KR101768812B1 - 흉부 단층영상에서 검색된 폐결절의 암 진단 보조 시스템 및 프로그램 - Google Patents
흉부 단층영상에서 검색된 폐결절의 암 진단 보조 시스템 및 프로그램 Download PDFInfo
- Publication number
- KR101768812B1 KR101768812B1 KR1020160084627A KR20160084627A KR101768812B1 KR 101768812 B1 KR101768812 B1 KR 101768812B1 KR 1020160084627 A KR1020160084627 A KR 1020160084627A KR 20160084627 A KR20160084627 A KR 20160084627A KR 101768812 B1 KR101768812 B1 KR 101768812B1
- Authority
- KR
- South Korea
- Prior art keywords
- feature
- data
- candidate data
- pulmonary nodule
- morphological
- Prior art date
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 18
- 230000002685 pulmonary effect Effects 0.000 title claims description 26
- 238000013185 thoracic computed tomography Methods 0.000 title abstract 3
- 230000000877 morphologic effect Effects 0.000 claims abstract description 30
- 210000004072 lung Anatomy 0.000 claims abstract description 11
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 21
- 206010056342 Pulmonary mass Diseases 0.000 claims description 20
- 230000003211 malignant effect Effects 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000001788 irregular Effects 0.000 claims description 2
- 210000000115 thoracic cavity Anatomy 0.000 claims 2
- 238000003325 tomography Methods 0.000 claims 1
- 206010028980 Neoplasm Diseases 0.000 abstract description 12
- 201000011510 cancer Diseases 0.000 abstract description 12
- 208000000017 Solitary Pulmonary Nodule Diseases 0.000 abstract 11
- 238000010586 diagram Methods 0.000 description 17
- 210000000038 chest Anatomy 0.000 description 8
- 239000000284 extract Substances 0.000 description 8
- 238000000605 extraction Methods 0.000 description 8
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 201000005202 lung cancer Diseases 0.000 description 5
- 208000020816 lung neoplasm Diseases 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010027476 Metastases Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002498 deadly effect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- 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
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/502—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of breast, i.e. mammography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Theoretical Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Optics & Photonics (AREA)
- Public Health (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Data Mining & Analysis (AREA)
- Pulmonology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Dentistry (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
본 발명은 흉부 단층영상에서 검색된 폐결절의 암 진단 보조 시스템 및 프로그램을 개시한다. 본 발명에 따르면, 흉부 단층영상에서 검색된 폐결절의 암 진단 보조 시스템으로서, 상기 흉부 단층영상에서 폐영역 내의 폐결절 후보 데이터를 패치 단위로 분할하여 저장하는 전처리부; 기계학습을 통해 상기 폐결절 후보 데이터의 제1 형태학적 특징과, 상기 제1 형태학적 특징과 상기 폐결절 후보 데이터를 이용하여 상기 폐결절 후보 데이터의 비정형화된 제1 내재적 특징을 포함하는 제1 복합 특징군을 선별하고, 상기 선별된 제1 복합 특징군을 이용하여 상기 폐결절 후보 데이터에서 폐결절 진위 여부를 검출하는 검출기; 및 상기 검출기에서 검출된 패치 단위의 폐결절 데이터의 제2 형태학적 특징과, 상기 제2 형태학적 특징 및 상기 폐결절 데이터를 이용하여 상기 폐결절 데이터의 비정형화된 제2 내재적 특징을 포함하는 제2 복합 특징군을 선별하고, 상기 선별된 제2 복합 특징군을 이용하여 상기 폐결절 데이터의 악성 여부를 진단하는 진단기를 포함하는 암 진단 보조 시스템이 제공된다.
Description
본 발명은 흉부 단층영상에서 검색된 폐결절의 암 진단 보조 시스템 및 프로그램에 관한 것이다.
기존의 임상적 진단 보조 시스템(clinical decision support system)은 크게 두 가지 시스템이 있다. 목표 질환의 병변을 검출하데 도움을 주는 컴퓨터 보조 검출(computer aided detection) 시스템과 병변의 양/악성을 진단하는데 도움을 주는 컴퓨터 보조 진단(computer aided diagnosis)시스템이 있다.
폐암은 세계에서 가장 사망률이 높은 암으로써, 초기증상이 없어서 조기발견이 어렵고 발견하더라도 5년내 생존율이 50%도 되지 않는 질병이다. 그러나 조기에 발견하여 관리한다면 생존률을 80%까지 올릴 수 있다.
폐결절(pulmonary nodule)은 폐암의 초기 병변으로써 의료영상에서 30mm 이하의 둥근형태의 덩어리를 말한다. 기존의 육안으로 폐결절을 검출하는 방식은 쉽지 않을 뿐 아니라, 많은 양의 슬라이드를 검시할 때 그 효율은 시간이 갈수록 급격히 저하될 수 있다. 특히, 3mm 이하의 폐결절은 육안으로는 검사할 수 없다. 따라서, 컴퓨터를 이용하여 검사하는 방식이 대두 되었으나, 흉부 CT 영상 촬영시 폐는 다른 장기들과 겹치거나 혼동이 올 수 있고, 영상의 선명도, 컴퓨터 성능 등의 문제로 인해 검출 및 진단에서 그 정확도가 매우 낮았다.
기존의 비침습적 방법인 크기 성장률 분석(volume growth rate analysis)은 암세포가 일반 세포에 비해 성장속도가 빠르다는 사실을 이용해 3개월에서 6개월 마다 재검사를 통해서 확인된 결절의 크기의 비교를 통해 진단하는 방법이다. 그러나, 이 방법은 진단 시간이 너무 오래 걸리는 문제점이 있다. 암의 특징상 빠른 진단을 통해 치료를 하지 않으면 생존율이 매우 낮아지고, 전이될 위험도가 높아진다. 또한, 단순히 크기만을 가지고 암을 진단할 수는 없다. 이를 위해 임상적 진단 보조 시스템(clinical decision support system)에 대해서 많은 연구가 진행되었지만, 컴퓨터 성능의 한계와 알고리즘의 한계, 또한 의료영상장비의 한계로 인해 그 성능이 의료적으로 신뢰할 만큼 높지 않았다.
질병의 검출 및 진단을 위한 종래의 기술로써 대한민국 특허출원 제 2003-0064722호(발명의 명칭: 다중단면 전산화단층촬영 영상을 이용한 폐결절 자동 검출방법 및 이를 기록한 기록매체)와 대한민국 특허출원 제 2007-0124109호(발명의 명칭: 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목선정 시스템 및 방법)가 있다.
종래의 발명은 환자의 병변을 검출하고 진단하기 위해 다양한 기계학습 방법을 이용하고 있다. 그러나, 상기 언급된 발명은 의료 데이터의 편중 문제가 있다. 의료 데이터의 특징상 실제 환자에게서 발생하는 악성 데이터의 수는 한정되어 있다. 그러나 반대로 양성 데이터는 그 양이 훨씬 많을 수밖에 없다. 이렇게 데이터가 편중된 상황에서는 정확한 결과를 얻기가 힘들다. 기존의 발명은 이를 막기 위한 방법이 부족하다. 단순히 데이터의 수를 조절하게 되면 검출 및 진단을 위한 파라미터를 학습시킬 충분한 양의 데이터를 만족시키지 못할 수 있다.
상기한 종래기술의 문제점을 해결하기 위해, 본 발명에서는 기존의 정형화된 형태학적 특징 및 병변에 내재되었던 비정형 특징들을 함께 사용하는 복합 특징군을 이용하여 암 진단의 정확도를 높일 수 있는 흉부 단층영상에서 검색된 폐결절의 암 진단 시스템 및 프로그램을 제안하고자 한다.
상기한 바와 같은 목적을 달성하기 위하여, 본 발명의 일 실시예에 따르면, 흉부 단층영상에서 검색된 폐결절의 암 진단 보조 시스템으로서, 상기 흉부 단층영상에서 폐영역 내의 폐결절 후보 데이터를 패치 단위로 분할하여 저장하는 전처리부; 기계학습을 통해 상기 폐결절 후보 데이터의 제1 형태학적 특징과, 상기 제1 형태학적 특징 및 상기 폐결절 후보 데이터를 이용하여 상기 폐결절 후보 데이터의 비정형화된 제1 내재적 특징을 포함하는 제1 복합 특징군을 선별하고, 상기 선별된 제1 복합 특징군을 이용하여 상기 폐결절 후보 데이터에서 폐결절 진위 여부를 검출하는 검출기; 및 상기 검출기에서 검출된 패치 단위의 폐결절 데이터의 제2 형태학적 특징과, 상기 제2 형태학적 특징 및 상기 폐결절 데이터를 이용하여 추출된 상기 폐결절 데이터의 비정형화된 제2 내재적 특징을 포함하는 제2 복합 특징군을 선별하고, 상기 선별된 제2 복합 특징군을 이용하여 상기 폐결절 데이터의 악성 여부를 진단하는 진단기를 포함하는 암 진단 보조 시스템이 제공된다.
상기 검출기 및 상기 진단기는, 딥러닝 알고리즘을 통해 상기 제1 및 제2 내재적 특징을 추출할 수 있다.
상기 검출기는, 상기 제1 형태학적 특징과 상기 제1 내재적 특징 중 중복되는 특징을 제외시켜 상기 제1 복합 특징군을 선별할 수 있다.
상기 전처리부는, 상기 폐영역을 관심 영역으로 하여 상기 폐결절 후보 데이터를 패치 단위로 분할하여 저장할 수 있다.
본 발명의 다른 측면에 따르면, 컴퓨터에 의해 판독 가능한 기록매체에 저장되는 프로그램으로서, 흉부 단층영상에서 폐영역 내의 폐결절 후보 데이터를 패치 단위로 분할하여 저장하는 단계; 상기 폐결절 후보 데이터에서 제1 형태학적 특징을 추출하는 단계; 상기 추출된 상기 제1 형태학적 특징과 상기 폐결절 후보 데이터를 이용하여 상기 폐결절 후보 데이터의 비정형화된 제1 내재적 특징을 추출하는 단계; 상기 제1 형태학적 특징 및 상기 제1 내재적 특징 중 적어도 일부를 포함하는 제1 복합 특징군을 선별하는 단계; 상기 제1 복합 특징군을 통해 상기 폐결절 후보 데이터에서 폐결절 진위 여부를 검출하는 단계를 수행하는 것을 특징으로 하는 프로그램이 제공된다.
본 발명에 따르면, 기계 학습에서 현재 가장 좋은 성능을 보이는 딥러닝 알고리즘을 활용하기 때문에 기존의 기계학습 방법을 사용하는 것에 비해 임상에서 가장 중요한 검출 및 진단의 정확도 면에서 높은 성능을 보장할 수 있다.
도 1은 본 발명의 일 실시예에 따른 폐암 진단 보조 시스템의 전체 구성을 도시한 도면이다.
도 2는 본 실시예에 따른 전처리부의 처리 과정을 도시한 도면이다.
도 3은 본 실시예에 따른 검출기의 상세 구성을 도시한 도면이다.
도 4는 폐결절과 관련된 정형화된 특징들 및 비정형화된 특징들을 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 추출모듈의 형태학적 특징 및 내재적 특징의 추출 과정을 도시한 도면이다.
도 6은 본 발명의 일 실시예에 따른 선별모듈의 제1 복합 특징군 선별 과정을 도시한 도면이다.
도 7은 본 실시예에 따른 구별모듈에 의한 폐결절 진위 여부 구별 과정을 도시한 도면이다.
도 8은 본 실시예에 따른 제1 복합 특징군을 이용하여 생성한 필터를 나타낸 도면이다.
도 9는 본 발명의 일 실시예에 따른 진단기의 구성을 도시한 도면이다.
도 2는 본 실시예에 따른 전처리부의 처리 과정을 도시한 도면이다.
도 3은 본 실시예에 따른 검출기의 상세 구성을 도시한 도면이다.
도 4는 폐결절과 관련된 정형화된 특징들 및 비정형화된 특징들을 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 추출모듈의 형태학적 특징 및 내재적 특징의 추출 과정을 도시한 도면이다.
도 6은 본 발명의 일 실시예에 따른 선별모듈의 제1 복합 특징군 선별 과정을 도시한 도면이다.
도 7은 본 실시예에 따른 구별모듈에 의한 폐결절 진위 여부 구별 과정을 도시한 도면이다.
도 8은 본 실시예에 따른 제1 복합 특징군을 이용하여 생성한 필터를 나타낸 도면이다.
도 9는 본 발명의 일 실시예에 따른 진단기의 구성을 도시한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다.
그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
이하에서, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.
본 발명은 임상적 진단 보조 시스템(clinical decision support system)에 관한 것으로서, 기존에 사용하던 방법보다 빠르고 정확한 진단 결과를 제공하는데 그 목적이 있다.
도 1은 본 발명의 일 실시예에 따른 폐암 진단 보조 시스템의 전체 구성을 도시한 도면이다.
도 1을 참조하면, 본 실시예에 따른 폐암 진단 보조 시스템은 전처리부(100), 검출기(102) 및 진단기(104)를 포함할 수 있다.
전처리부(100)는 입력된 흉부 CT(단층) 영상에서, 폐영역 및 폐결절 후보 영역을 검출한다.
본 실시예에 따르면, 전처리부(100)는 패치 기반의 기계 학습 알고리즘에 따라 흉부 CT 영상에서 폐영역 내의 폐결절 후보 데이터를 패치 단위로 분할하여 저장한다.
도 2는 본 실시예에 따른 전처리부의 처리 과정을 도시한 도면이다.
도 2를 참조하면, 전처리부(100)는 흉부 CT 영상에서 관심 영역(ROI)의 패치 데이터와 비 관심 영역의 패치 데이터를 구분하고, 관심 영역, 즉 폐영역을 패치 단위로 분할하여 폐결절 후보 데이터를 저장한다.
검출기(102)는 패치 단위로 저장된 폐결절 후보 데이터를 기계학습을 통해 폐결절의 형태학적 특징을 추출하고, 딥러닝 알고리즘을 이용하여 새로운 내재적 특징을 추출한다.
도 3은 본 실시예에 따른 검출기의 상세 구성을 도시한 도면이다.
도 3을 참조하면, 본 실시예에 따른 검출기는 추출모듈(300), 선별모듈(302) 및 구별모듈(304)을 포함할 수 있다.
추출모듈(300)은 전처리부(100)에서 획득된 패치 단위의 폐결절 후보 데이터에 대해 기계학습을 통해 정형화된 제1 형태학적 특징을 추출하고, 딥러닝 알고리즘을 통해 제1 형태학적 특징과 폐결절 후보 데이터를 이용하여 비정형화된 제1 내재적 특징을 추출한다.
도 4는 폐결절과 관련된 정형화된 특징들 및 비정형화된 특징들을 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 추출모듈의 형태학적 특징 및 내재적 특징의 추출 과정을 도시한 도면이다.
제1 내재적 특징은 폐결절 후보 데이터의 제1 형태학적 특징들에서 추출되는 특징이므로, 형태학적 특징과 내재적 특징은 서로 중복되는 특징이 존재할 수 있다.
따라서, 선별모듈(302)은 제1 형태학적 특징과 제1 내재적 특징 중 중복되는 특징을 제외시켜 이를 복합 특징군(제1 복합 특징군)으로 선별한다.
폐결절 진위 여부 판단을 위한 제1 복합 특징군은 데이터베이스(미도시)에 저장된다.
여기서 제1 복합 특징군은 중복된 특징의 제외를 통해 폐결절의 진위 여부를 정확히 판단할 수 있도록 선별된 특징들로 정의될 수 있다.
도 6은 본 발명의 일 실시예에 따른 선별모듈의 제1 복합 특징군 선별 과정을 도시한 도면이다.
도 6에 도시된 바와 같이, 기존의 제1 형태학적 특징 및 제1 내재적 특징 중 제1 복합 특징군을 선별하는 과정은 두 확률 분포 p,q 사이에 존재하는 정보량을 계산하는 방법인 Cross Entropy를 통해 이루어질 수 있다.
구별모듈(304)은 제1 복합 특징군을 이용하여 폐결절의 진위 여부를 판단한다. 폐결절의 진위 여부는 두 클래스를 구별하는 것이므로, 이진 클래스를 구별하는데 좋은 성능을 보이는 Support Vector Machine (SVM) 방법을 사용할 수 있다.
도 7은 본 실시예에 따른 구별모듈에 의한 폐결절 진위 여부 구별 과정을 도시한 도면이다.
도 8은 본 실시예에 따른 제1 복합 특징군을 이용하여 생성한 필터를 나타낸 것으로서, 구별모듈(304)은 도 7과 같은 샘플을 이용하여 폐결절 후보 데이터에서 폐결절의 진위 여부를 판단한다.
상기와 같은 구별모듈(304)에 의해 폐결절이 검출된 이후, 진단기(104)는 검출된 폐결절이 양성인지 악성인지 여부를 판별한다.
진단기(104)는 패치 단위의 검출된 폐결절 데이터의 추출, 선별 및 구별 과정을 통해 폐결절이 양성 및 악성 중 어느 것인지 판별한다.
도 9는 본 발명의 일 실시예에 따른 진단기의 구성을 도시한 도면이다.
도 9에 도시된 바와 같이, 본 실시예에 따른 진단기(104)는 추출모듈(900), 선별모듈(902) 및 구별모듈(904)을 포함할 수 있다.
추출모듈(900)은 검출기(102)에서 폐결절로 판단된 패치 단위의 폐결절 데이터에 대해 기계학습을 통해 정형화된 제2 형태학적 특징을 추출하고, 딥러닝 알고리즘을 통해 제2 형태학적 특징과 패치 단위의 폐결절 데이터를 이용하여 제2 내재적 특징을 추출한다.
선별모듈(902)은 제2 형태학적 특징 및 제2 내재적 특징 중 폐결절의 양성/악성 여부를 구별할 수 있도록 하는 특징들을 선별하여 제2 복합 특징군으로 정의한다.
검출기(102)와 진단기(104)의 추출, 선별 및 구별 과정은 실질적으로 동일하나, 진단기(104)의 폐결절의 진위 여부가 아닌, 폐결절이 악성 또는 양성인지 여부를 판단하는 것이므로 사용되는 파라미터가 상이하다.
상이한 제2 복합 특징군은 데이터베이스(미도시)에 저장된다.
구별모듈(904)는 제2 복합 특징군을 이용하여 폐결절이 양성인지 악성인지 여부를 판단한다.
본 발명의 실시예들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 일 실시예들의 동작을 수행하기 위해 적어도 하나의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
상기한 본 발명의 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대한 통상의 지식을 가지는 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 하기의 특허청구범위에 속하는 것으로 보아야 할 것이다.
Claims (6)
- 흉부 단층영상에서 검색된 폐결절의 암 진단 보조 시스템으로서,
상기 흉부 단층영상에서 폐영역 내의 폐결절 후보 데이터를 패치 단위로 분할하여 저장하는 전처리부;
기계학습을 통해 상기 폐결절 후보 데이터의 제1 형태학적 특징과, 상기 제1 형태학적 특징과 상기 폐결절 후보 데이터를 이용하여 상기 폐결절 후보 데이터의 비정형화된 제1 내재적 특징을 포함하는 제1 복합 특징군을 선별하고, 상기 선별된 제1 복합 특징군을 이용하여 상기 폐결절 후보 데이터에서 폐결절 진위 여부를 검출하는 검출기; 및
상기 검출기에서 검출된 패치 단위의 폐결절 데이터의 제2 형태학적 특징과, 상기 제2 형태학적 특징 및 상기 폐결절 데이터를 이용하여 상기 폐결절 데이터의 비정형화된 제2 내재적 특징을 포함하는 제2 복합 특징군을 선별하고, 상기 선별된 제2 복합 특징군을 이용하여 상기 폐결절 데이터의 악성 여부를 진단하는 진단기를 포함하는 암 진단 보조 시스템. - 제1항에 있어서,
상기 검출기 및 상기 진단기는,
딥러닝 알고리즘을 통해 상기 제1 및 제2 내재적 특징을 추출하는 암 진단 보조 시스템. - 제1항에 있어서,
상기 검출기는,
상기 제1 형태학적 특징과 상기 제1 내재적 특징 중 중복되는 특징을 제외시켜 상기 제1 복합 특징군을 선별하는 암 진단 보조 시스템. - 제1항에 있어서,
상기 전처리부는,
상기 폐영역을 관심 영역으로 하여 상기 폐결절 후보 데이터를 패치 단위로 분할하여 저장하는 암 진단 보조 시스템.
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160084627A KR101768812B1 (ko) | 2016-07-05 | 2016-07-05 | 흉부 단층영상에서 검색된 폐결절의 암 진단 보조 시스템 및 프로그램 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160084627A KR101768812B1 (ko) | 2016-07-05 | 2016-07-05 | 흉부 단층영상에서 검색된 폐결절의 암 진단 보조 시스템 및 프로그램 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101768812B1 true KR101768812B1 (ko) | 2017-08-17 |
Family
ID=59753192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020160084627A KR101768812B1 (ko) | 2016-07-05 | 2016-07-05 | 흉부 단층영상에서 검색된 폐결절의 암 진단 보조 시스템 및 프로그램 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101768812B1 (ko) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190076287A (ko) * | 2017-12-22 | 2019-07-02 | 한국전기연구원 | 다중 영상 내시경 시스템, 그 영상 제공 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 |
| WO2020045745A1 (ko) * | 2018-08-30 | 2020-03-05 | 주식회사 룬랩 | 생리혈의 진위 여부를 검증하기 위한 컴퓨팅 장치 및 스마트 생리컵 |
| KR20200065751A (ko) * | 2018-11-30 | 2020-06-09 | 양이화 | 인공지능을 이용한 폐암진단 시스템, 폐암검진 ct 판독서버 및 폐암진단방법 |
| KR20200120311A (ko) | 2019-04-12 | 2020-10-21 | 계명대학교 산학협력단 | 의료 영상을 이용한 암의 병기 결정 방법 및 의료 영상 분석 장치 |
| KR102177218B1 (ko) * | 2020-04-24 | 2020-11-10 | 유니젠바이오 주식회사 | 머신러닝 기반 암진단 예측 장치 |
| KR102177222B1 (ko) * | 2020-04-24 | 2020-11-10 | 유니젠바이오 주식회사 | 머신러닝 기반 암진단 예측 시스템 |
| KR20210030730A (ko) | 2019-09-10 | 2021-03-18 | 계명대학교 산학협력단 | 의료 영상을 해석하는 인공지능 모델을 이용한 폐암 발병 가능성 예측 방법 및 의료 영상 분석 장치 |
| US11049244B2 (en) | 2017-06-16 | 2021-06-29 | Rensselaer Polytechnic Institute | Systems and methods for integrating tomographic image reconstruction and radiomics using neural networks |
| KR20220095760A (ko) | 2020-12-30 | 2022-07-07 | 계명대학교 산학협력단 | Pet 영상의 파라미터를 이용한 폐암 고위험군 예측 방법 및 분석장치 |
| KR20240064065A (ko) | 2022-11-04 | 2024-05-13 | 경북대학교 산학협력단 | Ct 영상의 기계학습에 기반하여 시멘트분진 노출 대상을 분류하는 장치 및 방법 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5881124A (en) | 1994-03-31 | 1999-03-09 | Arch Development Corporation | Automated method and system for the detection of lesions in medical computed tomographic scans |
| JP2008511389A (ja) | 2004-08-31 | 2008-04-17 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | 肺結節を検出するための候補の作成方法 |
| US20160125598A1 (en) | 2013-06-09 | 2016-05-05 | M.T.R Target Ltd | Apparatus and method for automated detection of lung cancer |
-
2016
- 2016-07-05 KR KR1020160084627A patent/KR101768812B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5881124A (en) | 1994-03-31 | 1999-03-09 | Arch Development Corporation | Automated method and system for the detection of lesions in medical computed tomographic scans |
| JP2008511389A (ja) | 2004-08-31 | 2008-04-17 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | 肺結節を検出するための候補の作成方法 |
| US20160125598A1 (en) | 2013-06-09 | 2016-05-05 | M.T.R Target Ltd | Apparatus and method for automated detection of lung cancer |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11049244B2 (en) | 2017-06-16 | 2021-06-29 | Rensselaer Polytechnic Institute | Systems and methods for integrating tomographic image reconstruction and radiomics using neural networks |
| KR20190076287A (ko) * | 2017-12-22 | 2019-07-02 | 한국전기연구원 | 다중 영상 내시경 시스템, 그 영상 제공 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 |
| KR102393661B1 (ko) * | 2017-12-22 | 2022-05-02 | 한국전기연구원 | 다중 영상 내시경 시스템, 그 영상 제공 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 |
| WO2020045745A1 (ko) * | 2018-08-30 | 2020-03-05 | 주식회사 룬랩 | 생리혈의 진위 여부를 검증하기 위한 컴퓨팅 장치 및 스마트 생리컵 |
| KR20200065751A (ko) * | 2018-11-30 | 2020-06-09 | 양이화 | 인공지능을 이용한 폐암진단 시스템, 폐암검진 ct 판독서버 및 폐암진단방법 |
| KR102208358B1 (ko) | 2018-11-30 | 2021-01-28 | 양이화 | 인공지능을 이용한 폐암진단 시스템, 폐암검진 ct 판독서버 및 폐암진단방법 |
| KR20200120311A (ko) | 2019-04-12 | 2020-10-21 | 계명대학교 산학협력단 | 의료 영상을 이용한 암의 병기 결정 방법 및 의료 영상 분석 장치 |
| KR20210030730A (ko) | 2019-09-10 | 2021-03-18 | 계명대학교 산학협력단 | 의료 영상을 해석하는 인공지능 모델을 이용한 폐암 발병 가능성 예측 방법 및 의료 영상 분석 장치 |
| KR102177218B1 (ko) * | 2020-04-24 | 2020-11-10 | 유니젠바이오 주식회사 | 머신러닝 기반 암진단 예측 장치 |
| KR102177222B1 (ko) * | 2020-04-24 | 2020-11-10 | 유니젠바이오 주식회사 | 머신러닝 기반 암진단 예측 시스템 |
| KR20220095760A (ko) | 2020-12-30 | 2022-07-07 | 계명대학교 산학협력단 | Pet 영상의 파라미터를 이용한 폐암 고위험군 예측 방법 및 분석장치 |
| KR20240064065A (ko) | 2022-11-04 | 2024-05-13 | 경북대학교 산학협력단 | Ct 영상의 기계학습에 기반하여 시멘트분진 노출 대상을 분류하는 장치 및 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101768812B1 (ko) | 흉부 단층영상에서 검색된 폐결절의 암 진단 보조 시스템 및 프로그램 | |
| CN111028224B (zh) | 数据标注、模型训练和图像处理方法、装置及存储介质 | |
| US10939874B2 (en) | Deep-learning-based cancer classification using a hierarchical classification framework | |
| Chawla et al. | A method for automatic detection and classification of stroke from brain CT images | |
| US6549646B1 (en) | Divide-and-conquer method and system for the detection of lung nodule in radiological images | |
| Xu et al. | DeepLN: a framework for automatic lung nodule detection using multi-resolution CT screening images | |
| Jitpakdee et al. | A survey on hemorrhage detection in diabetic retinopathy retinal images | |
| US8687867B1 (en) | Computer-aided detection and classification of suspicious masses in breast imagery | |
| US11308611B2 (en) | Reducing false positive detections of malignant lesions using multi-parametric magnetic resonance imaging | |
| JP2008520322A (ja) | 新規な３ｄ特徴を備えるコンピュータ支援検出（ｃａｄ）における誤検出の低減 | |
| JP2008520318A (ja) | サポートベクタマシン（ｓｖｍ）を用いるコンピュータ支援検出（ｃａｄ）における誤検出低減のためのシステム及び方法 | |
| JPWO2017150497A1 (ja) | 肺野病変の診断支援装置、該装置の制御方法及びプログラム | |
| WO2009105530A2 (en) | System and method for automated segmentation, characterization, and classification of possibly malignant lesions and stratification of malignant tumors | |
| JP6865678B2 (ja) | 縦断的特徴に基づく関心組織の健康状態の分類 | |
| Zuluaga et al. | Learning from only positive and unlabeled data to detect lesions in vascular CT images | |
| Sapate et al. | Breast cancer diagnosis using abnormalities on ipsilateral views of digital mammograms | |
| US11701066B2 (en) | Device and method for detecting clinically important objects in medical images with distance-based decision stratification | |
| CN112862756A (zh) | 识别甲状腺肿瘤病理图像中病变类型及基因突变的方法 | |
| Sivakumar et al. | Diagnose breast cancer through mammograms using EABCO algorithm | |
| US9483705B2 (en) | Image processing device, image processing method, and image processing program | |
| Liang et al. | Evaluation of the effectiveness of artificial intelligence chest CT lung nodule detection based on deep learning | |
| Lee et al. | Potential of computer-aided diagnosis to improve CT lung cancer screening | |
| Bhaskar et al. | Pulmonary lung nodule detection and classification through image enhancement and deep learning | |
| Lipková et al. | Automated unsupervised segmentation of liver lesions in ct scans via cahn-hilliard phase separation | |
| Zhou et al. | Segmentation of hepatic tumor from abdominal CT data using an improved support vector machine framework |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |