KR101919847B1 - 동일 피사체에 대하여 시간 간격을 두고 촬영된 영상 간에 동일 관심구역을 자동으로 검출하는 방법 및 이를 이용한 장치 - Google Patents

동일 피사체에 대하여 시간 간격을 두고 촬영된 영상 간에 동일 관심구역을 자동으로 검출하는 방법 및 이를 이용한 장치 Download PDF

Info

Publication number
KR101919847B1
KR101919847B1 KR1020180006503A KR20180006503A KR101919847B1 KR 101919847 B1 KR101919847 B1 KR 101919847B1 KR 1020180006503 A KR1020180006503 A KR 1020180006503A KR 20180006503 A KR20180006503 A KR 20180006503A KR 101919847 B1 KR101919847 B1 KR 101919847B1
Authority
KR
South Korea
Prior art keywords
interest
image
same
region
area
Prior art date
Application number
KR1020180006503A
Other languages
English (en)
Inventor
정규환
Original Assignee
주식회사 뷰노
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 주식회사 뷰노 filed Critical 주식회사 뷰노
Priority to KR1020180006503A priority Critical patent/KR101919847B1/ko
Application granted granted Critical
Publication of KR101919847B1 publication Critical patent/KR101919847B1/ko
Priority to PCT/KR2019/000761 priority patent/WO2019143179A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • G06K9/3233—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

본 발명은 동일 피사체에 대하여 시간 간격을 두고 촬영된 영상 간에 동일 관심구역을 검출하는 방법 및 이를 이용한 장치에 관한 것이다. 구체적으로, 본 발명에 따른 방법에 의하면, 제1 영상 및 제2 영상의 촬영시로부터 시간 간격을 두고 촬영된 제2 영상이 획득되고, 상기 제1 영상 위에 관심구역이 설정되면, 컴퓨팅 장치가, 상기 관심구역과 동일한 관심구역을 동일 관심구역으로서 상기 제2 영상에서 검출한다.

Description

동일 피사체에 대하여 시간 간격을 두고 촬영된 영상 간에 동일 관심구역을 자동으로 검출하는 방법 및 이를 이용한 장치{METHOD FOR DETECTING AUTOMATICALLY SAME REGIONS OF INTEREST BETWEEN IMAGES TAKEN ON A SUBJECT WITH TEMPORAL INTERVAL AND APPARATUS USING THE SAME}
본 발명은 동일 피사체에 대하여 시간 간격을 두고 촬영된 영상 간에 동일 관심구역을 검출하는 방법 및 이를 이용한 장치에 관한 것이다. 구체적으로, 본 발명에 따른 방법에 의하면, 제1 영상 및 제2 영상의 촬영시로부터 시간 간격을 두고 촬영된 제2 영상이 획득되고, 상기 제1 영상 위에 관심구역이 설정되면, 컴퓨팅 장치가, 상기 관심구역과 동일한 관심구역을 동일 관심구역으로서 상기 제2 영상에서 검출한다.
현재, 병변을 분석함으로써 진단에 이용하기 위하여 CT(컴퓨터 단층 촬영) 와 같은 영상 검사 기술이 널리 이용되고 있다. 영상 검사에 의한 진단에 있어서는, 동일한 피사체, 즉 피검체에 대하여 순차적으로 촬영된 sequential CT 간에 동일 병변의 변화를 추적함으로써 시간 변화에 따라 병변의 진행 과정을 알 수 있는데, 각각의 CT 촬영시에 탐지된 병변이 서로 같은 병변인지 여부를 파악할 필요, 즉 서로 같은 병변을 매칭할 필요가 있다.
이와 같은 병변은 흔히 진행성인 특징, 즉 시간에 따라 그 형상, 크기 등이 달라지는 특징이 있으므로, 단순 정합 및 비교만으로는 동일 병변인지 여부를 알기 어려워 자동화가 어렵고, 여전히 전문가인 판독의에 의존하고 있다.
본 발명에서는 서로 다른 시점에 촬영된 병변의 쌍을 이용하여 딥 러닝 모델(deep learning model)을 학습시켜, 새롭게 주어지는 병변 쌍의 유사도를 측정함으로써 일정 유사도 이상에 대하여 동일 병변의 쌍으로 판정하는 방법 및 이를 이용한 장치를 제안하고자 한다.
: Goodfellow, Ian J.; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua (2014). "Generative Adversarial Networks" : Dmitriy Serdyuk et al. Twin Networks: Matching the Future for Sequence Generation, arXiv preprint arXiv:1708.06742v2
본 발명은 서로 다른 영상 간에 동일한 관심구역, 특히 병변을 검출할 수 있게 하는 것을 목적으로 한다.
구체적으로, 본 발명은 동일한 관심구역의 정량화를 통하여 관심구역의 형태 및 정량적 변화에 대한 측정을 수행하고 추적 관찰을 할 수 있게 하는 것을 목적으로 한다.
특히, 본 발명은 관심구역이 여러 개인 경우에도 관심구역의 후보 가운데 동일한 관심구역을 판정할 수 있게 하는 것을 목적으로 한다.
상기한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 효과를 실현하기 위한 본 발명의 특징적인 구성은 하기와 같다.
본 발명의 일 태양(aspect)에 따르면, 동일 피사체에 대하여 촬영된 영상들 간에 동일한 관심구역을 검출하기 위한 방법이 제공되는바, 그 방법에서, 제1 영상 및 상기 제1 영상의 촬영시로부터 시간 간격을 두고 촬영된 제2 영상이 획득되고, 상기 제1 영상 위에 관심구역이 설정되면, 컴퓨팅 장치가, 상기 관심구역과 동일한 관심구역을 동일 관심구역으로서 상기 제2 영상에서 검출하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 검출하도록 지원한다.
바람직하게는, 상기 방법은, (a) 상기 컴퓨팅 장치가, 상기 제1 영상 및 제2 영상을 획득하거나 획득하도록 지원하는 단계; (b) 상기 컴퓨팅 장치가, 획득된 상기 제1 영상 위에 지정된 관심구역에 대응되는 검색 대상 구역을 상기 제2 영상에 대하여 설정하거나 설정하도록 지원하는 단계; 및 (c) 상기 컴퓨팅 장치가, 설정된 상기 검색 대상 구역 내에서 상기 관심구역과 동일 또는 유사한 적어도 하나의 후보 이미지를 검색하거나 검색하도록 지원함으로써 상기 적어도 하나의 후보 이미지 중에서 소정의 기준에 따라 선택된 어느 하나를 상기 동일 관심구역으로 검출하거나 검출하도록 지원하는 단계를 포함한다.
본 발명의 다른 태양에 따르면, 본 발명에 따른 동일 관심구역 검출 방법을 수행하도록 구현된 명령어(instructions)를 포함하는, 기계 판독 가능한 비일시적 기록 매체에 저장된, 컴퓨터 프로그램도 제공된다.
본 발명의 또 다른 태양에 따르면, 동일 피사체에 대하여 촬영된 영상들 간에 동일한 관심구역을 검출하는 컴퓨팅 장치가 제공되는바, 그 컴퓨팅 장치는, 제1 영상 및 상기 제1 영상의 촬영시로부터 시간 간격을 두고 촬영된 제2 영상을 획득하는 통신부; 및 상기 제1 영상 및 상기 제2 영상이 획득되고, 상기 제1 영상 위에 관심구역이 설정되면, 상기 관심구역과 동일한 관심구역을 동일 관심구역으로서 상기 제2 영상에서 검출하거나 상기 통신부를 통하여 연동되는 타 장치로 하여금 검출하도록 지원하는 프로세서를 포함한다.
바람직하게는, 상기 프로세서는, 획득된 상기 제1 영상 위에 지정된 관심구역에 대응되는 검색 대상 구역을 상기 제2 영상에 대하여 설정하거나 상기 타 장치로 하여금 설정하도록 지원하고, 설정된 상기 검색 대상 구역 내에서 상기 관심구역과 동일 또는 유사한 적어도 하나의 후보 이미지를 검색하거나 검색하도록 지원함으로써 상기 적어도 하나의 후보 이미지 중에서 소정의 기준에 따라 선택된 어느 하나를 상기 동일 관심구역으로 검출하거나 검출하도록 지원한다.
본 발명에 의하면, 하나의 영상에 있는 하나 이상의 관심구역, 특히 병변 각각에 대하여 타 영상에서의 동일한 관심구역을 판정할 수 있게 되는 효과가 있다.
또한, 본 발명에 의하면, 딥 러닝 기반의 학습을 통하여 관심구역의 유사성에 대한 설계자의 주관적인 설계 없이도 데이터에 기반한 높은 정확도를 가진 유사도 측정 모델이 학습되는 효과가 있다.
그리고 본 발명에 의하면 시점 t 및 t'뿐만 아니라 t'와 t''간의 비교 판정을 통하여 t에서부터 t''까지의 관심구역의 변화를 모니터링할 수 있는 효과가 있다.
따라서, 본 발명에 의하면, 동일한 관심구역, 특히 병변에 대한 추적 관찰 및 이를 이용한 모니터링 시스템 구축이 가능해지는 효과가 있다.
이는 궁극적으로 진행성 병변에 대한 진단에 소요되는 의료진의 시간을 절약하고 판독의 속도와 품질을 높여 의료 현장에서의 워크플로(workflow)를 혁신할 수 있게 되는 잠재적 효과가 있다.
그리고 본 발명은, 종래에 병원에서 이용하고 있는 의료 영상, 예컨대 3차원적으로 획득된 초음파 영상, MRI 영상 등이 그대로 활용될 수 있는바, 본 발명의 방법이 특정 형식의 영상이나 플랫폼에 종속되지 않음은 물론이다.
본 발명의 실시 예의 설명에 이용되기 위하여 첨부된 아래 도면들은 본 발명의 실시 예들 중 단지 일부일 뿐이며, 본 발명이 속한 기술분야의 통상의 기술자에게 있어서는 발명적 작업이 이루어짐 없이 이 도면들에 기초하여 다른 도면들이 얻어질 수 있다.
도 1은 본 발명에 따라 동일 피사체에 대하여 촬영된 영상들 간에 동일한 관심영역을 검출하기 위한 방법(이하 “동일 관심구역 검출 방법”이라 함)을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.
도 2는 본 발명에 따른 동일 관심구역 검출 방법을 수행하는 컴퓨팅 장치의 하드웨어 또는 소프트웨어 구성요소를 도시한 예시적 블록도이다.
도 3은 본 발명에 따른 동일 관심구역 검출 방법을 예시적으로 나타낸 흐름도이다.
도 4는 본 발명에 따른 동일 관심구역 검출 방법에서 이용되는 유사도의 산출 방식을 개념적으로 나타낸 도면이다.
도 5는 본 발명에 따라 검출된 동일 관심구역들을 예시적으로 나타낸 도면이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명의 목적들, 기술적 해법들 및 장점들을 분명하게 하기 위하여 본 발명이 실시될 수 있는 특정 실시 예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시 예는 통상의 기술자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다.
본 발명의 상세한 설명 및 청구항들에 걸쳐 이용된 "영상" 또는 "영상 데이터"라는 용어는 이산적 영상 요소들(예컨대, 2차원 영상에 있어서는 픽셀, 3차원 영상에 있어서는 복셀)로 구성된 다차원 데이터를 지칭한다. 예를 들어 "영상"은 (콘-빔형; cone-beam) 전산화 단층 촬영(computed tomography), MRI(magnetic resonance imaging), 초음파 또는 본 발명의 기술분야에서 공지된 임의의 다른 의료 영상 시스템의 의하여 수집된 피사체, 즉 피검체(subject)의 의료 영상일 수 있다. 또한 영상은 비의료적 맥락에서 제공될 수도 있는바, 예를 들어 원격 감지 시스템(remote sensing system), 전자현미경(electron microscopy) 등등이 있을 수 있다.
본 발명의 상세한 설명 및 청구항들에 걸쳐, '영상'은 (예컨대, 비디오 화면에 표시된) 눈으로 볼 수 있는 영상 또는 (예컨대, CT, MRI 검출기 등의 픽셀 출력에 대응되는 파일과 같은) 영상의 디지털 표현물을 지칭하는 용어이다.
설명의 편의를 위하여 제시된 도면에서는 때때로 콘-빔형 CT(cone-beam computed tomography; CBCT) 영상 데이터가 예시적 영상 형식(modality)인 것으로 도시되었다. 그러나 통상의 기술자는 본 발명의 다양한 실시 예에서 이용되는 영상 형식들이 X선 영상, MRI, CT, PET(positron emission tomography), PET-CT, SPECT, SPECT-CT, MR-PET, 3D 초음파 영상 등등을 포함하나 예시적으로 열거된 형식에 한정되지 않는다는 점을 이해할 수 있을 것이다.
본 발명의 상세한 설명 및 청구항들에 걸쳐 ‘DICOM(Digital Imaging and Communications in Medicine; 의료용 디지털 영상 및 통신)’ 표준은 의료용 기기에서 디지털 영상 표현과 통신에 이용되는 여러 가지 표준을 총칭하는 용어인바, DICOM 표준은 미국 방사선 의학회(ACR)와 미국 전기 공업회(NEMA)에서 구성한 연합 위원회에서 발표한다.
또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐 ‘의료영상 저장 전송 시스템(PACS; Picture Archiving and Communication System)’은 DICOM 표준에 맞게 저장, 가공, 전송하는 시스템을 지칭하는 용어이며, X선, CT, MRI와 같은 디지털 의료영상 장비를 이용하여 획득된 의료영상 이미지는 DICOM 형식으로 저장되고 네트워크를 통하여 병원 내외의 단말로 전송이 가능하며, 이에는 판독 결과 및 진료 기록이 추가될 수 있다.
그리고 본 발명의 상세한 설명 및 청구항들에 걸쳐 '학습' 혹은 '러닝'은 절차에 따른 컴퓨팅(computing)을 통하여 기계 학습(machine learning)을 수행함을 일컫는 용어인바, 인간의 교육 활동과 같은 정신적 작용을 지칭하도록 의도된 것이 아님을 통상의 기술자는 이해할 수 있을 것이다.
그리고 본 발명의 상세한 설명 및 청구항들에 걸쳐, '포함하다'라는 단어 및 그 변형은 다른 기술적 특징들, 부가물들, 구성요소들 또는 단계들을 제외하는 것으로 의도된 것이 아니다. 또한, ‘하나’ 또는 ‘한’은 하나 이상의 의미로 쓰인 것이며, ‘또 다른’은 적어도 두 번째 이상으로 한정된다.
통상의 기술자에게 본 발명의 다른 목적들, 장점들 및 특성들이 일부는 본 설명서로부터, 그리고 일부는 본 발명의 실시로부터 드러날 것이다. 아래의 예시 및 도면은 실례로서 제공되며, 본 발명을 한정하는 것으로 의도된 것이 아니다. 따라서, 특정 구조나 기능에 관하여 본 명세서에 개시된 상세 사항들은 한정하는 의미로 해석되어서는 아니되고, 단지 통상의 기술자가 실질적으로 적합한 임의의 상세 구조들로써 본 발명을 다양하게 실시하도록 지침을 제공하는 대표적인 기초 자료로 해석되어야 할 것이다.
더욱이 본 발명은 본 명세서에 표시된 실시 예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시 예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시 예에 관련하여 본 발명의 사상 및 범위를 벗어나지 않으면서 다른 실시 예로 구현될 수 있다. 또한, 각각의 개시된 실시 예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 사상 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.
본 명세서에서 달리 표시되거나 분명히 문맥에 모순되지 않는 한, 단수로 지칭된 항목은, 그 문맥에서 달리 요구되지 않는 한, 복수의 것을 아우른다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
이하, 통상의 기술자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시 예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명에 따른 동일 관심구역 검출 방법을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 컴퓨팅 장치(100)는, 통신부(110) 및 프로세서(120)를 포함하며, 상기 통신부(110)를 통하여 외부 컴퓨팅 장치(미도시)와 직간접적으로 통신할 수 있다.
구체적으로, 상기 컴퓨팅 장치(100)는, 전형적인 컴퓨터 하드웨어(예컨대, 컴퓨터 프로세서, 메모리, 스토리지, 입력 장치 및 출력 장치, 기타 기존의 컴퓨팅 장치의 구성요소들을 포함할 수 있는 장치; 라우터, 스위치 등과 같은 전자 통신 장치; 네트워크 부착 스토리지(NAS; network-attached storage) 및 스토리지 영역 네트워크(SAN; storage area network)와 같은 전자 정보 스토리지 시스템)와 컴퓨터 소프트웨어(즉, 컴퓨팅 장치로 하여금 특정의 방식으로 기능하게 하는 명령어들)의 조합을 이용하여 원하는 시스템 성능을 달성하는 것일 수 있다.
이와 같은 컴퓨팅 장치의 통신부(110)는 연동되는 타 컴퓨팅 장치와 요청과 응답을 송수신할 수 있는바, 일 예시로서 그러한 요청과 응답은 동일한 TCP(transmission control protocol) 세션(session)에 의하여 이루어질 수 있지만, 이에 한정되지는 않는바, 예컨대 UDP(user datagram protocol) 데이터그램(datagram)으로서 송수신될 수도 있을 것이다. 덧붙여, 넓은 의미에서 상기 통신부(110)는 명령어 또는 지시 등을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치, 프린터, 디스플레이, 기타 외부 출력장치를 포함할 수 있다.
또한, 컴퓨팅 장치의 프로세서(120)는 MPU(micro processing unit), CPU(central processing unit), GPU(graphics processing unit) 또는 TPU(tensor processing unit), 캐시 메모리(cache memory), 데이터 버스(data bus) 등의 하드웨어 구성을 포함할 수 있다. 또한, 운영체제, 특정 목적을 수행하는 애플리케이션의 소프트웨어 구성을 더 포함할 수도 있다.
도 2는 본 발명에 따른 동일 관심구역 검출 방법을 수행하는 컴퓨팅 장치의 하드웨어 또는 소프트웨어 구성요소를 도시한 예시적 블록도이다.
도 2를 참조하여 본 발명에 따른 방법 및 장치의 구성을 간략히 개관하면, 컴퓨팅 장치(100)는 그 구성요소로서 영상 획득 모듈(210)을 포함할 수 있다. 이 영상 획득 모듈(210)은 본 발명에 따른 방법이 적용되는 제1 영상 및 제2 영상을 획득하도록 구성되는데, 제1 영상 및 제2 영상은 2차원 영상일 수도 있고 3차원 영상일 수도 있다. 이들 영상이 3차원 영상이면, 관심구역은 관심 체적(volume of interest)이라고 할 수 있으며, 이들 영상이 2차원 영상이면, 관심구역은 관심 영역(area of interest)이라고 할 수 있을 것이다.
도 2에 도시된 개별 모듈들은, 예컨대, 컴퓨팅 장치(100)에 포함된 통신부(110)나 프로세서(120), 또는 상기 통신부(110) 및 프로세서(120)의 연동에 의하여 구현될 수 있음은 통상의 기술자가 이해할 수 있을 것이다. 제1 영상 및 제2 영상은 의료 영상일 수 있으며, 예를 들어, 통신부(110)를 통하여 연동되는 영상 촬영 기기 또는 의료영상 저장 전송 시스템(PACS)과 같은 외부 영상 저장 시스템으로부터 획득되는 것일 수 있으나 이에 한정되지는 않는다. 예를 들어, 이들 영상은 영상 촬영 기기를 통하여 촬영되어 DICOM 표준에 따라 PACS에 전송된 후 컴퓨팅 장치(100)의 영상 획득 모듈(210)에 의하여 획득되는 것일 수 있다.
다음으로, 그 획득된 의료 영상은 검색 대상 구역 설정 모듈(220)에 전달될 수 있는데, 이 검색 대상 구역 설정 모듈(220)은 제1 영상 위에 지정된 관심구역에 대응되는 검색 대상 구역을 제2 영상에 대하여 설정하도록 구성된다. 예컨대, 이 검색 대상 구역은 제1 영상과 제2 영상 간의 위치상의 오차 e를 고려하여 상기 관심구역의 크기보다 크도록 설정될 수 있다.
그리고, 후보 이미지 검색 모듈(230)은, 검색 대상 구역이 설정되면, 그 검색 대상 구역 내에서 상기 관심구역과 동일 또는 유사한 적어도 하나의 후보 이미지를 검색하도록 구성된다.
이 후보 이미지 검색 모듈(230)은, 예를 들어, 완전 합성곱 신경망(Fully Convolutional Neural Network)이나 생성적 적대적 신경망(generative adversarial network; GAN)과 같은 근래의 심층 합성곱 신경망(deep convolutional neural network; CNN)에 의하여 구성될 수 있는데, 일 예시적인 생성적 적대적 신경망의 구성은 비특허문헌 1: [Goodfellow, Ian J.; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua (2014). "Generative Adversarial Networks"]에 개시된 바와 같다.
예를 들어 후보 이미지 검색 모듈(230)을 구성하는 신경망은 생성 신경망(232; 미도시) 및 분류 신경망(234; 미도시)을 포함하는 생성적 적대적 신경망일 수 있다. 그러나 후보 이미지 검색 모듈(230)에서 이용되는 기법이 생성적 적대적 신경망에 한정되지 않고 다양한 기법이 이용될 수 있음은 물론이다. 학습 혹은 훈련이 완료된 상기 후보 이미지 검색 모듈(220)은 생성 신경망(232)만으로 구성될 수도 있는바, 분류 신경망(234)은 후술하는 바와 같이 학습을 위한 것이기 때문이다.
다음으로, 동일 관심구역 검출 모듈(240)은, 적어도 하나의 후보 이미지가 검색되면, 소정의 기준에 따라 선택된 어느 하나를 동일 관심구역으로 검출하도록 구성된다. 여기에서 소정의 기준은 후술하는 유사도와 관련된다.
이와 같이 동일 관심구역이 검출되면 동일한 관심구역의 쌍에 관한 정보가 저장 및 전송 모듈(250; 미도시)에 전달될 수 있고, 이 저장 및 전송 모듈(250)은 동일한 관심구역의 쌍을 나타내는 정보를 저장하거나 외부 엔티티(entity)에 제공할 수 있다.
여기에서 외부 엔티티라고 함은, 상기 컴퓨팅 장치(100)의 사용자, 관리자, 상기 피검체를 담당하는 담당 의료 전문가 등을 포함하나, 이 이외에도 상기 정보를 필요로 하는 주체라면 어느 주체라도 포함되는 것으로 이해되어야 할 것이다. 예를 들어, 상기 외부 엔티티는 상기 정보를 활용하는 별도의 AI 하드웨어 및/또는 소프트웨어 모듈을 포함하는 외부의 AI 장치일 수도 있다. 또한, 외부 엔티티에서의 ‘외부(external)’는 상기 정보를 이용하는 AI 하드웨어 및/또는 소프트웨어 모듈이 상기 컴퓨팅 장치(100)에 일체화되는 실시 예를 배제하도록 의도된 것이 아니라, 본 발명의 방법을 수행하는 하드웨어 및/또는 소프트웨어 모듈의 결과물인 상기 정보가 타 방법의 입력 데이터로 활용될 수 있음을 시사하도록 이용된 것임을 밝혀둔다. 즉, 상기 외부 엔티티는 컴퓨팅 장치(100) 자체일 수도 있다.
또한, 외부 엔티티에 제공되는 때에는 상기 저장 및 전송 모듈(250)은 소정의 디스플레이 장치 등을 통하여 이를 수행할 수도 있으며, 이때 각각의 영상과 그 위에서 대응되는 동일한 관심구역의 쌍이 디스플레이 장치 상에 표시될 수 있을 것이다. 이 동일한 관심구역의 쌍을 나타내는 정보의 저장은 컴퓨팅 장치(100)에 연동되는 타 장치, 예컨대 PACS에 의하여 수행될 수도 있다.
도 2에 나타난 구성요소들은 설명의 편의상 하나의 컴퓨팅 장치에서 실현되는 것으로 예시되었으나, 본 발명의 방법을 수행하는 컴퓨팅 장치(100)는 복수개가 서로 연동되도록 구성될 수도 있다는 점이 이해될 것이다.
이제 본 발명에 따른 영상 재구성 방법의 일 실시 예를 도 3 내지 도 5를 참조하여 더 구체적으로 설명하기로 한다.
도 3은 본 발명에 따른 동일 관심구역 검출 방법을 예시적으로 나타낸 흐름도이다.
본 발명에 따른 동일 관심구역 검출 방법에서는, 제1 영상 및 상기 제1 영상의 촬영시로부터 시간 간격을 두고 촬영된 제2 영상이 획득되고, 상기 제1 영상 위에 관심구역이 설정되면, 컴퓨팅 장치(100)가, 상기 관심구역과 동일한 관심구역을 동일 관심구역으로서 상기 제2 영상에서 검출하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 검출하도록 지원한다.
구체적인 일 실시 예로서, 도 3을 참조하면, 본 발명에 따른 동일 관심구역 검출 방법은, 컴퓨팅 장치(100)의 통신부(110)에 의하여 구현되는 영상 획득 모듈(210)이, 상기 제1 영상 및 제2 영상을 획득하거나 획득하도록 지원하는 단계(S100)를 포함할 수 있다.
다음으로, 본 발명의 동일 관심구역 검출 방법은, 컴퓨팅 장치(100)에 의하여 구현되는 검색 대상 구역 설정 모듈(220)이 획득된 제1 영상 위에 지정된 적어도 하나의 관심구역 각각에 대응되는 검색 대상 구역 각각을 상기 제2 영상에 대하여 설정하거나 설정하도록 지원하는 단계(S200)를 더 포함할 수 있다.
이 단계(S200)에 앞서 제1 영상 위에 관심구역을 지정하는 단계(S150)가 수행될 수 있는데, 이는 특정 관심구역이 예컨대 병변임을 식별할 수 있는 전문가(예컨대 의사)에 의하여 이루어질 수도 있고, 알려진 병변 탐지 방법(예컨대, 미국 등록특허공보 제7,660,448호와 같은 탐지 방법)에 의한 것일 수도 있다. 여기에서 제1 영상 위의 적어도 하나의 관심구역은 제1 영상 위에서 식별되는 모든 관심구역일 수도 있고, 소정의 조작이나 소정의 기준에 의하여 선택된 관심구역일 수 있다.
소정의 조작은, 예컨대, 사용자 인터페이스를 통하여 제공되는 관심구역의 목록 중에 하나를 선택하는 조작(예컨대, 클릭 행위)일 수도 있고, 관심구역이 둘러싸이도록 사용자 인터페이스를 통하여 영상의 일부분을 박스 표시(boxing)하는 등의 분할 행위(segmentation)에 의하여 이루어질 수도 있다.
또한, 소정의 기준은, 관심구역이 의미있는 것임을 의미하는 수치, 예컨대, 의료 영상에서 식별되는 병변이 실제 병변일 확률을 의미하는 신뢰도(confidence)와 같은 수치가 일정 수준 이상인 기준일 수 있다.
설명의 편의를 위하여, 제1 영상의 촬영 시점을 t, 제2 영상의 촬영 시점을 t', t 시점의 제1 영상에 지정된 관심구역의 목록을 t_I, t' 시점의 제2 영상에 지정된 관심구역의 목록을 t'_I라고 할 수 있다.
단계(S150)에서 t_I가 구해지면, 단계(S200)에서는 t_I에 포함된 개별 관심구역에 대응되는 개별 검색 대상 구역이 설정된다. 개별 검색 대상 구역은 미리 정해진 물리적 치수를 가지는데, 예컨대 제1 영상의 개별 관심구역에 대응되는 위치로부터 소정의 거리 d 이내의 공간일 수 있다.
검색 대상 구역은 피사체의 영상들에 상대적인 관심구역의 위치의 정보를 이용하여 검색 대상을 축소하기 위하여 활용되는 것인바, 이로써 동일 관심구역의 검출이 효율적으로 수행될 수 있다.
이 검색 대상 구역은 반드시 설정되어야 하는 것은 아니고, 충분한 연산 자원이 확보되는 때에는 검색 대상 구역이 제2 영상의 전체 구역으로 설정될 수도 있음을 통상의 기술자는 이해할 수 있을 것이다. 즉, 제1 영상 위에 지정된 관심구역에 대응되는 검색 대상 구역은 제2 영상 전체인 것으로 설정될 수도 있다.
다음으로, 본 발명에 따른 동일 관심구역 검출 방법은, 컴퓨팅 장치(100)의 후보 이미지 검색 모듈(230)이, 설정된 상기 검색 대상 구역 내에서 상기 개별 관심구역과 동일 또는 유사한 적어도 하나의 후보 이미지를 검색하거나 검색하도록 지원함으로써 상기 적어도 하나의 후보 이미지 중에서 소정의 기준에 따라 선택된 어느 하나를 상기 개별 관심구역과 동일한 동일 관심구역으로 검출하거나 검출하도록 지원하는 단계(S300)를 더 포함할 수 있다.
단계(S300)는, 예를 들어, 후보 이미지 검색 모듈(230)이 상기 적어도 하나의 후보 이미지를 검색하거나 검색하도록 지원하는 단계(S310)와 후보 이미지 검색 모듈(230)이 후보 이미지 중에서 제1 영상의 개별 관심구역과 가장 유사도가 높은 제2 영상에서의 후보 이미지를 상기 동일 관심구역으로 검출하거나 검출하도록 지원하는 단계(S320)를 포함할 수 있다. 이 단계(S310)에서 후보 이미지를 검색한다는 의미는, 그때에 비로소 제2 영상에서 관심구역을 검출한다는 의미가 아니라 검색 대상 구역 내에 있는 제2 영상의 관심구역들을 선별해낸다는 의미로 이해되어야 할 것이다. 즉, 제2 영상에서의 관심구역들의 검출은 단계(S310) 이전에 수행될 수 있으며, 바람직하게는 전술한 단계(S150)와 함께 수행될 수 있다.
여기에서 유사도(similarity)란 영상 간의 유사한 정도를 나타내는 척도로서, 종래의 이미지 프로세싱 방식에 따라, 색채, 명암, 채도 등의 특성을 이용하여 개략적으로 계산될 수 있으나, 다양한 계층의 영상적 특징이 반영되는 딥 러닝 모델이 본 발명의 방법의 수행에 있어 바람직할 것이다.
예를 들어 단계(S320)에서 제1 영상의 개별 관심구역과 제2 영상에서의 후보 이미지(즉, 제2 영상의 개별 관심구역으로부터 선별된 이미지) 사이의 유사도는 다음과 같은 딥 러닝 모델의 방식으로 산출될 수 있다.
도 4는 본 발명에 따른 동일 관심구역 검출 방법에서 이용되는 유사도의 산출 방식을 개념적으로 나타낸 도면인바, 도 4에는 한 쌍으로 된 쌍둥이 네트워크(twin network)가 예시되어 있다. 두 네트워크는 가중치(weight)를 공유할 수 있고, 공유하지 않는 서로 독립된 합성곱 신경망(convolutional neural network)일 수 있다. 이 네트워크의 입력은 2차원 패치일 수도 있고, 3차원 복셀일 수도 있다. 이 쌍둥이 네트워크는 동일한 관심구역, 예컨대 동일 병변에 대해서는 1, 동일하지 않은 관심구역에 대해서는 0을 출력하도록 학습된다. 이 네트워크의 최종 출력층을 softmax 층으로 하면 결과값은 항상 0과 1 사이의 값이 되는바, 임의의 한 쌍의 영상이 입력값으로 들어가면 결과값으로서 0과 1 사이의 값이 출력되고, 이는 두 관심구역 이미지 간의 유사도로 이용될 수 있다.
이와 같은 본 발명에 따른 딥 러닝 모델은, 시간 간격을 두고 동일 피사체에 대하여 촬영되되 동일 또는 상이한 관심구역의 쌍이 레이블링된 영상 쌍들을 포함하는 훈련 데이터(training data)를 이용하여 미리 학습될 수 있다. 더 구체적으로 이 훈련 데이터는 동일 피사체, 즉, 피검체에 대하여 서로 다른 시점 t 및 t'에 획득된 영상의 쌍과 그 각 영상 내에 탐지된 관심구역의 목록을 포함한다. 이 목록은 관심구역 이미지, 예컨대 병변에 해당하는 영상 및 해당 관심구역의 공간적 위치 등의 정보를 포함한다. 예를 들어, t 시점에서의 영상에 대응되는 관심구역 목록 t_I 및 t' 시점에서의 영상에 대응되는 관심구역 목록 t'_I 사이에 전문가에 의하여 확인된 동일 관심구역이 있다면 동일 관심구역의 쌍으로 정의되는 것이다. 이와 같은 관심구역 목록을 기반으로 동일 관심구역이 아닌 관심구역의 쌍도 구성할 수 있는바, 이는 비동일 관심구역의 쌍으로 정의된다. 이와 같이 동일 관심구역의 쌍과 비동일 관심구역의 쌍에 대한 데이터를 여러 피사체와 여러 시점에 대하여 확보할 수 있으므로, 본 발명의 딥 러닝 모델은 동일 관심구역의 쌍의 입력에 대하여 1의 값을 결과값으로 내놓고, 비동일 관심구역의 쌍의 입력에 대하여 0의 값을 결과값으로 내놓도록 학습시킬 수 있다.
단계(S320)의 일 예시에서, 모든 상기 후보 이미지에 대한 상기 유사도가 소정의 문턱값 S보다 낮으면, 상기 동일 관심구역이 검출되지 않은 것으로 판정될 수 있다. 반면에 상기 유사도가 소정의 문턱값 S 이상이 되는 후보 이미지가 적어도 하나가 있으면 그 중 가장 높은 유사도를 가지는 후보 이미지가 동일 관심구역으로 검출될 수 있을 것이다.
도 5는 본 발명에 따라 검출된 동일 관심구역들을 예시적으로 나타낸 도면이다. 도 5를 참조하면, 흉부 CT 영상에서 검출된 동일한 관심구역들인 폐결절(nodule) 병변이 예시되어 있다. 통상의 기술자는 본 발명의 방법이 일반적으로 시간에 따라 변화하는 관심구역을 포함하는 다양한 영상에 적용 가능하다는 점을 이해될 수 있을 것이다.
본 발명에 따른 동일 관심구역 검출 방법은, 컴퓨팅 장치(100)에 의하여 구현되는 저장 및 전송 모듈(250; 미도시)이 검출된 동일 관심구역들에 관한 정보, 예컨대, 동일 관심구역의 위치, 크기, 형태, 식별번호, 병변의 이름, 동일 관심구역들 간의 유사도를 제공 또는 저장하거나 제공 또는 저장하도록 지원하는 단계(S400; 미도시)를 더 포함한다. 이와 같은 동일 관심구역들에 관한 정보는 정량 및 형태적 지표를 포함함으로써 관심구역들의 추적 관찰을 용이하게 하는 데에 활용될 수 있을 것이다.
이 단계(S400)에서는 생성된 상기 동일 관심구역들에 관한 정보가 저장 및 전송 모듈(250)을 통하여 저장되거나, 그리고/또는 소정의 디스플레이 장치를 통하여 외부 엔티티(entity)에 제공되거나, 그리고/또는 컴퓨팅 장치(100)에 연동되는 타 장치, 예컨대 PACS에 제공될 수 있다.
이와 같이 본 발명은 전술한 모든 실시 예 및 변형례에 걸쳐, 하나의 영상에 있는 하나 이상의 관심구역 각각에 대하여 타 영상에서의 동일한 관심구역을 판정 및 추적할 수 있게 되어 병변에 대한 추적 관찰 및 모니터링 시스템 구축이 가능해지는 효과가 있다. 이로 인하여 의사의 진행성 병변에 대한 더 정확한 진단이 가능해지게 되는바, 궁극적으로 AI의 조력으로써 진료의 질을 높이고 의료 현장에서의 워크플로를 개선할 수 있을 것이다.
위 실시 예의 설명에 기초하여 해당 기술분야의 통상의 기술자는, 본 발명의 방법 및/또는 프로세스들, 그리고 그 단계들이 하드웨어, 소프트웨어 또는 특정 용례에 적합한 하드웨어 및 소프트웨어의 임의의 조합으로 실현될 수 있다는 점을 명확하게 이해할 수 있다. 상기 하드웨어는 범용 컴퓨터 및/또는 전용 컴퓨팅 장치 또는 특정 컴퓨팅 장치 또는 특정 컴퓨팅 장치의 특별한 모습 또는 구성요소를 포함할 수 있다. 상기 프로세스들은 내부 및/또는 외부 메모리를 가지는, 하나 이상의 마이크로프로세서, 마이크로컨트롤러, 임베디드 마이크로컨트롤러, 프로그래머블 디지털 신호 프로세서 또는 기타 프로그래머블 장치에 의하여 실현될 수 있다. 게다가, 혹은 대안으로서, 상기 프로세스들은 주문형 집적회로(application specific integrated circuit; ASIC), 프로그래머블 게이트 어레이(programmable gate array), 프로그래머블 어레이 로직(Programmable Array Logic; PAL) 또는 전자 신호들을 처리하기 위해 구성될 수 있는 임의의 다른 장치 또는 장치들의 조합으로 실시될 수 있다. 더욱이 본 발명의 기술적 해법의 대상물 또는 선행 기술들에 기여하는 부분들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 기계 판독 가능한 기록 매체에 기록될 수 있다. 상기 기계 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 기계 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다. 기계 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD, Blu-ray와 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, 전술한 장치들 중 어느 하나뿐만 아니라 프로세서, 프로세서 아키텍처 또는 상이한 하드웨어 및 소프트웨어의 조합들의 이종 조합, 또는 다른 어떤 프로그램 명령어들을 실행할 수 있는 기계 상에서 실행되기 위하여 저장 및 컴파일 또는 인터프리트될 수 있는, C와 같은 구조적 프로그래밍 언어, C++ 같은 객체지향적 프로그래밍 언어 또는 고급 또는 저급 프로그래밍 언어(어셈블리어, 하드웨어 기술 언어들 및 데이터베이스 프로그래밍 언어 및 기술들)를 사용하여 만들어질 수 있는바, 기계어 코드, 바이트코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 이에 포함된다.
따라서 본 발명에 따른 일 태양에서는, 앞서 설명된 방법 및 그 조합들이 하나 이상의 컴퓨팅 장치들에 의하여 수행될 때, 그 방법 및 방법의 조합들이 각 단계들을 수행하는 실행 가능한 코드로서 실시될 수 있다. 다른 일 태양에서는, 상기 방법은 상기 단계들을 수행하는 시스템들로서 실시될 수 있고, 방법들은 장치들에 걸쳐 여러 가지 방법으로 분산되거나 모든 기능들이 하나의 전용, 독립형 장치 또는 다른 하드웨어에 통합될 수 있다. 또 다른 일 태양에서는, 위에서 설명한 프로세스들과 연관된 단계들을 수행하는 수단들은 앞서 설명한 임의의 하드웨어 및/또는 소프트웨어를 포함할 수 있다. 그러한 모든 순차 결합 및 조합들은 본 개시서의 범위 내에 속하도록 의도된 것이다.
예를 들어, 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다. 상기 하드웨어 장치는, 프로그램 명령어를 저장하기 위한 ROM/RAM 등과 같은 메모리와 결합되고 상기 메모리에 저장된 명령어들을 실행하도록 구성되는 MPU, CPU, GPU, TPU와 같은 프로세서를 포함할 수 있으며, 외부 장치와 신호를 주고 받을 수 있는 통신부를 포함할 수 있다. 덧붙여, 상기 하드웨어 장치는 개발자들에 의하여 작성된 명령어들을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치를 포함할 수 있다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시 예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시 예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 사람이라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.
그와 같이 균등하게 또는 등가적으로 변형된 것에는, 예컨대 본 발명에 따른 방법을 실시한 것과 동일한 결과를 낼 수 있는, 논리적으로 동치(logically equivalent)인 방법이 포함될 것인바, 본 발명의 진의 및 범위는 전술한 예시들에 의하여 제한되어서는 아니되며, 법률에 의하여 허용 가능한 가장 넓은 의미로 이해되어야 한다.

Claims (8)

  1. 동일 피사체에 대하여 촬영된 영상들 간에 동일한 관심구역을 검출하기 위한 방법으로서, 제1 영상 및 상기 제1 영상의 촬영시로부터 시간 간격을 두고 촬영된 제2 영상이 획득되고, 상기 제1 영상 위에 관심구역이 설정되면, 컴퓨팅 장치가, 상기 관심구역과 동일한 관심구역을 동일 관심구역으로서 상기 제2 영상에서 검출하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 검출하도록 지원하되,
    상기 동일 관심구역의 검출은 상기 관심구역과 상기 동일 관심구역 사이의 유사도의 비교에 기초하여 이루어지고, 상기 유사도는 시간 간격을 두고 동일 피사체에 대하여 촬영된 동일 또는 상이한 관심구역의 쌍을 식별하도록 학습된 쌍둥이 뉴럴 네트워크(twin neural network)에 의하여 산출되는 것을 특징으로 하는 동일 관심구역 검출 방법.
  2. 제1항에 있어서,
    (a) 상기 컴퓨팅 장치가, 상기 제1 영상 및 제2 영상을 획득하거나 획득하도록 지원하는 단계;
    (b) 상기 컴퓨팅 장치가, 획득된 상기 제1 영상 위에 지정된 관심구역에 대응되는 검색 대상 구역을 상기 제2 영상에 대하여 설정하거나 설정하도록 지원하는 단계; 및
    (c) 상기 컴퓨팅 장치가, 설정된 상기 검색 대상 구역 내에서 상기 관심구역과 동일 또는 유사한 적어도 하나의 후보 이미지를 검색하거나 검색하도록 지원함으로써 상기 적어도 하나의 후보 이미지 중에서 소정의 기준에 따라 선택된 어느 하나를 상기 동일 관심구역으로 검출하거나 검출하도록 지원하는 단계
    를 포함하는 동일 관심구역 검출 방법.
  3. 제2항에 있어서,
    상기 (c) 단계는,
    (c1) 상기 컴퓨팅 장치가, 상기 적어도 하나의 후보 이미지를 검색하거나 검색하도록 지원하는 단계;
    (c2) 상기 컴퓨팅 장치가, 상기 후보 이미지 중에서 상기 관심구역과 가장 유사도가 높은 후보 이미지를 상기 동일 관심구역으로 검출하거나 검출하도록 지원하는 단계
    를 포함하는 것을 특징으로 하는 동일 관심구역 검출 방법.
  4. 제3항에 있어서,
    상기 (c2) 단계는,
    모든 상기 후보 이미지에 대한 상기 유사도가 소정의 문턱값보다 낮으면, 상기 동일 관심구역이 검출되지 않은 것으로 판정되는 것을 특징으로 하는 동일 관심구역 검출 방법.
  5. 삭제
  6. 컴퓨팅 장치로 하여금, 제1항 내지 제4항 중 어느 한 항의 방법을 수행하도록 구현된 명령어(instructions)를 포함하는, 기계 판독 가능한 비일시적 기록 매체에 저장된, 컴퓨터 프로그램.
  7. 동일 피사체에 대하여 촬영된 영상들 간에 동일한 관심구역을 검출하는 장치로서,
    제1 영상 및 상기 제1 영상의 촬영시로부터 시간 간격을 두고 촬영된 제2 영상을 획득하는 통신부; 및
    상기 제1 영상 및 상기 제2 영상이 획득되고, 상기 제1 영상 위에 관심구역이 설정되면, 상기 관심구역과 동일한 관심구역을 동일 관심구역으로서 상기 제2 영상에서 검출하거나 상기 통신부를 통하여 연동되는 타 장치로 하여금 검출하도록 지원하는 프로세서
    를 포함하되,
    상기 동일 관심 구역의 검출은 상기 관심구역과 상기 동일 관심구역 사이의 유사도의 비교에 기초하여 이루어지고, 상기 유사도는 시간 간격을 두고 동일 피사체에 대하여 촬영된 동일 또는 상이한 관심구역의 쌍을 식별하도록 학습된 쌍둥이 뉴럴 네트워크(twin neural network)에 의하여 산출되는 것을 특징으로 하는 동일 관심구역 검출 장치.
  8. 제7항에 있어서,
    상기 프로세서는,
    획득된 상기 제1 영상 위에 지정된 관심구역에 대응되는 검색 대상 구역을 상기 제2 영상에 대하여 설정하거나 상기 타 장치로 하여금 설정하도록 지원하고,
    설정된 상기 검색 대상 구역 내에서 상기 관심구역과 동일 또는 유사한 적어도 하나의 후보 이미지를 검색하거나 검색하도록 지원함으로써 상기 적어도 하나의 후보 이미지 중에서 소정의 기준에 따라 선택된 어느 하나를 상기 동일 관심구역으로 검출하거나 검출하도록 지원하는 것을 특징으로 하는 동일 관심구역 검출 장치.
KR1020180006503A 2018-01-18 2018-01-18 동일 피사체에 대하여 시간 간격을 두고 촬영된 영상 간에 동일 관심구역을 자동으로 검출하는 방법 및 이를 이용한 장치 KR101919847B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180006503A KR101919847B1 (ko) 2018-01-18 2018-01-18 동일 피사체에 대하여 시간 간격을 두고 촬영된 영상 간에 동일 관심구역을 자동으로 검출하는 방법 및 이를 이용한 장치
PCT/KR2019/000761 WO2019143179A1 (ko) 2018-01-18 2019-01-18 동일 피사체에 대하여 시간 간격을 두고 촬영된 영상 간에 동일 관심구역을 자동으로 검출하는 방법 및 이를 이용한 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180006503A KR101919847B1 (ko) 2018-01-18 2018-01-18 동일 피사체에 대하여 시간 간격을 두고 촬영된 영상 간에 동일 관심구역을 자동으로 검출하는 방법 및 이를 이용한 장치

Publications (1)

Publication Number Publication Date
KR101919847B1 true KR101919847B1 (ko) 2018-11-19

Family

ID=64561973

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180006503A KR101919847B1 (ko) 2018-01-18 2018-01-18 동일 피사체에 대하여 시간 간격을 두고 촬영된 영상 간에 동일 관심구역을 자동으로 검출하는 방법 및 이를 이용한 장치

Country Status (2)

Country Link
KR (1) KR101919847B1 (ko)
WO (1) WO2019143179A1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200070055A (ko) * 2018-12-07 2020-06-17 삼성전자주식회사 이미지를 처리하기 위한 방법 및 그 전자 장치
KR102161853B1 (ko) * 2020-05-28 2020-10-05 주식회사 에프앤디파트너스 의료 영상 처리 방법, 의료 영상 검색 방법 및 이를 이용한 장치
KR102173942B1 (ko) * 2020-03-31 2020-11-04 주식회사 딥노이드 다른 시점의 영상을 이용한 객체 검출을 위한 장치 및 이를 위한 방법
KR102343348B1 (ko) * 2021-07-29 2021-12-24 국방과학연구소 적외선 영상 데이터 획득 방법, 적외선 영상 데이터 획득 장치 및 상기 방법을 실행시키기 위하여 기록매체에 저장된 컴퓨터 프로그램

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7516172B2 (ja) * 2020-09-08 2024-07-16 キヤノンメディカルシステムズ株式会社 超音波診断装置およびプログラム

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5868231B2 (ja) * 2012-03-16 2016-02-24 株式会社日立製作所 医用画像診断支援装置、医用画像診断支援方法ならびにコンピュータプログラム
KR102154733B1 (ko) * 2013-01-16 2020-09-11 삼성전자주식회사 의료 영상을 이용하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 장치 및 방법
US9805463B2 (en) * 2013-08-27 2017-10-31 Heartflow, Inc. Systems and methods for predicting location, onset, and/or change of coronary lesions
WO2015191414A2 (en) * 2014-06-09 2015-12-17 Siemens Corporation Landmark detection with spatial and temporal constraints in medical imaging
KR20160032586A (ko) * 2014-09-16 2016-03-24 삼성전자주식회사 관심영역 크기 전이 모델 기반의 컴퓨터 보조 진단 장치 및 방법

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200070055A (ko) * 2018-12-07 2020-06-17 삼성전자주식회사 이미지를 처리하기 위한 방법 및 그 전자 장치
KR102683362B1 (ko) 2018-12-07 2024-07-10 삼성전자주식회사 이미지를 처리하기 위한 방법 및 그 전자 장치
KR102173942B1 (ko) * 2020-03-31 2020-11-04 주식회사 딥노이드 다른 시점의 영상을 이용한 객체 검출을 위한 장치 및 이를 위한 방법
KR102161853B1 (ko) * 2020-05-28 2020-10-05 주식회사 에프앤디파트너스 의료 영상 처리 방법, 의료 영상 검색 방법 및 이를 이용한 장치
KR102343348B1 (ko) * 2021-07-29 2021-12-24 국방과학연구소 적외선 영상 데이터 획득 방법, 적외선 영상 데이터 획득 장치 및 상기 방법을 실행시키기 위하여 기록매체에 저장된 컴퓨터 프로그램

Also Published As

Publication number Publication date
WO2019143179A1 (ko) 2019-07-25

Similar Documents

Publication Publication Date Title
KR101898575B1 (ko) 진행성 병변에 대한 미래 상태를 예측하는 방법 및 이를 이용한 장치
KR101919847B1 (ko) 동일 피사체에 대하여 시간 간격을 두고 촬영된 영상 간에 동일 관심구역을 자동으로 검출하는 방법 및 이를 이용한 장치
KR101943011B1 (ko) 피검체의 의료 영상 판독을 지원하는 방법 및 이를 이용한 장치
KR101919866B1 (ko) 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치
KR101894278B1 (ko) 일련의 슬라이스 영상을 재구성하는 방법 및 이를 이용한 장치
JP2019153250A (ja) 医療文書作成支援装置、方法およびプログラム
KR101957811B1 (ko) 의료 영상에 기반하여 피검체의 치매에 대한 중증도를 산출하는 방법 및 이를 이용한 장치
JP5226974B2 (ja) 画像診断支援装置、方法及びプログラム
KR101995383B1 (ko) 의료 영상에 대한 특징 순위에 기반하여 뇌질환을 판정하는 방법 및 이를 이용한 장치
KR20190117969A (ko) 레이블 있는 데이터 및 레이블 없는 데이터를 병용하는 준지도 강화 학습 방법 및 이를 이용한 장치
JP2019082881A (ja) 画像検索装置、方法およびプログラム
KR101898580B1 (ko) 영상의 열람을 지원하는 방법 및 이를 이용한 장치
CN113168912B (zh) 使用深度学习确定3d数据集中对象的增长速度
KR102149369B1 (ko) 의료 영상을 시각화하는 방법 및 이를 이용한 장치
US20140161337A1 (en) Adaptive Anatomical Region Prediction
US11449210B2 (en) Method for providing an image base on a reconstructed image group and an apparatus using the same
KR101923962B1 (ko) 의료 영상의 열람을 지원하는 방법 및 이를 이용한 장치
US11923069B2 (en) Medical document creation support apparatus, method and program, learned model, and learning apparatus, method and program
WO2019102917A1 (ja) 読影医決定装置、方法およびプログラム
KR20200116278A (ko) 치과 영상으로부터 피검체의 성별 및 연령을 판정하는 방법 및 이를 이용한 장치
US11416994B2 (en) Method and system for detecting chest x-ray thoracic diseases utilizing multi-view multi-scale learning
KR102222816B1 (ko) 진행성 병변의 미래 영상을 생성하는 방법 및 이를 이용한 장치
KR102112706B1 (ko) 결절 검출 방법 및 이를 이용한 장치
JP5655327B2 (ja) プログラムおよび情報処理装置
US10552959B2 (en) System and method for using imaging quality metric ranking

Legal Events

Date Code Title Description
GRNT Written decision to grant