KR101981202B1 - 의료영상 재구성 방법 및 그 장치 - Google Patents

의료영상 재구성 방법 및 그 장치 Download PDF

Info

Publication number
KR101981202B1
KR101981202B1 KR1020180159117A KR20180159117A KR101981202B1 KR 101981202 B1 KR101981202 B1 KR 101981202B1 KR 1020180159117 A KR1020180159117 A KR 1020180159117A KR 20180159117 A KR20180159117 A KR 20180159117A KR 101981202 B1 KR101981202 B1 KR 101981202B1
Authority
KR
South Korea
Prior art keywords
image
medical image
dimensional
tissue
divided
Prior art date
Application number
KR1020180159117A
Other languages
English (en)
Inventor
박상준
이두희
윤순호
Original Assignee
메디컬아이피 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 메디컬아이피 주식회사 filed Critical 메디컬아이피 주식회사
Priority to KR1020180159117A priority Critical patent/KR101981202B1/ko
Application granted granted Critical
Publication of KR101981202B1 publication Critical patent/KR101981202B1/ko
Priority to PCT/KR2019/010828 priority patent/WO2020122357A1/ko
Priority to EP19204868.4A priority patent/EP3667609A1/en
Priority to US16/665,711 priority patent/US20200184639A1/en
Priority to JP2019197624A priority patent/JP2020093083A/ja
Priority to CN201911050549.0A priority patent/CN111312369A/zh

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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/0035—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for acquisition of images from more than one imaging mode, e.g. combining MRI and optical tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T3/067—
    • G06T5/60—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G06T2207/10124—Digitally reconstructed radiograph [DRR]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Abstract

의료영상 재구성 방법 및 그 장치가 개시된다. 의료영상재구성장치는 3차원 의료영상을 차원 축소한 적어도 하나 이상의 기본영상을 생성하고, 3차원 의료영상에서 특정 조직에 대한 3차원 영상 또는 3차원 의료영상에서 특정 조직을 제외한 3차원 영상을 차원 축소한 적어도 하나 이상의 분할영상을 생성하고, 기본영상과 분할영상을 포함하는 학습 데이터를 이용하여, 복수의 조직이 동일평면에 중첩 표시된 의료영상에서 적어도 하나 이상의 조직을 구분하는 인공지능모델을 학습시킨다.

Description

의료영상 재구성 방법 및 그 장치{Method and apparatus for reconstructing medical image}
본 발명은 의료영상 재구성 방법 및 그 장치에 관한 것으로, 보다 상세하게는 딥 러닝(deep learning) 등을 통해 학습된 인공지능모델을 이용하여 적어도 하나 이상의 조직이 중첩 표시된 의료영상을 특정 조직에 대한 의료영상으로 재구성하는 방법 및 그 장치에 관한 것이다.
X선 의료영상은 뢴트겐에 의해 1895년 X선이 발견이 이후 의료에 적용되기 시작하여 현재 단일 검사로서 전 세계에서 가장 많이 쓰이는 의료 방사선 검사이며, 인체 다양한 부위를 촬영하여 환자를 평가하는데 사용된다. 환자의 검사부위를 X선 의료영상으로 촬영시 X선 촬영 영역 내에 있는 모든 인체조직에 X선이 투과하며, X선이 투과하는 조직의 구성성분에 따른 X선 입자의 감소량에 따라 밝게 또는 어둡게 나타나는 흑백 영상이 생성된다. 의료 X선 영상 촬영 영역 내에는 피부, 근육, 지방, 뼈 그리고 촬영 부위에 따라 폐, 복강장기, 뇌와 같은 다양한 내부 조직들이 포함되며 장기들마다 X선 투과도가 다르다. X선 의료영상의 촬영시 한 방향으로 고정된 상태로 X선을 조사하며, X선 의료영상에서 보이는 밝기값은 X선 입자의 진행방향에 놓인 다양한 조직들의 X선 투과도의 영향을 모두 합친 하나의 밝기값이다. 따라서 X선 의료영상에서는 특정 조직의 밝기값을 알 수 없으며, 그 결과 특정 조직에 대한 X선 의료영상도 얻을 수 없다.
본 발명의 실시 예가 이루고자 하는 기술적 과제는, X선 의료영상과 같이 다양한 조직을 중첩하여 표시하는 의료영상을 특정 조직에 관한 의료영상 또는 특정 조직이 제거된 의료영상으로 재구성하는 방법 및 그 장치를 제공하는 데 있다.
상기의 기술적 과제를 달성하기 위한, 본 발명의 실시 예에 따른 의료영상 재구성 방법의 일 예는, 3차원 의료영상을 차원 축소한 적어도 하나 이상의 기본영상을 생성하는 단계; 상기 3차원 의료영상에서 분할된 조직에 대한 영역 또는 상기 3차원 의료영상에서 상기 조직을 제외한 영역에 대한 3차원 영상을 차원 축소한 적어도 하나 이상의 분할영상을 생성하는 단계; 및 상기 기본영상과 상기 분할영상을 포함하는 학습 데이터를 이용하여, 복수의 조직이 동일평면에 중첩 표시된 의료영상에서 적어도 하나 이상의 조직을 구분하는 인공지능모델을 학습시키는 단계;를 포함한다.
상기의 기술적 과제를 달성하기 위한, 본 발명의 실시 예에 따른 의료영상 재구성 장치의 일 예는, 3차원 의료영상을 차원 축소한 적어도 하나 이상의 기본영상을 생성하는 기본영상생성부; 상기 3차원 의료영상으로부터 분할한 조직에 대한 영역 또는 상기 3차원 의료영상에서 상기 조직을 제외한 영역의 3차원 영상을 차원 축소한 적어도 하나 이상의 분할영상을 생성하는 분할영상생성부; 및 상기 기본영상과 상기 분할영상을 포함하는 학습 데이터를 이용하여, 복수의 조직이 동일평면에 중첩 표시된 의료영상에서 적어도 하나 이상의 조직을 구분하는 인공지능모델을 학습시키는 학습부;를 포함한다.
본 발명의 실시 예에 따르면, X선 의료영상과 같이 다양한 조직을 중첩하여 표시하는 의료영상을 특정 조직으로 구성된 의료영상으로 재구성하거나, 특정 조직이 제거된 의료영상으로 재구성할 수 있다. 의료영상의 재구성을 딥 러닝 등을 통해 학습시킨 인공지능모델을 통해 자동화할 수 있으며, 또한 인공지능모델의 학습 데이터를 3차원 의료영상의 차원 축소를 통해 정교하게 만들어 인공지능모델의 학습 결과를 향상시킬 수 있다. 또 다른 실시 예에 따르면, 병변에 대한 정보를 인공지능모델에 학습시킨 경우에, X선 의료영상과 같이 한정된 정보를 포함하는 의료영상으로부터 병변을 탐지할 수 있다.
도 1은 본 발명의 실시 예에 따른 의료영상 재구성을 위한 전반적인 과정을 도시한 도면,
도 2는 본 발명의 실시 예에 따른 의료영상재구성장치의 구성의 일 예를 도시한 도면,
도 3은 본 발명의 실시 예에 따른 의료영상재구성장치의 학습데이터생성부의 일 예의 구성을 도시한 도면,
도 4는 본 발명의 실시 예에 따른 3차원 의료영상의 일 예를 도시한 도면,
도 5는 본 발명의 실시 예에 따른 의료영상 차원 축소 방법의 일 예를 도시한 도면,
도 6 및 도 7은 본 발명의 실시 예에 따른 인공지능모델을 적용한 예를 도시한 도면,
도 8은 본 발명의 실시 예에 따라 학습시킨 인공지능모델을 이용하여 재구성한 의료영상의 일 예를 도시한 도면,
도 9는 본 발명의 실시 예에 따른 의료영상 재구성 방법의 일 예를 도시한 도면,
도 10은 본 발명의 실시 예에 따른 인공지능모델을 이용하여 2차원 의료영상을 재구성하는 방법의 일 예를 도시한 도면, 그리고,
도 11은 본 발명의 실시 예에 따른 인공지능모델을 이용하여 의료영상을 재구성한 예를 도시한 도면이다.
이하에서, 첨부된 도면들을 참조하여 본 발명의 실시 예에 따른 의료영상 재구성 방법 및 그 장치에 대해 상세히 살펴본다.
도 1은 본 발명의 실시 예에 따른 의료영상 재구성을 위한 전반적인 과정을 도시한 도면이다.
도 1을 참조하면, 딥 러닝 등을 통해 학습하는 인공지능모델(160)의 학습 데이터(125)는 3차원 의료영상(100)을 차원 축소하여 생성한다. 3차원 의료영상(100)의 일 예로 CT(Computed Tomography) 영상(도 4 참조) 또는 MRI(Magnetic Resonance imaging) 영상이 있다. 본 실시 예의 3차원 의료영상(100)은 CT 영상 또는 MRI 영상에 한정되는 것은 아니며, 다양한 방법으로 만들어진 모든 종류의 3차원 영상을 포함한다.
본 실시 예를 포함한 이하의 실시 예에서, 3차원 의료영상(100)을 차원 축소하여 생성한 의료영상을 기본영상(120)이라고 명명하고, 3차원 의료영상(100)으로부터 적어도 하나 이상의 조직(예를 들어, 근육, 지방, 심장, 혈관 등의 연부 조직, 뼈, 폐, 간 등의 각종 장기, 종양이나 폐 결절 등의 병변 조직 등)을 분할(110)하고, 분할된 조직과 관련된 영상을 차원 축소하여 생성한 의료영상을 분할영상(130)이라고 명명한다. 분할영상(130)은 3차원 의료영상(100)으로부터 분할된 특정 조직에 대한 3차원 영상(예를 들어, 폐 조직만으로 이루어진 3차원 영상)을 차원 축소한 영상이거나, 3차원 의료영상(100)에서 특정 조직(근육, 지방, 심장, 혈관 등의 연부조직 또는 뼈 조직 등)을 제거한 3차원 영상을 차원 축소한 영상일 수 있다. 3차원 영상을 2차원 영상으로 차원 축소하는 방법의 일 예가 도 5에 도시되어 있다.
기본영상(120)과 분할영상(130)은 인공지능모델(160)의 학습(140)에 사용된다. 인공지능모델(160)은 CNN(Convolutional Neural Network), DenseNet, U-net, Goolenet 등 다양한 아키텍처로 구현될 수 있다. 예를 들어, 인공지능모델(160)이 CNN으로 구현되는 경우에, 인공지능모델(160)은 학습 데이터(125)를 이용하여 인공 신경망의 연결 가중치를 조정하는 학습(140) 과정을 수행한다. 본 발명의 실시 예에 따른 인공지능모델(160)의 적용 예가 도 6 및 도 7에 도시되어 있다.
인공지능모델(160) 그 자체에 대해 종래의 다양한 기술이 존재한다. 본 실시 예는 인공지능모델(160) 그 자체에 관한 것이 아니라, 종래의 다양한 아키텍처로 구현된 인공지능모델(160)을 본 실시 예에 따른 의료영상 재구성에 사용할 수 있도록 학습시키는 방법 및 그 장치와, 본 발명의 실시 예에 따라 학습시킨 인공지능모델(160)을 이용하여 의료영상에서 특정 조직을 구분하거나 특정 조직과 관련된 의료영상을 재구성하는 방법 및 그 장치에 관한 것이다.
예를 들어, 의료영상재구성장치는 3차원 의료영상(100)을 2차원으로 차원 축소하여 생성한 기본영상(120)과 분할영상(130)을 학습 데이터(125)로 이용하여 인공지능모델(160)이 기본영상(150)에서 특정 조직(152)을 제거한 예측-분할영상(154)을 출력하도록 학습시킬 수 있다. 예를 들어, CNN으로 구현된 인공지능모델(160)은 예측-분할영상(154)과 학습 데이터(125)의 분할영상(130)을 비교하여 인공 신경망의 연결 가중치 등을 포함하는 각종 파라미터을 조정하는 학습 과정을 수행할 수 있다.
또 다른 예로, 의료영상재구성장치는 본 발명의 실시 에에 따라 학습시킨 인공지능모델(160)을 이용하여 X선 의료영상과 같이 다양한 조직이 중첩 표시된 2차원 의료영상(170)에서 적어도 하나 이상의 조직을 제거하여 특정 조직으로만 이루어진 의료영상(180)을 출력할 수 있다. 예를 들어, 의료영상재구성장치는 흉부 X 선 의료영상(170)에서 근육, 지방, 심장, 혈관 등의 연부조직과 뼈 조직 등을 제거하여 폐 조직으로만 이루어진 의료영상(180)을 재구성할 수 있다. 다른 예로, 의료영상재구성장치는 흉부 X선 의료영상영상(170)에서 연부 조직만으로 이루어진 의료영상을 재구성하거나 뼈 조직만으로 이루어진 의료영상을 재구성할 수 있다. 또 다른 예로, 의료영상재구성장치는 흉부 X 선 의료영상(170)에서 특정 조직의 제거가 아닌 특정 조직의 추출을 통해 폐 조직 등과 같이 적어도 하나 이상의 특정 조직만으로 이루어진 의료영상(180)을 재구성할 수 있다.
이와 같이 의료영상의 재구성은 적어도 하나 이상의 조직을 제거하거나 적어도 하나 이상의 조직을 추출하는 과정을 통해 이루어질 수 있다. 다만, 이하의 실시 예에서는 설명의 편의를 위하여 적어도 하나 이상의 조직을 제거하여 의료영상을 재구성하는 방법 위주로 설명한다.
도 2는 본 발명의 실시 예에 따른 의료영상재구성장치의 구성의 일 예를 도시한 도면이다.
도 2를 참조하면, 의료영상재구성장치(200)는 학습데이터생성부(210), 학습부(220) 및 영상변환부(230)를 포함한다. 의료영상재구성장치는 메모리, 프로세서, 입출력장치 등을 포함하는 장치로 구현되거나, 종래의 일반 컴퓨팅 장치로 로딩될 수 있는 소프트웨어 모듈로 구현될 수 있다.
학습데이터생성부(210)는 인공지능모델을 위한 학습 데이터를 생성한다. X선 의료영상과 같은 2차원 의료영상은 다양한 조직이 중첩되어 표현된다. 다시 말해, 2차원 의료영상에 나타나는 밝기는 X선이 투과하는 경로에 위치한 모든 조직에 의해 영향을 받는다. 예를 들어, 흉부의 X선 의료영상은 폐 조직, 흉곽의 연부 조직뿐만 아니라 뼈 조직을 중첩하여 표시한다.
2차원 의료영상으로부터 특정 조직을 구분하는 인공지능모델을 학습시키기 위해서는 2차원 의료영상에서 특정 조직을 구분한 2차원 의료영상이 학습 데이터로 필요하다. 해부학적 지식을 가진 사용자가 2차원 의료영상에서 특정 조직의 영역을 일일이 구분하여 학습 데이터를 생성할 수 있으나, 인공지능모델의 학습을 위해서는 수 많은 학습 데이터가 필요한데 이를 사용자가 일일이 생성하는 것은 현실적으로 거의 불가능하다. 더구나, 2차원 의료영상으로부터 단순히 밝기 등을 이용하여 각 조직의 영역을 구분할 경우에 조직 구분의 정확도가 떨어지는 문제점이 존재한다.
따라서 본 실시 예에서, 학습데이터생성부(210)는 2차원 의료영상보다 더 많은 정보를 포함하는 3차원 의료영상을 이용하여 학습 데이터를 생성한다. 예를 들어, 학습데이터생성부(210)는 3차원 의료영상에서 특정 조직의 영역을 구분하고, 구분된 특정 조직에 대한 3차원 영상을 2차원으로 차원 축소하여 학습 데이터를 생성할 수 있다. 예를 들어, 인공지능모델이 흉부에 대한 X선 의료영상으로부터 폐 X선 의료영상을 재구성하여 출력하는 모델이라면, 학습데이터생성부(210)는 흉부에 대한 3차원 의료영상으로부터 연부 조직과 뼈 조직을 구분하고, 3차원 의료영상에서 근육. 지방, 심장, 혈관을 포함하는 연부 조직과 뼈 조직을 제외하여 폐 조직만으로 구성된 3차원 영상을 2차원으로 차원 축소하여 학습 데이터를 생성할 수 있다. 또는 학습데이터생성부(210)는 3차원 의료영상에서 폐 조직만을 선택 및 분할하여 추출한 3차원 영상을 2차원으로 차원 축소하여 학습 데이터를 생성할 수 있다. 학습데이터생성부(210)의 구체적인 구성의 일 예가 도 3에 도시되어 있다.
학습부(220)는 학습데이터생성부(210)에 의해 생성된 학습데이터를 이용하여 인공지능모델을 학습시킨다.
영상변환부(230)는 학습된 인공지능모델을 이용하여 X선 의료영상과 같이 다양한 조직이 중첩되어 표시되는 2차원 의료영상에서 특정 조직을 구분하고, 특정 조직으로 구성된 의료영상을 재구성하거나, 2차원 의료영상에서 특정 조직이 제거된 의료영상을 재구성하여 출력한다.
다른 실시 예로, 의료영상재구성장치(200)는 특정 조직을 기준으로 재구성한 의료영상으로부터 병변 정보를 파악하도록 인공지능모델을 학습시킬 수 있다. 이에 대해서는 도 7 및 도 8에서 다시 설명한다.
도 3은 본 발명의 실시 예에 따른 의료영상재구성장치의 학습데이터생성부의 일 예의 구성을 도시한 도면이다.
도 3을 참조하면, 학습데이터생성부(210)는 기본영상생성부(300), 영역분할부(310), 영역보완부(315) 및 분할영상생성부(320)를 포함한다. 본 실시 예의 학습데이터생성부(210)는 별개의 장치로 구현될 수 있다. 예를 들어, 학습데이터생성부(210)는 독립된 소프트웨어 모듈로 구현할 수 있다. 이 경우, 메모리, 프로세서, 입출력장치 등을 포함하는 컴퓨팅 장치는 학습데이터생성부(210)를 구현한 소프트웨어 모듈을 로딩하고 수행하여 학습 데이터를 생성할 수 있다. 실시 예에 따라 영역보완부(315)는 생략될 수 있다.
기본영상생성부(300)는 3차원 의료영상을 차원 축소하여 기본영상을 생성한다. 예를 들어, 기본영상생성부(300)는 3차원 의료영상을 적어도 하나 이상의 방향으로 투영하여 적어도 하나 이상의 2차원 기본영상을 생성할 수 있다. 차원 축소 방법의 일 예가 도 5에 도시되어 있다.
영역분할부(310)는 3차원 의료영상에서 특정 조직의 영역을 구분한다. 영역분할부는 종래의 다양한 영역분할 알고리즘을 이용하여 3차원 의료영상으로부터 특정 조직의 영역을 구분할 수 있다. 예를 들어, 영역분할부(310)는 국내등록특허공보 제10-1482247호 "기도 추출 방법 및 그 장치", 국내등록특허공보 제10-1514003호 "폐엽 추출 방법 및 그 장치", 국내공개특허공보 제10-2018-0098984호 "의료영상의 영역 분리 방법 및 그 장치" 등에 기재된 분할 방법을 이용하여 3차원 의료영상에서 특정 조직의 영역을 분할할 수 있다. 다른 실시 예로, 영역분할부(310)는 사용자가 3차원 의료영상에서 특정 조직의 영역을 분할할 수 있는 각종 툴을 포함하는 사용자 인터페이스를 제공할 수 있다. 또 다른 실시 예로, 외부로부터 3차원 의료영상에 포함된 조직에 대한 분할 정보를 수신하는 경우에, 영역분할부(310)는 생략될 수 있다.
영역보완부(315)는 분할된 특정 조직 영역을 일정한 밝기값(예, 순수한 물의 밝기값(20 Hounsfield unit) 또는 근육의 밝기값 또는 사용자가 지정한 밝기값 등)으로 채울 수 있다.
분할영상생성부(320)는 3차원 의료영상에서 분할된 적어도 하나 이상의 조직에 대한 3차원 영상을 차원 축소하여 분할영상을 생성할 수 있다. 또는 분할영상생성부(320)는 3차원 의료영상에서 적어도 하나 이상의 특정 조직을 제외한 3차원 영상을 차원 축소하여 분할영상을 생성할 수 있다. 분할영상생성부(320)는 특정 조직에 대한 3차원 영상 또는 특정 조직이 제거된 3차원 영상을 적어도 하나 이상의 방향으로 투영하여 적어도 하나 이상의 2차원 분할영상을 생성할 수 있다.
도 4는 본 발명의 실시 예에 따른 3차원 의료영상의 일 예를 도시한 도면이다.
도 4를 참조하면, CT 등의 3차원 의료영상(400)은 일정 간격(d)으로 촬영된 복수 개의 x-y 단면 영상으로 구성될 수 있다. 3차원 의료영상(400)은 밝기를 나타내는 3차원 복셀(voxel)로 구성되며, DICOM(Digital Imaging and Communication in Medicine) 파일로 저장될 수 있다.
도 5는 본 발명의 실시 예에 따른 의료영상 차원 축소 방법의 일 예를 도시한 도면이다.
도 5를 참조하면, 3차원 의료영상은 밝기값을 포함하는 복셀(500,502,504,506,508,510,512,514)로 구성된다. 본 실시 예는 설명의 편의를 위하여 3차원 의료영상에 대한 8개의 복셀만(500,502,504,506,508,510,512,514)을 도시하고 있다.
의료영상재구성장치는 3차원 의료영상을 2차원 의료영상으로 차원 축소하기 위하여 3차원 의료영상을 일정 방향으로 가상평면(520)에 투영한다. 가상평면(520)에 투영된 영상이 2차원 의료영상이 된다. 이때, 의료영상재구성장치는 투영 방향으로 중첩되는 복셀의 밝기값을 평균하여 2차원 의료영상의 밝기값을 생성한다. 즉, X선 의료영상은 X선 투과방향에 위치한 적어도 하나 이상의 조직에 의해 그 밝기값이 좌우되므로, 본 실시 예는 3차원 의료영상으로부터 X선 의료영상과 같이 각 조직에 대한 영향이 반영된 2차원 의료영상을 생성하기 위하여 투영 방향에 대해 중첩되는 복셀들의 밝기값을 평균하여 2차원 의료영상의 각 픽셀의 밝기값을 구한다.
예를 들어, 가상의 촬영방향(즉, 투영 방향)이 X축과 평행하다면, 의료영상재구성장치는 투영 방향으로 중첩되는 제1 복셀(500)과 제2 복셀(502)의 밝기값을 평균하여 가상평면(520)에 투영된 2차원 의료영상의 제1 픽셀(530)의 밝기값을 생성한다. 이와 같은 방법으로, 의료영상재구성장치는 제3,4 복셀(504,506)의 밝기값을 평균하여 제2 픽셀(532)의 밝기값을 생성하고, 제5,6 복셀(508,510)의 밝기값을 평균하여 제3 픽셀(534)의 밝기값을 생성하고, 제7,8 복셀(512,514)의 밝기값을 평균하여 제3 픽셀(536)의 밝기값을 생성할 수 있다. 실시 예에 따라, 의료영상재구성장치는 하나의 3차원 영상에 대해 다양한 투영 방향에 대한 2차원 영상을 생성할 수 있다.
도 6 및 도 7은 본 발명의 실시 예에 따른 인공지능모델을 적용한 예를 도시한 도면이다.
도 6a를 참조하면, 인공지능모델(600)은 2차원의 흉부 의료영상으로부터 폐 의료영상을 출력하는 모델이다. 이를 위해, 의료영상재구성장치(600)는 흉부에 대한 3차원 의료영상을 2차원으로 차원 축소한 기본영상(610)을 생성하고, 또한 3차원 의료영상에서 근육, 지방, 심장, 혈관을 포함하는 연부 조직과 뼈 조직을 제거하여 폐 조직으로 구성된 의료영상을 차원 축소한 분할영상(620)을 생성한 후 이를 인공지능모델(600)의 학습데이터로 입력한다. 인공지능모델(600)은 기본영상(610)으로부터 연부 조직과 뼈 조직을 제거한 예측-분할영상(630)을 생성하고, 입력받은 분할영상(620)과 예측-분할영상(630)을 비교하여 각종 파라미터를 조정하는 학습과정을 수행한다.
다른 예로, 도 6b를 참조하면, 의료영상재구성장치(600)는 흉부에 대한 3차원 의료영상을 2차원으로 차원 축소한 기본영상(640)을 생성하고, 3차원 의료영상에서 폐 조직만을 분할하여 추출하고 이를 차원 축소하여 분할영상(650)을 생성하여 학습 데이터로 이용할 수 있다. 이 경우에, 인공지능모델(600)은 기본영상(610)으로부터 폐 조직만을 추출한 예측-분할영상(660)을 생성할 수 있다.
이렇게 학습된 인공지능모델(600)은 흉부에 대한 X선 의료영상을 수신하면, X선 의료영상에서 근육, 지방, 심장, 혈관을 포함하는 연부 조직들과 뼈 조직을 제거한 폐 조직만으로 이루어진 의료영상을 재구성하여 출력한다. X선 의료영상은 2차원 픽셀로 구성된 의료영상이므로, 단순히 해당 연부 조직들과 뼈 조직 부분의 픽셀을 제거하면, 연부 조직들과 뼈가 위치한 부분의 폐 조직의 정보도 함께 제거되는 문제점이 존재한다. 그러나 본 실시 예는 3차원 의료영상에서 근육, 지방, 심장, 혈관을 포함하는 연부 조직들과 뼈 조직을 제거한 후 폐 조직으로만 구성된 3차원 영상을 차원 축소한 분할영상을 이용하여 인공지능모델(600)을 학습시키므로, 인공지능모델(600)은 X선 의료영상에서 근육, 지방, 심장, 혈관을 포함하는 연부 조직들과 뼈 조직의 영역을 파악한 후 파악된 영역의 밝기값에서 연부 조직들과 뼈 조직에 의한 밝기값의 영향만을 제거하여 연부 조직들과 뼈 조직이 제거된 폐 조직으로만 이루어진 의료영상을 출력할 수 있다.
도 7을 참조하면, 인공지능모델(700)은 2차원의 흉부 의료영상으로부터 연부 조직들과 뼈 조직을 제거한 의료영상을 출력할 뿐만 아니라 연부 조직들과 뼈 조직이 제거된 폐 의료영상에서 폐 내부에 위치한 결절 의심 영역을 찾고 결절 의심 확률값을 출력하는 모델이다.
이러한 인공지능모델(700)의 학습을 위하여, 의료영상재구성장치는 도 6과 같이 폐에 대한 3차원 의료영상을 2차원으로 차원 축소한 기본영상(710)을 생성하고, 3차원 의료영상에서 근육, 지방, 심장, 혈관을 포함하는 연부 조직들과 뼈 조직을 제거한 폐 조직으로만 이루어진 의료영상을 차원 축소한 분할영상(720)을 생성한다. 또한 의료영상재구성장치는 3차원 의료영상을 통해 파악된 폐 내부의 결절 부위를 나타내는 분할영상 내 마스크(mask) 정보(730)를 생성한다. 결절 부위를 나타내는 마스크 정보(730)는 분할영상에 표현되는 결절 부위의 모양이나 크기, 히스토그램 또는 텍스처 등 다양한 특징(feature) 정보를 포함할 수 있다. 이러한 병변 영역은 3차원 의료영상에서 사용자에 의해 지정되거나, 종래의 다양한 검출 알고리즘을 통해 자동으로 검출된 후 그 병변 영역에 대한 각종 특징 정보가 추출될 수 있다.
의료영상재구성장치는 기본영상(710), 분할영상(720), 마스크 정보(730)를 인공지능모델(700)의 학습데이터로 입력한다. 인공지능모델(700)은 기본영상(710)으로부터 근육, 지방, 심장, 혈관을 포함하는 연부 조직과 뼈 조직을 제거한 폐 조직으로만 이루어진 예측-분할영상(740)과 폐 내부의 결절 의심 마스크 및 확률(750)을 생성하고, 예측한 값(740,750)을 학습데이터의 분할영상(720) 및 결절 마스크 정보(730)와 비교하여 파라미터를 조정하는 학습과정을 수행한다.
학습된 인공지능모델(700)은 흉부에 대한 X선 의료영상을 수신하면, X선 의료영상에서 다양한 연부 조직들과 뼈 조직이 제거된 폐 조직으로만 이루어진 의료영상을 재구성하여 출력하며, 또한 재구성된 의료영상에서 폐 결절 의심 영역을 추출하고 폐 결절 확률을 출력할 수 있다.
도 8은 본 발명의 실시 예에 따라 학습시킨 인공지능모델을 이용하여 재구성한 의료영상의 일 예를 도시한 도면이다.
도 8을 참조하면, 인공지능모델은 흉부에 대한 X선 의료영상(800)을 입력받으면, X선 의료영상(800)에서 다양한 연부 조직들과 뼈 조직을 제거한 의료영상(810)을 생성한다. 인공지능모델은 다양한 연부 조직들과 뼈 조직을 제거한 폐 조직으로만 이루어진 의료영상(810)에서 폐 결절 의심 영역(830)을 파악하고 결절 의심 확률을 출력한다.
도 9는 본 발명의 실시 예에 따른 의료영상 재구성 방법의 일 예를 도시한 도면이다.
도 9를 참조하면, 의료영상재구성장치(이하, 장치)는 3차원 의료영상을 차원 축소한 기본영상을 생성한다(S900). 장치는 3차원 의료영상으로부터 적어도 하나 이상의 조직을 분할한다(S910). 3차원 의료영상에서 특정 조직의 분할(S910)은 자동화된 알고리즘을 통해 수행되거나, 사용자의 수작업에 의해 분할될 수 있다. 또한 필요한 경우 3차원 의료영상에서 분할된 조직 영역을 특정 밝기값으로 일정하게 채울 수 있다(S915). 그리고 장치는 분할된 조직에 대한 3차원 영상을 차원 축소하여 분할영상을 생성하거나, 3차원 의료영상에서 특정 조직이 제거된 3차원 영상을 차원 축소하여 분할영상을 생성한다(S920). 장치는 기본영상 및 분할영상을 학습데이터로 이용하여 복수의 조직이 동일평면에 중첩 표시된 의료영상에서 적어도 하나 이상의 조직을 구분하는 인공지능모델을 학습시킨다(S930).
다른 실시 예로, 장치는 병번 조직에 대한 히스토그램이나 텍스처를 포함하는 분석값을 학습 데이터로 함께 활용하여 인공지능모델을 학습시킬 수 있다. 예를 들어, 도 7과 같은 인공지능모델을 학습시켜 X선 의료영상으로부터 폐 결절을 자동 판독할 수 있다.
도 10은 본 발명의 실시 예에 따른 인공지능모델을 이용하여 2차원 의료영상을 재구성하는 방법의 일 예를 도시한 도면이다.
도 10을 참조하면, 의료영상재구성장치는 도 9에 도시된 방법을 통해 인공지능모델을 학습시킨다(S1000). 의료영상재구성장치는 X선 의료영상과 같은 2차원 의료영상이 입력되면(S1010), 학습된 인공지능모델을 이용하여 2차원 의료영상으로부터 특정 조직을 구분하고(S1020), 구분된 특정 조직만으로 구성된 2차원 의료영상을 재구성하거나 구분된 특정 조직이 제거된 2차원 의료영상을 재구성하여 출력한다(S1030).
도 11은 본 발명의 실시 예에 따른 인공지능모델을 이용하여 의료영상을 재구성한 예를 도시한 도면이다.
도 11을 참조하면, 의료영상재구성장치는 흉부 CT 영상(1100)을 차원 축소한 기본영상(1110)을 인공지능모델의 학습 데이터로 생성한다. 또한 의료영상재구성장치는 인공지능모델을 어떤 조직에 관한 의료영상의 재구성에 활용할지에 따라 3차원 흉부 CT 영상(1100)에서 특정 조직을 분할(1120,1122,1124,1126,1128)하고 차원 축소한 분할영상을 학습 데이터로 생성한다.
예를 들어, 인공지능모델이 흉부 X선 의료영상으로부터 근육, 지방, 심장, 혈관 등의 연부 조직으로만 이루어진 의료영상(1130)을 재구성하는 모델이라면, 학습 데이터의 분할영상은 흉부 CT 영상(1100)에서 연부 조직을 분할(1120)하고 이를 차원 축소한 영상이다. 다른 예로, 인공지능모델이 흉부 X선 의료영상으로부터 뼈 조직으로만 이루어진 의료영상(1132)을 재구성하는 모델이라면, 분할영상은 뼈 조직을 분할(1122)한 3차원 의료영상을 차원 축소한 영상이다. 또 다른 예로, 인공지능모델은 폐 조직으로만 이루어진 의료영상(1134)을 재구성하는 모델, 폐 조직과 종양을 포함하는 의료영상(1136)을 재구성하는 모델 또는 폐 결절만으로 이루어진 의료영상(1138)을 재구성하는 모델일 수 있으며, 각각의 경우에 따라 분할영상은 폐 조직을 분할(1124), 폐 조직과 종양을 분할(1126) 또는 종양만을 분할(1128)한 3차원 영상을 차원 축소한 영상일 수 있다.
이와 같이, 본 실시 예의 의료영상재구성장치는 X선 의료영상으로부터 연부 조직, 뼈 조직, 폐 조직 등 적어도 하나 이상의 조직으로만 이루어진 의료영상을 재구성할 수 있다.
본 발명은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 프로그램 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광데이터 저장장치 등이 있다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

Claims (13)

  1. 의료영상 재구성 장치가 수행하는 의료영상 재구성 방법에 있어서,
    복수의 조직을 포함하는 3차원 의료영상을 차원 축소한 적어도 하나 이상의 기본영상을 생성하는 단계;
    상기 3차원 의료영상에서 분할된 조직에 대한 영역 또는 상기 3차원 의료영상에서 상기 조직을 제외한 영역에 대한 3차원 영상을 차원 축소한 적어도 하나 이상의 분할영상을 생성하는 단계; 및
    상기 기본영상과 상기 분할영상을 포함하는 학습 데이터를 이용하여, 복수의 조직이 동일평면에 중첩 표시된 2차원 의료영상에서 적어도 하나 이상의 조직을 구분하는 인공지능모델을 학습시키는 단계;를 포함하고,
    상기 분할영상을 생성하는 단계는, 적어도 하나 이상의 영역분할 알고리즘을 이용하여 상기 3차원 의료영상에서 적어도 하나 이상의 조직에 대한 영역 또는 조직을 제외한 영역을 구분하는 단계를 포함하고,
    상기 기본영상은 복수의 조직이 동일 평면에 중첩 표시된 영상인 것을 특징으로 하는 의료영상 재구성 방법.
  2. 제 1항에 있어서,
    2차원 의료영상을 입력받는 단계; 및
    상기 인공지능모델을 통해 상기 2차원 의료영상에서 특정 조직을 구분하고, 상기 특정 조직으로 구성된 의료영상 또는 특정 조직이 제거된 의료영상을 생성하는 단계;를 더 포함하는 것을 특징으로 하는 의료영상 재구성 방법.
  3. 제 2항에 있어서,
    상기 3차원 의료영상은 CT 또는 MRI 영상이고,
    상기 2차원 의료영상은 X선 의료영상인 것을 특징으로 하는 의료영상 재구성 방법.
  4. 제 1항에 있어서,
    상기 기본영상을 생성하는 단계는, 상기 3차원 의료영상을 적어도 하나 이상의 방향으로 투영하여 적어도 하나 이상의 2차원 기본영상을 생성하는 단계를 포함하고,
    상기 분할영상을 생성하는 단계는, 상기 영역의 3차원 영상 또는 상기 영역을 제외한 3차원 영상을 적어도 하나 이상의 방향으로 투영하여 적어도 하나 이상의 2차원 분할영상을 생성하는 단계를 포함하는 것을 특징으로 하는 의료영상 재구성 방법.
  5. 제 1항에 있어서, 상기 인공지능모델을 학습시키는 단계는,
    병변 조직에 대한 히스토그램이나 텍스처를 포함하는 분석값을 더 포함하는 학습 데이터를 이용하여 상기 인공지능모델을 학습시키는 단계를 포함하는 것을 특징으로 하는 의료영상 재구성 방법.
  6. 제 1항에 있어서,
    상기 3차원 의료영상에서 분할된 조직에 대한 영역을 일정한 밝기값으로 채우는 단계;를 더 포함하는 것을 특징으로 하는 의료영상 재구성 방법.
  7. 복수의 조직을 포함하는 3차원 의료영상을 차원 축소한 적어도 하나 이상의 기본영상을 생성하는 기본영상생성부;
    적어도 하나 이상의 영역분할 알고리즘을 이용하여 상기 3차원 의료영상에서 적어도 하나 이상의 조직에 대한 영역 또는 조직을 제외한 영역을 구분하는 영역분할부;
    상기 3차원 의료영상으로부터 분할한 조직에 대한 영역 또는 상기 3차원 의료영상에서 상기 조직을 제외한 영역의 3차원 영상을 차원 축소한 적어도 하나 이상의 분할영상을 생성하는 분할영상생성부; 및
    상기 기본영상과 상기 분할영상을 포함하는 학습 데이터를 이용하여, 복수의 조직이 동일평면에 중첩 표시된 2차원 의료영상에서 적어도 하나 이상의 조직을 구분하는 인공지능모델을 학습시키는 학습부;를 포함하고,
    상기 기본영상은 복수의 조직이 동일 평면에 중첩 표시된 영상인 것을 특징으로 하는 의료영상 재구성 장치.
  8. 삭제
  9. 제 7항에 있어서,
    상기 인공지능모델을 통해 2차원 의료영상에서 특정 조직을 구분하고, 상기 특정 조직으로 구성된 의료영상 또는 특정 조직이 제거된 의료영상을 생성하는 영상변환부;를 더 포함하는 것을 특징으로 하는 의료영상 재구성 장치.
  10. 제 7항에 있어서,
    상기 기본영상생성부는, 상기 3차원 의료영상을 적어도 하나 이상의 방향으로 투영하여 적어도 하나 이상의 2차원 기본영상을 생성하고,
    상기 분할영상생성부는, 상기 영역의 3차원 영상 또는 상기 영역을 제외한 3차원 영상을 적어도 하나 이상의 방향으로 투영하여 적어도 하나 이상의 2차원 분할영상을 생성하는 것을 특징으로 하는 의료영상 재구성 장치.
  11. 제 7항에 있어서, 상기 학습부는,
    병변 조직에 대한 히스토그램이나 텍스처를 포함하는 분석값을 더 포함하는 학습 데이터를 이용하여 상기 인공지능모델을 학습시키는 것을 특징으로 하는 의료영상 재구성 장치.
  12. 제 7항에 있어서,
    상기 3차원 의료영상에서 분할된 조직에 대한 영역을 일정한 밝기값으로 채우는 영역보완부;를 더 포함하는 것을 특징으로 하는 의료영상 재구성 장치.
  13. 제 1항 내지 제 6항 중 어느 한 항에 기재된 방법을 수행하기 위한 프로그램 코드를 기록한 컴퓨터로 읽을 수 있는 기록매체.
KR1020180159117A 2018-12-11 2018-12-11 의료영상 재구성 방법 및 그 장치 KR101981202B1 (ko)

Priority Applications (6)

Application Number Priority Date Filing Date Title
KR1020180159117A KR101981202B1 (ko) 2018-12-11 2018-12-11 의료영상 재구성 방법 및 그 장치
PCT/KR2019/010828 WO2020122357A1 (ko) 2018-12-11 2019-08-26 의료영상 재구성 방법 및 그 장치
EP19204868.4A EP3667609A1 (en) 2018-12-11 2019-10-23 Method and apparatus for reconstructing medical image
US16/665,711 US20200184639A1 (en) 2018-12-11 2019-10-28 Method and apparatus for reconstructing medical images
JP2019197624A JP2020093083A (ja) 2018-12-11 2019-10-30 医療映像再構成方法及びその装置
CN201911050549.0A CN111312369A (zh) 2018-12-11 2019-10-31 医疗图像重建方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180159117A KR101981202B1 (ko) 2018-12-11 2018-12-11 의료영상 재구성 방법 및 그 장치

Publications (1)

Publication Number Publication Date
KR101981202B1 true KR101981202B1 (ko) 2019-05-22

Family

ID=66680688

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180159117A KR101981202B1 (ko) 2018-12-11 2018-12-11 의료영상 재구성 방법 및 그 장치

Country Status (6)

Country Link
US (1) US20200184639A1 (ko)
EP (1) EP3667609A1 (ko)
JP (1) JP2020093083A (ko)
KR (1) KR101981202B1 (ko)
CN (1) CN111312369A (ko)
WO (1) WO2020122357A1 (ko)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102095730B1 (ko) * 2019-06-20 2020-04-02 주식회사 딥노이드 딥러닝 기반의 대장 병변 검출 방법
CN111462270A (zh) * 2020-04-07 2020-07-28 广州柏视医疗科技有限公司 一种基于新型冠状病毒肺炎ct检测的重建系统及方法
KR20210069250A (ko) * 2019-12-03 2021-06-11 서울여자대학교 산학협력단 의료 영상에서 듀얼 윈도우 설정에 기반한 딥러닝을 이용한 종양 자동 분할 방법
KR20210073909A (ko) * 2019-12-11 2021-06-21 울산대학교 산학협력단 의료영상 처리 장치와 그 학습 방법
WO2021132856A1 (ko) * 2019-12-23 2021-07-01 주식회사 메가젠임플란트 인공지능 기반 자동 구강 ct 색상변환장치 및 그 장치의 구동방법
KR102321427B1 (ko) * 2021-01-20 2021-11-04 메디컬아이피 주식회사 의료영상을 이용한 인체성분 분석 방법 및 그 장치
KR102328229B1 (ko) * 2021-04-16 2021-11-19 주식회사 휴런 인공지능 기반의 3차원 의료 영상을 이용한 종양 검출 및 진단 방법
WO2022010075A1 (ko) * 2020-07-06 2022-01-13 메디컬아이피 주식회사 의료영상을 기초로 인체 조직을 분석하는 방법 및 그 장치
WO2022139246A1 (ko) * 2020-12-22 2022-06-30 가천대학교 산학협력단 골절 검출 방법 및 이를 이용한 디바이스
WO2022154334A1 (ko) * 2021-01-15 2022-07-21 고려대학교 산학협력단 딥러닝 기반 자동 대흉근 측정 장치 및 그 방법을 실행하기 위한 프로그램이 기록된 기록매체
WO2022186594A1 (ko) * 2021-03-04 2022-09-09 주식회사 뷰노 의료 영상 기반의 병변 분석 방법
KR20230006718A (ko) * 2021-07-02 2023-01-11 순천향대학교 산학협력단 컴퓨터 단층촬영 영상 재구성 방법 및 장치
KR102525396B1 (ko) * 2022-02-25 2023-04-27 주식회사 피맥스 의료 영상 분석 방법 및 장치
JP7313192B2 (ja) 2019-05-27 2023-07-24 キヤノンメディカルシステムズ株式会社 診断支援装置、及び、ｘ線ｃｔ装置
KR102569573B1 (ko) * 2022-11-28 2023-08-24 메디컬아이피 주식회사 폐 용적 검사 방법 및 그 장치

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6782433B2 (ja) * 2017-03-22 2020-11-11 パナソニックＩｐマネジメント株式会社 画像認識装置
US11160521B2 (en) * 2019-12-20 2021-11-02 Hdt Co., Ltd. Method for 3D image reconstruction
CN113380381A (zh) * 2021-07-13 2021-09-10 深圳市中科微光医疗器械技术有限公司 获取医学诊断信息的方法、装置、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180040287A (ko) * 2016-10-12 2018-04-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
JP2018139693A (ja) * 2017-02-27 2018-09-13 富士フイルム株式会社 画像分類装置、方法およびプログラム

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR0159117B1 (ko) 1992-10-22 1999-01-15 윤종용 마그네트론의 취부를 위한 수나사제조방법
US6898303B2 (en) * 2000-01-18 2005-05-24 Arch Development Corporation Method, system and computer readable medium for the two-dimensional and three-dimensional detection of lesions in computed tomography scans
JP4021179B2 (ja) * 2000-11-29 2007-12-12 富士通株式会社 診断支援プログラム、診断支援プログラムを記録したコンピュータ読取可能な記録媒体、診断支援装置及び診断支援方法
AU2003216295A1 (en) * 2002-02-15 2003-09-09 The Regents Of The University Of Michigan Lung nodule detection and classification
JP2005020338A (ja) * 2003-06-26 2005-01-20 Fuji Photo Film Co Ltd 異常陰影検出方法および装置並びにプログラム
CN1907225B (zh) * 2005-08-05 2011-02-02 Ge医疗系统环球技术有限公司 用于脑内出血损伤分割的方法和设备
JP5196801B2 (ja) * 2007-02-20 2013-05-15 株式会社東芝 デジタル断層撮影の結像処理装置
JP5417609B2 (ja) * 2008-03-04 2014-02-19 株式会社日立メディコ 医用画像診断装置
JP5556413B2 (ja) * 2010-06-18 2014-07-23 コニカミノルタ株式会社 動態画像処理装置及びプログラム
KR101178398B1 (ko) * 2011-01-06 2012-08-30 건국대학교 산학협력단 의료 영상 분할 처리 장치와 방법 및 컴퓨터 프로그램이 기록된 기록매체
KR101482247B1 (ko) 2013-08-01 2015-01-14 서울대학교산학협력단 기도 추출 방법 및 그 장치
KR101514003B1 (ko) 2013-10-17 2015-04-24 서울대학교산학협력단 폐엽 추출 방법 및 그 장치
JP6188147B2 (ja) * 2013-10-15 2017-08-30 国立大学法人広島大学 認識システム
US9965863B2 (en) * 2016-08-26 2018-05-08 Elekta, Inc. System and methods for image segmentation using convolutional neural network
CN106558045B (zh) * 2016-10-20 2019-07-19 上海联影医疗科技有限公司 一种肺组织分割方法、装置，医学图像处理系统
KR101930905B1 (ko) 2017-02-28 2018-12-19 메디컬아이피 주식회사 의료영상의 영역 분리 방법 및 그 장치
JP6906347B2 (ja) * 2017-04-10 2021-07-21 富士フイルム株式会社 医用画像分類装置、方法およびプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180040287A (ko) * 2016-10-12 2018-04-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
JP2018139693A (ja) * 2017-02-27 2018-09-13 富士フイルム株式会社 画像分類装置、方法およびプログラム

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11941812B2 (en) 2019-05-27 2024-03-26 Canon Medical Systems Corporation Diagnosis support apparatus and X-ray CT apparatus
JP7313192B2 (ja) 2019-05-27 2023-07-24 キヤノンメディカルシステムズ株式会社 診断支援装置、及び、ｘ線ｃｔ装置
KR102095730B1 (ko) * 2019-06-20 2020-04-02 주식회사 딥노이드 딥러닝 기반의 대장 병변 검출 방법
KR102332472B1 (ko) 2019-12-03 2021-11-30 서울여자대학교 산학협력단 의료 영상에서 듀얼 윈도우 설정에 기반한 딥러닝을 이용한 종양 자동 분할 방법
KR20210069250A (ko) * 2019-12-03 2021-06-11 서울여자대학교 산학협력단 의료 영상에서 듀얼 윈도우 설정에 기반한 딥러닝을 이용한 종양 자동 분할 방법
KR20210073909A (ko) * 2019-12-11 2021-06-21 울산대학교 산학협력단 의료영상 처리 장치와 그 학습 방법
KR102323444B1 (ko) 2019-12-11 2021-11-09 울산대학교 산학협력단 의료영상 처리 장치와 그 학습 방법
US20220183645A1 (en) * 2019-12-23 2022-06-16 Megagen Implant Co., Ltd. Artificial intelligence-based oral ct automatic color conversion device and method for driving same
WO2021132856A1 (ko) * 2019-12-23 2021-07-01 주식회사 메가젠임플란트 인공지능 기반 자동 구강 ct 색상변환장치 및 그 장치의 구동방법
CN111462270A (zh) * 2020-04-07 2020-07-28 广州柏视医疗科技有限公司 一种基于新型冠状病毒肺炎ct检测的重建系统及方法
WO2022010075A1 (ko) * 2020-07-06 2022-01-13 메디컬아이피 주식회사 의료영상을 기초로 인체 조직을 분석하는 방법 및 그 장치
KR20220005326A (ko) * 2020-07-06 2022-01-13 메디컬아이피 주식회사 의료영상을 기초로 인체 조직을 분석하는 방법 및 그 장치
KR102387928B1 (ko) * 2020-07-06 2022-04-19 메디컬아이피 주식회사 의료영상을 기초로 인체 조직을 분석하는 방법 및 그 장치
WO2022139246A1 (ko) * 2020-12-22 2022-06-30 가천대학교 산학협력단 골절 검출 방법 및 이를 이용한 디바이스
WO2022154334A1 (ko) * 2021-01-15 2022-07-21 고려대학교 산학협력단 딥러닝 기반 자동 대흉근 측정 장치 및 그 방법을 실행하기 위한 프로그램이 기록된 기록매체
KR102321427B1 (ko) * 2021-01-20 2021-11-04 메디컬아이피 주식회사 의료영상을 이용한 인체성분 분석 방법 및 그 장치
WO2022158654A1 (ko) * 2021-01-20 2022-07-28 메디컬아이피 주식회사 의료영상을 이용한 인체성분 분석 방법 및 그 장치
US20230368373A1 (en) * 2021-01-20 2023-11-16 Medicalip Co., Ltd. Method and apparatus for analyzing body composition using medical image
WO2022186594A1 (ko) * 2021-03-04 2022-09-09 주식회사 뷰노 의료 영상 기반의 병변 분석 방법
KR102328229B1 (ko) * 2021-04-16 2021-11-19 주식회사 휴런 인공지능 기반의 3차원 의료 영상을 이용한 종양 검출 및 진단 방법
KR20230006718A (ko) * 2021-07-02 2023-01-11 순천향대학교 산학협력단 컴퓨터 단층촬영 영상 재구성 방법 및 장치
KR102608783B1 (ko) * 2021-07-02 2023-12-04 순천향대학교 산학협력단 컴퓨터 단층촬영 영상 재구성 방법 및 장치
KR102525396B1 (ko) * 2022-02-25 2023-04-27 주식회사 피맥스 의료 영상 분석 방법 및 장치
KR102569573B1 (ko) * 2022-11-28 2023-08-24 메디컬아이피 주식회사 폐 용적 검사 방법 및 그 장치

Also Published As

Publication number Publication date
JP2020093083A (ja) 2020-06-18
EP3667609A1 (en) 2020-06-17
CN111312369A (zh) 2020-06-19
US20200184639A1 (en) 2020-06-11
WO2020122357A1 (ko) 2020-06-18

Similar Documents

Publication Publication Date Title
KR101981202B1 (ko) 의료영상 재구성 방법 및 그 장치
EP3525171B1 (en) Method and system for 3d reconstruction of x-ray ct volume and segmentation mask from a few x-ray radiographs
US7899231B2 (en) System and method for splicing medical image datasets
US11080895B2 (en) Generating simulated body parts for images
US10580181B2 (en) Method and system for generating color medical image based on combined color table
US9269165B2 (en) Rib enhancement in radiographic images
CN111540025A (zh) 预测用于图像处理的图像
KR20190113089A (ko) 근감소증 분석지원을 위한 인공 신경망 기반의 인체 형태 분석법을 채용하는 영상 처리 장치 및 이를 이용한 영상 처리 방법
CN110910342B (zh) 通过使用深度学习来分析骨骼创伤
KR102387928B1 (ko) 의료영상을 기초로 인체 조직을 분석하는 방법 및 그 장치
JP7457011B2 (ja) 異常検出方法、異常検出プログラム、異常検出装置、サーバ装置及び情報処理方法
US20230260123A1 (en) Medical image processing method for processing pediatric simple x-ray image using machine learning model and medical image processing apparatus therefor
Miao et al. Spinal neoplasm image inpainting with deep convolutional neutral networks
EP4336452A1 (en) Computer-implemented method for processing spectral computed tomography (spectral ct) data, computer program and spectral ct system
US20230326011A1 (en) Image processing method and apparatus
US20220398752A1 (en) Medical image registration method and apparatus
JP5846368B2 (ja) 医療画像処理装置、方法、及びプログラム
EP4145463A1 (en) Method for providing medical imaging decision support data and method for providing ground truth in 2d image space
WO2023020609A1 (en) Systems and methods for medical imaging
EP4300427A1 (en) Standardizing images of anatomical structures for analysis by machine learning systems
Abdo et al. Teeth and Jaw Segmentation from CBCT images Using 3D Deep Learning Models
Galeano et al. Alternative Tool for the Diagnosis of Diseases Through Virtual Reality
Galeano et al. 3D reconstruction of organ from CT images and visualization in a virtual reality environment
Javale et al. Reconstruction of Greyscale X-Ray for Boundary Analysis of Anatomical Structure
Padmapriya et al. 3D Modeling of 2D Computed Tomographic Projections

Legal Events

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