KR102179583B1 - 딥러닝 기반의 질환 진단 보조 시스템 및 딥러닝 기반의 질환 진단 보조 방법 - Google Patents

딥러닝 기반의 질환 진단 보조 시스템 및 딥러닝 기반의 질환 진단 보조 방법 Download PDF

Info

Publication number
KR102179583B1
KR102179583B1 KR1020200029986A KR20200029986A KR102179583B1 KR 102179583 B1 KR102179583 B1 KR 102179583B1 KR 1020200029986 A KR1020200029986 A KR 1020200029986A KR 20200029986 A KR20200029986 A KR 20200029986A KR 102179583 B1 KR102179583 B1 KR 102179583B1
Authority
KR
South Korea
Prior art keywords
diagnosis
target image
information
disease
image
Prior art date
Application number
KR1020200029986A
Other languages
English (en)
Inventor
최우식
김태규
윤홍준
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 KR1020200029986A priority Critical patent/KR102179583B1/ko
Application granted granted Critical
Publication of KR102179583B1 publication Critical patent/KR102179583B1/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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

본 발명의 일 실시예에 따른 딥러닝 기반의 질환 진단 보조 시스템은, 의료영상 및 진단레이블정보를 갖는 진단학습데이터가 저장된 데이터베이스; 진단학습데이터로 딥러닝되어 생성된 진단모델에 기초하여, 입력된 대상이미지가 딥러닝되어, 대상이미지의 질환여부를 진단하는 진단부; 및 진단부에 의해 대상이미지가 양성으로 판단되는 경우, 데이터베이스에 저장된 양성의 진단학습데이터 중 경과정보를 포함하는 진단학습데이터와 대상이미지의 이미지 유사도를 판단하고, 대상이미지와의 이미지 유사도가 높은 n개의 진단학습데이터를 비교데이터로 추출하고, n개의 비교데이터의 경과정보에 기초하여, 대상이미지의 경과를 예측하는 경과예측부를 포함하는 것이 바람직하다.

Description

딥러닝 기반의 질환 진단 보조 시스템 및 딥러닝 기반의 질환 진단 보조 방법{ASSISTANCE DIAGNOSIS SYSTEM FOR DISEASE BASED ON DEEP LEARNING AND ASSISTANCE DIAGNOSIS METHOD THEREOF}
본 발명은 딥러닝 기반의 질환 진단 보조 시스템 및 딥러닝 기반의 질환 진단 보조 방법에 관한 것이며, 상세하게는 딥러닝 기반으로 입력된 대상이미지로부터 진단된 진단명과, 치료 시 예측가능한 경과를 원스탑으로 제공하는 딥러닝 기반의 질환 진단 보조 시스템 및 딥러닝 기반의 질환 진단 보조 방법에 관한 것이다.
의료영상 저장 전송 시스템(Picture Archiving and Communication System, 이하 PACS)는, 의료 영상 정보의 저장, 검색 및 판독 기능 등을 통합적으로 수행하는 시스템을 가리킨다. 즉, PACS는 X-ray, CT(Computed Tomography; 컴퓨터 단층촬영), MRI(Magnetic Resonance Imaging; 자기 공명 영상), PET(Positron Emission Tomography; 양전자 단층촬영), SPECT(Single Photon Emission Computed Tomography; 단일광자 단층촬영) 등에 의해 촬영된 환자의 의료 영상을 디지털 이미지로 변환하여, 촬영과 동시에 대용량 기억장치에 저장시키고, 이를 영상 의학과 전문가가 모니터를 통해 검색 및 판독할 수 있도록 해주는 시스템이다.
PACS에는 이미지를 업로드 하여 볼 수 있는 뷰어(viewer) 기능, 레이블링(labeling) 및/또는 인공지능을 사용하여 의사들이 채택하여 질병을 진단하는 AI solution 기능들이 존재한다. 또한, PACS에는 이미 과거에 업로드한 영상들과 이와 관련된 자료들을 볼 수 있는 워크리스트(worklist)가 존재한다. 진단의는 원한다면 이 워크리스트를 통해 환자 정보를 언제든지 다시 볼 수 있다.
다만, PACS는 데이터가 많이 축적되고 자동으로 의사나 전문가들을 도와주는 소프트웨어이지만, 축적된 데이터를 진단보조에 유기적으로 사용하는 부분은 아직 더디고, 축적된 데이터도 나중을 위해 축적해 놓을 뿐 실용적으로 활용한다고 판단하기는 어렵다.
한국공개특허 제10-2016-0140194호에는 PACS 이미지의 개인화 분석 기반 이상 검출 방법 및 그 장치가 개시되어 있다.
본 발명은 PACS에 축적된 데이터를 이용하여, 딥러닝 기반으로 입력된 대상이미지로부터 진단된 진단명과, 치료 시 예측가능한 경과(치료방법에 따른 완치율, 재발율, 사망율, 생존율, 기대수명 등)를 원스탑으로 제공할 수 있는 딥러닝 기반의 질환 진단 보조 시스템 및 딥러닝 기반의 질환 진단 보조 방법을 제공하는 것을 목적으로 한다.
본 발명의 일 실시예에 따른 딥러닝 기반의 질환 진단 보조 시스템은, 의료영상 및 진단레이블정보를 갖는 진단학습데이터가 저장된 데이터베이스; 진단학습데이터로 딥러닝되어 생성된 진단모델에 기초하여, 입력된 대상이미지가 딥러닝되어, 대상이미지의 질환여부를 진단하는 진단부; 및 진단부에 의해 대상이미지가 양성으로 판단되는 경우, 데이터베이스에 저장된 양성의 진단학습데이터 중 경과정보를 포함하는 진단학습데이터와 대상이미지의 이미지 유사도를 판단하고, 대상이미지와의 이미지 유사도가 높은 n개의 진단학습데이터를 비교데이터로 추출하고, n개의 비교데이터의 경과정보에 기초하여, 대상이미지의 경과를 예측하는 경과예측부를 포함하는 것이 바람직하다.
경과예측부는, 기설정된 유사도 분석 알고리즘에 따라, 대상이미지에 대한 각각의 비교데이터의 이미지의 유사도를 분석하고, 유사도에 따라 각각의 비교데이터의 경과정보에 대해 가중치를 조정하여, n개의 비교데이터의 경과정보에 대한 통계를 산출하여, 대상이미지의 경과를 예측하는 것이 바람직하다.
본 발명의 일 실시예에서, 경과정보는 재발여부, 생존여부, 처방전, 진단 시의 환자의 상태, 치료방법, 기대수명 또는 재방문주기이고, 경과예측부는 비교데이터의 경과정보에 기초하여, 대상이미지의 경과를 치료방법, 처방전, 또는 진단 시의 환자의 상태에 따른 완치율, 재발율, 생존율 또는 사망률로 예측하는 것이 바람직하다.
본 발명의 일 실시예에서, 경과예측부는, 비교데이터의 이미지가 대상이미지와의 유사도가 높을수록 높은 가중치를 비교데이터의 경과정보에 곱하고, 비교데이터의 이미지가 대상이미지와의 유사도가 낮을수록 낮은 가중치를 비교데이터의 경과정보에 곱하여, 비교데이터의 경과정보에 대한 가중치를 조정하는 것이 바람직하다.
본 발명의 일 실시예에 따른 딥러닝 기반의 질환 진단 보조 시스템은, 의료영상 및 분류레이블정보(신체정보, 질환정보 및 영상정보)가 분류학습데이터로 딥러닝되어 생성된 분류모델과, 질환 종류 별로 진단모델이 기록된 리스트가 기설정되고, 분류모델에 기초하여, 대상이미지가 딥러닝되어 판단되어, 대상이미지의 신체정보, 질환정보 및 영상정보에 따라, 리스트에서 대상이미지에 부합하는 해당 진단모델을 도출하는 분류부를 더 포함하는 것이 바람직하다.
본 발명의 일 실시예에서, 진단부는 분류부에 의해 도출된 진단모델을 대상이미지의 진단모델로 채택하는 것이 바람직하다.
본 발명의 일 실시예에 따른 딥러닝 기반의 질환 진단 보조 시스템은, 진단명에 대한 오진이 수정되는 오진수정부를 더 포함하고, 오진수정부에 의해 진단명이 수정된 정보에 기초하여, 질환 별로 오진율을 산출하는 것이 바람직하다.
한편, 본 발명의 일 실시예에 따른 딥러닝 기반의 질환 진단 보조 방법은, (S10) 의료영상 및 진단레이블정보를 갖는 진단학습데이터가 딥러닝되어 진단모델이 생성되는 단계; (S20) 대상이미지가 입력되는 단계; (S30) 진단모델에 기초하여, 대상이미지가 딥러닝되어, 대상이미지의 질환여부가 진단되는 단계; (S40) 대상이미지가 양성으로 판단되는 경우, 데이터베이스에 저장된 양성의 진단학습데이터 중 경과정보를 포함하는 진단학습데이터와 대상이미지의 이미지 유사도가 판단되고, 대상이미지와의 이미지 유사도가 높은 n개의 진단학습데이터가 비교데이터로 추출되는 단계; 및 (S50) n개의 비교데이터의 경과정보에 기초하여, 대상이미지의 경과를 예측되는 단계를 포함하는 것이 바람직하다.
본 발명의 일 실시예에서, S50 단계는, (S51) 경과예측부에 기설정된 유사도 분석 알고리즘에 따라, 대상이미지에 대한 각각의 비교데이터의 이미지의 유사도를 분석되는 단계; 및 (S52) 유사도에 따라 각각의 비교데이터의 경과정보에 대해 가중치가 조정되는 단계를 포함하는 것이 바람직하다.
본 발명의 일 실시예에서, S52단계는, 비교데이터의 이미지가 대상이미지와의 유사도가 높을수록 높은 가중치를 비교데이터의 경과정보에 곱하고, 비교데이터의 이미지가 대상이미지와의 유사도가 낮을수록 낮은 가중치를 비교데이터의 경과정보에 곱하여, 비교데이터의 경과정보에 대한 가중치가 조정되는 것이 바람직하다.
본 발명의 일 실시예에서, 경과정보는 재발여부, 생존여부, 처방전, 진단 시의 환자의 상태, 치료방법, 기대수명 또는 재방문주기이고, S50단계에서, 비교데이터의 경과정보에 기초하여, 대상이미지의 경과가 치료방법, 처방전, 또는 진단 시의 환자의 상태에 따른 완치율, 재발율, 생존율 또는 사망률로 예측되는 것이 바람직하다.
본 발명의 일 실시예에 따른 딥러닝 기반의 질환 진단 보조 방법은, 의료영상 및 분류레이블정보를 갖는 분류학습데이터가 딥러닝되어, 분류모델이 생성되는 단계; 분류모델과 질환 별로 진단모델이 기록된 리스트가 분류부에 기설정되는 단계; 및 분류모델에 기초하여, 대상이미지가 딥러닝되어, 대상이미지의 신체정보, 질환정보 및 영상정보에 따라, 리스트에서 대상이미지에 부합되는 진단모델이 도출되는 단계를 포함하는 것이 바람직하다.
본 발명의 일 실시예에 따른 딥러닝 기반의 질환 진단 보조 방법은, 분류부에 의해 도출된 진단모델이 S30단계의 진단모델로 채택되는 단계를 더 포함하는 것이 바람직하다.
본 발명의 일 실시예에 따른 딥러닝 기반의 질환 진단 보조 방법은, 진단명에 대한 오진이 수정되는 단계; 및 오진수정부에 의해 진단명이 수정된 정보에 기초하여, 질환 별로 오진율이 산출되는 단계를 더 포함하는 것이 바람직하다.
본 발명의 일 실시예에서, S30단계에서 진단된 정보와 대상이미지가 진단모델로 제공되어, S10단계의 진단학습데이터로 학습되는 단계를 더 포함하는 것이 바람직하다.
본 발명은 PACS에 축적된 데이터를 이용하여, 딥러닝 기반으로 입력된 대상이미지로부터 진단명을 도출하고, 치료 시 예측가능한 경과를 원스탑으로 제공하여, 진단의의 업무효율을 향상시킬 수 있다.
본 발명은 딥러닝 기반으로 대상이미지로부터 치료 시 예측가능한 경과를 치료방법에 따른 완치율, 재발율, 사망율, 생존율, 기대수명 등으로 세분화하여 도출할 수 있다. 이로 인해, 본 발명은 진단의가 환자에게 진단 후에 발생가능한 재발율 등을 수치적으로 제공가능하게 함으로써, 환자로 하여금 진단의 신뢰성을 향상시킬 수 있다.
본 발명은 진단된 질환에 대해, 데이터로 축적된 가장 최적의 완치를 위한 치료방법, 처방전 및 재검사 주기를 의사에게 제공하여, 의사의 업무효율을 향상시킬 수 있다.
또한, 본 발명은 임상경험이 풍부하지 않은 진단의가 놓칠 수 있는 치료방법 및 처방전을 제공하여, 환자에게 보다 적합한 치료환경을 조성토록 할 수 있다.
도 1은 본 발명의 일 실시예에 따른 딥러닝 기반의 질환 진단 보조 시스템의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 딥러닝 기반의 질환 진단 보조 시스템에서, 입력된 대상이미지로부터 진단명과, 치료 시 예측가능한 경과를 도출하는 과정을 설명하기 위한 도면이다.
도 3은 분류부에서, 분류모델을 생성하는 과정을 설명하기 위한 도면이다.
도 4는 진단부에서, 진단모델을 생성하는 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 경과예측부에서, 치료 시 예측가능한 경과를 도출하는 과정을 설명하기 위한 도면이다.
도 6은 디스플레이부에 표시되는 대상이미지, 진단명 및 진단 후 예측가능한 치료율에 대한 것이다.
도 7은 본 발명의 일 실시예에 따른 딥러닝 기반의 질환 진단 보조 방법을 설명하기 위한 순서도이다.
도 8 내지 도 14는 대장의 질환 종류 별 대장 이미지에 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.
도 1 및 도 2를 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기반의 질환 진단 보조 시스템(100)은 분류부(110), 진단부(120), 경과예측부(130), 데이터베이스(135), 디스플레이부(140) 및 오진수정부(150)를 포함한다.
분류부(110)는 분류모델(111)과 질환 종류 별로 진단모델(121)이 기록된 리스트가 기설정된다. 도 3을 참조하면, 분류모델(111)은 의료영상 및 분류레이블정보(신체정보, 질환정보 및 영상정보)를 갖는 분류학습데이터가 딥러닝되어 생성된다.
여기서, 신체정보는 예컨대, 뇌, 간, 위, 대장, 소장, 심장, 폐 등등 인체를 구성하는 조직에 관한 정보이다. 그리고, 영상정보는 의료영상이 촬영된 기기(예컨대, X-ray, MRI, MRA, CT 등)에 따른 정보이다.
분류부(110)는 대상이미지가 입력되면, 분류모델(111)에 기초하여 대상이미지가 딥러닝되어, 대상이미지 상의 신체부위가 어디인지, 촬영 장비가 무엇인지가 판독되어, 대상이미지의 신체정보, 질환정보 및 영상정보에 따라, 리스트에서 대상이미지에 부합하는 해당 진단모델(121)을 도출한다.
진단부(120)에는 복수의 진단모델(121)이 기설정된다. 도 4를 참조하면, 진단모델(121)은 질환 별로, 의료영상 및 진단레이블정보를 갖는 진단학습데이터가 딥러닝되어 생성된다. 진단레이블정보는 신체정보, 질환정보, 영상정보, 진단명 정보 등이다.
딥러닝 기술로는 CNN(Convolutional Neural Network) 방식이 적용가능하다. CNN 방식은 인간의 뇌신경망을 연구하고 만든 Neural Network 의 특성을 살려 이미지에 적용시킨 기술로서, 이미지의 픽셀 및 영역을 추출해 특성(feature)을 계산해서 이미지의 물체를 인식하는 방식의 알고리즘이다.
진단부(120)는 분류부(110)에서 도출된 진단모델(121)에 기초하여, 대상이미지가 딥러닝되어, 대상이미지의 질환여부를 진단한다.
이하에서는 설명의 편의를 위해, 대상이미지로 대장 의료영상이 사용된 경우를 예로 들어 설명하기로 한다.
대장 의료영상이 대상이미지로 분류부(110)에 입력되면, 분류모델(111)에 기초하여 대장 의료영상이 딥러닝되어 기설정된 복수의 진단모델 중 대장 진단모델이 도출되고, 진단부(120)에서 대장 진단모델이 자동으로 채택되어, 대장 의료영상이 대장 진단모델(121)에 기초하여 대장에 대한 질환유무 및 대장질환에 대한 진단명이 자동으로 도출된다.
진단부(120)는 대상이미지에 대한 딥러닝 결과, 신체부위(예컨대, 대장)에 대한 질환이 존재하지 않으면 "정상"으로 결과값을 도출한다. 그리고, 진단부(120)는 대상이미지에 대한 딥러닝 결과, 신체부위(예컨대, 대장)의 질환이 존재하면 대장질환에 대한 진단명을 결과값으로 도출한다. 진단부(120)에서 도출된 결과값과 대상이미지는 진단학습데이터로 학습된다.
진단부(120)에서 진단된 진단명이 오진으로 판단되면, 오진수정부(150)를 이용하여, 진단명에 대한 오진 수정이 가능하다.
진단부(120)에 의해 대상이미지가 양성으로 판단되는 경우, 경과예측부(130)는 n개의 비교데이터의 경과정보에 기초하여, 대상이미지의 경과를 예측한다. 경과정보는 재발여부, 생존여부, 치료방법, 처방전, 기대수명 또는 재방문주기 등이다.
구체적으로, 경과예측부(130)는 데이터베이스(135)에 저장된 양성의 진단학습데이터 중 경과정보를 포함하는 진단학습데이터와 대상이미지의 이미지 유사도를 판단한다. 경과예측부(130)는 대상이미지와의 이미지 유사도가 높은 n개의 진단학습데이터를 비교데이터로 추출한다.
데이터베이스(135)에는 의료영상 및 진단레이블정보를 갖는 진단학습데이터가 저장된다. 데이터베이스(135)에는 양성의 진단학습데이터 중 경과정보를 가진 진단학습데이터가 저장된다. 경과정보를 가진 진단학습데이터는 경과예측부(130)에서, 경과정보에 기초하여 대상이미지의 경과를 예측하는 자료로 사용된다.
경과예측부(130)는 기설정된 유사도 분석 알고리즘에 따라, 대상이미지에 대한 각각의 비교데이터의 이미지의 유사도를 분석한다. 경과예측부(130)는 유사도에 따라 각각의 비교데이터의 경과정보에 대해, 비교데이터의 이미지가 대상이미지와의 유사도가 높을수록 높은 가중치를 비교데이터의 경과정보에 곱하고, 비교데이터의 이미지가 대상이미지와의 유사도가 낮을수록 낮은 가중치를 비교데이터의 경과정보에 곱하여, 비교데이터의 경과정보에 대한 가중치를 조정한다.
경과예측부(130)는 n개의 비교데이터의 경과정보에 기초하여, 대상이미지의 경과를 예측한다.
경과예측부(130)는 가중치가 조정된 n개의 비교데이터의 경과정보에 기초하여, 대상이미지의 경과가 치료방법(예컨대, 항암치료, 약물치료 등), 처방전, 진단 시의 환자의 상태(예컨대, 암의 경우, 1기, 2기....말기 등)에 따른 완치율, 재발율, 생존율 또는 사망율로 예측가능하다.
그리고, 경과예측부(130)는 n개의 비교데이터의 경과정보에 기초하여, 대상이미지로부터 치료 시에 야기가능한 병명, 기대수명(년) 또는 재방문주기가 예측가능하다.
도 5 및 도 6을 참조하면, 디스플레이부(140)는 제1상태창(141)과 제2상태창(142)이 동일화면 상에 구현되게 구동된다. 제1상태창(141)은 대상이미지(10)가 표시되는 상태창이다. 그리고, 제2상태창(142)은 대상이미지(10)에 대한 진단명 및 경과정보가 표시되는 상태창이다. 대상이미지(10)에 대한 진단명은 진단부(120)에서 도출된 결과값이다. 대상이미지(10)에 대한 경과정보는 경과예측부(130)에서 도출된 결과값이다.
제2상태창(142)에는 N개의 비교데이터가 유사도가 높은 순서에서 낮은 순서대로 나열된다. 상술했듯이, 비교데이터는 대상이미지(10)의 질환과 동일한 질환을 가지고 이미지가 유사하되, 질환 치료 시 경과정보가 존재하는 데이터이다.
디스플레이부(140)의 제2상태창(142)에는, 선별된 N개의 비교데이터의 환자 이력에 대한 통계 분석을 통해, 비슷한 사례의 경우 어떤 진단과 치료 방법을 사용하였는지, 그에 따른 치료 효과 등이 수치적으로 표시된다. 제2상태창(142)에 표시되는 수치(재발율, 완치율, 사망률, 완치율, 기대수명 등)는 경과예측부(130)에서 도출된 결과값이다.
그리고, 디스플레이부(140)의 제2상태창(142)에는 재방문주기가 일/주/월/년으로 표시된다. 재방문주기는 해당질환에 대해 통계적으로 환자에게 권고하는 주기이다.
진단의는 유사도가 높은 비교데이터를 클릭하여, 비교데이터의 경과정보, 예컨대, 환자이력, 어떤 진단과 치료 방법을 사용하였는지, 그에 따른 치료 효과 등을 확인가능하다. 치료의 경우, 치료의 정도와 방법, 입원 여부 등이 포함된다. 처방의 경우, 처방약의 종류, 복용량 등이 포함된다.
디스플레이부(140)의 제2상태창(142)에는 오진수정부(150)가 마련된다. 진단부(120)에서 진단된 질환이 오진인 경우에, 진단의는 오진수정부(150)를 클릭하여, 진단부(120)에서 도출된 질환의 진단명을 수정할 수 있다. 본 발명은 오진수정부(150)에 의해 진단명이 수정된 정보에 대한 통계분석을 통해, 질환 별로 오진율을 산출할 수 있다. 오진확률은 디스플레이부(140)의 제2상태창(142)에 표시된다.
이하에서, 본 발명의 일 실시예에 따른 딥러닝 기반의 질환 진단 보조 방법에 대해 설명하기로 한다.
딥러닝 방식으로 대상이미지로부터 진단명 및 치료 시 경과(예컨대, 재발율, 완치율, 생존율, 사망율 등)를 예측하기 전에, 분류모델(111)과 진단모델(121)이 생성된다(S10). 분류모델(111) 및 진단모델(121)은 상술한 바와 동일한 바, 이하에서는 이에 대한 설명을 생략한다.
이하에서는 설명의 편의를 위해, 대상이미지로 대장 의료영상이 사용된 경우에 대해 설명하기로 한다.
대장 의료영상이 분류부(110)로 입력되면(S20), 대장 의료영상이 분류모델(111)을 기초하여 딥러닝되고, 분류부에 기설정된 리스트에서 대장 의료영상에 부합하는 대장 진단모델이 결과값으로 도출된다. 여기서, 리스트는 복수의 진단모델에 대한 정보가 기록된 것이다.
S30 단계에서, 진단부(120)에 기설정된 복수의 진단모델(121) 중에서, 분류부(110)에서 도출된 대장 진단모델(121)이 자동으로 채택되고, 대장 의료영상이 대장 진단모델(121)에 기초하여 딥러닝되어, 대장 질환 여부가 진단된다(S30). S30 단계에서 도출된 결과값(질환유무 및 진단명)과 대상이미지는 진단모델(121)로 제공되어, S10 단계의 진단학습데이터로 학습된다.
대장 진단모델(121)은 대장 의료 영상과 대장에 대한 진단레이블정보가 진단학습데이터로 딥러닝되어 생성된 것이다. 대장에 대한 진단레이블정보는 대장의 상태가 질환이 존재하지 않은 정상인지 또는 질환이 존재하는 양성 또는 악성인지 여부, 양성인 경우의 진단명, 또는 악성인 경우의 진단명 등에 관련된 정보이다.
도 8(a)를 참조하면, 대장 조직은 크게 점막(mucosa), 점막근판(muscularis mucosa)과 점막하조직(submucosa)으로 구분된다. 대장 질환은 점막, 점막근판 및/또는 점막하조직이 변형되면서 생긴 것이다.
정상 상태의 대장을 학습하기 위해, 정상 대장 조직의 이미지(도 8(b) 참조), 급성(Acute)/만성 염증(Chronic Inflammation)을 가진 정상 대장 조직의 이미지(도 9참조) 및/또는 과형성/과증식성 용종(Hyperplastic Polyp)을 가진 정상 대장 조직의 이미지(도 10 참조)가 진단학습데이터로 사용될 수 있다.
“정상”대장 조직의 글랜드는 동그란 형상을 가진다(도 8(b) 참조). 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 길쭉하게 또는 톱니 형상(도 10 참조)으로 변형된다.
대장의 상태가 “양성”인 경우에, 양성 질환 정보는 저도 이형성 샘종 질환 정보와, 고도 이형성 샘종 질환 정보로 크게 구분된다. 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)가 양성의 대장질환을 학습하기 위한 진단학습데이터로 사용된다.
대장 진단모델(121)은 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.
대장의 상태가 “악성”인 경우에, 악성 질환 정보는 선암종(Adenocarcinoma)과, 카르시노이드(Carcinoid)로 구분된다. 대장 진단모델(121)은 대장 이미지를 악성 질환 종류에 따라, 선암종(Adenocarcinoma)과, 카르시노이드(Carcinoid)로 분류한다.
선암종(Adenocarcinoma)을 가진 악성 대장 이미지(도 13 참조), 및/또는 카르시노이드(Carcinoid)을 가진 악성 대장 이미지(도 14 참조)가 진단학습데이터로 사용된다.
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.
예를 들어, 대상이미지로 대장조직이 “악성의 선암종(Adenocarcinoma)”인 대장 의료영상이 진단부(120)로 입력되면, 진단부(120)는 대장 진단모델(121)에 기초하여 대장에 대한 의료영상을 딥러닝하여, 대장 상태가 "악성"이고, 진단명으로 "선암종"을 도출한다.
만약, 진단부(120)에서 도출된 진단명이 오진으로 판단되면, 진단의는 오진수정부(150)를 이용하여, 진단명에 대한 오진을 수정할 수 있다. 본 발명은 오진수정부(150)에 의해 진단명이 수정된 정보에 대한 통계분석을 통해, 질환 별로 오진율을 산출할 수 있다.
진단부(120)에서 진단명이 "선암종"으로 도출되면, 데이터베이스(135)에서, 선암종 질환을 가진 진단학습데이터 중 대상이미지와의 이미지 유사도가 높은 n개의 진단학습데이터가 비교데이터로 추출된다(S40).
경과예측부(130)에서, n개의 비교데이터의 경과정보에 기초하여, 치료 시 대상이미지의 경과가 예측된다(S50). 구체적으로, 경과예측부(130)에서, 치료 시의 대상이미지의 경과가 예측되는 과정은 다음과 같다.
우선, 경과예측부(130)에서, 기설정된 유사도 분석 알고리즘에 따라, 대상이미지에 대한 각각의 비교데이터의 이미지의 유사도가 분석된다(S51).
그리고, 경과예측부(130)에서, 대상이미지와의 유사도에 따라 각각의 비교데이터의 경과정보에 대해 가중치가 조정된다(S52). 경과정보는 재발여부, 생존여부, 처방전, 진단 시의 환자의 상태, 치료방법, 기대수명 또는 재방문주기 등이다.
S52 단계는 비교데이터의 이미지가 대상이미지와의 유사도가 높을수록 높은 가중치를 비교데이터의 경과정보에 곱하고, 비교데이터의 이미지가 대상이미지와의 유사도가 낮을수록 낮은 가중치를 비교데이터의 경과정보에 곱하여, 비교데이터의 경과정보에 대한 가중치가 조정된다.
마지막으로, 경과예측부(130)에서, n개의 비교데이터의 경과정보에 기초하여, 대상이미지의 경과가 완치율, 재발율, 생존율, 사망율, 재방문주기 또는 기대수명에 대해 수치적으로 예측된다. 경과예측부(130)에서, 대상이미지의 경과는 치료방법, 처방전, 또는 진단 시의 환자의 상태에 따라 구분되어 산출가능하다.
본 발명은 기존 PACS에서 보여주지 않았던 현 영상과의 유사한 이미지를 목록으로 보여주는 형식과 영상의 환자 정보들의 수치를 통해 재발 가능성 등의 의사가 진단하는데 있어 유용한 통계적 수치를 보여준다.
이를 통해, 본 발명은 단순 현환자의 영상뿐만 아니라, 비교군을 제공하여 더 정확한 진단을 내릴 수 있고, 관련 영상에 대한 통계 결과도 보여주어, 현 시점에 대한 진단과 환자의 재검사 주기도 더 정확하게 제공할 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.
100: 딥러닝 기반의 질환 진단 보조 시스템
110: 분류부 111: 분류모델
120: 진단부 121: 진단모델
130: 경과예측부 135: 데이터베이스
140: 디스플레이부 150: 오진수정부

Claims (15)

  1. 의료영상 및 진단레이블정보를 갖는 진단학습데이터가 저장된 데이터베이스; - 양성의 상기 진단학습데이터 중 적어도 일부는 해당 질환에 대한 경과정보를 포함함
    상기 진단학습데이터로 딥러닝되어 생성된 진단모델에 기초하여, 입력된 대상이미지가 딥러닝되어, 상기 대상이미지의 질환여부를 진단하는 진단부; 및
    상기 진단부에 의해 상기 대상이미지가 양성으로 판단되는 경우, 상기 데이터베이스에 저장된 양성의 상기 진단학습데이터 중 상기 경과정보를 포함하는 진단학습데이터의 의료영상과 상기 대상이미지의 이미지 유사도를 판단하고, 상기 대상이미지와의 이미지 유사도가 높은 n개의 진단학습데이터를 비교데이터로 추출하고, 상기 n개의 비교데이터의 상기 경과정보에 기초하여, 상기 대상이미지의 해당 질환의 경과를 예측하는 경과예측부를 포함하는 것을 특징으로 하는 딥러닝 기반의 질환 진단 보조 시스템.
  2. 제 1 항에 있어서,
    상기 경과예측부는,
    기설정된 유사도 분석 알고리즘에 따라, 상기 대상이미지에 대한 상기 각각의 비교데이터의 이미지의 유사도를 분석하고,
    상기 유사도에 따라 상기 각각의 비교데이터의 경과정보에 대해 가중치를 조정하여, 상기 n개의 비교데이터의 경과정보에 대한 통계를 산출하여, 상기 대상이미지의 경과를 예측하는 것을 특징으로 하는 딥러닝 기반의 질환 진단 보조 시스템.
  3. 제 2 항에 있어서,
    상기 경과정보는 재발여부, 생존여부, 처방전, 진단 시의 환자의 상태, 치료방법, 기대수명 또는 재방문주기이고,
    상기 경과예측부는 상기 비교데이터의 경과정보에 기초하여, 상기 대상이미지의 경과를 치료방법, 처방전, 또는 진단 시의 환자의 상태에 따른 완치율, 재발율, 생존율 또는 사망률로 예측하는 것을 특징으로 하는 딥러닝 기반의 질환 진단 보조 시스템.
  4. 제 2 항에 있어서, 상기 경과예측부는,
    상기 비교데이터의 이미지가 상기 대상이미지와의 유사도가 높을수록 높은 가중치를 상기 비교데이터의 경과정보에 곱하고,
    상기 비교데이터의 이미지가 상기 대상이미지와의 유사도가 낮을수록 낮은 가중치를 상기 비교데이터의 경과정보에 곱하여, 상기 비교데이터의 경과정보에 대한 가중치를 조정하는 것을 특징으로 하는 딥러닝 기반의 질환 진단 보조 시스템.
  5. 제 1 항에 있어서,
    의료영상 및 분류레이블정보(신체정보, 질환정보 및 영상정보)가 분류학습데이터로 딥러닝되어 생성된 분류모델과, 질환 종류 별로 진단모델이 기록된 리스트가 기설정되고,
    상기 분류모델에 기초하여, 상기 대상이미지가 딥러닝되어 판단되어, 상기 대상이미지의 신체정보, 질환정보 및 영상정보에 따라, 상기 리스트에서 상기 대상이미지에 부합하는 해당 진단모델을 도출하는 분류부를 더 포함하는 것을 특징으로 하는 딥러닝 기반의 질환 진단 보조 시스템.
  6. 제 5 항에 있어서,
    상기 진단부는 상기 분류부에 의해 도출된 진단모델을 상기 대상이미지의 진단모델로 채택하는 것을 특징으로 하는 딥러닝 기반의 질환 진단 보조 시스템.
  7. 제 5 항에 있어서,
    상기 진단명에 대한 오진이 수정되는 오진수정부를 더 포함하고,
    상기 오진수정부에 의해 진단명이 수정된 정보에 기초하여, 질환 별로 오진율을 산출하는 것을 특징으로 하는 딥러닝 기반의 질환 진단 보조 시스템.
  8. (S10) 의료영상 및 진단레이블정보를 갖는 진단학습데이터가 딥러닝되어 진단모델이 생성되는 단계; - 양성의 상기 진단학습데이터 중 적어도 일부는 해당 질환에 대한 경과정보를 포함함
    (S20) 대상이미지가 입력되는 단계;
    (S30) 상기 진단모델에 기초하여, 상기 대상이미지가 딥러닝되어, 상기 대상이미지의 질환여부가 진단되는 단계;
    (S40) 상기 대상이미지가 양성으로 판단되는 경우, 데이터베이스에 저장된 양성의 상기 진단학습데이터 중 상기 경과정보를 포함하는 진단학습데이터의 의료영상과 상기 대상이미지의 이미지 유사도가 판단되고, 상기 대상이미지와의 이미지 유사도가 높은 n개의 진단학습데이터가 비교데이터로 추출되는 단계; 및
    (S50) 상기 n개의 비교데이터의 경과정보에 기초하여, 상기 대상이미지의 해당 질환의 경과가 예측되는 단계를 포함하는 것을 특징으로 하는 딥러닝 기반의 질환 진단 보조 방법.
  9. 제 8 항에 있어서, 상기 S50 단계는,
    (S51) 기설정된 유사도 분석 알고리즘에 따라, 상기 대상이미지에 대한 상기 각각의 비교데이터의 이미지의 유사도를 분석되는 단계; 및
    (S52) 상기 유사도에 따라 상기 각각의 비교데이터의 경과정보에 대해 가중치가 조정되는 단계를 포함하는 것을 특징으로 하는 딥러닝 기반의 질환 진단 보조 방법.
  10. 제 9 항에 있어서, 상기 S52단계는,
    상기 비교데이터의 이미지가 상기 대상이미지와의 유사도가 높을수록 높은 가중치를 상기 비교데이터의 경과정보에 곱하고,
    상기 비교데이터의 이미지가 상기 대상이미지와의 유사도가 낮을수록 낮은 가중치를 상기 비교데이터의 경과정보에 곱하여,
    상기 비교데이터의 경과정보에 대한 가중치가 조정되는 것을 특징으로 하는 딥러닝 기반의 질환 진단 보조 방법.
  11. 제 8 항에 있어서,
    상기 경과정보는 재발여부, 생존여부, 처방전, 진단 시의 환자의 상태, 치료방법, 기대수명 또는 재방문주기이고,
    상기 S50단계에서, 상기 비교데이터의 경과정보에 기초하여, 상기 대상이미지의 경과가 치료방법, 처방전, 또는 진단 시의 환자의 상태에 따른 완치율, 재발율, 생존율 또는 사망률로 예측되는 것을 특징으로 하는 딥러닝 기반의 질환 진단 보조 방법.
  12. 제 8 항에 있어서,
    의료영상 및 분류레이블정보를 갖는 분류학습데이터가 딥러닝되어, 분류모델이 생성되는 단계;
    상기 분류모델과 질환 별로 진단모델이 기록된 리스트가 분류부에 기설정되는 단계; 및
    상기 분류모델에 기초하여, 상기 대상이미지가 딥러닝되어, 상기 대상이미지의 신체정보, 질환정보 및 영상정보에 따라, 상기 리스트에서 상기 대상이미지에 부합되는 진단모델이 도출되는 단계를 포함하는 것을 특징으로 하는 딥러닝 기반의 질환 진단 보조 방법.
  13. 제 12 항에 있어서,
    상기 분류부에 의해 도출된 진단모델이 상기 S30단계의 진단모델로 채택되는 단계를 더 포함하는 것을 특징으로 하는 딥러닝 기반의 질환 진단 보조 방법.
  14. 제 12 항에 있어서,
    상기 진단명에 대한 오진이 수정되는 단계; 및
    진단명이 수정된 정보에 기초하여, 질환 별로 오진율이 산출되는 단계를 더 포함하는 것을 특징으로 하는 딥러닝 기반의 질환 진단 보조 방법.
  15. 제 8 항에 있어서,
    상기 S30단계에서 진단된 정보와 상기 대상이미지가 상기 진단모델로 제공되어, 상기 S10단계의 상기 진단학습데이터로 학습되는 단계를 더 포함하는 것을 특징으로 하는 딥러닝 기반의 질환 진단 보조 방법.
KR1020200029986A 2020-03-11 2020-03-11 딥러닝 기반의 질환 진단 보조 시스템 및 딥러닝 기반의 질환 진단 보조 방법 KR102179583B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200029986A KR102179583B1 (ko) 2020-03-11 2020-03-11 딥러닝 기반의 질환 진단 보조 시스템 및 딥러닝 기반의 질환 진단 보조 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200029986A KR102179583B1 (ko) 2020-03-11 2020-03-11 딥러닝 기반의 질환 진단 보조 시스템 및 딥러닝 기반의 질환 진단 보조 방법

Publications (1)

Publication Number Publication Date
KR102179583B1 true KR102179583B1 (ko) 2020-11-17

Family

ID=73642450

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200029986A KR102179583B1 (ko) 2020-03-11 2020-03-11 딥러닝 기반의 질환 진단 보조 시스템 및 딥러닝 기반의 질환 진단 보조 방법

Country Status (1)

Country Link
KR (1) KR102179583B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102304340B1 (ko) * 2020-11-27 2021-09-23 두에이아이(주) 시각정보 기반 참조 검색 기술을 이용한 인공지능 판독 보조방법
KR102376249B1 (ko) 2021-09-17 2022-03-18 주식회사 오톰 폐 예측 영상과 TRelu를 이용한 폐 질병 예측 시스템 및 그 방법
KR102408452B1 (ko) 2020-12-14 2022-06-14 연세대학교 산학협력단 딥러닝 기반의 관절 질환의 진단 방법
CN115985509A (zh) * 2022-12-14 2023-04-18 广东省人民医院 一种医学影像学数据检索系统、方法、装置和存储介质
KR102598233B1 (ko) * 2022-06-07 2023-11-07 충북대학교병원 의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제공시스템 및 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060037528A (ko) * 2004-10-28 2006-05-03 에스케이 텔레콤주식회사 이동통신 단말기를 이용한 건강정보 예측 시스템 및건강정보 예측 컨텐츠 제공방법
KR20160140194A (ko) 2015-05-29 2016-12-07 삼성에스디에스 주식회사 Pacs 이미지의 개인화 분석 기반 이상 검출 방법 및 그 장치
KR20180040287A (ko) * 2016-10-12 2018-04-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
KR20190059440A (ko) * 2017-11-23 2019-05-31 주식회사 아이엠투지 유사환자 자동검색을 통한 진단 보조 시스템 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060037528A (ko) * 2004-10-28 2006-05-03 에스케이 텔레콤주식회사 이동통신 단말기를 이용한 건강정보 예측 시스템 및건강정보 예측 컨텐츠 제공방법
KR20160140194A (ko) 2015-05-29 2016-12-07 삼성에스디에스 주식회사 Pacs 이미지의 개인화 분석 기반 이상 검출 방법 및 그 장치
KR20180040287A (ko) * 2016-10-12 2018-04-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
KR20190059440A (ko) * 2017-11-23 2019-05-31 주식회사 아이엠투지 유사환자 자동검색을 통한 진단 보조 시스템 및 방법

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102304340B1 (ko) * 2020-11-27 2021-09-23 두에이아이(주) 시각정보 기반 참조 검색 기술을 이용한 인공지능 판독 보조방법
WO2022114823A1 (ko) * 2020-11-27 2022-06-02 두에이아이(주) 시각정보 기반 참조 검색 기술을 이용한 인공지능 판독 보조방법
KR102408452B1 (ko) 2020-12-14 2022-06-14 연세대학교 산학협력단 딥러닝 기반의 관절 질환의 진단 방법
KR102376249B1 (ko) 2021-09-17 2022-03-18 주식회사 오톰 폐 예측 영상과 TRelu를 이용한 폐 질병 예측 시스템 및 그 방법
KR102598233B1 (ko) * 2022-06-07 2023-11-07 충북대학교병원 의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제공시스템 및 방법
CN115985509A (zh) * 2022-12-14 2023-04-18 广东省人民医院 一种医学影像学数据检索系统、方法、装置和存储介质

Similar Documents

Publication Publication Date Title
KR102179583B1 (ko) 딥러닝 기반의 질환 진단 보조 시스템 및 딥러닝 기반의 질환 진단 보조 방법
US20230371888A1 (en) Dental Image Feature Detection
US10565477B2 (en) Deep learning medical systems and methods for image reconstruction and quality evaluation
JP7309605B2 (ja) ディープラーニング医療システムおよび画像収集のための方法
KR101898575B1 (ko) 진행성 병변에 대한 미래 상태를 예측하는 방법 및 이를 이용한 장치
Iakovidis et al. Software for enhanced video capsule endoscopy: challenges for essential progress
US10304198B2 (en) Automatic medical image retrieval
US11443201B2 (en) Artificial intelligence-based self-learning in medical imaging
US10504197B2 (en) Clinical decision support systems and methods
US20180263568A1 (en) Systems and Methods for Clinical Image Classification
US7653227B2 (en) Hierarchical modeling in medical abnormality detection
JP2020500378A (ja) ディープラーニング医療システムおよび医療処置のための方法
Tian et al. A descriptive framework for the field of deep learning applications in medical images
US10593041B1 (en) Methods and apparatus for the application of machine learning to radiographic images of animals
JP2007280229A (ja) 類似症例検索装置、類似症例検索方法およびそのプログラム
US11836918B2 (en) Systems and methods for radiologic and photographic imaging of patients
US20220301159A1 (en) Artificial intelligence-based colonoscopic image diagnosis assisting system and method
Bejakovic et al. Analysis of Crohn's disease lesions in capsule endoscopy images
Su et al. CAVE: Cerebral artery–vein segmentation in digital subtraction angiography
Pal et al. A fully connected reproducible SE-UResNet for multiorgan chest radiographs segmentation
KR20190088371A (ko) 진행성 병변의 미래 영상을 생성하는 방법 및 이를 이용한 장치
Hsu et al. Development of a deep learning model for chest X-ray screening
Rajpurkar Deep Learning for Medical Image Interpretation
Kantheti et al. Medical Image Classification for Disease Prediction with the aid of Deep Learning approaches
Jha et al. Interpretability of Self-Supervised Learning for Breast Cancer Image Analysis

Legal Events

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