KR101876338B1 - 신경망을 이용한 간 경변 예측 장치 및 방법 - Google Patents

신경망을 이용한 간 경변 예측 장치 및 방법 Download PDF

Info

Publication number
KR101876338B1
KR101876338B1 KR1020160180737A KR20160180737A KR101876338B1 KR 101876338 B1 KR101876338 B1 KR 101876338B1 KR 1020160180737 A KR1020160180737 A KR 1020160180737A KR 20160180737 A KR20160180737 A KR 20160180737A KR 101876338 B1 KR101876338 B1 KR 101876338B1
Authority
KR
South Korea
Prior art keywords
image
image region
classification model
disease state
region
Prior art date
Application number
KR1020160180737A
Other languages
English (en)
Other versions
KR20180076504A (ko
Inventor
구형일
허용석
Original Assignee
아주대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 아주대학교산학협력단 filed Critical 아주대학교산학협력단
Priority to KR1020160180737A priority Critical patent/KR101876338B1/ko
Publication of KR20180076504A publication Critical patent/KR20180076504A/ko
Application granted granted Critical
Publication of KR101876338B1 publication Critical patent/KR101876338B1/ko

Links

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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; 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
    • G06T2207/30056—Liver; Hepatic

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

본 실시예들은 다양한 위치에서 진행된 간 경변의 각 단계에 대해서 여러 표본 의료 영상들을 획득한 후에, 신경망을 통하여 검증 데이터와 비교 학습하고, 후보 영역을 검출하여 진행 정도를 영상에 수치적으로 표시함으로써, 수치화하기 어려운 간 경변 부위에 대해서 객관적인 지표를 제공하고, 의료 영상들의 다양한 환경 및 조건에서도 높은 정확도로 간의 경변 정도를 비 침습적으로 예측하고, 간 경변에서 간암으로 발전 가능한 영역을 사전에 검출할 수 있는 간 경변 예측 방법 및 장치를 제공한다.

Description

신경망을 이용한 간 경변 예측 장치 및 방법 {Method and Apparatus for Predicting Liver Cirrhosis Using Neural Network}
본 실시예가 속하는 기술 분야는 이미지 분석을 통하여 간 경변을 예측하는 장치 및 방법에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
간 질환은 간염에서 간 경변을 거쳐서 간암까지 발전할 수 있는 연속적인 질환이다. 경변이 심하게 진행된 간은 회복이 어려우므로, 사전에 발병 여부 또는 경변화의 정도를 측정하여 악화를 예방하는 것이 매우 중요하다.
간 질환 심각성 정도를 측정하는 방식으로는 침습적인 간 조직 검사가 있다. 혈액 검사나 복부 초음파, CT 또는 MR 검사를 거친 후, 침습적으로 간 조직 검사를 진행한다. 이러한 간 조직을 얻기 위한 침습적 방식은 환자에게 고통을 수반하고, 여러 가지 합병증 등의 부작용이 따를 가능성이 높다. 또한 간의 일부만을 떼어 판단하므로, 간의 전체 상태를 파악하기가 어렵다.
간 질환 심각성 정도를 측정하는 방식으로는 간 섬유화 스캔(Transient Elastography, TE) 방식이 있다. TE 방식은 간을 지나는 초음파의 이동 속도를 측정하고 간의 탄력도를 측정하여 간 섬유화의 정도를 예측한다. 이러한 방식은 실행시마다 오차가 많이 발생하므로, 최소 10번 이상의 성공적인 측정을 통하여 결과들의 중간값(Median)을 사용하고 있다. 게다가, 초음파 기반의 방법이라서 측정 시 환자의 상태(복수가 있거나, 비만인 경우)에 따라서 정확도의 차이가 많이 발생한다. 또한, B형 간염환자의 경우는 C형 간염환자보다 그 정확도가 낮은 문제가 있다.
기존의 비 침습적인 영상 검사는 간 경변의 정도를 진단함에 있어서 만족스러운 결과를 내지 못하고, 판독 의사마다 소견이 달라서 객관적인 지표가 마련되어 있지 않다. 따라서, 아직까지 영상 검사만으로 정확한 간 경변 정도를 진단하는 기준이 마련되어 있지 않은 실정이다.
본 발명의 실시예들은 기존의 간 영상 검사에서 의사의 주관적인 판단에 의해서 간 경변 정도가 결정되고 육안만으로 그 심각화 정도를 수치적으로 정량화하여 판단하기 어려운 문제를 해결하기 위하여, 간의 조직 세포에 문제가 생겨서 세포 수 감소로 인하여 간 표면의 탄력이 줄어들어 울퉁불퉁하게 변하고 다양한 위치에서 나타나는 간 경변 또는 간 섬유화의 특징을 이용함으로써, 간 경변 질환 단계를 수치적으로 정량화하여 비 침습적으로 예측하고자 한다.
본 발명의 실시예들은 다양한 위치에서 진행된 간 경변의 각 단계에 대해서 여러 표본 의료 영상들을 획득한 후에, 신경망을 통하여 검증 데이터와 비교 학습하고, 후보 영역을 검출하여 진행 정도를 영상에 수치적으로 표시함으로써, 수치화하기 어려운 간 경변 부위에 대해서 객관적인 지표를 제공하고, 의료 영상들의 다양한 환경 및 조건에서도 높은 정확도로 간의 경변 정도를 비 침습적으로 예측하고, 간 경변에서 간암으로 발전 가능한 영역을 사전에 검출하는 데 발명의 주된 목적이 있다.
본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 수 있다.
본 실시예의 일 측면에 의하면, 컴퓨팅 디바이스에 의한 간 경변 예측 방법에 있어서, 대상체를 포함하는 특정 영역을 촬영한 영상을 입력받는 단계, 상기 대상체의 제1 질병 상태에 관한 형태적 특징이 포함된 데이터 세트 및 제1 검증 데이터를 기반으로 학습하여, 상기 대상체의 제1 질병 상태에 관한 제1 영상 영역 분류 모델을 생성하는 단계, 상기 제1 영상 영역 분류 모델을 이용하여, 상기 영상으로부터 상기 제1 질병 상태에 관한 제1 영상 영역을 검출하는 단계, 및 상기 영상 위에 상기 제1 영상 영역을 표시하는 단계를 포함하는 간 경변 예측 방법을 제공한다.
본 실시예의 다른 측면에 의하면, 대상체를 포함하는 특정 영역을 촬영한 영상을 입력받는 영상 입력부, 상기 대상체의 제1 질병 상태에 관한 형태적 특징이 포함된 데이터 세트 및 제1 검증 데이터를 기반으로 학습하여, 상기 대상체의 제1 질병 상태에 관한 제1 영상 영역 분류 모델을 생성하는 제1 영상 영역 분류 모델 생성부, 상기 제1 영상 영역 분류 모델을 이용하여, 상기 영상으로부터 상기 제1 질병 상태에 관한 제1 영상 영역을 검출하는 제1 영상 영역 검출부, 및 상기 영상 위에 상기 제1 영상 영역을 표시하는 영상 표시부를 포함하는 간 경변 예측 장치를 제공한다.
이상에서 설명한 바와 같이 본 발명의 실시예들에 의하면, 다양한 위치에서 진행된 간 경변의 각 단계에 대해서 여러 표본 의료 영상들을 획득한 후에, 신경망을 통하여 검증 데이터와 비교 학습하고, 후보 영역을 검출하여 진행 정도를 영상에 수치적으로 표시함으로써, 수치화하기 어려운 간 경변 부위에 대해서 객관적인 지표를 제공하고, 의료 영상들의 다양한 환경 및 조건에서도 높은 정확도로 간의 경변 정도를 비 침습적으로 예측하고, 간 경변에서 간암으로 발전 가능한 영역을 사전에 검출할 수 있는 효과가 있다.
여기에서 명시적으로 언급되지 않은 효과라 하더라도, 본 발명의 기술적 특징에 의해 기대되는 이하의 명세서에서 기재된 효과 및 그 잠정적인 효과는 본 발명의 명세서에 기재된 것과 같이 취급된다.
도 1 및 도 2는 본 발명의 실시예들에 따른 간 경변 예측 장치를 예시한 블록도이다.
도 3은 본 발명의 일 실시예에 따른 간 경변 예측 장치가 표시하는 영상을 예시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 간 경변 예측 장치가 신경망을 이용하여 제1 질병 상태를 검출하고, 신뢰도를 산출하고, 제2 질병 상태를 검출하는 동작을 나타내는 도면이다.
도 5 및 도 6은 본 발명의 다른 실시예들에 따른 간 경변 예측 방법을 예시한 흐름도이다.
이하, 본 발명을 설명함에 있어서 관련된 공지기능에 대하여 이 분야의 기술자에게 자명한 사항으로서 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하고, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다.
도 1 및 도 2는 본 발명의 실시예들에 따른 간 경변 예측 장치를 예시한 블록도이고, 도 3은 본 발명의 일 실시예에 따른 간 경변 예측 장치가 표시하는 영상을 예시한 도면이다.
도 1에 도시한 바와 같이, 간 경변 예측 장치(100)는 영상 입력부(110), 제1 영상 영역 분류 모델 생성부(120), 제1 영상 영역 검출부(130), 및 영상 표시부(140)를 포함한다. 간 경변 예측 장치(100)는 도 1에서 예시적으로 도시한 다양한 구성요소들 중에서 일부 구성요소를 생략하거나 다른 구성요소를 추가로 포함할 수 있다. 도 2를 참조하면, 간 경변 예측 장치(200)는 신뢰도 평가 모델 생성부(240), 신뢰도 평가부(250), 제2 영상 영역 분류 모델 생성부(260), 제2 영상 영역 검출부(270) 중 적어도 하나를 추가로 포함할 수 있다.
간 경변 예측 장치(100)는 신경망을 이용하여 간 경변이 발생한 영역들을 추출하고, 간 경변의 정도에 따라 수치화한다. 간 경변 예측 장치(100)는 (i) 간 경변 후보 영역 및 진행 정도에 관한 데이터 및 (ii) 검증 데이터 간의 차이를 수치화하여 산출한다. 간 경변 예측 장치(100)는 간 경변 영역 중 간암 발병 확률이 높은 영역을 예측한다.
먼저, 간 경변 예측 장치(100)가 신경망을 이용하여 간 경변이 발생한 영역들을 추출하는 동작을 설명한다.
영상 입력부(110)는 대상체를 포함하는 특정 영역을 촬영한 영상을 입력받는다. 영상 촬영 장치(10)는 초음파, CT(Computed Tomography), MR(Magnetic Resonance) 등과 같은 의료 영상들을 촬영하는 장치이다. 도 3의 (a)를 참조하면, 영상 입력부(110)는 간(310)을 대상체로 하여 촬영된 영상을 입력받는다.
제1 영상 영역 분류 모델 생성부(120)는 대상체의 제1 질병 상태에 관한 형태적 특징이 포함된 데이터 세트 및 제1 검증 데이터를 기반으로 학습하여, 대상체의 제1 질병 상태에 관한 제1 영상 영역 분류 모델을 생성한다.
제1 영상 영역 분류 모델 생성부(120)는 간 경변의 위치, 모양, 크기, 구조, 텍스처, 색깔, 또는 이들의 조합을 기준으로 간 경변에 관한 이미지 세트를 학습하여, 제1 영상 영역 분류 모델을 생성한다.
제1 영상 영역 검출부(130)는 제1 영상 영역 분류 모델을 이용하여, 영상으로부터 제1 질병 상태에 관한 제1 영상 영역을 검출한다.
영상 표시부(140)는 영상 위에 제1 영상 영역을 표시한다. 도 3의 (b)를 참조하면, 영상 표시부(140)는 간 경변 후보 영역(321, 322, 323, 324)을 표시한다.
간 경변 예측 장치가 간 경변의 정도에 따라 수치화하는 동작을 설명한다. 예컨대, 간 경변 예측 장치(100)는 0 내지 100 사이의 수치로 심각화 정도를 예측한다.
제1 영상 영역 분류 모델 생성부(220)는, 대상체의 제1 질병 상태에 관한 형태적 특징이 포함된 데이터 세트를 기 설정된 등급 내에서 제1 질병 상태의 진행 정도에 따라 수치화한다.
영상 표시부(280)는, 제1 질병 상태의 진행 정도에 따른 수치를 제1 영상 영역과 함께 표시한다. 도 3의 (c)를 참조하면, 영상 표시부(280)는 간 경화 상태의 진행 정도에 따른 수치(331, 332, 333, 334)를 표시한다.
간 경변 예측 장치가 (i) 간 경변 후보 영역 및 진행 정도에 관한 데이터 및 (ii) 검증 데이터 간의 차이를 수치화하여 산출하는 동작을 설명한다.
신뢰도 평가 모델 생성부(240)는 대상체의 제1 질병 상태에 관한 형태적 특징이 포함된 데이터 세트, 제1 영상 영역, 및 제1 검증 데이터를 기반으로 학습하여, 제1 질병 상태의 진행 정도에 따른 수치에 관한 신뢰도 평가 모델을 생성한다.
신뢰도 평가부(250)는 신뢰도 평가 모델을 이용하여, 제1 영상 영역에 대하여 제1 질병 상태의 진행 정도에 따른 수치에 관한 신뢰도를 수치화한다. 예컨대, 간 경변 예측 장치(100)는 0 내지 100 사이의 수치로 신뢰도를 평가한다.
영상 표시부(280)는, 영상 위에 제1 질병 상태의 진행 정도에 따른 수치에 관한 신뢰도에 따른 수치를 제1 영상 영역과 함께 표시한다. 도 3의 (c)를 참조하면, 영상 표시부(280)는 간 경화 상태의 진행 정도에 따른 수치(331, 332, 333, 334)에 관한 신뢰도에 따른 수치(351, 352, 353, 354)를 표시한다.
간 경변 예측 장치가 간 경변 영역 중 간암 발병 확률이 높은 영역을 예측하는 동작을 설명한다.
제2 영상 영역 분류 모델 생성부(260)는 대상체의 제2 질병 상태에 관한 형태적 특징이 포함된 데이터 세트 및 제2 검증 데이터를 기반으로 학습하여, 대상체의 제2 질병 상태에 관한 제2 영상 영역 분류 모델을 생성한다.
제2 영상 영역 분류 모델 생성부(260)는 간암의 모양, 크기, 구조, 텍스처, 색깔, 또는 이들의 조합을 기준으로 간암 이미지 세트를 학습하여, 제2 영상 영역 분류 모델을 생성한다.
제2 영상 영역 검출부(270)는 제2 영상 영역 분류 모델을 이용하여, 제1 영상 영역으로부터 제2 질병 상태에 관한 제2 영상 영역을 검출한다.
영상 표시부(280)는, 영상 위에 제1 영상 영역 중에서 제2 영상 영역을 표시한다. 도 3의 (d)를 참조하면, 영상 표시부(280)는 간 경화 후보 영역(321, 322, 323, 324) 중에서 간암 발병 확률이 높은 영역(370)을 표시한다.
도 4는 본 발명의 일 실시예에 따른 간 경변 예측 장치가 신경망을 이용하여 제1 질병 상태를 검출하고, 신뢰도를 산출하고, 제2 질병 상태를 검출하는 동작을 나타내는 도면이다.
제1 영상 영역 분류 모델 생성부는, 하나 이상의 레이어에서 컨볼루션 연산자를 통해 특징을 추출하여 특징 맵을 생성하고, 하나 이상의 레이어의 노드들은 네트워크로 연결되며, 추출한 특징을 다른 레이어에 전달하고, 서브샘플링을 통해 추출한 특징을 통합하여 공간적 차원을 축소시키는 과정을 수행하여, 제1 영상 영역 분류 모델의 파라미터를 학습한다.
도 4를 참조하면, 간 경변 예측 장치는 입력 영상에 대해서 네트워크1(Network(1))을 통하여 간 경변화가 진행된 위치와 그 심각화 정도를 예측하는 기능을 학습한다. 네트워크1은 우선 컨볼루션 레이어1(Conv. Layer(1))를 통하여 특징 맵1(Feature map(1))을 생성한다. 이때, 컨볼루션 레이어1은 여러 층의 컨볼루션 레이어로 구성되어 있고, Vgg-net이나 Residual-net 등과 같은 네트워크를 사용할 수 있다.
특징 맵1에 대해서 경변화된 간의 위치 및 그 심각화 정도를 예측할 수 있는 레이어(Layer)인 영역 단계 회귀 레이어(Region and Stage Regression Layer)를 학습한다. 영역 단계 회귀 레이어에서는 각 픽셀 위치마다 3x3 또는 5x5 크기의 컨볼루션 레이어2(Conv. Layer(2))를 통해서 특징 맵2(Feature map(2)), 예컨대, 256-d 또는 512-d 벡터를 얻는 기능을 하고, 각 위치의 특징 벡터에 대해서 풀리 커넥티드 레이어1(Fully Connected Layer(1))을 통해서 간 경변 후보 영역에 해당하는 네 가지 모서리 위치 및 그 위치에서의 간 경변 심각화 정도의 수치를 동시에 출력하는 기능을 한다.
영역 단계 회귀 레이어의 출력을 X라고 하고, 이는 경변화 가능성이 있는 간의 위치(Bounding box의 네 가지 모서리 위치)와 그 위치에서의 심각화된 정도 (0 내지 100에서의 숫자)가 포함된 벡터(5d Vector)들의 집합이다. 학습을 위해서 X와 참값 데이터 X1 간의 유클리드 거리(Euclidean Distance)와 같은 적절한 손실(Loss) 함수 f1(X, X1)를 이용하여 전체 네트워크1을 학습한다.
신뢰도 평가 모델 생성부는, 제1 영상 영역의 위치에 대한 마스크 맵을 생성하고, 네트워크로 연결된 하나 이상의 레이어의 노드들을 통해 제1 영상 영역을 분류하고, 제1 검증 데이터와 비교하여 신뢰도 평가 모델의 파라미터를 학습한다.
학습된 네트워크1의 출력 값에 대한 신뢰도를 측정할 수 있는 네트워크2(Network(2))를 학습한다. 이는 네트워크1의 출력 값 X에 대한 신뢰도를 측정하기 위한 목적으로 사용한다. 네트워크2는 신뢰도 회귀 레이어(Confidence Regression Layer)로 구성되어 있고, 네트워크1에서 얻은 출력 값 X 중에서 간 경변 위치들을 입력으로 받아서 마스크(Mask) 영역을 결정한다. 각 마스크 영역에 대해서 풀리 커넥티드 레이어2(Fully Connected Layer(2))를 통하여 경변화 정도를 담고 있는 값 Y를 출력한다. 네트워크2의 출력 Y는 네크워크1의 출력과 참값 간의 거리인 f1값 자체를 예측하기 위한 목적을 가지고 있고, 이를 위해서 Y와 f1(X, X1) 간의 사이의 유클리드 거리와 같은 적절한 손실 함수 f2(Y, X, X1)를 이용하여 네트워크2를 학습한다.
제2 영상 영역 분류 모델 생성부는, 제1 영상 영역의 위치에 대한 마스크 맵을 생성하고, 네트워크로 연결된 하나 이상의 레이어의 노드들을 통해 제2 영상 영역을 분류하고, 제2 검증 데이터와 비교하여 제2 영상 영역 분류 모델의 파라미터를 학습한다.
네트워크2와 유사하게, 간 경변후보 영역 중에서 간암으로 발전 가능성이 높은 영역들에 대해서 검출할 수 있는 네트워크3(Network(3))을 학습한다. 네트워크2와 마찬가지로, 캔서 디텍션 레이어(Cancer Detection Layer)는 마스크 맵(Mask Map)과 풀리 커넥티드 레이어3(Fully Connected Layer(3))으로 구성되어 있고, 출력 값 Z는 각 간 경변 후보 영역에 대해서, 간암으로 발전 가능성이 높은 영역은 1로 출력하고, 그 외의 영역은 0으로 출력으로 하는 벡터이다. 네트워크3을 통하여 기 설정된 임계치보다 큰 값을 갖는지 비교한다. 마찬가지로, 참값 Z1와의 적절한 손실 함수 f3(Z, Z1)를 이용하여 학습한다.
본 실시예들에 의하면, 수치화하기 어려운 간 경변 부위에 대해서 객관적인 지표를 제공하고, 의료 영상들의 다양한 환경 및 조건에서도 높은 정확도로 간의 경변 정도를 비 침습적으로 예측하고, 간 경변에서 간암으로 발전 가능한 영역을 사전에 검출할 수 있는 효과가 있다.
간 경변 예측 장치에 포함된 구성요소들은 장치 내부의 소프트웨어적인 모듈 또는 하드웨어적인 모듈을 연결하는 통신 경로에 연결되어 상호 간에 유기적으로 동작한다. 이러한 구성요소들은 하나 이상의 통신 버스 또는 신호선을 이용하여 통신한다.
간 경변 예측 장치는 하드웨어, 펌웨어, 소프트웨어 또는 이들의 조합에 의해 로직회로 내에서 구현될 수 있고, 범용 또는 특정 목적 컴퓨터를 이용하여 구현될 수도 있다. 장치는 고정배선형(Hardwired) 기기, 필드 프로그램 가능한 게이트 어레이(Field Programmable Gate Array, FPGA), 주문형 반도체(Application Specific Integrated Circuit, ASIC) 등을 이용하여 구현될 수 있다. 또한, 장치는 하나 이상의 프로세서 및 컨트롤러를 포함한 시스템온칩(System on Chip, SoC)으로 구현될 수 있다.
간 경변 예측 장치는 하드웨어적 요소가 마련된 컴퓨팅 디바이스 또는 서버에 소프트웨어, 하드웨어, 또는 이들의 조합하는 형태로 탑재될 수 있다. 컴퓨팅 디바이스 또는 서버는 각종 기기 또는 유무선 통신망과 통신을 수행하기 위한 통신 모뎀 등의 통신장치, 프로그램을 실행하기 위한 데이터를 저장하는 메모리, 프로그램을 실행하여 연산 및 명령하기 위한 마이크로프로세서 등을 전부 또는 일부 포함한 다양한 장치를 의미할 수 있다.
도 5 및 도 6은 본 발명의 다른 실시예들에 따른 간 경변 예측 방법을 예시한 흐름도이다. 간 경변 예측 방법은 컴퓨팅 디바이스에 의하여 수행될 수 있으며, 간 경변 예측 장치와 동일한 방식으로 동작한다.
단계 S510에서, 컴퓨팅 디바이스는 대상체를 포함하는 특정 영역을 촬영한 영상을 입력받는다.
단계 S520에서, 컴퓨팅 디바이스는 대상체의 제1 질병 상태에 관한 형태적 특징이 포함된 데이터 세트 및 제1 검증 데이터를 기반으로 학습하여, 대상체의 제1 질병 상태에 관한 제1 영상 영역 분류 모델을 생성한다.
제1 영상 영역 분류 모델을 생성하는 단계(S520)는 간 경변의 위치, 모양, 크기, 구조, 텍스처, 색깔, 또는 이들의 조합을 기준으로 간 경변에 관한 이미지 세트를 학습하여, 제1 영상 영역 분류 모델을 생성한다.
제1 영상 영역 분류 모델을 생성하는 단계(S520)는 하나 이상의 레이어에서 컨볼루션 연산자를 통해 특징을 추출하여 특징 맵을 생성하고, 하나 이상의 레이어의 노드들은 네트워크로 연결되며, 추출한 특징을 다른 레이어에 전달하고, 서브샘플링을 통해 추출한 특징을 통합하여 공간적 차원을 축소시키는 과정을 수행하여, 제1 영상 영역 분류 모델의 파라미터를 학습한다.
제1 영상 영역 분류 모델을 생성하는 단계(S520)는 대상체의 제1 질병 상태에 관한 형태적 특징이 포함된 데이터 세트를 기 설정된 등급 내에서 제1 질병 상태의 진행 정도에 따라 수치화한다.
단계 S530에서, 컴퓨팅 디바이스는 제1 영상 영역 분류 모델을 이용하여, 영상으로부터 제1 질병 상태에 관한 제1 영상 영역을 검출한다. 과정 S540에서, 컴퓨팅 디바이스는 영상 위에 제1 영상 영역을 표시한다. 제1 영상 영역을 표시하는 단계(S540)는, 제1 질병 상태의 진행 정도에 따른 수치를 제1 영상 영역과 함께 표시할 수 있다.
도 6을 참조하면, 간 경변 예측 방법은 단계 S640, 단계 S650, 단계 S660, 단계 S670 중 적어도 하나를 추가로 포함할 수 있다.
단계 S610에서, 컴퓨팅 디바이스는 대상체를 포함하는 특정 영역을 촬영한 영상을 입력받는다.
단계 S620에서, 컴퓨팅 디바이스는 컴퓨팅 디바이스는 대상체의 제1 질병 상태에 관한 형태적 특징이 포함된 데이터 세트 및 제1 검증 데이터를 기반으로 학습하여, 대상체의 제1 질병 상태에 관한 제1 영상 영역 분류 모델을 생성한다. 단계 S630에서, 컴퓨팅 디바이스는 제1 영상 영역 분류 모델을 이용하여, 영상으로부터 제1 질병 상태에 관한 제1 영상 영역을 검출한다.
단계 S640에서, 컴퓨팅 디바이스는 대상체의 제1 질병 상태에 관한 형태적 특징이 포함된 데이터 세트, 제1 영상 영역, 및 제1 검증 데이터를 기반으로 학습하여, 제1 질병 상태의 진행 정도에 따른 수치에 관한 신뢰도 평가 모델을 생성한다.
신뢰도 평가 모델을 생성하는 단계(S640)는 제1 영상 영역의 위치에 대한 마스크 맵을 생성하고, 네트워크로 연결된 하나 이상의 레이어의 노드들을 통해 제1 영상 영역을 분류하고, 제1 검증 데이터와 비교하여 신뢰도 평가 모델의 파라미터를 학습한다.
단계 S650에서, 컴퓨팅 디바이스는 신뢰도 평가 모델을 이용하여, 제1 영상 영역에 대하여 제1 질병 상태의 진행 정도에 따른 수치에 관한 신뢰도를 수치화한다.
단계 S660에서, 컴퓨팅 디바이스는 대상체의 제2 질병 상태에 관한 형태적 특징이 포함된 데이터 세트 및 제2 검증 데이터를 기반으로 학습하여, 대상체의 제2 질병 상태에 관한 제2 영상 영역 분류 모델을 생성한다.
제2 영상 영역 분류 모델을 생성하는 단계(S660)는 간암의 모양, 크기, 구조, 텍스처, 색깔, 또는 이들의 조합을 기준으로 간암 이미지 세트를 학습하여, 제2 영상 영역 분류 모델을 생성한다.
제2 영상 영역 분류 모델을 생성하는 단계(S660)는 제1 영상 영역의 위치에 대한 마스크 맵을 생성하고, 네트워크로 연결된 하나 이상의 레이어의 노드들을 통해 제2 영상 영역을 분류하고, 제2 검증 데이터와 비교하여 제2 영상 영역 분류 모델의 파라미터를 학습한다.
단계 S670에서, 컴퓨팅 디바이스는 제2 영상 영역 분류 모델을 이용하여, 제1 영상 영역으로부터 제2 질병 상태에 관한 제2 영상 영역을 검출한다.
단계 S680에서, 컴퓨팅 디바이스는 영상 위에 제1 질병 상태의 진행 정도에 따른 수치에 관한 신뢰도에 따른 수치를 제1 영상 영역과 함께 표시할 수 있다. 단계 S680은 영상 위에 제1 영상 영역 중에서 제2 영상 영역을 표시할 수 있다.
도 5 및 도 6에서는 각각의 과정을 순차적으로 실행하는 것으로 기재하고 있으나 이는 예시적으로 설명한 것에 불과하고, 이 분야의 기술자라면 본 발명의 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 5 및 도 6에 기재된 순서를 변경하여 실행하거나 또는 하나 이상의 과정을 병렬적으로 실행하거나 다른 과정을 추가하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이다.
본 실시예들에 따른 동작은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능한 매체에 기록될 수 있다. 컴퓨터 판독 가능한 매체는 실행을 위해 프로세서에 명령어를 제공하는 데 참여한 임의의 매체를 나타낸다. 컴퓨터 판독 가능한 매체는 프로그램 명령, 데이터 파일, 데이터 구조 또는 이들의 조합을 포함할 수 있다. 예를 들면, 자기 매체, 광기록 매체, 메모리 등이 있을 수 있다. 컴퓨터 프로그램은 네트워크로 연결된 컴퓨터 시스템 상에 분산되어 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 본 실시예를 구현하기 위한 기능적인(Functional) 프로그램, 코드, 및 코드 세그먼트들은 본 실시예가 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있을 것이다.
본 실시예들은 본 실시예의 기술 사상을 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
10: 영상 촬영 장치
100, 200: 간 경변 예측 장치
110, 210: 영상 입력부
120, 220: 제1 영상 영역 분류 모델 생성부
130, 230: 제1 영상 영역 검출부
140, 280: 영상 표시부
240: 신뢰도 평가 모델 생성부
250: 신뢰도 평가부
260: 제2 영상 영역 분류 모델 생성부
270: 제2 영상 영역 검출부

Claims (18)

  1. 컴퓨팅 디바이스에 의한 간 경변 예측 방법에 있어서,
    대상체를 포함하는 특정 영역을 촬영한 영상을 입력받는 단계;
    상기 대상체의 제1 질병 상태에 관한 형태적 특징이 포함된 데이터 세트 및 제1 검증 데이터를 기반으로 학습하여, 상기 대상체의 제1 질병 상태에 관한 제1 영상 영역 분류 모델을 생성하는 단계;
    상기 제1 영상 영역 분류 모델을 이용하여, 상기 영상으로부터 상기 제1 질병 상태에 관한 제1 영상 영역을 검출하는 단계; 및
    상기 영상 위에 상기 제1 영상 영역을 표시하는 단계를 포함하며,
    상기 제1 영상 영역 분류 모델을 생성하는 단계는, 하나 이상의 레이어에서 컨볼루션 연산자를 통해 특징을 추출하여 특징 맵을 생성하고, 상기 하나 이상의 레이어의 노드들은 네트워크로 연결되며, 상기 추출한 특징을 다른 레이어에 전달하고, 서브샘플링을 통해 상기 추출한 특징을 통합하여 공간적 차원을 축소시키는 과정을 수행하여, 상기 제1 영상 영역 분류 모델의 파라미터를 학습하는 것을 특징으로 하는 간 경변 예측 방법.
  2. 제1항에 있어서,
    상기 제1 영상 영역 분류 모델을 생성하는 단계는,
    간 경변의 위치, 모양, 크기, 구조, 텍스처, 색깔, 또는 이들의 조합을 기준으로 간 경변에 관한 이미지 세트를 학습하여, 상기 제1 영상 영역 분류 모델을 생성하는 것을 특징으로 하는 간 경변 예측 방법.
  3. 삭제
  4. 제1항에 있어서,
    상기 대상체의 제1 질병 상태에 관한 제1 영상 영역 분류 모델을 생성하는 단계는, 상기 대상체의 제1 질병 상태에 관한 형태적 특징이 포함된 데이터 세트를 기 설정된 등급 내에서 상기 제1 질병 상태의 진행 정도에 따라 수치화하고,
    상기 제1 영상 영역을 표시하는 단계는, 상기 제1 질병 상태의 진행 정도에 따른 수치를 상기 제1 영상 영역과 함께 표시하는 것을 특징으로 하는 간 경변 예측 방법.
  5. 제4항에 있어서,
    상기 대상체의 제1 질병 상태에 관한 형태적 특징이 포함된 데이터 세트, 상기 제1 영상 영역, 및 상기 제1 검증 데이터를 기반으로 학습하여, 상기 제1 질병 상태의 진행 정도에 따른 수치에 관한 신뢰도 평가 모델을 생성하는 단계; 및
    상기 신뢰도 평가 모델을 이용하여, 상기 제1 영상 영역에 대하여 상기 제1 질병 상태의 진행 정도에 따른 수치에 관한 신뢰도를 수치화하는 단계를 추가로 포함하며,
    상기 영상 위에 상기 제1 영상 영역을 표시하는 단계는, 상기 영상 위에 상기 제1 질병 상태의 진행 정도에 따른 수치에 관한 신뢰도에 따른 수치를 상기 제1 영상 영역과 함께 표시하는 것을 특징으로 하는 간 경변 예측 방법.
  6. 제5항에 있어서,
    상기 신뢰도 평가 모델을 생성하는 단계는,
    상기 제1 영상 영역의 위치에 대한 마스크 맵을 생성하고, 네트워크로 연결된 하나 이상의 레이어의 노드들을 통해 상기 제1 영상 영역을 분류하고, 상기 제1 검증 데이터와 비교하여 상기 신뢰도 평가 모델의 파라미터를 학습하는 것을 특징으로 하는 간 경변 예측 방법.
  7. 제1항에 있어서,
    상기 대상체의 제2 질병 상태에 관한 형태적 특징이 포함된 데이터 세트 및 제2 검증 데이터를 기반으로 학습하여, 상기 대상체의 제2 질병 상태에 관한 제2 영상 영역 분류 모델을 생성하는 단계; 및
    상기 제2 영상 영역 분류 모델을 이용하여, 상기 제1 영상 영역으로부터 상기 제2 질병 상태에 관한 제2 영상 영역을 검출하는 단계를 추가로 포함하며,
    상기 영상 위에 상기 제1 영상 영역을 표시하는 단계는, 상기 영상 위에 상기 제1 영상 영역 중에서 상기 제2 영상 영역을 표시하는 것을 특징으로 하는 간 경변 예측 방법.
  8. 제7항에 있어서,
    상기 제2 영상 영역 분류 모델을 생성하는 단계는,
    간암의 모양, 크기, 구조, 텍스처, 색깔, 또는 이들의 조합을 기준으로 간암 이미지 세트를 학습하여, 상기 제2 영상 영역 분류 모델을 생성하는 것을 특징으로 하는 간 경변 예측 방법.
  9. 제7항에 있어서,
    상기 제2 영상 영역 분류 모델을 생성하는 단계는,
    상기 제1 영상 영역의 위치에 대한 마스크 맵을 생성하고, 네트워크로 연결된 하나 이상의 레이어의 노드들을 통해 상기 제2 영상 영역을 분류하고, 상기 제2 검증 데이터와 비교하여 상기 제2 영상 영역 분류 모델의 파라미터를 학습하는 것을 특징으로 하는 간 경변 예측 방법.
  10. 대상체를 포함하는 특정 영역을 촬영한 영상을 입력받는 영상 입력부;
    상기 대상체의 제1 질병 상태에 관한 형태적 특징이 포함된 데이터 세트 및 제1 검증 데이터를 기반으로 학습하여, 상기 대상체의 제1 질병 상태에 관한 제1 영상 영역 분류 모델을 생성하는 제1 영상 영역 분류 모델 생성부;
    상기 제1 영상 영역 분류 모델을 이용하여, 상기 영상으로부터 상기 제1 질병 상태에 관한 제1 영상 영역을 검출하는 제1 영상 영역 검출부; 및
    상기 영상 위에 상기 제1 영상 영역을 표시하는 영상 표시부를 포함하며,
    상기 제1 영상 영역 분류 모델 생성부는, 하나 이상의 레이어에서 컨볼루션 연산자를 통해 특징을 추출하여 특징 맵을 생성하고, 상기 하나 이상의 레이어의 노드들은 네트워크로 연결되며, 상기 추출한 특징을 다른 레이어에 전달하고, 서브샘플링을 통해 상기 추출한 특징을 통합하여 공간적 차원을 축소시키는 과정을 수행하여, 상기 제1 영상 영역 분류 모델의 파라미터를 학습하는 것을 특징으로 하는 간 경변 예측 장치.
  11. 제10항에 있어서,
    상기 제1 영상 영역 분류 모델 생성부는,
    간 경변의 위치, 모양, 크기, 구조, 텍스처, 색깔, 또는 이들의 조합을 기준으로 간 경변에 관한 이미지 세트를 학습하여, 상기 제1 영상 영역 분류 모델을 생성하는 것을 특징으로 하는 간 경변 예측 장치.
  12. 삭제
  13. 제10항에 있어서,
    상기 제1 영상 영역 분류 모델 생성부는, 상기 대상체의 제1 질병 상태에 관한 형태적 특징이 포함된 데이터 세트를 기 설정된 등급 내에서 상기 제1 질병 상태의 진행 정도에 따라 수치화하고,
    상기 영상 표시부는, 상기 제1 질병 상태의 진행 정도에 따른 수치를 상기 제1 영상 영역과 함께 표시하는 것을 특징으로 하는 간 경변 예측 장치.
  14. 제13항에 있어서,
    상기 대상체의 제1 질병 상태에 관한 형태적 특징이 포함된 데이터 세트, 상기 제1 영상 영역, 및 상기 제1 검증 데이터를 기반으로 학습하여, 상기 제1 질병 상태의 진행 정도에 따른 수치에 관한 신뢰도 평가 모델을 생성하는 신뢰도 평가 모델 생성부; 및
    상기 신뢰도 평가 모델을 이용하여, 상기 제1 영상 영역에 대하여 상기 제1 질병 상태의 진행 정도에 따른 수치에 관한 신뢰도를 수치화하는 신뢰도 평가부를 추가로 포함하며,
    상기 영상 표시부는, 상기 영상 위에 상기 제1 질병 상태의 진행 정도에 따른 수치에 관한 신뢰도에 따른 수치를 상기 제1 영상 영역과 함께 표시하는 것을 특징으로 하는 간 경변 예측 장치.
  15. 제14항에 있어서,
    상기 신뢰도 평가 모델 생성부는,
    상기 제1 영상 영역의 위치에 대한 마스크 맵을 생성하고, 네트워크로 연결된 하나 이상의 레이어의 노드들을 통해 상기 제1 영상 영역을 분류하고, 상기 제1 검증 데이터와 비교하여 상기 신뢰도 평가 모델의 파라미터를 학습하는 것을 특징으로 하는 간 경변 예측 장치.
  16. 제10항에 있어서,
    상기 대상체의 제2 질병 상태에 관한 형태적 특징이 포함된 데이터 세트 및 제2 검증 데이터를 기반으로 학습하여, 상기 대상체의 제2 질병 상태에 관한 제2 영상 영역 분류 모델을 생성하는 제2 영상 영역 분류 모델 생성부;
    상기 제2 영상 영역 분류 모델을 이용하여, 상기 제1 영상 영역으로부터 상기 제2 질병 상태에 관한 제2 영상 영역을 검출하는 제2 영상 영역 검출부를 추가로 포함하며,
    상기 영상 표시부는, 상기 영상 위에 상기 제1 영상 영역 중에서 상기 제2 영상 영역을 표시하는 것을 특징으로 하는 간 경변 예측 장치.
  17. 제16항에 있어서,
    상기 제2 영상 영역 분류 모델 생성부는,
    간암의 모양, 크기, 구조, 텍스처, 색깔, 또는 이들의 조합을 기준으로 간암 이미지 세트를 학습하여, 상기 제2 영상 영역 분류 모델을 생성하는 것을 특징으로 하는 간 경변 예측 장치.
  18. 제16항에 있어서,
    상기 제2 영상 영역 분류 모델 생성부는,
    상기 제1 영상 영역의 위치에 대한 마스크 맵을 생성하고, 네트워크로 연결된 하나 이상의 레이어의 노드들을 통해 상기 제2 영상 영역을 분류하고, 상기 제2 검증 데이터와 비교하여 상기 제2 영상 영역 분류 모델의 파라미터를 학습하는 것을 특징으로 하는 간 경변 예측 장치.
KR1020160180737A 2016-12-28 2016-12-28 신경망을 이용한 간 경변 예측 장치 및 방법 KR101876338B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160180737A KR101876338B1 (ko) 2016-12-28 2016-12-28 신경망을 이용한 간 경변 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160180737A KR101876338B1 (ko) 2016-12-28 2016-12-28 신경망을 이용한 간 경변 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20180076504A KR20180076504A (ko) 2018-07-06
KR101876338B1 true KR101876338B1 (ko) 2018-07-09

Family

ID=62919354

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160180737A KR101876338B1 (ko) 2016-12-28 2016-12-28 신경망을 이용한 간 경변 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101876338B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101977067B1 (ko) * 2018-08-24 2019-05-10 주식회사 뷰노 심층 신경망 기반 특징 추출을 통하여 진단 맵을 재구축하는 방법 및 이를 이용한 장치

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102009233B1 (ko) * 2018-11-28 2019-08-09 아주대학교산학협력단 Ct 영상 분석을 이용한 간 섬유화 예측 장치 및 그 방법
KR102274569B1 (ko) * 2019-03-04 2021-07-08 시너지에이아이 주식회사 암의 전이 정도를 판단하는 방법 및 이를 수행하기 위한 의료용 전자 장치
KR102222011B1 (ko) 2019-07-29 2021-03-04 주식회사 코어라인소프트 의료용 인공 신경망의 분석 결과를 평가하는 의료용 인공 신경망 기반 의료 영상 분석 장치 및 방법
KR20210054987A (ko) 2019-11-06 2021-05-14 서울대학교병원 기계 학습 모델을 이용한 간세포암 예측 방법 및 시스템
KR102416698B1 (ko) * 2020-06-03 2022-07-05 고려대학교 산학협력단 딥러닝 알고리즘 기반의 초음파 영상에서의 말초신경 자동 인식 및 신경 지표 측정 방법 및 장치
KR102460257B1 (ko) * 2020-07-03 2022-10-28 주식회사 뷰노 진단 결과를 제공하기 위한 방법 및 장치
CN112200763A (zh) * 2020-08-24 2021-01-08 江苏科技大学 一种基于肝脏ct影像的肝功能分级方法
KR102590387B1 (ko) * 2021-12-28 2023-10-17 고려대학교 산학협력단 인공지능 기반의 근육 초음파를 이용한 수근관 증후군 진단 시스템 및 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007052774A (ja) * 1995-07-25 2007-03-01 Ortho-Clinical Diagnostics Inc コンピュータ援用疾病診断方法
KR20140104946A (ko) * 2011-10-05 2014-08-29 시레카 테라노스틱스, 엘엘씨 스펙트럼 이미징에 의해 생물학적 표본을 분석하는 방법 및 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007052774A (ja) * 1995-07-25 2007-03-01 Ortho-Clinical Diagnostics Inc コンピュータ援用疾病診断方法
KR20140104946A (ko) * 2011-10-05 2014-08-29 시레카 테라노스틱스, 엘엘씨 스펙트럼 이미징에 의해 생물학적 표본을 분석하는 방법 및 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
간 경변 진단시 신경망을 이용한 분류기 구현, 한국지능정보시스템학회 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101977067B1 (ko) * 2018-08-24 2019-05-10 주식회사 뷰노 심층 신경망 기반 특징 추출을 통하여 진단 맵을 재구축하는 방법 및 이를 이용한 장치

Also Published As

Publication number Publication date
KR20180076504A (ko) 2018-07-06

Similar Documents

Publication Publication Date Title
KR101876338B1 (ko) 신경망을 이용한 간 경변 예측 장치 및 방법
Carrer et al. Automatic pleural line extraction and COVID-19 scoring from lung ultrasound data
US8840555B2 (en) System and method of ultrasound image processing
US9179881B2 (en) Physics based image processing and evaluation process of perfusion images from radiology imaging
JP2022188108A (ja) 超音波分析のためのシステムおよび方法
US9558549B2 (en) Image processing apparatus, method of controlling the same and storage medium
KR101716039B1 (ko) 의료 영상 기반의 질환 진단 정보 산출 방법 및 장치
CN104414685A (zh) 超声波诊断装置、超声波图像处理方法
KR102202617B1 (ko) 의료 영상 기반 복부 질환 분석 방법 및 장치
Hammouda et al. A new framework for performing cardiac strain analysis from cine MRI imaging in mice
US20220012875A1 (en) Systems and Methods for Medical Image Diagnosis Using Machine Learning
Soleimani et al. Carotid artery wall motion estimation from consecutive ultrasonic images: Comparison between block-matching and maximum-gradient algorithms
WO2019111339A1 (ja) 学習装置、検査システム、学習方法、検査方法およびプログラム
US9883817B2 (en) Management, assessment and treatment planning for inflammatory bowel disease
JP2020028680A (ja) 検査支援プログラム、検査支援方法および検査支援装置
Fooladi et al. A novel classification method using effective neural network and quantitative magnetization transfer imaging of brain white matter in relapsing remitting multiple sclerosis
Lucassen et al. Deep learning for detection and localization of B-lines in lung ultrasound
Yu et al. Lightweight deep neural networks for cholelithiasis and cholecystitis detection by point-of-care ultrasound
Yuan et al. Deep learning-based quality-controlled spleen assessment from ultrasound images
Medrano-Gracia et al. An atlas for cardiac MRI regional wall motion and infarct scoring
CN113192031A (zh) 血管分析方法、装置、计算机设备和存储介质
Chuah et al. Phenotyping of hypertensive heart disease and hypertrophic cardiomyopathy using personalized 3D modelling and cardiac cine MRI
Mukherjee et al. Fully automated longitudinal assessment of renal stone burden on serial CT imaging using deep learning
KR102503646B1 (ko) 뇌경색 볼륨 계산 기반의 뇌경색 예측 방법 및 그를 위한 장치
Alizadeh et al. Identification of ghost artifact using texture analysis in pediatric spinal cord diffusion tensor images

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