KR102077387B1 - Artificial intelligence based nuclearmedicine image acquisition method and apparatus - Google Patents
Artificial intelligence based nuclearmedicine image acquisition method and apparatus Download PDFInfo
- Publication number
- KR102077387B1 KR102077387B1 KR1020180027924A KR20180027924A KR102077387B1 KR 102077387 B1 KR102077387 B1 KR 102077387B1 KR 1020180027924 A KR1020180027924 A KR 1020180027924A KR 20180027924 A KR20180027924 A KR 20180027924A KR 102077387 B1 KR102077387 B1 KR 102077387B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- area
- artificial intelligence
- nuclear medicine
- tumor
- Prior art date
Links
- 238000009206 nuclear medicine Methods 0.000 title claims abstract description 34
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 31
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 15
- 238000003384 imaging method Methods 0.000 claims abstract description 15
- 238000003754 machining Methods 0.000 claims abstract description 8
- 238000005516 engineering process Methods 0.000 description 12
- 230000008901 benefit Effects 0.000 description 8
- 201000011510 cancer Diseases 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000012633 nuclear imaging Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000002603 single-photon emission computed tomography Methods 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- 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
- 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
-
- 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
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/416—Exact reconstruction
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Optics & Photonics (AREA)
- Epidemiology (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Primary Health Care (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine (AREA)
- Image Analysis (AREA)
Abstract
본 발명은 인공지능 기반 핵의학 영상 획득 방법에 관한 것이다. 본 발명에 의한 인공지능 기반 핵의학 영상 획득 방법은, 핵의학 영상 장비에 의한 촬영으로 숫자배열 형태의 사이노그램과 같은 로우데이터를 취득하는 단계; 상기 숫자로 된 좌표정보를 가진 로우테이터를, 종양의 영역과 크기를 보여 주기위한 영상 좌표 상에 역투사하여, 로우 영상 이미지를 획득하는 단계; 상기 로우 영상 이미지가 표시된 영상 좌표 평면 상에서 라인별로 취득한 데이터를 XY 평면 상에 매칭하여, 기울기를 가진 로우 프로파일을 획득하는 단계; 상기 로우 프로파일을 미분하여 가공 프로파일을 획득하는 수학적 처리 단계; 및상기 가공 프로파일의 패턴값이 기설정된 패턴값에 도달될 때까지 인공지능 신경망을 통해 반복적인 출력을 얻어 상기 종양에 대한 핵의학 영상을 재구성하는 단계;를 포함하여 이루어진다. The present invention relates to an artificial intelligence based nuclear medicine image acquisition method. Artificial intelligence-based nuclear medicine image acquisition method according to the present invention comprises the steps of acquiring the raw data, such as a sinogram of the numeric array form by imaging by nuclear medical imaging equipment; Obtaining a raw image by projecting the raw data having the numerical coordinate information on image coordinates for showing the area and size of the tumor; Acquiring a low profile having a slope by matching data acquired for each line on an image coordinate plane on which the raw image image is displayed on an XY plane; Mathematical processing to differentiate the low profile to obtain a machining profile; And reconstructing a nuclear medicine image of the tumor by repeatedly obtaining output through the artificial neural network until the pattern value of the processing profile reaches a predetermined pattern value.
Description
본 발명은 인공지능 기반 핵의학 영상 획득 방법 및 장치에 관한 것으로, 더욱 상세하게는 핵의학 영상 장비로 취득한 영상을 간단한 수학적 알고리즘에 의해 재구성하고, 재구성된 데이터를 특정 영역으로 나눈 후 각 영역별 가중치를 두어 반복적인 인공지능 학습을 통해 요구되는 결과값을 도출하도록 하여, 정밀하고 신속하게 핵의학 영상을 얻을 수 있도록 하는 인공지능 기반 핵의학 영상 획득 방법 및 장치에 관한 것이다. The present invention relates to a method and apparatus for obtaining artificial intelligence-based nuclear medicine image, and more particularly, to reconstruct an image acquired by nuclear medicine imaging equipment by a simple mathematical algorithm, and to divide the reconstructed data into specific regions and then weight each region. The present invention relates to an artificial intelligence-based nuclear medicine image acquisition method and apparatus for obtaining accurate and rapid nuclear medicine images by repetitive artificial intelligence learning.
인공지능 기술은 현재 세계적으로 각광받는 기술로 의료, 전자, 기계 등 다양한 산업에 큰 장점으로 활용될 수 있는 핵심 기술로, 의료 분야에 이용될 시에 보다 정확하고 빠른 진단 및 치료를 가능케 함으로써 국민 복지 증진은 물론 의료 기술 발전에 이바지할 수 있다. AI technology is the world's most popular technology, and it is a core technology that can be used as a great advantage in various industries such as medical, electronic, and mechanical. This can of course contribute to the advancement of medical technology.
이러한 인공지능 기술을 활용한 영상화 시스템은 영상 인식, 영상 학습, 영상 처리, 재구성에 관한 모든 것을 지도 학습 기반의 최적화 알고리즘을 토대로 구현할 수 있어서 기존 영상화 시스템보다 더 빠르고 정확한 영상을 얻을 수 있다.The imaging system using this artificial intelligence technology can realize all about image recognition, image learning, image processing, and reconstruction based on supervised learning-based optimization algorithms, so that images can be obtained faster and more accurately than existing imaging systems.
특히, 암정보를 정밀하게 취득하기 위한 핵의학 영상 기술에 이러한 인공지능 기술이 접목된다면, 더욱 정밀하고 신속하게 환자의 병변부위를 예측하거나 치료할 수 있게 된다. In particular, if the artificial intelligence technology is combined with nuclear medicine imaging technology to accurately acquire cancer information, it is possible to predict or treat the lesion site of the patient more precisely and quickly.
핵의학 영상기기에는 대표적으로 단일광자단층촬영기기(SPECT)와 양전자단층촬영기기(PET)이 존재한다. 핵의학 영상은 전산화단층촬영(CT) 영상 및 자기공명영상장치(MR) 영상에서는 보기 힘든 ‘암 정보’를 정확하게 보여준다. 암과 직결되는 영상인 영상기기에서 도출되는 영상은 빠르고 정확해야 하며 불필요한 정보는 반드시 제거되어야 오진의 부작용을 막을 수 있다. 핵의학 영상은 영상 획득 기법 특성상 인공지능 기술과의 융합이 비교적 쉽다. 핵의학 영상 기술이 인공지능과 결합된다면 빠르고 정확한 영상화는 물론, 학습된 데이터에 기반하여 불필요한 정보가 제거된 True 영상을 제공하여 보다 정확한 진단 및 치료를 가능하게 한다. Nuclear medical imaging devices typically include single photon tomography (SPECT) and positron emission tomography (PET). Nuclear medicine images accurately represent "cancer information," which is difficult to see on CT and MR imaging. Images derived from video equipment, which are images directly related to cancer, must be fast and accurate, and unnecessary information must be removed to prevent side effects of misdiagnoses. Nuclear medical imaging is relatively easy to integrate with AI technology due to the characteristics of the image acquisition technique. When nuclear medicine imaging technology is combined with artificial intelligence, it provides fast and accurate imaging, as well as providing true images with unnecessary information removed based on the learned data for more accurate diagnosis and treatment.
현재 핵의학 영상 기기의 개발은 해외의 의료기기 회사 GE, 지멘스 등이 국내 핵의학 영상 기기 시장을 거의 점유하고 있지만, 영상화 관련 소프트웨어 개발은 중소기업 급 회사에서도 개발이 이루어지고 있는 실정이다. 보통은 핵의학 기기 하드웨어 구입 시 별도로 소프트웨어도 구매를 해야 하기 때문에 소프트웨어만 개발하는 회사도 국내에 존재한다. At present, the development of nuclear medical imaging equipment has taken over the domestic market of nuclear medical imaging equipment by GE, Siemens, and other medical device companies, but the development of imaging software is being developed in small and medium-sized companies. Usually, a company that develops only software exists in Korea because nuclear software device hardware must be purchased separately.
현재 의료 영상기기의 점유율은 GE, 지멘스, 필립스 3사의 점유율이 압도적으로 높은 반면, 영상기기 관련 출원 국가는 한국이 월등히 높다. 그만큼 국내의 영상화 소프트웨어 기술력 또한 진보되었고, 시장 규모 또한 커질 수 있다는 전망이다. At present, the share of medical imaging devices is overwhelmingly high among GE, Siemens, and Philips, while Korea has the highest share of applicants for imaging devices. Domestic imaging software technology has also advanced, and the market size is expected to grow.
이러한 핵의상 영장 기술의 긍정적인 전망에 발맞추어, 기술경쟁력이 있는 인공지능 기반 핵의학 영상 획득 방법에 관한 기술개발이 절실히 요구되고 있는 실정이다. In line with this positive outlook for nuclear warrant warrant technology, there is an urgent need for technology development on a method of obtaining AI-based nuclear medical images with technological competitiveness.
특히, 핵의학 영상 장비로 취득한 영상 데이터를 수학적 알고리즘으로 재구성하되, 복잡하지 않고 간소하게 구성함으로써 최종 영상 데이터 확보를 위한 과정이 신속하게 진행되어야 하고, 이러한 신속성 뿐만 아니라 최종 영상 데이터가 인공지능을 통해 정밀하게 확보될 것이 요구된다. In particular, by reconstructing the image data acquired by nuclear medical imaging equipment with a mathematical algorithm, but not complicated and simple configuration, the process for securing the final image data must proceed quickly. It is required to be precisely secured.
본 발명은 상기와 같은 필요성에 의해 안출된 것으로, 본 발명의 목적은 환자의 종양이나 암에 관한 영상을 신속하고 정밀하게 획득할 수 있게 하는 인공지능 기반 핵의학 영상 획득 방법 및 장치를 제공하고자 하는 것이다. The present invention has been made in view of the above necessity, and an object of the present invention is to provide an artificial intelligence-based nuclear medicine image acquisition method and apparatus that can quickly and accurately obtain an image of a patient's tumor or cancer will be.
상기 목적을 달성하기 위한 인공지능 기반 핵의학 영상 획득 방법은, 핵의학 영상 장비에 의한 촬영으로 숫자배열 형태의 사이노그램과 같은 로우데이터를 취득하는 단계; 상기 숫자로 된 좌표정보를 가진 로우테이터를, 종양의 영역과 크기를 보여 주기위한 영상 좌표 상에 역투사하여, 로우 영상 이미지를 획득하는 단계; 상기 로우 영상 이미지가 표시된 영상 좌표 평면 상에서 라인별로 취득한 데이터를 XY 평면 상에 매칭하여, 기울기를 가진 로우 프로파일을 획득하는 단계; 상기 로우 프로파일을 미분하여 가공 프로파일을 획득하는 수학적 처리 단계; 및상기 가공 프로파일의 패턴값이 기설정된 패턴값에 도달될 때까지 인공지능 신경망을 통해 반복적인 출력을 얻어 상기 종양에 대한 핵의학 영상을 재구성하는 단계;를 포함하여 이루어진다. Artificial intelligence-based nuclear medicine image acquisition method for achieving the above object comprises the steps of: acquiring raw data, such as a sinogram of the numeric array form by imaging by nuclear medical imaging equipment; Obtaining a raw image by projecting the raw data having the numerical coordinate information on image coordinates for showing the area and size of the tumor; Acquiring a low profile having a slope by matching data acquired for each line on an image coordinate plane on which the raw image image is displayed on an XY plane; Mathematical processing to differentiate the low profile to obtain a machining profile; And reconstructing a nuclear medicine image of the tumor by repeatedly obtaining output through the artificial neural network until the pattern value of the processing profile reaches a predetermined pattern value.
상기 영상 재구성 단계는, 상기 가공 프로파일의 영역을 복수로 구획하고, 그 가공 프로파일의 패턴값이 기설정된 패턴값에 도달될 때까지 상기 각 영역별 가중치를 서로 다르게 하여 인공지능 신경망을 통해 반복적인 출력을 얻어 상기 종양에 대한 핵의학 영상을 재구성하는 것이 바람직하다. In the image reconstructing step, the area of the processing profile is divided into a plurality, and the weights of the respective areas are different from each other until the pattern value of the processing profile reaches a predetermined pattern value, and is repeatedly output through the artificial intelligence neural network. It is desirable to obtain and reconstruct a nuclear medical image of the tumor.
상기 가공 프로파일은, 상기 미분값을 기반으로 Noise 영역, Signal 영역 및 N/S 교차영역을 포함한 영역으로 구획되고, 상기 N/S 교차영역은 상기 미분값의 크기에 상응하는 가중치 값으로 상기 인공지능 신경망을 통해 반복적인 학습이 이루어지는 것이 바람직하다. The processing profile is divided into a region including a noise region, a signal region, and an N / S intersection region based on the derivative value, and the N / S intersection region is a weight value corresponding to the magnitude of the derivative value. It is desirable to perform repetitive learning through neural networks.
상기 시그널 영역은, 상기 노이즈 영역의 미분값 패턴과 유사한 미분값을 가지는 영역인 제1영역과 그 시그널 영역의 원래의 미분값 패턴을 가지는 제2영역을 포함한 영역으로 구획되는 것이 바람직하다. The signal region is preferably divided into a region including a first region which is a region having a derivative value similar to that of the noise region and a second region having an original differential value pattern of the signal region.
상기 목적을 달성하기 위한 본 발명에 의한 인공지능 기반 핵의학 영상 획득 장치는, 핵의학 영상 장비에 의한 촬영으로 숫자배열 형태의 사이노그램과 같은 로우데이터를 취득하는 데이터 취득부; 상기 숫자로 된 좌표정보를 가진 로우테이터를, 종양의 영역과 크기를 보여 주기위한 영상 좌표 상에 역투사하여, 로우 영상 이미지를 획득하는 영상 취득부; 상기 로우 영상 이미지가 표시된 영상 좌표 평면 상에서 라인별로 취득한 데이터를 XY 평면 상에 매칭하여, 기울기를 가진 로우 프로파일을 획득하고, 상기 로우 프로파일을 미분하여 가공 프로파일을 획득하는 데이터 가공부; 및 상기 가공 프로파일의 패턴값이 기설정된 패턴값에 도달될 때까지 인공지능 신경망을 통해 반복적인 출력을 얻어 상기 종양에 대한 핵의학 영상을 재구성하는 영상 재구성부;를 포함하여 이루어지는 것을 특징으로 하는 한다. Artificial intelligence-based nuclear medicine image acquisition apparatus according to the present invention for achieving the above object, the data acquisition unit for acquiring the raw data, such as a sinogram in the form of a numeric array by imaging by nuclear medical imaging equipment; An image acquisition unit for projecting the low data having the numerical coordinate information on the image coordinates for showing the area and size of the tumor, thereby obtaining a raw image image; A data processing unit for matching the data acquired for each line on the image coordinate plane on which the raw image image is displayed on the XY plane to obtain a low profile having a slope, and differentiating the low profile to obtain a processing profile; And an image reconstructing unit configured to reconstruct a nuclear medicine image of the tumor by repeatedly obtaining an output through an artificial intelligence neural network until the pattern value of the processing profile reaches a predetermined pattern value. .
상술한 바와 같은 구성을 가지는 본 발명에 의한 핵의학 영상 획득 방법은, 핵의상 영상 장비로 취득한 영상 정보를 복잡한 수학적 알고리즘에 의하지 않고 간단한 수학적 처리 방법인 미분을 통해 환자의 종양에 대한 기초 데이터를 확보하고, 이러한 기초 데이터를 인공지능 신경망을 통해 학습하게 하여 실제 종양에 유사한 영상 이미지를 재구성할 수 있도록 구성됨으로써, 환자의 종양이나 암에 관한 영상을 신속하고 정밀하게 획득할 수 있게 됨에 따라, 양질의 의료서비스 제공을 통해 의료복지를 더욱 향상시킬 수 있는 장점을 가진다. In the nuclear medical imaging method according to the present invention having the above-described configuration, the basic information about the tumor of the patient is secured through differentiation, which is a simple mathematical processing method, of the image information acquired by the nuclear imaging device without using complicated mathematical algorithm And it is configured to learn the basic data through the artificial neural network to reconstruct the image image similar to the actual tumor, so that it is possible to quickly and precisely acquire the image of the patient's tumor or cancer, The provision of medical services has the advantage of further improving the medical welfare.
도 1은 본 발명의 일실시예에 따른 인공지능 기반 핵의학 영상 획득 방법의 흐름을 설명하기 위한 블럭도.
도 2 및 도 3은 본 발명 일실시예의 각 단계별 구현예를 설명하기 위한 도면들.
도 4는 본 발명 일실시예의 장점을 설명하기 위한 도면.
도 5는 본 발명의 일실시예에 따른 인공지능 기반 핵의학 영상 획득 장치의 구성을 설명하기 위한 블럭도.1 is a block diagram illustrating the flow of an artificial intelligence-based nuclear medicine image acquisition method according to an embodiment of the present invention.
2 and 3 are diagrams for explaining each step implementation of an embodiment of the present invention.
Figure 4 is a view for explaining the advantages of one embodiment of the present invention.
5 is a block diagram illustrating a configuration of an artificial intelligence-based nuclear medicine image acquisition device according to an embodiment of the present invention.
이하에서는 본 발명의 일실시예에 따른 인공지능 기반 핵의학 영상 획득 방법을 첨부된 도면을 참조하여 상세히 설명하기로 한다.Hereinafter, an artificial intelligence based nuclear medicine image acquisition method according to an embodiment of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 일실시예에 따른 인공지능 기반 핵의학 영상 획득 방법의 흐름을 설명하기 위한 블럭도이고, 도 2 및 도 3은 본 발명 일실시예의 각 단계별 구현예를 설명하기 위한 도면들이며, 도 4는 본 발명 일실시예의 장점을 설명하기 위한 도면이다.1 is a block diagram illustrating a flow of an artificial intelligence-based nuclear medicine image acquisition method according to an embodiment of the present invention, Figures 2 and 3 are diagrams for explaining each step implementation of an embodiment of the present invention. 4 is a view for explaining the advantages of one embodiment of the present invention.
이들 도면에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공지능 기반 핵의학 영상 획득 방법은, 로우데이터를 취득하는 제1단계와, 로우 영상 이미지(2)를 획득하는 제2단계와, 로우 프로파일(3)을 획득하는 제3단계와, 가공 프로파일(4)을 획득하는 제4단계와, 핵의학 영상을 재구성(7)하는 제4단계를 포함하여 이루어진다. As shown in these drawings, an artificial intelligence based nuclear medicine image acquisition method according to an embodiment of the present invention includes a first step of acquiring raw data, a second step of acquiring
상기 제1단계에서는, 단일광자단층촬영기기(SPECT)와 양전자단층촬영기기(PET)와 같은 핵의학 영상 장비로, 환자의 종양에 관한 영상을 촬영을 통해 획득하게 된다. In the first step, nuclear medical imaging equipment such as a single photon tomography device (SPECT) and a positron emission tomography device (PET), the image of the tumor of the patient is obtained through the imaging.
여기서 얻게 되는 영상을, 숫자 배열 형태의 로우테이터(가공되지 않은 데이터)의 집단인 사이노그램(1)(sinogram; 도 2의 상단 중간 부분 이미지 참조)이라 하는데, 이러한 사이노그램(1)은 일반적으로 수식으로 이루어진 알고리즘을 통해 영상으로 재구성되는데, 본 실시예에서는 후술할 인공지능에 의한 딥러닝을 통해 간단한 수식만으로도 정확한 영상(7; 도 4 참조)으로 재구성될 수 있게 된다. The image obtained here is called a sinogram (1), which is a group of low data (unprocessed data) in the form of a number array, which is represented by a sinogram (see Figure 1). In general, the image is reconstructed through an algorithm made of a formula, and in the present embodiment, the deep image by artificial intelligence, which will be described later, may be reconstructed into an accurate image (see FIG. 4) with only a simple formula.
상기 제2단계에서는, 상기 사이노그램(1)을 통해 얻게 되는 로우데이터를, 종양의 영역과 크기를 보여 주기 위해 설계된 영상 좌표 상에 역투사하여, 로우 영상 이미지(2)(가공되지 않은 영상 이미지; 도 2의 상단 우측 이미지 참조)를 획득하게 된다. 여기서 획득되는 로우 영상 이미지(2)는, 본 실시예에 채용된 영상 재구성 방법이 적용되지 않은 이미지이다. In the second step, the raw data obtained through the
상기 제3단계에서는, 상기 로우 영상 이미지(2)가 표시된 영상 좌표 평면 상에서 라인별로 취득한 데이터를 XY 평면 상에 매칭하여, 기울기를 가진 로우 프로파일(3)을 획득하게 된다. In the third step, the data obtained for each line on the image coordinate plane on which the
이러한 로우 프로파일(3)에는, 상기 핵의학 영상 장비로부터 취득한 환자의 종양 정보 중 실제 종양의 위치나 크기에 대응되는 true 정보가 포함되어 있으나, 그렇지 못한 false(노이즈) 정보가 함께 포함되어 있기 때문에, 상기 노이즈에 해당하는 false 정보를 버리고 true 정보를 취하는 데이터 재구성 과정이 요구된다. Since the
종래에는 이러한 데이터 재구성을 위하여, 복잡한 수학적 알고리즘이 수반되어야 했으나, 본 실시예에서는 이러한 복합한 수학적 알고리즘을 사용하지 않고 간단한 수학적 처리와 딥러닝을 통해 정밀하고 신속한 결과를 얻게 되었다. Conventionally, for this data reconstruction, complex mathematical algorithms had to be accompanied, but in the present embodiment, precise and rapid results were obtained through simple mathematical processing and deep learning without using such complex mathematical algorithms.
즉, 상기 제4단계에서는, 상기 로우 프로파일(3)을 미분하여 가공 프로파일(4)을 획득하는 수학적 처리가 수행된다. 즉, 본 실시예는 복잡한 수식에 의한 알고리즘을 사용하지 않고 간단한 수학적 처리에 해당하는 미분을 통해 가공 프로파일(4)을 획득하고, 그 가공 프로파일(4)의 좌표값을 활용하여 영상을 재구성할 수 있도록 구성됨으로써, 핵의학 영상을 종래기술에 비해 신속하게 재구성할 수 있게 된다.That is, in the fourth step, a mathematical process of differentiating the
상기 제5단계에서는, 상기 제4단계 수행 이후 확보된 가공 프로파일(4)의 패턴값이 기설정된 패턴값(6)에 도달될 때까지 인공지능 신경망(5)을 통해 반복적인 출력을 얻어 상기 종양에 대한 핵의학 영상을 재구성(7)하게 된다. 여기서, 상기 기설정된 패턴은 환자의 영상 정보가 종양인지 아닌지를 판별하는 것을 목표로 하기 때문에, '0'과 '1'로 구별되는 신호에 해당하는 이상적인 요철 패턴인 것이 바람직하다.In the fifth step, the tumor is obtained repeatedly through the artificial neural network (5) until the pattern value of the processing profile (4) obtained after performing the fourth step reaches a predetermined pattern value (6). Reconstruct (7) the nuclear medicine image for. Here, since the predetermined pattern aims at determining whether or not the image information of the patient is a tumor, it is preferable that the predetermined pattern is an ideal uneven pattern corresponding to a signal distinguished by '0' and '1'.
즉, 상기 인공지능 신경망(5)을 통한 학습은, 실제 환자의 핵의학 영상 정보가 종양에 대한 정보인지 여부를 미리 진단하기 위한 것이다. 따라서, 이러한 학습의 결과값은 종양이거나 그렇지 않거나 둘 중 하나의 결과를 도출하는 것이 이상적이기 때문에, 종양에 관한 다양한 요소를 반영하여 상기 이상적인 요철 패턴에 가깝게 귀결되는 것이 바람직하다. That is, the learning through the artificial intelligence neural network 5 is for diagnosing in advance whether the nuclear medical imaging information of the actual patient is information about the tumor. Therefore, since the outcome of this learning is a tumor or otherwise, it is ideal to derive the result of either, and therefore it is desirable to reflect close to the ideal uneven pattern reflecting various factors relating to the tumor.
이러한 구성을 가지는 본 발명의 일실시예에 따른 핵의학 영상 획득 방법은, 핵의상 영상 장비로 취득한 영상 정보를 복잡한 수학적 알고리즘에 의하지 않고 간단한 수학적 처리 방법인 미분을 통해 환자의 종양에 대한 기초 데이터를 확보하고, 이러한 기초 데이터를 인공지능 신경망(5)을 통해 학습하게 하여 실제 종양에 유사한 영상 이미지를 재구성(7)할 수 있도록 구성됨으로써, 환자의 종양이나 암에 관한 영상을 신속하고 정밀하게 획득할 수 있게 됨에 따라, 양질의 의료서비스 제공을 통해 의료복지를 더욱 향상시킬 수 있는 장점을 가진다. Nuclear medicine image acquisition method according to an embodiment of the present invention having such a configuration, the basic data about the tumor of the patient through the differential, which is a simple mathematical processing method of the image information acquired by the nuclear imaging device without complex mathematical algorithms It is configured to acquire the basic data through the artificial intelligence neural network (5) and to reconstruct (7) the image image similar to the actual tumor, thereby quickly and accurately acquiring an image of the patient's tumor or cancer. As it becomes possible, through the provision of quality medical services has the advantage of further improving the medical welfare.
본 실시예에 채용된 영상 재구성 단계인 상기 제5단계는, 상기 가공 프로파일(4)의 영역을 복수로 구획하고, 그 가공 프로파일(4)의 패턴값이 기설정된 패턴값(6)에 도달될 때까지 상기 각 영역별 가중치를 서로 다르게 하여 인공지능 신경망(5)을 통해 반복적인 출력을 얻어 상기 종양에 대한 핵의학 영상을 재구성(7)하도록 구성되었다. In the fifth step, which is an image reconstruction step employed in the present embodiment, the area of the
즉, 상기 가공 프로파일(4)을 통해 취득된 데이터값이, 종양 판별에 대한 신뢰도가 매우 높은 일정 기준치에 해당하는지 혹은 추가적인 심층 분석이 요구되는지를 영역별로 구획해 두고, 그 영역에 해당하는 범주 내에 속한 경우 서로 다른 프로세스를 통해 핵의학 영상을 재구성(7)함으로써, 불필요한 종양 판별 프로세스를 간소화하고 심층 분석이 요구되는 부분만 집중적으로 분석을 할 수 있도록 하여, 신속하고 정밀한 영상 재구성(7)이 가능하게 되는 것이다. That is, the data value acquired through the
본 실시예에서는, 상기 가공 프로파일(4)을, 상기 로우 프로파일(3)의 미분값에 해당하는 기울기 정보를 기반으로 Noise 영역, Signal 영역 및 N/S 교차영역(43)(노이즈 영역(42) 또는 시그날 영역으로 명확히 분류하기 어려운 영역)을 포함한 영역으로 구획하고, 상기 N/S 교차영역(43)은 상기 미분값의 크기에 상응하는 가중치 값으로 상기 인공지능 신경망(5)을 통해 반복적인 학습이 이루어지도록 구성되었다. In the present embodiment, the
이러한 구성을 가지는 본 실시예는, 종양 판별의 신뢰도가 높은 영역에 해당하는 Noise 영역과 Signal 영역 신속하게 분류한 후, 심층적이고 집중적인 분석이 요구되는 N/S 교차영역(43)을, 각 기울기에 대한 인공지능 신경망(5)의 서로 다른 가중치에 의해 학습하게 하고, 학습 결과가 상기 기설정된 이상적인 요철 패턴값(6)과 요구되는 확률 범위에 도달할 때까지 반복적으로 이루어지게 함으로써, 실제 종양 정보에 매우 유사한 크기와 위치 정보를 가진 핵의학 영상을 재구성(7)할 수 있는 장점을 기대할 수 있게 한다.According to the present embodiment having such a configuration, the noise and signal regions corresponding to the regions having high reliability of tumor discrimination are quickly classified, and then the slopes of the N /
즉, 본 실시예는, 도 4에 잘 도시된 바와 같이, 기존의 복잡한 수학적 알고리즘에 의해 재구성한 영상(FBP)과 그래픽 장치를 응용한 툴에 의해 재구성한 영상(GPU based OSEM)과 대조적으로, 실제 종양의 영역과 크기와 매우 유사한 형태의 영상(7)을 획득할 수 있게 된다. That is, the present embodiment, in contrast to the image reconstructed by the conventional complex mathematical algorithm (FBP) and the image reconstructed by the application of the graphics device (GPU based OSEM), as shown in Figure 4, An
상기 시그널 영역(41)은, 상기 노이즈 영역(42)의 미분값 패턴과 유사한 미분값을 가지는 영역인 제1영역(411)과 그 시그널 영역(41)의 원래의 미분값 패턴을 가지는 제2영역을 포함한 영역으로 구획되는 것이 바람직하다.The
즉, 본 실시예는, 상기 시그널 영역(41)에 해당하는 영역 중, 상기 노이즈 영역(42)에 해당하는 패턴값과 유사한 영역을 상기 제1영역(411)으로 분류하고, 그 제1영역(411)이 시그널 영역(41)에 속한 경우에는 노이즈가 아니라 시그널로 분류할 수 있도록 구성됨으로써, 시그널에 해당하는 정보임에도 불구하고 노이즈로 잘못 분류하여 영상 판별 신뢰도를 떨어뜨리는 단점을 극복할 수 있게 된다.That is, according to the present exemplary embodiment, a region similar to the pattern value corresponding to the
한편, 도 ?에 잘 도시된 바와 같이, 본 발명의 일실시예에 따른 인공지능 기반 핵의학 영상 획득 장치는, 데이터 취득부와, 영상 취득부와, 데이터 가공부와 영상 재구성부를 포함하여 이루어진다. On the other hand, as shown in Figure 3, the artificial intelligence-based nuclear medicine image acquisition apparatus according to an embodiment of the present invention comprises a data acquisition unit, an image acquisition unit, a data processing unit and an image reconstruction unit.
상기 데이터 취득부는, 핵의학 영상 장비에 의한 촬영으로 숫자배열 형태의 사이노그램(1)과 같은 로우데이터를 취득하여 그 취득된 데이터를 제어부에 송출시키는 부분이다. 상기 데이터 송출 방법은, 유선 및 무선 등 다양한 방식으로 구현이 가능하다. The data acquiring unit is a part for acquiring raw data such as the
상기 영상 취득부는, 제어부의 제어신호에 기초하여 기프로그램화된 소프트웨어적인 메카니즘에 의해, 상기 숫자로 된 좌표정보를 가진 로우테이터를, 종양의 영역과 크기를 보여 주기위한 영상 좌표 상에 역투사하여 로우 영상 이미지(2)를 획득하는 역할을 한다.The image acquisition unit, by means of a preprogrammed software mechanism based on the control signal of the control unit, by projecting the low data with the numerical coordinate information on the image coordinates to show the tumor area and size It serves to acquire the raw image image (2).
상기 데이터 가공부는, 상기 로우 영상 이미지(2)가 표시된 영상 좌표 평면 상에서 라인별로 취득한 데이터를 XY 평면 상에 매칭하여, 기울기를 가진 로우 프로파일(3)을 획득하고, 상기 로우 프로파일(3)을 미분하여 가공 프로파일(4)을 획득함으로써, 종래의 복잡한 알고리즘에 의한 데이터 가공이 아니라 간단한 수학적 연산에 의한 데이터 가공을 가능하게 하여 신속한 영상 재구성을 가능하게 한다. The data processing unit matches the data acquired for each line on the image coordinate plane on which the
상기 영상 재구성부는, 상기 가공 프로파일(4)의 패턴값이 기설정된 패턴값(6)에 도달될 때까지 인공지능 신경망(5)을 통해 반복적인 출력을 얻어 상기 종양에 대한 핵의학 영상을 재구성하는 부분이다. The image reconstructing unit reconstructs a nuclear medical image of the tumor by repeatedly obtaining output through the artificial intelligence neural network 5 until the pattern value of the
이러한 구성을 가지는 본 실시예에 따른 인공지능 기반 핵의학 영상 획득 장치는, 앞에서 설명한 인공지능 기반 핵의학 영상 취득 방법과 마찬가지로, 환자의 종양이나 암에 관한 영상을 신속하고 정밀하게 획득할 수 있게 됨에 따라, 양질의 의료서비스 제공을 통해 의료복지를 더욱 향상시킬 수 있는 장점을 도출함은 물론, 핵의상 영상 관련 기술자들에게 있어서 상대적으로 구현이 용이한 수학적 연산 방식이 채용된 데이터 가공부와 딥러닝 기술을 핵의학 영상 재구성 분야에 접목한 영상 재구성부가 상호 유기적으로 결합됨으로써, 기술 경쟁력 및 원가 경쟁력을 모두 확보할 수 있는 장점을 기대할 수 있게 한다. The AI-based nuclear medicine image acquisition device according to the present embodiment having such a configuration, as in the AI-based nuclear medicine image acquisition method described above, can quickly and accurately acquire an image of a patient's tumor or cancer. Therefore, the data processing unit and deep learning employing a mathematical operation method that is relatively easy to implement for nuclear medicine imaging technicians, as well as deriving the advantages of improving medical welfare by providing high quality medical services. The image reconstruction unit, which combines technology with the field of nuclear medical image reconstruction, is organically combined, so that it is possible to expect an advantage of securing both technical competitiveness and cost competitiveness.
이상 본 발명의 다양한 실시예에 대하여 설명하였으나, 본 실시예 및 본 명세서에 첨부된 도면은 본 발명에 포함되는 기술적 사상의 일부를 명확하게 나타내고 있는 것에 불과하며, 본 발명의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시예는 모두 본 발명의 권리범위에 포함되는 것이 자명하다고 할 것이다. While various embodiments of the present invention have been described above, the present embodiments and the accompanying drawings are only clearly showing some of the technical ideas included in the present invention, and are included in the specification and drawings of the present invention. Modifications and specific embodiments that can be easily inferred by those skilled in the art within the scope of the technical idea will be apparent to be included in the scope of the present invention.
1:사이노그램 2:로우 영상 이미지
3:로우 프로파일 4:가공 프로파일
41:시그널 영역 411:제1영역
42:노이즈 영역 43:N/S 교차영역
5:인공지능 신경망 6:기설정된 패턴값
7:재구성된 영상1: Sinogram 2: Low video image
3: low profile 4: machining profile
41: signal area 411: first area
42: noise area 43: N / S intersection area
5: artificial intelligence neural network 6: preset pattern value
7: reconstructed video
Claims (5)
상기 영상 재구성 단계는, 상기 가공 프로파일의 영역을 복수로 구획하고, 그 가공 프로파일의 패턴값이 기설정된 패턴값에 도달될 때까지 상기 각 영역별 가중치를 서로 다르게 하여 인공지능 신경망을 통해 반복적인 출력을 얻어 상기 종양에 대한 핵의학 영상을 재구성하는 것을 특징으로 하는 특징으로 하는 인공지능 기반 핵의학 영상 획득 방법.Acquiring raw data such as a numerical array-type sinogram by imaging by nuclear medical imaging equipment; Obtaining a raw image by projecting the raw data having the numerical coordinate information onto image coordinates for showing an area and a size of a tumor; Acquiring a low profile having a slope by matching data acquired for each line on an image coordinate plane on which the raw image image is displayed on an XY plane; Mathematical processing to differentiate the low profile to obtain a machining profile; And reconstructing a nuclear medicine image of the tumor by repeatedly obtaining output through an artificial intelligence neural network until the pattern value of the processing profile reaches a predetermined pattern value.
In the image reconstructing step, the area of the processing profile is divided into a plurality, and the weights for the respective areas are different from each other until the pattern value of the processing profile reaches a predetermined pattern value, and is repeatedly output through the artificial intelligence neural network. AI-based nuclear medicine image acquisition method, characterized in that to obtain a reconstructed nuclear medicine image for the tumor.
상기 가공 프로파일은, 상기 로우 프로파일의 미분값을 기반으로 Noise 영역, Signal 영역 및 N/S 교차영역을 포함한 영역으로 구획되고, 상기 N/S 교차영역은 상기 미분값의 크기에 상응하는 가중치 값으로 상기 인공지능 신경망을 통해 반복적인 학습이 이루어지는 것을 특징으로 하는 인공지능 기반 핵의학 영상 획득 방법.The method of claim 2,
The processing profile is divided into a region including a noise region, a signal region, and an N / S intersection region based on the derivative value of the low profile, and the N / S intersection region is a weight value corresponding to the magnitude of the derivative value. An AI-based nuclear medicine image acquisition method, characterized in that iterative learning is made through the artificial intelligence neural network.
상기 시그널 영역은, 상기 노이즈 영역의 미분값 패턴과 유사한 미분값을 가지는 영역인 제1영역과 그 시그널 영역의 원래의 미분값 패턴을 가지는 제2영역을 포함한 영역으로 구획되는 것을 특징으로 하는 인공지능 기반 핵의학 영상 획득 방법.The method of claim 3,
The signal area is divided into an area including a first area that is an area having a derivative value similar to the derivative value pattern of the noise area and a second area having an original differential value pattern of the signal area. Based nuclear medicine image acquisition method.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180027924A KR102077387B1 (en) | 2018-03-09 | 2018-03-09 | Artificial intelligence based nuclearmedicine image acquisition method and apparatus |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180027924A KR102077387B1 (en) | 2018-03-09 | 2018-03-09 | Artificial intelligence based nuclearmedicine image acquisition method and apparatus |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190106423A KR20190106423A (en) | 2019-09-18 |
| KR102077387B1 true KR102077387B1 (en) | 2020-02-13 |
Family
ID=68070581
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180027924A KR102077387B1 (en) | 2018-03-09 | 2018-03-09 | Artificial intelligence based nuclearmedicine image acquisition method and apparatus |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102077387B1 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006202276A (en) * | 2004-12-22 | 2006-08-03 | Fuji Photo Film Co Ltd | Image processing method, system, and program |
| KR101500247B1 (en) * | 2013-12-31 | 2015-03-06 | 가톨릭대학교 산학협력단 | Neutron therapy equipment with PET and SPECT collimator |
| KR101627260B1 (en) | 2014-12-11 | 2016-06-13 | 숭실대학교산학협력단 | Apparatus and method for protecting privacy |
| JP2017051752A (en) * | 2016-12-20 | 2017-03-16 | 富士フイルム株式会社 | Radiation image photographing apparatus and method |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6070939B2 (en) * | 2013-03-07 | 2017-02-01 | 富士フイルム株式会社 | Radiation imaging apparatus and method |
-
2018
- 2018-03-09 KR KR1020180027924A patent/KR102077387B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006202276A (en) * | 2004-12-22 | 2006-08-03 | Fuji Photo Film Co Ltd | Image processing method, system, and program |
| KR101500247B1 (en) * | 2013-12-31 | 2015-03-06 | 가톨릭대학교 산학협력단 | Neutron therapy equipment with PET and SPECT collimator |
| KR101627260B1 (en) | 2014-12-11 | 2016-06-13 | 숭실대학교산학협력단 | Apparatus and method for protecting privacy |
| JP2017051752A (en) * | 2016-12-20 | 2017-03-16 | 富士フイルム株式会社 | Radiation image photographing apparatus and method |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20190106423A (en) | 2019-09-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102210474B1 (en) | Positron emission tomography system and imgae reconstruction method using the same | |
| Samei et al. | Performance evaluation of computed tomography systems: summary of AAPM Task Group 233 | |
| CN107330949B (en) | Artifact correction method and system | |
| CN107123095B (en) | PET image reconstruction method and imaging system | |
| US11941786B2 (en) | Image noise reduction method and device | |
| US20200210767A1 (en) | Method and systems for analyzing medical image data using machine learning | |
| JP2020506742A (en) | Deep learning-based estimation of data for use in tomographic reconstruction | |
| KR101919866B1 (en) | Method for aiding determination of presence of bone metastasis from bone scan image and apparatus using the same | |
| CN107093198A (en) | System of selection for artifact correction algorithm, data processing equipment and medical image system for performing this method | |
| CN113424222A (en) | System and method for providing stroke lesion segmentation using a conditional generation countermeasure network | |
| CN114048806A (en) | Alzheimer disease auxiliary diagnosis model classification method based on fine-grained deep learning | |
| KR20200120311A (en) | Determination method for stage of cancer based on medical image and analyzing apparatus for medical image | |
| CN111260636A (en) | Model training method and apparatus, image processing method and apparatus, and medium | |
| Chen et al. | Improving reproducibility and performance of radiomics in low‐dose CT using cycle GANs | |
| Abbani et al. | Deep learning‐based segmentation in prostate radiation therapy using Monte Carlo simulated cone‐beam computed tomography | |
| KR102077387B1 (en) | Artificial intelligence based nuclearmedicine image acquisition method and apparatus | |
| CN105631908B (en) | A kind of PET image reconstruction method and device | |
| Camps et al. | One-class Gaussian process regressor for quality assessment of transperineal ultrasound images | |
| KR20200142835A (en) | Alzheimer diagnosis apparatus using brain image | |
| Rohleder et al. | Cross-domain metal segmentation for CBCT metal artifact reduction | |
| CN114140487A (en) | Brain image segmentation method and device | |
| Nakazeko et al. | Estimation of patient’s angle from skull radiographs using deep learning | |
| Alshamrani et al. | [Retracted] Automation of Cephalometrics Using Machine Learning Methods | |
| US20240104802A1 (en) | Medical image processing method and apparatus and medical device | |
| CN112561972B (en) | Medical image registration method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |