KR101794578B1 - 질병 예측 방법, 이를 수행하기 위한 기록 매체 및 장치 - Google Patents

Abstract

질병 예측 방법, 이를 수행하기 위한 기록 매체 및 장치가 개시된다.
카메라로 촬영한 폐 영상에서 폐 영역만을 분리하는 폐 영역 분리 단계; 상기 분리된 폐 영역에 대해 사용자 지정 크기의 윈도우를 픽셀 단위로 이동시키면서, 상기 각 윈도우의 중심 픽셀에서 각각의 병태가 있을 확률을 검출하고, 상기 중심 픽셀에서 병태별로 검출된 확률에 의거하여 병태를 인식하는 폐 병태 인식 단계; 및 폐 병태 인식 결과에 의거하여 폐 병리 진단을 예측하는 폐 병리 진단 예측 단계;를 포함하여 이루어지는 것이 바람직하다.

Description

질병 예측 방법, 이를 수행하기 위한 기록 매체 및 장치{METHOD FOR PREDICTING DISEASE, RECORDING MEDIUM AND APPARATUS FOR PERFORMING THE METHOD}

본 발명은 질병 예측 방법, 이를 수행하기 위한 기록 매체 및 장치에 관한 것으로서, 보다 상세하게는 카메라로 촬영된 폐 영상을 이용하여 도축된 가축의 폐 질병을 예측할 수 있도록 하는 질병 예측 방법, 이를 수행하기 위한 기록 매체 및 장치에 관한 것이다.

소, 돼지 등과 같은 가축의 폐 질병 진단은 폐의 판매 여부를 결정하는 중요 요소로서, 종래에는 수의사가 도축된 가축의 폐를 일일이 눈으로 확인하여 질병 여부를 판단한다.

전술한 바와 같이, 종래에는 도축된 가축 폐의 질병 여부를 판단하기 위해 수의사가 도축된 가축의 폐를 일일이 눈으로 확인해야 하는 번거로운 문제점이 있다.

이러한 문제점을 해결하기 위해 MRI(Magnetic Resonance Imaging) 또는 CT(Computed Tomography)로 촬영된 폐 영상을 이용하여 폐 질병을 정확히 진단하는 방법이 있으나, 이러한 방법은 폐 영상 촬영에 많은 비용이 소모되는 문제점이 있다.

한국공개특허공보 제10-2013-0013966호(2013.02.06. 공개)

본 발명은 이러한 문제점을 해결하기 위해 안출된 것으로, 카메라로 촬영된 폐 영상을 이용하여 도축된 가축의 폐 질병을 예측할 수 있도록 하는 질병 예측 방법, 이를 수행하기 위한 기록 매체 및 장치를 제공함에 그 목적이 있다.

전술한 목적을 달성하기 위한 본 발명의 일 실시예에 따른 질병 예측 방법은, 카메라로 촬영한 폐 영상에서 폐 영역만을 분리하는 폐 영역 분리 단계; 상기 분리된 폐 영역에 대해 사용자 지정 크기의 윈도우를 픽셀 단위로 이동시키면서, 상기 각 윈도우의 중심 픽셀에서 각각의 병태가 있을 확률을 검출하고, 상기 중심 픽셀에서 병태별로 검출된 확률에 의거하여 병태를 인식하는 폐 병태 인식 단계; 및 폐 병태 인식 결과에 의거하여 폐 병리 진단을 예측하는 폐 병리 진단 예측 단계;를 포함하여 이루어지는 것이 바람직하다.

본 발명의 일 실시예에서, 상기 폐 병태 인식 단계는, 상기 분리된 폐 영역에 대하여 사용자 지정 크기의 윈도우를 픽셀 단위로 이동시키는 단계; 및 상기 각 윈도우의 영상 데이터를 입력 데이터로, 상기 각 윈도우의 중심 픽셀에 대응하는 픽셀의 학습 데이터를 정답 데이터로 입력받아 기학습된 인식기를 이용하여 상기 입력 데이터와 정답 데이터의 비교를 통해 상기 각 윈도우의 중심 픽셀에서 각각의 병태가 있을 확률을 검출하는 단계; 및 상기 중심 픽셀에서 병태별로 검출된 확률이 병태별 사용자 지정 임계값 이상인지 여부에 따라 병태의 유무를 판단하는 단계;를 포함하여 이루어지는 것이 바람직하다.

본 발명의 일 실시예에서, 상기 폐 병리 진단 예측 단계는, 상기 인식된 폐 병태가 전체 폐 영역에서 차지하는 비율과 폐 병태 인식에 사용된 샘플들에 대한 병리학, 세균학적 병리 진단 확률 사이의 상관관계를 분석하여 폐 병리 진단을 예측하는 단계인 것이 바람직하다.

본 발명의 일 실시예에서, 상기 폐 영역 분리 단계는, 카메라로 촬영한 폐 영상을 입력받는 단계; 상기 입력받은 폐 영상에서 폐가 위치하는 사각 영역만을 남기고 나머지 부분은 잘라내는 단계; 및 상기 사각 영역에서 전경 영역을 추출하여 폐 영역을 분리하는 단계;를 포함하여 이루어지는 것이 바람직하다.

본 발명의 일 실시예에서, 상기 폐 영역 분리 단계를 수행하기 전에, 병리 진단이 내려진 폐에 대한 샘플 영상을 입력받는 단계; 상기 입력받은 폐 영상에서 폐가 위치하는 사각 영역만을 남기고 나머지 부분은 잘라내어 폐 영역만을 분리하는 단계; 상기 분리된 폐 영역에 대하여 사용자 지정 크기의 윈도우를 픽셀 단위로 이동시키면서, 상기 각 윈도우의 영상 데이터를 입력 데이터로, 상기 각 윈도우의 중심 픽셀에 대응하는 픽셀의 레이블링 데이터를 정답 데이터로 입력받아 폐 병태 인식에 사용되는 인식기를 학습시키는 단계;를 더 포함하여 이루어지는 것이 바람직하다.

한편, 본 발명의 일 실시예에 따른 질병 예측 장치는, 폐 영상을 입력받는 영상 입력부; 상기 입력받은 폐 영상에서 폐가 위치하는 사각 영역만을 남기고 나머지 부분은 잘라내는 영상 크로핑부; 상기 사각 영역에서 전경 영역을 추출하여 폐 영역을 분리하는 폐 영역 분리부; 상기 분리된 폐 영역에 대해 사용자 지정 크기의 윈도우를 픽셀 단위로 이동시키면서, 상기 윈도우의 중심 픽셀에서 각각의 병태가 있을 확률을 검출하고, 상기 중심 픽셀에서 병태별로 검출된 확률에 의거하여 병태를 인식하는 폐 병태 인식부; 및 폐 병태 인식 결과에 의거하여 폐 병리 진단을 예측하는 폐 병리 진단 예측부;를 포함하여 이루어지는 것이 바람직하다.

본 발명의 일 실시예에서, 상기 폐 병태 인식부는, 기학습된 인식기를 이용하여 각 윈도우의 중심 픽셀에 대해 폐 병태 유무를 판단하되, 상기 분리된 폐 영역에 대하여 사용자 지정 크기의 윈도우를 픽셀 단위로 이동시키면서, 상기 각 윈도우의 영상 데이터를 입력 데이터로, 상기 각 윈도우의 중심 픽셀에 대응하는 픽셀의 학습 데이터를 정답 데이터로 입력받아 상기 인식기를 이용하여 상기 입력 데이터와 학습 데이터의 비교를 통해 상기 각 윈도우의 중심 픽셀에서 각각의 병태가 있을 확률을 검출하고, 상기 중심에서 병태별로 검출된 확률이 병태별로 사용자 지정 임계값 이상인지 여부에 따라 병태의 유무를 판단하는 것이 바람직하다.

본 발명의 일 실시예에서, 상기 폐 병리 진단 예측부는, 상기 인식된 폐 병태가 전체 폐 영역에서 차지하는 비율과 폐 병태 인식에 사용된 샘플들에 대한 병리학, 세균학적 병리 진단 확률 사이의 상관관계를 분석하여 폐 병리 진단을 예측하는 것이 바람직하다.

본 발명의 일 실시예에서, 병리 진단이 내려진 폐에 대한 샘플 영상을 입력받는 영상 입력부, 상기 입력받은 폐 영상에서 폐가 위치하는 사각 영역만을 남기고 나머지 부분은 잘라내는 영상 크로핑부, 상기 사각 영역에서 전경 영역을 추출하여 폐 영역을 분리하는 폐 영역 분리부, 및 상기 분리된 폐 영역에 대하여 사용자 지정 크기의 윈도우를 픽셀 단위로 이동시키면서, 상기 각 윈도우의 영상 데이터를 입력 데이터로, 상기 각 윈도우의 중심 픽셀에 대응하는 픽셀의 레이블링 데이터를 정답 데이터로 입력받아 폐 병태 인식에 사용되는 인식기를 학습시키는 학습부,를 포함하여 이루어지는 학습 장치;를 더 포함하여 이루어지는 것이 바람직하다.

본 발명의 질병 예측 방법, 이를 수행하기 위한 기록 매체 및 장치는, 카메라로 촬영된 폐 영상을 이용하여 도축된 가축의 폐 질병을 예측할 수 있게 됨에 따라, 빠르게 질병과 질병 부위를 검출할 수 있게 된다.

도 1은 본 발명에 적용되는 학습 장치의 구성을 개략적으로 보인 도면이다.
도 2는 본 발명의 일 실시예에 따른 질병 예측 장치의 구성을 개략적으로 보인 도면이다.
도 3은 본 발명의 실시예에 따라 추출된 사각 영역의 범위를 설명하기 위한 도면이다.
도 4는 본 발명의 실시예에 따라 폐 영역을 분리하는 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에 따라 폐 영역을 사용자 지정 크기의 윈도우로 분할하는 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 실시예에 따라 각 윈도우의 중심 픽셀에 대해 병태를 인식하는 과정을 설명하기 위한 도면이다.
도 7은 본 발명에 적용되는 샘플 영상 DB 구축을 위한 학습 과정을 설명하기 위한 처리도이다.
도 8 내지 도 10은 본 발명의 일 실시예에 따른 질병 예측 방법을 설명하기 위한 처리도이다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예와 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.

이하에서는 첨부한 도면들을 참조하여 본 발명의 바람직한 실시예에 따른 질병 예측 방법, 이를 수행하기 위한 기록 매체 및 장치에 대해서 상세하게 설명하기로 한다.

우선, 본 발명에 따라 영상을 통해 도축된 가축의 폐 질병을 예측하기 위해서는 폐 병태 인식에 사용되는 인식기를 학습시켜야 한다.

도 1은 본 발명에 적용되는 학습 장치의 구성을 개략적으로 보인 도면이다.

본 발명에 적용되는 학습 장치(100)는 도 1에 도시하는 바와 같이, 영상 입력부(110), 영상 크로핑부(120), 폐 영역 분리부(130), 학습부(140)를 포함하여 이루어질 수 있다.

영상 입력부(110)는 디지털 카메라, 스마트폰, 태블릿 PC 등에 구비되어 영상을 촬영하는 촬영 장치로부터 촬영된 폐 영상을 입력받는다.

여기서, 영상 입력부(110)가 입력받는 폐 영상은 병리 진단이 내려진 폐에 대한 영상으로, 영상 입력부(110)가 입력받은 영상은 레이블된 정보를 포함하지 않는다.

영상 크로핑부(120)는 영상 입력부(110)를 통해 입력받은 폐 영상에서 폐가 위치하는 사각 영역만을 남기고 나머지 부분은 잘라낸다.

폐 영역 분리부(130)는 영상 크로핑부(120)로부터 입력받은 폐가 위치하는 사각 영역에서 전경 영역을 추출하여 폐 영역을 분리한다.

학습부(140)는 병리 진단이 내려진 폐에 대한 영상(샘플 영상)과 해당 영상에 대하여 병태별로 그 위치가 표시되어 있는 레이블링 데이터를 이용하여 폐 병태 인식에 사용되는 인식기를 학습시킨다.

구체적으로, 학습부(140)는 폐 영역 분리부(130)에서 분리된 폐 영역에 대하여 사용자 지정 크기(예를 들어, 15×15, 21×21 등)의 윈도우를 픽셀 단위로 이동시키면서, 각 윈도우의 영상 데이터를 입력 데이터로, 각 윈도우의 중심 픽셀에 대응하는 픽셀의 레이블링 데이터를 정답 데이터로 입력받아 폐 병태 인식에 사용되는 인식기를 학습시킨다. 여기서, 픽셀 단위로 이동되는 윈도우에 대해서는 시리얼화하는 것이 바람직하다.

인식기 학습에 사용되는 학습 알고리즘으로는 ANN(Artificial Neural Network), MLP(Multi Layer Perceptron) 등이 이용될 수 있다.

도 2는 본 발명의 일 실시예에 따른 질병 예측 장치의 구성을 개략적으로 보인 도면이다.

도 2에 도시하는 바와 같이, 본 발명의 일 실시예에 따른 질병 예측 장치(200)는, 영상 입력부(210), 영상 크로핑부(220), 폐 영역 분리부(230), 폐 병태 인식부(240), 폐 병리 진단 예측부(250)를 포함하여 이루어질 수 있다.

도 2에서, 영상 입력부(210)는 디지털 카메라, 스마트폰, 태블릿 PC 등에 구비되어 영상을 촬영하는 촬영 장치로부터 촬영된 폐 영상을 입력받는다.

여기서, 영상 입력부(210)가 입력받는 폐 영상은 진단 대상이 되는 영상으로, 샘플 영상 구축에 사용되지 않은 영상을 대상으로 한다.

또한, 영상 입력부(210)가 입력받은 폐 영상은 사용자가 도축된 가축의 폐를 진단하기 위해 도축된 가축에서 분리된 폐를 특정 배경에 올려놓고, 이를 디지털 카메라, 스마트폰, 태플릿 PC 등으로 촬영하여 얻은 영상으로, 일 예로 도 3의 (a)와 같다.

영상 입력부(210)는 폐 영상을 이미지 형식의 파일 예를 들어, JPG(Joint Photographic Experts Group), TIFF(Tagged Image File Format) 등으로 입력받아 이를 영상 크로핑부(220)로 전달할 수 있다.

영상 크로핑부(220)는 영상 입력부(210)를 통해 입력받은 폐 영상에서 폐가 위치하는 사각 영역만을 남기고 나머지 부분은 잘라낸다.

즉, 도 3의 (a)와 같이 영상 입력부(210)를 통해 입력받은 전체 폐 영상에서, 도 3의 (b)와 같이 폐가 위치하는 사각 영역만을 남기고 나머지 부분은 잘라낸다.

여기서, 사각 영역은 사용자 입력에 의해 지정된 범위를 통하여 결정될 수 있다.

폐가 위치한 사각 영역을 분리하는 이유는, 폐 외에 불필요한 배경 부분을 제거하여, 목적하는 폐 영역만을 분리하는데 필요한 연산량을 감소시키기 위함이다.

폐 영역 분리부(230)는 영상 크로핑부(220)로부터 입력받은 폐가 위치하는 사각 영역에서 전경 영역을 추출하여 폐 영역을 분리한다.

구체적으로, 폐 영역 분리부(230)는 폐가 위치한 사각 영역으로 ROI(Region Of Interest)가 축소된 영상에서 도 4에 도시하는 바와 같이 폐 영역인 전경 영역과 배경 영역을 분리한 후, 전경 영역에 해당하는 픽셀을 추출하여 폐 영역을 분리한다. 전경 영역에 해당하는 픽셀을 추출하여 폐 영역을 분리할 때, 분리된 전경 객체들 중에서 픽셀수가 작은 객체들은 제거함으로써 잡음을 억제하고 폐 영역만을 분리할 수 있다.

전술한, 폐 영역 분리부(230)는 일 예로 그랩컷(grabcut) 알고리즘을 이용하여 전경 영역인 폐 영역을 분리할 수 있다.

한편, 폐 병태 인식부(240)는 학습부(140)에 의해 학습된 인식기를 이용하여, 폐 영역 분리부(230)에서 분리된 폐 영역에서 병태를 보이는 부분을 인식한다.

여기서, 병태 인식에 사용되는 학습 알고리즘으로는 ANN, MLP 등이 이용될 수 있다.

폐 병태 인식부(240)가 인식할 수 있는 폐 병변은 간질성 폐질환(ILD), 색소 침착(Pigmentation), 폐 축소(Pneumothorax), 수포(Bulla), 농양(Abscess) 등이 포함될 수 있다.

전술한 폐 병태 인식부(240)의 동작에 대해 좀 더 자세히 살펴보면, 폐 병태 인식부(240)는 폐 영역 분리부(230)에서 분리된 폐 영역에 대하여 도 5에 도시하는 바와 같이 사용자 지정 크기(예를 들어, 15×15, 21×21))의 윈도우를 픽셀 단위로 이동시키면서, 인식기를 이용하여 각 윈도우의 중심 픽셀에 대해 폐 병태 유무를 판단한다. 여기서, 각 윈도우에 대하여 시리얼화하는 것이 바람직하다. 도 5에서 숫자는 각 픽셀에서의 RGB 값이다.

폐 병태 인식부(240)는 각 윈도우의 중심 픽셀에 대해 폐 병패 유무를 판단하기 위해, 인식기를 이용하여 각 윈도우의 영상 데이터를 입력 데이터로 입력받고, 각 윈도우의 중심 픽셀에 대응하는 픽셀의 학습 데이터를 정답 데이터로 입력받아 입력 데이터와 정답 데이터의 비교를 통해 각 윈도우의 중심 픽셀에서 각각의 병태가 있을 확률을 검출하고, 각 중심 픽셀에서 병태별로 검출된 확률이 병태별 사용자 지정 임계값 이상인지 여부에 따라 병태의 유무를 판단할 수 있다. 예를 들어, 특정 윈도우의 영상 데이터를 입력 데이터로 입력받고, 특정 윈도우의 중심 픽셀에 대응하는 픽셀의 학습 데이터를 정답 데이터로 입력받아 입력 데이터와 정답 데이터의 비교를 통해 특정 윈도우의 중심 픽셀에서 간질성 폐질환이 있을 확률이 0.4, 색소 침착이 있을 확률이 0.7, 농양이 있을 확률이 0.1이고, 간질성 폐질환의 사용자 지정 임계값이 0.3, 색소 침착의 사용자 지정 임계값이 0.5, 농양의 사용자 지정 임계 값이 0.2라고 가정했을 때, 특정 중심 픽셀에 간질성 폐질환과 색소 침착이 있다고 판단할 수 있다.

여기서, 각 윈도우의 중심 픽셀에서 각각의 병태가 있을 확률 검출은, 입력 데이터의 RGB 값과 정답 데이터의 RGB 값의 차이값을 산출하고, RGB 차이값으로 나타날 수 있는 수치가 0~100이라고 가정했을 때, RGB 차이값이 0인 경우 예를 들어 간질성 폐질환이 있을 확률이 100%이면, 해당 픽셀에서 간질성 폐질환이 있을 확률을 100%로 검출하고, RGB 차이값이 100인 경우 예를 들어 간질성 폐질환이 있을 확률이 0%이면, 해당 픽셀에서 간질성 폐질환이 있을 확률을 0%로 검출하며, RGB 차이값이 49인 경우 예를 들어 간질성 폐질환이 있을 확률이 60%이면, 해당 픽셀에서 간질성 폐질환이 있을 확률을 60%로 검출할 수 있다.

이상에서 살펴본 바와 같이, 본 발명의 실시예에서는 폐 영역 전체를 한 번에 병태 진단하지 않고, 폐 영역에 대해 사용자 지정 크기의 윈도우를 픽셀 단위로 이동시키면서 윈도우의 중심 픽셀에 대해 각각 병태 진단을 수행한다.

그 이유는, 폐 영역 전체를 한 번에 병태 진단하게 되면, 각 픽셀에서의 폐 병태 유무는 확인할 수 있게 되지만, 영상에서 그 위치를 확인할 수 없게 되기 때문이다. 예를 들어, 분리된 폐 영역이 300×300라고 가정했을 때, 폐 영상 전체를 한 번에 병태 진단하게 되면, 폐 병태 인식부(240)는 90,000개의 픽셀에 대한 RGB 값을 입력 데이터로 입력받고, 병태별로 위치가 레이블링된 샘플 영상을 정답 데이터로 입력받아 학습을 수행하여 그 결과 값을 출력하는데, 그 결과 값으로 90,000개 픽셀에 대한 병태 인식 결과만을 확인할 수 있고, 병태가 어느 위치에 존재하는지를 확인할 수 없게 된다.

반면, 폐 영역에 대해 사용자 지정 크기의 윈도우를 픽셀 단위로 이동시키면서 윈도우의 중심 픽셀에 대해 각각 병태 진단을 수행하게 되면, 병태가 인식된 위치를 영상 내에서 확인할 수 있게 된다. 예를 들어, 사용자 지정 크기의 윈도우가 15×15라고 가정했을 때, 폐 병태 인식부(240)는 225개의 픽셀에 대한 RGB 값을 입력 데이터로 입력받고, 해당 윈도우의 중심 픽셀에 대응하는 픽셀의 학습 데이터를 정답 데이터로 입력받아 학습을 수행하여, 해당 윈도우의 중심 픽셀의 병태 인식 결과 값을 출력하게 되고, 이로 인해, 병태가 인식된 위치를 영상 내에서 확인할 수 있게 된다.

또한, 폐 영역에 대해 사용자 지정 크기의 윈도우를 픽셀 단위로 이동시키면서 윈도우의 중심 픽셀에 대해 병태 진단을 수행하게 되면, 적은 수의 학습 데이터(샘플 영상)를 이용하여 폐 병태 인식을 수행할 수 있게 된다.

폐 병리 진단 예측부(250)는 폐 병태 인식부(240)로부터 입력받은 폐 병태 인식 결과에 의거하여 폐 병리 진단을 예측한다.

구체적으로, 폐 병리 진단 예측부(250)는 폐 병태 인식부(240)로부터 폐 병태 인식 결과로서 입력받은 인식된 폐 병태가 전체 폐 영역에서 차지하는 비율과 폐 병태 인식에 사용된 샘플들에 대한 병태 유형별 병리학, 세균학적 병리 진단 확률 사이의 상관관계를 분석하여 폐 병리 진단을 예측한다.

여기서, 상관관계 분석은 회귀분석, SVM(Support Vector Machine), ANN, MLP 등을 통해 이루어질 수 있으며, 예측 결과는 진단 가능한 질병들에 대한 각각의 확률로 나타낼 수 있다.

표 1은 본 발명에 의해 인식될 수 있는 폐 병태 인식 종류를 예시적으로 보인 것으로, 검사 방법에 따라 세균학적 진단 항목 및 병리학적 진단 항목은 추가되거나 삭제될 수 있다.

표 1의 세균학적 검사에서 PCR, MALDI-TOF는 검사 방법을 나타내고, 괄호 안의 내용은 질병 균을 나타낸다.

병태 종류	세균학적 검사	병리 검사
IDL	PCR(Mycoplasma)	microscopic lung
Pigmentation	PCR(Mannheimia)	interstitial pneumonia
Pneumothorax	PCR(Pasteurella)	bronchopneumonia
Bulla	PCR(mycobacterium tuberculosis)	abscess
Abscess	MALDI-TOF(Pasteurella multocida)	hemorrhage

이하에서는 본 발명의 일 실시예에 따른 질병 예측 방법에 대해 설명하기로 한다.

본 발명의 일 실시예에 따른 질병 예측 방법을 설명하기에 앞서, 본 발명에 따른 질병 예측 방법이 수행되기 위해서는 병리 진단이 내려진 폐에 대한 샘플 영상을 취득하여 폐 병태 인식에 사용되는 인식기를 학습해야 한다.

도 7은 본 발명에 적용되는 인식기를 학습하는 학습 과정을 설명하기 위한 처리도로, 인식기 학습은 도 1에 도시된 학습 장치(100)와 실질적으로 동일한 구성 상에서 진행되므로, 도 1의 학습 장치(100)와 동일한 구성 요소에 대해 동일한 도면 부호를 부여하고, 반복되는 설명은 생략하기로 한다.

우선, 인식기를 학습시키기 위해, 학습 장치(100)의 영상 입력부(110)는 병리 진단이 내려진 폐에 대한 샘플 영상을 입력받는다(S10).

상기한 단계 S10에서 샘플 영상을 입력받을 때, 해당 영상에 대하여 병태별로 그 위치가 표시된 레이블링 데이터를 함께 입력받을 수 있다.

이후에는, 상기한 단계 S10에서 입력받은 폐 영상에서 폐가 위치하는 사각 영역만을 남기고 나머지 부분은 잘라내어 폐 영역만을 분리한다(S20).

그리고 학습부(140)가 상기한 단계 S20에서 분리된 폐 영역에 대하여 사용자 지정 크기의 윈도우를 픽셀 단위로 이동시키면서(S30), 각 윈도우의 영상 데이터를 입력 데이터로, 각 윈도우의 중심 픽셀에 대응하는 픽셀의 레이블링 데이터를 정답 데이터로 입력받아 정답 데이터를 기초로 폐 병태 인식에 사용되는 인식기를 학습시킨다(S40).

상기한 단계 S30에서 각각의 윈도우에 대해서는 시리얼화하는 것이 바람직하다.

전술한 바와 같이, 인식기를 학습시킨 후에는, 영상을 통해 도축된 가축의 폐 질병을 예측한다.

도 8은 본 발명의 일 실시예에 따른 질병 예측 방법을 설명하기 위한 처리도이다.

본 발명에 따른 질병 예측 방법은 도 2에 도시된 질병 예측 장치(200)와 실질적으로 동일한 구성 상에서 진행되므로, 도 2의 질병 예측 장치(200)와 동일한 구성 요소에 대해 동일한 도면 부호를 부여하고, 반복되는 설명은 생략하기로 한다.

본 발명에 따른 질병 예측 방법은 카메라로 촬영한 폐 영상에서 폐 영역만을 분리하는 폐 영역 분리 단계(S100), 폐 영역 분리 단계(S100)에서 분리된 폐 영역에서 병태를 보이는 부분을 딥러닝 알고리즘을 통해 인식하는 폐 병태 인식 단계(S200), 폐 병태 인식 결과에 의거하여 폐 병리 진단을 예측하는 폐 병리 진단 예측 단계(S300)를 포함하여 이루어질 수 있다.

전술한 폐 영역 분리 단계(S100)를 구체적으로 설명하면 다음과 같다.

우선, 도 9에 도시하는 바와 같이 질병 예측 장치(200)의 영상 입력부(210)는 카메라로 촬영한 폐 영상을 입력받는다(S110).

상기한 단계 S110에서 영상 입력부(210)가 입력받는 폐 영상은 진단 대상이 되는 영상으로, 샘플 영상 구축에 사용되지 않은 영상을 대상으로 한다.

이후에는 영상 크로핑부(220)가 상기한 단계 S110에서 입력받은 폐 영상에서 폐가 위치하는 사각 영역만을 남기고 나머지 부분은 잘라낸다(S120).

상기한 단계 S120에서 사각 영역은 사용자 입력에 의해 지정된 범위를 통하여 결정될 수 있다.

상기한 단계 S120을 통해 폐가 위치한 사각 영역으로 관심 영역이 축소되면, 폐 영역 분리부(230)는 사각 영역에서 전경 영역을 추출하여 폐 영역을 분리한다(S130).

구체적으로, 사각 영역에서 폐 영역인 전경 영역과 배경 영역을 분리한 후, 전경 영역에 해당하는 픽셀을 추출하여 폐 영역을 분리한다. 여기서, 전경 영역에 해당하는 픽셀을 추출하여 폐 영역을 분리할 때, 분리된 전경 객체들 중에서 픽셀수가 작은 객체들은 제거함으로써 잡음을 억제하고 폐 영역만을 분리할 수 있다.

한편, 폐 병태 인식 단계(S200)를 구체적으로 설명하면 다음과 같다.

우선, 도 10에 도시하는 바와 같이 질병 예측 장치(200)의 폐 병태 인식부(240)는 상기한 폐 영역 분리 단계(S100)를 통해 분리된 폐 영역에 대하여 사용자 지정 크기의 윈도우를 픽셀 단위로 이동시키면서(S210), 인식기를 이용하여 각 윈도우의 중심 픽셀에서 각각의 병태가 있을 확률을 검출하고, 각 윈도우의 중심 픽셀에서 병태별로 검출된 확률에 의거하여 병태를 인식하되, 사용자 지정 크기 윈도우의 영상 데이터를 입력 데이터로, 각 윈도우의 중심 픽셀에 대응하는 픽셀의 학습 데이터를 정답 데이터로 입력받아, 입력 데이터와 정답 데이터의 비교를 통해 각 윈도우의 중심 픽셀에서 각각의 병태가 있을 확률을 검출하고, 각 중심 픽셀에서 병태별로 검출된 확률이 병태별 사용자 지정 임계값 이상인지 여부에 따라 각 윈도우의 중심 픽셀에 대한 폐 병태 유무를 판단한다(S220).

한편, 폐 병리 진단 예측 단계(S300)를 구체적으로 설명하면 다음과 같다.

상기한 폐 병태 인식 단계(S200)를 통해 각각의 픽셀에서 각각의 폐 병태가 존재하는지 여부가 판단되면, 폐 병리 진단 예측부(250)는 폐 병태 인식 단계(S200)를 통해 인식된 폐 병태가 전체 폐 영역에서 차지하는 비율과 폐 병태 인식에 사용된 샘플들에 대한 병리학, 세균학적 병리 진단 확률 사이의 상관관계를 분석하여 폐 병리 진단을 예측한다.

상기한 폐 병리 진단 예측 단계(S300)에서 폐 병리 진단 예측 결과는 진단 가능한 질병들에 대한 각각의 확률로 나타낼 수 있다.

본 발명의 일 실시예에 따른 질병 예측 방법은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.

상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.

컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.

프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

100. 학습 장치, 110, 210. 영상 입력부,
120, 220. 영상 크로핑부, 130, 230. 폐 영역 분리부,
140. 학습부, 200. 질병 예측 장치,
240. 폐 병태 인식부, 250. 폐 병리 진단 예측부

Claims (10)

1. 영상 입력부가 레이블된 정보를 포함하지 않는 병리 진단이 내려진 폐에 대한 샘플 영상을 입력받는 단계;
   영상 크로핑부가 상기 영상 입력부를 통해 입력받은 폐 영상에서 폐가 위치하는 사각 영역만을 남기고 나머지 부분은 잘라내고, 상기 폐 영역 분리부가 그랩컷(grabcut) 알고리즘을 이용하여 상기 사각 영역에서 전경 영역을 추출하여 폐 영역만을 분리하는 단계;
   학습부가 상기 폐 영역 분리부에서 분리된 폐 영역에 대하여 사용자 지정 크기의 윈도우를 픽셀 단위로 시리얼화시켜 이동시키면서, 상기 각 윈도우의 영상 데이터를 입력 데이터로, 상기 각 윈도우의 중심 픽셀에 대응하는 픽셀의 레이블링 데이터를 정답 데이터로 입력받아 폐 병태 인식에 사용되는 인식기를 학습시키는 단계;
   폐 영역 분리부가 카메라로 촬영한 폐 영상에서 폐 영역만을 분리하는 폐 영역 분리 단계;
   폐 병태 인식부가 상기 폐 영역 분리부에서 분리된 폐 영역에 대해 사용자 지정 크기의 윈도우를 픽셀 단위로 이동시키면서, 상기 각 윈도우의 중심 픽셀에서 각각의 병태가 있을 확률을 검출하고, 상기 중심 픽셀에서 병태별로 검출된 확률에 의거하여 병태를 인식하는 폐 병태 인식 단계; 및
   폐 병리 진단 예측부가 상기 폐 병태 인식부에서 인식된 폐 병태 인식 결과에 의거하여 폐 병리 진단을 예측하되, 상기 인식된 폐 병태가 전체 폐 영역에서 차지하는 비율과 폐 병태 인식에 사용된 샘플들에 대한 병태 유형별 병리학, 세균학적 병리 진단 확률 사이의 상관관계를 분석하여 폐 병리 진단을 확률로 예측하는 폐 병리 진단 예측 단계;를 포함하며,
   상기 폐 병태 인식 단계는, 상기 폐 병태 인식부가 상기 분리된 폐 영역에 대하여 사용자 지정 크기의 윈도우를 픽셀 단위로 이동시키는 단계; 상기 각 윈도우의 영상 데이터를 입력 데이터로 입력받고, 상기 각 윈도우의 중심 픽셀에 대응하는 픽셀의 학습 데이터를 정답 데이터로 입력받아 기학습된 인식기를 이용하여 상기 입력 데이터와 정답 데이터의 비교를 통해 상기 각 윈도우의 중심 픽셀에서 각각의 병태가 있을 확률을 검출하는 단계; 및 상기 각 중심 픽셀에서 병태별로 검출된 확률이 병태별 사용자 지정 임계값 이상인지 여부에 따라 병태의 유무를 판단하는 단계;를 포함하며,
   상기 폐 영역 분리 단계는, 영상 입력부가 카메라로 촬영한 폐 영상을 입력받는 단계; 영상 크로핑부가 상기 영상 입력부를 통해 입력받은 폐 영상에서 폐가 위치하는 사각 영역만을 남기고 나머지 부분은 잘라내는 단계; 및 상기 폐 영역 분리부가 상기 사각 영역에서 전경 영역을 추출하여 폐 영역을 분리하는 단계;를 포함하며,
   상기 샘플 영상을 입력받는 단계는, 해당 영상에 대하여 병태별로 그 위치가 표시된 레이블링 데이터를 함께 입력받으며,
   상기 폐 영역을 분리하는 단계는, 사각 영역에서 폐 영역인 전경 영역과 배경 영역을 분리한 후, 전경 영역에 해당하는 픽셀을 추출하여 폐 영역을 분리하며, 전경 영역에 해당하는 픽셀을 추출하여 폐 영역을 분리할 때, 분리된 전경 객체들 중에서 픽셀수가 작은 객체들은 제거함으로써 잡음을 억제하고 폐 영역만을 분리하며,
   상기 영상 입력부가 입력받은 폐 영상은, 사용자가 도축된 가축의 폐를 진단하기 위해 도축된 가축에서 분리된 폐를 특정 배경에 올려놓고, 이를 촬영하여 얻은 영상이며,
   상기 영상 입력부는, 폐 영상을 이미지 형식의 파일로 입력받아 이를 상기 영상 크로핑부로 전달하는, 질병 예측 방법.
2. 삭제
3. 삭제
4. 삭제
5. 삭제
6. 제1항의 항에 따른 질병 예측 방법을 수행하기 위한, 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
7. 카메라로 촬영한 폐 영상을 입력받는 영상 입력부;
   상기 입력받은 폐 영상에서 폐가 위치하는 사각 영역만을 남기고 나머지 부분은 잘라내는 영상 크로핑부;
   그랩컷(grabcut) 알고리즘을 이용하여 상기 사각 영역에서 전경 영역을 추출하여 폐 영역을 분리하는 폐 영역 분리부;
   상기 분리된 폐 영역에 대해 사용자 지정 크기의 윈도우를 픽셀 단위로 이동시키면서, 상기 윈도우의 중심 픽셀에서 각각의 병태가 있을 확률을 검출하고, 상기 중심 픽셀에서 병태별로 검출된 확률에 의거하여 병태를 인식하는 폐 병태 인식부;
   폐 병태 인식 결과에 의거하여 폐 병리 진단을 예측하되, 상기 폐 병태 인식부에서 인식된 폐 병태가 전체 폐 영역에서 차지하는 비율과 폐 병태 인식에 사용된 샘플들에 대한 병태 유형별 병리학, 세균학적 병리 진단 확률 사이의 상관관계를 분석하여 폐 병리 진단을 확률로 예측하는 폐 병리 진단 예측부; 및
   레이블된 정보를 포함하지 않는 병리 진단이 내려진 폐에 대한 샘플 영상을 입력받는 영상 입력부, 상기 입력받은 폐 영상에서 폐가 위치하는 사각 영역만을 남기고 나머지 부분은 잘라내는 영상 크로핑부, 상기 사각 영역에서 전경 영역을 추출하여 폐 영역을 분리하는 폐 영역 분리부, 및 상기 분리된 폐 영역에 대하여 사용자 지정 크기의 윈도우를 픽셀 단위로 시리얼화시켜 이동시키면서, 상기 각 윈도우의 영상 데이터를 입력 데이터로, 상기 각 윈도우의 중심 픽셀에 대응하는 픽셀의 레이블링 데이터를 정답 데이터로 입력받아 폐 병태 인식에 사용되는 인식기를 학습시키는 학습부,를 포함하여 이루어지는 학습 장치;를 포함하며,
   상기 폐 영역 분리부는, 폐가 위치한 사각 영역으로 ROI(Region Of Interest)가 축소된 영상에서 폐 영역인 전경 영역과 배경 영역을 분리한 후, 전경 영역에 해당하는 픽셀을 추출하여 폐 영역을 분리하며, 전경 영역에 해당하는 픽셀을 추출하여 폐 영역을 분리할 때, 분리된 전경 객체들 중에서 픽셀수가 작은 객체들은 제거함으로써 잡음을 억제하고 폐 영역만을 분리하며,
   상기 폐 병태 인식부는, 기학습된 인식기를 이용하여 각 윈도우의 중심 픽셀에 대해 폐 병태 유무를 판단하되, 상기 분리된 폐 영역에 대하여 사용자 지정 크기의 윈도우를 픽셀 단위로 이동시키면서, 상기 각 윈도우의 영상 데이터를 입력 데이터로 입력받고, 상기 각 윈도우의 중심 픽셀에 대응하는 픽셀의 학습 데이터를 정답 데이터로 입력받아 상기 인식기를 이용하여 상기 입력 데이터와 학습 데이터의 비교를 통해 상기 각 윈도우의 중심 픽셀에서 각각의 병태가 있을 확률을 검출하고, 상기 각 중심 픽셀에서 병태별로 검출된 확률이 병태별로 사용자 지정 임계값 이상인지 여부에 따라 병태의 유무를 판단하며,
   상기 영상 입력부가 입력받은 폐 영상은, 사용자가 도축된 가축의 폐를 진단하기 위해 도축된 가축에서 분리된 폐를 특정 배경에 올려놓고, 이를 촬영하여 얻은 영상이며,
   상기 영상 입력부는, 폐 영상을 이미지 형식의 파일로 입력받아 이를 상기 영상 크로핑부로 전달하는, 질병 예측 장치.
8. 삭제
9. 삭제
10. 삭제

Images