KR102097740B1 - 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템 및 그 구동방법 - Google Patents

인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템 및 그 구동방법 Download PDF

Info

Publication number
KR102097740B1
KR102097740B1 KR1020190090277A KR20190090277A KR102097740B1 KR 102097740 B1 KR102097740 B1 KR 102097740B1 KR 1020190090277 A KR1020190090277 A KR 1020190090277A KR 20190090277 A KR20190090277 A KR 20190090277A KR 102097740 B1 KR102097740 B1 KR 102097740B1
Authority
KR
South Korea
Prior art keywords
image data
medical image
data
unit
artificial intelligence
Prior art date
Application number
KR1020190090277A
Other languages
English (en)
Inventor
배준호
이용은
정종훈
최우식
김태규
Original Assignee
주식회사 딥노이드
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 주식회사 딥노이드 filed Critical 주식회사 딥노이드
Priority to KR1020190090277A priority Critical patent/KR102097740B1/ko
Application granted granted Critical
Publication of KR102097740B1 publication Critical patent/KR102097740B1/ko

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
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical

Abstract

본 발명은 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템 및 그 구동방법에 관한 것으로, 환자 신체의 적어도 일부를 촬영한 의료 영상 데이터를 입력받는 데이터 입력부, 상기 데이터 입력부로 입력받은 의료 영상 데이터에 전처리를 수행하는 전처리부, 상기 전처리부에서 전처리가 수행된 의료 영상 데이터를 인공지능 알고리즘으로 분류하는 데이터 분류부, 상기 데이터 분류부에서 분류된 의료 영상 데이터를 학습된 인공지능 알고리즘으로 표준화하는 표준화부, 상기 데이터 표준화된 의료 영상 데이터에서 영상 태그 값을 파악하는 태그 파악부 및 상기 표준화부에서 표준화된 의료 영상 데이터와 상기 태그 파악부에서 파악된 태그 값을 분리하여 저장하는 데이터 저장부를 포함하는 것을 특징으로 하는 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템에 의해 기존에 수작업으로 의료 영상에 연결된 태그값으로 분류하고, 표준화함에 따라 시간 및 비용이 소모되는 것을 막을 수 있도록 인공지능을 통해 자동으로 데이터의 분류 및 표준화가 가능한 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템 및 그 구동방법을 제공할 수 있는 효과가 도출된다.

Description

인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템 및 그 구동방법{System for Classifying and standardizing of Medical images automatically using Artificial intelligence}
본 발명은 의료영상 자동 분류 및 표준화 시스템 및 그 구동방법에 관한 것으로, 보다 상세하게는 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템 및 그 구동방법에 관한 것이다.
4차 산업의 도래와 기계학습 분야의 발전으로 인해 빅데이터의 중요성이 커지고 있다. 데이터는 무형 자산으로 그 가치를 인정받고 있다. 또한 알파고를 필두로 한 인공지능 기술의 발전으로 인해 여러 분야에서 인공지능을 적용했을 때에 가시적인 성과가 나오고 있는 시점에서 인공지능의 제작과 학습에 필요한 학습 데이터는 그 어느때보다 중요한 자산이라고 할 수 있다.
한편, 다양한 영상 데이터들이 생성되는 요즘, 영상 관련 인공지능을 제작하기 위해서는 일반 데이터의 수천 내지 수만배 크기에 달하는 다량의 영상 데이터들을 학습해야한다.
이런 상황에서 학습 가능한 양질의 영상 데이터 수천 내지 수만건을 일일이 수작업으로 분류, 표준화하는 작업은 시간과 비용 소모가 매우 많은 작업이다.
따라서 인공지능을 만들기위해 필요한 대량의 양질의 영상 데이터를 생산할 수 있는 분류 및 표준화 시스템이 필요한 실정이다.
특히 의료 영상 데이터를 활용한 인공지능을 제작하려면 의료 영상 데이터를 학습해야한다. 그런데 의료 영상의 경우에 한사람의 환자에게서 만들어지는 영상의 크기가 많게는 수 기가바이트(Gb) 단위까지 올라가는 대용량 데이터이다. 따라서 이런 의료 영상 데이터들을 학습데이터로 활용하기 위해서는 자동화된 영상 분류 및 표준화 시스템의 필요성이 매우 커지고 있다.
하지만 기존 시스템의 경우 단순히 영상 자체에 부여된 태그(Tag) 값을 통해 영상을 입력자가 직접 분류해서 입력해야하는 상황이다. 그리고 입력된 데이터를 사용하기 위해서는 영상을 직접 열어보고 일일이 확인해야하는 번거로운 작업이 필요하다.
뿐만 아니라 데이터의 표준이 따로 존재하지 않아 데이터를 수집하는 기존의 수집 에이전트는 쌓이는 의료영상 데이터에 기본적인 분류 작업만 진행한 다음 단순히 쌓아두는 형식으로 작업을 진행하고 있는 실정이다.
KR 1020100121178 A KR 1020140049137 A
본 발명은 이 같은 기술적 배경에서 도출된 것으로, 수작업으로 의료 영상에 연결된 태그값으로 분류하고, 표준화함에 따라 시간 및 비용이 소모되는 것을 막기 위해 인공지능을 통해 자동으로 데이터의 분류 및 표준화가 가능한 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템 및 그 구동방법을 제공함에 그 목적이 있다.
상기의 과제를 달성하기 위한 본 발명은 다음과 같은 구성을 포함한다.
즉 본 발명의 일 실시예에 따른 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템은 환자 신체의 적어도 일부를 촬영한 의료 영상 데이터를 입력받는 데이터 입력부, 상기 데이터 입력부로 입력받은 의료 영상 데이터에 전처리를 수행하는 전처리부, 상기 전처리부에서 전처리가 수행된 의료 영상 데이터를 인공지능 알고리즘으로 분류하는 데이터 분류부, 상기 데이터 분류부에서 분류된 의료 영상 데이터를 학습된 인공지능 알고리즘으로 표준화하는 표준화부, 상기 데이터 표준화된 의료 영상 데이터에서 영상 태그 값을 파악하는 태그 파악부 및 상기 표준화부에서 표준화된 의료 영상 데이터와 상기 태그 파악부에서 파악된 태그 값을 분리하여 저장하는 데이터 저장부를 포함하는 것을 특징으로 한다.
한편, 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템의 구동방법은 데이터 입력부가 환자 신체의 적어도 일부를 촬영한 의료 영상 데이터를 입력받는 단계, 전처리부가 상기 입력받은 의료 영상 데이터에 전처리를 수행하는 단계, 데이터 분류부가 상기 전처리부에서 전처리가 수행된 의료 영상 데이터를 인공지능 알고리즘으로 분류하는 단계, 표준화부가 상기 분류된 의료 영상 데이터를 학습된 인공지능 알고리즘으로 표준화하는 단계, 태그 파악부가 상기 데이터 표준화된 의료 영상 데이터에서 영상 태그 값을 파악하는 단계 및 상기 표준화된 의료 영상 데이터와 상기 파악된 태그 값을 분리하여 저장하는 단계를 포함하는 것을 특징으로 한다.
본 발명에 따르면, 기존에 수작업으로 의료 영상에 연결된 태그값으로 분류하고, 표준화함에 따라 시간 및 비용이 소모되는 것을 막을 수 있도록 인공지능을 통해 자동으로 데이터의 분류 및 표준화가 가능한 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템 및 그 구동방법을 제공할 수 있는 효과가 도출된다.
또한, 본 발명의 일 실시예에 따른 의료영상 자동 분류 및 표준화 시스템은 바이너리 파일로 변환된 영상 데이터를 메시지 큐(Massage Queue) 방식을 사용하여 DMA(Meory to Memory)로 전송받음으로써 시스템 하드웨어에 부하를 덜어주도록 설계하는 것이 가능하다.
뿐만 아니라 일 실시예에 따르면 태그 저장부에서 의료 영상 데이터에서 분리된 태그 값을 따로 저장하고 관리함으로써 데이터관리의 효율성을 향상시킬 수 있고 시스템의 모니터링 효과도 볼 수 있다는 장점이 있다.
도 1 은 본 발명의 일 실시예에 따른 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템의 구성을 도시한 블록도,
도 2 는 본 발명의 일 실시예에 따른 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템의 구동방법의 흐름도,
도 3 은 본 발명의 일 실시예에 따른 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템의 구동방법의 전처리 과정을 도시한 흐름도이다.
본 발명에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명한다.
도 1 은 본 발명의 일 실시예에 따른 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템의 구성을 도시한 블록도이다.
도 1 에 도시된 바와 같이 일 실시예에 따른 의료영상 자동 분류 및 표준화 시스템(10)은 데이터 입력부(100), 전처리부(110), 데이터 분류부(120), 표준화부(130), 태그 파악부(140), 및 데이터 저장부(150)를 포함한다.
데이터 입력부(100)는 환자 신체의 적어도 일부를 촬영한 의료 영상 데이터를 입력받는다.
데이터 입력부(100)는 적어도 하나의 의료기기로부터 환자 신체의 적어도 일부를 촬영한 의료 영상 데이터를 입력받는다. 의료 기기는 환자의 환부 신호를 측정하여 전기 신호화하여 출력하고 출력된 전기 신호를 영상으로 변환하는 장치로서, 초음파 검사기, MRI 장치, CT 등을 포함한다. 출력된 전기 신호는 연속된 형태로 영상화되어 실시간으로 데이터 입력부(100)에 전송될 수 있다. 즉, 데이터 입력부(100)는 의료 영상 촬영기기로부터 연속된 형태의 영상을 순차적으로 실시간 입력받을 수 있다.
일 양상에 있어서 데이터 입력부(100)는 바이너리 파일로 변환된 영상 데이터를 메시지 큐(Massage Queue) 방식을 사용하여 DMA(Meory to Memory)로 전송받는다. 이에 따라 시스템 하드웨어에 부하를 덜어주도록 설계하는 것이 가능하다.
일 실시예에 있어서 의료 영상 데이터 입력부(100)로 입력된 바이너리 파일은 의료영상 자동 분류 및 표준화 시스템(10)상에서 영상 데이터로 변환되어 사용가능한 상태로 변경될 수 있다.
전처리부(110)는 데이터 입력부(100)로 입력받은 의료 영상 데이터에 전처리를 수행한다.
일 양상에 있어서 전처리부(110)는 입력된 영상 데이터들의 해상도를 일정하게 조정하고, 상기 영상 데이터의 강도(intensity)값을 분석하며, 히스토그램화하여 히스토그램화된 결과를 바탕으로 특정 영역을 강조하여 강도가 약한 부분과 강한 부분을 분리하여 상기 영상 데이터의 강도(intensity)값의 차이 분포를 명확히한다.
데이터 입력부(100)로 입력받은 영상 데이터는 메모리 상에 존재하기 때문에 별도의 처리 없이 바로 사용이 가능하다.
전처리부(110)는 데이터 입력부(100)로 입력된 의료 영상 데이터에서 메타 데이터와 영상 데이터를 분리한 후 미리 학습된 인공지능 기반의 데이터 분류부(120)에 입력하기 전에 인공지능 시스템의 성능을 극대화하기 위한 전처리 과정을 수행한다. 이같이 영상 데이터와 메타데이터를 분리하여 메타데이터를 태그화하여 데이터베이스로 저장관리함으로써 대량의 의료 영상 데이터를 체계적으로 관리하는 것이 가능하다.
일 실시예에 있어서, 데이터 입력부(100)로 입력되는 영상 데이터들은 각각 상이한 해상도를 가진다. 따라서 입력된 영상 데이터들의 해상도를 일정하게 조정하여 표준화하는 작업이 필요하다.
일 실시예에 있어서 저해상도 영상의 특징맵(Feature Map)에 고해상도 영상의 특징맵(Feature Map)의 가장 비슷한 영역에 매핑하여 가장 유사한 고해상도 정보로 전환시켜주는 과정을 수행하여 해상도를 표준화 하는 것이 가능하다.
그리고 영상 데이터의 강도(intensity)값을 분석하여 히스토그램화하고, 이를 바탕으로 특정 영역을 강조하여 약한 부분과 강한 부분을 분리한다. 그리고 영상 데이터의 강도(intensity)값의 차이 분포를 명확히하는 작업을 진행한다.
빛의 밝기는 이미지를 분류하는데 있어서 큰 장애가 되는 노이즈 요소다. 그림자가 생기면 해당 위치의 픽셀이 갖는 색에 해당하는 코드가 바뀌기 때문이다.즉, 같은 신체 부위를 촬영한 영상이라고 하더라고 빛을 받아 밝은 톤의 이미지와 그림자가 진 어두운 톤의 이미지는 컴퓨터가 볼 때 전혀 다른 픽셀 값을 갖는 이미지가 되는 것이다. 이렇게 조명에 의한 간섭을 최소화하는 기법을 강도 평준화(Intensity normalization)라 한다.
일 실시예에 있어서 빛의 강도가 가장 약한 곳과 가장 강한 곳의 가우시안 가중치 평균값(Gaussian weighted average)을 사용하여 이러한 노이즈를 제거할 수 있다. 이 후에 영상 데이터에 특정 수치의 가우시안 필터를 적용하여 해당 환자만 가지는 개별 케이스 특징을 소멸시키는 작업과정을 거친다.
전처리부(110)에서 일련의 전처리 과정을 거친 영상 데이터는 데이터 분류부(120)로 전달된다.
데이터 분류부(120)는 전처리부(110)에서 전처리가 수행된 의료 영상 데이터를 인공지능 알고리즘으로 분류한다. 일 양상에 따른 데이터 분류부(120)는 전처리부(110)에서 전처리가 수행된 의료 영상 데이터에 신경망 기반의 딥 러닝 알고리즘을 사용하여 영상을 인식하고 분류한다.
데이터 분류부(120)는 데이터 전처리부(110)에서 전처리된 영상 데이터를 이용하여 영상 분류 작업을 진행한다. 의료 영상을 현장에서 사용할 때 필요한 카테고리는 영상의 종류와, 촬영 신체 부위 정보를 포함한다.
일예로 영상의 종류에는 X-ray, CT(Computed Tomography), MRI(Magnetic Resonance Imaging), US(Ultrasound), PET(Positron Emission Tomography) 등이 있고, 신체 부위는 뇌(Brain), 흉부(Chest), 복부(Abdomen), 폐, 심혈관, 뼈, 안구등 매우 다양한 부위가 있다.
각 신체 부위별로 영상의 종류가 다양하기 때문에 매우 많은 카테고리가 존재한다. 일 실시예에 있어서 데이터 분류부(120)는 방대한 양의 카테고리를 분류하기 위해 영상 인식 및 분류 작업을 진행한다.
일 실시예에 있어서 데이터 분류부(120)는 전처리부(110)에서 전처리 완료된 데이터를 기 학습된 신경망에 투과시켜 해당 영상의 카테고리 정보를 확보할 수 있다. 영상의 카테고리 정보는 신체 부위에 따라 분류될 수있다. 그러나 이에 한정되는 것은 아니다.
이때 사용된 딥러닝 알고리즘은 Resnet과 Mobilenet과 같은 다양한 신경망들을 조합한 것일 수 있다. 또한, 신경망 구조와 계층 형태를 변경하여 최신 신경망 트랜드에 맞게 특징맵의 depth별 연산이 가능한 depthwise seperable convolution을 사용하여 새롭게 설계, 개발한 분류 전용 신경망을 이용한 것일 수도 있다.
그리고 다양한 다수의 신경망을 확보하고, 확보된 신경망들의 각각의 분류 결과를 융합하여 결과를 확보하는 앙상블 알고리즘이 적용될 수도 있다. 이때 데이터 분류부(120)가 영상의 카테고리를 확보하기 위해 사용하는 딥러닝 알고리즘은 영상별로 신체 부위별 또는 촬영 기법별로 분류하는 기능을 수행할 수 있는 기술적 방법을 모두 포괄하도록 해석된다.
일 실시예에 있어서 딥러닝 알고리즘은 예를들어 컨볼루션 신경망(CNN) 딥러닝 알고리즘일 수도 있다. 컨볼루션 신경망(CNN) 딥러닝 알고리즘은 이미지, 텍스트, 사운드, 얼굴 인식 등 다양한 영역에서 특징 추출 또는 분류를 위해 사용될 수 있다.
패턴을 직접 찾고 특징을 분류하는데 직접 학습하기 때문에 수동 작업이 필요하지 않고, 높은 수준의 인식 결과를 나타낸다는 장점이 있다.
예를들어 데이터 분류부(120)는 입력되는 영상 데이터를 필터(커널)을 통해 컨볼루션층을 통과시키면서 특징을 추출하고 최종적으로 softmax함수를 통해 특징을 0~1 사이의 값으로 분류하는 과정을 거치는 것을 수행할 수 있다.
표준화부(130)는 데이터 분류부(120)에서 분류된 의료 영상 데이터를 학습된 인공지능 알고리즘으로 표준화한다.
데이터 입력부(100)로 입력된 원본 영상 데이터와 전처리부(110)에서 전처리된 영상 데이터는 모두 메모리상에 저장된다. 따라서 표준화부(130)는 데이터 분류부(120)에서의 분류 결과를 이용하여 영상 표준화 작업을 수행한다.
일 실시예에 있어서, 표준화부(130)는 데이터 분류부(120)에서 분류된 의료 영상 데이터를 미리 정해진 BOW(bag of words)를 이용하여 필터링하고 형태와 규격이 일정해지도록 표준화한다.
표준화부(130)는 영상 데이터의 태그값을 미리 규정해둔 bag of word를 통해 필터링한다. Bag of Words는 단어들의 출현 빈도에만 집중하는 텍스트 데이터의 수치화 표현 방법이다. bag of word를 통해 필터링하는 것은 불필요한 특수 문자열이나 공백문자, 대소문자들을 필터링 하여 태그값이 일정한 형태와 규격을 갖도록 하기위한 것이다.
즉 표준화부(130)는 영상 데이터 및 태그값의 변수의 크기를 정규화 시켜주는 모든 기술적 구성을 포괄하도록 해석된다.
태그 파악부(140)는 데이터 표준화된 의료 영상 데이터에서 영상 태그 값을 파악한다. 태그 파악부(140)는 인공지능 학습 과정 및 전처리 과정에서 사용되는 영상 태그의 특정값을 조사한다. 그리고 조사가 완료되면 해당 값들이 인공지능 분류 결과에 일치하는지 여부를 판단하여, 일치하지 않는 경우에는 해당 값을 지우고 사용자 편집이 가능한 데이터로 별도로 보관한다.
반면, 표준화부(130)는 모든 조건이 부합하여 표준화 작업이 완료된 것으로 판단되면 이를 각각 영상 저장부(152)와 태그 저장부(154)로 전달하여 따로 저장한다. 그리고 표준화부(130)에서 조건에 부합하지 않는 영상 데이터는 별도의 저장공간에 저장한다.
이때 영상 저장부(152) 및 태그 저장부(154)로 전송하는 것은 메모리간 데이터 이동도 가능하지만, 영상 저장부(152) 및 태그 저장부(154)가 별개의 시스템으로 존재하는 경우에는 메시지큐를 사용하여 데이터를 전송한다.
데이터 저장부(150)는 표준화부(130)에서 표준화된 의료 영상 데이터와 태그 파악부(140)에서 파악된 태그 값을 분리하여 저장한다.
일 실시예에 있어서 데이터 저장부(150)는 물리적으로 별개인 영상 저장부(152)와 태그 저장부(154)를 포함한다. 그러나 이에 한정되는 것은 아니고 물리적으로 하나의 저장 장치로도 구현가능하다.
영상 저장부(152)는 표준화부(130)에서 표준화 작업이 완료된 영상 데이터를 파이썬(Python) 언어 기반의 특수한 바이너리 포맷으로 압축 저장한다. 이때 사용자는 미리 태그와 영상을 분할 압축하여 저장할지 아니면 통합하여 일반 압축 저장할지 옵션 설정을 통해 선택할 수 있다.
일 실시예에 있어서 영상 저장부(152)는 사용자가 옵션 선택한 사항에 기반하여 파이썬(Python)언어 기반의 npz 또는 pkl 파일로 시스템에서 미리 규약한 계층구조의 경로에 분배, 분류, 저장한다.
태그 저장부(154)는 영상 저장부(152)에 저장되는 의료 영상 데이터와 영상의 태그값의 관리를 위해 데이터베이스구조로 구현된다.
일예로 사용자가 옵션 선택하는 사항에 따라 태그 저장부(154) 즉 데이터베이스에 영상 자체 파일이 함께 저장되는 것도 가능하다. 일 실시예에 있어서 태그 저장부(154)에서 의료 영상 데이터에서 분리된 태그 값을 따로 저장하고 관리함으로써 데이터관리의 효율성을 향상시킬 수 있고 시스템의 모니터링 효과도 볼 수 있다는 장점이 있다.
즉, 본 발명의 일 실시예에 따른 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템은 대량의 의료 영상을 학습함에 있어 의료 영상을 촬영 기법이나 촬영된 신체 일부 정보와 함께 태그화하여 저장 및 관리함으로써 의료 영상을 보다 체계적으로 학습하고 이후에 학습된 내용에 기반하여 촬영된 의료 영상을 분석함에 있어서도 일일이 수작업해야하는 번거로움을 줄일 수 있다.
또한 본 발명의 일 실시예에 따른 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템은 영상 데이터와 태그 정보를 각각 표준화하여 저장한다. 그리고 표준화하여 저장할때 표준화된 정보들과 함께 담당자가 영상 데이터에 기반하여 입력한 환자의 증상이나, 질병코드, 판독 결과에 대한 코멘트를 추가적으로 입력하여 함께 저장하는 것이 가능하다. 이에 따라 입력되는 의료 영상에 대해 보다 전문적인 지식을 함께 접목시켜서 학습하는 것이 가능하다.
향후 진단을 수행함에 있어 의료 영상 판독 결과에 따른 질병이나, 환자 상황 정보를 함께 참고함으로써 인공지능을 활용하여 영상 데이터에 기반한 의료 진단을 수행함에 있어 진단의 정확도를 보다 향상시킬 수 있다.
도 2 는 본 발명의 일 실시예에 따른 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템의 구동방법의 흐름도이다.
먼저, 의료영상 자동 분류 및 표준화 시스템의 데이터 입력부가 환자 신체의 적어도 일부를 촬영한 의료 영상 데이터를 입력받는다(S200).
데이터를 입력받는 단계는 적어도 하나의 의료기기로부터 환자 신체의 적어도 일부를 촬영한 의료 영상 데이터를 입력받는다.
이때 의료 기기는 환자의 환부 신호를 측정하여 전기 신호화하여 출력하고 출력된 전기 신호를 영상으로 변환하는 장치로서, 초음파 검사기, MRI 장치, CT 등을 포함한다. 출력된 전기 신호는 연속된 형태로 영상화되어 실시간으로 입력될 수 있다.
또한 일 양상에 있어서 데이터를 입력받는 단계는 바이너리 파일로 변환된 영상 데이터를 메시지 큐(Massage Queue) 방식을 사용하여 DMA(Meory to Memory)로 전송받는다. 이에 따라 시스템 하드웨어에 부하를 덜어주도록 설계하는 것이 가능하다.
일 실시예에 있어서 입력된 바이너리 파일은 의료영상 자동 분류 및 표준화 시스템상에서 영상 데이터로 변환되어 사용가능한 상태로 변경될 수 있다.
그리고 전처리부가 입력받은 의료 영상 데이터에 전처리를 수행한다(S210).
도 3 은 본 발명의 일 실시예에 따른 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템의 구동방법의 전처리 과정을 도시한 흐름도이다.
도 3에 도시된 바와 같이 일 실시예에 따른 전처리를 수행하는 과정(S210)은, 먼저, 전처리부가 데이터 입력부로 입력된 의료 영상 데이터에서 메타 데이터와 영상 데이터를 분리한 후 미리 학습된 인공지능 기반의 영상 분류부에 입력하기 전에 인공지능 시스템의 성능을 극대화하기 위한 전처리 과정을 수행한다.
이같이 영상 데이터와 메타데이터를 분리하여 메타데이터를 태그화하여 데이터베이스로 저장관리함으로써 대량의 의료 영상 데이터를 체계적으로 관리하는 것이 가능하다.
메타데이터는 의료영상 데이터의 속성 정보를 포함한다. 대량의 정보를 효율적으로 관리하기 위해 일정한 규칙에 의거하여 의료영상 데이터마다 부여될 수 있다.
일예로 메타데이터는 의료영상 데이터를 입력한 작성자, 이용조건, 이용내력, 권리조건, 의료영상 데이터의 위치와 내용이 포함될 수 있다.
입력받은 영상 데이터는 메모리 상에 존재하기 때문에 별도의 처리 없이 바로 사용이 가능하다.
일 실시예에 있어서, 데이터 입력부로 입력되는 영상 데이터들은 각각 상이한 해상도를 가진다. 따라서 입력된 영상 데이터들의 해상도를 일정하게 조정하여 표준화하는 작업이 필요하다(S2110).
그리고 영상 데이터의 강도(intensity)값을 분석하여 히스토그램화하고, 이를 바탕으로 특정 영역을 강조하여 약한 부분과 강한 부분을 분리한다. 그리고 영상 데이터의 강도(intensity)값의 차이 분포를 명확히하는 작업을 진행한다(S2120).
빛의 밝기는 이미지를 분류하는데 있어서 큰 장애가 되는 노이즈 요소다. 그림자가 생기면 해당 위치의 픽셀이 갖는 색에 해당하는 코드가 바뀌기 때문이다.즉, 같은 신체 부위를 촬영한 영상이라고 하더라고 빛을 받아 밝은 톤의 이미지와 그림자가 진 어두운 톤의 이미지는 컴퓨터가 볼 때 전혀 다른 픽셀 값을 갖는 이미지가 되는 것이다. 이렇게 조명에 의한 간섭을 최소화하는 기법을 강도 평준화(Intensity normalization)라 한다.
일 실시예에 있어서 빛의 강도가 가장 약한 곳과 가장 강한 곳의 가우시안 가중치 평균값(Gaussian weighted average)을 사용하여 이러한 노이즈를 제거할 수 있다. 이 후에 영상 데이터에 특정 수치의 가우시안 필터를 적용하여 해당 환자만 가지는 개별 케이스 특징을 소멸시키는 작업과정을 거친다(S2130).
전술한 일련의 전처리 과정을 거친 영상 데이터는 인공지능 기반의 분류가 되도록(S220)데이터 분류부로 전달된다.
한편, 태그 파악부는 의료 영상 데이터에서 메타 데이터와 영상 데이터를 분리한 후 분리된 메타데이터에 근거하여 태그값을 파악한다.
일 실시예에 있어서 의료 영상 데이터에서 의료 태그값과 영상 태그 값을 각각 분석하여 파악한다(S2140, S2150). 그리고 인공지능 학습 과정 및 전처리 과정에서 사용되는 영상 태그의 특정값을 조사한다. 이 후에 조사가 완료되면 해당 값들이 인공지능 분류 결과에 일치하는지 여부를 판단하고, 일치하지 않는 경우에는 해당 값을 지우고 사용자 편집이 가능한 데이터로 별도로 보관한다.
이 후에 데이터 분류부는 전처리부에서 전처리가 수행된 의료 영상 데이터를 인공지능 알고리즘으로 분류한다(S220).
데이터 분류부는 전처리부에서 전처리가 수행된 의료 영상 데이터를 인공지능 알고리즘으로 분류한다. 일 양상에 따르면, 데이터를 분류하는 단계는 전처리가 수행된 의료 영상 데이터에 신경망 기반의 딥 러닝 알고리즘을 사용하여 영상을 인식하고 분류한다.
그리고 데이터 분류부는 데이터 전처리부에서 전처리된 영상 데이터를 이용하여 영상 분류 작업을 진행한다. 의료 영상을 현장에서 사용할 때 필요한 카테고리는 영상의 종류와, 촬영 신체 부위 정보를 포함할 수 있다.
일예로 영상의 종류에는 X-ray, CT(Computed Tomography), MRI(Magnetic Resonance Imaging), US(Ultrasound), PET(Positron Emission Tomography) 등이 있고, 신체 부위는 뇌(Brain), 흉부(Chest), 복부(Abdomen), 폐, 심혈관, 뼈, 안구등 매우 다양한 부위가 있다.
각 신체 부위별로 영상의 종류가 다양하기 때문에 매우 많은 카테고리가 존재한다. 일 실시예에 있어서 데이터를 분류하는 단계는 방대한 양의 카테고리를 분류하기 위해 영상 인식 및 분류작업을 진행한다.
데이터를 분류하는 단계에서 전처리 완료된 데이터를 기 학습된 신경망에 투과시켜 해당 영상의 카테고리 정보를 확보할 수 있다.
이때 사용된 딥러닝 알고리즘은 Resnet과 Mobilenet과 같은 다양한 신경망들을 조합한 것일 수 있다. 또한, 신경망 구조와 계층 형태를 변경하여 최신 신경망 트랜드에 맞게 특징맵의 depth 별 연산이 가능한 depthwise seperable convolution을 사용하여 새롭게 설계, 개발한 분류 전용 신경망을 이용한 것일 수도 있다.
그리고 다양한 다수의 신경망을 확보하고, 확보된 신경망들의 각각의 분류 결과를 융합하여 결과를 확보하는 앙상블 알고리즘이 적용될 수도 있다. 영상의 카테고리를 확보하기 위해 사용하는 딥러닝 알고리즘은 영상별로 신체 부위별 또는 촬영 기법별로 분류하는 기능을 수행할 수 있는 기술적 방법을 모두 포괄하도록 해석된다.
일 실시예에 있어서 딥러닝 알고리즘은 예를들어 컨볼루션 신경망(CNN) 딥러닝 알고리즘일 수도 있다. 컨볼루션 신경망(CNN) 딥러닝 알고리즘은 이미지, 텍스트, 사운드, 얼굴 인식 등 다양한 영역에서 특징 추출 또는 분류를 위해 사용될 수 있다.
패턴을 직접 찾고 특징을 분류하는데 직접 학습하기 때문에 수동 작업이 필요하지 않고, 높은 수준의 인식 결과를 나타낸다는 장점이 있다.
예를 들어 데이터를 분류하는 단계는 입력되는 영상 데이터를 필터(커널)을 통해 컨볼루션층을 통과시키면서 특징을 추출하고 최종적으로 softmax함수를 통해 특징을 0~1 사이의 값으로 분류하는 과정을 거치는 것을 수행할 수 있다.
그리고 표준화부가 상기 분류된 의료 영상 데이터를 학습된 인공지능 알고리즘으로 표준화한다(S230).
표준화 하는 단계는 분류된 의료 영상 데이터를 학습된 인공지능 알고리즘으로 표준화한다.
일 실시예에 있어서 데이터 입력부로 입력된 원본 영상 데이터와 전처리부에서 전처리된 영상 데이터는 모두 메모리상에 저장된다. 따라서 표준화부는 데이터 분류부에서의 분류 결과를 이용하여 영상 표준화 작업을 수행할 수 있다.
일 실시예에 있어서, 표준화하는 단계는 데이터 분류부에서 분류된 의료 영상 데이터를 미리 정해진 BOW(bag of words)를 이용하여 필터링하고 형태와 규격이 일정해지도록 표준화한다.
즉, 표준화부는 영상 데이터의 태그값을 미리 규정해둔 bag of word를 통해 필터링한다. Bag of Words는 단어들의 출현 빈도에만 집중하는 텍스트 데이터의 수치화 표현 방법이다. bag of word를 통해 필터링하는 것은 불필요한 특수 문자열이나 공백문자, 대소문자들을 필터링 하여 태그값이 일정한 형태와 규격을 갖도록 하기위한 것이다.
그리고 태그 파악부는 데이터 표준화된 의료 영상 데이터에서 영상 태그 값을 파악한다(S240).
태그값을 파악하는 단계는, 인공지능 학습 과정 및 전처리 과정에서 사용되는 영상 태그의 특정값을 조사한다. 그리고 조사가 완료되면 해당 값들이 인공지능 분류 결과에 일치하는지 여부를 판단하여, 일치하지 않는 경우에는 해당 값을 지우고 사용자 편집이 가능한 데이터로 별도로 보관한다. 즉, 표준화부에서 모든 조건이 부합하여 표준화 작업이 완료된 것으로 판단되면 이를 각각 영상 저장부와 태그 저장부로 전달하여 따로 저장한다.
이때 영상 저장부 및 태그 저장부로 전달하는 것은 메모리간 데이터 이동도 가능하지만, 영상 저장부 및 데이터베이스가 별개의 시스템으로 존재하는 경우에는 메시지큐를 사용하여 데이터를 전송한다.
이 후에 표준화된 의료 영상 데이터와 파악된 태그 값을 분리하여 저장한다(S250).
데이터 저장부는 표준화부에서 표준화된 의료 영상 데이터와 태그 파악부에서 파악된 태그 값을 분리하여 저장한다. 이에 따라 대량의 의료 영상 데이터가 저장된다 하더라도 태그값을 이용하여 저장된 의료 영상 데이터를 파악하거나 관리하는 것이 가능하다.
영상 저장부는 표준화 작업이 완료된 영상 데이터를 파이썬(Python) 언어 기반의 특수한 바이너리 포맷으로 압축 저장한다. 이때 사용자는 미리 태그와 영상을 분할 압축하여 저장할지 아니면 통합하여 일반 압축 저장할지 옵션 설정을 통해 선택할 수 있다.
일 실시예에 있어서 영상 저장부는 사용자가 옵션 선택한 사항에 기반하여 파이썬(Python)언어 기반의 npz 또는 pkl 파일로 시스템에서 미리 규약한 계층구조의 경로에 분배, 분류, 저장한다.
태그 저장부는 영상 저장부에 저장되는 의료 영상 데이터와 영상의 태그값의 관리를 위해 데이터베이스구조로 구현된다.
일예로 사용자가 옵션 선택하는 사항에 따라 태그 저장부 즉 데이터베이스에 영상 자체 파일이 함께 저장되는 것도 가능하다. 일 실시예에 있어서 태그 저장부에서 의료 영상 데이터에서 분리된 태그 값을 따로 저장하고 관리함으로써 데이터관리의 효율성을 향상시킬 수 있고 시스템의 모니터링 효과도 볼 수 있다는 장점이 있다.
전술한 방법은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
10 : 의료 영상 자동 분류 및 표준화 시스템
100 : 데이터 입력부 110 : 전처리부
120 : 데이터 분류부 130 : 표준화부
140 : 태그 파악부 150 : 데이터 저장부
152 : 영상 저장부 154 : 태그 저장부

Claims (10)

  1. 환자 신체의 적어도 일부를 촬영한 의료 영상 데이터를 입력받는 데이터 입력부;
    상기 데이터 입력부로 입력받은 의료 영상 데이터에 전처리를 수행하는 전처리부;
    상기 전처리부에서 전처리가 수행된 의료 영상 데이터를 인공지능 알고리즘으로 분류하는 데이터 분류부;
    상기 데이터 분류부에서 분류된 의료 영상 데이터를 학습된 인공지능 알고리즘으로 표준화하는 표준화부;
    상기 데이터 표준화된 의료 영상 데이터에서 영상 태그 값을 파악하는 태그 파악부; 및
    상기 표준화부에서 표준화된 의료 영상 데이터와 상기 태그 파악부에서 파악된 태그 값을 분리하여 저장하는 데이터 저장부;를 포함하고,
    상기 표준화부는,
    상기 분류된 의료 영상 데이터를 미리 정해진 BOW(bag of words)를 이용하여 필터링하고 형태와 규격이 일정하게 표준화하고,
    표준화된 의료 영상 데이터에서 영상 태그 값을 미리 규정된 BOW(bag of words)를 이용하여 영상 태그 값에 포함된 불필요한 특수 문자열, 공백문자, 대소문자를 필터링하여 각 영상 태그 값이 일정한 형태와 규격을 갖도록 표준화하고,
    상기 데이터 저장부는,
    상기 표준화부에서 표준화 작업이 완료된 의료 영상 데이터를 파이썬(Python) 언어 기반의 바이너리 포맷으로 압축 저장하되, 의료 영상 데이터와 영상 태그 값을 분할 압축하여 미리 규약된 계층구조의 경로에 분배 및 분류하여 저장하거나, 통합하여 일반 압축 저장할지에 대한 옵션 설정을 제공하는 영상 저장부; 및
    상기 영상 저장부에 저장되는 의료 영상 데이터와 영상의 영상 태그 값의 저장 및 관리를 위해 데이터베이스로 구현되고, 상기 영상 저장부의 옵션 설정에 따라 의료 영상 데이터에서 분리된 영상 태그 값을 해당 의료 영상 데이터와 별도로 상기 데이터베이스에 저장 관리하는 태그 저장부를 포함하는 것을 특징으로 하는 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템.
  2. 제 1 항에 있어서, 상기 데이터 입력부는
    바이너리 파일로 변환된 의료 영상 데이터를 메세지큐(Message Queue) 방식으로 입력받는 것을 특징으로 하는 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템.
  3. 제 1 항에 있어서,
    상기 전처리부는,
    입력된 영상 데이터들의 해상도를 일정하게 조정하고, 상기 영상 데이터의 강도(intensity)값을 분석하며, 히스토그램화하여 상기 히스토그램화된 결과를 바탕으로 특정 영역을 강조하여 강도가 약한 부분과 강한 부분을 분리하여 상기 영상 데이터의 강도(intensity)값의 차이 분포를 명확히하는 것을 특징으로 하는 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템.
  4. 제 1 항에 있어서,
    상기 데이터 분류부는,
    상기 전처리부에서 전처리가 수행된 의료 영상 데이터에 신경망 기반의 딥 러닝 알고리즘을 사용하여 영상을 인식하고 분류하는 것을 특징으로 하는 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템.
  5. 삭제
  6. 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템의 구동방법에 있어서,
    데이터 입력부가 환자 신체의 적어도 일부를 촬영한 의료 영상 데이터를 입력받는 단계;
    전처리부가 상기 입력받은 의료 영상 데이터에 전처리를 수행하는 단계;
    데이터 분류부가 상기 전처리부에서 전처리가 수행된 의료 영상 데이터를 인공지능 알고리즘으로 분류하는 단계;
    표준화부가 상기 분류된 의료 영상 데이터를 학습된 인공지능 알고리즘으로 표준화하는 단계;
    태그 파악부가 상기 데이터 표준화된 의료 영상 데이터에서 영상 태그 값을 파악하는 단계; 및
    상기 표준화된 의료 영상 데이터와 상기 파악된 태그 값을 분리하여 저장하는 단계;를 포함하고,
    상기 표준화하는 단계는,
    상기 분류된 의료 영상 데이터를 미리 정해진 BOW(bag of words)를 이용하여 필터링하고 형태와 규격이 일정하게 표준화하고,
    표준화된 의료 영상 데이터에서 영상 태그 값을 미리 규정된 BOW(bag of words)를 이용하여 영상 태그 값에 포함된 불필요한 특수 문자열, 공백문자, 대소문자를 필터링하여 각 영상 태그 값이 일정한 형태와 규격을 갖도록 필터링하여, 영상 태그 값에 포함된 단어들의 출현 빈도에 따라 텍스트 데이터를 수치화하여 표현하고,
    상기 표준화된 의료 영상 데이터와 상기 파악된 태그 값을 분리하여 저장하는 단계는,
    영상 저장부가, 상기 표준화하는 단계에서 표준화 작업이 완료된 의료 영상 데이터를 파이썬(Python) 언어 기반의 바이너리 포맷으로 압축 저장하되, 의료 영상 데이터와 영상 태그 값을 분할 압축하여 미리 규약된 계층구조의 경로에 분배 및 분류하여 저장하거나, 통합하여 일반 압축 저장할지에 대한 옵션 설정을 제공하는 단계; 및
    상기 영상 저장부에 저장되는 의료 영상 데이터와 영상의 영상 태그 값의 저장 및 관리를 위해 데이터베이스로 구현된 태그 저장부가, 상기 영상 저장부의 옵션 설정에 따라 의료 영상 데이터에서 분리된 영상 태그 값을 해당 의료 영상 데이터와 별도로 상기 데이터베이스에 저장 관리하는 단계를 포함하는 것을 특징으로 하는 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템의 구동방법.
  7. 제 6 항에 있어서, 상기 의료 영상 데이터를 입력받는 단계는,
    바이너리 파일로 변환된 의료 영상 데이터를 메세지큐(Message Queue) 방식으로 입력받는 것을 특징으로 하는 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템의 구동방법.
  8. 제 6 항에 있어서,
    상기 전처리를 수행하는 단계는,
    입력된 영상 데이터들의 해상도를 일정하게 조정하는 단계,
    상기 영상 데이터의 강도(intensity)값을 분석하여 히스토그램화하는 단계,
    상기 히스토그램화된 결과를 바탕으로 특정 영역을 강조하여 강도가 약한 부분과 강한 부분을 분리하는 단계 및
    영상 데이터의 강도(intensity)값의 차이 분포를 명확히하는 단계를 포함하는 것을 특징으로 하는 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템의 구동방법.
  9. 제 6 항에 있어서,
    상기 인공지능 알고리즘으로 분류하는 단계는,
    상기 전처리가 수행된 의료 영상 데이터에 신경망 기반의 딥 러닝 알고리즘을 사용하여 영상을 인식하고 분류하는 것을 특징으로 하는 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템의 구동방법.
  10. 삭제
KR1020190090277A 2019-07-25 2019-07-25 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템 및 그 구동방법 KR102097740B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190090277A KR102097740B1 (ko) 2019-07-25 2019-07-25 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템 및 그 구동방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190090277A KR102097740B1 (ko) 2019-07-25 2019-07-25 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템 및 그 구동방법

Publications (1)

Publication Number Publication Date
KR102097740B1 true KR102097740B1 (ko) 2020-04-06

Family

ID=70282147

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190090277A KR102097740B1 (ko) 2019-07-25 2019-07-25 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템 및 그 구동방법

Country Status (1)

Country Link
KR (1) KR102097740B1 (ko)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112309550A (zh) * 2020-11-11 2021-02-02 复旦大学 一种多维医疗影像数据存储管理系统
CN112613563A (zh) * 2020-12-25 2021-04-06 福建福清核电有限公司 一种基于OpenCV的核电现场设备图像分类方法
KR102263544B1 (ko) * 2020-05-15 2021-06-10 주식회사 에프앤디파트너스 이기종 촬영장치들의 영상 정보들을 인공지능을 이용하여 분류 및 사용자 요청 정보를 이용하여 영상 정보를 검색하는 인공지능 기반 사용자 요청 영상 검색 장치
WO2021230417A1 (ko) * 2020-05-15 2021-11-18 주식회사 에프앤디파트너스 이기종 촬영장치들의 촬영 이미지들을 표준화하여 저장 및 관리하는 영상 이미지 표준화 장치
CN113762285A (zh) * 2021-09-10 2021-12-07 程明霞 一种分析和处理医学影像的系统及方法
KR102399989B1 (ko) * 2020-11-27 2022-05-20 주식회사 에스피원 디지털 방사선 영상데이터용 보안압축파일의 제작방법
KR102550465B1 (ko) * 2023-02-28 2023-07-03 주식회사 인포인 인공지능 기반의 가상 환자 관리 시스템
KR20240020296A (ko) 2022-08-03 2024-02-15 주식회사 엠티이지 라벨링을 통한 영상 처리 방법, 디바이스 및 기록매체

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100121178A (ko) 2009-05-08 2010-11-17 가톨릭대학교 산학협력단 의료영상 처리 시스템 및 처리 방법
KR20140018748A (ko) * 2012-08-03 2014-02-13 삼성전자주식회사 의료 영상에서 병변의 분석 장치 및 방법
KR20140049137A (ko) 2012-10-12 2014-04-25 삼성전자주식회사 의료영상 분석장치 및 방법
KR20140082385A (ko) * 2012-12-24 2014-07-02 계명대학교 산학협력단 영상 군집화 기반의 의료 영상 검색 방법
KR20170107778A (ko) * 2016-03-16 2017-09-26 동국대학교 산학협력단 피부질환 진단 방법 및 피부질환 진단 시스템
KR101825719B1 (ko) * 2017-08-21 2018-02-06 (주)제이엘케이인스펙션 뇌 영상 처리 방법과 이를 이용하는 임상 뇌 영상과 표준 뇌 영상의 매칭 방법 및 장치
KR20180040287A (ko) * 2016-10-12 2018-04-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100121178A (ko) 2009-05-08 2010-11-17 가톨릭대학교 산학협력단 의료영상 처리 시스템 및 처리 방법
KR20140018748A (ko) * 2012-08-03 2014-02-13 삼성전자주식회사 의료 영상에서 병변의 분석 장치 및 방법
KR20140049137A (ko) 2012-10-12 2014-04-25 삼성전자주식회사 의료영상 분석장치 및 방법
KR20140082385A (ko) * 2012-12-24 2014-07-02 계명대학교 산학협력단 영상 군집화 기반의 의료 영상 검색 방법
KR20170107778A (ko) * 2016-03-16 2017-09-26 동국대학교 산학협력단 피부질환 진단 방법 및 피부질환 진단 시스템
KR20180040287A (ko) * 2016-10-12 2018-04-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
KR101825719B1 (ko) * 2017-08-21 2018-02-06 (주)제이엘케이인스펙션 뇌 영상 처리 방법과 이를 이용하는 임상 뇌 영상과 표준 뇌 영상의 매칭 방법 및 장치

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102263544B1 (ko) * 2020-05-15 2021-06-10 주식회사 에프앤디파트너스 이기종 촬영장치들의 영상 정보들을 인공지능을 이용하여 분류 및 사용자 요청 정보를 이용하여 영상 정보를 검색하는 인공지능 기반 사용자 요청 영상 검색 장치
WO2021230417A1 (ko) * 2020-05-15 2021-11-18 주식회사 에프앤디파트너스 이기종 촬영장치들의 촬영 이미지들을 표준화하여 저장 및 관리하는 영상 이미지 표준화 장치
CN112309550A (zh) * 2020-11-11 2021-02-02 复旦大学 一种多维医疗影像数据存储管理系统
KR102399989B1 (ko) * 2020-11-27 2022-05-20 주식회사 에스피원 디지털 방사선 영상데이터용 보안압축파일의 제작방법
CN112613563A (zh) * 2020-12-25 2021-04-06 福建福清核电有限公司 一种基于OpenCV的核电现场设备图像分类方法
CN113762285A (zh) * 2021-09-10 2021-12-07 程明霞 一种分析和处理医学影像的系统及方法
KR20240020296A (ko) 2022-08-03 2024-02-15 주식회사 엠티이지 라벨링을 통한 영상 처리 방법, 디바이스 및 기록매체
KR102550465B1 (ko) * 2023-02-28 2023-07-03 주식회사 인포인 인공지능 기반의 가상 환자 관리 시스템

Similar Documents

Publication Publication Date Title
KR102097740B1 (ko) 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템 및 그 구동방법
KR102097741B1 (ko) 인공지능 학습용 의료 영상 데이터 정제 시스템 및 그 구동방법
KR102097742B1 (ko) 인공지능 기반의 의료영상 검색 시스템 및 그 구동방법
CN105144239B (zh) 图像处理装置、图像处理方法
Abrahim et al. RETRACTED ARTICLE: Splicing image forgery identification based on artificial neural network approach and texture features
US20220254022A1 (en) Method and system for automatic multiple lesion annotation of medical images
JP7294695B2 (ja) 学習済モデルによるプログラム、情報記録媒体、分類装置、ならびに、分類方法
US20240087368A1 (en) Companion animal life management system and method therefor
McEvoy et al. Deep transfer learning can be used for the detection of hip joints in pelvis radiographs and the classification of their hip dysplasia status
KR102179090B1 (ko) 신경망을 이용한 의료 진단 방법
CN113781488A (zh) 舌象图像的分割方法、装置及介质
CN114140465B (zh) 基于宫颈细胞切片图像的自适应的学习方法和学习系统
Suresh et al. Optimization and Deep Learning–Based Content Retrieval, Indexing, and Metric Learning Approach for Medical Images
Admass et al. Convolutional neural networks and histogram-oriented gradients: a hybrid approach for automatic mango disease detection and classification
Latha et al. Brain tumor detection and classification using convolution neural network models
Al-bayati et al. Artificial intelligence in smart agriculture: Modified evolutionary optimization approach for plant disease identification
CN115910264A (zh) 一种基于ct与医学报告的医学图像分类方法、装置和系统
US20240087352A1 (en) System for identifying companion animal and method therefor
Hamidinekoo et al. Automated mammogram analysis with a deep learning pipeline
US20230334868A1 (en) Surgical phase recognition with sufficient statistical model
CN113627391B (zh) 一种考虑个体差异的跨模式脑电信号识别方法
Shekerbek et al. APPLICATION OF MATHEMATICAL METHODS AND MACHINE LEARNING ALGORITHMS FOR CLASSIFICATION OF X-RAY IMAGES.
Sharma et al. Solving image processing critical problems using machine learning
KR20210031444A (ko) 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치
Datta et al. Brain tumor image pixel segmentation and detection using an aggregation of GAN models with vision transformer

Legal Events

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