KR101370140B1 - 항산균 검출장치 및 그 검출방법 - Google Patents
항산균 검출장치 및 그 검출방법 Download PDFInfo
- Publication number
- KR101370140B1 KR101370140B1 KR1020120061492A KR20120061492A KR101370140B1 KR 101370140 B1 KR101370140 B1 KR 101370140B1 KR 1020120061492 A KR1020120061492 A KR 1020120061492A KR 20120061492 A KR20120061492 A KR 20120061492A KR 101370140 B1 KR101370140 B1 KR 101370140B1
- Authority
- KR
- South Korea
- Prior art keywords
- unit
- area
- attribute information
- suspect
- suspected
- Prior art date
Links
- 239000002253 acid Substances 0.000 title claims abstract description 8
- 241000304886 Bacilli Species 0.000 title claims abstract description 4
- 238000000034 method Methods 0.000 title claims description 42
- 241000894006 Bacteria Species 0.000 claims abstract description 49
- 206010036790 Productive cough Diseases 0.000 claims abstract description 39
- 210000003802 sputum Anatomy 0.000 claims abstract description 39
- 208000024794 sputum Diseases 0.000 claims abstract description 39
- 230000000844 anti-bacterial effect Effects 0.000 claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 201000008827 tuberculosis Diseases 0.000 claims abstract description 23
- 238000010186 staining Methods 0.000 claims abstract description 13
- 239000013610 patient sample Substances 0.000 claims description 14
- 230000000845 anti-microbial effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 241000124008 Mammalia Species 0.000 claims 6
- 239000000523 sample Substances 0.000 claims 3
- 241000187479 Mycobacterium tuberculosis Species 0.000 abstract description 38
- 239000013598 vector Substances 0.000 description 36
- 238000001000 micrograph Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 239000000470 constituent Substances 0.000 description 6
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 239000004599 antimicrobial Substances 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 241000193830 Bacillus <bacterium> Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000030507 AIDS Diseases 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000001458 anti-acid effect Effects 0.000 description 1
- 238000010170 biological method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 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
- 210000000056 organ Anatomy 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/30—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration
- C12M41/36—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration of biomass, e.g. colony counters or by turbidity measurements
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
- C12Q1/04—Determining presence or kind of microorganism; Use of selective media for testing antibiotics or bacteriocides; Compositions containing a chemical indicator therefor
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M1/00—Apparatus for enzymology or microbiology
- C12M1/34—Measuring or testing with condition measuring or sensing means, e.g. colony counters
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Organic Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biotechnology (AREA)
- Analytical Chemistry (AREA)
- Genetics & Genomics (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Microbiology (AREA)
- Biochemistry (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Sustainable Development (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Immunology (AREA)
- Molecular Biology (AREA)
- Medicinal Chemistry (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
항산균 검출장치 및 그 검출방법이 개시된다. 본 발명에 따른 항산균 검출장치는, 결핵균에 대한 색상, 기하학적 특성을 포함하는 속성정보를 저장하는 속성정보 저장부; 객담이나 환자 검체 도말 염색 영상을 지정하는 영상 지정부; 영상 지정부에 의해 지정된 객담이나 환자 검체 도말 염색 영상에 대하여 속성정보 저장부에 저장된 속성정보에 기초하여 결핵균으로 의심되는 각각의 영역을 의심영역으로 표시하는 의심영역 표시부; 의심영역 표시부에 의해 표시되는 의심영역을 소정 배율로 확대하는 의심영역 확대부; 의심영역 확대부에 의해 확대된 의심영역을 속성정보 저장부에 저장된 속성정보와 재비교하여 AFB(Acid Fast Bacilli) 양성 여부를 판단하는 AFB 판단부; 및 영상 지정부에 의해 지정된 객담이나 환자 검체 도말 염색 영상에 대하여 AFB 판단부에 의해 AFB 양성으로 판단된 의심영역의 개수를 계산하는 결핵균개수 계산부를 포함하는 것을 특징으로 한다.
Description
본 발명은 항산균 검출장치 및 그 검출방법에 관한 것으로서, 보다 상세하게는, 현미경사진을 자동으로 분석하여 결핵균이 포함된 항산균(Acid Fast Bacilli, AFB)을 찾아서 면적당 개수를 계산함으로써 객관적인 방법으로 항산균을 검출할 수 있는 항산균 검출장치 및 그 검출방법에 관한 것이다.
최근 질병 진단에 있어서 유전자검사나 MRI(Magnetic Resonance Imaging) 검사 등 최신 기법을 이용한 검사가 각광을 받고 있지만, 과거부터 이용되어 왔던 현미경 판독을 통한 결핵균의 존재 확인이나 암의 확진 등은 여전히 모든 질병 진단의 기준 방법으로서 중요하게 여겨지고 있다. 그러나 눈으로 직접 보고 판단하는 현미경 판독은 주관적이고 노동집약적이기 때문에 결과의 재현성이 떨어지고 인력 소모가 많다는 문제점이 있다.
한편, 결핵은 결핵균에 의한 감염성 질환으로서, 병에 걸리고 나면 많은 양의 약을 최소 6개월 이상 복용하여야함은 물론 약제 내성균의 출현으로 생명을 잃을 수도 있는 중요한 질병이다. 특히 현대에는 에이즈 환자가 늘어나고 장기 이식 등 질병 치료 목적으로 환자의 면역 상태를 저하시키는 경우가 빈번해지면서 결핵환자 수도 증가한 상태이다.
결핵의 진단을 위해서는 결핵균 배양이 기본 방법이지만, 그 진단에 4주 이상의 많은 시간이 걸리기 때문에 결핵이 의심되는 환자에 대하여 신속하게 결핵인지 여부를 확인할 수 있는 방법이 반드시 필요하다.
현대에는 분자생물학적 방법으로 세균이나 바이러스 등의 병원체를 증명하는 방법이 널리 이용되고 있으나, 결핵균은 이 방법으로도 위음성율이 높고 비용도 많이 소요되어 전 세계 대부분의 병원에서 우선 객담이나 기타 환자 검체를 도말하여 슬라이드를 제작한 다음 특수 염색(Ziel-Neelson stain)을 시행하여 결핵균이 붉은 막대모양으로 염색되는 AFB를 확인한다.
그러나, 이와 같은 방법은 모든 염색 슬라이드에 오일을 떨어뜨리고 1,000배로 확대한 현미경 시야에서 AFB가 있는지 확인하여야 하는데, 이는 여러 시야를 관찰해야할 뿐만 아니라 AFB가 얼마나 있는지를 주관적 판단에 의해 결정하여야 하는 단점이 있다. 예를 들어, 도 1에 나타낸 바와 같이 환자 검체 도말 결핵균 염색을 200배로 확대한 경우, 화살표가 가리키는 결핵균을 식별하기는 실질적으로 불가능하다. 따라서, 결핵균을 제대로 식별하기 위해서는 도 2에 나타낸 바와 같이 환자 검체 도말 결핵균 염색을 1,000배로 확대한 현미경 시야에서 AFB가 있는지 확인하여야 한다. 그런데, 환자 검체 도말 결핵균 염색을 1,000배로 확대하게 되면 슬라이드 내의 극히 좁은 부위에 대해서만 결핵균의 확인이 가능하게 되며, 따라서 슬라이드 전체를 관찰하기 위해서는 시간과 노력이 많이 소요되는 문제점이 있다. 또한, 이와 같은 결핵균 검출방법은 AFB가 얼마나 있는지의 판단이 관찰자의 주관적 판단에 의해 결정되므로 관찰자들 사이의 판독 소견이 일치하지 않거나 결핵균의 존재를 간과하는 경우가 발생할 수 있다는 문제점이 있다.
본 발명은 전술한 문제점을 해결하기 위하여 창안된 것으로서, 현미경사진을 자동으로 분석하여 결핵균을 찾아서 면적당 개수를 계산함으로써 객관적인 방법으로 결핵균을 검출할 수 있는 항산균 검출장치 및 그 검출방법을 제공하는 것을 목적으로 한다.
전술한 목적을 달성하기 위한 본 발명의 실시예에 따른 항산균 검출장치는, 항산균에 대한 색상, 기하학적 특성을 포함하는 속성정보를 저장하는 속성정보 저장부; 객담이나 환자 검체 도말 염색 영상을 지정하는 영상 지정부; 상기 영상 지정부에 의해 지정된 객담이나 환자 검체 도말 염색 영상에 대하여 상기 속성정보 저장부에 저장된 속성정보에 기초하여 항산균으로 의심되는 각각의 영역을 의심영역으로 표시하는 의심영역 표시부; 상기 의심영역 표시부에 의해 표시되는 의심영역을 소정 배율로 확대하는 의심영역 확대부; 상기 의심영역 확대부에 의해 확대된 의심영역을 상기 속성정보 저장부에 저장된 속성정보와 재비교하여 AFB 양성 여부를 판단하는 AFB 판단부; 및 상기 영상 지정부에 의해 지정된 객담이나 환자 검체 도말 염색 영상에 대하여 상기 AFB 판단부에 의해 AFB 양성으로 판단된 의심영역의 개수를 계산하는 항산균개수 계산부를 포함하는 것을 특징으로 한다.
상기 항산균 검출장치는 상기 항산균으로 결핵균을 검출한다.
전술한 항산균 검출장치는, 상기 영상 지정부에 지정된 객담이나 환자 검체 도말 염색 영상을 설정된 영역단위로 분할하며, 각각의 영역단위로 상기 속성정보 저장부에 저장된 속성정보와 순차적으로 비교하는 영역단위 비교부를 더 포함할 수 있다. 이 경우, 상기 의심영역 표시부는 상기 영역단위 비교부에 의해 비교된 결과에 기초하여 의심영역을 표시한다.
상기 의심영역 표시부는, 상기 영역단위 비교부에 의해 분할된 영역단위로 상기 속성정보 저장부에 저장된 속성정보와 비교하여 색상, 기하학적 특성 중의 적어도 하나가 설정된 값 이상으로 유사한 경우에 의심영역으로 표시할 수 있다.
상기 의심영역 확대부는, 상기 의심영역 표시부에 의해 표시되는 의심영역을 400배로 확대할 수 있다.
상기 AFB 판단부는, 상기 의심영역 확대부에 의해 확대된 의심영역의 배율과 동일한 배율로 상기 속성정보 저장부에 저장된 속성정보를 확대하여 재비교한다.
전술한 목적을 달성하기 위한 본 발명의 실시예에 따른 항산균 검출방법은, 항산균에 대한 색상, 기하학적 특성을 포함하는 속성정보를 저장하는 단계; 객담이나 환자 검체 도말 염색 영상을 지정하는 단계; 상기 지정단계에 의해 지정된 객담이나 환자 검체 도말 염색 영상에 대하여 상기 속성정보 저장단계에 의해 저장된 속성정보에 기초하여 항산균으로 의심되는 각각의 영역을 의심영역으로 표시하는 단계; 상기 의심영역 표시단계에 의해 표시되는 의심영역을 소정 배율로 확대하는 단계; 상기 의심영역 확대단계에 의해 확대된 의심영역을 상기 속성정보 저장단계에 의해 저장된 속성정보와 재비교하여 AFB 양성 여부를 판단하는 단계; 및 상기 지정단계에 의해 지정된 객담이나 환자 검체 도말 염색 영상에 대하여 상기 판단단계에 의해 AFB 양성으로 판단된 의심영역의 개수를 계산하는 단계를 포함하는 것을 특징으로 한다.
상기의 항산균 검출방법은 상기 항산균으로 결핵균을 검출한다.
전술한 항산균 검출방법은, 상기 지정단계에 지정된 객담이나 환자 검체 도말 염색 영상을 설정된 영역단위로 분할하며, 각각의 영역단위로 상기 속성정보 저장단계에 의해 저장된 속성정보와 순차적으로 비교하는 단계를 더 포함할 수 있다. 이 경우, 상기 의심영역 표시단계는 상기 영역단위 비교단계에 의해 비교된 결과에 기초하여 의심영역을 표시한다.
상기 의심영역 표시단계는, 상기 영역단위 비교단계에 의해 분할된 영역단위로 상기 속성정보 저장단계에 의해 저장된 속성정보와 비교하여 색상, 기하학적 특성 중의 적어도 하나가 설정된 값 이상으로 유사한 경우에 의심영역으로 표시할 수 있다.
상기 의심영역 확대단계는, 상기 의심영역 표시단계에 의해 표시되는 의심영역을 400배로 확대할 수 있다.
상기 판단단계는, 상기 의심영역 확대단계에 의해 확대된 의심영역의 배율과 동일한 배율로 상기 속성정보 저장단계에 의해 저장된 속성정보를 확대하여 재비교한다.
전술한 항산균 검출방법은, 상기 판단단계에 의해 AFB 양성으로 판단된 의심영역을 상기 지정단계에 의해 지정된 객담이나 환자 검체 도말 염색 영상에 모두 표시하는 단계를 더 포함할 수 있다. 이 경우, 상기 계산단계는 객담이나 환자 검체 도말 염색 영상에 모두 표시된 AFB 양성으로 판단된 의심영역을 가산한다.
본 발명에 따르면, 현미경사진을 자동으로 분석하여 결핵균을 검색하여 면적당 개수를 계산할 수 있게 되며, 이로써 객관적인 방법으로 AFB를 검출하여 계량할 수 있게 된다.
도 1은 환자 검체 도말 결핵균 염색의 200배 확대도면을 나타낸다.
도 2는 도 1의 사진을 1,000배 확대한 도면이다.
도 3은 본 발명의 실시예에 따른 항산균 검출장치의 구성을 개략적으로 도시한 도면이다.
도 4는 프로그램에 의해 지정된 환자 검체 도말 염색 영상의 예를 나타낸 도면이다.
도 5는 환자 검체 도말 염색 영상의 다양한 예를 나타낸 도면이다.
도 6은 결핵균으로 의심되는 의심영역의 예를 나타낸 도면이다.
도 7은 의심영역을 확대한 예를 나타낸 도면이다.
도 8은 다섯 가지의 일반적인 Haar-like 특징의 예를 나타낸 도면이다.
도 9는 학습의 과정을 도식화하여 나타낸 도면이다.
도 10은 AFB를 현미경 영상에서 찾아내는 방법을 도식화하여 나타낸 도면이다.
도 11은 결핵균 검출의 예를 나타낸 도면으로서, (a)는 결핵균 검출 프로그램에 의한 검출 수행의 예를 나타내며, (b)는 검색된 영역에 대한 세부 영상의 예를 나타낸 도면이다.
도 12는 본 발명의 실시예에 따른 결핵균 검출방법을 나타낸 흐름도이다.
도 2는 도 1의 사진을 1,000배 확대한 도면이다.
도 3은 본 발명의 실시예에 따른 항산균 검출장치의 구성을 개략적으로 도시한 도면이다.
도 4는 프로그램에 의해 지정된 환자 검체 도말 염색 영상의 예를 나타낸 도면이다.
도 5는 환자 검체 도말 염색 영상의 다양한 예를 나타낸 도면이다.
도 6은 결핵균으로 의심되는 의심영역의 예를 나타낸 도면이다.
도 7은 의심영역을 확대한 예를 나타낸 도면이다.
도 8은 다섯 가지의 일반적인 Haar-like 특징의 예를 나타낸 도면이다.
도 9는 학습의 과정을 도식화하여 나타낸 도면이다.
도 10은 AFB를 현미경 영상에서 찾아내는 방법을 도식화하여 나타낸 도면이다.
도 11은 결핵균 검출의 예를 나타낸 도면으로서, (a)는 결핵균 검출 프로그램에 의한 검출 수행의 예를 나타내며, (b)는 검색된 영역에 대한 세부 영상의 예를 나타낸 도면이다.
도 12는 본 발명의 실시예에 따른 결핵균 검출방법을 나타낸 흐름도이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다. 이하의 설명에 있어서, 당업자에게 주지 저명한 기술에 대해서는 그 상세한 설명을 생략할 수 있다.
또한, 본 발명의 구성 요소를 설명하는 데 있어서, 동일한 명칭의 구성 요소에 대하여 도면에 따라 다른 참조부호를 부여할 수도 있으며, 서로 다른 도면임에도 불구하고 동일한 참조부호를 부여할 수도 있다. 그러나, 이와 같은 경우라 하더라도 해당 구성 요소가 실시예에 따라 서로 다른 기능을 갖는다는 것을 의미하거나, 서로 다른 실시예에서 동일한 기능을 갖는다는 것을 의미하는 것은 아니며, 각각의 구성 요소의 기능은 해당 실시예에서의 각각의 구성요소에 대한 설명에 기초하여 판단하여야 할 것이다.
또한, 본 발명의 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 수 있다.
또한, 본 발명의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
도 3은 본 발명의 실시예에 따른 항산균 검출장치의 구성을 개략적으로 도시한 도면이다.
도 3을 참조하면, 본 발명의 실시예에 따른 항산균 검출장치(300)는, 속성정보 저장부(310), 영상 지정부(320), 의심영역 표시부(330), 의심영역 확대부(340), AFB 판단부(350), 결핵균개수 계산부(360) 및 영역단위 비교부(370)를 포함할 수 있다.
속성정보 저장부(310)는 결핵균에 대한 색상, 기하학적 특성을 포함하는 속성정보를 저장한다.
영상처리를 이용한 결핵균 검출방법으로 라벨링(labeling)을 이용한 결핵균 검출방법, RGB 정보를 이용한 결핵균 검출방법, 다양한 컬러정보를 이용한 결핵균 검출방법 등이 있다. 라벨링을 이용한 결핵균 검출방법은 이미지를 흑백(gray level)으로 표현하여 최적의 임계값(threshold)을 찾아 결핵균 영상을 분리하여 라벨링하는 방법이며, RGB 정보를 이용한 결핵균 검출방법은 1차적인 RGB 정보를 가지고 결핵균의 특성을 벡터화시켜 분리하는 방법이다. 또한, 다양한 컬러정보를 이용한 결핵균 검출방법은 결핵균 영상의 RGB와 HIS 컬러정보를 분석하여 결핵균과 노이즈의 색상, 명도 특성을 찾아내고 이를 바탕으로 노이즈를 순차적으로 제거한 후 결핵균만의 이미지에서 이진화 작업과 침식, 확장 알고리즘을 통한 복원 작업을 수행하며, 복원된 이미지에서 결핵균의 특징값들을 추출하는 방법이다.
속성정보 저장부(310)는 이와 같은 결핵균 검출방법을 통해 검출된 결핵균의 색상, 기하학적 특성에 대한 정보를 속성정보로 저장하여 데이터베이스를 구축할 수 있다.
영상 지정부(320)는 객담이나 환자 검체 도말 염색 영상을 지정한다. 즉, 영상 지정부(320)는 객담이나 환자 검체 도말 염색 영상을 로딩(loading)하는 프로그램을 구동하며, 로딩된 객담이나 환자 검체 도말 염색 영상에서 일정 부분을 지정할 수 있다. 도 4는 프로그램에 의해 지정된 객담이나 환자 검체 도말 염색 영상의 예를 나타낸다.
의심영역 표시부(330)는 영상 지정부(320)에 의해 지정된 객담이나 환자 검체 도말 염색 영상에 대하여 속성정보 저장부(310)에 저장된 속성정보에 기초하여 결핵균으로 의심되는 각각의 영역을 의심영역으로 표시한다.
영상 지정부(320)에 의해 지정된 영상은 슬라이드 제작방법, 염색의 정도, 환자 검체의 상태, 현미경 영상의 취득시의 조건 등에 따라 도 5에 도시한 바와 같이 매우 다양한 영상이 만들어질 수 있다.
도 5를 살펴보면, 객담이나 환자 검체 도말 염색 영상은 배경의 색상과 텍스처가 매우 다양하다. 이와 같은 영상에서 AFB가 존재하지 않는 지역을 일정한 기준으로 제외하기는 매우 어렵다. 또한, AFB의 색상도 이상적인 경우에는 붉은 색으로 나타나지만 실제적인 영상은 다양한 색상을 보이고 있다. 이와 같은 문제점을 해결하기 위해, 본 발명의 실시예에 따른 의심영역 표시부(330)는 아다부스트(AdaBoost)를 이용한 인식방법을 적용할 수 있다. 아다부스트는 지도학습(supervised learning)의 한 종류로 학습을 할 때 AFB가 포함된 영상들과, AFB가 포함되지 않은 영상들을 이용하여 학습한다. 이때, AFB가 포함된 영상들의 집합을 양성(positive)집합이라고 하고, AFB가 포함되지 않은 영상들의 집합을 음성(negative)집합이라고 가정한다. 지도 학습에서는 한 영상이 양성인지 음성인지를 알고 있는 상태에서 학습을 진행하며, 학습에 사용된 영상은 23 x 23 픽셀 크기인 것으로 가정한다.
의심영역 표시부(330)는 아다부스트 분류기를 이용하여 결핵균으로 의심되는 영역을 구분할 수 있다. 즉, 아다부스트 분류기는 23 x 23 픽셀 크기의 영상이 주어지면 1차적으로 AFB가 존재하는지 존재하지 않는지를 구별할 수 있다. 아다부스트는 기계학습의 한 방법으로, 컴퓨터를 이용하여 여러 AFB가 포함된 영상들과 포함되지 않은 영상들을 통해 AFB의 특징을 학습할 수 있다. 아다부스트는 약한 분류기(weak classifier)들의 조합으로 만들어지는데, 이때 약하다는 것은 그 분류기가 양성인 영상들과 음성인 영상들을 낮은 정확도로 구별해낸다는 의미이다. 약한 분류기는 하나의 영상이 양성이라고 판단되면 1을 돌려주고 음성이라고 판단되면 -1을 돌려주는 함수의 역할을 한다. 아다부스트는 강한 분류기(strong classifier)라고 불리우는데, 강하다는 것은 양성과 음성인 영상을 잘 구별해낸다는 의미이다. 강한 분류기는 하나의 영상이 주어지면 약한 분류기들이 돌려주는 값의 일차 결합(linear combination)을 돌려주는 함수의 역할을 한다. 만약에 돌려준 값이 양수이면 그 영상은 양성으로 분류되고 돌려준 값이 음수이면 그 영상은 음성으로 분류된다.
아다부스트는 하나의 약한 분류기와 일차 결합에 쓰일 그 약한 분류기들의 계수를 같은 방식으로 반복적으로 학습한다. 약한 분류기와 계수를 정하기 위해서 각각의 학습에 이용되는 영상들에 대해 중요도를 설정할 수 있다. 여기서 중요도는 하나의 약한 분류기를 학습할 때마다 앞서 학습된 약한 분류기의 결과에 영향을 받아서 갱신된다.
하나의 약한 분류기와 계수를 학습할 때마다 약한 분류기들의 집합을 만든다. 본 발명의 실시예에서 사용되는 약한 분류기는 여기서 만들어진 약한 분류기들의 집합에서 선택된다. 다른 약한 분류기를 학습할 때마다 매번 다른 약한 분류기들의 집합을 이용하는데 그 집합을 결정하는 방법은 이후에 설명하는 AFB 판단부(350)에 의한 방법을 참조한다. 선택을 위해서 그 집합에 있는 약한 분류기들을 이용해서 모든 영상을 분류하고 각 약한 분류기들마다 잘못 분류한 영상들의 중요도를 합한다. 그리고 잘못 분류한 영상들의 중요도의 합이 가장 작은 약한 분류기를 선택하게 된다. 이 선택은 중요한 영상들을 가장 잘 분류하는 약한 분류기가 선택한다는의미를 가진다.
선택된 약한 분류기의 계수는 앞서 계산한 잘못 분류한 사진의 중요도의 합을 이용해서 계산한다. 만약에 그 합의 값이 크다면 약한 분류기는 좋지 않은 분류기라고 판단되어 계수의 값을 작게 만들고 그 합이 작다면 약한 분류기는 좋은 분류기라고 판단하여 계수의 값을 크게 만들어준다. 따라서 계수는 일차 결합을 할 때 어느 분류기의 결과를 더 중요하게 볼 것인가 하는 기준이 될 것이다.
앞서 언급했던 것처럼 우리는 각각의 영상들의 중요도를 약한 분류기 하나를 학습할 때마다 갱신한다. 하나의 약한 분류기를 선택하였을 때 잘못 분류된 영상들은 다음 약한 분류기를 학습할 때 중요도를 높여서 학습을 하고 제대로 분류된 영상들은 다음 학습할 때 중요도를 낮춰서 학습을 한다. 그것은 다음 학습하는 약한 분류기는 앞서 분류해내지 못했던 영상들을 더 중요시하여 분류해내겠다는 것을 의미하게 된다.
이렇게 학습된 i번째 약한 분류기를 
라 하고 계수를 
라하면 강한 분류기 C(·)는 수학식1과 같이 나타낼 수 있다.
[수학식 1]
이때 x는 임의의 23 × 23 픽셀의 사진을 의미하고 Nc는 약한 분류기의 개수를 의미한다. Nc는 C(x)가 학습에 사용된 모든 영상을 제대로 분류할 때까지 학습하였고 본 발명의 실시예에서는 307개를 이용하였다.
이와 같은 방법으로 의심영역 표시부(330)는 결핵균으로 의심되는 각각의 영역을 표시할 수 있다. 본 발명의 실시예에서는 프로그램을 이용하여 결핵균으로 의심되는 각각의 영역을 도 6에 나타낸 바와 같이 사각형 부분으로 표시할 수 있다.
의심영역 확대부(340)는 의심영역 표시부(330)에 의해 표시되는 의심영역을 소정 배율로 확대한다. 본 발명의 실시예에서는 의심영역 표시부(330)에 의해 표시되는 의심영역을 400배의 배율로 확대할 수 있다. 이때, 의심영역 확대부(340)는 의심영역을 확대하여 AFB인지 아닌지를 확인하기 위해서 프로그램을 이용하여 도 7에 나타낸 바와 같이, 의심영역의 좌측에서부터 상하(좌측에는 파란색 사각 표시가 노란색 사각 표시로 전환된다)로 우측 박스(box)에 나타낼 수 있으며, 이와 같은 방법으로 순차적으로 모든 사각표시지역을 확인할 수 있다.
AFB 판단부(350)는 의심영역 확대부(340)에 의해 확대된 의심영역을 속성정보 저장부(310)에 저장된 속성정보와 재비교하여 AFB 양성 여부를 판단한다. 이때, AFB 판단부(350)는 전체 현미경 영상에서 아다부스트 분류기가 구별할 수 있는 23 x 23 픽셀 크기의 영상을 잘라내서 의심영역 표시부(330)가 아다부스트 분류기를 이용하여 AFB의 존재 여부를 1차적으로 판단하도록 한 다음, 약한 분류기의 집합을 이용하여 AFB의 모양과 색을 구별하여 AFB 양성 여부를 판단할 수 있다. 또한, AFB 판단부(350)는 의심영역 확대부(340)에 의해 확대되는 배율과 동일한 배율로 속성정보 저장부(310)에 저장된 속성정보를 확대하여 재비교할 수 있다.
AFB의 양성 여부를 판단하기 위해서 의심영역 표시부(330)에서 표시되는 의심영역의 AFB의 특징은 숫자의 형식으로 나타내어야 하며, 그것을 특징벡터(feature vector)라고 일컫는다. 본 발명의 실시예에서는 AFB를 표현하기 이해서 일반적인 Haar-like 특징을 이용한다.
도 8은 다섯 가지의 일반적인 Haar-like 특징의 예를 나타낸 도면이다.
도 8을 참조하면, 분할 1과 분할 2는 직사각형 영역을 두 개로 나누고, 분할 3과 분할 4는 3개, 분할 5는 4개로 나눈다. 벡터를 만드는 첫 번째 방식에서는 흰색 영역의 픽셀 값의 합에서 파란색 영역의 픽셀 값의 합을 뺀 값을 각 채널별로 구해서 3차원 벡터를 만들고 두 번째 방식에서는 각각의 작은 직사각형 영역의 픽셀 값의 합을 각 벡터의 성분으로 이용하여 만든다.
일반적인 Haar-like 특징은 주어진 영상에서 임의의 직사각형 영역을 선택하여 그 영역의 특징을 특징벡터로 나타낼 수 있다. 직사각형의 모서리들은 사진으 테두리와 평행하게 만들 수 있으며, 특징벡터는 다음과 같이 만들 수 있다.
1) 하나의 직사각형 영역을 영상에서 선택한다.
2) 이미지를 R, G, B 채널의 단색 이미지로 나눈다.
3) 직사각형 영역을 작은 크기의 직사각형들로 분할한다.
4) 각각의 작은 직사각형의 영역에 있는 픽셀 값의 합을 각각의 채널별로 구한다.
5) 그 값들을 조합해서 벡터로 만든다.
위의 5) 단계에서 벡터는 두 가지 방법으로 나눠서 조합을 해낸다. 즉, 두 가지 특징 벡터를 하나의 직사각형 영역에서 만들어 낸다. 첫 번째 방법은 각 채널별로 작은 직사각형들의 픽셀 값의 합을 더하고 빼서 하나의 값을 만든다. 그러면 각 채널별로 한 개의 값이 나오게 되는데 그 값들을 하나의 벡터로 만들어서 3차원 벡터를 만든다. 이 특징 벡터는 AFB가 있는 부분의 영역의 픽셀 값의 합은 근접한 배경의 픽셀 값의 합과 차이를 나타내는데 유용하다.
두 번째 방법은 각 채널별로 나온 작은 직사각형들의 픽셀 값들을 그대로 벡터를 만드는데 사용한다. 이 벡터는 (채널 개수) × (작은 직사각형 개수) 만큼의 차원을 가지게 된다. 즉 나누는 방식마다 다른 차원을 갖게 된다. 각각의 작은 직사각형들은 같은 크기를 가지므로 픽셀 값의 합은 픽셀 값의 평균처럼 생각할 수 있고, 이 특징 벡터는 AFB의 색깔과 근접한 배경의 색깔을 그대로 나타내는데 유용하게 사용할 수 있다.
첫 번째 방법을 이용하여 만든 특징 벡터는 조도의 변화에 영향을 적게 받는다. 현미경 영상을 찍을 때 사용되는 조도에 따라서 결핵균의 색이 바뀌므로 그것을 다루기에 적합한 특징 벡터라 볼 수 있다. 하지만 이 특징 벡터만 사용하면 색깔에 관계없이 간균 형태의 AFB들을 모두 양성으로 판단하게 된다. 따라서 조도에는 민감하지만 결핵균의 색을 잘 나타낼 수 있는 두 번째 방식으로 만들어진 특징 벡터를 함께 사용하여 둘의 단점을 보완할 수 있다.
직사각형 영역을 작은 직사각형들로 나눌 때 다섯 가지 방법을 사용한다. 이때, 처음 직사각형 영역을 정할 때 그들의 크기는 이 분할 방법의 영향을 받는다. 예를 들어 첫 번째 분할 방식의 경우 직사각형의 모서리의 길이는 기본단위를 1 픽셀로 하여 짝수의 길이를 갖게 된다. 왜냐하면 각각의 작은 직사각형의 크기가 기본단위인 1 픽셀의 정수배가 될 수 있게 하기 위해서이다. 그리고 직사각형의 크기가 정해지면 그 직사각형을 한 픽셀씩 옮겨가면서 23 × 23 픽셀 사진을 벗어나지 않게 모든 영역에 대해서 특징 벡터를 두 개씩 만들어 낸다. 이렇게 하면 총 190520개의 특징 벡터를 만들어 낼 수 있다. 하지만 직사각형 영역의 모든 픽셀 값의 합을 다 계산하려면 많은 시간이 걸리므로 그 시간을 줄이기 위해서 integral image를 이용한다. 그것을 이용하면 하나의 작은 직사각형내의 모든 픽셀 값을 더하기 위해서는 덧셈 두 번과 뺄셈 두 번만을 하면 된다. 따라서 본 발명의 실시예에서는 하나의 사진에 대한 모든 특징 벡터들을 빠르게 구할 수 있다.
앞서 설명한 약한 분류기들의 집합을 만들 때 하나의 약한 분류기는 학습의 사용되는 사진들에서 같은 종류의 특징 벡터를 찾아내서 만들어낸다. 따라서 총 190520개의 약한 분류기가 만들어진다.
약한 분류기를 학습하기 위해서, 본 발명의 실시예에서는 WLDA(Weighted Linear Discriminant Analysis)를 이용한다. WLDA는 중요도를 이용하는 LDA(Linear Discriminant Analysis)의 한 종류라고 생각할 수 있다. LDA는 학습에 사용하는 벡터들을 1차원으로 투사시키는 투사 벡터를 만들어 낸다. 그 투사 벡터는 양성 집합에서 나온 벡터들과 음성 집합에서 나오는 벡터들을 1차원으로 투사 시켰을 때 최대한 떨어지도록 한다. WLDA는 그 특징 벡터들에 중요도를 주어서 중요한 벡터들이 더 멀리 떨어질 수 있는 투사 벡터를 형성하는 것이 목표이다.
앞서 학습에 사용하는 영상들에 주어진 중요도와 그 영상에서 선택한 같은 종류의 특징 벡터들로 WLDA에서 투사 벡터를 만들어서 1차원에 그 특징 벡터들을 투사한다. 그리고 1차원 영역을 두 부분으로 나누는데 한 부분은 약한 분류기에서 양성 나머지 한 부분은 음성으로 분류된다. 이 때 양성과 음성으로 나눠지는 경계는 잘못 분류되는 특징 벡터들의 중요도의 합이 최소가 되도록 정한다. 결과적으로 나오는 약한 분류기는 하나의 특징 벡터가 주어지면 가지고 있는 투사 벡터를 이용해서 그 벡터를 1차원의 값으로 바꾸고 그 값이 양성의 영역에 있으면 1을 돌려주고 음성의 영역에 있으면 -1을 돌려주는 함수가 된다.
도 9는 학습의 과정을 도식화하여 나타낸 도면이다.
도 9에서, 왼쪽 상단의 하늘색 상자는 학습에 이용하는 자료에 관련된 설명을 나타내며, 오른쪽 남색 상자는 하나의 약한 분류기를 학습하는 방법을 나타낸다. 남색 상자에 있는 과정을 반복적으로 학습하여 여러 개의 약한 분류기를 구할 수 있다. 왼쪽 하단의 빨간색 상자는 강한 분류기를 만드는 방법을 나타낸 것으로서, 약한 분류기와 해당하는 계수를 이용하여 일차 결합을 계산할 수 있다.
도 10은 AFB를 현미경 영상에서 찾아내는 방법을 도식화하여 나타낸 도면이다.
주어진 현미경 영상에서 23 x 23 픽셀 크기의 영상 조각을 하나씩 뽑아내어 강한 분류기에 보내며, AFB 판단부(350)를 통해 양성인지 음성인지를 판단하여 양성인 영상 조각이 있던 위치를 도 11과 같이 표시할 수 있다.
본 발명의 실시예에 의해 400배의 현미경 영상을 이용하여 AFB로 나타나는 결핵균의 존재여부 및 개수를 손쉽게 추출할 수 있는 알고리즘 및 프로그램을 개발하였다. 본 발명의 실시예에 의한 프로그램의 특성은 사용자가 쉽게 결핵균의 존재 여부를 파악 할 수 있도록 하며, 애매한 경우의 판단을 위하여 사용자 인터페이스를 제공할 수 있다.
결핵균개수 계산부(360)는 영상 지정부(320)에 의해 지정된 객담이나 환자 검체 도말 염색 영상에 대하여 AFB 판단부(350)에 의해 AFB 양성으로 판단된 의심영역의 개수를 계산한다. 즉, 결핵균개수 계산부(360)는 영상 지정부(320)에 의해 지정된 전체 영상에 대하여 AFB 양성으로 판단된 의심영역의 전체 개수를 합산하여 결핵균의 개수를 계산할 수 있다.
영역단위 비교부(370)는 영상 지정부(320)에 의해 지정된 객담이나 환자 검체 도말 염색 영상을 전술한 바와 같이 23 x 23 픽셀의 설정된 영역단위로 분할하며, 각각의 영역단위로 속성정보 저장부(310)에 저장된 속성정보와 순차적으로 비교할 수 있다. 이때, 영역단위 비교부(370)는 객담이나 환자 검체 도말 염색 영상에 대하여 각각의 영역단위로 설정된 방향 예를 들면, 좌에서 우측으로 그리고 상단에서 하단 방향으로 순차적으로 속성정보와 비교할 수 있다.
이 경우, 의심영역 표시부(330)는 영역단위 비교부(370)에 의해 분할된 영역단위로 속성정보 저장부(310)에 저장된 속성정보와 비교하여 색상, 기하학적 특성 중의 적어도 하나가 설정된 값 이상으로 유사한 경우에 해당 영역단위를 의심영역으로 표시할 수 있다.
도 12는 본 발명의 실시예에 따른 결핵균 검출방법을 나타낸 흐름도이다.
도 3 내지 도 12를 참조하면, 속성정보 저장부(310)는 결핵균에 대한 색상, 기하학적 특성을 포함하는 속성정보를 저장한다(S110).
영상 지정부(320)는 객담이나 환자 검체 도말 염색 영상을 지정한다(S120). 즉, 영상 지정부(320)는 객담이나 환자 검체 도말 염색 영상을 로딩(loading)하는 프로그램을 구동하며, 로딩된 객담이나 환자 검체 도말 염색 영상에서 일정 부분을 지정할 수 있다.
영역단위 비교부(370)는 영상 지정부(320)에 의해 지정된 객담이나 환자 검체 도말 염색 영상을 전술한 바와 같이 23 x 23 픽셀의 설정된 영역단위로 분할하며, 각각의 영역단위로 속성정보 저장부(310)에 저장된 속성정보와 순차적으로 비교할 수 있다(S130).
의심영역 표시부(330)는 아다부스트 분류기를 이용하여 결핵균으로 의심되는 영역을 구분할 수 있다(S140).
의심영역 확대부(340)는 의심영역 표시부(330)에 의해 표시되는 의심영역을 소정 배율로 확대한다(S150). 본 발명의 실시예에서는 의심영역 표시부(330)에 의해 표시되는 의심영역을 400배의 배율로 확대할 수 있다.
AFB 판단부(350)는 의심영역 확대부(340)에 의해 확대된 의심영역을 속성정보 저장부(310)에 저장된 속성정보와 재비교하여 AFB 양성 여부를 판단한다(S160).
AFB 판단부(350)에 의해 AFB 양성으로 판단된 의심영역은 객담이나 환자 검체 도말 염색 영상에 모두 표시될 수 있으며(S170), 결핵균개수 계산부(360)는 영상 지정부(320)에 의해 지정된 객담이나 환자 검체 도말 염색 영상에 대하여 AFB 판단부(350)에 의해 AFB 양성으로 판단된 의심영역의 개수를 모두 합산하여 결핵균을 계산할 수 있다(S180).
이상에서, 본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합하거나 결합하여 동작하는 것으로 기재되어 있다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 그 모든 구성 요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성 요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수 개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 또한, 이와 같은 컴퓨터 프로그램은 USB 메모리, CD 디스크, 플래쉬 메모리 등과 같은 컴퓨터가 읽을 수 있는 저장매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다. 컴퓨터 프로그램의 저장매체로서는 자기 기록매체, 광 기록매체, 캐리어 웨이브 매체 등이 포함될 수 있다.
또한, 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 상세한 설명에서 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 갖는다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥상의 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 또한, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이며, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 따라서, 본 발명의 보호 범위는 청구범위에 의하여 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
Claims (13)
- 항산균에 대한 색상, 기하학적 특성을 포함하는 속성정보를 저장하는 속성정보 저장부;
객담이나 환자 검체 도말 염색 영상을 지정하는 영상 지정부;
상기 영상 지정부에 의해 지정된 객담이나 환자 검체 도말 염색 영상에 대하여 상기 속성정보 저장부에 저장된 속성정보에 기초하여 항산균으로 의심되는 각각의 영역을 의심영역으로 표시하는 의심영역 표시부;
상기 의심영역 표시부에 의해 표시되는 의심영역을 소정 배율로 확대하는 의심영역 확대부;
상기 의심영역 확대부에 의해 확대된 의심영역을 상기 속성정보 저장부에 저장된 속성정보와 재비교하여 AFB(Acid Fast Bacilli) 양성 여부를 판단하는 AFB 판단부; 및
상기 영상 지정부에 의해 지정된 객담이나 환자 검체 도말 염색 영상에 대하여 상기 AFB 판단부에 의해 AFB 양성으로 판단된 의심영역의 개수를 계산하는 항산균개수 계산부
를 포함하는 것을 특징으로 하는 항산균 검출장치.
- 제 1항에 있어서,
상기 항산균은 결핵균인 것을 특징으로 하는 항산균 검출장치.
- 제 1항에 있어서,
상기 영상 지정부에 지정된 객담이나 환자 검체 도말 염색 영상을 설정된 영역단위로 분할하며, 각각의 영역단위로 상기 속성정보 저장부에 저장된 속성정보와 순차적으로 비교하는 영역단위 비교부
를 더 포함하며,
상기 의심영역 표시부는 상기 영역단위 비교부에 의해 비교된 결과에 기초하여 의심영역을 표시하는 것을 특징으로 하는 항산균 검출장치.
- 제 3항에 있어서,
상기 의심영역 표시부는,
상기 영역단위 비교부에 의해 분할된 영역단위로 상기 속성정보 저장부에 저장된 속성정보와 비교하여 색상, 기하학적 특성 중의 적어도 하나가 설정된 값 이상으로 유사한 경우에 의심영역으로 표시하는 것을 특징으로 하는 항산균 검출장치.
- 제 1항에 있어서,
상기 의심영역 확대부는,
상기 의심영역 표시부에 의해 표시되는 의심영역을 400배로 확대하는 것을 특징으로 하는 항산균 검출장치.
- 제 1항에 있어서,
상기 AFB 판단부는,
상기 의심영역 확대부에 의해 확대된 의심영역의 배율과 동일한 배율로 상기 속성정보 저장부에 저장된 속성정보를 확대하여 재비교하는 것을 특징으로 하는 항산균 검출장치.
- 항산균에 대한 색상, 기하학적 특성을 포함하는 속성정보를 저장하는 단계;
객담이나 개체 검체 도말 염색 영상을 지정하는 단계;
상기 지정단계에 의해 지정된 객담이나 개체 검체 도말 염색 영상에 대하여 상기 속성정보 저장단계에 의해 저장된 속성정보에 기초하여 항산균으로 의심되는 각각의 영역을 의심영역으로 표시하는 단계;
상기 의심영역 표시단계에 의해 표시되는 의심영역을 소정 배율로 확대하는 단계;
상기 의심영역 확대단계에 의해 확대된 의심영역을 상기 속성정보 저장단계에 의해 저장된 속성정보와 재비교하여 AFB 양성 여부를 판단하는 단계; 및
상기 지정단계에 의해 지정된 객담이나 개체 검체 도말 염색 영상에 대하여 상기 판단단계에 의해 AFB 양성으로 판단된 의심영역의 개수를 계산하는 단계
를 포함하는 것을 특징으로 하는 인간을 제외한 포유동물을 대상으로 하는 항산균 검출방법.
- 제 7항에 있어서,
상기 항산균은 결핵균인 것을 특징으로 하는 인간을 제외한 포유동물을 대상으로 하는 항산균 검출방법..
- 제 7항에 있어서,
상기 지정단계에 지정된 객담이나 개체 검체 도말 염색 영상을 설정된 영역단위로 분할하며, 각각의 영역단위로 상기 속성정보 저장단계에 의해 저장된 속성정보와 순차적으로 비교하는 단계
를 더 포함하며,
상기 의심영역 표시단계는 상기 영역단위 비교단계에 의해 비교된 결과에 기초하여 의심영역을 표시하는 것을 특징으로 하는 인간을 제외한 포유동물을 대상으로 하는 항산균 검출방법.
- 제 9항에 있어서,
상기 의심영역 표시단계는,
상기 영역단위 비교단계에 의해 분할된 영역단위로 상기 속성정보 저장단계에 의해 저장된 속성정보와 비교하여 색상, 기하학적 특성 중의 적어도 하나가 설정된 값 이상으로 유사한 경우에 의심영역으로 표시하는 것을 특징으로 하는 인간을 제외한 포유동물을 대상으로 하는 항산균 검출방법.
- 제 7항에 있어서,
상기 의심영역 확대단계는,
상기 의심영역 표시단계에 의해 표시되는 의심영역을 400배로 확대하는 것을 특징으로 하는 인간을 제외한 포유동물을 대상으로 하는 항산균 검출방법.
- 제 7항에 있어서,
상기 판단단계는,
상기 의심영역 확대단계에 의해 확대된 의심영역의 배율과 동일한 배율로 상기 속성정보 저장단계에 의해 저장된 속성정보를 확대하여 재비교하는 것을 특징으로 하는 인간을 제외한 포유동물을 대상으로 하는 항산균 검출방법.
- 제 7항에 있어서,
상기 판단단계에 의해 AFB 양성으로 판단된 의심영역을 상기 지정단계에 의해 지정된 객담이나 개체 검체 도말 염색 영상에 모두 표시하는 단계를 더 포함하며,
상기 계산단계는 객담이나 개체 검체 도말 염색 영상에 모두 표시된 AFB 양성으로 판단된 의심영역을 가산하는 것을 특징으로 하는 인간을 제외한 포유동물을 대상으로 하는 항산균 검출방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020120061492A KR101370140B1 (ko) | 2012-06-08 | 2012-06-08 | 항산균 검출장치 및 그 검출방법 |
| PCT/KR2012/010721 WO2013183830A1 (ko) | 2012-06-08 | 2012-12-11 | 항산균 검출장치 및 그 검출방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020120061492A KR101370140B1 (ko) | 2012-06-08 | 2012-06-08 | 항산균 검출장치 및 그 검출방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20130137861A KR20130137861A (ko) | 2013-12-18 |
| KR101370140B1 true KR101370140B1 (ko) | 2014-03-04 |
Family
ID=49712200
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020120061492A KR101370140B1 (ko) | 2012-06-08 | 2012-06-08 | 항산균 검출장치 및 그 검출방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR101370140B1 (ko) |
| WO (1) | WO2013183830A1 (ko) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112098383A (zh) * | 2020-09-21 | 2020-12-18 | 郑州中普医疗器械有限公司 | 微生物细菌的识别方法和电子设备 |
| EP3992613A1 (en) * | 2020-10-28 | 2022-05-04 | Koninklijke Philips N.V. | Sputum analysis method and system |
| CN112725165A (zh) * | 2020-12-25 | 2021-04-30 | 郑州博莱特生物科技有限公司 | 一种医疗用结核培养检测系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20040054537A (ko) * | 2002-12-19 | 2004-06-25 | 토소가부시키가이샤 | 리보솜 ｒｎａ를 표적으로 한 항산균의 검출법 |
| KR101140405B1 (ko) | 2009-04-21 | 2012-05-03 | 충남대학교산학협력단 | Ｍ. ａｂｓｃｅｓｓｕｓ 감염 진단용 마커의 스크리닝 방법 및 발굴된 단백질 항원 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ATE445697T1 (de) * | 2002-05-21 | 2009-10-15 | Arkray Inc | Verfahren zur ausführung einer lyse säurefester bakterien und verfahren zur durchführung einer genamplifikation oder eines gennachweises damit |
| JP2009055812A (ja) * | 2007-08-30 | 2009-03-19 | Tosoh Corp | 試料からの抗酸菌の分離回収方法 |
-
2012
- 2012-06-08 KR KR1020120061492A patent/KR101370140B1/ko active IP Right Grant
- 2012-12-11 WO PCT/KR2012/010721 patent/WO2013183830A1/ko active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20040054537A (ko) * | 2002-12-19 | 2004-06-25 | 토소가부시키가이샤 | 리보솜 ｒｎａ를 표적으로 한 항산균의 검출법 |
| KR101140405B1 (ko) | 2009-04-21 | 2012-05-03 | 충남대학교산학협력단 | Ｍ. ａｂｓｃｅｓｓｕｓ 감염 진단용 마커의 스크리닝 방법 및 발굴된 단백질 항원 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2013183830A1 (ko) | 2013-12-12 |
| KR20130137861A (ko) | 2013-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11669971B2 (en) | Colony contrast gathering | |
| AU2021202750B2 (en) | Method and system for automatically counting microbial colonies | |
| Li et al. | Segmentation of white blood cell from acute lymphoblastic leukemia images using dual‐threshold method | |
| JP5413501B1 (ja) | 画像処理装置、画像処理システム及びプログラム | |
| TWI756365B (zh) | 圖像分析系統及相關方法 | |
| JP2018534605A5 (ko) | ||
| Mushabe et al. | Automated detection of malaria in Giemsa-stained thin blood smears | |
| Dave et al. | Computer aided diagnosis of malaria disease for thin and thick blood smear microscopic images | |
| JP2017054239A (ja) | 画像分類装置および画像分類方法 | |
| KR101370140B1 (ko) | 항산균 검출장치 및 그 검출방법 | |
| Vajravelu et al. | Machine learning techniques to detect bleeding frame and area in wireless capsule endoscopy video | |
| Aris et al. | Fast k-means clustering algorithm for malaria detection in thick blood smear | |
| Rico-Garcia et al. | Detection of mycobcaterium tuberculosis in microscopic images of ziehl-neelsen-stained sputum smears lacnem 2015 | |
| US20120177279A1 (en) | Automated Tuberculosis Screening | |
| Hu et al. | Application of temporal texture features to automated analysis of protein subcellular locations in time series fluorescence microscope images | |
| Patel et al. | A Review on Acute Lymphoblastic Leukemia Classification Based on Hybrid Low Level Features | |
| Alkrimi et al. | Isolation and classification of red blood cells in anemic microscopic images | |
| Sloan et al. | Estimating phenotypic characteristics of tuberculosis bacteria | |
| Prasanna et al. | Automated Detection of White Blood Cells Cancer Diseases | |
| Kazum et al. | White blood cell recognition via geometric features and naïve bays classifier | |
| SUN et al. | Live cell tracking based on cellular state recognition from microscopic images | |
| Claybon III | Automated Fluorescence Microscopy Determination of Mycobacterium Tuberculosis Count via Vessel Filtering | |
| CN119295886A (zh) | 基于多尺度特征融合的X-ray图像违禁品检测方法 | |
| BR122024005682A2 (pt) | Método automatizado para estimar um número de unidades de formação de colônia sobre meio laminado e sistema para avaliar o crescimento em um meio de cultura inoculado com uma amostra biológica | |
| BR112017022806B1 (pt) | Método automatizado para avaliar o crescimento microbiano em um meio laminado, sistema para avaliar o crescimento em um meio de cultura inoculado com uma amostra biológica e meio de armazenamento de memória legível por computador |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20120608 |
|
| PA0201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20131025 Patent event code: PE09021S01D |
|
| PG1501 | Laying open of application | ||
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20140224 |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20140226 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20140226 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration | ||
| FPAY | Annual fee payment |
Payment date: 20161207 Year of fee payment: 4 |
|
| PR1001 | Payment of annual fee |
Payment date: 20161207 Start annual number: 4 End annual number: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20180220 Year of fee payment: 5 |
|
| PR1001 | Payment of annual fee |
Payment date: 20180220 Start annual number: 5 End annual number: 5 |
|
| FPAY | Annual fee payment |
Payment date: 20190213 Year of fee payment: 6 |
|
| PR1001 | Payment of annual fee |
Payment date: 20190213 Start annual number: 6 End annual number: 6 |
|
| PC1903 | Unpaid annual fee |
Termination category: Default of registration fee Termination date: 20201209 |