KR101929127B1

KR101929127B1 - 의료 영상에 기반하여 상태를 진단하는 장치 및 방법

Info

Publication number: KR101929127B1
Application number: KR1020170104313A
Authority: KR
Inventors: 이영한; 황도식; 서진석; 양재문; 김세원
Original assignee: 연세대학교 산학협력단
Priority date: 2017-02-10
Filing date: 2017-08-17
Publication date: 2018-12-13
Also published as: KR20180092797A

Abstract

본 발명의 다양한 실시예들에 따른 경추 영상 진단 장치는, 상기 경추 영상에서 경추 연조직(prevertebral stripe) 영역을 추출하기 위한 의료 학습 모델들을 구비하며, 입력된 상기 경추 영상 및 상기 의료 학습 모델에 기반하는 딥러닝 알고리즘을 수행하여 상기 의료 영상에서 경추 연조직 영역을 추출하는 경추 연조직 영역 추출부와, 추출된 상기 경추 연조직 영역에서 설정된 위치의 경추 연조직의 간격을 측정하는 측정부 및 측정된 상기 경추 연조직 간격을 설정된 기준값들과 비교 분석하여 의료 영상의 경추 연조직 진단 결과를 생성하여 출력하는 진단부를 포함할 수 있다.

Description

의료 영상에 기반하여 상태를 진단하는 장치 및 방법{APPARATUS AND METHOD FOR DIAGNOSING A MEDICAL CONDITION ON THE BAISIS OF MEDICAL IMAGE}

본 발명은 의료 영상을 분석하여 환자의 상태를 진단할 수 있는 장치 및 방법에 관한 것이다.

인공지능 알고리즘들은 의료 분야에 있어서도 활발하게 적용되고 있다. 향후 사물인터넷(Internet of Things: loT) 기반 생체 정보의 수집이 보편화되면 일상 생활에서 건강 상태를 모니터링하고 이상 유무를 확인하는데 인공지능 알고리즘들이 다양하게 적용될 것으로 예상된다. 또한, 실제 의료 현장에서는 국내외 영상의학 및 방사선 의학과를 중심으로 의료 영상에서 인공지능 알고리즘들을 활용하려는 움직임이 있다.

방사선 단순촬영(Radiography or X-ray), 초음파(ultrasonography), 컴퓨터단층촬영(Computed Tomography: CT), 자기공명영상(Magnetic Resonance Imaging: MRI), 양전자단층촬영(Positron Emission Tomography: PET) 등 다양한 의료 진단 기기로부터 획득된 의료 영상을 의사가 판독함으로써 과거에 비해 질병의 조기 진단 및 치료가 가능해지고, 그 결과 인간 수명 연장이 실현되고 있다. 그러나 다양한 진단 기기를 이용하는 환자 수의 증가에 비해 의료진 수의 부족, 인간의 부정확한 판독 및 의사 간 혹은 동일 의사 내에서의 판독 편차 등으로 인한 오진의 가능성도 문제로 대두되고 있다. 따라서, 의료 영상에서는 인공지능 알고리즘 기반 진단 시스템을 도입함으로써 이러한 문제점들을 보완하고자 하는 다양한 시도가 나타나고 있다. 즉, 의사에 의한 의료 영상의 판독에 더해 인공 지능을 이용한 진단 소견을 보완함(second-opinion 또는 double-reading으로 활용)으로써 보다 정확한 진단을 목적으로 하는 연구 등이 활발히 진행되고 있다.

다양한 실시예들은 의료 영상 진단 장치에서 획득된 의료 영상에서 설정된 진단 부위의 상태(medical condition)를 인식하여 이상 여부를 진단할 수 있는 장치 및 방법을 제공할 수 있다.

다양한 실시예들은 의료 영상 진단 장치에서 의료 영상 및 의료 영상의 진단 영역을 딥러닝에 기반하여 학습하여 입력되는 의료 영상에서 진단할 부위를 자동으로 설정할 수 있는 장치 및 방법을 제공할 수 있다.

다양한 실시예들은 의료 영상 진단 장치에서 입력되는 의료 영상을 학습된 딥러닝 결과를 적용하여 진단 부위를 자동으로 설정하고, 설정된 진단 부위의 상태를 분석하여 의료 영상의 상태를 진단할 수 있는 장치 및 방법을 제공할 수 있다.

다양한 실시예들은 의료 영상 진단 장치가 학습 모듈 및 진단모듈을 포함하고, 학습 모듈은 의료 영상에 적어도 2개의 진단라인들을 표시하고, 진단 라인들에 기반하여 진단 영역을 설정하며, 의료 영상 및 해당하는 진단영역을 딥러닝 알고리즘에 의해 학습하여 딥러닝 학습 모델들을 생성하며, 진단 모듈은 입력되는 의료 영상에 학습된 딥러닝 학습 모델을 적용하여 의료 영상에서 진단 영역을 추출하고, 추출된 진단 영역으로 진단 라인을 생성한 후 진단 라인 사이의 간격을 측정하여 의료 영상의 상태를 진단할 수 있는 장치 및 방법을 제공할 수 있다.

다양한 실시예들은 의료 영상 진단 장치에서 외상 환자의 경추 의료 영상(C spine lateral view)에서 경추 연조직(prevertebral soft tissue)의 두께 판독하기 위한 딥러닝 학습 모델을 구비하며, 경추 의료 영상이 입력되면 학습된 딥러닝 학습 모델을 적용하여 경추 의료 영상에서 진단 부위를 자동으로 설정하고, 설정된 진단 부위의 상태를 판독하여 경추 연조직의 상태를 진단할 수 있는 장치 및 방법을 제공할 수 있다.

다양한 실시예들은, 의료 영상 진단 장치에서 외상 환자의 경추 의료 영상(C spine lateral view)에서 경추 연조직(prevertebral soft tissue)의 두께 판독하기 위한 딥러닝 학습 모델을 구비하며, 경추 의료 영상이 입력되면 학습된 딥러닝 학습 모델을 적용하여 경추 의료 영상에서 진단 부위를 자동으로 설정하고, 설정된 진단 부위의 상태를 판독하여 경추 연조직의 상태를 진단할 수 있는 컴퓨터 판독 가능한 기록매체를 제공할 수 있다.

다양한 실시예들에 따른 의료영상을 진단하는 방법은, 의료 영상에서 진단부위를 추출하기 위한 의료 학습모델들을 구비하며, 상기 의료 영상을 입력하는 단계와, 입력된 상기 의료 영상 및 상기 의료 학습 모델에 기반하는 딥러닝 알고리즘을 수행하여 상기 의료 영상에서 진단 부위 영역을 추출하는 단계와, 추출된 상기 진단부위 영역에서 설정된 위치의 간격을 측정하는 단계 및 측정된 상기 진단부위 간격을 설정된 기준값과 비교 분석하여 상기 의료 영상의 병리 진단 결과를 생성 및 표시하는 단계를 포함할 수 있다.

다양한 실시예들에 따른 의료 영상 진단 장치는, 의료 영상에서 진단부위를 추출하기 위한 의료 학습모델을 구비하며, 입력되는 상기 의료 영상 및 상기 의료 학습 모델에 기반하는 딥러닝 알고리즘을 수행하여 상기 의료 영상에서 진단 부위를 추출하는 진단부위 추출부와, 추출된 상기 진단부위 영역의 설정된 진단 위치에서 상기 진단부위의 간격을 측정하는 측정부 및 측정된 상기 진단부위 간격을 설정된 기준값들과 비교 분석하여 의료 영상의 병리 진단 결과를 생성하여 출력하는 진단부를 포함할수 있다.

다양한 실시예들에 따른 경추 영상을 진단하는 방법은, 경추 영상에서 경추 연조직(prevertebral stripe) 영역을 추출하기 위한 의료 학습 모델들을 구비하며, 상기 경추 영상을 입력하는 단계와, 입력된 상기 경추 영상 및 상기 의료 학습 모델에 기반하는 딥러닝 알고리즘을 수행하여 상기 의료 영상에서 경추 연조직 영역을 추출하는 단계와, 추출된 상기 경추 연조직 영역에서 설정된 위치의 경추 연조직의 간격을 측정하는 단계 및 측정된 상기 경추 연조직 간격을 설정된 기준값들과 비교 분석하여 의료 영상의 경추 연조직 진단 결과를 생성하여 표시하는 단계를 포함할 수 있다.

다양한 실시예들에 따른 경추 영상 진단 장치는, 상기 경추 영상에서 경추 연조직(prevertebral stripe) 영역을 추출하기 위한 의료 학습 모델들을 구비하며, 입력된 상기 경추 영상 및 상기 의료 학습 모델에 기반하는 딥러닝 알고리즘을 수행하여 상기 의료 영상에서 경추 연조직 영역을 추출하는 경추 연조직 영역 추출부와, 추출된 상기 경추 연조직 영역에서 설정된 위치의 경추 연조직의 간격을 측정하는 측정부와, 측정된 상기 경추 연조직 간격을 설정된 기준값들과 비교 분석하여 의료 영상의 경추 연조직 진단 결과를 생성하여 출력하는 진단부를 포함할 수 있다.

본 발명에 따르면, 본 발명의 합성곱 신경망 딥 러닝 기반 경추 연조직의 측정 방법은 외상 환자의 C spine lateral view에서 경추 연조직 영역(prvertebral soft tissue, prvertebral stripe)의 두께 판독시 의사에 의한 의료 영상의 판독에 더해 인공 지능을 이용하여 의산의 진단 소견을 보완할 수 있다.

딥 러닝 알고리즘에 기반하여 의료 영상의 경추 연조직 영역을 추출하고, 추출된 경추 연조직 영역(prvertebral soft tissue, prvertebral stripe)의 의 간격을 측정할 수 있다. 딥 러닝 기반 경추 연조직의 측정 방법은 외상 환자의 C spine lateral view에서 경추 연조직의 두께 판독시 의사에 의한 의료 영상의 판독에 더해 인공 지능을 이용하여 진단 소견을 보완할 수 있다.

도 1은 다양한 실시예들에 따른 병원 정보 시스템(HIS, hospital information system)의 구성을 도시하는 도면이다.
도 2는 다양한 실시예들에 따른 병원 시스템의 의료 영상 진단 장치의 구성을 도시하는 도면이다.
도 3은 다양한 실시예들에 따른 의료 진단 장치의 학습 모듈 구조를 도시하는 도면이다.
도 4는 다양한 실시예들에 따른 의료 진단 장치의 진단 모듈 구조를 도시하는 도면이다.
도 5는 경추 구성(C spine lateral view)을 모식적으로 도시한 도면이다.
도 6은 다양한 실시예들에 따른 의료 진단 동작을 도시하는 도면이다.
도 7은 다양한 실시예들에 따라 의료 학습 모델을 생성하는 절차를 도시하는 흐름도이다.
도 8a - 도 8e는 의료 학습 모델을 생성하는 동작을 설명하기 화면의 예들을 표시하는 도면이다.
도 9는 다양한 실시예들에 따라 의료 영상 진단장치에서 입력되는 의료 영상을 분석하여 진단하는 동작 절차를 도시하는 흐름도이다.
도 10a - 도 10d는 다양한 실시예들에 따른 의료 진단 동작의 화면들을 예시하는 도면이다.
도 11은 다양한 실시예들에 따른 의료 영상 진단 장치가 경추 영상의 진단 절차를 도시하는 흐름도이다.
도 12a - 도 12h는 다양한 실시예에 따른 의료 영상 진단 장치가 경추 영상에서 진단 부위를 추출하여 병리 진단 결과를 표시하는 화면들의 예를 도시하는 도면이다.
도 13은 다앙한 실시예들에 따른 의료 영상 진단장치가 진단 영역을 추출하는 동작을 도시하는 흐름도이다.
도 14a - 도 14e는 다양한 실시예들에 따라 경추 영상에서 진단영역을 추출하는 동작의 화면 예를 도시하는 도면이다.

본 발명의 상세한 설명에 앞서, 이하에서 설명되는 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 실시예에 불과할 뿐, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 이때, 첨부된 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타내고 있음을 유의해야 한다. 또한, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략할 것이다. 마찬가지의 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 또는 개략적으로 도시되었으며, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다.

도 1은 다양한 실시예들에 따른 병원 정보 시스템(HIS, hospital information system)의 구성을 도시하는 도면이다.

도 1을 참조하면, 병원 정보 시스템(100)은 진료 장치(110), 진료 지원 장치(120), 관리 장치(140), 의료 정보 장치(130)를 포함할 수 있다. 병원 정보 시스템(100)은 인터넷 망(160)을 통해 외부 장치(170)와 연결될 수 있다. 병원 정보 시스템(100)은 처방 진단 시스템(OCS, (order communication system) 및 의료 정보 장치를 포함할 수 있다. 처방 진단 시스템은 진단장치(110), 진료 지원 장치(120), 관리 장치(140)를 포함할 수 있다.

처방 진단 시스템(OCS는 환자에게 발생하는 처방을 중심으로 진료 장치(110), 진료 지원 장치(120) 및 관리 장치(140)들 간에 정보 전달을 전산화한 시스템을 의미할 수 있다. 병원 정보 시스템 내의 각 장치(진료, 진료 지원, 관리)들은 환자의 처방에 관련된 정보들을 처방 진단 시스템을 통해 해당하는 장치들에 전송할 수 있다. 처방 진단 시스템은 EMR(electronic medical record) 기능을 제공할 수 있다. EMR은 환자의 정보기록에 이용하던 종이 차트 대신 컴퓨터를 이용하여 컴퓨터에 직접 환자의 정보를 기록(paperless, chartless system)할 수 있다.

진료 장치(110)는 외래 처방, 병동 처방, 병동 간호, 수술실에 관련된 업무를 처리하는 장치가 될 수 있다. 진료 장치(110)의 진료과는 외과계((general surgery, neuro surgery, chest surgery, orthopedic surgery, plastic surgery 등), 내과계(internal medicine; pulmonology, gastroenterology, endocrinology, rheumatology, hematology, oncology, nephrology, infectious diseases, allergy and clinical Immunology 등), 산부인과(obstetrics and gynecology), 이비인후과(ear, nose, throat), 안과(ophthalmology, eye), 피부과(dermatology), 비뇨기과(urology), 소아청소년과(pediatrics), 치과(dentistry), 신경과 (neurology), 정신건강의학과(psychiatry), 정신의학과(psychology), 마취과(anesthetics), 진단검사의학과(clinical pathology), 영상의학과(radiology), 방사선종양학과(radiation oncology) 등이 있다.

진료 지원 장치(120)는 각종 검사실, 진단 방사선/핵의학, 약국, 영양/급식 등을 처리하는 장치가 될 수 있다. 진료 지원 장치(120)는 검체 검사, 기능 검사 및 환자의 의료 영상 획득 등의 기능을 수행할 수 있다. 진료 지원 장치(120)에서 획득할 수 있는 의료 영상은 X-선, 감마선, 초음파, 자기장 등을 이용하여 획득할 수 있다. 먼저 인체를 통과하는 X-선 이용하는 방법은, X-ray(X선영상 기술, radiography)을 이용하여 인체의 각 부위 조직의 투과된 X선의 감쇄 특성을 이용하여 평면형광판이나 필름에 생체 내부 구조를 영상화하는 방법 및 CT(전산화 단층 촬영 기술, Computed Tomography)을 이용하여 인체의 단면 주위를 돌면서 X-선을 투사하고 X-선이 인체를 통과하면서 감소되는 양을 측정하여 내부 구조를 영상화하는 방법을 포함할 수 있다. 두 번째로 인체 내에 주입된 감마선을 이용 하는 방법은 PET(양전자 방출 단층 촬영기술, Positron Emission Tomography) 방법이 될 수 있다. 세 번째로 인체 내에서 반사된 초음파 이용하는 방법은 Ultrasound(초음파영상 진단 기술)를 이용하여 송신된 초음파에 대해 생체 조직에서 반사된 초음파를 수신하여 반사되어온 초음파를 증폭, 검출하여 모니터에 영상화하는 방법이 될 수 있다. 네 번째로 인체 내 주입된 자기장 이용하는 방법은 MRI(자기공명영상 진단 기술, Magnetic Resonance Imaging)를 이용하여 자력에 의하여 발생하는 자기장을 이용하여 생체 임의의 단층 영상을 획득할 수 있는 방법이 될 수 있다. 예를들면, 진료 지원 장치(120)의 의료 영상은 X-ray, MRI(magnetic resonance imaging), fMRI, MRI/DTI(diffusion tensor imaging), CT(computed tomography), SPECT(single-photon emission computed tomography), PET(positron emission tomography), MEG(magnetoencephalography), EEG(electroencephalography), EIT(extreme ultraviolet imaging telescope) 또는 이들의 조합으로 후처리(image post-processing) 혹은 영상 정합(fusion image)에 의해 획득될 수 있다.

관리 장치(140)는 외래 원무, 입원 원무, 응급실 원무 등을 처리하는 장치가 될 수 있다.

의료 정보 장치(130)는 진료 장치(110), 진료 지원 장치(120) 및 관리 장치(140)에서 생성 또는 획득되는 의료 정보들 및/또는 의료 영상들을 저장할 수 있으며, 진료 장치(110) 등에 의해 저장된 의료 정보 및/또는 의료 영상들이 조회될 수 있다. 의료 정보 장치(130)는 의료 영상을 처리하는 의학 영상 정보 시스템((PACS; Picture Archiving and Communication System) 및 의료 정보를 처리하는 의료 정보 시스템(예를들면, RIS(Radiological Information System), LIS(Laboratory Information System) 등) 등을 포함할 수 있다. PACS는 진단 지원 장치(120)에서 획득되는 의료 영상을 네트워크(예를들면, DICOM(digital Imaging and communication in medicine) 네트워크)를 통해 수신하여 저장하고, 진료 장치(110)의 진료과의 임상 의사가 네트워크를 통해 조회하여 해당 환자를 진료할 수 있는 포괄적인 디지털 이미지관리 및 전송시스템이 될 수 있다. PACS는 진료 지원 장치(120)의 다양한 검사(촬영)장치들로부터 획득된 의료 영상들을 등록된 의료 정보(예를들면, 환자 정보 및 검사 정보)와 정합시킬 수 있다. 예를들면, 의료 정보는 RIS에 저장될 수 있다. 이런 경우, PACS는 RIS로부터 관련정보를 가져올 수 있으며, 바람직하기는 진료 지원 장치(120)의 의료 영상 획득 장치에서 환자정보를 입력시킬 당시에 RIS의 정보를 이용할 수도 있다.

관리장치(140), 진료 장치(110), 진료 지원 장치(120) 및/또는 의료 정보 장치(130)는 네트워크로 연결될 수 있다. 네트워크는 컴퓨터 네트워크(computer network)(예: LAN 또는 WAN)가 될 수 있다. 예를들면, 진료 장치(110) 및 진료 지원 장치(120)와 의료 정보 장치(130)는 네트워크를 통해 DICOM(digital Imaging and communication in medicine) 프로토콜 방식으로 의료 정보 및 의료 영상을 통신할 수 있다. DICOM 프로토콜은 의료영상의 표준적 처리를 위해 국제적으로 공인된 프로토콜로서, 병원에서 의료 영상과 정보들을 전송하는 표준 프로토콜로 PACS의 프로토콜로 사용될 수 있다. 병원에 사용하는 영상 검사 및 진료 장비들은 서로 다른 기종의 영상 진단 장비이며, 이로인해 이종 장치들 간에 서로 데이터를 교환하고 전송하기 위한 표준안으로 DICOM 프로토콜을 사용할 수 있다.

또한 병원 정보 시스템(100)은 네트워크(160)를 통해 다른 장치(170)들과 연결되어 의료 정보 및 영상들을 통신할 수 있다. 네트워크는 통신 네트워크(telecommunications network), 예를 들면, 컴퓨터 네트워크(computer network)(예: LAN 또는 WAN), 인터넷, 또는 전화 네트워크(telephone network) 중 적어도 하나를 포함할 수 있다. 다른 장치(170)는 산하 의료 기관, 타 의료 기관, 의료 보헙 업체, 은행 등이 될 수 있다. 예를들면, 진료 장치(110)는 인터넷 망을 통해 타 의료기관에 진료 회송 또는 이송을 할 수 있으며, 검사 의뢰 등을 할 수 있다.

도 1과 같은 병원 정보 시스템에서, 환자가 병원에 내원하여 진료를 받는 경우, 먼저 관리 장치(140)에서 외래 원무 기능을 수행하고, 진료 장치(110)에서 1차 진료 기능이 수행될 수 있다. 이때 의료 영상이 필요한 경우, 진료 장치(110)의 해당하는 의료 영상의 촬영 처방을 발생할 수 있으며, 진료 지원 장치(120)는 촬영 처방에 대응되는 의료 영상을 촬영하여 의료 정보 장치(130)에 저장할 수 있다. 그러면 진료 장치(110)는 의료 정보 장치(130)에 저장된 의료 영상에 기반하여 환자를 진료할 수 있다.

도 2는 다양한 실시예들에 따른 병원 시스템의 의료 영상 진단 장치의 구성을 도시하는 도면이다.

도 2를 참조하면, 의료 영상 진단 장치는 프로세서(200), 저장부(210), 통신부(220), 입력부(230) 및 표시부(240)을 포함할 수 있다. 의료 영상 진단 장치는 도 1의 진료장치(110) 또는 진료 지원장치(120)이 될 수 있다. 의료 진단 장치는 전자장치가 될 수 있다. 전자 장치(110)는 스마트폰(smartphone), 태블릿 PC(tablet personal computer), 데스크탑 PC(desktop personal computer), 랩탑 PC(laptop personal computer), 넷북 컴퓨터(netbook computer), 워크테이션(workstation), 서버, PDA(personal digital assistant), PMP(portable multimedia player), 또는 웨어러블 디바이스(wearable device) 중 적어도 하나를 포함할 수 있다.

통신부(220)는 네트워크(예를들면 도 1의 네트워크(160))을 통해 병원 시스템의 다른 장치(예를들면, 도 1의 의료 영상 정보장치(130)) 및/또는 다른 장치(예를들면 도 1의 외부장치(170))로부터 의료 영상을 수신할 수 있다. 의료 영상은 DICOM 프로토콜 방식의 이미지일 수 있다. 통신부(220)는 무선 통신 모듈 및/또는 유선 통신 모듈을 포함할 수 있으며, 무선 통신 모듈은 셀룰러 통신 모듈 및/또는 근거리 통신 모듈을 포함할 수 있다. . 근거리 통신 모듈은 WiFi(wireless fidelity), 블루투스, 블루투스 저전력(BLE), 지그비(Zigbee), NFC(near field communication), 자력 시큐어 트랜스미션(Magnetic Secure Transmission), 라디오 프리퀀시(RF), 또는 보디 에어리어 네트워크(BAN) 중 적어도 하나를 포함할 수 있다. 공중 통신 모듈은 LTE(long term evolution), LTE-A(LTE Advance), CDMA(code division multiple access), WCDMA(wideband CDMA), UMTS(universal mobile telecommunications system), 또는 GSM(Global System for Mobile Communications) 등 중 적어도 하나를 사용하는 셀룰러 통신을 포함할 수 있다. 유선 통신 모듈은, 예를 들면, USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard 232), 또는 POTS(plain old telephone service) 등 중 적어도 하나를 포함할 수 있다.

입력부(230)는 사용자에 의해 발생되는 입력신호들을 수신할 수 있다. 입력부(230)는 데이터 또는 의료 진단 장치의 동작을 제어하기 위한 커맨드 등을 입력할 수 있다. 다양한 실시예들에 따른 입력부(230)는 학습 중에 사용자(예를들면 의사)에 의해 의료 영상 위에 입력되는 진단 라인들을 감지하여 입력신호로 생성할 수 있다.

표시부(240)는 액정 디스플레이(LCD, liquid crystal display), 발광 다이오드(LED, light emitting diode) 디스플레이, 유기 발광 다이오드(OLED, organic light emitting diode) 디스플레이, 또는 전자종이(electronic paper) 디스플레이를 포함할 수 있다. 표시부(240)는 사용자에게 각종 콘텐츠(예: 텍스트, 이미지, 비디오, 아이콘, 및/또는 심볼 등)을 표시할 수 있다. 다양한 실시예들에 따른 표시부(240)는 의료 영상, 학습 및 진단 과정에서 수행되는 진단라인 및 진단 영역 등을 표시할 수 있다.

다양한 실시예들에 따른 입력부(230) 및 표시부(230)는 터치 스크린(touch-screen)으로 구성될 수 있다. 이런 경우 입력부(230)는 터치 센서들을 포함할 수 있다. 터치스크린은 예를 들면, 전자 펜 또는 사용자의 신체의 일부를 이용한 터치, 제스쳐, 근접, 또는 호버링 입력을 수신할 수 있다. 예를들면, 터치스크린은 표시부(240)에 표시되는 의료 영상 위에 펜으로 터치 입력되는 입력들을 감지하여 진단라인의 신호들로 생성할 수 있다.

프로세서(200)은 중앙처리장치(CPU, central processing unit), 어플리케이션 프로세서(AP, application processor), 또는 커뮤니케이션 프로세서(CP, communication processor(CP)) 중 적어도 하나를 포함할 수 있다. 프로세서(200)는, 의료 영상 진단 장치의 적어도 하나의 다른 구성요소들의 제어 및/또는 통신에 관한 연산이나 데이터 처리를 실행할 수 있다.

메모리(210)는 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 메모리(210)는, 의료 영상 진단 장치(200)의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 저장할 수 있다. 다양한 실시예에 따른 메모리(210)은 소프트웨어 및/또는 프로그램을 저장할 수 있다.

다양한 실시예에들에 따른 프로세서는 학습 모듈 및 진단 모듈을 포함할 수 있다. 학습 모듈은 진단 모듈에서 의료 영상을 진단할 때 의료 영상의 진단 영역이 자동으로 설정되도록 의료 영상을 학습하는 기능을 수행할 수 있다. 학습 모듈은 통신부(220)을 통해 의료 영상과 입력부(230)을 통해 진단 라인 정보들을 입력할 수 있다. 의료 영상은 의료 영상 정보장치(130)에 전송되는 의료 영상이 될 수 있다. 진단라인 정보들은 의사가 표시부(240)에 표시되는 의료 영상에서 의료 상태를 진단하기 위한 부위를 표시하는 정보가 될 수 있다. 예를들면, 의사는 표시부(240)에 표시되는 의료 영상에서 진단 부위를 설정하기 위해 적어도 2개의 진단 라인을 표시(예를들면 펜으로 표시부 상에서 라인을 그어 진단 위치를 설정)할 수 있다. 학습모듈은 의료 이미지 및 적어도 두개의 진단라인들을 입력하고, 진단라인들 사이에 화소를 채워 진단영역으로 변환할 수 있다. 이후 학습 모듈은 의료 이미지 및 진단영역을 딥러닝 알고리듬에 기반하여 학습하여 의료 이미지에서 진단영역을 추출하기 위한 딥러닝 학습 모델을 생성하여 메모리(210)에 저장할 수 있다. 딥러닝 알고리즘은 합성 신경망 알고리즘(CNN, convolutional neural network algorithm)이 될 수 있다.

진단 모듈은 진단할 의료 영상이 통신부(220)을 통해 입력되면, 학습된 딥러닝 학습 모델에 기반하여 의료 영상을 딥러닝 알고리즘에 적용할 수 있다. 딥러닝 알고리즘을 수행하면, 의료 영상에서 진단 영역을 추출할 수 있으며, 추출된 진단 영역에서 적어도 두개의 진단라인들을 추출할 수 있다. 이후 진단 모듈은 추출된 적어도 두개의 진단라인들 사이의 간격을 측정하고, 측정된 거리 정보를 설정된 기준값과 비교하여 진단 결과 정보를 생성할 수 있다. 또한 진단 모듈은 추출된 진단라인들을 의료 영상에 오버레이시켜 표시부(240)에 표시할 수 있으며, 진단 결과 정보도 표시부(240)에 함께 표시할 수 있다.

도 3은 다양한 실시예들에 따른 의료 진단 장치의 학습 모듈 구조를 도시하는 도면이다.

도 3을 참조하면, 의료 영상(310)은 특정 위치에 진단 부위를 포함하는 영상이 될 수 있다. 예를들면, 사람의 뼈는 피부로 감싸져 있으며, 특정 뼈에 인접되는 피부는 일정한 두께를 가질 수 있다. 예를들면, 경추(cervical vertebral)의 앞에 위치되는 경추 연조직(prevertebral soft tissue, prevertebral stripe)는 정상 경우 일정 두께를 가질 수 있다. 그러나 경추 또는 경추 연조직 영역에 이상이 발생되면 경추 연조직의 두께가 변경될 수 있다. 따라서 특정 뼈에 인접되는 피부 영역을 진단 부위로 설정하고, 진단 부위의 변화를 측정하면 해당하는 뼈 또는 피부 조직의 이상 또는 정상 여부를 진단할 수 있다. 의료 영상(310)은 진단하고자 뼈 및 해당하는 뼈에 인접되는 피부의 진단부위 영역을 포함하는 영상이 될 수 있다. 의사는 의료 영상(310)에서 진단부위의 영역을 설정할 수 있다. 진단 부위 영역의 시작 위치에 제1 진단라인을 표시하고, 진단부위 영역의 종료 위치에 제2 진단 라인을 표시하여 진단 영역을 설정할 수 있다.

의료 영상(310)이 입력되면, 의사는 의료 영상(310)에 진단 부위를 표시하기 위한 적어도 두 개의 진단라인들을 표시되는 진단 부위 영상(320)을 생성할 수 있다. 예를들면, 의료 영상(310)은 엑스레이 이미지가 될 수 있으며, 의사는 영상 의학과 및/또는 방사선과 의사가 될 수 있다. 의료 영상(310)은 학습(training)에 사용할 이미지가 될 수 있으며, 진단 부위 영상(320)은 의사가 의료 영상(310)에 표시한 진단 라인들이 될 수 있다. 의료 영상(310)은 통신부(예를들면 도 2의 통신부(220))을 통해 수신되는 DICOM 의료 영상이 될 수 있으며, 의료 영상(310)은 표시부(예를들면 도 2의 표시부(240))에 표시될 수 있다. 그리고 의사는 표시부에 표시되는 의료 영상(310)에서 진단 부위 영역을 설정하기 위한 제1 진단라인 및 제2 진단라인을 표시할 수 있다. 제1 진단라인은 진단 부위 영역의 시작 위치에 표시될 수 있으며, 제2 진단라인은 진단 부위 영역의 종료 위치에 표시될 수 있다. 의사가 제1 및 제2 진단라인을 설정하면, 입력부(예를들면 도 2의 입력부(230))는 의사에 의해 입력되는 제1 진단라인 및 제2 진단라인을 감지하여 프로세서(예를들면 도 2의 프로세서(200))에 전달할 수 있다. 프로세서는 입력되는 제1 진단라인 및 제2 진단라인에 기반하여 의료 영상(310)의 진단 영역을 생성할 수 있다.

진단 영역 변환부(330)는 제1 진단라인과 제2 진단라인 사이에서 화소들을 채워넣어 면적으로 변환할 수 있다. 예를들면, 진단영역 변환부(330)는 진단 라인들 사이에 수평 방향(X 축 방향)으로 화소(pixel)들을 채워 넣어 진단 영역을 생성할 수 있다.

진단영역을 생성한 후, 딥러닝 실행부(340)는 의료 영상(310)과 해당하는 의료 영상(310)의 진단영역을 딥러닝 알고리즘으로 학습하여 딥러닝 학습 모델을 생성할 수 있다. 다양한 실시예들에 따르면 딥러닝 알고리즘은 합성 신경망(convolutional neural network, CNN) 알고리즘을 사용할 수 있다. 딥러닝 실행부(340)에서 생성되는 딥러닝 학습 모델(CNN 학습 모델)은 진단 모듈에서 입력되는 의료 영상에 진단 영역을 설정하는 동작을 수행할 수 있다. 딥러닝 학습모델(예를들면 CNN 학습 모델)은 의료 학습 모델이 될 수 있다. 다양한 실시예들에 따른 의료 학습 모델은 의료 영상 및 진단 부위 영역에 기반하여 생성되는 모델로서, 의료 영상을 진단할 때 입력되는 의료 영상의 진단 부위 영역을 추출할 수 있는 의료 학습 모델이 될 수 있다.

도 4는 다양한 실시예들에 따른 의료 진단 장치의 진단 모듈 구조를 도시하는 도면이다.

도 4를 참조하면, 의료 영상(410)은 통신부(도 2의 통신부(220))를 통해 수신되는 의료 영상이 될 수 있다. 의료 진단 장치는 입력되는 의료 영상에서 진단부위 영역을 추출할 수 있다. 다양한 실시예들에 따르면, 진단부위 추출부는 입력되는 의료 영상에서 진단 영역을 추출하고, 추출된 진단영역에서 제1 및 제2 진단라인을 추출할 수 있다. 딥러닝 실행부(420)는 의료 영상(410)과 의료 학습 모델에 기반하여 의료 영상(410)에서 진단 영역을 추출할 수 있다. 딥러닝 실행부는 진단영역 추출부의 기능을 수행할 수 있다. 딥러닝 실행부(420)는 의료 영상에서 진단 영역을 추출하기 위해 특화된 CNN 학습 모델이 될 수 있다. 의료 영상(410)에서 진단 영역이 추출되면, 진단라인 추출부(430)는 진단 영역의 경계를 추출하여 진단라인들을 추출할 수 있다. 딥러닝 실행부(420) 및 진단라인 추출부(430)는 진단부위 추출부가 될 수 있다.

병리 진단부(440)는 기울기 측정부(450), 간격 측정부(460) 및 진단부(470)을 포함할 수 있다. 기울기 측정부(450)는 진단 라인들의 기울기를 측정하고, 간격 측정부(460)은 측정된 기울기에 기반하여 중요한 위치(병리 진단할 주요 위치)에서 진단 라인들 사이의 간격을 측정할 수 있다. 기울기 측정부(450) 및 간격 측정부(460)는 추출된 진단부위 영역의 설정된 진단 위치에서 진단부위의 간격을 측정하는 측정부가 될 수 있다. 진단부(470)는 측정된 진단 라인들 사이의 간격을 기준 값과 비교 분석하여 병리 진단 결과를 생성할 수 있다. 이때 병리 진단 결과는 측정된 주요 위치의 측정 결과 값 및 비정상 확률(또는 정상 확률) 값이 될 수 있다. 또한 진단라인 추출부(430)에서 진단라인들이 추출되면, 의료 영상(410)에 진단 라인들을 오버레이하여 의료 영상에 진단 부위를 표시할 수 있다. 프로세서의 진단 모듈은 진단부(440)에서 출력되는 병리 진단 결과 및 진단부위가 표시되는 의료 영상을 표시부에 표시할 수 있다.

의료 영상은 경추 영상이 될 수 있다. 경추의 앞에 위치되는 경추 연조직(prevertebral soft tissue in cervical spine)은 일정 두께(간격)를 가질 수 있다. 외상 환자의 C spine lateral view에서 경추 연조직의 두께를 판독할 때, 의사에 의한 의료 영상의 판독에 더해 인공 지능을 이용하여 진단 소견을 보완하거나 의사 판독 이전에 미리 인지하여 고위험 영상으로 미리 분류할 수 있다. 예를들면, 응급실 의료 환경은 빠른 의학적 판단이 요구되고 영상의학과 의사의 24시간 판독을 기대할 수 없는 의료 환경이 될 수 있다. 따라서 의료 영상을 촬영함과 동시에, 주의를 기울여야할 위험도 높은 상황을 미리 알려준다면 응급 진료의 수준을 한 단계 더 올릴 수 있어 국민건강향상에 이바지 할 수 있다.

도 5는 경추 구성(C spine lateral view)을 모식적으로 도시한 도면이다.

도 5를 참조하면, 경추(550)는 C1-C7을 포함할 수 있으며, 경추 라인은 anterior vertebral line(513), posterior vertebral line(515), spino-lamina line(517), posterior spinous line(519)을 포함할 수 있다. 그리고 anterior vertebral line(513)의 앞에 prevertebral line(511)이 있으며, prevertebral line(511)과 anterior vertebral line(513) 사이에 경추 연조직(530)이 위치된다. 경추 연조직(530)은 임상학적으로 의미가 크다. 경추 연조직(530)은 정상인의 경우, 간격이 C2와 C3 사이의 영역(533)의 두께는 7 mm 정도이며, C6과 C7 사이의 영역(535) 두께는 21 mm 정도가 될 수 있다. 그리고 prevertebral space인 경추 연조직(530)에 fluid(출혈, 농양 등)가 발생되면, 경추 연조직(530)은 두꺼워질 수 있다. 합성곱 신경망 딥 러닝 기반 경추 연조직의 측정 방법은 prevertebral line(511) 및 anterior vertebral line(513)을 인식하여 경추 연조직(prevertebral soft tissue, prevertebral stripe)의 두께를 측정하여 진단하는 경우, 영상의학과 전문의에 의한 측정과 97% 이상의 일치도를 보임을 확인할 수 있다.

이하의 설명에서 의료 영상은 경추 의료 영상(C spine lateral view)을 예로들어 설명될 것이다. 경추 의료 영상에서 진단 영역은 경추 연조직(prevertebral stripe) 영역이 될 수 있으며, 제1 진단라인은 prevertebral line이 될 수 있으며, 제2 진단라인은 anterior vertebral line이 될 수 있다. 따라서 진단 영역은 제1 진단라인과 제2 진단라인 사이에 위치되는 경추 연조직(prevertebral stripe) 영역이 될 수 있다.

의료 영상이 경추 영상인 경우, 진단 부위 추출부(예를들면, 딥러닝 실행부(420) 및 진단라인 추출부(430)는 경추 연조직 추출부가 될 수 있다. 딥러닝 실행부(420)는 경추 연조직(530) 영역을 추출하며, 진단라인 추출부(430)는 경추 연조직(530)에서 제1 진단라인(511) 및 제2 진단라인(513)을 추출할 수 있다.

또한 기울기 측정부(450)는 제1 진단라인(511) 및/또는 제2 진단라인(513)의 기울기를 측정할 수 있으며, 간격 측정부(460)는 중요 부위 위치(예를들면, C2-C3 및/또는 C6-C7)를 추출하여 제1 라인과 제2 라인의 간격을 측정할 수 있다. 측정부는 기울기 측정부(450) 및 간격 측정부(460)을 포함할 수 있다.

도 6은 다양한 실시예들에 따른 의료 진단 동작을 도시하는 도면이다.

도 6을 참조하면, 의료 진단 장치는 의료 영상이 입력되면 의료 영상의 진단 부위를 자동으로 설정하여 진단 동작을 수행할 수 있다. 이를 위하여, 다양한 실시예들에 따른 의료 영상 진단 장치는 의료 영상의 진단부위를 학습하여 의료 학습 모델(예를들면 딥러닝 학습 모델)을 생성할 수 있다. 의료 학습 모델은 학습용 의료 영상 및 학습용 진단 부위 이미지에 기반하여 생성될 수 있다. 예를들면, 의사는 학습용 의료 영상에 진단 부위를 표시하고, 의료 영상 진단 장치는 의료 영상 및 진단부위 영상을 학습하여 의료 영상의 진단부위를 설정하기 위한 의료 학습 모델을 생성할 수 있다. 의사에 의해 표시되는 진단부위 이미지는 라인으로 표시될 수 있으며, 또는 면적으로 표시될 수 있다.

다양한 실시예들에서, 의사는 의료 영상에 진단부위를 라인(이하 진단라인이라 칭함)으로 표시하고, 의료 영상 진단 장치는 진단라인에 기반하여 진단 영역을 생성하고, 의료 영상과 진단영역 영상에 기반하여 의료 학습 모델을 학습하는 것으로 설명될 것이다. 그러나 의료 영상 진단 장치는 의료 영상과 진단라인 영상에 기반하여 의료 학습 모델을 생성할 수도 있다.

다양한 실시예들에서, 의료 영상은 통신부(예를들면 도 2의 통신부(220)를 통해 입력될 수 있으며, 또는 입력부(예를들면 도 2의 입력부(230)의 스캐너)를 통해 입력될 수 있다. 다양한 실시예들에서 진단 부위 이미지는 입력부를 통해 입력될 수 있으며, 또는 통신부를 통해 입력될 수 있다.

이하의 설명에서, 의료 영상 진단 장치는 통신부를 통해 의료 영상을 입력하고, 입력부를 통해 진단부위를 입력하는 것을 예로들어 설명하기로 한다. 또한 진단부위 이미지는 진단라인이며, 의료 영상 진단 장치는 진단라인 영상에 기반하여 진단 영역을 설정하고, 의료 영상과 진단영역에 기반하여 의료 학습 모델을 생성하는 것으로 설명될 것이다.

611 단계에서 통신부를 통해 학습용 의료 영상이 입력되면, 의료 영상 진단 장치는 613단계에서 입력된 의료 영상 이미지를 표시부(예를들면 도 2의 표시부(240))에 표시하고, 의사는 표시되는 의료 영상에 진단라인을 표시할 수 있다. 예를들면, 의료 영상이 경추 영상이면, 의사에 의해 표시되는 진단라인은 prevertebral line(제1 진단라인, 도 5의 511) 및 anterior vertebral line(제2 진단라인, 도 5의 513)이 될 수 있다. 의료 영상 진단 장치는 613단계에서 입력부를 통해 의료 영상에 연관된 진단 부위 이미지를 수신할 수 있으며, 615단계에서 진단라인 이미지에서 진단라인들 사이를 화소를 채워넣어 진단영역을 생성할 수 있다. 예를들면, 진단영역은 prevertebral line과 anterior vertebral line 사이의 경추 연조직(prevertebral stripe, 도 5의 550)이 될 수 있다. 의료 영상 진단 장치는 617단계에서 의료 영상과 진단 영역 영상에 대하여 딥러닝 알고리즘을 수행할 수 있으며, 619단계에서 딥러닝 학습 결과에 기반하는 의료 학습 모델을 생성할 수 있다. 딥러닝 알고리즘은 CNN 알고리즘이 될 수 있다.

의료 영상을 학습하는 과정에서, 의료 영상은 다양한 상태로 입력될 수 있으며, 진단부위 이미지는 입력되는 의료 영상의 상태에 기반하여 그려질 수 있다. 예를들면, 의료 영상은 15도 좌측 방향으로 기울어질 수 있으며, 우측 방향으로 20도 기울어질 수 있으며, 180도 회전되어 입력될 수도 있다. 이런 경우, 의사는 입력되는 의료 영상의 상태에 따라 진단 라인들을 표시할 수 있으며, 의료 영상 진단 장치는 입력되는 의료영상의 상태에 기반하여 의료 학습 모델을 생성할 수 있다. 따라서 의료 영상 진단 장치는 의료 영상의 입력 상태(예를들면, 회전, 기울어짐 등)에 대응되는 의료 학습 모델을 생성할 수 있다.

의료 영상 진단 장치는 생성된 의료 학습 모델에 기반하여 입력되는 의료 영상의 진단 부위를 설정할 수 있다. 651단계에서 의료 영상이 입력됨을 인식하면, 의료 영상 진단 장치는 653단계에서 입력된 의료 영상과 다양한 상태로 생성된 의료 학습 모델들에 기반하는 딥러닝 알고리즘을 수행할 수 있다. 의료 학습 모델은 다양한 의료 영상들 및 이들 각각 대응되는 진단 영역들에 대하여 딥러닝 알고리즘에 의해 생성된 모델들이 될 수 있다. 의료 영상 진단 장치는 653단계에서 딥러닝 알고리즘이 실행하면, 655단계에서 입력된 의료 영상의 진단부위에 대응되는 진단 영역 영상을 추출할 수 있으며, 657단계에서 진단영역 이미지의 경계선들을 추출하여 진단라인을 추출할 수 있다. 진단라인을 추출하면, 의료 영상 진단 장치는 659단계에서 추출된 진단 라인을 입력된 의료 영상에 오버레이시켜 표시부에 의료 영상의 진단 부위를 표시할 수 있다.

의료 영상 진단 장치는 657단계에서 진단라인 이미지를 추출할 후, 661단계에서 추출된 진단라인의 기울기를 추정하고, 추정된 기울기에 기반하여 진단 라인들의 간격을 측정할 수 있다. 의료 영상 진단 장치는 진단 라인들에서 병리 진단을 수행할 수 있는 중요 부위 위치에서 진단라인들 간의 간격을 측정한 후, 663단계에서 측정된 간격들을 분석하여 의료 진단 동작을 수행할 수 있다. 예를들면, 중요 부위 위치는 경추 영상에서 C2와 C3 및/또는 C6과 C7의 위치가 될 수 있으며, 의료 영상 진단 장치는 중요 부위 위치에서 prevertebral line(제1 진단라인) 및 anterior vertebral line(제2 진단라인) 사이의 간격을 측정할 수 있다. 의료 영상 진단 장치는 의료 진단 동작을 수행한 후, 665단계에서 병리 진단 결과를 표시부에 표시할 수 있다. 의료 영상 진단 장치는 665 단계에서 병리 진단 결과를 표시할 때, 진단 라인들이 오버레이 표시되는 의료 영상을 함께 표시할 수도 있다. 또한 의료 영상 진단 장치는 661단계에서 진단라인의 기울기 및 중요 부위가 설정되면, 진단라인이 표시되는 의료 영상에서 표시되는 진단라인에서 설정된 중요 부위 위치를 표시할 수 있다.

의사는 표시부에 표시되는 의료 영상 및 진단 라인을 육안으로 확인하고, 의료 영상에 진단라인이 정확하게 설정된 경우, 의료 진단 결과에 기반하여 의료 영상을 2차적으로 분석할 수 있다.

도 7은 다양한 실시예들에 따라 의료 학습 모델을 생성하는 절차를 도시하는 흐름도이다. 도 8a - 도 8e는 의료 학습 모델을 생성하는 동작을 설명하기 화면의 예들을 표시하는 도면이다. 도 9a - 도 9d는 의료 영상의 입력 상태에서 그려지는 진단 라인의 표시 예를 도시하는 도면이다.

도 7을 참조하면, 도 8a와 같은 경추 영상이 입력되면, 의료 영상 진단 장치는 711단계에서 이를 인식하고, 입력된 경추 영상을 표시할 수 있다. 의사는 도 8b와 같이 표시되는 경추 영상에 진단부위를 설정하기 위한 prevertebral line(811) 및 anterior vertebral line(813)을 표시할 수 있다. 경추 영상에 prevertebral line(811) 및 anterior vertebral line(813)이 표시되면, 의료 영상 진단 장치는 713 단계에서 의사에 의해 표시되는 prevertebral line(811) 및 anterior vertebral line(813)을 인식하여 도 8c와 같이 제1 진단라인(831) 및 제2 진단라인(833)을 추출할 수 있다. 제1 진단라인(831)은 prevertebral line이 될 수 있으며, 제2 진단라인(833)은 anterior vertebral line이 될 수 있다. 제1 및 제2 진단라인(831, 833)을 추출한 후, 의료 영상 진단 장치는 715 단계에서 제1 및 제2 진단라인(831, 833) 사이를 화소로 채워 도 8d와 같이 진단 영역(860)을 생성할 수 있다. 진단 영역(860)은 도 8b에서의 경추 연조직 영역(830)이 될 수 있다.

진단영역(860)을 생성한 후, 의료 영상 진단 장치는 717 단계에서 도 8a와 같은 경추 영상 및 도 8d와 같은 진단 영역(860)에 기반하여 딥러닝 알고리즘을 수행할 수 있으며, 719 단계에서 딥러닝 학습 결과에 따른 의료 학습 모델을 생성할 수 있다. 719단계에서 생성되는 의료 학습 모델은 도 8a와 같은 의료 영상이 입력될 때 도 8e와 같이 의료 영상에서 진단 영역을 자동으로 설정하기 위한 모델이 될 수 있다.

711단계에서 의료 영상 진단 장치에 입력되는 의료 영상(경추 영상)은 고해상도 이미지일 수 있다. 고해상도 이미지를 학습하는 경우 많은 연산 횟수 및 시간을 시간이 소모될 수 있다. 따라서 의료 영상을 적절한 크기로 미리 처리(pre-processing)된 크기로 재구성할 수 있다. 의료영상을 dicom 형식일 수 있으며, 영상의 크기(pixel size) 정보는 dicom header에서 얻을 수 있다. 예를들면, dicom 영상은 2k x 3k의 크기를 가질 수 있다. 다양한 실시예들에서 의료 영상(경추 영상) 효과적인 학습(deep learning)을 위해서 256 x 256으로 다운 스케일(downscale)할 수 있다. 예를들면, 의료 영상 진단 장치는 의료 영상의 학습 동작을 수행하기 전에 2k x 3k 의 크기를 가지는 경추 영상의 좌상단 시작점, 우하단 끝점을 클릭(click)하고, 이를 기준으로 256 x 256 크기를 가지는 의료영상으로 resize and crop 하여 traning set을 위한 영상을 재구성할 수 있다. 앞서 얻은 pixel size도 같은 비율로 계산하면 resize and crop 영상에서도 길이를 측정할 수 있다. 효율적인 의료 학습 모델(training set)을 생성하기 위한 바이나리(binary file) 형식으로, 점(Point)들을 잇는 진단라인을 통해 진단영역 마스크(mask)를 생성하고, 의료 영상과 진단영역 영상을 [256 x 256 x 2] 어레이(array)로 저장할 수 있다. 즉, 의료 영상 진단장치는 911단계에서 위와 같이 재구성된 의료 영상(경추 영상)을 입력할 수 있으며, 의사는 재구성된 경추 영상에서 경추 연조직을 추출하기 위한 진단 라인들을 그려 넣을 수 있다.

의료 영상 진단장치에 입력되는 경추 영상은 기울어진 형태로 획득될 수 있다. 예를들면, 경추 영상은 좌측 또는 우측으로 기울어진 상태로 획득될 수 있다. 이때 의사는 기울어진 경추 영상에 진단라인들을 그려 넣을 수 있다. 그러면 의료 영상 진단장치는 기울어진 경추 영상에 따른 진단영역을 생성하고, 이를 학습하여 의료 학습 모델을 생성할 수 있다. 따라서 의료 영상 진단장치는 입력되는 의료 영상에 대응되는 각도로 진단 영역을 설정할 수 있으며, 설정된 진단 영역을 기반하여 의료 영상의 딥러닝 알고리즘을 수행할 수 있다.

도 9는 다양한 실시예들에 따라 의료 영상 진단장치에서 입력되는 의료 영상을 분석하여 진단하는 동작 절차를 도시하는 흐름도이다. 도 10a - 도 10d는 다양한 실시예들에 따른 의료 진단 동작의 화면들을 예시하는 도면이다.

도 9를 참조하면, 의료 영상 진단 장치는 911단계에서 도 10a와 같은 경추 영상을 수신할 수 있다. 경추 영상이 수신되면, 의료 영상 진단 장치는 경추 영상과 학습된 의료 학습 모델들에 기반하여 딥러닝 알고리즘을 수행할 수 있다. 의료 학습 모델은 상기 도 7과 같은 방법으로 생성될 수 있으며, 경추 영상의 진단 영역을 학습하여 생성된 마스크 모델이 될 수 있다. 의료 영상 진단 장치는 경추 영상과 의료 학습 모델을 입력으로 하여 딥러닝 알고리즘을 수행할 수 있으며, 딥러닝 학습이 종료되면 도 10b와 같은 진단 영역 이미지를 생성할 수 있다. 의료 진단장치는 진단할 의료 영상이 수신되면, 913단계에서 수신된 의료 영상과 의료 학습 모델들을 입력으로 하는 딥러닝 알고리즘을 수행하며, 915단계에서 딥러닝 알고리즘의 수행에 기반하여 도 10b와 같이 수신된 의료 영상의 진단영역을 추출할 수 있다. 도 10b와 같이 추출되는 진단영역은 경추 연조직 영역이 될 수 있댜. 의료 영상 진단 장치는 917 단계에서 도 10b와 같이 추출된 진단영역에서 경계선들을 추출하여 도 10c와 같은 제1 및 제2 진단 라인(1031, 1033)들을 추출할 수 있다. 제1 진단라인(1031)은 진단영역(1040)의 좌측 경계선으로 prevertebral line이 될 수 있으며, 제2 진단라인(1033)은 진단영역(1040)의 우측 경계선으로 anterior vertebral line이 될 수 있다.

도 10c와 같이 제1 진단라인(1031) 및 제2 진단라인(1033)을 추출한 후, 의료 영상 진단장치는 919단계에서 의료 진단 동작을 수행할 수 있다. 의료 진단 동작을 수행하는 동작은 951 단계 - 955 단계를 포함할 수 있다. 의료 영상 진단 장치는 951 단계에서 추출된 제1 진단라인 및 제2 진단라인의 기울기를 측정하고, 953 단계에서 측정된 기울기에 기반하여 간격을 측정할 중요 부위를 설정하며, 설정된 중요 부위의 간격을 측정할 수 있다. 경추 영상인 경우, 도 10c와 같이 제1 중요 부위(1043)는 C2-C3 위치가 될 수 있으며, 제2 중요 부위(1045)는 C6-C7 위치가 될 수 있다. 의료 영상 진단 장치는 953 단계에서 제1 중요 부위(1043) 및/또는 제2 중요 부위(1045)의 간격(두께)을 측정할 수 있다. 의료 진단 장치는 C2-C3의 두께를 측정할 수 있으며, 또는 C6-C7의 두께를 측정할 수 있으며 또는 C2-C3 및 C6-C7의 두께를 모두 측정할 수 있다. C2-C3 및/또는 C6-C7 위치의 경추 연조직 두께를 측정한 후, 의료 영상 진단장치는 955단계에서 해당 부위의 두께 측정값을 해당 부위의 기준값(정상 수치를 가지는 기준값)과 비교 분석하여 경추 연조직의 상태를 진단할 수 있다.

경추 연조직의 두께를 진단한 후, 의료 영상 진단장치는 921단계에서 진단 결과 값을 표시부에 표시할 수 있다. 도 10d는 표시부에 표시되는 경추 영상 및 진단 결과값의 표시 예를 도시하는 도면이 될 수 있다. 도 10d에서 1061은 입력되는 경추 영상이 될 수 있으며, 1063은 입력된 경추 영상에 추출된 진단라인이 오버레이되어 표시되는 경추 영상이 될 수 있으며, 1065는 경추 영상의 경추 연조직의 표시 화면의 예가 될 수 있다. 경추 영상 화면(1063)은 917 단계에서 제1 진단라인(1031) 및 제2 진단라인(1033)이 경추 영상에 오버레이된 화면이 될 수 있다. 955단계에서 생성되는 진단 결과 값은 경추 C2-C3의 두께인 dist1과 경추 C6-C7의 두께인 dist2의 값을 표시할 수 있으며, 측정된 두께들과 정상인 기준값들을 비교 분석하여 정상(normal) 확률 및 비정상(abnormal)의 확률로 표시할 수 있다. 예를들면, 경추 C2-C3의 두께 dist1이 7 mm로 측정되고, 경추 C6-C7의 dist 값이 21mm로 측정된 경우, 의료 영상 진단 장치는 normal 확률을 100%로 표시하고, abnormal 확률을 0%로 표시할 수 있다. 그리고 dist1 및/또는 dist2의 측정 값이 각각 대응되는 기준값(dist1이 7mm, dist2는 21mm) 보다 작거나 큰 값으로 측정되면, 의료 영상 진단 장치는 기준값과 측정 값들의 비율을 측정하여 정상 및 비정상 확률로 표시할 수 있다.

도 11은 다양한 실시예들에 따른 의료 영상 진단 장치가 경추 영상의 진단 절차를 도시하는 흐름도이다. 도 12a - 도 12h는 다양한 실시예에 따른 의료 영상 진단 장치가 경추 영상에서 진단 부위를 추출하여 병리 진단 결과를 표시하는 화면들의 예를 도시하는 도면이다.

도 11을 참조하면, 의료 영상 진단 장치는 경추 영상이 입력되면 입력된 경추 영상에서 진단 부위를 자동으로 설정하여 진단 결과 영상 및 병리 진단 결과를 표시할 수 있다. 경추 영상이 입력되면, 의료 영상 진단 장치는 1111 단계에서 입력 경추 영상과 의료 학습 모델에 기반하는 딥러닝 알고리즘을 수행하여 도 12a와 같이 입력된 경추 영상의 진단 영역 영상을 추출할 수 있다. 의료 영상 진단장치는 추출된 진단영역 영상으로부터 진단라인 영상들을 추출할 수 있다. 의료 영상 진단장치는 도 12a와 같은 진단 영역을 추출하면, 1113 단계에서 추출된 진단영역 영상의 경계 영상들을 추출하여 도 12b와 같은 진단 영역의 경계 영상을 추출할 수 있다. 도 12b와 같은 경계 영상에서 경추의 제1 진단라인(prevertebral line)과 제2 진단라인(anterior vertebral line)을 추출하기 위하여, 의료 영상 진단 장치는 1115 단계에서 도 12c와 같이 경계 영상의 상측의 행 라인 및 하측의 행 라인을 제거할 수 있다. 의료 영상 진단 장치는 1117 단계에서 도 12c와 같은 영상에 X 축 방향으로 왼쪽 끝 포인트와 오른쪽 큰 포인트를 제어한 나머지 부분을 제거하여 도 12d와 같은 진단라인들을 추출할 수 있다. 도 12d에서 제1 진단라인(1211)은 prevertebral line이 될 수 있으며, 제2 진단라인(1213)은 anterior vertebral line이 될 수 있다. 그리고 제1 진단라인(1211)과 제2 진단라인(1213)의 사이 영역(1215)는 경추 연조직 영역이 될 수 있다. 도 12d와 같이 진단라인들이 추출되면, 의료 영상 진단 장치는 도 12h와 입력된 경추 영상에 추출된 진단라인을 오버레이하여 표시할 수 있다. 그리고 의사는 표시되는 진단라인의 위치를 확인하여 경추 영상에서 진단라인이 정확하게 추출되었는지 육안으로 확인할 수 있다. 도 11에서 1113단계 - 1117 단계는 도 9의 진단라인 추출하는 917 단계의 동작이 될 수 있다.

입력된 경추 영상에서 진단 라인을 추출한 후, 의료 영상 진단장치는 1119 단계에서 추출된 진단라인의 기울기를 측정할 수 있다. 의료 영상 진단 장치는 도 12e와 같이 진단라인(예를들면 제2 진단라인(1213)의 기울기에 기반하여 수선의 발(foot of perpendicular)(1231)을 측정할 수 있다. 수선(perpendicular)은 일정한 직선이나 평면과 직각을 이루는 직선을 의미할 수 있으며, 수선의 발은 수선과 일정한 직선이나 평면이 만나는 점이 될 수 있다. 또한 한점에서 직선이나 평면에 수선을 그었을 때 생기는 교점. 직선과 직선, 직선과 평면이 수직으로 만나 생기는 교점들도 수선의 발이 될 수 있다. 예를들면, 도 12e에 도시된 바와 같이, 의료 영상 진단장치는 우측 진단라인의 기울기에 기반하여 수선의 발(1231)을 측정할 수 있으며, 우측 출발지점(1233)의 상 2픽셀과 하 2픽셀을 포함한 기울기를 측정할 수 있다. 의료 영상 진단 장치는 도 12e와 같이 진단라인의 기울기를 측정한 후, 1121 단계에서 출발점(1233)과 수선의 발(1231) 사이의 거리(간격)를 측정할 수 있다. 도 12f에서 X축은 출발점(단위 pixel)이 될 수 있으며, Y축은 측정된 거리(단위 pixel)이 될 수 있다. 의료 영상 진단장치는 출발점에서 수선의 발 사이에 거리를 측정하여 기울기 기반의 간격을 화소 값으로 설정할 수 있다. 도 11에서 1119 단계 및 1121 단계는 도 9의 951 단계의 동작이 될 수 있다.

기울기 간격을 측정한 후, 의료 영상 진단 장치는 중요 부위 간격을 추출할 수 있다. 의료 영상 진단장치는 기울기 간격 기반의 간격을 측정한 후 1123 단계에서 분산 값을 측정할 수 있다. 예를들면, 도 12g와 같이 최대값을 가지는 3개의 포인트들과 최소 값을 가지는 3개 포인트들을 제외한 포인트들의 분산을 측정할 수 있다. 분산 측정 방법은 좌측 및 우측의 2 픽셀들을 포함 5개의 픽셀들에 대한 분산을 측정할 수 있다. 의료 영상 진단장치는 1125 단계에서 최대 분산을 가지는 포인트로부터 전반부와 후반부를 구분하고, 1127 단계에서 전반부 및 후반부의 전후 5 픽셀을 제외한 부분에 대한 중간 값을 각각 C2-C3 및 C6-C7의 위치로 설정할 수 있다. 의료 영상 진단장치는 1129 단계에서 중요 부위인 C2-C3 및/또는 C6-C7의 위치에서 제1 진단라인(prevertebral line)과 제2 진단라인(anterior vertebral line) 사이의 두께를 측정할 수 있다.

경추 영상에서 C2-C3 및/또는 C6-C7의 위치의 prevertebral line과 anterior vertebral line 사이의 두께 dist1 및 dist2를 측정한 후, 의료 영상 진단장치는 1131 단계에서 dist1 및 dist2를 각각 대응되는 기준값과 비교 분석하여 진단 결과를 표시할 수 있다. 이때 표시되는 진단 결과는 도 10d에 도시된 바와 같이 dist1 및 dist2의 측정 값 및 측정값에 기반하는 정상 및/또는 비정상 확률로 표시할 수 있다. 또한 의료 영상 진단장치는 1117 단계에서 추출된 prevertebral line과 anterior vertebral line을 경추 영상에 오버레이하여 표시할 수 있다.

도 13은 다앙한 실시예들에 따른 의료 영상 진단장치가 진단 영역을 추출하는 동작을 도시하는 흐름도이다. 도 14a - 도 14e는 다양한 실시예들에 따라 경추 영상에서 진단영역을 추출하는 동작의 화면 예를 도시하는 도면이다.

도 13을 참조하면, 딥러닝 알고리즘(CNN algorithm)을 수행하면 경추 영상에서 도 12a와 같이 하나의 진단영역 영상을 추출할 수 있다. 그러나 진단영역 영상을 추출할 때 도 14a와 같이 분리된 영상들을 가지는 진단영역 영상을 추출할 수 있다. 도 14a는 1411-1417과 같은 2개의 분리 영역들을 가지는 상태로 진단영역이 추출된 예를 도시하고 있다. 진단영역이 도 14a와 같이 복수의 영역들로 추출되면 의료 영상 진단장치는 1311 단계에서 이를 인식하고, 1313 단계에서 도 14b와 같이 분리된 영역 1411- 1417들에 참조번호 1440과 같은 식별자들을 이용하여 영역 별로 번호를 부여할 수 있다. 의료 영상 진단 장치는 1315 단계에서 X 축 방향(수평 방향)으로 분리된 영역 1411 - 1417들을 연결하여 겹치는 영역들을 추출할 수 있다. 예를들면, 도 14c에서 수평 방향으로 영역 1411과 1417이 겹쳐질 수 있으며, 영역 1413과 1415가 겹칠 수 있다. 의료 영상 진단 장치는 1415 및 1413과 같이 수평방향으로 겹치는 1411 및 1417과 1413 및 1415 영역들을 인식할 수 있다. 의료 영상 진단 장치는 1317 단계에서 도 14d와 같이 겹치는 영역(1411 및 1417, 1413 및 1415)들 중에서 작은 크기를 가지는 영역들(1417, 1415)을 제거한 후, 도 14e와 같이 수정된 진단영역을 설정할 수 있다. 의료 진단장치는 딥러닝 알고리즘을 수행하여 입력된 경추 영상의 진단 영역을 추출할 때, 추출된 진단영역이 복수의 영역들로 추출되면 수평 방향으로 겹치는 영역들 중에서 작은 크기를 가지는 영역들을 제거하여 진단영역을 추출할 수 있다.

이상 본 발명을 몇 가지 바람직한 실시예를 사용하여 설명하였으나, 이들 실시예는 예시적인 것이며 한정적인 것이 아니다. 이와 같이, 본 발명이 속하는 기술분야에서 통상의 지식을 지닌 자라면 본 발명의 사상과 첨부된 특허청구범위에 제시된 권리범위에서 벗어나지 않으면서 균등론에 따라 다양한 변화와 수정을 가할 수 있음을 이해할 것이다.

Claims

프로세서를 포함하는 의료 영상 진단 장치가 의료 영상을 진단하는 방법에 있어서,
상기 의료 영상 진단 장치가 의료 영상으로부터 진단 부위 영역을 추출하기 위한 의료 학습 모델들을 구비하는 단계;
상기 의료 영상 진단 장치가 제1 의료 영상을 입력하는 단계;
상기 의료 영상 진단 장치의 진단부위 추출부가 상기 제1 의료 영상 및 상기 의료 학습 모델들에 기반하는 딥러닝 알고리즘을 수행하여, 상기 제1 의료 영상에서 제1 진단 부위 영역을 추출하는 단계;
상기 의료 영상 진단 장치의 측정부가 상기 제1 진단 부위 영역에 대하여, 병리 진단을 위해 설정된 위치의 간격을 측정하는 단계; 및
상기 의료 영상 진단 장치의 진단부가 상기 측정된 간격인 진단 부위 간격을 설정된 기준값과 비교 분석하여, 상기 제1 의료 영상에 대한 진단 결과를 생성 및 표시하는 단계를 포함하고,
상기 제1 진단 부위 영역을 추출하는 단계는,
상기 제1 진단 부위 영역에서 경계 라인들을 추출하는 단계;
상기 경계 라인들에서 상측 행 라인 및 하측 행 라인을 제거하는 단계; 및
상기 경계 라인들 중에서 상기 상측 행 라인 및 상기 하측 행 라인을 제외한 나머지 라인들로부터 제1 진단 라인 및 제2 진단 라인을 추출하는 단계를 포함하고,
상기 진단 부위 간격을 측정하는 단계는,
상기 제1 진단 라인 및 상기 제2 진단 라인의 기울기를 측정하는 단계;
상기 기울기에 기반하여 상기 제1 진단 라인 상의 다수의 포인트 각각에서 상기 제2 진단 라인 상의 수선의 발까지의 거리를, 상기 다수의 포인트 각각에 대하여 측정하는 단계;
상기 다수의 포인트 각각의 측정된 거리에 대한 분산을 측정하는 단계;
상기 다수의 포인트 중 최대 분산을 가지는 제1 포인트를 기준으로, 병리 진단을 위한 제1 위치를 결정하는 단계; 및
상기 제1 위치에서 상기 제1 진단 라인 및 상기 제2 진단 라인 사이의 제1 간격을 측정하는 단계를 포함하고,
상기 의료 학습 모델들은 입력되는 학습용 의료 영상들의 기울어짐 상태에 대응하여 생성되는
방법.
제1항에 있어서,
상기 의료 학습 모델들을 구비하는 단계는,
상기 학습용 의료 영상들을 입력하는 단계;
의사에 의해 상기 학습용 의료 영상들에 표시되는 진단 라인에 관한 영상을 입력하는 단계;
상기 진단 라인에 관한 영상에 기반하여 학습용 진단 부위 영역을 생성하는 단계; 및
상기 학습용 의료 영상들 및 상기 학습용 진단 부위 영역에 기반하는 딥러닝 알고리즘을 수행하여 상기 의료 학습 모델들을 생성하는 단계를 포함하는
방법.
삭제
의료 영상 진단 장치에 있어서,
의료 영상으로부터 진단 부위 영역을 추출하기 위한 의료 학습 모델을 구비하며, 입력되는 제1 의료 영상 및 상기 의료 학습 모델에 기반하는 딥러닝 알고리즘을 수행하여 상기 제1 의료 영상에서 제1 진단 부위 영역을 추출하는 진단부위 추출부;
상기 제1 진단 부위 영역에 대하여, 병리 진단을 위해 설정된 위치의 간격을 측정하는 측정부; 및
상기 측정된 간격인 진단 부위 간격을 설정된 기준값과 비교 분석하여, 상기 제1 의료 영상에 대한 병리 진단 결과를 생성하여 출력하는 진단부를 포함하고,
상기 진단부위 추출부는,
상기 제1 진단 부위 영역에서 경계 라인들을 추출하고, 상기 경계 라인들에서 상측 행 라인 및 하측 행 라인을 제거하고, 상기 경계 라인들 중에서 상기 상측 행 라인 및 상기 하측 행 라인을 제외한 나머지 라인들로부터 제1 진단 라인 및 제2 진단 라인을 추출하고,
상기 측정부는,
상기 제1 진단 라인 및 상기 제2 진단 라인의 기울기를 측정하고, 상기 기울기에 기반하여 상기 제1 진단 라인 상의 다수의 포인트 각각에서 상기 제2 진단 라인 상의 수선의 발까지의 거리를 상기 다수의 포인트 각각에 대하여 측정하고, 상기 다수의 포인트 각각의 측정된 거리에 대한 분산을 측정하고, 상기 다수의 포인트 중 최대 분산을 가지는 제1 포인트를 기준으로 병리 진단을 위한 제1 위치를 결정하고, 상기 제1 위치에서 상기 제1 진단 라인 및 상기 제2 진단 라인 사이의 제1 간격을 측정하고,
상기 의료 학습 모델은 입력되는 학습용 의료 영상들의 기울어짐 상태에 대응하여 생성되는
장치.
제4항에 있어서,
학습 모듈을 더 포함하며,
상기 학습 모듈은,
상기 학습용 의료 영상들을 입력하고, 의사에 의해 상기 학습용 의료 영상들에 표시되는 진단 라인에 관한 영상을 입력하며, 상기 진단 라인에 관한 영상에 기반하여 학습용 진단 부위 영역을 생성하고, 상기 학습용 의료 영상들 및 상기 학습용 진단 부위 영역에 기반하는 딥러닝 알고리즘을 수행하여 상기 의료 학습 모델을 생성하는
장치.
삭제
프로세서를 포함하는 경추 영상 진단 장치가 경추 영상을 진단하는 방법에 있어서,
상기 경추 영상 진단 장치가 경추 영상으로부터 경추 연조직(prevertebral stripe) 영역을 추출하기 위한 의료 학습 모델들을 구비하는 단계;
상기 경추 영상 진단 장치가 제1 경추 영상을 입력하는 단계;
상기 경추 영상 진단 장치의 경추 연조직 영역 추출부가 상기 제1 경추 영상 및 상기 의료 학습 모델들에 기반하는 딥러닝 알고리즘을 수행하여, 상기 제1 경추 영상에서 제1 경추 연조직 영역을 추출하는 단계;
상기 경추 영상 진단 장치의 측정부가 상기 제1 경추 연조직 영역에 대하여, 병리 진단을 위해 설정된 위치의 경추 연조직의 간격들을 측정하는 단계; 및
상기 경추 영상 진단 장치의 진단부가 상기 경추 연조직 간격들을 설정된 기준값들과 비교 분석하여, 상기 제1 경추 영상에 대한 경추 연조직 진단 결과를 생성하는 단계를 포함하고,
상기 제1 경추 연조직 영역을 추출하는 단계는,
상기 제1 경추 연조직 영역에 포함된 상측 행 라인 및 하측 행 라인을 제거하는 단계; 및
상기 제1 경추 연조직 영역에서 상기 상측 행 라인 및 상기 하측 행 라인이 제거된 나머지 영역으로부터 제1 진단 라인 및 제2 진단 라인을 추출하는 단계를 포함하고,
상기 경추 연조직 간격들을 측정하는 단계는,
상기 제1 진단 라인 및 상기 제2 진단 라인의 기울기를 측정하는 단계;
상기 기울기에 기반하여 상기 제1 진단 라인 상의 다수의 포인트 각각에서 상기 제2 진단 라인 상의 수선의 발까지의 거리를, 상기 다수의 포인트 각각에 대하여 측정하는 단계;
상기 다수의 포인트 각각의 측정된 거리에 대한 분산을 측정하는 단계;
상기 다수의 포인트 중 최대 분산을 가지는 제1 포인트를 기준으로, 병리 진단을 위한 제1 위치와 제2 위치를 결정하는 단계;
상기 제1 위치에서 상기 제1 진단 라인 및 상기 제2 진단 라인 사이의 제1 간격을 측정하는 단계; 및
상기 제2 위치에서 상기 제1 진단 라인 및 상기 제2 진단 라인 사이의 제2 간격을 측정하는 단계를 포함하고,
상기 의료 학습 모델들은 입력되는 학습용 경추 영상들의 기울어짐 상태에 대응하여 생성되는
방법.
제7항에 있어서,
상기 의료 학습 모델들을 구비하는 단계는,
상기 학습용 경추 영상들을 입력하는 단계;
의사에 의해 상기 학습용 경추 영상들에 표시되는 제3 진단 라인 및 제4 진단 라인에 관한 영상을 입력하는 단계;
상기 제3 진단 라인 및 상기 제4 진단 라인에 기반하여 학습용 진단 영역을 생성하는 단계; 및
상기 학습용 경추 영상들 및 상기 학습용 진단 영역에 기반하는 딥러닝 알고리즘을 수행하여 상기 의료 학습 모델들을 생성하는 단계를 포함하는
방법.
삭제
삭제
제7항에 있어서
상기 제1 위치는 경추의 C2-C3 위치의 경추 연조직에 해당하고,
상기 제2 위치는 경추의 C6-C7 위치의 경추 연조직에 해당하는
방법.
제7항에 있어서
상기 경추 연조직 진단 결과를 생성하는 단계는,
상기 제1 간격과 제1 기준값을 비교 분석하고 상기 제2 간격과 제2 기준값을 비교 분석하여, 비정상 확률을 진단하는 단계; 및
표시부를 통해, 상기 제1 경추 영상에 상기 제1 진단 라인 및 상기 제2 진단 라인을 오버레이하여 표시하며 상기 비정상 확률을 표시하는 단계를 포함하는
방법.
경추 영상 진단 장치에 있어서,
경추 영상으로부터 경추 연조직(prevertebral stripe) 영역을 추출하기 위한 의료 학습 모델들을 구비하며, 입력된 제1 경추 영상 및 상기 의료 학습 모델들에 기반하는 딥러닝 알고리즘을 수행하여 상기 제1 경추 영상에서 제1 경추 연조직 영역을 추출하는 경추 연조직 영역 추출부;
상기 제1 경추 연조직 영역에 대하여, 병리 진단을 위해 설정된 위치의 경추 연조직의 간격들을 측정하는 측정부; 및
상기 경추 연조직 간격들을 설정된 기준값들과 비교 분석하여 상기 제1 경추 영상에 대한 경추 연조직 진단 결과를 생성하여 출력하는 진단부를 포함하고,
상기 경추 연조직 영역 추출부는,
상기 제1 경추 연조직 영역에 포함된 상측 행 라인 및 하측 행 라인을 제거하고, 상기 제1 경추 연조직 영역에서 상기 상측 행 라인 및 상기 하측 행 라인이 제거된 나머지 영역으로부터 제1 진단 라인 및 제2 진단 라인을 추출하고,
상기 측정부는,
상기 제1 진단 라인 및 상기 제2 진단 라인의 기울기를 측정하고, 상기 기울기에 기반하여 상기 제1 진단 라인 상의 다수의 포인트 각각에서 상기 제2 진단 라인 상의 수선의 발까지의 거리를 상기 다수의 포인트 각각에 대하여 측정하고, 상기 다수의 포인트 각각의 측정된 거리에 대한 분산을 측정하고, 상기 다수의 포인트 중 최대 분산을 가지는 제1 포인트를 기준으로 병리 진단을 위한 제1 위치와 제2 위치를 결정하고, 상기 제1 위치에서 상기 제1 진단 라인 및 상기 제2 진단 라인 사이의 제1 간격을 측정하고, 상기 제2 위치에서 상기 제1 진단 라인 및 상기 제2 진단 라인 사이의 제2 간격을 측정하고,
상기 의료 학습 모델들은 입력되는 학습용 경추 영상들의 기울어짐 상태에 대응하여 생성되는
장치.
제13항에 있어서,
학습 모듈을 더 포함하며,
상기 학습 모듈은,
상기 학습용 경추 영상들을 입력하며, 의사에 의해 상기 학습용 경추 영상들에 표시되는 제3 진단 라인 및 제4 진단 라인에 관한 영상을 입력하며, 상기 제3 진단 라인 및 상기 제4 진단 라인에 기반하여 학습용 진단 영역을 생성하며, 상기 학습용 경추 영상들 및 상기 학습용 진단 영역에 기반하는 딥러닝 알고리즘을 수행하여 상기 의료 학습 모델들을 생성하는
장치.
삭제
삭제
제13항에 있어서,
상기 제1 위치는 경추의 C2-C3 위치의 경추 연조직에 해당하 고,
상기 제2 위치는 경추의 C6-C7 위치의 경추 연조직에 해당하는
장치.
제13항에 있어서
상기 진단부는,
상기 제1 간격과 제1 기준값을 비교 분석하고 상기 제2 간격과 제2 기준값을 비교 분석하여 비정상 확률을 생성하며, 상기 제1 경추 영상에 상기 제1 진단 라인 및 상기 제2 진단 라인이 오버레이되어 표시되고 상기 비정상 확률이 표시되도록 표시부에 출력하는
장치.