KR101919866B1 - 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치 - Google Patents

뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치 Download PDF

Info

Publication number
KR101919866B1
KR101919866B1 KR1020180020912A KR20180020912A KR101919866B1 KR 101919866 B1 KR101919866 B1 KR 101919866B1 KR 1020180020912 A KR1020180020912 A KR 1020180020912A KR 20180020912 A KR20180020912 A KR 20180020912A KR 101919866 B1 KR101919866 B1 KR 101919866B1
Authority
KR
South Korea
Prior art keywords
scan image
bone scan
bone
computing device
cancer metastasis
Prior art date
Application number
KR1020180020912A
Other languages
English (en)
Inventor
김범산
윤혜전
유장
김원진
강주영
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 KR1020180020912A priority Critical patent/KR101919866B1/ko
Application granted granted Critical
Publication of KR101919866B1 publication Critical patent/KR101919866B1/ko

Links

Images

Classifications

    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • 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]
    • 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
    • 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
    • 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
    • G06T2207/30008—Bone

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Primary Health Care (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Optics & Photonics (AREA)
  • Pulmonology (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 피검체의 뼈 스캔(bone scan) 영상에 있어서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치에 관한 것이다. 구체적으로, 본 발명에 따른 방법에 의하면, 상기 뼈 스캔 영상이 입력되면, 컴퓨팅 장치가, 상기 뼈 스캔 영상으로부터 암 전이 의심 영역을 식별하고, 소정의 판정 기준에 따라 상기 암 전이 의심 영역에 대한 등급을 판별하며, 상기 암 전이 여부에 관한 정량화 수치를 산출함으로써 상기 암 전이 여부의 판정을 지원한다.

Description

뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치{METHOD FOR AIDING DETERMINATION OF PRESENCE OF BONE METASTASIS FROM BONE SCAN IMAGE AND APPARATUS USING THE SAME}
본 발명은 피검체의 뼈 스캔(bone scan) 영상에 있어서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치에 관한 것이다. 구체적으로, 본 발명에 따른 방법에 의하면, 상기 뼈 스캔 영상이 입력되면, 컴퓨팅 장치가, 상기 뼈 스캔 영상으로부터 암 전이 의심 영역을 식별하고, 소정의 판정 기준에 따라 상기 암 전이 의심 영역에 대한 등급을 판별하며, 상기 암 전이 여부에 관한 정량화 수치를 산출함으로써 상기 암 전이 여부의 판정을 지원한다.
골 종양은 뼈에서 시작될 수도 있고, 다른 부위에서 발생하여 뼈에 전이될 수도 있다. 예를 들어, 제2차 종양(secondary tumors)은 전립선 암에서부터 시작되어 뼈에 전이되는 경우가 흔하다. 현재 뼈 스캔을 통하여 제1차 종양 또는 전이성 암과 관련된 병변들을 확인하고 그 해석 및 분석을 통하여 암 질환의 진단 및 치료에 활용하는 기술들이 알려져 있다.
예를 들어, 종래에는 뼈 스캔 영상에 대하여 의료진이 판독할 때에 정성적 평가를 실시함으로써 경험의 차이에 따른 오류의 발생 가능성이 높은 문제가 있었다.
이를 해결하기 위한 정량화의 시도로서, 미국 등록특허공보 제9,002,081호를 참조하면, 기준 뼈 스캔 영상(reference bone scan image)들로부터 산출된 문턱값과의 강도 비교를 통하여 골 전이 관련 뼈 병변을 식별하고 이를 정량화하는 기술이 개시되어 있다.
그러나 이와 같이 기준 영상으로부터 획득된 문턱값과 판정 대상 영상에 속한 각 픽셀 간의 단순 강도 비교를 통하여서도 정확하게 암 전이 여부를 판정하기 어렵고, 영상의 형상적 특징을 반영하지 못하여 오판정 비율이 높아 의사가 판독에 들이는 노력을 줄이는 데에 크게 이바지 하고 있지 못하다는 단점이 있다.
따라서 본 발명에서는 이와 같은 문제점을 해결하기 위하여 많은 수의 훈련용 데이터를 이용하여 육안으로 구분하기 어렵거나 다년간의 수련을 통하여서만 비로소 의료진이 학습하게 되는 뼈 스캔 영상에서의 암 전이 여부의 판정 업무를 수행함에 있어서 컴퓨팅 장치로 하여금 그 특징을 스스로 분석 및 학습하도록 함으로써 사람이 미처 보지 못하거나 판정이 어려운 사례에 대하여도 정확한 결과를 도출할 수 있도록 판정을 보조할 수 있게 하는 방법, 그리고 이를 이용하는 장치를 제안하고자 한다.
US 9002081 B
본 발명은 의료 기관 등에서 의료진, 예컨대, 의사 또는 그로부터 권한을 위임받은 간호사, 연구원 등이 뼈 스캔 영상을 판독하여 특정 암의 전이 여부를 판정할 때에 이를 보조함으로써 판정의 정확도 및 효율을 증진할 수 있게 하는 것을 목적으로 한다.
구체적으로, 본 발명은 컴퓨팅 장치를 이용하여 정량화를 통한 수치 기반 평가를 시행할 수 있게 함으로써 의료진 개개인에 따른 진단 능력의 차이를 줄이는 것을 목적으로 한다.
결국 본 발명은 뼈 스캔 영상을 이용한 암 전이 여부 판정에 관한 자동화를 진전시킴으로써, 사람이 미처 보지 못하거나 판별이 어려운 사례에 대한 진단의 보조를 통하여 판독 오류를 감소시키는 등, 의료진의 진단 품질 및 속도를 향상시키는 데 조력하는 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, 피검체의 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법이 제공되는바, 그 방법에 있어서, 상기 뼈 스캔 영상이 입력되면, 컴퓨팅 장치가, 상기 뼈 스캔 영상으로부터 암 전이 의심 영역을 식별하고, 소정의 판정 기준에 따라 상기 암 전이 의심 영역에 대한 등급을 판별하며, 상기 암 전이 여부에 관한 정량화 수치를 산출함으로써 상기 암 전이 여부의 판정을 지원한다.
본 발명의 다른 태양에 따르면, 본 발명에 따른 방법을 수행하도록 구현된 명령어(instructions)를 포함하는, 기계 판독 가능한 비일시적 기록 매체에 저장된, 컴퓨터 프로그램도 제공된다.
본 발명의 또 다른 태양에 따르면, 피검체의 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 컴퓨팅 장치가 제공되는바, 그 컴퓨팅 장치는, 상기 뼈 스캔 영상을 입력받는 통신부; 및 상기 뼈 스캔 영상이 입력되면, 상기 뼈 스캔 영상으로부터 암 전이 의심 영역을 식별하고, 소정의 판정 기준에 따라 상기 암 전이 의심 영역에 대한 등급을 판별하며, 상기 암 전이 여부에 관한 정량화 수치를 산출함으로써 상기 암 전이 여부의 판정을 지원하는 프로세서를 포함한다.
본 발명에 의하면, 훈련된 인공지능 모델에 의하여 암 전이가 의심되는 영역들이 자동으로 탐지되고, 뼈 스캔 영상에 관한 판정 기준에 따라 영역들이 분류됨으로써 사용자가 뼈 스캔 영상을 더욱 효과적으로 관찰, 확인하고 평가할 수 있는 효과가 있다.
또한 본 발명에 의하면 암 전이가 의심되는 영역들이 등급, 영역 크기, 신체 내 위치별로 분류됨으로써 보다 적합한 정량화가 이루어질 수 있는 효과가 있다.
그리고 본 발명에 의하면, 뼈 스캔 영상에 때한 정량적인 분석 결과를 의료진에게 제공해줌으로써 환자(피검체)의 현재 상태의 파악과 치료에 따른 상태 변화를 용이하게 추적할 수 있는 효과가 있다.
결과적으로 본 발명에 따르면, 다년간의 수련 과정을 거치지 않은 의료진이라고 하더라도 본 발명에 의한 결과물을 이용함으로써 오랜 경험을 보유한 의료진과 비슷한 수준의 진단 능력을 확보할 수 있어 오진 발생 가능성을 낮출 수 있는 효과가 있다. 따라서, 많은 환자를 짧은 시간 내에 진단해야 하는 건강검진 센터오 같은 곳에서 사후 스크리닝 용도로 이용 가능하다.
본 발명은, 다양한 형식(modality)의 영상들에 적용될 수 있으며, 특히 종래에 병원에서 이용하고 있는 X-선 영상은 물론, 초음파 영상, CT 영상, MRI 영상 등의 시스템에도 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 뼈 스캔 영상에서의 암 전이 여부의 판정을 지원하는 방법(이하 “암 전이 여부 판정 지원 정량화 방법”이라 함)을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.
도 2는 본 발명에 따른 암 전이 여부 판정 지원 정량화 방법을 수행하는 컴퓨팅 장치의 하드웨어 또는 소프트웨어 구성요소를 도시한 예시적 블록도이다.
도 3은 본 발명에 따른 암 전이 여부 판정 지원 정량화 방법을 예시적으로 나타낸 흐름도이다.
도 4는 본 발명의 암 전이 여부 판정 지원 정량화 방법이 적용될 수 있는 뼈 스캔 영상이 예시적으로 도시된 도면이다.
도 5는 본 발명의 암 전이 여부 판정 지원 정량화 방법에서 이용되는 뼈 스캔 영상 판독 모델에 포함되는 심층 신경망(deep neural network)을 예시한 도면이다.
도 6a 및 도 6b는 본 발명의 암 전이 여부 판정 지원 정량화 방법에 따라 도 5에 대한 정량화가 수행되는 실시예들을 각각 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 전산화 단층 촬영(CT; computed tomography), 자기 공명 영상(MRI; magnetic resonance imaging), 초음파 또는 본 발명의 기술분야에서 공지된 임의의 다른 의료 영상 시스템의 의하여 수집된 피검체(subject)의 의료 영상일 수 있다. 영상이 반드시 의료적 맥락에서 제공되어야 하는 것은 아니고 비의료적 맥락에서 제공될 수도 있는바, 예를 들어 보안 검색용 X선 촬영 등이 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 X선 영상 데이터가 예시적 영상 형식(modality)인 것으로 도시되었다. 그러나 통상의 기술자는 본 발명의 다양한 실시 예에서 이용되는 영상 형식들이 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 아니며, 훈련(training)은 기계 학습에 관하여 일반적으로 받아들여지는 의미로 쓰인 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 암 전이 여부 판정 지원 정량화 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), NPU(neural 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 암 전이 여부 판정 지원 정량화 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 피검체의 뼈 스캔 영상을 획득하도록 구성되는바, 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.
뼈 스캔 영상은, 예를 들어, 통신부(110)를 통하여 연동되는 촬영 기기 또는 의료영상 저장 전송 시스템(PACS)과 같은 외부 영상 저장 시스템으로부터 획득되는 것일 수 있으나 이에 한정되지는 않는다. 예를 들어, 뼈 스캔 영상은 (의료) 영상 촬영 기기에 의하여 촬영되어 DICOM 표준에 따라 PACS에 전송된 후 컴퓨팅 장치(100)의 영상 획득 모듈(210)에 의하여 획득될 수 있다.
다음으로, 그 획득된 개별 영상은 분석 모듈(analysis module; 220)에 전달될 수 있는데, 분석 모듈(220)은 획득된 뼈 스캔 영상으로부터 암 전이 의심 영역을 식별하도록 구성될 수 있다. 이를 위하여 분석 모듈은 심층 신경망 모델을 포함하는 뼈 스캔 영상 판독 모델을 이용할 수 있는데, 이에 관하여는 후술하기로 한다.
분석 모듈(220)에 의하여 암 전이 의심 영역이 식별되면, 판별 모듈(230) 은 그 암 전이 의심 영역 각각에 대하여 등급 분류를 수행하도록 구성된다.
그리고 정량화 모듈(240)은 분류된 등급을 포함한 상기 암 전이 의심 영역 각각의 속성에 기초하여 정량화 수치를 산출하도록 구성된다.
그러면 정량화 수치를 포함한 정보는 출력 모듈(250)에 전달될 수 있고, 출력 모듈(250)은 소정의 출력 장치, 예컨대 디스플레이에 표시된 사용자 인터페이스를 통하여 상기 정량화 수치를 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 뼈 스캔 영상, 이로부터 도출된 암 전이 의심 영역 각각에 관한 영상 정보, 및 기타 속성의 정보(등급, 신체 내 위치 등등)를 필요로 하는 주체라면 어느 주체라도 포함되는 것으로 이해되어야 할 것이다.
도 2에 나타난 각각의 구성요소들의 구체적인 기능 및 효과에 관하여는 상세히 후술하기로 한다. 도 2에 나타난 구성요소들은 설명의 편의상 하나의 컴퓨팅 장치에서 실현되는 것으로 예시되었으나, 본 발명의 방법을 수행하는 컴퓨팅 장치(100)는 복수개의 장치들이 서로 연동되도록 구성될 수도 있다는 점이 이해될 것이다.
이제 본 발명에 따른 암 전이 여부 판정 지원 정량화 방법의 일 실시 예를 도 3 내지 도 6b를 참조하여 더 구체적으로 설명하기로 한다.
도 3은 본 발명에 따른 암 전이 여부 판정 지원 정량화 방법을 예시적으로 나타낸 흐름도이며 도 4는 본 발명의 암 전이 여부 판정 지원 정량화 방법이 적용될 수 있는 뼈 스캔 영상이 예시적으로 도시된 도면이다.
도 3을 참조하면, 본 발명에 따른 암 전이 여부 판정 지원 정량화 방법은, 전체적으로, 컴퓨팅 장치가, 입력된 뼈 스캔 영상으로부터 암 전이 의심 영역을 식별하고, 소정의 판정 기준에 따라 상기 암 전이 의심 영역에 대한 등급을 판별하며, 상기 암 전이 여부에 관한 정량화 수치를 산출한다. 이로써 상기 암 전이 여부의 판정이 지원(assisted) 혹은 보조(aided)된다.
구체적으로, 도 3을 참조하면, 본 발명의 암 전이 여부 판정 지원 정량화 방법은, 우선, 컴퓨팅 장치(100)에 의하여 구현되는 영상 획득 모듈(210)이, 상기 뼈 스캔 영상을 획득하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 획득하도록 지원하는 단계(S100)를 포함하는데, 그러한 뼈 스캔 영상은 도 4에 예시적으로 도시된 바와 같은 X선 영상일 수 있다
다만, 본 발명이 예시(illustration)된 영상의 형식(modality)에 한정되지 않고 일반적으로 다양한 영상 형식에 대하여 적용될 수 있다는 점이 이해될 것이다.
다음으로, 본 발명에 따른 암 전이 여부 판정 지원 정량화 방법은, 컴퓨팅 장치(100)에 의하여 구현되는 분석 모듈(220)이, 획득된 상기 뼈 스캔 영상으로부터, 훈련된 뼈 스캔 영상 판독 모델을 이용하여 적어도 하나의 암 전이 의심 영역을 식별하거나 통신부(110)를 통하여 연동되는 타 장치로 하여금 식별하도록 지원하는 단계(S200)를 더 포함한다.
이와 같은 분석 모듈(220)에 이용되는 판독 모델의 일 예시로는 딥 러닝 모델(deep learning model)을 들 수 있는데, 이는 인공 신경망을 다층으로 쌓은 형태로 간략하게 설명할 수 있다. 즉, 깊은 구조의 네트워크라는 의미로 심층 신경망(deep neural network; 딥 뉴럴 네트워크)이라고 표현하며, 다층의 네트워크로 이루어진 구조에서 다량의 데이터를 학습시킴으로써 각각의 영상의 특징을 자동으로 학습하고, 이를 통해 목적 함수, 즉 의심 영역의 식별 정확도의 에러(error)를 최소화시키는 방법으로 네트워크를 학습시켜 나아가는 형태이다. 이는, 인간 두뇌의 신경세포 간의 연결에 비교되는바, 이와 같은 심층 신경망은 AI의 차세대 모델로 자리잡아 가고 있다. 이 같은 딥 러닝 모델 중 특히 CNN(convolutional neural network; 합성곱 신경망)은 이미지의 분류에 적합한 모델로서, 이미지의 각 영역을 복수의 필터를 이용하여 특징 지도(feature map)를 만들어내는 합성층(convolution layer)과 특징 지도의 크기를 줄여 위치나 회전의 변화에 불변하는 특징을 추출할 수 있도록 하는 서브 샘플링 층(sub-sampling layer)을 반복함으로써 점, 선, 면 등의 저수준의 특징에서부터 복잡하고 의미 있는 고수준의 특징까지 다양한 수준의 특징을 추출할 수 있게 되며, 최종적으로 추출된 특징을 기존 판독 모델의 입력값으로서 이용하면 더 높은 정확도의 판독 모델을 구축할 수 있게 되는 장점이 있다.
도 5는 본 발명의 암 전이 여부 판정 지원 정량화 방법에서 이용되는 뼈 스캔 영상 판독 모델에 포함되는 심층 신경망(deep neural network)을 예시한 도면이다.
단계(S200)의 수행에 있어서, 뼈 스캔 영상에서 영역의 분할이 이루어질 수 있는데, 이와 같은 영상의 분할에는 도 5에 예시된 바와 같은 U-Net이 이용될 수 있을 뿐만 아니라 FCN(Fully Convolutional Network) 등 다양한 형태의 분할용 신경망이 이용될 수 있다. 이로써 뼈 스캔 영상에서 판정의 대상인 암 전이 의심 영역이 식별될 수 있다.
예를 들어, 도 5에 예시된 심층 신경망(U-Net)은, 왼쪽에 도시된 수축 경로(contracting path) 및 오른쪽에 도시된 팽창 경로(expansive path)를 포함한다.
수축 경로는 합성곱 신경망의 전형적인 구조를 따르고 있는바, 이는 2번의 3x3 합성곱(unpadded convolutions; 패딩되지 않은 합성곱)의 반복적 적용을 포함하는데, 그 각각의 합성곱에는 보정 선형 유닛(rectified linear unit; ReLU) 및 다운샘플링(downsampling)을 위한 스트라이드(stride) 2의 2x2 최대 풀링 연산이 뒤따른다. 각각의 다운샘플링 단계에 있어서 특징 채널(feature channel)들의 개수는 2배가 취해진다.
팽창 경로에 있어서의 모든 단계는 특징 맵(feature map)의 업샘플링(upsampling) 및 이에 뒤따르는 특징 채널들의 개수를 절반으로 줄이는 2x2 합성곱(“up-convolution”), 이에 대응되도록 절단된(cropped) 수축 경로로부터의 특징 맵과의 결합(concatenation), 및 2번의 3x3 합성곱으로 구성되는데, 2번의 3x3 합성곱 각각에는 ReLU가 뒤따른다. 전술한 절단은 모든 합성곱에 있어서의 경계선 픽셀들(border pixels)의 손실 때문에 필수적이다. 최종 층(final layer)에서 1x1 합성곱이 각각의 64 차원(64-component) 특징 벡터를 원하는 개수의 클래스(class)에 맵핑하는 데에 이용된다. 이 예시적 신경망에서는 모두 23개의 합성곱 층들이 포함되었는데, 이 개수는 임의적인 것이다. 출력으로 나오는 분할 맵(segmentation map)이 깔끔하게 이어지도록, 모든 2x2 최대 풀링 연산(max-pooling operation)이 짝수의 x 크기 및 y 크기를 가지는 층에 적용되도록 입력 타일의 크기(input tile size)를 선택하는 것이 중요하다는 것을 통상의 기술자는 이해할 수 있을 것이다.
다음으로, 본 발명에 따른 암 전이 여부 판정 지원 정량화 방법은, 컴퓨팅 장치(100)에 의하여 구현되는 판별 모듈(230)이, 상기 식별된 암 전이 의심 영역 각각에 대하여 상기 소정의 판정 기준에 따라 다수의 등급으로 분류하거나 통신부(110)를 통하여 연동되는 상기 타 장치로 하여금 분류하도록 지원하는 단계(S300)를 더 포함한다.
예를 들어, 단계(S200)에서 분할된 암 전이 의심 영역 각각으로부터 특징을 추출하여 분류하는 단계(S300)의 과정에는 단계(S200)의 분할에서와 마찬가지로 FCN, U-Net과 같은 인공 신경망과 유형 분류를 위한 소프트맥스(softmax) 함수와 같은 분류기(classifier)가 적용될 수 있다. 즉, 앞서 뼈 스캔 영상에서 판정의 대상인 암 전이 의심 영역이 식별되었다면, 단계(S300)에서는 해당 암 전이 의심 영역의 개별 화소(pixel; 도 6a 및 6b에는 pix로 표기됨)에 대하여 암 전이 의심 여부의 정량화가 이루어진다. 이 경우, 특징 추출은 골 영상을 분할하여 추출하고, 이들 각각을 정량화하는 과정이라고 할 수 있다.
물론 통상의 기술자는 앞서 단계(S200) 및 단계(S300)에서 이용된 모델들이 CNN, FCN 및 U-Net에 한정되지 않는다는 점을 이해할 수 있을 것인바, 다양한 종류의 딥 러닝 모델이 이용될 수 있다.
한편, 상기 다수의 등급으로 분류함에 있어서 등급은 4개 이상으로 이루어질 수 있다. 예를 들어 표 1에 예시된 바와 같은 판단 기준에 따른 등급 구분이 이용될 수 있다.
등급(grade) 판정 기준(diagnostic criteria) 증례(case)
등급 1 암 전이 없음(absence of bone metastasis) 상기 암 전이 의심 영역이 정상으로 판단되며, 방사성 동위원소(RI; radioisotope)가 섭취된 부위가 퇴행성 병변 및 골절 의심 부위 중 하나에 국한됨으로써 임상적 및 타영상학적 검사를 통하여 골 전이가 의심되지 않음
등급 2 암 전이를 정확하게 알 수 없음(bone metastasis cannot be ruled out with certainty) 하나 이상의 방사선 활성점(hot spot)이 검출되나 악성으로 판단되지 않고 골 전이의 가능성이 낮음
등급 3 암 전이 가능성 있음(bone metastasis probable) 방사선 활성점들의 국지성, 분포 및 강도가 전형적인 퇴행성 질환이나 골절과 상이한 양상으로 검출되고, f/u 영상에서도 분명한 변화가 없으며, 영상학적 검사에서는 불분명하나 임상적으로 골 전이 가능성이 판단됨
등급 4 암 전이가 분명히 있음(definite presence of bone metastatis) 상기 뼈 스캔 영상의 패턴이 골 전이의 전형적인 양상으로 나타남
이와 같은 등급은 암 전이 의심 영역 각각의 속성 중의 하나로서 후술하는 단계(S400)에서 정량화 수치를 산출하는 데 이용되거나, 그리고/또는 그 산출을 위한 심층 신경망 등 모델을 훈련하는 데 이용된다.
또한, 단계(S300)와 동시에 또는 이시(異時)에, 상기 컴퓨팅 장치에 의하여 구현되는 판별 모듈(230)이, 상기 식별된 암 전이 의심 영역 각각에 대하여 상기 피검체의 신체 내 위치를 식별하거나 통신부(110)를 통하여 상기 타 장치로 하여금 식별하도록 지원하는 단계(S300’; 미도시)가 함께 수행될 수도 있다. 이 경우에 상기 신체 내 위치 또한 암 전이 의심 영역 각각의 속성 중의 하나로서 이용될 수 있다.
다시 도 3을 참조하면, 본 발명에 따른 암 전이 여부 판정 지원 정량화 방법은, 상기 컴퓨팅 장치에 의하여 구현되는 정량화 모듈(240)이, 상기 암 전이 의심 영역 각각의 속성에 기초하여 정량화 수치를 산출하거나 상기 타 장치로 하여금 산출하도록 지원하는 단계(S400)를 더 포함한다. 여기에서 속성은, 상기 등급 및 상기 암 전이 의심 영역의 영역 크기를 포함할 수 있으며, 전술한 신체 내 위치를 포함할 수도 있다. 예컨대 본 발명에서 산출하고자 하는 정량화 수치는 BSI(Bone Scan Index)와 같은 수치일 수 있으나 이에 한정되는 것은 아니다.
도 6a 및 도 6b는 본 발명의 암 전이 여부 판정 지원 정량화 방법에 따라 도 5에 대한 정량화가 수행되는 실시예들을 각각 나타낸 도면이다.
도 6a에 예시된 일 실시 예로서, 단계(S400)에서, 상기 정량화 수치는 상기 등급별로 합산된 상기 의심 영역의 크기 및 상기 등급별 가중치에 기초하여 산출될 수 있다.
예컨대, 그러한 정량화 수치는 합산된 등급별 영역 크기 및 등급별 가중치의 선형 결합일 수 있는바, 하기와 같은 수학식 1로 표현될 수 있다.
Figure 112018018541507-pat00001
w g 는 등급 g(g=1, 2, 3, 4)의 가중치, S g 는 등급 g에 해당되는 영역의 크기.
한편, 산출 과정에 있어서 방광과 주사 부위는 부위의 특성상 별도로 계산될 수 있을 것인바, 도 6a 및 도 6b에 예시된 바와 같다.
도 6a를 참조하면, 피검체의 뼈 스캔 영상에서 등급 1에 해당되는 픽셀은 0 pix이며, 등급 2에 해당되는 픽셀은 15 pix이고, 등급 3에 해당되는 픽셀은 58 pix이며, 등급 4에 해당되는 픽셀은 9 pix이다. 한편, 방광과 주사 부위는 각각 20 pix과 5 pix이다. 전술한 수학식 1에 따른 결과인 정량화 수치는 BSI=70으로서, 피검체의 뼈 스캔 영상에 대하여 비정상으로 판정되었으며, 등급은 4이다.
그리고 도 6b에 예시된 다른 실시예로서, 단계(S400)에서, 고려되는 속성에 상기 신체 내 위치가 더 포함되고, 상기 정량화 수치는, 상기 신체 내 위치 및 등급별로 합산된 상기 의심 영역의 크기 및 상기 신체 내 위치 및 등급별 가중치에 기초하여 산출될 수 있다. 예컨대, 이와 같은 정량화 수치는 하기와 같은 수학식 2로 표현되는 것일 수 있다.
Figure 112018018541507-pat00002
w g,r 는 등급 g(g=1, 2, 3, 4)와 위치 r(r=1, …)별 가중치, S g,r 는 등급 g와 위치 r 별 영역의 크기.
도 6b를 참조하면, 위치와 등급에 따라 의심 영역의 픽셀 크기들이 예시되어 있는데, 위 수학식 2를 이용한 산출 결과는 BSI=78.4로서, 피검체의 뼈 스캔 영상에 대하여 비정상으로 판정되었으며, 등급은 4이다.
기타 다양한 방식의 수식을 활용함으로써 상기 속성에 기초한 상기 정량화 수치가 산출될 수 있는바, 전술한 선형 결합의 수식은 예시에 지나지 않는다. 변형례에 따라서는 2층 이상의 인공 신경망에 의하여 추론되는 선형 또는 비선형 모델에 의한 수치가 산출됨으로써 더 높은 정확도를 꾀할 수 있는바, 이를 위하여 상기 판독 모델과 상이한 별개의 인공 신경망이 채택될 수도 있음은 물론이다.
최종적으로, 본 발명에 따른 암 전이 여부 판정 지원 정량화 방법은, 상기 컴퓨팅 장치(100)에 의하여 구현되는 출력 모듈(250)이, 산출된 상기 정량화 수치를 외부 엔티티(entity)에 제공하거나 통신부(110)를 통하여 상기 타 장치로 하여금 제공하도록 지원하는 단계(S500)를 더 포함할 수 있는바, 이로써 정량화 수치 및 이를 통하여 판정된 정상/비정상 여부, 전체 등급 등이 의료진에 의한 진단에 유용하게 이용될 수 있다.
본 발명에서 이용되는 판독 모델 등의 인공 신경망, 특히 심층 신경망은 다수의 훈련용 뼈 스캔 영상 및 이에 대응되는 판독 데이터, 즉 훈련용 데이터를 이용하여 훈련된다. 즉, 본 발명에 따른 암 전이 여부 판정 지원 정량화 방법은, 상기 컴퓨팅 장치(100)의 학습 모듈(260)이, 단계(S200)의 수행 전에, 훈련용 뼈 스캔 영상 및 이에 대응되는 판독 데이터를 이용하여, 상기 뼈 스캔 영상 판독 모델을 훈련하거나 통신부(110)를 통하여 연동되는 상기 타 장치로 하여금 훈련하도록 지원하는 단계(S200’; 미도시)를 포함할 수 있다. 여기에서 판독 데이터라고 함은 훈련용 뼈 스캔 영상을 사람이 직접 평가하여 각 부위의 등급을 매긴 정보 및/또는 정량화 수치를 포함할 수 있으며, 다량의 입력 데이터와 충분한 층 및 노드의 개수를 가진 심층 신경망이 있으면, 비선형 함수에 대하여 충분한 정확도로 근사할 수 있음이 알려져 있는바, 확보된 훈련용 데이터가 많으면 많을수록 우수한 성능의 판독 모델 등을 도출할 수 있는 장점이 있다.
지금까지 설명된 바와 같이 본 발명은 그 모든 실시 예 및 변형례에 걸쳐, 사용자가 뼈 스캔 영상을 더욱 효과적으로 관찰, 확인하고 평가할 수 있는 효과가 있다.
이로 인해 정확도가 낮아 판독에 큰 도움을 주지 못했던 종래의 방식을 극복함으로써 판독의의 수고를 덜 수 있어 효과적 진단이 가능해지게 되는바, 궁극적으로 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 (14)

  1. 피검체의 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법에 있어서,
    상기 뼈 스캔 영상이 입력되면, 컴퓨팅 장치가, 상기 뼈 스캔 영상으로부터 암 전이 의심 영역을 식별하고, 소정의 판정 기준에 따라 상기 암 전이 의심 영역에 대한 등급을 판별하며, 상기 암 전이 여부에 관한 정량화 수치를 산출함으로써 상기 암 전이 여부의 판정을 지원하되,
    상기 방법은,
    (a) 상기 컴퓨팅 장치가, 상기 뼈 스캔 영상을 획득하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 획득하도록 지원하는 단계;
    (b) 획득된 상기 뼈 스캔 영상으로부터, 상기 컴퓨팅 장치가, 훈련된 뼈 스캔 영상 판독 모델을 이용하여 적어도 하나의 암 전이 의심 영역을 식별하거나 상기 타 장치로 하여금 식별하도록 지원하는 단계;
    (c) 상기 컴퓨팅 장치가, 상기 식별된 암 전이 의심 영역 각각에 대하여 상기 소정의 판정 기준에 따라 다수의 등급으로 분류하거나 상기 타 장치로 하여금 분류하도록 지원하는 단계;
    (c') 상기 컴퓨팅 장치가, 상기 식별된 암 전이 의심 영역 각각에 대하여 상기 피검체의 신체 내 위치를 식별하거나 상기 타 장치로 하여금 식별하도록 지원하는 단계; 및
    (d) 상기 컴퓨팅 장치가, 상기 암 전이 의심 영역 각각의 속성에 기초하여 상기 정량화 수치를 산출하거나 상기 타 장치로 하여금 산출하도록 지원하는 단계로서, 상기 속성은 상기 등급 및 상기 암 전이 의심 영역의 영역 크기를 포함하는, 단계
    를 포함하되,
    상기 (b) 단계는,
    (b1) 상기 컴퓨팅 장치가, 상기 뼈 스캔 영상 판독 모델의 분할용 심층 신경망을 통하여 상기 뼈 스캔 영상으로부터 골 영상을 분할하여 추출하는 단계; 및
    (b2) 상기 컴퓨팅 장치가, 상기 뼈 스캔 영상 판독 모델의 분류기를 통하여 상기 골 영상에서 암 전이 의심 영역을 식별하는 단계
    를 포함하며,
    상기 속성은 상기 신체 내 위치를 더 포함하고,
    상기 정량화 수치는
    상기 신체 내 위치 및 등급별로 합산된 상기 의심 영역의 크기 및 상기 신체 내 위치 및 등급별의 가중치에 기초하여 산출되는 것을 특징으로 하는 암 전이 여부 판정 지원 정량화 방법.
  2. 삭제
  3. 제1항에 있어서,
    (e) 상기 컴퓨팅 장치가, 산출된 상기 정량화 수치를 외부 엔티티(entity)에 제공하거나 상기 타 장치로 하여금 제공하도록 지원하는 단계
    를 더 포함하는 암 전이 여부 판정 지원 정량화 방법.
  4. 삭제
  5. 제1항에 있어서,
    상기 정량화 수치는 상기 등급별로 합산된 상기 의심 영역의 크기 및 상기 등급별의 가중치에 기초하여 산출되는 것을 특징으로 하는 암 전이 여부 판정 지원 정량화 방법.
  6. 삭제
  7. 제1항에 있어서,
    상기 (c) 단계에서,
    상기 다수의 등급은 4개 이상으로 이루어지는 것을 특징으로 하는 암 전이 여부 판정 지원 정량화 방법.
  8. 제1항에 있어서,
    상기 (b) 단계 전에,
    (b0) 획득된 다수의 훈련용 뼈 스캔 영상 및 이에 대응되는 판독 데이터를 이용하여, 상기 컴퓨팅 장치가, 상기 뼈 스캔 영상 판독 모델을 훈련하거나 상기 타 장치로 하여금 훈련하도록 지원하는 단계
    를 더 포함하는 암 전이 여부 판정 지원 정량화 방법.
  9. 컴퓨팅 장치로 하여금, 제1항, 제3항, 제5항, 제7항 및 제8항 중 어느 한 항의 방법을 수행하도록 구현된 명령어(instructions)를 포함하는, 기계 판독 가능한 비일시적 기록 매체에 저장된, 컴퓨터 프로그램.
  10. 피검체의 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 컴퓨팅 장치에 있어서,
    상기 뼈 스캔 영상을 입력받는 통신부; 및
    상기 뼈 스캔 영상이 입력되면, 상기 뼈 스캔 영상으로부터 암 전이 의심 영역을 식별하고, 소정의 판정 기준에 따라 상기 암 전이 의심 영역에 대한 등급을 판별하며, 상기 암 전이 여부에 관한 정량화 수치를 산출함으로써 상기 암 전이 여부의 판정을 지원하는 프로세서
    를 포함하고,
    상기 통신부에 의하여 영상 획득 모듈이 구현되되,
    상기 영상 획득 모듈은 상기 뼈 스캔 영상을 획득하거나 상기 통신부에 연동되는 타 장치로 하여금 획득하도록 지원하고,
    상기 프로세서에 의하여 분석 모듈, 판별 모듈 및 정량화 모듈이 구현되되,
    상기 분석 모듈은,
    획득된 상기 뼈 스캔 영상으로부터, 훈련된 뼈 스캔 영상 판독 모델을 이용하여 적어도 하나의 암 전이 의심 영역을 식별하거나 상기 타 장치로 하여금 식별하도록 지원하며,
    상기 판별 모듈은,
    상기 식별된 암 전이 의심 영역 각각에 대하여 상기 소정의 판정 기준에 따라 다수의 등급으로 분류하거나 상기 타 장치로 하여금 분류하도록 지원하고,
    상기 식별된 암 전이 의심 영역 각각에 대하여 상기 피검체의 신체 내 위치를 식별하거나 상기 타 장치로 하여금 식별하도록 지원하며,
    상기 정량화 모듈은,
    상기 암 전이 의심 영역 각각의 속성에 기초하여 상기 정량화 수치를 산출하거나 상기 타 장치로 하여금 산출하도록 지원하며,
    상기 속성은 상기 등급 및 상기 암 전이 의심 영역의 영역 크기를 포함하고,
    상기 분석 모듈은,
    상기 뼈 스캔 영상 판독 모델의 분할용 심층 신경망을 통하여 상기 뼈 스캔 영상으로부터 골 영상을 분할하여 추출하고, 상기 뼈 스캔 영상 판독 모델의 분류기를 통하여 상기 골 영상에서 암 전이 의심 영역을 식별하며,
    상기 속성은 상기 신체 내 위치를 더 포함하고,
    상기 정량화 수치는
    상기 신체 내 위치 및 등급별로 합산된 상기 의심 영역의 크기 및 상기 신체 내 위치 및 등급별의 가중치에 기초하여 산출되는 것을 특징으로 하는 암 전이 여부 판정 지원 정량화 장치.
  11. 삭제
  12. 제10항에 있어서,
    산출된 상기 정량화 수치를 소정의 출력 장치를 통하여 외부 엔티티(entity)에 제공하거나 상기 타 장치로 하여금 제공하도록 지원하게끔 상기 프로세서에 의하여 구현되는 출력 모듈을 더 포함하는 암 전이 여부 판정 지원 정량화 장치.
  13. 삭제
  14. 제10항에 있어서,
    상기 프로세서에 의하여 학습 모듈이 더 구현되되,
    상기 학습 모듈은,
    획득된 다수의 훈련용 뼈 스캔 영상 및 이에 대응되는 판독 데이터를 이용하여, 상기 뼈 스캔 영상 판독 모델을 훈련하거나 상기 타 장치로 하여금 훈련하도록 지원하는 암 전이 여부 판정 지원 정량화 장치.
KR1020180020912A 2018-02-22 2018-02-22 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치 KR101919866B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180020912A KR101919866B1 (ko) 2018-02-22 2018-02-22 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180020912A KR101919866B1 (ko) 2018-02-22 2018-02-22 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치

Publications (1)

Publication Number Publication Date
KR101919866B1 true KR101919866B1 (ko) 2018-11-19

Family

ID=64561992

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180020912A KR101919866B1 (ko) 2018-02-22 2018-02-22 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치

Country Status (1)

Country Link
KR (1) KR101919866B1 (ko)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200060129A (ko) * 2018-11-22 2020-05-29 주식회사 셀바스에이아이 병변 예측 방법 및 이를 이용한 병변 진단용 디바이스
KR20200083302A (ko) * 2018-12-27 2020-07-08 (주)제이엘케이 클라우드 기반 인-메모리 의료 영상 분석 장치 및 방법
KR20200087427A (ko) * 2019-01-11 2020-07-21 경북대학교 산학협력단 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법
KR20200106326A (ko) * 2019-03-04 2020-09-14 시너지에이아이 주식회사 암의 전이 정도를 판단하는 방법 및 이를 수행하기 위한 의료용 전자 장치
CN112669254A (zh) * 2019-10-16 2021-04-16 中国医药大学附设医院 基于全身骨扫描影像的深度学习摄护腺癌骨转移辨识系统
WO2022019355A1 (ko) * 2020-07-23 2022-01-27 주식회사 딥바이오 다중 페이즈 생체 이미지를 이용하여 학습된 뉴럴 네트워크를 이용한 질병 진단 방법 및 이를 수행하는 질병 진단 시스템
KR20220139201A (ko) * 2021-04-07 2022-10-14 아주대학교산학협력단 뼈스캔 영상을 이용한 인공지능 기반의 영상 생성 장치 및 그 방법
WO2022260380A1 (ko) * 2021-06-09 2022-12-15 사회복지법인 삼성생명공익재단 조기 대장암의 내시경 절제 검체 이미지를 이용한 림프절 전이 예측 방법 및 분석 장치
WO2023282388A1 (ko) * 2021-07-09 2023-01-12 주식회사 피노맥스 갑상선 암의 림프절 전이 진단에 필요한 정보를 제공하는 방법 및 장치
US11568538B2 (en) 2021-04-16 2023-01-31 Heuron Co., Ltd. Medical image-based tumor detection and diagnostic device

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090087045A1 (en) * 2007-09-28 2009-04-02 Larry Partain Cancer detection, diagnosis, staging, treatment planning, delivery, and monitoring using x-ray attenuation coefficient distributions
KR101791029B1 (ko) * 2017-05-31 2017-10-27 주식회사 뷰노 원충성 감염병에 대한 피검체의 감염 여부를 판정하는 방법 및 이를 이용한 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090087045A1 (en) * 2007-09-28 2009-04-02 Larry Partain Cancer detection, diagnosis, staging, treatment planning, delivery, and monitoring using x-ray attenuation coefficient distributions
KR101791029B1 (ko) * 2017-05-31 2017-10-27 주식회사 뷰노 원충성 감염병에 대한 피검체의 감염 여부를 판정하는 방법 및 이를 이용한 장치

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200060129A (ko) * 2018-11-22 2020-05-29 주식회사 셀바스에이아이 병변 예측 방법 및 이를 이용한 병변 진단용 디바이스
KR102257904B1 (ko) * 2018-11-22 2021-05-28 주식회사 셀바스에이아이 병변 예측 방법 및 이를 이용한 병변 진단용 디바이스
KR20200083302A (ko) * 2018-12-27 2020-07-08 (주)제이엘케이 클라우드 기반 인-메모리 의료 영상 분석 장치 및 방법
KR102477762B1 (ko) 2018-12-27 2022-12-19 (주)제이엘케이 클라우드 기반 인-메모리 의료 영상 분석 장치 및 방법
KR20200087427A (ko) * 2019-01-11 2020-07-21 경북대학교 산학협력단 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법
KR102307995B1 (ko) 2019-01-11 2021-10-01 경북대학교 산학협력단 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템 및 이의 동작 방법
KR102274569B1 (ko) * 2019-03-04 2021-07-08 시너지에이아이 주식회사 암의 전이 정도를 판단하는 방법 및 이를 수행하기 위한 의료용 전자 장치
KR20200106326A (ko) * 2019-03-04 2020-09-14 시너지에이아이 주식회사 암의 전이 정도를 판단하는 방법 및 이를 수행하기 위한 의료용 전자 장치
CN112669254A (zh) * 2019-10-16 2021-04-16 中国医药大学附设医院 基于全身骨扫描影像的深度学习摄护腺癌骨转移辨识系统
WO2022019355A1 (ko) * 2020-07-23 2022-01-27 주식회사 딥바이오 다중 페이즈 생체 이미지를 이용하여 학습된 뉴럴 네트워크를 이용한 질병 진단 방법 및 이를 수행하는 질병 진단 시스템
KR20220139201A (ko) * 2021-04-07 2022-10-14 아주대학교산학협력단 뼈스캔 영상을 이용한 인공지능 기반의 영상 생성 장치 및 그 방법
KR102601695B1 (ko) 2021-04-07 2023-11-14 아주대학교산학협력단 뼈스캔 영상을 이용한 인공지능 기반의 영상 생성 장치 및 그 방법
US11568538B2 (en) 2021-04-16 2023-01-31 Heuron Co., Ltd. Medical image-based tumor detection and diagnostic device
WO2022260380A1 (ko) * 2021-06-09 2022-12-15 사회복지법인 삼성생명공익재단 조기 대장암의 내시경 절제 검체 이미지를 이용한 림프절 전이 예측 방법 및 분석 장치
WO2023282388A1 (ko) * 2021-07-09 2023-01-12 주식회사 피노맥스 갑상선 암의 림프절 전이 진단에 필요한 정보를 제공하는 방법 및 장치

Similar Documents

Publication Publication Date Title
KR101919866B1 (ko) 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치
KR101943011B1 (ko) 피검체의 의료 영상 판독을 지원하는 방법 및 이를 이용한 장치
KR101887194B1 (ko) 피검체의 의료 영상의 판독을 지원하는 방법 및 이를 이용한 장치
KR101898575B1 (ko) 진행성 병변에 대한 미래 상태를 예측하는 방법 및 이를 이용한 장치
KR101874348B1 (ko) 피검체의 흉부 pa 영상의 판독을 지원하는 방법 및 이를 이용한 장치
CN111563523B (zh) 利用机器训练的异常检测的copd分类
US20220254023A1 (en) System and Method for Interpretation of Multiple Medical Images Using Deep Learning
JP6793994B2 (ja) 一連のスライス画像を再構成する方法およびこれを利用した装置
KR101957811B1 (ko) 의료 영상에 기반하여 피검체의 치매에 대한 중증도를 산출하는 방법 및 이를 이용한 장치
US11969265B2 (en) Neural network classification of osteolysis and synovitis near metal implants
KR102258756B1 (ko) 의료 영상을 이용한 암의 병기 결정 방법 및 의료 영상 분석 장치
Heydarheydari et al. Auto-segmentation of head and neck tumors in positron emission tomography images using non-local means and morphological frameworks
WO2019176407A1 (ja) 学習支援装置、学習支援方法、学習支援プログラム、関心領域判別装置、関心領域判別方法、関心領域判別プログラム及び学習済みモデル
Huang et al. Mask RCNN algorithm for nuclei detection on breast cancer histopathological images
Kaliyugarasan et al. Pulmonary nodule classification in lung cancer from 3D thoracic CT scans using fastai and MONAI
KR20200087427A (ko) 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법
Xu et al. Improved cascade R-CNN for medical images of pulmonary nodules detection combining dilated HRNet
KR101948701B1 (ko) 피검체의 뇌 구조를 기술하는 잠재 변수에 기반하여 상기 피검체의 뇌질환을 판정하는 방법 및 이를 이용한 장치
US20150023574A1 (en) Apparatus for providing medical image knowledge service and image processing device and method for the same
KR102099350B1 (ko) 의료 영상에서 병변의 정량화를 보조하는 방법 및 이를 이용한 장치
KR20190088371A (ko) 진행성 병변의 미래 영상을 생성하는 방법 및 이를 이용한 장치
JP2023511663A (ja) 弱教師あり病変セグメンテーション
Keshavamurthy et al. Weakly supervised pneumonia localization in chest X‐rays using generative adversarial networks
US20240153082A1 (en) Deep learning model for diagnosis of hepatocellular carcinoma on non-contrast computed tomography
Gao Novel Deep Learning Models for Medical Imaging Analysis

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant