KR102108400B1 - 의료영상 판독을 위한 컨테이너 기반의 인공지능 클라우드 서비스 플랫폼 시스템 - Google Patents

의료영상 판독을 위한 컨테이너 기반의 인공지능 클라우드 서비스 플랫폼 시스템 Download PDF

Info

Publication number
KR102108400B1
KR102108400B1 KR1020190084563A KR20190084563A KR102108400B1 KR 102108400 B1 KR102108400 B1 KR 102108400B1 KR 1020190084563 A KR1020190084563 A KR 1020190084563A KR 20190084563 A KR20190084563 A KR 20190084563A KR 102108400 B1 KR102108400 B1 KR 102108400B1
Authority
KR
South Korea
Prior art keywords
learning
reading
model
medical image
unit
Prior art date
Application number
KR1020190084563A
Other languages
English (en)
Inventor
김주홍
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 KR1020190084563A priority Critical patent/KR102108400B1/ko
Application granted granted Critical
Publication of KR102108400B1 publication Critical patent/KR102108400B1/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
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 의료영상 판독을 위한 인공지능 클라우드 서비스 플랫폼 시스템에 관한 것으로, 해결하고자 하는 기술적 과제는 사용자가 의료데이터의 학습에 필요한 학습모델을 편집 및 생성하여 학습하고자 하는 의료데이터를 학습시키고, 학습된 결과물을 이용하여 의료영상데이터를 판독하는 서비스를 클라우드 방식으로 제공하는데 있다.
일례로, 웹 브라우저를 통해 클라우드 서버에 접속되어, 학습용 의료데이터를 업로드하고, 업로드된 학습용 의료데이터의 기계학습을 위한 학습모델을 선정하고, 선정된 학습모델을 이용한 학습용 의료데이터의 학습훈련을 요청하는 프로젝트 생성 서비스부; 클라우드 서버에 설치되고, 상기 학습모델을 구성하는 각각의 학습모듈을 GPU 노드와 CPU 노드로 분산 저장하고, 저장된 학습모듈을 GPU 영역과 CPU 영역에서 각각 구동시켜 학습용 의료데이터에 대한 기계학습을 실행하고, 학습결과를 질환 별 판독모델로 등록하고, 등록된 판독모델을 이용하여 의료영상데이터를 판독하여 판독결과를 제공하는 클라우드 학습 서비스부; 및 웹 브라우저를 통해 클라우드 서버에 접속되어, 의료영상데이터를 업로드하고, 업로드된 의료영상데이터에 대한 판독을 요청하고, 상기 클라우드 학습 서비스부로부터 판독결과를 제공 받아 출력하는 의료영상 판독 서비스부를 포함하는 인공지능 클라우드 서비스 플랫폼 시스템을 개시한다.

Description

의료영상 판독을 위한 컨테이너 기반의 인공지능 클라우드 서비스 플랫폼 시스템{SYSTEM FOR PROVIDING CONTAINER BASED CLOUD PLATFORM SERVICE FOR INTERPRETATION OF MEDICAL IMAGE}
본 발명의 실시예는 의료영상 판독을 위한 인공지능 클라우드 서비스 플랫폼 시스템에 관한 것이다.
인공지능 기법을 이용한 다양한 알고리즘들이 오랜 기간 동안 개발되어 왔으며, 특히 최근에는 딥러닝(Deep Learning) 알고리즘을 적용하여 빅데이터를 처리하는 다양한 기법들이 개발되고 있으며, 이를 적용한 성공사례도 점점 늘어나고 있다.
그 동안 의료영상에도 인공지능을 적용하여 임상의사결정에 도움을 받고자 하는 시도가 활발하게 진행되었고, 특히, X-ray, 초음파, CT(Computed Tomography), MRI(Magnetic Resonance Imaging), PET(Positron Emission Tomography) 등의 진단기기들로부터 획득된 의료영상에 인공지능 알고리즘을 적용하여 임상의사의 의사결정에 도움을 주는 방법이 개발되어 왔다.
인공지능을 통해서 의료영상에 나타난 조직이 정상인지 비정상인지, 종양의 경우 양성인지 음성인지 분류하는 보조진단시스템의 경우, 영상의학과 의사만이 판독하는 경우보다 병변의 검출률이 향상되는 것으로 알려져 있다. 이러한 분류를 위해서는 naive bayes, SVM(Support Vector Machine), ANN(Artificial Neural Network), HMM(Hidden Markov Model) 등을 주로 사용하는데, 이들은 병변의 유무를 자동으로 분류(classification)하는 알고리즘들이다.
인공지능 알고리즘으로 기계학습(machine learning) 알고리즘을 사용할 수 있으며, 기계학습은 크게 지도학습(Supervised Learning)과 비지도학습(Unsupervised Learning)으로 나눌 수 있다. 이러한 기계학습 알고리즘으로 예측모델을 생성하고, 생성된 예측모델을 이용하여 의료영상에 대한 정상/비정상 여부를 추정하는 시스템을 구성하는 것이 가능하나, 아직 의료영상에 대해 정상/비정상의 선별이나 병변을 자동으로 발견하는 데에 정확도가 여전히 낮은 실정이며, 또한 이를 위해서 많은 컴퓨팅 파워와 시간이 소요되는 실정이므로, 이에 대한 개선이 필요하다.
등록특허공보 제10-1880678호(등록일자: 2018년07월16일)
본 발명의 실시예는, 사용자가 의료데이터의 학습에 필요한 학습모델을 편집 및 생성하여 학습하고자 하는 의료데이터를 학습시키고, 학습된 결과물을 이용하여 의료영상데이터를 판독하는 서비스를 클라우드 방식으로 제공하는 의료영상 판독을 위한 컨테이너 기반의 인공지능 클라우드 서비스 플랫폼 시스템을 제공한다.
본 발명의 실시예에 따른 의료영상 판독을 위한 컨테이너 기반의 인공지능 클라우드 서비스 플랫폼 시스템은, 웹 브라우저를 통해 클라우드 서버에 접속되어 학습용 의료데이터를 업로드하고, 업로드된 학습용 의료데이터의 기계학습을 위한 학습모델을 선정하고, 선정된 학습모델을 이용한 학습용 의료데이터의 학습훈련을 요청하는 프로젝트 생성 서비스부; 클라우드 서버에 설치되고, 상기 학습모델을 구성하는 각각의 학습모듈을 GPU(Graphics　Processing　Unit) 노드와 CPU(Central Processing Unit) 노드로 분산 저장하고, 저장된 학습모듈을 GPU 영역과 CPU 영역에서 각각 구동시켜 학습용 의료데이터에 대한 기계학습을 실행하고, 학습결과를 질환 별 판독모델로 등록하고, 등록된 판독모델을 이용하여 의료영상데이터를 판독하여 판독결과를 제공하는 클라우드 학습 서비스부; 및 웹 브라우저를 통해 클라우드 서버에 접속되어, 의료영상데이터를 업로드하고, 업로드된 의료영상데이터에 대한 판독을 요청하고, 상기 클라우드 학습 서비스부로부터 판독결과를 제공 받아 출력하는 의료영상 판독 서비스부를 포함한다.
또한, 상기 프로젝트 생성 서비스부는, 인공지능 알고리즘 개발을 위한 신규 프로젝트를 생성하고, 생성된 프로젝트를 위한 학습용 의료데이터를 업로드하는 학습용 의료데이터 업로드부; 학습용 의료데이터의 기계학습을 위한 다수의 학습모델을 제공하고, 상기 학습용 의료데이터 업로드부를 통해 업로드된 학습용 의료데이터에 따른 학습모델을 선정하기 위한 학습모델 공유부; 및 상기 학습모델 공유부를 통해 선정된 학습모델의 소스코드를 수정 및 편집하거나, 학습용 의료데이터의 기계학습을 위한 새로운 학습모델을 제작하기 위한 학습모듈 모델러를 포함할 수 있다.
또한, 상기 클라우드 학습 서비스부는, 상기 프로젝트 생성 서비스부를 통해 선정된 학습모델을 구성하는 각각의 학습모듈에서 심층 신경망 모듈(Deep Neural Network Module)은 GPU용으로, 전처리 및 후처리 모듈은 CPU용으로 각각 구분하여 이미지 파일 형태로 저장하되, 상기 이미지 파일을 실행하기 위한 컨테이너(container) 형식으로 저장하여 사용자가 생성한 프로젝트를 관리하는 프로젝트 관리부; 상기 프로젝트 관리부에 저장된 컨테이너를 GPU 영역과 CPU 영역에서 각각 구동시켜 학습용 의료데이터에 대한 기계학습을 실행하는 학습모델 구동부; 상기 학습모델 구동부를 통한 학습결과를 질환 별 판독모델로 생성하고, 생성된 질환 별 판독모델을 의료영상 판독 데이터베이스에 등록하는 학습결과 판독모델 생성부; 및 상기 의료영상 판독 데이터베이스에 등록된 질환 별 판독모델을 GPU 영역에서 구동시켜 상기 의료영상 판독 서비스부로부터 업로드 된 의료영상데이터를 판독하고, 판독결과를 제공하는 판독모델 구동부를 포함할 수 있다.
또한, 상기 학습결과 판독모델 생성부는, 질환 별 판독모델에 대한 가중치 정보와 질환 별 판독모델의 아키텍처를 함께 저장하고, 상기 판독모델 구동부는, 의료영상데이터의 DICM(Digital Imaging and Communications in Medicine) 태그에서 모달리티(modality)와 바디파트(body part)를 분석하고, 의료영상데이터에 대한 판독 가능한지 여부를 파악하고, 판독이 가능한 판독모델의 가중치를 적용할 수 있다.
또한, 상기 의료영상 판독 서비스부는, 의료영상데이터를 상기 클라우드 학습 서비스부로 업로드하고, 업로드된 의료영상데이터에 대한 판독을 요청하는 의료영상 판독 요청부; 및 상기 의료영상 판독 요청부로부터 의료영상데이터에 대한 판독결과를 수신하여 웹 뷰어로 출력하는 의료영상 판독 결과 제공부를 포함할 수 있다.
본 발명에 따르면, 사용자가 의료데이터의 학습에 필요한 학습모델을 편집 및 생성하여 학습하고자 하는 의료데이터를 학습시키고, 학습된 결과물을 이용하여 의료영상데이터를 판독하는 서비스를 클라우드 방식으로 제공하는 의료영상 판독을 위한 컨테이너 기반의 인공지능 클라우드 서비스 플랫폼 시스템을 제공할 수 있다.
도 1은 본 발명의 실시예에 따른 의료영상 판독을 위한 인공지능 클라우드 서비스 플랫폼 시스템의 전체 구성을 나타낸 블록도이다.
도 2는 본 발명의 실시예에 따른 의료영상 판독을 위한 인공지능 클라우드 서비스 플랫폼 시스템의 상세 구성을 나타낸 블록도이다.
도 3은 본 발명의 실시예에 따른 의료영상 판독을 위한 인공지능 클라우드 서비스 플랫폼 시스템의 동작을 설명하기 위해 나타낸 블록도이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나 이상의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1은 본 발명의 실시예에 따른 의료영상 판독을 위한 인공지능 클라우드 서비스 플랫폼 시스템의 전체 구성을 나타낸 블록도이고, 도 2는 본 발명의 실시예에 따른 의료영상 판독을 위한 인공지능 클라우드 서비스 플랫폼 시스템의 상세 구성을 나타낸 블록도이며, 도 3은 본 발명의 실시예에 따른 의료영상 판독을 위한 인공지능 클라우드 서비스 플랫폼 시스템의 동작을 설명하기 위해 나타낸 블록도이다.
도 1 내지 도 3을 참조하면, 본 발명의 실시예에 따른 의료영상 판독을 위한 인공지능 클라우드 서비스 플랫폼 시스템(1000)은 프로젝트 생성 서비스부(100), 클라우드 학습 서비스부(200) 및 의료영상 판독 서비스부(300) 중 적어도 하나를 포함할 수 있다.
상기 프로젝트 생성 서비스부(100)는, 사용자의 단말에 설치된 웹 브라우저를 통해 클라우드 서버에 접속되어, 학습용 의료데이터를 클라우드 학습 서비스부(200)로 업로드하고, 업로드된 학습용 의료데이터의 기계학습을 위한 학습모델을 선정하며, 선정된 학습모델을 이용한 학습용 의료데이터의 학습훈련을 요청할 수 있다. 이를 위해, 프로젝트 생성 서비스부(100)는 학습용 의료데이터 업로드부(110), 학습모델 공유부(120) 및 학습모델 모델러(130) 중 적어도 하나를 포함할 수 있다.
상기 학습용 의료데이터 업로드부(110)는 인공지능 알고리즘 개발을 위한 신규 프로젝트를 생성하고, 생성된 프로젝트를 위한 학습용 의료데이터를 업로드 할 수 있다. 여기서, 신규 프로젝트는 특정 질환 예를 들어, 흉부, 복부, 뇌/두경부/척추, 산부인과/비뇨기계, 심장/혈관계, 근골격계, 유방, 핵의학 등 질환 별 의료영상 판독을 위한 인공지능 알고리즘을 개발하기 위한 사용자 별로 생성되어 관리될 수 있다.
상기 학습모델 공유부(120)는 학습용 의료데이터의 기계학습을 위한 다수의 학습모델을 제공하고, 학습용 의료데이터 업로드부(110)를 통해 업로드된 학습용 의료데이터에 따른 학습모델을 선정할 수 있다. 이러한 학습모델 공유부(120)는 질환 별 다양한 학습모델이 등록되어 사용자들과 다양한 학습모델을 공유할 수 있으며, 사용자의 선택에 따라 학습용 의료데이터에 맞는 최적화된 학습모델이 선정될 수 있다. 본 실시예에 따른 학습은 학습모델 모델러(130)의 진행상태와 출력 로그(output log) 등의 모니터링을 통해 최적화된 학습모델이 선별되어 진행될 수 있다.
본 실시예에서 학습모델 공유부(120)를 통해 제공되는 학습모델은, 학습된 결과물을 저장하기 이전의 학습용 의료데이터에 대한 다양한 처리를 위한 전처리 모듈, 학습된 결과물을 저장한 이후의 다양한 처리를 위한 후처리 모듈과, 학습용 의료데이터의 학습과정을 위한 심층 신경망 모듈(Deep Neural Network Module)을 포함할 수 있다. 이러한 학습모델 중 전처리/후처리 모델은 CPU(Central Processing Unit)용으로 구분되고, 심층 신경망 모듈은 GPU (Graphics　Processing　Unit)용으로 구분되어 저장될 수 있다.
본 실시예에서 전처리 및 후처리 모듈은 이미지 프로세싱(image processing)을 위한 툴(tool)로, 리샘플링(resampling), 이미지 정규화(image normalization), 이미지 어그멘테이션(image augmentation) 등의 기능을 공통적으로 구비할 수 있다. 여기서, 리샘플링(resampling) 기능은 이미지의 픽셀 간격을 조정하는 기능이고, 이미지 정규화(image normalization) 기능은 이미지의 픽셀 값, 이미지 사이즈 등을 정규화하는 기능이며, 이미지 어그멘테이션(image augmentation) 기능은 원본 이미지에 인위적인 변화를 주어 학습에 활용될 수 있는 데이터로 만들기 위한 기능을 의미할 수 있다. 그리고, 전처리 및 후처리 모듈의 선택적인 기능으로는 타겟 구분(Target segmentation)(혈관, 허파 등), 이미지 경계화(Thresholding), 패치 추출(Patch extraction) 등의 기능을 포함할 수 있다.
상기 심층 신경망 모듈(Deep Neural Network Module)은 인공지능의 목적에 따라 학습용 의료데이터(또는 학습용 의료데이터)의 분류(Classification), 분리(Segmentaion), 검출(Detection)로 구분될 수 있다. 여기서, 학습용 의료데이터(또는 학습용 의료데이터)의 분류(Classification)를 위해 제공되는 학습모델(2D/3D용)은 ResNet, DenseNet, MobileNet 등이 있고, 분리(Segmentaion)를 위한 학습모델(2D/3D용)은 UNet, DeepLab 등이 있으며, 검출(Detection)을 위한 학습모델(2D용)은 YOLO, SSD 등이 있다.
상기 학습모델 모델러(130)는 학습모델 공유부(120)를 통해 선정된 학습모델의 소스코드를 수정 및 편집하거나, 학습용 의료데이터의 기계학습을 위한 새로운 학습모델을 제작할 수 있다. 사용자가 학습모델에 대한 프로그래밍이 가능한 경우, 학습모델 공유부(120)를 통해 제공되는 학습모델을 구성하는 각 학습모듈의 단계들을 조합하지 않고, 사용자만의 학습모델을 초기부터 생성하여 제작할 수 있는 프로그램 툴(program tool)을 제공하거나, 기본적으로 제공되는 학습모델의 프로그램 소스코드(program source-code)를 수정 및 편집하여 변경된 프로그램을 제작할 수 있으며, 물론, 기본적으로 제공되는 학습모델을 그대로 이용할 수도 있다.
이러한 프로젝트 생성 서비스부(100)는 데이터 셋(data set), 전처리, 네트워크 모델, 후처리 등을 위한 위젯 형태의 UI(User Interface)를 제공하며, 이를 이용하여 학습모델 구동부(220)로 학습용 의료데이터에 대한 학습훈련요청을 할 수 있으며, 학습진행단계 별로 학습결과를 확인한 후 학습모델 모델러(130)를 이용하여 사용자가 직접 학습모델의 프로그램 소스코드를 편집할 수도 있다.
상기 클라우드 학습 서비스부(200)는, 클라우드 서버에 설치되고, 프로젝트 생성 서비스부(100)를 통해 선정된 학습모델을 구성하는 각각의 학습모듈(데이터셋, 심층 신경망 모듈, 전처리 모듈, 후처리 모듈 등)을 GPU(Graphics　Processing　Unit) 노드와 CPU(Central Processing Unit) 노드로 분산 저장할 수 있다.
또한, 클라우드 학습 서비스부(200)는 각각 저장된 학습모듈을 GPU 영역과 CPU 영역에서 구동시켜 학습용 의료데이터에 대한 기계학습을 실행하고, 학습결과를 질환 별 판독모델로 등록하고, 등록된 판독모델을 이용하여 의료영상데이터를 GPU 영역에서 판독하며, 판독결과를 제공할 수 있다.
이를 위해, 클라우드 학습 서비스부(200)는 프로젝트 관리부(210), 학습모델 구동부(220), 학습결과 판독모델 생성부(230) 및 판독모델 구동부(240) 중 적어도 하나를 포함할 수 있다.
상기 프로젝트 관리부(210)는 프로젝트 생성 서비스부(100)를 통해 선정된 학습모델을 구성하는 각각의 학습모듈(심층 신경망 모델, 전/후처리 모델 등)을 GPU용과 CPU용으로 구분하여 이미지 파일 형태로 각각 저장한 후, 저장된 이미지 파일들을 실행하기 위한 컨테이너(container) 형식으로 저장하여 사용자가 생성한 신규 프로젝트를 관리할 수 있다.
신규 프로젝트의 각 단계 즉, 각각의 학습모듈(심층 신경망 모델, 전/후처리 모델 등)은 GPU용과 GPU용으로 나누어 처리되는데, 특히, GPU는 딥러닝의 이미지 연산에 대한 과중한 계산량 문제를 해결하기 위해 이용될 수 있다. 이러한 GPU는 수천 개의 코어로 이루어져 수많은 연산을 동시에 병렬적으로 처리하는데 최적화되어 있어 딥러닝의 연산처리를 위해 CPU보다 더 많은 부분이 적정하게 배분/분산될 수 있다.
본 실시예에 따른 학습 및 판독을 위한 클라우드 서비스는 리눅스 컨테이너 기술을 기반으로 구현되며, 이러한 리눅스 컨테이너 기술을 자동화하여 쉽게 사용할 수 있도록 '도커(docker)'라는 오픈소스 프로젝트를 이용할 수 있다. 도커는 리눅스의 응용 프로그램들을 소프트웨어 컨테이너 안에 배치시키는 일을 자동화하는 오픈 소스 프로젝터로, 컨테이너의 가상환경을 담아 놓고, 다른 서버에서 가상환경을 이식해서 사용할 수 있도록 만든 가상화 플랫폼이라 할 수 있다.
이러한 도커 기술의 구현에 있어 도커 이미지(docker image)가 사용되는데, 이러한 도커 이미지는 서비스 운영에 필요한 서버 프로그램, 소스 코드, 컴파일된 실행 파일을 묶은 형태로, 이미지 저장소를 통해 업로드 및 다운로드 받을 수 있다.
여기서, 도커 이미지 파일의 업로드는 푸시(push) 명령어를 통해 실행될 수 있고, 다운로드는 풀(pull) 명령어를 통해 실행될 수 있다. 또한, 도커 이미지는 도크 런(dock run) 명령어를 이용하여 컨테이너를 통해 실행될 수 있다(즉, 가상환경이 자신의 서버에 생성되는 것). 이러한 도커 이미지 파일은 이미지를 생성하는데 필요한 정보를 가지고 있는 파일로, 빌드 도커(build docker) 명령어를 통해 이미지로 변환될 수 있으며, 푸쉬 명령어를 통해 별도의 이미지 저장소에 저장될 수 있다.
그리고, 도커 컨테이너는 도커 이미지 파일을 실행하기 위한 것으로, 소프트웨어 실행(이미지 파일의 실행)에 필요한 코드, 런타임, 시스템 도구, 시스템 라이브러리 등을 포함할 수 있다. 즉, 운영체제에서 본다면 도커 이미지는 실행파일이고 컨테이너는 그 실행파일을 실행하는 프로세서에 해당한다.
상기 프로젝트 관리부(210)는 다수의 사용자가 개별 프로젝트를 보관, 실행 및 보완이 용이하도록 컨테이너 기반의 이미지 저장소에 저장하며, 해당 이미지는 컨테이너를 통해 CPU 및 GPU 노드에서 각각 실행될 수 있다. 이미지 저장소는 도커 이미지를 공유 및 다운로드 받을 수 있는 저장소인 도커 허브(docker hub)와, 사용자 자신만의 프라이빗 한 저장소인 도커 레지스트리(dorker registry)를 포함할 수 있다. 도커 이미지를 다른 사용자와 공유하고자 하는 경우 도커 허브의 이미지 저장소를 이용할 수 있으며, 사용자 개인의 프로젝트를 위해서는 도커 레지시트리의 이미지 저장소를 이용할 수 있다.
상기 학습모델 구동부(220)는 프로젝트 관리부(210)에 저장된 학습모듈(심층 신경망 모듈, 전/후처리 모듈)을 JOB 스케줄러의 스케줄링을 통해 GPU 영역과 CPU 영역에서 각각 구동시켜 학습용 의료데이터에 대한 기계학습을 실행할 수 있다. 즉, 본 실시예의 JOB 스케줄러는 프로젝트 관리부(210)에서 GPU용으로 구분된 심층 신경망 모듈과 CPU용으로 구분된 전/후처리 모듈을 각각 해당 사용영역에서 구동시켜 학습을과정을 진행할 수 있다.
상기 학습결과 판독모델 생성부(230)는 학습모델 구동부(220)를 통한 학습결과를 질환 별 판독모델로 생성하고, 생성된 질환 별 판독모델을 의료영상 판독 데이터베이스에 등록할 수 있다. 이때, 관리자는 검증을 통해 추후 판독모델 구동부(230)에서 의료영상데이터의 판독을 위해 사용할 수 있는 학습결과를 선별하고, 이에 따라 선별된 학습결과를 학습결과 판독모델 생성부(230)를 통해 질환 별 판독모델로 생성하여 의료영상 판독 데이터베이스에 등록할 수 있다.
상기 학습결과 판독모델 생성부(230)는, 질환 별 판독모델을 별도의 판독모델 가중치 저장소에 저장할 수 있으며, 해당 판독모델의 가중치 정보와 질환 별 판독모델의 아키텍처를 함께 저장할 수 있으며, 추후 판독을 위해 사용될 수 있다.상기 판독모델 구동부(240)는, 사용자 단말에 설치된 웹 브라우저를 통해 의료영상 판독 서비스부(300)로부터 의료영상데이터를 업로드 받을 수 있으며, 업로드된 해당 의료영상데이터에 대한 판독을 자동으로 요청 받을 수 있다.
또한, 판독모델 구동부(240)는 의료영상 판독 데이터베이스에 기 등록된 질환 별 판독모델을 GPU 영역에서 구동시켜 의료영상 판독 서비스부(300)로부터 업로드된 의료영상데이터를 판독하고, 그 판독결과를 다시 의료영상 판독 서비스부(300)로 전송할 수 있다. 이때, 업로드된 의료영상데이터 및, 처리 완료된 판독결과는 각각 판독모델 구동부(240)의 의료영상데이터 저장소와 판독결과데이터 저장소에 각각 개별적으로 저장될 수 있다.
이러한 판독모델 구동부(240)는, 의료영상데이터의 DICM(Digital Imaging and Communications in Medicine) 태그에서 모달리티(modality)와 바디파트(body part)를 분석하고, 질환 별 판독모델 가중치 저장소에 연결되어, 해당 의료영상데이터에 대한 판독 가능한지 여부를 파악할 수 있다. 또한, 판독모델 구동부(240)는 업로드된 의료영상데이터에 대한 판독이 가능한 판독모델의 가중치를 적용하고, 해당 질환의 판독모델 가중치와 판독모델의 아키텍처를 GPU 사용영역에서 실행시켜 판독결과를 출력할 수 있다. 판독모델 구동부(240)는 해당 판독결과를 의료영상 판독결과 제공부(320)로 전송할 수 있으며, 전송된 판독결과는 의료영상 판독결과 제공부(320)의 웹 뷰어를 통해 확인할 수 있다.
상기 의료영상 판독 서비스부(300)는, 사용자 단말에 설치된 웹 브라우저를 통해 클라우드 서버에 접속되어 의료영상데이터를 판독모델 구동부(240)에 업로드하고, 업로드된 의료영상데이터에 대한 판독을 자동 요청할 수 있다. 의료영상 판독 서비스부(300)는 의료영상데이터의 판독 요청에 따라 클라우드 학습 서비스부(200)로부터 판독결과를 제공 받아 웹 뷰어를 통해 출력할 수 있다. 이를 위해 의료영상 판독 서비스부(300)는 의료영상 판독 요청부(310) 및 의료영상 판독 결과 제공부(320) 중 적어도 하나를 포함할 수 있다.
상기 의료영상 판독 요청부(310)는 의료영상데이터를 클라우드 학습 서비스부(200)의 판독모델 구동부(230)로 업로드하고, 데이터 업로드를 통해 의료영상데이터에 대한 판독을 판독모델 구동부(240)에 자동으로 요청할 수 있다.
상기 의료영상 판독 결과 제공부(320)는 의료영상 판독 요청부(310)로부터 의료영상데이터에 대한 판독결과를 수신하여 웹 뷰어를 통해 출력하여 사용자가 확인할 수 있도록 한다.
예를 들어, 도 5에 도시된 바와 같이 판독 요청된 의료영상데이터에 대한 판독 결과, 병변이 판독되는 경우 의료영상에서 병변의 위치 표시와 병변의 정보 및 병변 가능성 등의 정보를 함께 표시할 수 있으며, 병변이 있는 것으로 판독되지 않은 경우 미검출로 최종 결과를 표시할 수 있다.
또한, 본 실시예의 클라우드 서버는, AWS, 구글 클라우드(Google Cloud), MS 애저(Azure), 온-프레미스(On-Promise) 등을 기반으로 한 클라우드 서비스 플랫폼이 구축된 클라우드 웹 서버일 수 있으며, 네트워크를 통해 사용자 단말과 연결되며, 네트워크의 일 예에는 RF, 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5GPP(5rd Generation Partnership Project) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 위성 방송 네트워크 등이 포함되나 이에 한정되지는 않는다.
이상에서 설명한 것은 본 발명에 의한 의료영상 판독을 위한 컨테이너 기반의 인공지능 클라우드 서비스 플랫폼 시스템을 실시하기 위한 하나의 실시예에 불과한 것으로서, 본 발명은 상기 실시예에 한정되지 않고, 이하의 특허청구범위에서 청구하는 바와 같이 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변경 실시가 가능한 범위까지 본 발명의 기술적 정신이 있다고 할 것이다.
1000: 인공지능 클라우드 서비스 플랫폼 시스템
100: 프로젝트 생성 서비스부
110: 학습용 의료데이터 업로드부
120: 학습모델 공유부
130: 학습모듈 모델러
200: 클라우드 학습 서비스부
210: 프로젝트 관리부
220: 학습모델 구동부
230: 학습결과 판독모델 생성부
240: 판독모델 구동부
300: 의료영상 판독 서비스부
310: 의료영상 판독 요청부
320: 의료영상 판독 결과 제공부

Claims (5)

  1. 웹 브라우저를 통해 클라우드 서버에 접속되어 학습용 의료데이터를 업로드하고, 업로드된 학습용 의료데이터의 기계학습을 위한 학습모델을 선정하고, 선정된 학습모델을 이용한 학습용 의료데이터의 학습훈련을 요청하는 프로젝트 생성 서비스부;
    클라우드 서버에 설치되고, 상기 학습모델을 구성하는 각각의 학습모듈을 GPU 노드와 CPU 노드로 분산 저장하고, 저장된 학습모듈을 GPU 영역과 CPU 영역에서 각각 구동시켜 학습용 의료데이터에 대한 기계학습을 실행하고, 학습결과를 질환 별 판독모델로 등록하고, 등록된 판독모델을 이용하여 의료영상데이터를 판독하여 판독결과를 제공하는 클라우드 학습 서비스부; 및
    웹 브라우저를 통해 클라우드 서버에 접속되어 의료영상데이터를 업로드하고, 업로드된 의료영상데이터에 대한 판독을 요청하고, 상기 클라우드 학습 서비스부로부터 판독결과를 제공 받아 출력하는 의료영상 판독 서비스부를 포함하고,
    상기 클라우드 학습 서비스부는,
    상기 프로젝트 생성 서비스부를 통해 선정된 학습모델을 구성하는 각각의 학습모듈에서 심층 신경망 모듈(Deep Neural Network Module)은 GPU용으로, 전처리 및 후처리 모듈은 CPU용으로 각각 구분하여 이미지 파일 형태로 저장하되, 상기 이미지 파일을 실행하기 위한 컨테이너(container) 형식으로 저장하여 사용자가 생성한 프로젝트를 관리하는 프로젝트 관리부;
    상기 프로젝트 관리부에 저장된 컨테이너를 GPU 영역과 CPU 영역에서 각각 구동시켜 학습용 의료데이터에 대한 기계학습을 실행하는 학습모델 구동부;
    상기 학습모델 구동부를 통한 학습결과를 질환 별 판독모델로 생성하고, 생성된 질환 별 판독모델을 의료영상 판독 데이터베이스에 등록하는 학습결과 판독모델 생성부; 및
    상기 의료영상 판독 데이터베이스에 등록된 질환 별 판독모델을 GPU 영역에서 구동시켜 상기 의료영상 판독 서비스부로부터 업로드된 의료영상데이터를 판독하고, 판독결과를 제공하는 판독모델 구동부를 포함하고,
    상기 학습결과 판독모델 생성부는, 질환 별 판독모델에 대한 가중치 정보와 질환 별 판독모델의 아키텍처를 함께 저장하고,
    상기 판독모델 구동부는, 의료영상데이터의 DICM(Digital Imaging and Communications in Medicine) 태그에서 모달리티(modality)와 바디파트(body part)를 분석하여 의료영상데이터에 대한 판독 가능한지 여부를 파악하고, 판독이 가능한 판독모델의 가중치를 적용하고,
    상기 프로젝트 생성 서비스부는,
    흉부, 복부, 뇌/두경부/척추, 산부인과/비뇨기계, 심장/혈관계, 근골격계, 유방 및 핵의학 중 적어도 하나를 포함하는 질환의 의료영상 판독용 인공지능 알고리즘 개발을 위한 신규 프로젝트를 생성하고, 생성된 프로젝트를 위한 학습용 의료데이터를 업로드하는 학습용 의료데이터 업로드부;
    학습용 의료데이터의 기계학습을 위한 다수의 학습모델을 제공하고, 상기 학습용 의료데이터 업로드부를 통해 업로드된 학습용 의료데이터에 따른 학습모델을 선정하기 위한 학습모델 공유부; 및
    상기 학습모델 공유부를 통해 선정된 학습모델의 소스코드를 수정 및 편집하거나, 학습용 의료데이터의 기계학습을 위한 새로운 학습모델을 제작하기 위한 학습모델 모델러를 포함하고,
    상기 학습모델 공유부는,
    학습된 결과물을 저장하기 이전의 학습용 의료데이터에 대한 다양한 처리를 위한 전처리 모듈, 학습된 결과물을 저장한 이후의 다양한 처리를 위한 후처리 모듈과, 학습용 의료데이터의 학습과정을 위한 심층 신경망 모듈(Deep Neural Network Module)을 포함하고, 상기 전처리 모듈과 상기 후처리 모듈을 CPU(Central Processing Unit)용으로 구분하여 저장하고, 상기 심층 신경망 모듈을 GPU (Graphics　Processing　Unit)용으로 구분하여 저장하고,
    상기 전처리 모듈과 상기 후처리 모듈은,
    이미지 프로세싱(image processing)을 위한 툴(tool)로, 리샘플링(resampling), 이미지 정규화(image normalization) 및 이미지 어그멘테이션(image augmentation)의 기능을 공통적으로 구비하고,
    상기 리샘플링(resampling) 기능은 이미지의 픽셀 간격을 조정하는 기능이고, 상기 이미지 정규화(image normalization) 기능은 이미지의 픽셀 값, 이미지 사이즈 등을 정규화하는 기능이며, 상기 이미지 어그멘테이션(image augmentation) 기능은 원본 이미지에 인위적인 변화를 주어 학습에 활용될 수 있는 데이터로 만들기 위한 기능이고,
    상기 전처리 모듈 및 후처리 모듈은,
    판독 타겟 구분(Target segmentation), 이미지 경계화(Thresholding) 및 패치 추출(Patch extraction) 기능을 더 포함하고,
    상기 학습모델 모델러는,
    사용자가 학습모델에 대한 프로그래밍이 가능한 경우, 상기 학습모델 공유부를 통해 제공되는 학습모델을 구성하는 각 학습모듈의 단계들을 조합하지 않고, 사용자만의 학습모델을 초기부터 생성하여 제작할 수 있는 프로그램 툴(program tool)을 제공하거나, 기본적으로 제공되는 학습모델의 프로그램 소스코드(program source-code)를 수정 및 편집하여 변경된 프로그램을 제작하도록 하고,
    상기 의료영상 판독 서비스부는,
    의료영상데이터를 상기 클라우드 학습 서비스부로 업로드하고, 업로드된 의료영상데이터에 대한 판독을 요청하는 의료영상 판독 요청부; 및
    상기 의료영상 판독 요청부로부터 의료영상데이터에 대한 판독결과를 수신하여 웹 뷰어로 출력하는 의료영상 판독 결과 제공부를 포함하고,
    상기 의료영상 판독 결과 제공부는,
    상기 클라우드 학습 서비스부로 업로드되어 판독 요청된 의료영상데이터에 대한 판독 결과, 병변이 판독되는 경우 의료영상에서 병변의 위치 표시와 병변의 정보 및 병변 가능성 등의 정보를 함께 표시하여 제공하고, 병변이 없는 것으로 판독되는 경우 미검출로 최종 결과를 표시하여 제공하는 것을 특징으로 하는 의료영상 판독을 위한 인공지능 클라우드 서비스 플랫폼 시스템.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
KR1020190084563A 2019-07-12 2019-07-12 의료영상 판독을 위한 컨테이너 기반의 인공지능 클라우드 서비스 플랫폼 시스템 KR102108400B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190084563A KR102108400B1 (ko) 2019-07-12 2019-07-12 의료영상 판독을 위한 컨테이너 기반의 인공지능 클라우드 서비스 플랫폼 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190084563A KR102108400B1 (ko) 2019-07-12 2019-07-12 의료영상 판독을 위한 컨테이너 기반의 인공지능 클라우드 서비스 플랫폼 시스템

Publications (1)

Publication Number Publication Date
KR102108400B1 true KR102108400B1 (ko) 2020-05-28

Family

ID=70920288

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190084563A KR102108400B1 (ko) 2019-07-12 2019-07-12 의료영상 판독을 위한 컨테이너 기반의 인공지능 클라우드 서비스 플랫폼 시스템

Country Status (1)

Country Link
KR (1) KR102108400B1 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102244419B1 (ko) * 2020-11-10 2021-04-27 옴니스랩스 주식회사 사용자 참여 기반의 인공 지능 서비스 방법 및 이러한 방법을 수행하는 장치
CN113707289A (zh) * 2021-07-16 2021-11-26 联影智能医疗科技(北京)有限公司 医学人工智能平台及其搭建方法
KR20220026743A (ko) * 2020-08-26 2022-03-07 서울대학교산학협력단 뇌영상 분석 시스템 및 방법
CN114547662A (zh) * 2022-04-25 2022-05-27 华伦医疗用品(深圳)有限公司 基于图像传感器的医疗数据处理方法及其系统
WO2022239979A1 (ko) * 2021-05-10 2022-11-17 현대자동차주식회사 M2m 시스템에서 인공지능 서비스를 가능하게 하기 위한 방법 및 장치
KR20230068704A (ko) 2021-11-11 2023-05-18 (주)지케스 인공지능 기반의 학습데이터 통합 관리 플랫폼 장치
KR102616180B1 (ko) 2023-05-25 2023-12-20 정훈식 3차원 텍스트 데이터 구조를 활용한 의료영상 판독문 입력 방법 및 이를 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100001730A (ko) * 2008-06-27 2010-01-06 재단법인서울대학교산학협력재단 네트워크 기반 의료영상 분석시스템 및 그 제어방법
KR20180040287A (ko) * 2016-10-12 2018-04-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
KR20180099185A (ko) * 2017-02-28 2018-09-05 연세대학교 산학협력단 질병 예측 모델을 생성하는 방법, 서버 및 시스템
KR20190081373A (ko) * 2017-12-29 2019-07-09 (주)제이엘케이인스펙션 인공 신경망에 기반한 단말 장치 및 데이터 처리 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100001730A (ko) * 2008-06-27 2010-01-06 재단법인서울대학교산학협력재단 네트워크 기반 의료영상 분석시스템 및 그 제어방법
KR20180040287A (ko) * 2016-10-12 2018-04-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
KR101880678B1 (ko) 2016-10-12 2018-07-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
KR20180099185A (ko) * 2017-02-28 2018-09-05 연세대학교 산학협력단 질병 예측 모델을 생성하는 방법, 서버 및 시스템
KR20190081373A (ko) * 2017-12-29 2019-07-09 (주)제이엘케이인스펙션 인공 신경망에 기반한 단말 장치 및 데이터 처리 방법

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220026743A (ko) * 2020-08-26 2022-03-07 서울대학교산학협력단 뇌영상 분석 시스템 및 방법
KR102556225B1 (ko) * 2020-08-26 2023-07-18 서울대학교산학협력단 뇌영상 분석 시스템 및 방법
KR102244419B1 (ko) * 2020-11-10 2021-04-27 옴니스랩스 주식회사 사용자 참여 기반의 인공 지능 서비스 방법 및 이러한 방법을 수행하는 장치
WO2022239979A1 (ko) * 2021-05-10 2022-11-17 현대자동차주식회사 M2m 시스템에서 인공지능 서비스를 가능하게 하기 위한 방법 및 장치
CN113707289A (zh) * 2021-07-16 2021-11-26 联影智能医疗科技(北京)有限公司 医学人工智能平台及其搭建方法
CN113707289B (zh) * 2021-07-16 2023-11-10 联影智能医疗科技(北京)有限公司 医学人工智能平台及其搭建方法
KR20230068704A (ko) 2021-11-11 2023-05-18 (주)지케스 인공지능 기반의 학습데이터 통합 관리 플랫폼 장치
CN114547662A (zh) * 2022-04-25 2022-05-27 华伦医疗用品(深圳)有限公司 基于图像传感器的医疗数据处理方法及其系统
KR102616180B1 (ko) 2023-05-25 2023-12-20 정훈식 3차원 텍스트 데이터 구조를 활용한 의료영상 판독문 입력 방법 및 이를 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체

Similar Documents

Publication Publication Date Title
KR102108400B1 (ko) 의료영상 판독을 위한 컨테이너 기반의 인공지능 클라우드 서비스 플랫폼 시스템
US11710241B2 (en) Atlas-based segmentation using deep-learning
JP7145233B2 (ja) 敵対的生成ネットワークを用いた放射線治療計画モデリング
US11138731B2 (en) Methods for generating synthetic training data and for training deep learning algorithms for tumor lesion characterization, method and system for tumor lesion characterization, computer program and electronically readable storage medium
US20200027210A1 (en) Virtualized computing platform for inferencing, advanced processing, and machine learning applications
US10489907B2 (en) Artifact identification and/or correction for medical imaging
US10825172B2 (en) Medical image segmentation
JP6623265B2 (ja) 偽陽性低減での小結節検出
US20190088359A1 (en) System and Method for Automated Analysis in Medical Imaging Applications
US9811906B1 (en) Method and data processing unit for segmenting an object in a medical image
US11568625B2 (en) Targeted object detection in image processing applications
US20220405933A1 (en) Systems, methods, and apparatuses for implementing annotation-efficient deep learning models utilizing sparsely-annotated or annotation-free training
US11546568B1 (en) View synthesis for dynamic scenes
US20220301289A1 (en) Method for providing a trainable function for determination of synthetic image data
US20240087697A1 (en) Methods and systems for providing a template data structure for a medical report
US20240169686A1 (en) Directed inferencing using input data transformations
Narayanan et al. Software as a Service: MRI Cloud Automated Brain MRI Segmentation and Quantification Web Services
Digernes et al. A workflow-integrated brain tumor segmentation system based on fastai and MONAI
Nasiridinovich et al. Prostate 3d Medical Image Segmentation
CN117651951A (zh) 人工智能实现的偏好学习

Legal Events

Date Code Title Description
AMND Amendment
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant