KR101948701B1 - Method for determining brain disorder of subject based on latent variables which describe brain structure thereof and apparatus using the same - Google Patents
Method for determining brain disorder of subject based on latent variables which describe brain structure thereof and apparatus using the same Download PDFInfo
- Publication number
- KR101948701B1 KR101948701B1 KR1020180112716A KR20180112716A KR101948701B1 KR 101948701 B1 KR101948701 B1 KR 101948701B1 KR 1020180112716 A KR1020180112716 A KR 1020180112716A KR 20180112716 A KR20180112716 A KR 20180112716A KR 101948701 B1 KR101948701 B1 KR 101948701B1
- Authority
- KR
- South Korea
- Prior art keywords
- brain
- variable
- image
- latent
- module
- Prior art date
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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
Description
본 개시서에는 피검체의 뇌질환을 판정하는 방법 및 이를 이용한 장치가 개시된다. 구체적으로, 본 발명에 따른 방법에 의하면, 컴퓨팅 장치가, 상기 피검체의 뇌 영상을 획득하고, 상기 뇌 영상으로부터 은닉 변수를 추출하며, 상기 은닉 변수로부터 잠재 변수를 산출하고, 상기 잠재 변수에 소정의 뇌질환 분류 가중치 벡터를 곱한 중간 결과값을 산출하며, 상기 중간 결과값에 기초하여 상기 뇌질환의 양성 또는 음성을 분류한다.Disclosed herein is a method for determining a brain disease of a subject and an apparatus using the same. More specifically, according to the method of the present invention, the computing device acquires a brain image of the subject, extracts hidden variables from the brain image, calculates latent variables from the latent variables, , And classifies the positive or negative of the brain disease based on the intermediate result.
뇌질환, 예컨대, 알츠하이머병에 의한 치매는 그 중증도의 판정에 관하여, 퇴행성 뇌질환의 원인 중 하나인 뇌위축(brain atrophy) 현상이 관찰되는지 여부를 확인하는 것이 통상적이다. 이 알츠하이머병은 뉴런에서의 비정상적인 아밀로이드 베타 및 타우 단백질 대사로 인하여 신경계에 아밀로이드 베타 단백질이 축적되어 발병하게 된다. 이 질병의 임상적인 특징이 발현되기 이전에 20~30년간 지속적으로 아밀로이드 베타 단백질의 축적이 이루어짐으로써 뇌의 기능적 변화 및 구조적 변화가 초래된다.With respect to the determination of severity of dementia caused by brain diseases such as Alzheimer's disease, it is common to confirm whether or not a brain atrophy phenomenon, which is one of the causes of degenerative brain diseases, is observed. This Alzheimer's disease is caused by accumulation of amyloid beta protein in the nervous system due to abnormal amyloid beta and tau protein metabolism in neurons. The accumulation of amyloid beta protein continues for 20 to 30 years before the clinical features of the disease are manifested, resulting in functional and structural changes in the brain.
MR T1w(magnetic resonance T1 weighted) 영상은 뇌실질의 구조를 살피는 데 적합한 종류의 영상이며, 이 MR T1w 영상을 알츠하이머병에 대한 정보를 얻기 위하여 의료진은 그 영상에 나타난 뇌의 회백질의 크기를 측정하여 뇌의 위축 정보를 살핀다.MR T1w (magnetic resonance T1 weighted) image is a kind of image suitable for examining the structure of the parenchyma. In order to obtain the information of the MR T1w image on the Alzheimer's disease, the medical staff measures the gray matter size of the brain .
종래 기술에 의하여 제품화된 Neuroquant와 같은 제품들은 뇌의 부위별 위축 정도를 수치화 하여 제시하고 있다. 그런데, 뇌위축은 많은 수의 신경세포들이 사멸되었을 때 나타나는 거시적인 변화이다. 따라서 종래 제품에 의한 알츠하이머병의 분류에서는 뇌의 특정 부분의 용적을 수치화하는 과정에서 뇌의 형태적인 특성 및 질감 특징이 소실됨으로써 MR T1w를 통하여 얻을 수 있는 유용한 정보가 누락되는 경향이 있다.Products such as Neuroquant, manufactured by the prior art, quantify the degree of atrophy of the brain region. However, the brain ventricle is a macroscopic change that occurs when a large number of nerve cells are killed. Therefore, in the classification of Alzheimer's disease by conventional products, in the process of quantifying the volume of a specific part of the brain, morphological characteristics and texture characteristics of the brain are lost, so that useful information obtained through MR T1w tends to be missing.
따라서 본 발명자는 이와 같은 정보들을 소실하지 않는 알츠하이머병의 유병 여부 판정을 위한 인공지능 방법론을 제안하고자 한다.Therefore, the present inventor intends to propose an artificial intelligence methodology for determining the presence or absence of Alzheimer's disease that does not lose such information.
본 발명은 종래의 통계 기반{예컨대, 나이, 성별, 부피 정보, 수제 특징(handcrafted feature)을 이용한 통계 분석 등}의 뇌질환 예측의 한계를 극복하여 3차원 의료 영상의 영상 특징(형태, 질감, 전역적 위치, 구조적 특징 등)을 기계 학습으로 추출하고 이를 뇌질환 판정 및 예측에 활용하여 뇌질환 진단의 정확도 및 효율을 증진하는 것으로 목적으로 한다.The present invention overcomes the limitations of conventional brain-disease prediction based on statistics (e.g., age, sex, volume information, statistical analysis using handcrafted features, etc.) The purpose of this study is to improve the accuracy and efficiency of diagnosis of brain diseases by extracting machine learning, global position, structural features, etc.
구체적으로, 본 발명은 기계 학습을 통하여 뇌 영상을 자동으로 분석함으로써, 사람이 미처 보지 못하거나 판별이 어려운 사례에 대한 기계 학습 기반의 진단 보조를 통하여 판정 오류를 감소시키는 등, 의료진의 진단 품질 및 속도를 향상시키는 데 조력하는 것을 목적으로 한다.Specifically, the present invention automatically analyzes the brain image through machine learning, thereby reducing diagnosis errors based on machine learning based diagnosis for cases in which a person is not seen or is difficult to distinguish, It is aimed at helping to improve the speed.
상기한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 효과를 실현하기 위한 본 발명의 특징적인 구성은 하기와 같다.The characteristic configuration of the present invention for achieving the object of the present invention as described above and realizing the characteristic effects of the present invention described below is as follows.
본 발명의 일 태양(aspect)에 따르면, 피검체의 뇌 구조를 기술(description)하는 잠재 변수(latent variables)에 기반하여 상기 피검체의 뇌질환을 판정하는 방법이 제공되는바, 그 방법은, (a) 컴퓨팅 장치가, 상기 피검체의 뇌 영상을 획득하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 상기 뇌 영상을 획득하도록 지원하는 단계; (b) 상기 컴퓨팅 장치가, 부호화 모듈을 이용하여, 상기 뇌 영상으로부터 은닉 변수를 추출하거나 상기 타 장치로 하여금 추출하도록 지원하는 단계; (c) 상기 컴퓨팅 장치가, 매개변수화 모듈을 이용하여, 상기 은닉 변수로부터 잠재 변수를 산출하거나 상기 타 장치로 하여금 산출하도록 지원하는 단계; (d) 상기 컴퓨팅 장치가, 중간 결과값 산출 모듈을 이용하여, 상기 잠재 변수에 소정의 뇌질환 분류 가중치 벡터를 곱한 중간 결과값을 산출하거나 상기 타 장치로 하여금 산출하도록 지원하는 단계; 및 (e) 상기 컴퓨팅 장치가, 분류 모듈을 이용하여, 상기 중간 결과값에 기초하여 상기 뇌질환의 양성 또는 음성을 분류하거나 상기 타 장치로 하여금 분류하도록 지원하는 단계를 포함한다.According to an aspect of the present invention there is provided a method of determining brain disease of a subject based on latent variables describing the brain structure of the subject, (a) supporting a computing device to acquire a brain image of the body of the subject or to acquire the brain image by another device associated with the computing device; (b) the computing device extracting hidden variables from the brain image or extracting the other devices by using an encoding module; (c) supporting the computing device to calculate a latent variable from the hidden variable or to cause the other device to calculate using the parameterization module; (d) supporting the computing device to calculate or calculate an intermediate result value obtained by multiplying the latent variable by a predetermined brain disease classification weight vector using an intermediate result value calculating module; And (e) supporting the computing device to classify or classify the benign or speech of the brain disease or classify the other device based on the intermediate results using a classification module.
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.According to another aspect of the present invention, there is also provided a computer program stored in a machine readable non-transitory medium, comprising instructions embodied to perform the method according to the invention.
본 발명의 또 다른 태양에 따르면, 피검체의 뇌 구조를 기술하는 잠재 변수에 기반하여 상기 피검체의 뇌질환을 판정하는 컴퓨팅 장치가 제공되는바, 그 장치는, 상기 피검체의 뇌 영상을 획득하는 통신부; 및 (i) 상기 뇌 영상으로부터 은닉 변수를 추출하거나 상기 통신부를 통하여 연동되는 타 장치로 하여금 추출하도록 지원하는 부호화 모듈을 구현하는 프로세스, (ii) 상기 은닉 변수로부터 잠재 변수를 산출하거나 상기 타 장치로 하여금 산출하도록 지원하는 매개변수화 모듈을 구현하는 프로세스, (iii) 상기 잠재 변수에 소정의 뇌질환 분류 가중치 벡터를 곱한 중간 결과값을 산출하거나 상기 타 장치로 하여금 산출하도록 지원하는 중간 결과값 산출 모듈을 구현하는 프로세스, 및 (iv) 상기 중간 결과값에 기초하여 상기 뇌질환의 양성 또는 음성을 분류하거나 상기 타 장치로 하여금 분류하도록 지원하는 분류 모듈을 구현하는 프로세스를 수행하는 프로세서를 포함한다.According to still another aspect of the present invention, there is provided a computing device for determining a brain disease of a subject based on a latent variable describing the brain structure of the subject, the device comprising: ; And (i) extracting concealment parameters from the brain image or implementing a coding module to support extraction of other cooperating devices through the communication unit, (ii) calculating a latent variable from the concealed variable, or (Iii) an intermediate result value calculation module that calculates an intermediate result value obtained by multiplying the latent variable by a predetermined brain disease classification weight vector or supports the other device to calculate the intermediate result value, And (iv) a processor for performing the process of implementing a classification module to classify the positive or negative of the brain disease or to classify the other device based on the intermediate result value.
본 개시서의 예시적인 실시 예에 따르면, 종래의 통계 기반의 질환 판정 혹은 예측의 한계를 극복하여 3차원 의료 영상의 영상 특징을 기계 학습으로 추출하고 뇌질환, 특히 치매의 판정 및 예측에 활용할 수 있는 효과가 있다.According to an exemplary embodiment of the present disclosure, it is possible to overcome the limitations of conventional statistical-based disease judgment or prediction to extract the image features of a three-dimensional medical image by machine learning and utilize it for the determination and prediction of brain diseases, There is an effect.
우선, 예시적인 실시 예에 따르면, 기계 학습에 기반하여 원본의 뇌 영상을 N개의 잠재 변수로 축약하여 표현할 수 있고, 그 N개의 잠재 변수를 이용하여 원본 그대로의 영상을 재구축할 수 있는 효과가 있는데, 그 잠재 변수는 뇌의 구조에 관련된 특징을 모두 담은 것이라는 장점이 있다.First, according to the exemplary embodiment, the original brain image can be represented as N latent variables based on the machine learning, and the original image can be reconstructed using the N latent variables There is an advantage that the latent variables are all the features related to the structure of the brain.
따라서, 예시적인 실시 예에 따르면, 뇌의 구조가 완전히 이해되어 반영된 잠재 변수를 이용하여 뇌질환, 특히, 알츠하이머병의 양성 또는 음성 여부를 진단할 수 있어 종래에 뇌 특정 부분의 용적만을 수치화하는 것에서 탈피하여 뇌질환 판정에 다양한 형태 및 질감의 정보를 반영할 수 있는 효과가 있다.Therefore, according to the exemplary embodiment, it is possible to diagnose a brain disease, particularly, a positive or negative state of a brain disease using the latent variable fully reflected and reflected in the structure of the brain, And thus it is possible to reflect information of various shapes and textures in the judgment of brain diseases.
뿐만 아니라, 예시적인 실시 예에 따르면, 잠재 변수를 특정한 방향의 벡터로 변형함으로써 원하는 뇌의 구조를 닮은 뇌 영상의 재구성이 가능하므로, 특정 환자의 뇌를 뇌질환의 진행 정도에 따라 변형하여 예측 시각화하는 것이 가능함과 동시에 해당 환자의 뇌질환의 진행 정도를 평가하는 것이 가능한 효과가 있다.In addition, according to the exemplary embodiment, it is possible to reconstruct a brain image resembling a desired brain structure by transforming a latent variable into a vector in a specific direction, so that the brain of a specific patient is deformed according to the progression of brain diseases, It is possible to evaluate the degree of progression of the brain disease in the patient.
본 발명이 속한 기술분야에서 통상의 지식을 가진 사람(이하 "통상의 기술자"라 함)은 본 발명이 다양한 형식(modality)의 3차원 영상들에 적용될 수 있으며, 특히 종래에 병원에서 이용하고 있는 다양한 형식의 영상 시스템에 그대로 활용될 수 있다는 점과, 본 발명의 방법이 특정 형식의 영상이나 플랫폼에 종속되지 않는다는 점을 이해할 수 있을 것이다.Those skilled in the art will appreciate that the present invention can be applied to various types of 3-dimensional images of various modalities, and in particular, It will be understood that the present invention can be applied to various types of image systems and that the method of the present invention does not depend on a specific type of image or platform.
본 발명의 실시 예의 설명에 이용되기 위하여 첨부된 아래 도면들은 본 발명의 실시 예들 중 단지 일부일 뿐이며, 통상의 기술자에게 있어서는 발명적 작업이 이루어짐 없이 이 도면들에 기초하여 다른 도면들이 얻어질 수 있다.
도 1은 본 발명에 따라 피검체의 뇌 구조를 기술하는 잠재 변수에 기반하여 상기 피검체의 뇌질환을 판정하는 방법(이하 "잠재 변수 기반 뇌질환 판정 방법"이라 함)을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.
도 2는 본 발명의 잠재 변수 기반 뇌질환 판정 방법에 이용되는 컴퓨팅 장치의 하드웨어 또는 소프트웨어 구성요소를 도시한 제1 예시적 블록도인바, 부호화 모듈, 매개변수화 모듈 및 복호화 모듈이 도시되어 있다.
도 3은 본 발명의 잠재 변수 기반 뇌질환 판정 방법을 예시적으로 나타낸 흐름도이다.
도 4는 도 2에 나타난 부호화 모듈을 더 상세하게 도시한 개념도이다.
도 5는 본 발명의 잠재 변수 기반 뇌질환 판정 방법에서 이루어지는 잠재변수의 산출을 개념적으로 도시한 도면이다.
도 6은 도 2에 나타난 복호화 모듈을 더 상세하게 도시한 개념도이다.
도 7은 본 발명의 잠재 변수 기반 뇌질환 판정 방법에 따라 뇌질환 양성에 해당하는 뇌 영상의 형판(template)과 뇌질환 음성에 해당하는 뇌 영상의 형판 각각을 대표하는 잠재변수를 산출하는 과정을 개념적으로 도시한 도면이다.
도 8은 본 발명의 잠재 변수 기반 뇌질환 판정 방법에 따라 뇌질환 분류 가중치 벡터를 이용하여 뇌질환 양성과 음성을 분류하는 전 과정을 개략적으로 도시한 도면이다.
도 9는 본 발명의 잠재 변수 기반 뇌질환 판정 방법에서 뇌질환의 진행 정도에 따라 뇌 영상을 예측하는 방안을 예시적으로 나타낸 도면이다.BRIEF DESCRIPTION OF THE DRAWINGS The accompanying drawings, which are included to provide a further understanding of the invention and are incorporated in and constitute a part of this specification, illustrate several embodiments of the invention and, together with the description, serve to explain the principles of the invention.
1 is a block diagram of a computing device that performs a method of determining a brain disease of the subject based on latent variables describing the brain structure of the subject according to the present invention (hereinafter referred to as " latent variable-based brain disease determination method & 1 is a conceptual diagram schematically showing an exemplary configuration.
FIG. 2 is a first exemplary block diagram illustrating a hardware or software component of a computing device used in the latent variable-based brain disease determination method of the present invention. FIG. 2 illustrates an encoding module, a parameterization module, and a decryption module.
FIG. 3 is a flowchart exemplarily showing a latent variable-based brain disease determination method of the present invention.
4 is a conceptual diagram showing the encoding module shown in FIG. 2 in more detail.
FIG. 5 is a conceptual diagram illustrating the calculation of latent variables in the latent variable-based brain disease determination method of the present invention.
FIG. 6 is a conceptual diagram showing the decoding module shown in FIG. 2 in more detail.
FIG. 7 is a flowchart illustrating a process for calculating latent variables representative of a template of a brain image and a template of a brain image corresponding to a brain disease negative according to the latent variable-based brain disease determination method of the present invention. Fig.
FIG. 8 is a diagram schematically showing an entire process of classifying brain disease positive and negative using a brain disease classification weight vector according to the latent variable-based brain disease determination method of the present invention.
FIG. 9 is a diagram illustrating an example of a method for predicting a brain image according to the degree of brain disease in the latent variable-based brain disease determination method of the present invention.
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.The following detailed description of the invention refers to the accompanying drawings, which illustrate, by way of example, specific embodiments in which the invention may be practiced in order to clarify the objects, technical solutions and advantages of the invention. These embodiments are described in sufficient detail to enable those skilled in the art to practice the invention.
본 발명의 상세한 설명 및 청구항들에 걸쳐 이용된 "영상" 또는 "영상 데이터"라는 용어는 이산적 영상 요소들(예컨대, 2차원 영상에 있어서는 픽셀)로 구성된 다차원 데이터를 지칭하며, 달리 말하자면, (예컨대, 비디오 화면에 표시된) 눈으로 볼 수 있는 대상 또는 (예컨대, CT, MRI 검출기 등의 픽셀 출력에 대응되는 파일과 같은) 그 대상의 디지털 표현물을 지칭하는 용어이다.The term " image " or " image data " used throughout the description and claims of the present invention refers to multidimensional data composed of discrete image elements (e.g., pixels for two dimensional images) Refers to a digital representation of an object that is visible (e.g., displayed on a video screen) or that object (such as a file corresponding to pixel output, e.g., CT, MRI detector, etc.).
예를 들어 "이미지" 또는 "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.For example, the term "image" or "image" may be represented by computed tomography (CT), magnetic resonance imaging (MRI), ultrasound, or any other medical imaging system known in the art And may be a medical image of the collected subject. The image may not necessarily be provided in a medical context but may be provided in a non-medical context, for example, an X-ray for security search.
설명의 편의를 위하여 제시된 도면에서는 MRI 영상 데이터가 예시적 영상 형식(modality)인 것으로 도시되었다. 그러나 통상의 기술자는 본 발명의 다양한 실시 예에서 이용되는 영상 형식들이 CT, PET(positron emission tomography), PET-CT, SPECT, SPECT-CT, MR-PET, 3D 초음파 영상 등의 3차원 영상으로 확장될 수 있을 뿐만 아니라 이와 같이 예시적으로 열거된 형식에 한정되지도 않는다는 점을 이해할 수 있을 것이다.For the sake of convenience of explanation, MRI image data is shown in the presented drawings as an exemplary image format (modality). However, those skilled in the art will appreciate that the image formats used in various embodiments of the present invention may be extended to three-dimensional images such as CT, PET (positron emission tomography), PET-CT, SPECT, SPECT-CT, MR- It is to be understood that the invention is not limited to the above-exemplified embodiments.
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.Throughout the detailed description and claims of the present invention, the term 'DICOM' (Digital Imaging and Communications in Medicine) is a generic term for various standards used in digital image representation and communication in medical devices, The standard is presented at the Joint Committee composed of the American Radiation Medical Association (ACR) and the American Electrical Manufacturers Association (NEMA).
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.In addition, the term 'Picture Archiving and Communication System (PACS)' refers to a system for storing, processing and transmitting according to the DICOM standard throughout the detailed description and claims of the present invention, , And MRI can be stored in the DICOM format and transmitted to a terminal inside or outside the hospital through the network, and the result of reading and the medical record can be added to the terminal.
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.Throughout the detailed description and claims of the present invention, 'learning' or 'learning' refers to performing machine learning through computing according to a procedure, It is not intended to refer to training, which is used in a generally accepted sense of machine learning.
또한, 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.Also, throughout the description and claims of this invention, the word 'comprise' and variations thereof are not intended to exclude other technical features, additions, elements or steps. Also, 'one' or 'one' is used in more than one meaning, and 'another' is limited to at least the second.
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.Other objects, advantages and features of the present invention will become apparent to those skilled in the art from this description, and in part from the practice of the invention. The following examples and figures are provided by way of illustration and are not intended to limit the invention. Accordingly, the details disclosed herein with respect to a particular structure or function are not to be construed in a limiting sense, but merely as being representative of the general inventive concept providing a guideline for carrying out the invention in various detail structures, It should be interpreted as basic data.
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. Moreover, the present invention encompasses all possible combinations of embodiments shown herein. It should be understood that the various embodiments of the present invention are different, but need not be mutually exclusive. For example, certain features, structures, and characteristics described herein may be implemented in other embodiments without departing from the spirit and scope of the invention in connection with one embodiment. It should also be understood that the position or arrangement of individual components within each disclosed embodiment may be varied without departing from the spirit and scope of the present invention. The following detailed description is, therefore, not to be taken in a limiting sense, and the scope of the present invention is to be limited only by the appended claims, along with the full scope of equivalents to which such claims are entitled, if properly explained. In the drawings, like reference numerals refer to the same or similar functions throughout the several views.
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.Unless otherwise indicated herein or clearly contradicted by context, items referred to in the singular are intended to encompass a plurality unless otherwise specified in the context. In the following description of the present invention, a detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear.
이하, 통상의 기술자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시 예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings, so that those skilled in the art can easily carry out the present invention.
도 1은 본 발명에 따른 잠재 변수 기반 뇌질환 판정 방법을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.1 is a conceptual diagram schematically illustrating an exemplary configuration of a computing device that performs a latent variable-based brain disease determination method according to the present invention.
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.1, a
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.In particular, the
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.The
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.The
도 2는 본 발명의 잠재 변수 기반 뇌질환 판정 방법에 이용되는 컴퓨팅 장치의 하드웨어 또는 소프트웨어 구성요소를 도시한 제1 예시적 블록도이고, 도 3은 본 발명의 잠재 변수 기반 뇌질환 판정 방법을 예시적으로 나타낸 흐름도이다. 도 2에는 부호화 모듈(220), 매개변수화 모듈(230) 및 복호화 모듈(240)이 도시되어 있다.FIG. 2 is a first exemplary block diagram illustrating the hardware or software components of a computing device used in the latent variable-based brain disease determination method of the present invention, and FIG. 3 illustrates a latent variable-based brain disease determination method of the present invention Fig. In FIG. 2, an
먼저, 도 2 및 도 3을 참조하면, 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 뇌 영상의 데이터를 획득(S100)하도록 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.First, referring to FIGS. 2 and 3, the
뇌 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, 뇌 영상은 (의료) 영상 촬영 기기에 의하여 촬영된 영상이 DICOM 표준에 따라 PACS에 전송된 후 컴퓨팅 장치(100)의 영상 획득 모듈(210)에 의하여 획득된 것일 수 있다. 바람직하게는 뇌 영상이 3차원 영상일 수 있다. 예를 들어 뇌 영상이 MRI 영상, 특히 MR T1w 영상일 수 있다.The brain image may be obtained, for example, from an external image storage system such as a radiographic apparatus or a medical image storage and transmission system (PACS) interlocked through the
다음으로, 그 획득된 뇌 영상은 부호화 모듈(220)에 전달될 수 있는데, 구체적으로 부호화 모듈(220)은, 입력 영상인 뇌 영상으로부터 은닉 변수(hidden variables)를 추출(S200)하도록 구성된다. 은닉 변수의 추출을 위하여 본 발명에 따른 부호화 모듈(220) 및 후술할 복호화 모듈(240) 등은, 인공 신경망, 특히 심층 신경망으로 구성되는데, 심층 신경망은 다층의 인공 신경망으로 이루어진 구조에서 다량의 데이터를 학습시킴으로써 각각의 영상의 특징을 자동으로 학습하고, 이를 통해 목적 함수의 값, 즉 분류 결과의 오차(error)를 최소화시키는 방식으로 학습을 진행하는 기계 학습 모델이다. 상술한 부호화 모듈(220) 및 복호화 모듈(240)은, 점, 선, 면 등의 저수준의 특징에서부터 복잡하고 의미 있는 고수준의 특징까지 다양한 수준의 특징을 추출하고 분류할 수 있는 기술적 특징을 가지고 있다.Next, the acquired brain image can be transmitted to the
도 4는 인공 신경망의 구성에 관하여 도 2에 나타난 부호화 모듈을 더 상세하게 도시한 개념도이다. 도 4를 참조하면, 전술한 기능을 수행하기 위하여 부호화 모듈(220)은, 다수의 (2차원 혹은 3차원) 합성곱 층(222, 224, 226) 및 상기 합성곱 층에 이어지는 완전연결층(fully-connected layer(s); 228)을 포함할 수 있는데, 여기에서 상기 완전연결층은 그 완전연결층에 입력된 값을 소정의 자연수 N에 대하여 N × 2개의 은닉 변수를 추출할 수 있다.4 is a conceptual diagram showing the encoding module shown in FIG. 2 in more detail with respect to the configuration of the artificial neural network. 4, the
은닉 변수의 추출이 완료되면, 매개변수화 모듈(230)은 상기 은닉 변수로부터 잠재 변수를 산출(S300)하도록 구성된다.When extraction of the hidden variable is completed, the
도 5는 본 발명의 잠재 변수 기반 뇌질환 판정 방법에서 이루어지는 잠재변수의 산출을 개념적으로 도시한 도면이다.FIG. 5 is a conceptual diagram illustrating the calculation of latent variables in the latent variable-based brain disease determination method of the present invention.
도 5에 예시된 바와 같이, 상기 매개변수화 모듈(230)은, 상기 N × 2개의 은닉 변수 중 특정한 N개 은닉 변수들의 평균값 및 상기 N × 2개의 은닉 변수 중 다른 N개의 은닉 변수들의 분산을 반영한 확률변수의 특성을 가진 매개변수를 이용하여 상기 N × 2개의 은닉 변수로부터 N개의 잠재 변수를 산출할 수 있다.As illustrated in FIG. 5, the
즉, 잠재 변수를 z로, 입력 영상을 x로 지칭하면, 입력 영상에 기초한 잠재 변수의 예측값 qθ은 다음과 같은 수학식으로 표현될 수 있다.That is, when the latent variable is denoted by z and the input image is denoted by x, the predicted value q θ of the latent variable based on the input image can be expressed by the following equation.
더 구체적으로, 뇌 영상은 합성곱 층을 지나 N × 2개의 은닉 변수로 변환되었는데, 이 N × 2개의 은닉 변수를 활용하여 N개의 새로운 매개변수가 출력될 수 있다. 그 과정에서 N개의 매개변수 중 i번째 변수인 Zi는 를 평균으로 하고, 를 표준편차로 하는 가우시안(Gaussian) 분포에서 추출될 수 있다. 이때, 은닉 변수를 H1i와 H2i라고 표기하면, =H1i이며, =이다.More specifically, the brain image is transformed into N × 2 hidden variables through the convolution layer, and N new parameters can be output using these N × 2 hidden variables. In the process, the i-th variable Z i among the N parameters is As the average, Can be extracted from a Gaussian distribution with standard deviation. At this time, if the hidden variables are represented as H 1i and H 2i , = H 1i , = to be.
한편, 도 2를 참조하면, 단계들(S100 내지 S300)의 수행 후 복호화 모듈(240)은, 상기 잠재 변수로부터 상기 뇌 영상을 재구성한 재구성 영상을 생성할 수 있다.Meanwhile, referring to FIG. 2, the
도 6은 도 2에 나타난 복호화 모듈(240)을 더 상세하게 도시한 개념도이다. 도 6을 참조하면, 복호화 모듈(240)은, N개의 잠재 변수로부터 상기 재구성 영상을 출력하기 위한 다수의 (2차원 또는 3차원) 역합성곱 층(242, 244, 246)을 포함할 수 있다.FIG. 6 is a conceptual diagram showing the
전술한 부호화 모듈(220)의 훈련은, 인공신경망에 관하여 통상의 기술자에게` 잘 알려진 바와 같이 손실함수를 산출하고 그 손실함수를 이용하여 부호화 모듈(220)의 파라미터를 갱신함으로써 이루어질 수 있는데, 본 개시서에 있어서는, 두 가지 손실함수, 즉 제1 손실함수 및 제2 손실함수 중 적어도 어느 하나를 선택적으로 이용하여 이루어질 수 있다.The training of the
제1 손실함수는 잠재 변수의 손실함수로서 다음과 같이 표현될 수 있다.The first loss function can be expressed as a loss function of the latent variable as follows.
여기에 이용된 표기법(notation)은 다음과 같다.The notation used here is as follows.
또한, 여기에서 p(z)는 매개변수의 사전확률분포(prior probabilistic distribution)이다. 매개변수화 모듈을 통하여 매개변수인 z는 은닉 변수를 샘플링하는 확률적 변수가 되며, 제1 손실함수인 잠재 변수의 손실함수는 매개변수화 모듈에서 출력된 매개변수가 평균을 0으로 하고, 표준편차를 1로 하는 정규분포를 따르는 사전확률분포인 p(z)와 유사해질 수 있도록 유도한다. 매개변수가 정규분포를 따르는 사전확률분포와 유사하도록 하여 뇌의 구조정보를 담게 되는 매개변수가 확률적인 분포가 될 수 있도록 유도하는 것이다.Also, where p (z) is the prior probabilistic distribution of the parameter. Through the parameterization module, the parameter z is a probabilistic variable that samples the latent variable. The loss function of the latent variable, which is the first loss function, is obtained by setting the average value of the parameters output from the parameterization module to zero, 1, which is similar to the prior probability distribution p (z) following the normal distribution. The parameters are similar to the pre-probability distributions that follow the normal distribution, so that the parameters that contain the structural information of the brain become a probability distribution.
그리고 제2 손실함수는 상기 재구성 영상과 원본의 뇌 영상 간의 비교에 의하여 산출된 손실함수이다.And the second loss function is a loss function calculated by comparing the reconstructed image with the original brain image.
요컨대, 부호화 모듈(220)의 훈련은, 단계들(S100 내지 S300)과, 컴퓨팅 장치(100)가, 상기 잠재 변수의 손실함수인 제1 손실함수를 산출하는 프로세스; 및 (ii) 복호화 모듈(240)을 이용하여, 상기 잠재 변수로부터 상기 뇌 영상을 재구성한 재구성 영상을 생성하고, 상기 재구성 영상과 상기 뇌 영상 간의 비교에 의한 제2 손실함수를 산출하는 프로세스 중 적어도 하나를 수행하거나 상기 타 장치로 하여금 수행하도록 지원하는 단계(S320; 미도시); 및 상기 제1 손실함수 및 상기 제2 손실함수 중 산출된 적어도 하나를 이용하여, 상기 부호화 모듈의 파라미터를 갱신하거나 상기 타 장치로 하여금 갱신하도록 지원하는 단계(S340; 미도시)를 다수의 뇌 영상에 대하여 반복 수행함으로써 이루어진다. In short, the training of the
여기에서 훈련의 반복 수행을 종료하는 조건은 통상의 기술자에게 용이하게 이해될 수 있어 이를 더 상세히 설명하는 것이 본 발명의 요지를 흐릴 수 있으므로 생략하기로 한다. 설명의 편의상 부호화 모듈의 훈련이 본 발명 방법의 실시에 이용되는 것과 동일한 컴퓨팅 장치(100)에서 수행되는 것으로 설명되었으나 부호화 모듈(220)이 별도의 훈련용 컴퓨팅 장치에 의하여 미리 훈련된 것일 수 있음은 물론이다.Herein, the condition for terminating the repetition of the training can be easily understood by the ordinary artisan, so that it will not be described in detail because it may obscure the gist of the present invention. It is to be appreciated that although the training of the encoding module is described as being performed in the
부호화 모듈(220)의 훈련에 이용되는 다수의 뇌 영상은 (i) 다수의 치매 환자의 뇌 영상; 및 (ii) 다수의 인지적 정상(cognitively normal; CN)인 사람의 뇌 영상 및 다수의 경도성인지장애(mild cognitive impairment; MCI)인 사람의 뇌 영상 중 적어도 1가지 이상일 수 있다. 예시로 들 수 있는 3가지 조합은 (i) 치매, 인지적 정상, 경도성인지장애의 데이터 세트, (ii) 치매, 인지적 정상의 데이터 세트, 또는 (iii) 치매, 경도성인지장애의 데이터 세트일 수 있으며, 훈련을 위한 뇌 영상의 데이터 세트에 치매, 인지적 정상, 경도성인지장애 외에 다양한 클래스(class)가 추가될 수도 있음은 물론이다.The plurality of brain images used in the training of the
도 7은 본 발명의 잠재 변수 기반 뇌질환 판정 방법에 따라 뇌질환 양성에 해당하는 뇌 영상의 형판(template)과 뇌질환 음성에 해당하는 뇌 영상의 형판 각각을 대표하는 잠재변수를 산출하는 과정을 개념적으로 도시한 도면이다.FIG. 7 is a flowchart illustrating a process for calculating latent variables representative of a template of a brain image and a template of a brain image corresponding to a brain disease negative according to the latent variable-based brain disease determination method of the present invention. Fig.
도 7의 (a)를 참조하면, 뇌질환 양성 또는 음성에 해당하는 뇌 영상(210')이 입력되면, 훈련된 부호화 모듈(220)이, 뇌 영상(210')으로부터 뇌질환 양성 또는 음성인 뇌의 잠재 변수(6)를 산출한다.Referring to FIG. 7A, when a brain image 210 'corresponding to a brain disease positive or negative is input, the trained
계속해서 도 7의 (b)를 참조하면, 뇌질환 양성에 해당하는 뇌 영상의 형판을 대표하는 잠재 변수인 제1 대표 잠재 변수와, 뇌질환 음성에 해당하는 뇌 영상의 형판을 대표하는 잠재 변수인 제2 대표 잠재 변수(6')는 각각 뇌질환 양성과 뇌질환 음성에 해당되는 다수(예컨대 M개의) 뇌 영상으로부터 획득된 잠재 변수들(6)의 항목별 평균(250)을 계산함으로써 획득될 수 있다.7 (b), the first representative latent variable, which is a latent variable representing a template of a brain image corresponding to a brain disease positive, and a latent variable representing a latent variable representing a brain image corresponding to a brain disease negative The second representative latent variable 6 'is obtained by calculating the item-
도 8은 본 발명의 잠재 변수 기반 뇌질환 판정 방법에 따라 뇌질환 분류 가중치 벡터를 이용하여 뇌질환 양성과 음성을 분류하는 전 과정을 개략적으로 도시한 도면이다.FIG. 8 is a diagram schematically showing an entire process of classifying brain disease positive and negative using a brain disease classification weight vector according to the latent variable-based brain disease determination method of the present invention.
도 8을 참조하면, 뇌질환 유병 여부가 알려지지 않은 피검체의 뇌 영상에 대한 전술한 본 발명 방법의 단계들(S100 내지 S300)의 수행으로, 매개변수화 모듈(230)에 의하여 잠재 변수(8)가 산출되면, 중간 결과값 산출 모듈(미도시)은, 그 잠재 변수(8)에 소정의 뇌질환 분류 가중치 벡터(7)를 곱한 결과인 중간 결과값(intermediate result)을 산출(S400)한다. 여기에서 소정의 뇌질환 분류 가중치 벡터(7)는, 뇌질환 양성과 음성 간의 차이가 큰 잠재 변수를 강조하기 위하여 가중하기 위한 목적의 벡터이다. 이 뇌질환 분류 가중치 벡터(7)는, 상기 제1 대표 잠재 변수(6a') 및 상기 제2 대표 잠재 변수(6b')에 기초하여 산출될 수 있고, 더 구체적으로, 뇌질환 분류 가중치 벡터(7)는, 상기 제1 대표 잠재 변수와 상기 제2 대표 잠재 변수 간의 거리로부터 산출될 수 있는바 도 8에 예시된 바와 같다. 물론 여기에서는 거리를 측정하기 위한 거리 함수로서 L1 거리 함수가 예시되어 있으나 본 발명의 기술분야에 널리 알려진 다른 거리 함수가 채용될 수도 있을 것이다.8, by performing the steps (S100 to S300) of the method of the present invention described above with respect to a brain image of a subject whose brain disease incidence is unknown, the
상기 중간 결과값에 기초하여, 분류 모듈(270 및 280)은 상기 뇌질환의 양성 또는 음성을 분류(S500)한다. 구체적으로, 분류 모듈(270 및 280)은 분류를 수행하기 위하여 적어도 둘 이상의 일련의 완전연결층(270) 및 그 완전연결층(270)에 이어지는 양성 음성 분류기(positive/negative classifier; 280)를 포함할 수 있다. Based on the intermediate results, the
한편, 상기 분류의 결과가 생성되면, 외부 엔티티(external entity)의 이용 내지 활용을 위하여, 본 발명에 따른 잠재 변수 기반 뇌질환 판정 방법은, 컴퓨팅 장치(100)에 의하여 구현되는 출력 모듈(290; 미도시)이, 상기 분류 정보를 외부 엔티티에 제공(S600; 미도시)할 수 있다. Meanwhile, when the result of the classification is generated, the latent variable-based brain disease determination method according to the present invention includes an output module 290 implemented by the
여기에서 외부 엔티티라고 함은, 본 발명에 따른 방법을 수행하는 컴퓨팅 장치(100)의 사용자, 관리자, 상기 피검체를 담당하는 담당 의료 전문가 등을 포함하나, 이 이외에도 뇌 영상의 정보, 뇌질환 유병 여부의 정보를 필요로 하는 주체라면 어느 주체라도 포함되는 것으로 이해되어야 할 것이다. 외부 엔티티가 인간인 때에는 상기 출력 모듈(230)은 소정의 출력 장치, 예컨대 디스플레이에 표시된 사용자 인터페이스를 통하여 분류 정보를 외부 엔티티에 제공할 수 있다.Here, the external entity includes a user of the
도 2 내지 도 8에 나타난 구성요소들은 설명의 편의상 하나의 컴퓨팅 장치에서 실현되는 것으로 예시되었으나, 본 발명의 방법을 수행하는 컴퓨팅 장치(100)는 복수개의 장치들이 서로 연동된 것으로 구성될 수도 있다는 점이 이해될 것이다. 따라서 전술한 본 발명 방법의 각 단계는, 하나의 컴퓨팅 장치가 직접 수행하거나 상기 하나의 컴퓨팅 장치가 상기 하나의 컴퓨팅 장치에 연동되는 타 컴퓨팅 장치로 하여금 수행하도록 지원함으로써 수행될 수 있다.Although the components shown in FIGS. 2 to 8 are illustrated as being realized in one computing device for convenience of explanation, the
도 9는 본 발명의 잠재 변수 기반 뇌질환 판정 방법에서 뇌질환의 진행 정도에 따라 뇌 영상을 예측하는 방안의 실시 예를 예시적으로 나타낸 도면이다.FIG. 9 is a diagram illustrating an example of a method for predicting a brain image according to the degree of progression of a brain disease in the latent variable-based brain disease determination method of the present invention.
도 9를 참조하면, 원본 뇌 영상으로부터 획득된 원본 뇌의 잠재 변수는 복호화 모듈(240)을 통하여 다시 원본 뇌 영상으로 시각화될 수 있다. 원본 뇌의 잠재 변수에 뇌질환 음성 잠재 변수를 더한 결과는 복호화 모듈(240)을 통하여 뇌질환이 치료된 상태의 원본 뇌 영상으로 시각화될 수도 있고, 원본 뇌의 잠재 변수에 뇌질환 양성 잠재 변수를 더한 결과는 복호화 모듈(240)을 통하여 뇌질환이 진행된 상태의 원본 뇌 영상으로 시각화될 수도 있다. Referring to FIG. 9, the latent variable of the original brain obtained from the original brain image can be visualized again as the original brain image through the
따라서, 본 발명의 이 실시 예에 따르면, 원본 뇌의 영상으로부터 뇌질환이 치료된 상태의 뇌 영상과 뇌질환이 상당히 진행된 상태의 뇌 영상을 예측하여 보여주는 것이 가능하다.Therefore, according to this embodiment of the present invention, it is possible to predict and display a brain image in a state in which the brain disease has been treated from the original brain image, and a brain image in a state in which the brain disease has progressed considerably.
지금까지 설명된 바와 같이 본 발명은 그 모든 실시 예 및 변형례에 걸쳐, 뇌질환, 특히 알츠하이머병에 대한 진단의 신속성과 정확도를 향상시킬 수 있는 효과가 있다.As described so far, the present invention has the effect of improving the promptness and accuracy of diagnosis of brain diseases, particularly Alzheimer's disease, over all the embodiments and modifications thereof.
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. Based on the description of the embodiments above, those skilled in the art will recognize that the methods and / or processes of the present invention and their steps may be implemented in hardware, software, or any combination of hardware and software suitable for the particular application Points can be clearly understood. The hardware may include special features or components of a general purpose computer and / or a dedicated computing device or a specific computing device or a particular computing device. The processes may be realized by one or more microprocessors, microcontrollers, embedded microcontrollers, programmable digital signal processors or other programmable devices having internal and / or external memory. Additionally or alternatively, the processes can be configured to process application specific integrated circuits (ASICs), programmable gate arrays, programmable array logic (PAL) Or any other device or combination of devices. Furthermore, the objects of the technical solution of the present invention, or portions contributing to the prior art, may be implemented in the form of program instructions that can be executed through various computer components and recorded on a machine-readable recording medium. The machine-readable recording medium may include program commands, data files, data structures, and the like, alone or in combination. The program instructions recorded on the machine-readable recording medium may be those specially designed and constructed for the present invention or may be those known to those of ordinary skill in the computer software arts. Examples of the machine-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tape, optical recording media such as CD-ROM, DVD, Blu-ray, magneto-optical media such as floptical disks magneto-optical media, and hardware devices specifically configured to store and execute program instructions such as ROM, RAM, flash memory, and the like. Examples of program instructions include, but are not limited to, any of the above devices, as well as a heterogeneous combination of processors, processor architectures or combinations of different hardware and software, Which may be constructed using a structured programming language such as C, an object-oriented programming language such as C ++ or an advanced or low-level programming language (assembly language, hardware description languages and database programming languages and techniques) This includes not only bytecode, but also high-level language code that can be executed by a computer using an interpreter or the like.
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.Thus, in one aspect of the present invention, when the methods and combinations described above are performed by one or more computing devices, combinations of the methods and methods may be implemented as executable code that performs each of the steps. In another aspect, the method may be implemented as systems for performing the steps, and the methods may be distributed in various ways throughout the devices, or all functions may be integrated into one dedicated, stand-alone device, or other hardware. In yet another aspect, the means for performing the steps associated with the processes described above may include any of the hardware and / or software described above. All such sequential combinations and combinations are intended to be within the scope of this disclosure.
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 주고받을 수 있는 통신부를 포함할 수 있다. 덧붙여, 상기 하드웨어 장치는 개발자들에 의하여 작성된 명령어들을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치를 포함할 수 있다.For example, the hardware device may be configured to operate as one or more software modules to perform processing in accordance with the present invention, and vice versa. The hardware device may include a processor, such as an MPU, CPU, GPU, TPU, coupled to a memory, such as ROM / RAM, for storing program instructions and configured to execute instructions stored in the memory, And a communication unit capable of receiving and sending data. In addition, the hardware device may include a keyboard, a mouse, and other external input devices for receiving commands generated by the developers.
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.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is to be understood that the invention is not limited to the disclosed embodiments, but, on the contrary, Those skilled in the art will appreciate that various modifications and changes may be made thereto without departing from the scope of the present invention.
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.Therefore, the spirit of the present invention should not be construed as being limited to the above-described embodiments, and all of the equivalents or equivalents of the claims, as well as the following claims, I will say.
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.Such equally or equivalently modified means include, for example, a logically equivalent method which can produce the same result as the method according to the present invention, Should not be limited by the foregoing examples, but should be understood in the broadest sense permissible by law.
Claims (8)
(a) 컴퓨팅 장치가, 상기 피검체의 뇌 영상을 획득하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 상기 뇌 영상을 획득하도록 지원하는 단계;
(b) 상기 컴퓨팅 장치가, 부호화 모듈을 이용하여, 상기 뇌 영상으로부터 은닉 변수를 추출하거나 상기 타 장치로 하여금 추출하도록 지원하는 단계;
(c) 상기 컴퓨팅 장치가, 매개변수화 모듈을 이용하여, 상기 은닉 변수로부터 잠재 변수를 산출하거나 상기 타 장치로 하여금 산출하도록 지원하는 단계;
(d) 상기 컴퓨팅 장치가, 중간 결과값 산출 모듈을 이용하여, 상기 잠재 변수에 소정의 뇌질환 분류 가중치 벡터를 곱한 중간 결과값을 산출하거나 상기 타 장치로 하여금 산출하도록 지원하는 단계; 및
(e) 상기 컴퓨팅 장치가, 분류 모듈을 이용하여, 상기 중간 결과값에 기초하여 상기 뇌질환의 양성 또는 음성을 분류하거나 상기 타 장치로 하여금 분류하도록 지원하는 단계
를 포함하는 잠재 변수 기반 뇌질환 판정 방법.A method for determining a brain disease of a subject based on latent variables describing the brain structure of the subject,
(a) supporting a computing device to acquire a brain image of the body of the subject or to acquire the brain image by another device associated with the computing device;
(b) the computing device extracting hidden variables from the brain image or extracting the other devices by using an encoding module;
(c) supporting the computing device to calculate a latent variable from the hidden variable or to cause the other device to calculate using the parameterization module;
(d) supporting the computing device to calculate or calculate an intermediate result value obtained by multiplying the latent variable by a predetermined brain disease classification weight vector using an intermediate result value calculating module; And
(e) using the classification module to classify the positive or negative of the brain disease or to classify the other device based on the intermediate result,
/ RTI > wherein the method comprises the steps of:
(f) 상기 컴퓨팅 장치가, 상기 분류의 결과를 외부 엔티티에 제공하거나 상기 타 장치로 하여금 제공하도록 지원하는 단계
를 더 포함하는 잠재 변수 기반 뇌질환 판정 방법.The method according to claim 1,
(f) providing a result of the classification to an external entity or providing the other device with the result of the classification,
The method comprising the steps of:
상기 부호화 모듈은,
상기 (a) 단계 내지 (c) 단계;
(c1) 상기 컴퓨팅 장치가, (i) 상기 잠재 변수의 손실함수인 제1 손실함수를 산출하는 프로세스; 및 (ii) 복호화 모듈을 이용하여, 상기 잠재 변수로부터 상기 뇌 영상을 재구성한 재구성 영상을 생성하고, 상기 재구성 영상과 상기 뇌 영상 간의 비교에 의한 제2 손실함수를 산출하는 프로세스 중 적어도 하나를 수행하거나 상기 타 장치로 하여금 수행하도록 지원하는 단계; 및
(c2) 상기 컴퓨팅 장치가, 상기 제1 손실함수 및 상기 제2 손실함수 중 산출된 적어도 하나를 이용하여, 상기 부호화 모듈의 파라미터를 갱신하거나 상기 타 장치로 하여금 갱신하도록 지원하는 단계
를 수행함으로써 훈련되는 것을 특징으로 하는 잠재 변수 기반 뇌질환 판정 방법.The method according to claim 1,
Wherein the encoding module comprises:
(A) through (c);
(c1) the computing device calculating (i) a first loss function that is a loss function of the latent variable; And (ii) a process of generating a reconstructed image reconstructing the brain image from the latent variable using a decoding module, and calculating a second loss function by comparing the reconstructed image and the brain image Or allowing the other device to perform; And
(c2) the computing device updates the parameter of the encoding module or supports the other device to update using at least one of the first loss function and the second loss function,
Wherein the training is performed by performing the method of claim 1.
상기 매개변수화 모듈은,
상기 은닉 변수의 개수가 자연수 N일 때, N × 2개의 은닉 변수 중 어느 N개 은닉 변수들의 평균값 및 상기 N × 2개의 은닉 변수 중 다른 N개의 은닉 변수들의 분산을 반영한 확률변수의 특성을 가진 매개변수를 이용하여 상기 N × 2개의 은닉 변수로부터 N개의 잠재 변수를 산출하거나 산출하도록 지원하는 것을 특징으로 하는 잠재 변수 기반 뇌질환 판정 방법.The method according to claim 1,
Wherein the parameterization module comprises:
When the number of the hidden variables is a natural number N, a median having characteristics of a random variable reflecting an average value of N hidden variables among N × 2 hidden variables and a dispersion of N hidden variables among the N × 2 hidden variables Wherein the latent variables are used to calculate or calculate N latent variables from the N × 2 latent variables.
상기 소정의 뇌질환 분류 가중치 벡터는,
뇌질환 양성에 해당하는 뇌 영상의 형판(template)을 대표하는 제1 대표 잠재 변수 및 뇌질환 음성에 해당하는 뇌 영상의 형판을 대표하는 제2 대표 잠재 변수에 기초하여 산출되는 것을 특징으로 하는 잠재 변수 기반 뇌질환 판정 방법.The method according to claim 1,
Wherein the predetermined brain disease classification weight vector includes:
The first representative potential variable representing the template of the brain image corresponding to the brain disease positive and the second representative potential variable representing the template of the brain image corresponding to the negative brain disease. Variable - based brain disease determination method.
상기 제1 대표 잠재 변수는 상기 뇌질환 양성에 해당되는 다수 뇌 영상으로부터 획득된 잠재 변수들의 항목별 평균을 계산함으로써 획득되고,
상기 제2 대표 잠재 변수는 상기 뇌질환 음성에 해당되는 상기 다수 뇌 영상으로부터 획득된 잠재 변수들의 항목별 평균을 계산함으로써 획득되는 것을 특징으로 하는 잠재 변수 기반 뇌질환 판정 방법.6. The method of claim 5,
Wherein the first representative latent variable is obtained by calculating an item-wise average of latent variables obtained from a plurality of brain images corresponding to the brain disease positive,
Wherein the second representative latent variable is obtained by calculating an average of items of latent variables obtained from the multiple brain images corresponding to the brain disease voice.
상기 피검체의 뇌 영상을 획득하는 통신부; 및
(i) 상기 뇌 영상으로부터 은닉 변수를 추출하거나 상기 통신부를 통하여 연동되는 타 장치로 하여금 추출하도록 지원하는 부호화 모듈을 구현하는 프로세스, (ii) 상기 은닉 변수로부터 잠재 변수를 산출하거나 상기 타 장치로 하여금 산출하도록 지원하는 매개변수화 모듈을 구현하는 프로세스, (iii) 상기 잠재 변수에 소정의 뇌질환 분류 가중치 벡터를 곱한 중간 결과값을 산출하거나 상기 타 장치로 하여금 산출하도록 지원하는 중간 결과값 산출 모듈을 구현하는 프로세스, 및 (iv) 상기 중간 결과값에 기초하여 상기 뇌질환의 양성 또는 음성을 분류하거나 상기 타 장치로 하여금 분류하도록 지원하는 분류 모듈을 구현하는 프로세스를 수행하는 프로세서
를 포함하는 잠재 변수 기반 뇌질환 판정 장치.An apparatus for determining a brain disease of a subject based on latent variables describing a brain structure of a subject,
A communication unit for acquiring a brain image of the subject; And
(i) extracting a concealment variable from the brain image, or (ii) implementing a coding module that supports extracting the concealed variable from other devices connected through the communication unit, (ii) calculating a latent variable from the concealed variable, (Iii) an intermediate result value calculation module that calculates an intermediate result value obtained by multiplying the potential variable by a predetermined brain disease classification weight vector or supports the other device to calculate the intermediate result value module And (iv) a processor that performs a process of implementing a classification module to classify the positive or negative of the brain disease or to classify the other device based on the intermediate result value
Wherein the at least one of the at least two of the at least two of the at least one of the at least two brain regions is a brain.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180112716A KR101948701B1 (en) | 2018-09-20 | 2018-09-20 | Method for determining brain disorder of subject based on latent variables which describe brain structure thereof and apparatus using the same |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180112716A KR101948701B1 (en) | 2018-09-20 | 2018-09-20 | Method for determining brain disorder of subject based on latent variables which describe brain structure thereof and apparatus using the same |
Publications (1)
Publication Number | Publication Date |
---|---|
KR101948701B1 true KR101948701B1 (en) | 2019-02-15 |
Family
ID=65367551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180112716A KR101948701B1 (en) | 2018-09-20 | 2018-09-20 | Method for determining brain disorder of subject based on latent variables which describe brain structure thereof and apparatus using the same |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR101948701B1 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114664410A (en) * | 2022-03-11 | 2022-06-24 | 北京医准智能科技有限公司 | Video-based focus classification method and device, electronic equipment and medium |
US11481902B2 (en) | 2020-07-14 | 2022-10-25 | Heuron Co., Ltd. | Device and method for detecting cerebral microbleeds using magnetic resonance images |
-
2018
- 2018-09-20 KR KR1020180112716A patent/KR101948701B1/en active IP Right Grant
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11481902B2 (en) | 2020-07-14 | 2022-10-25 | Heuron Co., Ltd. | Device and method for detecting cerebral microbleeds using magnetic resonance images |
CN114664410A (en) * | 2022-03-11 | 2022-06-24 | 北京医准智能科技有限公司 | Video-based focus classification method and device, electronic equipment and medium |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10387765B2 (en) | Image correction using a deep generative machine-learning model | |
KR102125127B1 (en) | Method of brain disorder diagnosis via deep learning | |
KR101898575B1 (en) | Method for predicting future state of progressive lesion and apparatus using the same | |
KR101995383B1 (en) | Method for determining brain disorder based on feature ranking of medical image and apparatus using the same | |
KR101894278B1 (en) | Method for reconstructing a series of slice images and apparatus using the same | |
US20200210767A1 (en) | Method and systems for analyzing medical image data using machine learning | |
KR101957811B1 (en) | Method for computing severity with respect to dementia of subject based on medical image and apparatus using the same | |
KR101919866B1 (en) | Method for aiding determination of presence of bone metastasis from bone scan image and apparatus using the same | |
CN111540025B (en) | Predicting images for image processing | |
CN112702947A (en) | Diagnosis support system and method | |
JP2022550688A (en) | Systems and methods for improving low-dose volume-enhanced MRI | |
KR101919847B1 (en) | Method for detecting automatically same regions of interest between images taken on a subject with temporal interval and apparatus using the same | |
Eslami et al. | Automatic vocal tract landmark localization from midsagittal MRI data | |
CN112767505B (en) | Image processing method, training device, electronic terminal and storage medium | |
Chagas et al. | A new approach for the detection of pneumonia in children using CXR images based on an real-time IoT system | |
KR102067412B1 (en) | Method for evaluating dementia and apparatus using the same | |
WO2021165053A1 (en) | Out-of-distribution detection of input instances to a model | |
KR102330069B1 (en) | Method for determining sex and age of subject from dental image and apparatus using the same | |
KR101948701B1 (en) | Method for determining brain disorder of subject based on latent variables which describe brain structure thereof and apparatus using the same | |
Gheorghiță et al. | Improving robustness of automatic cardiac function quantification from cine magnetic resonance imaging using synthetic image data | |
KR101923962B1 (en) | Method for facilitating medical image view and apparatus using the same | |
SinhaRoy et al. | A Hybrid Deep Learning Framework to Predict Alzheimer’s Disease Progression using generative adversarial networks and deep convolutional neural networks | |
KR102290799B1 (en) | Method for providing tooth leison information and apparatus using the same | |
Poonkodi et al. | 3D-MedTranCSGAN: 3D medical image transformation using CSGAN | |
US20230386032A1 (en) | Lesion Detection and Segmentation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GRNT | Written decision to grant |