KR102097741B1 - 인공지능 학습용 의료 영상 데이터 정제 시스템 및 그 구동방법 - Google Patents

인공지능 학습용 의료 영상 데이터 정제 시스템 및 그 구동방법 Download PDF

Info

Publication number
KR102097741B1
KR102097741B1 KR1020190090278A KR20190090278A KR102097741B1 KR 102097741 B1 KR102097741 B1 KR 102097741B1 KR 1020190090278 A KR1020190090278 A KR 1020190090278A KR 20190090278 A KR20190090278 A KR 20190090278A KR 102097741 B1 KR102097741 B1 KR 102097741B1
Authority
KR
South Korea
Prior art keywords
data
medical image
learning
artificial intelligence
image data
Prior art date
Application number
KR1020190090278A
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 KR1020190090278A priority Critical patent/KR102097741B1/ko
Application granted granted Critical
Publication of KR102097741B1 publication Critical patent/KR102097741B1/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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life

Abstract

본 발명은 정제된 영상 데이터가 학습용으로 적합한 데이터인지 여부를 필터링하는 인공지능 학습용 의료 영상 데이터 정제 시스템 및 그 구동방법에 관한 것으로, 환자 신체의 적어도 일부를 촬영한 의료 영상 데이터를 입력받는 데이터 입력부, 상기 데이터 입력부로 입력받은 의료 영상 데이터를 인공지능 학습을 위한 의료 영상 정제 데이터로 정제하는 데이터 정제부, 상기 데이터 정제부에서 정제된 의료 영상 정제 데이터가 인공지능 학습 데이터에 부합한지 여부를 파악하여, 인공지능 학습 데이터에 부합하는 의료 영상 정제 데이터를 필터링하는 데이터 필터부 및 상기 데이터 필터부에서 인공지능 학습 데이터에 부합하는 의료 영상 정제 데이터로 필터링된 정제 데이터를 저장하는 데이터 저장부를 포함하는 것을 특징으로 하는 인공지능 학습용 의료 영상 데이터 정제 시스템에 의해 인공지능 학습을 위한 데이터를 선별해내는 데이터 정제 과정을 자동화하는 인공지능 학습용 의료 영상 데이터 정제 시스템 및 그 구동방법을 제공할 수 있는 인공지능 학습용 의료 영상 데이터 정제 시스템 및 그 구동방법을 제공할 수 있는 효과가 있다.

Description

인공지능 학습용 의료 영상 데이터 정제 시스템 및 그 구동방법{System for refining medical image data of training artificial intelligence and Driving method thereof}
본 발명은 의료 영상 데이터 정제 시스템 및 그 구동방법에 관한 것으로 보다 상세하게는 정제된 영상 데이터가 학습용으로 적합한 데이터인지 여부를 필터링하는 인공지능 학습용 의료 영상 데이터 정제 시스템 및 그 구동방법에 관한 것이다.
4차산업이 도래한 현재 산업계에서 핵심이 되는 기술중 하나는 머신 러닝과 딥러닝으로 출발한 인공지능(Artificial Intelligence)이라 할 수 있다. 이러한 인공지능의 발전으로 특히 스마트 팩토리와 자율주행 자동차, 인공지능 의료 영상 판독 시스템등 여러 분야에서 가시적인 성과가 나오고 있다.
그 중 영상 데이터를 활용하는 헬스케어 분야는 신 성장 사업으로 각광받고있다.
인공지능을 활용하려면 데이터를 통해 인공지능을 학습시켜야한다. 그런데 인공지능을 활용하는 인공지능을 제작하려면 다수의 의료 영상 데이터가 필요하다.
이를 획득하기 위해서 영상 데이터베이스 시스템에서 작업자가 영상을 일일이 확인하여 사용 가능한 영상을 직접 추출하고, 개별적으로 정제하는 과정을 거치게된다.
그런데 이를 수작업으로 진행하는 경우 시간과 비용이 매우 많이 소모된다. 따라서 뛰어난 인공지능을 만들기 위해서는 필요한 대량, 양질의 영상데이터를 생산할 수 있는 정제 시스템이 필요한 실정이다.
KR 1020100068733 A KR 1020180092494 A
본 발명은 이 같은 기술적 배경에서 도출된 것으로 인공지능 학습을 위한 데이터를 선별해내는 데이터 정제 과정을 자동화하는 인공지능 학습용 의료 영상 데이터 정제 시스템 및 그 구동방법을 제공함에 그 목적이 있다.
나아가 인공지능 학습 데이터를 선별함에 있어서 학습 데이터의 정확도를 향상시키고, 방대한 양의 학습 데이터를 확보할 수 있어 보다 정확한 인공지능 의료 진단을 가능케하는 인공지능 학습용 의료 영상 데이터 정제 시스템 및 그 구동방법을 제공하고자 한다.
상기의 과제를 달성하기 위한 본 발명은 다음과 같은 구성을 포함한다.
즉 본 발명의 일 실시예에 따른 인공지능 학습용 의료 영상 데이터 정제 시스템은 환자 신체의 적어도 일부를 촬영한 의료 영상 데이터를 입력받는 데이터 입력부, 상기 데이터 입력부로 입력받은 의료 영상 데이터를 인공지능 학습을 위한 의료 영상 정제 데이터로 정제하는 데이터 정제부, 상기 데이터 정제부에서 정제된 의료 영상 정제 데이터가 인공지능 학습 데이터에 부합한지 여부를 파악하여, 인공지능 학습 데이터에 부합하는 의료 영상 정제 데이터를 필터링하는 데이터 필터부 및 상기 데이터 필터부에서 인공지능 학습 데이터에 부합하는 의료 영상 정제 데이터로 필터링된 정제 데이터를 저장하는 데이터 저장부를 포함하는 것을 특징으로 한다.
한편, 인공지능 학습용 의료 영상 데이터 정제 시스템의 구동방법에 있어서, 데이터 입력부가 환자 신체의 적어도 일부를 촬영한 의료 영상 데이터를 입력받는 단계, 데이터 정제부가 상기 데이터 입력부로 입력받은 의료 영상 데이터를 인공지능 학습을 위한 의료 영상 정제 데이터로 정제하는 단계, 데이터 필터부가 상기 데이터 정제부에서 정제된 의료 영상 정제 데이터가 인공지능 학습 데이터에 부합한지 여부를 파악하여, 인공지능 학습 데이터에 부합하는 의료 영상 정제 데이터를 필터링하는 단계 및 데이터 저장부가 상기 데이터 필터부에서 인공지능 학습 데이터에 부합하는 의료 영상 정제 데이터로 필터링된 정제 데이터를 저장하는 단계를 포함하는 것을 특징으로 한다.
본 발명에 따르면, 인공지능 학습을 위한 데이터를 선별해내는 데이터 정제 과정을 자동화하는 인공지능 학습용 의료 영상 데이터 정제 시스템 및 그 구동방법을 제공하여 지속적으로 양질의 학습용 영상 데이터셋을 생산 가능하다는 효과가 있다.
또한, 인공지능 학습 데이터를 선별함에 있어서 학습 데이터의 정확도를 향상시킬 수 있고, 방대한 양의 학습 데이터를 확보할 수 있어 보다 정확한 인공지능 의료 진단을 가능케 하는 효과가 있다.
도 1 은 본 발명의 일 실시예에 따른 인공지능 학습용 의료 영상 데이터 정제 시스템의 구성을 도시한 블록도,
도 2 는 본 발명의 일 실시예에 따른 인공지능 학습용 의료 영상 데이터 정제 시스템의 구동방법을 도시한 흐름도,
도 3 은 본 발명의 일 실시예에 따른 인공지능 학습용 의료 영상 데이터 정제 시스템의 구동방법에서 데이터 정제 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 인공지능 학습용 의료 영상 데이터 정제 시스템의 구성을 도시한 블록도이다.
도 1 에 도시된 바와 같이, 본 발명의 일 실시예에 따른 인공지능 학습용 의료 영상 데이터 정제 시스템은 데이터 입력부(100), 데이터 정제부(110), 데이터 필터부(120), 및 데이터 저장부(130)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 인공지능 학습용 의료 영상 데이터 정제 시스템상에서 영상 데이터로 변환되어 사용가능한 상태로 변경될 수 있다.
본 발명의 추가적인 양상에 따르면 데이터 전처리부(105)를 더 포함할 수 있다.
데이터 전처리부(105)는 데이터 입력부(100)로 입력받은 의료 영상 데이터들에 대해 영상에서 특징들을 잘 학습하기 위해 특징점들을 강조시킬 수 있는 여러가지 전처리 과정을 수행한다.
일 양상에 있어서 데이터 전처리부(105)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.
일 예로 데이터 전처리부(105)는 데이터 입력부(100)로 입력된 의료 영상 데이터에서 메타 데이터와 영상 데이터를 분리한 후 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.
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.
데이터 정제부(110)는 데이터 입력부(100)로 입력된 의료 영상 데이터를 입력받아 영상 정제 과정을 수행한다. 이때 의료 영상 데이터는 데이터 전처리부(105)에서 전처리 완료된 것일 수 있다.
인공신경망을 학습시키는 것은 우리가 가지고 있는 데이터를 설명할 수 있는 모델을 만들어가는 과정이다. 이를 위해 인공지능 기술에 있어서 데이터 학습을 하기 위해서는 데이터를 수집하고 무작위로 표본을 추출해야한다. 그리고 수집된 데이터는 데이터 검증 및 정제 과정을 거쳐 활용할수 있는 정제 데이터로 만들어야한다. 잘못된 데이터는 학습결과에 안좋은 영향을 미치므로 전처리 및 정제 과정은 매우 중요하다할 수 있다.
데이터 정제부(110)는 데이터에 빠진 부분이 있는 경우, 중복으로 들어간 데이터의 경우, 이상한값이 들어가있는 경우 등과 같은 이유 때문에 훈련 모델에 적합하지 않은 경우에 훈련 모델에 적합한 형태로 바꿔준다.
보다 구체적으로 일 실시예에 따른 데이터 정제부(110)는 먼저, 데이터 결측치 처리(Missing Value)를 수행한다. 결측치(Missing Value)는 누락된 값, 비어 있는 값을 의미한다. 현장에서 만들어진 실제 데이터는 수집 과정에서 발생한 오류로 인해 결측치를 포함할 수 있는데, 결측치가 있으면 함수가 적용되지 않거나 분석 결과가 왜곡되는 문제가 발생할 우려가 있다.
즉, 수집한 의료 영상 데이터의 누락된 값을 처리한다. 그리고 결측이 감지되는 해당구역을 제거하고, 전체 특성을 삭제하고, 미리 설정된 규약에 따른 임의의 값으로 채울수 있다. 예를들면 임의의 값은 0, 평균값, 중간값 중 하나일 수 있다. 그러나 이에 한정되는 것은 아니다.
이후에 데이터 정제부(110)는 극단적인 이상치를 처리한다. 이상치(Outlier)는 정상 범주에서 크게 벗어난 값이다. 데이터 수집 과정에서 오류가 발생할 수 있기 때문에 현장에서 만들어진 실제 데이터에는 이상치가 포함될 수 있다. 혹은 오류가 아니지만 굉장히 드물게 발생하는 극단적인 값이 있을 수도 있다.
이상치가 포함되어 있으면 분석 결과가 왜곡되기 때문에 분석에 앞서 이상치를 제거할 필요가 있다. 극단적인 이상치를 처리하는 방법으로는 모든 값에 log를 취하거나, 특정값 이상을 합치는 것으로 가능하다. 그러나 이에 한정되는 것은 아니고 다양한 변형예들을 포괄하도록 해석된다.
그리고 데이터 정제부(110)는 대부분 문자화되어있는 범주형 특성을 변경할 수 있다. 대부분의 머신러닝 알고리즘은 숫자형을 다루므로 데이터 정제부(110)는 이를 숫자형으로 바꾸기위해 One-hot encoding을 사용한다. One-hot encoding은 한 특성이 1이면 다른 특성을 0으로 만들어 하나의 특성을 가르키게 하는 방식이다.
이는 수천개의 카테고리가 있는 범주형 특성일 경우에 효과적일 수 있다. 이를 One-hot encoding하면 열이 수천개인 행렬로 변하고 각 행은 1이 하나 뿐이고 그 외에는 모두 0으로 채워져 있을 것이다. 그리고 특성 스케일링 처리를 한다.
일 예로 특성 스케일링 방법은 Standardization, Normalization(=Min-max scaling)이 있다. 그러나 이에 한정되는 것은 아니다.
standardization은 평균을 기준으로 얼마나 떨어져 있는지를 나타내는 값이다. 2개 이상의 대상이 단위가 다를 때 대상 데이터를 같은 기준으로 볼 수 있게 한다. standardization은 아래와 같이 변수를 평균으로 빼주고 표준편차로 나눈다.
Figure 112019076571572-pat00001
반면, Normalization은 아래와 같이 변수의 크기를 보편적으로 0~1로 변환해 주는 방법을 말한다.
Figure 112019076571572-pat00002
일 실시예에 있어서, 데이터 정제부(110)는 데이터 전처리부(105)에서 전처리에 의해 표준화된 의료 영상 데이터를 전달받을 수 있다. 데이터 정제부(110)는 인공 지능 학습 데이터의 균일성을 확보하기 위해 정제작업을 진행한다.
먼저 데이터 정제부(110)는 각각 다른 해상도를 가진 의료 영상 데이터들을 균일하게 맞추는 작업을 진행한다. 사용자가 미리 설정한 기준 영상에 새로 입력되는 의료 영상 데이터를 맞춰서 등록(registration)과정을 거치면서 영상의 좌표계와 픽셀계를 일치시킨다.
그리고 영상 간 밝기 차이, 분포의 차이, 특정 블러의 차이등 영상 고유의 바이어스(bias)들을 제거하는 bias correction 과정을 진행한다. bias correction 과정 이후에는 딥러닝 알고리즘과 기존의 화질 개선 알고리즘을 이용하여 해상도 보정 및 화질 개선 작업을 수행한다.
일예로 Auto-Encoder 기반의 생성기와 함께 생성적 적대 신경망(GAN, Generative Adversarial Network)을 이용하여 저화질의 영상을 고화질의 영상으로 개선시킬 수 있다.
Auto-Encoder는 처음 데이터와 encoding-decoding을 거친 결과의 에러(error)가 최소화되도록 neural 네트워크를 학습시키는 것으로 다차원의 입력 데이터를 저차원 부호로 바꾸고 다시 저차원 부호를 처음 입력한 다차원 데이터로 바꾸면서 특징점을 찾아내는 방식이다. 이는 레이블이 없는 비지도 학습 방법이다.
생성적 적대 신경망(GAN, Generative Adversarial Network)은 두가지 인공지능 네트워크를 포함한다. 데이터를 생성하는 생성자(Generator)와 생성자에서 생성한 데이터가 실제와 일치하는지를 판별하는 판별자(Discriminator)를 포함한다.
즉, 랜덤 노이즈로부터페이크(fake) 이미지를 생성하고 이를 실제 이미지와 비교하면서 학습하는 과정을 통해 저화질의 영상을 고화질 영상으로 개선시킬 수 있다.
본 발명의 추가적인 양상에 있어서, 일 실시예에 따른 인공지능 학습용 의료 영상 데이터 정제 시스템은 의료 영상 정제 데이터에서 의료 영상 태그를 분석한다. 그리고 의료 영상마다 태그 기반으로 데이터 정제가 수행될 수도 있다.
데이터 필터부(120)는 데이터 정제부(110)에서 정제가 완료된 영상 데이터가 학습용으로 적합한지 여부를 필터링한다.
일 실시예에 있어서 데이터 필터부(120)는 먼저, 학습용으로 가능하다고 판단된 의료 영상 데이터에 대한 특징맵을 미리 데이터베이스화하여 저장한다. 그리고 데이터 정제부(110)에서 정제된 영상 데이터의 특징맵(Feature Map)과 먼저 학습용으로 가능하다고 판단되어 데이터베이스화된 영상의 특징맵(Feature Map)을 비교하여 유사도가 일정 수치 이상이면 학습용으로 적합한 영상 데이터로 판단한다.
이때 학습용으로 적합하다고 판단기 위한 유사도 범위는 임의로 설정가능하다. 정확도를 높이기 위해서는 유사도 범위를 높은 값으로 설정하고, 다소 정확도 가 떨어지더라도 학습 데이터량을 확보하기 위해서는 유사도 범위를 낮은 값으로 설정할 수 있다.
이에 의해 신체 부위별로 학습 데이터가 충분한 부위에 대한 영상 데이터의 유사도 차이 범위는 작은 값으로 설정하여 예를들면 유사도가 90%이상인 경우에만 학습 데이터로 적합하게 판단하고, 학습 데이터의 양이 부족한 신체 부위의 의료 영상 데이터의 경우에는 유사도를 80%로 조절하여 학습 데이터 양을 확보하도록 할 수 있다.
딥러닝은 많은 기계 학습방법 중 인공신경망이라는 방법론에서 발전한 기술이다. 딥러닝도 다양한 방식의 테크닉으로 나뉜다. 이미지 데이터의 분석에 특화된 컨볼루션 신경망(Convolution Neural Network, CNN)이 있다.
일 실시예에 있어서, 컨볼루션 신경망(CNN)은 역전파 (Backpropagation) 과정을 이용하여 학습시키는 피드포워드 (Feedforward) 심층신경망의 한 종류로서 Hubel과 Torsten이 발견한 고양이 뇌의 시각처리 구조에서 영감을 받아서 설계되었다. Convolutional 신경망은 망막의 지역수용부위에 대한 필터링, 가중치들 및 바이어스의 공유, 그리고 Pooling 이라는 세가지 개념을 도입하여 설계된다. 통상적으로 Convolutional 신경망은 Convolution 층, Pooling 층 및 Fully-connected 층을 이용하여 설계한다.
신경망의 학습은 피드포워드 과정을 통하여 첫 번째 숨은층부터 출력층까지의 모든 뉴런들의 입력과 출력을 단계적으로 계산한 후, 최종 출력단의 오차, δL=∂C / ∂zL를 계산하고 (여기서 C는 비용함수, z는 출력 뉴런의 입력, L은 최종 뉴런층), 역전파 과정을 통하여 최종 출력단의 오차를 출력단에서 입력단으로 역순으로 전파시키면서 각 숨은층의 오차를 단계적으로 계산하며, 계산된 오차값들을 이용하여 각 숨은층의 특성들, 즉 가중치들과 바이어스 값들을 추정하는 과정을 포함한다.
입력층에서 숨은층으로의 연결을 특징맵 (Feature Map)이라 부른다. 일 실시예에 따른 인공지능 학습용 의료 영상 데이터 정제 시스템은 특징맵간 영상 유사도가 기준치 이상일 경우에 인공지능 학습에 적합하다는 판정을 하여 정제 영상 데이터를 적합 정제 데이터(132)로 데이터 저장부(130)에 저장한다. 이때 부적합 판정을 받은 영상데이터는 별도의 저장 공간에 부적합 정제 데이터(134)로 분리하여 저장해둔다.
데이터 저장부(130)는 데이터 필터부(120)에서 학습 데이터로 적합하다고 필터링 된 의료영상 정제 데이터를 필터링 결과 학습 데이터로 부적합하다고 판단된 의료 영상 정제 데이터와 분리하여 저장한다.
일 실시예에 있어서 데이터 저장부(130)는 적합 정제 데이터(132)와 부적합 정제 데이터(134)를 포함한다. 이들은 물리적으로 하나의 저장장치에 구분가능하게 저장될 수도 있고, 물리적으로 분리되는 저장장치에 각각 저장되는 것 모두 구현가능하다.
일 실시예에 있어서 데이터 저장부(130)는 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 데이터 저장부(130)는 사용자가 옵션 선택한 사항에 기반하여 파이썬(Python)언어 기반의 npz 또는 pkl 파일로 시스템에서 미리 규약한 계층구조의 경로에 분배, 분류, 저장한다.
추가적으로 데이터 저장부(130)는 영상 데이터에서 분리된 태그값을 데이터베이스화하여 저장할 수 있다. 데이터 저장부(130)는 의료 영상 정제 데이터와 영상의 태그값의 관리를 위해 데이터베이스구조로 구현되는 것도 가능하다.
일 실시예에 있어서 데이터 저장부(130)가 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 인공지능 학습용 의료 영상 데이터 정제 시스템은 데이터 정제부(110)에서 정제되고, 데이터 필터부(120)에서 학습 데이터로 적합하다고 필터링된 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 인공지능 학습용 의료 영상 데이터 정제 시스템의 구동방법을 도시한 흐름도이다.
도 2 에 도시된 바와 같이, 먼저 데이터 입력부가 환자 신체의 적어도 일부를 촬영한 의료 영상 데이터를 입력받다(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.
본 발명의 추가적인 양상에 따르면, 데이터 입력부로 입력받은 의료 영상 데이터에 전처리하는 단계를 더 포함할 수 있다. 일 실시예에 있어서 전처리를 수행하는 과정은, 먼저, 전처리부가 데이터 입력부로 입력된 의료 영상 데이터에서 메타 데이터와 영상 데이터를 분리한 후 인공지능 시스템의 성능을 극대화하기 위한 전처리 과정을 수행한다.
일 실시예에 따르면 전처리과정에서 영상 데이터와 메타데이터를 분리하여 메타데이터를 태그화하여 데이터베이스로 저장 관리함으로써 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.
그리고 데이터 정제부가 데이터 입력부로 입력받은 의료 영상 데이터를 인공지능 학습을 위한 의료 영상 정제 데이터로 정제한다(S210).
일 실시예에 있어서, 데이터 입력부로 입력되는 영상 데이터들은 각각 상이한 해상도를 가진다. 따라서 입력된 영상 데이터들의 해상도를 일정하게 조정하여 표준화하는 작업이 필요하다.
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.
도 3 은 본 발명의 일 실시예에 따른 인공지능 학습용 의료 영상 데이터 정제 시스템의 구동방법에서 데이터 정제 과정들 도시한 흐름도이다.
도 3 에서 알 수 있듯이, 인공지능 학습용 의료 영상 데이터 정제 시스템의 구동방법에서 데이터 정제 과정은 미리 표준화된 영상에 기반하여 데이터 입력부로 입력되는 의료 영상 데이터의 해상도를 일치시키고(S2110), 의료 영상 정제 데이터 좌표계, 픽셀계를 일치시킨다(S2120).
그리고 미리 표준화된 영상과 데이터 입력부로 입력된 의료 영상간에 영상간 밝기, 분포, 블러 차이와 같은 고유 바이어스를 제거한다(S2130).
그리고 고유 바이어스가 제거된 영상 데이터의 해상도 보정 및 화질 개선시킨다(S2140).
일예로 Auto-Encoder 기반의 생성기와 함께 생성적 적대 신경망(GAN, Generative Adversarial Network)을 이용하여 저화질의 영상을 고화질의 영상으로 개선시킬 수 있다.
Auto-Encoder는 처음 데이터와 encoding-decoding을 거친 결과의 에러(error)가 최소화되도록 neural 네트워크를 학습시키는 것으로 다차원의 입력 데이터를 저차원 부호로 바꾸고 다시 저차원 부호를 처음 입력한 다차원 데이터로 바꾸면서 특징점을 찾아내는 방식이다. 이는 레이블이 없는 비지도 학습 방법이다.
생성적 적대 신경망(GAN, Generative Adversarial Network)은 두가지 인공지능 네트워크를 포함한다. 데이터를 생성하는 생성자(Generator)와 생성자에서 생성한 데이터가 실제와 일치하는지를 판별하는 판별자(Discriminator)를 포함한다.
즉, 랜덤 노이즈로부터 페이크(fake) 이미지를 생성하고 이를 실제 이미지와 비교하면서 학습하는 과정을 통해 저화질의 영상을 고화질 영상으로 개선시킬 수 있다.
본 발명의 추가적인 양상에 있어서, 일 실시예에 따른 인공지능 학습용 의료 영상 데이터 정제 시스템의 구동방법은 의료 영상 정제 데이터에서 의료 영상 태그를 분석한다(S2150). 그리고 의료 영상마다 태그 기반으로 데이터 정제가 수행될 수도 있다(S2160). 여기서 태그라함은 전술한 메타 데이터에 의해 생성되는 정보일 수 있다.
이 후에 데이터 필터부는 데이터 정제부에서 정제된 의료 영상 정제 데이터가 인공지능 학습 데이터에 부합한지 여부를 파악하여, 인공지능 학습 데이터에 부합하는 의료 영상 정제 데이터를 필터링한다(S220).
일 양상에 있어서 필터링하는 단계는 인공지능 학습 데이터에 부합하는지를 판단하기 위해 기저장된 기준 영상 데이터의 특징맵과 데이터 정제부에서 정제된 의료 영상 정제 데이터의 특징맵간 비교를 통해 데이터 정제부에서 정제된 의료 영상 정제 데이터가 인공지능 학습 데이터에 부합한지 여부를 파악하는 것을 특징으로 한다.
먼저, 필터링 하는 단계는 학습용으로 가능하다고 판단된 의료 영상 데이터에 대한 특징맵을 미리 데이터베이스화하여 저장한다. 그리고 데이터 정제부에서 정제된 영상 데이터의 특징맵(Feature Map)과 먼저 학습용으로 가능하다고 판단되어 데이터베이스화된 영상의 특징맵(Feature Map)을 비교하여 유사도가 일정 수치 이상이면 학습용으로 적합한 영상 데이터로 판단한다.
이때 학습용으로 적합하다고 판단기 위한 유사도 범위는 임의로 설정가능하다. 정확도를 높이기 위해서는 유사도 범위를 높은 값으로 설정하고, 다소 정확도 가 떨어지더라도 학습 데이터량을 확보하기 위해서는 유사도 범위를 낮은 값으로 설정할 수 있다.
이에 의해 신체 부위별로 학습 데이터가 충분한 부위에 대한 영상 데이터의 유사도 차이 범위는 작은 값으로 설정하여 예를들면 유사도가 90%이상인 경우에만 학습 데이터로 적합하게 판단하고, 학습 데이터의 양이 부족한 신체 부위의 의료 영상 데이터의 경우에는 유사도를 80%로 조절하여 학습 데이터 양을 확보하도록 할 수 있다.
그리고 데이터 저장부가 상기 데이터 필터부에서 인공지능 학습 데이터에 부합하는 의료 영상 정제 데이터로 필터링된 정제 데이터를 저장한다(S230).
한편, 필터링하는 단계에서 정제된 의료 영상 정제 데이터가 인공지능 학습 데이터에 부합한지 여부를 파악한 결과, 인공지능 학습 데이터에 부합하지 않는 의료 영상 정제 데이터를 구분하여 저장한다(S235).
정제 데이터를 저장하는 단계는 데이터 필터부에서 학습 데이터로 적합하다고 필터링 된 의료영상 정제 데이터를 필터링 결과 학습 데이터로 부적합하다고 판단된 의료 영상 정제 데이터와 분리하여 저장한다.
일 실시예에 있어서 데이터 저장부는 적합 정제 데이터와 부적합 정제 데이터를 포함한다. 이들은 물리적으로 하나의 저장장치에 구분가능하게 저장될 수도 있고, 물리적으로 분리되는 저장장치에 각각 저장되는 것 모두 구현가능하다.
일 실시예에 있어서 데이터 저장부는 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 데이터 저장부는 사용자가 옵션 선택한 사항에 기반하여 파이썬(Python)언어 기반의 npz 또는 pkl 파일로 시스템에서 미리 규약한 계층구조의 경로에 분배, 분류, 저장한다.
추가적으로 데이터 저장부는 영상 데이터에서 분리된 태그값을 데이터베이스화하여 저장할 수 있다. 데이터 저장부는 의료 영상 정제 데이터와 영상의 태그값의 관리를 위해 데이터베이스구조로 구현되는 것이 가능하다.
또한 옵션 설정에 따라 데이터베이스에 직접 정제된 의료 영상 데이터를 저장하는 것도 가능하다.
일 실시예에 있어서 데이터 저장부가 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.
100 : 데이터 입력부(100) 105 : 데이터 전처리부
110 : 데이터 정제부 120 : 데이터 필터부
130 : 데이터 저장부 132 : 적합 정제 데이터
134 : 부적합 정제 데이터

Claims (10)

  1. 환자 신체의 적어도 일부를 촬영한 의료 영상 데이터를 입력받는 데이터 입력부;
    상기 데이터 입력부로 입력받은 의료 영상 데이터를 인공지능 학습을 위한 의료 영상 정제 데이터로 정제하는 데이터 정제부;
    상기 데이터 정제부에서 정제된 의료 영상 정제 데이터가 인공지능 학습 데이터에 부합한지 여부를 파악하여, 인공지능 학습 데이터에 부합하는 의료 영상 정제 데이터를 필터링하는 데이터 필터부; 및
    상기 데이터 필터부에서 인공지능 학습 데이터에 부합하는 의료 영상 정제 데이터로 필터링된 정제 데이터를 저장하는 데이터 저장부;를 포함하고,
    상기 데이터 저장부는 상기 데이터 필터부에서 정제된 의료 영상 정제 데이터가 인공지능 학습 데이터에 부합한지 여부를 파악한 결과, 인공지능 학습 데이터에 부합하지 않는 의료 영상 정제 데이터를 구분하여 저장하는 것을 특징으로 하며,
    상기 데이터 필터부는 상기 데이터 정제부에서 정제된 영상 데이터의 특징맵(Feature Map)과 학습용으로 가능하다고 판단되어 데이터베이스화된 영상의 특징맵(Feature Map)을 비교하여 유사도가 일정 수치 이상이면 학습용으로 적합한 영상 데이터로 판단하는 것을 특징으로 하고,
    학습용으로 적합하다고 판단하기 위한 유사도 범위는 임의로 설정가능한 것임을 특징으로 하는 인공지능 학습용 의료 영상 데이터 정제 시스템.
  2. 삭제
  3. 제 1 항에 있어서, 상기 데이터 입력부는,
    바이너리 파일로 변환된 의료 영상 데이터를 메세지큐(Message Queue) 방식으로 입력받는 것을 특징으로 하는 인공지능 학습용 의료 영상 데이터 정제 시스템.
  4. 제 1 항에 있어서,
    상기 데이터 정제부는,
    미리 표준화된 영상 데이터에 기반하여 상기 데이터 입력부로 입력되는 의료 영상 데이터의 해상도를 상기 미리 표준화된 영상 데이터와 일치시키고, 영상간 밝기, 분포, 블러 차이와 같은 고유 바이어스를 제거하며, 고유 바이어스가 제거된 영상 데이터의 해상도 보정 및 화질 개선시키는 것을 특징으로 하는 인공지능 학습용 의료 영상 데이터 정제 시스템.
  5. 제 1 항에 있어서,
    상기 데이터 필터부는,
    인공지능 학습 데이터에 부합하는지를 판단하기 위해 기저장된 기준 영상 데이터의 특징맵과 상기 데이터 정제부에서 정제된 의료 영상 정제 데이터의 특징맵간 비교를 통해 상기 데이터 정제부에서 정제된 의료 영상 정제 데이터가 인공지능 학습 데이터에 부합한지 여부를 파악하는 것을 특징으로 하는 인공지능 학습용 의료 영상 데이터 정제 시스템.
  6. 인공지능 학습용 의료 영상 데이터 정제 시스템의 구동방법에 있어서,
    데이터 입력부가 환자 신체의 적어도 일부를 촬영한 의료 영상 데이터를 입력받는 단계;
    데이터 정제부가 상기 데이터 입력부로 입력받은 의료 영상 데이터를 인공지능 학습을 위한 의료 영상 정제 데이터로 정제하는 단계;
    데이터 필터부가 상기 데이터 정제부에서 정제된 의료 영상 정제 데이터가 인공지능 학습 데이터에 부합한지 여부를 파악하여, 인공지능 학습 데이터에 부합하는 의료 영상 정제 데이터를 필터링하는 단계; 및
    데이터 저장부가 상기 데이터 필터부에서 인공지능 학습 데이터에 부합하는 의료 영상 정제 데이터로 필터링된 정제 데이터를 저장하는 단계;를 포함하고,
    상기 저장하는 단계는, 상기 데이터 저장부에 상기 정제된 의료 영상 정제 데이터가 인공지능 학습 데이터에 부합한지 여부를 파악한 결과, 인공지능 학습 데이터에 부합하지 않는 의료 영상 정제 데이터를 구분하여 저장하는 것을 특징으로 하며,
    상기 필터링하는 단계는 상기 정제하는 단계에서 정제된 영상 데이터의 특징맵(Feature Map)과 학습용으로 가능하다고 판단되어 데이터베이스화된 영상의 특징맵(Feature Map)을 비교하여 유사도가 일정 수치 이상이면 학습용으로 적합한 영상 데이터로 판단하는 것을 특징으로 하고,
    학습용으로 적합하다고 판단하기 위한 유사도 범위는 임의로 설정 가능한 것임을 특징으로 하는 인공지능 학습용 의료 영상 데이터 정제 시스템의 구동방법.
  7. 삭제
  8. 제 6 항에 있어서, 상기 의료 영상 데이터를 입력받는 단계는,
    바이너리 파일로 변환된 의료 영상 데이터를 메세지큐(Message Queue) 방식으로 입력받는 것을 특징으로 하는 인공지능 학습용 의료 영상 데이터 정제 시스템의 구동방법.
  9. 제 6 항에 있어서, 상기 정제하는 단계는,
    미리 표준화된 영상에 기반하여 상기 데이터 입력부로 입력되는 의료 영상 데이터의 해상도를 일치시키는 단계;
    영상간 밝기, 분포, 블러 차이와 같은 고유 바이어스를 제거하는 단계; 및
    고유 바이어스가 제거된 영상 데이터의 해상도 보정 및 화질 개선시키는 단계;를 포함하는 것을 특징으로 하는 인공지능 학습용 의료 영상 데이터 정제 시스템의 구동방법.
  10. 제 6 항에 있어서,
    상기 필터링하는 단계는,
    인공지능 학습 데이터에 부합하는지를 판단하기 위해 기저장된 기준 영상 데이터의 특징맵과 상기 데이터 정제부에서 정제된 의료 영상 정제 데이터의 특징맵간 비교를 통해 상기 데이터 정제부에서 정제된 의료 영상 정제 데이터가 인공지능 학습 데이터에 부합한지 여부를 파악하는 것을 특징으로 하는 인공지능 학습용 의료 영상 데이터 정제 시스템의 구동방법.
KR1020190090278A 2019-07-25 2019-07-25 인공지능 학습용 의료 영상 데이터 정제 시스템 및 그 구동방법 KR102097741B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190090278A KR102097741B1 (ko) 2019-07-25 2019-07-25 인공지능 학습용 의료 영상 데이터 정제 시스템 및 그 구동방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190090278A KR102097741B1 (ko) 2019-07-25 2019-07-25 인공지능 학습용 의료 영상 데이터 정제 시스템 및 그 구동방법

Publications (1)

Publication Number Publication Date
KR102097741B1 true KR102097741B1 (ko) 2020-04-06

Family

ID=70281942

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190090278A KR102097741B1 (ko) 2019-07-25 2019-07-25 인공지능 학습용 의료 영상 데이터 정제 시스템 및 그 구동방법

Country Status (1)

Country Link
KR (1) KR102097741B1 (ko)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210157795A (ko) * 2020-06-22 2021-12-29 주식회사 뷰노 모델 학습 방법
KR20220015542A (ko) * 2020-07-31 2022-02-08 한국과학기술정보연구원 기포 검출 방법 및 장치
KR102446638B1 (ko) * 2021-04-28 2022-09-26 주식회사 딥바이오 유방암 병변 영역을 판별하기 위한 인공 신경망을 학습하기 위한 학습 방법, 및 이를 수행하는 컴퓨팅 시스템
KR20220164361A (ko) * 2021-06-04 2022-12-13 에이치앤비지노믹스 주식회사 Dxa 스캔 이미지 및 임상 공변량에 기초하여 학습된 딥러닝 모델을 이용한 골다공증 위험도 예측 방법 및 장치
KR20220167001A (ko) * 2021-06-11 2022-12-20 주식회사 에필 반려동물 의료데이터 표준화 방법 및 장치, 그리고 이를 이용한 반려동물 질병 발생 예측 방법
KR20230007736A (ko) 2021-07-06 2023-01-13 가톨릭대학교 산학협력단 인공 슬관절 해리 판독 방법
KR102513218B1 (ko) 2022-05-25 2023-04-25 주식회사 에어스 메디컬 학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치
KR102533000B1 (ko) 2022-08-18 2023-05-16 주식회사 에어스메디컬 학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100068733A (ko) 2008-12-15 2010-06-24 한국과학기술정보연구원 통합 데이터베이스 구축을 위한 데이터 정제 시스템 및방법과 이를 위한 기록매체
KR20140018748A (ko) * 2012-08-03 2014-02-13 삼성전자주식회사 의료 영상에서 병변의 분석 장치 및 방법
KR20180040287A (ko) * 2016-10-12 2018-04-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
KR101857624B1 (ko) * 2017-08-21 2018-05-14 동국대학교 산학협력단 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치
KR20180057420A (ko) * 2016-11-22 2018-05-30 주식회사 루닛 약한 지도 학습 방식의 객체 인식 방법 및 장치
KR20180092494A (ko) 2017-02-09 2018-08-20 한국전자통신연구원 학습 이미지 데이터 정제 시스템 및 그 방법
KR20190060606A (ko) * 2017-11-24 2019-06-03 삼성전자주식회사 의료 영상 진단 장치 및 방법

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100068733A (ko) 2008-12-15 2010-06-24 한국과학기술정보연구원 통합 데이터베이스 구축을 위한 데이터 정제 시스템 및방법과 이를 위한 기록매체
KR20140018748A (ko) * 2012-08-03 2014-02-13 삼성전자주식회사 의료 영상에서 병변의 분석 장치 및 방법
KR20180040287A (ko) * 2016-10-12 2018-04-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
KR20180057420A (ko) * 2016-11-22 2018-05-30 주식회사 루닛 약한 지도 학습 방식의 객체 인식 방법 및 장치
KR20180092494A (ko) 2017-02-09 2018-08-20 한국전자통신연구원 학습 이미지 데이터 정제 시스템 및 그 방법
KR101857624B1 (ko) * 2017-08-21 2018-05-14 동국대학교 산학협력단 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치
KR20190060606A (ko) * 2017-11-24 2019-06-03 삼성전자주식회사 의료 영상 진단 장치 및 방법

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210157795A (ko) * 2020-06-22 2021-12-29 주식회사 뷰노 모델 학습 방법
KR102449240B1 (ko) 2020-06-22 2022-09-29 주식회사 뷰노 모델 학습 방법
KR20220015542A (ko) * 2020-07-31 2022-02-08 한국과학기술정보연구원 기포 검출 방법 및 장치
KR102460080B1 (ko) * 2020-07-31 2022-10-28 한국과학기술정보연구원 기포 검출 방법 및 장치
KR102446638B1 (ko) * 2021-04-28 2022-09-26 주식회사 딥바이오 유방암 병변 영역을 판별하기 위한 인공 신경망을 학습하기 위한 학습 방법, 및 이를 수행하는 컴퓨팅 시스템
KR20220164361A (ko) * 2021-06-04 2022-12-13 에이치앤비지노믹스 주식회사 Dxa 스캔 이미지 및 임상 공변량에 기초하여 학습된 딥러닝 모델을 이용한 골다공증 위험도 예측 방법 및 장치
KR102624616B1 (ko) 2021-06-04 2024-01-18 에이치앤비지노믹스 주식회사 Dxa 스캔 이미지 및 임상 공변량에 기초하여 학습된 딥러닝 모델을 이용한 골다공증 위험도 예측 방법 및 장치
KR20220167001A (ko) * 2021-06-11 2022-12-20 주식회사 에필 반려동물 의료데이터 표준화 방법 및 장치, 그리고 이를 이용한 반려동물 질병 발생 예측 방법
KR102526161B1 (ko) * 2021-06-11 2023-04-27 주식회사 에필 반려동물 의료데이터 표준화 방법 및 장치, 그리고 이를 이용한 반려동물 질병 발생 예측 방법
KR20230007736A (ko) 2021-07-06 2023-01-13 가톨릭대학교 산학협력단 인공 슬관절 해리 판독 방법
KR102513218B1 (ko) 2022-05-25 2023-04-25 주식회사 에어스 메디컬 학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치
KR102533000B1 (ko) 2022-08-18 2023-05-16 주식회사 에어스메디컬 학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치

Similar Documents

Publication Publication Date Title
KR102097741B1 (ko) 인공지능 학습용 의료 영상 데이터 정제 시스템 및 그 구동방법
KR102097740B1 (ko) 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템 및 그 구동방법
KR102097742B1 (ko) 인공지능 기반의 의료영상 검색 시스템 및 그 구동방법
US20220343178A1 (en) Method and system for performing non-invasive genetic testing using an artificial intelligence (ai) model
US11055580B2 (en) Method and apparatus for analyzing an image
CN112686812B (zh) 银行卡倾斜矫正检测方法、装置、可读存储介质和终端
JP2015087903A (ja) 情報処理装置及び情報処理方法
JP2022108260A (ja) 異常検出及び分類のための装置、プログラム、及び方法
US20200134382A1 (en) Neural network training utilizing specialized loss functions
CN110956081B (zh) 车辆与交通标线位置关系的识别方法、装置及存储介质
US11126894B2 (en) Method and apparatus for analysing an image
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
CN107622280A (zh) 基于场景分类的模块化处方式图像显著性检测方法
CN116740728A (zh) 一种用于晶圆读码器动态获取方法和系统
CN115272647A (zh) 一种肺部图像的识别处理方法及系统
CN117011563A (zh) 基于半监督联邦学习的道路损害巡检跨域检测方法及系统
Singh et al. CNN based approach for traffic sign recognition system
Özyurt et al. A new method for classification of images using convolutional neural network based on Dwt-Svd perceptual hash function
FR3076378A1 (fr) Procede de formation d'un reseau de neurones pour la reconnaissance d'une sequence de caracteres et procede de reconnaissance associe
Kabilesh et al. Medical image counterfeit detection for smart healthcare
CN114140381A (zh) 一种基于MDP-net的玻璃体混浊分级筛查方法及装置
CN113837062A (zh) 一种分类方法、装置、存储介质及电子设备
Sharma et al. Solving image processing critical problems using machine learning
CN112966620A (zh) 眼底图像处理方法、模型训练方法及设备
US20200134357A1 (en) Neural-network-based optical character recognition using specialized confidence functions

Legal Events

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