KR102009233B1 - Apparatus for predicting liver fibrosis using ct image analysis and method thereof - Google Patents

Apparatus for predicting liver fibrosis using ct image analysis and method thereof Download PDF

Info

Publication number
KR102009233B1
KR102009233B1 KR1020180149164A KR20180149164A KR102009233B1 KR 102009233 B1 KR102009233 B1 KR 102009233B1 KR 1020180149164 A KR1020180149164 A KR 1020180149164A KR 20180149164 A KR20180149164 A KR 20180149164A KR 102009233 B1 KR102009233 B1 KR 102009233B1
Authority
KR
South Korea
Prior art keywords
degree
liver
analysis
liver fibrosis
layer
Prior art date
Application number
KR1020180149164A
Other languages
Korean (ko)
Inventor
조효정
김보현
고정길
최재원
Original Assignee
아주대학교산학협력단
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 아주대학교산학협력단 filed Critical 아주대학교산학협력단
Priority to KR1020180149164A priority Critical patent/KR102009233B1/en
Application granted granted Critical
Publication of KR102009233B1 publication Critical patent/KR102009233B1/en
Priority to PCT/KR2019/012900 priority patent/WO2020111493A1/en

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
    • 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]
    • 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
    • A61B6/50—Clinical applications
    • 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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data

Abstract

The present invention relates to a liver fibrosis prediction device using CT image analysis and a method thereof. According to the present invention, the liver fibrosis prediction method using CT image analysis includes: a first step of allowing the liver fibrosis prediction device to receive an input of a liver CT image of an analysis subject from a user; a second step of receiving an input of an interest area of a layer selected from the user among a plurality of layers of the liver CT image; a third step of analyzing the degree of irregularities by calculating coordinate average values of lines on a liver surface included in the interest area, and more specifically, analyzing the degree of irregularities of the corresponding layer while expanding the interest area in a horizontal direction by using principal component analysis (PCA); a fourth step of analyzing the degree of irregularities of the corresponding layer in the same method as the third step for the interest area of the corresponding layer by moving to the next layer of the selected layer when the analysis area deviates from a preset area; a fifth step of calculating each of the average and standard deviation of analysis result values about the degree of irregularities of each layer when analysis of all layers is completed; and a sixth step of predicting the degree of liver fibrosis from the calculated value and outputting the predicted result. The present invention like the above is able to make accurate judgement by quantifying the degree of irregularities on the surface of liver and predicting the degree of liver fibrosis.

Description

CT 영상 분석을 이용한 간 섬유화 예측 장치 및 그 방법{APPARATUS FOR PREDICTING LIVER FIBROSIS USING CT IMAGE ANALYSIS AND METHOD THEREOF}Apparatus and method for predicting liver fibrosis using CT image analysis {APPARATUS FOR PREDICTING LIVER FIBROSIS USING CT IMAGE ANALYSIS AND METHOD THEREOF}

본 발명은 CT 영상 분석을 이용한 간 섬유화 예측 장치 및 그 방법에 관한 것으로서, 더욱 상세하게는 복부 CT를 분석하고 간 표면의 요철 정도를 정량화하여 간 섬유화 정도를 예측하는 CT 영상 분석을 이용한 간 섬유화 예측 장치 및 그 방법에 관한 것이다.The present invention relates to a device for predicting liver fibrosis using CT image analysis, and more particularly, to predicting liver fibrosis using CT image analysis for predicting liver fibrosis by analyzing abdominal CT and quantifying the degree of irregularities of the liver surface. An apparatus and a method thereof are provided.

간 질환은 간염에서 간경변을 거쳐서 간암까지 발전할 수 있는 연속적인 질환이다. 경변이 심하게 진행된 간은 회복이 어려우므로, 사전에 발병 여부 또는 경변화의 정도를 측정하여 악화를 예방하는 것이 매우 중요하다.Liver disease is a continuous disease that can progress from hepatitis to cirrhosis to liver cancer. Liver with severe cirrhosis is difficult to recover, so it is very important to prevent the deterioration by measuring the extent of the disease or the extent of the change in advance.

간 질환 심각성 정도를 측정하는 방식으로는 침습적인 간 조직 검사 방식과 간 섬유화 스캔(Transient Elastography, TE) 방식이 있다. 먼저 침습적인 간 조직 검사 방식은 혈액 검사나 복부 초음파, CT 또는 MR 검사를 거친 후, 침습적으로 간 조직 검사를 진행하는 방식이다. 간 조직을 얻기 위한 침습적 방식은 환자에게 고통을 수반하고, 여러가지 합병증 등의 부작용이 따를 가능성이 높다. 또한 간의 일부만을 떼어 판단하므로 간의 전체 상태를 파악하기가 어려운 문제점이 있다.Methods of measuring the severity of liver disease include invasive liver biopsy and liver fibrosis scanning (TE). First, invasive liver biopsy is done by blood test, abdominal ultrasound, CT or MR, and then invasive liver biopsy. Invasive methods for obtaining liver tissue are likely to involve pain in the patient and have side effects such as various complications. In addition, since only a part of the liver is judged, it is difficult to grasp the entire state of the liver.

또한 간 섬유화 스캔 방식은 간을 지나는 초음파의 이동 속도를 측정하고 간의 탄력도를 측정하여 간 섬유화의 정도를 예측하는 방식이다. 이러한 방식은 실행시마다 오차가 많이 발생하므로, 최소 10번 이상의 성공적인 측정을 통하여 결과들의 중간값(Median)을 사용하고 있다. 게다가, 초음파 기반의 방법이라서 측정 시 환자의 상태(복수가 있거나, 비만인 경우)에 따라서 정확도의 차이가 많이 발생한다. 또한, B형 간염환자의 경우는 C형 간염환자보다 그 정확도가 낮은 문제가 있다.In addition, the liver fibrosis scan method is a method of measuring the moving speed of the ultrasound passing through the liver and measuring the elasticity of the liver to predict the degree of liver fibrosis. Since this method generates a lot of errors in each run, the median of the results is used through at least 10 successful measurements. In addition, because of the ultrasound-based method, there are many differences in accuracy depending on the patient's condition (plural or obese). In addition, hepatitis B patients have a lower accuracy than hepatitis C patients.

기존의 비 침습적인 방식의 검사는 간 섬유화의 정도를 진단함에 있어서 만족스러운 결과를 출력해내지 못하고, 객관적인 지표가 마련되어 있지 않아 판독하는 의사마다 소견이 다른 문제점이 있었다. 따라서, 아직까지 영상 검사만으로는 정확한 간 섬유화 정도를 진단하는 기준이 마련되어 있지 않은 실정이다.Existing non-invasive tests did not produce satisfactory results in diagnosing the degree of liver fibrosis, and there was a problem that the doctors read differently because there were no objective indicators. Therefore, there is no standard for diagnosing accurate degree of liver fibrosis by imaging test.

본 발명의 배경이 되는 기술은 대한민국 등록특허공보 제10-1876338호(2018.07.09. 공고)에 개시되어 있다.The background technology of the present invention is disclosed in Republic of Korea Patent Publication No. 10-1876338 (August 09, 2018).

본 발명이 이루고자 하는 기술적 과제는 복부 CT를 분석하고 간 표면의 요철 정도를 정량화하여 간 섬유화 정도를 예측하는 CT 영상 분석을 이용한 간 섬유화 예측 장치 및 그 방법을 제공하기 위한 것이다.An object of the present invention is to provide an apparatus and method for predicting liver fibrosis using CT image analysis that analyzes abdominal CT and quantifies the degree of irregularities of the liver surface to predict the degree of liver fibrosis.

이러한 기술적 과제를 이루기 위한 본 발명의 실시예에 따른 CT 영상 분석을 이용한 간 섬유화 예측 장치에 의해 수행되는 간 섬유화 예측 방법은, 상기 간 섬유화 예측 장치가 사용자로부터 분석 대상자의 간 CT 이미지를 입력받는 제1 단계; 상기 간 CT 이미지의 복수개의 레이어 중 상기 사용자로부터 선택된 레이어에 대한 관심 영역을 선택 입력받는 제2 단계; 상기 관심 영역에 포함된 간 표면에 대한 선의 좌표 평균값들을 산출하여 요철 정도를 분석하되, 주성분 분석(PCA)을 이용하여 상기 관심 영역을 수평 방향으로 확장시키면서 해당 레이어의 요철 정도를 분석하는 제3 단계; 분석 영역이 기 설정된 영역을 벗어나면, 상기 선택된 레이어의 다음 레이어로 이동하여 해당 레이어의 관심 영역에 대해 상기 제3 단계와 동일한 방법으로 해당 레이어의 요철 정도를 분석하는 제4 단계; 모든 레이어에 대한 분석이 완료되면, 각 레이어들의 요철 정도에 대한 분석 결과값들의 평균과 표준 편차를 각각 산출하는 제5 단계; 및 상기 산출된 값으로부터 간 섬유화 정도를 예측하고, 상기 예측된 결과를 출력하는 제6 단계를 포함한다.The liver fibrosis prediction method performed by the liver fibrosis prediction apparatus using CT image analysis in accordance with an embodiment of the present invention for achieving the technical problem, the liver fibrosis prediction apparatus is the first to receive the liver CT image of the subject of analysis from the user; Stage 1; A second step of receiving a selection of a region of interest of a layer selected from the user among a plurality of layers of the liver CT image; A third step of analyzing the degree of concavities and convexities by calculating coordinate average values of the lines of the liver surface included in the region of interest, while analyzing the degree of concavities and convexities of the corresponding layer while extending the region of interest in the horizontal direction using principal component analysis (PCA); ; If the analysis area is out of a preset area, moving to a next layer of the selected layer and analyzing the degree of concavities and convexities of the corresponding layer in the same manner as in the third step; A fifth step of calculating an average and a standard deviation of the analysis result values for the degree of concavities and convexities of the respective layers when the analysis of all the layers is completed; And a sixth step of predicting the degree of liver fibrosis from the calculated value and outputting the predicted result.

또한, 상기 제3 단계는 상기 확장된 관심 영역에 포함된 모든 좌표들을 선형 보간한 뒤, 호(arc) 길이로 매개변수화하여 단위 곡선 시간(dt) 마다 상기 주성분 분석을 적용하여 얻어지는 값으로부터 요철 정도 분석할 수 있다.Also, the third step may be performed by linearly interpolating all coordinates included in the extended ROI, parameterizing the arc length, and applying irregularities from values obtained by applying the principal component analysis for each unit curve time dt. Can be analyzed.

또한, 상기 제4 단계는 상기 다음 레이어로 이동한 후, 상기 제2 단계에서 입력받은 관심 영역의 좌표와 동일한 좌표의 위치로 상기 다음 레이어의 관심 영역을 설정하고, 설정 개수의 레이어에 대해 순차적으로 요철 정도를 분석할 수 있다.In addition, after moving to the next layer, the fourth step sets the ROI of the next layer to the same coordinate as the coordinate of the ROI received in the second step, and sequentially sets the number of layers. Analyze the degree of irregularities.

또한, 상기 제6 단계는 기 생성된 간 섬유화 예측 모델을 이용하여 상기 산출된 값에 해당하는 간 섬유화 정도를 예측할 수 있다.In addition, the sixth step may predict the degree of liver fibrosis corresponding to the calculated value by using the previously generated liver fibrosis prediction model.

또한, 상기 간 섬유화 예측 모델은 설정 기간 내에 조직 검사 또는 간 절제술을 시행받은 간질환 환자를 대상으로 설정 조건에 따라 의무 기록 및 CT 이미지 분석 결과 데이터를 기계 학습하여 기 생성된 모델일 수 있다.In addition, the liver fibrosis prediction model may be a model generated by machine learning the medical records and CT image analysis result data according to the set conditions for patients with liver disease undergoing biopsy or liver resection within the set period.

또한, 본 발명의 실시예에 따른 CT 영상 분석을 이용한 간 섬유화 예측 장치는, 사용자로부터 분석 대상자의 간 CT 이미지와, 상기 간 CT 이미지의 복수개의 레어어 중 선택된 레이어에 대한 관심 영역을 각각 입력받는 입력부; 상기 관심 영역에 포함된 간 표면에 대한 선의 좌표 평균값들을 산출하여 요철 정도를 분석하되, 주성분 분석을 이용하여 상기 관심 영역을 경계 영역 방향으로 확장시키면서 해당 레이어의 요철 정도를 분석하고, 분석 영역이 기 설정된 영역을 벗어나면 상기 선택된 레이어의 다음 레이어로 이동하여 해당 레이어의 관심 영역에 대해 상기 선택된 레이어와 동일한 방법으로 해당 레이어의 요철 정도를 분석하는 요철 정도 분석부; 모든 레이어에 대한 분석이 완료되면, 각 레이어들의 요철 정도에 대한 분석 결과값들의 평균과 표준 편차를 각각 산출하는 산출부; 상기 산출된 값으로부터 간 섬유화 정도를 예측하는 예측부; 및 상기 예측된 결과를 출력하는 출력부를 포함한다.In addition, the liver fibrosis prediction apparatus using CT image analysis according to an embodiment of the present invention, the user receives the liver CT image of the analysis target and the region of interest for the selected layer of the plurality of layers of the liver CT image, respectively An input unit; Analyze the degree of irregularities by calculating coordinate average values of the lines of the liver surface included in the region of interest, and analyzes the degree of irregularities of the corresponding layer by extending the region of interest in the direction of the boundary region using principal component analysis. An unevenness degree analyzing unit which moves to a next layer of the selected layer and analyzes the unevenness degree of the corresponding layer with respect to the ROI of the selected layer in the same manner as the selected layer; Completion unit for calculating the average and standard deviation of the analysis result values for the degree of concavities and convexities of each layer when the analysis of all layers is completed; A prediction unit for predicting the degree of liver fibrosis from the calculated value; And an output unit for outputting the predicted result.

이와 같이 본 발명에 따르면, 복부 CT를 분석하고 간 표면의 요철 정도를 정량화하여 간 섬유화 정도를 예측하도록 함으로써 보다 정확한 판단이 이루어지도록 할 수 있다.As described above, according to the present invention, by analyzing the abdominal CT and quantifying the degree of irregularities of the liver surface to predict the degree of liver fibrosis, more accurate judgment can be made.

또한 본 발명에 따르면, 다수의 환자들을 대상으로 하는 실험 결과 데이터를 기반으로 예측 모델을 개발하여 검사 비용을 절감할 수 있고 일관성 있는 결과를 신속하게 도출할 수 있어 환자의 신뢰도를 향상시킬 수 있다.In addition, according to the present invention, by developing a predictive model based on the experimental data for a plurality of patients can reduce the test cost and can quickly obtain consistent results can improve the patient's reliability.

도 1은 본 발명의 실시예에 따른 CT 영상 분석을 이용한 간 섬유화 예측 장치를 나타낸 블록구성도이다.
도 2는 본 발명의 실시예에 따른 CT 영상 분석을 이용한 간 섬유화 예측 방법의 동작 흐름을 도시한 순서도이다.
도 3 및 도 4는 본 발명의 실시예에 따른 CT 영상 분석을 이용한 간 섬유화 예측 방법에서 사용자에 의해 선택된 이미지를 출력한 화면 예이다.
도 5는 본 발명의 실시예에 따른 CT 영상 분석을 이용한 간 섬유화 예측 방법에서 주성분 분석을 설명하기 위한 그래프이다.
도 6은 본 발명의 실시예에 따른 CT 영상 분석을 이용한 간 섬유화 예측 방법에서 사용자에 의해 선택된 관심 영역을 표시한 화면 예이다.
도 7 내지 도 9는 도 6에 도시된 레이어의 다음 레이어들을 순차적으로 표시한 화면 예이다.1 is a block diagram showing an apparatus for predicting liver fibrosis using CT image analysis according to an embodiment of the present invention.
2 is a flowchart illustrating an operation flow of a method for predicting liver fibrosis using CT image analysis according to an exemplary embodiment of the present invention.
3 and 4 are screen examples of outputting an image selected by a user in a liver fibrosis prediction method using CT image analysis according to an embodiment of the present invention.
5 is a graph illustrating principal component analysis in a method for predicting liver fibrosis using CT image analysis according to an exemplary embodiment of the present invention.
6 is a screen example showing a region of interest selected by a user in a liver fibrosis prediction method using CT image analysis according to an embodiment of the present invention.
7 to 9 are screen examples in which subsequent layers of the layer illustrated in FIG. 6 are sequentially displayed.

이하 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings. In this process, the thickness of the lines or the size of the components shown in the drawings may be exaggerated for clarity and convenience of description.

또한 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서, 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.In addition, terms to be described later are terms defined in consideration of functions in the present invention, which may vary according to a user's or operator's intention or custom. Therefore, the definitions of these terms should be made based on the contents throughout the specification.

먼저, 도 1을 통해 본 발명의 실시예에 따른 CT 영상 분석을 이용한 간 섬유화 예측 장치에 대하여 설명한다.First, a liver fibrosis prediction apparatus using CT image analysis according to an embodiment of the present invention will be described with reference to FIG. 1.

도 1은 본 발명의 실시예에 따른 CT 영상 분석을 이용한 간 섬유화 예측 장치를 나타낸 블록구성도이다. 1 is a block diagram showing an apparatus for predicting liver fibrosis using CT image analysis according to an embodiment of the present invention.

도 1에서와 같이 본 발명의 실시예에 따른 CT 영상 분석을 이용한 간 섬유화 예측 장치(100)는, 입력부(110), 요철 정도 분석부(120), 산출부(130), 예측부(140) 및 출력부(150)를 포함한다. As shown in FIG. 1, the liver fibrosis prediction apparatus 100 using CT image analysis according to an exemplary embodiment of the present invention includes an input unit 110, an uneven degree analysis unit 120, a calculation unit 130, and a prediction unit 140. And an output unit 150.

먼저, 입력부(110)는 사용자(예를 들면, 의사)로부터 분석 대상자의 간 CT 이미지와, 간 CT 이미지의 복수개의 레이어 중 선택된 레이어에 대한 관심 영역을 각각 입력받는다.First, the input unit 110 receives a liver CT image of an analysis target and a region of interest for a selected layer among a plurality of layers of the liver CT image from a user (eg, a doctor).

그리고, 요철 정도 분석부(120)는 입력부(110)를 통해 입력받은 관심 영역에 포함된 간 표면에 대한 선의 좌표 평균값들을 산출하여 요철 정도를 분석하되, 주성분 분석(Principle component Analysis, PCA)을 이용하여 초기 관심 영역의 방향성을 파악하고, 해당 방향성을 기준으로 관심 영역을 수평 방향으로 확장시키면서 해당 레이어의 요철 정도를 분석하고, 분석 영역이 기 설정된 영역을 벗어나면 사용자로부터 선택된 레이어의 다음 레이어로 이동하여 해당 레이어의 관심 영역에 대해, 상기와 동일한 방법으로 해당 레이어의 요철 정도를 분석한다.In addition, the unevenness degree analyzing unit 120 calculates coordinate average values of lines of the liver surface included in the ROI received through the input unit 110 and analyzes the unevenness level, using principal component analysis (PCA). Determine the direction of the initial ROI, expand the ROI in the horizontal direction based on the directionality, analyze the degree of irregularities of the corresponding layer, and move to the next layer of the selected layer from the user if the analysis area is out of the preset area For the ROI of the corresponding layer, the degree of irregularities of the corresponding layer is analyzed in the same manner as described above.

그리고, 산출부(130)는 요철 정도 분석부(120)를 통해 모든 레이어에 대한 분석이 완료되면, 각 레이어들의 요철 정도에 대한 분석 결과값들의 평균과 표준 편차를 각각 산출한다.When the analysis of all the layers is completed through the unevenness degree analyzing unit 120, the calculator 130 calculates an average and a standard deviation of the analysis result values of the unevenness degree of each layer, respectively.

그리고, 예측부(140)는 산출부(130)에서 산출된 값으로부터 간 섬유화 정도를 예측한다.The predictor 140 estimates the degree of liver fibrosis from the value calculated by the calculator 130.

본 발명의 타당성을 입증하기 위해 간경변이 없는 환자 3명, 간경변이 있는 환자 3명을 대상으로 각각 임상 적용하여 CT 이미지상 간표면의 요철 정도를 계산해 보았다. 간경변 없는 환자에서 도출된 간표면 요철값은 각각 11.5, 7.5, 9.5로 확인되었고, 간경변 있는 환자에서 도출된 간표면 요철값은 19.6, 32.4, 28.2로 확인됨에 따라 간경변 유무에 따라 유의한 차이가 있음을 확인할 수 있었다.In order to prove the validity of the present invention, three patients without cirrhosis and three patients with cirrhosis were clinically applied to calculate the degree of irregularities of the liver surface on CT images. The hepatic surface irregularities derived from patients without cirrhosis were found to be 11.5, 7.5, and 9.5, respectively. The hepatic surface irregularities derived from patients with cirrhosis were found to be 19.6, 32.4, and 28.2. Could confirm.

마지막으로 출력부(150)는 예측부(140)에서 예측된 결과를 출력한다.Finally, the output unit 150 outputs the result predicted by the predictor 140.

이하에서는 도 2 내지 도 9를 통해 본 발명의 실시예에 따른 CT 영상 분석을 이용한 간 섬유화 예측 방법에 대하여 설명한다.Hereinafter, a method for predicting liver fibrosis using CT image analysis according to an embodiment of the present invention will be described with reference to FIGS. 2 to 9.

도 2는 본 발명의 실시예에 따른 CT 영상 분석을 이용한 간 섬유화 예측 방법의 동작 흐름을 도시한 순서도로서, 이를 참조하여 본 발명의 구체적인 동작을 설명한다.2 is a flowchart illustrating an operation flow of a method for predicting liver fibrosis using CT image analysis according to an embodiment of the present invention, with reference to which will be described the specific operation of the present invention.

본 발명의 실시예에 따르면, 먼저 간 섬유화 예측 장치(100)의 입력부(110)가 사용자로부터 선택되는 분석 대상자의 간 CT 이미지를 입력받는다(S210).According to an embodiment of the present invention, first, the input unit 110 of the liver fibrosis prediction apparatus 100 receives a liver CT image of an analysis subject selected from a user (S210).

그 다음, 입력부(110)가 사용자로부터 선택 입력되는 간 CT 이미지의 복수개의 레어어 중 선택된 레이어에 대한 관심 영역을 입력받는다(S220).Next, the input unit 110 receives a region of interest for the selected layer from among the plurality of rare layers of the liver CT image selected and input from the user (S220).

이때, 사용자는 하나의 레이어 내에서 하나 이상의 관심 영역을 선택 입력할 수도 있다.In this case, the user may select and input one or more regions of interest within one layer.

도 3 및 도 4는 본 발명의 실시예에 따른 CT 영상 분석을 이용한 간 섬유화 예측 방법에서 사용자에 의해 선택된 이미지를 출력한 화면 예이다.3 and 4 are screen examples of outputting an image selected by a user in a liver fibrosis prediction method using CT image analysis according to an embodiment of the present invention.

도 3에서와 같이 모니터(미도시)를 통해 분석 대상자의 간(L) 부위가 촬영된 CT 이미지에 포함된 복수개의 레어어 리스트 중 사용자에 의해 선택된 레이어가 선택 입력되면, 간 섬유화 예측 장치(100)는 도 4에서와 같이 해당 레이어의 이미지를 출력할 수 있다.As shown in FIG. 3, when a layer selected by a user is selected from among a plurality of rare lists included in a CT image in which a liver (L) region of an analysis subject is photographed through a monitor (not shown), the liver fibrosis predicting apparatus 100 ) May output an image of a corresponding layer as shown in FIG. 4.

그 다음, 요철 정도 분석부(120)는 S220 단계에서 입력받은 관심 영역에 포함된 간 표면에 대한 선의 좌표 평균값들을 산출하여 요철 정도를 분석하되, 주성분 분석을 이용하여 관심 영역을 수평 방향으로 확장시키면서 해당 레이어의 요철 정도를 분석한다(S230).Next, the unevenness degree analysis unit 120 analyzes the unevenness degree by calculating the coordinate average values of the lines of the liver surface included in the ROI received in step S220, while expanding the ROI in the horizontal direction using principal component analysis. The degree of irregularities of the corresponding layer is analyzed (S230).

이때, S230 단계는 산출된 좌표 평균값들이 기 설정된 한계 수치 이상으로 산출되면 관심 영역의 확장을 중단하고 사용자의 입력을 기다릴 수도 있다. 또한, 분석 도중 사용자에 의해 추가 관심 영역 입력이 가능하도록 할 수도 있다.In this case, in operation S230, when the calculated coordinate average values are calculated to be greater than or equal to a preset limit value, the expansion of the ROI may be stopped and the user may wait for input. In addition, during the analysis, an additional region of interest may be input by the user.

도 5는 본 발명의 실시예에 따른 CT 영상 분석을 이용한 간 섬유화 예측 방법에서 주성분 분석을 설명하기 위한 그래프이다.5 is a graph illustrating principal component analysis in a method for predicting liver fibrosis using CT image analysis according to an exemplary embodiment of the present invention.

도 5에서와 같이 주성분 분석은 다음과 같은 과정으로 진행된다.As shown in FIG. 5, the principal component analysis proceeds as follows.

먼저, S220 단계에서 입력받은 관심 영역의 왼쪽 방향으로 수평 전파를 시작한다. 이때, 입력받은 관심 영역의 위치를 중심으로 설정 거리 내에 있는 간 표면 점들을 수집하고, 주성분 분석을 이용하여 해당 점을 가장 잘 설명하는 축(PCA 1st Dimension)을 추출한다. 추출된 축의 설명력이 설정값 보다 작으면 확장을 멈추고, 그렇지 않으면 계속 확장을 진행한다. 이때, 설명력이 가장 높은 고유 벡터 방향으로 람다(lambda)만큼 반복 진행하여 관심 영역을 확장시키고, 오른쪽 방향도 동일하게 진행한다.First, horizontal propagation is started in a left direction of the ROI received in operation S220. At this time, liver surface points within a set distance are collected based on the input location of the region of interest, and a principal component analysis (PCA 1st Dimension) is extracted by using principal component analysis. If the explanatory power of the extracted axis is less than the set value, the expansion stops. Otherwise, the expansion continues. In this case, the region of interest is extended by repeating the lambda in the direction of the eigenvector having the highest explanatory power, and the right direction proceeds in the same manner.

도 6은 본 발명의 실시예에 따른 CT 영상 분석을 이용한 간 섬유화 예측 방법에서 사용자에 의해 선택된 관심 영역을 표시한 화면 예이다.6 is a screen example showing a region of interest selected by a user in a liver fibrosis prediction method using CT image analysis according to an embodiment of the present invention.

S220 단계에서 사용자에 의해 선택된 관심 영역(ROI)에 대한 요철 정도 분석이 완료되면, 도 6에서와 같이 선택된 관심 영역의 주변으로 관심 영역이 확대되어 확대된 관심 영역들에 대한 요철 정도가 분석된다.When the unevenness degree analysis of the ROI selected by the user is completed in step S220, the unevenness degree of the enlarged ROIs is analyzed by expanding the ROI around the selected ROI as shown in FIG. 6.

이때, 요철 정도 분석부(120)는 요철 분석을 위해 모서리 검출(edge detection) 등의 이미지 프로세싱 방법을 이용하여 간의 모양(shape)을 이루는 기하 정보를 추출하고, 확장된 관심 영역에 포함된 모든 좌표들을 선형 보간(linear interpolation)한 뒤, 호(arc) 길이로 매개변수화하여 단위 곡선 시간(dt)마다 주성분 분석을 적용하여 얻어지는 값으로부터 요철 정도 분석한다.At this time, the unevenness degree analysis unit 120 extracts the geometric information forming the shape of the liver by using an image processing method such as edge detection for the unevenness analysis, all coordinates included in the extended region of interest After linear interpolation, the parameters are parameterized by arc length, and the degree of irregularities is analyzed from the values obtained by applying principal component analysis for each unit curve time (dt).

그 다음, 요철 정도 분석부(120)가 분석 영역이 기 설정된 영역을 벗어나는지 여부를 판단한다(S240).Next, the unevenness degree analysis unit 120 determines whether the analysis area is out of the preset area (S240).

즉, 관심 영역의 확대 영역은 기 설정되어 있으며, 기 설정된 영역의 범위 내에서 진행 방향 또는 진행 방향의 역방향으로 확대된 관심 영역의 점 집합에 대해 주성분 분석을 적용하여 요철 정도를 분석할 수 있다.That is, the magnified area of the region of interest is preset, and the degree of irregularities may be analyzed by applying principal component analysis to a set of points of the region of interest enlarged in the direction of progress or in the opposite direction of the direction within the preset region.

S240 단계의 판단 결과, 분석 영역이 기 설정된 영역을 벗어나지 않은 경우 계속하여 해당 레이어의 요철 정도를 분석하고, 기 설정된 영역을 벗어나면, 요철 정도 분석부(120)가 사용자로부터 선택된 레이어의 다음 레이어로 이동하고, S230 단계로 회귀하여 해당 레이어의 관심 영역에 대한 요철 정도를 분석한다(S250).As a result of the determination in step S240, if the analysis region does not leave the predetermined region, the degree of irregularities of the corresponding layer is continuously analyzed, and if it is out of the predetermined region, the degree of irregularities analysis unit 120 moves to the next layer selected from the user. In operation S250, the degree of concavities and convexities of the ROI of the corresponding layer is analyzed by regressing to step S230.

즉, 관심 영역을 확대하면서 해당 영역의 요철 정도를 분석하되, 확대 영역이 기 설정된 영역의 범위를 벗어나면 해당 레이어의 요철 정도 분석은 종료되고 자동으로 다음 레이어로 넘어간다.In other words, while analyzing the degree of concavities and convexities of the corresponding area while enlarging the ROI, the analysis of the degree of concavities and convexities of the corresponding layer is terminated and automatically goes to the next layer.

도 7 내지 도 9는 도 6에 도시된 레이어의 다음 레이어들을 순차적으로 표시한 화면 예이다.7 to 9 are screen examples in which subsequent layers of the layer illustrated in FIG. 6 are sequentially displayed.

도 6이 간 CT 이미지의 첫 번째 레이어를 출력한 화면이라고 가정했을 때, 도 7은 두 번째 레이어, 도 8은 세 번째 레이어, 도 9는 네 번째 레이어를 출력한 화면이 된다. Assuming that FIG. 6 is a screen outputting the first layer of the liver CT image, FIG. 7 is a screen outputting a second layer, FIG. 8 a third layer, and FIG. 9 a fourth layer.

해당 레이어의 요철 정도 분석이 완료되어 다음 레이어로 이동한 후, S220 단계에서 입력받은 관심 영역의 좌표와 동일한 좌표의 위치로 관심 영역을 설정하고, 기 설정된 개수의 모든 레이어에 대해 순차적으로 각 레이어별 요철 정도를 분석하는 것이 바람직하다. 따라서, 도 7 내지 도 9에 표시된 관심 영역의 위치가 도 6과 유사한 것을 확인할 수 있다.After analyzing the degree of irregularities of the corresponding layer is completed, move to the next layer, set the region of interest to the same coordinates as the coordinates of the region of interest input in step S220, and sequentially for each layer of the predetermined number of layers It is desirable to analyze the degree of irregularities. Thus, it can be seen that the position of the ROI shown in FIGS. 7 to 9 is similar to that of FIG. 6.

이때, 사용자는 CT 이미지의 첫 번째 레이어를 선택하지 않아도 무방하며 사용자로부터 선택된 레이어부터 요철 정도 분석을 시작하여 설정 개수의 레이어 만큼 순차적으로 레이어를 이동하면서 요철 정도를 분석하는 것이 바람직하다.In this case, the user may not select the first layer of the CT image, and it is preferable to start the analysis of the degree of irregularities from the layer selected by the user and analyze the degree of irregularities by sequentially moving the layers by the number of layers.

또한 모든 레이어에 대한 분석이 완료될 때까지 S230 단계 내지 S250 단계를 반복 수행하고, 모든 레이어에 대한 분석이 완료되면(S260), 산출부(130)는 각 레이어들의 요철 정도에 대한 분석 결과값들의 평균과 표준 편차를 각각 산출한다(S270).In addition, the steps S230 to S250 are repeatedly performed until the analysis of all the layers is completed, and when the analysis of all the layers is completed (S260), the calculation unit 130 determines the analysis result values of the unevenness of each layer. The average and the standard deviation are respectively calculated (S270).

그 다음, 예측부(140)가 S270 단계에서 산출된 값으로부터 간 섬유화 정도를 예측한다(S280).Next, the prediction unit 140 estimates the degree of liver fibrosis from the value calculated in step S270 (S280).

이때, S280 단계는 기 생성된 간 섬유화 예측 모델을 이용하여 S270 단계에서 산출된 값에 해당하는 간 섬유화 정도를 예측한다.In this case, step S280 predicts the degree of liver fibrosis corresponding to the value calculated in step S270 by using the previously generated liver fibrosis prediction model.

자세히는, 설정 기간 내에 조직 검사 또는 간 절제술을 시행받은 간질환 환자를 대상으로 설정 조건에 따라 의무 기록 및 CT 이미지 분석 결과 데이터를 기계 학습하여 기 생성된 간 섬유화 예측 모델을 이용하여 간 섬유화 정도를 예측한다.In detail, patients with liver disease who underwent biopsy or liver resection within the set period of time were subjected to machine learning based on the medical records and CT image analysis data according to the set conditions, and then the degree of liver fibrosis was generated using a predicted model of liver fibrosis. Predict.

본 발명의 실시예에 따른 간 섬유화 예측 모델에 대해 더욱 자세히 설명하자면, 간 섬유화 예측 모델은 후향적 의무기록 검토에 바탕을 둔 데이터를 이용하여 기계 학습되며, 2007년 01월 01일부터 2016년 12월 31일 사이 조직 검사 또는 간 절제술을 시행받은 간질환 환자를 대상으로 트레이닝 집단(training cohort)과 유효집단(validation cohort)으로 나누어, 의무 기록 및 CT 이미지 분석 결과 데이터가 이용되었다.To describe in more detail the liver fibrosis prediction model according to an embodiment of the present invention, the liver fibrosis prediction model is machine learning using data based on a retrospective medical record review, from 01 January 2007 to 12 December 2016 Medical records and CT image analysis data were used for patients with hepatic disease who underwent biopsy or liver resection for 31 days, divided into a training cohort and a validation cohort.

이때 분석 대상이 되는 환자 선정 기준은 다음과 같다.The criteria for selecting patients to be analyzed are as follows.

먼저, 만 19세 이상에서 만 72세 미만의 환자 중 간 조직 검사 또는 간 절제술을 시행하여 간 섬유화 정도를 세계적으로 가장 많이 쓰이는 간 섬유화 등급 체계(Metavir Fibrosis score)로 평가받은 환자는 선정 대상에 포함되며, 만 19세 이상의 환자 중 간 조직 검사 시행하였어도 섬유화 정도가 명시되어 있지 않은 환자와 악성 종양 치료를 목적으로 간 절제술을 시행받은 환자 중 악성 종양의 위치가 간의 표면에 위치해 있거나 크기가 5cm 이상인 환자 및 담관염(Cholangitis) 및 농양(abscess) 등 급성 염증성 질환이 동반된 환자는 선정 대상에서 제외되었다.First, among the patients aged 19 years or older and younger than 72 years, patients who were evaluated by the liver fibrosis or liver resection for the liver fibrosis grade (Metavir Fibrosis score), the most widely used in the world, are included in the selection. Among patients aged 19 years or older, liver biopsy is not specified, and patients who have undergone liver resection for the treatment of malignant tumors have malignant tumors located on the liver surface or 5 cm or more in size. And patients with acute inflammatory diseases, such as cholangitis and abscess, were excluded from the selection.

이렇게 수집된 데이터를 기계 학습하여 생성된 간 섬유화 예측 모델에, S270 단계에서 산출된 요철 정도에 대한 분석 결과값들의 평균과 표준 편차를 입력하여 S210 단계에서 입력된 간 CT 이미지의 간 섬유화 정도를 예측할 수 있다.In the liver fibrosis prediction model generated by machine learning the collected data, the average and standard deviation of the analysis result values for the degree of irregularities calculated in step S270 are input to predict the degree of liver fibrosis of the liver CT image input in step S210. Can be.

마지막으로 출력부(150)가 S280 단계에서 예측된 결과를 출력한다(S290).Finally, the output unit 150 outputs the result predicted in step S280 (S290).

상술한 바와 같이, 본 발명의 실시예에 따른 CT 영상 분석을 이용한 간 섬유화 예측 장치 및 그 방법은 복부 CT를 분석하고 간 표면의 요철 정도를 정량화하여 간 섬유화 정도를 예측하도록 함으로써 보다 정확한 판단이 이루어지도록 할 수 있다.As described above, the liver fibrosis predicting apparatus and method using CT image analysis according to an embodiment of the present invention makes a more accurate judgment by analyzing the abdominal CT and quantifying the degree of irregularities of the liver surface to predict the degree of liver fibrosis Can be lost.

또한 본 발명의 실시예에 따르면, 다수의 환자들을 대상으로 하는 실험 결과 데이터를 기반으로 예측 모델을 개발하여 검사 비용을 절감할 수 있고 일관성 있는 결과를 신속하게 도출할 수 있어 환자의 신뢰도를 향상시킬 수 있다.In addition, according to an embodiment of the present invention, by developing a predictive model based on the experimental data of a plurality of patients to reduce the test cost and to obtain a consistent result quickly to improve patient reliability Can be.

본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.Although the present invention has been described with reference to the embodiments shown in the drawings, this is merely exemplary, and it will be understood by those skilled in the art that various modifications and equivalent other embodiments are possible. will be. Therefore, the true technical protection scope of the present invention will be defined by the technical spirit of the following claims.

100 : 간 섬유화 예측 장치 110 : 입력부
120 : 요철 정도 분석부 130 : 산출부
140 : 예측부 150 : 출력부100: liver fibrosis predicting device 110: input unit
120: uneven degree analysis unit 130: calculation unit
140: prediction unit 150: output unit

Claims (10)

CT 영상 분석을 이용한 간 섬유화 예측 장치에 의해 수행되는 간 섬유화 예측 방법에 있어서,
입력부가 사용자로부터 분석 대상자의 간 CT 이미지를 입력받는 제1 단계;
상기 입력부가 상기 간 CT 이미지의 복수개의 레어어 중 상기 사용자로부터 선택된 레이어에 대한 관심 영역을 선택 입력받는 제2 단계;
요철 정도 분석부가 상기 관심 영역에 포함된 간 표면에 대한 선의 좌표 평균값들을 산출하여 요철 정도를 분석하되, 주성분 분석(PCA)을 이용하여 상기 관심 영역을 수평 방향으로 확장시키면서 확장된 관심 영역에 포함된 모든 좌표들을 선형 보간한 뒤, 호(arc) 길이로 매개변수화하여 단위 곡선 시간(dt)마다 상기 주성분 분석을 적용하여 얻어지는 값으로부터 해당 레이어의 요철 정도를 분석하는 제3 단계;
분석 영역이 기 설정된 영역을 벗어나면, 상기 요철 정도 분석부가 상기 선택된 레이어의 다음 레이어로 이동하여 해당 레이어의 관심 영역에 대해 상기 제3 단계와 동일한 방법으로 해당 레이어의 요철 정도를 분석하는 제4 단계;
모든 레이어에 대한 분석이 완료되면, 산출부가 각 레이어들의 요철 정도에 대한 분석 결과값들의 평균과 표준 편차를 각각 산출하는 제5 단계; 및
예측부가 상기 산출된 값으로부터 간 섬유화 정도를 예측하고, 출력부가 상기 예측된 결과를 출력하는 제6 단계를 포함하고,
상기 제4 단계는,
상기 다음 레이어로 이동한 후, 상기 제2 단계에서 입력받은 관심 영역의 좌표와 동일한 좌표의 위치로 상기 다음 레이어의 관심 영역을 설정하고, 설정 개수의 레이어에 대해 순차적으로 요철 정도를 분석하는 간 섬유화 예측 방법.In the liver fibrosis prediction method performed by the liver fibrosis prediction apparatus using CT image analysis,
A first step in which an input unit receives a liver CT image of an analysis subject from a user;
A second step of receiving, by the input unit, a region of interest for a layer selected from the user among a plurality of rare layers of the liver CT image;
The unevenness analysis unit calculates coordinate average values of lines of the liver surface included in the ROI, and analyzes the unevenness, but is included in the expanded ROI while expanding the ROI in the horizontal direction using principal component analysis (PCA). A third step of linearly interpolating all coordinates and parameterizing the arc length to analyze the degree of irregularities of the corresponding layer from values obtained by applying the principal component analysis for each unit curve time dt;
A fourth step of moving the unevenness degree analyzing unit to a next layer of the selected layer and analyzing the unevenness level of the corresponding layer in the same manner as the third step if the analysis region is out of a predetermined area; ;
A fifth step of, when the analysis of all the layers is completed, the calculation unit calculating an average and a standard deviation of the analysis result values for the degree of irregularities of the respective layers; And
And a sixth step of predicting the predicting degree of liver fibrosis from the calculated value, and outputting the predicted result.
The fourth step,
After moving to the next layer, hepatic fibrosis to set the region of interest of the next layer to the position of the same coordinates as the coordinates of the region of interest received in the second step, and sequentially analyze the degree of irregularities for the number of layers Forecast method. 삭제delete 삭제delete 제1항에 있어서,
상기 제6 단계는,
기 생성된 간 섬유화 예측 모델을 이용하여 상기 산출된 값에 해당하는 간 섬유화 정도를 예측하는 간 섬유화 예측 방법.The method of claim 1,
The sixth step,
A liver fibrosis prediction method for predicting the degree of liver fibrosis corresponding to the calculated value using a previously generated liver fibrosis prediction model. 제4항에 있어서,
상기 간 섬유화 예측 모델은,
설정 기간 내에 조직 검사 또는 간 절제술을 시행받은 간질환 환자를 대상으로 설정 조건에 따라 의무 기록 및 CT 이미지 분석 결과 데이터를 기계 학습하여 기 생성된 모델인 간 섬유화 예측 방법.The method of claim 4, wherein
The liver fibrosis prediction model,
A method for predicting liver fibrosis, which is a model generated by machine learning of medical records and CT image analysis data according to set conditions in patients with liver disease undergoing biopsy or liver resection within a set period. 사용자로부터 분석 대상자의 간 CT 이미지와, 상기 간 CT 이미지의 복수개의 레어어 중 선택된 레이어에 대한 관심 영역을 각각 입력받는 입력부;
상기 관심 영역에 포함된 간 표면에 대한 선의 좌표 평균값들을 산출하여 요철 정도를 분석하되, 주성분 분석(PCA)을 이용하여 상기 관심 영역을 수평 방향으로 확장시키면서 확장된 관심 영역에 포함된 모든 좌표들을 선형 보간한 뒤, 호(arc) 길이로 매개변수화하여 단위 곡선 시간(dt)마다 상기 주성분 분석을 적용하여 얻어지는 값으로부터 해당 레이어의 요철 정도를 분석하고, 분석 영역이 기 설정된 영역을 벗어나면 상기 선택된 레이어의 다음 레이어로 이동하여 해당 레이어의 관심 영역에 대해 상기 선택된 레이어와 동일한 방법으로 해당 레이어의 요철 정도를 분석하는 요철 정도 분석부;
모든 레이어에 대한 분석이 완료되면, 각 레이어들의 요철 정도에 대한 분석 결과값들의 평균과 표준 편차를 각각 산출하는 산출부;
상기 산출된 값으로부터 간 섬유화 정도를 예측하는 예측부; 및
상기 예측된 결과를 출력하는 출력부를 포함하고,
상기 요철 정도 분석부는,
상기 다음 레이어로 이동한 후, 상기 입력부에서 입력받은 관심 영역의 좌표와 동일한 좌표의 위치로 상기 다음 레이어의 관심 영역을 설정하고, 설정 개수의 레이어에 대해 순차적으로 요철 정도를 분석하는 CT 영상 분석을 이용한 간 섬유화 예측 장치.An input unit configured to receive a liver CT image of an analysis subject and a region of interest for a selected layer among a plurality of layers of the liver CT image from a user;
Analyze the degree of irregularities by calculating coordinate average values of the lines of the liver surface included in the region of interest, and linearly all coordinates included in the expanded region of interest while expanding the region of interest in the horizontal direction using principal component analysis (PCA) After interpolation, parameterize the arc length to analyze the degree of irregularities of the corresponding layer from the value obtained by applying the principal component analysis for each unit curve time dt, and if the analysis area is out of the predetermined area, the selected layer An unevenness degree analyzer for analyzing the unevenness degree of the corresponding layer by moving to the next layer of the same layer as the selected layer with respect to the ROI of the corresponding layer;
Completion unit for calculating the average and standard deviation of the analysis result values for the degree of concavities and convexities of each layer when the analysis of all layers is completed;
A prediction unit for predicting the degree of liver fibrosis from the calculated value; And
An output unit for outputting the predicted result,
The uneven degree analysis unit,
After moving to the next layer, CT image analysis is performed to set the ROI of the next layer to the same coordinate position as the ROI received from the input unit, and sequentially analyze the degree of irregularities for the set number of layers. Liver fibrosis prediction device used. 삭제delete 삭제delete 제6항에 있어서,
상기 예측부는,
기 생성된 간 섬유화 예측 모델을 이용하여 상기 산출된 값에 해당하는 간 섬유화 정도를 예측하는 CT 영상 분석을 이용한 간 섬유화 예측 장치.The method of claim 6,
The prediction unit,
Liver fibrosis prediction apparatus using CT image analysis to predict the degree of liver fibrosis corresponding to the calculated value using a previously generated liver fibrosis prediction model. 제9항에 있어서,
상기 간 섬유화 예측 모델은,
설정 기간 내에 조직 검사 또는 간 절제술을 시행받은 간질환 환자를 대상으로 설정 조건에 따라 의무 기록 및 CT 이미지 분석 결과 데이터를 기계 학습하여 기 생성된 모델인 CT 영상 분석을 이용한 간 섬유화 예측 장치.The method of claim 9,
The liver fibrosis prediction model,
A device for predicting liver fibrosis using CT image analysis, which is a model generated by machine learning data of medical records and CT image analysis results according to a set condition for patients with liver disease undergoing biopsy or liver resection within a predetermined period.
KR1020180149164A 2018-11-28 2018-11-28 Apparatus for predicting liver fibrosis using ct image analysis and method thereof KR102009233B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180149164A KR102009233B1 (en) 2018-11-28 2018-11-28 Apparatus for predicting liver fibrosis using ct image analysis and method thereof
PCT/KR2019/012900 WO2020111493A1 (en) 2018-11-28 2019-10-02 Device for predicting liver fibrosis by using ct image analysis and method therefor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180149164A KR102009233B1 (en) 2018-11-28 2018-11-28 Apparatus for predicting liver fibrosis using ct image analysis and method thereof

Publications (1)

Publication Number Publication Date
KR102009233B1 true KR102009233B1 (en) 2019-08-09

Family

ID=67613732

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180149164A KR102009233B1 (en) 2018-11-28 2018-11-28 Apparatus for predicting liver fibrosis using ct image analysis and method thereof

Country Status (2)

Country Link
KR (1) KR102009233B1 (en)
WO (1) WO2020111493A1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020111493A1 (en) * 2018-11-28 2020-06-04 아주대학교산학협력단 Device for predicting liver fibrosis by using ct image analysis and method therefor

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117558428B (en) * 2024-01-12 2024-03-22 华中科技大学同济医学院附属同济医院 Imaging optimization method and system for liver MRI

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120041468A (en) * 2010-10-21 2012-05-02 전남대학교산학협력단 System for detection of interstitial lung diseases and method therefor
KR101824691B1 (en) * 2017-01-05 2018-02-02 서울여자대학교 산학협력단 Method for differentiation of fat-poor angiomyolipoma from clear cell renal cell carcinoma in contrast-enhanced mdct images using quantitative feature classification
KR20180076504A (en) * 2016-12-28 2018-07-06 아주대학교산학협력단 Method and Apparatus for Predicting Liver Cirrhosis Using Neural Network

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102009233B1 (en) * 2018-11-28 2019-08-09 아주대학교산학협력단 Apparatus for predicting liver fibrosis using ct image analysis and method thereof

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120041468A (en) * 2010-10-21 2012-05-02 전남대학교산학협력단 System for detection of interstitial lung diseases and method therefor
KR20180076504A (en) * 2016-12-28 2018-07-06 아주대학교산학협력단 Method and Apparatus for Predicting Liver Cirrhosis Using Neural Network
KR101824691B1 (en) * 2017-01-05 2018-02-02 서울여자대학교 산학협력단 Method for differentiation of fat-poor angiomyolipoma from clear cell renal cell carcinoma in contrast-enhanced mdct images using quantitative feature classification

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020111493A1 (en) * 2018-11-28 2020-06-04 아주대학교산학협력단 Device for predicting liver fibrosis by using ct image analysis and method therefor

Also Published As

Publication number Publication date
WO2020111493A1 (en) 2020-06-04

Similar Documents

Publication Publication Date Title
Smistad et al. Real-time automatic ejection fraction and foreshortening detection using deep learning
Horowitz et al. Evaluation of hepatic fibrosis: a review from the society of abdominal radiology disease focus panel
JP2889568B1 (en) Vascular thickness measurement device and arteriosclerosis diagnosis device
EP1677681B1 (en) Ultrasonic blood vessel measurement apparatus and method
JP5362573B2 (en) System and method for segmenting regions in medical images
US7773787B2 (en) Method and apparatus for detecting blood vessel boundaries using multi-scale mean-shift ray propagation
US5795296A (en) Pipeline process for automatically measuring object boundary from ultrasound image samples
US7632231B2 (en) Ultrasonic strain imaging device and method providing parallel displacement processing
US8840555B2 (en) System and method of ultrasound image processing
US8582844B2 (en) Medical image processing device and method
NZ542968A (en) Digital analysis of medical scan images to identify and quantify anomalies in tissue
CN102763135A (en) Methods for automatic segmentation and temporal tracking
KR102009233B1 (en) Apparatus for predicting liver fibrosis using ct image analysis and method thereof
US9014452B2 (en) Orientation-aware average intensity histogram to indicate object boundary depth in ultrasound images
US20100111380A1 (en) Medical image analysis apparatus and image analysis control program
US20080310760A1 (en) Method, a System and a Computer Program for Volumetric Registration
JP2005198708A (en) Vasoconstriction rate analyzer and vasoconstriction rate analyzing method
JP2019024925A (en) Medical imaging apparatus and image processing method
KR20180076504A (en) Method and Apparatus for Predicting Liver Cirrhosis Using Neural Network
JP2007536054A (en) Pharmacokinetic image registration
KR101059824B1 (en) Method measuring the ratio of intima to media thickness in carotid artery using ultrasound image
JP2007521862A (en) Stochastic analysis of cardiac function
JP6432910B2 (en) Medical image processing apparatus, ultrasonic diagnostic apparatus, and medical image processing method
CN110785123A (en) Three-dimensional quantitative detection of intra-voxel incoherent motion MRI of tissue abnormalities using improved data processing techniques
JPH07249115A (en) Automatic extraction method for outlines of internal organs

Legal Events

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