 광데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
이상과 같은 폐질환 자동 분류 방법은, 폐질환 환자를 중증도와 폐질환의 패턴 등을 시각적이고도 정량적으로 진단할 수 있어서, 실제 임상에 즉시 적용 가능한 진단 보조도구를 제공할 수 있다. 나아가, 현재 육안에 의존한 정성적인 판독 방법을 자동화시키고, 이를 검증하는 방식으로 의료 형태가 변경된다면 보다 정량적이고 정교한 판독이 가능하리라 판단된다.
또한, 이러한 폐질환 자동 분류 방법은 기존의 3차원 컴퓨터 단층 촬영 장치나 의료영상 저장 및 전달 장치(Picture archive and communication system)에 적용한다면, 상당 규모의 소프트웨어 판매 및 수출효과를 가져올 수 있을 뿐 아니라, 나아가 세계시장에서 국내 의료시스템의 경쟁력을 강화시킬 수 있을 것이다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
도 1은 본 발명의 실시예에 따른 폐질환 자동 분류 방법의 흐름도,
도 2는 도 1의 다른 흐름도,
도 3은 도 1의 방법을 위한 시스템 구성도,
도 4 내지 도 6은 전문가가 특정한 다양한 폐 형태 위에 관심영역(ROI)을 선택받은 영상의 예시도,
도 7 내지 도 9는 자동분류자에 의해 자동 분류된 폐 영상의 예시도,
도 10은 폐 질환이 자동 분류된 임의 폐에 정량적 데이터가 표시된 영상의 예시도이다.
< 도면의 주요부분에 대한 부호의 간단한 설명 >
100: 폐질환 자동 분류 시스템 110: 촬영부
120: 표시부 130: 입력부
140: 제어분석부
Claims (6)
- (a) CT 기법을 통해 획득된 3차원 흉부 볼륨데이터로부터 폐 영역을 구분하고, 상기 폐 영역의 질감 및 형태 분석을 위해 화질 전처리를 수행하되, 상기 폐 영역에 대한 저음영 부위의 형태 분석을 수행하는 단계;(b) 상기 폐 영역의 질감 및 형태를, 기 저장된 특정 질환별 폐 부분의 질감 및 형태 데이터와 비교 분석하는 단계; 및(c) 상기 비교 분석에 따라, 상기 폐 영역의 각 부분을 상기 특정 질환별로 분류하는 단계를 포함하는 폐질환 자동 분류 방법.
- 청구항 1에 있어서,(d) 특정 3차원 흉부 볼륨데이터로부터, 특정 질환을 대표하는 폐 부분에 대한 화질 전처리를 수행하여, 특정 질환별 폐 부분의 질감 및 형태 데이터를 기계학습하는 단계; 및(e) 상기 기계학습을 통하여, 상기 폐 부분의 질감 및 형태 데이터를 상기 특정 질환별로 자동 분류하는 자동분류자를 생성하는 단계를 더 포함하며,상기 (b) 단계 내지 (c) 단계는,상기 자동분류자를 이용하여, 상기 폐 영역의 질감 및 형태를 분석하여, 상기 폐 영역의 각 부분을 상기 특정 질환별로 자동 분류하는 폐질환 자동 분류 방법.
- 청구항 1 또는 청구항 2에 있어서, 상기 (c) 단계 이후,(f) 상기 폐 영역의 각 부분을 상기 특정 질환별로 분류한 결과를, 상기 CT 기법을 통해 획득된 CT영상에 오버레이하여 가시화하는 단계를 더 포함하는 폐질환 자동 분류 방법.
- 청구항 1 또는 청구항 2에 있어서, 상기 (c) 단계 이후,(g) 상기 폐 영역의 각 부분에 대해, 상기 특정 질환별 면적 및 위치를 연산하여 수치화하는 단계; 및(h) 상기 특정 질환별 면적 및 위치를 화면에 가시화하는 단계를 더 포함하는 폐질환 자동 분류 방법.
- 삭제
- 청구항 1 내지 청구항 4 중 어느 한 항에 기재된 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020080071987A KR100998630B1 (ko) | 2008-07-24 | 2008-07-24 | 폐질환 자동 분류 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020080071987A KR100998630B1 (ko) | 2008-07-24 | 2008-07-24 | 폐질환 자동 분류 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20100010973A KR20100010973A (ko) | 2010-02-03 |
| KR100998630B1 true KR100998630B1 (ko) | 2010-12-07 |
Family
ID=42085496
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020080071987A KR100998630B1 (ko) | 2008-07-24 | 2008-07-24 | 폐질환 자동 분류 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR100998630B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230047240A (ko) | 2021-09-30 | 2023-04-07 | 서울여자대학교 산학협력단 | 폐렴 판독 방법, 장치 및 프로그램 |
| KR20230168491A (ko) | 2022-06-07 | 2023-12-14 | 가톨릭대학교 산학협력단 | 인공지능 기반 중심장액맥락망막병증 진단 방법, 장치 및 프로그램 |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102046240B1 (ko) * | 2018-01-08 | 2019-11-18 | 고려대학교 산학협력단 | 병변 스크리닝 장치 및 방법 |
| KR20190106403A (ko) * | 2018-03-09 | 2019-09-18 | 연세대학교 산학협력단 | 질환 예측 방법 및 이를 이용한 질환 예측 디바이스 |
| KR102034648B1 (ko) * | 2018-05-16 | 2019-10-22 | 재단법인 아산사회복지재단 | 의료영상 관리 시스템, 방법 및 컴퓨터 판독 가능한 기록매체 |
| KR102448680B1 (ko) | 2020-03-05 | 2022-09-30 | (주)제이엘케이 | 이미지 기반 코로나바이러스감염증 정량 분류 방법 및 시스템 |
| KR102530010B1 (ko) * | 2020-12-16 | 2023-05-08 | 가천대학교 산학협력단 | 의료 영상 기반 질환 중증도 결정 장치 및 방법 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050207630A1 (en) * | 2002-02-15 | 2005-09-22 | The Regents Of The University Of Michigan Technology Management Office | Lung nodule detection and classification |
-
2008
- 2008-07-24 KR KR1020080071987A patent/KR100998630B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050207630A1 (en) * | 2002-02-15 | 2005-09-22 | The Regents Of The University Of Michigan Technology Management Office | Lung nodule detection and classification |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230047240A (ko) | 2021-09-30 | 2023-04-07 | 서울여자대학교 산학협력단 | 폐렴 판독 방법, 장치 및 프로그램 |
| KR20230168491A (ko) | 2022-06-07 | 2023-12-14 | 가톨릭대학교 산학협력단 | 인공지능 기반 중심장액맥락망막병증 진단 방법, 장치 및 프로그램 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20100010973A (ko) | 2010-02-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Valcarcel et al. | MIMoSA: an automated method for intermodal segmentation analysis of multiple sclerosis brain lesions | |
| KR102125127B1 (ko) | 딥러닝 기반 뇌 질환 진단 방법 | |
| US10249042B2 (en) | Method and apparatus for providing medical information service on basis of disease model | |
| KR100998630B1 (ko) | 폐질환 자동 분류 방법 | |
| Niemeijer et al. | Information fusion for diabetic retinopathy CAD in digital color fundus photographs | |
| JP5331299B2 (ja) | 解剖学的構造内の疾患に関する疾患関連の変化の患者特異的解析を実行するための方法及びシステム | |
| CN104414636B (zh) | 基于磁共振图像的脑微出血计算机辅助检测系统 | |
| US7236619B2 (en) | System and method for computer-aided detection and characterization of diffuse lung disease | |
| WO2015175746A1 (en) | Visualization and quantification of lung disease utilizing image registration | |
| WO2007023522A1 (ja) | 脳疾患の診断支援方法及び装置 | |
| JP6837376B2 (ja) | 画像処理装置および方法並びにプログラム | |
| JP5098393B2 (ja) | 関心領域決定装置 | |
| KR102049336B1 (ko) | 컴퓨터 보조 진단 장치 및 방법 | |
| JP2005526583A (ja) | 車輪状投影分析を用いた肺結節検出 | |
| CN111612756B (zh) | 冠状动脉特异性钙化检测方法及装置 | |
| EP4183344A1 (en) | Device and method for supporting chest medical image reading | |
| KR102307995B1 (ko) | 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템 및 이의 동작 방법 | |
| CN111340794A (zh) | 冠状动脉狭窄的量化方法及装置 | |
| CN111028940A (zh) | 肺结节多尺度检测方法、装置、设备及介质 | |
| CN114266774A (zh) | 一种基于平扫ct图像诊断肺栓塞的方法、设备及系统 | |
| CN109937433B (zh) | 用于x射线图像中的不透明区的检测的装置 | |
| Buongiorno et al. | Uip-net: a decoder-encoder cnn for the detection and quantification of usual interstitial pneumoniae pattern in lung ct scan images | |
| Tolouee et al. | Image based diagnostic aid system for interstitial lung diseases | |
| KR101162599B1 (ko) | 흉부 방사선 이미지 분석을 통한 심비대 자동탐지 방법 및 그 기록매체 | |
| US8422748B2 (en) | System and method for grouping airways and arteries for quantitative analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20131203 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20141103 Year of fee payment: 5 |
|
| FPAY | Annual fee payment |
Payment date: 20161129 Year of fee payment: 7 |
|
| FPAY | Annual fee payment |
Payment date: 20171127 Year of fee payment: 8 |
|
| FPAY | Annual fee payment |
Payment date: 20181122 Year of fee payment: 9 |
|
| FPAY | Annual fee payment |
Payment date: 20191114 Year of fee payment: 10 |