KR102136107B1 - 뼈 감쇄된 x-선 영상의 정합 장치 및 방법 - Google Patents
뼈 감쇄된 x-선 영상의 정합 장치 및 방법 Download PDFInfo
- Publication number
- KR102136107B1 KR102136107B1 KR1020180071423A KR20180071423A KR102136107B1 KR 102136107 B1 KR102136107 B1 KR 102136107B1 KR 1020180071423 A KR1020180071423 A KR 1020180071423A KR 20180071423 A KR20180071423 A KR 20180071423A KR 102136107 B1 KR102136107 B1 KR 102136107B1
- Authority
- KR
- South Korea
- Prior art keywords
- ray image
- bone
- ray
- image
- matching
- Prior art date
Links
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims description 38
- 230000002238 attenuated effect Effects 0.000 claims abstract description 47
- 238000003384 imaging method Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 210000004072 lung Anatomy 0.000 description 24
- 230000003902 lesion Effects 0.000 description 22
- 238000011976 chest X-ray Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 210000003109 clavicle Anatomy 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000002194 synthesizing effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010073306 Exposure to radiation Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013101 initial test Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
- A61B6/5241—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT combining overlapping images of the same imaging modality, e.g. by stitching
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/46—Arrangements for interfacing with the operator or the patient
- A61B6/467—Arrangements for interfacing with the operator or the patient characterised by special input means
- A61B6/469—Arrangements for interfacing with the operator or the patient characterised by special input means for selecting a region of interest [ROI]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
본 발명은 뼈 감쇄된 X-선 영상의 정합 장치로, 동일한 대상 환자의 제1 사전 X-선 영상 및 제1 촬영 X-선 영상 각각으로부터 뼈를 제거 또는 감쇄시키는 뼈 감쇄부와, 뼈 감쇄부로부터 출력된 뼈가 제거 또는 감쇄된 제2 사전 X-선 영상 및 제2 촬영 X-선상 정합하여 정합 X-선 영상 정보를 생성하는 정합 처리부를 포함한다.
Description
본 발명은 영상 정합 처리에 관한 기술로서, 보다 상세하게는 x-선 영상의 정합 처리에 관한 기술이다.
의료 검사를 위한 영상 의학 분야에서는 다양한 영상 검사 장치가 활용되고 있다. 그리고 영상 의학 분야에서 X-선 촬영(X-ray)은 매우 오랫동안 활용되고 있다. X-선 촬영은 컴퓨터 단층촬영(CT) 및 자기공명영상(MRI)에 비하여 비용이 저렴하고 검사법이 간단하여 현재에도 널리 활용되고 있다.
질환이 원인인 응급환자의 경우 환자의 상태를 파악하기 위한 1차적 수단의 하나로 X-선 영상이 사용될 수 있다. 특히, X-선 영상은 검사법이 간단하고 결과를 빠르게 확인할 수 있어 응급환자에 대한 초기 검사로 많이 사용된다. 하지만, 응급환자의 경우 신속한 처치를 위해 빠른 판독이 요구되는 반면에, 각 분야의 전문의가 일일이 대응하여 판독하기는 어려운 실정이다.
한편, 2015년 통계청에서 발표한 자료에 따르면 한국인의 사망원인 1위는 암이다. 이 가운데, 폐암은 가장 큰 비중을 차지한다. 폐암은 그 어떤 질병보다도 초기 진단이 중요하지만, 증상에 큰 특징이 없다는 것이 유의할 점이다. 특히, 간혹 흉부 X-선 영상에서 폐의 병변이 뼈 형상에 가려져 병변을 놓치는 경우가 발생하기도 하므로 수 많은 영상 데이터를 판독하는 과정에서 선명한 이미지는 필수 요인이다.
본 발명이 해결하고자 하는 과제는 X-선 촬영 영상으로부터 대상 환자의 상태 및 병변을 더욱 빠르게 확인할 수 있도록 하는 X-선 영상의 정합 장치 및 정합 방법을 제공하는 것이다.
또한, 본 발명은 흉부 X-선 영상에서 갈비뼈 형상을 감쇄 또는 제거하여 갈비뼈 형상에 가려져 있던 폐의 병변을 정확히 판독할 수 있게 해주는 X-선 영상의 정합 장치 및 정합 방법을 제공하는 것이다.
본 발명은 뼈 감쇄된 X-선 영상의 정합 장치로, 동일한 대상 환자의 제1 사전 X-선 영상 및 제1 촬영 X-선 영상 각각으로부터 뼈를 제거 또는 감쇄시키는 뼈 감쇄부와, 뼈 감쇄부로부터 출력된 뼈가 제거 또는 감쇄된 제2 사전 X-선 영상 및 제2 촬영 X-선상 정합하여 정합 X-선 영상 정보를 생성하는 정합 처리부를 포함한다.
본 발명은 뼈 감쇄된 X-선 영상의 정합 방법으로, 동일한 대상 환자의 제1 사전 X-선 영상 및 제1 촬영 X-선 영상 각각으로부터 뼈를 제거 또는 감쇄시키는 단계와, 뼈가 제거 또는 감쇄된 제2 사전 X-선 영상 및 제2 촬영 X-선 영상을 정합하여 정합 X-선 영상을 생성하는 단계를 포함한다.
본 발명에 따른 정합된 X-선을 통해 대상 환자의 전후 영상을 비교하여, 대상 환자의 질병의 진행에 따른 변화 발견이 더욱 신속하고 용이해질 수 있다.
또한, 본 발명은 흉부 X-선 영상에서 갈비뼈 형상을 감쇄 또는 제거하여 갈비뼈 형상에 가려져 있던 폐의 병변을 정확히 판독할 수 있게 해준다. 예컨대, X-선 영상에서 갈비뼈와 쇄골 일부를 제거해 폐 부분의 가시성을 확보하여 뼈 뒤쪽의 폐 병변의 발견을 용이하게 해주어 진단 정확성을 향상시킨다.
또한, 가슴을 포함한 X-선 영상은 일반적으로 대규모이므로, 영상 정합에 있어 네트워크 용량 및 계산 측면에서 비효율적이다. 따라서, 이러한 문제를 해결하기 위해 대규모인 전체 X-선 영상 크기를 조정하나, 이럴 경우 해상도에 있어서 문제점이 발견된다. 따라서, 본 발명에서는 관심 영역 분할(Region of Interest Segmentation : ROI Segmentation) 기법을 사용하여, 대규모 X-선 영상들의 정합에 따른 비효율성을 극복할 수 있을 뿐만 아니라 해상도 문제를 야기시키지 않는다.
또한, 정기적으로 실시되는 건강 검진시에 검진 대상자들은 X-선 영상을 촬영하게 되는데, 대부분의 검진 대상자들에게는 이상이 발견되지 않는다. 그런데, 의사나 영상 판독 전문가는 이상이 발견되지 많은 X-선 영상을 일일히 판독하고, "이상없음" 또는 "이전과 변화없음" 등을 판정하는데, 이는 많은 시간과 노력이 소요되므로 인건비가 많이 든다. 그런데, 본 발명에 따라 정합된 영상을 이용하면, 이러한 "이상없음" 또는 "이전과 변화없음"을 판정하는 데에도 사용될 수 있어 시간과 노력을 줄일 수 있다.
도 1은 본 발명의 일 실시 예에 따른 뼈 감쇄된 X-선 영상의 정합 장치의 블록 구성도이다.
도 2는 본 발명의 일 실시 예에 따른 정합 처리부의 블록 구성도이다.
도 3은 본 발명의 일 실시예에 따른 뼈 감쇄된 X-선 영상의 정합 장치의 정합 과정을 설명하기 위한 X-선 영상의 일례를 나타내는 도면이다.
도 4는 본 발명에 따라 정합된 뼈 감쇄된 X-선 영상의 일 예를 도시한 도면이다.
도 5는 본 발명에 따라 정합된 뼈 감쇄된 X-선 영상의 다른 예를 도시한 도면이다.
도 6은 본 발명의 일 실시예에 따른 뼈 감쇄된 X-선 영상의 정합 방법을 설명하기 위한 순서도이다.
도 7은 본 발명의 일 실시예에 따른 정합 단계를 설명하기 위한 순서도이다.
도 2는 본 발명의 일 실시 예에 따른 정합 처리부의 블록 구성도이다.
도 3은 본 발명의 일 실시예에 따른 뼈 감쇄된 X-선 영상의 정합 장치의 정합 과정을 설명하기 위한 X-선 영상의 일례를 나타내는 도면이다.
도 4는 본 발명에 따라 정합된 뼈 감쇄된 X-선 영상의 일 예를 도시한 도면이다.
도 5는 본 발명에 따라 정합된 뼈 감쇄된 X-선 영상의 다른 예를 도시한 도면이다.
도 6은 본 발명의 일 실시예에 따른 뼈 감쇄된 X-선 영상의 정합 방법을 설명하기 위한 순서도이다.
도 7은 본 발명의 일 실시예에 따른 정합 단계를 설명하기 위한 순서도이다.
이하, 본 발명의 실시예를 첨부된 도면들을 참조하여 상세하게 설명한다. 본 명세서에서 사용되는 용어 및 단어들은 실시예에서의 기능을 고려하여 선택된 용어들로서, 그 용어의 의미는 발명의 의도 또는 관례 등에 따라 달라질 수 있다. 따라서 후술하는 실시예에서 사용된 용어는, 본 명세서에 구체적으로 정의된 경우에는 그 정의에 따르며, 구체적인 정의가 없는 경우는 당업자들이 일반적으로 인식하는 의미로 해석되어야 할 것이다.
도 1은 본 발명의 일 실시 예에 따른 뼈 감쇄된 X-선 영상의 정합 장치의 블록 구성도이다.
도 1을 참조하면, 본 발명에 따른 X-선 영상의 정합 장치(10)는 대상 환자(1)로부터 새로 촬영된 X-선 영상과 동일한 대상 환자(1)의 기존 X-선 영상과의 정합을 수행한다. 그리고 의료 인력(2)은 정합 영상에 기초하여 병변의 변화를 판독한다. 이를 수행하는 본 발명에 따른 X-선 영상의 정합 장치(10)는 X-선 영상 DB부(11), X-선 영상 검색부(12), X-선 영상 촬영부(13) 및 정합 처리부(100)를 포함한다.
X-선 영상 DB부(11)는 다수의 환자별 X-선 영상 정보를 저장한다. X-선 영상 정보는 각각의 환자별로 구분된 정보로서, 개별 환자의 개인 정보, 식별 정보 및 X-선 영상을 포함한다. 또한, X-선 영상 정보는 X-선 영상을 판독하여 파악된 대상 환자의 병명 및 병변 위치 정보를 포함하는 X-선 영상의 판독 결과, 환자와 관련된 다양한 의료 정보를 더 포함할 수 있다. X-선 영상 판독 결과는 전문 의료 인력(2)에 의해 입력되며, 전문 의료 인력(2)은 촬영된 X-영상 및 다른 진단 결과에 기초하여 판독 결과를 생성한다. 이때, 전문 의료 인력(2)은 영상의학전문의 및 각 분야 전문의를 포함할 수 있다.
X-선 영상 검색부(12)는 의료 인력(2)으로부터 수신된 대상 환자(1) 정보에 기초하여 X-선 영상 DB부(11)에서 수신된 대상 환자 정보의 대응 영상을 검색한다. X-선 영상 검색부(12)는 수신된 대상 환자 정보와 X-선 영상 DB부(11)에 저장된 환자 식별 정보를 비교하여 대상 환자(1)에 대응하는 X-선 영상을 검색할 수 있다. 이 때, 대상 환자 정보는 환자 개인 정보를 포함할 수 있다.
X-선 영상 검색부(12)는 X-선 영상 DB부(11)로부터 검색된 사전 X-선 영상 정보를 정합 처리부(100)로 전달한다.
X-선 영상 촬영부(13)는 대상 환자(1)의 X-선 영상 촬영을 수행하여 촬영 X-선 영상을 생성한다. 그리고, X-선 영상 촬영부(13)는 대상 환자(1)로부터 촬영된 촬영 X-선 영상을 정합 처리부(100)로 전달한다.
정합 처리부(100)는 X-선 영상 검색부(12)로부터 전달된 대상 환자(1)의 사전 X-선 영상과 X-선 영상 촬영부(13)로부터 전달된 촬영 X-선 영상을 정합하여 정합 X-선 영상 정보를 생성한다. 이때, 촬영 X-선 영상은 대상 환자의 현재 상태를 촬영한 X-선 영상을 의미한다. 즉, 사전 X-선 영상은 대상 환자가 이전에 방문하여 촬영된 영상인 반면에, 촬영 X-선 영상은 대상 환자의 현재 상태를 나타낸다.
본 발명에 따른 정합 처리부(100)는 과거 영상인 사전 X-선 영상과 현재 영상인 촬영 X-선 영상을 정합하는 과정에서 사전 X-선 영상과 현재 영상인 촬영 X-선 영상의 뼈를 제거 또는 감쇄 처리한 상태에서 정합하여, 뼈에 의해 가려진 병변에 대한 진단을 용이하게 할 수 있도록 해준다.
또한, 정합 처리부(100)는 X-선 영상 전체를 중심으로 정합하는 것이 아니라, 관심 영역(Region of Interest : ROI)만을 추출하여 정합을 수행한다. 즉, 가슴을 포함한 X-선 영상은 일반적으로 대규모이므로, 네트워크 용량 및 계산 측면에서 비효율적이다. 그런데, 대부분의 접근 방식은 영상 크기를 조정하여 문제를 해결하나, 해상도에 있어서 문제점이 발견되므로, 본 발명에서는 관심 영역 분할(Region of Interest Segmentation : ROI Segmentation) 기법을 사용한다.
상술한 과정에 의해 정합 X-선 영상이 생성되면, 정합 처리부(100)는 생성된 정합 X-선 영상을 의료 인력(2)에게 제공한다. 의료 인력(2)은 예상되는 병변 위치를 중심으로 정합된 정합 X-선 영상을 통해 병변의 변화를 빠르게 파악할 수 있다.
도 2는 본 발명의 일 실시 예에 따른 정합 처리부의 블록 구성도이고, 도 3은 본 발명의 일 실시예에 따른 뼈 감쇄된 X-선 영상의 정합 장치의 정합 과정을 설명하기 위한 X-선 영상의 일례를 나타내는 도면이다. 또한, 하기에서는 설명의 편의를 위해 뼈가 제거 또는 감쇄되기 이전의 사전 X-선 영상 및 촬영 X-선 영상을 제1 사전 X-선 영상 및 제1 촬영 X-선 영상으로 기재하고, 뼈가 제거 또는 감쇄된 이후의 사전 X-선 영상 및 촬영 X-선 영상을 제2 사전 X-선 영상 및 제2 촬영 X-선 영상으로 기재하기로 한다.
도 2를 참조하면, 정합 처리부(100)는 뼈 감쇄부(120) 및 영상 합성부(150)를 포함한다. 부가적으로, 전처리부(110), 관심 영역 추출부(130) 및 해상도 조정부(140)를 더 포함할 수도 있다.
전처리부(110)는 히스토그램 평활화(Histogram Equalization) 및 해상도 평활화(Resolution Equalization)을 통해 입력된 제1 사전 X-선 영상 및 제1 촬영 X-선 영상의 전체적인 밝기 분포 및 해상도를 일치시킨다. 즉, 제1 사전 X-선 영상 및 제1 촬영 X-선 영상은 촬영된 장소, 촬영 장치 및 촬영 조건 설정값 등이 상이할 수 있으므로, 그 밝기 및 해상도에 차이가 있을 수 있으므로, 이를 일치시키는 작업이다. 일 예로, 도 3을 참조하면, (a)에 도시된 바와 같은 제1 사전 X-선 영상 및 제1 촬영 X-선 영상은 그 크기가 상이하게 도시되어 있는데, 두 영상들을 정합하기에 부적합하므로, 전처리부(110)는 (a)에 도시된 영상들을 (b)에 도시된 영상들과 같이 그 크기를 일치시키게 된다.
뼈 감쇄부(120)는 뼈 감쇄(Bone Suppression) 기법을 적용하여 전처리부(110)로부터 입력된 제1 사전 X-선 영상 및 제1 촬영 X-선 영상 각각의 뼈를 제거 또는 감쇄시킨다. 일 예로, 도 3을 참조하면, (b)에 도시된 바와 같은 제1 사전 X-선 영상 및 제1 촬영 X-선 영상으로부터 갈비뼈를 제거 또는 감쇄시켜 (c)에 도시된 바와 같은 제2 사전 X-선 영상 및 제2 촬영 X-선 영상들을 생성해 낼 수 있다. 이러한 뼈 감쇄는 X-선 영상에서 갈비뼈와 쇄골 일부를 제거해 폐 부분의 가시성을 확보하여 뼈 뒤쪽의 폐 병변의 발견을 용이하게 해주어 진단 정확성을 향상시킨다. 특히, 주로 폐에서 발견되는 지름 3cm 미만의 결절들을 인체 유해한 방사선에 더 많이 노출될 수 있는 CT 촬영이 아니어도 검사가 가능하다는 것이 장점이다.
본 발명에 따른 뼈 감쇄 기법으로 딥러닝 기반으로 훈련된 인공 신경망이 사용될 수 있다. 일 실시 예로, 적대적 생성 네트워크(Generative Adversarial Network : GAN)로 훈련된 훈련 모델을 이용하여 뼈가 감쇄된 제1 사전 X-선 영상 및 제1 촬영 X-선 영상을 생성한다. 즉, 종래에는 주로 듀얼 에너지 X-선(Dual Energy X-ray)를 통해 2회의 걸쳐 다른 에너지 크기 조건에서 촬영하여, 뼈가 감쇄되지 않은 제1 X-선 영상 및 뼈가 감쇄된 제2 X-선 영상을 촬영하였다. 이러한 DXR는 X-선 영상을 두 번 촬영하여야 하므로, 번거로울 뿐만 아니라 방사능에 노출된다는 위험이 있다. 또한, 심장처럼 계속적으로 동작하는 기관은 그 경계선 부근에서 잡음(artifact)이 발생한다는 단점이 있다. 즉, 사람의 신체가 기본적으로 3차원이며, 대상 환자의 자세, 상태 및 숨을 들이켠 정도에 따라 X-선 영상에서 약간의 차이가 발생할 수 있기 때문에, 두 번의 X-선 영상이 단기간 간격을 두고 촬영된다고 하더라도, 환자가 숨을 들이킨 정도에 X-선 영상들 간에 약간의 차이가 발생될 수 있다. 특히, 응급 환자의 경우 환자의 상태와 의식 정도에 따라 호흡량이 일정하게 조절된 상태에서 촬영하지 못할 수 있어, 듀얼 에너지 X-선(Dual Energy X-ray)를 통해 촬영된 제1 X-선 영상 및 제2 X-선 영상 간의 차이가 클 수 있다.
따라서, 본 발명에서는 뼈가 감쇄된 제2 X-선 영상을 뼈가 감쇄되지 않은 제1 X-선 영상으로부터 생성할 수 있는 GAN 학습 모델을 통해 생성될 수 있다. 이러한 GAN 학습 모델은 DXR에 의해 촬영되어 쌍을 이루는 뼈가 감쇄되지 않은 촬영 X-선 영상을 입력으로 하고, 뼈가 감쇄된 촬영 X-선 영상을 라벨링(labeling)된 훈련 데이터(training data)로 하여 미리 학습될 수 있다. 즉, GAN 학습 모델은 촬영 X-선 영상으로부터 뼈가 감쇄 또는 제거된 위조 X-선 영상으로 변환하는 생성부(Generator)와, 생성부로부터 출력된 위조 X-선 영상과 촬영 X-선 영상과 쌍을 이루는 뼈 감쇄된 촬영 X-선 영상이 입력됨에 따라 진위 여부를 판별하는 판별부(Discriminator)와, 판별부로부터 출력된 진위 여부에 따라 뼈가 감쇄 또는 제거된 위조 X-선 영상과 뼈 감쇄된 촬영 X-선 영상 간의 차이를 최소화하도록 생성부의 가중치 또는 파라미터를 조정하면서 학습시키는 조정부를 포함할 수 있다. 이때, mode collapse를 방지하기 위해, GAN 학습 모델은 생성부(Generator)에 의해 생성된 위조 X-선 영상을 히스토리 버퍼에 저장해두고, 판별부(Discriminator)가 히스토리 버퍼(History Buffer)에 저장된 과거 위조 X-선 영상 및 현재 위조 X-선 영상을 판별하도록 할 수도 있다. 또한, 판별부가 minibatch discrimination을 수행할 수도 있다.
그러나, 본 발명의 딥러닝 기반으로 훈련된 인공 신경 모델은 GAN 학습 모델에 한정되지 않는다.
관심 영역 추출부(130)는 뼈 감쇄부(120)로부터 출력된 제2 사전 X-선 영상 및 제2 촬영 X-선 영상으로부터 관심 영역을 추출한다. 일 예로, 도 3을 참조하면, (c)에 도시된 흉부 제2 사전 X-선 영상 및 흉부 제2 촬영 X-선 영상으로부터 (d)에 도시된 바와 같은 폐 영역 영상만이 추출될 수 있다.
이때, 일 실시 예에 따라, X-선 영상 DB부(11)에 는 대상 환자(1)가 이전 방문에서 촬영된 제1 사전 X-선 영상을 포함하며, 제1 사전 X-선 영상의 판독문(판독결과)에 대한 정보를 포함할 수 있다. 이러한 판독문에 병변 위치가 폐라는 정보를 포함한다고 가정할 때, 관심 영역 추출부(130)는 예상되는 병변의 위치를 폐로 판단하고, 병변의 위치인 '폐'를 중심으로 관심 영역을 추출할 수도 있다.
또한, 일 실시예에 따라, 관심 영역 추출부(130)는 관심 영역에 대해 분류 학습된 FCN(Fully Convolution Network)를 이용하여 관심 영역을 세그멘테이션(ROI Segmentation)하기 위해, 제2 사전 X-선 영상 및 제2 촬영 X-선 영상이 입력됨에 따라, 관심 영역으로 판단되는 수용 영역(receptive field) 값의 컨볼루션(Convolution) 연산을 역추적하여 원 영상에서의 관심 영역의 좌표를 추출해내고, 제2 사전 X-선 영상 및 제2 촬영 X-선 영상 각각으로부터 관심 영역의 좌표에 해당하는 영역을 추출한다.
2015년에 Szegedy, Christian 등이 발표한 논문 "Going deeper with convolutions. Proceedings of the IEEE conference on computer vision and pattern recognition."을 참조하면, FCN은 일반적으로 CNN 종단에 위치하는 완전히 연결된 계층(Fully Connected Layer)을 콘볼루션 계층(Convolution Layer)로 대체하여 네트워크의 전체 계층이 컨볼루션 계층(Convolution Layer)인 모델을 의미한다. 여기서, 콘볼루션 신경망(Convolution Neural Network : CNN)의 종단에 위치하는 완전히 연결된 계층(fully connected layer)는 연결된 노드수가 정적으로 정해져 있기 때문에 입력의 크기가 고정인 반면, FCN에서는 완전히 연결된 계층(fully connected layer)을 콘볼루션 계층(convolution layer)로 대체하였으므로 입력의 크기에 제한이 없어진다.
한편, CNN은 각 레이어마다 수용 영역(receptive field)을 가지게 되는데, 수용 영역(receptive field)이란 콘볼루션(convolution) 연산을 거친 후의 결과를 의미한다. 콘볼루션(convolution)은 대부분 작은 필터를 통해 국소적 연산을 수행하기 때문에 전역적(global)인 특징을 탐지하기 어렵지만 지역적(local)인 특징을 쉽게 파악할 수 있다. 따라서, 수용 영역(receptive field)의 크기는 입력에 크기에 따라 항상 변하게 되고, 입력의 지역적 특징을 내포하게 된다.
흉부는 일반적으로 X-선 영상에서 중앙에 위치할 가능성이 높다는 점을 감안할 때, 수용 영역(receptive field)의 중앙 부분을 주목하면 쉽게 해결할 수 있다. 단, 적어도 흉부에 대한 분류(classification) 학습이 마쳐야만(최소한 흉부가 무엇이다 라는 점을 알고 있어야) 가능하기 때문에, 흉부 영역만을 가지고 학습을 한다. 이후, 전체 X-선 영상이 입력으로 들어왔을 때, 수용 영역(receptive field) 값 중에서 흉부라고 판단이 되는 필드값을 이용하여 크롭핑(cropping)할 수 있다. 즉, 수용 영역(receptive field)은 컨볼루션(convolution) 연산의 결과값이기 때문에, 그 필드값이 어떤 영역에서 컨볼루션(convolution)을 거친 결과인지 역으로 추적하면 원 영상에서의 좌표를 알 수 있다.
해상도 조정부(140)는 필요에 따라, 제2 사전 X-선 영상 및 제2 촬영 X-선 영상으로부터 각각 추출된 관심 영역 영상의 해상도 및 크기 등을 다시 조정한다. 일 예로, 도 3을 참조하면, (d)에 도시된 흉부 제2 사전 X-선 영상 및 흉부 제2 촬영 X-선 영상으로부터 추출된 관심 영역인 폐 영역 영상들은 그 크기가 상이한데, (e)에 도시된 바와 같이 그 크기가 일치되도록 조정할 수 있다.
영상 정합부(150)는 제2 사전 X-선 영상 및 제2 촬영 X-선 영상 각각으로부터 추출된 관심 영역 영상들을 정합한 영상을 생성한다. 예컨대, 추출된 폐 영역 영상들을 아핀(affine) 정합 기법 또는 강체(Rigid) 정합 기법으로 차 영상 또는 컬러로 합성한 영상을 생성한다. 일 예로, 도 3을 참조하면, (e)에 도시된 흉부 제2 사전 X-선 영상 및 흉부 제2 촬영 X-선 영상으로부터 추출된 관심 영역인 폐 영역 영상들을 합성하여 (f)에 도시된 바와 같이 정합된 영상을 생성할 수 있다. 즉, (f)의 좌측 영상은 합성 영상이고, 우측 영상은 합성 영상을 컬러화한 영상인데, 우측 영상에서 병변의 위치인 '폐'를 중심으로 제2 사전 X-선 영상 및 제2 촬영 X-선 영상을 정합한 결과물인 정합 X-선 영상에서 두 영상이 동일하게 일치하는 부분은 노란색으로, 제2 촬영 X-선 영상 정보가 밝은 부분은 붉은색으로, 제2 사전 X-선 영상이 밝은 부분은 녹색으로 표시하였다.
도 4는 본 발명에 따라 정합된 뼈 감쇄된 X-선 영상의 일 예를 도시한 도면이다.
도 4를 참조하면, (a)는 제2 사전 X-선 영상이고, (b)는 제2 촬영 X-선 영상인데, 두 영상들 간의 변화가 크지 않으므로, (c)에 도시된 바와 같은 정합 영상은 주로 노란색으로 표시된다.
도 5는 본 발명에 따라 정합된 뼈 감쇄된 X-선 영상의 다른 예를 도시한 도면이다.
도 5를 참조하면, (a)는 제2 사전 X-선 영상이고, (b)는 제2 촬영 X-선 영상인데, 두 영상들 간의 변화가 크므로, (c)에 도시된 바와 같은 정합 영상에는 붉은색으로 표시된 영역이 크다. 이러한 정합 영상을 통해 이전에는 병변의 상태가 정상이었으나, 현재에는 폐 아래쪽에 물이 차오르는 증상을 보인다는 진단이 내려질 수 있다.
이와 같이 정합된 영상을 통해, 동일 대상 환자의 전후 영상을 비교하여 질병의 진행에 따른 변화 발견이 용이해 질 수 있다. 본 발명에 따른 영상 정합부(150)를 통해 상술한 방식으로 응급 환자를 포함하는 대상 환자의 병변의 변화가 어느 정도인지 쉽고 빠르게 확인할 수 있어 그 이후의 처치를 위한 시간을 줄일 수 있다.
또한, 정기적으로 실시되는 건강 검진시에 검진 대상자들은 X-선 영상을 촬영하게 되는데, 대부분의 검진 대상자들에게는 이상이 발견되지 않는다. 그런데, 의사나 영상 판독 전문가는 이상이 발견되지 많은 X-선 영상을 일일히 판독하고, "이상없음" 또는 "이전과 변화없음" 등을 판정하는데, 이는 많은 시간과 노력이 소요되므로 인건비가 많이 든다. 그런데, 본 발명에 따라 정합된 영상을 이용하면, 이러한 "이상없음" 또는 "이전과 변화없음"을 판정하는 데에도 사용될 수 있어 시간과 노력을 줄일 수 있다.
도 6은 본 발명의 일 실시예에 따른 뼈 감쇄된 X-선 영상의 정합 방법을 설명하기 위한 순서도이다.
도 6을 참조하면, 본 발명의 일 실시예에 따른 뼈 감쇄된 X-선 영상의 정합 방법은 X-선 영상의 정합 장치가 사전 준비 과정으로 먼저 사전 X-선 영상 정보를 데이터베이스화하여 저장한다. 해당 의료기관을 방문한 환자에 대해 X-선 영상을 촬영한 후, 촬영한 X-선 영상을 사전 X-선 영상 정보로 저장한다. X-선 영상 정보는 각각의 환자별로 구분된 정보로서, 개별 환자의 개인 정보, 식별 정보, X-선 영상을 포함한다. 또한, X-선 영상의 판독 결과를 더 포함할 수 있는데, X-선 영상의 판독 결과는 X-선 영상을 판독하여 파악된 대상 환자의 병명 및 병변 위치 정보를 포함하며, 환자와 관련된 다양한 의료 정보를 더 포함할 수 있다. X-선 영상 판독 결과는 전문 의료 인력에 의해 입력되며, 전문 의료 인력은 촬영된 X-영상 및 다른 진단 결과에 기초하여 판독 결과를 생성한다. 이때, 전문 의료 인력은 영상의학전문의 및 각 분야 전문의를 포함할 수 있다.
이러한 상태에서, 의료기관에 방문 또는 이송된 대상 환자 정보에 대응하는 사전 X-선 영상 정보를 검색한다(S210). 뼈 감쇄된 X-선 영상의 정합 장치(10)는 수신된 대상 환자 정보에 기초하여 X-선 영상 DB부(11)에서 수신된 대상 환자 정보의 대응 영상을 검색한다. 수신된 대상 환자 정보와 X-선 영상 DB부(11)에 저장된 환자 식별 정보를 비교하여 대상 환자에 대응하는 X-선 영상을 검색할 수 있다. 이때, 대상 환자 정보는 환자 개인 정보를 포함할 수 있다.
다음으로, 대상 환자의 X-선 영상을 촬영하여 촬영 X-선 영상 정보를 생성한다(S220). 대상 환자의 X-선 영상을 촬영하는 방법은 일반적으로 사용되는 X-선 영상 촬영 방법이 모두 적용될 수 있다. 대상 환자의 X-선 영상을 촬영하는 S220 단계는 반드시 사전 X-선 영상을 검색하는 단계(S210) 이후에 수행되는 것은 아니며, 정합 단계(S230) 이전에 순서에 관계없이 자유롭게 수행될 수 있다.
사전 X-선 영상 정보가 검색되고 촬영 X-선 영상 정보가 생성되면, 사전 X-선 영상 정보 및 촬영 X-선 영상 정보를 정합한다(S230). 이에 대해서는 도 7을 참조하여 상세히 설명하기로 한다.
도 7은 본 발명의 일 실시예에 따른 정합 단계를 설명하기 위한 순서도이다. 또한, 하기에서는 설명의 편의를 위해 뼈가 제거 또는 감쇄되기 이전의 사전 X-선 영상 및 촬영 X-선 영상을 제1 사전 X-선 영상 및 제1 촬영 X-선 영상으로 기재하고, 뼈가 제거 또는 감쇄된 이후의 사전 X-선 영상 및 촬영 X-선 영상을 제2 사전 X-선 영상 및 제2 촬영 X-선 영상으로 기재하기로 한다.
도 7을 참조하면, X-선 영상의 정합 장치(10)는 히스토그램 평활화(Histogram Equalization) 및 해상도 평활화(Resolution Equalization)을 통해 입력된 제1 사전 X-선 영상 및 제1 촬영 X-선 영상의 전체적인 밝기 분포 및 해상도를 일치시킨다(S231). 즉, 제1 사전 X-선 영상 및 제1 촬영 X-선 영상은 촬영된 장소, 촬영 장치 및 촬영 조건 설정값 등이 상이할 수 있으므로, 그 밝기 및 해상도에 차이가 있을 수 있으므로, 이를 일치시키는 작업이다.
X-선 영상의 정합 장치(10)는 뼈 감쇄(Bone Suppression) 기법을 적용하여 제1 사전 X-선 영상 및 제1 촬영 X-선 영상 각각의 뼈를 제거 또는 감쇄시킨다(S232). 예컨대, 이러한 뼈 감쇄는 제1 X-선 영상에서 갈비뼈와 쇄골 일부를 제거해 폐 부분의 가시성을 확보하여 뼈 뒤쪽의 폐 병변의 발견을 용이하게 해주어 진단 정확성을 향상시킨다. 본 발명에 따른 뼈 감쇄 기법으로 딥러닝 기반으로 훈련된 인공 신경망이 사용될 수 있다. 일 실시 예로, 적대적 생성 네트워크(Generative Adversarial Network : GAN)로 훈련된 훈련 모델을 이용하여 뼈가 감쇄된 제2 사전 X-선 영상 및 제2 촬영 X-선 영상을 생성한다. 그러나, 본 발명의 딥러닝 기반으로 훈련된 인공 신경 모델은 GAN 학습 모델에 한정되지 않는다.
X-선 영상의 정합 장치(10)는 뼈가 제거 또는 감쇄된 제2 사전 X-선 영상 및 제2 촬영 X-선 영상으로부터 관심 영역을 추출한다(S233). 예컨대, 흉부 제2 사전 X-선 영상 및 흉부 제2 촬영 X-선 영상으로부터 폐 영역 영상만이 추출될 수 있다.
이때, 일 실시 예에 따라, X-선 영상 DB부(11)에 는 대상 환자(1)가 이전 방문에서 촬영된 제1 사전 X-선 영상을 포함하며, 제1 사전 X-선 영상의 판독문(판독결과)에 대한 정보를 포함할 수 있다. 이러한 판독문에 병변 위치가 폐라는 정보를 포함한다고 가정할 때, X-선 영상의 정합 장치(10)는 예상되는 병변의 위치를 폐로 판단하고, 병변의 위치인 '폐'를 중심으로 관심 영역을 추출할 수도 있다.
또한, 일 실시예에 따라, X-선 영상의 정합 장치(10)는 관심 영역에 대해 분류 학습된 FCN(Fully Convolution Network)를 이용하여 관심 영역을 세그멘테이션(ROI Segmentation)하기 위해, 제2 사전 X-선 영상 및 제2 촬영 X-선 영상이 입력됨에 따라, 관심 영역으로 판단되는 수용 영역(receptive field) 값의 컨볼루션(Convolution) 연산을 역추적하여 원 영상에서의 관심 영역의 좌표를 추출해내고, 제2 사전 X-선 영상 및 제2 촬영 X-선 영상 각각으로부터 관심 영역의 좌표에 해당하는 영역을 추출한다.
이때, X-선 영상의 정합 장치(10)는 필요에 따라, 뼈가 제거 또는 감쇄된 사전 X-선 영상 및 촬영 X-선 영상으로부터 각각 추출된 관심 영역 영상의 해상도 및 크기 등을 다시 조정할 수도 있다.
X-선 영상의 정합 장치(10)는 뼈가 제거 또는 감쇄된 사전 X-선 영상 및 촬영 X-선 영상 각각으로부터 추출된 관심 영역 영상들을 합성한 영상을 생성한다(S234). 예컨대, 추출된 폐 영역 영상들을 아핀(affine) 정합 기법 또는 강체(Rigid) 정합 기법으로 차 영상 또는 컬러로 합성한 영상을 생성한다.
상술한 내용을 포함하는 본 발명은 컴퓨터 프로그램으로 작성이 가능하다. 그리고 상기 프로그램을 구성하는 코드 및 코드 세그먼트는 당분야의 컴퓨터 프로그래머에 의하여 용이하게 추론될 수 있다. 또한, 상기 작성된 프로그램은 컴퓨터가 읽을 수 있는 기록매체 또는 정보저장매체에 저장되고, 컴퓨터에 의하여 판독되고 실행함으로써 본 발명의 방법을 구현할 수 있다. 그리고 상기 기록매체는 컴퓨터가 판독할 수 있는 모든 형태의 기록매체를 포함한다.
이상 바람직한 실시예를 들어 본 발명을 상세하게 설명하였으나, 본 발명은 전술한 실시 예에 한정되지 않고, 본 발명의 기술적 사상의 범위 내에서 당 분야에서 통상의 지식을 가진자에 의하여 여러 가지 변형이 가능하다.
1: X-선 영상의 정합 장치
11: X-선 영상 DB부
12: X-선 영상 검색부
100: 정합 처리부
13: X-선 영상 촬영부
11: X-선 영상 DB부
12: X-선 영상 검색부
100: 정합 처리부
13: X-선 영상 촬영부
Claims (12)
- 동일한 대상 환자의 제1 사전 X-선 영상 및 제1 촬영 X-선 영상 각각으로부터 뼈를 제거 또는 감쇄시키는 뼈 감쇄부와,
뼈 감쇄부로부터 출력된 뼈가 제거 또는 감쇄된 제2 사전 X-선 영상 및 제2 촬영 X-선 영상을 정합하여 정합 X-선 영상 정보를 생성하는 정합 처리부를 포함하되,
뼈 감쇄부는 제1 사전 X-선 영상 및 제1 촬영 X-선 영상 각각으로부터 적대적 생성 네트워크(Generative Adversarial Network : GAN) 학습 모델을 통해 뼈를 제거 또는 감쇄시키는 뼈 감쇄된 X-선 영상의 정합 장치.
- 제1항에 있어서,
제1 사전 X-선 영상 및 제1 촬영 X-선 영상의 밝기 분포 및 해상도를 일치시켜서 뼈 감쇄부에 출력하는 전 처리부를 더 포함하는 뼈 감쇄된 X-선 영상의 정합 장치.
- 삭제
- 제1항에 있어서,
뼈 감쇄부에 의해 출력된 제2 사전 X-선 영상 및 제2 촬영 X-선 영상으로부터 관심 영역을 추출하여 정합 처리부에 출력하는 관심 영역 추출부를 더 포함함을 특징으로 하는 뼈 감쇄된 X-선 영상의 정합 장치.
- 제4항에 있어서, 관심 영역 추출부는
관심 영역에 대해 분류 학습된 FCN(Fully Convolution Network)를 이용하되,
제2 사전 X-선 영상 및 제2 촬영 X-선 영상이 입력됨에 따라, 관심 영역으로 판단되는 수용 영역(receptive field) 값의 컨볼루션(Convolution) 연산을 역추적하여 원 영상에서의 관심 영역의 좌표를 추출해내고, 제2 사전 X-선 영상 및 제2 촬영 X-선 영상 각각으로부터 관심 영역의 좌표에 해당하는 영역을 추출하는 뼈 감쇄된 X-선 영상의 정합 장치.
- 제1항에 있어서, 정합 처리부는
추출된 관심 영역 영상들을 아핀(affine) 정합 또는 강체 정합 기법으로 차 영상 또는 변화가 컬러로 표시되도록 합성한 영상을 생성하는 뼈 감쇄된 X-선 영상의 정합 장치. - 동일한 대상 환자의 제1 사전 X-선 영상 및 제1 촬영 X-선 영상 각각으로부터 뼈를 제거 또는 감쇄시키는 단계와,
뼈 감쇄부로부터 출력된 뼈가 제거 또는 감쇄된 제2 사전 X-선 영상 및 제2 촬영 X-선 영상을 정합하여 정합 X-선 영상 정보를 생성하는 단계를 포함하되,
뼈를 제거 또는 감쇄시키는 단계는 제1 사전 X-선 영상 및 제1 촬영 X-선 영상 각각으로부터 적대적 생성 네트워크(GAN) 학습 모델을 통해 뼈를 제거 또는 감쇄시키는 뼈 감쇄된 X-선 영상의 정합 방법.
- 제7 항에 있어서,
뼈를 제거 또는 감쇄시키는 단계 이전에 제1 사전 X-선 영상 및 제1 촬영 X-선 영상의 밝기 분포 및 해상도를 일치시키는 단계를 더 포함하는 뼈 감쇄된 X-선 영상의 정합 방법.
- 삭제
- 제7 항에 있어서,
생성하는 단계 이전에 제2 사전 X-선 영상 및 제2 촬영 X-선 영상으로부터 관심 영역을 추출하는 단계를 더 포함함을 특징으로 하는 뼈 감쇄된 X-선 영상의 정합 방법.
- 제10 항에 있어서, 관심 영역을 추출하는 단계는
관심 영역에 대해 분류 학습된 FCN(Fully Convolution Network)를 이용하되,
제2 사전 X-선 영상 및 제2 촬영 X-선 영상이 입력됨에 따라, 관심 영역으로 판단되는 수용 영역(receptive field) 값의 컨볼루션(Convolution) 연산을 역추적하여 원 영상에서의 관심 영역의 좌표를 추출해내고, 제2 사전 X-선 영상 및 제2 촬영 X-선 영상 각각으로부터 관심 영역의 좌표에 해당하는 영역을 추출하는 뼈 감쇄된 X-선 영상의 정합 방법.
- 제7 항에 있어서, 생성하는 단계는
추출된 관심 영역 영상들을 아핀(affine) 정합 또는 강체 정합 기법으로 차 영상 또는 변화가 컬러로 표시되도록 합성한 영상을 생성하는 뼈 감쇄된 X-선 영상의 정합 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180071423A KR102136107B1 (ko) | 2018-06-21 | 2018-06-21 | 뼈 감쇄된 x-선 영상의 정합 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180071423A KR102136107B1 (ko) | 2018-06-21 | 2018-06-21 | 뼈 감쇄된 x-선 영상의 정합 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190143657A KR20190143657A (ko) | 2019-12-31 |
| KR102136107B1 true KR102136107B1 (ko) | 2020-07-21 |
Family
ID=69051644
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180071423A KR102136107B1 (ko) | 2018-06-21 | 2018-06-21 | 뼈 감쇄된 x-선 영상의 정합 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102136107B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220091813A (ko) | 2020-12-24 | 2022-07-01 | 한국전기연구원 | 엑스선 물질 분리 영상 생성 방법, 장치 및 시스템 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180116620A1 (en) * | 2016-10-31 | 2018-05-03 | Siemens Healthcare Gmbh | Deep Learning Based Bone Removal in Computed Tomography Angiography |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101367812B1 (ko) | 2011-07-28 | 2014-02-27 | 한국전자통신연구원 | 엑스-선 영상 합성 장치와 광음향 영상 장치를 포함하는 영상 검사 장치 및 그것의 영상 검사 방법 |
| KR101274530B1 (ko) * | 2011-07-29 | 2013-06-13 | 주식회사 모든넷 | 이미지 정합 기반 흉부영상 진단 시스템 및 방법 |
| KR102449871B1 (ko) * | 2014-11-21 | 2022-10-04 | 삼성전자주식회사 | 의료 영상 처리 장치 및 그에 따른 의료 영상 처리 방법 |
| KR101901397B1 (ko) * | 2016-12-06 | 2018-09-21 | 부산대학교 산학협력단 | 딥러닝을 이용한 수완부 방사선 영상으로부터 골 성숙도(ｓｍｉ) 자동 분석방법 |
-
2018
- 2018-06-21 KR KR1020180071423A patent/KR102136107B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180116620A1 (en) * | 2016-10-31 | 2018-05-03 | Siemens Healthcare Gmbh | Deep Learning Based Bone Removal in Computed Tomography Angiography |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20190143657A (ko) | 2019-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhong et al. | An attention-guided deep regression model for landmark detection in cephalograms | |
| US20200184639A1 (en) | Method and apparatus for reconstructing medical images | |
| CN111008984B (zh) | 医学影像中正常器官的轮廓线自动勾画方法 | |
| JP6719421B2 (ja) | 学習データ生成支援装置および学習データ生成支援方法並びに学習データ生成支援プログラム | |
| EP3973539A1 (en) | System and method for interpretation of multiple medical images using deep learning | |
| WO2018205922A1 (en) | Methods and systems for pulmonary function test based on diagnostic medical imaging and machine learning | |
| JP2005199057A (ja) | 肺画像データの位置合わせのための方法及び装置 | |
| US20210217166A1 (en) | Automated screening of medical data | |
| US20100260394A1 (en) | Image analysis of brain image data | |
| CN110189324B (zh) | 一种医学图像处理方法及处理装置 | |
| US20210151171A1 (en) | Apparatus and method for medical image reading assistant providing representative image based on medical use artificial neural network | |
| JP6738305B2 (ja) | 学習データ生成支援装置および学習データ生成支援装置の作動方法並びに学習データ生成支援プログラム | |
| US11200671B2 (en) | Reference image guided object detection in medical image processing | |
| EP3872755A1 (en) | Method for providing airway information | |
| KR102387928B1 (ko) | 의료영상을 기초로 인체 조직을 분석하는 방법 및 그 장치 | |
| KR102136107B1 (ko) | 뼈 감쇄된 x-선 영상의 정합 장치 및 방법 | |
| CN112750519A (zh) | 医学图像数据的匿名化 | |
| KR102191412B1 (ko) | 딥러닝 알고리즘을 이용한 자궁 병변 진단 장치 및 방법 | |
| EP4309121A1 (en) | Detecting abnormalities in an x-ray image | |
| CN115132357B (zh) | 基于医学影像图预测目标疾病指标状态的装置 | |
| JP2001325583A (ja) | 画像処理方法および画像処理装置 | |
| Rameshar et al. | Exploring the effects of Compression via Principal Components Analysis on X-ray image classification | |
| Alshbishiri et al. | Adenoid segmentation in X-ray images using U-Net | |
| CN112884759B (zh) | 一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置 | |
| US20220398752A1 (en) | Medical image registration method and apparatus |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |