KR102103280B1 - 딥러닝 기반의 대장 질환 보조 진단 방법 - Google Patents

딥러닝 기반의 대장 질환 보조 진단 방법 Download PDF

Info

Publication number
KR102103280B1
KR102103280B1 KR1020190073379A KR20190073379A KR102103280B1 KR 102103280 B1 KR102103280 B1 KR 102103280B1 KR 1020190073379 A KR1020190073379 A KR 1020190073379A KR 20190073379 A KR20190073379 A KR 20190073379A KR 102103280 B1 KR102103280 B1 KR 102103280B1
Authority
KR
South Korea
Prior art keywords
image
colon
large intestine
disease
normal
Prior art date
Application number
KR1020190073379A
Other languages
English (en)
Inventor
최우식
김태규
이희상
윤홍준
심영태
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 KR1020190073379A priority Critical patent/KR102103280B1/ko
Application granted granted Critical
Publication of KR102103280B1 publication Critical patent/KR102103280B1/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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

본 발명의 일 실시예에 따른 딥러닝 기반의 대장 질환 보조 진단 방법은, (A) 학습 데이터를 이용하여 대장 질환이 딥러닝되어 진단 모델이 생성되는 단계; (B) 진단 대상 이미지가 입력되는 단계; 및 (C) 진단 모델에 기초하여 진단 대상 이미지의 대장 질환 여부가 진단되는 단계를 포함하고; (A) 단계는, (A1) 복수의 제1 대장 이미지와, 각각의 제1 대장 이미지에 대한 대장 정보가 제1 학습데이터로 입력되는 단계; (A2) 제1 학습 데이터를 입력으로 하는 딥러닝을 통해, 제1 대장이미지를 "정상", "양성", 또는 "악성"으로 분류하는 제1분류모델을 생성하는 단계; (A3) 제1 분류모델에 따라 제1 대장 이미지가 "정상", "양성", 또는 "악성"으로 분류된 제2 대장 이미지와, 제2 대장 이미지에 대한 각각의 질환 정보가 제2 학습데이터로 입력되는 단계; 및 (A4) 제2 학습데이터를 입력으로 하는 딥러닝을 통해, 제2 대장 이미지를 질환 종류 별로 분류하는 제2분류모델을 생성하는 단계를 포함하고, (C) 단계에서는 제1 분류모델 및 제2 분류모델이 진단 모델로 적용되는 것이 바람직하다.

Description

딥러닝 기반의 대장 질환 보조 진단 방법{ASSISTANCE DIAGNOSIS METHOD FOR LARGE INTESTINE DISEASE BASED ON DEEP LEARNING}
본 발명은 딥러닝 기반의 대장 질환 보조 진단 방법에 관한 것으로서, 보다 상세하게는 각종 대장 질환을 딥러닝 기술을 통해 학습하여, 대장 질환을 보다 정확하게 자동으로 진단할 수 있는 딥러닝 기반의 대장 질환 보조 진단 방법에 관한 것이다.
대장암은 국내에서 전체 암 발생률 2위(2018년 기준)를 차지하는 흔한 암종이다. 서구화된 식습관과 진단 기술의 발달로 대장암 발생률은 더욱 급격히 증가하고 있다. 80~90%의 대장암은 대장에 생긴 작은 혹인 용종(선종)에서 시작한다는 점이다. 대장내시경 검사를 통해 이 용종을 조기 발견해 제거한다면 대장암에 의한 사망률을 66%나 낮출 수 있게 된다.
전문 의료진은 각종 검사를 통해 환자의 병을 진단하고 치료법을 제시한다. 때에 따라서는 더 정확한 진단을 위해 방사선영상이나 조직 슬라이드를 스캔한 병리영상을 판독한다.
하지만 10만×10만 픽셀 크기의 영상에서 100×100픽셀 크기의 비정상적인 부위를 사람의 눈으로 찾는 일은 정말 어려운 일에 속한다. 아무리 전문적인 수련 과정을 거친 숙련의라도 육안으로는 종양과 정상인지 여부를 구분하는 게 쉽지 않고, 영상에 따라서는 분석에 수십 분에서 수 시간이 걸리기도 한다.
아울러, 종종 비정상적인 케이스를 놓치는 상황이 종종 발생한다. 대장은 길고 굴곡이 심하며 많은 주름진 형태를 띤다. 숙련의가 대장 전 표면을 완벽하게 관찰하기가 어려운 이유이다. 만약 이런 굴곡 내측에 작은 병변이 있다면 발견이 쉽지 않고, 대장 점막의 미세한 변화나 1mm 사이즈의 암세포는 육안으로 쉽게 구별하기가 어렵다.
또한, 판독이 난해한 경우라면 의사 한 명이 하루에 분석할 수 있는 영상은 많아야 2~3명분에 불과하다. 사람의 눈으로 확인하는 작업이다 보니 같은 환자를 두고 서로 다른 진단을 내릴 수도 있다.
전문의가 한정된 시간 안에 검토해야 하는 많은 정보를 감안한다면 오진의 가능성을 완전히 배제할 수 없다. 대표적으로, 암 오진 피해의 원인으로는 추가 검사를 소홀히 하거나 판독오류라는 응답 비율이 가장 높은 것으로 알려져 있다.
아울러, 용종의 크기가 작을수록 간과율이 높아지는 경향이 있어, 이런 이유로 대장내시경검사를 받은 지 수년 이내 대장암 진단을 받는 케이스가 종종 발생한다.
또한, 모니터에서 지원하는 해상도, 명암비, 휘도 등의 요소에 따라 영상이 온전하게 보이지 않을 가능성도 완전히 배제할 수 없다. 판독용 모니터는 의료용 디지털 영상 및 통신 표준(DICOM), 5백만 화소, 고대조도, 최소 8비트 조건의 고해상도와 같은 요소를 필수로 지원해야 하나, 현실에서는 고가의 장비라는 것을 이유로 구매나 이용이 제한될 가능성이 크다. 이에 효율적으로 의료영상을 판독하려는 목적에서 딥러닝(deep learning)이 도입되고 있다.
딥러닝(deep learning)과 같은 기계 학습(machine learning)을 기반으로 하는 인공지능(AI) 기술은 의료 영상을 이용하여 환자의 질병을 진단하는데 있어 비약적인 발전을 가져오는데 바탕이 되고 있다.
딥러닝이란 사람의 신경세포(biological neuron)를 모사하여 기계가 학습하도록 하는 인공신경망(Artificial Neural Network) 기반의 기계 학습법을 의미한다. 최근, 딥러닝 기술은 이미지 인식 분야에서 비약적으로 발전하고 있고, 의료 영상을 이용한 진단 분야에서도 널리 사용되고 있다.
딥러닝 기술에서는 학습 데이터를 반복적으로 학습하여 질환을 진단하기 위한 진단 모델을 형성하게 되는데, 학습 데이터로 사용되는 질환의 종류가 다양하기 때문에 각 질환에 특화된 진단 모델을 개발하는 것이 중요하다.
대장 영상을 분석해 용종을 인식하는 딥러닝 알고리즘이 도입된다면, 대장 질환 판독시 비정상적인 케이스를 놓칠 확률을 대폭 낮추는 데 크게 도움이 될 것으로 예측된다. 또한, 기술 숙련도가 낮은 대장내시경 검사자라도 이 시스템을 활용한다면 높은 정확도로 용종을 탐지, 절제할 수 있을 것으로 예측되는데, 딥러닝 기술을 이용한 대장 영상을 판독하는 기술 개발이 필요한 실정이다.
한국 공개특허 제10-2017-0017614호에 개시된 '의료 영상 기반의 질환 진단 정보 산출 방법 및 장치'에서는, 분석 대상 객체가 촬영된 관심 영역을 검출하고, 변동계수를 산출하고, 변동계수 이미지를 작성하고 이를 기준 샘플과 비교하는 단계를 포함하고, CT, MRI 및 초음파 영상 촬영 장치 등을 통해 획득된 의료 영상을 활용하여 환자의 질환 정도를 진단하는 효과를 언급하고 있다.
이에, 본 발명은 상기와 같은 문제점을 해소하기 위해 안출된 것으로서, 대장 질환을 딥러닝 기술을 통해 학습하여, 대장 질환을 보다 정확하게 자동으로 진단할 수 있는 딥러닝 기반의 대장 질환 보조 진단 방법을 제공하는데 그 목적이 있다.
본 발명의 일 실시예에 따른 딥러닝 기반의 대장 질환 보조 진단 방법은, (A) 학습 데이터를 이용하여 대장 질환이 딥러닝되어 진단 모델이 생성되는 단계; (B) 진단 대상 이미지가 입력되는 단계; 및 (C) 진단 모델에 기초하여 진단 대상 이미지의 대장 질환 여부가 진단되는 단계를 포함하고; (A) 단계는, (A1) 복수의 제1 대장 이미지와, 각각의 제1 대장 이미지에 대한 대장 정보가 제1 학습데이터로 입력되는 단계; (A2) 제1 학습 데이터를 입력으로 하는 딥러닝을 통해, 제1 대장이미지를 "정상", "양성", 또는 "악성"으로 분류하는 제1분류모델을 생성하는 단계; (A3) 제1 분류모델에 따라 제1 대장 이미지가 "정상", "양성", 또는 "악성"으로 분류된 제2 대장 이미지와, 제2 대장 이미지에 대한 각각의 질환 정보가 제2 학습데이터로 입력되는 단계; 및 (A4) 제2 학습데이터를 입력으로 하는 딥러닝을 통해, 제2 대장 이미지를 질환 종류 별로 분류하는 제2분류모델을 생성하는 단계를 포함하고, (C) 단계에서는 제1 분류모델 및 제2 분류모델이 진단 모델로 적용되는 것이 바람직하다.
본 발명의 일 실시예에 있어서, (A2) 단계에서, 제1 학습 데이터는 기 등록된 분류 알고리즘을 통해 딥러닝되고, 분류 알고리즘은 대장 정보에 따라 제1 대장 이미지를 "정상", "양성", 또는 "악성"으로 분류하는 알고리즘인 것이 바람직하다.
본 발명의 일 실시예에 있어서, 제2 대장 이미지는 정상 대장 이미지, 양성 대장 이미지와 악성 대장 이미지 중 어느 하나이고, (A4) 단계는, (A4-1) 정상 대장 이미지와, 정상 대장 이미지에 대한 질환 정보인 정상 질환 정보가 제2 정상학습데이터로 입력되고, 제2 정상학습데이터를 입력으로 하는 딥러닝을 통해 제2 정상 분류모델이 생성되는 단계; (A4-2) 양성 대장 이미지와, 양성 대장 이미지에 대한 양성 질환 정보가 제2 양성학습데이터로 입력되고, 제2 양성학습데이터를 입력으로 하는 딥러닝을 통해 제2 양성 분류모델이 생성되는 단계; 및 (A4-3) 악성 대장 이미지와, 악성 대장 이미지에 대한 악성 질환 정보가 제2 악성학습데이터로 입력되고, 제2 악성학습데이터를 입력으로 하는 딥러닝을 통해 제2 악성 분류모델이 생성되는 단계를 포함하는 것이 바람직하다.
본 발명의 일 실시예에 있어서, (C) 단계는, 제2 분류모델이 제2 정상 분류모델, 제2 양성 분류모델 및 제2 악성 분류모델로 세분화되어, 진단 대상 이미지에 대한 질환 정보가 진단 결과로 산출되는 것이 바람직하다.
본 발명의 일 실시예에 있어서, (D) 진단 대상 이미지 상에 진단 결과가 출력되는 단계를 더 포함하며, 진단 결과는 질환의 종류 및 질환 종류에 대한 예측도를 포함하는 것이 바람직하다.
본 발명의 일 실시예에 있어서, (C) 단계는 (C1) 모폴로지 알고리즘을 통해, 진단 대상 이미지 상에 존재하는 노이즈를 제거하는 단계; (C2) 히스토그램 알고리즘을 통해, 진단 대상 이미지에서 대장 조직을 추출하여 대장 조직 이미지를 생성하는 단계; (C3) 색 정규화 알고리즘을 통해, 대장 조직 이미지의 일정한 색강도로 이미지 처리하는 단계; 및 (C4) 대장 조직 이미지를 제1 대장 이미지와 동일한 이미지 사이즈로 리사이징하는 단계를 더 포함하는 것이 바람직하다.
본 발명의 일 실시예에 있어서, (C2) 단계에는, 진단 대상 이미지에 대산 가로축의 색 강도를 나타내는 가로축 히스토그램으로부터 가로축의 제1시작점과 제1끝점에 대한 가로 좌표값을 획득하는 단계; 진단 대상 이미지에 대한 세로축의 색 강도를 나타내는 세로축 히스토그램으로부터 세로축의 제2시작점과 제2끝점에 대한 세로 좌표값을 획득하는 단계; 및 세로 좌표값과 가로좌표값을 연산하여, 진단 대상 이미지 상에 존재하는 대장 조직 별로 대장 조직 이미지를 생성하는 단계를 포함하는 것이 바람직하다.
상기와 같은 구성에 따라, 본 발명에 따르면, 진단 과정 중 두 번의 과정, 즉, 제1 분류모델로 진단 대상 이미지를 "정상", "양성" 또는 "악성"으로 대분류하는 과정과, 대분류된 진단 대상 이미지를 제2 분류모델에 따라 질환 종류 별로 세분화하는 과정을 통해, 대장 질환 분류에 대한 정확성을 확보함으로써, 전체 진단의 정확성을 높일 수 있게 된다.
도 1은 본 발명에 따른 딥러닝 기반의 대장 질환 보조 진단 방법을 설명하기 위한 도면이고,
도 2는 본 발명의 일 실시예에 따라, 딥러닝 방식으로 제1분류모델을 생성하는 과정을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따라, 딥러닝 방식으로 제2 분류모델을 생성하는 과정을 설명하기 위한 도면이다.
도 4는 본 발명에 따른 딥러닝 기반의 대장 질환 보조 진단 방법의 진단 모델에 따라 대장 질환을 진단하는 과정을 설명하기 위한 도면이다.
도 5 내지 도 7은 본 발명의 일 실시예에서, 진단 대상 이미지를 이미지처리하는 과정을 설명하기 위한 도면이다.
도 8 내지 도 14는 대장의 질환 종류 별 대장 이미지에 대한 예시이다.
도 15는 본 발명의 딥러닝 기반의 대장 질환 보조 진단 방법에 따른 진단결과에 대한 예시이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세하게 설명하고자 한다.
그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하에서는 첨부된 도면을 참조하여 본 발명에 따른 실시예들을 상세히 설명한다.
본 발명의 일 실시예에 따른 딥러닝 기반의 대장 질환 보조 진단 방법을 설명하기 전에, 도 8(a)를 참조하여, 대장 조직을 설명하면, 대장 조직은 크게 점막(mucosa), 점막근판(muscularis mucosa)과 점막하조직(submucosa)으로 구분된다. 도 8(b)는 대장 질환이 없는 "정상" 상태의 대장의 점막 이미지이다.
도 8(b)에 도시된 바와 같이, 점막 내부에는 복수의 글랜드(gland)가 존재한다. "정상" 대장 조직의 글랜드는 동그란 형상을 가진다.
도 8(b)의 확대도에 도시된 바와 같이, 글랜드는 핵(Nuclei), 루멘(Lumen) 및 세포질(Cytoplasm)로 구성된다. 핵(Nuclei)은 검은색 테두리를 형성한다. 루멘은 글랜드 내부공간이다. 핵과 루멘 사이에는 세포질이 존재한다.
대장 질환은 점막, 점막근판 및/또는 점막하조직이 변형되면서 생긴 것이다. 본 발명은 딥러닝 기반으로, 진단 대상 이미지로부터 대장 조직이 정상/양성/악성인지 여부 및 대장 질환을 판독하기 위한 기술이다.
본 발명은 진단 대상 이미지로부터 대장 질환을 판독하기 위해, 딥러닝 기반으로 진단 모델을 생성하는 과정이 선행된다. 딥러닝 기술로는 CNN(Convolutional Neural Network) 방식이 적용가능하다. CNN 방식은 인간의 뇌신경망을 연구하고 만든 Neural Network (딥러닝 기반의 대장 질환 보조 진단 방법)의 특성을 살려 이미지에 적용시킨 기술로서, 이미지의 픽셀 및 영역을 추출해 특성(feature)를 계산해서 이미지의 물체를 인식하는 방식의 알고리즘이다.
도 1을 참조하여 설명하면, 본 발명에 따른 딥러닝 기반의 대장 질환 보조 진단 방법은, 학습 데이터가 입력(S10)되면, 학습 데이터를 이용하여 대장 질환이 딥러닝된다(S20). 딥러닝 결과로, 진단 모델이 생성된다(S30).
도 2 및 도 3을 참조하여, 본 발명에 따른 딥러닝 기반의 대장 질환 보조 진단 방법에서의 진단 모델을 생성하는 과정을 설명하면 다음과 같다. 진단모델은 제1 분류모델과 제2 분류모델로 구분된다.
먼저, 도 2를 참조하여, 제1 분류모델에 대해 설명하면, 제1 대장 이미지와, 제1 대장 이미지에 대한 대장 정보가 제1 학습데이터로 제1 분류부(110)에 입력된다. 여기서, 대장 정보는 대장 질환 종류를 구체화하지 않고, 대장의 상태를 "정상", "양성" 또는 "악성"로 구분한 정보이다.
제1 분류부(110)는 기 등록된 제1 분류 알고리즘을 통해 딥러닝을 수행하여, 제1 학습데이터를 입력으로 하는 제1 분류모델을 생성한다. 제1 분류 알고리즘은 대장 정보(정상, 양성, 악성)에 따라 제1 대장 이미지를 "정상", "양성", 또는 "악성"으로 분류하는 알고리즘이다.
제1 학습데이터로는, "정상" 인 대장 이미지(도 8 내지 도 10 참조), "양성"인 대장 이미지(도 11 및 도 12 참조), 그리고, "악성"인 대장 이미지(도 13 및 도 14)가 사용될 수 있다.
다음으로, 도 3을 참조하여, 제2 분류모델을 생성하는 과정에 대해 설명하면 다음과 같다.
제2 분류모델을 설명하면, 제2 대장 이미지와, 제2 대장 이미지에 대한 각각의 질환 정보가 제2 학습데이터로 제2 분류부(120)에 입력된다. 제2 대장 이미지는 제1 분류모델에 따라 제1 대장 이미지가 "정상", "양성", 또는 "악성"으로 분류된 이미지이다. 제2 대장 이미지는 정상 대장 이미지, 양성 대장 이미지와 악성 대장 이미지 중 어느 하나이다.
정상 대장 이미지는 대장의 상태가 "정상"인 대장 이미지이다. 양성 대장 이미지는 대장의 상태가 "양성"인 대장 이미지이다. 그리고, 악성 대장 이미지는 대장의 상태가 "악성"인 대장 이미지이다. 본 실시예에서는, 질환 정보에 대해 정상 질환 정보, 양성 질환 정보와 악성 질환 정보에 대해 구분하여 지칭한다.
제2 분류부(120)는 제2 정상 분류부(121), 제2 양성 분류부(123)와 제2 악성 분류부(125)를 포함한다. 제2 분류모델은 제2 정상 분류모델, 제2 양성 분류모델 및 제2 악성 분류모델을 포함한다.
제2 정상 분류부(121)는 기 등록된 정상 질환 분류 알고리즘을 통해 딥러닝을 수행하여, 제2 정상 학습데이터를 입력으로 하는 제2 정상 분류모델을 생성한다. 제2 정상 학습데이터는 정상 대장 이미지와 정상 질환 정보이다.
정상 질환 정보는 정상 대장 이미지에 대한 질환 정보이다. 정상 질환 정보는 급성(Acute), 만성 염증(Chronic Inflammation), 과형성/과증식성 용종(Hyperplastic Polyp)으로 구분된다.
제2 정상 학습데이터로는 급성(Acute)/만성 염증(Chronic Inflammation)을 가진 정상 대장 이미지(도 9참조) 및/또는 과형성/과증식성 용종(Hyperplastic Polyp)을 가진 정상 대장 이미지(도 10 참조)가 사용될 수 있다.
정상 질환 분류 알고리즘은 정상 대장 이미지를 정상 질환 종류에 따라 "급성(Acute)", "만성 염증(Chronic Inflammation)" 또는 "과형성/과증식성 용종(Hyperplastic Polyp)"으로 분류한다.
도 8(b)에 도시된 바와 같이, 대장 조직이 온전히 "정상" 인 경우, 각각의 글랜드가 전체적으로 작고, 동그란 형태를 유지하고, 글랜드 내부의 세포질 또한 동그란 형태를 유지한다.
도 9를 참조하면, 대장 조직이 "정상"에 해당되더라도 점막에 염증이 생긴 경우, 글랜드는 동그란 형상을 유지하나 핵, 글랜드의 검은색 테두리 부분이 손상됨을 알 수 있다.
도 10을 참조하면, 대장 조직이 "정상" 조직 범위에 해당되나, 과형성/증식성 용종에 해당되는 경우, 글랜드의 핵(검은색 테두리)의 손상은 없으나, 온전히 정상인 글랜드(도 8(b) 참조)보다 크기가 커지고, 루멘의 형상이 변형된다. 도 8(b)를 참조하면 온전히 정상인 글랜드의 루멘은 동그란 형상인데 반해, 도 10을 참조하면, 과형성/증식성 용종인 경우 글랜드의 루멘은 길쭉하게 또는 톱니 형상으로 변형된다.
제2 양성 분류부(123)는 기 등록된 양성 질환 분류 알고리즘을 통해 딥러닝을 수행하여, 제2 양성 학습데이터를 입력으로 하는 제2 양성 분류모델을 생성한다. 제2 양성 학습데이터는 양성 대장 이미지와 양성 질환 정보이다. 양성 질환 정보는 양성 대장 이미지에 대한 질환 정보이다.
제2 양성 학습데이터로는 저도 이형성 샘종(Adenoma with Low grade dysplasia)을 가진 양성 대장 이미지(도 11 참조)와, 고도 이형성 샘종(Adenoma with high grade dysplasia)을 가진 양성 대장 이미지(도 12 참조)를 사용한다.
양성 질환 정보는 저도 이형성 샘종 질환 정보와, 고도 이형성 샘종 질환 정보로 크게 구분된다.
저도 이형성 샘종 질환 정보는, 저도 이형성 관상선종(Tubular Adenoma), 저도 이형성 관상유모상 선종(Tubularvillous Adenoma), 또는 저도 이형성 융모상 선종(Villous Adenoma) 또는 저도 이형성 톱니형 선종(Serrated Adenoma)으로 세분화된다.
그리고, 고도 이형성 샘종 질환 정보는, 고도 이형성 관산선종, 고도 이형성 관상유모상 선종 또는 고도 이형성 융모상 선종으로 세분화 된다.
양성 질환 분류 알고리즘은 양성 대장 이미지를 양성 질환 종류에 따라 저도 이형성 관산선종, 저도 이형성 관상유모상 선종, 저도 이형성 융모상 선종, 저도 이형성 톱니형 선종, 고도 이형성 관산선종, 고도 이형성 관상유모상 선종 또는 고도 이형성 융모상 선종으로 분류한다.
도 11을 참조하면, 대장 조직이 양성 중 저도 이형성 샘종에 해당된 경우, 대장 조직은 글랜드의 핵이 세포질을 향해 내성장하고, 글랜드의 전체 형상이 길쭉하게 변형된다.
도 12를 참조하면, 대장 조직이 양성 중 고도 이형성 샘종에 해당된 경우, 저도 이형성 샘종의 특징과 더불어, 글랜드들 간의 융합이 발생한다. 즉, 고도 이형성 샘종의 경우, 대장 조직은 글랜드의 전체 형상이 길쭉하게 길어지진다. 그리고, 글랜드 내의 핵이 길어지면서 루멘으로 파고드는 것과 같다. 그리고, 글랜드들 간의 융합이 발생한다. 대장 조직은 글랜드 내부에 괴사된 세포(necrosis)가 발생한다.
제2 악성 분류부(125)는 기 등록된 악성 질환 분류 알고리즘을 통해 딥러닝을 수행하여, 제2 악성 학습데이터를 입력으로 하는 제2 악성 분류모델을 생성한다. 제2 악성 학습데이터는 악성 대장 이미지와 악성 질환 정보이다. 악성 질환 정보는 악성 대장 이미지에 대한 질환 정보이다.
제2 악성 학습데이터로는 선암종(Adenocarcinoma)을 가진 악성 대장 이미지(도 13 참조), 및/또는 카르시노이드(Carcinoid)을 가진 악성 대장 이미지(도 14 참조)를 사용한다.
악성 질환 정보는 선암종(Adenocarcinoma)과, 카르시노이드(Carcinoid)로 구분된다. 악성 질환 분류 알고리즘은 악성 대장 이미지를 악성 질환 종류에 따라, 선암종(Adenocarcinoma)과, 카르시노이드(Carcinoid)로 분류한다.
도 13을 참조하면, 대장 조직이 악성 중 선암종에 해당되는 경우, 조직의 요소들이 형태를 구분할 수 없게 무너진다. 즉, 대장 조직이 선암종인 경우, 점막이 손상되면서 손상된 조직이 점막근판을 침투한다.
도 14를 참조하면, 대장 조직이 악성 중 카르시노이드인 경우, 점막하조직이 선형으로 길게 변형된다. 카르시노이드의 경우, 점막 및 점막근판의 변형은 발생하지 않는다.
한편, 이하에서는 도 1 및 도 4를 참조하여, 진단 대상 이미지로부터 대장 질환을 진단하는 과정에 대해 설명하기로 한다.
본 발명은 진단 대상 이미지가 입력(S40)되면, 상술한 과정에 따라 생성된 진단 모델을 기초로 대장 질환을 진단하는 과정이 수행된다. 진단 대상 이미지는 대장 정보(예컨대, 정상, 양성, 악성) 및 대장 질환 정보를 모르는 이미지이다.
우선, 진단 대상 이미지(10)가 제1 분류부(110)로 입력되기 전에, 진단 대상 이미지에 대한 이미지 처리가 선행된다. 입력된 진단 대상 이미지(도 4(a) 참조)는 파일 포맷 변경 및 이미지 사이즈가 축소되는 제1 리사이징 처리된다. 이후, 모폴로지 알고리즘 및 히스토그램 알고리즘을 통해, 제1 리사이징된 이미지(도 4(b) 참조)에서 대장 조직을 추출하여 대장 조직 이미지를 생성한다.
도 5 내지 도 6을 참조하여, 복수의 대장 조직이 존재하는 진단 대상 이미지(10)에서 대장 조직에 해당되는 부분만 추출하는 과정에 대해 설명하면 다음과 같다.
모폴로지 오프닝(Morphology Opening) 연산을 통해, 진단 대상 이미지(도 5(a) 참조)에서 이미지 상에 존재하는 노이즈가 제거한다(도 5(b) 참조). 이후, 모폴로지 팽창(Morphology Dilation) 연산을 통해, 노이즈가 제거된 영역의 크기를 확장한다(도 5(c) 참조).
참고로, 도 7(a)를 참고하여 모폴로지 오프닝(Morphology Opening)을 설명하면, 모폴로지 오프닝은 일정 영역(40)에서 기준이 되는 도형(42)을 붓으로 생각하고 페인트를 칠할 때 닿지 않는 영역을 지우는 기법이다. 도 7(b)를 참고하여, 모폴로지 팽창(Morphology Dilation)에 대해 설명하면, 모폴로지 팽창은 기준이 되는 도형(42)을 영역 테두리부분(41)에 정렬하여 페인트칠 했을 때 영역(45)을 늘리는 기법이다.
모폴로지 알고리즘을 통해 진단 대상 이미지에서 노이즈가 제거되면, 히스토그램 알고리즘을 통해, 진단 대상 이미지(10)에 복수 개의 대장 조직이 한 이미지에 존재하는 경우, 복수 개의 대장 조직을 하나의 대장 조직만 존재하게 조직을 추출하는 것이다.
히스토그램 알고리즘을 통해, 진단 대상 이미지(10)에서 대장 조직 별로 대상 조직 이미지(20, 30)를 추출하는 과정은 다음과 같다.
우선, 도 5(d)에 도시된 바와 같이, 진단 대상 이미지에 대산 가로축의 색 강도를 나타내는 가로축 히스토그램으로부터 가로축의 제1시작점과 제1끝점에 대한 가로 좌표값을 획득한다.
도 5(e)를 참고하면, 가로축을 기준으로 시작점과 끝점 사이를 한 개의 영역으로 하여, 두 개의 대장 조직 이미지를 추출한다.
각각의 대장 조직 이미지는 모폴로지 알고리즘을 통해 노이즈가 다시한번 더 제거된다. 도 6(b)는 도 5(b)와 동일하고, 도 6(c)는 도 5(c)와 동일하다.
이후, 히스토그램 알고리즘을 통해, 진단 대상 이미지에 대한 세로축의 색 강도를 나타내는 세로축 히스토그램으로부터 세로축의 제2시작점과 제2끝점에 대한 세로좌표값을 획득한다.
이후, 히스토그램 알고리즘을 통해, 세로좌표값과 가로좌표값을 연산하여, 진단 대상 이미지 상에 존재하는 대장 조직 별로 대장 조직 이미지를 생성한다(도 6(e) 참조).
한편, 상기와 같은 과정에 의해 이미지 처리된 대장 조직 이미지(도 4(c) 참조)는 색 정규화 알고리즘을 통해 일정한 색강도로 이미지 처리된다. 의료병리영상은 염색체의 농도에 따라 색이 다르기 때문에 이를 일정한 색 강도로 변환처리가 수행된다.
색 정규화 처리된 이미지(도 4(d) 참조)는 딥러닝 모델이 학습하기 위한 파일 사이즈의 축소를 위해서 24b비트 컬러를 8비트 컬러로 변환하는 색비트 축소 처리된 후, 학습 데이터의 이미지 사이즈와 동일한 사이즈로 제2 리사이징된다. 제2 리사이징된 이미지는 제1 분류부(110)로 입력된다.
제1 분류부(110)는 제1 분류모델을 기초로, 입력된 대상 조직 이미지가 "정상", "양성" 또는 "악성" 중 어디에 해당되는지를 분류한다. 예를 들어, 제1 분류부(110)가 대장 조직 이미지가 "정상"이라 분류하면, 대장 조직 이미지는 제2 정상 분류부(121)에서 제2 정상 분류모델을 기초로 온전히 정상, 염증, 과형성 용종 중 어느 하나로 분류된다.
또한, 제1 분류부(110)가 대장 조직 이미지가 "양성"이라 분류하면, 대장 조직 이미지는 제2 양성 분류부(123)에서 제2 양성 분류모델을 기초로 저도 이형성 샘종 또는 고도 이형성 샘종 중 어느 하나로 분류된다.
또는, 제1 분류부(110)가 대장 조직 이미지가 "악성"이라 분류하면, 대장 조직 이미지는 제2 악성 분류부(125)에서 제2 악성 분류모델을 기초로 선암종 또는 카르시노이드 중 어느 하나로 분류된다.
상기와 같은 과정을 거쳐, 대상 조직 이미지로부터 대장 질환이 진단되면, 진단 대상 이미지 상에 진단 결과가 출력된다(S60). 도 15에 도시된 바와 같이, 진단 결과는 질환의 종류 및 질환 종류에 대한 예측도를 포함할 수 있다.
비록 본 발명의 몇몇 실시예들이 도시되고 설명되었지만, 본 발명이 속하는 기술분야의 통상의 지식을 가진 당업자라면 본 발명의 원칙이나 정신에서 벗어나지 않으면서 본 실시예를 변형할 수 있음을 알 수 있을 것이다. 발명의 범위는 첨부된 청구항과 그 균등물에 의해 정해질 것이다.
110: 제1 분류부
120: 제2 분류부
121: 제2 정상 분류부
123: 제2 양성 분류부
125: 제2 악성 분류부

Claims (7)

  1. 컴퓨터와 같은 정보처리장치에 의해 수행되는 방법으로,
    (A) 학습 데이터를 이용하여 대장 질환이 딥러닝되어 진단 모델이 생성되는 단계,
    (B) 진단 대상 이미지가 입력되는 단계, 및
    (C) 상기 진단 모델에 기초하여 상기 진단 대상 이미지의 대장 질환 여부가 진단되는 단계를 포함하고;
    상기 (A) 단계는,
    (A1) 복수의 제1 대장 이미지와, 각각의 상기 제1 대장 이미지가 "정상", "양성", 및 "악성" 중 어느 하나인지 여부에 대한 대장 정보가 제1 학습데이터로 입력되는 단계,
    (A2) 상기 제1 학습 데이터를 입력으로 하는 딥러닝을 통해, 입력되는 대장이미지를 정상 대장 이미지, 양성 대장 이미지 및 악성 대장 이미지 중 어느 하나로 분류하는 제1분류모델을 생성하는 단계,
    (A3) 상기 정상 대장 이미지, 상기 양성 대장 이미지 및 상기 악성 대장 이미지 중 어느 하나로 분류된 복수의 제2 대장 이미지와, 상기 제2 대장 이미지에 대한 각각의 질환 정보가 제2 학습데이터로 입력되는 단계, 및
    (A4) 상기 제2 학습데이터를 입력으로 하는 딥러닝을 통해, 입력되는 대장 이미지를 질환 종류 별로 분류하는 제2분류모델을 생성하는 단계를 포함하고;
    상기 (A3) 단계에서 복수의 상기 제2 대장 이미지는 복수의 대장 이미지가 상기 제1분류모델에 입력되어 각각 상기 정상 대장 이미지, 상기 양성 대장 이미지 및 상기 악성 대장 이미지로 분류되어 구성되고;
    상기 (A4) 단계는,
    (A4-1) 상기 정상 대장 이미지와, 상기 정상 대장 이미지에 대한 질환 정보인 정상 질환 정보가 제2 정상학습데이터로 입력되고, 상기 제2 정상학습데이터를 입력으로 하는 딥러닝을 통해 제2 정상 분류모델이 생성되는 단계,
    (A4-2) 상기 양성 대장 이미지와, 상기 양성 대장 이미지에 대한 양성 질환 정보가 제2 양성학습데이터로 입력되고, 상기 제2 양성학습데이터를 입력으로 하는 딥러닝을 통해 제2 양성 분류모델이 생성되는 단계, 및
    (A4-3) 상기 악성 대장 이미지와, 상기 악성 대장 이미지에 대한 악성 질환 정보가 제2 악성학습데이터로 입력되고, 상기 제2 악성학습데이터를 입력으로 하는 딥러닝을 통해 제2 악성 분류모델이 생성되는 단계를 포함하고;
    상기 (C) 단계에서는 상기 제1 분류모델, 상기 제2 정상 분류모델, 상기 제2 양성 분류모델, 상기 제2 악성 분류모델이 상기 진단 모델로 적용되며;
    상기 (C) 단계는
    (C1) 상기 진단 대상 이미지가 상기 제1 분류모델에 입력되어, 상기 정상 대장 이미지, 상기 양성 대장 이미지 및 상기 악성 대장 이미지 중 어느 하나로 분류되는 단계,
    (C2) 상기 (C1) 단계에서 상기 정상 대장 이미지로 분류되는 경우, 상기 제2 정상 분류모델에 입력되어 질환 여부가 진단되는 단계,
    (C3) 상기 (C1) 단계에서 상기 양성 대장 이미지로 분류되는 경우, 상기 제2 양성 분류모델에 입력되어 질환 여부가 진단되는 단계, 및
    (C3) 상기 (C1) 단계에서 상기 악성 대장 이미지로 분류되는 경우, 상기 제2 악성 분류모델에 입력되어 질환 여부가 진단되는 단계를 포함하는 것을 특징으로 하는 딥러닝 기반의 대장 질환 보조 진단 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 제 1 항에 있어서,
    (D) 상기 진단 대상 이미지 상에 진단 결과가 출력되는 단계를 더 포함하며,
    상기 진단 결과는 질환의 종류 및 상기 질환 종류에 대한 예측도를 포함하는 것을 특징으로 하는 딥러닝 기반의 대장 질환 보조 진단 방법.
  6. 제 1 항에 있어서, 상기 (C) 단계는
    상기 (C1) 단계의 수행 전에
    모폴로지 알고리즘을 통해, 상기 진단 대상 이미지 상에 존재하는 노이즈를 제거하는 단계;
    히스토그램 알고리즘을 통해, 상기 진단 대상 이미지에서 대장 조직을 추출하여 대장 조직 이미지를 생성하는 단계;
    색 정규화 알고리즘을 통해, 상기 대장 조직 이미지의 일정한 색강도로 이미지 처리하는 단계; 및
    상기 대장 조직 이미지를 상기 제1 대장 이미지와 동일한 이미지 사이즈로 리사이징하는 단계를 더 포함하는 것을 특징으로 하는 딥러닝 기반의 대장 질환 보조 진단 방법.
  7. 제 6 항에 있어서, 상기 대장 조직 이미지를 생성하는 단계에는,
    상기 진단 대상 이미지에 대산 가로축의 색 강도를 나타내는 가로축 히스토그램으로부터 가로축의 제1시작점과 제1끝점에 대한 가로 좌표값을 획득하는 단계;
    상기 진단 대상 이미지에 대한 세로축의 색 강도를 나타내는 세로축 히스토그램으로부터 세로축의 제2시작점과 제2끝점에 대한 세로좌표값을 획득하는 단계; 및
    상기 세로좌표값과 상기 가로좌표값을 연산하여, 상기 진단 대상 이미지 상에 존재하는 대장 조직 별로 상기 대장 조직 이미지를 생성하는 단계를 포함하는 것을 특징으로 하는 딥러닝 기반의 대장 질환 보조 진단 방법.
KR1020190073379A 2019-06-20 2019-06-20 딥러닝 기반의 대장 질환 보조 진단 방법 KR102103280B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190073379A KR102103280B1 (ko) 2019-06-20 2019-06-20 딥러닝 기반의 대장 질환 보조 진단 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190073379A KR102103280B1 (ko) 2019-06-20 2019-06-20 딥러닝 기반의 대장 질환 보조 진단 방법

Publications (1)

Publication Number Publication Date
KR102103280B1 true KR102103280B1 (ko) 2020-06-01

Family

ID=71083196

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190073379A KR102103280B1 (ko) 2019-06-20 2019-06-20 딥러닝 기반의 대장 질환 보조 진단 방법

Country Status (1)

Country Link
KR (1) KR102103280B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022103140A1 (ko) * 2020-11-13 2022-05-19 (주)루티헬스 의료 영상 판독 장치 및 의료 영상 판독 방법
US11357464B2 (en) * 2020-08-07 2022-06-14 Shenzhen Keya Medical Technology Corporation Method and system for diagnosis of COVID-19 using artificial intelligence
CN114724708A (zh) * 2021-06-24 2022-07-08 广东德澳智慧医疗科技有限公司 基于人工智能、大数据和算法的创伤信息系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070016018A (ko) * 2005-08-02 2007-02-07 삼성전자주식회사 얼굴 검출 장치 및 방법
KR20100059489A (ko) * 2008-11-26 2010-06-04 서울대학교산학협력단 전산화단층촬영을 이용한 가상대장내시경에서 자동화된 용종 검출 방법과 이를 이용한 용종 검출 시스템
KR20140093376A (ko) * 2013-01-16 2014-07-28 삼성전자주식회사 의료 영상을 이용하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 장치 및 방법
KR20160096460A (ko) * 2015-02-05 2016-08-16 삼성전자주식회사 복수의 분류기를 포함하는 딥 러닝 기반 인식 시스템 및 그 제어 방법
KR20170017614A (ko) 2015-08-07 2017-02-15 원광대학교산학협력단 의료 영상 기반의 질환 진단 정보 산출 방법 및 장치
KR101941209B1 (ko) * 2017-09-18 2019-04-12 주식회사 래디센 인공지능 기반 독립형 자동 질환 진단 시스템 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070016018A (ko) * 2005-08-02 2007-02-07 삼성전자주식회사 얼굴 검출 장치 및 방법
KR20100059489A (ko) * 2008-11-26 2010-06-04 서울대학교산학협력단 전산화단층촬영을 이용한 가상대장내시경에서 자동화된 용종 검출 방법과 이를 이용한 용종 검출 시스템
KR20140093376A (ko) * 2013-01-16 2014-07-28 삼성전자주식회사 의료 영상을 이용하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 장치 및 방법
KR20160096460A (ko) * 2015-02-05 2016-08-16 삼성전자주식회사 복수의 분류기를 포함하는 딥 러닝 기반 인식 시스템 및 그 제어 방법
KR20170017614A (ko) 2015-08-07 2017-02-15 원광대학교산학협력단 의료 영상 기반의 질환 진단 정보 산출 방법 및 장치
KR101941209B1 (ko) * 2017-09-18 2019-04-12 주식회사 래디센 인공지능 기반 독립형 자동 질환 진단 시스템 및 방법

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11357464B2 (en) * 2020-08-07 2022-06-14 Shenzhen Keya Medical Technology Corporation Method and system for diagnosis of COVID-19 using artificial intelligence
WO2022103140A1 (ko) * 2020-11-13 2022-05-19 (주)루티헬스 의료 영상 판독 장치 및 의료 영상 판독 방법
CN114724708A (zh) * 2021-06-24 2022-07-08 广东德澳智慧医疗科技有限公司 基于人工智能、大数据和算法的创伤信息系统

Similar Documents

Publication Publication Date Title
US11562820B2 (en) Computer classification of biological tissue
US11937973B2 (en) Systems and media for automatically diagnosing thyroid nodules
EP3405908B1 (en) A system and method for detection of suspicious tissue regions in an endoscopic procedure
US7260248B2 (en) Image processing using measures of similarity
KR102103280B1 (ko) 딥러닝 기반의 대장 질환 보조 진단 방법
WO2015069824A2 (en) Diagnostic system and method for biological tissue analysis
KR102095730B1 (ko) 딥러닝 기반의 대장 병변 검출 방법
US20200090548A1 (en) Image processing apparatus, image processing method, and computer-readable recording medium
EP2458555A2 (en) Image processing device, image processing method, and image processing program
Rakotomamonjy et al. Scattering features for lung cancer detection in fibered confocal fluorescence microscopy images
KR102531400B1 (ko) 인공 지능 기반 대장 내시경 영상 진단 보조 시스템 및 방법
Almuntashri et al. Gleason grade-based automatic classification of prostate cancer pathological images
Sánchez-Montes et al. Review of computational methods for the detection and classification of polyps in colonoscopy imaging
David et al. Automatic colon polyp detection in endoscopic capsule images
Ratheesh et al. Advanced algorithm for polyp detection using depth segmentation in colon endoscopy
KR20230097646A (ko) 위장 질환 및 위암 검출률 향상을 위한 인공 지능 기반 위 내시경 영상 진단 보조 시스템 및 방법
Arnold et al. Indistinct frame detection in colonoscopy videos
KR102637484B1 (ko) 인공지능 기반의 내시경 진단 보조 시스템 및 이의 제어방법
Sindhu et al. A novel method for automatic detection of inflammatory bowel diseases in wireless capsule endoscopy images
WO2017149310A1 (en) Frame selection in medical image data
Malekian et al. Computer aided measurement of sub-epithelial collagen band in colon biopsies for collagenous colitis diagnosis
Tan et al. Automated Classification Map Generation of Prostate Cancer using Deep Learning
Stepanov et al. Detector of Interest Point within Region of Interest on NBI Endoscopy Images.
US20220398458A1 (en) Systems and methods of deep learning for colorectal polyp screening
KR102623871B1 (ko) 의료영상의 처리시스템 및 처리 방법

Legal Events

Date Code Title Description
GRNT Written decision to grant