KR102166441B1 - 병변 검출 장치 및 제어 방법 - Google Patents

병변 검출 장치 및 제어 방법 Download PDF

Info

Publication number
KR102166441B1
KR102166441B1 KR1020180117459A KR20180117459A KR102166441B1 KR 102166441 B1 KR102166441 B1 KR 102166441B1 KR 1020180117459 A KR1020180117459 A KR 1020180117459A KR 20180117459 A KR20180117459 A KR 20180117459A KR 102166441 B1 KR102166441 B1 KR 102166441B1
Authority
KR
South Korea
Prior art keywords
feature map
size
lesion
preset
extracted
Prior art date
Application number
KR1020180117459A
Other languages
English (en)
Other versions
KR20200038360A (ko
Inventor
박상현
미구엘 루나
Original Assignee
재단법인대구경북과학기술원
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 재단법인대구경북과학기술원 filed Critical 재단법인대구경북과학기술원
Priority to KR1020180117459A priority Critical patent/KR102166441B1/ko
Publication of KR20200038360A publication Critical patent/KR20200038360A/ko
Application granted granted Critical
Publication of KR102166441B1 publication Critical patent/KR102166441B1/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
    • A61B5/0035—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 adapted for acquisition of images from more than one imaging mode, e.g. combining MRI and optical tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • 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

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Image Analysis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

병변 검출 장치 및 제어 방법이 개시된다. 병변 검출 장치의 제어 방법은 MR(Magnetic Resonance) 이미지를 기 설정된 크기로 분할된 3차원 패치를 입력받는 단계, 입력된 3차원 패치로부터 크기가 축소된 기 설정된 개수의 입력 특징맵을 추출하는 인코딩 단계, 추출된 입력 특징맵의 개수를 줄인 전이 특징맵을 생성하는 전이 단계, 추출된 입력 특징맵의 크기를 확장한 후 생성된 전이 특징맵과 연결(concatenation)하여 분할된 3차원 패치와 동일한 크기의 출력 특징맵을 생성하는 디코딩 단계, 생성된 출력 특징맵으로부터 병변 영역을 예측하는 단계, 예측된 병변 영역과 3차원 패치에 포함된 병변 영역 간의 오차를 산출하는 단계 및 산출된 오차를 보정하는 단계를 포함한다.

Description

병변 검출 장치 및 제어 방법{LESIONS DETECTING APPARATUS AND CONTROLLING METHOD THEREOF}
본 개시는 병변 검출 장치 및 제어 방법에 관한 것으로, 더욱 상세하게는 딥러닝 네트워크를 이용하여 3차원 영상 내에서 고강도 신호를 자동으로 영역화하는 병변 검출 장치 및 제어 방법에 관한 것이다.
환자 뇌의 병변(Lesions) 여부를 판단하기 위해 MR(Magnetic Resonance) 영상이 이용된다. 인체에 자기장을 걸어주면 인체 내부의 수소원자가 횡자화되고, 자기장을 끊으면 수소원자가 종자화된다. 횡자화된 수소원자의 63%가 종자화되는 시간을 T1 relaxation time이라고 한다. T1 relaxation time은 원자, 원자 주변의 결합 또는 조직에 따라 다르고, 이러한 차이를 이용한 영상이 T1 영상이다. 또한, 횡자화된 수소원자의 37%가 줄어드는데 걸리는 시간을 T2 relaxation time이라고 하며, 이때 얻은 영상이 T2 영상이다. T1 영상에서는 지방성분이 많을수록 신호강도가 높고, 대부분의 병변은 물을 많이 함유하고 있기 때문에 T2에서 저강도 신호로 보인다. T2 영상에서는 물이 많을수록 신호강도가 높고, 병변은 고강도 신호로 보이게 된다.
한편, 획득된 MR 영상(예, T2 영상)에서 병변을 식별하기 위해 의사가 MR 영상을 확인하고 병변을 식별하였다. 그러나, 의사가 육안으로 MR 영상을 확인하여 병변을 검출하는 방식은 숙련도나 병변 영역의 크기 등에 따라 검출의 정확도가 달라지는 문제가 있다. 병변 검출의 정확도를 높이기 위해서는 고강도 신호들을 검출하여 볼륨, 모양, 위치 등을 정량화하는 작업이 필요한데, 3차원 영상 내에서 전문가가 직접 레이블링을 하는 작업은 많은 시간과 노력이 필요하다는 문제점이 있다. 따라서, MR 영상에서 고강도 신호들을 자동으로 식별하고 검출할 수 있는 기술에 대한 필요성이 존재한다.
본 개시는 상술한 문제점을 해결하기 위한 것으로, 본 개시의 목적은 머신 러닝을 이용하여 MR 이미지의 고강도 신호를 자동으로 영역화하여 병변을 검출하는병변 검출 장치 및 제어 방법을 제공하는 것이다.
이상과 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따르면, 병변 검출 장치의 제어 방법은 MR(Magnetic Resonance) 이미지 중 기 설정된 크기로 분할된 3차원 패치를 입력받는 단계, 상기 입력된 3차원 패치로부터 크기가 축소된 기 설정된 개수의 입력 특징맵을 추출하는 인코딩 단계, 상기 추출된 입력 특징맵의 개수를 줄인 전이 특징맵을 생성하는 전이 단계, 상기 추출된 입력 특징맵의 크기를 확장한 후 상기 생성된 전이 특징맵과 연결(concatenation)하여 상기 분할된 3차원 패치와 동일한 크기의 출력 특징맵을 생성하는 디코딩 단계, 상기 생성된 출력 특징맵으로부터 병변 영역을 예측하는 단계, 상기 예측된 병변 영역과 상기 3차원 패치에 포함된 병변 영역 간의 오차를 산출하는 단계 및 상기 산출된 오차를 보정하는 단계를 포함한다.
그리고, 상기 인코딩 단계는 기 설정된 제1 개수의 제1 입력 특징맵을 추출하고 상기 추출된 제1 입력 특징맵 각각을 기 설정된 제1 크기로 축소하는 제1 레벨, 상기 추출된 제1 입력 특징맵으로부터 기 설정된 제2 개수의 제2 입력 특징맵을 추출하고 상기 추출된 제2 입력 특징맵 각각을 기 설정된 제2 크기로 축소하는 제2 레벨 및 상기 추출된 제2 입력 특징맵으로부터 기 설정된 제3 개수의 제3 입력 특징맵을 추출하는 제3 레벨을 포함할 수 있다.
또한, 상기 전이 단계는 상기 제1 레벨에서 추출된 제1 개수의 제1 입력 특징맵을 컨벌루션하여 제1 전이 특징맵을 생성하고, 상기 제2 레벨에서 추출된 제2 개수의 제2 입력 특징맵을 컨벌루션하여 제2 전이 특징맵을 생성할 수 있다.
또한, 상기 디코딩 단계는 상기 제3 레벨에서 추출된 제3 입력 특징맵의 크기를 상기 기 설정된 제2 크기로 확장하고 상기 생성된 제2 전이 특징맵과 연결하여 제2 출력 특징맵을 생성하고, 상기 생성된 제2 출력 특징맵의 크기를 상기 기 설정된 제1 크기로 확장하고 상기 생성된 제1 전이 특징맵과 연결하여 제1 출력 특징맵을 생성하며, 상기 생성된 제1 출력 특징맵의 크기를 상기 분할된 3차원 패치와 동일한 크기로 확장할 수 있다.
그리고, 상기 오차를 산출하는 단계는 전경 영역의 면적당 전경의 손실함수 및 배경 영역의 면적당 배경의 손실함수에 기초하여 오차를 산출할 수 있다.
또한, 상기 오차를 산출하는 단계는 하기의 수학식에 기초하여 오차를 산출할 수 있다.
[수학식]
Figure 112018097282607-pat00001
또한, 병변 검출 장치의 제어 방법은 MR 이미지 중 기 설정된 크기의 복수의 3차원 패치로 분할하는 단계, 학습된 모델에 기초하여 순차적으로 상기 분할된 3차원 패치 각각에 포함된 병변 영역을 검출하는 단계 및 상기 병변 영역이 검출된 각각의 분할된 3차원 패치를 연결하여 상기 MR 이미지 크기에 대응되는 병변 영역 검출 이미지를 생성하는 단계를 더 포함할 수 있다.
한편, 이상과 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따르면, 병변 검출 장치는 MR(Magnetic Resonance) 이미지로부터 기 설정된 크기로 분할된 3차원 패치를 입력받는 입력부 및 프로세서를 포함하고, 상기 프로세서는 상기 입력된 3차원 패치로부터 크기가 축소된 기 설정된 개수의 입력 특징맵을 추출하는 인코더 모듈, 상기 추출된 입력 특징맵의 개수를 줄인 전이 특징맵을 생성하는 전이 모듈, 상기 추출된 입력 특징맵의 크기를 확장한 후 상기 생성된 전이 특징맵과 연결(concatenation)하여 상기 입력된 분할된 3차원 패치와 동일한 크기의 출력 특징맵을 생성하는 디코더 모듈을 포함하며, 상기 생성된 출력 특징맵으로부터 병변 영역을 예측하고, 상기 예측된 병변 영역과 상기 3차원 패치에 포함된 병변 영역 간의 오차를 산출하며, 상기 산출된 오차를 보정한다.
그리고, 상기 프로세서는 기 설정된 제1 개수의 제1 입력 특징맵을 추출하고 상기 추출된 제1 입력 특징맵 각각을 기 설정된 제1 크기로 축소하는 제1 레벨 과정, 상기 추출된 제1 입력 특징맵으로부터 기 설정된 제2 개수의 제2 입력 특징맵을 추출하고 상기 추출된 제2 입력 특징맵 각각을 기 설정된 제2 크기로 축소하는 제2 레벨 과정 및 상기 추출된 제2 입력 특징맵으로부터 기 설정된 제3 개수의 제3 입력 특징맵을 추출하는 제3 레벨 과정을 수행할 수 있다.
또한, 상기 프로세서는 상기 제1 레벨 과정에서 추출된 제1 개수의 제1 입력 특징맵을 컨벌루션하여 제1 전이 특징맵을 생성하고, 상기 제2 레벨 과정에서 추출된 제2 개수의 제2 입력 특징맵을 컨벌루션하여 제2 전이 특징맵을 생성할 수 있다.
또한, 상기 프로세서는 상기 제3 레벨 과정에서 추출된 제3 입력 특징맵의 크기를 상기 기 설정된 제2 크기로 확장하고 상기 생성된 제2 전이 특징맵과 연결하여 제2 출력 특징맵을 생성하고, 상기 생성된 제2 출력 특징맵의 크기를 상기 기 설정된 제1 크기로 확장하고 상기 생성된 제1 전이 특징맵과 연결하여 제1 출력 특징맵을 생성하며, 상기 생성된 제1 출력 특징맵의 크기를 상기 분할된 3차원 패치와 동일한 크기로 확장할 수 있다.
그리고, 상기 프로세서는 전경 영역의 면적당 전경의 손실함수 및 배경 영역의 면적당 배경의 손실함수에 기초하여 오차를 산출할 수 있다.
또한, 상기 프로세서는 하기의 수학식에 기초하여 오차를 산출할 수 있다.
[수학식]
Figure 112018097282607-pat00002
또한, 상기 프로세서는 MR 이미지를 기 설정된 크기로 복수의 3차원 패치로 분할하고, 학습된 모델에 기초하여 순차적으로 상기 분할된 3차원 패치 각각에 포함된 병변 영역을 검출하며, 상기 병변 영역이 검출된 각각의 분할된 3차원 패치를 연결하여 상기 MR 이미지 크기에 대응되는 병변 영역 검출 이미지를 생성할 수 있다.
이상 설명한 바와 같이, 병변 검출 장치 및 제어 방법은 MR 이미지에서 병변(또는, 고강도 신호)를 자동으로 영역화할 수 있다.
그리고, 본 개시에 따라 제안된 네트워크 구조와 손실함수가 적용된 병변 검출 장치 및 제어 방법은 병변 영역화의 성능을 향상시킬 수 있다.
도 1은 본 개시의 일 실시 예에 따른 병변 검출 장치의 블록도이다.
도 2는 본 개시의 일 실시 예에 따른 프로세서의 블록도이다.
도 3은 본 개시의 일 실시 예에 따른 신경망 구조를 설명하는 도면이다.
도 4는 본 개시의 일 실시 예에 따른 병변 검출 장치 제어 방법의 흐름도이다.
이하에서는 첨부된 도면을 참조하여 다양한 실시 예를 보다 상세하게 설명한다. 본 명세서에 기재된 실시 예는 다양하게 변형될 수 있다. 특정한 실시 예가 도면에서 묘사되고 상세한 설명에서 자세하게 설명될 수 있다. 그러나, 첨부된 도면에 개시된 특정한 실시 예는 다양한 실시 예를 쉽게 이해하도록 하기 위한 것일 뿐이다. 따라서, 첨부된 도면에 개시된 특정 실시 예에 의해 기술적 사상이 제한되는 것은 아니며, 발명의 사상 및 기술 범위에 포함되는 모든 균등물 또는 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이러한 구성요소들은 상술한 용어에 의해 한정되지는 않는다. 상술한 용어는 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
본 명세서에서, "포함한다" 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. 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
한편, 본 명세서에서 사용되는 구성요소에 대한 "모듈" 또는 "부"는 적어도 하나의 기능 또는 동작을 수행한다. 그리고, "모듈" 또는 "부"는 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합에 의해 기능 또는 동작을 수행할 수 있다. 또한, 특정 하드웨어에서 수행되어야 하거나 적어도 하나의 프로세서에서 수행되는 "모듈" 또는 "부"를 제외한 복수의 "모듈들" 또는 복수의 "부들"은 적어도 하나의 모듈로 통합될 수도 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
그 밖에도, 본 발명을 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우, 그에 대한 상세한 설명은 축약하거나 생략한다. 한편, 각 실시 예는 독립적으로 구현되거나 동작될 수도 있지만, 각 실시 예는 조합되어 구현되거나 동작될 수도 있다.
도 1은 본 개시의 일 실시 예에 따른 병변 검출 장치의 블록도이다.
도 1을 참조하면, 병변 검출 장치(100)는 입력부(110) 및 프로세서(120)를 포함한다. 병변 검출 장치(100)는 병변이 포함된 이미지를 입력받고 병변 영역을 검출하는 학습을 수행할 수 있다. 병변 검출 장치(100)는 MR(Magnetic Resonance) 이미지를 입력받는다. 입력되는 이미지는 병변 영역을 포함할 수도 있고 아닐 수도 있다. 병변 검출 장치(100)는 입력되는 이미지에 병변 영역이 포함되어 있으면 병변 부위를 검출하고, 병변 영역이 포함되지 않으면 전 영역에 대해 배경으로 처리할 수 있다. MR 이미지는 T2 이미지일 수 있다. T2 이미지에서 병변은 고강도 신호로 보이게 된다. 즉, 병변 검출 장치(100)가 병변을 검출한다는 의미는 T2 이미지에서 고강도 신호를 영역화하여 검출한다는 의미이다. 또는, MR 이미지는 T1 이미지, FLAIR 이미지일 수도 있다. 병변 검출 장치(100)는 T1 이미지, FLAIR 이미지 등 여러 이미지를 연결하여 입력받을 수 있다. 또한, 병변 검출 장치는 이미지의 특성에 따라 2차원 또는 3차원 네트워크로 구현될 수 있다.
입력된 이미지는 기 설정된 크기로 분할된 3차원 패치일 수 있다. MR 이미지는 3D 이미지이므로 이미지의 크기가 크다. 병변 검출 장치(100)가 전체 MR 이미지를 입력받는 경우, 메모리를 초과하여 이미지를 처리하지 못할 수 있다. 따라서, 본 개시의 병변 검출 장치(100)는 MR 이미지를 기 설정된 크기로 분할한 패치를 입력받음으로써 용이하게 입력된 패치(분할된 이미지)를 처리할 수 있다. 한편, 병변 검출 장치(100)가 상대적으로 작은 병변 영역을 학습하기 위해 영상 전체에서 패치를 추출하여 학습하는 것은 비효율적이다. 따라서, 학습 단계에서 병변 검출 장치(100)는 병변 영역 주변에서만 추출된 패치를 입력받아 학습을 수행할 수 있다. 병변 검출 장치의 학습 모델이 동작하기 시작하면, 병변 검출 장치는 MR 이미지의 전체 영상으로부터 추가로 추출된 패치들을 입력받을 수 있다.
프로세서(120)는 입력된 패치로부터 크기가 축소된 기 설정된 개수의 입력 특징맵을 추출한다. 그리고, 프로세서(120)는 추출된 입력 특징맵의 개수를 줄인 전이 특징맵을 생성하고, 추출된 입력 특징맵의 크기를 확장한 후 생성된 전이 특징맵과 연결하여 입력된 분할 패치와 동일한 크기의 출력 특징맵을 생성한다. 일 실시 예로서, 프로세서(120)에 적용된 신경망은 U-Net 신경망일 수 있다. 프로세서(120)는 복수의 레벨의 특징맵 인코딩 및 디코딩 과정을 수행할 수 있다. 프로세서(120)가 특징맵을 추출하여 병변 영역의 검출을 학습하는 구체적인 과정은 후술한다.
프로세서(120)는 생성된 출력 특징맵으로부터 병변 영역을 예측한다. 학습 과정에서 병변 검출 장치(100)에 입력되는 패치는 병변 영역을 정확히 알려진 패치이다. 따라서, 프로세서(120)는 예측된 병변 영역과 패치에 포함된 정확한 병변 영역 간의 오차를 산출한다. 프로세서(120)는 산출된 오차에 기초하여 보정값을 프로세서(120)의 신경망에 적용하는 과정을 통해 병변 영역에 대한 학습을 수행할 수 있다.
도 2는 본 개시의 일 실시 예에 따른 프로세서의 블록도이다.
프로세서(120)는 인코더 모듈(121), 전이 모듈(122) 및 디코더 모듈(123)을 포함할 수 있다. 인코더 모듈(121)은 입력된 패치로부터 크기가 축소된 기 설정된 개수의 입력 특징맵을 추출할 수 있다. 일 실시 예로서, 인코더 모듈(121)은 복수 개의 레벨의 연산 과정을 수행할 수 있다. 각각의 레벨의 연산 과정은 컨벌루션 레이어 및 풀링 레이어를 통해 수행될 수 있다. 먼저, 인코더 모듈(121)은 첫번째 레벨의 연산 과정에서 컨벌루션 레이어를 통해 기 설정된 제1 개수의 입력 특징맵을 생성할 수 있다. 생성되는 입력 특징맵의 개수는 컨벌루션 레이어에 포함된 필터의 개수에 따라 설정될 수 있다. 예를 들어, 필터의 개수가 64개인 경우, 64개의 입력 특징맵이 생성될 수 있다. 생성된 입력 특징맵은 풀링 레이어를 통해 크기가 반으로 줄어들 수 있다. 풀링 레이어를 통과한 입력 특징맵은 두번째 레벨의 연산 과정에 이용될 수 있다. 인코더 모듈(121)은 두번째 레벨의 연산 과정에서 컨벌루션 레이어를 통해 기 설정된 제2 개수의 입력 특징맵을 생성할 수 있다. 제2 개수는 제1 개수보다 큰 수일 수 있다. 생성된 기 설정된 제2 개수의 입력 특징맵은 두번째 레벨의 풀링 레이어를 통해 크기가 다시 반으로 줄어들 수 있다. 인코더 모듈(121)은 설정된 레벨의 연산 과정에 따라 상술한 과정을 반복할 수 있다.
전이 모듈(122)는 인코더 모듈(121)의 각 레벨에서 생성된 각각의 입력 특징맵의 개수를 줄일 수 있다. 즉, 전이 모듈(122)의 각 레벨은 대응되는 인코더 모듈(121)의 입력 특징맵을 컨벌루션 레이어를 통해 개수가 줄어든 전이 특징맵을 생성할 수 있다. 생성된 전이 특징맵은 디코더 모듈(123)에서 사용될 수 있다. 일 실시 예로서, 기존의 U-Net 신경망도 인코더 모듈의 각 레벨에서 생성된 입력 특징맵을 디코더 모듈의 대응되는 레벨에서 사용한다. 그러나, 본 개시의 병변 검출 장치는 전이 모듈(122)을 포함하고, 전이 모듈(122)은 인코더 모듈에서 생성된 특징맵의 개수를 줄임으로써 디코더 모듈(123)에서 입력측의 특징맵의 비중을 줄일 수 있다. 본 개시의 병변 검출 장치는 상술한 과정을 통해 디코더 모듈의 출력 특징맵의 비중을 상대적으로 높임으로써 학습 능력이 향상될 수 있다.
디코더 모듈(123)은 추출된 입력 특징맵의 크기를 확장한 후 생성된 전이 특징맵과 연결(concatenation)하여 입력된 패치와 동일한 크기의 출력 특징맵을 생성할 수 있다. 일 실시 예로서, 디코더 모듈(123)도 복수 개의 레벨의 연산 과정을 수행할 수 있다. 각각의 레벨의 연산 과정은 컨벌루션 레이어 및 언풀링 레이어를 통해 수행될 수 있다. 마지막 레벨을 제외한 디코더 모듈(123)의 각 레벨은 인코더 모듈(121)의 각각의 레벨에 대응될 수 있다. 예를 들어, 인코더 모듈(121)이 세 개의 레벨의 연산 과정으로 구현된 경우, 디코더 모듈(123)은 인코더 모듈(121)의 세번째 레벨의 연산 과정에서 생성된 기 설정된 제3 개수의 입력 특징맵을 두번째 레벨의 연산 과정에 이용될 수 있다. 디코더 모듈(123)은 기 설정된 제3 개수의 입력 특징맵을 언풀링 레이어를 통해 크기를 두 배로 늘릴 수 있다. 디코더 모듈(123)은 전이 모듈에서 생성된 전이 특징맵과 언풀링 레이어를 통과한 입력 특징맵을 연결하고 컨벌루션 레이어를 통과시켜 기 설정된 제2 개수의 출력 특징맵을 생성할 수 있다. 생성된 기 설정된 제2 개수의 출력 특징맵은 언풀링 레이어를 통해 크기가 다시 두 배로 늘어날 수 있다. 디코더 모듈(123)은 설정된 레벨의 연산 과정에 따라 상술한 과정을 반복하고 최종적으로 입력된 패치와 동일한 크기의 출력 특징맵을 생성할 수 있다.
프로세서는 생성된 출력 특징맵으로부터 병변 영역을 예측하고, 예측된 병변 영역과 패치에 포함된 병변 영역 간의 오차에 기초하여 보정값을 산출하여 각 모듈에 적용함으로써 오차를 보정할 수 있다. 프로세서는 복수 개의 입력된 패치에 기초하여 오차 보정 과정을 수행함으로써 병변 영역을 검출하는 학습을 수행할 수 있다.
도 3은 본 개시의 일 실시 예에 따른 신경망 구조를 설명하는 도면이다.
도 3을 참조하면 본 개시에 따른 U-net 형태의 신경망이 도시되어 있다. U-net 형태의 신경망은 상술한 인코더 모듈(121), 전이 모듈(122) 및 디코더 모듈(123)을 포함할 수 있다.
일 실시 예로서, 본 개시의 신경망 구조는 3개의 레벨로 구현된 연산 과정을 수행할 수 있다. 인코더 모듈(121)의 제1 레벨은 3개의 컨벌루션 레이어(11a, 12a, 13a), 3개의 배치 정규화 레이어(11b, 12b, 13b) 및 풀링 레이어를 포함할 수 있다. 예를 들어, 분할된 입력 패치는 24×24×8의 크기일 수 있다. 또한, 분할된 입력 패치는 한 장의 패치일 수 있고, 두 장의 패치일 수 있다. 즉, 한 장의 T2 이미지의 패치일 수 있고, 한 장의 T1 이미지 및 한 장의 FLAIR 이미지 각각의 패치일 수도 있다. 3개의 컨벌루션 레이어(11a, 12a, 13a)는 64개의 필터를 포함할 수 있고, 인코더 모듈(121)의 제1 레벨의 연산 과정이 수행되면 24×24×8 크기의 64개의 입력 특징맵이 생성될 수 있다. 제1 레벨의 연산 과정에서 생성된 입력 특징맵이 풀링 레이어를 통과하면 크기가 반으로 줄어들 수 있다. 풀링 레이어를 통과한 입력 특징맵은 제2 레벨의 연산 과정에 이용될 수 있다. 즉, 12×12×4 크기의 입력 특징맵이 인코더 모듈(121)의 제2 레벨의 연산 과정에 이용될 수 있다.
인코더 모듈(121)의 제2 레벨은 4개의 컨벌루션 레이어(21a, 22a, 23a, 24a), 4개의 배치 정규화 레이어(21b, 22b, 23b, 24b) 및 풀링 레이어를 포함할 수 있다. 4개의 컨벌루션 레이어(21a, 22a, 23a, 24a)는 128개의 필터를 포함할 수 있다. 즉, 인코더 모듈(121)의 제2 레벨의 연산 과정이 수행되면 12×12×4 크기의 128개의 입력 특징맵이 생성될 수 있다. 제2 레벨의 연산 과정에서 생성된 입력 특징맵이 풀링 레이어를 통과하면 크기가 다시 반으로 줄어들 수 있다. 풀링 레이어를 통과한 입력 특징맵은 제3 레벨의 연산 과정에 이용될 수 있다. 즉, 6×6×2 크기의 입력 특징맵이 인코더 모듈(121)의 제3 레벨의 연산 과정에 이용될 수 있다.
인코더 모듈(121)의 제3 레벨은 5개의 컨벌루션 레이어(31a, 32a, 33a, 34a, 35a), 5개의 배치 정규화 레이어(31b, 32b, 33b, 34b, 35b)를 포함할 수 있다. 5개의 컨벌루션 레이어(31a, 32a, 33a, 34a, 35a)는 256개의 필터를 포함할 수 있다. 즉, 인코더 모듈(121)의 제3 레벨의 연산 과정이 수행되면 6×6×2 크기의 256개의 입력 특징맵이 생성될 수 있다. 제3 레벨의 연산 과정에서 생성된 입력 특징맵은 디코더 모듈(123)의 연산 과정에서 이용될 수 있다.
전이 모듈(122)의 제1 레벨은 1개의 컨벌루션 레이어(61a)와 1개의 배치 정규화 레이어(61b)를 포함하고, 제2 레벨은 1개의 컨벌루션 레이어(63a)와 1개의 배치 정규화 레이어(63b)를 포함할 수 있다. 제1 레벨의 컨벌루션 레이어(61a)는 16개의 필터를 포함할 수 있고, 제2 레벨의 컨벌루션 레이어(63a)는 32개의 필터를 포함할 수 있다. 즉, 전이 모듈(122)의 컨벌루션 레이어는 동일한 레벨의 인코더 레벨(121)의 컨벌루션 레이어보다 1/4개의 필터를 포함할 수 있다. 전이 모듈(122)은 각 레벨의 연산 과정에서 인코더 모듈(121)에서 생성된 입력 특징맵을 입력받고 전이 특징맵을 생성하여 디코더 레벨(123)로 전달할 수 있다.
디코더 모듈(123)의 제2 레벨은 4개의 컨벌루션 레이어, 4개의 배치 정규화 레이어 및 언풀링 레이어를 포함할 수 있다. 디코더 모듈(123)의 제2 레벨은 32개의 전이 특징맵과 언풀링된 제3 레벨의 256개의 입력 특징맵을 전달받을 수 있다. 그리고, 디코더 모듈(123)의 제2 레벨은 전달받은 전이 특징맵과 입력 특징맵을 연결하고 컨벌루션 레이어를 통과시킬 수 있다. 디코더 모듈(123)의 제2 레벨의 연산 과정이 수행되면 12×12×4 크기의 128개의 출력 특징맵이 생성될 수 있다. 제2 레벨의 연산 과정에서 생성된 출력 특징맵이 언풀링 레이어를 통과하면 크기가 다시 두 배로 늘어날 수 있다.
디코더 모듈(123)의 제1 레벨은 16개의 전이 특징맵과 언풀링된 제2 레벨의 128개의 출력 특징맵을 전달받을 수 있다. 그리고, 디코더 모듈(123)의 제1 레벨은 전달받은 전이 특징맵과 출력 특징맵을 연결하고 컨벌루션 레이어를 통과시킬 수 있다. 상술한 연산 과정이 수행되면 24×24×8 크기의 64개의 출력 특징맵이 생성될 수 있다. 그리고, 최종적으로 디코더 모듈(123)은 생성된 출력 특징맵을 다시 1개의 필터를 가진 컨벌루션 레이어에 통과시켜 입력된 패치 크기를 가지는 1개의 출력 특징맵을 생성할 수 있다. 입력 패치가 2장의 이미지를 포함하는 경우라도 최종적으로 생성되는 출력 특징맵은 1개일 수 있다.
한편, 학습율(learning rate)이 너무 높게 설정되면 비정상적인 문제가 발생할 수 있다. 문제가 발생하는 이유는 각 모듈의 파라미터의 스케일 때문이다. 따라서, 각 레벨의 각각의 컨벌루션 레이어에 대응되는 각각의 배치 정규화 레이어는 오차를 보정하는 역전파(backpropagation)를 할 때 파라미터의 스케일에 영향을 받지 않도록 함으로써 학습율을 크게 잡을 수 있고 빠른 학습을 가능하게 한다.
상술한 신경망 구조의 컨벌루션 레이어에 포함된 필터 크기는 3×3×3 일 수 있고, 컨벌루션 레이어 뒤에는 ReLU 활성함수가 포함될 수 있다.
병변 검출 장치는 생성된 출력 특징맵으로부터 병변 영역을 예측하고, 예측된 병변 영역과 패치에 포함된 병변 영역 간의 오차에 기초하여 보정값을 산출하여 각 모듈에 적용함으로써 오차를 보정할 수 있다. 오차 보정은 신경망 학습을 최적화시킬 수 있는 손실함수를 설정하고 Adam 최적화 기법을 이용할 수 있다. 기존의 손실함수는 교차 엔트로피를 이용하였지만, 이미지 내에 소수의 전경(예, 물체, 병변)과 다수의 배경이 포함되는 경우 효율적이지 못하다. 본 개시가 적용되는 MR 이미지는 매우 작은 병변 영역과 대다수의 배경 영역을 포함하고 있다. 따라서, 본 개시에서는 교차 엔트로피의 합을 각 클래스(전경 및 배경)의 면적으로 나눠주는 새로운 손실함수를 적용한다. 따라서, 전경에서 계산된 엔트로피와 배경에서 계산된 엔트로피를 각각 전경과 배경의 면적으로 나눠줌으로써 작은 병변 영역(예, T2 이미지에서 고강도 신호)에서의 오차를 줄여줄 수 있다.
새로운 손실함수의 수학식은 아래와 같다.
Figure 112018097282607-pat00003
---- (1)
여기서, 분자의
Figure 112018097282607-pat00004
는 전경의 손실함수이고,
Figure 112018097282607-pat00005
는 배경의 손실함수이다. 분모의
Figure 112018097282607-pat00006
는 전경의 면적 크기이고,
Figure 112018097282607-pat00007
는 배경의 면적 크기이다. ε은 매우 작은 상수이다. 예를 들어, ε은 0.0001일 수 있다.
상술한 과정을 통해 병변 검출 장치의 학습 모델이 생성될 수 있다. 생성된 병변 검출 장치의 학습 모델은 MR 이미지에서 병변을 검출하는데 이용될 수 있다. 병변 검출 장치는 입력된 MR 이미지를 기 설정된 크기의 복수의 3차원 패치로 분할할 수 있다. 그리고, 생성된 학습 모델에 기초하여 순차적으로 분할된 복수의 3차원 패치 각각에 포함된 병변 영역을 검출할 수 있다. 병변 검출 장치는 검출된 각각의 분할된 3차원 패치를 연결하여 MR 이미지 크기에 대응되는 병변 영역 검출 이미지를 생성할 수 있다. 상술한 과정을 통해 병변 검출 장치는 MR 이미지 내의 병변 영역을 검출할 수 있다.
본 개시에 따른 병변 검출 장치는 병변 검출 학습에 대해 우수한 결과를 나타내었다. 구체적으로, 2018년 열린 MICCAI 학회의 MR brain Segmentation challenge(http://mrbrains18.isi.uu.nl/)에서 본 개시에서 제안하는 방법이 테스트되었다. 본 챌린지는 뇌의 다양한 병변과 함께 gray matter, white matter 및 cerebrospinal fluid 등을 모두 영역화하는 챌린지였다. 본 개시의 병변 검출 장치는 7장의 트레이닝 데이터 중 6장의 데이터를 학습하고 1장의 데이터를 validation에 이용하였으며, 23장의 데이터에 대해 병변과 뇌 영역을 검출하였다. 검출 장치의 정확도는 다이스 계수와 Hausdorff distance, Volumetric similarity로 계산되었고 22팀이 참여한 챌린지에서 1위를 기록하였다. http://mrbrains18.isi.uu.nl/의 RESULTS 항목에서 MISPL이 본 개시에 따른 병변 검출 장치이다.
지금까지, 병변 검출 장치의 다양한 실시 예를 설명하였다. 아래에서는, 병변 검출 장치의 제어 방법을 설명한다.
도 4는 본 개시의 일 실시 예에 따른 병변 검출 장치 제어 방법의 흐름도이다.
병변 검출 장치는 MR 이미지 중 기 설정된 크기로 분할된 3차원 패치를 입력받는다(S410). 병변 검출 장치는 학습 초기에는 병변 영역 주변에서만 추출된 패치만을 입력받고, 학습 모델이 동작되는 경우 전체 부위에서 추가로 추출된 패치를 입력받을 수 있다.
병변 검출 장치는 입력된 패치로부터 크기가 축소된 기 설정된 개수의 입력 특징맵을 추출하는 인코딩 과정을 수행한다(S420). 예를 들어, 인코딩 과정은 기 설정된 제1 개수의 제1 입력 특징맵을 추출하고 추출된 제1 입력 특징맵 각각을 기 설정된 제1 크기로 축소하는 제1 레벨, 추출된 제1 입력 특징맵으로부터 기 설정된 제2 개수의 제2 입력 특징맵을 추출하고 추출된 제2 입력 특징맵 각각을 기 설정된 제2 크기로 축소하는 제2 레벨 및 추출된 제2 입력 특징맵으로부터 기 설정된 제3 개수의 제3 입력 특징맵을 추출하는 제3 레벨을 포함할 수 있다.
병변 검출 장치는 입력 특징맵의 개수를 줄인 전이 특징맵을 생성한다(S430). 전이 과정은 제1 레벨에서 추출된 제1 개수의 제1 입력 특징맵을 컨벌루션하여 제1 전이 특징맵을 생성하고, 제2 레벨에서 추출된 제2 개수의 제2 입력 특징맵을 컨벌루션하여 제2 전이 특징맵을 생성할 수 있다. 각 레벨에서 생성된 전이 특징맵은 대응되는 레벨의 디코딩 과정으로 전달될 수 있다.
병변 검출 장치는 추출된 입력 특징맵의 크기를 확장한 후 생성된 전이 특징맵과 연결하여 분할된 패치와 동일한 크기의 출력 특징맵을 생성하는 디코딩 과정을 수행한다(S440). 디코딩 과정은 제3 레벨에서 추출된 제3 입력 특징맵의 크기를 기 설정된 제2 크기로 확장할 수 있다. 그리고, 디코딩 과정은 제2 크기로 확장된 제3 입력 특징맵을 생성된 제2 전이 특징맵과 연결하여 제2 출력 특징맵을 생성하고, 생성된 제2 출력 특징맵의 크기를 상기 기 설정된 제1 크기로 확장할 수 있다. 그리고, 디코딩 과정은 제1 크기로 확장된 제2 출력 특징맵을 생성된 제1 전이 특징맵과 연결하여 제1 출력 특징맵을 생성하며, 생성된 제1 출력 특징맵의 크기를 상기 분할된 패치와 동일한 크기로 확장할 수 있다.
병변 검출 장치는 생성된 출력 특징맵으로부터 병변 영역을 예측한다(S450). 병변 검출 장치는 예측된 병변 영역과 패치에 포함된 병변 영역 간의 오차를 산출한다(S460). 오차는 전경 영역의 면적당 전경의 손실함수 및 배경 영역의 면적당 배경의 손실함수에 기초하여 산출될 수 있다.
병변 검출 장치는 산출된 오차를 보정한다(S470). 상술한 과정을 통해 병변 검출 장치는 병변 검출 기법을 학습할 수 있고, 학습된 병변 검출 장치는 다양한 MR 이미지에 대해 병변을 검출할 수 있다.
상술한 다양한 실시 예에 따른 병변 검출 장치의 제어 방법은 컴퓨터 프로그램 제품으로 제공될 수도 있다. 컴퓨터 프로그램 제품은 S/W 프로그램 자체 또는 S/W 프로그램이 저장된 비일시적 판독 가능 매체(non-transitory computer readable medium)를 포함할 수 있다.
비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.
또한, 이상에서는 본 발명의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
100: 병변 검출 장치
110: 입력부 120: 프로세서

Claims (14)

  1. MR(Magnetic Resonance) 이미지 중 기 설정된 크기로 분할된 3차원 패치를 입력받는 단계;
    상기 입력된 3차원 패치로부터 크기가 축소된 기 설정된 개수의 입력 특징맵을 추출하는 인코딩 단계;
    상기 추출된 입력 특징맵의 개수를 줄인 전이 특징맵을 생성하는 전이 단계;
    상기 추출된 입력 특징맵의 크기를 확장한 후 상기 생성된 전이 특징맵과 연결(concatenation)하여 상기 분할된 3차원 패치와 동일한 크기의 출력 특징맵을 생성하는 디코딩 단계;
    상기 생성된 출력 특징맵으로부터 병변 영역을 예측하는 단계;
    상기 예측된 병변 영역과 상기 3차원 패치에 포함된 병변 영역 간의 오차를 산출하는 단계; 및
    상기 산출된 오차를 보정하여 학습하는 단계;를 포함하고,
    상기 오차를 산출하는 단계는,
    전경 영역의 면적당 전경의 손실함수 및 배경 영역의 면적당 배경의 손실함수에 기초하여 오차를 산출하는 병변 검출 장치의 제어 방법.
  2. 제1항에 있어서,
    상기 인코딩 단계는,
    기 설정된 제1 개수의 제1 입력 특징맵을 추출하고 상기 추출된 제1 입력 특징맵 각각을 기 설정된 제1 크기로 축소하는 제1 레벨, 상기 추출된 제1 입력 특징맵으로부터 기 설정된 제2 개수의 제2 입력 특징맵을 추출하고 상기 추출된 제2 입력 특징맵 각각을 기 설정된 제2 크기로 축소하는 제2 레벨 및 상기 추출된 제2 입력 특징맵으로부터 기 설정된 제3 개수의 제3 입력 특징맵을 추출하는 제3 레벨을 포함하는 병변 검출 장치의 제어 방법.
  3. 제2항에 있어서,
    상기 전이 단계는,
    상기 제1 레벨에서 추출된 제1 개수의 제1 입력 특징맵을 컨벌루션하여 제1 전이 특징맵을 생성하고, 상기 제2 레벨에서 추출된 제2 개수의 제2 입력 특징맵을 컨벌루션하여 제2 전이 특징맵을 생성하는 병변 검출 장치의 제어 방법.
  4. 제3항에 있어서,
    상기 디코딩 단계는,
    상기 제3 레벨에서 추출된 제3 입력 특징맵의 크기를 상기 기 설정된 제2 크기로 확장하고 상기 생성된 제2 전이 특징맵과 연결하여 제2 출력 특징맵을 생성하고, 상기 생성된 제2 출력 특징맵의 크기를 상기 기 설정된 제1 크기로 확장하고 상기 생성된 제1 전이 특징맵과 연결하여 제1 출력 특징맵을 생성하며, 상기 생성된 제1 출력 특징맵의 크기를 상기 분할된 3차원 패치와 동일한 크기로 확장하는 병변 검출 장치의 제어 방법.
  5. 삭제
  6. 제1항에 있어서,
    상기 오차를 산출하는 단계는,
    하기의 수학식에 기초하여 오차를 산출하는 병변 검출 장치의 제어 방법.
    [수학식]
    Figure 112020045930535-pat00008
  7. 제1항에 있어서,
    MR 이미지를 기 설정된 크기의 복수의 3차원 패치로 분할하는 단계;
    학습된 모델에 기초하여 순차적으로 상기 분할된 복수의 3차원 패치 각각에 포함된 병변 영역을 검출하는 단계; 및
    상기 병변 영역이 검출된 각각의 분할된 3차원 패치를 연결하여 상기 MR 이미지 크기에 대응되는 병변 영역 검출 이미지를 생성하는 단계;를 더 포함하는 병변 검출 장치의 제어 방법.
  8. MR(Magnetic Resonance) 이미지 중 기 설정된 크기로 분할된 3차원 패치를 입력받는 입력부; 및
    프로세서;를 포함하고,
    상기 프로세서는,
    상기 입력된 3차원 패치로부터 크기가 축소된 기 설정된 개수의 입력 특징맵을 추출하는 인코더 모듈;
    상기 추출된 입력 특징맵의 개수를 줄인 전이 특징맵을 생성하는 전이 모듈;
    상기 추출된 입력 특징맵의 크기를 확장한 후 상기 생성된 전이 특징맵과 연결(concatenation)하여 상기 입력된 분할된 3차원 패치와 동일한 크기의 출력 특징맵을 생성하는 디코더 모듈;을 포함하며,
    상기 생성된 출력 특징맵으로부터 병변 영역을 예측하고, 상기 예측된 병변 영역과 상기 3차원 패치에 포함된 병변 영역 간의 오차를 산출하며, 상기 산출된 오차를 보정하고,
    상기 오차는,
    전경 영역의 면적당 전경의 손실함수 및 배경 영역의 면적당 배경의 손실함수에 기초하여 오차를 산출되는 병변 검출 장치.
  9. 제8항에 있어서,
    상기 프로세서는,
    기 설정된 제1 개수의 제1 입력 특징맵을 추출하고 상기 추출된 제1 입력 특징맵 각각을 기 설정된 제1 크기로 축소하는 제1 레벨 과정, 상기 추출된 제1 입력 특징맵으로부터 기 설정된 제2 개수의 제2 입력 특징맵을 추출하고 상기 추출된 제2 입력 특징맵 각각을 기 설정된 제2 크기로 축소하는 제2 레벨 과정 및 상기 추출된 제2 입력 특징맵으로부터 기 설정된 제3 개수의 제3 입력 특징맵을 추출하는 제3 레벨 과정을 수행하는 병변 검출 장치.
  10. 제9항에 있어서,
    상기 프로세서는
    상기 제1 레벨 과정에서 추출된 제1 개수의 제1 입력 특징맵을 컨벌루션하여 제1 전이 특징맵을 생성하고, 상기 제2 레벨 과정에서 추출된 제2 개수의 제2 입력 특징맵을 컨벌루션하여 제2 전이 특징맵을 생성하는 병변 검출 장치.
  11. 제10항에 있어서,
    상기 프로세서는,
    상기 제3 레벨 과정에서 추출된 제3 입력 특징맵의 크기를 상기 기 설정된 제2 크기로 확장하고 상기 생성된 제2 전이 특징맵과 연결하여 제2 출력 특징맵을 생성하고, 상기 생성된 제2 출력 특징맵의 크기를 상기 기 설정된 제1 크기로 확장하고 상기 생성된 제1 전이 특징맵과 연결하여 제1 출력 특징맵을 생성하며, 상기 생성된 제1 출력 특징맵의 크기를 상기 분할된 3차원 패치와 동일한 크기로 확장하는 병변 검출 장치.
  12. 삭제
  13. 제8항에 있어서,
    상기 프로세서는,
    하기의 수학식에 기초하여 오차를 산출하는 병변 검출 장치.
    [수학식]
    Figure 112020045930535-pat00009
  14. 제8항에 있어서,
    상기 프로세서는,
    MR 이미지를 기 설정된 크기로 복수의 3차원 패치로 분할하고, 학습된 모델에 기초하여 순차적으로 상기 분할된 복수의 3차원 패치 각각에 포함된 병변 영역을 검출하며, 상기 병변 영역이 검출된 각각의 분할된 3차원 패치를 연결하여 상기 MR 이미지 크기에 대응되는 병변 영역 검출 이미지를 생성하는 병변 검출 장치.
KR1020180117459A 2018-10-02 2018-10-02 병변 검출 장치 및 제어 방법 KR102166441B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180117459A KR102166441B1 (ko) 2018-10-02 2018-10-02 병변 검출 장치 및 제어 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180117459A KR102166441B1 (ko) 2018-10-02 2018-10-02 병변 검출 장치 및 제어 방법

Publications (2)

Publication Number Publication Date
KR20200038360A KR20200038360A (ko) 2020-04-13
KR102166441B1 true KR102166441B1 (ko) 2020-10-16

Family

ID=70224595

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180117459A KR102166441B1 (ko) 2018-10-02 2018-10-02 병변 검출 장치 및 제어 방법

Country Status (1)

Country Link
KR (1) KR102166441B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008065836A (ja) * 1996-02-09 2008-03-21 Adeza Biomedical Corp ニューラルネットワーク関連アプリケーションを使用して医療診断テストおよび生化学診断テストを選択する方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101879207B1 (ko) * 2016-11-22 2018-07-17 주식회사 루닛 약한 지도 학습 방식의 객체 인식 방법 및 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008065836A (ja) * 1996-02-09 2008-03-21 Adeza Biomedical Corp ニューラルネットワーク関連アプリケーションを使用して医療診断テストおよび生化学診断テストを選択する方法

Also Published As

Publication number Publication date
KR20200038360A (ko) 2020-04-13

Similar Documents

Publication Publication Date Title
CN110852983B (zh) 用于检测半导体装置中的缺陷的方法
Anitha et al. Brain tumour classification using two‐tier classifier with adaptive segmentation technique
US20200134469A1 (en) Method and apparatus for determining a base model for transfer learning
US10039501B2 (en) Computer-aided diagnosis (CAD) apparatus and method using consecutive medical images
Jiao et al. Local stereo matching with improved matching cost and disparity refinement
US20120183203A1 (en) Apparatus and method for extracting feature of depth image
US20210068676A1 (en) Method and system for automatically generating and analyzing fully quantitative pixel-wise myocardial blood flow and myocardial perfusion reserve maps to detect ischemic heart disease using cardiac perfusion magnetic resonance imaging
CN108877947B (zh) 基于迭代均值聚类的深度样本学习方法
Abdelmaguid et al. Left ventricle segmentation and volume estimation on cardiac mri using deep learning
CN111914878A (zh) 特征点跟踪训练及跟踪方法、装置、电子设备及存储介质
WO2021084623A1 (ja) 劣化抑制プログラム、劣化抑制方法および情報処理装置
US20220156513A1 (en) Method and system for localizing an anomaly in an image to be detected, and method for training reconstruction model thereof
US20200175324A1 (en) Segmentation of target areas in images
CN103646114B (zh) 硬盘smart数据中特征数据提取方法和装置
CN113096169A (zh) 一种非刚性多模医学图像的配准模型建立方法及其应用
CN112785540B (zh) 一种扩散加权图像的生成系统及方法
CN108549899B (zh) 一种图像识别方法及装置
CN105338362B (zh) 运动目标检测方法和运动目标检测装置
KR102166441B1 (ko) 병변 검출 장치 및 제어 방법
CN101847260B (zh) 图像处理设备和图像处理方法
Wang et al. Spatially aware patch-based segmentation (saps): an alternative patch-based segmentation framework
CN111325282A (zh) 适应多机型的乳腺x射线影像识别方法和装置
Lim et al. Automatic artifact detection algorithm in fetal MRI
CN113379770A (zh) 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置
Le et al. PDM-ENLOR: Learning ensemble of local PDM-based regressions

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right